Bayesian Sinir Ağları Nedir? Arka Plan, Temel Fikir ve İşlev

Tanıtım

Bu makale, Bayesian Sinir Ağlarının temel konseptini ele almaktadır. Bayesian Sinir Ağlarının bu özel konsepti, görünmeyen veriler sinir ağına beslendiğinde belirsizlik yaratarak devreye girer.

Sinir Ağı Mimarilerinde eksik olan tahmindeki bu belirsizliğin ölçüsü, Bayesian Neural Nets'in açıkladığı şeydir. Fazla uydurmanın üstesinden gelir ama aynı zamanda belirsizliği ve olasılık dağılımını tahmin etme gibi ek özelliklere de yardımcı olur. Sinir Ağları kavramı da açıklanmıştır.

Okuyun: Denetimli Öğrenme Türleri

Bayesian Sinir Ağının Arka Planı

Son on yılın en iyi performans gösteren yapay zeka sistemlerinden biriyle karşılaştırıldığında, tüm bu makinelerin ortak bir yanı var: Derin Öğrenme adı verilen karmaşık bir tekniği içermeleri.

Derin Öğrenme kavramını keserek, yaklaşık 70 yılı aşkın bir süredir tutarsız bir şekilde trend olan Sinir Ağları olarak adlandırılan Yapay Zekaya nispeten yeni bir yaklaşıma izin veren bir isim olduğu gözlemlenebilir. Örnek olarak, Sinir Ağları kavramının belli belirsiz bir şekilde birbirine dolanmış teller gibi yoğun bir ağ gibi birbirine bağlanmış milyonlarca işlem düğümünden oluşan insan beynine dayandığı görülmektedir.

Bayesian Sinir Ağları, bu nedenle, bu şekilde beslenen eğitim verilerindeki belirsizlikler konusunu rahatlıkla ele alır.

Bayesian Sinir Ağının Temel Fikri

Daha popüler olarak Sinir Ağları olarak bilinen Sinir Ağları, bilgisayarın eğitim örneklerini analiz ederek öğrendiği, analiz ettiği ve görevleri gerçekleştirdiği etkili bir Makine Öğrenimi yöntemidir. Kullanılan örnekler çoğunlukla önceden elle etiketlenmiştir. Örneğin, bir nesne tanıma sistemini ele alalım.

Otomobillerin, arabaların, evlerin veya herhangi bir nesnenin etiketlenmiş görüntüleri ile ilgili bilgiler verilir veya beslenir. Daha sonra, diğer belirli etiketlerle tutarlı bir şekilde ilişkili olacak veriler olarak eklenen görsel modelde mantıksal bir çıkarım formüle eder.

Sinir Ağları ile çalışan Mimarlar, verilerden çok karmaşık girdi ve çıktı eşlemelerinin parçalanması ve öğrenilmesi konusunda başarılı oldular. Bununla birlikte, aynı girdi ve çıktı haritalama sistemine ilişkin temel bir bilgi, özellikle belirli bir modelin inancının entegrasyonuna ihtiyaç duyulduğunda veya verilerin sınırlı olduğu durumlarda, çoğu durumda genellikle tatmin edici olmaz.

Bayesian Sinir Ağları, çoğu durumda dağıtım olarak ifade edilen ve genellikle deterministik bir değere kıyasla Bayesian Çıkarım kavramı aracılığıyla öğrenilen kriterler veya parametrelerdir. Verilerden karmaşık, doğrusal olmayan işlevi sindirmek ve ardından belirsizlikleri ifade etmek için içsel bir yeteneğe sahiptirler - her ikisi de aynı anda. Bu nedenle, onları daha güvenilir ve yetkin bir yapay zeka elde etme ve inşa etme arayışında daha yüksek bir role yönlendirdi.

Mutlaka Okuyun: Makine Öğreniminde Regresyon Modellerinin Türleri

Bayesian Sinir Ağları Nelerdir?

Bu nedenle, Bayesian Sinir Ağı, önceki çıkarımla ilgili standart ağın uzantısını ifade eder. Bayesian Sinir Ağları, belirsizliğin yüksek ve mutlak olduğu belirli ortamlarda son derece etkili olduğunu kanıtlıyor. Bu koşullar, yani karar verme sistemi veya nispeten daha düşük bir veri ayarı veya herhangi bir modele dayalı öğrenme türüdür.

