Denetimli Öğrenme
Denetimli öğrenme, makine öğrenmesi algoritmaları arasında nispeten klasik bir yaklaşımdır ve lojistik regresyon ile yapay sinir ağları gibi yöntemleri içerir. Tipik yöntemler arasında Bayes Ağları (BN), Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN) ve Durum Tabanlı Akıl Yürütme (CBR) yer alır.
Denetimli öğrenmede, giriş verileri eğitim veri seti olarak adlandırılır. Kullanılan model fonksiyonları cebirsel fonksiyonlar veya olasılık fonksiyonları olabilir. Model eğitimi iteratif hesaplamalar ile gerçekleştirilir ve eğitim veri setine ait sonuçlar önceden bilinmektedir.
Bu algoritma şu şekilde çalışır: Öncelikle eğitim veri setine dayanarak tahminler yapılır, ardından bu tahminler bilinen sonuçlarla eşleşene kadar sürekli olarak güncellenir. Bu nedenle denetimli öğrenme genellikle sınıflandırma ve regresyon problemlerinde kullanılır.
Denetimsiz Öğrenme
Denetimsiz öğrenmenin temel özelliği, giriş verilerinin sonuç değerlerinin önceden belirlenmemiş olmasıdır. Yani algoritma tarafından üretilen sonuçlar başlangıçta belirsizdir.
Denetimsiz öğrenme genel olarak kümeleme, anomali tespiti ve rekabetçi öğrenme olarak sınıflandırılabilir. Örneğin, kümeleme yöntemi verilerin yapısını ve sayısal özelliklerini analiz ederek benzer verileri aynı gruplar altında toplar.
Yaygın denetimsiz öğrenme algoritmaları arasında K-Ortalamalar (K-means), Apriori algoritması ve Kendini Organize Eden Haritalar (SOM) bulunmaktadır.
Yarı Denetimli Öğrenme
Yarı denetimli öğrenme, pratik uygulamalarda daha yaygın olarak kullanılmaktadır çünkü diğer makine öğrenmesi yöntemlerine göre daha verimli olabilir.
Bu yaklaşım, etiketlenmiş veri ile etiketlenmemiş veriyi birlikte kullanır. Amaç, veri içerisindeki özellikler arasındaki ilişkileri öğrenerek bir sınıflandırma modeli oluşturmaktır.
Yarı denetimli öğrenme hem sınıflandırma hem de regresyon problemlerinde kullanılabilir.
Pekiştirmeli Öğrenme
Pekiştirmeli öğrenme, istatistiksel ve dinamik programlama temelli bir öğrenme yöntemidir. Bu yöntemde öğrenme süreci, doğrudan veri yerine çevresel geri bildirim kullanılarak gerçekleştirilir.
Bu yaklaşım özellikle robot kontrolü gibi hassas karar verme gerektiren problemlerde yaygın olarak kullanılır. Temel algoritmalar arasında Q-Öğrenme (Q-Learning) ve Zamansal Fark Öğrenmesi (Temporal Difference Learning) yer alır.
Kaynaklar
- Review on Studies of Machine Learning Algorithms | Peiyuan Xu
- Machine Learning: Algorithms, Real-World Applications and Research Directions (atıf olarak kullanılabilir)
- MAKİNE ÖĞRENMESİ YÖNTEMLERİYLE KALPHASTALARININ SAĞKALIM TAHMİNİ
- https://murat-durmus.medium.com/42-most-commonly-used-machine-learning-algorithms-73183233f3ef
- https://www.geeksforgeeks.org/machine-learning/machine-learning-models/
- https://blog.dailydoseofds.com/p/the-categorization-of-clustering
- https://machine-learning-tutorial-abi.readthedocs.io/en/latest/index.html
- https://www.instagram.com/p/DYkA6wlCbVR/?img_index=2&igsh=MWxseTU1ZDNtN3BrOQ%3D%3D
