MakineÖğrenmesi

Makine öğrenmesi ve derin öğrenme, yapay zekanın alt alanlarıdır. Makine öğrenmesi, yapay zekanın bir alt kümesidir ve algoritmaların verilerden öğrenmesini ve tahminlerde bulunmasını sağlar. Derin öğrenme ise, makine öğrenmesinin bir alt alanı olup, çok katmanlı sinir ağları kullanarak büyük ve karmaşık veri setlerini işler.

Yapay zeka ile sayısal tahmin yapmak için aşağıdaki adımlar izlenir: 1. Veri Toplama ve Hazırlık: Analiz için gerekli veriler toplanır ve algoritmanın gereksinimlerine uygun formatta düzenlenir. 2. Model Seçimi: Veri setinin özelliklerine ve analiz hedeflerine göre denetimli, denetimsiz veya yarı denetimli öğrenme modellerinden biri seçilir. 3. Eğitim ve Test: Seçilen model, veri seti üzerinde eğitilir ve performansı ayrı bir test veri seti ile değerlendirilir. 4. Değerlendirme ve İyileştirme: Modelin doğruluğu ve hassasiyeti analiz edilir, gerekirse model parametreleri ayarlanır. 5. Dağıtım ve Gerçek Zamanlı Analiz: Model, gerçek dünya uygulamalarına entegre edilerek veri akışları üzerinde çalışmaya başlar. Sayısal tahminlerde kullanılan bazı yapay zeka teknikleri: Doğrusal Regresyon ve Lojistik Regresyon: Değişkenler arasındaki ilişkileri analiz ederek tahmin yapar. Sinir Ağları: Karmaşık örüntüleri ve doğrusal olmayan ilişkileri ortaya çıkarır. Karar Ağaçları: Verileri karar kurallarına göre sınıflandırır. Zaman Serisi Modellemesi: Zamansal verileri analiz ederek gelecekteki değerleri tahmin eder. Kullanılan matematiksel konular: Lineer Cebir: Görüntü işleme ve veri analitiği gibi alanlarda matrisler ve vektörler üzerinden işlemler yapılır. Olasılık Teorisi: Belirsizlikle başa çıkmak için kullanılır. Sayısal Analiz: Lineer ve lojistik regresyon gibi matematiksel kavramlar temel oluşturur.

Hayır, veri madenciliği ve makine öğrenmesi aynı şey değildir. Veri madenciliği, büyük veri kümelerindeki gizli kalıpları, eğilimleri ve değerli içgörüleri ortaya çıkarmak için istatistiksel teknikler, makine öğrenimi ve veritabanı yönetim araçlarının bir kombinasyonunu kullanarak ham verileri yararlı bilgilere dönüştürür. Makine öğrenmesi ise, veri yığınları arasındaki ilişkiyi temsil eden bilgilerden yararlanarak, bu verileri kullanarak modeller oluşturur ve bu modeller sayesinde sonuca ulaşır. Her ikisi de büyük veriden öğrenir, analitik süreçler olup, veri biliminin temel bir parçasıdır ve işletmelerin veri kümelerini faydalı bilgilere dönüştürmek için kullanılır.

Makine öğrenmesi bağlamında lineer model, bir bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki doğrusal ilişkiyi bulmak için kullanılan bir öngörücü modeldir. Lineer modellerin bazı türleri: Basit lineer regresyon. Çoklu lineer regresyon. Lineer modellerin avantajları: Uygulaması basittir. Model parametrelerinin yorumlanması kolaydır. Geniş ve çeşitli ilişkiler ifade edilebilir. Dezavantajları: Bağımlı ve bağımsız değişkenler arasında doğrusal bir ilişki olduğu varsayılır. Uç değerlerin regresyon üzerinde büyük etkisi vardır. Özellikler arasında bağımsızlık olduğu varsayılır.

