<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kamran Balayev on Medium]]></title>
        <description><![CDATA[Stories by Kamran Balayev on Medium]]></description>
        <link>https://medium.com/@Kamran_Balayev?source=rss-983ca472cd85------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*psMnfQslGFmqf3g_SmaqAw.jpeg</url>
            <title>Stories by Kamran Balayev on Medium</title>
            <link>https://medium.com/@Kamran_Balayev?source=rss-983ca472cd85------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 05:21:52 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Kamran_Balayev/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Makine Öğrenmesi Serisi #1]]></title>
            <link>https://medium.com/@Kamran_Balayev/makine-%C3%B6%C4%9Frenmesi-serisi-1-9588589c054c?source=rss-983ca472cd85------2</link>
            <guid isPermaLink="false">https://medium.com/p/9588589c054c</guid>
            <dc:creator><![CDATA[Kamran Balayev]]></dc:creator>
            <pubDate>Mon, 12 Oct 2020 11:54:13 GMT</pubDate>
            <atom:updated>2020-10-12T11:54:13.500Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhabalar, bu yazımda makine öğrenmesine giriş yaparak genel bir tanıtım yapmayı hedefliyorum. Sonraki serilerde, bu yöntemler ve algoritmalar hakkında örnekler ile beraber detaylı anlatım yapmaya çalışacağım. İyi okumalar.</p><h3>Makine Öğrenmesi Nedir?</h3><p><em>Makine öğrenmesi</em> son zamanlarda sıkça duyduğumuz terimler arasında ilk sıralarda yer alıyor. Peki <em>Makine Öğrenmesi</em> nedir?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*szxB6_mZNi3uez36PwwrAA.png" /></figure><p>Resimden görüldüğü üzere makine öğrenmesi yapay zekanın bir alt kümesidir. Tanım vermek gerekirse insanların vermiş olduğu bilgiler ve veriler sayesinde direkt programlanmadan kendini geliştiren sistemlerin insanlar gibi davranmaya çalışmasıdır.</p><p><em>Makine öğrenmesi</em> için bir çok algoritmalar mevcuttur. Temel olarak makine öğrenmesi yöntemleri 3 gruba ayrılır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/899/1*oyYedmmlGqAOTWBGabFFVQ.png" /></figure><ol><li><strong>Supervised Learning (Gözetimli Öğrenme)</strong></li><li><strong>Unsupervised Learning (Gözetimsiz Öğrenme)</strong></li><li><strong>Reinforcement Learning (Pekiştirmeli/Takviyeli Öğrenme)</strong></li></ol><h3>Supervised Learning (Gözetimli Öğrenme)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Bd2jHESQBBv3mrM4A8CtzQ.jpeg" /></figure><p>Bu öğrenme yöntemi verilen girdiler ile istenen çıktılar arasında eşleme yapan bir fonksiyon üretir. Bu teknikte girdi değerleri olarak etiketli veriler kullanılmaktadır. Bir başka deyişle, önceden etiketlenen veriler sisteme girdi olarak verilir ve sistemden bu veriler üzerinde öğrenme aşamasını gerçekleştirmesi beklenir. Sistem öğrenme aşamasını bitirdikten sonra etiketsiz olan veriler üzerinde tahmin yapabilecek bir seviyeye ulaşmış olacaktır. Temel amaç, yeni veriler verildiğinde tahmin yapabilmek için eşleme işlemini başarılı bir şekilde gerçekleştirmektir.