Herkese merhaba,

Yapay sinir ağları, bilgisayar öğrenmesine yönelik faaliyetleri kapsayan bir alandır. Çevremize baktığımızda hemen hemen her yerde bilgisayarlara rastlıyoruz. Çoğu okulda bilgisayar laboratuvarları mevcut, kütüphane, hastane, iş yerlerinde ve daha birçok alanda bilgisayarlara ihtiyaç duyuluyor. Ama zaman ilerledikçe bilgisayar ve yaptıkları işler daha karmaşık işleri içeren bir hal aldılar. Problemler üzerinde modeller kurularak bilgisayarlarda çözülmeye başlandı, simülasyonlar denendi, makine öğrenmesi ile yeni veriler elde edildi. Peki yapay sinir ağları bu konuların neresinde yer alıyor? Bu yazımda yapay sinir ağlarının kullanım alanlarından bahsedip bu soruya cevap bulmanızı istiyorum.

Yapay sinir ağları güncel bir sınıflandırıcı sayılırlar. Çünkü eksik bilgilerle çalışabilirler ve çok sayıdaki verileri işleyebilme özelliğine sahiptirler. Bu sebeple birçok alanda kullanılabilirler ve başarılı sonuç verirler. Ağların genelde belli fonksiyonları yerine getirmesi beklenir. Bunlar:

  • Sınıflandırma
  • İlişkilendirme / örüntüyü eşleştirme
  • Sinyal filtreleme
  • Zaman serileri analizi
  • Kontrol
  • Probabilistik fonksiyon kestirimleri
  • Veri sıkıştırma
  • Optimizasyon

olarak maddelenebilir.

Uygulama Alanları

Yukarıda yer alan maddeler ile yapay sinir ağları, günlük hayatta mühendislik, tıp, finans, üretim, otomotiv, bankacılık, uzay sanayisi, askeri alan gibi pek çok alanda kullanılır. Şimdi bunları detaylı bir şekilde inceleyelim.

Örüntü Tanıma

Örüntü Tanıma(Pattern Recognition); devamlı tekrar eden şekilleri tanımamızı sağlayan bir teknolojidir. Ses tanıma, yüz tanıma, veri iletimi, el yazısı tanıma, hareket tespit edebilme örüntü tanıma içerisine girer.

Ses tanıma, asansörlerde, otomatik kapılarda, cep telefonlarında kullanılan bir sistemdir. Örneğin açıl komutu verdiğinizde açılan bir asansör ses tanıma teknolojisinden yararlanarak tasarlanmış bir örnek olur.

Veri iletimi, verilerin önce sayısal hale getirilmesini kapsar. Daha sonra bir yerden başka bir yere iletme durumu söz konusu olur.

Hareket (hedef) tespiti, genellikle askeri uygulamalarda karşılaşılan bir özelliktir. Örneğin kamufle olmuş birinin hareketlerini izlemede bu yöntemin kullanımı işleri kolaylaştırır. Bunun dışında güvenlik sistemlerinde de sıkça kullanılır.

Parmak izi tanıma, parmak izine göre kişileri tanımada kullanılır. Aynı şekilde yüz tanıma da bu grup içerisine girer. Telefonlarda parmak izine göre yapılan şifreler buna örnek olarak verilebilir.

Verilerin Yorumlanması

Finans alanı için bir örnek verebilirim. Borsa analizleri yapılarak birtakım tahminlerin yapılmasında önemlidir. Ya da bir kişiye kredi verirken önceki borçlarına ve borçlarını ödeme şekillerine bakılarak yani verileri yorumlayarak kredi verip vermeme durumu ortaya çıkabilir.

Veya hava durumu tahminlerinde de geçerli bir özelliktir. Anlık havanın sıcaklık, nem, rüzgar gibi verileri elde edilir, değerlendirilir ve bir sonraki günler için hava durumu tahmininde bulunulur.

Bu tarz örnekler çoğaltılabilir. Bir bölgeye gelen turist sayısını belirlemek, gelecekteki otomobil satış sayısının tahminini yapmak, pazar performansının tespiti gibi konularda YSA’ya başvurulur.

Fakat her problemi YSA ile çözmek etkili olmaz. Eğer bir problemin çözüm yöntemi yeterli verimlilikteyse YSA’yı kullanmaya gerek yoktur, diğer yöntemlerle çözüme gidilebilir. YSA’nın çözebileceği problemlerde pratik çözüm üretme söz konusu olmalıdır. Çünkü eldeki verilerle diğer durumlara ulaşabilme durumu söz konusudur. Bir diğer özellik ise YSA’nın bulduğu çözümün daha etkin ve kolay çözüm içermesidir. Problemler için bu durumlar mevcutsa YSA ile çözülür kararına varabiliriz.

YSA’nın Sınıflandırılması

1-Katman Sayısına Göre Sınıflandırma

Yapay sinir hücreleri, ağ yapısı içerisinde katman halindedir ve her katmanda paralel olarak bir arada bulunurlar. Bu hücreler bir araya gelerek yapay sinir ağını oluştururlar. Yapay sinir ağları katman sayısına göre 2 sınıfa ayrılır:

  • Tek Katmanlı Yapay Sinir Ağları

Literatürde geliştirilen ilk yapay sinir ağlarıdır. Tek katmanlı YSA, sadece girdi ve çıktılardan oluşan ağlardır. Doğrusal sistemlerin modellenmesinde etkin rol oynar. Tek katmanlı YSA’ların en fazla kullanılan modelleri 3 isimde toplanabilir. Bu modeller; Basit Algılayıcı Model yani Perceptron, Adaptif Doğrusal Eleman (Adaline) ve Çoklu Adaptif Doğrusal Eleman (Madaline) olarak isimlendirilirler.

