Evdeki herkesin Netflix’te farklı ana sayfaya sahip olmasının arkasında, önerilen programların doğrudan tercihlerimizle örtüşmesini sağlayan bir teknoloji ve bu teknolojinin arkasında da Makine Öğrenmesi Nedir? sorusunun yanıtı yer alıyor.

Verilere erişebilen ve beklenen görevleri; tahminler ve tespitler yoluyla otomatik olarak gerçekleştirebilen bilgisayar programlarının geliştirilmesi üzerinde çalışan bu teknoloji; bilgisayar sistemlerinin deneyimlerden öğrenmesine ve geliştirilmesine odaklanıyor.

Makine öğrenmesi (Machine Learning), bilgisayar programlarının algoritmalar ve eğitim verileri aracılığıyla kalıpları öğrenebildiği bir yapay zeka uygulamasıdır.

Makine öğrenimi de denen makine öğrenmesi uygulamaları, doğrudan programlama olmadan tıpkı insanların yaptığı gibi deneyim yoluyla öğrenir. Algoritmaya sağlanan eğitim verilerine bağlı olarak bir makine öğrenimi yazılımı; verileri algılayabilir, tahminler yapabilir ve nasıl iyileştirilebileceğini öğrenerek görevleri otomatik olarak tamamlamayabilir.

Siri, Google Assistant ve Alexa gibi dijital asistanların da hayatımıza girmesini sağlayan makine öğrenmesi ilk kez terim olarak 1959’da IBM araştırmacısı Arthur Samuel tarafından kullanılmış. Çalışmaları ancak 1966’da IBM’den emekli olduktan sonra geniş çapta kabul gören Samuel’e her bir insan teşekkür borçlu çünkü son zamanlarda inanılmaz derecede önemli hale gelen makine öğrenmesi; karmaşık sorunları ölçeklenebilir bir şekilde çözebilen büyük bir deha.

Artık doktorlar doğru teşhis ve tedavi için makine öğrenimini kullanıyor, perakendeciler doğru ürünü doğru zamanda doğru mağazalara ulaştırmak için makine öğrenimini kullanıyor ve araştırmacılar bu teknolojiyle daha etkili yeni ilaçlar geliştirmeye çalışıyor. Çarpıcı örneklere yazımızın ilerleyen bölümlerinde yer verdik ama önce makine öğrenmesinin bunları nasıl başardığını açıklayalım:

Makine Öğrenmesi Nasıl Çalışır?

Makine öğrenmesi algoritmaları, makinelerin öğrenmesine izin vererek onları daha akıllı hale getiren beyinler olarak tanımlanabilir. Bu algoritmaların düzenli olarak yeni verilere ve deneyimlere maruz bırakılması; sınıflandırma, tahmine dayalı modelleme ve verilerin analiziyle ilgili çeşitli görevler konusunda büyük işler başarılmasına olanak tanır.

Öğrenme süreci, verilerdeki kalıpları aramak için örnekler, doğrudan deneyim, talimatlar, gözlemler gibi eğitim verilerinin seçilen algoritmaya girilmesiyle başlar. Bu algoritmanın doğru çalışıp çalışmadığını test etmek için, yeni girdi verileri makine öğrenimi algoritmasına eklenir. Tahmin ve sonuçlar daha sonra kontrol edilir.

Birincil amaç, bilgisayarların insan müdahalesi olmadan otomatik olarak öğrenmesine izin vermektir.

Makinenin daha fazla veriyle beslenmesi, “öğrenmesine” neden olan algoritmaların etkinleştirilmesi ve elde edilen sonuçların iyileştirilmesi demektir.

Tahmin beklendiği gibi değilse, algoritma, istenen çıktı bulunana kadar birçok kez yeniden eğitilir. Bu, makine öğrenimi algoritmasının sürekli olarak kendi başına öğrenmesini ve zaman içinde doğruluğu kademeli olarak artacak en uygun cevabı üretmesini sağlar.

Algoritma öğrenme aşamasını geçtikten sonra, edindiği bilgileri farklı veri kümelerine dayalı benzer problemleri çözmek için kullanabilir.

