Yapay Zekada 7 Türlü Sinir Ağı Açıklaması

Sinir Ağları, Nöronları ve Gizli katmanları kullanarak verileri ve kalıpları farklı bir şekilde öğrenen Makine Öğrenimi tekniklerinin bir alt kümesidir. Yapay Sinir Ağları, karmaşık yapıları nedeniyle çok daha güçlüdür ve geleneksel Makine Öğrenimi algoritmalarının yetersiz kaldığı uygulamalarda kullanılabilir.

Bu eğitimin sonunda aşağıdaki konularda bilgi sahibi olacaksınız:

• Sinir Ağlarının kısa bir tarihi
• Sinir Ağları Nedir?
• Sinir Ağları Türleri

1. Algılayıcı
2. İleri Besleme Ağları
3. Çok Katmanlı Algılayıcı
4. Radyal Tabanlı Ağlar
5. Evrişimli Sinir Ağları
6. Tekrarlayan Sinir Ağları
7. Uzun Kısa Vadeli Bellek Ağları

Sinir Ağlarının Kısa Tarihi

60'lı yıllardan beri araştırmacılar, insan nöronlarının işleyişini ve beynin nasıl çalıştığını taklit etmenin yollarını araştırıyor ve formüle ediyorlardı. Deşifre edilmesi son derece karmaşık olmasına rağmen, Data'daki gizli kalıpları öğrenmede son derece verimli olabilecek benzer bir yapı önerildi.

20. yüzyılın çoğu için, Sinir Ağları yetersiz olarak kabul edildi. Karmaşıktılar ve performansları zayıftı. Ayrıca, o zamanlar mevcut olmayan çok fazla bilgi işlem gücüne ihtiyaç duyuyorlardı. Ancak, “Derin Öğrenmenin Babası” olarak da adlandırılan Sir Geoffrey Hinton'un ekibi Geri Yayılım üzerine araştırma makalesini yayınladığında, tablolar tamamen tersine döndü. Sinir Ağları artık düşünülmeyeni başarabilirdi.

Sinir Ağları nedir?

Yapay Sinir Ağları, birden çok girdiye, bir işleme birimine ve tek/çoklu çıktılara sahip insan nöronlarının mimarisini kullanır. Her nöron bağlantısıyla ilişkili ağırlıklar vardır. Bu ağırlıkları ayarlayarak, bir sinir ağı, yeni görünmeyen veriler üzerindeki çıktıları tahmin etmek için kullanılan bir denkleme ulaşır. Bu işlem ağırlıkların geri yayılımı ve güncellenmesi ile yapılır.

Sinir Ağları Türleri

Farklı veri ve uygulamalar için farklı sinir ağları türleri kullanılır. Sinir ağlarının farklı mimarileri, bu belirli veri veya etki alanı türleri üzerinde çalışmak üzere özel olarak tasarlanmıştır. En temel olanlardan başlayalım ve daha karmaşık olanlara doğru gidelim.

Algılayıcı

Perceptron, sinir ağlarının en temel ve en eski şeklidir. Girdiyi alan ve ikili çıktı üretmek için aktivasyon işlevini uygulayan sadece 1 nörondan oluşur. Herhangi bir gizli katman içermez ve yalnızca ikili sınıflandırma görevleri için kullanılabilir.

Nöron, girdi değerlerinin ağırlıkları ile toplama işlemini yapar. Elde edilen toplam daha sonra ikili bir çıktı üretmek için aktivasyon fonksiyonuna iletilir.

Görüntü Kaynağı

Hakkında bilgi edinin: Derin Öğrenme ve Sinir Ağları

İleri Besleme Ağı

İleri Besleme (FF) ağları, birbirine bağlı birden fazla nöron ve gizli katmandan oluşur. Bunlara "ileri besleme" adı verilir, çünkü veri yalnızca ileri yönde akar ve geriye doğru yayılma yoktur. Uygulamaya bağlı olarak, gizli katmanlar mutlaka ağda mevcut olmayabilir.

Daha fazla katman sayısı, ağırlıkların özelleştirilmesi olabilir. Ve dolayısıyla, ağın öğrenme yeteneği daha fazla olacaktır. Geri yayılım olmadığı için ağırlıklar güncellenmez. Ağırlıkların girdilerle çarpımının çıktısı, bir eşik değeri olarak görev yapan aktivasyon fonksiyonuna beslenir.

FF ağları şu durumlarda kullanılır:

• sınıflandırma
• Konuşma tanıma
• Yüz tanıma
• Desen tanıma

Görüntü Kaynağı

Çok Katmanlı Algılayıcı

İleri Besleme ağlarının ana eksikliği, geri yayılım ile öğrenememesiydi. Çok Katmanlı Algılayıcılar, birden çok gizli katmanı ve aktivasyon işlevlerini içeren sinir ağlarıdır. Öğrenme, Ağırlıkların Gradient Descent aracılığıyla güncellendiği Denetimli bir şekilde gerçekleşir.

Çok katmanlı Perceptron iki yönlüdür, yani girdilerin ileriye doğru yayılması ve ağırlık güncellemelerinin geriye doğru yayılması. Aktivasyon fonksiyonları hedef tipine göre değişiklik gösterebilir. Softmax genellikle çok sınıflı sınıflandırma için, Sigmoid ikili sınıflandırma vb. için kullanılır. Bunlara yoğun ağlar da denir çünkü bir katmandaki tüm nöronlar bir sonraki katmandaki tüm nöronlara bağlıdır.

