İçeriğe geç
parazade
Yapay Zeka

Transfer Öğrenmesi Nedir?

İngilizce: Transfer Learning

Yayın: · Son güncelleme:

Transfer Öğrenmesi Nedir? Kısaca

Transfer öğrenmesi, bir görev için eğitilmiş bir modelin öğrendiği bilgiyi başka ama ilişkili bir göreve aktararak, yeni görevi daha az veri ve işlem gücüyle öğrenmesini sağlayan yöntemdir.

Transfer Öğrenmesi nedir?
İçindekiler
  1. Nasıl çalışır?
  2. Transfer öğrenmesi ve ince ayar
  3. Avantajları
  4. Nelere dikkat etmeli?

Transfer öğrenmesi (transfer learning), bir problem için kazanılmış bilginin başka bir probleme aktarılmasıdır. Bisiklet sürmeyi bilen birinin motosiklet kullanmayı daha hızlı öğrenmesine benzer. Yapay zekâda, büyük bir veri kümesiyle eğitilmiş bir model, yeni bir görev için başlangıç noktası olarak kullanılır.

Nasıl çalışır?

Örneğin milyonlarca genel fotoğrafla eğitilmiş bir görüntü modeli, kenar, doku ve şekil gibi genel görsel özellikleri tanımayı öğrenmiştir. Varsayımsal olarak yalnızca birkaç yüz röntgen görüntün varsa:

  1. Hazır modeli alırsın.
  2. Son katmanını kendi sınıflarına (ör. "normal" / "anormal") göre değiştirirsin.
  3. Modeli kendi verinle kısa süre eğitirsin. Gerekirse ilk katmanları dondurup yalnızca son katmanları güncellersin.

Böylece sıfırdan eğitime göre çok daha az veri ve sürede iyi sonuç alınabilir.

Transfer öğrenmesi ve ince ayar

İnce ayar, transfer öğrenmesinin en yaygın uygulama biçimidir. Bugünkü temel modeller de bu fikre dayanır: Model bir kez geniş veriyle ön eğitilir, sonra pek çok farklı göreve aktarılır.

Avantajları

  • Az etiketli veriyle çalışabilme
  • Daha kısa eğitim süresi ve daha düşük maliyet
  • Genellikle daha iyi genelleme

Nelere dikkat etmeli?

Kaynak görev ile hedef görev birbirine yeterince benzemiyorsa aktarım işe yaramayabilir, hatta başarıyı düşürebilir (negatif transfer). Hazır modelin eğitim verisindeki önyargılar da yeni modele taşınır. Ayrıca kullanılan hazır modelin lisansının senin kullanım amacına izin verdiğinden emin ol.

Sıkça Sorulan Sorular

Transfer öğrenmesi hangi alanlarda kullanılır?

Görüntü sınıflandırma, tıbbi görüntü analizi, metin sınıflandırma, duygu analizi ve konuşma tanıma gibi az etiketli veri bulunan pek çok alanda yaygındır.

Transfer öğrenmesi ile ince ayar aynı mı?

İnce ayar, transfer öğrenmesinin bir uygulama yoludur. Transfer öğrenmesi daha geniş bir fikirdir; hazır modeli yalnızca özellik çıkarıcı olarak kullanmak da transfer öğrenmesi sayılır.

İlgili terimler

İnce Ayar(Fine-tuning)İnce ayar (fine-tuning), önceden eğitilmiş bir yapay zekâ modelini daha küçük ve göreve özel bir veri kümesiyle yeniden eğiterek belirli bir işe, üsluba veya alana uyarlama işlemidir.Temel Model(Foundation Model)Temel model, çok geniş ve çeşitli verilerle ön eğitilen, ardından ince ayar veya promptlarla pek çok farklı göreve uyarlanabilen büyük ölçekli yapay zekâ modelidir.Ön Eğitim(Pre-training)Ön eğitim, bir yapay zekâ modelinin belirli bir göreve uyarlanmadan önce çok büyük ve genel bir veri kümesiyle eğitilerek dil, görüntü gibi alanlarda genel bilgi ve beceri kazandığı ilk aşamadır.Az Örnekli Öğrenme(Few-shot Learning)Az örnekli öğrenme (few-shot learning), bir modelin bir görevi yalnızca birkaç örnek görerek yapabilmesidir. Dil modellerinde genellikle prompt içine birkaç girdi-çıktı örneği eklenerek uygulanır; modelin yeniden eğitilmesi gerekmez.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.