Makine Öğrenimi Nedir?

Makine öğrenimi, bilgisayarların verilerden öğrenerek ve deneyim kazanarak görevleri iyileştirmesini sağlayan yapay zekâ alt dalıdır. Bu yaklaşımda model, verideki örüntüleri tespit ederek yeni verilere ilişkin tahminler üretir. Tanım ve temel ayrımlar için SAP kaynaklarına bakılabilir (SAP - Makine Öğrenmesi nedir?).

Temel Öğrenme Türleri

Denetimli Öğrenme

Denetimli öğrenme, modelin giriş verisi ile doğru çıktılar (etiketler) çiftlerinden öğrenmesini sağlar. Sınıflandırma ve regresyon problemleri denetimli öğrenme kapsamında yer alır. Kurumsal uygulamalara örnek olarak müşteri kaybı (churn) tahmini veya dolandırıcılık tespiti verilebilir (SAP - Makine Öğrenmesi Türleri).

Denetimsiz Öğrenme

Denetimsiz öğrenme, etiketlenmemiş verideki örüntü, kümeleşme veya boyut indirgeme yapılarının keşfine odaklanır. Müşteri segmentasyonu veya anomali tespiti gibi uygulamalarda sıklıkla tercih edilir (SAP - Makine Öğrenmesi Türleri).

Pekiştirmeli Öğrenme

Pekiştirmeli öğrenmede bir ajan, belirli bir ortam içinde aksiyonlar alarak ödül/ceza sinyallerinden en iyi stratejiyi öğrenir. Karar destek sistemleri ve optimizasyon problemlerinde kullanılır; bu konuda temel açıklama için Google geliştirici dökümantasyonuna bakılabilir (Google Developers - Makine Öğrenimi).

Makine Öğrenimi Terimleri (Özet)

  • Veri seti: Modeli eğitmek ve test etmek için kullanılan veri kümeleri (train/validation/test).
  • Etiket (Label): Denetimli öğrenmede modelin öğrenmesi beklenen doğru çıktı.
  • Özellik (Feature): Modelin girişinde kullandığı bağımsız değişken veya sütun.
  • Model: Veriden öğrenilen matematiksel veya istatistiksel yapı.
  • Overfitting / Underfitting: Aşırı uyum (train veriine çok iyi ama yeni veride kötü performans) ve yetersiz uyum sorunları.
  • Özellik mühendisliği: Ham veriden model için anlamlı özellikler oluşturma süreci.
  • Cross-validation: Model doğrulama yöntemi; veri setini birden çok katmana bölerek daha güvenilir performans tahmini sağlar.
  • Hiperparametre: Modelin öğrenme sürecini yöneten dış parametreler (örn. regularizasyon katsayısı, ağaç derinliği).
  • Metrikler: Sınıflandırma için accuracy, precision, recall, F1, ROC-AUC; regresyon için MAE/RMSE gibi ölçütler.

Özellik Mühendisliği: Pratik Yaklaşım

Özellik mühendisliği, başarının anahtarlarından biridir. İşte uygulamada izlenecek pratik adımlar:

  • Alan uzmanlarıyla çalışın: İş sürecini ve hangi sinyallerin önemli olabileceğini domain uzmanlarından öğrenin.
  • Veri keşfi: Eksik değerleri, aykırı değerleri ve dağılımları inceleyin.
  • Temel dönüşümler: Kategorik değişkenler için one-hot veya ordinal kodlama, sayısal değişkenler için ölçekleme/standardizasyon.
  • Zaman tabanlı özellikler: Zaman serisi verilerde kayma, hareketli ortalamalar veya gecikmeli (lag) özellikler oluşturun.
  • Özet istatistikler: Kullanıcı başına ortalama işlem sayısı, son 30 güne dair toplam gibi toplulaştırmalar sık kullanılır.
  • Seçme ve boyut indirgeme: Korelasyon analizi, ağaç temelli feature importance veya PCA ile gereksiz özellikleri eleme.

Cross-Validation: Ne Zaman ve Nasıl?

Cross-validation, model performansını veri setinin farklı bölümlerinde test ederek daha güvenilir sonuç verir. Öneriler:

  • K-fold CV: Veri rastgele ve dengeli ise 5 veya 10 katlı cross-validation pratik bir seçim olabilir.
  • Stratified K-Fold: Hedef sınıf dağılımı dengesizse sınıf oranlarını koruyan stratified yaklaşımlar tercih edilir.
  • Zaman serileri: Zaman bağımlılığı varsa zaman bazlı (rolling/expanding window) doğrulama kullanılmalıdır.
  • Nested CV: Hiperparametre optimizasyonu sırasında bilgi sızıntısını önlemek için nested cross-validation yararlıdır.

