Denetimli ve Denetimsiz Öğrenme Nedir? Farkları ve Örnekler

Denetimli öğrenme nedir ve denetimsiz öğrenmeden farkı nedir?

Denetimli öğrenme, bir modeli girdi ve doğru cevap (etiket) çiftleriyle eğitip yeni girdiler için cevabı tahmin ettiren makine öğrenmesi yaklaşımıdır. Denetimsiz öğrenme ise etiket olmadan veriye bakar ve grupları, örüntüleri, olağandışı kayıtları kendisi bulur. Kısacası ilkinde doğru cevap elinizdedir, ikincisinde veri yapısını size gösterir.

Bu yazıda iki yaklaşımı yalın bir dille anlatacağız. Ardından görev türlerini, işletme örneklerini, etiketleme maliyetini ve seçim kontrol listesini ele alacağız. Böylece hem yeni başlayan hem de teknik okur kendine uygun bir yol bulur.

Yazı özellikle yapay zeka projesine karar vermeden önce kavramları netleştirmek isteyen yöneticiler, pazarlama ve ürün ekipleri ve yeni başlayan geliştiriciler için hazırlandı. Formül ve kod yok; kavramı, örneği ve kararı konuşuyoruz.

Hesap ve karar örneklerimiz "örnek senaryo" niteliğindedir. Gerçek müşteri sonucu ya da ölçtüğümüz bir başarı oranı paylaşmıyoruz.

Bu iki yaklaşımı sade bir benzetmeyle nasıl düşünebilirsiniz?

Bir mutfak çırağını düşünün. Şef, birinci çırağa her tabağın yanına bir not bırakır: "bu tuzlu, bu dengeli, bu yavan". Çırak yüzlerce tabaktan sonra yeni bir tabağı tadınca notu kendisi tahmin eder. İşte denetimli öğrenme budur.

İkinci çırağa ise hiç not bırakmaz, yalnızca bir kasa malzeme verir. Çırak benzer kokuları, benzer dokuları bir araya dizer ve raflar oluşturur. Kimse ona rafın adını söylemez. Bu yüzden denetimsiz öğrenmeyi "veride kendi kendine yapı bulma" diye tarif ederiz.

Benzetmenin kilit noktası şudur: Birinci çırak şefin tanımladığı hedefe yaklaşmaya çalışır. İkinci çırak ise hedefi bilmeden benzerliğe bakar. Dolayısıyla ilk durumda başarıyı ölçmek kolaydır, ikincisinde ise yorum gerekir.

Denetimli öğrenme nasıl çalışır?

Süreç dört kavramsal adımdan oluşur. Önce etiketli bir veri kümesi hazırlarsınız. Sonra modele örnekleri gösterip tahmin yaptırırsınız. Tahmin yanlışsa model, hatayı küçültecek şekilde iç ayarlarını günceller. Son olarak eğitimde görmediği örneklerle modeli sınarsınız.

• Özellikler (features): Modelin baktığı girdi bilgileridir, örneğin bir e-postadaki kelimeler ya da bir sipariş tutarı.
• Etiket (label): Modelin tahmin etmesi istenen doğru cevaptır, örneğin "spam" ya da "spam değil".
• Eğitim kümesi: Modelin öğrendiği etiketli örneklerdir.
• Doğrulama ve test kümesi: Modelin daha önce görmediği, genelleme gücünü ölçtüğümüz örneklerdir.

Eğitim sırasında model her tahminden sonra hatasını hesaplar. Bu hataya kayıp denir. Model, kaybı küçültmek için iç ayarlarını küçük adımlarla değiştirir. Amaç eğitim verisini ezberlemek değil, yeni örneklerde de iyi tahmin etmektir. Buna genelleme diyoruz ve tüm sürecin asıl hedefi odur.

Google'ın makine öğrenmesi sözlüğü de denetimli öğrenmeyi, etiketli örneklerden bir modeli eğitmek olarak tanımlar. Kaynağı yazının sonunda bulabilirsiniz.

Denetimli öğrenmede sınıflandırma ve regresyon arasındaki fark nedir?

Denetimli öğrenmenin iki ana görev türü vardır. Sınıflandırmada model, ayrık bir kategoriyi tahmin eder. Regresyonda ise sürekli bir sayıyı tahmin eder. Hangisini seçeceğinizi etiketin türü belirler.

Bazen iki görev birbirine karışır. Örneğin "müşteri yeniden sipariş verecek mi?" sorusu sınıflandırmadır. "Müşteri bir sonraki alışverişte ne kadar harcar?" sorusu ise regresyondur. Bu ayrımı baştan netleştirmek, doğru algoritmayı ve doğru ölçütü seçmenizi kolaylaştırır.

Denetimsiz öğrenme nasıl çalışır?

Denetimsiz öğrenmede veri kümesinde etiket yoktur. Model, kayıtlar arasındaki benzerliği ve farkı hesaplar. Ardından bu ölçülere göre grup, eksen ya da sapma bulur. Doğru cevap olmadığı için "yüzde kaç doğru" sorusu da doğrudan sorulamaz.

Mesafe ölçüsü bu işte kritik rol oynar. Örneğin bir sütun yüz binlerle, diğeri sıfır ile bir arasında değişiyorsa büyük değerli sütun sonucu ezer. Bu nedenle denetimsiz projelerde alanları aynı ölçeğe getirmek ilk işlerden biridir.

Bu yüzden denetimsiz çıktıyı bir hipotez olarak okumak gerekir. Model "şu 400 müşteri birbirine benziyor" der, ama "bu grup sadık müşterilerdir" demez. Grubun anlamını alan bilgisine sahip insan yorumlar.

Scikit-learn kullanıcı rehberi de denetimsiz yöntemleri, hedef değişken olmadan veri yapısını keşfeden araçlar olarak sınıflar. Yani işin temeli keşiftir; tahmin ikinci plandadır.

Kümeleme, boyut indirgeme ve anomali tespiti ne işe yarar?

Denetimsiz öğrenmenin üç yaygın görevi vardır. Her biri farklı bir soruya cevap verir.

• Kümeleme: Benzer kayıtları gruplar. Örneğin ziyaretçileri davranışlarına göre kümelersiniz.
• Boyut indirgeme: Çok sütunlu veriyi daha az sütunla özetler. Böylece veriyi görselleştirmek ve gürültüyü azaltmak kolaylaşır.
• Anomali tespiti: Genel desene uymayan kayıtları işaretler. Örneğin bir sunucu günlüğünde olağandışı bir hareket yakalarsınız.

Anomali tespitine bir örnek verelim. Bir web sitesinin sunucu kayıtlarında normal ziyaret desenini model öğrenir. Bir gün tek bir adresten saniyede yüzlerce istek gelirse model bunu alışılmadık bulur. İnsan inceleyip botun zararsız bir arama robotu mu yoksa kötü niyetli bir trafik mi olduğuna karar verir.

Kümeleme sonucu, k sayısı ya da mesafe ölçüsü gibi seçimlere duyarlıdır. Bu nedenle sonucu tek seferde kesin saymayın. Farklı ayarlarla deneyin, çıkan grupları iş birimiyle birlikte gözden geçirin.

Anomali tespitinde de benzer bir uyarı geçerlidir. İşaretlenen kayıt "hatalı" demek değildir, yalnızca "alışılmışın dışında" demektir. Dolayısıyla son karar bir uzmanda kalmalıdır.

Denetimli ve denetimsiz öğrenmede hangi algoritma aileleri kullanılır?

Algoritma adlarını ezberlemeniz gerekmez, ama aile mantığını bilmek konuşmalarda işinizi kolaylaştırır. Her ailenin çalışma biçimi farklıdır ve her biri belirli veri türlerinde güçlüdür.

• Doğrusal modeller: Girdiler ile sonuç arasında düz bir ilişki arar. Hızlıdır ve yorumlaması kolaydır.
• Karar ağaçları ve topluluklar: Veriyi soru soru bölerek ilerler. Çok sayıda ağacı birleştiren topluluk yöntemleri sık tercih edilir.
• En yakın komşu: Yeni örneği, en benzer eski örneklere bakarak yorumlar.
• Sinir ağları: Karmaşık örüntüleri katman katman öğrenir. Görsel ve metin verisinde yaygındır.

