Yapay Sinir Ağları

Yapay zeka, bir bilgisayarın ya da bilgisayar tabanlı bir makinenin, genellikle insana özgü nitelikler olduğu varsayılan akıl yürütme, anlam çıkartma, genelleme ve geçmiş deneyimlerden öğrenme gibi yüksek zihinsel süreçlere ilişkin görevlerini yerine getirme yeteneği olarak tanımlanmaktadır.

Sınıflandırma problemlerinde yapay zeka tekniklerinden genel olarak YSA kullanılır. Yapay Sinir Ağları(YSA), insan beyninin işleyişini taklit ederek yeni sistem oluşturmaya çalışan yaklaşımlardır. Beynimizdeki biyolojik sinir hücrelerinin yapısı temel alınarak YSA yapısı oluşturulur. Yapay sinir ağlarında tıpkı beynimizde olduğu gibi öğrenme ve öğrenilen bilgilere göre karar verme mekanizmaları bulunur. YSA, birbirine hiyerarşik olarak bağlı, aşağıdaki şekilde gösterilen yapay hücrelerden (nöron) meydana gelmektedir. Yapay sinir hücreleri proses(süreç) elemanı olarak adlandırılmaktadır. Her proses elemanının aşağıdaki şekilde gördüğünüz gibi 5 farklı birimi vardır.

G1, G2, G3, ……, GN ile gösterilen girdiler bir YSA’ nın girişleri olarak bilinir. A1, A2, A3,….AN ise ağırlıklar olarak tanımlanır ve yapay sinir hücresine gelen bilginin etkisini gösterir. Toplama İşlevi Fonksiyonu (NET) ise bir sinir hücresine gelen net bilgiyi hesaplar. Bu net değeri bulmak için değişik fonksiyonlardan yararlanılır ancak en çok kullanılanı aşağıdaki denklemde gösterilen toplam ağırlığı bulan ifadedir. Burada Gi i. giris değerini, Ai ise bu giris değerinin ağırlığını ve NET ise fonksiyonun toplam değerini gösterir.

Yapay sinir hücresindeki Aktivasyon İşlevi Fonksiyonu(FNET) da hücreye gelen net girdileri hesaplayarak üretilecek olan çıktı değerlerini belirler. Aktivasyon fonksiyonlarının lineer fonksiyon, step fonksiyon, sinüs fonksiyonu, esik değer fonksiyonu, sigmoid fonksiyonu ve hiperbolik tanjant fonksiyonu olmak üzere değisik gösterimleri mevcuttur. Uygulamaların çoğu Çok Katmanlı Algılayıcı biçiminde tasarlandığı için genelde olarak bu çalısmalarda Sigmoid Fonksiyonu tercih edilmektedir. Bu fonksiyon aşağıda bulunan denklemdeki gibi formülle gösterilir. Bu denklemde F(NET) aktivasyon fonksiyonunu temsil eder. Bu çalışmada geliştirilen yazılım, problemlerin çözümünde Sigmoid fonksiyonundan yararlanacak biçimde tasarlanmıştır.

Proses elemanındaki Çıktı değeri ise aktivasyon fonksiyonu tarafından belirlenen çıktı değeridir. Üretilen çıktı ya başka hücreye gönderilerek değerlendirilir ya da kendisine tekrar gönderilerek değerlendirilir.

Temel olarak bir YSA’nın görevi, kendisine gösterilen giriş setine karsılık bir çıkış seti belirlemektir. Bunu gerçekleştirebilmek için ağ, ilgili problemin örnekleri ile eğitilerek (öğrenme), o problemle ilgili istenenleri çözebilme yeteneğine kavuşturulur.

YSA sinir hücrelerinin bir araya gelmesiyle oluşur. Bu işlem rastgele olarak yapılmamaktadır. Genelde hücreler,3 katman halindedir ve her katman kendi içinde paralel halde ağı oluştururlar. Bu katmanlar;

Giris Katmanı: Bu katmandaki hücreler giriş bilgilerini gizli katmana ulaştırmakla görevlidir.

