<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Muhammed ŞEN on Medium]]></title>
        <description><![CDATA[Stories by Muhammed ŞEN on Medium]]></description>
        <link>https://medium.com/@muhammedsenn?source=rss-0b1870034ce2------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*SOjYxqbxTTPhelU7cK5BfA.jpeg</url>
            <title>Stories by Muhammed ŞEN on Medium</title>
            <link>https://medium.com/@muhammedsenn?source=rss-0b1870034ce2------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 11:50:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@muhammedsenn/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Doğal Dil İşlemeden Büyük Dil Modellerine: NLP’nin Evrimi ve LLM’lerin Ortaya Çıkışı]]></title>
            <link>https://happyhackingspace.blog/do%C4%9Fal-dil-i%CC%87%C5%9Flemeden-b%C3%BCy%C3%BCk-dil-modellerine-nlpnin-evrimi-ve-llm-lerin-ortaya-%C3%A7%C4%B1k%C4%B1%C5%9F-895a1bd33eb1?source=rss-0b1870034ce2------2</link>
            <guid isPermaLink="false">https://medium.com/p/895a1bd33eb1</guid>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[transformer-model]]></category>
            <category><![CDATA[llm]]></category>
            <dc:creator><![CDATA[Muhammed ŞEN]]></dc:creator>
            <pubDate>Mon, 25 Aug 2025 09:31:29 GMT</pubDate>
            <atom:updated>2025-08-25T10:47:49.324Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N2yZzziHS3hTiTimTdk1og.png" /></figure><p><strong>Özet</strong></p><p>Doğal Dil İşleme (Natural Language Processing — NLP), bilgisayarların insan dilini anlaması, yorumlaması ve üretmesini sağlayan yapay zekâ alt disiplinlerinden biridir. Dilin karmaşık yapısı ve bağlama duyarlılığı, bilgisayarların dil verilerini doğrudan işleyememesine yol açmakta; bu nedenle veri ön işleme, özellik çıkarımı ve modelleme teknikleri büyük önem taşımaktadır. Geleneksel NLP yöntemleri (Word2Vec, LSTM, GRU vb.), belirli görevlerde başarı sağlasa da uzun metinlerde bağlamı kaybetme sorunuyla karşılaşmıştır. 2017’de tanıtılan Transformer mimarisi, self-attention mekanizması sayesinde bu sınırlılıkları aşmış ve hem metin anlama hem de metin üretiminde güçlü sonuçlar vermiştir. Transformer tabanlı BERT (encoder-only), GPT (decoder-only) ve T5 (encoder–decoder) gibi modeller, farklı görevler için özel çözümler sunarken, Büyük Dil Modelleri (LLM — Large Language Models) bu yapıları daha da ölçeklendirerek tek bir çatı altında birleştirmiştir. LLM’ler, devasa veri kümeleriyle ön eğitim alarak bağlama duyarlı özel vektör temsilleri üretir; bu sayede yalnızca anlama değil aynı zamanda yaratıcı metin üretme konusunda da üstün performans gösterir. Sonuç olarak, LLM’ler yalnızca NLP’nin doğal bir uzantısı değil, aynı zamanda bu disiplinin evrimsel doruk noktası olarak görülmektedir.</p><p><strong>Anahtar Kelimeler:</strong> Doğal Dil İşleme (NLP), Büyük Dil Modelleri (LLM), Transformer</p><h3>1. Giriş</h3><p>Doğal Dil İşleme (Natural Language Processing — NLP), bilgisayarların insan dilini anlaması, yorumlaması ve üretmesi üzerine odaklanan yapay zekâ disiplinlerinden biridir. İnsan dili yapısal açıdan karmaşık, bağlama duyarlı ve çok katmanlıdır. Bu nedenle dilin bilgisayarlar tarafından işlenebilmesi, yalnızca sözcükleri değil; onların anlamlarını, bağlamlarını ve kullanım biçimlerini de dikkate alan yöntemler gerektirir. NLP, bu zorlukları aşmayı hedefleyen teknikler bütünü olarak tanımlanabilir.</p><p>Genel yapay zekâ (Artificial Intelligence — AI) çerçevesinde yer alan NLP, insan ile makine arasındaki iletişimi daha doğal ve sezgisel hâle getirir. Bu sayede kullanıcıların bilgisayarla etkileşimi yalnızca komut satırları veya butonlarla sınırlı kalmaz, günlük hayatta kullandığımız doğal dil aracılığıyla da gerçekleşebilir.</p><p>NLP’nin pratik hayattaki kullanım alanları oldukça geniştir:</p><ul><li><strong>Akıllı Asistanlar:</strong> Amazon Alexa, Apple Siri veya Google Assistant, kullanıcıların sesli komutlarını anlayarak yanıt verir.</li><li><strong>Arama Motorları:</strong> Google, arama sonuçlarını kullanıcı niyetine göre optimize etmek için NLP tekniklerini kullanır.</li><li><strong>Sosyal Medya Analizi:</strong> Platformlarda nefret söylemi, şiddet veya terör propagandası gibi içeriklerin tespit edilmesinde NLP etkin rol oynar.</li><li><strong>Ticari Uygulamalar:</strong> Müşteri hizmetlerinde chatbot sistemleri, bankacılıkta sahtecilik tespiti veya e-ticarette öneri sistemleri NLP’nin önemli uygulama alanlarıdır.</li></ul><p>Bu geniş kullanım yelpazesi, NLP’nin yalnızca akademik bir araştırma alanı değil, aynı zamanda günlük hayatı doğrudan etkileyen teknolojilerin temeli olduğunu göstermektedir.</p><p>NLP’nin işlevlerini daha somut hale getirmek için başlıca uygulama alanları şu şekilde özetlenebilir:</p><ul><li><strong>Toksisite Sınıflandırma:</strong> Metinlerde nefret söylemi, tehdit veya hakaret içeren ifadelerin algılanması.</li><li><strong>Makine Çevirisi:</strong> Google Çeviri gibi sistemlerde farklı diller arasındaki otomatik çeviri işlemleri.</li><li><strong>Spam Tespiti:</strong> E-posta veya mesajlarda istenmeyen içeriklerin otomatik filtrelenmesi.</li><li><strong>Dil Bilgisi Düzeltme:</strong> Yazım ve dil bilgisi hatalarının otomatik olarak düzeltilmesi.</li><li><strong>Konu Modelleme:</strong> Metin madenciliği yöntemleriyle büyük metin koleksiyonlarında öne çıkan konuların ve temaların belirlenmesi.</li><li><strong>Metin Üretimi:</strong> Doğal dil üretimi kapsamında yeni ve bağlama uygun metinlerin oluşturulması. İlk dönemlerde Markov zincirleri kullanılırken, daha sonra LSTM (Long Short-Term Memory), BERT, GPT-2 ve LaMDA gibi gelişmiş modeller bu alanda önemli başarılar sağlamıştır.</li><li><strong>Bilgi Getirme (Information Retrieval):</strong> Bir sorguya karşılık, milyonlarca belge arasından en alakalı olanlarının sunulması. Buradaki amaç doğrudan cevabı vermek değil, en uygun bilgiyi bulup kullanıcıya ulaştırmaktır.</li></ul><p>NLP’nin daha iyi anlaşılması için işlevleri iki ana kategori altında değerlendirilebilir:</p><ul><li><strong>Doğal Dil Anlama (Natural Language Understanding — NLU):</strong> Makinenin, insan dilindeki sözcükleri ve cümleleri yalnızca yüzeysel biçimde değil, anlam ve bağlam düzeyinde yorumlamasıdır. Örneğin, “Bugün hava çok sıcak” cümlesini yalnızca kelimeler olarak değil, bir durum bildirimi olarak algılamak NLU kapsamındadır.</li><li><strong>Doğal Dil Üretimi (Natural Language Generation — NLG):</strong> Makinenin, dil bilgisi kurallarına uygun, akıcı ve bağlama duyarlı yeni cümleler üretmesidir. Örneğin, bir özet çıkarma sistemi veya sohbet robotu tarafından verilen yanıtlar NLG sürecinin ürünüdür.</li></ul><p>Sonuç olarak NLP, yalnızca dil verilerinin işlenmesiyle sınırlı olmayan, insan-makine etkileşimini dönüştüren temel bir yapay zekâ alanıdır. Hem teorik açıdan dilin yapısal özelliklerini modellemekte hem de pratik açıdan günlük hayatta kullandığımız birçok teknolojinin merkezinde yer almaktadır. Bu nedenle, LLM’lerin (Large Language Models — Büyük Dil Modelleri) ortaya çıkışını anlayabilmek için öncelikle NLP’nin tanımı, amaçları ve işlevleri üzerinde durmak gerekmektedir.</p><p><strong>1.1. NLP Nasıl Çalışır?</strong></p><p>NLP’nin çalışma mantığı, dilin temel bileşenleri olan harfler, kelimeler, cümleler ve paragraflar arasındaki ilişkilerin bilgisayar tarafından işlenmesine dayanır. İnsan dili doğrudan bilgisayarın anlayabileceği bir formatta değildir; bu nedenle dil verilerinin belirli adımlardan geçirilmesi gerekir. Bu süreç genel olarak şu aşamalardan oluşur:</p><h3>1.1.1. Veri Ön İşleme</h3><p>Veri ön işleme, ham metinlerin makinenin anlayabileceği hale dönüştürülmesidir. Bu aşama, doğru ve etkili bir model kurabilmek için kritik öneme sahiptir. Başlıca yöntemler şunlardır:</p><ul><li><strong>Tokenization (Parçalama):</strong> Metnin kelime, alt kelime veya cümle parçalarına ayrılmasıdır. Örneğin <em>“Bugün hava çok güzel”</em> → [“Bugün”, “hava”, “çok”, “güzel”].</li><li><strong>Stop Word Removal (Durak Kelime Çıkarma):</strong> “ve”, “ama”, “ile” gibi sık geçen fakat anlam taşımayan kelimelerin temizlenmesidir. Bu sayede model gereksiz gürültüden arındırılır.</li><li><strong>Stemming:</strong> Kelimeleri köklerine indirgeme yöntemidir. Örn: <em>“koşuyor” → “koş”</em>. Bu yöntem kelimenin dil bilgisi kurallarını dikkate almaz.</li><li><strong>Lemmatization:</strong> Stemming’den farklı olarak kelimenin sözlük anlamına uygun kökünü bulur. Örn: <em>“children” → “child”</em>. Daha doğru sonuçlar üretir.</li><li><strong>Sentence Segmentation:</strong> Uzun bir metni cümlelere ayırma işlemidir. Örn: <em>“Bugün hava güzel. Yarın yağmur bekleniyor.”</em> → [Cümle 1, Cümle 2].</li><li><strong>Lowercasing &amp; Normalization:</strong> Tüm kelimelerin küçük harfe dönüştürülmesi, noktalama işaretlerinin temizlenmesi ve yazım standartlaştırması.</li></ul><h3>1.1.2. Özellik Çıkarımı</h3><p>Bilgisayarların metinleri anlayabilmesi için kelimelerin sayısal temsillere dönüştürülmesi gerekir. Bu aşama, metinlerin matematiksel vektörler haline getirilmesi sürecidir.</p><ul><li><strong>Bag of Words (BoW):</strong> Kelimeleri sıklıklarına göre temsil eden basit yöntem. Örn: <em>“kedi uyuyor”</em> ve <em>“köpek uyuyor”</em> → [“kedi”:1, “köpek”:1, “uyuyor”:2].</li><li><strong>TF-IDF (Term Frequency — Inverse Document Frequency):</strong> Kelimelerin önemini hem cümle içinde hem de tüm belgeler arasında ölçer. Sık kullanılan ama ayırt edici olmayan kelimelerin etkisini azaltır.</li><li><strong>Word Embeddings:</strong> Kelimeleri yüksek boyutlu vektörlerde temsil eden yöntemlerdir.</li><li><strong>Word2Vec:</strong> Kelimeleri bağlama göre vektörlere dönüştürür. “kral — erkek + kadın ≈ kraliçe” gibi ilişkiler kurabilir.</li><li><strong>GloVe (Global Vectors):</strong> Kelime ilişkilerini daha geniş bağlamda öğrenir.</li><li><strong>FastText:</strong> Alt-kelimelerden (subword) özellikler çıkararak yeni kelimelere de anlam verebilir.</li></ul><h3>1.1.3. Modelleme</h3><p>Özellikleri çıkarılmış veriler, öğrenme algoritmalarına verilerek anlamlı çıktılar üretilir. Bu noktada kullanılan yöntemler:</p><ul><li><strong>Makine Öğrenmesi Modelleri:</strong> Naive Bayes, SVM (Support Vector Machines), Karar Ağaçları gibi geleneksel algoritmalar. Özellikle sınıflandırma ve duygu analizi gibi temel görevlerde kullanılır.</li><li><strong>Derin Öğrenme Modelleri:</strong> RNN, LSTM ve GRU gibi modeller metinlerdeki sıralı yapıyı işler. Daha gelişmiş aşamada Transformer tabanlı yapılar (BERT, GPT) kullanılarak bağlama duyarlı ve çok daha güçlü sonuçlar elde edilir.</li></ul><h3>1.1.4. Çıktı Üretimi</h3><p>Son aşamada model, verilen göreve uygun çıktılar üretir:</p><ul><li>Bir metnin duygu etiketini (olumlu/olumsuz) belirlemek,</li><li>Bir dilden diğerine çeviri yapmak,</li><li>Bir soruya yanıt vermek,</li><li>Yeni metinler üretmek.</li></ul><p>Bu aşama, aslında daha sonra LLM’lerin (Large Language Models) güçlü hale getirdiği Doğal Dil Anlama (NLU) ve Doğal Dil Üretimi (NLG) süreçlerinin temeli olarak görülebilir.</p><h3>2. NLP ve LLM Bağlantısı</h3><p>NLP, Büyük Dil Modelleri’nin (LLM — Large Language Models) doğuşunun temelini oluşturur. Önceki bölümlerde belirtildiği gibi NLP, dilin bilgisayar tarafından işlenebilmesi için ön işleme, özellik çıkarımı ve modelleme yöntemlerini geliştirmiştir. Ancak NLP’nin geleneksel modelleri (örneğin Word2Vec, LSTM, GRU gibi yapılar) uzun metinlerde bağlamı kaybetme sorunuyla karşılaşmıştır. İşte bu noktada Transformer mimarisi devreye girmiş ve LLM’lerin yolunu açmıştır.</p><h3>2.1. NLP’de Transformer ve BERT’in Katkısı</h3><p>2017’de Vaswani ve arkadaşlarının tanıttığı Transformer mimarisi, “<a href="https://arxiv.org/abs/1706.03762">Attention is All You Need</a>” makalesiyle literatüre girmiştir. Bu yaklaşım, self-attention (öz-dikkat) mekanizması sayesinde cümledeki her kelimenin diğer kelimelerle olan ilişkisini öğrenebilir hale gelmiştir.</p><ul><li><strong>BERT (Bidirectional Encoder Representations from Transformers):</strong> Yalnızca <strong>encoder</strong> kısmını kullanır. Yani metinleri “anlamak” için çok güçlüdür (sınıflandırma, duygu analizi, soru-cevap sistemleri). Ancak kendi başına metin üretiminde sınırlıdır.</li><li><strong>GPT Serisi (Generative Pre-trained Transformer):</strong> Yalnızca decoder kısmını kullanır. Bu nedenle “metin üretme” konusunda çok başarılıdır. Soruya cevap verme, öykü yazma, kod üretme gibi görevlerde GPT modelleri öne çıkar.</li><li>T5 (Text-to-Text Transfer Transformer) gibi modeller: Hem encoder hem de decoder yapısını kullanır. Bu sayede bir metni anlama ve başka bir metin üretme görevlerini birlikte gerçekleştirebilir (örneğin makine çevirisi veya özetleme).</li></ul><p>Burada görüldüğü gibi, NLP’nin önceki modellerinde “tek görev — tek model” yaklaşımı hâkimken, Transformer tabanlı yapıların getirdiği encoder–decoder çeşitliliği LLM’lerin çok yönlü hale gelmesini sağlamıştır.</p><h3>2.2. Encoder, Decoder ve Encoder–Decoder Yapıları</h3><p>· <strong>Encoder-Only Modeller (BERT, RoBERTa):</strong></p><p>o Amaç: Girdi metnini anlamak ve bağlam vektörlerini çıkarmak.</p><p>o Kullanım Alanı: Sınıflandırma, duygu analizi, bilgi çıkarımı.</p><p>o Örnek: “Bu ürün çok kaliteli.” → <em>Olumlu</em></p><p>· <strong>Decoder-Only Modeller (GPT serisi, LLaMA):</strong></p><p>o Amaç: Yeni metin üretmek, sorulara yanıt vermek.</p><p>o Kullanım Alanı: Metin üretimi, kod yazma, sohbet sistemleri.</p><p>o Örnek: “Yapay zekâ nedir?” → <em>“</em>Yapay zekâ, makinelerin insan benzeri düşünme yeteneğini taklit etmesidir.<em>”</em></p><p>· <strong>Encoder–Decoder Modeller (T5, BART, mBART):</strong></p><p>o Amaç: Girdi metnini anlayıp, ona uygun yeni bir metin üretmek.</p><p>o Kullanım Alanı: Makine çevirisi, özetleme, soru-cevap sistemleri.</p><p>o Örnek: “Translate: The weather is nice.” → <em>“</em>Hava güzel<em>.”</em></p><p>Bu ayrım şunu gösterir:</p><ul><li>NLP’nin anlama (NLU) görevlerinde encoder yapıları kullanılmıştır.</li><li>Üretme (NLG) görevlerinde decoder yapıları tercih edilmiştir.</li><li>LLM’ler ise hem anlama hem üretme görevlerini bir arada yapabildiği için aslında bu mimarilerin en güçlü yönlerini birleştirmiştir.</li></ul><h3>2.3. LLM’lerin NLP’den Farkı ve Avantajı</h3><p>BERT gibi encoder tabanlı NLP modelleri, cümlelerdeki kelimeleri bağlama göre temsil eden vektörler üretir. Ancak bu vektörler sınırlı görevler için özelleşmiştir ve metin üretiminde yeterli değildir. LLM’ler ise:</p><ul><li>Devasa veri kümeleriyle ön eğitim (pre-training) alır.</li><li>Her kelime ve cümle için bağlama duyarlı özel vektör temsilleri oluşturur.</li><li>Sadece kelime benzerliklerine değil, daha geniş bağlamsal ilişkiler üzerine çıkarımlar yapar.</li><li>Hem NLU (anlama) hem NLG (üretme) görevlerini aynı anda üstlenebilir.</li></ul><p>Bu nedenle LLM’ler, NLP’nin önceki sınırlı yapılarını aşarak, insan benzeri metin anlama ve üretme yeteneğine ulaşmıştır.</p><h3>2.4. Özet ve Bağlantının Önemi</h3><ul><li>NLP’nin sağladığı ön işleme teknikleri, embedding yöntemleri ve modelleme yaklaşımları, LLM’lerin temelini oluşturmuştur.</li><li>Transformer mimarisi, bu süreci daha ölçeklenebilir, hızlı ve bağlam duyarlı hale getirmiştir.</li><li>Encoder, Decoder ve Encoder–Decoder yapıları, farklı NLP görevlerine uygun çözümler sunarken, LLM’ler bunların hepsini tek bir modelde birleştirmiştir.</li></ul><p>Dolayısıyla, LLM’ler yalnızca NLP’nin bir uzantısı değil, aynı zamanda onun doğal evriminin doruk noktasıdır. NLP’yi anlamadan LLM’leri anlamak mümkün değildir.</p><h3>3. Sonuç</h3><p>Bu yazıda, Doğal Dil İşleme (NLP) kavramı, temel işlevleri ve çalışma biçimi ele alınmış; ardından Büyük Dil Modelleri’nin (LLM) ortaya çıkışı ve NLP ile olan bağlantısı açıklanmıştır. NLP’nin kural tabanlı yaklaşımlardan başlayarak istatistiksel yöntemlere, oradan da derin öğrenme tabanlı modellere uzanan gelişim süreci, LLM’lerin oluşumuna zemin hazırlamıştır.</p><p>Özellikle Transformer mimarisiyle birlikte encoder, decoder ve encoder–decoder yapılarının gelişmesi, hem metin anlama hem de metin üretme görevlerinde önemli bir dönüm noktası olmuştur. BERT gibi encoder-only modeller anlama görevlerinde öne çıkarken, GPT gibi decoder-only modeller üretim yetenekleriyle dikkat çekmiş; T5 ve benzeri modeller ise her iki yaklaşımı birleştirmiştir. LLM’ler ise bu yapıları çok daha büyük veri kümeleri ve milyarlarca parametreyle ölçeklendirerek insan benzeri dil işleme kapasitesine ulaşmıştır.</p><p>Sonuç olarak, LLM’ler yalnızca NLP’nin bir uzantısı değil, aynı zamanda onun tarihsel ve teknik evriminde ulaşılan en gelişmiş aşamadır. NLP’nin temellerini anlamadan LLM’leri kavramak mümkün değildir. Bu nedenle LLM’lerin günümüzdeki başarısını doğru değerlendirmek için, NLP’nin geçirdiği evrimi ve Transformer tabanlı modellerin rolünü bilmek büyük önem taşımaktadır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=895a1bd33eb1" width="1" height="1" alt=""><hr><p><a href="https://happyhackingspace.blog/do%C4%9Fal-dil-i%CC%87%C5%9Flemeden-b%C3%BCy%C3%BCk-dil-modellerine-nlpnin-evrimi-ve-llm-lerin-ortaya-%C3%A7%C4%B1k%C4%B1%C5%9F-895a1bd33eb1">Doğal Dil İşlemeden Büyük Dil Modellerine: NLP’nin Evrimi ve LLM’lerin Ortaya Çıkışı</a> was originally published in <a href="https://happyhackingspace.blog/">Happy Hacking Space</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Uzaktan Algılama Verilerinde Derin Öğrenme Yaklaşımlarıyla Arazi Örtüsü Tanıma]]></title>
            <link>https://happyhackingspace.blog/uzaktan-alg%C4%B1lama-verilerinde-derin-%C3%B6%C4%9Frenme-yakla%C5%9F%C4%B1mlar%C4%B1yla-arazi-%C3%B6rt%C3%BCs%C3%BC-tan%C4%B1ma-6da53af253dc?source=rss-0b1870034ce2------2</link>
            <guid isPermaLink="false">https://medium.com/p/6da53af253dc</guid>
            <category><![CDATA[vgg19]]></category>
            <category><![CDATA[convolutional-neural-net]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Muhammed ŞEN]]></dc:creator>
            <pubDate>Mon, 21 Jul 2025 08:02:20 GMT</pubDate>
            <atom:updated>2025-07-21T08:17:31.351Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Özet — Bu araştırma, günümüzün öncelikli çevresel ve coğrafi sorunlarına çözüm getirmeyi hedefleyen bir perspektifle uydu görüntü analizine odaklanmaktadır. İklim değişikliği, sürdürülebilir kaynak yönetimi, orman takibi ve kentsel genişleme gibi kritik konulara yönelik çözümler arayışındaki bu çalışma, NaSC-TG2 ve Eurosat veri setleri üzerinde VGG19 ve ResNet50 modelleri kullanılarak gerçekleştirilmiştir. Özellikle NaSC-TG2 veri setinde VGG19 modeli ile elde edilen %99.32 gibi çarpıcı bir başarı oranı dikkat çekmektedir. Bu başarı, özellikle çevresel sorunlara odaklanan veri setlerinde VGG19 modelinin etkinliğini vurgulamaktadır.</strong></p><p><strong>Anahtar Kelimeler — Uydu Görüntüleri, Arazi Sınıflandırma, Derin Öğrenme, Sınıflandırma</strong></p><p><strong>Abstract — This research focuses on satellite image analysis with a perspective aimed at addressing contemporary environmental and geographical challenges. In the pursuit of solutions for critical issues such as climate change, sustainable resource management, forest monitoring, and urban expansion, the study utilized VGG19 and ResNet50 models on the NaSC-TG2 and Eurosat datasets. Particularly noteworthy is the striking success rate of 99.32% achieved with the VGG19 model on the NaSC-TG2 dataset. This achievement underscores the effectiveness of the VGG19 model, especially when applied to datasets concentrating on environmental issues.</strong></p><p><strong>Keywords — Satellite Images, Land Classification, Deep Learning, Classification</strong></p><h3>I. GİRİŞ</h3><p>Günümüzde, uzaktan algılama teknolojileri, dünya genelindeki değişen arazi özelliklerini incelemek ve anlamak amacıyla geniş bir kullanım alanına sahiptir. Bu teknolojiler arasında, uydu görüntüleme sistemleri, yüksek çözünürlüklü ve geniş kapsamlı veri sağlama kapasitesi ile öne çıkmaktadır. Uydu görüntülerinden elde edilen bu veriler, tarım, çevre izleme, kentsel planlama, felaket yönetimi ve askeri uygulamalar gibi birçok alanda önemli bilgiler sağlamaktadır. Bu bağlamda, arazi sahnesi sınıflandırması, uydu görüntü verilerinin analizi için temel bir öneme sahiptir. Arazinin farklı özelliklerini belirleme ve sınıflandırma yeteneği, tarım alanlarının izlenmesinden ormanlık alanların envanterine kadar birçok uygulama alanında değerli bilgiler sunmaktadır. Ayrıca, arazi sahnesi sınıflandırması, doğal kaynakları etkili bir şekilde yönetme, çevresel değişiklikleri izleme ve acil durum müdahalelerini optimize etme gibi önemli karar alma süreçlerinde kullanılmaktadır. Bu çalışma, uydu görüntü verileri kullanılarak arazi sahnesi sınıflandırması üzerine odaklanmaktadır. Uydu görüntülerinden elde edilen zengin ve büyük ölçekli veri setlerini kullanarak, farklı arazi tiplerini tanımlamak ve sınıflandırmak için geliştirilen yöntemler, çeşitli uygulama alanları için önemli bir potansiyele sahiptir. Bu bağlamda, çalışmanın amacı, uydu görüntülerinden arazi sahnesi sınıflandırmasının yöntemlerini geliştirmek ve bu teknolojinin pratik uygulamalarını artırmaktır.