Neural Network Nedir?

Yapay sinir ağı nasıl karar verir?

Bir yapay nöron çok basit bir iş yapar: kendisine gelen sayıları, her birinin önemini gösteren bir ağırlıkla çarpar, toplar ve sonucu belirli bir eşiğe göre bir sonraki katmana iletir. Tek bir nöron neredeyse hiçbir şey öğrenemez; ama binlercesi, hatta milyarlarcası katmanlar hâlinde bağlandığında görsel tanıma ya da dil anlama gibi karmaşık işler mümkün olur.

Sayılarla basit bir örnek: Bir e-posta abonesinin kampanyaya tıklayıp tıklamayacağını tahmin eden tek nöronlu bir model düşünelim. Girdiler son 30 günde açılan e-posta sayısı (6), son siparişten bu yana geçen hafta (2) ve sepette ürün olup olmadığı (1) olsun. Ağırlıklar sırasıyla 0,4, −0,3 ve 1,2 ise toplam 6×0,4 + 2×(−0,3) + 1×1,2 = 3,0 olur. Model bu skoru bir olasılığa çevirir ve yüksek bulursa "tıklar" der. Eğitim, bu ağırlıkların binlerce gerçek örnekte en az hata verecek şekilde ayarlanmasıdır.

Gerçek modellerde bu ağırlıklara parametre denir ve sayıları milyarları bulur. Bir dil modelinin "büyüklüğü" dendiğinde çoğunlukla bu parametre sayısı kastedilir.

Katman türleri ve görevleri

Gizli katman sayısı arttıkça ağ daha karmaşık ilişkileri öğrenebilir; çok katmanlı ağlarla öğrenmeye derin öğrenme denir. Bugünkü dil modellerinin kullandığı özel sinir ağı mimarisi ise transformer olarak bilinir.

Sinir ağına dayalı bir aracı değerlendirirken

1. Girdiyi öğren. Model hangi verilerle karar veriyor? Sizin verinizle mi, genel verilerle mi eğitilmiş?
2. Çıktının güven düzeyine bak. İyi araçlar yalnızca sonuç değil, olasılık ya da güven skoru da gösterir.
3. Küçük bir örneklemde sına. 100 gerçek kayıtta aracın sonucunu insan kararıyla karşılaştır.
4. Açıklama iste. Kararı etkileyen başlıca etkenleri gösteremeyen bir araç, kritik kararlarda riskli olabilir.

Yapay sinir ağları hakkında yanlış bilinenler

• "Beynin kopyası." Yapay nöron, biyolojik nörondan esinlenmiştir ama çok daha basit bir matematiksel işlemdir.
• "Büyük ağ her zaman daha iyidir." Küçük ve iyi eğitilmiş bir model, belirli bir görevde büyük genel bir modelden daha iyi sonuç verebilir.
• "Öğrendiğini açıklayabilir." Ağırlıklar milyonlarca sayıdan oluşur; neyin neden öğrenildiğini okumak zordur.
• "Bir kez eğitilir, hep çalışır." Veri değiştikçe ağın isabeti düşer ve yeniden eğitim gerekir.

Sıkça sorulan sorular

Yapay sinir ağı ne zaman icat edildi?

İlk yapay nöron modelleri 1940'lara ve 1950'lere uzanır. Ancak sinir ağlarının geniş çapta başarılı olması, büyük veri ve güçlü işlemcilerin yaygınlaştığı 2010'ları buldu.

Google aramada sinir ağları kullanılıyor mu?

Evet. Google, sorgu ile sayfalar arasındaki anlam ilişkisini kurmak için sinir ağı tabanlı sistemler kullanır; bunlardan biri neural matching olarak bilinir.

Parametre sayısı ne anlama gelir?

Modelin öğrenebildiği ağırlıkların toplam sayısıdır. Parametre arttıkça kapasite artar, ama çalıştırma maliyeti de yükselir. Bu yüzden makine öğrenmesi projelerinde model büyüklüğü göreve göre seçilir.

Sinir ağlarının görsel ve etkileşimli anlatımı için Google Machine Learning Crash Course: Neural networks bölümüne bakabilirsin.

Sinir ağlarına dayalı arama sistemlerinin içerikleri nasıl anlamlandırdığını yapay zeka SEO rehberinde anlattım.