Makine öğreniminin ana türleri nelerdir?

Question

Accepted Answer

Makine öğreniminin üç ana türü vardır — **denetimli öğrenme** (etiketli örneklerden öğrenme), **denetimsiz öğrenme** (etiketlenmemiş verilerde kalıplar bulma) ve **takviyeli öğrenme** (deneme ve ödül aracılığıyla öğrenme). Bunları anlamak, ML'nin farklı sorunlara nasıl yaklaştığını açıklığa kavuşturur.

## Üç ana tür

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## Türü seçme

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## Neden önemli

Makine öğreniminin ana türlerini anlamak temeldir, çünkü bunlar **ML'nin sorunlara yaklaşmasının temel yollarını** temsil eder, bu nedenle bunları anlamak temel ML okuryazarlığıdır.

Üç ana tür her biri farklı sorunlar ve veriler için uygun olur.

**Denetimli öğrenmeyi** anlamak (girdilerin bilinen doğru çıktılara sahip olduğu etiketli verilerden öğrenme, yeni girdiler için çıktıları tahmin etmek, sınıflandırma ve regresyon için kullanılır — pratikte en yaygın tür, örneğin spam tespiti ve fiyat tahmini) en önemlidir, çünkü çoğu pratik ML uygulamasının altında yatmaktadır.

**Denetimsiz öğrenmeyi** anlamak (verilen cevaplar olmaksızın etiketlenmemiş verilerde kalıplar bulma, yapı ve gruplandırmaları keşfetme, kümeleme, boyutluluk azaltma ve anormal değer tespiti için kullanılır, örneğin müşteri segmentasyonu) ML'nin etiketler olmaksızın kalıpları nasıl bulduğunu açıklığa kavuşturur.

**Takviyeli öğrenmeyi** anlamak (deneme yanılma yoluyla öğrenme ve ödüllerle, bir ajanın eylemde bulunması ve ödülü maksimize etmeyi öğrenmesi, oyun oynama, robotik ve kontrol için kullanılır) etkileşim tabanlı öğrenme yaklaşımını açıklığa kavuşturur.

**Nasıl seçeceğini anlamak** — etiketli veriye sahip olduğunuzda ve tahmin etmek istediğinizde denetimli, etiketlenmemiş verilerde yapı bulmak için denetimsiz, ajanların etkileşimden öğrenmesi için takviyeli — ve hibrit yaklaşımların (yarı-denetimli, öz-denetimli, LLM'ler ile öz-denetimli öğrenmeyi kullanan) var olduğu, ML yaklaşımlarının pratik anlaşılmasını yansıtır.

Bu türler, ML'nin öğrenme biçiminin temel kategorileridir ve bunları anlamak önemlidir.

Makine öğreniminin ana türleri (denetimli, denetimsiz, takviyeli), ML'nin sorunlara yaklaşmasının temel yollarını temsil ettiğinden ve her birinin ne zaman uygulandığını anlamak temel ML okuryazarlığı olduğundan, makine öğreniminin ana türlerini anlamak temel, güncel bilgidir — ML'nin temel kategorileri (etiketlerden öğrenme, kalıplar bulma, ödüllerden öğrenme), ML'nin farklı sorunlara nasıl yaklaştığını anlamak için temel ML okuryazarlığı ve makine öğrenimesi ile çalışma veya tartışma için temeldir.