Bu makalede “Derin Öğrenme Nedir?” ya da “Deep Learning Nedir?” sorularına habertekno’dan Eren Ertem tüm ayrıntıları ile cevap veriyor. İşte derin öğrenme ile ilgili merak edilen her şey!
Derin öğrenme, makinelere insanlara doğal gelen şeyleri öğreten bir öğrenme tekniğidir.
Sürücüsüz yani otonom araçların, telefon, tablet ve televizyon gibi cihazlardaki ses kontrollerinin ve daha pek çok teknolojik fonksiyonun arkasındaki teknoloji olan derin öğrenme, bizleri geçmişte ulaşamadığımız pek çok teknolojik çözüme hızlıca götürebilir.
Deep learning yani derin öğrenmede bir bilgisayar modeli görüntü, metin ya da ses aracılığı ile sınıflandırma yapmayı öğrenir.
Aslında insanların hayatlarını kolay hale getirmek ve basit işleri onların yerine yapmak için geliştirilmiş olan bu teknoloji bazı durumlarda insanların yapabildiklerinden fazlasını yapabilir, insan seviyesindeki performansı aşarak son teknoloji doğruluğuna ulaşabilir.
Bu teknoloji ile bilgisayar modelleri pek çok sayıda katman içeren veri ve sinir ağı mimarileri kullanılarak eğitilmektedir. Sonuç olarak da bilgisayar modelleri kendi başlarına öğrenebilmekte ve algoritmalar geliştirebilmektedir.
Derin öğrenme nasıl ortaya çıktı?
Kökleri 20. yüzyılın ortalarına uzanan makine öğrenimi, 1950’li yıllarda İngiliz matematikçi Alan Turing tarafından ortaya çıkarılmıştı.
İlerleyen yıllarda ise pek çok makine öğrenme tekniği ortaya çıktı.
Bunlardan bir tanesi sinir ağları oldu.
Sinir ağları, derin öğrenmeyi destekleyen, görüntü tanıma teknolojilisinde ve robotik teknolojilerde önemli bir rol oynayan algoritmalardır. İnsan beynindeki sinir hücrelerinden esinlenerek ortaya çıkan sinir ağları pek çok katman içerir.
Ne kadar çok katman varsa ağ da o kadar derin demektir.
Beyindeki bir nöron diğer nörondan gelen sinyalleri alır yani burada nöronların birbirleriyle haberleştiğinden bahsedebiliriz.
Derin öğrenme teknolojisi kapsamında oluşturulan yapay bir sinir ağında da aynı mantık geçerlidir.
Sinir ağının bir nesneyi tanımlaması isteniyorsa bilgisayar modeline bu nesne ve nesnenin türleri ile birlikte o nesne olmayan nesneleri içeren bir eğitim seti derlemek gerekir.
Örneğin bilgisayarın bir kediyi tanımlamasını istiyoruz ve kedilerin pek çok türü olduğunu biliyoruz. Bu noktada bilgisayara pek çok kedi örneği ve kedi olmayan nesne örnekleri içeren bir eğitim seti derlemeliyiz.
Elbette ki sadece kedi gibi spesifik örnekler ile sınırlı değildir ve her tür nesneleri ve ortamları tarayabilir.
Bu şekilde deep learning teknolojisi sayesinde bilgisayar kedileri ve kedi olmayan nesneleri ayırt etmeyi öğrenebilir.
Peki, bu nasıl gerçekleşir?
Derin öğrenme nasıl çalışır?
Öncelikle bu teknoloji için ciddi miktarda etiketli veri gerekir.
Örnek verecek olursak, sürücüsüz otomobilleri geliştirmek için milyonlarca görüntü ve binlerce saat video gerekir. Bunun yanı sıra bilgisayar gücü de bu noktada oldukça önemlidir.
Yüksek performanslı GPU’lar yani grafik işleme birimleri derin öğrenme gelişimi için verimli bir yapıya sahiptir.
Bu GPU’lar sayesinde bilgisayarların eğitim süresini kısaltmak mümkündür.
Derin öğrenme görüntü işleme konusunda, grafik teknolojilerinin önemi çok daha yüksek bir konuma çıkmaktadır.
Bilhassa da artan çözünürlük ve bitrate’ler sonrasında, çok daha önemli olmuştur.
Derin öğrenmede etiketli veriler ve yüksek performanslı GPU’ların yanı sıra gereken şey insandan esinlenilerek ortaya çıkarılan sinir ağlarıdır. Bu teknolojide yapılacak olan tanımlamalar sinir ağlar sayesinde gerçekleşmektedir.
Derin sinir ağlarının en bilinen türlerinden bir tanesi konvolüsyonel sinir ağları (CNN) olarak bilinmektedir. CNN, iki boyutlu konvolüsyonel katmanları kullanarak öğrenilen verileri girdi verileriyle birleştirir ve iki boyutlu verilere uyan bir mimari oluşturur.
Manuel özellik çıkarma ihtiyacını ortadan kaldıran bu teknik görüntüleri sınıflandırmak için gereken özellikleri tanımlamayı gerektirmez, bu özellikleri direkt olarak görüntülerden ayıklar.
Bu otomatik özellik çıkarımı sayesinde, bilgisayarların öğrenme modelleri daha da hassas hale gelir.
CNN’ler bir görüntünün değişik özelliklerini pek çok gizli katmanı kullanarak algılamayı öğrenir. Her bir gizli katman da görüntü özelliklerinin karmaşıklığının artmasına neden olur.
Örnek verecek olursak, ilk gizli katman kenarları nasıl algılayacağını öğrenirken son katmanlarda da görüntünün şekli oluşmaya başlar.
