Rekabetçi Öğrenme nedir?

Rekabetçi öğrenme, gözetimsiz öğrenme algoritmaları şemsiyesi altına giren bir makine öğrenmesi alt kümesidir. Rekabetçi öğrenmede, yapay nöronlardan oluşan bir ağ, belirli bir girdiye yanıt olarak “ateşlemek” ya da etkinleşmek için birbirleriyle rekabet eder. Genellikle verilen girdiye en iyi uyan “kazanan” nöron güncellenir, diğerleri ise değiştirilmeden bırakılır. Bu öğrenme yönteminin önemi, benzer veri girdilerini otomatik olarak kümelendirme gücünde yatar; bu sayede önceden bilgi veya etiketin bulunmadığı verilerde kalıpları ve gruplamaları keşfetmemizi sağlar.

Rekabetçi Öğrenmenin Açıklaması

Yapay sinir ağları, girdi sınıflandırmasını etiketli verilere ihtiyaç duymadan yapmak için sıklıkla rekabetçi öğrenme modellerini kullanır. Süreç bir girdi vektörüyle (çoğunlukla bir veri kümesi) başlar. Bu girdi, her birinin filtre gibi davranan kendi ağırlık kümesine sahip olduğu yapay nöronlardan oluşan bir ağa sunulur. Her nöron, tipik olarak bir noktasal çarpım işlemiyle (girdi bilgisini filtreyle çarpıp sonuçları toplayan bir yöntem) ağırlığına ve girdi vektörüne dayanarak bir puan hesaplar.

Hesaplamadan sonra, en yüksek puana sahip nöron (“kazanan”) güncellenir; bu genellikle ağırlıklarının girdi vektörüne yaklaştırılmasıyla yapılır. Bu süreç sıklıkla “Kazanan Hepsini Alır” stratejisi olarak anılır. Zamanla nöronlar, en iyi eşleşebildikleri girdi vektörlerine doğru güncellendikçe uzmanlaşırlar. Bu da benzer verilerin kümeler oluşturmasına yol açar ve böylece girdi veri kümesi içinde doğal kalıpların keşfedilmesini mümkün kılar.

Rekabetçi öğrenmenin nasıl kullanılabileceğini örneklemek için, bir e-ticaret işletmesinin hedefli pazarlama için müşteri tabanını segmentlere ayırmak istediğini, ancak elinde hiçbir etiket veya önceden yapılmış segmentasyon olmadığını düşünün. Müşteri verilerini (satın alma geçmişi, gezinme davranışı, demografi vb.) bir rekabetçi öğrenme modeline vererek, otomatik olarak farklı kümeler (örneğin yüksek harcayanlar, sık alışveriş yapanlar, indirim severler) bulabilir ve pazarlama stratejilerini buna göre uyarlayabilirler.

Rekabetçi Öğrenme Süreci: Adım Adım Bir Örnek

Bu basit örnek için, 1’den 10’a kadar uzanan 1 boyutlu girdi vektörlerinden oluşan bir veri kümesine ve iki nöronlu bir rekabetçi öğrenme ağına sahip olduğumuzu varsayalım.

Adım 1: Başlatma

İki nöronun ağırlıklarını rastgele değerlere ayarlayarak başlarız. Diyelim ki:

• Nöron 1 ağırlığı: 2
• Nöron 2 ağırlığı: 8

Adım 2: Girdi vektörünün sunulması

Şimdi ağa bir girdi vektörü sunarız. Girdi vektörümüzün ‘5’ olduğunu varsayalım.

Adım 3: Uzaklığın hesaplanması

Girdi vektörü ile iki nöronun ağırlıkları arasındaki uzaklığı hesaplarız. Ağırlığı girdi vektörüne en yakın olan nöron “kazanır”. Bu, örneğin mutlak fark gibi herhangi bir uzaklık ölçütüyle hesaplanabilir:

• Nöron 1 uzaklığı: |5-2| = 3
• Nöron 2 uzaklığı: |5-8| = 3

Her iki uzaklık eşit olduğundan, kazananı rastgele seçebiliriz. Diyelim ki Nöron 1 kazandı.

Adım 4: Ağırlıkların güncellenmesi

Kazanan nöronun ağırlığını girdi vektörüne yaklaştırmak için ayarlarız. Öğrenme oranımız (bir optimizasyon algoritmasında her yinelemede adım büyüklüğünü belirleyen bir ayar parametresi) 0,5 ise, ağırlık güncellemesi şöyle olur:

• Nöron 1 ağırlığı: 2 + 0,5*(5-2) = 3,5
• Nöron 2 ağırlığı: 8 (değişmedi)

Adım 5: Yineleme

Süreç, veri kümesindeki diğer tüm girdi vektörleri için tekrarlanır ve her sunumdan sonra ağırlıklar güncellenir.

Adım 6: Yakınsama

Birkaç yineleme (epoch olarak da bilinir) sonrasında nöronların ağırlıkları, karşılık geldikleri girdi kümelerinin merkezlerine yakınsamaya başlar. Bu durumda, 1’den 10’a uzanan 1 boyutlu verilerle, bir nöronun alt aralığa (1 ile 5 arası), diğerinin ise üst aralığa (6 ile 10 arası) yakınsamayı bekleyebiliriz.

