# Yapay Zeka ve Yapay Sinir Ağları

> Yapay sinir ağlarının biyolojik esini, yapay nöron, temel bileşenler, etkinlik işlevleri, öğrenme yaklaşımları, eğitim-doğrulama-test ayrımı, temsil, dayanıklılık, açıklanabilirlik, kullanım alanları ve sınırlılıkları üzerine kavramsal ders notu.

- Author: Muhammet Ali Köker
- Language: tr
- Canonical: https://alikoker.com.tr/yapay-sinir-aglari
- Translation: https://alikoker.com.tr/en/artificial-intelligence-and-neural-networks
- Published: 2021-02-26T20:27:42+03:00
- Modified: 2026-09-16T03:43:48+03:00
- Verified: 2026-09-16T03:43:48+03:00
- Type: article

Yapay sinir ağları, biyolojik sinir sistemlerinden esinlenen ancak biyolojik beynin birebir kopyası olmayan hesaplama modelleridir. Bir ağ; girdileri sayısal temsillere dönüştüren işlem elemanlarını, bu elemanlar arasındaki ağırlıklı bağlantıları ve ağırlıkları veriden ayarlayan öğrenme yöntemlerini birlikte kullanır. Bu çerçevede “nöron” benzetmesi açıklayıcıdır; gerçek sinir hücresinin bütün biyofiziksel davranışını modele taşıdığı varsayılmamalıdır.

Örüntü tanıma, sınıflandırma, kestirim ve temsil öğrenme gibi işlerde ağın gücü, her problem için elle yazılmış kurallar üretmek yerine parametrelerini örneklerden uyarlayabilmesinden gelir. Bu özellik klasik sayısal yöntemleri geçersiz kılmaz. Diferansiyel denklem, optimizasyon, olasılık modeli veya kural tabanlı yöntem daha uygun olduğunda sinir ağı yardımcı bileşen olarak kalabilir; veri ve problem yapısı uygunsa ise temel çözümleyici hâline gelebilir.

Bilgisayarlar belirli hesaplarda insanı hız ve tekrarlanabilirlik açısından aşabilir; insan öğrenmesi ise algı, deneyim, nedensellik ve bağlamı çok daha geniş bir çerçevede birleştirir. Yapay sinir ağlarının amacı bu biyolojik yeteneği eksiksiz kopyalamak değil, veriden yararlı dönüşümler ve karar sınırları öğrenebilen matematiksel sistemler kurmaktır.

## Biyolojik Nöronlar

Sinir ağı terminolojisinin önemli bölümü nörobilimden gelir. Bu benzetmeyi doğru sınırda kullanmak gerekir: dendrit, soma, akson ve sinaps biyolojik hücrenin yapılarıdır; yapay ağdaki girdi, ağırlık, toplama ve etkinlik işlemleri bunların kaba işlevsel karşılıkları olarak düşünülür.

### Dendrit

- Dendritler, başka hücrelerden gelen elektrokimyasal sinyallerin alınmasında temel rol oynayan dallanmış yapılardır.
- Yapay nöron benzetmesinde farklı giriş kanallarının aynı işlem elemanında toplanmasına karşılık gelirler.

### Akson

- Akson, hücrenin ürettiği elektriksel etkinliğin diğer hücrelere taşındığı uzun iletim yoludur.
- Yapay modelde tek bir işlem elemanının hesapladığı çıktının birden fazla sonraki birime dağıtılabilmesi bu işlevle benzeştirilir.

### Bağlantılar

- Biyolojik nöronlar birbirlerine doğrudan tek tip kablolarla değil, farklı kuvvetlere ve dinamiklere sahip bağlantılar üzerinden etki eder.
- Yapay ağlarda bu etki çoğunlukla ağırlık katsayılarıyla temsil edilir. Bir bağlantının modele katkısı, ağırlığın işareti ve büyüklüğü kadar kullanılan etkinlik fonksiyonuna ve ağın geri kalanına da bağlıdır.

### Soma

- Soma ya da hücre gövdesi, nöronun metabolik merkezidir ve gelen etkilerin bütünleşmesinde rol oynar.
- Basitleştirilmiş yapay nöron çizimlerinde ağırlıklı girdilerin toplandığı hesaplama bölgesine benzetilir; biyolojik çekirdekle matematiksel toplama işlemini özdeş kabul etmek doğru değildir.

