Machine Learning

Üç temel öğrenme biçimi#

Genelleme: asıl problem#

Makine öğrenmesinin tek gerçek sorusu şudur: model, eğitimde görmediği veride de çalışıyor mu? Eğitim verisini ezberleyen bir model, kendi verisinde kusursuz, sahada işe yaramaz olur. Bu duruma aşırı uyum (overfitting) denir. Tersi de mümkün: model fazla basitse örüntüyü hiç yakalayamaz (eksik uyum).

1. 1Problem çerçeveleme

   İş sorusu, tahmin edilecek bir hedefe çevrilir.

2. 2Veri hazırlama

   Toplama, temizleme, sızıntı kontrolü ve özellik üretimi.

3. 3Ayrım

   Eğitim, doğrulama ve test kümeleri sızıntısız ayrılır.

4. 4Eğitim

   Model, eğitim kümesinde parametrelerini öğrenir.

5. 5Doğrulama

   Hiperparametreler doğrulama kümesinde ayarlanır.

6. 6Test

   Yalnızca bir kez açılan test kümesinde nihai ölçüm yapılır.

7. 7İzleme

   Üretimde veri ve kavram sürüklenmesi takip edilir.

Sık görülen yanılgılar#

• "Doğruluk yeterli bir metriktir" — dengesiz sınıflarda %99 doğruluk hiçbir şey öğrenmemiş bir modeli de tanımlayabilir.
• "Korelasyon nedenselliktir" — model ilişkiyi bulur, nedeni bulmaz; müdahale kararı için nedensel çıkarım gerekir.
• "Model bir kez eğitilir" — veri dağılımı değişir; yeniden eğitim planı olmayan model zamanla bozulur.
• "Derin öğrenme her zaman daha iyidir" — yapılandırılmış tablo verisinde ağaç tabanlı yöntemler sıkça öndedir.