Yapay sinir ağı nedir? Örneklerden öğrenen katmanlar

Yapay sinir ağı (neural network), örneklerden öğrenen ve bunun için kendi iç ayarlarını değiştiren bir hesaplama yöntemidir. Bugünkü gelişmiş yapay zekâ sistemlerinin birçoğunun temelinde bu yöntem vardır. Bu derste ağın parçalarını, bir pazarcının karpuz seçme işiyle tanıyacaksınız.

Aklınıza bir soru mu takıldı?

Sorunuzu ya da aradığınız konuyu yazın Ders bul

Bu derste neler öğreneceksiniz?

• Düğüm, katman ve ağırlık kavramlarını günlük bir örnekle anlatmayı
• Ağın örneklerdeki hatalara bakarak ayar yaptığını açıklamayı
• Derin öğrenmenin “çok katmanlı ağ” demek olduğunu ayırt etmeyi
• Yapay sinir ağının beynin kopyası olmadığını gerekçesiyle söylemeyi

Düğüm, katman ve ağırlık: karpuz seçen pazarcı

Keçiören’de pazarcılık yapan Hasan Usta, bir karpuzun olgun olup olmadığına üç işarete bakarak karar verir: vurunca çıkan ses, sapın kuruluğu ve yere değen yerin rengi. Bu üç işaret, ağa verilen girdilerdir. Hasan Usta işaretlere eşit güvenmez; sese çok, renge az güvenir. Bu güven payının adı ağırlıktır (weight). Ağırlığı büyük olan işaret karara daha çok etki eder.

Ustanın iki çırağı olduğunu düşünün. Birincisi yalnız sese ve sapa bakıp “olgun olabilir” der. İkincisi sapa ve renge bakar. Usta, ikisinin görüşünü tartıp son kararı verir. Her çırak ve usta, ağdaki bir düğümdür (node). Aynı sırada duran düğümlerin oluşturduğu gruba katman (layer) denir. Burada işaretler girdi katmanını, çıraklar gizli katmanı, usta ise çıktı katmanını oluşturur.

Google’ın makine öğrenmesi kursuna göre gizli katman, girdi ile çıktı arasındaki ek katmandır ve oradaki düğümlere nöron (neuron) de denir. Her düğüm gelen değerleri kendi ağırlıklarıyla çarpar, toplar ve sonucu sonraki katmana aktarır. MIT’nin anlatımına göre toplam belli bir eşiğin altında kalırsa düğüm hiçbir şey iletmez.

Ağ örneklerden nasıl öğrenir?

Hasan Usta’nın üçüncü ve en yeni çırağı Elif, başta işaretlere rastgele güvenir. MIT’ye göre gerçek ağlarda da ağırlıklar rastgele değerlerle başlar. Elif’e karpuzlar gösterilir ve her birinin gerçekte olgun olup olmadığı söylenir. Bu doğru cevaplı örneklere etiketli örnek (labeled example) denir. Elif tahmin eder; yanlışsa hata ölçülür, ağırlıklar hatayı azaltacak yönde biraz değiştirilir. Bu döngü çok sayıda örnekle tekrarlanır.

Gerçek ağlarda bu ayarı geri yayılım (backpropagation) denen yöntem yapar. Google’ın kursu bu yöntemi, kaybı yani hatayı en aza indirmek için ağırlıkları ayarlayan yöntem olarak tarif ediyor. IBM de eğitimi aynı mantıkla anlatır: tahmin yapılır, hata ölçülür, ağırlıklar düzeltilir. Önemli olan şudur: kimse ağa “önce sese bak” diye kural yazmaz. Ağ, hangi işarete ne kadar güveneceğini örneklerden kendisi bulur.

Derin öğrenme ne demek?

Derin öğrenme (deep learning), çok katmanlı sinir ağlarıyla öğrenmeye verilen addır. MIT, bu terimi sinir ağlarına verilen yeni bir ad olarak anlatıyor ve “derin” sözcüğünün katman sayısına işaret ettiğini söylüyor. Aynı yazıya göre eski ağlar bir ila üç katmanlıydı; bugünküler 10, 15, hatta 50 katmana ulaşabiliyor. Kaynaklar, kaç katmandan sonra “derin” denileceğine dair kesin bir sayı vermiyor. Bu yüzden sınırı sayıyla değil, “birden çok gizli katman” diye hatırlayın.

Ağlar çok sayıda ayar değeri taşır. 3Blue1Brown’un el yazısı rakamları tanıyan örnek ağında 28×28 pikselli görüntü için 784 girdi, 16’şar düğümlük iki gizli katman ve 10 çıktı var. Bu küçücük ağda bile 13.002 ayar değeri (ağırlık ve sapma, İngilizcesiyle bias) öğrenilir.

Yapay sinir ağı beynin kopyası mı?

Hayır. IBM, ağların biyolojik nöronlardan esinlendiğini söylüyor. MIT ise onları beyne “gevşek biçimde” benzetilmiş sistemler olarak tanımlıyor. Esinlenmek, kopyalamak demek değildir. Ağdaki bir düğümün yaptığı iş çarpmak, toplamak ve eşikle karşılaştırmaktan ibarettir. Bu yüzden “ağ tıpkı beyin gibi düşünür” cümlesi yanıltıcıdır.

Adım adım uygulama

1. Bir sohbet botu açın.
2. Sık verdiğiniz basit bir kararı seçin; örneğin pazarda kavun ya da karpuz seçmek.
3. Karara etki eden üç işareti yazın. Bunlar girdilerinizdir.
4. Bu dersteki güçlü komutu kendi kararınıza uyarlayıp gönderin.
5. Botun verdiği ağırlıkları kendi tecrübenizle karşılaştırın; katıldığınız ve katılmadığınız yeri yazın.
6. Üç örnek isteyin ve ağırlıkların her hatadan sonra nasıl değiştiğini adım adım izleyin.
7. Bu benzetmenin nerede eksik kaldığını sorun ve cevabı Kaynaklar bölümündeki sayfalarla karşılaştırın.

Kontrol listesi

• Girdi, katman ve ağırlığı kendi örneğimle anlattım
• Ağırlığın örneklerdeki hataya göre değiştiğini gördüm
• Derin öğrenmeyi “çok katmanlı ağ” diye açıklayabiliyorum
• Botun “beyin gibi” dediği yeri sorguladım

Bu çıktı bir örnektir. Botunuzun cevabı farklı olabilir; rakamları ve iddiaları kendiniz kontrol edin.

Sık yapılan hatalar

• Düğümü bir beyin hücresinin kopyası sanmak
• Ağın kurallarını insanların tek tek yazdığını düşünmek
• Derin öğrenmeyi sinir ağlarından ayrı, büyülü bir şey saymak
• Benzetmeyi gerçeğin kendisi gibi almak: karpuz örneği yalnız fikri gösterir

Kendinizi deneyin

Videoyla izleyin

Video: 3Blue1Brown (İngilizce).

Kaynaklar

• Google Machine Learning Crash Course: Düğümler ve gizli katmanlar (İngilizce)
• Google Machine Learning Crash Course: Geri yayılımla eğitim (İngilizce)
• IBM: Yapay sinir ağı nedir? (İngilizce)
• MIT News: Açıklıyoruz: Sinir ağları (İngilizce)
• 3Blue1Brown: Sinir ağı nedir? (İngilizce)

Son kontrol: 10 Kasım 2026

Kaynak: yzdersleri.com/ders/yapay-sinir-agi-nedir-sade-anlatim/ · Yapay Zeka Dersleri