Bilgisayarlı göründe kullanılan yapay zeka öğrenme tekniklerinin türleri

Machine learning, bilgisayarların her görev için ayrıntılı programlamaya ihtiyaç duymadan verilerden öğrenerek kendi başlarına karar almalarını sağlayan bir artificial intelligence (AI) türüdür. Verilerdeki örüntüleri tanımlayabilen algorithmic models oluşturmayı içerir. data içindeki örüntüleri belirleyerek ve bunlardan öğrenerek, bu algoritmalar zaman içinde performance değerlerini kademeli olarak iyileştirebilir.

Machine learning yönteminin çok önemli bir rol oynadığı alanlardan biri, visual data üzerine odaklanan bir AI alanı olan computer vision dalıdır. Computer vision, bilgisayarların görüntü ve videolardaki örüntüleri algılayıp tanınmasına yardımcı olmak için machine learning kullanır. Machine learning alanındaki gelişmelerin de etkisiyle, computer vision dalının global market value değerinin 2032 yılına kadar yaklaşık 175,72 milyar dolar olacağı tahmin edilmektedir.

Bu makalede, denetimli, denetimsiz, pekiştirmeli ve aktarımlı öğrenme dahil olmak üzere computer vision alanında kullanılan farklı machine learning türlerini ve her birinin farklı uygulamalarda nasıl bir rol oynadığını inceleyeceğiz. Hadi başlayalım!

Bilgisayarlı görüde makine öğrenimine genel bakış#

Computer vision, görsel bilgileri yorumlamak ve analiz etmek için machine learning, özellikle de deep learning ve neural networks gibi tekniklere güvenir. Bu yöntemler, bilgisayarların görüntülerdeki detecting objects, görüntüleri kategoriye göre classifying images ve recognizing faces gibi computer vision tasks görevlerini yerine getirmesini sağlar. Machine learning ayrıca manufacturing sektöründeki quality control ve healthcare sektöründeki medical imaging gibi gerçek zamanlı computer vision applications uygulamaları için de hayati önem taşır. Bu gibi durumlarda neural networks, bilgisayarların detect tumors tespiti için analyzing brain scans gibi karmaşık görsel verileri yorumlamasına yardımcı olur.

Aslında Ultralytics YOLO11 gibi pek çok gelişmiş computer vision modeli neural networks üzerine kuruludur.

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.

Denetimli öğrenmeyi keşfetme#

Supervised learning, en yaygın kullanılan machine learning türüdür. Supervised learning yönteminde modeller labeled data kullanılarak trained edilir. Her girdi doğru çıktı ile etiketlenir ve bu da modelin öğrenmesine yardımcı olur. Bir öğretmenden student learning öğrenmesine benzer şekilde, bu etiketlenmiş veriler bir rehber veya denetçi görevi görür.

Training sırasında modele hem girdi verileri (işlemesi gereken bilgiler) hem de çıktı verileri (doğru cevaplar) verilir. Bu kurulum, modelin girdiler ile çıktılar arasındaki bağlantıyı öğrenmesine yardımcı olur. Supervised learning yönteminin temel amacı, modelin her bir girdiyi doğru çıktısıyla doğru bir şekilde bağlayan bir kural veya örüntü keşfetmesidir. Bu eşleme sayesinde model, yeni verilerle karşılaştığında doğru tahminler yapabilir. Örneğin, computer vision alanındaki yüz tanıma, öğrenilen bu örüntülere dayanarak yüzleri tanımlamak için supervised learning yöntemine güvenir.

Bunun yaygın bir kullanımı, smartphone cihazınızın kilidini yüz tanıma ile açmaktır. Model, telefonunuzun kilidini açmaya çalıştığınızda canlı görüntüyü öğrendikleriyle karşılaştırabilmesi için yüzünüzün etiketlenmiş görüntüleri üzerinde eğitilir. Bir eşleşme tespit ederse telefonunuzun kilidi açılır.

Fig 2. Yüz tanıma, akıllı telefonunuzun kilidini açmak için kullanılabilir.

Yapay zekada denetimsiz öğrenme nasıl çalışır?#

Unsupervised learning, etiketlenmemiş verileri kullanan bir machine learning türüdür; modele eğitim sırasında herhangi bir rehberlik veya doğru cevap verilmez. Bunun yerine, örüntüleri ve içgörüleri kendi başına keşfetmeyi öğrenir.

Denetimsiz öğrenme, üç ana yöntemi kullanarak kalıpları tanımlar:

• Clustering: Benzer veri noktalarını bir araya getirir. Benzer müşterilerin behaviors veya niteliklerine göre gruplandırılabileceği customer segmentation gibi görevler için kullanışlıdır.
• Association: Öğeler arasındaki ilişkileri belirlemek için kullanılır ve veriler içindeki bağlantıların ortaya çıkarılmasına yardımcı olur (örneğin, market basket analysis içinde sıklıkla birlikte satın alınan ürünleri bulmak).
• Dimensionality reduction: Gereksiz özellikleri kaldırarak veri setlerini basitleştirir, bu da görselleştirmeye ve işlemeye yardımcı olur.