Makine Öğrenmesi Algoritma Türleri

Makine öğrenimi algoritmaları her biri farklı bir amaç için tasarlanmış 4 kategoriye ayrılır. Örneğin, denetimli öğrenme verilerin kapsamını ölçeklendirmek ve buna dayalı olarak tahminlerde bulunmak içindir. Öte yandan, verileri bir anlam ifade etmesi amacıyla düzenlemek ve filtrelemek için denetimsiz algoritmalar kullanılır.

Denetimli Makine Öğrenmesi (Supervised Algorithms)

İşlem sırasında geliştiricinin bir miktar denetimini gerektiren algoritmalar, denetimli makine öğrenmesi olarak bilinir. Geliştirici eğitim verilerini etiketler, algoritmanın izleyeceği katı kuralları ve sınırları belirler. Böylece algoritmalar, gelecekteki olayları tahmin etmek için etiketli örnekleri kullanarak geçmişte öğrenilenleri yeni verilere uygulayabilir.

Denetimli makine öğreniminde amaç, bir dizi bağımsız değişken üzerinden tanımlanan bir işlevi kullanarak hedef değişkeni tahmin etmektir.

Denetlenen algoritmalar bir dizi giriş verisini ve beklenen sonuçları tanımlayarak çalışır Algoritma, eşlemeleri ve tahminleri doğru bulunduğunda başarılı olarak kabul edilir. Öğrenme algoritması aynı zamanda çıktısını doğru çıktıyla karşılaştırabilir ve modeli buna göre değiştirmek için hataları bulabilir.

Denetimli makine öğreniminin en ünlü örneklerinden biri, Boston konut fiyatları veri kümesidir. Satışı yapılmış evleri, özelliklerini ve satış fiyatlarını içeren bu veri kümesi herhangi bir evin satış fiyatını tahmin edebilen bir makine öğrenimi modeli oluşturmayı amaçlamıştır.

Denetimsiz Makine Öğrenmesi (Unsupervised Algorithms)

Denetimsiz makine öğrenimi algoritmaları; eğitmek için kullanılan bilgilerin sınıflandırılmadığı veya etiketlenmediği durumlarda kullanılır. Denetimsiz öğrenme, sistemlerin etiketlenmemiş verilerden gizli bir yapıyı açıklamak için bir işlevi nasıl çıkarabileceğini inceler.

Sistem doğru çıktıyı bulamadığında verileri araştırmaya devam eder ve etiketlenmemiş verilerden gizli yapıları açıklamak için veri kümelerinden çıkarımlar yapar.

Yarı Denetimli Algoritmalar (Semi-supervised Algorithms)

Hem denetlenen hem de denetlenmeyen algoritmaların özelliklerini birleştiren algoritmalar, yarı denetimli makine öğrenmesi olarak tanımlanır. Eğitim verilerinin tümü etiketlenmemiş ve algoritma başlatılırken tüm kurallar sağlanmamış olabilir.

Yarı denetimli makine öğrenimi algoritmaları, eğitim için hem etiketli hem de etiketlenmemiş verileri kullanır. Tipik olarak az miktarda etiketli veri ve büyük miktarda etiketlenmemiş veri kullanan sistemler, öğrenme doğruluğunu önemli ölçüde artırabilir.

Takviye Algoritmaları (Reinforcement Algorithms)

Bu tür algoritmalarda, keşif adı verilen bir teknik kullanılır; makine eylemler üreterek çevresi ile etkileşime girer, sonuçları gözlemler ve ardından bir sonraki eylemi gerçekleştirirken bu sonuçları dikkate alır ve süreç algoritma gelişip doğru stratejiyi seçene kadar bu şekilde devam eder.

Bu yöntem makinelerin ve yazılım aracılarının; performansı en üst düzeye çıkarmak için belirli bir bağlamdaki ideal davranışı otomatik olarak belirlemesine olanak tanır.

