Sinir ağı nedir?

Sinir ağı, bilgisayarlara verileri insan beyninden esinlenerek işlemeyi öğreten bir yapay zeka yöntemidir. Bu, insan beynine benzeyen katmanlı bir yapıda birbirine bağlı düğümleri veya nöronları kullanan ve derin öğrenme adı verilen bir tür makine öğrenimi sürecidir. Bilgisayarların hatalarından ders çıkarmak ve sürekli olarak gelişmek için kullandığı uyarlanabilir bir sistem oluşturur. Böylece, yapay sinir ağları, belgelerin özetini çıkarma ya da yüzleri tanıma gibi karmaşık sorunları daha fazla doğrulukla çözmeye çalışır.

Derin Öğrenmeye Giriş

Sinir ağları neden önemlidir?

Sinir ağları, bilgisayarların sınırlı insan desteğiyle akıllı kararlar almasına yardımcı olur. Bunun nedeni, doğrusal olmayan ve karmaşık girdi ve çıktı verileri arasındaki ilişkileri öğrenip modelleyebilmeleridir. Örneğin, sinir ağları aşağıdaki görevleri gerçekleştirebilir.

Genelleme ve çıkarım yapma

Sinir ağları, yapılandırılmamış verileri kavrayabilir ve özel eğitim olmadan genel gözlemler yapabilir. Örneğin, iki farklı girdi cümlesinin benzer anlama sahip olduğunu anlayabilirler:

  • Nasıl ödeme yapacağımı söyleyebilir misin?
  • Nasıl para transferi yaparım?

Bir sinir ağı, her iki cümlenin de aynı anlama geldiğini bilecektir. Ya da, daha kapsamlı olarak Baxter Road'un bir yer adı, Baxter Smith'in ise bir kişi adı olduğunu anlayabilir.

Gizli ilişkileri ve modelleri ortaya çıkarma

Sinir ağları, ham verileri daha derinlemesine analiz edebilir ve eğitimini almadıkları yeni öngörüleri ortaya çıkarabilir. Örneğin, tüketici alışverişlerini analiz eden bir model tanıma sinir ağını göz önünde bulunduralım. Sinir ağı, çok sayıda kullanıcının satın alma modelini karşılaştırarak belirli bir tüketicinin ilgisini çekebilecek yeni ürünler önerebilir.

Otonom, kendi kendine öğrenme sistemleri oluşturma

Sinir ağları, kullanıcı davranışına dayalı olarak zaman içinde öğrenebilir ve gelişebilir. Örneğin, tuşlama davranışınızı analiz ederek sözcükleri otomatik olarak düzelten veya öneren bir sinir ağı düşünün. Modelin İngilizce dilinde eğitildiğini ve İngilizce sözcükler için yazım denetimi yapabildiğini varsayalım. Bununla birlikte, sıklıkla danke gibi İngilizce olmayan sözcükler yazarsanız sinir ağı bu sözcükleri de otomatik olarak öğrenerek düzeltebilir.

Son derece değişken verileri öğrenme ve modelleme

Bir bankadaki kredi geri ödeme tutarları gibi bazı veri kümelerinde büyük farklılıklar olabilir. Sinir ağları, bu tür verileri de modelleyebilir. Örneğin, finansal işlemleri analiz edebilir ve bazılarını dolandırıcılık algılama için işaretleyebilir. Ayrıca, protein katlanması, DNA analizi ve daha fazlasını içeren zorlu biyolojik sorunlar için kilit öneme sahip karmaşık verileri de işleyebilirler.

Sinir ağları ne için kullanılır?

Sinir ağlarının pek çok sektörde aşağıdaki gibi çeşitli kullanım örnekleri vardır:

  • Tıbbi görüntü sınıflandırması yoluyla tıbbi tanılama
  • Sosyal ağ filtreleme ve davranışsal veri analizi aracılığıyla hedeflenen pazarlama
  • Finansal araçların geçmiş verilerini işleyerek finansal tahminlerde bulunma
  • Elektrik yükü ve enerji talebi tahmini
  • Süreç ve kalite kontrolü
  • Kimyasal bileşik tanımlama

Sinir ağlarının dört önemli uygulama alanını aşağıda bulabilirsiniz.

