Herkese Merhaba;
Bu haftaki konum; Machine Learning yani Makina Öğrenmesi diğer adıyla. Peki neydi bu yeni veri bilim dalı?
*Konu içinde Machine Learning “ML” olarak kısaltmasını kullanacağım. Evet başlıyoruz.
Bu yeni matematiksel ve istatiksel yöntemleri kulanarak muvcut verilerden yeni çıkarımlar yeni tahminler yaparak bilinmeyeni keşfetme , tespit etme yöntem ve çözüm geliştirme olarakta nitelendirilebilinir.
Bu konu geçen aylarda yapmış olduğumuz bir firma ile görüşmemizden sonra aklımı epeydir kurcalayan bir konuydu. Firma, büyük veri üzerinde çalışabilen, veri bilim ve makine öğrenme algoritmalarını kullanan, perakende şirketlerinin ürünlerini yönetmeleri için özelleştirilmiş yapay zeka tabanlı dijital asistan çözümü sunuyor.
Peki bunu nasıl sağlıyor?
► Makine öğrenmesi bilinen özelliklere dayanarak öğrenilen verilerden yapılan tahminler üzerine odaklanır.
► Veri madenciliği ise verilerdeki (geçmiş) bilinmeyen özelliklerin keşfedilmesine odaklanır. Bu veritabanlarında bilgi keşfi analizinin bir adımıdır.
Öyleyse?
Düşünün şimdi!
ML sistemleri sizin için tüm verileri topluyor kendi yapısal süzgecinden geçiriyor içinde bilinen tüm istatiksel ve matemaktiksel denklemleri kullanarak senin şirketin için geleceği tahminlemeye çalışıyor. Yazıldığı kadar kolay bir sistem değil. Çünkü bu makina sistemini kurmak epey bir deneme ve sağlayacağı serverlerin alt yapısına göre değişiyor.
ML sistemleri, bence -benim anladığım pencereden aktarıyorum- insan beyninin bir modeli yada bir tık daha gelişmiş hali gibi hayal edin. İçerde bir çok veri var, siz ön sezileriniz ve öğrenilmiş gerçeklikleriniz ile geleceği tahminlemeyi çalışıyorsunuz. Bugüne kadar başınıza gelen o problem için tüm tecrübelerinizden faydalanarak yola çıkıyorsunuz.
Peki bu sistem nasıl çalışıyor. Şöyle ki;
Bu sistemin 2 tip öğrenme şekli var:
1.Gözetimli Öğrenme( her hangi bir veri ile eş değer tutma yada sisteme önceden tanıtma ona benzer hareketlerden bulundurma şekli)
2.Gözetimsiz Öğrenme ( Hiç bir veri yüklemeden,referanssız, geçmiş bilgilerden yakaladığı harektlerden geliştirdiği tahminleme modeli)
Peki bu bilgilerede kısaca değinildikten sonra bu sistemler nasıl öğreniyor ve nasıl modelleme kuruluyor. Hemen araştırmalarım sonucu kendimce örnekler ile açıklayayım.
Regresyon tipi gözetimli öğrenme üzerinden örnek verelim. Aşağıdaki tabloda günlük tüketim miktarına göre alınması planlanan kilo miktarı görülmektedir. Her meyva için 100 g karşılık ne kadar Kcal ettiği yanlarında belirlenmiştir. Günde ne kadar tüketirse yanlarında kaç kilo alacağı belirlenmiştir. (Veriler kendimin oluşturdum ve örneklem için farazi bir değerlendirme yapılmıştı.)
Bu verilere bakarak kişi/kişilerin kilosunda değişimim min olacak şekilde ne tür meyvalar tüketebilir?
Diğer aşamaya geçiyoruz yani veriler göz önüne alındığında nasıl bir özellik çıkartılabilinir ve çıkartılan bu sonuçtan hangi özellik seçilir? Kişi kilosunu dengeli tutabilmesi için hangi meyvalardan yemeliydin diye soruyoruz aslında. Bu verileri tanımlayıp hesaplamamız gerekli. Örneğin gram bilgisi işimize yaramadığını bildiğimiz için onu denklemimizden çıkartarak verileri en temiz hale getiririz. Sonrasında alınan kilonun; günlük tüketim miktarı ve alınan kcal miktarları arasında bir denklem bulmalıyız.
Veriler sonucu bir özelliklerden bir çıkarım yaparak ham veriyi işlenebilir hale getirdiğimize göre model oluşturma aşamasına geçebilirz.Bilinen en klasik denklemimizi aşağıya yazmaya başlıyorum 🙂
f(x)=ax+b yani
“Alınan kilo= günlük tüketim miktarı*x2+Kcal*x+c”
Ancak bu denklemin bir çok olasılıklı hali yazılabilinir. Bu verilerde olmayıp ama denklemi etkileyen verileride tespit edilmeli.
Daha sonrasında analizler sonucu bir değerlendirme yapılır. Denklemin doğruluğu sorgulanarak çıkan sonucun gerçek ile yakınlığı tespit edilir. Çıkarımlar ve seçimlerden sonra bulunan denklemin sonuçları istediğimiz veriye uzaklık/yakınlığına göre iyileştirmeler yapabiliriz.
“Ham veri -> Veri Temizleme(veri yalınlaştırma) -> Veri yakalama(Özellik çıkarımı) -> Veri öğrenme algoritması -> Modelleme aşaması/ Model tespiti -> Değerlendirme/Sonuçları Analiz etme -> İyileştirme -> Temizleme->Tahminleme -> Sonuç Çıkarımı”
Aslında tüm ML sistemini yukarıdaki son tırnak içerisinde aldığım algoritama ile tanımlamaya çalıştım.
Son olarak; ML sistemleri kesinlikle bir kahin yada size gelecekteki gerçekleri 99% bilecek kadar iyi olamaz. Çünkü işimiz insanla. Ne kadar iyi tahminleme yaparsak yapalım sonunda hepimiz anlık kararlar alarak hareket eden varlıklarız. Şartlar koşullar ne kadar stabil olsada -ki bu son zamanlarda malesef mümkün değil- tahmin hep belirsizlik içerir ne kadar ki MAPE oranımız 0,01 e yakın olsada o 1% lik hatanın tutma oranı hep vardır…
Yeni yazıya kadar kib by…
Kaynak:
http://www.emrealadag.com/makine-ogrenmesi-nedir.html
http://www.endustri40.com/makine-ogrenimi-nedir/