tag unsupervised-learning
Association Rule Mining (Birliktelik Kuralı Madenciliği)
Bu sayfada unsupervised-learning (Association Rule Mining (Birliktelik Kuralı Madenciliği)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Birliktelik Kuralı Madenciliği (Association Rule Mining), büyük veri setleri içindeki öğeler arasındaki ilişkileri, örüntüleri ve birlikte ortaya çıkma eğilimlerini keşfeden bir veri madenciliği yöntemidir. Bu teknik, belirli öğelerin bir arada bulunma sıklığını analiz ederek "Eğer X satın alınırsa, Y de satın alınır" gibi anlamlı kurallar çıkarır. 1993 yılında Agrawal ve Srikant tarafından geliştirilen Apriori algoritmasıyla önem kazanan bu yöntem, günümüzde e-ticaret öneri sistemlerinden ilaç araştırmalarına, siber güvenlikten finans sektörüne kadar geniş bir uygulama alanına sahiptir. Algoritma üç temel metriğe dayanır: Destek (Support), güven (Confidence) ve kaldıraç (Lift). Destek, bir kuralın veri kümesinde ne sıklıkla geçerli olduğunu gösterir. Güven, öncül (antecedent) gerçekleştiğinde sonucun (consequent) ne kadar olasılıkla gerçekleşeceğini ifade eder. Lift ise kuralın rastlantısallığın ötesinde ne kadar anlamlı olduğunu ölçer; lift değeri 1'den büyükse öğeler arasında pozitif bir ilişki vardır. Birliktelik kuralı madenciliğinin en tanınan uygulaması market sepeti analizidir (market basket analysis). Bir süpermarketin satış verilerini analiz ettiğinizde "bezle birlikte ıslak mendil de alınıyor" veya "bira alanlar cips de alıyor" gibi içgörüler elde edilebilir. Bu tür bilgiler raf düzeni optimizasyonu, çapraz satış stratejileri ve kişiselleştirilmiş pazarlama kampanyalarında kritik rol oynar. Amazon, Netflix ve Spotify gibi platformlar da birliktelik kuralı ilkelerinden yararlanarak kişiye özel ürün ve içerik önerileri sunar. Yöntem, denetimsiz öğrenme (unsupervised learning) kategorisinde değerlendirilir; önceden etiketlenmiş veriye gerek duymadan ham işlem kayıtlarından doğrudan anlam çıkarır.
Association Rule Mining (Birliktelik Kuralı Madenciliği)
Birliktelik Kuralı Madenciliği (Association Rule Mining), büyük veri setleri içindeki öğeler arasındaki ilişkileri, örüntüleri ve birlikte ortaya çıkma eğilimlerini keşfeden bir veri madenciliği yöntemidir. Bu teknik, belirli öğelerin bir arada bulunma sıklığını analiz ederek "Eğer X satın alınırsa, Y de satın alınır" gibi anlamlı kurallar çıkarır. 1993 yılında Agrawal ve Srikant tarafından geliştirilen Apriori algoritmasıyla önem kazanan bu yöntem, günümüzde e-ticaret öneri sistemlerinden ilaç araştırmalarına, siber güvenlikten finans sektörüne kadar geniş bir uygulama alanına sahiptir. Algoritma üç temel metriğe dayanır: Destek (Support), güven (Confidence) ve kaldıraç (Lift). Destek, bir kuralın veri kümesinde ne sıklıkla geçerli olduğunu gösterir. Güven, öncül (antecedent) gerçekleştiğinde sonucun (consequent) ne kadar olasılıkla gerçekleşeceğini ifade eder. Lift ise kuralın rastlantısallığın ötesinde ne kadar anlamlı olduğunu ölçer; lift değeri 1'den büyükse öğeler arasında pozitif bir ilişki vardır. Birliktelik kuralı madenciliğinin en tanınan uygulaması market sepeti analizidir (market basket analysis). Bir süpermarketin satış verilerini analiz ettiğinizde "bezle birlikte ıslak mendil de alınıyor" veya "bira alanlar cips de alıyor" gibi içgörüler elde edilebilir. Bu tür bilgiler raf düzeni optimizasyonu, çapraz satış stratejileri ve kişiselleştirilmiş pazarlama kampanyalarında kritik rol oynar. Amazon, Netflix ve Spotify gibi platformlar da birliktelik kuralı ilkelerinden yararlanarak kişiye özel ürün ve içerik önerileri sunar. Yöntem, denetimsiz öğrenme (unsupervised learning) kategorisinde değerlendirilir; önceden etiketlenmiş veriye gerek duymadan ham işlem kayıtlarından doğrudan anlam çıkarır.
DBSCAN (Yoğunluk Tabanlı Kümeleme (DBSCAN))
DBSCAN (Density-Based Spatial Clustering of Applications with Noise — Gürültüye Dayanıklı, Yoğunluk Tabanlı Uzamsal Kümeleme), veriyi kümelere ayırmak için noktaların birbirlerine olan yakınlığını ve yoğunluğunu kullanan bir kümeleme algoritmasıdır. Martin Ester, Hans-Peter Kriegel ve ekibi tarafından 1996'da önerilen bu algoritma, belirsiz şekilli (non-convex) kümeleri tanıma ve aykırı noktaları gürültü olarak tespit etme becerisiyle öne çıkar. DBSCAN iki temel parametre kullanır: epsilon (ε) ve minPts. Epsilon, bir noktanın komşuluk yarıçapını tanımlar; minPts ise bir noktanın çekirdek nokta (core point) sayılması için o yarıçap içinde bulunması gereken minimum komşu sayısıdır. Algoritma çekirdek noktaları, kenar noktaları ve gürültü noktalarını birbirinden ayırır: yeterince yoğun bölgelerdeki noktalar kümeler oluşturur, geri kalanlar gürültü olarak işaretlenir. K-Means'ın aksine DBSCAN küme sayısını önceden gerektirmez; verideki doğal yapıyı keşfeder. Küre şekilli olmayan, rastgele geometrik formdaki kümeleri başarıyla tespit edebilir. Gürültüye karşı sağlamlığı, coğrafi veri analizi ve anomali tespiti gibi gerçek dünya uygulamaları için son derece uygun bir araç haline getirir. Ancak çok boyutlu verilerde ε parametresini ayarlamak güçleşir ve boyutluluk lanetinden (curse of dimensionality) etkilenebilir. DBSCAN'ın geliştirilmiş varyantı HDBSCAN (Hierarchical DBSCAN), sabit epsilon yerine hiyerarşik bir yoğunluk eşiği kullanarak değişken yoğunluktaki kümeleri tanıyabilmektedir. Python'da scikit-learn kütüphanesi DBSCAN ve HDBSCAN için kullanıma hazır implementasyonlar sunar. Türkiye'de coğrafi bilgi sistemleri, perakende lokasyon analizi ve doğal afet noktası kümeleme çalışmalarında yaygın kullanım alanı bulmaktadır.