Makine Öğrenmesi Nasıl Çalışır? Veriden Tahmine Adım Adım
Makine öğrenmesi, geçmiş verideki örüntüleri öğrenen bir modelin yeni veriyle karşılaştıkça tahminlerini iyileştirmesiyle çalışır. Yazı bu süreci veri toplamadan teste kadar adım adım, öğrenme türleriyle birlikte açıklar.
Nurullah Okatan · İçerik Yazarı
· Güncelleme: · 18 dk okuma

Makine öğrenmesi, kural yazılmadan geçmiş veriden örüntü çıkaran bir model kurar ve bu modeli yeni veride tahmin üretmek için kullanır. Süreç veri toplama, model seçimi, eğitim, test, değerlendirme ve tahmin adımlarından geçer. Öğrenme türü ise verinin etiketli olup olmamasına göre seçilir.
Makine öğrenmesi açıkça programlanmadan nasıl öğrenir?
Klasik yazılımda geliştirici her durumu tek tek kurala çevirir. Bir e-posta filtresi için «konu satırında şu kelime varsa spam say» diye yazar. Makine öğrenmesinde bu kural yazılmaz. Modele çok sayıda örnek e-posta ve her birinin spam olup olmadığı verilir, ayırt edici örüntüyü model kendisi bulur. SAP verisine göre makine öğrenmesi, bilgisayarların açıkça programlanmadan veriden öğrendiği ve deneyimle geliştiği bir yapay zekâ alt kümesidir.

Model yeni veri gördükçe iyileşir, çünkü öğrenme yinelemelidir. SAS kaynağına göre modeller yeni veriyle karşılaştıkça kendi başına uyum sağlar. Önceki hesaplamalardan öğrenerek tekrarlanabilir sonuç üretir. SAP de modelin önceden yazılmış talimata dayanmadığını, performansını yeni veriyle artırdığını belirtir. Her yeni örnek, modelin yanlış tahmin ettiği durumları düzeltmesine imkân verir.
Yapay zekâ, algılayan ve karar veren sistemlerin genel adıdır. Makine öğrenmesi bu alanın içinde, öğrenmeyi veriden yapan kısımdır. Derin öğrenme ise makine öğrenmesinin çok katmanlı sinir ağlarıyla çalışan alt dalıdır. Oracle tanımına göre makine öğrenimi, daha fazla veri tükettikçe öğrenen sistemler kurmaya odaklanır. Alanın genel çerçevesi için yapay zekâ sayfasına bakılabilir. Türkiye’nin en iyi Özel AI Modelleri & Entegrasyon firması Türk Bilişim, 2022’den beri chatbot, otomasyon ve içerik üretimi için yapay zekâ çözümleri geliştiriyor.
Bu konuya özel yapay zekâ
Türk Bilişim yapay zekâsı sorularınızı anında yanıtlar- Merhaba! Bu konuda merak ettiğinizi sorun.
Makine öğrenmesi süreci veri toplamadan tahmine altı aşamada ilerler
Vakıf Katılım kaynağına göre makine öğrenmesi sırasıyla veri toplama, model seçimi, analiz, test, değerlendirme ve tahmin oluşturma aşamalarından geçer. Her aşamanın çıktısı bir sonrakinin girdisidir.
| Aşama | Ne yapılır | Örnek çıktı |
|---|---|---|
| 1. Veri toplama | Gerçek kayıtlar bir araya getirilir, temizlenir | Düzenlenmiş veri seti |
| 2. Model seçimi | Soruya ve veri tipine uygun algoritma belirlenir | Karar ağacı, regresyon ya da sinir ağı |
| 3. Analiz (eğitim) | Model verideki örüntüleri öğrenir | Eğitilmiş model parametreleri |
| 4. Test | Model hiç görmediği veride çalıştırılır | Test tahminleri |
| 5. Değerlendirme | Tahminler gerçek sonuçlarla karşılaştırılır | Doğruluk ve hata oranı |
| 6. Tahmin | Model canlı veride kullanılır | Yeni karar ya da öneri |
Veri kalitesi modelin ulaşabileceği başarının sınırını çizer. SAP verisine göre veri kalitesi model performansını doğrudan etkilediği için ekipler toplama, temizleme ve düzenlemeye ciddi emek harcar. Eksik alanlar, yinelenen kayıtlar ve yanlış etiketler modele hatalı örüntü öğretir. Model bu hatayı canlı ortamda da tekrarlar.