### Sinaps

- Sinaps, bir nöronun başka bir hücre üzerindeki etkisini ilettiği bağlantı bölgesidir.
- Öğrenme benzetmesinin en yararlı tarafı burada ortaya çıkar: biyolojik bağlantı kuvvetlerinin değişebilmesi, yapay ağlarda ağırlıkların eğitim sırasında güncellenmesine kavramsal esin sağlamıştır.

## Temel Bileşenler

Yapay nöron, biyolojik hücreden alınmış bir adlandırmaya sahip olsa da özünde parametrik bir hesaplama birimidir. En yaygın gösterimde giriş vektörü ağırlıklarla çarpılır, sonuçlar bir bias veya eşik terimiyle birleştirilir ve doğrusal olmayan bir etkinlik fonksiyonundan geçirilir. Çok sayıda birim katmanlar hâlinde bağlandığında ağın temsil kapasitesi oluşur.

İlk notta kullandığım beşli ayrımı koruyarak temel öğeler şöyle açıklanabilir: girdi, ağırlık, toplama fonksiyonu, etkinlik fonksiyonu ve çıktı. Ölçeklendirme ve sınırlandırma ise mimariye göre etkinlikten sonra eklenen dönüşümlerdir.

### Girdiler

- Girdiler, ağın işlediği sayısal özelliklerdir. Ham verinin kendisi olabileceği gibi ses çerçevesi, piksel değeri, gömme vektörü veya önceden çıkarılmış bir ölçüt de olabilir.
- Girdinin ölçeği ve dağılımı eğitimi etkilediğinden normalizasyon veya standartlaştırma gerekebilir.

### Ağırlıklar

- Her bağlantının modele etkisi bir ağırlık katsayısıyla temsil edilir.
- Büyük mutlak değer, tek başına “önem” anlamına gelmez; giriş ölçeği, sonraki katmanlar ve doğrusal olmayanlıklarla birlikte yorumlanmalıdır.
- Eğitim sırasında optimizasyon algoritması bu katsayıları kayıp fonksiyonunu azaltacak yönde günceller.

### Toplama Fonksiyonu

- Klasik yapay nöronda temel işlem `z = Σ(w_i x_i) + b` biçimindeki ağırlıklı toplamdır.
- Tarihsel ve özel ağ modellerinde minimum, maksimum, çoğunluk, uzaklık veya normalizasyon tabanlı farklı birleştirme kuralları da kullanılabilir.

### Etkinlik Fonksiyonu

- Etkinlik fonksiyonu, toplama sonucunu nöron çıktısına dönüştürür ve ağa doğrusal olmayan temsil gücü kazandırır.
- Sigmoid, tanh, ReLU ve türevleri farklı dönemlerde ve farklı mimarilerde yaygınlaşmıştır.

Tarihsel modellerde eşik, sigmoid ve hiperbolik tanjant yaygındır.

Sigmoid:

`sigmoid(z) = 1 / (1 + exp(-z))`

Hiperbolik tanjant:

`tanh(z)`

Modern derin ağlarda gizli katmanlarda ReLU ve türevleri yaygındır:

`ReLU(z) = max(0, z)`

Çok sınıflı sınıflandırmanın çıktı katmanında softmax kullanılabilir:

`softmax(z_i) = exp(z_i) / sum_j exp(z_j)`

Aktivasyon seçimi ağın gradyan akışını ve optimizasyon davranışını etkiler.

### Ölçeklendirme ve Sınırlandırma

- Bazı sistemlerde etkinlik çıktısı belirli bir fiziksel veya sayısal aralığa taşınır.
- Ölçeklendirme bir katsayıyla çarpma kadar basit olabilir; sınırlandırma ise değerin tanımlı alt ve üst limitleri aşmasını engelleyebilir.

### Çıkış Fonksiyonu

- Bir işlem elemanının ürettiği değer sonraki katmandaki birden fazla birime veya doğrudan model çıktısına bağlanabilir.
- Son katmanın yapısı göreve bağlıdır: regresyonda sürekli değer, ikili sınıflandırmada olasılık benzeri skor, çok sınıflı yapıda ise birden fazla logit veya olasılık üretilebilir.

### Katman Yapısı

Klasik ileri beslemeli ağ üç işlevsel katman türüyle açıklanabilir.

**Girdi katmanı:** Girdi özelliklerini modele sunar.

**Gizli katmanlar:** Ara temsilleri oluşturur.

**Çıktı katmanı:** Göreve uygun nihai çıktıyı üretir.

Bir ağda gizli katman sayısı ve her katmanın genişliği model kapasitesini etkiler.

