Makine Öğrenimi

Makine öğrenimi, sistemlerin veriler, istatistikler ve deneme-yanılma yoluyla süreçleri optimize etmek ve daha hızlı yenilik yapmak amacıyla “öğrendiği” bir alandır.

Makine öğrenimi sayesinde bilgisayarlar, insan benzeri karar alma becerilerini uygulayarak kanser araştırmalarından iklim değişikliğine kadar dünyanın en zorlu problemlerinin çözülmesine yardımcı olabilir.

Bilgisayar algoritmalarının veri kullanarak otomatik olarak gelişmesini sağlar. Daha basit bir ifadeyle, makine öğrenimi, bilgisayarların verilerden öğrenmesini ve açıkça programlanmadan kararlar almasını veya tahminler yapmasını mümkün kılar.

Geleneksel bilgisayar programları, ne yapacaklarını belirleyen açıkça tanımlanmış kodlara dayanır. Bu tür bilgiye açık bilgi denir; ders kitapları, videolar ve kılavuzlar gibi kolayca yazılıp aktarılabilen bilgileri kapsar. Makine öğrenimi ise bilgisayarlara örtük bilgi kazandırır. Örtük bilgi kişisel deneyim ve bağlama dayanan, yazılı olarak aktarılması zor bilgi türüdür.

Yüz tanımayı buna iyi bir örnek olarak verebiliriz. Bir yüzü hemen tanırız fakat nasıl tanıdığımızı açıklamak zordur. Benzer şekilde, bisiklete binmeyi göstermek kolaydır ama sözle anlatmak zordur.

Makine öğrenimi, örtük bilgiden yararlanarak geçmiş deneyimlerinden öğrenir, bağlantılar kurar, desenler keşfeder ve tahminlerde bulunur. 

Her sektördeki her türlü işletmeye fayda sağladığı için hızla büyüyen bir teknoloji. Uygulama alanları sınırsız. 

Sağlık hizmetlerinden finansal hizmetlere, ulaşımdan siber güvenliğe, pazarlamadan devlet kurumlarına kadar makine öğrenimi, her türlü işletmenin çevik bir şekilde uyum sağlamasına ve ilerlemesine yardımcı olabilir.

Büyük ve düzenli bir elektronik tabloyu tarayıp bir örüntü belirleme konusunda iyi olabiliriz ancak makine öğrenimi ve yapay zekâ sayesinde algoritmalar çok daha büyük veri kümelerini inceleyebilir ve bağlantısal örüntüleri herhangi bir insandan veya insan yapımı herhangi bir elektronik tablo işlevinden çok daha hızlı anlayabilir. 

Makine öğrenimi, kararlarda tahmin yürütme zorunluluğunu da ortadan kaldırır. Elektronik tablolardan veya veri tabanlarından alınan veri ortalamalarına dayanarak varsayımlarda bulunabilmenize rağmen, makine öğrenimi algoritmaları kapsamlı bir tablodan kapsamlı içgörüler elde etmek için büyük miktarda veriyi analiz edebilir. 

Kısacası: makine öğrenimi, sürekli artan miktarda girdide daha yüksek doğrulukta çıktılar elde edilmesini sağlar.

Şimdi makine öğrenimi ve onun geleceği ile ilgili popüler olan istatistiklere da bir göz atalım;

• Küresel makine öğrenimi pazarı istikrarlı bir şekilde büyüyor ve 2025 yılında 113,10 milyar dolara ulaşması ve 2030 yılına kadar %34,80'lik bileşik yıllık büyüme oranıyla 503,40 milyar dolara ulaşması öngörülüyor. (Statista)
• 2030 yılına kadar küresel yapay zekâ pazarının büyüklüğünün 24,58 milyar dolar olması bekleniyor. (NMSC) 
• Küresel doğal dil işleme pazarının 2025'te 42,47 milyar dolardan 2034'te 791,16 milyar dolara çıkması bekleniyor. (Precedence Research) 
• Küresel bilgisayarlı görme pazarının 2030 yılına kadar 58 milyar doları aşması öngörülüyor. (Grand View Research) 

Makine Öğrenimi Nasıl Kullanılır?

