Derin Öğrenme

Merhabalar sevgili takipçilerimiz,

Bir önceki yazımızda makine öğrenmesi fonksiyonları, kullanım alanları ve çeşitli detaylarına değinmiştik. Bu yazımızda son zamanlarda makine öğrenmesinden daha fazla önem kazanan derin öğrenme kavramından bahsedeceğiz.

Yapay zeka adıyla çıkılan yolda, gün geçtikçe farklı algoritmalar ve kavramlar meydana çıktı. Bununla birlikte problemlere daha detaylı yaklaşma amacıyla, az hata payı ile daha büyük verilerin analizini hızlandırılmış şekilde yapma ihtiyacı doğdu. Bu serüvenin en başında yapay zekadan sonra makine öğrenmesi kavramının bu alanda nasıl geliştirildiğinden ve hemen hemen işlenebilir çoğu veriyi bilgisayar ortamında anlamlandırma konusunda çeşitli algoritmalar kullanıldığından önceki yazımızda bahsetmiştik. Yeni yöntemlerin gelişmesi ve verinin büyümesiyle makine öğrenmesinin yeterli olmadığı düşünülmeye başlandı. Bu sebeple son zamanlarda derin öğrenme kavramına olan ilgi oldukça arttı ve çok sık duymaya başladık. Bazı kaynaklarda derin öğrenmeyi makine öğrenmesi yöntemlerinden saydıklarını görürüz. Aynı zamanda çoğu kaynakta da makine öğrenmesinin devamı niteliğini taşıyan alt alan olarak tanımlanmaktadır. 

Derin öğrenme, insan beynindeki öğrenme sürecini basit makine öğrenme modellerinden daha fazla taklit etmeyi amaçlayan, giderek daha karmaşık olan hiyerarşik modeller yaratan makine öğreniminin bir devrimidir. Derin öğrenmenin asıl ortaya çıkışı insanın öğrenme modelinin makinelere (bilgisayarlar) öğretilmesi ve sorunların da bu doğrultuda en az hata ile sonuçlanması ve anlamlandırılması ihtiyacından kaynaklanmaktadır. İnsan beyninde öğrenme nöronlar dediğimiz sinir hücreleri vasıtasıyla gerçekleşen olaydır.

Kısaca derin öğrenme, veri işlemede ve karar vermede kullanmak amacıyla kalıplar oluşturmada insan beyninin çalışmalarını taklit eden bir yapay zeka işlevidir. Derin öğrenme, yapılandırılmamış veya etiketlenmemiş verilerden denetimsiz öğrenebilen ağlara sahip, yapay zekada (AI) makine öğreniminin bir alt kümesidir. Derin sinirsel öğrenme veya derin sinir ağı (deep neural network) olarak da bilinir.

Derin öğrenme, dijital çağın bütün alanlarında iç içe hızlı bir geçiş yapmıştır. Basitçe büyük veri olarak bilinen bu veriler, birçok farklı kaynaktan elde edildiği gibi aynı zamanda bu kadar fazla miktarda veriye kolayca erişilebilir bir ortam da oluşturulmuştur. Çeşitli platformlardan hangi alanda bir veriye ihtiyacınız varsa ulaşmak artık çağın getirdiği büyük bir kolaylık diyebiliriz. Bununla birlikte, normalde yapılandırılmamış olan veriler o kadar geniştir ki, insanların bunları anlaması ve ilgili bilgileri çıkarması uzun yıllar alabilir. Şirketler bu bilgi zenginliğinin ortaya çıkarılmasından kaynaklanabilecek inanılmaz potansiyeli fark etmekte ve otomatik destek için giderek artan oranda yapay zeka sistemlerine uyum sağlamaktadır.

Derin Öğrenme Kullanım Alanları

Derin öğrenme, yapay zekanın birçok alanında uygulanabilir. Derin öğrenme uygulamalarından bazıları şu şekildedir.

Otomatik Sürüş: Otomatik sürüş günümüzde yaygınlaşan konulardan biri haline geliyor. Çeşitli şirketler, insan gözetimini gerektirmeyen otomatik bir araç oluşturmak için derin öğrenme tekniğini uygulamaktadır. Dur işaretleri ve trafik ışıkları gibi nesneleri otomatik olarak algılarlar. Ek olarak, derin öğrenme, yayaları tespit etmek için kullanılarak kazaları azaltmaya yardımcı olur.

Makine Çevirisi: Derin öğrenme sayesinde farklı çeviri hizmetlerine erişebiliyoruz. En popüler olanlardan biri olan Google Translate, kullanıcının bir dili kolayca çevirmesine yardımcı olur. Derin öğrenme bu uygulamanın gelişmesine yardımcı oldu. Sadece bir kelime çevirisi ile başlamasına rağmen büyük bir ilerleme sağlanmıştır.

Sanal Asistanlar: Derin öğrenmenin en popüler uygulaması sanal asistanlardır. Siri, Alexa ve Google Asistan gibi, bu dijital asistanlar kullanıcılarını anlamak için derin öğrenmeden büyük ölçüde faydalanıyor ve aynı zamanda uygun yanıtı veriyor. Asistanla yapılan her etkileşim, kullanıcının sesini ve aksanını anlama ayrıca kullanıcının davranışlarını inceleme fırsatı sunar. Sanal asistanlar, en sevdiğiniz yerlerden en sevdiğiniz şarkılara kadar değişen konular hakkında daha fazla bilgi edinmek için derin öğrenmeyi kullanır.

