DEEP LEARNING & MACHINE LEARNING

Deep Learning & Machine Learning: Aralarındaki Fark Ne?

Deep learning ve machine learning - yani derin öğrenme ve makine öğrenmesi - arasındaki fark ne? Birbirlerinden ne kadar farklılar veya ne kadar benziyorlar? Machine learning ve deep learning, yapay zekânın birkaç yıldır etkili bir şekilde dikkat çeken 2 alt dalıdır. Merak ettiniz mi? Şimdi beraber ikisinin arasındaki gerçek farkı ve yeni iş imkanları için onları nasıl kullanabileceğinizi anlamaya çalışalım.

Deep Learning & Machine Learning

Machine learning, makine öğrenmesi, yapay zekânın bir alt dalıdır. İstenilen sonuçlara ulaşmak amacıyla, insan müdahalesi olmadan kendi kendini değiştirebilen algoritmalar yaratır. Bunu, yapılandırılmış verilerden beslenerek yapar.

Deep learning, derin öğrenme, algoritmaların machine learning’e benzer şekilde oluşturulduğu ve çalıştığı bir machine learning alt dalıdır. Ancak bu algoritmalar, her biri taşıdığı veriyi birbirinden farklı şekilde yorumlayan birçok düzey içerir. Bu algoritma ağı, yapay sinir ağları olarak adlandırılır. Basitçe söylemek gerekirse, insan beyninde bulunan sinir bağlantılarını andırır.

Örnek:

Varsayalım ki, sizin köpek ve kedi fotoğraflarından oluşan bir koleksiyonunuz var. Machine learning algoritmaları ve deep learning sinir ağları kullanarak bu kedi ve köpek resimlerinin ayrı ayrı hangisi olduğunu saptamanız gerekiyor.

Machine Learning Çözümü:

Machine learning algoritmasının resimleri kedi ve köpek kategorilerine ayırabilmesi için, öncelikle bu resimleri tanıması gerekiyor. Ama hangisinin hangisi olduğunu algoritma nasıl anlıyor?

Bu sorunun cevabı, yukarıda machine learning tanımında açıklandığı gibi yapılandırılmış verinin ulaşılabilir olmasıdır. İki hayvanın da özelliklerini belirleyebilmek için, kedi ve köpek resimleri basitçe işaretleniyor. Bu veriler, machine learning algoritmasının öğrenilmesi için yeterli olacaktır. Daha önceki çalışmalarının temeline dayanarak, bu iki hayvanın diğer milyonlarca resminin işaretleri ve özellikleri anlaşılıyor.

Deep Learning Çözümü:

Deep learning sinir ağları, bu problemi çözerken daha farklı bir yaklaşımda bulunuyor. Deep learning’in ana avantajı, iki hayvanı sınıflandırmak için yapılandırılmış veya etiketlenmiş verilere kesin olarak ihtiyacının olmaması. Bu durumda, alınan veri farklı sinir ağları düzeylerine gönderilir, ve her bir ağ hiyerarşik olarak resmin belirli özelliklerine karar verir.

Bu, bizim beyinlerimizin problem çözme yöntemine benzer – cevabı bulabilmek için kavramlar ve ilgili soruları farklı hiyerarşi düzeylerinde sorgular.

Veriyi sinir ağlarının farklı düzeylerinde işledikten sonra, sistem iki hayvanı da resimlerine göre kategorize etmek için uygun belirleyicileri bulur.

Bu şekilde, bu örnekte, machine learning algoritması kedi ve köpek resimlerinin arasındaki farkı anlamak, kategorize etmeye çalışmak ve daha sonra bir sonuç çıkarmak için yapılandırılmış veya etiketlenmiş veriye gereksinim duyar.

Öte yandan, deep learning ağı farklı düzeylerde işlenen verilerden iki hayvanın da resimlerini kategorize edebilir. Bu algoritma, herhangi bir etiketlenmiş veya yapılandırılmış veriye gereksinim duymaz. Çünkü, resimleri kategorize ederken kullanılacak tek bir çözümü oluşturmak için farklı düzeylerin ulaştığı farklı çıktıları birleştirmeye dayanır.

Deep Learning ve Machine Learning arasındaki farklar:

1. Deep learning ve machine learning arasındaki temel fark, verinin sisteme nasıl sunulduğuna dayanır. Machine learning - makine öğrenmesi, algoritması, neredeyse her zaman yapılandırılmış veriye ihtiyaç duyarken, deep learning ağları yapay sinir ağlarının düzeylerine dayanır.
2. Machine learning algoritmaları, etiketlenmiş verileri anlayıp daha sonra bu anladıklarını daha fazla veri setinde yeni sonuçlar elde etmek amacıyla kullanmak için dizayn edilmiştir. Ancak, sonuç yanlış olduğu zaman, öğretilmeye gereksinim duyarlar.
3. Deep learning - derin öğrenme ağları, insan müdahalesine ihtiyaç duymazlar. Çünkü, sinir ağlarının çok seviyeli katmanları veriyi farklı kavramlardan oluşan bir hiyerarşiye yerleştirir. En sonunda kendi hatalarından öğrenir. Ancak, eğer veri kalitesi yeterince iyi değilse bu bile yanlış olabilir.
4. Veri, her şeyi belirler. En nihayetinde, sonucun kalitesini verinin kalitesi ortaya çıkarır.

Yapay zekânın gelişimi, ayrıca IoT uygulamaları ve blockchain gibi yazılım geliştirme servislerinin de büyümesine sebep oldu. Şu anda, yazılım geliştiriciler deep learning ve machine learning’e daha eğilimli yeni programlama yöntemleri keşfediyorlar. Çeşitli teknolojilerin büyümesi sebebiyle, işletmeler kendi işleri için hangisinin en iyi olacağını bulabilmek amacıyla teknoloji danışma şirketlerini arıyorlar.

Ece Dilara ASLAN
Boğaziçi Üniversitesi Bilgisayar Mühendisliği Öğrencisi