Yapay Zekanın (AI) başlangıçta uzak bir rüya, gelecek için bir teknoloji olduğu düşünülüyordu, ancak artık durum böyle değil.
Bir zamanlar araştırma konusu olan şey şimdi gerçek dünyada patlıyor. AI artık iş yeriniz, okulunuz, bankacılığınız, hastaneleriniz ve hatta telefonunuz dahil olmak üzere çeşitli yerlerde bulunuyor.
Kendi kendine giden araçların gözleri, Siri'nin ve Alexa'nın sesleri, hava tahmininin arkasındaki akıllar, robotik destekli cerrahinin arkasındaki eller ve daha fazlası.
Yapay zeka (AI) modern yaşamın yaygın bir özelliği haline geliyor. Son birkaç yılda AI, çok çeşitli BT teknolojilerinde önemli bir oyuncu olarak ortaya çıktı.
Son olarak, yapay sinir ağı yeni şeyler öğrenmek için AI tarafından kullanılır.
Bu yüzden bugün Sinir Ağları, nasıl çalıştığı, türleri, uygulamaları ve çok daha fazlasını öğreneceğiz.
Sinir Ağı Nedir?
In makine öğrenme, bir sinir ağı, yazılımla programlanmış bir yapay nöron ağıdır. Beynimizdeki nöronlara benzeyen çok sayıda “nöron” katmanına sahip olarak insan beynini taklit etmeye çalışır.
İlk nöron katmanı fotoğraf, video, ses, metin ve diğer girdileri kabul edecektir. Bu veriler, bir katmanın çıktısı diğerine akarken, tüm düzeylerden akar. Bu, makine öğrenimi için doğal dil işleme gibi en zor görevler için kritik öneme sahiptir.
Bununla birlikte, diğer durumlarda, doğruluk ve verimliliği korurken model boyutunu küçültmek için sistem sıkıştırmasının hedeflenmesi tercih edilir. Bir sinir ağını budama, öğrenilen bir modelden ağırlıkların çıkarılmasını içeren bir sıkıştırma yöntemidir. İnsanları hayvanlardan ayırt etmek için eğitilmiş bir yapay zeka sinir ağını düşünün.
Resim, ilk nöron katmanı tarafından parlak ve karanlık bölümlere ayrılacaktır. Bu veriler, kenarların nerede olduğunu belirleyecek olan bir sonraki katmana iletilecektir.
Bir sonraki katman, kenarların kombinasyonunun oluşturduğu formları tanımaya çalışacaktır. Eğitildiği verilere göre, sunduğunuz görüntünün bir insan mı yoksa bir hayvan mı olduğunu belirlemek için veriler benzer şekilde sayısız katmandan geçecektir.
Veri bir sinir ağına verildiğinde, onu işlemeye başlar. Daha sonra, istenen sonucu elde etmek için veriler seviyeleri aracılığıyla işlenir. Bir sinir ağı, yapılandırılmış girdiden öğrenen ve sonuçları görüntüleyen bir makinedir. Sinir ağlarında gerçekleşebilecek üç tür öğrenme vardır:
- Denetimli Öğrenme – Girdiler ve çıktılar, etiketli veriler kullanılarak algoritmalara verilir. Verilerin nasıl analiz edileceği öğretildikten sonra, amaçlanan sonucu tahmin ederler.
- Denetimsiz Öğrenme – Bir YSA, bir insanın yardımı olmadan öğrenir. Etiketlenmiş veri yoktur ve çıktıya, çıktı verilerinde bulunan kalıplar tarafından karar verilir.
- Takviye Öğrenme bir ağın aldığı geri bildirimden öğrendiği zamandır.
Sinir ağları nasıl çalışır?
Yapay nöronlar, karmaşık sistemler olan sinir ağlarında kullanılmaktadır. Algılayıcılar olarak da bilinen yapay nöronlar aşağıdaki bileşenlerden oluşur:
- Giriş
- Ağırlık
- Önyargı
- Aktivasyon Fonksiyonu
- Çıktı
Sinir ağlarını oluşturan nöronların katmanları. Bir sinir ağı üç katmandan oluşur:
- Giriş katmanı
- Gizli katman
- Çıktı katmanı
Sayısal bir değer biçimindeki veriler giriş katmanına gönderilir. Ağın gizli katmanları, en fazla hesaplamayı yapanlardır. Çıktı katmanı, son fakat en az değil, sonucu tahmin eder. Nöronlar bir sinir ağında birbirlerine hükmederler. Her katmanı oluşturmak için nöronlar kullanılır. Veriler, girdi katmanı onu aldıktan sonra gizli katmana yönlendirilir.
