Derin Öğrenme Nedir?

Yapay zeka dünyasında sürekli duyduğun ama tam olarak ne anlama geldiğini çözemedin mi? Derin öğrenme (deep learning), yapay sinir ağlarının çok sayıda gizli katmanla donatılarak verideki karmaşık yapıları otomatik olarak öğrenmesini sağlayan bir yaklaşımdır. Klasik programlama yöntemlerinde “şu koşulda şunu yap” diye kurallar yazarken, derin öğrenmede modele binlerce örnek veriyorsun ve o kuralları kendisi buluyor.

Peki bu neden bu kadar popüler hale geldi? Cevap basit: veri miktarı ve işlem gücü. 2010’lu yılların başında GPU’ların hesaplama kapasitesinin artması ve internet sayesinde devasa veri kümelerinin erişilebilir hale gelmesi, derin öğrenmenin patlamasına zemin hazırladı. 2012’de AlexNet isimli bir model, ImageNet yarışmasında rakiplerini açık ara geride bıraktığında herkes anladı ki bu alan ciddi bir kırılma noktasına ulaşmıştı.

Derin öğrenme; görüntü tanıma, doğal dil işleme, konuşma sentezi, otonom araçlar ve daha birçok alanda kullanılıyor. ChatGPT gibi büyük dil modellerinden yüz tanıma sistemlerine, Spotify’ın müzik önerilerinden tıbbi görüntü analizine kadar hayatının birçok noktasında derin öğrenme zaten var — farkında olsan da olmasan da.

Eğer yapay zekanın temel kavramlarına henüz aşina değilsen, Yapay Zekaya Giriş kursumuza göz atmanı tavsiye ederim. Derin öğrenmeyi anlamak için temel yapı taşlarını bilmek işini çok kolaylaştırır.

Derin Öğrenme ile Makine Öğrenmesi Arasındaki Fark

Makine öğrenmesi ve derin öğrenme sıklıkla birbirinin yerine kullanılsa da aslında farklı kavramlar. Makine öğrenmesi, yapay zekanın bir alt dalıdır ve veriden öğrenen algoritmaların tümünü kapsar. Derin öğrenme ise makine öğrenmesinin kendi içinde bir alt dalıdır — çok katmanlı sinir ağlarına dayanan özel bir yaklaşım.

Temel farkları bir tabloda inceleyelim:

Kısaca şöyle düşün: Bir kedinin fotoğrafını tanımak istiyorsan, klasik makine öğrenmesinde “kulak şekli şöyle, bıyık sayısı böyle” gibi özellikleri sen tanımlarsın. Derin öğrenmede ise modele binlerce kedi fotoğrafı verirsin, o hangi özelliklerin ayırt edici olduğunu kendi başına çözer. Bu yüzden karmaşık verilerde (görüntü, ses, metin) derin öğrenme çok daha başarılı sonuçlar veriyor.

Yapay Sinir Ağları Nasıl Çalışır?

Derin öğrenmenin temelini yapay sinir ağları oluşturur. Bu ağlar, insan beynindeki nöronların çalışma mantığından esinlenilmiş matematiksel modellerdir. Beynin milyarlarca nöronu birbiriyle bağlantı kurarak bilgi işler; yapay sinir ağları da benzer bir yapıda çalışır ama çok daha basitleştirilmiş bir formda.

Nöron (Perceptron)

Yapay sinir ağının en küçük birimi nörondur. Bilimsel literatürde buna “perceptron” da denir. Bir nöronun işi şu: birden fazla girdiyi al, her birini bir ağırlıkla çarp, topla, bir bias değeri ekle ve sonucu bir aktivasyon fonksiyonundan geçir.

Matematiksel olarak ifade edersek:

çıktı = aktivasyon(w₁x₁ + w₂x₂ + ... + wₙxₙ + b)

Burada x girdiler, w ağırlıklar, b bias ve aktivasyon da bir fonksiyondur. Tek bir nöron oldukça basit bir işlem yapar. Ama binlerce nöronu katmanlar halinde bir araya getirdiğinde ortaya inanılmaz karmaşık kalıpları öğrenebilen bir yapı çıkar.

