Yeni Başlayanlar İçin Derin Öğrenme Eğitimi: Sinir Ağı Temelleri

Derin Öğrenme nedir?

Derin Öğrenme beyindeki nöron ağını taklit eden bir bilgisayar yazılımıdır. Temsil öğrenimi ile yapay sinir ağlarına dayalı makine öğreniminin bir alt kümesidir. Derin sinir ağlarını kullandığı için buna derin öğrenme deniyor. Bu öğrenme denetimli, yarı denetimli veya denetimsiz olabilir.

Derin öğrenme algoritmaları bağlantılı katmanlarla oluşturulur.

• İlk katmana Giriş Katmanı adı verilir
• Son katmana Çıktı Katmanı adı verilir
• Aradaki tüm katmanlara Gizli Katmanlar denir. Derin kelimesi, ağın nöronları ikiden fazla katmanda birleştirmesi anlamına gelir.

Her Gizli katman nöronlardan oluşur. Nöronlar birbirine bağlıdır. Nöron, aldığı giriş sinyalini işleyecek ve daha sonra üstündeki katmana yayacaktır. Bir sonraki katmandaki nörona verilen sinyalin gücü, ağırlığa, sapmaya ve aktivasyon fonksiyonuna bağlıdır.

Ağ, büyük miktarda girdi verisi tüketir ve bunları birden fazla katman aracılığıyla işler; ağ, her katmanda verinin giderek daha karmaşık özelliklerini öğrenebilir.

Derin Öğrenme Süreci

Derin bir sinir ağı, nesne algılamadan konuşma tanımaya kadar pek çok görevde son teknoloji ürünü doğruluk sağlar. Programcılar tarafından açıkça kodlanan önceden tanımlanmış bilgi olmadan otomatik olarak öğrenebilirler.

Derin öğrenme fikrini kavramak için, bir bebek ve ebeveynleri olan bir aileyi hayal edin. Yürümeye başlayan çocuk, küçük parmağıyla nesneleri işaret eder ve her zaman 'kedi' kelimesini söyler. Ebeveynleri onun eğitimi konusunda endişelendikçe, ona sürekli 'Evet, bu bir kedi' veya 'Hayır, bu bir kedi değil' derler. Bebek nesneleri işaret etmekte ısrar eder ancak 'kediler' konusunda daha doğru hale gelir. Küçük çocuk, derinlerde, neden bir kedi olduğunu veya olmadığını söyleyebildiğini bilmez. Sadece evcil hayvana genel olarak bakarak ve karar vermeden önce kuyruklar veya burun gibi ayrıntılara odaklanarak bir kediyle ilgili karmaşık özellikleri nasıl hiyerarşilendireceğini öğrenmiştir.

Sinir ağı da aynı şekilde çalışır. Her katman daha derin bir bilgi seviyesini, yani bilgi hiyerarşisini temsil eder. Dört katmanlı bir sinir ağı, iki katmanlı olandan daha karmaşık bir özellik öğrenecektir.

Öğrenme iki aşamada gerçekleşir:

İlk etap: İlk aşama, girdiye doğrusal olmayan bir dönüşüm uygulanması ve çıktı olarak istatistiksel bir model oluşturulmasından oluşur.
İkinci Aşama: İkinci aşama, modelin türev olarak bilinen matematiksel bir yöntemle geliştirilmesini amaçlamaktadır.

Sinir ağı, kabul edilebilir bir doğruluk düzeyine ulaşana kadar bu iki aşamayı yüzlerce, binlerce kez tekrarlar. Bu iki aşamanın tekrarına yineleme denir.

Derin öğrenme örneği vermek gerekirse aşağıdaki harekete bakın, model dans etmeyi öğrenmeye çalışıyor. 10 dakikalık eğitimin ardından model dans etmeyi bilmiyor ve karalama gibi görünüyor.

48 saatlik öğrenmenin ardından bilgisayar dans sanatında ustalaşır.

Sinir Ağlarının Sınıflandırılması

Sığ sinir ağı: Sığ sinir ağında giriş ve çıkış arasında yalnızca bir gizli katman bulunur.