Makine öğreniminin birçok uygulaması vardır. Manuel veri girişinin otomatikleştirilmesinden, sigorta risk değerlendirmeleri veya dolandırıcılık tespiti gibi daha karmaşık kullanım durumlarında bulunabilir. 

Bunlara ek olarak müşteri hizmetleri, ürün önerileri (Amazon ürün önerilerine veya Spotify'ın çalma listesi algoritmalarına bakabilirsin) gibi müşteriye dönük işlevler ve süreçleri hızlandırmaya ve manuel iş yükünü azaltmaya yardımcı olan kuruluşlar içindeki dahili uygulamalarda da bulunabilir.

Makine Öğrenimi vs Derin Öğrenme

Derin öğrenme, temelde makine öğreniminin bir alt alanıdır. Derin öğrenme, ham verilerden daha üst düzey özellikler çıkarmak için yapay sinir ağlarını (ANN) kullanır. 

Her ne kadar yapay sinir ağları insan beyninden çok farklı olsa da insanların biyolojik olarak bilgiyi işleme biçiminden esinlenmiştir. 

Öğrenme süreci “derin” olarak adlandırılır çünkü bilgi, çok katmanlı bir yapı üzerinden işlenir.

Derin öğrenme, e-ticaretten tıbbi görüntülemeye kadar birçok alanda karşımıza çıkar. Buna en iyi örneklerden biri Google’ın görsel arama özelliği olabilir. 

Google aradığımız görüntüyü doğru şekilde bulmak için derin öğrenme modelleriyle görüntülerdeki desenleri boyut, renk, şekil ve marka adı analiz eder. Sonucunda da en alakalı görselleri bize sunar. 

Ayrıca derin öğrenme modelleri, geleneksel makine öğrenimi modellerine kıyasla, yüksek performans gösterebilmek için çok daha büyük veri setlerine ve daha yüksek işlemci gücüne ihtiyaç duyar.

Makine Öğrenimi vs İstatistik

Birçok makine öğrenimi tekniği, kalkülüs, doğrusal cebir ve bilgisayar bilimi gibi alanların yanı sıra istatistikten türetilmiştir (örneğin doğrusal regresyon ve lojistik regresyon). Bu durum, özellikle temel istatistiksel yöntemlerle olan yakın ilişkiden dolayı, iki alanın zaman zaman karıştırılmasına yol açar.

Makine öğreniminin kütüphaneler üzerinden istatistiksel temellerden soyutlanması, bazı kişilerin “makine öğrenimi için istatistik gerekmez” görüşünü savunmasına neden olur. Bu, çok basit görevler için kısmen doğru olsa da, deneyimli veri bilimcileri ve makine öğrenimi mühendisleri güçlü modeller tasarlarken olasılık ve istatistik bilgisine mutlaka başvururlar.

Peki o zaman istatistik ile makine öğrenmesi arasındaki temel farklar nelerdir?

Amaç

İstatistik ve makine öğrenimi, bir hedefe ulaşmak için benzer yöntemler kullandıkları için sıklıkla aynı kefeye konur ancak ulaşmaya çalıştıkları hedefler çok farklıdır. 

• İstatistiğin amacı, bir örneklemden yola çıkarak bir popülasyon hakkında çıkarımlarda bulunmaktır. 
• Makine öğrenimi ise verilerdeki kalıpları bularak tekrarlanabilir tahminler yapmak için kullanılır. 

Veri

Makine öğrenimi, doğru tahminler yapabilmek için büyük miktarda veriye ihtiyaç duyar. Modeller, eğitim verileri kullanılarak oluşturulur, bir doğrulama veri kümesi kullanılarak ince ayar yapılır ve bir test veri kümesiyle değerlendirilir. Tüm bu adımlar, makinenin "öğrenmesine" yardımcı olur.

İstatistikte ise bir tahminde bulunmaya çalışmadığımız için birden fazla veri alt kümesini içermez. Bu durumda modellemenin amacı, veriler ile sonuç değişkeni arasındaki ilişkiyi göstermek olur.

