Okuma Süresi
Uzmanlar makine öğrenmesi ve derin öğrenmeyi değerlendirdi
Üsküdar Üniversitesi Mühendislik ve Doğa Bilimleri Fakültesi Yazılım Mühendisliği Bölüm Başkanı Doç. Dr. Türker Tekin Ergüzel, makine öğrenimi kavramına ilişkin değerlendirmede bulundu. Yapay zeka kavramının altı farklı disiplinden oluştuğunu belirten Doç. Ergüzel, bunları şöyle sıraladı:
- Doğal dil işleme
- Bilgi temsili
- Otomatik akıl yürütme: Soruları cevaplamak ve yeni sonuçlar çıkarmak için saklanan bilgileri kullanır.
- Yeni koşullara uyum sağlamak ve örüntüleri tespit: Tahmin etmek için makine öğrenimi.
- Bilgisayarlı görü: Nesneleri algılama amacıyla.
- Robotik: Nesneleri manipüle ve hareket ettirmek.
Makine öğreniminde büyük miktarda veri ve algoritmalarla eğitiliyor
Genel bir yapay zekâ oluşturmak için bunların hepsini birden yapabilecek bir algoritmaya ihtiyaç olduğunu kaydeden Ergüzel, “En temel anlamıyla makine öğrenimi, verileri ayrıştırmak, işlenmiş verilerden genelleştirilebilen bilgiler çıkartmak ve ardından dünyadaki bir olgu hakkında belirlenim ve tahminde bulunmak için çeşitli istatistik, lineer cebir, diferansiyel denklem tabanlı algoritmaların geliştirilmesine dayalı bir alandır. Bu nedenle, belirli bir görevi gerçekleştirmek için belirli bir dizi talimat içeren yazılım rutinlerini elle kodlamak yerine, makine, kendisine görevin nasıl gerçekleştirileceğini öğrenme yeteneği veren büyük miktarda veri ve algoritmalar kullanılarak eğitilir.” dedi. Ergüzel, makine öğrenimi yaklaşımları arasında, karar destek makinası öğrenimi, rastgele ağaç, tümevarımsal mantık programlaması, kümeleme, bayes ağları gibi yaklaşımların yer aldığını söyledi.
Derin öğrenme, yüksek hesaplama gücü gerektirir
Makine öğrenimi ile derin öğrenme arasındaki farklara değinen Ergüzel, şunları söyledi: “Bu bağlamda, günümüzde hiçbir makine öğrenmesi ya da derin öğrenme yöntemi, genel yapay zekânın nihai hedefine ulaşamamıştır. Makine öğrenimi kabaca tahmin bilimidir. Belirli bilinenler (özellikler) verildiğinde, bazı bilinmeyenleri (hedefleri) tahmin etmek istersiniz. Derin öğrenme ise makine öğrenmesinin bir alt kümesi olmakla birlikte, daha özelleşmiş ve yüksek hesaplama gücü gerektiren yöntemleri içerir. Kavramların hiyerarşik olarak öğrenildiği bir makine öğrenimi alt alanıdır. Önce en basit kavramlar ortaya çıkar, ardından daha basit kavramların üzerine inşa edilen daha karmaşık kavramlar gelir. Genellikle bu, basit bir katmanlı kavramlar hiyerarşisine yol açar. Örneğin görüntüler pikseller kullanılarak tanımlanır. Bunlar, yüzler, lastikler, yapraklar vb. gibi çeşitli şekillerin oluşumuna yol açan motiflere/kenarlara yol açar. Müzik de benzer şekilde hiyerarşik olarak vuruşlardan, ölçülerden ve bölümlerden oluşur. Dil; karakterler, fonemler, heceler, kelimeler, deyimler, cümleler ve paragraflardan oluşur. Sosyo-politik ağlar; bireylerden, ailelerden, topluluklardan, köylerden/kasabalardan/şehirlerden, illerden/eyaletlerden, milletlerden ve ulus bloklardan oluşur. Fizyolojik sistemler; beslenme veya dolaşım gibi tüm fizyolojik işlevleri yerine getiren hücreler, dokular, organlar ve organ sistemlerinden oluşur. Gördüğünüz gibi, derin öğrenme, yani hiyerarşik kavramsal tabanlı öğrenme fikri, çok güçlü ve genel olarak uygulanabilir bir fikirdir. Derin öğrenmenin son başarısından, büyük miktarda veriyle öğrenilen derin sinir ağlarının etkinliği ile birlikte derin öğrenmenin genel uygulanabilirliği sorumludur.”
Derin öğrenmede yüksek işlem gücüne grafik işlemciler önemli
“Makine öğrenimi, uygulamanıza, işlediğiniz verilerin boyutuna ve çözmek istediğiniz sorunun türüne göre seçebileceğiniz çeşitli teknikler ve modeller sunar.”diyen Ergüzel, şunları söyledi: “Başarılı bir derin öğrenme uygulaması, modeli eğitmek için çok büyük miktarda veri (binlerce görüntü) ve verilerinizi hızlı bir şekilde işlemek için GPU’lar veya grafik işleme birimleri gerektirir. Makine öğrenimi ve derin öğrenme arasında seçim yaparken, yüksek performanslı bir GPU’nuz ve çok sayıda etiketli verinizim olup olmadığını göz önünde bulundurulur. Bunlardan herhangi birine sahip değilseniz, derin öğrenme yerine makine öğrenimini kullanmak daha mantıklı olabilir. Derin öğrenme genellikle daha karmaşıktır, bu nedenle güvenilir sonuçlar elde etmek için en az birkaç bin görüntüye ihtiyacınız olacaktır. Yüksek performanslı bir GPU’ya sahip olmak, modelin tüm bu görüntüleri analiz etmesi için daha az zaman alacağı anlamına gelir.”
Tekno Safari YouTube kanalına abone olmayı unutmayın!
