Neural Network (Yapay Sinir Ağı)

#YapaySinirAglari #MakineOgrenmesi #DerinOgrenme #Algoritma #Biyomimetik

Yapay sinir ağı (ANN), insan beynindeki nöronlardan ilham alan, katmanlı yapay nöronlar aracılığıyla veriden öğrenen makine öğrenimi modelidir.

Yapay sinir ağı (İngilizce adıyla neural network, kısaltmasıyla ANN yani Artificial Neural Network), insan beynindeki biyolojik nöronların birbirleriyle bilgi alışverişi yapma şeklinden ilham alınarak tasarlanmış bir makine öğrenimi modelidir. Veriler, ağın içinde birbirine bağlı yapay nöronlar (düğümler) üzerinden geçerken ağırlıklı toplamlar ve aktivasyon fonksiyonları gibi matematiksel işlemlere tabi tutulur; ağ, eğitim sırasında bu ağırlıkları güncelleyerek verideki örüntüleri kendi kendine öğrenir. Bu mimari, derin öğrenmenin (deep learning) yapıtaşıdır: görüntü tanımadan ses sentezine, makine çevirisinden ChatGPT gibi büyük dil modellerine kadar modern yapay zekanın neredeyse tüm yetenekleri sinir ağlarına dayanır. ANN'in geleneksel programlamadan temel farkı, kuralların insan tarafından yazılmaması, örneklerden çıkarılmasıdır. Klasik bir algoritmada "kediyi tanıma" kuralını satır satır kodlamanız gerekirken, bir sinir ağına binlerce kedi fotoğrafı gösterirsiniz; ağ, kenar, doku ve şekil gibi özellikleri katman katman kendisi keşfeder. Bu yaklaşım, elle kural yazmanın pratikte imkansız olduğu karmaşık problemlerde (yüz tanıma, konuşma anlama, protein yapısı tahmini) sinir ağlarını vazgeçilmez kılar. Pratikte sinir ağlarıyla en çok üç mimari ailesi üzerinden karşılaşılır: görüntü işleyen CNN'ler, sıralı verileri işleyen RNN'ler ve modern dil modellerinin temelini oluşturan Transformer'lar. Kavramın kökü 1943'teki McCulloch-Pitts nöron modeline ve 1958'deki Perceptron'a kadar uzanır; büyük veri ile GPU gücünün buluştuğu 2010'lu yıllarda ise derin sinir ağları alanın merkezine yerleşti ve o günden bu yana yapay zekadaki ilerlemenin ana motoru oldu.

grain Yapay Sinir Ağı Mimarisi

Standart bir yapay sinir ağı (YSA / ANN) üç ana katman tipinden oluşur: verinin modele girdiği Girdi Katmanı (Input Layer), karmaşık hesaplamaların yapıldığı ve örüntülerin öğrenildiği bir veya daha fazla Gizli Katman (Hidden Layer) ve sonucun (tahminin) üretildiği Çıktı Katmanı (Output Layer). Her katman, yapay nöron adı verilen birimlerden oluşur; bir nöron, önceki katmandan gelen girdileri ağırlıklarla çarpıp toplar, üzerine sapma (bias) değerini ekler ve sonucu bir aktivasyon fonksiyonundan geçirir. Ağda birden fazla gizli katman varsa buna Derin Sinir Ağı (Deep Neural Network) denir; 'derin öğrenme' terimi de buradan gelir. Katman sayısı ve her katmandaki nöron sayısı, modelin öğrenebileceği örüntülerin karmaşıklığını belirler: az katmanlı ağlar basit ilişkileri yakalarken, derin ağlar görüntüdeki nesneler veya dildeki anlam gibi soyut ve hiyerarşik yapıları temsil edebilir.

Nasıl Öğreniyorlar?

balance Ağırlıklar ve Sapmalar

İki nöron arasındaki bağlantının gücüne Ağırlık (Weight) denir. Model eğitildikçe, doğru sonuca ulaşmak için bu ağırlıkları ve sapma (bias) değerlerini otomatik olarak günceller; öğrenilen bilgi tam olarak bu sayılarda saklanır.

bolt Aktivasyon Fonksiyonu

Bir nöronun aldığı toplam girdinin, diğer nöronlara aktarılacak bir sinyale dönüşüp dönüşmeyeceğine karar veren matematiksel filtredir (örn: ReLU, Sigmoid, GELU). Ağa doğrusal olmayan ilişkileri öğrenme yeteneği kazandırır.

arrow_forward İleri Besleme (Forward Propagation)

Verinin ağın başından sonuna doğru akıp modelin bir tahminde (çıktı) bulunması sürecidir. Hem eğitim hem de eğitilmiş modelin kullanımı (inference) bu adımla başlar.

sync Geri Yayılım (Backpropagation)

Tahmin edilen sonuç ile gerçek sonuç arasındaki hatanın hesaplanıp, bu hatayı azaltmak için ağdaki tüm ağırlıkların zincir kuralıyla geriye dönük güncellenmesi algoritmasıdır. Modern derin öğrenmenin öğrenme motorudur.

account_tree Farklı Sinir Ağı Türleri

  • check_circle CNN (Convolutional Neural Networks): Görsel verileri (fotoğraf, video) işlemek için özel olarak tasarlanmıştır. Evrişim filtreleriyle piksel uzayındaki yerel ilişkileri (kenar, doku, şekil) algılar; yüz tanıma, tıbbi görüntü analizi ve otonom araç kameralarında yaygın kullanılır.
  • check_circle RNN (Recurrent Neural Networks): Zaman serileri veya metin gibi sırası olan verileri işler; gizli durum (hidden state) aracılığıyla bir tür hafızaya sahiptir. LSTM ve GRU varyantları, uzun dizilerde bilginin unutulması problemini hafifletmek için geliştirilmiştir.
  • check_circle Transformers: Dikkat (attention) mekanizmasıyla dizideki tüm öğeleri aynı anda değerlendirir ve paralel işlemeye uygundur. GPT, Claude ve Gemini gibi tüm modern büyük dil modellerinin temelini oluşturur; birçok görevde RNN'lerin yerini almıştır.

Temel Sinir Ağı Mimarileri

  • check_circle İleri Beslemeli Ağ (Feedforward / MLP): Katmanlar arası bağlantıların yalnızca ileri yönde aktığı en temel mimari. Sınıflandırma ve regresyon görevleri için kullanılır; ANN denince akla gelen klasik yapı budur.
  • check_circle Evrişimli Sinir Ağı (CNN): Görüntü verisi için tasarlanmış, yerel özellik çıkarımı yapan mimari. Nesne tanıma, tıbbi görüntüleme ve video analizinde standart.
  • check_circle Yinelemeli Sinir Ağı (RNN / LSTM / GRU): Sıralı veriler için tasarlanmış, gizli durum aracılığıyla geçmiş bağlamı koruyan mimariler. Transformer'ların yaygınlaşmasıyla kullanımı azaldı ancak zaman serisi analizinde hâlâ tercih ediliyor.
  • check_circle Transformer: Dikkat mekanizması tabanlı, paralel işlemeye uygun mimari. GPT, BERT ve tüm modern LLM'lerin temeli. Görüntü verisi için de adapte edildi (ViT).
  • check_circle Üretici Çekişmeli Ağ (GAN): Üretici (generator) ve ayırt edici (discriminator) iki ağın rekabetine dayanan mimari. Görüntü sentezi ve veri artırma için kullanılır.
  • check_circle Otoenkoder (Autoencoder / VAE): Veriyi sıkıştırılmış gizli temsile (latent space) kodlayıp yeniden oluşturan mimari. Anomali tespiti, boyut indirgeme ve üretken yapay zekada kullanılır.

Sinir Ağlarının Eğitimi: Geri Yayılım ve Optimizasyon

Yapay sinir ağlarının öğrenme mekanizması, geri yayılım (backpropagation) algoritması üzerine kuruludur. Eğitim döngüsü şu adımlardan oluşur: ileri geçiş (forward pass) ile tahmin üretimi, kayıp fonksiyonu (loss function) ile hata hesabı, geri yayılımla gradyanların hesaplanması ve optimizasyon algoritmasıyla (SGD, Adam, AdamW) ağırlıkların güncellenmesi. Modern derin öğrenme uygulamalarında kritik bileşenler: toplu normalleştirme (batch normalization) eğitimi hızlandırır ve kararlı kılar; seyreltme (dropout) aşırı öğrenmeyi engeller; artık bağlantılar (residual / skip connections) çok derin ağlarda gradyan akışını mümkün kılar. Donanım perspektifinden GPU'lar, sinir ağı eğitiminin özünü oluşturan matris çarpımlarını paralel işledikleri için CPU'ya kıyasla büyük hız avantajı sunar. Çerçeveler açısından PyTorch, TensorFlow ve JAX araştırma ve üretim için en yaygın kullanılan kütüphanelerdir; araştırma ve prototiplemede PyTorch, mobil ve gömülü dağıtımda TensorFlow/Keras ekosistemi öne çıkar.

quiz Sıkça Sorulan Sorular (FAQ)

  • check_circle Yapay sinir ağı (ANN) nedir?: İnsan beynindeki nöronları modelleyen, katmanlı yapay nöron birimlerinden oluşan ve veriden öğrenebilen hesaplama sistemidir. İngilizce karşılığı neural network olan bu yapı, derin öğrenmenin temel yapı taşıdır.
  • check_circle ANN ne demek, neyin kısaltmasıdır?: ANN, Artificial Neural Network yani Yapay Sinir Ağı ifadesinin kısaltmasıdır. Türkçe kaynaklarda YSA kısaltması da kullanılır. Terim, ağın biyolojik değil yapay (matematiksel) nöronlardan oluştuğunu vurgular.
  • check_circle Derin öğrenme ile sinir ağı aynı şey midir?: Derin öğrenme, çok katmanlı (derin) sinir ağlarını ifade eder. Tüm derin öğrenme modelleri sinir ağıdır, ancak her sinir ağı derin öğrenme değildir; az katmanlı (yüzeysel) sinir ağları da mevcuttur.
  • check_circle Kara kutu (black box) problemi nedir?: Yapay sinir ağları milyonlarca (bazen trilyonlarca) parametreden oluştuğu için, bir modelin belirli bir kararı neden verdiğini insanların geriye dönük tam olarak izleyememesi ve açıklayamaması sorunudur. Açıklanabilir yapay zeka (XAI) alanı bu soruna çözüm arar.
  • check_circle Yapay sinir ağı insan beyni ile birebir aynı mı çalışır?: Hayır, sadece ilham almıştır. Biyolojik nöronlar kimyasal ve elektriksel sinyallerle son derece karmaşık çalışırken, yapay sinir ağları temelde matris çarpımları ve türev hesaplamaları yapan matematiksel fonksiyonlardır.
  • check_circle Sinir ağı eğitimi için ne kadar veri gerekir?: Göreve ve mimariye bağlıdır. Sınıflandırma görevleri için sınıf başına yüzlerce örnek yeterli olabilirken, büyük dil modelleri için milyarlarca token gerekir. Transfer öğrenme, hazır eğitilmiş bir ağı yeniden kullanarak veri ihtiyacını önemli ölçüde azaltır.