Günümüzde yapay zeka (AI) ve makine öğrenimi (ML) her yerde. Arabanızın şeritte kalmasından, telefonunuzun yüzünüzü tanımasına kadar birçok alanda bu teknolojileri kullanıyoruz. Peki, bu “zeki” sistemler aslında nasıl çalışıyor? Kulağa ne kadar karmaşık gelse de, tüm bu başarının arkasında aslında matematik yatıyor. Ve evet, bu matematiği anlamak sandığınızdan daha keyifli olabilir! Bu yazıda, makine öğreniminin temel taşlarını oluşturan matematiksel kavramları, günlük hayattan örneklerle ve biraz da mizahla keşfedeceğiz. Hazırsanız, perde arkasındaki büyüyü birlikte çözelim! 🕵️‍♂️

1. Verilerin Dili: Vektörler ve Matrisler 📊

Makine öğreniminin hammaddesi veridir. Bir bilgisayara bir köpek resmini tanımayı öğretmek istediğinizde, aslında o resmi bir dizi sayıya dönüştürmeniz gerekir. İşte bu noktada lineer cebir devreye giriyor.

• Vektörler: Bir veri noktasını (örneğin bir evin fiyatını etkileyen metrekaresi, oda sayısı, yaşı gibi özellikler) bir vektör olarak düşünebiliriz. Vektörler, bir okun yönü ve uzunluğu gibi hayal edilebilir. Yön, özelliklerin birbiriyle ilişkisini; uzunluk ise o verinin büyüklüğünü temsil eder. 🏠

• Matrisler: Peki ya bir sürü evimiz varsa? Tüm bu vektörleri yan yana koyduğumuzda bir matris elde ederiz. Matrisler, verilerimizi düzenli bir tablo halinde tutmamızı ve üzerinde toplu işlemler yapmamızı sağlar.

Makine öğrenimi aslında bu matrisler üzerinde oynanan devasa bir oyun gibidir. Amacımız, bu sayı yığınlarının içinde anlamlı desenler yakalamaktır.

2. Benzerlik ve Uzaklık: Verileri Birbirine Bağlamak 📏

Diyelim ki elma ve portakalı birbirinden ayıran bir model oluşturuyorsunuz. Modelimiz, bir meyveyi elma yapan özelliklerin (kırmızı-yeşil renk, yuvarlak şekil) birbirine benzer olduğunu anlamalıdır. İşte bu benzerliği matematiksel olarak ifade etmek için analitik geometriden faydalanırız.

• İç Çarpım (Dot Product) ve Norm: İki veri noktası (vektör) arasındaki benzerliği veya uzaklığı hesaplamamızı sağlar. Örneğin, iki vektörün iç çarpımı büyükse, bu iki veri birbirine benziyor demektir (aralarındaki açı dardır). Uzaklık (norm) ise tam tersine, ne kadar farklı olduklarını gösterir.

• Açı: İki vektör arasındaki açı, onların ne kadar “aynı yönde” olduğunu söyler. Bu sayede, “sarı ve yuvarlak” olan bir meyvenin limon mu yoksa greyfurt mu olduğuna karar vermeye çalışan bir algoritma, bu özellikler arasındaki açısal ilişkileri kullanarak karar verebilir.

Bu kavramlar, destek vektör makineleri (SVM) gibi sınıflandırma algoritmalarının kalbinde yer alır. Algoritma, farklı sınıfları (örneğin “elma” ve “portakal”) birbirinden en iyi şekilde ayıran hayali bir çizgi bulmaya çalışır. 📈

3. Boyutları İndirgemek: İsrafa Son! 🗜️

Bir Instagram gönderisindeki milyonlarca pikseli düşünün. Bunların hepsi size anlamlı bir bilgi vermez; arka plandaki gökyüzü veya saçların dokusu gibi detaylar çoğu zaman gereksizdir. Boyut İndirgeme (Dimensionality Reduction) tam da bu noktada devreye girer.

