SİNİR AĞLARI

tarafından
149
SİNİR AĞLARI

Sinir ağı, insan beyninde bulunan nöronların işlenmesinden sonra oluşan desenli bir donanım ve/veya yazılım sistemidir. Derin öğrenme terimi ise sinir ağlarını eğitmek anlamına gelmektedir. Bu sinir ağları bazen çok büyük olabilir. Yapay sinir ağları olarak da adlandırılan sinir ağları aynı zamanda çeşitli derin öğrenme teknolojilerini kapsamaktadır. Bu teknolojilerin ticari uygulamaları genellikle desen tanıma veya karmaşık sinyal işleme sorunlarını çözmeye yöneliktir. 2000 yılından bu yana ticari uygulamalara örnek olarak, konuşma-metin transkripsiyonu, kontrol işlemleri, yüz tanıma, hava durumu tahmini ve kontrol işleme için el yazısı tanıma dahildir.

Bir sinir ağı, genellikle paralel olarak çalışan ve katmanlarda düzenlenen çok sayıda işlemciden oluşmaktadır. İlk katman ham giriş bilgilerini alır. Her ardışık katman çıktıyı, ham girdiden değil de kendinden bir önceki katmandan alır. Son katman ise çıkış değerlerini üretir.

Her işlem düğümünün gördüğü ve kendisi için programladığı veya geliştirdiği kurallar da dahil  olmak üzere kendi küçük bilgi alanına sahiptir. Katmanlar birbirleriyle bağlıdır. Bu demek oluyor ki n. katmandaki her düğüm n-1. ve bu düğümler için girdi sağlayan n+1. katmana bağlanır. Çıkış katmanında ise üretilen cevabın okunabileceği bir veya birden fazla düğüm olabilir.

Sinir ağları, öğrendiklerinde kendilerini değiştirirler ve sonraki çalışmaları daha fazla bilgi sağlar. Sinir ağlarındaki en temel öğrenme modeli giriş düğümlerinin ağırlıklandırılması ve her bir düğümün her birinin girdilerinin önemini nasıl karşıladığını üzerinde yoğunlaşmaktadır. Bu girdilerden doğru cevap almaya katkıda bulunanların oranı çok daha fazladır.

Sıradan bir sinir ağı, başlangıçta eğitilir ya da büyük miktarda veri ile doyurulur. Burada eğitimden kasıt, girdinin sağlanması ve çıktının ne olması gerektiğinin belirlenmesidir. Örneğin bir futbol takımı kadrosundaki yüzleri tanımlama yaparken, başlangıç eğitimi, oyuncuların isimleri ve  “oyuncu değil” veya “insan değil” gibi bilgilerin eşlenme yapılmasıyla eşlik edilir. Cevapları vermek ve modelin işini nasıl daha iyi yapacağını öğrenmek için verilerin içsel ağırlığında düzenlemeler yapılmasına izin verilir. Yani çıktılardan birinin veya daha fazlasının giriş görüntüsünü diğerlerine göre daha fazla temsil etmesi durumunda, diğer çıktıların verdiği ağırlığın azalmasına neden olacaktır.

Her bir düğümün, önceki katmanlardan gelen girdi değerlerine göre bir sonraki aşamaya ne göndereceğine karar vermesi, çeşitli katmanlardan faydalanmaktadır. Bunlar bulanık mantık, genetik algoritmalar, Bayes yöntemleri ve eğim tabanlı eğimler içerir. Modellenmekte olan alanda nesnelerin ilişkileri hakkında bazı kurallar  verilebilir. Futbol takımı yüz tanıma sistemi örneğinden yola çıkılırsa, “kaşlar gözlerin üzerinde bulunur” veya “ağız gözlerin altındadır” gibi kurallar eğitimi daha hızlı hale getirebilir.