</p><p>A. Literatür Taraması</p><p>Uydu görüntülerinden arazi sahnesi sınıflandırması konusundaki literatürdeki çeşitli çalışmalar, farklı metodolojiler ve veri setleri kullanarak önemli katkılarda bulunmuştur. Bir çalışmada, karmaşık dokular, arka planlar ve küçük nesnelerle başa çıkabilen bir yöntem önerilmiştir. İki derin öğrenme modelinin içsel birleşimi ve özellik seçimi, Bayesian optimizasyon ile ayarlanan hiperparametrelerle eğitilerek elde edilen model, AID, UC-Merceds ve WHU-RS19 veri setlerinde state-of-the-art tekniklere göre daha iyi bir performans sergilemiştir [%96.3, %95.6 ve %97.8] [1]. Diğer bir çalışma, Tiangong-2 uzaktan algılama görüntülerinden oluşturulan geniş ölçekli “NaSC-TG2” veri setini sunmuştur. Bu veri seti, özellikle</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mSmqupXnezFh3bA6QuafNQ.png" /><figcaption>Çalışmanın Akış Şeması</figcaption></figure><p>doğal sahne sınıflandırma algoritmalarının gelişimine katkı sağlamak üzere tasarlanmış olup, 20,000 görüntüden oluşmaktadır. NaSC-TG2&#39;nin büyük ölçekli olması, sınıflar arasında yüksek farklılık ve benzerlik içermesi, ve diğer veri setlerinden farklı bir uzaysal ölçek ve görüntüleme performansı sunması gibi avantajları bulunmaktadır [2]. Evrişimli sinir ağlarının zorluklarına çözüm getiren bir diğer çalışma, VGG-19 ağının son dört katmanını iyileştirerek sınıflandırma performansını artırmış ve model parametrelerini azaltarak etkinliği artırmıştır. Bu yöntemin başarısı, dört farklı genel veri seti üzerinde yapılan deneylerle doğrulanmıştır [3]. Uzaktan algılama sahne sınıflandırması için geliştirilmiş bir yöntem öne çıkaran bir diğer çalışmanın deneysel sonuçları, zaman serisi uydu görüntülerinden elde edilen mekânsal verileri kullanarak diğer sınıflandırma yöntemlerini %87 hedef doğrulukla aştığını göstermektedir [4]. Son olarak Sentinel-2 uydu görüntüleriyle yapılan bir çalışma, önerilen veri setiyle %98.57 başarı elde ederek yama tabanlı arazi sınıflandırma yöntemi geliştirdi. Bu sistem, yer gözlem uygulamalarına olanak tanımanın yanı sıra arazi kullanımı ve örtüsü değişikliklerini tespit etmede de kullanışlıdır [5]. Bu çalışmalar, uydu görüntüleri üzerinden yapılan arazi sahnesi sınıflandırmasının modern uzaktan algılama uygulamalarının geliştirilmesine ve çeşitli sektörlerdeki karar alıcılarına değerli bilgiler sunmaya yönelik önemli adımlar olduğunu vurgular. Ayrıca literatürde bu çalışmaya benzer birçok çalışma görüldüğünden farklı çalışmalardaki farklı veri setleri ve modellerdeki başarı oranları da aşağıda Tablo 1’de halinde verilmiştir NaSC-TG2 veri seti üzerinde farklı modellerle ulaşılan başarı oranları Tablo 2’ de verilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*XbP-pND3HG_aWFSA" /><figcaption>Tablo 1: Farklı Veri Setler ve Modelleri üzerinde İki Farklı Modelin Başarı oranı[6]</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*cyttWyLp9PCXwTKC" /><figcaption>Tablo 2: NaSC-TG2 Veri Setinde Farklı Modellerin Başarı Oranları[2]</figcaption></figure><p><strong>II. METOT</strong></p><p>Uzaktan algılama teknolojileri, dünya genelindeki değişen arazi özelliklerini incelemek ve anlamak amacıyla geniş bir kullanım alanına sahiptir. Bu teknolojiler arasında, uydu görüntüleme sistemleri, yüksek çözünürlüklü ve geniş kapsamlı veri sağlama kapasitesi ile öne çıkmaktadır. Uydu görüntülerinden elde edilen bu veriler, tarım, çevre izleme, kentsel planlama, gibi birçok alanda önemli bilgiler sağlamaktadır.</p><p>Bu çalışmada da belirli teknikler kullanarak anlatılan sorunlara çözüm sağlamak asıl amaçtır çalışmanın bu bölümünde teknik anlamda nelerin yapıldığı nasıl yapıldığı ve başlıca aşamaların ne olduğuyla alakalı bir akış şeması yukarıda verilmiştir. Akış şemasında çalışmanın adım adım nasıl ilerlediği gösterilmiştir.</p><p>A. Veri Seti</p><ul><li>NaSC-TG2 Tiangong-2 uzaktan algılanan görüntülerden oluşturulan NaSC-TG2 adlı yeni bir veri kümesinin doğal sahne sınıflandırması için kullanımı açıklanmaktadır. Bu veri kümesi, özellikle doğal sahne sınıflandırması için uzaktan algılama sınıflandırma algoritmalarını geliştirmeyi amaçlayarak açıklama verilerini genişletmek ve zenginleştirmek amacını taşımaktadır. NaSC-TG2, eşit olarak bölünmüş 10 farklı sahne sınıfına ait toplam 20,000 görüntü içermekte olup, her bir sahne sınıfına ait görüntüler 128x128 piksel boyutunda ve 100 m mekansal çözünürlüğe sahiptir. Google Earth’ten elde edilen diğer veri kümeleriyle karşılaştırıldığında, NaSC-TG2, yeni mekansal ölçeğe ve görüntüleme performansına sahip zengin doğal manzaralara odaklanmaktadır[2].</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gj1PfnT3lzo15X0J" /><figcaption>NaSC-TG2 Veri setinden Bir Görüntü</figcaption></figure><ul><li>EuroSAT Eurosat, arazi kullanımı ve arazi örtüsü sınıflandırması için bir veri kümesi ve derin öğrenme ölçütüdür. Veri seti, 13 spektral bandı kapsayan ve 10 sınıftan oluşan toplam 27.000 etiketli ve coğrafi referanslı görüntüden oluşan Sentinel-2 uydu görüntülerine dayanmaktadır[7][8].</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*a8kxNZZJyXRzmt4Y" /><figcaption>EuroSat Veri Seti</figcaption></figure><p>B. Kullanılan Teknolojiler</p><p>Bu çalışmadada veri setleri üzerinde değerli sonuçlar elde edebilmek için bir çok model ve eğitim aşaması için yararlı olacağına inanılan kütüphaneler kullanılmıştır bunlar:</p><ul><li>Resnet50 (Residual Network 50): Derin öğrenme için popüler bir evrişimli sinir ağı mimarisidir. Geriye dönük bağlantılar ekleyerek, eğitim sırasında ortaya çıkan gradyan kaybını azaltarak daha derin ağların eğitilmesini kolaylaştırır[9].</li><li>VGG19 (Visual Geometry Group 19): 19 katmanlı evrişimli sinir ağı mimarisi olan VGG19, basit, homojen bir yapıya sahiptir ve genellikle nesne tanıma ve sınıflandırma görevlerinde kullanılır[10].</li><li>TensorFlow: Makine öğrenimi için uçtan uca açık kaynaklı bir platformdur. Araştırmacıların ML’deki en son teknolojiyi kullanmasına ve geliştiricilerin ML destekli uygulamaları kolayca oluşturup dağıtmasına olanak tanıyan kapsamlı ve esnek bir araç, kitaplık ve topluluk kaynakları ekosistemine sahiptir[11].</li><li>Keras, yüksek seviyeli bir derin öğrenme API’sidir ve evrişimli sinir ağları (CNN) ve rekürren sinir ağları (RNN) gibi modellerin hızlı ve kolay bir şekilde oluşturulmasını sağlar. TensorFlow, Theano ve Microsoft Cognitive Toolkit gibi altta yatan düşük seviyeli kütüphaneleri destekler, araştırmacılar ve geliştiriciler için hızlı prototip oluşturmayı kolaylaştırır[12].</li><li>Early Stopping: Eğitim sırasında modelin performansının belirli bir ölçüt üzerinden izlenmesini sağlayan bir tekniktir. Belirli bir noktada performansın artık iyileşmediği veya aşırı öğrenmeye yol açtığı durumda eğitimi durdurur[13].</li><li>V100 GPU: NVIDIA® V100 Tensor Core, yapay zeka (AI), yüksek performanslı hesaplama (HPC), veri bilimi ve grafikleri hızlandırmak üzere geliştirilen en gelişmiş veri merkezi GPU’sudur. Bu GPU, NVIDIA Volta mimarisi kullanılarak tasarlanmıştır ve 16 ile 32GB bellek konfigürasyonlarına sahiptir. Tek bir GPU içinde 32 CPU’nun performansını sunarak, veri bilimcileri, araştırmacılar ve mühendislerin bellek kullanımını optimize etmek yerine bir sonraki AI yeniliğini tasarlamaya daha fazla zaman ayırmasına olanak tanır. Bu özellikleriyle V100 Tensor Core, ileri düzeyde GPU hızlandırma çözümleri sunmaktadır[14].</li></ul><p>C. Model Seçimi</p><p>Bu çalışmada, iki farklı önceden eğitilmiş model olan ResNet50 ve VGG19 değerlendirildi. Her iki model de uygun özellik çıkarmak ve sahne sınıflandırması görevini gerçekleştirmek için kullanılan popüler derin öğrenme modelleridir.</p><p>Veri setleri üzerinde her iki modeli içeren deneyler gerçekleştirildi ve elde edilen sonuçlara göre, VGG19 modeli daha iyi performans gösterdi. VGG19 modeli, özellikle eklenen özel katmanlar ve eğitim parametreleri ile birlikte kullanıldığında, veri seti üzerinde daha etkili sonuçlar elde etti. Bu sonuçlar, VGG19&#39;un bu özel uygulama için daha uygun olduğunu göstermektedir. VGG19&#39;un seçilmesi ayrıca, modelin eğitim sürecindeki hızlı prototip oluşturma yetenekleri ve kolay anlaşılır yapısı nedeniyle tercih edilmiştir. Keras kütüphanesinin sunduğu kullanıcı dostu arayüz, modelin özelleştirilmesi ve uyarlanması sürecini kolaylaştırmıştır. Sonuç olarak, bu çalışmanın hedeflerine en iyi uygunluğu gösteren ve en iyi performansı sağlayan model olarak VGG19&#39;un seçilmesine karar verildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/519/1*VDZ7htR00uu9wl5cXTf5bg.png" /><figcaption>Tablo 3: Modellerin Veri Setleri Üzerindeki Başarı Oranları</figcaption></figure><p>D. Eğitim</p><p>Bu araştırma kapsamında, NaSC-TG2 veri kümesi kullanılarak uzaktan algılanan uydu görüntülerinden arazi sahnelerini sınıflandırmak amacıyla VGG19 mimarisini içeren bir derin öğrenme modeli eğitildi. Veri kümesi, eğitim ve test veri kümeleri olarak iki bölüme ayrıldı ve modelin performansını değerlendirmek üzere çeşitli yöntemler kullanıldı.</p><p>Eğitim öncesi, model, ImageNet veri kümesinde önceden eğitilmiş ağırlıklarla başlatıldı. Bu başlangıç noktası, modelin temel özellikleri daha etkili bir şekilde öğrenmesini sağlamak amacıyla tercih edildi.</p><p>Eğitim süreci iki aşamada gerçekleştirildi. İlk aşamada, modelin tüm katmanları eğitildi ve en iyi performans elde edilen ağırlıklar kaydedildi. İkinci aşamada, modelin belirli katmanları “ince ayar” yapılarak eğitildi; bu, modelin daha spesifik özellikleri öğrenmesine olanak tanıdı. Eğitim süreci boyunca, modelin performansını izlemek ve aşırı öğrenmeyi önlemek için doğrulama veri kümesi kullanıldı. Ayrıca, eğitim sırasında erken durdurma ve en iyi modelin kaydedilmesi gibi stratejiler uygulandı. Bu şekilde de overfitting olma ihtimali büyük oranda engellendi.</p><p>Eğitim sonunda test verilerinde elde edilen %99.32&#39;lik başarı oranı, modelin genel olarak yüksek doğruluk elde ettiğini göstermiştir. Bu başarı, NaSC-TG2 veri kümesi üzerinde derin öğrenme modelinin etkili bir şekilde eğitildiğini ve arazi sahnelerini başarıyla sınıflandırdığını vurgulamaktadır. Bu süreçte V100 GPU’nun yüksek performansı, eğitim sürecini hızlandırarak başarı oranına olumlu katkı sağlamıştır.</p><p>Eğitimin sonucunda veri setinde buluna 10 sınıfı içeren test veri setinde yapılan denemelerde ulaşılan başarı oranı, F-Score değerleri ve tek tek sınıflardan elde edilen sonuçlar aşağıdaki gibidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1tZI6vum1VzrQewJ726pMw.png" /><figcaption>Test Verilerinden Elde Edilen Sonuçlar</figcaption></figure><p>Eğitim sonucunda, ayrıca elde edilen sonuçlara karşılık kayıp değerler ve her epochtaki başarı oranını gösteren grafikler ortaya çıkmıştır. Grafiklerde daha net şekilde de görülmüştür ki eğitimin artan bir başarı oranı ve buna karşılık azalan bir loss değer grafiği bulunmaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eWbklqXpn2VNf2BnsSyJyA.png" /><figcaption>Eğitim Başarı Oranı Grafiği</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Uubz4fezIMq0lt2CxCq1cw.png" /><figcaption>Eğitimdeki Loss Değer Grafiği</figcaption></figure><p>Test veri setinde yapılan denemelerde oluşturulan modelin görüntüleri yüksek oranda tanıdığı ve sonuçların kayda değer bir yükseklikte olduğu somut şekilde kanıtlanmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o_ZjGE77_-TP0Gkds2v6vQ.png" /><figcaption>Test Verileri Sonuçları — 1</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LgvqGXkekBUTPM_X72gMEA.png" /><figcaption>Test Verileri Sonuçları — 2</figcaption></figure><p>Ayrıca dışardan farklı verilerle denemeler yapılmış ve bu denemelerde de yüksek oranda doğru tahmin yapmıştır. Aşağıdaki görselde sınıflandırmada numarası belirtilen sınıfı doğru bilmiş ve çöl olduğu tahmini doğru yapmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cNkgZqgq4ApchQuigRTpCQ.png" /><figcaption>WHU-RS19 Veri Setinden Çöl Görseli[15][16]</figcaption></figure><p><strong>III. TARTIŞMA VE SONUÇ</strong></p><p>Bu araştırma, uzaktan algılanan uydu görüntülerinden arazi sahnelerini sınıflandırmak amacıyla VGG19 mimarisini kullanan bir derin öğrenme modeli üzerine odaklanmıştır. NaSC-TG2 veri kümesi üzerinde gerçekleştirilen eğitim süreci, başlangıçta ImageNet veri kümesinde önceden eğitilmiş ağırlıklar kullanılarak başlatılmıştır. İki aşamalı bir eğitim süreci uygulanmış, ilk aşamada tüm katmanlar eğitilmiş ve en iyi performans elde edilen ağırlıklar kaydedilmiştir. İkinci aşamada ise belirli katmanlarda ince ayar yapılarak modelin daha spesifik özellikleri öğrenmesi sağlanmıştır.