Giriş: Makine öğrenimine kısa bir bakış

Makine öğrenimi, verilerden örüntüler çıkarıp tahmin veya sınıflandırma gibi görevleri yerine getirebilen algoritmalar geliştirme disiplinidir. Bu alanda iki temel yaklaşım vardır: denetimli (supervised) ve denetimsiz (unsupervised) öğrenme. Denetimli öğrenme genellikle etiketli verilerle model eğitimi yaparak belirli sonuçları tahmin etmeye odaklanırken; denetimsiz öğrenme etiketlenmemiş veriler üzerinde gizli desenleri, kümeleri veya düşük boyutlu yapıları keşfetmeye odaklanır (kaynaklar: SAP, Google).

Temel terimler (kısa sözlük)

• Veri (Data): Modelle beslenen ham bilgiler; sayısal, kategorik, metin veya görüntü olabilir.
• Özellik (Feature): Modelin girdi olarak kullandığı değişkenler. Örneğin yaş, gelir, kelime sıklığı.
• Etiket (Label): Denetimli öğrenmede tahmin edilmek istenen hedef (ör. e-posta: spam/ham).
• Eğitim/Doğrulama/Test seti: Modeli eğitmek, parametreleri ayarlamak ve performansı değerlendirmek için veri parçaları.
• Aşırı uyum (Overfitting): Modelin eğitim verisine fazla uyup yeni veride kötü performans göstermesi.
• Yetersiz uyum (Underfitting): Modelin hem eğitim hem test verisinde yeterince iyi sonuç vermemesi.
• Hiperparametre: Model dışında ayarlanan parametreler (ör. karar ağacı derinliği, K değeri).
• Özellik mühendisliği: Ham veriden modele uygun özellikler üretme süreci.

Denetimli Öğrenme nedir?

Denetimli öğrenme, giriş verilerine karşılık gelen etiketli hedeflerin bulunduğu veri kümesiyle model eğitmeyi içerir. Amaç, yeni ve etiketlenmemiş girdiler için doğru tahminler yapacak bir fonksiyon öğrenmektir. Yaygın görevler:

• Sınıflandırma: Örnekleri kategorilere ayırmak (ör. e-posta spam filtresi).
• Regresyon: Sürekli değerleri tahmin etmek (ör. fiyat tahmini).

Denetimli öğrenme, e-posta spam filtreleme, kredi risk skorlama ve bazı tıbbi teşhis destek sistemlerinde kullanılır; bu uygulamalarda etiketli geçmiş veriler modelin öğrenmesi için önemlidir (SAP).

Yaygın denetimli algoritmalar

• Lineer Regresyon, Lojistik Regresyon
• Karar Ağaçları, Random Forest
• Destek Vektör Makineleri (SVM)
• K-En Yakın Komşu (K-NN)
• Yapay Sinir Ağları (basit çok katmanlı perceptronlar ve daha derin ağlar)

Denetimsiz Öğrenme nedir?

Denetimsiz öğrenmede hedef etiketleri yoktur; amaç verideki yapıları, kümeleri veya boyutsal indirgeme yollarını keşfetmektir. Bu yaklaşım keşifsel analiz, segmentasyon ve veri hazırlık aşamalarında sık kullanılır.

Tipik uygulamalar arasında müşteri segmentasyonu, pazar sepeti analizi ve anomali tespiti bulunur. Denetimsiz yöntemler, etiketlenmemiş büyük veri setlerinde gizli desenleri ortaya çıkarmaya uygundur (Google).

Yaygın denetimsiz algoritmalar

• K-means, Hiyerarşik kümeleme, DBSCAN
• Boyut indirgeme: PCA, t-SNE, UMAP
• Otoenkoderler (Autoencoders) — özellikle yüksek boyutlu veride gizli temsiller için

Algoritma örnekleri ve kısa açıklamalar

• Lineer Regresyon: Sürekli hedefleri tahmin eder; basit ve yorumlanabilir.
• Lojistik Regresyon: İkili sınıflandırma için kullanılır, olasılık tahminleri sunar.
• Karar Ağaçları / Random Forest: Hem sınıflandırma hem regresyon için uygundur; ağaç tabanlı modeller yorumlanabilirlik sunar.
• K-means: Veri noktalarını belirli sayıda kümeye ayırır; küme sayısı (K) dışarıdan belirlenmelidir.
• PCA: Özellik sayısını azaltarak verinin en fazla varyans gösteren doğrultularını bulur; görselleştirme ve hız için kullanışlıdır.

