Perseptronlar ve sinir ağları: Bilgisayarlı görünün temel prensipleri

Son birkaç on yılda, neural networks, yapay zeka (AI) alanındaki birçok önemli inovasyonun yapı taşı haline geldi. Neural networks, insan beyzinin karmaşık işlevlerini taklit etmeye çalışan hesaplamalı modellerdir. Makinelerin data üzerinden öğrenmesine ve bilinçli kararlar almak için kalıpları tanımasına yardımcı olur. Bunu yaparak healthcare, finance ve self-driving cars gibi sektörlerde computer vision ve deep learning gibi AI alt alanlarını mümkün kılar.

Bir neural network modelinin nasıl çalıştığını anlamak, AI'ın ne olduğunu gösteren "black box" hakkında sana daha iyi bir fikir verebilir ve son teknoloji ürünü yeniliklerin daily lives hayatımıza nasıl entegre edildiğini anlamanı kolaylaştırabilir. Bu makalede neural networks nedir, nasıl çalışır ve yıllar içinde nasıl evrimleştiğini inceleyeceğiz. Ayrıca computer vision applications alanında oynadıkları rolü de ele alacağız. Hadi başlayalım!

YZ'de algılayıcı (perceptron) nedir?#

Neural networks hakkında detaylı konuşmadan önce perceptron'lara bir göz atalım. Bunlar en temel neural network türüdür ve daha karmaşık models oluşturmanın temelini oluşturur.

supervised learning (labeled training data üzerinden öğrenme) için kullanılan doğrusal bir machine learning algoritmasıdır. Tek katmanlı bir neural network olarak da bilinir ve tipik olarak iki veri sınıfı arasında ayrım yapan ikili sınıflandırma görevleri için kullanılır. Bir perceptron'u görselleştirmeye çalışıyorsan onu tek bir yapay nöron olarak düşünebilirsin.

Fig 1. Bir perceptron tek bir yapay nörandır.

Bir algılayıcının nasıl çalıştığını anlamak#

Bir perceptron birkaç girdi alabilir, bunları ağırlıklarla birleştirebilir, hangi kategoriye ait olduklarına karar verebilir ve basit bir karar verici olarak hareket edebilir. Dört ana parameters parametreden oluşur: girdi değerleri (düğüm olarak da adlandırılır), weights and biases, net toplam ve bir aktivasyon fonksiyonu.

İşte çalışma şekli:

• Inputs and weights: Diyelim ki birkaç bilgi parçanız (girdiniz) var ve her birinin ne kadar önemli olduğunu gösteren bir ağırlığı var. Buna ek olarak bias, perceptron'un karar vermede daha esnek olmasına yardımcı olur.
• Ağırlıklı toplamı hesaplama: Algılayıcı, her girdiyi kendi ağırlığıyla çarpar ve ardından ağırlıklı bir toplama ulaşmak için sapma dahil her şeyi toplar.
• Karar verme: Daha sonra algılayıcı, nihai çıktıyı belirlemek için bir aktivasyon fonksiyonu kullanır. Ağırlıklı toplamı alır ve algılayıcının aktive olup olmayacağına karar verir. En basit durumda aktivasyon fonksiyonu, ağırlıklı toplam belirli bir eşiğin üzerindeyse bir, değilse sıfır çıktısı veren bir basamak fonksiyonudur. Yani, ağırlıklı girdi evet ya da hayır kararına dönüştürülür.
• Learning and improving: Perceptron bir hata yaparsa bir sonraki seferde gelişmeye çalışmak için ağırlıkları ayarlar. Bu süreç helps the model learn modelin hatalarından öğrenmesine yardımcı olur.

Şekil 2. Algılayıcıya Genel Bakış. kaynak: indiantechwarrior.com

Algılayıcıların bilgisayarlı görüdeki rolü#

Perceptron'lar basics of computer vision temellerini anlamamızda önemli bir rol oynar. advanced neural networks gelişmiş sinir ağlarının temelidir. Perceptron'ların aksine neural networks tek bir katmanla sınırlı değildir. Birbirine bağlı perceptron'ların birden fazla katmanından oluşurlar, bu da karmaşık doğrusal olmayan kalıpları öğrenmelerini sağlar. Neural networks daha gelişmiş görevlerin üstesinden gelebilir ve hem ikili hem de sürekli çıktılar üretebilir. Örneğin, neural networks instance segmentation ve pose estimation gibi advanced computer vision tasks için kullanılabilir.

