Alan Turing‘in “İnsanların yapabilip, makinelerin yapamayacağı hiçbir şey yoktur!” sözüyle başladığımız bu yapay zeka serüveninin derinine inildikçe kafa karıştıran bazı kavramların ortaya çıktığını görüyoruz. Bu kavramların en sıkça karşımıza çıkanları, makine öğrenimi ve derin öğrenmedir. Makine öğrenimi ve derin öğrenme kavramları birbirinden bağıntısız iki kavram değildir. Makine öğrenimi ve derin öğrenme yapıları yapay zekanın bir bütününü oluşturur.
Makine öğrenimi yapay zeka kavramının, derin öğrenme ise makine öğrenimi kavramının alt kümesidir.
Görsel: Nvidia
- Yapay zeka kavramı genel tanımıyla bilgisayar sistemlerinde ve makinelerde insan davranışını taklit ve analiz etme çalışmasıdır.
Makine öğrenimi, yapay zekanın taklit ve analiz etme çalışmalarının bilgi işlem sistemlerinde uygulanması için kullanılan algoritma yapıdır. Bu sayede bilgisayarlar veri modellerini tanımlar ve bunlara göre hareket eder. Zaman içerisinde açık programlama olmaksızın doğruluğunu geliştirmeyi öğrenirler. Makine öğrenimin arkasında tahmine dayalı kodlamalar, kümeler ve görsel ısı haritaları gibi analiz yapısı yatar. Makine öğreniminin genişleyen ve geliştirilen iç dünyasına baktığımızda ise derin öğrenme kavramını görürüz. Derin öğrenme, insanların nöron yapısını baz alarak perceptron ile oluşturulan tek katmanlı yapay sinir ağının, çok katmanlı hale getirilerek derin bir yapay sinir ağı haline gelmesidir. Katman sayısı ne kadar çok artarsa sistem o kadar derinleşir. Öğrenme programları, farklı işlem katmanlarını nasıl inşa edebilecekleri bir sinir ağına öğretir; ancak bir ağ girdi işlerken, veri girişi ve çıktısına göre kendi katmanlarını oluştururlar. Bu derin öğrenme seviyesi, sinir ağlarının, ek insan girişi olmaksızın ham verileri otomatik olarak özellikleri ayıklamasına olanak tanır. Sinir ağı, nöron adı verilen, insan beynindeki nöronları taklit etmek için yaratılan matematiksel fonksiyonlar olan çok basit bağlı işlemcilerden oluşur. Bu yapay nöronlar, sinir ağı birimlerini oluştururlar. Pratik anlamda, sinir ağları yapılandırılmamış verileri alır: ses, metin, video şeklinde görüntüler. Ağlar, verileri veri parçalarına ayırır ve onları işlem için ayrı nöronlara ve katmanlara gönderir. Bu ayrık işlem tamamlandıktan sonra ağ son çıktı katmanını üretir.
Makine Öğrenimi ve Derin Öğrenimin Popüler Kullanım Alanları
Derin öğrenme sağlanılarak yapılan yüz analiz örneği
Makine öğrenimi piyasada mevcut olarak kullanılmaktadır. Örneğin uçak sistemlerinde görüntü işlenmesi, otonom araç sistemleri, hava durumu uygulaması, Facebook, Youtube, Spotify, Amazon gibi şirketlerin öneri sistemleri, bilgisayar oyunları gibi. Derin öğrenme yapısı ise ticarileşme ve geliştirilme aşamasındadır. Örneğin IBM Watson, AlphaGo, Google DeepMind gibi sistemler.
| Sektör | Makine Öğrenimi Kullanımı | Derin Öğrenme Kullanımı |
| Otomotiv | Sensör bilgisine dayalı sürücüsüz arabalar. | Arabanın otonom görsel şekil tanımasıyla yaya ve arabayı ayırt edebilmesi durumudur. |
| Pazarlama | E-posta ve sosyal medyanın analizine göre metin ipuçları kullanmak. | Duyarlılık analizinin yanında videolardan ve fotoğraflardan gerçek zamanlı duyguları tanımlamaktır. |
| Tıp | Diyabet hastalığının popülasyon değişkenlerini belirlemek ve hasta risk faktörünü tahmin etmek. | Teşhis uzmanlarından bağımsız olarak görselleri tanıyarak MRI taramalarındaki kanser belirteçlerini tanımlar. |
| Eğlence | Dijital kalabalıklar ekleme ve dikkat çekici, yoğun görselleştirmeler yapılması. | Medya, oyun ve animasyonların kullanıcı girişi hareketi karşısında anında eşlenmesini sağlar. |
Kaynak ve İleri Okuma: Machine Learning vs. Deep Learning: In Apps and Business, Neural Network 2: Perceptron Kavramı ve Öğrenme
Hamit Can Sayılgan 