Yapay zeka (YZ) ve makine \u00f6\u011frenimi alanlar\u0131, son y\u0131llarda teknolojinin en heyecan verici ve d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc g\u00fc\u00e7lerinden ikisi haline geldi. Bu devrimin kalbinde, insan beyninin \u00e7al\u0131\u015fma prensiplerinden esinlenerek geli\u015ftirilen algoritmik yap\u0131lar olan yapay sinir a\u011flar\u0131 (YSA) yer almaktad\u0131r. YSA’lar, karma\u015f\u0131k \u00f6r\u00fcnt\u00fcleri tan\u0131ma, verilerdeki gizli ili\u015fkileri ke\u015ffetme ve bu bilgilere dayanarak tahminlerde bulunma yetenekleriyle g\u00fcn\u00fcm\u00fcz\u00fcn en zorlu problemlerine \u00e7\u00f6z\u00fcmler sunmaktad\u0131r. Bu makalede, yapay sinir a\u011flar\u0131n\u0131n temel yap\u0131 ta\u015flar\u0131n\u0131, \u00e7al\u0131\u015fma prensiplerini ve \u00f6\u011frenme mekanizmalar\u0131n\u0131 derinlemesine inceleyerek, bu “dijital zekan\u0131n” nas\u0131l in\u015fa edildi\u011fini ad\u0131m ad\u0131m ke\u015ffedece\u011fiz.<\/p>\n
Yapay sinir a\u011flar\u0131, birbirine ba\u011fl\u0131 n\u00f6ron ad\u0131 verilen i\u015flem birimlerinden olu\u015fan hesaplama modelleridir. Bu a\u011flar, biyolojik sinir sistemlerinin, \u00f6zellikle de insan beyninin bilgiyi i\u015fleme ve \u00f6\u011frenme \u015feklinden ilham alm\u0131\u015ft\u0131r. Beynimiz, milyarlarca n\u00f6ronun karma\u015f\u0131k bir \u015fekilde birbirine ba\u011flanmas\u0131yla \u00f6\u011frenme, haf\u0131za, alg\u0131lama ve karar verme gibi \u00fcst d\u00fczey bili\u015fsel i\u015flevleri yerine getirir. Yapay sinir a\u011flar\u0131 da benzer bir prensiple \u00e7al\u0131\u015f\u0131r: bir dizi basit i\u015flem biriminin (yapay n\u00f6ronlar) bir araya gelerek karma\u015f\u0131k g\u00f6revleri yerine getirmesi.<\/p>\n
Yapay sinir a\u011flar\u0131n\u0131n k\u00f6kenleri, 1940’l\u0131 y\u0131llara, Warren McCulloch ve Walter Pitts’in bir n\u00f6ronun temel matematiksel modelini \u00f6nerdi\u011fi zamana dayan\u0131r. Bu model, bir n\u00f6ronun birden fazla girdiyi al\u0131p, bu girdilerin belirli bir e\u015fi\u011fi a\u015fmas\u0131 durumunda bir \u00e7\u0131kt\u0131 \u00fcretebilece\u011fini g\u00f6steriyordu. Ancak, ger\u00e7ek anlamda \u00f6\u011frenme yetene\u011fine sahip ilk model, 1950’lerin sonlar\u0131nda Frank Rosenblatt taraf\u0131ndan geli\u015ftirilen “Perceptron” idi. Perceptron, basit s\u0131n\u0131fland\u0131rma g\u00f6revlerini yerine getirebiliyor ve hatalar\u0131ndan ders \u00e7\u0131kararak a\u011f\u0131rl\u0131klar\u0131n\u0131 g\u00fcncelleyebiliyordu.<\/p>\n
1960’l\u0131 y\u0131llar\u0131n sonlar\u0131nda Marvin Minsky ve Seymour Papert’in Perceptron’un s\u0131n\u0131rlamalar\u0131n\u0131 (\u00f6zellikle do\u011frusal olarak ayr\u0131lamayan problemleri \u00e7\u00f6zememesi) g\u00f6steren \u00e7al\u0131\u015fmalar\u0131, yapay zeka ara\u015ft\u0131rmalar\u0131nda bir “k\u0131\u015f” d\u00f6nemine yol a\u00e7t\u0131. Ancak 1980’li y\u0131llarda, \u00e7ok katmanl\u0131 Perceptron’lar\u0131n ve “geri yay\u0131l\u0131m” (backpropagation) algoritmas\u0131n\u0131n ke\u015ffedilmesiyle YSA’lar yeniden ilgi oda\u011f\u0131 oldu. Geri yay\u0131l\u0131m, a\u011flar\u0131n birden fazla gizli katman\u0131 olan karma\u015f\u0131k yap\u0131lar\u0131 \u00f6\u011frenmesini sa\u011flayan devrim niteli\u011finde bir y\u00f6ntemdi.<\/p>\n
G\u00fcn\u00fcm\u00fczde, b\u00fcy\u00fck veri k\u00fcmelerinin ve y\u00fcksek performansl\u0131 hesaplama g\u00fcc\u00fcn\u00fcn (\u00f6zellikle GPU’lar) yayg\u0131nla\u015fmas\u0131yla yapay sinir a\u011flar\u0131, \u00f6zellikle derin \u00f6\u011frenme (deep learning) ad\u0131 verilen alt alan\u0131yla alt\u0131n \u00e7a\u011f\u0131n\u0131 ya\u015famaktad\u0131r.<\/p>\n
Yapay sinir a\u011flar\u0131n\u0131n en temel birimi, biyolojik n\u00f6ronlardan esinlenerek tasarlanm\u0131\u015f yapay n\u00f6rondur. Genellikle “Perceptron” olarak da adland\u0131r\u0131lan bu birim, belirli bir i\u015flevi yerine getirmek \u00fczere girdileri al\u0131r, i\u015fler ve bir \u00e7\u0131kt\u0131 \u00fcretir.<\/p>\n
Bir yapay n\u00f6ronun \u00e7al\u0131\u015fma prensibi olduk\u00e7a basittir: Bu bile\u015fenler, n\u00f6ronun bir sonraki ad\u0131m\u0131na, yani toplama fonksiyonuna girer.<\/p>\n Yapay n\u00f6ronun girdileri ve a\u011f\u0131rl\u0131klar\u0131 bir kez belirlendikten sonra, a\u015fa\u011f\u0131daki iki ana ad\u0131mda i\u015flenir:<\/p>\n 1. A\u011f\u0131rl\u0131kl\u0131 Toplam (Weighted Sum):<\/strong> N\u00f6ron, her bir girdiyi kendi a\u011f\u0131rl\u0131\u011f\u0131yla \u00e7arpar ve t\u00fcm bu \u00e7arp\u0131mlar\u0131 sapma de\u011feriyle birlikte toplar. Bu i\u015flem genellikle \u015fu \u015fekilde ifade edilir: 2. Aktivasyon Fonksiyonu (Activation Function):<\/strong> A\u011f\u0131rl\u0131kl\u0131 toplam Aktivasyon fonksiyonlar\u0131, sinir a\u011flar\u0131n\u0131n performans\u0131n\u0131 ve \u00f6\u011frenme yetene\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde etkiler. \u0130\u015fte en yayg\u0131n kullan\u0131lanlardan baz\u0131lar\u0131:<\/p>\n * Sigmoid Fonksiyonu:<\/strong> Tek bir yapay n\u00f6ron, olduk\u00e7a s\u0131n\u0131rl\u0131 yeteneklere sahiptir. As\u0131l g\u00fc\u00e7, bu n\u00f6ronlar\u0131n birbirine ba\u011flanarak katmanlar olu\u015fturmas\u0131 ve bu katmanlar\u0131n bir araya gelerek karma\u015f\u0131k a\u011f yap\u0131lar\u0131n\u0131 meydana getirmesinden gelir.<\/p>\n Tipik bir yapay sinir a\u011f\u0131 \u00fc\u00e7 ana katman t\u00fcr\u00fcnden olu\u015fur:<\/p>\n 1. Giri\u015f Katman\u0131 (Input Layer):<\/strong> Bu katman, a\u011fa harici verileri (\u00f6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcn\u00fcn pikselleri, bir metnin kelime vekt\u00f6rleri, bir sens\u00f6rden gelen de\u011ferler) besleyen n\u00f6ronlar\u0131 i\u00e7erir. Giri\u015f katman\u0131ndaki n\u00f6ronlar genellikle herhangi bir hesaplama yapmaz, sadece veriyi bir sonraki katmana iletir. Giri\u015f katman\u0131ndaki n\u00f6ron say\u0131s\u0131, veri k\u00fcmesindeki \u00f6zellik (feature) say\u0131s\u0131na e\u015fittir. En temel sinir a\u011f\u0131 mimarisi, ileri beslemeli sinir a\u011f\u0131d\u0131r (Feedforward Neural Network – FNN). Bu a\u011flarda bilgi, giri\u015f katman\u0131ndan ba\u015flar, gizli katmanlardan ge\u00e7er ve \u00e7\u0131k\u0131\u015f katman\u0131na do\u011fru tek y\u00f6nl\u00fc olarak ilerler. N\u00f6ronlar aras\u0131nda d\u00f6ng\u00fcsel ba\u011flant\u0131lar bulunmaz; yani bir n\u00f6ronun \u00e7\u0131kt\u0131s\u0131, kendisinden \u00f6nceki bir n\u00f6ronun girdisi olamaz. \u00c7ok Katmanl\u0131 Alg\u0131lay\u0131c\u0131lar (Multi-Layer Perceptrons – MLP) da ileri beslemeli a\u011flar\u0131n \u00f6zel bir t\u00fcr\u00fcd\u00fcr ve en az bir gizli katmana sahiptirler.<\/p>\n Yapay sinir a\u011flar\u0131n\u0131n as\u0131l mucizesi, verilerden \u00f6\u011frenme yetenekleridir. Bu \u00f6\u011frenme s\u00fcreci genellikle “denetimli \u00f6\u011frenme” (supervised learning) ad\u0131 verilen bir paradigma alt\u0131nda ger\u00e7ekle\u015fir.<\/p>\n Denetimli \u00f6\u011frenmede, a\u011fa “e\u011fitim verisi” ad\u0131 verilen etiketli \u00f6rnekler sunulur. Her bir e\u011fitim \u00f6rne\u011fi, bir dizi girdi \u00f6zelli\u011fi (X) ve bu girdilere kar\u015f\u0131l\u0131k gelen do\u011fru \u00e7\u0131kt\u0131 veya “etiket” (y) i\u00e7erir. \u00d6rne\u011fin, bir resim tan\u0131ma g\u00f6revinde, \u00d6\u011frenme s\u00fcreci, a\u011f\u0131n a\u011f\u0131rl\u0131klar\u0131n\u0131 ve sapma de\u011ferlerini (bias) ayarlayarak, tahminlerinin ger\u00e7ek etiketlere m\u00fcmk\u00fcn oldu\u011funca yak\u0131n olmas\u0131n\u0131 sa\u011flamaya \u00e7al\u0131\u015f\u0131r.