Derin öğrenme (Deep Learning) nedir, farkı nedir?

Teorik bir bakış açısı ile makine öğrenimi yüksek olasılığı doğru öğrenme ile ifade edilebilmektedir. Makine öğrenimi araştırmalarının odaklanmış olduğu konu bilgisayarlara karışık örüntüleri algılama ve verilere dayalı akılcı kararlar verebilme yetisi kazandırmaktadır. Bu da makine öğreniminin olasılık kuramı, istatistik, örüntü tanıma, veri madenciliği, yapay zeka, uyarlamalı denetim ve kuramsal bilgisayar bilimi gibi farklı alanlar ile yakın ilişkiler içinde olduğunun bir göstergesi olarak kabul edilmektedir.

Derin öğrenme (Deep Learning) nedir?

Deep learning ya da derin öğrenme, hiyerarşik öğrenme ya da derin yapılandırmış öğrenme olarak da isimlendirilmektedir. Derin öğrenme, bir ya da birden fazla katman içermekte olan yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanlarıdır. Bu da en az bir adet yapay sinir ağının kullanıldığı ve birden fazla algoritma ile bilgisayarın elde olan verilerden yeni veriler elde etmesi anlamına gelmektedir.

Yapay sinir ağı, insan beyninin bilgi işleme yönteminden esinlenerek geliştirilmiş olan bir bilgi işlem teknolojisi ve sinir ağıdır. Bu sayede basit bir biyolojik sinir sisteminin çalışma biçimi taklit edilmiş olur. Yani biyolojik sinir hücrelerinin ve bu hücrelerin birbirleri arasında kurmuş olduğu sinaptik bağın dijital olarak modellendirilmesidir.

Derin öğrenme, gözetimli, gözetimsiz ve yarı gözetimli olarak gerçekleştirilebilmektedir. Derin yapay sinir ağları, pekiştirmeli öğrenme ile de başarılı sonuçlar vermiştir. Biyolojik sistemlerdeki bilgi işleme düğümlerinden esinlenerek üretilmiş olan yapay sinir ağları statik ve sembolik olma eğilimindedir.

Kökeni kırklı yıllara dayanan derin öğrenme kavramı, bu yıllarda üretilen ve geliştirmeye başlanan sinir ağlarına dayanmaktadır. Seksenli ve doksanlı yıllar süresince araştırmacılar gelişmiş teknikler kullanarak sinir ağları üzerinde çalışmışlardır. Bu dönemlerde yapay sinir ağları ile derin öğrenme, sınıflandırma ve tanıma görevlerinde insanınki ile aynı seviyede performans sergilemeye başlamıştır.
Derin öğrenme modellerinden bazıları şunlardır:

• Tekrarlayan sinir ağları
• Yapay sinir ağları
• Generative adversarial networks
• Evrişimli sinir ağları
• Uzun kısa vadeli bellek
• Tekrarlayan sinir ağları

Derin öğrenme süreçlerinde kullanılan teknikler ise şu şekildedir:

• Aktivasyon fonksiyonları
• Geri yayılım
• Adam potimizasyonu
• Stokastik gradyan işi
• Düzenlileştirme ve dropout

Derin öğrenme (Deep Learning) farkı nedir?

Derin öğrenme bilgisayarlı ses ve görü tanıma, tıbbı görüntü analizi gibi birçok farklı ve çeşitli alanlarda başarı ile kullanılabilmektedir. Farklını kullanım alanları ile ortaya koyan derin öğrenmenin başlıca uygulama alanları şunlardır:

• Yüz tanıma sistemleri
• Ses tanıma sistemleri
• Araçlarda yeri alan otopilot özelliği
• Sürücüsü olmadan gidebilen araçlar
• Alarm sistemleri (Kamera kayıtlarını düzenli ve sürekli olarak kontrol etmeye gerek kalmaz. Sadece olağan dışı görüntü ve hareketlenmelerde alarm sisteminin devreye girmesi gibi teknolojiler derin öğrenme sistemi sayesinde mümkün olabilmektedir.)
• Görüntü iyileştirmeleri
• Sağlık sektöründe kanser araştırmaları (Kanserli hücre örneklerinin tanıtılmış olduğu derin öğrenme algoritmaları yeni hücrelerin kanserli hücre olup olmadığı konusunda fikir üretebilir ve hızlı bir şekilde tanı koymaya yardımcı olur. )
• Siber tehdit analizleri
• Tavsiye sistemleri (Örnek olarak beğenilebilen bir ürüne bakarak potansiyel beğenilecek ürün film müzik gibi önerilerde bulunma)