Makine öğrenimi sistemlerinin, yapay zekânın bir alt dalı olduğunu yazmıştık. Derin öğrenme sistemi de makine öğrenme sisteminin bir alt dalıdır.

Makine öğrenme sistemleri, genel olarak, tek katmandan oluşan veriyi işleyerek öğrenirken, derin öğrenme sistemi, çok geniş veri setleri ve çoklu katmanları kullanarak, analiz ederek öğrenir. Derin Öğrenmede, makine, büyük miktarda veriyi farklı katmanlarda işleyerek, nasıl öğreneceğini de kendisi öğrenmektedir.

Konuyu biraz daha açalım: Normal makine öğrenimi uygulaması yapılırken modele yüklenen veri, o verinin bakılması istenen özellikleriyle beraber verilir. Model de, hangi özelliğin sonuca ne kadar etki ettiğini öğrenerek, bir fonksiyon üretir. Derin öğrenmede özellikler bizim tarafımızdan belirlenmez; model hangi özelliklere bakacağına kendi karar verir ve daha sonra da hangi veriye fonksiyonda ne kadar ağırlık vereceğini bulur.

Bu öğrenmenin gerçekleşmesi için, büyük verileri işleyebilecek güçlü bilgisayar donanımlara ihtiyaç vardır. Eskiden makine öğreniminde, CPU (Central Processing Unit - Merkezi İşlem Ünitesi) ile yapılan veri analizleri artık çok daha hızlı olan GPU (Graphics Processing Unit - Grafik İşleme Ünitesi) ile onlarca hatta yüzlerce kat daha hızlı ve güvenli bir şekilde yapılmaktadır.

Derin öğrenmenin en önemli ayrıntısı, bir verinin gösterimindeki farklı katmanları kullanıyor olmasıdır. Bu farklı katmanlardaki verilerin hepsi önceden eğitilmiştir. Klasik makine öğrenimine göre daha başarılı sonuçlar vermektedir.

Makine öğrenimi ile bu resimdeki hayvanların köpek olduğu sonucuna kolayca ulaşılabilir. Derin öğrenmede ise bu köpeklerin cinsini, ağızlarında bir sopa taşıdıklarını, çiçekli ve çimenli bir doğal ortamda koşturdukları bilgisine sadece elimizdeki büyük veri setlerini kullanarak ulaşabiliriz.

Derin öğrenme sistemi, insan beynindeki öğrenme süreçlerine uygun olarak geliştirilen matematiksel modelleme aracılığı ile oluşturulan yapay sinir ağlarını kullanarak veri analizi yapmaktadır. Derin öğrenme ile bu resmi analiz eden makine üç katmanlı bir analiz yapacaktır:

• Giriş Katmanı: Bir görüntünün pikselleri incelenerek, resimde köpek, sopa ve doğa olduğu algılanır.
• Ara (Gizli) Katman: Genellikle yapay sinir ağı eğitilirken, etiketlerin/bilgilerin kullanımına değişik ağırlıklar verilir ve bunlar "Öğrenilen Ağırlıklar" olarak bilinir. Bu katmanda, bu veriler arasındaki ilişki, daha önceki girdiler yardımıyla analiz edilir.
• Çıktı Katmanı: Son katman, size, ağınıza girdiğiniz verilerin bir tahminini verir. Örneğimizdeki tahmini çıktı; "Doğada sopayla oyun oynayan köpekler" olarak verilir.

Popüler kullanım alanları

Derin öğrenme sistemleri günlük hayatımızda kullandığımız pek çok cihaz ve uygulamada kullanılmaktadır. Bunlardan bazıları; yabancı dil tercümesi (Google Translate), sohbet motorları (Chatbot), yüz tanıma sistemleri, ses tanıma sistemleri, otonom araçlar, sağlık sektöründe kanser teşhisi ve her türlü MR görüntülerinin analizi ve teşhisi, siber tehdit analizleri, tarımsal faaliyetlerin analizi ve uygulamaları en popüler olanlarıdır. Bu uygulamalar da aşağıdaki dipnottaki yazımda etraflıca anlatılmıştır.[1]

Sonuç

Özet olarak, derin öğrenme, makine öğrenmesi ve yapay zekânın birbirinden farklı anlamları olan terimler olduğunu söyleyebiliriz. Derin öğrenme, makine öğrenmesinin; makine öğrenmesi ise yapay zekânın alt dalı olarak özetlenebilir.

Ancak, burada not edilmesi gerekli olan önemli nokta, yapay zeka ve onun alt katmanları olan öğrenme yöntemleri de dâhil olmak üzere, her aşamada, matematiksel modelleme ve optimizasyonun çok etkin bir şekilde kullanılmasının, bilgisayar yazılımlarının bile önüne geçmiş olmasıdır. Diğer bir deyişle, matematiksel olarak durumu analiz etmeden yazılımı geliştirmek mümkün değildir ve matematik, önem olarak, yazılımın önüne geçmiştir.

[1] https://t24.com.tr/yazarlar/hayri-cem-haftalik/yapay-zekânin-uretimde-kullanim-alanlari,26847