Görsel Tanıma ve Sınıflandırma: Derin öğrenme; görüntü sınıflandırması, nesne algılama, görüntü geri yükleme ve görüntü segmentasyonu için büyük ölçüde doğruluk sağlamıştır. Elle yazılmış rakamlar bile tanınabilir. Derin öğrenme muazzam sinir ağlarını kullanarak, insan görsel sistemleri tarafından gerçekleştirilen görevleri otomatikleştirmek için makinelere öğretmektedir.

Sağlık Hizmeti: Derin öğrenme tıbbi teşhis ve araştırmada önemli bir rol oynamaktadır. Hayatı tehdit eden hastalıkların teşhisi, patoloji sonuçları ve tedavisi, hastalıkların gelecekteki risklerini tahmin etmek için standardizasyona ve genetiğin anlaşılmasına neden olur. Yeniden kabul edilme sağlık sektöründe büyük bir sorundur ve derin öğrenme bununla mücadeleye yardımcı olmaktadır.

Kişiselleştirme: Her platform şimdi ziyaretçilerine insani bir dokunuşla kişiselleştirilmiş deneyimler sunmak için chatbotları kullanmaya çalışıyor. Derin Öğrenme, Amazon, E-Bay, Alibaba, vb. e-ticaret devlerinin ürün önerileri, kişiselleştirilmiş paketler ve indirimler şeklinde sorunsuz kişiselleştirilmiş deneyimler sağlama ve festival sezonunda büyük gelir fırsatlarını belirleme çabalarını güçlendiriyor.

Dolandırıcılık Tespiti: Bankacılık ve finans sektörü de derin öğrenme uygulamasından faydalanmakta, özellikle para işlemleri dijitalleşmektedir. Ayrıca, finans kurumlarının milyarlarca dolar tasarruf ve sigorta tasarrufu sağlayan sahte kredi kartlarının tespit edilmesine yardımcı olacak uygulamalar geliştirilmektedir.

Doğal Dil İşleme: İnsanın öğrenebileceği en zor görevlerden biri dil ile ilişkili karmaşıklıkları anlamaktır. İnsanlar bir dili kolayca kavramakta zorlanırlar. Anlam, söz dizimi, ton, ifadeler ve hatta alayları ilk etapta kolayca anlayamazlar. Derin öğrenmede, makineler aynı şeyi başarmak ve insan benzeri tepki ve kişiselleştirilmiş ifadeler geliştirmek için eğitilir. Ayrıca dilbilimsel nüansları yakalamaya ve soruları cevaplamaya çalışırlar. Aynı zamanda kelime öbekleri ve cümleler oluşturmak için kelime yerleştirme ile bir bütünlük yakalamaya çalışılmaktadır.

Derin öğrenme modellerinin gelişiminin hızlanması ve önümüzdeki birkaç yıl içinde daha da yenilikçi uygulamalar oluşturması bekleniyor.

Derin Öğrenme ve Biyoinformatik

Tanımlama kısmından da öğrendiğimiz gibi, derin öğrenme aslında büyük verilerin incelenmesi ve analizinde son zamanlarda geliştirilmiş olan en işlevsel yöntemdir. Biyoloji ve genetik alanı büyük veri açısından oldukça zengin iki alandır. Biyolojik verinin analizini yapmakta derin öğrenme yaygın bir biçimde kullanılmaktadır. Genomik, proteomik, hastalık teşhisleri, biyomedikal sinyal işlemesi vb. birçok konuda yapılan çalışmalar bulunmaktadır.

Biyolojik verinin anlaşılabilir bir bilgiye dönüştürülmesi, biyoinformatik alanının asıl hedefidir. Dizileme metodları sayesinde işlenmemiş sekans verilerini elde etmek kolaydır ancak bu verinin anlamlı bir bilgiye dönüşmesi, çıkarımlar yapmak ve bir sonuca varmak açısından önemlidir.

Derin öğrenme ile oluşturulan bir modele, DNA sekansı, mikrodizi gen ekspresyonu, üç boyutlu amino asitler arasındaki mesafe, genomik diziden elde edilen veriler gibi değişik veri tipleri input olarak verilebilir. Daha sonra bu veriler kullanılarak; bir proteinin yapısı tahmin edilebilir, gen ekspresyonu düzenlemesine dair bilgi edinilebilir, proteinler sınıflandırılabilir veya normalin dışında gerçekleşen bir olay -örneğin kanser- tespit edilebilir.

Derin öğrenme nörodejeneratif hastalıkların teşhisinde de kullanılmaktadır. Yapılan çalışmalara göre Alzheimer hastalığı, şizofreni ve beyin tümörleri, biyomedikal görüntülerin input olarak kullanılmasıyla teşhis edilebilir.  Manyetik rezonans görüntüleme(MRI), pozitron emisyon tomografisi(PET), histopatolojik görüntüler vb. teknikler biyomedikal görüntüleri oluşturan yöntemlerdir.

Bu yazımızda derin öğrenmeye giriş olması açısından bir tanımlama yapmaya çalıştık. Umarız faydalı olmuştur. İlerleyen zamanlarda daha detaylı araştırmalar da yapabiliriz.

Kaynakça

Min, Seonwoo & Lee, Byunghan & Yoon, Sungroh. (2016). Deep Learning in Bioinformatics. Briefings in Bioinformatics. 18. 10.1093/bib/bbw068.