Derin öğrenme, temelde üç veya daha fazla katmana sahip bir sinir ağı olan makine öğreniminin bir alt kümesidir. Bu sinir ağları, yeteneklerinden uzak olsa da insan beyninin davranışını simüle etmeye çalışır ve böylece büyük miktarda veriden “öğrenmesine” izin verir. Tek katmanlı bir sinir ağı sadece yaklaşık tahminler yapabilirken, ek gizli katmanlar doğruluğu optimize etmeye ve iyileştirmeye yardımcı olabilir.
Derin öğrenme, otomasyonu geliştiren, analitik ve fiziksel görevleri insan müdahalesi olmadan gerçekleştiren birçok yapay zeka (AI) uygulamasını ve hizmetini yönlendirmektedir. Derin öğrenme teknolojisi, günlük ürün ve hizmetlerin, dijital asistanlar, sesli TV uzaktan kumandaları ve kredi kartı sahtekarlığı tespiti gibi ve bunların yanı sıra gelişen teknolojilerin kendi kendine süren arabalar gibi hizmet ve sistemlerin arkasında yatar.
Derin Öğrenme vs Makine Öğrenimi
Derin öğrenme, makine öğreniminin bir alt kümesiyse, bunların arasındaki fark nedir diye aklınıza soru gelebilir. Derin öğrenme, birlikte çalıştığı veri türü ve öğrendiği yöntemlerle kendisini klasik makine öğreniminden ayırır.
Makine öğrenimi algoritmaları, tahminlerde bulunmak için yapılandırılmış, etiketlenmiş verilerden yararlanır; bu, belirli özelliklerin model için giriş verilerinden tanımlandığı ve tablolar halinde düzenlendiği anlamına gelir. Bu sadece yapılandırılmamış verileri kullanmadığı anlamına gelmez; yalnızca eğer mümkünse onu yapılandırılmış bir formatta düzenlemek için genellikle bazı ön işlemlerden geçtiği anlamına gelir.
Derin öğrenme, tipik olarak makine öğrenimi ile ilgili olan bazı veri ön işlemeyi ortadan kaldırır. Bu algoritmalar, metin ve görüntüler gibi yapılandırılmamış verileri alıp işleyebilir ve insan uzmanlarına olan bağımlılığın bir kısmını ortadan kaldırarak özellik çıkarmayı otomatik hale getirir. Örneğin, farklı evcil hayvanların bir dizi fotoğrafımız olduğunu ve “kedi”, “köpek”, “hamster” vb. kategorilere ayırmak istediğimizi düşünelim. Derin öğrenme algoritmaları, her bir hayvanı diğerinden ayırt etmek için hangi özelliklerin ayırt edici veya hangilerinin önemli olduğunu belirleyebilir. Makine öğreniminde, bu özelliklerin sınıflandırma sistemi bir insan uzmanı tarafından manuel olarak kurulur.
Ardından, gradyan kökeni ve geri yayılım süreçleri aracılığıyla, derin öğrenme algoritması doğruluk için kendini ayarlar ve düzenler, böylece bir hayvanın yeni bir fotoğrafı hakkında artan hassasiyetle tahminler yapmasına olanak tanır.
Makine öğrenimi ve derin öğrenme modelleri, daha çok denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme olarak kategorize edilen farklı öğrenme türlerini de yapabilir.
- Denetimli öğrenme, kategorize etmek veya tahminlerde bulunmak için etiketlenmiş veri kümelerini kullanır; bu, giriş verilerini doğru şekilde etiketlemek için bir tür insan müdahalesi gerektirir.
- Denetimsiz öğrenme, etiketlenmiş veri kümeleri gerektirmez ve bunun yerine, verilerdeki kalıpları algılayarak bunları herhangi bir ayırt edici özelliğe göre kümeler.
- Pekiştirmeli öğrenme, bir modelin, ödülü en üst düzeye çıkarmak için geri bildirime dayalı bir ortamda bir eylem gerçekleştirmek için daha doğru olmayı öğrendiği bir süreçtir.
Peki nasıl çalışır?
Derin öğrenme sinir ağları veya yapay sinir ağları, veri girdileri, weight ve bias kombinasyonu yoluyla insan beynini taklit etmeye çalışır. Bu öğeler, verilerdeki nesneleri doğru bir şekilde ayırt etmek, sınıflandırmak ve tanımlamak için birlikte çalışır.
Derin sinir ağları, tahmin veya sınıflandırmayı iyileştirmek ve optimize etmek için her biri bir önceki katman üzerine inşa edilen birbirine bağlı birden çok nodes katmanından oluşur. Ağ üzerinden hesaplamaların bu ilerlemesine ileriye doğru yayılma denir. Derin bir sinir ağının giriş ve çıkış katmanlarına görünür (visible) katmanlar denir. Giriş katmanı, derin öğrenme modelinin verileri işlenmek üzere aldığı yerdir. Çıkış katmanı ise, son tahminin veya sınıflandırmanın yapıldığı yerdir.
