Derin öğrenme hakkında bilmeniz gereken her şey

Derin öğrenme (Deep Learning - DL), akıllı makinelerin öğrenme ve kavrama yeteneğidir. İnsan beyninin yapısından ve çalışma prensibinden esinlenilerek tasarlanmıştır. Otonom araçları gerçeğe dönüştüren kritik bir teknolojidir. Derin öğrenme, düşünen ve hisseden makineler yaratmaya yaklaşmamızı sağlar.

Derin öğrenme, veri işlemede insan beyninin işleyişini taklit eden bir makine öğrenimi alt dalıdır. Makinelerin insan denetimi olmadan öğrenmesini sağlar. Konuşulanları algılama, tercüme etme, nesneleri tanımlama ve karar verme yeteneği kazandırır.

Bir makine öğrenimi dalı olmasına rağmen, DL sistemleri geleneksel makine öğrenimi (Machine Learning – ML) algoritmaları gibi sınırlı öğrenme kapasitesine sahip değildir. Bunun yerine, DL sistemleri daha büyük ve tutarlı verilerle beslendikçe performanslarını sürekli iyileştirebilir.

Yapay sinir ağı nedir?

Derin öğrenme, yapay zeka sistemlerinin insanların öğrenme şekillerini taklit etmesini mümkün kılar. DL algoritmaları, verileri sürekli analiz ederek sonuçlar çıkarmaya çalışır. Bunu başarmak için kullanılan teknoloji ise insan beyninin elektronik bir versiyonu olarak tanımlanan yapay sinir ağlarıdır (Artificial Neural Networks ANNs). Yapay sinir ağları, makinelerin problem çözme yetenekleri, öz farkındalık, algı, yaratıcılık ve empati gibi insan özelliklerini sergileyebilmesi için geliştirilmiştir.

Bilgisayarlar daha makul fiyatlı, daha hızlı ve daha küçük hale gelmeseydi derin öğrenme mümkün olamazdı. Derin öğrenmenin gerçeğe dönüşmesi için büyük miktarda verinin depolanması ve işlenmesi gerektiğinden, aynı durum depolama cihazları için de geçerlidir. Bu nedenle, derin öğrenme 1980'lerde teoriye dökülmüş olsa da, uygulanması için günümüze kadar beklenmesi gerekmiştir.

Derin öğrenme ne işe yarar?

Yapılandırılmamış büyük veriyi işlemek insan zihni için neredeyse imkansızdır. Gerekli insan gücünü elde etmeyi başarsanız bile, büyük veri kümelerindeki değerli bilgileri ortaya çıkarmak yıllar alabilir. Derin öğrenme bu süreci şaşırtıcı derecede basitleştirilmiştir.

Bir yapay zeka sistemi derin öğrenme sayesinde herhangi bir insan denetimi olmadan kendini eğitebilir ve geliştirebilir. DL ayrıca makinelerin etiketlenmemiş ve yapılandırılmamış verilerden de öğrenebilmesini mümkün kılar. Makine öğrenimi süreçlerinin denetimsiz (gözetimsiz), yarı denetimli veya denetimli (gözetimli) olabileceğini unutmayın.

Derin öğrenme nasıl çalışır?

Derin öğrenmede eğitim süreci, geri besleme döngüsüne dayalı sistem eylemlerini değiştirerek gerçekleşir. Öğrenme sisteminde her doğru eylem için bir ödül ve yanlış olanlar için ceza vardır. Sistem, ödülü en üst düzeye çıkarmak için eylemlerini iyileştirmeye çalışır.

Daha önce de belirttiğimiz gibi, derin öğrenme yapay sinir ağlarıyla mümkün kılınmıştır. Bunlar, insan beyninin sinir ağlarından ilham alınarak yapılmıştır. Nöronların yapay karşılığı olan çok sayıda algılayıcı, yapay sinir ağlarını oluşturmak için bir araya gelmiştir. "Derin" terimi, sinir ağlarının sahip olduğu gizli katmanların sayısını belirtmek için kullanılır. Geleneksel sinir ağları iki ile üç gizli katman içerirken, derin ağlar 150’ye kadar katmana sahip olabilir.

Derin öğrenmenin nasıl çalıştığını anlamanın diğer bir yolu evrişimli sinir ağlarına (Convolutional Neural Networks - CNNs) bakmaktır. Evrişimli sinir ağları, özellikleri doğrudan algılayarak verilerin manuel etiketlenmesi ihtiyacını ortadan kaldırır. Özelliklerin hiçbiri önceden makineye öğretilmez; bunun yerine verilen görüntü kümesi üzerinde kendi kendini eğitir. Bu otomatik özellik saptama kabiliyeti, derin öğrenme modellerini nesne sınıflandırma ve diğer bilgisayarlı görme uygulamaları için kullanışlı hale getirir.

Derin sinir ağlarının özellikleri belirlemede ve görüntüleri sınıflandırmada son derece hassas olmasının nedeni, barındırdıkları yüzlerce katmandan kaynaklanmaktadır. Her katman belirli özellikleri tanımlamayı öğrenir ve katman sayısı arttıkça öğrenilen görüntü özelliklerinin karmaşıklığı da doğru orantılı olarak değişir.

Derin öğrenme ve makine öğrenimi arasındaki farklar

Makine öğrenimi

Makine öğrenimi, makinelerin deneyimler aracılığıyla açıkça programlanmadıkları görevleri öğrenmesini ve performanslarını iyileştirmesini sağlayan bir yapay zeka uygulamasıdır.