Görüntü işleme

Görüntü işleme, bilgisayarların görüntü ve videolardan bilgi ve öngörü ayıklama yeteneğidir. Bilgisayarlar, sinir ağları sayesinde insanlara benzeyen görüntüleri ayırt edebilir ve tanıyabilir. Görüntü işlemenin aşağıdakiler gibi çeşitli uygulama alanları vardır:

  • Yol işaretlerini ve yoldaki diğer kullanıcıları tanıyabilmek için otonom otomobillerde görüntü tanıma
  • Güvenli olmayan veya uygunsuz içerikleri görüntü ve video arşivlerinden otomatik olarak çıkarmak için içerik denetimi
  • Yüzleri tanımak ve gözlerin açık olması, gözlük ve sakal gibi özellikleri ayırt etmek için yüz tanıması
  • Marka logolarını, giysi, güvenlik ekipmanı ve diğer görüntü ayrıntılarını tanımlamak için görüntü etiketleme

Konuşma tanıma

Sinir ağları, değişen konuşma kalıplarına, ses perdesine, tonuna, dile ve aksana rağmen insan konuşmasını analiz edebilir. Amazon Alexa gibi sanal asistanlar ve otomatik deşifre yazılımları, şu gibi işlemleri gerçekleştirmek için konuşma tanıma özelliğinden yararlanır:

  • Çağrı merkezi temsilcilerine yardımcı olma ve çağrıları otomatik olarak sınıflandırma
  • Klinik görüşmeleri gerçek zamanlı olarak belgelere dönüştürme
  • İçerik kapsamını genişletmek için videolara ve toplantı kayıtlarına düzgün şekilde altyazı ekleme

Doğal dil işleme

Doğal dil işleme (NLP), insanlar tarafından oluşturulmuş doğal bir metni işleme becerisidir. Sinir ağları, bilgisayarların metin verilerinde ve belgelerdeki öngörüleri ve anlamı çıkarmasına yardımcı olur. NLP, şu işlevler dahil olmak üzere çeşitli kullanım örneklerine sahiptir:

  • Otomatik sanal temsilciler ve chatbot'lar
  • Yazılı verilerin otomatik olarak düzenlenmesi ve sınıflandırılması
  • E-posta ve form gibi uzun belgelerin iş zekası analizi
  • Sosyal medyadaki olumlu ve olumsuz yorumlar gibi duyguları belirten anahtar ifadeleri dizine ekleme
  • Belge özeti çıkarma ve belirli bir konuda makale oluşturma

Öneri altyapıları

Sinir ağları, kullanıcı faaliyetlerini izleyerek kişiselleştirilmiş öneriler geliştirebilir. Ayrıca, tüm kullanıcı davranışlarını analiz ederek belirli bir kullanıcının ilgisini çekebilecek yeni ürün veya hizmetleri keşfedebilir. Örneğin, Philadelphia merkezli bir startup olan Curalate, markaların sosyal medya gönderilerini satışlara dönüştürmesine yardımcı oluyor. Markalar, Curalate'in akıllı ürün etiketleme (IPT) hizmetini kullanarak kullanıcılar tarafından oluşturulan sosyal içeriklerin toplanmasını ve derlenmesini otomatik hale getiriyor. IPT, kullanıcının sosyal medya hareketleriyle alakalı ürünleri otomatik olarak bulmak ve önermek için sinir ağlarından yararlanır. Tüketicilerin, bir sosyal medya görüntüsündeki belirli bir ürünü bulmak için çevrimiçi kataloglarda ava çıkmasına gerek kalmaz. Bunun yerine, Curalate'in otomatik ürün etiketleme hizmetini kullanarak ürünleri kolayca satın alabilirler.

