Özel | Yapay Sinir Ağlarını Tek Bir Makalede Okuma
Yazar: Sidath Asiri
Çeviri: Nicola
Redaksiyon: Lu Miaomiao
Orijinal Başlık: MeetArticial Neural Networks
Bu makale hakkında 1500 kelime , Okumanız tavsiye edilir 5 dakika .
Bu makale, okuyuculara basit ve anlaşılması kolay bir dil kullanarak ve youtube'da deneysel yöntemler sunarak yapay sinir ağlarını tanıtır.
"Nöral" kelimesini duyduğumda aklıma gelen ilk şey, karar verme sürecimizin bir parçası olan beyindeki nöronlardır.
Bu aynı zamanda insanlar ve robotlar (veya normal bilgisayar programları) arasındaki temel farklardan biridir. İnsanlar bir dahaki sefere daha iyisini yapmak için şeyleri görebilir, analiz edebilir ve onlardan öğrenebilir.
Öte yandan, düzenli prosedürler kendi başlarına geliştirmek yerine aynı talimatları izler. Bunları belirli görevleri tamamlamak ve talimatlara göre istenen sonuçları almak için programlayabiliriz.
Ama ondan öğrenmek için bir program geliştirirsek birçok şey yapabiliriz. Daha sonra, "makine öğrenimi" olan zaman içinde kendi kendilerine gelişecekler. Yapay Sinir Ağı (YSA), makine öğrenimi için hesaplamalı bir modeldir ve biyolojik nöronlara benzer şekilde çalışır.
Bilgi nöronlara ulaştığında, onlar (nöronlar) ideal bir sonuç elde etmek için bilgiyi algılamak ve elde etmek için ağı ayarlarlar. Nöronlar aracılığıyla olabildiğince fazla veri iletmek, daha doğru sonuçlar almanıza yardımcı olacaktır. Bu, sinir ağlarındaki "eğitimdir".
Sinir ağlarını kullanmadan önce, ideal karar sonuçlarını elde etmek için eğitmemiz ve hata ayıklamamız gerekir. Bunun için, ağa giriş ve ilgili beklenen çıktı dahil olmak üzere test verilerini kullanırız. Doğru eğitimle ağ öğretilebilir ve ardından bilinmeyen veriler hakkında kararlar almak için kullanılabilir.
Temel olarak yapay sinir ağları, girdiler ve çıktılar arasında karmaşık ilişkilere sahip doğrusal olmayan istatistiksel veri modelleri için kullanılır. Eğitimin temel amacı, bu verilerdeki karmaşık ilişkileri ve kalıpları keşfetmektir.
"Yapay sinir ağı (İngilizce: yapay sinir ağı, kısaltma YSA), sinir ağı (İngilizce: sinir ağı, kısaltma NN) veya sinir ağı olarak kısaltılır, bir tür taklit biyolojik sinir ağıdır (hayvanın merkezi sinir sistemi, özellikle beyin) Yapı ve fonksiyonun matematiksel modeli veya hesaplama modeli genellikle matematiksel istatistiklere (LearningMethod) dayalı bir öğrenme yöntemiyle optimize edilir. - Wikipedia "
Bilgisayar tabanlı tahminler arasında sinir ağları çok yaygındır. Genellikle doğru tahminlerde bulunabilirler. Bazıları borsa trendlerinin tahmininde, el yazısı tanımada, konuşma tanımada, toprak kayması tahmininde vb. Kullanılır. Ayrıca, Facebook gibi sosyal medya ve Google gibi arama motorları da kullanıcı deneyimini zenginleştirmek için sinir ağlarını kullanır.
Birçok sinir ağı türü vardır:
-
İleri beslemeli sinir ağı
-
Tekrarlayan sinir ağı
-
Geleneksel geri besleme sinir ağı
-
Radyal sinir ağı
"İleri beslemeli" ağ, en eski ve en basit ağdır. Bu tür bir sinir ağında, veriler giriş katmanından gizli katmana ve son olarak çıktı katmanına, döngüler veya diğer dairesel iletim yolları olmadan gider.
