Makine öğrenmesi açıkça programlamadan bilgisayarlara öğrenme yeteneği kazandırmaktır.#
- Klasik bilgisayar programlarında sisteme kesin kurallar verilir. Fonksiyonlar kullanılır (F(X)=>(Y))
- Kesin kurallar tanımlayamadığımız yerde makine öğrenmesi devreye girer.
Makine öğrenmesi kullanabilmek için 3 temel şart:#
- Elimizde veri olmalıdır(mümkünse bolca).
- Verilerin içerisinde gizli bir örüntü olmalıdır.
- Bu örüntü matematiksel ifade edilemeyecek kadar karmaşık olmalıdır.
Makineler veriden şu yollarla öğrenir:#
- Gözetimli Öğrenme(Supervised Learning):Verilerin ==Etiketleri== bellidir.
- Gözetimsiz Öğrenme(Unsupervised Learning):==Etiket== yoktur
- Pekiştirmeli Öğrenme(Reinforcement Learning):==Deneme yanılma== ile öğrenmedir.
Örnek Problem:#
- Makine öğrenmesi için veri kullanılır.
- Celcius ile Fahrenheit arasındaki ilişki doğrusaldır.
- Çözüm için y=f(x)=wx+b şeklinde doğrusal bir fonksiyon aranır
Model Seçimi ve Matematiksel Terimler#
- Doğrusal model formülü:h(x)=wx+b
- x:girdi(Eingabe)
- y:çıktı/Tahmin(Ausgabe)
- w:Ağırlık(Gewichtsparameter):Modelin eğimi
- b:Sapma/Bias(Bias/Wert):Sabit değer
Rasgele değerler atanarak başlanır.Değerler rastgele olduğundan dolayı tahminler yanlıştır ve maliyet(hata) çok yüksektir.#
- Kayıp(Verlust):Modelin tek bir veri noktasında yaptığı hatadır.Genellikle karesel hata (Squared error )ile hesaplanır:(a-y)2
- Maliyet Fonksiyonu(Kostenfunktion):Veri setindeki tüm hataların ortalamasıdır:
$$
Kosten = MSE = \frac{1}{n}\sum_{i=1}^{n}(a^{(i)} - y^{(i)})^2
$$
- Her defasında maliyet hesaplanır ve sayılar değiştirilir.Maliyet en aza inene kadar tekrarlanır.