Yorumlanabilirlik

Makine öğrenimi veri kümelerindeki çok sayıda değişken nedeniyle, bunlardan geliştirilen modeller aynı anda hem son derece doğru hem de anlaşılması neredeyse imkansız olabilir. Öte yandan, istatistiksel modeller genellikle daha az değişkene dayandıkları ve ilişkilerin doğruluğu istatistiksel anlamlılık testleriyle desteklendiği için anlaşılması daha kolaydır.

Makine Öğrenimi Nasıl Çalışır?

Makine öğrenimi, eğitim oturumlarından veya veri seti arama motorları, .gov siteleri ve Amazon Web Services gibi açık veri kayıtlarından toplanan giriş verilerini derler. 

Toplanan bu veriler, insanlarda geçmiş deneyimlerin gördüğü işlevi görerek, makine öğrenimi modellerine gelecekteki kararlarında kullanacakları tarihsel bilgiler sağlar.

Ardından algoritmalar bu verileri analiz eder, doğru tahminler yapmalarına imkan veren desenler ve eğilimleri arar. Bu şekilde makine öğrenimi, geleceği öngörmek için geçmişten içgörüler elde edebilir. 

Genellikle, bir ekibin makine öğrenimi yazılımına besleyebileceği veri seti ne kadar büyükse, tahminler o kadar doğru olur.

Makine Öğrenimi Türleri Nelerdir?

Makine öğrenimi karmaşıktır, bu yüzden iki ana alana ayrılmıştır: Gözetimli öğrenme ve gözetimsiz öğrenme. 

Her biri belirli bir amaca ve eyleme sahiptir, çeşitli veri türlerini kullanarak sonuçlar üretir. 

Yaklaşık %70’i gözetimli öğrenmedir, %10 - %20'si ise gözetimsiz öğrenmedir. Geri kalanı takviyeli öğrenme tarafından alınır.

• Gözetimli öğrenme, önceki bir makine öğrenimi dağıtımından veri toplamaya veya veri çıktısı üretmeye olanak tanır. Gözetimli öğrenme, insanların gerçekte öğrenme şekline çok benzer şekilde çalıştığı için heyecan vericidir. 
• Gözetimsiz öğrenme, verilerdeki her türlü bilinmeyen örüntüyü bulmaya yardımcı olur. Gözetimsiz öğrenmede, algoritma yalnızca etiketlenmemiş örneklerle verilerin içsel bir yapısını öğrenmeye çalışır. Yaygın iki gözetimsiz öğrenme görevi kümeleme ve boyut azaltmadır. 
• Takviyeli öğrenme, Bu yöntem, bir ajanın çevresiyle etkileşime girerek deneme-yanılma yoluyla öğrenmesini sağlar. Sistem, doğru kararlarında ödüllendirilir, yanlış kararlarında ise cezalandırılır (negatif puan alır). Oyun oynayan yapay zekâlar veya robotik sistemler genellikle bu yöntemle eğitilir.

Kümelemede, veri noktalarını anlamlı kümeler halinde gruplandırmaya çalışırız. Böylece belirli bir kümedeki öğeler birbirine benzer ancak diğer kümelerdeki öğelerden farklı olur. Kümeleme, pazar segmentasyonu gibi görevler için faydalıdır.

Boyut azaltma modelleri, daha iyi yorumlama (ve daha etkili model eğitimi) için benzer veya ilişkili nitelikleri gruplayarak bir veri kümesindeki değişken sayısını azaltır.

Veri, Makine Öğrenimi için Neden Önemli?

“Makine öğrenmesi nasıl çalışır?” ve “makine öğrenmesi türleri nelerdir?” sorularını ele aldık, şimdi verinin oynadığı rolü anlamamız gerekiyor. 

Makine öğrenimi veri analizi, zaman içinde kendini sürekli geliştirmek için algoritmalar kullanır ancak bu modellerin verimli bir şekilde çalışması için kaliteli verilere ihtiyaç vardır.

Makine öğreniminin nasıl çalıştığını gerçekten anlamak için onu çalıştıran verileri de anlamak gerekir.

Bir veri kümesi, ortak özellikler taşıyan örneklerin (veri satırlarının) bir araya gelmesiyle oluşur. 