Geri yayılım adı verilen başka bir süreç, tahminlerdeki hataları hesaplamak için gradyan kökeni gibi algoritmalar kullanır ve ardından modeli eğitmek amacıyla katmanlar arasında geriye doğru hareket ederek fonksiyonun weight kısmını ve biaslarını ayarlar. Birlikte, ileriye doğru yayılma ve geri yayılma, bir sinir ağının tahminler yapmasına ve buna göre herhangi bir hatayı düzeltmesine izin verir. Zamanla, algoritma giderek daha düzgün ve doğru çalışır.
Bununla birlikte, derin öğrenme algoritmaları inanılmaz derecede karmaşıktır ve belirli sorunları veya veri kümelerini ele almak için farklı türde sinir ağları vardır. Örneğin,
Evrişimli sinir ağları (CNN’ler), Öncelikli olarak bilgisayarla görme ve görüntü sınıflandırma uygulamalarında kullanılan , bir görüntüdeki özellikleri ve kalıpları algılayarak nesne algılama veya tanıma gibi görevleri etkinleştirebilir. 2015’te bir CNN, ilk kez bir nesne tanıma mücadelesinde bir insanı geçti.
Tekrarlayan sinir ağı (RNN’ler), sıralı veya zaman serisi verilerinden yararlandığı için tipik olarak doğal dil ve konuşma tanıma uygulamalarında kullanılır.
Derin öğrenme uygulamaları
Gerçek dünyadaki derin öğrenme uygulamaları günlük hayatımızın bir parçasıdır, ancak çoğu durumda ürün ve hizmetlere o kadar iyi entegre edilmiştir ki kullanıcılar arka planda gerçekleşen karmaşık veri işlemenin farkında değildir. Bu örneklerden bazıları şunlardır:
- Kanun Uygulayıcılar (Law Enforcement)
Derin öğrenme algoritmaları, olası dolandırıcılık veya suç faaliyetlerini gösteren tehlikeli kalıpları belirlemek için işlem verilerini analiz edebilir ve bunlardan öğrenebilir. Konuşma tanıma, bilgisayarla görme ve diğer derin öğrenme uygulamaları, kolluk kuvvetlerinin büyük miktarda veriyi daha hızlı ve doğru bir şekilde analiz etmesine yardımcı olan ses ve video kayıtlarından, görüntülerden ve belgelerden kalıplar ve kanıtlar çıkararak soruşturma analizinin verimliliğini ve etkinliğini artırabilir. - Finansal hizmetler
Finansal kurumlar, hisse senetlerinin algoritmik ticaretini yönlendirmek, kredi onayları için iş risklerini değerlendirmek, sahtekarlığı tespit etmek ve müşteriler için kredi ve yatırım portföylerini yönetmeye yardımcı olmak için düzenli olarak tahmine dayalı analitiği kullanır. - Müşteri servisi
Birçok kuruluş, derin öğrenme teknolojisini müşteri hizmetleri süreçlerine dahil eder. Çeşitli uygulamalarda, hizmetlerde ve müşteri hizmetleri portallarında kullanılan sohbet robotları, basit bir yapay zeka biçimidir. Geleneksel sohbet robotları, genellikle çağrı merkezi benzeri menülerde bulunan doğal dili ve hatta görsel tanımayı kullanır. Ayrıca, daha karmaşık chatbot çözümleri, belirsiz sorulara birden fazla yanıt olup olmadığını öğrenme yoluyla belirlemeye çalışır. Chatbot, aldığı yanıtlara göre bu soruları doğrudan yanıtlamaya veya konuşmayı bir insan kullanıcıya yönlendirmeye çalışarak işler. Örn: Apple’ın Siri, Amazon Alexa veya Google Asistanı gibi sanal asistanlar, konuşma tanıma işlevini etkinleştirerek bir sohbet robotu fikrini genişletiyor. - Sağlık hizmeti
Sağlık sektörü, hastane kayıtlarının ve görüntülerinin dijitalleştirilmesinden bu yana derin öğrenme yeteneklerinden büyük ölçüde yararlandı. Görüntü tanıma uygulamaları, tıbbi görüntüleme uzmanlarını ve radyologları destekleyerek daha kısa sürede daha fazla görüntüyü analiz etmelerine ve değerlendirmelerine olanak sağladı.
Derin öğrenme donanım gereksinimleri
Derin öğrenme, yüksek ölçüde bilgi işlem gücü gerektirir. Yüksek performanslı grafik işleme birimleri (GPU’lar) ideal bir güce sahiptir. Çünkü bol miktarda bellek bulunan birden çok çekirdekte büyük hacimli hesaplamaları işleyebilirler. Bununla birlikte, şirket içinde birden çok GPU’yu yönetmek, dahili kaynaklar üzerinde büyük bir talep oluşturabilir ve ölçeklendirmek inanılmaz derecede maliyetli olabilir.
