Dolar 13,7033
Euro 15,5541
Altın 785,05
BİST 2.005
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 13 °C
Sağanak Yağışlı

Derin Öğrenme Yapay Zeka Açıklaması: Sinir Ağları

04.11.2021
37
Derin Öğrenme Yapay Zeka Açıklaması: Sinir Ağları

Yapay Zeka Sinir Ağı Kavramı

“Derin öğrenme” olarak bilinen ballyhooed yapay zeka tekniği, 70 yıllık fikri yeniden canlandırıyor.

Son 10 yılda, akıllı telefonlardaki konuşma tanıyıcıları veya Google’ın en yeni otomatik çevirmeni gibi en iyi performans gösteren yapay zeka sistemleri, “derin öğrenme” adı verilen bir teknikten kaynaklandı.

Derin öğrenme, aslında 70 yılı aşkın süredir modası geçen ve sinir ağları adı verilen yapay zekaya yaklaşımın yeni bir adıdır. Sinir ağları ilk olarak 1944 yılında Warren McCullough ve Walter Pitts tarafından önerildi. Chicago Üniversitesi taşınan araştırmacılar İLE BİRLİKTE 1952’de bazen ilk bilişsel bilim bölümü olarak adlandırılan kuruluşun kurucu üyeleri olarak.

Sinir ağları, 1969 yılına kadar hem sinirbilim hem de bilgisayar biliminde önemli bir araştırma alanıydı; bilgisayar bilimi bilgisine göre, bir yıl sonra ortak yönetmen olacak olan MIT matematikçileri Marvin Minsky ve Seymour Papert tarafından öldürüldüler. yeni MIT Yapay Zeka Laboratuvarı.

Evrişimli Sinir Ağları Çizimi

Derin öğrenme uygulamalarının çoğu, her katmanın düğümlerinin kümelendiği, kümelerin üst üste geldiği ve her kümenin bir sonraki katmanın birden çok düğümüne (turuncu ve yeşil) veri beslediği “evrişimli” sinir ağlarını kullanır. Kredi bilgileri: Jose-Luis Olivares/MIT

Teknik daha sonra 1980’lerde yeniden canlandı, yeni yüzyılın ilk on yılında tekrar güneş tutulmasına girdi ve ikinci yüzyılda büyük ölçüde grafik yongalarının artan işlem gücü tarafından körüklenen çete avcıları gibi geri döndü.

MIT’de Eugene McDermott Beyin ve Bilişsel Bilimler Profesörü, MIT’nin McGovern Beyin Araştırmaları Enstitüsü’nde araştırmacı ve MIT’nin Beyin Merkezi direktörü Tomaso Poggio, “Bilimdeki fikirlerin biraz virüs salgınları gibi olduğu fikri var” diyor. , Akıllar ve Makineler. “Grip virüslerinin beş veya altı temel türü var ve görünüşe göre her biri yaklaşık 25 yıllık bir süre içinde geri geliyor. İnsanlar enfekte olurlar ve bir bağışıklık tepkisi geliştirirler ve böylece önümüzdeki 25 yıl boyunca enfekte olmazlar. Ve sonra aynı virüs türü tarafından enfekte olmaya hazır yeni bir nesil var. Bilimde insanlar bir fikre aşık olurlar, onun için heyecanlanırlar, onu ölümüne çekiçlerler ve sonra aşılanırlar – ondan bıkarlar. O halde fikirler de aynı tür periyodikliğe sahip olmalıdır!”

Ağır meseleler

Sinir ağları, bir bilgisayarın eğitim örneklerini analiz ederek bazı görevleri yerine getirmeyi öğrendiği makine öğrenimi yapmanın bir yoludur. Genellikle örnekler önceden elle etiketlenmiştir. Örneğin bir nesne tanıma sistemi, arabaların, evlerin, kahve fincanlarının vb. binlerce etiketli görüntüsüyle beslenebilir ve görüntülerde belirli etiketlerle tutarlı bir şekilde ilişkili görsel kalıplar bulabilir.

