Derin Öğrenme Nedir? Makine Tahsilinden Farkı Ne?

BEĞENDİM

ABONE OL

News

0

Yapay zekanın hızlı yükselişiyle birlikte literatüre yeni kavramlar da girmeye başladı. Her gün her yerde “Aİ” diye bir şey duyuyoruz lakin bu işin arka planında farklı süreçler işliyor. “deep learning” yani “derin öğrenme” ise yapay zeka diyarında ismi çok geçmeye başlayan bir işlem.

Son vakitlerde teknoloji dünyası yapay zeka uygulamalarında bir artışa şahit oldu ve bunların hepsi derin öğrenme modelleri tarafından destekleniyor. Uygulamalar Netflix’te film önermekten Amazon depo yönetim sistemlerine kadar uzanıyor. Peki nedir bu derin öğrenme? İşin ucu nereye doğru gidiyor?

Derin öğrenme, bilgisayarlara tıpkı insanların yaptığı gibi örneklerden öğrenerek misyonları yerine getirmeyi öğreten bir makine tahsili çeşidi. Bilgisayarlar nasıl bir şeyleri öğrenebiliyor? Hayli kapsamlı veri kümeleriyle besleme yapılarak. Küçük yaştaki bir çocuk görerek, duyarak ve koklayarak, özetle duyu organlarıyla dünyada gerçekleşen bazı şeyleri kapar. Bilgisayardaki algoritmalar da benzer, tam olarak insan bir insan gibi düşünemese de görsel ve ses verileri gibi birçok datayı tanımlayacak biçime getirilebiliyor.

Deep learning olarak anılan süreçte bilgisayarlar, insanın bilişsel süreçlerini simüle edecek şekilde kapsamlı veri kümelerinden öğrenmeleri için eğitiliyor. Derin öğrenme modelleri, sınıflandırma vazifelerini yerine getirmek ve fotoğraf, metin, ses ve diğer veri tiplerindeki kalıpları tanımak üzere öğretilebilir. Ayrıca görüntüleri tanımlamak veya ses evraklarını yazıya dökmek gibi normalde insan zekası gerektiren vazifeleri otomatikleştirmek için de kullanılabilir.

İnsan beyinlerinde bilgileri öğrenmek için birlikte çalışan milyonlarca birbirine bağlı nöron bulunur. Derin öğrenme ise birlikte çalışan birden fazla yazılım düğümü katmanından oluşturulmuş sinir ağlarını içeriyor. Modeller, büyük etiketli veri kümeleri ve sinir ağı mimarileri kullanılarak eğitilmekte.

Deep learning metodu özetle bir bilgisayarın örneklerle öğrenmesini sağlar. Biraz önce verdiğimiz örneğe benzer şekilde, yeni yürümeye başlayan ve bir köpeğin ne olduğunu öğrenen çocuğu hayal edin. Yürümeye başlayan çocuk, objeleri işaret ederek ve köpek sözünü söyleyerek köpeğin ne olduğunu ve ne olmadığını öğrenir. Ebeveynler, yeni şeylerle tanışan çocuğa “Evet, bu bir köpek” veya “Hayır, bu bir köpek değil” gibi karşılıklar verir. Küçük çocuk objeleri işaret etmeye devam ettikçe, tüm köpeklerin sahip olduğu özelliklerin farkına varmaya başlar. Küçük çocuğun farkında olmadan yaptığı şey, karmaşık bir soyutlamayı açıklamaktır: köpek kavramı.

Bir bilgisayara “arabanın” nasıl bir şey olduğunu öğretiyoruz diyelim. Tekerlek, aynalar ve kaput gibi şeyleri söylemek yerine çok sayıda araba resmi gösterirsiniz. Bilgisayar ortak kalıpları kendi kendine bulabilir ve arabayı nasıl tanımlayacağını öğrenir. Bu da derin öğrenmenin özüdür.

