Makine Öğrenmesi ve Derin Öğrenme: Farklar ve Seçim Rehberi

Makine öğrenmesi ile derin öğrenmenin hiyerarşik ilişkisi

Kavramları doğru sıraya koymak, farkı anlamanın ilk adımıdır: Yapay zekâ, makine öğrenmesini kapsar; makine öğrenmesi de derin öğrenmeyi kapsar. Bu nedenle derin öğrenme, makine öğrenmesinin alternatifi veya ondan bağımsız bir teknoloji değil, onun belirli bir model ailesine dayanan alt kümesidir.

Makine öğrenmesinde amaç, girdiler ile hedef sonuç arasındaki ilişkiyi veriden öğrenmektir. Örneğin bir e-postanın spam olup olmadığını tahmin etmek için gönderici bilgisi, kelime sıklığı veya mesajın biçimsel özellikleri kullanılabilir. Kullanılabilecek yöntem yalnızca sinir ağlarıyla sınırlı değildir; karar ağaçları, destek vektör makineleri, regresyon ve kümeleme gibi yöntemler de makine öğrenmesi kapsamındadır.

Derin öğrenmede ise temel yapı, birden fazla gizli katmana sahip yapay sinir ağıdır. Girdi katmanı veriyi alır, gizli katmanlar ara temsiller üretir, çıktı katmanı ise tahmin veya sınıflandırma sonucunu verir. Katman sayısının artması tek başına modelin iyi olacağını garanti etmez. Modelin başarısı; veri kalitesi, etiketlerin doğruluğu, mimarinin probleme uygunluğu, eğitim süreci ve değerlendirme yöntemiyle birlikte ele alınmalıdır.

Bu yüzden 'derin öğrenme daha gelişmiş olduğu için her durumda daha iyidir' sonucu çıkarılamaz. Derin öğrenme, özellikle ham ve karmaşık verilerde güçlü olabilir; ancak küçük veri, sınırlı donanım veya yüksek açıklanabilirlik gerektiren durumlarda başka makine öğrenmesi yöntemleri daha uygun olabilir.

Özellik mühendisliği ile otomatik temsil öğrenme arasındaki fark

Makine öğrenmesi ile derin öğrenme arasındaki en öğretici ayrımlardan biri, modelin kullanılacak özelliklere nasıl ulaştığıdır. Özellik, bir gözlemi tahmin amacıyla temsil eden ölçülebilir bilgidir. Kredi riski örneğinde gelir, borçluluk oranı ve ödeme geçmişi özellik olarak kullanılabilir. Bir model yalnızca özellik değerlerini görür; bu değerlerin hedefle ilişkisini öğrenmeye çalışır.

Geleneksel makine öğrenmesinde özellik mühendisliği çoğu zaman önemli bir hazırlık aşamasıdır. İnsan uzman, ham veriyi modele daha anlamlı gelecek biçime dönüştürür. Spam tespitinde 'belirli kelimelerin geçme sayısı' veya 'gönderen adresinin özellikleri' gibi değişkenler hazırlanabilir. Bu yaklaşım, problem alanı iyi biliniyorsa etkili ve daha az kaynak tüketen bir çözüm sağlayabilir.

Derin öğrenme modelleri, yeterli veri ve uygun eğitim koşulları bulunduğunda özellikleri katmanlar boyunca kendileri öğrenebilir. Görüntü işleme örneğinde ilk katmanlar kenar ve basit biçimlere, sonraki katmanlar daha karmaşık şekillere, son katmanlar ise sınıfı ayırt etmeye yarayan birleşik temsillere duyarlı hâle gelebilir. Bu, insanın her ayrıntıyı önceden tanımlama ihtiyacını azaltır; fakat modelin ne öğrendiğini yorumlamayı da zorlaştırabilir.

Buradaki karar kuralı şudur: Ham veriyi açıklayan özellikler alan uzmanı tarafından güvenilir biçimde çıkarılabiliyorsa geleneksel makine öğrenmesi güçlü bir adaydır. Özelliklerin elle tanımlanması zor ve veri görüntü, ses veya doğal dil gibi çok katmanlı örüntüler içeriyorsa derin öğrenmenin otomatik temsil öğrenme kapasitesi daha anlamlı hâle gelir. Bu konu, yapay sinir ağları ve doğal dil işleme başlıklarıyla birlikte düşünülmelidir.

Veri biçimi, veri miktarı ve hesaplama maliyeti seçimi nasıl değiştirir?

Model seçerken yalnızca veri miktarına bakmak yeterli değildir; verinin biçimi de belirleyicidir. Satır ve sütunlardan oluşan müşteri, satış veya kredi verileri yapılandırılmış veridir. Bu tür verilerde karar ağaçları, regresyon veya destek vektör makineleri gibi yöntemler, özellikler anlamlı biçimde hazırlanmışsa iyi bir başlangıç noktası olabilir. Görüntü, ses ve serbest biçimli metin ise yapılandırılmamış veriye örnek verilebilir.

