Bugün sizlere derin öğrenmeyle ilgili bir giriş yapacağım.Bu yazımda derin öğrenmenin ne olduğunu,nasıl çalıştığını açıklamaya çalışacağım.Keyifli okumalar.Hadi başlayalım o zaman!!!
Derin Öğrenme(Deep Learning) Nedir?
Derin öğrenme, insanların belirli bilgi türlerini kazanma şeklini taklit eden bir tür makine öğrenimi (ML) ve yapay zekadır (AI). Derin öğrenme, istatistik ve tahmine dayalı modellemeyi içeren veri biliminin önemli bir unsurudur. Büyük miktarda veri toplamak, analiz etmek ve yorumlamakla görevli veri bilimcileri için son derece faydalıdır.Derin öğrenme bu süreci daha hızlı ve kolay hale getirir.
En basit haliyle, derin öğrenme tahmine dayalı analitiği otomatikleştirmenin bir yolu olarak düşünülebilir. Geleneksel makine öğrenimi algoritmaları doğrusal olsa da, derin öğrenme algoritmaları artan karmaşıklık ve soyutlama hiyerarşisinde yığılır.
Derin öğrenmeyi anlamak için, ilk kelimesi köpek olan bir çocuk hayal edin. Yürümeye başlayan çocuk, nesnelere işaret ederek ve köpek kelimesini söyleyerek köpeğin ne olduğunu öğrenir . Ebeveyn der ki, “Evet, o bir köpek” ya da “Hayır, o bir köpek değil.” Yürümeye başlayan çocuk nesnelere işaret etmeye devam ettikçe, tüm köpeklerin sahip olduğu özelliklerin daha fazla farkına varır. Yürümeye başlayan çocuğun bilmeden yaptığı şey, her soyutlama düzeyinin hiyerarşinin önceki katmanından elde edilen bilgilerle oluşturulduğu bir hiyerarşi oluşturarak karmaşık bir soyutlamayı yani köpek kavramını açıklığa kavuşturmaktır.
Derin Öğrenme Nasıl Çalışır?
Sinir ağları düğüm katmanlarıdır, tıpkı insan beyninin nöronlardan oluşur olması gibi. Tek tek katmanlardaki düğümler bitişik katmanlara bağlanır. Derin öğrenme sistemleri güçlü donanım gerektirir, çünkü çok miktarda veri işlenir ve birkaç karmaşık matematiksel hesaplama içerir. Ancak, bu kadar gelişmiş donanımla bile, derin öğrenme eğitimi hesaplamaları haftalar alabilir.Derin öğrenme sistemleri, doğru sonuçlar döndürmek için büyük miktarda veri gerektirir; buna göre bilgi büyük veri kümeleri olarak beslenir. Verileri işlerken, yapay sinir ağları son derece karmaşık matematiksel hesaplamalar içeren bir dizi ikili doğru veya yanlış sorudan alınan yanıtlarla verileri sınıflandırabilir. Örneğin, bir yüz tanıma programı, yüzlerin kenarlarını ve çizgilerini, daha sonra yüzlerin daha önemli kısımlarını ve son olarak yüzlerin genel temsillerini tespit etmeyi ve tanımayı öğrenerek çalışır. Zamanla, program kendini eğitir ve doğru yanıtların olasılığı artar. Bu durumda, yüz tanıma programı yüzleri zamanla doğru bir şekilde tanımlayacaktır.
Diyelim ki amaç, bir sinir ağının köpek içeren fotoğrafları tanımasını sağlamaktır. Tüm köpekler birbirine tam olarak benzemez .Örneğin :Bir Rottweiler ve bir Kaniş düşünün. Ayrıca, fotoğraflar köpekleri farklı açılarda ve farklı miktarlarda ışık ve gölge ile göstermektedir. Bu nedenle, herhangi bir kişinin “köpek” olarak etiketlediği birçok köpek yüzü örneği ve köpek olmayan nesnelerin resimleri de dahil olmak üzere bir eğitim seti derlenmelidir ( tahmin edebileceğiniz gibi), “köpek değil.” Sinir ağına beslenen görüntüler veriye dönüştürülür. Bu veriler ağ üzerinden hareket eder ve çeşitli düğümler farklı öğelere ağırlık atar. Son çıktı katmanı görünüşte bağlantısız bilgileri derler .Örneğin:Tüylü, bir somurtma vardır, dört bacağı vardır, vb ve çıktıyı sunar: köpek.
Şimdi, sinir ağından alınan bu cevap,insan tarafından oluşturulan etiketle karşılaştırılacaktır. Bir eşleşme varsa çıktı onaylanır. Değilse sinir ağı hatayı not eder ve ağırlıkları ayarlar. Sinir ağı, ağırlıklarını tekrar tekrar ayarlayarak köpek tanıma becerilerini geliştirmeye çalışır. Bu eğitim tekniğine, sinir ağlarına açıkça bir köpeği neyin “yaptığı” söylenmediğinde bile ortaya çıkan denetimli öğrenme denir. Zaman içinde verilerdeki kalıpları tanımalı ve kendi başlarına öğrenmelidirler.
Umarım yazımdan memnun kalmışsınızdır.Diğer yazılarımla devam edeceğim.Bu süreçte kendinizi geliştirin,okuyun ve araştırın!!!!
Kullandığım kaynaklar: