Geometrik Derin Öğrenme Nedir?

Tekrarlayan Sinir Ağları (RNN) ve Evrişimsel Sinir Ağları (CNN) gibi derin öğrenme algoritmaları, son birkaç yılda konuşma tanıma, bilgisayarla görme ve çok daha fazlası gibi çeşitli alanlardaki sorunları çözmede önemli çalışmalar yaptı. Sonuçların büyük bir doğruluğu olmasına rağmen, çoğunlukla öklid verileri üzerinde çalıştı.

Ancak Ağ Bilimi, Fizik, Biyoloji, Bilgisayar Grafikleri ve Öneri Sistemleri söz konusu olduğunda, öklidyen olmayan verilerle, yani manifoldlar ve grafiklerle uğraşmak zorundayız. Geometrik Derin Öğrenme, öklidyen olmayan bu verilerle, manifold veya grafik yapılı verilere bir bütün olarak derin öğrenme teknikleri duygusuyla ilgilenir.

Geometrik Derin Öğrenme Nedir?

Son birkaç yılda, derin öğrenme ve makine öğrenimi alanında önemli ilerlemeler gördük. Bilgisayarın gücü hızla artıyor ve mevcut veriler yeni uygulamaları için 1980 – 1990 yıllarında geliştirilen algoritmalarla birleştiriliyor.

Bu gelişmeden çok yararlanan bir alan varsa, Temsil Öğrenme olacaktır. Temsili öğrenme, denetimli öğrenmenin bir parçasıdır ve Özellikli Öğrenme olarak da adlandırılır. Özellik öğrenme, birçok uygulamada doğrudan Özellik Mühendisliğinin yerini alır. Bilginiz olsun, özellik mühendisliği, diğer Makine Öğrenimi Görevlerinde gerçekleştirmek için tanımlayıcılar ve özellikler geliştirmekle ilgilenen bir alandır.

En iyi örneklerden biri, nesne algılama, görüntü sınıflandırma ve büyük doğruluk elde etmek için Evrişimli Sinir Ağlarının (CNN) kullanılmasıdır ve bu nedenle diğer geleneksel algoritmalar için bir ölçüt oluşturur. ImageNet, 2012'de bir yarışma düzenledi ve Özellik Mühendisliğine dayalı bir SOTA'dan önemli ölçüde daha iyi performans gösterdi.

Şimdi benzer bir kökene ve gelişen bir geleceğe sahip olan geometrik derin öğrenme alanını anlamaya başlayalım.

Geometrik derin öğrenme terimi ilk olarak Bronstein ve diğerleri tarafından adlandırılmıştır. 2017 yılında yayınlanan makalelerinde makalenin başlığı “Geometrik Derin Öğrenme: Öklid verilerinin ötesine geçmek” idi.

Geometrik derin öğrenmenin öklidyen olmayan verilerde bile derin öğrenmeyi kullanabileceğini söyleyen güçlü bir başlık. Öklidyen olmayan veriler, iki boyutlu bir uzaya sığamayan bir veri kümesidir.

Genellikle, bilgisayar grafikleri alanında öklidyen olmayan verileri görselleştirmek için çok kapsamlı olan bir grafik uzmanlığı veya bir ağ.

Soldaki şekil jeodezik mesafeyi, sağdaki ise öklid mesafesini gösterir. Yukarıdaki şekildeki ağ, bir kişinin yüzüdür. Şimdi, ağ boyunca, en kısa yüzey mesafesi, iki yer işareti arasındaki jeodezik mesafedir. Düz bir çizgi kullanılarak iki yer işareti arasında hesaplanan mesafe ise öklid mesafesidir.

Jeodezik mesafe, üzerinde gerçekleştirilen görevler için daha önemli olduğundan, herhangi bir ağı öklidyen olmayan bir biçimde temsil etmenin ana avantajıdır. Öklidyen olmayan verileri doğal olarak öklidyen verilere aktaramayız, ancak olan şu ki, performans ve verimliliği kaybetmenin yüksek bir maliyeti var.

Öklidyen olmayan verilerin başlıca ve önemli bir örneği bir grafik olacaktır. Grafik, ilişkilere veya kenarlara bağlı varlıklar veya düğümlerden oluşan böyle bir veri yapısıdır. Hemen hemen her şeyi modellemek için bir grafik kullanılabilir.

Peki, Grafik Teorisini anlamanıza gerek yok, sadece biraz okumanız gerekiyor, böylece süreçte gerekli olan yazılım kitaplıklarını kullanabilirsiniz. Grafiğe ve temel teorisine olağanüstü bir giriş için kristal netliğinde bir geometrik derin öğrenme bilgisine sahip olmalısınız.

Geometrik derin öğrenmeye dayalı problemi çözmek için kullanılacak veriler için, elden çıkarmanız gereken verilere dayalı olarak elde edilebilir örnekleri zaten tanıyorsanız veya tam tersi; o zaman en iyi durum senaryosu.

