YAPAY SİNİR AĞLARI TEMEL KAVRAM VE UYGULAMALARI

• 24 Mart 2024 Pazar 10:27:21

Yapay sinir ağları, insan beyninin nasıl çalıştığını taklit etmeye çalışan bilgisayar programlarıdır. İnsan beyni, birçok sinir hücresinden oluşur. Bu hücreler, birbirleriyle elektrik sinyalleri göndererek iletişim kurarlar. Bu sinyaller, beynin düşünmesini, öğrenmesini, hatırlamasını ve karar vermesini sağlar.
Yapay sinir ağları da, birçok yapay sinir hücresinden oluşur. Bu hücrelere nöron denir. Nöronlar, birbirleriyle sayısal değerler göndererek iletişim kurarlar. Bu değerler, yapay sinir ağının işlemesini, öğrenmesini, hatırlamasını ve karar vermesini sağlar.
Yapay sinir ağları, belirli bir problemi çözmek için önceden hazırlanmış verileri kullanarak öğrenirler. Bu veriler, problemle ilgili bilgiler içerir. Örneğin, el yazısı tanıma problemi için, el yazısıyla yazılmış rakamların resimleri ve bunların hangi rakama karşılık geldiği bilgisi verilir. Yapay sinir ağı, bu verileri kullanarak, resimlerdeki rakamları tanımak için bir model oluşturur. Bu modele ağırlık denir. Ağırlık, nöronlar arasındaki bağlantıların gücünü belirler.
Yapay sinir ağı, öğrendiği modeli kullanarak, yeni veriler üzerinde tahminler yapabilir. Örneğin, el yazısıyla yazılmış yeni bir rakamın resmini alarak, bunun hangi rakama karşılık geldiğini tahmin edebilir. Bu tahmine çıktı denir. Çıktı, yapay sinir ağının son katmanındaki nöronların değerleridir.
Yapay sinir ağı, tahmininin doğruluğunu ölçmek için, gerçek sonucu ile karşılaştırabilir. Örneğin, el yazısıyla yazılmış bir rakamın resmini tahmin ederken, gerçek rakamı da bilirse, bunlar arasındaki farkı hesaplayabilir. Bu farka hata denir. Hata, yapay sinir ağının performansını gösterir.
Yapay sinir ağı, hatasını azaltmak için, modelini güncelleyebilir. Örneğin, el yazısıyla yazılmış bir rakamın resmini yanlış tahmin ederse, ağırlıklarını değiştirerek, daha doğru tahminler yapmasını sağlayabilir. Bu değişime öğrenme kuralı denir. Öğrenme kuralı, ağırlıkları nasıl güncelleyeceğini belirler.
Yapay sinir ağları, insan beyninin yapabildiği birçok işi yapabilir. Örneğin, görüntü tanıma, ses tanıma, doğal dil işleme, oyun oynama, sanat üretme gibi. Yapay sinir ağları, bu işleri yaparken, insan beyninin öğrenme, hatırlama, genelleme ve karar verme yeteneklerini taklit eder. Yapay sinir ağları, bu yetenekleri geliştirmek için, farklı tiplerde, katmanlarda ve bağlantılarda nöronlar kullanabilir. Bu nöronların farklı özellikleri ve fonksiyonları vardır.
Yapay Sinir Ağının Avantajları
- Öğrenme kabiliyeti vardır: Yapay sinir ağları, verilerden örüntüleri çıkarmak ve yeni bilgiler edinmek için öğrenme algoritmaları kullanır. Bu sayede, veri setinin değişmesine veya genişlemesine uyum sağlayabilirler.
- Farklı öğrenme algoritmalarıyla öğrenebilir: Yapay sinir ağları, farklı öğrenme türlerine göre tasarlanabilir. Örneğin, gözetimli öğrenme, gözetimsiz öğrenme, takviyeli öğrenme gibi. Bu sayede, farklı problemlere uygun çözümler üretebilirler.
- Görülmemiş çıktılar için sonuçlar üretebilir: Yapay sinir ağları, eğitim verilerinde olmayan girdiler için de tahmin yapabilirler. Bu sayede, beklenmedik durumlara karşı esneklik kazanırlar.
- Algılamaya yönelik olaylarda kullanılabilir: Yapay sinir ağları, insan beyninin algılama yeteneğini taklit edebilirler. Bu sayede, görüntü, ses, metin gibi karmaşık veri türlerini işleyebilir ve anlamlandırabilirler.
- Örüntü tanıma ve sınıflandırma yapabilir: Yapay sinir ağları, verilerdeki örüntüleri tanıyabilir ve sınıflara ayırabilirler. Bu sayede, verileri analiz etmek ve yorumlamak için kullanılabilirler.
- Eksik örüntüleri tamamlayabilir: Yapay sinir ağları, verilerdeki eksiklikleri veya bozuklukları tespit edebilir ve tamamlayabilirler. Bu sayede, veri kalitesini artırabilir ve hataları azaltabilirler.
- Kendi kendine öğrenebilme yetenekleri vardır: Yapay sinir ağları, öğrenme sürecinde kendilerini geliştirebilir ve iyileştirebilirler. Bu sayede, performanslarını artırabilir ve daha doğru sonuçlar üretebilirler.
- Hata toleransına sahiptir: Yapay sinir ağları, ağın bir kısmının bozulması veya zarar görmesi durumunda bile çalışmaya devam edebilirler. Bu sayede, dayanıklı ve güvenilir sistemler oluşturabilirler.
. Yapay Sinir Ağının Dezavantajları
- Yapay sinir ağları, belirli bir problem için özel olarak tasarlanmış ve eğitilmiş modellerdir. Bu nedenle, farklı bir problem için kullanılmak istenirse, ağın yeniden eğitilmesi veya yapılandırılması gerekebilir. Bu da, ağın esnekliğini ve genelleştirilebilirliğini azaltır.
- Yapay sinir ağları, öğrenme süreci için örnek veri setlerine ihtiyaç duyar. Örnek veri seti bulunmayan veya yetersiz olan problemlerde, ağın eğitimi mümkün olmaz veya hatalı olur. Ayrıca, ağın mimarisi ve öğrenme kuralları, problemi doğru şekilde çözebilmek için uygun seçilmelidir. Bu da, ağın performansını ve doğruluğunu etkiler.