### Bağlantı Yönüne Göre Ağ Yapısı

İleri beslemeli ağlarda bilgi girişten çıkışa doğru ilerler ve ağın bağlantı grafında zaman içinde geri dönen kapalı bir durum yolu bulunmaz. Bu yapı sabit boyutlu girdi-çıktı eşlemeleri için temel modeldir.

Geri dönüşümlü ağlarda önceki durum sonraki hesaplamayı etkileyebilir. Bu geri besleme, ağın zamansal veya ardışık bilgiyi iç durumda taşımasına olanak verir. Elman ağı bağlam birimleriyle, Hopfield ağı ise geri dönüşümlü bağlantılar ve kararlı durumlarla bu yaklaşımın klasik örnekleridir.

Bağlantı yönü ile öğrenme yöntemi aynı sınıflandırma değildir. İleri beslemeli bir ağ farklı kayıp ve optimizasyon yöntemleriyle eğitilebilir; geri dönüşümlü yapı ise ağın hesap grafına durum bağı ekler. Elman, Hopfield, LSTM ve GRU gibi modellerin ayrıntıları [Yapay Sinir Ağları ve Öğrenme Modelleri](/yapay-sinir-aglari-ve-ogrenme-modelleri) bölümünde ele alınır.

## Öğrenme

Bir ağın eğitilmesi, örneklerden elde edilen hata sinyaline veya başka bir öğrenme amacına (öğrenme amacı) göre parametrelerinin güncellenmesidir. Eğitim başarısı ile genelleme aynı şey değildir; modelin daha önce görmediği verideki davranışı ayrıca değerlendirilmelidir.

### Eğitim, Doğrulama ve Test

Bir ağın eğitim verisinde düşük hata üretmesi tek başına yeterli değildir. Amaç görülmemiş veride başarılı olmaktır.

Veri çoğunlukla üç bölüme ayrılır:

**Eğitim kümesi:** Parametrelerin öğrenilmesinde kullanılır.

**Doğrulama kümesi:** Mimari, öğrenme katsayısı, düzenlileştirme gibi hiperparametrelerin seçiminde kullanılır.

**Test kümesi:** Son modelin tarafsız biçimde değerlendirilmesinde kullanılır.

Küçük veri kümelerinde çapraz doğrulama da kullanılabilir.

Sabit bir “doğru yüzde” yoktur. Ayrım; örnek sayısı, sınıf dengesi, zaman bağımlılığı ve veri sızıntısı (veri sızıntısı (data leakage)) riski gözetilerek yapılmalıdır. Özellikle aynı kişiye, cihaza veya olaya ait çok benzer kayıtların farklı kümelere dağılması ölçülen başarımı yapay biçimde yükseltebilir.

### Öğrenme Süreci

- Problemi temsil eden örnekler ve hedef ölçütü tanımlanır.
- Girdilerin temsili, ağ topolojisi, toplama işlemleri ve etkinlik fonksiyonları seçilir.
- Ağırlıklar ve bias/eşik terimleri uygun bir başlangıç yöntemiyle atanır.
- Eğitim örnekleri tek tek veya mini-batch hâlinde ağa verilir.
- İleri yayılım ile model çıktısı hesaplanır.
- Çıktı, hedef veya öğrenme ölçütüyle karşılaştırılarak kayıp değeri elde edilir.
- Türevlenebilir modellerde geri yayılım, kaybın parametrelere göre gradyanını hesaplar.
- Optimizasyon adımı ağırlıkları günceller; süreç durdurma ölçütüne veya eğitim bütçesine kadar tekrarlanır.

### Gözetimli Öğrenme

- Danışmanlı öğrenmede her eğitim girdisiyle birlikte beklenen çıktı, sınıf etiketi veya hedef değer bulunur.
- Model tahmini ile hedef arasındaki fark bir kayıp fonksiyonuyla ölçülür ve parametreler bu hatayı azaltacak yönde güncellenir.
- Sınıflandırma ve regresyon bu yaklaşımın yaygın kullanım alanlarıdır.

### Gözetimsiz Öğrenme

- Danışmansız öğrenmede doğrudan hedef etiketi verilmez; model yalnız girdilerin dağılımından veya aralarındaki ilişkilerden yapı çıkarmaya çalışır.
- Kümeleme, yoğunluk modelleme ve bazı temsil öğrenme yöntemleri bu grupta değerlendirilebilir.