Derin sinir ağı: Derin sinir ağları birden fazla katmana sahiptir. Örneğin, görüntü tanımaya yönelik Google LeNet modeli 22 katman sayar.

Günümüzde derin öğrenme, sürücüsüz araba, cep telefonu, Google Arama Motoru, Dolandırıcılık tespiti, TV vb. birçok şekilde kullanılmaktadır.

Derin Öğrenme Ağlarının Türleri

Şimdi bu Derin Sinir ağı eğitiminde Derin Öğrenme Ağlarının türlerini öğreneceğiz:

İleri beslemeli sinir ağları

Yapay sinir ağının en basit türü. Bu mimari türünde, bilgi yalnızca bir yönde, ileri doğru akar. Yani, bilginin akışı giriş katmanında başlar, "gizli" katmanlara gider ve çıktı katmanında sonlanır. Ağ

bir döngüye sahip değildir. Bilgi çıktı katmanlarında durur.

Tekrarlayan sinir ağları (RNN'ler)

RNN bağlam düğümlerinde bilgi depolayabilen, veri dizilerini öğrenmesine ve bir sayı veya başka bir diziyi çıktı olarak vermesine olanak tanıyan çok katmanlı bir sinir ağıdır. Basit bir ifadeyle, nöronlar arasındaki bağlantıları döngüler içeren Yapay sinir ağlarıdır. RNN'ler girdi dizilerini işlemek için oldukça uygundur.

Örneğin, eğer görev cümledeki bir sonraki kelimeyi tahmin etmekse “Bir ………… istiyor musun?

• RNN nöronları cümlenin başlangıcını işaret eden bir sinyal alacaktır.
• Ağ, girdi olarak “Yap” sözcüğünü alır ve sayının bir vektörünü üretir. Bu vektör, ağa bir hafıza sağlamak için nörona geri beslenir. Bu aşama ağın "Yap" aldığını ve bunu ilk sırada aldığını hatırlamasına yardımcı olur.
• Ağ benzer şekilde sonraki kelimelere ilerleyecektir. "Sen" ve "istiyorum" kelimelerini alır. Her kelime alındığında nöronların durumu güncellenir.
• Son aşama “a” kelimesinin alınmasından sonra gerçekleşir. Sinir ağı, cümleyi tamamlamak için kullanılabilecek her İngilizce kelime için bir olasılık sağlayacaktır. İyi eğitilmiş bir RNN muhtemelen "kafe", "içecek", "burger" vb.'ye yüksek bir olasılık atar.

RNN'nin yaygın kullanımları

• Menkul kıymet tüccarlarının analitik raporlar oluşturmasına yardımcı olun
• Mali tablo sözleşmesindeki anormallikleri tespit etmek
• Sahte kredi kartı işlemlerini tespit edin
• Resimler için bir başlık sağlayın
• Güçlü sohbet robotları
• RNN'nin standart kullanımları, uygulayıcıların zaman serisi verileri veya dizileri (örneğin, ses kayıtları veya metin) ile çalışırken ortaya çıkar.

Evrişimli sinir ağları (CNN)

CNN her katmanda çıktıyı belirlemek için verilerin giderek karmaşıklaşan özelliklerini çıkarmak üzere tasarlanmış benzersiz bir mimariye sahip çok katmanlı bir sinir ağıdır. CNN'ler algısal görevler için oldukça uygundur.

CNN çoğunlukla yapılandırılmamış bir veri seti (örn. görseller) olduğunda ve uygulayıcıların bundan bilgi çıkarması gerektiğinde kullanılır.

Örneğin görev bir görselin başlığını tahmin etmekse:

• CNN, diyelim ki bir kedinin görüntüsünü alır; bu görüntü, bilgisayar terimiyle, pikselin bir koleksiyonudur. Genellikle gri tonlamalı resim için bir katman ve renkli resim için üç katman kullanılır.
• Özellik öğrenme sırasında (yani gizli katmanlar), ağ, örneğin kedinin kuyruğu, kulak vb. gibi benzersiz özellikleri tanımlayacaktır.
• Ağ, bir resmi nasıl tanıyacağını iyice öğrendiğinde, bildiği her görüntü için bir olasılık sağlayabilir. En yüksek olasılığa sahip etiket ağın tahmini olacaktır.