Özellikle Temel Bileşen Analizi (PCA) en popüler yöntemlerden biridir. PCA’nın amacı, verideki en önemli bilgiyi koruyarak gereksiz boyutları (özellikleri) atmaktır. Bunu şöyle düşünebilirsiniz:

Elinizde 3 boyutlu bir nesnenin fotoğrafları olsun. Bu nesneyi anlamak için aslında 3 boyutun hepsine ihtiyacınız yoktur; onu en iyi temsil eden bir düzlem (2 boyut) bulup, nesneyi o düzleme yansıtabilirsiniz. İşte PCA da verilerimizi, bilgi kaybını en aza indirgeyerek daha düşük boyutlu bir “yansıma” üzerinde temsil eder. Bu sayede hem hesaplama hızlanır hem de veriyi görselleştirmek kolaylaşır. 🚀

4. Olasılık ve Belirsizlik: Kesin Olmayanın Bilimi 🎲

Hiçbir veri mükemmel değildir; gürültü (noise) her zaman vardır. Bir evin fiyatını tahmin etmeye çalışırken, konumunun yanı sıra o anki piyasa koşulları veya alıcının ruh hali gibi tahmin edemediğimiz faktörler de işin içine girer. İşte olasılık kuramı, bu belirsizlikle başa çıkmamızı sağlar.

• Olasılık Dağılımı: Bir rastgele değişkenin (örneğin “bugün yağmur yağma olasılığı”) alabileceği tüm değerleri ve bu değerlerin görülme sıklıklarını tanımlar.

• Gauss (Normal) Dağılımı: Çan eğrisi olarak da bilinen bu dağılım, doğada en sık karşılaştığımız dağılım türüdür. İnsanların boyu, bir ürünün ağırlığı gibi birçok özellik bu dağılıma uyar. Makine öğreniminde hata paylarını modellemek için sıklıkla kullanılır.

Bayes Teoremi ise olasılık dünyasının en önemli araçlarından biridir. Elimizdeki yeni bir veriyle (örneğin bir semptom) daha önceki bilgimizi (hastalığın genel görülme sıklığı) birleştirerek daha doğru bir sonuç (hastalığa yakalanma ihtimali) hesaplamamızı sağlar. 📉

5. Optimizasyon: En İyiyi Bulma Sanatı 🎯

Makine öğreniminin kalbindeki soru şudur: “Bu veriyi en iyi açıklayan model parametreleri hangileri?” Bu sorunun cevabını bulma sürecine optimizasyon denir. En çok kullanılan yöntem ise Gradyan İnişi‘dir (Gradient Descent).

Bir dağın zirvesinde olduğunuzu ve en kısa sürede denize inmek istediğinizi hayal edin. Gözlerinizi kapatıp en dik yokuşu hissetmeye çalışarak aşağı doğru adım atarsınız. Gradyan inişi de tam olarak bunu yapar: Hata fonksiyonumuzun en dik şekilde azaldığı yönü (negatif gradyanı) bularak o yönde adım adım ilerler. Her adımda hatamız biraz daha azalır ve sonunda en düşük noktaya (optimuma) ulaşırız. ⛰️➡️🏖️

Günümüzde, özellikle derin öğrenmede, bu optimizasyon süreci milyonlarca parametre üzerinde aynı anda gerçekleştirilir. Bu sayede bir yapay sinir ağı, kedileri tavşanlardan ayırmayı öğrenebilir! 🐱🐰

Sonuç: Matematiğin Gücüyle Geleceği Şekillendirmek

Gördüğünüz gibi, yapay zekanın ardındaki “akıl” aslında ustalıkla kullanılan matematiksel kavramlardan oluşuyor. Vektörlerden matrislere, olasılık teorisinden optimizasyon algoritmalarına kadar bu araçlar, birbirinden farklı ve karmaşık problemleri çözmemizi sağlıyor.

Bu yazıda bahsettiğimiz konular, sadece buzdağının görünen yüzü. Ancak bu temelleri sağlam bir şekilde anlamak, makine öğreniminin sadece kullanıcısı değil, aynı zamanda yarının teknolojilerini inşa edenlerinden olmanız için harika bir başlangıç noktasıdır. Umarım bu küçük yolculuk, perde arkasındaki matematiğin ne kadar zevkli ve güçlü olduğunu gösterebilmiştir. Bir sonraki yazıda görüşmek üzere! 👋

Bu yazı, alanında uzman isimlerin kapsamlı çalışmalarından derlenen bilgiler ışığında hazırlanmıştır. Konuya ilgi duyan okuyucuların, ilgili akademik kaynaklara başvurarak konuyu derinleştirmeleri tavsiye edilir.