Machine Learning (Maşın Öyrənməsi) — kompüter sistemlərinin hər bir qaydanın ayrıca proqramlaşdırılmasına ehtiyac olmadan məlumatlardan nümunələr öyrənərək proqnoz və qərarlar verməsinə imkan verən Süni İntellekt istiqamətidir. Sadə dillə desək, klassik proqramlaşdırmada proqramçı sistemə hansı vəziyyətdə nə etməli olduğunu qaydalar şəklində yazır. Machine Learning-də isə sistemə məlumat və uyğun öyrənmə üsulu təqdim olunur. Model həmin məlumat daxilindəki əlaqələri və nümunələri öyrənərək daha sonra yeni məlumatlar üzərində nəticə çıxarmağa çalışır. Məsələn, minlərlə e-poçtun “spam” və “spam deyil” olaraq işarələndiyi məlumat dəsti vasitəsilə Machine Learning modeli öyrədilə bilər. Model e-poçtlardakı nümunələri öyrəndikdən sonra daha əvvəl görmədiyi yeni mesajın spam olub-olmadığını təxmin edə bilər. Machine Learning bu gün tövsiyə sistemlərindən və fırıldaqçılığın aşkarlanmasından görüntü tanıma, tibbi analiz, maliyyə proqnozları və süni intellekt tətbiqlərinə qədər müxtəlif sahələrdə istifadə olunur.

Machine Learning necə işləyir?

Machine Learning sisteminin əsas məqsədi mövcud məlumatlardan müəyyən qanunauyğunluqları öyrənmək və həmin bilikləri yeni məlumatlara tətbiq etməkdir. Tipik Machine Learning layihəsi bir neçə mərhələdən ibarətdir. İlk mərhələdə modelin həll etməli olduğu problem müəyyən edilir. Məsələn, məqsəd mənzil qiymətini proqnozlaşdırmaq, müştərinin məhsulu alıb-almayacağını müəyyən etmək və ya şəkildə hansı obyektin olduğunu tanımaq ola bilər. Daha sonra uyğun məlumatlar toplanır və hazırlanır. Machine Learning modelinin nəticəsi böyük ölçüdə istifadə olunan Data Set-in keyfiyyətindən asılıdır. Məlumatlar təmizləndikdən və model üçün uyğun formaya gətirildikdən sonra Machine Learning alqoritmi həmin məlumat üzərində öyrədilir. Training prosesi zamanı model məlumat daxilindəki əlaqələri müəyyən etməyə və səhvlərini azaltmağa çalışır. Hazırlanmış model daha əvvəl görmədiyi məlumatlar üzərində yoxlanılır. Məqsəd modelin yalnız təlim məlumatlarını yadda saxlamadığını, yeni məlumatlar üzərində də düzgün nəticələr verə bildiyini müəyyən etməkdir.

Machine Learning modeli nədir?

Machine Learning modeli məlumatlardan öyrənilmiş əlaqələri istifadə edərək yeni məlumatlar haqqında nəticə çıxaran riyazi və hesablama sistemidir.

Məsələn, mənzil qiymətlərini proqnozlaşdıran model aşağıdakı məlumatlardan istifadə edə bilər:

• mənzilin sahəsi;
• otaqların sayı;
• yerləşdiyi ərazi;
• binanın yaşı;
• mərtəbə;
• təmir vəziyyəti.

Model keçmiş satış məlumatlarını analiz edərək bu xüsusiyyətlərlə qiymət arasındakı əlaqələri öyrənir. Daha sonra yeni mənzil haqqında məlumat verildikdə onun ehtimal olunan qiymətini hesablaya bilər. Machine Learning-də alqoritm və model eyni anlayış deyil. Alqoritm məlumatlardan öyrənmək üçün istifadə olunan üsuldur. Model isə həmin alqoritmin konkret məlumat üzərində öyrədilməsi nəticəsində yaranan sistemdir.

Machine Learning-in əsas növləri hansılardır?

Machine Learning-də müxtəlif öyrənmə yanaşmaları mövcuddur. Ən çox istifadə olunan əsas istiqamətlər Supervised Learning, Unsupervised Learning və Reinforcement Learning-dir.

Supervised Learning nədir?

Supervised Learning — Nəzarətli Öyrənmə zamanı model etiketlənmiş məlumatlarla öyrədilir. Yəni hər nümunə üçün düzgün nəticə əvvəlcədən məlum olur.

Məsələn:

E-poçt Nəticə

Mesaj 1 Spam

Mesaj 2 Spam deyil

Mesaj 3 Spam

Model bu nümunələrdən spam mesajlarını fərqləndirən xüsusiyyətləri öyrənir və daha sonra yeni mesajları təsnif etməyə çalışır. Supervised Learning əsasən iki növ məsələdə istifadə olunur: Classification və Regression.

Classification nədir?

Classification modelin məlumatı müəyyən kateqoriyalardan birinə aid etməsidir.

Məsələn:

• spam / spam deyil;
• kredit təsdiqlənsin / təsdiqlənməsin;
• xəstəlik var / yoxdur;
• şəkil pişikdir / itdir.

Classification nəticəsi adətən kateqorik olur.

Regression nədir?

Regression rəqəmsal nəticənin proqnozlaşdırılması üçün istifadə olunur.

Məsələn:

• evin qiymətinin hesablanması;
• gələn ayın satış həcminin proqnozlaşdırılması;
• məhsula olan tələbin təxmin edilməsi;
• temperaturun proqnozlaşdırılması.

Classification “hansı kateqoriyadır?” sualına cavab verirsə, regression daha çox “nə qədər?” sualına cavab verir.

Unsupervised Learning nədir?

Unsupervised Learning — Nəzarətsiz Öyrənmə zamanı modelə əvvəlcədən düzgün cavablarla etiketlənmiş məlumat təqdim edilmir. Model məlumat daxilindəki oxşarlıqları, fərqləri və strukturları özü müəyyən etməyə çalışır. Bunun ən məşhur nümunələrindən biri clustering-dir. Məsələn, onlayn mağaza minlərlə müştərinin davranış məlumatlarını analiz edərək onları alış vərdişlərinə görə müxtəlif qruplara ayıra bilər. Bir qrup tez-tez alış-veriş edən müştərilər, digəri endirim kampaniyalarına daha çox reaksiya verənlər, başqa qrup isə müəyyən məhsul kateqoriyasına maraq göstərənlər ola bilər. Bu segmentlər əvvəlcədən sistemə verilməyib. Model məlumatdakı oxşarlıqları analiz edərək onları müəyyən edir.

Reinforcement Learning nədir?

Reinforcement Learning — Gücləndirici Öyrənmə sistemin müəyyən mühitdə hərəkətlər edərək nəticələrdən öyrənməsinə əsaslanır. Bu yanaşmada model və ya agent etdiyi hərəkətlərə görə mükafat və ya mənfi nəticə əldə edir. Agent zamanla hansı hərəkətlərin daha yüksək mükafat verdiyini öyrənməyə çalışır. Reinforcement Learning robototexnika, oyun sistemləri, resurs optimallaşdırılması və ardıcıl qərarvermə tələb edən digər məsələlərdə istifadə edilə bilər.

Data Set Machine Learning üçün niyə vacibdir?

Machine Learning modelinin öyrənməsi üçün məlumat lazımdır. Bu məlumatların toplandığı struktur Data Set adlanır. Data Set-dəki məlumatın keyfiyyəti modelin nəticəsinə birbaşa təsir edə bilər.

Məsələn, kredit riskini qiymətləndirən sistem yalnız müəyyən müştəri qrupunun məlumatları üzərində öyrədilərsə, model başqa qruplar haqqında zəif nəticələr verə bilər. Məlumatlarda səhvlər, çatışmayan dəyərlər, dublikatlar və ya yanlış etiketlər varsa, model də həmin problemlərdən təsirlənə bilər. Bu səbəbdən Machine Learning layihələrində model qurmazdan əvvəl məlumatların toplanması, yoxlanılması və Data Cleaning mərhələsi vacibdir.

Feature nədir?

Feature modelin qərar vermək üçün istifadə etdiyi giriş xüsusiyyətidir.

Məsələn, mənzil qiymətini proqnozlaşdıran model üçün:

• sahə;
• otaq sayı;
• rayon;
• mərtəbə;
• binanın yaşı

feature hesab edilə bilər. Düzgün feature-lərin seçilməsi modelin performansına ciddi təsir edə bilər. Mövcud məlumatlardan model üçün daha faydalı xüsusiyyətlərin hazırlanması isə Feature Engineering adlanır.

Training, Validation və Test Data nədir?

