Deep learning yani derin öğrenme, makine öğreniminin bir alt kümesi olarak düşünülebilir. Bilgisayar algoritmalarını inceleyerek kendi kendine öğrenmeyi mümkün kılan ve geliştirmeye dayalı bir alandır. Makine öğrenimi daha basit kavramlar kullanırken; derin öğrenme, insanların nasıl düşündüğünü ve öğrendiğini taklit etmek için tasarlanmış yapay sinir ağlarıyla çalışır. Yapay sinir ağı modelinin en küçük parçası perceptron‘dır. Temel olarak eğitilebilecek tek bir yapay sinir hücresinden oluşur.

Derin öğrenme, temsili öğrenmeye dayanır. Göreve özgü algoritmaları kullanmak yerine, temsili örneklerden öğrenir. Örneğin, kedileri türe göre tanıyan bir model oluşturmak istiyorsanız, birçok farklı kedi görüntüsünü içeren bir veri tabanı hazırlamanız gerekir.

Bugün, bu alandaki araştırmalar neredeyse tamamen derin öğrenmeye odaklanmıştır. Bu da görüntü ve metin işlemede büyük ilerlemelere yol açmıştır.

Deep Learning (Derin Öğrenme) Nasıl Çalışır?

blank

Derin öğrenme, makinelerin sürekli büyük veri kitaplıklarından öğrenmesine olanak tanıyan, yapay sinir ağları adı verilen karmaşık, katmanlı algoritmaların geliştirilmesini içerir. Bir algoritmanın derinlemesine değerlendirilebilmesi için genellikle en az altı katman, (ancak çoğu zaman daha fazla) gerekir. Her bir kod katmanı, veri kümesinde belirli bir model bulmaktan sorumludur. Örneğin, Spotify gibi bir şirket için yeni müzik önermeyi amaçlayan bir derin öğrenme algoritmasının birkaç katmanı olacaktır. Bir katman, özellikle dinlenen önceki müzik türlerine bakabilir. Başka bir katman, hoşlanılan ya da hoşlanılmayan veya yinelenen ya da tekrarlanan şarkılara bakabilir.

Veri kümesi büyüdükçe ve algoritmalardan yeni veriler elde edildikçe, derin öğrenme bu bilgileri ölçeklenebilir hale getirir. Bu algoritmaları geliştirmek için en çok kullanılan programlar dilleri:  Python, C/C++, Java, R, Javascript’tir.

Derin Öğrenmenin Temeli: Makine Öğrenimi

blank

Klasik makine öğreniminin amacı, her kuralı açıkça programlamak zorunda kalmadan, bir makineye bir sorunu nasıl çözeceğini öğrenme yeteneği vermektir. Bu sayede makineler, veri tabanlı öğrenme yoluyla davranışları modelleyerek sorunları çözer. Fakat, bir makine öğrenimi algoritması aracılığıyla bir problemi modellemeden önce genellikle veriler üzerinde bir dizi dönüşüm gerçekleştirmek gerekir. Manuel olarak yapılan bu dönüşümler, çözülecek iş problemi ve kullanılan algoritmanın seçimi ile belirlenir. Bu veri işleme genellikle çok zaman alır ve uzmanlık gerektirebilir. Veri dönüşümleri, problemin makine öğrenimi algoritması tarafından kolayca anlaşılabilen ve yorumlanabilen bir temsilinin inşası olarak görülebilir.

Makine öğrenimi üç ana öğrenim yönetiminden oluşur: Supervised learning, unsupervised learning ve reinforcement learning. Supervised learning, unsupervised learning methodlarından tamamen farklı olmamasına rağmen, reinforcement learning, insanların öğrenme şeklini taklit eder. Çevresiyle etkileşime girer ve bu etkileşimlerin sonuçlarını gözlemleyerek öğrenir. 

Derin öğrenmedeki fikir ise, bu ilgili veri temsilini öğrenme aşaması boyunca otomatik olarak oluşturmak ve böylece insan müdahalesinden kaçınmaktır. Buna temsil yoluyla öğrenme denir. Derin öğrenme algoritması, verilerin giderek karmaşıklaşan hiyerarşik temsillerini öğrenir. Bu algoritma bu nedenle sinyal verilerine (görüntüler, metinler, sesler) uyarlanmıştır.

Makine Öğrenimi ve Deep Learning (Derin Öğrenme) Arasındaki Fark Nedir?

blank

Makine öğrenimi, sisteme yüklenen önceden işlenmiş büyük bir veri kümesinden yeni bilgiler çıkarmaya çalışır. Programcıların makinenin kurallarını formüle etmesi gerekir ve makine bunlara göre öğrenir. Hataları düzeltmek için bazen bir insan müdahalesi gerekir.

Ancak deep learning (derin öğrenme) biraz farklıdır. Derin öğrenme, bir algoritmanın bir tahminin doğru olup olmadığını kendi başına belirlemesine izin veren birden fazla katman kullanır. Bir derin öğrenme modeli, tipik olarak, verileri mantıksal bir yapıyla analiz etmek ve bunu, bir insanın nasıl sonuç çıkaracağına çok benzer bir şekilde yapmak için tasarlanır. Bu katmanlı yaklaşım, insan beynine çok benzer şekilde kendi kendini düzenleyen öğrenmede çok daha yetenekli bir yöntemle sonuçlanır.