Bu süreç, rekabetçi öğrenmenin nasıl çalıştığını örnekler. Zamanla her nöron, verinin farklı bir kümesinde uzmanlaşır ve sistemin veri kümesindeki doğal gruplamaları tanımlayıp temsil etmesini sağlar.

Rekabetçi Öğrenme ve Diğer Öğrenme Modelleri

Hiyerarşik kümeleme ve Gürültü İçeren Uygulamaların Yoğunluk Tabanlı Uzamsal Kümelemesi (DBSCAN) gibi diğer gözetimsiz öğrenme modelleriyle karşılaştırıldığında, rekabetçi öğrenmenin kendine özgü güçlü ve zayıf yönleri belirginleşir.

Tabloda görüldüğü gibi, bu üç model farklı problem türleri için uygun kılan belirgin özelliklere sahiptir. Kümelerin yapısı, küme sayısı, gürültüyü nasıl ele aldıkları, oluşturabilecekleri küme şekilleri ve veri noktalarının yeniden tahsisine izin verip vermedikleri, bir öğrenme modeli seçerken göz önünde bulundurulması gereken kritik faktörlerdir.

Her bir modeli kullanma tercihi, öncelikle veri kümenizin özel gereksinimlerine ve doğasına bağlıdır.

Rekabetçi öğrenme, küme sayısının önceden bilindiği ve verinin kümeler arasında eşit dağıldığı veri kümeleri için uygundur. Verinin basit ve düz bir biçimde bölünmesini istediğinizde iyi çalışır.

Öte yandan hiyerarşik kümeleme, veri içinde hiyerarşik ilişkileri ortaya çıkarmak istediğinizde veya en uygun küme sayısı bilinmediğinde mükemmel bir seçimdir. Veriyi farklı ayrıntı düzeylerinde inceleme esnekliği sunar.

DBSCAN ise gürültü veya aykırı değerler içeren veri kümeleri ya da keyfi şekilli kümelerin beklendiği durumlar için idealdir. Ayrıca küme sayısını veri yoğunluğuna göre otomatik olarak belirler; bu da küme sayısının önceden tanımlanmadığı keşif amaçlı veri analizi için faydalıdır.

Unutmayın, tek bir model tüm senaryolara uymaz; uygun modeli seçmenin anahtarı verinizin özelliklerini anlamaktır.

Rekabetçi Öğrenmenin Pratik Bir Kullanım Alanı

Gördüğümüz gibi, rekabetçi öğrenme genellikle kümeleme ve boyut indirgeme için kullanılır. Ancak, özellik öğrenme, anomali tespiti ve hatta üretken yapay zekâda da kullanılabilir.

Örneğin, üretken çekişmeli ağlar (GAN’ler), gerçek veriyi yakından taklit eden sahte veriler sentezlemek için bir üretici (sahte veri oluşturur) ile bir ayrıştırıcı (verinin gerçek mi sahte mi olduğunu değerlendirir) arasında rekabetçi öğrenmeyi kullanan bir modelleme yaklaşımıdır.

Diğer bazı yaygın rekabetçi öğrenme algoritmaları şunlardır:

• Kazanan hepsini alır rekabetçi öğrenme. Bu basit algoritmada, en yüksek etkinleşmeye sahip nöron “kazanır” ve ağırlıkları girdiye daha da yaklaşacak şekilde ayarlanır. Diğer nöronlar güncellenmez.
• Kendini örgütleyen harita (SOM). Yüksek boyutlu girdi verisini daha düşük boyutlu bir nöron ızgarasına eşler ve her bir girdi için yakın nöronların ağırlıklarını daha benzer olacak şekilde ayarlar.
• Nöral gaz. SOM’a benzer, ancak katı bir topoloji olmadan daha esnek biçimde kümeler oluşturur. Girdiye yakın nöronların ağırlıkları daha benzer olacak şekilde ayarlanır.
• Öğrenme vektör niceleme (LVQ). SOM’dan gelen fikirlere dayanır ancak rekabetçi öğrenmeyi yönlendirmek için açık sınıf etiketleri kullanır; bunun sonucunda girdileri sınıfa göre kümelendiren prototipler ortaya çıkar.

Gözetimsiz öğrenme, gelecekte daha yaygın hale gelmesi beklenen güçlü bir yöntem olan rekabetçi öğrenmeden büyük ölçüde faydalanabilir. Kendini örgütleyen haritalar ve diğer rekabetçi öğrenme yöntemleri yıllardır var olsa da, GAN’lerin başarısı çekişmeli ve çok etmenli rekabetçi öğrenmenin potansiyelini göstermiştir.

Gelecekte, daha iyi sonuçlar üretmek için gözetimsiz, yarı gözetimli ve pekiştirmeli öğrenme ilkelerini birleştiren yeni rekabetçi öğrenme algoritmalarını göreceğiz.

Kolları sıvayıp kendi rekabetçi öğrenme modelinizi kurmak istiyorsanız, Python ile Basit Rekabetçi Öğrenme yazısına göz atın. Bu rehber, rekabetçi öğrenme için basit algoritmayı anlatır; ayrıca modelde yer alan süreçleri, matematiksel türetimleri ve kodlamayı açıklar.

 Yapay zekâ ve makine öğrenmesi hakkında daha fazla bilgi edinmek ister misiniz? Şu kaynaklara göz atın:

• Python ile gözetimsiz öğrenme kursu
• Gözetimsiz makine öğrenmesi hızlı referans kılavuzu
• Makine öğrenmesi nedir?