Aptallar için Sinir Ağları: Kapsamlı Bir Kılavuz

Beynimiz inanılmaz bir kalıp tanıma makinesidir. Dış dünyadan gelen 'girdileri' işler, onları sınıflandırır (bu bir köpek; bu bir dilim pizzadır; ooh, bu bana doğru gelen bir otobüs!) ve sonra bir 'çıktı' üretir (köpeği okşamak; o pizza; otobüsün yolundan çekil!).
Bütün bunlar çok az bilinçli bir çabayla, neredeyse dürtüsel olarak. Bu, birinin bize kızgın olup olmadığını algılayan veya yanından hızla geçerken durma sinyalini istemeden fark eden sistemin aynısıdır. Psikologlar bu düşünce biçimini 'Sistem 1' olarak adlandırır ve diğer hayvanlarla paylaştığımız doğuştan gelen becerileri (algı ve korku gibi) içerir. (Ayrıca bir 'Sistem 2' vardır, onun hakkında daha fazla bilgi edinmek için Daniel Kahneman'ın son derece bilgilendirici Hızlı ve Yavaş Düşünme kitabına göz atın ).
Tüm bunların Sinir Ağları ile nasıl bir ilişkisi var diye soruyorsunuz? Bekle, birazdan oraya geleceğiz.

Yukarıdaki resme bakın, sadece normal sayılarınız, Sinir Ağlarının öğrenilmesini daha iyi açıklamanıza yardımcı olmak için çarpıtılmış. İmgesiz baksanız bile zihniniz size “192” kelimesini soracaktır.
Kesinlikle “Ah, bu düz bir çizgi gibi görünüyor, bence 1” demedin. Bunu hesaplamadınız - anında oldu.
Büyüleyici, değil mi?
Bunun çok basit bir nedeni var – hayatınızda o rakamla o kadar çok karşılaştınız ki, deneme yanılma yoluyla, ona uzaktan bile yakın bir şey sunsanız beyniniz otomatik olarak rakamı tanır.
Veri Bilimi, Makine Öğrenimi ve Büyük Veri Arasındaki Fark Nedir?

Uzatmadan konuya girelim.

Sinir Ağı tam olarak nedir ? O nasıl çalışır?

Tanım olarak, bir sinir ağı, insan beynindeki nöronların çalışmasından sonra modellenen bir donanım veya yazılım sistemidir. Temel olarak, bilgisayarların insanlar gibi düşünmesine ve öğrenmesine yardımcı olur. Bir örnek bunu daha net hale getirecektir:
Çocukken, sıcak bir kahve kupasına dokunduğumuzda ve bizi yaktığında, bir daha sıcak bir bardağa dokunmamaya özen gösterirdik. Ama ona dokunmadan ÖNCE vicdanımızda böyle bir incinme kavramı var mıydı? Pek sayılmaz.
Çevremizdeki dünya hakkındaki bilgi ve anlayışımızın bu şekilde ayarlanması, kalıpları tanımaya dayanır. Ve bizim gibi bilgisayarlar da aynı tip örüntü tanıma yoluyla öğrenirler. Bu öğrenme, sinir ağlarının çalışmasının tüm temelini oluşturur .
Geleneksel bilgisayar programları mantık ağaçlarında çalışır – A olursa, B olur. Sistemlerin her biri için tüm potansiyel sonuçlar önceden programlanabilir. Ancak bu, esnekliğin kapsamını ortadan kaldırır. Orada öğrenme yok.
İşte burada Sinir Ağları devreye giriyor! Herhangi bir özel mantık olmadan bir sinir ağı oluşturulur. Esasen, veri içindeki kalıpları aramak ve bunlara uyum sağlamak için eğitilmiş bir sistemdir. Tam olarak kendi beynimizin nasıl çalıştığına göre modellenmiştir. Her nöron (fikir) sinapslar aracılığıyla bağlanır. Her sinaps, iki nöron arasındaki bağlantının oluşma olasılığını veya olasılığını temsil eden bir değere sahiptir. Aşağıdaki resme bir göz atın:

Nöronlar tam olarak nedir, soruyorsunuz?
Basitçe söylemek gerekirse, bir nöron sadece tekil bir kavramdır. Bir kupa, beyaz renk, çay -, sıcak bir bardağa dokunmanın verdiği yanma hissi, kısacası her şey. Bunların hepsi olası nöronlardır. Hepsi bağlanabilir ve bağlantılarının gücü sinapslarının değerine göre belirlenir. Değer ne kadar yüksekse, bağlantı o kadar iyi olur. Daha iyi anlamanızı sağlamak için bir temel sinir ağı bağlantısı görelim :

Her nöron bir düğümdür ve onları birbirine bağlayan hatlar sinapslardır. Sinaps değeri, bir nöronun diğerinin yanında bulunma olasılığını temsil eder. Bu nedenle, yukarıdaki resimde gösterilen diyagramın, beyaz renkli ve aşırı sıcak olan kahve içeren bir kupayı tarif ettiği oldukça açıktır.
Doğal Dil Üretimi: Bilmeniz Gereken En Önemli Şeyler

Tüm kupalar, söz konusu gibi özelliklere sahip değildir. Kupaya başka birçok nöron bağlayabiliriz. Örneğin çay, muhtemelen kahveden daha yaygındır. İki nöronun birbirine bağlanma olasılığı, onları birbirine bağlayan sinapsın gücüyle belirlenir. Sıcak kupaların sayısı ne kadar fazlaysa, sinaps o kadar güçlü olur.
Ancak, sıcak içecekleri tutmak için kupaların kullanılmadığı bir dünyada, sıcak kupaların sayısı önemli ölçüde azalacaktır. Bu arada, bu azalma, kupaları ısıya bağlayan sinapsların gücünün de düşmesine neden olacaktır.
Böyle,

olur

Bir kupanın bu küçük ve görünüşte önemsiz tanımı, sinir ağlarının temel yapısını temsil eder .
Masanın üzerinde duran bir bardağa dokunuruz - onun sıcak olduğunu görürüz. Bize tüm kupaların sıcak olduğunu düşündürüyor. Sonra başka bir bardağa dokunuyoruz - bu sefer rafta tutulan - hiç sıcak değil. Raftaki kupaların sıcak olmadığı sonucuna varıyoruz. Büyüdükçe gelişiyoruz.
Beynimiz bunca zamandır veri alıyor. Bu veriler, dokunmak üzere olduğumuz kupanın sıcak olup olmayacağına dair kesin bir olasılık belirlemesini sağlıyor. Sinir Ağları da aynı şekilde öğrenir.
Şimdi biraz sinir ağının ilk ve en temel modeli olan Perceptron'dan bahsedelim!

Perceptron nedir?

Bir algılayıcı, bir sinir ağının en temel modelidir . Birden çok ikili girdi alır: x1, x2, … ve tek bir ikili çıktı üretir.

Yukarıdaki sinir ağını bir benzetme yardımıyla daha iyi anlayalım.
İşe yürüdüğünü söyle. İşe gitme kararınız büyük ölçüde iki faktöre bağlıdır: hava durumu ve hafta içi olup olmaması. Hava faktörü hala yönetilebilir, ancak hafta sonları çalışmak büyük bir hayır! İkili girdilerle çalışmak zorunda olduğumuz için koşulları evet veya hayır soruları olarak önerelim. Hava güzel mi? Evet için 1, hayır için 0. hafta içi mi 1 evet, 0 hayır.
Doğal Dil Anlayışına Yeni Başlayanlar Kılavuzu

Unutmayın, sinir ağına bu koşulları açıkça söyleyemeyiz ; bunları kendi başına öğrenmesi gerekecek. Karar verirken bu faktörlerin önceliğine nasıl karar verecek? "Ağırlıklar" olarak bilinen bir şey kullanarak. Ağırlıklar, tercihlerin yalnızca sayısal bir temsilidir. Daha yüksek bir ağırlık, sinir ağının bu girdiyi diğerlerinden daha yüksek önceliğe sahip olarak düşünmesini sağlayacaktır. Bu, yukarıdaki akış şemasında w1, w2… ile temsil edilir.
"Tamam, bunların hepsi oldukça büyüleyici, ama Sinir Ağları pratik bir senaryoda nerede iş bulur?"