Denetimsiz tarafta da benzer bir aile haritası vardır. k-means gibi yöntemler merkez noktalara göre grup kurar. Hiyerarşik kümeleme grupları ağaç gibi iç içe dizer. Yoğunluğa dayalı yöntemler ise sık bölgeleri küme sayar. Boyut indirgemede PCA gibi teknikler çok sütunlu veriyi daha az eksene indirger.

Hangi ailenin uygun olduğunu önce veri boyutu, sonra yorumlanabilirlik ihtiyacı belirler. Küçük ve tablo biçimli veride basit bir model çoğu zaman yeterlidir. Dolayısıyla karmaşık modele geçmeden önce basit bir referansla kıyaslayın.

Veri kalitesi ve miktarı sonucu nasıl etkiler?

İki yaklaşımın ortak bağımlılığı verinin kendisidir. Eksik, yanlış ya da dengesiz veriyle eğitilen model, ne kadar gelişmiş olursa olsun zayıf sonuç verir. Bu yüzden proje süresinin büyük kısmı veri hazırlığına gider.

• Temsil gücü: Veri, modelin canlıda karşılaşacağı durumları kapsamalıdır.
• Denge: Bir sınıf çok az görülüyorsa model onu yok sayma eğilimine girer.
• Tutarlılık: Aynı bilgi farklı biçimlerde yazılmışsa model ayrı şeyler sanır.
• Sızıntı: Tahmin anında elinizde olmayacak bilgi eğitimde kullanılmamalıdır.

Miktar konusunda ise sabit bir eşik yoktur. Basit bir problem az veriyle çözülebilir, karmaşık bir problem çok veri ister. Önce küçük bir pilot kurup öğrenme eğrisine bakmak, daha fazla veriye yatırım yapmanın değip değmeyeceğini gösterir.

Etiket nedir ve etiketleme maliyeti neden önemlidir?

Etiket, bir örneğin doğru cevabıdır. Bir fotoğrafın altına yazılan "kedi" ya da bir yorumun yanındaki "olumsuz" notu birer etikettir. Denetimli öğrenmede kalite büyük ölçüde etiketin kalitesine bağlıdır.

Etiketleme çoğu projede en pahalı ve en yavaş kalemdir. Çünkü insan emeği, tutarlı yönergeler ve kontrol turları gerektirir. İki kişi aynı örneğe farklı etiket verirse model de tutarsız bir veriden ders çıkarır.

• Etiket yönergesini yazılı hale getirin ve örneklerle destekleyin.
• Birkaç kişinin aynı örneği etiketlemesini isteyip uyumsuzlukları inceleyin.
• Önce küçük bir örneklemle başlayın, modelin işe yarayıp yaramadığını görün.
• Etiket arttıkça işin değeri artıyor mu, onu ölçün.

Etiket maliyeti yüksek olduğunda üç seçenek vardır: daha az etiketle çalışan yöntemler, denetimsiz bir ön adım ya da hazır ön eğitimli modeller. Bunları aşağıda sırayla ele alıyoruz.

Yarı denetimli öğrenme nedir?

Yarı denetimli öğrenme, az sayıda etiketli örnekle çok sayıda etiketsiz örneği birlikte kullanır. Fikir basittir: Etiketsiz veri de verinin şekli hakkında ipucu taşır. Model bu ipuçlarından yararlanıp az etikete rağmen daha iyi genelleme yapmaya çalışır.

Örneğin elinizde çok sayıda destek talebi olsun, ama yalnızca birkaçı konu etiketli olsun. Model etiketli birkaç örnekten başlar, etiketsiz talepleri benzerliğe göre ilişkilendirir. Scikit-learn rehberi bu yaklaşım için ayrı bir bölüm ayırmıştır.

Kullanım alanı olarak belge sınıflandırmayı düşünün. Elinizde birkaç yüz etiketli sözleşme ve binlerce etiketsiz sözleşme olabilir. Yarı denetimli yaklaşım, etiketsiz belgelerin dil yapısından da yararlanarak etiket ihtiyacını azaltmaya çalışır.

Yöntem sihirli değildir. Etiketli örnekler yanlış ya da temsilsizse hata etiketsiz veriye de bulaşır. Bu nedenle yarı denetimli bir proje için de özenle toplanmış küçük bir etiketli çekirdek şarttır.

