YAPAY SİNİR AĞLARI - DEUkisi.deu.edu.tr/serkan.aras/YSA Sunum.pdf · Yapay sinir ağları (YSA), insan beyninden esinlenerek gelitirilmi ağırlıklı bağlantılar aracılığıyla

1/79

T.C.

DOKUZ EYLÜL ÜNİVERSİTESİ

SOSYAL BİLİMLER ENSTİTÜSÜ

YAPAY SİNİR AĞLARI

(YSA)

EKONOMETRİ BÖLÜMÜ

Dr.Serkan ARAS

2/79

SUNUM İÇERİĞİ

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka

4.Yapay Zeka Teknolojileri

5.Yapay Sinir Ağları

6.Tekli Doğrusal Algılayıcı

(Perceptron)

7.YSA Mimarileri

8.YSA Modellemesi Öncesi

Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi

11.Kullanılabilecek

Programlar

12.Genel Uygulamalar

3/79

1.İNSAN BEYNİ

“EVRENDEKİ EN KOMPLEKS YAPI”

100 Milyar Sinir Hücresi ve 100 Trilyon Bağlantı Kuran

Üstün Bir İşlem Kapasitesi

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


http://tr.wikipedia.org/wiki/Resim:Yapay_zeka.jpeg

4/79

1.İnsan Beyni

IBM firmasının teknoloji uzmanı Dr.Kerry Bernstein, msnbc.com’da yayınlanan “Beyin Bilgisayarlara Ders Öğretiyor” başlıklı haber röportajda;

"Beyinde olağanüstü bir paralellik hakim. Yani tek bir bit bilgi, bir anda tam 100.000 nörona yayılabiliyor. Böylece beyin, bilinen en hızlı bilgisayardan yüz binlerce kat daha hızlı oluyor. Bizim ise bunu elektronikte gerçekleştirebilmemiz mümkün değil".

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


5/79

1.İnsan Beyni

• "İnsan beyni onu anlayabileceğimiz

kadar basit olsaydı, o zamanda biz onu

anlayamayacak kadar aptal olurduk"

Jostein GAARDER -Sofinin dünyası-

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


6/79

2.BİLGİSAYARLAR

Ortaya Çıkışı?

İnsan beyninin nasıl çalıştığının merak edilmesi

(Yapay Zeka)

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


7/79

3.YAPAY ZEKA

Yapay zeka araştırmaları, insan beyninin

incelenmesi ve bu işlevlerin modellenmesi

ile ilişkilidir.

Beynin çalışması uzmanlar tarafından

üç temel bölüme ayrılmaktadır;

• Bilginin girişi

• Sentezleme ve kıyaslama

• Çıkış ve eylem

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


8/79

3.Yapay Zeka

• Bilgisayarlar çok karmaşık sayısal

işlemleri anında çözümleyebilmelerine

ve beyne göre Elektronik teknoloji

ürünlerinin kat daha hızlı çalışmasına

rağmen idrak etme ve deneyimlerle

kazanılmış bilgileri kullanabilme

noktasında çok yetersizdirler. Örneğin

bir şoför, bebek.

• Farklılık bilgilerin işlenme sistemidir.

610

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


9/79


4.1.Uzman Sistemler: Bir problemi o

problemin uzmanlarının çözdüğü gibi

çözebilen bilgisayar programları

geliştiren teknolojidir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka


4.1.Uzman Sistemler

4.2.Bulanık Mantık

4.3.Genetik Algoritmalar

4.4. Yapay Sinir Ağları



(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


10/79


4.2.Bulanık Mantık: Bulanık mantık,

bulanık küme teorisine dayanan bir

matematiksel disiplindir. Bulanık mantık

insanın mantığında olduğu gibi, Uzun-

Kısa, Sıcak-Soğuk, Hızlı-Yavaş, Siyah-

Beyaz yerine Uzun-Ortadan Uzun-Orta-

Ortadan Kısa-Kısa, Sıcak-Ilık-Az

Soğuk-Soğuk-Çok Soğuk vb. gibi ara

değerlere göre çalışmaktadır.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka


4.1.Uzman Sistemler






(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


11/79


4.3.Genetik Algoritmalar: Bir veri

öbeğinden özel bir veriyi bulmak için

kullanılan bir arama yöntemidir.

