Yapay Sinir Ağı veya Yapay Sinir ağları (Yapay Sinir Ağı) , insan beyninin sinirsel yapısına dayanan karmaşık hesaplama sistemleridir. Bilgisayarların verileri öğrenmesine ve yorumlamasına izin vererek makine öğreniminin temeli olarak hizmet ederler. Süreç, girdilerin alınmasına, ayarlanabilir ağırlıklar (eğitim aşamasında ayarlanabilir) kullanılarak çeşitli seviyelerde işlenmesine ve öngörülen sonucun verilmesine dayanır.

Dahili cihaz
Sinir ağları, insan beynini oluşturan biyolojik nöronları taklit etme prensibine göre çalışır. Nöronların sinapslar aracılığıyla diğer nöronlara sinyal iletmesi gibi, ann’ler de verileri birbirine bağlı düğüm katmanları veya «yapay nöronlar» ağı aracılığıyla iletir.

Her düğüm, girdiye belirli bir işlev uygular ve sonucu bir sonraki katmana iletir. Ağ, çıktı tahmin hatasına bağlı olarak bu düğümlerin ağırlıklarını ve yer değiştirmelerini ayarlayarak öğrenilir. Bu yöntem, geri yayılma yöntemi olarak bilinir.

Sinir ağı Türleri

• İleri beslemeli sinir ağları (FNN’LER). Fnn’deki bilgiler yalnızca bir yönde hareket eder – giriş katmanından gizli katmanlardan çıkış katmanına— Örüntü tanıma görevlerinde yaygın olarak kullanılırlar.
• Evrimsel Sinir Ağları (CNN’LER). CNN’LER, ızgara benzeri verileri işlemek için tasarlanmıştır. Girdilere filtre uygulayan evrimsel katmanlara sahiptirler. Görüntü ve video tanıma gibi görevler için uygundur.
• Tekrarlayan sinir ağları (RNN’LER). RNN’LERİN yönlü döngüler oluşturan bağları vardır. Bu, önceki girdilerin bir tür «hafızasını» korumalarına olanak tanır. Konuşma tanıma veya zaman serisi tahmini gibi sıralı veri görevleri için uygundur.
• Uzun kısa süreli belleğe sahip ağlar (LSTM’LER). Standart RNC’LERİN başa çıkamadığı ardışık verilerdeki uzun vadeli bağımlılıkları hatırlamak için tasarlanmıştır. Bunlar genellikle doğal dil işleme görevlerinde kullanılır.
• Radyal temel fonksiyonlara (RBFN) sahip ağlar. RBFN’LER, aktivasyonu nöronun merkezinden uzaklığa göre belirlenen tek bir gizli nöron katmanına sahiptir. İşlevlere yaklaşmak ve kontrol problemlerini çözmek için yaygın olarak kullanılırlar.
• Kendi kendini organize eden haritalar (som’lar). Som’lar, yüksek boyutlu verilerin düşük boyutlu bir temsilini oluşturmak için denetimsiz öğrenmeyi kullanır ve bu da onu karmaşık verileri görselleştirmek için yararlı kılar.
• Üretken reklam Ağları (Gan’lar). Gan’lar iki ağdan oluşur: yeni veri örnekleri oluşturan bir jeneratör ağı ve gerçek örnekleri sahte olanlardan ayırmaya çalışan bir ayrımcı ağ. Bu tür ağlar içerik oluşturmak için kullanılır.

Sinir ağlarının uygulanması
Sinir ağları, çok çeşitli görevleri çözmek için çeşitli sektörlerde aktif olarak kullanılmaktadır. Örneğin, görüntülerdeki ve videolardaki örüntü tanıma, çevrimiçi hizmetlerdeki önerilerin kişiselleştirilmesi, üretim süreçlerinin yönetiminin otomasyonu, hastalıkların teşhisi için tıbbi verilerin analizi, kendi kendini süren araçların geliştirilmesi, doğal dillerin işlenmesi ve çevrilmesi ve içerik oluşturma gibi.