Derin Öğrenme ve Sinir Ağları

Giriş

Yapay zekanın insan aklını ya da beyninin bilişsel davranışlarını bir şekilde taklit eden sistemler olduğundan başlangıçta bahsetmiştik. Verilere farklı matematiksel modeller uygulanarak gerçekleştirilen Makine Öğrenmesi de bir alt birim olarak yapay zeka bilim dalına ait olarak bilinmektedir.

Şekil 1. Yapay Zeka ve Alt dallarını gösteren diyagram

Makine öğrenmesi ve Derin Öğrenmede temel amaç, verileri anlamlı bir şekilde dönüştürmektir: başka bir deyişle, elimizdeki girdi verilerinin yararlı temsillerini öğrenmektir; bu temsiller bizi beklenen çıktıya yaklaştırması beklenir.^1

Bu algoritma ve yöntemlerin optimize edilmesi ya da daha doğru sonuç vermesi adına farklı yöntemler de geliştirilmiştir. Bu yöntemlerden en popüler olan ve belki de yapay zekanın tanımına da en çok uyan yapay sinir ağlarıdır. İnsan sinir hücresini örnek alarak geliştirilen bu yöntem aslında regresyon modeli mantığıyla düşünülse de verinin çokluğu ve karmaşıklığı daha ileri seviye yöntemlerin geliştirilmesini zorunlu kılmıştır.

Derin öğrenme (deep learning), bilgisayarların dünyayı deneyimlerinden öğrenerek ve kavramları birbirleriyle ilişkili hiyerarşik bir yapıda kodlayarak anlamasını sağlayan bir yapay zeka yaklaşımıdır. İnsanlar için tamamen sezgisel olan ancak matematiksel kurallarla bilgisayarlara tarif edilmesi çok zor olan yüz tanıma veya konuşma anlama gibi problemleri çözmek için geliştirilmiştir. Bu yaklaşımda bilgisayar, karmaşık kavramları çok daha basit kavramların üzerine inşa ederek öğrenir ve bu kavram hiyerarşisi çok katmanlı, "derin" bir grafik oluşturduğu için bu yönteme derin öğrenme adı verilir. Derin öğrenme, temel olarak bir temsil öğrenimi (representation learning) biçimidir. Bir makinenin karmaşık problemleri çözebilmesi için temsilleri diğer daha basit temsiller cinsinden ifade etmesini sağlayarak, insan müdahalesine ve el ile tasarlanmış özelliklere (features) olan ihtiyacı ortadan kaldırır.

1. Yapay Sinir Ağları

Makine öğrenmesinin bir alt dalı olan Derin öğrenme sinir ağları kullanımıyla ayırt edilebilir. Derin öğrenmenin en mükemmel örneği, bir dizi basit matematiksel fonksiyonun birleşimiyle girdileri çıktılara eşleştiren çok katmanlı algılayıcı (multilayer perceptron - MLP) veya diğer adıyla ileri beslemeli derin ağlardır. Sinir ağlarındaki katmanların sayısı arttıkça ağ daha da derinleşmiş olur. Bu yöntemin en çok tercih edilme sebepleri herhangi bir şekilde yapılandırılmamış verileri kullanabilmesi, büyük veriyi işleyebilmesi, daha yüksek doğruluk üretmesi ve desen tanıma işlemlerini otomatik tanıyabilme kapasitesi olması olarak belirtilebilir.

