Sizler için, yapay zekânın neler yapabildiğini en iyi gösteren “machine learning”in ne olduğunu araştırdık. Bu yazıda ML’nin tarihçesini, faydalarını, ne için kullanıldığını bulabilirsiniz.
Makine öğrenimi, bilgisayarların verilerine dayalı algoritmalarının oluşum ve gelişim aşamalarını oldukça detaylı bir şekilde öğretmeyi amaçlayan yapay zekânın bir alt dalıdır. Makine öğrenimi yaygınlaşmaya başladıkça bu alana yönelik ilgi de artmıştır. Makine öğrenimi aynı zamanda bir analitik metottur. “Sistemler verilerden öğrenilebilir, sınırlar çizilebilir, kalıplar belirleyebilir ve minimum insan müdahalesi ile karar alabilir” fikrini hayata geçiren bir yapay zekâ alanıdır.
Machine Learning Nasıl Ortaya Çıktı?
Teknolojinin gittikçe gelişmesi ve önüne geçilemez bir şekilde ilerlemesiyle birlikte yeni bilgi işlem teknolojileri alanı bir evrim yaşadı. Bugünkü makine öğrenimi, geçmişteki makine öğrenimleri ile aynı değildir. Ortaya çıkış teorisi ise, bilgisayarların örüntüleri tanıyabilmeleri üzerinedir. Yani, bilgisayarların belirli görevleri yerine getirebilmek için programlanmadan da öğrenebilecekleri öne sürülmüştür. Yapay zeka üzerine çalışmalar yapan araştırmacılar, bilgisayarların sadece verilerden öğrenip öğrenemeyeceklerini görmek istemiştir. Daha sonra yaptıkları çalışmalar da bu temel soru üzerinden ilerlemiştir.
Makine öğrenmesinde en önemli nokta “yineleme”dir. Çünkü her makine yeni veriye maruz kaldığından dolayı bağımsız olarak adapte olabilmektedir. Makineler, daha güvenilir, gerçek, tekrarlanabilir kararlar ve aynı sonuçlar çıkarabilmek için bir önceki hesaplamalarını dikkate alırlar. Makine öğrenimi ile ilgili birçok algoritma bulunmaktadır. Fakat karmaşık matematiksel hesaplamaları daha büyük verilere tekrar tekrar, daha hızlı şekilde otomatik olarak uygulayabilme özelliği yeni bir gelişmedir.
Machine Learning Tarihi
Bilgisayar sistemlerinde yer alan nöral ağlar, ilk olarak 1943 yılında nöro fizyolog Warren McCulloch ve matematikçi Walter Pitts sayesinde ismini duyurmaya başladı. Bir elektrik devresi kullanarak bunların modelini oluşturmaya karar verdiler ve böylece yaptıkları çalışmalarla birlikte nöral ağlar ortaya çıktı. 1950 yılında, Alan Turing dünyaya ün salmış Turing Testi’ni yarattı. Bu testi bir bilgisayarın geçebilmesi için bir insanı, bir bilgisayar değil de bir insan olduğuna inandırabilmelidir. Bu test, oldukça ilgi görmüştür.
1952 yılında ise ilk bilgisayar programı ortaya çıktı. Dama oynanan bir oyun olarak yaratılışı yapıldı. Ardından birçok program bu süreci devam ettirdi.
1958 yılında ise, makine öğrenimi adına oldukça önemli bir gelişme yaşandı. Perceptron isminde ilk yapar nöral ağ tasarlandı. Bu tasarımın temel amacı ise örüntü ve şekil tanımaydı. Bu nöral ağın ardından tasarımı yapılan birkaç program daha oldu. Bunlardan birisi de Stanford Üniversitesi’nden iki model olarak geldi. Modelin biri “Adeline” olarak diğeri de “Madeline” olarak adlandırıldı. Adeline, bir bit akışında bir sonrakinin ne olacağını tahmin edebilen bir sistemdi. Madeline ise gelecek kuşak olarak görüldü ve telefon hatlarındaki yankıyı ortadan kaldırabilen yararlı bir uygulaması vardı. Madeline oldukça başarılı olmasına rağmen birçok nedenden dolayı 1970’lerin sonlarına kadar çok fazla gelişemedi. Bu durum nöral ağlardan, daha kolay anlaşılabilecek programlara yönelmeye sebep oldu.
1982 yılında John Hopfield, nöronların gerçekte nasıl çalıştığını örnek alacak şekilde, çift yönlü çizgilere sahip bir ağ oluşturmayı önerdi, böylece nöral ağlara olan ilgi artmaya başladı. Nöral ağlar üzerine birçok üniversite ve birçok önemli araştırmacı çalışmalar yaptı.
Bir algoritmayı genişletmeye karar verdikleri zaman yıl 1986 idi. Nöral ağlara katmanlar ekleyerek sistemler oluşturmaya başladılar. 1980’lerin sonu ve 1990’ların başı makine öğrenimi açısından çok da başarılı olmadı. Fakat 1997 yılında satranç oynayan bir bilgisayar, IBM Deep Deep, dünya satranç şampiyonunu yendi. Bu olaydan sonra rakam tanıma üzerine yapılan yüzlerce çalışma oldu. Şirketler ve kurumlar yapay nöral ağları kendi alanlarına uygun olacak şekilde kullanmaya başladılar.
Günümüz zamanlarına geldiğimizde ise birçok işletme makine öğreniminin hesaplama potansiyelini artıracağını fark etti. Bu durumdan dolayı da rekabeti kazanabilmek için daha derin ve daha fazla araştırmalar yapıldı. Yapılmış birçok proje yer almaktadır.
