{"id":4306,"date":"2023-04-15T18:02:31","date_gmt":"2023-04-15T15:02:31","guid":{"rendered":"https:\/\/datakapital.com\/blog\/?p=4306"},"modified":"2025-07-22T18:50:21","modified_gmt":"2025-07-22T15:50:21","slug":"makine-ogrenimi-machine-learning-nedir","status":"publish","type":"post","link":"https:\/\/datakapital.com\/blog\/makine-ogrenimi-machine-learning-nedir\/","title":{"rendered":"Makine \u00d6\u011frenimi (Machine Learning) Nedir?"},"content":{"rendered":"

Makine \u00d6\u011frenimi<\/strong>, bilgisayarlar\u0131n deneyim ve veri kullanarak \u00f6r\u00fcnt\u00fcleri alg\u0131lamay\u0131 ve karma\u015f\u0131k g\u00f6revleri ger\u00e7ekle\u015ftirmek i\u00e7in kullan\u0131lan bir yapay zeka dal\u0131d\u0131r. Geleneksel programlama dan farkl\u0131 olarak, makine \u00f6\u011frenimi, veri analizi ve deneyimlerden \u00f6\u011frenme yoluyla modellerin otomatik olarak uygulanmas\u0131na olanak tan\u0131maktad\u0131r.<\/p>\n

Genellikle b\u00fcy\u00fck veri k\u00fcmeleri kullan\u0131larak, makine \u00f6\u011frenimi algoritmalar\u0131, model parametrelerini ayarlayarak veri k\u00fcmelerindeki \u00f6r\u00fcnt\u00fcleri ke\u015ffeder ve yeni verilere uygulanabilir. Makine \u00f6\u011frenimi ile geli\u015ftirilen modeller verilerden iteratif olarak \u00f6\u011frenir.<\/p>\n

Makine \u00f6\u011frenimi, bir\u00e7ok uygulama alan\u0131nda kullan\u0131l\u0131r, \u00f6rnek olarak g\u00f6r\u00fcnt\u00fc ve ses tan\u0131ma, do\u011fal dil i\u015fleme<\/a>, finansal tahminler, pazarlama ve reklamc\u0131l\u0131k, enerji y\u00f6netimi, t\u0131bbi veri, otonom ara\u00e7lar\u0131n yan\u0131 s\u0131ra veri analiti\u011fi,<\/a> yapay zeka ve otomasyon gibi alanlarda b\u00fcy\u00fck potansiyele sahip teknolojidir ve h\u0131zla yayg\u0131nla\u015fmaktad\u0131r.<\/p>\n

\"Makine<\/p>\n

Makine \u00d6\u011frenimi T\u00fcrleri<\/h2>\n

Makine \u00f6\u011frenimi s\u00fcrekli geli\u015fen bir aland\u0131r ve \u00f6\u011frenim belli temel y\u00f6ntemlerle sa\u011flan\u0131r:<\/p>\n

G\u00f6zetimli \u00d6\u011frenme<\/a> (Supervised Learning)<\/strong><\/h6>\n

Etiketlenmi\u015f verileri kullanarak giri\u015f verilerini istenilen sonucu g\u00f6steren etiketi vard\u0131r. S\u0131n\u0131fland\u0131rma ve regresyon gibi problemleri \u00e7\u00f6zmek i\u00e7in kullan\u0131lmaktad\u0131r. G\u00f6zetimli \u00f6\u011frenmenin avantajlar\u0131, basitlik ve tasar\u0131m kolayl\u0131\u011f\u0131d\u0131r. \u00d6zellikle s\u0131n\u0131rl\u0131 sonu\u00e7 k\u00fcmesini tahmin etme, verileri kategorilere ay\u0131rma veya ba\u015fka iki makine \u00f6\u011frenimi algoritmas\u0131n\u0131n sonu\u00e7lar\u0131n\u0131 birle\u015ftirme gibi durumlarda faydal\u0131 olabilir. Bununla birlikte, milyonlarca veri k\u00fcmesinin etiketlenmesi zor bir s\u00fcre\u00e7 olabilir.<\/p>\n