Katmanlar (Input, Hidden, Output)

Bir sinir ağı üç temel katman türünden oluşur:

• Giriş Katmanı (Input Layer): Verinin ağa girdiği ilk katman. Bir görüntü için piksel değerleri, bir metin için kelime vektörleri bu katmana beslenir. Burada herhangi bir hesaplama yapılmaz, sadece veri iletilir.
• Gizli Katmanlar (Hidden Layers): Asıl öğrenme burada gerçekleşir. Derin öğrenmenin “derin” sıfatı da buradan gelir — birden fazla gizli katman olması. Her katman, bir önceki katmandan gelen bilgiyi işleyerek daha soyut temsiller üretir. Mesela bir yüz tanıma ağında ilk gizli katman kenarları, ikincisi gözleri ve burunları, üçüncüsü yüz ifadelerini öğrenebilir.
• Çıkış Katmanı (Output Layer): Modelin nihai kararını veya tahminini ürettiği katman. Bir sınıflandırma probleminde her sınıf için bir olasılık değeri, bir regresyon probleminde ise tek bir sayısal tahmin üretir.

“Derin” öğrenme ile “sığ” (shallow) öğrenme arasındaki fark tam olarak burada ortaya çıkar. Tek gizli katmanlı bir ağ sığ bir ağdır. İki veya daha fazla gizli katmana sahip ağlar ise “derin” kabul edilir. Günümüzde kullanılan modellerde onlarca, hatta yüzlerce gizli katman bulunabiliyor.

Ağırlıklar ve Bias

Ağırlıklar (weights) ve bias, sinir ağının “öğrendiği” parametrelerdir. Eğitim sürecinde model, doğru sonuçlara ulaşmak için bu değerleri sürekli ayarlar.

Ağırlıkları şöyle düşünebilirsin: Bir restorana gidiyorsun ve yemek seçeceksin. Fiyat, lezzet, kalori gibi kriterlerin var ama hepsine eşit ağırlık vermiyorsun. Lezzet senin için en belirleyiciyse, lezzete verdiğin ağırlık daha yüksek olur. Sinir ağındaki ağırlıklar da tam olarak böyle çalışır — hangi girdinin sonucu ne kadar etkilediğini belirler.

Bias ise bir eşik değeri gibi davranır. Bir nöronun aktif hale gelmesi için girdilerin belirli bir toplamı aşması gerekir; bias bu eşiği ayarlar. Bias olmasaydı, tüm girdiler sıfır olduğunda çıktı da sıfır olurdu — bu da modelin esnekliğini ciddi şekilde kısıtlardı.

Aktivasyon Fonksiyonları

Aktivasyon fonksiyonları, sinir ağına doğrusal olmayan (non-linear) davranış kazandıran matematiksel fonksiyonlardır. Neden gerekli? Çünkü aktivasyon fonksiyonu olmadan, ne kadar katman eklersen ekle, ağ sadece doğrusal bir dönüşüm yapabilir. Bu da karmaşık kalıpları öğrenmeyi imkansız kılar.

En sık kullanılan aktivasyon fonksiyonları:

• ReLU (Rectified Linear Unit): Gelen değer negatifse 0, pozitifse değerin kendisini döndürür. Basitliği ve etkili olması nedeniyle en yaygın kullanılan fonksiyondur. f(x) = max(0, x)
• Sigmoid: Çıktıyı 0 ile 1 arasına sıkıştırır. Olasılık hesaplamalarında ve ikili sınıflandırmada kullanılır. f(x) = 1 / (1 + e⁻ˣ)
• Tanh: Çıktıyı -1 ile 1 arasına sıkıştırır. Sigmoid’e benzer ama merkezi sıfır olduğu için bazı durumlarda daha iyi performans gösterir.
• Softmax: Çıkış katmanında çok sınıflı sınıflandırma için kullanılır. Tüm çıktıları olasılık dağılımına çevirir (toplamları 1 eder).
• Leaky ReLU: ReLU’nun negatif değerlerde tamamen sıfır olması sorununa karşı geliştirilen versiyon. Negatif girdilerde küçük bir eğim (genellikle 0.01) verir.

