Deep Learning (Derin Öğrenme)

in tr •  4 years ago 

Derin Öğrenme Mimarisi

convnet.jpeg

Yapay zeka, bilgisayarları akıllı yapma bilimidir. Yapay zekanın amacı zekanın doğasını anlayarak, bilgisayarları daha faydalı hale getirmektir. Fakat bu yapılırken zeka taklit edilmez, program zeki hale getirilmeye çalışılır. Yapay zekada tahmin oluşturma süreçleri makine öğrenmesi ile gerçekleşmektedir. Makine öğrenmesinin denetimli ve denetimsiz öğrenme gibi alt dalları mevcuttur.
Adından da anlaşılacağı üzere denetimli öğrenme bir öğreticinin varlığını gösterir. Denetimli öğrenmede makine etiketlenmiş veri setleriyle eğitilir. Daha sonra algoritma bu etiketlenmiş verilerden yola çıkarak yeni gelen bir girdiden doğru sonuç üretmeye çalışır. Denetimsiz öğrenmede ise ne sınıflandırılmış ne de etiketlenmiş veriler vardır. Burada makinenin görevi daha önce görmediği bilgileri benzerlik, kalıp ve farklılıklarına göre gruplandırmaktır.
Makine öğrenmesinden insan faktörün devre dışı bırakılmasıyla karmaşık verilerin hızlı öğrenilmesi ve işlenmesi derin öğrenme yöntemleriyle gerçekleştirilmektedir.
Derin öğrenme, karmaşık yapılara sahip birden çok işlem katmanı kullanarak veya başka şekillerde birden çok katmandan oluşan verilerdeki yüksek düzey soyutlamaları modellemeye çalışan bir dizi algoritmaya dayanan bir makine öğrenimi dalıdır .
Yapay zeka, makine öğrenmesi ve derin öğrenme terimlerinin genel tanımı şöyledir;
• Yapay zeka, makineler tarafından sergilenen insan zekasıdır.
• Makine öğrenmesi, yapay zekaya ulaşmak için bir yaklaşımdır.
• Derin öğrenme, makine öğrenimini uygulamak için bir tekniktir denilebilir.
Derin öğrenmede makine öğrenmesindeki gibi öznitelik çıkarmaya gerek yoktur. Derin öğrenme metodları etiketlenen veri kümesinin özniteliklerini kendi algoritmalarıyla çıkarır. Makine öğrenmesinde ise veri kümesinin yani girdilerin özniteliklerinin makineye verilmesi lazımdır. Öznitelik çıkarma genellikle karmaşıktır ve sorun alanı hakkında ayrıntılı bilgi gerektirir. Bu adım en iyi sonuçlar için uyarlanmalı, test edilmeli ve çeşitli iterasyonlar üzerinde iyileştirilmelidir. Derin öğrenme sayesinde öznitelik çıkarma adımına ihtiyaç duyulmaz. Katmanlar ham verilerin doğrudan kendi başına örtük bir temsilini öğrenebilir.

karşılaştırma.jpg

Şekil Derin öğrenme ve makine öğrenmesi karşılaştırması

Yapay Sinir Ağları
Yapay sinir ağları; insan beyninden esinlenerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi isleme yapıları; bir başka deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır .

Sinir Hücresi.jpg

                        Şekil   Bir sinir hücresinin matematiksel modeli

Yapay sinir ağının en küçük parçası olarak bilinen perceptron, aşağıdaki gibi lineer bir fonksiyonla ifade edilmektedir.
y = W * x + b
y : X’in değerine bağlı olduğundan bağımlı değişkendir. Girdiye ait skoru verir.
x : Bağımsız değişken, girdi.
W(weight) : Ağırlık parametresi
b : Bias değeri
YSA ya da Derin Öğrenme modelinde yapılan temel işlem; modelin en iyi skoru vereceği W ve b parametrelerinin hesabını yapmaktır.
YSA genel olarak giriş katmanı, saklı katman ve çıkış katmanı adı verilen üç temel katmandan oluşur. Derin öğrenme terimi ise çok katmanlı yapay sinir ağlarını (YSA) ifade eder. Son zamanlarda derin öğrenme büyük miktarda veriyi işleyebildiği için literatürdeki en güçlü araçlardan biri haline gelmiştir . Evrişimsel Sinir Ağları (ESA) en bilinen derin öğrenme ağlarından biridir.
Evrişimsel Sinir Ağları
Evrişimli sinir ağları, temel olarak görüntüleri sınıflandırmak, benzerlikle kümelemek (fotoğraf arama) ve sahnelerde nesne tanıma yapmak için kullanılan derin yapay sinir ağlarıdır. ESA, kendisini oluşturan katmanların en az birinde evrişim işleminin uygulanarak öznitelik çıkarımının gerçekleştirildiği derin sinir ağıdır. ESA’nın çalışmalarda sıklıkla kullanılmasının nedenlerinden biri görüntüdeki öznitelikleri mekandan bağımsız olarak ele almasıdır. Bir diğer neden ise modeldeki katman sayısı arttıkça ağın, giriş örüntüsünün daha derin özelliklerini tespit edebiliyor olmasıdır.
Genel olarak ESA, eğitilebilen birçok katmandan oluşmaktadır. Her katmanın kendi içinde havuzlama katmanı, evrişim katmanı, alt örnekleme katmanı ve doğrusal olmayan katman olmak üzere katmanları vardır.

convnet.jpeg

Authors get paid when people like you upvote their post.
If you enjoyed what you read here, create your account today and start earning FREE STEEM!