Otomatik kodlayıcı, özellikle boyut azaltma ve özellik çıkarma gibi denetimsiz öğrenme görevleri için kullanılan bir Yapay Sinir Ağı (NN) türüdür. Temel amacı, tipik olarak ağı kendi girdilerini yeniden yapılandırmak üzere eğiterek girdi verilerinin sıkıştırılmış bir temsilini (kodlamasını) öğrenmektir. İki ana bölümden oluşur: giriş verilerini daha düşük boyutlu bir gizli uzaya eşleyen bir kodlayıcı ve orijinal verileri bu sıkıştırılmış temsilden yeniden yapılandıran bir kod çözücü. Bu süreç, otomatik kodlayıcıyı eğitim verilerinin en belirgin özelliklerini yakalamaya zorlar.
Otomatik Kodlayıcılar Nasıl Çalışır?
Bir otomatik kodlayıcının çalışması iki aşamadan oluşur: kodlama ve kod çözme.
- Kodlayıcı: Bu bölüm giriş verilerini (örneğin bir görüntü veya vektör) alır ve gizli uzay veya darboğaz adı verilen daha düşük boyutlu bir temsile sıkıştırır. Bu sıkıştırma, ağı anlamlı kalıpları öğrenmeye ve gürültü ya da fazlalıkları atmaya zorlar. Kodlayıcı tipik olarak birkaç katmandan oluşur ve genellikle ReLU veya Sigmoid gibi aktivasyon fonksiyonları kullanır.
- Darboğaz: Bu, giriş verilerinin sıkıştırılmış, düşük boyutlu temsilinin bulunduğu otoenkoderin merkezi katmanıdır. Temel bilgileri yakalayan 'kod'dur. Bu katmanın boyutluluğu kritik bir hiper parametredir.
- Kod Çözücü: Bu kısım darboğazdan sıkıştırılmış temsili alır ve orijinal giriş verilerini mümkün olduğunca doğru bir şekilde yeniden yapılandırmaya çalışır. Kodlayıcının yapısını yansıtır ancak verileri orijinal boyutlarına geri örnekleyerek tersine çevirir.
Eğitim, girdi verilerinin ağa beslenmesini ve sürekli veriler için Ortalama Karesel Hata (MSE) veya ikili veriler için İkili Çapraz Entropi gibi bir kayıp fonksiyonu kullanılarak çıktının (yeniden yapılandırılmış veriler) orijinal girdi ile karşılaştırılmasını içerir. Ağın ağırlıkları, bu yeniden yapılandırma hatasını en aza indirmek için geri yayılım ve Adam veya SGD gibi bir optimizasyon algoritması kullanılarak ayarlanır.
Otomatik Kodlayıcı Türleri
Temel otomatik kodlayıcı mimarisinin her biri belirli görevler için tasarlanmış çeşitli varyasyonları mevcuttur:
- Denoising Otomatik Kodlayıcılar: Gürültü ile bozulmuş bir girdinin temiz bir versiyonunu yeniden oluşturmak için eğitilmiştir. Bu, onları görüntü denoising gibi görevler için sağlam kılar. Denoising Autoencoders hakkında daha fazla bilgi edinin.
- Seyrek Otomatik Kodlayıcılar: Darboğaz katmanına bir seyreklik cezası (bir tür düzenleme) ekleyerek ağı aynı anda yalnızca birkaç düğümün etkin olduğu temsilleri öğrenmeye zorlar.
- Varyasyonel Otomatik Kodlayıcılar (VAE'ler): Gizli uzaya olasılıksal bir eşleme öğrenerek eğitim verilerine benzer yeni veri örnekleri oluşturmasını sağlayan üretken bir yapay zeka modeli. VAE makalesini okuyun.
- Sözleşmeli Otomatik Kodlayıcılar: Kodlayıcıyı girdideki küçük değişikliklere karşı dayanıklı temsiller öğrenmeye teşvik etmek için kayıp fonksiyonuna bir ceza terimi ekleyin.
