Makine öğrenmesi (Machine Learning) ile derin öğrenme (Deep Learning) arasındaki fark nedir?

Makine öğrenmesi (Machine Learning) ile derin öğrenme (Deep Learning) arasındaki fark nedir?

Yapay zeka günümüzde her yerde, ancak bu etkili yeni teknolojinin nasıl çalıştığına dair temeller kafa karıştırıcı olabilir. Yapay zeka geliştirmedeki en önemli iki alan "makine öğrenimi" ve onun alt alanı "derin öğrenme"dir. İşte bu iki önemli disiplinin ne olduğu ve otomasyonun evrimine nasıl katkıda bulundukları hakkında kısa bir açıklama.

Öncelikle, yapay zeka nedir?

Yapay zekanın aslında ne olduğunu kendimize hatırlatmakta fayda var. Yapay zekanın savunucuları bir gün kendi kendine "düşünebilen" bir makine yaratmayı umduklarını söylüyorlar. İnsan beyni, şu anda var olan herhangi bir makinenin kapasitesini çok aşan hesaplamalar yapabilen muhteşem bir araçtır. Yapay zeka geliştirmede yer alan yazılım mühendisleri, sonunda bir insanın entelektüel olarak yapabileceği her şeyi yapabilen ancak onu aşabilen bir makine yapmayı umuyorlar.
Daha fazlasını okuyun: Yapay zekanın birçok terimi vardır. Bilmeniz gerekenler için bir sözlüğümüz var

Şu anda, AI'nın iş ve hükümetteki uygulamaları büyük ölçüde Spotify'da bir sonraki şarkınızı öneren veya geçen hafta Amazon'dan satın aldığınız ürüne benzer bir ürün satmaya çalışan türden öngörücü algoritmalara denk geliyor. Ancak, AI evangelistleri teknolojinin sonunda çok daha karmaşık akıl yürütebileceğine ve kararlar alabileceğine inanıyor. İşte ML ve DL'nin devreye girdiği yer burası.

Makine öğrenimi açıklandı

Makine öğrenimi (veya ML), yazılım programlarına tahminler veya "kararlar" nasıl "öğretileceği" sürecini ifade eden geniş bir yapay zeka kategorisidir. Bir IBM mühendisi olan Jeff Crume, makine öğrenimini "çok sofistike bir istatistiksel analiz biçimi" olarak açıklıyor. Crume'a göre, bu analiz makinelerin "verilere dayalı tahminler veya kararlar" yapmasını sağlıyor. "Sisteme ne kadar fazla bilgi beslenirse, bize o kadar doğru tahminler verebilir" diyor.

Bir makinenin çok belirli bir görevi tamamlamak üzere tasarlandığı genel programlamanın aksine, makine öğrenimi, bir algoritmayı verilerdeki kalıpları kendi kendine belirleyecek şekilde eğitmek etrafında döner. Daha önce belirtildiği gibi, makine öğrenimi çok çeşitli faaliyetleri kapsar.

Derin öğrenme açıklandı

Derin öğrenme, makine öğrenimidir. Diğer ML biçimleri gibi, yapay zekaya "düşünmeyi" öğretmeye odaklanan, daha önce bahsedilen makine öğrenimi alt kategorilerinden biridir. Diğer bazı makine öğrenimi biçimlerinin aksine, DL algoritmaların işlerinin çoğunu yapmasına izin vermeyi amaçlar. DL, yapay sinir ağları (ANN) olarak bilinen matematiksel modellerle desteklenir. Bu ağlar, insan beyninde doğal olarak meydana gelen süreçleri taklit etmeye çalışır; karar alma ve kalıp tanımlama gibi şeyler.

ML (Makine Öğrenimi) ve DL (Derin Öğrenme) arasındaki temel fark

Derin öğrenme ile diğer makine öğrenimi biçimleri arasındaki en büyük farklardan biri, bir makineye sağlanan "denetim" düzeyidir. ML'nin daha az karmaşık biçimlerinde, bilgisayar muhtemelen gözetimli öğrenmeyle meşguldür; bu, bir insanın etiketli, yapılandırılmış verilerdeki kalıpları makineye tanımasına ve böylece öngörücü analiz yapma yeteneğini geliştirmesine yardımcı olduğu bir süreçtir.

