YSA(yapay sinir ağları) Temelleri: • • • Yapay Nöronlar: Bir YSA'nın temel yapı taşlarıdır. Giriş sinyallerini alır, bunları ağırlıklandırır ve bir aktivasyon fonksiyonu uygulayarak bir çıktı üretirler. Aktivasyon Fonksiyonları: Yapay nöronun çıktısını belirler ve doğrusal olmayanlık ekleyerek YSA'ların karmaşık fonksiyonları öğrenmesini sağlar. Yaygın aktivasyon fonksiyonları arasında sigmoid, tanh ve ReLU bulunur. YSA Mimarisi: YSA'lar, giriş katmanı, bir veya daha fazla gizli katman ve bir çıktı katmanı olmak üzere katmanlar halinde düzenlenir. Katmanların sayısı ve nöronların düzenlenmesi ağın mimarisini tanımlar. Standart Yaklaşım: Geri Yayılım (Backpropagation) ve Gradyan İnişi (Gradient Descent): • • Geri Yayılım: YSA'ları eğitmek için kullanılan bir algoritmadır. Ağırlıkları ayarlayarak tahmin edilen çıktı ile gerçek çıktı arasındaki farkı en aza indirmeyi amaçlar. Gradyan İnişi: YSA'nın hata fonksiyonunun minimumunu bulmak için kullanılan yinelemeli bir optimizasyon algoritmasıdır. Ağırlıkları, hata fonksiyonunun gradyanının tersi yönde ayarlar. Uzatmalar ve Varyasyonlar: • • • Kaybolan Gradyanlar ve ReLU'lar: Derin ağlarda, gradyanlar geri yayılım sırasında kaybolabilir ve bu da alt katmanların eğitimini zorlaştırır. ReLU aktivasyon fonksiyonu bu sorunu azaltmaya yardımcı olur Kategorik Hedef Özelliklerini Ele Alma: Sınıflandırma görevleri için, softmax çıktı katmanı ve çapraz entropi kayıp fonksiyonu kullanılır. Erken Durdurma ve Bırakma: Aşırı uyumu önleme teknikleri. Erken durdurma, eğitim sırasında doğrulama hatası artmaya başladığında eğitimi durdururken, bırakma, eğitim sırasında rastgele nöronları ağdan çıkarır.