Özel Algoritmalar

Sözünü ettiğimiz kategorilerin her birinin altında, belirli görevleri gerçekleştirmek için tasarlanmış çeşitli özel algoritmalar bulunur. Bu algoritmalar farklı görevleri yerine getirebilir veya diğer algoritmalarla senkronize olarak çalışabilir. Her veri bilimcisinin makine öğreniminin temellerini anlaması için bilmesi gereken bu 5 temel algoritmayı şu şekilde sıralayabiliriz:

• Regresyon
• Sınıflandırma
• Topluluk
• İlişkilendirme
• Kümeleme

Regresyon

Regresyon algoritmaları; bağımsız değişkenlerin bağımlı olanı ne kadar etkilediğini anlamak için, farklı değişkenler arasındaki olası ilişkileri bulmak amacıyla kullanılan denetimli algoritmalardır.

Regresyon analizini bir denklem olarak düşünebilirsiniz. Örneğin, y = 2x + z denkleminde y bağımlı değişken ve x ile z bağımsız değişkenlerdir. Regresyon analizi, x ve z’nin y’nin değerini ne kadar etkilediğini bulur.

Aynı mantık, daha gelişmiş ve karmaşık problemler için de geçerlidir ve bu amaçla kullanılan birçok regresyon algoritması türü bulunur. Bazılarına ve uygulama alanlarına göz atalım:

Doğrusal Regresyon (Linear Regression)

Doğrusal regresyon, özünde, iki değişken arasındaki ilişkiyi belirlemeye yönelik doğrusal bir yaklaşımdır; bu değerlerden biri bağımlı bir değerdir, diğeri bağımsızdır. Bir değişkendeki değişikliğin diğerini nasıl etkilediğini ve sonucun olumlu veya olumsuz olmasına neden olan ilişkiyi anlamaya yarar.

Doğrusal Regresyon, y = a + bx şeklinde bir çizgi olarak temsil edilir ve tahmin edilen çıktının sürekli olduğu ve sabit bir eğime sahip olduğu durumlarda uygulanır:

Satışları tahmin etmekRisk değerlendirmesiHava durumu veri analiziTahmine dayalı analitikMüşteri anketi sonuç analiziÜrün fiyatlarını optimize etmek

Lojistik Regresyon

Lojistik Regresyon algoritması, genellikle iki değerden birinin; geçti veya kaldı, doğru veya yanlış gibi durumlarla sonuçlandığı ikili sınıflandırma problemlerinde kullanılır. Bağımlı değişkenin yanıtın iki kategorisinden birine girme olasılıklarını tahmin etme ihtiyacı için en uygun algoritmadır.

Kategorik verileri analiz etmek için başvurulan bu algoritma; verilen el yazısının söz konusu kişiyle eşleşip eşleşmediğini bulma ve ilerleyen aylarda petrol fiyatlarının yükselip yükselmeyeceğini tahmin etme gibi durumlarda kullanılır.

Ayrıca Lojistik Regresyon algoritması aşağıdaki gibi uygulamalarda da kullanılabilir:

• Kredi Puanlama
• Kanser Tespiti
• Coğrafi Görüntü İşleme
• Elyazısı Tanıma
• Görüntü Segmentasyonu ve Kategorizasyonu
• Pazarlama Kampanyalarının Başarı Oranlarının Ölçülmesi
• Belirli Bir Ürünün Gelirini Tahmin Etmek
• Deprem Tahmini

Ridge Regresyon

Regresyon modeli çok karmaşık hale geldiğinde, ridge regresyonu; modelin katsayılarının boyutunu düzeltir.

Lasso Regresyon

Lasso regresyon, değişkenleri seçmek ve düzenlemek için kullanılan regresyon türüdür.

Polinom Regresyon (Polynomial Regression)

Bu tür algoritmalar, doğrusal olmayan verileri uydurmak için kullanılır. Burada en iyi tahmin düz bir çizgi değildir; tüm veri noktalarına uymaya çalışan bir eğridir.

Sınıflandırma (Classification)

Makine öğreniminde sınıflandırma, öğeleri önceden kategorize edilmiş bir eğitim veri kümesine göre kategorilere ayırma sürecidir. Sınıflandırma, denetimli bir öğrenme algoritması olarak kabul edilir.

Sınıflandırma algoritmaları, yeni bir öğenin tanımlanan kategorilerden birine girme olasılığını hesaplamak için eğitim verilerinin kategorizasyonunu kullanır.

Sınıflandırma algoritmalarının en iyi bilinen örneği, gelen e-postaların “spam” veya “spam değil” şeklinde filtrelenmesidir.

Farklı sınıflandırma algoritmalarından bazıları şunlardır;

• KNN ((K-Nearest Neighbors)
• Karar Ağaçları (Decision Trees)
• Naive Bayes
• SVM (Support Vector Machine)

KNN (K-en yakın komşular)

KNN, bazı veri kümelerinde en yakın k veri noktasını bulmak için eğitim veri kümelerini kullanan bir algoritmadır. KNN, hem regresyon hem de sınıflandırma problemleri için kullanılan denetimli bir makine öğrenmesi algoritmasıdır. Genellikle örüntü tanıma için uygulanır.

Bu algoritma öncelikle verilerdeki tüm girdiler arasındaki mesafeyi depolar ve tanımlar, sorguya ve çıktılara en yakın girdiyi seçer.

KNN algoritmaları; gerçek hayatta parmak izi algılama, kredi notu, borsa tahmini, kara para aklama analizi, iflas ve döviz kuru alanlarında kullanılır.

Karar Ağaçları

Karar Ağacı algoritması, denetimli makine öğrenmesi türüdür. Regresyon ve sınıflandırma problemlerini çözmek için kullanılır. Amaç, gözlemlerden sonuçları işlemeye geçmek için bir karar ağacından yararlanmaktır.

Karar ağacını her veri noktasını bir seferde iki kategoriye ve ardından her birini ikiye ve daha fazlasına sınıflandıran bir akış şeması gibi düşünebilirsiniz.

Karar ağaçlarının işlenmesi, eğitim verilerinden en uygun özniteliğin kök olarak seçildiği ve işlemin her dal için tekrarlandığı yukarıdan aşağıya bir yaklaşım benimser. Karar ağaçları genellikle şu alanlarda kullanılır:

• Bilgi yönetimi platformları oluşturma• Uçuş seçme (seyahat)• Oteller için yüksek doluluk tarihlerinin tahmin edilmesi• Müşterilere ürün önerme• “Tahminleri tahmin etme” ve çeşitli alanlardaki olasılıkları belirleme

Naive Bayes

Koşullu olasılık kuralını kullanarak bir öğenin belirli bir kategoriye girme olasılığını hesaplayan bu algoritma, oldukça etkili bir denetimli makine öğrenimi algoritması olarak bilinir.

Sınıf değişkeninin değeri göz önüne alındığında, Bayes’in teoremini verilere uygulayarak, her özellik çifti arasında saf bir koşullu bağımsızlık varsayımı ile çalışır. Daha basit bir ifadeyle, B olayının meydana geldiği göz önüne alındığında, bir A olayının olma olasılığını bulmaya yardımcı olur. Kullanıldığı durumlar:

• İstenmeyen mesajları filtreleme• Netflix gibi öneri sistemleri• Teknoloji, politika veya sporla ilgili bir haber makalelerini sınıflandırma• Sosyal medyada duygu analizi• Yüz tanıma yazılımları

SVM

Bu algoritmada veriler, X / Y tahmininin ötesine geçebilen polarite derecesine göre sınıflandırılır. SVM, denetimli makine öğrenme algoritmaları arasında kategorize edilir ve öncelikle sınıflandırma ve regresyon analizi için kullanılır. Algoritma, bir kategoriye yeni örnekler ve veriler atayan modeller oluşturarak çalışır.

SVM, boyut sayısının örnek sayısından daha ağır bastığı durumlarda oldukça etkilidir ve bellek açısından son derece verimlidir.

SVM algoritmalarının bulunduğu uygulamalar:

Biyoinformatik* El yazısı tanımaGörüntü SınıflandırmaMetin ve Köprü Metni KategorizasyonuTedavi Amaçlı İlaç KeşfiYüz Tanıma*Biyoinformatik; biyolojik verilerin anlamlandırılmasını ve kanser sınıflandırması gibi alanlarda kullanılmasını sağlar.

