Derin Öğrenme

Derin öğrenme (aynı zamanda derin yapılandırılmış öğrenme, hiyerarşik öğrenme ya da derin makine öğrenmesi) bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır.

Yani en az bir adet yapay sinir ağının (YSA) kullanıldığı ve birçok algoritma ile, bilgisayarın eldeki verilerden yeni veriler elde etmesidir.

Derin öğrenme gözetimli, yarı gözetimli veya gözetimsiz olarak gerçekleştirilebilir. Derin yapay sinir ağları pekiştirmeli öğrenme yaklaşımıyla da başarılı sonuçlar vermiştir. Yapay sinir ağları , biyolojik sistemlerdeki bilgi işleme ve dağıtılmış iletişim düğümlerinden esinlenilmiştir. Yapay sinir ağlarının biyolojik beyinlerden çeşitli farklılıkları vardır. Özellikle , sinir ağları statik ve sembolik olma eğilimindeyken , çoğu canlı organizmanın biyolojik beyni dinamik(plastik) ve analogtur

Derin öğrenme, verilen bir veri seti ile sonuçları tahmin eden birden fazla katmandan oluşan bir makine öğrenme yöntemidir. Derin öğrenme, makine öğrenmesi ve yapay zekâ birbirinden farklı anlamları olan terimlerdir. Derin öğrenme, makine öğrenmesinin; makine öğrenmesi ise yapay zekânın alt dalı olarak özetlenebilir.

Makine öğrenme algoritmalarında iki tür öğrenme biçimi vardır: gözetimli ve gözetimsiz öğrenme.

– Gözetimli öğrenme, etiketlenmiş verilerden öğrenmedir. Hem girdi hem de istenilen sonuç tanımlanır. Tahmin hakkındaki doğruluk geri bildirimi ise kişi tarafından yapılır.
– Gözetimsiz öğrenme, etiketsiz gözlemlerden öğrenme sürecidir. Sonuç verisiyle eğitime gerek yoktur. Algoritmanın kendisi veriden sonuca varır. Kendinin keşfetmesi beklenir.
Makine öğrenimi de yapay zekâ gibi uzun yıllar boyunda önemli bir gelişim gösterememiştir. 1990’lı yıllarda veri madenciliğiyle popülerliği artmış ve 2000’li yılların başında ise derin öğrenme gelişim göstermeye başlamıştır.

Derin öğrenmenin kullanım alanları:

  • Yüz tanıma sistemlerinde
  • Ses tanıma sistemlerinde
  • Araçlarda oto pilot özelliğinde veya sürücüsüz araçlarda kullanılmaktadır.
  • Alarm sistemlerinde, kamera kayıtlarını sürekli kontrol etmek yerine, yalnızca olağandışı hareketlerde alarm sisteminin devreye girmesi gibi teknolojiler derin öğrenme sayesinde mümkün olmaktadır.
  • Sağlık sektöründe kanser araştırmalarında, zaman kaybını ortadan kaldırmaktadır.
  • Kanserli hücre örneklerinin tanıtıldığı derin öğrenme algoritmaları, yeni hücrelerin kanserli olup olmadığı tanısını koymakta hem daha hızlı hem de daha başarılı oluyor.
  • Görüntü iyileştirilmesinde
  • Tavsiye sistemlerinde, beğenilebilecek müzik ve film önerileri sunmada
  • Siber tehdit analizlerinde de derin öğrenme yöntemleri geliştirilebilir.