2.1. Makine Öğrenimine Giriş
Şekil 2.1. Makine Öğrenmesine Bağlı Temel Alanlar.
Not. Dijital Eğitim Koordinatörlüğü. Creative Commons Lisansları (CC BY NC-ND)
Bu bölüm, yapay zekâ ve özellikle Makine Öğrenimi alanında temel bir anlayış geliştirmek için gerekli olan anahtar kavramları derinlemesine inceleyecektir.
Yapay zekânın tanımından başlayarak, bu teknolojinin iş dünyasındaki dönüştürücü rolüne odaklanılacak ve yapay zekâ öğrenme türleri (Denetimli, Denetimsiz, Yarı Denetimli, Pekiştirmeli Öğrenme) detaylı örneklerle açıklanacaktır. Ayrıca, algoritma, model, özellikler (girdiler) ve hedefler (çıktılar) gibi temel yapay zekâ terimleri, pratik uygulamalar ve benzetmelerle somutlaştırılacaktır.
Bu bölümün sonunda, okuyucular yapay zekâ ve makine öğreniminin temel işleyiş mekanizmalarını kavrayarak, bu teknolojinin iş süreçlerine nasıl entegre edilebileceğine dair sağlam bir temel oluşturmuş olacaklardır.
Makine Öğrenimi (Machine Learning – ML), günümüzde yapay zekâda gerçekleşen çığır açıcı ilerlemelerin itici gücüdür. Makinelerin verilerden öğrenme ve açıkça programlanmadan zamanla performanslarını iyileştirme yeteneği olarak tanımlanır ve yapay zekânın pratik uygulamalarında bir köşe taşı haline gelmiştir. ML, bilgisayar sistemlerinin verilerden otomatik olarak öğrenmesini ve deneyimle performansını iyileştirmesini sağlayan bir yapay zekâ alt alanıdır.
Geleneksel programlamada, bir bilgisayarın belirli bir görevi yapması için tüm kurallar ve adımlar açıkça programcı tarafından yazılır. Ancak makine öğreniminde, bilgisayarın verilerdeki örüntüleri ve ilişkileri kendi başına keşfetmesi ve bu bilgilere dayanarak gelecekteki veriler hakkında tahminler veya kararlar alması amaçlanır. Bu, bilgisayara “ne yapacağını söylemek” yerine, “nasıl öğreneceğini öğretmek” felsefesine dayanır.
Büyük ve karmaşık veri setlerinin anlamlandırılması, gizli içgörülerin ortaya çıkarılması ve bu içgörülerle akıllı sistemler geliştirilmesi açısından büyük önem taşır. Önemli bir nokta, ML modellerinin statik olmamasıdır; yeni verilerle beslendikçe performanslarını sürekli olarak artırma potansiyeline sahiptirler. Bu adaptif doğa, ML’yi dinamik ve sürekli değişen iş ortamları için ideal kılar.
Şekil 2.2. Makine Öğrenmesi.
Not. Dijital Eğitim Koordinatörlüğü. Creative Commons Lisansları (CC BY NC-ND)