<\/p>\n A\u011f\u0131n tahminlerinin ne kadar iyi veya k\u00f6t\u00fc oldu\u011funu \u00f6l\u00e7mek i\u00e7in bir “hata fonksiyonu” (loss function) veya “maliyet fonksiyonu” (cost function) kullan\u0131l\u0131r. Bu fonksiyon, a\u011f\u0131n \u00fcretti\u011fi \u00e7\u0131kt\u0131 ile ger\u00e7ek etiket aras\u0131ndaki fark\u0131 nicel bir de\u011fer olarak ifade eder. Hata fonksiyonunun \u00e7\u0131kt\u0131s\u0131 ne kadar d\u00fc\u015f\u00fckse, a\u011f\u0131n performans\u0131 o kadar iyidir.<\/p>\n Yayg\u0131n hata fonksiyonlar\u0131 \u015funlard\u0131r: \u00d6\u011frenmenin temel amac\u0131, hata fonksiyonunun de\u011ferini minimize edecek a\u011f\u0131rl\u0131k ve sapma de\u011ferlerini bulmakt\u0131r. Bu optimizasyon problemini \u00e7\u00f6zmek i\u00e7in \u00e7e\u015fitli algoritmalar kullan\u0131l\u0131r. En temel ve yayg\u0131n kullan\u0131lan algoritma Gradyan \u0130ni\u015fi (Gradient Descent)<\/strong>‘dir.<\/p>\n Gradyan ini\u015fi, hata fonksiyonunun grafi\u011finde, en al\u00e7ak noktay\u0131 (minimumu) bulmak i\u00e7in bir da\u011fdan a\u015fa\u011f\u0131 inmeye benzer. Algoritma, her ad\u0131mda, hata fonksiyonunun a\u011f\u0131rl\u0131klara g\u00f6re “gradyan\u0131n\u0131” (yani e\u011fimini veya t\u00fcrevini) hesaplar. Gradyan, hatan\u0131n en h\u0131zl\u0131 azald\u0131\u011f\u0131 y\u00f6n\u00fc g\u00f6sterir. Algoritma, bu y\u00f6nde k\u00fc\u00e7\u00fck ad\u0131mlar atarak a\u011f\u0131rl\u0131klar\u0131 g\u00fcnceller.<\/p>\n Gradyan ini\u015fi, hata fonksiyonunun gradyan\u0131n\u0131 hesaplamak i\u00e7in bir y\u00f6nteme ihtiya\u00e7 duyar. \u0130\u015fte bu noktada Geri Yay\u0131l\u0131m (Backpropagation)<\/strong> algoritmas\u0131 devreye girer. Geri yay\u0131l\u0131m, sinir a\u011flar\u0131n\u0131n \u00f6\u011frenmesini sa\u011flayan en kritik algoritmalardan biridir.<\/p>\n Geri yay\u0131l\u0131m\u0131n temel ad\u0131mlar\u0131 \u015funlard\u0131r: Bu d\u00f6ng\u00fc, t\u00fcm e\u011fitim veri k\u00fcmesi \u00fczerinde defalarca tekrarlan\u0131r.<\/p>\n * \u00d6\u011frenme Oran\u0131 (Learning Rate):<\/strong> Gradyan ini\u015finde a\u011f\u0131rl\u0131klar\u0131 g\u00fcncellerken at\u0131lan ad\u0131m\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fcn\u00fc kontrol eden bir hiperparametredir. Y\u00fcksek bir \u00f6\u011frenme oran\u0131, a\u011f\u0131rl\u0131klar\u0131n daha h\u0131zl\u0131 de\u011fi\u015fmesine neden olabilir ancak optimum noktay\u0131 a\u015fma riskini ta\u015f\u0131r. \u00c7ok d\u00fc\u015f\u00fck bir \u00f6\u011frenme oran\u0131 ise \u00f6\u011frenme s\u00fcrecini yava\u015flat\u0131r ve yerel minimumlarda tak\u0131l\u0131 kalma riskini art\u0131r\u0131r. Temel ileri beslemeli a\u011flar d\u0131\u015f\u0131nda, belirli g\u00f6revler i\u00e7in optimize edilmi\u015f farkl\u0131 yapay sinir a\u011f\u0131 mimarileri geli\u015ftirilmi\u015ftir:<\/p>\n Yukar\u0131da bahsedilen ileri beslemeli a\u011flar, yani giri\u015f, bir veya daha fazla gizli katman ve \u00e7\u0131k\u0131\u015f katman\u0131ndan olu\u015fan a\u011flard\u0131r. Genellikle tam ba\u011flant\u0131l\u0131d\u0131rlar, yani bir katmandaki her n\u00f6ron, bir sonraki katmandaki her n\u00f6ronla ba\u011flant\u0131l\u0131d\u0131r. Genel ama\u00e7l\u0131 s\u0131n\u0131fland\u0131rma ve regresyon g\u00f6revleri i\u00e7in kullan\u0131l\u0131rlar.<\/p>\n \u00d6zellikle g\u00f6r\u00fcnt\u00fc ve video i\u015fleme gibi uzamsal verilere sahip g\u00f6revler i\u00e7in tasarlanm\u0131\u015ft\u0131r. CNN’ler, g\u00f6r\u00fcnt\u00fclerdeki yerel \u00f6r\u00fcnt\u00fcleri (kenarlar, k\u00f6\u015feler, dokular) yakalamak i\u00e7in “evri\u015fim katmanlar\u0131” (convolutional layers) ve “havuzlama katmanlar\u0131” (pooling layers) kullan\u0131r. Bu katmanlar, geleneksel MLP’lere k\u0131yasla parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltarak daha verimli ve g\u00fc\u00e7l\u00fc modeller olu\u015fturur.<\/p>\n Do\u011fal dil i\u015fleme (NLP), konu\u015fma tan\u0131ma ve zaman serileri analizi gibi s\u0131ral\u0131 verilere sahip g\u00f6revler i\u00e7in tasarlanm\u0131\u015ft\u0131r. RNN’ler, a\u011f\u0131n \u00f6nceki ad\u0131mlardaki bilgileri “haf\u0131zas\u0131nda” tutmas\u0131n\u0131 sa\u011flayan d\u00f6ng\u00fcsel ba\u011flant\u0131lara sahiptir. Bu sayede, bir dizideki \u00f6\u011feler aras\u0131ndaki ba\u011f\u0131ml\u0131l\u0131klar\u0131 modelleyebilirler. Ancak, uzun dizilerde “uzun vadeli ba\u011f\u0131ml\u0131l\u0131klar\u0131” \u00f6\u011frenmede zorluklar ya\u015fayabilirler; bu sorunu a\u015fmak i\u00e7in LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) gibi daha geli\u015fmi\u015f RNN varyantlar\u0131 geli\u015ftirilmi\u015ftir.<\/p>\n Yapay sinir a\u011flar\u0131 g\u00fc\u00e7l\u00fc ara\u00e7lar olsa da, tasar\u0131mlar\u0131 ve e\u011fitimleri s\u0131ras\u0131nda baz\u0131 zorluklarla kar\u015f\u0131la\u015f\u0131labilir:<\/p>\n * A\u015f\u0131r\u0131 Uyum (Overfitting):<\/strong> A\u011f\u0131n e\u011fitim verilerini \u00e7ok iyi \u00f6\u011frenmesi ancak yeni, daha \u00f6nce g\u00f6rmedi\u011fi verilere genelleme yapamamas\u0131 durumudur. Bu, a\u011f\u0131n e\u011fitim verisindeki g\u00fcr\u00fclt\u00fcy\u00fc veya tesad\u00fcfi \u00f6r\u00fcnt\u00fcleri de \u00f6\u011frenmesiyle ortaya \u00e7\u0131kar. A\u015f\u0131r\u0131 karma\u015f\u0131k a\u011flar veya yetersiz e\u011fitim verisi overfitting’e yol a\u00e7abilir. \u00c7\u00f6z\u00fcmler aras\u0131nda d\u00fczenlile\u015ftirme (regularization), erken durdurma (early stopping) ve daha fazla veri toplama yer al\u0131r. Derin sinir a\u011flar\u0131nda, geri yay\u0131l\u0131m s\u0131ras\u0131nda gradyanlar katmanlar aras\u0131nda geriye do\u011fru yay\u0131l\u0131rken \u00e7ok k\u00fc\u00e7\u00fck (vanishing) veya \u00e7ok b\u00fcy\u00fck (exploding) hale gelebilir. Yapay sinir a\u011flar\u0131, g\u00fcn\u00fcm\u00fcz\u00fcn teknolojisinde say\u0131s\u0131z alanda devrim yaratm\u0131\u015ft\u0131r:<\/p>\n * Bilgisayar G\u00f6r\u00fcs\u00fc:<\/strong> G\u00f6r\u00fcnt\u00fc tan\u0131ma, nesne alg\u0131lama, y\u00fcz tan\u0131ma, otonom ara\u00e7lar. Yapay sinir a\u011flar\u0131, basit i\u015flem birimlerinin karma\u015f\u0131k bir \u015fekilde bir araya gelmesiyle olu\u015fan, verilerden \u00f6\u011frenme ve \u00f6r\u00fcnt\u00fcleri tan\u0131ma yetene\u011fine sahip g\u00fc\u00e7l\u00fc hesaplama modelleridir. Biyolojik sinir sistemlerinden ilham alarak geli\u015ftirilen bu a\u011flar, a\u011f\u0131rl\u0131klar, sapmalar, aktivasyon fonksiyonlar\u0131 ve katmanl\u0131 mimariler arac\u0131l\u0131\u011f\u0131yla bilgiyi i\u015fler. Gradyan ini\u015fi ve geri yay\u0131l\u0131m gibi algoritmalar sayesinde hatalar\u0131ndan ders \u00e7\u0131kararak a\u011f\u0131rl\u0131klar\u0131n\u0131 optimize eder ve giderek daha ak\u0131ll\u0131 hale gelirler.<\/p>\n Derin \u00f6\u011frenmenin y\u00fckseli\u015fiyle birlikte, daha karma\u015f\u0131k mimariler (CNN’ler, RNN’ler) ve daha g\u00fc\u00e7l\u00fc hesaplama kaynaklar\u0131, yapay sinir a\u011flar\u0131n\u0131n yeteneklerini daha \u00f6nce hayal bile edilemeyen seviyelere ta\u015f\u0131m\u0131\u015ft\u0131r. G\u00fcn\u00fcm\u00fczde, g\u00f6r\u00fcnt\u00fc ve konu\u015fma tan\u0131madan do\u011fal dil i\u015flemeye, t\u0131bbi te\u015fhisten otonom s\u00fcr\u00fc\u015fe kadar pek \u00e7ok alanda \u00e7\u0131\u011f\u0131r a\u00e7an uygulamalara g\u00fc\u00e7 vermektedirler.