Tarihsel olarak incelendiğinde bu alan, 1940'lardan günümüze kadar farklı araştırmacıların çalışmaları ile gelişim göstermiştir. McCulloch ve Pitts (1943) beyin fonksiyonlarının ilk doğrusal modellerinden biri olan "McCulloch-Pitts nöronu"nu yani yapay sinir ağını tasarlamıştır. Rosenblatt 1958 yılında basit bir yapay sinir ağını (A N N) eğitmek için ilk prosedürü sağlayan bir eğitim algoritması olan perceptron'u tanıttı. Perceptron, yapay sinir ağlarının en basit şekli denilebilir. Algılayıcı (perceptron) adı verilen modelde Rosenblatt, makineye sunulan örneklere bakarak kategorileri tanımlayan matematiksel ağırlıkları (weights) kendi kendine öğrenebilen ilk modeli ortaya koymuştur.^2

Derin öğrenmedeki en temel unsur sinir ağları (neural network) olarak bilinen, insana ait sinir sisteminin modellenmesidir. Gerçek anlamda sinir hücresi beyin ile diğer vücut organları arasında sinyallerin taşınmasını sağlar.^4 Sinir hücresi gövdesinde çekirdek (nucleus) ve dendrit yapıları bulunmaktadır. Bu gövde yapısından akson aracılığıyla sinapslara bağlanır. (synaps) Birden fazla girişe sahip bir nöron tek bir çıkışa sahiptir. Dendritlere gelen sinyaller çekirdekte işlenerek çıktıları akson aracılığıyla sinapslara ve dolayısıyla diğer nöronların dendritlerine ulaştırır. Böylece beyinden gelen uyarılar bu çalışma mantığıyla diğer vücut içerisindeki diğer sinir hücrelerine aktarılmış olur. Bu biyolojik yapı sağdaki görselde Yapay Sinir Ağı (Artificial Neural Network) olarak modellenmiştir. Bu model birden fazla ve belirli ağırlıklara sahip olan girişlerden gelen veriler bir fonksiyon aracılığıyla işleme konur. Daha sonra çıktının ölçeklenebilir ve kullanılabilir olması adına aktivasyon fonksiyonu ile işleme girer ve çıktı üretilir. 5

Daha net bir karşılaştırma yapıldığında sinir hücresindeki her bir bölüm yapay sinir ağında aşağıdaki tabloda gösterildiği gibi eşleştirilebilir.5,6

Biyolojik Sinir ağı	Yapay Sinir Ağı
Cell	Nöron
Soma (gövde)	Ağ girişi
Dendrit	Giriş
Akson	Çıkış
Sinaps	Ağırlık

Biyolojik yapı ile yapay modelin görevleri de karşılaştırmalı olarak tabloda verilmektedir.^6

Bileşen	Açıklama
Sinir hücresi / Nöron	Yapay nöron veya düğüm, biyolojik sistemlerdeki hücrenin rolünü yansıtan temel hesaplama birimi olarak işlev görür.
Dendrit Girişleri	Biyolojik nöronlardaki dendritler, diğer nöronlardan gelen sinyalleri alır; bu, girişlerin yapay nöronlara beslenmesi ile benzerdir. Antenlerin bilgi topladığı gibi, sinyal alıcıları olarak işlev görürler.
Sinaps Ağırlıkları	Sinapslar, yapay nöronlardaki ağırlıklara benzer şekilde, nöronlar arasındaki bağlantıların gücünü modüle eder. Bu ağırlıklar ayarlanabilir olup, her bir girdinin ne kadar etkiye sahip olduğunu kontrol ederek zaman içinde öğrenme ve optimizasyon sağlar.
Gövde ağ girişleri	Yapay nöronlardaki net giriş, somanın biyolojik nöronlardaki sinyalleri entegre etmesine benzer şekilde, ağırlıklı girdileri toplayarak aktivasyonu belirler.
Akson Çıkışı	Yapay bir nöronun çıkışı, işlenen bilgileri sonraki ağ katmanlarına iletir, tıpkı bir aksonun sinyalleri diğer nöronlara iletmesi gibi.

