Deep learning veya derin öğrenme, bilgisayar sistemlerinin insan beynini taklit ederek verileri işlediği yapay zeka modelidir. Öngörü, tahmin gibi sonuçları üretmek için resim, yazı, ses benzeri verileri işleyen karmaşık bir modele sahiptir. Sesten metne dönüştürme, resimden yazı okuma gibi insan zekası gerektiren işlemlerin bilgisayarlar tarafından yapılabilmesini sağlar.

Deep Learning (Derin Öğrenme) Nedir?

Deep learning (derin öğrenme), yapay sinir ağları ile makina öğrenme algoritmaları kullanarak veri elde etme metodudur. Biyolojik sistemlerdeki bilgi oluşturma, iletişim kurma, yorum yapma gibi öğrenme süreçlerini taklit eder. Derin öğrenme, 1940’lı yıllarda yapay sinir ağlarının konuşulması ile gündeme gelir. 2000’li yıllara kadar küçük ölçekte araştırmalar yapılır. 2000 sonrası bilişim teknolojisindeki gelişmeler araştırmaları hızlandırır. Google’ın 2012 yılında bir yazılıma 10 milyondan fazla kedi görüntüsü yükleyerek hazırladığı görselden kedi tanıma sistemi ile fotoğraflardaki kedilerin %16’sını tespit edilir. Şu an trafik yoğunluğuna göre yol tarifi verme gibi birçok alanda yüksek doğruluk tespiti yapan uygulamalar kullanılır.

Deep Learning (Derin Öğrenme) Nasıl Çalışır?

Derin öğrenme, insanların öğrenme yöntemlerini taklit ederek çalışır. İnsanlardaki nöronlar gibi yapay sinir ağlarının ilişki kurması sonucu yeni bir verinin oluşması sağlanır. Yapay sinir ağları arasında matematik hesaplamalar yapabilen düğümler vardır. Düğümleri kullanarak öğrenme süreci tamamlanır. Derin öğrenme, birden çok veriyi toplar, insan müdahalesine gerek olmadan kendi kendine gerçek zamanlı analiz eder.

Otomasyon ve analitik görevleri yerine getiren yapay zeka teknolojilerinin gelişmesine yardımcı olan derin öğrenme modelleri, dil işleme, görüntü işleme, öneri sunma gibi teknolojilerde kullanılır. Örneğin YouTube’da yabancı dilde bir video izlerken, otomatik altyazı oluşturma işleminde derin öğrenme modelleri uygulanır. Videodaki sesi metne dönüştürür, sonra istenilen dile çevirir. Bu işlemlerin hepsi gerçek zamanlı gerçekleşir.

Diğer bir örnek, Netflix’teki önerilen film listesi oluşturulma sürecidir. Kullanıcının geçmişte izlediği, arama yaptığı filmlere göre, benzer davranışları sergileyen kullanıcılar ile karşılaştırıp bir model oluşturur. Zaman, lokasyon gibi başka parametreleri de birleştirip kişiye özel bir liste oluşturur. Tüm bunlar derin öğrenme ile gerçekleştirilir.

Deep Learning (Derin Öğrenme) Avantajları Nelerdir?

Derin öğrenmenin dil, metin, görsel gibi sezgisel verileri işlemede birçok avantajı vardır. Bu avantajlar sayesinde işletmeler büyük veriyi (big data) daha kolay analiz edebilirler. Derin öğrenmenin avantajları şu şekildedir:

• Kendi kendine iyileştirme ve sorun çözme yeteneğine sahiptir.
• Yapılandırılmamış verileri analiz edebilir.
• Öğrenme aşamasında etiketleme yaparak diğer makine öğrenimi modellerin de öğrenmesine yardımcı olur.
• Birden fazla sonucu eş zamanlı elde eder.

Deep Learning (Derin Öğrenme) ile Makine Öğrenimi Arasındaki Fark Nedir?

Derin öğrenme, makine öğreniminin alt kümesidir. Derin öğrenme ile makine öğrenimi arasında yapay zeka teknikleri, istatiksel analiz, hesaplama yöntemleri gibi birçok konuda benzerlik vardır. Bunun yanında derin öğrenme ile makine öğrenimi arasında farklar vardır. Bu farklar:

• Yapılandırılmamış verileri analizde derin öğrenme modelleri idealdir. Makine öğrenimi yapılandırılmış verilerde tercih edilir. Örnek üzerinden anlatacak olursak, bir abonelik sisteminde abonenin ne zaman ayrılacağının tahmin edilmesi, makine öğrenimi modeli ile geçmişte abonelerin hangi sürelerde ayrıldığına bakılarak sağlanır. Derin öğrenme modeli ile tahmin yapılmak istenirse, abonenin sistem üzerinde bıraktığı sezgisel davranışlarını analiz etmek gerekir.
• Makine öğreniminde ham veriye gerektiğinde insan müdahalesi gerekir. Derin öğrenmede insan müdahalesi mümkün mertebe gerek duyulmaz.
• Derin öğrenme ile makine öğrenimi arasında eğitim açısından da farklılık vardır.
• Makine ve derin öğrenme arasında belirli durumlara göre performans üstünlükleri vardır. Tehlikeli e-posta tespiti gibi basit görevlerde makine öğrenimi yüksek performanslıdır. Yüz tanıma sistemi gibi karmaşık görevlerde ise derin öğrenme daha uygundur.