### Pekiştirmeli Öğrenme

- Takviyeli öğrenmede model, her adım için tam doğru cevabı almak yerine çevreyle etkileşiminden ödül veya ceza sinyali elde eder.
- Amaç tek tek kararları değil, zaman içinde biriken beklenen getiriyi iyileştiren bir politika öğrenmektir.
- Bu nedenle geri bildirim gecikmeli olabilir ve keşif–sömürü dengesi öğrenmenin ayrı bir parçasıdır.

### Kendinden Öğretimli ve Yarı Gözetimli Öğrenme

**Self-supervised learning:** Supervision sinyali verinin kendisinden türetilir; büyük ölçekli representation learning için temel yaklaşımlardan biridir.

**Semi-supervised learning:** Az miktarda labeled data ile daha büyük miktarda unlabeled data birlikte kullanılır.

### Hetero-association ve Auto-association

İlişkilendirmeli öğrenmede iki temel durum vardır.

**Hetero-association**, bir girdi örüntüsünü farklı bir çıktı örüntüsüyle ilişkilendirir. Sınıflandırma ve regresyon bunun doğal örnekleridir.

**Auto-association**, girdiyi yine kendisiyle ilişkilendirir. Amaç eksik veya gürültülü girdiden özgün örüntüyü yeniden üretmek olabilir. Hopfield ağları ve autoencoder yaklaşımı bu düşünceyle ilişkilidir.

### Öğrenme Kuralları

Öğrenme kuralı, model parametrelerinin nasıl değiştirileceğini belirler. Tarihsel sinir ağı çalışmalarında Hebb kuralı önemli bir başlangıç noktasıdır.

Hebb yaklaşımının yalın biçimi şudur:

`Delta w_ij = eta * x_i * y_j`

Burada `eta` öğrenme katsayısıdır. Birlikte etkinleşen iki birim arasındaki bağlantı güçlenir.

Modern öğretmenli derin ağlarda ağırlıklar çoğunlukla kayıp fonksiyonunun gradyanına göre değiştirilir:

`w <- w - eta * dL/dw`

Bu ifade gradyan inişinin temelidir. İleri optimizasyon yöntemleri ve bunların training dynamics üzerindeki etkileri devam notunda ele alınır.

### Uyarlama ve Genelleme

Adaptif sistem, yeni gözlemler geldikçe parametrelerini değiştirebilir. Ancak her çevrim içi güncelleme yararlı değildir. Veri dağılımı değişirse modelin yeniden eğitilmesi veya kontrollü biçimde uyarlanması gerekebilir.

Genelleme, modelin eğitim örneklerini ezberlemek yerine altta yatan düzenlilikleri öğrenmesiyle ilgilidir.

## Temsil, Dayanıklılık ve Açıklanabilirlik

Sinir ağında öğrenilen bilginin nerede ve nasıl temsil edildiği, modelin gürültü ve eksik veri karşısındaki davranışı ile kararların açıklanabilirliği birbirinden ayrı fakat ilişkili mühendislik problemleridir.

### Dağıtık Temsil

Klasik sinir ağı anlatımında bilgi ağırlıklara dağılmıştır. Bu ifade genel olarak doğrudur ancak eksiktir. Modern ağlarda bilgi yalnız tek tek ağırlıklarda değil, ağırlıkların ortak oluşturduğu yüksek boyutlu temsillerde ve aktivasyon örüntülerinde ortaya çıkar.

Tek bir parametreye doğrudan tek bir anlam atamak çoğu zaman mümkün değildir. Temsiller dağıtık olabilir.

### Eksik ve Gürültülü Veri

Sinir ağları eksik veya gürültülü girdilere karşı otomatik olarak dayanıklı değildir. Dayanıklılık eğitim verisine, veri artırmaya, model mimarisine ve eksik verinin nasıl ele alındığına bağlıdır.

Eksik değerler için maskeleme, imputasyon veya eksikliği açıkça modelleyen mimariler gerekebilir.

### Açıklanabilirlik

Sinir ağları özellikle büyük ve derin olduğunda karar gerekçesini doğrudan anlaşılır kurallarla ifade etmez. Bu nedenle açıklanabilirlik önemli bir araştırma alanıdır.

Özellik katkısı (özellik (feature) attribution), belirginlik (saliency), SHAP benzeri yöntemler, aktivasyon incelemesi (activation probing) ve karşı-olgusal analiz gibi teknikler model davranışını incelemek için kullanılır. Ancak açıklama yöntemlerinin de sınırlılıkları vardır.

