Alas Academy
  • Back
  • Ana Səhifə
  • Haqqımızda
  • Kurslar
    • Süni İntellekt Təlimi
    • Data analtika
    • QA Mühəndisliyi
    • Daha çox
  • Təqaüdlər
    • İşə başla ödə
  • Tədbirlər
  • Məqalələr
  • Əlaqə
  • Home
  • Məqalələr
  • Uncategorized
  • Maşın öyrənməsi nədir? (Machine Learning)
Uncategorized

Maşın öyrənməsi nədir? (Machine Learning)

machine learning nədir, maşın öyrənməsi növləri, maşın öyrənməsi alqoritmləri, supervised learning nədir, unsupervised learning nədir, reinforcement learning nədir, süni intellekt və maşın öyrənməsi fərqi, deep learning nədir, maşın öyrənməsi nümunələri, maşın öyrənməsini necə öyrənmək
9 minutes read November 19, 2026
  • Share:

Maşın öyrənməsi (Machine Learning, ML) kompüterlərin hər addım üçün ayrıca proqramlaşdırılmadan, məlumatlardan (data) qanunauyğunluqları öyrənməsinə və yeni məlumatlar üzrə proqnoz verməsinə imkan verən süni intellekt sahəsidir. Sadə desək, biz maşına qaydaları yazmırıq, nümunələr veririk, qaydaları isə o özü tapır.

Məsələn, spam filtri üçün “bu söz varsa spam-dır” kimi yüzlərlə qayda yazmaq əvəzinə modelin önünə minlərlə spam və normal məktub qoyulur. Model bu nümunələrdən fərqləndirici əlamətləri özü çıxarır və yeni gələn məktubu təsnif edir.

Mündəricat

Toggle
  • Maşın öyrənməsinin tərifi və qısa tarixi
  • Süni intellekt, maşın öyrənməsi və deep learning fərqi nələrdir?
  • Maşın öyrənməsi necə işləyir?
  • Maşın öyrənməsinin növləri
  • Maşın öyrənməsi alqoritmləri
  • Modelin qiymətləndirilməsi: əsas machine learning metrikləri
  • Maşın öyrənməsi nümunələri: harada istifadə olunur?
  • Maşın öyrənməsi üçün alətlər və proqramlaşdırma dilləri
  • Maşın öyrənməsini necə öyrənmək olar?
  • Tez-tez verilən suallar
  • Nəticə

Maşın öyrənməsinin tərifi və qısa tarixi

“Machine learning” termini 1959-cu ildə IBM tədqiqatçısı Arthur Samuel tərəfindən işlədilib. Samuel maşın öyrənməsini kompüterlərə açıq şəkildə proqramlaşdırılmadan öyrənmək bacarığı verən sahə kimi təsvir edib. Onun yazdığı şaşka proqramı minlərlə oyun oynayaraq yaxşı və pis gedişləri öyrənmiş və nəticədə müəllifin özündən daha yaxşı oynamağa başlamışdı.

1997-ci ildə Tom M. Mitchell daha formal tərif verib. Ona görə, proqram müəyyən tapşırıqlar (Task, T) üzrə göstəricisi (Performance, P) təcrübə (Experience, E) artdıqca yaxşılaşırsa, həmin proqram öyrənir. Spam nümunəsində T məktubu təsnif etmək, E etiketlənmiş məktublar, P isə düzgün təsnif edilən məktubların faizidir.

Əsas mərhələlər:

İlHadisə
1949Donald Hebb neyronların öyrənməsi haqqında nəzəriyyəsini dərc edir
1959Arthur Samuel “machine learning” terminini işlədir
1997Tom Mitchell formal tərifi verir
2012AlexNet şəkil tanımada deep learning dövrünü başladır
2017Transformer arxitekturası təqdim olunur; ChatGPT, Claude kimi modellər bunun üzərində qurulub

Bazar təhlilçiləri ML-in sürətlə böyüdüyünü göstərir. Fortune Business Insights-a görə, qlobal machine learning bazarı 2025-ci ildə 47.99 milyard dollar olub, 2026-cı ildə 65.28 milyard dollara çatacaq və 2034-cü ilə qədər illər üzrə orta hesabla 26.7% (CAGR) böyüyəcək (mənbə).

