Makine öğrenme Nedir?

Bu yazı, Makine Öğreniminin pratik bir açıklamasını sağlar. Okuduktan sonra bu güçlü inovasyon aracının temellerini anlayacaksınız.

Makine Öğrenimi ve çevremizdeki dünya

Pek çok insan, Makine Öğreniminin heyecan verici yeni dünyasının ve dünyayı dönüştürmek için benimsenmesindeki katlanarak büyümenin hala farkında değil. Makine Öğrenimi terimi sizin için pek bir şey ifade etmeyebilir çünkü onu duyduğunuzda, satranç oynayan bir bilgisayarın ya da size yiyecek getiren bir robotun hayal edebilirsiniz. Ve insanlar genellikle tüm bu tür otomatik mekanizmaların gelecekte çok uzak olduğuna inanıyor, ama aslında değiller. Bugün buradalar ve hayatımızı, işimizi ve iletişimimizi önemli ölçüde şekillendiriyorlar. Aslında, bu makaleye nasıl rastladığınız konusunda bir rolleri bile olabilir.

Makine Öğrenimi nedir?

Başlamadan önce, Makine Öğrenimi geçmişinin bazı parçalarını gözden geçirmek için zamanda hızlı bir yolculuğa çıkalım.

1950’lerde, IBM’den Arthur Samuel, dama dünya şampiyonunu yendiğini iddia eden ilk bilgisayar oyun programını geliştirdi. Tasarımı, her iki taraf için de kazanma şansını ölçen bir puanlama işlevi içeriyordu. Program hareketlerini minimax stratejisini kullanarak seçti. Arthur, programının daha iyi çalışmasını sağlayan birçok mekanizma tasarladı. Samuel’in ezberci öğrenme adını verdiği programda, program daha önce gördüğü tüm pozisyonları hatırladı ve bunu ödül işlevi değerleriyle birleştirdi. Arthur Samuel ilk olarak 1952’de “Makine Öğrenimi” ifadesini buldu.

Aynı dönemde Frank Rosenblatt, Donald Hebb’in beyin hücresi etkileşimi modelini Arthur Samuel’in Makine Öğrenimi çabalarıyla birleştirdi ve Perceptron’u icat etti. Umut verici görünmesine rağmen, yüzler gibi pek çok görsel kalıbı tanıyamadı. Bu durum Makine Öğrenimi araştırmalarında daha fazla mücadeleye yol açtı.

1960’larda, algılayıcıda daha fazla katman kullanmanın daha fazla işlem gücü sağlayacağı keşfedildi. Bu durum ileri beslemeli sinir ağlarına ve geri yayılmaya yol açtı. Geri yayılım, bir ağın gizli nöron katmanlarını yeni durumlara uyum sağlamak için ayarlamasına izin verir. Şimdi derin sinir ağlarını eğitmek için kullanılıyor. Yapay Sinir Ağı (YSA), karmaşık görevlere yanıt vermek için kullanılan gizli katmanlara sahip Makine Öğrenimi için kullanılan birincil bir araçtır. Sinir ağları, verileri dönüştürmek için girdi/çıktı ve gizli katmanlar kullanır. Gizli katmanlar, bir insan programcının algılayamayacağı karmaşık kalıpları bulmak için mükemmeldir.

90’lar Makine Öğrenimi için altın bir çağdı. Bu on yıl boyunca alana önemli katkılar oldu. Algoritma tarafında yapılan gelişmelerin yanı sıra donanım ve teknoloji de büyük ölçüde gelişiyordu. Derin Öğrenme kavramı gibi yapay zeka ve makine öğrenimine birçok güzel bilimsel katkıya tanık olduğumuz için ilerleme 21. yüzyıla kadar devam etti.
“Makine Öğrenimi Nedir” konusuna geri dönersek – Bu durum bir bilgisayarın kendi kendine öğretme yetenekleriyle programlandığı ve öğrenme ile belirli bir görevin performansını iyileştirdiği bir Yapay Zeka unsurudur. Makine Öğrenimi tamamen büyük verileri analiz etmekle ilgilidir – bilginin otomatik olarak çıkarılması ve tahmin yapmak için kullanılması, tahminin doğru olup olmadığına karar verilmesi ve gelecekte daha doğru tahminler yapmak için bu deneyimlerden öğrenilmesi.

Uygulamada

Makine Öğrenimi sadece başka bir moda sözcük değildir. Diğer birçok abartılı teknolojinin aksine, Makine Öğrenimi, muhtemelen hiçbir zaman ortadan kalkmıyor, çünkü kökleri pek çok önemli alana dayanıyor. Sağlık hizmetleri, eğitim, ulaşım, yemek, eğlence, işletmeler ve çok daha fazlası dahil olmak üzere çevremizdeki birçok alanı dönüştürerek dünyayı tam anlamıyla değiştiriyor. Daha net bir resim için, Makine Öğrenimi tekniklerinin sonucu olan farklı dönüşümlerin ayrıntılarına girelim.