Sinir Ağlarının gerçek hayat uygulamaları

Henüz çözmediyseniz, işte burada, bir sinir ağı , doğru parametreleri almak için yeterli veri ve verimli bir makine alabildiğiniz sürece hemen hemen her şeyi yapabilir. Uzaktan bile makine öğrenimi gerektiren her şey, yardım için sinir ağlarına döner. Derin öğrenme, sinir ağlarını kapsamlı bir şekilde kullanan başka bir alandır. Bir bilgisayarın sınıflandırma, kümeleme veya tahmin gibi çok sayıda görevi gerçekleştirmesini sağlayan birçok makine öğrenimi algoritmasından biridir.

• Yapay sinir ağları yardımıyla geleneksel-algoritmik bir yöntemin pahalı olduğu veya mevcut olmadığı bu tür problemlerin çözümünü bulabiliriz.
• Sinir ağları örnek olarak öğrenebilir, bu nedenle onu büyük ölçüde programlamamıza gerek yoktur.
• Sinir ağları , doğru ve geleneksel hızlardan önemli ölçüde daha hızlıdır.

Yukarıda ve daha fazla sayılan nedenlerden dolayı Derin Öğrenme, Sinir Ağlarından yararlanarak aşağıdaki alanlarda yaygın olarak kullanılır:

• Konuşma tanıma: Yemek sipariş etmenize, haberleri ve hava durumu güncellemelerini almanıza veya sadece konuşarak çevrimiçi bir şey satın almanıza olanak tanıyan sihirli hoparlörler olan Amazon Echo Dot örneğini alın .
• El yazısı tanıma: Sinir ağları, birinin el yazısındaki kalıpları anlamak için eğitilebilir. Google'ın , karalamalarınızı sorunsuz bir şekilde anlamlı metinlere dönüştürmek için el yazısı tanıma özelliğini kullanan El Yazısı Girişi uygulamasına bir göz atın.
• Yüz tanıma: Telefonunuzdaki güvenliği artırmaktan (Face ID) süper havalı Snapchat filtrelerine kadar – yüz tanıma her yerdedir. Facebook'a bir fotoğraf yüklediyseniz ve fotoğrafınızdaki kişileri etiketlemeniz istendiyse, yüz tanımanın ne olduğunu bilirsiniz!
• Oyunlarda yapay zeka sağlama: Daha önce bir bilgisayara karşı satranç oynadıysanız, yapay zekanın oyunlara ve oyun geliştirmeye nasıl güç verdiğini zaten biliyorsunuzdur. Oyuncuların taktiklerini geliştirmek ve stratejilerini ilk elden denemek için yapay zekayı kullandıkları ölçüde .

Sonuç olarak…
Sinir ağları , bugün gördüğünüz hemen hemen her büyük teknolojinin veya buluşun bel kemiğini oluşturur. Sinir ağları olmadan derin/makine öğrenimini hayal etmenin imkansız olduğunu söylemek doğru olur. Bir ağı uygulama şeklinize ve kullandığınız öğrenme türüne bağlı olarak, geleneksel bir bilgisayar sistemine kıyasla, bir sinir ağından çok şey başarabilirsiniz.

Dünyanın en iyi Üniversitelerinden ML kursları öğrenin. Kariyerinizi hızlandırmak için Master, Executive PGP veya Advanced Certificate Programları kazanın.