Veri Madenciliği

Veri Madenciliği ve Makina Öğrenmesi 
İlk bilgisayarlar üretildiğinden beri, bilgisayarların insanlar gibi öğrenip öğrenemeyeceği tartışma ve 
merak konusu olmuştur. Bilgisayarların öğrenmesi konusunu inceleyen akademik disiplin makina 
öğrenmesidir. 
Eğer bir şey, davranışlarını ileride kendisine avantaj sağlayacak bir şekilde değiştirebiliyorsa, o şeyin 
öğrendiğini söyleyebiliriz. 
Makina öğrenmesinin genel bir tanımını yaparsak; eğer bir bilgisayar programı, belirli bir işteki 
performansını, tecrübe edindikçe artırıyorsa, makina öğrenmesinden bahsedebiliriz. Makina öğrenmesini 
ilgilendiren bir kaç öğrenme süreci aşağıdaki gibidir: 

Konuşulan kelimeleri anlamayı öğrenmek 

Araba kullanmayı öğrenmek 

Uzay cisimlerini sınıflandırmayı öğrenmek 

Satranç oynamayı öğrenmek 

---

2 
Makina öğrenmesi, veri madenciliği gibi bir çok disiplin ile ilişkili bir disiplindir. Yapay zeka, olasılık ve 
istatistik, bilgi teorisi, psikoloji, felsefe ve sinir bilim disiplinlerinde geliştirilen tekniklerden yararlanır. 
Veri madenciliğinde kullanılan algoritmaların bir kısmı makina öğrenmesi alanındaki çalışmalar sonucu 
üretilmiştir. 
Veri madenciliğinin istatistik ile makina öğrenmesinin arasında durduğunu söylemiştik. Bu önermeye bir 
başka önemli kanıt ise karar ağaçları ve yakın komşuluk algoritmalarıdır. Bu iki algoritma da veri 
madencileri tarafından sınıflama ve kümeleme amacıyla kullanılır. Bu iki algoritmanın başka bir özelliği 
ise tarihsel olarak eş zamanlı bir şekilde hem makina öğrenmesi ile ilgilenen bilim insanları hem de 
istatistik ile uğraşan bilim insanları tarafından üstelik birbirinden habersiz bir şekilde bulunmuş olmasıdır. 
Girdilerin ve çıktıların, modelleme çalışmasını yapan kişi tarafından belirlendiği yönteme gözetimli 
öğrenme denir. Bu çalışmada, kullanılan veri madenciliği algoritması, verili girdiden, olması gereken 
çıktıya en yakın sonucu elde edecek fonksiyonu bulmayı amaçlar. Bir sonraki bölümde bahsi geçecek 
olan öngörü modellemesi teknikleri gözetimli öğrenme teknikleridir. 
Gözetimsiz öğrenmede ise, girdiler ve çıktılar belli değildir. İlgili algoritma bütün verileri girdi olarak alır 
ve bir örüntü saptamaya çalışır. Yine bir sonraki bölümde bahsi geçecek olan birliktelik analizi ve 
kümeleme gözetimsiz öğrenme teknikleridir.