- Yapay sinir ağlarının, probleme uygun en iyi ağ yapısını belirlemek için kesin bir kural yoktur. Ağ yapısı, girdi sayısı, gizli katman sayısı, nöron sayısı, aktivasyon fonksiyonu, ağırlık değerleri gibi birçok parametreden oluşur. Bu parametrelerin optimal değerlerini bulmak için, genellikle deneme yanılma yöntemi kullanılır. Bu da, ağın eğitim süresini ve maliyetini artırır.
- Yapay sinir ağlarının, eğitim sürecinin ne zaman sona ereceğine karar vermek için de kesin bir kural yoktur. Ağın eğitimi, veri setinin tamamı üzerinde belirli sayıda tekrarlanır. Bu tekrar sayısı, ağın öğrenme hızına ve veri setinin karmaşıklığına bağlıdır. Eğer tekrar sayısı çok az olursa, ağ yeterince öğrenemez ve çıktıları hatalı olur. Eğer tekrar sayısı çok fazla olursa, ağ aşırı öğrenme yapar ve veri setinin özelliklerini ezberler. Bu da, ağın yeni verilere uyum sağlayamamasına ve genelleştirme yeteneğini kaybetmesine neden olur.
- Yapay sinir ağları, paralel işlem yapabilen ve yüksek hesaplama gücüne sahip donanımlar gerektirir. Çünkü, ağın eğitimi ve testi sırasında, ağdaki binlerce veya milyonlarca nöronun ve bağlantının hesaplanması gerekir. Bu da, normal bilgisayarların işlem kapasitesini aşar. Bu nedenle, yapay sinir ağları, genellikle grafik işlem birimleri (GPU) veya özel donanımlar (TPU) gibi gelişmiş donanımlar üzerinde çalıştırılır.
Biyolojik Sinir Ağı
Biyolojik sinir ağı, insan beyninin ve vücudunun çalışmasını sağlayan bir sistemdir. Bu sistem, nöron adı verilen özel hücrelerden oluşur. Nöronlar, elektriksel ve kimyasal sinyalleri alıp göndererek bilgi işler ve iletişim kurarlar. Nöronlar, birbirleriyle sinaps adı verilen bağlantı noktalarından bağlanırlar. Bir insan beyninde yaklaşık 100 milyar nöron ve 60 trilyon sinaps vardır.
Biyolojik sinir ağı, insanın çevresini algılamasını, düşünmesini, öğrenmesini, hatırlamasını ve hareket etmesini sağlar. Biyolojik sinir ağı, beş duyu organından gelen bilgileri işleyerek olayları anlamlandırır ve tepki verir. İnsan beyninin farklı bölgeleri farklı görevleri yerine getirir. Örneğin, görme, işitme, konuşma, planlama, karar verme gibi işlevler beynin farklı bölgelerinde gerçekleşir.
Nöronlar, görevlerine göre üç ana gruba ayrılır:
- Duyusal nöronlar: Dış ortamdan gelen koku, tat, dokunma, görme ve ses gibi uyarıları elektriksel sinyallere dönüştürerek beyne iletirler.
- Motor nöronlar: Beyinden gelen sinyalleri kaslara ileterek hareketi sağlarlar.
- Ara nöronlar: Sinir sisteminin farklı bölümleri arasında bağlantı kurarak iletişimi sağlarlar.
Bir nöron, başka bir nörondan gelen sinyali sinaps üzerinden alır. Sinaps, nöronların uçlarında bulunan küçük boşluklardır. Sinapslarda, nöronlar arasındaki sinyal iletimi, nörotransmitter adı verilen kimyasal maddelerle gerçekleşir. Nörotransmitterler, bir nörondan salınarak diğer nöronun reseptörlerine bağlanır. Böylece, sinyal bir nörondan diğerine aktarılır.
Bir nöron, sinapslardan aldığı sinyalleri hücre gövdesinde toplar. Hücre gövdesi, sinyallerin şiddetini ve yönünü hesaplar. Eğer sinyallerin toplamı, nöronun eşiğini aşarsa, nöron uyarılır ve akson adı verilen uzun koldan bir sinyal gönderir. Bu sinyale aksiyon potansiyeli denir. Aksiyon potansiyeli, nöronun çıkış terminaline ulaşarak oradan başka nöronlara veya kaslara iletilir.
İnsan beyninde öğrenme, nöronlar arasındaki bağlantıların değişmesiyle olur. Öğrenme, üç şekilde gerçekleşir:
- Yeni aksonlar üreterek öğrenme: Beyin, yeni deneyimler edindikçe yeni nöronlar ve aksonlar üretir. Böylece, yeni bağlantılar oluşur ve yeni bilgiler kaydedilir.
- Aksonların uyarılmasıyla öğrenme: Beyin, sık tekrarlanan bilgileri daha iyi hatırlamak için aksonların uyarılma sıklığını arttırır. Böylece, bağlantılar güçlenir ve bilgiler pekiştirilir.
- Mevcut aksonların güçlerini değiştirerek öğrenme: Beyin, yeni bilgileri mevcut bilgilerle ilişkilendirerek aksonların güçlerini değiştirir. Böylece, bağlantılar esneklik kazanır ve bilgiler bütünleşir.
Yapay Sinir Ağının Yapısı
Yapay sinir ağları, insan beynindeki sinir hücrelerini taklit eden yapay sistemlerdir. Yapay sinir ağları, birçok yapay sinir hücresinin (nöron) birbirine bağlı olduğu katmanlardan oluşur. Bu katmanlar şunlardır:
- Giriş katmanı: Bu katman, ağa veri girişi sağlar. Veri seti, ağın öğreneceği veya tanıyacağı örneklerden oluşur. Örneğin, el yazısı tanıma için veri seti, rakamların resimlerinden oluşabilir.
- Ara (gizli) katmanlar: Bu katmanlar, giriş katmanından aldıkları verileri işleyerek, ağırlık adı verilen parametrelerle çarpıp toplayarak, bir aktivasyon fonksiyonu uygulayarak, çıkış katmanına gönderirler. Ara katmanların sayısı, boyutu ve aktivasyon fonksiyonu, ağın yapısına ve performansına göre belirlenir. Ara katmanlar, ağın öğrenme yeteneğini sağlarlar.
- Çıkış katmanı: Bu katman, ara katmanlardan gelen verileri işleyerek, ağın sonucunu üretir. Sonuç, ağın veri setine göre tahmin ettiği veya sınıflandırdığı değerlerdir. Örneğin, el yazısı tanıma için sonuç, rakamların hangisi olduğudur.
