EEM-272 Makine Öğrenmesine Giriş

2024-2025 Bahar Dönemi

**EEM-272 Makine Öğrenmesine Giriş**

Ali Şentürk

alisenturk@isparta.edu.tr

asenturk.github.io

Ders Hakkında

Amaçlar

• Makine öğrenimindeki birçok kavram ve algoritmaya genel bir kavrama sağlamak
• Yapılacak çalışmaları bilimsel makale şeklinde ifade etmek.
  • Giriş, literatür taraması, referans kullanımı, yöntem, bulgular, sonuç…

Gereksinimler

• Python programlama
  • Numpy, Matplotlib, OpenCV
• Algoritma mantığı, veri yapıları.
• Temel olasılık ve istatistik.
• Temel lineer cebir ve kalkülüs

Kaynaklar

• Python
  • https://www.w3schools.com/python/
  • https://asenturk.github.io/eem241/
• OpenCV
  • https://docs.opencv.org/4.x/d6/d00/tutorial_py_root.html
• scikit-learn
  • https://scikit-learn.org/stable/
• Tensorflow
  • https://www.tensorflow.org/tutorials?hl=tr
• Keras
  • https://keras.io/examples/
• Pytorch
  • https://pytorch.org/tutorials/

Yaklaşık Takvim:

• 1. hafta Ders içeriği ve genel bilgilendirme (Ekle/Çıkar)
• 4. hafta konu teklifi
• 6. hafta Konu Belirleme ve Proje önerisi
• 8. hafta Proje giriş ve literatür taraması
• 9-11. haftalar yapılan çalışmaların ilerleyişinin teslimi
• 12. hafta Program ve makalenin teslimi
• 13-14. haftalar sunumlar
• Ders esnasında ilerleyen haftalarda kesin takvim duyurulacak. Tum odevler turnitin üzerinden alınacak

  Proje

• 1 veya 2 kişi
• Gerçek bir probleme çözüm olacak şekilde güncel bir konu üzerinde çalışma
• Kodlamada yapay zeka dahil Her tür kaynaktan faydalanılabilir. Ancak kullanılan her tür kodlamanın ne için kullanıldığının farkında olmanız gerekiyor.
• Tüm çalışmalarda Tkinter kütüphanesi ile GUİ yapılacaktır.

Veri Setleri

• https://www.kaggle.com/datasets
• https://datasetsearch.research.google.com/

• https://github.com/awesomedata/awesome-public-datasets

• Kendi veri setinizin kullanmanız daha iyi olacaktır.

Makine Öğrenmesi Geliştirme Ortamı

• Google Colab
• Kaggle

  GUI Geliştirme Ortamı

• Yerel Bilgisayar

Öğrenme Nedir

• Çalışarak, uygulayarak, öğretilerek veya deneyimleyerek
  • bilgi veya beceri kazanma faaliyeti veya süreci

Makine Öğrenmesi Nedir?

• Tom Mitchell
  • A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
    • at some task (T)
    • with experience (E)
    • improve their performance (P)
• Arthur Samuel
  • Field of study that gives computers the ability to learn without being explicitly programmed
• Kevin Murphy
  • algorithms that automatically detect patterns in data
  • use the uncovered patterns to predict future data or other outcomes of interest

Neden Makine Öğrenmesi

• Birçok problem için doğru davranışı elle programlamak zordur:
  • İnsanları ve nesneleri tanımak
  • İnsan konuşmasını anlamak

• Makine öğrenimi yaklaşımı: Bir algoritma programlayarak verilerden veya deneyimden otomatik olarak öğrenmesini sağlamak.

• Neden öğrenen bir algoritma kullanmak isteyebilirsiniz?

  • Bir çözümü elle kodlamak zor olabilir (örn. görme, konuşma)
  • Sistem, değişen bir ortama uyum sağlamalıdır (örn. spam tespiti)
  • Sistem, insan programcılardan daha iyi performans göstermelidir
  • Gizlilik/adillik sağlanmalıdır (örn. arama sonuçlarını sıralama)

Neden Makine Öğrenmesi

• Algoritma ve kütüphaneler
  • Birçok temel etkili ve verimli algoritma ve kütüphane mevcut.
• Veri
  • Büyük miktarda çevrimiçi veri mevcuttur.
• Bilgisayar
  • Büyük miktarda hesaplama kaynağı mevcut.

Neden makine öğrenmesi zordur?

Makine Öğrenmesi Türleri

Makine öğrenmesi üç ana türe ayrılır:

1. Gözetimli Öğrenme (Supervised Learning)

• Giriş ve çıkış verileri etiketlidir.
• Model, girişlere karşılık gelen doğru çıkışları öğrenir.

