Denetimsiz Öğrenmeye Giriş

Denetimsiz öğrenme, temel bir makine öğrenimi türü olarak gelişmeye devam ediyor. Girdi vektörlerine, karşılık gelen hedef değerler olmadan odaklanan bu yaklaşım; benzerlikler, örüntüler ve farklılıklara dayanarak bilgiyi gruplama ve yorumlama becerisinde kayda değer ilerlemeler kaydetti. Derin denetimsiz öğrenme modellerindeki en son gelişmeler bu yeteneği güçlendirerek karmaşık veri kümelerini daha incelikli bir biçimde anlamayı mümkün kıldı.

2024’te, geleneksel olarak girdi-çıktı eşlemlerine dayanmayan denetimsiz öğrenme algoritmaları, etiketlenmemiş verilerin temel yapısını keşfetmede daha da özerk ve verimli hale geldi. Bu ‘öğretmenden bağımsızlık’, gelişmiş öz-denetimli öğrenme tekniklerinin ortaya çıkmasıyla güçlenerek etiketli veriye olan bağımlılığı önemli ölçüde azalttı.

Ayrıca, pekiştirmeli öğrenme gibi diğer yapay zeka disiplinleriyle denetimsiz öğrenmenin entegrasyonunda da ilerlemeler kaydedildi ve böylece daha uyarlanabilir ve akıllı sistemler geliştirildi. Bu sistemler, verideki örüntüleri ve anomalileri belirlemede başarılı olup çeşitli sektörlerde yenilikçi uygulamaların önünü açıyor. Bu makale, denetimsiz öğrenmeyi daha ayrıntılı biçimde ele alarak farklı türlerini ve kullanım alanlarını inceliyor. 

Denetimli ve Denetimsiz Öğrenme 

Aşağıdaki tabloda, denetimsiz ve denetimli öğrenme arasındaki bazı temel farkları karşılaştırdık: 

Denetimsiz Öğrenme Türleri

Giriş bölümünde, denetimsiz öğrenmenin etiketlerin bulunmadığı durumlarda veriyi gruplamak için kullandığımız bir yöntem olduğundan bahsettik. Etiketler olmadığı için, denetimsiz öğrenme yöntemleri genellikle verinin özlü bir temsilini oluşturmak ve bundan yaratıcı içerikler türetebilmek için uygulanır. 

Örneğin yeni bir ürün piyasaya sürüyor olsak, yeni ürünün hedef pazarının kim olacağını belirlemek için denetimsiz öğrenme yöntemlerini kullanabiliriz: çünkü hedef müşterinin kim olduğuna ve demografik özelliklerine dair tarihsel bir bilgi yoktur. 

Ancak denetimsiz öğrenme üç ana göreve ayrılabilir: 

• Kümeleme
• Birliktelik kuralları
• Boyut indirgeme.  

Şimdi her birine daha yakından bakalım:

Kümeleme

Kuramsal açıdan, aynı gruptaki örnekler benzer özelliklere sahip olma eğilimindedir. Bu olguyu periyodik tabloda gözlemleyebilirsiniz. On sekiz sütunla ayrılmış aynı gruptaki üyeler, atomlarının en dış kabuğunda aynı sayıda elektrona sahiptir ve aynı tür bağlar oluştururlar. 

Bu, kümeleme algoritmalarında işleyen fikirdir; kümeleme yöntemleri, etiketlenmemiş verileri benzerlik ve farklılıklarına göre gruplamayı içerir. İki örnek farklı gruplarda yer aldığında, farklı özelliklere sahip oldukları sonucuna varabiliriz. 

Kümeleme, popüler bir denetimsiz öğrenme yaklaşımıdır. Hatta kümelemeyi farklı türlere ayırabilirsiniz; örneğin: 

• Yalın (münhasır) kümeleme: Veriler, tek bir veri noktasının yalnızca bir kümeye ait olacağı şekilde gruplanır. 
• Örtüşen kümeleme: Yumuşak kümeleme; tek bir veri noktası, değişen üyelik dereceleriyle birden fazla kümeye ait olabilir. 
• Hiyerarşik kümeleme: Benzer örneklerin aynı grupta, farklı nesnelerin ise diğer gruplarda yer aldığı bir kümeleme türü. 
• Olasılıksal kümeleme: Kümeler, olasılık dağılımları kullanılarak oluşturulur.

