Oto Kodlayıcı

Bir otomatik kodlayıcı, denetimsiz öğrenme için kullanılan bir tür yapay sinir ağıdır. Birincil amacı, tipik olarak boyut azaltma veya özellik çıkarımı amacıyla bir veri kümesinin sıkıştırılmış, verimli bir temsilini (kodlama) öğrenmektir. Ağ, kendi girdisini yeniden yapılandırmayı öğrenerek bunu başarır. İki ana bölümden oluşur: girdi verilerini düşük boyutlu bir gizli alana sıkıştıran bir kodlayıcı ve bu sıkıştırılmış temsilden orijinal verileri yeniden yapılandıran bir kod çözücü. Verileri bu "darboğazdan" geçirmeye zorlayarak, ağ gürültüyü ve fazlalığı atarken en belirgin özellikleri tanımlamayı ve korumayı öğrenmelidir.

Otomatik Kodlayıcılar Nasıl Çalışır?

Bir otomatik kodlayıcının mimarisi, basit ileri beslemeli ağlar veya Evrişimsel Sinir Ağları (CNN'ler) gibi daha karmaşık yapılar olabilen bir kodlayıcı fonksiyonu ve bir kod çözücü fonksiyonundan oluşur.

1. Kodlayıcı (Encoder): Ağın bu kısmı, yüksek boyutlu girdi verilerini alır ve daha düşük boyutlu bir latent temsile eşler. Bu sıkıştırılmış vektör, girdi verilerinin temel özünü yakalar.
2. Darboğaz (Bottleneck): Bu, girdinin sıkıştırılmış, latent-uzay gösterimini içeren katmandır. Otomatik kodlayıcının özüdür ve boyut azaltma için etkili olmasının nedenidir.
3. Kod Çözücü (Decoder): Bu kısım, dar boğazdan sıkıştırılmış temsili alır ve orijinal yüksek boyutlu girdi verilerini yeniden oluşturmaya çalışır.

Model eğitimi süreci, genellikle yeniden yapılandırma hatası olarak adlandırılan ve orijinal girdi ile yeniden yapılandırılmış çıktı arasındaki farkı ölçen bir kayıp fonksiyonunu en aza indirmeyi içerir. Bu süreç, modelin açık etiketlere ihtiyaç duymadan verilerden kendi kendine öğrendiği bir kendinden denetimli öğrenme biçimidir.

Gerçek Dünya Yapay Zeka/Makine Öğrenimi Uygulamaları

Oto kodlayıcılar çok yönlüdür ve makine öğrenimi ve derin öğrenme alanlarında çeşitli pratik uygulamalara sahiptir.

1. Anomali Tespiti: Otomatik kodlayıcılar, anomali tespiti için oldukça etkilidir. Bir model, yalnızca "normal" veri noktaları içeren bir veri kümesi üzerinde eğitilir. Yeni, anormal bir veri noktası (örneğin, bir üretim hatası veya hileli bir finansal işlem) kodlayıcıya beslendiğinde, kod çözücü bunu doğru bir şekilde yeniden oluşturamaz. Bu, anomaliyi işaretlemek için bir sinyal olarak kullanılabilecek yüksek bir yeniden yapılandırma hatasıyla sonuçlanır. Bu, üretim için yapay zeka ve finansal güvenlik sistemlerinde kritik bir tekniktir; bu konu Alan Turing Institute gibi kurumlar tarafından araştırılmaktadır.
2. Görüntü Gürültüsü Giderme: Bir Gürültü Giderme Otomatik Kodlayıcı, görüntülerdeki gürültüyü gidermek için eğitilebilir. Modele gürültülü görüntüler girdi olarak verilir ve orijinal, temiz sürümleri çıktı olarak vermesi için eğitilir. Bu özellik, MRI veya BT taramalarının kalitesini artırmak için tıbbi görüntü analizinde veya eski, grenli fotoğrafları restore etmede değerlidir. Gürültüyü gidermeye yönelik bu öğrenilmiş yaklaşım, geleneksel görüntü işleme filtrelerinden daha gelişmiştir.

Seyrek Otomatik Kodlayıcılar, Gürültü Giderici Otomatik Kodlayıcılar ve Evrişimsel Otomatik Kodlayıcılar dahil olmak üzere birçok otomatik kodlayıcı türü vardır. En önemli varyasyonlardan biri, üzerinde eğitildiği verilere benzer yeni veri örnekleri üretebilen bir üretken model olan Varyasyonel Otomatik Kodlayıcıdır (VAE). Kapsamlı bir VAE'lere genel bakış arXiv'de mevcuttur.

Otomatik Kodlayıcılar ve İlgili Kavramlar

• PCA: Her ikisi de boyutu azaltırken, Temel Bileşen Analizi (PCA) doğrusal dönüşümlerle sınırlıdır. Sinir ağları olan otomatik kodlayıcılar, karmaşık doğrusal olmayan eşlemeler öğrenebilir ve genellikle karmaşık veri kümeleri için daha iyi temsiller sağlar.
• GAN'lar: Üretken Çekişmeli Ağlar (GAN'lar) öncelikle son derece gerçekçi yeni veriler oluşturmak için tasarlanmıştır. VAE'ler de veri oluşturabilirken, odak noktaları genellikle iyi yapılandırılmış bir latent uzayı öğrenmektir, oysa GAN'lar bazen latent uzayın yorumlanabilirliği pahasına çıktı doğruluğunda üstündür.
• CNN'ler ve Transformer'lar: Otomatik kodlayıcılar (autoencoder) bir mimari model (kodlayıcı-çözücü) tanımlar. Genellikle görüntü verileri için CNN'ler veya sıralı veriler için Transformer'lar gibi diğer ağ türlerini yapı taşları olarak kullanırlar. Bu, Ultralytics YOLO gibi nesne algılama veya görüntü segmentasyonu gibi görevler için tasarlanmış denetimli modellerden farklıdır.

Araçlar ve Uygulama

Otomatik kodlayıcılar, popüler derin öğrenme (DL) çerçeveleri kullanılarak uygulanabilir:

• PyTorch: Özel kodlayıcı ve kod çözücü mimarilerini tanımlamada esneklik sunar. Bir PyTorch eğitimine bakın.
• TensorFlow/Keras: İnşa ve eğitim sürecini basitleştiren üst düzey API'ler sağlar. Bir Keras otomatik kodlayıcı kılavuzuna bakın.

Ultralytics HUB gibi platformlar, veri yönetimi ve model eğitimi dahil olmak üzere genel ML iş akışını kolaylaştırır, ancak öncelikle denetimli algılama ve segmentasyon gibi görevlere odaklanırlar, denetimsiz otomatik kodlayıcı eğitimine değil.