Makine Öğrenmesi Nedir? Kapsamlı Pratik Rehber

Makine Öğrenmesi Nedir?

Her gün dünya 2,5 kentilyon bayttan fazla veri üretiyor. Hiçbir insan bu hacmi analiz edemez — ama makine öğrenmesi bunu saniyeler içinde yapıyor. Kanseri doktorlardan daha doğru teşhis etmekten bankacılık dolandırıcılığını anlık tespit etmeye kadar, bu teknoloji oyunun kurallarını değiştiriyor.

Makine öğrenmesi (Machine Learning), yapay zekanın bir dalı olup bilgisayar sistemlerinin açık programlama olmaksızın deneyimden öğrenmesini ve gelişmesini sağlar. Sabit kurallar yazmak yerine programa veri veriyoruz ve kalıpları kendi başına keşfetmesine izin veriyoruz.

Yapay Zeka ile Makine Öğrenmesi Arasındaki Fark

Bu iki terim sıklıkla birbirinin yerine kullanılır, ancak farklıdırlar:

Basitçe söylemek gerekirse: tüm makine öğrenmesi yapay zekadır, ancak tüm yapay zeka makine öğrenmesi değildir.

Makine Öğrenmesi Türleri

Makine öğrenmesi, her biri farklı kullanım alanları ve metodolojilere sahip üç ana türe ayrılır.

Gözetimli Öğrenme (Supervised Learning)

En yaygın ve en çok kullanılan tür. Modele girdiler (Features) ve beklenen çıktılar (Labels) içeren eğitim verisi veriyoruz ve model aralarındaki ilişkiyi öğreniyor.

Pratik Örnek: Spam Filtresi

Normal ve spam e-postaları ayırt eden bir sistem kurmak istediğinizi düşünün:

1. Önceden sınıflandırılmış binlerce mesaj topluyoruz (spam / spam değil)
2. Her mesajdan özellikler çıkarıyoruz (anahtar kelimeler, gönderici, bağlantılar)
3. Modeli bu verilerle eğitiyoruz
4. Model spam'i karakterize eden kalıpları öğreniyor
5. Yeni bir mesaj geldiğinde model otomatik sınıflandırıyor

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfVectorizer

# Eğitim verileri
emails = ["Hemen bir milyon dolar kazanın!", "Yarın saat 10'da takım toplantısı", ...]
labels = ["spam", "not_spam", ...]

# Özellik çıkarma ve model eğitimi
vectorizer = TfidfVectorizer(analyzer='word')
X = vectorizer.fit_transform(emails)
model = MultinomialNB()
model.fit(X, labels)

# Yeni bir e-postayı sınıflandır
new_email = ["Tebrikler! Büyük ödülü kazandınız"]
prediction = model.predict(vectorizer.transform(new_email))
print(prediction)  # ['spam']

Gözetimsiz Öğrenme (Unsupervised Learning)

Bu türde modele önceden etiketlenmemiş veri veriyoruz ve gizli kalıpları ve grupları kendi başına keşfetmeye çalışıyor.

Pratik Örnek: Müşteri Segmentasyonu

Bir e-ticaret mağazanız olduğunu ve müşteri türlerinizi anlamak istediğinizi varsayalım:

• Satın alma verileri topluyorsunuz: harcanan tutar, satın alma sayısı, ziyaret sıklığı
• K-Means gibi bir kümeleme algoritması uyguluyorsunuz
• Model grupları keşfediyor: "VIP müşteriler", "mevsimsel alıcılar", "geçici ziyaretçiler"
• Her grup için hedefli pazarlama kampanyaları tasarlıyorsunuz

from sklearn.cluster import KMeans
import numpy as np

# Müşteri verileri: [harcanan tutar, satın alma sayısı]
customers = np.array([
    [500, 20], [450, 18], [30, 2], [25, 1],
    [200, 8], [180, 10], [600, 25], [20, 1]
])

# 3 küme ile K-Means uygula
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(customers)

print(kmeans.labels_)
# [0, 0, 2, 2, 1, 1, 0, 2]
# Grup 0: VIP müşteriler
# Grup 1: Orta müşteriler
# Grup 2: Yeni müşteriler

Pekiştirmeli Öğrenme (Reinforcement Learning)

Model çevreyle etkileşim kurarak ve ardışık kararlar alarak öğrenir. Doğru kararlar için ödüller ve hatalar için cezalar alır, zamanla kademeli olarak gelişir.

