Makine Öğrenmesi Temelleri 3

Makine Öğrenmesi Nedir?

• Makine öğrenmesi, bilgisayarları belirli bir performans kriterine göre en uygun sonucu elde etmek için programlamaktır.
• Bir modelin parametrelerini, eğitim verileri veya geçmiş deneyimler kullanarak uygun hale getirme sürecidir.
• ML, geleceğe yönelik tahminler yapmak veya verilerden bilgi edinmek için kullanılır.
• Arthur Samuel, 1959'da makine öğrenmesini "bilgisayarların açıkça programlanmadan öğrenmesini sağlayan çalışma alanı" olarak tanımlamıştır.
• Tom Mitchell, 1997'de makine öğrenmesini, bir makinenin verilerden öğrenmesini sağlayan öğrenme algoritmalarına dayandığını belirtmiştir.
• Bir bilgisayar programı T görevlerini yerine getirirken, E deneyimlerinden faydalanarak P performansını artırıyorsa, bu sürece makine öğrenmesi denir.
• Gerçek dünyadaki bir sorun için, el yazısı tanıma probleminde, T görev, el yazısı kelimeleri tanıma ve sınıflandırmadır.
• E (Eğitim Deneyimi), sınıflandırılmış el yazısı kelimelerden oluşan bir veri setidir.
• P (Performans) ise doğru sınıflandırılmış kelimelerin yüzdesidir.

Geleneksel Programlama ile Makine Öğrenmesi Arasındaki Fark

• Geleneksel programlamada program, gerekli verileri alıp işleyerek istenilen çıktıları verir.
• Makine öğrenmesi, verileri iyileştirmek, açıklamak ve sonuçları tahmin etmek için verilerden öğrenen çeşitli algoritmaları kullanır.
• Algoritmalar eğitim verilerine dayalı olarak daha kesin modeller üretir ve bu modeller eğitildiğinde çıktı üretir.
• Tahmin süreçlerine odaklanan algoritmalar, tahmine dayalı bir model oluşturur ve yeni verilerle tahmin üretir.
• Makine öğrenmesi, kuruluşların veri varlıklarından yenilikçi şekillerde yararlanmasını sağlayarak, geliştirme organizasyonları için önemli hale gelmiştir.

Makine Öğrenmesinin Temelleri

• Bilgisayarın kökenleri, 17. yüzyıldaki abaküsten, 1800'lerdeki ilk genel amaçlı bilgisayara kadar uzanır.
• Charles Babbage'in analitik motorunun icadı ve Ada Lovelace'in ilk bilgisayar programı, bilgisayar gelişiminde dönüm noktasıdır.
• Alan Turing, teorik bilgisayar bilimi ve algoritmaların geliştirilmesinde etkili olmuş ve yapay zekâ ve makine öğrenmesinin temellerini atmıştır.
• Makinelerin öğrenmesi kavramı, hızlı bilgisayarlar ve artan depolama olanakları sayesinde "bilgi çağı"na taşınmıştır.
• Makine öğrenmesi, yapay zekâ, veri madenciliği, derin öğrenme ve büyük veri terimleri birbirleriyle ilişkilidir ve bazen birbirlerinin yerine kullanılabilir.

Etiket ve Özellikler

• Etiket, modelin tahmin etmeye çalıştığı çıktıdır.
• Özellikler, modelin tahmini yapabilmesi için kullandığı bilgilerdir.

Makine Öğrenmesi Türleri

• Makine öğrenmesi, bilgisayar sistemlerinin belirli problemleri çözmeyi öğrenmesini sağlayan çeşitli teknikleri içerir.
• Algoritmalar, beklenen çıktı ve girdi türüne göre dört ayrı öğrenme tarzı altında gruplandırılabilir.
• Denetimli öğrenme, denetimsiz öğrenme, yarı denetimli öğrenme, pekiştirmeli öğrenme.