Yapay sinir ağları, giriş katmanından aldıkları veri seti ile eğitilirler. Eğitim sırasında, ağın ürettiği sonuç ile gerçek sonuç arasındaki fark (hata) hesaplanır. Hata, ağın performansını ölçen bir kriterdir. Hata, ağırlıkların değiştirilmesiyle azaltılmaya çalışılır. Ağırlıklar, geri yayılım adı verilen bir algoritma ile güncellenir. Geri yayılım, hata değerini çıkış katmanından giriş katmanına doğru geri göndererek, her katmandaki ağırlıkları uygun şekilde ayarlar. Eğitim, hata kabul edilebilir bir seviyeye indiğinde veya belirli bir sayıda tekrarlandığında durur. Eğitim sonunda, ağın ağırlıkları ve çıktıları belirlenmiş olur.
Yapay sinir ağları, matematiksel olarak bir fonksiyon olarak modellenebilir. Ağın girişi, çıkışı ve ağırlıkları arasındaki ilişki, matris ve vektör işlemleri ile ifade edilebilir. Ayrıca, ağın performansını ölçen hata fonksiyonu ve ağırlıkları güncelleyen geri yayılım algoritması da matematiksel olarak tanımlanabilir. Bu matematiksel modeller, ağın yapısını, işleyişini ve öğrenme sürecini anlamak için yararlıdır.
Sinir Hücresinin Matematiksel Modeli
Sinir hücresi veya nöron, sinir sisteminin temel yapı taşıdır. Bilgiyi almak, işlemek ve iletmek gibi görevleri vardır. İnsan sinir sisteminde yaklaşık 100 milyar nöron olduğu tahmin edilmektedir. Nöronlar birbirleriyle sinaps adı verilen bağlantı noktaları aracılığıyla iletişim kurarlar. Sinapslarda nörotransmitter adı verilen kimyasal maddeler salgılanarak elektriksel sinyalleri başka bir nörona veya kas veya bez gibi bir efektör organa aktarır.
Sinir hücresinin matematiksel modeli, nöronun elektriksel davranışını sayısal olarak ifade etmeye yarayan bir formüldür. Bu formül, nöronun aksonunda oluşan aksiyon potansiyeli adı verilen elektriksel nabzı tanımlar. Aksiyon potansiyeli, nöronun uyarılması sonucu aksonun iç ve dış ortamındaki iyonların geçirgenliğindeki değişimlerden kaynaklanan bir elektriksel değişimdir. Aksiyon potansiyeli, nöronun ilettiği bilginin şifresidir. Aksiyon potansiyelinin oluşması için, nöronun uyarılması gereken bir eşik değeri vardır. Eşik değerinden daha düşük uyartılar nöronu etkilemezken, eşik değerine eşit veya daha yüksek uyartılar nöronu aynı şekilde uyarır. Bu duruma ya hep ya hiç yasası denir.
Sinir hücresinin matematiksel modeli, 1952 yılında Alan Hodgkin ve Andrew Huxley tarafından devrim niteliğinde bir çalışma ile ortaya konmuştur. Bu model, nöronun aksonundaki aksiyon potansiyelinin zamana bağlı olarak nasıl değiştiğini gösteren bir diferansiyel denklem sistemidir. Bu denklem sistemi, aksonun iç ve dış ortamındaki sodyum, potasyum ve klor iyonlarının akımını ve geçirgenliğini hesaba katar.
Yapay sinir ağı ise, biyolojik sinir sisteminin işleyişini taklit etmeye çalışan bir bilgisayar programıdır. Yapay sinir ağı, birbirine bağlı çok sayıda yapay nörondan oluşur. Her yapay nöron, kendisine gelen girdileri bir ağırlık vektörü ile çarparak bir toplam değer elde eder. Bu toplam değer, bir aktivasyon fonksiyonu ile işlenerek bir çıktı değeri üretir. Bu çıktı değeri, başka yapay nöronlara girdi olarak gönderilir.
Yapay sinir ağının temel amacı, girdi veri seti olarak kendisine gelen verilere karşılık bir çıktı üretebilmektir. Bu işlemin yapılabilmesi için ağ daha önceden belirlenmiş eğitim veri setleriyle eğitilir. Bu aşamada, ağın ağırlık vektörleri, eğitim verilerine en iyi uyacak şekilde güncellenir. Bu güncelleme işlemi, bir hata fonksiyonu ile ağın performansını ölçerek ve bir optimizasyon algoritması ile ağırlıkları düzenleyerek yapılır. Bu aşamadan sonra yapay sinir ağı genelleme yapabilecek ve karar verebilecek seviyeye kavuşur. En sonunda da çıktıları üretir.
Matematiksel Model Hesap İşlemi
Matematiksel model hesap işlemi, yapay sinir ağları gibi karmaşık sistemleri basitleştirmek ve analiz etmek için kullanılan bir yöntemdir. Bu yöntemde, bir sinir hücresi (nöron) bir giriş katmanı, bir ara katman ve bir çıkış katmanı olarak modellenir. Bu katmanlar arasında, dentrit adı verilen bağlantılar bulunur. Dentritler, giriş değerlerini (x1, x2, x3, ... xm) ağırlıklar (w1, w2, w3, ... wm) ile çarparak sinir hücresine iletirler. Bu ağırlıklar, sinir hücresinin girişlerine ne kadar önem verdiğini belirler. Örneğin, ağırlığı yüksek olan bir giriş, sinir hücresinin çıkışını daha fazla etkiler.
Sinir hücresi, tüm dentritlerden gelen ağırlıklı toplamı alır ve bunu bir bias (b) değeri ile toplar. Bias, sinir hücresinin aktivasyon eşiğini ayarlamak için kullanılır. Örneğin, bias yüksek ise, sinir hücresi daha zor aktive olur. Bias düşük ise, sinir hücresi daha kolay aktive olur.
Sinir hücresi, ağırlıklı toplam ve bias değerinden oluşan net girişi bir aktivasyon fonksiyonuna sokar. Aktivasyon fonksiyonu, sinir hücresinin çıkışını belirler. Aktivasyon fonksiyonu, lineer, sigmoid, tanjant, ReLU gibi farklı tiplerde olabilir. Aktivasyon fonksiyonu, sinir hücresinin girişine göre bir çıkış değeri üretir. Bu çıkış değeri, nihai sonuç olabileceği gibi, başka bir sinir hücresinin girişi de olabilir.