Derin öğrenme, özellikle yapılandırılmamış verilerde karmaşık örüntüleri doğrudan öğrenebilmesiyle öne çıkar. Ancak bunun karşılığında genellikle daha fazla eğitim verisi ve daha yüksek hesaplama gücü gerekir. Kaynak metinde belirtildiği gibi, derin öğrenme uygulamalarında büyük veri kümeleri ve GPU gibi yüksek hesaplama kapasitesi sunan donanımlar önemli olabilir. Buna karşılık geleneksel makine öğrenmesi yöntemleri, küçük veya orta ölçekli veri kümelerinde ve daha sınırlı kaynaklarla çalışmaya daha elverişli olabilir.

'Büyük veri varsa mutlaka derin öğrenme seçilir' ifadesi de eksiktir. Veri miktarı kadar etiket kalitesi, sınıfların dengesi, ölçümlerin güvenilirliği ve problemin hedefi önemlidir. Örneğin binlerce satırlık tablo verisinde özellikler zaten açıkça tanımlanmışsa daha basit bir model yeterli olabilir. Tersine, veri sayısı çok yüksek olsa bile yanlış veya tutarsız etiketler derin bir ağın hatalı örüntüler öğrenmesine yol açabilir.

Maliyet değerlendirmesine eğitim süresiyle sınırlı bakılmamalıdır. Modelin çalıştırılacağı cihaz, gecikme beklentisi, bakım ihtiyacı ve yeni verilerle güncelleme gereksinimi de hesaba katılır. Daha büyük bir model daha yüksek doğruluk sağlayabilir; fakat üretimde çalıştırılması daha pahalı veya yavaş olabilir.

Açıklanabilirlik, performans ve genelleme arasında denge kurmak

Bir modelin başarısını değerlendirirken yalnızca 'doğru tahmin sayısı'na bakmak yanıltıcı olabilir. Sınıflandırma probleminde doğruluk, doğru tahminlerin tüm tahminlere oranıdır. Sınıflar dengesizse, örneğin verilerin büyük bölümü tek bir sınıfa aitse, model çoğunluk sınıfını tahmin ederek yüksek doğruluk görüntüsü verebilir. Bu nedenle problem amacına göre hata türleri, kesinlik veya geri çağırma gibi ölçütler de incelenebilir.

Makine öğrenmesi ve derin öğrenme arasındaki tercih, bu değerlendirme ihtiyacından da etkilenir. Karar ağacının dalları, kullanılan özellikler ve karar yolu çoğu durumda daha kolay açıklanabilir. Derin sinir ağları ise çok sayıda parametre ve katman içerebildiği için sonucun hangi ara temsillerle oluştuğunu açıklamak daha güç olabilir. Tıp, kredi ve güvenlik gibi alanlarda bu fark, teknik doğruluk kadar önemli bir tasarım koşuludur.

Bir başka kritik kavram aşırı öğrenmedir. Model eğitim verisini çok iyi öğrenip yeni verilerde başarısız oluyorsa ezberleme sorunu vardır. Bu durum yalnızca derin öğrenmeye özgü değildir; yeterince karmaşık her model aşırı öğrenebilir. Eğitim verisiyle ayrı bir test verisinin kullanılması, modelin daha önce görmediği örneklerdeki performansını değerlendirmeye yardım eder. Sonuçların genellenebilmesi için veri bölme yöntemi, veri sızıntısı ve temsil gücü dikkatle kontrol edilmelidir.

Dolayısıyla karar şu üç soruyla verilmelidir: Modelin hedefi nedir, hata türlerinden hangisi daha maliyetlidir ve model kararını ne ölçüde açıklayabilmelidir? En yüksek test başarısı, açıklanabilirlik veya işletme maliyeti gibi diğer koşullar göz ardı edilerek yorumlanmamalıdır.

Çözümlü örnekler: aynı problemi iki farklı yoldan düşünmek

Örnek 1 — Yapılandırılmış veride spam sınıflandırması

Verilenler:

• Amaç: Bir e-postayı spam veya spam değil olarak sınıflandırmak.
• Kullanılabilecek bilgiler: Mesajdaki belirli kelimelerin sıklığı, gönderen bilgisi ve mesaj biçimi.
• Veri biçimi: İnsan tarafından hazırlanmış sütunlardan oluşan tablo.
• Kaynak koşulu: Hesaplama gücü sınırlı ve kararın hangi özelliklere dayandığı açıklanmak isteniyor.

Çözüm adımları:

1. Hedef değişken iki sınıflıdır: spam ve spam değil. Bu, iki sınıflı sınıflandırma problemidir.
2. Ham e-posta içeriği, kelime sıklığı ve gönderen bilgisi gibi özelliklere dönüştürülür. Bu aşama özellik mühendisliğidir.
3. Karar ağacı, destek vektör makinesi veya başka bir geleneksel makine öğrenmesi yöntemi aday olarak seçilebilir. Tek bir yöntemin her veri setinde üstün olduğu varsayılmaz.
4. Verinin bir bölümü eğitim, ayrı bir bölümü değerlendirme için kullanılır. Sınıflar dengesizse yalnızca doğruluk değil, hataların türü de incelenir.
5. Modelin hangi özelliklerle spam kararı verdiği kontrol edilir. Böylece hatalı veya yanıltıcı özellikler fark edilebilir.

