Makine Öğrenmesi Nedir?

Makine öğrenimi, bilgisayarlara açık bir şekilde programlanmadan öğrenme yeteneği kazandıran bir Yapay Zeka (YZ) türüdür. Makine öğrenimi, değişen şartlarda bile verilerin anlamlandırılabilmesi amacıyla bilgisayar programlarının geliştirilmesine odaklanmaktadır. Her ne kadar son yıllarda büyük bir ivme kazanmış olsa da, makine öğrenmesi aslında bilgisayar tarihi kadar eskidir. İlk bilgisayarların kullanılmaya başlanmasından bu yana veriler bir çok farklı yollarla işlenerek anlamlandırılmaktadır. 

Peki neden makine öğrenimi son yıllarda bu kadar popüler?

Çünkü işlenecek daha önce hiç olmadığı kadar çok veri var ve bu verileri anlamamız gerekiyor. Bu durum Büyük Veri (Big Data) kavramı olarak karşımıza çıkmaktadır.

Büyük veriler çevremizdeki her şey tarafından her zaman üretilmektedir. Her dijital süreç ve sosyal medya akışı bol miktarlarda veri üretilmesine neden olmaktadır. Sistemler, sensörler ve mobil cihazlar bu verileri bir noktadan başka noktaya aktarmaktadırlar. Büyük Verinin karakteristik özellikleri 3 V ile ifade edilebilir: aşırı miktarda çok veri (volume), çok fazla türde veri (variety of data) ve verinin işlenmesi için gereken hız (velocity). Büyük Veriyi ifade eden belirli bir boyuttan söz edilemese de kastedilen aslında terabayt, petabayt ve hatta exabayt boyutlarıdır. IoT teknolojisinin yaygın bir şekilde kullanılmaya başlanmasıyla, işlenecek verilerin gün geçtikçe büyük bir ivme ile büyümesi kaçınılmazdır.

Bu miktarlardaki verilerin bir insan tarafından doğrudan analiz edilmesi imkansızdır. Dolayısıyla insanlar bu veriyi işleyebilmek için yardımcı uygulamalara ihtiyaç duymaktadır. Bu nedenle büyük verilerin daha kolay analiz edilebilmesi için Yapay Zeka (YZ) / Makine Öğrenmesi (ML) tekniklerinden faydalanılarak birçok faydalı/zeki birçok uygulama geliştirilmiştir.

Büyük Veri ve Makine Öğrenimi, birbirini tamamlayan iki bileşendir.

Büyük Verileri analiz etmek istersek, Makine Öğrenme tekniklerini kullanmamız gerekir; diğer yandan, makine öğrenimi ile akıllı bir sistem oluşturmak istiyorsak çok miktarda veri kullanmak zorundayız.

Derin Öğrenme, makine öğrenmede en çok ilgi gören konulardan biridir. Çünkü bu teknik, büyük verilerin gücünden faydalanarak akıllı sistemlerin yüksek başarı oranlarına sahip olmasına olanak tanımaktadır. Yapay zeka, makine öğrenimi ve derin öğrenme ile bu kavramların birbirleri olan ilişkilerini ifade eden temsili şekil aşağıda verilmiştir. (Görüntü kaynağı: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/).

Makine Öğrenmesi teknikleri, dünya çapında çok çeşitli uygulama alanlarında kullanılmaktadır. Dünya üzerindeki hemen hemen her insan, makine öğrenmesi teknikleriyle geliştirilmiş sayısız akıllı sistemi tek bir günde dahi sayısız kez kullanmaktadır. Bir cep telefonu kullanırken, internette gezinirken, internet üzerinden bir şeyler satın alırken çok fazla akıllı sistemle karşı karşıyayız. Teknoloji geliştiren şirketler, daha akıllı sistemler geliştirmek için şimdiye dek çok para harcadılar ve artan bir şekilde harcamaya devam etmektedirler. Akıllı sistemler yaşamı kolaylaştırmaktalar ve bu nedenle gelecekte neredeyse tüm sistemler bu yenilikten faydalanacak.

Hepimizin bildiği gibi, elbette, insanlar yaşamı kolaylaştıran uygulamaları severler.

Gartner, gelişen teknoloji trendlerini inceleyen ve her yıl bu alan üzerine araştırmalarını yayımlayan bir araştırma firmasıdır. Her yıl gelişen teknoloji trendleri hype cycle formatında yayınlanır. Bu format, bir teknolojinin dünya çapında yaygın olarak kullanılmasından önce aşılması gereken 5 adımın olduğunu öne sürmektedir. Bu adımlar şunlardır.

(1) İnovasyon tetikleyicisi (Innovation trigger),

(2) Beklentilerin Doruk Noktası (Peak of Inflated Expectations),

(3) Hayal kırıklığı adımı (Through of disillusionment),

(4) Aydınlanma Eğimi (Slope of Enlightenment),

(5) Verimlilik Platosu (Plateau of Productivity).

Hype Cycle formatı ayrıca, platoya ulaşmak için gerekli tahmini zamanı da gösterir. 2016 için Gelişen Teknolojiler için Gartner Hype Cycle aşağıda verilmiştir.

Bir teknoloji platoya ulaşması, o teknolojinin dünya çapında kullanılmaya başlanması anlamına gelmektedir. Bazı teknolojiler için platoya ulaşmak uzun sürebilirken, bazı teknolojiler hızlı bir şekilde platoya ulaşabilir.

Şekilde görüldüğü gibi, Makine Öğrenimi Beklentilerin Doruk Noktasında ve platoya ulaşmak için gereken süre yaklaşık 2 ila 5 yıl olarak tahmin edilmiştir. Diğer teknolojilere kıyasla zaman çok az. Google, Facebook, Apple gibi büyük şirketler hali hazırda yapay zekanın ve makine öğreniminin geliştirilmesi için büyük miktarda para harcıyorlar. Teknolojiye yön veren büyük firmaların çoğu, projelerinin bazılarında Derin Öğrenme (Deep Learning) tekniği kullanıyor. Ayrıntılı örnekler bir sonraki bölümde verilmiştir.

İnternetin yaygın kullanımı ile internette çok miktarda veri akmaktadır. Zararlı aktivitelerin tespit edilmesi artan bu veri akışında daha zorlaşmaktadır. Diğer uygulama alanları gibi, siber güvenlik alanı da makine öğrenmesi teknikleri kullanarak yapılarını güçlendirmeye ihtiyaç duymaktadır.

Yazının ilerleyen kısımlarında, makine öğrenmesinin gücünün daha açık bir şekilde anlaşılabilmesi adına makine öğrenmesi uygulama alanlarına dair örnekler verilmiştir. Daha sonra, derin öğrenme ve dünyadaki derin öğrenme uygulama örnekleri hakkında kısa bir giriş yapılmıştır. Ardından, bu bölümde bahsedilen makine öğrenmesi teknikleri hakkında teknik inceleme yapılmıştır.

Add a Comment

Your email address will not be published. Required fields are marked *