Denetimli Öğrenme

• Modelin eğitilmesi için etiketli veriler kullanılır.
• Model, girdi ile çıktı arasındaki ilişkiyi öğrenir ve benzer girdilere uygun çıktılar tahmin edebilir.
• E-posta spam tespiti, denetimli öğrenmeye bir örnektir.
• Temel amaç, girdi verileri (X) ile çıktı verileri (Y) arasındaki ilişkileri öğrenerek bir fonksiyon oluşturmaktır.

Denetimli Öğrenme Türleri

• Sınıflandırma, girdi verisini belirli kategorilere ayırmayı amaçlar.
  • Örneğin, bir e-postanın spam olup olmadığını belirlemek.
• Regresyon, sürekli değişkenleri tahmin etmeye yönelik bir yöntemdir.
  • Örneğin, bir evin fiyatını veya hava sıcaklığını tahmin etmek.

Denetimli Öğrenmenin Avantajları

• Veriler etiketli olduğu için eğitim süreci daha düzenlidir.
• Yeterince büyük ve kaliteli bir veri seti varsa, model yüksek başarı oranına ulaşabilir.
• Model, geçmiş verilere dayalı olarak yeni veriler için doğru tahminlerde bulunabilir.
• Sağlık, finans, otomotiv ve e-ticaret gibi birçok sektörde uygulanabilir.

Denetimli Öğrenmenin Dezavantajları

• Doğru tahmin yapabilmesi için çok fazla etiketli veriye ihtiyaç vardır.
• Eğitim verisinin etiketlenmesi zaman alıcı ve maliyetli olabilir.
• Model, eğitim verisini ezberleyebilir ve yeni veriler üzerinde iyi genelleme yapamayabilir.

Denetimsiz Öğrenme

• Girişte hazır bir çıktı etiketi yoktur.
• Bir mağaza müşterilerinin hangi kategoriye ait olduğunu önceden belirmemesi, denetimsiz öğrenmeye bir örnektir.
• Müşterileri ortak davranışlara göre gruplara ayırarak pazarlama stratejileri oluşturmaya yardımcı olabilir.

Denetimsiz Öğrenme Yöntemleri

• Birleştirme (Association): Farklı bileşenlerin bir arada bulunma olasılığı üzerine çalışır.
• Kümeleme (Clustering): Benzer özelliklere sahip örnekleri bir arada gruplandırır.
• Boyut Azaltma (Dimensionality Reduction): Veri kümesindeki değişkenlerin sayısını azaltır.

Denetimsiz Öğrenmenin Avantajları

• Veriler etiketlenmediği için zaman ve maliyet tasarrufu sağlar.
• Veride önceden fark edilmeyen grupları ve örüntüleri bulabilir.
• Veriden daha önce keşfedilmemiş anlamlı bilgiler çıkarabilir.

Denetimsiz Öğrenmenin Dezavantajları

• Sonuçlar kesin değil, yoruma açık olabilir.
• Model, doğru ya da yanlış şeklinde bir sonuç üretmez, sadece veriyi gruplar.
• Bulunan grupların anlamı bazen net olmayabilir.

Denetimsiz Öğrenmenin Uygulama Alanları

• Müşteri segmentasyonu: Benzer davranışları olan müşterileri gruplandırarak pazarlama stratejileri oluşturmak.
• Haber ve metin gruplama: Farklı haber makalelerini konularına göre otomatik olarak ayırmak.
• Öneri sistemleri: Netflix ve Spotify gibi platformların, kullanıcının beğenebileceği içerikleri belirlemesi.
• Tıbbi görüntü analizi: X-ray veya MRI görüntülerinde anormallikleri belirleyerek erken teşhis sağlamak.
• Sahtekarlık tespiti: Bankacılık işlemlerinde şüpheli aktiviteleri tespit etmek.