</p><p>Yöntemin<em> Gözetimli öğrenme</em> olarak isimlendirilmesine örnek olarak, bir hocanın/eğitmenin sistem algoritmasının eğitim verisini öğrenirken onu denetlemesi gösterilebilir. Doğru cevaplar hoca tarafından biliniyor ve algoritma her turda eğitim verisi üzerinde tahminler yapmaya çalışıyor ve hoca tarafından yönlendirmeler yapılıyor. Öğrenme aşaması belirlenen ve kabul edilen bir performans seviyesine ulaşıldığı zaman bitmiş sayılıyor.</p><p>Gözetimli öğrenme ile çözülecek problemlere 2 çeşit örnek verilebilir:</p><p><strong>Regression(Regresyon): </strong>Regresyon, bir hedef değeri modelleme yöntemidir. Bu yöntem çoğunlukla değişkenler arasındaki neden sonuç ilişkisini tahmin etmek ve bulmak için kullanılmaktadır. Çıktı değişkeninin gerçek ve sayısal değer olduğu problemler regresyon problemleri olarak isimlendirilebilir. Örnek olarak, bir insanın yaşının tahmin edilmesi, bir evin satış fiyatının tahmin edilmesi ve bunun gibi sayısal sonuçlar üreten problemler düşünülebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2ZnDb5b6UtBZ41Wy90MTkw.jpeg" /></figure><p>Çok kullanılan <em>Regresyon </em>algoritmalarına örnek olarak bunlar gösterilebilir:</p><ul><li><em>Linear Regression (Doğrusal Regresyon)</em></li><li><em>Multiple Linear Regression (Çoklu Doğrusal Regresyon)</em></li><li><em>Polynomial Regression (Polinomal Regresyon)</em></li></ul><blockquote><strong>Linear Regression (Doğrusal Regresyon)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*rGy_dI1NnmSc3M7qoy8g8w.png" /></figure><p><em>Doğrusal regresyon</em>, makine öğrenmesinin en temel algoritmalarından biridir. Bu algoritmada bağımsız değişken sayısı 1 olup, bağımsız (x) değişkeni ile bağımlı (y) değişkeni arasında doğrusal bir ilişki kurulmaktadır. Yukarıdaki grafikte mavi çizgi tahmin için en uyumlu düz çizgi olarak kabul edilmiştir. Temel hedef verilen veri noktalarına göre , noktaları en iyi şekilde modelleyen bir çizgi çizmektir.</p><p>Çizgiyi modellemek için bu doğrusal denklem kullanılabilir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k2bLmeYIG7z7dCyxADedhQ.png" /></figure><blockquote><strong>Multiple Linear Regression (Çoklu Doğrusal Regresyon)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a3HFulvxQQM32dHOY_Dtqw.jpeg" /></figure><p><em>Çoklu Doğrusal Regresyon</em> iki ve daha fazla bağımsız değişken ve bir bağımlı değişken arasındaki doğrusal bağıntıyı inceler. Çoklu doğrusal regresyonun amacı, bağımsız değişkenler ile bağımlı değişken arasındaki doğrusal ilişkiyi modellemektir.</p><blockquote><strong>Polynomial Regression (Polinom Regresyon)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*_UaCxPswsCxkj9JzYXCiWg.png" /></figure><p>Polinom Regresyon, bağımsız değişken x ile bağımlı değişken y arasındaki ilişkinin n’inci derece polinom olarak modellendiği bir doğrusal regresyon yöntemidir. Bu yöntemde, girdi ile çıktı arasındaki ilişki bir doğru biçiminde değildir, bir eğridir ve Polinom Regresyon bu eğrinin fonksiyonunu üretmektedir. Buradaki önemli nokta bu polinom fonksiyonunun hangi dereceye sahip olacağıdır.