Süni intellekt, maşın öyrənməsi və deep learning fərqi nələrdir?

Bu üç anlayış tez-tez qarışdırılır, amma onlar bir-birinin içində yerləşən dairələr kimidir: Artificial Intelligence (AI) ən geniş sahədir, Machine Learning onun bir hissəsidir, Deep Learning isə maşın öyrənməsinin bir alt sahəsidir.

AnlayışNədirNümunə
Süni intellekt (AI)İnsan zəkası tələb edən işləri görən sistemlərin ümumi adı; qaydalara əsaslanan sistemlər də bura daxildirŞahmat mühərriki, virtual assistent
Maşın öyrənməsi (ML)Qaydaları data-dan öyrənən AI üsullarıSpam filtri, kredit riskinin qiymətləndirilməsi
Dərin öyrənmə (Deep Learning)Çoxqatlı neural network-lər əsasında ML; şəkil, səs və mətn kimi struktursız data ilə işləyirÜz tanıma, ChatGPT, Claude
Generative AIDeep learning əsasında yeni mətn, şəkil, səs yaradan modellərMətn yazan chatbot-lar, şəkil generatorları

Əsas fərq budur: klassik ML-də modelin istifadə etdiyi əlamətləri (features) çox vaxt insan hazırlayır. Deep learning-də isə neyron şəbəkə bu əlamətləri xam data-dan özü çıxarır, amma bunun üçün daha çox data və hesablama gücü (GPU) lazımdır. Neyron şəbəkələr haqqında ətraflı Neyron şəbəkələri nədir məqaləmizdə oxuya bilərsiniz.

Maşın öyrənməsi necə işləyir?

Maşın öyrənməsi modeli bir dəfəlik qurulmur: data hazırlanır, model öyrədilir, yoxlanılır və nəticə qənaətbəxş olana qədər bu dövrə təkrarlanır.

Əsas terminlər

TerminMənası
DatasetModelin öyrəndiyi nümunələr toplusu
FeatureModelin girişinə verilən dəyişən, məsələn mənzilin sahəsi
Label / TargetProqnozlaşdırılan cavab, məsələn mənzilin qiyməti
ModelData-dan öyrənilmiş riyazi funksiya
ParameterModelin öyrənmə zamanı özü tapdığı dəyərlər (çəkilər)
HyperparameterÖyrənmədən əvvəl insanın seçdiyi ayarlar, məsələn learning rate
Loss functionProqnozun real cavabdan nə qədər uzaq olduğunu ölçür
TrainingLoss-u azaltmaq üçün parametrlərin tənzimlənməsi
InferenceHazır modelin yeni data üçün proqnoz verməsi

Addım-addım machine learning prosesi

  1. Problemin təyini və data toplama. Hansı suala cavab axtarıldığı dəqiqləşdirilir, məsələn “müştəri krediti vaxtında qaytaracaqmı?”. Sonra lazım olan data bazalardan, fayllardan və ya API-lərdən toplanır.
  2. Data hazırlığı (data preprocessing). Boş dəyərlər və təkrarlar təmizlənir, kateqoriyalar rəqəmə çevrilir (encoding), dəyərlər eyni miqyasa gətirilir (scaling). Feature engineering mərhələsində mövcud sütunlardan yeni, daha mənalı əlamətlər yaradılır.
  3. Data-nın bölünməsi. Data training, validation və test hissələrinə ayrılır, məsələn 70/15/15. Test hissəsi modelin əvvəl görmədiyi data üzərində yoxlanması üçündür.
  4. Model training. Alqoritm loss function-ı minimuma endirmək üçün parametrlərini addım-addım dəyişir; əksər modellərdə bu Gradient Descent üsulu ilə edilir. Hyperparameter tuning mərhələsində ən yaxşı ayarlar validation data-sında seçilir.
  5. Evaluation. Model test data-sında Accuracy, F1-score, RMSE kimi metriklərlə qiymətləndirilir. Nəticə zəifdirsə, data hazırlığına və ya model seçiminə qayıdılır.
  6. Deployment və inference. Hazır model veb sayta, mobil tətbiqə və ya daxili sistemə API kimi qoşulur və real vaxtda proqnoz verir.
  7. Monitoring. Zaman keçdikcə real data dəyişir (data drift) və modelin dəqiqliyi düşür. Ona görə model izlənilir və yeni data ilə yenidən öyrədilir (retraining).