Yarı Denetimli Öğrenme

• Denetimli ve denetimsiz öğrenme yöntemlerinin bir kombinasyonu olarak çalışır ve hem etiketli hem de etiketsiz verileri kullanır.
• Az miktarda etiketli veriden öğrenerek, büyük miktarda etiketsiz veriyi de değerlendirmeye katarak öğrenme sürecini iyileştirmeyi amaçlar.
• Örneğin, el yazısı rakam resimlerinden sadece bir kısmı etiketlenmişse, yarı denetimli öğrenme bu bilgiyi kullanarak modeli eğitir.

Yarı Denetimli Öğrenmenin İşleyişi

1. Az miktarda etiketli veriyle ilk model eğitimi yapılır.
2. Model, etiketsiz veriler üzerinde tahmin yapar.
3. Öğrenilen bilgileri kullanarak etiketsiz verilerden ek desenler çıkarmaya çalışır.
4. Yeni örüntüler keşfedildikçe, modelin doğruluğu artar.
5. Bu süreç tekrar edilerek daha iyi sonuçlar elde edilir.

Yarı Denetimli Öğrenmenin Kullanım Alanları

• Etiketli veriye ulaşmanın zor veya maliyetli olduğu alanlarda kullanılır.
  • Doğal dil işleme (örneğin, spam tespiti).
  • Tıbbi görüntü analizi. -Görsel tanıma.
  • Web sayfası sınıflandırma.

Yarı Denetimli Öğrenmenin Avantajları

• Etiketsiz veriyi değerlendirme yeteneği.
• Daha az etiketleme maliyeti.
• Gerçek dünya problemlerine uygunluk.

Yarı Denetimli Öğrenmenin Dezavantajları

• Yanlış etiketleme riski.
• Daha karmaşık modeller gerektirir.
• Genelleme sorunu olabilir.

Pekiştirmeli Öğrenme

• Bir ajanın bir ortamla etkileşime girerek en iyi hareketleri öğrenmesini sağlayan bir yöntemdir.
• Bu süreç, ödül ve ceza sistemine dayalıdır.
• Ajan, bir eylem gerçekleştirdiğinde ödül kazanabilir veya ceza alabilir.
• Hedef, ajanı maksimum ödül kazandıracak stratejiyi (politika) öğrenmeye yönlendirmektir.

Pekiştirmeli Öğrenmenin Bileşenleri

1. Ajan (Agent): Öğrenen ve çevreyle etkileşime giren sistem.
2. Ortam (Environment): Ajanın içinde hareket ettiği dünya.
3. Eylemler (Actions): Ajanın yapabileceği seçenekler.
4. Durumlar (States): Ajanın içinde bulunduğu mevcut durum.
5. Ödül (Reward): Ajanın yaptığı eyleme bağlı olarak aldığı geri bildirim.
6. Politika (Policy): Ajanın hangi eylemi seçeceğini belirleyen strateji.
7. Öğrenme Süreci: Ajan, ödülleri en üst düzeye çıkarmak için deneyimlerinden ders çıkararak stratejisini günceller.

Pekiştirmeli Öğrenmenin Kullanım Alanları

• Robotik, oyunlar, otonom araçlar, finans ve borsa, sağlık sektörü.

Pekiştirmeli Öğrenmenin Avantajları

• Deneme-yanılma ile öğrenme.
• Karmaşık karar verme.
• Gerçek dünya senaryolarında etkili.

Pekiştirmeli Öğrenmenin Dezavantajları

• Uzun öğrenme süreci.
• Yanlış ödüllendirme riski.
• Her zaman uygulanabilir veya verimli değildir.

1. Python ve Gerekli Kurulumlar

• Python, 1991 yılında Guido Von Rossum tarafından geliştirilmiş bir programlama dilidir.
• Yorumlayıcıya ihtiyaç duyar ve nesne tabanlıdır.
• Açık kaynaklıdır ve ücretsiz olarak erişilebilir.
• Öğrenmesi ve kullanımı basit bir programlama dilidir.
• Windows, Mac, Linux gibi işletim sistemlerinde kullanılabilir.