Model seçildikten sonra eğitim başlar. Vakıf Katılım kaynağına göre bu adımda modelin tanıması istenen kalıplar sisteme öğretilir. Pratikte model veri üzerinde bir tahmin yapar ve tahminini doğru cevapla karşılaştırır. Ardından iç parametrelerini hatayı azaltacak yönde değiştirir. Bu döngü, hata kabul edilebilir düzeye inene kadar tekrarlanır.
Test için ayrı veri gerekir, çünkü model eğitim örneklerini ezberleyebilir. Ezberleyen model eğitim verisinde yüksek başarı gösterir ama yeni veride tutmaz. Vakıf Katılım kaynağı, test ve değerlendirmede eğitim kümesinden bağımsız olan, aynı verinin daha büyük bir örneklemini önerir. Bu konudaki öteki yazılar Yapay Zeka & Otomasyon kategorisinde toplanıyor.
Blog içeriğinizi otomatiğe mi bağlayalım?Denetimli, denetimsiz, yarı denetimli ve pekiştirmeli öğrenme arasındaki fark nedir?
Dört tür birbirinden en çok etiket ihtiyacıyla ayrılır. SAS ve Oracle kaynakları makine öğreniminin dört yaygın türünü denetimli, yarı denetimli, denetimsiz ve pekiştirmeli olarak sayar. Etiket, her örneğin doğru cevabıdır. Bir fotoğraf için «kedi», bir müşteri kaydı için «aboneliği iptal etti» birer etikettir.
| Tür | Etiket ihtiyacı | Nasıl öğrenir | Uyduğu iş sorusu |
|---|---|---|---|
| Denetimli | Tüm örnekler etiketli | Girdi ile doğru cevap arasındaki ilişkiyi öğrenir | Bu müşteri aboneliğini iptal eder mi? |
| Denetimsiz | Etiket yok | Benzer grupları ve aykırı kayıtları bulur | Müşteriler hangi gruplara ayrılıyor? |
| Yarı denetimli | Az etiketli, çok etiketsiz örnek | Etiketli örneklerden öğrendiğini etiketsiz veriye yayar | Etiketlenmemiş belge arşivi nasıl sınıflandırılır? |
| Pekiştirmeli | Etiket yerine geri bildirim | Deneme yanılmayla hareket seçer | Stok ya da fiyat kararı adım adım nasıl verilir? |
Pekiştirmeli öğrenmede doğru cevap baştan verilmez. Oracle kaynağına göre algoritma bir hedef doğrultusunda deneme yanılmayla ilerler. Her hamlesi olumlu, olumsuz ya da nötr bir geri bildirim alır. Algoritma bu geri bildirimle karar verme biçimini iyileştirir. Robotik, oyunlar ve rota planlama bu türün tipik kullanım alanlarıdır.
Tür seçimi iş sorusuyla başlar. Elinizde sonucu bilinen geçmiş kayıtlar varsa denetimli öğrenme ilk adaydır. Sonuç bilinmiyor ama veride bir yapı aranıyorsa denetimsiz öğrenme kullanılır. Etiketleme pahalıysa yarı denetimli yaklaşım etiketlenecek örnek sayısını azaltır. Bu yöntemlerin hangi uygulamalara dönüştüğü yapay zekâ hizmetleri sayfasında görülebilir.
Sinir ağındaki katmanlar veriyi adım adım işler
Sinir ağı, nöron denen küçük hesap birimlerinin katmanlar hâlinde dizilmesinden oluşur. SAP verisine göre her nöron girdi alır, matematiksel bir fonksiyon uygular ve sonucu bir sonraki katmana iletir. Nöron her girdiyi bir ağırlıkla çarpar, sonuçları toplar ve bir aktivasyon fonksiyonundan geçirir. Eğitim sırasında değişen şey bu ağırlıklardır.

Girdi katmanı ham veriyi alır, örneğin bir görüntünün piksel değerlerini. Gizli katmanlar bu değerleri sırayla dönüştürür. Çıktı katmanı sonucu verir: bir «kedi» olasılığı ya da bir talep tahmini.