1.1 Yapay Sinir ağında katmanlar

Yapay sinir ağında Giriş katmanı, Gizli katman ve Çıkış katmanı şeklinde üç temel katman bulunur. Giriş katmanı ham verilerimizdeki her bir özelliğe ait girişlerdir. Bu girişler çözmeye çalıştığımız problemdeki etkisine göre bir ağırlık değeriyle çarpılarak gizli katmana gelir. Gizli katman kısmında bir ya da birden fazla katman bulunabilir. Hesaplama işlemlerinin çoğu bu katmanlarda yapılır. Her katman, girdileri çıktı katmanının kullanabileceği bir şeye dönüştüren birimlerden (nöronlardan) oluşur. Çıkış katmanı ise en son katmandır ve sinir ağının görevine göre, sınıflandırma veya regresyon çıktısı şeklinde oluşturulur.

Şekil 3. Tek katmanlı sinir ağı

Rosenblatt’ın geliştirdiği perceptron tek katmanlı nöral network olarak bir öğrenme sürecini gerçekleştirebilir. Bu yapay sinir ağındaki matematiksel ilişkiye bakıldığında şu şekilde formüle edilebilmektedir.

Ağırlıkların (w) etki derecelerine (x) göre toplanmasının ardından bir aktivasyon fonksiyonu ile elde edilen bu toplam aktivasyon fonksiyonu denilen bir karar aşaması işleminden daha geçerek çıktı olarak üretilir ya da bir sonraki ağa aktarılır. İleri Yayılım (Forward Propagation) olarak da bilinen bu yöntemde aktivasyon fonksiyonu da çıktının sağlıklı olması açısından önemlidir. Yapay sinir ağının temel çalışma mantığı aşağıdaki gösterim de daha ayrıntılı görülmektedir.

Şekil 4. Perceptron

Formüldeki x girişleri, w ağırlıkları, w0 önyargı değerini , g ise aktivasyon fonksiyonunu simgeler. Tahmin çıkışımız da 𝑦 olarak belirtilmiştir. Bu temel yaklaşım ile girişler ağırlıklarla çarpılarak bir özellikler toplamı oluşturulur. Aktivasyon fonksiyonu da bu toplamdan en işe yarar kısımları seçebilecek bir işlem yaparak tahmini gerçekleştirir. Aktivasyon fonksiyonu olarak da en çok kullanılan fonksiyonlar arasında ReLU, Sigmoid ve Tanh sayılabilir.^7 ReLU, pozitif girdiler için bir doğru, negatif girdiler için ise sıfır değeri atar. Sigmoid, girişleri 0 ile 1 aralığında değerler. Tanh girdileri [-1,1] aralığında ölçeklendirerek sigmoidin alanını genişletir.^5

Şekil 5. Aktivasyon fonksiyonları ve formülleri

İleri yayılım ve aktivasyon fonksiyonlarının uygulanması sonrası elde edilen tahmin istenen sonuca yakın çıkmamışsa , bir hata ya da kayıp fonksiyonu yaklaşımıyla tahmini istenen sonuca yaklaştıracak bir metod olarak geri yayılım (Back propagation) algoritması aracılığıyla gerçekleştirilir. Bu işlemde belirlenen kaybı azaltmak adına hata hesabı yapılır. Sinir ağında geriye doğru hatanın matematiksel olarak nasıl azaltılacağına dair adımlar gerçekleştirilir ve en başta girişlerde yer alan ağırlıklar güncellenerek ağ tekrar ileri yayılımlı çalıştırılır. Hata veya kayıp en az seviyeye inene kadar süren bu iyileştirme ile sistemin beklenen değeri verene kadar bu şekilde çalıştırılması gerekir.

Not: Derin öğrenme metodunda öğrenme aşaması daha önce belirtildiği üzere Denetimli, denetimsiz ya da Pekiştirmeli öğrenme yöntemlerine göre gerçekleşir. Verinin türü ve probleme göre de bu seçenek değişecektir.