İnsan beyni üzerinde gevşek bir şekilde modellenen bir sinir ağı, yoğun şekilde birbirine bağlı binlerce hatta milyonlarca basit işlem düğümünden oluşur. Günümüzün sinir ağlarının çoğu, düğüm katmanları halinde düzenlenmiştir ve bunlar “ileri beslemelidir”, yani verilerin içlerinde yalnızca bir yönde hareket ettiği anlamına gelir. Tek bir düğüm, veri aldığı altındaki katmandaki birkaç düğüme ve veri gönderdiği üstündeki katmandaki birkaç düğüme bağlanabilir.

Bir düğüm, gelen bağlantılarının her birine “ağırlık” olarak bilinen bir sayı atar. Ağ aktif olduğunda, düğüm, bağlantılarının her biri üzerinden farklı bir veri öğesi – farklı bir sayı – alır ve bunu ilişkili ağırlıkla çarpar. Daha sonra elde edilen ürünleri bir araya getirerek tek bir sayı verir. Bu sayı bir eşik değerinin altındaysa, düğüm bir sonraki katmana hiçbir veri iletmez. Sayı eşik değerini aşarsa, düğüm “ateşlenir” ki bu, günümüzün sinir ağlarında genellikle tüm giden bağlantıları boyunca sayıyı (ağırlıklı girdilerin toplamını) göndermek anlamına gelir.

Bir sinir ağı eğitilirken, tüm ağırlıkları ve eşikleri başlangıçta rastgele değerlere ayarlanır. Eğitim verileri alt katmana – giriş katmanına – beslenir ve sonraki katmanlardan geçer, çoğalır ve karmaşık yollarla birbirine eklenir, ta ki sonunda radikal bir şekilde dönüştürülerek çıktı katmanına ulaşana kadar. Eğitim sırasında, aynı etiketlere sahip eğitim verileri tutarlı bir şekilde benzer çıktılar verene kadar ağırlıklar ve eşikler sürekli olarak ayarlanır.

Akıllar ve makineler

1944’te McCullough ve Pitts tarafından tanımlanan sinir ağları, eşiklere ve ağırlıklara sahipti, ancak katmanlar halinde düzenlenmediler ve araştırmacılar herhangi bir eğitim mekanizması belirtmediler. McCullough ve Pitts’in gösterdiği şey, bir sinir ağının prensipte dijital bir bilgisayarın yapabileceği herhangi bir işlevi hesaplayabileceğiydi. Sonuç, bilgisayar biliminden çok sinirbilimdi: Buradaki amaç, insan beyninin bir bilgi işlem aygıtı olarak düşünülebileceğini önermekti.

Sinir ağları, sinirbilimsel araştırmalar için değerli bir araç olmaya devam ediyor. Örneğin, ağırlıkları ve eşikleri ayarlamak için belirli ağ düzenleri veya kuralları, insan nöroanatomisinin ve bilişinin gözlemlenen özelliklerini yeniden üretti; bu, beynin bilgiyi nasıl işlediği hakkında bir şeyler yakaladıklarının bir göstergesi.

Eğitilebilir ilk sinir ağı Perceptron, 1957’de Cornell Üniversitesi’nden psikolog Frank Rosenblatt tarafından gösterildi. Perceptron’un tasarımı, girdiler arasına sıkıştırılmış, ayarlanabilir ağırlıklara ve eşiklere sahip tek bir katmana sahip olması dışında, modern sinir ağına çok benziyordu. ve çıktı katmanları.

1959 yılına kadar algılayıcılar, hem psikolojide hem de bilgisayar biliminin yeni gelişen disiplininde aktif bir araştırma alanıydı.

Poggio, “Tabii ki, biraz daha karmaşık – iki katman gibi – makineler alırsanız tüm bu sınırlamalar ortadan kalkar. Ancak o zamanlar, kitabın sinir ağı araştırmaları üzerinde caydırıcı bir etkisi oldu.

