Machine Learning Academy · Ders

Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme

Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme, CoddyKit'te ücretsiz bir Machine Learning Academy dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Machine Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Machine Learning Academy kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

Three Learning Paradigms Overview

ML tek bir teknik değil, verilerin aldığı geri bildirime göre ayrılan bir aileler bütünüdür. En büyük üçlü: denetimli (supervised), denetimsiz (unsupervised) ve pekiştirmeli (reinforcement) öğrenme.

Supervised Learning: Learning with Labels

Getirmeli öğrenme (supervised learning), doğru cevabı (etiketi) halihazırda barındıran örneklerle eğitilir. Hem sınıflandırma hem de tahmin için kullandığınız yapay zeka uygulamalarının çoğuna temel oluşturur.

# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np

# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])

model = LinearRegression()
model.fit(X, y)  # supervised: model sees both X and y

# Predict on new data
print(model.predict([[1200]]))  # ~$240,000

Supervised Learning Use Cases

Denetimli öğrenme her yerde karşımıza çıkar: e-posta spam filtreleri, tıbbi teşhis, kredi puanlaması ve görüntü tanıma. Bunların her birinde model, geçmişteki etiketli örneklerden öğrenir.

Unsupervised Learning: Finding Hidden Structure

Unsupervised learning works with no labels at all. The algorithm explores the data and finds hidden structure on its own — most often by clustering.

# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np

# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])

kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X)  # no y — discovers structure on its own

print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labels

Unsupervised Learning Use Cases

Unsupervised learning shines when labels are too costly: grouping customers, spotting anomalies in network traffic, or finding topics across thousands of articles.

Reinforcement Learning: Learning by Doing

In reinforcement learning, an agent acts in an environment and earns rewards or penalties — learning the best strategy by trial and error, like training a dog. 🐕

Reinforcement Learning Use Cases

Reinforcement learning drives some famous wins: AlphaGo mastering Go through self-play, robots learning to walk, and agents learning to drive in simulation.

Self-Supervised Learning: A Fourth Paradigm

A modern twist is self-supervised learning: the data labels itself. Language models like BERT learn by predicting masked words in a sentence.

Matching Problems to Paradigms

To pick a paradigm, ask: do you have labels? Is the output a category or a number? Is learning reward-driven? A safe default is supervised learning.

Semi-Supervised Learning: Best of Both Worlds

Semi-supervised learning mixes a little labeled data with lots of unlabeled data — perfect when labeling is expensive but raw data is plentiful.

Scikit-learn API for All Paradigms

scikit-learn shines with one consistent API: create an estimator, call fit(), then predict() or transform(). Swapping algorithms takes barely any code.

# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression    # supervised
from sklearn.cluster import KMeans                      # unsupervised
from sklearn.decomposition import PCA                   # unsupervised
import numpy as np

X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)

# Supervised
clf = LogisticRegression()
clf.fit(X, y)  # needs labels

# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X)  # no labels needed

pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)

Quick Check

Test your understanding of Machine Learning with Python concepts from this lesson.

Lesson Recap

Nice work! Supervised learns from labels, unsupervised finds hidden structure, and reinforcement learns by reward. Next: the full ML workflow.

Sıkça Sorulan Sorular

“Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme” dersi ücretsiz mi?

Evet — “Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Machine Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Machine Learning Academy kursu toplamda 4 dersten oluşur.

“Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme” dersinde ne öğreneceğim?

Kursiyerler, makine öğreniminin üç temel yaklaşımını sınıflandıracak, her biri için somut kullanım alanlarını inceleyecek ve gerçek dünya problemlerini doğru öğrenme türüyle eşleştirecektir. Machine Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Machine Learning Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Machine Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Machine Learning Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Machine Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

Geleneksel Programlama ve Makine Öğrenmesi
Gözetimli, Gözetimsiz ve Pekiştirmeli Öğrenme
Makine Öğrenimi İş Akışı: Veriden Tahmine
Gerçek Dünyada Makine Öğrenimi: Kullanım Alanları ve Sınırlamalar

← Machine Learning Academy Sayfasına Dön