Gözetimli öğrenme

Giriş Cümlesi

Gözetimli öğrenme (supervised learning), bilinen etiketler ve özellikler kullanarak bir fonksiyon öğrendiğimiz, makine öğreniminin önemli bir alt dalıdır. Bu yöntem, eğitim veri seti kullanılarak öğrenilen modelin, yeni ve bilinmeyen veri noktalarını doğru bir şekilde tahmin etmesini amaçlar.^[1]^[2]

Tarihçe ve Gelişim

Gözetimli öğrenme, 1950'lerde istatistiksel sınıflandırma ve regresyon analizinin gelişimi ile ortaya çıkmıştır. Alan, yapay sinir ağlarının ve destek vektör makinelerinin geliştirilmesi ile önemli ilerlemeler kaydetmiştir. 1990'larda büyük veri kümelerinin ve hesaplama gücünün artmasıyla, gözetimli öğrenme algoritmaları daha sofistike hale gelmiştir.^[3]^[4]

Uygulama Alanları

Gözetimli öğrenme, çeşitli alanlarda başarılı bir şekilde uygulanmaktadır:

Tıp: Hastalık teşhisi ve tedavi önerileri.

Finans: Kredi risk analizi ve piyasa tahminleri.

Pazarlama: Müşteri segmentasyonu ve hedefli pazarlama.

Görüntü İşleme: Nesne tanıma ve yüz tanıma.^[5]^[6]^[7]

Avantaj ve Dezavantajlar

Gözetimli öğrenme yöntemlerinin avantajları ve dezavantajları şunlardır:

Avantajlar:

Yüksek doğruluk: Etiketlenmiş veri setleri kullanarak yüksek doğrulukta modeller oluşturabilir.

Uygulama çeşitliliği: Birçok farklı problem türünde uygulanabilir.

Dezavantajlar:

Veri bağımlılığı: Etiketlenmiş veri gereksinimi yüksek ve maliyetlidir.

Aşırı öğrenme riski: Model, eğitim verisine aşırı uyum sağlayarak genelleme yeteneğini kaybedebilir.^[8]^[9]

Makine öğrenmesi ve veri madenciliği

Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG
g t d

Bilgisayar mühendisliğinin, makine öğrenmesi alanının bir konusu olan gözetimli öğrenme ya da denetimli öğrenme, verilen $X$ girdi kümesinden istenen $Y$ çıktı kümesinin elde edilmesi için bir fonksiyon öğrenilmesidir.^[10]

Gözetimli öğrenmede, öğrenilmek istenen kavram ile ilgili toplanan gözlemler bir eğitim kümesi olarak öğreniciye verilir. Eğitim kümesinde her örnek için istenen çıktı değerleri de verilir. Bu bilgiler kullanılarak giriş ve çıkış arasında bir ilişki oluşturulur. Oluşturulan ilişki kullanılarak gelecekte karşılaşılacak $X'$ gözlemlerinin karşılık geldiği $Y'$ çıktıları tahmin edilebilir.

Kaynakça

^ Mitchell, T. (1997). Machine Learning. McGraw Hill. ISBN 0-07-042807-7.
^ Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 0-13-604259-7.
^ McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. August 31, 1955.
^ Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer.
^ Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
^ Ng, A. Y., & Jordan, M. I. (2002). On Discriminative vs. Generative Classifiers: A comparison of logistic regression and naive Bayes. Advances in Neural Information Processing Systems, 14, 841-848.
^ Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 511-518.
^ Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
^ Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
^ Bkz. Alpaydın, Ethem (2010). Introduction to Machine Learning. Londra: The MIT Press. s. 8. ISBN 978-0-262-01243-0. 2 Mart 2017 tarihinde kaynağından arşivlendi. Erişim tarihi: 21 Temmuz 2016.