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: neural network, kısaltma: ANN — Artificial Neural Network), insan beynindeki biyolojik nöronların birbirleriyle bilgi alışverişi yapma biçiminden 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 boyunca 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 türetilmesidir. 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 imkânsız olduğu karmaşık problemlerde (yüz tanıma, konuşma anlama, protein yapısı tahmini) sinir ağlarını vazgeçilmez kılar. Standart bir ANN üç ana katman tipinden oluşur: verinin modele girdiği Girdi Katmanı, karmaşık hesaplamaların gerçekleştirildiği bir veya daha fazla Gizli Katman ve tahminin üretildiği Çıktı Katmanı. Katmanlar arası bağlantıların yoğunluğu ile derinliği, modelin öğrenebileceği örüntülerin karmaşıklığını doğrudan belirler. Öğrenme mekanizması geri yayılım (backpropagation) algoritmasına dayanır: tahmin ile gerçek değer arasındaki hata, zincir kuralıyla geriye doğru yayılarak tüm ağırlıklar güncellenir. Pratikte üç mimari ailesi öne çıkar: görüntü işleyen CNN'ler, sıralı verileri modelleyen RNN'ler ve günümüz dil modellerinin temeli olan 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 derin sinir ağları alanın merkezine yerleşti ve o günden bu yana yapay zekadaki ilerlemenin temel motoru olmayı sürdürmektedir. PyTorch, TensorFlow ve JAX bu modellerin geliştirildiği başlıca çerçevelerdir.

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? Temel Kavramlar

  • check_circle 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.
  • check_circle 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.
  • check_circle 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.
  • check_circle 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.

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.

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.
  • 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.
  • check_circle Transformer: Dikkat mekanizması tabanlı, paralel işlemeye uygun mimari. GPT, BERT ve tüm modern LLM'lerin temeli.
  • check_circle Üretici Çekişmeli Ağ (GAN): Üretici ve ayırt edici iki ağın rekabetine dayanan mimari. Görüntü sentezi ve veri artırma için kullanılır.
  • check_circle Otoenkoder (Autoencoder / VAE): Veriyi sıkıştırılmış gizli temsile kodlayıp yeniden oluşturan mimari. Anomali tespiti 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.

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. 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.
  • 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.
  • check_circle Kara kutu (black box) problemi nedir? Sinir ağları milyonlarca parametreden oluştuğu için, bir modelin belirli bir kararı neden verdiğini insanların geriye dönük tam olarak izleyememesi sorunudur. Açıklanabilir yapay zeka (XAI) alanı bu soruna çözüm arar.
  • check_circle Yapay sinir ağı insan beyni ile birebir aynı mı çalışır? Hayır, yalnızca ilham almıştır. Biyolojik nöronlar kimyasal ve elektriksel sinyallerle 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 veri ihtiyacını önemli ölçüde azaltır.