Karmaşık optimizasyon problemlerinin

çözülmesinde kullanılan bir teknolojidir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka


4.1.Uzman Sistemler






(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12/79

4.4. Yapay Sinir Ağları (YSA)

Yapay sinir ağları (YSA), insan beyninden esinlenerek geliştirilmiş ağırlıklı bağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi işleme yapılarıdır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka


4.1.Uzman Sistemler






(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


13/79

5.Yapay Sinir Ağları (YSA)

5.1.YSA Genel Özellikleri

1.Varsayım Gerektirmemesi: Uygulanması

için sadece uygun ağın bulunması

yeterlidir. Mesela istatistik esaslı

yöntemler.

2.Paralel Bilgi İşleme Prensibi: Hata,

Prizma

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




5.2.YSA Kullanım Alanları

5.3.YSA Avantajları ve Dezavantajları

5.4.Yapay Sinir Hücresi

5.5.Yapay Sinir Ağlarının Yapısı


(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


14/79


3.Öğrenen Sistemler: YSA larında

öğrenme bağlantı ağırlıklarının

yenilenmesi şeklinde gerçekleşmektedir.

Sabit Katkı

Hücreler arası ağırlıklı

bağlayıcılar

Geri Besleme

Kabul

edilebilir

Hata

seviyesi

Hayır

Evet

Çıktılar

Girdiler

YSA Genel Yapısı

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


15/79


4.Örnekleri Kullanarak Öğrenme: Örnek

bulunamıyorsa ve yok ise yapay sinir

ağının eğitilmesi mümkün değildir.

Örnekler ise gerçekleşmiş olan

olaylardır. Mesela bir doktor.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


16/79



1.Sınıflandırma: Bir sınıflamayı YSA ’lara

eğiterek öğrettikten sonra bunlara verilen

verilerle hangi sınıfın geçerli olacağını tespit

etmesi talebinde bulunabiliriz.

2.Kümeleme: Kümeleme için benzerliğin genelde

iki veri dizisi arasındaki Öklid mesafesine veya

bu iki veriyi temsil eden vektörler arasındaki

açıya ve dolayısı ile de istatistikteki korelasyon

kavramına bağlı olduğu görülür.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


17/79


3.Fonksiyon Yaklaşımı

4.Tahmin Yapmak

5.En İyileme (Optimizasyon): Klasik birçok

yöntemde en iyileştirme yöntemlerinin esasları

ve kuralları nerede ise çok uzun yıllar

değişmeyecek biçimde kurulmuş olmasına

karşılık bunun YSA modellemesi ile yapılması

en azından sınırlayıcı matematik kabullerin

bulunmaması açısından yararlıdır.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


18/79



YSA ların üstünlükleri;

• Matematiksel modele ihtiyaç duymazlar.

• Veri ile ilgili belirli kabullenmelere

ihtiyaç duymazlar.

• Doğrusal olmayan çok giriş ve çok

çıkışlı sistemlerin kolayca

modellenmesi.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


19/79


YSA ların sakıncaları;

• Kabul edilebilir çözümler üretir. Optimum

(en iyi) çözümü garanti etmez. Deneme

yanılma yolu.

• Her problem için ayrı ayrı

değerlendirmeler yapılması gerekmektedir.

Parametre değerlerinin belirlenmesi.

• Sadece nümerik bilgiler ile

çalışmaktadırlar.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


20/79


• Ağın eğitiminin ne zaman bitirileceğine

karar vermek içinde geliştirilmiş bir

yöntem yoktur.

• En önemlisi ağın davranışlarının

açıklanamamasıdır. Bağlantı değerlerine

olayın fiziği ile ilgili olabilecek anlamlar

vermek mümkün değildir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


21/79



Girdi1

Ağırlık1

Girdi2 Ağırlık2

Girdi3 Ağırlık3

…

…

GirdiN AğırlıkN

Toplama

Fonksiyon

u

(NET)

Aktivitasyon

Fonksiyonu

F(NET)

Çıktı

Yapay Sinir Hücresinin Yapısı

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


22/79


Her hücrenin 5 temel elemanı vardır.

1. Girdiler: Dış dünyadan bilgilerdir.

2. Ağırlıklar: Girişlerin sinir üzerindeki etkisini

belirleyen uygun katsayılardır. Ağırlık

büyüklüğü.

3. Toplama Fonksiyonu: Bu fonksiyon, bir

hücreye gelen net girdiyi hesaplar. En yaygın

olanı ağırlıklı toplamı bulmaktır.

