Yapay Zeka'laşıyoruz ! Geçmişten Geleceğe Derin Öğrenme

Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme nedir ?

  Günümüzde, insan zekası ile kıyasladığımız bu terimleri, son yıllarda oldukça çok fazla duyuyoruz. Oysaki yapay zeka, makine öğrenmesi ve derin öğrenme anlamdaş gibi algılansalarda önemli farklılıklar içermektedirler. 

Şöyle bir tarih yolculuğuna çıkarsak;

• Makinelerin, insanların yeteneklerini sorgulamakı ve bu yetenekli işleri yapabilmesini sağlamak amacıyla ilk olarak 1950'ler de ortaya çıkmıştır. Yapay Zeka'lar, programladıklarınızı yerine getirir veya hesaplarını algoritmik yaparak kendi kendini eğitebilen sistemlerdir.
• Haliyle verilerin artmasıyla yeni ihtiyaçlar doğmaktadır. Özellikle veri madenciliğin 1980'lerde popüler olması Makine Öğrenimi ortaya çıkarmıştır. Makine öğrenimi, insanın kendi belirlediği özellikler ile başlar. Kullanıcıdan daha iyi tespitte bulunur. Bu özellikler nesneleri kategorilere ayırabilmek için kullanılır.
• 2010'lu yıllara geldiğimizde büyük veri dediğimiz terimin ortaya çıkmasıyla, makine öğreniminde kullanılan algoritma hesaplarını birçok katmanda ve tek seferde yapabilen Derin Öğrenme, makine öğrenimine sunmuş olduğumuz parametreleri kendisi keşfeder ve her seferinde daha iyisini bulmak için keşfe çıkar.

  Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme farklı anlamları içerdiği gibi, derin öğrenme, makine öğrenmesinin; makine öğrenmesi ise yapay zekanın alt dalı olarak gösterilebilir. Dolayısıyla derin öğrenme makine öğrenimi için bir yol olarak görülmektedir.

Makine Öğrenmesi ve Derin Öğrenme Arasında Nasıl Tercih Edeceğiz ?

  Derin öğrenmede kullanılan modellerin temeli yapay sinir ağlarından geliyor. Yapay Sinir Ağları karmaşık, çok katmanlı ve güçlü hale geldikçe derin öğrenmenin, makine öğrenimini kolaylaştırması haliyle yapay zeka üretme yeteneğini artmış olacaktır. Tabi burada aslında birbirini destekleyen yapılar görüyoruz. Makine öğrenmesi bir yaklaşım olarak ele alınırken, derin öğrenmenin veri ile ölçeklendirildiğini görüyoruz.

  Derin öğrenmeyi, verilen veri setleri ile sonuçları tahmin eden, veri setlerini daha da iyileştirmeye çalışan ve birden fazla katmandan oluşan makine öğrenmesi olarak değerlendirebiliriz.

  Tabi burada karşılaştırmalar yaparken avantajlı oldukları yerleri gözden kaçırmamak lazım. Önemli olanın probleminize en yakın çözümü tercih etmeniz olacaktır.Probleminiz için zaman kıstasınız varsa farklı, doğruluk payı yüksek olsun diyorsanız farklı, her ikisi de olsun diyorsanız farklı öğrenmeleri seçmeniz gerekebilir. Genel olarak fazla miktarda özelliği net olan verimiz ve güçlü makinelerimiz varsa derin öğrenmeyi kullanma şansınız oldukça yüksektir. Yüksek performanslı bir GPU'ya ve çok fazla etiketli dataya sahip değilseniz, derin öğrenme yerine makine öğrenmesini kullanmanız daha mantıklı olabilir. Yüksek performanslı GPU varsa, elinizdeki tüm modeli analiz etmek zamandan tasarruf sağlar. Verilerin boyutu artıkça iyileşmenin devam etmesi önemli bir etki olacaktır.

Peki, yapay sinir ağlarının kullanım alanları nelerdir ?

Bu alanları 3 gruba ayırırsak;

• Gözetimli
           Sınıflandırma : Dolandırıcılık Tespiti, Görüntü Sınıflandırma, Müşteri Koruma, Teşhis
           Bağlanım : Reklam Analizi, Hava , Piyasa, Yaşam Süresi, Popülasyon Büyüme Tahmini
• Gözetimsiz
           Boyut Azaltma : Anlamlı Sıkıştırma, Yapı keşif, Büyük Veri Görselleştirme, Özellik Açıklaması
           Kümeleme : Tavsiye Sistemleri, Hedef Pazarlama, Müşteri Segmentasyonu
• Pekiştirmeli : Gerçek Zamanlı Karar Verme, Gezgin Robot, Yapay Zeka Oyun, Beceri Edinme, Öğrenme Görevi

  Ek olarak, Kredi skorlama, yüz tanıma, ilaç keşfi, fiyat ve yük tahmini, otomotiv, havacılık ve üretimde bakım periyotları, sesli asistanlar ve duygu analizi gibi problemlere çözüm üretebilir.

  Özellikle pandemi sürecinde ilaç keşfi çalışmaları bağlamında derin öğrenme algoritmaları oldukça yoğun kullanılmaktadır. Örneğin; Massachusetts Teknoloji Enstitüsü’nde yapılan bir çalışmada yapay zeka kullanılarak güçlü bir antibiyotik keşfedildi. Geliştirilen algoritmaya bakterilerle ilgili bilgileri girilerek, algoritma da bakterileri öldürmek için denenmeyen bazı antibiyotik yöntemlerini sıralıyor. Bu algoritmalar yüksek performanslı makineler sayesinde birkaç saat gibi kısa süre de sonuç vermediği görülüyor. Derin öğrenme algoritmasını geliştirmek için bir çok ilacın atomik ve moleküler özelliklerini inceleyerek başladılar. Antibiyotiklerin bakteri büyümesini engelleyip/engellemeyeceğini programladılar. Umut verici antibiyotik bulmasının ve bakteri bileşiklerini değerlendirmesinin algoritmalar sayesinde sadece saatler sürdüğünü dile getiriyorlar. (kaynak:CNN)

  Sizlere ayrıca bu konu hakkında Udemy üzerinde Derin Öğrenmeye Giriş adlı çalışmaya katılmanızı, Deep Learning Türkiye yazılarını okumanızı tavsiye ederim.