Sinir ağı, insan beyninde bulunan biyolojik sinir ağlarının yapısı ve işleyişinden ilham alan bir hesaplama modelini ifade eder. Katmanlar halinde organize edilmiş, nöron adı verilen birbirine bağlı düğümlerden oluşur. Her nöron giriş verilerini işler, ağırlıkları ve sapmaları uygular ve sonucu bir çıktı üretmek için bir aktivasyon fonksiyonundan geçirir. Sinir ağları, ağırlıkların yinelemeli ayarlamaları yoluyla verilerden öğrenmek, kalıpları tanımalarına, tahminlerde bulunmalarına veya öğrenilen kalıplara dayalı sınıflandırma ve regresyon gibi görevleri gerçekleştirmelerine olanak sağlayacak şekilde tasarlanmıştır.
Sinir ağının bir örneği, görüntü sınıflandırması için kullanılan ileri beslemeli sinir ağıdır. Bu senaryoda sinir ağı, bir görüntünün piksel değerlerini alan bir giriş katmanı, ağırlıklı bağlantılar aracılığıyla hesaplamalar ve özellik çıkarımı gerçekleştiren gizli katmanlar ve görüntünün sınıf etiketini (örneğin kedi veya köpek) tahmin eden bir çıkış katmanından oluşur. Etiketli görüntülerle yapılan eğitim sayesinde ağ, kenarlar, dokular ve şekiller gibi özellikleri tanımlamayı öğrenir ve öğrenilen kalıplara dayalı olarak yeni, görülmemiş görüntülerin doğru şekilde sınıflandırılmasını sağlar.
Evrişimli sinir ağı (CNN), görüntüler gibi yapılandırılmış ızgara benzeri verileri işlemek için tasarlanmış özel bir sinir ağı türüdür. CNN’ler, giriş verilerine filtre uygulayan, uzamsal hiyerarşileri ve kenarlar ve dokular gibi özellikleri çıkaran evrişimli katmanları içerir. Bu katmanları, temel bilgileri korurken uzamsal boyutları azaltmak için özellik haritalarını alt örnekleyen havuz katmanları takip eder. CNN’ler, görsel verilerdeki kalıpları yüksek doğruluk ve verimlilikle otomatik olarak öğrenme ve tanımlama yeteneklerinden dolayı görüntü tanıma, nesne algılama ve görüntü segmentasyonu gibi görevlerde yaygın olarak kullanılmaktadır.
Derin öğrenmede bir nöron, bir sinir ağı içindeki girdi verileri üzerinde hesaplamalar yapan temel bir birimi ifade eder. Her nöron giriş sinyallerini alır, bu girişlere ağırlıklar ve önyargılar uygular, ağırlıklı bir toplam hesaplar ve ardından sonucu bir çıktı üretmek için bir aktivasyon fonksiyonundan geçirir. Nöronlar, sinir ağları içindeki katmanlar halinde düzenlenir; burada her katman, giderek daha soyut özellikleri yakalamak için veri temsillerini işler ve dönüştürür. CNN’ler de dahil olmak üzere derin öğrenme modellerindeki nöronlar, verilerdeki karmaşık ilişkileri ve kalıpları öğrenmede ve temsil etmede önemli bir rol oynayarak ağın öğrenilen bilgiye dayalı olarak tahminlerde bulunmasını veya kararlar almasını sağlar.