Gizli Katman: Giriş katmanından gelen bilgiler işlenerek çıkış katmanına gönderilmektedir. Bir ağda problemin durumuna göre, birden fazla gizli katman olabilmektedir.

Çıkış Katmanı: Bu katmandaki hücreler gizli katmandan gelen bilgiyi çıkış katmanına gönderirler. Bu kısımda üretilen çıkışlar problemin çözümünü içermektedir.

Bir YSA’ nın giriş katmanı, gizli katman ve çıkış katmanından oluşan genel ağ yapısı aşağıdaki şekilde gösterilmiştir.

Genelde YSA ağ yapısında, verilen bir girdi setine karsılık çıktı değerleri verilerek belirtilen öğrenme kuralına göre ağırlık değerleri otomatik olarak değiştirilmektedir. Eğitim verisinin tamamlanmasından sonra eğitilmiş olan ağ, ağırlık değerlerinin son durumuna göre, verilen herhangi bir veri setinin sonucunu tahmin edebilmektedir. Yapay sinir ağı bir dizi sinir hücresinin ileri sürümlü ve geri beslemeli bağlantı şekilleri ile birbirine bağlanması ile oluşur.

YSA’ da hücre eleman bağlantılarının ağırlık değerlerinin belirlenmesi işlemine ağın eğitilmesi denir. Başlangıçta bu değerler rastgele belirlenmektedir. Fakat daha sonra çıktı değerlerine göre bu ağırlık değerleri tekrar tekrar değiştirilerek gerçek durumuna erişir. Buna da ağın öğrenmesi denilir. Ağın öğrenmesine referans olarak gösterilen farklı öğrenme modelleri mevcuttur. En çok kullanılanları şu şekilde sıralanmaktadır;

==>Algılayıcılar, Perceptron ve Adaline
==>Çok Katmanlı Algılayıcı Modelleri (Hatayı geriye yayma modelleri-backpropagation)
==>Vektör Kuantizasyon Modelleri (LVQ)
==>Kendini organize eden model (SOM)
==>Adaptif Rezonans Teorisi (ART)
==>Hopfield Ağları
==>Counterpropagation Ağı
==>Neocognitron Ağı
==>Bolztman Makinesi
==>Probabilistic Ağlar
==>Elman Ağı
==>Radyal Temelli Ağlar

şeklinde açıklanabilmektedir.

Bu alandaki çalışmaların çoğunda yapay sinir ağlarının, doğrusal olmayan, çok boyutlu, gürültülü, karmaşık, kesin olmayan, eksik, kusurlu, hata olasılığı yüksek verilerin olması ve problemin çözümü için özellikle bir matematik modelin ve algoritmanın bulunmaması hallerinde yaygın olarak kullanıldıkları görülmektedir.

Bu amaçla geliştirilmiş ağlar genel olarak örüntü tanıma, sınıflandırma, doğrusal olmayan sinyal isleme, ilişkilendirme veya örüntü eşleştirme, doğrusal olmayan sistem modelleme, zaman serileri analizleri, sinyal filtreleme, zeki ve doğrusal olmayan kontrol, veri sıkıştırma gibi fonksiyonları yerine getirirler.

Bunların ötesinde günlük hayatta kullanılan finansal uygulamalarından mühendisliğe ve tıp bilimine kadar birçok alandan bazıları ise söyle sıralanabilir. Bunlar veri madenciliği, optik karakter tanıma ve çek okuma, bankalardan kredi isteyen müracaatları değerlendirme, ürünün pazardaki performansını tahmin etme, kredi kartı hilelerini saptama, zeki araçlar ve robotlar için en uygun değer rota belirleme, güvenlik sistemlerinde konuşma ve parmak izi tanıma, borsa ve para yönetimi, kalite kontrolü, bilgisayar oyunlarındaki zeki karakterlerin yaratılması, radar ve sonar sinyalleri sınıflandırması, kan hücreleri reaksiyonları ve kan analizlerini sınıflandırması, kanserin saptanması ve kalp krizlerinin tedavisi olarak sınıflandırılabilir.

Kaynak=dergipark.gov.tr/download/article-file/75292