Kısacası çalışma prensibi, insan özelliklerine dayalıdır. Ancak günümüzde bu teknoloji insandan bağımsız bir şekilde çalışmaktadır.
Bu teknoloji algoritmaların nesnelerdeki ayırt edici özellikleri kendi kendine öğrenmesi anlamına gelmektedir.
Makine öğrenimi ve derin öğrenme arasındaki farklar
Aslında derin öğrenme makine öğreniminin özel bir şekli olarak nitelendirilebilir.
Makine öğreniminde nesnelerin özellikleri manuel yollarla ayırt edilir ve bu özellikler model oluşturmak için kullanılır.
Derin öğrenmede ise söz konusu özellikler otomatik bir şekilde görüntülerden çıkarılır ve bilgisayarlar tüm bu modelleme işini kendi kendine yapmayı öğrenir.
Derin öğrenmedeki en büyük avantaj verilerin boyutu arttıkça iyileşmeye devam etmesidir.
Nitekim çok daha karmaşık süreçler, içinde çıkılabilir bir hale gelmektedir.
Derin öğrenme örnekleri tarafındaki çeşitliliğin giderek artması da bu konu ile ilgili dolaylı bir ilişkiye sahiptir.
Derin öğrenme kullanım alanları nelerdir? & Derin öğrenme uygulama alanları
Derin öğrenmenin kullanım alanları son derece geniştir ve teknolojinin de ilerlemesi ile birlikte genişlemeye devam etmektedir.
Makine öğreniminin bir alt bölümü olması nedeni ile derin öğrenme kullanıldığı alanlarda genellikle makine öğrenimiyle bağlantı kurmaktadır.
*Yüz tanıma
*Ses tanıma
*Ortam yanımlama
*Nesne analizi
*Doku & obje analizi
Bir örnek üzerinden devam ederek daha net bir çıkarımı sunmaya çalışalım.
Makine öğreniminin yani machine learning’in otomobil sektöründeki yansıması sürücüsüz araçlar. Derin öğrenme ise nesneleri ayırt edebilen yani görsel şekil tanıma özelliğine sahip sürücüsüz araçlar. Yani bu iki teknoloji birbiriyle sürekli olarak bağlantı içerisinde.
Derin öğrenmenin kullanıldığı alanlardan bir tanesi de konuşma tanıma alanı. Bu teknoloji sayesinde sinir ağları milyarlarca ses parçasını işleyerek konuşma tanımlayabiliyor.
Derin öğrenme algoritmaları arasında yer alan bu sistem, günümüzde çok üst seviyeye kadar ulaşmayı başarmış durumda.
Aslında bu işi makine öğrenimiyle de yapmak mümkün ancak derin öğrenme sayesinde hem çalışma süresi azaltılabiliyor hem de tanıma doğruluğu artırılabiliyor.
Fen bilimleri ve tıp alanında da tercih edilen derin öğrenme kullanımı pek çok bireysel hastanın risk faktörlerini tespit etmek adına algoritma programlamayı sağlıyor.
Bu şekilde uzmanlara karşı olan bağımlılığı ortadan kaldırmak mümkün hale geliyor ve kanser tespitleri hem daha doğru hem de daha hızlı bir şekilde yapılabiliyor.
Günümüzde eğlence sektöründe kendini belli etmeye başlayan bu teknoloji, e-ticaret alanında da etkilerini gösteriyor. Ayrıca bilgisayar ve mobil cihazlarda da derin öğrenmenin faydalarından yararlanıyoruz.
Örneğin cep telefonlarımızdaki sesli asistanlar derin öğrenmenin ürünlerinden bir tanesi. Ses analizi yaparak cep telefonundaki herhangi bir fonksiyona kolayca ulaşmamızı sağlayan sesli asistanlar yapay zeka ve derin öğrenme teknolojisi ile bunları başarabiliyor.
İnternetin hayatımızda büyük bir yer ediniyor olması siber tehlikelere de davetiye çıkarıyor. Bu noktada siber güvenlik hususunda derin öğrenme sayesinde büyük yol kat edilmiş durumda.
Derin öğrenme sayesinde zararlı ağ trafiği algılanabiliyor ve sunuculara gelen isteklerin niteliklerine bakılarak model oluşturuluyor.
Bu şekilde adres sahteciliği gibi durumları ortadan kaldırmak mümkün hale geliyor.
Web tarafında ek olarak ise semantic web yani anlamsal ağ ile birlikte makine öğrenmesi farklı bir boyuta ulaşacaktır.
Bu konu ile ilgili Google’ın da hastalık teşhisi için yaptığı çalışmalar ile ilgili bir haber gündeme getirmiştik.
Teknolojinin insanoğluna en büyük katkılarından bir tanesi olan derin öğrenme teknolojisi özellikle son birkaç yıl içerisinde daha geniş bir kullanım alanına yayıldı ve bu yayılmanın devam edeceğini tahmin etmek zor değil.
Derin öğrenme tez konuları, ülkemizde de üniversitelerde en çok rağbet gören alanlar arasında yer almaya başlamıştır.
Deep Learning konusunda dünya genelinde olan atılım, ülkemizde de yansımalarını gösteriyor ve yakın zamanda daha da fazla göstermeye devam edecek gibi görünüyor.
Günlük yaşantımızda bile fark etmeden kullandığımız bu teknoloji sayesinde pek çok alanda kolaylık sağlandığından da bahsedebiliriz. Bakalım önümüzdeki yıllarda bu teknolojinin hayatımızdaki yeri nasıl olacak…
Kaynak : https://www.habertekno.com/