1. Makine Öğrenimi üzerine inşa edilen girişimler.

Şirketler makine öğrenimi ile güçlü deneyimler yaratıyor. Bu tür şirketlerin bazı örnekleri aşağıda listelenmiştir.

Çatallanabilir

Yemek siparişi veren bir web sitesi olan Forkable, makine öğrenimini kullanır ve öğle yemeği için ne istediğinizi belirler ve otomatik olarak teslim eder.

Karanlık İz

Siber güvenlik için dünyanın önde gelen yapay zeka şirketi Dark Trace, şirketinizin ağ trafiğini dinler ve şirketinize yönelik ortaya çıkan güvenlik tehditlerini tespit etmek için makine öğrenimini kullanır.

Nova

Giden satışlar için bir platform olan Nova, hangi e-postaların sizin için daha iyi performans gösterdiğini kaydetmek için Makine Öğrenimini kullanır. Bu kayıtları kullanarak kişiselleştirilmiş satış e-postaları yazar ve ayrıca satış e-postalarınızda değişiklikler önerir.

Blue River Teknolojisi

Çiftçiler için ekipman oluşturan bir şirket olan Blue River Technology, her bitkiyi ayrı ayrı teşhis etmek ve tedavi etmek için Makine Öğrenimi ve bilgisayarla görmeyi kullanıyor.

2. Finans Sektörü

Birçok finans şirketi zaten Makine Öğreniminden yararlanıyor. Finansal hizmetlerin yöneticileri, Makine Öğrenimini bir dizi iyi nedenden ötürü çok ciddiye alır:

• Azalan operasyonel maliyetler
• Gelir artışı
• Daha iyi uyum
• Güçlendirilmiş güvenlik

Finansal verilere mükemmel şekilde uyan çok çeşitli Makine Öğrenimi algoritmaları ve araçları vardır. Süreç otomasyonu, finans departmanı için Makine Öğreniminin en önemli uygulamalarından biridir. Çok sayıda manuel işi değiştirmeye, tekrarlayan görevleri otomatikleştirmeye ve üretkenliği artırmaya izin verir. Bankacılıkta süreç otomasyonunun bazı örnekleri şunlardır:

JPMorgen Chase

JPMorgan Chase, Makine Öğrenimi tekniklerinden biri olan Doğal Dil İşlemeden yararlanan bir Sözleşme Zekası platformunu başlattı. Yasal belgeleri işler ve bunlardan önemli verileri çıkarır. Bu çözüm, çok fazla manuel çalışmayı azaltır ve zaman kazandırır.

BNY Mello

BNY Mello, sistemlerine süreç otomasyonunu entegre etti ve yıllık 300.000 $ tasarruftan sorumluydu.

Wells Fargo

Wells Fargo, kullanıcılarla iletişim kurmak ve hesaplarıyla ilgili yardım sağlamak için Facebook Messenger aracılığıyla yapay zeka tabanlı bir sohbet robotu kullanıyor.

3. Sağlık

Sağlık hizmetlerinde Makine Öğreniminin değeri, insan kapasitesinin ötesinde olan büyük veri kümelerini işleme ve bu verilerin analizini klinik içgörülere dönüştürme yeteneği nedeniyle çok büyüktür. Bu durum doktorların daha iyi ve hızlı sağlık hizmeti planlamasına ve sağlamasına yardımcı olarak sonuçta daha iyi sonuçlar, daha düşük maliyetler ve artan hasta memnuniyeti sağlar. Sağlık hizmetlerinde Makine Öğreniminin bazı gerçek dünya örnekleri şunlardır:

Google

Google, mamogramlarda kanserli tümörlerin tanımlanmasına yardımcı olmak için bir Makine Öğrenimi algoritması geliştirdi. Şirket ayrıca kanseri saptamak ve bir doktorun beyninin çalışabileceği gibi doku slaytlarındaki hücre modellerini aramak için aracı eğitmek için bilgisayar tabanlı akıl yürütmenin gücünü kullanıyor. Yeni bulgular, bu yaklaşımın bir insan patoloğunun yüzde 73 puanının ötesinde yüzde 89 doğruluk elde ettiğini gösteriyor.

Stanford

Stanford, cilt kanserini tanımlamak için Derin Öğrenme (ML’nin bir alt alanı) algoritmasını kullanıyor. Bu algoritma, akıllı telefonunuz aracılığıyla bir teşhis alma seçeneği sunar. Stanford’daki bilgisayar bilimcileri, yaklaşık 130.000 cilt hastalığı görüntüsünden oluşan bir veritabanı oluşturdular ve potansiyel kanseri görsel olarak teşhis etmek için algoritmalarını eğittiler. İlk testten itibaren büyük bir doğrulukla gerçekleştirildi. Ürün, 21 kurul sertifikalı dermatolog ile test edildi ve algoritma, dermatologların performansıyla eşleşti.

