Makine Öğrenmesi Nedir? Çocuklar İçin Anlaşılır Anlatım

Bir bisiklete binmeyi nasıl öğrendiğinizi hatırlıyor musunuz? Kimse size “sol ayağını 12 derece eğ, gidonu 3 santim sağa çevir” diye bir kural listesi vermedi. Denediniz, düştünüz, tekrar denediniz. Her denemede vücudunuz biraz daha iyi ayar yapmayı öğrendi. Makine öğrenmesi de özünde buna benzer: bilgisayara her adımı tek tek söylemek yerine, ona çok sayıda örnek gösterip kendi kurallarını bulmasını sağlamak.

Bu yazıda makine öğrenmesinin ne olduğunu, klasik programlamadan farkını ve evde bir kağıt kalemle bile deneyebileceğiniz küçük bir etkinliği anlatacağız.

Klasik programlama ile makine öğrenmesi arasındaki fark

Klasik programlamada bilgisayara bir tarif veririz. Örneğin “Sayı 2’ye tam bölünüyorsa çift yaz, bölünmüyorsa tek yaz.” Bilgisayar bu kuralı harfiyen uygular. Kuralı biz yazdık, bilgisayar sadece takip ediyor.

Peki şu soruya kural yazmayı deneyin: “Bu fotoğrafta kedi var mı?” Kedinin kulakları sivri olabilir ama bazı kedilerin kulakları katlanmıştır. Kediler siyah, beyaz, turuncu, çizgili olabilir. Uyurken, zıplarken, kutunun içinden yarım bakarken görünebilirler. Bütün bu durumları kapsayan bir kural listesi yazmak neredeyse imkansızdır.

Makine öğrenmesi burada devreye girer. Kural yazmak yerine şunu yaparız:

1. Bilgisayara binlerce fotoğraf veririz.
2. Her fotoğrafın yanına doğru cevabı yazarız: “kedi” ya da “kedi değil”.
3. Bilgisayar bu örneklere bakarak kediyi kedi yapan örüntüleri kendisi bulur.
4. Sonra hiç görmediği yeni bir fotoğrafta tahmin yapar.

Kısacası: klasik programlamada kuralı insan yazar; makine öğrenmesinde kuralı makine örneklerden çıkarır.

Bir benzetme: çilek mi, domates mi?

Diyelim ki küçük kardeşinize çilek ile domatesi ayırt etmeyi öğretiyorsunuz. Ona bir tanım ezberletmek yerine sepetten tek tek meyve çıkarıp gösteriyorsunuz: “Bu çilek. Bu domates. Bu da çilek.” Bir süre sonra kardeşiniz fark ediyor: çileklerin üzerinde minik noktalar var, domatesler daha yuvarlak ve parlak. Artık yeni bir meyve gördüğünde tahmin edebiliyor.

Makine öğrenmesi modelleri de benzer şekilde çalışır. Önemli kelimeleri şöyle eşleştirebiliriz:

• Veri: Sepetteki meyveler, yani gösterdiğimiz örnekler.
• Etiket: “Bu çilek” dediğimiz doğru cevap.
• Özellik: Renk, şekil, yüzeydeki noktalar gibi dikkat edilen ipuçları.
• Model: Kardeşinizin kafasında oluşan “çilek şöyle bir şeydir” fikri.
• Tahmin: Yeni bir meyve gördüğünde verdiği cevap.

Makine öğrenmesinin üç ana türü

Makine öğrenmesi tek bir yöntem değil, bir aile. En sık bahsedilen üç türü şöyle özetleyebiliriz.

Denetimli öğrenme (etiketli örneklerle)

Yukarıdaki çilek örneği budur. Her örneğin doğru cevabı bellidir. Model, tahminleri ile doğru cevaplar arasındaki farkı azaltmaya çalışarak öğrenir. E-postaların “istenmeyen” ya da “normal” diye ayrılması, bir evin özelliklerinden fiyatının tahmin edilmesi bu türe örnektir.

Denetimsiz öğrenme (etiket olmadan)

Bu kez örneklerin doğru cevabı yok. Bir kutu dolusu karışık Lego parçasını düşünün. Kimse size “bunlar tekerlek, bunlar pencere” demiyor ama siz parçaları renk ve şekillerine göre gruplara ayırıyorsunuz. Denetimsiz öğrenme de verideki benzerlikleri bulup gruplar oluşturur. Örneğin bir müzik uygulaması, birlikte dinlenen şarkıları kendiliğinden gruplayabilir.

Pekiştirmeli öğrenme (ödül ve ceza ile)

Bir köpeğe oturmayı öğretirken her doğru hareketinde ödül verirsiniz. Pekiştirmeli öğrenmede de bir “ajan” bir ortamda denemeler yapar; iyi sonuçlar puan kazandırır, kötü sonuçlar puan kaybettirir. Zamanla en çok puanı getiren stratejiyi öğrenir. Bilgisayar oyunları oynayan yapay zekalar ve robotların yürümeyi öğrenmesi bu yaklaşımla ilgilidir.