Topluluk (Ensembling) Algoritması

Topluluk algoritmaları, daha doğru sonuçlar elde etmek için iki veya daha fazla makine öğrenmesi algoritmasının tahminini birleştirir. Sonuçları birleştirmek, oylama veya sonuçların ortalaması alınarak yapılabilir. Oylama genellikle regresyon sırasında sınıflandırma ve ortalama alma sürecinde kullanılır. Topluluk algoritmalarının 3 temel türü vardır: Bagging, Boosting ve Stacking.

Bagging algoritmaları, hepsi eşit büyüklükte farklı eğitim setlerinde paralel olarak çalıştırılır. Tüm algoritmalar daha sonra aynı veri kümesi kullanılarak test edilir ve genel sonuçları belirlemek için oylama kullanılır.

Boosting algoritmaları ise sıralı olarak çalıştırılır. Daha sonra genel sonuçlar ağırlıklı oylama kullanılarak seçilir.

Stacking algoritmalarının, üst üste yığılmış iki düzeyi bulunur: Temel düzey; algoritmaların bir kombinasyonudur ve üst düzey; temel düzey sonuçlarına dayalı bir meta algoritmadır.

Kümeleme (Clustering)

Kümeleme algoritmaları, veri noktalarını gruplamak için kullanılan denetimsiz algoritmalar grubudur. Aynı küme içindeki noktalar, farklı kümelerdeki noktalardan daha çok birbirine benzer.

Uygulamaları, Python, SciPy, Sci-Kit Learn ve veri madenciliği gibi programlama dillerinde ve kitaplıklarında benzer ve ilgili web arama sonuçlarını kümelemeye kadar uzanır.

Kümeleme algoritmaları sahte haberleri belirleme, spam algılama ve filtreleme, kitapları veya filmleri türe göre sınıflandırma ve şehir planlaması sırasında popüler ulaşım yollarını belirleme gibi durumlar için kullanılır.

4 tür kümeleme algoritması bulunur:

Centroid Tabanlı Kümeleme
Bu kümeleme algoritması (Centroid-based Clustering), verileri başlangıç ​​koşullarına ve aykırı değerlere göre kümeler. K-means, en çok kullanılan centroid tabanlı kümeleme algoritmasıdır.
Yoğunluğa Dayalı Kümeleme
Bu kümeleme türünde (Density-based Clustering), algoritma yüksek yoğunluklu alanları rastgele şekilli dağılımlar oluşturan kümelere bağlar.
Dağıtım Tabanlı Kümeleme
Bu kümeleme algoritması (Distribution-based Clustering), verilerin olasılık dağılımlarından oluştuğunu varsayar ve ardından verileri bu dağılımın çeşitli sürümlerinde kümeler.
Hiyerarşik Kümeleme
Bu algoritma (Hierarchical Clustering), hiyerarşik veri kümelerinden oluşan bir ağaç oluşturur. Küme sayısı, ağaç doğru seviyede kesilerek değiştirilebilir.

İlişkilendirme (Association)

İlişkilendirme algoritmaları, bazı öğelerin belirli bir veri kümesinde birlikte oluşma olasılığını keşfetmek için kullanılan denetimsiz algoritmalardır. Çoğunlukla alışveriş sepeti analizinde kullanılır. En çok kullanılan ilişkilendirme algoritması Apriori’dir:

Apriori Algoritması

İşlemsel veritabanlarında yaygın olarak kullanılan bir madencilik algoritmasıdır. Apriori, sık kullanılan item setlerini çıkarmaya ve bu setlerden bazı ilişki kuralları oluşturmaya yarar.

Veri kümelerinde ortak öğe kümelerini arayarak çalışan ve daha sonra bunlar üzerinde ilişkiler kuran apriori; genellikle ilişkisel veri tabanlarında öğe kümesi madenciliği ve ilişkilendirme kuralı öğrenimi için kullanılır.

Bu algoritmanın arkasındaki fikir, daha kullanışlı bir ilişkilendirme oluşturmak için ilgili öğeleri mümkün olduğunca daha büyük bir kümeye genişletmektir. Büyük veri kümeleriyle kullanılabilir.

Cihazların gerçek Dünya’daki sorunları çözebilecek etkili tahminlerde bulunması ilginizi çekiyorsa Deep Learning Nedir? adlı yazımıza göz atabilirsiniz.

