supervised learning

• (bkz: supervised)
• ing. "denetim altında öğrenme" gibi bir anlama gelen machine learning terimidir. burada denetimden kasıt, olayı öğreten eli cetvel tutan bir belletmenin yol gösteriyor oluşudur. bir dizi girdi ve bunlara uygun çıktılar sisteme verilir, "bak koçum, böyle bi şeyler gelirse şöyle tepki vereceksin" denir. sistem de regression gibi tekniklerle, o durumu sağlayan bir fonksiyon üretir. böylece öğrenme safhası tamamlanır. akabinde daha değişik girdiler verilip üretilen çıktıya bakılır, olması gerektiği gibiyse aferin denir, başı okşanır. sistem buna karşılık genellikle kuyruk sallayıp neşeli bir biçimde havlar. yanlış bir şeyler varsa "höyt! öyle değil, böyle" denerek sistemin deneme-yanılma yoluyla öğrenmesi teşvik edilir. kesinlikle dövülmez, hevesi kırılmaz. yapay sinir ağları, decision tree learning^* gibi algoritmalarda geçerli olan bir yöntem olup genellikle örüntü tanıma, görüntü ve ses tanıma, spam yakalama, ocr gibi uygulama alanlarına sahiptir.
• türkçe kaynaklarda gözetimli öğrenme olarak da kullanılır.
• bir süpervizör aracılığıyla öğrenme gibi bi anlama gelen terim. yani bir kişi bilgisayara bir yığın veri ve bunların sonucunda oluşan durumları girer. sonra bilgisayara bir takım komutlar aracılığıyla denir ki bundan sonra sana x denilirse y sonucunu vereceksin x+z denilirse de alfa sonucu vereceksin. işte bu sayede de bilgisayar daha sonra karşısına çıkan benzer durumlar karşısında elindeki verileri tarayarak "heee bak böyle böyle olunca eskiden şu sonuç çıkmış demek ki ben de bunu vereyim" der. mesela: bilgisayara sigorta ile ilgili verileri giriyoruz. adam evli borç stoku düşük geliri yüksek biz bu adama zamanında kredi vermişiz kredinin geri ödemesinin %100 olduğunu görmüşüz. yine aynı şekilde adamın geliri iyi borcu düşük ama bekar bu adamın kredi geri ödemesinin %98 olduğunu görmüşüz. sonra bekar bir adam yüksek borç yüksek gelir. kredi ödemesi %70. vs vs. tonlarca veriyi girdik. artık yeni bir müşteri geldi adam evli düşük gelir düşük borç biz buna kredi verelim mi verirsek ne kadar verelim. işte burada bilgisayar adam gibi öğrendiyse bize çok düşük bir hata oranı ile doğru kararı göstermesi lazım.
• şimdi arkadaşlar, öğrenme genel olarak 3 çeşit oluyor. (bkz: supervised learning) (bkz: unsupervised learning)(bkz: reinforcement learning) ....
  
  supervised learning de , sizin hem giriş hem çıkışınız olması gerekiyor ki , yeni gelen verileri eğitebilesiniz..verilen en yaygın örnek id3, naive bayes, gini algoritmaları vs , ysa da tabi ki giriyor..önce verilerimizi input ve output değerlerimizi eğitiyoruz, eğitim sonucunda yeni sample ı import edip, sonucunu programın kendisinin bulmasını istiyoruz..işte buna eğiticili öğrenme (supervised learning ) deniyor.
  
  unsupervised learningte ise , supervised learningingin biraz zıttı gibi düşünebiliriz.verilerimizde giriş(input) datamız var ama bu inputa göre , çıkışı kendisinin bulmasını istiyoruz..işte bunun da örnekleri kümeleme algoritmalarıdır.
  
  reinforcement learning (takviyeli öğrenme ) ise buna da örnek olarak satranç oyununu verebiliriz , karşı taraftan gelen komuta göre kendisine yeni sonuç üreticek..
• data üzerinden kuralları, kıstasları ver, istediğin sonuçları ver, o sana aynılarından bulsun. ve hatta ince ayar yapmak suretiyle senin kaçırdığın diğer sonuçları da getirsin.
  
  bir de bunun unsupervised versiyonu var.
• bu algoritmalar insan zekasının yanında çok ilkel kalıyor olsalar da, kedi ve köpeği ayırt etmek için bir algoritmayı eğitip model geliştiriyorsanız, doğal olarak patates gösterseniz de kedi veya köpek diyecektir.
  
  insanların bunu yapmama sebebi ise onlara sadece kedi ve köpeğin gösterilmemiş olmasıdır. insanlar doğumundan itibaren sonsuz seviyede bilgi ile karşılaşmaktadır ve bunlar hakkında çoğunlukla yanında yol gösterici başka bir insan olmaktadır. siz de algoritmaya kedi ve köpek dışında bir de patatesi gösterirseniz, o da patatese kedi veya köpek demeyecektir. küçük bir çocuğa daha önce hiç karşılaşmadığı bir hayvanı gösterirseniz, bildiği başka bir hayvana benzetecektir. hayvanın ne olduğunu dahi bilmeyen bir çocuksa, daha alakasız bir şeye benzetecektir.
  
  algoritmalar çok gelişmiş olmasalar da insanlar da aşağı yukarı benzer şekilde bir şeyler öğrenmektedirler. kültürlü insan da daha çok bilgiye ulaşan insandır. iyi sonuçlar istiyorsak, bizim de algoritmaları kültürlendirip daha çok konuda fikir sahibi olmalarını sağlamalıyız.
• machine learning'in temel konularından biridir. veri kümemizin ne olduğunu, hangi etiketlere sahip olduğunu ve bu verilerin nasıl çıktılar vereceğini bildiğimiz öğrenme çeşididir. verileri ve o verilerden çıkan sonuçları ağa tekrar baştan vererek bu bilgilerden bir fonksiyon (giriş verileri ile sonuç verileri arasında bir eşleşme) çıkartılmasını sağlamaktadır. böylece makine veriler arasındaki ilişkiyi öğrenmektedir. gözetimli öğrenmede 2 ana problem çeşidi vardır.
  
  regression problemlerinde, girdi değişkenlerini bazı sürekli fonksiyonlara eşlemeye çalışmaktadır. en çok verilen örneklerden biri olan ev satın alma durumunda, sisteme evlerin özellikleri(m2si, oda sayısı, yaşı vb) girdi olarak tanımlanır ve fiyat burada özelliklerin etiketi olarak kullanılır. bu verilerle eğitilen sistem size özelliklerine göre en uygun ev fiyatını verecektir.
  
  classification problemlerinde ise x olarak adlandırdığımız girdi özelliklerimizi aynı kategorilere atayıp bu kategorilere bağlı olarak y çıktıları elde etmeye çalışılmaktadır.
  ikili sınıflandırma da bir model ilgili sınıfın verileri ile eğitilir. test aşamasında eğitimi sağlanmış özellik verdiğinde bize 1, aksi durumunda 0 sonucunu döner. çoklu sınıflandırma da ise kedi, köpek, kuş resimleri ile modelimizin eğitimini gerçekleştiririz. test aşamasında accurary oranına göre ilgili resme ait sonucu size döner.