Gözetimsiz öğrenme

Gözetimsiz öğrenme, gözetimli öğrenmeden farklı olarak, verileri sebep-sonuç ya da giriş-çıkış şeklinde etiketlemeden, veri içerisinde var olan ilişkilerin ve yapıların öğrenilmesidir.^[1]^[2] Veri örneklerinin birbirine olan uzaklıklarını, komşuluk ilişkilerini ve yoğunluklarını kullanarak veriyle ilgili çıkarımlar yapılmasını sağlar. Gözetimsiz öğrenmenin iki önemli yaklaşımı boyut indirgeme ve kümelemedir.

Örneğin, bir sosyal ağda tanınan kişiler arkadaş olarak eklenir. Sosyal ağ sitesi ise üyelerini ekledikleri kişilere göre sınıflandırarak belirli arkadaş grupları oluşturur ve kullanıcılara “tanıyor olabileceğiniz kişiler” diyerek önerilerde bulunur. Sistemin kullanıcıya sunduğu “sadece tanıyor olabileceği kişiler arkadaşlık isteği gönderebilsin” seçeneği de gözetimsiz öğrenmeye örnek gösterilebilir.

Kısaca gözetimsiz öğrenmede veriler üzerinde bir ayırım yapmadan sisteme yüklenip, algoritma ile onu kendisinin ayırıp, kendisinin öğrenmesini beklenir.

Kaynakça

^ Çalışkan, Evrim (25 Nisan 2021). "Makine Öğrenmesinde Gözetimli ve Gözetimsiz Öğrenme". Medium (İngilizce). 26 Nisan 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Haziran 2021.
^ "Gözetimsiz Öğrenme (K-Merkezli Öbekleme)". Makine Öğrenimi. 23 Haziran 2017. 24 Haziran 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Haziran 2021.

İstatistik ile ilgili bu madde taslak seviyesindedir. Madde içeriğini genişleterek Vikipedi'ye katkı sağlayabilirsiniz.

[1] Çalışkan, Evrim (25 Nisan 2021). "Makine Öğrenmesinde Gözetimli ve Gözetimsiz Öğrenme". Medium (İngilizce). 26 Nisan 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Haziran 2021.

[2] "Gözetimsiz Öğrenme (K-Merkezli Öbekleme)". Makine Öğrenimi. 23 Haziran 2017. 24 Haziran 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Haziran 2021.

[1]

[2]