"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Çerez Ayarları
"Tüm Çerezleri Kabul Et" seçeneğine tıklayarak, sitede gezinmeyi geliştirmek, site kullanımını analiz etmek ve pazarlama çabalarımıza yardımcı olmak için cihazınızda çerezlerin saklanmasını kabul edersiniz. Daha fazla bilgi
Gözetimli öğrenmeden transfer öğrenimine kadar bilgisayarlı görü uygulamalarında kullanılan farklı makine öğrenimi ve derin öğrenme tekniklerini keşfedin.
Makine öğrenimi, bilgisayarların her görev için ayrıntılı programlamaya ihtiyaç duymadan, verilerden öğrenerek kendi başlarına karar vermelerine yardımcı olan bir yapay zeka (AI) türüdür. Verilerdeki kalıpları tanımlayabilen algoritmik modeller oluşturmayı içerir. Verilerdeki kalıpları belirleyip bunlardan öğrenerek, bu algoritmalar zaman içinde performanslarını kademeli olarak artırabilirler.
Makine öğreniminin önemli bir rol oynadığı alanlardan biri, görsel verilere odaklanan bir yapay zeka alanı olan bilgisayarlı görüdür. Bilgisayarlı görü, bilgisayarların resim ve videolardaki kalıpları tespit edip tanımasına yardımcı olmak için makine öğrenimini kullanır. Makine öğrenimindeki gelişmelerin etkisiyle, bilgisayarlı görünün küresel pazar değerinin 2032 yılına kadar yaklaşık 175,72 milyar dolar olacağı tahmin edilmektedir.
Bu makalede, denetimli, denetimsiz, takviyeli ve transfer öğrenimi dahil olmak üzere bilgisayarlı görmede kullanılan farklı makine öğrenimi türlerine ve her birinin farklı uygulamalarda nasıl bir rol oynadığına bakacağız. Haydi başlayalım!
Bilgisayarlı görmede makine öğrenimine genel bakış
Aslında, Ultralytics YOLO11 gibi birçok gelişmiş bilgisayarlı görü modeli, sinir ağları üzerine kurulmuştur.
Şekil 1. Ultralytics YOLO11 kullanılarak beyin taramalarının segmentasyonu.
Makine öğreniminde denetimli öğrenme, denetimsiz öğrenme, transfer öğrenimi ve takviyeli öğrenme gibi çeşitli öğrenme yöntemleri vardır ve bunlar bilgisayarlı görmede mümkün olanın sınırlarını zorlamaktadır. Aşağıdaki bölümlerde, bilgisayarlı görüye nasıl katkıda bulunduklarını anlamak için bu türlerin her birini inceleyeceğiz.
Denetimli öğrenmeyi keşfetmek
Denetimli öğrenme, en yaygın kullanılan makine öğrenimi türüdür. Denetimli öğrenmede, modeller etiketli veriler kullanılarak eğitilir. Her girdi, doğru çıktı ile etiketlenir, bu da modelin öğrenmesine yardımcı olur. Bir öğretmenden öğrenen bir öğrenciye benzer şekilde, bu etiketli veri bir rehber veya denetleyici görevi görür.
Eğitim sırasında, modele hem girdi verileri (işlemesi gereken bilgi) hem de çıktı verileri (doğru cevaplar) verilir. Bu kurulum, modelin girdiler ve çıktılar arasındaki bağlantıyı öğrenmesine yardımcı olur. Denetimli öğrenmenin temel amacı, modelin her bir girdiyi doğru çıktısına doğru bir şekilde bağlayan bir kural veya örüntü keşfetmesidir. Bu eşleme ile model, yeni verilerle karşılaştığında doğru tahminlerde bulunabilir. Örneğin, bilgisayarlı görmede yüz tanıma, bu öğrenilmiş kalıplara dayanarak yüzleri tanımlamak için denetimli öğrenmeye dayanır.
Bunun yaygın bir kullanımı, akıllı telefonunuzu yüz tanıma ile açmaktır. Model, yüzünüzün etiketli görüntüleri üzerinde eğitilir, böylece telefonunuzu açmaya gittiğinizde, canlı görüntüyü öğrendikleriyle karşılaştırır. Bir eşleşme tespit ederse, telefonunuzun kilidi açılır.
Şekil 2. Yüz tanıma, akıllı telefonunuzun kilidini açmak için kullanılabilir.
Yapay zekada denetimsiz öğrenme nasıl çalışır?
Denetimsiz öğrenme, etiketlenmemiş verileri kullanan bir makine öğrenimi türüdür - model, eğitim sırasında herhangi bir rehberlik veya doğru cevap verilmez. Bunun yerine, kendi başına kalıpları ve içgörüleri keşfetmeyi öğrenir.