Geri Yayılım (Backpropagation)

Sinir ağının nasıl “öğrendiğini” merak ediyorsan, cevap geri yayılım algoritmasıdır. Bu algoritma 1986’da Rumelhart, Hinton ve Williams tarafından popülerleştirildi ve derin öğrenmenin temel taşlarından biri haline geldi.

Geri yayılım şu adımlarla çalışır:

1. İleri Yayılım (Forward Pass): Veri giriş katmanından çıkış katmanına kadar ilerler ve model bir tahmin üretir.
2. Kayıp Hesaplama: Modelin tahmini ile gerçek değer arasındaki fark (hata) hesaplanır. Bu hesaplama bir kayıp fonksiyonu (loss function) ile yapılır.
3. Geri Yayılım (Backward Pass): Hatanın çıkış katmanından giriş katmanına doğru geriye yayılmasıyla her ağırlığın hataya katkısı hesaplanır. Bu hesaplama zincir kuralı (chain rule) kullanılarak yapılır.
4. Ağırlık Güncelleme: Her ağırlık, hataya olan katkısı oranında güncellenir. Bu güncelleme bir öğrenme oranı (learning rate) parametresiyle kontrol edilir.

Bu döngü (ileri yayılım → kayıp hesaplama → geri yayılım → güncelleme) binlerce, hatta milyonlarca kez tekrarlanır. Her tekrar (epoch) sonunda model biraz daha iyi tahminler üretir. Öğrenme oranı çok büyükse model sallanır ve yakınsamaz, çok küçükse öğrenme aşırı yavaş kalır — bu dengeyi kurmak derin öğrenmede en kritik mühendislik kararlarından biridir.

Derin Öğrenme Model Türleri

Her problem için aynı sinir ağı mimarisi uygun değil. Yıllar içinde farklı veri türleri ve görevler için özelleşmiş mimari türleri geliştirildi. İşte en yaygın beş tanesi:

CNN (Convolutional Neural Networks) — Görüntü

Evrişimli Sinir Ağları, görsel veriyi işlemek için tasarlanmış bir mimaridir. Bir fotoğrafı piksellere ayırıp doğrudan standart bir sinir ağına verirsen parametre sayısı devasa olur ve model anlamlı kalıplar öğrenemez. CNN’ler bu sorunu filtre (kernel) adı verilen küçük matrislerle çözer.

Bir CNN şu katmanlardan oluşur:

• Evrişim Katmanı (Convolutional Layer): Küçük filtreler görüntü üzerinde kaydırılarak kenarlar, köşeler, dokular gibi yerel özellikleri tespit eder.
• Havuzlama Katmanı (Pooling Layer): Boyut küçültme işlemi yapar. Tipik olarak max pooling kullanılır — bir bölgedeki en büyük değer alınır, geri kalanı atılır.
• Tam Bağlı Katman (Fully Connected Layer): Son aşamada tüm özellikler bir araya getirilerek sınıflandırma veya regresyon yapılır.

CNN’lerin en güzel tarafı parametre paylaşımıdır. Aynı filtre görüntünün her yerine uygulandığı için öğrenilmesi gereken parametre sayısı dramatik şekilde azalır. LeNet, AlexNet, VGG, ResNet ve EfficientNet tarihteki öncü CNN mimarilerinden bazılarıdır.

Kullanım alanları: yüz tanıma, tıbbi görüntü analizi (röntgen, MR), otonom araçlarda nesne algılama, uydu görüntülerinden harita üretme.

RNN ve LSTM — Zaman Serisi ve Dil

Tekrarlayan Sinir Ağları (Recurrent Neural Networks), sıralı verilerle çalışmak için tasarlanmıştır. Bir cümledeki kelimelerin sırası önemlidir, bir hisse senedinin geçmiş fiyatları gelecekteki fiyatını etkiler — işte RNN’ler tam bu tür bağlamsal ilişkileri yakalamak için geliştirildi.

Standart sinir ağları her girdiyi bağımsız değerlendirir. RNN ise bir “hafıza” mekanizmasına sahiptir: bir adımdaki çıktı, bir sonraki adıma girdi olarak beslenir. Böylece ağ, geçmiş bilgiyi mevcut kararında kullanabilir.

