Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan yapay sinir ağları konulu eğitim serisinin bir parçasıdır. Eğitmen, back propagation algoritması ve sinir ağlarının öğrenme sürecini anlatmaktadır.
- Video, back propagation algoritmasının temel prensiplerini, hata kavramını ve hesaplama yöntemlerini (özellikle mean squared error) açıklamaktadır. Eğitmen, kedi-köpek resmi örneği üzerinden hata kavramını anlatıp, neural network'ün eğitilmesinin hatayı sıfıra indirme süreci olduğunu grafiklerle ve basit örneklerle açıklamaktadır.
- Videoda ayrıca öğrenme oranının nasıl belirlendiği, hata oranının nasıl hesaplandığı ve geri besleme ile sinir ağırlıklarının nasıl güncellendiği anlatılmaktadır. Bu sürecin temelinde türev kavramının yer aldığı belirtilmektedir. Video, bir serinin parçası olup, bir sonraki videoda genetik algoritmaya giriş yapılacağı ve optimizasyon teknikleri hakkında kısa bir giriş seviyesi videonun olacağı bilgisi verilmektedir.
- Back Propagation Algoritması Hakkında Genel Bilgi
- Back propagation algoritması yapay sinir ağları için çok önemli bir kavramdır ve özellikle yapay sinir ağları ile ilgilenenler için bilinmesi gerekir.
- Bu algoritma çok kompleks olduğu için detaylı anlatılmayacak, ancak genel hatlarıyla bilinmesi kodlama açısından faydalı olacaktır.
- Serinin ilerleyen bölümlerinde genetik algoritma kullanılacak, ancak back propagation'ın bilinmesi faydalı olacaktır.
- 01:18Neural Network ve Hata Kavramı
- Neural network bir girdi alır ve çıktı üretir, ancak bu çıktı her zaman beklenen değerle tam olarak eşleşmez.
- Örneğin, bir neural network kedi resmi verildiğinde 1, köpek resmi verildiğinde 0'ı vermesi beklenirken, genellikle 0,92 veya 0,30 gibi değerler verir.
- Hata, beklenen değer ile gerçek değer arasındaki farktır ve en çok bilinen hata ölçümü yöntemi mean squared error'dur.
- 04:45Back Propagation'ın Amacı
- Back propagation, neural network'ün yaptığı hatayı düşürmeye çalışır.
- Neural network'ü eğitmek, en az hata yapan noktayı bulmak demektir ve bu nokta sonsuzluğa uzanan bir çözüm uzayında bulunur.
- Hata grafiği, neural network'ün toplam hatası ile sinir ağırlıkları arasındaki ilişkiyi gösterir ve bu grafik 23 boyutlu olabilir.
- 06:54Back Propagation'ın Çalışma Prensibi
- Back propagation, sinir ağırlıklarını güncellemek için bir basamak değeri belirler ve bu değerin sağına ve soluna bakarak daha düşük hata değerine sahip olanı seçer.
- Büyük neural network'ler için tek tek hesaplama yapmak mümkün olmadığı için, hata metriğinin sinir ağırlıklarına göre kısmi türevini hesaplar.
- Hata metriğinin kısmi türevi, bulunduğumuz noktanın eğimini verir ve bu eğim sayesinde sağa mı sola mı gitmemiz gerektiğini belirler.
- 11:25Sinir Ağları Eğitimi Süreci
- Yeni bir ağırlık (wait) değeri, öğrenme hızı katsayısı ve hata oranı kullanılarak belirlenir.
- Eğitim sürecinde, örneğin kedi resmi tekrar verildiğinde hata hesaplanır ve geri besleme ile sinir ağırlıkları güncellenir.
- Ağırlıklar güncellendikten sonra tüm resimler tekrar verilerek iterasyonlar devam eder ve ağ eğitilir.
- 12:04Türev Kavramı ve Gelecek Videolar
- Bu süreç özünde bir türev kavramına dayanır; grafikteki bir noktanın aşağısına ve yukarısına bakarak hangi tarafta daha iyi çalıştığını belirler.
- Bu konu 10-12 dakikada anlatılacak kadar karmaşık olduğu için sadece genel hatları verilmiştir.
- Gelecek videolarda genetik algoritmaya giriş yapılacak ve önce optimizasyon teknikleri hakkında kısa bir giriş videosu paylaşılacaktır.