Unsupervised Learning – (Denetimsiz Öğrenme)

Unsupervised Learning (Denetimsiz Öğrenme), makine öğrenmesinde modelin etiketlenmemiş (unlabeled) veri kümeleri üzerinde eğitim alarak verilerdeki gizli örüntüleri, yapıları ve ilişkileri keşfetmesini sağlayan öğrenme paradigmasıdır. Denetimli öğrenmeden farklı olarak bu yaklaşımda veri örneklerine ait doğru çıktılar veya hedef değişkenler bulunmaz. Model, yalnızca giriş verilerini analiz ederek benzerlikleri, farklılıkları ve veri içindeki doğal organizasyonu belirlemeye çalışır. Bu nedenle denetimsiz öğrenme, özellikle keşifsel veri analizi (exploratory data analysis), veri madenciliği ve büyük veri analizlerinde yaygın olarak kullanılmaktadır.

Denetimsiz öğrenmenin temel amacı, veri kümesinin altında yatan yapıyı ortaya çıkarmaktır. Bu kapsamda en yaygın kullanılan görevlerden biri kümeleme (clustering) olup, benzer özelliklere sahip veri örneklerini aynı grupta toplamayı hedefler. K-Means, Hiyerarşik Kümeleme (Hierarchical Clustering), DBSCAN ve Gaussian Mixture Models (GMM) bu alandaki yaygın algoritmalardır. Bir diğer önemli görev ise boyut indirgeme (dimensionality reduction) olup, yüksek boyutlu verilerin bilgi kaybını en aza indirerek daha düşük boyutlarda temsil edilmesini sağlar. Başlıca boyut indirgeme yöntemleri arasında Temel Bileşenler Analizi (Principal Component Analysis – PCA), t-Distributed Stochastic Neighbor Embedding (t-SNE), Uniform Manifold Approximation and Projection (UMAP) ve otomatik kodlayıcılar (Autoencoders) yer almaktadır. Ayrıca birliktelik kuralları çıkarımı (association rule learning), yoğunluk tahmini ve anomali tespiti de denetimsiz öğrenmenin önemli uygulama alanlarıdır.

Unsupervised Learning; müşteri segmentasyonu, öneri sistemleri, belge organizasyonu, sosyal ağ analizi, biyoinformatik, genomik araştırmalar, görüntü işleme, siber güvenlik ve dolandırıcılık tespiti gibi çok çeşitli alanlarda kullanılmaktadır. Örneğin bir e-ticaret şirketi, müşteri davranışlarını önceden tanımlanmış kategoriler olmaksızın analiz ederek benzer alışveriş alışkanlıklarına sahip kullanıcı gruplarını belirleyebilir. Denetimsiz öğrenme, veri keşfi açısından büyük avantaj sağlamakla birlikte elde edilen sonuçların yorumlanması çoğu zaman alan uzmanlığı gerektirir ve performans değerlendirmesi denetimli öğrenmeye göre daha zordur. Buna rağmen etiketli veriye ihtiyaç duymaması, büyük veri kümelerindeki gizli örüntüleri ortaya çıkarabilmesi ve yeni bilgi üretimine katkı sağlaması nedeniyle denetimsiz öğrenme, modern yapay zekâ ve veri bilimi çalışmalarının temel öğrenme yaklaşımlarından biri olarak kabul edilmektedir.