Yapay Sinir Ağlarına Giriş

YAPAY SİNİR AĞLARINA GİRİŞ

Yapay Sinir Ağları

Yapay sinir ağları (YSA), insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. YSA ile basit biyolojik sinir sisteminin çalışma şekli taklit edilir. Taklit edilen sinir hücreleri nöronlar içerirler ve bu nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Diğer bir ifadeyle, YSA’ lar normalde bir insanın düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bir insanın, düşünme ve gözleme yeteneklerini gerektiren problemlere yönelik çözümler üretebilmesinin temel sebebi ise insan beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme yeteneğidir. YSA’ lar ağırlıklandırılmış şekilde birbirlerine bağlanmış birçok işlem biriminden oluşan matematiksel sistemlerdir. Bir işlem birimi, diğer nöronlardan sinyalleri alır; bunları birleştirir, dönüştürür ve sayısal bir sonuç ortaya çıkarır. Genelde, işlem birimler kabaca gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır. Çoğu YSA’ da, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler.

Yapay sinir ağlarının tüm ağ modellerine göre özelliklerini aşağıdaki gibi sıralayabiliriz.

• Öğrenme işlemlerini örneklerle gerçekleştirirler.
• Kendi kendine öğrenebilme yetenekleri de vardır.
• Makine öğrenmesi gerçekleştirirler.
• Çalıştırılmadan önce eğitilmeleri gerekmektedir.
• Bilgileri saklama özellikleri vardır.
• Hataya karşı duyarlıdırlar, eksik bilgilerle de çalışabilirler.
• Ayrıca belirsiz bilgileri de işleyebilirler.
• Algılama içeren olaylarda kullanılabilirler.
• Doğrusal değillerdir.

YAPAY SİNİR AĞLARININ KULLANIM ALANLARI

Yapay sinir ağları geniş kullanım alanına sahiptir. Güvenlik, otomotiv, bankacılık, sağlık gibi alanlarda kullanılmaktadır. Geniş olarak bakacak olursak;

·         Otomotiv sektöründe;

·         Bankacılıkta;

·         Yapay sinir ağları uzay sanayisinde;

·         Elektrik alanında;

·         Finans alanında;

·         Sağlık alanında;

·         Askeri alanda;

·         Endüstri alanında;

·         Üretim alanında;

·         Eğlence alanında;

·         Robotik uygulamalarda;

·         Sigortacılık alanında;

·         Petrokimya alanında

Yapay Sinir Ağlarının Avantaj ve Dezavantajları

Avantajları:

·         Yapay sinir ağları önceki deneyimlerden öğrenebilir, bir kez eğitildiklerinde yeni bir veri kümesine hemen cevap verebilir. Bir örnekten hareket ederek diğer örnekleri açıklayabilir.

·         Yapay sinir ağları matematiksel modele ihtiyaç duymaz. Yapay sinir ağı yazınında verilerin yapay sinir ağının eğitiminde kullanılması için gerekli bir varsayıma rastlanmamıştır.

·         Geleneksel bilgisayar sistemleri, sistemde oluşacak hatalara karşı çok hassastır. Sistemde meydana gelebilecek en ufak bir hata, sonuca ulaşmama ya da sonuçlarda büyük hataya yol açabilmektedir. Ancak yapay sinir ağlarının bir veya birkaç nöronunun zarar görmesi sistemi geleneksel bilgi işlem teknolojilerinde olduğu kadar etkilemez.

·          Ağ ağırlık katsayısı ve yapısı gibi kendi parametreleri değiştiğinde somut bir problemin çözümü için kendini adapte edebilme özelliğine sahiptir.

·         Ağlar doğrusal değildir. Bu nedenle karmaşık problemleri doğrusal tekniklerden daha doğru çözebilirler. Doğrusal olmayan davranışlar hissedilir, algılanır ve bilinebilir. Ancak, bu problemleri ve davranışları matematiksel olarak çözmek zordur.

Dezavantajları:

·         Sistem içerisinde ne olduğu bilinemez. Bu sebeple bazı durumlarda ağların verdiği sonuçları değerlendirmek zor olabilir.

