Sade anlatım
Sıradan yazılımda kuralı bir insan yazar: “tutar 10.000'i aşarsa ödemeyi işaretle”. Makine öğrenmesinde ise sisteme, her biri dolandırıcılık ya da gerçek diye işaretlenmiş binlerce geçmiş ödeme gösterirsiniz ve kuralı kendisi çıkarır. Ortaya çıkan şeye model denir; model daha önce hiç görmediği ödemeleri de değerlendirebilir.
Neden önemli
Kuralların yazılamayacak kadar çok, ince ya da değişken olduğu, buna karşılık örneğin bol olduğu yerlerde doğru araçtır: dolandırıcılık, talep tahmini, müşteri kaybı, kredi riski, kalite kontrol, öneri sistemleri. İki gereksinimi aynı zamanda sınırlarıdır: yeterli miktarda iyi geçmiş veri ve geçmişe benzeyen bir gelecek. Bir model ancak öğrendiği örnekler kadar iyi ve adildir.
Örnek
Bir perakendeci, gelecek hafta her mağazanın her üründen kaç adet satacağını bilmek istiyor. Planlamacıların pratik kuralı ortalama %28 yanılıyor. Üç yıllık satış, fiyat, kampanya, hava durumu ve tatil verisiyle eğitilen bir makine öğrenmesi modeli hatayı %14'e indiriyor. Sıcak dalgasında dondurma satıldığını ona kimse söylemedi; bunu veride kendisi buldu.
Bununla en çok karıştırılan kavram
ML ve Derin öğrenme arasındaki fark
Derin öğrenme, makine öğrenmesinin bir parçasıdır. Karar ağaçları ve regresyon gibi klasik yöntemler sayı tablolarında iyi çalışır, daha az veri ister ve açıklaması daha kolaydır. Derin öğrenme, girdinin yapılandırılmamış olduğu yerde öndedir: görüntü, ses ve dil. Hesap tablosu biçimindeki bir iş problemi için klasik yöntemler çoğu zaman hâlâ daha iyi seçimdir.
Köken: Terimi 1959'da IBM'den Arthur Samuel, dama oynamayı öğrenen bir program üzerine çalışmasıyla yaygınlaştırdı.
Teknik katman
Üç ana düzen vardır: denetimli öğrenme (etiketli örnekler; sınıflandırma ve regresyon için), denetimsiz öğrenme (kümelemede olduğu gibi etiket olmadan yapı bulma) ve pekiştirmeli öğrenme (ödülden öğrenme). İş akışı: hedefi tanımla, veriyi topla ve temizle, özellikleri hazırla, eğitim, doğrulama ve test kümelerine ayır, eğit, değerlendir, devreye al ve izle. Yaygın algoritmalar: doğrusal ve lojistik regresyon, karar ağaçları, rastgele ormanlar, gradient boosting (XGBoost, LightGBM), destek vektör makineleri ve sinir ağları. Başlıca riskler: overfitting (eğitim verisini ezberleme), veri sızıntısı (yanıtın girdilere karışması), geçmiş veriden devralınan yanlılık ve devreye alındıktan sonra dünya değiştiğinde ortaya çıkan kayma (drift).