Makine öğrenimi (ML) nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

Makine öğrenimi (ML) nedir

Makine öğrenimi (ML), sistemlerin elle yazılmış kuralları izlemek yerine verilerden örüntüler öğrendiği, yapay zekânın bir alt kümesidir. Bunu örnekle öğretmek gibi düşünün: adım adım bir tarif yazmak yerine, sisteme binlerce bitmiş yemek gösterirsiniz ve nasıl pişirileceğini kendisinin bulmasına izin verirsiniz. Her kararı bir programcının kodlaması yerine, sisteme binlerce veya milyonlarca örnek gösterilir ve sistem kuralları kendi başına keşfeder.

Günümüzdeki pratik AI'nın çoğu — spam filtrelerinden ve sesli asistanlardan tıbbi görüntü analizine ve büyük dil modellerine kadar — makine öğrenimi üzerine kuruludur. Bir kripto projesi AI kullandığını iddia ettiğinde, altta yatan teknoloji neredeyse her zaman bir tür ML'dir.

Kısaca: ML, verilerden öğrenmek demektir. Sisteme ne yapacağını söylemek yerine ona örnekler gösterirsiniz ve o örüntüleri kendisi bulur. Kripto AI'da bir proje kartındaki "makine öğrenimi", projenin sabit kodlanmış mantık değil, veri odaklı öğrenme iddiasında bulunduğu anlamına gelir.

Makine öğrenimi nasıl çalışır

Bir makine öğrenimi sistemi genel bir döngü izler. Her adımı anlamak, bir projenin ML iddialarının gerçek olup olmadığını değerlendirmek için elzemdir — her adım, kanıt olarak hizmet edebilecek doğrulanabilir artefaktlar üretir.

ML yaşam döngüsü

Problemi tanımla — modelin neyi tahmin etmesi veya sınıflandırması gerektiğini belirle. Örneğin: "bir blok zinciri işlemi verildiğinde, şüpheli olup olmadığını belirle." Net bir problem tanımı, ML iddialarını değerlendirirken ilk kontrol noktasıdır.
Veri topla — problemle ilgili bir veri kümesi topla. Bu; işlem geçmişlerini, cüzdan etkinlik kayıtlarını, metin belgelerini veya kullanıcı davranış kayıtlarını içerebilir. Veriler herkese açık kaynaklardan, tescilli veritabanlarından veya zincir üstü kayıtlardan gelebilir.
Veriyi hazırla ve temizle — ham veri nadiren olduğu gibi kullanılabilir. Bu adım hataları kaldırmayı, eksik değerleri ele almayı, formatları normalleştirmeyi ve veriyi eğitim, doğrulama ve test kümelerine bölmeyi içerir. Veri hazırlığı genellikle bir ML projesinin zamanının çoğunu tüketir.
Bir model mimarisi seç — göreve uygun AI modeli türünü seç: bir sinir ağı, karar ağacı, destek vektör makinesi veya topluluk yöntemi. Seçim; veri türüne, problem karmaşıklığına ve mevcut hesaplama gücüne bağlıdır. Metin için transformer mimarileri (GPT, BERT ve DeepSeek gibi modern LLM'lerin temeli) baskındır. Tablosal veriler için gradyan artırmalı ağaçlar (XGBoost, LightGBM) çoğu zaman derin öğrenmeden daha iyi performans gösterir.
Modeli eğit — modelin iç parametrelerini (ağırlıklarını), tahminleri eğitim verisindeki bilinen sonuçlarla eşleşecek şekilde ayarlayan bir eğitim algoritması çalıştır. Eğitim, veri üzerinde birden çok kez yinelenir (epoch adı verilir) ve tahminler ile gerçeklik arasındaki farkı (bir kayıp fonksiyonuyla ölçülür) kademeli olarak azaltır.
Değerlendir — eğitilmiş modeli ayrılmış test verilerine veya benchmark'lara göre ölçerek gerçek örüntüler mi öğrendiğini yoksa yalnızca eğitim kümesini mi ezberlediğini (aşırı uyum / overfitting denilen problem) kontrol et. Yaygın metrikler: sınıflandırma için doğruluk, kesinlik, duyarlılık ve F1 puanı; regresyon için ortalama karesel hata ve R-kare; dil modelleri için perplexity.
Dağıt — modeli, yeni ve görülmemiş girdiler üzerinde çıkarım yaptığı üretime al. Dağıtım; sunum altyapısını kurmayı, gecikmeyi yönetmeyi ve uç durumları ele almayı içerir.
İzle ve yeniden eğit — gerçek dünya verisi zamanla değişir (veri kayması / data drift). Geçen yılın blok zinciri işlem örüntüleri üzerinde eğitilmiş bir model, güncel işlemlerde kötü performans gösterebilir. Sorumlu ML sistemleri, performans düşüşünü tespit eden ve taze veriler üzerinde yeniden eğitimi tetikleyen izleme hatları içerir.

