Derin öğrenme nedir?

Bu derste yapay zekânın son yıllardaki en çok konuşulan dalı olan derin öğrenmeyi sıfırdan ele alıyoruz: ne olduğunu, makine öğrenmesinden farkını, günlük hayattaki karşılıklarını ve en sık yapılan yanılgıları. Konuya ilk kez adım atıyorsan doğru yerdesin; serinin tamamına Yapay Zekâ dersleri sayfasından ulaşabilirsin.

Derin Öğrenme Nedir?

Derin öğrenme, çok katmanlı yapay sinir ağları kullanarak ham veriden örüntüleri kendisi öğrenen bir makine öğrenmesi dalıdır. Adındaki derin sözü, ağdaki katman çokluğuna işaret eder: veri, katmandan katmana geçerken her adımda biraz daha soyut bir kavrama dönüşür. Klasik programlamada biz kuralları yazar, veriyi verir ve cevabı bekleriz; derin öğrenmede ise bolca örnek sunar, kuralları modelin kendisinin keşfetmesini isteriz.

Somutlaştıralım: Bir çocuğa kediyi tanıtmak için “dört ayaklıdır, bıyıklıdır” biçiminde kural listesi vermezsin; ona bol bol kedi gösterirsin, o da örneklerden öğrenir. Derin öğrenme de aynen böyle çalışır: modele binlerce kedi ve kedi olmayan fotoğrafı gösterirsin, model bu örneklerden ayırt edici örüntüleri kendi çıkarır.

Makine Öğrenmesinden Farkı Nedir?

Derin öğrenme, makine öğrenmesinin bir alt kümesidir; ikisi rakip değil, iç içe geçmiş alanlardır. Yapay zekâ en geniş şemsiyedir, onun altında makine öğrenmesi yer alır, makine öğrenmesinin de altında derin öğrenme bulunur. Aradaki en kritik ayrımları listede toplayalım:

• Öznitelik hazırlama: Klasik makine öğrenmesinde hangi özelliklerin (özniteliklerin) önemli olduğu çoğunlukla uzman eliyle belirlenir. Derin öğrenmede model, ham veriden bu özellikleri kendisi öğrenir.
• Veri ihtiyacı: Derin öğrenme, gücünü ancak büyük veriyle ortaya koyar; yüzlerce örnek değil, yüz binlerce örnek konuşuruz.
• İşlem gücü: Çok katmanlı ağların eğitimi yoğun hesap ister; derin öğrenmenin yükselişi bu yüzden grafik işlemcilerle paraleldir. Ayrıntı için GPU ve yapay zekâ dersimize bakabilirsin.
• Küçük veri: Veri azsa klasik yöntemler (karar ağaçları, doğrusal modeller) hâlâ güçlü ve çok daha ucuz birer seçenektir.

Yani “her iş için derin öğrenme gerekir” diye bir kural yoktur; sorun karmaşıklaştıkça ve veri büyüdükçe derin öğrenme öne geçer.

Derin Öğrenme Nasıl Öğrenir?

Derin öğrenmenin yapı taşı yapay sinir ağıdır; bu ağları kuran hücrelere nöron, kat kat dizilişine katman denir. Bu yapıları ayrı derslerde tek tek açıyoruz: genel çerçeve için Yapay sinir ağları, tek hücre için Nöron nedir? ve diziliş için Katmanlar derslerine göz atabilirsin. Burada büyük resmi dört adımda kuralım:

1. Model, girdi katmanından ham veriyi alır; örneğin bir fotoğrafın pikselleri.
2. İlk katmanlar basit örüntüleri yakalar: kenarlar, çizgiler, renk geçişleri.
3. Daha derin katmanlar bu basit parçaları birleştirir: göz, kulak, tekerlek gibi yapılar ortaya çıkar.
4. Çıkış katmanı kararı verir: “Bu fotoğrafta bir kedi var.”

Eğitim süreci şu mantıkla ilerler: model önce tahmin yapar, tahminle gerçek cevap arasındaki fark (hata) ölçülür ve bu hatayı azaltacak şekilde ağdaki ağırlıklar kademeli olarak düzeltilir. Binlerce örnek üzerinden bu döngü defalarca tekrarlanır; model her turda biraz daha isabetli hâle gelir. Eğitim bitince modelin bütün “bilgisi”, ağırlık adı verilen sayılarda saklı kalır. Ayrıca her modeli sıfırdan eğitmek gerekmez: büyük ve hazır eğitilmiş bir model, az veriyle kendi görevine uyarlanabilir; buna ince ayar (fine-tuning) denir.

