Derin Öğrenme & Sinir Ağları Terimleri

A2 terim

AğırlıkWeightAğırlık, sinir ağındaki iki nöron arasındaki bağlantının gücünü belirleyen ve eğitimle öğrenilen sayısal değerdir.Aktivasyon FonksiyonuActivation FunctionAktivasyon fonksiyonu, bir nöronun ağırlıklı toplamını alıp çıktısına dönüştüren ve ağa doğrusal olmayan ilişkileri öğrenme yeteneği kazandıran fonksiyondur.

D2 terim

Dikkat MekanizmasıAttention MechanismDikkat mekanizması, bir modelin bir öğeyi işlerken girdinin diğer bölümlerinden hangilerinin daha önemli olduğunu ağırlıklandırarak odaklanmasını sağlayan yöntemdir.DropoutDropout, eğitim sırasında her adımda rastgele seçilen nöronları geçici olarak devre dışı bırakarak aşırı öğrenmeyi azaltan düzenlileştirme yöntemidir.

E1 terim

Evrişimli Sinir AğıCNN · Convolutional Neural NetworkEvrişimli sinir ağı (CNN), görüntüdeki yerel desenleri küçük filtrelerle tarayarak öğrenen ve özellikle görüntü işleme için geliştirilmiş sinir ağı türüdür.

G1 terim

Geri YayılımBackpropagationGeri yayılım, bir sinir ağının çıktısındaki hatanın her bir ağırlıktan ne kadar kaynaklandığını sondan başa doğru hesaplayan algoritmadır.

K4 terim

KatmanLayerKatman, sinir ağında aynı aşamada çalışan nöronlardan oluşan ve veriyi bir sonraki aşamaya dönüştürerek aktaran yapıdır.Kaybolan GradyanVanishing GradientKaybolan gradyan, derin ağlarda hata sinyalinin geriye doğru taşınırken giderek küçülüp ilk katmanların neredeyse hiç öğrenememesi sorunudur.Kodlayıcı-Kod ÇözücüEncoder-DecoderKodlayıcı-kod çözücü, girdiyi önce anlamlı bir iç temsile dönüştüren (kodlayıcı) ve bu temsilden çıktıyı üreten (kod çözücü) iki parçalı model yapısıdır.Konumsal KodlamaPositional EncodingKonumsal kodlama, transformer modellerine her tokenin cümledeki sırasını bildirmek için token temsillerine eklenen bilgidir.

L2 terim

LogitLogit, bir modelin olasılığa dönüştürülmeden önce her olası çıktı için ürettiği ham puandır.LSTMLong Short-Term MemoryLSTM (uzun kısa süreli bellek), hangi bilginin saklanıp hangisinin unutulacağına karar veren kapılar sayesinde uzun dizilerdeki ilişkileri daha iyi öğrenebilen RNN türüdür.

N1 terim

Normalizasyon KatmanıNormalization LayerNormalizasyon katmanı, ağın ara çıktılarını belirli bir ölçeğe getirerek eğitimi daha hızlı ve kararlı hâle getiren katmandır.

O1 terim

OtokodlayıcıAutoencoderOtokodlayıcı, girdisini önce küçük bir temsile sıkıştırıp sonra bu temsilden girdiyi yeniden oluşturmayı öğrenen sinir ağıdır.

Ö1 terim

Öz DikkatSelf-attentionÖz dikkat, bir dizideki her öğenin aynı dizideki diğer tüm öğelerle ilişkisini hesaplayan dikkat türüdür.

R1 terim

ReLURectified Linear UnitReLU, negatif değerleri sıfıra çeviren, pozitif değerleri ise olduğu gibi geçiren basit ve çok yaygın aktivasyon fonksiyonudur.

S2 terim

Sapma TerimiBias TermSapma terimi, bir nöronun ağırlıklı toplamına eklenen ve nöronun ne zaman aktif olacağını kaydıran öğrenilebilir sabit değerdir.SoftmaxSoftmax, bir dizi ham puanı toplamı 1 olan olasılıklara dönüştüren fonksiyondur; sınıflandırma ve dil modellerinin çıktı katmanında kullanılır.

T2 terim

Tekrarlayan Sinir AğıRNN · Recurrent Neural NetworkTekrarlayan sinir ağı (RNN), metin ve zaman serisi gibi sıralı verileri adım adım işleyen ve önceki adımların bilgisini bir iç bellek ile taşıyan sinir ağı türüdür.TensörTensör, derin öğrenmede verilerin ve model parametrelerinin saklandığı çok boyutlu sayı dizisidir.

Y2 terim

Yapay NöronArtificial NeuronYapay nöron, girdilerini ağırlıklarla çarpıp toplayan, buna bir sapma değeri ekleyen ve sonucu aktivasyon fonksiyonundan geçirerek çıktı üreten sinir ağının temel birimidir.Yapay Sinir AğıANN · Artificial Neural NetworkYapay sinir ağı, birbirine bağlı yapay nöronlardan oluşan ve veriden örüntü öğrenebilen, beyindeki sinir hücrelerinden esinlenmiş hesaplama modelidir.