Denetimli ve denetimsiz kümeleme arasındaki temel farklar şunlardır: Veri Türü: Denetimli kümeleme etiketli veri kümeleri kullanır; her girdinin doğru çıktısı bilinir. Denetimsiz kümeleme etiketsiz veriler kullanır ve model, verilerdeki gizli kalıpları ve yapıları kendi kendine keşfeder. Amaç: Denetimli kümeleme belirli bir hedef değişkeni tahmin etmeyi amaçlar. Denetimsiz kümeleme veri içindeki gizli kalıpları ve yapıları keşfetmeye odaklanır. Kullanım Alanları: Denetimli kümeleme genellikle regresyon ve sınıflandırma problemlerinde kullanılır. Denetimsiz kümeleme ise veri keşfi, segmentasyon ve anomali tespiti gibi durumlarda tercih edilir. Özetle, denetimli kümeleme daha doğru sonuçlar verirken, denetimsiz kümeleme daha karmaşık işleme görevleri için kullanılır.

Makine Öğrenmesi ve Derin Öğrenmenin Kullanım Durumları: Makine Öğrenmesi: Yapılandırılmış veri üzerinde çalışan basit problemler için uygundur. Sınıflandırma, tahmin, öneri sistemleri, müşteri segmentasyonu ve spam tespiti gibi alanlarda kullanılır. Örneğin, bir şirket, önceki müşteri kaybı verilerine dayanarak bir müşterinin abonelikten ne zaman çıkacağını tahmin etmek için makine öğrenmesi kullanabilir. Derin Öğrenme: Yapılandırılmamış veriler ve karmaşık problemler için idealdir. Görüntü tanıma, dil işleme, ses işleme, otonom sistemler, yüz tanıma ve büyük veri gerektiren görevlerde kullanılır. Örneğin, bir derin öğrenme çözümü, kullanıcı duygularını belirlemek için sosyal medyadaki bahsetmeleri analiz edebilir. Özetle, makine öğrenmesi daha az veri ve işlem gücü ile hızlı çözümler sunarken, derin öğrenme daha büyük veri setleri ve güçlü donanımlar ile daha karmaşık problemleri çözebilir.

YOLOv4 ve YOLOv4-tiny arasındaki temel farklar şunlardır: Karmaşıklık ve Performans: YOLOv4, daha karmaşık bir mimariye sahiptir ve daha yüksek doğruluk sunar, ancak daha yavaş olabilir. Parametre Sayısı: YOLOv4, 137 önceden eğitilmiş konvolutional katmandan öğrenirken, YOLOv4-tiny 29 önceden eğitilmiş katmandan öğrenir. Kullanım Alanı: YOLOv4-tiny, gerçek zamanlı nesne tespiti için daha uygundur çünkü daha hızlı çıkarım süresi gerektirir. YOLOv4 ve YOLOvobit arasındaki fark hakkında bilgi bulunamadı.

Python ile ürün analizi yapmak için aşağıdaki adımlar izlenebilir: 1. Gerekli kütüphanelerin içe aktarılması. 2. Verilerin okunması ve işlenmesi. 3. Verilerin gruplanması. 4. Analizin yapılması. 5. Görselleştirme. Python ile ürün analizi hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklar kullanılabilir: medium.com'da "Python ile E-Ticaret Satış Analizi" başlıklı yazı; tr.python-3.com'da "Python'da Matplotlib Kullanarak Aktif Ürün Satış Analizi" başlıklı yazı; kodlasam.com'da "Python ile Veri Analizi: İpuçları, Püf Noktaları ve En İyi Uygulamalar" başlıklı yazı.

Çok sayıda eksik veriyle başa çıkmak için aşağıdaki yöntemler kullanılabilir: Eksik verileri silme: Eksik verilerin oranı çok düşükse ve genel veri setini etkilemiyorsa, bu veriler silinebilir. Değer atama: Eksik veriler, ortalama, medyan veya mod gibi merkezi eğilim ölçüleri ile doldurulabilir. Tahmine dayalı yöntemler: Makine öğrenmesi modelleri kullanılarak eksik veriler tahmin edilebilir. İleri ve geri doldurma: Eksik değeri önceki ya da sonraki gözlemin değeri ile doldurur. Hangi yöntemin kullanılacağı, veri setinin büyüklüğüne, eksik veri oranına ve projenin amacına bağlıdır.

