Makine Öğrenmesinin tanımını tek başına yapmak çok zordur. Veri Bilimi, Veri Madenciliği, Veri Analizi gibi bir çok disiplin birbirine çok benzer işlevler gerçekleştirmekte ve bir çok konuda birbiri ile kesişmektedir. Makine Öğrenmesinin öncüsü kabul edilen Arthur Samuel bunu “bilgisayarlara açıkça programlanmadan öğrenme kabiliyeti kazandıran bir çalışma alanı” olarak tanımlamıştır.

Tom Mitchell  makine öğrenmesini daha farklı ve AndrewNG’nin dediğine göre daha modern bir şekilde tanımlamıştır: “Bir bilgisayar programı, T  görevlerdeki , P performansını E tecrübesi ile artırırsa, bir bilgisayar programı, bazı T görevleri, P performans ölçüsüne göre E deneyimlerinden öğrenerek yerine getirir.

Iyi tanımlanmış bir makine öğrenmesi üç bileşene sahiptir: <P, T, E>

P performance(performans), T task(görev) ve E experience(deneyim)

Bu biraz karmaşık gelse de kısaca bir örnek vererek açıklayalım. Arthur Samuel’in üzerinde çalıştığı dama oynunu ele alalım. Mitchell’in tanımına göre, E = birçok dama oyununu oynama deneyimi(experience), T = dama oynamak görevi(task),  ve P = programın bir sonraki oyunu kazanma ihtimali(performansı) olarak gösterebiliriz.

Genel olarak, herhangi bir makine öğrenmesi problemini iki alt kategoriye ayırabiliriz. Bunlar,

 

Designed by Freepik