Makine Öğrenmesi Kullanım Alanları: 13 Farklı Örnek

Makine öğrenmesi, sistemlerin açık bir şekilde programlanmadan, bir önceki deneyimlerinden otomatik olarak öğrenme ve geliştirme yeteneği sağlayan ve kullanım alanları günden güne artan bir yapay zeka uygulamasıdır. Deneyimlediği uygulamalar ile gelecekte, önceden deneyimlemiş olduğu uygulamalara benzer ya da paralel olan yeni uygulamaları en az insan müdahalesi olacak şekilde kararlar alarak gerçekleştiren bir teknoloji olarak birçok sektörde kullanılabilmektedir.
Makine Öğrenmesi Kullanım Alanları
Makine öğrenmesi en çok aşağıdaki alanlarda kullanılmaktadır:
Spam mail saptama
En çok aşina olduğumuz uygulama budur. Gelen mailleri spam ve spam olmayan diye belirleyin. Daha sonrasında bu maillere benzer mailler geldiğinde makine öğrenmesi ile sistem spam olarak gelen mailleri spam klasörüne, spam olmayanlar gelen kutusuna yönlendirecektir.
Yüz tanıma
Bir sistem içindeki milyonlarca fotoğraftan birine, bir kişiyi tanımlarsanız. Daha sonraki uygulamalarda bu fotoğraftaki yüzü tanıyarak doğru kişiyi atayabilecektir. Aslında buna aşinayız. Facebook’ta arkadaşınızla çekildiğiniz bir fotoğrafı etiketlerken, arkadaşınızın yüzüne tıkladığınızda Facebook direk olarak arkadaşınızı getirecektir. Facebook bu tahminleri %98 doğrulukta yapmaktadır.
Kredi kartı sahtekarlık tespiti
Kredi kartı sahiplerinin günlük yaptığı aktiviteler, uygulamalar, bu uygulamaları yaptığı platformlar (bilgisayar, akıllı telefon gibi) makine öğrenmesi sayesinde günü gününe veri olarak saklanırsa, daha sonraki şüpheli bir işlem sırasında bunu saptayabilir ve bu sahtekarlığı önüne geçilebilir.
Rakam tanıma
Rakamların sistemlere tanıtıldığını düşünün. Bu rakamlar bir posta firması tarafından kullanılacak olursa, adreslerin posta kodları ne kadar komplike olursa olsun sistem tarafından tanınabilir ve postalar sistemdeki eşleşen adreslere otomatik olarak gönderilebilir.
Ses tanıma
Sisteme sesinizi tanıtacak olursanız, sistem sesinizi algılayarak daha sonraki başka isteklerinizden sesinizi sistemde eşleştirecek ve sizi algılayarak isteğinizi yerine getirecektir. Eğer başkası kullanmaya kalkarsa onu eşleştiremediği için tepki vermeyecektir. Buna da aşinayız. Iphone cihazlarındaki SİRİ buna örnek olarak gösterilebilir. Diğer bir örnek de google’ın sesli arama özelliğidir.
Ürün önerme
Müşterilerin alışveriş alışkanlıkları sistem tarafından algılandığı zaman, bunlar değerlendirilerek, müşterinin genel olarak hangi ürünleri aldığı ya da hangi ürünleri almadığı tespit edilir ve daha sonra bu müşterinin alışveriş alışkanlıkları göz önünde bulundurularak bu müşteriye ilgilenebileceği yeni ürünler önerilebilir.
Hastalık tanısı
Hastaların, hastalık sürecinde yaşadığı semptomlar sistemlere tanıtılırsa, daha sonra buna benzer başka hastalık teşhislerinde kullanılabilir. Örneğin onkoloji ve patoloji bölümleri kanserli dokuyu tanımak için makine öğrenimini kullanır.
Trafik tahmini
Gündelik olarak alınan trafik verileri sisteme yüklenirse, sistem daha sonra oluşacak trafik bilgileri hakkında yorumlama yapabilir. Örneğin Salı günü saat 15.00’da Vatan Caddesindeki trafik yoğunluğunu öngörebilir.
Karakter analizi
Google otomatik sayfa çevirilerinde kullanılan bir sistemdir. Yabancı dildeki kelimelerin ve harflerin karşılıkları sistemde analiz edilerek sayfa çevirileri gerçekleştirilebilir.
Havacılık
Makine öğrenmesi teknolojisinin yardımıyla otomatik pilot özelliği daha verimli kullanılabiliyor. The NewYork Times’ın bir raporunda, pilotların kalkış ve iniş sırasında sadece yedi dakikalık manuel uçuş yaptıklarını ve geri kalan uçuşun otomatik pilot tarafından yapıldığı bildirilmiştir.
Duygu analizi
Duygu analizi, duygu sınıflandırmasına, fikir madenciliğine ve duyguların analizine atıfta bulunan birinci sınıf bir makine öğrenimi uygulamasıdır. Bu modeli kullanarak makineler, kelimelere dayalı olarak duyguları analiz etmek için kendilerini hazırlarlar. Sözcüklerin olumlu mu, olumsuz mu, yoksa tarafsız bir kavramda mı söylendiğini belirleyebilirler.
Doğal Dil İşleme (NLP) adı verilen sürecin yardımıyla, veri madencileri, her iki tür makine öğrenimi algoritmasını da – denetimli ve denetimsiz verileri – analiz ederek otomatik olarak görüş alır ve sonuca varır. Müşterilerle ilgilenen şirketler, geri bildirime dayalı müşteri deneyimini geliştirmek için bu modeli kullanır.
Müzik dinleme
Başka bir makine öğrenimi örneği ise müzik uygulamalarıdır. Ganna.com, Jiosaavn gibi uygulamalar da çalınan şarkıların geçmişini, favori çalma listelerini ve hatta müzik listeleme zamanını analiz ederek kullanıcı duygularına dayalı müzik önerir.
Otonom araçlar
Hepimiz kendi kendine giden arabaların otomobil endüstrisinin geleceği olduğunu duyduk. Evet, kendi kendine sürüş kavramı, makine öğrenimi, derin öğrenme ve yapay zekaya dayalı olarak da imal edilmektedir.