deep learning

• toplumumuzun genel bir huyu olarak tanımların içini boşaltma konusunda yeni moda olan mühendislik alanlarından birisidir. özellikle bu alanda o kadar büyük bir karmaşa vardır ki genellikle yapay zekayla ilgili olarak makine öğrenmesi, derin öğrenme ve yapay sinir ağı kelimelerini hemen hemen aynı şeyler için kullanan büyük bir güruha sahip olduk.
  
  işbu öğrenme çeşidi makine öğrenmesinin dallarından birisidir, yapay zekaya sanat diyecek olursak, makine öğrenimi resim, derin öğrenme ise farklı akımlardan etkilenmiş dönemsel resim teknikleri gibi algılayabilirsiniz. (bkz: klasizm)(bkz: ekspresyonizm)
  
  peki bu derin neden? yahut ne kadar derin?
  
  özellikle bu çalışma alanı şekillenmeye başlarken bilim adamları haliyle bu tekniğin niteliklerine göre tutarlı bir isim vermişler. diğer makine öğrenimi uygulamalarına (bkz: lojistik regresyon) bakacak olursak bu işlemleri kağıt üzerinde yahut hesaplayıcılarda yaparak girdileri ve çıktıları daha detaylı görebilirken, derin öğrenmede bu kısım daha belirsizdir. madem derin öğrenmeye bakıyoruz konunun daha derinine bakmakta fayda var.
  
  derin öğrenme konusunun olmazsa olmazı diyebileceğimiz bir hususa göz atabiliriz. yapay sinir ağı, çok kaba bir tabirle tahayyül etmek isterseniz beynimizdeki nöronları model alabilirsiniz.
  
  yapay zeka tarifi:
  
  en az bir yapay sinir ağı
  programlama dili (bkz: python) tavsiyemdir.
  bilgisayar
  makinemize bir şeyler ögretecek kadar veri. (göz kararı atabilirsiniz fakat elinizi korkak alıştırmayın)
  
  tercihen veriyi yemeğe hazırlamak açısından temizleyebilirsiniz. (şiddetle tavsiyedir.)
  
  verilerimiz servise hazır olana dek birçok prosesten geçecek, uzun uzun hepsini yazmıyorum bu işin içine girecekseniz burda yazılan bir kaç satırlık tanımlar size yetmeyeceğinden emin olabilirsiniz o yüzden başlıklarını yazıp kaçıyorum.
  
  (bkz: initializing parameters)
  (bkz: forward propagation)(bkz: loss function)(bkz: cost function)(bkz: backward propagation)(bkz: updating parameters)(bkz: prediction)
  
  bir kısmın havada kaldığının farkındayım buraya kadar gözünüz korkmadıysa geri kalanlarla içine bakmaya devam edebiliriz.
  
  işte bu işlemler yapılırken optimizasyonlar, parametre güncellemeleri, zincir türevler, hataya katılım oranları, eğilim ve ağırlık değerleri gibi birçok işlemi aslında izleyebiliyoruz, fakat bu yapay sinirlerdeki nöronların verinin hangi durumuna göre nasıl aktive olacağı biraz probabilistik bir sonuç oluyor. bu yüzden derin öğrenme konusunu insandaki sezgisellik olarak düşünebilirsiniz.
  
  (burda bir tırnak açıp bir şey söylemek isterim, benim de aklımı kurcalayan bazı durumlar yok değil, sezgisel durum deterministik ideolojime ters gelse de ya ben tam olarak kavramış değilim yahut ekseriyetiyle bu durum böyle, bu entry 18.10.2018 de girilmiştir, bu durumu daha iyi anlamak için bir hafta önce ethem alpaydın’ın teke tek programındaki konuşmasına gidebilirsiniz.)
  
  son olarak bağlayacak olursak bu derin kavramı, giriş ve çıkış arasındaki gizli katmanlardan gelmektedir, sinir ağınızın gücü diyebileceğimiz (ya da derinliği) bir parametre de bu katman sayısı desek yanlış yapmış olmayız.
  
  bu entryi çaylak olarak giriyorum, şayet okuyan birisi olup da aklına takılan yahut yanlış olduğunu düşündüğünüz bir yer olursa mesaj kutumu yeşillendirebilirsiniz. gelecekle kalın.