Derin Öğrenme (DL) vs Makine Öğrenimi (ML): Karşılaştırmalı Bir Kılavuz

İster hevesli bir veri bilimci olun ister yapay zekâdaki son gelişmelere ilgi duyan biri, muhtemelen makine öğrenimi ve derin öğrenme gibi terimleri duymuşsunuzdur. Peki, gerçekte ne anlama geliyorlar? Ve aralarındaki farklar neler? Bu yazıda, bu iki kritik disiplinin benzerliklerini, farklılıklarını, kullanım alanlarını ve faydalarını belirlemek için makine öğrenimi ile derin öğrenmeyi karşılaştırıyoruz.

Yapay Zekâ (AI) nedir?

Bu konuyu daha derinlemesine ele alan kapsamlı bir Yeni Başlayanlar için AI Hızlı Başlangıç Kılavuzu hazırladık. Kısaca özetlemek gerekirse, yapay zekâ (AI), genellikle insan zekâsı gerektiren görevleri gerçekleştirebilen akıllı sistemler oluşturmayı amaçlayan bir bilgisayar bilimi alanıdır. Buna doğal dili anlama, kalıpları tanıma ve karmaşık problemleri çözmek için karar verme gibi şeyler dâhildir.

AI’yı, bilgisayarları akıllı davranır hâle getirmek ve görevleri otomatikleştirmek için kullanabileceğimiz bir araç seti olarak düşünebiliriz. Yapay zekânın kullanım alanları arasında sürücüsüz arabalar, öneri sistemleri ve sesli asistanlar bulunur.

Göreceğimiz üzere, makine öğrenimi ve derin öğrenme gibi terimler, daha geniş bir alan olan makine öğreniminin farklı yönleridir. Konuya daha derin bir bakış için yapay zekâ ve makine öğrenimi arasındaki farklar adlı ayrı rehberimize göz atabilirsiniz. 

Makine Öğrenimi nedir?

AI gibi, makine öğreniminin ne olduğuna dair özel bir rehberimiz var. Özetlemek gerekirse, makine öğrenimi (ML), yapay zekâyı hayata geçirmenin bir yoludur; aslında AI’nın geniş alanı içinde özelleşmiş bir daldır ve AI da bilgisayar biliminin bir dalıdır.

Makine öğrenimi ile, açıkça programlanmadan öğrenebilme yeteneğine sahip algoritmalar geliştiririz. Bu algoritmalar şunları içerir:

• Karar ağaçları
• Naive Bayes
• Rastgele orman
• Destek vektör makinesi
• En yakın komşu (k-NN)
• K-means kümeleme
• Gauss karışım modeli
• Gizli Markov modeli

Peki bilgisayarlar kendiliğinden nasıl öğrenir?

Anahtar, veridir. Algoritmaların analiz edip anlaması için, çeşitli öznitelikler veya özelliklerle tanımlanan veriler sağlarsınız. Bu algoritmalar, verilen veriye dayalı bir karar sınırı oluşturur ve bu sayede tahminler veya sınıflandırmalar yapabilir. Algoritma veriyi işleyip anladıktan—esas olarak kendini eğittikten—sonra test aşamasına geçebilirsiniz. Burada, algoritmaya yeni veri noktaları verirsiniz ve ek bir programlamaya gerek kalmadan sonuçlar elde edersiniz. Örnek:

Diyelim ki konut fiyatlarını tahmin etmek istiyorsunuz. Elinizde, fiyat ve oda sayısı bilgilerini içeren 1000 evlik bir veri kümesi var—bunlar sizin özelliklerinizdir. Göreviniz, bu özellikleri örneğin bir karar ağacı algoritmasına vererek, algoritmanın oda sayısı ile evin fiyatı arasındaki ilişkiyi öğrenmesini sağlamaktır.

Bu senaryoda, oda sayısını girersiniz ve algoritma evin fiyatını tahmin eder. Örneğin test aşamasında oda sayısı için ‘üç’ girdiniz diyelim; algoritma, eğitim verisinde oda sayısı ile fiyat arasındaki ilişkiden öğrendiklerine dayanarak karşılık gelen fiyatı doğru olarak tahmin etmelidir.

Derin Öğrenme nedir?

