Skip to main content

Derin Öğrenme Eğitimine Hoşgeldiniz

GİRİŞ​

  • Yapay Zeka: Yapay zeka insan zekasının yapabileceği işleri bilgisayarların yaptığı otomatik bir süreçtir.
  • Makine Öğrenmesi: Makinelerin çeşitli veri ve algoritmalar kullanarak, problem karşısında bir insan gibi çözüm üretmesi ya da kademeli bir şekilde çözüme ulaşmasını sağlayan bir bilgisayar bilim dalıdır.
  • Derin Öğrenme: Özellikleri doğrudan verilerden öğrenen makine öğrenimi tekniklerinden birisidir.
  • SON YILLARDA DERİN ÖĞRENME KAVRAMI ÇOK DİKKAT ÇEKİYOR..

AI

  • Google'da derin öğrenmenin artan kullanımı:

Google

  • Daha önce birçok heyecan verici sonuç gördüğünüze inanıyorum.

  • Derin Öğrenmenin İnişleri ve çıkışları:

    • 1958: Perceptron (lineer model)
    • 1969: Perceptron'un sınırlamaları var
    • 1980s: Çok Katmanlı Algılayıcı (Multi-layer perceptron, MLP). Bugünkü Derin Sinir Ağlarından önemli bir farkı yok
    • 1986: Geri Yayılım (Backpropagation). Genellikle 3'ten fazla gizli katman için kullanışlı değildir
    • 1989: 1 gizli katman “yeterince iyi” mi?, neden derin değil?
    • 2006: Sınırlı Boltzmann Makineleri’nin ortaya çıkışı
    • 2009: GPU (Grafik İşlem Birimi)
    • 2011: Konuşma tanımada popüler olmaya başladı
    • 2012: ILSVRC resim yarışmasını kazandı (https://www.image-net.org)
    • 2015: İnsan seviyesindeki performansı aşan görüntü tanıma
    • 2016: İnsanlar kadar iyi, konuşma tanıma sistemi
    • 2017: Alpha GO, Lee Sedol'u yendi
    • 2018: Dil modelleri: Google'ın BERT temsili
    • 2019: Öz-dikkat kavramının ortaya atılması
    • 2020-2023: Doğal Dil İşleme, yeni mimarilerin geliştirilmesi, probleme özgü modellerin oluşturulması, gelişmiş sağlık uygulamaları, Chat botlar.

  • Perceptron [Rosenblatt, 1958]

    • Girdiyi bir çıktı değerine eşleyen ikili sınıflandırıcı
    • Temel sinir ağı yapı taşı
    • En basit ileri beslemeli sinir ağı

perceptron

  • Eşik kullanışızdır ve bir bias değeri eklenebilir (+1 giriş)
  • Farklı aktivasyon fonksiyonları kullanılabilir (doğrusal olmayan sınıflandırma için) :

aktivasyon-fonk

  • Biyolojik sinir ağları insan beyninin çalışmasını sağlayan en temel taşlardan birisidir. Sinir sistemi 100 milyardan fazla nörondan meydana gelmiştir. Nöronlar üç kısımdan oluşmaktadır. Bunlar dentritler, çekirdek/hücre gövdesi ve aksondur. Nöronlar birbirine sinaps denilen fonksiyonel bağlantılar ile bağlanmıştır. Yapay bir nöronda biyolojik bir nörona benzer yapıdadır. Hücre gövdesi/çekirdek -> işlem birimine, dentritler -> girdilere, aksonlar ise -> çıktılara benzemektedir.

  • Nöronların bağlantı sayıları ve bağlantı tiplerine bağlı olarak değişik ağlar oluşturabilirler. Oluşturulan bu sinir ağları ile çok farklı derin öğrenme problemleri çözülebilir.

  • Nöronlara düğüm denir. Bu düğümler beyindeki sinir ağlarını taklit eder. Alınan girdi sinyallerinin toplamı bir aktivasyon eşiğini geçtiğinde düğümler aktivize olur. Bağlantılar ile birbirine sinyalleri iletir. Bunlar aracılığı ile bir nörondan gönderilen sinyaller diğer nörona geçer.

neuron-to-perceptron

  • Neden derin öğrenme: Veri miktarı arttığında makine öğrenme teknikleri performans açısından yetersiz kalıyor ve derin öğrenme doğruluk bakımından karşılaştırıldığında daha iyi performans veriyor.

1

  • Büyük miktarda veriden kasıt nedir: Cevaplaması zor ama sezgisel olarak "büyük miktarda veri" demek için 1 milyon örnek yeterlidir.

  • Derin öğrenmenin kullanım alanları: Speech recognition, image classification, natural language procession (nlp) veya recommendation systems

  • Derin öğrenme ve makine öğrenmesi arasındaki farklar nelerdir: 

     * Makine öğrenimi derin öğrenmeyi kapsar.
     * Özellikler manuel olarak makine öğrenimine verilir.
     * Öte yandan, derin öğrenme, özellikleri doğrudan verilerden öğrenir.

    2

Verilerimize bakalım.

# This Python 3 environment comes with many helpful analytics libraries installed
# It is defined by the kaggle/python docker image: https://github.com/kaggle/docker-python
# For example, here's several helpful packages to load in 

import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import matplotlib.pyplot as plt
# Input data files are available in the "../input/" directory.
# For example, running this (by clicking run or pressing Shift+Enter) will list the files in the input directory
# import warnings
import warnings
# filter warnings
warnings.filterwarnings('ignore')
# Any results you write to the current directory are saved as output.