Sinir ağlarından bilgisayarlı görü teknolojisinin evrimi#

Sinir ağlarının tarihi birkaç on yıl öncesine dayanır ve araştırmalarla ilginç keşiflerle doludur. Bu önemli olaylardan bazılarına daha yakından bakalım.

İşte ilk dönüm noktalarına hızlı bir bakış:

• 1940'lar: Warren McCulloch ve Walter Pitts, beynin nasıl çalıştığını taklit etmek için basit bir devre geliştirdiler.
• 1958: Rosenblatt algılayıcıyı tanıttı.
• 1970'ler: Paul Werbos, geri yayılım (backpropagation) kavramını ortaya attı (bir neural network modelinin tahmin edilen ve gerçek çıktı arasındaki farkı en aza indirerek öğrenmesine yardımcı olan bir eğitim yöntemi). Backpropagation, çok katmanlı neural networks modellerini train eğitmeyi mümkün kıldı ve deep learning için zemin hazırladı.
• 1980'ler: Geoffrey Hinton ve Yann LeCun gibi araştırmacılar, birbirine bağlı birim ağlarının bilişsel süreçleri nasıl oluşturabileceği ile ilgili bağlantıcılık üzerine çalıştılar. Çalışmaları modern sinir ağlarının temelini oluşturdu.
• 1990'lar: Jürgen Schmidhuber ve Sepp Hochreiter, dizi tahmini içeren görevler için vazgeçilmez hale gelen uzun kısa süreli bellek (LSTM) ağını önerdiler.

Fig 3. Neural Networks'ün Evrimi.

yüzyıla girdiğimizde, sinir ağları üzerindeki araştırmalar hız kazandı ve daha büyük ilerlemelere yol açtı. 2000'lerde Hinton'un verilerdeki kalıpları bulan bir sinir ağı türü olan kısıtlı Boltzmann makineleri üzerindeki çalışmaları, derin öğrenmeyi ilerletmede kilit bir rol oynadı. Derin ağların eğitimini kolaylaştırdı, karmaşık modellerle ilgili zorlukların üstesinden gelmeye yardımcı oldu ve derin öğrenmeyi daha pratik ve etkili hale getirdi.

Then, in the 2010s, research rapidly accelerated due to the rise of big data and parallel computing. A highlight during this time was AlexNet's win in the ImageNet competition (2012). AlexNet, a deep convolutional neural network, was a major breakthrough because it showed how powerful deep learning could be for computer vision tasks, like accurately recognizing images. It helped spark the rapid growth of AI in visual recognition.

Günümüzde neural networks, dizileri anlamak için harika olan transformers gibi yeni yenilikler ve verilerdeki karmaşık ilişkilerle iyi çalışan graf sinir ağları ile evrimleşmektedir. Bir görevde eğitilmiş bir modeli diğeri için kullanmak gibi transfer learning teknikleri ve modellerin without needing labeled data öğrendiği öz supervised learning, neural networks kapasitesini genişletmektedir.

Sinir ağlarını anlamak: Temeller#

Temelleri ele aldığımıza göre, bir neural network modelinin tam olarak ne olduğunu anlayalım. Neural networks, insan beynine benzeyen katmanlı bir yapıda birbirine bağlı düğümleri veya nöronları kullanan bir machine learning model türüdür. Bu düğümler veya nöronlar verileri işler ve verilerden öğrenerek pattern recognition gibi görevleri yerine getirmelerini sağlar. Ayrıca neural networks uyarlanabilirdir, böylece hatalarından ders çıkarabilir ve zamanla gelişebilirler. Bu da onlara facial recognition gibi karmaşık sorunların üstesinden daha doğru bir şekilde gelme yeteneği kazandırır.

Fig 4. Bir Neural Network.