Kurumsal Makine Öğrenimi Projesi: Adım Adım

Kurumsal projelerde başarı için aşağıdaki yol haritasını kullanın:

  1. Problemi netleştirin: İş hedefi nedir? Hangi KPI iyileşecek?
  2. Veri toplama ve değerlendirme: Verinin kalitesini, kapsamını ve erişilebilirliğini doğrulayın.
  3. Etiketleme planı: Denetimli projelerde tutarlı ve kabul edilebilir etiketleme süreçleri tasarlayın.
  4. Özellik mühendisliği: Yukarıdaki adımlara göre anlamlı girdiler oluşturun.
  5. Model seçimi ve eğitim: Basit modellerle başlayıp gerektiğinde karmaşık modellere geçin; cross-validation kullanın.
  6. Değerlendirme: İş hedefine uygun metrikleri seçin ve modelin beklenen faydayı üretip üretmediğini kontrol edin.
  7. Dağıtım ve izleme: Model üretime alındıktan sonra performans drift’ini, veri dağılım değişikliklerini ve gecikmeleri izleyin.
  8. Sürdürme ve geri bildirim: Modeli periyodik olarak yeniden eğitin; iş birimleriyle geri besleme döngüsü kurun.

Kurumsal Örnekler

  • Müşteri Kaybı Tahmini (Churn): Müşteri davranış verilerinden kayıp riski tahmini yapılarak korunacak müşteri grupları belirlenir. Bu tip uygulamalar SAP kaynaklarında örneklenmiştir (SAP - Uygulama Alanları).
  • Dolandırıcılık Tespiti: Gerçek zamanlı ya da toplu analizlerle anomali ve sahtekârlık modeli kurularak finansal kayıplar azaltılabilir.
  • Görüntü Sınıflandırma: Üretimde kalite kontrol veya görsel denetim süreçlerinde otomatik sınıflandırma modelleri kullanılır.

Değerlendirme Metrikleri: Hangi Durumda Hangisi?

  • Accuracy: Sınıflar dengeli ise genel doğruluk göstergesi olarak kullanılabilir.
  • Precision / Recall / F1: Pozitif sınıfın önemi yüksekse (ör. dolandırıcılık), precision ve recall daha anlamlıdır.
  • ROC-AUC: Modelin sınıflar arasındaki ayırma gücünü gösterir; olasılık tabanlı modellerde faydalıdır.
  • MAE / RMSE: Sürekli değer tahminlerinde hata büyüklüğünü ölçer.

Yaygın Tuzaklar ve Riskler

  • Veri sızıntısı (data leakage): Eğitime dahil edilmemesi gereken verilerin modele verilmesi yanlış avantaj sağlar; eğitim ve test bölme kurallarına dikkat edin.
  • Aykırı etiketleme ve düşük kaliteli etiket: Etiketlerin tutarlılığı model başarısını doğrudan etkiler; etiketleme rehberi ve kalite kontrolleri uygulayın.
  • Model sapması (bias) ve açıklanabilirlik: İş kararlarında kullanılacak modellerde şeffaflık ve açıklanabilirlik gereksinimlerini değerlendirin.
  • Gizlilik ve uyumluluk: Kişisel verilerle çalışırken kurumunuzun yasal uyumluluk gereksinimlerini karşılayın ve hukuk/uyumluluk birimleriyle çalışın.

Hızlı Başlangıç Kontrol Listesi

  • İş hedefi ve beklentiyi tanımladınız mı?
  • Veri erişimi ve kalitesi onaylandı mı?
  • Basit bir pilot model kurup cross-validation ile test ettiniz mi?
  • Performans metriklerini iş KPI'larına bağladınız mı?
  • Dağıtım ve izleme planı hazır mı?

Sıkça Sorulan Sorular

Makine öğrenimi ile klasik istatistik arasındaki fark nedir?

Kısa cevap: İstatistik genelde veri üzerinden parametre tahmini ve ilişki testlerine odaklanırken, makine öğrenimi tahmin doğruluğunu maksimize etmeye ve geniş veri setlerinde örüntü keşfetmeye odaklanır. Uygulama bağlamı ve amaç farklılıkları belirleyicidir.

Yeni başlayan bir ekip hangi adımla başlamalı?

Öncelikle küçük ve iyi tanımlanmış bir pilot problem seçin, veri kalitesini kontrol edin, basit modellerle başlayın ve sonuçları iş birimleriyle birlikte değerlendirin. Ardından ölçeklendirme ve üretime alma adımlarına geçin.

Cross-validation her zaman gerekli mi?

Cross-validation, özellikle veri sınırlıysa modelin genellenebilirliğini değerlendirmek için oldukça faydalıdır. Zaman serilerinde veya veri bağımlılıklarında uygun CV stratejileri tercih edilmelidir.