Sinir Ağlarını Kullanarak Sınıflandırma

Sinir Ağları nedir?

Sinir ağları, insan beyninde meydana gelen öğrenme sürecinden ilham alır. Bunlar, bilgisayarın yeni verileri analiz ederek öğrenmesine ve kendi ince ayarını yapmasına olanak tanıyan, parametreler adı verilen yapay bir işlev ağından oluşur. Bazen nöron olarak da adlandırılan her parametre, bir veya birden fazla girdi aldıktan sonra bir çıktı üreten bir işlevdir. Bu çıktılar daha sonra onları kendi işlevlerinin girdileri olarak kullanan ve daha fazla çıktı üreten sonraki nöron katmanına aktarılır. Bu çıktılar daha sonra bir sonraki nöron katmanına aktarılır ve böylece her nöron katmanı değerlendirilir ve terminal nöronlar girişlerini alana kadar devam eder. Bu terminal nöronlar daha sonra model için nihai sonucu verir.

Şekil 1 , böyle bir ağın görsel bir temsilini göstermektedir. İlk girdi x’dir ve daha sonra ilk nöron katmanına geçirilir , burada üç işlev aldıkları girdiyi dikkate alır ve bir çıktı üretir. Bu çıktı daha sonra ikinci katmana geçirilir. İlk katmandan elde edilen çıktıya göre daha fazla çıktı hesaplanır. Bu ikincil çıktı daha sonra modelin nihai bir çıktısını vermek için birleştirilir.

Şekil 1: Basit Bir Sinir Ağının Görsel Temsili

Daha önce belirtildiği gibi, ağ içindeki nöronlar bir sonraki katmandaki nöronlarla etkileşime girer ve her çıktı gelecekteki bir işlev için bir girdi görevi görür. İlk nöron da dahil olmak üzere her işlev, sayısal bir girdi alır ve her nöron için benzersiz olan bir önyargı teriminin eklenmesini içeren içselleştirilmiş bir işleve dayalı sayısal bir çıktı üretir. Bu çıktı daha sonra bir sonraki katmandaki fonksiyon için uygun bir ağırlık ile çarpılarak sayısal girdiye dönüştürülür. Bu, ağ için son bir çıktı üretilinceye kadar devam eder.

Zorluk, her önyargı terimi için en uygun değeri belirlemenin yanı sıra, sinir ağındaki her geçiş için en iyi ağırlıklı değeri bulmada yatmaktadır. Bunu başarmak için bir maliyet fonksiyonu seçilmelidir. Maliyet fonksiyonu, belirli bir çözümün mümkün olan en iyi çözümden ne kadar uzakta olduğunu hesaplamanın bir yoludur. Her biri belirli koşullar altında en uygun olan, her birinin avantajları ve dezavantajları olan birçok farklı olası maliyet işlevi vardır. Bu nedenle, maliyet fonksiyonu bireysel araştırma ihtiyaçlarına göre uyarlanmalı ve seçilmelidir. Bir maliyet fonksiyonu belirlendikten sonra, sinir ağı bu maliyet fonksiyonunu en aza indirecek şekilde değiştirilebilir.

Bu nedenle, ağırlıkları ve önyargıları optimize etmenin basit bir yolu, ağı birden çok kez çalıştırmaktır. İlk denemede, tahminler zorunlu olarak rastgele olacaktır. Her yinelemeden sonra, modelin nasıl gerçekleştirildiğini ve nasıl geliştirilebileceğini belirlemek için maliyet işlevi analiz edilecektir. Maliyet işlevinden alınan bilgiler daha sonra yeni ağırlık değerlerinin yanı sıra yeni önyargı değerlerini hesaplayan optimizasyon işlevine aktarılır. Modele entegre edilen bu yeni değerlerle model yeniden çalıştırılır. Bu, hiçbir değişiklik maliyet fonksiyonunu iyileştirmeyene kadar devam eder.

Üç öğrenme yöntemi vardır: denetimli, denetimsiz ve pekiştirmeli öğrenme. Bu öğrenme paradigmalarının en basiti, sinir ağına etiketli girdilerin verildiği denetimli öğrenmedir. Etiketli örnekler daha sonra, etiketlenmemiş durumlara uygulanabilecek genelleştirilebilir kuralları çıkarmak için kullanılır. İnternetin tahminlerini gerçek ve istenen sonuçlarla karşılaştırmasına olanak tanıyan bir işlev biçiminde bir ‘öğretmen’ ile çalışmak düşünülebildiği için en basit öğrenme yöntemidir. Denetimsiz yöntemler, etiketli başlangıç ​​girdileri gerektirmez, sadece verilen verilere değil, aynı zamanda ağın çıktısına da dayalı olarak kuralları ve işlevleri etkiler. Bu, yapılabilecek tahminlerin türünü engeller. Böyle bir model, sınıflandırma yapabilmek yerine kümeleme ile sınırlıdır.

Diğer yazıda car price üzerinde anlatılanlar uygulanacaktır.

Tarayıcı üzerinde bir sinir ağı oluşturmak için : https://playground.tensorflow.org/

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir