Denetimli Öğrenme (Supervised Learning)
Araç kavramlarıDenetimli Öğrenme nedir?
Denetimli öğrenme (supervised learning), her eğitim örneğinin bir girdi (x) ve ona karşılık gelen doğru çıktıdan (y) oluştuğu makine öğrenmesi paradigmasıdır. Model, bu (x, y) çiftlerinden örüntüler öğrenerek daha önce görmediği girdiler için tahmin üretmeyi öğrenir.
"Denetimli" adı, her örnek için doğru cevabın önceden bilinmesinden gelir — sanki bir öğretmen modele sürekli doğruyu gösteriyormuş gibi.
Nasıl çalışır?
Veri hazırlama: Her örnek için (girdi, etiket) çifti oluşturulur. Örneğin, bir e-posta sınıflandırıcısı için (e-posta metni, spam/değil) çiftleri.
Model eğitimi: Model, girdiden tahmin üretir. Tahmin ile gerçek etiket arasındaki fark (kayıp) hesaplanır. Geri yayılım ve gradient descent ile bu kayıp minimize edilir.
Değerlendirme: Model, eğitimde görmediği test verisiyle değerlendirilir. Doğruluk, F1 skoru, RMSE gibi metrikler kullanılır.
Çıkarım (inference): Eğitilmiş model, etiket bilinmeyen yeni veriler için tahmin üretir.
Neden önemli?
Bugünkü LLM'lerin büyük bölümü denetimli öğrenmeyle ince ayar (fine-tuning) alır. Talimat takibi (instruction following) için kullanılan SFT (Supervised Fine-Tuning) tam olarak bu paradigmanın ürünüdür.
Sınıflandırma, regresyon ve sıra etiketleme gibi görevlerin tamamı denetimli öğrenme çerçevesine girer.
Kullanım alanları
- Metin sınıflandırma: Spam tespiti, duygu analizi, konu sınıflandırma
- Görüntü tanıma: Tıbbi görüntülerde hastalık tespiti, nesne tanıma
- Konuşma tanıma: Ses-metin dönüşümünde akustik modeller
- LLM fine-tuning: Modellere belirli görevler için özel davranış kazandırma
- Tahmin modelleri: Satış tahmini, hava durumu, finansal modeller