Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir eğitmen tarafından sunulan yapay sinir ağları konulu eğitim içeriğidir. Eğitmen, izleyicilerden gelen isteğe bağlı olarak sinir ağları problemini adım adım çözmektedir.
- Video, yapay sinir ağlarında ileri besleme (feed forward) hesaplamalarını ele almaktadır. Eğitmen, ağırlıklar, giriş verileri ve gerçek çıkış değerleri kullanarak tahmin değerlerini hesaplamak için sigmoid fonksiyonunu uygulamakta ve hata fonksiyonu (maliyet-kost fonksiyonu) hesaplamalarını göstermektedir.
- Eğitmen, bu videoda A kısmını çözdükten sonra, bir sonraki videoda ağırlıkların güncellenmesi (geri besleme - back propagation) konusuna değineceğini ve daha sonra Tense Flow'u Stanford Üniversitesi videolarından anlatacağını belirtmektedir.
- Sinir Ağı Sorununun Çözümü
- Videoda bir istek üzerine sinir ağı sorununun A kısmının çözümü gösterilecek, B kısmında ise verilerin nasıl güncelleneceği anlatılacak.
- Soruda sinir ağına ağırlıklar, giriş verileri ve gerçek çıkış verileri (1 ve -1) verilmiş, çıkışta gerçek değer ile tahmin değer arasındaki fark bulunması isteniyor.
- Sigmoid fonksiyonu, verilerin 0 ile 1 arasında değer almasını sağlayarak programın saçma değerler vermemesini sağlayan ve en popüler olan fonksiyondur.
- 03:19H1 ve H2 Değerlerinin Hesaplanması
- H1 değerinin hesaplanmasında ağırlıklar çarpılıp toplanarak 6 değeri elde edilir, bu değer sigmoid fonksiyonuna sokulduğunda 0,97 değerine ulaşır.
- H2 değerinin hesaplanmasında ağırlıklar çarpılıp toplanarak -5 değerine ulaşılır, bu değer sigmoid fonksiyonuna sokulduğunda 0,006 değerine ulaşır.
- İleri besleme (feed forward) işlemi yapılarak H1 ve H2 değerleri hesaplanır, geri besleme (back propagation) işlemi ise verilerin güncellenmesi için kullanılır.
- 09:51İ1 ve İ2 Değerlerinin Hesaplanması
- İ1 değerinin hesaplanmasında 0,97 ve 0,006 değerleri kullanılarak 0,99 değeri elde edilir, sigmoid fonksiyonuna sokulduğunda 1'e yakın bir değer bulunur.
- İ2 değerinin hesaplanmasında 0,97 ve 0,006 değerleri kullanılarak 0,487 değeri elde edilir, sigmoid fonksiyonuna sokulduğunda 0,6121 değeri bulunur.
- 12:24Yapay Sinir Ağlarında Hesaplama İşlemleri
- Yapay sinir ağlarında üçüncü hücrenin değeri, ağırlıklarla giriş değerlerinin çarpımlarının toplamı ve sigmoid fonksiyonuna sokulmasıyla hesaplanır.
- Sigmoid fonksiyonuna sokmadan önce toplam değeri 0,20, 0,98 olarak bulunurken, sigmoid fonksiyonu uygulandıktan sonra 0,50, 1,73 değerine ulaşır.
- Tahmin değerleri sırasıyla 0,99, 0,49, 0,20, 0,98 ve 0,61 olarak hesaplanırken, gerçek değerler 1, 0, 1 olarak verilmiştir.
- 13:30Hata Fonksiyonu Hesaplaması
- Hata fonksiyonu, gerçek değer ile tahmini değer arasındaki farkın karesinin yarısı olarak hesaplanır (0,5 * (y Gerçek - y Tahmin)²).
- Hata fonksiyonunda farkın karesi alınmasının sebebi, pozitif veya negatif fark değerlerinden kurtulmak ve hata hesaplamasında sorun yaşamamak için.
- İlk nöron için hata fonksiyonu 1,03 x 10 üzeri eksi 5 olarak hesaplanırken, diğer nöronlar için sırasıyla 0,09 ve 0,21 değerleri bulunmuştur.
- 17:29Gelecek İçerik Planı
- İkinci parçada b şıkkı çözülecek ve ağırlıkların öğrenme katsayısı hakkında bilgi verilecek.
- Yapay sinir ağları konusunda uzun bir seri hazırlanacak ve TensorFlow konusu Stanford Üniversitesi videolarından alınarak anlatılacaktır.
- Yapay sinir ağları için yaklaşık on video uzunluğunda bir içerik serisi hazırlanacaktır.