Makine Öğrenimi

Finansal hizmetler

Finans sektöründeki bankalar ve diğer işletmeler, makine öğrenimi teknolojisini iki temel amaç için kullanır: verilerdeki önemli bilgileri belirlemek ve suistimali önlemek. İçgörüler, yatırım fırsatlarını belirleyebilir veya yatırımcıların ne zaman ticaret yapacaklarını bilmelerine yardımcı olabilir. Veri madenciliği ayrıca yüksek riskli profillere sahip müşterileri belirleyebilir veya suistimalin uyarı işaretlerini saptamak için siber gözetimi kullanabilir.

Kamu

Kamu güvenliği ve kamu hizmetleri sunan devlet kurumları, içgörüler için çıkarılabilecek birden fazla veri kaynağına sahip olduklarından, makine öğrenimine özel ihtiyaç duyarlar. Örneğin sensör verilerini analiz etmek, verimliliği artırmanın ve paradan tasarruf etmenin yollarını tanımlar. Makine öğrenimi ayrıca suistimali tespit etmeye ve kimlik hırsızlığını en aza indirmeyet yardımcı olabilir.

Sağlık hizmetleri

Makine öğrenimi, bir hastanın sağlığını gerçek zamanlı olarak değerlendirmek için verileri kullanabilen giyilebilir cihazların ve sensörlerin ortaya çıkışı sayesinde sağlık endüstrisinde hızla büyüyen bir trend. Teknoloji ayrıca tıp uzmanlarının daha iyi teşhis ve tedaviye yol açabilecek eğilimleri veya tehlike işaretlerini belirlemek için verileri analiz etmesine yardımcı olabilir.

Perakende

Önceki alışverişlerinize dayanarak beğenebileceğiniz ürünleri öneren web siteleri, satın alma geçmişinizi analiz etmek için makine öğrenimini kullanıyor. Perakendeciler, verileri yakalamak, analiz etmek ve bir alışveriş deneyimini kişiselleştirmek, bir pazarlama kampanyası uygulamak, fiyat optimizasyonu, ürün tedarik planlaması ve müşteri bilgileri için kullanmak adına makine öğrenimine güvenir.

Petrol ve gaz

Yeni enerji kaynakları bulmak. Topraktaki mineralleri analiz etmek. Rafineri sensör arızasını tahmin etmek. Daha verimli ve uygun maliyetli hâle getirmek için petrol dağıtımını kolaylaştırmak. Bu endüstri için makine öğrenimi kullanım örneklerinin sayısı çoktur ve hâlâ genişlemektedir.

Ulaşım

Modelleri ve eğilimleri belirlemek için verileri analiz etmek, rotaları daha verimli hâle getirmeye ve kârlılığı artırmak için olası sorunları tahmin etmeye dayanan ulaşım endüstrisinin anahtarıdır. Makine öğreniminin veri analizi ve modelleme yönleri, dağıtım şirketleri, toplu ulaşım ve diğer ulaşım organizasyonları için önemli araçlardır.

Gözetimli öğrenme algoritmaları, istenen çıktının bilindiği bir girdi gibi etiketli örnekler kullanılarak eğitilir. Örneğin, bir ekipman parçası “F” (başarısız) veya “R” (çalışıyor) olarak etiketlenmiş veri noktalarına sahip olabilir. Öğrenme algoritması, karşılık gelen doğru çıktılarla birlikte bir dizi girdi alır ve algoritma, hataları bulmak için gerçek çıktısını doğru çıktılarla karşılaştırarak öğrenir. Daha sonra modeli buna göre değiştirir. Sınıflandırma, regresyon, tahmin ve gradyan artırma gibi yöntemlerle denetimli öğrenme, ek etiketlenmemiş veriler üzerindeki etiketin değerlerini tahmin etmek için örüntüleri kullanır. Denetimli öğrenme, geçmiş verilerin olası gelecekteki olayları öngördüğü uygulamalarda yaygın olarak kullanılır. Örneğin, kredi kartı işlemlerinin ne zaman hileli olabileceğini veya hangi sigorta müşterisinin talepte bulunacağını tahmin edebilir.

Gözetimsiz öğrenme, geçmiş etiketleri olmayan verilere karşı kullanılır. Sisteme “doğru cevap” söylenmez. Algoritma neyin gösterildiğini bulmalıdır. Hedef, verileri keşfetmek ve içinde bir yapı bulmaktır. Gözetimsiz öğrenme, işlem verileri üzerinde iyi çalışır. Örneğin, daha sonra pazarlama kampanyalarında benzer şekilde ele alınabilecek benzer özelliklere sahip müşteri segmentlerini belirleyebilir. Veya müşteri segmentlerini birbirinden ayıran ana özellikleri bulabilir. Popüler teknikler arasında kendi kendini organize eden haritalar, en yakın komşu sınıflandırma, k-ortalama kümeleme ve Tekil değer ayrıştırması yer alır. Bu algoritmalar ayrıca metin konularını bölümlere ayırmak, ögeler önermek ve aykırı verileri belirlemek için de kullanılır.

Yarı gözetimli öğrenme, gözetimli öğrenme ile aynı uygulamalar için kullanılır. Ancak eğitim için hem etiketli hem de etiketsiz verileri kullanır. Tipik olarak büyük miktarda etiketlenmemiş veriyle birlikte az miktarda etiketlenmiş veri (çünkü etiketlenmemiş veriler daha ucuzdur ve elde edilmesi daha az çaba gerektirir). Bu öğrenme türü sınıflandırma, regresyon ve tahmin gibi yöntemlerle kullanılabilir. Yarı gözetimli öğrenme, etiketlemeyle ilişkili maliyet, tam olarak etiketlenmiş bir eğitim sürecine izin vermeyecek kadar yüksek olduğunda faydalıdır. Bunun ilk örnekleri, bir web kamerasında kişinin yüzünü tanımlamayı içerir.

Pekiştirmeli öğrenme genellikle robotik, oyun ve navigasyon için kullanılır. Pekiştirmeli öğrenme ile algoritma, hangi eylemlerin en büyük ödülleri verdiğini deneme yanılma yoluyla keşfeder. Bu tür öğrenmenin üç temel bileşeni vardır: agent(öğrenen veya karar verici), çevre (agent’ın etkileşimde bulunduğu her şey) ve eylemler (agent’ın yapabilecekleri). Amaç, agent’ın belirli bir süre boyunca beklenen ödülü en üst düzeye çıkaran eylemleri seçmesidir. Agent, iyi bir politika izleyerek hedefe çok daha hızlı ulaşacaktır. Dolayısıyla takviyeli öğrenmede amaç en iyi politikayı öğrenmektir.