1. Makine Öğrenimi Nedir?

Makine öğrenimi, insanların doğuştan gelen öğrenme yeteneğini gerçeğe en yakın haliyle taklit etmeye çalışan, bu süreç için kaynak verileri ve spesifik olarak geliştirilen algoritmaları kullanan, bu kullanım sonucunda tahminleme ve doğruluk oranlarının en yüksek seviyelerde sonuç vermesini amaçlayan yapay zeka teknolojisi yöntemi olarak adlandırılabilir. Bu öğrenme sürecinde belirli kombinasyonların ve algoritmaların kullanılmasına bağlı olarak çözümsel modeller oluşturulur ve oluşturulan bu modeller kullanılarak sonraki çalışmalara kaynak olacak verilerin otomatik olarak analizlenmeleri sağlanmaktadır. Bu durum sonucunda belirli kalıplar üzerine geliştirilen modeller, minimum(veya hiç) insan müdehalesine ihtiyaç duyarak öğrenme eylemini kendi kendilerine gerçekleştirebilirler. Buradan da anlaşılacağı üzere makine öğreniminde temel amaç; herhangi bir insan yardımı olmadan(veya minimum), makinelerin kendi kendilerine belirli kalıplar çerçevesinde verileri tarayıp, uygun verilerin öğrenilmesi olarak ifade edilebilir.

"1952 yılında kendi kendine öğrenme kabiliyeti taşıyan Dama Oynama Programı'nın mucidi Arthur Lee Samuel, 1959 yılında tarihte ilk kez 'Machine Learning (Makine Öğrenmesi)' teriminden bahsetmiştir."

2. Makine Öğrenimi Neden Önemlidir?

İnsanlık tarihi boyunca dünyamızda birçok farklı çağ evreleri yaşanmıştır. 20.yy'ın dördüncü çeyreğinden günümüze kadarki süreçte ise dünyamızın teknoloji(bilişim) çağı içerisine girdiğini söyleyebiliriz. Bundan dolayı günümüz çağına ayak uydurabilmek için insanlar yeni arayışlar içerisine girmişlerdir. Bu arayışların temel mantığı; hayatı kolaylaştırmak veya birçok farklı sorunla kısa zamanda mücadele ederek etkili sonuçlar alabilmek gibi isteklerin ürünleri olarak ifade edilebilir. 

Günümüzde teknolojik imkanların gelişmesiyle paralel olarak klasik yöntemlerin kullanımı yeterli olmamaya başlamıştır. Çünkü, gelişmiş bilgisayar gibi teknolojik sistemler devesa boyutlardaki kaynak verileri toplayabilecek yüksek bir potansiyele eriştirilmiştir. Geliştirilen bu sistemlerin topladığı devasa verilerin işlenmesi ise klasik yöntemlerle neredeyse imkansız bir hale dönüşmüştür. Geçmiş zamanlarda veri bilimcilerin veya yazılımcıların veriler üzerinde yaptıkları çalışmalar oldukça uzun zamanların harcanmasına neden olmaktaydı. Ayrıca devasa boyutlardaki veriler üzerinde çalışma yapan insanların hata payları da yüksek olabilmekteydi. Ancak günümüzde makine öğrenemi yönteminin geliştirilmesi meydana gelebilecek bu olumsuzluklarla etkili bir mücadele yapabilmektedir.

Günümüzde makine öğrenimi yöntemi kullanılarak devasa boyutlardaki karmaşık veriler oldukça kısa zaman içerisinde ve yüksek başarı oranlarıyla etkili bir şekilde analizlenmektedir. Makine öğrenimi için oluşturulan modeller sayesinde bir sonraki çalışmalara kaynak veriler oluşturulabilir ve bu kaynaklar kullanılarak daha etkili ve başarılı çalışmalar oldukça kısa zamanlarda gerçekleştirilmektedir. Bu nedenle günümüzde makine öğrenimi, dünyamızın hızlı değişimine ayak uydurabilmek ve dünyamızı isteklerimiz doğrultusunda şekillendirebilmek için hayatımıza doğruda entegre olmuş durumdadır ve bu durum gelecekte oldukça kapsamlı bir hale dönüşecektir.

3. Makine öğrenimi nasıl çalışır?

Makine öğrenimi sürecinin basit bir şekilde anlaşılabilmesi için 3 farklı adım altında incelemeler yapılabilir. Bunlar;