Derin öğrenme, bilgisayarlar için tıpkı insanlar gibi kalıpları tanıyıp karar verebilecekleri bir öğrenme süreci yapılandırmaya odaklanan, makine öğreniminin bir alt kategorisidir. Örneğin bir bilgisayara farklı hayvanları ayırt etmeyi öğreteceksek, önce bacak sayısı gibi daha basit, temel kavramlarla başlar, ardından yaşam alanları ve davranışlar gibi daha karmaşık kavramları tanıtırız.

Makine öğrenimi alanında derin öğrenmeyi ayıran özellik, üç veya daha fazla katmana sahip sinir ağlarının kullanılmasıdır. Bu çok katmanlı sinir ağları, insan beyninin öğrenme kalıplarını taklit etmeye çalışır ve bilgisayarın çok büyük miktarda veriyi analiz edip öğrenmesini sağlar. Tek katmanlı bir ağ basit tahminler yapabilir; ancak daha fazla katman eklendikçe ağ, daha karmaşık kalıp ve ilişkileri anlayabilir hâle gelir ve tahmin doğruluğu artar.

Derin öğrenme özünde sofistike, çok katmanlı bir filtredir. En üstten ham ve düzensiz veriyi besleriz; veri sinir ağının çeşitli katmanlarından geçerken her seviyede rafine edilir ve analiz edilir. En sonunda, alttan tutarlı, yapılandırılmış bir bilgi parçası veya kesin bir ‘tahmin’ çıkar.

Bu süreç, çoklu soyutlama düzeylerine sahip verileri çözmede mükemmeldir ve görüntü ve konuşma tanıma, doğal dil işleme ve oyun stratejileri geliştirme gibi görevler için vazgeçilmezdir. Telefonlarımızdaki sanal asistanlardan otonom araçların geliştirilmesine kadar birçok yeniliğin belkemiğini oluşturur.

Yukarıdaki şekilden de görülebileceği gibi, bu sığ sinir ağı birkaç katmandan oluşur:

• Girdi katmanı. Bu girdi bir görüntünün pikselleri veya bir zaman serisi aralığı olabilir.
• Gizli katman. Genellikle ağın eğitimi sırasında öğrenilen, ağırlıklar olarak bilinir
• Çıktı katmanı. Son katman, ağa verdiğiniz girdiye ilişkin bir tahmin üretir.

Dolayısıyla sinir ağı, gizli katmanlardaki parametreleri (ağırlıkları) öğrenmeye çalışan bir yaklaşıklama fonksiyonudur; bu ağırlıklar girdilerle çarpıldığında, istenen çıktıya yakın bir tahmini çıktı verir.

Derin öğrenme, girdi ve çıktı katmanı arasına birden fazla böyle gizli katman yığılmasıdır; adı da buradan gelir.

Derin Öğrenme vs Makine Öğrenimi: Temel Benzerlikler ve Farklar

İşleyiş

Belirttiğimiz gibi, derin öğrenme, verileri analiz etmek ve akıllı kararlar almak için çok katmanlı yapay sinir ağları kullanan, makine öğreniminin uzmanlaşmış bir alt kümesidir. Veriyi daha derinlemesine analiz eder; bu nedenle "derin" olarak adlandırılır ve daha incelikli, sofistike içgörüler sağlar. Buna karşılık, derin öğrenimi de kapsayan makine öğrenimi, veriden öğrenebilen ve buna dayalı tahmin veya kararlar verebilen algoritmalar geliştirmeye odaklanır; bu amaçla sinir ağları dâhil olmak üzere çeşitli yöntemler kullanır.

Özellik çıkarımı

Derin öğrenme, ham veriden anlamlı özellikleri kendiliğinden çıkarır. Bu bağlamda “özellik”, gözlemlenen olgunun tekil ve ölçülebilir bir özelliğidir. Derin öğrenme, ham veriyi özetlemenin önceden tanımlanmış yolları olan yerel ikili örüntüler veya gradyan histogramları gibi elle programlanmış özellik çıkarım yöntemlerine dayanmaz. Bunun yerine, eldeki görevi başarmak için en yararlı özellikleri, basit olanlardan başlayıp giderek daha karmaşık temsilleri öğrenerek keşfeder. Geleneksel makine öğrenimi ise çoğu zaman bu el yapımı özelliklere dayanır ve en iyi performans için özenli mühendislik gerektirir.

