Denetimli Makine Öğrenimi nedir? Algoritma, Örnek

Makine öğrenimi her yerde - devlet kurumlarından, perakende hizmetlerinden ve finans kurumlarından sağlık, eğlence ve ulaşım sektörlerine kadar. Netflix veya Amazon'un çevrimiçi öneriler vermesi veya akıllı telefonunuzun yüz tanıma teknolojisiyle kilidini açması gibi, günlük yaşamlarımızla karmaşık bir şekilde ilişkilidir, makine öğrenimi ve yapay zeka daha önce hiç olmadığı kadar ivme kazanmıştır.

Makine öğreniminin şu anda en popüler teknoloji trendlerinden biri olmasıyla birlikte, yapay zeka yaratmanın temel yaklaşımlarından biri olan denetimli makine öğrenimi hakkında bilgi sahibi olmak zorunlu hale geliyor.

Denetimli Makine Öğrenimi nedir?

Denetimli makine öğrenimi, bir bilgisayar algoritmasının etiketli giriş verileri kullanılarak eğitildiği ve bilgisayarın da öngörülemeyen veriler için çıktıyı tahmin ettiği bir tür makine öğrenimidir. Burada "etiketli", makinenin öğrenmesine yardımcı olmak için bazı verilerin zaten doğru yanıtlarla etiketleneceği anlamına gelir. Denetimli öğrenmede, bilgisayara beslenen girdi verileri, girdi verileri ile çıktı etiketleri arasındaki temel kalıpları ve korelasyonları saptayarak makineyi doğru sonuçlar verecek şekilde eğitmek için bir gözetmen veya öğretmen gibi çalışır.

Denetimli Öğrenme Algoritmaları Türleri

Belirli sonuçlara ulaşmak için farklı türde denetimli öğrenme algoritmaları vardır. En yaygın türlerden bazılarına bir göz atalım.

1. Sınıflandırma

Sınıflandırma algoritmaları, girdileri belirli sayıda sınıf veya kategoriye ayırmak için etiketlenmiş eğitim verilerini kullanır. Burada çıktı değişkeni, 'Evet' veya 'Hayır' ve 'Doğru' veya 'Yanlış' gibi bir kategoridir. Tıbbi raporları pozitif (hastalık) veya negatif (hastalık yok) olarak sınıflandırmak veya filmleri farklı türlere göre sınıflandırmak, sınıflandırma algoritmalarının uygulanabilir olduğu bazı durumlardır.

2. Regresyon

Regresyon modelleri, girdi ve çıktı değişkenleri arasında sayısal bir ilişki olduğunda kullanılır. Denetimli öğrenme kapsamına giren regresyon algoritmaları arasında lineer regresyon, lineer olmayan regresyon, regresyon ağaçları, polinom regresyon ve Bayesian lineer regresyon bulunur. Bu tür modeller, temel olarak, piyasa eğilimlerini tahmin etmek, hava tahmini yapmak veya gün boyunca belirli zamanlarda çevrimiçi reklamlardaki tıklama oranlarını önceden belirlemek gibi sürekli değişkenleri tahmin etmek için kullanılır.

Kariyerinizi hızlandırmak için Dünyanın En İyi Üniversitelerinden Makine Öğrenimi Çevrimiçi Kursuna katılın - Yüksek Lisanslar, Yönetici Yüksek Lisans Programları ve Makine Öğrenimi ve Yapay Zekada İleri Düzey Sertifika Programı.

3. Sinir Ağları

Sinir ağı algoritmaları, duyusal verileri yorumlamak, kalıpları tanımak veya ham girdiyi kümelemek için kullanılır. Bu algoritmanın birçok avantajı olsa da, çok fazla gözlem olduğunda bir sinir ağı kullanmak oldukça zor olabilir. Sinir ağlarının popüler gerçek hayattaki uygulamaları arasında bilgi çıkarma, metin sınıflandırma, konuşma ve karakter tanıma, çoklu belge özetleme, dil oluşturma ve daha fazlası yer alır.

4. Naif Bayes Modeli

Naive Bayes Sınıflandırıcıları tek bir algoritma değil, Bayes Teoremine dayalı bir algoritmalar topluluğudur. Bu algoritmaların altında yatan standart ilke, her bir sınıflandırılmış özellik çiftinin birbirinden bağımsız olmasıdır. Sınıf etiketleri, birkaç alt düğüm ve bir ana düğüm içeren doğrudan bir döngüsel olmayan grafik kullanılarak atanır. Her alt düğüm, ebeveynden ayrı ve bağımsız olarak kabul edilir. Naive Bayesian algoritmasının popüler gerçek hayattaki uygulamaları, spam filtreleme ve duygu analizini içerir.

