Derin Öğrenme

(Deep Learning)

Yapay Zekanın En Güçlü Alt Dalı

Zonguldak Bülent Ecevit Üniversitesi

Öğr. Gör. Tahsin ÇİLOĞLU

Beyin Fırtınası

Başlamadan önce düşünelim...

Düşünebilir mi?

"Bir makine gerçekten düşünebilir mi, yoksa sadece düşünüyormuş gibi taklit mi eder?"

Bilinç

"İnsan beynindeki milyarlarca nöronu dijital ortamda birebir kopyalarsak, bu yapı bir 'bilinç' kazanır mı?"

Yaratıcılık

"Yapay zeka bir şiir yazdığında veya resim yaptığında bir 'duygu' taşır mı, yoksa bu sadece matematiksel bir olasılık hesabı mıdır?"

Derin Öğrenme Nedir?

Derin öğrenme, insan beyninin çalışma prensibini taklit eden bir makine öğrenmesi yöntemidir.

Verilerden öğrenerek kararlar alan yapay sinir ağları üzerine kuruludur. Geleneksel algoritmalardan farklı olarak, veriyi katmanlı bir yapıda işler.

Derin Öğrenme Tanımlandı

Katmanlı Yapı

Çok sayıda katmandan oluşan yapay sinir ağlarını kullanır (Deep Neural Networks).

Otomatik Öğrenme

Özellikleri (features) insan müdahalesi olmadan veriden kendisi çıkarır.

Nasıl Çalışır?

Derin öğrenme modelleri, büyük veri setleri üzerinde eğitilerek desenleri tanır.

İnsan Beyni Benzerliği

Beynimizdeki nöronların birbirine bağlanması gibi, yapay nöronlar da birbirine bağlanarak bilgiyi işler ve aktarır.

Derin Öğrenme Neden Önemlidir?

Geleneksel yöntemlerin çözemediği karmaşık problemleri çözer.
Veri miktarı arttıkça performansı artar (Diğer yöntemlerde bir süre sonra sabitlenir).
Görüntü ve ses gibi yapılandırılmamış verilerde mükemmel sonuçlar verir.

Derin Öğrenmenin İşleyişi

Girdi Katmanı → Gizli Katmanlar → Çıktı Katmanı

Veri, ağın derinliklerindeki gizli katmanlardan geçerken her katmanda daha soyut ve karmaşık özellikler öğrenilir. Örneğin, ilk katman kenarları öğrenirken, son katman yüz şeklini tanır.

Derin Öğrenme Çerçevesi Nedir?

Derin öğrenme modelleri geliştirmek için kullanılan kütüphane ve araçlardır.

TensorFlow

Google tarafından geliştirilen en popüler kütüphane.

PyTorch

Meta (Facebook) tarafından geliştirilen, araştırmalarda sıkça kullanılan kütüphane.

Keras

Kullanımı kolay, yüksek seviyeli API.

Modelleri Eğitme

Eğitim süreci, modelin tahminleri ile gerçek veriler arasındaki hatayı en aza indirme işlemidir.

Bu süreçte Geri Yayılım (Backpropagation) algoritması kullanılarak ağın ağırlıkları sürekli güncellenir.

Kullanım Alanı: Görüntü ve Duygu Tanıma

Güvenlik kameralarından yüz tanıma, tıbbi görüntülerden kanser teşhisi ve sosyal medya filtreleri bu teknolojiyle çalışır.

Kullanım Alanı: Sohbet Botları (Chatbots)

Siri, Google Asistan ve ChatGPT gibi sistemler, doğal dil işleme (NLP) sayesinde insanlarla doğal bir şekilde konuşabilir ve soruları yanıtlayabilir.

Kullanım Alanı: Sürücüsüz Araçlar

Otonom araçlar, çevrelerini algılamak, trafik işaretlerini okumak ve yayaları fark etmek için derin öğrenme modellerini kullanır.

Kullanım Alanı: Uyarlanmış Deneyimler

Netflix veya YouTube'un size özel film ve video önermesi, geçmiş davranışlarınızı analiz eden derin öğrenme algoritmaları sayesinde olur.

Kullanım Alanı: Kişisel Dijital Yardımcılar

Akıllı ev sistemleri ve telefon asistanları, sesli komutları anlamak ve yerine getirmek için derin öğrenme kullanır.

Sinir Ağı Nedir?

Yapay Sinir Ağları (ANN), biyolojik nöronların matematiksel modelleridir.

Bir nöron girdileri alır, ağırlıklandırır, bir aktivasyon fonksiyonundan geçirir ve çıktıyı bir sonraki nörona iletir.

1. Sınıflandırma (Classification)

Verileri önceden belirlenmiş kategorilere ayırma işlemidir.

Örnek:

Bir e-posta "Spam" mi yoksa "Gelen Kutusu" mu? Bir röntgen görüntüsünde "Tümör var" mı yoksa "Yok" mu?

2. Kümeleme (Clustering)

Verilerdeki benzerlikleri bularak onları gruplara ayırma işlemidir (Etiketsiz veri).

Örnek:

Müşteri segmentasyonu: "Çok harcayanlar", "Yeni gelenler", "İndirim avcıları" gibi grupları otomatik keşfetme.

3. Tahmin (Prediction)

Geçmiş verilere bakarak gelecekteki bir değeri sayısal olarak tahmin etme işlemidir.

Örnek:

Hisse senedi fiyatı yarın ne olacak? Önümüzdeki ay elektrik tüketimi ne kadar olacak?

