Gelecekte Çok Duyacağız: Yapay Sinir Ağları ve Çalışma Mantıkları

Gelecekte Çok Duyacağız: Yapay Sinir Ağları ve Çalışma Mantıkları

1943 yılında, bir sinir hekimi olan Warren McCulloch ve bir matematikçi olan Walter Pitts tarafından "Sinir Aktivitesinde Düşüncelere Ait Bir Mantıksal Hesap (A Logical Calculus of Ideas Immanent in Nervous Activity)” başlıklı makale ile ilk yapay sinir ağı modeli bilim dünyasına sunulmuştur.  

Günümüzde gittikçe popülerleşen yapay sinir ağları, birçok kişinin yeni haberdar olduğu bir kavram. 4 temel soruda, yapılan çalışmalara göre bu teknolojiyi nasıl tanımlayacağımızı ve gelecekte neler görebileceğimizi inceleyelim.

1) Yapay Sinir Ağları Ne Demektir?

Tanımsal olarak yapay sinir ağları, genel anlamda sahip olduğumuz biyolojik sinir ağlarının taklit edilmesiyle oluşturulmuş sentetik ağlardır. Dolayısıyla çalışma prensibi de insan beyninin çalışma mekanizmasının taklit edilmesine dayanır. Ancak zaman içerisinde bu taklit etmeye dayalı sistemler, farklı şekillere evrilmiştir. 

Bu sistemlerin ortak paydası; beynin öğrenme, genelleme yapabilme, neden-sonuca dayalı mantıksal çıkarımlar yapabilme ve hatırlama başta olmak üzere yeni bilgiler türetebilme gibi işlevlerini yerine getirmek için geliştirilen mantıksal yazılımlar olmalarıdır.

2) Yapay Sinir Ağlarının Özellikleri Nelerdir?

  • Lineer (Düzenli) çalışmaya bağlı kalmama,
  • Paralel çalışma denilen aynın anda birkaç iletiyi gerçekleştirebilme,
  • Genelleme yapabilme,
  • Mantıksal bağlantıyı sağlayabilme,
  • Veri bütünlüğüne bağlı kalmadan da çalışabilme,
  • Çok sayıda değişken ve parametreyi kullanabilme,
  • Esneklik sabitinin geniş olması ve hata frekansının güvenilir seviyede bulunması ve
  • Çeşitli bilgisayar yazılımlarına veya programlarına uyarlanabilirlik.

3) Nelerden Oluşmaktadır?

Çeşitli matematiksel modellemelerine, ihtiyaç ve amaca göre kullanılmış lineer, lojistik ve ağaç karar mekanizmalarını barındıran ve iletim sisteminin nasıl yapılacağını açıklayan veri mimarisi yapısı,

Programlanmaya ihtiyaç duymadan kendi kendine öğrenebilme algoritması,

Girdi ve çıktı birimleri arasındaki etkileşimi sağlayan aktivasyon fonksiyonları. Bu fonksiyonlar 0-1 veya arasındaki değerleri geri döndürerek iletim modeli ile ilgili bilgi aktarımını sağlar. Uygun aktivasyon fonksiyonunun seçilmesi performansı doğrudan etkileyecektir.

4) Uygulama Alanları Nelerdir?

  • Güvenlik,
  • Otomotiv,
  • Bankacılık,
  • Nesne Tanıma Algoritmaları,
  • Yüz Tanıma Teknolojileri,
  • Optimizasyon Teknikleri,
  • Regresyon Sistemleri,
  • Zaman Serileri Analizi,
  • TenseFlow,
  • Kontrol Mekanizmaları,
  • Öngörüye dayalı matematiksel yaklaşımlar,
  • Matematiksel Modellemeler.