Deep Learning (Derin Öğrenme) Nedir?

Derin öğrenme, veri işlemede ve karar vermede kullanmak için kalıplar oluşturmada insan beyninin çalışmalarını taklit eden bir yapay zeka işlevidir. Derin öğrenme, yapılandırılmamış veya etiketlenmemiş verilerden denetimsiz öğrenebilen ağlara sahip yapay zekada (AI) makine öğreniminin bir alt kümesidir. Derin sinirsel öğrenme veya derin sinir ağı olarak da bilinir.

Derin öğrenme, tüm biçimlerde ve dünyanın her bölgesinden veri patlamasına neden olan dijital çağla el ele gelişti. Basitçe büyük veri olarak bilinen bu veriler, diğerlerinin yanı sıra sosyal medya, internet arama motorları, e-ticaret platformları ve çevrimiçi sinemalar gibi kaynaklardan elde edilmektedir. Bu muazzam miktarda veriye kolayca erişilebilir ve bulut bilişim gibi fintech uygulamaları aracılığıyla paylaşılabilir. Bununla birlikte, normalde yapılandırılmamış olan veriler o kadar geniştir ki, insanların bunları anlaması ve ilgili bilgileri çıkarması on yıllar alabilir.

Şirketler, bu bilgi zenginliğinin ortaya çıkarılmasından kaynaklanabilecek inanılmaz potansiyeli fark ediyor ve otomatik destek için giderek daha fazla yapay zeka sistemine uyum sağlıyor.  Derin öğrenme, normalde insanların on yıllarca anlaması ve işlenmesi gereken çok sayıda yapılandırılmamış veriyi öğrenir.

Deep Learning (Derin Öğrenme) Nasıl Çalışır?

Büyük verileri işlemek için kullanılan en yaygın AI tekniklerinden biri, deneyim veya yeni eklenen verilerle gittikçe daha iyi analiz ve kalıplar elde eden, kendini uyarlayan bir algoritma olan makine öğrenmesidir. Bir dijital ödeme şirketi, sistemindeki sahtekarlığın oluşumunu veya potansiyelini tespit etmek isterse, bu amaçla makine öğrenme araçları kullanabilir. Bir bilgisayar modelinde yerleşik olan hesaplama algoritması, dijital platformda gerçekleşen tüm işlemleri işleyecek, veri kümesinde kalıpları bulacaktır ve kalıp tarafından algılanan herhangi bir anormalliği gösterecektir. Makine öğreniminin bir alt kümesi olan derin öğrenme, makine öğrenimi sürecini yürütmek için hiyerarşik düzeyde yapay sinir ağlarından yararlanır.

Yapay sinir ağları, insan beyni gibi inşa edilir, nöron düğümleri bir ağ gibi birbirine bağlanır. Geleneksel programlar, verilerle doğrusal bir şekilde analiz oluştururken, derin öğrenme sistemlerinin hiyerarşik işlevi, makinelerin verileri doğrusal olmayan bir yaklaşımla işlemesini sağlar. Dolandırıcılık veya kara para aklamanın tespitine yönelik geleneksel bir yaklaşım, gerçekleşen işlem miktarına dayanırken, deep learning doğrusal olmayan bir teknik zaman, coğrafi konum, IP adresi, perakendeci türü ve hileli faaliyeti göstermesi muhtemel diğer herhangi bir özelliği içerir. Sinir ağının ilk katmanı, işlem miktarı gibi bir ham veri girişini işler ve çıktı olarak bir sonraki katmana aktarır. İkinci katman, kullanıcının IP adresi gibi ek bilgiler ekleyerek önceki katmanın bilgilerini işler ve sonucundan geçer. Bir sonraki katman, ikinci katmanın bilgilerini alır ve coğrafi konum gibi ham verileri içerir ve makinenin desenini daha da iyi hale getirir. Bu, nöron ağının tüm seviyelerinde devam eder:

  • Derin öğrenme, karar vermede kullanılmak üzere verileri işlemede insan beyninin işleyişini taklit eden bir AI işlevidir.
  • Derin öğrenme AI, hem yapılandırılmamış hem de etiketlenmemiş verilerden öğrenebilir.
  • Bir makine öğrenme altkümesi olan derin öğrenme, dolandırıcılığın veya kara para aklamanın tespit edilmesine yardımcı olmak için kullanılabilir.

Derin Öğrenme Örneği

Makine öğrenimi ile yukarıda belirtilen sahtecilik tespit sistemini kullanarak bir derin öğrenme örneği yaratılabilir. Makine öğrenme sistemi, bir kullanıcının gönderdiği veya aldığı dolar sayısına göre oluşturulmuş parametrelerle bir model oluşturduysa, deep learning yöntemi, makine öğreniminin sunduğu sonuçlar üzerine inşa etmeye başlayabilir. Sinir ağının her katmanı, bir perakendeci, gönderen, kullanıcı, sosyal medya etkinliği, kredi puanı, IP adresi ve bir insan tarafından işlendiğinde birbirine bağlanması yıllar alabilen bir dizi başka özellik gibi ek verilerle bir önceki katmanına dayanır. Derin öğrenme algoritmaları sadece tüm işlemlerden kalıp oluşturmakla kalmaz, aynı zamanda bir kalıbın ne zaman hileli bir araştırmaya ihtiyaç duyduğunu da bilir. Son katman, bekleyen tüm soruşturmalar sonuçlanıncaya kadar kullanıcının hesabını dondurabilecek bir analiste sinyal gönderir.