Derin Öğrenme tabanlı uygulamalarda kullanılırlar ancak karmaşık yapıları nedeniyle genellikle yavaştırlar.

Görüntü Kaynağı

Radyal Tabanlı Ağlar

Radyal Tabanlı Ağlar (RBN), hedefleri tahmin etmek için tamamen farklı bir yol kullanır. Bir girdi katmanı, RBF nöronları içeren bir katman ve bir çıktıdan oluşur. RBF nöronları, eğitim verisi örneklerinin her biri için gerçek sınıfları depolar. RBN, bir etkinleştirme işlevi olarak kullanılan Radyal İşlev nedeniyle olağan Çok Katmanlı algılayıcıdan farklıdır.

Yeni veriler sinir ağına beslendiğinde, RBF nöronları, öznitelik değerlerinin Öklid mesafesini nöronlarda depolanan gerçek sınıflarla karşılaştırır. Bu, belirli örneğin hangi kümeye ait olduğunu bulmaya benzer. Mesafenin minimum olduğu sınıf, tahmin edilen sınıf olarak atanır.

RBN'ler çoğunlukla Güç Restorasyon sistemleri gibi fonksiyon yaklaşımı uygulamalarında kullanılır.

Görüntü Kaynağı

Ayrıca okuyun : Gerçek Dünyada Sinir Ağı Uygulamaları

Evrişimli Sinir Ağları

Görüntü sınıflandırması söz konusu olduğunda en çok kullanılan sinir ağları Evrişimli Sinir Ağlarıdır (CNN). CNN, görüntüden önemli özelliklerin çıkarılmasından sorumlu olan çoklu evrişim katmanları içerir. Daha önceki katmanlar düşük seviyeli ayrıntılardan, sonraki katmanlar ise daha yüksek seviyeli özelliklerden sorumludur.

Evrişim işlemi, giriş görüntüsü üzerinde kıvrılmak ve haritalar oluşturmak için filtreler olarak da adlandırılan özel bir matris kullanır. Bu filtreler rastgele başlatılır ve ardından geri yayılım yoluyla güncellenir. Böyle bir filtrenin bir örneği, herhangi bir görüntüdeki kenarları bulmak için kullanılan Canny Edge Detector'dır.

Evrişim katmanından sonra, evrişim katmanından üretilen haritaların toplanmasından sorumlu olan bir havuzlama katmanı vardır. Bu, Maks Havuzlama, Min Havuzlama vb. olabilir. Düzenleme için, CNN'ler ayrıca, fazla uyumu ve daha hızlı yakınsayı azaltmak için belirli nöronları düşüren veya devre dışı bırakan bırakma katmanları eklemek için bir seçenek içerir.

CNN'ler, gizli katmanlarda aktivasyon fonksiyonları olarak ReLU (Rektifiye Edilmiş Doğrusal Birim) kullanır. Son katman olarak, CNN'ler tam bağlantılı yoğun bir katmana sahiptir ve aktivasyon işlevi çoğunlukla sınıflandırma için Softmax ve çoğunlukla regresyon için ReLU olarak işlev görür.

Görüntü Kaynağı

Tekrarlayan Sinir Ağları

Sıralı verileri kullanarak tahminlere ihtiyaç duyulduğunda, Tekrarlayan Sinir Ağları devreye girer. Sıralı veriler bir dizi görüntü, kelime vb. olabilir. RNN, katmanların ayrıca önceki örnek tahmininin zaman gecikmeli girdisini alması dışında, İleri Beslemeli Ağınkine benzer bir yapıya sahiptir. Bu örnek tahmini, her tahmin için ikinci bir girdi olan RNN hücresinde saklanır.

Ancak, RNN'nin ana dezavantajı, önceki katmanların ağırlıklarını hatırlamayı çok zorlaştıran Ufuk Gradyan sorunudur.

Görüntü Kaynağı

Uzun Kısa Vadeli Bellek Ağları

LSTM sinir ağları, bilgileri uzun süreler boyunca depolayabilen özel bir bellek hücresi ekleyerek RNN'lerde Ufuk Gradyan sorununun üstesinden gelir. LSTM, hangi çıktının kullanılacağını veya unutulacağını tanımlamak için kapıları kullanır. 3 kapı kullanır: Giriş kapısı, Çıkış kapısı ve Unut kapısı. Giriş kapısı, tüm verilerin bellekte tutulması gerektiğini kontrol eder. Çıkış kapısı, bir sonraki katmana verilen verileri kontrol eder ve unutma kapısı, gerekli olmayan verilerin ne zaman boşaltılacağını/unutacağını kontrol eder.

LSTM'ler aşağıdakiler gibi çeşitli uygulamalarda kullanılır:

• Mimik tanıma
• Konuşma tanıma
• Metin tahmini

Gitmeden önce

Sinir Ağları, ağa katman eklemeye devam ettiğinizde hiçbir zaman çok karmaşık hale gelebilir. Önceden eğitilmiş ağları kendi kullanımımız için kullanarak bu alandaki muazzam araştırmadan yararlanabileceğimiz zamanlar vardır.

Buna Transfer Öğrenme denir. Bu derste, temel sinir ağlarının çoğunu ve işlevlerini ele aldık. Bunları Keras ve Tensorflow gibi Derin Öğrenme çerçevelerini kullanarak denediğinizden emin olun.

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