Denetimsiz öğrenme, üç ana yöntem kullanarak kalıpları tanımlar:
Kümeleme: Benzer veri noktalarını bir araya getirir. Benzer müşterilerin davranışlarına veya özelliklerine göre gruplandırılabildiği müşteri segmentasyonu gibi görevler için kullanışlıdır.
Birliktelik: Öğeler arasındaki ilişkileri belirlemek için kullanılır ve veriler içindeki bağlantıları ortaya çıkarmaya yardımcı olur (örneğin, pazar sepeti analizinde sıklıkla birlikte satın alınan ürünleri bulma).
Boyut azaltma: Görselleştirmeye ve işlemeye yardımcı olan gereksiz özellikleri kaldırarak veri kümelerini basitleştirir.
Denetimsiz öğrenmenin önemli bir uygulaması, k-ortalama kümeleme gibi tekniklerin görsel kaliteyi etkilemeden görüntü boyutunu küçülttüğü görüntü sıkıştırmadır. Pikseller kümeler halinde gruplandırılır ve her küme ortalama bir renk ile temsil edilir, bu da daha az renk ve daha küçük bir dosya boyutuyla sonuçlanır.
Şekil 3. Gözetimsiz görüntü sıkıştırmasına bir örnek.
Ancak, gözetimsiz öğrenme bazı sınırlamalarla karşı karşıyadır. Önceden tanımlanmış cevaplar olmadan, doğruluk ve performansdeğerlendirmesi konusunda zorlanabilir. Sonuçları yorumlamak ve grupları etiketlemek genellikle manuel çaba gerektirir ve sonuçların kalitesini etkileyebilecek kayıp değerler ve gürültü gibi sorunlara karşı hassastır.
Pekiştirmeli öğrenme açıklaması
Gözetimli ve gözetimsiz öğrenmeden farklı olarak, pekiştirmeli öğrenme eğitim verilerine dayanmaz. Bunun yerine, belirli bir hedefe ulaşmak için bir ortamla etkileşim kurmak üzere sinir ağı aracılarını kullanır.
Süreç üç ana bileşen içerir:
Aracı: Öğrenen veya karar verici.
Ortam: Aracının etkileşimde bulunduğu her şey, gerçek veya sanal olabilir.
Ödül sinyali: Her eylemden sonra verilen ve aracıyı hedefe doğru yönlendiren sayısal bir değer.
Aracı eylemlerde bulundukça, ortamı etkiler ve ortam da geri bildirimle yanıt verir. Geri bildirim, aracının seçimlerini değerlendirmesine ve davranışını ayarlamasına yardımcı olur. Ödül sinyali, aracının hangi eylemlerin onu hedefine ulaşmaya yaklaştırdığını anlamasına yardımcı olur.
Pekiştirmeli öğrenme, otonom sürüş ve robotik gibi kullanım durumları için önemlidir. Otonom sürüşte, araç kontrolleri, nesne algılama ve kaçınma gibi görevler geri bildirime göre öğrenir. Modeller, yayaları veya diğer nesneleri algılamak ve çarpışmayı önlemek için uygun eylemi gerçekleştirmek üzere sinir ağı aracıları kullanılarak eğitilir. Benzer şekilde, robotikte pekiştirmeli öğrenme, nesne manipülasyonu ve hareket kontrolü gibi görevleri mümkün kılar.
Pekiştirmeli öğrenmenin harika bir örneği, OpenAI tarafından yapılan ve araştırmacıların popüler çok oyunculu video oyunu Dota 2'yi oynamak için yapay zeka aracılarını eğittiği bir projedir. Sinir ağlarını kullanan bu aracılar, hızlı, stratejik kararlar almak için oyun ortamından büyük miktarda bilgiyi işledi. Sürekli geri bildirim yoluyla, aracılar zamanla öğrendi ve gelişti ve sonunda oyunun en iyi oyuncularından bazılarını yenecek kadar yüksek bir beceri seviyesine ulaştı.
Şekil 4. Dota Matrisinin İnsan ve Yapay Zeka Yorumu.
Transfer öğreniminin temellerini anlama
Transfer öğrenimi, diğer öğrenme türlerinden farklıdır. Sıfırdan bir model eğitmek yerine, büyük bir veri kümesi üzerinde önceden eğitilmiş bir model kullanır ve onu yeni, ancak ilişkili bir görev için ince ayarlar. İlk eğitim sırasında kazanılan bilgi, yeni görevin performansını iyileştirmek için kullanılır. Transfer öğrenimi, karmaşıklığına bağlı olarak yeni bir görev için gereken eğitim süresini azaltır. Genel özellikleri yakalayan modelin ilk katmanlarını koruyarak ve son katmanları yeni belirli görevin katmanlarıyla değiştirerek çalışır.