G\u00f6zetimsiz \u00d6\u011frenme (Unsupervised Learning)<\/h6>\n

Etiketlenmemi\u015f veriler kullan\u0131larak algoritmam\u0131zdan veriler aras\u0131nda ba\u011flant\u0131 kurup gruplara ay\u0131rmas\u0131n\u0131 bekleriz. Boyut indirgeme (dimensionality reduction) ve k\u00fcmeleme (clustering) gibi problemleri \u00e7\u00f6zmek i\u00e7in kullan\u0131lmaktad\u0131r. G\u00f6zetimsiz \u00f6\u011frenme, d\u00fczenlerin tan\u0131nmas\u0131nda, anormalliklerin tespit edilmesinde ve verilerin otomatik olarak kategorilere ayr\u0131lmas\u0131nda \u00f6nemli bir role sahip olabilir. E\u011fitim verilerinin etiketlenmesi gerektirmedi\u011fi i\u00e7in kurulum s\u00fcreci kolayla\u015f\u0131r. Ayr\u0131ca, bu algoritmalar verileri otomatik olarak temizlemek ve i\u015flemek i\u00e7in de kullan\u0131labilir, b\u00f6ylece ek modelleme i\u00e7in verilerin haz\u0131rlanmas\u0131 s\u00fcrecinde de faydal\u0131 olabilir.<\/p>\n

Yar\u0131 G\u00f6zetimli \u00d6\u011frenme<\/strong><\/h6>\n

G\u00f6zetimli \u00f6\u011frenme ve g\u00f6zetimsiz \u00f6\u011frenme aras\u0131nda yer almaktad\u0131r. Etiketlenmemi\u015f b\u00fcy\u00fck miktardaki bir veri ile etiketlenmi\u015f k\u00fc\u00e7\u00fck bir miktardaki verinin beraber kullan\u0131lmaktad\u0131r. Bu \u00f6\u011frenme t\u00fcr\u00fcn\u00fcn avantaj\u0131, b\u00fcy\u00fck miktarda etiketli veri gereksinimi duymadan kullanabilmesidir. \u00d6zellikle uzun belgeler gibi insanlar taraf\u0131ndan okunmas\u0131 ve etiketlenmesi zaman a\u00e7\u0131s\u0131ndan yo\u011fun verilerle \u00e7al\u0131\u015f\u0131rken faydal\u0131d\u0131r.<\/p>\n

Peki\u015ftirmeli \u00d6\u011frenme<\/strong><\/h6>\n

\u00d6\u011fretici sistemin \u00fcretti\u011fi sonu\u00e7 i\u00e7in do\u011fru ya da yanl\u0131\u015f olarak bir de\u011ferlendirme yapar. Son 10 y\u0131l i\u00e7erisinde, video oyunlar\u0131 d\u00fcnyas\u0131, peki\u015ftirmeli \u00f6\u011frenmenin en \u00f6nemli uygulama alanlar\u0131ndan biri haline gelmi\u015ftir. Geli\u015fmi\u015f peki\u015ftirmeli \u00f6\u011frenme algoritmalar\u0131, genellikle insan rakiplerine kar\u015f\u0131 farkl\u0131 bir strateji benimseyerek, klasik ve modern oyunlarda etkileyici sonu\u00e7lar elde etmi\u015ftir.<\/p>\n

Derin \u00d6\u011frenme<\/h6>\n

Makine \u00f6\u011frenimi alt dal\u0131 olan derin \u00f6\u011frenme yapay sinir a\u011flar\u0131n\u0131 kullanarak karma\u015f\u0131k modellerin e\u011fitildi\u011fi aland\u0131r. G\u00f6r\u00fcnt\u00fc ve ses tan\u0131ma, do\u011fal dil i\u015fleme, otomatik tahminleme gibi alanlarda ba\u015far\u0131yla kullan\u0131lmaktad\u0131r.<\/p>\n

