Denetimli Öğrenme
Denetimli öğrenme, etiketli bir veri kümesi üzerinde bir modelin eğitilmesini içerir. Etiketli veriler, giriş verilerinin doğru çıktıyla eşlendiği anlamına gelir. Amaç, modelin girdiler ve çıktılar arasındaki eşlemeyi veya ilişkiyi öğrenmesi, böylece tahminlerde bulunabilmesi veya yeni, görünmeyen verileri doğru bir şekilde sınıflandırabilmesidir. Denetimli öğrenmenin iki ana türü vardır:
-
Sınıflandırma: Bu, kategorik bir etiketin tahmin edilmesini içerir. Örneğin, belirli özelliklere (kullanılan kelimeler, gönderen vb.) göre bir e-postanın spam olup olmadığının belirlenmesi. Sınıflandırma için Destek Vektör Makineleri (SVM), Karar Ağaçları ve Sinir Ağları gibi algoritmalar kullanılır.
-
Regresyon: sürekli bir değerin tahmin edilmesini içerir. Örneğin, bir evin fiyatını alan, yatak odası sayısı vb. özelliklere göre tahmin etmek. Regresyon görevleri için Doğrusal Regresyon, Rastgele Orman ve Gradient Boosting gibi algoritmalar kullanılır.
Denetimsiz Öğrenme
Denetimsiz öğrenme, etiketlenmemiş bir veri kümesi üzerinde bir modelin eğitilmesini içerir. Burada algoritma, herhangi bir açık denetim olmaksızın verilerdeki gizli kalıpları veya içsel yapıları bulmaya çalışır. Amaç, verileri keşfetmek, yapısını anlamak ve anlamlı içgörüler elde etmektir. Yaygın denetimsiz öğrenme türleri şunlardır:
-
Kümeleme: Benzer veri noktalarının belirli özelliklere veya benzerliklere göre birlikte gruplanması. Örneğin, K-Means veya Hiyerarşik Kümeleme gibi algoritmalar kullanılarak müşteri segmentlerinin satın alma davranışlarına göre kümelenmesi.
-
Boyutsallığın Azaltılması: Temel bilgiler korunurken özelliklerin sayısı azaltılır. Temel Bileşen Analizi (PCA) ve t-Dağıtılmış Stokastik Komşu Gömme (t-SNE), yüksek boyutlu verileri daha düşük boyutlu bir alanda görselleştirmek için kullanılır.
Her Biri Ne Zaman Kullanılmalı
-
Denetimli Öğrenme, verileri etiketlediğinizde ve bu etiketli verilere dayanarak gelecekteki örnekleri tahmin etmek veya sınıflandırmak istediğinizde kullanılır. Örneğin, müşteri satın alma işlemlerine ilişkin geçmiş verileriniz varsa ve gelecekteki satın alma işlemlerini tahmin etmek istiyorsanız denetimli öğrenme uygundur.
-
Denetimsiz Öğrenme, etiketli verileriniz olmadığında veya verilerin temel yapısını keşfetmek ve anlamak istediğinizde kullanılır. Örneğin, anormallik tespitinde veya büyük veri kümelerinde gizli kalıpları bulmada.
Bazen, yarı denetimli öğrenme olarak bilinen her iki öğrenme türünün bir kombinasyonu, az miktarda etiketli veriye ve büyük miktarda etiketsiz veriye sahip olduğunuzda kullanılabilir; böylece modellerin her iki bilgi kaynağından da yararlanmasına olanak sağlanır. .
