Bilgisayarlı göründe kullanılan yapay zeka öğrenme tekniklerinin türleri

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. Bu algoritmalar, veri içindeki kalıpları tanımlayarak ve bunlardan öğrenerek performanslarını zaman içinde kademeli olarak iyileştirebilirler.

One area where machine learning plays a crucial role is in computer vision, a field of AI that focuses on visual data. Computer vision uses machine learning to help computers detect and recognize patterns in images and videos. Driven by advancements in machine learning, the global market value of computer vision is estimated to be around $175.72 billion by 2032.

Bu makalede, bilgisayarlı görüde kullanılan farklı makine öğrenimi türlerine; denetimli, denetimsiz, pekiştirmeli ve transfer öğrenmeye ve her birinin farklı uygulamalarda nasıl bir rol oynadığına bakacağız. Hadi başlayalım!

Link to this sectionBilgisayarlı görüde makine öğrenimine genel bakış#

Computer vision relies on machine learning, especially techniques like deep learning and neural networks, to interpret and analyze visual information. These methods make it possible for computers to perform computer vision tasks such as detecting objects in images, classifying images by category, and recognizing faces. Machine learning is also essential for real-time computer vision applications like quality control in manufacturing and medical imaging in healthcare. In these cases, neural networks help computers interpret complex visual data, such as analyzing brain scans to detect tumors.

Hatta Ultralytics YOLO11 gibi birçok gelişmiş bilgisayarlı görü modeli, sinir ağları üzerine inşa edilmiştir.

Şekil 1. Ultralytics YOLO11 kullanarak beyin taramalarını segmentleme.

Makine öğreniminde; denetimli öğrenme, denetimsiz öğrenme, transfer öğrenme ve pekiştirmeli öğrenme gibi bilgisayarlı görüde mümkün olanın sınırlarını zorlayan birkaç öğrenme yöntemi vardır. İzleyen bölümlerde, her birinin bilgisayarlı görüye nasıl katkıda bulunduğunu anlamak için bu türleri keşfedeceğiz.

Link to this sectionDenetimli öğrenmeyi keşfetme#

Supervised learning is the most commonly used type of machine learning. In supervised learning, models are trained using labeled data. Each input is tagged with the correct output, which helps the model learn. Similar to a student learning from a teacher, this labeled data acts as a guide or supervisor.

Eğitim sırasında, modele hem girdi verileri (işlemesi gereken bilgiler) hem de çıktı verileri (doğru cevaplar) verilir. Bu kurulum, modelin girdiler ve çıktılar arasındaki bağlantıyı öğrenmesine yardımcı olur. Denetimli öğrenmenin temel amacı, modelin her girdiyi doğru çıktısıyla doğru bir şekilde eşleştiren bir kural veya kalıp keşfetmesidir. Bu eşleme sayesinde model, yeni verilerle karşılaştığında doğru tahminler yapabilir. Örneğin, bilgisayarlı görüdeki yüz tanıma, bu öğrenilmiş kalıplara dayanarak yüzleri tanımlamak için denetimli öğrenmeye güvenir.

Bunun yaygın bir kullanımı, akıllı telefonunun kilidini yüz tanıma ile açmaktır. Model, yüzünün etiketli görüntüleri üzerinde eğitilir, böylece telefonunun kilidini açmaya çalıştığında canlı görüntüyü öğrendiği bilgilerle karşılaştırır. Bir eşleşme tespit ederse telefonunun kilidi açılır.

Şekil 2. Yüz tanıma, akıllı telefonunun kilidini açmak için kullanılabilir.

Link to this sectionYapay zekada denetimsiz öğrenme nasıl çalışır?#

Denetimsiz öğrenme, etiketlenmemiş verileri kullanan bir makine öğrenimi türüdür; model eğitim sırasında herhangi bir rehberlik veya doğru cevap almaz. Bunun yerine, kalıpları ve içgörüleri kendi başına keşfetmeyi öğrenir.

Denetimsiz öğrenme, üç ana yöntemi kullanarak kalıpları tanımlar:

• Clustering: Groups similar data points together. It is useful for tasks like customer segmentation, where similar customers can be grouped based on their behaviors or attributes.
• İlişkilendirme: Ögeler arasındaki ilişkileri tanımlamak için kullanılır ve veriler içindeki bağlantıları ortaya çıkarmaya yardımcı olur (örneğin, market sepeti analizinde sıklıkla birlikte satın alınan ürünleri bulmak).
• Boyut indirgeme: Gereksiz özellikleri kaldırarak veri setlerini basitleştirir, bu da görselleştirme ve işlemeye yardımcı olur.

A key application of unsupervised learning is image compression, where techniques like k-means clustering reduce image size without affecting visual quality. Pixels are grouped into clusters, and each cluster is represented by an average color, resulting in an image with fewer colors and a smaller file size.

Şekil 3. Denetimsiz görüntü sıkıştırma örneği.

Bununla birlikte, denetimsiz öğrenme belirli sınırlamalarla karşılaşır. Önceden tanımlanmış cevaplar olmadan doğruluk ve performans değerlendirmesi konusunda zorlanabilir. Sonuçları yorumlamak ve grupları etiketlemek genellikle manuel çaba gerektirir ve sonuçların kalitesini etkileyebilecek eksik değerler ve gürültü gibi sorunlara karşı hassastır.

Link to this sectionPekiştirmeli öğrenme açıklandı#

Denetimli ve denetimsiz öğrenmenin aksine, pekiştirmeli öğrenme eğitim verilerine dayanmaz. Bunun yerine, belirli bir hedefe ulaşmak için bir çevre ile etkileşime giren sinir ağı ajanlarını kullanır.

Süreç üç ana bileşeni içerir:

• Ajan: Öğrenen veya karar veren.
• Çevre: Ajanın etkileşimde bulunduğu, gerçek veya sanal olabilen her şey.
• Ödül sinyali: Her eylemden sonra verilen ve ajanı hedefe doğru yönlendiren sayısal bir değer.

Ajan eylemlerde bulundukça çevreyi etkiler ve çevre buna geri bildirimle yanıt verir. Geri bildirim, ajanın seçimlerini değerlendirmesine ve davranışını ayarlamasına yardımcı olur. Ödül sinyali, ajanın hangi eylemlerin onu hedefine yaklaştırdığını anlamasını sağlar.

Pekiştirmeli öğrenme; otonom sürüş ve robotik gibi kullanım durumları için anahtardır. Otonom sürüşte, araç kontrolleri, nesne tespiti ve kaçınma gibi görevler geri bildirime dayalı olarak öğrenilir. Modeller, yayaları veya diğer nesneleri tespit etmek ve çarpışmadan kaçınmak için uygun eylemi gerçekleştirmek üzere sinir ağı ajanları kullanılarak eğitilir. Benzer şekilde, robotikte, pekiştirmeli öğrenme, nesne manipülasyonu ve hareket kontrolü gibi görevleri mümkün kılar.

A great example of reinforcement learning in action is a project by OpenAI, where researchers trained AI agents to play the popular multiplayer video game, Dota 2. Using neural networks, these agents processed huge amounts of information from the game environment to make quick, strategic decisions. Through continuous feedback, the agents learned and improved over time, eventually reaching a skill level high enough to beat some of the game’s top players.

Şekil 4. İnsan ve yapay zekanın Dota Matrisini yorumlaması.

Link to this sectionTransfer öğrenmenin temellerini anlamak#

Transfer learning is different from other types of learning. Instead of training a model from scratch, it uses a pre-trained model on a large dataset and fine-tunes it for a new, but related, task. The knowledge gained during the initial training is used to improve the performance of the new task. Transfer learning reduces the time required to train for a new task, depending on its complexity. It works by retaining the initial layers of the model that capture the general features and replacing the final layers with that of the new specific task.

