tag kümeleme
Unsupervised Learning (Denetimsiz Öğrenme)
Bu sayfada kümeleme (Unsupervised Learning (Denetimsiz Öğrenme)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Gözetimsiz öğrenme (unsupervised learning), etiketlenmemiş veriden gizli yapı, örüntü ve ilişkileri keşfeden makine öğrenmesi paradigmasıdır. Denetimli öğrenmeden farklı olarak doğru cevap yoktur; algoritma veriyi anlamlandırmak için kendi iç organizasyonunu geliştirir. Kümeleme (clustering), gözetimsiz öğrenmenin en yaygın uygulamasıdır. K-Means, birbirine benzer örnekleri gruplara ayırır; her grup bir merkoid (centroid) tarafından temsil edilir. Hiyerarşik kümeleme dendogram adı verilen bir ağaç yapısı oluşturarak farklı çözünürlük seviyelerinde gruplar sunar. DBSCAN ise yoğunluk tabanlı bir yaklaşımla düzensiz şekilli kümeler ve aykırı değerleri ayırt edebilir. Boyut azaltma, yüksek boyutlu veriyi anlamlı alt uzaylara projeksiyon yaparak hem görselleştirme hem de hesaplama verimliliğini artıran başka bir gözetimsiz öğrenme alanıdır. PCA (Temel Bileşen Analizi) varyansı maksimize eden ortogonal bileşenler bulurken, t-SNE ve UMAP yerel yapıyı koruyarak 2D veya 3D görselleştirme için idealdir. Üretken modeller de gözetimsiz öğrenme kapsamında değerlendirilebilir. Otokodlayıcılar (autoencoders) veriyi sıkıştıran ve yeniden üreten bir enkoder-dekoder mimarisi kurar; öğrenilen gizli temsil anomali tespiti, gürültü giderme ve özellik çıkarımı için kullanılır. Üretken Çekişmeli Ağlar (GAN) ve Değişimsel Otokodlayıcılar (VAE) gerçekçi yapay veri üretimi için gözetimsiz öğrenmenin ulaştığı doruk noktalardır. Gözetimsiz öğrenme, etiket maliyetinin yüksek olduğu tıbbi görüntü analizi, müşteri segmentasyonu, belge kümeleme ve öneri sistemi gibi alanlarda kritik değer taşır. Ayrıca denetimli öğrenme öncesinde veri keşfi ve ön işleme aşamasında standart bir araç olarak kullanılır. Öz-denetimli öğrenme (self-supervised learning), gözetimsiz öğrenmenin modern bir uzantısı olarak büyük dil modellerinin temelini oluşturur. BERT ve GPT gibi modeller, etiket gerektirmeksizin milyarlarca token üzerinde ön eğitim yaparak dil yapısını içselleştirir. Bu temsiller daha sonra az miktarda etiketli veriyle ince ayar yapılarak aşağı yönlü görevlerde kullanılır; bu yaklaşım günümüz yapay zeka uygulamalarının merkezindedir.
Unsupervised Learning (Denetimsiz Öğrenme)
Gözetimsiz öğrenme (unsupervised learning), etiketlenmemiş veriden gizli yapı, örüntü ve ilişkileri keşfeden makine öğrenmesi paradigmasıdır. Denetimli öğrenmeden farklı olarak doğru cevap yoktur; algoritma veriyi anlamlandırmak için kendi iç organizasyonunu geliştirir. Kümeleme (clustering), gözetimsiz öğrenmenin en yaygın uygulamasıdır. K-Means, birbirine benzer örnekleri gruplara ayırır; her grup bir merkoid (centroid) tarafından temsil edilir. Hiyerarşik kümeleme dendogram adı verilen bir ağaç yapısı oluşturarak farklı çözünürlük seviyelerinde gruplar sunar. DBSCAN ise yoğunluk tabanlı bir yaklaşımla düzensiz şekilli kümeler ve aykırı değerleri ayırt edebilir. Boyut azaltma, yüksek boyutlu veriyi anlamlı alt uzaylara projeksiyon yaparak hem görselleştirme hem de hesaplama verimliliğini artıran başka bir gözetimsiz öğrenme alanıdır. PCA (Temel Bileşen Analizi) varyansı maksimize eden ortogonal bileşenler bulurken, t-SNE ve UMAP yerel yapıyı koruyarak 2D veya 3D görselleştirme için idealdir. Üretken modeller de gözetimsiz öğrenme kapsamında değerlendirilebilir. Otokodlayıcılar (autoencoders) veriyi sıkıştıran ve yeniden üreten bir enkoder-dekoder mimarisi kurar; öğrenilen gizli temsil anomali tespiti, gürültü giderme ve özellik çıkarımı için kullanılır. Üretken Çekişmeli Ağlar (GAN) ve Değişimsel Otokodlayıcılar (VAE) gerçekçi yapay veri üretimi için gözetimsiz öğrenmenin ulaştığı doruk noktalardır. Gözetimsiz öğrenme, etiket maliyetinin yüksek olduğu tıbbi görüntü analizi, müşteri segmentasyonu, belge kümeleme ve öneri sistemi gibi alanlarda kritik değer taşır. Ayrıca denetimli öğrenme öncesinde veri keşfi ve ön işleme aşamasında standart bir araç olarak kullanılır. Öz-denetimli öğrenme (self-supervised learning), gözetimsiz öğrenmenin modern bir uzantısı olarak büyük dil modellerinin temelini oluşturur. BERT ve GPT gibi modeller, etiket gerektirmeksizin milyarlarca token üzerinde ön eğitim yaparak dil yapısını içselleştirir. Bu temsiller daha sonra az miktarda etiketli veriyle ince ayar yapılarak aşağı yönlü görevlerde kullanılır; bu yaklaşım günümüz yapay zeka uygulamalarının merkezindedir.
K-Means Kümeleme (K-Ortalama Kümeleme)
K-Means, makine öğreniminde en yaygın kullanılan gözetimsiz kümeleme algoritmalarından biridir. Temel amacı, etiketlenmemiş veri noktalarını K adet anlamlı gruba (kümeye) bölmektir; küme içindeki noktalar birbirine benzer özellikler taşırken farklı kümeler arasındaki benzerlik minimum düzeyde tutulur. Algoritma dört temel adımla çalışır. Başlatma aşamasında K adet merkez noktası (centroid) rastgele ya da K-Means++ yöntemiyle belirlenir. K-Means++, merkezleri birbirinden olabildiğince uzağa yerleştirerek daha kararlı bir başlangıç noktası oluşturur; bu da yakınsama hızını artırır ve yerel minimuma takılma riskini azaltır. Atama adımında her veri noktası, Öklid uzaklığı ölçütüyle en yakın merkeze atanır. Güncelleme adımında her küme için noktaların koordinat ortalaması hesaplanarak yeni centroid belirlenir. Atama ve güncelleme döngüsü, hiçbir centroid yer değiştirmeyene kadar ya da belirli bir iterasyon sınırına ulaşılana kadar tekrarlanır. Algoritmanın zaman karmaşıklığı O(n · K · I · d) olup n veri noktası sayısını, K küme sayısını, I iterasyon sayısını ve d boyut sayısını ifade eder. Algoritmanın en kritik parametresi K değeridir; kaç küme istediğimizi önceden belirtmek gerekir. K'yı belirlemek için en yaygın yöntem Dirsek Yöntemi'dir (Elbow Method): farklı K değerleri için Küme İçi Kareler Toplamı (WCSS — Within-Cluster Sum of Squares) grafiğe dökülerek eğrinin dirsek yaptığı nokta optimal K olarak seçilir. Silhouette Skoru, Calinski-Harabasz ve Davies-Bouldin indeksleri gibi istatistiksel ölçütler de K seçiminde kullanılan alternatif yaklaşımlardır. K-Means'ın temel avantajları sadelik ve ölçeklenebilirliktir; milyonlarca veri noktasında bile makul sürelerde çalışır. Bununla birlikte bazı sınırlılıkları göz ardı edilmemelidir: K değerinin önceden belirlenmesi zorunludur; algoritma yalnızca küresel (convex) biçimli kümelerde tutarlı sonuçlar verir; aykırı değerlere (outlier) karşı duyarlıdır ve rastgele başlangıç noktaları farklı çalışmalarda farklı sonuçlara yol açabilir. Bu zayıflıkları gidermek amacıyla K-Means++, Mini-Batch K-Means, Bisecting K-Means ve ISODATA gibi varyantlar geliştirilmiştir. Gerçek dünyada K-Means'ın uygulama alanları son derece geniştir: müşteri segmentasyonu, belge ve haber kümeleme, görüntü renk niceleme, pazar analizi, anomali tespiti ve öneri sistemlerinde özellik mühendisliği adımı olarak kullanılır. Scikit-learn, Spark MLlib ve TensorFlow gibi kütüphaneler K-Means'ı hazır API'lerle sunmakta; bu da algoritmayı veri bilimcilerin günlük araç setinin vazgeçilmez bir parçası haline getirmektedir.