Sinir Ağları Nedir?

Yapay Sinir Ağları (ANN’ler) Nedir?

AI’deki birçok büyük ilerleme yapay sinir ağları tarafından yönlendirilir. Yapay Sinir Ağları (ANN’ler), insan beynindeki sinir ağlarından esinlenen bir formatta birleştirilen matematiksel fonksiyonların bağlantısıdır. Bu ANN’ler, komplex kalıpları veriden çıkarmak, bu kalıpları görmediği verilere uygulamak ve veriyi sınıflandırmak/tanımak için yeteneklidir. Bu şekilde, makine “öğrenir”. Bu, sinir ağları hakkında hızlı bir bakış, ancak sinir ağlarını daha iyi anlamak için sinir ağlarına daha yakından bakalım.

Çok Katmanlı Perceptron Açıklaması

Daha kompleks sinir ağlarına bakmadan önce, bir ANN’nin basit bir versiyonuna, Çok Katmanlı Perceptron (MLP)‘ye bakalım.

Bir fabrikadaki montaj hattını hayal edin. Bu montaj hattında, bir işçi bir öğeyi alır, ona bazı ayarlamalar yapar ve sonra öğeyi hattaki sonraki işçiye geçirir. Bu işlem, son işçi öğeye son dokunuşları yapıp onu fabrikadan çıkarmak için kullanılan bir banda koyana kadar devam eder. Bu analojide, montaj hattında birden fazla “katman” vardır ve ürünler bir işçiden diğerine geçerken katmanlar arasında hareket eder. Montaj hattı ayrıca bir giriş noktası ve bir çıkış noktasına sahiptir.

Çok Katmanlı Perceptron, üç katmandan oluşan çok basit bir üretim hattı olarak düşünülebilir: bir giriş katmanı, bir gizli katman ve bir çıkış katmanı. Giriş katmanı, verilerin MLP’ye beslendiği yerdir ve gizli katmanda bazı “işçiler” veriyle ilgilenir ve sonra onu dışarıdaki dünyaya veren çıkış katmanına geçirir. MLP’de bu işçiler “nöronlar” (bazen düğümler) olarak adlandırılır ve veriyle ilgilenirken onları bir dizi matematiksel fonksiyonla manipüle ederler.

Ağ içinde, düğme düğme bağlayan yapılar ” ağırlıklar” olarak adlandırılır. Ağırlıklar, verilerin ağ boyunca hareket ederken nasıl ilişkili olduklarına dair bir varsayımdır. Başka bir deyişle, ağırlıklar bir nöronun diğer bir nöron üzerindeki etkisinin seviyesini yansıtır. Ağırlıklar, mevcut düğmeden ayrıldıklarında bir “aktivasyon fonksiyonu” aracılığıyla geçer, bu da veriyi dönüştüren bir tür matematiksel fonksiyondur. Doğrusal verileri doğrusal olmayan temsilcilere dönüştürür, bu da ağın kompleks kalıpları analiz etmesini sağlar.

“Yapay sinir ağı” ifadesiyle ima edilen insan beynine benzeyen analoji, insan beynini oluşturan nöronların ANN’deki düğümlerle benzer bir şekilde bağlandığı gerçeğinden gelir.

Çok katmanlı perceptronlar 1940’lardan beri var olmasına rağmen, onları özellikle faydalı olmaktan alıkoyan bir dizi sınırlama vardı. Ancak, son birkaç on yıl içinde, ” geri yayılım” olarak adlandırılan bir teknik geliştirildi ve bu, ağların nöronların ağırlıklarını ayarlamasına ve böylece daha etkili bir şekilde öğrenmesine olanak sağladı. Geri yayılım, sinir ağındaki ağırlıkları değiştirir, bu da ağın verideki gerçek kalıpları daha iyi yakalamasını sağlar.

Derin Sinir Ağları

Derin sinir ağları, MLP’nin temel formunu alır ve modelin ortasına daha fazla gizli katman ekleyerek onu büyütür. Böylece, bir giriş katmanı, bir gizli katman ve bir çıkış katmanı yerine, ortada birçok gizli katman vardır ve bir gizli katmanın çıktısı bir sonraki gizli katmanın girişi olur ve veri tüm ağ boyunca geçip döndürülene kadar.

Derin sinir ağındaki çoklu gizli katmanlar, geleneksel çok katmanlı perceptrondan daha kompleks kalıpları yorumlayabilir. Derin sinir ağındaki farklı katmanlar verinin farklı kısımlarının kalıplarını öğrenir. Örneğin, girdi verisi resimler ise, ağın ilk kısmı piksellerin parlaklığını veya koyuluğunu yorumlayabilirken, daha sonraki katmanlar resimdeki nesneleri tanımak için kullanılan şekilleri ve kenarları çıkarabilir.

Farklı Türde Sinir Ağları

Çeşitli sinir ağı türleri vardır ve her sinir ağı türü kendi avantajlarına ve dezavantajlarına (ve bu nedenle kendi kullanım durumlarına) sahiptir. Yukarıda tanımlanan derin sinir ağı türü, en yaygın sinir ağı türüdür ve genellikle besleme ilerlemeli sinir ağı olarak adlandırılır.

Sinir ağlarının bir varyasyonu, Tekrarlı Sinir Ağı (RNN)’dir. Tekrarlı Sinir Ağlarında, önceki analiz durumlarından bilgiyi tutmak için döngüsel mekanizmalar kullanılır, bu da onları sıralı/ kronolojik veriden kalıpları çıkarabilmesini sağlar. RNN’ler, sıralı veriden kalıpları çıkarmak için yararlıdır. Tekrarlı Sinir Ağları, tek yönlü veya çift yönlü olabilir. Çift yönlü bir sinir ağı durumunda, ağ, dizinin daha sonraki kısımlarından da erken kısımlarından da bilgi alabilir. Çift yönlü RNN, daha fazla bilgiyi dikkate aldığından, veriden doğru kalıpları çıkarmada daha iyidir.

Bir Evrişimli Sinir Ağı (CNN), resimlerdeki kalıpları yorumlamak için uzmanlaşmış özel bir sinir ağı türüdür. Bir CNN, resmin pikselleri üzerinde bir filtre geçirmek suretiyle çalışır ve sonra resimdeki piksellerin bir sayısal temsilini elde eder, ki bu da kalıpları analiz edebilir. Bir CNN, resimden pikselleri çıkaran evrişimli katmanların önce geldiği ve sonra nesneleri tanımak için öğrenen yoğun olarak bağlı besleme ilerlemeli katmanların geldiği şekilde yapılandırılmıştır.