Evrim Ağacı
Reklamı Kapat

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Kavramları Arasındaki Fark Nedir?

Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Kavramları Arasındaki Fark Nedir?
Tavsiye Makale
Reklamı Kapat

Bu yazı, Evrim Ağacı'na ait, özgün bir içeriktir. Konu akışı, anlatım ve detaylar, Evrim Ağacı yazarı/yazarları tarafından hazırlanmış ve/veya derlenmiştir. Bu içerik için kullanılan kaynaklar, yazının sonunda gösterilmiştir. Bu içerik, diğer tüm içeriklerimiz gibi, İçerik Kullanım İzinleri'ne tabidir.

Bu yazı, Yapay Zeka yazı dizisinin 2. yazısıdır. Dizinin ilk yazısına gitmek için buraya, dizideki tüm yazıları görmek için buraya tıklayınız. Yazı dizileri, EA Akademi'nin bir parçasıdır.

Yazı dizisi içindeki ilerleyişinizi kaydetmek için veya kayıt olun.

Yapay zeka kavramı bilim kurgu ürünlerinde her zaman yerini bulmuş olsa da son 10 yılda daha önce hiç olmadığı kadar popülerlik kazanmıştır. Bu popülerleşme ile, önceden daha az bilinen "Makine Öğrenmesi" kavramı da halk arasında çokça duyulmaya başlanmış, gündelik sohbetlere daha önceden hiç duymadığımız "Derin Öğrenme" kavramı girmiştir.

Peki tüm bu terimlerin ne anlama geldiğini biliyor musunuz? Veya aralarındaki farkları? Bu yazımızda, temel yapay zeka kavramları hakkındaki soru işaretlerinizi gidermeye çalışacağız.

Yapay Zeka Nedir?

Yapay zeka, en basit tanımı ile, insan zekasının belli bir parçasını taklit etmeye çalışan sistemlerin genel adıdır. Bu açıdan bakıldığında, yapay zeka dendiğinde aklımıza insanın zekasını tamamen taklit edebilen veya amacı bu olan sistemler gelmemelidir.

Yapay zeka, kendini birçok farklı alanda gösterebilir: Günlük hayatta kullandığımız yazdıklarımızı tahmin ederek tamamlayan sistemler, Google'da elimizdeki bir görseli aratmamızı sağlayan arama motoru, Youtube'un video önerme sistemi ve bir zamanlar nasıl çalıştığı çok merak edilen Instagram'ın hikayeyi görenler sıralaması sık karşılaştığımız örnekleridir.

Fakat yapay zeka uygulamaları bu kadar karmaşık ve üst düzey olmak zorunda değildir: Rastgele bir sayı dizisini küçükten büyüğe sıralayan, A noktasından B noktasına giden en kısa yolu bulan, sudoku çözen basit diyebileceğimiz algoritmalar da esasında yapay zeka sayılır. Burada önemli olan nokta, otomatikleştirme yöntemi bariz olmayan ve zeka sahibi olmayan varlıkların çözmesini beklemediğimiz problemleri çözebiliyor olmasıdır.

Günümüzde yapay zeka terimi, akademik mecrada kendi başına pek bir şey ifade etmemektedir; zira uğraşılan birçok problem, halihazırda yapay zeka içermektedir. Bahsettiğimiz ve sizlerin de farkında olduğu bu popülerleşme, her gün kelimenin tam anlamı ile yüzlerce akademik yayına meyve verirken (bu konuda yayınlanan makalelerin bir kısmını buradan ve buradan takip edebilirsiniz), bu araştırmaların büyük bir kısmının dahil olduğu daha özelleşmiş bir kavram olan makine öğrenmesi kavramını kullanmak yerine, yapay zeka kavramını kullanmak, her ne kadar yanlış bir kullanım olmasa da, anlam kargaşasına ve yapay zeka alanına dahil birçok farklı alt dalın artık yapay zeka olarak algılanmamasına yol açmaktadır.

Gelin sizlerle, son 10 sene içinde karşılaştığnız heyecan verici çoğu yapay zeka uygulamasında bulunan ve yapay zekanın bir alt dalı olan makine öğrenmesine biraz daha yakından bakalım.

