Sinir Ağları^{(Neural Networks)} ve Derin Öğrenme^{(Deep Learning)} , günümüzde Yapay Zeka^{(Artificial Intelligence)} ile birlikte kullanılan iki popüler terimdir . Yapay zeka dünyasındaki son gelişmeler, yapay zekanın zekasını geliştirmede önemli bir rol oynadıkları için bu ikisine atfedilebilir.

Etrafınıza bakın ve etrafınızda giderek daha akıllı makineler bulacaksınız. Yapay Sinir Ağları^{(Neural Networks)} ve Derin Öğrenme^{(Deep Learning)} sayesinde , bir zamanlar insanların gücü olarak kabul edilen işler ve yetenekler artık makineler tarafından gerçekleştiriliyor. Bugün, Makineler artık daha karmaşık algoritmaları yedirmek için üretilmiyor, bunun yerine, her yerde birçok endüstride devrim yaratabilecek özerk, kendi kendini yetiştiren bir sisteme dönüşmek üzere besleniyorlar.

Yapay Sinir Ağları^{(Neural Networks)} ve Derin Öğrenme^{(Deep Learning )} , araştırmacılara görüntü tanıma, konuşma tanıma, bir veri setinde daha derin ilişkiler bulma gibi görevlerde büyük başarı sağladı. Muazzam miktarda veri ve hesaplama gücünün kullanılabilirliği sayesinde makineler nesneleri tanıyabilir, konuşmaları çevirebilir, karmaşık kalıpları tanımlamak için kendilerini eğitebilir, stratejiler tasarlamayı öğrenebilir ve gerçek zamanlı olarak beklenmedik durum planları yapabilir.

Peki, bu tam olarak nasıl çalışıyor? Hem Nötr ^(Neutral) Ağların^(Networks) hem de Derin Öğrenmenin^{(Deep-Learning)} ilişkili olduğunu biliyor musunuz , aslında Derin^(Deep) öğrenmeyi anlamak için önce Sinir Ağlarını^{(Neural Networks)} anlamanız gerekir mi? Daha fazlasını öğrenmek için okumaya devam edin.

Sinir Ağı Nedir?

Bir Sinir^(Neural) ağı, temel olarak, bir bilgisayarın gözlemsel verilerden öğrenmesini sağlayan bir programlama modeli veya bir dizi algoritmadır. Bir Sinir^(Neural) ağı, kalıpları tanıyarak çalışan bir insan beynine benzer. Duyusal veriler, bir makine algısı, etiketleme veya ham girdiyi kümeleme kullanılarak yorumlanır. Tanınan örüntüler, görüntü, ses, metin vb. verilerin çevrildiği vektörler içine alınmış sayısaldır.

Think Neural Network! Think how a human brain function

Yukarıda bahsedildiği gibi, bir sinir ağı tıpkı bir insan beyni gibi çalışır; tüm bilgileri bir öğrenme süreci yoluyla edinir. Bundan sonra, sinaptik ağırlıklar edinilen bilgileri depolar. Öğrenme sürecinde, ağın sinaptik ağırlıkları istenen amaca ulaşmak için yeniden düzenlenir.

Tıpkı insan beyni gibi, Sinir Ağları^{(Neural Networks)} da örüntü tanıma ve algılama gibi hesaplamaları hızla gerçekleştiren doğrusal olmayan paralel bilgi işleme sistemleri gibi çalışır. Sonuç olarak, bu ağlar, girişlerin/sinyallerin doğası gereği doğrusal olmadığı konuşma, ses ve görüntü tanıma gibi alanlarda çok iyi performans gösterir.

Basit bir ifadeyle, Sinir Ağı'nı insan beyni gibi bilgi depolayabilen ve tahminlerde bulunmak için kullanabilen bir şey olarak hatırlayabilirsiniz.^{(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)}

Sinir Ağlarının Yapısı

(İmaj Kredisi: Matematik)

Yapay Sinir Ağları^(Networks) üç katmandan oluşur,

1. giriş katmanı,
2. Gizli katman ve
3. Çıkış katmanı.

Aşağıdaki şemada küçük dairelerle gösterildiği gibi, her katman bir veya daha fazla düğümden oluşur. Düğümler arasındaki çizgiler, bir düğümden diğerine bilgi akışını gösterir. Bilgi, girdiden çıktıya, yani soldan sağa doğru akar (bazı durumlarda sağdan sola veya her iki yönde de olabilir).

