Makine öğrenmesinde denetimli öğrenme nedir diye soruyorsanız, modelin girdilerle onların bilinen sonuçlarını eşleştiren örneklerden öğrenmesidir. Fotoğrafın yanında kumaşın türü yazabilir; bir dikiş işinin ölçülerinin yanında da o işin kaç dakika sürdüğü bulunabilir. Öğrenilmesi istenen bu sonuca etiket denir.
Eğitimde tahminle etiket karşılaştırılır ve modelin sayısal ayarları hatayı azaltmak için değiştirilir. Sonra modele sonucu henüz gösterilmeyen yeni bir girdi verilir. Google'ın Türkçe dersinde özellik, etiket, eğitim ve yeni veriden tahmin alma bu sırayla açıklanıyor. "Denetimli" sözü, her yeni cevabın başında bekleyen bir insan olduğu anlamına gelmez.
Kumaş örneğinde girdi ve etiket hangisi?
Hayalî bir dikiş atölyesinin kumaş örneklerini düzenlediğini düşünün. İlk görev, yakın çekim fotoğraflarını "dokuma" veya "örme" diye ayırmak olsun. Her parçanın türünü bilen kişi doğru sınıfı önceden kaydetsin. Bu bir kavram örneği; gerçek bir model kurduğumuz veya uygulamada bu sonucu aldığımız iddiası değil.
Fotoğraf modelin girdisidir. Dosyanın yanındaki "örme" kaydı ise beklenen sonuçtur. Model, eğitim sırasında bu eşleştirmelerden ilişki öğrenmeye çalışır. Yeni bir parçanın fotoğrafında beklediğimiz, daha önce verdiğimiz sınıflardan birini tahmin etmesidir.
Burada "etiket" kâğıda yazılan sözcükle sınırlı değil. Bilgisayarın kullanacağı bir sınıf kodu da olabilir. Önemli olan, hangi girdiye hangi hedefin ait olduğudur. Fotoğraf sırası değişirken sınıf kayıtları yerinde kalırsa örme parçayı dokuma hedefiyle eşleştirmiş olabiliriz.
AWS'nin veri etiketleme açıklaması, etiketlerin öğrenilecek göreve göre hazırlanmasını anlatıyor. Bizim atölyede de fotoğrafı çekmek ve doğru kumaş türünü kaydetmek ayrı işler. Yalnızca bütün parçaları aynı klasöre koymak, her fotoğrafın hangi sınıfa ait olduğunu modele söylemez.
Etiket bir sayı olduğunda ne değişir?
Aynı atölyede başka bir soru soralım: "Bu dikiş işi kaç dakika sürer?" Bu kez örnek kayıtta kumaş kalınlığı, dikilecek uzunluk ve tamamlanan işin ölçülmüş süresi bulunsun. Girdi olarak seçtiğimiz bilgilerle, tahmin etmek istediğimiz süreyi ayrı tutarız.
Hayalî kaydımızda bir işin süresi 12 dakika olsun. Model 9 dakika tahmin ederse arada 3 dakikalık fark vardır. Bu basit hesap, sayısal tahmini gözlenen sonuçla nasıl karşılaştırabileceğimizi gösterir. Tek bir kayıtla modelin iyi olduğunu veya sonraki işin kesin 12 dakika süreceğini söyleyemeyiz.
"Dokuma mı, örme mi?" sorusu sınıflandırmadır. Dakika gibi sayısal bir değer tahmin etmek ise regresyondur. AWS'nin Türkçe karşılaştırması, ikisini de denetimli öğrenme içinde ele alıyor. Etiketin her zaman bir kategori adı olması gerekmiyor.
Süre kaydının nasıl tutulduğuna da karar verelim. Bir kişi yalnızca makinenin çalıştığı zamanı, diğeri hazırlık ve çay molasıyla geçen toplam zamanı yazarsa aynı şeyi ölçmüyor olabilirler. Örneğimizde süreyi, hazırlık bittikten sonra ilk dikişten son dikişe kadar geçen zaman olarak tanımlayalım. Birim her kayıtta dakika olsun.
Sonucu bilinmeyen örneğe neden cevap uydurmayız?
Atölyede etiketi düşmüş bir kumaş parçası varsa önce türünü bilen kişiye sorarız. Tahmini bir sınıfı doğrulanmış hedef gibi kaydetmek, sonraki değerlendirmeyi de karıştırır. Model o tahmine uyduğunda gerçekten doğru mu, yoksa bizim belirsiz kaydımızı mı tekrarlıyor, ayıramayız.
Süre sütunu boş olan bir işte de aynı dikkat gerekir. Boşluğu sıfırla doldurmak "ölçülmedi" bilgisini "iş hiç sürmedi" diye değiştirir. Eksik süreyi eksik olarak saklarız. Hangi kayıtların süre tahmini için kullanılacağına veriyi hazırlarken karar veririz.
Eğitimde kullanılmayan yeni işler için tahminleri, iş tamamlandıktan sonra ölçülen sürelerle karşılaştırabiliriz. Özellikle uzun işler sürekli kısa tahmin ediliyorsa bunları ayrıca inceleriz. Bütün hataları tek ortalamaya sıkıştırmak, atölyenin planını bozan bu durumu gözden kaçırabilir. Buradaki örnek sayılar başarı ölçümü sunmuyor; kontrol edilecek farkı tarif ediyor.
Diğer öğrenme adlarından nasıl ayırırsınız?
Denetimsiz öğrenmede, bu örnekteki gibi her girdinin yanına hazır hedef koymadan verilerdeki yapılar aranır. Kumaş fotoğraflarının benzerliklerine göre kümelenmesi, kümelere kendiliğinden doğru tekstil adları verildiğini göstermez. Pekiştirmeli öğrenmede ise eylemlerin sonuçlarından alınan ödülle bir davranış öğrenilir.
Bir de yöntemin neyi tarif ettiğine bakın. Derin öğrenme, çok katmanlı sinir ağlarıyla ilgilidir; böyle bir ağ denetimli bir görevde kullanılabilir. Aynı sistem için iki adın geçmesi bu yüzden mümkündür.
Kavramı çalışırken Yapay Zeka'ya "Kumaş fotoğrafı ile bilinen türünü, dikiş ölçüleri ile ölçülmüş süreyi ayrı örnekler olarak açıkla. Her birinde etiket hangisi?" diye sorabilirsiniz. Yanıtın altındaki kaynakları açıp tanımları kontrol edin. Bu alıştırmadan uygulamanın kendi eğitim yöntemi hakkında sonuç çıkarmayın.
