Maşın öyrənməsi (Machine Learning, ML) — süni intellektin (SI) bir sahəsidir ki, burada əsas məqsəd alqoritmlər və modellər yaratmaqdır ki, onlar verilənlərdən öyrənsinlər və zamanla öz fəaliyyətlərini yaxşılaşdırsınlar, amma bunun üçün hər hansı birbaşa proqramlaşdırma edilməyə ehtiyac yoxdur. Bu, deməkdir ki, alqoritmlər əvvəlcədən yazılmış qaydalarla deyil, verilənlərdəki naxışları və qanunauyğunluqları öyrənərək nəticələr çıxarır, proqnozlar verir və yeni qərarlar qəbul edir.

Maşın öyrənməsinin əsas ideyası, sistemin məlumatları təhlil edərək özündən əvvəl görmədiyi yeni vəziyyətlərdə də düzgün fəaliyyət göstərməsi üçün "öyrənməsini" təmin etməkdir.

Maşın Öyrənməsinin Əsas Növləri:

1) Nəzarət olunan öyrənmə (Supervised Learning):

Bu metodda, model əvvəlcədən işarələnmiş verilənlərlə təlim alır, yəni hər bir verilənlər cütünün daxilində həm giriş məlumatları, həm də düzgün cavab (etiket) mövcuddur. Alqoritm bu əlaqəni öyrənərək yeni verilənlər üçün düzgün cavabları təxmin etməyə çalışır. Nəzarət olunan öyrənmə üçün misallar:

• Klassifikasiya (məsələn, spam e-poçtlarını təyin etmək).
• Regressiya (məsələn, mənzil qiymətlərinin proqnozu).

2) Nəzarətsiz öyrənmə (Unsupervised Learning):

Nəzarətsiz öyrənmədə modelin üzərində işlədiyi verilənlərdə düzgün cavablar yoxdur. Bu metodda model verilənlərdəki naxışları və struktur dəyişikliklərini aşkar etməyə çalışır. Nəzarətsiz öyrənmənin misalları:

• Klasifikasiya (məsələn, müştəri seqmentləşməsi).
• Asosiasiya qaydaları (məsələn, supermarketdə müştərilərin hansı məhsulları birlikdə aldıqlarını öyrənmək).

3) Təcrübə ilə öyrənmə (Reinforcement Learning):

Təcrübə ilə öyrənmədə agent (alqoritm) bir mühitlə qarşılıqlı əlaqədə olur. Agent bir sıra hərəkətlər edir və bu hərəkətlərə görə mükafat və ya cəza alır. Bu, agentin uzun müddət ərzində maksimum mükafata çatmaq üçün öyrənməsinə səbəb olur. Bu növ öyrənmə aşağıdakı sahələrdə tətbiq olunur:

• Oyunlar (məsələn, Go və ya şahmat oynayan AI).
• Robototexnika (məsələn, robotların hərəkət etməsi və tapşırıqları yerinə yetirməsi).

4) Yarı nəzarət olunan öyrənmə (Semi-supervised Learning):

Yarı nəzarət olunan öyrənmə nəzarət olunan və nəzarətsiz öyrənmənin birləşməsidir. Burada çox sayda işarələnməmiş verilənlər və az sayda işarələnmiş verilənlər mövcuddur. Bu metod böyük verilənlərdən maksimum fayda əldə etməyə kömək edir.

5) Az sayda nümunə ilə öyrənmə (Few-shot Learning):

Bu yanaşmada model yalnız çox az sayda nümunə ilə öyrənir, bəzən hər bir sinif üçün yalnız bir neçə nümunə ilə. Bu metod, xüsusilə çox sayda verilən əldə etməyin çətin olduğu və ya qeyri-mümkün olduğu hallarda istifadə olunur.

Maşın Öyrənməsinin Əsas Addımları:

1) Verilənlərin Toplanması:

Maşın öyrənməsinin təməli verilənlərdir. Modelin keyfiyyəti və doğruluğu, istifadə olunan verilənlərin keyfiyyətindən asılıdır. Verilənlər müxtəlif mənbələrdən toplanır: məlumat bazalarından, veb səhifələrdən, sensorlardan, fayllardan və s.