Maşın öyrənməsinin növləri

Maşın öyrənməsi data-nın etiketli olub-olmamasına və modelin necə öyrəndiyinə görə dörd əsas növə bölünür.

NövDataMəqsədNümunə
Supervised learningEtiketli (labeled)Doğru cavabı proqnozlaşdırmaqMənzil qiyməti, spam filtri
Unsupervised learningEtiketsiz (unlabeled)Gizli struktur və qruplar tapmaqMüştəri seqmentasiyası
Semi-supervised learningAz etiketli + çox etiketsizAz etiketlə yüksək dəqiqlikTibbi şəkillərin təsnifatı
Reinforcement learningMükafat və cəza siqnallarıƏn yaxşı strategiyanı öyrənməkOyun oynayan agentlər, robotlar

Supervised learning (nəzarətli öyrənmə) nədir?

Supervised learning-də model hər nümunənin doğru cavabı (label) olan data üzərində öyrədilir. Model giriş (input) ilə çıxış (output) arasındakı əlaqəni öyrənir və sonra yeni nümunə üçün cavabı proqnozlaşdırır. İki əsas tapşırıq növü var:

  • Classification (təsnifat): cavab kateqoriyadır. Məsələn, məktub spam-dır ya yox, müştəri krediti qaytaracaq ya yox.
  • Regression (reqressiya): cavab ədəddir. Məsələn, Bakıda 3 otaqlı mənzilin qiyməti və ya gələn ayın satış həcmi.

Unsupervised learning (nəzarətsiz öyrənmə) nədir?

Unsupervised learning-də data etiketsiz olur və model strukturu özü tapır. Ən çox istifadə olunan tapşırıqlar bunlardır:

  • Clustering (qruplaşdırma): oxşar obyektləri qruplara bölür, məsələn alış vərdişinə görə müştəri seqmentləri. Ətraflı: Qruplaşdırma (Clustering).
  • Dimensionality reduction (ölçünün azaldılması): çox sayıda dəyişəni əsas məlumatı itirmədən az sayıda dəyişənə endirir (məsələn, PCA).
  • Anomaly detection (anomaliyaların aşkarlanması): normadan kənar davranışı tapır, məsələn şübhəli kart əməliyyatı.
  • Association rules: “bunu alanlar bunu da alır” tipli əlaqələri aşkar edir.
machine learning nədir, maşın öyrənməsi növləri, maşın öyrənməsi alqoritmləri, supervised learning nədir, unsupervised learning nədir, reinforcement learning nədir, süni intellekt və maşın öyrənməsi fərqi, deep learning nədir, maşın öyrənməsi nümunələri, maşın öyrənməsini necə öyrənmək

Semi-supervised learning nədir?

Semi-supervised learning az sayıda etiketli və çoxlu etiketsiz nümunəni birlikdə istifadə edir. Etiketləmə bahalı və ya vaxt aparan olduğu hallarda, məsələn həkim rəyi tələb edən tibbi şəkillərdə faydalıdır. Böyük dil modellərinin (LLM) əvvəlcədən öyrədilməsində istifadə olunan self-supervised learning də bu ailəyə yaxındır: model mətndəki növbəti sözü proqnozlaşdıraraq öz etiketini özü yaradır.

Reinforcement learning (gücləndirilmiş öyrənmə) nədir?

Reinforcement learning-də agent mühitdə (environment) hərəkət edir, hər hərəkətə görə mükafat (reward) və ya cəza alır. Sınaq və səhv (trial and error) yolu ilə ümumi mükafatı ən yüksək edən strategiyanı (policy) öyrənir. Oyun oynayan sistemlər, robot idarəetməsi və chatbot-ların insan rəyinə görə təkmilləşdirilməsi (RLHF) bu yanaşmaya əsaslanır. Ətraflı: Gücləndirilmiş öyrənmə (Reinforcement Learning).

