Kömək
Bu səhifəni kitabınıza əlavə edin
Kitabı göstər (0 səhifə)
Səhifə təklif edinDərin öyrənmə (ing. Deep Learning) — süni intellektin bir bölməsi olaraq, çoxqatlı neyron şəbəkələrindən istifadə edərək mürəkkəb dataların avtomatik olaraq xüsusiyyətlərini öyrənməyə imkan verən maşın öyrənməsi üsulu. Bu üsul kompüter görməsi, təbii dilin emalı, səs tanıma, tibbi diaqnostika və avtonom nəqliyyat kimi sahələrdə inqilabi nəticələr əldə edib.
Dərin öyrənmənin əsası 1940-cı illərdə McCulloch və Pitts tərəfindən təklif edilən sadə neyron modelinə gedib çıxır. 1980-ci illərdə geri yayılma alqoritmi ilə çoxqatlı şəbəkələrin öyrədilməsi mümkün oldu. 2006-cı ildə Geoffrey Hintonun “deep belief networks” işi müasir “dərin öyrənmə” dövrünü başlatdı. 2012-ci ildə ImageNet yarışmasında AlexNet-in qələbəsi sahəyə kütləvi maraq yaratdı. Son onillikdə GPU hesablamalarının ucuzlaşması və böyük verilənlər bazalarının yaranması sayəsində dərin öyrənmə praktiki olaraq bütün elm və sənaye sahələrinə nüfuz edib.
Dərin şəbəkə üç və daha artıq gizli qatdan ibarətdir. Hər qat aşağıdan gələn siqnalları çəkir, xüsusiyyət xəritəsi yaradır və nəticəni yuxarı qata ötürür. Son qat vəzifəyə görə klassifikator, regressor və ya generator olur. Böyük həcmli etiketli və ya etiketsiz datalar şəbəkənin çəkilərsə ümumiləşdirmə qabiliyyətini artırır. Aktivasiya funksiyaları (ReLU, sigmoid, Swish) və arxitektur qatları (konvolusiya, max-pool, dropout) bu prosesdə əsas rol oynayır.[1]
- Nəzarətli öyrənmə – CNN, RNN, Transformer[2]
- Nəzarətsiz öyrənmə – autoencoder, GAN, diffusion
- Öz-özünə öyrənmə – masked language modeling, contrastive learning
- Gücləndirməli öyrənmə – DQN, PPO, DDPG
Rəqəmsal görüntülərdə yerli xüsusiyyətləri tutmaq üçün istifadə olunur. ResNet, DenseNet, EfficientNet nümunələrdir. Tibbi görüntülərdə dəqiq diaqnoz, 3-D CT mərhələlərində klinik baxış əsasında model qurmaq üçün tətbiq edilir.[3]
Ard-arda məlumatlarda istifadə olunur: səs, mətn, vaxt sıraları. CNN-BiGRU-Attention hibridi ACLR reabilitasiyasında geyilə bilən sensorlardan qüvvət siqnallarını 0,979 R² ilə proqnozlaşdırır.[4]
Self-attention ilə uzun münasibətləri tutur; BERT, GPT, ViT, Swin Transformer nümunələrdir. FDGC adlı fazi-derin klasterləşdirmə işi dual-granularity contrastive learning ilə səhv mənfi nümunə seçimini azaldaraq clustering yaxşılaşdırır.[5]
İki şəbəkə – generator və discriminator – bir-biri ilə rəqabət edir. StyleGAN, BigGAN, DDPM, Stable Diffusion foto-realistik görüntü, super-aydınlatma və bərpa işlərində istifadə olunur. Uzaktan algılama fusyonunda diffusion modelləri spektral və məkan detallarını ən yaxşı bərpa edir.[6]
Dərin öyrənmə kompüter görməsindən tutmuş kənd təsərrüfatına, tibbdən kosmik texnologiyalara qədər geniş spektrdə istifadə olunur. Aşağıda əsas istiqamətlər və 2024–2026-cı illərdə dərc olunmuş nümunəli tədqiqatlar verilib.
Konvolusiya şəbəkələri (CNN) real zamanlı obyekt təyinatı, yol nişanı tanıma və stereo-məkan dərinliyi hesablamasında standart hala gəlib. İordaniya yol nişanları üzərində aparılan son işdə ResNet-50 + SVM hibridi 0,83 F1 əmsalı ilə şəhər və magistral şəraitində etibarlı tanıma göstərib.[7] Avtonom avtomillərdə kameralar, LiDAR və radar məlumatları CNN və Transformer arxitekturaları ilə birləşdirilərək 99 %-ə yaxın dəqiqliklə idarəetmə qərarı verilir.