Birden çok katman içeren NeuralNetwork (https://blog.ttro.com/wp-content/uploads/2017/01/TB010-Deep-Neural-Network.jpg)
Öte yandan, tekrarlayan sinir ağında veriler ileri ve geri iletilir. Sırayı tahmin ederken, tekrarlayan sinir ağının çıktısı da girdi olarak kullanılır.
Bu kavramı anlamanıza yardımcı olacak basit bir YouTube örneği buldum (https://www.youtube.com/watch?v=ZzWaow1Rvho). Kırmızı ve mavi olmak üzere iki tür çiçek vardır ve bunların genişlik ve uzunluklarına ilişkin örnek veriler verilmiştir. Bilinmeyen çiçeklerin rengini tahmin etmek için bu bilinen verileri kullanmak gerekir.
Burada, doğru çiçeği (rengi) tahmin etmek için ileri beslemeli bir sinir ağı kullanılır. Bunu başarmak için Python ve Numpy kitaplıklarını kullanacağız. Bu modeli "Miniconda" (https://conda.io/miniconda.html) kurarak oluşturabilirsiniz.
Bu basit sinir ağının iki girişi vardır: yaprakların uzunluğu ve genişliği ve çıktı 0 veya 1, yani kırmızı veya mavi.
Basit sinir ağımız
Bu ağın son çıktısı 0 veya 1'dir. Burada "Sigmoid" adı verilen ve herhangi bir değeri 0 ve 1 aralığına dönüştüren özel bir işlev kullanıyoruz. 0 veya 1'e ne kadar yakın olduğuna göre tahminler yapın.
"Sigmoid işlevi," S "şeklinde bir eğriye (sigmoid eğri) sahip matematiksel bir işlevdir. Genellikle sigmoid işlevi, bir mantıksal işlevin özel bir durumuna karşılık gelir.
Sigmoidfunction (https://qph.ec.quoracdn.net/main-qimg-05edc1873d0103e36064862a45566dba)
Verilen verileri w1 * uzunluk + w2 * genişlik + b ile modellemeye çalışıyoruz, burada w1 ve w2 iki ağırlık ve b bir sapmadır. Bu tür yöntemler, verilerdeki doğrusal olmayan herhangi bir ilişkiyi bulmak için kullanılabilir.
Başlangıçta, eğitim sürecinde bazı sayıları w1, w2 ve b'ye rastgele atadık ve bu değerleri, belirtilen modelin belirtilen test verilerini temsil etmesi için değiştirdik. Beklenen değeri ve öngörülen değeri kullanarak maliyet değerini hesaplayın ve maliyet değerini düşürmek için temel hesaplama teorisini kullanmaya çalışın. Eğitimin sonunda doğru bir model elde edeceğiz ve bu modeli gelecekte bilinmeyen verileri tahmin etmek için kullanacağız.
Bu örnekte, maliyet denklemini w1, w2 ve b'ye ayırmak için zincir kuralını kullanıyoruz ve maliyeti en aza indiren sabiti buluyoruz. Bu model çok basit, bu yüzden manuel olarak analiz ediyoruz. Ancak, bazı kütüphaneler bu görevleri otomatik olarak analiz edebilir. Son olarak, gizemli çiçek türlerini bulmak için kullanılırlar.
Aşağıdaki şekil eğitim tamamlandıktan sonra maliyetin nasıl azaldığını göstermektedir. Daha doğru tahminlerde bulunurken giderek azalmaktadır.
Öğrenirken maliyet değişimi
İtirazda belirtildiği gibi, bu örnek harika bir YouTube video dizisinden geliyor. Daha fazla bilgi için buradan bir göz atmanızı öneririm! (Https://www.youtube.com/watch?v=ZzWaow1Rvho)
Doğu Kuzey Amerika'da son sınıf öğrencisi olan Nicola, siyaset ve verileri seven bir işletme öğrencisi. Boş zamanlarımda akademik belgeleri çevirerek, tatillerde farklı yerlere seyahat ederek, koku ve cilt bakımı okuyarak bilgimi genişletiyorum. Aynı zamanda, gelecekteki daha fazla veri bilimcisini tanımayı umarak veritabanı analizi vb. İle de iletişim kuruyorum.