Makine Öğrenmesi Nedir?

Makine öğrenmesi, diğer yapay zeka uygulamalarından farklı olarak, bir yandan insan zekasını taklit ederken, diğer yandan bizim yorumlayıp elle gireceğimiz kurallara ihtiyaç duymayan algoritmalar bütünüdür. Nasıl ki bir insan gördükleri ve duydukları ile kavramları kendi kendine öğreniyor ve birilerinin bu kuralları beynine işlemesine ihtiyaç duymuyorsa, makine öğrenmesi uygulamaları da benzer bir şekilde, kendisine sunulan veri kümelerini özümseyerek yapılması istenen görevi öğrenir.

"Klasik" veya "geleneksel" algoritmalar diyebileceğimiz, makine öğrenmesi içermeyen yapay zeka algoritmaları ile, makine öğrenmesi algoritmaları arasındaki farkı şu basit örnek ile anlatabiliriz: Hayvanlar hakkında hiçbir bilgisi olmayan bir insan bebeğini hayal edin. Bu bebek, kediler ve köpekler arasındaki farkları ayırt edemeyecektir. Bu düşünce deneyinde bebeği yapay zeka algoritması, ona farkları öğretecek kişiyi ise bir bilgisayar bilimci olarak hayal edelim.

Evrim Ağacı'ndan Mesaj

Klasik yapay zeka uygulamalarında bebeğe, kedi ve köpek arasındaki farkı öğretmek yerine ona kedi ve köpeği ayırt etmesini sağlayacak bir dolu yönerge veririz. Bu yönergelerin öyle bir şekilde hazırlanması gerekir ki, bu hiçbir şey bilmeyen bebek, hem o yönergeleri takip edebilmeli hem de kedi ve köpeği çoğunlukla doğru şekilde ayırt edebilmelidir. Bunun hem bebek için hem de öğreten kişi için ne kadar zor olduğunu ortadadır.

Öte yandan, fark etmiş olabileceğiniz gibi, bebeğin başarısını arttırmak için bunu yapmamıza aslında gerek yoktur: Bebeğe çok sayıda kedi ve köpek fotoğrafı verip, hangisinin hangisi olduğunu tekrar tekrar söylesek, bebek bir noktadan sonra yüksek bir doğruluk ile bu ikisini ayırt etmeye başlayacaktır. İşte makine öğrenmesi algoritmaları, adı üstünde, tam da bu şekilde çalışmaktadır. Elbette, ne yazık ki bilgisayarlar üretildiklerinde içlerinde bir öğrenme algoritması ile gelmezler. Bilgisayar bilimciler, her problem için en uygun makine öğrenmesi algoritmasını kendileri tasarlar ve uyarlarlar.

İşte makine öğrenmesi özünde bu mantık çerçevesinde inşa edilmiştir. Son zamanda gördüğümüz birçok yapay zeka uygulaması da aslında makine öğrenmesi uygulamalarıdır. Bilimkurgu filmlerinde de görmeye alıştığımız çoğu yapay zeka uygulaması için de makine öğrenmesi gerçek hayatta olmazsa olmazdır; o yüzden "makine öğrenmesi" ile "yapay zeka" kavramları birbirine daha fazla karışmaktadır.

Bu noktada makine öğrenmesi ve yapay zeka kavramları arasındaki farkı ortaya koyarak kavram kargaşasının büyük ölçüde önüne geçmiş olsak da, atmamız gereken bir adım daha var: Makine öğrenmesi, her ne kadar yapay zekaya göre daha dar bir kavram olsa da, yine içerisinde birçok farklı algoritma ve yöntem bulunduran bir alandır. Bu nedenle "makine öğrenmesi" kavramı, bahsettiğimiz popülerleşmenin ürünlerini hala yeterince iyi tanımlamaz. Bu nedenle şimdi, makine öğrenmesinin bir alt dalı olan derin öğrenmeden bahsederek hem popüler yayın seviyesindeki kavram kargaşasının önüne geçeceğiz, hem de neden yapay zekanın son 10 yıldır bu kadar popüler olduğunu daha iyi anlayacağız.

Derin Öğrenme Nedir?

Derin öğrenme, basitçe tanımlamak gerekirse, çok katmanlı yapay sinir ağlarının (İng: "Multi Layer Artificial Neural Networks") geri yayılım (İng: "backpropagation") isimli bir algoritma ile eğitilmesine verdiğimiz isimdir. Bu iki kavram bile başlı başına kitaplarca anlatılabilecek kadar geniş kavramlardır; o nedenle burada detaylarına girmeyeceğiz. Ancak yine de yapay zekanın popülerleşmesinden, derin öğrenme kavramının çıkışından ve bu popülerleşme ile ilişkisinden kısaca bahsederek genel bir kavrayışa erişebiliriz.

Yapay Sinir Ağları

2010 senesi, halk arasında süregelen yapay zeka furyasının miladı olarak kabul edilebilir. Bunun sebebi, o yıl geliştirilmiş bir yapay sinir ağıdır.

Yapay sinir ağları, makine öğrenmesinde kullanılan bir tür algoritma taslağıdır. Bu taslak, memeli beyninden esinlenilerek yaratılmıştır; fakat günümüzde biyolojik bir beyin ile pek bir alakası kalmamıştır. 2010 senesinde Toronto Üniversitesi'nden Alex Krizhevsky, Ilya Sutskever ve Geoffrey E. Hinton, AlexNet ismini verdikleri bir yapay sinir ağı modeli geliştirdiler. Bu modelin önemi, 1000 farklı sınıfa ait 1.2 milyon görselin bulunduğu hayal edilemeyecek büyüklükteki ImageNet veri kümesinde eğitilerek, ImageNet LSVRC-2010 yarışmasında görsel sınıflandırma alanında bugüne kadar eşi benzeri görülmemiş bir başarı elde etmesidir. İlk bakışta bu o kadar da önemli bir başarı olarak görülmeyebilir; fakat bu zorlu problemdeki müthiş başarı, dünyanın dört bir tarafında herkese yapay sinir ağlarının gücünü ispat etmiştir.

Yapay sinir ağları da, geri yayılım algoritması da 2010 senesinden önce de biliniyordu ve birçok farklı alanda kullanılıyordu; fakat AlexNet'e kadar hayatımıza çok girmemişlerdi ve sadece akademik mecralarda varlıklarını sürdürüyorlardı. AlexNet, gerçek hayata uyarlanabilirliğin artık mümkün olduğunu iki şeyi göstererek ispatladı:

  1. İnternetin yaygınlaşması ve sosyal medya platformlarının popülerleşmesi kullanılabilecek devasa bir veri topluluğu oluşturmuştu. Eskiden ortada bu kadar fazla veri olmaması, veri sayısı ile doğru orantılı olarak başarılarını arttıran yapay sinir ağı modellerinin potansiyellerini tam olarak gösterememesine sebep oluyordu.
  2. Bilgisayarların hesaplama gücünün artması artık eskiye kıyasla çok daha büyük, diğer bir deyişle "derin" yapay sinir ağlarının tasarlanabilmesini ve eğitilebilmesini sağlamıştı.

Bunun üzerine birçok büyük şirket ve akademisyen artık derin öğrenme olarak anılacak bu alan üstüne çalışmalar yaptı ve hala da yapmaya devam ediyor.

Yani özetle derin öğrenme, ismini çokça katmandan oluşan yapay sinir ağlarından almıştır, art arda katmanlardan oluştuğu için bu modellere "Derin Yapay Sinir Ağları", bu ağların geri yayılım algoritması ile eğitilmesine de "Derin Öğrenme" denmiştir.

Günümüzde popüler yazılarda ve haberlerde gördüğümüz inanılmaz yapay zeka ürünlerinin çoğu da bu derin öğrenme kavramının altında yer almaktadır. Yazının başında bahsettiğimiz Google, Youtube, Instagram'daki uygulamaları gibi; resim üreten yapay zekalar, çektiğiniz bir fotoğrafı Van Gogh'un tarzı ile tekrar yaratan yapay zekalar, çeviri yapan yapay zekalar ve bunun gibi görebileceğiniz çoğu yapay zeka uygulaması da aslında derin öğrenme uygulamalarıdır. Bu uygulamaların bir "yangına" dönüşmesini mümkün kılan kıvılcımın da, 2010'da kendini gösteren AlexNet'tir demek mümkündür.

