Derin Öğrenme Temasına Dön
Kodlama • Yapay Zeka ve Makine Öğrenmesi

YAPAY SİNİR AĞLARI

Kodlama Yapay Zeka ve Makine Öğrenmesi – Derin Öğrenme ünitesi kapsamında YAPAY SINIR AĞLARI konusunun konu anlatımı, anlama, kavrama ve pekiştirme testleri ile ücretsiz PDF çalışma kağıtlarına bu sayfadan ulaşabilirsiniz.

TESTLER

Öğrencilerimiz için hazırladığımız seviye odaklı test sistemimiz:

  • Anlama Testleri: Temel kavramları ve tanımları ölçen başlangıç seviyesi testlerdir.
  • Kavrama Testleri: Bilgilerin uygulamasını ve konunun mantığını ölçen orta seviye testlerdir.
  • Pekiştirme Testleri: Analiz ve karmaşık problem çözmeyi hedefleyen ileri seviye testlerdir.

ALIŞTIRMA SORULARI

Konuyu pekiştirmek için hazırladığımız alıştırma soru setleri:

  • Alıştırma Soruları: Konuyu öğrendikten sonra bilgilerinizi test etmeniz için hazırlanmış pratik soru setleridir.
  • Ücretsiz PDF: Tüm alıştırma soruları ücretsiz olarak indirilebilir ve yazdırılabilir formattadır.
Bu konu için alıştırmalar hazırlanıyor...

KONU ANLATIMI

MEB müfredatına uygun hazırlanan konu anlatımlarımız:

  • Konu Anlatımı PDF: Konunun tüm önemli noktalarını kapsayan, sade ve anlaşılır dille hazırlanmış ders notlarıdır.
  • Web İçeriği: Konuyu adım adım anlatan, görsel destekli dijital konu anlatımına aşağıdan ulaşabilirsiniz.
BENİM OKULUM

Yapay Sinir Ağları (Artificial Neural Networks)



Biyolojik İlham


İnsan beynindeki nöronlardan ilham alınmıştır. Beynimizde yaklaşık 86 milyar nöron bulunur!



Perceptron - Tek Nöron


Bir nöron şu işlemleri yapar:



  1. Girdileri alır (x₁, x₂, ...)

  2. Ağırlıklarla çarpar (w₁, w₂, ...)

  3. Toplar ve bias ekler

  4. Aktivasyon fonksiyonundan geçirir

  5. Çıktı üretir



Katmanlar



  • Giriş Katmanı (Input Layer): Ham veriler

  • Gizli Katmanlar (Hidden Layers): Özellik çıkarma

  • Çıkış Katmanı (Output Layer): Tahmin/sınıflandırma



Aktivasyon Fonksiyonları



  • ReLU: f(x) = max(0, x) - En yaygın

  • Sigmoid: 0-1 arası çıktı, ikili sınıflandırma

  • Softmax: Çok sınıflı çıktı (olasılıklar)

  • tanh: -1 ile 1 arası çıktı



Keras ile Basit Sinir Ağı


from tensorflow import keras

model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dropout(0.2),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.summary()
1