Takviye Öğrenme

Takviye öğrenimi Sistemlerin sanal "ödüller" veya "cezalar" alarak, esasen deneme yanılma yoluyla öğrenerek eğitildiği makine öğreniminin bir alt alanıdır. Google'ın DeepMind'ı, Go oyunlarında bir insan şampiyonunu yenmek için takviyeli öğrenmeyi kullandı. Takviyeli öğrenme, daha akıllı botlar sağlayarak oyun deneyimini geliştirmek için video oyunlarında da kullanılır.

En ünlü algoritmalardan biri:

• Q-öğrenme
• Derin Q ağı
• Devlet-Eylem-Ödül-Devlet-Eylem (SARSA)
• Derin Deterministik Politika Değişimi (DDPG)

Derin öğrenme uygulamalarına örnekler

Şimdi yeni başlayanlar için bu Derin öğrenme eğitiminde, Derin Öğrenme uygulamaları hakkında bilgi edinelim:

Finansta Yapay Zeka

Finansal teknoloji sektörü, zamandan tasarruf etmek, maliyetleri azaltmak ve değer katmak için yapay zekayı çoktan kullanmaya başladı. Derin öğrenme, daha sağlam kredi puanlaması kullanarak kredi verme sektörünü değiştiriyor. Kredi karar vericileri, başvuru sahiplerinin karakterini ve kapasitesini hesaba katmak için makine zekasını kullanarak daha hızlı, daha doğru risk değerlendirmesi elde etmek amacıyla güçlü kredi kredisi uygulamaları için yapay zekayı kullanabilir.

Underwrite, kredi veren şirketlere yapay zeka çözümü sağlayan bir Fintech şirketidir. underwrite.ai, hangi başvuru sahibinin krediyi geri ödeme olasılığının daha yüksek olduğunu tespit etmek için yapay zekayı kullanıyor. Yaklaşımları geleneksel yöntemleri radikal biçimde geride bırakıyor.

İK'da yapay zeka

Spor giyim şirketi Under Armour, AI'nın yardımıyla işe alımda devrim yaratıyor ve aday deneyimini modernize ediyor. Aslında, Under Armour perakende mağazaları için işe alım süresini %35 oranında azaltıyor. Under Armour, 2012'de artan bir popülerlik ilgisiyle karşı karşıyaydı. Ayda ortalama 30000 özgeçmiş alıyorlardı. Tüm bu başvuruları okumak ve eleme ve mülakat sürecini başlatmak çok uzun sürüyordu. İnsanları işe alma ve işe alma sürecinin uzun sürmesi, Under Armour'ın perakende mağazalarının tam kadro, hızlı ve çalışmaya hazır olmasını etkiledi.

O zamanlar Under Armour, kaynak bulma, uygulama, takip ve işe alım için işlem çözümleri gibi "sahip olunması gereken" İK teknolojisinin tamamına sahipti ancak bu araçlar yeterince kullanışlı değildi. Zırhın altında seç HireVuehem isteğe bağlı hem de canlı görüşmeler için İK çözümüne yönelik bir yapay zeka sağlayıcısı. Sonuçlar blöftü; dolum süresini %35 oranında azaltmayı başardılar. Karşılığında ise daha kaliteli personel işe alınır.

Pazarlamada Yapay Zeka

Yapay zeka, müşteri hizmetleri yönetimi ve kişiselleştirme zorlukları için değerli bir araçtır. Yapay zeka tekniklerinin uygulanmasının bir sonucu olarak çağrı merkezi yönetimi ve çağrı yönlendirmede iyileştirilmiş konuşma tanıma, müşteriler için daha kusursuz bir deneyim sağlar.

Örneğin, derin öğrenme ses analizi, sistemlerin müşterinin duygusal tonunu değerlendirmesine olanak tanır. Müşterinin soruya kötü yanıt vermesi durumunda AI chatbot, sistem, konuşmayı, konuyu ele alan gerçek insan operatörlere yeniden yönlendirebilir.

