Garfield
YZF Admin
Makine öğrenmesi, veriden örüntü öğrenen yöntemlerin genel adıdır; derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağlarını kullanan özel bir alt dalıdır. Bu nedenle doğru ilişki “Her derin öğrenme yöntemi makine öğrenmesidir; ancak her makine öğrenmesi yöntemi derin öğrenme değildir” şeklindedir. Küçük ve düzenli tablolarda klasik makine öğrenmesi daha pratik olabilirken, görüntü, ses ve metin gibi karmaşık verilerde derin öğrenme daha güçlü sonuç verebilir; bunun karşılığında daha fazla veri, hesaplama gücü ve ayarlama gerektirebilir.
Makine öğrenmesinde bilgisayara her kuralı tek tek yazmak yerine örnekler verilir. Model, bu örneklerdeki ilişkileri öğrenerek daha önce görmediği girdiler için tahmin üretir. Örneğin bir e-posta sınıflandırıcısına geçmiş iletiler ve bunların “istenmeyen” veya “normal” etiketleri verilebilir. Model, yeni bir iletinin hangi sınıfa daha yakın olduğunu tahmin eder.
Derin öğrenmede bu öğrenme işlemi, birden fazla katmandan oluşan yapay sinir ağlarıyla yapılır. Katmanlar, ham veriden giderek daha karmaşık özellikler çıkarmayı öğrenebilir. Bir görüntüde önce kenarlar, sonra şekiller, daha sonra nesne parçaları ve sonunda nesnenin kendisi ayırt edilebilir. Bu özelliklerin çoğunu insanın önceden tanımlaması gerekmez.
Buradaki “derinlik”, sinir ağında giriş ile çıkış arasında bulunan öğrenilebilir katmanların sayısının fazla olmasını ifade eder. Derinlik tek başına modelin doğru veya üstün olduğu anlamına gelmez. Veri kalitesi, problem türü, model mimarisi, eğitim ayarları ve değerlendirme yöntemi sonucu doğrudan etkiler.
Örneğin bir model eğitim verisinde çok başarılı olup yeni verilerde kötü sonuç verebilir. Bu durum aşırı öğrenme olarak adlandırılır. Model, genel örüntüyü öğrenmek yerine eğitim örneklerindeki ayrıntıları ezberlemiş olabilir. Derin öğrenme modelleri kadar klasik makine öğrenmesi modelleri de bu sorunla karşılaşabilir.
Seçim yaparken yalnızca “derin öğrenme daha yeni” veya “daha karmaşık model daha iyidir” varsayımına güvenmeyin. Veri miktarı, verinin biçimi, açıklanabilirlik ihtiyacı, çalışma maliyeti ve beklenen doğruluk birlikte değerlendirilmelidir.
Tablodaki ayrım kesin bir kural değildir. Örneğin derin öğrenme tablo verilerinde de kullanılabilir; fakat veri azsa veya kararın nedenini açıkça göstermek gerekiyorsa daha basit bir yöntem daha uygun olabilir. Benzer şekilde klasik makine öğrenmesi görüntü ve metin üzerinde kullanılabilir, ancak ham veriden anlamlı özellikleri elle çıkarmak daha fazla çalışma gerektirebilir.
Varsayımsal olarak, bir şirketin müşterilerin aboneliğini yenileyip yenilemeyeceğini tahmin ettiğini düşünün. Girdi olarak müşterinin kullanım süresi, aylık ödeme tutarı, son giriş tarihi ve destek talebi sayısı verilsin. Çıktı, “yenileyecek” veya “yenilemeyecek” sınıfı olabilir.
Bu tür düzenli sütunlardan oluşan bir veri kümesinde lojistik regresyon, karar ağacı veya başka bir klasik makine öğrenmesi yöntemiyle başlanabilir. Model, geçmiş müşterilerin bilgileri ile gerçek sonuçlarını karşılaştırarak yeni müşteri için örneğin “yenileyecek: yüzde 78 olasılık” biçiminde tahmin üretebilir. Bu yüzde, modelin tahmin güvenini ifade eder; müşterinin kesin olarak yenileyeceğini kanıtlamaz.
Aynı yaklaşımda derin öğrenme ağı da kurulabilir. Ancak veri miktarı sınırlıysa, daha karmaşık modelin kullanılması otomatik olarak daha iyi sonuç vermez. Eğitim ve test sonuçlarını ayrı değerlendirmek, yeni verideki performansı ölçmek ve yanlış pozitif ile yanlış negatif hatalarının maliyetini karşılaştırmak gerekir. Sonuçlar beklentiyi karşılamıyorsa önce veri kalitesi, etiketlerin doğruluğu ve değerlendirme yöntemi kontrol edilmelidir; yalnızca modeli büyütmek sorunu çözmeyebilir.
Veriniz çoğunlukla tablo biçimindeyse, veri miktarı sınırlıysa ve kararın açıklanması önemliyse klasik makine öğrenmesi modelleriyle başlamak genellikle daha ölçülü bir seçimdir. Görüntü, ses veya metin gibi ham ve karmaşık verilerle çalışıyor, yeterli eğitim verisine ve hesaplama kaynağına sahipseniz derin öğrenmeyi değerlendirebilirsiniz.
En sağlıklı yaklaşım, aynı doğrulama düzeniyle birkaç uygun modeli karşılaştırmaktır. Kazanan model yalnızca doğrulukla değil; hata türleri, eğitim maliyeti, tahmin süresi, bakım gereksinimi ve kararın açıklanabilirliğiyle birlikte seçilmelidir.