Kendi kendine denetimli öğrenme nedir ve büyük modellerde rolü nedir?

Kendi kendine denetimli öğrenmede etiketi insan vermez, veri kendi içinden üretir. Örneğin bir cümlenin bir kelimesini gizleyip modele eksik kelimeyi tahmin ettirirsiniz. Doğru cevap zaten metinde olduğu için elle etiketleme gerekmez.

Bu fikir, büyük ön eğitimli dil ve görsel modellerin temelinde yer alır. Model önce çok büyük etiketsiz veride genel örüntüleri kavrar. Ardından küçük etiketli verilerle belirli bir göreve uyum sağlar. Bu uyarlama adımını ince ayar ve LoRA yazımızda anlattık.

Basit bir örnek verelim. Bir görselin bir köşesini kapatıp modelden eksik parçayı tahmin etmesini isteyebilirsiniz. Cevap görselin kendisinde saklı olduğu için kimsenin etiket yazmasına gerek kalmaz. Bu sayede model, çok sayıda görselden genel görsel bilgi çıkarır.

Kısacası kendi kendine denetim, denetimli ile denetimsiz arasında bir köprü kurar. Görev biçimi denetimlidir (tahmin et), ama etiketin kaynağı etiketsiz veridir. Ayrıntılı bilgi için derin öğrenme yazımıza göz atabilirsiniz.

Pekiştirmeli öğrenme bu ikiliden nasıl ayrışır?

Pekiştirmeli öğrenmede etiketli örnek de, sabit bir veri kümesi de yoktur. Bir ajan ortamda eylem yapar, sonucunda ödül ya da ceza alır. Zamanla ödülü artıran bir davranış stratejisi geliştirir.

Aradaki farkı şöyle özetleyebiliriz. Denetimli öğrenme "bu girdinin cevabı budur" der. Denetimsiz öğrenme "bu kayıtlar birbirine benzer" der. Pekiştirmeli öğrenme ise "bu hamle iyi sonuç verdi" der.

Pekiştirmeli öğrenmede veri toplamak da farklıdır. Ajan denemeyle veri üretir, bu yüzden güvenli bir simülasyon ortamı çoğu projede ön koşuldur. Gerçek müşteriyle deneme yapmak ise risk taşır.

Konuyu kendi başına ayrıntılı işlediğimiz için burada derine inmiyoruz. İsterseniz pekiştirmeli öğrenme yazımıza geçebilirsiniz. Üretken modellerin bir başka ailesi için de GAN yazımız vardır.

Denetimli, denetimsiz ve pekiştirmeli öğrenmeyi nasıl karşılaştırırsınız?

Aşağıdaki tablo üç yaklaşımı aynı ölçütlerle yan yana koyar. Yarı denetimli ve kendi kendine denetimli yöntemleri de son satırlarda kısaca bulursunuz.

Tabloya bakınca ortak bir sonuç çıkar: Üç yaklaşım rakip değil, farklı soruların cevabıdır. Aynı projede birden fazlasını da birlikte kullanabilirsiniz.

E-posta spam filtresi örneğinde denetimli öğrenme nasıl işler?

Bu bir örnek senaryodur. Bir şirketin gelen kutusunda spam ayıklamak istediğini varsayalım. Elinizde geçmişte "spam" ya da "spam değil" diye etiketlediğiniz e-postalar var. Bunlar etiketli veri kümenizdir.

1. E-postalardan özellikler çıkarırsınız: kelimeler, bağlantı sayısı, gönderen alanı gibi sinyaller.
2. Veriyi eğitim ve test olarak ayırırsınız.
3. Bir sınıflandırma modelini eğitim kümesiyle eğitirsiniz.
4. Testte modelin hangi spam'leri kaçırdığına ve hangi normal postayı yanlış işaretlediğine bakarsınız.
5. Eşiği iş ihtiyacına göre ayarlarsınız.

Burada iki hata türü aynı ağırlıkta değildir. Önemli bir müşteri e-postasını spam sanmak, bir spam'in gelen kutusuna düşmesinden genellikle daha pahalıdır. Dolayısıyla eşik kararını teknik ekip değil, iş birimi de birlikte vermelidir.