Giriş katmanının düğümleri pasiftir, yani verileri değiştirmezler. Girdilerinde tek bir değer alırlar ve değeri birden çok çıktılarına kopyalarlar. Oysa^(Whereas) gizli ve çıkış katmanının düğümleri aktiftir. Böylece verileri değiştirebilirler.

Birbirine bağlı bir yapıda, giriş katmanındaki her değer çoğaltılır ve tüm gizli düğümlere gönderilir. Gizli bir düğüme giren değerler, programda saklanan önceden belirlenmiş bir dizi sayı olan ağırlıklarla çarpılır. Ağırlıklı girdiler daha sonra tek bir sayı üretmek için eklenir. Sinir ağları, herhangi bir sayıda katmana ve katman başına herhangi bir sayıda düğüme sahip olabilir. Çoğu uygulama, maksimum birkaç yüz girdi düğümü ile üç katmanlı yapıyı kullanır.

Sinir Ağı Örneği^{(Example of Neural Network)}

Bir sonar sinyalindeki nesneleri tanıyan bir sinir ağı düşünün ve PC'de depolanmış 5000 sinyal örneği var. Bilgisayarın bu örneklerin bir denizaltı, balina, buzdağı, deniz kayaları veya hiçbir şeyi temsil edip etmediğini anlaması gerekiyor mu? Geleneksel DSP^{(Conventional DSP)} yöntemleri, bu soruna korelasyon ve frekans spektrum analizi gibi matematik ve algoritmalarla yaklaşacaktır.

Bir sinir ağındayken, 5000 örnek giriş katmanına beslenecek ve bu da çıktı katmanından değerlerin fırlamasına neden olacaktır. Uygun ağırlıklar seçilerek çıktı, çok çeşitli bilgileri rapor edecek şekilde yapılandırılabilir. Örneğin, denizaltı (evet/hayır), deniz kayası (evet/hayır), balina (evet/hayır) vb. için çıktılar olabilir.

Diğer ağırlıklarla, çıktılar nesneleri metal veya metal olmayan, biyolojik veya biyolojik olmayan, düşman veya müttefik vb. Sınıflandırabilir. Algoritma yok, kural yok, prosedür yok; sadece seçilen ağırlıkların değerleri tarafından dikte edilen girdi ve çıktı arasında bir ilişki.

Şimdi Derin Öğrenme kavramını anlayalım.^{(Now, let’s understand the concept of Deep Learning.)}

Derin Öğrenme Nedir?

Derin öğrenme temel olarak Sinir Ağlarının^{(Neural Networks)} bir alt kümesidir ; belki de içinde birçok gizli katman bulunan karmaşık bir Sinir Ağı^{(Neural Network)} diyebilirsiniz .

Teknik olarak derin^(Deep) öğrenme, sinir ağlarında öğrenmeye yönelik güçlü bir teknikler seti olarak da tanımlanabilir. Karmaşık eğitim modelini mümkün kılmak için birçok katmandan, büyük veri setlerinden, güçlü bilgisayar donanımından oluşan yapay sinir ağlarını ( YSA ) ifade eder. ^(ANN)Gittikçe daha zengin işlevselliğe sahip çoklu katmanlara sahip yapay sinir ağlarını kullanan yöntem ve teknikler sınıfını içerir.

Derin öğrenme ağının yapısı^{(Structure of Deep learning network)}

Derin^(Deep) öğrenme ağları çoğunlukla sinir ağı mimarilerini kullanır ve bu nedenle genellikle derin sinir ağları olarak adlandırılır. “Derin” çalışmasının kullanımı, sinir ağındaki gizli katmanların sayısını ifade eder. Geleneksel bir sinir ağı, üç gizli katman içerirken, derin ağlar 120-150 kadar olabilir.

Derin ^(Deep) Öğrenme^(Learning) , bir bilgisayar sistemine diğer veriler hakkında karar vermek için kullanabileceği çok sayıda veri beslemeyi içerir. Bu veriler, makine öğrenmesinde olduğu gibi sinir ağları aracılığıyla beslenir. Derin^(Deep) öğrenme ağları, manuel özellik çıkarımına gerek kalmadan özellikleri doğrudan verilerden öğrenebilir.