<\/p>\n Elbette, a\u015f\u0131r\u0131 uyum, gradyan problemleri gibi zorluklar devam etmekte ve ara\u015ft\u0131rmac\u0131lar bu alanlarda s\u00fcrekli yeni \u00e7\u00f6z\u00fcmler geli\u015ftirmektedir. Ancak, yapay sinir a\u011flar\u0131n\u0131n temel prensiplerini anlamak, bu heyecan verici ve h\u0131zla geli\u015fen alan\u0131 ke\u015ffetmenin ilk ve en \u00f6nemli ad\u0131m\u0131d\u0131r. Gelecekte yapay zekan\u0131n ne gibi yenilikler getirece\u011fini g\u00f6rmek i\u00e7in, bu “dijital zekan\u0131n” temel yap\u0131 ta\u015flar\u0131n\u0131 ve \u00f6\u011frenme mekanizmalar\u0131n\u0131 kavramak hayati \u00f6nem ta\u015f\u0131maktad\u0131r.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Zeka \u0130n\u015fa Etmek: Yapay Sinir A\u011flar\u0131n\u0131n Temelleri\nYapay zeka (YZ) ve makine \u00f6\u011frenimi alanlar\u0131, son y\u0131llarda teknolojinin en heyecan verici ve","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-33912","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n1. Girdiler (Inputs):<\/strong> N\u00f6ron, di\u011fer n\u00f6ronlardan veya do\u011frudan d\u0131\u015far\u0131dan gelen bir veya daha fazla girdi al\u0131r. Bu girdiler genellikle say\u0131sal de\u011ferlerdir.
\n2. A\u011f\u0131rl\u0131klar (Weights):<\/strong> Her bir girdiye, o girdinin n\u00f6ronun \u00e7\u0131kt\u0131s\u0131 \u00fczerindeki \u00f6nemini veya etkisini belirten bir “a\u011f\u0131rl\u0131k” atan\u0131r. A\u011f\u0131rl\u0131klar, n\u00f6ronun \u00f6\u011frenme s\u00fcrecinde ayarlanabilen parametrelerdir. Pozitif a\u011f\u0131rl\u0131klar girdinin etkisini art\u0131r\u0131rken, negatif a\u011f\u0131rl\u0131klar azalt\u0131r.
\n3. Sapma (Bias):<\/strong> Sapma terimi, n\u00f6ronun aktivasyon fonksiyonunu tetiklemek i\u00e7in gereken e\u015fi\u011fi ayarlayan ek bir parametredir. N\u00f6ronun, girdiler s\u0131f\u0131r olsa bile aktif hale gelmesini veya tersine, girdiler y\u00fcksek olsa bile pasif kalmas\u0131n\u0131 sa\u011flayabilir. Bir nevi “serbest ge\u00e7i\u015f” veya “bariyer” g\u00f6revi g\u00f6r\u00fcr.<\/p>\nToplama Fonksiyonu ve Aktivasyon Fonksiyonlar\u0131<\/h3>\n
\n Z = (x1 w1) + (x2 <\/em> w2) + ... + (xn * wn) + b<\/code>
\n Burada x<\/code> girdileri, w<\/code> a\u011f\u0131rl\u0131klar\u0131, b<\/code> sapmay\u0131 ve Z<\/code> a\u011f\u0131rl\u0131kl\u0131 toplam\u0131 temsil eder.<\/p>\nZ<\/code>, do\u011frudan n\u00f6ronun \u00e7\u0131kt\u0131s\u0131 olarak verilmez. Bunun yerine, Z<\/code> de\u011feri bir “aktivasyon fonksiyonu”ndan ge\u00e7irilir. Aktivasyon fonksiyonunun temel amac\u0131, n\u00f6ronun \u00e7\u0131kt\u0131s\u0131na do\u011frusal olmayan bir \u00f6zellik katmakt\u0131r. Bu do\u011frusal olmama durumu, sinir a\u011flar\u0131n\u0131n karma\u015f\u0131k, do\u011frusal olmayan ili\u015fkileri \u00f6\u011frenmesini ve modellemesini m\u00fcmk\u00fcn k\u0131lar. Aksi takdirde, ka\u00e7 katman eklenirse eklensin, a\u011f yaln\u0131zca do\u011frusal bir modelden ibaret kal\u0131rd\u0131.<\/p>\nYayg\u0131n Aktivasyon Fonksiyonlar\u0131<\/h4>\n
f(x) = 1 \/ (1 + e^(-x))<\/code> form\u00fcl\u00fcne sahiptir. \u00c7\u0131kt\u0131y\u0131 0 ile 1 aras\u0131na s\u0131k\u0131\u015ft\u0131r\u0131r. \u00d6zellikle ikili s\u0131n\u0131fland\u0131rma problemlerinde \u00e7\u0131kt\u0131 katman\u0131nda kullan\u0131l\u0131rd\u0131. Ancak, b\u00fcy\u00fck pozitif veya negatif x<\/code> de\u011ferleri i\u00e7in gradyan\u0131n \u00e7ok k\u00fc\u00e7\u00fck olmas\u0131 (“vanishing gradient” problemi) nedeniyle gizli katmanlarda kullan\u0131m\u0131 azalm\u0131\u015ft\u0131r.
