Microsoft Azure Machine Learning Temelleri

Bu, üç bölümlük bir serinin ilki. Bu makale, makine öğreniminin temellerini kapsar. İkinci bölüm, Microsoft Azure Machine Learning ve buna web hizmetleri aracılığıyla nasıl erişileceği konusunda daha derine inecek. Son olarak, üçüncü kısım bazı gerçek dünya örneklerinden geçecektir.

Veri bilimi bugünlerde en sıcak işlerden biri ve bize sağladığı bilgi zenginliği göz önüne alındığında bu hiç de şaşırtıcı değil. Veri bilimi, yararlı içgörü veya bilgi elde etmek için verileri kullanmayı ve manipüle etmeyi içerir. Veri biliminden elde ettiğimiz bilgi türü, dolandırıcılık tespiti, satış tahmini, görüntü ve dil tanıma gibi birkaç hayati alana uygulanabilir.

Bir kariyer seçimi olarak artan popülaritesine rağmen, veri bilimcisi olmak kolay değil. Matematik, veri görselleştirme, programlama ve alan bilgisi gibi çeşitli disiplinlerden alınan ve ustalaşması yıllar alabilen becerilerden oluşan bir roldür.

Klasik kural tabanlı programlama yaklaşımları, daha büyük ve daha yapılandırılmamış veri parçalarını işlemede başarısız olur. Veri bilimcileri tarafından oluşturulan makine öğrenimi modelleri, şirketlerin artık kural tabanlı yaklaşımlardan uzaklaşarak karar verme süreçlerini otomatikleştirmelerini sağlayarak algoritmaların verinin kendisinden öğrenmesini sağlıyor.

Makine öğrenimi tam olarak nedir?

Makine öğrenimi (ML), yapay zekanın (AI) bir alt alanıdır. ML, verilerdeki kalıpları bulmak ve kullanmak için kod yazmak ve bunlara güvenmek yerine, verileri basitçe sağlamamızı ve bilgisayar sisteminin bu kalıpları bizim için bulmasına izin vermemizi mümkün kılar.

Popüler inanışın aksine, iyi makine öğrenimi modelleri ve makine öğrenimi destekli uygulamalar oluşturmak için ileri dereceler gerekli değildir. Azure Machine Learning (Azure ML), geliştiricilerin ve veri bilimcilerinin, algoritmaların arkasındaki karmaşık matematiği anlamalarına gerek kalmadan regresyon, sınıflandırma, kümeleme ve diğer türde makine öğrenimi modelleri oluşturmasına olanak tanıyan bir platformdur.

Bir bilgisayar verilerden nasıl öğrenebilir?

Azure ML’nin nasıl çalıştığını ele almadan önce, makine öğreniminin temellerini tartışmak önemlidir. Makine öğreniminin basit bir açıklaması, makine öğreniminin bir veri noktasının etiketinde tahmin yapmak için özellikleri kullanmasıdır.

Özellikler, bir etiket üzerinde tahmin yapmak için kullanılan veri kümesinin öznitelikleridir. Örneğin, bir evin fiyatını tahmin etmeye çalışırken, algoritma metrekare cinsinden büyüklük, yatak odası sayısı veya banyo sayısı gibi özelliklere bakabilir.

Etiket ise modelin tahmin etmeye çalıştığı niteliktir. Konut örneğinde, etiket sadece evin fiyatıdır. Bir makine öğrenimi modeli, belirli bir evin özelliklerine bakar, bu özellikler için etiketlerin ne olduğunu öğrenir ve model yeni veriler gördüğünde, bu yeni veri parçası için etiketin ne olduğuna dair bir tahminde bulunabilir.

İki önemli makine öğrenimi algoritması türü vardır: denetimli öğrenme ve denetimsiz öğrenme.

denetimli öğrenme

Denetimli öğrenme algoritmaları, önceden etiketlenmiş, bazen önsel olarak adlandırılan veriler gerektirir. Etki alanı uzmanları veya şirket içi iş analistleri, verileri makine öğrenimi modeline aktarmadan önce etiketlemelidir. Regresyon ve sınıflandırma, denetimli öğrenmenin iki örneğidir.