Balanslaşdırılmamış dərmatoskopiya dəstlərində "mBSML" çərçivəsi mini-batch sampling və metrik itki funksiyası birləşdirərək intra-class dəyişkənliyi və inter-class oxşarlığı eyni anda idarə edir; HAM1000 və ISIC-2018 bazalarında 0,91-dən yuxarı F1 göstərilib.[8]
Butöv slayd görüntülərində (WSI) CNN, Vision Transformer, GAN və diffusion modelləri adenokarsinoma, sarkoma və limfoma alt-tiplərini ayırd edir; Camelyon-16 dəstində xəstəlik-spesifik xüsusiyyətləri 0,97 AUC ilə proqnozlaşdırır.[9]
Süd və qan nümunələrində mikroskopik agqlutinasiya testinin (MAT) vizual qiymətləndirilməsi üçün təlim olunmuş DenseNet121 şəbəkəsi ekspert qiymətləri ilə 0,95-dən yuxarı Pearson korrelyasiyası verir, bu isə epidemioloji monitorinqi sürətləndirir.[10]
Yumurta qabığında kadmium çirklənməsi NIR diapazonunda 900–1700 nm dalğa uzunluğu ilə qeyri-məhv edici müəyyən edilir; 1D-CNN + DWT + ensemble arxitekturası 0,91 R² və 3,4 RPD göstəricisi ilə laboratoriya metodlarına alternativ yaradır.[11]
İnspeksiya üçün dron çəkilişlərində YOLOv8 və Swin-Transformer əsaslı modellər izolyator çatı, kabel aşınması və xarici cisimləri 0,95 F1-ə yaxın dəqiqliklə ayırd edir; 500 kV xətti üzrə sınaq 44% nasazlıq əvvəlcədən aşkar göstərib.[12]
UAV və sualtı robotlarla toplanan görüntülərdə U-Net, DeepLab ve EfficientUNet arxitekturaları dəmir-beton körpülərdə, bəndlərdə və boru xətlərində çat, pas və eroziya növlərini pixel-səviyyəsində seqmentləşdirir; mIoU 0,82-ə çatır.[13]
İordaniya şəbəkəsində ResNet-50 + SVM hibridi 43 sinif üzrə 0,83 F1 göstərib; günəş və kölgə şəraitində transformer-əsaslı augmentasiya dəqiqliyi 7 % artırıb.
AIS dataları əsasında CNN-LSTM birləşməsi Çin daxili dəniz yollarında gəmi hərəkətini 15 dəqiqəlik üzlük proqnozla 0,92 accuracy ilə təyin edir; toqquşma riski 18% azalıb.
Cənubi Çin dənizində UNET + CNOP (Conditional Non-linear Optimal Perturbation) hibridi 14-günlük Kuroshio intruziyasını 0,85 anomaly correlation ilə proqnozlaşdırır; xəta CNOP həssaslıq sahəsində 20% azaldılaraq ümumi model bacarığı artırılıb.[14]
Sənaye İdarəetmə Sistemləri (ICS) üçün blockchain-lə birləşdirilmiş CNN, LSTM və GAN əsaslı IDS modelləri hücumları 0,99 F1 ilə aşkar edir, etibarlılıq və mənşə yoxlamasını təmin edir.[15]
CNN, autoencoder, GAN və transformer kombinasiyası ilə 10 000-dən çox peptid sırası ekranlaşdırılır; bitter, antioksidan və ACE-inhibitor aktivlikləri 0,90 R² ilə regressiya edilir, bu da funksional məhsul inkişafını sürətləndirir.[16]
Çörək buğdasında nəmiş, zülal və qlüten üçün 1D-CNN, ResNet və Vision Transformer arxitekturaları 900–2500 nm diapazonunda 0,95-dən yuxarı R² göstərir; transfer öyrənmə sayəsində model cəmi 200 spektrumla yenidən kalibrlənə bilir.[17]
DDPG (Deep Deterministic Policy Gradient) alqoritmi ilə hazırlanan dərin gücləndirmə agenti 67P tipli ikili asteroid sistemində eniş-trassanı 44% enerjiyə qənaətlə planlaşdırır; yaxınlaşma fazasında neyrodinamik xəta ±5 sm-ə qədər sıxılır.[18]
Physics-enhanced U-Net + DRL kombinasiyası pin-fin istilik xəndək dizaynını avtomatlaşdırır; optimal konfiqurasiya bazaya nisbətən 8,8 K temperatur və 11,3% təzyiq düşməsi ilə 10% əlavə güc çıxışı verir.[19]
Latent barmaq izində CNN, DBN, autoencoder və GAN birləşməsi xətt, minutia və poraları 0,99-dan yuxarı dəqiqliklə bərpa edir; NIST SD-302 dəstində 0,12 EER əldə olunub.
