Makine Öğrenmesi’ne Giriş 

Makine Öğrenmesi nedir ? 

Gün içerisinde muhtemelen farkında bile olmadan birçok kez kullanıyorsunuz. 

Mesela hiç “sushi nasıl yapılır” gibi bir şeyi öğrenmek istediğiniz oldu mu? Bunun için Google, Bing veya Baidu kullanarak internette arama yapabilirsiniz ve bu çok iyi sonuç verir. Çünkü arama motorlarının Makine Öğrenmesi yazılımları web sitelerini nasıl sıralayacağını ve en alakalı sonuçları nasıl getireceğini bilir. 

Veya İnstagram’a, Snapchat’e fotoğraf yüklerken dersiniz ki; “Arkadaşlarımı da etiketleyim onlar da görebilsin”! Bu uygulamalar arkadaşlarınızı tanıyabilir ve onları ayırt edebilir. Bu da bir makine öğrenmesidir. 

Veya bir film platformundan Star Wars filmi izlediyseniz ve “buna benzer başka film var mıdır acaba?” diyecek olursanız, platform büyük olasılıkla Makine Öğrenmesi kullanarak size film önerisi yapacaktır. 

Mesaj yazmak için her mikrofon kullandığınızda “Oben merhaba, nası gidiyor?” veya telefonunuza “Hey Siri! Rihanna’dan bir şarkı çal” demeniz, veya telefonunuza yakınlardaki Et Lokantalarını sormanız, bu da bir makine öğrenmesidir. 

Başlığında “Tebrikler, 1 Milyon Dolar Kazandınız!” yazan bir email aldığınızda (Belki de gerçekten kazanmışsınızdır, tebrikler! ????) büyük ihtimalle email servisiniz bunu spam olarak ayıracaktır Bu da bir Makine Öğrenmesi uygulamasıdır. 

Makine Öğrenmesi muhtemelen sizin de kullandığınız tüketiciye yönelik uygulamaların ötesinde, dev teknoloji şirketlerinde ve endüstriyel uygulamalarda gün geçtikçe daha artan oranda yerini alıyor. Mesela;

• Küresel ısınma konusunda çok endişeliyim ama Makine Öğrenmesi sayesinde rüzgar güllerinin enerji üretimini daha verimli hale getirebiliriz. Böylece fosil yakıtlar ya da nükleer enerji kullanmadan yeşil enerji ile daha sürüdürülebilir bir dünyaya doğru adım atabiliriz.
  
• Veya sağlık sektöründe, Makine Öğrenmesi doktorların daha doğru teşhis koymasına yardım edebilir. Doktorunuz sizin semptomlarınızın tedavisini işledikleri dersin sınavında kopya mı çekti acaba diye endişelenmenize gerek kalmaz! ???? 
  
• Veya 2017 yılında DeepLearning,ai ‘ı kuran Stanford Üniversitesi Elektrik Mühendisliği ve Bilgisayar Bilimleri profesörü Andrew NG’nin(İlginç! Soyadında hiç sesli harf yok ????), son zamanlarda Landing.AI‘da geliştirdikleri Bilgisayarlı Görü kullanarak üretim hattındaki kusurlu ürünleri tespit edebilen uygulamalar gibi. 

İşte Makine Öğrenmesi budur. Detaylı kuralları programlamadan bilgisayara öğretme bilimidir. 

Makine Öğrenmesi Uygulamaları

Artık yavaşça yeni nesil ML(Machine Learning) algoritmaları ve uygulama pratiklerine göz atacağımız Makine Öğrenmesi’ni öğrenme serüvenimize doğru yol almaya başlayacağız. Bu yolda bazıları çok büyük teknoloji ve yapay zeka şirketleri tarafından kullanılan en önemli ML algoritmalarını öğreneceksiniz ve son teknoloji AI hakkında sezgi kazanacaksınız.

