Forward and Backward Propagation ile Yapay Sinir Ağı Eğitimi Bu proje, YZM212 Makine Öğrenmesi dersi kapsamında, temel bir Yapay Sinir Ağı (ANN) modeli geliştirmek amacıyla hazırlanmıştır. Model, ileri (forward) ve geri (backward) yayılım algoritmaları kullanılarak sıfırdan oluşturulmuş, yalnızca NumPy gibi temel kütüphanelerle gerçekleştirilmiştir. Hazır makine öğrenmesi kütüphaneleri (scikit-learn, Keras, PyTorch vb.) kullanılmamıştır.
Veri Seti ve Ön İşleme Kullanılan Veri Seti Proje kapsamında Iris veri seti kullanılmıştır. Bu veri seti 3 farklı iris çiçeği türüne (Setosa, Versicolor, Virginica) ait 4 özellik içermektedir:
Sepal Length (cm)
Sepal Width (cm)
Petal Length (cm)
Petal Width (cm)
Ön İşleme Adımları Eksik Veri Kontrolü: Veri setinde eksik değer bulunmamaktadır.
Etiket Kodlama: Çiçek türleri LabelBinarizer kullanılarak one-hot encoding ile dönüştürülmüştür.
Özellik Ölçekleme: Tüm özellikler Min-Max Normalizasyonu ile [0, 1] aralığına çekilmiştir.
Veri Ayrımı: Veri seti eğitim (%80) ve test (%20) olarak ayrılmıştır.
Model Mimarisi Yapay sinir ağı aşağıdaki gibi üç katmandan oluşmaktadır:
Katman Nöron Sayısı Aktivasyon Fonksiyonu Giriş Katmanı 4 (özellik sayısı) - Gizli Katman 8 (örnek) Sigmoid Çıkış Katmanı 3 (sınıf sayısı) Softmax
Not: Gizli katman sayısı ve nöron sayısı parametre olarak değiştirilebilir.
Aktivasyon Fonksiyonları Sigmoid: Formül: σ(x) = 1 / (1 + e^(-x))
Softmax: Formül: softmax(xᵢ) = exp(xᵢ) / Σ exp(xⱼ)
Modelin Çalışma Prensibi İleri Yayılım (Forward Propagation)
Girdi, ağırlıklarla çarpılır ve bias eklenir.
Gizli katmandaki çıktılar Sigmoid fonksiyonu ile aktive edilir.
Çıkış katmanına iletilen veriler softmax ile olasılık değerlerine dönüştürülür.
Hata Hesaplama
Kayıp fonksiyonu olarak Cross-Entropy Loss kullanılmıştır:
L = -Σ(y_true × log(y_pred))
Geri Yayılım (Backpropagation)
Hata, zincir kuralı kullanılarak katmanlara geri yayılır.
Ağırlık ve bias'ların gradyanları hesaplanır ve güncellenir:
weight = weight - learning_rate × gradient
Gradyan İniş (Gradient Descent)
Ağırlıklar her epoch sonunda güncellenir.
Öğrenme oranı (learning_rate = 0.1) olarak belirlenmiştir.
Eğitim Süreci Model 1000 epoch boyunca eğitilmiştir. Her epoch sonunda eğitim kaybı (loss) hesaplanmış ve loss vs epoch grafiği oluşturulmuştur.
Eğitim Parametreleri Parametre Değer Epoch 1000 Öğrenme Oranı 0.1 Gizli Nöron Sayısı 8 Aktivasyon Sigmoid / Softmax
Sonuçlar Kayıp Değeri (Loss)
Eğitim başlangıcında (Epoch 1): yaklaşık 1.16
Eğitim sonunda (Epoch 1000): yaklaşık 0.04
Kayıp eğrisi sürekli azalmış ve modelin başarıyla öğrenme gerçekleştirdiği görülmüştür.
Grafikte detaylı olarak gösterilmiştir:
Karmaşıklık Matrisi (Confusion Matrix)
Gerçek \ Tahmin Setosa Versicolor Virginica Setosa 10 0 0 Versicolor 0 10 0 Virginica 0 0 10
Toplam doğru sınıflandırma: 30 / 30
Görsel hali:
Test Doğruluğu (Accuracy)
Doğru sınıflandırma oranı: %100.00
(30 test örneğinin tamamı doğru sınıflandırılmıştır.)
Proje Dosya Yapısı
5.ForwardAndBackwardPropagation/ ├── forward_backward_nn.ipynb # Ana model dosyası (Jupyter Notebook) ├── dataset.csv # Kullanılan veri seti ├── accuracy_plot.png # Loss vs Epoch grafiği ├── confusion_matrix.png # Karmaşıklık matrisi görseli ├── Readme.md # Bu açıklama dosyası ├── requirements.txt # Gerekli kütüphaneler listesi Kullanılan Kütüphaneler python Kopyala Düzenle import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.metrics import confusion_matrix, accuracy_score Not: scikit-learn yalnızca veri bölme, etiketleme ve değerlendirme metrikleri için kullanılmıştır. Model sıfırdan elle yazılmıştır.
Kaynakça Brownlee, J. (2018). Neural Networks from Scratch in Python. Machine Learning Mastery. https://machinelearningmastery.com/implement-backpropagation-algorithm-scratch-python/