Bu örnekte etiketleme maliyeti de görünür hale gelir. Binlerce e-postayı tek tek işaretlemek zaman alır. Çalışanların "spam bildir" düğmesine bastığı kayıtlar ise bedava etiket kaynağı olabilir. Elbette bu etiketlerin de hatalı olabileceğini unutmayın; bir kullanıcı bültenini yanlışlıkla spam diye işaretleyebilir.

Spam yazarları zamanla tarzını değiştirir. Bu nedenle modeli düzenli aralıklarla yeni etiketli verilerle yenilemek gerekir.

Müşteri segmentasyonunda denetimsiz öğrenmeyi nasıl kullanırsınız?

Bu da bir örnek senaryodur. Bir e-ticaret sitesinin sipariş sıklığı, ortalama sepet tutarı ve son alışveriş tarihi gibi alanları var. Hangi müşteri grubunun var olduğunu bilmiyorsunuz, ama bilmek istiyorsunuz.

1. Verideki alanları aynı ölçeğe getirirsiniz.
2. Bir kümeleme yöntemi seçip farklı küme sayılarıyla denersiniz.
3. Çıkan grupların ortalamalarına bakıp her gruba iş anlamı yüklersiniz.
4. Her grup için ayrı bir iletişim ya da kampanya fikri geliştirirsiniz.

Örneğin bir küme "seyrek ama yüksek sepetli", bir başkası "sık ama küçük sepetli" çıkabilir. Bu etiketleri modeli kuran kişi değil, işi bilen ekip koyar. Bu ayrım önemlidir, çünkü model grup adı vermez.

Segmentasyon sonrası en sık yapılan hata, her gruba aynı mesajı göndermektir. Oysa amaç, gruplar arasındaki farkı iş kararına çevirmektir. Örneğin sık alışveriş yapan küçük sepetli grup için paket önerisi, seyrek ama yüksek sepetli grup için hatırlatma iletisi düşünebilirsiniz. Her varsayımı küçük bir denemeyle sınayın.

Segmentlerin değerini ölçmek için müşteri yaşam boyu değeri yazımızdaki mantığı kullanabilirsiniz.

Satış tahminini denetimli öğrenmeyle nasıl yaparsınız?

Bu bir örnek senaryodur ve regresyon örneğidir. Bir mağaza geçmiş haftalık satışlarını, kampanya takvimini ve tatil bilgisini kayıt altında tutuyor. Hedef, gelecek haftanın satış adedini tahmin etmektir.

• Etiket: Geçmişte gerçekleşen satış adedi.
• Özellikler: Hafta, kampanya durumu, stok düzeyi, mevsim etkisi.
• Model: Bir regresyon yöntemi.
• Ölçüt: Tahminle gerçeğin farkı.

Burada zaman kritik bir noktadır. Geleceği tahmin ettiğiniz için test verisini rastgele değil, zaman sırasına göre ayırmanız gerekir. Aksi halde model geleceği görmüş gibi parlak sonuç verir, gerçek hayatta ise tökezler.

Ayrıca tahminin yanında belirsizliği de göstermeniz faydalıdır. "Gelecek hafta şu kadar adet" demek yerine "şu aralıkta bekliyoruz" demek, stok kararlarını daha sağlıklı yapar. Çünkü gerçek hayatta kampanya, hava durumu ya da tedarik gecikmesi gibi etkenler modelin görmediği sürprizler getirir.

Tahmin sonuçlarını raporlamak için yapay zeka ile raporlama çözümümüzü inceleyebilirsiniz.

Denetimli öğrenme modelinin başarısını nasıl ölçersiniz?

Denetimli öğrenmede doğru cevap bilindiği için ölçüm yapabilirsiniz. Sınıflandırmada doğruluk, kesinlik ve duyarlılık gibi ölçütlere bakarsınız. Regresyonda ise tahmin hatasının büyüklüğüne bakarsınız. Hangi ölçütün uygun olduğu iş sorusuna bağlıdır.

Asıl tuzak, modelin eğitim verisini ezberlemesidir. Eğitimde çok iyi, yeni veride kötü çalışan model aşırı öğrenmiştir. Bunu overfitting yazımızda ayrıntılı anlattık.

