Bir makinanın bir insan gibi genel seviyeye benzer aktiviteleri gerçekleştirme veya çözme becerisidir.
Geçmişte birçok filme konu olan makine ve yapay zekâ algoritması günümüz dünyasında hızla gelişmeye devam ediyor. Son günlerde “Akıllı telefonlar, akıllı evler, akıllı fabrikalar, akıllı otomobiller” gibi sıklıkla duyduğumuz ön sıfatlar makine zekâsının ve yapay zekânın gelişimiyle hayatımıza girmiş olan kavramlardır.
Makineler genel olarak kendi kendine eğitme algoritması ile öğrenim sağlıyor. Gelişimi tetikleyen unsur ise hatalardan çıkarılan sonuçlarla bağlantılı oluyor. Bilgisayarla aktarılan verilerin işlenmesi sonucu, girdileri ve çıktıkları bünyesinde taratan, bu verilerin olasılıklarını hesaplayan ve çalıştıkça öğrenen bir yapıya sahip olan makine bu sayede öğrenmeye başlıyor. Girdilerin değerlendirmesini yaparak bir yol haritası çizen makine, çıktıkları sunuyor ve sonuçlarına göre bunu veri tabanına kaydediyor. Farklı ya da yeni girdilerde ise belirli parametrelerle öğrenmiş olan makine öğrenimlerinden ve hatalarından ders çıkararak “en iyi olan” yolu seçiyor. Analiz yeteneğini sürekli çalışarak geliştiren makine, bir bebeğin öğrenmesi gibi davranarak gelişimini sürdürüyor.
1959 yılında Arthur Samuel makine öğrenimini: “makinelerin bilhassa programlanmadığı sonuçları öğrenebilme kabiliyeti” olarak tanımlamıştır. Arthur Samuel, bilgisayar ortamında çalışabilen, kendi hatalarından ders alan ve böylece kendini geliştiren bir dama oyunu yapmıştır.
Makine öğrenimi de yapay zeka gibi yıllarca atıl durumda kalmıştır. 1990’lı yıllarda veri madenciliği kullanılmaya başlandığı döneme dek popüler olamamıştır. Veri madenciliği, elinde bulundurduğu verilerde benzer dizilere sahip, benzer motifleri açığa çıkarmak için kullanılan algoritmaların uygulamasıdır. Makine öğrenimi de aynısını yapmaktadır ancak veri madenciliği bir adım daha ileriye giderek, öğrendiği bilgiler ile ilgili programın davranışını değiştirir.
Makine öğrenimin popüler olmasını sağlayan uygulamalardan bir tanesi resim tanımadır. Bu uygulama ilk önce eğitilmesi gerekiyor. Başka bir değişle, ilgili resmin ne olduğunu makinenin öğrenebilmesi için binlerce kez benzer resimler gösterilmesi gerekiyor. Böylece makine benzer dizileri, benzer motifleri, benzer pikselleri tanıyarak artık o resimlerin ne olduğunu tanımlayabiliyor. Köpek, kedi, ağaç, ev gibi farklı resimleri ayırt edip aynı tip resimlerin birbirinin ortak noktalarını tespit ederek artık tanımlayabilir hale geliyor.
Online çalışan birçok uygulama makine öğrenimini şuan kullanmaktadır. Örneğin; Facebook size zaman tünelinde ne göstereceğini bu algoritma ile karar veriyor, Amazon hangi ürünlerini tavsiye edeceğini, Netflix hangi fimleri önereceğini yine makine öğrenimi ile karar veriyor. Ellerindeki mevcut verilere göre sizin nelerden hoşlanacağınızı tahmin edip ona göre karar veriyor.
Makine zekâsı ve yapay zekâ geliştikçe hayatımızın her alanında olan finans, güvenlik, sağlık, tarım, otomotiv, reklam, perakende gibi sektörlerde de yaygınlaşma devam ediyor. Birçok marka ve şirkete çoktan girmiş olan “makine zekâsı”, kişiselleştirilmiş deneyimlere ek olarak birçok alanda da fayda sağlayacak gibi görünüyor. Gün geçtikçe öğrenerek gelişen makine, esneklik ve çok yönlülük de kazanıyor. Farklı alanlarda karmaşık algoritmalarla taradıkları verileri analiz ederek o alana yönelik durumları öğrenen makine zekâsı, finans alanındaki dolandırıcılığın tespit edilmesinden tarım alanındaki sevilmeyen yabani otları tanıyıp yok etmesine kadar her alanda yaygınlaşmaya devam ediyor.
Aslında, makine öğrenimi istatistik, veri madenciliği ve tahmin analitikleri ile o kadar içi içe olmuştur ki birçok uzman onu yapay zeka kavramından ayırmak gerektiğine inanmaktadır. Gerçekçi olmak gerekirse, makine öğreniminin yapay zekada kullanılan özelliklere bilhassa ihtiyacı yok. Ancak diğer bir açıdan bakacak olursak birçok kişi makine öğrenimi kavramını daha çok kullanıyorlar zira yapay zeka kavramı kadar korkutucu değil. Makine öğrenimi, yapay zekaya göre aktif bir şekilde çalışıyor ve günlük hayatımızda kullanmaya başladık bile.
Neticede, yapay zeka ile makine öğrenimi kavramı o kadar iç içe geçti ki günümüzde piyasaya çıkan birçok uygulamada kombine şekilde sunulmaya başlandı. Örneğin, kişisel asistanlık uygulamaları ve botlar birçok yapay zeka özellikleri ile makine öğrenimi özelliklerini aynı anda barındırıyorlar.