</p><p><strong>Classification(Sınıflandırma): </strong>Çıktı değerleri kategorilerden oluşan problem tiplerine sınıflandırma problemleri denir. Mesela, bir mail ’ in gereksiz olup olmaması, bir insanın hasta olup olmaması gibi problemler örnek verilebilir. Genel olarak karşılaşabileceğimiz 4 ana sınıflandırma türü vardır, onlar:</p><ul><li><em>Binary Classification (İkili sınıflandırma)</em></li><li><em>Multi-Class Classification (Çok-Sınıflı Sınıflandırma)</em></li><li><em>Multi-Label Classification (Çok-Etiketli Sınıflandırma)</em></li><li><em>Imbalanced Classification (Dengesiz Sınıflandırma)</em></li></ul><blockquote><strong>Binary Classification( İkili Sınıflandırma)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/429/1*h1kksTX93B5phPL-duSDKg.png" /></figure><p><em>İkili Sınıflandırma</em> türünde 2 sınıf etiketine sahip olan sınıflandırma problemleri ele alınır. Tipik olarak bu sınıflandırma türü normal durum olan bir sınıfı ve anormal durum olan başka bir sınıfı içeriyor. Bir başka deyişle, problem sonucu birbirine zıt olan 2 cevaptan oluşuyor, bir insan hastadır veya hasta değildir, bir test sonucu pozitiftir veya pozitif değildir , bir mail gereksizdir veya gereksiz değildir.</p><p>Normal olarak adlandırılan sınıfa 0 etiketi , anormal olarak adlandırılan sınıfa 1 etiketi atanır. İkili sınıflandırma problemlerini <a href="https://en.wikipedia.org/wiki/Bernoulli_distribution"><strong>Bernoulli olasılık dağılımı</strong></a> ile modellemek çok yaygındır. Bernoulli dağılımı, bir olayın 0 veya 1 olarak ikili bir sonuca sahip olacağı bir durumu kapsayan ayrık bir olasılık dağılımıdır. Sınıflandırma için bu, modelin normal ve anormal durumu tahmin ettiği anlamına gelmektedir.</p><p>İkili Sınıflandırma için kullanılan popüler algoritmalar bunlardır:</p><ul><li>Logistic Regression</li><li>k-Nearest Neighbors</li><li>Decision Trees</li><li>Support Vector Machine</li><li>Naive Bayes</li></ul><p>Bazı algoritmalar sadece ikili sınıflandırma için tasarlanmış olup, ikiden fazla sınıfı desteklememektedir, bunlara örnek olarak <em>Logistic Regression(Lojistik Regresyon)</em> ve <em>Support Vector Machines (Destek Vektör Makineleri ) </em>gösterilebilir.</p><blockquote><strong>Multi-Class Classification (Çok Sınıflı Sınıflandırma)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/753/1*WmEmqNmw82iwZ4TL8doZsA.jpeg" /></figure><p>Çok Sınıflı Sınıflandırma , ikiden fazla sınıf içeren problemlerin çözümünde kullanılan bir yöntemdir. Bu sınıflandırmaya örnek olarak yüz tanıma ile sınıflandırma, bitki türü sınıflandırma , meyve türü sınıflandırılma gösterilebilir.</p><p>Bu teknikte ikili sınıflandırmadaki gibi sonuçlar normal ve anormal olarak ikiye ayrılmıyor bunun yerine örnekler, önceden bilinen bir dizi sınıftan birine ait olarak sınıflandırılır.</p><p>Çok Sınıflı Sınıflandırma için kullanılan popüler algoritmalar bunlardır:</p><ul><li>k-Nearest Neighbors.</li><li>Decision Trees.</li><li>Naive Bayes.</li><li>Random Forest.</li><li>Gradient Boosting.</li></ul><blockquote><strong>Multi-Label Classification (Çok Etiketli Sınıflandırma)</strong></blockquote><p>Çok Etiketli Sınıflandırma, her örnek için bir veya daha fazla sınıf etiketinin tahmin edilebildiği iki veya daha fazla sınıf etiketine sahip sınıflandırma problemlerini çözmek için kullanılan bir yöntemdir. Bu teknikte, her örnek için bir hedef etiket kümesi atar. Bu, bir doküman için alakalı konular gibi birbirini dışlamayan bir veri noktasının özelliklerini öngörmek olarak düşünülebilir. Bir metin aynı anda din, politika, finans veya eğitim hakkında olabilir veya bunlardan hiçbiri olmayabilir.