Deep Learning ( Derin Öğrenme ) Nedir?

• derin öğrenme ypaay sinir ağalrının haliyle yapay zekanı bir alt dalıdır
• aslında çok katmanlı yapay sinir ağlarına verilen isimdir.
• büyük miktarda veri ile çalışmak için ideal bir yapıdadır. *şu anda ypay zeka ile ypaılan çalışmaların büyük bölümü derin ağlar ileyapılmaktadır.
• yapay sinir ağlarında olan epştşim öğrenme test gibi kavramların tamamı ve daha faszlası derin öğrenmeye transfer olmuştur
• makine öğrenmesinin büyük veri karsısındaki başarımınn istenilen seviyelerde omamasından dolayı 2010 yılından itibaren derin öğrenme ile ilgili çalışmalar hız kazanmıştır.

Derin Öğrenme Teknik Meseleler

• derin öğrenme mimarisi bir yapay sinir ağıdır o yüzden bunları birbirine raki olarak değilde çok iyi bir gikrin dajice gelişirilmiş hali olarak tanımlamalı.
• klasik yapay sinir ağı giriş ve çıkış katmanları arasına 1 2 g,zli katman varken derin ağlarca bu sayı binlerce onlarca seviyesinde olabilmektedir.
• gizi katmanların önemini kabaca anlatmak fgerkeirse 1 2 gizli katman kış ve insanu birbriniden ayırt wedevilrken biraz daha gizli katman koyduğunda kışların alt familyasını ayırt eder daha da eklersen cinslerini daha da eklersen türleri ayırtadebekirsin.
• ancak unutulmamalıdır ki her katman sistem kaynaklaru öin fazladan yüktür
• o yüzden katman dengelemesi iy yapılmalıdr
• katman sayısı artıkça performans kritine göre başarım artar gibi bir genelleme yoktur
• genel presibimz basit düşün basitle başla.
• tek bir doğru yoktur doğruya ulaşılabilecek bir çok yol vardır.

Peki derin öğrenme için neden bu kadar beklendi

• a) yetersiz veri setleri
• b) birçok matematiksel hesala ve fonksi,yonun yetresiz kalması
• c) donanısal yetersizlikler ( düşük ram, düşük cpu dar veriyolları GPU)

Derin öğrenme nasıl çalsıır?

• derin öğrenme bir çok katmanlı yapay sinir ağlarıdır
• giriş katmanı gizli katmanlar ve çıkış katmanı vard geri besemeli olarka ağırlıkları geriye doğrı giderek değiştirlme yöneti ile çalısır
• ödül ceza yöntemine göre ağırlıklar değiştirlerek model dengelerinir
• diğer özelikleri yapay sinir ağları ile benzerlik göstermektedir.
• çok fazla hidden layer ( derinlik buradan geliyor ) bir yapay sinir ağıdır.
• ilk olarak rastgele ağırlıklar verilerek katmanlar oluştururlurç
• daha sonra gerçek veriler katmanlardan geçerek tahmin değerlerini ortaya çıakrır
• gerçek hedefler tahminlerle birlikte kayıp fonksyunna eklenerek bir akyıp ğunaı belirlenir ve bu kayıp puanına göre optimize edici fonksiyon ile ağrılıklar yeniden hesaplanur
• kayıp skorunu loss skorunu en düşük olduğu yere kadar işlemler tekrarlanır.

Derin öğrenmede eğitim aşaması

• sıfıran öğrenme: ağırlıklar rastgele alnarak sıdıedan model eğitimi yspılır. Daha uzun eğitim zamanı gerektiri
• transfer learning bnenzer bir problemin çözümüne yönelik bir modelin mimarisi parametreleri ve ağırlıklarını kendi problemimizin çözümü için aktarılması udurmudur7
• özellik çıkarımı sınıflandırma regreasyon amaçlar aolmadan sadece verisetine ait özelik çıkarma işlemidir.

Bazı derin öğrenme mimarileri

• CNN: Convolutional Neural Network
• RNN: Recurrent Neural Network
• LSTM: Long Short Term Memory
• GAN: Generative Adversarial Network
• VAE: Variational Autoencoder
• Transformer
• BERT: Bidirectional Encoder Representations from Transformers
• GPT: Generative Pre-trained Transformer

Convolution ( Evrişim ) Nedir?

• matematikte ve özellike fonksiyonel analizde konvolüsyon ya da evrişim bir fonksiyon şeklinin başka fonksiyon tarafından nasıl modifiye edildiğini göster bir integral işlemdir. bi f ile fonksiyonun konvolüsoynu .(f*g) ile gösteririz.
• Convolution * ile ifade edilir.

Kernel and Filter

• görüntü işlemede kerneller convolution blur işlemi edge işlemleri ve keskinleştirme gibi işlemler için kullanılan matrislerdir.
• Genellikle 3x3, 5x5, 7x7 gibi matrisler şeklinde kullanılır.

Convolutional Neural Network ( CNN ) Nedir?

• Convolutional Neural Network (CNN) bir tür derin öğrenme mimarisidir.
• genellikle örüntü işleme işlemlerinde kullanul bir ferin öğrenme modelimidr
• konvolüsyon evrişim katmanları ile çalışır.