Sonuç

Her ne kadar "yapay zeka" teriminin kullanımının belli muğlaklıklara yol açtığı açık olsa da, çeşitli şirket ve organizasyonların bu terimleri kullanması çok anormal değildir; çünkü en nihayetinde bu kurumlar, insanların bu kavramlarla en yaygın olarak ilişkilendirilen terimleri kullanarak cazibe yaratmayı, ilgi çekmeyi ve gereksiz sorulardan kaçınmayı hedeflemektedir. Örneğin 2019 yaz aylarında kurduğumuz "İTÜ Yapay Zeka" kulübünün ismi bu şekilde seçilmiştir; çünkü her ne kadar çoğunlukla derin öğrenme üzerine çalışıyor olsak da, henüz akademinin dışında çok da oturmamış "derin öğrenme" terimini kullanmak, okula yeni gelmiş ve bu kulüplere katılmak isteyen kişilerin kafasını karıştırabilecektir.

Bu terimleri genel kitleye tanıtmak konusunda da bu alanda çalışmalar yapan kişilere ve Evrim Ağacı olarak bizlere büyük görevler düşüyor. Umuyoruz bu yazı, bu kavramların doğru bir şekilde öğrenilmesi açısından faydalı olmuştur.

Bu İçerik Size Ne Hissettirdi?
  • Tebrikler! 15
  • Mmm... Çok sapyoseksüel! 5
  • Muhteşem! 4
  • İnanılmaz 4
  • Umut Verici! 4
  • Merak Uyandırıcı! 4
  • Bilim Budur! 3
  • Güldürdü 0
  • Üzücü! 0
  • Grrr... *@$# 0
  • İğrenç! 0
  • Korkutucu! 0
Kaynaklar ve İleri Okuma

Evrim Ağacı'na her ay sadece 1 kahve ısmarlayarak destek olmak ister misiniz?

Şu iki siteden birini kullanarak şimdi destek olabilirsiniz:

kreosus.com/evrimagaci | patreon.com/evrimagaci

Çıktı Bilgisi: Bu sayfa, Evrim Ağacı yazdırma aracı kullanılarak 29/10/2020 11:49:01 tarihinde oluşturulmuştur. Evrim Ağacı'ndaki içeriklerin tamamı, birden fazla editör tarafından, durmaksızın elden geçirilmekte, güncellenmekte ve geliştirilmektedir. Dolayısıyla bu çıktının alındığı tarihten sonra yapılan güncellemeleri görmek ve bu içeriğin en güncel halini okumak için lütfen şu adrese gidiniz: https://evrimagaci.org/s/8889

İçerik Kullanım İzinleri: Evrim Ağacı'ndaki yazılı içerikler orijinallerine hiçbir şekilde dokunulmadığı müddetçe izin alınmaksızın paylaşılabilir, kopyalanabilir, yapıştırılabilir, çoğaltılabilir, basılabilir, dağıtılabilir, yayılabilir, alıntılanabilir. Ancak bu içeriklerin hiçbiri izin alınmaksızın değiştirilemez ve değiştirilmiş halleri Evrim Ağacı'na aitmiş gibi sunulamaz. Benzer şekilde, içeriklerin hiçbiri, söz konusu içeriğin açıkça belirtilmiş yazarlarından ve Evrim Ağacı'ndan başkasına aitmiş gibi sunulamaz. Bu sayfa izin alınmaksızın düzenlenemez, Evrim Ağacı logosu, yazar/editör bilgileri ve içeriğin diğer kısımları izin alınmaksızın değiştirilemez veya kaldırılamaz.

