{"id":3936,"date":"2023-08-20T17:41:34","date_gmt":"2023-08-20T17:41:34","guid":{"rendered":"https:\/\/bulutistan.com\/blog\/?p=3936"},"modified":"2024-01-20T10:27:05","modified_gmt":"2024-01-20T10:27:05","slug":"sinir-aglari-nedir-sinir-aglari-nasil-calisir","status":"publish","type":"post","link":"https:\/\/bulutistan.com\/blog\/sinir-aglari-nedir-sinir-aglari-nasil-calisir\/","title":{"rendered":"Sinir A\u011flar\u0131 Nedir? Sinir A\u011flar\u0131 Nas\u0131l \u00c7al\u0131\u015f\u0131r?"},"content":{"rendered":"

Bir sinir a\u011f\u0131n\u0131n yap\u0131s\u0131, makine \u00f6\u011freniminin bir alt alan\u0131 olan derin \u00f6\u011frenme olarak bilinen bir e\u011fitim s\u00fcreci arac\u0131l\u0131\u011f\u0131yla \u00e7al\u0131\u015f\u0131r. Bu, n\u00f6ro-dilbilimsel programlamaya uygulanan yapay zeka (AI) teknolojisidir.\u00a0<\/span><\/p>\n

Sinir A\u011flar\u0131 Nedir?<\/h2>\n

Temel olarak bir sinir a\u011f\u0131, insan beyninin bilgiyi i\u015flerken nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131n modellenmesidir. E\u011fitim yoluyla, veriler aras\u0131ndaki ili\u015fkileri ve \u00f6r\u00fcnt\u00fcleri modellemeyi, karma\u015f\u0131k sorunlara \u00e7\u00f6z\u00fcm sa\u011flamay\u0131 ve do\u011fal dil i\u015flemeyi sim\u00fcle etmeyi \u00f6\u011frenen ve s\u00fcrekli olarak geli\u015ftiren uyarlanabilir bir sistemdir.<\/span><\/p>\n

Bu a\u011f, birbirine ba\u011fl\u0131 ve katmanlar halinde organize edilmi\u015f n\u00f6ronlar veya d\u00fc\u011f\u00fcmler i\u00e7erir. Giri\u015f verilerini alan bir giri\u015f katman\u0131; verileri yayan bir veya daha fazla gizli katman ve analizin veya NLP’nin sonucunu g\u00f6nderen bir \u00e7\u0131k\u0131\u015f katman\u0131 vard\u0131r.<\/span><\/p>\n

Bulutistan hizmetlerinin detaylar\u0131na ula\u015fmak i\u00e7in <\/span>t\u0131klay\u0131n\u0131z<\/span><\/a>.<\/span><\/p>\n

Yapay Zeka vs Sinir A\u011flar\u0131<\/h2>\n

\"\"<\/p>\n

Yapay zeka, YSA’lar da dahil olmak \u00fczere bir dizi ak\u0131ll\u0131 teknolojiyi kapsayan \u015femsiye bir terimdir. Sinir a\u011flar\u0131 ise derin \u00f6\u011frenmeye zemin haz\u0131rlayan ve b\u00fcy\u00fck miktarda veriyi i\u015fleyebilen makine \u00f6\u011freniminin bir alt alan\u0131d\u0131r. Derin \u00f6\u011frenme ve sinir a\u011flar\u0131 genellikle birbirlerinin yerine kullan\u0131l\u0131r.<\/span><\/p>\n

Makine \u00f6\u011frenimine gelince, hem YSA hem de makine \u00f6\u011frenimi modelleri \u00e7\u0131kt\u0131y\u0131 tahmin edebilir veya s\u0131n\u0131fland\u0131rabilir. Tek fark, bir makine \u00f6\u011frenimi modelinin e\u011fitim verilerine dayal\u0131 kararlar almas\u0131d\u0131r. Bu nedenle, hem denetimli hem de denetimsiz makine \u00f6\u011frenimi modelleri insan denetimi gerektirir. Bir sinir a\u011f\u0131, ilk a\u015famalarda daha az insan m\u00fcdahalesi gerektirir ve manuel \u00e7aba gerektirmeden do\u011fru kararlar \u00fcretebilir.<\/span><\/p>\n

