Sinir Ağları Nedir?

Sanatlı Sinir Ağları (ANN’ler) Nedir?

Birçok büyük AI ilerlemesi sanatlı sinir ağları tarafından yönlendirilir. Sanatlı Sinir Ağları (ANN’ler), insan beynindeki sinir ağlarından esinlenen bir formatta birleştirilen matematiksel fonksiyonların bağlantısıdır. Bu ANN’ler, veriden karmaşık kalıpları çıkarmaya, bu kalıpları görüntülemeyen verilere uygulamaya ve veriyi sınıflandırmaya/recognize etmeye yeteneklidir. Bu şekilde, makine “öğrenir”. Bu, sinir ağları hakkında hızlı bir bakış, ancak sinir ağlarını daha iyi anlamak için onlara daha yakından bakalım.

Çok Katmanlı Perceptron Açıklaması

Daha karmaşık sinir ağlarına bakmadan önce, bir ANN’in basit bir versiyonuna, Çok Katmanlı Perceptron (MLP)‘a bakalım.

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

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 veriyi dış dünyaya veren çıkış katmanına geçirir. MLP’de bu işçiler “nöronlar” (bazen düğümler) olarak adlandırılır ve veriyle ilgilenirken veriyi bir dizi matematiksel fonksiyon aracılığıyla manipüle ederler.

Ağ içinde, düğümden düğüme bağlanan yapılar “ağırlıklar” olarak adlandırılır. Ağırlıklar, verilerin ağ boyunca hareket ederken nasıl ilişkili olduklarına dair bir varsayımı temsil eder. Başka bir deyişle, ağırlıklar bir nöronun diğer bir nöron üzerindeki etkisinin seviyesini yansıtır. Ağırlıklar, mevcut düğmeden ayrıldıklarında bir “aktivasyon fonksiyonu” aracılığıyla geçer. Bu, veriyi dönüştüren bir tür matematiksel fonksiyondur. Doğrusal verileri doğrusal olmayan temsillemelere dönüştürür, bu da ağın karmaşık kalıpları analiz etmesine olanak tanır.

“Sanatlı sinir ağı” ifadesiyle insan beynine yapılan benzetme, insan beynindeki nöronların bir ANN’deki düğümlerle benzer bir şekilde bağlantılı olmasından kaynaklanır.

Çok katmanlı perceptronlar 1940’lardan beri var olmasına rağmen, onları özellikle faydalı olmaktan alıkoyan bir dizi sınırlama vardı. Ancak, son birkaç on yılda, “geri yayılım” olarak adlandırılan bir teknik geliştirildi ve bu, ağların nöronların ağırlıklarını ayarlamasına ve böylece daha etkili bir şekilde öğrenmesine olanak tanıdı. Geri yayılım, sinir ağındaki ağırlıkları değiştirir ve 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. Bu nedenle, sadece bir giriş katmanı, bir gizli katman ve bir çıkış katmanı yerine, ortada birçok gizli katman vardır ve bir gizli katmanın çıktısı bir sonraki gizli katmana girdi olarak kullanılır, bu da verinin ağ boyunca hareket etmesine ve son olarak geri dönmesine kadar devam eder.

Derin sinir ağlarının birden fazla gizli katmanı, geleneksel çok katmanlı perceptrondan daha karmaşık kalıpları yorumlayabilir. Derin sinir ağının farklı katmanları, verinin farklı kısımlarındaki kalıpları öğrenir. Örneğin, girdi verisi resimler ise, ağın ilk kısmı piksellerin parlaklığını veya koyuluğunu yorumlayabilirken, daha sonraki katmanlar resimdeki şekilleri ve kenarları tanıyarak nesneleri tanıyabilir.

Farklı Türlerde Sinir Ağları

Çeşitli sinir ağı türleri vardır ve her sinir ağı türü kendi avantajları ve dezavantajlarına (ve bu nedenle kendi kullanım alanlarına) sahiptir. Yukarıda tanımlanan derin sinir ağı türü, en yaygın sinir ağı türüdür ve genellikle ileri beslemeli sinir ağı olarak adlandırılır.

Sinir ağlarının bir varyasyonu, Döngüsel Sinir Ağı (RNN)’dir. Döngüsel Sinir Ağlarında, önceki analiz durumlarından bilgi tutmak için döngüsel mekanizmalar kullanılır, bu da sıralı/ kronolojik verilerin yorumlanmasını sağlar. RNN’ler, sıralı verilerden kalıpları çıkarmada faydalıdır. Döngüsel 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 bilgi aldığı için veriden doğru kalıpları çıkarmada daha iyidir.

Evrişimli Sinir Ağı (CNN), resimlerdeki kalıpları yorumlamada uzmanlaşmış özel bir sinir ağı türüdür. Bir CNN, resmin pikselleri üzerinde bir filtre geçirerek resimdeki piksellerin sayısal bir temsilini elde eder ve sonra bu temsili kalıplar için analiz eder. Bir CNN, önce resimden pikselleri çıkaran evrişimli katmanlarla yapılandırılır, daha sonra nesneleri tanıyacak olan yoğun olarak bağlantılı ileri beslemeli katmanlar gelir.