Machine Learning 101: Kod Örnekleriyle Giriş

Yapay Zeka ve Makine Öğrenimi alanı büyümeye ve gelişmeye devam ettikçe, her zaman göz önünde bulundurulması gereken yeni trendler ve gelişmeler vardır. Şu anda sektördeki en heyecan verici trendlerden ikisi, sohbet robotları ve ChatGPT'dir. AI, ML, NLP gibi kelimeleri neredeyse her gün haberlerde, sosyal medyada vb. dinliyoruz, bu da sizi merak ettiriyor - yeni başlayanlar için bu da ne?

Şu anda UC Berkeley'in Bilgi ve Veri Bilimi Yüksek Lisans (MIDS) programından mezun olmaya yakın biri olarak, makine öğrenimi ve yapay zekanın ne kadar korkutucu olabileceğini anlıyorum. Ama olmak zorunda değil! Bu makalede, denetimli ve denetimsiz öğrenme de dahil olmak üzere makine öğreniminin temellerini herkesin anlamlandırabileceği kod ve matematik örnekleriyle açıklayacağım.

Öncelikle makine öğreniminin ne olduğunu tanımlayalım. Basitçe söylemek gerekirse, “ verilerden öğrenmek için bir bilgisayar programını eğitme sürecidir, böylece o verilere dayanarak tahminlerde bulunabilir veya eylemler gerçekleştirebilir” . İki ana makine öğrenimi türü vardır: denetimli ve denetimsiz öğrenme.

Denetimli öğrenme, bilgisayar programına öğrenmesi için etiketli veriler verildiğinde gerçekleşir. ML algoritmasına, her veri noktasının evin büyüklüğünü ve fiyatını içerdiği konut fiyatları veri kümesini verebileceğiniz basit bir gerçek dünya örneğiyle başlayalım. Algoritma, büyüklüğüne göre yeni bir evin fiyatını tahmin etmeyi öğrenecekti. Bunun nasıl çalıştığını bir örnekle görelim.

Bu örnek için ihtiyaç duyacağımız bazı kitaplıkları içe aktararak başlayacağız: numpy ve scikit-learn.

import numpy as np
from sklearn.linear_model import LinearRegression

Daha sonra veri setimizi oluşturacağız. Evin boyutunun girdi (feet kare olarak) ve fiyatın çıktı (binlerce dolar) olduğu 6 evden oluşan basit bir veri kümesi kullanacağız.

X = np.array([[1400], [1600], [1700], [1875], [1100], [1550]])
y = np.array([245, 312, 279, 308, 199, 219])

Şimdi lineer regresyon modelimizi oluşturacağız ve bunu verilere uyduracağız. Doğrusal regresyonun ne olduğunu bilmeyenler için, iki şeyin birbiriyle nasıl ilişkili olduğunu anlamamıza yardımcı olan bir matematik türüdür. Örneğin, bizim durumumuzda, bir evin fiyatının ne kadar büyük olduğuyla nasıl ilişkili olduğunu bilmek istiyoruz. Bunu anlamak için, büyüklüğünü ve fiyatını bildiğimiz bir grup evi alıp içlerinden verilere en uygun olan bir çizgi çekiyoruz. Bu çizgiye “ en uygun çizgi ” denir . Bu çizgiye sahip olduğumuzda, onu tahminlerde bulunmak için kullanabiliriz. Yani, fiyatını bilmediğimiz ama ne kadar büyük olduğunu bildiğimiz yeni bir evimiz varsa, ne kadar tutacağını tahmin etmek için hattı kullanabiliriz.

Temelde doğrusal regresyon budur - iki şey arasındaki ilişkiyi bulmanın ve onu tahminlerde bulunmak için kullanmanın bir yolu.

Bununla birlikte kodumuza devam edelim. Lineer regresyon modelimizi burada oluşturup verilere uyduruyoruz. İlk olarak, modelimiz olacak LinearRegression sınıfının bir örneğini oluşturuyoruz. Daha sonra girdi ve çıktı verilerimizi ileterek modelimiz üzerinde fit() yöntemini çağırıyoruz. Bu, modeli verilerimiz üzerinde eğitir ve tahmin yapmaya hazır hale getirir:

model = LinearRegression()
model.fit(X, y)

print(model.predict([[1500]]))

Bu kadar! Yalnızca birkaç satır kodla, girdi verilerine dayalı tahminler yapabilen basit bir doğrusal regresyon modeli oluşturduk. Elbette bu, makine öğrenimi ile yapabileceklerinizin yalnızca başlangıcı.

Denetimsiz öğrenme, bilgisayar programına öğrenmesi için etiketlenmemiş veriler verildiğinde gerçekleşir. Örneğin, programa herhangi bir etiket olmadan müşterilerin bir marketten satın aldığı bir veri kümesi verebilirsiniz. Program, süt ve ekmeği birlikte alan müşteriler gibi benzer satın alımları gruplandırmayı öğrenecekti.

Düşüncelerime son vermek gerekirse, makine öğrenimi sonsuz olanaklara sahip heyecan verici bir alandır. Sadece birkaç satır kod ve biraz temel matematikle bu alanı kendi başınıza keşfetmeye başlayabilirsiniz. Umarım bu makale size makine öğreniminin temelleri hakkında iyi bir giriş yapmıştır ve daha fazlasını öğrenmek için ilham almışsınızdır!