Derin Öğrenme Nedir?

Derin öğrenme, genel olarak minimum 3 ve 3'ten daha fazla katmandan oluşan herhangi(isteklere özgü) bir sinir ağının baz alındığı, makine öğrenmesi yönteminin en popüler tekniklerinden birisi olarak tanımlanabilir. Daha basit tabiriyle derin öğrenme, insanların doğal olarak gösterdiği eylemlerin bilgisayarlara aktarılması ve bu aktarılma sonucunda bilgisayarların insan eylemlerini öğrenebilmesini sağlayan bir makine öğrenme tekniğidir. Bu teknik ilk olarak 1980'li yıllar içerisinde teorik olarak düşünülmüş ve yıllar ilerledikçe tekniğin uygulanabilirliği ciddi oranlarda geliştirilmiştir.

Bahsedildiği üzere derin öğrenme tekniğinde sinir ağları baz alınmaktadır. Bu sinir ağları ise, insanların beyin yapılarının göstermiş olduğu eylemleri gerçeğe yakın bir şekilde canlandırılmasıyla meydana getirilmektedir. Bu konunun daha iyi anlaşılabilinmesi için, günümüz teknolojisiyle oluşturulan ve teknolojik anlamda en yenilikçi ürün sayılabilecek otonom araçları örnek verebiliriz. Bilindiği üzere otonom araçlar herhangi bir sürücüye ihtiyaç duymayan, çevresini bir insan gibi algılayabilen ve hiç veya çok az insan eylemine ihtiyaç duyan otomobil türleridir. Yani, bu bilgilerden hareketle derin öğrenmenin çalışma prensibi ve uygulamaları net bir şekilde görülmektedir. 

Derin öğrenme tekniği günümüzde gelişen teknolojik yeniliklerle doğru orantılı olarak birçok farklı alanda oldukça yaygın bir şekilde kullanılmaya başlanmıştır. Bu yöntem sayesinde makineler ile insanlar arasında istenilen durumlara özgü otomasyonlar geliştirilir ve bu otomasyonlar sayesinde fiziksel insan müdehalesi olmadan(ve/veya çok az) insanlar gibi davranış gösterebilen yapay zeka teknolojisi ürünleri meydana getirilmektedir ve yönetilmektedir.

Derin öğrenme tekniği uygulamalarında isteklere özgü otomasyonlar oluşturulurken girdi verilerinin miktarı, derin öğrenme tekniğinin başarı oranına doğrusal bir ivme artışı sağlamaktadır. Yani, derin öğrenme tekniğinde kaynak olarak kullanılan ve yapay olarak meydana getirilen sinir ağları oluşturulurken, katman sayısının artırılması(girdi verilerinin oranlarıyla doğru orantılı olarak artar) başarı oranının yüzdelik ifadesindeki artışları etkileyen en temel faktörlerin başında gelmektedir. Yani bu durum kısaca doğruluk optimizasyonu olarak tanımlanabilir.

Sonuç olarak derin öğrenme, bilgisayarlara doğal insan davranışlarının öğretilmesinde kullanılan en popüler makine öğrenme tekniklerinden birisi olarak tanımlanabilir. 

Derin Öğrenmenin Önemi

Derin öğrenme yukarıda bahsediliği üzere insanlar ile makineler arasında isteklere özgü yapıların(otomasyonların) meydana getirilmesi için kullanılan makine öğrenme tekniğidir. Makine öğrenme ve derin öğrenme tekniği genel hatlarıyla oldukça benzerlik gösterse de, temel olarak farklılaşmalar bulunmaktadır. Bilindiği üzere makine öğrenimi de aynı derin öğrenme gibi belirli otomasyonlar oluşturmak için kullanılmaktadır. Ancak, aralarında ki en temel farklılık makine öğrenmesinde kullanılan algoritmalar genel olarak etiketlenmiş(ancak mutlaklık yoktur) veri setleri kullanılarak tahminlemeler yapabilirken, derin öğrenme yönteminde kullanılan algoritmalar etikenlenmiş(ön hazırlık yapılarak düzenlenmiş veriler) veriler kullanabilmektedir. Bu durum sonucunda ise derin öğrenme yönteminde minimum insan müdehalesine ihtiyaç vardır. Çünkü, verilerin etiketlenmesi süreci genel olarak insan müdehalesine bağımlıdır. Buradan da anlaşılacağı üzere derin öğrenme tekniğinin, yapay zeka teknolojileri üretmek için daha pratik bir formda bulunduğu söylenebilir.

