Few-Shot Learning (Az-Atımlı Öğrenme)

Az atis ogrenmesi (few-shot learning), bir modelin yalnizca birkac ornekten yeni bir gorevi ogrenip genelleyebildigi makine ogrenmesi paradigmasidir. Standart derin ogrenme modelleri binlerce hatta milyonlarca etiketli ornege ihtiyac duyarken az atis ogrenmesi bu bagimliligi kirerek insan benzeri hizli uyuma hedefler. Yaklaşım; one-shot learning (tek ornek), few-shot learning (2-10 ornek) ve zero-shot learning (hic ornek olmadan) seklinde siniflandirilir. Meta-ogrenme (meta-learning veya learning to learn), bu alanin temel paradigmasidir: model, cok sayida farkli gorev uzerinde egitilerek 'hizli uyum saglamayi ogrenmeyi' ogrenilir. MAML (Model-Agnostic Meta-Learning), bu yaklasimin oncu algoritmalarindan biridir. Prototypical Networks, her sinifin prototip temsilini hesaplayarak yeni ornekleri bu prototiplere uzakligina gore siniflandirir. Matching Networks ise dikkat mekanizmasiyla az ornekten ogrenmeyi destek kumesi uzerinden gerceklestirir. Siamese Network, iki ornegin benzerligini karsilastirarak tek atis tanimasinda kullanilir. Buyuk dil modellerinde az atis ogrenme daha farkli bir bicimde gerceklesir: GPT gibi modeller, prompt icine birkan ornek verildiginde (in-context learning) goreve adapte olabilir. Bu modeller parametrelerini guncellenmeksizin, yalnizca baglam bilgisiyle birkan atistan genelleme yapabilmektedir. Bu ozellik, LLM'lerin en carpici yeteneklerinden biri olarak kabul edilmektedir. Az atis ogrenmesi; tibbi goruntuleme (nadir hastaliklar icin az ornek mevcuttur), robotik (yeni manipulasyon gorevleri), dil isleme (az kaynakli diller) ve kisisellestirilmis yapay zeka sistemleri gibi alanlarda kritik onem tasimaktadir.