Denetimsiz öğrenme, algoritmaların etiketlenmemiş verilerden öğrendiği bir makine öğrenimi türüdür. Modelleri eğitmek için etiketli verilere dayanan denetimli öğrenmenin aksine, denetimsiz öğrenme algoritmaları verileri keşfeder ve açık bir yönlendirme olmadan kalıpları belirler. Bu yaklaşım özellikle etiketlemenin pratik olmadığı büyük veri kümeleriyle uğraşırken veya amaç veri içindeki gizli yapıları ve ilişkileri keşfetmek olduğunda kullanışlıdır.
Denetimsiz Öğrenme Nasıl Çalışır?
Denetimsiz öğrenmede, algoritmaya karşılık gelen herhangi bir çıktı etiketi olmaksızın girdi verileri sunulur. Sistem daha sonra verilerin doğal yapısını öğrenmeye çalışır. Bu, aşağıdakileri amaçlayan çeşitli teknikler aracılığıyla gerçekleştirilir:
- Veri Kümeleme: Benzer veri noktalarını birlikte gruplayın. K-ortalamalar küm elemesi bunun için popüler bir algoritmadır ve verileri özellik benzerliğine dayalı olarak farklı kümelere ayırır.
- Boyutluluğu Azaltın: Temel bilgileri korurken değişken sayısını azaltarak verileri basitleştirin. Temel Bileşen Analizi (PCA), yüksek boyutlu verileri daha düşük boyutlu bir temsile dönüştüren, boyut azaltma için yaygın bir yöntemdir.
- İlişkileri Keşfedin: Verilerdeki değişkenler arasındaki ilişkileri ve bağımlılıkları belirleyin. Örneğin birliktelik kuralı madenciliği, sık görülen birlikte oluşma modellerini tanımlayan kuralları ortaya çıkarabilir.
- Anomali Tespiti: Normdan önemli ölçüde sapan olağandışı veri noktalarını tanımlayın. DBSCAN (Gürültülü Uygulamaların Yoğunluk Tabanlı Mekansal Kümelenmesi), veri uzayında seyrek nüfuslu bölgeleri tanıyarak aykırı değerleri tanımlamak için kullanılabilir.
Denetimsiz Öğrenme Uygulamaları
Denetimsiz öğrenme teknikleri, verilerden değerli içgörüler elde etmek için çeşitli alanlarda kullanılmaktadır:
- Müşteri Segmentasyonu: İşletmeler, müşterileri satın alma davranışlarına, demografik özelliklerine veya web sitesi etkinliklerine göre farklı gruplara ayırmak için kümeleme algoritmalarını kullanır. Bu, hedeflenen pazarlama stratejilerine ve kişiselleştirilmiş müşteri deneyimlerine olanak tanır. Örneğin, bir perakende şirketi, farklı müşteri segmentlerini belirlemek için müşteri işlem verileri üzerinde denetimsiz öğrenmeyi kullanabilir ve böylece ürün önerilerini ve promosyonları uyarlayabilir.
- Dolandırıcılık Tespitinde Anomali Tespiti: Finans alanında anomali tespiti, hileli işlemlerin belirlenmesi için çok önemlidir. Denetimsiz öğrenme algoritmaları normal işlem modellerini öğrenebilir ve hileli faaliyete işaret edebilecek sapmaları işaretleyebilir. Bu, finansal kayıpların proaktif olarak önlenmesine ve veri güvenliğinin artırılmasına yardımcı olur.
- Tıbbi Görüntüleme Analizi: Denetimsiz öğrenme tıbbi görüntü analizinde önemli bir rol oynar. Boyut indirgeme ve kümeleme gibi teknikler, açık etiketler olmadan bile hastalıkların veya anormalliklerin göstergesi olabilecek desenleri tespit etmek için röntgen veya MRI gibi tıbbi görüntülerin analiz edilmesine yardımcı olabilir.
- Belge Kümeleme: Doğal dil işlemede, denetimsiz öğrenme, benzer belgeleri içeriklerine göre bir araya getirerek belge kümeleme için kullanılır. Bu, haber makaleleri veya araştırma makaleleri gibi büyük metin verisi koleksiyonlarını düzenlemek ve konu modelleme ve semantik arama gibi görevler için kullanışlıdır.
Denetimsiz Öğrenme ve Denetimli Öğrenme
Denetimsiz ve denetimli öğrenme arasındaki temel fark, eğitim için kullanılan veri türünde yatmaktadır. Denetimli öğrenme, her bir girdi veri noktasının karşılık gelen bir çıktı etiketiyle eşleştirildiği etiketli verileri kullanır. Algoritma, bu etiketli örneklere dayanarak girdileri çıktılarla eşleştirmeyi öğrenir. Buna karşılık, denetimsiz öğrenme etiketsiz verileri kullanır ve açık çıktı etiketleri olmadan verinin kendisindeki gizli yapıları veya örüntüleri keşfetmeyi amaçlar.
Hem denetimli hem de denetimsiz öğrenme, makine öğrenimi (ML) ve yapay zekada (AI) temel araçlardır ve bunlar arasındaki seçim, belirli bir soruna, etiketli verilerin kullanılabilirliğine ve istenen sonuca bağlıdır. Aşağıdakileri içeren projeler için Ultralytics YOLO modellerinde, eğitim genellikle nesne alg ılama ve görüntü segmentasyonu gibi görevler için denetimli öğrenmeye dayanırken, denetimsiz yöntemler verilerin ön işlenmesinde, keşifsel veri analizinde veya üretim kalite kontrolünde anormallik tespiti gibi belirli uygulamalarda değerli olabilir.
