Makine Öğrenmesi Nedir? Türleri, Algoritmaları ve Örnekler

Makine öğrenmesi, bir bilgisayar programının kuralları tek tek elle yazılmadan, veriden örüntü öğrenerek bir görevdeki başarısını artırmasıdır. E-postanın istenmeyen posta olup olmadığını tahmin etmek, bir evin fiyatını kestirmek ya da müşterileri benzer gruplara ayırmak tipik makine öğrenmesi görevleridir. Yapay zekanın bir alt alanıdır ve istatistikle iç içedir.

Makine öğrenmesi nedir?

Sık kullanılan tanıma göre bir program, bir görev türünde (T) belirli bir başarı ölçütüyle (P) ölçülen başarısı deneyimle (E) artıyorsa öğreniyordur (Mitchell, 1997). İstenmeyen posta örneğinde görev e-postaları sınıflamak, ölçüt doğru sınıflanan e-postaların oranı, deneyim ise daha önce etiketlenmiş e-postalardır.

Makine öğrenmesi ile istatistik aynı araçları (regresyon, olasılık, örnekleme) kullanır ama vurguları farklıdır. Klasik istatistik çoğu zaman verinin nasıl üretildiğini açıklayan yorumlanabilir bir model kurmayı ve parametreler hakkında çıkarım yapmayı hedefler; makine öğrenmesi ise çoğu zaman yeni verideki tahmin başarısını öne koyar. Breiman (2001) bu ayrımı “iki kültür” olarak tartışmıştır. Kavramlar iç içedir: yapay zeka en geniş alandır, makine öğrenmesi onun veriden öğrenen kısmıdır, derin öğrenme de makine öğrenmesinin çok katmanlı yapay sinir ağlarıyla çalışan bir koludur.

Öğrenme türleri ve yöntemler

Denetimli (gözetimli) öğrenme

Model, girdilerle birlikte doğru cevabın (etiketin) bilindiği örneklerden öğrenir ve yeni bir girdinin cevabını tahmin eder. Cevap bir kategoriyse görev sınıflandırma (istenmeyen posta mı?), sayıysa regresyondur (ev fiyatı).

Denetimsiz (gözetimsiz) öğrenme

Etiket yoktur; model verideki yapıyı kendisi bulur. Benzer gözlemleri gruplamak (kümeleme), çok sayıda değişkeni az sayıda boyutta özetlemek (boyut indirgeme) ve sıra dışı gözlemleri bulmak (anomali tespiti) bu türdendir.

Yarı denetimli öğrenme

Az sayıda etiketli ve çok sayıda etiketsiz örnek birlikte kullanılır. Etiketlemenin pahalı olduğu durumlarda (ör. uzman hekimin işaretlemesi gereken tıbbi görüntüler) yararlıdır.

Pekiştirmeli öğrenme

Bir ajan, bir ortamda eylemler yapar ve eylemlerinin sonucuna göre ödül ya da ceza alır; zamanla toplam ödülü en büyük yapan davranışı öğrenir. Oyun oynayan programlar ve robot kontrolü tipik örneklerdir.

Derin öğrenme

Derin öğrenme ayrı bir öğrenme türü değil, çok katmanlı yapay sinir ağlarından oluşan bir model ailesidir; denetimli, denetimsiz ve pekiştirmeli öğrenmenin hepsinde kullanılabilir (LeCun vd., 2015). Görüntü, ses ve metin gibi ham ve yüksek boyutlu verilerde güçlüdür; çok veri ve hesaplama gücü ister ve kararlarını açıklamak zordur.

Görev türleri

Görev	Ne yapar?	Örnek
Sınıflandırma	Bir gözlemin hangi kategoriye ait olduğunu tahmin eder	Bir kredi başvurusunun geri ödenip ödenmeyeceği
Regresyon	Sürekli bir değeri tahmin eder	Bir evin özelliklerinden satış fiyatı
Kümeleme	Benzer gözlemleri etiket olmadan gruplar	Müşterileri alışveriş davranışına göre bölümlere ayırmak
Boyut indirgeme	Çok sayıda değişkeni daha az sayıda boyutta özetler	50 anket maddesini birkaç bileşende toplamak
Zaman serisi tahmini	Geçmiş değerlerden gelecekteki değeri tahmin eder	Bir şehrin gelecek haftaki elektrik talebi
Birliktelik kuralları	Birlikte görülen öğeleri bulur	Sepette birlikte alınan ürünler

