Denetimsiz öğrenme

 K-ortalama kümeleme (k-means clustering): K-Ortalama Kümeleme [1], bir veri setini otomatik olarak k adet gruba ayırmak için yaygın olarak kullanılan bir yöntemdir. İlk olarak k adet küme merkezi seçilir ve sonrasında yinelemeli olarak şu şekilde yeniden düzenlenir [2]:

1. Her bir örnek 𝑑𝑖 , en yakın küme merkezine atanır.
2. Her küme merkezi 𝐶𝑗 , kendisini oluşturan örneklerinin ortalaması olarak güncellenir.

Algoritma, kümelere örnek atanmasında başka bir değişiklik olmadığında birleşir. En yakın küme merkezine atama işlemi için hesaplamada, Öklid mesafesi hesabı kullanılır [3].

K-Ortalama kümeleme algoritması avantaj ve dezavantajları

 Birliktelik kuralları (association rules): Birliktelik kuralları, büyük veri kümeleri arasındaki ilişkileri bulmak için kullanılır. Bu teknik, 1993 yılında Agrawal, Imielinski ve Swami tarafından geliştirilmiştir [4]:

𝐼 = {𝑖1, 𝑖2, … , 𝑖𝑛} → n tane ürünün öznitelikler kümesi,

𝐷 = {𝑡1, 𝑡2, … , 𝑡𝑚} → veri tabanı olarak adlandırılan işlemler kümesi,

D kümesi içerisindeki her işlem, eşsiz bir işlem ID numarasına sahiptir ve I kümesi içindeki öğelerin bir alt kümesini içerir. Kural olarak: 𝑋 => 𝑌, 𝑋, 𝑌 ⊆ 𝐼 şeklinde tanımlanmıştır. Birliktelik kuralı, aynı alışveriş sepetindeki iki nesne arasındaki ilişki olarak tanımlanabilir. Bir sepette, öncül kalem olarak bilinen bir nesnenin varlığı, ardıl (bağlı) kalem olarak bilinen diğer nesnenin olma ihtimalini arttırdığında, iki nesne arasında pozitif birliktelik kuralı vardır denir. Ayrıca bir sepette öncül nesnenin varlığı, ardıl nesnenin aynı sepette veya işlemde olmaması olasılığını arttırdığında ise n-öncül nesnenin ardıl nesne ile negatif birliktelik kuralından söz edilir. Birliktelik kuralları, simetrik değildir, dolayısıyla, X nesne ile Y nesne arasında belli bir birliktelik kuralının olması, ters yönde de yani Y’nin X ile bir birliktelik kuralı olmasını gerektirmez [5]. Birliktelik kuralları için kullanılan farklı algoritmalar bulunmaktadır ve Apriori algoritması, bu algoritmalar arasında en çok bilinenidir:

• AIS
• Apriori
• CHARM
• FP-Growth
• Partition
• RARM (Rapid Association Rule Mining)
• SETM

Bir sonraki postta yarı denetimli öğrenme konusuna değineceğim…

 

KAYNAKLAR

[1] MacQueen, J. B. (1967). Proceedings of the Fifth Symposium on Math, Statistics, and Probability. Some methods for classification and analysis of multivariate observations, 281–297. Berkeley: CA: University of California Press.

[2] Wagstaf, K., Cardie, C., Rogers, S., and Schroedl, S. (2001). Proceedings of the Eighteenth International Conference on Machine Learning. Constrained K-means Clustering with Background Knowledge, 577–584. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.

[3] Dinçer, E. (2006). Veri Madenciliğinde K-Means Algoritması ve Tıp Alanında Uygulanması. Yüksek Lisans Tezi, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Kocaeli.