5. Karar Ağaçları

Karar ağaçları, kararları ve olası sonuçlarını karşılaştırmak için koşullu kontrol ifadeleri içeren akış şeması benzeri modellerdir. Bir karar ağacı, iç düğümlerin bir öznitelik seçip bir soru sorduğumuz noktayı temsil ettiği, yaprak düğümlerin sınıf etiketlerini veya gerçek çıktıyı temsil ettiği ve kenarların soruların cevaplarını temsil ettiği ağaç benzeri bir grafik gerektirir.

6. Destek Vektör Makinesi

Destek Vektör Makinesi (SVM), Vap Nick tarafından verilen istatistiksel öğrenme teorisine dayanmaktadır ve 1990 yılında geliştirilmiştir. En basit ifadeyle, destek vektör makineleri, regresyon, sınıflandırma ve aykırı değer tespiti için kullanılan bir dizi denetimli öğrenme yöntemidir. Çekirdek ağı ile yakından ilişkilidirler ve örüntü tanıma, biyoinformatik ve multimedya bilgi alımı gibi çeşitli alanlarda uygulamalar bulurlar.

7. Rastgele Orman Modeli

Rastgele orman modeli, her bir ağacın bir sınıf tahmini verdiği ve maksimum oy alan sınıfın modelin tahmini olduğu bireysel karar ağaçları topluluğundan oluşur. Rastgele orman modeli kavramının ardındaki fikir, bir toplulukta çalışan çok sayıda nispeten ilişkisiz ağaç veya modelin herhangi bir bireysel tahminden daha doğru tahminler üreteceğidir. Bunun nedeni ağaçların birbirini bağımsız hatalardan korumasıdır.

O nasıl çalışır?

Denetimli öğrenme, her bir veri türü hakkında bilgi edinebilmeleri için etiketlenmiş veri kümelerini kullanan eğitim modellerini içerir. Eğitim tamamlandıktan sonra, çıktıyı belirlemek ve tahmin etmek için modele test verileri verilir.

Kavramı daha da netleştirmek için basit bir örneğe bakalım.

Diyelim ki size farklı sebze türlerinden oluşan bir sandık verildi. Denetimli makine öğrenimi yaklaşımında, ilk adımınız makineyi tüm farklı sebzelerle tek tek şu şekilde tanıştırmak olacaktır:

• Nesne ampul gibi ve morumsu-pembe ise - Soğan olarak etiketlenir.
• Nesne yapraklı ve yeşil renkliyse, Ispanak olarak etiketlenecektir.

Makineyi bir kez eğittikten sonra, ona sandıktan ayrı bir sebze (mesela soğan) verir ve tanımlamasını istersiniz. Şimdi, makine sebzeleri önceki verilerden öğrendiği için, yeni nesneyi şekline ve rengine göre sınıflandıracak ve sonucu soğan olarak doğrulayacaktır. Bu şekilde, makine eğitim verilerinden (sebze içeren kasa) öğrenir veya eğitir ve bilgiyi yeni, öngörülemeyen verilere (yeni sebze) uygular.

Yukarıda kullandığımız sebze örneği gibi, nasıl çalıştığını anlamak için başka bir denetimli öğrenme örneğini görelim .

Üçgenler, kareler ve beşgenler gibi çeşitli şekillerden oluşan bir veri setimiz olduğunu varsayalım. İlk adım, modeli her şekil için aşağıdaki şekilde eğitmektir:

• Şeklin üç kenarı varsa, o zaman - Üçgen olarak etiketlenir.
• Şeklin dört eşit kenarı varsa, o zaman - Kare olarak etiketlenir.
• Şeklin beş kenarı varsa, o zaman - Pentagon olarak etiketlenir.

Eğitim tamamlandıktan sonra, test verilerini kullanarak modeli test ediyoruz ve modelin işi, eğitim bilgisine dayalı olarak şekli belirlemek olacaktır. Dolayısıyla model yeni bir şekil bulduğunda onu kenar sayısına göre sınıflandırır ve bir çıktı verir.

Avantajlar ve Zorluklar

Söylemeye gerek yok, denetimli öğrenme, makine öğrenimi modellerinin uygulanmasında çeşitli avantajlara sahiptir. Faydalarından bazıları aşağıda listelenmiştir:

• Denetimli öğrenme modelleri, önceki deneyimlere dayalı olarak çıktıları doğru bir şekilde tahmin edebilir.

• Denetimli öğrenme, deneyimi kullanarak performansı optimize etmeye yardımcı olur.
• Denetimli öğrenme bize nesnelerin sınıfları hakkında net ve kesin bir fikir verir.
• Son olarak, denetimli öğrenme algoritmaları, çeşitli gerçek dünya sorunlarını çözmek ve çeşitli sektörlerde uygulamalar bulmak için inanılmaz derecede önemlidir.