Yapay sinir ağlarıyla derin öğrenme uygulaması gerçekleştirilirken çeşitli algoritmalardan faydalanır. En popüler algoritmalar şu şekilde sıralanabilir :

• Tek katmanlı perceptron
• Çok katmanlı perceptron(MLP)
• Evrişimsel Sinir ağları (Convolutional Neural Network CNN)
• Tekrarlayan sinir ağları (Recurrent Neural Network RNN)
• Uzun Kısa süreli bellek ağları(Long short term memory LSTM)
• Üretken çatışmacı sinir ağları (Generative Adversarial Networks GAN)

CNN algoritması özellikle görüntü işleme alanında çığır açmış ve karmaşık binlerce görüntü arasından istenen görüntünün tahminlenebilmesi adına oldukça başarılı sonuçlar üretmiştir. Bilgisayarlı görme uygulamalarında özellikle görüntüye ait ayırt edici desenleri tanıma konusunda en önde gelen uygulamalar CNN ile yapılmıştır. Görüntü önce evrişim işlemine tabii tutulur daha sonra çoklu perceptronlar kullanılarak tahminleme için gereken farklı aşamalar gerçekleştirilir. 8,9

Şekil 6. CNN Katmanları

1.2 Uygulama alanları

Karmaşık ve farklı türdeki verilerden çıkarım yapabilme yeteneği dolayısıyla Derin Öğrenme metodu birçok farklı uygulamada güçlü bir şekilde kullanılmaktadır. Uyarlanabilirlik, desen tanıma, çoklu iş yapma ve lineer olmayan modelleri de kullanabilme gibi avantajlarının yanında, yoğun hesaplamalar, büyük veri ihtiyacı, aşırı uyum (overfitting) ve açıklanabilirlik (black box problemi) gibi dezavantajları da bünyesinde barındıran derin öğrenme uygulamaları şu şekilde sıralanabilir:

• Bilgisayarlı Görü (Computer Vision) : Yüz tanıma dahil olmak üzere, çeşitli görüntülerin sınıflandırılması ve tıbbi görüntülerin işlenerek yorumlanması
• Doğal dil İşleme (Natural Language Processing NLP): Ses tanıma , çeviri gibi uygulamalar
• Üretken Yapay Zeka (Generative AI) : NLP ile bağlantılı olarak çok yüksek miktarda veriler kullanılarak hem konuşma hem görsel hem de video oluşturan , kod yazabilen yapılar
• Finansal Uygulamalar: Fiyat tahminleme, Dolandırıcılık tespiti ve risk analizi uygulamaları
• Otonom sistemler : Video oyunları da dahil olmak üzere robotik sistem uygulamaları
• Sağlık Uygulamaları : Her türlü sağlık verisi kullanılarak hastalıkların teşhisi, ilerlemesi ve tedavisi ve ilaç geliştirme gibi uygulamalar.1,2,3,4,5,6,7,8

Kaynakça

1. Chollet F. Deep Learning with Python. 2. baskı. Shelter Island (NY): Manning Publications Co.; 2021.
2. Goodfellow-et-al. Deep Learning. MIT Press.; 2016
3. Rosenblatt, F. “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain.” Psychological Review 65 (6): 386–408.1958
4. Cambridge Dictionary. 2024 [2026 Şubat ayında atıflanmıştır]. Kaynak : https://dictionary.cambridge.org/dictionary/english/neurone
5. V J Reddi. Machine Learning: Harvard University, 2026
6. Negnevitsky M. Artificial Intelligence: A Guide to Intelligence Systems 4th ed. Pearson.; 2025
7. Introduction to DeepLearning. MIT 6.SI9I. 2019 [2026 Şubat ayında atıflanmıştır]. Kaynak : https://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L1.pdf
8. What is Deep Learning? A Tutorial for Beginners. Datacamp. 2023. [2026 Şubat ayında atıflanmıştır]. Kaynak: https://www.datacamp.com/tutorial/tutorial-deep-learning-tutorial
9. What is a Neural Network. GeeksforGeeks. 2025 [2026 Şubat ayında atıflanmıştır]. Kaynak: https://www.geeksforgeeks.org/deep-learning/neural-networks-a-beginners-guide/