Genel CNN Mimarisi

• CNN mimarisi genellikle aşağıdaki katmanları içerir:
  • Giriş Katmanı: Görüntü verisinin alındığı katmandır.
  • Konvolüsyon Katmanı: Görüntü üzerinde konvolüsyon işlemi yaparak özellik haritaları oluşturur.
  • Aktivasyon Katmanı: Genellikle ReLU (Rectified Linear Unit) gibi aktivasyon fonksiyonları kullanılır.
  • Havuzlama Katmanı: Özellik haritalarını boyutlandırmak ve önemli bilgileri korumak için kullanılır.
  • Tam Bağlantılı Katman: Sonuçları sınıflandırmak için kullanılır.
  • Çıkış Katmanı: Son sınıflandırma sonuçlarını verir.

Genel CNN Mimarisi ( Instructor notes )

• Convolution Layer - özellik çıkarma için kullanılır
• non-linearity - sisteme doğrusal olmayanlığın tanıtılması için kullanılır. aktivasyon fonksiyonları kullanılır
• pooling (downsampling) layer - ağırlık sayısını azaltır ve uygunluğu kontrol edr
• flattening layer - klasik sinir ağı için veirleri hazrlar. matris alır ve vektöre çevirir
• fully connected layer - sınıflandırmada kullanılan standart sinir ağı

Convolution Layer

• konvolüsyon katmanı, görüntü üzerinde kaydırılan bir filtre (kernel) kullanarak özellik haritaları oluşturur.
• görüntüye ayırt edici özellikler çıkarabilmek için filtrefeer uygulanır
• bu filtreleri uygulanken matris çarpımı yerine matematikteki evrişim convolution işlemi uygulanır
• uygulnan filtrenin sonuna ortaya çıkar tabloya Feature map adı verilir
• CNN'in temel yapı taşını oluşturur.

Non-linearity ( Aktivasyon Fonksiyonları )

• bu katman aktivasyon aktmanı olarak tanımlanır
• hyapay sinir ağlarında kullanılan tanh sigmiod relu vb birçok aktivason fonksiyonaları bu katmanda kullanılmaktadır
• önceki yıllarda tanh ve sigmoid kullanısalda günümüzse relu ve türevleri kullanılmaktadır
• bunun en büyük sebeibi relu nun performans olarak diğer aktivasyon fonksiyonlarında daha hızlı çalışmasıdırç
• Relu Fonksiyonu: f(x) = max(0, x)

Pooling Layer - Havuzlama Katmanı

• havuzlama katmanı, özellik haritalarını boyutlandırmak ve önemli bilgileri korumak için kullanılır.
• Convolution layerdan sonra sıkla eklenen bir katmandır
• amacı vonvolution layerden sonra oluşan tabloyu özgün bir şekilde minimize etkmektedir
• yani gerkesiz özellikler yok sayılır ve işlem gücünden tasarıf sağlanır
• en çok kullanılan pooling max pooling dir
• max pooling belirlenen sizeleradki matrislere denk gelen kısımlardaki en büyük sayıyı bulup başka bir tabloya işlemektedir
• max pooling dışında average pooling ve min pooling gibi havuzlama türleri de vardır

Flattening Layer - Düzleştirme Katmanı

• matris in vektörleştirildiği yani düzleştirildiği katmandır
• bu katmanın görevi sonraki katmanda olan fully connect yapay sinir ağına işleyebbilecğei veriler oluşturmakır
• yapay sinir ağı yapısı gereği tek boyutlu dizlilerle yani vektörlerle çalısır
• bu katman matris olarak glen veriler düzleştirerek vektör haline getirip bir sobraki katmana hazır hale getirir.

Fully Connected Layer - Tam Bağlantılı Katman

• mimarinin son bölümüdür
• bu bölüm klasik yapay sinir ağında oluşmuştur
• en son layer ı vcalssification yapılan kısmdır
• dropout ve batch normalization fully connect layer da uygulanmaktadır
• genellikle son aşamasında aktivasyon fonkisyonu olarak softmax uygulanmaktadır.

Dropout

• bazrn fully connect bölümü moldei overfitting olmaya zorlar
• bunu önüne geçemk için bazı bağlantıarın unutuup ağın yeibden eğitilmesi gerekbilir
• dropput ile bazı bağklantılar silinir ve fully connect özelliği kaldırılır
• bu tip durumlarda dropout kullanılır
• fine tning için 0.5 ten başlayarak yaval yaval değer azakktılabilir
• sistem stabil olduğunda değer azaltması durdurulur.

Batch Normalization

• batch normalization, her bir katmanın çıktısını normalize ederek ağı daha hızlı ve daha stabil hale getirir.
• aslında verielr preprocesisng sürecinde normlize edelir
• ancak conv sürecinde dağılm bozukluğu olabilir bu da eğtiim huzu ve kararlığını etkileyebilir
• fully connect bölümünde batch normlization işlemi ile veriler yeniden dengeli hale getireileiblir
• bu işlem sistemin öğrenme hızını ve stabilitesini olumlu yönde etkilemektedir
• kullanıldığında loss değerlribin düstüğ ügözlemlenmiştir