Denetimli öğrenme ayrıntılı olarak nasıl çalışır?

Question

Accepted Answer

**Denetimli öğrenme**, bir modeli **etiketli örnekler** üzerinde eğitir (girdilerle doğru çıktılar eşleştirilmiş) böylece yeni girdiler için çıktıları tahmin etmeyi öğrenir. En yaygın ML türüdür, sınıflandırma ve regresyon için kullanılır. Bunu anlamak ML bilgisini derinleştirir.

## Denetimli öğrenme nasıl çalışır

```text
TRAIN on LABELED data (input → known correct output):
  1. collect a DATASET of examples with labels (e.g. emails labeled spam/not-spam)
  2. split into TRAINING and TEST sets
  3. the model learns to map inputs → outputs by minimizing prediction error on training data
  4. EVALUATE on the test set (unseen data) → measure how well it generalizes
  5. use the trained model to PREDICT outputs for new inputs (inference)
→ learn from examples with answers → predict answers for new cases
```

## Sınıflandırma ve regresyon karşılaştırması

```text
CLASSIFICATION → predict a CATEGORY (discrete classes):
  → spam/not-spam, cat/dog, disease/no-disease, sentiment (positive/negative)
REGRESSION → predict a continuous NUMBER (value):
  → house price, temperature, demand, age
→ both are supervised (learn from labeled examples); the output type differs
```

## Temel kavramlar

```text
✓ FEATURES → the input variables the model uses (good features matter — see feature engineering)
✓ TRAINING/TEST SPLIT → train on one set, test on unseen data → measure GENERALIZATION
✓ GENERALIZATION → performing well on NEW data (not just memorizing training data)
✓ OVERFITTING → memorizing training data, poor on new data (a key problem)
✓ algorithms: linear/logistic regression, decision trees, random forests, neural networks, etc.
```

## Neden önemli

Denetimli öğrenmeyi ayrıntılı olarak anlamak değerlidir çünkü **en yaygın ML türüdür**, birçok pratik uygulamanın temelini oluşturur, bu nedenle bunu anlamak ML bilgisini derinleştirir.

Denetimli öğrenme — yeni girdiler için çıktıları tahmin etmek üzere etiketli örnekler üzerinde eğitim — pratik ML'in temel taşıdır.

**Nasıl çalıştığını** anlamak — etiketli veri toplama, eğitim ve test setlerine bölme, model hata minimize ederek girdileri çıktılara eşlemeyi öğrenme, görülmemiş test verisi üzerinde değerlendirme ve genelleme ölçme, eğitilmiş modeli tahmin için kullanma — denetimli öğrenme iş akışını açıklığa kavuşturur.

**Sınıflandırma ve regresyon** anlamak — sınıflandırma kategorileri tahmin eder (spam/spam değil, duygu) ve regresyon sürekli sayıları tahmin eder (fiyatlar, talep) — iki ana denetimli görevi kapsar ve hangi birinin bir soruna uygulandığını tanımaya yardımcı olur.

**Temel kavramları** anlamak — **özellikler** (giriş değişkenleri, iyi özelliklerin önem taşıdığı yer), **eğitim/test bölümü** (bir seti eğitmek ve görülmemiş verileri test ederek genellemeyi ölçmek), **genelleme** (yeni veriler üzerinde iyi performans, sadece ezberleme değil), **overfitting** (eğitim verilerini ezberlemek ve yeni veriler üzerinde düşük performans — önemli bir sorun) ve algoritmalar (regresyon, karar ağaçları, sinir ağları) — denetimli öğrenmeyi anlamak ve uygulamak için kavramsal temel sağlar.

Bu kavramlar (genelleme, eğitim/test bölümü, overfitting) ML'i iyi yapmak için merkezidir ve bunları anlamak ML bilgisini temel bilgilerin ötesine derinleştirir.

Denetimli öğrenme en yaygın ML türü olduğu (birçok pratik uygulamanın temelini oluşturduğu) ve bunu ayrıntılı olarak anlamak (iş akışı, sınıflandırma ve regresyon, genelleme, eğitim/test bölümü ve overfitting gibi temel kavramlar) ML bilgisini derinleştirir ve ML'i uygulamak için temel olduğu için, denetimli öğrenmeyi ayrıntılı olarak anlamak değerli, pratik olarak ilgili ML bilgisidir — en yaygın ve pratik ML türü, özellikleri (genelleme, eğitim/test bölümü, overfitting) ML'i iyi yapmak için merkezi, ve makine öğrenmesi ile çalışan veya anlayan herkes için önemlidir.