Kovaryans ve Korelasyon: [Bilmeniz gereken her şey]

Makine Öğrenimi ve Yapay Zeka gibi teknolojilerin yardımıyla verileri yorumlarken çok fazla permütasyon ve kombinasyon gereklidir. Farklı durumlarda farklı sonuçları tahmin etmeye yardımcı olur. Bu permütasyonlar ve kombinasyonlar, değişkenlerin yardımıyla yaygın olarak yapılır.

Değişken, bir veri setinde ölçülebilen bir öğe, miktar veya sayıdır. Bu kalem veya miktar sabit değildir ve farklı durumlarda dahili veya harici faktörlerle değişebilir. Bir elemanın tam değeri bilinmediğinde, onu değişken olarak adlandırırız. Bu nedenle, değişkenlere genellikle bilinmeyen bir miktarın yer tutucuları denir. Değişken, bir bilgisayar programının komutlarına veya bilgisayar ve programlama dilindeki girdilere bağlı olarak değişen bir değer olarak tanımlanır.

Örneğin, müşteri satın alımlarını, müşteri tercihlerini veya gelecekte belirli bir ürünü sipariş etme olasılığını içeren bir e-Ticaret veri setinde bir değişkendir. Müşterilerin ihtiyaçlarına, gelirine, yaşına ve diğer faktörlere bağlıdır. Değişkenlerin nasıl işlediği ve iki değişken arasındaki ilişkinin nasıl belirlendiği hakkında daha fazla bilgi edelim.

Kovaryans nedir?

Kovaryans, iki değişken arasındaki ilişkiyi veya karşılıklı bağımlılığı ölçer. Diğer değişken aynı veri setini değiştirirse bir değişkenin hangi yönde hareket edeceğini belirler.

Kovaryans iki tiptir - pozitif ve negatif. Bir değişken değiştirildiğinde ve ikinci değişken aynı yönde hareket ettiğinde buna pozitif kovaryans denir. İkinci değişken ters yönde hareket ederse, negatif kovaryans olarak adlandırılır.

Kovaryansın daha yüksek değeri, iki değişkenin bağımlılığını gösterir. Pozitif kovaryans, değişkenlerin doğru orantılı olduğu ve aynı yönde hareket edeceği anlamına gelir. Negatif kovaryans değerleri bize iki rastgele değişkenin dolaylı olarak ilişkili olduğunu ve zıt yönlerde hareket ettiğini söyler. Bu, bir değişkenin miktarı artarsa, diğerinin azalacağı anlamına gelir.

Korelasyon nedir?

Belirli bir durumda veya veri kümesinde birden fazla değişken olabilir. Bu değişkenler birbirleriyle tamamen ilişkili veya ilgisiz olabilir. Olumlu sonuçları hesaplarken doğruluğu korumak için iki değişken arasındaki ilişkiyi türetmek çok önemlidir. Bu, iki değişken arasındaki ilişkiyi gösteren istatistiksel bir ölçü olan korelasyon olarak bilinir.

Korelasyon, iki değişken arasındaki doğrusal ilişkiyi açıklar ve diğer değişken değiştiğinde bir değişkenin hareketini gösterir.

İki değişken X ve Y varsa ve X'te bir değişiklik varsa, korelasyon X'deki bir değişiklik nedeniyle Y'deki değişikliği ölçer. Y'nin X'teki bir değişiklikle pozitif bir değişiklik mi yoksa negatif bir değişiklik mi göstereceğini hesaplar. .

Kovaryansa benzer şekilde, pozitif, negatif ve sıfır olmak üzere üç tür korelasyon vardır. Pozitif korelasyonda, bir grafikte bir değişken yükseldiğinde, diğer değişken de yükselir. Negatif bir korelasyonda, bir değişken yükselirse, diğer değişken azalır. Pozitif ve negatif korelasyonda, değişkenler orantılı veya doğrusal olarak yukarı ve aşağı hareket eder. Korelasyon sıfırsa, değişkenler ilgisizdir ve doğrusal bir grafik yoktur.

Korelasyon Pearson katsayısı yardımıyla ölçülür. Korelasyon katsayısının değeri -1 ile 1 arasında değişmektedir.

Kovaryans ve Korelasyon Arasındaki Fark Nedir?

Kovaryans ve korelasyon terimleri genellikle birbirinin yerine kullanılır. Ancak, aynı değiller. İnsanların ikisi arasındaki farkları anlaması zordur. Kovaryansı ve korelasyonu ayrıntılı olarak anlayalım.

1. Neyi ölçer

Kovaryans ve korelasyon çok benzer ve kafa karıştırıcıdır. Her ikisi de değişkenlerin bir ölçümüdür. Bununla birlikte, ikisi arasındaki dikkate değer bir fark, kovaryansın değişkenler arasındaki değişimi ölçmesidir. İki değişkenin birbiriyle nasıl ilişkili olduğunu ve aynı yönde mi yoksa zıt yönlerde mi hareket ettiğini söyler. Kovaryans, değişkenlerin nasıl değiştiğini tanımlamaz. Sadece değişkenlerin birbiriyle ilişkili olup olmadığını teyit eder.

Öte yandan, değişkenlerin değişim derecesi veya derecesi korelasyon yardımı ile belirlenir. Kovaryansın bir fonksiyonudur.