Derin öğrenme tekniğinin kullanılmasının bir diğer önem arz eden özelliği sonuçların doğruluk oranıdır. Bu durum diğer yapay zeka teknoloji yöntemleride baz alınarak incelendiğinde, derin öğrenmenin standart yöntemlere nazaran oldukça daha yüksek tanımlama doğruluğu olarak ifade edilebilir. Doğruluk oranlarındaki ciddi artışlar, meydana getirilen teknolojik ürünlerin güvenilirliğinin yüksek olmasına ve böylelikle tüketicilerin derin öğrenme kullanılarak üretilen ürünlere olan beklentilerinin karşılanmasına neden olmaktadır. Günümüzde derin öğrenme tekniği uygulanırken oldukça büyük verilere ihtiyaç duyulmaktadır. Daha önceden bahsedildiği üzere uygulama çıktılarının başarı oranı, verilerin oranıyla doğrudan ilişkilidir. Bu ilişkiyi ise başarılı bir şekilde yönetebilmek için günümüzde GPU gibi aygıtlar geliştirilmektedir. Bu aygıtlar sayesinde devasa boyutlardaki veriler kullanılarak, oldukça kısa zamanlar içerisinde derin öğrenme ağları oluşturulmaktadır. Böylelikle başarı oranı ve zamansal açıdan oldukça ciddi kazançlar elde edilmektedir.

Örneğin, yukarıda bahsedildiği üzere derin öğrenme tekniğiyle geliştirilen otonom araçlarda doğruluk tanımlama oranlarının kullanıcı güvenliği açısından yüksek olması gerekmektedir. Bu oranların yüksek olması için de, derin öğrenme tekniği kullanılarak devasa boyutlarda görüntü ve video veri girdileri işlenmektedir. Girdi verilerinin miktarlarındaki artış ve çeşitlilik, otonom araçların kendi kendilerine karar vereceği eylemlerin hata paylarının minimum düzeylere indirilmesine olanak sağlamaktadır. Çünkü, bu araçlarda herhangi bir insan müdehalesine ihtiyaç olmamasından dolayı araçların, kullanıcı güvenliği açısından eylem hata paylarının düşük olması gerekmektedir. Aksi durumlarda teknoloji tüketicilerinin beklentileri ve güvenleri olumsuz etkilecektir. Bahsedilen bu konuya örnek olarak ise; otonom araçlara ne kadar fazla trafik işaretleri tanıtılırsa, araçlar seyir halindeyken daha güvenli bir sürüş gerçekleştirir.

Sonuç olarak derin öğrenme tekniği, yapay zeka ürünlerinin daha pratik ve daha güvenli bir şekilde üretilmesine olanak sağlamaktadır. 

Derin Öğrenme Nasıl Çalışır?

Derin öğrenme tekniği yukarıda bahsediliği üzere yapay olarak oluşturulmuş sinir ağları baz alınarak uygulanmaktadır. Bu yapay sinir ağları oluşturulurken belirli algoritmalar ve/veya kombinasyonlar kullanılmaktadır. Oluşturulan bu ağlar ise insan beyin yapısını gerçeğe en yakın şekliyle taklit etmeye çalışmaktadır. Ayrıca derin öğrenme, kullanılmak istenilen verilerin başarılı bir şekilde tanınmasını, sınıflandırılmasını ve tanımlanmasını sağlamaktadır.

Aşağıdaki resim genel hatlarıyla bir derin öğrenme teknik modelinin ifadesidir. Resimde görüldüğü üzere, birbirleriyle etkileşim içerisinde bulunan birçok katman bulunmaktadır. Bu katmanların birbiriyle olan etkileşimleri sonucunda oluşan organize yapı ise sinir ağları olarak tanımlanmaktadır. Aşağıda verilen şekil;

• Girdiler: Verileri,
• Çıktılar: Ürünleri,
• Giriş katmanı: Oluşturulacak derin öğrenme modeli için verilerin işlendiği yeri,
• Çıkış katmanı: Verilerin tahminlemelerinin ve sınıflandırılmalarının yapıldığı yeri,

ifade etmektedir. Ayrıca, ana başlık olan "derin" kelimesi ise, "gizli katmanların" sayısının ifadesidir ve organize halde oluşan bu sinir ağları yüzlerce gizli katmandan meydana gelmektedir. 

