Makine Öğrenmesi Nedir?

Makine öğrenmesi, bilgisayar sistemlerinin bütün kuralları insanlar tarafından tek tek yazılmadan, verilerdeki örüntüleri öğrenerek tahmin veya sınıflandırma yapmasını sağlayan bir yapay zekâ alanıdır. Bir makine öğrenmesi modeli geçmiş örnekleri analiz eder, bu örnekler arasındaki ilişkileri matematiksel olarak temsil eder ve daha önce görmediği veriler hakkında sonuç üretmeye çalışır.

E-posta hizmetlerinin istenmeyen mesajları ayırması, dijital platformların içerik önermesi, bankaların şüpheli işlemleri belirlemesi ve şirketlerin talep tahmini yapması bu yaklaşımın bilinen uygulamalarıdır. Ancak makine öğrenmesinin temel amacı yalnızca eğitim verisini ezberlemek değil, öğrendiği ilişkileri yeni ve gerçek dünya verilerine aktarabilmektir. Bu yetenek “genelleme” olarak adlandırılır.

Makine Öğrenmesini Geleneksel Programlamadan Ayıran Nedir?

Geleneksel bir yazılım sisteminde geliştirici, programın karşılaşabileceği koşulları ve bu koşullarda uygulanacak kuralları önceden tanımlar. Örneğin bir çalışana belirli satış hedeflerine göre prim hesaplayan sistem, açıkça yazılmış koşulları uygular.

Makine öğrenmesinde ise karar kurallarının tamamı doğrudan yazılmaz. Sisteme geçmiş örnekler ve bu örneklerle ilişkili sonuçlar verilir. Algoritma, girdilerle sonuçlar arasındaki ilişkileri öğrenerek bir model oluşturur.

Yaklaşım	Sisteme verilenler	Ortaya çıkan sonuç
Geleneksel programlama	Veri ve önceden yazılmış kurallar	Hesaplanan sonuç
Makine öğrenmesi	Veri ve geçmiş sonuç örnekleri	Tahmin yapabilen model
Model kullanımı	Yeni veri ve eğitilmiş model	Tahmin veya sınıflandırma

Örneğin tüm dolandırıcılık senaryolarını kural olarak yazmak zor olabilir. İşlem tutarı, konum, saat, cihaz, önceki alışveriş davranışları ve yüzlerce başka değişken birlikte değerlendirildiğinde makine öğrenmesi, insan tarafından fark edilmesi güç ilişkileri belirleyebilir.

Bu durum, makine öğrenmesinin insan müdahalesine ihtiyaç duymadığı anlamına gelmez. Problemin tanımlanması, verilerin seçilmesi, modelin değerlendirilmesi ve sonuçların hangi koşullarda kullanılacağı hâlâ insan kararlarını gerektirir.

Bir Makine Öğrenmesi Modeli Nasıl Çalışır?

Bir makine öğrenmesi projesi yalnızca algoritma seçmekten oluşmaz. Modelin başarısı çoğu zaman problemin doğru tanımlanmasına ve verinin hazırlanmasına bağlıdır.

1. Problem ve hedef belirlenir

İlk olarak modelin hangi soruya yanıt vereceği netleştirilir. “Satışları artırmak” tek başına yeterince açık bir makine öğrenmesi problemi değildir.

Bunun yerine aşağıdaki gibi ölçülebilir sorular belirlenebilir:

• Hangi müşterilerin önümüzdeki 30 gün içinde alışveriş yapma ihtimali daha yüksektir?
• Gelecek hafta her ürün için kaç adet talep oluşacaktır?
• Hangi işlemler olağan dışı davranış göstermektedir?
• Bir ekipmanın belirli bir süre içinde arızalanma olasılığı nedir?

2. Veriler toplanır ve hazırlanır

Modelin öğrenebilmesi için problemle ilişkili verilere ihtiyaç vardır. Eksik, hatalı, güncelliğini yitirmiş veya belirli grupları yeterince temsil etmeyen veriler, modelin sonuçlarını doğrudan etkiler.