E-posta hesabınızda bulunan istenmeyen posta filtreleri iyi birer makine öğrenimi algoritması örneğidir. ML algoritmaları, geçmiş zevklerinizden yola çıkarak sevmenizin muhtemel olduğu içerikler önermek için Netflix, YouTube ve Spotify gibi platformlarda da kullanılır.

ML algoritmaları verileri analiz etme, kalıpları tanımlama ve tahminlerde bulunma yeteneğine sahiptir. Kendilerine yeni veri kümeleri sunuldukça öğrenir ve uyum sağlarlar. Makine öğrenimi, bilgisayarları öğrenme ve kendilerini geliştirme yeteneğiyle bir bakıma insanlaştırır.

Derin öğrenme

Derin öğrenme gelişmiş bir makine öğrenimi türüdür. Makine öğrenimi algoritmaları kademeli olarak öğrenip gelişebilse de bir tür rehberliğe ihtiyaç duyar. Örneğin algoritma yanlış bir tahminde bulunursa, ayarlama yapmak için insan müdahalesi gerekir. Derin öğrenme algoritmaları ise yapay sinir ağları yardımıyla tahminlerinin doğru olup olmadığını da kendi başlarına öğrenebilir.

Makine öğrenimi ile derin öğrenmeyi birbirinden ayırmanın bir başka yolu da nasıl öğrendiklerine bakmaktır. Bir makineye köpeklerin ve kedilerin fotoğraflarını sınıflandırmayı öğretmek istediğinizi varsayalım. Makine öğrenimi modelini kullanıyorsanız, algoritmanın her iki hayvanın da görüntülerini farklılaştıran belirli özellikleri öğrenmesi için yapılandırılmış verilerle beslenmesi gerekir. Algoritma, her etiketli görüntü ile iki hayvanı birbirinden daha iyi ayırabilecek bilgiye sahip olur. Derin öğrenme modelinde ise yapılandırılmış veriler veya etiketli görseller sağlanması gerekmez. Yapay sinir ağları, algoritmaların her bir hayvanın farklı özelliklerini önce algılamasını, sonra da kavramasını sağlar.

Görüntüler derin sinir ağlarının farklı katmanları aracılığıyla işlendikten sonra, sistem hayvanları ve görüntüleri sınıflandırmaya yardımcı olacak belirli tanımlayıcılar geliştirir. Bir sonraki aşamada sinir ağının her katmanı tarafından işlenen farklı çıktılar, görüntüleri etkili bir şekilde kategorize etmek için birleştirilir.

Makine öğrenimi ile derin öğrenme arasındaki dikkate değer bir diğer fark ise donanım gereklilikleridir. Hesaplamaların karmaşıklığı ve işlenen veri miktarı makine öğrenimi için görece daha düşüktür. Dolayısıyla ML programları çok fazla hesaplama gücü gerektirmeden çalıştırılabilir. Derin öğrenme sistemleri ise büyük hesaplama kaynaklarına ve grafik işleme birimlerine (GPU'lar) ihtiyaç duyar. GPU’lar derin öğrenme sistemlerinin hızını 100 kattan fazla artırabilir.

Derin öğrenme ve makine öğrenimi algoritmalarını eğitmek için geçen süre de farklıdır. Tahmin edebileceğiniz gibi, büyük veri ve karmaşık hesaplamalar nedeniyle derin öğrenme algoritmalarının eğitilmesi zaman alır. Derin öğrenme sistemini eğitmek birkaç saat hatta haftalar alabilirken, bir makine öğrenimi sistemi birkaç saniye veya saat içinde eğitilebilir.

Derin öğrenme modelleri nasıl oluşturulur ve eğitilir?

Bir derin öğrenme modelini nesne sınıflandırması yapabilmesi için eğitebileceğiniz üç yöntem vardır. Sıfırdan eğitebilir, öğrenmeyi aktarabilir veya bir ağı özellik çıkarıcı olarak kullanabilirsiniz. Bu yöntemleri yakından inceleyelim:

1. Sıfırdan eğitim

Derin sinir ağlarını sıfırdan eğitmek için etiketli büyük veri kümeleri gerekir. Örneğin, kedi ve köpeklerin etiketlenmiş görüntüleri gibi. Bundan sonra, hayvanların farklı özelliklerini öğrenebilecek bir ağ mimarisi tasarlanmalıdır. Veri hacmine, öğrenme hızına ve işlem gücüne bağlı olarak ağların eğitilmesi haftalar alabilir.

2. Öğrenme transferi

Derin sinir ağlarını eğitmenin en yaygın yolu öğrenme transferidir. Bu süreçte, önceden eğitilmiş bir modele yeni bir görevi gerçekleştirmek için ince ayar yapılır. Mevcut bir ağ ile başlayabilir ve daha önce bilinmeyen sınıfları içeren yeni veri kümeleriyle besleyebilirsiniz. Ağı gereksinimlerinize göre ayarlayabilirsiniz, bu durumda kedi ve köpek görüntülerini belirleyip ayırt edebilirsiniz. Bu işlem daha az miktarda veri gerektirdiğinden, hesaplama süresi önemli ölçüde düşer.

3. Özellik çıkarıcı

Derin öğrenme modelini eğitmek için seçilebilecek son yaklaşım, bir ağı özellik çıkarıcı olarak kullanmaktır. Ağın her katmanı, görüntülerdeki belirli özellikleri öğrenmek için tasarlandığından, eğitim sürecinde bu özellikleri ağdan çekebilirsiniz. Bu özellikler daha sonra bir makine öğrenimi modeline aktarılabilir. Bu yöntem daha düşük hesaplama kaynağıyla eğitim için tercih edilir.