Birliktelik Kuralı Madenciliği

Bu tür denetimsiz makine öğrenimi, bir veri kümesindeki özellikler arasındaki ilginç ilişkileri keşfetmek için kural tabanlı bir yaklaşım benimser. Bir veri kümesinde bulunan güçlü kuralları belirlemek için ilgi ölçütü kullanır. 

Birliktelik kuralı madenciliğini genellikle sepet analizi için görürüz: bu, perakendecilerin çeşitli ürünler arasındaki ilişkilere dayanarak müşteri satın alma kalıplarını daha iyi anlamak için kullandıkları bir veri madenciliği tekniğidir. 

Birliktelik kuralı öğrenimi için en yaygın kullanılan algoritma Apriori algoritmasıdır. Ancak Eclat ve FP-growth gibi diğer algoritmalar da bu tür denetimsiz öğrenmede kullanılır. 

Boyut İndirgeme

Boyut indirgeme için kullanılan popüler algoritmalar arasında temel bileşen analizi (PCA) ve Tekil Değer Ayrıştırması (SVD) bulunur. Bu algoritmalar, veriyi yüksek boyutlu uzaylardan düşük boyutlu uzaylara dönüştürmeyi, bunu yaparken de orijinal verideki anlamlı özellikleri korumayı amaçlar. Bu teknikler genellikle keşifsel veri analizi (EDA) veya veri işleme sırasında, modellemeye hazırlık için uygulanır.

EDA sırasında bir veri kümesinin boyutunu azaltmak, veriyi görselleştirmeye yardımcı olur: çünkü üçten fazla boyutta veriyi görselleştirmek zordur. Veri işleme açısından ise, boyutun azaltılması modelleme problemini basitleştirir.

Modele daha fazla girdi özelliği beslendiğinde, model daha karmaşık bir yaklaşım fonksiyonu öğrenmek zorunda kalır. Bu olgu, “boyutluluk laneti” deyimiyle özetlenir. 

Denetimsiz Öğrenme Uygulamaları

Çoğu yönetici, denetimli makine öğrenimi görevleri için kullanım senaryolarını belirlemekte zorlanmaz; aynı şeyi denetimsiz öğrenme için söylemek zor olabilir. 

Bunun bir nedeni basitçe risk doğası olabilir. Denetimsiz öğrenme, çevrimdışı biçimde sonuçları hakikat zeminiyle ölçmenin net bir yolu olmadığından ve çevrimiçi bir değerlendirme yapmak fazla riskli olabileceğinden, denetimli öğrenmeden daha fazla risk barındırır. 

Yine de kurumsal düzeyde çeşitli değerli denetimsiz öğrenme kullanım senaryoları vardır. Veriyi keşfetmek için denetimsiz teknikleri kullanmanın ötesinde, gerçek dünyadaki yaygın kullanım alanlarından bazıları şunlardır: 

• Doğal dil işleme (NLP). Google News, farklı haber kaynaklarından aynı hikâyeye dayanan makaleleri kategorize etmek için denetimsiz öğrenmeden yararlanmasıyla bilinir. Örneğin, futbol transfer dönemi sonuçlarının tamamı futbol başlığı altında toplanabilir.
• Görüntü ve video analizi. Nesne tanıma gibi görsel algı görevleri denetimsiz öğrenmeden yararlanır.
• Anomali tespiti. Denetimsiz öğrenme, bir veri kümesinin normal davranışından sapan veri noktalarını, olayları ve/veya gözlemleri belirlemek için kullanılır.
• Müşteri segmentasyonu. Denetimsiz öğrenme kullanılarak ilgi çekici alıcı personası profilleri oluşturulabilir. Bu, işletmelerin müşterilerinin ortak özelliklerini ve satın alma alışkanlıklarını anlamalarına yardımcı olarak ürünlerini buna göre hizalamalarını sağlar.
• Öneri motorları. Geçmiş satın alma davranışı, denetimsiz öğrenmeyle birlikte kullanılarak işletmelerin etkili çapraz satış stratejileri geliştirmelerine yardımcı olabilecek veri eğilimlerini keşfetmelerine imkân tanır.

Python ile Denetimsiz Öğrenme Örneği

Temel bileşen analizi (PCA), temel bileşenlerin hesaplanması ve ardından bunların veriye bir temel dönüşümü uygulamak için kullanılması sürecidir. Başka bir deyişle PCA, denetimsiz bir öğrenme boyut indirgeme tekniğidir. 

Bir veri kümesinin boyutunu azaltmak iki ana nedenle faydalıdır: 

1. Bir veri kümesinde görselleştirme için çok fazla boyut olduğunda 
2. Öngörücü bir model kurarken özellik seçimi için en öngörücü n boyutu belirlemek üzere. 