Unsupervised learning yönteminin temel bir uygulaması, k-means clustering gibi tekniklerin görsel kaliteyi etkilemeden görüntü boyutunu küçülttüğü image compression alanıdır. Pikseller kümelere ayrılır ve her küme ortalama bir renk ile temsil edilir, bu da daha az renk ve daha küçük dosya boyutuna sahip bir görüntüyle sonuçlanır.

Şekil 3. Denetimsiz görüntü sıkıştırma örneği.

Ancak unsupervised learning bazı sınırlamalarla karşı karşıyadır. Önceden tanımlanmış cevaplar olmadan doğruluk ve performance evaluation konularında zorlanabilir. Sonuçları yorumlamak ve grupları etiketlemek genellikle manuel çaba gerektirir ve sonuçların kalitesini etkileyebilecek eksik değerler ve gürültü gibi sorunlara karşı hassastır.

Pekiştirmeli öğrenme açıklandı#

Supervised ve unsupervised learning yöntemlerinin aksine, reinforcement learning eğitim verilerine dayanmaz. Bunun yerine, belirli bir hedefe ulaşmak için bir çevreyle etkileşime girmek üzere neural network 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.

Reinforcement learning, autonomous driving ve robotics gibi kullanım alanları için kilit önem taşır. Autonomous driving alanında araç kontrolleri, nesne tespiti ve kaçınma gibi görevler geri bildirimlere dayalı olarak öğrenilir. Modeller, yayaları veya diğer nesneleri tespit etmek ve avoid collision için uygun eylemi gerçekleştirmek üzere neural network ajanları kullanılarak eğitilir. Benzer şekilde robotics alanında da reinforcement learning, nesne manipülasyonu ve hareket kontrolü gibi görevleri mümkün kılar.

İş başındaki reinforcement learning için harika bir örnek, araştırmacıların popüler çok oyunculu video game Dota 2 oynamaları için trained AI agents eğittiği OpenAI projesidir. Neural networks kullanan bu ajanlar, hızlı ve stratejik kararlar almak için game environment ortamından gelen devasa miktardaki bilgiyi işledi. Sürekli geri bildirim yoluyla ajanlar zaman içinde öğrendi ve gelişti, sonunda game’s top players bazılarını yenmek için yeterince yüksek bir beceri seviyesine ulaştı.

Fig 4. Dota Matrisinin insan ve AI tarafından yorumlanması.

Transfer öğrenmenin temellerini anlamak#

Transfer learning, diğer öğrenme türlerinden farklıdır. Sıfırdan training a model yerine, büyük bir dataset üzerinde pre-trained model kullanılır ve yeni ancak ilgili bir görev için ince ayar (fine-tune) yapılır. İlk eğitim sırasında elde edilen bilgi, yeni görevin performance değerini iyileştirmek için kullanılır. Transfer learning, karmaşıklığına bağlı olarak yeni bir görev için eğitim için gereken süreyi kısaltır. Genel özellikleri yakalayan modelin ilk katmanlarını koruyarak ve son katmanları yeni spesifik görevin katmanlarıyla değiştirerek çalışır.

Sanatsal stil aktarımı, transfer learning yönteminin computer vision alanındaki ilginç bir uygulamasıdır. Bu teknik, bir modelin bir görüntüyü farklı bir artwork stiline uyacak şekilde dönüştürmesini sağlar. Bunu başarmak için bir neural network öncelikle sanatsal stilleriyle eşleştirilmiş büyük bir görüntü veri seti üzerinde eğitilir. Bu süreç sayesinde model, genel görüntü özelliklerini ve stil örüntülerini 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.

Fig 5. Transfer learning kullanılarak yapılan sanatsal stil aktarımı örneği.

Makine 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 machine learning türünü seçmek birkaç faktöre bağlıdır. Bol miktarda etiketlenmiş veriniz ve net bir göreviniz varsa supervised learning iyi sonuç verir. Unsupervised learning, veri keşfi için veya etiketlenmiş örnekler az olduğunda yararlıdır. Reinforcement learning adım adım karar vermeyi gerektiren karmaşık görevler için idealdir, transfer learning ise veri sınırlı veya kaynaklar kısıtlı olduğunda harikadır. Bu faktörleri göz önünde bulundurarak computer vision project projeniz için en uygun yaklaşımı seçebilirsiniz.

Toparlarken#

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 edin ve topluluğumuzla etkileşime geçin. Çözüm sayfalarımızda otonom araçlar ve tarım alanındaki yapay zeka uygulamalarını keşfedin. 🚀