Derin Sinir Ağları (DNN), veri seti ile önceden herhangi bir deneyime sahip olmadan verilen verilerle mantıksal bir çıkarım formüle etme eğilimindedir. Sonuç olarak, doğası gereği doğrusal olmayan verilerle son derece iyi performans gösterirler ve bu nedenle, yalnızca eğitim amacıyla büyük miktarda veri gerektirirler. Daha fazla bilginin yüklenmesi nedeniyle, yüzeylerin fazla takılması sorunu.

Mevcut durumda ortaya çıkan ikilem, daha önce gözlemlendiği gibi, sinir ağlarının yalnızca eğitim amacıyla beslenen verilerle son derece iyi çalışması, ancak sisteme yeni ve yabancı veriler beslendiğinde düşük performans gösterme eğiliminde olmasıdır. Bu, Nets'in eğitim verilerinin kendisindeki belirli belirsizliklere karşı kör olmasına ve onların tahminlerine aşırı güvenmelerine yol açar ve bu da yanıltıcı olabilir. Bu gibi hataları ortadan kaldırmak için Bayesian Sinir Ağları kullanılır.

Bayesian Sinir Ağları (BNN) Nasıl Çalışır?

Bayesian Sinir Ağlarının arkasındaki ana amaç ve fikir, her birimin ağırlıkları ve önyargıları içeren olasılık dağılımı ile ilişkili olmasıdır.

Her erişildiğinde tamamen farklı bir değer sağlayacak olan rastgele değişkenler olarak bilinirler.

Örnek vermek gerekirse, X bir değişken ve tamamen rastgele bir değişken ise normal dağılımı temsil eder. X'e her erişildiğinde, X'in farklı bir değeri verilir. X'in değeri her alındığında ıraksayan bir değer elde etme işlemine Örnekleme denir. Her örnekten türetilen değer, olasılık dağılımına bağlıdır.

Olasılık dağılımının çevresi arttıkça, belirsizlik doğru orantılıdır; sonuç olarak o da yükselir. Tipik olarak bir sinir ağında, her katman, genellikle çıktının hesabını veren önyargılarla birlikte sabitlenmiş ağırlıklara sahip olacaktır. Bir Bayes Ağı ise, katmanın kendisine eklenecek olasılık dağılımına sahip olacaktır.

Her seferinde yeni bir ağırlık seti ve yanlılıklar ile çoklu bir ileri geçiş gerçekleştirilir. Bu nedenle sınıflandırma sorununu çözmek için kullanılır. İleriye doğru yapılan her geçiş için çıktı sağlanır. Girdi görüntüsü olarak yüklenen veriler, belirsizliğin artmasına neden olur. Böyle bir durumda çıktı sınıfları için ağın daha önce karşılaşmadığı bir görüntüdür.

Çözüm

Belirsizlikleri bütünleştirme ve bunlarla başa çıkma söz konusu olduğunda Bayesian Sinir Ağlarının bir nimet olduğu sonucuna varmak güvenlidir. Ayrıca tahmin performanslarını iyileştirmek için tezahür ettiler.

Bayesian Sinir Ağının veya olasılığa dayalı herhangi bir modelin geliştirilmesinde ortaya çıkan temel temel problemler, önceki dağılımın zorlu hesaplamaları ve ilgili beklentileridir. Ayrıca, aşırı takma sorununun Bayes Ağları tarafından çok güçlü bir şekilde ele alınması son derece açıktır.

Makine öğrenimi hakkında daha fazla bilgi edinmek istiyorsanız, çalışan profesyoneller için tasarlanmış ve 450+ saat zorlu eğitim, 30'dan fazla vaka çalışması ve ödev, IIIT- sunan IIIT-B & upGrad'ın Makine Öğrenimi ve Yapay Zeka PG Diplomasına göz atın. B Mezun statüsü, 5+ pratik uygulamalı bitirme projesi ve en iyi firmalarla iş yardımı.