complete guide artificial neural network machine learning
Bu Eğitimde Yapay Sinir Ağının Nedir, Bir YSA Nasıl Çalışır, YSA Yapısı ve Türleri ve Yapay Sinir Ağı Mimarisi Açıklanmaktadır:
Bunda Herkes İçin Makine Öğrenimi Eğitimi hakkında her şeyi keşfettik Makine Öğrenimi Türleri önceki eğitimimizde.
Burada, bu eğiticide, makine öğrenimi ve YSA arasındaki karşılaştırmanın yanı sıra, Sinir Ağları'ndaki çeşitli algoritmaları tartışın. YSA'nın makine öğrenimine nasıl katkıda bulunduğunu öğrenmeden önce, Yapay Sinir Ağının ne olduğunu bilmemiz ve makine öğrenimi hakkında kısa bilgiye ihtiyacımız var.
Makine Öğrenimi ve Yapay Sinir Ağı hakkında daha fazlasını keşfedelim !!
=> Eksiksiz Makine Öğrenimi Eğitim Serisini Okuyun
Ne öğreneceksin:
- Makine Öğrenimi Nedir?
- Yapay Sinir Ağı Nedir?
- Biyolojik Sinir Ağının Yapısı
- Biyolojik Nöron ve Yapay Nöronun Karşılaştırılması
- YSA'nın Özellikleri
- YSA Yapısı
- Aktivasyon Fonksiyonu
- Yapay Nöron Nedir?
- Yapay Nöron Nasıl Çalışır?
- YSA'nın Temel Modelleri
- Sinir Ağı Mimarisi
- Yapay Nöron Ağı Örneği
- Makine Öğrenimi ve YSA Arasındaki Karşılaştırma
- Sinir Ağları ve Derin Öğrenme
- Yapay Sinir Ağı Uygulamaları
- Sinir Ağlarının Sınırlamaları
- Sonuç
- Önerilen Kaynaklar
Makine Öğrenimi Nedir?
Makine Öğrenimi, bilgisayarlara açıkça programlanmadan öğrenme ve hareket etme yeteneği sağlayan bir bilim alanıdır. Yapay Zekanın bir alt alanıdır.
Yapay Sinir Ağı Nedir?
YSA, Makine Öğreniminde yaygın olarak kullanılan ve Yapay Zeka alanında umut verici bir geleceği olan doğrusal olmayan bir modeldir.
Yapay Sinir Ağı, biyolojik bir sinir ağına benzer. Biyolojik sinir ağı, insan beynindeki milyarlarca birbirine bağlı nörondan oluşan bir yapıdır. İnsan beyni, gerçekleştirilen bir eyleme yanıt olarak vücudun çeşitli bölgelerine bilgi gönderen nöronlardan oluşur.
Buna benzer şekilde, Yapay Sinir Ağı (YSA), insan beyninin özelliklerine benzeyen bilimde hesaplamalı bir ağdır. YSA, insan beyninin orijinal nöronları olarak modelleyebilir, bu nedenle YSA işleyen parçalar Yapay Nöronlar olarak adlandırılır.
YSA, bir beynin çalışmasından ilham alan birbirine bağlı çok sayıda nörondan oluşur. Bu nöronlar, öğrenme, eğitim verilerini genelleme ve karmaşık verilerden sonuçlar türetme yeteneklerine sahiptir.
Bu ağlar, sınıflandırma ve tahmin, model ve eğilim tanımlamaları, optimizasyon problemleri, vb. Alanlarda kullanılır. YSA, herhangi bir programlama olmaksızın eğitim verilerinden (bilinen girdi ve hedef çıktı) öğrenir.
Öğrenilen sinir ağına bir uzman sistem bilgileri analiz etme ve belirli bir alandaki soruları cevaplama yeteneği ile.
İlk nöro bilgisayarların mucidi Dr. Robert Hecht-Nielson tarafından verilen YSA'nın resmi tanımı şöyledir:
'… Bilgileri harici girdilere dinamik durum tepkileri ile işleyen bir dizi basit, yüksek oranda birbirine bağlı işlem öğesinden oluşan bir bilgi işlem sistemi'.