Teknik anlamda derin öğrenme, insan beyninden esinlenen “sinir ağları” adı verilen bir yöntem kullanır. Bu ağlar, bilgiyi işleyen birbirine bağlı düğümlerin katmanlarından oluşmakta. Daha fazla katman, ağın daha karmaşık özellikleri öğrenmesine ve daha sofistike vazifeleri yerine getirmesine olanak tanıyacak şekilde “daha derin” olmasını sağlar.

Genellikle bir bilgisayar programı kullanmak, doğru çıktıları elde etmek için kesin girdiler gerektirir. Buna karşın derin öğrenme, rastgele veya kesin olmayan verileri alarak ilgili bir çıktı üretebilir. Misalen, klasik bir bilgisayar programı iki dijital portrenin tamamen aynı olup olmadığını söyleyebilir. Derin öğrenme modeli, portrelerin kendileri farklı olsa bile portre öznelerindeki benzerlikleri tanıyabilir.

Deep Learning, büyük veri setlerine ve çok fazla hesaplama gücüne dayanıyor. Bu iki şeyin kullanılabilirliği arttıkça da derin öğrenme modelleri daha sofistike hale gelmeye başladı. Günümüzde büyük veri koleksiyonları ve GPU destekli bulut bilişim hizmetleri, derin öğrenmeyi geliştiriciler ve günlük kullanıcılar için her zamankinden daha erişilebilir hale getiriyor.

Derin öğrenme kullanan bilgisayar programları, yeni yürümeye başlayan çocuğun bir köpeği tanımayı öğrenmesiyle aynı süreçten geçer. Yazılımlar, tahminleri ve sınıflandırmaları uygunlaştırmak ve optimize etmek için her katmanın bir evvelkinin üzerine inşa edildiği, birbirine bağlı düğümlerden oluşan birden fazla katmana sahip. Derin öğrenme, girdisinde doğrusal olmayan dönüşümler gerçekleştirir ve öğrendiklerini çıktı olarak istatistiksel bir model oluşturmak için kullanır. Yinelemeler, çıktı kabul edilebilir bir doğruluk düzeyine ulaşana kadar devam eder. Dataların geçmesi gereken işlem katmanlarının sayısı, “derin” denilen şeye ilham veren şeydir.

Geleneksel makine tahsilinde öğrenme süreci kontrollüdür ve programcının bilgisayara bir imajın köpek içerip içermediğine karar vermek için ne tür şeyler araması gerektiğini söylerken son derece spesifik olması gerekir. Bu, “özellik çıkarma (feature extraction) adı verilen zahmetli bir süreç ve bilgisayarın başarı oranı tamamen programcının köpek için bir özellik kümesini doğru bir şekilde tanımlama marifetine bağlı. Derin öğrenmenin avantajı ise programın kontrolsüz öğrenme yoluyla özellik kümesini kendi kendine oluşturabilmesi.

Başlangıçta bilgisayar programına eğitim verileri sağlanabilir. Her bir imgenin meta etiketlerle köpek veya köpek değil olarak etiketlendiği bir dizi görsel gibi. Program, eğitim datalarından aldığı bilgileri kullanarak köpek için bir özellik kümesi ve bir tahmin modeli oluşturur. Bu durumda bilgisayarın ilk oluşturduğu model, dört bacağı ve kuyruğu olan bir imajdaki her şeyin köpek olarak etiketlenmesi gerektiğini tahmin edebilir. Elbette program dört bacak veya kuyruk etiketlerinden haberdar değil. Sadece dijital bilgilerdeki piksel desenleri aranır. Her yinelemeyle birlikte tahmin modeli daha karmaşık ve daha doğru hale gelir.

Öğrenme dediğimiz süreç bu şekilde. Elbette aynı zamanda çok büyük hesaplama gücü gerekiyor. Köpek kavramını anlaması haftalar hatta aylar süren bir çocuğun bilakis, derin öğrenme algoritmalarını kullanan bilgisayar programına bir eğitim seti gösterilebilir, sistem milyonlarca görüntü ortasından hangi imgelerde köpek olduğunu birkaç dakika içinde doğru bir şekilde belirleyebilir.

