ÖĞRENMEDE BİLGİ Yılmaz KILIÇASLAN

Makine Öğrenmesinde Bilgisizlik Bugüne kadar anlattığımız makine öğrenmesi yaklaşımlarında, yalnızca veride gözlemlenen girdi/çıktı ilişkisini yansıtan bir fonksiyon oluşturmak amaçlanmıştı. Daha doğrusu, amaç, böylesi bir fonksiyona yakınsayan bir hipotez elde etmekti. Bu amacın arkasında, sanki yeni birşey öğrenmeden (neredeyse) öğrenme öncesi bilinen herşeyi (yani ön bilgiyi) unutmak gerekiyormuş gibi bir varsayım mevcuttu. Bu derste, ön bilginin kullanımına da olanak sağlayan öğrenme yaklaşımını inceleyeceğiz. Kullanacağımız ön bilgi birinci dereceden yüklem mantığı formatında kodlanacaktır.

Öğrenmede Mantıksal Kodlama Bilgi kullanan öğrenmede, hipotez, örnek tanımları ve sınıflandırmalar mantık cümleleri olarak kodlanabilirler. Bu yaklaşımda, yeni örnekler, hipotez ve örnek tanımlamalarından bir sınıflandırma cümlesinin mantıksal çıkarımla elde edilmesi yoluyla sınıflandırılabileceklerdir. Ayrıca, daha önceden bilinen cümleler yeni örneklerin sınıflandırlmasına yardımcı olabileceği için, ön bilgi kullanımı da olanaklı hale gelecektir.

Restoran Örneği Restoran örneğimizi hatırlayalım: Örnek Özellikler Hedef Alt. Bar Cuma Aç Müş. Fiy. Yağ. Rez. Tür Tah. Bek. Bekle X1 Evet Hayır Az $$$ Fransız 0-10 X2 Dolu $ Tayland 30-60 X3 Burger X4 10-30 X5 >60 X6 $$ İtalyan X7 Yok X8 X9 X10 X11 X12

Restoran Örneği için Karar Ağacı Ayrıca, aşağıdaki karar ağacının bu 12 örnekten öğrenildiğini anımsayalım:

Örneklerin ve Sınıflandırmanın Kodlanması Hatırlayacağınız gibi, örnekler Alternatif, Bar, Cuma gibi özelliklerle tanımlanıyordu. Mantıksal bağlamda, her örnek özelliklerin tek argümanlı bir yüklem olduğu bir mantık cümlesiyle tanımlanır. Örneğin, birinci örnek aşağıdaki mantık cümlesiyle tanımlanacaktır: Alternatif(X1) ᴧ ¬Bar(X1) ᴧ ¬Cuma(X1) ᴧ Aç(X1) ᴧ ... Aynı örneğin sınıflandırma gösterimi ise şöyle olacaktır: Bekle(X1).

Hipotezin Kodlanması Formel mantık çerçevesinde tümevarımlı öğrenmenin amacı, Q hedef yüklemi için örnekleri doğru şekilde sınıflamamıza imkan verecek bir mantık ifadesi bulmaktır. Q hedef yüklemini tanımlayan Ci tanımları olacaktır. Hipotez, Q ile Ci arasındaki kurulacak karşılıklı gerektirme ilişkisi ile elde edilecektir: x Q(x)  Ci(X) Restoran örneğinin karar ağacı şu hipotezi (Hr) ifade etmektedir: r Bekle(r)  Müşteri(r, Az)  Müşteri(r, Dolu) ᴧ Aç(r) ᴧ Tip(r, Fransız)  Müşteri(r, Dolu) ᴧ Aç(r) ᴧ Tip(r,Tayland) ᴧ Cuma(r)  Müşteri(r, Dolu) ᴧ Aç(r) ᴧ Tip(r, Burger)

Hipotez Uzayından Hipotez Arama - I Hipotez uzayı, öğrenme algoritmasının kabul edeceği bütün hipotezlerin kümesidir, {H1, ..., Hn}. Tahminen, öğrenme algoritması hipotezlerden birinin doğru olduğuna, yani aşağıdaki cümleye, inanmaktadır: H1  H2  H3  ...  Hn, Örnekler geldikçe, örneklerle tutarlılık göstermeyen hipotezler elenip silinecektir. Böylesi bir tutarsızlık iki durumda gerçekleşebilir: Bir örnek, eğer hipotez negatif olduğunu söylüyor fakat gerçekte pozitif ise, yanlış (false) negatiftir. Bir örnek, eğer hipotez pozitif olduğunu söylüyor fakat gerçekte negatif ise, yanlış (false) pozitiftir.

Hipotez Uzayından Hipotez Arama - II Hipotez uzayımızı, örneklerle tutarlılık göstemeyenleri eleyerek daralatabiliriz. Fakat, Hipotez uzayımız genelde çok büyük olacağı için bu etkin bir yöntem olmayacaktır. Current Best Hypotesis Search ve Least Commitment Search daha az çabayla tutarlı hipotezleri bulabilmek için önerilen iki yaklaşımdır.