AUZEF Makine Öğrenmesi Çıkmış Sorular

Makine Öğrenmesi dersi; verinin tanınması ve hazırlanması, Python ile görselleştirme, öğrenme türleri, k-Ortalamalar, k-En Yakın Komşu, Naive Bayes, karar ağaçları, regresyon ve yapay sinir ağlarını kapsar. Ayrıca yapay zekânın tarihçesi ve model başarımının ölçülmesi de işlenir.

Yapay zekâ ve makine öğrenmesine genel bakış

• Makine öğrenmesi; bir görevde deneyimden öğrenip başarımını artıran sistemdir. Programlama dili temel unsur değil, yalnızca uygulama aracıdır.
• Yapay zekâ teriminin babası John McCarthy kabul edilir.
• Turing Testi'nde soru soran bir insan denek de bulunur; yalnızca bilgisayarlardan oluşmaz.
• ChatGPT büyük dil modeline örnektir; üretken yapay zekâ yeni içerik üretir, veri tabanı yönetim sistemi üretmez.
• Anaconda Navigator, veri bilimi araçlarını tek platformda toplar.

Öğrenme türleri

• Danışmanlı (denetimli) öğrenmede hedef nitelik zorunludur; sınıflandırma ve regresyon bu gruptadır.
• Danışmansız öğrenme etiketsiz veriyle çalışır: kümeleme, boyut azaltma, anormallik tespiti.
• Pekiştirmeli öğrenmede program, değişken ortamda amaca ulaşmak için nasıl davranacağını öğrenir.
• Q-Learning değer tabanlı bir pekiştirmeli yöntemdir; Monte-Carlo Tree Search oyun gibi geniş durum uzaylarında kullanılır.
• Apriori, birlikte satın alınan ürünleri bulmada kullanılır.

Veri türleri ve veri hazırlama

• Ayrık veri sayımla elde edilir (arama sayısı); boy gibi ölçümler süreklidir.
• Sıralı (ordinal) kategorik veride doğal sıra vardır; küçük-orta-büyük gibi.
• Kategorik eksik değer için en sık görülen kategori (mod) atanabilir.
• Sürekli değerleri gruplara bölmek veri ayrıklaştırmadır.
• Yapay (dummy) kodlamada tabloda sütunu olmayan kategori, tüm sütunların 0 olmasıyla anlaşılır.
• MinMaxScaler değerleri [0,1] aralığına çeker; StandardScaler ortalamayı 0, standart sapmayı 1 yapar.

Python ile inceleme ve görselleştirme

• describe() sayısal sütunların özet istatistiklerini verir; duplicated() tekrar eden satırları bulur.
• Matplotlib ve Seaborn görselleştirme kütüphaneleridir.
• Kutu grafiği aykırı değerleri gösterir; histogram tek niteliğin dağılımını gösterir.
• İki nitelik arasındaki ilişki saçılım grafiğiyle (plt.scatter) incelenir.
• plt.barh() yatay sütun grafiği çizer; Seaborn histogramı yatay çizmek için y parametresi kullanılır.

k-Ortalamalar ve k-En Yakın Komşu

• k-Ortalamalar kümeleme algoritmasıdır; KMeans içindeki n_clusters küme sayısını belirler.
• Silhouette katsayısı 1'e yaklaştıkça kümeleme iyidir; en yüksek değerli k seçilir.
• k-EYK, yeni örneği en yakın k komşusunun çoğunluk sınıfına atar; sınıflandırma ve değer tahmini yapabilir.
• Uzaklık ölçüleri: Öklid, Manhattan, Chebyshev, Cosine, Jaccard, Gower. Adam bir uzaklık ölçüsü değildir.
• KNeighborsClassifier, sklearn.neighbors modülündedir.