Sinir hücreleri, seri veya paralel şekilde birbirine bağlanarak bir ağ oluşturur. Bu ağ, giriş verilerini işleyerek bir çıktı üretir. Bu çıktı, istenen sonuca ne kadar yakın olduğuna göre değerlendirilir. Eğer çıktı istenen sonuçtan uzaksa, ağın ağırlık ve bias parametreleri güncellenir. Bu güncelleme, ağın öğrenmesini sağlar. Ağın öğrenmesi için kullanılan yöntemlere öğrenme algoritmaları denir. Öğrenme algoritmaları, ağın performansını ölçen bir hata fonksiyonunu minimize etmeye çalışır. Öğrenme algoritmaları, geri yayılım, gradyan inişi, genetik algoritma gibi farklı tiplerde olabilir.
Matematiksel model hesap işlemi, yapay sinir ağları gibi karmaşık sistemleri anlamak ve geliştirmek için kullanılan güçlü bir araçtır. Bu araç, matematiksel ifadeler ve fonksiyonlar kullanarak sistemin davranışını tanımlar ve simüle eder. Matematiksel model hesap işlemi, yapay zeka, makine öğrenmesi, veri madenciliği, görüntü işleme, ses tanıma, doğal dil işleme gibi birçok alanda uygulanabilir.
Yapay Sinir Hücresi Bölümleri
Yapay sinir hücresi, insan beynindeki biyolojik sinir hücrelerini taklit eden bir matematiksel modeldir. Bir yapay sinir hücresi, şu beş bölümden oluşur:
- Girişler: Yapay sinir hücresine verilen sayısal değerlerdir. Bu değerler, örneğin, bir resmin pikselleri, bir metnin harfleri veya bir sesin frekansları olabilir.
- Ağırlıklar: Girişlerin önemini belirleyen katsayılardır. Ağırlıklar, yapay sinir hücresinin öğrenmesini sağlayan değişkenlerdir. Ağırlıklar, girişlerle çarpılarak toplam girişi oluştururlar.
- Toplam giriş: Girişlerin ağırlıklarla çarpımlarının toplamıdır. Toplam giriş, yapay sinir hücresinin aktivasyon fonksiyonuna verilen değerdir.
- Aktivasyon fonksiyonu: Toplam girişi, yapay sinir hücresinin çıkışına dönüştüren bir matematiksel işlemdir. Aktivasyon fonksiyonu, yapay sinir hücresinin doğrusal olmayan bir davranış sergilemesini sağlar. Aktivasyon fonksiyonu, örneğin, sigmoid, ReLU veya tanjant hiperbolik olabilir.
- Çıkış: Aktivasyon fonksiyonunun sonucudur. Çıkış, yapay sinir hücresinin verdiği cevaptır. Çıkış, örneğin, bir sınıf etiketi, bir tahmin değeri veya bir olasılık olabilir.
Aktivasyon Fonksiyonu Çeşitleri
Aktivasyon fonksiyonları, yapay sinir ağlarında nöronların giriş sinyallerini çıkış sinyallerine dönüştürmek için kullandıkları matematiksel işlevlerdir. Aktivasyon fonksiyonları, nöronların aktivasyon seviyelerini belirler ve ağın doğrusal olmayan problemleri öğrenebilmesini sağlar. Aktivasyon fonksiyonları, farklı özelliklere ve kullanım alanlarına sahip olabilir. Aktivasyon fonksiyonlarından bazılarının kısaca tanımlarını, avantajlarını veya dezavantajlarını açıklayayım.
- Basamak (Step) Fonksiyonu: Bu fonksiyon, giriş sinyali belirli bir eşik değerinden küçükse 0, büyükse 1 değeri verir. Bu şekilde, ikili sınıflandırma problemlerinde kullanılabilir. Ancak, bu fonksiyonun türevi 0 olduğu için, ağın ağırlıklarını güncellemek için kullanılan geri yayılım algoritması işe yaramaz. Bu yüzden, gizli katmanlarda basamak fonksiyonu kullanılmaz.
- Doğrusal (Linear) Fonksiyon: Bu fonksiyon, giriş sinyalini sabit bir katsayı ile çarparak çıkış sinyalini verir. Bu fonksiyon, nöronların birbirine bağlanmasına izin verir, ancak doğrusal bir fonksiyon olduğu için, ağın karmaşık problemleri öğrenmesini engeller. Ayrıca, bu fonksiyonun türevi sabit bir değer olduğu için, ağın öğrenme hızını etkiler. Tüm katmanlarda doğrusal fonksiyon kullanıldığında, ağın çıktısı girişi ile doğrusal bir ilişki gösterir ve gizli katmanların bir anlamı kalmaz.
- Sigmoid Fonksiyonu: Bu fonksiyon, giriş sinyalini 0 ile 1 arasında bir değere sıkıştırarak çıkış sinyalini verir. Bu fonksiyon, doğrusal olmayan bir fonksiyon olduğu için, ağın karmaşık problemleri öğrenebilmesini sağlar. Sigmoid fonksiyonu, sınıflandırma problemlerinde çıkış katmanında kullanılabilir, çünkü çıktı değeri bir olasılık olarak yorumlanabilir. Ancak, bu fonksiyonun türevi, giriş sinyali büyük veya küçük değerler aldığında çok küçük olur. Bu da, ağın öğrenme hızını yavaşlatır ve gradyan kaybolması adı verilen bir soruna yol açar.
- tanh (Hiperbolik Tanjant) Fonksiyonu: Bu fonksiyon, giriş sinyalini -1 ile 1 arasında bir değere sıkıştırarak çıkış sinyalini verir. Bu fonksiyon, sigmoid fonksiyonuna çok benzer, ancak 0 merkezli olduğu için, sigmoid fonksiyonundan daha iyi sonuçlar verebilir. Bu fonksiyonun türevi, sigmoid fonksiyonundan daha dik olduğu için, daha çok değer alabilir ve daha hızlı öğrenme sağlayabilir. Ancak, bu fonksiyonun da türevi, giriş sinyali büyük veya küçük değerler aldığında çok küçük olur ve gradyan kaybolması sorunu devam eder.
- ReLU Fonksiyonu: Bu fonksiyon, giriş sinyali negatif ise 0, pozitif ise giriş sinyalini olduğu gibi verir. Bu fonksiyon, biyolojik nöronlara benzer bir şekilde çalışır ve en yaygın kullanılan aktivasyon fonksiyonudur. ReLU fonksiyonu, basit ve hızlı bir hesaplama sağlar ve gradyan kaybolması sorununu çözer. ReLU fonksiyonu, iyi bir tahmin edici olabilir, ancak bazı nöronların ölmesine neden olabilir. Yani, bazı nöronlar hiç aktivasyon göstermeyebilir ve ağın performansını düşürebilir. ReLU fonksiyonu, çok katmanlı yapılarda kullanılabilir ve farklı kombinasyonları ile başka fonksiyonlara yaklaşabilir.