1. Karar Süreci: Makine öğrenme sürecinin ilk basamağı olarak ifade edilebilecek bu süreçte, ilk olarak çalışılmak istenilen verilerin tahminlenmeleri ve/veya sınıflandırılmaları için uygun algoritmalar kullanılmaktadır. Bu süreçte etiketlenmiş veya etiketlenmemiş veriler kullanılmaktadır. Belirtilen bu iki çeşit veri kaynaklarına özgü olarak, kullanılmak istenilen algoritmalar sayesinde verisel modellemeler üzerinde tahminlemeler yapılmaktadır.
2. Hata Fonksiyonu: Bu süreçte veri kaynaklı oluşturulan modellerin tahminsel değerlemeleri yapılmaktadır. Bu değerlendirmeler için ise uygun bir hata fonksiyonu kullanılmaktadır. Ayrıca, bu sürecin çalışma stratejisi; eğer mevcut olarak elde bir örnek veriler varsa, bu örnek veriler ile oluşturulan hata fonksiyonları karşılaştırılır ve bunun sonucunda başarılı bir değerlendirme yapılabilinmektedir.
3. Model Optimizasyonu: Makine öğrenim sürecinin son basamağı olarak kabul edilen bu süreçte, adından da anlaşılacağı üzere oluşturulmuş modeli en iyi forma dönüştürülmesi amaçlanmaktadır. Bu süreçte tahminlemeler için geliştirilen algoritmalar, istenilen doğruluk derecesine ulaşıncaya kadar sürekli olarak güncellenme yapmaktadır. Güncellenmenin ardından uygun doğruluk noktasına erişim sağlandıktan sonra model tekrardan değerlendirilmeye alınır ve optimizasyon süreci tekrarlanır. 

4. Makine Öğrenim Yöntemleri

Günümüzde makine öğrenim algoritmaları temel olarak 4 ana başlık altında incelenebilir. Bunlar;

• Denetimli Makine Öğrenimi: Bu öğrenim yöntemindeki algoritmalar, etiketlenmiş eğitim verileriyle oluşturulur ve genel olarak gelecekte yaşanabilecek olayların tahminlenmesinde kullanılmaktadır. Bu öğrenimin temel işleyiş sürecinde daha önceden etiketlenmiş veriler kullanılmaktadır. Bu kullanım sonucunda ise geçmiş zamanlarda öğrenilen veriler referans alınarak gelecek olayların tahminlenmesi yapılmaktadır. Ayrıca, genel bir taslak olarak; ilk olarak etiketlenmiş veri kümeleri üzerinde analizlemeler yapılır, bu analizlemelere dayalı spesifik bir öğrenim eğitim algoritması oluşturulur ve daha sonra tahminleme eyleminin gerçekleştirilmesi için spesifik fonksiyonlar geliştirilmektedir. Geliştirilen algoritmalar yeterli eğitim sonucunda herhangi bir yeni veriyi hedefleyebilecek kabiliyete sahip olmaktadır. Sonuçların daha başarılı olabilmesi için kendi içlerinde karşılaştırmalar yaparak hata ayıklamaları yapabilmektedirler. Bu bilgilerden hareketle kullanılan algoritmaların girdilerinin ve çıktılarının belirtildikleri söylenebilir.
• Denetimsiz Makine Öğrenimi: Bu öğrenim algoritmaları, etiketlenmemiş veriler üzerinde eğitim vermek için yani; kullanılan kaynak verilerin etkilenmediği(veya sınıflandırılmadığı) durumlarda kullanılmaktadır. Bu öğrenme tekniğinde genel amaç, etiketlenmemiş halde bulunan veri kümeleri içerisinden gizlenmiş durumda bulunan ve anlamlı bağlantılara sahip verilerin tanımlanmasıdır. Ayrıca bu yöntemde oluşturulan algoritmalar, istenilen doğru çıktıları tespit edemeyebilmektedir. Ancak, verileri derinlemesine inceleyebilir, etiketlenmemiş veri kümelerindeki gizlenmiş yapıları tespit eder ve bu tespite dayalı yeni çıkarımlar yapabilmektedir.
• Yarı-Denetimli Makine Öğrenimi: Bu öğrenim algoritmaları, kullanılacak kaynak verilerin hem etiketlenmiş hem de etiketlenmemiş olduğu durumlarda kullanılmaktadır. Kısaca bu öğrenim yukarıda belirtilen 2 öğrenimin karışımıdır. Bu öğrenimde algoritmalar kullanılarak makinelerin öğrenme doğrulukları üzerinde oldukça ciddi iyileştirmeler yapılabilinmektedir. 
• Pekiştirmeli Makine Öğrenimi: Bu öğrenim algoritmaları, kendi kendilerine bir takım yeni eylemler geliştirerek çevresiyle etkileşime girmektedir ve bu etkileşim sonucunda veri kümlerinde hataların veya ödüllerin tespit edilmesini sağlanmaktadır. Bu süreçte kullanılacak algoritmalar veri bilimcileri tarafından oluşturulur ve daha sonra bu algoritmalara pozitif veya negatif ipuçları verilmektedir. Daha sonra verilen bu ipuçlarını algoritmalar kendi içlerinde değerlendirir ve kendi kendilerine yeni bir yol çizmektedirler. Bu noktada temel amaç, istenilen hedefe ulaşmak için doğru kararların nasıl alınabileceğinin öğrenilebileceğidir. Kullanılan algoritmaların bu yeteneğinden dolayı veri bilimcileri, makine öğreniminde bu algoritmalar çok adımlı işlemlerin tamamlanmasını öğretmek için kullanılmaktadır. 