Yapay zekanın bu iki alt kümesi arasında birçok farklılık olsa da, makine öğrenimi ve derin öğrenme arasındaki 5 temel fark aşağıdaki şekildedir

1. İnsan Müdahalesi

Makine öğreniminden sonuç almak için daha fazla insan müdahalesi gerekir. Derin öğrenmenin kurulması daha karmaşıktır ancak daha sonra minimum müdahale gerektirir.

2. Donanım

Makine öğrenimi programları, derin öğrenme algoritmalarından daha az karmaşık olma eğilimindedir ve genellikle geleneksel bilgisayarlarda çalışabilir, ancak derin öğrenme sistemleri çok daha güçlü donanım ve kaynaklar gerektirir.

3. Zaman

Makine öğrenimi sistemleri hızlı bir şekilde kurup çalıştırılabilir, ancak sonuçlarının gücü genellikle sınırlıdır. Derin öğrenme sistemlerinin kurulması ise daha fazla zaman alır, ancak anında sonuç üretebilir (daha fazla veri elde edildikçe kalitenin zamanla artması muhtemeldir).

4. Yaklaşım

Makine öğrenimi, yapılandırılmış veri gerektirme eğilimindedir ve doğrusal regresyon gibi geleneksel algoritmaları kullanır. Derin öğrenme, sinir ağlarını kullanır ve büyük hacimli yapılandırılmamış verileri barındıracak şekilde tasarlanmıştır.

5. Uygulamalar

Makine öğrenimi e-posta gelen kutunuzda, bankanızda ve doktorunuzun muayenehanesinde zaten kullanılıyor. Derin öğrenme teknolojisi ise, otomasyon araçlar veya gelişmiş cerrahi uygulayan robotlar gibi daha karmaşık ve otonom programları mümkün kılar.

Deep Learning (Derin Öğrenme) Örnekleri

blank

Derin öğrenmenin günlük hayatta nasıl kullanıldığını anlamanız için aşağıda sizin için bazı kullanım örneklerini listeledik:

1. Otomasyon araçlar

Otomasyon araç teknolojisi, önümüzdeki yıllarda gerçekleşmesi beklenen en önemli beklentilerden biridir. Bu beklentilerin karşılanması için otomotiv araştırmacıları, araçların dur işaretleri ve trafik ışıkları gibi nesneleri otomatik olarak tespit etmesi için derin öğrenmeyi kullanır. Derin öğrenme kazaları azaltmak için yoldaki yayaları tespit etmeye de yardımcı olur.

2. Havacılık ve savunma

Navigasyon sisteminin güvenli ve emniyetsiz bölgeleri uzun mesafeden tespit edebilmesi, savunma sanayi için çok iyi bir uygulamadır. Bu yüzden uydulara kurulan derin öğrenme, nesnelerin tanımlanmasına ve ilgi alanlarının bulunmasına yardımcı olur.

3. Tıbbi araştırma

Derin öğrenme, kanser hücrelerini tespit etmede önemli bir bileşendir. Bu yüzden, UCLA’daki kanser araştırmacıları, kanser hücrelerini doğru bir şekilde tanımlamak için bir derin öğrenme uygulamasını eğiterek sonuç veren gelişmiş bir mikroskop geliştirdi.

4. Endüstri otomasyonu

Endüstrilerde derin öğrenme, güvenli olmayan makineleri otomatik olarak bulmak için kullanılır ve insanlara konumdan uzaklaşmaları için alarm verir. Bu, ağır makine ortamlarında çalışanların güvenliğini sağlar.

5. Sosyal medya

Twitter, ürünlerini geliştirmek için derin öğrenme algoritmaları kullanır. Kullanıcı tercihlerinin olasılıkları hakkında zaman içinde bilgi edinmek için derin sinir ağıyla birçok veriye erişir ve bunları analiz eder.

Instagram, siber zorbalıktan kaçınmak için derin öğrenmeyi kullanır ve sinir bozucu yorumları siler.

Facebook sayfaları, arkadaşları, ürünleri vb. önermek için derin öğrenmeyi kullanır. Dahası, Facebook mükemmel etiketlemeyi makul kılan yüz tanıma için YSA algoritmasını kullanır.

6. Sağlık hizmetleri

Derin öğrenme, sağlık hizmetlerinde hızla artan bir eğilimdir. Örneğin, genel sağlık durumu, kan şekeri seviyesi, kan basıncı, kalp atışı sayıları ve diğer çeşitli ölçümler gibi hasta durumları hakkında gerçek zamanlı bilgi sağlamak için hasta verilerini kullanan giyilebilir sensörler ve cihazlar derin öğrenmeyi kullanır.

Tıbbi kurumlar, bireysel hastaların sağlık durumunu incelemek için bu bilgilere erişebilir. Bu teknoloji aynı zamanda tıbbi uzmanların verileri analiz etmesine ve gelişmiş tıbbi teşhisleri ve hasta bakımını hızlandıran eğilimleri tanımasına yardımcı olur.

Ayrıca, derin öğrenme, uygun teşhis, görüntü bölümleme gibi çeşitli amaçlar için ilaç ve tıp şirketlerinde de yararlıdır. Örneğin, geleneksel sinir ağı (CNN), MRI sonuçları, X ışınları, vb. görüntüleri analiz etmek için kullanılabilir.