Örnekler:

• E-posta spam tespiti (Spam veya değil)
• El yazısı rakam tanıma
• Hastalık teşhisi

2. Gözetimsiz Öğrenme (Unsupervised Learning)

• Veriler etiketsizdir, model kendiliğinden veri içindeki desenleri keşfeder.

Örnekler:

• Müşteri segmentasyonu
• Anomali tespiti (Sahtekarlık algılama)
• Konu modelleme (Belgeleri konu başlıklarına ayırma)

3. Pekiştirmeli Öğrenme (Reinforcement Learning)

• Bir ajan, çevreyle etkileşime girerek ödüller ve cezalar aracılığıyla öğrenir.

Örnekler:

• Oyun oynayan yapay zeka (Satranç, Go, Atari)
• Otonom araçlar
• Robotik sistemler

Bunlara ek olarak bazı alt türler ve özel öğrenme yöntemleri de vardır:

• Yarı Gözetimli Öğrenme (Semi-Supervised Learning):
  Az miktarda etiketli ve bol miktarda etiketsiz veri kullanır.
• Kendiliğinden Öğrenme (Self-Supervised Learning):
  Model, veriden kendi kendine etiketler oluşturarak öğrenir.
• Çevrimdışı ve Çevrimiçi Öğrenme (Offline & Online Learning):
  Model, tüm veriyi önceden öğrenebilir (çevrimdışı) veya yeni veriler geldikçe güncellenebilir (çevrimiçi).

Makine öğrenmesi türleri, problemin doğasına ve veri yapısına bağlı olarak seçilir.

Örnekler

Bilgisayarlı Görü (Computer Vision) Projeleri

Makine öğrenmesi, bilgisayarlı görü alanında birçok farklı görev için kullanılmaktadır.

• Nesne Tespiti (Object Detection)
  Bir görüntüdeki belirli nesneleri tanıma ve yerini belirleme işlemidir.
  • Örnek: Kamera ile güvenlik izleme, otonom araçlarda yaya ve araç tespiti
• Anlamsal Bölütleme (Semantic Segmentation)
  Görüntüyü piksellerine kadar analiz ederek her piksele bir sınıf etiketi atama işlemidir.
  • Örnek: Medikal görüntülerde organ tespiti, yol haritalarında yol çizgilerinin tanımlanması
• Poz Tahmini (Pose Estimation)
  İnsanların vücut pozisyonlarını ve hareketlerini tahmin etmek için kullanılır.
  • Örnek: Spor analitiği, artırılmış gerçeklik (AR) uygulamaları
• Görüntü Sınıflandırma (Image Classification)
  Görüntüleri, içeriklerine göre sınıflandırma işlemidir.
  • Örnek: El yazısı rakamları tanıma, hayvan türlerini sınıflandırma
• Yüz Tanıma (Facial Recognition)
  Bir kişinin yüzünü tanıyarak kimliğini doğrulamak veya tanımak için kullanılan teknolojidir.
  • Örnek: Akıllı telefonlarda yüz tanıma ile ekran kilidi açma, güvenlik sistemlerinde yüz tanıma
• Görüntü Süper Çözünürlük (Image Super-Resolution)
  Düşük çözünürlüklü görüntüleri daha yüksek çözünürlüğe çıkarmak için makine öğrenmesi kullanılır.
  • Örnek: ESRGAN (Enhanced Super-Resolution Generative Adversarial Networks)
• Tıbbi Görüntü Analizi (Medical Image Analysis)
  Radyoloji, patoloji gibi alanlarda hastalık tespiti için derin öğrenme kullanılır.
  • Örnek: Beyin tümörü tespiti, COVID-19 akciğer taramaları
• Otonom Araç Algılaması (Autonomous Driving Perception)
  LiDAR ve kamera verileriyle yayaları, araçları ve trafik işaretlerini tespit etmek için kullanılır.

Konuşma İşleme (Speech Processing) Projeleri

Makine öğrenmesi, konuşma işleme alanında birçok farklı görev için kullanılmaktadır.

• Konuşmadan Metne Dönüştürme (Speech-to-Text)
  Konuşmayı yazılı metne dönüştürme işlemidir.