Gerçek Dünya Uygulamaları
Otomatik kodlayıcılar, çeşitli Makine Öğrenimi (ML) uygulamalarında kullanılan çok yönlü araçlardır:
- Anormallik Tespiti: Otomatik kodlayıcılar, verilerdeki normal kalıpları öğrenerek aykırı değerleri veya anormallikleri belirleyebilir. Belirli bir veri noktası için yeniden yapılandırma hatasının yüksek olması, girdinin eğitim verilerinden önemli ölçüde farklı olduğunu gösterir ve potansiyel olarak finansta hileli işlemler veya üretimde hatalı ekipman gibi bir anormalliğe işaret eder. Anomali tespitini daha fazla keşfedin.
- Görüntü Sıkıştırma ve Denoising: Otomatik kodlayıcılar, görüntülerin kompakt temsillerini öğrenerek etkili bir şekilde sıkıştırma gerçekleştirebilir. Denoising oto kodlayıcıları, özellikle tıbbi görüntü analizinde (örneğin, MRI veya CT taramalarını iyileştirme) veya eski fotoğrafları geri yüklemede değerli olan görüntülerden gürültüyü gidermek için kullanılır. Tıbbi görüntüleme çözümlerine bakın.
- Boyut Azaltma: Temel Bileşen Analizine (PCA) benzer şekilde, oto kodlayıcılar veri boyutlarını azaltır ancak PCA'nın yapamadığı karmaşık, doğrusal olmayan ilişkileri yakalayabilir. Bu, veri görselleştirme için ve diğer ML modelleri için bir ön işleme adımı olarak kullanışlıdır.
- Özellik Öğrenme: Kodlayıcı kısmı, görüntü sınıflandırma veya nesne algılama gibi sonraki görevler için bir özellik çıkarıcı olarak kullanılabilir ve genellikle ham verilerden daha sağlam özellikler sağlar. gibi modeller olsa da Ultralytics YOLO özel omurgalar kullanır, otomatik kodlayıcı ilkeleri temsil öğrenimini bilgilendirir.
Otomatik Kodlayıcılar ve İlgili Kavramlar
- PCA: Her ikisi de boyutluluğu azaltırken, PCA doğrusal dönüşümlerle sınırlıdır. Sinir ağları olan otomatik kodlayıcılar, karmaşık doğrusal olmayan eşlemeleri öğrenebilir ve genellikle karmaşık veri kümeleri için daha iyi temsillere yol açar.
- GAN'lar: Generative Adversarial Networks (GAN 'lar) öncelikle son derece gerçekçi yeni veriler üretmek için tasarlanmıştır. VAE'ler (bir tür otomatik kodlayıcı) de veri oluşturabilirken, odak noktaları genellikle iyi yapılandırılmış bir gizli uzayı öğrenmektir, oysa GAN'lar bazen gizli uzayın yorumlanabilirliği pahasına çıktı doğruluğunda mükemmeldir.
- CNN'ler ve Dönüştürücüler: Otomatik kodlayıcılar bir mimari model (kodlayıcı-kod çözücü) tanımlar. Genellikle görüntü verileri için Evrişimsel Sinir Ağları (CNN 'ler) veya sıralı veriler için Dönüştürücüler gibi diğer ağ türlerini kodlayıcı ve kod çözücü içinde yapı taşları olarak kullanırlar.
Araçlar ve Uygulama
Otomatik kodlayıcılar popüler derin öğrenme (DL) çerçeveleri kullanılarak uygulanabilir:
Ultralytics HUB gibi platformlar, veri yönetimi ve model eğitimi de dahil olmak üzere genel makine öğrenimi iş akışını kolaylaştırır, ancak öncelikle denetimsiz otomatik kodlayıcı eğitimi yerine algılama ve segmentasyon gibi denetimli görevlere odaklanırlar.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
.webp)
