Gözetimli ve gözetimsiz öğrenme farkı: Hangisi ne zaman?
- Okuma süresi: 5 dk
- Kod bilgisi gerekmez

Murat Bey, kurgusal bir kargo şirketinin müşteri hizmetlerinde ekip lideri. Her gün yüzlerce şikâyet geliyor: geciken paket, hasarlı kutu, yanlış adres, kaba davranan kurye. Yöneticisi iki şey istiyor. Gelen her şikâyet doğru ekibe kendiliğinden gitsin. Bir de şikâyetlerin içinde henüz adını koymadıkları yeni bir sorun varsa görsünler.
Bu iki istek kulağa benzer gelir, ama makine öğrenmesinde iki ayrı yola karşılık gelir. Bu derste aynı şikâyet yığını üzerinden gözetimli öğrenme (supervised learning) ile gözetimsiz öğrenmeyi (unsupervised learning) yan yana koyacaksınız. Hangisinin ne zaman işe yaradığını ve sonucun nasıl sınanacağını göreceksiniz.
Aklınıza bir soru mu takıldı?
Bu derste neler öğreneceksiniz?
- Bir görevin gözetimli mi gözetimsiz mi çözüleceğini, verinin etiketli olup olmadığına bakarak ayırt etmek.
- Sınıflandırma ile kümelemeyi aynı veri üzerinden karşılaştırmak.
- İki yolun sonucunu nasıl sınayacağınızı birer cümleyle açıklamak.
- Sohbet botuna kendi işinizden bir görev için yöntem seçtirip gerekçesini denetlemek.
Fark tek bir soruda: Cevap anahtarı var mı?
Gözetimli öğrenmede sisteme doğru cevabı belli örnekler verilir. Her örneğin yanındaki doğru cevaba etiket (label) denir. Google’ın makine öğrenmesi tanıtımı bunu şöyle anlatır: İnsan, sisteme doğru sonuçları bilinen veriyi verir. Adındaki “gözetim” de buradan gelir. Sürecin başında cevap anahtarını tutan biri vardır.
Kargo örneğinde ekip, geçmişteki 5.000 şikâyeti (kurgusal bir sayı) tek tek gecikme, hasar, adres ya da kurye davranışı diye işaretlemiş olsun. Sistem bu eşleşmelerden kalıp çıkarır. Yeni bir şikâyet gelince dört kutudan birini önerir. Buna sınıflandırma (classification) denir. Bir sayı tahmin edilirse, örneğin şikâyetin kaç günde kapanacağı, buna regresyon (regression) denir. Google’ın kaynağı bu ikisini gözetimli öğrenmenin en yaygın iki kullanımı olarak sayar.
Gözetimsiz öğrenmede cevap anahtarı yoktur. Sistem benzer örnekleri bir araya getirerek verideki düzeni arar. En bilinen yolu kümelemedir (clustering). Grupların ne anlama geldiğini sistem söylemez; adını siz koyarsınız. Google’ın kümeleme kursu da bu ayrımı açık yapar: Etiketli örnekleri gruplamak sınıflandırmadır, etiketsiz örnekleri gruplamak kümelemedir.
Murat Bey son ayın etiketsiz 2.000 şikâyetini (yine kurgusal) kümelemeye verdiğinde bilinen dört konunun yanında beşinci bir grup çıkar. Ekip bu gruptan birkaç şikâyet okuyunca ortak derdi görür: Paket sistemde teslim edildi görünüyor ama müşteriye ulaşmamış. Bu, kimsenin önceden etiket olarak tanımlamadığı bir sorundur.
Aynı yığın, iki farklı soru
- Ne verirsiniz? Gözetimli: örnek ve doğru cevabı. Gözetimsiz: yalnız örnek.
- Ne alırsınız? Gözetimli: önceden bildiğiniz kutulardan biri ya da bir sayı. Gözetimsiz: adı konmamış gruplar.
- Emek nerede? Gözetimli: başta, örnekleri işaretlerken. Gözetimsiz: sonda, grupları okuyup yorumlarken.
- Nasıl sınanır? Gözetimli: sistemin daha önce görmediği, etiketi bilinen örneklerde kaç tanesini doğru bildiğine bakılır. Gözetimsiz: doğru cevap olmadığı için her gruptan örnek okunur ve grubun anlamlı olup olmadığına insan karar verir.
Stanford’un CS229 makine öğrenmesi dersi de konuyu bu ayrımla kurar: Konu listesinde gözetimli öğrenme ile kümelemeyi içeren gözetimsiz öğrenme ayrı başlıklardır. Harvard’ın CS50 yapay zekâ dersinin öğrenme bölümünde sınıflandırma, regresyon ve kümeleme yan yana işlenir. Aynı listede pekiştirmeli öğrenme (reinforcement learning) de geçer. Bu üçüncü yol deneme yanılma ve ödülle öğrenir; bu dersin konusu değildir.
Hangisini ne zaman seçersiniz?
- Kutularınız belli ve geçmişte işaretlenmiş örnekleriniz varsa gözetimli yolla başlayın.
- Kutularınız belli ama işaretli örnek yoksa önce bir bölümünü işaretlemeniz gerekir. Bu, zaman ve dikkat ister.
- Ne aradığınızı bilmiyor, yığının içine bakmak istiyorsanız gözetimsiz yolla başlayın.