Biyolojik Sinir Ağının Yapısı
Biyolojik bir sinir ağı şunlardan oluşur:
- Soma: Buna hücre gövdesi de denir. Hücre çekirdeğinin bulunduğu yerdir.
- Dendritler: Bunlar, hücre gövdesine bağlı ağaç benzeri ağlardır. Sinir lifinden yapılmıştır.
- Akson: Akson, sinyali hücre gövdesinden taşır. İpliklere ayrılır ve her bir iplik, sinaps adı verilen ampul benzeri bir yapı ile biter. Elektrik sinyalleri sinaps ve dendritler arasında geçirilir.
(resim kaynak )
Biyolojik Nöron ve Yapay Nöronun Karşılaştırılması
| Biyolojik Nöron | Yapay Nöron |
|---|---|
| Makine öğrenimi, e-ticaret, sağlık hizmetleri, ürün önerileri vb. Alanlarda uygulanır. | YSA, finans alanında, makine öğrenmesinde ve yapay zeka alanlarında uygulanmaktadır. |
| Hücrelerden yapılmıştır. | Hücreler nöronlara karşılık gelir. |
| Hücre gövdesi arasında bağlantı olan dendritlere sahiptir. | Bağlantı ağırlıkları dendritlere karşılık gelir. |
| Soma girdiyi alır. | Soma, net girdi ağırlığına benzer. |
| Akson sinyali alır. | YSA'nın çıktısı aksona karşılık gelir. |
YSA'nın Özellikleri
- Doğrusal Olmayan: Giriş sinyalinin oluşturulması için YSA'da izlenen mekanizma doğrusal değildir.
- Denetimli Öğrenim: Girdi ve çıktı eşlenir ve YSA, eğitim veri kümesiyle eğitilir.
- Denetimsiz Öğrenme: Hedef çıktı verilmemiştir, bu nedenle YSA, girdi desenlerindeki özellikleri keşfederek kendi kendine öğrenecektir.
- Uyarlanabilir Doğa: YSA düğümlerindeki bağlantı ağırlıkları, istenen çıktıyı vermek için kendilerini ayarlayabilirler.
- Biyolojik Nöron Analojisi: YSA, insan beyninden ilham alan bir yapıya ve işlevselliğe sahiptir.
- Hata Toleransı: Bu ağlar, bilgiler katmanlar halinde dağıtıldığı ve hesaplama gerçek zamanlı olarak gerçekleştiğinden oldukça toleranslıdır.
YSA Yapısı
Yapay Sinir Ağları, bir insan beyni serebral korteksinin nöronal yapısından sonra modellenen algoritmalar veya donanım cihazları biçiminde işleme elemanlarıdır.
Bu ağlara basitçe Sinir Ağları da denir. NN birçok katmandan oluşur. Birbirine bağlı çoklu katmanlara genellikle 'Çok Katmanlı Algılayıcı' denir. Bir katmandaki nöronlara 'Düğümler' denir. Bu düğümlerin bir 'Etkinleştirme işlevi' vardır.
YSA'nın 3 ana katmanı vardır:
- Giriş Katmanı: Giriş desenleri, giriş katmanlarına beslenir. Bir giriş katmanı vardır.
- Gizli Katmanlar: Bir veya daha fazla gizli katman olabilir. İç katmanlarda gerçekleşen işleme “gizli katmanlar” denir. Gizli katmanlar, çıktıyı 'ağırlıklı sinaps bağlantılarının toplamı' olan 'ağırlıklara' göre hesaplar. Gizli katmanlar, gereksiz bilgileri kaldırarak girişi iyileştirir ve bilgileri daha fazla işlem için bir sonraki gizli katmana gönderir.
- Çıktı Katmanı: Bu gizli katman, çıktının gösterildiği 'çıktı katmanına' bağlanır.
Aktivasyon Fonksiyonu
Aktivasyon işlevi, bir nöronun iç durumudur. Nöronun aldığı girdinin bir fonksiyonudur. Aktivasyon işlevi, YSA düğümündeki giriş sinyalini bir çıkış sinyaline dönüştürmek için kullanılır.
Yapay Nöron Nedir?
