Yapay sinir ağı, verilerdeki örüntüleri öğrenerek girdilerden çıktı üretmeye çalışan bir makine öğrenmesi modelidir. Beyindeki nöronlardan esinlenen bu yapıda yapay nöronlar katmanlar hâlinde bağlanır; model, örnekler üzerinden bağlantı ağırlıklarını değiştirerek tahmin yapmayı öğrenir. Örneğin elma ve portakal fotoğraflarıyla eğitilen bir ağ, yeni bir fotoğraf verildiğinde bunun hangi sınıfa daha çok benzediğini tahmin edebilir. Bu sonuç kesin bir kanıt değil, eğitime ve girdinin niteliğine bağlı bir olasılık tahminidir.
Bir ağın temelinde üç tür katman bulunur. Girdi katmanı modele veriyi alır; görüntüdeki piksel değerleri, metindeki sayısal temsil veya bir tablodaki ölçümler bu girdiyi oluşturabilir. Gizli katmanlar girdiler arasındaki ilişkileri işler. Çıktı katmanı ise sınıf, sayı veya olasılık gibi nihai tahmini üretir.
Her bağlantının bir ağırlığı vardır. Ağ, girdileri bu ağırlıklarla birleştirir, bir etkinleştirme işlevinden geçirir ve sonuç üretir. Eğitim sırasında modelin tahmini gerçek etiketle karşılaştırılır. Aradaki farkı ölçen kayıp değeri kullanılarak ağırlıklar küçük adımlarla güncellenir. Bu işlem çok sayıda örnek üzerinde tekrarlandıkça model, eğitim verisindeki ilişkileri yakalamaya çalışır.
Örneğin bir spam e-postayı sınıflandırma probleminde girdi; iletideki kelimelerin, bağlantıların ve diğer özelliklerin sayısal gösterimi olabilir. Çıktı katmanı, varsayımsal olarak “spam” için 0,92 ve “normal” için 0,08 olasılık üretebilir. Bu, modelin iletiyi spam sınıfına daha yakın gördüğü anlamına gelir; iletinin gerçekten zararlı olduğunu veya her durumda doğru sınıflandırıldığını kanıtlamaz.
Eğitim aşamasında model, doğru cevapları bilinen örneklerden ağırlıklarını ayarlayarak öğrenir. Tahmin aşamasında ise daha önce görmediği bir girdi için öğrendiği ilişkileri kullanır. Modelin yalnızca eğitim verisinde başarılı olması yeterli değildir; yeni verilerde de makul sonuç vermesi gerekir.
Bir model eğitim örneklerini ezberlerse aşırı öğrenme oluşabilir. Böyle bir model eğitim başarısını yüksek gösterirken yeni verilerde kötü tahmin yapabilir. Bunu anlamak için veriler genellikle eğitim, doğrulama ve test bölümlerine ayrılır. Test verisi eğitim sırasında kullanılmadığı için modelin yeni örneklere ne kadar iyi uyum sağladığını değerlendirmeye yardımcı olur.
Kullanılacak mimari, verinin yapısına ve hedeflenen çıktıya göre seçilir.
Bu ayrım kesin bir kural değildir; modern modeller birden fazla yaklaşımı birleştirebilir. Seçim yaparken yalnız modelin adını değil, veri türünü, etiketlerin güvenilirliğini, hesaplama kaynaklarını, açıklanabilirlik gereksinimini ve hata maliyetini değerlendirmek gerekir.
Yapay sinir ağı karmaşık ilişkilerden tahmin üretmeyi, görüntü veya metin sınıflandırmayı, sayısal değer tahmin etmeyi ve bazı üretim görevlerini mümkün kılabilir. Ancak ağ kendi başına insan gibi anlamak, niyet okumak veya gerçeği doğrulamak zorunda değildir. Eğitim verisindeki eksik, hatalı ya da taraflı örüntüleri öğrenebilir.
Bu nedenle bir ağın çıktısı kullanılmadan önce veri kalitesi, yanlış pozitif ve yanlış negatif sonuçların maliyeti, test performansı ve gerçek kullanım koşulları incelenmelidir. Özellikle kritik kararlarda tek bir tahmine koşulsuz güvenmek yerine sonucu uygun bir denetim sürecinin parçası olarak değerlendirmek gerekir.
