R ile Derin Öğrenme ve Yapay Sinir Ağları 2.0

1. Giriş: Derin Öğrenme Nedir? Derin öğrenme (Deep Learning), yapay zekânın alt dalıdır ve insan beynindeki sinir ağlarını taklit eder.R dili, özellikle keras ve tensorflow paketleriyle artık derin öğrenme dünyasına doğrudan giriş imkânı sunuyor. Benim gözümde derin öğrenme, “veriyi hisseden algoritma” demek.Sıradan makine öğrenmesinden farkı: katmanlar aracılığıyla özellikleri otomatik öğrenir.İçindekilerListeyi göstermek için tıklayın1. Giriş: Derin

Mehmet Ali Uçar tarafından
yayınlandı
3 dk 34 sn 3 dk 34 sn okuma süresi 4
R ile Derin Öğrenme ve Yapay Sinir Ağları 2.0
Google News Google News Flipboard Flipboard Sesli oku Yazıyı beğen Favorilere Ekle 0 Yorumlar
Daha fazla

1. Giriş: Derin Öğrenme Nedir?

Derin öğrenme (Deep Learning), yapay zekânın alt dalıdır ve insan beynindeki sinir ağlarını taklit eder.
R dili, özellikle keras ve tensorflow paketleriyle artık derin öğrenme dünyasına doğrudan giriş imkânı sunuyor.

Benim gözümde derin öğrenme, “veriyi hisseden algoritma” demek.
Sıradan makine öğrenmesinden farkı: katmanlar aracılığıyla özellikleri otomatik öğrenir.

2. R’da Derin Öğrenme Ortamını Kurmak

Öncelikle gerekli paketleri yükleyelim:

install.packages("keras")
library(keras)

install_keras() # TensorFlow backend kurulumu

Bu komutlarla R, derin öğrenme için hazır hale gelir.
Benim yorumum: Kurulum bazen uzun sürer ama bir kere hazır olduğunda “sihir başlar” ✨

3. İlk Yapay Sinir Ağımız (ANN)

Basit bir sınıflandırma modeli kuralım:

# Örnek veri: MNIST el yazısı rakamlar
mnist <- dataset_mnist()
x_train <- mnist$train$x / 255
y_train <- to_categorical(mnist$train$y, 10)

model <- keras_model_sequential() %>%
layer_flatten(input_shape = c(28, 28)) %>%
layer_dense(units = 128, activation = 'relu') %>%
layer_dense(units = 10, activation = 'softmax')

model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = c('accuracy')
)

model %>% fit(x_train, y_train, epochs = 5, batch_size = 32)

Bu model, el yazısı rakamları 0-9 arasında sınıflandırır.
Benim görüşüm: “Bir insan gibi düşünen makine” diyebilirsin — veriyi öğreniyor ve tahmin ediyor.

4. Convolutional Neural Network (CNN) ile Görüntü Tanıma

CNN, görüntü işleme için geliştirilmiş sinir ağıdır.
R’da Keras ile kurmak oldukça kolay.

model <- keras_model_sequential() %>%
layer_conv_2d(filters = 32, kernel_size = c(3,3), activation = 'relu', input_shape = c(28,28,1)) %>%
layer_max_pooling_2d(pool_size = c(2,2)) %>%
layer_flatten() %>%
layer_dense(units = 128, activation = 'relu') %>%
layer_dense(units = 10, activation = 'softmax')

model %>% compile(
loss = 'categorical_crossentropy',
optimizer = 'adam',
metrics = c('accuracy')
)

Benim yorumum: CNN, “görüntüleri okuyabilen göz” gibi çalışıyor — derin öğrenmenin süper gücü.

5. Doğal Dil İşleme (NLP) Uygulamaları

Metin verisini sınıflandırmak için R’da text_tokenizer() kullanılabilir:

texts <- c("MayKairos çok iyi", "R dili harika", "Makine öğrenmesi zor")
tokenizer <- text_tokenizer(num_words = 1000)
tokenizer %>% fit_text_tokenizer(texts)
sequences <- texts_to_sequences(tokenizer, texts)

Bu sayede metinleri sayısal verilere çevirebiliriz.
Benim görüşüm: NLP, R’ı “dil anlayan makine” hâline getiriyor — adeta robotların şifresi çözülüyor.

6. Recurrent Neural Network (RNN) ile Zaman Serisi Tahmini

Zaman serisi verilerini tahmin etmek için RNN kullanılır:

library(keras)
# Basit örnek: stok fiyat tahmini
model <- keras_model_sequential() %>%
layer_lstm(units = 50, input_shape = c(10,1)) %>%
layer_dense(units = 1)

model %>% compile(loss = 'mse', optimizer = 'adam')

Benim gözümde RNN, “zamanın dilini anlayan makine” gibi — geçmişi analiz edip geleceği tahmin ediyor.

7. Model Değerlendirme ve Görselleştirme

plot(history)

Model eğitimi sırasında kayıp ve doğruluk değerlerini gözlemleyebiliriz.
Benim yorumum: Görselleştirme, modelin “ruh halini” anlamaktır — doğru mu öğreniyor, yoksa kayboluyor mu?

8. Transfer Learning (Aktarım Öğrenmesi) ile Güçlü Modeller

Hazır modelleri kullanarak daha hızlı ve yüksek doğrulukta sonuç alınabilir:

base_model <- application_vgg16(weights = 'imagenet', include_top = FALSE, input_shape = c(224,224,3))

Bu model, önceden eğitilmiş VGG16 ağıdır ve kendi veri setimize adapte edilebilir.
Benim yorumum: Transfer learning, “ustalardan ders almak gibi” — sıfırdan öğrenmeye gerek kalmıyor.

9. Gerçek Hayattan Örnek: El Yazısı Tahmini

MNIST verisi üzerinden 28×28 piksellik el yazısı rakamları sınıflandırdık.
Bu model, küçük bir proje gibi gözükse de, gerçek dünyada OCR sistemleri ve otomatik form okuma için temel oluşturur.

Benim görüşüm: Küçük projeler, büyük yapay zekâ uygulamalarının yapı taşlarıdır.

10. Sonuç: R ile Derin Öğrenmenin Geleceği

R, artık sadece istatistik dili değil; derin öğrenmenin, yapay zekânın ve veri biliminin merkezi haline geldi.

Benim gözümde:

“R ile çalışmak, veriyi eğitmek değil; veriyi anlamak ve ona hükmetmektir.”

Yazar Hakkında

Mehmet Ali Uçar 243 yazı
Tüm yazıları

Benzer Yazılar

C++ ve Rust ile WebAssembly 3 dk
Yazılım

C++ ve Rust ile WebAssembly
Distributed Lock Mekanizmaları Dağıtık Sistemlerde Kilitleme Mantığı 5 dk
Yazılım

Distributed Lock Mekanizmaları Dağıtık Sistemlerde Kilitleme Mantığı
JavaScript Sıfırdan Zirveye Temelden İleri Düzeye Öğren 25 dk
Yazılım

JavaScript Sıfırdan Zirveye Temelden İleri Düzeye Öğren

Bir Cevap Yaz

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir.

0/30 karakter