G\u00fc\u00e7l\u00fc \u00d6\u011frenme (Transfer Learning)<\/strong><\/h6>\n

Bir problemden \u00f6\u011frenilen bilgilerin ba\u015fka bir probleme aktar\u0131lmas\u0131n\u0131 sa\u011flayan bir y\u00f6ntemdir. Bir modelin bir problemde \u00f6\u011frendi\u011fi \u00f6zelliklerin, ba\u015fka bir problemde kullan\u0131lmas\u0131 ile verimlilik art\u0131r\u0131labilir.<\/p>\n

H\u0131zl\u0131 \u00d6\u011frenme (Online Learning)<\/strong><\/h6>\n

Veri ak\u0131\u015flar\u0131 halinde gelen verilere an\u0131nda tepki vererek s\u00fcrekli olarak \u00f6\u011frenen bir y\u00f6ntemdir. Ger\u00e7ek zamanl\u0131 sistemlerde kullan\u0131l\u0131r.<\/p>\n

Veri Madencili\u011fi (Data Mining)<\/strong><\/h6>\n

B\u00fcy\u00fck veri k\u00fcmesindeki desenleri ve ili\u015fkileri ke\u015ffetmek i\u00e7in kullan\u0131lan bir y\u00f6ntemdir. Makine \u00f6\u011frenimi tekniklerini kullanarak veri k\u00fcmesindeki yap\u0131lar\u0131 anlamaya y\u00f6nelik bir yakla\u015f\u0131md\u0131r.<\/p>\n

\"Veri<\/p>\n

Makine \u00d6\u011frenimi Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n

Makine \u00f6\u011freniminin \u00e7al\u0131\u015fma yap\u0131s\u0131 girdi ve \u00e7\u0131kt\u0131 verisi kombinasyonlar\u0131 aras\u0131ndaki mevcut matematiksel ili\u015fkilere dayal\u0131d\u0131r. Bu ili\u015fkiyi \u00f6nceden tahmin edemez verilen veri \u00fczerinden bir tahmin yaparak elde edilir.<\/p>\n

    \n
  1. Algoritmaya girdi ve \u00e7\u0131kt\u0131 ( x,y ) kombinasyonlar\u0131n\u0131 vererek e\u011fitilir. (3, 14) (5, 20)<\/li>\n
  2. Algoritma, girdi ve \u00e7\u0131kt\u0131 aras\u0131ndaki ili\u015fkiyi y = 3*x + 5 oldu\u011funu hesaplar.<\/li>\n
  3. Daha sonra 8 say\u0131s\u0131n\u0131 girdi olarak verip \u00e7\u0131kt\u0131y\u0131 tahmin etmesini istedi\u011fimizde sonu\u00e7 olarak bize 29 oldu\u011funu belirleyebilir.<\/li>\n<\/ol>\n

    Makine \u00d6\u011frenimi Algoritmalar\u0131<\/h2>\n

    Makine \u00f6\u011frenimi alan\u0131nda \u00e7al\u0131\u015fan farkl\u0131 algoritma t\u00fcrleri bulunmaktad\u0131r. Se\u00e7ilecek algoritma t\u00fcrleri, problem tipine, veri k\u00fcmesine ve performans gereksinimlerine ba\u011fl\u0131 olarak de\u011fi\u015febilir. Yayg\u0131n olarak kullan\u0131lan baz\u0131 makine \u00f6\u011frenimi algoritmalar\u0131 \u015fu \u015fekildedir.<\/p>\n

    Karar A\u011fac\u0131 Algoritmalar\u0131<\/strong><\/h6>\n

    Karar a\u011fa\u00e7lar\u0131, veriyi kullanarak kararlar veren a\u011fa\u00e7 yap\u0131s\u0131nda modellerdir. Girilen verileri iki veya daha fazla homojen k\u00fcmeye b\u00f6ler. Her d\u00fc\u011f\u00fcmde bir \u00f6zellik \u00fczerinde bir karar al\u0131narak a\u011fa\u00e7 dal\u0131nda ilerlenir ve sonunda bir tahmin yap\u0131l\u0131r.<\/p>\n

    Destek Vekt\u00f6r Makineleri (SVM)<\/strong><\/h6>\n

    Destek vekt\u00f6r makineleri verileri s\u0131n\u0131fland\u0131rmak veya regresyon yapmak i\u00e7in kullan\u0131lan bir algoritmad\u0131r. Bu s\u0131n\u0131flar aras\u0131ndaki en iyi ayr\u0131m\u0131 bulmaya \u00e7al\u0131\u015farak, maksimum marjinal s\u0131n\u0131fland\u0131rma ay\u0131rt etmek i\u00e7in odaklan\u0131r.<\/p>\n

    K-En Yak\u0131n Kom\u015fu (KNN) Algoritmalar\u0131<\/strong><\/h6>\n

    KNN, veri noktalar\u0131na g\u00f6re\u00a0 s\u0131n\u0131fland\u0131rmak ve regresyon yapmak i\u00e7in kullan\u0131lan basit bir algoritmad\u0131r. KNN, kullan\u0131labilen t\u00fcm veri noktalar\u0131n\u0131 toplay\u0131p yeni veriyi etiketlemek i\u00e7in en yak\u0131n kom\u015fular\u0131n\u0131 kullan\u0131r. S\u0131n\u0131fland\u0131rma ve tahmin yapmaktad\u0131r.<\/p>\n

    Lojistik Regresyon Algoritmalar\u0131<\/strong><\/h6>\n

    Lojistik regresyon, iki s\u0131n\u0131fl\u0131 s\u0131n\u0131fland\u0131rma problemlerinde kullan\u0131lan bir algoritmad\u0131r. Lojistik regresyon, verileri kullanarak bir olas\u0131l\u0131k tahmini yapmaktad\u0131r. Bu tahminin ard\u0131ndan bir e\u015fik de\u011ferine g\u00f6re s\u0131n\u0131fland\u0131rma yapar.<\/p>\n

    Yapay Sinir A\u011flar\u0131 (YSA) Algoritmalar\u0131<\/strong><\/h6>\n

    Yapay sinir a\u011flar\u0131, biyolojik sinir sisteminden esinlenerek olu\u015fturulmu\u015f bir\u00e7ok n\u00f6ronun bir araya geldi\u011fi bir modeldir. Yapay sinir a\u011flar\u0131 genellikle karma\u015f\u0131k problemleri \u00e7\u00f6zmek i\u00e7in kullan\u0131l\u0131r ve g\u00f6r\u00fcnt\u00fc i\u015fleme, do\u011fal dil i\u015fleme gibi alanlarda aktif olarak kullan\u0131lmaktad\u0131r.<\/p>\n

    Gradient Boosting Algoritmas\u0131<\/strong><\/h6>\n

    Gradient boosting, zay\u0131f tahmin modellerini birle\u015ftirerek g\u00fc\u00e7l\u00fc bir tahmin modeli olu\u015fturmaktad\u0131r. XGBoost, LightGBM ve CatBoost gibi pop\u00fcler gradient boosting algoritmalar\u0131 bulunmaktad\u0131r.<\/p>\n

