Makine öğrenmesi, bilgisayarın veriden belirli bir görev için kullanılabilir davranış edinmesini sağlar. Geliştirici her olası girdi için kural yazmak yerine örnekleri, hedefi ve hata ölçüsünü tanımlar; öğrenme algoritması modelin parametrelerini bu ölçüye göre ayarlar. Ortaya çıkan model yeni gözlemler için sınıf, sayı, sıra, benzerlik veya içerik üretebilir. Bu süreç verinin içindeki her düzeni doğru bilgiye dönüştürmez. Örnekler geçmiş uygulamaların yanlılığını, ölçüm hatasını ve eksik grupları taşıyabilir; model nedensel ilişki yerine geçici birlikteliği öğrenebilir. Başarı, yalnız eğitim verisindeki uyumla değil, daha önce görülmemiş ve gerçek kullanımı temsil eden verideki davranışla ölçülür. Makine öğrenmesi yapay zekâ alanının önemli bir bölümüdür, ancak bütün yapay zekâ yöntemleri öğrenmeye dayanmaz ve her istatistiksel model yapay zekâ sistemi olarak kullanılmaz. Model geliştirme bir defalık deney değil, veri ve kullanım ortamı değiştikçe yenilenen kanıt sürecidir. Eğitim kodu, örnekleme yöntemi, değerlendirme kümesi ve dağıtılan model birbiriyle eşleştirilmediğinde iyi sonucun hangi yapıya ait olduğu bilinemez. Üretimde alınan geri bildirim yeni eğitim verisine dönüşebilir, ancak yalnız modelin önceki kararlarına göre toplanmış örnekler kendi yanlılığını pekiştirebilir. Veri edinme düzeni bu kapalı döngüyü görecek biçimde tasarlanır.
Makine öğrenmesinde kanıt döngüsü
- Veri Kaynak, örnekleme ve etiketler
- Öğrenme Amaç işlevi ve parametre uyarlama
- Model Yeni girdiye uygulanabilir temsil
- Değerlendirme Bağımsız veri ve hata çözümlemesi
- İzleme Kayma, geri bildirim ve sürüm
Görevin ve öğrenme probleminin kurulması
Öğrenme çalışması algoritma seçmekten önce görevi açıkça tanımlar. Hangi girdinin hangi anda mevcut olduğu, üretilecek çıktının kim tarafından nasıl kullanılacağı ve yanlış sonucun maliyeti belirlenir. Hastaneye gelmeyecek kişiyi tahmin etmekle randevu hatırlatma politikasını seçmek aynı görev değildir; tahmin doğru olsa bile müdahalenin etkisi ayrıca ölçülür. Hedef değişken gelecek bilgiyi yanlışlıkla içerirse veri sızıntısı oluşur. Model gerçekte kullanılamayacak bir işaretten yararlanarak testte yüksek sonuç verebilir.
Başarı ölçüsü kullanım kararına bağlanır. Kredi riski, arama sıralaması ve görüntü bölümleme farklı kayıp işlevleri ister. Yanlış olumlu ve yanlış olumsuz sonuçların etkisi eşit değilse tek doğruluk oranı yetersizdir. Eşik, iş yükü ve kabul edilen riskle birlikte seçilir. Temel çizgi, basit kural veya önceki ortalama gibi kolay yöntemin sonucudur; karmaşık modelin gerçekten ek değer sağlayıp sağlamadığını gösterir. Sorun veriyle çözülebilir değilse daha büyük model belirsiz hedefi düzeltmez.
Gözetimli, gözetimsiz ve pekiştirmeli öğrenme
Gözetimli öğrenmede örnek girdilerle beklenen çıktılar birlikte verilir. Sınıflandırma ayrık etiketi, bağlanım sayısal değeri tahmin eder. Etiket kalitesi modelin üst sınırını etkiler; uzmanlar arası anlaşmazlık saklanmak yerine ölçülür. Gözetimsiz öğrenmede hazır hedef bulunmaz; kümeleme, boyut azaltma veya yoğunluk kestirimi verideki yapıyı araştırır. Bulunan kümeler kendiliğinden gerçek toplumsal veya bilimsel sınıflar değildir. Yorum, veri kaynağı ve sonraki doğrulamayla kurulmalıdır.
Pekiştirmeli öğrenmede bir etmen ortamla etkileşir, eylemlerin ardından ödül alır ve uzun dönemli toplamı artıran politika öğrenir. Kısa vadeli ödül ile gelecekteki sonuç arasındaki denge ve henüz denenmemiş eylemleri araştırma gereği temel sorunlardır. Yanlış tanımlanmış ödül amaçlanan davranış yerine kolay bir kestirme üretebilir. Yarı gözetimli ve öz-gözetimli yöntemler etiketsiz veriden temsil öğrenip az etiketle göreve uyarlanabilir. Öğrenme türü veri etiketinin varlığı kadar geri bildirim ve karar döngüsünün yapısına göre seçilir.
Veri hazırlama, temsil ve özellikler
Veri kümesi kaynak, kapsam, zaman, izin ve toplama amacıyla belgelenir. Yinelenen kayıtlar veya aynı kişiye ait yakın örnekler eğitim ve test arasında dağılırsa model genellemek yerine örneği hatırlayabilir. Eksik değer, aykırı gözlem ve etiket hatası otomatik silme kuralıyla çözülmez; her biri alan anlamına göre incelenir. Eğitim, doğrulama ve test bölümü rastgele yapılırken zaman ve grup bağımlılığı korunmalıdır. Geleceği tahmin eden model, gelecekteki kayıtlardan eğitim bilgisi almamalıdır.