Yapay sinir ağı nasıl çalışır?
Bir ağın temelinde üç tür katman bulunur. Girdi katmanı modele veriyi alır; görüntüdeki piksel değerleri, metindeki sayısal temsil veya bir tablodaki ölçümler bu girdiyi oluşturabilir. Gizli katmanlar girdiler arasındaki ilişkileri işler. Çıktı katmanı ise sınıf, sayı veya olasılık gibi nihai tahmini üretir.
Her bağlantının bir ağırlığı vardır. Ağ, girdileri bu ağırlıklarla birleştirir, bir etkinleştirme işlevinden geçirir ve sonuç üretir. Eğitim sırasında modelin tahmini gerçek etiketle karşılaştırılır. Aradaki farkı ölçen kayıp değeri kullanılarak ağırlıklar küçük adımlarla güncellenir. Bu işlem çok sayıda örnek üzerinde tekrarlandıkça model, eğitim verisindeki ilişkileri yakalamaya çalışır.
Örneğin bir spam e-postayı sınıflandırma probleminde girdi; iletideki kelimelerin, bağlantıların ve diğer özelliklerin sayısal gösterimi olabilir. Çıktı katmanı, varsayımsal olarak “spam” için 0,92 ve “normal” için 0,08 olasılık üretebilir. Bu, modelin iletiyi spam sınıfına daha yakın gördüğü anlamına gelir; iletinin gerçekten zararlı olduğunu veya her durumda doğru sınıflandırıldığını kanıtlamaz.
Eğitim ve tahmin arasındaki fark
Eğitim aşamasında model, doğru cevapları bilinen örneklerden ağırlıklarını ayarlayarak öğrenir. Tahmin aşamasında ise daha önce görmediği bir girdi için öğrendiği ilişkileri kullanır. Modelin yalnızca eğitim verisinde başarılı olması yeterli değildir; yeni verilerde de makul sonuç vermesi gerekir.
Bir model eğitim örneklerini ezberlerse aşırı öğrenme oluşabilir. Böyle bir model eğitim başarısını yüksek gösterirken yeni verilerde kötü tahmin yapabilir. Bunu anlamak için veriler genellikle eğitim, doğrulama ve test bölümlerine ayrılır. Test verisi eğitim sırasında kullanılmadığı için modelin yeni örneklere ne kadar iyi uyum sağladığını değerlendirmeye yardımcı olur.
Yapay sinir ağı türleri ne zaman kullanılır?
Kullanılacak mimari, verinin yapısına ve hedeflenen çıktıya göre seçilir.
| Model yaklaşımı | Yaygın kullanım | Dikkat edilmesi gereken |
|---|---|---|
| İleri beslemeli ağ | Sayısal veya tablo verilerinde sınıflandırma ve tahmin | Girdilerin uygun sayısal biçime dönüştürülmesi gerekir |
| Evrişimsel sinir ağı | Görüntü ve benzeri ızgara yapısındaki veriler | Yeterli ve temsil gücü yüksek örnek gerekir |
| Tekrarlayan veya sıralı modeller | Zaman serileri ve sıralı veriler | Verilerin sırası ve zaman ilişkisi önemlidir |
| Dönüştürücü tabanlı modeller | Metin ve uzun bağlam içeren veri işleme | Eğitim verisinin niteliği ve bağlam sınırları sonucu etkiler |
Ne sağlar, neyi sağlamaz?
Yapay sinir ağı karmaşık ilişkilerden tahmin üretmeyi, görüntü veya metin sınıflandırmayı, sayısal değer tahmin etmeyi ve bazı üretim görevlerini mümkün kılabilir. Ancak ağ kendi başına insan gibi anlamak, niyet okumak veya gerçeği doğrulamak zorunda değildir. Eğitim verisindeki eksik, hatalı ya da taraflı örüntüleri öğrenebilir.
Bu nedenle bir ağın çıktısı kullanılmadan önce veri kalitesi, yanlış pozitif ve yanlış negatif sonuçların maliyeti, test performansı ve gerçek kullanım koşulları incelenmelidir. Özellikle kritik kararlarda tek bir tahmine koşulsuz güvenmek yerine sonucu uygun bir denetim sürecinin parçası olarak değerlendirmek gerekir.