Maşın öyrənməsi alqoritmləri

Hər tapşırığın özünə uyğun alqoritmi var. Praktikada əvvəlcə sadə model (baseline) qurulur, sonra daha mürəkkəb modellərlə müqayisə edilir.

AlqoritmTapşırıqHarada istifadə olunur
Linear RegressionRegressionQiymət və satış proqnozu
Logistic RegressionClassificationKredit riski, müştəri itkisi (churn)
Decision TreeClassification, Regressionİzahı asan qərar qaydaları
Random ForestClassification, RegressionCədvəl (tabular) data-da güclü baseline
Gradient Boosting (XGBoost, LightGBM, CatBoost)Classification, RegressionBank, sığorta, e-commerce; tabular data-da ən dəqiq nəticələrdən biri
Support Vector Machine (SVM)ClassificationMətn təsnifatı, kiçik və orta data
K-Nearest Neighbors (KNN)Classification, RegressionTövsiyə sistemləri, oxşarlıq axtarışı
Naive BayesClassificationSpam filtri, mətn analizi
K-MeansClusteringMüştəri seqmentasiyası
PCADimensionality reductionData-nın vizuallaşdırılması və sıxılaşdırılması
Neural NetworksHər biriŞəkil, səs, mətn, generative AI

Linear və Logistic Regression

Linear Regression giriş dəyişənləri ilə nəticə arasında düz xətti əlaqə qurur. Məsələn, mənzilin sahəsi artdıqca qiymətinin necə dəyişdiyini göstərir. Logistic Regression adında “regression” olsa da classification alqoritmidir: nəticənin bir sinfə aid olma ehtimalını (0 ilə 1 arası) hesablayır.

Decision Tree və Random Forest

Decision Tree data-nı “əgər … onda …” sualları ilə budaqlara ayırır, ona görə də nəticəsini izah etmək asandır. Tək ağac tez-tez overfitting edir. Random Forest yüzlərlə ağac qurub onların cavablarını birləşdirir və beləliklə daha sabit nəticə verir. Gradient Boosting isə ağacları ardıcıl qurur: hər yeni ağac əvvəlkilərin səhvlərini düzəltməyə çalışır.

Support Vector Machine (SVM)

SVM sinifləri bir-birindən ən geniş məsafə (margin) ilə ayıran sərhəd xəttini və ya müstəvini (hyperplane) axtarır. Kernel funksiyaları vasitəsilə xətti olmayan sərhədləri də tapa bilir.

K-Means Clustering

K-Means data-nı əvvəlcədən seçilən K sayıda qrupa bölür. Hər nöqtəni ən yaxın mərkəzə (centroid) aid edir və mərkəzlər dəyişməyənə qədər bu addımı təkrarlayır.

Neural Networks (neyron şəbəkələr)

Neyron şəbəkələr bir-birinə bağlı süni neyron qatlarından ibarətdir. Hər qat data-dan daha mürəkkəb əlamətlər çıxarır. Qatların sayı çox olduqda bu yanaşmaya deep learning deyilir. Şəkil üçün CNN, ardıcıl data üçün RNN və LSTM, mətn üçün isə Transformer arxitekturası geniş yayılıb. Ətraflı: Dərin öyrənmə və neyron şəbəkələri.

Modelin qiymətləndirilməsi: əsas machine learning metrikləri

Model test data-sında, yəni öyrədilmə zamanı görmədiyi nümunələrdə yoxlanılır. Hansı metrikdən istifadə olunacağı tapşırığın növündən və səhvin qiymətindən asılıdır.

Confusion Matrix

Classification metriklərinin əsası Confusion Matrix-dir. O, modelin cavablarını dörd qrupa bölür:

Model: pozitivModel: neqativ
Real: pozitivTrue Positive (TP)False Negative (FN)
Real: neqativFalse Positive (FP)True Negative (TN)

Spam nümunəsində FP normal məktubun səhvən spam qovluğuna düşməsidir, FN isə spam-ın inbox-a keçməsidir.

