Makine öğrenmesi, bilgisayarların verilerden öğrenmesini sağlayan geniş bir yapay zeka alt dalıdır. Derin öğrenme ise makine öğrenmesinin bir alt kümesi olup, çok katmanlı yapay sinir ağları kullanarak karmaşık örüntüleri öğrenir.

Derin öğrenme, daha fazla veri ve hesaplama gücü gerektirir ve özellikle görüntü tanıma, doğal dil işleme gibi alanlarda üstün performans gösterir. Makine öğrenmesi daha basit algoritmalar (karar ağaçları, destek vektör makineleri) kullanırken, derin öğrenme çok katmanlı sinir ağlarıyla çalışır. Aşırı uyum, bir modelin eğitim verilerine aşırı derecede uyum sağlayarak genelleme yeteneğini kaybetmesidir. Model, eğitim verilerindeki gürültüyü ve rastgele dalgalanmaları öğrenir, bu nedenle yeni verilerde kötü performans gösterir.

Aşırı uyumu önlemek için kullanılan yöntemler:

1) Düzenlileştirme (Regularization): L1 veya L2 düzenlileştirme ile ağırlıkların büyümesi cezalandırılır;

2) Dropout: Eğitim sırasında rastgele nöronlar devre dışı bırakılarak ağın daha sağlam öğrenmesi sağlanır;

3) Erken durdurma (Early Stopping): Doğrulama hatası artmaya başladığında eğitim durdurulur;

4) Veri artırma (Data Augmentation): Mevcut veriler üzerinde dönüşümler yaparak eğitim verisi çeşitlendirilir.