Otokodlayıcı (Autoencoder)

Autoencoder nedir?

Autoencoder, bir veriyi önce sıkıştırıp sonra tekrar geri kurmaya çalışan bir sinir ağı türü. Girdiyi alır, onu küçük bir temsile (latent space) indirger, ardından bu özetten orijinali yeniden üretmeye uğraşır. Amaç çıktının girdiye olabildiğince benzemesi — yani kendi kendini kopyalamayı öğrenmesi. Kulağa anlamsız gelebilir ama bu darboğazdan geçirme işi, verinin en önemli özelliklerini damıtmayı sağlar.

Nasıl çalışır?

İki parçadan oluşur: encoder girdiyi sıkıştırıp latent temsili üretir, decoder bu temsilden orijinali geri kurar. Aradaki dar katman (bottleneck) modeli, gereksiz detayları atıp sadece kritik bilgiyi tutmaya zorlar. Eğitim sırasında çıktı ile girdi arasındaki fark (reconstruction loss) ölçülür ve backpropagation ile bu fark küçültülür. Varyasyonel versiyonu olan VAE, latent space'i olasılıksal hale getirir; böylece model sadece geri kurmakla kalmaz, sıfırdan yeni örnekler de üretebilir.

Neden önemli?

Autoencoder, denetimsiz öğrenmenin (unsupervised learning) temel taşlarından biri — etiket gerektirmeden verinin yapısını öğrenir. Boyut indirgeme, gürültü temizleme ve üretken modellerin atası sayılan bir fikir. diffusion model ve GAN gibi modern üretken yaklaşımların kavramsal kökü buraya dayanır.

Kullanım alanları

• Boyut indirgeme ve veri sıkıştırma
• Gürültü temizleme (denoising)
• Anomali tespiti — kötü yeniden kurulan örnek aykırı demektir
• VAE ile yeni içerik üretme
• embedding ve temsil öğrenme