    Yayg\u0131n olarak kullan\u0131lan makine \u00f6\u011frenimi algoritmalar\u0131n\u0131n birka\u00e7 \u00f6rne\u011fidir. Farkl\u0131 alanlarda kullan\u0131lmak \u00fczere birden \u00e7ok algoritma bulunmaktad\u0131r. Hangi algoritman\u0131n kullan\u0131ld\u0131\u011f\u0131, problem tipine, veri k\u00fcmesine, performans gereksinimlerine ve di\u011fer fakt\u00f6rlere ba\u011fl\u0131 olarak de\u011fi\u015fmektedir.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Makine \u00d6\u011frenimi, bilgisayarlar\u0131n deneyim ve veri kullanarak \u00f6r\u00fcnt\u00fcleri alg\u0131lamay\u0131 ve karma\u015f\u0131k g\u00f6revleri ger\u00e7ekle\u015ftirmek i\u00e7in kullan\u0131lan bir yapay zeka dal\u0131d\u0131r. Geleneksel programlama dan farkl\u0131 olarak, makine \u00f6\u011frenimi, veri analizi ve deneyimlerden \u00f6\u011frenme yoluyla modellerin otomatik olarak uygulanmas\u0131na olanak tan\u0131maktad\u0131r. Genellikle b\u00fcy\u00fck veri k\u00fcmeleri kullan\u0131larak, makine \u00f6\u011frenimi algoritmalar\u0131, model parametrelerini ayarlayarak veri k\u00fcmelerindeki \u00f6r\u00fcnt\u00fcleri ke\u015ffeder ve yeni<\/p>\n","protected":false},"author":4,"featured_media":4309,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[38],"tags":[278,162,73],"class_list":{"0":"post-4306","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-python-ile-veri-isleme","8":"tag-algoritmalar","9":"tag-datakapital","10":"tag-dogal-dil-isleme"},"better_featured_image":{"id":4309,"alt_text":"Makine \u00d6\u011frenimi Y\u00f6ntemleri","caption":"","description":"","media_type":"image","media_details":{"width":602,"height":404,"file":"2023\/04\/Makine-Ogrenimi-Nedir.jpg","filesize":18649,"sizes":{"medium":{"file":"Makine-Ogrenimi-Nedir-300x201.jpg","width":300,"height":201,"mime-type":"image\/jpeg","filesize":5395,"source_url":"https:\/\/datakapital.com\/blog\/wp-content\/uploads\/2023\/04\/Makine-Ogrenimi-Nedir-300x201.jpg"},"thumbnail":{"file":"Makine-Ogrenimi-Nedir-150x150.jpg","width":150,"height":150,"mime-type":"image\/jpeg","filesize":3536,"source_url":"https:\/\/datakapital.com\/blog\/wp-content\/uploads\/2023\/04\/Makine-Ogrenimi-Nedir-150x150.jpg"},"bunyad-small":{"file":"Makine-Ogrenimi-Nedir-150x101.jpg","width":150,"height":101,"mime-type":"image\/jpeg","filesize":2235,"source_url":"https:\/\/datakapital.com\/blog\/wp-content\/uploads\/2023\/04\/Makine-Ogrenimi-Nedir-150x101.jpg"},"bunyad-medium":{"file":"Makine-Ogrenimi-Nedir-450x302.jpg","width":450,"height":302,"mime-type":"image\/jpeg","filesize":8747,"source_url":"https:\/\/datakapital.com\/blog\/wp-content\/uploads\/2023\/04\/Makine-Ogrenimi-Nedir-450x302.jpg"}},"image_meta":{"aperture":"0","credit":"","camera":"","caption":"","created_timestamp":"0","copyright":"","focal_length":"0","iso":"0","shutter_speed":"0","title":"","orientation":"0","keywords":[]}},"post":4306,"source_url":"https:\/\/datakapital.com\/blog\/wp-content\/uploads\/2023\/04\/Makine-Ogrenimi-Nedir.jpg"},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/posts\/4306","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/comments?post=4306"}],"version-history":[{"count":2,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/posts\/4306\/revisions"}],"predecessor-version":[{"id":5272,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/posts\/4306\/revisions\/5272"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/media\/4309"}],"wp:attachment":[{"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/media?parent=4306"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/categories?post=4306"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datakapital.com\/blog\/wp-json\/wp\/v2\/tags?post=4306"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}