Her girişe ağırlıklar uygulanır. Bir sinir ağının gizli katmanları içinde ağırlık, gelen verileri çeviren bir değerdir. Ağırlıklar, girdi verilerini girdi katmanındaki ağırlık değeriyle çarparak çalışır.
Daha sonra ilk gizli katmanın değerini başlatır. Girilen veriler dönüştürülür ve gizli katmanlar aracılığıyla diğer katmana iletilir. Çıktı katmanı, nihai sonucun üretilmesinden sorumludur. Girdiler ve ağırlıklar çarpılır ve sonuç toplam olarak gizli katman nöronlarına iletilir. Her nörona bir önyargı verilir. Toplamı hesaplamak için her nöron aldığı girdileri ekler.
Bundan sonra değer aktivasyon fonksiyonundan geçer. Aktivasyon fonksiyonunun sonucu, bir nöronun aktif olup olmadığını belirler. Bir nöron aktif olduğunda diğer katmanlara bilgi gönderir. Bu yöntem kullanılarak nöron çıkış katmanına ulaşana kadar veriler ağda oluşturulur. İleri yayılma bunun için başka bir terimdir.
Bir girdi düğümüne veri besleme ve bir çıktı düğümü aracılığıyla çıktı elde etme tekniği, ileri beslemeli yayılım olarak bilinir. Girdi verileri gizli katman tarafından kabul edildiğinde, ileri beslemeli yayılım gerçekleşir. Aktivasyon fonksiyonuna göre işlenir ve daha sonra çıkışa iletilir.
Sonuç, çıktı katmanındaki nöron tarafından en yüksek olasılıkla yansıtılır. Geri yayılım, çıktı yanlış olduğunda meydana gelir. Bir sinir ağı oluşturulurken her girişe ağırlıklar başlatılır. Geri yayılım, hataları azaltmak ve daha doğru bir çıktı sağlamak için her bir girdinin ağırlıklarının yeniden ayarlanması işlemidir.
Sinir Ağı Türleri
1. Algılayıcı
Minsky-Papert algılayıcı modeli, en basit ve en eski nöron modellerinden biridir. Gelen verilerdeki özellikleri veya iş zekasını keşfetmek için belirli hesaplamalar yapan bir sinir ağının en küçük birimidir. Ağırlıklı girdiler alır ve nihai sonucu elde etmek için aktivasyon fonksiyonunu uygular. TLU (eşik mantık birimi), perceptron için başka bir isimdir.
Perceptron, verileri iki gruba ayıran denetimli bir öğrenme sistemi olan ikili bir sınıflandırıcıdır. Mantık kapıları AND, OR ve NAND gibi algılayıcılarla uygulanabilir.
2. İleri Beslemeli Sinir Ağı
Girdi verilerinin yalnızca bir yönde aktığı sinir ağlarının en temel versiyonu, yapay sinir düğümlerinden geçer ve çıkış düğümlerinden çıkar. Girdi ve çıktı katmanları, gizli katmanların bulunabileceği veya bulunmayacağı yerlerde bulunur. Buna dayalı olarak tek katmanlı veya çok katmanlı ileri beslemeli sinir ağı olarak karakterize edilebilirler.
Kullanılan katman sayısı, işlevin karmaşıklığına göre belirlenir. Sadece bir yönde ileriye doğru yayılır ve geriye doğru yayılmaz. Burada ağırlıklar sabit kalır. Bir etkinleştirme işlevini beslemek için girdiler ağırlıklarla çarpılır. Bunu yapmak için bir sınıflandırma aktivasyon fonksiyonu veya bir adım aktivasyon fonksiyonu kullanılır.
3. Çok katmanlı algılayıcı
Sofistike bir giriş sinir ağları, giriş verilerinin birçok yapay nöron katmanı aracılığıyla yönlendirildiği. Her düğüm bir sonraki katmandaki tüm nöronlara bağlı olduğundan tamamen bağlantılı bir sinir ağıdır. Giriş ve çıkış katmanlarında birden fazla gizli katman, yani en az üç veya daha fazla katman bulunur.
Çift yönlü yayılıma sahiptir, yani hem ileri hem de geri yayılabilir. Girdiler ağırlıklarla çarpılır ve kaybı en aza indirmek için geri yayılım yoluyla değiştirildiği aktivasyon fonksiyonuna gönderilir.
