Denetimli Öğrenme (Supervised Learning) Nedir?

Denetimli öğrenme nedir?

Denetimli öğrenme (supervised learning), doğru yanıtı bilinen örnekler üzerinden öğrenen makine öğrenmesi yaklaşımıdır. Modele hem girdiler hem de bu girdilere karşılık gelen doğru çıktılar (etiketler) verilir. Model, aradaki ilişkiyi öğrenir ve etiketi bilinmeyen yeni örnekler için tahmin üretir.

"Denetimli" adı, öğrenme sürecinin etiketlerle bir tür öğretmen gözetiminde ilerlemesinden gelir.

Nasıl çalışır?

Süreç şu adımlarla işler: • Etiketli veri toplanır ve temizlenir. • Veri, modelin öğrendiği eğitim kümesi ile modelin sınandığı test kümesine ayrılır. • Model, tahminleri ile gerçek etiketler arasındaki hatayı en aza indirecek şekilde eğitilir. • Eğitimde görmediği veriyle performansı ölçülür ve gerekirse model ayarlanır. • Uygun bulunursa model gerçek veriye uygulanır.

Bu akışın kritik noktası, modeli görmediği veri üzerinde sınamaktır. Eğitim verisini ezberleyen ama yeni örnekte başarısız olan model aşırı öğrenme (overfitting) yapmıştır.

İki ana görev: sınıflandırma ve regresyon

Sınıflandırmada çıktı bir kategoridir: bir e-postanın istenmeyen olup olmadığı, bir müşterinin ayrılıp ayrılmayacağı ya da bir görüntüdeki nesnenin türü gibi. Regresyonda çıktı sürekli bir sayıdır: bir evin satış fiyatı, bir makinenin kalan ömrü ya da gelecek dönemin talebi gibi.

Her iki görev için karar ağaçları, doğrusal modeller, destek vektör makineleri ve k-en yakın komşu gibi farklı algoritmalar kullanılır. Algoritma seçimi verinin yapısına ve yorumlanabilirlik ihtiyacına bağlıdır.

Küçük bir örnek

Örneğin bir üretim tesisi, makinelerden gelen sensör verilerini geçmiş arıza kayıtlarıyla eşleştirsin. Veri setinde her satır bir ölçüm dönemini, etiket ise o dönemin ardından arıza oluşup oluşmadığını gösterir. Model bu örneklerden arızaya giden kalıpları öğrenir.

Yeni sensör verisi geldiğinde model, arıza olasılığını tahmin eder ve bakım ekibi buna göre planlama yapar. Etiketli geçmiş veri olmasaydı bu yaklaşım kurulamazdı.

Denetimsiz öğrenmeden farkı

Denetimsiz öğrenmede etiket yoktur; model verideki gizli yapıyı, örneğin benzer müşteri gruplarını ya da olağandışı davranışı kendisi bulmaya çalışır. Denetimli öğrenme ise bilinen bir hedefi tahmin etmek için kurulur.

Pratikte ikisi birlikte de kullanılır: önce denetimsiz yöntemle veri gruplanır, sonra gruplar için denetimli modeller geliştirilir. Üçüncü bir yaklaşım olan pekiştirmeli öğrenmede ise model ödül ve ceza ile deneme yanılma yoluyla öğrenir.

Sınırlamaları ve sık hatalar

Etiketli veri elde etmek pahalı ve zaman alıcı olabilir. Etiketler yanlış ya da önyargılıysa model de aynı hatayı öğrenir. Sık görülen hatalar şunlardır: • Test verisini eğitimde kullanmak, performansı olduğundan iyi göstermek. • Sınıf dengesizliğini gözetmeden yalnızca doğruluğa bakmak. • Gelecekte bilinemeyecek bilgiyi özellik olarak kullanmak (veri sızıntısı). • Modeli canlıya aldıktan sonra performansı izlememek.

Mindset programlarında denetimli öğrenme

Mindset kataloğunda Denetimli Öğrenme Algoritmaları eğitimi, denetimli öğrenme çerçevesi, doğrusal modeller, karar ağaçları, destek vektör makineleri ve model değerlendirme gibi başlıkları içerir. Veri Bilimi Sertifika Programı'nda "Denetimli Öğrenim ve Model Değerlendirme" modülü, Makine Öğrenmesi (Uygulamalı) Programı'nda ise regresyon ve sınıflandırma modülleri bulunur. Predictive Maintenance ile Yapay Zeka eğitiminde "Denetimli Öğrenmede Arıza Tahmin Modelleri" işlenir.