Yapay Sinir Ağı, düğümler veya nöronlar adı verilen, birbiriyle oldukça bağlantılı işlem öğelerinden oluşur.
Bu nöronlar paralel olarak çalışır ve bir mimaride düzenlenir. Düğümler, bağlantı bağlantıları ile birbirine bağlanır. Her nöron, giriş sinyali hakkında bilgi içeren bir ağırlık taşır.
Yapay Nöron Nasıl Çalışır?
Yapay bir nöron bir girdi alır. Bu girişlerin 'sinaps' adı verilen bir ağırlığı vardır. Bu nöronların (düğümler de denir) “aktivasyon işlevi” vardır. Bu aktivasyon fonksiyonu girdi üzerinde çalışır ve onu bir çıktı vermek için işler.
Girişlerin ağırlıklı toplamı, bir çıkış vermek için aktivasyon fonksiyonuna bir giriş sinyali olur. Bu giriş ağırlıkları, sinir ağının istenen çıktıyı vermek için parametrelerini ayarlayabilmesi için ayarlanabilir.
Yapay Sinir Ağında Kullanılan Birkaç Yaygın Aktivasyon Fonksiyonu:
# 1) Kimlik Fonksiyonu
Tüm x değerleri için f (x) = x olarak tanımlanabilir. Bu, çıktının girdi ile aynı olduğu doğrusal bir fonksiyondur.
# 2) İkili Adım İşlevi
Bu işlev, tek katmanlı ağlarda net girdiyi çıktıya dönüştürmek için kullanılır. Çıkış ikilidir, yani 0 veya 1. t eşik değerini temsil eder.
(resim kaynak )
# 3) Bipolar Adım Fonksiyonu
Bipolar adım fonksiyonu, net giriş için bipolar çıkışlara (+1 veya -1) sahiptir. T eşik değerini temsil eder.
# 4) Sigmoidal Fonksiyon
Geri yayılım ağlarında kullanılır.
İki türdendir:
- İkili Sigmoid işlevi: Aynı zamanda unipolar sigmoid işlevi veya lojistik sigmoid işlevi olarak da adlandırılır. Sigmoidal işlevsellik aralığı 0 ila 1'dir.
- Bipolar Sigmoid: Bipolar sigmoidal fonksiyon -1 ile +1 arasında değişir. Hiperbolik tanjant fonksiyonuna benzer.
(resim kaynak )
# 5) Rampa Fonksiyonu
en son işletim sistemi nedir
ağırlıklı Girdi toplamı tüm girdiler için toplanan 'girdi ağırlığı ile girdi değerinin çarpımı' anlamına gelir.
I = {I1, I2, I3… In} nöronun giriş modeli olsun.
W = {W1, W2, W3… Wn} düğüme her girişle ilişkili ağırlık olsun.
Ağırlıklı Giriş Toplamı = Y = (? Wi * Ii) i = 1 ila n için
YSA'nın Temel Modelleri
Yapay sinir ağı modelleri 3 varlıktan oluşur:
- Ağırlıklar veya sinaptik bağlantılar
- Ağırlıkları ayarlamak için kullanılan öğrenme kuralı
- Nöronun aktivasyon fonksiyonları
Sinir Ağı Mimarisi
YSA'da nöronlar birbirine bağlıdır ve her bir nöronun çıkışı, ağırlıklar aracılığıyla bir sonraki nörona bağlanır. Bu ara bağlantıların mimarisi bir YSA'da önemlidir. Bu düzenleme katmanlar şeklindedir ve katmanlar arasındaki ve katman içindeki bağlantı sinir ağı mimarisidir.
En çok bilinen ağ mimarileri şunlardır:
- Tek Katmanlı İleri Beslemeli Ağ
- Çok Katmanlı İleri Beslemeli Ağ
- Kendi Geribildirimi Olan Tek Düğüm
- Tek Katmanlı Tekrarlayan Ağ
- Çok Katmanlı Tekrarlayan Ağ
Bunların her birine ayrıntılı bir şekilde bakalım.
# 1) Tek Katmanlı İleri Beslemeli Ağ
Bir katman, nöronlardan oluşan bir ağdır. Bu nöronlar, bir sonraki katmanın diğer nöronlarına bağlıdır. Tek bir katman için yalnızca giriş ve çıkış katmanları vardır. Giriş katmanı, ağırlıklarla çıkış katmanı düğümlerine bağlanır.