Python İçin IDE Seçimi

• Tümleşik geliştirme ortamları (IDEs), programcıların kodlarını yazarken kullanışlı araçlar sunan grafik arayüzlü metin editörleridir.
• IDE'ler, kodun otomatik tamamlanması, hataların gösterilmesi ve hata ayıklama gibi işlemleri kolaylaştırır.
• Bazı popüler Python IDE'leri şunlardır: PyCharm, Google Colab, IDLE, Spyder, PyDev, Komodo IDE, Eric, Liclipse, Atom, Visual Studio Code, Jupyter.
• IDE'lerin bazıları ücretli, bazıları ise ücretsizdir.

Python Dağıtımları

• Python paketlerinin kurulumunu ve güncellenmesini kolaylaştırmak için birçok Python dağıtımı ortaya çıkmıştır.
• Bazı yaygın Python dağıtımları şunlardır: Anaconda, Python (x,y), WinPython, ActivePython.

Anaconda Kurulumu

• Anaconda, makine öğrenmesi ve veri bilimi uygulamaları geliştirmek için kullanılan popüler bir Python dağıtımıdır.
• steps:

1. "https://www.anaconda.com/download" adresinden Windows işletim sistemi seçilmelidir.
2. Kurulum işlemi gerçekleştirilmelidir.

Spyder IDE

• Makine öğrenmesi uygulamaları geliştirmek için kullanılabilen bir IDE'dir.
• Anaconda Navigator ekranından çalıştırılabilir ve kodların çıktısı console ekranında görüntülenebilir.
• Variable Explorer sekmesi ile Python değişkenleri ve veri yapıları izlenebilir.
• File Explorer sekmesi ile projeler ve dosyalar görülebilir.
• Help penceresi ile Python kütüphaneleri ve fonksiyon parametreleri hakkında bilgi sağlanır.
• Restart Kernel komutu ile editörü kapatmadan Python Kernel'ini yeniden başlatmak mümkündür.
• "View" menüsünden "Panes" seçeneği tıklanarak paneller yönetilebilir.

Yeni Python Paketleri Kurulumu

• Anaconda kurulduktan sonra birçok paket otomatik olarak yüklenir; ancak ek paketler için pip kullanılabilir.
• Yeni bir paket kurmak için "pip install paket-adi" komutu kullanılır.
• Mevcut bir paketi kaldırmak için "pip uninstall paket-adi" komutu kullanılır.
• Bazı temel Python paketleri şunlardır: scikit-learn, pandas, matplotlib.

Google Colab

• Google tarafından sunulan ücretsiz bir bulut tabanlı Jupyter Notebook platformudur.
• Kullanıcılar, Python kodlarını çalıştırabilir, veri analizi yapabilir ve makine öğrenimi modelleri oluşturabilir.
• İşletim sistemi veya donanım kurulumu gerektirmez, doğrudan tarayıcıdan kullanılabilir.
• Google Drive ile entegredir ve dosyaları bulutta saklama olanağı tanır.
• Kütüphaneler otomatik yüklüdür ve GPU/TPU desteği sunar.
• Google Drive'ı bağlamak ve veri setlerine erişmek için "from google.colab import drive" ve "%cd /content/drive/MyDrive/Colab Notebooks/Kitap" kodları kullanılabilir.

Python ve Makine Öğrenmesi

• Python, makine öğrenmesi ve veri bilimi ile ilgilenenlerin en çok kullandığı dillerden biridir.
• Veri işleme ve görselleştirme için oldukça uygundur.
• Geniş kütüphane desteği ve kullanım kolaylığı sayesinde, makine öğrenmesi, görüntü işleme, doğal dil işleme, istatistiksel analizler gibi alanlarda sıkça tercih edilir.
• Kolay okunabilir ve yazılabilir sözdizimi, geniş topluluk desteği ve zengin kütüphaneleri sayesinde popülerdir.
• NumPy, Pandas, Matplotlib, Scikit-learn sık kullanılan kütüphanelerdir.