Hangi yöntemi ne zaman seçmelisiniz? Pratik karar kriterleri

1. Elinizde etiket var mı? Evet → Denetimli; Hayır → Denetimsiz veya yarı denetimli yöntemler düşünün.
2. Amaç tahmin mi yoksa keşif mi? Tahmin odaklıysa denetimli; segmentasyon/örüntü keşfi ise denetimsiz.
3. Veri miktarı ve kalite: Az etiketli veri varsa basit modeller veya veri artırma düşünün; çok büyük etiketlenmemiş veri için denetimsiz yöntemler yararlı olabilir.
4. Yorumlanabilirlik ihtiyacı: İş kararları için açıklanabilirlik gerekliyse daha basit/modüler modeller tercih edilir.

Proje adımları: Uygulanabilir kontrol listesi

• Problem tanımı: İş hedefini açıkça yazın (hangi metrikle başarının ölçüleceği dahil).
• Veri toplama: Gerekli veri kaynaklarını belirleyin ve veri gizliliği politikalarına uyun.
• Keşifsel veri analizi (EDA): Dağılımlar, eksik değerler, aykırı değerler ve sınıf dengesini inceleyin.
• Ön işleme: Eksik veriyi yönetme, kategorik değişkenleri kodlama, özellik ölçekleme.
• Veri bölme: Eğitim / doğrulama / test setlerini uygun şekilde ayırın—zamansal verilerde zaman sızıntısına dikkat edin.
• Model seçimi ve değerlendirme: Sınıflandırma için doğruluk, precision, recall, F1; regresyon için MSE, MAE, R2; kümeleme için silhouette gibi metrikleri kullanın.
• Hiperparametre optimizasyonu: Grid search, random search veya daha gelişmiş arama stratejileri ile modelinizi ayarlayın.
• Dağıtım ve izleme: Üretime alınan modelleri performans düşüşleri ve veri kaymaları için izleyin.

Kısa örnek vakalar

Spam filtreleme (Denetimli): Geçmiş e-postalar etiketliyse (spam/ham), denetimli sınıflandırma modelleri kullanılarak yeni mailler otomatik olarak sınıflandırılabilir. Bu tür uygulamalarda model performansı ve yanlış pozitif/negatif oranları iş değeri açısından dikkatle değerlendirilmelidir (SAP).

Müşteri segmentasyonu (Denetimsiz): Müşteri davranışları etiketli değilse, kümeleme algoritmalarıyla benzer müşteriler gruplandırılarak hedefli pazarlama stratejileri geliştirilebilir (Google).

Yaygın hatalar ve en iyi uygulamalar

• Veri sızıntısı (data leakage) olmamasına dikkat edin; test verisinden bilgi eğitime akmamalıdır.
• Modelinizi yalnızca tek bir metrikle değerlendirmeyin; iş bağlamına göre birden çok metrik kullanın.
• Dengesiz sınıflarda doğruluk yanıltıcı olabilir; precision/recall veya F1 daha bilgilendiricidir.
• Özellikle denetimsiz yöntemlerde sonuçları iş bilgisiyle yorumlayın; otomatik kümelemeler her zaman anlamlı olmayabilir.

Kaynaklar ve ileri okuma

Bu makaledeki tanımlar ve kullanım örnekleri için temel kaynaklar: SAP — Makine Öğrenmesi Nedir? ve Google Developers — Makine Öğrenimi Nedir?. Bu kaynaklar denetimli ve denetimsiz öğrenme arasındaki temel farkları ve uygulama örneklerini açıklar.

Not: Buradaki bilgiler genel rehberlik amaçlıdır. Spesifik uygulamalarda veri, regülasyon ve uzman gereksinimleri farklılık gösterebilir; örneğin tıbbi teşhis veya finansal kararlar gibi yüksek riskli alanlarda alan uzmanlarının görüşü ve uygun düzenleyici onaylar gereklidir.