Yaygın algoritmalar

Görev	Yaygın algoritmalar
Regresyon	Doğrusal regresyon, Ridge ve Lasso, karar ağaçları, rastgele orman, gradyan artırma (XGBoost, LightGBM)
Sınıflandırma	Lojistik regresyon, k-en yakın komşu, Naive Bayes, destek vektör makineleri, karar ağaçları, rastgele orman, gradyan artırma
Kümeleme	K-ortalamalar, hiyerarşik kümeleme, DBSCAN, Gauss karışım modelleri
Boyut indirgeme	Temel bileşenler analizi (PCA), t-SNE, UMAP
Birliktelik kuralları	Apriori, FP-Growth
Görüntü, ses, metin	Evrişimli sinir ağları (CNN), tekrarlayan ağlar (RNN, LSTM), dönüştürücüler (Transformer)

Doğrusal ve lojistik regresyon hem istatistiğin hem makine öğrenmesinin temel modelleridir; basit doğrusal regresyon bu yüzden iyi bir başlangıç noktasıdır. Tablo verisinde (satırlar gözlem, sütunlar değişken) çoğu zaman gradyan artırma ve rastgele orman güçlü sonuç verir; derin öğrenme en çok görüntü, ses ve metinde öne çıkar.

Model nasıl değerlendirilir?

Bir modelin gerçek başarısı, eğitimde görmediği veride ölçülür. Model eğitim verisini ezberlerse (aşırı öğrenme), eğitimde neredeyse kusursuz görünür ama yeni veride başarısız olur. Bu yüzden:

• Eğitim ve test ayrımı: Veri, modelin öğrendiği eğitim kümesi ve en sonda yalnızca bir kez kullanılan test kümesi olarak ayrılır.
• Çapraz doğrulama: Eğitim kümesi k parçaya bölünür; model her seferinde bir parça dışarıda bırakılarak k kez eğitilir ve dışarıdaki parçada sınanır. Model ve ayar seçimi bu ortalama başarıya göre yapılır (Hastie vd., 2009). Ayrıntı: yeniden örnekleme yöntemleri.
• Basit bir karşılaştırma ölçütü: Model, her zaman en sık sınıfı ya da ortalamayı tahmin eden basit bir kurala göre ne kadar iyi olduğuyla değerlendirilir.

Görev türüne göre kullanılan ölçütler:

Görev	Ölçütler
Regresyon	RMSE (hata karelerinin ortalamasının karekökü), MAE (ortalama mutlak hata), R²
Sınıflandırma	Doğruluk, kesinlik, duyarlılık, F1, ROC eğrisi altındaki alan (AUC)
Kümeleme	Siluet katsayısı; kümelerin anlamlı olup olmadığı alan bilgisiyle yorumlanır

Örnek: bir sınıflandırma modelini değerlendirmek

Bir model, test kümesindeki 100 hastadan hangilerinde hastalık olduğunu tahmin ediyor olsun (varsayımsal sayılar). Gerçekte 50 hastada hastalık var. Modelin tahminleri karışıklık matrisinde özetlenir:

	Model: hasta	Model: sağlıklı
Gerçekte hasta (50)	40 (doğru pozitif)	10 (yanlış negatif)
Gerçekte sağlıklı (50)	5 (yanlış pozitif)	45 (doğru negatif)

Bu tablodan:

• Doğruluk = (40 + 45) / 100 = 0.85
• Duyarlılık (gerçek hastaların ne kadarı yakalandı?) = 40 / 50 = 0.80
• Kesinlik (modelin hasta dediklerinin ne kadarı gerçekten hasta?) = 40 / 45 ≈ 0.89
• Özgüllük (gerçek sağlıklıların ne kadarı doğru tanındı?) = 45 / 50 = 0.90
• F1 = 2 × kesinlik × duyarlılık / (kesinlik + duyarlılık) ≈ 0.84

Doğruluk tek başına yanıltıcı olabilir. Hastalık 100 kişiden yalnızca 5’inde görülseydi, herkese “sağlıklı” diyen bir kural da %95 doğruluk elde ederdi ama hiçbir hastayı yakalamazdı. Bu yüzden dengesiz sınıflarda duyarlılık, kesinlik ve F1 birlikte raporlanır; hangi hatanın daha pahalı olduğu (hastayı kaçırmak mı, sağlıklıya yanlış alarm mı) eşiğin seçimini belirler.

Uygulama alanları

Alan	Örnek görevler
Sağlık	Tıbbi görüntülerde bulgu saptamaya destek, hastalık riskini tahmin etme, hastaneye yeniden yatışı öngörme
Finans ve bankacılık	Kredi riski skorlama, dolandırıcılık tespiti, müşteri kaybını tahmin etme
E-ticaret ve pazarlama	Ürün önerisi, talep tahmini, müşteri bölümlendirme
Otomotiv ve ulaşım	Sürücü destek sistemleri, arıza öncesi bakım tahmini, trafik akışı tahmini
Eğitim	Öğrencinin düzeyine göre içerik önerme, ders bırakma riskini erken saptama
Güvenlik	Ağ trafiğinde olağan dışı davranış tespiti, istenmeyen posta ve kimlik avı filtreleme
Tarım	Görüntülerden bitki hastalığı tespiti, verim tahmini, sulama planlama

Bu alanların çoğunda model, insanın yerine karar vermekten çok karar verene destek olarak kullanılır; özellikle sağlık ve kredide modelin hataları ve yanlılıkları ayrıca denetlenir.

