Denetimli öğrenme

Bu derste yapay zekânın en yaygın öğrenme yöntemi olan denetimli öğrenmeyi sıfırdan, günlük hayattan örneklerle işliyoruz: Ne demektir, adım adım nasıl çalışır, hangi problemleri çözer ve yeni başlayanlar en çok nelere dikkat etmelidir? Konunun büyük resmi için Makine öğrenmesi nedir? dersinden başlayabilir, serinin tamamı için Yapay Zekâ dersleri sayfasına göz atabilirsin.

Denetimli Öğrenme Nedir?

Denetimli öğrenme, makineye her örneğin yanında doğru cevabı da verilerek öğretme yöntemidir. Bu cevaplara etiket denir; bu yüzden burada kullanılan veriye etiketli veri adı verilir. Bir e-postanın metni girdiyken “spam / spam değil” işareti etikettir; bir evin alanı ve oda sayısı girdiyken gerçekleşen satış fiyatı etikettir. Model, binlerce girdi–etiket çiftini inceleyerek ikisi arasındaki ilişkiyi çıkarır ve asıl amaca yönelir: Hiç görmediği yeni bir girdi için doğruya yakın bir tahmin üretmek.

“Denetimli” sözü öğretmen benzetmesinden gelir: Öğrenci, cevap anahtarı olan sorularla çalışır; her yanıtını anahtarla karşılaştırır ve hatasından öğrenir. Model de tam olarak bu döngüyü yaşar. Etiketi olmayan veriyle çalışan kardeş yöntemi ise Denetimsiz öğrenme dersinde ayrıca inceliyoruz.

Denetimli Öğrenme Nasıl Çalışır?

Süreç, çoğu projede şu beş adımı izler:

1. Veri toplama ve etiketleme: Konuyla ilgili örnekler toplanır, her birinin doğru cevabı yazılır. Örneğin binlerce ev ilanı için alan, oda sayısı ve gerçekleşen satış fiyatı birlikte kaydedilir.
2. Veriyi bölme: Verinin büyük bölümü modeli eğitmeye, küçük bir bölümü ise başarıyı dürüstçe ölçmeye ayrılır. Bu ayrımın mantığını Eğitim ve test verisi dersinde işliyoruz.
3. Eğitim: Model her örneğe bakıp bir tahmin üretir; tahminini gerçek etiketle karşılaştırır ve hatasını azaltacak biçimde iç ayarlarını küçük adımlarla düzeltir. Bu döngü binlerce kez tekrarlanır.
4. Değerlendirme: Model, hiç görmediği örneklerde sınanır. Doğruluk ve hata oranı gibi ölçütler Model değerlendirme dersinin konusudur.
5. Kullanım: Yeterince iyi çalışan model, gerçek dünyada yeni girdilere tahmin üretmeye başlar.

İki Temel Görev: Sınıflandırma ve Regresyon

Denetimli öğrenmeyle çözülen problemler, cevabın türüne göre ikiye ayrılır. Cevap bir kategori ise (spam ya da değil, hasta ya da sağlıklı, köpek ya da kedi), problem Sınıflandırma dersinin konusudur. Cevap bir sayı ise (ev fiyatı, yarınki hava sıcaklığı, gelecek ayın satış miktarı), problem Regresyon dersinin konusudur. Ayırt etmenin pratik yolu şudur: Cevabı “hangisi?” sorusuyla arıyorsan sınıflandırma, “ne kadar?” sorusuyla arıyorsan regresyon söz konusudur. İkisi de aynı eğitim mantığını izler: etiketli veri, tahmin, hata ölçümü ve düzeltme.

Gerçek Hayattan Örnekler

Denetimli öğrenme, bugün kullandığın pek çok teknolojinin sessiz motorudur:

• Spam filtreleri: Milyonlarca e-posta “spam / normal” diye etiketlenmiştir; filtre, gelen yeni mesajı bu örneklerden öğrendiği örüntülere göre sınıflandırır.
• Ses tanıma: Sesli asistanlar, ses kayıtlarının doğru yazımlarıyla eşleştirildiği büyük veri kümeleri üzerinden eğitilir; konuşmayı yazıya çeviren sistemler de aynı mantıkla çalışır.
• Tıbbi görüntü analizi: Uzman hekimlerce işaretlenmiş röntgen ve MR görüntüleriyle eğitilen modeller, tanı sürecinde hekime destek olmak için şüpheli bölgeleri işaretleyebilir.
• Fiyat ve talep tahmini: Emlak sitelerinin “bu ev yaklaşık şu fiyata satılır” tahmini, geçmiş satışların özellik–fiyat çiftlerinden kurulur.
• Büyük dil modelleri: 2024–2025 döneminin yazı yazan ve konuşan yapay zekâ asistanlarında da denetimli öğrenme vardır. Modeller, insanların hazırladığı soru–iyi cevap örnekleriyle istenen üslup ve biçimde yanıt vermeyi öğrenir; bu aşamaya genellikle denetimli ince ayar (SFT) denir.

Üç Öğrenme Yaklaşımını Yan Yana Koyarsak

Yapay zekânın üç büyük öğrenme yaklaşımını tek tabloda düşünelim:

• Denetimli öğrenme: Etiket vardır, hedef bellidir. Sorusu şudur: “Bu girdinin doğru cevabı nedir?”
• Denetimsiz öğrenme: Etiket yoktur; model verideki doğal grupları kendisi keşfeder. Müşterileri benzerliklerine göre gruplamak, yani Kümeleme, bu yaklaşımın klasik uygulamasıdır.
• Pekiştirmeli öğrenme: Hazır cevap yerine ödül–ceza vardır; sistem deneme yanılma ile davranışlarını geliştirir. Oyun oynayan ajanlar ve robot kontrolünün temelidir; ayrıntılar Pekiştirmeli öğrenme dersindedir.

Sınırlar pratikte bu kadar keskin değildir: Bir şirket önce denetimsiz öğrenmeyle müşteri gruplarını keşfedebilir, sonra her grup için denetimli bir tahmin modeli kurabilir. Gerçek problemler çoğu zaman birden fazla yaklaşımı birlikte kullanır.

Sık Yapılan Hatalar ve Yanılgılar

Denetimli öğrenmeye yeni başlayanların en çok düştüğü tuzaklar şunlardır:

• Etiket kalitesini hafife almak: Yanlış etiketlenmiş veriyle eğitilen model yanlışı öğrenir; çöp girerse çöp çıkar. Projelerde en çok emek isteyen adım çoğu zaman etiketlemedir.
• Ezberi öğrenme sanmak: Eğitim verisinde kusursuz, yeni veride zayıf kalan model soruyu ezberlemiştir; bu duruma Overfitting nedir? dersinde incelediğimiz aşırı öğrenme (overfitting) denir. Tersi, hiçbir örüntüyü yakalayamama durumu ise Underfitting nedir? dersinin konusudur.
• Test verisini eğitimde kullanmak: Sınav sorularını önceden gören öğrenci gibi model sahte bir başarı gösterir; bu hataya veri sızıntısı denir ve en sık karşılaşılan ciddi hatalardan biridir.
• “Denetimli” derken insanın sürekli devrede olduğunu sanmak: Denetim eğitim aşamasındadır; eğitim bitince model, etiketsiz yeni girdilere kendi başına cevap üretir.
• Taraflı etiketin farkına varmamak: Etiketleri insanlar yazdıysa insan önyargıları da veriye sızar. Örneğin geçmişte bazı müşteri gruplarına kredi vermeyen bir bankanın verisiyle eğitilen model, bu ayrımcılığı sürdürebilir.
• “Daha çok veri her hatayı düzeltir” inancı: Veri arttıkça model genellikle iyileşir; ama hatalı, dengesiz ya da konuyla ilgisiz bir veri yığını sonucu kurtarmaz. Kalite ve kapsam her zaman miktarın önündedir.

Özetle denetimli öğrenme, sorusu ve cevap anahtarı net olan her problem için en hızlı ve en güvenilir yoldur. Sınırı da açıktır: İyi etiketlenmiş veri bulmak ya da üretmek zaman ve maliyet ister. Etiketin az olduğu alanlarda yarı denetimli yöntemler, deneme yanılmayla öğrenmenin gerektiği yerlerde ise pekiştirmeli öğrenme devreye girer.