Neural networks, katmanlar şeklinde düzenlenmiş, paralel olarak çalışan birden fazla işlemciden oluşur. Bir girdi katmanı, bir çıktı katmanı ve aralarında birkaç gizli katmandan oluşurlar. Girdi katmanı, tıpkı optic sinirlerimizin görsel bilgileri alması gibi ham verileri alır.

Ardından her katman, orijinal girdiyle doğrudan çalışmak yerine çıktısını bir sonrakine iletir; tıpkı beyindeki nöronların birbirine sinyal göndermesi gibi. Son katman ağın çıktısını üretir. Bu süreci kullanarak yapay bir sinir ağı (ANN), görüntü classification gibi computer vision tasks gerçekleştirmeyi öğrenebilir.

Bilgisayarlı görüde sinir ağlarının endüstriyel bir uygulaması#

Sinir ağlarının ne olduğunu ve nasıl çalıştığını anladığımıza göre, sinir ağlarının bilgisayarlı görüdeki potansiyelini sergileyen bir uygulamaya göz atalım.

Enerji sektöründe elektrik hatlarının denetlenmesi#

Neural networks, Ultralytics YOLO11 gibi computer vision modellerinin temelini oluşturur ve dronlar kullanılarak power lines hatlarını görsel olarak incelemek için kullanılabilir. utilities industry sektörü, geniş elektrik hattı ağlarını denetlemek ve bakımını yapmak söz konusu olduğunda lojistik zorluklarla karşı karşıyadır. Bu hatlar genellikle kalabalık urban areas bölgelerden uzak ve rugged landscapes engebeli manzaralara kadar her şeyi kapsar. Geleneksel olarak bu denetimler yer ekipleri tarafından gerçekleştirilirdi. Etkili olmakla birlikte bu manuel yöntemler maliyetlidir, zaman alıcıdır ve workers çalışanları environmental ve elektriksel tehlikelere maruz bırakabilir. Araştırmalar, elektrik hattı işinin Amerika'daki en tehlikeli on iş arasında yer aldığını ve 100.000 çalışan başına 30 ila 50 annual fatality rate yıllık ölüm oranına sahip olduğunu göstermektedir.

Ancak drone inspection technology, aerial inspections denetimlerini daha pratik ve uygun maliyetli bir seçenek haline getirebilir. Son teknoloji, dronların denetimler sırasında sık sık pil değiştirmeye gerek kalmadan daha uzun mesafeler uçmasını sağlar. Birçok dron artık yapay zeka ile entegre olarak geliyor ve otomatik engelden kaçınma özelliklerine ve daha iyi hata algılama yeteneklerine sahip. Bu özellikler, çok sayıda elektrik hattına sahip kalabalık alanları incelemelerine ve daha büyük mesafelerden capture high-quality images yüksek kaliteli görüntüler yakalamalarına olanak tanır. Birçok ülke elektrik hattı denetim görevleri için dron ve computer vision kullanımını benimsemektedir. Örneğin Estonya'da tüm elektrik hattı denetimlerinin %100'ü bu tür dronlar tarafından yapılmaktadır.

Şekil 5. Elektrik hatlarını denetlemek için dron ve YZ araçlarını kullanan bir teknisyen (soldaki görüntü) ve kullandığı dron (sağdaki görüntü) (suasnews).

Öne çıkanlar#

Sinir ağları, araştırmadan uygulamalara kadar çok yol kat etti ve modern teknolojik gelişmelerin önemli bir parçası haline geldi. Makinelerin öğrenmesine, kalıpları tanımasına ve öğrendiklerini kullanarak bilinçli kararlar almasına olanak tanırlar. Sağlık hizmetleri ve finanstan otonom araçlara ve üretime kadar bu ağlar, inovasyonu yönlendiriyor ve endüstrileri dönüştürüyor. Sinir ağı modellerini keşfetmeye ve iyileştirmeye devam ettikçe, günlük yaşamımızın ve iş operasyonlarımızın daha fazla yönünü yeniden tanımlama potansiyelleri giderek daha net hale geliyor.

Daha fazlasını keşfetmek için GitHub repository ziyaret edin ve community ile etkileşime geçin. Çözüm sayfalarımızda manufacturing ve agriculture alanındaki yapay zeka uygulamalarını keşfedin. 🚀