Yukarıdaki üç Derin öğrenme örneğinin dışında yapay zeka diğer sektörlerde/endüstrilerde yaygın olarak kullanılmaktadır.

Derin Öğrenme Neden Önemlidir?

Derin öğrenme, tahmini eyleme geçirilebilir bir sonuç haline getirmek için güçlü bir araçtır. Derin öğrenme, model keşfi (denetimsiz öğrenme) ve bilgiye dayalı tahminde öne çıkar. Büyük veri derin öğrenmenin yakıtıdır. İkisi birleştirildiğinde, bir organizasyon üretkenlik, satış, yönetim ve inovasyon açısından benzeri görülmemiş sonuçlar elde edebilir.

Derin öğrenme geleneksel yöntemden daha iyi performans gösterebilir. Örneğin, derin öğrenme algoritmaları, görüntü sınıflandırmada makine öğrenme algoritmasına göre %41, yüz tanımada %27, ses tanımada %25 daha doğrudur.

Derin öğrenmenin sınırlamaları

Şimdi bu Sinir ağı eğitiminde Derin Öğrenmenin sınırlamalarını öğreneceğiz:

Veri etiketleme

Mevcut yapay zeka modellerinin çoğu "denetimli öğrenme" yoluyla eğitiliyor. Bu, insanların temel verileri etiketlemesi ve kategorilere ayırması gerektiği anlamına gelir; bu da oldukça büyük ve hataya açık bir iş olabilir. Örneğin, sürücüsüz araç teknolojileri geliştiren şirketler, bu sistemlerin eğitilmesine yardımcı olmak amacıyla prototip araçlardan saatlerce süren video yayınlarına manuel olarak açıklama eklemek için yüzlerce kişiyi işe alıyor.

Büyük eğitim veri kümeleri edinin

CNN gibi basit derin öğrenme tekniklerinin bazı durumlarda tıp ve diğer alanlardaki uzmanların bilgilerini taklit edebildiği gösterilmiştir. Şu anki dalga makine öğrenmeancak, yalnızca etiketlenmiş değil aynı zamanda yeterince geniş ve evrensel olan eğitim veri kümelerini gerektirir.

Derin öğrenme yöntemleri, modellerin sınıflandırma görevlerinde nispeten iyi hale gelmesi için binlerce, bazı durumlarda da insan düzeyinde performans gösterebilmesi için milyonlarca gözlem gerektiriyordu. Derin öğrenmenin dev teknoloji şirketlerinde meşhur olması şaşırtıcı değil; petabaytlarca veri biriktirmek için büyük veriyi kullanıyorlar. Etkileyici ve son derece doğru bir derin öğrenme modeli oluşturmalarına olanak tanır.

Bir sorunu açıklayın

Büyük ve karmaşık modelleri insan terimleriyle açıklamak zor olabilir. Örneğin, belirli bir kararın neden alındığı. Yorumlanabilirliğin yararlı olduğu veya gerçekten gerekli olduğu uygulama alanlarında bazı AI araçlarının kabulünün yavaş olmasının bir nedeni budur.

Ayrıca yapay zekanın uygulamaları genişledikçe düzenleyici gereklilikler daha açıklanabilir yapay zeka modellerine olan ihtiyacı da artırabilir.

ÖZET

Derin Öğrenmeye Genel Bakış: Derin öğrenme, son teknoloji ürünüdür yapay zekaDerin öğrenme mimarisi bir giriş katmanı, gizli katmanlar ve bir çıktı katmanından oluşur. Derin kelimesi ikiden fazla tam bağlı katman olduğu anlamına gelir.

Her mimarinin belirli bir görevi yerine getirmek üzere tasarlandığı çok sayıda sinir ağı vardır. Örneğin, CNN resimlerle çok iyi çalışır, RNN zaman serileri ve metin analizleriyle etkileyici sonuçlar sağlar.

Derin öğrenme artık finanstan pazarlamaya, tedarik zincirinden pazarlamaya kadar farklı alanlarda aktif durumda. Büyük firmalar zaten geniş bir veri havuzuna sahip oldukları için derin öğrenmeyi ilk kullananlardır. Derin öğrenme, kapsamlı bir eğitim veri setine sahip olmayı gerektirir.