Yapay sinir ağları

Bu derste derin öğrenmenin motoru olan yapay sinir ağlarını sıfırdan işliyoruz: bir sinir ağının ne olduğu, veriden nasıl öğrendiği ve günümüz yapay zekâ uygulamalarında nerede karşımıza çıktığı. Serinin tamamı için Yapay Zekâ dersleri bölümümüze göz atabilirsin.

Yapay Sinir Ağı Nedir?

Yapay sinir ağı, adını insan beyninden alsa da onun birebir kopyası değildir; beynin çalışma biçiminden ilham alınarak kurulmuş bir matematiksel modeldir. Amacı, girişten çıkışa giden ilişkiyi kuralları elle yazmak yerine örneklerden öğrenerek bulmaktır. Binlerce etiketli e-posta örneğiyle eğitilen bir ağ, spam ile normal ileti arasındaki ayrımı hazır bir kurallar listesinden değil, verideki örüntülerden kendi kendine çıkarır. Sinir ağlarının yapay zekâ içindeki yerine merak ediyorsan Derin öğrenme nedir? dersimizi okuyabilirsin.

Bir Sinir Ağının Temel Bileşenleri

Her sinir ağı, amacı farklı olsa da aynı dört ana parçadan kurulur:

• Nöronlar: Ağın en küçük karar birimi; girdileri alır, ağırlıklarına göre toplar ve tek bir sonuç üretir. İç yapısını Nöron nedir? dersinde ayrıntısıyla işliyoruz.
• Katmanlar: Görev dağılımı yapan nöron takımlarıdır: veriyi alan giriş katmanı, işi üstlenen gizli katmanlar ve kararı veren çıkış katmanı. Bu düzeni Katmanlar dersinde inceliyoruz.
• Ağırlıklar (w) ve yanlılık (b): Bağlantıların önemini gösteren sayılardır. Ağın aslında öğrendiği şey bu sayıların yeni değerleridir; eğitilmiş bir model dosyasında saklanan bilgi de budur.
• Aktivasyon fonksiyonu: Nöronun karar vermesini sağlayan ve ağa doğrusal olmayanlık kazandıran fonksiyondur; çeşitlemelerini Aktivasyon fonksiyonları dersinde karşılaştırıyoruz.

Bir Sinir Ağı Nasıl Çalışır? İleri Yayılım

Verinin katmandan katmana akıp tahmine dönüşmesine ileri yayılım (forward pass) denir. Bir spam filtresi örneğiyle adım adım izleyelim:

1. E-postadaki kelimeler sayılara çevrilip giriş katmanına verilir.
2. Her nöron girdileri kendi ağırlıklarıyla çarpıp toplar, sonucu aktivasyon fonksiyonundan geçirir.
3. Ara sonuçlar bir sonraki katmanın girdisi olur; ağ böylece tek tek kelimelerden giderek daha soyut örüntülere (şüpheli ifadeler, yazım düzeni vb.) ulaşır.
4. Çıkış katmanı kararı verir: örneğin “bu e-postanın spam olma olasılığı %92.”

Bunu bir fabrika bandına benzetebilirsin: hammadde (veri) girişte bırakılır, her istasyon (katman) ürünü biraz daha işler ve çıkışta nihai ürün (tahmin) hazır olur.

Sinir Ağı Nasıl Öğrenir? Kayıp, Geri Yayılım ve Gradyan İnişi

Eğitimin başında tüm ağırlıklar rastgele seçilir; bu yüzden ağ ilk tahminlerini neredeyse zar atarak yapar. Öğrenme, hatayı ölçüp ağırlıkları buna göre düzeltme döngüsüdür ve üç adımda işler:

1. Hata ölçülür: kayıp fonksiyonu

Ağın tahmini ile gerçek cevap arasındaki uzaklığa kayıp (loss) denir. Tahmin “spam %92” ise ve e-posta gerçekten spamse hata küçüktür; e-posta normal bir iletiyse hata büyüktür.