Sinir ağları nasıl çalışır?

Sinir ağı mimarisinin ilham kaynağı, insan beynidir. Nöron adı verilen insan beyni hücreleri, karmaşık ve yüksek oranda birbirine bağlı bir ağ oluşturarak birbirine elektrik sinyalleri gönderir ve böylece insanların bilgileri işlemesine yardımcı olur. Benzer şekilde, yapay bir sinir ağı, bir sorunu çözmek için birlikte çalışan yapay nöronlardan meydana gelir. Yapay nöronlar, düğüm adı verilen yazılım modülleridir ve yapay sinir ağları, özünde matematiksel hesaplamaları çözmek için bilgi işlem sistemlerini kullanan yazılım programları veya algoritmalarıdır.

Basit sinir ağı mimarisi

Temel bir sinir ağı, üç katmanda birbirine bağlı yapay nöronlara sahiptir:

Girdi Katmanı

Dış dünyadaki bilgiler yapay sinir ağına girdi katmanından girer. Girdi düğümleri, verileri işler, analiz eder veya sınıflandırır ve ardından bir sonraki katmana aktarır.

Gizli Katman

Gizli katmanlar, girdilerini girdi katmanından ya da diğer gizli katmanlardan alır. Yapay sinir ağlarında çok sayıda gizli katman bulunabilir. Her bir gizli katman, bir önceki katmandaki çıktıları analiz eder, daha ayrıntılı şekilde işler ve bir sonraki katmana aktarır.

Çıktı Katmanı

Çıktı katmanı, yapay sinir ağı tarafından işlenen tüm verilerin nihai sonucunu verir. Bu katman, bir veya daha fazla düğüme sahip olabilir. Örneğin, ikili (evet/hayır) bir sınıflandırma problemimiz varsa çıktı katmanı, sonucu 1 veya 0 olarak verecek tek bir çıktı düğümüne sahip olur. Bununla birlikte, çoklu bir sınıflandırma problemimiz olduğunda çıktı katmanı, birden fazla çıktı düğümünden oluşabilir.

Derin sinir ağı mimarisi

Derin sinir ağları veya derin öğrenme ağları, birbirine bağlı milyonlarca yapay nöronun yer aldığı birçok gizli katmana sahiptir. Ağırlık adı verilen bir sayı, bir düğüm ile diğeri arasındaki bağlantıları temsil eder. Ağırlık, bir düğüm diğerini uyarıyorsa pozitif, bir düğüm diğerini bastırıyorsa negatif bir sayıdır. Yüksek ağırlık değerine sahip düğümler, diğer düğümler üzerinde daha yüksek etkiye sahiptir.
Teorik olarak, derin sinir ağları herhangi bir girdi türünü herhangi bir çıktı türüyle eşleştirebilir. Bununla birlikte, diğer makine öğrenimi yöntemlerine kıyasla çok daha fazla eğitime ihtiyaç duyarlar. Daha basit bir ağın ihtiyaç duyabileceği yüzlerce veya binlerce eğitim verisi örneğine kıyasla, milyonlarca örneğe ihtiyaç duyarlar.

Sinir ağlarının türleri nelerdir?

Yapay sinir ağları, verilerin girdi düğümünden çıktı düğümüne nasıl aktığına bağlı olarak sınıflandırılabilir. Aşağıda birkaç örnek verilmiştir:

Beslemeli sinir ağları

Beslemeli sinir ağları, verileri girdi düğümünden çıktı düğümüne olmak üzere tek yönde işler. Bir katmandaki her düğüm, bir sonraki katmandaki her bir düğüme bağlıdır. Beslemeli bir ağ, tahminleri zaman içinde iyileştirmek için bir geri bildirim sürecinden yararlanır.

