Makine öğrenmesi, bilgisayar sistemlerinin her kural açıkça programlanmadan verilerden örüntüler öğrenmesini sağlayan yapay zekâ alanıdır. İngilizcede “Machine Learning” olarak adlandırılır ve ML kısaltmasıyla ifade edilir.
Geleneksel yazılım geliştirmede programcı, girdilerin nasıl işleneceğini kurallarla tanımlar. Makine öğrenmesinde ise sistem çok sayıda örnek üzerinden girdi ve sonuçlar arasındaki ilişkileri öğrenir. Öğrenilen bu matematiksel yapıya model adı verilir.
Örneğin bir e-postanın spam olup olmadığını belirleyen sistem, daha önce etiketlenmiş e-postaları inceler. Mesajdaki kelimeler, gönderen bilgileri ve bağlantılar gibi özelliklerle spam etiketi arasındaki ilişkileri öğrenir. Daha sonra yeni e-postalar için tahmin üretir.
Makine öğrenmesi süreci veri toplama ile başlar. Veriler temizlenir, eksik veya hatalı kayıtlar düzeltilir ve modelin kullanabileceği biçime dönüştürülür. Daha sonra uygun algoritma seçilir ve model eğitim verisi üzerinde çalıştırılır.
Modelin yalnızca eğitim verisini ezberlememesi gerekir. Asıl amaç, daha önce görmediği veriler üzerinde başarılı tahmin yapabilmesidir. Bu yeteneğe genelleme adı verilir.
Model eğitim verisinde çok başarılı fakat yeni verilerde başarısızsa aşırı öğrenme meydana gelmiş olabilir. Model çok basitse ve verideki önemli ilişkileri öğrenemiyorsa yetersiz öğrenme ortaya çıkar.
Makine öğrenmesi yöntemleri gözetimli, gözetimsiz, yarı gözetimli ve pekiştirmeli öğrenme gibi gruplara ayrılır. Gözetimli öğrenmede doğru cevapları içeren etiketli veriler kullanılır. Gözetimsiz öğrenmede sistem veriler içindeki yapıları kendisi keşfetmeye çalışır.
Makine öğrenmesinde sınıflandırma ve regresyon en yaygın görevlerdendir. Sınıflandırmada sonuç belirli bir kategori olur. Regresyonda ise fiyat, sıcaklık veya talep miktarı gibi sayısal bir değer tahmin edilir.
Model başarısı yalnızca doğruluk oranıyla değerlendirilmemelidir. Özellikle sağlık, güvenlik ve sahtekârlık tespiti gibi alanlarda yanlış pozitif ve yanlış negatif sonuçların maliyetleri farklı olabilir.
Makine öğrenmesi sistemlerinin güvenilirliği verinin kalitesine bağlıdır. Geçmiş veriler toplumdaki önyargıları içeriyorsa model bu önyargıları öğrenebilir. Bu nedenle veri kaynakları ve örneklerin temsil gücü değerlendirilmelidir.
Model üretildikten sonra süreç sona ermez. Gerçek ortamda performans izlenmeli, veri dağılımındaki değişiklikler takip edilmeli ve gerektiğinde model yeniden eğitilmelidir.
Makine öğrenmesi yapay zekânın en önemli alt alanlarından biridir. Günümüzde öneri sistemlerinden tıbbi analizlere kadar birçok uygulamanın temelinde makine öğrenmesi yöntemleri yer almaktadır.