Sinir Ağı (NN)

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

Yapay 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, sonraki katmandaki nöronlara bağlı olan nöronlar içerir.

1. Giriş 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 bir nöron, girdilerine matematiksel bir dönüşüm uygular; bu, model ağırlıklarını ve çıktısını belirlemek için ReLU veya Sigmoid gibi bir aktivasyon fonksiyonunu öğrenmeyi içerir. 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.

Veri kümeleri ağını beslemeyi içeren, eğitim olarak bilinen öğrenme süreci. Ağ bir tahminde bulunur, bunu gerçek sonuçla karşılaştırır ve bir kayıp fonksiyonu kullanarak bir hata hesaplar. Daha sonra, birçok yineleme veya epok boyunca bu hatayı en aza indirmek için bağlantılarının ağırlıklarını ayarlamak üzere geri yayılım 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 Karşılaştırması: Makine öğrenimi (ML), geniş bir yapay zeka alanıdır ve NN'ler yalnızca bir tür ML modelidir. Diğer ML modelleri arasında katmanlı nöron mimarisini kullanmayan karar ağaçları ve destek vektör makineleri (SVM'ler) bulunur.
• Derin Öğrenme ve Sinir Ağları: Derin öğrenme, özellikle çok sayıda gizli katmana sahip derin sinir ağlarını (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 Ağlarının Türleri ve Uygulamaları

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

1. Bilgisayarlı Görü (CV): Evrişimsel Sinir Ağları (CNN'ler), bilgisayarlı görüde baskın güçtür.

   • Nesne Tespiti: Ultralytics YOLO11 gibi modeller, bir görüntüdeki nesneleri sınırlayıcı kutular kullanarak tanımlamak ve konumlandırmak için CNN'leri kullanır. Bu, kendi kendine giden arabalarda yapay zeka ve yapay zeka odaklı envanter yönetimi gibi uygulamalar için kritik öneme sahiptir.
   • Görüntü Bölütleme: SA'lar, tıbbi görüntü analizi gibi görevler için ayrıntılı sahne anlayışı sağlamak üzere bir görüntüdeki her pikseli sınıflandırabilir. Ultralytics belgeleriyle bölütleme görevlerini keşfedebilirsiniz.

2. Doğal Dil İşleme (DDİ): Yinelemeli Sinir Ağları (RNN'ler) ve Transformatörler dahil olmak üzere NN'ler, makinelerin dili işleme biçiminde devrim yarattı.

   • Makine Çevirisi: Google Çeviri gibi hizmetler, diller arasında metni otomatik olarak olağanüstü bir doğrulukla çevirmek için karmaşık NN'lere güvenir.
   • Duygu Analizi (Sentiment Analysis): İşletmeler, bu IBM tarafından yapılan duygu analizi genel bakışında açıklandığı gibi, duygusal tonu (olumlu, olumsuz veya nötr) belirlemek için müşteri incelemelerini ve sosyal medya yorumlarını analiz etmek için NN'leri kullanır.

Araçlar ve Çerçeveler

Güçlü araçlar ve çerçeveler, NN'lerin geliştirilmesini erişilebilir hale getirir.

• Kütüphaneler: PyTorch ve TensorFlow gibi framework'ler, NN'leri oluşturmak ve eğitmek için temel yapı taşlarını sağlar. Resmi PyTorch ve TensorFlow web sitelerinde 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 merkezlerden veya Ultralytics ekosistemi içinden edinilebilen önceden eğitilmiş modellerle başlar. Bu modeller genellikle yalnızca belirli bir veri kümesi üzerinde ince ayar gerektirir, bu da önemli ölçüde zaman ve hesaplama kaynaklarından tasarruf sağlar. Belgelerimizde farklı YOLO modelleri arasındaki karşılaştırmaları bulabilirsiniz.