## Kullanım Alanları

Bir sinir ağı eğitim örneklerinden düzenlilik çıkarabildiği için kullanım alanı tek bir mühendislik dalıyla sınırlı değildir. Uygulama seçerken “sinir ağı kullanılabilir mi?” sorusundan önce girdinin nasıl temsil edileceği, hedefin nasıl ölçüleceği, hata maliyetinin ne olduğu ve yeterli verinin bulunup bulunmadığı belirlenmelidir.

Yapay sinir ağlarının başlıca kullanım alanları mühendislik bağlamına göre aşağıdaki gruplarda toplanabilir:

- **Adli bilişim ve siber güvenlik:** adli bilişim, siber güvenlik, görüntü ve veri karşılaştırma, örüntü tanıma tabanlı incelemeler.
- **Görüntü ve biyometri:** görüntü işleme, el yazısı tanıma, parmak izi tanıma, plaka tanıma, yüz eşleştirme.
- **Ses, dil ve sinyal:** ses tanıma, sözcük tanıma, dil tercüme, elektrik işareti tanıma, sinyal işleme.
- **Biyomedikal ve mühendislik analizi:** biyomedikal uygulamalar, dayanıklılık analizi, sistem modelleme, kalite kontrolü ve maliyet analizi.
- **Denetim, robotik ve ulaşım:** denetim, robotik, otomatik araç denetimi, otomatik pilot uygulamaları, yol izleme ve uçuş simülasyonları.
- **Tahmin ve üretim:** hava durumu tahminleme, finansal kestirimler ve üretim işlem kontrolü.

Bu alanların hepsinde aynı ağ mimarisi kullanılmaz. Görüntü, zaman serisi, metin veya tablo verisi farklı önişleme, kayıp fonksiyonu, doğrulama yöntemi ve hesaplama bütçesi gerektirir.

## Avantajlar ve Sınırlılıklar

Sinir ağlarının temel avantajı, açık bir kural kümesi yazmadan örneklerden parametrik bir eşleme öğrenebilmesidir. Aynı özellik önemli bir risk de üretir: sonuç kalitesi model mimarisinden çok veri dağılımına, eğitim yöntemine, doğrulama disiplinine ve çalıştırıldığı ortamın girdilerine bağlı olabilir. Aşağıdaki maddeler bu iki yönü birlikte özetler.

### Avantajlar

- Eğitimde görülmeyen fakat aynı dağılımdan gelen örneklerde genelleme yapabilir.
- Doğrusal olmayan ilişkileri temsil edebilen alt birimler içerir.
- Dağıtık temsil nedeniyle bazı mimarilerde tek bir birimin veya bağlantının bozulması tüm bilginin kaybolması anlamına gelmez.
- Benzer örnekler arasında karar sınırları öğrenerek yeni girdilere yanıt üretebilir.
- Klasik yöntemlerden farklı bir hata profiline sahip olduğundan, uygun hibrit tasarımlarda aynı problem için ikinci bir çözüm yolu sağlayabilir.
- Temsilin çok sayıda parametreye dağılması, bilginin tek bir hücreye bağlı olmamasını sağlar.
- Eğitim verisinin miktarı kadar temizliği, çeşitliliği ve problem uzayını kapsaması da yeterliyse yüksek doğruluk elde edilebilir.
- Eksik veya gürültülü girdiler altında anlamlı çıktı verebilen mimariler kurulabilir; bunun derecesi eğitim senaryosuna bağlıdır.
- Her durumda fiziksel süreci kapalı form bir denklemle modellemek gerekmez; veri üzerinden yaklaşık bir eşleme öğrenilebilir.
- Yedeklilik ve dağıtık temsil bazı ağlarda hata toleransını artırabilir.
- Algılama görevleri için uygun özellik temsillerini öğrenebilir.
- Örüntü tanıma problemlerinde doğrudan kullanılabilir.
- Yeterli ve temsil edici veri bulunan sınıflandırma görevlerinde yüksek doğruluk sağlayabilir.
- Danışmansız ve özdenetimli yöntemlerle verinin iç yapısını kısmen kendi başına örgütleyebilir.
- Uygun donanım ve toplu hesaplama altında bazı klasik işlem zincirlerinden daha hızlı çıkarım yapabilir.
- Aynı temel optimizasyon yaklaşımı farklı veri türleri ve ağ aileleri üzerinde yeniden kullanılabilir.

