tag ozellik-cikarimi
Bu sayfada ozellik-cikarimi etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Mel Spektrogramı, sesin zaman-frekans temsilini insan işitme algısını taklit eden mel ölçeğinde sunan bir ses özellik çıkarma yöntemidir. "Mel" adı, 1937 yılında Stevens, Volkmann ve Newman tarafından geliştirilen ve insan kulağının farklı frekanslara nasıl tepki verdiğini modelleyen mel ölçeğinden (mel scale) gelir. İnsan kulağı düşük frekanslarda ince ayrımlar yaparken yüksek frekanslarda daha az hassastır; mel ölçeği bu işitsel özelliği matematiksel olarak yaklaşık olarak ifade eder. Mel spektrogramı üretmek için önce ses sinyali kısa pencereler (genellikle 25 ms) hâlinde Kısa Süreli Fourier Dönüşümü (STFT) ile spektrograma çevrilir. Bu işlem her pencerede frekans bileşenlerini ortaya koyar. Ardından bu spektrogram, mel filtre bankasından geçirilerek doğrusal frekans ekseni mel ölçeğine dönüştürülür; düşük frekanslarda sık, yüksek frekanslarda seyrek yerleştirilmiş üçgen filtreler kullanılır. Son adımda logaritmik ölçekleme (log-mel) uygulanarak insan işitme duyarlılığına benzer bir dinamik aralık elde edilir. Mel spektrogramları modern ses işleme ve konuşma tanıma sistemlerinde temel girdi formatı olarak kabul görür. OpenAI Whisper, 80 adet mel filtresi kullanan 25 ms pencerelere sahip log-mel spektrogramlarını ASR (Automatic Speech Recognition) için standart girdi biçimi olarak benimser. TTS (Text-to-Speech) sistemleri de mel spektrogramlarını ara temsil olarak kullanır; önce metinden mel spektrogramı tahmin edilir, ardından WaveGlow veya HiFi-GAN gibi bir vocoder bu spektrogramu ham ses dalgasına çevirir. Ses sınıflandırma, duygu tanıma, müzik türü tespiti ve konuşmacı kimlik doğrulama gibi görevlerde CNN, LSTM ve Transformer modelleri mel spektrogramlarını görsel girdi gibi işler. Bu yaklaşım, ses görevlerini bilgisayarlı görü tekniklerine taşıyarak ImageNet üzerinde önceden eğitilmiş modellerin aktarım öğrenimi (transfer learning) yoluyla ses uygulamalarında kullanılmasına olanak tanır. Mel spektrogramı, ham dalga formu işlemeye kıyasla daha az hesaplama gerektirirken yüksek doğruluk üretir ve günümüzde ses yapay zekasının temel taşlarından biri olarak kabul edilmektedir.
Mel Spectrogram (Mel Spektrogramı)
Mel Spektrogramı, sesin zaman-frekans temsilini insan işitme algısını taklit eden mel ölçeğinde sunan bir ses özellik çıkarma yöntemidir. "Mel" adı, 1937 yılında Stevens, Volkmann ve Newman tarafından geliştirilen ve insan kulağının farklı frekanslara nasıl tepki verdiğini modelleyen mel ölçeğinden (mel scale) gelir. İnsan kulağı düşük frekanslarda ince ayrımlar yaparken yüksek frekanslarda daha az hassastır; mel ölçeği bu işitsel özelliği matematiksel olarak yaklaşık olarak ifade eder. Mel spektrogramı üretmek için önce ses sinyali kısa pencereler (genellikle 25 ms) hâlinde Kısa Süreli Fourier Dönüşümü (STFT) ile spektrograma çevrilir. Bu işlem her pencerede frekans bileşenlerini ortaya koyar. Ardından bu spektrogram, mel filtre bankasından geçirilerek doğrusal frekans ekseni mel ölçeğine dönüştürülür; düşük frekanslarda sık, yüksek frekanslarda seyrek yerleştirilmiş üçgen filtreler kullanılır. Son adımda logaritmik ölçekleme (log-mel) uygulanarak insan işitme duyarlılığına benzer bir dinamik aralık elde edilir. Mel spektrogramları modern ses işleme ve konuşma tanıma sistemlerinde temel girdi formatı olarak kabul görür. OpenAI Whisper, 80 adet mel filtresi kullanan 25 ms pencerelere sahip log-mel spektrogramlarını ASR (Automatic Speech Recognition) için standart girdi biçimi olarak benimser. TTS (Text-to-Speech) sistemleri de mel spektrogramlarını ara temsil olarak kullanır; önce metinden mel spektrogramı tahmin edilir, ardından WaveGlow veya HiFi-GAN gibi bir vocoder bu spektrogramu ham ses dalgasına çevirir. Ses sınıflandırma, duygu tanıma, müzik türü tespiti ve konuşmacı kimlik doğrulama gibi görevlerde CNN, LSTM ve Transformer modelleri mel spektrogramlarını görsel girdi gibi işler. Bu yaklaşım, ses görevlerini bilgisayarlı görü tekniklerine taşıyarak ImageNet üzerinde önceden eğitilmiş modellerin aktarım öğrenimi (transfer learning) yoluyla ses uygulamalarında kullanılmasına olanak tanır. Mel spektrogramı, ham dalga formu işlemeye kıyasla daha az hesaplama gerektirirken yüksek doğruluk üretir ve günümüzde ses yapay zekasının temel taşlarından biri olarak kabul edilmektedir.
Bag of Words (Kelime Torbası)
Bag of Words (Kelime Torbası ya da BoW), doğal dil işleme alanında metni makine öğrenimi algoritmalarının işleyebileceği sayısal forma dönüştürmek için kullanılan en temel yöntemlerden biridir. Model, bir metindeki her kelimeyi sıra ve bağlamdan bağımsız biçimde yalnızca frekansına göre temsil eder; kelimeler metaforik olarak bir "torbaya" atılır ve hangisinin önce, hangisinin sonra geldiği bilgisi yok sayılır. BoW üç adımda çalışır: metin tokenize edilerek kelimeler ayrıştırılır ve "ve", "bir", "bu" gibi bilgi taşımayan stop word'ler temizlenir; tüm belgeler üzerinden benzersiz kelimelerden oluşan bir sözcük dağarcığı (vocabulary) inşa edilir; her belge bu dağarcık boyutunda bir vektöre dönüştürülür. Vektördeki her boyut bir kelimeye karşılık gelir ve değeri o kelimenin belgede kaç kez geçtiğini gösterir. Büyük bir veri kümesinde oluşan matris genellikle son derece seyrek olur, zira her belge sözcük dağarcığının yalnızca küçük bir bölümünü barındırır. Yöntemin en önemli avantajı basitliği ve yorumlanabilirliğidir. Metin sınıflandırma, spam tespiti, konu modelleme ve duygu analizi gibi klasik NLP görevlerinde hızlı ve güvenilir bir başlangıç noktası olarak kullanılır. Hesaplama maliyeti düşüktür ve büyük veri kümelerinde kolayca ölçeklenebilir. Bununla birlikte BoW'un ciddi kısıtlamaları vardır. Kelime sırası tamamen görmezden gelindiğinden "Türkiye İngiltere'yi yendi" ve "İngiltere Türkiye'yi yendi" cümleleri özdeş vektörlerle temsil edilir. Eş anlamlı kelimeler farklı boyutlar olarak değerlendirilir; çok anlamlı kelimeler tek bir boyuta sıkıştırılır. Yüksek boyutluluk ve seyreklik ise bellek ve hesaplama açısından zorluk çıkarır. NLP tarihinin gelişim çizgisinde BoW temel bir başlangıç noktasıdır. TF-IDF bunu kelime ağırlıklandırmasıyla geliştirmiş; Word2Vec ve GloVe bağlamsal anlam ilişkilerini yakalamıştır; günümüz transformer tabanlı dil modelleri ise metin temsilini çok daha zengin semantik düzeyde gerçekleştirmektedir. Kaynak kısıtlı ortamlarda ve klasik makine öğrenimi pipeline'larında BoW pratikliğini korumaktadır.