Dərin Öyrənmə (Deep Learning) nədir?

Dərin öyrənmə, maşın öyrənməsinin bir alt sahəsidir və insan beyninin quruluşundan ilhamlanan süni neyron şəbəkələrindən istifadə edir. Bu şəbəkələr, çoxlu sayda qatdan (layers) ibarət olduğu üçün "dərin" adlandırılır. Hər bir qat, giriş məlumatını daha abstrakt və mürəkkəb bir təmsilə çevirir.

Əsas Arxitekturalar

Dərin öyrənmədə geniş istifadə olunan bir neçə əsas model arxitekturası var:

• Konvolyusional Neyron Şəbəkələri (CNN): Əsasən şəkil tanıma, obyekt aşkarlama kimi kompüter görməsi tapşırıqlarında istifadə olunur. CNN-lər, şəkillərdən xüsusiyyətləri (kənarlar, formalar, teksturalar) avtomatik olaraq çıxarmaq üçün konvolyusiya filtrlərindən istifadə edir.
• Rekurrent Neyron Şəbəkələri (RNN): Ardıcıl məlumatların (məsələn, mətn, zaman seriyası) emalı üçün nəzərdə tutulub. RNN-lər, əvvəlki addımlardakı məlumatları yadda saxlamaqla konteksti anlaya bilir. Bu xüsusiyyət onları təbii dil emalı (NLP) və səs tanıma üçün ideal edir. LSTM (Long Short-Term Memory) və GRU (Gated Recurrent Unit) kimi variantları daha uzun müddətli asılılıqları öyrənməyə imkan verir.
• Transformerlər: Əsasən NLP sahəsində inqilab etmiş bir modeldir. Diqqət mexanizmi (attention mechanism) sayəsində, ardıcıllıqdakı bütün sözlərin bir-biri ilə əlaqəsini eyni anda analiz edə bilir. Bu, paralel emala imkan yaradır və GPT kimi böyük dil modellərinin (LLM) əsasını təşkil edir.

Dərin Öyrənmə necə işləyir?

Proses bir neçə mərhələdən ibarətdir:

1. Məlumatların Hazırlanması: Modelin öyrənməsi üçün böyük həcmdə etiketlənmiş məlumat toplanır və hazırlanır.
2. Modelin Qurulması: Həll ediləcək problemə uyğun bir neyron şəbəkə arxitekturası seçilir (məsələn, şəkil təsnifatı üçün CNN).
3. Təlim (Training): Model, məlumat dəsti üzərində təlimdən keçirilir. Bu prosesdə, model proqnozlar edir və səhvlərini (loss function) minimallaşdırmaq üçün daxili parametrlərini (çəkilərini) tədricən tənzimləyir. Bu tənzimləmə "geri yayılma" (backpropagation) alqoritmi ilə həyata keçirilir.
4. Qiymətləndirmə (Evaluation): Təlimdən sonra modelin performansı, daha əvvəl görmədiyi yeni məlumatlar (test dəsti) üzərində yoxlanılır.
5. Yerləşdirmə (Deployment): Uğurlu qiymətləndirilən model, real tətbiqlərdə istifadə üçün hazır olur.

Tətbiq Sahələri

• Kompüter Görməsi: Avtonom avtomobillər, tibbi təsvir analizi, üz tanıma sistemləri.
• Təbii Dil Emalı: Maşın tərcüməsi, mətn xülasəsi, chatbotlar, sentiment analizi.
• Səs Tanıma: Virtual assistentlər (Siri, Alexa), səsli əmrlərin emalı.
• Tövsiyə Sistemləri: E-ticarət və axın platformalarında fərdiləşdirilmiş məhsul və məzmun tövsiyələri.

Əsas səhifə • Bütün məqalələr