0

BEĞENDİM

ABONE OL

News

0

Google’ın tüm bir web sayfasını saniyeler içinde başka bir dile nasıl çevirdiğini hiç merak ettiniz mi? Veya telefon galeriniz fotoğrafları konumlarına göre nasıl gruplandırır? Bunların hepsi Derin Öğrenmenin bir ürünüdür.

Fakat Derin Öğrenme Tam Olarak Nedir?

Derin Öğrenme, sırayla Yapay Zekanın bir alt kümesi olan Makine Öğreniminin bir alt kümesidir.

Yapay Zeka, makinelerin insan davranışını taklit etmesini sağlayan bir tekniktir ve makine öğrenimi, verilerle eğitilmiş algoritmalar aracılığıyla yapay zekaya ulaşan bir tekniktir.

Son olarak, Derin Öğrenme, insan beyninin yapısından ilham alan bir tür makine öğrenimidir. Derin Öğrenme açısından bu yapıya Yapay Sinir Ağı denir.

Derin Öğrenmeyi daha iyi anlayalım ve Makine Öğreniminden nasıl farklı olduğunu anlayalım.

Domates ve kirazı ayırt edebilen bir makinemiz olduğunu varsayalım. Bu, makine öğrenimi kullanılarak yapılırsa, makineye ikisinin ayırt edilebileceği özellikleri söylememiz gerekir. Bu özellikler domates veya kirazdaki sapın boyutu ve türü olabilir.

Derin Öğrenme ile ise, özellikler herhangi bir insan müdahalesi olmadan sinir ağı tarafından seçilir. Tabii ki, bu tür bir bağımsızlık, algoritmamızı eğitmek için çok daha yüksek veri hacmine sahip olma pahasına gelir.

Sinir ağlarının işleyişine dalalım!

Diyelim ki üç öğrencimiz var ve her biri bir kağıda ‘9’ rakamını yazıyor. Özellikle, hepsi rakamı aynı şekilde yazmaz. İnsan beyni rakamları kolayca tanıyabilir, ama ya bir bilgisayar onları tanısaydı?

İşte burada Derin Öğrenme devreye giriyor. El yazısı rakamları tanımak için eğitilmiş bir sinir ağı, her sayıyı 28 x 28 piksellik bir görüntü olarak sunacak.

Bu da 784 piksele denk geliyor. Bir sinir ağının çekirdek varlığı olan nöronlar, bilgi işlemenin gerçekleştiği yerdir. 784 pikselin her biri, sinir ağımızın ilk katmanındaki bir nörona beslenir. Bu, giriş katmanını oluşturur.

Karşı uçta, her nöronun aralarında gizli katmanlar bulunan bir rakamı temsil ettiği bir çıktı katmanına sahibiz. Bilgiler, bağlantı kanalları üzerinden bir katmandan diğerine aktarılır. Bu bağlantı kanallarının her birinin kendisine bağlı bir değeri vardır ve bu nedenle Ağırlıklı Kanal olarak adlandırılır.

Tüm nöronların kendileriyle ilişkili “önyargı” adı verilen benzersiz bir numarası vardır. Bu önyargı, nörona ulaşan girdilerin ağırlıklı toplamına eklenir ve daha sonra “Aktivasyon fonksiyonu” olarak bilinen bir fonksiyona uygulanır.

Aktivasyon fonksiyonunun sonucu, bir nöronun aktive olup olmayacağını belirler. Aktive olan her nöron, bilgiyi aşağıdaki katmanlara iletir. Bu son ikinci katmana kadar devam eder. Çıkış katmanında etkinleştirilen bir nöron, giriş basamağına karşılık gelir.

Ağırlıklar ve önyargılar, iyi eğitimli bir ağ oluşturmak için sürekli olarak ayarlanır.

Derin Öğrenme Nerelerde Uygulanır?

Müşteri desteğinde derin öğrenme uygulanır . Çoğu insan müşteri destek temsilcileriyle konuştuğunda, konuşma o kadar gerçek görünüyor ki, diğer tarafta bunun bir Bot olduğunu bile anlamıyorlar.

Derin öğrenme, kanser hücrelerini tespit etmek ve ayrıntılı sonuçlar vermek için MRI görüntülerini analiz etmek için sinir ağları kullanıldığında tıbbi bakımda da uygulanır .

Kendi kendine giden arabalar, Derin öğrenmenin uygulandığı başka bir alandır. Bilim kurgu gibi görünen şey artık bir gerçek. Tesla, Apple ve Nissan, sürücüsüz otomobiller üzerinde çalışan şirketlerden sadece birkaçı. Bu nedenle, Derin Öğrenmenin geniş bir kapsamı vardır, ancak aynı zamanda birkaç sınırlamayla da karşı karşıyadır.

Derin Öğrenmenin Sınırlamaları

Derin Öğrenmenin ilk sınırlaması verilerdir. Derin Öğrenme, yapılandırılmamış verilerle başa çıkmanın en etkili yolu olsa da, bir sinir ağının eğitilmesi için çok büyük miktarda veri gerekir.

Her zaman gerekli veri hacmine erişimimiz olduğunu varsayalım. Bu veri hacmini işlemek her makinenin kapasitesi dahilinde değildir.

Derin Öğrenmenin ikinci sınırlaması olan Hesaplamalı güç. Bir sinir ağını eğitmek, bir CPU’ya kıyasla binlerce çekirdeğe sahip grafik işleme birimleri veya GPU’lar gerektirir. GPU’lar elbette CPU’lardan daha pahalıdır.

Sonunda antrenman saatine geliyoruz. Derin sinir ağlarının eğitilmesi saatler hatta günler alır. Ağdaki veri miktarı ve katman sayısı arttıkça süre de artar.

Derin Sinir ağlarındaki bu sınırlamalar giderek gereksiz hale geldikçe, verilerini eğitmek için Derin Öğrenme ve Derin sinir ağlarını benimseyen daha fazla şirket bulacağız. Bu, tahminlerde daha iyi doğruluk sağlar ve derin öğrenme modellerini daha az hataya açık hale getirir.

Modellerin daha yüksek doğruluğu ve daha büyük veri hacimleri ile Derin Öğrenme uygulamalarındaki olanaklar sonsuz hale geliyor!