\n* Hiperbolik Tanjant (Tanh) Fonksiyonu:<\/strong> f(x) = (e^x - e^(-x)) \/ (e^x + e^(-x))<\/code> form\u00fcl\u00fcne sahiptir. \u00c7\u0131kt\u0131y\u0131 -1 ile 1 aras\u0131na s\u0131k\u0131\u015ft\u0131r\u0131r. Sigmoid’e g\u00f6re ortalamas\u0131 s\u0131f\u0131ra daha yak\u0131n oldu\u011fu i\u00e7in baz\u0131 durumlarda daha iyi performans g\u00f6sterebilir, ancak vanishing gradient problemi bunda da mevcuttur.
\n* Do\u011frultulmu\u015f Do\u011frusal Birim (ReLU – Rectified Linear Unit):<\/strong> f(x) = max(0, x)<\/code> form\u00fcl\u00fcne sahiptir. Negatif girdiler i\u00e7in 0, pozitif girdiler i\u00e7in girdinin kendisini d\u00f6nd\u00fcr\u00fcr. G\u00fcn\u00fcm\u00fczde en pop\u00fcler aktivasyon fonksiyonudur. Hesaplama a\u00e7\u0131s\u0131ndan basit olmas\u0131 ve vanishing gradient problemini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde hafifletmesi (sadece negatif k\u0131s\u0131mda) avantajlar\u0131d\u0131r.
\n* Leaky ReLU:<\/strong> ReLU’nun negatif k\u0131s\u0131mda gradyan\u0131n tamamen s\u0131f\u0131r olmas\u0131n\u0131 \u00f6nlemek i\u00e7in geli\u015ftirilmi\u015ftir. f(x) = max(0.01x, x)<\/code> veya f(x) = max(ax, x)<\/code> (burada a<\/code> k\u00fc\u00e7\u00fck bir sabittir) form\u00fcl\u00fcne sahiptir.
\n* Softmax Fonksiyonu:<\/strong> Birden fazla s\u0131n\u0131f i\u00e7eren s\u0131n\u0131fland\u0131rma problemlerinde \u00e7\u0131kt\u0131 katman\u0131nda kullan\u0131l\u0131r. Girdileri olas\u0131l\u0131k da\u011f\u0131l\u0131m\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr; yani t\u00fcm \u00e7\u0131kt\u0131lar\u0131n toplam\u0131 1’e e\u015fit olur.<\/p>\nA\u011f Mimarisi: Katmanlar ve Ba\u011flant\u0131lar<\/h2>\n
Giri\u015f, Gizli ve \u00c7\u0131k\u0131\u015f Katmanlar\u0131<\/h3>\n
\n2. Gizli Katmanlar (Hidden Layers):<\/strong> Giri\u015f ve \u00e7\u0131k\u0131\u015f katmanlar\u0131 aras\u0131nda yer alan katmanlard\u0131r. Bu katmanlardaki n\u00f6ronlar, girdilerden karma\u015f\u0131k \u00f6r\u00fcnt\u00fcleri ve soyut \u00f6zellikleri \u00f6\u011frenmekten sorumludur. Bir a\u011f\u0131n ne kadar derin oldu\u011fu (yani ka\u00e7 gizli katmana sahip oldu\u011fu), a\u011f\u0131n karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 ve \u00f6\u011frenme kapasitesini belirler. Derin \u00f6\u011frenme terimi de birden fazla gizli katmana sahip a\u011flar\u0131 ifade eder. Gizli katmanlardaki n\u00f6ronlar, kendi girdilerini al\u0131r, a\u011f\u0131rl\u0131kl\u0131 toplam\u0131 hesaplar ve bir aktivasyon fonksiyonu uygulayarak \u00e7\u0131kt\u0131y\u0131 bir sonraki katmana iletir.
