⚡ Derin Öğrenmebaşlangıç⏱ 8 dk

Yapay Nöron: Beynin Matematiksel Modeli

Ağırlıklar, bias ve aktivasyon — bir nöronun anatomisi

Önce bunlara göz at

🎯

30 saniyede özet · Ne öğreneceksin

→Yapay nöronun biyolojik ilhamını anlamak
→Ağırlık ve bias parametrelerinin rolünü açıklamak
→Tek nöronun doğrusal sınıflandırıcı olduğunu kanıtlamak

⏱ 8 dk okuma·başlangıç·🧪 interaktif sandbox

Yapay nöron, beyindeki biyolojik nörondan ilham alan basit bir hesaplama birimidir. Girdileri ağırlıklarla çarpar, toplar, bir bias ekler ve sonucu bir aktivasyon fonksiyonundan geçirir. Tüm derin öğrenme bu basit işlemin tekrarından oluşur.

🧠Biyolojik Benzetme

Biyolojik nöron: dendritlerden sinyal alır, çekirdekte birleştirir, yeterince güçlüyse akson boyunca bir aksiyon potansiyeli (ateşleme) gönderir. Yapay nöron: girdileri ağırlıklarla ölçekler, toplar, aktivasyon fonksiyonuyla 'ateşleme kararı' verir. Benzetme basitleştirmedir; beyin çok daha karmaşıktır.

y = f(w₁x₁ + w₂x₂ + ... + wₙxₙ + b) = f(wᵀx + b)

x: giriş vektörü, w: ağırlık vektörü, b: bias terimi, f: aktivasyon fonksiyonu, y: nöron çıkışı. Ağırlıklar her girdinin ne kadar önemli olduğunu belirler.

Formül → Kod Karşılığı

x→input (torch.Tensor)giriş vektörü

w→nn.Linear.weightağırlık matrisi (W)

b→nn.Linear.biasbias terimi

wᵀx + b→F.linear(x, w, b)doğrusal dönüşüm

f(·)→F.relu / F.sigmoidaktivasyon fonksiyonu

Ağırlık (w): Her girişin çıkışa katkısını ölçekler. Pozitif ağırlık = bu giriş artarsa çık…

⚡ İnteraktif Playground

⏳ Yükleniyor…

ℹ️Tek bir nöron, doğrusal olarak ayrılabilen problemleri çözebilir. XOR gibi doğrusal olmayan problemler için birden fazla katman gerekir — bu yüzden 'derin' öğrenme.

Bu konunun pratiği

🧪

Bu konuyu interaktif dene

Az önce okuduğun kavramın parametrelerini değiştir, etkisini canlı gör

Aç →

Daha derinlemesine