Sinir ağı, nöron veya düğüm adı verilen basit hesaplama birimlerinden oluşan ve birbirine ağırlık adı verilen ayarlanabilir bağlantılarla bağlanan katmanlardan meydana gelen bir makine öğrenimi modeli türüdür. Her nöron sayıları girdi olarak alır, bunları ağırlıklarla çarpar, bir sapma ekler ve sonucu doğrusal olmayan bir fonksiyondan geçirir. Bu türden birçok katmanı üst üste yığarak, sinir ağı pikseller, sözcükler veya ses dalga biçimleri gibi karmaşık girdileri sınıf etiketleri, çevrilmiş cümleler veya üretilmiş görseller gibi çıktılara eşlemeyi öğrenebilir.
Bir Sinir Ağı Nasıl Çalışır
Eğitim sırasında ağa örnekler (örneğin, "kedi" veya "köpek" etiketli binlerce fotoğraf) beslenir ve bir tahmin üretir. Bir kayıp fonksiyonu o tahminin ne kadar yanlış olduğunu ölçer; geri yayılım adlı algoritma ise ağdaki her ağırlığın bu hataya ne kadar katkıda bulunduğunu hesaplar. Tipik olarak gradyan inişinin bir çeşidi olan bir iyileştirici, ardından hatayı azaltmak için her ağırlığı hafifçe ayarlar. Bu sürecin birçok örnek üzerinde tekrarlanması, ağın ağırlıklarının verideki faydalı istatistiksel düzenlilikleri yakalayan değerlere yerleşmesini sağlar.
Ağın derinliği önemlidir: ilk katmanlar genellikle kenarlar veya harf çizgileri gibi basit özellikleri öğrenirken, daha derin katmanlar bu özellikleri şekiller, sözcükler veya nesneler gibi daha zengin kavramlara birleştirir. Bu temsiller hiyerarşisi, derin sinir ağlarını algı tarzı görevlerde bu kadar etkili kılan şeydir. Mimari ve öğrenme algoritmasına dair sıkça atıfta bulunulan bir genel bakış, LeCun, Bengio ve Hinton'ın 2015 tarihli Nature derin öğrenme incelemesinde bulunabilir.
Neden Önemlidir
Sinir ağları, 2020'lerde yaygınlaşan görüntü sınıflandırma, konuşma tanıma, makine çevirisi, öneri sistemleri ve sohbet asistanlarının arkasındaki modeller gibi büyük dil modelleri dahil olmak üzere çoğu yapay zeka yeteneğinin temelini oluşturur. Bu ağlar, elle yazılmış kuralların kırılgan olduğu ancak büyük miktarda etiketli veya etiketsiz verinin bulunduğu problemlerde başarılıdır; çünkü aynı mimari, nispeten az kod değişikliğiyle yeni alanlar için yeniden eğitilebilir.
Temel Türler
- İleri beslemeli sinir ağı (FNN): En basit biçim; sinyaller girdiden çıktıya tek yönde ilerler. Çok katmanlı algılayıcı, bunun örnek tipik örneğidir.
- Evrişimli sinir ağı (CNN): Paylaşılan ağırlıklı filtreler kullanır; görüntü ve video için idealdir.
- Tekrarlayan sinir ağı (RNN): Önceki adımların belleğini tutan döngüler içerir; metin veya sensör verileri gibi dizilere uygundur; dil için büyük ölçüde transformerların gerisinde kalmıştır.
- Transformer: Tekrarlama yerine dikkat mekanizmasına dayanan modern bir mimaridir. Günümüzün büyük dil modellerinin ve birçok görü sistemi modelinin omurgasını oluşturur.
- Üretken çekişmeli ağ (GAN): Bir üreticiyi, gerçek ile sahte örnekleri ayırt etmeyi öğrenen bir ayrıştırıcıyla eşler; görüntü sentezi için kullanılır.
Her varyant, belirli bir veri türüne uyacak şekilde temel nöron ve ağırlık yapısını yeniden düzenler veya özelleştirir; ancak altta yatan ilke — kayıp üzerinde gradyan inişiyle ağırlıkların öğrenilmesi — aynı kalır.