Derin öğrenme, makinelerin dünyayı algılama ve anlamasına yönelik yapay zekâ geliştirmede en popüler yaklaşımdır.
Büyük miktarlarda etiketlenmiş eğitim verilerinden özellik saptama yapabilen sistemler oluşturmak için ileri teknoloji, çok seviyeli “derin” sinir ağların kullanılması olan Derin Öğrenme, önemli derecede yatırım ve araştırmanın yapıldığı bir alandır.
Derin Öğrenme algoritmaları yapay sinir ağlarının (YSA) yapısal olarak daha
karmaşık hali olarak düşünülebilir. YSA algoritmaları insandaki öğrenme
işleyişinden hareketle geliştirilmiştir. Biyolojik sinir sisteminde bulunan nöronların birbirleri ile ilişki kurması gibi YSA sistemlerinde de nöron şeklinde tanımlanan yapılar birbirleri ile bağlantılı olacak şekilde modellenmişlerdir. Algoritmanın bu şekilde; öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahip olacağı düşünülmüştür.
Derin Öğrenme algoritmalarının makine öğrenmesindeki var olan
algoritmalardan ayrılan yönü; çok yüksek miktarda veriye ve karmaşık yapısı ile de bu yüksek veriyi işleyebilecek çok yüksek hesaplama gücü olan donanımlara ihtiyaç duymasıdır.
Son yıllarda özellikle görüntü işleme alanında etiketli veri sayısı milyon
mertebelerini geçmiştir. Ekran kartı temelli hesaplama gücü alanındaki büyük
ilerlemelerin de etkisiyle Derin Öğrenme algoritmaları çok popüler olmuştur.
Derin Öğrenme yöntemleri ile birçok alanda bilinen en iyi başarı düzeyleri (State of the art) çok daha yukarılara çıkmıştır. Yüksek veri ve hesaplama gücü olanaklarına sahip büyük teknoloji firmaları (Google, Facebook, Microsoft, Nvidia vb.) tarafından da kullanılıp ürünlerine entegre edilmektedir. Aynı zamanda bu teknoloji firmaları kendi Derin Öğrenme yazılım kütüphanelerini geliştirici topluluklara da açarak bu alandaki hızlı ilerlemeye destek olmaktadırlar.
Son yıllarda Big Data’nın artması ve artan veri miktarı ile daha başarılı sistemlerin oluşturabilmesi, Derin Öğrenmeyi son yollarda sıkça üzerine çalışılan bir konu haline getirmiştir. Derin Öğrenme ile Eski Makine Öğrenmesi algoritmalarının artan veri miktarına ilişkin elde edebildikleri başarı oranları aşağıdaki grafikte verilmiştir.
Derin Öğrenme Çalışma Prensibi
Derin Öğrenme yöntemleri, verilen çok sayıda inputa göre ayırt edici özellikleri
kendisi öğrenir. Bu özellik öğrenme işleminin başarı ile yapılabilmesi için sistem, yeterince eğitilmelidir. Özellik öğrenme aşaması katmanlardan oluşur. Alt seviyedeki özellikler daha az ayırt ediciliğe sahipken alt seviyedeki katmanların birleştirilmesinden oluşan üst seviye katmanlardaki özellikle daha fazla ayırt ediciliğe sahiptir. Alt seviyedeki özellikler daha anlamlı özellikler üretilebilmesi için temel oluştururlar. Bu tarz bir öğrenme yöntemi, geleneksel Makine Öğrenmesi algoritmalarından farklıdır. Çünkü geleneksel Makine Öğrenmesi algoritmalarında eğitim aşamasından önce bir insan tarafından belirlenen özelliklerin hesaplanması gerekir. Öğrenme işlemi hesaplanan bu özelliklere göre yapılır.
Derin Öğrenme Çalışmaları ve Kullanım Alanları
Derin Öğrenme genellikle zorlu ses ve görüntü tanıma işlemleri için kullanılmaktadır.
Bunlar;
• Yüz tanıma sistemleri
• Plaka tanıma sistemleri
• Parmak izi okuyucular
• İris okuyucular
• Ses tanımlama sistemleri
• Sürücüsüz arabalar
• Spam (istenmeyen) e-posta tespitinde
• Derin öğrenme; yararlı bilgiyi verilerden soyutlamak için kullanılır.
• Görüntü,ses, metin gibi verilere anlam kazandıran sunum ve soyutlama seviyelerini öğrenmek için çok katmanlı sinir ağlarını kullanır.
• Derin öğrenmenin kilit noktası bir nesnenin gösterimindeki farklı katmanlardır. Her katman ayrı ayrı eğitilir.
• Örneğin bir resmi sınıflandırmak istiyorsak resmin alt katmanlarından yani piksellerden işe başlamalıyız.
Sizlere son yıllarda teknolojinin gündeminde olan derin öğrenme namıdiğer Deep Learning konusundan bahsetmeye çalıştım. Umarım sizler içinde faydalı bir içerik olmuştur. Bir sonraki yazımda görüşmek üzere, hoş kalın hoşçakalın ve en önemlisi de bu süreçten en az şekilde etkilenmek için evde kalın...
Yorumlar
Yorum Gönder