Pratik bir örnek

Bir projenin ML modelinin şüpheli cüzdan etkinliğini tespit ettiğini iddia ettiğini varsayalım. Doğrulanabilir bir uygulama şunları gösterirdi:

Veri: hangi zincir üstü verilerin toplandığı ve nasıl etiketlendiği (örneğin bilinen exploit veritabanları tarafından işaretlenen adresler)
Model: hangi mimarinin kullanıldığı (örneğin işlem özellikleri üzerinde gradyan artırmalı bir sınıflandırıcı)
Metrikler: ölçülen tespit oranı, yanlış pozitif oranı ve metodoloji (örneğin "tanımlı bir dönemden 10.000 ayrılmış işlem üzerinde değerlendirildi")
Dağıtım: modelin gerçek zamanlı tahminleri nasıl sunduğu (API uç noktası, gecikme özellikleri)
Güncellemeler: modelin ne sıklıkla yeniden eğitildiği ve yeniden eğitimi neyin tetiklediği

Bir proje bunların hiçbirini tanımlamıyorsa, "ML" iddiası doğrulanabilir içerikten yoksundur.

Kripto AI ile ilgili temel ML yaklaşımları

Makine öğrenimi tek bir teknik değildir — her biri farklı problem türlerine uygun bir yaklaşımlar ailesidir.

Yaklaşım	Nasıl öğrenir	Veri gereksinimi	Kripto örneği
Gözetimli öğrenme	Etiketli örneklerden	Etiketli veri kümesi	Dolandırıcılık tespiti, scam sınıflandırması
Gözetimsiz öğrenme	Etiket olmadan yapı bulur	Etiketsiz veri kümesi	Cüzdan kümeleme, anomali tespiti
Pekiştirmeli öğrenme	Deneme ve ödül yoluyla	Ortam + ödül sinyali	Otomatik ajanlar, protokol optimizasyonu
Derin öğrenme	Çok katmanlı sinir ağları	Büyük veri kümesi + hesaplama	LLM'ler, görüntü üretimi, NLP
Aktarım öğrenmesi	Önceden eğitilmiş modeli yeni göreve uyarlar	Küçük, göreve özgü veri kümesi	LLM'lerin kripto alanına ince ayarlanması

Gözetimli öğrenme

Model etiketli verilerden öğrenir — her örnek, bilinen doğru bir yanıtla birlikte gelir. Model girdileri çıktılara eşlemeyi öğrenir ve yeni, görülmemiş örnekler için doğru yanıtı ne kadar iyi tahmin ettiğine göre değerlendirilir.

Nasıl çalışır: (girdi, doğru çıktı) çiftleri verildiğinde algoritma, tahmin hatalarını en aza indirmek için model parametrelerini ayarlar.
Örnek: scam'leri işaretlemek için etiketli işlemler (sahte / meşru) üzerinde eğitilmiş bir sınıflandırıcı. Her eğitim örneği, özellikleri (tutar, gönderici geçmişi, sözleşme etkileşimi) ve bir etiketi olan bir işlemdir.
Yaygın araçlar: scikit-learn, XGBoost, LightGBM ve PyTorch ile TensorFlow gibi derin öğrenme çatıları.
Güçlü yanı: iyi etiketler mevcut olduğunda yüksek doğruluk.
Sınırlılığı: oluşturulması pahalı ve zaman alıcı olabilen etiketli veri gerektirir.

Gözetimsiz öğrenme

Model etiket olmadan örüntüler bulur. Kimse ona ne arayacağını söylemez; verideki yapıyı, kümeleri veya anomalileri kendi başına keşfeder.