Classification metrikləri

MetrikDüsturNə deyirNə vaxt vacibdir
Accuracy(TP + TN) / (TP + TN + FP + FN)Bütün cavabların neçə faizi düzgündürSiniflər balanslı olduqda
PrecisionTP / (TP + FP)“Pozitiv” dediyi halların neçə faizi həqiqətən pozitivdirFP bahalıdır: spam filtri, tövsiyə
Recall (Sensitivity)TP / (TP + FN)Real pozitivlərin neçə faizini tapıbFN bahalıdır: xəstəlik diaqnozu, fraud
F1-score2 × Precision × Recall / (Precision + Recall)Precision və Recall-un harmonik ortasıSiniflər balanssız olduqda
ROC-AUCROC əyrisi altındakı sahə (0.5–1)Modelin sinifləri ayırma gücü, threshold-dan asılı deyilModelləri müqayisə edərkən
Log LossProqnoz ehtimallarının cəzasıModel öz cavabına nə qədər düzgün əmindirEhtimal proqnozu lazım olduqda

Vacib qeyd: balanssız data-da Accuracy aldadıcıdır. Əgər əməliyyatların 99%-i normal, 1%-i fraud-dırsa, hər şeyi “normal” adlandıran model 99% Accuracy göstərir, amma bir dənə də fraud tapmır. Belə hallarda Precision, Recall və F1-score-a baxılır.

Regression metrikləri

MetrikNə deyirXüsusiyyəti
MAE (Mean Absolute Error)Proqnozun real dəyərdən orta mütləq fərqiİzahı asandır, hədəflə eyni vahiddədir
MSE (Mean Squared Error)Xətaların kvadratlarının ortasıBöyük səhvləri daha çox cəzalandırır
RMSE (Root Mean Squared Error)MSE-nin kvadrat köküHədəflə eyni vahiddədir, böyük səhvlərə həssasdır
MAPE (Mean Absolute Percentage Error)Orta faiz xətasıBiznes üçün anlaşıqdır, sıfıra yaxın dəyərlərdə qeyri-sabitdir
R² (Coefficient of Determination)Model dəyişkənliyin neçə faizini izah edir1-ə yaxındırsa yaxşıdır

Məsələn, mənzil qiyməti modelində MAE = 8,000 AZN o deməkdir ki, model orta hesabla real qiymətdən 8,000 manat yanılır.

Clustering metrikləri

Etiket olmadığı üçün clustering keyfiyyəti qrupların daxili sıxlığı ilə ölçülür: Silhouette Score (-1 ilə 1 arası, 1-ə yaxın daha yaxşıdır), Inertia (Elbow Method ilə optimal K seçmək üçün) və Davies-Bouldin Index (kiçik olması daha yaxşıdır).

Overfitting və underfitting

  • Overfitting: model training data-nı əzbərləyir, yeni data-da isə zəif nəticə göstərir. Əlaməti: training metrikləri çox yüksək, test metrikləri aşağıdır.
  • Underfitting: model çox sadədir və hətta training data-dakı qanunauyğunluğu da tutmur.
  • Bias-Variance Tradeoff: sadə modellərin bias-ı, mürəkkəb modellərin variance-ı yüksək olur; məqsəd ikisi arasında balans tapmaqdır.

Overfitting-in qarşısını almaq üçün data train, validation və test hissələrinə bölünür, Cross-Validation tətbiq olunur, Regularization (L1, L2), Dropout və Early Stopping istifadə edilir, mümkünsə data artırılır.

Maşın öyrənməsi nümunələri: harada istifadə olunur?

Maşın öyrənməsi artıq gündəlik istifadə etdiyimiz xidmətlərin çoxunun arxasında dayanır.

