Derin öğrenme, bilgisayarları insanlara doğal olarak gelen şeyleri yapmasını öğreten bir makine öğrenme tekniğidir: örneklerle öğren. Araçsız araçların arkasındaki önemli bir teknolojidir. Bu sayede, bir durma işaretini tanımalarını veya bir yayayı bir elektrik direğinden ayırt etmelerini sağlar. Telefonlar, tabletler, televizyonlar ve eller serbest hoparlörler gibi tüketici cihazlarında ses kontrolünün anahtarıdır. Son zamanlarda ve iyi bir sebepten dolayı çok fazla ilgi görüyor. Daha önce mümkün olmayan sonuçlara ulaşıyor.
Bir bilgisayar modeli, sınıflandırma görevlerini doğrudan görüntülerden, metinlerden veya sesten gerçekleştirmeyi öğrenir. Derin öğrenme modelleri, bazen insan seviyesinde performansı aşan, son teknoloji doğruluğu sağlayabilir. Modeller, çok sayıda katman içeren büyük bir etiketli veri seti ve sinir ağı mimarileri kullanılarak eğitilmiştir.
Derin öğrenme böyle etkileyici sonuçlara nasıl ulaşır?
Tek kelimeyle doğruluk, her zamankinden daha yüksek seviyelerde tanıma doğruluğunu sağlar. Bu, tüketici elektroniğinin kullanıcı beklentilerini karşılamasına yardımcı olur ve şoförsüz arabalar gibi güvenlik açısından kritik uygulamalar için çok önemlidir. Derin öğrenme alanındaki son ilerlemeler, derin öğrenmenin insanların resimlerdeki nesneleri sınıflandırmak gibi bazı görevlerde geride bıraktığı noktaya kadar gelişmiştir.
İlk olarak 1980’lerde kuramsallaştırılırken, ancak son zamanlarda yararlı hale gelen iki ana sebep vardır:
Büyük miktarda etiketli veri gerektirir. Örneğin, sürücüsüz otomobil gelişimi milyonlarca görüntü ve binlerce saat video gerektirir. Büyük hesaplama gücü gerektirir. Yüksek performanslı GPU’lar, derin öğrenim için verimli bir paralel mimariye sahiptir. Kümeler veya bulut bilişim ile birleştirildiğinde, bu, geliştirme ekiplerinin haftalarca ya da daha az bir süre boyunca derin bir öğrenme ağı için eğitim süresini kısaltmasını sağlar.
Kaynak: https://www.mathworks.com/discovery/deep-learning.html
0 yorum