### Sınırlılıklar

- Genel bir sinir ağı için klasik kontrol sistemlerindeki anlamda evrensel bir kararlılık analizi yoktur; yalnız belirli mimariler ve varsayımlar altında biçimsel sonuçlar elde edilebilir.
- Yüksek boyutlu ağlarda tek bir kararın nedenini insan tarafından doğrudan izlemek zor olabilir; açıklanabilirlik ayrıca tasarlanmalıdır.
- Gerçek dünyadaki ses, görüntü, metin veya sensör bilgisi modele girmeden önce sayısal ve tutarlı bir temsile dönüştürülmelidir; sayısallaştırma hatası model hatasına taşınır.
- Katman sayısı, öğrenme oranı, düzenlileştirme, başlangıç değerleri ve benzeri hiperparametreler başka bir veri kümesinde aynı sonucu vermeyebilir.
- Eğitimin ne zaman sonlandırılacağı için her probleme uyan tek bir kural yoktur; doğrulama kaybı, erken durdurma, bütçe ve yakınsama ölçütleri birlikte kullanılır.
- Büyük modellerin eğitimi ve kimi zaman çıkarımı yoğun paralel hesaplama, yüksek bellek bant genişliği veya hızlandırıcı donanım gerektirebilir.

- Büyük miktarda ve temsil edici data gereksinimi problem sınıfına göre belirleyici olabilir.
- dağılım kayması, eğitimde ölçülen başarımın üretimde korunmasını engelleyebilir.
- Adversarial inputs, data/model bias, calibration ve uncertainty sorunları ayrıca ele alınmalıdır.
- Büyük modellerde yalnız compute değil memory bandwidth ve enerji tüketimi de sistem sınırı oluşturabilir.

## Tarihçe ve Gelecek

### Tarihçe

Yapay sinir ağlarının tarihini tek bir “icat” tarihine indirgemek yanıltıcıdır. Alan; matematiksel nöron modelleri, örüntü tanıma, ilişkisel bellek, optimizasyon, geri beslemeli sistemler ve daha sonra yüksek başarım hesaplama çizgilerinin birbirini beslemesiyle gelişti. İlk notta yer verdiğim doğrusal ilişkilendirici, korelasyon matris belleği, ART, SOM, Hopfield, Boltzmann, RBF, PNN ve GRNN gibi başlıkları korurken, kronolojiyi bugün daha iyi doğrulanabilen kilometre taşlarıyla birlikte okumak daha sağlıklıdır.

