GDPR
Machine Learning

Machine Learning

ML and AI / 7 September 2016 / 2 dk. / Sesli Makale

Last Update: 29 August 2018

Fikir babası Tom Mitchell olan, Türkçe'ye Makine Öğrenmesi olarak çevrilen kavram, Artificial Intelligence'ın (Yapay Zeka) çok geniş bir alt-alanıdır. Genel olarak Classification'ın (sınıflandırma) yanı sıra clustering işinin de yapılmasında kullanılan bir sistemdir. Bu konuda yazılan hemen hemen tüm bilimsel makalelerin en üst referansı Tom Mitchell'in eserlerinedir.

Machine Learning'in Belli Başlı Yöntemleri

  • Decision tree learning
  • Association rule learning
  • Artificial neural networks
  • Deep learning
  • Inductive logic programming
  • Support vector machines
  • Clustering
  • Bayesian networks
  • Reinforcement learning
  • Representation learning
  • Similarity and metric learning
  • Sparse dictionary learning
  • Naive bayes learner
  • Genetic algorithm
  • Rule-based machine learning
  • Learning classifier systems
  • Hidden markov model

Bu yöntemler ML için ayrı ayrı kullanılabileceği gibi çeşitli yöntemler birbirleri ile de çaprazlanabilir. Bunun için bir combiner kullanılabilir, yada duruma uygun özel yöntemler kullanılabilir. (Örneğin: Neural Network'ün weight vektörlerini genetik algoritmik yöntemlerle çaprazlamak gibi.)

Makine öğrenimi, bilgisayarlara, açık bir şekilde programlanmadan öğrenme olanağı veren alt alanlardan oluşmaktadır. Yapay zekada model tanıma ve hesaplama öğrenme teorisinden geliştirilen makine öğrenmesi, veriler üzerinden öğrenebilen ve tahmin edebilen algoritmaların çalışmasını ve oluşturulmasını araştırmakta, bu tür algoritmalar, katı statik program talimatlarını izleyerek veri bazlı öngörülerde bulunarak veya kararlar alarak örnek girdilerden bir model oluşturmaya çalışır. Makine öğrenimi, algoritmaların tasarlanması ve programlanmasının mümkün olmadığı bir dizi bilgisayar görevinde kullanılır; Örnek uygulamalara spam filtreleme, ağ sızmalarına veya izinsiz veri elde etmeye çalışan kötü amaçlı kişilerin tespiti, optik karakter tanıma (OCR), arama motorları ve computer vision örnek olarak verilebilir.

Makine öğrenimi, hesaplama istatistikleriyle yakından ilişkilidir ve çoğunlukla da beraber çalışır. Ayrıca bilgisayarların kullanımı yoluyla tahminde bulunmaya odaklanır. Alana yönelik, teori ve uygulama alanları sağlayan matematiksel optimizasyon ile güçlü bağları vardır. Makine öğrenimi, bazen veri madenciliği ile de ilişkilendirilmektedir. Bu alt alan, keşifsel veri analizine daha fazla odaklanır ve denetlenmeyen öğrenme olarak da bilinir. Makine öğrenimi de genellikle denetlenmez ve çeşitli işlevler için temel davranışsal profilleri öğrenmek ve oluşturmak, daha sonra da anlamlı anomalileri bulmak için kullanılır.


  1. Interview with Tom Mitchell
  2. The International Machine Learning Society