Naive Bayes, karar ağaçları ve SVM

• Naive Bayes olasılığa ve niteliklerin bağımsızlığı varsayımına dayanır; örnek, olasılığı en yüksek sınıfa atanır.
• Tam Bayes sınıflandırıcı nitelikler arası bağımlılığı da hesaba katar; ikisi aynı değildir.
• Sürekli niteliklerde Gauss dağılımı, sayım verisinde Multinomial Naive Bayes kullanılır.
• Karar ağaçları: ID3, C4.5, C5.0, CART. ID4.5 ve ID8.15 diye algoritma yoktur.
• Karar ağacı sınıflandırmasında örneğin nitelikleri sınanarak ağaçta bir yol izlenir ve sınıf etiketi bulunur.
• SVM yapısal risk minimizasyonuna dayanır; sınıfları hiper düzlem ayırır.

Regresyon ve başarım ölçme

• Tahmin Y = β0 + β1X1 + β2X2 formülüyle bulunur; katsayılar yerine konup hesaplanır.
• p-değeri 0.05'ten küçükse nitelik modele anlamlı katkı yapar.
• R formülünde bağımlı değişken ~ solunda, açıklayıcılar sağında + ile yazılır.
• Regresyon başarısı mean_squared_error ile ölçülür.
• StratifiedKFold sınıf oranlarını koruyan tabakalı çapraz geçerlemedir; n_splits kat sayısıdır.
• Destek (support) bir başarı ölçütü değil, sınıftaki gözlem sayısıdır.

Yapay sinir ağları ve derin öğrenme

• Net girdi, girdi ile ağırlıkların çarpımlarının toplamıdır.
• Ağ girdi, ara (gizli) ve çıktı katmanlarından oluşur.
• Eğitimde geriye yayılım hatayı çıkıştan girişe taşıyıp ağırlıkları günceller.
• Keras Sequential modelinde katmanlar model.add() ile eklenir.
• Derin öğrenmede derinlik katman sayısıdır; kavramlar basitten karmaşığa hiyerarşik öğrenilir.

Aykırı değer

Diğer gözlemlerden belirgin biçimde uzakta kalan, genel dağılımın dışındaki gözlemdir.

Veri ayrıklaştırma

Sürekli sayısal değerlerin aralıklara bölünerek kategorik hale getirilmesidir.

Kümeleme

Etiketsiz verilerde benzer örneklerin gruplanmasıdır; danışmansız öğrenmeye girer.

Silhouette katsayısı

Kümeleme kalitesini -1 ile 1 arasında ölçer.

Çoğunluk oylaması

k-EYK'da en yakın komşular arasında en çok tekrar eden sınıfın atanmasıdır.

Naive Bayes

Bayes Teoremi'ne ve nitelik bağımsızlığı varsayımına dayanan olasılıksal sınıflandırıcıdır.

p-değeri

Regresyonda katsayının anlamlılığını gösterir; 0.05'in altı anlamlıdır.

Çapraz geçerleme

Veriyi parçalara bölüp model başarımını dönüşümlü olarak ölçen yöntemdir.

Geriye yayılım

Hatayı çıkıştan girişe ileterek ağ ağırlıklarını güncelleyen eğitim algoritmasıdır.

Hiper düzlem

SVM'de iki sınıfı en uygun biçimde ayıran doğrudur.

Pekiştirmeli öğrenme

Ajanın ortamla etkileşerek amaca ulaşmak için davranış öğrenmesidir.

• Danışmanlı ve danışmansız öğrenmeyi karıştırma: hedef nitelik varsa danışmanlı, yoksa danışmansız öğrenmedir.
• Histogram tek nitelik, saçılım grafiği iki nitelik arası ilişki, kutu grafiği aykırı değer içindir.
• Ayrık veri sayılır (adet), sürekli veri ölçülür (boy); nominal veride sıra yoktur, ordinalde vardır.
• Naive Bayes ile tam Bayes aynı değildir; sınıf, olasılığı en yüksek olana atanır.
• Hesaplama sorularında (regresyon, net girdi) değerleri formülde yerine koyup işlemleri adım adım yap.