Bir Başka Algoritma: Derin Öğrenme
Geçtiğimiz günlerde Makine Öğrenmesi’nin tablo halindeki tarih, değer ve kategorik veriler gibi yapısal veriler üzerindeki tahmin edebilme özelliğinden bahsetmiştik.
Yapısal verinin incelenmesi, aynı zamanda da yapılan bu gözlemin betimlenmesi makinelerce yapısal olmayan veriler kadar zor değil. Örnek vermek gerekirse bir kedi görselinden özelliklerini çıkarmak için önce kulağına sonra burnuna veyahut onun kedi olduğunu belirten bir çok farklı özelliğini görmemiz, bunu kavramamız sonra da bu kavram üzerine bir çıkarım yapmamız gerekir.
Bu gibi çıkarımların bildiğimiz algoritmalarca betimlenmesi için önce verilen görselin her pikselinin, o pikselin komşu pikselinin ve oradaki renklerden ve piksellerden oluşan bir yapının tanınması gerekiyor.
Nasıl Çalışır?
Kuşlardan ilham alıp uçaklar, atlardan ilham alıp nasıl arabalar icat ettiysek insan beyninin işleyişini gözlemleyip “Yapay Sinir Ağları” adlı Derin Öğrenme algoritmasını icat ettik. Derin öğrenme tıpkı insan beynindeki nöronlar gibi işler.
Peki Nöron nedir?
Sinir hücresi ya da nöron sinir sisteminin temel fonksiyonel birimidir. Başlıca işlevi bilgi transferini gerçekleştirmektir. İnsan sinir sisteminde yaklaşık olarak 100 milyar nöron olduğu tahmin edilmektedir. Normal bir sinir hücresi 50.000–250.000 kadar başka nöronla bağlantılıdır.[Vikipedi]
Nöronlar temel olarak anlatmak gerekirse üç bölümden oluşur. Bunlar Dendrit, Gövde ve Akson kısımlarıdır.
Dendrit girdilerimizin alındığı kısım, Hücre gövdesi girdilerimizin işlendiği kısım, Akson ise işlenen girdilerimizin Çıktı olarak verilmek üzere iletildiği kısım şeklinde özetlenebilir. Tabii ki her bir sinir hücresi birbiriyle bağlantılı şekilde çalışmakta ve bu bağlantılar ile daha karmaşık kavramları algılayabilmektedir.
Yapay Sinir Ağları
Yapay Sinir Ağları’nın İnsan beyninde bulunan nöronlardan yani sinir hücrelerinden esinlendiğini ve benzerliklerini kavradık. Sinir hücrelerini makinelerin algılayabildiği şekle büründürmek için birkaç farklılık yaparak aynı mantıkla aktarma sağlanmıştır.
Yapay Sinir Ağlarının üç temel bölümü vardır. Bunlar Girdi Katmanı, Gizli Katman veya katmanlar ve Çıktı Katmanı olarak anlatılır.
Girdi Katmanı aynı sinir hücrelerindeki Dendrit bölümünde olduğu gibi girdilerimizin alındığı kısımdır. Daha sonraki aşamada Gizli Katmanlar bu girdilerden bir anlam çıkarmak üzere işler ve sonuç olarak Çıktı Katmanı’na gönderir. Çıktı Katmanı ise bize bu işlemden çıkan sonuçu aktarır.
Her ne kadar yapay sinir ağları ve nöronlar, bilim adamlarının 50'li yıllarda beyinde gözlemlenen biyolojik süreçlerden ilham almış olsalar da, biyolojik muadillerinden birkaç yönden farklıdırlar.
İlk Yapay Sinir Ağı Çalışması
Frank Rosenblatt tarafından icat edilen Perceptron, başlangıçta bir yazılım işlevi yerine özel olarak oluşturulmuş bir mekanik donanım olarak tasarlandı. Mark 1 Perceptron, ABD donanması tarafından görüntü tanıma görevleri için yapılmış bir makineydi.
Bu zamanlarda böylesine bir araştırmanın sınıflandırma görevini ne kadar heyecan yarattığını bir düşünün. Belirli komutları tanımlanmış kod parçasından sınıflandırma görevini yapmak yerine görsel zeka ile tahmin ederek ayırt edebilen bir makine. İnsanlarda bu araştırmanın uyandırdığı heyecan oldukça gerçekti hatta New York Times bu araştırmayı şu sözlerle açıkladı;
“Bir donanma aygıtı, bugün yürüyebileceğini, konuşabileceğini, görebileceğini, yazabileceğini, kendini yeniden üretebileceğini ve varlığının bilincinde olmasını beklediği bir elektronik bilgisayarın embriyosunu ortaya çıkardı.”[NYTIMES]
Bu yazımızda Yapay Sinir Ağlarının temelini atmış olduk. Bir sonraki devam yazımızda Perceptron modelinin daha karışık problemleri bir süre çözememesinden kaynaklı oluşan Yapay Zeka Kışını ve bu dönemi nasıl aştıklarından bahsedeceğiz.
Yazımızı beğendiyseniz Alkışlamayı ve Takip etmeyi unutmayın! Okuduğunuz için teşekkürler.