Veri bağımlılığı

Derin öğrenme modelleri veri iştahlıdır; bol veriye eriştiklerinde daha iyi performans gösterirler. Buna karşın, birçok makine öğrenimi algoritması daha küçük veri kümeleriyle bile tatmin edici sonuçlar verebilir. Bu, özellikle veri erişiminin sınırlı olduğu durumlarda yöntem seçerken hevesli veri bilimcilerinin dikkate alması gereken önemli bir noktadır.

Yukarıdaki şekilden de görülebileceği gibi, veri arttıkça derin öğrenme algoritmalarının performansı artmaya devam ederken, geleneksel makine öğrenimi algoritmalarında veri artsa bile performans bir süre sonra neredeyse doygunluğa ulaşır.

Hesaplama gücü

Derin öğrenme, büyük veri hacmi ve derinliği (sinir ağlarındaki katman sayısı) nedeniyle genellikle Grafik İşlem Birimleri (GPU’lar) tarafından sağlanan ileri düzey hesaplama yetenekleri gerektirir. Geleneksel makine öğrenimi algoritmaları ise çoğu zaman standart Merkezi İşlem Birimleri (CPU’lar) ile çalıştırılabilir; bu da onları veri bilimine yeni başlayanlar için daha erişilebilir kılar.

Eğitim ve çıkarım süresi

Bir derin öğrenme ağını eğitmek oldukça uzun sürebilir; bazen ayları bulabilir. “Eğitim”, modele doğru tahminler yapmayı öğretmek için veri sağlama sürecidir. Model eğitildikten sonra tahmin yapmasının aldığı süre olan “çıkarım süresi” de, modellerin karmaşıklığı nedeniyle derin öğrenmede kayda değer olabilir. Buna karşılık, geleneksel makine öğrenimi algoritmaları genellikle daha hızlı eğitim sürelerine ve değişken çıkarım sürelerine sahiptir.

Problem çözme tekniği

Makine öğreniminde bir problemi çözmek, onu parçalara ayırıp her bir parçaya özgü algoritmalar uygulamayı içerir. Örneğin bir görüntüdeki nesneleri tanımak, önce nesneleri bulmayı, sonra da onları tanımlamak için bir algoritma uygulamayı gerektirebilir. Derin öğrenmede ise ağ, her iki görevi birlikte yapmayı öğrenir ve daha bütünleşik, bütüncül bir çözüm sunar.

Sektörel kullanım

Makine öğrenimi algoritmaları, yorumlanabilirlikleri sayesinde çeşitli sektörlerde yaygın olarak kullanılır. Ancak derin öğrenme modellerinin belirli görevlerdeki üstün performansı, bazen “kara kutu” doğaları nedeniyle gölgede kalır; özellikle sağlık veya finans gibi modelin nasıl karar verdiğinin önemli olduğu durumlarda daha az tercih edilirler.

Çıktı

Makine öğrenimi tipik olarak sayısal değerler, puanlar veya sınıflandırmalar şeklinde çıktılar üretirken, derin öğrenme metin ve konuşma dâhil daha çeşitli çıktılar üretebilir; bu da doğal dil işleme ve konuşma tanıma gibi alanlarda daha esnek çözümler sunar.

Makine Öğrenimi vs Derin Öğrenme: En Uygun Kullanım Alanları

Makine öğrenimi ve derin öğrenme, her birinin kendine özgü gereksinim ve zorlukları olan çok çeşitli alanlardaki uygulamaların bel kemiğidir. İşte, her birini ne zaman kullanacağınıza dair daha ayrıntılı bir inceleme ve örnekler:

1. Tıp alanı

• Kullanım durumu. Kanser hücresi tespiti, beyin MR görüntülerinin restorasyonu ve gen yazdırma.
• Tercih. Hem makine öğrenimi hem derin öğrenme.
• Gerekçe. Makine öğrenimi, yapılandırılmış verileri analiz etmeye uygundur ve hasta kayıtlarına dayalı tanısal tahminlerde kullanılabilir. Derin öğrenme, görüntü ve konuşma tanımada üstün olduğundan tıbbî görüntülerin yorumlanması ve nörolojik değerlendirmeler için hastanın konuşma kalıplarının analizinde idealdir.

