Danışmanlı Öğrenme ve Danışmansız Öğrenme

Makine öğrenme sistemleri, eğitim sırasında aldıkları denetim türüne göre sınıflandırılmaktadır. İki ana kategori vardır: (1) danışmanlı öğrenme(Supervised Learning) ve (2) danışmansız öğrenme (Unsupervised learning).

Danışmanlı öğrenmede sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğu bilgisinin önceden biliniyor olması gerekir. Bu duruma örnek olarak Şekil 1’de gösterilen spam filtreleme verilebilir. Etiketli e-postalar ile birlikte algoritma öğrenme işlemine başlar ve daha sonra gelen yeni bir e-posta eğitim kümesine dayanarak sınıflandırılır .

Danışmanlı öğrenme yöntemini kullanan öğrenme algoritmaları:

• k-en-yakın komşu (k-nearest neighbors)
• doğrusal regresyon (linear regression)
• lojistik regresyon (logistic regression)
• destek vektör makineleri (support vector machines: SVMs)
• karar ağaçları (decision trees) ve rassal ormanlar (random forests)
• sinir ağları (neural networks)

Danışmansız öğrenmede ise hangi verinin hangi sınıfa dâhil olacağı bilgisi verilmemekte, verinin kendi kendine öğrenmesi ve uygun olan sınıfa yerleşmesi beklenmektedir.

Örnek olarak, Şekil 2’de blog’ unuzda yer alan ziyaretçi kitlesi verilmiş olsun kümeleme algoritması kullanarak benzer ziyaretçileri bir arada gruplamak isteyelim. Bu yöntem ile ziyaretçileriniz ile aranızda daha kolay iletişim kuracak aynı zamanda ziyaretçilerin yaş, cinsiyet gibi kategorik özellikleri gözetilerek gruplanması mümkün olmaktadır. Danışmansız öğrenme yöntemini kullanan öğrenme algoritmaları:

• kümeleme (clustering)
• temel bileşen analizi (principal component analysis: PCA)
• birliktelik kuralı öğrenme (association rule learning)