Derin sinir ağ yapıları, tahminlemeleri ve/veya sınıflandırmaları maksimum düzeyde iyileştirmek için her katmanın bir önceki katman üzerinde oluşturduğu, birbirlerine bağlanmış düğüm(bilgisayar ağları) katmanlarından meydana gelmektedir. Sinir ağ yapıları kullanılarak yapılan çalışmalar toplamda 2 farklı süreç kapsamında gerçekleşmektedir. Bunlar;

1. İleriye doğru yayılma: Ağ yapısı üzerinden gerçekleştirilen süreçte ileriye doğru yapılan atılımlar ileriye doğru yayılma süreci olarak tanımlanmaktadır. Bu süreç tanıma, tahminleme, sınıflandırma ve tanımlama olarak ifade edilebilir.
2. Geriye doğru yayılma: Bu süreçte, çıkış katmanında gerçekleştirilen tahminlemelerin hata oranlarını hesaplamak için makine öğrenmesi alanında oldukça popüler olan gradyan inişi yöntemi kullanılmaktadır. Bu hesaplama sürecinin akabinde, modelin tekrardan eğitilmesi için katmanlar arasında geriye dönük atılımlar gerçekleştirilir. Böylelikle girdilerin özellikleri tekrardan ayarlanabilinmektedir.

Günümüzde genel olarak derin öğrenme modeli oluşturulurken ileriye doğru yayılma ve geriye doğru yayılma süreçleri birlikte kullanılır ve bunun sonucunda hata oranının en düşüğe indirgenmesi, başarı oranının ise en yükseğe yükseltgenmesi için daha verimli algoritmalar geliştirilmektedir. 

Yukarıda derin öğrenme methodunun en basit düzeyde çalışma prensibinden bahsedilmiştir. Bu bilgilerden hareketle derin öğrenme tekniğinin oldukça basit olduğu düşünülmektedir. Ancak, bu teknik sanıldığı kadar basit değildir ve son derece karmaşık algoritmalardan meydana gelmektedir. Ama, anlaşılmazlıktan kurtulmak ve meydana gelebilecek karmaşık sorunlarla mücadele edebilmek için çözümleyici bazı sinir ağları geliştirilmiştir. Bunlar;

• Evrişimli sinir ağları(Convolutional neural networks (CNNs)): Bu sinir ağ yapıları derin öğrenme tekniğinin bir alt dalıdır ve genel olarak görsel bilgi analizmeleri için yaygın olarak kullanılmaktadır. Bu ağlar veri olarak kullanılan görsel girdilerin özellikleri kapsamlı bir şekilde analizler ve bu analizmeler sonucunda verinin oldukça başarılı bir şekilde tanımlanmasına olanak sağlamaktadır. Eğer CNN etkili bir şekilde yönetilebilirse, görsel analizlemelerde insan becerisinden üst düzey bir performans gösterebilmektedir. 
• Tekrarlayan sinir ağları(Recurrent neural network (RNNs)): Bu sinir ağ yapıları düğümlerin aralarındaki bağlantılarda yönlendirmeler yaparak, bağlantılar arasında döngüsel bir yapı oluşumuna neden olan yapay sinir ağı olarak ifade edilebilir. Bu ağlar genel olarak sıralı veri yapılarını kaynak olarak kullanır ve bu kullanımdan dolayı doğal  dil ve konuşma analizlemelerinde kullanılmaktadır. 

Derin Öğrenme Uygulamaları

Derin öğrenme, günümüzde hemen hemen her alanda yaygın olarak kullanılan, hayatımızı kolaylaştırmak için geliştirilen teknolojik ürünlerin arka planlarında oldukça karmaşık verilerin işlenmesinde büyük rol oynayan bir tekniktir. Bu bilgilerden hareketle derin öğrenmenin uygulama alanlarının oldukça geniş kapsamlı olduğu söylenebilir. Bazı örnekler;

• Finans: Finans alanında çalışma yapan kurum veya kuruluşlar derin öğrenme tekniğini kullanarak borsa, kredi veya senetlerin yönlendirmeleri,
• Teknoloji: Hayatın kolaylaştırılması için üretilen hemen hemen birçok teknolojik ürünün geliştirilmesinde kullanılmaktadır. Örneğin; Siri, Google Asistan vb.
• Otomotiv: Günümüzde devrim niteliği taşıyan otonom araçların geliştirilmesi,
• Havacılık: Uydu sistemleri kullanılarak uzay içerisinde bulunan nesnelerin görsel analizlemeleri,
• Savunma: Ülkelerin kendilerini savunmaları için teknolojik silahların geliştirilmesi,
• Tıp: Ölümcül hastalıkları tespit edebilen mikroskop gibi araçların geliştirilmesi,
• Elektronik: İnsan müdehalesi olmadan kendi kendine çalışan araçların geliştirilmesi. Örneğin, robot süpürge vb.

gibi alanlarda derin öğrenme tekniği başarılı bir şekilde kullanılmaktadır.

**Not: Burada verilen örnekler derin öğrenme teknikleri uygulama alanlarından sadece bazılarıdır. Örnekler çoğaltılabilir.