Makine Öğrenimi (Makine öğrenimi) , sistemlerin verilerden bilgiyi açıkça kodlamaya gerek kalmadan özerk bir şekilde özümsemesini sağlayan yapay zekanın (AI) bir yönüdür. Makine öğrenimi metodolojileri özünde, sistemlerin verilere dayalı olarak «uyum sağlamasına» izin veren istatistiksel paradigmalar kullanır ve bu da bilinçli karar vermeyi teşvik eder.
Makine Öğrenimi Mekaniği
Öğrenme süreci, sisteme kapsamlı bir veri kümesi —eğitim seti) sağlamakla başlar. Sistem daha sonra kalıpları belirlemek ve tahminler formüle etmek için bunu kullanır. Eğitimden sonra, modelin etkinliği ayrı bir test veri setinde değerlendirilir.
Yöntemler ve Çerçeveler
Makine öğrenimi, her biri belirli görevleri yerine getirmek için tasarlanmış çeşitli yöntemlere sahiptir. Bu yöntemler denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme alanlarını kapsar.
Makine öğrenimini normal kodlamayla karşılaştırma
Geleneksel kodlama paradigması. Kodlamaya klasik yaklaşımda, yazılım mühendisleri sistem için belirli komutlar geliştirir. Sistem daha sonra sonucu alarak bunları yürütür.
Makine öğrenimi paradigması. Makine öğrenimi alanında, sistem verileri alır ve kendisine bir hedef belirler (örneğin, sınıflandırma veya tahmin). Ardından, eldeki görevi çözmek için özerk bir şekilde en uygun stratejiyi geliştirir.
Makine öğreniminin uygulanması
Siri ve Alexa gibi sesle kontrol edilen sanal asistanlardan Netflix ve Amazon gibi platformlardaki özel tekliflere kadar makine öğrenimi, günümüzün birçok teknolojisinin arkasındaki itici güçtür. Etkisi çeşitli sektörlere yayılmıştır.
- Sağlık hizmetleri. Teşhis araçları ve tahmine dayalı analitik.
- Finans. Piyasa trendlerinin analizi ve tahmine dayalı modelleme.
- Otomotiv endüstrisi. Otonom araçlar ve trafik analizi.
- Güvenlik. Anormallikleri tespit etmek ve dolandırıcılık faaliyetlerini tespit etmek.