- **1943:** Warren McCulloch ve Walter Pitts, basitleştirilmiş sinir hücrelerini mantıksal hesaplama birimleri olarak ele alan matematiksel modeli yayımladı.
- **1958:** Frank Rosenblatt, perceptron modelini ve öğrenme yaklaşımını ayrıntılı biçimde tanımladı. Bu çizgi, örneklerden ağırlık ayarlayan sınıflandırıcıların erken ve etkili örneklerinden biri oldu.
- **1960'ların sonu ve 1970'ler:** Doğrusal ilişkilendiriciler, korelasyon matris bellekleri ve ilişkisel bellek yaklaşımları üzerinde yoğun çalışmalar yapıldı. Tek katmanlı perceptronların temsil sınırlarının tartışılması, çok katmanlı modellerde etkin öğrenme yöntemlerine duyulan gereksinimi görünür hâle getirdi. Aynı dönemde uyarlanabilir rezonans kuramı (ART) çizgisi de kararlı örüntü öğrenmesi ve sınıflandırma için ayrı bir araştırma yönü oluşturdu.
- **1974:** Paul Werbos'un doktora çalışması, türev bilgisinin çok katmanlı yapılarda geriye doğru taşınmasına dayanan yaklaşımın sinir ağı eğitimi bağlamındaki erken sistematik anlatımlarından birini içerdi.
- **1982:** John Hopfield, geri beslemeli ağların enerji benzeri bir fonksiyon üzerinden ilişkisel bellek olarak incelenebileceğini gösteren çalışmasını yayımladı. Aynı yıl Teuvo Kohonen'in kendiliğinden örgütlenen haritaları (SOM), danışmansız topolojik temsil öğrenmesinin önemli modellerinden biri hâline geldi.
- **1985:** David Ackley, Geoffrey Hinton ve Terrence Sejnowski, Boltzmann makineleri için öğrenme algoritmasını yayımladı. Stokastik ve enerji tabanlı ağlar daha sonra kısıtlı Boltzmann makineleri ve derin inanç ağları gibi çizgilere zemin hazırladı.
- **1986:** David Rumelhart, Geoffrey Hinton ve Ronald Williams, geri yayılımı çok katmanlı ağlarda gizli temsillerin öğrenilmesi açısından güçlü ve yeniden üretilebilir bir yöntem olarak yaygınlaştırdı.
- **1980'lerin sonu ve 1990'ların başı:** Radyal taban fonksiyonlu ağlar (RBF), olasılıksal sinir ağları (PNN) ve genel regresyon sinir ağları (GRNN) gibi daha özel model aileleri sınıflandırma, kestirim ve fonksiyon yaklaşımı için kullanıldı.
- **1997:** Sepp Hochreiter ve Jürgen Schmidhuber, uzun süreli bağımlılıklarda zayıflayan hata akışını hedefleyen Long Short-Term Memory (LSTM) mimarisini yayımladı.
- **1998:** Yann LeCun ve çalışma arkadaşları, konvolüsyonel sinir ağlarını gerçek belge ve el yazısı tanıma sistemleri bağlamında ayrıntılı biçimde ortaya koydu; ağırlık paylaşımı ve yerel alıcı alanların görüntü verisindeki yapısal avantajını somutlaştırdı.
- **2012:** Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton'ın ImageNet üzerinde GPU ile eğittiği derin konvolüsyonel ağ, büyük veri kümeleri, hızlandırıcı donanım ve derin ağların birlikte ölçeklenmesinin etkisini belirginleştirdi.
- **2017:** Transformer mimarisi, dizi modellemede yineleme ve konvolüsyon zorunlu olmadan [öz-dikkat](/wiki/self-attention) mekanizmasının kullanılabileceğini gösterdi. Böylece sinir ağı araştırmasının önemli bir bölümü, yalnız nöron bağlantı topolojisinden değil dikkat, temsil ve paralel hesaplama düzeninden de türeyen mimarilere kaydı.

### Gelecek

Sinir ağlarının geleceği yalnız “daha büyük model” üretmekten ibaret değildir. Aynı doğruluğu daha düşük gecikme, daha az enerji, daha az bellek ve daha öngörülebilir çalışma süresiyle elde etmek; kritik ve gerçek zamanlı sistemlerde model büyüklüğünden daha önemli olabilir. Bu nedenle düşük duyarlıklı sayı biçimleri, seyrek hesaplama, bellek erişiminin azaltılması, derleyici düzeyi iyileştirmeler ve donanım-yazılım ortak tasarımı araştırmanın kalıcı konuları arasındadır.

GPU ve benzeri hızlandırıcılar bugün olağan hâle gelmiş olsa da FPGA ve ASIC tabanlı gerçeklemeler, belirli ağların veri akışını sabit donanım yollarına taşıyarak gecikme ve enerji açısından farklı bir tasarım noktası sunar. NPU türü özel hızlandırıcılar da aynı eğilimin ürünüdür. Optik hesaplama, analog bellek-içi hesaplama ve nöromorfik devreler ise belirli işlem sınıflarında veri hareketi maliyetini azaltmayı hedefleyen daha araştırma ağırlıklı yönlerdir; bunların genel amaçlı GPU'ların doğrudan yerine geçtiğini varsaymak doğru değildir.

## Model Aileleri ve Öğrenme Algoritmaları

Perceptron, Multilayer Perceptron (MLP), backpropagation, Learning Vector Quantization (LVQ), Adaptive Resonance Theory (ART), recurrent/Elman yapıları, CNN, LSTM/GRU, attention, Transformer, generative models, regularization, optimization, ablation, drift ve production monitoring [Yapay Sinir Ağları ve Öğrenme Modelleri](/yapay-sinir-aglari-ve-ogrenme-modelleri) bölümünde ele alınır.

## Deney düzeni, belirsizlik ve veri kayması

Bir yapay sinir ağının eğitim kaybının düşmesi, modelin gerçek dünyada güvenilir olduğu anlamına gelmez. Eğitim, doğrulama ve test kümelerinin birbirinden ayrılması; aynı kişinin, cihazın veya zaman serisinin farklı parçalarının yanlışlıkla farklı kümelere sızmaması gerekir. Aksi durumda ölçülen başarı, genelleme yerine veri tekrarını yansıtabilir.

