Bir yapay sinir ağı nasıl çalışır? Katmanlar ne anlam ifade eder?
🏗️ Ağın Yapısı
Bir sinir ağı, birbirine bağlı nöronlardan oluşur. Her nöron önceki katmandan giriş alır, bunları ağırlıklarla çarpar ve bir aktivasyon fonksiyonundan geçirir.
💡 Ağırlık (Weight): İki nöron arasındaki bağlantının gücü. Eğitim sürecinde bu değerler güncellenir.
💡 Katman: Aynı seviyedeki nöronlar kümesi. Girdi → Gizli → Çıktı.
Bu örnekte:
• Girdi (3): Deneyim, Liderlik, Teknik Beceri
• Gizli (4): Örüntüleri tespit eden nöronlar
• Çıktı (1): "İşe Al?" olasılığı (0–1)
✅ Benzetme: Nöronlar = departman çalışanları. Her biri kendi uzmanlığına göre bilgiyi işler ve bir sonraki departmana iletir.
↑ Bir nöronun üzerine tıklayın — o nöronun detaylarını görün.
İleri Geçiş (Forward Pass)
Bir CV sisteme girdiğinde ağ içinde ne olur? Adım adım hesaplamayı izleyin.
① Girdi
② Ağırlık × Değer
③ Aktivasyon
④ Sonuç
📡 İleri Geçiş
Sistem bir aday CV'sini alır ve her değeri 0–1 arasında normalize eder.
Backpropagation — Kim, Nasıl, Ne Zaman?
Hatayı ölçen, suçu dağıtan, ağırlıkları ayarlayan kim veya ne?
📐
HATAYI ÖLÇEN
Kayıp Fonksiyonu
MSE = ½(tahmin − gerçek)² Matematiksel formül. İnsan yok.
🔗
HATA SUÇUNU DAĞITAN
Zincir Kuralı
Her bağlantının hataya katkısı calculus ile hesaplanır. İnsan yok.
⚙️
AĞIRLIĞI AYARLAYAN
Gradient Descent
w = w − α·∂L/∂w Otomatik optimizasyon. İnsan yok.
🚫
EĞİTİM SIRASINDA İNSAN MÜDAHALESİ
SIFIR
İnsanın rolü sadece başlangıçta: veri etiketleme, mimari seçimi ve hiperparametrelerin ayarlanması. Eğitim başladıktan sonra tüm süreç matematiksel formüller tarafından yürütülür. Binlerce, hatta milyonlarca iterasyon boyunca insan bekleme yapmaz.
İleri Geçiş
İterasyon:0
Kayıp:—
Tahmin:—
Doğruluk:—
🔄 Backpropagation Adımları
Eğitimi başlatın. Her iterasyonda şu 4 adım otomatik çalışır:
1. İleri Geçiş: Giriş verileri ağdan geçer, bir tahmin üretilir.
2. Hata Ölçümü: Kayıp fonksiyonu tahminin ne kadar yanlış olduğunu sayısal olarak hesaplar.
3. Geri Yayılım: Zincir kuralı her ağırlığın hataya katkısını tespit eder.
4. Ağırlık Güncelleme: Gradient descent her ağırlığı hatayı azaltacak yönde küçük bir adım günceller.
⏱️ Milyonlarca iterasyon saniyeler içinde tamamlanır — insan beklemiyor!
Ağı Kendin Eğit
Aday CV'lerini siz etiketleyin — sinir ağı gerçek backpropagation matematiğiyle kendi kendine öğrensin!
👥 Adaylar
Her aday için İşe Al / Alma kararı verin.
Etiketlenen:0/10
İterasyon:0
Kayıp:—
Henüz eğitim başlamadı. En az 4 aday etiketleyin.
📊 Ağ Durumu
Doğruluk Oranı
0%
Giriş Ağırlıkları (W1)
🔮 Tahminler
İzleyin: Siz sadece etiket verdiniz. Tüm öğrenme — hata ölçümü, gradient hesabı, ağırlık güncellemesi — matematik tarafından yapılıyor!