Makine öğrenimi, büyük miktarda "eğitim verisine" dayanır. Bu tür veriler genellikle insanlar tarafından veri etiketleme yoluyla derlenir (bu insanların çoğuna çok iyi ücret ödenmez). Bu süreç boyunca, daha sonra AI algoritmasına beslenebilecek ve ona kalıpları tanımlamayı öğretmek için kullanılabilecek bir eğitim veri kümesi oluşturulur. Örneğin, bir şirket bir algoritmayı fotoğraflarda belirli bir araba markasını tanıması için eğitiyorsa, algoritmaya insan personeli tarafından manuel olarak etiketlenmiş o araba modelinin büyük miktarda fotoğrafını beslerdi. Ayrıca, eğitildikten sonra makinenin öngörücü güçlerinin doğruluğunu ölçmek için bir "test veri kümesi" oluşturulur.

Bu arada, DL söz konusu olduğunda, bir makine "gözetimsiz öğrenme" adı verilen bir sürece girer. Gözetimsiz öğrenme, bir makinenin yapılandırılmamış veya "ham" verilerde (henüz etiketlenmemiş veya bir veritabanında düzenlenmemiş veriler) desenleri belirlemek için sinir ağını kullanmasını içerir. Şirketler, düzenlenmemiş veri yığınlarını elemek ve böylece büyük miktarda insan emeğinden kaçınmak için otomatik algoritmalar kullanabilirler.

Sinir ağları nasıl çalışır

YSA'lar "düğüm" adı verilen şeylerden oluşur. MIT'ye göre, bir YSA "binlerce hatta milyonlarca" düğüme sahip olabilir. Bu düğümler biraz karmaşık olabilir ancak kısaca açıklama, insan beynindeki düğümler gibi, bilgiyi iletmeleri ve işlemeleridir. Bir sinir ağında, düğümler "katmanlar" olarak adlandırılan organize bir biçimde düzenlenir. Bu nedenle, "derin" öğrenme ağları birden fazla düğüm katmanını içerir. Bilgi ağda hareket eder ve çeşitli çevreleriyle etkileşime girer, bu da bir insan uyarısına tabi tutulduğunda makinenin karar alma sürecine katkıda bulunur.

Yapay Sinir Ağları'ndaki bir diğer önemli kavram, bir yorumcunun insan beynindeki sinapslarla karşılaştırdığı "ağırlık"tır. Sadece sayısal değerler olan ağırlıklar, bir yapay zekanın sinir ağı boyunca dağıtılır ve bu yapay zeka sisteminin nihai çıktısının nihai sonucunu belirlemeye yardımcı olur. Ağırlıklar, bir sinir ağının kararlar alabilmesi için onu kalibre etmeye yardımcı olan bilgi girdileridir. MIT'nin sinir ağları üzerine derinlemesine incelemesi bunu şu şekilde açıklar:

Bir düğüm, gelen bağlantılarının her birine "ağırlık" olarak bilinen bir sayı atar. Ağ etkin olduğunda, düğüm her bir bağlantısı için farklı bir veri öğesi -farklı bir sayı- alır ve bunu ilişkili ağırlıkla çarpar. Daha sonra ortaya çıkan ürünleri toplayarak tek bir sayı üretir. Bu sayı bir eşik değerinin altındaysa, düğüm bir sonraki katmana veri iletmez. Sayı eşik değerini aşarsa, düğüm "ateşlenir", bu da günümüzün sinir ağlarında genellikle sayıyı (ağırlıklandırılmış girdilerin toplamını) tüm giden bağlantıları boyunca göndermek anlamına gelir.

Kısacası: Sinir ağları, bir algoritmanın kendisine verilen veriler hakkında kendi sonuçlarına varmasına yardımcı olmak üzere yapılandırılmıştır. Programlamasına dayanarak, algoritma büyük veri dilimlerinde yararlı bağlantıları belirleyebilir ve insanların kendi analizlerine dayanarak kendi sonuçlarını çıkarmalarına yardımcı olabilir.

Makine öğrenimi yapay zeka gelişimi için neden önemlidir?

Makine ve derin öğrenme, makinelerin daha önce yalnızca insanların alanı olan öngörücü ve yorumlayıcı faaliyetleri yürütmesini sağlar. Bunun birçok avantajı olabilir ancak bariz dezavantajı, bu makinelerin kaçınılmaz olarak kötü niyetli, yalnızca yararlı olmayan şeyler için kullanılabilmesidir (ve dürüst olalım, kullanılacaktır) - hükümet ve özel gözetleme sistemleri ve askeri ve savunma faaliyetlerinin sürekli otomasyonu gibi şeyler. Ancak, aynı zamanda, tüketici önerileri veya kodlama ve en iyi ihtimalle tıbbi ve sağlık araştırmaları için de faydalıdırlar. Yapay zekanın da diğer tüm araçlar gibi dünya üzerinde iyi ya da kötü bir etkisinin olup olmayacağı büyük ölçüde onu kimin kullandığına bağlı.