Makine Öğrenmesi / Makine Öğrenimi

Neden önemli

Spam filtresi, öneri sistemleri, kredi skoru, görüntü tanıma ve dil modellerinin hepsi bu dersin fikirleri üzerine kurulu. Veri bilimci ya da yapay zekâ mühendisi olmak istemesen de bir modelin ne zaman güvenilir olduğunu anlamak artık her yazılımcı için gerekli.

Bilmen gerekenler

• Denetimli (etiketli veri) ve denetimsiz öğrenme farkı; regresyon ile sınıflandırma farkı.
• Doğrusal regresyon, lojistik regresyon, k-en yakın komşu ve naive Bayes.
• Karar ağaçları ve topluluk yöntemleri: random forest, gradient boosting.
• Eğitim, doğrulama ve test verisi; k katlı çapraz doğrulama.
• Aşırı öğrenme (overfitting), yanlılık-varyans dengesi ve düzenlileştirme (Ridge, Lasso).
• Kümeleme (k-means) ve boyut indirgeme (PCA).
• Yapay sinir ağları: perceptron, çok katmanlı perceptron (MLP), aktivasyon fonksiyonları, geri yayılım ve gradyan inişi.
• Metrikler: MAE, RMSE ve R²; doğruluk, kesinlik, duyarlılık, F1 ve karışıklık matrisi.

Alıştırma ve proje

• scikit-learn ile küçük bir veri setinde birkaç modeli aynı çapraz doğrulama bölmeleriyle karşılaştır; her zaman "hep ortalamayı söyleyen" bir referans modeli de ekle.
• Gradyan inişini ve basit bir MLP'yi bir kez NumPy ile kendin yaz; kütüphanenin ne yaptığını o zaman anlarsın.
• Kaggle'da başlangıç yarışmalarına katıl ve başkalarının not defterlerini oku.

Sık yapılan hatalar

• Test verisini eğitimde ya da ön işlemede kullanmak (veri sızıntısı); ölçekleme gibi adımlar sadece eğitim verisiyle öğrenilmeli.
• Sıralı bir veri setini karıştırmadan bölmek; test parçaları tek bir gruptan oluşur ve başarı yanlış ölçülür.
• Tek bir şanslı bölmenin skorunu raporlamak; çapraz doğrulamanın ortalamasını ve sapmasını ver.
• Dengesiz veride sadece doğruluğa (accuracy) bakmak.