Nasıl çalışır: algoritma, benzer veri noktalarını bir araya gruplar veya istatistiksel özelliklere dayanarak aykırı değerleri belirler.
Örnek: cüzdan adreslerini davranış örüntülerine göre — işlem sıklığı, tutarlar, bilinen protokollerle etkileşim — kümeleyerek önceden etiket olmadan ilişkili cüzdan gruplarını belirlemek.
Yaygın araçlar: k-means kümeleme, DBSCAN, temel bileşen analizi (PCA), otokodlayıcılar.
Güçlü yanı: etiketleme pratik olmadığında veya çok pahalı olduğunda çalışır.
Sınırlılığı: sonuçlar insan yorumu gerektirir; algoritma yapıyı bulur ancak kümelerin ne anlama geldiğini açıklamaz.

Pekiştirmeli öğrenme (RL)

Model deneme ve ödül yoluyla öğrenir. Bir ortamda eylemler gerçekleştirir ve geri bildirim (olumlu veya olumsuz) alır. Zamanla kümülatif ödülü en üst düzeye çıkaran stratejiler öğrenir.

Nasıl çalışır: bir ajan mevcut durumu gözlemler, bir eylem gerçekleştirir, ödül veya ceza alır ve stratejisini günceller. Bu döngü binlerce veya milyonlarca kez tekrarlanır.
Örnek: ağ yoğunluğu örüntülerine göre işlemleri zamanlayarak gas ücretlerini optimize etmeyi öğrenen otomatik bir ajan.
Kilometre taşları: RL, AlphaGo gibi oyun oynayan sistemlere güç verir. Kriptoda RL, protokol parametresi ayarlamada ve ajan tabanlı stratejilerde görülür.
Güçlü yanı: optimal eylemin uzun vadeli sonuçlara bağlı olduğu ardışık karar verme problemlerine uygundur.
Sınırlılığı: iyi tanımlanmış bir ödül sinyali ve çok sayıda yineleme gerektirir; eğitim sırasında kararsız olabilir.

Derin öğrenme

Çok katmanlı sinir ağları kullanan (adındaki "derin" buradan gelir) bir ML alt kümesidir. Derin öğrenme, modern AI atılımlarının çoğuna güç verir: görüntü tanıma, doğal dil işleme, üretici modeller ve büyük dil modelleri.

Nasıl çalışır: veri, her biri giderek daha soyut özellikler çıkaran ardışık yapay nöron katmanlarından akar. Bir evrişim katmanı kenarları tespit edebilir; daha derin katmanlar kenarları şekillere, sonra nesnelere birleştirir.
Örnek: yapılandırılmamış metinden yapılandırılmış bilgi çıkarmak için kripto dokümantasyonu üzerinde ince ayarlanmış bir transformer modeli (GPT, BERT ve DeepSeek'in arkasındaki mimari).
Temel mimariler: transformer'lar (metin/diziler), evrişimli sinir ağları / CNN'ler (görüntüler), yinelemeli sinir ağları / RNN'ler (zaman serileri).
Güçlü yanı: karmaşık, yüksek boyutlu verilerde (metin, görüntü, ses, diziler) üstündür.
Sınırlılığı: büyük veri kümeleri, önemli hesaplama gücü ve dikkatli ayarlama gerektirir. Performansını yorumlamak daha basit modellere göre daha zordur.

Aktarım öğrenmesi

Büyük ve genel bir veri kümesi üzerinde önceden eğitilmiş bir modelin, daha küçük bir veri kümesiyle belirli bir göreve uyarlandığı bir tekniktir. Model, sıfırdan eğitilmek yerine halihazırda öğrenilmiş bilgiyle başlar.

Nasıl çalışır: BERT gibi bir modeli (genel metin üzerinde önceden eğitilmiş) alın ve proje iddialarını sınıflandırmak için daha küçük bir kripto teknik doküman veri kümesi üzerinde ince ayar yapın.
Neden önemli: aktarım öğrenmesi, yeni görevler için gereken veri ve hesaplama miktarını azaltır. Birçok kripto AI projesi, sıfırdan model eğitmek yerine mevcut modellerin ince ayarlanmış sürümlerini kullanır.