- Sızıntı (Leaky ReLU) Fonksiyonu: Bu fonksiyon, ReLU fonksiyonunun geliştirilmiş bir versiyonudur. Bu fonksiyon, giriş sinyali negatif ise çok küçük bir değer, pozitif ise giriş sinyalini olduğu gibi verir. Bu şekilde, ölü nöronları önlemek ve ağın öğrenmesini devam ettirmek için bir sızıntı terimi ekler. Bu fonksiyon, ReLU fonksiyonuna göre daha hızlı öğrenme sağlar ve gradyan kaybolması sorununu çözer. Ancak, bu fonksiyonun da hesaplama maliyeti artar ve optimal bir sızıntı terimi seçmek zor olabilir.
- Softmax Fonksiyonu: Bu fonksiyon, giriş sinyallerinin herbirini 0 ile 1 arasında bir değere sıkıştırarak ve toplamlarının 1 olmasını sağlayarak çıkış sinyallerini verir. Bu fonksiyon, sigmoid fonksiyonuna çok benzer, ancak ikiden fazla sınıfın olduğu çoklu sınıflandırma problemlerinde kullanılır. Bu fonksiyon, çıkış değerlerini bir olasılık dağılımı olarak yorumlar ve girdinin hangi sınıfa ait olduğunu belirler. Bu fonksiyon, genellikle derin öğrenme modellerinin çıkış katmanında tercih edilir.
Hangi Aktivasyon Fonksiyonu Kullanılmalıdır?
Aktivasyon fonksiyonu, yapay sinir ağlarında, girdilerin ağırlıklı toplamını alarak, nöronun çıkışını belirleyen bir matematiksel işlemdir. Aktivasyon fonksiyonu, nöronun ne zaman ve ne kadar aktif olacağını, yani verilen girdiye göre bir sinyal üreteceğini veya üretmeyeceğini kontrol eder. Aktivasyon fonksiyonu seçimi, yapay sinir ağının performansını, öğrenme hızını ve yakınsama gücünü etkiler.
Aktivasyon fonksiyonları, doğrusal ve doğrusal olmayan olarak iki gruba ayrılabilir. Doğrusal aktivasyon fonksiyonları, girdiyi olduğu gibi çıkışa yansıtır. Bu, basit regresyon problemlerinde yararlı olabilir, ancak karmaşık ve doğrusal olmayan verileri modellemek için yetersiz kalır. Doğrusal olmayan aktivasyon fonksiyonları ise, girdiyi belirli bir aralığa sıkıştırarak, nöronun çıkışını değiştirir. Bu, verilerdeki doğrusal olmayan ilişkileri yakalamak ve derin sinir ağları oluşturmak için gereklidir.
Aktivasyon fonksiyonları arasında en çok kullanılanlardan bazıları şunlardır:
- Sigmoid fonksiyonu: Bu fonksiyon, girdiyi 0 ile 1 arasında bir değere dönüştürür. Bu, ikili sınıflandırma problemlerinde yararlı olabilir, çünkü nöronun çıkışı olasılık olarak yorumlanabilir. Ancak, sigmoid fonksiyonunun bazı dezavantajları vardır. Örneğin, fonksiyonun uç değerlerinde türevi çok küçük olur, bu da gradyanın kaybolmasına veya patlamasına yol açabilir. Ayrıca, fonksiyonun çıkışı ortalama olarak 0.5 olduğu için, nöronların aktivasyonu dengesiz olabilir.
- Hiperbolik tanjant fonksiyonu: Bu fonksiyon, girdiyi -1 ile 1 arasında bir değere dönüştürür. Bu, sigmoid fonksiyonuna göre daha iyi bir seçim olabilir, çünkü fonksiyonun çıkışı ortalama olarak 0 olduğu için, nöronların aktivasyonu daha dengelidir. Ancak, hiperbolik tanjant fonksiyonunun da uç değerlerinde türevi çok küçük olur, bu da gradyanın kaybolmasına veya patlamasına yol açabilir.
- ReLU fonksiyonu: Bu fonksiyon, girdi negatifse 0, pozitifse kendi değerini alır. Bu, derin öğrenme modellerinde en çok tercih edilen aktivasyon fonksiyonudur, çünkü basit, hızlı ve etkilidir. ReLU fonksiyonunun avantajları arasında, fonksiyonun pozitif değerlerinde türevinin 1 olması, bu da gradyanın kaybolmasını veya patlamasını önlemesi, ve fonksiyonun sadece pozitif değerlerle ilgilenmesi, bu da işlem yükünü azaltması sayılabilir. Ancak, ReLU fonksiyonunun da dezavantajları vardır. Örneğin, fonksiyonun negatif değerlerinde türevi 0 olur, bu da nöronların ölmesine yol açabilir. Ayrıca, fonksiyonun 0 noktasında türevi tanımsızdır.
- Leaky ReLU fonksiyonu: Bu fonksiyon, ReLU fonksiyonunun bir varyasyonudur. Bu fonksiyon, girdi negatifse küçük bir sabit çarpan ile çarpılır, pozitifse kendi değerini alır. Bu, ReLU fonksiyonunun nöronların ölmesi sorununu çözmek için tasarlanmıştır. Leaky ReLU fonksiyonunun avantajı, fonksiyonun negatif değerlerinde de türevinin sıfırdan farklı olması, bu da nöronların aktif kalmasını sağlamasıdır. Ancak, Leaky ReLU fonksiyonunun da dezavantajları vardır. Örneğin, fonksiyonun sabit çarpanı optimum değilse, nöronların aktivasyonu istenmeyen şekilde değişebilir. Ayrıca, fonksiyonun 0 noktasında türevi tanımsızdır.
