Yapay Sinir Ağı (YSA - artificial neural network), karmaşık kalıpları ve tahmin problemlerini modellemek için kullanılabilecek algoritmalar geliştirmek için beynin işlenmesini temel alır. İlk önce beynimizin bilgiyi nasıl işlediğini anlayarak başlayalım:
Beynimizde nöron adı verilen ve bilgiyi elektrik sinyalleri şeklinde işleyen milyarlarca hücre vardır. Dış bilgi / uyaranlar, nöron hücre gövdesinde işlenen nöronun dendritleri tarafından alınır, bir çıktıya dönüştürülür ve Axon'dan bir sonraki nörona geçirilir. Bir sonraki nöron, sinyalin gücüne bağlı olarak onu kabul etmeyi veya reddetmeyi seçebilir.
Şimdi, bir YSA'nın nasıl çalıştığını anlamaya çalışalım:
Burada, w1, w2, w3 giriş sinyallerinin gücünü verir. Yukarıdan da görebileceğiniz gibi, YSA (Artificial Neural Network - ANN) beyin nöronunun nasıl çalıştığının çok basit bir temsilidir.
İşleri daha net hale getirmek için, basit bir örnek kullanarak YSA'yı anlayalım: Bir banka, bir müşteriye kredi başvurusunun onaylanıp onaylanmayacağını değerlendirmek ister, bu nedenle bir müşterinin kredide temerrüde düşüp düşmeyeceğini tahmin etmek ister. Aşağıdaki gibi verileri vardır:
Bu nedenle, Sütun X'u tahmin etmeliyiz. 1'e yakın bir tahmin, müşterinin varsayılan olarak daha fazla şansı olduğunu gösterir. Bu örneği kullanarak bir nöronun yapısına dayanarak gevşek bir Yapay Sinir Ağı mimarisi oluşturmaya çalışalım:
Genel olarak, yukarıdaki örnek için basit bir YSA (Artificial Neural Network - ANN) mimarisinde şunlar olabilir:
Mimari ile ilgili Temel Noktalar:
1. Ağ mimarisinde bir giriş katmanı, gizli katman (1'den fazla olabilir) ve çıktı katmanı vardır. Çoklu katmanlar nedeniyle MLP (Çok Katmanlı Algılayıcı) olarak da adlandırılır.
2. Gizli katman, bazı önemli desenleri girdilerden damıtarak görmek için bir sonraki katmana geçiren bir “damıtma katmanı” olarak görülebilir. Gereksiz bilgileri dışarıda bırakarak girdilerden sadece önemli bilgileri belirleyerek ağı daha hızlı ve verimli hale getirir
3. Aktivasyon fonksiyonu iki önemli amaca hizmet eder:
- Girişler arasında doğrusal olmayan ilişkiyi yakalar
- Girişi daha kullanışlı bir çıktıya dönüştürmeye yardımcı olur.
Yukarıdaki örnekte, kullanılan etkinleştirme işlevi sigmoid'dir:
O1 = 1 / (1 + exp (-F))
Burada F = W1 * X1 + W2 * X2 + W3 * X3
Sigmoid aktivasyon fonksiyonu 0 ile 1 arasında bir değer oluşturur. Tanh, softmax ve RELU gibi başka aktivasyon fonksiyonları da olabilir.
4. Benzer şekilde, gizli katman çıktı katmanındaki son tahmine yol açar:
O3 = 1 / (1 + exp (-F1))
Burada F 1 = W7 * H1 + W8 * H2
Burada çıkış değeri (O3) 0 ile 1 arasındadır. 1'e yakın bir değer (örn. 0,75), müşteri varsayılanlarının daha yüksek olduğunu gösterir.
5. W ağırlıkları girdilerle ilişkili önemdir. Eğer W1 0,56 ve W2 0,92 ise, X1: Borç Oranına X1: Yaştan H1 tahmininde daha fazla önem verilmektedir.
6. Yukarıdaki ağ mimarisine “ileri besleme ağı” denir, çünkü giriş sinyallerinin yalnızca bir yönde (girişlerden çıkışlara) aktığını görebilirsiniz. Ayrıca “sinyallerin her iki yönde de aktığı geri bildirim ağları oluşturabiliriz.
7. Yüksek doğruluğa sahip iyi bir model, gerçek değerlere çok yakın tahminler verir. Bu nedenle, yukarıdaki tabloda, Sütun X değerleri Sütun W değerlerine çok yakın olmalıdır. Tahminlerdeki hata, W sütunu ile X sütunu arasındaki farktır:
8. Doğru tahminlerle iyi bir model elde etmenin anahtarı, tahmin hatasını en aza indiren “W - ağırlıklarının optimal değerlerini” bulmaktır. Bu, “Geri yayılma algoritması” ile elde edilir ve bu, YSA'yı bir öğrenme algoritması yapar, çünkü hatalardan öğrenerek model geliştirilir.
9. En yaygın optimizasyon algoritması yöntemine, tekrarlanan farklı W değerlerinin kullanıldığı ve tahmin hatalarının değerlendirildiği “gradyanlı iniş” denir. Bu nedenle, optimal W'yi elde etmek için W değerleri küçük miktarlarda değiştirilir ve tahmin hataları üzerindeki etkisi değerlendirilir. Son olarak, bu W değerleri optimal olarak seçilir, burada W'daki diğer değişiklikler ile hatalar daha da azalmaz.
---
NOT : Bu yazıda yapay sinir ağı(artificial neural network) nedir sorusunun cevabı verilmiştir. Ysa mimarisi, sigmoid aktivasyon fonksiyonu, çok Katmanlı Algılayıcı, ileri besleme ağı, ileri beslemeli ağlar, geri beslemeli ağlar, feed forward networks, feed back networks, ann kavramları açıklanmıştır. Sitede, yapay sinir ağı, yapay sinir ağları nelerdir, derin öğrenme nedir, deep learning nedir, bulanık mantık nedir, fuzzy logic nedir, yapay sinir ağları uygulamaları, makine öğrenmesi, yapay sinir ağı algoritmaları, makine öğrenmesi ve derin öğrenme, regresyon, machine learning nedir, matlab, matlab örnekleri, matlab machine learning gibi soruların cevaplarına yönelik içerikler yer almaktadır.
‘Yapay sinir ağı’, ‘yapay sinir ağları nedir’, ‘derin öğrenme nedir’, ‘deep learning nedir’, ’bulanık mantık nedir’, ‘fuzzy logic nedir’, ‘yapay sinir ağları uygulamaları’, ‘makine öğrenmesi’, ‘yapay sinir ağı algoritmaları’, ‘makine öğrenmesi ve derin öğrenme’, regresyon, ‘machine learning nedir’, matlab, ‘matlab örnekleri’, ‘matlab machine learning’, 'artificial neural network'