Geri yayılım algoritması

Yapay sinir ağları, tahmine dayalı analizlerini geliştirmek için düzeltici geri bildirim döngülerini kullanarak sürekli olarak öğrenir. Basitçe, sinir ağındaki pek çok farklı yolda girdi düğümünden çıktı düğümüne akan verileri düşünebilirsiniz. Girdi düğümünü, doğru çıktı düğümüyle eşleştiren yalnızca bir doğru yol vardır. Sinir ağı, bu yolu bulmak için aşağıdaki gibi çalışan bir geri bildirim döngüsü kullanır:

  1. Her düğüm, yoldaki bir sonraki düğüm hakkında bir tahminde bulunur.
  2. Tahminin doğru olup olmadığını kontrol eder. Düğümler, daha doğru tahminler sunan yollara daha yüksek ağırlık değerleri ve yanlış tahminler sunan düğüm yollarına daha düşük ağırlık değerleri tayin eder.
  3. Düğümler, bir sonraki veri noktası için daha yüksek ağırlık değerine sahip yolları kullanarak yeni bir tahminde bulunur ve ardından 1. Adımı tekrarlar.

Evrişimli sinir ağları

Evrişimli sinir ağlarındaki gizli katmanlar, özetleme veya filtreleme gibi evrişim adı verilen belirli matematiksel işlevleri yerine getirir. Görüntü tanıma ve sınıflandırma için faydalı olan görüntülerden ilgili özellikleri ayıklayabildiklerinden, bunlar görüntü sınıflandırma konusunda oldukça faydalıdır. Yeni formun, iyi bir tahminde bulunmada kritik öneme sahip özellikleri kaybetmeden işlenmesi daha kolaydır. Her bir gizli katman; köşe, renk ve derinlik gibi farklı görüntü özelliklerini ayıklar ve işler.

Sinir ağları nasıl eğitilir?

Sinir ağı eğitimi, bir sinir ağına bir görevi nasıl yerine getireceğini öğretme sürecidir. Sinir ağları, ilk olarak birkaç etiketli veya etiketsiz büyük veri kümesini işleyerek öğrenir. Bu örnekleri kullanarak, bilinmeyen girdileri daha doğru şekilde işleyebilirler.

Gözetimli öğrenme

Gözetimli öğrenmede, veri bilimciler doğru yanıtı önceden sağlayan yapay sinir ağı etiketli veri kümeleri sunar. Örneğin, yüz tanımaya yönelik bir derin öğrenme ağı eğitiminde ilk olarak her bir görüntüyü tanımlayan etnik köken, ülke veya duygu gibi çeşitli terimlerle yüz binlerce insan yüzü görüntüsü işlenir.
Sinir ağı, doğru yanıtı önceden sağlayan bu veri kümelerinden yavaş yavaş bilgi oluşturur. Ağ eğitildikten sonra, daha önce hiç işlemediği yeni bir insan yüzü görüntüsünün etnik kökeni veya duygusu hakkında tahminlerde bulunmaya başlar.

Sinir ağları bağlamında derin öğrenme nedir?

Yapay zeka, makinelere insan zekası gerektiren görevleri gerçekleştirme becerisi kazandırmaya ilişkin yöntemleri araştıran bilgisayar bilimi alanıdır. Makine öğrenimi, bilgisayarların çok büyük veri kümelerine erişmesini sağlayan ve bilgisayarlara bu verilerden bilgi edinmeyi öğreten bir yapay zeka tekniğidir. Makine öğrenimi yazılımı, mevcut verilerdeki modelleri bulur ve akıllı kararlar almak için bu modelleri yeni verilere uygular. Derin öğrenme, verileri işlemek için derin öğrenme ağlarını kullanan bir makine öğrenimi alt kümesidir.