Ağırlıklar, basitçe söylemek gerekirse, Sinir Ağlarından makine tarafından öğrenilen değerlerdir. Beklenen çıktılar ve eğitim girdileri arasındaki eşitsizliğe bağlı olarak, kendi kendilerini ayarlarlar. Softmax, doğrusal olmayan etkinleştirme işlevlerinden sonra bir çıkış katmanı etkinleştirme işlevi olarak kullanılır.
4. Evrişimli Sinir Ağı
Geleneksel iki boyutlu dizinin aksine, bir evrişim sinir ağı, nöronların üç boyutlu konfigürasyonuna sahiptir. İlk katman, evrişim katmanı olarak bilinir. Evrişim katmanındaki her nöron, yalnızca görsel alanın sınırlı bir bölümünden gelen bilgileri işler. Bir filtre gibi, girdi özellikleri toplu modda alınır.
Ağ, resimleri bölümler halinde anlar ve tüm görüntü işlemeyi bitirmek için bu eylemleri birçok kez gerçekleştirebilir.
Resim işleme sırasında RGB veya HSI'dan gri tonlamaya dönüştürülür. Piksel değerindeki daha fazla varyasyon, kenarların algılanmasına yardımcı olacaktır ve resimler birkaç gruba ayrılabilir. Tek yönlü yayılım, bir CNN bir veya daha fazla evrişim katmanı içerdiğinde, ardından havuzlama yapıldığında meydana gelir ve çift yönlü yayılım, evrişim katmanının çıktısı, görüntü sınıflandırması için tamamen bağlı bir sinir ağına gönderildiğinde meydana gelir.
Bir görüntünün belirli öğelerini çıkarmak için filtreler kullanılır. MLP'de girdiler ağırlıklandırılır ve aktivasyon fonksiyonuna verilir. RELU, evrişimde kullanılırken, MLP, softmax tarafından takip edilen doğrusal olmayan bir etkinleştirme işlevi kullanır. Resim ve video tanıma, anlamsal ayrıştırma ve açıklama algılamada, evrişimli sinir ağları mükemmel sonuçlar verir.
5. Radyal Önyargı Ağı
Bir girdi vektörünü, bir Radyal Temel Fonksiyon Ağında bir RBF nöronları katmanı ve her kategori için bir düğüm içeren bir çıktı katmanı izler. Girdi, her nöronun bir prototipi koruduğu eğitim setindeki veri noktalarıyla karşılaştırılarak sınıflandırılır. Bu, eğitim setinin örneklerinden biridir.
Her nöron, yeni bir girdi vektörünün [kategorize etmeye çalıştığınız n-boyutlu vektör] sınıflandırılması gerektiğinde, girdi ile prototipi arasındaki Öklid mesafesini hesaplar. A Sınıfı ve B Sınıfı olmak üzere iki sınıfımız varsa, kategorize edilecek yeni girdi, B sınıfı prototiplerden çok A sınıfı prototiplere benzer.
Sonuç olarak, A sınıfı olarak etiketlenebilir veya kategorize edilebilir.
6. Tekrarlayan Sinir Ağı
Tekrarlayan Sinir Ağları, bir katmanın çıktısını kaydetmek ve ardından katmanın sonucunu tahmin etmeye yardımcı olmak için girdiye geri beslemek için tasarlanmıştır. Bir ileri besleme sinir ağı genellikle ilk katmandır, bunu bir bellek fonksiyonunun önceki zaman adımında sahip olduğu bilgilerin bir kısmını hatırladığı tekrarlayan bir sinir ağı katmanı izler.
Bu senaryo ileri yayılımı kullanır. Gelecekte ihtiyaç duyulacak verileri kaydeder. Tahminin yanlış olması durumunda, küçük düzeltmeler yapmak için öğrenme oranı kullanılır. Sonuç olarak, geri yayılım ilerledikçe, giderek daha doğru hale gelecektir.
Uygulamalar
Sinir ağları, çeşitli disiplinlerdeki veri problemlerini ele almak için kullanılır; bazı örnekler aşağıda gösterilmiştir.
- Yüz Tanıma – Yüz Tanıma Çözümleri, etkili gözetim sistemleri olarak hizmet eder. Tanıma sistemleri, dijital fotoğrafları insan yüzleriyle ilişkilendirir. Ofislerde seçici giriş için kullanılırlar. Böylece, sistemler bir insan yüzünü doğrular ve onu veri tabanında saklanan bir kimlik listesiyle karşılaştırır.
