Makine öğrenmesi nedir?
Makine öğrenmesi, yapay zekânın her örnek için sonucu tek tek kodlamak yerine veriden örüntü öğrenen bir yöntemidir. Geçmiş verideki örüntüleri bulur ve bunlara dayanarak yeni verilerde sınıflandırma ya da tahmin yapar. Örneğin bir sistem, geçmiş siparişleri inceleyerek yeni bir siparişin iade edilme riskini tahmin edebilir. Model, bu örüntüleri parametrelerinde saklar ve tahminlerini gerçek sonuçlarla karşılaştırarak ayarlanır.
Kuralla öğrenme arasındaki fark
Klasik yazılımda geliştirici her koşulu tek tek kodlar; kural değişirse program da değişmek zorundadır. Makine öğrenmesinde ise algoritma, girdi ve çıktı örneklerinden aralarındaki ilişkiyi kendisi çıkarır. Kaynakta verilen basit örnekte üç çift veriden doğrusal bir ilişki öğrenilmiş ve yeni girdi için çıktı tahmin edilmiştir. Bu yaklaşım, kuralların yazılamadığı karmaşık durumlarda avantaj sağlar.
Eğitim ve değerlendirme ayrımı
Eğitim kümesi modelin parametrelerini öğrenmesi için kullanılır. Doğrulama kümesi ayar ve model seçimine yardımcı olur. Test kümesi ise bu seçimler bittikten sonra son performansı ölçmek için ayrı tutulur. Aynı örnekleri öğretimde ve son testte kullanmak başarıyı olduğundan yüksek gösterebilir. Veri ayırırken aynı müşterinin birbirinin kopyası kayıtlarının iki tarafa dağılmamasına dikkat edin; gerektiğinde zamana göre ayırma seçeneğini değerlendirin.
Temsili işletme örneği
Temsili bir giyim e-ticaret sitesi, geçmiş ziyaret ve sipariş kayıtlarıyla ürün önerisi yapacak bir model geliştirmek istiyor. Ekip verinin çoğunu eğitimde, kalanını ayrı bir değerlendirme kümesinde kullanıyor. Ekip ayrıca ürün kategorisini ve sayfada geçirilen süreyi de girdi olarak ekliyor. Eğitim kümesinde başarılı görünen model, değerlendirme kümesinde kış ürünlerini yanlış önerince ekip sorunu inceliyor. Sonuçta mevsim bilgisi eklenerek model yeniden eğitiliyor ve yeni değerlendirme kümesinde başarısı ölçülüyor. Bu döngü, öneri kalitesinin mevsim değişince de korunup korunmadığını gösterir. Tüm adımlar, öneri kararlarını ölçülebilir kılar.
Kural tabanlı yazılım ve makine öğrenmesi
| Kural tabanlı yazılım | Makine öğrenmesi |
|---|---|
| Karar mantığı geliştiricinin yazdığı koşullardır | Karar örüntüleri eğitim verisinden öğrenilir |
| Kural değişikliği yazılımda uygulanır | Davranış eğitim verisi ve model ayarlarıyla değişebilir |
| Açık ve sabit koşullarda uygundur | Örüntüye dayalı tahminlerde değerlendirilebilir |
Sık karıştırılan nokta
Yaygın yanlış düşünce, makine öğrenmesi modelinin yüksek doğrulukla çalıştığı için her yeni veride de aynı başarıyı vereceğidir. Oysa model, eğitim verisinin dağılımına bağlıdır; müşteri davranışı veya mevsim değiştiğinde performans düşebilir. Düzeltmesi, sürekli izleme ve yeni verilerle periyodik değerlendirmedir. Bu nedenle başarı, kağıt üzerinde değil üretimde ölçülmelidir.
Uygulamada dikkat edilecekler
- Modele vermeden önce ürün, müşteri ve sipariş verilerindeki eksik, mükerrer ve tutarsız kayıtları sayın ve raporlayın.
- Veriyi zamana göre bölün: eğitim için eski dönemi, değerlendirme için daha yeni ve ayrı bir dönemi kullanın.
- Değerlendirme kümesine eğitimde kullanılan kayıtların girmediğini ve kopya satırların bulunmadığını her yeniden eğitimde kontrol edin.
- Başarı ölçütünü iş hedefine bağlayın, örneğin öneri tıklama oranı ve iade oranını aynı tabloda izleyin.
Sık sorulan sorular
E-ticarette makine öğrenmesi için en az ne kadar veri gerekir?
Kaynak kesin bir sayı vermez; gereken miktar probleme, veri kalitesine ve hesaplama gücüne bağlıdır. Küçük bir mağaza önce sınırlı ama temiz kayıtlarla basit bir model deneyebilir ve sonuçları düzenli olarak ölçebilir.
Eğitim, doğrulama ve test neden ayrılmalı?
Modelin öğrenmesi ve ayarların seçimi sırasında kullanılan kayıtlar, son başarı ölçümünü etkilememelidir. Test kümesi bu amaçla ayrı tutulur. Böylece yeni örneklerdeki hataları, eğitim verisini ezberlemekten kaynaklanan yapay başarıdan ayırmak kolaylaşır.
Teknik kaynak
Teknik tanım için birincil kaynağa başvurulmuştur. İşletme senaryosu açıklama amacıyla hazırlanmış temsili bir örnektir.
İlgili kavramlar
Kavramdan uygulamaya
İşletmenize uyarlamak için ilgili rehberleri inceleyin.
İlk Yapay Zekâ Asistanını Aşamalı Olarak Yayına AlmakYapay Zekâ Asistanı İçin Gerçekçi Senaryo Testleri HazırlamakTüm blog rehberleri