Veri miktarı kadar verinin niteliği de önemlidir. Büyük veri kümelerinin temel özellikleri ve iş dünyasındaki rolü hakkında daha geniş bir çerçeve edinmek içinBüyük Veri Nedir? içeriği incelenebilir.

3. Değişkenler belirlenir

Modelin tahmin üretirken kullandığı ölçülebilir bilgilere “özellik” veya “öznitelik” denir.

Bir müşteri kaybı modelinde şu değişkenler kullanılabilir:

• Son alışveriş tarihi
• Sipariş sıklığı
• Ortalama sipariş tutarı
• İade oranı
• Müşteri hizmetleriyle iletişim sayısı
• Site veya uygulama kullanım sıklığı

Modelin erişebildiği her veriyi kullanmak doğru bir yaklaşım değildir. Tahmin anında bulunmayan, güvenilir olmayan veya kişisel mahremiyet açısından kullanılmaması gereken değişkenler modelden çıkarılmalıdır.

4. Model eğitilir

Algoritma, eğitim verisindeki örnekleri inceleyerek tahmin hatasını azaltacak matematiksel parametreleri belirler. Bu süreç model eğitimi olarak adlandırılır.

Algoritma ile model aynı şey değildir. Algoritma, öğrenme sürecinde kullanılan yöntemdir. Model ise bu yöntemin belirli bir veri kümesi üzerinde eğitilmesiyle ortaya çıkan sonuçtur.

5. Performans yeni verilerle test edilir

Bir modelin eğitim verisinde başarılı olması yeterli değildir. Model, eğitim sırasında görmediği doğrulama ve test verileriyle değerlendirilmelidir.

Bu aşama, modelin yalnızca geçmiş örnekleri ezberleyip ezberlemediğini anlamaya yardımcı olur. Çapraz doğrulama, uygun performans metriğinin seçilmesi ve karar eşiklerinin test edilmesi model değerlendirme sürecinin temel parçalarıdır.

6. Model kullanıma alınır ve izlenir

Başarılı bulunan model bir uygulamaya, raporlama sistemine veya operasyonel iş akışına entegre edilebilir. Ancak çalışma burada sona ermez.

Müşteri davranışları, ekonomik koşullar, ürün çeşitleri veya iş süreçleri değiştikçe modelin öğrendiği ilişkiler geçerliliğini kaybedebilir. Bu nedenle model performansı düzenli olarak izlenmeli, veri dağılımındaki değişimler kontrol edilmeli ve gerektiğinde model yeniden eğitilmelidir.

Makine Öğrenmesi Türleri Nelerdir?

Makine öğrenmesi yöntemleri, modelin hangi tür veri ve geri bildirimle öğrendiğine göre sınıflandırılır.

Denetimli öğrenme

Denetimli öğrenmede model, doğru sonuçların bilindiği etiketli örneklerle eğitilir. Modelin amacı, girdilerle bilinen sonuçlar arasındaki ilişkiyi öğrenmektir.

Denetimli öğrenmenin iki temel kullanım biçimi bulunur:

Sınıflandırma, bir gözlemin hangi kategoriye ait olduğunu tahmin eder.

• Spam veya spam değil
• Müşteri ayrılacak veya ayrılmayacak
• İşlem şüpheli veya normal
• Görselde ürün kusuru var veya yok

Regresyon, sayısal ve sürekli bir değer tahmin eder.

• Gelecek ayın satış tutarı
• Bir evin tahmini fiyatı
• Siparişin teslim süresi
• Bir müşterinin yaşam boyu değeri

Doğrusal regresyon, lojistik regresyon, karar ağaçları, rassal ormanlar, destek vektör makineleri ve k-en yakın komşu denetimli öğrenmede kullanılabilen yöntemler arasındadır.

Denetimsiz öğrenme

Denetimsiz öğrenmede verilerin önceden belirlenmiş doğru cevapları veya etiketleri bulunmaz. Model, verinin içindeki yapıları, benzerlikleri ve olağan dışı örnekleri keşfetmeye çalışır.