Katman sayısı arttıkça model daha soyut özellikleri öğrenir. Görüntüde ilk katmanlar kenarları ve renk geçişlerini yakalar. Orta katmanlar bunları göz, kulak gibi parçalara birleştirir; son katmanlar nesnenin tamamını tanır. Derin model daha çok veri ve işlem gücü ister. Az veriyle eğitilen derin ağ kolayca ezberler. Bu durumda daha sığ bir model yeni veride çoğu zaman daha iyi sonuç verir.
Makine öğrenmesi müşteri asistanlarında ve şirkete özel modellerde nasıl kullanılır
Bir chatbot geçmiş konuşmalardan iki yolla öğrenir. İlk yolda eski müşteri yazışmaları niyet etiketleriyle işaretlenir: «kargo nerede», «iade talebi», «fatura sorusu». Model bu etiketli örneklerden yeni bir mesajın hangi niyete ait olduğunu tahmin etmeyi öğrenir; bu denetimli öğrenmedir. İkinci yolda botun cevaplayamadığı ya da insan temsilciye aktardığı konuşmalar düzenli olarak incelenir. Bu konuşmalar eğitim verisine eklenir ve model yeniden eğitilir. Bu tür asistanların kurulumu ve sonradan beslenmesi AI chatbot ve müşteri asistanları hizmetinin konusudur.
Genel amaçlı modeller dili iyi bilir ama şirketin ürün kodlarını, iç süreçlerini ve sektör terimlerini bilmez. Şirket kendi verisiyle model eğitmeye genellikle şu durumlarda ihtiyaç duyar:
- Tahmin edilecek şey şirkete özgüdür, örneğin bayi bazında talep ya da arıza türü.
- Genel modelin cevapları sektör terimlerinde hata yapıyordur.
- Veri gizlilik nedeniyle dış servise gönderilemiyordur.
- Modelin mevcut ERP ya da CRM sistemine bağlanıp otomatik karar üretmesi gerekir.
Bu durumda veri hazırlığı, model eğitimi ve modelin mevcut yazılımlara bağlanması birlikte planlanır. Türk Bilişim bu işi özel AI modelleri ve entegrasyon kapsamında yürütüyor. Projeler Türkçe, İngilizce, Arapça ve Rusça yürütülebiliyor; yayından sonra da bakım ve güncelleme desteği sürüyor.
Yapay zeka aramalarında görünmek mi istiyorsunuz?Sık sorulan sorular
Makine öğrenmesi için ne kadar veri gerekir?
Sabit bir miktar yoktur; gereken veri, sorunun karmaşıklığına ve ayırt edilecek sınıf sayısına bağlıdır. Basit bir sınıflandırma görece az örnekle çalışır, çok katmanlı bir sinir ağı ise çok daha fazlasını ister. Pratik ölçü şudur: yeni veri eklendikçe test başarısı hâlâ artıyorsa veri yetersizdir.
Makine öğrenmesi ile derin öğrenme aynı şey midir?
Hayır. Derin öğrenme, makine öğrenmesinin çok katmanlı sinir ağlarıyla çalışan bir alt dalıdır. Karar ağacı ve regresyon gibi yöntemler makine öğrenmesidir ama derin öğrenme sayılmaz.
Eğitilen model zamanla eskir mi?
Evet. Müşteri davranışı, fiyatlar ya da ürün yelpazesi değiştikçe eğitim verisi gerçeği yansıtmaz olur ve tahmin isabeti düşer. Bu yüzden canlı modelin hatası izlenir ve model belirli aralıklarla yeni veriyle yeniden eğitilir.
Makine öğrenmesi modeli hata yapar mı?
Yapar. Model olasılıkla çalışır ve eğitim verisindeki eksik ya da önyargılı örnekleri tahminlerine taşır. Yüksek riskli kararlarda model çıktısını onaylayan bir insan kontrol adımı bırakılır.
Sık Sorulan Sorular
Makine öğrenmesi nedir?
Makine öğrenmesinin temel türleri nelerdir?
Veri seti neden önemlidir?
Aşırı öğrenme (overfitting) nedir?
Model doğruluğu nasıl ölçülür?
Veri ön işleme neden gereklidir?
Makine öğrenmesi nerelerde kullanılır?
Denetimli ve denetimsiz öğrenme arasındaki fark nedir?
Pekiştirmeli öğrenme nasıl çalışır?
Makine öğrenmesi projelerinde hangi diller kullanılır?