Okuyun: Konvülasyon sinir ağı

İstatistiksel Akıl Yürütme

Anlamak istediğimiz şey, tümevarımsal akıl yürütme ile tümdengelimli akıl yürütmeyi birbirinden ayıran şeydir. Tümdengelimli akıl yürütme söz konusu olduğunda, genel terimler belirli bir sonuca varmak veya belirli bir iddiada bulunmak için kullanılır. Bir örnek oluşturmak için bu iddiaların her ikisini de birleştirelim.

"Tüm kızlar testte 10/10 puan aldı" ve "Taylor bir kız" sonunda "Taylor testte 10/10 puan aldı" anlamına gelir. Endüktif akıl yürütme bunun tersidir; burada, belirli terimlerden genel bir fikir veya sonuç çıkarılır. Mantığı görselleştirmek için bir örnek alalım. Bu soruyu cevaplayın:

Hangi inek sadece uzun ömürlü (UHT) süt verir? “Yok” derseniz, görüşülen gençlerin %21'i arasındasınız. Görüşülen gençlerin %5'i “Milka-inekler”, %10'u “hepsi” olarak işaretlemiş, %2'si “dişi inekler” ve “siyah-beyaz inekler” için sıraya girmiş ve %50'si cevap vermemiştir.

Ayrıca Okuyun: Tekrarlayan Sinir Ağı

Bu sonuçtan analiz edilecek çok şey var ama bir de Milka-ineklerinin düşüncesini ele alalım. Sonucu gençlerin bakış açısıyla tümevarımsal akıl yürütme biçiminde anlayalım. İlk olarak “Süt ineği özel bir ırktır”, “UHT süt özeldir”, bu da sonunda “UHT sütü Milka-ineği verir” sonucunu doğurur.

Bundan ne özetleyebiliriz? Endüktif önyargı veya Endüktif akıl yürütme, öğrencinin endüktif ve tümdengelim müdahalesini açıklamak için yeterli olan bir dizi varsayımdır. Endüktif önyargı algoritmalarını tasarlarken çok dikkatli olmak gerekir. Tümdengelimli çıkarımlara eşdeğer sonuçlara ulaşmak için endüktif girişim kullanılabilir.

İlginç gerçek: Daha büyük bilgisayar bilimlerindeki matematik külliyatından, zor bir konu olarak düşünülmesiyle bilinen herhangi bir konu varsa, ayrık matematikte Grafik Teorisi'dir.

Bununla birlikte, grafik teorisi, birkaç heyecan verici görevi yerine getirmemize ve derin öğrenme ile inanılmaz içgörüler sağlamamıza olanak tanır.

Grafik Segmentasyonu

Grafik segmentasyonu, bir grafiğin düğümler (varlıklar), kenarlar (ilişkiler) gibi tüm bileşenlerini sınıflandırma işlemidir. Düzenli aralıklarla çevrelerini izlemesi ve yayalar tarafından bir sonraki adımda ne olacağını tahmin etmesi gereken otonom arabaları düşünün.

Genellikle, insan yayalar ya üç boyutlu devasa sınırlayıcı kutular olarak ya da daha fazla hareket derecesine sahip iskeletler olarak temsil edilir. Daha hızlı ve daha iyi üç boyutlu semantik segmentasyon ile, otonom otomobiller, algıyı mümkün kılan daha fazla algoritmaya sahip olacaktır.

Grafik Sınıflandırması

Grafik sınıflandırmasında, algoritma girdi olarak bir grafiği veya alt grafiği alır ve tahmin ile birleştirilmiş bir kesinlik değerine sahip olarak belirtilen n sınıfın bir çıktısını yorumlar. Kullanılan ağın iki ana parçaya sahip olduğu görüntü sınıflandırmasına eşdeğerdir.

İlk önemli kısım, girdi verilerinin optik bir temsilini oluşturan özellik çıkarıcıdır. Daha sonra çıktı regresyonunu belirli bir boyuta sınırlamak için tam bağlantılı katmanlar kullanılır. Öte yandan, çok sınıflı sınıflandırma için bir softmax katmanı gereklidir.

Mutlaka Okuyun : Kendi Yapay Zeka Sisteminizi Bugün Oluşturmak İçin Adım Adım Yöntemler

Alt çizgi

Geometrik Derin Öğrenmeyi genel olarak Derin Öğrenme bağlamına koyarak derinlemesine anladık. Geometrik derin öğrenmenin bir bütün olarak düzensiz verilerle uğraştığı sonucuna varabiliriz ve önyargıları öğrenmedeki rollerinin ne kadar umut verici olduğunu göstererek grafikler hakkında bilgi edindik.

Derin öğrenme teknikleri, makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, IIIT-B & upGrad'ın çalışan profesyoneller için tasarlanmış ve 450+ saatlik zorlu eğitim, 30'dan fazla vaka çalışması ve Makine Öğrenimi ve Yapay Zeka alanında PG Diplomasına göz atın. atamalar, IIIT-B Mezun statüsü, 5+ pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.