- Softmax fonksiyonu: Bu fonksiyon, girdileri 0 ile 1 arasında bir değere dönüştürür ve tüm girdilerin toplamı 1 olur. Bu, çok sınıflı sınıflandırma problemlerinde yararlı olabilir, çünkü nöronların çıkışı olasılık olarak yorumlanabilir. Softmax fonksiyonunun avantajı, fonksiyonun girdiler arasındaki farkı vurgulaması, bu da nöronların aktivasyonunu daha net hale getirmesidir. Ancak, Softmax fonksiyonunun da dezavantajları vardır. Örneğin, fonksiyonun hesaplanması karmaşıktır, bu da işlem yükünü artırır. Ayrıca, fonksiyonun uç değerlerinde türevi çok küçük olur, bu da gradyanın kaybolmasına veya patlamasına yol açabilir.
Aktivasyon fonksiyonu seçimi, yapay sinir ağının yapısına, veri setine ve amaçlanan göreve bağlıdır. Her aktivasyon fonksiyonunun avantajları ve dezavantajları vardır, bu yüzden en iyi seçimi yapmak için deneme yanılma yöntemi kullanılabilir. Ayrıca, farklı katmanlarda farklı aktivasyon fonksiyonları kullanılabilir. Örneğin, ara katmanlarda ReLU veya Leaky ReLU, çıkış katmanında ise Sigmoid veya Softmax fonksiyonu kullanılabilir.
Aktivasyon fonksiyonlarının etkisini görmek için, playground.tensorflow.org/ sitesini kullanabilirsiniz. Bu site, yapay sinir ağlarını interaktif bir şekilde denemenizi sağlar. Site üzerinde, farklı veri setleri, fonksiyonlar ve amaçlar seçerek, aktivasyon fonksiyonlarının sonuçları nasıl etkilediğini gözlemleyebilirsiniz. Ayrıca, nöronların aktivasyonlarını, ağırlıklarını ve gradyanlarını da görebilirsiniz. Bu site, aktivasyon fonksiyonlarının çalışma mantığını daha iyi anlamanıza yardımcı olabilir.
Aktivasyon Fonksiyonlarının Grafiklerinin Colab’ta Çizdirilmesi
Aktivasyon fonksiyonları, yapay sinir ağlarında (YSA) her bir düğümün girdinin ağırlıklı toplamını nasıl bir çıktıya dönüştürdüğünü belirleyen fonksiyonlardır. Aktivasyon fonksiyonları, YSA’nın öğrenme ve performans yeteneği üzerinde büyük bir etkiye sahiptir ve farklı aktivasyon fonksiyonları farklı durumlarda kullanılabilir.
Colab, Google tarafından sağlanan bir bulut hizmetidir. Colab’ta Python kodu yazabilir ve çalıştırabilirsiniz. Colab, Jupyter Notebook adlı bir arayüz kullanır. Jupyter Notebook, kod blokları ve metin blokları içeren bir belge türüdür.
Aşağıdaki kod bloku, Colab’ta çalıştırıldığında, en yaygın aktivasyon fonksiyonlarının grafiklerini çizer. Bu grafikler, aktivasyon fonksiyonlarının girdiye göre nasıl davrandığını gösterir. Örneğin, basamak fonksiyonu, girdi sıfırdan büyükse 1, küçükse 0, eşitse 0.5 değerini verir. Sigmoid fonksiyonu, girdiyi 0 ile 1 arasında bir değere eşler. ReLU ve sızdıran ReLU fonksiyonları, girdi negatifse sıfır veya küçük bir değer, pozitifse girdiyle aynı değeri verir.
python
# Colab’ta aktivasyon fonksiyonlarının grafiklerini çizen kod bloku
# Gerekli kütüphaneleri içe aktarma
import numpy as np
import matplotlib.pyplot as plt
# Aktivasyon fonksiyonlarını tanımlama
def step(x):
return np.where(x > 0, 1, np.where(x < 0, 0, 0.5))
def sigmoid(x):
return 1 / (1 + np.exp(-x))
def relu(x):
return np.maximum(0, x)
def leaky_relu(x):
return np.maximum(0.01 * x, x)
# Girdi aralığını oluşturma
x = np.linspace(-5, 5, 100)
# Aktivasyon fonksiyonlarını uygulama
y_step = step(x)
y_sigmoid = sigmoid(x)
y_relu = relu(x)
y_leaky_relu = leaky_relu(x)
# Grafikleri çizme
plt.figure(figsize=(12, 8))
plt.subplot(2, 2, 1)
plt.plot(x, y_step)
plt.title(’Step Function’)
plt.xlabel(’x’)
plt.ylabel(’y’)
plt.grid()
plt.subplot(2, 2, 2)
plt.plot(x, y_sigmoid)
plt.title(’Sigmoid Function’)
plt.xlabel(’x’)
plt.ylabel(’y’)
plt.grid()
plt.subplot(2, 2, 3)
plt.plot(x, y_relu)
plt.title(’ReLU Function’)
plt.xlabel(’x’)
plt.ylabel(’y’)
plt.grid()
plt.subplot(2, 2, 4)
plt.plot(x, y_leaky_relu)
plt.title(’Leaky ReLU Function’)
plt.xlabel(’x’)
plt.ylabel(’y’)
plt.grid()
plt.show()
Çıktılar
Aktivasyon fonksiyonu, yapay sinir ağında bir düğümün çıktısını hesaplayan bir fonksiyondur. Bir düğüm, dışarıdan gelen bir takım girdi sinyallerini alır. Bu sinyallerin doğası ve şiddetine bağlı olarak, aktivasyon fonksiyonu, düğümün aktive edilip edilmeyeceğine karar verir. Aktivasyon fonksiyonunun amacı, düğümün girdisini doğrusal olmayan bir şekilde çıktıya dönüştürmektir.
Her hücre, bir aktivasyon fonksiyonu ile birlikte, kendisine bağlı girdilerin ağırlıklı toplamını ve bir sapma terimini hesaplar. Bu değer, hücrenin çıktı değeri olur. Her hücrenin birden fazla girdisi olabilir, ancak tek bir çıktısı vardır. Bu çıktı, sonraki katmanlardaki istenilen sayıda hücreye bağlanabilir. Bu şekilde, bir sinir ağı, girdilerden çıktılara kadar bilgi akışını sağlar.
Biyolojik Sinir Sistemi Elemanları ve Yapay Sinir Sisteminde Karşılıkları
Biyolojik sinir sistemi, insan ve hayvanların vücutlarında bulunan ve sinir hücreleri (nöronlar) aracılığıyla bilgi alışverişi sağlayan bir sistemdir. Yapay sinir sistemi ise, biyolojik sinir sisteminin işleyişini taklit ederek, bilgisayar programları veya donanımları ile oluşturulan bir sistemdir.
Biyolojik sinir sisteminde, nöronlar arasında elektriksel ve kimyasal sinyaller iletilir. Bu sinyaller, nöronun dendrit adı verilen uzantılarından alınır, hücre gövdesinde işlenir ve akson adı verilen başka bir uzantıdan başka nöronlara veya kaslara gönderilir. Nöronlar arasındaki bağlantı noktalarına sinaps denir. Sinapslarda, nöronlar arasındaki sinyal iletimi kimyasal maddeler (nörotransmitterler) aracılığıyla gerçekleşir.
Yapay sinir sisteminde, nöronların yapay karşılığı yapay sinir hücreleri veya yapay nöronlardır. Bir yapay nöron, birden fazla girdi (Xn) alabilen, bu girdileri belirli ağırlıklarla (Wn) çarpan, toplayan ve bir bias (B) ekleyen bir matematiksel fonksiyondur. Bu işlemin sonucu net girdi (Z) olarak adlandırılır. Net girdi, bir aktivasyon fonksiyonu (F) ile işlenerek, yapay nöronun çıktısı (Y) elde edilir. Yapay nöronlar arasındaki bağlantılar, biyolojik sinir sistemindeki sinapslara benzer şekilde, sinyal iletimini sağlar.
Biyolojik sinir sistemi elemanları ve yapay sinir sisteminde karşılıkları tabloda verilmiştir.
Biyolojik Sinir Sistemi Yapay Sinir Sistemi
Nöron Yapay nöron
Dendrit Girdi
Hücre gövdesi Ağırlık, toplama ve bias
Akson Net girdi
Sinaps Aktivasyon fonksiyonu ve çıktı
Tablo Biyolojik sinir sistemi elemanları ve yapay sinir sisteminde karşılıkları.
Yapay Sinir Ağları Kullanım Alanları
YSA’nın kullanım alanları çok geniş ve çeşitlidir. Aşağıda bunlardan bazıları verilmiştir.
- Sınıflandırma: Bu, verileri belirli kategorilere ayırma işlemidir. Örneğin, bir YSA, bir resimdeki nesneleri tanıyarak onları sınıflandırabilir. Ya da bir YSA, bir kredi başvurusunun kabul veya reddedilmesine karar verebilir. Sınıflandırma, YSA’nın en yaygın kullanım alanlarından biridir.
- Tahmin: Bu, verilerin gelecekteki değerlerini veya eğilimlerini öngörme işlemidir. Örneğin, bir YSA, hava durumunu, borsa fiyatlarını, trafik yoğunluğunu veya elektrik tüketimini tahmin edebilir. Tahmin, YSA’nın veri analizi ve karar verme için çok önemli bir kullanım alanıdır.
- İlişkilendirme: Bu, veriler arasındaki bağlantıları veya benzerlikleri bulma işlemidir. Örneğin, bir YSA, bir metindeki kelimelerin anlamlarını veya bir müzik parçasındaki notaların uyumlarını ilişkilendirebilir. İlişkilendirme, YSA’nın veri yorumlama ve anlam çıkarma için kullanılan bir yöntemdir.
- Veri yorumlama: Bu, verilerin içerdiği bilgileri veya özellikleri ortaya çıkarma işlemidir. Örneğin, bir YSA, bir ses kaydının kim tarafından yapıldığını, bir metnin hangi dilde yazıldığını veya bir veri setinin hangi dağılıma uyduğunu yorumlayabilir. Veri yorumlama, YSA’nın veri madenciliği ve bilgi keşfi için kullanılan bir becerisidir.
- Veri filtreleme: Bu, verilerden istenmeyen veya gereksiz kısımları ayıklama işlemidir. Örneğin, bir YSA, bir resimden gürültüyü, bir sinyalden paraziti veya bir veri setinden aykırı değerleri filtreleyebilir. Veri filtreleme, YSA’nın veri kalitesini artırmak ve işlem maliyetini azaltmak için kullandığı bir tekniktir.
Tahmin
Tahmin, yapay sinir ağlarının önemli bir uygulama alanıdır. Tahmin, bir veya daha fazla girdi değerine dayanarak bir çıktı değerinin olası değerini belirlemek anlamına gelir. Örneğin, altın ons fiyatının tahmini, geçmiş verilere dayalı olarak gelecekteki fiyatı tahmin etmektir. Bu, yapay sinir ağlarının öğrenme yeteneğini kullanarak yapılabilir.
Yapay sinir ağları, insan beyninin çalışma şeklini taklit eden matematiksel modellerdir. Yapay sinir ağları, birbirine bağlı çok sayıda yapay nörondan oluşur. Her nöron, girdi değerlerini alır, bunları bir ağırlık ve bir eşik değeri ile çarpar ve bir aktivasyon fonksiyonu uygular. Aktivasyon fonksiyonu, nöronun çıktı değerini belirler. Nöronun çıktısı, diğer nöronlara girdi olarak gönderilir. Bu şekilde, yapay sinir ağları, girdi ve çıktı arasındaki karmaşık ilişkileri yakalayabilir.
Yapay sinir ağları, tahmin etme üzerine çalışırken, girdi ve çıktı değerleri arasındaki ilişkiyi öğrenmek için eğitilir. Eğitim, bir hata fonksiyonu kullanarak yapay sinir ağının performansını ölçer ve geri yayılım algoritması kullanarak ağırlık ve eşik değerlerini günceller. Bu şekilde, yapay sinir ağı, hata fonksiyonunu en aza indirmeye çalışır. Eğitim tamamlandığında, yapay sinir ağı, yeni girdi değerleri için çıktı değerlerini tahmin edebilir.
Altın ons fiyatının tahmini, yapay sinir ağlarının tahmin etme yeteneğinin bir örneğidir. Altın ons fiyatı, birçok faktöre bağlı olarak değişebilen bir değerdir. Bu faktörler arasında arz ve talep, piyasa koşulları, siyasi ve ekonomik olaylar, spekülasyonlar vb. bulunur. Yapay sinir ağları, bu faktörleri girdi olarak alabilir ve altın ons fiyatını çıktı olarak verebilir. Yapay sinir ağları, geçmiş altın ons fiyatı verilerini kullanarak eğitilebilir ve gelecekteki fiyatı tahmin edebilir.