Sanatsal stil transferi, bilgisayarlı görüde transfer öğreniminin ilginç bir uygulamasıdır. Bu teknik, bir modelin bir görüntüyü farklı sanat eserlerinin stiline uyacak şekilde dönüştürmesini sağlar. Bunu başarmak için, bir sinir ağı öncelikle sanatsal stilleriyle eşleştirilmiş geniş bir görüntü veri kümesi üzerinde eğitilir. Bu süreç sayesinde model, genel görüntü özelliklerini ve stil kalıplarını tanımlamayı öğrenir.
Model eğitildikten sonra, belirli bir tablonun stilini yeni bir görüntüye uygulamak için ince ayar yapılabilir. Ağ, öğrenilen stil özelliklerini korurken yeni görüntüye uyum sağlayarak, orijinal içeriği seçilen sanatsal stille birleştiren benzersiz bir sonuç oluşturmasını sağlar. Örneğin, bir dağ sırasının fotoğrafını çekebilir ve Edvard Munch'un Çığlık tablosunun stilini uygulayarak sahneyi yakalayan ancak tablonun cesur, etkileyici stiline sahip bir görüntü elde edebilirsiniz.
Şekil 5. Transfer öğrenimi kullanılarak yapılan sanatsal stil transferine bir örnek.
Makine öğrenimi türleri arasındaki farklara bir bakış
Artık ana makine öğrenimi türlerini ele aldığımıza göre, farklı uygulamalar için en uygun olanı anlamanıza yardımcı olmak için her birine daha yakından bakalım.
Denetimli öğrenme: Bu tür, etiketlenmiş verilerle çalışırken oldukça doğrudur, ancak çok fazla veri gerektirir ve gürültüye duyarlı olabilir.
Denetimsiz öğrenme: Gizli kalıpları bulmak için etiketlenmemiş verileri keşfetmek için kullanışlıdır, ancak sonuçlar daha az kesin ve yorumlanması daha zor olabilir.
Pekiştirmeli öğrenme: Karmaşık ortamlarda adım adım kararlar almak için aracıları eğitir, ancak genellikle önemli miktarda işlem gücü gerektirir.
Transfer öğrenimi: Bu yaklaşım, özellikle veri sınırlı olduğunda, eğitimi hızlandırmak ve yeni görevlerde performansı artırmak için önceden eğitilmiş modelleri kullanır.
Şekil 6. Tüm makine öğrenimi türlerinin karşılaştırması. Görsel: Yazar.
Doğru makine öğrenimi türünü seçmek çeşitli faktörlere bağlıdır. Denetimli öğrenme, bol miktarda etiketlenmiş veriye ve net bir göreve sahipseniz iyi sonuç verir. Denetimsiz öğrenme, veri keşfi için veya etiketlenmiş örnekler az olduğunda kullanışlıdır. Takviyeli öğrenme, adım adım karar verme gerektiren karmaşık görevler için idealdir; transfer öğrenimi ise veri sınırlı veya kaynaklar kısıtlı olduğunda harikadır. Bu faktörleri göz önünde bulundurarak, bilgisayarlı görü projeniz için en uygun yaklaşımı seçebilirsiniz.
Özet
Makine öğrenimi teknikleri, özellikle bilgisayarlı görü gibi alanlarda çeşitli zorlukların üstesinden gelebilir. Farklı türleri (denetimli, denetimsiz, takviyeli ve transfer öğrenimi) anlayarak, ihtiyaçlarınız için en iyi yaklaşımı seçebilirsiniz.
Denetimli öğrenme, yüksek doğruluk ve etiketlenmiş veri gerektiren görevler için harikadır; denetimsiz öğrenme ise etiketlenmemiş verilerdeki kalıpları bulmak için idealdir. Takviyeli öğrenme, karmaşık, karar tabanlı ortamlarda iyi sonuç verir ve transfer öğrenimi, sınırlı verilerle önceden eğitilmiş modeller üzerine inşa etmek istediğinizde yararlıdır.
Her yöntemin, yüz tanımadan robotik ve sanatsal stil transferine kadar benzersiz güçlü yönleri ve uygulamaları vardır. Doğru türü seçmek, sağlık, otomotiv ve eğlence gibi sektörlerde yeni olasılıkların kilidini açabilir.