Teknik a\u00e7\u0131dan bak\u0131ld\u0131\u011f\u0131nda, makine \u00f6\u011frenimi modelleri tek bir veri giri\u015f katman\u0131ndan beslenir. Sinir a\u011f\u0131 modelleri ise tam tersine birden fazla katmandan olu\u015fur.<\/span><\/p>\n

Genel olarak, yapay zeka, makine \u00f6\u011frenimi ve sinir a\u011flar\u0131, her biri di\u011feri i\u00e7in bir temel sa\u011flayan tamamlay\u0131c\u0131 teknolojilerdir. Bu nedenle, makine \u00f6\u011frenimi fikirleri genellikle y\u00fcz tan\u0131ma ve nesne alg\u0131lama gibi derin \u00f6\u011frenme fikirleriyle \u00f6rt\u00fc\u015f\u00fcr.<\/span><\/p>\n

Sinir A\u011flar\u0131 Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n

\"\"<\/p>\n

Bir sinir a\u011f\u0131 insan beynini taklit etmek i\u00e7in giri\u015f katman\u0131nda ald\u0131\u011f\u0131 de\u011ferleri veya verileri inceler, bir sonucu tahmin eder ve yayar. Giri\u015f katman\u0131 verileri ikinci katmana g\u00f6nderir ve bu katmanda verileri birbirini izleyen gizli katmanlara iletir.\u00a0<\/span><\/p>\n

\u0130kinci katmanda, n\u00f6ron veya d\u00fc\u011f\u00fcmler y\u00fcksek alaka d\u00fczeyine sahip kal\u0131plar\u0131 tespit edip filtreler ve verileri birle\u015ftirir. Her bir girdi de\u011ferine, girdi a\u011f\u0131rl\u0131\u011f\u0131n\u0131 de\u011fi\u015ftiren bir a\u011f\u0131rl\u0131k atan\u0131r. Ortaya \u00e7\u0131kan bu de\u011ferler toplan\u0131r ve bir lojistik ya da sigmoid fonksiyon ile tan\u0131mlan\u0131r.<\/span><\/p>\n

Sonraki gizli katmanlarda, bir \u00f6nceki katman\u0131n \u00e7\u0131kt\u0131s\u0131 analiz edilir ve bir sonraki katmana aktar\u0131lmak \u00fczere i\u015flenir. Daha sonra \u00e7\u0131kt\u0131 katman\u0131nda, sonuca ula\u015fmak ve sonucu yaymak i\u00e7in de\u011ferler yeniden birle\u015ftirilir.\u00a0<\/span><\/p>\n

Bu sistem, her bir parametre setinde, belirli bir sonucu tahmin etmek i\u00e7in bunlar\u0131 birle\u015ftirmenin bir yolu oldu\u011fu \u00f6nc\u00fcl\u00fcne dayan\u0131r. Belirli bir sorun i\u00e7in m\u00fcmk\u00fcn olan en iyi parametre kombinasyonunu elde etmekten ve bunu uygulamaktan, yani tahmini yapmaktan ve bir \u00e7\u0131kt\u0131 sa\u011flamaktan sorumlu olan sinir a\u011f\u0131d\u0131r.<\/span><\/p>\n

Sinir A\u011f\u0131 T\u00fcrleri<\/h2>\n

Yapay zekada sinir a\u011flar\u0131 uygulamalar\u0131 t\u00fcrlerine g\u00f6re farkl\u0131l\u0131k g\u00f6sterir. Verilerin giri\u015f d\u00fc\u011f\u00fcmlerinden \u00e7\u0131k\u0131\u015f d\u00fc\u011f\u00fcmlerine nas\u0131l akt\u0131\u011f\u0131na veya iletildi\u011fine ba\u011fl\u0131 olarak, a\u015fa\u011f\u0131daki sinir a\u011f\u0131 t\u00fcrleri mevcuttur:<\/span><\/p>\n

