Sinir Ağı (NN)

Sinir Ağı (NN), insan beyninin yapısı ve işlevinden esinlenen bir hesaplama modelidir. Çoğu derin öğrenme (DL) modelinin bel kemiğini oluşturur ve modern Yapay Zeka'da (AI) temel bir kavramdır. NN'ler, bilgileri birbirine bağlı düğüm katmanları veya "nöronlar" aracılığıyla işleyerek verilerdeki kalıpları tanımak için tasarlanmıştır. Bu yapı, büyük miktarda veriden öğrenmelerini sağlayarak onları görüntü tanıma ve doğal dil işleme (NLP) gibi karmaşık görevler için inanılmaz derecede güçlü kılar.

Sinir Ağları Nasıl Çalışır?

Bir sinir ağı üç ana katman türünden oluşur: bir giriş katmanı, bir veya daha fazla gizli katman ve bir çıkış katmanı. Her katman, bir sonraki katmandaki nöronlara bağlı nöronlar içerir.

1. Girdi Katmanı: Bu katman, bir görüntünün pikselleri veya bir cümledeki kelimeler gibi ilk verileri alır.
2. Gizli Katmanlar: Bunlar girdi ve çıktı arasındaki ara katmanlardır. Hesaplamanın çoğu burada gerçekleşir. Her nöron, çıktısını belirlemek için model ağırlıklarını ve ReLU veya Sigmoid gibi bir aktivasyon fonksiyonunu öğrenmeyi içeren girdilerine matematiksel bir dönüşüm uygular. Birden fazla gizli katmana sahip ağlar "derin" sinir ağları olarak bilinir.
3. Çıktı Katmanı: Bu son katman, bir sınıflandırma etiketi veya tahmin edilen bir değer gibi sonucu üretir.

Eğitim olarak bilinen öğrenme süreci, ağın büyük veri kümeleriyle beslenmesini içerir. Ağ bir tahminde bulunur, bunu gerçek sonuçla karşılaştırır ve bir kayıp fonksiyonu kullanarak bir hata hesaplar. Daha sonra, bu hatayı birçok yineleme veya dönem boyunca en aza indirmek için bağlantılarının ağırlıklarını ayarlamak üzere geriye yayılma adı verilen bir algoritma kullanır. Bu süreç Adam gibi bir optimizasyon algoritması tarafından yönlendirilir.

Sinir Ağları ve İlgili Kavramlar

NN'leri diğer ilgili terimlerden ayırmak önemlidir:

• Makine Öğrenimi ve Sinir Ağları: Makine öğrenimi (ML) yapay zekanın geniş bir alanıdır ve NN'ler ML modelinin sadece bir türüdür. Diğer ML modelleri arasında katmanlı nöron mimarisini kullanmayan karar ağaçları ve destek vektör makineleri (SVM'ler) yer alır.
• Derin Öğrenme ve Sinir Ağları: Derin öğrenme, özellikle derin sinir ağlarını (birçok gizli katmana sahip NN'ler) kullanan bir makine öğrenimi alt alanıdır. Bu nedenle, tüm derin öğrenme sistemleri NN'lere dayanır, ancak yalnızca bir gizli katmana sahip basit bir NN "derin" olarak kabul edilmeyebilir.

Sinir Ağları Türleri ve Uygulamaları

Sinir Ağları inanılmaz derecede çok yönlüdür ve çeşitli özel mimarilere uyarlanmıştır. İşte iki önemli örnek:

1. Bilgisayarla Görme (CV): Konvolüsyonel Sinir Ağları (CNN'ler) bilgisayarla görme alanında baskın güçtür.

   • Nesne Algılama: Ultralytics YOLO11 gibi modeller, sınırlayıcı kutular kullanarak bir görüntü içindeki nesneleri tanımlamak ve bulmak için CNN'leri kullanır. Bu, sürücüsüz araç larda yapay zeka ve yapay zekaya dayalı envanter yönetimi gibi uygulamalar için kritik öneme sahiptir.
   • Görüntü Segmentasyonu: NN'ler, tıbbi görüntü analizi gibi görevler için ayrıntılı sahne anlayışını sağlamak üzere bir görüntüdeki her pikseli sınıflandırabilir. Ultralytics dokümantasyonu ile segmentasyon görevlerini keşfedebilirsiniz.

2. Doğal Dil İşleme (NLP): Tekrarlayan Sinir Ağları (RNN 'ler) ve Dönüştürücüler de dahil olmak üzere NN 'ler, makinelerin dili işleme biçiminde devrim yaratmıştır.

   • Makine Çevirisi: Google Translate gibi hizmetler, diller arasındaki metinleri dikkate değer bir doğrulukla otomatik olarak çevirmek için karmaşık NN'lere güvenir.
   • Duygu Analizi: IBM'in duygu analizine ilişkin bu genel bakışında açıklandığı gibi, işletmeler duygusal tonu (olumlu, olumsuz veya nötr) belirlemek amacıyla müşteri yorumlarını ve sosyal medya yorumlarını analiz etmek için NN'leri kullanmaktadır.

Araçlar ve Çerçeveler

NN'lerin geliştirilmesi güçlü araçlar ve çerçevelerle erişilebilir hale getirilmiştir.

• Kütüphaneler: PyTorch ve TensorFlow gibi çerçeveler, NN'lerin oluşturulması ve eğitilmesi için temel yapı taşlarını sağlar. Resmi PyTorch ve TensorFlow web sitelerinden daha fazla bilgi edinebilirsiniz.
• Platformlar: Ultralytics HUB, YOLO modellerini eğitmek, veri kümelerini yönetmek ve model dağıtım sürecini basitleştirmek için entegre bir platform sunar.
• Önceden Eğitilmiş Modeller: Birçok araştırmacı ve geliştirici, Hugging Face gibi merkezlerde veya Ultralytics ekosisteminde bulunan önceden eğitilmiş modellerle başlar. Bu modeller genellikle yalnızca belirli bir veri kümesi üzerinde ince ayar gerektirir ve önemli ölçüde zaman ve hesaplama kaynağı tasarrufu sağlar. Farklı YOLO modelleri arasındaki karşılaştırmaları belgelerimizde bulabilirsiniz.