Yapay Sinir Ağları ve Derin Öğrenme – 1

Yapay Sinir Ağlarına Giriş

Kuşlar uçmamız için bize esin kaynağı oldular, dulavrat otu velcro bantlara ilham verdi ve doğa birçok icadın ilham kaynağı oldu. Akıllı bir makineyi nasıl icat edeceğimize ilham olması için beynin mimarisine bakmamız mantıklı gibi görünüyor. Bununla birlikte, uçaklar kuşlardan esinlenilmiş olsa da, uçaklar kanatlarını çırpmıyor. Benzer şekilde yapay sinir ağları da(YSA – Artificial Neural Networks – ANN), biyolojik kuzenlerinden daha farklıdır. Bazı araştırmacılar, biyolojik analojiyi kullanmayı bırakmamız gerektiğini savunuyorlar, çünkü yaratıcılığımızı biyolojik olarak makul olan sistemlerle sınırlamıyoruz.

Biyolojik Nöronlardan Yapay Nöronlara

Yapay sinir ağları, ilk olarak, nörofizyolog Warren McCulloch ve matematikçi Walter Pitts tarafından 1943 yılında A Logical Calculus of Ideas Immanent in Nervous Activity adlı makalede ortaya koyulmuştur. McCulloch ve Pitts, biyolojik nöronların karmaşık hesaplamaları gerçekleştirmek için birlikte nasıl çalıştıklarının basitleştirilmiş bir hesaplama modelini sunmuşlardır. Bu, ilk yapay sinir ağı mimarisidir.

YSA’ların 1960’lara kadar olan başarıları, yakında gerçekten “akıllı” makinelerin ortaya çıkabileceği inancına yol açtı. Bunun olmayacağı anlaşılınca (en azından bir süre daha) YSA’lar karanlık bir döneme girdi. 1980’lerin başında, yeni ağ mimarileri ve eğitim teknikleri keşfedildiğinde, YSA’lara ilgi arttı. Ancak 1990’lı yıllarda, Destek Vektör Makineleri gibi makine öğrenimi teknikleri, daha iyi sonuçlar ve daha güçlü teorik temeller sunduğu için çoğu araştırmacı tarafından tercih edildi. Günümüzde, YSA’lara karşı başka bir ilgi dalgasına tanık oluyoruz. Bu ilgi de öncekiler gibi ölecek mi? Bunun farklı olduğuna inanmak için elimizde iyi nedenler var:

  • Elimizde YSA’ları eğitmek için çok miktarda veri mevcut ve YSA’lar, büyük ve karmaşık problemlerde çoğu zaman diğer makine öğrenimi tekniklerine göre daha başarılılar.
  • Bilgi işlem gücündeki muazzam artış, büyük sinir ağlarını makul bir zaman süresince eğitmeyi mümkün kılıyor.
  • Eğitim algoritmaları iyileştirildi.
  • YSA araştırmaları için sağlanan finansmanlar çoğaldı. YSA’lara dayanan ürünler haber yapılmaya başlandı ve böylece daha çok ilgi çekmeye başladılar.

Biyolojik Nöronlar

YSA’ları konuşmadan önce, biyolojik nöronlara(Şekil 1) kısaca bir bakalım. Nöronlar hücre gövdesi, dendritler ve aksondan oluşur. Aksonun uç kısmı, telodendria adı verilen dallara ayrılır ve bu dalların uçlarında diğer nöronların dendritlerine yada direk hücre gövdesine bağlanan ve sinaptik terminaller adı verilen yapılar bulunur. Nöronlar, sinapslar yoluyla diğer nöronlardan gelen kısa elektriksel uyarıları alırlar. Bir nöron, birkaç milisaniye içinde diğer nöronlardan yeterli sinyal aldığında, kendi sinyalini ateşler.

 im1

 

Şekil 1. Biyolojik nöron

Nöronlar tek başlarına oldukça basit bir şekilde davranıyor gibi görünse de, her bir nöron binlerce nörona bağlanır ve milyarlarca nöronluk ağlar oluştururlar. Biyolojik sinir ağlarının mimarisi halen bir araştırma konusu olsa da, beynin bazı kısımlarında Şekil 2’deki gibi nöron tabakalarından oluştukları görülmektedir.

im2

Şekil 2. Biyolojik sinir ağları

Nöronlar ile Mantıksal Hesaplamalar

McCulloch ve Pitts, daha sonra yapay nöron olarak adlandırılacak, bir yada daha fazla ikili girişe ve bir çıkışa sahip olan basit bir model önerdiler. Yapay nöron, belli sayıda girişinin aktif olması durumunda, çıkışını aktif eder. McCulloch ve Pitts, bu yapay nöronlar ile oluşturulan ağların, herhangi bir mantıksal önermeyi hesaplayabileceğini göstermiştir.

im3

Şekil 3. Çeşitli YSA’lar
  1. Soldaki ilk ağ, bir birim fonksiyondur: A aktifleştiğinde C de aktifleşir; A aktifleşmezse, C de aktifleşmez.
  2. İkinci ağ, mantıksal VE işlemini gerçekleştirir: Girişlerden her ikisi de aktif ise C de aktifleşir.
  3. Üçüncü ağ, mantıksal VEYA: C’nin aktifleşmesi için A yada B’den birinin aktifleşmesi yeterlidir.
  4. Dördüncü ağ ise biraz daha karmaşık bir mantıksal önermeyi hesaplar: C, sadece A aktif ve B aktif olmadığında aktifleşir.

Bir sonraki yazımızda, en basit yapay sinir ağı örneklerinden biri olan Perceptron ile devam edeceğiz.

Görüşmek üzere.

Kaynaklar

  1. Geron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow Concepts, Tools, and Techniques for Building Intelligent Systems. Sebastopol: OReilly UK Ltd.
Reklamlar

Yapay Sinir Ağları ve Derin Öğrenme – 1” için bir yorum

Bir Cevap Yazın

Aşağıya bilgilerinizi girin veya oturum açmak için bir simgeye tıklayın:

WordPress.com Logosu

WordPress.com hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Google+ fotoğrafı

Google+ hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Twitter resmi

Twitter hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

Facebook fotoğrafı

Facebook hesabınızı kullanarak yorum yapıyorsunuz. Çıkış  Yap /  Değiştir )

w

Connecting to %s