Garfield
YZF Admin
İkisi aynı alan değildir: veri bilimi, veriyi toplama, temizleme, analiz etme ve sonuçları karar vermeye dönüştürme sürecinin tamamını kapsar; makine öğrenmesi ise bu sürecin içinde, veriden örüntü öğrenerek tahmin, sınıflandırma veya kümeleme gibi görevleri yerine getiren yöntemler bütünüdür. Bu nedenle makine öğrenmesi veri biliminin önemli bir aracı olabilir, ancak her veri bilimi çalışmasında makine öğrenmesi kullanılması gerekmez.
Bir veri bilimi çalışması genellikle sorunun tanımlanmasıyla başlar. Ardından uygun veriler toplanır, hatalı veya eksik kayıtlar incelenir, veriler dönüştürülür ve keşifsel analiz yapılır. Sorunun yanıtı kurallı hesaplamalarla bulunabiliyorsa doğrudan istatistiksel analiz yeterli olabilir. Gelecekteki değerleri tahmin etmek, kayıtları gruplara ayırmak veya karmaşık ilişkileri modellemek gerekiyorsa makine öğrenmesi devreye girer.
Örneğin bir çevrim içi mağaza, müşterilerin gelecek ay alışveriş yapıp yapmayacağını tahmin etmek istesin. Veri bilimci önce geçmiş alışverişleri, ziyaret sıklığını, sepet tutarını ve üyelik süresini inceler. Bu veriler temizlendikten sonra hedef değişken belirlenir: müşteri gelecek ay alışveriş yaptıysa
Modelin yüzde 90 doğruluk vermesi tek başına yeterli değildir. Veri bilimci, yanlış pozitif ve yanlış negatif sonuçların maliyetini, verinin temsil gücünü, modelin yeni müşterilerde de çalışıp çalışmadığını ve tahminin iş kararında nasıl kullanılacağını ayrıca değerlendirir. Model çıktısı kararın kendisi değil, kararı destekleyen bir girdidir.
Veri bilimi daha geniş bir iş akışını ve farklı uzmanlıkları bir araya getirir. Makine öğrenmesi ise bu iş akışındaki belirli bir probleme, yani veriden öğrenen model kurma problemine odaklanır.
Tabloya göre ilişkiyi en kısa biçimde şöyle düşünebilirsiniz: veri bilimi problemin tamamını, makine öğrenmesi ise gerektiğinde kullanılan öğrenen modelleme bölümünü ele alır. Bu yüzden “veri bilimci ne yapar?” sorusunun yanıtı yalnızca model eğitmek değildir; veri kalitesini, ölçüm yöntemini, sonucu ve kullanım bağlamını da kapsar.
Varsayımsal olarak elinizde aşağıdaki gibi bir müşteri tablosu olduğunu düşünün:
Burada ilk üç sütun girdileri, son sütun ise öğrenilmek istenen hedefi temsil eder. Veri bilimci önce eksik değerleri, aykırı kayıtları ve hedef sütunun nasıl oluşturulduğunu kontrol eder. Daha sonra veriyi eğitim ve değerlendirme bölümlerine ayırır. Makine öğrenmesi modeli eğitim bölümündeki örneklerden ilişki öğrenir; değerlendirme bölümünde daha önce görmediği kayıtlar üzerindeki başarısı ölçülür.
Örneğin model yeni bir kayıt için
Amacınız veriyi anlamak, eğilimleri açıklamak, bir rapor hazırlamak veya mevcut verilerden ölçülebilir bir sonuç çıkarmaksa veri bilimi yaklaşımı yeterli olabilir. Amacınız yeni ve etiketlenmemiş kayıtlar için otomatik tahmin üretmekse makine öğrenmesi yöntemlerini değerlendirmeniz gerekir.
Ancak doğrudan model seçmek yerine önce şu ayrımı yapın: Elinizde güvenilir ve temsil edici veri var mı, tahmin edilecek hedef açıkça tanımlanmış mı ve modelin hatalı sonuçlarının etkisi kabul edilebilir mi? Bu sorulara olumlu yanıt verilemiyorsa daha karmaşık bir algoritmaya geçmek sorunu çözmez. Önce veri toplama, hedef tanımı veya ölçüm yöntemini düzeltmek gerekir.
Sonuç olarak makine öğrenmesi, veri biliminin içinde yer alabilen bir yöntemdir; veri bilimi ise makine öğrenmesinden daha geniştir. Bir makine öğrenmesi modeli kurmak yalnızca algoritma seçmekten ibaret değildir. Modelin hangi sorunu çözdüğü, hangi veriden öğrendiği, başarısının nasıl ölçüldüğü ve çıktının hangi kararda kullanılacağı da çalışmanın ayrılmaz parçalarıdır.
Veri bilimi makine öğrenmesini nasıl kullanır?
