Makine Öğrenmesine Giriş

Makine öğrenimi, analitik model oluşturmayı otomatikleştiren bir veri analizi yöntemidir. Bu tanımdan yola çıkarak makine öğrenmesinin verilerden çıkarım yapabildiğini, bu çıkarımların yol haritasını çıkarabildiğini ve en az insan etkileşimi ile kendi başına karar alabildiğini söyleyebiliriz. Makine öğrenmesinin tanımını basit bir şekilde bir sürü hata yapan ve bu hatalarından dersler çıkaran ve bir sonraki benzer problemde algoritmanın( bir problemin çözümünde kullanılan kurallar seti) da sağladığı yardım sayesiyle doğru yolu bulan bir çocuk olarak görebiliriz.

Fakat bir makine nasıl bir insanla aynı özellikleri taşıyabilir? Makine öğrenmesinin temelleri neye dayanmaktadır ve gerçek hayatta makine öğrenmesini nerelerde görebiliriz?

Bazı tartışmalar olmasına rağmen, makine öğrenmesinin dayanağının yapay zeka olduğunu söyleyebiliriz. Yapay zekanın doğumu ise 1950 yılında yayınlanan Alan Turing'in "Hesaplama Makineleri ve Zeka" adlı çalışmasına dayanmaktadır. Turin "Makineler düşünebilir mi?" sorusuyla yeni bir dönemin doğuşunu da işaret etmiştir ve sık sık "bilgisayar biliminin babası" olarak anılmaya başlayacaktır.

Bir sonraki dönüm noktası ise Tom M. Mitchell'in daha resmi bir biçimde makine öğrenmesini ele aldığı eserininin yayınlanmasıdır. Bu çalışmada Alan Turing'in " Makineler düşünebilir mi?" sorusu yerini "Makineler bizim yaptığımız işleri yapabilir mi?" sorusuna bırakmıştır.

Makine öğrenmesinde iki tane unsur söz konusudur:

1) Verileri geliştirilmiş olan modeller üzerinde gruplama.

2) Modeller üzerinden gelecekteki sonuçları tahminleme.

Özetlemek gerekirse, verilerimizi olması gereken yerlere yerleştirdikten sonra bu veriler üzerinden sonraki olabilecek verilerin sonuçlarını tahmin ediyoruz. Tabi ki sonuçlarımız her zaman doğru olmayacaktır. Bu nedenle grupladığımız verilerin sayısının çokluğu makine öğrenmesinin daha doğru tahmin yapabilmesi için önemli bir etkendir. Fakay yine de yeterli olamayabilir. Tam da bu noktalarda insan elinin değmesi ve yeniden hesaplamalarının yapılması önem arz etmektedir.

Müşteri Servisi

Çevrimiçi sohbet robotları, müşteri servislerinde insan aracıların yerini almaya devam ediyor. Çevrimiçi sohbet robotları, nakliye, ürün hatası gibi konularla ilgili sık sorulan soruları yanıtlar veya kişiselleştirilmiş tavsiyeler, çapraz satış ürünleri (Örnek vermek gerekirse bir burger alımında 'Kola da ister misiniz?' seçeneği çapraz satıştır.) veya kullanıcılara ürün boyutu önermeyi sağlar. Bankalar, telekomünikasyon şirketleri, e-ticaret siteleri, Getir, Yemeksepeti gibi online yemek dağıtım şirketleri sürekli olarak online chatbot kullanmaktadır.

Makine öğrenmesi ile ilişki ne durumda peki? Çevrimiçi sohbet robotlarını kullandıktan sonra, sohbet robotunu sorununuz için verdiği cevabın size yararlı olup olmadığını puanlayabileceğiniz bir sayfanın neden olduğunu hiç düşündünüz mü? O zaman cevap, makine öğrenme sistemlerinin algoritmasında yatmaktadır. Geri bildirimler makine öğrenmsinin sistemi için oldukça faydalı olabilir, çünkü makine öğrenmesi gelecek tahmini için sadece doğru verileri kullanmakla kalmaz, aynı zamanda yanlış verilerden de aynı hataları yapmamayı öğrenir.

Web sayfası sıralama

Arama motoruna bir sorgu gönderme, daha sonra o sorguyla ilgili web sayfalarını bulma ve alaka düzeyine göre web sayfalarını bir sıraya sokma işlemine web sayfası sıralama denmektedir. Web sayfalarını alaka sırasına göre listeleyen son kısım, makine öğrenmesi ile yapılır. Arananlar listesine ulaşmak için, bir arama motorunun özellikle sizin için hangi sayfaların en alakalı olduğunu "bilmesi" ve elbette girdiğiniz sorguyla eşleştirmesi gerekmektedir.

Bu tür bilgiler birkaç kaynaktan elde edilebilir:

· web sayfalarının bağlantı yapısı

· içeriği

· kullanıcıların bir sorguda önerilen bağlantıları takip etme sıklığı

· arama geçmişiniz

İyi bir arama motoru tasarlama sürecini otomatikleştirmek için varsayımlar ve akıllı mühendislik yerine makine öğrenimi giderek daha fazla kullanılmaktadır.

İşbirliği sıralama (Collaborative ranking)

Başka bir gerçek hayattaki makine öğrenimi uygulaması, işbirlikçi filtrelemedir. Amazon, Trendyol gibi e-ticaret siteleri; güzellik bakım zinciri mağazaları; teknoloji şirketleri (Apple, Samsung, Sony vb.), kullanıcıları ek ürünler satın almaya teşvik etmek için bu bilgileri yoğun bir şekilde kullanır.

Bu durum, web sayfası sıralamasına benzerdir. Her iki durumda da sadece ilginize ve ihtiyacınıza uygun bir liste oluşturulur. Aradaki temel fark, sahip olduğumuz sorguya göre hareket etmek yerine, liste geçmişteki satın alımlarımız, belki de müşterinin en sevdiği ürünler, satın alma alışkanlıkları ve tamamlayıcı malların arasındaki ilişkilere göre oluşturulmaktadır. (Örneğin, Amazon'da, başlangıç ​​dilinde bir kitap satın aldığınızda Amazon, "Ayrıca bir sonraki seviyenin kitabını da almak ister misiniz?" diye sormaktadır. Yani, neden olmasın? Değil mi?) Bu sorunu çözmek için otomatik bir sisteme sahip olmak, böylece yanlış varsayımlardan ve ve bu varsayımların doğuracağı zaman israfından kaçınmak açıkça arzu edilir.

Sonuç olarak, makine öğrenimi, son zamanlarda müşterilerin değerinin önemli ölçüde arttığı göz önüne alındığında çok sayıda müşteriye daha özelleştirilmiş bir hizmet sunmak isteyen şirketler için en faydalı çalışma alanlarından biridir. Makine öğrenmesinin gelişmesiyle birlikte, her alanda daha doğru veri, daha az zaman alan bir süreç ve daha memnun müşteri olacaktır.

Bu yazıda bazı bilgiler Alex Smola ve S.V.N. Vishwanathan'ın "Introduction to Machine Learning" kitabından alınarak kullanılmıştır.