Öğrenme Rejimleri: Supervised, Semi-Supervised, Unsupervised, Weakly-Supervised — Etiket Kıtlığı Altında Karar
Anomaly detection için dört öğrenme rejimi: supervised, semi-supervised, unsupervised, weakly-supervised. Etiket pahalılığı tablosu, hangi sektörde hangi rejim, ve hibrit yaklaşımlar.
Şükrü Yusuf KAYA
26 dakikalık okuma
Başlangıç
🎯 Etiket pahalılığı belirleyici
Anomaly detection'da etiket bulmak çok pahalıdır. Bir fraud transaction'ı doğru etiketlemek için analist gerekir; bir bearing arızası etiketlemek için makinist + downtime gerekir. Bu yüzden 'hangi öğrenme rejimini kullanacağız' sorusunun cevabı asla 'supervised' kolaylığında değil. Bu derste dört rejimi netleştireceğiz ve hangi sektörde hangi rejimin başlangıç noktası olduğunu göstereceğiz.
Supervision Spektrumu#
Klasik ML'de öğrenme rejimleri etiket miktarı + etiket kalitesi ekseninde
yerleşir. Anomaly detection'da dört rejim öne çıkar:
[ Etiket yok ] [ Tam etiket ] ↓ ↓ Unsupervised ─ Weakly-Supervised ─ Semi-Sup ─ Supervised ↓ ↓ ↓ ↓ Iforest Snorkel OC-SVM XGBoost+Focal LOF Programmatic VAE Deep Classifier DBSCAN labels
Her birinin temel varsayımları:
Tanım: Eğitim verisinde hiç etiket yok. Model "neyin normal olduğunu" verinin yapısından çıkarır.
Temel varsayım: Anomalilerin azınlıkta olduğu (örn. veri toplamında %1-5'i aşmadığı).
Tipik algoritmalar: Isolation Forest, LOF, HBOS, OCSVM, autoencoder reconstruction error.
Avantajları:
- Etiket maliyeti yok — hızlı başlanır
- Yeni domain'lere kolay taşınır
- Bilinmeyen anomali tiplerini de yakalayabilir (eğitim setinde olmayanlar dahil)
Dezavantajları:
- Performans tahmini zor (etiket yok → metric yok)
- Hyperparameter (contamination, k) seçimi sezgisel
- "Anomali" tanımı algoritmanın iç önyargısına bağlı
Tipik kullanım: İlk MVP, yeni sektöre giriş, yeni feature ekleme döneminde baseline kurma.
Uygulama notu: Unsupervised AD ile başlayıp etiket toplamaya yatırım yapma, sonra semi-supervised veya supervised'a geçme — endüstri standart yaklaşımı.
Sektörlere Göre Etiket Pahalılığı#
Etiket maliyetini somutlaştırmak için sektörel bir tablo:
| Sektör | Etiketleme yöntemi | Etiket başına maliyet | Etiket gecikmesi |
|---|---|---|---|
| Banking fraud | Analist manual review | 5-15 TL/etiket | 1-7 gün (chargeback ile 30-90 gün) |
| AML compliance | SAR analist + denetçi | 200-500 TL/etiket | 2-8 hafta |
| Insurance fraud | Soruşturma uzmanı | 500-2000 TL/etiket | 1-6 ay |
| Network IDS | SOC analist | 8-25 TL/etiket | 0-12 saat |
| Predictive maintenance | Bakım mühendisi + downtime | 1000-50.000 TL/etiket | 1-12 hafta |
| Vision QC | Kalite kontrol uzmanı | 1-3 TL/etiket | dakikalar |
| Healthcare ECG | Kardiyolog yorumu | 50-200 TL/etiket | gün-haftalar |
Pratik karar: Etiket başı maliyet 100 TL üstüyse, mecburen unsupervised veya semi-supervised ile başla. Maliyet 5 TL altıysa ve gecikme kısaysa, supervised gerçekçi olabilir.
Sektör × Rejim Eşleme#
Aşağıdaki tablo başlangıç noktan için bir öneri matrisi. Olgunlaştıkça başka
rejimlere geçeceksin.
| Sektör | Başlangıç rejimi | 6 ay sonra | Gerçek olgun pipeline |
|---|---|---|---|
| Banking fraud | Semi-supervised (normal işlemler bol) | + Supervised (etiket arşivlendikçe) | Semi + Supervised ensemble |
| AML | Weakly-supervised (Snorkel) | + Supervised tunel | Hibrit + graph |
| Network IDS | Unsupervised (etiket bekleyemez) | + Semi-supervised (saf normal) | Ensemble + signature |
| Predictive maintenance | Unsupervised (etiket pahalı) | + Few-shot supervised | Hibrit + physics-based |
| Vision QC | Semi-supervised (defektsiz parça bol) | Few-shot + augmentation | PatchCore + classifier |
| Log anomaly | Unsupervised (volüm çok) | + DeepLog (semi-sup) | LogBERT + signature |
| Healthcare ECG | Weakly-supervised (proxy etiket) | + Supervised (etiketli arşiv) | Multi-modal ensemble |
| APM/SRE | Unsupervised (real-time) | + Drift-aware | Online + offline ensemble |
🧬 Hibrit her yerde kazanır
Production'da en sık karşılaşacağın yapı iki rejim arasında hibrit: bir unsupervised baseline + bir supervised tune. Unsupervised model 'şüphelenilen' kayıtları gönderir, supervised model bu kayıtları detaylı sınıflandırır. Buna 'cascade' veya 'two-stage' AD denir.
Active Learning — Etiket Pahalılığını Azaltmak#
Active learning (aktif öğrenme), modelin kendisinin hangi örnekleri
etiketlemeyi istediğini söylediği yaklaşımdır. Anomaly detection için
çok güçlüdür çünkü etiket maliyeti yüksek.
