Teknolojinin hızla ilerlediği çağımızda, “veri bilimi” ve “makine öğrenimi” terimleri hemen hemen her sektörde karşımıza çıkmaktadır. Ancak bu terimlerin ne anlama geldiğini ve birbiriyle nasıl ilişkili olduklarını anlamak, konunun daha iyi kavranmasını sağlar.
Makine Öğrenimi Nedir?
Makine öğrenimi, verilerden model öğrenen algoritmaların genel adıdır. Bu algoritmalara veri sağlandığında, onlar manuel olarak belirlenen kurallar yerine, verilen veriye göre öngörülerde bulunan modeller geliştirirler. Örneğin, bir spam filtresi uygulaması düşünün. Geleneksel programlama yaklaşımı, bazı e-postalara bakarak ve/veya alan bilgisini kullanarak “eğer bu e-posta X kelimesini içeriyorsa spam olarak etiketle, aksi takdirde …” gibi kurallar zinciri oluşturmaktır. Makine öğrenimi algoritmaları ise, etiketlenmiş e-posta veri setlerine bakar ve spam ile non-spam e-postaları ayırmak için kurallar türetir.
Peki Veri Bilimi Nedir?
“Veri bilimi”, disiplinler arası bir alan olup, insanların farklı bağlamlarda farklı şeyler anlamasına neden olan belirsiz bir terimdir. Pratikte, veri bilimi, daha çok Veri Madenciliği veya Veri Tabanlarında Bilgi Keşfi (KDD) ile özdeşleştirilir. Bir veri bilimcinin tipik becerileri şunlardır:
- Bilgisayar Bilimi: Programlama, donanım anlayışı vb.
- Matematik: Doğrusal cebir, hesap, istatistik.
- İletişim: Görselleştirme ve sunum becerileri.
- Alan Bilgisi: Sektöre özgü derin bilgi.
Makine öğrenimi, öğrenme algoritmalarının kullanımı ve geliştirilmesi ile ilgiliyken, veri bilimi daha çok belirli soruları cevaplamak veya belirli problemleri çözmek için verilerden bilgi çıkarmayla ilgilidir.
Makine Öğrenimi ve Veri Bilimi Nasıl Birlikte Çalışır?
Bir “veri bilimi” projesinde makine öğrenimi sıklıkla büyük bir rol oynar. Örneğin, keşifsel analiz ve keşif için (kümeleme algoritmaları) ve öngörücü modeller oluşturmak için (gözetimli öğrenme algoritmaları) sıkça kullanılır. Ancak veri biliminde, veri toplama, düzenleme ve temizleme (yani, veri mühendisliği) ve sonuçta, belirli bir problemi çözmenize yardımcı olan verilerden sonuçlar çıkarmak da önemlidir.
Veri Biliminin Uygulamaları
Veri biliminin uygulamalarına sayısız örnek verilebilir. Bir kredi şirketi için çalıştığınızı varsayalım. Patronunuz size bir müşterinin kredi değerliliğini belirlemenizi söylüyor. İşlem verileri, belki de nakliye kayıtları ve müşteri değerlendirmeleri toplarsınız. Sonraki adımda, muhtemelen öngörücü bir model öğrenmek için bir makine öğrenimi algoritması kullanırsınız. Diyelim ki bir karar ağacı geliştirmeyi seçtiniz ve bu belirli müşterinin kredi değerli olmadığı sonucuna vardınız. Son olarak, patronunuzun “Bu müşteri neden kredi değerli değil?” sorusunu cevaplamak için karar ağacını görselleştiren güzel bir sunum hazırlarsınız.
Bu örnekler ve açıklamalar, veri bilimi ve makine öğreniminin temel kavramlarını ve bu alanların nasıl birlikte işlediğini göstermektedir. Her ikisi de modern iş dünyasında kritik öneme sahip olup, verilerden değer yaratma ve bilgi çıkarımında hayati rol oynamaktadır.
Turhan Can Kargın 