·         Bir problemin çözümünde çok uygun bir çözüm bulamayabilirler ya da hata yapabilirler. Bunun sebebi, ağı eğitecek bir fonksiyonun bulunmamasıdır. Bazı durumlarda fonksiyon bulunsa bile yeterli veri bulunamayabilir.

·         Eğitilmek için uzun bir zamana ihtiyaç duyarlar ve bundan dolayı zaman ve para maliyeti yüksektir.

·         Farklı sistemlere uyarlanması zor olabilir.

·         Ağın kalitesi ve kapasitesi, uygulamadaki hızı ile orantılıdır. Öyle ki, düğümlerin sayısındaki artış bile zamanın çok daha artmasına sebep olabilir.

Danışmanlı Öğrenme

Danışmanlı öğrenme sırasında ağa verilen giriş değerleri için çıktı değerleri de verilir. Ağ verilen girdiler için istenen çıkışları oluşturabilmek için kendi ağırlıklarını günceller. Ağın çıktıları ile beklenen çıktılar arasındaki hata hesaplanarak ağın yeni ağırlıkları bu hata payına göre düzenlenir. Hata payı hesaplanırken ağın bütün çıktıları ile beklenen çıktıları arasındaki fark hesaplanır ve bu farka göre her hücreye düşen hata payı bulunur. Daha sonra her hücrenin kendine gelen ağırlıkları günceller.

Danışmansız Öğrenme

Danışmansız öğrenmede ağa öğrenme sırasında sadece örnek girdiler verilmektedir. Herhangi bir beklenen çıktı bilgisi verilmez. Girişte verilen bilgilere göre ağ her bir örneği kendi arasında sınıflandıracak şekilde kendi kurallarını oluşturur. Ağ bağlantı ağırlıklarını aynı özellikte olan dokuları ayırabilecek şekilde düzenleyerek öğrenme işlemini tamamlar.

Geri Yayılım Algoritması

Geri yayılım algoritması, basitliği ve uygulamadaki görüş açısı gibi başarılarından dolayı ağ eğitimi için en popüler algoritmalardan biridir. Bu algoritma; hataları geriye doğru çıkıştan girişe azaltmaya çalışmasından dolayı geri yayılım ismini almıştır. Geri yayılmalı öğrenme kuralı ağ çıkışındaki mevcut hata düzeyine göre her bir tabakadaki ağırlıkları yeniden hesaplamak için kullanılmaktadır. Bir geri yayılımlı ağ modelinde giriş, gizli ve çıkış olmak üzere 3 katman bulunmakla birlikte, problemin özelliklerine göre gizli katman sayısını artırabilmek mümkündür. Geri yayılım çok katmanlı ağlarda kullanılan delta kuralı için genelleştirilmiş bir algoritmadır. Bu algoritma çok katlı ağlarda hesap işlerini öğrenmede kullanılabilmektedir. Geri yayılım ağında hatalar, ileri besleme aktarım işlevinin türevi tarafından, ileri besleme mekanizması içinde kullanılan aynı bağlantılar aracılığıyla, geriye doğru yayılmaktadır. Öğrenme işlemi, bu ağda basit çift yönlü hafıza birleştirmeye dayanmaktadır.

Kendi Kendini Düzenleyen Haritalar

Kohonen, SOM (Kendi Kendini Düzenleyen Haritalar) algoritmasını ilk olarak rasgele boyuttaki bir giriş sinyalini daha düşük (bir ya da iki) boyutlu ayrık gösterimli topolojik komşular halinde temsil etmek amacıyla geliştirmiştir. F:X®A gösterimi, X giriş uzayını, A ayrık çıkış uzayına dönüştüren SOM haritasını (F) temsil etsin. SOM haritası F, Kohonen ’in kendi ifadesiyle “Bilginin yapı yoğunluğuna yaklaşmak üzere, X giriş sinyal uzayına uydurulmuş, A, noktaların elastik ağı” dır. A uzayına ait her olasılık elemanı (iÎA) bir referans vektör (wi) ile indekslenir. SOM algoritmasının yürütülmesinin sonunda bu olasılık elemanları x giriş vektörünü temsil eden kümelere ait hücreler olacaktırlar. X giriş sinyaline SOM algoritmasının tepkisi hangi hücrenin kazandığına karar verilmesiyle başlar. ° notasyonu kazanan hücreyi ve A ise A uzayındaki nokta sayısını belirtmek üzere, kazanan hücrenin belirlenmesi şu kritere göre yapılmaktadır:

