Derin Öğrenme Mimarileri (Deep Learning Architectures )
Öncelikle derin öğrenmenin tanımını yaparak başlarsak;
Derin öğrenme, yapay sinir ağları ve insan beyninin işlevlerini taklit eden hesaplama sistemleri kavramına dayanır. Derin öğrenmenin tarihi, Warren McCulloch ve Walter Pitts’in 1943 yılında düşünce sürecini taklit etmek için matematiğe ve sinir mantığı olarak adlandırılan algoritmalara dayalı sinir ağları için bir hesaplama modeli oluşturmalarına uzanmaktadır. Derin öğrenme bir makine öğrenmesi sınıfıdır. Ayrıca yapay sinir ağlarındaki mimariler Şekil 1'de gösterilmektedir.
Derin öğrenme, özellik çıkarma ve dönüştürme için birçok doğrusal olmayan işlem birimi katmanını kullanır. Her ardışık katman, önceki katmandaki çıktıyı girdi olarak kullanır [1]. Algoritmalar denetimli (sınıflandırma gibi) veya denetimsiz (desen analizi gibi) olabilir. Derin öğrenmede, verilerin birden fazla özellik seviyesinin veya temsillerinin öğrenilmesine dayanan bir yapı söz konusudur. Üst düzey özellikler, alt düzey özelliklerden türetilerek hiyerarşik bir temsil oluşturur. Bu temsilde, soyutlamanın farklı seviyelerine karşılık gelen birden çok temsil seviyesini öğrenir [2].
Şekil 1'de verilen yapılar göre,yapay sinir ağlarındaki katman sayılarının artırılmasıyla kurulan çok farklı türde derin öğrenme mimarileri bulunmaktadır. Kullanılan mimariler şu şekilde sınıflandırılabilir :
- Konvolüsyonel Sinir Ağları (Evrişimli Sinir Ağları olarak da bilinir)(Convolutional Neural Networks)(CNN)
- Tekrarlayan Sinir Ağları(Recurrent Neural Networks)(RNN)
- Uzun Kısa Dönemli Bellek(Long / Short Term Memory) (LSTM)
- Boltzman Makinesi(Boltzmann Machines)(BM) ve Kısıtlanmış Boltzmann Makineleri(Restricted Boltzmann Machines) (RBM)
- Derin İnanç Ağları(Deep Belief Networks)(DBN)
- Derin Oto Kodlayıcılar (Denoising Autoencoders)(DAE) ve Oto-Kodlayıcılar(Autoencoders)(AE)
- Markov Zinciri(Markov Chain) (MC)
- Hopfield Ağ Modeli(Hopfield Network) (HN)
- Çekişmeli Üretici Ağlar (Generative Adversarial Networks)(GAN)
- Sıvı Hal Makinesi(Liquid State Machines)(LSM)
- Aşırı Öğrenme Makineleri(Extreme Learning Machines)(ELM)
- Yankı Durumu Ağları(Echo State Networks)(ESN)
- Derin Kalıntı Ağlar(Deep Residual Networks)(DRN)
- Farklılaşabilir Sinirsel Bilgisayar(Differentiable Neural Computers)(DNC)
- Nöral Turing Makinesi(Neural Turing Machines) (NTM)
- Kohonen Ağı(Kohonen Network)(KN)
- Dikkat Ağı(Attention Network)(AN)
- Kapsül Ağı(Capsule Network) (CN)
- Destek Vektör Makinesi (Support Vector Machine)(SVM)
