yapay Zeka hAFTA 5

Yapay Sinir Hücresi
ve
Yapay Sinir Ağları​

By Davut Enes Yılmaz

Poll

Sibernetik, Yapay Sinir Ağları, Modelleme ve Nöronların ne olduğunu biliyor musunuz?

• Evet

• Hayır

Open Ended

Sibernetik, Yapay Sinir Ağları, Modelleme ve Nöronların diyince aklınıza ne gelior?

SİBERNETİK

Canlıların davranışlarını inceleyerek matematiksel olarak modelleyip, benzer yapay modellerin üretilmesine “sibernetik” denir. Eğitilebilir, adaptif, kendi kendine organize olup öğrenebilen ve değerlendirme yapabilen yapay sinir ağları ile insan beyninin öğrenme yapısının modellenmesi amaçlanmıştır.

Görselde bir insan sinir hücresinin yapısı gösteriliyor. Sinir hücreleri teme l oalrak ikiye ayrılır. Hücre Gövdesi ve Aksonlar. Dış dünyadan gelen uyarılar(implulslar) gövdeden aksonlara doğru hareket eder.

Sinir Hücresi

Yapay sinir hücreleri de insan hücreleri gibi aldığı dış uyarılara tepki vererek çalışır. parametrelerine göre çıkış üretir.

Yapay Sinir Hücresi

Y: x'e bağlı bağımlı değişkenimiz.
x: Bağımsız girilş parametrelreimizdir.
w:Her bir giriş parametresinin ağılrık parametresidir.
b: Sabit bias değeridir.

Yapay Sinir Hücresi Matematiği

Multiple Choice

Yapay Sinir Hücresi Matematiği'ne göre x aşağıdakilerden hangisidir?

• Bağımlı değişken

• Bağımsız giriş parametresi

• Giriş parametresi ağırlığı

• Sinir hücresinni değerini gösteren sabit değişken.

Multiple Choice

Yapay Sinir Hücresi Matematiği'ne göre y aşağıdakilerden hangisidir?

• Bağımlı değişken

• Bağımsız giriş parametresi

• Giriş parametresi ağırlığı

• Sinir hücresinni değerini gösteren sabit değişken.

Multiple Choice

Yapay Sinir Hücresi Matematiği'ne göre bias aşağıdakilerden hangisidir?

• Bağımlı değişken

• Bağımsız giriş parametresi

• Giriş parametresi ağırlığı

• Sabit değişken.

Sinir Ağlarında Katman Modelleri

Yapay sinir ağları tek bir nörondan (sinir hücresinden) ibaret değildir; belirli bir amaca hizmet etmek üzere bir veya birden fazla nöronun bir araya getirilmesiyle katman adı verilen yapılar oluşturulur. Bir sinir ağı temel olarak üç farklı katman türünden meydana gelir: giriş katmanı, gizli katman (bir veya birden fazla olabilir) ve çıkış katmanı. Bu katmanların her biri, ihtiyaca göre tek bir nöron içerebileceği gibi çok sayıda nörondan da oluşabilir.

3 Giriş, 4 gizli, 2 çıkış nörenumuz olan tek katmanlı sinir ağı modelimiz olsun. Modelimizin öğrenmesi gereken parametre sayısı şu şekilde hesaplanır.

Giriş katmanındaki Nöron sayısı gizli katmandaki nöron sayısı + gizli katmandaki nöron sayısı * cıkış katmanındaki nöron sayısı = ağırlık değerlerimiz.

Gizli katmandaki nöron sayısı + çıkış katmanındaki nöron sayısı = bias sayısı.
bias + ağırlık = parametre sayısı

Tek Katmanlı Model

Multiple Choice

Bir yapay sinir ağında 3 giriş, 4 gizli ve 3 çıkış nöronu bulunmaktadır. Bu modelde sadece giriş katmanı ile gizli katman arasındaki 'ağırlık' (weight) sayısı kaçtır?