[4] Agrawal, R., Imieliński, T., and Swami, A. (1993). Mining association rules between sets of items in large databases, SIGMOD ’93 Proceedings of the 1993 ACM SIGMOD international conference on Management of data. Washington, D.C., USA: ACM New York, NY, USA. doi: 10.1145/170035.170072

[5] MALIK, Z. M., AL-SHEHABI, S., and Dökeroğlu, T. (2018). Gözetimsiz Makine Öğrenme Teknikleri ile Miktara Dayalı Negatif Birliktelik Kural Madenciliği. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 6, 1119–1138.

[6] Savaş, S. (2019), Karotis Arter Intima Media Kalınlığının Derin Öğrenme ile Sınıflandırılması, Gazi Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Doktora Tezi, Ankara.

 

 

Makine Öğrenmesi

 Makine öğrenmesi sayesinde, bilgisayarlar artık hava durumunu tahmin etme, borsa sonuçlarını belirleme, alışveriş alışkanlıklarını anlama, bir fabrikada robotları kontrol etmek vb. gibi durumlar için “eğitilebilir” durumdadırlar. Google, Amazon, Facebook, Netflix, LinkedIn gibi firmalar tüketiciye yönelik daha popüler hizmetlerin tümünü makine öğrenmesiyle desteklemektedir. Fakat tüm bu öğrenmelerin merkezinde bir algoritma olarak bilinen şey vardır. Özet olarak bir algoritma tam bir bilgisayar programı değil, tek bir problemi çözmek için sınırlı bir adım dizisidir. Algoritmada özel ve tek bir hedefe ulaşmak için belirli adımlar atılmaktadır.

 

Özünde makine öğrenmesi deneme yanılma esasına dayanır. Kendi kendini süren bir arabanın bir yayayı bir ağaçtan veya bir araçtan ayırt etmesine yardımcı olabilecek bir program el ile yazılamayabilir ancak verileri kullanarak bu sorunu çözebilecek bir program için bir algoritma oluşturulabilir. Algoritmalar ayrıca programların bir kasırganın yolunu tahmin etmesine, Alzheimer’ın erken dönemini teşhis etmesine, dünyanın en fazla ödenen ve ödenmeyen futbol yıldızlarını belirlemesine yardımcı olmak için oluşturulabilir. Makine öğrenme algoritmaları temelde programların öngörülerde bulunmalarını sağlar ve zaman içinde deneme yanılma deneyimlerine dayanarak bu tahminlerde daha iyi sonuçlar alır.

Makine öğrenmesi algoritmalarının dört ana türü vardır:

• Denetimli Öğrenme (Supervised Learning)
• Denetimsiz Öğrenme (Unsupervised Learning)
• Yarı Denetimli Öğrenme (Semi-supervised Learning)
• Takviyeli Öğrenme (Reinforcement Learning)

Denetimli öğrenmede etiketli verileri içeren bir bilgisayar programı sağlanır. Örneğin, görüntüleri sıralamak için bir algoritma kullanarak kedi ve köpek resimlerini ayırma görevi tanımlandığında, kedisi olanların bir “kedi” etiketi olur ve köpeği olan resimlerin “köpek” etiketi olur. Bu bir “eğitim” veri seti olarak kabul edilir ve etiketler, program görüntüleri kabul edilebilir bir oranda başarılı bir şekilde sıralayabilene kadar yerinde kalır. Sürecin sonunda girdi verilerini en iyi tanımlayan işlev seçilir ve verilen “X” (girdi) için en iyi tahmini “y” (çıktı) yapar. Denetimli öğrenme algoritmaları, hedef tahmin çıktısı ile girdi özellikleri arasındaki ilişkileri ve bağımlılıkları, önceki veri setlerinden öğrendiği ilişkilere dayanarak yeni veriler için çıktı değerlerini tahmin edebilecek şekilde modellemeye çalışır.

• En Yakın Komşu (Nearest Neighbor),
• Naive Bayes, Karar Ağaçları (Decision Trees),
• Doğrusal Regresyon (Linear Regression),
• Destek Vektör Makineleri (Support Vector Machines),
• Yapay Sinir Ağları (Artificial Neural Networks)

gibi algoritmalar, denetimli öğrenme algoritmalarının başlıcalarıdır.