Derin Öğrenme Örnekleri^{(Examples of Deep Learning)}

Derin öğrenme şu anda Otomobil^(Automobile) , Havacılık^(Aerospace) ve Otomasyondan ^(Automation)Medikal'e^(Medical) kadar hemen hemen her sektörde kullanılmaktadır . İşte bazı örnekler.

• Google , Netflix ve Amazon : Google bunu ses ve görüntü tanıma algoritmalarında kullanır. Netflix ve Amazon , daha sonra ne izlemek veya satın almak istediğinize karar vermek için derin öğrenmeyi de kullanıyor
• Sürücüsüz sürüş: Araştırmacılar, dur işaretleri ve trafik ışıkları gibi nesneleri otomatik olarak algılamak için derin öğrenme ağlarını kullanıyor. Derin^(Deep) öğrenme, yayaları tespit etmek için de kullanılır ve bu da kazaları azaltmaya yardımcı olur.
• Havacılık ve Savunma: Derin öğrenme, ilgi alanlarını belirleyen uydulardan gelen nesneleri belirlemek ve birlikler için güvenli veya güvensiz bölgeleri belirlemek için kullanılır.
• Deep Learning sayesinde Facebook , fotoğraflarınızdaki arkadaşlarınızı otomatik olarak bulur ve etiketler. Skype, sözlü iletişimleri gerçek zamanlı ve oldukça doğru bir şekilde çevirebilir.
• Tıbbi Araştırma: Tıp araştırmacıları, kanser hücrelerini otomatik olarak tespit etmek için derin öğrenmeyi kullanıyor
• Endüstriyel Otomasyon^{(Industrial Automation)} : Derin öğrenme, insanların veya nesnelerin güvenli olmayan bir makine mesafesinde olduğunu otomatik olarak algılayarak, ağır makinelerin etrafındaki işçi güvenliğini artırmaya yardımcı olur.
• Elektronik: Derin^(Deep) öğrenme, otomatik işitme ve konuşma çevirisinde kullanılıyor.

Okuyun^(Read) : Makine Öğrenimi ve Derin Öğrenme^{(Machine Learning and Deep Learning)} Nedir?

Çözüm^(Conclusion)

Sinir Ağları^{(Neural Networks)} kavramı yeni değil ve araştırmacılar son on yılda orta düzeyde bir başarı ile karşılaştılar. Ancak oyunun kurallarını değiştiren asıl şey, Derin^(Deep) sinir ağlarının evrimi olmuştur.

Geleneksel makine öğrenimi yaklaşımlarını geride bırakarak, derin sinir ağlarının yalnızca birkaç araştırmacı tarafından eğitilip denenebileceğini değil, aynı zamanda yakın gelecekte daha iyi yeniliklerle gelmek için çok uluslu teknoloji şirketleri tarafından benimsenebilecek bir kapsama sahip olduğunu gösterdi.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!

Related posts

• SMS Organizer: SMS Application Machine Learning tarafından desteklenmektedir

• Artificial Intelligence'de Machine Learning and Deep Learning nelerdir?

• Windows üzerinde WAMP kullanarak Drupal nasıl yüklenir

• Windows, IOS, Android için Best Software & Hardware Bitcoin Wallets

• Setup Internet Radio Station ücretsiz Windows PC üzerinde

• Encrypt Nasıl Yapılır ve LibreOffice Belgelerine Şifreler Ekleyin

• Fix Partner TeamViewer Windows 10'de yönlendirici hatasına bağlanmadı

• VLC'teki güncellemeleri kontrol ederken bir hata oluştu

• Ücretsiz Task Management Software Takım Çalışması yönetmek için

• Microsoft Identity Manager: Özellikler, Download

• Disqus comment Kutu yükleme veya bir web sitesi için gösterme

• OpenGL uygulamaları Miracast wireless ekranında çalışmaz Windows 10

• Nine Nostalgic Tech Sounds muhtemelen yıllarda duymamış

• Plex Server and Server Settings'den kilitlendi mi? İşte düzeltme!

• Best Laptop Backpacks Men and Women için

• NASA'nin Eyes Universe'i Astronauts gibi keşfetmenize yardımcı olur

• Video Konferans Görselini, İpuçları ve İzlemeniz Gereken Kurallar

• E-Waste management, geri dönüşüm, elden çıkarma, gerçekler, problemler, çözümler

• Bu hesap herhangi bir Mixer account ile bağlantılı değil

• NFT ne demek ve NFT Digital Art nasıl oluşturulur?