Derin öğrenme, makine öğreniminin bir alt kümesidir. Yapay zeka (AI), yapıları belirlemek ve tahminlerde bulunmak için büyük, karmaşık veri kümelerini analiz etmede üstün olan makine ve derin öğrenmeyi içerir. Derin öğrenme modelleri, verileri işleyen yapay nöronlar olarak bilinen çoklu katmanları içerir. Derin öğrenme ile insan beyni arasındaki kavramsal ilişki, sinir ağı mimarilerinin geliştirilmesinde yol gösterici bir ilke olmuştur.

Derin Öğrenme Temelleri

Yapay Nöron yapısı aşağıdaki görselde paylaşılmıştır. Nöron, dış ortamdan veya önceki katmandan girdiler alır ve her girdiye bir ağırlık atanır. Girdiler, ilgili ağırlıklarıyla çarpılır ve toplanır, toplama bir önyargı eklenir. Daha sonra bu ağırlıklı toplam, nöronun çıktısını belirleyen bir aktivasyon fonksiyonundan geçirilir. Ortaya çıkan çıktı, bir sonraki katmana iletilir veya modelin nihai çıktısı olarak kullanılır. Bu yapı yapay sinir ağlarının temelini oluşturur.

Geri yayılım süreci, model tarafından yapılan tahminler ile gerçek değerler arasındaki hatayı hesaplayarak ağırlıkları ve önyargı değerlerini güncellemek için kullanılır. Geri yayılım, hatayı çıkış katmanından başlayarak geriye doğru gizli katmanlara ve giriş katmanına ileterek modelin öğrenmesini sağlar. Bu mekanizma, modelin doğruluğunu artırmak ve tahmin hatalarını en aza indirmek için temel bir adımdır.

Giriş Görüntüsü: Modelin işlediği ve analiz ettiği belirli boyutlara sahip ham görüntü. Konvolüsyon Katmanı: Giriş görüntüsünden kenarlar ve desenler gibi düşük seviyeli özellikleri çıkarmak için filtreler uygulayan bir katman. Havuzlama Katmanı: Önemli bilgileri korurken boyutlarını azaltarak özellik haritalarını sıkıştıran bir katman. Tam Bağlantılı Katmanlar: Her nöronun bir önceki katmandaki tüm nöronlara bağlandığı ve öğrenilen özelliklere dayalı tahminler yaptığı katmanlar. Sınıflandırma: Modelin giriş verilerini belirli sınıflara atadığı veya tahminler çıkardığı son aşama. Epoch: Derin öğrenme yöntemindeki döngü sayısını belirtir. Epoch, modelin tüm veri setini kaç kez işlediğini belirler. Batch size: Model tarafından işlenen eğitim örneklerinin miktarıdır. Öğrenme oranı: Bir sinir ağının eğitim süreci boyunca ağırlıklarını güncellediği adım boyutunu belirler. SPE: Modelin tek bir dönem boyunca işleyeceği toplu iş sayısını tanımlar.