4. Ulaşım

Makine Öğreniminin, yolları ve toplu taşımayı optimize etme yolları için ulaşım altyapısını izleme veya araçların ihtiyaçlarını tahmin etme söz konusu olduğunda sunacağı çok şey vardır. Makine Öğrenimi ile devrim yaratan bazı alanlar şunlardır:

Kendi kendine giden arabalar

Kendi kendine giden arabalar şimdiye kadar bilim kurguydu. Fakat Uber, Google, Tesla, Ford ve General Motors gibi şirketler, önümüzdeki 5 yıl içinde sürücüsüz arabaları geniş çapta piyasaya sürme çabalarını artırıyor. Kendi kendine giden arabalar, yolu ve engelleri tanımanın yanı sıra diğer şeritlerdeki ve yayalardaki arabalar gibi tehlikelere tepki vermek için Evrişimli Sinir Ağları gibi makine görme teknikleriyle eğitildi.

Köprü arızalarını tahmin etme

2007’de Minneapolis şehir merkezindeki Interstate 35 West köprüsü çöktü ve yaklaşık 13 kişi öldü. Makine Öğrenimi tekniklerini kullanarak, ultrason görüntüleri kullanarak yapısal kusurları tespit ederek ve ayrıca kullanım ve bakımın geçmiş verilerine dayanarak köprü arızalarını tahmin ederek bunun gibi tehlikeleri önleyebiliriz.

Toplu Taşıma Optimizasyonu

Makine Öğrenimi teknikleri, gerçek zamanlı otobüs konum verilerine ve trafik sıkışıklığı, operasyonel gecikmeler gibi faktörlere ve farklı duraklarda yolcuları yüklemek için geçen süreye dayalı olarak otobüs varışlarının zamanını doğru bir şekilde tahmin etmek için kullanılabilir. Araştırmacılar, kümeleme analizi ve Kalman filtrelemesinin bir kombinasyonunun, varış zamanlarının doğru bir şekilde tahmin edilmesini sağlayabileceğini göstermiştir.

Sonuç

Bu kadar çok şirket Makine Öğrenimi ile ilgilenirken, yapay zekanın bu trend kolu kaçınılmaz olarak onları olumlu yönde etkilemeye devam edecek. Sağlık, tarım, aktarım, tüketici deneyimleri önümüzdeki yıllarda daha fazla teknoloji şirketinin bu alanlara girmesiyle birlikte aranması gereken sektörlerdir.

Günümüzde, Makine Öğrenimini işlerine uygulamak, pazarlamalarını optimize etmek isteyen şirketler için çok önemlidir. Teknoloji, büyük veri kümeleri arasında sıralamaya yardımcı olabilir, bunları kategorilere ayırabilir ve bu bilgilere dayanarak pazarlama önerileri yapabilir.
Ayrıca pazarlama deneyimini tüketiciler için daha hedefli ve kişiselleştirir. Bu durum doğru ürün ve hizmetlerin doğru kişilere reklamının yapılmasını sağlar.

Ellerinde bulunan AI pazarlama araçlarıyla, şirketler artık tüketici trafiğini artıracak ve uzun vadede yatırım getirisini artıracak gelişmiş analitik ve veri işleme teknolojileri karşılığında geleneksel pazarlama tekniklerini ve veritabanlarını yeniliyor.

Özetle, Makine Öğreniminin etkisi dünyanın hayal gücünü harekete geçirmeye devam edecek. Dünya liderlerimiz tarafından imkansız görülen sorunların çözülmesine yardımcı olabilecek bir güçtür. Makine Öğrenimi teknikleri, yalnızca birkaç yıl içinde büyük iyileştirmeler yaparak insanların işleri daha hızlı ve verimli bir şekilde yapmasına olanak tanıdı. Makine Öğrenimi bugünün dünyasında hızlı bir atılım yaptığından, çok yakın gelecekte, çevremizdeki her yerde olmasını ve yaşamlarımızı iyiye dönüştürmesini bekleyebiliriz.

Ne düşünüyorsunuz?

Dünyayı etkileyen Makine Öğrenimi hakkındaki düşünceleriniz nelerdir? Size göre Yapay Zeka ve Makine Öğreniminde muazzam büyümeye neden olan faktörler nelerdir? Gelecekte Makine Öğreniminin hayatımıza ne kadar gireceğini düşünüyorsunuz? Herhangi bir ipucunuz veya ek yorumunuz var mı?

Düşüncelerinizi ve bilginizi aşağıdaki yorum kutusunda paylaşabilirsiniz.

Bu makaleyi beğendiyseniz, modeller ve yöntemler hakkındaki en son gönderiler için bültenimize kaydolabilirsiniz.

Kaynakça