Sinir Ağları - Yapay Zekanın Geleceği Nasıl Görünüyor?

Sinir Ağları nedir?

Biyolojik sinir ağlarından esinlenen bu bilgi işlem sistemi, belirli örnekleri dikkate alarak, genellikle göreve özel kurallarla programlanmadan çeşitli görevleri gerçekleştirmeyi “öğrenir”.
Sinir ağları, derin öğrenmenin işlevsel bir birimidir ve insan beyninin yapısından esinlenmiştir. Bununla birlikte, daha yeni Yapay sinir ağları, derin öğrenmenin işlevsel birimidir.

Örneğin, bir kedi görüntüsünün tanımlanması gibi görüntü tanımada.
Bilgisayar sistemleri, manuel olarak "kedi" veya "kedi yok" olarak etiketlenmiş örnek görüntüleri analiz ederek kedi içeren görüntüleri tanımlamayı öğrenebilir. Diğer görüntülerdeki kedileri tanımlamak için sonuçları kullanarak, gerçek görüntüyü tanımlamayı öğrenebilirler. Bunu, örneğin kürkleri, kuyrukları, bıyıkları ve kedi benzeri yüzleri olduğu gibi, önceden kediler veya özellikleri hakkında hiçbir bilgiye sahip olmadan yaparlar.

Derin öğrenme, karmaşık problem veri odaklı problemleri çözmek için insan beyninin davranışını taklit eden yapay sinir ağlarını kullanır. Derin öğrenme, yapay zekanın (AI) büyük şemsiyesi altına giren makine öğreniminin bir parçasıdır.
Makine öğrenimi - Yapay zekanın (AI) bir uygulaması olan Makine Öğrenimi, sistemlerin açıkça programlanmadan deneyimlerden otomatik olarak öğrenmesini ve geliştirmesini sağlar. Makine öğrenimi, verilere erişebilen ve bunları kendileri için öğrenmek için kullanabilen bilgisayar programlarının geliştirilmesine odaklanır.
Öğrenme süreci, gelecekte daha iyi kararlar vermelerine yardımcı olacak kalıpları aramak için örnekler, doğrudan deneyim veya talimat gibi verileri gözlemlemeye başladıklarında başlar. Birincil amaç, bilgisayarların insan müdahalesi veya yardımı olmadan otomatik olarak öğrenmesini sağlamak ve eylemlerini buna göre ayarlamaktır.
Derin öğrenme – Derin öğrenme (derin yapılandırılmış öğrenme veya hiyerarşik öğrenme olarak da bilinir), yapay sinir ağlarına dayalı daha geniş bir makine öğrenimi yöntemleri ailesinin parçasıdır. Derin Öğrenme altında, öğrenme süreci denetimli, yarı denetimli veya denetimsiz olabilir. Derin öğrenme, ham girdiden aşamalı olarak daha yüksek seviyeli özellikler çıkarmak için birden çok katman kullanan bir makine öğrenimi algoritmaları sınıfıdır.
Örneğin, görüntü işlemede, alt katmanlar kenarları tanımlayabilirken, daha yüksek katmanlar rakamlar, harfler veya yüzler gibi bir insanla ilgili kavramları tanımlayabilir.

Sinir ağının yapısı

Sinir ağları, ağın çekirdek işlem birimi olan nöronlardan oluşur. Yapay sinir ağları temel olarak giriş katmanı, gizli katman ve çıkış katmanı olmak üzere 3 farklı katmandan oluşur.
Girdi katmanı , girdinin ağa beslendiği katmandır. Çıktı katmanı , hesaplamanın çoğunun gerçekleştiği o belirli Gizli katmanın çıktısını kullanır. Bu, daha sonra aktivasyon fonksiyonu adı verilen eşik fonksiyonuna iletilen giriş toplamına eklenen yanlılık adı verilen bazı sayısal değerlerle ilişkilidir.
Aktivasyon fonksiyonu, belirli bir nöronun aktive edilip edilmeyeceğini belirler. Aktive olan nöron, verileri bir sonraki katmana iletir.
Bu nöronlar arasında bir Kanal bağlanır.