</p><p>İkili veya Çok Sınıflı Sınıflandırma için kullanılan sınıflandırma algoritmaları, Çok Etiketli Sınıflandırma için doğrudan kullanılamaz. Algoritmaların çok etiketli sürümleri olarak adlandırılan standart sınıflandırma algoritmalarının özel sürümleri kullanılabilir. Bu algoritmalar:</p><ul><li>Multi-label Decision Trees</li><li>Multi-label Random Forests</li><li>Multi-label Gradient Boosting</li></ul><p>Diğer bir yaklaşım ise , her bir sınıf için etiketleri tahmin etmek için ayrı bir sınıflandırma algoritması kullanmaktır.</p><blockquote><strong>Imbalanced Classification (Dengesiz Sınıflandırma)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pKODPc6IiQG3N_3HwcH6uA.png" /></figure><p><em>Dengesiz Sınıflandırma</em> her sınıftaki örnek sayısının eşit olmayan bir şekilde dağıtıldığı sınıflandırma problemlerini çözmek için kullanılan bir tekniktir.</p><p>Genel olarak, <em>Dengesiz Sınıflandırma</em> problemleri, eğitim veri setindeki örneklerin çoğunluğunun normal sınıfa ait olduğu ve örneklerin küçük bir kısmının da anormal sınıfa ait olduğu <em>İkili Sınıflandırma</em> problemleridir. Bu problemlere , dolandırıcılık/sahtekarlık/hile tespiti, tıbbi teşhis testlerini örnek olarak gösterebiliriz.</p><p>Model, maliyete duyarlı makine öğrenimi algoritmaları gibi eğitim veri setine yerleştirirken azınlık sınıfa daha fazla dikkat eden özel modelleme algoritmaları ile kullanılabilir. Bunlar:</p><ul><li>Cost-sensitive Logistic Regression.</li><li>Cost-sensitive Decision Trees.</li><li>Cost-sensitive Support Vector Machines.</li></ul><p>Son olarak, problem sonucunun doğruluğu yanıltıcı olabileceğinden aşağıdaki performans ölçme metrikleri kullanılabilir:</p><ul><li><a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_score.html">Precision</a></li><li><a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html?highlight=recall%20score#sklearn.metrics.recall_score">Recall</a></li><li>F-<a href="https://scikit-learn.org/stable/modules/generated/sklearn.metrics.v_measure_score.html?highlight=f%20measure%20score#sklearn.metrics.v_measure_score">Measure</a></li></ul><h3>Unsupervised Learning (Gözetimsiz Öğrenme)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*3BWNYm8Q9SiJFcvu1cYcHA.jpeg" /></figure><p><em>Gözetimsiz Öğrenme</em> önceden var olup etiketi olmayan girdi verilerinin olduğu ve bunlara karşılık gelen çıktı değerlerinin olmadığı bir öğrenme yöntemidir. Denetimsiz öğrenmenin amacı, veriler hakkında daha fazla bilgi edinmek için verilerdeki temel yapıyı veya dağılımı modellemek , veri örneklerinin birbirine olan uzaklıklarını, komşuluk bağlantılarını ve yoğunluklarını kullanarak veriyle ilgili çıkarımlar yapmaktır. Yapılan çıkarımlar kullanılan algoritmalara göre değişiklik gösteriyor.</p><p>Bu öğrenme yönteminin gözetimsiz olarak isimlendirilmesinin sebebi, <em>Supervised Learning (Gözetimli Öğrenme)</em> yönteminin aksine burada doğru cevaplar ve hoca yoktur. Verilerdeki yapının algoritma tarafından keşfedilmesi ve öğrenilmesi beklenmektedir.