Poggio, “Bunları tarihsel bağlama oturtmalısınız” diyor. “Lisp gibi diller için programlamayı tartışıyorlardı. Çok değil yıllar önce, insanlar hala analog bilgisayarlar kullanıyorlardı. Programlamanın gidilecek yol olduğu o zamanlar hiç belli değildi. Bence biraz aşırıya kaçtılar ama her zamanki gibi siyah beyaz değil. Bunu analog bilgi işlem ve dijital bilgi işlem arasındaki rekabet olarak düşünürseniz, o zaman doğru olan şey için savaştılar.”

periyodiklik

Ancak 1980’lerde araştırmacılar, sinir ağlarının ağırlıklarını ve eşiklerini değiştirmek için birden fazla katmana sahip ağlar için yeterince verimli olan ve Minsky ve Papert tarafından tanımlanan sınırlamaların çoğunu ortadan kaldıran algoritmalar geliştirdiler. Alan bir rönesans yaşadı.

Ama entelektüel olarak, sinir ağları hakkında tatmin edici olmayan bir şey var. Yeterli eğitim, bir ağın ayarlarını, verileri yararlı bir şekilde sınıflandırabileceği noktaya kadar revize edebilir, ancak bu ayarlar ne anlama geliyor? Bir nesne tanıyıcı hangi görüntü özelliklerine bakar ve bunları arabaların, evlerin ve kahve fincanlarının ayırt edici görsel imzalarında nasıl bir araya getirir? Bireysel bağlantıların ağırlıklarına bakmak bu soruyu cevaplamaz.

Son yıllarda bilgisayar bilimcileri, sinir ağları tarafından benimsenen analitik stratejilerin çıkarılması için dahiyane yöntemler bulmaya başladılar. Ancak 1980’lerde ağların stratejileri çözülemezdi. Yüzyılın başında, sinir ağlarının yerini destek vektör makineleri aldı, makine öğrenimine çok temiz ve zarif bir matematiğe dayanan alternatif bir yaklaşım.

Sinir ağlarındaki son canlanma – derin öğrenme devrimi – bilgisayar oyunu endüstrisinin izniyle geliyor. Günümüzün video oyunlarının karmaşık görüntüleri ve hızlı temposu, ayak uydurabilecek donanımlar gerektiriyor ve sonuç, binlerce nispeten basit işlem çekirdeğini tek bir çip üzerinde toplayan grafik işleme birimi (GPU) oldu. Araştırmacıların, bir GPU mimarisinin, sinir ağının mimarisine oldukça benzediğini anlamaları uzun sürmedi.

Modern GPU’lar, 1960’ların tek katmanlı ağlarının ve 1980’lerin iki ila üç katmanlı ağlarının, bugünün 10, 15, hatta 50 katmanlı ağlarına dönüşmesini sağladı. “Derin öğrenme”deki “derin” ile kastedilen budur – ağın katmanlarının derinliği. Ve şu anda, derin öğrenme, yapay zeka araştırmalarının hemen hemen her alanında en iyi performans gösteren sistemlerden sorumludur.

kaputun altında

Ağların opaklığı teorisyenleri hala rahatsız ediyor, ancak bu cephede de ilerleme var. Beyinler, Akıllar ve Makineler Merkezi’ni (CBMM) yönetmenin yanı sıra Poggio, merkezin Zeka için Teorik Çerçeveler alanındaki araştırma programını yönetiyor. Son zamanlarda, Poggio ve CBMM meslektaşları, sinir ağları üzerine üç bölümlü bir teorik çalışma yayınladılar.

Dergide yayınlanan ilk bölüm, Uluslararası Otomasyon ve Bilgi İşlem Dergisi, derin öğrenme ağlarının yürütebileceği hesaplama aralığını ve derin ağların sığ ağlara göre avantajlar sunduğunda ele alır. CBMM teknik raporları olarak yayınlanan ikinci ve üçüncü kısımlar, küresel optimizasyon sorunlarını veya bir ağın eğitim verileriyle en iyi uyum sağlayan ayarları bulduğunu garanti etme ve aşırı uyum veya ağın bu kadar uyumlu hale geldiği durumları ele alır. aynı kategorilerin diğer örneklerine genelleyemediği eğitim verilerinin özelliklerine.

Hala cevaplanacak çok sayıda teorik soru var, ancak CBMM araştırmacılarının çalışmaları, sinir ağlarının nihayet onları yetmiş yıldır gözden çıkaran nesiller döngüsünü kırmasını sağlamaya yardımcı olabilir.

.

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.