Yapay zekâ son yıllarda hayatımızın her alanına girmeye başladı. Kullandığımız telefonlardan izlediğimiz dizilere, sosyal medya akışımızdan sağlık teknolojilerine kadar neredeyse her yerde yapay zekâ çözümlerine rastlıyoruz. Ancak bu alandaki temel kavramlar olan yapay zekâ (AI), makine öğrenmesi (ML) ve derin öğrenme (DL) çoğu zaman birbirine karıştırılıyor. Peki, derin öğrenme ile makine öğrenmesi arasındaki temel fark nedir?
Yapay Zekâ (Artificial Intelligence – AI) Nedir?
Yapay zekâ, makinelerin insanlar gibi düşünebilmesini, karar alabilmesini ve öğrenebilmesini hedefleyen geniş bir bilim dalıdır. Aslında yapay zekâ, insan zekâsının makinelere uyarlanmış hâlidir diyebiliriz.
Yapay Zekânın Temel Özellikleri
- Karar Alma Yeteneği: Farklı senaryoları değerlendirerek en uygun kararı seçebilir.
- Öğrenme Kabiliyeti: Geçmiş deneyimlerden çıkarım yapar ve yeni duruma uyum sağlar.
- Uyarlanabilirlik: Ortam koşulları değişse bile doğru sonuç vermeye devam eder.
- İnsan Benzeri Etkileşim: Dil, görüntü, ses gibi girdileri anlayıp yanıt üretebilir.
Yapay Zekânın Kullanım Alanları
- Sağlık: Hastalıkların erken teşhisi, medikal görüntülerin analizi.
- E-ticaret: Kişiselleştirilmiş ürün önerileri.
- Otomotiv: Otonom (sürücüsüz) araç teknolojileri.
- Eğlence: Netflix ve Spotify gibi platformların öneri sistemleri.
Makine Öğrenmesi (Machine Learning – ML) Nedir?
Makine öğrenmesi, yapay zekânın bir alt dalıdır. Bilgisayarların verilerden öğrenmesini sağlar. Buradaki amaç, makinenin insanın tek tek kodlamasına gerek kalmadan verilerdeki örüntüleri bulması ve bu bilgilerle tahminler yapabilmesidir.
Makine öğrenmesinin nasıl çalıştığını basitçe açıklayalım:
- Veri Toplama: Algoritmaya geçmişten gelen çok sayıda veri verilir.
- Örüntü Öğrenme: Sistem, bu verilerdeki ilişkileri keşfeder.
- Tahmin Yapma: Yeni veriler geldiğinde öğrendiği bilgiyi kullanarak doğru sonucu tahmin eder.
- Gelişim: Her yeni veri, modeli daha iyi hale getirir.
Makine Öğrenmesinin Alt Dalları
Denetimli Öğrenme (Supervised Learning)
- Eğitim verileri etiketlidir (örneğin: “bu müşteri borcunu ödedi / ödemedi”).
- Algoritma, bu etiketli verilerden öğrenir ve yeni gelen veriler için doğru tahmini yapmaya çalışır.
- Örnek: Bir bankanın kredi başvurusu sahibinin borcunu ödeyip ödeyemeyeceğini tahmin etmesi.
Denetimsiz Öğrenme (Unsupervised Learning)
- Eğitim verileri etiketlenmemiştir.
- Algoritma, veriler arasında benzerliklere bakarak gruplar (kümeler) oluşturur.
- Örnek: Bir e-ticaret sitesinde müşterileri alışveriş davranışlarına göre gruplara ayırmak.
Pekiştirmeli Öğrenme (Reinforcement Learning)
- Sistem, deneme-yanılma yoluyla öğrenir. Yanlış yaptığında ceza, doğru yaptığında ödül alır.
- Örnek: Bir yapay zekâ ajanının satranç oynarken strateji geliştirmesi.
Günlük Hayattan ML Örnekleri
- Gmail’in spam e-postaları filtrelemesi.
- Netflix’in izleme alışkanlıklarınıza göre dizi önermesi.
- Bankaların şüpheli işlemleri tespit etmesi.