Makine Öğrenmesinin E-Ticaret Alanında Kullanımı

MAKİNE ÖĞRENMESİ E-TİCARETTE; MALİYETLERİ DÜŞÜRMEK, ÜRÜN ÖNERİLERİNİ İYİLEŞTİRMEK, REKLAM HARCAMALARINI OPTİMİZE ETMEK VE BÜYÜMEYİ TEŞVİK ETMEK GİBİ ARTILARA SAHİPTİR.

Neredeyse her sektörde hak ettiği değeri görmeye başlaması, makine öğrenmesinin bilim kurgudan uzaklaşıp modern iş dünyasının temel unsurlarından biri olmasını sağlıyor.

Yapay zekanın gelişmişliğini geleneksel satış ve çapraz satış taktikleriyle birleştiren makine öğrenmesi, online satışların kilidini açmanın sırrıdır.

Makine öğrenmesi, e-ticarette çok büyük miktarda verinin analizini sağlayarak, işletmelerin riskleri ve kârlı fırsatları belirlemesine, hızlı ve doğru sonuçlara ulaşmasına olanak tanır.

E-ticaret yapan şirketlerin alışveriş deneyimini kişiselleştirmek ve hızlandırmak için kullandığı öneri motorlarında kullanılan makine öğrenmesi algoritmaları; müşterinin geçmiş satın alımlarını, şirketin mevcut envanterini, demografik eğilimleri ve diğer müşterilerin satın alma geçmişlerini işleyerek hangi ürün ve hizmetlerin önerileceğini belirler. Özellikle sohbet robotları kullanımında makine öğrenimi büyüyen bir trend halini almıştır.

Ürün önerilerini iyileştirmekten reklam harcamalarını optimize etmeye kadar e-ticaretin her detayına yansıyan makine öğrenmesi; maliyetleri düşürmek ve büyümeyi teşvik etmek gibi artıları beraberinde getirir.

Müşterinin marka ile ilişkisinin bozulmaya başladığı anı tahmin etmek ve bunu düzeltmenin yollarını bulmak için de başvurulan makine öğrenmesi; e-ticaret firmalarının müşteri kaybıyla başa çıkmasına yardımcı olur. Adobe, Netflix, Amazon, HBO, Spotify, The New York Times, Bloomberg News, The Wall Street Journal ve büyük telekom şirketleri müşteri kaybı modellemesini kullanmaktadır.

Makine öğrenmesi ayrıca, tahmine dayalı envanter planlaması ve müşteri segmentasyonu yoluyla şirketlerin doğru ürün ve hizmetleri doğru zamanda doğru alanlara sunmasına yardımcı olur. Örneğin perakendeciler, belirli bir mağazayı etkileyen mevsimsel faktörlere, o bölgenin demografisine ve sosyal medyadaki trendler gibi diğer veri noktalarına dayanarak hangi envanterin hangi mağazalarında en iyi satış yapacağını tahmin etmek için makine öğrenimini kullanır.

Makine Öğrenmesi Örnekleri

OLDUKÇA GENİŞ UYGULAMA ALANINA YAYILMIŞ OLAN MAKİNE ÖĞRENİMİ BELKİ DE EN BÜYÜK ATILIMINI HENÜZ YAPMADI.

Enerji ve kamu hizmetlerinden seyahat ve otelciliğe, üretimden lojistiğe kadar tüm sektörlerde kullanılan makine öğrenimi, işletmelerin daha önceden gerçekleştirilmesi imkansız ölçekte ve kapsamda olan görevleri gerçekleştirmesini sağlıyor. İş temposunu hızlandırıyor, hataları azaltıyor, hem çalışanlara hem de müşterilere yardımcı oluyor.

Dahası inovasyon odaklı kuruluşlar, makine öğrenimini yalnızca verimlilik ve iyileştirmeler sağlamak için değil, aynı zamanda pazarda şirketlerini farklılaştırabilecek yeni iş fırsatlarını beslemek için de kullanıyor.