- Çoğu zaman ikisi birlikte çalışır. Önce kümeleyip yeni konuyu bulursunuz, sonra o konuyu etiket listesine ekleyip gözetimli sisteme öğretirsiniz. Murat Bey de “teslim edildi görünüyor ama gelmedi” başlığını beşinci kutu olarak ekler.
Zayıf komut
Şikâyetlerimizi yapay zekâyla sınıflandır.
Güçlü komut
Bir kargo şirketinin müşteri hizmetlerinde çalışıyorum. İki görevim var. Birincisi, gelen her şikâyeti şu dört ekipten birine yönlendirmek: gecikme, hasar, adres, kurye davranışı. Ekibin geçmişte işaretlediği örnekler var. İkincisi, son ayın şikâyetlerinde henüz adını koymadığımız yeni bir sorun var mı, görmek. Her görev için gözetimli mi gözetimsiz mi öğrenmenin uygun olduğunu söyle. Gerekçeni elimdeki verinin etiketli olup olmamasına dayandır. Her görev için sonucu nasıl sınayacağımı tek cümleyle yaz. Emin olmadığın yeri ayrıca belirt.
Örnek çıktı
Birinci görev için gözetimli öğrenme uygun: Kutular belli ve ekibin işaretlediği etiketli örnekler var. Sınamak için sistemin görmediği, ekibin işaretlediği bir grup şikâyette kaç tanesinin doğru ekibe gittiğine bakın. İkinci görev için gözetimsiz öğrenme, özellikle kümeleme uygun: Aradığınız konunun adı yok, bu yüzden etiketi de yok. Sınamak için her gruptan on şikâyet okuyun ve grubun ortak derdini bir cümleyle adlandırabiliyor musunuz, bakın. Emin olmadığım nokta: Geçmiş işaretlemeler tutarsızsa birinci görevin sonucu da zayıf olur.
Adım adım uygulama
- İşinizden, tekrar eden bir ayırma işi seçin: gelen e-postalar, dilekçeler, sipariş notları gibi. Görevi tek cümleyle yazdığınızda bu adım tamamdır.
- Elinizdeki veriyi yoklayın: Geçmiş örneklerin yanında doğru cevap yazıyor mu? “Etiketli” ya da “etiketsiz” diye tek kelimeyle cevap verebildiğinizde tamamdır.
- Güçlü komut kalıbını kendi görevinize uyarlayıp sohbet botuna verin. Gerçek ad, telefon, adres gibi kişisel bilgi yazmayın; görevi genel olarak anlatın. Bot bir yöntem önerip gerekçesini etiket durumuna bağladığında tamamdır.
- Gerekçeyi denetleyin. Bot etiketsiz veri için sınıflandırma öneriyorsa ya da etiketli veri için yalnız kümeleme diyorsa itiraz edin. Önerilen yöntem ikinci adımdaki cevabınızla uyuştuğunda tamamdır.
- Sınama planını yazın: Gözetimli görev için başarıyı hangi örneklerle ölçeceğinizi, gözetimsiz görev için her gruptan kaç örnek okuyacağınızı belirtin. İkisi de yazılı olduğunda görev biter.
Sık yapılan hatalar
- Kümeleme sonucunu hazır sınıflar sanmak. Grupların adı yoktur; okumadan ad koymak yanlış yoruma yol açar.
- Etiketlerin kalitesini sorgulamamak. Geçmiş işaretlemeler tutarsızsa gözetimli sistem de o tutarsızlığı öğrenir.
- “Gözetimsiz” sözünü “insana gerek yok” diye anlamak. Etiket gerekmez, ama sonucu okuyup yorumlayacak biri gerekir.
İpucu
Karar vermek için kendinize tek soru sorun: Bu işin cevap anahtarı elimde var mı? Varsa gözetimli, yoksa gözetimsiz yolla başlayın. Kutularınızdan emin değilseniz önce 50 kadar örneği kendiniz işaretlemeyi deneyin. İşaretlerken sık sık duraksıyorsanız kutularınız henüz net değildir; önce kümeleyip veriye bakmak daha iyi bir başlangıç olur.
Kendinizi deneyin
Bir çevrim içi mağaza, geçmişte konusu işaretlenmiş müşteri mesajlarıyla yeni mesajların hangi birime gideceğini tahmin eden bir sistem kuruyor. Bu hangi öğrenme türüdür?
Kümeleme, bir şikâyet yığınından beş grup çıkardı. Sırada ne yapmalısınız?
Gözetimli bir sınıflandırıcının ne kadar iyi çalıştığını en sağlıklı nasıl anlarsınız?
Kaynaklar
- What is Machine Learning? (Google for Developers) (İngilizce)
- What is clustering? (Google for Developers) (İngilizce)
- CS229: Machine Learning (Stanford University) (İngilizce)
- CS50’s Introduction to Artificial Intelligence with Python: Syllabus (Harvard University) (İngilizce)
Son kontrol: 17 Kasım 2026. Bu bilgi 17.11.2026 tarihli kaynaklara dayanır; durum değişebilir.
Kaynak: yzdersleri.com/ders/gozetimli-ve-gozetimsiz-ogrenme-farki/ · Yapay Zeka Dersleri
Dersi bitirdiniz mi?
İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.
Bu ders işinize yaradı mı?
Anonim oydur; kişisel veri toplanmaz.