Pratik Örnek: Oyun Öğrenme

Google'ın AlphaGo programı Go oyununu nasıl öğrendi ve dünya şampiyonlarını yendi:

1. Durum (State): Tahtanın mevcut konumu
2. Eylem (Action): Belirli bir konuma taş yerleştirme
3. Ödül (Reward): Kazanmada +1, kaybetmede -1
4. Öğrenme: Kendine karşı milyonlarca oyun oynar ve stratejisini geliştirir

Bu tür aynı zamanda otonom araçlarda ve endüstriyel robotlarda da kullanılır.

Temel Makine Öğrenmesi Algoritmaları

Doğrusal Regresyon (Linear Regression)

En basit ML algoritması. Değişkenler arasındaki ilişkiyi temsil eden bir doğru çizgi bulur. Örneğin: bir evin fiyatını alanına göre tahmin etmek.

Fiyat = (Alan x Katsayı) + Sabit

Bir grafik üzerinde noktalar çizdiğinizi (yatay eksende ev alanı, dikey eksende fiyat), sonra tüm noktalara mümkün olduğunca yakın geçen bir çizgi çektiğinizi hayal edin. İşte doğrusal regresyon budur.

Ne zaman kullanılır? Değişkenler arasındaki ilişki doğrusal ve sürekli olduğunda (sayılar, kategoriler değil).

Karar Ağaçları (Decision Trees)

Bir dizi evet/hayır sorusu gibi çalışırlar. Bugün futbol oynayıp oynamayacağınıza karar verdiğinizi düşünün:

Hava güneşli mi?
├── Evet → Sıcaklık 40°'nin altında mı?
│   ├── Evet → Oyna!
│   └── Hayır → Evde kal
└── Hayır → Şiddetli yağmur var mı?
    ├── Evet → Evde kal
    └── Hayır → Oyna!

Avantajları: Anlaması ve yorumlaması kolay, hem sayısal hem metin verileriyle çalışır. Ancak çok karmaşık olursa aşırı öğrenebilir (Overfitting).

Sinir Ağları (Neural Networks)

İnsan beyninin çalışma prensibinden ilham almıştır. Yapay nöronların katmanlarından oluşur:

• Giriş katmanı: Verileri alır (örn. bir görüntünün pikselleri)
• Gizli katmanlar: Verileri işler ve kalıpları çıkarır
• Çıkış katmanı: Sonucu üretir (örn. "kedi" veya "köpek")

Gizli katmanlar arttıkça modele derin öğrenme (Deep Learning) denir. Bu teknoloji ChatGPT ve görüntü tanıma sistemlerinin arkasındadır.

Makine Öğrenmesi Uygulama Alanları

1. Sağlık

• Röntgen ve MR görüntülerinden hastalık teşhisi
• Kronik hastalık riskleri tahmini
• Milyonlarca kimyasal bileşiğin analiziyle yeni ilaç keşfi

2. Finans

• Bankacılık dolandırıcılığını anlık tespit
• Hisse fiyatları tahmini ve risk analizi
• Borçlu kredi değerliliği değerlendirmesi

3. E-Ticaret

• Öneri sistemleri ("Bu ürünü satın alanlar ayrıca...")
• Arz ve talebe göre dinamik fiyatlandırma
• Müşteri yorumlarını analiz etme ve duygu çıkarma

4. Ulaşım

• Otonom araçlar (Tesla, Waymo)
• Teslimat rotalarını optimize etme ve yakıt tüketimini azaltma
• Trafik akışı ve yoğun saat tahmini

5. Doğal Dil İşleme

• Makine çevirisi (Google Translate)
• Akıllı asistanlar (ChatGPT, Claude, Gemini)
• Sosyal medya duygu analizi

6. Siber Güvenlik

• Siber saldırıları ve yeni tehditleri tespit etme
• Şüpheli aktiviteyi keşfetmek için kullanıcı davranışı analizi
• Spam ve kimlik avı e-postalarını filtreleme

Siber güvenlik hakkında daha fazla bilgi için siber güvenlik temelleri makalemizi okuyun.