Makine öğrenimi ve derin öğrenme karşılaştırması

Geleneksel makine öğrenimi yöntemleri, makine öğrenimi yazılımının yeterince iyi çalışması için insan girdisi gerektirir. Bir veri bilimcisi, yazılımın analiz etmesi gereken ilgili özellik kümesini manuel olarak belirler. Bu, yazılımın becerisini sınırlandırarak oluşturma ve yönetmeyi zahmetli hale getirir.
Öte yandan, derin öğrenmede veri bilimcisi yazılıma yalnızca ham verileri verir. Derin öğrenme ağı, özellikleri kendi başına çıkarır ve daha bağımsız şekilde öğrenir. Metin belgeleri gibi yapılandırılmamış veri kümelerini analiz edebilir, hangi veri özelliklerine öncelik verileceğini belirleyebilir ve daha karmaşık problemleri çözebilir.
Örneğin, bir makine öğrenimi yazılımını bir evcil hayvan görüntüsünü doğru şekilde tespit etmek üzere eğitiyorsanız şu adımları gerçekleştirmeniz gerekir:
  • Kedi, köpek, at, hamster, papağan gibi binlerce evcil hayvan görüntüsünü manuel olarak bulup etiketleme.
  • Eleme yönteminden yararlanarak görüntüyü tanımlayabilmesi için makine öğrenimi yazılımına hangi özellikleri araması gerektiğini söyleme. Örneğin, bu yazılım bacak sayısını hesaplayabilir ve ardından göz şekli, kulak şekli, kuyruk, kürk vb. özellikleri kontrol edebilir.
  • Yazılımın doğruluğunu iyileştirmek için etiketli veri kümelerini manuel olarak değerlendirme ve değiştirme. Örneğin, eğitim kümenizde çok fazla siyah kedi resmi varsa yazılım siyah bir kediyi doğru şekilde tanımlarken beyaz bir kediyi tanımlayamaz.
  • Bununla birlikte derin öğrenmede, sinir ağları tüm görüntüleri işleyerek hayvanı doğru şekilde tanımlamak için öncelikle bacak sayısı ve yüz şeklini analiz etmesi ve ardından son olarak kuyruğu incelemesi gerektiğini otomatik olarak belirler.

AWS'deki derin öğrenme hizmetleri nelerdir?

AWS Deep Learning hizmetleri, derin öğrenme sinir ağlarınızı daha düşük bir maliyetle ölçeklendirebilmeniz ve hız için optimize edebilmeniz için bulut bilgi işlemin gücünden yararlanır. Belirli derin öğrenme uygulamalarını tam olarak yönetmek için şunlar gibi AWS hizmetlerini de kullanabilirsiniz:

  • Uygulamanıza önceden eğitilmiş veya özelleştirilebilir görüntü işleme özellikleri eklemek için Amazon Rekognition.
  • Konuşmayı otomatik olarak tanımak ve doğru şekilde deşifre etmek için Amazon Transcribe.
  • Amacı anlayan, konuşma bağlamını koruyan ve birçok dilde basit görevleri otomatik hale getiren akıllı chatbot'lar oluşturmak için Amazon Lex.

Amazon SageMaker ile AWS'de derin öğrenme sinir ağlarını kullanmaya başlayın ve modelleri uygun ölçekte hızla ve kolayca oluşturun, eğitin ve dağıtın. Dilerseniz AWS Deep Learning AMI'lerini kullanarak da derin öğrenme için özel ortamlar ve iş akışları oluşturabilirsiniz.

Hemen kullanmaya başlamak için ücretsiz bir AWS hesabı oluşturun!

AWS için sonraki adımlar

Standard Product Icons (Features) Squid Ink
Ürünlerle ilgili diğer kaynaklara göz atın
Derin öğrenme hizmetleri hakkında daha fazla bilgi edinin 
Sign up for a free account
Ücretsiz AWS hesabı için kaydolun

Ücretsiz bir AWS hesabı için kaydolun ve AWS Ücretsiz Kullanım'ı keşfetmeye başlayın.

Kaydolun 
Standard Product Icons (Start Building) Squid Ink
Konsolda oluşturmaya başlayın

AWS Management Console'da sinir ağları ile oluşturmaya başlayın.

Oturum açın