Makine öğrenmesi yapay zekanın bir alt çalışma alanıdır ve veriden önemli davranışlar
ve kurallar çıkartarak ileriye doğru tahminler yapabilmemizi sağlar. Son 20 yılda değişik
çalışma alanlarındaki veri miktarı çok hızlı artmıştır ve bu verinin insan çalışması ile
analiz edilmesi zordur. Makine öğrenmesi algoritmalarına dair temelde iki öğrenme şekli
vardır : gözeticili öğrenme ve gözeticisiz öğrenme. Gözeticili öğrenmede data önceden
bilinen sınıflara ayrılır. Gözeticisiz ¨öğrenme de ise sınıflar önceden bilinmez, öğrenme
algoritması veri içindeki ayrık yapıları kendisi keşfeder. Bu tezde çok kullanılan makine
öğrenmesi algoritmaları detayları ile açıklanmıştır.
Veri kümesi içinde beklenen davranışları doğrulamayan örüntülere anomali denir. Veri
kümesi içinde anomali bulunmasının önemli sonuçları olabilir. Tezin son bölümünde
önceki kısımda bahsedilen makine öğrenmesi algoritmalarının ve yaklaşımlarının anomali
tespit etme problemine nasıl uyarlandığı açıklanmıştır.
Machine learning is the subfield of the artifical intelligence which finds the significant
behaviours or functions from the data for future predictions. Huge amount of data were
collected in the last decades and analysis of such a big data requires intelligent systems.
Machine learning enables a computer to learn from example data or past experience. According
to their learning style, machine learning algorithms can be categorized into two
groups: supervised learning algorithms and unsupervised learning algorithms. Training
data of supervised learning algorithms includes both the inputs and labels. Unsupervised
learning model is not provided with the correct labels during training. A detailed explanation
of leading machine learning algorithms is offered in the first part of this thesis.
Anomaly is a pattern in the data that does not conform to expected behaviour. Existence
of anomalies in the data is important because they might translate to critical actionable
information. Both supervised and unsupervised machine learning techniques are applied
to detect anomalies in different domains. Last part of this thesis provides an overview of
the relation between anomaly detection problem and machine learning approaches.