Sınıflandırma problemlerinde yalnız doğruluk oranı değil, sınıf dengesine göre precision, recall, F1, ROC-AUC veya PR-AUC; olasılık üreten sistemlerde ise kalibrasyon dikkate alınmalıdır. Belirsizlik yüksekken modelin "bilmiyorum" diyebilmesi, her girdiye yüksek güvenli sınıf atamasından daha değerlidir.

Üretimde veri dağılımı değişebilir. Sensör değişimi, kullanıcı davranışı, yeni cihaz türleri veya örnekleme politikasındaki farklılıklar performansı sessizce düşürebilir. Bu nedenle model değerlendirmesi tek seferlik test değil; veri kayması, hata dilimleri, eşik davranışı ve yeniden eğitim kriterleriyle birlikte ele alınmalıdır.

## Model sonucunu kanıta bağlamak

Bir model sonucu yalnız tek bir doğruluk oranıyla değerlendirilmemelidir. Veri kaynağı, bölme yöntemi, sınıf dağılımı ve değerlendirme metriği açık değilse sonuç tekrar üretilemez. Aynı kişi, cihaz veya oturuma ait örneklerin eğitim ve test kümelerine birlikte sızması özellikle görüntü, ses ve zaman serisi çalışmalarında ölçümü iyimser gösterebilir.

Karar eşiği kullanılan senaryoya göre seçilir. Yanlış pozitif ve yanlış negatif maliyetleri farklıysa tek bir “en iyi” eşik yoktur. Confusion matrix, sınıf bazlı recall/precision, kalibrasyon ve hata dilimleri birlikte incelenmelidir.

Üretim kullanımında modelin kapsamı da tanımlanır: hangi veri dağılımında doğrulandı, hangi girişler kapsam dışı, belirsizlik nasıl ele alınıyor ve insan incelemesine hangi koşulda dönülüyor? Bu bilgiler, model çıktısının hangi ölçüde güvenilebileceğini belirler.

## Kaynakça

- **[1]** Warren S. McCulloch; Walter Pitts. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 5, 115-133. [doi:10.1007/BF02478259](https://doi.org/10.1007/BF02478259)
- **[2]** Frank Rosenblatt. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 65(6), 386-408. [doi:10.1037/h0042519](https://doi.org/10.1037/h0042519)
- **[3]** Paul J. Werbos. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Harvard University doctoral dissertation.
- **[4]** John J. Hopfield. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558. [doi:10.1073/pnas.79.8.2554](https://doi.org/10.1073/pnas.79.8.2554)
- **[5]** Teuvo Kohonen. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 59-69. [doi:10.1007/BF00337288](https://doi.org/10.1007/BF00337288)
- **[6]** David H. Ackley; Geoffrey E. Hinton; Terrence J. Sejnowski. (1985). A Learning Algorithm for Boltzmann Machines. Cognitive Science, 9(1), 147-169. [doi:10.1207/s15516709cog0901_7](https://doi.org/10.1207/s15516709cog0901_7)
- **[7]** David E. Rumelhart; Geoffrey E. Hinton; Ronald J. Williams. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536. [doi:10.1038/323533a0](https://doi.org/10.1038/323533a0)
- **[8]** Sepp Hochreiter; Jürgen Schmidhuber. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780. [doi:10.1162/neco.1997.9.8.1735](https://doi.org/10.1162/neco.1997.9.8.1735)
- **[9]** Yann LeCun; Léon Bottou; Yoshua Bengio; Patrick Haffner. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 2278-2324. [doi:10.1109/5.726791](https://doi.org/10.1109/5.726791)
- **[10]** Alex Krizhevsky; Ilya Sutskever; Geoffrey E. Hinton. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 25. [NeurIPS](https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html)
- **[11]** Ashish Vaswani; Noam Shazeer; Niki Parmar; Jakob Uszkoreit; Llion Jones; Aidan N. Gomez; Łukasz Kaiser; Illia Polosukhin. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30. [NeurIPS](https://papers.neurips.cc/paper_files/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html)

## Bu Çalışmaya Atıf

Köker, M. A. (2021). Yapay Zeka ve Yapay Sinir Ağları. alikoker.com.tr. https://alikoker.com.tr/yapay-sinir-aglari

- BibTeX: https://alikoker.com.tr/yapay-sinir-aglari.bib
- RIS: https://alikoker.com.tr/yapay-sinir-aglari.ris
- CSL-JSON: https://alikoker.com.tr/yapay-sinir-aglari.csl.json