Kitap 08 · Yapay Zekâ ve Makine ÖğrenmesiSayfa 14 / 52

Derin Öğrenme

İngilizcesi: Deep Learning
Okunuşu: dip lörning

Güncellendi 30 Eylül 20262 dk okuma

Kısaca

Derin öğrenme, görüntü ve metin gibi ham verilerden karmaşık örüntüleri öğrenmek için çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir.

Derin öğrenme nedir?

Derin öğrenme, çok sayıda gizli katmana sahip sinir ağlarına dayanan bir makine öğrenmesi dalıdır; "derin" sözcüğü de buradan gelir. Her katman girdisini biraz daha soyut bir temsile dönüştürür, böylece ağ karmaşık örüntüleri adım adım öğrenebilir. Modern derin öğrenme modelleri milyonlardan yüzlerce milyara kadar parametreye sahip olabilir.

Derin öğrenmenin önemli bir avantajı, kullanışlı özellikleri (feature) kendi başına keşfetmesidir. Klasik makine öğrenmesinde mühendislerin çoğu zaman bir görüntüdeki kenarları saymak gibi özellikleri elle tasarlaması gerekirdi; ham piksellerle beslenen derin bir ağ ise erken katmanlarında kenarları, orta katmanlarında şekilleri, sonraki katmanlarında da yüz ya da araba gibi bütün nesneleri tanımayı öğrenir. Bu büyük modelleri eğitmek çok miktarda veri ve birçok hesabı paralel yapabilen GPU gibi özel donanımlar gerektirir.

Okumayı öğrenmek iyi bir benzetmedir: önce çizgileri, sonra harfleri, sonra sözcükleri ve en sonunda bütün cümlelerin anlamını tanırsınız; her düzey bir öncekinin üzerine kurulur. Derin öğrenme; görüntü ve konuşma tanımaya, makine çevirisine, sürücüsüz arabaların algı sistemlerine, öneri sistemlerine ve büyük dil modellerine güç verir.

Derin öğrenme çoğu zaman yapay zekâ ya da makine öğrenmesi ile birbirinin yerine kullanılır, ama ikisinin de alt kümesidir: yapay zekâ geniş hedeftir, makine öğrenmesi verilerden öğrenmektir, derin öğrenme ise derin sinir ağlarıyla yapılan makine öğrenmesidir. Müşteri kayıtlarından oluşan bir elektronik tablo gibi küçük ve yapılandırılmış veri kümeleri için daha basit makine öğrenmesi yöntemleri çoğu zaman daha hızlı, daha ucuz ve aynı derecede doğrudur.

Önemli noktalar

Derin öğrenme, çok sayıda gizli katmana sahip sinir ağları kullanır.
Her katman verinin daha soyut bir temsilini öğrenir.
Piksel, ses ya da metin gibi ham verilerden özellikleri otomatik öğrenir.
Büyük veri kümelerine ve GPU gibi paralel donanıma ihtiyaç duyar.
Küçük tablo verileri için klasik makine öğrenmesi çoğu zaman daha uygundur.

Örnek

NumPy'da üst üste katmanlardan oluşan derin bir ağpython

import numpy as np

rng = np.random.default_rng(0)
layer_sizes = [784, 256, 128, 64, 10]  # input, three hidden layers, output

# One weight matrix per pair of neighboring layers (random until trained)
weights = [rng.normal(0, 0.1, (a, b)) for a, b in zip(layer_sizes, layer_sizes[1:])]

def forward(x):
    for w in weights[:-1]:
        x = np.maximum(0, x @ w)  # ReLU activation in each hidden layer
    return x @ weights[-1]        # output layer: one score per class

image = rng.random(784)           # a fake 28x28 image, flattened
print(forward(image).shape)       # (10,) -> scores for the digits 0-9

Sık sorulan sorular

Derin öğrenme ile makine öğrenmesi arasındaki fark nedir?

Derin öğrenme, çok katmanlı sinir ağları kullanan bir makine öğrenmesi alt kümesidir. Klasik makine öğrenmesi çoğunlukla elle seçilmiş özelliklere dayanır ve daha küçük, yapılandırılmış verilerde iyi çalışır; derin öğrenme ise özellikleri kendisi öğrenir ve görüntü, ses ile metinde üstünlük sağlar.

Neden derin öğrenme deniyor?

"Derin" sözcüğü sinir ağındaki katman sayısına işaret eder. Girdi ile çıktı arasında çok sayıda gizli katmanı olan ağ derin kabul edilir; yalnızca bir ya da iki katmanı olan ağ ise sığdır.

Derin öğrenme neden GPU'lara ihtiyaç duyar?

Derin bir ağı eğitmek çok sayıda matris çarpımı içerir ve GPU'lar bu hesaplardan binlercesini paralel yapabilir. Bu, eğitimi sıradan bir CPU'ya kıyasla kat kat hızlı hale getirir.

Sık karşılaştırılanlar

Makine Öğrenmesi vs Derin ÖğrenmeMakine öğrenmesi veriden öğrenen algoritmaları kapsar; derin öğrenme ise özellikleri kendi bulan, daha çok veri isteyen çok katmanlı sinir ağlarını kullanır.

İlgili sayfalar

Bu sayfada bir hata ya da eksik mi gördünüz?Düzeltme önerin