- Hisse Tahmini – Yatırımlar piyasa risklerine maruz kalır. Son derece değişken borsada gelecekteki gelişmeleri öngörmek pratik olarak zordur. Sinir ağlarından önce, sürekli değişen yükseliş ve düşüş aşamaları tahmin edilemezdi. Ancak, her şeyi ne değiştirdi? Tabii ki sinir ağlarından bahsediyoruz… Gerçek zamanlı olarak başarılı bir stok tahmini oluşturmak için bir Çok Katmanlı Perceptron MLP (bir tür ileri beslemeli yapay zeka sistemi) kullanılıyor.
- Sosyal medya – Kulağa ne kadar klişe gelse de, sosyal medya sıradan varoluş yolunu değiştirdi. Sosyal medya kullanıcılarının davranışları Yapay Sinir Ağları kullanılarak incelenir. Rekabet analizi için, sanal etkileşimler yoluyla günlük olarak sağlanan veriler yığılır ve incelenir. Sosyal medya kullanıcılarının eylemleri sinir ağları tarafından kopyalanır. Veriler sosyal medya ağları aracılığıyla analiz edildiğinde, bireylerin davranışları insanların harcama kalıplarına bağlanabilir. Sosyal medya uygulamalarından elde edilen veriler, Çok Katmanlı Algılayıcı YSA kullanılarak çıkarılır.
- Sağlık – Günümüz dünyasındaki bireyler, sağlık sektöründe teknolojinin faydalarından yararlanmaktadır. Sağlık sektöründe, X-ışını algılama, BT taramaları ve ultrason için Evrişimli Sinir Ağları kullanılır. Görüntü işlemede CNN kullanıldığı için, yukarıda bahsedilen testlerden elde edilen tıbbi görüntüleme verileri, sinir ağı modelleri kullanılarak değerlendirilmekte ve değerlendirilmektedir. Ses tanıma sistemlerinin geliştirilmesinde yinelenen sinir ağı (RNN) da kullanılmaktadır.
- Hava Durumu Raporu – Yapay zekanın uygulanmasından önce, meteoroloji departmanının tahminleri hiçbir zaman kesin değildi. Hava tahmini, büyük ölçüde gelecekte meydana gelecek hava koşullarını tahmin etmek için yapılır. Modern dönemde doğal afetlerin olasılığını tahmin etmek için hava tahminleri kullanılmaktadır. Hava tahmini, çok katmanlı algılayıcı (MLP), evrişimli sinir ağları (CNN) ve tekrarlayan sinir ağları (RNN) kullanılarak yapılır.
- Savunma – Lojistik, silahlı saldırı analizi ve eşya konumu, tümü sinir ağlarını kullanır. Ayrıca hava ve deniz devriyelerinde ve otonom dronları yönetmek için de kullanılıyorlar. Yapay zeka, savunma endüstrisine teknolojisini büyütmek için ihtiyaç duyduğu desteği sağlıyor. Sualtı mayınlarının varlığını tespit etmek için Evrişimli Sinir Ağları (CNN) kullanılır.
Avantajlar
- Bir sinir ağındaki birkaç nöron düzgün çalışmıyor olsa bile, sinir ağları yine de çıktılar üretecektir.
- Sinir ağları, gerçek zamanlı olarak öğrenme ve değişen ayarlarına uyum sağlama yeteneğine sahiptir.
- Sinir ağları çeşitli görevleri yapmayı öğrenebilir. Sağlanan verilere dayanarak doğru sonucu sağlamak.
- Yapay sinir ağları, aynı anda birkaç görevi yerine getirebilecek güce ve yeteneğe sahiptir.
Dezavantajlar
- Problemleri çözmek için yapay sinir ağları kullanılır. Ağların karmaşıklığı nedeniyle yaptığı yargıları “neden ve nasıl” yaptığının arkasındaki açıklamayı açıklamaz. Sonuç olarak, ağ güveni aşınabilir.
- Bir sinir ağının bileşenleri birbirine bağlıdır. Diğer bir deyişle, sinir ağları yeterli bilgi işlem gücüne sahip bilgisayarları talep eder (veya son derece bağımlıdır).
- Bir sinir ağı sürecinin belirli bir kuralı (veya temel kuralı) yoktur. Bir deneme yanılma tekniğinde, optimal ağ denenerek doğru bir ağ yapısı kurulur. Çok fazla ince ayar gerektiren bir işlemdir.
Sonuç
Alanı nöral ağlar hızla genişlemektedir. Bu sektördeki kavramların öğrenilmesi ve kavranması bunlarla başa çıkabilmek için kritik öneme sahiptir.
Bu makalede birçok sinir ağı türü ele alınmıştır. Bu disiplin hakkında daha fazla bilgi edinirseniz, diğer alanlardaki veri problemlerini çözmek için sinir ağlarını kullanabilirsiniz.
Yorum bırak