Geliştirilen algoritmalar, kabul edilebilir doğruluk düzeyine ulaşmak için muazzam miktarda eğitim verisine ve işlem gücüne erişim gerektiriyor. Derin öğrenme programları doğrudan kendi yinelemeli çıktılarından karmaşık istatistiksel modeller oluşturabildiğinden, büyük ölçülerde etiketlenmemiş, yapılandırılmamış bilgilerden doğru tahmin modelleri oluşturabilir.

Derin öğrenmenin veri tahlili ve tahmin üretme dahil olmak üzere iş uygulamaları için çeşitli kullanım alanları var. Ayrıca istatistik ve kestirime dayalı modelleme de dahil olmak üzere veri biliminin önemli bir ögesi. Bu nedenle, büyük miktarda bilgiyi toplamak, analiz etmek ve yorumlamakla görevli veri bilimcileri için süreci daha hızlı ve kolay hale getirerek son derece faydalı.

Derin öğrenme hem büyük miktarda etiketli veri hem de bilgi işlem gücü gerektiriyor. Bir kuruluş her iki ihtiyacı da karşılayabiliyorsa, derin öğrenme dijital asistanlar, dolandırıcılık tespiti ve yüz tanıma gibi alanlarda kullanılabilir. Ayrıca otonom otomobiller veya tıbbi aygıtlar gibi güvenliğin önemli bir faktör olduğu diğer potansiyel uygulamalar için çok önemli olan yüksek tanıma doğruluğuna sahip. Yapay zekanın ve ilişkili olarak öğrenme modellerinin sektör standardı haline gelmesinin nedenlerini sıralarsak:

• Yapılandırılmamış Verileri İşleme: Yapılandırılmış veriler üzerinde eğitilen modeller yapılandırılmamış bilgilerden kolayca öğrenebilir, bu da veri kümelerini standartlaştırmada zaman ve kaynakları azaltır.
• Büyük Verileri İşleme: Gelişmiş grafik sürece üniteleri (GPU’lar) sayesinde derin öğrenme modelleri büyük miktarda bilgiyi yıldırım hızında işleyebilir.
• Yüksek Doğruluk: Derin öğrenme modelleri bilgisayarlı görüşlerde, doğal dil işlemede (NLP) ve ses işlemede en doğru sonuçları sağlamakta.
• Örüntü Tanıma: Birçok model makine tahsili mühendisinin müdahalesini gerektiriyor, ancak derin öğrenme modelleri her türlü ayrıntısı otomatik olarak algılayabilir. Pattern recognition olarak bilinen kalıp/biçim tanıma, metin, görüntü ve ses gibi her türlü şeyi önceden belirlenen karakteristikler yardımıyla tanıyabiliyor ve sınıflandırabiliyor.

Makine tahsili, bilgisayarların açık bir programlama olmadan datalardan öğrenmesini ve kararlar almasını sağlayan yapay zekanın (Aİ) bir alt kümesi. Sistemlerin kalıpları tanımasına, varsayımlarda bulunmasına ve zaman içinde performansı artırmasına olanak tanıyan çeşitli teknikleri ve algoritmaları kapsıyor.

Derin öğrenme klâsik makine tahsilinden neden farklı? Makine tahsili kendi başına dönüştürücü bir teknoloji olsa da derin öğrenme, tipik olarak insan uzmanlığı gerektiren birçok görevi otomatikleştirerek bunu bir adım öteye taşıyor. Derin öğrenme esasen makine tahsilinin özel bir alt kümesi ve üç ya da daha fazla katmana sahip sinir ağlarını kullanmasıyla farklılaşıyor. Bu sinir ağları, büyük miktarda bilgiden “öğrenmek” için insan beyninin davranışını simüle etmeye çalışır.