Sinir ağlarının örnekle çalışması

Basit adımlar:

1. Girdi nöronlarımız, sınıflandırmaya çalıştığımız bilgilere dayalı olarak bir girdiyi temsil eder.
2. Giriş nöronlarındaki her sayıya her sinapsta(kanalda) bir ağırlık verilir.
3. Bir sonraki katmandaki her nöronda, o nörona gelen tüm sinapsların çıktılarını bir ön yargı ile birlikte ekliyoruz ve ağırlıklı toplama bir aktivasyon işlevi (genellikle bir sigmoid işlevi) uyguluyoruz (bu, sayıyı 0 ile 1 arasında bir şey yapar).
   Her bir nöron girişi için hesaplanan girdi toplamı= (w1*x1) + (w1*x2) + (w1*x3) + b1
4. Bu işlevin çıktısı, bir sonraki sinaps katmanının girdisi olarak kabul edilecektir.
5. Çıktıya ulaşana kadar devam edin.

Normal yaprak veya kusurlu yaprak gibi yaprak sınıflandırma örneğini düşünün.
Burada, durumuna göre sınıflandırmak için sistemimize bir yaprak görüntüsü veriyoruz.
Görüntü, boyutuna göre parçalara bölünür, örneğin yükseklik ve ağırlık olarak 28 piksel ise 28X28 piksel 784 piksel olarak bölünür ve giriş katmanına beslenir. Ancak bu durumda, giriş katmanına beslenen 30 piksel genişlik ve 900 piksel yüksekliktir.

Bir katmanın nöronu, toplamı hesaplamak için kullanılan rastgele bir ağırlıkla başka bir katmana bağlanır. Bir katmanın girdi toplamı bir sonraki katmana (gizli katman) gönderilir ve her gizli katman, girdi toplamına eklenen sayısal bir değerle ilişkilendirilir.
Aktivasyon fonksiyonu hangi nöronun aktif edileceğine karar verir ve hangi nöron aktif olursa o nöron değeri bir sonraki katmana geçer. Bu ileriye yayılma olarak bilinir.

Çıktı katmanında daha yüksek değere sahip nöron çıktıyı belirler. Değer temel olarak olasılık değeridir. Daha yüksek olasılık değeri yanlış çıktıyı öngörüyorsa, ağ henüz eğitilmemiştir. Bu durumda kusurlu yaprak olarak belirlenir, bu nedenle eğitilmesi gerekir, ardından tespit/sınıflandırma yapılabilir.

Öngörülen bir değere dayalı olarak doğru çıktıyı tahmin etmek için geri yayılım gerçekleştirilir. Bu, gerçek çıktı ile karşılaştırılır. Yaprağı doğru tahmin edene kadar yinelemeli olarak ağırlıklar atanır. Daha sonra hatayı en aza indirmek için ağırlık yeniden başlatılır.

Ağırlığı yeniden başlattıktan sonra, tahmin edilen değerin hata farkına dayanarak, normal bir yaprak olarak kesin sonucu aldık.

Sinir ağı uygulamalarından bazıları

1. Google Çeviri
2. Yüz tanıma
3. Kendi kendine giden arabalar
4. nesne algılama
5. Müzik kompozisyonu
6. Konuşma tanıma
7. yazım denetimi
8. Karakter tanıma

Avantajlar

• Sinir ağı elemanı başarısız olduğunda, paralel doğa yardımıyla sorunsuz bir şekilde devam edebilir.
• Sinir ağları öğrenir ve yeniden programlanmaları gerekmez.
• Herhangi bir uygulamada uygulanabilir.
• Sinir ağları, doğrusal bir programın yapamayacağı görevleri gerçekleştirir.

Dezavantajları

• Sinir ağlarının çalışması için eğitime ihtiyacı vardır.
• Daha büyük sinir ağları için yüksek işlem süresi gerektirir.
• Data miktarı.