Telefonlarımızda, kameralarımızda ve akıllı cihazlarımızda her gün kullandığımız yapay zeka genellikle derin öğrenme kategorisine girer. Daha önce algoritmaları ve yapay sinir ağlarını (derin öğrenmeyi çevreleyen kavramlar) ele aldık, ancak bu sefer derin öğrenme sistemlerinin gerçekte nasıl öğrendiklerini göreceğiz.
Derin öğrenme, basitçe söylemek gerekirse, bir makinenin veriyi farklı soyutlama katmanları yoluyla göndererek veriden çıkardığı bir yöntemdir . Küçük altın parçaları için kaya parçalarını ayırmak için giderek küçük elek serileri kullanmak gibi bir şey. Önce büyük taşları, sonra küçük taşları ve çakılları filtrelersiniz, ve sonunda pullar için kalanları eleyin.
Sadece derinlemesine öğrenme ile, kediler ve köpekler gibi şeyler arasındaki farkları tanımak ve büyük miktarlarda veriyi bulmak için bir yapay zeka öğretiyorsunuz.
Bunu başarmanın yolu iki farklı öğrenme türünden geçer: denetimli ve denetimsiz. Teknik olarak, yarı denetimli öğrenme de var, ancak bu temel makalenin amaçları için sadece temelleri ele alacağız.
Denetimli öğrenme
Denetimli öğrenme, etkileşim kurduğunuz yapay zekanın çoğundan sorumludur. Örneğin, telefonunuz, yeni çektiğiniz resmin yiyecek mi, yüz mü yoksa evcil hayvanınız mı olduğunu söyleyebilir, çünkü denetlenen bir öğrenme paradigması kullanarak bu farklı konuları tanımak için eğitilmiştir.
İşte nasıl çalışır: geliştiriciler yapay zekaya görüntülerde belirli nesnelerin nasıl göründüğünü öğretmek için etiketli veri setlerini kullanır. Örneğin Instagram’dan farklı milyonlarca farklı yemek tabağı çekebilir ve yapay zekayı beslemeden önce her birini özenle etiketlerler.
Ardından, aynı etiketlere sahip öğelerin nasıl benzer olduğunu belirlemek için resimlerle ilgili her şeyi işleyecektir. Temelde, verileri bit parçalarına ayırır – çamaşırları yıkamadan önce ayırmak gibi. Bir kez yapıldığında, geliştiriciler doğruluğunu kontrol eder, gerekli düzeltmeleri yapar ve yapay zeka etiketsiz görüntülerdeki nesneleri doğru şekilde tanımlayana kadar işlemi tekrarlar.
Denetimsiz öğrenme
Ne aradığımızı tam olarak bildiğimizde, denetimli öğrenme, yol kat etmektir. Fakat emin olmadığımız durumlarda veya sadece bazı görüşler almak istediğimiz durumlarda işe yaramaz.
Örneğin, birinin işyerindeki kitapları atıp atmadığını belirlemeye çalışıyorsunuz, ancak incelemek için milyonlarca sayfa mali kaydınız var. Hırsızlığı gösterebilecek örüntüleri aramanıza yardımcı olacak bir bilgisayara ihtiyacınız var, ancak temel gerçek örnekleri ile bir veri kümesi oluşturmanın yolu yok çünkü ne aradığınızdan tam olarak emin değilsiniz. Denetimsiz öğrenmeye girin.
İşte bu şekilde çalışıyor: geliştiriciler benzerlikler için veri toplayan algoritmalar yaratıyor. Örneğin, bir piksel grubunun kedi mi yoksa köpek mi olduğunu belirlemeye çalışmak yerine, sadece etiketlenmemiş bir veri kümesi hakkında yapabileceği her şeyi anlamaya çalışır. yapay zeka, verilerini resimlerinizde etiketlemediğiniz sürece bir kedinin veya köpeğin ne olduğunu bilmenin bir yolu olmadığından, kümeler halinde yalnızca desenler çıkartacaktır. Görüntüleri köpeklere, kedilere, kahverengi hayvanlara, beyaz hayvanlara, lekeli olanlara, çizgili olanlara, büyük olanlara, tüylü olanlara ayırabiliriz… fotoğrafı elde edersiniz.
Birinin kitapları pişirdiğine dair kanıt aradığımız yukarıda belirtilen durumda, eksiz matematik öğrenmek için algoritmalar tasarlayabiliriz. Derin öğrenme sayesinde – bu durumda denetimsiz öğrenme yöntemleriyle desteklenir – modelimiz, bilgisayar için anlamsız olsa da paranın nereye kaybolduğunu gösteren anormallikleri tespit edebilmelidir.
Derin öğrenme karmaşıktır ve genellikle anlaşılması zordur. Ancak, arkasındaki kavramlar, özellikle nasıl öğrendiği, nispeten basittir. Bir geliştirici çıktının ne olması gerektiğini bildiğinde denetimli öğrenmeyi kullanır. Çıktı belirsiz ise denetlenmemiş öğrenme kullanırlar – etiketlenmemiş veri kümeleriyle eğitim.
Bir Cevap Yaz
