Hiyerarşik öğrenme olarak da bilinen Derin Öğrenme, daha geniş Yapay Zeka alanının bir parçası olan Makine Öğrenimi alanının bir parçasıdır.

Derin Öğrenme modelleri

  • özellikleri ayıklamak için çok katmanlı bir kaskat kullanın . Her katman bir sonraki katman için girdi olarak kullanılır.
  • öğrenme ya denetlenir (ör. sınıflandırma), yarı denetlenir ya da denetlenmez (örneğin örüntü analizi)
  • her yeni temsil seviyesiyle, nihai hedef bulunana kadar yeni bir soyutlama düzeyi elde edilir, bir hiyerarşi oluşur.
  • tipik olarak bir çeşit degrade iniş veya geri yayılma içerir.

Deep LearningComputer Vision (resim veya videodaki nesneleri tanımlama), Konuşma Tanıma (Alexa), Doğal Dil İşleme (Gmail) gibi alanlarda kullanılıyor.

DENETİMLİ, DENETİMSİZ, YARI DENETİMLİ ÖĞRENME

Derin Öğrenme dünyasında, bilgisayar üç yoldan birini öğrenir. Denetimli, Denetsiz ve Yarı Denetimli.

Denetimli Öğrenme

Denetimli Öğrenme, bilgisayarın kendisine verilen bazı verilerden bir şey çıkarmasıdır. Temel matematiğe geri dönelim.

Y = İşlev (X)  

Örneğin, excel’e açın ve A2 tipi = COUNT (A1) bir hücre bulun. COUNT işlevini A1 hücresindeki değeri besliyoruz ve cevabın A2’de olduğu sonucundan çıkarım yapabiliriz.

Amaç, herhangi bir X değeri verildiğinde çok yüksek olasılıklı Y’yi tahmin edebileceğimiz bir fonksiyon tanımlamaktır.

Biz buna denetimli öğrenme diyoruz çünkü verinin işlevi besleme süreci öğrenme sürecini denetleyen öğretmen olarak düşünülebilir. Y’ye doğru cevapları biliyoruz ve X işlevini işleve beslerken yinelediğimiz ve Y tahmininde bulunduğumuz gibi, bir öğretmenin matematik problemini çözen bir öğrencide yaptığı gibi işlevi düzeltiyoruz. Y’nin yüzde tahmini ihtiyaçlarımızı karşılayacak kadar yüksek olduğunda öğrenme durur. Mantıklı olmak ?

Denetimsiz Öğrenme

Gözetimsiz öğrenme ile X eğitimli bir veri setine veya Y fonksiyondan beklenen çıktıya sahip değiliz.

Denetimsiz Öğrenmenin amacı veriler hakkında daha fazla bilgi edinmek için verilerdeki temel örüntüleri bulmak ve modellemektir.

Denetimli öğrenmenin aksine doğru cevaplar yoktur ve öğretmen yoktur. Modeller, verilerdeki kendi ilginç modellerini keşfetmelidir.

Gözetimsiz Öğrenme 2 tür soruna ayrılabilir.

  • Kümeleme : Böyle benzer görüntüleyen müşteriler gibi verilerdeki desenleri, keşfetmek için kullanılır (yani k-ortalamalar) satın alma davranışını.
  • İlişki : (örn. Apriori) X satın alan kişiler de Y satın alma eğiliminde olduğu gibi verilerinizin büyük bölümlerini tanımlayan kuralları keşfetmek için kullanılır.

Yarı Denetimli

Yarı-Gözetimli Öğrenme Problemleri çok miktarda girdi verisine (X) ve sadece bir miktar Y’ye (Y) sahiptir.

Örnek olarak bir fotoğraf kütüphanesi verilebilir. Bir görüntü alt kümesi etiketlenir (örn. Erkek, kadın, köpek veya kedi) ve çoğunluğu etiketlenmez.