Şüphesiz, denetimli öğrenme algoritmaları, özellikle gerçek zamanlı olarak zorlukların üstesinden gelme potansiyelleri açısından oldukça faydalıdır. Ancak, sürdürülebilir ve verimli bir denetimli öğrenme modeli oluşturmak, kendi zorluklarıyla birlikte gelir. O halde bir göz atalım:

• Denetimli öğrenme modellerinin eğitim sürecinin tamamı, zaman alan bir süreçtir.
• Denetleme öğrenme modelleri, doğru bir şekilde yapılandırmak ve işlemek için genellikle belirli bir düzeyde uzmanlık ve kaynak gerektirir.
• Denetimsiz öğrenme modellerinin aksine, denetimli öğrenme modelleri verileri kendi başlarına sınıflandıramaz veya kümeleyemez.
• İnsan hatalarının veri kümelerine girme olasılığı oldukça yüksektir ve bu da algoritmaların yanlış eğitim almasına neden olabilir.

Örneklerle En İyi Uygulamalar

Denetimli makine öğrenimini kullanarak bir projeye başlamaya karar vermeden önce aklınızda bulundurmanız gereken en iyi uygulamalardan bazıları nelerdir? Aşağıya bir göz atın.

• Eğitim veri seti olarak kullanacağınız veri türü konusunda net olduğunuzdan emin olun.
• Standart ölçümlerden veya insan uzmanlarından ilgili çıktıları toplayın.
• Öğrenme algoritmasının yapısına karar verin.

Sonunda, denetimli makine öğreniminin en iyi ve en popüler gerçek yaşam örneklerinden bazılarından bahsetmeye değer.

• Tahmine dayalı analiz : Tahmine dayalı analiz için denetimli öğrenme modellerini kullanmanın yaygın bir kullanım durumu, çeşitli iş veri noktalarına yönelik anlamlı ve eyleme geçirilebilir içgörüler sağlamaktır. Sonuç olarak, ticari işletmeler, kararları haklı çıkarmak ve yedeklemek için belirli bir çıktı değişkenine dayalı olarak belirli sonuçları öngörebilir.
• Nesne ve görüntü tanıma : Denetimli öğrenme algoritmaları, görüntü ve videolardaki nesneleri bulma ve sınıflandırmada kullanım bulur - görüntü analizinde ve çeşitli bilgisayarla görme tekniklerinde sık bir gereksinim.
• İstenmeyen posta algılama : İstenmeyen posta algılama ve filtreleme teknikleri, veritabanlarını, istenmeyen posta ve istenmeyen posta olmayan e-postaların etkin bir şekilde ayrılması için yeni verilerdeki kalıpları tanıyabilmeleri için eğitmek için denetimli sınıflandırma algoritmalarını kullanır.
• Duygu analizi : Marka bağlılığı çabalarını artırmanın harika bir yolu, müşteri etkileşimlerini anlamaktır. Denetimli makine öğrenimi, müşterinin duyguları, niyetleri, tercihleri ​​vb. gibi büyük veri kümelerinden kritik bilgileri çıkararak ve sınıflandırarak bu konuda yardımcı olabilir.

upGrad ile Makine Öğrenimi Öğrenin

Makine Öğrenimi ve Yapay Zeka alanında büyümek mi istiyorsunuz? Yolculuğunuza upGrad'ın Makine Öğrenimi ve Yapay Zeka alanında Yönetici PG Programı ile başlayın . Derin Öğrenme, Takviyeli Öğrenme, NLP ve grafik modeller gibi isteğe bağlı becerileri öğrenmek isteyen profesyoneller için tasarlanmış kapsamlı bir çevrimiçi sertifikasyon kursudur.

İşte kaçıramayacağınız bazı önemli kurslar:

• IIIT Bangalore'dan kurs tamamlama sertifikası.
• Canlı oturumlar, kodlama ödevleri, vaka çalışmaları ve projelerle dolu 450 saatten fazla öğrenim.
• 20 araç, programlama dili ve kitaplığın kapsamlı kapsamı.
• Canlı Kodlama Dersleri ve Profil Oluşturma Atölyeleri.

Çözüm

Technavio'nun Son Kullanıcı ve Coğrafyaya Göre Makine Öğrenimi Pazarı - Tahmin ve Analiz 2020-2024 başlıklı en son pazar araştırması raporu , küresel makine öğrenimi pazar boyutunun 2020-2024 tahmin döneminde 11,16 milyar ABD doları büyümeye tanık olacağını öngörüyor. Dahası, büyümedeki yıldan yıla istikrarlı artış, pazarın büyüme hızını artıracaktır.

Hem mevcut eğilimler hem de gelecek tahminleri, makine öğreniminin kalıcı olduğunu gösteriyor. Denetimli öğrenme algoritmaları, öncelikle sınıflandırma ve regresyon problemlerini içeren herhangi bir makine öğrenimi projesinin temelidir. Zorluklarına rağmen, denetimli öğrenme algoritmaları, deneyimlere dayalı sonuçları tahmin etmek için en kullanışlı olanıdır.