Günümüze geldiğimizde yapay zekâ çalışmalarının en çok yoğunlaştığı alanın makine öğrenmesi olduğunu görebiliriz. Bu alanda yayımlanan araştırma, tez ve makale sayılarında yaşanan artış sayısal olarak da gerekli kanıtı sunmaktadır. Akademik yönünün yanında ticari açıdan da geliştirilen uygulamalara, yazılımlara ve endüstriyel kullanımına baktığımızda özellikle bir makine öğrenmesi çeşidi olan ve yapay sinir ağlarının büyük miktarda veri ile eğitilmesi yoluyla geliştirilen öğrenme tekniklerinin en iyi sonuçları verdiğini görmekteyiz.
Makine öğrenmesi, bilgisayarın bir olay ile ilgili özellikleri deneyim yolu ile öğrenerek daha önce karşılaşılmayan benzer olaylar için karar verebilmesi veya çözüm üretebilmesidir. Bilgisayarın deneyim yolu ile öğrenebilmesi bilgisayara problem hakkında veri sunulabilmesi ile mümkün olmaktadır.
Makine öğrenmesi alanında günümüzde en yoğun çalışmalar, en iyi sonuçların alındığı yapay sinir ağları üzerinde yapılmaktadır. Yapay sinir ağlarının kullanıldığı öğrenme yöntemlerine genel olarak Derin Öğrenme denir. Derin Öğrenme bir makine öğrenmesi çeşididir. YSA’ da yer alan katman sayılarının gelişen donanım imkanları ve geriye yayılım algoritmaları ile arttırılabilmesi ve bu katmanlardaki derinliğin arttırılabilmesi ile Derin Öğrenme teknikleri mümkün hale gelmiştir.
Derin öğrenme özellik çıkarma ve dönüştürme için birçok doğrusal olmayan işlem birimi katmanını kullanır. Her ardışık katman, önceki katmandaki çıktıyı girdi olarak kullanır. Algoritmalar denetimli (sınıflandırma gibi) veya denetimsiz (desen analizi gibi) olabilir. Derin öğrenmede verilerin birden fazla özellik seviyesinin veya temsilinin öğrenilmesine dayanan bir yapı söz konusudur. Üst düzey özellikler, alt düzey özelliklerden türetilerek hiyerarşik bir temsil oluşturulur. Bu temsilde, soyutlamanın farklı seviyelerine karşılık gelen birden çok temsil seviyesi öğrenir.
Yapay sinir ağları ile örneklerden öğrenme yönteminin temelinde bir problem hakkında gerçekleşmiş vakalardan örnek alınarak sisteme giriş olarak sunulması yatmaktadır. Bu durumda öğrenmenin gerçekleşmesi için, sisteme sunulan örneklerden girişler ile çıkışlar arasında korelasyon sağlanır. Bu korelasyon sayesinde durum genele yayılarak daha önce karşılaşılmamış girişlere sistem mantıklı çözümler üretebilir hale getirilmiş olur. Genellemenin en iyi şekilde sağlanması için sisteme sunulacak olan giriş çıkış örneklerinin problem uzayını homojen şekilde kapsaması gerekmektedir. Öğrenme işleminde sisteme vaka örnekleri dışında herhangi bir bilgi verilmesine gerek olmamasının nedeni makine öğreniminin bu işlem için kendi algoritmasını kullanmasıdır.
Öğrenme üzerinde amaç, makine öğrenmesinde uygulanan yöntemin algoritmasına göre optimum parametrelerin bulunmasıdır. Bunun nedeni, öğrenme esnasında en iyi parametrelerin bulunmaya çalışılmasıdır.
Makine öğrenmesine ait öğrenme kavramları şu şekildedir:
· Gözetimli Öğrenme: Girişe ait çıkışı, yani sınıflandırma durumu veya sayısal değeri bilinen verilerin öğrenmede kullanılma durumudur.
· Gözetimsiz Öğrenme: Girişe ait çıkış durumu bilinmeyen; öğrenme ile verilerden kümeleme durumunun tahlil edilmesidir.
· Yarı Gözetimli Öğrenme: Hem gözetimli hem gözetimsiz öğrenmeye benzerlikleri bulunan bir öğrenme kavramıdır. Verilerin içerisinde sınıflandırılması veya sayısal değeri bilinen veriler ile birlikte sınıflandırılması bilinmeyen veriler de bulunmaktadır.
· Takviyeli Öğrenme: Girişe ait çıkışın sistem tarafından hesaplandığında doğru veya yanlış şekilde tetiklenmesine dayanan öğrenme sistemidir.
Sınıflandırma veya sayısal tahmin yapılması gereken problemler için en önemli konulardan biri problem uzayını en iyi şekilde yansıtan bir eğitim kümesi seçilmesidir. Problem için gerekli olan veri seti, eğitim seti ve test seti olarak ayrıştırılır. Eğitim seti modelin eğitimi için kullanılırken, test seti ise öğrenen modelin başarım durumunun ölçülmesini sağlamaktadır. Eğitim seti ve test setinin nasıl ayrıştırılacağı probleme göre değişiklik gösterebilir. Sistemin eğitilmesi sırasında dikkat edilmesi gereken en önemli şeylerden birisi de aşırı eğitimdir. Sistem, öğrenme sürecinde doğru zamanda durdurulmadığında problemi aşırı öğrenmeye başlar. Bu yüzden sistem öğrenilmesi gereken verileri ezberler ve tahmin ve genelleştirme yeteneği azaltılmış olur.
Modelin öğrenmesi, beklenen sonuç ile hesaplanan sonuç arasındaki karesel farkın ki buna kayıp değeri ya da hata değeri denilir, minimuma indirilmesi anlamına gelmektedir. Farklı makine öğrenmesi teknikleri için hata değerini minimuma getirmekte kullanılan farklı yöntemler geliştirilmiştir. Yapay sinir ağları için günümüzde kullanılan yöntem geriye yayılma algoritmasıdır.
Comments