Sonuç: Özellikler anlamlı biçimde çıkarılabiliyor, veri tablo biçimindeyse ve açıklanabilirlik ile kaynak verimliliği önemliyse geleneksel makine öğrenmesi mantıklı bir ilk seçimdir. Bu sonuç, derin öğrenmenin kullanılamayacağı anlamına gelmez; yalnızca problem koşullarında daha basit bir yaklaşımın yeterli olabileceğini gösterir.

Örnek 2 — Görüntüden nesne tanıma

Verilenler:

• Amaç: Görüntüdeki nesneleri, örneğin araç, yaya veya trafik işareti gibi sınıfları ayırt etmek.
• Veri biçimi: Piksel değerlerinden oluşan görüntüler.
• Zorluk: Nesnelerin konumu, ışık koşulu, açı ve görünüşü değişebiliyor.
• Hedef: Karmaşık görsel özellikleri elle tek tek tanımlamak zorunda kalmamak.

Çözüm adımları:

1. Problem, görüntü sınıflandırma veya nesne tespiti biçiminde tanımlanır. Bu iki görev aynı değildir: sınıflandırma görüntünün sınıfını, nesne tespiti ise nesnenin konumu ile sınıfını bulmayı hedefler.
2. Görüntüler ve doğru etiketler hazırlanır. Etiket hataları, modelin yanlış görsel ilişkiler öğrenmesine neden olabilir.
3. Çok katmanlı bir yapay sinir ağı, katmanlar boyunca basit görsel örüntülerden daha karmaşık temsillere geçecek şekilde eğitilir.
4. Eğitim ve değerlendirme verileri ayrılır. Modelin yalnızca eğitim görüntülerini ezberleyip ezberlemediği yeni görüntülerde ölçülür.
5. Yeterli veri ve hesaplama kaynağı varsa derin öğrenmenin otomatik özellik öğrenme avantajı değerlendirilir; donanım, gecikme ve açıklanabilirlik kısıtları ayrıca incelenir.

Sonuç: Görüntü gibi yapılandırılmamış ve değişken özellikli verilerde, özellikleri insanın elle tanımlaması zor olduğundan derin öğrenme uygun bir adaydır. Yine de seçimin temelinde 'derin olduğu için' değil, problemin otomatik temsil öğrenmeye ihtiyaç duyması bulunur.

Sık yapılan hatalar ve karıştırılan kavramlar

1. Derin öğrenmeyi makine öğrenmesinden ayrı bir alan sanmak: Derin öğrenme, makine öğrenmesinin alt kümesidir. Her derin öğrenme uygulaması makine öğrenmesi kapsamındadır; ancak her makine öğrenmesi uygulaması derin öğrenme değildir.

2. Her sinir ağını derin öğrenme olarak adlandırmak: Tek bir yapay sinir ağı kullanılması, modelin mutlaka derin olduğu anlamına gelmez. 'Derin' ifadesi, çok katmanlı yapı bağlamında kullanılır; yalnızca sinir ağı kelimesinin geçmesi yeterli değildir.

3. Daha fazla verinin otomatik olarak daha iyi sonuç vereceğini düşünmek: Veri miktarı önemlidir; fakat etiket kalitesi, veri çeşitliliği, sınıf dengesi ve değerlendirme yöntemi de belirleyicidir. Hatalı veriler arttığında model hatalı örüntüleri de öğrenebilir.

4. Derin öğrenmenin özellik mühendisliğini tamamen ortadan kaldırdığını sanmak: Derin modeller özellikleri otomatik öğrenebilir; ancak veri temizleme, etiketleme, uygun girdi biçimi ve problem tanımı hâlâ insan çalışması gerektirir.

5. Geleneksel makine öğrenmesini yalnızca 'basit problemler' için görmek: Tablo verilerinde, az veya orta miktarda veri bulunan projelerde ve açıklanabilirliğin önemli olduğu uygulamalarda geleneksel yöntemler güçlü sonuçlar verebilir.

6. Doğruluğu tek başarı ölçütü kabul etmek: Özellikle sınıflar dengesiz olduğunda yüksek doğruluk, azınlık sınıfının iyi tanındığı anlamına gelmeyebilir. Yanlış negatif ve yanlış pozitif sonuçların maliyeti ayrıca değerlendirilmelidir.

7. Derin öğrenmenin her zaman daha yüksek doğruluk sağlayacağını varsaymak: Performans veri, mimari, eğitim ayarları ve problem türüne bağlıdır. Uygun olmayan bir derin model, iyi hazırlanmış daha basit bir modelden kötü olabilir.

8. Yapay zekâ, makine öğrenmesi ve derin öğrenmeyi eş anlamlı kullanmak: Yapay zekâ üst kavramdır; makine öğrenmesi onun veri temelli alt alanıdır; derin öğrenme ise makine öğrenmesi içindeki çok katmanlı sinir ağı yaklaşımıdır. Ayrıntılı çerçeve için yapay zekâ nedir, makine öğrenmesi nedir ve derin öğrenme nedir içeriklerine bakılabilir.