![\"yapay](\"https:\/\/bilimvegelecek.com.tr\/wp-content\/uploads\/yapay-zeka-g\u00f6rsel-\u00f6\u011frenme.jpg\")
<\/a><\/h5>\nRice \u00dcniversitesi ve Baylor T\u0131p Okulu\u2019ndan sinirbilim ve yapay zek\u00e2 uzmanlar\u0131, insan beyninden ilham alarak bilgisayarlar\u0131n g\u00f6rsel d\u00fcnyay\u0131 bebeklerinki gibi b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kendi kendilerine \u00f6\u011frenmelerini sa\u011flayan yeni bir \u201cderin \u00f6\u011frenme\u201d (deep learning) y\u00f6ntemi geli\u015ftirdiler.<\/p>\n
Testlerde grubun \u201cderin i\u015fleme kar\u0131\u015f\u0131m\u0131 modeli\u201d, federal \u00e7al\u0131\u015fanlar ve lise \u00f6\u011frencileri taraf\u0131ndan yaz\u0131lm\u0131\u015f 10.000 rakamdan olu\u015fan standart veri setini kullanarak, el yaz\u0131s\u0131 rakamlar\u0131 nas\u0131l ay\u0131rt edebilece\u011fini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kendi kendine \u00f6\u011frendi. Ge\u00e7ti\u011fimiz ay yap\u0131lan Barcelona\u2019daki Sinirsel Bilgi \u0130\u015fleme Sistemleri (NIPS) Konferans\u0131\u2019nda sunulan sonu\u00e7larda, ara\u015ft\u0131rmac\u0131lar algoritmalar\u0131n\u0131n, kendisine verilen 0\u2019dan 9\u2019a kadar rakamlardan olu\u015fan 10 adet do\u011fru \u00f6rne\u011fi nas\u0131l \u00f6\u011frendi\u011fini ve daha sonras\u0131nda binlerce \u00f6rnekle \u00f6\u011frenmeye nas\u0131l devam edebilece\u011fini a\u00e7\u0131klad\u0131lar. Testlerde, binlerce \u00f6rnekle e\u011fitilmi\u015f olan neredeyse t\u00fcm \u00f6nceki algoritmalara nazaran yeni algoritma daha do\u011fru sonu\u00e7lar verdi.<\/p>\n
\u201cDerin \u00f6\u011frenme dilinde, sistemimiz yar\u0131-denetlenen (semisupervised) \u00f6\u011frenme olarak bilinen bir y\u00f6ntem kulland\u0131\u201d diyor Baylor \u00dcniversitesi\u2019nde sinirbilim konusunda \u00e7al\u0131\u015fan ve ayn\u0131 zamanda Rice \u00dcniversitesi\u2019nde elektrik ve bilgisayar m\u00fchendisi olan Ankit Patel.<\/p>\n
Patel, \u201c\u0130nsanlar bu \u015fekilde \u00f6\u011frenmiyor. Bebekler ilk y\u0131llar\u0131nda g\u00f6rd\u00fckleri \u015feyleri \u00f6\u011frenmeye ba\u015flad\u0131\u011f\u0131nda, nesnelerin ne oldu\u011fuyla ilgili \u00e7ok az bilgi sahibi oluyorlar. Ebeveynler birka\u00e7 \u015feyi tan\u0131ml\u0131yor: \u2018\u015ei\u015fe\u2019, \u2018sandalye\u2019, \u2018anne\u2019. Fakat o noktada bebek konu\u015fulan kelimeleri dahi anlam\u0131yor. Bu y\u00f6ntem d\u0131\u015f d\u00fcnya ile baz\u0131 etkile\u015fimler yoluyla ger\u00e7ekle\u015fen denetlenmeyen (unsupervised) bir \u00f6\u011frenme y\u00f6ntemi\u201d diyor.<\/p>\n
Patel ve yeni \u00e7al\u0131\u015fman\u0131n bir di\u011fer yazar\u0131 olan lisans\u00fcst\u00fc \u00f6\u011frencisi Tan Nguyen, e\u011fitim \u00f6rnekleri formlar\u0131nda \u00e7ok fazla destek gerektirmeyen g\u00f6rsel veri i\u00e7in yar\u0131-denetlenen bir \u00f6\u011frenme sistemi tasarlayarak i\u015fe ba\u015flad\u0131lar. \u00d6rne\u011fin, Karma Ulusal Standartlar ve Teknoloji Enstit\u00fcs\u00fc\u2019deki (MNIST) veritaban\u0131ndaki 10.000 elyaz\u0131s\u0131 verisi test edilmesinden \u00f6nce, denetimli \u00f6\u011frenmeyi kullanan n\u00f6ral a\u011flara elyaz\u0131s\u0131 