Makine Tahsili ve Derin Öğrenme Arasındaki Fark

Her ikisi de yapay zekanın alt kümesi olsa da aralarında benzerlikler ve farklılıklar var:

Derin öğrenme algoritmalarının ve uygulamalarının inceliklerine dalmadan önce, teknolojiyi devrimsel hale getiren temel kavramları anlamak gerekiyor.

Sinir Ağları

Derin öğrenmenin merkezinde, insan beyninden esinlenen hesaplama modelleri olan sinir ağları yer alır. Bu ağlar, bilgiyi işlemek ve karar vermek için birlikte çalışan birbirine bağlı düğümlerden veya nöronlardan oluşur. Tıpkı beynimizin farklı vazifeler için farklı bölgelere sahip olması gibi, bir sinir ağının da belirli işlevler için belirlenmiş katmanları vardır.

Derin Sinir Ağları

Bir sinir ağını “derin” yapan şey, giriş ve çıkış arasında sahip olduğu katman sayısıdır. Derin sinir ağının birden fazla katmanı olması, daha karmaşık özellikleri öğrenmesini ve daha doğru kestirimler yapmasını sağlıyor. Bu ağların “derinliği”, derin öğrenmeye ismini ve karmaşık meseleleri çözme gücünü veren şeydir.

Aktivasyon Fonksiyonları

Bir sinir ağında aktivasyon işlevleri karar verici üzeredir. Hangi bilginin bir sonraki katmana aktarılması gerektiği çeşitli işlevlerle belirlenmekte. Bu işlevler, ağın datalardan öğrenmesini ve incelikli kararlar almasını sağlayarak süreci biraz daha karmaşık hale getiriyor.

Deep learning dediğimiz arka planda işleyen şey bugün birçok alanda kullanılıyor. Potansiyeli çok yüksek, gelecekte daha da yaygınlaşacak gibi görünüyor.