Tüm giriş düğümleri, çıkış düğümlerinin her birine bağlıdır. İleri besleme terimi, çıktı katmanından giriş katmanına gönderilen hiçbir geri bildirim olmadığını gösterir. Bu, tek katmanlı bir ileri beslemeli ağ oluşturur.
(resim kaynak )
# 2) Çok Katmanlı İleri Beslemeli Ağ
Çok katmanlı ağ, giriş ve çıkış arasında bir veya daha fazla katmandan oluşur. Giriş katmanı yalnızca bir sinyal alır ve çıktı katmanı çıktıyı gösterirken onu tamponlar. Giriş ve çıkış arasındaki katmanlara gizli katmanlar denir.
Gizli katmanlar dış çevre ile temas halinde değildir. Daha fazla sayıda gizli katmanla çıktı yanıtı daha verimlidir. Önceki katmandaki düğümler, sonraki katmandaki her düğüme bağlanır.
Girişe veya gizli katmanlara bağlı bir çıktı katmanı olmadığından, çok katmanlı ileri beslemeli bir ağ oluşturur.
# 3) Kendi Geri Bildirimi Olan Tek Düğüm
Çıktı katmanı çıktısının giriş katmanına veya diğer gizli katmanlara girdi olarak geri gönderildiği ağlara Geri Bildirim Ağları denir. Tek düğümlü geri bildirim sistemlerinde, çıktının geri bildirim olarak geri yönlendirildiği tek bir giriş katmanı vardır.
# 4) Tek Katmanlı Tekrarlayan Ağ
Tek katmanlı bir tekrarlayan ağda, geri bildirim ağı kapalı bir döngü oluşturur. Bu modelde, tek bir nöron kendisine veya ağdaki diğer nöronlara veya her ikisine birden geri bildirim alır.
# 5) Çok Katmanlı Tekrarlayan Ağ
Çok Katmanlı tekrarlayan ağda, çok sayıda gizli katman bulunur ve çıktı, önceki katmanların nöronlarına ve aynı katmanlardaki veya aynı nöronun kendisine geri yönlendirilen diğer nöronlara yönlendirilir.
Yapay Nöron Ağı Örneği
Verilen girişle aşağıdaki ağı alalım ve net giriş nöronunu hesaplayalım ve ikili sigmoidal olarak aktivasyon fonksiyonu ile Y nöronunun çıktısını elde edelim.
Girişte 3 nöron X1, X2 ve X3 ve tek çıkış Y vardır.
Girişlerle ilişkili ağırlıklar şunlardır: {0.2, 0.1, -0.3}
Girişler = {0.3, 0.5, 0.6}
Net girdi = {x1 * w1 + x2 * w2 + x3 * w3}
Net giriş = (0.3 * 0.2) + (0.5 * 0.1) + (0.6 * -0.3)
Net giriş = -0.07
İkili Sigmoidal için Çıktı:
X, -0.07'dir
Çıktı 0,517 olarak çıkıyor
Makine Öğrenimi ve YSA Arasındaki Karşılaştırma
| Makine öğrenme | Yapay Sinir Ağı |
|---|---|
| Makine Öğrenimi, girdi verilerinden öğrenir ve ilgili çıktı veri modellerini keşfeder. | YSA, makine öğrenme algoritmalarında sistemi sinapsları, düğümleri ve bağlantı bağlantılarını kullanarak eğitmek için kullanılır. |
| Makine öğrenimi, yapay zeka alanının bir alt kümesidir. | YSA aynı zamanda Yapay Zeka bilim alanının bir parçası ve makine öğreniminin bir alt kümesidir. |
| Makine öğrenimi algoritmaları, karar verme amacıyla algoritmaya beslenen verilerden öğrenir. Bu algoritmalardan bazıları sınıflandırmadır. Kümeleme, ilişkilendirme veri madenciliği. | YSA, verileri mantıksal yapılarla insanlar gibi analiz eden derin öğrenme bilimidir. ANN öğrenme şemalarından bazıları Hebbian, Perceptron, Back propagation, vs.'dir. |