Klasik ML'den modern derin öğrenmeye

ML'nin evrimini anlamak, proje iddialarını değerlendirmeye yardımcı olur:

Klasik ML (1990'lar-2010'lar): karar ağaçları, destek vektör makineleri, lojistik regresyon. Bunlar yapılandırılmış (tablosal) verilerde iyi çalışır ve kripto analitiğinde işlem sınıflandırması ve risk puanlaması için yaygınlığını korur.
Derin öğrenme çağı (2012-günümüz): çok katmanlı sinir ağları, karmaşık görevlerde klasik yöntemleri geride bırakmaya başladı. 2017 transformer mimarisi ("Attention Is All You Need") alanı yeniden şekillendirdi. BERT (2018) ve GPT (2018-günümüz), transformer'ları dil anlama ve üretmeye taşıdı.
Temel modeller (2020'ler-günümüz): geniş veriler üzerinde önceden eğitilmiş, belirli görevler için ince ayarlanan veya yönlendirilen çok büyük modeller. GPT, Claude, Gemini ve Mistral iyi bilinen örneklerdir. Bu modeller güçlü NLP'yi erişilebilir kılar; ancak asgari özgün çalışmayla "AI" iddiasında bulunan ince sarmalayıcılar oluşturmayı da kolaylaştırır.

Bir proje "makine öğrenimi" dediğinde şunu sormaya değer: bu, yapılandırılmış veriler üzerinde klasik ML mi, mevcut temel modellerin ince ayarı mı, yoksa sıfırdan yeni bir model eğitimi mi?

ML, DecAIHub'da neden önemlidir

Bir proje kartı, AI component'inin bir parçası olarak "makine öğrenimi" listelediğinde, bu, projenin statik kurallara dayanmak yerine verilerden öğrenen bir sistem kullandığını iddia ettiği anlamına gelir. Bu ayrım önemlidir, çünkü:

ML bir eğitim hattı gerektirir — veri, bir eğitim süreci ve ortaya çıkan bir model olmalıdır. Bunların tümü doğrulanabilir artefaktlardır.
ML ölçülebilir performans gerektirir — öğrenilmiş bir model benchmark'lanabilir ve karşılaştırılabilir. Elle kodlanmış bir kural kümesi aynı şekilde değerlendirilemez.
ML sürekli bakım gerektirir — veri dağılımları kaydıkça modeller zamanla bozulur. ML kullanan bir projenin periyodik olarak yeniden eğitmesi ve yeniden değerlendirmesi gerekir.
ML hesaplama gereksinimleri getirir — eğitim ve çıkarım hesaplama kaynakları gerektirir. Merkeziyetsiz ML projeleri, hesaplamanın nasıl sağlandığını ve maliyeti kimin üstlendiğini açıklamalıdır.

DecAIHub, "makine öğreniminin" gerçek mi yoksa yalnızca bir pazarlama etiketi mi olduğunu değerlendirirken bu artefaktların Tier-1 kanıtını kontrol eder. AI reality bayrakları (AI_0'dan AI_4'e) doğrudan kanıt kontrol noktalarına eşlenir: proje ML bileşenini tanımlıyor mu (AI_1)? Çalışan demolar var mı (AI_2)? Yayımlanmış metrikler (AI_3)? Teknik mimari dokümantasyonu (AI_4)?

Bu artefaktların hiçbirini sunmadan "makine öğreniminden" bahseden bir proje, daha düşük AI reality bayrakları alır; bu da ai_score tavan mekanizması aracılığıyla DecAI Fit puanını sınırlar.

ML tek başına neyi kanıtlamaz

Model kalitesi — ML iddiasında bulunmak, modelin doğru, dayanıklı veya iyi ayarlanmış olduğu anlamına gelmez. Kalite, benchmark kanıtı gerektirir.
Veri kalitesi — model yalnızca eğitim verisi kadar iyidir. Kötü, yanlı veya yetersiz veri, algoritmadan bağımsız olarak kötü sonuçlar üretir.
Gerçek öğrenme — bazı projeler kural tabanlı sistemleri veya basit sezgisel yöntemleri "ML" olarak etiketler. Bkz. Otomasyon ve gerçek AI component farkı.
Tescilli avantaj — herkese açık veriler üzerinde varsayılan ayarlarla hazır bir ML kütüphanesi kullanmak, anlamlı bir AI derinliği oluşturmaz.
Merkeziyetsizlik — ML modelleri tamamen merkezî altyapıda çalışabilir. Bir projenin ML kullanması, AI'sının merkeziyetsiz olduğu veya blok zinciri entegrasyonunun anlamlı olduğu hakkında hiçbir şey söylemez.