</p><p>Eğitim süreci boyunca aşırı öğrenmeyi önlemek ve modelin performansını izlemek amacıyla doğrulama veri kümesi kullanılmıştır. Erken durdurma ve en iyi modelin kaydedilmesi gibi stratejiler uygulanarak modelin daha genelleştirilebilir özellikler öğrenmesi hedeflenmiştir.</p><p>Elde edilen %99.32&#39;lik başarı oranı, modelin NaSC-TG2 veri kümesi üzerinde etkili bir şekilde eğitildiğini ve arazi sahnelerini başarıyla sınıflandırdığını göstermektedir. Bu başarı, V100 GPU’nun yüksek performansının eğitim sürecini hızlandırarak katkı sağladığını göstermektedir.</p><p>Sonuç olarak, bu çalışma, derin öğrenme modellerinin uzaktan algılamada etkili bir şekilde kullanılabilirliğini vurgulamakta olup, gelecekteki benzer araştırmalara ilham kaynağı olabilir.</p><p>Ayrıca ileride yapılacak benzer çalışmalarda daha çok sınıfa sahip daha büyük bir veri seti oluşturulursa tarım arazilerinin yıllık takibi, orman tahribi vb. gibi birçok önemli konunun çözümü de sağlanabilir.</p><p><strong>REFERANSLAR</strong></p><p>[1]. Hamza, Ameer, et al. “An Integrated Parallel Inner Deep Learning Models Information Fusion with Bayesian Optimization for Land Scene Classification In Satellite Images.” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (2023).</p><p>[2]. Zhou, Zhuang, et al. “NaSC-TG2: Natural scene classification with Tiangong-2 remotely sensed imagery.” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 14 (2021): 3228–3242.</p><p>[3]. Liu, Zongyin, et al. “Scene classification for remote sensing images with self‐attention augmented CNN.” IET Image Processing 16.11 (2022): 3085–3096.</p><p>[4]. Xu, Xiaowei, et al. “A novel approach for scene classification from remote sensing images using deep learning methods.” European Journal of Remote Sensing 54.sup2 (2021): 383–395.</p><p>[5]. Helber, Patrick, et al. “Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification.” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 12.7 (2019): 2217–2226.</p><p>[6]. Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg, and Li Fei-Fei, “ImageNet Large Scale Visual Recognition Challenge,” International Journal of Computer Vision (IJCV), vol. 115, no. 3, pp. 211–252, 2015.</p><p>[7]. Helber, P., Bischke, B., Dengel, A., &amp; Borth, D. (2019). Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.</p><p>[8]. Helber, P., Bischke, B., Dengel, A., &amp; Borth, D. (2018). Introducing EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification. In IGARSS 2018–2018 IEEE International Geoscience and Remote Sensing Symposium (s. 204–207). IEEE.</p><p>[9]. He, Kaiming, et al. “Deep residual learning for image recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.</p><p>[10]. Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014).</p><p>[11]. Developers, TensorFlow. “TensorFlow.” Zenodo (2022).</p><p>[12]. Ketkar, Nikhil, and Nikhil Ketkar. “Introduction to keras.” Deep learning with python: a hands-on introduction (2017): 97–111.</p><p>[13]. Prechelt, Lutz. “Early stopping-but when?.” Neural Networks: Tricks of the trade. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002. 55–69.</p><p>[14]. NVIDIA. (n.d.). NVIDIA V100 Tensor Core. Retrieved April 20, 1993, from <a href="https://www.nvidia.com/">https://www.nvidia.com/</a></p><p>[15]. Xia, G.-S., Yang, W., Delon, J., Gousseau, Y., Sun, H., &amp; MaÎtre, H. (2010). Structural high-resolution satellite image indexing. In Symposium: 100 Years ISPRS — Advancing Remote Sensing Science. Vienna, Austria.</p><p>[16]. Dai, D., &amp; Yang, W. (2011). Satellite Image Classification via Two-Layer Sparse Coding With Biased Image Representation. IEEE Transactions on Geoscience and Remote Sensing, 8(1), 173–176</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6da53af253dc" width="1" height="1" alt=""><hr><p><a href="https://happyhackingspace.blog/uzaktan-alg%C4%B1lama-verilerinde-derin-%C3%B6%C4%9Frenme-yakla%C5%9F%C4%B1mlar%C4%B1yla-arazi-%C3%B6rt%C3%BCs%C3%BC-tan%C4%B1ma-6da53af253dc">Uzaktan Algılama Verilerinde Derin Öğrenme Yaklaşımlarıyla Arazi Örtüsü Tanıma</a> was originally published in <a href="https://happyhackingspace.blog/">Happy Hacking Space</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Görüntü İşleme ile Kemik Kırıklarının Hızlı ve Doğru Tanısı]]></title>
            <link>https://happyhackingspace.blog/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-ile-kemik-k%C4%B1r%C4%B1klar%C4%B1n%C4%B1n-h%C4%B1zl%C4%B1-ve-do%C4%9Fru-tan%C4%B1s%C4%B1-ec7ab831ef26?source=rss-0b1870034ce2------2</link>
            <guid isPermaLink="false">https://medium.com/p/ec7ab831ef26</guid>
            <category><![CDATA[bone-fracture]]></category>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[image-classification]]></category>
            <dc:creator><![CDATA[Muhammed ŞEN]]></dc:creator>
            <pubDate>Thu, 06 Mar 2025 13:59:16 GMT</pubDate>
            <atom:updated>2025-03-06T14:24:49.103Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Özet</strong> — Bu çalışma, 4900 kemik kırığı röntgen görüntüsü üzerinde gerçekleştirilen derin öğrenme tabanlı sınıflandırma modelinin eğitimini ve performans analizini inceler. Model, evrişimli sinir ağı (CNN) mimarisi kullanılarak geliştirilmiş ve transfer öğrenme prensipleriyle desteklenmiştir. Eğitim sürecinde doğruluk, hassasiyet, geri çağırma ve F1 skoru gibi metrikler kullanılmıştır. Veri seti, 4900 kemik kırığı röntgen görüntüsünden oluşmakta ve eğitim, test ve doğrulama alt kümelerine ayrılmıştır. Modelin başarı oranı %94’tür. Ayrıca, eğitim sürecindeki metriklerin kemik kırığı sınıflarına özgü performansları detaylı bir şekilde incelenmiştir. Sonuçlar, modelin kemik kırıklarını yüksek doğruluk oranıyla başarılı bir şekilde sınıflandırdığını ve genelleme yeteneğini gösterdiğini ortaya koymaktadır. Alan altı eğri (AUC) değerleri, modelin sınıflandırma yeteneğini güvenilir bir şekilde değerlendirmiştir. Geliştirilen modelin, tıbbi görüntüleme alanında etkili bir kullanım potansiyeline sahip olduğu görülmüştür.</p><p><strong>Anahtar Kelimeler</strong> — Kemik Kırığı, Derin Öğrenme, Sınıflandırma, Röntgen Görüntüleri</p><h3>Abstract</h3><p>This study examines the training and performance analysis of a deep learning-based classification model on 4900 X-ray images of bone fractures. The model was developed using a Convolutional Neural Network (CNN) architecture and supported by transfer learning principles. Metrics such as accuracy, precision, recall, and F1 score were utilized during the training process. The dataset consists of 4900 X-ray images of bone fractures, divided into training, testing, and validation subsets. The success rate of the model is 94%. Additionally, the performance of metrics during the training process was extensively examined for specific fracture classes. The results demonstrate that the model successfully classifies bone fractures with high accuracy and exhibits generalization capabilities. Area Under the Curve (AUC) values reliably assessed the classification ability of the model. The developed model is observed to have effective potential for use in the field of medical imaging.</p><p><strong>Keywords:</strong> Bone Fracture, Deep Learning, Classification, X-ray Images</p><h3>I. GİRİŞ</h3><p>Bu çalışma, tıbbi görüntüleme alanında önemli bir konu olan kemik kırıklarının tespiti ve sınıflandırılması üzerine odaklanmaktadır. Kemik kırıkları, tıbbi teşhis ve tedavi süreçlerinde kritik bir rol oynayan önemli patolojiler arasında yer almaktadır. Geleneksel teşhis yöntemleri genellikle uzun sürebilir ve insan hatası riskini içerebilirken, derin öğrenme tabanlı sınıflandırma modelleri, bu süreçleri hızlandırabilir ve daha doğru sonuçlar elde etmeye olanak tanıyabilir.</p><p>Bu çalışmada, 4900 kemik kırığı röntgen görüntüsü üzerinde geliştirilen bir derin öğrenme modelinin eğitimi ve performans analizi detaylı bir şekilde incelenmiştir. Modelin evrişimli sinir ağı (CNN) mimarisi kullanılarak geliştirilmiş olması, görüntü verilerini etkili bir şekilde analiz etme yeteneği açısından önemlidir. Ayrıca, transfer öğrenme prensipleriyle desteklenmiş olması, modelin genelleme yeteneğini artırabilir.</p><p>Eğitim sürecinde kullanılan metrikler arasında doğruluk, hassasiyet, geri çağırma ve F1 skoru bulunmaktadır. Bu metrikler, modelin performansını çeşitli açılardan değerlendirmeye olanak tanımaktadır. Veri seti, 4900 kemik kırığı röntgen görüntüsünden oluşmakta ve eğitim, test ve doğrulama alt kümelerine ayrılmıştır, bu da modelin güvenilir bir şekilde değerlendirilmesini sağlamaktadır.</p><p>Elde edilen sonuçlar, geliştirilen modelin %94’lük bir başarı oranına sahip olduğunu göstermektedir. Ayrıca, eğitim sürecindeki metriklerin kemik kırığı sınıflarına özgü performansları detaylı bir şekilde incelenmiş ve modelin kemik kırıklarını yüksek doğruluk oranıyla sınıflandırdığı görülmüştür.</p><p>Bu çalışma, geliştirilen modelin genelleme yeteneğini değerlendirmek adına alan altı eğri (AUC) değerlerini kullanmıştır. Bu değerler, modelin sınıflandırma yeteneğini güvenilir bir şekilde ölçmekte ve sonuçlar üzerinde daha fazla güvenilirlik katmaktadır.</p><p>Sonuç olarak, bu çalışma, tıbbi görüntüleme alanında kemik kırıklarının sınıflandırılması için etkili bir derin öğrenme modelinin geliştirilmesini ve başarılı bir şekilde uygulanmasını ortaya koymaktadır. Geliştirilen modelin, gelecekte daha geniş kemik kırığı veri setleriyle daha da iyileştirilebilecek bir potansiyele sahip olduğu vurgulanmaktadır.</p><h3>A. Literatür Taraması</h3><p>Bu çalışma, kemik kırığı tespiti ve sınıflandırılması alanındaki önemli gelişmeleri değerlendirmek ve mevcut literatürdeki bilgileri derlemek ve bu çalışmayla karşılaştırmak amacıyla gerçekleştirilen bir literatür taramasını da içermektedir.</p><p>Kemik kırıkları, tıbbi görüntüleme teknolojisinin ilerlemesiyle birlikte, teşhis ve tedavi süreçlerinde önemli bir odak noktası haline gelmiştir. Bu nedenle, literatür taraması, mevcut bilimsel çalışmaların, teknolojik yeniliklerin ve metodolojik yaklaşımların özeti olarak bu alandaki güncel durumu ortaya koymayı amaçlamaktadır.</p><p>Öncelikle, kemik kırığı tespiti ve sınıflandırılmasıyla ilgili gelişmiş tıbbi görüntüleme tekniklerine yönelik literatürdeki önemli çalışmalar gözden geçirilmiştir. Geleneksel radyolojik yöntemlerden başlayarak, son yıllarda yaygın olarak kullanılan dijital görüntüleme teknikleri ve bu tekniklerin sağlık sektöründeki etkisi incelenmiştir.</p><p>Ayrıca, derin öğrenme ve özellikle evrişimli sinir ağları (CNN) gibi yapay zeka temelli sınıflandırma modellerinin kemik kırığı teşhisindeki rolüne odaklanılmıştır. Literatürdeki bu modellerin kullanımıyla ilgili avantajlar, zorluklar ve başarıları değerlendirilmiştir. Transfer öğrenme prensiplerinin, bu tür modellerin performansını artırmak için nasıl kullanılabileceği üzerine yapılan çalışmalar da literatür taramasının bir parçasını oluşturmuştur.</p><p>Son olarak, benzer çalışmalardan elde edilen bulguların, mevcut araştırmaya temel oluşturacak şekilde incelenmesi ve değerlendirilmesi amacıyla literatürdeki diğer önemli tıbbi görüntüleme çalışmalarına genel bir bakış sunulmuştur.</p><p>Literatürde yapılmış çalışmalara genel anlamda bakmamız gerekirse de farklı modellerle farklı yöntemlerle desteklenerek iyi oranda doğruluğa sahip birçok çalışma bulunmaktadır. Bunlar incelendiğinde ise şu şekilde çalışalar bulunmaktadır:</p><p>Literatürde daha önce yapılmış bir çalışmada özellikle X-ray görüntüleri için wavelet dönüşüm tabanlı segmentasyon ve sinir ağı tabanlı sınıflandırma metodunun ayrıntılı bir açıklaması sunulmaktadır. Bu yöntem, geleneksel segmentasyon tekniklerine göre özel bir öneme sahip olan wavelet dönüşümü kullanarak görüntüleri etkili bir şekilde analiz etmektedir. Ayrıca, Signal to Noise Ratio (SNR), Peak Signal to Noise Ratio (PSNR), Structural Similarity (SSIM), ve Entropi gibi istatistiksel görüntü tanımlayıcılarıyla yapılan değerlendirmeler, önerilen yöntemlerin özellikle tıbbi görüntü segmentasyonunda avantajlı olduğunu ortaya koymaktadır[1]. Yapılan farklı bir çalışmada ise kemik kırığı teşhisi için geleneksel olarak uzun süre gerektiren manuel bir sürecin yerine makine öğrenimi ve derin öğrenme tekniklerini kullanarak daha hızlı bir yöntem önerilmektedir Özellikle, bir çok ölçekli özellik birleştirme yaklaşımını benimseyen konvolüsyonel sinir ağı (CNN) ve geliştirilmiş bir Canny kenar algortimasının entegrasyonunu içeren bir hibrid ölçekli kırık ağı (SFNet) önerilmektedir. Yapılan inovasyon, geliştirilmiş Canny kenar algortiması kullanarak görüntülerde kenar elde etmeyi içermektedir, bu sayede kırık bölgeyi doğru bir şekilde lokalize etmek mümkün olmaktadır. Gri tonlu görüntüler ve ilgili Canny kenar görüntülerinin ardından, önerilen hibrid SFNet’e eğitim ve değerlendirme için beslenmektedir. Bu önerilen yöntemin performansı, bir kemik görüntü veri setinde mevcut olan diğer önde gelen derin CNN modelleriyle karşılaştırılmıştır. Elde edilen sonuçlar, Canny ile SFNet’in (SFNet + Canny) kemik kırığı teşhisi için %99,12 doğruluk, %99 F1 puanı ve %100 geri çağırma başarısına ulaştığını göstermektedir[2]. Yapılan bir diğer çalışmada ise dünya genelinde birçok hastane ve klinikte rapor edilen kola ait kırıkla ilgili yaralanmaların üstesinden gelmek adına yeni bir derin öğrenme tabanlı kırık tespiti yöntemi önerilmiştir. İlk olarak, X-ışını görüntülerini işlemek için YOLACT++ görüntü segmentasyonu ve Kontrast Sınırlı Adaptif Histogram Eşitleme yöntemlerinin bir kombinasyonunu içeren bir algoritma kullanılmışıtır. Daha sonra, YOLOv4, kemik kırığı pozisyonunu belirlemek amacıyla dört veri artırma tekniği ile eğitilmiştir. Önerilen yöntemi kullanarak elde edilen en üst düzey sonuç %81,91’dir. Ayrıca, deneysel sonuçlar, yöntemin küçük bir veri setinde uygulandığında Faster-RCNN tabanlı çözümü geride bıraktığını doğrulamıştır[3].</p><p>Yapılmış bir diğer çalışmadaysa YOLOv7-mask ile X-ışını görüntülerini segmente ederek başlanmış. Daha sonra, Histogram Eşitleme ve Kontrast Sınırlı Adaptif Histogram Eşitleme algoritmalarını kullanarak görüntü kontrastı artırılmıştır. Bu iki algoritmanın birleşimine dayanan bir görüntü karıştırma yöntemi önerilmiştir. Super-Resolution Generative Adversarial Networks (SRGAN) ile görüntü çözünürlüğü artırılmış. Son olarak, YOLOv7-E6E, kırıkları tanımlamak ve lokalize etmek amacıyla veri artırma teknikleriyle eğitilmiş. Önerilen yöntemle elde edilen en yüksek doğruluk %84,03 olmuştur[4]. Ayrıca yapılan bir çalışmada ise kırık ve sağlıklı kemiyi sınıflandırmak için bir derin sinir ağı modeli geliştirilmiştir. Derin öğrenme modeli, küçük veri setinde aşırı uyum sağlamış. Bu nedenle, veri artırma teknikleri kullanılarak veri setinin boyutu artırılmıştır. Modelin performansını değerlendirmek için softmax ve Adam optimizatörü kullanılarak üç deneme gerçekleştirilmiştir. Önerilen modelin 5 katlı çapraz doğrulama kullanılarak sağlıklı ve kırık kemik için sınıflandırma doğruluğu %92,44’tür. Test verisinin %10’u ve %20’sindeki doğruluk sırasıyla %95’in üzerinde ve %93’tür[5]. Yapılan bir diğer ayrıntılı çalışmanın odak noktası, uzun kemiklerde ve özellikle bacak kemiğinde (genellikle Tibia olarak adlandırılır) kırıkları otomatik olarak tespit etmektir. Basit diagnostik X-ışınlarından kırıkları otomatik olarak tespit etmek amacıyla çoklu sınıflandırma sistemleri kullanılmıştır. İki tip özellik (doku ve şekil) ve üç tip sınıflandırıcı (Geri Yayılım Sinir Ağı, K-En Yakın Komşu, Destek Vektör Makinesi) kullanılarak toplamda 12 adet ensemble modeli önerilmiştir[6]. Literatürde bizim çalışmalarımıza benzer çalışmalar veya fark</p><h3>II. METOT</h3><p>Bu çalışma, kemik kırıklarını tespit etmek amacıyla derin öğrenme modeli kullanarak bir sınıflandırma görevini ele almaktadır. İlk adımda, Kaggle üzerinden elde edilen bir veri seti kullanılmıştır. Veri seti, eğitim, test ve doğrulama olmak üzere üç farklı kısma ayrılmıştır. Eğitim seti, modelin öğrenmesi için kullanılan görüntüler ve bu görüntülerin etiketlerini içermektedir.</p><h3>A. Veri Seti</h3><p>Bu çalışma için kullanılan veri seti, kemik kırığı tespiti amacıyla toplamda 5000 röntgen görüntüsünden oluşmaktadır. Görüntüler, kemik kırığı olan ve olmayan durumları içermekte olup, her bir röntgen görüntüsü etiketlenmiştir. Veri seti, eğitim ve test verileri olmak üzere iki bölüme ayrılmıştır. Derin öğrenme modeli için eğitim sürecinde kullanılan görüntüler, sınıflandırma algoritmalarının geliştirilmesi ve modelin doğruluğunun değerlendirilmesi amacıyla elde edilmiştir. Bu veri seti, kemik kırığı tespiti konusunda derin öğrenme modellerinin etkinliğini değerlendirmek üzere kullanılmıştır. Veri setinden bir görüntü aşağıda verilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/415/1*vdYYLyiMkUoO4Apc9rAWAw.png" /><figcaption>Veri Seti Görüntüsü</figcaption></figure><h3>B. Kullanılan Teknolojiler</h3><p>Bu çalışmada veri setleri üzerinde değerli sonuçlar elde edebilmek için birçok model ve eğitim aşaması için yararlı olacağına inanılan kütüphaneler kullanılmıştır. Bunlar:</p><ul><li><strong>TensorFlow:</strong> TensorFlow, makine öğrenimi için kapsamlı, esnek bir ekosistem sunan açık kaynaklı bir platformdur. Araştırmacıların ML’deki en son teknolojiyi keşfetmelerine ve geliştiricilerin kolayca ML tabanlı uygulamalar inşa etmelerine olanak tanıyan araçlar, kütüphaneler ve topluluk kaynaklarıyla zengin bir yapıya sahiptir[7].</li><li><strong>Keras:</strong> TensorFlow üzerinde çalışabilen derin öğrenme için kullanılan kolay öğrenilebilir bir Python kütüphanesidir. Geliştiricilere sinir ağları oluşturma odaklıdır ve tensorların detaylarıyla otomatik olarak ilgilenir. İki temel çerçeve türü vardır: sıralı API ve fonksiyonel API. Sıralı API, en yaygın ve kullanımı kolay olanıdır[8].</li><li><strong>Early Stopping:</strong> Eğitim sırasında modelin performansının belirli bir ölçüt üzerinden izlenmesini sağlayan bir tekniktir. Belirli bir noktada performansın artık iyileşmediği veya aşırı öğrenmeye yol açtığı durumda eğitimi durdurur[9].</li><li><strong>CNN:</strong> Evrişimli Sinir Ağı (CNN), veriden doğrudan öğrenen derin öğrenme için bir ağ mimarisidir. CNN’ler, özellikle nesneleri tanımak için görsellerde desenleri bulma konusunda çok kullanışlıdır. Ayrıca, ses, zaman serisi ve sinyal verisi gibi görsel olmayan verileri sınıflandırmak için de oldukça etkili olabilirler. Aşağıda CNN mimarisini daha net anlamak için bir görsel verilmiştir[10].</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HUoll6AkH8C5E4XaKfhPEA.png" /><figcaption>CNN ve Katmanları [11]</figcaption></figure><p>Bu çalışmada, kırık kemikleri tespit etmek amacıyla bir derin öğrenme modeli geliştirildi. Model, evrişimli sinir ağı (Convolutional Neural Network — CNN) mimarisi kullanılarak inşa edildi. İlk katmanda, 3x3 boyutlu filtrelerle 32 adet evrişimli katman bulunmaktadır ve giriş görüntülerini işlemek için ReLU aktivasyon fonksiyonu kullanılmıştır. Ardından, Batch Normalization uygulanan ve ardından 2x2 boyutunda bir maksimum havuzlama (MaxPooling) katmanı eklenmiştir. Modelin karmaşıklığını artırmak amacıyla, 0.3 oranında dropout (bırakma) uygulandı.</p><p>İkinci bir evrişimli katman daha eklenmiş olup, bu katmanda 64 adet 3x3 boyutlu filtre kullanıldı ve yine ReLU aktivasyon fonksiyonu ile işlendi. Benzer şekilde, Batch Normalization ve MaxPooling katmanları eklenmiştir ve modelin aşırı uyuma karşı daha dirençli olması için dropout kullanılmıştır.</p><p>Modelin üçüncü evrişimli katmanında ise 128 adet 3x3 boyutlu filtre bulunmaktadır. Bu katmanda da ReLU aktivasyon fonksiyonu ve Batch Normalization uygulanmıştır. Ardından, modelin daha önceki katmanlardan öğrendiği özellikleri çıkarmak amacıyla bir flattening katmanı eklenmiştir.</p><p>Tam bağlantılı (dense) katmanlara geçiş yapılarak, modelin daha karmaşık ilişkileri öğrenmesi sağlanmıştır. İlk tam bağlantılı katmanda 256 nöron ve ReLU aktivasyon fonksiyonu kullanılmıştır. Ayrıca, aşırı uyumu önlemek amacıyla 0.3 oranında dropout uygulanmıştır.</p><p>Daha sonra, ikinci tam bağlantılı katmanda 128 nöron ve yine ReLU aktivasyon fonksiyonu bulunmaktadır. Bu katmanda da 0.3 oranında dropout uygulanarak modelin genelleme yeteneği artırılmıştır.</p><p>Son katmanda ise tek bir nöron bulunmaktadır ve sigmoid aktivasyon fonksiyonu kullanılarak ikili sınıflandırma gerçekleştirilmiştir. Modelin toplam parametre sayısı ve mimarisi, eğitim verilerini etkili bir şekilde öğrenmesini sağlamak amacıyla deneysel olarak belirlenmiştir. Modelin performansını değerlendirmek için ‘adam’ optimizasyon algoritması ve ‘binary_crossentropy’ kayıp fonksiyonu kullanılmıştır.<br>fonksiyonu kullanılmıştır. Ayrıca, modelin eğitimini takip etmek ve aşırı uyumu önlemek için ModelCheckpoint ve EarlyStopping geri arama fonksiyonları eklenmiştir.</p><p>Eğitim sırasında elde edilen kayıp, doğruluk, hassasiyet ve AUC metrikleri üzerinden modelin performansı değerlendirilmiştir. Elde edilen sonuçlara dayanarak, modelin test veri kümesindeki performansı değerlendirilmiş ve bu sonuçlar sınıflandırma raporu ve karışıklık matrisi üzerinden detaylı bir analiz ile sunulmuştur.</p><p>Eğitimin sonucunda elde edilen başarı oranı aşağıda verilmiştir. Elde edilen %98 oranındaki başarı oranı eğitimin ne kadar kaliteli olduğunu göstermektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/430/1*xVIahvcc5xNDfn5dbO8mUQ.png" /><figcaption>Eğitimdeki Başarı Oranı</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/367/1*uvyalPwGdabJTefFYDhKpA.png" /><figcaption>Confusion Matrix</figcaption></figure><p>Eğitim sonucunda test veri setinden alınan fotolar aşağıda verilmiştir. Test veri setinde ki fotoğrafları büyük oranda tanıdığı görülmüştür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*b_3Uk4sGH_l0HnTY3nFXUg.png" /><figcaption>Test verilerinde Tanıma — 1</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/391/1*s5TxvXI2i2ZhxV7dthXFuw.png" /><figcaption>Test verilerinde Tanıma — 2</figcaption></figure><p>Bu çalışmadan gerçekleştirilen model eğitimin farklı çalışmalarda oluşturulan modellerle karşılaştırılmasını gösteren tablo aşağıda verilmiştir.</p><h3>Farklı Çalışmalardaki Modellerin Karşılaştırılması</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*-iGLxOExgHvPZpXoKDY2MQ.png" /><figcaption>Farklı Çalışmalardaki Modellerin Karşılaştırılması</figcaption></figure><h3>III. TARTIŞMA VE SONUÇ</h3><p>Bu çalışma, kemik kırığı tespiti için derin öğrenme modelinin başarıyla kullanılabileceğini göstermektedir. Yaklaşık 5000 röntgen görüntüsünden oluşan veri seti üzerinde elde edilen %98 başarı oranı, modelin güvenilirliğini vurgular. Bu sonuçlar, klinik uygulamalarda radyologlara yardımcı olabilecek ve tanı sürecini hızlandırabilecek etkili bir araç sunmaktadır.</p><p>Ancak, bu çalışma sınırlamalara sahiptir. Veri setinin spesifik özellikleri ve genel geçerliliği göz önüne alındığında, modelin farklı hastane veya popülasyonlarda test edilmesi gereklidir. Ayrıca, elde edilen başarı oranının gerçek klinik koşullarda nasıl performans göstereceği üzerine daha fazla çalışmaya ihtiyaç vardır.</p><p>Bu çalışma, kemik kırığı tespiti alanında derin öğrenme modellerinin potansiyelini vurgulamaktadır ve ileride bu alandaki araştırmalara ilham kaynağı olabilir.</p><h3>REFERANSLAR</h3><p>[1] Bagaria, Rinisha, Sulochana Wadhwani, and Arun Kumar Wadhwani. “A wavelet transform and neural network based segmentation &amp; classification system for bone fracture detection.” <em>Optik</em> 236 (2021): 166687.</p><p>[2] Yadav, Dhirendra Prasad, et al. “Hybrid SFNet model for bone fracture detection and classification using ML/DL.” <em>Sensors</em> 22.15 (2022): 5823.</p><p>[3] Nguyen, Hoai Phuong, Thi Phuong Hoang, and Huy Hoang Nguyen. “A deep learning based fracture detection in arm bone X-ray images.” <em>2021 International Conference on Multimedia Analysis and Pattern Recognition (MAPR).</em> IEEE, 2021.</p><p>[4] Nguyen, Huy Hoang, Tuan Khoi Nghiem, and Ngoc Minh Dang. “A Novel Arm Bone Fracture Detection Using Deep Learning.” <em>International Conference on Advances in Information and Communication Technology.</em> Cham: Springer Nature Switzerland, 2023.</p><p>[5] Yadav, D. P., and Sandeep Rathor. “Bone fracture detection and classification using deep learning approach.” <em>2020 International Conference on Power Electronics &amp; IoT Applications in Renewable Energy and its Control (PARC).</em> IEEE, 2020.</p><p>[6] Umadevi, N., and S. N. Geethalakshmi. “Multiple classification system for fracture detection in human bone x-ray images.” <em>2012 Third International Conference on Computing, Communication and Networking Technologies (ICCCNT’12).</em> IEEE, 2012.</p><p>[7] Developers, TensorFlow. “TensorFlow.” <em>Zenodo</em> (2022).</p><p>[8] Manaswi, Navin Kumar, and Navin Kumar Manaswi. “Understanding and working with Keras.” <em>Deep Learning with Applications Using Python: Chatbots and Face, Object, and Speech Recognition with TensorFlow and Keras</em> (2018): 31–43.</p><p>[9] Prechelt, Lutz. “Early stopping-but when?.” <em>Neural Networks: Tricks of the Trade.</em> Berlin, Heidelberg: Springer Berlin Heidelberg, 2002. 55–69.</p><p>[10] <em>Convolutional Neural Networks (CNN) — Architecture Explained,</em> Jun. 1, 2022. [Online]. Available: [Link](<a href="https://medium.com/@draj0718/convolutional-neural-networks-cnn-architectures-explained-716fb197b243#:~:text=A%20convolutional%20neural%20network%20(CNN,time%20series%2C%20and%20signal%20data)">https://medium.com/@draj0718/convolutional-neural-networks-cnn-architectures-explained-716fb197b243#:~:text=A convolutional neural network (CNN,time series%2C and signal data)</a>.</p><p>[11] <em>Understanding of Convolutional Neural Network (CNN) — Deep Learning.</em> <a href="https://medium.com/@RaghavPrabhu/understanding-of-convolutional-neural-network-cnn-deep-learning-99760835f148">Link</a>. Accessed 7 Dec 2018.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ec7ab831ef26" width="1" height="1" alt=""><hr><p><a href="https://happyhackingspace.blog/g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-ile-kemik-k%C4%B1r%C4%B1klar%C4%B1n%C4%B1n-h%C4%B1zl%C4%B1-ve-do%C4%9Fru-tan%C4%B1s%C4%B1-ec7ab831ef26">Görüntü İşleme ile Kemik Kırıklarının Hızlı ve Doğru Tanısı</a> was originally published in <a href="https://happyhackingspace.blog/">Happy Hacking Space</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derin Öğrenme ve Özellik Çıkarımı]]></title>
            <link>https://happyhackingspace.blog/derin-%C3%B6%C4%9Frenme-ve-%C3%B6zellik-%C3%A7%C4%B1kar%C4%B1m%C4%B1-d00cceaa31a8?source=rss-0b1870034ce2------2</link>
            <guid isPermaLink="false">https://medium.com/p/d00cceaa31a8</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Muhammed ŞEN]]></dc:creator>
            <pubDate>Thu, 06 Mar 2025 13:32:37 GMT</pubDate>
            <atom:updated>2025-03-06T13:58:33.043Z</atom:updated>
            <content:encoded><![CDATA[<h3>Özet</h3><p>Derin öğrenmede otomatik özellik çıkarma yaklaşımı, temel ilkeler ve merkezlerle seçilmiştir. Yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki iletişimler açıklanmış, ardından yapay sinir ağlarının yapıları ve birbirlerinden uzak kalmaları. Derin öğrenmede kullanılan sinir ağı mimarilerinin, geleneksel makine öğrenmesindeki manuel özellik çıkarımına kıyasla nasıl daha otomatik ve etkili çaba sarf edildiği vurgulanmıştır. Otomatik özellik çıkarımının, görüntü, metin ve zaman serisi gibi karmaşık veri türlerindeki üstün performans üzerinde durulmuştur. Son olarak, derin öğrenme modellerinin belirlenmesi ve özel çözülebilir mimarilerinin karmaşık problemlerinin çözümüne sunulan katkılar değerlendirilmiştir. Metin, derin öğrenmenin modern yapay zekâ uygulamalarında genişletme ve özellik çıkarımındaki dağıtım oranını ortaya koymayı hedeflemektedir.</p><p><strong>Anahtar Kelimeler:</strong> Derin Öğrenme, Otomatik Özellik Çıkarma, Yapay Sinir Ağları, Makine Öğrenmesi</p><h3>1. Giriş</h3><p>Derin öğrenmede otomatik özellik öğrenme tedavisini tam olarak kullanabiliriz için öncelikle Derin öğrenmenin ne olduğunu bilmemiz gerekir, hatta daha geniş kapsamlı Yapay Zekâ ve Makina öğrenmesinin ne Derin öğrenmenin ne zaman ve neden çıktığına bakmamız mümkündür, ancak bu kavramlar tam olarak anlayabilirsek Derin öğrenmede otomatik özellik öğrenme işleminin ne şekilde olup bittiğini modellerimizi oluşurken iyileşmesi ihtimaliz.</p><h3>1.1. Yapay Zekâ Nedir?</h3><p>1990 yılında yayımlanan bir kitapta, yapay zeka (YZ) şu şekildedir: Yapay zeka, insan zekasını taklit etmeye çalışan ve çeşitli işlevler aracılığıyla insan yapımı makineler aracılığıyla bir araya gelen bir teknolojidir. Ancak, YZ&#39;nin tam olarak anlanabilmesi için “zekâ” sistemi doğru bir şekilde tükenmesi gerekir. Zekâ, deneyimlerden öğrenme, anlaşmazlıklar ve yeni durumlara hızlı uyum sağlama gibi yetenekleri kapsar. <br>YZ&#39;nin “yapay”ın anlamı, onun doğal evrimsel sonuçlarıyla ya da biyolojik etkilerle değil, insanlar tarafından tasarlanarak yaratılmıştır. Yani, yapay zekâ, sunulan zekâya benzer yetenek taklit etmek de biyolojik bir temele dayanmaz [1]. Bu tanımdan yola açık, yapay zekânın amacı, deneyimlerden elde edilen bilgileri analiz ederek doğru sonuca ulaşmaktır. <br>Bunu daha iyi anlayabilmek için, bir veri öğrenme sürecini ele alabiliriz. Bebekler doğduklarında konuşma yeteneğine sahip değildir. Zamanın çevrelerinden gelen bilgileri deneyimleyerek ve tekrarlar yaparak dil becerilerini geliştirirler. Bu süreç, öğrenme ve yorumlama yoluyla gerçekleşir. Yapay zeka da benzer şekilde, daha önceki deneyimlerden öğrenilerek ve analiz yapılarak “zekâ” sergilenebilir.</p><h3>1.2. Makine Öğrenmesi Nedir?</h3><p>Makine öğrenmesi 2015 yılında yayımlanan bir kitapta şöyle bir tanımlamayla açıklanmaya çalışılmıştır kısaca açıklamak gerekirse: Makine öğrenmesi, algoritmaların giriş verileriyle eğitim alarak belirli görevleri daha iyi yapmalarını sağlayan bir süreçtir. Algoritmalar, sabit kodlama yerine verilerle deneyim kazandıkça kendilerini optimize eder ve yeni verilerle doğru sonuçlar üretir [2]. Yani Yapay zekayla bağlantısını tam olarak açıklamak gerekirse: Makine öğrenmesi, yapay zekânın (YZ) bir alt alanıdır ve yapay zekânın amacına hizmet eden önemli bir tekniktir. Yapay zekâ, insan benzeri zekâ ve öğrenme süreçlerini taklit etmeyi amaçlayan bir alandır. Makine öğrenmesi ise, bu hedefe ulaşmak için kullanılan bir yöntemdir.<br>Makine öğrenmesinde, algoritmalar, insan benzeri öğrenme süreçlerine benzer şekilde, verilerden öğrenerek performanslarını geliştirirler. İnsanlar gibi, makine öğrenmesi algoritmaları da zamanla yeni verilerle “deneyim” kazanır ve buna göre kendilerini optimize ederler. Bu, yapay zekânın “öğrenme” yeteneğiyle ilgilidir. YZ, verilen verilerle zamanla daha doğru tahminler yapabilen, daha akıllı hale gelen sistemler yaratmayı hedefler.<br>Sonuç olarak, makine öğrenmesi, yapay zekânın gerçek zekâ ve öğrenme kabiliyetini taklit etmesinin temel yoludur. Bu, tıpkı insanların öğrenme biçimine benzer şekilde, algoritmaların verilerle “öğrenmesi” ve yeni durumlara uyum sağlaması anlamına gelir.</p><h3>1.3. Derin Öğrenme Nedir?</h3><p>Derin öğrenmeyi açıklayan bir makalede şöyle bir tanım vardır: Derin öğrenme, verilerin yüksek düzeyde soyutlamalarını modellemeye çalışan bir makine öğrenmesi dalıdır ve bu, karmaşık yapılar veya doğrusal olmayan dönüşümlerden oluşan çoklu sinir katmanları kullanarak yapılır [3]. Tanım biraz karmaşık gelmiş olabilir fakat daha açıklayıcı olmak gerekirsek Derin öğrenme, bilgisayarların insan gibi düşünmesini sağlamaya çalışan bir yapıdır. Bu yapı, bilgisayarların çok büyük veri yığınlarından, kendi başlarına öğrenmelerini ve çeşitli görevleri yerine getirebilmelerini sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/279/1*_li7br8Ekl-TnrTHwTmOrQ.jpeg" /><figcaption>Derin öğrenmenin verileri birden fazla katman aracılığıyla nasıl işlediğine dair bir örnek</figcaption></figure><p>Bir örnekle açıklayalım: Farz edelim ki bilgisayara çok sayıda fotoğraf gösteriyorsunuz. Bu fotoğrafların bazıları Kadın, bazıları ise Erkek. Başlangıçta bilgisayar hiçbir şey anlamaz, ama zamanla kadınlar ve erkekleri ayırt etmeyi öğrenir. Derin öğrenme sayesinde, bilgisayar, fotoğrafları tek tek inceleyerek, “bu bir kadın, bu bir erkek” gibi etiketler koymayı öğrenir. Her seferinde daha fazla veri gösterdikçe, bilgisayar daha doğru tahminler yapmaya başlar. Yani bu örnekten da anlaşıldığı üzere bilgisayara sunulan fotoğraflar bilgisayarın deneyim kazanmasına ve aslında spesifik ve onun hiç bilmediği bir durumu öğrenerek yorumlamasına zemin hazırlamış oluyor. Tabi bu durum verdiğim örnekteki kadar kolay bir şekilde gerçekleşmiyor.<br>Derin öğrenme, bilgisayarların önce basit özellikleri, sonra karmaşık nesneleri öğrenmesini sağlar. İlk aşamada kenar ve renk gibi temel öğeler öğrenilir. İleri aşamalarda ise daha karmaşık yapılar, örneğin nesneler veya kavramlar, tanınır.</p><h3>2. Derin Öğrenmede Sinir Ağları ve Özellik Öğrenme</h3><p>Bu bölümde, derin öğrenme yöntemlerinde yapay sinir ağlarının neden ortaya çıktığını ve özellik çıkarımının neden önemli olduğunu inceleyeceğiz. Yazının önceki kısımlarında temel bilgileri ele aldığımızı düşünerek, burada konuyu daha derinlemesine ve kapsamlı bir şekilde ele alacağız. Amacımız, konuyu daha anlaşılır kılarken aynı zamanda karmaşık noktaları da açıklığa kavuşturmak.</p><h3>2.1. Derin Öğrenme Yöntemlerinde Yapay Sinir Ağı ve Özellik Çıkarımının Önemi</h3><p>Bu çalışmanın temelinde derin öğrenme yöntemlerinin daha iyi anlaşılabilmesi için aşağıdaki kavramların derinlemesine incelenmesi gereklidir:</p><ul><li><strong>Yapay Sinir Ağlarının (YSA) Temelleri</strong></li><li><strong>Derin Öğrenme Mimarileri</strong></li><li><strong>Aktivasyon Fonksiyonları</strong></li><li><strong>Optimizasyon Algoritmaları</strong></li><li><strong>Veri İşleme</strong></li></ul><p>Derin öğrenme, önceden ele alınan kavramlardan çok daha karmaşık bir yapıya sahiptir. Bu temel kavramları anladığımızda, özellik çıkarımının neden yapıldığını ve derin öğrenmedeki otomatik özellik çıkarımı ile manuel özellik çıkarımı arasındaki farkları daha net bir şekilde görebiliriz. Otomatik özellik çıkarımı, modelin verileri analiz ederek kendisinin öğrenmesini sağlar, bu da manuel özellik çıkarımına göre daha hızlı ve doğru sonuçlar elde edilmesini sağlar. Bir örnek üzerinden bunu daha somutlaştırabiliriz: Bir görüntüde kedileri tanımak istediğimizi varsayalım. Manuel özellik çıkarımında, kedinin kulaklarının şekli, göz yapısı veya kuyruk uzunluğu gibi özellikleri biz belirleriz. Ancak derin öğrenme modeli, bu özellikleri görüntülerdeki verileri analiz ederek otomatik olarak öğrenir. İlk katmanlar basit kenar ve köşe gibi yapıların farkına varırken, daha derin katmanlar kedinin genel şekil ve yapısını tanır. Bu sayede model, kediyi daha yüksek doğrulukla tanıyabilir.</p><h3>2.1.1. Yapay Sinir Ağı Temelleri</h3><p>Yapılan bir çalışmada yapay sinir ağları şöyle tanımlanmıştır. Yapay sinir ağları (Artificial Neural Networks-ANN), insan beyninin karmaşık, doğrusal olmayan ve paralel bilgi işleme yeteneklerinden ilham alarak geliştirilmiştir. Bu ağlar, biyolojik sinir hücrelerinin (nöronların) yapı ve işleyişini taklit ederek, beynin örüntü tanıma, karar alma gibi görevleri nasıl yerine getirdiğini simüle etmeye çalışır. ANN’ler, sinaptik bağlantılar, aksonlar ve dendritler gibi temel biyolojik öğelerden esinlenerek, elektrik sinyallerini işleyen ve uyaranlara yanıt üreten yapay nöronlar oluşturur [4].<br>Yine farklı bir çalışmada da şöyle bir açıklamaya yer verilmiştir: Yapay sinir ağları (YSA), insan beyninin karmaşık, doğrusal olmayan ve paralel bilgi işleme yeteneklerinden ilham alarak geliştirilmiştir. Bu durum biyolojik sinir hücrelerinin (nöronların) yapı ve işleyişini taklit ederek, beynin örüntü tanıma, karar alma gibi görevleri nasıl yerine getirdiğini simüle etmeye çalışır [5]. Yapay sinir ağları, biyolojik sinir hücrelerindeki sinaptik bağlantılar, aksonlar ve dendritlerden esinlenerek elektrik sinyallerini işleyen ve uyaranlara yanıt üreten yapay nöronlar oluşturur. Basit bir yapay sinir ağı, temelde üç ana katmandan oluşur:</p><ul><li><strong>Girdi Katmanı (Input Layer)</strong>:<br>Bu katman ham veriyi alır ve herhangi bir hesaplama yapmadan doğrudan sonraki katmana iletir.</li><li><strong>Gizli Katman (Hidden Layer)</strong>:<br>Modelin öğrenme ve girdi verilerinden temel özellikleri çıkardığı katmandır. Bu katman, verilerdeki desenleri ve ilişkileri ortaya çıkarmak için karmaşık dönüşümler gerçekleştirir.</li><li><strong>Çıktı Katmanı (Output Layer)</strong>:<br>Modelin sınıflandırmalar, tahminler veya ilgili göreve dayalı diğer sonuçları ürettiği katmandır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/303/1*aEJuMu9L41q1NcQxGW64bA.jpeg" /><figcaption><em>Basit bir yapay sinir ağının çizimi</em></figcaption></figure><p>Yukarıda gördüğümüz görsel, basit bir yapay sinir ağını göstermektedir. Görselde giriş katmanı, gizli katman ve çıkış katmanı sırasıyla yer almaktadır. Bu yapıyı daha anlaşılır hale getirmek için bir örnek üzerinden inceleyebiliriz. Örneğimiz, derin öğrenmeye yeni başlayanların bilebileceği bir duruma dayanıyor: Kiralık bir ev arayan bir aileyi düşünelim. Bu ailenin evde aradığı bazı özellikler var; bunlar evin büyüklüğü, oda sayısı, evin yaşı ve konumu gibi kriterler olabilir. Bu özellikleri yapay sinir ağına giriş (girdi) olarak veriyoruz.<br>İlk olarak, bu özellikler giriş katmanında alınır ve bir sonraki katman olan gizli katmana iletilir. Giriş katmanı, verilerin sinir ağına giriş yaptığı yerdir. Gizli katman ise, bu özellikler arasındaki ilişkileri öğrenmeye başladığımız bölümdür. Gizli katmanda, her bir özellik diğer özelliklerle etkileşime girerek, evin fiyatını etkileyen ilişkileri öğrenir. Bu sayede, yeni özellikler ya da çıkarımlar elde edilebilir. Örneğin, x1 evin büyüklüğünü, x2 oda sayısını, x3 evin yaşını ve x4 evin konumunu temsil etsin. Gizli katmanda bu özellikler arasındaki ilişkiler analiz edilerek, örneğin evin sağlamlık durumu veya okul kalitesi gibi yeni bilgiler çıkarılabilir.<br>Bu durumda, evin büyüklüğü, oda sayısı, evin yaşı ve konumu gibi temel kriterlere göre bazı çıkarımlar yapabiliriz. Çocukları olan bir ailenin geniş bir eve ihtiyaç duyacağını, oda sayısının fazla olması gerektiğini düşünebiliriz. Eğer aile, yeni ve güvenilir bir ev arıyorsa, evin yaşının küçük olması gerektiği gibi bir sonuç çıkarabiliriz. Ayrıca, aile nezih bir bölgede yaşamak istiyorsa, çocuklarının kaliteli okullara erişebileceği bir konumda ev aramak isteyebilir.<br>Son olarak, bu verilerin tümü işlenerek çıkış katmanında bir fiyat tahmini yapılır. Fiyat tahmininin yapıldığı bu son nokta, bizim çıkış katmanımızdır. Tüm bu aşamalar sonucunda, yapay sinir ağı bize aranan özelliklere uygun bir evin tahmini fiyatını verebilir.</p><h3>2.1.2. Derin Öğrenme Mimarileri</h3><p>Deep learning distinguishes itself from classical artificial neural networks by employing models with significantly more hidden layers. These deeper structures enhance the network’s complexity, resulting in improved accuracy. Common deep learning architectures include Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Transformers. Each architecture excels at processing specific types of data. For instance, CNNs are particularly effective for image data, while RNNs are often used for time-series data and natural language processing tasks [6].</p><h3>2.1.3. Aktivasyon Fonksiyonları</h3><p>In artificial neural networks, the output of each neuron is shaped by an activation function. Activation functions enable the network to exhibit non-linear behavior, thereby allowing the model to learn more complex relationships within the data. One widely used activation function is the Rectified Linear Unit (ReLU). ReLU eliminates negative values while retaining positive values, thereby directing the model’s focus toward meaningful features. This process not only speeds up learning but also filters out irrelevant information. ReLU is favored in deep learning due to its computational efficiency, which accelerates the training process [7].</p><h3>2.1.4. Optimizasyon Algoritmaları</h3><p>Yapay sinir ağlarının eğitilmesinde, öğrenme sürecini en hızlı ve etkili şekilde yönlendiren algoritmalar kullanılır. Optimizasyon algoritmaları, modelin ağırlıklarını güncelleyerek hata fonksiyonunu minimize etmeyi hedefler. En yaygın optimizasyon algoritmalarından biri Stokastik Gradyan İnişi (SGD)’dir, ancak daha gelişmiş yöntemler arasında Adam, Adagrad ve RMSProp gibi algoritmalar da bulunur. Bu algoritmalar, daha hızlı ve daha stabil öğrenme süreçleri sağlar. Adam algoritması, öğrenme oranlarını dinamik olarak ayarlayarak modelin daha verimli öğrenmesini sağlar [8].</p><h3>2.1.5. Veri İşleme</h3><p>Derin öğrenme modellerinin başarısı, büyük miktarda etiketlenmiş verilere dayanır. Bu verilerin doğru şekilde işlenmesi ve modellenmesi, yüksek doğruluklu sonuçlar elde etmede kritik rol oynar. Veri ön işleme adımları, verilerin normalize edilmesi, eksik verilerin tamamlanması ve verilerin uygun şekilde etiketlenmesi gibi işlemleri içerir. Ayrıca, veri artırma teknikleri de modelin genelleme yeteneğini artırmak için sıklıkla kullanılır. Veri artırma, özellikle görüntü işleme alanında, modelin daha fazla çeşitlilikte veri görmesini sağlayarak overfitting (aşırı uyum) riskini azaltır.</p><p>Farklı bir örnek daha vererek anlattıklarımızın daha doğru bir şekilde anlaşılmasını sağlayabiliriz örneğimiz bir görsel olsun mesela: Elinizde 64x64 boyutlarında bir araba görseli olduğunu varsayalım. Bu görselde her bir piksel, belirli bir renk veya yoğunluk değeri taşır. Bu pikselleri giriş katmanına ileteceğiz. Her piksel, yapay sinir ağına veriyi tanıtmak için bir nöron gibi işlev görür. Bu durumda, ağın giriş katmanında toplam 4,096 nöron (64 x 64 piksel) olacaktır. Şimdi, teorik kısmı örneğinizle birleştirerek nasıl işlediğini açıklayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/230/1*5O-TGVaJUBGZA_sW18aCvw.jpeg" /><figcaption><em>Motosiklet örneği</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*22LWjt9i5o3wkjRpgu2HaA.jpeg" /><figcaption><em>Araba örneği</em></figcaption></figure><ul><li><strong>Giriş Katmanı</strong><br>Giriş katmanı, ham verilerin (piksel değerlerinin) doğrudan sinir ağına aktarıldığı ilk katmandır. Her piksel bir nöron gibi işlev görür. Bu katman, herhangi bir işlem yapmaz; sadece verileri bir sonraki katmana iletir. Bu noktada, her piksel model tarafından henüz “önemli” veya “önemsiz” olarak değerlendirilmez. Hepsi başlangıçta eşit derecede önemli kabul edilir.<br>Veri işleme süreci burada devreye girer: Görsel veriler genellikle normalize edilerek (örneğin, 0 ile 1 arasında bir ölçek kullanılarak) giriş katmanına iletilir. Normalizasyon, modelin daha hızlı ve kararlı bir şekilde öğrenmesini sağlar.</li><li><strong>Gizli Katman</strong><br>Gizli katman, modelin asıl öğrenme ve özellik çıkarma işlemlerini gerçekleştirdiği katmandır. Görseldeki her piksel arasındaki ilişkiler bu katmanda analiz edilir. İlk katmanlar piksellerin temel özelliklerini, örneğin kenarları, köşeleri veya dokuları öğrenirken, daha derin katmanlar daha soyut özellikleri öğrenmeye başlar.<br>Bu aşamada özellik çıkarımı gerçekleşir. Model, verileri analiz ederek nesneyi tanımaya yönelik daha karmaşık özellikler çıkarır. Örneğin, ilk katmanlar basit kenar ve renk değişimlerini algılarken, daha derin katmanlar nesnenin şekli ve yapısını tanımaya başlar.</li><li><strong>Aktivasyon Fonksiyonu Kullanımı</strong><br>Gizli katmandaki her nöronun çıktısı genellikle bir aktivasyon fonksiyonundan geçer. Aktivasyon fonksiyonları, modelin doğrusal olmayan ilişkileri öğrenmesini sağlar. Örneğin, ReLU (Rectified Linear Unit) fonksiyonu, negatif değerleri sıfıra indirerek gereksiz ve anlamsız verilerin ağda ilerlemesini engeller.<br>Bu sayede model, yalnızca anlamlı ve pozitif özelliklere odaklanır, böylece öğrenme süreci hızlanır. Görsel verilerde bu işlem, örneğin kenarların veya belirli dokuların daha güçlü şekilde öğrenilmesini sağlar. Eğer bir pikselin değeri sıfır veya negatifse, bu değer sıfırlanır ve model sadece önemli bilgilere odaklanır.</li><li><strong>Çıkış Katmanı</strong><br>Son olarak, çıkış katmanı devreye girer. Gizli katmanlardan elde edilen özellikler, çıkış katmanına iletilir. Bu katman, görseldeki özelliklere dayanarak nihai tahmini yapar. Örneğin, bir görselin bir araba olup olmadığını belirlemek için çıkış katmanındaki nöronlar, görselin öğrenilen özelliklerini (kenarlar, şekiller vb.) birleştirir ve bir sınıflandırma kararı verir. Bu örnekte model, “araba” veya “araba değil” gibi bir sınıf tahmini yapar.</li></ul><p>Görselin her bir pikseli, giriş katmanında yer alan nöronlar tarafından doğrudan alınır ve gizli katmanlar tarafından işlenir. Gizli katmanlar, bu pikseller arasındaki ilişkileri analiz ederek görseldeki nesnenin temel özelliklerini öğrenir. Aktivasyon fonksiyonları, bu süreci doğrusal olmayan şekilde modüle eder. Son olarak, çıkış katmanında elde edilen özelliklere göre görselin bir araba olup olmadığı tahmin edilir.<br>Bu süreç, derin öğrenme modellerindeki özellik çıkarımının ve otomatik öğrenmenin önemini net bir şekilde ortaya koyar. Model, görüntüdeki önemli özellikleri kendisi öğrenir ve bu sayede daha doğru ve hızlı sonuçlar elde edilir.</p><h3>2.2. Makine Öğrenmesi ve Derin Öğrenmede Sinir Ağı Yapısı</h3><ul><li><strong>Derin Öğrenmede Sinir Ağı Yapısı</strong><br>Derin öğrenme, çok katmanlı yapılar kullanarak özellikleri otomatik olarak çıkarma yeteneğine sahiptir. Derin Sinir Ağları (Deep Neural Networks — DNN) olarak bilinen bu yapılar, birden fazla gizli katmana sahip olduklarından daha fazla veri işleyebilir ve daha karmaşık ilişkileri öğrenebilir. Bu gizli katmanlar sayesinde sinir ağı, verideki özellikleri hiyerarşik olarak, yani temel özelliklerden karmaşık özelliklere doğru çıkarır. Örneğin, bir görüntü işleme probleminde ilk katmanlar kenarları tanırken, sonraki katmanlar daha karmaşık şekilleri ve nesneleri tanıyabilir. Aşağıda temel bir derin sinir ağı yapısı görülmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/322/1*By6F-MA_SdN1wZVy5MJW-g.jpeg" /><figcaption><em>Derin Sinir Ağının Katmanlı Yapısının Görselleştirilmesi</em></figcaption></figure><ul><li><strong>Makine Öğrenmesinde Sinir Ağı Yapısı</strong><br>Klasik makine öğrenmesinde genellikle Yapay Sinir Ağı (Artificial Neural Network — ANN) gibi daha basit yapılar kullanılır. Bu yapılar sınırlı sayıda gizli katmana sahip olup, veriy derinlemesine analiz edemez. Bu yüzden klasik makine öğrenmesi modellerinde özellik çıkarımının manuel olarak yapılması gerekir. Geliştiriciler, veriyi modelin daha iyi anlayabilmesi için özel özellikler çıkarmak zorundadır. Örneğin, metin analizinde, kelime sıklığı, uzunluk, ya da belirli anahtar kelimeler gibi elle çıkarılmış özellikler modele verilir.</li></ul><h3>2.3. Özellik Çıkarımında: Makine Öğrenmesi ve Derin Öğrenmenin Farkı</h3><h4>• Makine Öğrenmesinde Elle Özellik Çıkarımı:</h4><p>Klasik makine öğrenmesinde özellik çıkarımı süreci, geliştiricinin veriden anlamlı ve etkili özellikleri elle çıkarmasını gerektirir. Bu, modelin başarısı için kritik bir aşamadır. Örneğin, bir kredi skoru tahmini yaparken, geliştirici kişinin gelir düzeyi, kredi geçmişi ve meslek durumu gibi özellikleri belirleyerek modelin daha iyi tahmin yapabilmesini sağlar.</p><h4>• Derin Öğrenmede Otomatik Özellik Çıkarımı:</h4><p>Derin öğrenmede, sinir ağı özellikleri kendisi çıkarır. Sinir ağı, çok katmanlı yapısı sayesinde veriyi otomatik olarak analiz eder ve anlamlandırır. Özellikle görüntü, ses ve metin gibi ham verilerde, sinir ağı temel katmanlarda daha düşük seviyede özellikleri (örneğin, bir görüntüde kenarları veya renk dağılımını), daha üst katmanlarda ise daha karmaşık özellikleri (bir görüntüdeki nesneleri veya yüzleri) tanıyabilir. Bunu bir örnekle açıklarsak daha iyi anlaşılacaktır.</p><p><strong>Makine öğrenmesi yaklaşımında, görseldeki yüzlerin özelliklerini geliştiricinin elle çıkarması gerekir.</strong> Model bu özellikleri öğrenir ve bu verilere dayanarak sınıflandırma yapar.</p><h3>Elle Tanımlanan Özellikler:</h3><ul><li><strong>Yüz Hatlarının Şekli:</strong> Kadın ve erkek yüzleri genel olarak belirgin farklılıklara sahiptir. Örneğin, erkeklerde çene hatları daha kare, kadınlarda ise daha yuvarlak olabilir.</li><li><strong>Kaş Kalınlığı ve Şekli:</strong> Erkek kaşları genelde daha kalın ve düz şekilli olabilirken, kadın kaşları daha kavisli olabilir.</li><li><strong>Göz Mesafesi ve Göz Çevresi:</strong> Gözler arasındaki mesafe veya göz çevresindeki belirgin özellikler cinsiyet ayrımında etkili olabilir.</li></ul><p><strong>Model Eğitimi:</strong> Bu özellikler bir makine öğrenmesi modeline verilir. Model, geliştiricinin sağladığı bu belirgin yüz özellikleri üzerinden sınıflandırma yapmayı öğrenir.<br>Sonuç olarak model, geliştiricinin elle çıkardığı bu özellikler ile sınırlı olduğundan, farklı yüz tipleri veya bilinmeyen özellikler karşısında doğruluğu sınırlı olabilir.</p><p>Derin öğrenme modelinde ise yüz görselleri doğrudan sinir ağına verilir. Bu durumda, derin öğrenme modeli otomatik olarak yüzlerdeki belirgin özellikleri kendisi öğrenir.</p><ul><li><strong>Giriş Katmanı:</strong> Yüz görseli piksel verileri olarak sinir ağına girer. Görüntüdeki her piksel, ağı bir katmandan diğerine geçerken özellikler çıkarmak için kullanılır.</li><li><strong>Gizli Katmanlar ve Özellik Öğrenme:</strong> Evrişimsel Sinir Ağları (CNN), çok katmanlı bir yapıda, yüz görsellerinin belirli özelliklerini çıkarır:</li><li><strong>İlk Katmanlar:</strong> Temel özellikler, örneğin yüzün genel yapısı, gözler ve ağız gibi bölümler belirlenir.</li><li><strong>Orta Katmanlar:</strong> Daha karmaşık yapılar, örneğin çene yapısı, burun şekli ve kaş kalınlığı gibi yüzün belirli ayrıntıları öğrenilir.</li><li><strong>Son Katmanlar:</strong> Cinsiyet sınıflandırması için yüzün bütünsel özellikleri tanınır ve kadın veya erkek sınıfına ait olma ihtimalleri çıkarılır.</li><li><strong>Çıkış Katmanı:</strong> Bu çıkarılan özellikler sonucu, model fotoğrafın kadın veya erkek olduğunu yüksek doğrulukla tahmin edebilir.</li></ul><p>Derin öğrenme modelleri, özellik çıkarımını otomatik olarak gerçekleştirebilir; bu da elle özellik çıkarımı yapmaya gerek kalmadan, daha karmaşık yapıları tanımalarını sağlar. Bu sayede, sınıflandırma işlemleri daha doğru ve esnek hale gelir.<br><strong>Özetle</strong>, derin öğrenme, makine öğrenmesinin bir dalıdır ve daha kompleks yapıları öğrenip çözebilmesi için daha derin bir ağ yapısına sahiptir. Bu nedenle, daha karmaşık problemler üzerinde başarılı sonuçlar elde etmemize yardımcı olur. Örnek: Derin öğrenmede, sinir ağı mimarisi farklı konulara ve verilere göre özelleştirilebilir, bu da modelin özellik çıkarım şeklini değiştirebilir. Örneğin, <strong>RNN (Tekrarlayan Sinir Ağı)</strong>, özellikle sıralı ve zaman serisi verilerdeki ardışık bağımlılıkları yakalamak için kullanılır. Bu nedenle, <strong>RNN’lerin</strong> tasarımı ve çalışma prensibi, özellikle sıralı verilerdeki ilişkileri öğrenmeye yönelik olarak farklı bir özellik çıkarım yöntemine sahiptir.</p><h3>3. Sonuç</h3><p>Derin öğrenmede özellik çıkarımı, modellerin verideki özellikleri otomatik olarak öğrenebilmesi sayesinde manuel özellik çıkarımına gerek kalmadan gerçekleştirilir. Bu durum, derin öğrenmenin makine öğrenmesi yöntemlerine kıyasla daha esnek ve daha güçlü hale gelmesini sağlar. Manuel özellik çıkarımı yöntemleri, kullanıcıdan yoğun bilgi ve zaman gerektirirken, derin öğrenme mimarileri bu süreci çok daha otomatize bir hale getirmiştir. Özellikle, çok katmanlı sinir ağlarının (DNN) kullanımı, karmaşık yapıdaki veri türlerinin daha iyi analiz edilmesini ve öğrenilmesini sağlamıştır. Derin öğrenmenin bu otomatik özellik çıkarımı yeteneği, görüntü işleme, metin analizi ve zaman serisi veri analizinde kritik çözümler sunmaktadır. Ayrıca, farklı mimarilerin özel tasarımları, veri türüne özgü çözümler geliştirilmesini sağlar. Örneğin, Konvolüyonel Sinir Ağları (CNN), görüntü verilerini çok daha etkili bir şekilde analiz edebilir. Bu nedenle, derin öğrenme modelleri, görülmemiş verilerde bile görülmeyecek kadar üstün bir genelleştirme yeteneğine sahiptir.<br>Sonuç olarak, derin öğrenme modelleri, belirli veri türlerine göre özelleştirilebilir mimariler sunarak daha kapsamı ve verimli bir özellik çıkarımı sağlar. Bu özellik, derin öğrenmenin modern veri bilimi ve yapay zekâ uygulamalarındaki kritik rolünü ortaya koyar ve onu birçok karmaşık problemde vazgeçilmez bir araç haline getirir. Derin öğrenme, gelecekteki teknolojik gelişmelerde veri işleme kapasitesini daha da artırarak inovasyonu hızlandırmaya devam edecektir.</p><h3>4. Referanslar</h3><p>[1] Fetzer, JH ve Fetzer, JH (1990). Yapay zeka nedir? (s. 3–27). Springer Hollanda <br>[2] El Naqa, I. ve Murphy, MJ (2015). Makine öğrenimi nedir? (s. 3–11). Springer Uluslararası Yayıncılık <br>[3] Hao, X., Zhang, G. ve Ma, S. (2016). Derin öğrenme. <em>Uluslararası Anlamsal Hesaplama Dergisi, 10</em> (03), 417–439 <br>​​[4] Montesinos López, OA, Montesinos López, A. ve Crossa, J. (2022). Yapay sinir ağlarının ve derin öğrenmenin temelleri. <em>Genomik tahmin için çok değişkenli istatistiksel makine öğrenme yöntemleri</em> (s. 379–425). Cham: Springer Uluslararası Yayıncılık <br>[5] Bishop, CM ve Nasrabadi, NM (2006). <em>Desen tanıma ve makine öğrenimi</em> (Cilt 4, №4, s. 738). New York: Springer <br>[6] Chollet, F. (2021). <em>Python ile derin öğrenme</em> . Simon ve Schuster <br>[7] Nair, V. ve Hinton, GE (2010). Düzeltmeli doğrusal birimler kısıtlı Boltzmann makinelerini iyileştirir. <em>27. Uluslararası Makine Öğrenimi Konferansı Bildirilerinde (ICML-10)</em> (s. 807–814) <br>[8] Kingma, DP (2014). Adam: Stokastik optimizasyon için bir yöntem. <em>arXiv ön baskısı arXiv:1412.6980</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d00cceaa31a8" width="1" height="1" alt=""><hr><p><a href="https://happyhackingspace.blog/derin-%C3%B6%C4%9Frenme-ve-%C3%B6zellik-%C3%A7%C4%B1kar%C4%B1m%C4%B1-d00cceaa31a8">Derin Öğrenme ve Özellik Çıkarımı</a> was originally published in <a href="https://happyhackingspace.blog/">Happy Hacking Space</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>