Nöral ağlar (sinir ağları), insan beyninin sinir yapısından etkilenen hesaplama modelleridir. Yapay sinir ağı, nöronlar olarak bilinen birbirine bağlı düğümlerden oluşur. Nöronlar, insan beyninin sinir ağı gibi gelen verileri alır ve zamanla kararlar vermeyi öğrenir. Kedi ve köpek gibi görsel verileri ağa sağladığınızda, desenleri tanımak ve bağlantılar kurmak için öğrenir. Ağlar daha fazla veriye maruz kaldıkça, daha etkili bir şekilde öğrenir.
Sinir ağları, bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanı dahil olmak üzere katmanlardan oluşur. Sinir ağları, veriyi girişten çıkışa işlemek için ileri yayılıma dayanır. Geri yayılım, ileri yayılım sırasında hesaplanan kayba dayanarak içsel parametreleri ayarlar.
Bir sinir ağı, bir giriş katmanı ve bir çıkış katmanı içerir. Ayrıca bir veya daha fazla gizli katmana sahip olabilir. Giriş katmanı veriyi alır. Örneğin, bir görüntü tanıma görevinde, giriş katmanı görüntünün piksel değerlerini alır. Gizli katmanlar veriyi işler. Her gizli katman, bir aktivasyon fonksiyonu uygulayarak giriş verisini dönüştürür. Aktivasyon fonksiyonları, ağın karmaşık desenleri öğrenmesine izin veren matematiksel fonksiyonlardır. Son olarak, bir sinir ağının çıkış katmanı, ağın işleme sonucunu üretir. Ağlar daha fazla gizli katman içerdiğinde, daha derin hale gelir, bu yüzden derin öğrenme terimi kullanılır.
Sinir ağları eğitim adı verilen bir süreçle öğrenir. Bu sürecin adımları şu şekildedir.
İlk olarak, ileri geçiş veya ileri yayılma adımının bir parçası olarak, veri sinir ağının katmanlarından geçer. Bu adımda ağ bir çıktı hesaplar. Bu çıktı, gerçek cevabı karşılaştırmak için kullanılarak hata veya kayıp adı verilen fark hesaplanır. Bu adım, ağın tahminlerinin gerçek sonuçlarla ne kadar iyi eşleştiğini gösterir. Ardından, geri yayılım adımında, bu hata ağı geriye gönderilerek ağırlıklar ve sapmalar gibi içsel parametreler ayarlanır. Bu ayarlama, gelecekteki tahminler için hatayı azaltmayı amaçlar. İleri geçiş, hata hesaplama ve geri yayılım adımları, farklı veri setleriyle birlikte sinir ağı sürekli olarak doğru tahminler yapana kadar tekrarlanır. Algılayıcı sinir ağları, ileri yayılma sinir ağları, derin ileri yayılma sinir ağları, modüler sinir ağları, konvolüsyonel sinir ağları ve tekrarlayan sinir ağları gibi çeşitli sinir ağı türleri vardır.
Algılayıcı sinir ağları, yalnızca giriş ve çıkış katmanlarından oluşan en basit yapay sinir ağı türüdür. İleri yayılma sinir ağında bilgi bir yönde, yani ileri doğru akar. Bir katmandaki her nöron, önceki katmandaki nöronlardan giriş alır ve çıktısını bir sonraki katmandaki nöronlara iletir.
Derin ileri yayılma sinir ağı, yalnızca bir gizli katmandan daha fazlasına sahip olan ileri yayılma ağına benzer. Modüler sinir ağı, iki veya daha fazla sinir ağını birleştirerek çıktıya ulaşır.
Konvolüsyonel sinir ağı veya CNN, görsel verileri analiz etmek için özellikle uygun olan bir sinir ağı türüdür. Konvolüsyonel terimi, bir fonksiyonun başka bir fonksiyona uygulandığı ve sonucun iki fonksiyonun karışımı olduğu matematiksel bir işlemi ifade eder. CNN’lerde bu işlem, önceki katmandaki çıktıya bir konvolüsyonel işlem uygulayan birden fazla katmanda gerçekleşir. Tekrarlayan sinir ağlarında, gizli katmandaki her nöron belirli bir zaman gecikmesiyle bir giriş alır. Bu, CNN’nin girişin bağlamını dikkate almasını sağlar. Bu tür bir sinir ağı, akış ve konuşmanın bağlamını ve akışını dikkate aldığı için bir cümledeki bir sonraki kelimeyi tahmin etmek gibi durumlarda kullanışlıdır.
Sinir ağları, bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanı dahil olmak üzere katmanlardan oluşur. Sinir ağları, veriyi girişten çıkışa işlemek için ileri yayılıma dayanır. Geri yayılım, ileri yayılım sırasında hesaplanan kayba dayanarak içsel parametreleri ayarlar.
