Sinir Ağları ve Derin Öğrenme — I

Derin öğrenme hakkında ki çalışmalarımdan notları bu dizide paylaşmayı hedefliyorum. Umarım faydalı olur.
Derin öğrenmeyi standart makine öğrenmesi uygulamalarından ayıran en temel fark kaliteli sonuç için çok büyük verilere ihityaç duyuyor olması. Yani aslında derin öğrenme için çok katmanlı sinir ağı diyebiliriz. Daha fazla veri setine ihtiyacı vardır. Derin öğrenme bir roketse, bu roketin yakıtı veridir.

Bu grafik ev fiyat tahmini yapabilmek için verilerin gösteriminin yapıldığı bir dağılım grafiğidir. Evin boyutu arttıkça fiyatın arttığını görebilirsiniz.

Bir ev seçerken dikkat edilen bir kaç unsur vardır. Çevresinde ki okulların kalitesi, alım gücünüz, oda sayısı, işinize yürüme mesafesi vb. unsurlar. Bu unsurlar bizim girdilerimizi oluşturuyor.

Bu sinir ağı modelinde “girdi”leriniz Boyut, Oda sayısı, Alım gücü ve Muhittir. Bu girdiler 2 katmanda kıyaslamalar yapılarak “çıktı” olarak size bir fiyat vermektedir.

Denetimli Öğrenme ve Sinir Ağları
Her problemde sadece tek bir sinir ağı modeli kullanılmaz. Veriler beklenmeyen değişkenlikler gösterebilir. Aşağıda bazı veriler ve bu verilerin sınıflandırılması için kullanılan ağ modelleri karşılarında verilmiştir.

Yapılandırılmış ve Yapılandırılmamış Veri
Kullanıcıların bilgileri ve onların reklama tıklama durumları yada evlerin boyutları ve bu evlerin fiyatları, bunlar yapılandırılmış verilerdir. Fakat, bir ses dosyası veya bir resim dosyası yapılandırılmamış veridir.

Ör : Bir ses dosyasında ki frekanslar sürekli değişkenlik gösterir ve bu değişkenliğe ayak uydurabilecek yani kendini tekrarlayabilecek bir sinir ağına ihtiyaç duyarsınız.

Derin öğrenmede veri çok önemlidir. Büyük katmanlara sahip bir sinir ağında daha fazla performans alabilirsiniz.

Donanımlar her geçen gün gelişiyor ve bu verileri işlemek artık eskiye nazaran daha kolay. Bu yüzden gamer’lara ve bitcoin madencilerine teşekkürler :)