Derin öğrenme, yapay zekanın bir alt alanıdır. Bilgisayarın, verilerden kendi kendine örüntüleri öğrenmesini sağlar.

Bunu insan beynindeki sinir ağlarından esinlenen yapay sinir ağları ile yapar. “Derin” denmesinin sebebi, bu ağların çok sayıda katmandan oluşmasıdır.

Örnekle anlatayım:

Bir sisteme binlerce kedi ve köpek fotoğrafı gösterilir. Sistem zamanla kulak, göz, burun, tüy yapısı gibi özellikleri ayırt etmeyi öğrenir. Sonra yeni bir fotoğraf geldiğinde “bu kedi” ya da “bu köpek” diyebilir.

Derin öğrenme şuralarda kullanılır:

Ses tanıma, yüz tanıma, çeviri, ChatGPT gibi dil modelleri, otonom araçlar, tıbbi görüntü analizi, öneri sistemleri.

bakınız: yapay sinir ağları

Yapay Sinir Ağları (ysa) Biyolojik sinir ağlarından, insan beyninin bilgiyi işleme sürecinden esinlenerek tasarlanmış bir modeldir, bir teknolojidir. Bir insanın düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmekte kullanılır. Tıpkı bir insan gibi, problemleri deneyimleyerek, yaşayarak öğrenme yoluna benzer bir şekilde çözüm üretir.

Girdi ve çıktılardan oluşan eğitim setinin bir denetmen gözetiminde girdilerin çıktılar üzerinde etkisinin ve etkileşiminin gözlendiği bir öğrenme yöntemidir. Denetimli öğrenmede temel unsur daha önce gözlemlerden oluşmuş bir eğitim setinin var olması ve bu eğitim setinin bir denetmen tarafından sisteme öğretilip tanıtılmasıdır. Ve bu öğrenme sonucunda da daha önce hiç tanıtılmamış bir örneklem için gerekli tahminde bulunabilmektir.

Bu öğrenme sisteminde denetçi öğrenilmesi istenen olayla ilgili her bir örnek için var olan girdileri ve o değerlere karşılık oluşturulması istenen çıktı değerleri sisteme gösterir. Girdileri denetçinin belirlediği çıktılara göre haritalamak sistemin görevidir. Böylece girdi-çıktı arasındaki ilişkiler öğrenilmektedir.

Denetimli öğrenmede amaç, öğrenme setinden oluşturulan fonksiyonla her bir girdi için alınan çıktı ile gerçek çıktı arasındaki farkı en küçüklemeye çalışmaktır. Eğer aradaki fark, daha önceden belirlenmiş hata değerinden daha fazla çıkarsa sistem eğitime devam eder. Fark istenilen aralığa ulaştığında eğitim tamamlanıp, sona erer. Model istenilen seviyeye ulaştıktan sonra da daha önce eğitim setinde olmayan yeni bir gözlem model tarafından işlenip, gerçeğe en yakın tahmin yapılamaya çalışılır.

Denetimli öğrenme genel olarak sınıflandırma ve regresyona dayalı tahmin problemlerinde kullanılmaktadır. Karar ağaçları, Destek Vektör Makineleri, en yakın k-komşu, Yapay Sinir Ağları (YSA), Genetik Algoritmalar, Bayes sınıflandırıcılar denetimli öğrenme yöntemlerinden biridir.

Google mühendislerinden biri olan alexsander mordvintsev’in oluşturduğu DeepDream’in çalışma şekli ise şu şekildedir: Kendisine gösterilen resimlerde ne olduğunu ayırt etmesi üzerine eğitilmiş derin sinir ağlarına “bu resimde ne görüyorsan, resmi gördüğün şeye daha çok benzet” komutu verilmekte, google‘ın bu derin yapay sinir ağları da, orijinal resmi kendi gördüğünü sandığı şeye daha çok benzeyecek şekilde değiştirmektedir. Google bu işleme Inceptionizm adını vermektedir. Şu an için daha çok hayvan resimleri ayırt etmesi için eğitildiyse de zamanla daha farklı nesnelere de benzetebileceği düşünülmektedir.

Google’un ücretsiz kullanıma sunduğu bu hizmeti (DeepDream Generator) Pierre Auguste Renoir’un Two Sisters or On the Terrace eseri ile test edilmiştir. Sonuçlarına göre resmi derinleştirdikçe kimilerine göre tatlı bir rüyanın, kimilerine göre bir kabusun daha da derinlerine dalıyormuşsunuz gibi hissedildiği ifade edilmiştir.