Görüldüğü üzere 4 farklı makine öğrenim algoritmaları kullanılarak, devasa boyutlardaki verilerin analizlenmeleri ve işlenmeleri sağlanmaktadır. 

Makine Öğrenimini Kimler Kullanır?

Makine öğrenimini günümüzde oldukça büyük boyutlardaki verilerle çalışma yapan kişi/kişiler, kurum veya kuruluşlar kullanmaktadır. Bu yöntem oldukça gelişmiş ve kapsamlı yeteneklere sahip olduğu için, günümüz dünyasında hemen hemen her sektörde başarılı bir şekilde kullanılmaya başlanmıştır.

Amatör olarak bir veri bilimcisi de, Amazon, Meta, Twitter veya Google gibi dünya devleri de bu yöntemi aktif bir şekilde kullanmaktadır. Sonuç olarak makine öğrenmesi çalışmaların amaçlarına göre herkes tarafından kullanılabilinmektedir.

Makine Öğrenimi Hangi Alanlarda Kullanılmaktadır?

Yukarıda bahsedildiği üzere makine öğrenimi yöntemi hemen hemen her sektörde kullanılmaya müsait bir yöntemdir. Günümüz dünyasında yaygın olarak kullanıldığı alanlardan bazılarını örnek vermek gerekirse;

• Finans: Finans alanında aktif hizmet veren bankalar veya aynı amaç dahilinde hizmet veren farklı kurum veya kuruluşlar, makine öğrenimi yöntemini oldukça ciddi bir şekilde kullanmaktadır. Bu sektörde makine öğrenimi kullanmanın en temel nedenleri ise; veriler üzerinde önemli bilgileri belirlemek ve olası dolandırıcıklara karşı önlem almak olarak ifade edilebilir. Böylelikle finans sektöründe hizmet veren bu kuruluşlar müşterileri hakkında önceki verileri toplayarak algoritmalar oluştururlar ve bu algoritmaları kullanarak her müşteriye özgü hizmet verebilirler. Örneğin, X bankasından kredi çekmek istediğinizde; banka sizin borcunuzu zamanında ödeyip-ödemediğinizi veya güncel maaşınız gibi verileri kullanarak makine öğrenmesi ile size vereceği kredi miktarını tahminleyebilir.
• Sağlık: Makine öğrenimi günümüzde sağlık sektöründe oldukça yaygın bir şekilde kullanım görmektedir. Bu yöntem kullanılarak; anlık olarak hastaların durum analizleri, hastalığın tespiti için spesifik aletler geliştirmek veya bazı değerler kontrol edilerek ileriki süreçte hastanın karşılaşabileceği olumlu veya olumsuz sonuçların önceden tahminlemeleri yapılabilinmektedir.
• Enerji: Bu yöntem kullanılarak dünya genelinde analizlemeler yapılarak yeni enerji kaynakları tespit edilmektedir. Örneğin, günümüzde bu yöntemi birçok petrol şirketi düşük maliyetli dağıtım için yaygın olarak kullanmaktadır. 
• Ulaşım: Ulaşım sektöründe gerek yük taşınması gerekse insan taşınması için kullanılan uçak, otobüs veya kamyon gibi araçların rotalarını en uygun şekilde belirlenebilinmesine bağlı olarak hem zamandan tasarruf hem de maddi tasarruflar elde edilebilinmektedir.
• Perakende Satış: İnternet üzerinden satış yapan birçok firma, makine öğrenmesi yöntemini kullanarak müşterilerin satın alma geçmişi verilerine dayalı analizlemeler yapmaktadırlar. Bu yöntem kullanılarak müşterilerin özelliklerini içeren kişisel veya toplumsal verisetleri profilleri oluşturulur ve bu profiller baz alınarak siteler tarafından kullanıcılara önermeler sağlanır. Makine öğrenimi ayrıca, ürün fiyatlarının belirlenmesi veya kampanyaların nasıl olabileceği hakkında tahminsel analizmeler yapmak için kullanılmaktadır.
• Teknoloji: Makine öğrenim yöntemi kullanarak birçok farklı teknolojik ürünler üretilmektedir. Yakın zamanda hayatımıza giren ve yeni bir çağın başlangıç haberini veren otonom araçları güncel örnek olarak verebiliriz. Ayrıca, cep telofonlarında kullanılan Siri, Google Now veya Amazon Alexa gibi kişisel asistanlar bu yöntemler kullanılarak geliştirilmiştir. 

Bu örneklerden de anlaşılacağı üzere makine öğrenimi hemen hemen her sektörde yaygın ve başarılı bir şekilde kullanılmaktadır. Günümüzde kişişel ihtiyaçların karşılanmasından tutun toplumsal ihtiyaçların karşılanmasını sağlayan birçok teknolojik ürünün arka planında makine öğrenimi yöntemi oldukça aktif bir görev almaktadır.