Makine öğrenmesi, gözetimli ve gözetimsiz olmak üzere iki ana kategoriye ayrılır: 1. Gözetimli Öğrenme (Supervised Learning): Amaç: Doğru yanıtları içeren veriler kullanılarak tahminler yapılır. Özellikler: Veri kümesi etiketlenmiştir; her örneğin bir sınıfı ve etiketi vardır. Kullanım Alanları: Spam algılama, duygu analizi, hava durumu tahmini, fiyatlandırma. Algoritmalar: Karar ağaçları, doğrusal regresyon, destek vektör makineleri, lojistik regresyon. 2. Gözetimsiz Öğrenme (Unsupervised Learning): Amaç: Etiketlenmemiş verilerdeki gizli kalıplar ve yapılar bulunur. Özellikler: Veri kümesi etiketlenmemiştir; makine, veriler arasındaki ilişkileri ve yapıları kendi kendine öğrenir. Kullanım Alanları: Müşteri segmentasyonu, öneri motorları, tıbbi görüntüleme. Teknikler: Kümeleme, ilişkilendirme, boyut indirgeme.

Çoklu sınıflandırma ile borsa fiyat tahmini yapmak için kullanılan bazı yöntemler şunlardır: Derin Öğrenme Modelleri: LSTM, GRU ve BLSTM gibi derin öğrenme modelleri, hisse senedi fiyat tahmininde kullanılır. Karar Ağacı Algoritmaları: CART algoritması, hisse senedi getiri sınıflandırma tahmininde kullanılır. Makine Öğrenmesi Yöntemleri: Lojistik regresyon, C5.0 algoritması ve Naive-Bayes gibi yöntemler de borsa fiyat tahmininde kullanılır. Borsa fiyat tahmini yaparken, sadece çoklu sınıflandırma yöntemlerinin kullanılması yeterli olmayabilir; temel ve teknik analiz gibi diğer yöntemler de dikkate alınmalıdır. Borsa yatırımları risk içerir; herhangi bir yatırım yapmadan önce bir finansal danışmana başvurulması önerilir.

XGBoost (Extreme Gradient Boosting), gradient boosting algoritmasına dayanır. Gradient boosting, bir dizi zayıf öğreneni (genellikle karar ağaçları) aşamalı bir şekilde birleştirerek güçlü bir öğrenme algoritması oluşturmayı amaçlayan bir ensemble yöntemidir.

YOLO (You Only Look Once) ve SSD (Single-Shot Detector) arasındaki temel farklar şunlardır: Çalışma Prensibi: YOLO, görüntüyü bir kez işleyerek birden fazla nesneyi tespit eder. SSD, görüntüyü tek bir ileri geçişle işler ve bir özellik haritası oluşturur. Mimari: YOLO, 24 adet evrişimli katmanın önünde 2 adet tamamen bağlı katman içerir. SSD, VGG-16 evrişimli sinir ağının üzerine bazı ek evrişimli katmanlar ekler. Sınır Kutuları (Bounding Box) Yaklaşımı: SSD, sabit boyutlu çapa kutuları (anchor boxes) kullanır ve IoU (Intersection over Union) metriğini 0,5'ten büyük bir eşikle dikkate alır. YOLO, her ızgara hücresinin yalnızca iki kutu için tahmin yapabildiği ve tek bir sınıfa ait olabileceği bir mimariye sahiptir. Performans: SSD, YOLO'ya göre daha doğru sonuçlar verir. YOLO, daha hızlıdır ve gerçek zamanlı uygulamalarda daha kullanışlı olabilir.

ROC (Receiver Operating Characteristic) eğrisi, bir sınıflandırma modelinin farklı eşik değerlerinde duyarlılık (TPR - True Positive Rate) ve özgüllük (FPR - False Positive Rate) değerlerini görselleştirir. AUC (Area Under the Curve) ise ROC eğrisinin altında kalan alanı ifade eder ve modelin sınıfları ayırt etme yeteneğini ölçer. ROC ve AUC, özellikle tıbbi teşhis, yapay zeka ve derin öğrenme alanlarında sınıflandırma modellerinin performansını değerlendirmek ve karşılaştırmak için kullanılır.

