İçeriğe geç
parazade
Yapay Zeka

Otokodlayıcı Nedir?

İngilizce: Autoencoder

Yayın: · Son güncelleme:

Otokodlayıcı Nedir? Kısaca

Otokodlayıcı (autoencoder), girdisini daha küçük bir temsile sıkıştırıp bu temsilden yeniden oluşturmayı öğrenen bir sinir ağıdır. Etiket gerektirmeden verinin özünü yakalar; boyut indirgeme, gürültü giderme ve anomali tespiti gibi alanlarda kullanılır.

Otokodlayıcı nedir?
İçindekiler
  1. Otokodlayıcı nedir?
  2. Nasıl çalışır?
  3. Türleri
  4. Nerelerde kullanılır?
  5. Nelere dikkat etmeli?

Otokodlayıcı nedir?

Otokodlayıcı (İngilizce autoencoder), çıktısında kendi girdisini yeniden üretmeye çalışan bir yapay sinir ağıdır. İlk bakışta anlamsız görünebilir: Girdiyi aynen kopyalamak neden zor olsun? Püf noktası, ağın ortasında bilerek dar bir boğaz bırakılmasıdır. Model bilgiyi bu dar alandan geçirmek zorunda kaldığı için verinin en önemli özelliklerini öğrenir. Eğitim için etiket gerekmez; bu yüzden denetimsiz öğrenme yöntemleri arasında sayılır.

Nasıl çalışır?

Otokodlayıcı üç parçadan oluşur:

  1. Kodlayıcı (encoder): Girdiyi adım adım küçülterek sıkıştırır.
  2. Darboğaz (bottleneck) ya da kod: Verinin özetlendiği, düşük boyutlu temsil. Bu alan gizil uzay olarak da anılır.
  3. Çözücü (decoder): Bu özetten orijinal girdiyi yeniden oluşturmaya çalışır.

Eğitim sırasında girdi ile yeniden oluşturulan çıktı arasındaki fark (çoğu zaman ortalama kare hata) en aza indirilir.

Varsayımsal örnek: 784 pikselden oluşan el yazısı rakam görüntüleri 32 sayılık bir koda sıkıştırılıp tekrar 784 piksele açılabilir. İyi eğitilmiş bir model rakamı tanınabilir biçimde geri üretir.

Türleri

  • Gürültü giderici otokodlayıcı: Bozulmuş girdiden temiz hâlini üretmeyi öğrenir.
  • Seyrek otokodlayıcı: Kodda yalnızca az sayıda birimin etkin olmasını teşvik eder.
  • Varyasyonel otokodlayıcı (VAE): Kodu olasılık dağılımı olarak öğrenir ve yeni örnek üretebilir.

Nerelerde kullanılır?

  • Boyut indirgeme ve veri sıkıştırma
  • Görüntülerden gürültü temizleme
  • Anomali tespiti: Normal verilerle eğitilen model, alışılmadık bir örneği iyi yeniden oluşturamaz; yüksek hata, şüpheli durumu işaret eder.

Nelere dikkat etmeli?

Darboğaz çok genişse model veriyi anlamadan kopyalayabilir; çok darsa önemli ayrıntılar kaybolur.

Sıkça Sorulan Sorular

Otokodlayıcı ile varyasyonel otokodlayıcı arasındaki fark nedir?

Klasik otokodlayıcı her girdiyi gizil uzayda tek bir noktaya eşler ve esas olarak sıkıştırma yapar. Varyasyonel otokodlayıcı ise bir olasılık dağılımı öğrenir; bu sayede bu dağılımdan örnek alarak yeni veriler üretebilir.

Otokodlayıcı anomali tespitinde nasıl kullanılır?

Model yalnızca normal örneklerle eğitilir. Daha sonra yeniden oluşturma hatası belirgin biçimde yüksek çıkan örnekler, alışılmadık ya da şüpheli olarak işaretlenir.

İlgili terimler

Varyasyonel Otokodlayıcı(Variational Autoencoder)Varyasyonel otokodlayıcı (VAE), veriyi düzenli bir gizil uzaya sıkıştıran bir kodlayıcı ile bu uzaydan yeniden veri üreten bir kod çözücüden oluşan, olasılık temelli üretken bir sinir ağı modelidir.Gizil Uzay(Latent Space)Gizil uzay, bir yapay zekâ modelinin veriyi daha az boyutlu, sıkıştırılmış sayısal temsillere dönüştürdüğü ve benzer içeriklerin birbirine yakın konumlandığı soyut temsil alanıdır.Boyut İndirgeme(Dimensionality Reduction)Boyut indirgeme, çok sayıda özellik içeren bir veri setini, verideki önemli bilgiyi mümkün olduğunca koruyarak daha az sayıda değişkenle temsil etme işlemidir; görselleştirme, hız ve aşırı öğrenmeyi azaltma amacıyla kullanılır.Anomali Tespiti(Anomaly Detection)Anomali tespiti, bir veri setinde ya da veri akışında genel örüntüden belirgin biçimde sapan, olağan dışı gözlemleri veya davranışları otomatik olarak belirleme işlemidir; dolandırıcılık, siber saldırı ve arıza tespitinde kullanılır.Yapay Sinir Ağı(Artificial Neural Network)Yapay sinir ağı, birbirine bağlı yapay nöron katmanlarından oluşan ve bağlantı ağırlıklarını veriyle ayarlayarak öğrenen, beyinden esinlenmiş bir hesaplama modelidir.Denetimsiz Öğrenme(Unsupervised Learning)Denetimsiz öğrenme, doğru cevapların verilmediği etiketsiz verilerde modelin benzerlikleri, grupları ve gizli yapıları kendi başına keşfettiği makine öğrenmesi türüdür.