NumPy (Sayısal Python)

• Çok boyutlu diziler ile çalışmak için kullanılır.
• Doğrusal cebir, Fourier transformasyonu ve rastgele sayı yetenekleri sunar.

Bölüm Özeti

• Makine öğrenmesi, geleneksel programlamadan farklı olarak kurallara sahip olmayan bir yaklaşımdır.
• Otonom sistemler, doğal dil işleme, finans sektörü, spam filtreleme, biyoinformatik, görüntü işleme, ses ve konuşma işleme gibi alanlarda yaygın olarak kullanılır.

Vektörler ve Matrisler

• Doğrusal cebir ve vektör uzayları, makine öğrenmesinde önemlidir.
• Vektörler, büyüklük ve yön ile tanımlanabilir ve farklı boyutlardaki uzaylarda temsil edilebilir.
• Örnek olarak İris veri seti, vektörlerin makine öğrenmesindeki kullanımını göstermek için açıklanabilir.

Numeric Python(Numpy)

• Python dilinde vektörler birçok yolla temsil edilebilir.
• Numpy, vektörler ile çalışmak için kuvvetli çözümler sunan bir kütüphanedir
• Numpy versiyonunu öğrenmek için version_ kullanılabilir
• Numpy'yi güncellemek için; pip install --upgrade numpy komutu kullanılabilir

NumPy ile N boyutlu diziler

• Numpy'da bir boyutlu bir dizi oluşturmak için RowVektor=np.array([2,5,7]) manuel olarak verilir
• Bir kolon(column) vektörü şu şekilde oluşturulur; np.array([[10],[20],[30]])
• İki boyutlu bir dizi oluşturmak için köşeli parantezler içerisinde my_numbers=np.array([[2,5,7],[3,6,8]]) verilir
• Zeros fonksiyonu belirtilen parametre kadar sıfır dizi oluşturmaya yarar (4 satır ve 3 sütun) için np.zeros((4,3))
• Ones fonksiyonu farklı olarak elemanları birden meydana getirir
• Eye fonksiyonu da köşegenler 1, geri kalan kısımlar 0 ile doldurulur
• Full fonksiyonu dizinin içeriği istenen değerden oluşturulabilir

NumPy ile N boyutlu diziler, Arange ve Linspace fonksiyonları

• Arange fonksiyonu başlangıç ve bitiş değerleri ile bölümlere ayırır ve bitiş değeri son elemana dahil edilmez
• Linspace float tipindeki değerler için kullanılır
• Linspace'daki num parametresi aralığın kaça bölüneceğini ifade eder eğer endpoint=False seçilirse arange() gibi bitiş değeri diziye eklenmez

NumPy ile N boyutlu diziler, Rand ve Randn fonksiyonları

• RanD fonksiyonu normal dağılıma sahip olmayan float tipindeki örneklerden dizi oluşturur
• Randn fonksiyonu ise normal dağılıma sahip ve sıfır ortalamalıdır
• Randint fonksiyonu ile de belirli bir aralıkta rastgele sayılar oluşturulabilir

NumPy ile N boyutlu diziler

• Dtype özelliği ile dizi elemanlarının hangi veri tipinde olduğu öğrenilir
• Dizi içindeki her elemanın kaç baytlık olduğu ise ıtemsize özelliği ile öğrenilir
• Shape fonksiyonu dizinin farklı boyutlara dönüştürülmesi için kullanılır -Ndım özelliği ise ile dizinin boyut sayısı öğrenilir

NumPy ile Aritmetik İşlemler

• Sum, Substract ve Dot fonksiyonları ile toplama çıkarma çarpma işlemleri yapılır

Python ve Makine Öğrenmesi, kütüphaneler

• Matplotlib veri görselleştirme için kullanılır
• Graf, histogram ve çizgi grafikleri oluşturulabilir
• Seaborn ve Plotly gibi uygulamalar ile geliştirilebilir.
• Scikit Learn makine öğrenmesi modelleri geliştirmek için kullanılır
  • Regresyon, sınıflandırma ve kümeleme algoritmaları içerir..