Veri Madenciliği – Makine Öğrenimi – 3

Merhaba 🙂

Serinin birkaç yazısında veri madenciliğiyle ilişki bazı teknolojilerden bahsediyor olacağım. Keyifli okumalar dilerim.

İlk teknolojimiz duymaya aşina olduğunuzu düşündüğüm Machine Learning” yani “Makine öğrenimi”. Son zamanda adını çokça duyduğumuz terimler arasında.

Peki makine öğrenimi nedir?

Makine öğrenimi 1959 yılında bilgisayar biliminin yapay zekada sayısal öğrenme ve model tanıma çalışmalarından geliştirilmiş bir alt dalıdır. Geçmişte yapılan bazı çalışmalar makinelerin belli bir aşamadan sonra verileri öğrenmesi gerektiği yönünde olmuştur ve bir yapay zeka arayışıyla makine öğrenmesi ortaya çıkarılmıştır. Makine öğrenmesi yapısal işlev olarak öğrenebilen ve veriler üzerinden tahmin yapabilen algoritmaların çalışma ve inşalarını araştıran bir sistemdir. Bu tür algoritmalar statik program talimatlarını harfiyen takip etmek yerine örnek girişlerden veri tabanlı tahminleri ve kararları gerçekleştirebilmek amacıyla bir model inşa ederek çalışırlar. Makine öğrenmesine ait bazı alt başlık diyebileceğimiz kavramlar vardır:

  • Denetimli Öğrenme: Veriler etkileşimli sistemlerden alınarak belirli bir düzende organize edilmesidir.
  • Denetimsiz Öğrenme: Sınıf bilgisi barındırmayan verilerin içerisindeki gruplar irdelenmesidir
  • Yoğun Öğrenme: Hiyerarşik öğrenme olarak da bilinir. Bu öğrenme yöntemi derin grafiklerde birçok doğrusal ve doğrusal olmayan dönüşümlerden ve çoklu işlem katmanlarından oluşturulmuş verilerde, üst düzey soyutlamalar kullanılarak elde edilen model girişimlerine dayalı bir dizi algoritmalarla geliştirilmiş makine öğrenmesidir.
  • Yarı Denetimli Öğrenme: Bu kavram tam olarak yukarıdaki iki kavramın arasında yer alır ve etiketlenmemiş büyük miktarda bir veri ile etiketlenmiş küçük miktarda bir verinin beraber kullanılmasıdır.
  • Takviyeli Öğrenme: Öğreticinin, sistemin ürettiği sonuç için doğru ya da yanlış olarak bir değerlendirmesidir.

Makine öğrenmesi ve veri madenciliği genelde aynı 2 yöntemleri kullanırlar. Bu yöntemlerin farkı ise; 

  • Makine öğrenmesi bilinen özelliklere dayanarak öğrenilen verilerden yapılan tahminler üzerine odaklanır.
  • Veri madenciliği ise geçmiş verilerdeki bilinmeyen özelliklerin keşfedilmesine odaklanır. Bu veritabanlarında bilgi keşfi analizinin bir adımıdır.

Makine öğrenimi teknolojik alandaki çoğu gelişim için çok önemli bir konuma sahiptir. Örneğin; 

  •  Gerçek zamanlı etkin algoritmalar, sınıflandırılmış öğrenme yaklaşımları, online öğrenme ve ön işleme
  • Siber fiziksel sistemler için makine öğrenmesi algoritmaları
  • Siber fiziksel sistemler için öğrenilebilir biçimsel modelleme
  • Durum görüntüleme, pratik bakım, görüntü işleme, teşhis, optimizasyon ve kendini tamir uygulamaları
  •  Sensör tümleştirme metotları, dağınık sistemlerde veri toplama ve veri entegrasyonu.

Teknolojinin oldukça geliştiği bu dönemlerde öyle görülüyor ki avantajlarının oldukça fazla olmasından dolayı makine öğrenimi, otomasyon sistemleri daha da yaygınlaşacak.

Konuyla ilgili soru ve görüşleriniz için bana bkara@industryolog.com mail adresimden ulaşabilirsiniz.

Esen kalın..