Tipik döngü#
1. Unsupervised model fit et (etiketsiz) 2. Tüm test setine anomaly score üret 3. En "belirsiz" örnekleri seç (score eşik civarında) 4. Bu örnekleri analist'e gönder, etiket al 5. Etiketli kümeyle supervised tune et 6. Adım 2'ye dön
Active learning ile etiket tasarrufu#
| Yaklaşım | Aynı PR-AUC için gerekli etiket |
|---|---|
| Rastgele etiketleme | 10.000 örnek |
| Pure-uncertainty sampling | 2.500 örnek |
| Diversity + uncertainty | 1.200 örnek |
| Active + weak supervision | 600 örnek |
Türkiye'deki bir fraud ekibi raporu (2024): active learning ile etiket maliyeti %85 azaldı, aynı PR-AUC'u sürdürdü.
Modül 19'da (Financial Fraud) active learning kullanan tam bir pipeline kurağız.
Self-Supervised AD — Etiketsiz Ama Güçlü#
Son 3 yılın sıcak konusu self-supervised anomaly detection. Burada etiket
yok ama modelin kendisi "pretext task" yaratıyor (örn. rotasyon tahmini,
masked reconstruction, contrastive pair).
Self-Supervised Yöntemler Tablosu#
| Yöntem | Pretext task | Anomaly skoru |
|---|---|---|
| DROCC | Geometric transformation | Boundary distance |
| CSI | Distribution-shifted positive | Contrastive similarity |
| PANDA | Pretrained features + adapter | Mahalanobis on features |
| NeuTraL AD | Learned transformations | Transformation discrepancy |
| SimCLR + AD | Image augmentations | Feature distance |
Self-supervised yöntemler etiketsiz olmasına rağmen supervised seviyeye
yaklaşan performans verebiliyor. Bu, "etiketin pahalı olduğu" sektörlerde
(healthcare, predictive maintenance) çok güçlü.
Modül 13'te (Self-Supervised AD) bu konuyu derinleştireceğiz.
Karar Akışı: Hangi Rejimi Seçeyim?#
Aşağıdaki akış diyagramı ilk adımın için bir karar rehberi:
[Etiketli anomali örneğin var mı?] ↓ ├── Hayır → [Saf normal verin bol mu?] │ ├── Evet → Semi-supervised (OCSVM, VAE, AE) │ └── Hayır → Unsupervised (iForest, LOF, HBOS) │ ├── Çok az (<100) → [Etiket toplama gücü var mı?] │ ├── Evet → Active learning + semi-supervised │ └── Hayır → Few-shot supervised + Augmentation │ ├── Orta (100-5000) → Weakly-supervised + Snorkel + Supervised tune │ └── Çok (5000+) → [Class imbalance ne?] ├── 1:10 - 1:1000 → Supervised + SMOTE/class weight └── 1:10000+ → Supervised + focal loss + ensemble
💼 Gerçek Hayat Örnek Vaka
Türk bir bankada fraud ekibi 2022'de pure supervised XGBoost ile başladı. PR-AUC 0.42'ydi. 2023'te Isolation Forest ekleyip ensemble yaptılar → 0.51. 2024'te semi-supervised AE eklediler → 0.58. Sonra active learning ile etiket toplamayı hızlandırdılar → 0.66. 2025 başında self-supervised contrastive AD eklediler → 0.71. Hiçbir rejim tek başına yetmedi. Sırada graph + transformer var (2026 hedef 0.78+).
Bu Rejimleri Hangi Modüllerde Kullanacağız?#
| Rejim | Esas modül | Capstone |
|---|---|---|
| Unsupervised | 5-9 (Klasik ML), 10 (AE) | Capstone 4 (CWRU), Capstone 5 (Vision) |
| Semi-supervised | 8 (OCSVM/SVDD), 10 (AE), 24 (Vision) | Capstone 5, Capstone 6 |
| Supervised | 19 (Fraud), 25 (Healthcare) | Capstone 1, Capstone 2 |
| Weakly-supervised | 19 (Snorkel), 25 (Healthcare) | Capstone 2 (UEBA) |
| Active learning | 19, 24, 29 (Threshold) | Capstone 1 |
| Self-supervised | 13 (Self-sup), 14 (Transformer) | Capstone 5 |
Yani rejim seçimi sürekli yapacağın bir karar. Bir capstone'a girerken
"bu sektörde başlangıç rejimi ne?" sorusu hep ilk soru olmalı.
👉 Bir sonraki ders
Ders 1.4 — Anomali Detection Pipeline Anatomisi. Ingestion → feature engineering → scoring → thresholding → alerting → feedback loop akışını uçtan uca inceleyeceğiz. Bir AD modeli production'a nasıl konulur, hangi yerlerde kötü olur, nasıl observability eklenir.
Sık Sorulan Sorular
Evet, hatta yaygın. Çoğu prod AD sistemi unsupervised baseline ile başlar (iForest veya AE). Sonra zaman içinde etiket biriktikçe supervised tune eklenir. Bu hibrit yaklaşım 'cold start'tan çıkışın standart yolu.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
İlgili İçerikler
Modül 0: Kurs Çerçevesi ve Atölye Kurulumu
Anomaly Detection Engineer Kimdir? Fraud, SRE, Quality Engineer ile Farklar ve Türkiye Maaş Manzarası
Öğrenmeye BaşlaModül 0: Kurs Çerçevesi ve Atölye Kurulumu
Kurs Felsefesi: Neden Bu Yol, Neden Bu Sıra — Anomaly Detection Öğrenme Nehri
Öğrenmeye BaşlaModül 0: Kurs Çerçevesi ve Atölye Kurulumu