2. Hata ağırlıklara paylaştırılır: geri yayılım

Geri yayılım (backpropagation), hatayı çıkıştan girişe doğru taşıyıp her ağırlığın bu hatadaki sorumluluk payını hesaplar. Sınav sonrası yapılan hata analizine benzer: “Bu yanlışta senin katkın şu kadar” diyerek her ağırlığa ayrı ayrı dönüt verilir.

3. Ağırlıklar küçük adımlarla güncellenir: gradyan inişi

Ağ, hatayı en çok azaltacak yöne doğru her ağırlığı azıcık kaydırır; bu yönteme gradyan inişi (gradient descent) denir. Sisli bir dağdan inişe benzer: yolun tamamını göremezsin ama her adımda aşağıya doğru ilerlersin. Tüm eğitim örnekleri üzerinden geçen bu döngünün her tam turuna epok (epoch) adı verilir.

Eğitim ile kullanım (çıkarım) farkı

Eğitim bitince ağırlıklar dondurulur; model artık yalnızca tahmin üretir ve bu aşamaya çıkarım (inference) denir. Milyarlarca parametreli modellerin eğitimi, saniyede trilyonlarca sayı çarpımı demektir; bu yüzden modern yapay zekâda GPU ve yapay zekâ ilişkisi hayati önemdedir.

Günümüzde Yapay Sinir Ağları Nerede Kullanılıyor?

2024–2025 döneminde etrafımızdaki yapay zekâ ürünlerinin neredeyse tamamı sinir ağları üzerine kuruludur:

• Büyük dil modelleri: Sohbet botları ve yazı yardımcıları, milyarlarca parametreli sinir ağlarıdır; bu alanda bugün standart iskelet Transformer mimarisidir.
• Görüntü işleme: Yüz tanıma, plaka okuma, tıbbi görüntülerde lezyon tespiti; görüntüye özel ağ türünü CNN nedir? dersinde inceliyoruz.
• Ses ve dil: Sesli asistanlar, otomatik altyazı ve çeviri; sıralı veriyle çalışan ağ türü için RNN nedir?, alanın genel çerçevesi için NLP nedir? derslerine göz atabilirsin.
• Öneri sistemleri: Video ve müzik platformlarının senin izleme geçmişine göre sıraladığı içerikler, sinir ağı tahminleridir.
• Çok kipli (multimodal) modeller: Yeni kuşak modeller aynı ağ içinde metni, görüntüyü ve sesi birlikte işleyebiliyor; telefonlarda çevrimdışı çalışan küçük modeller de hızla yaygınlaşıyor.

Sık Yapılan Hatalar ve Yanılgılar

• “Sinir ağı beynin kopyasıdır.” Yalnızca ilham kaynağıdır; gerçek beyin, en büyük yapay ağlardan çok daha karmaşık çalışır ve çok daha az enerji harcar.
• “Model ne kadar büyükse o kadar iyidir.” Kirli veya yetersiz veriyle eğitilen dev bir ağ, iyi veriyle eğitilmiş küçük bir ağdan kötü sonuç verebilir; veri kalitesi en az mimari kadar önemlidir.
• “Ağ cevabı anlar, her zaman haklıdır.” Sinir ağları örüntü eşleştirir, neden-sonuç kurmaz; bu yüzden kendinden emin ama yanlış cümleler üretebilir (halüsinasyon).
• “Bilgi kodun içindedir.” Eğitilmiş modelde bilgi kodda değil, ağırlık sayılarındadır; eğitilmemiş bir ağ yalnızca rastgele sayılar toplar ve anlamsız çıktı üretir.
• “Bir kez eğitilir, iş biter.” Gerçek dünyadaki veri zamanla değişir; model güncel veriyle düzenli olarak yeniden eğitilmezse bayatlar ve hata payı büyür.

Özetle yapay sinir ağı, ağırlıklarla donanmış katmanlardan geçen bir matematik akışıdır: ileri yayılımla tahmin üretir, kayıpla hatasını görür, geri yayılım ve gradyan inişiyle kendini düzeltir. Sıradaki derslerde bu iskeletin üzerine katman düzenlerini ve özel ağ türlerini katacağız; yazılım tarafına geçmek isteyenler için Yazılım dersleri bölümümüz de sizi bekliyor.