SahəTətbiqML tapşırığı
Bank və maliyyəKredit skorinqi, fraud aşkarlanması, müştəri itkisinin (churn) proqnozuClassification, anomaly detection
E-commerce və retailMəhsul tövsiyələri, tələbat proqnozu, dinamik qiymətRecommendation, regression
MarketingMüştəri seqmentasiyası, RFM analizi, lead scoringClustering, classification
SəhiyyəRentgen və MRT şəkillərinin analizi, xəstəlik riskinin qiymətləndirilməsiComputer vision, classification
NəqliyyatTaksi tətbiqlərində çatma vaxtı (ETA), marşrut optimallaşdırılması, özü-özünə hərəkət edən maşınlarRegression, reinforcement learning
KibertəhlükəsizlikPhishing məktublarının və şəbəkə hücumlarının aşkarlanmasıClassification, anomaly detection
TelekomŞəbəkə yüklənməsinin proqnozu, abunəçi itkisinin qarşısının alınmasıTime series forecasting, classification
Media və sosial şəbəkələrYouTube, Netflix, Instagram lentlərinin fərdiləşdirilməsiRecommendation
Dil və mətnMaşın tərcüməsi, chatbot-lar, səsin mətnə çevrilməsiNLP, deep learning
İdmanOyunçu performansının və matç nəticələrinin analiziRegression, classification

Məsələn, bank kredit müraciətini qiymətləndirərkən müştərinin gəliri, kredit tarixçəsi və ödəniş intizamı kimi əlamətlər modelin girişinə verilir. Model isə krediti vaxtında qaytarmama ehtimalını hesablayır. Futbolda data-nın necə istifadə olunduğuna baxmaq üçün: Məlumatlarla futbol oyunlarının analizi.

Maşın öyrənməsi üçün alətlər və proqramlaşdırma dilləri

Maşın öyrənməsində əsas dil Python-dur: kitabxanaların əksəriyyəti və tədris materialları Python üçündür. Statistik analizdə R, data çıxarmaq üçün isə SQL da geniş istifadə olunur.

AlətNə üçündür
NumPy, PandasRəqəmsal hesablamalar, cədvəl data-sı ilə iş
Matplotlib, SeabornData vizuallaşdırması
Scikit-learnKlassik ML alqoritmləri, metriklər, preprocessing
XGBoost, LightGBM, CatBoostGradient Boosting modelləri
TensorFlow, Keras, PyTorchDeep learning və neural network-lər
Hugging Face TransformersHazır dil və şəkil modelləri
Jupyter Notebook, Google ColabKodu addım-addım yazmaq və sınamaq
MLflow, DockerModellərin izlənməsi və işə salınması (MLOps)

Maşın öyrənməsini necə öyrənmək olar?

Sıfırdan başlayan biri üçün aşağıdakı ardıcıllıq işləyir:

  1. Python əsası: dəyişənlər, dövrlər, funksiyalar, data strukturları. Başlanğıc: Sıfırdan Python öyrənmək.
  2. Riyaziyyat və statistika: xətti cəbr (vektor, matris), ehtimal nəzəriyyəsi, deskriptiv statistika, törəmə və gradient anlayışı. Bax: Ehtimal nəzəriyyəsi və Deskriptiv statistika.
  3. Data ilə iş: Pandas ilə data təmizləmə, Exploratory Data Analysis (EDA), vizuallaşdırma, SQL.
  4. Klassik ML: Scikit-learn ilə regression, classification, clustering; train/test bölgüsü, cross-validation və metriklər.
  5. Deep learning: PyTorch və ya TensorFlow ilə neural network-lər, CNN, Transformer.
  6. Real layihələr: Kaggle yarışları, açıq data-setlər üzərində portfolio, GitHub-da kod.
  7. MLOps: modeli API kimi işə salmaq, monitorinq və yenidən öyrətmə.

Strukturlu proqram və mentor dəstəyi ilə öyrənmək istəyirsinizsə, Alas Academy-nin Süni intellekt təlimi və Data analitika təlimi proqramlarına baxın.

Tez-tez verilən suallar

Maşın öyrənməsi ilə süni intellekt eyni şeydirmi?

Xeyr. Süni intellekt daha geniş anlayışdır, maşın öyrənməsi isə onun data-dan öyrənən hissəsidir. Müasir AI sistemlərinin əksəriyyəti ML üzərində qurulub.

Maşın öyrənməsi üçün riyaziyyat lazımdırmı?