2) Verilənlərin Emalı (Data Preprocessing):

Sərt və çirkli verilənlər təhlil etmədən əvvəl təmizlənməli, normallaşdırılmalı və lazım gəldikdə, bəzi dəyişikliklər edilməlidir. Bu mərhələdə verilənlərdəki səhvlər, itirilmiş dəyərlər və anomaliyalar aradan qaldırılır.

3) Verilənlərin Təlim və Test Qruplarına Bölünməsi:

Verilənlər hər zaman iki hissəyə bölünür: təlim və test dəstləri. Təlim dəsti modelin öyrədilməsi üçün istifadə edilir, test dəsti isə modelin nə dərəcədə düzgün nəticələr verdiyini yoxlamaq üçün istifadə olunur.

4) Modelin Seçilməsi:

Maşın öyrənməsi sahəsində çox sayda fərqli alqoritm mövcuddur. Hər bir alqoritm müxtəlif növ problemlərə uyğun gəlir. Məsələn, loji regresiya, qərar ağacları, naiv Bayes alqoritmi və ya neyron şəbəkələri klassifikasiya üçün istifadə oluna bilər.

5) Modelin Təlimi:

Bu mərhələdə, model verilənlərdən öyrənir və öz parametrlərini, mümkün qədər doğruluğu artırmaq üçün tənzimləyir.

6) Modelin Qiymətləndirilməsi və Test Edilməsi:

Təlim prosesi bitdikdən sonra, model test verilənləri üzərində sınaqdan keçirilir. Bu, modelin yeni verilənlər üzərində necə performans göstərdiyini və nəticə verəcəyini yoxlamağa imkan verir.

7) Optimallaşdırma və Yaxşılaşdırma:

Modelin test nəticələrinə əsaslanaraq optimallaşdırma addımları həyata keçirilir. Bu, hiperparametrlərin dəyişdirilməsi, daha çox verilən əlavə edilməsi və ya daha mürəkkəb metodların tətbiqi ilə edilə bilər.

Maşın Öyrənməsinin İstifadə Sahələri:

1) Şəkil və Üz Tanıma:

Maşın öyrənməsi şəkil və üz tanıma kimi məsələlərdə istifadə olunur. Məsələn, təhlükəsizlik sistemlərində üz tanıma, tibbi şəkil analizində xərçəngin aşkarlanması və s.

2) Maliyyə Analitikası:

Maşın öyrənməsi maliyyə bazarlarının təhlilində, fırıldaqçılığın aşkar edilməsində, risklərin idarə edilməsində və ticarət strategiyalarının qurulmasında istifadə olunur.

3) Tibbi Diaqnostika:

Maşın öyrənməsi, tibbi görüntüləri və məlumatları təhlil edərək həkimlərə diaqnoz qoymağa kömək edir, məsələn, tibbi görüntülərdən xərçəng hüceyrələrini tapmaq.

4) Fərdi Reklam və Marketinq:

Maşın öyrənməsi müştəri davranışlarını analiz edərək fərdi məhsul təklifləri və reklam kampaniyaları yaratmağa kömək edir.

5) Təbii Dil və Çat Botları:

Çat botları, mətn təhlili və səsli köməkçilər (məsələn, Google Assistant və ya Siri) maşın öyrənməsindən istifadə edərək istifadəçilərlə təbii şəkildə ünsiyyət qurur.

Maşın Öyrənməsinin Gələcəyi:

Maşın öyrənməsi, yeni metodlar və inkişaf etmiş alqoritmlərlə inkişaf etməyə davam edəcəkdir. Dərin öyrənmə (Deep Learning) sahəsinin inkişafı ilə alqoritmlər daha güclü və mürəkkəb problemləri həll edə biləcək. Öz-özünə öyrənmə və təcrübə ilə öyrənmə metodları da daha geniş tətbiq sahələrinə malik olacaqdır.

Lakin, maşın öyrənməsi daha çox verilən və hesablama gücü tələb etdiyi üçün məlumatların təhlükəsizliyi, gizlilik məsələləri və etik problemlər qarşısında yeni çağırışlar meydana çıxır.

Beləliklə, maşın öyrənməsi texnologiyası həyatımızda böyük bir rol oynamağa davam edəcək və iş və gündəlik həyatda bir çox sahəyə təsir göstərəcəkdir.