Machine Learning layihələrində bütün məlumatı birbaşa modelin öyrədilməsi üçün istifadə etmək düzgün yanaşma deyil. Data Set adətən müxtəlif hissələrə bölünür. Training Data modelin öyrənməsi üçün istifadə olunur. Validation Data modelin parametrlərini və fərqli versiyalarını müqayisə etmək üçün istifadə edilə bilər. Test Data isə modelin daha əvvəl görmədiyi məlumatlarda necə işlədiyini qiymətləndirmək üçün saxlanılır. Bu yanaşma modelin real dünyada yeni məlumatlarla işləmə qabiliyyətini daha düzgün ölçməyə kömək edir.

Overfitting nədir?

Overfitting modelin training data-nı həddindən artıq yaxşı öyrənməsi, lakin yeni məlumatlarda zəif nəticə göstərməsi halıdır. Sadə dillə desək, model qaydanı öyrənmək əvəzinə təlim məlumatının detallarını “əzbərləyir”. Məsələn, model training data-da 99% dəqiqlik göstərə bilər, lakin yeni test məlumatlarında nəticəsi xeyli aşağı ola bilər. Machine Learning-də məqsəd yalnız training data üzərində yüksək nəticə əldə etmək deyil. Model yeni və əvvəl görmədiyi məlumatlara da düzgün generalizasiya etməlidir.

Underfitting nədir?

Underfitting modelin məlumatdakı əsas əlaqələri belə kifayət qədər öyrənə bilmədiyi haldır. Belə model həm training data, həm də yeni məlumatlarda zəif nəticə göstərə bilər. Underfitting modelin həddindən artıq sadə olması, uyğun feature-lərin seçilməməsi və ya kifayət qədər training aparılmaması kimi səbəblərdən yarana bilər. Machine Learning prosesində məqsəd underfitting və overfitting arasında düzgün balans tapmaqdır.

Machine Learning modeli necə qiymətləndirilir?

Modelin performansını ölçmək üçün problem növündən asılı olaraq müxtəlif metrikalardan istifadə olunur.

Classification modellərində:

• Accuracy;
• Precision;
• Recall;
• F1 Score;
• ROC-AUC

kimi göstəricilərdən istifadə etmək mümkündür.

Regression modellərində isə:

• MAE;
• MSE;
• RMSE;
• R²

kimi metrikalar geniş istifadə olunur. Sadəcə yüksək accuracy görmək hər zaman modelin yaxşı işlədiyini göstərmir. Xüsusilə data balanssızdırsa, Precision, Recall və F1 Score kimi digər göstəriciləri də nəzərə almaq vacibdir.

Machine Learning alqoritmləri hansılardır?

Machine Learning-də problemdən və məlumatın xüsusiyyətindən asılı olaraq müxtəlif alqoritmlər istifadə olunur.

Ən tanınmış nümunələr arasında:

• Linear Regression;
• Logistic Regression;
• Decision Tree;
• Random Forest;
• K-Nearest Neighbors;
• Support Vector Machine;
• K-Means;
• Gradient Boosting

kimi alqoritmlər var. “Ən yaxşı Machine Learning alqoritmi hansıdır?” sualının universal cavabı yoxdur. Doğru seçim problemin növündən, data-nın xüsusiyyətlərindən, performans tələblərindən və interpretasiya ehtiyacından asılıdır.

Machine Learning və Süni İntellekt arasında fərq nədir?

Süni İntellekt — kompüter sistemlərinin adətən insan zəkası ilə əlaqələndirilən tapşırıqları yerinə yetirməsinə yönəlmiş daha geniş anlayışdır. Machine Learning isə Süni İntellektin daxilində məlumatlardan öyrənməyə əsaslanan istiqamətlərdən biridir.

Sadə struktur belə göstərilə bilər:

Süni İntellekt → Machine Learning → Deep Learning

Bütün Machine Learning sistemləri Süni İntellekt sahəsinə daxildir, lakin bütün Süni İntellekt sistemləri Machine Learning istifadə etmək məcburiyyətində deyil.

Machine Learning və Deep Learning arasında fərq nədir?

Deep Learning Machine Learning-in daha spesifik istiqamətidir. Klassik Machine Learning alqoritmlərində feature-lərin hazırlanması və seçilməsi prosesində insanın rolu daha böyük ola bilər. Deep Learning-də isə çoxqatlı neyron şəbəkələri böyük həcmli məlumatlardan mürəkkəb xüsusiyyətləri avtomatik şəkildə öyrənə bilir. Deep Learning xüsusilə Computer Vision, NLP, səs emalı və böyük dil modelləri kimi sahələrdə geniş istifadə olunur. LLM-lər də Deep Learning texnologiyalarına əsaslanan modellərdir.

