Kaynak: https://lolonolo.com/2025/09/05/makine-ogrenmesi-2024-uc-ders-sinav-sorulari/
Makine Öğrenmesi 2024 Üç Ders Sınav Soruları
Makine öğrenmesi, bilgisayarların verilerden öğrenerek görevleri yerine getirmesini sağlayan bir yapay zekâ dalıdır. Bu alanın temel unsurları; bir “Görev”, görevi öğrenmek için kullanılan “Deneyim (Veri)” ve görevin ne kadar iyi yapıldığını ölçen bir “Performans” metriğidir. Kullanılan programlama dili ise bir uygulama aracıdır, temel bir unsur değildir. Bu makalede, makine öğrenmesi sürecinin temel adımları, popüler algoritmalar ve bu algoritmaların performansını değerlendirme yöntemleri incelenecektir.
Her makine öğrenmesi projesi veri ile başlar. Veriler, “küçük – orta – büyük” gibi doğal bir sıralamaya sahip olan “sıralı kategorik veri” gibi farklı türlerde olabilir. Modellerin daha iyi performans göstermesi için veri ön işleme adımı kritik öneme sahiptir. Veri setinde diğer gözlemlerden önemli ölçüde uzak olan “aykırı değerler” tespit edilip uygun şekilde ele alınmalıdır. Maaş gibi sürekli bir sayısal değişkeni, “düşük”, “orta”, “yüksek” gibi kategorilere ayırma işlemine “veri ayrıklaştırma” denir. Kategorik değişkenleri sayısal formata dönüştürmek için ise “yapay (dummy) kodlama” gibi teknikler kullanılır. Veriyi anlamanın en iyi yollarından biri görselleştirmedir; Python’da “Matplotlib” ve “Seaborn” bu amaçla kullanılan başlıca kütüphanelerdir. Bir değişkenin dağılımını görmek için “histogram” kullanılırken, iki değişken arasındaki ilişkiyi görmek için saçılım grafikleri tercih edilir.
Veri hazırlandıktan sonra, probleme uygun bir algoritma seçilir. Makine öğrenmesi stratejileri genel olarak “Danışmanlı (Gözetimli)”, Danışmansız (Gözetimsiz) ve Pekiştirmeli Öğrenme olarak üçe ayrılır.
Sınıflandırma: “Bana arkadaşını söyle, sana kim olduğunu söyleyeyim” atasözünün mantığıyla çalışan “k-En Yakın Komşu (k-NN)” algoritması, bir veri noktasını en yakın komşularına göre sınıflandırır. “Naive Bayes” algoritmasının sürekli verilerle çalışan versiyonu ise, niteliklerin “Normal (Gauss) dağılımına” uyduğu varsayımını yapar. “Karar Ağaçları” ise veriyi kurallara göre bölen popüler bir yöntemdir; ID3, C4.5 ve CART bu alandaki bilinen algoritmalardır.
Regresyon: Bir veya daha fazla bağımsız değişkenin, sonuç durumundaki “bağımlı değişken” üzerindeki etkisini modeller. Örneğin, ev fiyatını (fiyat) evin büyüklüğü (buyukluk) ve bulunduğu bölgeye (bolge) göre tahmin etmek için `fiyat ~ buyukluk + bolge` şeklinde bir formül kullanılır.
Kümeleme: “k-Ortalamalar (k-Means)” algoritması, etiketlenmemiş verileri belirli sayıda kümeye ayırmak için kullanılır. `KMeans(n_clusters=5)` gibi bir kod, bu algoritmanın 5 küme ile çalıştırıldığını gösterir.
Yapay Sinir Ağları: İnsan beyninden esinlenen bu modellerde, bir nöronun “net girdisi”, her bir girdinin kendi ağırlığıyla çarpılıp toplanmasıyla (ağırlıklı toplam) hesaplanır.
Bir makine öğrenmesi modeli; eğitim verisi, nitelikler, algoritma ve parametreler gibi temel bileşenlerden oluşur. Modelin kurulmasından sonra performansı titizlikle değerlendirilmelidir. Çoklu doğrusal regresyon modelinde, bir niteliğin anlamlı olup olmadığına genellikle “p-değeri 0.05’ten küçükse” karar verilir. Modelin genel açıklama gücü ise “belirginlik katsayısı (R²)” ile ölçülür; 1’e en yakın değer en iyi modeli gösterir. Sınıflandırma modellerinde ise doğruluk (accuracy) ve “hata oranı” (error rate = 1 – accuracy) gibi metrikler kullanılır. Kümeleme analizinde ise en uygun küme sayısını belirlemek için “Silhouette katsayısı” gibi metriklerden faydalanılır; en yüksek katsayı en iyi sonucu gösterir. Modelin performansını daha güvenilir bir şekilde ölçmek için ise “çapraz geçerleme” (cross-validation) tekniği kullanılır ve nihai performans, her katlamada elde edilen sonuçların “ortalaması” alınarak bulunur.
Makine öğrenmesi, verilerden desenler öğrenerek akıllı sistemler oluşturma sürecidir. Bu sürecin temellerinde, Alan Turing tarafından geliştirilen ve bir makinenin zekasını test etmek için bir “insan denek” gerektiren “Turing Testi” gibi felsefi fikirler yatar. Günümüzde ise makine öğrenmesi, veri ön işlemeden algoritma seçimine ve titiz model değerlendirmesine kadar uzanan sistematik bir mühendislik disiplini haline gelmiştir.
