Makine Öğrenimi Çalışmadan Önce Bilinmesi Gerekenler

Makine Öğrenimi çalışmaya başlamak bugünlerde bir çok kişinin yapılacaklar listesinin en üstünde yer alıyor. Makine öğrenimi çalışmadan önce bilinmesi gerekenler ve karşılaşılabilecek sorunlarla ilgili bir yazı hazırlamak istedim. Makine öğrenmesi yazılımı diğer yazılımlarda olduğu gibi belirli alt kümelerde uzmanlık gerektirir. Yani tek bir kursla hayalinizdeki projeyi hayata geçirmeyi düşünmeden önce, zamanınızı daha verimli kullanmaya odaklanmak ilerideki uzmanlığınızla ilgili bugünlerden bir birikim yapmanıza da neden olacak.

Aslında çalışmaya başlamadan önce bilmeniz veya yapmanız gerekenler tamamen sizin hedeflerinize bağlıdır. Bugün sadece teknoloji alanında değil bir çok alanda uzmanlar veya yetkin insanlar, kesin yargılarla öğreti dayamaları yapıyor. Bu durumu yanlış bulduğumu ifade etmeliyim. Her insan kendi öğrenme metotlarına sahiptir. Her insan özel bir çözüm için çalışıyor olabilir. Başarının, bilinenin aksine kesin bir tarifi yoktur. Aynı şeyleri yaparak çok iyi yazılımcı olduğunu düşündüğünüz kişiler belki de neyi farklı yaptıklarını da bilmiyorlar. Dolayısıyla odak noktanız hiç bir zaman, bir kurs listesi veya işin en temel noktaları olmasın. Yazı içerisinde birazdan paylaşılacak olanlar da öğrenme sürecinde elde edilen deneyimlerimi ve iş arkadaşlarımın karşılaştıkları zorlukları içeriyor.

Makine Öğrenimi Çalışmadan Önce Bilinmesi Gerekenler

Tekrar belirtmek isterim ki bu liste bir yol izlencesi olmayacak fakat ortalama bir kurstan daha fazlasını vereceğini düşündüğüm bir içerik olacak.

1. İstatistik ve Olasılık ile Cebir Becerileri : Makine öğreniminin nasıl çalıştığı ile ilgili detayları öğrenmek isteyenler buradan başlayabilir. Mühendislik veya İstatistik mezunlarının daha çok alt yapıya sahip olduğu konular, algoritmaları ve uygulama derslerini takip ederken hızlı bir adaptasyon sağlıyor. Veri biliminin temelinde yatan istatistiksel kurallar ilk aşamada daha nitelikli bilgi elde etmenizi sağlayacak. Doğrusal ayrıştırma, En yakın komşu K gibi kavramları ilk kez duyduğunuzda makine öğrenimi çalışmanızı yavaşlatmayın. Anlamadığınız konuları not ederek, bu konuları içeren istatistik derslerine de çalışılmalı. Meraklıları için makine öğrenimi matematiği ile ilgili yazımda daha detay bilgiler var.
2. Programlama Alt Yapısı : Programlama alt yapısı denilince aklınıza akan yeşil ekranlar gelmesin. Bazı programcılar ilk birkaç aylarında çok yoğun bir öğrenme temposuyla programlama yeteneklerini geliştirir. Bir çok programcı da uygulama yazılımları yaparak öğrenmeye daha çok zaman ayırır. Dolayısıyla makine öğrenimi çalışmadan önce programlama alanında uzun yıllar tecrübe sahibi olmak gerekir gibi katı yargılara aldırış etmeyin. Çalışmalarınızı bir hedef doğrultusunda şekillendirdiğinizde hem zamanınızı daha verimli kullanır hem de öğrenme motivasyonunu yükseltmiş olursunuz. Her gün yeni kütüphanelerin ve öğreticilerin ortaya çıktığı günümüzde her bilgiyi edinmek için acele etmeyin. Programlama becerilerinizi geliştirmek isterseniz, bu konu ile ilgili benzer yazılarımı okuyabilirsiniz.
3. Başlamak ve Seçim : Bir çok kişi önce Python mı, R mı çalışmaya karar verme konusunda kararsız kalıyor. İnternetten edinilen bilgiler ve tecrübeli insanların konuşmaları bazı öğretilere dayanıyor. Açıkcası C++ için de çok detaylı kütüphaneler kullanarak öğrenme süreci tamamlanabilir. Bu tarz konularda tercih yapılırken genelde, en çok kullanılan programlama dilleri seçilir. Bunun sebebi ise sorunla karşılaşılırsa cevap alınma olasılığının yüksek olacağı inancıdır. Aynı şekilde belirli algoritmaların uygulamalarını yaparken farklı yolları denemek isteyen kişilerle de karşılaşıyoruz. Tüm konuları bitirmeye çalışmak ve sonrasında anlaşılmayan bölümler için detaylı çalışmak daha iyi bir yol. Bazen anlatımı dinlediğiniz yerdeki sorunlardan da kaynaklı anlaşılmayan konular olabilir. Dolayısıyla öğrenme bütünlüğünü sağlayabilmek için her konuyu tüm detayıyla anlamaya çalışmayın. Bugüne kadar öğrendiğiniz disiplinlerin aksine, şu an çalıştığınız konulardaki blur taraflar farklı bir bilim dalındaki eksik bilginizden kaynaklanıyor olabilir. Sonuç olarak “versus” çılgınlığını bir tarafa bırakıp hepsi ile ilgili genel anlatımları öğrenmeye odaklanın. İlerleyen süreçlerde uzmanlaşacağınız programlama dili, en kült veri kaynağınız, en çok kullandığınız algoritmalar gibi tercihleriniz olacak. Hatta bu tercihleriniz zaman zaman köklü bir değişim de gösterecek. Bu değişim süreçlerinde en büyük avantajınız hızlı olmak ve erken başlayan olmak avantaj sağlayacaktır. Başlamak her zaman seçimden daha etkili bir tercih olacaktır. Öğrendiklerinden zararlı çıkan birini göreniniz var mı bilmiyorum ama ertelemekten zarar gören çok fazla kişi var.
4. Yardımcı Disiplinler : Optimizasyon, stokastik süreçler, çok değişkenli istatistik gibi bir çok alanda öneriler duymanız çok normal. Bu konulardaki detayları öğrenmek ise makine öğrenimi dışındaki konularda da bilgi sahibi olmanız gerçeğini gösteriyor. İstatistik alanındaki çalışmalarınız makine öğrenimi için daha iyi çalışmaları ortaya çıkarmanıza yardımcı olacak. Bilgisayar bilimleri bölümlerinde ki lineer cebir, mantık ve olasılık dersleri tam da makine öğrenimi için alt yapı hazırlayacak şekilde oluşturuluyor.
5. Veri Tabanı Sistemleri : Veri makine öğrenimi için en önemli parametre. Bir veri tabanı yöneticisi kadar detaylı veri tabanı kullanmayı beklemeyin. Eğer daha önce herhangi bir yazılım dilinde veri tabanındaki temel işlemleri uyguladıysanız, makine öğrenimi için yeterli veri tabanı bilgisine sahipsiniz diyebiliriz.
6. Çıkarsamalı İstatistik : Bugüne kadar kullandığınız excel metrikleri büyük ihtimalle tanımlayıcı istatistik ile ilgili kavramları karşınıza çıkarıyor. Çıkarsamalı istatistik ise verinizden karar verme ve sonuca ulaşma konusunda kullanılacak istatistiksel yöntemleri içeriyor.

