İç içe üç halka
Üç kavramı anlamanın en kolay yolu, onları iç içe geçmiş halkalar gibi düşünmektir:
- Yapay zekâ (en dış halka): Makinelere öğrenme, akıl yürütme, algılama ve karar verme gibi işleri yaptırmaya yönelik tüm yöntemler.
- Makine öğrenmesi (orta halka): Bu yöntemlerden, kuralları insanların yazması yerine verilerden öğrenen olanlar.
- Derin öğrenme (en iç halka): Makine öğrenmesinin, çok katmanlı yapay sinir ağlarıyla çalışan alt dalı.
Günlük hayattan bir benzetme: "Taşıt" yapay zekâysa, "otomobil" makine öğrenmesi, "elektrikli otomobil" de derin öğrenmedir. Her elektrikli otomobil bir otomobildir, her otomobil de bir taşıttır; ama tersi doğru değildir.
Makine öğrenmesi nedir?
Makine öğrenmesi, bilgisayarın açıkça programlanmadan, örneklerden öğrenerek görevini zamanla daha iyi yapmasını sağlayan yöntemlerin genel adıdır.
Örneğin bir bankanın kredi başvurularını değerlendirdiğini düşünün. Klasik programlamada bir uzman "geliri şundan azsa ve borcu şundan fazlaysa reddet" gibi kurallar yazar. Makine öğrenmesinde ise sisteme geçmişteki binlerce başvuru ve sonuçları verilir; sistem hangi özelliklerin geri ödemeyle ilişkili olduğunu kendisi çıkarır.
Klasik makine öğrenmesinde sık kullanılan yöntemlerden bazıları: karar ağaçları, rastgele orman, lojistik regresyon ve k-ortalamalar kümeleme. Bu yöntemler tablo hâlindeki verilerde (satış, müşteri, sensör kayıtları) hâlâ çok etkilidir ve yaygın olarak kullanılır.
Derin öğrenme nedir?
Derin öğrenme, makine öğrenmesinin çok katmanlı yapay sinir ağları kullanan alt dalıdır. "Derin" kelimesi, ağdaki katman sayısının fazlalığından gelir.
Klasik makine öğrenmesinde, verinin hangi özelliklerine bakılacağını çoğu zaman insanlar belirler (öznitelik mühendisliği). Derin öğrenme ise ham veriden (piksellerden, ses dalgalarından, kelimelerden) önemli özellikleri kendisi öğrenebilir. Bu sayede:
- Fotoğraflardaki nesneleri tanımak,
- Konuşmayı yazıya dökmek,
- Diller arasında çeviri yapmak,
- İnsan gibi akıcı metin yazmak
gibi eskiden çok zor olan işler mümkün hâle geldi. ChatGPT, Gemini ve Claude'un arkasındaki büyük dil modelleri de derin öğrenmenin ürünüdür.
Karşılaştırma tablosu
| Klasik makine öğrenmesi | Derin öğrenme | |
|---|---|---|
| Veri ihtiyacı | Binlerce örnek çoğu zaman yeterli | Genellikle çok daha fazla veri gerekir |
| Özellik seçimi | Çoğunlukla insanlar belirler | Model ham veriden kendisi öğrenir |
| Donanım | Sıradan bilgisayarlar yeterli olabilir | Genellikle güçlü grafik işlemciler (GPU) gerekir |
| Eğitim süresi | Dakikalar veya saatler | Saatlerden haftalara |
| Açıklanabilirlik | Kararın nedeni daha kolay açıklanır | Kararın nedenini açıklamak zordur |
| Güçlü olduğu alan | Tablo hâlindeki veriler: satış, kredi, stok | Görüntü, ses, metin gibi yapılandırılmamış veriler |
Hangisinin daha iyi olduğu işe bağlıdır. Az veriyle çalışan, kararlarının açıklanması gereken bir kredi değerlendirme sistemi için klasik makine öğrenmesi daha uygun olabilir. Fotoğraftan hastalık belirtisi arayan bir sistem için ise derin öğrenme gerekir.
Sık karıştırılan diğer kavramlar
- Veri bilimi: Veriden anlam çıkarma disiplinidir. İstatistik, görselleştirme ve makine öğrenmesini birlikte kullanır; ama her veri bilimi çalışması yapay zekâ değildir. Meslek olarak ilgileniyorsanız yol haritalarımıza göz atabilirsiniz.
- Doğal dil işleme (NLP): Makine öğrenmesi ve derin öğrenmeyi dil üzerinde kullanan uygulama alanıdır.
- Büyük dil modeli (LLM): Çok büyük metin verisiyle eğitilmiş derin öğrenme modelidir.
- Üretken yapay zekâ: Yeni içerik üreten yapay zekâ türüdür; çoğunlukla derin öğrenmeyle çalışır.
Özetle
- Yapay zekâ en geniş kavramdır; makine öğrenmesi onun alt alanı, derin öğrenme de makine öğrenmesinin alt dalıdır.
- Makine öğrenmesi kuralları elle yazmak yerine verilerden öğrenir.
- Derin öğrenme çok katmanlı sinir ağlarıyla ham veriden kendi özelliklerini çıkarır.
- Klasik makine öğrenmesi tablo verilerinde ve az veride; derin öğrenme görüntü, ses ve metinde güçlüdür.
- ChatGPT gibi büyük dil modelleri derin öğrenmenin ürünüdür.
Sık sorulan sorular
Makine öğrenmesi ile yapay zekâ aynı şey mi?
Hayır. Makine öğrenmesi yapay zekânın bir alt alanıdır. Her makine öğrenmesi sistemi bir yapay zekâdır, ama her yapay zekâ sistemi makine öğrenmesi kullanmaz; örneğin kurallarla çalışan uzman sistemler de yapay zekâ sayılır.
Derin öğrenme neden "derin" diye adlandırılıyor?
Derin öğrenmede kullanılan yapay sinir ağları çok sayıda katmandan oluşur. "Derin" ifadesi bu katman sayısının fazlalığını anlatır; katman arttıkça model daha karmaşık örüntüleri öğrenebilir.
Makine öğrenmesi öğrenmek için ne bilmek gerekir?
Genellikle temel Python programlama, olasılık ve istatistik, doğrusal cebir temelleri ve veriyle çalışma becerisi gerekir. Adım adım bir öğrenme planı için yol haritalarımıza göz atabilirsiniz.
Derin öğrenme her zaman daha mı iyidir?
Hayır. Derin öğrenme görüntü, ses ve metin gibi karmaşık verilerde çok güçlüdür; ancak az veri olan, kararların açıklanması gereken ya da tablo hâlindeki verilerle çalışılan işlerde klasik makine öğrenmesi daha hızlı, ucuz ve anlaşılır olabilir.