Ancak klasik RNN’lerin ciddi bir sorunu var: uzun dizilerde gradyanlar ya çok küçülür (vanishing gradient) ya da çok büyür (exploding gradient). Bu yüzden uzun vadeli bağımlılıkları öğrenmekte zorlanırlar.

LSTM (Long Short-Term Memory) bu sorunu çözmek için 1997’de Hochreiter ve Schmidhuber tarafından önerildi. LSTM’de üç kapı (gate) mekanizması vardır:

• Unutma Kapısı (Forget Gate): Önceki bilginin ne kadarının atılacağına karar verir.
• Giriş Kapısı (Input Gate): Yeni bilginin ne kadarının hücre durumuna ekleneceğini belirler.
• Çıkış Kapısı (Output Gate): Hücre durumunun ne kadarının çıktı olarak verileceğini kontrol eder.

Bu kapı mekanizması sayesinde LSTM, yüzlerce adım önceki bilgiyi bile hatırlayabilir. GRU (Gated Recurrent Unit) ise LSTM’in biraz basitleştirilmiş versiyonudur — daha az parametre ile benzer performans sunar.

Kullanım alanları: metin üretimi, makine çevirisi, konuşma tanıma, zaman serisi tahmini, müzik besteleme.

Transformer — Dil Modelleri ve Ötesi

2017’de Google araştırmacılarının yayımladığı “Attention Is All You Need” makalesi, yapay zeka tarihinde bir dönüm noktası oldu. Transformer mimarisi, RNN’lerin sıralı işleme zorunluluğunu ortadan kaldırarak paralel hesaplama yapabilme yeteneği kazandırdı.

Transformer’ın temelinde self-attention (öz dikkat) mekanizması yatar. Bu mekanizma, bir dizideki her elemanın diğer tüm elemanlara “bakmasını” ve hangilerinin kendisi için ne kadar ilgili olduğunu hesaplamasını sağlar. Mesela “Banka kenarında oturdu” cümlesinde “banka” kelimesinin anlamını belirlemek için modelin “kenarında” ve “oturdu” kelimelerine dikkat etmesi gerekir.

Transformer mimarisi encoder (kodlayıcı) ve decoder (çözücü) olmak üzere iki ana bileşenden oluşur:

• Encoder: Girdi dizisini anlam temsilleri haline getirir. BERT bu yapıyı kullanır.
• Decoder: Anlam temsillerinden çıktı dizisi üretir. GPT serisi bu yapıyı kullanır.
• Encoder-Decoder: İkisini bir arada kullanan yapı. T5 ve orijinal Transformer bu kategoride yer alır.

Bugün duyduğun büyük dil modellerinin (GPT-4, Claude, Gemini, LLaMA) hepsi Transformer tabanlıdır. Üstelik Transformer sadece metinle sınırlı kalmadı: Vision Transformer (ViT) görüntülerde, Audio Spectrogram Transformer seste de başarıyla uygulanıyor.

Yapay zeka ile neler yapabileceğini merak ediyorsan, Yapay Zeka ile Geleceğe Hazır mısın? yazımız tam sana göre.

GAN (Generative Adversarial Networks) — Üretken Modeller

2014 yılında Ian Goodfellow’un önerdiği GAN’lar, yapay zekanın en yaratıcı uygulamalarından birinin kapısını açtı. Mantığı şu şekilde çalışır: iki sinir ağı birbirine karşı yarışır.

• Üretici (Generator): Rastgele gürültüden gerçekçi veriler üretmeye çalışır. Sahte para basan bir kalpazana benzetebilirsin.
• Ayırt Edici (Discriminator): Üreticinin ürettiği verilerin gerçek mi sahte mi olduğunu tespit etmeye çalışır. Bu da polise benzer.

Bu iki ağ sürekli birbirini geliştirir: üretici daha gerçekçi veriler üretmeye çalışırken, ayırt edici de sahteleri yakalamada ustalaşır. Sonunda üretici o kadar iyi hale gelir ki, ürettiği veriler gerçeklerinden ayırt edilemez olur.

GAN’ların ürettiği insan yüzleri (thispersondoesnotexist.com bu teknolojinin ürünüydü), sanat eserleri ve hatta video içerikleri oldukça etkileyici. Ancak deepfake gibi etik sorunları da beraberinde getirdi.