Makine Öğrenimi Çalışmak için Hangi Yöntemler Kullanılıyor

Makine Öğrenimi çalışan kişiler genellikle mühendislik veya istatistik bölümlerinden mezun olan yazılımcılar oluyor. Bu alanlardaki insanların makine öğrenimi konusunda geliştirmeler yapması ise her şeye temelden başlayacak uzmanlara nazaran daha zor bir süreç geçirmelerini sağlıyor. Dolayısıyla makine öğrenimi ile ilgili hedeflerinizi belirlerken, bunu hobi olarak mı meslek olarak mı icra edeceğiniz konusunda küçük bir düşünme sürecine girin. Düşüncelerinizi bu alandaki uzman kişilere aktarın ve kendinizi veri bilimi denizinde boğulmadan hedefinize gidecek bir harita ile sonuçlandırın.

Makine öğrenimi çalışan kişiler en çok satan kitaplar ve video kursları tercih ediyor. Bunların sadece birer başlangıç olduğunu unutmayın. Bazen çok uzun saatler sürecek kurslarla karşılaşıyorum. Bu kursların içeriğinde anlatılanlar elbette harika bilgiler sunuyor. Yalnız, makine öğrenimi gibi alanlar başka alanlarda çalışan uzmanlar için mesleklerine hemen katkı sağlayabilecek alt konuları içerir. Bu sebeple örneğin bir ziraat mühendisi iseniz öncelikle alanınızdaki makine öğrenimi kullanımlarını araştırın. Bu araştırma süreci öğrenme sürecinizdeki motivasyonu daha yüksek tutacağı gibi günlük iş sürecinizde yeni bir pencereden hayata bakmanızı sağlayacaktır.

Kariyerim için Makine Öğrenimi Konusunda Çalışmalı Mıyım?

Az önce bir ziraat mühendisinin öğrenme sürecindeki motivasyonunu yüksek tutmak için alanındaki geliştirmeleri izlemesi gerektiğini önermiştik. Makine öğrenimi gibi uzun zaman alacak konularda çalışırken hayatın içerisinden örnekler, daha sık çalışmaya ve birikimli öğrenmeye yönelik becerilere/eylemlere katkı sağlar. Bir ziraat mühendisi için makine öğrenimi konusundaki çalışmaları, iş hayatında aktif kullanmasa bile dünyadaki gelişmeleri ve gelecekteki rakiplerini tanımak için ona en büyük vizyonu katacaktır.

Tarım sektöründe 100 yıllık bir süreçteki ilerlemeyi düşünüp gelişimi özetlememiz için bu iki görsel yeterli olacaktır. Unutulmaması gereken bir detay ise teknolojinin tüm alanlardan daha hızlı ilerlediği gerçeği. Dolayısıyla makine öğrenimi konusu ile tarımdaki ilerlemelerden yüzyıl geri kalmak bir iki yıl içerisinde de mümkün olabilir. Üretilen tohumlardan, hasat tekniklerine ve verimli iş gücü kullanımına kadar bir çok alt alanda yapılan gelişmeler işinizde kullandığınız tekniklerin bir anda çok verimsiz olmasını sağlayabilir.

Yukarıdaki örnekte drone cihazlar günlük skorlarından gelecekteki hasat hesaplamalarını yapıyor. Müdahale edilmesi gereken veya verimliliğin düşük olduğu bölgeler için yönlendirmeler yapıyor.

Her alanda benzer makine öğrenimi örnekleri verilebilir. Bu sebeple her detayı öğrenmekten önce bir an evvel adapte olmaya çalışılmalı.