\n3. \u00c7\u0131k\u0131\u015f Katman\u0131 (Output Layer):<\/strong> A\u011f\u0131n son katman\u0131d\u0131r ve \u00f6\u011frenilen bilginin sonucunu \u00fcretir. \u00c7\u0131k\u0131\u015f katman\u0131ndaki n\u00f6ron say\u0131s\u0131 ve aktivasyon fonksiyonu, \u00e7\u00f6z\u00fclmek istenen probleme g\u00f6re de\u011fi\u015fir. \u00d6rne\u011fin, ikili s\u0131n\u0131fland\u0131rma i\u00e7in tek bir n\u00f6ron (sigmoid aktivasyonlu), \u00e7ok s\u0131n\u0131fl\u0131 s\u0131n\u0131fland\u0131rma i\u00e7in s\u0131n\u0131f say\u0131s\u0131 kadar n\u00f6ron (softmax aktivasyonlu) veya regresyon problemleri i\u00e7in tek bir n\u00f6ron (do\u011frusal aktivasyonlu) kullan\u0131labilir.<\/p>\n\u0130leri Beslemeli A\u011flar (Feedforward Networks)<\/h3>\n
\u00d6\u011frenme S\u00fcreci: A\u011flar Nas\u0131l Ak\u0131llan\u0131r?<\/h2>\n
Denetimli \u00d6\u011frenme ve E\u011fitim Verisi<\/h3>\n
X<\/code> bir kedinin resmi, y<\/code> ise “kedi” etiketi olabilir. A\u011f\u0131n amac\u0131, X<\/code> ile y<\/code> aras\u0131ndaki ili\u015fkiyi \u00f6\u011frenmek ve yeni, daha \u00f6nce g\u00f6rmedi\u011fi X<\/code> de\u011ferleri i\u00e7in do\u011fru y<\/code> de\u011ferlerini tahmin etmektir.<\/p>\nHata Fonksiyonu (Loss Function)<\/h3>\n
\n* Ortalama Kare Hata (Mean Squared Error – MSE):<\/strong> Regresyon problemleri i\u00e7in kullan\u0131l\u0131r. Ger\u00e7ek de\u011fer ile tahmin edilen de\u011fer aras\u0131ndaki fark\u0131n karelerinin ortalamas\u0131n\u0131 al\u0131r.
\n* \u00c7apraz Entropi (Cross-Entropy):<\/strong> S\u0131n\u0131fland\u0131rma problemleri i\u00e7in kullan\u0131l\u0131r. \u00d6zellikle \u00e7ok s\u0131n\u0131fl\u0131 s\u0131n\u0131fland\u0131rmada Softmax ile birlikte \u00e7ok etkilidir.<\/p>\nOptimizasyon ve Gradyan \u0130ni\u015fi (Gradient Descent)<\/h3>\n
Geri Yay\u0131l\u0131m (Backpropagation) Algoritmas\u0131<\/h3>\n
\n1. \u0130leri Besleme (Forward Pass):<\/strong> E\u011fitim verisi a\u011fa verilir ve \u00e7\u0131kt\u0131 katman\u0131na kadar ileri do\u011fru i\u015flenir. Bu ad\u0131mda a\u011f bir tahmin \u00fcretir.
\n2. Hata Hesaplama:<\/strong> \u00dcretilen tahmin ile ger\u00e7ek etiket aras\u0131ndaki hata, hata fonksiyonu kullan\u0131larak hesaplan\u0131r.
\n3. Geri Yay\u0131l\u0131m (Backward Pass):<\/strong> Hesaplanan hata, \u00e7\u0131k\u0131\u015f katman\u0131ndan ba\u015flayarak a\u011f\u0131n gizli katmanlar\u0131na do\u011fru geriye yay\u0131l\u0131r. Bu yay\u0131l\u0131m s\u0131ras\u0131nda, her bir n\u00f6ronun ve ba\u011flant\u0131n\u0131n hata \u00fczerindeki katk\u0131s\u0131 (yani hata fonksiyonunun o n\u00f6ronun a\u011f\u0131rl\u0131klar\u0131na ve sapmas\u0131na g\u00f6re gradyan\u0131) hesaplan\u0131r. Zincir kural\u0131 (chain rule) kullan\u0131larak, \u00e7\u0131k\u0131\u015f katman\u0131ndaki hatan\u0131n, a\u011fdaki her bir a\u011f\u0131rl\u0131\u011fa ve sapmaya nas\u0131l yay\u0131ld\u0131\u011f\u0131 bulunur.
\n4. A\u011f\u0131rl\u0131k G\u00fcncelleme:<\/strong> Hesaplanan gradyanlar kullan\u0131larak, a\u011f\u0131rl\u0131klar ve sapmalar, hata fonksiyonunu azaltacak \u015fekilde g\u00fcncellenir. G\u00fcncelleme form\u00fcl\u00fc genellikle:
\n yeni_a\u011f\u0131rl\u0131k = eski_a\u011f\u0131rl\u0131k - \u00f6\u011frenme_oran\u0131 * gradyan<\/code>
\n \u015feklindedir.<\/p>\n\u00d6\u011frenme Oran\u0131 (Learning Rate), Epoch ve Batch<\/h3>\n
\n* Epoch:<\/strong> Bir epoch, t\u00fcm e\u011fitim veri k\u00fcmesinin a\u011fa bir kez ba\u015ftan sona beslenmesi ve a\u011f\u0131rl\u0131klar\u0131n buna g\u00f6re g\u00fcncellenmesi anlam\u0131na gelir. Genellikle bir sinir a\u011f\u0131, binlerce veya on binlerce epoch boyunca e\u011fitilir.