e\u011fitim \u00f6rneklerinden, y\u00fczlerce hatta binlercesinin verilmesi gerekecekti. Yar\u0131 denetimli Rice-Baylor algoritmas\u0131 biyolojik sinirlerden ilham al\u0131narak tasarlanan yapay sinir tabakalar\u0131n\u0131n olu\u015fturdu\u011fu \u201ckatlamal\u0131 (konvol\u00fcsyonel) sinir a\u011f\u0131\u201d yaz\u0131l\u0131m\u0131d\u0131r. Bu yapay n\u00f6ronlar ya da i\u015flem birimleri, katmanlar halinde organize olur; ilk katman bir imaj\u0131 tarayarak kenarlar ve renk de\u011fi\u015fimleri gibi basit g\u00f6revleri yerine getirir. \u0130kinci katman, ilk katmandan gelen veriler \u00fczerine \u00e7al\u0131\u015f\u0131r ve daha karma\u015f\u0131k kal\u0131plar arar. Matematiksel olarak, bu i\u00e7 i\u00e7e yuvalanm\u0131\u015f kal\u0131p i\u00e7inde kal\u0131p arama y\u00f6ntemi, do\u011frusal olmayan (lineer olmayan) bir i\u015flemdir.<\/p>\n
Patel, katlamal\u0131 sinirsel a\u011fdan \u201cTemel olarak basit bir g\u00f6rsel korteks\u201d olarak s\u00f6z ediyor. \u201cOna bir imaj verirsiniz; her katmanda imaj bir ad\u0131m daha fazla i\u015flenir ve daha derinlemesine anla\u015f\u0131l\u0131r. Son katmanda ise imaj\u0131n \u00e7ok daha derin ve soyut anlam\u0131na sahip olursunuz. \u015eu anki otomatik pilotlu arabalarda, en iyi g\u00f6r\u00fc\u015f\u00fc sa\u011flayabilmek i\u00e7in katlamal\u0131 sinirsel a\u011flar kullan\u0131lmaktad\u0131r.\u201d<\/p>\n
\u0130nsan beyni gibi, sinirsel a\u011flar da, i\u015fe bo\u015f bir levha olarak ba\u015flar ve d\u00fcnya ile etkile\u015fime ge\u00e7tik\u00e7e \u015fekillenir. \u00d6rne\u011fin, katlamal\u0131 a\u011fdaki her i\u015flem birimi ayn\u0131 \u015fekilde \u00e7al\u0131\u015fmaya ba\u015flar ve g\u00f6rsel uyar\u0131ya maruz kald\u0131k\u00e7a \u00f6zelle\u015fir.<\/p>\n
\u201c\u015eekilleri belirleyen kenarlar \u00e7ok \u00f6nemli\u201d diyor Nguyen. \u201cAl\u00e7ak katman n\u00f6ronlar\u0131n\u0131n \u00e7o\u011fu kenar detekt\u00f6r\u00fc olma e\u011filiminde. G\u00f6rsel yorumlamada \u00e7ok \u00f6nemli ve ortak olan kal\u0131plara bak\u0131p kendilerini daha \u00f6zel olan\u0131 bulmak i\u00e7in e\u011fitiyorlar. \u00d6rne\u011fin, 45 derecelik bir kenar ya da k\u0131rm\u0131z\u0131dan maviye ge\u00e7i\u015f yapan 30 derecelik bir kenar gibi\u201d diye belirtiyor. \u00a0\u201cBelirli kal\u0131plar\u0131 tespit ettiklerinde uyar\u0131larak bir sonraki katmana ge\u00e7ip devam ediyorlar. Temel olarak, kulland\u0131\u011f\u0131n\u0131z g\u00fc\u00e7 ya da a\u011f\u0131n\u0131z\u0131n derinli\u011fi, yapt\u0131\u011f\u0131n\u0131z do\u011frusal olmayan bu d\u00f6n\u00fc\u015f\u00fcmlerin say\u0131s\u0131 kadar denilebilir. A\u011f \u00f6rg\u00fcs\u00fc ne kadar derinse, \u00e7\u00f6zd\u00fc\u011f\u00fcn\u00fcz \u015fey o kadar artar. En derin katmanlarda, birimler g\u00f6zbebekleri, dikey \u0131zgara desenleri ya da okul otob\u00fcs\u00fc gibi olduk\u00e7a soyut \u015feyleri ar\u0131yorlar.\u201d<\/p>\n