Machine Learning və Data Analitika arasında fərq nədir?

Data Analitika və Machine Learning bir-biri ilə əlaqəli olsa da, eyni anlayış deyil. Data Analitika əsasən məlumatları araşdıraraq nə baş verdiyini, niyə baş verdiyini və hansı nəticələrin çıxarıla biləcəyini anlamağa yönəlir. Machine Learning isə məlumatlardan öyrənərək yeni məlumatlar üçün proqnoz, təsnifat və digər avtomatlaşdırılmış nəticələr yaratmağa imkan verir. Praktik layihələrdə bu iki sahə tez-tez birlikdə istifadə olunur. Məsələn, Data Analitik satış tarixçəsini araşdıraraq satışların hansı aylarda artdığını müəyyən edə bilər. Machine Learning modeli isə həmin məlumatlara əsasən gələcək satış həcmini proqnozlaşdırmağa çalışa bilər.

Machine Learning harada istifadə olunur?

Machine Learning gündəlik istifadə etdiyimiz bir çox rəqəmsal sistemin arxasında işləyə bilər.

Əsas istifadə sahələrinə aşağıdakılar daxildir:

Tövsiyə sistemləri — istifadəçinin əvvəlki davranışına əsasən məhsul, film və ya digər məzmun tövsiyələri.

Fraud Detection — şübhəli bank və ödəniş əməliyyatlarının aşkarlanması.

Spam Detection — arzuolunmaz e-poçtların müəyyən edilməsi.

Computer Vision — şəkillərdə obyektlərin və digər vizual nümunələrin tanınması.

NLP — mətnlərin təsnifatı, sentiment analizi və dil əsaslı sistemlər.

Proqnozlaşdırma — satış, tələb, qiymət və müxtəlif zaman sıralarının proqnozlaşdırılması.

Müştəri segmentasiyası — istifadəçilərin davranış və xüsusiyyətlərinə əsasən müxtəlif qruplara ayrılması.

Machine Learning üçün Python niyə istifadə olunur?

Python Machine Learning və Data Science sahəsində geniş istifadə olunan proqramlaşdırma dillərindən biridir.Onun əsas üstünlüklərindən biri sadə və oxunaqlı sintaksisə malik olmasıdır. Bundan əlavə, Python üçün məlumatların analizi və Machine Learning məqsədilə geniş kitabxana ekosistemi mövcuddur.

Məsələn:

NumPy — rəqəmsal hesablamalar;

Pandas — məlumatlarla işləmək;

Matplotlib — vizuallaşdırma;

Scikit-learn — klassik Machine Learning;

PyTorch və TensorFlow — Deep Learning

kimi alətlərdən istifadə edilə bilər. Bu səbəbdən Machine Learning öyrənmək istəyənlər üçün Python yaxşı başlanğıc nöqtələrindən biridir.

Machine Learning öyrənməyə haradan başlamaq lazımdır?

Machine Learning-ə birbaşa mürəkkəb modellərlə başlamaq lazım deyil. İlk mərhələdə Python proqramlaşdırmanın əsaslarını öyrənmək faydalıdır.

Daha sonra:

1. riyaziyyat və statistikanın əsasları;
2. NumPy və Pandas;
3. məlumatların təmizlənməsi və vizuallaşdırılması;
4. Data Set-lərlə işləmək;
5. Supervised və Unsupervised Learning;
6. Classification və Regression;
7. model evaluation;
8. real Machine Learning layihələri

üzərində işləmək olar. Daha sonra Deep Learning, NLP, Computer Vision, LLM və MLOps kimi daha qabaqcıl istiqamətlərə keçmək mümkündür. Machine Learning yalnız alqoritmlərin adlarını öyrənməkdən ibarət deyil. Əsas məqsəd problemi düzgün müəyyənləşdirmək, uyğun məlumatı hazırlamaq, doğru modeli seçmək və əldə edilən nəticəni düzgün qiymətləndirə bilməkdir.

Machine Learning, Deep Learning, NLP, Computer Vision, LLM və digər müasir Süni İntellekt texnologiyalarını praktiki layihələrlə öyrənmək istəyirsinizsə, JET Academy-nin Süni İntellekt Mühəndisliyi Təlimi ilə tanış ola bilərsiniz.