Derin öğrenme, çok katmanlı yapay sinir ağlarıyla çalışan bir makine öğrenmesi yöntemidir. Yani ikisi rakip kavramlar değildir; derin öğrenme, makine öğrenmesinin bir alt dalıdır. Temel fark şudur: klasik makine öğrenmesinde verinin hangi özelliklerine bakılacağını büyük ölçüde insan belirler, derin öğrenmede ise model bu özellikleri ham veriden kendisi öğrenir. Bunun karşılığında çok daha fazla veri ve işlem gücü ister.
Önce büyük resim: yapay zeka, makine öğrenmesi, derin öğrenme
Bu üç kavramı iç içe halkalar gibi düşünebilirsiniz. En dışta, insan zekâsı gerektiren işleri yapabilen sistemlerin genel adı olan yapay zeka vardır. Onun içinde, kuralları elle yazmak yerine veriden öğrenen yöntemleri kapsayan makine öğrenmesi yer alır. En içte ise çok katmanlı sinir ağlarını kullanan derin öğrenme bulunur. Genel çerçeve için yapay zekanın ne olduğunu ve günlük hayattaki kullanım alanlarını anlatan yazıya bakabilirsiniz.
Makine öğrenmesi nasıl çalışır?
Klasik makine öğrenmesinde bir algoritmaya örnek veriler gösterilir ve algoritma bu örneklerdeki örüntüyü bulmaya çalışır. Örneğin bir evin değerini tahmin etmek için metrekare, oda sayısı, konum ve bina yaşı gibi sütunlar hazırlanır. Hangi sütunların önemli olduğuna, verinin nasıl temizleneceğine ve nasıl dönüştürüleceğine çoğunlukla bir uzman karar verir. Bu sürece özellik mühendisliği denir.
Karar ağaçları, doğrusal regresyon ve destek vektör makineleri bu ailenin bilinen yöntemleridir. Tablo biçimindeki, düzenli verilerde hızlı ve etkili çalışırlar; ayrıca neden o sonuca vardıklarını açıklamak görece kolaydır.
Derin öğrenme nasıl çalışır?
Derin öğrenmenin yapı taşı yapay sinir ağıdır. Ağ, birbirine bağlı yapay nöronlardan oluşan katmanlardan meydana gelir: bir giriş katmanı, bir çıkış katmanı ve aralarında çok sayıda gizli katman. “Derin” sözcüğü bu gizli katmanların çokluğunu ifade eder.
Her katman, bir öncekinin çıktısını alıp biraz daha soyut bir temsile dönüştürür. Bir görüntü tanıma ağında ilk katmanlar kenar ve renk geçişlerini, orta katmanlar göz ya da tekerlek gibi parçaları, son katmanlar ise nesnenin bütününü ayırt etmeyi öğrenir. Bunu kimse elle programlamaz; ağ, tahmini ile doğru yanıt arasındaki hatayı ölçer ve bağlantı ağırlıklarını bu hatayı azaltacak biçimde tekrar tekrar günceller.
Temel farklar
- Özellik çıkarımı: Makine öğrenmesinde özellikleri çoğunlukla insan hazırlar; derin öğrenmede model ham veriden kendisi çıkarır.
- Veri ihtiyacı: Klasik yöntemler görece az veriyle iyi sonuç verebilir; derin öğrenme genellikle çok büyük veri kümelerinde gücünü gösterir.
- Donanım: Klasik modeller sıradan bir işlemcide eğitilebilir; derin ağlar pratikte ekran kartı gibi paralel işlem yapan hızlandırıcılara ihtiyaç duyar.
- Eğitim süresi: Derin modellerin eğitimi belirgin biçimde daha uzun ve maliyetlidir.
- Veri türü: Tablo verilerinde klasik yöntemler çoğu zaman yeterlidir; görüntü, ses ve metin gibi yapılandırılmamış verilerde derin öğrenme öne çıkar.
- Yorumlanabilirlik: Bir karar ağacının mantığını izlemek kolaydır; milyonlarca parametreli bir ağın neden o yanıtı verdiğini açıklamak zordur.
Derin öğrenme nerelerde kullanılıyor?
- Telefonlardaki yüz tanıma ve fotoğraf iyileştirme
- Sesli asistanlar, konuşmayı yazıya çevirme ve makine çevirisi
- Metin yazan, özetleyen ve soru yanıtlayan büyük dil modelleri
- Görsel ve müzik üreten araçlar; bu alanın tartışmalarını yapay zekanın sanat dünyasındaki etkisi yazısında bulabilirsiniz
- Sürücü destek sistemlerinde şerit, yaya ve araç algılama
- Tıbbi görüntülerde hekime yardımcı olan analiz araçları
- Öneri sistemleri ve kişiselleştirme; örnek için yapay zeka destekli kişiselleştirilmiş eğitim modelleri yazısına bakılabilir
Hangi durumda hangisi tercih edilir?
Derin öğrenme her soruna uygun bir çözüm değildir. Elinizde birkaç bin satırlık bir müşteri tablosu varsa ve sonucu yöneticilere açıklamanız gerekiyorsa klasik bir model hem daha hızlı hem daha anlaşılır olur. Milyonlarca görüntü, ses kaydı ya da metinle çalışıyorsanız ve örüntüler elle tarif edilemeyecek kadar karmaşıksa derin öğrenme anlam kazanır. Uygulamada ekipler çoğu zaman önce basit modelle başlar, yetmediği yerde daha karmaşığa geçer.
Sınırlar ve dikkat edilmesi gerekenler
- Veri kalitesi: Model, eğitildiği verideki hataları ve önyargıları da öğrenir.
- Kara kutu sorunu: Kararın gerekçesini açıklamak zor olduğu için sağlık ve hukuk gibi alanlarda insan denetimi şarttır.
- Enerji ve maliyet: Büyük modellerin eğitimi ciddi işlem gücü ve enerji tüketir.
- Aşırı güven: Model, eğitim verisine benzemeyen durumlarda yanlış sonucu büyük bir kesinlikle verebilir.
Sık Sorulan Sorular
Derin öğrenme makine öğrenmesinden daha mı iyi?
Göreve bağlıdır. Görüntü, ses ve metinde çoğu zaman daha başarılıdır; küçük ve düzenli veri kümelerinde klasik yöntemler aynı sonuca daha az maliyetle ulaşabilir.
Sinir ağları insan beyni gibi mi çalışır?
Beyinden esinlenmiştir, ancak benzerlik yüzeyseldir. Yapay nöronlar basit matematiksel işlemler yapar; biyolojik beynin işleyişini birebir taklit etmez.
Derin öğrenme öğrenmek için ne bilmek gerekir?
Temel programlama (çoğunlukla Python), doğrusal cebir, olasılık ve istatistik bilgisi iyi bir başlangıç sağlar. Önce klasik makine öğrenmesi kavramlarını öğrenmek süreci kolaylaştırır.
Kısaca
Derin öğrenme, makine öğrenmesinin çok katmanlı sinir ağları kullanan alt dalıdır. Özellikleri veriden kendisi öğrenir, ancak bol veri ve güçlü donanım ister. Doğru seçim, verinin türüne, miktarına ve sonucun ne kadar açıklanabilir olması gerektiğine göre yapılır.