Bəli, amma başlamaq üçün yüksək səviyyə şərt deyil. Xətti cəbr, ehtimal, statistika və törəmə anlayışı kifayətdir. Daha dərin bilik tədqiqat və yeni alqoritm yaratmaq üçün lazım olur.

Maşın öyrənməsini öyrənmək nə qədər vaxt aparır?

Python və statistika bilikləri olan biri müntəzəm məşğələ ilə klassik ML-in əsaslarını bir neçə aya öyrənə bilər. Deep learning və MLOps əlavə vaxt tələb edir. Əsas fərqi real layihələr yaradır.

Machine learning üçün ən yaxşı proqramlaşdırma dili hansıdır?

Python. Scikit-learn, PyTorch, TensorFlow və Pandas kimi əsas kitabxanalar Python üçündür və iş elanlarının əksəriyyəti Python tələb edir.

Supervised və unsupervised learning arasında fərq nədir?

Supervised learning etiketli data ilə doğru cavabı proqnozlaşdırmaq üçün öyrənir. Unsupervised learning isə etiketsiz data-da qrupları və gizli strukturu özü tapır.

Overfitting nədir?

Overfitting modelin training data-nı əzbərləyib yeni data-da zəif işləməsidir. Cross-validation, regularization və daha çox data ilə qarşısı alınır.

Machine learning mütəxəssisi nə iş görür?

Machine Learning Engineer biznes probleminin data ilə həll edilə bilən tapşırığa çevrilməsi, data-nın hazırlanması, modelin qurulması, qiymətləndirilməsi və işə salınması ilə məşğul olur. Yaxın peşələr Data Scientist və Data Analyst-dir. Bax: Data Science və data analitika nədir.

Nəticə

Maşın öyrənməsi kompüterlərə qaydaları data-dan öyrənməyə imkan verən və bu gün bankçılıqdan səhiyyəyə qədər hər sahədə istifadə olunan texnologiyadır. Onu anlamaq üçün dörd şey vacibdir: öyrənmə növləri (supervised, unsupervised, reinforcement), əsas alqoritmlər, düzgün metrik seçimi və overfitting-dən qaçmaq. Python və statistika ilə başlayıb kiçik layihələrlə davam etmək bu sahəyə girməyin ən praktik yoludur.

  • Share:
Əvvəlki
Kibertəhlükəsizlik qaydaları 2026: süni intellekt dövründə özünüzü və biznesinizi necə qorumalı?
7 minutes read
No comments yet! You be the first to comment.

Leave a Reply Cancel reply

Your email address will not be published. Required fields are marked *

Yeni Məqalələr

  • machine learning nədir, maşın öyrənməsi növləri, maşın öyrənməsi alqoritmləri, supervised learning nədir, unsupervised learning nədir, reinforcement learning nədir, süni intellekt və maşın öyrənməsi fərqi, deep learning nədir, maşın öyrənməsi nümunələri, maşın öyrənməsini necə öyrənmək
    Maşın öyrənməsi nədir? (Machine Learning)November 19, 2026
  • kibertəhlükəsizlik, kibertəhlükəsizlik qaydaları, fişinq, deepfake, quishing, SIM swap, passkey, 2FA, infostealer, Zero Trust, NIST CSF 2.0, kiberhücum, parol meneceri,kiberhücumlardan necə qorunmaq olar, süni intellekt dövründə kibertəhlükəsizlik qaydaları, deepfake səs fırıldaqçılığından necə qorunmalı, QR kodla fişinq hücumu nədir, SIM swap hücumundan qorunma yolları, iki faktorlu autentifikasiya necə aktivləşdirilir, passkey nədir və necə istifadə olunur, hesab sındırılıbsa nə etməli, kiçik biznes üçün kibertəhlükəsizlik qaydaları, Azərbaycanda fırıldaqçılıq ssenariləri, bankın təhlükəsizlik xidməti adından saxta zənglər, ailə üçün kod söz deepfake zənglərə qarşı
    Kibertəhlükəsizlik qaydaları 2026: süni intellekt dövründə özünüzü və biznesinizi necə qorumalı?October 21, 2026
  • İtaliyada təhsil, İtaliyada təhsil 2026, İtaliyada universitet, İtaliya universitetləri, İtaliyada bakalavr təhsili, İtaliyada magistr təhsili, İtaliyada təqaüdlə təhsil, İtaliyada pulsuz təhsil, DSU təqaüdü, İtaliyada təhsil haqqı, İtaliyada qəbul şərtləri, İtaliyada təhsil üçün sənədlər, İtaliya tələbə vizası, Universitaly, CIMEA, Declaration of Value, ISEE, ISEE Parificato, IELTS, İtaliyada ingilis dilində təhsil, İtaliyada yaşayış xərcləri, İtaliyada tələbə həyatı, İtaliyada işləmək, İtaliyada təqaüd, İtaliyada universitetə qəbul, İtaliyada təhsil üçün müraciət,İtaliyada təhsil almaq üçün nə etmək lazımdır, İtaliyada təqaüdlə necə oxumaq olar, İtaliyada təhsil haqqı nə qədərdir, İtaliyada bakalavr üçün qəbul şərtləri, İtaliyada magistr təhsili üçün sənədlər, İtaliyada IELTS olmadan təhsil mümkündürmü, DSU təqaüdü necə alınır, İtaliyada universitetə necə müraciət etmək olar, İtaliya tələbə vizası üçün hansı sənədlər lazımdır, İtaliyada tələbə kimi işləmək mümkündürmü
    İtaliyada təhsil almaq üçün nə bilmək lazımdır?October 13, 2026
  • white hat hacker, black hat hacker, ethical hacker, ethical hacking, etik haker, ağ papaqlı haker, qara papaqlı haker, white hat hacker nədir, black hat hacker nədir, white hat və black hat fərqi, hacker növləri, kibertəhlükəsizlik, kibertəhlükəsizlik mütəxəssisi, penetration testing, pentest, informasiya təhlükəsizliyi, cybersecurity, ethical hacking kursu, kibertəhlükəsizlik kursu, kibertəhlükəsizlik təlimi
    White Hat Hacker və Black Hat Hacker nədir və aralarındakı əsas fərq nədən ibarətdir?October 13, 2026
  • GitHub, GitHub istifadə qaydası, GitHub nə üçün istifadə olunur, Git və GitHub fərqi, GitHub repository nədir, GitHub repository yaratmaq, GitHub hesabı necə açılır, GitHub branch nədir, GitHub commit nədir, GitHub pull request nədir, GitHub merge nədir, GitHub clone nədir, GitHub fork nədir, GitHub push nədir, GitHub pull nədir, GitHub-a layihə yükləmək, GitHub layihə paylaşmaq, GitHub yeni başlayanlar üçün, GitHub dərsləri, GitHub proqramlaşdırma, GitHub versiya idarəetmə, Git versiya nəzarəti, repository nədir, branch nədir, commit nədir, pull request nədir, open source nədir, GitHub ilə komanda işi, GitHub portfolio, developer GitHub hesabı.
    GitHub nədir və necə istifadə olunur? Yeni başlayanlar üçün ətraflı GitHub bələdçisiSeptember 25, 2026

Alas Academy olaraq, texnologiyanın sərhədsiz imkanlarını hər kəs üçün əlçatan etmək üçün çalışırıq. 2020-ci ildən bəri proqramlaşdırma və analitika sahəsində minlərlə tələbəni gələcəyin peşəkarına çeviririk. Düzünü desək, sırf kod yazmağı öyrətmək bizim işimiz deyil.

Facebook-f Instagram Linkedin Youtube Tiktok
Kurslar
  • Data analitika
  • Data Science
  • Süni İntellekt
  • QA Manual Testing
  • QA Automation
  • Kibertəhlükəsizlik
Faydalı Linklər
  • Haqqımızda
  • Əlaqə
  • Kurslar
  • Bloqlar
  • Təqaüdlər
  • Tədbirlər
  • FAQ
Əlaqə
  • +994 10 265 45 82
  • [email protected]
  • Müəlliflik hüququ © 2026 Alas Academy.
  • By Ondigital.az
Ana səhifəCoursesAxtarAccount