Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, yapay sinir ağları hakkında bilgi veren eğitici bir içeriktir. Konuşmacı, yapay öğrenim ve yapay zeka konularını matematiksel bir yaklaşımla açıklamaktadır.
- Video, yapay sinir ağlarının temel çalışma prensiplerini, yapısını ve matematiksel temellerini ele almaktadır. İlk bölümde insan beyinin çalışma prensibi ve bu prensibin yapay sinir ağlarında nasıl taklit edildiği anlatılırken, ikinci bölümde ağırlıklı ortalama, aktivasyon fonksiyonları (sigmoid ve ReLU) ve matris-vektör işlemlerinin yapay sinir ağlarında nasıl kullanıldığı açıklanmaktadır.
- Video, bir sayı tanıma modeli üzerinden girdi, gizli ve çıkış tabakalarını göstermekte ve bir serinin ilk bölümü olup, bir sonraki videoda öğrenim aşamalarının anlatılacağı belirtilmektedir.
- 00:04Beyin ve Yapay Zeka Karşılaştırması
- Beyin, düşük çözünürlükteki imajları kolayca tanıma yeteneğine sahiptir.
- Zihin, farklı piksel değerlerine rağmen benzer nesneleri (örneğin üç) tanıyabilir.
- Yapay öğrenim ve yapay zeka, matristeki sayı değerlerini okuyup sayıları tanımayı öğrenme görevini üstlenir.
- 01:14Yapay Sinir Ağları Hakkında Genel Bilgi
- Bu sunumda yapay sinir ağlarının nasıl çalıştığı matematiksel olarak anlatılacaktır.
- Bu derste sayıları tanımayı öğrenen bir yapay sinir ağı oluşturulacaktır.
- Yapay sinir ağları, son zamanlarda farklı işler için farklı ağlar oluşturulmasıyla birlikte, temel bir örnek olarak sunulacaktır.
- 02:44Yapay Sinir Ağlarının Yapısı
- Yapay sinir ağları beyin yapısını örnek almıştır.
- Nöron, içinde tek bir sayı (0 ile 1 arasında) olan bir öğedir.
- Bir imaj, 28x28 piksel (784 tek sayıdan) oluşur ve her sayı bir grilik seviyesini temsil eder.
- 03:36Yapay Sinir Ağının Katmanları
- YSA'nın ilk seviyesi 784 nörondan oluşur, en son seviyesi ise 10 nörondan oluşur ve her biri bir sayıyı temsil eder.
- Ortada gizli katmanlar bulunur ve bu örnekte iki gizli katman seçilmiş, her biri 16 nörona sahiptir.
- Her uygulamanın ihtiyaçlarına göre katman sayısı ve boyutları değişebilir.
- 04:33Aktivasyon ve Tabaka İşlemi
- YSA kurallarına göre bir tabakadaki aktivasyon bir sonraki tabakaya aktarılır.
- Bir imaj geldiğinde belli aktivasyonların belli şekilde yanması ve tabaka tabaka ilerlemesiyle tanıma sağlanır.
- En son tabakadaki en çok aktive olan nöron, sayının ne olduğu kararına tekabül eder.
- 05:35Gizli Katmanların Rolü
- Gizli katmanlar, sayıları tanıma sürecinde önemli bir rol oynar.
- İnsan gözünün bir sayı tanıdığında belli kısımları (yuvarlak, çizgi) tanıyorsa, YSA da en sondan bir önceki tabakanın bu yapılara odaklanmasını isteriz.
- Bir yuvarlak gibi karmaşık şekiller, daha küçük parçalara (sol üst parça, sağ üst parça) ayrılarak tanınabilir.
- 08:19Aktivasyon ve Ağırlıklar
- Pikseller kenarlara, ufak kenarlar büyük parçalara, o parçalar nihai sayılara birleşebilir.
- YSA'nın hangi parametrelerine (ağırlıklara) sahip olması gerekir, bu ağırlıklar gelen ham veriyi çarparak sonuç elde eder.
- Pozitif ağırlıklar yeşil, negatif ağırlıklar kırmızı olarak gösterilebilir ve bu ağırlıklar sayesinde sadece ilgilendiğimiz kısım aktive olabilir.
- 10:13Yapay Sinir Ağlarında Aktivasyon Fonksiyonları
- Ağırlıklı toplam sonucu herhangi bir sayı olabilir, ancak aktivasyon fonksiyonu bu sonucu 0 ile 1 aralığına sıkıştırır.
- Sigmoid (lojistik eğri) fonksiyonu, çok negatif değerleri sıfıra, çok pozitif değerleri bir'e yaklaşır ve artış sıfırdan başlayarak yavaş yavaş gider.
- Aktivasyon, ağırlıklı toplamın ne kadar pozitif olduğunun bir işaretidir ve belli bir sayıdan büyük olduğunda aktif olması için yanlılık değeri eklenir.
- 11:37Yapay Sinir Ağlarının Yapısı
- Her nöron için 784 ağırlık ve ayrı bir yanlılık değeri bulunur, toplamda 784x16+16 tane yanlılık değeri vardır.
- Katmanlar arasında bağlantılar olup, tüm yapay sinir ağı için 13.002 değeri ayarlanmalıdır.
- Yapay sinir ağını eğitmek, bu ağırlıklar için doğru sayılar bulmak demektir ki ham veri verildiğinde doğru aktivasyonlar yapılabilsin.
- 13:32Matris ve Vektör Kullanımı
- Aktivasyon fonksiyonu vektörel olarak bakıldığında daha anlaşılır hale gelir; bir tabakadan gelen bütün girdi bir kolon olarak, ağırlıklar ise bir matris olarak gösterilebilir.
- Yapay sinir ağlarında pek çok işlem lineer cebir işlemine indirgenebilir.
- Yanlıklar da ayrı bir vektör olarak matris çarpımına eklenerek, tüm bunlar sigmoid fonksiyonuna verilir.
- 15:17Yapay Sinir Ağlarının Fonksiyonel Görünümü
- Her nöron bir sayı değeri taşır ve bu sayılar soldan verilen imaja göre değişir.
- Yapay sinir ağı, soldan 784 tane sayı alıp sağdan 10 tane sayı çıkaran karmaşık bir fonksiyon olarak görülebilir.
- Bu karmaşıklık, imajların sayı olarak anlaşılabileceği bir yapı sağlar.
- 17:08Modern Aktivasyon Fonksiyonları
- Sigmoid fonksiyonu ağırlıklı toplamı belli bir aralığa ezmek için kullanılır ve aktif ve aktif olmamak gibi bir sonucu sağlar.
- Modern yapay sinir ağlarında artık sigmoid yerine daha çok ReLU (Rectified Linear Unit) fonksiyonu kullanılmaktadır.
- ReLU fonksiyonu, sıfırdan küçük değerleri tamamen aktif etmez, sıfırdan büyük olan değerler için verilen değerin kendisini verir ve özellikle derin yapay sinir ağlarında daha iyi sonuçlar verir.