Reklamı Kapat
Güncel
Karma
Agora
Bilim İnsanı
Uterus
Habercilik
Su Ayısı
Sars Virüsü
Müzik
Yaşlılık
Robot
Bakteri
Biliş
Maskeler
Mars
Korku
Atom
Diyet
Zihin
Kalp
Mers
Evrimsel Süreç
Savunma
Kedi
Gezegen
Oyun Teorisi
Bilim Felsefesi
Müfredat
Daha Fazla İçerik Göster
Daha Fazla İçerik Göster
Reklamı Kapat
Reklamsız Deneyim

Evrim Ağacı'nın çalışmalarına Kreosus, Patreon veya YouTube üzerinden maddi destekte bulunarak hem Türkiye'de bilim anlatıcılığının gelişmesine katkı sağlayabilirsiniz, hem de site ve uygulamamızı reklamsız olarak deneyimleyebilirsiniz. Reklamsız deneyim, Evrim Ağacı'nda çeşitli kısımlarda gösterilen Google reklamlarını ve destek çağrılarını görmediğiniz, daha temiz bir site deneyimi sunmaktadır.

Kreosus

Kreosus'ta her 10₺'lik destek, 1 aylık reklamsız deneyime karşılık geliyor. Bu sayede, tek seferlik destekçilerimiz de, aylık destekçilerimiz de toplam destekleriyle doğru orantılı bir süre boyunca reklamsız deneyim elde edebiliyorlar.

Kreosus destekçilerimizin reklamsız deneyimi, destek olmaya başladıkları anda devreye girmektedir ve ek bir işleme gerek yoktur.

Patreon

Patreon destekçilerimiz, destek miktarından bağımsız olarak, Evrim Ağacı'na destek oldukları süre boyunca reklamsız deneyime erişmeyi sürdürebiliyorlar.

Patreon destekçilerimizin Patreon ile ilişkili e-posta hesapları, Evrim Ağacı'ndaki üyelik e-postaları ile birebir aynı olmalıdır. Patreon destekçilerimizin reklamsız deneyiminin devreye girmesi 24 saat alabilmektedir.

YouTube

YouTube destekçilerimizin hepsi otomatik olarak reklamsız deneyime şimdilik erişemiyorlar ve şu anda, YouTube üzerinden her destek seviyesine reklamsız deneyim ayrıcalığını sunamamaktayız. YouTube Destek Sistemi üzerinde sunulan farklı seviyelerin açıklamalarını okuyarak, hangi ayrıcalıklara erişebileceğinizi öğrenebilirsiniz.

Eğer seçtiğiniz seviye reklamsız deneyim ayrıcalığı sunuyorsa, destek olduktan sonra YouTube tarafından gösterilecek olan bağlantıdaki formu doldurarak reklamsız deneyime erişebilirsiniz. YouTube destekçilerimizin reklamsız deneyiminin devreye girmesi, formu doldurduktan sonra 24-72 saat alabilmektedir.

Diğer Platformlar

Bu 3 platform haricinde destek olan destekçilerimize ne yazık ki reklamsız deneyim ayrıcalığını sunamamaktayız. Destekleriniz sayesinde sistemlerimizi geliştirmeyi sürdürüyoruz ve umuyoruz bu ayrıcalıkları zamanla genişletebileceğiz.

Giriş yapmayı unutmayın!

Reklamsız deneyim için, maddi desteğiniz ile ilişkilendirilmiş olan Evrim Ağacı hesabınıza üye girişi yapmanız gerekmektedir. Giriş yapmadığınız takdirde reklamları görmeye devam edeceksinizdir.

Destek Ol
Türkiye'deki bilimseverlerin buluşma noktasına hoşgeldiniz!

Göster

Şifrenizi mi unuttunuz? Lütfen e-posta adresinizi giriniz. E-posta adresinize şifrenizi sıfırlamak için bir bağlantı gönderilecektir.

Geri dön

Eğer aktivasyon kodunu almadıysanız lütfen e-posta adresinizi giriniz. Üyeliğinizi aktive etmek için e-posta adresinize bir bağlantı gönderilecektir.

Geri dön

Close
“Evrim bir kuvvet değil, bir süreçtir. Bir sebep değil, bir yasadır.”
John Morley
Geri Bildirim Gönder