Veri Filtreleme
Veri filtreleme, bir veri kümesinden istenmeyen veya gereksiz verileri ayıklamak için kullanılan bir yöntemdir. Veri filtreleme algoritması, veri filtreleme işlemini gerçekleştiren bir programdır. Yapay sinir ağları, insan beyninin çalışma şeklini taklit eden ve öğrenme yeteneğine sahip olan yapay zeka modelleridir. Veri filtreleme algoritmasıyla kodlanan yapay sinir ağları, veri filtreleme işlemini öğrenerek veya optimize ederek yapabilirler. Toplanan veriler arasından en işe yarayan verileri kullanmak, yapay sinir ağlarının performansını artırmak, veri kalitesini yükseltmek ve gereksiz hesaplama maliyetinden kaçınmak için önemlidir.
Örneğin, bir yapay sinir ağı, bir resimdeki nesneleri tanımak için eğitilmek isteniyorsa, resimlerin net, aydınlık ve yüksek çözünürlüklü olması gerekir. Bu nedenle, veri filtreleme algoritması, bulanık, karanlık veya düşük çözünürlüklü resimleri veri kümesinden çıkarabilir. Böylece, yapay sinir ağı, daha iyi verilerle eğitilir ve daha doğru sonuçlar üretir.
Sınıflandırma
Sınıflandırma, verileri belirli kategorilere ayırma işlemidir. Örneğin, bir resimdeki nesneleri tanımlamak veya bir metindeki duyguları belirlemek gibi. Sınıflandırma, yapay sinir ağlarında (YSA) sıkça kullanılan bir makine öğrenme yöntemidir.
Girdi değerleri, YSA’ya verilen verilerdir. Girdi değerleri, ağın öğrenmesi ve tahmin yapması için gerekli bilgileri içerir. Örneğin, bir evin fiyatını tahmin etmek için evin alanı, odası, konumu gibi girdi değerleri kullanılabilir.
Yapay sinir ağları, insan beyninin sinir hücrelerini taklit eden matematiksel modellerdir. YSA, girdi değerlerini işleyerek çıktı değerleri üretir. Çıktı değerleri, ağın verdiği sonuçlardır. Örneğin, bir resimdeki nesnenin sınıfı veya bir metindeki duygu durumu gibi.
YSA, girdi değerlerini sınıflandırarak sistemin daha hızlı sonuca ulaşmasına etkide bulunur. Çünkü YSA, verilerin özelliklerini öğrenir ve karmaşık örüntüleri tanır. Böylece, verileri doğru kategorilere ayırabilir ve istenilen görevi yerine getirebilir.
YSA’nın temel yapıları, nöronlar, ağırlıklar, aktivasyon fonksiyonları ve katmanlardır. Nöronlar, verileri işleyen temel birimlerdir. Ağırlıklar, nöronlar arasındaki bağlantı gücünü gösteren parametrelerdir. Aktivasyon fonksiyonları, nöronların çıktılarını belirleyen fonksiyonlardır. Katmanlar, nöronların düzenlendiği bölümlerdir.
YSA’nın çalışma mantığı, girdi katmanından başlayarak, gizli katmanlarda verileri işleyerek, çıktı katmanında sonuçları üretmektir. Bu süreçte, ağın performansını ölçen bir hata fonksiyonu kullanılır. Hata fonksiyonu, ağın çıktılarının gerçek değerlerden ne kadar farklı olduğunu gösterir. Hata fonksiyonunu azaltmak için, ağırlıklar geri yayılım algoritması ile güncellenir. Geri yayılım algoritması, ağın hata fonksiyonunun gradyanını hesaplayarak, ağırlıkları optimal değerlere yaklaştıran bir yöntemdir.
YSA’nın uygulama alanları çok geniştir. Sınıflandırma, regresyon, kümeleme, boyut indirgeme, doğal dil işleme, görüntü işleme, ses işleme, zaman serisi analizi gibi pek çok alanda YSA kullanılabilir.
Veri Yorumlama
Veri yorumlama, bir yapay sinir ağının (YSA) öğrendiği bilgileri kullanarak yeni veriler hakkında anlamlı çıkarımlar yapmasıdır. Örneğin, bir YSA, el yazısı rakamlarını tanımak için eğitilmişse, yeni bir rakam görüntüsü verildiğinde, bu rakamın ne olduğunu tahmin edebilir. Bu, veri yorumlamasının bir örneğidir.
Bir durum hakkında yeni yorumlamalar yapmak için, YSA’nın girdileri alması ve çıktıları üretmesi gerekir. Girdiler, YSA’nın analiz etmesi gereken verilerdir. Çıktılar, YSA’nın verilerden çıkardığı sonuçlardır. Örneğin, bir YSA, bir hastanın tansiyon, nabız, ateş gibi sağlık verilerini alıp, hastanın durumunu değerlendirebilir. Bu, girdiler ve çıktılar arasındaki ilişkinin bir örneğidir.
YSA’nın girdileri ve çıktıları arasındaki ilişki, önceden eğitilen ağırlıklar ve eşikler tarafından belirlenir. Ağırlıklar ve eşikler, YSA’nın öğrenme sürecinde, verilerle uyumlu olacak şekilde ayarlanan parametrelerdir. Ağırlıklar, girdilerin önemini belirtir. Eşikler, YSA’nın aktivasyon seviyesini belirtir. Örneğin, bir YSA, bir kedinin fotoğrafını tanımak için eğitilmişse, ağırlıklar ve eşikler, kedinin kulakları, gözleri, bıyıkları gibi özelliklerini ayırt etmesine yardımcı olur. Bu, ağırlıklar ve eşiklerin rolünün bir örneğidir.
Bu şekilde, veri yorumlama, bir YSA’nın önceden eğitilen parametrelerini kullanarak, yeni veriler hakkında mantıklı ve doğru yorumlamalar yapmasını sağlar. Bu, YSA’nın farklı problemleri çözmesine ve insanlara yardımcı olmasına olanak tanır.
Veri İlişkilendirme
Yapay sinir ağları, öğrendiği bilgilerle konuları ilişkilendirir ve bunun sonucunda ortaya çıkan eksik bilgileri tamamlar. Örneğin, bir yapay sinir ağı, bir film hakkında verilen yorumlardan filmi beğenip beğenmediğinizi tahmin edebilir. Bu tahmini yaparken, yorumlardaki kelimelerin anlamlarını, duygularını, filmle ilgili ipuçlarını ve diğer faktörleri ilişkilendirir. Eğer yorumlarda filmle ilgili eksik bilgi varsa, yapay sinir ağı bunu kendi bilgisiyle tamamlar. Böylece, yapay sinir ağı, veri ilişkilendirme yaparak eksik bilgileri tamamlamış olur.