1. Yapay a\u011flar (ANN’ler)<\/h3>\n

Yapay sinir a\u011flar\u0131, yapay zeka devriminde en s\u0131k at\u0131fta bulunulan teknoloji t\u00fcr\u00fcd\u00fcr. Bu a\u011f yap\u0131s\u0131nda veriler giri\u015f d\u00fc\u011f\u00fcm\u00fcnden \u00e7\u0131k\u0131\u015f d\u00fc\u011f\u00fcm\u00fcne do\u011fru tek bir y\u00f6nde i\u015flenir. Bu, YSA’lar\u0131n girdileri yaln\u0131zca ileri y\u00f6nde i\u015fledi\u011fi anlam\u0131na gelir. Yapay a\u011flar, derin \u00f6\u011frenme modellerinin ilk ve en basit bi\u00e7imleridir.<\/span><\/p>\n

Bu a\u011f t\u00fcr\u00fc temel olarak zaman \u00f6zelliklerine ba\u011fl\u0131 olmayan ve denetimli bir \u00f6\u011frenme t\u00fcr\u00fcne ait olan s\u0131ral\u0131 olmayan veriler i\u00e7in kullan\u0131l\u0131r. Bu nedenle, YSA’lar \u00f6r\u00fcnt\u00fc e\u015fleme, ili\u015fkilendirme ve \u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma i\u00e7in harika \u00e7al\u0131\u015f\u0131r. Girdiye gelince, bu g\u00f6r\u00fcnt\u00fc verileri, metin verileri ve tablo verileri olabilir.<\/span><\/p>\n

2. Tekrarlayan a\u011flar (RNN’ler)<\/h3>\n

Tekrarlama kavram\u0131, s\u0131ral\u0131 veya zaman serisi verilerine oturur. \u0130kincisi, \u00f6\u011frenme ve tahmin i\u00e7in bu girdiyi kullanamayan standart ileri beslemeli a\u011flar i\u00e7in temel bir zorluktur. Geleneksel a\u011flarda sistem, diziler olmadan daha kaotik bir yakla\u015f\u0131m uygular.<\/span><\/p>\n

Ancak tekrarlayan bir sistem, verilerin s\u0131ral\u0131 \u00f6zelliklerini tan\u0131mlamak ve gelecekteki senaryoyu tahmin etmek i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r. Bu yetenek, RNN’nin \u00f6nceki de\u011fer hakk\u0131nda bilgi depolayan haf\u0131zas\u0131 sayesinde m\u00fcmk\u00fcnd\u00fcr. \u0130kincisi, s\u0131rayla bir sonrakini tan\u0131mlar.<\/span><\/p>\n

RNN’ler genellikle konu\u015fma tan\u0131ma ve do\u011fal dil i\u015fleme i\u00e7in kullan\u0131l\u0131r.<\/span><\/p>\n

Metinlerle \u00e7al\u0131\u015f\u0131rken, RNN’ler dilbilgisel ve anlamsal yap\u0131lar\u0131n\u0131 de\u011ferlendirebilir ve sonu\u00e7lara dayanarak benzer bir anlat\u0131 olu\u015fturabilir.<\/span><\/p>\n

3. Konvol\u00fcsyon sinir a\u011flar\u0131 (CNN)<\/h3>\n

Konvol\u00fcsyonel sinir a\u011f\u0131 (CNN veya ConvNet olarak da bilinir) derin \u00f6\u011frenmede en pop\u00fcler algoritmalardan biridir. Bu, bir modelin do\u011frudan bir g\u00f6r\u00fcnt\u00fc, video, metin veya ses \u00fczerinde s\u0131n\u0131fland\u0131rma g\u00f6revlerini yerine getirmeyi \u00f6\u011frendi\u011fi bir makine \u00f6\u011frenimi t\u00fcr\u00fcd\u00fcr.<\/span><\/p>\n

