CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Nöron

Nöron, girdileri ağırlıklarla çarpar ve aktivasyon fonksiyonundan geçirir.

Nöron

Tek bir nöron girdilerini ağırlıklarla çarpıp toplar, bir sapma (bias) ekler ve sonucu bir aktivasyon fonksiyonundan geçirir: a = f(w · x + b).

x = np.array([1.0, 2.0, 3.0])
w = np.array([0.5, -1.0, 0.25])
b = 0.5
z = w @ x + b          # 0.5 - 2 + 0.75 + 0.5 = -0.25
a = max(0.0, z)       # ReLU: 0.0

Ağırlıklar her girdinin önemini, sapma ise nöronun ne kadar kolay "ateşlendiğini" belirler.

Perceptron ve sınırlar

Basamak aktivasyonlu tek nöron (perceptron) doğrusal bir karar sınırı çizer. AND ve OR gibi mantık kapılarını öğrenebilir ama XOR'u öğrenemez, çünkü XOR'un sınıfları tek bir doğruyla ayrılamaz:

# AND: w = [1, 1], b = -1.5  -> yalnızca (1, 1) için 1
adim = lambda z: (z > 0).astype(int)
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
print(adim(X @ np.array([1, 1]) - 1.5))   # [0 0 0 1]

XOR için en az bir gizli katman gerekir; çok katmanlı ağların gücü buradan gelir.

Uygulama OR kapısı

Basamak fonksiyonlu tek bir nöronla OR kapısını kur: w = [1, 1], b = -0.5. Dört girdi için çıktıları yazdır. Ardından aynı ağırlıklarla b = -1.5 kullanınca AND kapısı elde edildiğini yazdır.

Başlangıç kodu

model.py
import numpy as np

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
w = np.array([1, 1])

# buraya yaz

Örnek çözüm

model.py
import numpy as np

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
w = np.array([1, 1])

adim = lambda z: (z > 0).astype(int)
print(adim(X @ w - 0.5))
print(adim(X @ w - 1.5))

Beklenen çıktı

[0 1 1 1]
[0 0 0 1]

Soru ve cevaplar

Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.

1 w = [2, 1], x = [1, 3], b = -1 olan bir nöronun ReLU çıktısı kaçtır?

  • 4 Doğru cevap
  • 5
  • 0
  • 6

Açıklama: z = 2·1 + 1·3 - 1 = 4; ReLU(4) = 4.

2 Nöronun ağırlıklı toplamını hesapla.

Soru 
z = w @ x ____ b
Cevap 
z = w @ x + b

Açıklama: Sapma ağırlıklı toplama eklenir.

3 Parçaları eşleştir.

Kavram Anlamı
w Girdi önemleri
b Sapma
z = w·x + b Ön aktivasyon
XOR Tek nöronla çözülemez

İleri seviye bölümündeki tüm dersler

1 Neural network temelleri

  1. Neural network nedir?
  2. Nöron
  3. Katmanlar
  4. Aktivasyon
  5. İleri yayılım
  6. Özet - Neural network

2 PyTorch temelleri

  1. PyTorch nedir?
  2. Tensor
  3. Tensor oluşturma
  4. Tensor özellikleri
  5. GPU desteği
  6. Özet - PyTorch

3 Tensor işlemleri

  1. Tensor işlemleri
  2. Shape
  3. Dtype
  4. Reshape
  5. Indexing
  6. Özet - Tensor işlemleri

4 Autograd

  1. Autograd nedir?
  2. requires_grad
  3. backward()
  4. grad
  5. Computational graph
  6. Özet - Autograd

5 Proje: Neural network

  1. Tensor hazırlama
  2. Model tanımı
  3. Loss hesabı
  4. Optimize edici

6 nn.Module

  1. nn.Module nedir?
  2. __init__
  3. forward
  4. nn.Linear
  5. parameters()
  6. Özet - nn.Module

7 Eğitim döngüsü

  1. Eğitim döngüsü
  2. Epoch
  3. Loss
  4. backward()
  5. optimizer.step()
  6. Özet - Eğitim döngüsü

8 CNN

  1. CNN nedir?
  2. Conv2d
  3. MaxPool2d
  4. Feature map
  5. Flatten
  6. Özet - CNN

9 RNN

  1. RNN nedir?
  2. Hidden state
  3. Sequence
  4. Vanishing gradient
  5. Embedding
  6. Özet - RNN

10 LSTM

  1. LSTM nedir?
  2. Gate'ler
  3. Cell state
  4. input_size
  5. hidden_size
  6. Özet - LSTM

11 Proje: CNN

  1. Veri hazırlama
  2. CNN modeli
  3. Loss ve optimizer
  4. Eğitim

12 Transfer öğrenme

  1. Transfer öğrenme nedir?
  2. Pre-trained model
  3. Fine-tuning
  4. Feature extraction
  5. Avantajlar
  6. Özet - Transfer öğrenme

13 Optimizasyon

  1. Optimizer nedir?
  2. SGD
  3. Adam
  4. Learning rate
  5. zero_grad()
  6. Özet - Optimizasyon

14 İleri seviye finali

  1. Meydan okuma 1
  2. Meydan okuma 2
  3. Meydan okuma 3
  4. Meydan okuma 4