4. Üretim (Generative AI)

Var olan verilerden yola çıkarak tamamen yeni, özgün içerikler oluşturma işlemidir.

Örnek:

Metin yazan ChatGPT, resim çizen Midjourney veya insan sesi taklit eden algoritmalar.

Yaygın Sinir Ağları

CNN (Evrişimli Sinir Ağları)

Özellikle görüntü işleme ve videolarda kullanılır.

RNN (Tekrarlayan Sinir Ağları)

Zaman serileri ve dil işleme gibi sıralı verilerde kullanılır.

GAN (Çekişmeli Üretici Ağlar)

Gerçekçi sahte veriler üretmek için kullanılır.

1. CNN (Evrişimli Sinir Ağları)

Görüntü ve video işleme için özelleşmiş ağlardır. İnsan gözünün görme merkezini taklit eder.

Kullanım Alanları:

Tıbbi görüntü analizi (Tümör tespiti)
Yüz tanıma sistemleri
Otonom araçlarda nesne algılama

2. RNN (Tekrarlayan Sinir Ağları)

Sıralı verileri işlemek için hafızaya sahip ağlardır. Önceki bilgiyi hatırlar.

Kullanım Alanları:

Doğal Dil İşleme (Siri, Google Translate)
Konuşma tanıma
Hisse senedi fiyat tahmini (Zaman serileri)

3. GAN (Çekişmeli Üretici Ağlar)

İki ağın (Üretici ve Ayırt Edici) birbiriyle yarışarak yeni veri ürettiği yapıdır.

Kullanım Alanları:

Deepfake videoları oluşturma
Metinden resim üretme (Midjourney, DALL-E)
Düşük çözünürlüklü fotoğrafları netleştirme

Makine Öğrenmesi vs. Derin Öğrenme

Makine Öğrenmesi

- Daha az veri ile çalışabilir.

- Özellik çıkarımı (Feature Extraction) manuel yapılır.

- Eğitim süresi daha kısadır.

Derin Öğrenme

- Çok büyük veri gerektirir.

- Özellikleri otomatik öğrenir.

- Eğitim çok uzun sürer ve güçlü GPU gerektirir.

Sinir Ağları vs. Derin Öğrenme

Derin öğrenme, aslında çok katmanlı sinir ağlarına verilen addır.

Temel Sinir Ağı

Genellikle 1-2 gizli katmana sahiptir.

Derin Öğrenme Ağı

Düzinelerce hatta yüzlerce gizli katmana sahip olabilir. Daha fazla katman = Daha karmaşık problemlerin çözümü.

Derin Öğrenme İçin İlk 5 Neden

1. Yapılandırılmamış Veri: Sosyal medya gönderileri, haberler ve ses kayıtlarını analiz edebilir.
2. Özellik Mühendisliği Yok: Özellikleri manuel olarak çıkarmanız gerekmez, zaman kazandırır.
3. Verimlilik: İnsanlardan çok daha hızlı şekilde binlerce görevi tekrarlayabilir.
4. Veri Etiketleme: Eğitildikten sonra yeni verileri kendisi etiketleyebilir.
5. Sürekli Eğitim: Yeni verilerle kolayca yeniden eğitilebilir ve adapte olur.

Uygulama Engelleri ve Zorluklar

Büyük Veri İhtiyacı

Hatalardan ders çıkarmak için devasa veri setlerine ihtiyaç duyar.

Şeffaflık Eksikliği

"Kara Kutu" (Black Box) sorunu: Modelin bir sonuca nasıl ulaştığını anlamak zordur.

Esneklik Sorunu

Sadece eğitildiği özel görevde iyidir, kapsam dışına çıkamaz.

Oyun 1: Kavram Eşleştirme

Nasıl Oynanır: Sol taraftaki terim kutularını, sağ taraftaki ilgili tanımların üzerine sürükleyip bırakın. Yanlış eşleşmede kutu geri dönecektir.

Çok Katmanlı Ağ

Geri Yayılım (Backprop)

CNN

Yapay Sinir Ağı

Biyolojik nöronların taklidi

Görüntü işleme uzmanı

Derin Öğrenme Tanımı

Ağırlık güncelleme yöntemi

Oyun 2: Terim Avcısı

Nasıl Oynanır: Gizli Derin Öğrenme terimini bulmak için harflere tıklayın veya klavyenizden tuşlayın. 6 yanlış yaparsanız oyun biter.

Hatalı Harf Hakkı: 6

_ _ _ _ _ _ _

Oyun 3: Çiftini Bul

Nasıl Oynanır: Kartlara tıklayarak ters çevirin. Aynı sembolleri peş peşe bularak tüm çiftleri eşleştirmeye çalışın.

Özet

Nedir?

Çok katmanlı yapay sinir ağları kullanılarak verilerden desenler öğrenen bir yapay zeka yöntemidir.

Neden?

Geleneksel yöntemlerin çözemediği karmaşık problemleri çözer ve yapılandırılmamış verilerde (görüntü, ses) üstün başarı sağlar.

Uygulamalar

Yüz tanıma, Chatbotlar, Otonom araçlar, Öneri sistemleri.

Zorluklar

Büyük veri ve donanım gerektirir, "Kara Kutu" (açıklanabilirlik) sorunu vardır.

Büyük Final Sınavı

Soru 1/20 Doğru: 0

Soru yükleniyor...

TEŞEKKÜRLER

Sorularınız?

Derin öğrenme, geleceğin teknolojisidir.

Zonguldak Bülent Ecevit Üniversitesi

Öğr. Gör. Tahsin ÇİLOĞLU