Makine öğrenmesinin temelinde Supervised ve Unsupervised Learning vardır. Supervised (Denetimli) öğrenme etiketli yani tanımlanmış verileri eğitmektir. Unsupervised (Denetimsiz) öğrenme ise etiketsiz bilinmeyen verileri sunup eğitmektir.
Hadi biraz daha detaya inelim 👀
1) Supervised Learning (Denetimli Öğrenme) 📈
Supervised Learning, etiketli(label) örneklerle model kurma yöntemidir. Verileri etiketlemek, verileri farklı kategorilere ayırmak anlamına gelir. Bu etiketleme esas olarak denetimli öğrenmede gerçekleşir. Bu nedenle, denetimli öğrenmenin amacı, bir veri örneği ve istenen çıktılar verildiğinde, girdi ve çıktı arasındaki ilişkiyi en iyi şekilde tahmin eden bir model oluşturmaktadır.
Denetimli Öğrenmenin Avantajları
- Bu tür öğrenmeyi anlamak kolaydır. En yaygın öğrenme yöntemi türüdür.
- Eğitim verileri, yalnızca modeli eğitmek için gereklidir. Büyük olduğu için çok yer kaplar. Ancak eğitim tamamlandıktan sonra hiçbir önemi olmadığı için hafızadan silinebilir.
- Real hesaplama problemlerini çözmede yardımcı olur.
- Bu öğrenme yöntemi, modelin önceki deneyimlerden öğrenmesine ve tahminde bulunurken doğruluğunu geliştirmesine de yardımcı olabilir.
Denetimli Makine Öğreniminin Dezavantajları
- Performans olarak, ML’ de ki karmaşık problemlerin üstesinden gelemeyeceği gerçeği vardır.
- Kendi etiketlerini oluşturamaz. Bu, denetimsiz öğrenme gibi verileri kendi başına öğrenemeyeceği anlamına gelir.
- Yeni veri girersek, sadece verilen sınıflardan herhangi biri olmalıdır. Bir elma ve portakal sınıfına armutun verilerini girerseniz, armutu bu sınıflardan birine sınıflandırabilir ve yanlış sonuçlar elde etmiş oluruz.
- Denetimli öğrenme temelli bir modeli eğitmek için güçlü bir bilgisayar gerekir.
2) Unsupervised Learning (Denetimsiz Öğrenme) 📉
Unsupervised Learning, etiketsiz örneklerde birbirine yakın sonuçları kategorize yaparak modelleme yöntemidir.
Yani denetimli öğrenmenin aksine, burada modeli eğitmek istediğimiz verileri etiketlemiyoruz. Model, kendisi öğrenerek verileri eğitmektedir.
Denetimsiz Öğrenmenin Avantajları
- Verilerin etiketlenmesi çok zaman harcayabiliyor. Bu yüzden Unsupervised Learning, verileri öğrenerek ve herhangi bir etiket olmadan sınıflandırarak sorunu çözer.
- Etiketler, veriler sınıflandırıldıktan sonra da eklenebilir.
- Normal yöntemlerle bulunması mümkün olmayan verilerde kalıpları bulmakta yardımcı olur.
- Denetimsiz öğrenme, işlenmemiş verileri anlamaya yardımcı olabileceğinden, veri bilimcileri için mükemmel bir araçtır.
- Verilerin ne dereceye kadar benzer olduğu da bulunabilir. Bu olasılıksal yöntemlerle gerçekleştirilebilir.
- Model yavaş öğrenip sonucu hesapladığı için bu öğrenme türü bir nevi insan zekasına benzer.
Denetimsiz Öğrenmenin Dezavantajları
- Eğitilecek herhangi bir örnek verimiz olmadığı için sonucun doğruluk oranı az olabilir.
- Model, herhangi bir ön bilgi olmaksızın ham verilerden öğrenmektedir.
- Zaman alıcı bir süreçtir. Algoritmanın öğrenme aşaması, tüm olasılıkları analiz edip hesapladığı için çok zaman alabilir.
- Canlı veri içeren bazı projeler için, modele sürekli veri beslemesi gerektirebilir, bu da hem yanlış hem de zaman alıcı sonuçlara neden olur.
- Özellikler arttıkça karışıklık artar.
Instagram’dan takip edebilirsiniz: @yazilimfuryasi
Diğer içeriklere de göz atabilirsin.
Kaynak: 📌
https://app.patika.dev/moduller/veri-bilimine-giris/
https://techvidvan.com/tutorials/unsupervised-learning/
https://techvidvan.com/tutorials/supervised-learning/
https://towardsdatascience.com/supervised-vs-unsupervised-learning-14f68e32ea8d
