PERCEPTRON

Source: Deep Learning on Medium

Bu yazımda kısaca yapay sinir ağlarının yapısından ve Perceptron öğrenme algoritmasından bahsedeceğim.

Yapay Sinir Ağları

Yapay sinir ağları insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. Yapay sinir ağları ile insan beyninin öğrenme yapısı matematiksel olarak modellemeye çalışılmaktadır.

Şekil 1. Bir yapay sinir ağının matematiksel modeli
Şekil 2. Nöronları birbirine bağlama işlemi

Bir yapay sinir ağı modeline gelen her girdi(x), kendi ağırlığı(w) ile çarpılarak toplama fonksiyonuna gönderilir. Bu fonksiyonda tüm veriler toplanır ve bias(b) değeri eklenir. Bu sayede net girdi elde edilmiş olunur. Elde edilen bu değerler aktivasyon fonksiyonundan geçirilerek çıktılar elde edilir. Aktivasyon fonksiyonu amacı ağırlık ve bias değerini ayarlamaktır. Kullanılacak aktivasyon fonksiyonları probleme göre değişebilir. Örneğin kapı işlemlerinde eşik(threshold) fonksiyonu seçilerek eşik değerin altında ve üstünde kalması durumuna göre 0 ve 1 çıktıları üretilebilir. Kısacası yapay sinir ağlarında yapılan temel işlem; modelin en iyi çıktıyı(y) verebileceği ağırlık(w) ve bias(b) parametrelerinin hesabını yapmaktır.

Yapay sinir ağları katman sayılarına göre tek katmanlı ve çok katmanlı, öğrenme yöntemine göre gözetimli, gözetimsiz ve destekleyici, nöronlar arası bağlantı yapılarına göre ileri beslemeli ve geri beslemeli olarak sınıflandırılırlar.

Tek Katmanlı Öğrenme-Perceptron

En basit tek katmanlı sinir ağı modeli Perceptron’dur. Giriş ve çıkış katmanından oluşur. Yapay sinir ağlarının en küçük öğrenme birimi olarak tanımlanır. İleri beslemeli ve gözetimli bir algoritmadır. İleri beslemeli yapay sinir ağında girdiler, giriş katmanından çıkış katmanına doğru tek yönlü iletilir. Gözetimli öğrenmede de çıktılar ve hedef arasındaki fark, hata olarak kabul edilir. Bu hatanın en aza indirgenebilmesi için ağırlık değerlerinin eğitilmesi yani uygun bir biçimde güncellenmesi gerekir. Her örnek için hem girdiler hem de bu girdilerin karşılığında oluşturulması gereken çıktılar ağa belirtilir.

Perceptron Öğrenme Algoritması

Perceptron öğrenme algoritmasında ilk olarak tüm ağırlıklara bir başlangıç değeri atanır ve bir eşik değeri ve öğrenme katsayısı belirlenir. Daha sonra girdiler verilir ve girdiler ağırlıkları ile çarpılıp bias değeri ile toplanarak bir sonuç elde edilir. Bu sonuç belirlenen eşik değerinden büyük ise 1, küçük ise 0 geri döndürülür. Eğer hesaplanan değer ile beklenen değer aynı değilse aralarındaki fark alınır ve weight değeri bu değere göre güncellenir. Bu işlem istenilen sonuç elde edilene kadar devam ettirilir. Böylece öğrenme tamamlanmış olur.

Daha fazla bilgi için Github hesabımı ziyaret edebilirsiniz ❗

KAYNAKLAR

Python Perceptron

Yapay Sinir Ağları

Derin Öğrenme