Model gerçekte nasıl “öğrenir”?

“Öğrenmek” kelimesi biraz gizemli görünebilir, ama arkasında oldukça somut bir süreç vardır. Basitleştirilmiş haliyle:

1. Model önce rastgele ayarlarla başlar. İlk tahminleri neredeyse tamamen tesadüfidir.
2. Bir örneğe bakar ve tahmin yapar.
3. Tahmini doğru cevapla karşılaştırılır ve ne kadar yanıldığı bir sayıyla ölçülür. Buna hata ya da kayıp denir.
4. Model, hatayı biraz azaltacak yönde iç ayarlarını küçük adımlarla değiştirir.
5. Bu işlem binlerce, bazen milyonlarca kez tekrarlanır.

Bunu karanlık bir odada bir radyonun frekans düğmesini çevirmeye benzetebilirsiniz. Cızırtı artıyorsa ters yöne, azalıyorsa aynı yöne biraz daha çevirirsiniz. Sonunda istasyonu net duyarsınız. Model de “cızırtıyı”, yani hatasını azaltacak yönü bularak ilerler.

Evde deneyin: kağıttan bir sınıflandırıcı

Bu etkinlik için bilgisayara bile ihtiyaç yok. 15-20 dakika sürer.

Malzemeler: Evdeki 10-12 farklı nesne (kalem, kaşık, oyuncak, meyve, kitap gibi), bir kağıt, bir kalem.

Adımlar:

1. Nesneleri “mutfakta kullanılır” ve “mutfakta kullanılmaz” diye iki gruba ayırın. Bu sizin etiketli veriniz.
2. Her nesne için birkaç özellik yazın: Metal mi? Yenebilir mi? Avuç içine sığar mı?
3. Çocuğunuzdan, bu özelliklere bakarak bir kural bulmasını isteyin. Örneğin “Metalse ve avuca sığıyorsa mutfakta kullanılır.”
4. Sonra listede olmayan yeni bir nesne getirin ve kuralı test edin.
5. Kural yanıldı mı? Neden yanıldığını konuşun ve kuralı düzeltin.

Bu küçük oyunda makine öğrenmesinin tüm adımları var: veri toplamak, özellik seçmek, bir model kurmak, test etmek ve hatadan öğrenerek iyileştirmek. Üstelik önemli bir ders de çıkar: Az ve tek tip örnekle kurulan kural, yeni durumlarda kolayca yanılır. Bu konuyu veri seti nedir yazımızda daha ayrıntılı ele alıyoruz.

Makine öğrenmesi günlük hayatımızın neresinde?

Farkında olmasak da makine öğrenmesi pek çok yerde çalışıyor:

• Telefonunuzdaki klavyenin bir sonraki kelimeyi önermesi
• Video platformlarının “bunu da beğenebilirsin” önerileri
• Fotoğraf uygulamasının yüzleri gruplaması
• Haritaların trafik yoğunluğunu tahmin etmesi
• E-posta kutusundaki istenmeyen mesaj filtresi

Bunları çocuğunuzla birlikte fark etmek, yapay zekayı sihirli bir kutu olmaktan çıkarıp anlaşılır bir araca dönüştürür.

Makine öğrenmesinin sınırları

Makine öğrenmesi güçlüdür ama her şeyi bilmez. Çocuklarla konuşurken şu noktaları vurgulamak önemlidir:

• Model sadece gördüğü örnekler kadar iyidir. Hep beyaz kedi fotoğrafıyla eğitilen bir model, siyah kediyi tanımakta zorlanabilir.
• Model “anlamaz”, örüntü bulur. Kediyi kedi yapan şeyin ne olduğunu bizim gibi kavramaz; sayılar arasındaki ilişkileri yakalar.
• Model yanılabilir ve yanıldığını söylemeyebilir. Bu yüzden sonuçlara eleştirel gözle bakmak gerekir.

Bu sınırlar, bir sonraki adımda karşımıza çıkacak önyargı ve güvenilirlik konularının temelidir. Merak edenler için yapay zeka önyargısı yazımız iyi bir devam olur.

Kısacası

Makine öğrenmesi, bilgisayarın kural listesi yerine örneklerden öğrenmesidir. Veri, etiket, model ve tahmin kavramlarını kavrayan bir çocuk, kullandığı uygulamaların arkasında ne olduğunu sormaya başlar. Bu soru, yapay zekayı yalnızca kullanan değil, onunla bir şey üreten biri olmanın ilk adımıdır.

L’Atelier AI’da öğrenciler bu kavramları küçük projeler üzerinde, mentor gözetiminde ve atölye hesaplarıyla deneyerek keşfediyor. Programın seviyelerini merak ediyorsanız program sayfamıza göz atabilirsiniz.