EN
EN

Derin Öğrenme (Deep Learning) Nedir?


Derin öğrenme, verilen bir veri seti ile sonuçları tahmin eden birden fazla katmandan oluşan bir makine öğrenme yöntemidir. Derin öğrenme, makine öğrenmesi ve yapay zekâ birbirinden farklı anlamları olan terimlerdir. Derin öğrenme, makine öğrenmesinin; makine öğrenmesi ise yapay zekânın alt dalı olarak özetlenebilir.

Yapay zekâ, insan zekâsına benzer şekilde çeşitli görevleri yerine getiren ve sürekli kendini geliştiren sistemler veya makinalardır.1950’lerde ortaya çıkan yapay zekâ hatalarından öğrenebilen sistemler olduğu için sistemi sürekli iyileştirmektedir. Makine öğrenmesi ise 1980’lerde ortaya çıkmış olup verilen bir veri kümesini işlemden geçirip tahminlerde bulunmak veya sınıflandırmaktır. Makine öğrenme algoritmalarında iki tür öğrenme biçimi vardır: gözetimli ve gözetimsiz öğrenme.

- Gözetimli öğrenme, etiketlenmiş verilerden öğrenmedir. Hem girdi hem de istenilen sonuç tanımlanır. Tahmin hakkındaki doğruluk geri bildirimi ise kişi tarafından yapılır.
- Gözetimsiz öğrenme, etiketsiz gözlemlerden öğrenme sürecidir. Sonuç verisiyle eğitime gerek yoktur. Algoritmanın kendisi veriden sonuca varır. Kendinin keşfetmesi beklenir.

Makine öğrenimi de yapay zekâ gibi uzun yıllar boyunda önemli bir gelişim gösterememiştir. 1990’lı yıllarda veri madenciliğiyle popülerliği artmış ve 2000’li yılların başında ise derin öğrenme gelişim göstermeye başlamıştır.

90’lardaki başarısızlığın sebepleri:  

- Veri setlerinin yetersiz olması
- Bilgisayarların çok güçsüz ve CPU açısından yetersiz kalması
- Yanlış bir şekilde ilkleme ( initialization)
- Yanlış non­lineer aktivasyon fonksiyonları

Zamanla teknolojinin gelişmesi bilgisayarların performansının artmasını sağladı. Yapay zekâ işlemlerinde yetersiz kalan bilgisayarlar güçlendi, veri erişim kolaylaşarak algoritmaların ihtiyacı olan veri setleri arttı ve var olan algoritmalar gelişti veya yeni algoritmalar geliştirildi. Böylece yapay zekâ uygulamalarında gelişim gözlemlenmeye başladı.

Derin öğrenme gözetimli, yarı gözetimli veya gözetimsiz olarak gerçekleştirilebilir. Derin öğrenmede çok sayıda veri girişiyle ayırt edici özellikleri kendisi öğrenir. Öğrenme işlemini için ne kadar çok veri girişi olursa o kadar çok başarılı olunur. Veriler birden çok katmandan geçer. Üst katmanlar daha çok ayrıntı çıkaran katmanlardır.

Üç ana derin model çeşidi: 

- Çok katmanlı Perceptron (Multilayer Perceptrons)
- Evrişimsel Sinir Ağı (Convolutional Neural Networks)
- Yinelgeli Sinir Ağı (Recurrent Neural Networks)

Derin öğrenmenin kullanım alanları:

- Yüz tanıma sistemlerinde
- Ses tanıma sistemlerinde
- Araçlarda otopilot özelliğinde veya  sürücüsüz araçlarda kullanılmaktadır.
- Alarm sistemlerinde, kamera kayıtlarını sürekli kontrol etmek yerine, yalnızca olağandışı hareketlerde alarm sisteminin devreye girmesi gibi teknolojiler derin öğrenme sayesinde mümkün olmaktadır.
- Sağlık sektöründe kanser araştırmalarında, zaman kaybını ortadan kaldırmaktadır. Kanserli hücre örneklerinin tanıtıldığı derin öğrenme algoritmaları, yeni hücrelerin kanserli olup olmadığı tanısını koymakta hem daha hızlı hem de daha başarılı oluyor.
- Görüntü iyileştirilmesinde
- Tavsiye sistemlerinde, beğenilebilecek müzik ve film önerileri sunmada
- Siber tehdit analizlerinde de derin öğrenme yöntemleri geliştirilebilir. Yukarıda verilen örneklerin dışında birçok örnek verilebilir.

Türkiye’de yapılan derin öğrenme çalışmalarına örnek olarak ASELSAN’ın arge merkezinde yürütülen silah ve güvenlik sistemleri için görüntü ve doğal dil işleme alanlarında faaliyetler yapılmaktadır. Başka bir proje OttOCR, Osmanlıca karakter tanıma sistemi ve Open zeka projesi görüntü ve video tanımlama için derin öğrenme API’leri sunmaktadır.

Yapay zekâ uygulamalarında en çok kullanılan programlama dilleri python, c/c++, java ve R olarak sıralanabilir. Derin öğrenmede en çok kullanılan dil ise pythondır. Veri görselleştirme içinse R programlama dili tercih edilmektedir.

Deep learning için kullanılabilecek veri setlerine buradan ve diğer verisi seti adresi olarak buradan ulaşabilirsiniz.






İlgili İçerikler: