En basit anlatımla derin öğrenmeyi, makine öğrenmesinin daha ileri ya da gelişmiş hali olarak tanımlayabiliriz. Özellikle derin öğrenmeyi ön plana çıkartan faktör, büyük veri biliminin makine öğrenmesinin geliştirilmesinde aktif kullanılmasının bir sonucudur. Büyük veri biliminden beslenen makine öğrenmesi, yapay zekâ aplikasyonunun bir sonraki evresi görünümündeki derin öğrenme boyutuna analiz edilmiş birden fazla veriyi Grafik İşlemci Üniteler- GPU vasıtasıyla görüntülü sınıflandırma yapabilmesi, konuşma tanıma, görüntü tanıma, dil öğrenme gibi özellikleri ile geçmiş ve farkındalık yaratmıştır.

Büyük miktarda elde edilen verilerden saptama yapabilme kabiliyetine sahip akıllı sistemler oluşturmak için derin sinir ağlarının kullanılması şeklinde ortaya çıkan derin öğrenme teknolojisi çok büyük miktarda veri ile GPU (Graphics Processing Units) hesaplama ile elde edilen güçlü ve eş zamanlı hesaplamalarla daha kısa sürelerde daha eğitimli makine öğrenmesi uygulamalarını derin öğrenme noktasında geliştirilmekte ve kullanılmaktadır

Derin öğrenmenin gücü sisteme verilen veri miktarına paralel olarak artıyor. Az miktarda veri ile makine öğrenmesi çözümleri ile birçok problemin çözülmesi mümkün iken, çok miktarda girilen veriler karşısında makinenin isabetli kararlar veya sonuçlara yapay zekâ-derin öğrenme dijital teknoloji uygulaması ile ulaştığını görüyoruz. Derin öğrenme için gerekli olan büyük verinin analizi için daha fazla işlemci gücünü devreye sokmak gerekiyor. Bu nedenle de süper bilgisayar kullanımı gündeme geliyor. Dolayısıyla, basit bir makine öğrenmesi aplikasyonu yerine derin öğrenme uygulamalarına geçildiği anda şirket içinde büyük veri ve süper bilgisayar alt yapı yatırımlarına yatırım yapmak gerekiyor.

Makine öğrenmesi ve derin öğrenme arasındaki fark çok farklı teknolojik çözümlerden ziyade yazılım mühendisliği, işlem hacmi, işlem gücü ve veri miktarından dolayı ölçek konusudur. Esas itibariyle gerek makine öğrenmesi gerek derin öğrenme veri girdisinden çıktılara kadar uzanan bir gözetimli öğrenim sistemi olarak tanımlayabileceğimiz bir dijital teknolojidir. Örnek, girdi olarak “ses kaydı” ve çıktı olarak bir “metin” elde ediyorsak bu işlemin uygulama sahası “konuşma tanıma”dır. Bir diğer örnek, bir müşterinin geçmişteki “satın alma” verilerini sisteme girersek, çıktı olarak gelecekteki olası “alışveriş hareketlerini/tercihlerini” tahmin edebiliriz. Bu işlemin uygulamada tanımlanması ise “müşterinin elde tutulması/müşteri sadakati”dir. Bir başka örnek, girdi olarak “yüzleri”, çıktı olarak da “isimler” elde ediyorsak, bu uygulamanın adı “yüz tanıma”dır. Örnekleri çoğaltabiliriz, girdi “geçmişteki piyasa verileri”, çıktı “gelecekteki piyasa verileri” ise yapay zekâ uygulama alanı veya nihai teknoloji ürünü “alım-satım robotları”dır.   

Avatar
Adınız
Yorum Gönder
Kalan Karakter:
Yorumunuz onaylanmak üzere yöneticiye iletilmiştir.×
Dikkat! Suç teşkil edecek, yasadışı, tehditkar, rahatsız edici, hakaret ve küfür içeren, aşağılayıcı, küçük düşürücü, kaba, müstehcen, ahlaka aykırı, kişilik haklarına zarar verici ya da benzeri niteliklerde içeriklerden doğan her türlü mali, hukuki, cezai, idari sorumluluk içeriği gönderen Üye/Üyeler’e aittir.