Artificial Neural Networks (ANN) (Yapay Sinir Ağları)

#YapaySinirAglari #DerinOgrenme #Algoritma #MakineOgrenimi

Biyolojik nöron ağlarından ilham alınan; katmanlı düğümler, ağırlıklı bağlantılar ve geri yayılım ile öğrenen matematiksel hesaplama modeli.

Yapay sinir ağları (Artificial Neural Networks — ANN), insan beynindeki biyolojik nöron yapılarından esinlenerek geliştirilen matematiksel hesaplama modellerdir. Birbirine ağırlıklı bağlantılarla bağlı düğümlerden (nöronlardan) oluşan bu yapılar; girdi katmanı, bir ya da daha fazla gizli katman ve çıktı katmanından meydana gelir. Her düğüm gelen sinyalleri toplar, ağırlıklarla çarpar ve sonucu sigmoid, ReLU veya tanh gibi bir aktivasyon fonksiyonundan geçirerek bir sonraki katmana iletir. Eğitim süreci iki temel aşamadan oluşur: ileri geçiş (forward pass) sırasında girdi verisi katmanlar boyunca aktarılarak tahmin üretilir; geri yayılım (backpropagation) aşamasında ise tahmin hatası zincir kuralıyla geriye doğru hesaplanarak ağırlıklar gradyan iniş yöntemiyle güncellenir. Bu döngü milyonlarca iterasyon boyunca tekrarlanarak modelin doğruluğu kademeli biçimde artırılır. Ağın başarısı büyük ölçüde gizli katman sayısına, nöron yoğunluğuna ve seçilen optimizasyon algoritmasına (Adam, SGD, RMSProp) bağlıdır. Tarihsel açıdan McCulloch-Pitts nöronu (1943) ve Frank Rosenblatt'ın 1958 perceptronu bu alanın temel taşlarını oluşturur. İki "yapay zeka kışı" döneminde ilgi azalsa da 2006 sonrasında Geoffrey Hinton ve ekibinin çok katmanlı yapılar üzerindeki çalışmaları ile 2012'de AlexNet'in ImageNet yarışmasındaki devrimsel başarısı, modern derin öğrenme çağını başlattı. Günümüzde yapay sinir ağları pek çok uzmanlaşmış mimaride gelişmiştir: evrişimsel sinir ağları (CNN) görüntü tanıma ve bilgisayarlı görüde, yinelemeli ağlar (RNN/LSTM) dizi verisinde, grafik sinir ağları (GNN) ilişkisel veride ve transformerlar büyük dil modellerinde temel yapı taşını oluşturur. Tıbbi görüntü analizi, otonom araçlar, ses tanıma, makine çevirisi ve öneri sistemleri bu teknolojinin en olgunlaştığı başlıca uygulama alanlarıdır. Temel sınırlamalar arasında "kara kutu" yorumlanabilirlik sorunu, büyük miktarda etiketli eğitim verisi gerektirme ve GPU hesaplama maliyeti sayılabilir. Bu güçlükler açıklanabilir yapay zeka (XAI) araştırmalarını ve enerji verimli kenar bilişim (edge AI) çözümlerine olan ilgiyi giderek artırmaktadır.

account_tree Mimarinin Yapısı

Ağ birbirine bağlı 'düğümler' (node/yapay nöron) kümelerinden oluşur. Veri, Input Layer (Girdi Katmanı) üzerinden ağa girer. Ardından sayısız hesaplamanın yapıldığı Hidden Layers (Gizli Katmanlar) boyunca süzülür. Her nöron gelen sayıları birbiriyle toplar, çarpar, aktivasyon fonksiyonundan geçirir ve bir sonraki nörona ateşler. Son olarak Output Layer (Çıktı Katmanı) nihai tahmini (Örn: Bu %95 ihtimalle kedi) üretir.