• 12

• 6

• 7

• 16

Multiple Choice

3 giriş, 4 gizli ve 3 çıkış nöronundan oluşan bir modelde, toplam 'bias' parametresi sayısı kaçtır?

• 3

• 4

• 7

• 16

Çok katmanlı modellerde öğrenilmesi gereken parametre sayısı tek katmanlıyla aynı şekilde hesaplanır. Tek fark gizli katmanların sonuncusuna gelene kadar. Bir sonrakinyle çarpılarak devam eder.

Çok Katmanlı Model

Sinir Ağlarında Nöronların Kullanımı

Sinir Ağlarında Nöronların Kullanımı

Yapay sinir ağında katmanlar içinde kullanılan nöronların birbirleri ile ilişkisi yoktur. En önemli görevleri sistemde olan bilgiyi bir sonraki katmana ya da çıkış katmanına aktarmaktır. Ard arda gelen iki katmandaki nöronlar farklı aktivasyon değerlerine göre YSA modelin öğrenme seviyesini belirleyip aktarım işlemini gerçekleştirir. Yapay sinir ağlarında nöron sayısı, giriş parametresi ve katman sayısı modelin önemli parametrelerindendir. Pek çok hiper parametre kullanılarak çıkış performansı arttırılabilir. W ağırlık vektörü ise düğüm/nöron sayısı (hücre), bias (b) değerleri de gelecek katmandaki düğüm sayısı kadar olmalıdır.

Sinir Ağlarında Aktivasyon Fonksiyonları

Sigmoid fonksiyonu, çıktıyı 0 ile 1 arasına sıkıştıran ve genellikle sınıflandırma problemlerinde kullanılan bir aktivasyon fonksiyonudur. Model çıktısını olasılık olarak yorumlamaya imkân tanır.

Sigmoid

tanh fonksiyonu, sigmoid’e benzer şekilde çalışır ancak çıktı aralığı −1 ile 1 arasındadır. Sıfır merkezli yapısı sayesinde bazı durumlarda daha dengeli öğrenme sağlar.

Hiperbolik Tanjant

ReLU fonksiyonu, negatif girdileri sıfır yaparak yalnızca pozitif değerleri iletir. Özellikle gizli katmanlarda kullanılır ve modelin daha hızlı ve verimli eğitilmesine yardımcı olur.

Rektifiye Doğrusal Birim (ReLu)

Leaky ReLU, ReLU’ya benzer şekilde çalışır ancak negatif girdileri tamamen sıfırlamak yerine küçük negatif değerlere izin verir. Bu sayede nöronların pasif kalması engellenir ve öğrenme sürekliliği sağlanır.

Leaky ReLU

Maxout fonksiyonu, birden fazla doğrusal fonksiyon arasından en büyük çıktıyı seçerek çalışan, öğrenilebilir bir aktivasyon fonksiyonudur. En etkili girişin seçilmesini sağlayarak model performansını artırır.

Maxout

ELU fonksiyonu, pozitif değerlerde ReLU gibi davranırken negatif değerler için yumuşak bir geçiş sunar. Bu yapı, ölü nöron problemini azaltarak modelin daha hızlı yakınsamasına yardımcı olur.

Üstel Doğrusal Birim (ELU)

Multiple Choice

Aşağıdakilerden hangisi Sigmoid aktivasyon fonksiyonu için doğrudur?

• Çıkış aralığı −1,1’dir

• Çıkış aralığı 0,1’dir ve olasılık yorumu yapılabilir

Multiple Choice

Leaky ReLU fonksiyonu, ReLU fonksiyonuna kıyasla hangi problemi çözmeyi amaçlar?

• Ölü nöron (dead neuron) problemini

• Negatif girdileri küçük negatif değerlere dönüştürür

Multiple Choice

ReLU aktivasyon fonksiyonunun temel çalışma prensibi aşağıdakilerden hangisidir?

• Negatif girdileri sıfır kabul eder

• Negatif girdileri küçük negatif değerlere dönüştürür