Sanatsal stil transferi, bilgisayarlı görüde transfer öğrenmenin ilginç bir uygulamasıdır. Bu teknik, bir modelin bir görüntüyü farklı sanat eserlerinin stiliyle eşleşecek şekilde dönüştürmesini sağlar. Bunu başarmak için, bir sinir ağı önce sanat stilleriyle eşleştirilmiş büyük bir görüntü veri seti 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 ayardan geçirilebilir. Ağ, yeni görüntüye uyum sağlarken öğrenilen stil özelliklerini korur ve böylece orijinal içeriği seçilen sanatsal stille birleştiren benzersiz bir sonuç oluşturur. Örneğin, bir dağ sırasının fotoğrafını çekebilir ve Edvard Munch'ın Çığlık tablosunun stilini uygulayabilirsin; böylece sahneyi yakalayan ancak tablonun cesur, dışavurumcu stiline sahip bir görüntü elde edersin.

Şekil 5. Transfer öğrenme kullanılarak yapılan sanatsal stil transferi örneği.

Link to this sectionMakine öğrenimi türleri arasındaki farklara bir bakış#

Ana makine öğrenimi türlerini ele aldığımıza göre, farklı uygulamalar için en uygun olanı anlamana yardımcı olması amacıyla her birine daha yakından bakalım.

• Denetimli öğrenme: Bu tür, etiketli verilerle çalışırken oldukça doğrudur ancak çok fazla veri gerektirir ve gürültüye karşı hassas olabilir.
• Denetimsiz öğrenme: Gizli kalıpları bulmak için etiketlenmemiş verileri keşfetmek için kullanışlıdır, ancak sonuçlar daha az hassas olabilir ve yorumlanması daha zor olabilir.
• Pekiştirmeli öğrenme: Ajanları karmaşık ortamlarda adım adım kararlar almaları için eğitir ancak genellikle önemli miktarda bilgi işlem gücü gerektirir.
• Transfer öğrenme: Bu yaklaşım, eğitimi hızlandırmak ve özellikle verilerin sınırlı olduğu yeni görevlerde performansı artırmak için önceden eğitilmiş modelleri kullanır.

Şekil 6. Tüm makine öğrenimi türlerinin karşılaştırması. Görsel, yazar tarafından.

Doğru makine öğrenimi türünü seçmek birkaç faktöre bağlıdır. Bol miktarda etiketli verin ve net bir görevin varsa denetimli öğrenme iyi çalışır. Denetimsiz öğrenme, veri keşfi veya etiketli örneklerin az olduğu durumlarda kullanışlıdır. Pekiştirmeli öğrenme, adım adım karar verme gerektiren karmaşık görevler için idealdir, transfer öğrenme ise verilerin sınırlı olduğu veya kaynakların kısıtlı olduğu durumlarda harikadır. Bu faktörleri göz önünde bulundurarak, bilgisayarlı görü projen için en uygun yaklaşımı seçebilirsin.

Link to this sectionToparlarken#

Makine öğrenimi teknikleri, özellikle bilgisayarlı görü gibi alanlarda çeşitli zorlukların üstesinden gelebilir. Farklı türleri (denetimli, denetimsiz, pekiştirmeli ve transfer öğrenme) anlayarak ihtiyaçlarına en uygun yaklaşımı seçebilirsin.

Denetimli öğrenme, yüksek doğruluk ve etiketli veri gerektiren görevler için harikadır; denetimsiz öğrenme ise etiketlenmemiş verilerdeki kalıpları bulmak için idealdir. Pekiştirmeli öğrenme, karmaşık, karar tabanlı ortamlarda iyi çalışır ve transfer öğrenme, sınırlı verilerle önceden eğitilmiş modeller üzerine inşa etmek istediğinde yardımcı olur.

Her yöntemin yüz tanımadan robotiğe ve sanatsal stil transferine kadar kendine özgü güçlü yönleri ve uygulamaları vardır. Doğru türü seçmek, sağlık, otomotiv ve eğlence gibi sektörlerde yeni olanakların kapısını aralayabilir.

Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda sürücüsüz araçlar ve tarım alanlarındaki yapay zeka uygulamalarını keşfet. 🚀