Derin öğrenme, sinir ağları, yapay sinir ağları, veri girdileri, ağırlıklar ve ön yargı kombinasyonu yoluyla insan beynini taklit etmeye çalışır. Bu öğeler, verilerdeki nesneleri doğru bir şekilde tanımak, sınıflandırmak ve tanımlamak için birlikte çalışır.
Derin sinir ağları, tahmin veya sınıflandırmayı iyileştirmek ve optimize etmek için her biri bir önceki katman üzerine inşa edilen birbirine bağlı birden çok düğüm katmanından oluşur. Ağ üzerinden hesaplamaların bu ilerlemesine ileriye doğru yayılma denir. Derin bir sinir ağının giriş ve çıkış katmanlarına görünür katmanlar denir. Giriş katmanı, derin öğrenme modelinin verileri işlenmek üzere aldığı yerdir ve çıkış katmanı, nihai tahmin veya sınıflandırmanın yapıldığı yerdir.
Geri yayılım adı verilen başka bir süreç, tahminlerdeki hataları hesaplamak için gradyan inişi gibi algoritmalar kullanır ve ardından modeli eğitmek amacıyla katmanlar arasında geriye doğru hareket ederek fonksiyonun ağırlıklarını ve önyargılarını ayarlar. Birlikte, ileriye doğru yayılma ve geri yayılma, bir sinir ağının tahminler yapmasına ve buna göre herhangi bir hatayı düzeltmesine izin verir. Zamanla, algoritma giderek daha doğru hale gelir.
Yukarıdakiler, en basit derin sinir ağı türünü en basit terimlerle açıklamaktadır. Bununla birlikte, derin öğrenme algoritmaları inanılmaz derecede karmaşıktır ve belirli sorunları veya veri kümelerini ele almak için farklı türde sinir ağları vardır. Örneğin,
Öncelikle bilgisayarla görme ve görüntü sınıflandırma uygulamalarında kullanılan evrişimli sinir ağları (CNN'ler), bir görüntüdeki özellikleri ve kalıpları algılayarak nesne algılama veya tanıma gibi görevleri etkinleştirebilir. 2015'te bir CNN, ilk kez bir nesne tanıma mücadelesinde bir insanı alt etti.
Tekrarlayan sinir ağı (RNN'ler), sıralı veya zaman serisi verilerinden yararlandığı için tipik olarak doğal dil ve konuşma tanıma uygulamalarında kullanılır.
Comentarios