Makine öğrenimi modelleri genellikle birden fazla veri kümesiyle çalışır. Eğitim verisi, modelin kalıpları öğrenmesini sağlar; doğrulama veya test verisi ise modelin öğrendiklerini doğru yorumlayıp yorumlamadığını kontrol etmek için kullanılır.

Bu temel veri kümeleri sisteme sağlandıktan sonra ek veriler modelin zaman içinde daha da gelişmesine yardımcı olur. Kısacası, makine öğrenimi sistemine ne kadar çok ve kaliteli veri sunulursa, model o kadar hızlı ve doğru şekilde öğrenir.

Makine öğrenimi verilerini bulabileceğimiz birçok yer var ancak en popüler beş ML veri kümesi kaynağını da şöyle derledik:

• Google Dataset Search Engine 
• Microsoft Research Open Data
• Registry of Open Data on AWS
• UCI Machine Learning Repository
• Kaggle Datasets

Makine Öğreniminin Hangi Tür Verilere İhtiyacı Var?

Veriler birçok biçimde olabilir ancak makine öğrenimi modelleri dört temel veri türüne dayanır. Bunlar sayısal veriler, kategorik veriler, zaman serisi verileri ve metin verileridir.

Sayısal veriler

Sayısal veya nicel veriler, boy, kilo veya telefon faturasının tutarı gibi ölçülebilir bir veri biçimidir. Bir veri kümesinin sayısal olup olmadığını, sayıların ortalamasını alarak veya artan ya da azalan düzende sıralayarak belirleyebiliriz. 

Kategorik veriler

Kategorik veriler, tanımlayıcı özelliklere göre sıralanır. Cinsiyet, sosyal sınıf, şehir, çalışılan sektör veya diğer çeşitli etiketlere kategorik veriler diyebiliriz. Bunların sayısal olmadığını, bunları toplayamayacağımızı, ortalamasını alamayacağımızı veya herhangi bir kronolojik sıraya göre sıralayamayacağımızı unutmayalım. 

Zaman serisi verileri

Zaman serisi verileri, belirli zaman noktalarında endekslenen veri noktalarından oluşur. Zaman serisi verilerini öğrenmek ve kullanmak, verileri haftadan haftaya, aydan aya, yıldan yıla veya istediğimiz herhangi bir zaman tabanlı metriğe göre karşılaştırmayı kolaylaştırır. 

Metin verileri

Metin verileri, makine öğrenimi modellerine belirli bir düzeyde içgörü sağlayabilecek kelimeler, cümleler veya paragraflardan oluşur. Bu kelimelerin modellerin kendi başlarına yorumlanması zor olabileceğinden, genellikle gruplandırılır veya kelime sıklığı, metin sınıflandırması veya duygu analizi gibi çeşitli yöntemler kullanılarak analiz edilir.

Makine Öğrenimi için En İyi Programlama Dili Hangisi?

Çoğu veri bilimcisi, R ve Python programlama dillerinin makine öğreniminde nasıl kullanıldığına aşinadır ancak model türüne ve projenin ihtiyaçlarına bağlı olarak tercih edilebilecek başka diller de vardır. 

Makine öğrenimi ve yapay zekâ araçları genellikle görevlerin yürütülmesini kolaylaştıran yazılım kütüphaneleri, araç takımları ve paketlerden oluşur. Bununla birlikte, geniş topluluk desteği ve zengin kütüphane ekosistemi sayesinde Python, makine öğrenimi için en popüler programlama dili olarak kabul edilir.

• GitHub verilerine göre Python, platformdaki en iyi makine öğrenimi dilleri listesinde birinci sırada. 

Python’un desteklediği algoritmalar arasında sınıflandırma, regresyon, kümeleme ve boyut azaltma gibi yöntemler bulunur. 

Python makine öğrenimi alanında baskın bir konuma sahip olsa da, popülerliğini koruyan başka diller de mevcuttur. Ayrıca, bazı makine öğrenimi uygulamalarının farklı dillerde yazılmış modeller kullanması nedeniyle, makine öğrenimi operasyonları (MLOps) gibi araçlar bu süreçlerde önemli ölçüde yardımcı olabilir.