Yaygın kullanım alanları şunlardır:

• Benzer müşterilerin segmentlere ayrılması
• Alışveriş sepetinde birlikte tercih edilen ürünlerin belirlenmesi
• Olağan dışı işlem veya davranışların bulunması
• Çok sayıda değişkenin daha az boyutla temsil edilmesi

Kümeleme, birliktelik analizi ve boyut indirgeme denetimsiz öğrenme yöntemleri arasındadır.

Yarı denetimli ve öz denetimli öğrenme

Etiketli verilerin hazırlanması zaman ve maliyet gerektirebilir. Yarı denetimli öğrenmede az miktarda etiketli veri, daha büyük bir etiketsiz veri kümesiyle birlikte kullanılır.

Öz denetimli öğrenmede ise sistem, etiketsiz verinin kendi yapısından geçici öğrenme hedefleri üretir. Büyük dil modellerinin temel eğitim süreçlerinde kullanılan yaklaşımların önemli bir bölümü öz denetimli öğrenmeye dayanır.

Pekiştirmeli öğrenme

Pekiştirmeli öğrenmede bir sistem, belirli bir ortamda eylemler gerçekleştirir ve aldığı ödül ya da cezalara göre davranışını geliştirir.

Bu yaklaşım;

• Robotik sistemlerde
• Oyun oynayan yapay zekâlarda
• Kaynak ve rota optimizasyonunda
• Dinamik kontrol problemlerinde

kullanılabilir.

Pekiştirmeli öğrenme, doğru cevabın her örnek için doğrudan gösterilmesi yerine sistemin farklı eylemleri deneyerek uzun vadeli ödülü artırmaya çalışmasıyla diğer türlerden ayrılır.

Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme Arasındaki Fark

Bu kavramlar birbiriyle bağlantılı olsa da aynı anlamı taşımaz.

Kavram	Kapsam	Temel işlev
Yapay zekâ	En geniş alan	Makinelerin algılama, karar verme ve problem çözme gibi görevleri gerçekleştirmesi
Makine öğrenmesi	Yapay zekânın alt alanı	Verilerdeki ilişkileri öğrenerek tahmin veya karar üretme
Derin öğrenme	Makine öğrenmesinin alt alanı	Çok katmanlı yapay sinir ağlarıyla karmaşık örüntüleri öğrenme
Üretken yapay zekâ	İçerik üretmeye odaklanan sistemler	Metin, görsel, ses, video veya kod gibi yeni içerikler oluşturma

Her yapay zekâ sistemi makine öğrenmesi kullanmak zorunda değildir. Benzer şekilde her makine öğrenmesi modeli de derin öğrenme modeli değildir.

Derin öğrenme özellikle görüntü, ses ve doğal dil gibi karmaşık verilerde güçlü sonuçlar sağlayabilir. Buna karşılık daha küçük ve yapılandırılmış veri kümelerinde karar ağaçları veya regresyon gibi klasik makine öğrenmesi yöntemleri daha hızlı, daha düşük maliyetli ve daha açıklanabilir olabilir.

Üretken yapay zekânın iş süreçlerinde nasıl konumlandırılabileceğini öğrenmek isteyen profesyoneller,Yapay Zekâ ile Verimlilik Üretmek programının kapsamını inceleyebilir. Programda yapay zekâ, veri analitiği ve makine öğrenmesi arasındaki farklar da ele alınmaktadır.

Makine Öğrenmesi Hangi Alanlarda Kullanılır?

Makine öğrenmesinin kullanım alanları yalnızca teknoloji şirketleriyle sınırlı değildir. Yeterli ve güvenilir veri bulunan birçok süreçte tahmin, sınıflandırma, segmentasyon veya anomali tespiti için kullanılabilir.

Pazarlama ve müşteri deneyimi

• Ürün ve içerik önerileri
• Müşteri segmentasyonu
• Müşteri kaybı tahmini
• Kampanya yanıt olasılığı
• Müşteri yaşam boyu değeri tahmini
• Talep ve satış tahmini

Finans ve risk yönetimi

• Dolandırıcılık tespiti
• Kredi riski değerlendirmesi
• Şüpheli işlem analizi
• Nakit akışı tahmini
• Belge ve işlem sınıflandırması

Üretim, lojistik ve operasyon

• Öngörücü bakım
• Kalite kontrol
• Stok optimizasyonu
• Teslimat süresi tahmini
• Rota planlama
• Tedarik zinciri risklerinin belirlenmesi

İnsan kaynakları

Makine öğrenmesi; çalışan bağlılığı, iş gücü planlaması, yetenek analizi ve çalışan kaybı riskinin incelenmesi gibi alanlarda kullanılabilir. Ancak çalışanları etkileyen modellerde veri gizliliği, açıklanabilirlik ve ayrımcılık riski özellikle dikkatli yönetilmelidir.