  • Çok Katmanlı Yapay Sinir Ağları

Doğrusal olmayan problemlerin çözümü için uygun bir ağ yapısıdır. Bu sebeple daha karışık problemlerin çözümünde kullanılır. Karışık problemlerin modeli olması ağın eğitimini zorlaştıran bir yapıya bürünmesine sebep olur. Tek katmanlı ağ yapısına göre daha karmaşık bir yapıdadır. Fakat problem çözümlerinde genellikle çok katmanlı ağ yapısı kullanılır çünkü tek katmanlı yapılara göre daha başarılı sonuçlar verir. Çok katmanlı yapay sinir ağları modellerinde en az 1 adet gizli katman bulunur.

2-Bağlantı Yapılarına Göre Sınıflandırma

Yapay sinir ağları kendi arasında bağlantılar içerir. Bunlar ileri beslemeli ve geri beslemeli ağlar olarak sınıflandırılırlar.

  • İleri Beslemeli Ağlar

Bu ağda bulunan işlemci elemanlar farklı katmanlar arasında bağlantı kurarlar. Fakat aynı katman içerisinde bulunan işlemci elemanlar kendi aralarında bir bağlantı kuramaz. Örneğin çok katmanlı perseptron ve Learning Vector Quantization ağları ileri beslemeli ağlardır.

Bilgi akışı;

şeklinde ilerler.

  • Geri Beslemeli Ağlar

İşlem elemanları arasında dönüş ya da geri besleme durumları söz konusu ise bu ağlar geri beslemeli ağlar olarak adlandırılır. Geri besleme, katman içerisindeki hücreler arasında veya farklı katmanlar arasında olabilir. Geri beslemeli ağlar, çıkış birimi ve ara katlardaki çıkışların giriş birimine ya da önceki ara katmanlara geri beslendiği ağ yapısıdır. Bu şekilde girişler ileri ve geri yönde aktarılmış olur.

Geri beslemeli ağa sahip YSA’da dinamik hafıza mevcuttur. Bu özelliği tahmin uygulamaları için uygun olmasını sağlamıştır. Örneğin Self  Organizing Map, Hopfield, Elman ve Jordan ağları geri beslemeli ağlardır.

3-Öğrenme Stratejilerine Göre Sınıflandırma

Bu sınıflandırmaya göre ağlar danışmanlı (denetimli) öğrenme, danışmansız (denetimsiz) öğrenme ve destekleyici öğrenme olmak üzere 3 gruba ayrılır.

Danışmanlı Öğrenme: Ağın eğitimi sırasında sisteme bir girdi ve hedef çıktı çiftinden oluşan örnek seti verilir. Sonrasında sistemdeki ağırlık değerleri güncellenerek değiştirilir. Yani sisteme gösterilen örneklere göre genellemeler yapılır ve çözüm uzayı üretilir. Çünkü hedef çıktı değerleri danışman olarak adlandırılır.

Örneğin Delta Kuralı ve Genelleştirilmiş Delta Kuralı danışmanlı öğrenme algoritmalarıdır.

Danışmansız Öğrenme: Sisteme bir grup girdi vektörü verilir fakat hedef çıktılar belirtilmez. Girdiler içerisinde birbirine benzer gruplar vardır. Ve her grup ayrı bir örüntüyü tanımlar. Adaptive Resonance Theory ve Self Organizing Map danışmansız öğrenmeye örnek verilebilir.

Destekleyici(Yarı Danışmanlı) Öğrenme: Ağa bir danışmanın yardımcı olduğu eğitim türüdür. Danışman diğer eğitimlerden farklı olarak her girdi seti için üretilecek çıktı setini sisteme göstermez. Bunun yerine gösterilen girdilere karşılık çıktıyı üretmesini bekler. Eğer üretilen çıktılar istenilen çıktı olmazsa yani çıktılar farklı olursa, çıktıların doğru ya da yanlış olduğunu belirten bir sinyal üretir. Learning Vector Quantization modeli buna örnek verilebilir.

Bir sonraki yazımda görüşmek dileğiyle. Hoşça kalın.


What's Your Reaction?

hate hate
0
hate
fail fail
0
fail
fun fun
0
fun
geeky geeky
0
geeky
love love
1
love
lol lol
0
lol
omg omg
0
omg
win win
0
win
Elif Yönel

Merhabalar, Ben Elif Yönel. 1997 yılında Çorum'da doğdum. Karadeniz Teknik Üniversitesi endüstri mühendisliği öğrencisiyim. Yaklaşık 1,5 yıldır yazılar yazarak hem kendimi geliştiriyorum hem de sizlere yeni içerikler sunuyorum. Birkaç ay önce kendimi Java hakkında geliştirerek işin yazılım kısmına da girmeye karar verdim. Ve bu yolda ilerlemeye devam ediyorum. Hep birlikte daha nice yıllara..