Sınıflandırmada sonucu bir karışıklık tablosuyla okumak çok faydalıdır. Model neyi doğru bildi, neyi kaçırdı ve neyi yanlış alarmla işaretledi, bu tabloda ayrı ayrı görünür. Dolayısıyla tek bir doğruluk yüzdesinden çok daha zengin bir tablo elde edersiniz.

• Test kümesini eğitim sırasında asla kullanmayın.
• Tek bir ölçüte güvenmeyip hata türlerini ayrı ayrı inceleyin.
• Modelin zayıf kaldığı örnek gruplarını elle gözden geçirin.
• Canlıya aldıktan sonra da performansı izleyin.

Denetimsiz öğrenmenin sonucunu nasıl değerlendirirsiniz?

Doğru cevap olmadığı için değerlendirme daha dolaylıdır. Üç yol öne çıkar: sayısal iç ölçütler, uzman incelemesi ve iş sonucu.

• İç ölçütler: Kümelerin ne kadar sıkı ve birbirinden ne kadar ayrık olduğunu gösterir. Ancak tek başına yeterli değildir.
• Uzman incelemesi: Alanı bilen kişi grupları örnek kayıtlar üzerinden okur ve anlamlı bulup bulmadığını söyler.
• İş sonucu: Segmentlere farklı davranınca sonuç iyileşiyor mu, bunu küçük bir denemeyle sınarsınız.

Dolayısıyla denetimsiz bir projede "model hazır" ile "iş değeri doğrulandı" aynı güne denk gelmez. Bu farkı proje planına baştan yazmak, sonradan hayal kırıklığı yaşamamanızı sağlar.

Denetimli mi denetimsiz mi öğrenme seçmelisiniz?

Seçim, elinizdeki veriye ve cevaplamak istediğiniz soruya bağlıdır. Aşağıdaki kontrol listesi hızlı bir karar verme yolu sunar.

1. Tahmin etmek istediğiniz net bir hedef var mı? Varsa denetimli yaklaşıma bakın.
2. Geçmişte bu hedefin doğru cevabını kayda geçirdiniz mi? Evetse etiketiniz hazır demektir.
3. Etiketiniz yok ve yalnızca veriyi anlamak istiyorsanız denetimsiz öğrenmeyle başlayın.
4. Etiketler az ama etiketsiz veri çok ise yarı denetimli yöntemleri ya da hazır ön eğitimli modelleri düşünün.
5. Karar sıralı ve etkileşimli ise (ödül ve ceza) pekiştirmeli öğrenmeye bakın.
6. Sonucu açıklamanız gerekiyorsa, daha basit ve izlenebilir modelle başlayın.

Bu listede "evet" cevapları çoğaldıkça denetimli yaklaşım öne çıkar. Ancak her proje tek bir kutuya sığmaz. Birçok gerçek projede önce denetimsiz keşif yaparsınız, sonra bulgularınız etiketli bir göreve dönüşür.

Bu konuda en sık yapılan hatalar ve riskler nelerdir?

Deneyimlerimize göre ekipler aynı birkaç tuzağa düşer. Bunları önceden bilmek zaman kazandırır.

• Etiketsiz veriyi etiketli sanmak: Bazen "durum" alanı doğru görünür ama aslında olaydan sonra doldurulmuş olur. Model bu sızıntıyı kullanarak gerçek hayatta olmayacak bir başarı gösterir.
• Küme sayısını ezbere seçmek: Her veri kümesi için uygun grup sayısı farklıdır.
• Önyargılı etiketle eğitmek: Geçmiş kararlarda bir yanlılık varsa model onu da kopyalar ve büyütür.
• Sonucu açıklamamak: Karar verici modeli anlamazsa ona güvenmez.
• Veri koruma konusunu atlamak: Kişisel veri içeren çalışmalarda KVKK gibi yükümlülükleri hukuk danışmanınızla değerlendirin.

Not: Bu yazı hukuki danışmanlık değildir. Kişisel veriyle ilgili kararlarda yetkili bir hukuk uzmanına danışın.

Üretken yapay zeka çağında bu iki yaklaşım hâlâ gerekli mi?