\n* Batch (Mini-Batch):<\/strong> B\u00fcy\u00fck veri k\u00fcmelerinde, her bir e\u011fitim \u00f6rne\u011fi i\u00e7in gradyan hesaplamak ve a\u011f\u0131rl\u0131klar\u0131 g\u00fcncellemek \u00e7ok maliyetli olabilir. Bunun yerine, veri k\u00fcmesi k\u00fc\u00e7\u00fck alt k\u00fcmelere (“mini-batch” veya sadece “batch”) ayr\u0131l\u0131r. Her bir batch i\u00e7in gradyan hesaplan\u0131r ve a\u011f\u0131rl\u0131klar g\u00fcncellenir. Bu yakla\u015f\u0131m, hem hesaplama verimlili\u011fini art\u0131r\u0131r hem de gradyan ini\u015finin daha kararl\u0131 olmas\u0131n\u0131 sa\u011flar.<\/p>\nYapay Sinir A\u011f\u0131 T\u00fcrlerine K\u0131sa Bir Bak\u0131\u015f<\/h2>\n
\u00c7ok Katmanl\u0131 Alg\u0131lay\u0131c\u0131lar (MLP)<\/h3>\n
Evri\u015fimli Sinir A\u011flar\u0131 (CNN)<\/h3>\n
Tekrarlayan Sinir A\u011flar\u0131 (RNN)<\/h3>\n
Zorluklar ve Dikkat Edilmesi Gerekenler<\/h2>\n
A\u015f\u0131r\u0131 Uyum (Overfitting) ve Eksik Uyum (Underfitting)<\/h3>\n
\n* Eksik Uyum (Underfitting):<\/strong> A\u011f\u0131n e\u011fitim verilerini bile yeterince \u00f6\u011frenememesi durumudur. Bu, a\u011f\u0131n \u00e7ok basit olmas\u0131, yeterince uzun s\u00fcre e\u011fitilmemesi veya yetersiz \u00f6zellik setine sahip olmas\u0131yla ortaya \u00e7\u0131kabilir. \u00c7\u00f6z\u00fcmler aras\u0131nda daha karma\u015f\u0131k bir a\u011f mimarisi kullanmak, daha uzun s\u00fcre e\u011fitmek veya daha fazla ilgili \u00f6zellik eklemek yer al\u0131r.<\/p>\nGradyan Kaybolmas\u0131\/Patlamas\u0131 (Vanishing\/Exploding Gradients)<\/h3>\n
\n* Gradyan Kaybolmas\u0131:<\/strong> Gradyanlar\u0131n \u00e7ok k\u00fc\u00e7\u00fclmesi, a\u011f\u0131n ilk katmanlar\u0131ndaki a\u011f\u0131rl\u0131klar\u0131n neredeyse hi\u00e7 g\u00fcncellenmemesine ve dolay\u0131s\u0131yla \u00f6\u011frenmenin durmas\u0131na neden olur. \u00d6zellikle Sigmoid ve Tanh gibi aktivasyon fonksiyonlar\u0131 bu duruma e\u011filimlidir.
\n* Gradyan Patlamas\u0131:<\/strong> Gradyanlar\u0131n \u00e7ok b\u00fcy\u00fcmesi, a\u011f\u0131rl\u0131klar\u0131n a\u015f\u0131r\u0131 derecede b\u00fcy\u00fck ad\u0131mlarla g\u00fcncellenmesine ve a\u011f\u0131n karars\u0131z hale gelmesine neden olabilir.
\nBu sorunlar\u0131 \u00e7\u00f6zmek i\u00e7in ReLU gibi aktivasyon fonksiyonlar\u0131, a\u011f\u0131rl\u0131k ba\u015flatma stratejileri (weight initialization), batch normalizasyonu ve gradyan k\u0131rpma (gradient clipping) gibi teknikler kullan\u0131l\u0131r.<\/p>\nUygulama Alanlar\u0131<\/h2>\n
\n* Do\u011fal Dil \u0130\u015fleme (NLP):<\/strong> Makine \u00e7evirisi, duygu analizi, metin \u00f6zetleme, sohbet robotlar\u0131.
\n* Konu\u015fma Tan\u0131ma:<\/strong> Sesli asistanlar (Siri, Alexa, Google Assistant).
\n* \u00d6neri Sistemleri:<\/strong> E-ticaret siteleri, film ve m\u00fczik platformlar\u0131 (Netflix, Spotify).
\n* Sa\u011fl\u0131k:<\/strong> Hastal\u0131k te\u015fhisi, ila\u00e7 ke\u015ffi, ki\u015fiselle\u015ftirilmi\u015f tedavi planlar\u0131.
\n* Finans:<\/strong> Doland\u0131r\u0131c\u0131l\u0131k tespiti, hisse senedi piyasas\u0131 tahmini, kredi riski de\u011ferlendirmesi.
\n* Oyun:<\/strong> YZ rakipler, oyun i\u00e7i strateji geli\u015ftirme.
\n* Robotik:<\/strong> Hareket kontrol\u00fc, \u00e7evre alg\u0131lama.<\/p>\nSonu\u00e7<\/h2>\n