Makine Öğrenmesi

Makine öğrenmesi, bilgisayarların açıkça programlanmadan veri analizinden öğrenme yeteneği üzerine odaklanan bir yapay zeka dalıdır. Veri setlerini analiz ederek kalıplar tanımlar ve gelecekteki verileri tahmin etmek veya sınıflandırmak için bu kalıpları kullanır. Bu öğrenme süreci, algoritmaların verilerden otomatik olarak öğrenmesini sağlar ve bu da çeşitli alanlarda karmaşık problemlerin çözümünde büyük bir potansiyel sunar.

Denetimsiz Öğrenme

Denetimsiz öğrenme, makine öğrenmesinin bir alt dalıdır ve etiketlenmemiş veriler üzerinde çalışır. Yani, algoritmaya verilen verilerde önceden tanımlanmış sınıflar veya hedef değişkenler bulunmaz. Algoritmanın görevi, veriler içindeki gizli yapıları, örüntüleri ve ilişkileri keşfetmektir. Bu, verilerin kendi iç yapısına göre gruplandırılması veya boyut indirgenmesi gibi çeşitli teknikler kullanılarak gerçekleştirilir.

Denetimsiz Öğrenme Teknikleri - BALKANLI TEKNİK Esenyurt

Denetimsiz öğrenme, veri analizi ve keşif için güçlü bir araçtır. Etiketlenmemiş veriler üzerinde çalıştığı için, önceden belirlenmiş bir çıktıyı tahmin etmek yerine, verilerin kendi yapısını anlamaya odaklanır. Bu, yeni bilgiler keşfetmek ve veriler hakkında daha derin bir anlayış kazanmak için idealdir.

1. Kümeleme (Clustering)

Kümeleme, benzer özelliklere sahip veri noktalarını gruplara (kümelere) ayırma işlemidir. Amacı, verilerdeki doğal grupları bulmaktır.

• Örnek 1: Müşteri segmentasyonu - Müşteri verilerini analiz ederek benzer alışveriş alışkanlıklarına sahip müşteri grupları oluşturmak.


• Örnek 2: Görüntü segmentasyonu - Bir görüntüdeki farklı nesneleri veya bölgeleri ayırmak.


• Örnek 3: Belge sınıflandırması - Benzer konulara sahip belgeleri bir araya getirmek.

2. Boyut İndirgeme (Dimensionality Reduction)

Boyut indirgeme, yüksek boyutlu verileri daha düşük boyutlu bir uzaya dönüştürme işlemidir. Bu, verilerin görselleştirilmesini kolaylaştırır, hesaplama maliyetlerini düşürür ve gürültüyü azaltır.

• Örnek 1: PCA (Principal Component Analysis) - Veri setindeki varyansı en iyi şekilde açıklayan yeni boyutlar oluşturur.


• Örnek 2: t-SNE (t-distributed Stochastic Neighbor Embedding) - Yüksek boyutlu verileri düşük boyutlu uzaya, komşuluk yapısını koruyarak dönüştürür.


• Örnek 3: LDA (Linear Discriminant Analysis) - Sınıflandırma için boyut indirgeme yapar.

3. Anomalı Tespit (Anomaly Detection)

Anomalı tespiti, veriler içindeki olağan dışı veya beklenmedik olayları tespit etme işlemidir. Bu, dolandırıcılık tespiti, ağ güvenliği ve makine arıza tespiti gibi alanlarda kullanılır.

• Örnek 1: Kredi kartı dolandırıcılığı tespiti - Olağandışı işlem kalıplarını belirleyerek dolandırıcılığı tespit etmek.


• Örnek 2: Ağ saldırısı tespiti - Normal ağ trafiğinden farklı davranışları tespit etmek.


• Örnek 3: Makine arızası tespiti - Normal çalışma parametrelerinden sapmaları tespit ederek arızaları önceden tahmin etmek.

4. Derin Öğrenme (Deep Learning) ile Denetimsiz Öğrenme

Derin öğrenme teknikleri, örneğin otokodlayıcılar ve generatif karşıt ağlar (GAN'lar) gibi, denetimsiz öğrenmede giderek daha yaygın hale gelmektedir. Bu yöntemler, karmaşık veri yapılarını öğrenmek ve yeni veriler üretmek için kullanılabilir.

• Örnek 1: Görüntü üretimi.


• Örnek 2: Metin üretimi.


• Örnek 3: Ses üretimi.

5. Örüntü Keşfi (Pattern Discovery)

Verilerdeki tekrar eden kalıpları, eğilimleri ve ilişkileri keşfetmeyi amaçlar. Bu, işletmelerin trendleri anlamalarına ve karar verme süreçlerini optimize etmelerine yardımcı olur.

• Örnek 1: Pazar araştırması.


• Örnek 2: Sosyal medya analizi.


• Örnek 3: Bilimsel veri analizi.

6. Dernek Kural Öğrenmesi (Association Rule Learning)

Veri madenciliğinde sıklıkla kullanılan bir tekniktir. Ürünlerin birlikte satın alınma sıklığını belirlemek gibi, iki veya daha fazla öğe arasındaki ilişkiyi keşfetmeyi amaçlar.

• Örnek 1: Market sepet analizi.


• Örnek 2: Web site tıklama analizi.


• Örnek 3: Medya tüketim alışkanlıkları analizi.

7. Sıralamalı Veri Analizi

Verilerin sıralı bir yapıya sahip olduğu durumlarda kullanılır. Zaman serileri analizi veya metin analizi gibi uygulamalarda önemlidir.

• Örnek 1: Hisse senedi fiyat tahmini.


• Örnek 2: Dil modellemesi.


• Örnek 3: Gen dizilimi analizi.

8. Grafik Analizi

Veri noktaları arasındaki ilişkilerin grafik yapılarla temsil edildiği bir tekniktir. Sosyal ağ analizi ve biyoloji gibi alanlarda kullanılabilir.

• Örnek 1: Sosyal ağ analizi.


• Örnek 2: Protein-protein etkileşim analizi.


• Örnek 3: Web site bağlantı analizi.

9. Yarı Denetimli Öğrenme

Hem etiketlenmiş hem de etiketlenmemiş verileri kullanarak öğrenmeyi amaçlar. Etiketlenmemiş verilerin bol olduğu durumlarda etkili olabilir.

• Örnek 1: Görüntü sınıflandırma.


• Örnek 2: Doğal dil işleme.


• Örnek 3: Ses tanıma.

(Yapay zeka tarafından yazılmıştır)

BALKANLI TEKNİK Esenyurt - İstanbul - Esenyurt