Kategori: Teknoloji Okuryazarlığı

Yapay zekâ haberlerinde “makine öğrenmesi” ve “derin öğrenme” ifadeleri çoğu zaman aynı cümlede, hatta birbirinin yerine geçiyor. Aslında ikisi aynı şey değil, ama birbirinden bağımsız da değil. Bu yazıda farkı bir örnekle ve on satırlık bir Python koduyla netleştireceğiz.

Kısa tanım

• Makine öğrenmesi, bilgisayarın kuralları bizim yazmamıza gerek kalmadan, örneklerden öğrenmesini sağlayan yöntemlerin genel adı.
• Derin öğrenme, makine öğrenmesinin bir alt dalı. Çok katmanlı yapay sinir ağlarını kullanıyor.

Yani her derin öğrenme modeli bir makine öğrenmesi modeli, ama her makine öğrenmesi modeli derin öğrenme değil. İç içe üç halka gibi düşünebilirsin: En dışta yapay zekâ, onun içinde makine öğrenmesi, en içte derin öğrenme.

Asıl fark: özellikleri kim seçiyor?

Bir fotoğrafta kedi olup olmadığını anlayan bir model yapmak istediğimizi düşünelim.

Klasik makine öğrenmesiyle önce bizim düşünmemiz gerekiyor: Bir kediyi kedi yapan ne? Kulakların şekli, bıyıklar, gözlerin konumu… Bu özellikleri fotoğraftan çıkaran kodu biz yazıyoruz. Model de bu özelliklere bakıp karar vermeyi öğreniyor. Bu adıma özellik mühendisliği (feature engineering) deniyor.

Derin öğrenmeyle modele doğrudan fotoğrafın piksellerini veriyoruz. Sinir ağının ilk katmanları kenarları ve renk geçişlerini, sonraki katmanlar kulak ve göz gibi şekilleri, son katmanlar da “kedi yüzü” gibi bütünleri tanımayı kendi kendine öğreniyor. Hangi özelliğe bakacağını biz söylemiyoruz.

Adındaki “derin” kelimesi de buradan geliyor: Üst üste dizilmiş çok sayıda katman.

Python ile küçük bir karşılaştırma

scikit-learn’ün içinde gelen el yazısı rakam veri setini kullanalım: 8×8 piksellik, 1797 rakam görüntüsü. Aynı veride bir karar ağacını ve küçük bir sinir ağını deneyelim:

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.neural_network import MLPClassifier
X, y = load_digits(return_X_y=True)
X_egitim, X_test, y_egitim, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
agac = DecisionTreeClassifier(random_state=42).fit(X_egitim, y_egitim)
sinir_agi = MLPClassifier(hidden_layer_sizes=(64, 32), max_iter=1000, random_state=42).fit(X_egitim, y_egitim)
print(f"Karar ağacı: {agac.score(X_test, y_test):.0%}")       # 86%
print(f"Sinir ağı:   {sinir_agi.score(X_test, y_test):.0%}")  # 97%

Aynı piksellerle karar ağacı test verisinin %86’sını, iki gizli katmanlı sinir ağı %97’sini doğru tanıdı. Karar ağacı tek tek piksellere bakıp “5. piksel koyu mu?” gibi sorular sorabiliyor. Sinir ağı ise katmanları sayesinde pikselleri bir araya getirip çizgi ve eğri gibi daha anlamlı kalıplar öğrenebiliyor.

Dürüst bir not: İki katmanlı bu ağ gerçek dünyadaki derin öğrenme modellerinin yanında çok küçük. Yine de fikri göstermek için yeterli: Ham veride kalıp arama işinde katmanlı ağlar çok güçlü.

Yan yana

Hangisi ne zaman?

• Elinde Excel benzeri tablo verisi varsa (müşteri yaşı, alışveriş sayısı, şehir gibi) klasik makine öğrenmesi çoğu zaman hem daha hızlı hem daha açıklanabilir bir sonuç veriyor.
• Elinde fotoğraf, ses kaydı ya da uzun metin varsa derin öğrenme genelde çok önde.
• Veri azsa, önce basit bir modelle başla. Basit model işini görüyorsa daha karmaşıkına geçmene gerek yok.

Bu blogdan iki örnek: Seçmen Şapkası yazısındaki karar ağacı klasik makine öğrenmesiydi; dört puanlık bir tablo verisinden kurallar çıkardı ve o kuralları okuyabildik. Attention yazısında anlattığım Transformer modelleri ise derin öğrenmenin bugünkü en bilinen örneği; ChatGPT gibi dil modellerinin temeli bunlar.

[AFFILIATE: makine öğrenmesine giriş kitabı ya da kursu]

Bir cümlede

Makine öğrenmesi bilgisayarın örneklerden öğrenmesi; derin öğrenme ise bunun, çok katmanlı sinir ağlarıyla neye bakacağını da kendi kendine öğrenen alt dalı.

Devamını oku

• Harry Potter’ın Seçmen Şapkası: Basit Bir Sınıflandırma Modeli
• Attention Nedir? (Transformer yazısı)
• LLM Nedir?

Fotoğrafların telefonda yer kaplamasın diye “buluta yedekle” seçeneğine bastıysan bulut bilişimi zaten kullanıyorsun. Gmail’e girdiğinde, Netflix’te dizi açtığında ya da Python derslerinde Google Colab’da kod çalıştırdığında da öyle. Peki bu “bulut” tam olarak nerede?

