Sinir Ağlarını Anlamak
Siz şu an bu yazıyı okurken, bazen neden bir odaya girdiğimizi unutan beyin, bu pikselleri sihirli bir şekilde harflere, kelimelere ve cümlelere çeviriyor. Dünyanın en hızlı süper bilgisayarlarını utandıracak bir başarı olarak düşünebiliriz. Beynin içerisinde, metinleri, görüntüleri ve dünyayı genel olarak tanımamıza yardımcı olmak için binlerce nöron inanılmaz hız ve doğrulukla çalışmaya devam ediyor.
Bir sinir ağı, insan beyninden esinlenilerek geliştirilen bir programlama modelidir. Nasıl ortaya çıktığına detaylı olarak bakalım.
Yapay Nöronların Doğuşu
Bilgisayarlar, çoğu insanın korkutucu bulduğu, sayıları zorlayan görevlerde kusursuz olacak şekilde tasarlandı. Buna rağmen, insanlar doğal olarak nesneleri ve kalıpları zahmetsizce tanıyıp anlayabilirken bu durum bilgisayar için zor bir görev.
Bu durumların oluşması 1950’lerde iki önemli soruya neden oldu.
- “Bilgisayarlar, insanların zahmetsiz bulduğu sorunları çözmede nasıl daha iyi olabilir?”
- “Bilgisayarlar, insan beyninin yaptığı gibi tüm bu sorunları nasıl çözebilir?”
Perceptron (algılayıcı) algoritmasında, sinir ağlarının inanılmaz derecede gizemli dünyasına yol açacak son bir adım vardı – yapay nöronlar kendi sonuçlarına göre kendini eğitebilir ve gelecekte daha iyi sonuçlar verebilir. Somutlaştırmak gerekirse, tıpkı biyolojik bir nöron gibi deneme yanılma yoluyla öğrenebilir.
Daha Fazla Nöron
Perceptron algoritması, görüntü tanıma görevleri için çok sayıda yapay nöron kullandı ve hesaplama problemlerini çözmek için yepyeni bir yol açtı. Ancak, görüldüğü üzere bu çok çeşitli problemleri çözmek için yeterli değildi ve algılayıcı algoritmasına ve sinir ağlarına olan ilgi yıllar geçtikçe azaldı. Ancak yıllar sonra nöronlar yükselişe geçti.
Birden çok nöron katmanı oluşturmanın – bir katmanın çıktısını bir sonraki katmana girdi olarak besleyerek – çok çeşitli girdileri işleyebileceği, karmaşık kararlar verebileceği ve yine de anlamlı sonuçlar üretebileceği keşfedildi. Bazı düzenlemeler ve ayarlamalar ile, algoritma çok katmanlı algılayıcı olarak bilinmeye başlandı ve durum da Feedforward sinir ağlarının yükselişinin en temel nedeni oldu.
60 Yıl sonra
Feedforward ağları ile sonuçlar iyileştirildi. Ancak son zamanlarda, yüksek hızlı işlemcilerin geliştirilmesiyle sinir ağları nihayet günlük insan hayatına sorunsuz bir şekilde entegre olmak için gerekli bilgileri ve işlem gücünü elde etti.
Dünümüzde sinir ağlarının uygulamaları konuşma tanıma gibi basit görevlerden kendi kendine giden araçlar gibi karmaşık görevlere kadar yaygınlaştı.
2012 yılında, Alex Krizhevsky ve Toronto Üniversitesindeki ekibi “ImageNet” yaışmasına katıldı ve derin evrişimli sinir ağını eğitti. Kararları nasıl aldığını gerçekten kimse anlamadı, ancak %10.8’lik bir margin (bir çeşit model puanlama sistemi) ile diğer geleneksel sınıflandırıcılardan daha iyi çalıştı.
Özetle
Nöronlar uzun bir yol kat etti. Sinir ağları, sonuç üretme konusunda oldukça iyidir ancak diğer yandan gizemli bir şekilde karmaşıktır. Karar verme sürecinin görünürdeki karmaşıklığı, sinir ağlarının insanüstü doğruluk düzeylerinde tam olarak nasıl ulaştığını söylemek zordur.