Evrim Süreci

looks_one Perceptron (1957)

Sadece tek bir nörondan oluşan tarihteki ilk denemedir. Doğrusal olmayan problemleri çözemediği için yıllarca rafa kaldırılmıştır (Yapay Zeka Kışı).

layers Çok Katmanlı Ağlar (MLP)

Backpropagation (Geri yayılım) algoritmasının icadıyla birden fazla katmanın eğitilebilmesi sağlanmış ve derin öğrenme devrimi başlamıştır.

Yapay Sinir Ağlarında Aktivasyon Fonksiyonları ve Öğrenme

Yapay sinir ağlarının (YSA) her nöronunda bir aktivasyon fonksiyonu bulunur; bu fonksiyon gelen sinyali doğrusal olmayan bir dönüşüme tabi tutar. Doğrusal olmama (non-linearity) olmasaydı çok katmanlı ağ, matematiksel olarak tek katmana eşdeğer olurdu ve karmaşık örüntüleri öğrenemezdi. ReLU (Rectified Linear Unit), sıfırın altındaki değerleri sıfırlar; gradyan kaybını (vanishing gradient) azaltması ve hesaplama verimliliği nedeniyle modern ağlarda standart seçimdir. Sigmoid ve tanh erken dönem ağlarda yaygındı; derin ağlarda gradyan kaybına yol açtığı için yerini büyük ölçüde ReLU ve türevlerine (Leaky ReLU, GELU, SiLU) bıraktı. Ağ, geri yayılım (backpropagation) algoritmasıyla hata sinyalini girişe doğru ileterek her ağırlığı gradient descent ile günceller. Bu sürecin milyonlarca tekrarı modelin verinin örüntülerini öğrenmesini sağlar.

YSA Türleri ve Uygulama Alanları

  • check_circle CNN (Evrişimli Sinir Ağı): Görüntü verisi için optimize edilmiş mimari. Evrişim filtreleri uzamsal örüntüleri (kenar, şekil, yüz) hiyerarşik öğrenir. Nesne tespiti, görüntü sınıflandırma ve tıbbi görüntülemede baskın mimari.
  • check_circle RNN ve LSTM: Sıralı veriye uygun mimari: gizli durum (hidden state) mekanizmasıyla önceki adımları 'hatırlar'. Metin üretme, zaman serisi tahmini ve konuşma tanımada kullanıldı; transformer mimarisi bu alanda büyük ölçüde yerini almış olsa da hâlâ bazı uygulamalarda tercih edilir.
  • check_circle Transformer: Dikkat mekanizması (attention mechanism) ile sıralı verideki uzak bağımlılıkları paralel öğrenen mimari. GPT, BERT ve neredeyse tüm modern LLM'lerin temeli. Metin, görüntü, ses ve protein yapısı gibi farklı modalitelere uyarlanmıştır.
  • check_circle GAN (Üretici Çekişmeli Ağ): İki ağın rekabetine dayanan üretken model: üretici (generator) gerçekçi veri örüntüsü üretir, ayırt edici (discriminator) gerçek ve sahteyi ayırt etmeye çalışır. Görüntü sentezi ve veri artırmada kullanılır.

Yapay Sinir Ağı Mimarileri

  • check_circle İleri Beslemeli Ağ (Feedforward / MLP): En temel mimari: giriş → gizli katmanlar → çıkış; bağlantılar yalnızca ileri yönde. Tam bağlı (dense) katmanlar; geri yayılım ile eğitilir. Tablo verisi, temel sınıflandırma ve regresyon görevleri için yaygın.
  • check_circle Evrişimsel Sinir Ağı (CNN): Uzamsal örüntü öğrenme: evrişim filtreleri kenar, doku ve şekil öğrenir. Parametre paylaşımı ve yerel bağlantı sayesinde verimli. Görüntü sınıflandırma (ResNet, EfficientNet), nesne tespiti ve tıbbi görüntülemede standart.
  • check_circle Yinelemeli Sinir Ağı (RNN, LSTM, GRU): Sıralı veri için tasarlanmış; önceki adımlardan bilgi aktarır. LSTM ve GRU uzun vadeli bağımlılıkları öğrenir. Transformer mimarisinin yaygınlaşmasıyla popülerliği azaldı, ancak gömülü sistemler ve gerçek zamanlı uygulamalarda hâlâ kullanılır.
  • check_circle Transformer ve Dikkat Mekanizması: Self-attention: giriş dizisindeki her öğenin diğerleriyle ilişkisi hesaplanır. Doğal dil işleme, bilgisayarlı görü ve ses işlemede baskın mimari. GPT, BERT, ViT, Whisper hepsi transformer temelli.

Yapay Sinir Ağlarında Eğitim Süreci

Eğitim döngüsü dört adımdan oluşur: 1) İleri geçiş: giriş verisi ağdan geçer, çıkış üretilir. 2) Kayıp hesaplama: çıkış ile gerçek değer arasındaki fark loss fonksiyonuyla ölçülür. 3) Geri yayılım: loss'a göre her ağırlığın gradyanı zincir kuralıyla hesaplanır. 4) Ağırlık güncelleme: optimizer (Adam, SGD) gradyanı kullanarak ağırlıkları günceller. Bu döngü tüm veri seti üzerinde epoch sayısı kadar tekrar edilir. Aktivasyon fonksiyonları (ReLU, GELU, SiLU) gizli katmanlara doğrusal olmayanlık katar; bu olmadan çok katmanlı ağ tek katmana indirgenebilir. Batch normalization ve dropout yaygın düzenleme teknikleridir.

Sık Sorulan Sorular

  • check_circle Yapay sinir ağı nedir? Yapay sinir ağı (YSA / Artificial Neural Network), insan beyninin biyolojik sinir ağısından esinlenilen hesaplama modelidir. Katmanlar halinde düzenlenmiş yapay nöronlar, ağırlıklı bağlantılar aracılığıyla veri işler; geri yayılım algoritmasıyla eğitilir ve girdi-çıktı ilişkisini öğrenir.
  • check_circle Yapay sinir ağı ile derin öğrenme arasındaki fark nedir? Derin öğrenme (deep learning), çok sayıda gizli katmandan (hidden layer) oluşan derin sinir ağı modellerini ifade eder. Teknik olarak derin öğrenme bir YSA türüdür; ancak birkaç katmanlı sığ ağların (shallow network) aksine onlarca katman içerir ve büyük veri + güçlü donanımla anlamlı sonuç üretebilir.
  • check_circle Yapay ve biyolojik sinir ağları arasındaki fark nedir? Biyolojik nöronlar elektrokimyasal sinyaller iletir, binlerce farklı bağlantı türüne sahiptir ve enerji açısından son derece verimlidir (20W beyinde milyarlarca nöron). Yapay YSA matematiksel soyutlamadır: nöronlar sayısal değerler iletir, ağırlıklar geriye yayılımla güncellenir. Biyolojik öğrenme mekanizmalarının tam anlamıyla modellendiği iddia edilmez.
  • check_circle Sinir ağı ne kadar katman olmalı? Sorunun karmaşıklığına bağlıdır. Basit sınıflandırma: 2-3 gizli katman yeterli. Derin öğrenme: onlarca ile yüzlerce katman (ResNet-152, GPT-4). Başlangıç için az katmandan başla; validation hatası platoya ulaşana kadar derinliği artır.
  • check_circle Yapay sinir ağı ile makine öğrenmesi arasındaki fark nedir? Makine öğrenmesi: istatistiksel model ailesi; sinir ağı da bu ailenin bir üyesidir. Fark: geleneksel ML (karar ağacı, SVM) genellikle elle tasarlanmış özellikler ister; sinir ağları ise ham veriden otomatik özellik öğrenir.