• Bilgisayarlı Görü (Computer Vision): Computer Vision, otonom araçlarda objeleri algılamak ve çarpışmalardan kaçınmak için kullanılmakta. Ayrıca yüz tanıma, poz tahmini, görüntü sınıflandırması ve anormallik tespiti için de kullanılabiliyor. Otonom araçların giderek varlığını hissettirdiği dünyamızda bu teknolojinin ne kadar önemli olduğunu tahmin edebiliyorsunuzdur.
• Otomatik Konuşma Tanıma (Automatic Speech Recognition): Otomatik konuşma tanıma, dünya çapında milyarlarca kişi tarafından kullanılmakta. Telefonlarımızda bulunuyor ve genellikle “Hey, Google” veya “Merhaba, Siri” diyerek aktifleştirilir. Şimdi tanıdık gelmiştir. Bu tür ses uygulamaları ayrıca metinden sese, ses sınıflandırması ve ses etkinliği algılama için de kullanılabilir.
• Üretken Yapay Zeka (Generative Aİ): Generativ Aİ, CryptoPunk NFT’sinin 1 milyon dolara satılmasıyla talepte bir artış gördü. CryptoPunk, derin öğrenme modelleri kullanılarak oluşturulan üretken bir sanat koleksiyonu. OpenAİ tarafından GPT-4 modelinin tanıtılması, güçlü ChatGPT aracıyla metin oluşturma alanında devrim yarattı; artık modellere tüm bir romanı yazmayı veya hatta veri bilimi projeleriniz için kod yazmayı öğretebilirsiniz.
• Zaman Serisi Tahmini (Time Series Forecast): Zaman serisi tahmini, piyasa çöküşlerini, hisse senedi fiyatlarını ve hava şartlarındaki değişiklikleri tahmin etmek için kullanılıyor. Finans sektörü spekülasyon ve gelecek öngörüleriyle ayakta kalan bir sektör. Derin öğrenme ve zaman serisi modelleri, kalıpları tespit etmede insanlardan daha güzeldir, bu ve benzeri dallarda kullanılan temel araçlardır.
• Çeviri: Derin öğrenme çevirisi sadece dil çevirisiyle sınırlı değil. Artık OCR kullanarak fotoğrafları metne çevirebiliyoruz veya NVİDİA GauGAN2 kullanarak metni görsellere çevirebiliyoruz.
• Metin Oluşturma: Makinelere bir metin modülünün grameri ve tarzı öğretiliyor, daha sonra bu modeli kullanarak orjinal metnin doğru yazımına, gramerine ve tarzına uyan tamamen yeni bir metin otomatik olarak oluşturulabiliyor.
• Renklendirme: Derin öğrenme modelleri kullanılarak siyah beyaz fotoğraflara ve görüntülere renk eklenebiliyor. Geçmişte bu son derece zaman alıcı, manuel bir süreçti.
• Havacılık ve Askeriye: Derin öğrenme, ilgi alanlarını ve birlikler için güvenli veya güvenli olmayan bölgeleri belirleyen uydulardan objeleri tespit etmek için kullanılıyor.
• Otomasyon: Derin öğrenme, misyonları otomatikleştirme konusunda çok iyi işler çıkarıyor. Örneğin depo yönetimi için robotları eğitmek gibi. Derin öğrenme, bir işçi veya objenin bir makineye çok yaklaştığını otomatik olarak tespit eden endüstriyel otomasyon aracılığıyla hizmetler sunarak fabrikalar ve depolar dahil ortamlarda çalışan güvenliğini düzgünleştiriyor. Ayrıca en popüler kullanımı oyunlar ve bulmacalar. Son vakitlerde OpenAİ’ın Dota Aİ isimli algoritması profesyonel takım OG’yi yenmeyi başardı. Dünya şampiyonu takım OG, OpenAİ tarafından geliştirilen yapay zekayı alt edemedi.
• Güvenlik: Algoritmalar, güvenlik sorunlarını belirleyerek dolandırıcılığa karşı koruma sağlayabilir. Örneğin, algoritmalar şüpheli oturum açma teşebbüslerini tespit edebilir, bildirimler gönderebilir ve kullanıcıların seçtikleri parola gereğince güçlü değilse onları uyarabilir.
• Öneri Motorları: Uygulamalar, kullanıcı davranışını izlemek ve tüketicilerin yeni ürün ve hizmetleri keşfetmesine yardımcı olmak için özelleştirilmiş teklifler üretmek için derin öğrenmeden yararlanabilir. Örnek olarak, Netflix gibi eğlence kuruluşları şahsileştirilmiş video önerileri sağlamak için derin öğrenmeyi kullanıyor.
• Müşteri Tecrübesi ve Geri Bildirimi: Derin öğrenme ayrıca müşterilerin geri bildirimlerini ve şikayetleri için de kullanılıyor. Gelişmiş müşteri hizmetleri tecrübesi sağlamak üzere her sohbet botunda yer alabilir. Teknoloji olgunlaşmaya devam ettikçe, derin öğrenmenin tecrübesi iyileştirmek ve müşteri memnuniyetini artırmak için çeşitli işletmelerde uygulanması bekleniyor.
• Biyomedikal: Bu alan, derin öğrenmenin tanıtılmasıyla en çok yarar sağlayan alan oldu. Deep learning, biyomedikalde kanseri tespit etmek, stabil ilaç oluşturmak, göğüs röntgenlerinde anomali tespiti yapmak ve tıbbi ekipmana yardımcı olma konusunda büyük yardım sağlıyor.

Diğer Teknoloji Haberleri İçin Tıklayın / Bursa Haber – Bursa Gündem – Bursa Gündem Haber – Bursa Haberleri – Bursa Son Dakika 

Bizi İnstagram’da Takip Edebilirsiniz / @BursaGündemHaber

Bizi X’de Takip Edebilirsiniz / @BursaGündemHbr

Bizi Facebook’da Takip Edebilirsiniz / @BursaGündemHaber

Bizi Youtube’da Takip Edebilirsiniz / @BursaGündemHaber

Bizi Linkedin’de Takip Edebilirsiniz / @BursaGündemHaber