Skip to content

Latest commit

 

History

History
97 lines (62 loc) · 2.89 KB

3-nn_kavramlari.md

File metadata and controls

97 lines (62 loc) · 2.89 KB

📚 Yapay Sinir Ağlarının Kavramları

Yapay Sinir Ağlarının temel kavramları

🍭 Temel Sinir Ağı

Convention: Giriş katmanı sayılmadığından görüntüdeki NN 2 kat NN olarak adlandırılır 📢❗

📚 Terimler

Terim Açıklama
🌚 Giriş Katmanı NN'nin girişlerini içeren katmandır
🌜 Gizli Katman Hesaplamalı işlemlerin yapıldığı katman
🌝 Çıkış Katmanı NN'nin son katmanı ve tahmin edilen değer ŷ'nin üretilmesinden sorumludur
🧠 Nöron Bir matematik fonksiyonu için bir yer tutucu, girdilere bir fonksiyon uygular ve çıktı sağlar
💥 Aktivasyon Fonksiyonu Dönüşümler uygulayarak bir düğümün giriş sinyalini bir çıkış sinyaline dönüştüren bir fonksiyon
👶 Shallow NN Az sayıda gizli katmana sahip NN (bir veya iki)
💪 Deep NN Çok sayıda gizli katmanı olan NN
$$n^{[l]}$$ l katmanındaki nöron sayısı

🧠 Yapay bir nöron ne yapar?

Girişinin ağırlıklı toplamını hesaplar, bias ekler ve ardından bir aktivasyon fonksiyonu nedeniyle nöronun tetiklenip tetiklenmeyeceğine karar verir.

Aktivasyon fonksiyonları ile ilgili ayrıntılı notlarım: burada 👩‍🏫

👩‍🔧 Parametre Boyut Kontrolü

Parametre Boyut
$$w^{[l]}$$ $$(n^{[l]},n^{[l-1]})$$
$$b^{[l]}$$ $$(n^{[l]},1)$$
$$dw^{[l]}$$ $$(n^{[l]},n^{[l-1]})$$
$$db^{[l]}$$ $$(n^{[l]},1)$$

Bu boyutların doğru olduğundan emin olmak, daha iyi ve hatasız 🐛 kodlar yazmamıza yardımcı olur.

🎈 İleri Yayılım Sürecinin Özeti
Giriş: $$a^{[l-1]}$$
Çıkış: $$a^{[l]}, chache (z^{[l]})$$

👩‍🔧 Vektörize Edilmiş Denklemler:

$$Z^{[l]} =W^{[l]}A^{[l-1]}+b^{[l]}$$ $$A^{[l]} = g^{[l]}(Z^{[l]})$$

🎈 Geri Yayılım Sürecinin Özeti
Giriş: $$da^{[l]}$$
Çıkış : $$da^{[l-1]}, dW^{[l]}, db^{[l]}$$

Vektörize Edilmiş Denklemler:

$$dZ^{[l]}=dA^{[l]} * {g^{[l]}}'(Z^{[l]})$$

$$dW^{[l]}=\frac{1}{m}dZ^{[l]}A^{[l-1]T}$$

$$db^{[l]}=\frac{1}{m}np.sum(dZ^{[l]}, axis=1, keepdims=True)$$

$$dA^{[l-1]}=W^{[l]T}dZ^{[l]}$$

➰➰ İleri ve Geri Yayılımı Bir Arada

😵🤕

✨ Parametreler ve Hiper-parametreler

👩‍🏫 Parametreler

  • $$W^{[1]}, W^{[2]}, W^{[3]}$$
  • $$b^{[1]}, b^{[2]}$$
  • ......

👩‍🔧 Hiper-parametreler

  • Öğrenme hızı
  • İterasyon sayısı
  • Gizli katmanların sayısı
  • Gizli birimlerin sayısı
  • Aktivasyon Fonksiyonunun Seçimi
  • ......

Hiper-parametrelerin parametreleri kontrol ettiğini söyleyebiliriz 🤔

🌞 Yazının Aslı