Sinir Ağı Modeli: Kısa Tanıtım, Sözlük ve Geri Yayılım

Yayınlanan: 2020-05-22

Sinir ağlarının nasıl çalıştığını anlamaya çalışan bir yazılım mühendisliği meraklısıysanız, doğru yerdesiniz.

Bu kılavuzda, yeni başlayanların sinir ağlarının anlamını öğrenmelerine, sinir ağı modelinin ne olduğu hakkında bir giriş yapmalarına ve bilgilerini alanın yeni alanlarına genişletmelerine yardımcı olacağız.

İçindekiler

Sinir Ağı nedir?

Hesaplamalı terminolojiye girmeden önce, günlük hayatımızda sinir ağlarının varlığını anlayalım.

"Nöral" terimi, tek bir sinir hücresi için kullanılan terim olan "nöron"dan gelir. Bu doğru - bir sinir ağı, esasen günlük hayatımızda basit ve eylemler gerçekleştiren bir nöron ağı anlamına gelir.

Örüntü tanıma, nesne algılama ve zeka, her gün karşılaştığımız sorunların önemli bir yönüdür. Farkına bile varamayacağımız kadar kolaylıkla gerçekleştirilirken, gerçek şu ki, bu reaksiyonların otomatikleştirilmesi zordur.

Örnek vermek:

  • Elmanın neye benzediğini ezberleyen çocuklar
  • Annesini veya sahibini tanıyan bir hayvan
  • Bir şeyin sıcak mı soğuk mu olduğunu algılama

Sinir ağlarımız bu karmaşık hesaplamaları gerçekleştirir.

İnsanlar artık sinir sistemimize benzer bir şekilde performans gösterebilen bir hesaplama sistemi oluşturabildiler. Bunlara yapay sinir ağları (YSA) denir.

YSA'ları başlangıçta basit işlevleri yerine getirmek için kullanırken, hesaplama gücündeki artış, giderek daha karmaşık sorunları çözmek için oldukça güçlü bir sinir ağı mimarisi oluşturmamıza izin verdi.

Bir sonraki bölümde YSA hakkında derinlemesine bilgi edinelim.

Okuyun: Yeni Başlayanlar İçin TensorFlow Nesne Algılama Eğitimi

Yapay Sinir Ağı Modeli Nedir?

Bir giriş katmanı, gizli katmanlar ve bir çıkış katmanı içeren çok katmanlı, tam bağlantılı bir sinir ağına yapay sinir ağı veya YSA denir.

Aşağıdaki resim bir YSA'yı temsil etmektedir.

Kaynak

Dikkatlice bakarsanız, bir katmandaki her düğümün, yanındaki katmandaki her düğüme bağlı olduğunu fark edeceksiniz.

Gizli katmanların sayısını artırdıkça ağ derinleşir.

Çıktıdaki veya gizli katmandaki tek bir düğümün neye benzediğini görelim.

Kaynak

Gördüğünüz gibi, düğüm birçok girdi alıyor. Tüm ağırlıkları toplar ve doğrusal olmayan bir etkinleştirme işlevi aracılığıyla çıktı olarak iletir.

Düğümün bu çıktısı, bir sonraki katmandaki düğümün girdisi olur.

Burada dikkat edilmesi gereken önemli bir nokta, sinyalin daima soldan sağa hareket edeceğidir. Tüm düğümler prosedürü takip ettikten sonra, nihai çıktı verilecektir.

Bir düğümün denklemi şöyle görünür.

Kaynak

Yukarıdaki denklemde b, önyargıdır. Tüm düğümlerin girdisidir ve her zaman 1 değerini taşır.

Bias, etkinleştirme işlevi sonucunu sola veya sağa hareket ettirmeye yardımcı olur.

Yapay Sinir Ağı Modeli Sözlüğü

Yapay sinir ağı modeli söz konusu olduğunda bilmeniz gereken temel terimlere bir göz atalım.

girişler

Kaynaktan sinir ağına ilk beslenen verilere girdi denir. Amacı, ağ verilerini, kendisine beslenen bilgiler hakkında bir karar veya tahminde bulunmak için vermektir. Sinir ağı modeli genellikle girdilerin gerçek değer setlerini kabul eder ve girdi katmanındaki bir nörona beslenmelidir.

Eğitim Seti

Doğru çıktıları zaten bildiğiniz girdilere eğitim kümeleri denir. Bunlar, sinir ağının eğitilmesine ve verilen giriş kümesi için sonucun ezberlenmesine yardımcı olmak için kullanılır.

çıktılar

Her sinir ağı, kendisine beslenen veriler hakkında bir tahmin veya karar olarak bir çıktı üretir. Bu çıktı, gerçek değerler kümesi veya Boole kararları şeklindedir. Yalnızca çıktı katmanındaki nöronlardan biri çıktı değerini üretir.