Makine Öğreniminin Tarihi

Şimdi makine öğreniminin tarihine doğru bir yolculuğa çıkalım;

GPT-5’in Yayınlanması (Ağustos 2025)
OpenAI, GPT, GPT-4o ve GPT-OSS model ailelerini tek bir çatı altında birleştiren GPT-5’i yayımladı. Model, daha hızlı muhakeme, gelişmiş çoklu mod desteği ve 256.000 tokenlık geniş bağlam penceresi sundu. 

DeepSeek-R1’in Tanıtılması (Ocak 2025)
Çinli AI girişimi DeepSeek, karmaşık analitik problemleri çözmek için pekiştirmeli öğrenmeyle eğitilmiş muhakeme modeli DeepSeek-R1’i duyurdu. Bu model, önceki birçok LLM’den farklı olarak metin üretiminden çok adım adım düşünmeye ve mantıksal çözümlemeye odaklandı. 

Google Gemini’nin Tanıtılması (Aralık 2023)
Google, metin, görüntü, ses ve kodu bir araya getiren çok modlu Gemini model ailesini tanıttı. ChatGPT’ye rakip olarak görülen Gemini, Search, Docs ve Gmail gibi birçok Google ürününe entegre edildi.

ChatGPT’nin Yayınlanması (Kasım 2022)
OpenAI, GPT-3.5 tabanlı sohbet robotu ChatGPT’yi yayımladı. Sadece iki ay içinde 100 milyon kullanıcıya ulaşarak döneminin en hızlı büyüyen tüketici uygulaması oldu. 

Transformer Mimarisinin Doğuşu: “Attention Is All You Need” (2017) 

Google araştırmacıları, bugün kullandığımız tüm büyük dil modellerinin (Gemini, GPT, Claude) temel mimarisi olan "Transformer" yapısını tanıttı. Bu makale, yapay zekânın dili anlama, çeviri yapma ve bağlam kurma yeteneğinde devrim yaratarak Doğal Dil İşleme (NLP) alanını kökten değiştirdi.

AlphaGo’nun Ke Jie’yi Yenmesi (Mayıs 2017)
Google DeepMind’ın AlphaGo’su, dünyanın en iyi Go oyuncusu Ke Jie’yi mağlup etti. Bu başarı, derin pekiştirmeli öğrenmenin en karmaşık strateji oyunlarından birinde bile insanı aşabileceğini göstererek makine öğreniminin soyut muhakeme kapasitesini ortaya koydu.

AlexNet ve Derin Öğrenme Patlaması (2012) 

Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton; ImageNet yarışmasını geliştirdikleri "AlexNet" modeliyle büyük bir farkla kazandılar. Bu zafer, GPU gücünün derin öğrenme ile birleştiğinde neler yapabileceğini kanıtladı ve modern yapay zekâ çağının "büyük patlaması" (Big Bang) olarak kabul edildi.

“Derin Öğrenme” Teriminin Ortaya Çıkması (2006)
Geoffrey Hinton ve ekibi, çok katmanlı sinir ağlarını tanımlamak için “derin öğrenme” terimini popülerleştirdi.

LSTM: Uzun Kısa Süreli Bellek (1997) 

Sepp Hochreiter ve Jürgen Schmidhuber, yapay sinir ağlarının uzun süreli bilgileri hatırlamasını sağlayan LSTM mimarisini geliştirdi. Bu yapı, yıllar sonra sesli asistanların (Siri, Google Assistant) ve dil modellerinin konuşmaları anlamasında kritik bir rol oynayacaktı

Deep Blue’nun Kasparov’u Yenmesi (1997)
IBM’in Deep Blue süper bilgisayarı, altı maçlık seride dünya satranç şampiyonu Garry Kasparov’u yendi. Bu, bir makinenin standart satranç kuralları altında hüküm süren bir dünya şampiyonunu ilk kez mağlup etmesi ve bilgisayarların hesaplama gücünün ulaştığı boyutu göstermesi açısından tarihi bir andı.