İnsan kaynakları verisinin nasıl analiz edilebileceğine ilişkin uygulama örnekleriVakalarla İnsan Kaynakları Analitiği ve Veri Görselleştirme programının içeriğinde ele alınmaktadır.

Sağlık ve siber güvenlik

Makine öğrenmesi tıbbi görüntü analizi, risk tahmini, olağan dışı ağ davranışlarının belirlenmesi ve zararlı yazılım tespiti gibi alanlarda da kullanılabilir.

Bununla birlikte sağlık, finans, işe alım veya güvenlik gibi yüksek etkili alanlarda model çıktısı tek başına nihai karar olarak görülmemelidir. Uzman değerlendirmesi, güvenlik kontrolleri ve açık sorumluluk mekanizmaları korunmalıdır.

Bir Problem Makine Öğrenmesine Uygun mu?

Her iş problemi için makine öğrenmesi kullanmak gerekli veya verimli değildir. Aşağıdaki sorular karar vermeye yardımcı olabilir:

1. Tahmin edilmesi gereken açık bir sonuç var mı?
   Modelin ne üreteceği ölçülebilir şekilde tanımlanmalıdır.
2. Yeterli ve problemle ilişkili veri bulunuyor mu?
   Tarihsel örnekler bulunmadan modelin öğrenebileceği güvenilir bir temel oluşmaz.
3. Veriler tahmin anında erişilebilir mi?
   Yalnızca sonuç ortaya çıktıktan sonra öğrenilen bilgiler tahmin değişkeni olarak kullanılamaz.
4. Basit bir kural sistemi yeterli olur mu?
   Birkaç açık kuralla çözülebilen problem için karmaşık bir model gereksiz maliyet yaratabilir.
5. Yanlış tahminin maliyeti nedir?
   Ürün önerisindeki bir hata ile kredi veya sağlık kararındaki hata aynı risk düzeyine sahip değildir.
6. Model sonucu bir iş sürecine dönüştürülebilir mi?
   Tahmin üretmek tek başına değer yaratmaz. Sonucun hangi kararı veya eylemi destekleyeceği belirlenmelidir.

Makine öğrenmesi, çok sayıda değişkenin bulunduğu, örüntülerin açık kurallarla ifade edilmesinin zor olduğu ve yeterli geçmiş verinin mevcut olduğu problemlerde daha güçlü bir seçenek hâline gelir.

Başarılı Bir Model Yalnızca Doğru Tahmin Yapan Model Değildir

Model başarısı değerlendirilirken yalnızca genel doğruluk oranına bakmak yanıltıcı olabilir.

Bir dolandırıcılık veri kümesindeki işlemlerin yüzde 99’u normal, yüzde 1’i şüpheli olsun. Bütün işlemleri “normal” olarak sınıflandıran bir model yüzde 99 doğruluk elde eder; ancak tek bir şüpheli işlemi bile yakalayamaz.

Bu nedenle kullanılan metrik iş problemine göre seçilmelidir:

• Kesinlik: Şüpheli olarak işaretlenen sonuçların ne kadarı gerçekten şüpheli?
• Duyarlılık: Gerçek şüpheli işlemlerin ne kadarı tespit edildi?
• F1 skoru: Kesinlik ile duyarlılık arasındaki denge nasıl?
• Ortalama mutlak hata: Sayısal tahminler gerçek değerden ortalama ne kadar sapıyor?
• İş metriği: Model gelir, maliyet, zaman veya risk üzerinde nasıl bir etki yaratıyor?

Modelin performansı farklı müşteri grupları, zaman dönemleri ve operasyonel koşullar için ayrıca değerlendirilmelidir.