• Örnek: Siri, Google Assistant, transkript oluşturma

• Kişisel Asistanlar (Personal Assistants)
  Kullanıcının sesli komutlarına yanıt veren yapay zeka tabanlı uygulamalardır.
  • Örnek: Amazon Alexa, Google Assistant, Apple Siri
• Konuşmacı Tanımlama (Speaker Identification)
  Konuşmayı yapan kişiyi tanıma işlemidir.
  • Örnek: Çağrı merkezlerinde müşteri doğrulama, sesli biyometrik kimlik doğrulama
• Duygu Analizi (Speech Emotion Recognition)
  Konuşma sırasında duyguların belirlenmesi için ses dalgaları ve ton analizi kullanılır.
  • Örnek: Müşteri hizmetlerinde duygu analizi, çağrı merkezi geri bildirimi
• Ses Klonlama (Voice Cloning)
  Bir kişinin sesini örneklerden öğrenerek benzer bir yapay ses üretmek için kullanılır.
  • Örnek: Deepfake ses teknolojileri, özelleştirilmiş metinden konuşmaya sistemleri
• Gürültü Giderme ve Ses İyileştirme (Noise Reduction & Speech Enhancement)
  Gürültülü ortamlarda kaydedilmiş konuşmaları temizlemek ve anlaşılırlığını artırmak için kullanılır.
  • Örnek: Telefon görüşmelerinde arka plan gürültüsünü azaltma, işitme cihazları
• Aksan ve Dil Tanıma (Accent & Language Identification)
  Kullanıcının konuşma stilinden aksanını veya konuştuğu dili otomatik olarak belirleme.
  • Örnek: Çok dilli sesli asistanlar, çağrı merkezi yönlendirme sistemleri

Doğal Dil İşleme (Natural Language Processing - NLP) Projeleri

Makine öğrenmesi, doğal dil işleme (NLP) alanında birçok farklı görev için kullanılmaktadır.

• Makine Çevirisi (Machine Translation)
  Metinleri bir dilden başka bir dile çevirme işlemidir.
  • Örnek: Google Translate, DeepL
• Duygu Analizi (Sentiment Analysis)
  Metinlerdeki duygusal tonu belirleyerek olumlu, olumsuz veya nötr olarak sınıflandırma işlemidir.
  • Örnek: Sosyal medya yorumları, müşteri geri bildirimleri analizi
• Konu Modelleme (Topic Modeling)
  Büyük metin koleksiyonlarındaki ana temaları veya konuları keşfetmeye yönelik bir tekniktir.
  • Örnek: Haber makalelerindeki ana konuları bulma, müşteri yorumlarından temalar çıkarma
• Spam Filtreleme (Spam Filtering)
  E-posta veya mesajlar içindeki istenmeyen veya zararlı içerikleri tespit etme işlemidir.
  • Örnek: Gmail’in spam filtresi, çevrimiçi platformlarda reklam/spam mesajlarını engelleme
• Adlandırılmış Varlık Tanıma (Named Entity Recognition - NER)
  Metin içerisindeki kişi, kuruluş, yer gibi özel isimleri tespit etmek için kullanılır.
  • Örnek: Haber metinlerinde önemli varlıkları belirleme, hukuk ve finans dokümanları analizi
• Metin Özetleme (Text Summarization)
  Uzun metinleri anlamını koruyarak daha kısa özetler haline getirmek için kullanılır.
  • Örnek: Haber özetleme, otomatik rapor oluşturma, akademik makale özetleri
• Soru Cevaplama Sistemleri (Question Answering - QA)
  Belirli bir bağlamdan sorulara doğru yanıtlar üretmek için kullanılır.
  • Örnek: Akıllı asistanlar (Google Assistant, Siri), bilgi tabanlı arama sistemleri
• Otomatik Metin Üretimi (Text Generation)
  Dil modelleri kullanarak doğal ve anlamlı metinler üretmek için kullanılır.
  • Örnek: Chatbotlar, içerik üretimi, yaratıcı yazarlık destek sistemleri
• Plagiarizm Tespiti ve Metin Doğrulama (Plagiarism Detection & Text Verification)
  Metinlerin özgünlüğünü kontrol etmek ve sahte bilgileri tespit etmek için kullanılır.
  • Örnek: Akademik intihal kontrolü, yanlış bilgi (fake news) tespiti
• Dil Modeli İnce Ayarı (Fine-Tuning Large Language Models)
  Belirli bir sektöre veya konuya özel dil modelleri oluşturmak için büyük ölçekli dil modellerinin ince ayarlanması.
  • Örnek: Hukuk, tıp, finans gibi alanlara özel metin analiz sistemleri

E-Ticaret ve Öneri Sistemleri (E-Commerce & Recommender Systems) Projeleri

Makine öğrenmesi, e-ticaret ve öneri sistemleri alanında birçok farklı görev için kullanılmaktadır.