Diller ve araçlar

• Python: En yaygın dildir. Tablo verisi için scikit-learn, derin öğrenme için PyTorch ve TensorFlow kullanılır.
• R: İstatistik kökenli kullanıcılar için güçlüdür; tidymodels ve caret paketleri model kurma ve değerlendirmeyi tek çatıda toplar. İstatistiksel öğrenme yöntemlerinin R ile uygulamalı anlatımı için James vd. (2021) iyi bir başlangıçtır.
• Julia: Yüksek performanslı bilimsel hesaplama için tasarlanmış bir dildir.
• MATLAB: Mühendislikte yaygın kullanılan, ücretli bir programlama dili ve sayısal hesaplama ortamıdır; hazır makine öğrenmesi fonksiyonları ayrıca lisanslanan araç kutularındadır (ör. Statistics and Machine Learning Toolbox; derin öğrenme için Deep Learning Toolbox).
• Kod gerektirmeyen araçlar: Kod yazmadan model kurmayı sağlar. Basira’nın ML Stüdyosu’nda Veri Hazırlığı (veri inceleme ve önişleme), Gözetimli Öğrenme (Sınıflandırma, Regresyon) ve Gözetimsiz Öğrenme (Kümeleme, Boyut İndirgeme) bölümleri vardır. Sınıflandırmada modeller çapraz doğrulamayla karşılaştırılır ve doğruluk, kesinlik, duyarlılık, F1 ve ROC AUC gibi ölçütler birlikte raporlanır.

Kısıtlılıklar ve gelişen alanlar

• Veri kalitesi: Model, verideki hataları ve eksikleri öğrenir. Yanlış etiketlenmiş ya da temsil gücü düşük veri yanlış sonuç verir.
• Yanlılık: Eğitim verisindeki toplumsal yanlılıklar modelin kararlarına yansıyabilir; bu yüzden farklı gruplardaki hata oranları ayrı ayrı incelenir.
• Genelleme: Model, eğitildiği koşullardan farklı bir ortamda (başka bir hastane, başka bir yıl) başarısını yitirebilir.
• Yorumlanabilirlik: Karmaşık modellerin kararlarını açıklamak zordur; açıklanabilir yapay zeka yöntemleri bu sorunu hafifletmeye çalışır.
• Nedensellik: Makine öğrenmesi modelleri ilişkiden tahmin yapar; bir değişkeni değiştirmenin sonucu nasıl etkileyeceğini söylemek nedensel bir tasarım ve çözümleme gerektirir.

Gelişen alanlar arasında açıklanabilir yapay zeka, verinin cihazdan çıkmadan öğrenildiği federe öğrenme, model kurmayı otomatikleştiren AutoML ve büyük dil modelleri bulunur. Makine öğrenmesinin yapay zekanın geneli içindeki yeri yapay zeka yazısında, bir veri projesinin adımları ise veri bilimi süreci yazısında anlatılmaktadır.

Sık sorulan sorular

Makine öğrenmesi ile yapay zeka aynı şey mi?

Hayır. Yapay zeka insan zekası gerektiren görevleri yapan sistemlerin genel adıdır; makine öğrenmesi bu sistemlerin veriden öğrenen kısmıdır. Kurala dayalı uzman sistemler yapay zekadır ama makine öğrenmesi değildir.

Makine öğrenmesi için ne kadar veri gerekir?

Göreve ve modele bağlıdır. Basit bir doğrusal model birkaç yüz gözlemle iyi çalışabilirken derin öğrenme modelleri çoğu zaman on binlerce örnek ister. Değişken sayısına göre az gözlem aşırı öğrenme riskini artırır.

Makine öğrenmesi öğrenmeye nereden başlamalıyım?

Temel istatistik (dağılım, regresyon, örnekleme), bir programlama dili (Python ya da R) ve model değerlendirme kavramları (eğitim-test ayrımı, çapraz doğrulama) iyi bir başlangıçtır. James vd. (2021) bu konuları uygulamalı biçimde anlatan ücretsiz erişimli bir giriş kitabıdır.

Tezimde makine öğrenmesi kullanabilir miyim?

Evet, ama yöntem araştırma sorusuna uygun olmalıdır. Amaç bir değişkenin etkisini açıklamaksa klasik regresyon çoğu zaman daha uygundur; amaç yeni gözlemler için doğru tahminse makine öğrenmesi yöntemleri öne çıkar. Amaç tahminse model eğitimde görmediği veride değerlendirilir; açıklama amaçlı bir modelde ise varsayımlar denetlenir ve model uyumu raporlanır.