                                       i° = min dist w - x i=1,...A

Giriş sinyali olan x vektörü ile A uzayındaki tüm hücreler arasındaki mesafe, Öklid Mesafesi gibi bir uzaklık hesabıyla hesaplanır ve bu hesaplama sonucunda en yakın mesafedeki wi hücresi yarışmayı kazanan hücre olur (i°). Bu bakış açısıyla, wi referans vektörlerinin ağırlık vektörlerine dönüştürülmesi ile SOM bir vektör nicemleyici olarak ta görev yapabilmektedir. SOM ’un amacının yüksek yoğunluklu bilgi olması sebebiyle, A uzayındaki hücrelerin X uzayı ile uyuşacak şekilde yakınsaması gerekmektedir. En yakın mesafedeki uyum için ise uygun bir öğrenme kuralı gerekmektedir. Burada görülen öğrenme kuralı Kohonen tarafından önerilen Yarışmacı Öğrenme Kuralının en genel halidir. h(n) katsayısı öğrenme oranıdır ve sabit bir sayı veya gelen örneğin indisine göre değişen bir katsayı şeklinde de olabilmektedir. Kohonen öğrenme kuralı ile diğer yarışmacı öğrenme kurallarının arasındaki fark Kohonen öğrenmesinin ağırlık katsayılarını değiştirme şeklidir. Kohonen öğrenme kuralında kazanan hücre ile birlikte diğer hücrelerinde bir kısmının veya hepsinin ağırlık katsayılarının güncellenmesi belli bir kurala bağlanabilmektedir.

Yapay Sinir Ağlarının Mimarisi ve Yapı Elemanları
Yapay sinir ağları biyolojik sinir ağlarının modellemesi olduğu için yapay sinir ağlarının çalışmasını anlayabilmek için öncelikle biyolojik sinir sisteminin yapısına bakmak gerekir. Biyolojik sinir sisteminin yapı taşı olan sinir hücreleri nöronlar, yapay sinir ağlarının da yapı taşıdır.

                                     

Yapay Sinir Ağının Uygulamaları

Yapay zekâ biliminin araştırma alanlarından biri olan Yapay Sinir Ağları (YSA), bilgisayarların öğrenmesine yönelik çalışmaları kapsamaktadır. Günümüzde bilgisayarlar ve bilgisayar sistemleri yaşamımızın vazgeçilmez bir parçası haline gelmiştir. Hemen hemen her alanda bilgisayardan faydalanılmaktadır. Bilgisayarlar, geçmiş yıllarda sadece hesap yapabilirken ya da veri transferleri gerçekleştirirken zaman içerisinde büyük miktardaki verileri özetleyen ve bu verileri kullanarak olaylar hakkında yorumlar yapabilen özellik kazanmıştır. Günümüzde ise bilgisayarlar hem olaylar hakkında karar verebilmekte hem de olaylar arasındaki ilişkiyi öğrenebilmektedir. Matematiksel olarak formülasyonu kurulamayan ve çözülmesi mümkün olmayan problemler de bilgisayarlar tarafından çözülebilmektedir Yapay sinir ağının genel bir tanımının yapılması gerekirse; yapay sinir ağı, insan beyninin çalışma ve düşünebilme yeteneğinden yola çıkılarak oluşturulmuş bir bilgi işlem teknolojisidir. Yapay sinir ağları, bir başka deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır. YSA ‘ların öğrenme özelliği sayesinde geleneksel teknikler için çok karmaşık kalan problemlere çözüm sağlayabilmektedirler. Yine öğrenme yeteneği sayesinde, bilinen örnekleri kullanarak daha önce karşılaşılmamış durumlarda genelleme yapabilmektedir.