Özellik, ham gözlemin modele sunulan gösterimidir. Ölçekleme, kategorik kodlama ve metin birimleme gibi dönüşümler yalnız eğitim verisine göre öğrenilip aynı biçimde yeni veriye uygulanır. Derin öğrenme birçok temsili birlikte öğrenebilir, fakat veri hazırlama gereğini ortadan kaldırmaz. Önceden eğitilmiş temsil başka göreve aktarım sağlar; kaynak alanla yeni alan arasındaki fark değerlendirilir. Özelliklerin üretim sırasında zamanında ve aynı tanımla hesaplanamaması eğitim-hizmet sapması yaratır. Dönüşüm kodu modelle birlikte sürümlenir.
Eğitim, aşırı uyum ve genelleme
Eğitim algoritması model parametrelerini kayıp işlevini azaltacak biçimde günceller. Karmaşık model eğitim örneklerini çok iyi açıklarken yeni veride başarısız olabilir; bu durum aşırı uyumdur. Düzenlileştirme, veri artırma, erken durdurma ve model kapasitesini sınırlama genellemeyi iyileştirebilir. Tersine çok basit model verideki temel düzeni bile öğrenemez. Hata çözümlemesi yalnız toplam skora değil, hangi örneklerde sistematik yanılma olduğuna bakar. Öğrenme eğrileri veri veya model kapasitesinin gerçek darboğaz olup olmadığını anlamaya yardım eder.
Hiperparametreler modelin eğitimden doğrudan öğrenmediği, arama ile seçilen ayarlardır. Aynı doğrulama kümesi üzerinde çok sayıda deneme yapmak bu kümeye dolaylı aşırı uyum doğurabilir. Son test kümesi kararlar tamamlanana kadar ayrı tutulur. Çapraz doğrulama veri azlığında belirsizliği daha iyi ölçebilir, ancak zaman serisinde gelecek-geçmiş yönünü bozmayan bölme gerekir. Rastlantısal başlangıç ve donanım farkı sonucu değiştirebilir; tohum, yazılım sürümü, veri özeti ve eğitim ayarları yeniden üretilebilirlik için kaydedilir.
Değerlendirme, sağlamlık ve güvenlik
Sınıflandırmada karışıklık matrisi hata türlerini görünür kılar. Olasılık üreten model için kalibrasyon, yüzde seksen dediği örneklerin yaklaşık ne kadarında doğru olduğunu inceler. Sıralama ve öneri sistemlerinde üst sıralardaki kalite ile çeşitlilik birlikte ölçülebilir. Alt grup çözümlemesi toplam başarımın belirli kullanıcı veya koşullardaki düşüşü gizlemesini önler. İstatistiksel güven aralığı örnekleme belirsizliğini gösterir. Çevrim dışı iyi skor, kullanıcı iş akışında aynı etkiyi garanti etmez; kontrollü çevrim içi deney ve nitel geri bildirim gerekir.
Model kasıtsız gürültüye ve kasıtlı saldırıya karşı sınanır. Kaçınma saldırısı girdiyi tahmini değiştirecek biçimde düzenler; zehirleme eğitim verisini bozar; gizlilik saldırısı modelden eğitim örnekleri hakkında bilgi çıkarmaya çalışır. Tek bir savunma bütün yöntemlere karşı garanti sağlamaz. Veri kaynağı doğrulama, erişim denetimi, anormallik izleme ve olay müdahalesi yaşam döngüsüne yayılır. Dışarıdan alınan model dosyası kod veya veri kadar tedarik zinciri varlığıdır. Bütünlük özeti ve güvenilir kaynak kaydı tutulur.
Üretim izleme, sorumluluk ve GTS bağlantısı
Üretimde model gecikmesi, hata oranı ve kaynak kullanımıyla birlikte girdi dağılımı ve çıktı davranışı izlenir. Veri kayması her zaman kalite kaybı değildir, ancak yeniden değerlendirme işaretidir. Gerçek etiketler geç geliyorsa öncü ölçüler kullanılır ve daha sonra doğrulanır. Yeniden eğitim otomatik olsa bile veri kalite kapısı, bağımsız test, onay ve geri alma aşamalarını atlamaz. Model, veri ve özellik dönüştürücü aynı sürüm kaydında eşleştirilir. Kullanıcı itirazı ve insan düzeltmesi yeni veri üretirken mahremiyet ve seçim yanlılığı gözetilir.
T-BDLD'de “makine öğrenmesi”, “öğrenme modeli”, “eğitim verisi”, “aşırı uyum” ve “model eğitimi” sorguları terimin bilimsel ve genel kullanımdaki canlı bağlamlarını gösterir. Eğitim sözcüğünün okul bağlamı veya model sözcüğünün başka anlamları öbek sorgularıyla ayrılır. İngilizce kısaltmalar Türkçe sözlükbirim kanıtı yerine geçmez; cümledeki Türkçe kullanım incelenir. Derlem sonuçları yeni veri akışıyla yenilenirken ansiklopedi maddesi görev, veri, değerlendirme ve izleme zincirini kaynaklara dayalı özgün anlatımla sürümlendirir.
Verified references
- Association for Computing Machinery, IEEE Computer Society ve Association for the Advancement of Artificial Intelligence (2024). Computer Science Curricula 2023: The Final Report. Open source
- International Organization for Standardization (2022). ISO/IEC 22989:2022, Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. Open source
- Tabassi, Elham (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. DOI: 10.6028/NIST.AI.100-1. Open source
- Vassilev, Apostol, Alina Oprea, Alie Fordyce ve Hyrum Andersen (2024). Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations. NIST AI 100-2e2023. DOI: 10.6028/NIST.AI.100-2e2023. Open source