Kısa tanım

Bulut bilişim, bilgisayar gücünü (depolama alanı, işlemci, yazılım) kendi cihazına kurmak yerine internet üzerinden başka bir şirketin bilgisayarlarından kiralamak demek. Bulut gökyüzünde değil; dünyanın farklı yerlerindeki büyük veri merkezlerinde duran, binlerce sunucudan oluşan gerçek makineler.

Bir benzetme: jeneratör mü, şebeke mi?

Eskiden elektriğe ihtiyacı olan bir fabrika kendi jeneratörünü kurardı. Jeneratörü almak, bakımını yapmak, bozulunca tamir etmek fabrikanın işiydi. Sonra şehir şebekesi geldi: fişi takıyorsun, kullandığın kadar ödüyorsun, santralin nasıl çalıştığıyla ilgilenmiyorsun.

Bulut bilişim, bilgisayarlar için şebeke gibi. Kendi sunucunu alıp bir odada çalıştırmak yerine bir bulut sağlayıcısından ihtiyacın kadar kiralıyorsun. İşin büyüyünce daha fazla kiralıyor, küçülünce azaltıyorsun.

Günlük hayattan örnekler

• Fotoğraf yedekleme (Google Fotoğraflar, iCloud): Fotoğrafların telefonundan çok bir veri merkezindeki disklerde duruyor; telefonunu kaybetsen de gitmiyor.
• E-posta (Gmail, Outlook): Mailler bilgisayarına değil, sağlayıcının sunucularına kaydediliyor. Bu yüzden hangi cihazdan girersen gir aynı kutuyu görüyorsun.
• Ortak belgeler (Google Dokümanlar): Aynı dosyayı üç kişi aynı anda düzenleyebiliyor, çünkü dosya kimsenin bilgisayarında değil, ortak bir sunucuda.
• Google Colab: Python derslerinde kodu kendi bilgisayarında değil, Google’ın sunucusunda çalıştırıyorsun. Bilgisayarına Python kurmana gerek kalmamasının sebebi bu.

Kendin dene: kod nerede çalışıyor?

Aşağıdaki kodu önce Colab’da, sonra (Python kuruluysa) kendi bilgisayarında çalıştır:

import platform
import os
print("Makine adı:", platform.node())
print("İşletim sistemi:", platform.system())
print("İşlemci çekirdeği:", os.cpu_count())

Colab’da gördüğün makine adı ve işletim sistemi seninkinden farklı çıkacak; Colab’da işletim sistemi olarak Linux görürsün. Çünkü kod gerçekten başka bir bilgisayarda, bir veri merkezinde çalışıyor. Ekranda gördüğün sadece o makinenin sana gönderdiği sonuç.

Bulut hizmetinin üç türü

Bulut hizmetleri, işin ne kadarını sağlayıcıya bıraktığına göre üçe ayrılıyor. En kolay anlatımı pizza benzetmesi:

• IaaS (Altyapı hizmeti): Mutfağı kiralıyorsun; malzemeyi alıp pizzayı kendin yapıyorsun. Sana boş bir sanal sunucu veriliyor, üstüne ne kuracağın senin işin. Örnek: Amazon EC2, Google Compute Engine.
• PaaS (Platform hizmeti): Hamur ve fırın hazır, sen sadece malzemeyi seçiyorsun. Kodunu yüklüyorsun, sunucuyu ayakta tutmak sağlayıcının işi. Örnek: Google App Engine, Heroku.
• SaaS (Yazılım hizmeti): Pizzayı hazır sipariş ediyorsun. Programı kullanıyorsun, gerisiyle hiç uğraşmıyorsun. Örnek: Gmail, Google Dokümanlar, Canva.

Günlük hayatta en çok SaaS kullanıyoruz. Veri bilimi ve yazılım tarafında ise IaaS ve PaaS da sık karşına çıkacak.

Büyük bulut sağlayıcıları

En bilinen üç sağlayıcı Amazon Web Services (AWS), Microsoft Azure ve Google Cloud. Üçü de yeni başlayanlar için sınırlı ücretsiz kullanım seçenekleri sunuyor; veri ve yazılım iş ilanlarında da bu isimleri sık görürsün.

Artıları ve eksileri

Artıları

• Pahalı donanım almadan güçlü bilgisayarlara erişirsin.
• Kullandığın kadar ödersin; ihtiyacın artınca hızlıca büyütürsün.
• Verine her yerden, her cihazdan ulaşırsın.
• Yedekleme ve donanım bakımı sağlayıcının işidir.

Eksileri

• İnternet yoksa erişim de yok.
• Verin başka bir şirketin sunucusunda duruyor; gizlilik ve güvenlik ayarlarına dikkat etmen gerekir.
• Kullanımı takip etmezsen fatura sürpriz yapabilir; açık unutulan bir sunucu çalıştığı sürece ücretlendirilir.
• Bir sağlayıcıya çok bağlanınca başka birine geçmek zorlaşabilir.

Bir cümlede

Bulut bilişim, bilgisayar gücünü kendin sahip olmak yerine internet üzerinden kiralamaktır; fotoğraf yedeğinden Colab’a kadar her gün kullandığın birçok şey bu sayede çalışıyor.