Makine Öğrenmesinin Sınırlılıkları ve Riskleri

Makine öğrenmesi güçlü bir araç olsa da sonuçları kendiliğinden tarafsız veya doğru değildir.

Veri kalitesi

Eksik, hatalı veya güncelliğini kaybetmiş veriler model performansını düşürür. Model, kendisine sunulan veride bulunmayan bir ilişkiyi güvenilir biçimde öğrenemez.

Yanlılık

Geçmiş veriler toplumsal, kurumsal veya operasyonel eşitsizlikleri yansıtabilir. Model bu örüntüleri öğrenerek mevcut sorunları yeniden üretebilir.

Aşırı uyum

Model eğitim örneklerini gereğinden fazla öğrenirse yeni veriler karşısında başarısız olabilir. Bu durum aşırı uyum olarak adlandırılır.

Açıklanabilirlik

Bazı karmaşık modellerin belirli bir sonucu neden ürettiğini açıklamak güçtür. Özellikle bireylerin haklarını veya önemli kararları etkileyen sistemlerde açıklanabilirlik kritik önem taşır.

Model sapması

Gerçek dünyadaki koşullar değiştikçe modelin performansı zamanla düşebilir. Bu nedenle modellerin izlenmesi ve yeniden değerlendirilmesi gerekir.

Gizlilik ve güvenlik

Kişisel verilerin toplanması, saklanması ve model eğitiminde kullanılması açık yönetişim kuralları gerektirir. Veriye erişim, kullanım amacı ve saklama süreleri kontrol edilmelidir.

NIST’in Yapay Zekâ Risk Yönetimi Çerçevesi; güvenilir yapay zekâ sistemlerini geçerli ve güvenilir, güvenli, dayanıklı, hesap verebilir, şeffaf, açıklanabilir ve zararlı yanlılıkları yönetilmiş sistemler olarak değerlendirmeyi önerir. Bu özelliklerin tasarımdan kullanıma ve değerlendirmeye kadar bütün yaşam döngüsünde ele alınması gerekir.

Makine Öğrenmesine Nasıl Başlanır?

Makine öğrenmesine başlamak için ilk adım doğrudan karmaşık algoritmalar öğrenmek olmak zorunda değildir. Öncelikle veriyle düşünme ve iş problemini analitik bir soruya dönüştürme becerisi geliştirilmelidir.

Başlangıç için şu sıra izlenebilir:

1. Temel istatistik ve olasılık kavramlarını öğrenmek
2. Veri türlerini ve veri kalitesi problemlerini tanımak
3. Regresyon, sınıflandırma ve kümeleme arasındaki farkı anlamak
4. Model eğitim ve test mantığını öğrenmek
5. Uygun performans metriklerini tanımak
6. Python ve scikit-learn gibi araçlarla küçük uygulamalar yapmak
7. Model sonuçlarını iş hedefleriyle ilişkilendirmek
8. Veri gizliliği ve sorumlu yapay zekâ ilkelerini öğrenmek

Teknik olmayan yöneticiler ve uzmanlar için amaç her algoritmanın matematiksel ayrıntısını bilmekten önce, doğru soruları sorabilmek olmalıdır. Bir modelin hangi veriyle eğitildiğini, hangi metriğe göre başarılı kabul edildiğini, hangi koşullarda hata yaptığını ve çıktısının nasıl kullanılacağını anlayabilmek önemli bir yönetsel yetkinliktir.

Veri temellerinden makine öğrenmesi ve yapay zekâ uygulamalarına kadar bütünsel bir gelişim yolu arayan profesyoneller,Veri Analitiğinin Temelleri ve Yapay Zekâ ile Dönüşüm Sertifika Programı içeriğini inceleyebilir. Program, veri odaklı karar alma ve iş problemlerini analitik yöntemlerle çözme konularını birlikte ele almaktadır.