Kullanım alanları: görüntü üretimi, stil transferi, süper çözünürlük (düşük kaliteli görüntüyü yüksek kaliteye çevirme), veri artırma (data augmentation), ilaç keşfi.

Autoencoder — Veri Sıkıştırma ve Anomali

Autoencoder’lar, veriyi sıkıştırıp sonra tekrar geri açmayı öğrenen sinir ağlarıdır. “Neden veriyi sıkıştırıp tekrar açayım?” diye sorabilirsin. Cevap şu: sıkıştırma sürecinde model, verinin en temel ve anlamlı özelliklerini öğrenmek zorunda kalır.

Bir autoencoder iki kısımdan oluşur:

• Encoder (Kodlayıcı): Yüksek boyutlu girdiyi düşük boyutlu bir temsile (latent space) sıkıştırır.
• Decoder (Çözücü): Sıkıştırılmış temsilden orijinal veriyi yeniden oluşturmaya çalışır.

Autoencoder’ların en güçlü kullanım alanlarından biri anomali tespitidir. Model normal verileri sıkıştırıp geri açmayı öğrendiğinde, anormal bir veri geldiğinde onu düzgün geri açamaz — yeniden oluşturma hatası yüksek olur. Bu yüksek hata, anomalinin sinyalidir.

Variational Autoencoder (VAE) ise latent space’i düzenli bir olasılık dağılımına zorlayarak hem sıkıştırma hem de yeni veri üretme yeteneği kazanır. Bu anlamda VAE’ler GAN’lara benzer şekilde üretici model olarak da kullanılabilir.

Kullanım alanları: anomali tespiti (kredi kartı dolandırıcılığı, üretim hattı hataları), gürültü giderme (denoising), boyut azaltma, veri üretimi.

Derin Öğrenme Nerelerde Kullanılır?

Derin öğrenme artık laboratuvarlardan çıkıp günlük hayata girmiş durumda. İşte en yaygın uygulama alanları:

• Sağlık: Röntgen ve MR görüntülerinde hastalık tespiti, ilaç molekülü tasarımı, genomik analiz, klinik karar destek sistemleri. Google DeepMind’ın AlphaFold modeli, protein katlama problemini çözerek biyolojide devrim yarattı.
• Otonom Araçlar: Tesla, Waymo gibi firmalar derin öğrenme kullanarak araçların çevrelerini algılamasını, yaya ve diğer araçları tespit etmesini ve sürüş kararları vermesini sağlıyor.
• Doğal Dil İşleme (NLP): Chatbot’lar, metin özetleme, duygu analizi, makine çevirisi, soru cevaplama sistemleri. ChatGPT ve Claude gibi büyük dil modelleri bu alanın en bilinen örnekleri.
• Bilgisayarla Görme: Yüz tanıma, nesne algılama, video analizi, otonom perakende (kasasız mağazalar), tarımda bitki hastalığı tespiti.
• Öneri Sistemleri: Netflix’in film önerileri, Spotify’ın haftalık keşif listeleri, Amazon’un ürün tavsiyeleri — hepsi derin öğrenme modelleriyle çalışır.
• Finans: Algoritmik ticaret, kredi skorlama, dolandırıcılık tespiti, risk analizi, portföy yönetimi.
• Oyun ve Eğlence: DeepMind’ın AlphaGo’su Go oyununda dünya şampiyonunu yendi. Oyun yapay zekası, prosedürel içerik üretimi ve gerçek zamanlı grafik iyileştirme (DLSS) derin öğrenme kullanır.
• Üretim ve Endüstri: Kalite kontrol (görüntü tabanlı hata tespiti), tahmine dayalı bakım, tedarik zinciri tahmini, robotik süreç otomasyonu.
• İçerik Üretimi: Metin, görsel, müzik ve video üretimi. Midjourney, DALL-E, Stable Diffusion gibi araçlar görsel üretirken, Suno ve Udio müzik üretiyor. Yapay zeka ile içerik üretimi konusunda daha fazla bilgi almak istersen İçerik Üretimi kursumuza göz atabilirsin.