Denetimsiz öğrenme hiçbir şekilde etiket içermez. Bunun yerine, program iki yöntemden birini kullanarak kedi ve köpek görüntülerini iki gruba bölme görevine kör bir şekilde atılır. Kümeleme algoritmasında bacak boyu, gövde uzunluğu, gözler vb. gibi özelliklere dayalı olarak benzer nesneler bir araya getirilir. Diğer algoritmaya ise ilişkilendirme denir ve programın keşfettiği benzerliklere dayanarak kurallar oluşturulur. Başka bir deyişle, görüntüler arasında ortak bir kalıp belirlenir ve görüntüler buna göre sıralanır. Temel olarak desen tespiti ve tanımlayıcı modellemede kullanılan makine öğrenme algoritmaları ailesidir.

• K-Ortalama Kümeleme (K-Means Clustering),
• Birliktelik Kuralları (Association Rules)

gibi algoritmalar, denetimsiz öğrenme algoritmalarının başlıcalarıdır.

Yarı denetimli öğrenme, bilgisayarların hem etiketli hem de etiketsiz verilerin varlığında, insanlar gibi doğal sistemlerin nasıl öğrendiği üzerine yapılan çalışmalarla ilgili bir öğrenme paradigmasıdır [1]. Yarı denetimli öğrenmede yalnızca birkaç resim etiketlenir. Bilgisayar programı daha sonra etiketlenmemiş görüntüler hakkında en iyi tahminde bulunmak için bir algoritma kullanır ve ardından veriler programa eğitim verileri olarak geri beslenir. Daha sonra sadece birkaç etiketi içeren yeni bir görüntü grubu sunulur. Program kedi ve köpekleri kendi arasında kabul edilebilir bir oranda ayırt edebilinceye kadar tekrarlayan bir işlemdir. Yarı denetimli öğrenme önceki ikisinin arasında yer alır. Etiketleme pek çok durumda uzmanları gerektirdiği için maliyeti oldukça yüksektir. Dolayısıyla, gözlemlerin çoğunda etiket yokluğunda ancak az sayıda mevcut olsa da, yarı denetimli algoritmalar model yapımı için en iyi adaylardır. Bu yöntemler, etiketlenmemiş verilerin grup üyeliğinin bilinmemesine rağmen, bu verilerin grup parametreleri hakkında önemli bilgiler taşıdığı fikrinden yararlanmaktadır.

Takviyeli öğrenmede program oyunun kurallarını ve nasıl oynanacağını bilir ve turu tamamlama adımlarını uygular. Satranç, bu tür bir algoritmaya örnek olabilir. Programa verilen tek bilgi maçı kazanıp kazanmamasıdır. Sonunda bir maç kazanana kadar başarılı hamlelerini takip ederek oyunu tekrarlamaya devam eder. Sürekli olarak yinelemeli bir şekilde çevreden öğrenir. Süreçte aracı, çevre konusundaki deneyimlerinden olası tüm durumları araştırana kadar öğrenir.

• Zamansal Fark (Temporal Difference (TD)),
• Q Öğrenme (Q Learning),
• Sarsa algoritmaları,

başlıca takviyeli öğrenme algoritmalarındandır.

Bu öğrenme türlerinin derinlemesine olarak içeriğine sonraki postlarda değineceğim.

                                                      Dünden Bugüne Yapay Zeka
 

KAYNAKLAR

[1] Zhu, X., and Goldberg, A. B. (2009). Introduction to Semi-Supervised Learning. Artificial Intelligence and Machine Learning, 130. doi: 10.2200/S00196ED1V01Y200906AIM006

[2] Savaş, S. (2019), Karotis Arter Intima Media Kalınlığının Derin Öğrenme ile Sınıflandırılması, Gazi Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Ana Bilim Dalı, Doktora Tezi, Ankara.