Karıştırmayın

Yapay zekâ — daha geniş alan. ML, AI'nın bir alt kümesidir, eş anlamlısı değil.
AI modeli — eğitilmiş artefakt. ML, bu artefaktı veri odaklı öğrenmeyle yaratma sürecidir.
Derin öğrenme — çok katmanlı sinir ağları kullanan bir ML alt kümesi. Tüm derin öğrenme ML'dir, ancak tüm ML derin öğrenme değildir.
Otomasyon — önceden tanımlanmış kuralları yürütmek. ML, kendi kurallarını verilerden öğrenir. Bkz. Otomasyon ve gerçek AI component farkı.
İstatistik — ML istatistiksel temeller üzerine kuruludur ancak tarihsel verileri açıklamak yerine yeni veriler üzerindeki öngörü performansına odaklanarak geleneksel istatistiğin ötesine geçer.

Sık sorulan sorular

Makine öğrenimi ile geleneksel programlama arasındaki fark nedir?

Geleneksel programlamada bir geliştirici açık kurallar yazar: "işlem tutarı bir eşiği aşıyorsa ve gönderenin geçmişi yoksa işaretle." Makine öğreniminde geliştirici etiketli örnekler sağlar ve algoritma kuralları kendisi keşfeder. Sonuç, elle yazılmış kurallar için fazla ince örüntüleri tespit edebilen bir modeldir — ancak kaliteli eğitim verisi ve sürekli değerlendirme gerektirir.

Makine öğrenimi büyük veri gerektirir mi?

Her zaman değil. Derin öğrenme modelleri (özellikle LLM'ler) büyük veri kümeleri gerektirir, ancak birçok klasik ML tekniği mütevazı miktarda veriyle etkili biçimde çalışır. Aktarım öğrenmesi, önceden eğitilmiş bir modelden başlayarak veri gereksinimlerini daha da azaltır. Kilit faktör yalnızca miktar değil, veri kalitesi ve ilgililiğidir. Küçük, iyi derlenmiş, düzgün etiketlenmiş bir veri kümesi, büyük ve gürültülü bir veri kümesinden daha iyi performans gösterebilir.

Gözetimli ve gözetimsiz öğrenme arasındaki fark nedir?

Gözetimli öğrenme etiketli veri kullanır — her örnek doğru yanıtı içerir ve model onu tahmin etmeyi öğrenir. Gözetimsiz öğrenme etiketsiz verilerle çalışır; ne arayacağı söylenmeden örüntüleri, kümeleri veya anomalileri keşfeder. Üçüncü bir kategori olan yarı gözetimli öğrenme, az miktarda etiketli veriyi daha büyük miktarda etiketsiz veriyle birleştirir. Seçim, etiketlerin mevcut ve üretilmesinin ekonomik olup olmadığına bağlıdır.

Bir kripto projesinin gerçek ML kullandığı nasıl anlaşılır?

Doğrulanabilir artefaktlar arayın: tanımlanmış bir veri kümesi, belgelenmiş bir model mimarisi, metodolojisiyle yayımlanmış benchmark'lar, herkese açık bir demo ve yeniden eğitim kanıtı. DecAIHub bunları AI reality bayrakları (AI_1'den AI_4'e) ve Tier-1 kanıt kontrolleri aracılığıyla değerlendirir. "ML destekli" deyip bunların hiçbirini sunmayan bir proje, terimi büyük olasılıkla pazarlama olarak kullanmaktadır.

Derin öğrenme, makine öğrenimiyle aynı şey midir?

Derin öğrenme, makine öğreniminin bir alt kümesidir, eş anlamlısı değil. ML, derin öğrenmenin ötesinde birçok teknik içerir: karar ağaçları, destek vektör makineleri, Bayes yöntemleri ve topluluk yöntemleri. Derin öğrenme, hiyerarşik temsiller öğrenmek için çok katmanlı sinir ağları kullanır. Karmaşık verilerde (metin, görüntü, ses) üstündür ancak yapılandırılmış, tablosal verilerde daha basit ML yöntemleri çoğu zaman ondan daha iyi performans gösterir.

Ayrıca bakınız

Dış kaynaklar

Google Developers — Machine Learning Crash Course — temel ML kavramlarını pratik örneklerle kapsayan ücretsiz giriş kursu
Stanford CS229 — Machine Learning — ML teorisi ve pratiği üzerine kapsamlı üniversite ders materyalleri
Hugging Face — Learn — açık kaynaklı araçlarla modern ML ve NLP için pratik kılavuzlar
Machine learning (Wikipedia) — ML tarihine, yöntemlerine ve uygulamalarına genel bakış
Papers With Code — Methods — makalelere ve uygulamalara bağlantılar içeren ML yöntemleri referansı