• Ürün Öneri Sistemleri (Product Recommendation Systems)
  Kullanıcının geçmiş davranışlarına veya tercihlerine göre ürünler önermek için kullanılan sistemlerdir.
  • Örnek: Amazon’un kişisel ürün önerileri, eBay’in ürün tavsiyeleri
• Film ve İçerik Önerme (Movie & Content Recommendation)
  Kullanıcıların önceki izleme alışkanlıklarına göre yeni film veya dizi önerileri sunan sistemlerdir.
  • Örnek: Netflix, YouTube, Spotify içerik öneri algoritmaları
• Kişiselleştirilmiş Alışveriş Deneyimi (Personalized Shopping Experience)
  Kullanıcının alışveriş geçmişine ve tercihine dayalı olarak özelleştirilmiş bir alışveriş deneyimi yaratır.
  • Örnek: E-ticaret sitelerinin gibi markaların kişiselleştirilmiş alışveriş önerileri
• Dinamik Fiyatlandırma (Dynamic Pricing)
  Ürün fiyatlarını piyasa talebine, stok seviyelerine ve rakip fiyatlarına göre otomatik olarak ayarlayan sistemler.
  • Örnek: Havayolu biletleri, otel rezervasyonları, e-ticaret siteleri
• Sahtekarlık Tespiti (Fraud Detection)
  Dolandırıcılık, sahte incelemeler ve hileli işlemleri tespit etmek için anomali algılama yöntemleri kullanılır.
  • Örnek: Kredi kartı dolandırıcılığı, sahte kullanıcı hesapları, spam incelemeler
• Arama Motoru Optimizasyonu ve Ürün Keşfi (Search Engine Optimization & Product Discovery)
  Kullanıcıların aradıkları ürünleri daha hızlı bulabilmeleri için gelişmiş arama motorları ve öneri algoritmaları geliştirme.
  • Örnek: Amazon, eBay, Trendyol gibi platformlardaki gelişmiş ürün arama sistemleri
• Stok Yönetimi ve Talep Tahmini (Inventory Management & Demand Forecasting)
  Stok seviyelerini optimize etmek ve talebi tahmin etmek için veri analitiği ve makine öğrenmesi kullanılır.
  • Örnek: Tedarik zinciri optimizasyonu, perakende mağazalar için otomatik stok yenileme
• Müşteri Segmentasyonu ve Hedefli Reklamcılık (Customer Segmentation & Targeted Advertising)
  Kullanıcı davranışlarını analiz ederek farklı müşteri gruplarına özel reklamlar ve kampanyalar oluşturma.
  • Örnek: Google Ads, Facebook reklam algoritmaları, Amazon’un kişiselleştirilmiş pazarlama kampanyaları
• Görsel Arama ve Ürün Tanıma (Visual Search & Product Recognition)
  Kullanıcıların fotoğraf çekerek veya bir görsel yükleyerek benzer ürünleri bulmasını sağlayan sistemler.
  • Örnek: Pinterest Lens, Google Lens, moda ve mobilya alışveriş sitelerinde görsel tabanlı ürün arama
• Müşteri Geri Bildirimi Analizi (Customer Feedback Analysis)
  Müşteri yorumlarını ve geri bildirimlerini analiz ederek ürün veya hizmet iyileştirmeleri için içgörüler sağlama.
  • Örnek: Otomatik duygu analizi, müşteri şikayetlerinin sınıflandırılması, chatbot destek sistemleri

Playing Games

Standart Program vs Klasik Makine Öğrenmesi vs Derin Öğrenme

• doğru davranışı manuel olarak programlama
• örneklerden öğrenen bir program yazma: öznitelikler manuel olarak tasarlanır.
• Özniteliklerin de öğrenilmesini içerir.

Kaynaklar

• https://web.cs.hacettepe.edu.tr/~erkut/ain311.f22/slides/l1-intro.pdf
• https://www.cs.toronto.edu/~rgrosse/courses/csc311_f21/lectures/lec01.pdf
• https://file.notion.so/f/f/e09557bf-95d6-4197-8bad-8e4abaa3d8d0/af98fb69-776f-42f3-a1b2-e39560f9574b/w01_1_introductions_slides.pdf?table=block&id=174946d7-006c-807b-8a77-cd8f43179c13&spaceId=e09557bf-95d6-4197-8bad-8e4abaa3d8d0&expirationTimestamp=1739736000000&signature=i2JMoJeNpvsSwZojvTa0Ibce0B489eMzJkc1RRF7mSM&downloadName=w01_1_introductions_slides.pdf