Günlük Hayattan Derin Öğrenme Örnekleri

2024–2025 itibarıyla derin öğrenme, günlük hayatın görünmez altyapısı hâline gelmiştir; her gün kullandığın araçların çoğunda arka planda derin bir model çalışır:

• Yüzle kilit açma: Telefonun yüzünü tanıyıp kilidini açması, derin öğrenme tabanlı görüntü modellerinin işidir.
• Büyük dil modelleri: ChatGPT benzeri sohbet asistanlarının soru yanıtlama ve metin üretme becerisi devasa dil modellerinden gelir; bu alana dil işleme (NLP) denir, bkz. NLP nedir?
• Metinden görsel üretme: Yazdığın cümleden resim çizen üretken yapay zekâ araçları, son yılların en çarpıcı derin öğrenme uygulamalarındandır.
• Konuşma tanıma ve altyazı: Sesli asistanlar, toplantı dökümü ve video altyazıları sesi yazıya derin modellerle çevirir.
• Otomatik çeviri: Cümleler artık kelime kelime değil, bağlamı kavrayan sinir ağı modelleriyle çevriliyor.
• Öneri sistemleri: Video ve müzik platformlarının sıradaki içeriği önermesi derin öğrenme destekli modellerle yapılır.
• Tıp görüntüleri: Röntgen ve mamografide hekime destek olan şüpheli bölge işaretleme, derin öğrenmenin en faydalı alanlarından biridir.

Görüntü ağırlıklı işlerde CNN nedir? dersini, dil ağırlıklı işlerde modern mimarilerin temeli sayılan Transformer mimarisi dersini öneririz.

Güçlü ve Zayıf Yönleri

Hiçbir yöntem her işe yaramaz; derin öğrenmeyi doğru yerde kullanmak için güçlü ve zayıf yanlarını bilmek gerekir.

Güçlü yönleri

• Ham veriden (piksel, ses dalgası, metin) doğrudan çalışabilir.
• Kuralları elle yazmanın imkânsız olduğu karmaşık örüntüleri yakalar.
• Veri ve işlem gücü eklendikçe performansı genellikle artar; bu ölçeklenebilirlik onu standart yöntem hâline getirdi.
• Eğitilmiş büyük bir model, ince ayarla çok farklı görevlere uyarlanabilir.

Zayıf yönleri

• Büyük veri ve pahalı işlem gücü ister; küçük işler için gereksiz maliyettir.
• Kara kutu gibidir: modelin neden o kararı verdiğini açıklamak kolay değildir.
• Eğitimi deneme ister; katman sayısı, öğrenme hızı gibi birçok ayarla oynamak gerekir.
• Yanlış veya dar kapsamlı veriyle eğitilirse önyargıları öğrenir ve hatalı kararlar üretir.

Sık Yapılan Hatalar ve Yanılgılar

Derin öğrenmeyi yeni öğrenenlerin en çok düştüğü noktalar şunlardır:

• “Derin öğrenme = yapay zekâ” demek: Yapay zekâ daha geniş bir hedeftir; derin öğrenme onu gerçekleştiren yöntemlerden yalnızca biridir.
• Her problemde sinir ağı kurmak: Satır ve sütun hâlindeki basit verilerde klasik makine öğrenmesi çoğu kez daha hızlı, daha ucuz ve daha açıklayıcıdır.
• “Model anlıyor” sanmak: Derin modeller istatistiksel örüntüler öğrenir; insan gibi kavrayış sergilemez, bu yüzden kendinden emin ama yanlış cevaplar üretebilir.
• Katman ekledikçe iyileşir sanmak: Derinlik hem veri hem hesap maliyeti getirir; gereksiz derinlik aşırı öğrenmeye yol açabilir.
• Eğitimle kullanımı karıştırmak: Modeli sıfırdan eğitmek ağırdır; ama eğitilmiş modeli kullanmak (çıkarım) çok daha hafif ve hızlıdır. Telefonundaki yüz tanıma bunun günlük kanıtıdır.
• Modeli veriden üstün tutmak: Zayıf veya dengesiz veriyle eğitilen model, ne kadar şık olursa olsun iyi çalışmaz; veri kalitesi her zaman belirleyicidir.

Bu derste büyük resmi çizdik; artık derin öğrenmenin yapı taşlarını tek tek incelemeye hazırsın. Ünitenin devamındaki Yapay sinir ağları dersi temeli sağlam atmana, ardından Aktivasyon fonksiyonları dersi ağların nasıl karar verdiğine geçmene yardımcı olacak. Dil tarafına merak sardıysan komşu ünitedeki Token nedir? dersi güzel bir başlangıç noktasıdır.