Page 11 - Dijital KobiEfor Eylül 2023

Yapay Zekâda Derin 3) Derin İnanç Ağları (Deep Belief
Öğrenme Uygulamalarına Networks, DBN): Derin gelişigüzel
Geçiş Sebebimiz ağlar, daha derin modelleri eğitmek
Derin öğrenme yöntemleri çok için kullanılan bir tür derin öğrenme
çeşitli uygulama alanlarında kul- modelidir. Bu model, sonuçları daha
lanılmaktadır. Görüntü tanıma ala- iyi doğrulukla tahmin etmeyi amaçlar.
nında, bir derin öğrenme modeli, 4) Çekişmeli Üretici Ağlar (Ge-
bir nesne ya da bir yüzü tanımak nerative Adversarial Networks,
için resimleri analiz edebilir. Bunun GAN): GAN’lar, gerçekçi görüntü-
yanı sıra derin öğrenme algoritma- ler ve içerikler üretmek için kulla-
ları, tıbbi görüntülerde hastalıkları nılan derin öğrenme modelidir. Bu
teşhis etmek, otonom araçların sü- model, bir üretici ve bir ayırıcı olmak
rüş yeteneklerini geliştirmek gibi ilerlemeler kaydedilmiştir. Derin üzere iki farklı sinir ağından oluşur.
daha birçok uygulama alanında öğrenme yöntemleri ile de öğret- Derin öğrenme metotları, yukarı-
kullanılmaktadır. meye gerek kalmadan kendi öğre- daki tekniklerden yararlanarak veri
Doğal dil işleme, bir diğer önem- nebilir duruma geçilmiştir. analizinde büyük bir devrim yarat-
li uygulama alanıdır. Derin öğren- mıştır. Günümüzde birçok sektörde
me yöntemleri ile metinleri an- Derin Öğrenme Teknikleri derin öğrenme algoritmaları kulla-
lamlandırmak, kelime veya cümle Derin öğrenme yöntemleri ba- nılmakta ve yapay zekâ uygulamala-
düzeyinde anlamsal benzerlikleri şarılı sonuçlar elde etmek için rı hızla yaygınlaşmaktadır. Gelecek-
ölçmek mümkündür. Bu da metin çeşitli teknikler kullanır. Bunla- te de derin öğrenme metotlarının
tabanlı birçok uygulama için büyük rın başlıcaları şunlardır: daha da gelişmesi ve yaygınlaşması
bir avantajdır. 1) Evrişimli Sinir Ağları (Convo- beklenmektedir.
Geliştirmeye devam ettiğimiz “Ko- lutional Neural Networks, CNN):
nuşan Arabalar” projemiz ile sağlık Evrişimli sinir ağları, özellikle gö- Sonuç
sektörüne yönelik geliştirilen “Hasta rüntü tanıma gibi problemlerde etki- Yapay zekânın derin öğrenme
Şikayetlerinin Sınıflandırılması”nda li olan sinir ağlarıdır. Girdi verisinde metodu, kompleks veri yapılarını
derin öğrenmeye geçişin avantajları- yapısal ilişkileri öğrenmek için filt- analiz etmek ve modeller inşa etmek
nı ve yarattığı farkı bizzat görmeye releri kullanır. için kullanılan güçlü bir araçtır. Derin
başladık. 2) Yinelemeli Sinir Ağları (Re- öğrenme algoritmaları, sinir ağlarını
Yapay zeka, sağlık sektöründe current Neural Networks, RNN): kullanarak büyük veri kümelerinde
bir devrim yaratmıştır. Hastalıkla- Rekurrent sinir ağları, sıralı veri- özellikleri çıkarır ve bu özelliklere
rın erken teşhis edilmesi, tedavi leri işlemek için kullanılan sinir dayalı tahminler yapar. Bu metot,
planlarının kişiselleştirilmesi ve ağlarıdır. Sıralı veriler, zaman se- birçok uygulama alanında büyük ba-
tıbbi araştırmaların hızlandı- rileri veya dil gibi yapısal ilişkileri şarılar elde etmiştir ve gelecekte de
rılması gibi birçok alanda büyük olan veriler olabilir. gelişmesi beklenmektedir.

Eylül 2023 KobiEfor Dijital 11