Evet, çünkü iş dünyasındaki birçok problem hâlâ tahmin ve gruplama problemidir. Bir sohbet modeli e-postayı özetleyebilir, ama binlerce siparişin gelecek ay kaç adet olacağını tahmin etmek için özel bir regresyon modeli çoğu zaman daha ucuz ve daha denetlenebilirdir.

Öte yandan iki dünya birbirine yaklaşıyor. Büyük modellerin temelinde kendi kendine denetimli öğrenme var. Üstelik embedding adı verilen sayısal temsiller, kümeleme gibi denetimsiz tekniklerle birlikte kullanılabiliyor. Bu temsilleri embedding yazımızda anlattık.

Hibrit akışlar da yaygındır. Örneğin önce destek taleplerini kümeleyerek hangi konuların öne çıktığını görürsünüz. Ardından bu konulardan birkaçını etiketleyip denetimli bir sınıflandırıcı eğitirsiniz. Böylece denetimsiz keşif, denetimli üretime hazırlık adımına dönüşür.

Etiket eksik olduğunda sentetik veri de bir seçenek olabilir. Ancak sentetik etiketin gerçeği temsil edip etmediğini mutlaka sınamanız gerekir.

Yeni başlayan bir ekip bu işe nasıl ilk adımı atar?

Küçük ve ölçülebilir bir soruyla başlayın. Büyük bir dönüşüm hedeflemek yerine tek bir kararı iyileştirmeye çalışın. Örneğin "gelen talepleri doğru ekibe yönlendirmek" iyi bir ilk adımdır.

1. Sorunu bir cümleyle yazın ve tahmin mi, gruplama mı olduğuna karar verin.
2. Mevcut verinizi ve etiketlerinizi envanter olarak çıkarın.
3. Basit bir referans yöntemle başlayın; karmaşık model sonra gelir.
4. Sonucu iş birimiyle birlikte değerlendirin.
5. Çalışan sürümü izlemeye ve yenilemeye hazırlanın.

Ekip kurarken üç rolün de masada olmasına dikkat edin: veriyi bilen kişi, işi bilen kişi ve modeli kuran geliştirici. Üçünden biri eksikse proje ya yanlış soruya cevap verir ya da canlıya çıkamaz. Ayrıca işin sahibi olan birimin, sonucu kullanacak kişileri sürece baştan dahil etmesi gerekir.

Öğrenme tarafı için makine öğrenimine nasıl başlanır rehberimiz ve Python ile yapay zeka yol haritamız iyi birer çıkış noktasıdır.

Resmi kaynaklarda bu kavramları nereden okuyabilirsiniz?

Terimlerin tanımlarını doğrulamak için birincil kaynaklara bakmanızı öneririz. Aşağıdaki sayfalar kavramsal çerçeveyi ücretsiz sunar.

• Google Makine Öğrenmesi Sözlüğü: denetimli, denetimsiz ve diğer terimlerin kısa tanımları.
• Google Machine Learning Crash Course: temel kavramlar için adım adım ders.
• Denetimli yöntem aileleri için scikit-learn rehberi: yöntem aileleri ve kullanım notları.
• Denetimsiz yöntemler için scikit-learn rehberi: kümeleme ve boyut indirgeme yöntemleri.
• Yarı denetimli yaklaşımlar için scikit-learn rehberi: az etiketle çalışan yaklaşımlar.

Kütüphane sürümleri ve arayüzler zamanla değişebilir. Bu yüzden güncel ayrıntıyı her zaman ilgili resmi sayfadan kontrol edin.

Bu süreçte ekibimiz size nasıl destek olabilir?

Talha Aslan ve ekibi olarak yapay zeka projelerine önce işin sorusuyla başlarız. Hangi kararı iyileştirmek istediğinizi, elinizde hangi verinin olduğunu ve etiketin nereden geleceğini birlikte netleştiririz. Teknik tercihleri bu çerçevede yaparız.

Hazır bir model mi, küçük bir özel model mi, yoksa yalnızca daha iyi raporlama mı gerektiği çoğu zaman ilk görüşmede ortaya çıkar. Bu aşamada yapay zeka danışmanlığı sayfamızı inceleyebilirsiniz.

Hiçbir sonuç garantisi vermiyoruz. Hedefimiz, veriyle karar vermenizi kolaylaştıran dürüst ve ölçülebilir bir başlangıç noktası kurmaktır.