Gözetimsiz Öğrenme

Gözetimsiz Öğrenme

Gözetimsiz öğrenme, verilerde önceden belirlenmiş doğru cevaplar veya etiketler bulunmadan örüntülerin keşfedilmesini amaçlayan makine öğrenmesi yaklaşımıdır. Sistem, verilerin iç yapısını inceleyerek benzer örnekleri, farklılıkları veya gizli ilişkileri belirlemeye çalışır. Gözetimli öğrenmede modele hangi sonucun doğru olduğu gösterilir. Gözetimsiz öğrenmede ise modelin izleyeceği açık bir hedef etiketi bulunmaz. Bu nedenle amaç çoğu zaman tahmin üretmekten çok veriyi anlamak ve düzenlemektir. Gözetimsiz öğrenmenin en yaygın görevlerinden biri kümelemedir. Kümeleme algoritmaları benzer özelliklere sahip örnekleri aynı grupta toplar. Bir şirket müşterilerini alışveriş davranışlarına göre gruplandırabilir veya bir araştırmacı genetik verilerde benzer örnekleri belirleyebilir. Bir diğer önemli görev boyutsal azaltmadır. Çok sayıda özelliğe sahip veriler, önemli bilgiyi mümkün olduğunca koruyarak daha az değişkenle temsil edilir. Böylece veriler görselleştirilebilir, hesaplama maliyeti azaltılabilir ve gürültü temizlenebilir. Anomali tespiti de gözetimsiz öğrenmeyle gerçekleştirilebilir. Sistem normal davranış örüntülerini öğrenerek bunlardan büyük ölçüde farklı olan kayıtları belirler. Bu yöntem siber saldırı, üretim hatası veya şüpheli finansal işlem tespitinde kullanılabilir. Gözetimsiz öğrenmenin önemli bir avantajı etiketli veri gerektirmemesidir. Gerçek dünyada büyük miktarda etiketlenmemiş veri bulunurken güvenilir etiket oluşturmak zaman alıcı ve pahalı olabilir. Bununla birlikte gözetimsiz öğrenme sonuçlarını değerlendirmek gözetimli öğrenmeye göre daha zordur. Ortaya çıkan kümelerin gerçekten anlamlı olup olmadığı alan uzmanları tarafından incelenmelidir. Algoritma benzerliği matematiksel ölçütlere göre belirler. Ancak matematiksel olarak yakın görünen örnekler iş açısından aynı gruba ait olmayabilir. Bu nedenle özellik seçimi ve sonuçların yorumlanması önemlidir. K-Ortalama, hiyerarşik kümeleme ve DBSCAN yaygın kümeleme yöntemlerindendir. Temel bileşen analizi ise boyutsal azaltmada sık kullanılan yöntemlerden biridir. Gözetimsiz öğrenme, keşifsel veri analizi için değerli bir araçtır. Verilerde daha önce bilinmeyen örüntüleri ortaya çıkarabilir ve sonraki gözetimli öğrenme çalışmalarına temel oluşturabilir. Bununla birlikte sistemin bulduğu her örüntü gerçek bir neden-sonuç ilişkisi olarak değerlendirilmemelidir. Örüntüler tesadüfi olabilir veya verinin toplanma biçiminden kaynaklanabilir. Gözetimsiz öğrenme müşteri analizi, biyoinformatik, siber güvenlik, belge gruplandırma ve görüntü işleme gibi birçok alanda kullanılmaktadır.