Bu bölümde, PCA algoritmasını Python’da Iris veri kümesi üzerinde uygulayacak ve ardından matplotlib kullanarak görselleştireceğiz. Bu eğitimde kullanılan koda adım adım eşlik etmek için şu DataLab çalışma kitabına göz atın. 

Gerekli kütüphaneleri ve veriyi içe aktararak başlayalım.

from sklearn.datasets import load_iris # Dataset
from sklearn.decomposition import PCA # Algorithm
import matplotlib.pyplot as plt # Visualization

# Load the data 
iris_data = load_iris(as_frame=True)

# Preview
iris_data.data.head()

Iris veri kümesinde dört özellik vardır. Dört veya daha fazla boyutta veriyi görselleştirmeye çalışmak imkânsızdır çünkü bu kadar yüksek boyutta şeylerin nasıl görüneceğine dair bir fikrimiz yok. Yapabileceğimiz bir sonraki en iyi şey, onu üç boyutta betimlemektir; bu mümkün olmakla birlikte hâlâ zorludur. 

Örneğin:

"""
Credit: Rishikesh Kumar Rishi
Link: https://www.tutorialspoint.com/how-to-make-a-4d-plot-with-matplotlib-using-arbitrary-data
"""
plt.rcParams["figure.figsize"] = [7.00, 3.50]
plt.rcParams["figure.autolayout"] = True

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
sepal_length = iris_data.data["sepal length (cm)"]
sepal_width = iris_data.data["sepal width (cm)"]
petal_length = iris_data.data["petal length (cm)"]
petal_width = iris_data.data["petal width (cm)"]

ax.scatter(sepal_length, sepal_width, petal_length, c=petal_width)
plt.show()

Bu görselleştirmeden içgörü elde etmek oldukça zor; çünkü üç boyutta veriyi bu senaryoda tek bir bakış açısından görebildiğimiz için tüm örnekler birbirine karışmış durumda.  

PCA ile verinin boyutunu ikiye indirebiliriz; bu da verimizi görselleştirmeyi ve sınıfları birbirinden ayırmayı kolaylaştırır. 

Not: R’de PCA uygulamasını “R ile Temel Bileşen Analizi Eğitimi” yazısında öğrenin.

# Instantiate PCA with 2 components
pca = PCA(n_components=2)

# Train the model 
pca.fit(iris_data.data)
iris_data_reduced = pca.fit_transform(iris_data.data)

# Plot data
plt.scatter(
    iris_data_reduced[:,0],
    iris_data_reduced[:,1],
    c=iris_data.target
)
plt.show()

Yukarıdaki kodda, Iris veri kümesinin özelliklerini iki bileşenle sınırlayarak dönüştürdük ve ardından indirgenmiş veriyi iki boyutlu bir düzlemde çizdik.  

Artık veriye ve sınıfların nasıl ayrıldığına dair bilgi toplamak çok daha kolay. Bu içgörüleri, verimize bir makine öğrenimi modeli oturtacak olsak atılacak sonraki adımlara karar vermek için kullanabiliriz. 

Son düşünceler

Denetimsiz öğrenme, bir modelin verideki ilişkileri karakterize etmek veya çıkarmak için kullanıldığı bir makine öğrenimi problem sınıfını ifade eder. 

Denetimli öğrenmenin aksine, denetimsiz öğrenme algoritmaları bir veri kümesinin temel yapısını yalnızca girdi özelliklerini kullanarak keşfeder. Bu, denetimsiz öğrenme modellerinin, denetimli öğrenmede olduğu gibi onları düzeltecek bir öğretmene ihtiyaç duymadığı anlamına gelir. 

Bu makalede, birliktelik kuralı madenciliği, kümeleme ve boyut indirgeme olmak üzere denetimsiz öğrenmenin üç ana türünü öğrendiniz. Ayrıca denetimsiz öğrenmenin çeşitli uygulamalarını ve Python’da PCA algoritmasıyla boyut indirgemeyi nasıl yapacağınızı gördünüz. 

Eğitiminize devam etmek için şu kaynaklara göz atın: 

• R ile Denetimsiz Öğrenme kursu 
• Python’da Scikit-learn ile k-Means Kümelemeye Giriş eğitimi
• R ile Kümeleme Analizi kursu
• DBSCAN: Python’da Makroskopik Bir İnceleme eğitimi
• BERT ile NLP eğitimi