2. Değerler

Korelasyon değeri -1 ile 1 arasında değişir. Öte yandan kovaryans değeri herhangi bir sayı olabilir. Değeri, negatif güç ile sonsuzluğun pozitif gücü arasında düşer. Korelasyon standart değerlere sahipken, kovaryansın önemi kesin değildir. Kovaryans katsayısını biliyorsak, korelasyon değerini türetebiliriz.

3. Ölçek Değişimi

Değişkenler sabit bir değerle çarpıldığında çıktı değişikliği anlamına gelir. Ölçekteki kayma, korelasyon değerini etkilemez. Değişkenler bir sabitle çarpılsa bile korelasyon aynı kalacaktır. Ancak, bu kovaryans durumunda değildir. Ölçek değişikliğinden etkilenir. Değişkenler bir sabitle çarpılırsa, kovaryans buna göre değişecektir.

Makine Öğreniminde Kovaryans ve Korelasyonun Kullanımı Nedir?

Makine öğreniminde çeşitli değişkenler vardır - hedef, bağımsız, orta, kafa karıştırıcı ve kontrol değişkenleri. Bu değişkenler farklı işlevleri yerine getirir ve ML algoritmaları ve tekniklerinde hayati bir rol oynar. Değişkenlerin birincil işi, algoritmalara eksik değerleri eklemektir. Veriler her zaman yapılandırılmış bir biçimde mevcut olmadığından, eksik öğeler olabilir. Algoritmalar eksik bilgilerle çalışamaz. Bu nedenle, yazılım mühendisleri veya geliştiriciler, eksik değerleri doldurmak için makine öğrenimindeki değişkenleri kullanır.

Makine Öğreniminde Kariyer Fırsatları Nelerdir?

Makine öğrenimi ve yapay zeka teknolojilerinin en önemli bileşenlerinden biri, değişkenlerin bağımlılığı veya iki rastgele değişken arasındaki ilişkidir. ML ve AI algoritmaları, iki değişken arasındaki ilişkileri tanımlayarak sonuçlar sunar. Bu nedenle, makine öğreniminde kariyer yapmak istiyorsanız kovaryans ve korelasyon kavramlarını bilmelisiniz.

Makine öğrenimi ve yapay zeka hakkında derinlemesine bilgi edinmek için upGrad'ın Makine Öğrenimi ve Yapay Zeka alanında Yüksek Lisans programına kendinizi kaydedebilirsiniz.

Bu, mühendisler, BT ve veri uzmanları için makine öğrenimi ve yapay zeka teknik bilgisi kazanmalarına yardımcı olan çevrimiçi bir kurstur. Program ayrıca öğrencilere Liverpool John Moores Üniversitesi ve Bangalore Uluslararası Bilgi Teknolojileri Enstitüsü'nün mezun statüsünü sağlar.

Kurs, Flipkart ve Zee5'ten sektör uzmanlarıyla bağlantı kurmanıza olanak tanır. Ayrıca, derin öğrenme ve tahmine dayalı analitik ve istatistik gibi ilgili beceriler kazanmak için çok sayıda endüstri projesi gerçekleştirme fırsatına da sahip olursunuz.

Makine Öğrenimi ve AI'daki en iyi iki kariyer fırsatı:

1. Veri Bilimcisi

2012'de Harvard Business Review , veri bilimcilerine duyulan ihtiyaç muazzam bir şekilde arttığından, Veri Bilimcisi'nin 21. yüzyılın en seksi işi olduğunu belirtti. Bugün bile birçok sektörde veri bilimci sıkıntısı var. Verileri ilgi çekici buluyorsanız, sizi bekleyen yüksek ücretli ideal bir işiniz var. Hindistan'daki veri bilimcilerinin ortalama maaşı, yılda neredeyse ₹ yedi lakh. Birkaç yıllık uzmanlığa sahip veri uzmanları, yılda ₹17 lakh'a kadar kazanabilir.

2. Yapay Zeka Mimarı

Sektörde ses getiren bir diğer iş de AI Architect. Bir mimarın müşterilerine çözümler sağlaması gibi, AI Architects de müşterilerine AI çözümleri sunar. Müşterilerinin gereksinimlerini anlarlar ve doğru teknolojileri önerirler. Bir AI Mimarının ortalama maaşı yılda ₹ altı lakh'tır.

Dünyanın en iyi Üniversitelerinden veri bilimi çevrimiçi kursunu öğrenin . Kariyerinizi hızlandırmak için Yönetici PG Programları, Gelişmiş Sertifika Programları veya Yüksek Lisans Programları kazanın.

Çözüm

Değişkenler, makine öğrenimi ve yapay zekada veri analizinde ve karar vermede çok önemli bir rol oynamaktadır. Korelasyon ve kovaryans, iki değişken arasında bir ilişkinin olup olmadığını belirlemeye yardımcı olur. Şirketler daha sonra istenen sonuçları tahmin edebilir ve buna göre kararlar alabilir. Makine öğreniminin en karmaşık ancak en önemli kavramlarından biridir. Makine Öğrenimi ve Yapay Zeka konusunda uzman bilgisi edinmek için, upGrad'ın makine öğrenimi ve yapay zeka üzerine programını takip edebilirsiniz.