Derin Öğrenme Nedir?
Derin öğrenme, tasarımda insan beyninin düzenine benzer.
Katmanlı bir sinir ağı kullanarak yapay zeka oluşturmak için bir teknik anlamına gelir.
Belirli bir görev için oluşturulmuş önceden tanımlanmış algoritmaları kullanmaktan ziyade. Analiz edilecek bir makineyi öğretmeyi amaçlayan daha büyük bir makine öğrenme teknikleri ailesinden dir.
Derin öğrenme, beynin neokorteksine gevşek bir şekilde dayanır. Veriye akış için bir dizi veri yolu içinde analitik düğümler düzenler, temel olarak onları katmanlı bir düğüm benzeri ağa bağlar.
Bu yöntemin sağladığı analitik güç:
- Sürücüsüz otomobiller gibi fütüristik teknolojilere yardımcı olmak.
- Yol işaretlerini tanımak için onlara yardımcı olmak.
- Diğer araba ve yayalar gibi yaprakları ya da çöp gibi görmezden gelebilecekleri yolları birbirinden ayırmak için yardımcı olmaktır.
Derin öğrenme modelleri, bazen insan düzeyindeki performansı aşan yüksek doğruluk düzeylerine ulaşabilir. Genellikle çok sayıda katman içeren etiketli veri ve sinir ağı mimarileri kullanılarak eğitilir.
AI ve sınıflandırmaları
Yapay zeka kavramı, bilgisayar kullanımından daha eskidir ve 18. yüzyılın başlarında popüler bir hedef aracı olmuştur.
Teknoloji, insanlık için 2001 gibi bir uzay korkusu ya da Terminatör gibi korkuya kapılmış bir film olarak yaygın bir şekilde tasvir edilmiştir.
Ancak şu anda teknolojinin gerçek hayattaki örneklerini görmeye başlıyoruz. Ve bugün AI destekli chatbot ve uygulamaları geliştiren şirketlere sahibiz.
2015 yılında Luka adında bir şirket, aynı yıl vefat eden Roman Mazurenko adlı bir adamı anmak için bir chatbot oluşturdu.
Roman botu, Mazurenko tarafından dört yıllık bir süre zarfında gönderilen binlerce metin mesajı ve sosyal medya gönderilerinden beslendi. Yanıtlarını taklit etmek için bir algoritma kullandı.
Bu, bizim yaptığımız gibi düşünen ve hareket eden yapay varlıkların yaratılması olan Genel AI olarak bilinir.
AI’yi genel AI ve diğeri siber güvenlik gibi belirli görevleri yerine getirmek için. Genel AI ilkelerinin uygulanması olan Dar AI olmak üzere iki ana kategoriye ayırabiliriz.
Dar AI, bilim kurgu rüyalarimizin insan benzeri robotları kadar ilerlemese de. Temel olarak makine öğrenmesi olarak bildiğimiz ilerlemelerden dolayı bir miktar insan zekasını çoğaltan sistemlerin yaratılmasını sağlamıştır.
Önceden kodlanmış rutinler ile yalnızca insan eylemlerini kopyalayan makineler yerine. Algoritmalar, işledikleri verilerden bilgi almak için sistemleri eğitmenin bir yolu olarak kullanılır.
Örneğin, bir doğumgünü balonunun resmini tanımlamaya çalışan bir sistem durumunda. Bir makinenin şekilleri algılamak için, biri rakamları tanımlamak için diğeri de renkleri analiz etmek üzere önceden tanımlanmış rutinleri kullanması öğretilebilir.
Erken makine öğrenim modellerinde, sistem insan tarafından kodlanmış rutinleri alır. Nesneleri doğru bir şekilde tanımlamayı öğrenmesi için algoritmalar geliştirir.
Nasıl çalışır?
Bu, AI’nın gelişimi için çığır açarken, modeldeki kusurlar hızla ortaya çıktı. En büyük sorun, önceden çok fazla insan girdisi gerektiren önceden tanımlanmış analiz rutinlerinin kullanılmasıydı.
Ayrıca, bulanık yüzler veya nesneler gibi işlenmesi zor fotoğraflara geldiğinde de sorunlar vardı.
“Derin” terimi, beyinde bulunan birbirine bağlı nöronların ağını andıran katmanlı bir sinir ağının inşasını ifade eder.
Herhangi bir nöronun çevresi ile herhangi bir şekilde konuşabildiği bir 3D ağ gibi hareket eden beynin aksine. Bu yapay ağlar, veriye akmasına izin verecek şekilde katmanlı bir yapıya sahiptir.
Geri yayılma adı verilen bir teknik, gelen bir veri noktasının doğru çıktıya ulaşmasını sağlamak için. Bu ağlardaki düğümler arasındaki ağırlığı ayarlar.
Araştırmacılar beynin gelişmiş analiz sürecini yeniden oluşturmak istiyorlar. Her katman sadece verileri analiz etmek için değil, her seferinde ek bağlam da sağlar. Nesne her katmandan geçerken, daha doğru bir resim ve bunun anlaşılması mümkün olur.
Balon örneğinde, resim, renklendirme, yüzeyinde herhangi bir numaralandırma veya yazı, tuttuğu şekil ve havada tutulup tutulmadığı gibi kurucu kısımlarına ayrılacaktır. Her parça daha sonra nöronların ilk tabakası ile analiz edilir, bir karar verilir ve bir sonraki tabakaya geçer.
Bu, dolandırıcılıkla mücadelede özellikle işe yarayabilir. Örneğin, bir sistem ilk önce ham verileri alan sinir ağlarını içeren sahteci hesap etkinliğini tanımlamak için tasarlanabilir. Daha sonra işlem değerleri ve konum verileri gibi içinden geçtiği bağlamsal bilgileri ekler.
Bugün
Günümüzün en gelişmiş makine öğrenme sistemlerinin çoğu, verileri işlemek için bir sinir ağı kullanmaktadır.
Sürücüsüz otomobil endüstrisindeki son başarılar, derin öğrenme nedeniyle mümkün hale getirilmişken. İlkeler aynı zamanda uzaydan nesneleri tanımlamak için savunma ve havacılık sektörlerinde de kullanılıyor.
Derin öğrenmenin potansiyeli geniş olmakla birlikte, daha insan benzeri görevler söz konusu olduğunda sınırlamaları vardır. Derin öğrenme, Go’nun karmaşık ancak sabit kuralları gibi, desen tanımada mükemmeldir.
Ancak araştırmacılar, bir makineyi yalnızca belirli bir kurallar kümesini öğretmek için gerekli olan çok miktarda eğitim verisine işaret ediyorlar.
İlginizi çekebilir: