Yapay Sinir Ağları insan beyninden esinlenerek ve makine öğrenimi ve yapay zeka için kullanılabilir. Bu ağlarda, çeşitli sorunlar bilgisayar tabanlı çözülebilir. Yapay sinir ağı bir ölçüde biyolojik beynin yapısı üzerinde modellenmiştir. İstatistik, teknoloji veya ekonomi gibi çeşitli alanlarda ki bilgisayar tabanlı uygulama sorunlarını çözmek için özel düzenleme ve bağlantı kullanılabilen soyutlanmış bir birbirine bağlı nöron modelinden oluşur. Sinir ağı Nöro bilişimin bir araştırma konusu ve yapay zekanın bir parçasıdır. Sorunları çözebilmeleri için sinir ağları eğitilmelidir.

Sinir Ağlarının İnşası

Konuları basitleştirmek için, bir sinir ağının yapısı ve işleyişi şu şekilde tanımlanabilir: Birincisi, bir sinir ağının soyut modeli, birimler veya düğümler olarak da adlandırılan nöronlardan oluşur. Dışarıdan veya diğer nöronlardan bilgi alıp diğer nöronlara aktarabilir ya da nihai sonuç olarak aktarabilirler. Temel olarak, giriş nöronları arasında bir ayrım yapılabilir, gizli nöronlar ve çıkış nöronları. Giriş nöronları dış dünyadan desen veya sinyal şeklinde bilgi alırsınız. Gizli nöronlar giriş ve çıkış nöronları arasında yer alır, ve harita iç bilgi desenleri. Çıkış nöronlar bir sonucu olarak dış dünyaya bilgi ve sinyalleri iletmek. Farklı nöronlar sözde kenarları aracılığıyla birbirlerine bağlıdır. Böylece, bir nöron çıkışı sonraki nöron girişi haline gelebilir. Bağlantının gücüne ve anlamına bağlı olarak, KenarBelirli bir ağırlık vardır.Ağırlık lama ne kadar güçlü olursa, bir nöronun başka bir nörona olan bağlantısında o kadar fazla etki yapabilir.

Pozitif ve Negatif Ağırlıklar

Heyecan verici veya inhibe edici etkisi olan olumlu ve olumsuz ağırlıkları vardır. Ağırlık sıfır ise, bir nöron diğer nöron üzerinde bağlantı üzerinde hiçbir etkisi uygular. Bilgi ve böylece bir sinir ağının yapay zeka sonuçta bağlantıları ve ağırlıkları saklanır. Nöronların ve nöronal tabakaların sayısı nın yanı sıra farklı katmanların nöronların bağlantısı nöral ağın karmaşıklığını (derinliğini) ve sorunları çözme yeteneğini belirler. Nöral ağın eğitimi sırasında, yani öğrenme, bağlantıların ağırlıkları, uygulanan öğrenme kurallarına ve elde edilen sonuçlara bağlı olarak değişir. Yapay sinir ağındaki nöronların sayısı teorik olarak sınırsızdır. Ancak, nöronların sayısı ve mevcut katmanlar ve bağlantılar ile, eğitim ve operasyon için gerekli bilgi işlem gücü artar.

Nöral Ağların Tipik Yapıları

Sinir ağları, açıklaması bu tanımın kapsamının ötesine geçecek farklı yapılara sahip olabilir. İlke olarak, besleme ileri ağları ve tekrarlayan ağlarda bir ayrım mümkündür. Besleme ileri ağlarında, bilgi akışı sadece çıkış nöronların gizli nöronlar aracılığıyla giriş nöronlar yönlendirilen ileri ye doğru gerçekleşir. Tekrarlayan ağlarda, bilginin belirli ağ nöron bağlantıları aracılığıyla ileri ve geri geçebileceği bağlantılar vardır. Bu ağlar aynı zamanda geri bildirim ağları veya geri bildirim sinir ağları olarak da adlandırılır.

Nöral Ağların Tipik Uygulamaları

Sinir ağları birçok alanda kullanılmaktadır. Bunlar, çok az sistematik çözüm bilgisinin olduğu ve bazen kesin olmayan girdi bilgilerinin büyük bir kısmı somut bir sonuca işlenmesi gereken uygulamalar için önceden belirlenmiştir. Uygulama alanları, örneğin, konuşma tanıma veya görüntü tanıma vardır. Sinir ağları ayrıca hava tahmini, tıbbi teşhis veya iş süreçleri gibi karmaşık sistemler ve ilişkiler için simülasyonlar ve öngörüler oluşturabilir. Yapay zeka ve sinir ağlarının tipik uygulamaları şunlardır:

  • Görüntü tanıma
  • Ses tanıma
  • Örüntü tanıma
  • Konuşma sentezi
  • El yazısı tanıma
  • Karmaşık süreçlerin kontrolü
  • Karmaşık sistemler için tahminler
  • Erken uyarı sistemleri
  • Zaman serisi analizi
  • Makine tabanlı çeviri
  • Karmaşık sistemlerin simülasyonları
  • Biyometrik sistemler
  • Ekonomik modeller ve daha fazlası

Sinir ağı Eğitimi

Bir sinir ağı amaçlanan sorun veya görev için kullanılabilir önce eğitilmelidir.Verilen öğrenme materyali ve öğrenme kurallarına dayanarak, nöral ağ belirli bir “zeka” geliştirene kadar nöronların bağlantılarını ağırlıklandırıyor.Öğrenme kuralları, öğrenme materyalinin sinir ağını nasıl değiştirdiğini belirler.

Prensip olarak, denetimli öğrenme ile denetimsiz öğrenme arasında bir ayrım yapılabilir. Denetimli öğrenmede, farklı giriş seçeneklerinin somut bir sonucu verilir. Hedef ve gerçek sonuçlar arasındaki sürekli karşılaştırma temelinde, ağ uygun nöronlar bağlamak için öğrenir.Katılımsız öğrenme sonuç vermez.

Öğrenme süreci sadece girilen birçok farklı örüntünün bilgilerine dayanır.Nöral ağ değişiklikleri yalnızca giriş kalıplarını temel alınabın.Adaptif rezonans teorisi veya Hebb’in öğrenme kuralı gibi bu amaç için çeşitli öğrenme kuralları vardır.