Bayesian DNN + çəkilmiş itki funksiyası ilə balanslaşdırılmamış motosiklet xəsarətləri datasetində heterojenlik və zaman-moment dəyişməsi nəzərə alınır; model 0,92 F1 göstərərək klassik logit regressiyanı 15% üstələyir.[20]
SIFT flow-based pattern registration + CNN birləşməsi spektral örtülmə problemini azaldaraq mürəkkəb toxumalı obyektlərdə 0,05 mm-ə qədər sahə səhvi verir; single-shot rejimi real-zaman istehsala uyğunlaşdırılıb.[21]
- Avtomatik xüsusiyyət çıxarışı – əl ilə işarələməyə ehtiyac qalmır
- Yüksək dəqiqlik – böyük datalarla 95–99% səviyyəsi
- Çoxölçülü məlumatla iş – şəkil, səs, mətn, video, spektr
- End-to-end öyrənmə – xüsusiyyət + klassifikator birlikdə
- İzaholunma (explainability) – “qara qutu” problemi[22]
- Data və hesablama xərci – milyonlarca parametrlə təlim GPU/TPU tələb edir
- Ümumiləşdirmə (OOD) – paylanmadan kənar nümunələrdə etibarsızlıq[23]
- Etik və təhlükəsizlik – hücumlar (adversarial), qərəz (bias), məxfilik
Gələcək istiqamətlər:
- Foundation modelləri (CLIP, GPT-4V, SAM) və çoxsahəli öyrənmə
- Zero-shot / few-shot öyrənmə ilə etiket tələbinin azaldılması
- Physics-informed və hybrid modellər (PDE + CNN, U-Net + DRL)
- Edge AI və səliqəli (green) dərin öyrənmə
- Federativ öyrənmə və blockchain ilə etibarlılıq
- Əsas çərçivələr: TensorFlow, PyTorch, JAX, Paddle, MindSpore
- Qatılaşdırılmış kitabxanalar: Keras, FastAI, Lightning, Hugging Face Transformers
- Mobil/edge: TensorFlow Lite, ONNX Runtime, Core ML, NCNN
- Bulud xidmətləri: Google Vertex, AWS SageMaker, Azure ML, Alibaba PAI
| Xüsusiyyət | Klassik ML | Dərin Öyrənmə |
|---|---|---|
| Xüsusiyyət hazırlığı | Əl ilə, domain bilik | Avtomatik |
| Parametr sayı | 10²–10⁵ | 10⁶–10¹¹ |
| Data həcmi | Kiqa–Miqa | Miqa–Tiqa |
| İzaholunma | Asan | Çətin |
| Tələb olunan resurs | CPU | GPU/TPU |
- ↑ Rui Wang, Yuesheng Xu, Mingsong Yan. "Hypothesis spaces for deep learning". Neural Networks. 193. 2026: 107995. doi:10.1016/j.neunet.2025.107995.
- ↑ Yanchao Li, Ziteng Xie, Hongwu Zhong, Guangwei Gao. "Noise-tolerant scheme and explicit regularizer for deep active learning with noisy oracles". Pattern Recognition. 172. 2026: 112313. doi:10.1016/j.patcog.2025.112313.
- ↑ Terese A.E. Thornblad, Lotte J.S. Ewals, Joost Nederend, Misha D.P. Luyer, Peter H.N. De With, Fons van der Sommen. "Clinical insights to improve medical deep learning design: A comprehensive review of methods and benefits". Computers in Biology and Medicine. 196. 2025: 110780. doi:10.1016/j.compbiomed.2025.110780.
- ↑ Tianxiao Chen, Datao Xu, Meizi Wang, Zhifeng Zhou, Tianle Jie, Huiyu Zhou, Yi Yuan, Julien S. Baker, Zixiang Gao, Yaodong Gu. "Wearable monitoring for rehabilitation: Deep learning-driven vertical ground reaction force estimation for anterior cruciate ligament reconstruction". Clinical Biomechanics. 2025: 106663. doi:10.1016/j.clinbiomech.2025.106663.
- ↑ Hengrong Ju, Jing Guo, Weiping Ding, Witold Pedrycz, Xiaotian Cheng, Xibei Yang. "FDGC: Fuzzy deep clustering with dual-granularity contrastive learning". Knowledge-Based Systems. 329. 2025: 114401. doi:10.1016/j.knosys.2025.114401.
- ↑ Enzhe Sun, Yongchuan Cui, Peng Liu, Jining Yan. "A decade of deep learning for remote sensing spatiotemporal fusion: Advances, challenges, and opportunities". Information Fusion. 2025: 103675. doi:10.1016/j.inffus.2025.103675.
- ↑ Motasem S. Obeidat və b. "Traffic sign detection and recognition in Jordan based on machine learning and deep learning". Egyptian Informatics Journal. 31. 2025: 100761.
- ↑ Shengdan Hu və b. "Skin lesion classification with mini-batch sampling and deep metric learning". Applied Soft Computing. 2025: 113850.
- ↑ Masayuki Tsuneki. "Deep learning approaches for pathological image classification". Journal of Oral Biosciences. 67 (4). 2025: 100696.
- ↑ Risa Nakano və b. "Emulating visual evaluations in the microscopic agglutination test with deep learning". Journal of Microbiological Methods. 2025: 107249.
- ↑ Kunshan Yao və b. "An ensemble deep learning method for predicting cadmium content in eggs using hyperspectral imaging". Measurement. 256. 2025: 118524.
- ↑ Tangfei Tao, Zimeng Li. "A review of deep learning application in transmission line defect detection". Electric Power Systems Research. 250. 2026: 112193.
- ↑ Mengzhe Cai və b. "Deep Learning-Based Defect Identification in Hydraulic Structures: A Comprehensive Review". KSCE Journal of Civil Engineering. 2025: 100410.
- ↑ Qiang Wang və b. "The predictability study of oceanic deep learning models: Taking Kuroshio intrusion into South China Sea as an example". Ocean Modelling. 198. 2025: 102622.
- ↑ Devi Priya V.S. və b. "Blockchain-based deep learning models for intrusion detection in Industrial Control Systems: Frameworks and open issues". Journal of Network and Computer Applications. 2025: 104286.
- ↑ Shilong Cheng və b. "Deep learning in food Science: Innovative approaches for predicting and simulating food-derived protein–peptides". Trends in Food Science & Technology. 164. 2025: 105216.
- ↑ Yuxin Xiao və b. "Deep learning-based regression of food quality attributes using near-infrared spectroscopy and hyperspectral imaging: A review". Food Chemistry. 493. 2025: 145932.
- ↑ Linli Su və b. "Research on Transfer and Landing Trajectory of a Dual-Asteroid System Probe Based on Deep Reinforcement Learning (DDPG)". Aerospace Science and Technology. 2025: 110870.
- ↑ Yubo Lian və b. "Physics-enhanced U-Net and Deep Reinforcement Learning for Automated Optimization of Pin-Fin Heat Sinks in Electric Vehicle Power Modules". eTransportation. 2025: 100463.
- ↑ MohammadAli Seyfi və b. "Analyzing crash injury severities with deep learning and advanced statistical models". Analytic Methods in Accident Research. 2025: 100405.
- ↑ Xin Liu və b. "SIFT flow-based pattern registration for accurate deep learning-based single-shot fringe projection profilometry". Optics and Lasers in Engineering. 195. 2025: 109307.
- ↑ Terese A.E. Thornblad, Lotte J.S. Ewals, Joost Nederend, Misha D.P. Luyer, Peter H.N. De With, Fons van der Sommen. "Clinical insights to improve medical deep learning design: A comprehensive review of methods and benefits". Computers in Biology and Medicine. 196. 2025: 110780. doi:10.1016/j.compbiomed.2025.110780.
- ↑ Karthik Goud Bujagouni, Swarupananda Pradhan. "DL-DHM: A novel approach for out of distribution datasets in Deep Learning based off-axis Digital Holographic Microscopy". Optics & Laser Technology. 192. 2025: 113813. doi:10.1016/j.optlastec.2025.113813.