Derin Öğrenme (Deep Learning – DL) Nedir?
Derin öğrenme, makine öğrenmesinin daha ileri seviyedeki bir alt dalıdır. İlhamını insan beyninden alır ve yapay sinir ağları üzerine kuruludur. Bu sinir ağlarında katmanlar bulunur ve veriler bu katmanlardan geçtikçe her seferinde biraz daha soyutlanır. Sonuçta model, en doğru tahmini yapar.
Derin öğrenmenin çalışma sistemi:
Girdi (Input): Ham veri (görsel, ses, metin vb.) modele verilir.
Katmanlar (Hidden Layers): Her katman veriden bir özellik çıkarır.
- İlk katman kenarları tanıyabilir.
- İkinci katman şekilleri ayırt edebilir.
- Sonraki katmanlar nesneyi tanır.
Çıktı (Output): Nihai sınıflandırma veya tahmin yapılır.
Derin Öğrenmenin Alt Dalları
Yapay Sinir Ağları (Artificial Neural Networks – ANN)
- İnsan beynindeki nöronlardan esinlenir.
- Basit giriş-çıkış ilişkilerini öğrenmekte kullanılır.
Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN)
- Özellikle görüntü tanıma alanında güçlüdür.
- Örnek: Google Fotoğraflar’ın fotoğrafları “kedi”, “dağ” veya “yemek” olarak etiketlemesi.
Tekrarlayan Sinir Ağları (Recurrent Neural Networks – RNN)
- Zaman serisi veya dil verilerinde kullanılır.
- Örnek: Siri’nin sesinizi anlaması veya Google Translate’in çeviri yapması.
Generative Adversarial Networks (GANs)
- İki yapay zekânın birbirine karşı yarıştığı bir yapı.
- Örnek: Gerçekmiş gibi görünen yapay yüzler ya da sanat eserleri üretmek.
Günlük Hayattan DL Örnekleri
- Otonom araçların yayaları ve trafik işaretlerini tanıması.
- Akıllı asistanların (Siri, Alexa) komutlarınızı anlaması.
- Yapay zekâ tabanlı çeviri uygulamalarının çalışması.
Derin Öğrenme ile Makine Öğrenmesi Arasındaki Temel Fark Nedir?
| Makine Öğrenmesi (ML) | Derin Öğrenme (DL) | |
| Tanım | Verilerden öğrenen algoritmalar | Yapay sinir ağlarına dayalı yöntem |
| Uygulama Alanı | Tahmin, sınıflandırma | Görüntü, ses, doğal dil işleme |
| Yorumlanabilirlik | Açıklaması kolay | “Kara kutu” gibidir |
| Karmaşıklık | Daha basit | Çok katmanlı, karmaşık yapılar |
Sonuç
- Yapay zekâ, genel ağaç kavramdır.
- Makine öğrenmesi, yapay zekânın veriyle öğrenen kısmıdır.
- Derin öğrenme ise, büyük veriyle çalışıp sinir ağları kullanan en gelişmiş yöntemdir.
Eğer az veriniz varsa ve hızlı, anlaşılır sonuç istiyorsanız makine öğrenmesi uygundur. Eğer çok büyük verilerle karmaşık sorunları çözmek istiyorsanız derin öğrenme tercih edilmelidir.
Yunus Emre Günel, Dokuz Eylül Üniversitesi İstatistik bölümü mezunu olup eğitim hayatı boyunca kalite kontrol ve veri bilimi alanlarına yoğunlaşmıştır. Özellikle sınıflandırma ve kümeleme gibi makine öğrenmesi yöntemleriyle analizler gerçekleştirmiş, TÜBİTAK 2209-A desteğiyle yürütülen bitirme projesinde Gage R&R ve ANOVA uygulamaları yapmıştır. R, SQL ve Excel konularında güçlü bir uzmanlığa sahip olan Günel, Python’da da temel düzeyde çalışmalar yürütmektedir. Veri analizi, görselleştirme ve raporlama alanlarında deneyim kazanmış olup kariyerini veri bilimi, kalite analitiği ve iş zekâsı projelerinde sürdürmeyi hedeflemektedir.