Kullanıldığı alanlara baktığımızda şunları örnek verebiliriz: Google Brain (2012), görüntü ve videolarda desen algılamaya odaklanan derin içerikli bir nöral ağdır. Google’nin bütün kaynaklarını kullanabilmekteydi. Durum böyle olunca da küçük nöral ağlarla karşılaştırılamaz noktaya geldi. Geliştikçe de Youtube’yi kullanmaya başladı. AlexNet (2012) ise ImageNet yarışmasını ciddi bir farkla kazandı.
Böylece makine öğrenimi gelişmesine devam etti ve teknolojinin de katkılarıyla önüne geçilemez bir şekilde ilerledi.
Machine Learning, Neden Önemlidir?
Peki, makine öğrenimini bu kadar önemli yapan nedir? Artan hacimler, teknolojinin her anlamda gelişiyor olması, mevcut verilerin çeşitlenmesi, daha ucuz, daha güçlü ve daha gerçek hesaplama işlemleri, sayısız veriyi depolamak isteme gibi durumlar makine öğrenimine olan ilgiyi ve önemi de artırmıştır. Makine öğrenimi büyük miktardaki verilerin analizini sağlar. Makine öğrenimi ile ilgili ortaya çıkan gelişmeler de şunu gösterir ki; çok karmaşık verileri çok hızlı ve daha doğru sonuçlarla çözebilen modellerin üretilmesi mümkündür. Yapay zeka, bugünün teknolojisiyle buna imkan vermektedir.
Makine öğrenimi, verilere erişebilen ve öğrenmeyi kendileri için mümkün kılan bilgisayar programlarının geliştirilmesine önem verir. Var olan sistemi daha da ileriye taşımak için çabalar. Makine öğrenimi bir süreçtir ve bu süreç, verilerdeki kalıpları aramak, gelecekte daha iyi kararlar verebilmek için örneklerle, gözlemlerle veya verilerle başlar. Makine öğreniminde asıl amaç ise, bilgisayarlara olan insan müdahalesini en aza indirerek otomatik olarak öğrenmelerini ve eylemlerini ayarlayabilmelerini sağlamaktır.
Makine öğrenimi, teknoloji alanı dışında birçok sektörde de kullanılmaktadır. Finansal sektörler, devlet, perakende şirketler, sağlık, turizm, ulaşım gibi çeşitli alanlarda makine öğrenimi algoritmaları ile yapılan birçok çalışma vardır. Bu çalışmaların sonuçları da sektöre birçok artı kazandırmaktadır.
Machine Learning Algoritmaları Nasıl İnceleniyor?
Makine öğreniminde bir detay vardır. Anlamsal analizlere dayalı bir yaklaşım ile insanın bir metnin anlamını anlama yeteneğini taklit eder. Ayrıca makine öğrenimi algoritmaları denetlenen veya denetlenmeyen olarak ayrılmaktadır.
Denetlenen makine öğrenimi algoritmaları, geçmişte öğrenilen bilgileri, gelecekte olacakları tahmin etmek için hedef belirleyerek yeni verilere uygulayabilir. Böylece çıktı değerleri ile ilgili tahmin yapabilmek için de çıkarıma dayalı bir görev üretir. Bu şekilde işlenen sistemde öğrenme süreci tamamlandığında bir sonraki hedeflere odaklanabilir. Bu düzen sayesinde var olan hataları da bulabilir.
Denetimsiz makine öğrenimi algoritmaları ise, etiketlenmemiş yani hedef belirtilmemiş verilerden gizli bir yapıyı tanımlamak için sistemlerin çıkarabileceği sonuçları inceler. Böyle bir süreç olduğu zaman da sistem her zaman doğru veriyi bulamayabilir fakat araştırmaya devam eder. Doğru çıktıya ulaşabilmek için de gizli yapıları tanımlamakta veri kümelerini kullanır ve bunlardan yola çıkarak çıktılar elde edebilir.
Bunun dışında yarı denetimli ve takviyeli makine öğrenimi algoritmaları vardır. Yarı denetimli algoritmalar hem etiketli hem etiketsiz veri kullanırlar. Bu yöntemin kullanılması öğrenmenin doğruluğunu ciddi anlamda geliştirir. Bu yöntem daha çok onu eğitmek veya ondan öğrenmek için yetenekli kaynaklar lazım olduğu zaman kullanılır. Takviyeli algoritmada ise eylemler üretilir ve çevresi ile etkileşime girerek hataları veya ödülleri keşfeder. Bu özellikler, takviye öğreniminin en önemli detayıdır. Böylece makineler yazılım araçlarını en üst düzeye çıkarabilir ve hataları aza indirebilir. Bütün bunlar göz önünde bulundurulduğunda makine öğrenimini yapay zeka ve bilişsel teknolojiyle birleştirmenin, oldukça büyük miktardaki bilgileri de işlemede çok büyük fayda sağlayacağı ortadadır.
Makine öğrenimi ile ilgili yapılan araştırmalara baktığımız zaman oldukça olumlu sonuçları olduğunu görürüz. Bu konuyla ilgili yapılmış birçok çalışma bulunmaktadır. Sonuçları ise, makinelerin tahmin edebildiğini ve doğru çıkarımlarda bulunabildiklerini göstermiştir. Burada da algoritmalar, öğrenme sürecinin yapı taşını oluşturmaktadır.