Veriden Öğrenen Sistemlerden Değer Üretmek

Makine öğrenmesi, geçmiş verilerden örüntü çıkararak yeni durumlar hakkında tahmin veya sınıflandırma yapmayı mümkün kılar. Ancak değer yaratan bir sistem oluşturmak; yalnızca güçlü bir algoritma seçmeye değil, doğru problemi tanımlamaya, uygun veriyi kullanmaya, modeli gerçekçi koşullarda değerlendirmeye ve sonuçları düzenli olarak izlemeye bağlıdır.

Kuruluşlar açısından temel soru “Makine öğrenmesini nerede kullanabiliriz?” sorusundan önce “Hangi kararımızı daha tutarlı, hızlı veya öngörülü hâle getirmek istiyoruz?” olmalıdır. Teknolojinin iş hedefiyle ilişkilendirilmesi, makine öğrenmesini yalnızca teknik bir proje olmaktan çıkararak sürdürülebilir bir karar destek aracına dönüştürür.

Makine Öğrenmesi Hakkında Merak Edilenler

Makine öğrenmesi için kodlama bilmek gerekir mi?

Makine öğrenmesinin temel mantığını anlamak için kodlama zorunlu değildir. Ancak model geliştirmek, verileri hazırlamak ve sonuçları test etmek isteyenler için Python ve SQL önemli avantaj sağlar. Kodsuz ve düşük kodlu platformlar başlangıcı kolaylaştırsa da veri kalitesi, model seçimi ve sonuçların yorumlanması konusunda temel bilgiye yine ihtiyaç duyulur.

Makine öğrenmesi ile veri bilimi aynı şey midir?

Hayır. Veri bilimi; veri toplama, temizleme, analiz, görselleştirme, istatistiksel inceleme ve sonuçların iş kararlarına dönüştürülmesi gibi daha geniş bir alanı kapsar. Makine öğrenmesi ise veri biliminde tahmin, sınıflandırma ve örüntü keşfi için kullanılabilen yöntemlerden biridir.

Makine öğrenmesi için ne kadar veri gerekir?

Tek bir geçerli sayı yoktur. Gereken veri miktarı problemin karmaşıklığına, kullanılan algoritmaya, değişken sayısına, veri kalitesine ve tahmin edilmek istenen sonuçların çeşitliliğine bağlıdır. Temsil gücü yüksek, doğru ve problemle ilişkili küçük bir veri kümesi; büyük fakat hatalı bir veri kümesinden daha değerli olabilir.

Daha fazla veri modelin sonucunu her zaman iyileştirir mi?

Hayır. Yeni verinin mevcut verinin tekrarı olması, hatalar içermesi veya gerçek kullanım koşullarını temsil etmemesi performansı artırmayabilir. Veri miktarının yanında çeşitlilik, doğruluk, güncellik ve etiket kalitesi de değerlendirilmelidir.

ChatGPT bir makine öğrenmesi uygulaması mıdır?

Evet. ChatGPT gibi büyük dil modeli tabanlı sistemler; makine öğrenmesi, derin öğrenme, öz denetimli öğrenme ve insan geri bildirimleriyle yapılan ek eğitim süreçlerinden yararlanır. Ancak ChatGPT, makine öğrenmesinin tamamı değil, doğal dil üretimine odaklanan belirli bir uygulama alanıdır.

Makine öğrenmesi için ileri düzey matematik gerekir mi?

Kavramları anlamak ve iş sonuçlarını değerlendirmek için başlangıçta ileri düzey matematik gerekmez. Model geliştirme alanında ilerlemek isteyenler için doğrusal cebir, olasılık, istatistik ve optimizasyon bilgisi giderek önem kazanır. Öğrenme düzeyi, kişinin yönetici, analist, veri bilimci veya makine öğrenmesi mühendisi olma hedefine göre değişir.

Küçük işletmeler makine öğrenmesinden yararlanabilir mi?

Evet. Küçük işletmeler hazır analiz araçları, bulut hizmetleri ve e-ticaret platformlarındaki makine öğrenmesi özellikleriyle talep tahmini, müşteri segmentasyonu, ürün önerileri ve pazarlama optimizasyonu yapabilir. Başlangıçta büyük bir özel model geliştirmek yerine, açık bir iş problemine odaklanan sınırlı bir pilot çalışma daha uygun olabilir.