Nöron

Algılayıcı olarak da bilinen nöron, bir sinir ağının temel birimidir. Bir girdi değeri kabul eder ve buna dayalı olarak bir çıktı üretir.

Daha önce tartışıldığı gibi, her nöron girdinin bir kısmını alır ve onu doğrusal olmayan aktivasyon fonksiyonundan bir sonraki katmandaki düğüme iletir. Bu aktivasyon fonksiyonları TanH, sigmoid veya ReLu olabilir. Bu işlevlerin doğrusal olmayan özelliği ağın eğitilmesine yardımcı olur.

Ağırlık alanı

Her nöronun sayısal bir ağırlığı vardır. Başka bir nota girdi sağladığında, bir çıktı oluşturmak için ağırlığı diğerleriyle toplanır. Bu ağırlıklarda küçük değişiklikler yaparak sinir ağları nasıl eğitilir. Ağırlıkların ince ayarı, en iyi sonucu üretecek doğru ağırlık ve önyargı setinin belirlenmesine yardımcı olur. Geri yayılımın geldiği yer burasıdır.

Bir Sinir Ağı Modelinde Geri Yayılım Nedir?

Tüm ağ kaybını en aza indirmek için ağırlıklarda yapılması gereken küçük değişiklikleri başarılı bir şekilde bulmanın yollarından biri geri yayılımdır.

  • İlk başta, aktivasyonlar yukarı veya ileri besleme yönünde yayılacaktır.
  • Şimdi, maliyet fonksiyonu türevlerinin aşağı veya ters yönde yayılması gerekiyor.

Bu şekilde, her bir ağırlığa göre kısmi maliyet türevini belirleyebileceksiniz. Daha sonra ayarlamalar yaparak azaltılacak maliyeti hesaplayabilirsiniz.

Çözüm

Birçok yazılım mühendisi, en uygun maliyetli çözümü bulmak için birkaç yinelemenin gerekli olduğu göz önüne alındığında, oldukça verimsiz olduğunu düşündükleri için sinir ağı modelini önermez.

Bununla birlikte, Hinton'un kapsül ağları, kapsül sinir ağı gibi çok sayıda yeni algoritma, kesin bir modele ulaşmak için çok daha az ayarlama örneği gerektirir. Ve bu nedenle, kesinlikle sinir ağlarının gelecekte çok fazla kapsamı olacak.

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.

Yapay zeka için neden matematik çalışmanız gerekiyor?

Birçoğumuzun düşündüğünün aksine yapay zeka, matematiğe büyük ölçüde bağımlıdır. Makinelere insanlara benzer düşünmeyi ve davranmayı öğretme kavramının tamamı, birkaçını saymak gerekirse, olasılık ve istatistik gibi matematiğin farklı dallarına ait kavramlara dayanmaktadır. Veri bilimi ayrıca kalkülüs, lineer cebir ve oyun teorisinden gelişmiş regresyonlara, sınıflandırmalara, istatistiklere, olasılıklara, gradyan inişlerine ve daha fazlasına kadar çeşitli matematiksel kavramlarla ilgili temelleriyle birlikte gelir. Bu alanda başarılı bir kariyer oluşturmanıza yardımcı olacak AI kavramlarının etkili bir şekilde anlaşılmasını geliştirmek için matematikte güçlü temeller gereklidir.

Yapay sinir ağı, makine öğreniminde bir algoritma mıdır?

Yapay sinir ağları veya kısaca sinir ağları, insan beynine benzemek üzere tasarlanmış ve gelişmiş örüntü tanıma için oluşturulmuş bir dizi makine öğrenme algoritması olarak tanımlanabilir. Sinir ağları, birikmiş tüm verilerin dönüştürüldüğü vektörler içindeki sayısal kalıpları tanımlamak için tasarlanmıştır. Yapay sinir ağları, yapılandırılmamış veya kesin olmayan verilerdeki kalıpları tespit ederek, gelişmiş veri depolama ve yönetimi için kümeleri sınıflandırmaya ve oluşturmaya yardımcı olur. Sinir ağlarına beslenen duyusal veriler, giriş verilerini etiketleyen veya kümeleyen bir makine algısı aracılığıyla yorumlanır.

Sinir ağlarında geri yayılım neden gereklidir?

Yapay sinir ağları alanında, geri yayılım yöntemi aslında hataların geriye doğru yayılmasını ifade eder. Bu, yapay sinir ağlarını eğitmek için kullanılan standart bir tekniktir ve yinelemelerle ilerler. Geri yayılım, bir yapay sinir ağının ağırlıklarına ince ayar yapmak, hataları en aza indirmeye yardımcı olmak ve sistemi daha doğru ve güvenilir kılmak için kullanılır. Bu yöntem hızlı çalışır ve ayrıca basit bir şekilde programlanabilir. Esnek bir tekniktir; sinir ağı hakkında ön bilgiye ihtiyaç duymaz. Ekstra parametre içermez, sadece sisteme verilen sayıları ayarlar.