Makine Öğrenmesi (Machine Learning) Nedir?
Kısa tanım
Makine öğrenmesi (machine learning), bilgisayarların açıkça yazılmış kurallar yerine örnek verilerden örüntü öğrenerek tahmin veya karar üretmesini sağlayan yapay zekâ alt alanıdır. Model, eğitim verisi üzerinde parametrelerini ayarlar ve daha önce görmediği verilere genelleme yapması beklenir. Spam filtreleri, öneri sistemleri, talep tahmini, dolandırıcılık tespiti ve büyük dil modelleri makine öğrenmesinin uygulamalarıdır.
Diğer adları: machine learning, ML, makine öğrenimi, otomatik öğrenme
Kural yazmak yerine örnek göstermek
Klasik yazılımda geliştirici kuralı yazar: “Konu satırında şu kelimeler varsa e-postayı spam klasörüne taşı.” Kurallar çoğaldıkça bakımı zorlaşır ve spam gönderenler kelimeleri değiştirince sistem işe yaramaz hâle gelir. Makine öğrenmesinde ise binlerce e-posta “spam” ve “spam değil” olarak etiketlenip modele gösterilir; model hangi özelliklerin bir arada spam'e işaret ettiğini kendisi çıkarır. Yeni bir e-posta geldiğinde, öğrendiği örüntülere göre bir olasılık hesaplar.
Buradaki kritik kavram genellemedir. Amaç eğitim örneklerini ezberlemek değil, daha önce hiç görülmemiş örneklerde de doğru karar vermektir.
Üç temel öğrenme türü
| Tür | Veri | Örnek |
|---|---|---|
| Denetimli (supervised) | Doğru cevabı bilinen, etiketli örnekler | Spam tespiti, ev fiyatı tahmini, müşteri kaybı (churn) tahmini |
| Denetimsiz (unsupervised) | Etiketsiz veri | Müşteri segmentasyonu, anormal işlem tespiti |
| Pekiştirmeli (reinforcement) | Eylemlere verilen ödül ve cezalar | Oyun oynayan sistemler, robot kontrolü |
Büyük dil modellerinin ön eğitimi bu tabloya tam oturmaz; çoğunlukla öz-denetimli (self-supervised) öğrenme olarak anılır. Etiketi insan koymaz, metnin kendisi sağlar: Model cümlenin devamını tahmin etmeye çalışır, doğru cevap zaten metnin içindedir. Sonrasında yapılan ince ayar ise yeniden denetimli öğrenmeye yakındır.
Bir model nasıl eğitilir ve sınanır?
Bir e-ticaret sitesinin hangi müşterilerin önümüzdeki üç ay içinde alışverişi bırakacağını tahmin etmek istediğini düşünelim:
- Veri hazırlığı: Geçmiş müşterilerin sipariş sıklığı, son alışveriş tarihi, iade oranı gibi özellikleri ve sonuçta alışverişi bırakıp bırakmadıkları toplanır.
- Bölme: Veri eğitim, doğrulama ve test kümelerine ayrılır. Test kümesi, son değerlendirmeye kadar modele hiç gösterilmez.
- Eğitim: Model, tahminleri ile gerçek sonuçlar arasındaki farkı (kayıp fonksiyonu) azaltacak biçimde parametrelerini ayarlar.
- Değerlendirme: Tek başına doğruluk yanıltıcı olabilir. Müşterilerin yalnızca %5'i ayrılıyorsa, herkese “kalacak” diyen bir model %95 doğruluk gösterir ama hiçbir işe yaramaz; bu yüzden kesinlik (precision) ve duyarlılık (recall) gibi ölçütlere bakılır.
- İzleme: Müşteri davranışı zamanla değişir; canlıdaki modelin başarısı düzenli ölçülmez ise sessizce bozulur.
Eğitim verisinde çok iyi, yeni veride kötü sonuç veren modele aşırı öğrenmiş (overfitting) denir; ezber yapmıştır.
Yapay zekâ, makine öğrenmesi ve derin öğrenme
Bu kavramlar iç içe halkalar gibidir. Yapay zekâ en geniş halkadır ve kural tabanlı sistemleri de kapsar. Makine öğrenmesi, veriden öğrenen yöntemlerdir. Derin öğrenme, çok katmanlı sinir ağlarını kullanan makine öğrenmesidir. Transformer mimarisi ve onunla kurulan büyük dil modelleri derin öğrenmenin bugün en görünür ürünüdür; içerik üreten modellerin tamamı ise üretken yapay zekâ olarak anılır.
Ne zaman makine öğrenmesine gerek yoktur?
- Kurallar net ve az sayıdaysa: KDV hesabı ya da kargo ücreti tablosu için model eğitilmez.
- Yeterli ve temsil edici veri yoksa: Birkaç düzine örnekle eğitilen model, sağlam bir kuraldan daha kötü sonuç verebilir.
- Her kararın gerekçesinin açıkça gösterilmesi gerekiyorsa: Bazı alanlarda açıklanabilirlik, birkaç puanlık doğruluk artışından daha değerlidir.
Makine öğrenmesini bir özel yazılım projesine eklemenin sağlıklı yolu, önce basit bir kural tabanlı ya da istatistiksel temel çözüm kurup modeli bununla karşılaştırmaktır.