Yapay Sinir Ağı

Original article was published on Artificial Intelligence on Medium


ALGILAYICILAR

Algılayıcılar, 1950 ve 1960 ‘larda Warren McCullloch ve Walter Pitts’in daha önceki çalışmalarından esinlenerek Frank Rosenblatt tarafından geliştirildi. En basit sinir ağıdır. Bir algılayıcı x1, x2 gibi birden fazla giriş alır, bir işlem ve bir çıkıştan oluşur.

Örnekte, algılayıcının üç girişi vardır (x1, x2, x3). Girdilerin çıktıya önemini ifade eden ağırlıklar vardır. Bunlar w1, w2 vb. şeklinde gösterilir. Nöronun çıkışı 0 veya 1 olan ∑ j w j x j toplamı bir eşik değerinden küçük veya büyük olmadığına göre belirlenir. Daha cebirsel bir ifade ile gösterirsek:

Temel matematik model budur. Algılayıcı koşulları ölçerek karar veren bir cihazdır diyebiliriz. Bir örnek üzerinden gidelim. Diyelim ki hafta sonu dondurma festivali olacağınız duydunuz. Dondurmayı seviyorsun ve gidip gitmeyeceğine karar vermeye çalışıyorsun. Üç koşulu göz önüne getirerek karar verebilirsiniz:

· Hava güzel mi?

· Erkek arkadaşın veya kız arkadaşın sana eşlik etmek istiyor mu?

· Festival toplu taşıma araçlarına yakın mı? (Arabanız yok)

Bu üç şartı giriş olarak alıp ikili değişkenlerine karar verebiliriz. Hava güzel ise x1 = 1 değilse x1 = 0, arkadaşın gitmek istiyorsa x2 = 1 istemiyorsa x2 = 0, toplu taşımalara yakın ise x3 = 1 değilse x3 = 0.

Diyelim ki dondurmayı çok seviyorsunuz. Arkadaşınıza ve toplu taşımaya rağmen gitmek istiyorsunuz. Ama havanın bozuk olmasından nefret ediyorsunuz. Ve hava kötü ise gitmeyeceksiniz. Bu tür bir karar almayı modellemek için algılayıcıları kullanabilirsiniz. Hava durumu için w1 = 6 ve diğer koşullar için w2 = 2 w3 = 2 ağırlıklarını seçersek havanın kötü olması diğer koşullardan daha önemli olduğunu gösterir. Son olarak algılayıcı için eşik değerini 5 seçersek çıkışta sadece havanın iyi olup olmadığına bakacaktır. Diğer durumlar çıkışta bir fark yaratmaz. Yani gitmeyeceğinizi etkilemez.

Ağırlıkları ve eşiği değiştirerek farklı karar verme modelleri elde ederiz. Örneğin 3 eşiğini seçtiğimizi farz edelim. 3 koşulu da alacaktır. Başka bir değişle, farklı bir karar alma modeli oluşacak. Eşiği düşürmek festivale gitmeye daha istekli olduğunuz anlamına gelir. Örnekte gösterildiği gibi bir algılayıcının karar vermek için farklı şartlar koyduğudur. Ve karmaşık bir algı ağında oldukça ince kararlar verdiği makul görünmelidir.

Algılayıcıların ilk katmanları giriş katmanlarımız dır. İkinci katman ise ilk katmandan gelen algılayıcılara göre karar veriyor. Bu şekilde ikinci katmanlardaki bir algılayıcı birinci katmandaki algılayıcılardan daha karmaşık ve daha soyut bir karar verebilir.

Algılayıcıları basitleştirelim. ∑j w j x j > eşik basitleştirmek için 2 yol vardır. İlki ∑j wj xj ‘i w.x şeklinde yazmaktır (∑j w j x j ≡ w.x ); burada w ve x, sırayla bileşenler ağırlık ve girdi olan vektörlerdir. İkincisi eşiği eşitsizliğin diğer tarafına atmaktır. Algılayıcının bias ‘ı b ≡ -eşik olarak adlandırılır. Eşik yerine sapma kullanılarak, algılayıcı kuralları yeniden yazılabilir.

Büyük bir bias değerine sahip bir algılayıcı için, algılayıcının 1 çıkması kolaydır. Ama küçük ise 1 çıkması zordur. Bias ‘a giriş için sadece küçük bir değişikliktir.