2. Belge analizi

• Kullanım durumu. Tarihî belge görüntülerinin süper çözünürlükle iyileştirilmesi ve belge görüntülerinde metin bölütleme.
• Tercih. Derin öğrenme.
• Gerekçe. Özellikle Evrişimsel Sinir Ağları (CNN’ler) görsel veriyi işleme konusunda yetkindir ve tarihî belgelerden karmaşık kalıp ve özellikler çıkarabilir; bu da görüntü süper çözünürlüğü ve metin bölütleme gibi görevler için uygundur.

3. Bankacılık sektörü

• Kullanım durumu. Hisse senedi tahmini ve finansal karar verme.
• Tercih. Makine öğrenimi.
• Gerekçe. Regresyon ve karar ağaçları gibi makine öğrenimi modelleri, sayısal ve yapılandırılmış verileri analiz etmede etkilidir; bu da hisse fiyatlarını tahmin etmek ve finansal karar süreçlerine destek olmak için uygundur.

4. Doğal Dil İşleme (NLP)

• Kullanım durumu. Öneri sistemleri (Netflix’in kullanıcıların ilgi alanlarına göre film önermesi gibi), duygu analizi ve fotoğraf etiketleme.
• Tercih. Hem makine öğrenimi hem derin öğrenme.
• Gerekçe. Makine öğrenimi, öneri sistemleri için kullanıcı davranışları ve tercihlerini analiz etmede etkilidir; derin öğrenme ise duygu analizi gibi görevlerde insan dilini anlamada ve üretmede güçlüdür.

5. Bilgi erişimi

• Kullanım durumu. Google, Amazon, Facebook, LinkedIn vb. tarafından kullanılan metin ve görsel arama motorları.
• Tercih. Hem makine öğrenimi hem derin öğrenme.
• Gerekçe. Makine öğrenimi algoritmaları arama motorlarındaki sorguları verimli şekilde işleyebilirken, özellikle CNN’ler görsel tanıma ve analizde yetkindir; bu da arama motorlarının görsel arama yeteneklerini geliştirir.

Karar Kriterleri:

Makine Öğrenimi mi yoksa Derin Öğrenme mi kullanacağınıza karar verirken şu hususları göz önünde bulundurun:

• Veri erişimi. Derin öğrenme geniş veri miktarı gerektirir; veri kümeniz küçükse makine öğrenimi daha uygun olabilir.
• Hesaplama gücü. Derin öğrenme modelleri genellikle GPU’lar tarafından sağlanan yüksek hesaplama gücü gerektirir. Kaynaklar sınırlıysa, CPU’larda çalışabilen makine öğrenimi modelleri daha uygulanabilir olabilir.
• Görev karmaşıklığı. Daha basit görevler ve yapılandırılmış veriler için makine öğrenimi modelleri çoğu zaman yeterlidir. Görseller veya doğal dil gibi yapılandırılmamış verileri içeren daha karmaşık görevler için derin öğrenme daha uygundur.
• Yorumlanabilirlik. Modelin karar verme sürecini anlamanın kritik olduğu senaryolarda, makine öğrenimi modellerinin yorumlanabilirliği, derin öğrenme modellerinin “kara kutu” doğasına karşı bir avantaj sağlar.

Makine öğrenimi ve derin öğrenmenin farklı senaryolardaki güçlü ve zayıf yönlerini anlayarak, hevesli veri bilimciler kendi ihtiyaç ve kısıtlarına en uygun yaklaşımı bilinçli biçimde seçebilir.

Sonuç

Bu kılavuzda, yapay zekânın (AI) iki kilit alt kümesi olan makine öğrenimi (ML) ve derin öğrenmenin (DL) karmaşık dünyalarında yol aldık. Temel kavramları, ayırt edici özellikleri ve günümüzün teknoloji odaklı dünyasında her birinin barındırdığı sayısız uygulamayı inceledik. Algoritmaların inceliklerini anlamaktan tıp ve doğal dil işleme gibi farklı alanlardaki en uygun kullanım durumlarını ayırt etmeye kadar, AI alanına adım atan meraklılar için netlik ve içgörü sunmaya çalıştık.

Bu keşif, AI’nın engin ve sürekli gelişen dünyasına yalnızca bir bakıştır. Öğrenme ve keşif yolculuğu kapsamlıdır ve keşfinizi bekleyen sayısız nüans ve boyut içerir. Daha derine inmek ve bilginizi genişletmek isteyenler için Python ile Derin Öğrenme yetkinlik yolumuzu şiddetle öneririz.