Yüksek hacimli verilerin makine öğrenmesi (MÖ) ve derin öğrenme (DÖ) yöntem ve teknikleri ile işlenmesi için özel tasarlanmış donanımlara ihtiyaç duyulmaktadır. Bu donanımlar ihtiyaç sahipleri açısından önemli bir maliyet unsurudur. Özelikle, araştırmacı, eğitimci ve öğrenciler gibi kısıtlı imkânlara sahip olanlar açısından bahsi geçen donanımları temin etmek çok daha güç olmaktadır. Google, yakın zamanda MÖ ve DÖ konularında çalışan akademi camiası için Colaboratory (Colab) platformunu hizmete açmıştır. Colab, MÖ ve DÖ çalışmalarının icra edilmesini sağlayan birçok standart yazılım kütüphanesini kullanıma hazır olarak sunmaktadır. Ayrıca, diğer kütüphanelerin de eklenmesi, yüklenmesi vb. işler kolayca halledilebilmektedir. İlave olarak, Colaboratory platformunda bahsedilen özel donanımlar ücretsiz kullanılabilmektedir. Çalışmamızda Colab’ın sunduğu donanımın gücü ortaya koyulmuş ve ne tür işlerde, hangi kısıtlar altında donanım gereksinimini karşılayacağına dair detaylı bir inceleme yapılmıştır. Colab’ın olumlu ve olumsuz yönleri etraflıca ele alınmıştır. Aynı zamanda, işlerin tamamlanma süreleri ve işlenecek veri miktarlarına bağlı olarak, Colab‘dan yararlanma, donanımı satın alma veya kiralama alternatiflerinden hangisinin seçilebileceğine dair fikir verecek bir yol haritası da hazırlanmıştır. Çalışmalarımız neticesinde, Colab’ın çoğu çalışmanın yapılabilmesine imkân sağlayacak güçte ve özellikle kısıtlı kaynaklara sahip araştırmacı, eğitimci ve öğrenciler için önemli bir kaynak olduğu gözler önüne serilmiştir.

Keywords - colaboratory, colab, derin öğrenme, makine öğrenmesi, donanım

[1] K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778.

[2] H. Temiz, A. Tufekci, and H. S. Bilge, “A comparative study on super resolution with deep learning,” in 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018.

[3] “Welcome to Colaboratory - Colaboratory.” [Çevrimiçi]. Available: https://colab.research.google.com/notebooks/welcome.ipynb#recent=true. [Erişim tarihi: 09.02.2019].

[4] “Deep Learning and Artificial Intelligence Solutions | NVIDIA.” [Çevrimiçi]. Available: https://www.nvidia.com/en-us/deeplearning-ai/solutions/. [Erişim tarihi: 09.02.2019].

[5] “Home - Keras Documentation.” [Çevrimiçi]. Available: https://keras.io/. [Erişim tarihi: 09.02.2019].

[6] “PyTorch.” [Çevrimiçi]. Available: https://pytorch.org/. [Erişim tarihi: 09.02.2019].

[7] “TensorFlow.” [Çevrimiçi]. Available: https://www.tensorflow.org/. [Erişim tarihi: 09.02.2019].

[8] “MATLAB - MathWorks - MATLAB & Simulink.” [Çevrimiçi]. Available:https://www.mathworks.com/products/matlab.html. [Erişim tarihi:
09.02.2019].

[9] “Caffe2 | A New Lightweight, Modular, and Scalable Deep Learning Framework.” [Çevrimiçi]. Available: https://caffe2.ai/.[Erişim tarihi: 09.02.2019].

[10] “Welcome — Theano 1.0.0 documentation.” [Çevrimiçi]. Available: http://deeplearning.net/software/theano/. [Erişim tarihi:
09.02.2019].

[11] “Project Jupyter | Home.” [Çevrimiçi]. Available: https://jupyter.org/. [Erişim tarihi: 09.02.2019].

[12] J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” in 2009 IEEE conference on computer vision and pattern recognition, 2009, pp. 248–255.

[13] “Pricing - Windows Virtual Machines | Microsoft Azure.” [Çevrimiçi]. Available: https://azure.microsoft.com/enus/pricing/details/virtual-machines/windows/. [Erişim tarihi: 09.02.2019].

[14] “Amazon EC2 P3 – Makine Öğrenimi ve HPC için ideal – AWS.” [Çevrimiçi]. Available: https://aws.amazon.com/tr/ec2/instancetypes/p3/. [Erişim tarihi: 09.02.2019].

[15] “Google Compute Engine Fiyatlandırması | Compute Engine Documentation | Google Cloud.” [Çevrimiçi]. Available: https://cloud.google.com/compute/pricing. [Erişim tarihi: 09.02.2019].