Karar ağaçlarında en iyi bölme kriteri, kullanılan algoritmaya ve problemin türüne göre değişiklik gösterebilir. İşte bazı yaygın bölme kriterleri: Gini Katsayısı. Bilgi Kazancı (Information Gain). Entropi. Kazanç Oranı (Gain Ratio). Ayrıca, Ortalama Kare Hatası (Mean Squared Error, MSE) ve Ortalama Mutlak Hata (Mean Absolute Error, MAE) gibi ölçütler de regresyon problemlerinde kullanılır. Karar ağaçlarında en iyi bölme kriterini belirlemek için, problemin gereksinimlerine ve veri setinin özelliklerine göre değerlendirme yapılması önerilir.

Yapay zekayı kimyager gibi çalıştırmak için aşağıdaki teknolojiler kullanılabilir: Winnobot. Yapay Kimyager. Bu tür teknolojiler, yapay zekayı kimyager gibi çalıştırmak için kullanılabilir, ancak bir kimyagerin sahip olduğu tüm yetenekleri tam olarak taklit etmeleri mümkün olmayabilir.

PSPNet (Pyramid Scene Parsing Network), ResNet (Residual Network) mimarisine dayanmaktadır. PSPNet'in mimarisinde ayrıca şu bileşenler de yer almaktadır: Dilatlı konvolutionlar içeren CNN omurgası (encoder). Piramit havuzlama modülü. 8x bilineer yukarı örnekleme (upsampling) içeren dekoder (decoder). PSPNet, karmaşık sahnelerde yüksek doğruluk sağlamak amacıyla geliştirilmiş bir görüntü segmentasyon modelidir.

Makine öğrenmesi ders notları için aşağıdaki kaynaklar kullanılabilir: kitap.eba.gov.tr sitesinde "Yapay Zekâ ve Makine Öğrenmesi" başlıklı ders notları bulunmaktadır. ckk.com.tr sitesinde "Makine Öğrenmesi Algoritmaları" başlıklı bir kitap mevcuttur. medium.com sitesinde "Adım Adım Makine Öğrenmesi Bölüm 1: Makine Öğrenmesi Nedir?" başlıklı bir yazı yer almaktadır. ceng.cu.edu.tr sitesinde makine öğrenmesi ile ilgili ders notları bulunmaktadır. adm.atauni.edu.tr sitesinde "Lojistik Bilgi Sistemleri 12. Hafta Ders Notu" başlıklı bir kaynak mevcuttur. Ayrıca, Python programlama dili kullanılarak makine öğrenmesi geliştirmek için çeşitli çevrimiçi eğitim platformları ve dokümanlar da mevcuttur.

Dil modeli eğitimi süresi, programın içeriğine ve seviyesine göre değişiklik göstermektedir: BTK Akademi'nin "Üretken Yapay Zeka ile Büyük Dil Modelleri (LLM) Atölyesi" 60 saat sürmektedir. Depar Akademi'nin Büyük Dil Modelleri (LLM) Eğitimi 2 gün sürmektedir. Nobleprog'un "Generative AI ve Large Language Models (LLMs)" Eğitimi 14 saat sürmektedir. Mindset'in "Büyük Dil Modelleri (LLM)" Eğitimi 12 saat sürmektedir. Eğitim süreleri, çevrimiçi veya yüz yüze gibi farklı formatlara göre de değişebilir.

YOLO eğitim sonuçları, genellikle project/name dizininde, özellikle yolov5/runs/train/exp yolunda saklanır. Bu dizin, eğitim sırasında oluşturulan tren kayıpları, val kayıpları, P, R, mAP gibi sonuç grafiklerini, PR eğrisini, karışıklık matrisini, eğitim mozaiklerini ve test sonuçlarını içerir.