İşletmelerin sahip oldukları veri bolluğunu iç görülere dönüştürmelerine yardımcı olan makine öğrenmesi örneklerini şu şekilde listeleyebiliriz:

• Makine öğrenmesi birçok departmanın verimliliğini artırmak için daha iyi yazılımların daha hızlı ve daha düşük maliyetlerle geliştirilmesini sağlıyor. Ekipmanı izlemek, bakım ve onarımların gerekli olacağı zamanı önceden belirlemek beklenmedik sorunları ve planlanmamış iş kesintilerini azaltıyor.• İlk nesil sohbet robotları, botlara anahtar kelimelere göre hangi eylemleri gerçekleştireceklerini söyleyen komut dosyası kurallarını izliyordu. Makine öğrenimi ve NLP, sohbet robotlarının daha hızlı ve anlaşılır yanıtlarla daha üretken olmasını sağlamaya çalışıyor.• Makine öğrenimi, sağlık sektöründe tanılar ve tedavi seçenekleri konusunda rehberlik ederek bakıcı verimliliğini ve hasta sonuçlarını iyileştiriyor.• Tarımda, makine öğrenimi çiftçilerin ürün yönetimi konusunda karar vermelerine yardımcı olmak için iklim, enerji, su, kaynaklar ve diğer faktörlerle ilgili verileri bir araya getiriyor.• İş dünyasında yönetimin eğilimleri tahmin etmesine, sorunları belirlemesine ve kararları hızlandırmasına yardımcı oluyor.• Netflix ve YouTube gibi platformların ve Amazon gibi büyük e-ticaret şirketlerinin, alışveriş deneyimini kişiselleştirmek ve hızlandırmak için kullandığı öneri motorlarının arkasında da makine öğrenmesi yer alıyor. • Makine öğrenimi algoritmaları günün saatinden hava durumuna ve mevsimlere kadar birçok değişkenin mal ve hizmet talebini nasıl etkilediğini anlamamızı da sağlıyor. Bu bilgileri geçmiş fiyat verileri, ek pazar ve tüketici verileriyle birleştirerek şirketlerin çok sayıda değişkene dayalı olarak dinamik olarak fiyatlandırmalar yapmasına yardımcı oluyor (Talep fiyatlandırması olarak da billinen dinamik fiyatlandırmanın en göze çarpan örneği; ulaşım sektöründe bayram tatili gibi nedenlerle aynı anda yolculuk yapmak isteyen insan sayısı artırdığında uçak bileti fiyatlarındaki artıştır).• Makine öğrenimesi şirketlerin sadece fiyatları belirlemesine yardımcı olmaz; Starbucks’tan sigorta devlerine kadar çok sayıda şirket pazar araştırması ve müşteri segmentasyonu için de makine öğrenmesini kullanır (belirli müşteri gruplarının satın alma kalıpları hakkında bilgi edinerek stoklama gibi ihtiyaçları daha iyi hedeflemede).• Finansal hizmetler, seyahat, oyun ve perakende sektörlerinde müşterinin kredi kartını ne zaman ve nerede kullandığına dair tipik davranışı anlamak; normların dışındaki işlemlerin algılanmasını sağlar. Bu sadece milisaniyeler içinde dolandırıcılık tespitlerinin doğru bir şekilde yapılması anlamına gelir.• Görüntü sınıflandırma ve görüntü tanımada ise makine öğrenimi, suç davranışının gerçek zamanlı olarak tespit edilmesinden, sürücüsüz arabaların yolu görme ihtiyacına, raflardaki stoğu taramadan Facebook gibi platformlarda fotoğraf etiketlemeye kadar geniş bir uygulama alanına sahip. Özellikle şüpheli davranışları algılama ve yüz tanımada gözetleme sistemlerinin gelişmesinde makine öğrenmesinin payı yadsınamaz.

Özet

Makine öğrenimi satırlardan taşacak kadar geniş alanlara yayılmış durumda ve belki de en büyük atılımını henüz yapmadı. Sıradaki devrim muhtemelen kuantum makine öğrenimi: MIT, IBM, Microsoft, Google ve NASA’nın; makine öğrenimine kuantum hesaplamayı uygulama denemeleri yakın gelecekte, makine öğrenmesi nedir? sorusunun geniş yanıtlarından daha da fazlasını duymamıza ve görmemize neden olabilir!