Bir veri bilimi çalışması genellikle sorunun tanımlanmasıyla başlar. Ardından uygun veriler toplanır, hatalı veya eksik kayıtlar incelenir, veriler dönüştürülür ve keşifsel analiz yapılır. Sorunun yanıtı kurallı hesaplamalarla bulunabiliyorsa doğrudan istatistiksel analiz yeterli olabilir. Gelecekteki değerleri tahmin etmek, kayıtları gruplara ayırmak veya karmaşık ilişkileri modellemek gerekiyorsa makine öğrenmesi devreye girer.
Örneğin bir çevrim içi mağaza, müşterilerin gelecek ay alışveriş yapıp yapmayacağını tahmin etmek istesin. Veri bilimci önce geçmiş alışverişleri, ziyaret sıklığını, sepet tutarını ve üyelik süresini inceler. Bu veriler temizlendikten sonra hedef değişken belirlenir: müşteri gelecek ay alışveriş yaptıysa
1, yapmadıysa 0. Makine öğrenmesi modeli bu örneklerden ilişki öğrenir ve yeni bir müşteri için tahmin üretir.Modelin yüzde 90 doğruluk vermesi tek başına yeterli değildir. Veri bilimci, yanlış pozitif ve yanlış negatif sonuçların maliyetini, verinin temsil gücünü, modelin yeni müşterilerde de çalışıp çalışmadığını ve tahminin iş kararında nasıl kullanılacağını ayrıca değerlendirir. Model çıktısı kararın kendisi değil, kararı destekleyen bir girdidir.
İki alan arasındaki temel fark
Veri bilimi daha geniş bir iş akışını ve farklı uzmanlıkları bir araya getirir. Makine öğrenmesi ise bu iş akışındaki belirli bir probleme, yani veriden öğrenen model kurma problemine odaklanır.
| Ölçüt | Veri bilimi | Makine öğrenmesi |
|---|---|---|
| Kapsam | Veri toplama, temizleme, analiz, görselleştirme, modelleme ve iletişim | Veriden örüntü öğrenen algoritmaların geliştirilmesi ve değerlendirilmesi |
| Temel soru | Bu veriden hangi güvenilir ve kullanılabilir sonuca ulaşabiliriz? | Yeni bir kayıt için nasıl tahmin veya sınıflandırma yapabiliriz? |
| Kullanılan yöntemler | İstatistik, veri görselleştirme, SQL, deney tasarımı ve makine öğrenmesi | Doğrusal modeller, karar ağaçları, kümeleme ve sinir ağları gibi yöntemler |
| Çıktı | Rapor, içgörü, gösterge, deney sonucu veya üretimde çalışan veri ürünü | Tahmin, sınıf, benzerlik, küme veya olasılık skoru |
| Birbirine bağımlılık | Makine öğrenmesi kullanılmadan da veri bilimi çalışması yapılabilir. | Makine öğrenmesi, kapsamlı bir veri bilimi projesinin parçası olmadan da uygulanabilir. |
Somut bir örnekte süreç nasıl ilerler?
Varsayımsal olarak elinizde aşağıdaki gibi bir müşteri tablosu olduğunu düşünün:
| ziyaret_sayisi | gecmis_siparis | sepet_tutari | gelecek_ay_siparis |
|---|---|---|---|
| 8 | 5 | 1200 | 1 |
| 1 | 0 | 0 | 0 |
Örneğin model yeni bir kayıt için
0,72 olasılık üretebilir. Bu değer, kullanılan sınıflandırma kuralına göre müşterinin sipariş verme eğiliminin yüksek olduğunu gösterebilir; ancak müşterinin kesin olarak sipariş vereceğini kanıtlamaz. Eşik değeri, yanlış tahminlerin maliyeti ve veri dağılımındaki değişiklikler sonucu etkileyebilir.Hangi durumda hangisine odaklanmalısınız?
Amacınız veriyi anlamak, eğilimleri açıklamak, bir rapor hazırlamak veya mevcut verilerden ölçülebilir bir sonuç çıkarmaksa veri bilimi yaklaşımı yeterli olabilir. Amacınız yeni ve etiketlenmemiş kayıtlar için otomatik tahmin üretmekse makine öğrenmesi yöntemlerini değerlendirmeniz gerekir.
Ancak doğrudan model seçmek yerine önce şu ayrımı yapın: Elinizde güvenilir ve temsil edici veri var mı, tahmin edilecek hedef açıkça tanımlanmış mı ve modelin hatalı sonuçlarının etkisi kabul edilebilir mi? Bu sorulara olumlu yanıt verilemiyorsa daha karmaşık bir algoritmaya geçmek sorunu çözmez. Önce veri toplama, hedef tanımı veya ölçüm yöntemini düzeltmek gerekir.
Sonuç olarak makine öğrenmesi, veri biliminin içinde yer alabilen bir yöntemdir; veri bilimi ise makine öğrenmesinden daha geniştir. Bir makine öğrenmesi modeli kurmak yalnızca algoritma seçmekten ibaret değildir. Modelin hangi sorunu çözdüğü, hangi veriden öğrendiği, başarısının nasıl ölçüldüğü ve çıktının hangi kararda kullanılacağı da çalışmanın ayrılmaz parçalarıdır.