Bu yapay zeka sinir a\u011f\u0131 \u00f6rne\u011fi tekrarlayan a\u011flarla neredeyse ayn\u0131 g\u00f6r\u00fcnse de, arada b\u00fcy\u00fck bir fark vard\u0131r. CNN’ler zamansal bilgileri i\u015fleyemezken, tekrarlayan a\u011flar s\u0131ral\u0131 bilgileri etkili bir \u015fekilde yorumlayabilir. Bununla birlikte, CNN’ler iki boyutlu bir g\u00f6r\u00fcnt\u00fcn\u00fcn dahili bir temsilini sa\u011flayabildikleri i\u00e7in en pop\u00fcler modellerden biridir. Bu yetenek, konum ve \u00f6l\u00e7ek \u00f6zelliklerini i\u00e7eren g\u00f6r\u00fcnt\u00fc analizi i\u00e7in \u00f6zellikle iyidir.<\/span><\/p>\n

Bu nedenle, konvol\u00fcsyonel a\u011flar g\u00f6r\u00fcnt\u00fc verileriyle yap\u0131lan her t\u00fcrl\u00fc tahmin g\u00f6revi i\u00e7in end\u00fcstri standard\u0131d\u0131r. YSA’lar\u0131n aksine y\u00fcksek bir do\u011fruluk oran\u0131 elde etmek i\u00e7in \u00e7ok daha fazla girdi verisine ihtiya\u00e7 duyar.<\/span><\/p>\n

4. \u00dcretken d\u00fc\u015fman a\u011f\u0131 (GAN)<\/h3>\n

GAN’lar, \u00f6zellikle denetimsiz \u00f6\u011frenme i\u00e7in tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc bir a\u011f\u00a0<\/span><\/p>\n

t\u00fcr\u00fcd\u00fcr. Bunlar, orijinal veri k\u00fcmesine dayal\u0131 olarak yeni \u00f6rnekler \u00fcretmek veya \u00e7\u0131kt\u0131 almak i\u00e7in giri\u015f verilerindeki kal\u0131plar\u0131 otomatik olarak tan\u0131mlayabilir ve alabilir.<\/span><\/p>\n

Herhangi bir veri d\u00fczenlili\u011fini taklit edebildikleri i\u00e7in GAN’lar\u0131n potansiyeli \u00e7ok b\u00fcy\u00fckt\u00fcr. B\u00f6ylece, \u00fcretken a\u011flar g\u00f6r\u00fcnt\u00fc, m\u00fczik, konu\u015fma veya d\u00fczyaz\u0131 gibi ger\u00e7ek d\u00fcnya yarat\u0131mlar\u0131na \u00fcrk\u00fct\u00fcc\u00fc derecede benzeyen yap\u0131lar \u00fcretebilir. Bir anlamda, \u00fcretken d\u00fc\u015fman a\u011flar, sa\u011fl\u0131k hizmetlerinde risk ve iyile\u015fmeyi tahmin etmek i\u00e7in de kullan\u0131labilir.<\/span><\/p>\n

Bir Sinir A\u011f\u0131 Nas\u0131l E\u011fitilir?<\/h2>\n

Bir sinir a\u011f\u0131, probleme en uygun yan\u0131t\u0131 sunmak i\u00e7in yap\u0131s\u0131ndaki her d\u00fc\u011f\u00fcmde giri\u015f de\u011feri a\u011f\u0131rl\u0131klar\u0131n\u0131n ayarlanmas\u0131yla e\u011fitilir. Yani, bir sinir a\u011f\u0131 bir \u00f6\u011frenme s\u00fcreci kullan\u0131larak e\u011fitilir.<\/span><\/p>\n

Sinir a\u011f\u0131 \u00f6\u011frenme t\u00fcrleri<\/b><\/p>\n

E\u011fitim s\u0131ras\u0131nda sinir a\u011f\u0131 farkl\u0131 \u00f6\u011frenme y\u00f6ntemleri kullanabilir:<\/span><\/p>\n