| Makine öğrenimi algoritmalarının kendi kendine öğrenme yetenekleri vardır ancak sonuç doğru değilse insan müdahalesi gerektirir. | YSA algoritmaları, sonucun yanlış çıkması durumunda bağlantı ağırlıklarını kullanarak kendilerini ayarlama yeteneklerine sahiptir. |
| ML algoritmaları, programlama becerileri, veri yapısı ve büyük veri veritabanı bilgisi gerektirir. | YSA ayrıca matematik, olasılık, veri yapıları vb. Konularda güçlü beceriler gerektirir. |
| Makine öğrenimi programları, öğrenilen veri kümesinin sonucunu tahmin edebilir ve kendisini yeni veriler için ayarlayabilir. | YSA öğrenebilir ve yeni veriler için kendi başına akıllıca kararlar verebilir ancak bu, makine öğreniminden daha derindir. |
| Denetimli ve Denetimsiz öğrenim, makine öğreniminin kapsamına girer. | Kohenen gibi öğrenme, radyal önyargı, ileri beslemeli sinir ağı YSA kapsamına girer. |
| Bazı makine öğrenimi örnekleri Google arama sonuçları vs.'dir. | YSA'nın bazı örnekleri yüz tanıma, görüntü tanıma vb. |
Sinir Ağları ve Derin Öğrenme
Derin Öğrenme ağları, giriş ve çıkış arasında birkaç gizli katman içerir. Bu ağlar, içlerindeki gizli katmanların derinliği ile ayırt edilir. Giriş verileri, çıktı gösterilmeden önce birden çok adımdan geçer.
Bu ağlar, tek bir gizli katmana sahip olan ve Sığ Ağlar olarak adlandırılan algılayıcı gibi önceki NN'den farklıdır. Derin öğrenme ağındaki her gizli katman, önceki katmanın çıktısına göre verileri belirli özelliklerle eğitir.
Veriler, düğümde birçok doğrusal olmayan işlev katmanından geçer. Katman sayısı arttıkça, sonraki katman önceki katmanlardan özelliklerin bir araya getirilmesini gerçekleştireceğinden daha karmaşık özellikler tanınabilir.
Ağdaki birden çok gizli katman, karmaşıklığı ve soyutlamayı artırır. Bu derinlik aynı zamanda bir özellik hiyerarşisi olarak da adlandırılır. Bu nedenle, derin öğrenme ağları yüksek boyutlu verileri işleme kapasitesine sahiptir.
Derin öğrenme ağlarının bazı örnekleri arasında, özelliklerine ve benzerliklerine göre milyonlarca görüntünün kümelenmesi, e-posta mesajlarının filtrelenmesi, CRM'deki mesajlara filtre uygulanması, konuşmanın tanımlanması vb. Yer alır.
Derin Öğrenme Ağları, hem etiketli hem de etiketlenmemiş veri kümesi üzerinde eğitilebilir. Etiketlenmemiş veri kümesi için Boltzmann seçim makineleri gibi ağlar otomatik özellik çıkarma işlemi gerçekleştirir.
Ağ, örnekleme yoluyla girdiyi analiz ederek ve girdinin çıktı ve dağıtımındaki farklılığı en aza indirerek otomatik olarak öğrenir. Buradaki sinir ağı, özellikler ve sonuçlar arasındaki korelasyonları bulur.
Etiketli veriler üzerinde eğitilen derin öğrenme ağları, yapılandırılmamış verilere uygulanabilir. Ağa ne kadar çok eğitim verisi beslenirse o kadar doğru olur.
Ağın etiketlenmemiş verilerden öğrenme yeteneği, diğer öğrenme algoritmalarına göre bir avantajdır.
Yapay Sinir Ağı Uygulamaları
Sinir Ağları, aşağıda gösterildiği gibi çeşitli çözümlerde başarıyla kullanılmıştır.
# 1) Örüntü Tanıma: YSA, örüntü tanıma, görüntü tanıma, görüntülerin görselleştirilmesi, el yazısı, konuşma ve benzeri diğer görevlerde kullanılır.