Geri Yayılım (Backpropagation) Algoritmasının Popülerleşmesi (1986) 

Geoffrey Hinton, David Rumelhart ve Ronald Williams; sinir ağlarının hatalarını geriye doğru hesaplayarak kendini düzeltmesini sağlayan "Backpropagation" makalesini yayınladı. Bu yöntem, bugün neredeyse tüm yapay zekâ modellerinin "öğrenmesini" sağlayan temel matematiksel motordur.

NetTalk’ın Geliştirilmesi (1985)
Terry Sejnowski, 300 nöron ve 18.000 sinapstan oluşan yapay sinir ağı NetTalk’ı geliştirdi. Program, İngilizce kelimeleri okurken başlangıçta bir bebek gibi “geveleyerek” çıktı üretirken, uzun süre eğitildiğinde binlerce kelimeyi oldukça anlaşılır şekilde telaffuz edebilir hâle geldi. 

Açıklama Tabanlı Öğrenmenin Geliştirilmesi (1981)
Gerald Dejong, açıklama tabanlı öğrenme (EBL) kavramını ortaya koydu. Bu yaklaşım, bir bilgisayara verilen eğitim verilerinden gereksiz bilgilerin ayıklanması ve genelleştirilebilecek kuralların çıkarılması fikrine dayanıyordu. İnsan deneyimini makinenin öğrenme sürecine benzeten ilk modellerden biri oldu.

Perceptron’un Geliştirilmesi (1957)
Frank Rosenblatt, desen tanıma yeteneğine sahip ilk sinir ağı modellerinden biri olan Perceptron’u geliştirdi. Basit olsa da, günümüzde kullanılan çok katmanlı derin ağların temelini oluşturan önemli bir yapı taşıydı.

Turing Testinin Ortaya Çıkışı (1950)
Alan Turing, biri bilgisayar tarafından, diğer ikisi insanlar tarafından kullanılan üç terminalden oluşan Turing Testini tasarladı. Amaç, bilgisayarın bir sorgulayıcıyı insan olduğuna ikna edecek kadar ikna edici yanıtlar verip veremeyeceğini görmekti. Bu test, “Bilgisayar düşünebilir mi?” tartışmasını başlatarak yapay zekânın teorik temellerini şekillendirdi.

Makine Öğrenimi Kariyeri

İçeriğe son olarak bu alandaki bilgiyle hangi işlerde çalışabileceği hakkında birkaç bilgi eklemek istedik. 

Makine öğrenimi ve veri bilimindeki kariyer fırsatları son yıllarda hızlı bir şekilde arttı. Alanın genişliği düşünüldüğünde, karşımıza pek çok kariyer fırsatı çıkıyor.

Dünya Ekonomik Forumu'nun yaptığı bir araştırmaya göre, yapay zekâ ve makine öğrenimi uzmanlarına olan talebin 2023'ten 2027'ye kadar %40 artacağı öngörülüyor. Bu artış, hem profesyonellerin hem de meraklıların makine öğrenimi dünyasına adım atmasının önemini vurguluyor…

Veriler, otomasyon ve algoritmalar seni heyecanlandırıyorsa makine öğrenimi senin için iyi bir kariyer seçimi olabilir. 

• Makine öğrenimi uzmanı ne iş yapar daha detaylı bir okuma için bu yazımızı ziyaret edebilirsin. 

Makine öğrenimine başlamak için ihtiyacın olan tek şey, araştırma becerileri, temel istatistik ve programlama dilleri bilgisidir. Doğru araçlar ve kaynaklarla, herkes makine öğrenimi öğrenebilir. 

• Makine öğrenimine nasıl başlanır sorusunu bu yazımızda daha detaylı bir şekilde ele aldık. 

Unutmamalısın ki makine öğrenimi sürekli gelişen bir alan. En güncel bilgilere ulaşmak için blogları takip edebilir, konferanslara katılabilir ve online topluluklara dahil olarak öğrenme yolculuğunu sürdürebilirsin.

Ayrıca, makine öğrenimi ile ilgili ücretsiz konferans ve zirveler arıyorsan, etkinlikler sayfamıza mutlaka göz atmanı öneririz.