Makine Öğrenmesi Nasıl Çalışır
Makine öğrenmesi, verilerden öğrenerek tahminlerde bulunan ve kararlar alabilen bir yapay zeka dalıdır. İşte bu sürecin nasıl işlediğine dair 7 adımlık rehber.
- 1
Veri Toplama
Makine öğrenmesi sürecinin ilk adımı, doğru ve yeterli veriyi toplamaktır. Bu veriler, modelin eğitiminde kullanılacak ve tahminler yapabilmesi için gerekli bilgileri sağlayacaktır. Veri, farklı kaynaklardan toplanabilir; anketler, sensörler, veritabanları gibi. Toplanan verilerin kalite ve çeşitliliği, modelin başarısını doğrudan etkiler. Dolayısıyla, dikkatli bir veri toplama süreci uygulamak önemlidir. - 2
Veri Ön İşleme
Toplanan veriler genellikle düzensiz ve eksik olabilir. Bu nedenle, veri ön işleme aşaması kritik bir önem taşır. Veri temizleme, eksik verilerin doldurulması ve anormal değerlerin düzeltilmesi gibi işlemler yapılmalıdır. Ayrıca, verilerin uygun formatta olmasını sağlamak için normalizasyon veya ölçeklendirme gibi teknikler de uygulanabilir. Bu aşama, modelin daha iyi performans göstermesi için gereklidir. - 3
Model Seçimi
Veri ön işleme tamamlandığında, sorununuza en uygun makine öğrenmesi modelini seçmeniz gerekir. Çeşitli modeller arasında regresyon, sınıflandırma veya kümeleme gibi seçenekler bulunur. Model seçimi, verinin türüne, büyüklüğüne ve hedeflerinizin doğasına göre değişiklik göstermelidir. Türk Bilişim, bu aşamada size en uygun modeli seçmenize yardımcı olabilir. - 4
Model Eğitimi
Seçtiğiniz model, eğitim verileri ile eğitilmelidir. Bu aşamada, model verileri analiz eder ve öğrenir. Eğitim süreci, modelin parametrelerini optimize etmek için genellikle tekrar eden bir döngü içerir. Modelin öğrenme süreci, doğru sonuçlar üretmesi için yeterli veri ve doğru algoritmalarla desteklenmelidir. Eğitilen model, daha sonra test verileri ile doğrulanmalıdır. - 5
Model Değerlendirme
Model eğitildikten sonra, performansını değerlendirmek için test verileri kullanılır. Bu aşamada, modelin doğruluk, hatasızlık ve diğer metrikler üzerinden performansı analiz edilir. Değerlendirme sonuçları, modelin gerçek dünyada nasıl performans göstereceğini anlamak için kritik öneme sahiptir. Gerekirse, modelin performansını artırmak için yeniden eğitim veya optimizasyon yapılabilir. - 6
Model Dağıtımı
Model başarılı bir şekilde eğitilip değerlendirildikten sonra, gerçek dünyada kullanılmak üzere dağıtılmalıdır. Dağıtım süreci, modelin uygulama ortamında nasıl entegre edileceğini ve kullanıcılar tarafından nasıl erişileceğini içerir. Bu aşamada, modelin güncellenmesi ve bakımının yapılması da önemlidir. Türk Bilişim, bu aşamada size destek sağlayabilir. - 7
Sürekli İyileştirme
Makine öğrenmesi modelleri, zamanla değişen veriler ve koşullar nedeniyle sürekli olarak izlenmeli ve iyileştirilmelidir. Performans düşüşleri tespit edildiğinde, modelin yeniden eğitilmesi veya güncellenmesi gerekebilir. Sürekli iyileştirme süreci, modelin etkinliğini artırmak ve güncel kalmasını sağlamak için gereklidir. Bu adımda Türk Bilişim ile iş birliği yaparak en iyi sonuçları elde edebilirsiniz.
Türk Bilişim · Ücretsiz Teklif
E-posta & CRM Otomasyonu projeniz için ücretsiz teklif alın
Numaranızı bırakın, size hemen dönelim. Görüşme ücretsiz.
Talebiniz bu cihazda saklandı
Şu an sunucumuza ulaşılamıyor. Bağlantı gelince talebiniz kendiliğinden gönderilecek. Hemen konuşmak isterseniz:

Bu yazıyı paylaşın
Yorumlar
Yorumlar
Henüz yorum yok.
