Denetimli öğrenmenin kullanılabileceği bir durum, görüntü sınıflandırması içindir. Örneğin, bir geliştirici bir resmin kedi mi yoksa köpek mi olduğunu belirlemek için bir model oluşturmak isterse, algoritmanın makine öğrenimi modelini oluşturmak ve veri kümesindeki kalıpları tanımlamak için birkaç kedi resmine ve birkaç köpek resmine ihtiyacı olacaktır. Bu işleme makine öğrenimi modelinin eğitimi de denir. Model oluşturulduğunda ve bir kedi veya köpeğin yeni bir resmini gördüğünde, resmi doğru bir şekilde tanımlayabilmelidir.

denetimsiz öğrenme

Denetimsiz öğrenme etiketli veri gerektirmez. Denetimsiz öğrenme fikri, algoritmanın veri kümesini, veri noktaları arasındaki mesafeye bağlı olarak daha küçük veri gruplarına bölebilmesidir. Anormallik tespiti ve kümeleme, denetimsiz öğrenmenin örnekleridir.

Denetimsiz öğrenmenin kullanıldığı durumlara bir örnek, dolandırıcılık tespitidir. Rastgele kesilmiş orman gibi algoritmalar, bir veri kümesindeki “normal davranışı” temel alabilir ve bir şeyin olağandışı olduğu düşünüldüğünde, potansiyel olarak sahte bir işlem olarak işaretlenebilir.

Makine öğrenimi işlemleri

Denetimli ve denetimsiz öğrenme, makine öğreniminin temellerini kapsar. Azure ML’nin sağladığı, yalnızca bir model oluşturmak ve eğitmek için bir yöntem değil, aynı zamanda genellikle çıkarım olarak bilinen makine öğrenimi modelini üretmek için bir yöntemdir.

Bir veri kümesini eğitim için hazırlarken çoğu durumda veri bilimcileri veri kümesini yalnızca bir algoritmaya verip işlemeyle ilgilenmesini sağlayamaz. Tüm özelliklerin sayısal olduğundan ve hatta sayısal değerlerin bile makine öğrenimi modelini eğitmek için optimize edildiğinden emin olmak için veri kümesinin önce özellik mühendisliği adı verilen bir süreçten geçmesi gerekir. Örneğin, görüntü sınıflandırmasında algoritma bir resmin ne olduğunu anlamayacaktır. Eğitilecek algoritmaya beslenmeden önce resmin bir dizi sayıya dönüştürülmesi gerekecektir.

Model eğitildikten sonra bile süreç tamamlanmamıştır. Bu modelin de bir şekilde bir uygulama tarafından kullanılabilir olması gerekiyor. Azure ML, veri bilimcilerin makine öğrenimi modellerini çalışan bir uç nokta olarak dağıtmalarına olanak tanıyan yönetilen altyapı da sağlar. Ardından herhangi bir uygulama, uygulama programlama arabirimine (API) bağlanarak uç noktayı kolayca uzaktan tetikleyebilir.

Azure ML, veri bilimcilerinin tek bir işlem hattında bir makine öğrenimi modeli hazırlamasına, eğitmesine ve dağıtmasına olanak tanır. Deneyimli geliştiricilere bu işlem hattının her aşamasını özelleştirme yöntemleri sağlarken, koda aşina olmayanların modeli basit bir görsel arayüzle oluşturmasına da olanak tanır.

Çözüm

Makine öğrenimi inanılmaz derecede karmaşık bir konudur, bu nedenle makine öğreniminin temelleri ile başlamak önemlidir. “Makine öğrenimi nedir?” gibi temel kavramları anlama seni uzaklara götürecek. Denetimli ve denetimsiz öğrenme gibi temel makine öğrenimi paradigmalarını öğrenmek ve sınıflandırma, regresyon ve kümeleme gibi makine öğrenimi algoritmalarına aşina olmak, nitelikli bir veri bilimcisi olma yolculuğunuzu başlatmak için çok önemlidir.

Bu makalede, makine öğreniminin temellerini tartıştık, “Makine öğrenimi nedir” gibi temel soruları yanıtladık ve bazı temel makine öğrenimi algoritmalarını ve örneklerini tanıttık. Artık makine öğrenimi modellerini oluştururken, eğitirken ve dağıtırken neler olup bittiğinin temellerini anladığınıza göre, bunu kendiniz uygulamaya başlayabilirsiniz. Bu serinin sonraki bölümünde, AzureML kullanan uygulamalı bir makine öğrenimi öğreticisi olacak.

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.