Aralarındaki temel ilişki
Makine öğrenmesinde bilgisayara her kuralı tek tek yazmak yerine örnekler verilir. Model, bu örneklerdeki ilişkileri öğrenerek daha önce görmediği girdiler için tahmin üretir. Örneğin bir e-posta sınıflandırıcısına geçmiş iletiler ve bunların “istenmeyen” veya “normal” etiketleri verilebilir. Model, yeni bir iletinin hangi sınıfa daha yakın olduğunu tahmin eder.
Derin öğrenmede bu öğrenme işlemi, birden fazla katmandan oluşan yapay sinir ağlarıyla yapılır. Katmanlar, ham veriden giderek daha karmaşık özellikler çıkarmayı öğrenebilir. Bir görüntüde önce kenarlar, sonra şekiller, daha sonra nesne parçaları ve sonunda nesnenin kendisi ayırt edilebilir. Bu özelliklerin çoğunu insanın önceden tanımlaması gerekmez.
“Derin” neyi ifade eder?
Buradaki “derinlik”, sinir ağında giriş ile çıkış arasında bulunan öğrenilebilir katmanların sayısının fazla olmasını ifade eder. Derinlik tek başına modelin doğru veya üstün olduğu anlamına gelmez. Veri kalitesi, problem türü, model mimarisi, eğitim ayarları ve değerlendirme yöntemi sonucu doğrudan etkiler.
Örneğin bir model eğitim verisinde çok başarılı olup yeni verilerde kötü sonuç verebilir. Bu durum aşırı öğrenme olarak adlandırılır. Model, genel örüntüyü öğrenmek yerine eğitim örneklerindeki ayrıntıları ezberlemiş olabilir. Derin öğrenme modelleri kadar klasik makine öğrenmesi modelleri de bu sorunla karşılaşabilir.
Hangi durumda hangisi daha uygundur?
Seçim yaparken yalnızca “derin öğrenme daha yeni” veya “daha karmaşık model daha iyidir” varsayımına güvenmeyin. Veri miktarı, verinin biçimi, açıklanabilirlik ihtiyacı, çalışma maliyeti ve beklenen doğruluk birlikte değerlendirilmelidir.
| Ölçüt | Klasik makine öğrenmesi | Derin öğrenme |
|---|---|---|
| Veri miktarı | Az veya orta miktardaki yapılandırılmış verilerde sıkça uygundur. | Genellikle daha büyük veri kümelerinden daha fazla yararlanır. |
| Özellik çıkarma | Yaş, fiyat, kelime sayısı gibi özellikler çoğu zaman önceden hazırlanır. | Özelliklerin önemli bir bölümünü model kendisi öğrenebilir. |
| Veri türü | Tablolar, ölçümler ve sınıflandırılmış kayıtlar için güçlü bir seçenektir. | Görüntü, ses, video ve doğal dil gibi karmaşık verilerde öne çıkabilir. |
| Hesaplama ihtiyacı | Çoğu model daha düşük donanım gereksinimiyle eğitilebilir. | Eğitim için daha fazla işlem gücü, bellek ve süre gerekebilir. |
| Açıklanabilirlik | Kararın hangi değişkenlerle ilişkili olduğunu açıklamak çoğu yöntemde daha kolaydır. | Modelin iç karar sürecini açıklamak genellikle daha zordur. |
Aynı problem üzerinden somut örnek
Varsayımsal olarak, bir şirketin müşterilerin aboneliğini yenileyip yenilemeyeceğini tahmin ettiğini düşünün. Girdi olarak müşterinin kullanım süresi, aylık ödeme tutarı, son giriş tarihi ve destek talebi sayısı verilsin. Çıktı, “yenileyecek” veya “yenilemeyecek” sınıfı olabilir.
Bu tür düzenli sütunlardan oluşan bir veri kümesinde lojistik regresyon, karar ağacı veya başka bir klasik makine öğrenmesi yöntemiyle başlanabilir. Model, geçmiş müşterilerin bilgileri ile gerçek sonuçlarını karşılaştırarak yeni müşteri için örneğin “yenileyecek: yüzde 78 olasılık” biçiminde tahmin üretebilir. Bu yüzde, modelin tahmin güvenini ifade eder; müşterinin kesin olarak yenileyeceğini kanıtlamaz.
Aynı yaklaşımda derin öğrenme ağı da kurulabilir. Ancak veri miktarı sınırlıysa, daha karmaşık modelin kullanılması otomatik olarak daha iyi sonuç vermez. Eğitim ve test sonuçlarını ayrı değerlendirmek, yeni verideki performansı ölçmek ve yanlış pozitif ile yanlış negatif hatalarının maliyetini karşılaştırmak gerekir. Sonuçlar beklentiyi karşılamıyorsa önce veri kalitesi, etiketlerin doğruluğu ve değerlendirme yöntemi kontrol edilmelidir; yalnızca modeli büyütmek sorunu çözmeyebilir.
Kısa karar ölçütü
Veriniz çoğunlukla tablo biçimindeyse, veri miktarı sınırlıysa ve kararın açıklanması önemliyse klasik makine öğrenmesi modelleriyle başlamak genellikle daha ölçülü bir seçimdir. Görüntü, ses veya metin gibi ham ve karmaşık verilerle çalışıyor, yeterli eğitim verisine ve hesaplama kaynağına sahipseniz derin öğrenmeyi değerlendirebilirsiniz.
En sağlıklı yaklaşım, aynı doğrulama düzeniyle birkaç uygun modeli karşılaştırmaktır. Kazanan model yalnızca doğrulukla değil; hata türleri, eğitim maliyeti, tahmin süresi, bakım gereksinimi ve kararın açıklanabilirliğiyle birlikte seçilmelidir.