</p><p>Gözetimsiz Öğrenme yöntemi ile 2 çeşit problem çözülebilmektedir:</p><ul><li><strong>Clustering (Kümeleme) </strong>: Kümeleme, verilerin gruplandırılması için kullanılan bir makine öğrenmesi tekniğidir. Kullanım alanları olarak genelleme yapılırsa, müşteri segmentasyonu, pazar segmentasyonu ,sağlık ve görüntü işleme örnek gösterilebilir. Popüler olan ve çok kullanılan , <em>Kümeleme </em>algoritmaları:</li></ul><blockquote>1. K-means Clustering</blockquote><blockquote>2. Mean-Shift Clustering</blockquote><blockquote>3. Agglomerative Hierarchical Clustering</blockquote><blockquote>4. Divisive Hierarchical Clustering</blockquote><ul><li><strong>Association Rule Mining (Birliktelik Kural Çıkarımı) </strong>: Bu kavramın çıkışı alışveriş sepetlerinden gelmektedir. Bunu alanlar bunu da aldı, bunu izleyenler bunu da izledi, bunu yapanlar bunu da yaptı gibi. Bu işlem ile müşterilerin alışveriş sırasında aldığı ürünler arasındaki bağlantıları bularak onların satın alma alışkanlıkları çözümlenir.(Örnek olarak, bira alan bebek bezi aldı, kola alan cips aldı gibi). Popüler olan ve çok kullanılan 2 adet<em> Association Rule Mining </em>algoritması vardır:</li></ul><blockquote><strong>1. APriori Algoritması</strong></blockquote><blockquote><strong>2. Eclat Algoritması</strong></blockquote><h3>Reinforcement Learning (Pekiştirmeli/Takviyeli Öğrenme)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*7h7H3VZ9yKS6eKwYBe1-HQ.png" /></figure><p><em>Reinforcement Learning (Pekiştirmeli/Takviyeli Öğrenme) </em>bulunduğu ortamı algılayan ve kendi başına kararlar alabilen bir sistemin tanımlanmış hedefe yönelik, kendi kendini iyileştirerek doğru kararlar almayı nasıl öğrenebileceğini gösteren bir makine öğrenmesi yaklaşımıdır. Bir başka deyişle, bir ajanın çalıştığı çevreden öğrendiği bilgiler sayesinde kendini geliştirdiği sistem olarak tanım yapabiliriz. Bu yöntem robotik, oyun programlama ve hastalık teşhisi gibi alanlarda sıklıkla kullanılmaktadır.</p><p>Yukarıdaki görselden de görüldüğü gibi makine yani ajan, çalıştığı ortamda bir aksiyonda bulunuyor. Daha sonra yapılan aksiyonun gözlemlenmesi sonucunda onun ne kadar iyi veya kötü olduğuna karar veriliyor. Eğer yapılan eylem sonucu iyi olur ise ajana ödül, kötü olur ise ajana ceza verilerek yaptığı hatalardan makinenin kendi kendine öğrenmesi sağlanıyor. Bu yöntem ile Google DeepMind ekibi Go oyununu kendi kendine oynatarak geliştirdiler ve hiçbir insanın yenemeyeceği seviyeye ulaştırdılar.</p><p>Örnek <em>Reinforcement Learning </em>algoritmaları:</p><blockquote>1. Upper Confidence Bound Algorithm (Üst Güven Aralığı)</blockquote><blockquote>2. Thompson Sampling (Thompson Örneklemesi)</blockquote><p>Buraya kadar okuduğunuz için teşekkür ederim. Yanlış gördüğünüz yerler olur ise yorumda belirtirseniz sevinirim. Umarım faydalı olmuştur.</p><h3>Kaynaklar:</h3><ul><li><a href="https://machinelearningmastery.com/types-of-classification-in-machine-learning/">4 Types of Classification Tasks in Machine Learning - Machine Learning Mastery</a></li><li><a href="https://scikit-learn.org/stable/modules/multiclass.html">1.12. Multiclass and multioutput algorithms</a></li><li><a href="https://en.wikipedia.org/wiki/Unsupervised_learning">Unsupervised learning - Wikipedia</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9588589c054c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>