Algoritma öğrenmenin de ötesinde, bütün pratik ipuçlarını ve püf noktalarını da öğreneceksiniz ve kendi algoritmalarınızı güçlendireceksiniz. Bunları kendiniz uygulayıp nasıl çalıştığını göreceksiniz. 

Peki ML neden bu kadar yaygın hale geldi? 

ML, yapay zekanın bir alt alanı olarak büyüdü. Akıllı makineler yapmak istedik. Fark ettik ki, makineleri programlayarak bir kaç basit işi yaptırabiliyoruz. Mesela; tıpkı GPS’deki gibi, A noktasından B noktasına giden en kısa yolu hesaplamak gibi. Ama büyük oranda, daha karmaşık şeyleri yapabilen bir programı nasıl yazacağımızı bilmiyorduk. Örneğin internet araması, konuşma tanıma, x-ray ile hastalık teşhisi veya otonom araba yapma. Bunları yapmanın bildiğimiz tek yolu, nasıl yapacağını kendisi öğrenen bir makine.

Andrew NG, Google Brain Team’i kurduğunda; konuşma tanıma, Google Maps için bilgisayarlı görü ve sokak görünümü fotoğrafları üzerine çalıştı. Baidu AI’dayken Artırılmış Gerçeklik(Augmented Reality-AR) konusunda, internet dolandırıcılığında, otonom araç takımı liderliğinde ve AI üzerine diğer her konuda çalıştı. Son olarak Landing.AI’ da, AI Fund ve Stanford Ünitersitesi ile, Yapay zekanın; fabrika, büyük ölçekli tarım, sağlık, e-ticaret gibi çeşitli uygulamalarında çalışmaya başladı. DeepLearning.ai üzerinden ve Stanford Üniversitesi’nde verdiği AI üzerine dersleri de şu anda adım attığınız bunun gibi pek çok eğitimin temelini oluşturdu. 

Bugün, ML üzerine çalışan yüzlerce belki de milyonlarca insan benzer ML çalışmalarının hikayelerini sizlere anlatıyordur. Bu becerileri öğrendinizde, Umuyorum ki, siz de farklı uygulamalarda hatta farklı endüstrilerde çalışmanın eğlencesinin tadına varacaksınız. Hatta, şimdi veya yakın gelecekte ML’in kullanılmadığı bir alan, bir sektör olacağını düşünmüyorum.

Daha uzak geleceğe baktığımızda ise bir çok insan ve önde gelen teknoloji şirketinin, insanlar kadar zeki makineler yapmanın hayaliyle yanıp tutuştuğunu söyleyebiliriz. Bu seviyedeki makinelere AGI (Yapay Genel Zeka) deniyor.

AGI, şimdilik biraz abartılıyor. Çünkü henüz gidilecek çok yolumuz var. Net bir şey söylemek zor ama o noktaya gelmek 50 yılımızı da alabilir, daha çoğunu da. Ama AI araştırmacıları çoğunlukla o noktaya gelmenin en iyi yolunun öğrenme algoritmaları olduğuna inanıyorlar. Belki de insan beyninden ilham alınan bir öğrenme algoritması bunu sağlayacaktır.

Samuel’in bu ifadesinin ünü 1950’lere dayanır. Arthur Samuel dama oynayan bir program yazmasıyla meşhur olmuştur. Bu programla ilgili hayret verici olan şey ise; Arthur Samuel’in hiç de iyi bir dama oyuncusu olmaması. 

Yaptığı şeyi basitçe özetleyecek olursak, bilgisayarı kendine karşı oynayacak şekilde programladı ve on binlerce defa oynattı. Bilgisayar oynadığı oyunlardaki dama tahtasına ve sonuçlarına bakarak hangi pozisyonun kazanmaya meyilli, hangisinin kaybetmeye meyilli olduğunu oynayarak öğrendi ve iyi pozisyonlara oynarken kötülerden kaçınmaya çalıştı.