Nguyen, Patel ile Ocak\u2019ta \u00e7al\u0131\u015fmaya ba\u015flad\u0131\u011f\u0131nda, Rice-Baylor\u2019daki kadrolu kariyerine de ba\u015flam\u0131\u015f oldu. Patel h\u00e2lihaz\u0131rda 10 y\u0131ldan fazla s\u00fcredir makine \u00f6\u011frenmesi \u00fczerine \u00e7al\u0131\u015f\u0131p uyguluyordu. Bu \u00e7al\u0131\u015fmalar b\u00fcy\u00fck hacimli e\u015fyalar\u0131n e\u011fitiminden stratejik savunma f\u00fczelerine uzanan \u00e7e\u015fitlilikteydi. 4 y\u0131ll\u0131k doktora sonras\u0131 e\u011fitimini Rice \u00dcniversitesi\u2019nde Richard Baraniuk ile tamamlad\u0131. 2015\u2019te Baraniuk, Patel ve Nguyenhem katlamal\u0131 sinirsel a\u011flar\u0131n yap\u0131s\u0131n\u0131 t\u00fcretecek hem de limitlerini k\u0131smen giderecek ilkesel \u00e7\u00f6z\u00fcmler sunan ilk teorik \u00e7er\u00e7eveyi yay\u0131mlad\u0131lar.<\/p>\n
<\/a><\/h5>\nBaraniuk\u2019a g\u00f6re, g\u00fcn\u00fcm\u00fcz teknolojisinin \u00f6tesine ge\u00e7ebilen katlamal\u0131 a\u011flar tasarlamak i\u00e7in sa\u011flam teorik bir anlay\u0131\u015f hayati \u00f6nem ta\u015f\u0131yor. \u201cBu konuda video imajlar\u0131 \u00e7ok g\u00fczel bir \u00f6rnek\u201d diyor Baraniuk. \u201cKare kare \u00e7al\u0131\u015fan bir videoya bakt\u0131\u011f\u0131mda, t\u00fcm objeleri ve nas\u0131l hareket ettiklerini anlamak istersem, bu \u00e7ok zor bir u\u011fra\u015f olur. Bir videodaki tek bir karedeki her nesneyi tan\u0131mlamaya \u00e7al\u0131\u015fman\u0131n ne kadar uzun s\u00fcrebilece\u011fini hayal edin. Kimsenin bunun i\u00e7in zaman\u0131 yoktur. Videoda g\u00f6rd\u00fcklerini anlamaya \u00e7al\u0131\u015fan bir makine, objelerin ne oldu\u011funu anlamak i\u00e7in \u00fc\u00e7 boyutlu uzay\u0131 ve daha bir y\u0131\u011f\u0131n \u00e7ok karma\u015f\u0131k \u015feyleri hesaba katmal\u0131. Biz insanlar b\u00f6yle \u015feyleri kendili\u011fimizden \u00f6\u011freniriz ve kan\u0131ksar\u0131z, fakat g\u00fcn\u00fcm\u00fcz yapay sinirsel a\u011flar\u0131 bunlar\u0131 yapamaz.\u201d<\/p>\n
Patel, NIPS makalesinde i\u015fledikleri, yapay sinirsel a\u011flar teorisinin sinirbilimcilere insan beyni \u00fczerindeki \u00e7al\u0131\u015fmalar\u0131nda olduk\u00e7a yard\u0131mc\u0131 olabilece\u011fini d\u00fc\u015f\u00fcn\u00fcyor. \u201cG\u00f6rsel korteksin d\u00fcnyay\u0131 tasvir edi\u015fiyle katlamal\u0131 a\u011flar\u0131n d\u00fcnyay\u0131 tasviri aras\u0131nda baz\u0131 benzerlikler oldu\u011fu g\u00f6r\u00fcl\u00fcyor; ama b\u00fcy\u00fck farklar da yok de\u011fil\u201d diyor Patel. Bunlar beynin ne yapt\u0131\u011f\u0131yla alakal\u0131 olabilir. Ve beyinle ilgili bildi\u011fimiz en kritik \u015fey, beynin \u00e7o\u011funlukla denetimsiz ve kontrol edilemeyen bir \u015fekilde \u00f6\u011frendi\u011fidir.\u201d<\/p>\n
Patel son olarak \u201cBenim ve sinirbilimci arkada\u015flar\u0131m\u0131n bulmaya \u00e7al\u0131\u015ft\u0131\u011f\u0131 \u015fey, g\u00f6rsel korteks i\u00e7indeki sinirsel devreler taraf\u0131ndan ger\u00e7ekle\u015ftirilen yar\u0131-denetlenen \u00f6\u011frenme algoritmas\u0131n\u0131n ne oldu\u011fudur. Ve bunun bizim derin \u00f6\u011frenme teorimizle ba\u011flant\u0131s\u0131 nas\u0131l olabilir? Teorimizi beynin ne yapt\u0131\u011f\u0131n\u0131 izah edebilmek i\u00e7in kullanabilir miyiz? \u00c7\u00fcnk\u00fc beynin \u00e7al\u0131\u015fma \u015fekli, bug\u00fcne kadar tasarlad\u0131\u011f\u0131m\u0131z herhangi bir sinirsel a\u011fdan \u00e7ok daha \u00fcst\u00fcn\u201d diyor.<\/p>\n
<\/p>\n