Table of Contents
Yapay sinir ağları (ANN), biyolojik sinir ağlarından esinlenerek oluşturulan matematiksel algoritmaları ifade eder. Bu algoritmalar, insan beyninin nöronlarının karmaşık bir şekilde birbirleriyle etkileşim içinde çalışmasını taklit eder. Girdi verilerini işleyerek öğrenme süreciyle desenleri tanımlar ve sonuçları tahmin etmek için kullanılır.
Yapay sinir ağları, birbirine bağlı bir dizi katman içeren bir yapıya sahiptir. Her bir katman, yapay sinir hücreleri veya nöronlar tarafından temsil edilir. Her bir nöron, girdi verilerini alır, ağırlıklarla çarpılır, bir aktivasyon fonksiyonuna uygulanır ve çıktıyı üretir. Bu işlem, ağın her katmanında tekrarlanır ve sonuç olarak bir çıktı üretilir.
Bir yapay sinir ağı tipik olarak 3 katmandan oluşur:
- Input Layer (Girdi Katmanı): Girişin ağa beslendiği yerdir. Bu katmanda hesaplama yapılmaz sadece dışarıdan bilgi almak için kullanılır. Ağa giren her bilginin çıktı üzerinde etkisi vardır.
- Hidden Layer (Gizli Katman): Girdi katmanı ve çıktı katmanı arasındaki katmanlar gizli katman olarak adlandırılır. Girdi ve çıktı arasındaki ilişkiler bu katmanda oluşturulur. Verinin öğrenilmesi ve özelliklerin çıkarılması bu katmanda gerçekleşir. Bir yapay sinir ağı içerisinde herhangi bir sayıda gizli katman olabilir.
- Output Layer (Çıktı Katmanı): Gizli katman sonucu çıktı katmanına gönderir. Çıktı katmanı çıkışı yayar. Çıktı katmanındaki nöronların sayısı çözülecek problemin sayısına ve türüne bağlıdır. Regresyon için 1, ikili sınıflandırma için 2 ve çoklu sınıflandırma için farklı sınıf sayısı kadar nöron gerekir.
Terimler
- Epoch: Sinir ağının veri setini kaç kere göreceğini belirtir.
- Activation Function: Sinir ağlarını doğrusal olmayan (non-linear) hale getirmek için kullanılır.
- Cost Function: Veri setindeki tüm örnekler kullanılarak maliyet hesaplanır.
- Loss Function: Her bir örnek için gerçek ve tahmini değer arasındaki hatayı ölçerek modelin performansını gösterir.
- Forward Pass: Giriş katmanından çıkış katmanına doğru yayılımı ifade eder.
- Backward Pass: Çıkış katmanından giriş katmanına doğru yayılımı ifade eder.
- Batch Size: 1 ileri yayılım ve 1 geri yayılımda kullanılacak örneklem sayısıdır.
- Forward Propagation: Her katmandaki nöronlar, önceki katmandan gelen çıktıları alır, kendi ağırlıkları ve aktivasyon fonksiyonu ile işler, sonuçları bir sonraki katmana iletir.
- Backward Propagation: Ağın tahmini ile gerçek değerler arasında hesaplanan hata (loss) bilgilerini kullanarak ağın içindeki ağırlıkları ve parametreleri günceller.