Derin öğrenme tüm endüstrilerde bir dizi farklı görev için kullanılır. Görüntü tanıma kullanan ticari uygulamalar, tüketici tavsiyesi uygulamalarına sahip açık kaynaklı platformlar ve yeni rahatsızlıklar için ilaçları yeniden kullanma olasılığını araştıran tıbbi araştırma araçları, deep learning alanının birkaç örneğidir.

Machine Learning vs Deep Learning

Makine öğrenimi ve deep learning, son iki yılda çok dikkat çeken yapay zekanın iki alt kümesidir. Her iki terimi de mümkün olan en basit şekilde anlamak için bunların işlevlerini incelemek yeterlidir.

Yapay zekanın bir alt kümesi olarak makine öğrenmesi (machine learning), yapılandırılmış verilerle kendisini besleyerek istenen çıktıyı üretmek için insan müdahalesi olmadan kendini değiştirebilen algoritmaların yaratılmasıyla ilgilidir.

Köpek ve kedi resimlerinden oluşan bir görüntü hayal edin. Makine öğrenimi ve deep learning ağları bundan bir anlam çıkarmak zorunda kaldığında ne olur? Hayalinizdeki resme bir göz atın: Göreceğiniz şey, kedi ve köpeklerin fotoğraflarından oluşan bir koleksiyon. Şimdi, makine öğrenme algoritmaları ve derin öğrenme ağları yardımıyla köpeklerin ve kedilerin görüntülerini ayrı ayrı tanımlamak istediğinizi varsayalım.

ML algoritmasının koleksiyondaki görüntüleri iki köpek ve kedi kategorisine göre kategorilere ayırmasına yardımcı olmak için, bu görüntüleri toplu olarak sunmanız gerekir. Peki algoritma hangisinin hangisi olduğunu nasıl biliyor?

Bu sorunun cevabı yapılandırılmış verilerdir. Köpeklerin ve kedilerin resimlerini her iki hayvanın belirli özelliklerini tanımlayacak şekilde etiketlersiniz. Bu veriler, makine öğrenme algoritmasının öğrenmesi için yeterli olacak ve daha sonra anladığı etiketlere göre çalışmaya devam edecek ve her iki hayvanın milyonlarca diğer resmini söz konusu etiketlerle öğrendiği özelliklere göre sınıflandıracaktır.

Derin öğrenme ve makine öğrenimi: Sorun derin öğrenme yoluyla çözüldüğünde

Deep learning ağları bu sorunu çözmek için farklı bir yaklaşım gerektirir. Derin öğrenme ağlarının temel avantajı, iki hayvanı sınıflandırmak için resimlerin yapılandırılmış / etiketlenmiş verilerine ihtiyaç duymaları gerekmemesidir. Derin öğrenmeyi kullanan yapay sinir ağları, girdiyi (görüntülerin verileri) ağın farklı katmanları aracılığıyla gönderir. Her ağ hiyerarşik olarak görüntülerin belirli özelliklerini tanımlar. Bu, insan beynimizin problemleri çözmek için nasıl çalıştığına benzer bir şekilde çalışır. Bir cevap bulmak için çeşitli kavram hiyerarşileri ve ilgili sorulardan sorgular ileterek. Veriler derin sinir ağları içindeki katmanlar aracılığıyla işlendikten sonra, sistem her iki hayvanı görüntülerinden sınıflandırmak için uygun tanımlayıcıları bulur.

Bu, makine öğrenim temelleri ve deep learning ağlarının çalışma şeklindeki farklılıkları anlamanıza yardımcı olacak bir örnektir. Hem derin öğrenme hem de makine öğrenimi, bu durum da dahil olmak üzere çoğu durum için aynı anda uygulanamaz.

Bu örnekte, bir makine öğrenme algoritmasının, kedi ve köpeklerin görüntüleri arasındaki farkları anlamak, sınıflandırmayı öğrenmek ve daha sonra çıktı üretmek için etiketlenmiş / yapılandırılmış veriler gerektirdiğini gördük. Diğer taraftan, derin bir öğrenme ağı, ağ katmanları içinde işlenen veriler yoluyla her iki hayvanın görüntülerini sınıflandırabilmiştir. Görüntüleri sınıflandırmak için birleştirilmiş bir yol oluşturmak üzere birleştirilen her katman tarafından işlenen farklı çıktılara dayandığı için herhangi bir etiketlenmiş / yapılandırılmış veri gerektirmez.

Bir önceki yazımıza https://smartpro.com.tr/google-araclari-detayli-kullanim-rehberi linkinden ulaşabilirsiniz.

Net framework