Makine öğrenmesi nedir?

Bu derste yapay zekânın en temel alt alanlarından biri olan makine öğrenmesini sıfırdan anlatıyoruz: ne olduğunu, klasik programlamadan farkını, günlük hayattaki örneklerini ve nasıl çalıştığını. Yapay Zekâ dersleri serimizin ve Makine Öğrenmesi ünitesinin ilk dersindeyiz; sonraki derslerde konuyu adım adım derinleştireceğiz. Hiç teknik bilginiz olmadan da bu yazıyı rahatça takip edebileceksiniz.

Makine Öğrenmesi Nedir?

Makine öğrenmesi, bilgisayarların kuralları tek tek yazılmadan, verilerden örüntüler çıkararak bir işi yapmayı öğrenmesini sağlayan yöntemlerin bütünüdür. Kavramı ilk kez 1959'da Arthur Samuel kullanmıştır; Samuel, dama oynayan bir programın oyun oynadıkça daha iyi hâle gelmesini sağlamıştı. Bugün kabul gören tanım ise Tom Mitchell'e aittir: Bir program, bir görevdeki (T) performansı (P), deneyimle (E) artıyorsa o program öğreniyor demektir.

Spam filtresi üzerinden bu tanımı somutlaştıralım: Görev (T), e-postaları spam ve spam olmayan diye ayırmaktır. Deneyim (E), kullanıcının daha önce spam olarak işaretlediği binlerce e-postadır. Performans ölçütü (P), doğru ayırdığı e-postaların oranıdır. Bu üçlüyü bir arada düşününce "makine öğrenmesi" soyut bir kavram olmaktan çıkar, somut bir iş sürecine dönüşür.

Geleneksel Programlama ile Makine Öğrenmesi Arasındaki Fark

İkisi arasındaki farkı tek satırda özetleyebiliriz:

• Geleneksel programlama: Programcı kuralları yazar + veri girilir → bilgisayar cevabı üretir.
• Makine öğrenmesi: Veri + cevaplar (örnekler) girilir → bilgisayar kuralları, yani modeli kendisi çıkarır.

Bir örnekten gidelim. Spam e-postaları elle kurallarla ayıklamaya çalıştığınızı düşünün: "kazandınız", "ücretsiz", "acil" gibi kelimeleri engellersiniz. Spam göndericileri yazımı değiştirdiğinde (örneğin "k@zandınız") kurallarınız boşa düşer ve siz yeniden yazmak zorunda kalırsınız. Makine öğrenmesinde modele binlerce spam ve normal e-posta örneği verilir; model hangi özelliklerin spam işaret ettiğini veriden kendisi öğrenir ve yeni taktiklere daha kolay uyum sağlar.

Günlük Hayatta Karşımıza Çıkan Makine Öğrenmesi Örnekleri

Makine öğrenmesi artık yalnızca laboratuvar teknolojisi değil; 2024-2025 itibarıyla her gün kullandığımız uygulamaların içinde çalışan görünmez bir yardımcıdır:

• E-posta spam filtreleri: Gereksiz postaları gelen kutunuza düşmeden ayıklar.
• Öneri sistemleri: Dizi, şarkı ve ürün önerilerini geçmiş tercihlerinize göre kişiselleştirir.
• Telefonunuzdaki akıllı özellikler: Yüz kilidi, fotoğraflarda kişi tanıma, klavyede kelime tahmini.
• Çeviri ve sesli asistanlar: Yazılı ve sesli çeviriler, konuşulan komutları anlamak.
• Navigasyon uygulamaları: Trafiği tahmin ederek en hızlı rotayı önerir.
• Üretken yapay zekâ: ChatGPT'nin 2022 sonunda yayımlanmasından bu yana günlük hayata giren sohbet botları ile metin ve görüntü üreten araçlar, makine öğrenmesinin en güncel yüzüdür.

Makine Öğrenmesi Nasıl Çalışır?

Çok farklı görünse de neredeyse her makine öğrenmesi çalışması aynı temel adımları izler:

1. Veri toplama: Probleme ilişkin örnekler toplanır (örneğin geçmiş ev fiyatları).
2. Veri hazırlama: Eksik ve hatalı kayıtlar temizlenir, veri modele uygun hâle getirilir.
3. Model seçimi: Probleme uygun öğrenme yöntemi belirlenir.
4. Eğitim: Model, örneklere bakarak örüntüleri çıkarır.
5. Değerlendirme: Model, hiç görmediği örneklerde test edilir.
6. Kullanım: Başarılı olan model gerçek tahminler için devreye alınır.

Bu adımların kritik noktası ölçümdür: Modeli test ederken kullandığımız soruları, eğitimde kullandıklarımızdan ayırmamız gerekir. Bu ayrımın nasıl yapılacağını Eğitim ve test verisi dersinde, başarının nasıl ölçüleceğini Model değerlendirme dersinde ayrıntılı işliyoruz.

Makine Öğrenmesi Türleri

Makine öğrenmesi üç temel yaklaşımla yapılır; her biri bu ünitede ayrı bir ders olarak karşınızda olacak:

• Denetimli öğrenme: Cevapları da verilen, yani etiketli örneklerle öğrenme.
• Denetimsiz öğrenme: Cevapsız verideki gizli desenleri keşfetme.
• Pekiştirmeli öğrenme: Deneme-yanılma ve ödül-ceza döngüsüyle öğrenme.

Derin öğrenme ile ilişkisi

Makine öğrenmesi bir şemsiye kavramdır ve onun altındaki en güncel dal derin öğrenmedir. Derin öğrenme, işi katman katman dizilmiş yapay sinir ağları ile yapar; bu ağların temel yapı taşını nöron adı verilen basit hesap birimleri oluşturur. ChatGPT gibi büyük dil modelleri de derin öğrenmeye dayanır.

Sık Yapılan Hatalar ve Yanılgılar

Yeni başlayanların en sık düştüğü noktaları baştan düzeltelim:

• "Yapay zekâ ile makine öğrenmesi aynı şey." Değil: yapay zekâ daha geniş bir alan, makine öğrenmesi onun veriden öğrenen bir alt dalıdır. Örneğin kurallara dayalı bir satranç programı yapay zekâdır ama makine öğrenmesi değildir.
• "Derin öğrenme, makine öğrenmesiyle aynı şey." Tam tersi: derin öğrenme, makine öğrenmesinin yalnızca sinir ağlarıyla çalışan bir alt kümesidir.
• "Veri ne kadar çoksa model o kadar iyidir." Verinin kalitesi ve çeşitliliği miktarı kadar önemlidir; hatalarla dolu bir veri, hatalı bir model üretir.
• "Model veriyi ezberler, o yüzden hep doğrudur." Amaç ezberlemek değil, görmediği örneklerde de işe yarayan genel kurallar çıkarmaktır. Ezberleme sorununu Overfitting nedir? dersinde, yetersiz öğrenmeyi Underfitting nedir? dersinde inceliyoruz.
• "Makine öğrenmesi sadece büyük şirketlerin işi." Python ve scikit-learn gibi ücretsiz araçlarla ilk modelinizi bugün kurabilirsiniz.

Bu derste makine öğrenmesinin ne olduğunu, klasik programlamadan farkını ve nasıl çalıştığını gördünüz. Sıradaki derste üç öğrenme yaklaşımından ilki olan denetimli öğrenmeye geçiyoruz.