Deep Learning Nedir?
Cihazların gerçek Dünya’daki sorunları çözebilecek etkili tahminlerde bulunması sizi yeteri kadar heyecanlandırmıyorsa Deep Learning Nedir? sorusunu çılgın gelişmelerle dolu zamanlarda sormak zorunda kalabilirsiniz:)
Sıklıkla birbirinin yerine kullanılsa da deep learning (derin öğrenme) ve makine öğrenimi yapay zekanın iki önemli parçası. Yapay zeka, insanlar gibi çalışan ve tepki veren akıllı makinelerin oluşturulmasına katkıda bulunan bir bilgisayar bilimi.
Derin öğrenmenin, makine öğrenimine nazaran yapay zeka uygulamalarının daha “insan benzeri” özelliklerine güç veren bir yapay zeka bileşeni olduğunu söyleyebiliriz.
Makine öğreniminin bir evrimi olarak kabul edilen derin öğrenme, aslında makine öğreniminin bir alt alanı, ancak ilginç olan makine öğreniminden daha gelişmiş olması.
Deep Learning Nedir?
Deep learning, herhangi bir insan müdahalesi gerektirmeden; algoritmalar ve büyük veri kümeleri kullanarak kalıplar bulan ve çıktılar oluşturup yanıtlar veren bir makine öğrenme tekniği.
Cihazlara görüntü, metin veya ses biçimindeki girdileri filtrelemeyi, sınıflandırmayı ve tahminlerde bulunmayı öğretiyor. Dünyayı değiştiren bu teknoloji; bir bilgisayarın aldığı bilgiler sayesinde öğrenip adapte olabileceğinin, bir makinenin kendi kendini düzeltebileceğinin kanıtı.
Bir yapay zeka algoritması yanlış bir tahmin verdiğinde bir mühendis devreye girmeli ve ayarlamalar yapmalıdır. Ancak derin öğrenme modeliyle, bir algoritma, bir tahminin doğru olup olmadığını kendi sinir ağı (neural network) aracılığıyla belirleyebilir.
Derin öğrenme sistemleri, söz konusu yapay sinir ağı sayesinde, büyük miktarda veriyle başa çıkabilir. Her günün her saniyesinde inanılmaz miktarda veri toplayabilen gelişmiş akıllı sensörler çağında yaşadığımız için her gün 2,6 kentilyon bayt veri ürettiğimiz tahmin ediliyor. Bu muazzam miktardaki veriyle geleneksel bilgisayarların başa çıkması ve bu verilerden sonuç çıkarması kolay olmadığından; veri miktarı arttıkça daha verimli hale gelen derin öğrenme, yükselen trendler arasında yerini sağlamlaştırıyor. Çünkü ne kadar çok veriyle çalışırsa, sonuçlar o kadar kesin ve doğru oluyor.
Bu, derin öğrenmenin makine öğreniminden ayrıldığı önemli bir nokta. Derin öğrenme daha büyük hacimli verilerle ölçeklenebilirken, makine öğrenimi;, belirli bir seviyeden sonra bir düzlüğe ulaştığı sığ öğrenmeyle sınırlı kalıyor ve daha fazla yeni veri eklenmesi hiçbir fark yaratmıyor.
Derin öğrenme uygulamaları, bir insanın eylemlerini gözlemleyerek bir robotu eğitebiliyor veya bir eylemi gerçekleştirmek için diğer birçok yapay zeka uygulamasından gelen bağlantıları kullanabiliyor.
Derin öğrenmenin günlük hayatımızı nasıl etkilediğini bilmek istiyorsanız; insan performansını başarılı bir şekilde taklit edebilen uygulamaları düşünebilirsiniz; otonom arabalar, sesli asistanlar ve dijital mecralardaki kişiselleştirilmiş öneriler(Daha fazla örneği yazının son bölümünden okuyabilirsiniz).
Derin Öğrenmenin Tarihi
Derin öğrenme 1980’lerde Geoffrey Hinton tarafından kavramsallaştırıldı. Hinton’un derin öğrenmeye en büyük katkısı, makine öğrenimi tekniklerini insan beyniyle karşılaştırması oldu. Hinton, beyindeki nöronların yapısına benzer şekilde yapılandırılmış bir derin öğrenme algoritması olan “sinir ağı” konseptini yarattı.
Derin öğrenmenin kavramsal doğuşu sırasında, araştırmacılar anlamlı derin öğrenme modelleri oluşturmak ve eğitmek için yeterli veriye veya hesaplama gücüne erişemiyorlardı. Bu nedenle onlarca yıl önce bulunmasına rağmen, derin öğrenme konusundaki çalışmaların ivme kazanması, içinde bulunduğumuz zamanlara kaldı.
Derin öğrenmenin babası kabul edilen Hinton’ın şirketi DNNresearch, 2013 yılında Google tarafından satın alındı. Hinton da Google’da çalışmaya devam etti.
Derin Öğrenme Nasıl Çalışır?
Bir derin öğrenme modeli, bir insanın nasıl sonuç çıkaracağına benzer bir mantık yapısıyla verileri sürekli olarak analiz etmek için tasarlanmıştır. Bunu başarmak için, derin öğrenme uygulamaları yapay sinir ağı adı verilen katmanlı bir algoritma yapısı kullanır. Yapay sinir ağının tasarımı, insan beyninin biyolojik sinir ağından esinlenmiştir. Yapay sinir ağı; standart makine öğrenimi modellerinden çok daha yetenekli bir öğrenme sürecine yol açar.
Makine öğreniminin birkaç katman sinir ağı olabilirken derin öğrenmenin yüzlerce veya binlerce katmanı bulunur. Bu katmanlara, gelen büyük miktarda veriyi işlemek için ihtiyacı vardır. Çünkü yeterli katman olmadan, ortaya çıkan sorunu çözmeye yardımcı olacak yeterli nöron olmaz.
Derin öğrenme, özünde, makinelere insan zekasını taklit etmeyi öğretmek için yinelemeli yöntemlere dayanır. Yapay bir sinir ağı, bu yinelemeli yöntemi birkaç hiyerarşik düzey aracılığıyla gerçekleştirir. İlk seviyeler, makinelerin basit bilgileri öğrenmesine yardımcı olur ve seviyeler arttıkça bilgi birikmeye devam eder. Her yeni seviye ile makineler daha fazla bilgi toplar ve bunları son seviyede öğrendikleriyle birleştirir. Sürecin sonunda, elde edilen bilgi bir nevi mantıksal düşünce örneği gibidir.
Hiyerarşik öğrenmede daha yüksek seviyeli, daha soyut veriler ve özellikler; daha düşük seviyeli, daha az soyut özellikler açısından tanımlanır. Bu, algoritmaların ve makinelerin ayrıştırılması daha zor olan yeni verileri almasına ve bunları anlaşılması daha kolay olan ve halihazırda kullanılmış alanlara ayırmasına yardımcı olur.
Örneğin Siri gibi bir sesli asistanın konuşmayı öğrenmesi için bu sesli asistan sinir ağının ilk seviyelerinde, ses yoğunluğunu ve tonlamaları belirlemeye çalışacaktır. Daha yüksek seviyeler için, kelime bilgisi toplayacak ve buna önceki seviyelerin bulgularını ekleyecektir. Sonraki seviyelerde, istemleri analiz edecek ve tüm sonuçlarını birleştirecektir. Hiyerarşik yapının en üst seviyesi için, sesli asistan bir diyaloğu analiz edebilecek ve bu girdiye dayanarak karşılık gelen bir eylem gerçekleştirebilecek kadar konuşmayı öğrenmiş olacaktır.