Bu program Dama oyununda gittikçe daha iyi oldu. Çünkü bilgisayar kendisiyle on binlerce defa oynayacak sabıra sahipti. O kadar Dama tecrübesinden sonra, sonunda kendisini yazan Samuel’den daha iyi bir dama oyuncusu olmuştu. 

Peki, bilgisayar çok daha az oyun oynasaydı ne olurdu? 

Genelde, bir algoritmaya ne kadar çok öğrenme fırsatı verirseniz o kadar iyi performans gösterir. 

İlerleyen konular boyunca bir sürü farklı öğrenme algoritmalarına değineceğiz. Makine öğrenmesinin iki ana türü vardır; Denetimli Öğrenme ve Denetimsiz Öğrenme. 

Bu ikisinden Denetimli Öğrenme, bir çok gerçek dünya uygulamasında kullanılan ve en hızlı gelişmelerin, inovasyonların görüldüğü ML alanıdır. 

Bu Makine Öğrenmesi ile ilgili bölüm boyunca paylaşacağım bilgiler 3 ana bölümden oluşacak. İlk ve ikinci bölüm denetimli öğrenme üzerineyken, üçüncü bölüm Denetimsiz Öğrenme, öneri sistemleri ve pekiştirmeli öğrenme üzerine olacak Günümüzde en çok kullanılan öğrenme algoritmaları açık ara denetimli öğrenme, Denetimsiz Öğrenme ve öneri sistemleridir. 

McKinsey şirketinin bir çalışmasına göre, AI ve ML üzerinden gerçekleşecek olan ticaret hacmi 2030 yılı civarında yaklaşık olarak 13 trilyon dolara ulaşacağı tahmin ediliyor. ML’in, yazılım sektöründe oluşturduğu inanılmaz değişim ve gelişimlerin yanı sıra, yazılım sektörünün dışındaki diğer sektörlerde çok daha büyük değişimlere ve gelişmelere sebep oldu. Bu sektörlerden bazıları emlak, seyahat, ulaşım, otomotiv, ham madde üretimi ve daha niceleri… 

Farklı farklı sektörlerde henüz keşfedilmemiş çok fazla fırsat olduğundan dolayı bugün hala bu yeteneklere olan talep karşılanamıyor. İşte bu yüzden ML öğrenmek için harika bir zaman. Günümüzde çok popülerleşen yapay zeka uygulamalarını heyecan verici buluyorsanız, umarım bu yolculukta benimle beraber ilerlersiniz.

Sonraki dersimizde, ML’in resmi bir tanımına bakacağız. Ve temel ML problemleri ile algoritmaları hakkında konuşmaya başlayacağız. Bazı temel ML terimlerini öğreneceksiniz ve hangi algoritmayı ne zaman kullanmanız gerektiğiyle ilgili bilgi sahibi olacaksınız.

En çok vakit ayıracağımız bir diğer konu ise öğrenme algoritmalarını uygulamanın pratik yolları olacak. Bu oldukça önemli olduğunu düşündüğüm bir konudur. Çünkü, birisine öğrenme algoritmalarını öğretmek, ona bir alet takımı vermek gibidir ve işi yapmak için bu aletler önemlidir. Ama daha önemlisi; bu aletlerin en uygun olanını seçebilmek ve en iyi şekilde nasıl kullanacağını bilmek.

Çünkü birisi size en son teknoloji çekiç veya matkap verse ve “bol şans” deyip gitse, elinizdeki 3 katlı bir ev yapmak için gerekli bütün aletlere rağmen işler yolunda gitmeyecektir. ML için de durum aynıdır. İyi aletlere sahip olmak önemlidir ama bunları nasıl kullanacağını bilmek de en az o kadar önemlidir. Siz de bu yüzden burdasınız sanırım. En iyi aletleri edinmek ve onları nasıl kullanacağınızı öğrenmek için.