Derin Öğrenme Nedir?
Derin öğrenme, yapay zekanın en etkileyici ve gelecek vaat eden alanlarından biridir. Son zamanlarda yapay zekanın iyice gündemimize oturmasıyla beraber sıkça sözünü duyuyoruz bu derin öğrenmenin. Peki, bu kadar popüler olan bu teknoloji ve sistem tam olarak nedir?
Derin öğrenme, makine öğrenmesinin bir alt dalıdır ve insan beyninin çalışma prensibinden ilham alır. Tıpkı beynimizdeki nöronların birbirleriyle bağlantı kurarak bilgi işlemesi gibi, derin öğrenme modelleri de yapay nöron ağları kullanarak verilerden anlamlı sonuçlar çıkarır.
Derin Öğrenme Nasıl Çalışır?
Derin öğrenme, “yapay sinir ağları” adı verilen katmanlı yapılar üzerine kuruludur. Bu ağlar, temelde üç ana
bölümden oluşur:
- Girdi Katmanı: Verinin sisteme girdiği ilk katmandır. Örneğin, bir kedi fotoğrafı.
- Gizli Katmanlar: Verinin işlendiği ve özelliklerin çıkarıldığı katmanlardır. Bu katmanlar ne kadar derinse (yani sayıca fazlaysa), model o kadar karmaşık verileri işleyebilir.
- Çıktı Katmanı: İşlenen verinin sonucunun üretildiği katmandır. Örneğin, “bu bir kedi” sonucu.
Derin öğrenmenin en büyük avantajı, bu katmanlar sayesinde ham verilerden otomatik olarak özellikler çıkarabilmesidir. Geleneksel makine öğrenmesi yöntemlerinde bu özellikler manuel olarak belirlenirke
n, derin öğrenme bu süreci otomatik bir biçimde idare eder.
Örneğin, bir kedi fotoğrafını tanımlamak istediğinizi düşünün. Fotoğraf, girdi katmanına iletilir. Gizli katmanlar, bu fotoğraftaki özellikleri (kulaklar, gözler, kuyruk gibi) analiz eder ve sonuçta çıktı katmanı “bu bir kedi” sonucunu verir. Derin öğrenme, bu katmanların sayısı arttıkça daha karmaşık verileri işleyebilir.
Derin Öğrenme Nerelerde Kullanılır?
Derin öğrenme, günlük hayatımızın birçok alanında karşımıza çıkar. Örneğin:
- Yüz Tanıma: Telefonunuzun kilidini açarken yüzünüzü tanıyan teknoloji, derin öğrenme sayesinde çalışır.
- Sesli Asistanlar: Siri, Alexa veya Google Asistan gibi uygulamalar, sesinizi anlamak ve cevap vermek için derin öğrenme modellerini kullanır.
- Otonom Araçlar: Kendi kendine giden arabalar, trafik işaretlerini, yayaları ve diğer araçları tanımak için derin öğrenmeden faydalanır.
- Sağlık: Röntgen, MR ve tomografi gibi tıbbi görüntüleri analiz ederek hastalıkları erken teşhis etmek mümkün hale gelmiştir.
- Doğal Dil İşleme: Google Translate gibi çeviri araçları veya metin öneri sistemleri, derin öğrenme sayesinde dil bariyerlerini aşar.
Derin Öğrenmenin Avantajları
- Büyük Veriyi İşleme: Derin öğrenme, büyük miktarda veriyi işlemekte oldukça başarılıdır. Veri ne kadar fazlaysa, modelin performansı da o kadar artar.
- Otomatik Özellik Çıkarımı: Geleneksel yöntemlerde insanların manuel olarak belirlediği özellikler, derin öğrenmede otomatik olarak çıkarılır.
- Karmaşık Problemleri Çözme: Görüntü tanıma, ses analizi ve doğal dil işleme gibi karmaşık problemlerde üstün performans gösterir.
Derin Öğrenmeye Nasıl Başlanır?
Derin öğrenmeye adım atmak için Python gibi programlama dilleri ve TensorFlow, PyTorch gibi kütüphaneler kullanılır. Temel makine öğrenmesi bilgisiyle başlayıp, yapay sinir ağları ve derin öğrenme modelleri üzerine çalışabilirsiniz.
Derin Öğrenme ile İlgili Örnek Python Projesi
Şüphesiz ki yapay zeka ile tam uyumlu çalışan dilin Python olduğunu hepimiz biliyoruz. Python ekosisteminde bulunan kütüphaneler bize AI dünyasında en üst seviyede yardımcı oluyor. Derin öğrenmenin mantığını kavrayabilmeniz için python ile bir proje hazırlayalım.
Python ile hazırlayacağımız bu projede TensorFlow kütüphanesini kullanacağız. Elimizde, el yazısı ile yazılmış sayılardan oluşan bir veri seti olsun. Bu el yazısıyla yazılmış olan sayıları; modele göstereceğiz. Modelimiz, el yazısı rakamları veri setini kullanarak basit bir sinir ağı modeli oluşturacak ve model eğitimi yaparak analizlerini sağlayacak.
Bu el yazısından oluşan veri seti için MNIST veri setini kullanacağız. 0’dan 9’a kadar olan el yazısı rakamlarını tanıyan bir sinir ağı modeli oluşturulacak. MNIST veri seti, 28×28 piksel boyutunda siyah-beyaz rakam görüntülerinden oluşmaktadır. Model, bu görüntüleri sınıflandırarak hangi rakam olduğunu tahmin edecek.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | import tensorflow as tf from tensorflow.keras import layers, models # Veri setini yükleme (MNIST el yazısı seti) mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # Veriyi normalize etme x_train, x_test = x_train / 255.0, x_test / 255.0 # Model oluşturma model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), # Giriş katmanı layers.Dense(128, activation='relu'), # Gizli katman layers.Dropout(0.2), # Aşırı öğrenmeyi önlemek için dropout layers.Dense(10, activation='softmax') # Çıktı katmanı ]) # Modeli derleme model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # Modeli eğitme model.fit(x_train, y_train, epochs=5) # Modeli değerlendirme model.evaluate(x_test, y_test) |
Kod Çıktısı:
1 2 3 4 5 6 7 8 9 10 11 | Epoch 1/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.2956 - accuracy: 0.9143 Epoch 2/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.1432 - accuracy: 0.9576 Epoch 3/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.1075 - accuracy: 0.9673 Epoch 4/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.0874 - accuracy: 0.9732 Epoch 5/5 1875/1875 [==============================] - 3s 2ms/step - loss: 0.0741 - accuracy: 0.9768 313/313 [==============================] - 0s 1ms/step - loss: 0.0758 - accuracy: 0.9761 |
Epochlar: Her bir epochda modelin kaybı (loss) azalır ve doğruluğu (accuracy) artar.
Test Sonucu: Model, test verisi üzerinde yaklaşık %97.6 doğruluk elde eder.