Derin Öğrenme Araçları ve Framework’leri

Derin öğrenme modeli geliştirmek için sıfırdan her şeyi yazmana gerek yok. Açık kaynaklı framework’ler ve kütüphaneler, model tasarımından eğitim sürecine kadar her adımı kolaylaştırıyor. İşte en popüler araçlar:

2026 itibarıyla PyTorch, akademik araştırma dünyasında açık ara lider konumda. Endüstriyel uygulamalarda TensorFlow hâlâ yaygın kullanılsa da PyTorch’un burada da payı hızla artıyor. Yeni başlıyorsan PyTorch ile başlamanı öneririm — topluluk desteği ve eğitim kaynakları çok geniş.

Bunların dışında birkaç yardımcı araç daha bilmende fayda var:

• Google Colab / Kaggle Notebooks: Ücretsiz GPU erişimi sunan bulut tabanlı çalışma ortamları. Bilgisayarında GPU olmasa bile model eğitebilirsin.
• Weights & Biases (W&B): Deney takibi, model karşılaştırma ve hiperparametre arama için kullanılan platform.
• MLflow: Model yaşam döngüsü yönetimi için açık kaynaklı platform.
• Docker + NVIDIA Container Toolkit: Eğitim ortamını konteynerize ederek tekrarlanabilir deneyler yapmayı sağlar.

Derin Öğrenmeye Nasıl Başlanır?

Derin öğrenme devasa bir alan ve nereden başlayacağını bilmemek çok normal. İşte adım adım bir yol haritası:

1. Matematik Temellerini Kur

Derin öğrenme için her şeyi bilmene gerek yok ama bazı konularda temel bir anlayışa sahip olmalısın:

• Lineer cebir: vektörler, matrisler, matris çarpımı
• Kalkülüs: türev, kısmi türev, zincir kuralı (backpropagation’ın temeli)
• Olasılık ve istatistik: olasılık dağılımları, Bayes teoremi, beklenen değer

3Blue1Brown’un YouTube kanalındaki “Essence of Linear Algebra” ve “Neural Networks” serileri harika başlangıç noktalarıdır.

2. Python Öğren

Derin öğrenmenin fiili programlama dili Python’dur. NumPy (sayısal hesaplama), Pandas (veri manipülasyonu) ve Matplotlib (görselleştirme) kütüphanelerine aşina ol.

3. Makine Öğrenmesi Temellerini Anla

Derin öğrenmeye atlamadan önce temel makine öğrenmesi kavramlarını (eğitim-test ayrımı, overfitting, underfitting, cross-validation, metrikler) bilmen gerekir. Andrew Ng’nin Coursera’daki “Machine Learning Specialization” kursu bu iş için idealdir.

4. İlk Derin Öğrenme Kursunu Al

Ücretsiz ve kaliteli kaynaklar:

• fast.ai “Practical Deep Learning for Coders” — uygulamalı, yukarıdan aşağı yaklaşım
• Andrew Ng’nin “Deep Learning Specialization” (Coursera) — teorik temeli sağlam atar
• MIT 6.S191 “Introduction to Deep Learning” — kısa ve yoğun akademik kurs

5. Ellerini Kirlet: Proje Yap

Teoriyi pratiğe dökmenin en iyi yolu proje yapmaktır. Başlangıç projeleri için fikirler:

• MNIST el yazısı rakam sınıflandırma (derin öğrenmenin “Merhaba Dünya”sı)
• CIFAR-10 görüntü sınıflandırma ile CNN deneyimi
• IMDB film yorumu duygu analizi ile NLP’ye giriş
• Basit bir chatbot oluşturma
• Kaggle yarışmalarına katılma

6. Daha İleri Git

Temelleri oturttuğunda şu alanlara yönelebilirsin:

• Transfer öğrenme ve fine-tuning (önceden eğitilmiş modelleri kendi verine uyarlama)
• Büyük dil modelleri ve prompt mühendisliği — bu konuda Prompt Mühendisliği yazımızı okumanı tavsiye ederim
• MLOps (model dağıtımı, izleme, A/B testi)
• Reinforcement Learning (pekiştirmeli öğrenme)

Yapay zekayla para kazanma yollarını merak ediyorsan, Yapay Zeka ile Para Kazanma yazımız ilgini çekebilir.

Sıkça Sorulan Sorular