Basit ML Projesi Oluşturma — Adım Adım

scikit-learn kütüphanesiyle ev fiyatlarını tahmin eden bir model oluşturacağız. Şu adımları takip edin:

Adım 1: Ortamı Hazırlama

# Gerekli kütüphaneleri yükleme
# pip install scikit-learn pandas numpy matplotlib

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score

Adım 2: Veriyi Yükleme ve Anlama

from sklearn.datasets import fetch_california_housing

# Kaliforniya ev fiyatları verisini yükle
data = fetch_california_housing()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['Price'] = data.target

# İlk 5 satırı göster
print(df.head())
print(f"\nKayıt sayısı: {len(df)}")
print(f"Özellikler: {list(df.columns)}")

Adım 3: Veriyi Bölme

# Özellikler (girdiler)
X = df.drop('Price', axis=1)

# Hedef (çıktı)
y = df['Price']

# Bölme: %80 eğitim, %20 test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

print(f"Eğitim verisi: {len(X_train)}")
print(f"Test verisi: {len(X_test)}")

Adım 4: Modeli Eğitme

# Doğrusal regresyon modelini oluştur ve eğit
model = LinearRegression()
model.fit(X_train, y_train)

print("Model başarıyla eğitildi!")

Adım 5: Modeli Değerlendirme

# Test verileri üzerinde tahmin yap
predictions = model.predict(X_test)

# Model doğruluğunu hesapla
mae = mean_absolute_error(y_test, predictions)
r2 = r2_score(y_test, predictions)

print(f"Ortalama Mutlak Hata: ${mae * 100000:.0f}")
print(f"R² Skoru: {r2:.3f}")
# R² 1'e yakınsa iyi bir model demektir

Adım 6: Modeli Tahmin İçin Kullanma

# Yeni bir evin fiyatını tahmin et
new_house = np.array([[8.3, 41, 6.9, 1.02, 322, 2.5, 37.88, -122.23]])
predicted_price = model.predict(new_house)
print(f"Tahmini fiyat: ${predicted_price[0] * 100000:.0f}")

Makine Öğrenmesi İçin Kaynaklar

Ücretsiz Kurslar

• Machine Learning by Andrew Ng (Coursera) — Dünya çapında en ünlü kurs, temelleri mükemmel açıklar
• Fast.ai — Yukarıdan aşağıya pratik öğrenme, gerçek projeler inşa ederek başlarsınız
• Google Machine Learning Crash Course — İnteraktif alıştırmalarla Google'ın yoğun kursu

Önerilen Kitaplar

• Hands-On Machine Learning (Aurelien Geron) — Pratik uygulama için en iyisi
• Pattern Recognition and Machine Learning (Christopher Bishop) — Teorik temeller için
• The Hundred-Page Machine Learning Book (Andriy Burkov) — Kapsamlı ve özlü bir özet

Pratik Eğitim Platformları

• Kaggle — Yarışmalar, gerçek veri setleri ve aktif topluluk
• Google Colab — Tarayıcıda GPU ile ücretsiz Python ortamı
• Hugging Face — Doğrudan kullanıma hazır önceden eğitilmiş modeller

Yapay zeka bir kariyer yolu olarak ilginizi çekiyorsa, nasıl başlayacağınızı öğrenmek için teknik kariyer rehberine göz atın.

Sonuç

Makine öğrenmesi geçici bir trend değil — tıptan finansa, eğlenceye kadar her sektörü yeniden şekillendiriyor. İyi haber: başlamak düşündüğünüzden daha kolay — Python, scikit-learn kütüphanesi ve Kaggle'dan bir veri seti — ilk modelinizi oluşturmak için ihtiyacınız olan tek şey bu.

Üç türü anlayarak başlayın (gözetimli, gözetimsiz, pekiştirmeli), yukarıdaki uygulamalı projeyi deneyin, ardından kademeli olarak daha karmaşık projelere geçin. Ve unutmayın: öğrenmenin en iyi yolu pratik yapmaktır.

Yapay zeka ve araçları hakkında daha fazla makale için prompt mühendisliği ve ChatGPT'yi etkili kullanma makalemizi okuyun.