# 2) Optimizasyon Sorunları: Problem kısıtlamalarının karşılanması ve optimal çözümlerin elde edilmesi gereken en kısa rotayı bulma, programlama ve üretim gibi problemler NN'leri kullanmaktır.
# 3) Tahmin: NN, geçmiş eğilimleri analiz ederek durumların sonucunu tahmin edebilir. Bankacılık, borsa, hava tahmini gibi uygulamalar Sinir Ağlarını kullanır.
# 4) Kontrol Sistemleri: Bilgisayar ürünleri, kimyasal ürünler ve robotik gibi kontrol sistemleri sinir ağlarını kullanır.
Sinir Ağlarının Sınırlamaları
Aşağıda, Sinir Ağlarının bazı dezavantajları listelenmiştir.
- Bu ağlar, kullanıcının girdiyi besleme ve çıktıyı gözlemleme dışında herhangi bir rolü olmadığı için kullanıcı için kara kutulardır. Kullanıcı, algoritmada gerçekleşen eğitimden habersizdir.
- Bu algoritmalar oldukça yavaştır ve doğru sonuçlar vermek için birçok yineleme (çağlar da denir) gerektirir. Bunun nedeni, CPU'nun ağırlıkları, her düğümün aktivasyon işlevini ayrı ayrı hesaplaması ve böylece hem zamanı hem de kaynakları tüketmesini sağlamasıdır. Ayrıca büyük miktarda veriyle ilgili soruna neden olur.
Sonuç
Bu eğitimde Yapay Sinir Ağı, Biyolojik Nöron ile analojisi ve Sinir Ağı Türleri hakkında bilgi edindik.
YSA, makine öğreniminin kapsamına giriyor. Birden çok nöron düğümünden oluşan hesaplamalı bir modeldir. Bu düğümler girdi alır, girişi aktivasyon işlevini kullanarak işler ve çıktıyı sonraki katmanlara iletir.
Girişler, sinaps adı verilen bağlantı bağlantı ağırlıklarıyla ilişkilidir. Temel bir YSA, bir girdi katmanı, ağırlıklar, etkinleştirme işlevi, gizli katman ve bir çıktı katmanından oluşur.
Aktivasyon fonksiyonları, girişi çıkışa dönüştürmek için kullanılır. Bazıları ikili, çift kutuplu, sigmoidal ve rampa fonksiyonudur. Gizli katmanların ve geribildirim mekanizmalarının sayısına bağlı olarak Tek Katmanlı İleri Besleme, Çok Katmanlı İleri Besleme, Tekrarlayan ağlar gibi farklı YSA türleri vardır.
Giriş ve çıkış arasında birçok gizli katman bulunan YSA, derin öğrenme ağını oluşturur. Derin öğrenme ağları, yüksek boyutlu verileri binlerce parametre ile hesaplayabilmelerini sağlayan yüksek karmaşıklık ve soyutlama düzeyine sahiptir.
YSA, tahmin, görüntü işleme, kontrol sistemleri vb. Alanlarında kullanılır. Bunlar, bilimdeki problemler dizisine bir çözüm olarak başarıyla uygulanmıştır.
Umarız bu eğitimde Yapay Sinir Ağları hakkında bilmeniz gereken her şey açıklanmıştır !!
=> Özel Makine Öğrenimi Serisi İçin Burayı Ziyaret Edin
Önerilen Kaynaklar
- Veri Madenciliği - Makine Öğrenimi - Yapay Zeka - Derin Öğrenme
- Ağ Güvenliği Testi ve En İyi Ağ Güvenliği Araçları
- Makine Öğrenimi Türleri: Denetimli ve Denetimsiz Öğrenim
- 2021'de En Popüler 11 Makine Öğrenimi Yazılım Aracı
- Makine Öğrenimi Eğitimi: Makine Öğrenimi ve Uygulamalarına Giriş
- Alt Ağ Maskesi (Alt Ağ Oluşturma) ve IP Alt Ağ Hesaplayıcı Kılavuzu
- Ağ Güvenlik Açığı Değerlendirmesi ve Yönetimi Kılavuzu
- 2021 Yılının En İyi 15 Ağ Tarama Aracı (Ağ ve IP Tarayıcı)