NET= n

i

ii AG

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


23/79


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


24/79

4. Aktivasyon fonksiyonu: Bu fonksiyon

hücreye gelen net girdiyi işleyerek

hücrenin bu girdiye karşı üreteceği

çıktıyı belirler. Sigmoid fonksiyonu:


F(NET)= Nete1

1

Şekil5.Sigmoid fonksiyonunun şekilsel gösterimi

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


25/79


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


26/79

5. Hücrenin Çıktısı: Üretilen çıktı dış

dünyaya veya başka bir hücreye

gönderilir. Bir hücrenin birden fazla

girdisi olmasına rağmen sadece bir

çıktısı olmaktadır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


27/79


G

i

r

d

i

S

e

t

i

Girdi

Katmanı

Ç

ı

k

t

ı

S

e

t

i

Saklı

Katman

Çıktı

Katman

Bağlantılar

Bir yapay sinir ağı örneği

5.5.YSA Yapısı

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


28/79


• Girdi Katmanı: Bu katmandaki sinir

hücreleri dış dünyadan bilgileri alarak

ara katmanlara transfer etmekle

sorumludurlar. Verileri işlemez.

• Saklı Katman: Girdi katmanından gelen

bilgiler işlenerek çıktı katmanına

gönderirler. Karmaşık işlevler.

• Çıktı Katmanı: Üretilen çıktı dış

dünyaya gönderilir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka









(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


29/79


6.1.TDA Esasları

Bu yapay sinir ağlarının birden çok girişi ve tek bir

çıkışı vardır. Çıkış değeri +1 veya -1 olmaktadır.

vi= f(etkinlik)

.

.

.

jθ

TDA örneği

n

i

jiijxw1

1x

2x

ix

jw1

jw 2

i jw

iy

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları

6.2.TDA Algoritması

6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


30/79


TDA ların ilk kullanım alanı verilerin kümelere ayrılmasıdır.

Önce insan olarak bize verilen bir resimden nasıl bir

kümelemeye gideceğimizi anlamamız faydalı olacaktır.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


31/79


“Acaba bu tek ayırma doğrusu mudur?”

HAYIR!

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


32/79


“Böylece sonsuz sayıda diyebileceğimiz

ayırma doğrularının içinde kalması gereken bir

alan var mıdır?”

EVET

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


33/79


O halde, sonsuz denilebilecek

sayıdaki ayırma doğrularının genel

matematik denklemini,

a1x + a2y + b = 0 (6.1)

şeklinde yazabiliriz. x ve y katsayılarının

kalın sınırlar arasındaki alanda kalması

şartıyla geçerli ayırma doğruları elde

edilir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


34/79

a1x + a2y + b = 0

denkleminde katsayılar önce rasgele

oluşturulur. Sonra bu doğru denkleminin

verilen desenleri ayırıp ayırmayacağını

şekil11 üzerine çizerek görebiliriz.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


35/79

Sonsuz sayıdaki ayırma doğruları arasında en uygununu bulma uğraşı balık tutmaya benzer. Sabırlı olan iri veya küçük bir balık yakalayarak hedefine ulaşır.

Hesaplama hamalımız bilgisayar!

TDA Algoritması


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


36/79

“Hiçbir yöntem bilmeden insan nasıl bir yöntem

önerebilir?”

a) a1, a2 ve b katsayılarına rasgele değerler

verilir ve şekil11 üzerine çizilir.

b) Bu doğru şekil11 de tanımlanan geçerli alanın

içinde kalmıyorsa, katsayıları birer birer veya

ikişer ikişer veya üçü birden öncekinden biraz

rasgele olarak artırılır veya azaltılır veya

bazıları artırılır bazıları da azaltılır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


37/79

c) Yeni doğruda istenilen alanda

kalmıyorsa, katsayıların değiştirilmesine

benzer şekilde devam edilir.

d) Bu şekilde devam ederek belirli

uğraşıdan sonra mutlaka geçerli alanda

kalacak bir doğru yakalanır ve böylece

bir ayırma doğrusu bulunur.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


38/79

Artık bu ayırma doğrusu yeni noktaların hangi desene ait olacağına karar vermek için kullanılır.

“Daire mi yoksa yıldız mı?” diye karar verilirken, bunlardan birine beyaz diğerine siyah diyebileceğimiz gibi bilgisayarında insanlar gibi anlayabilmesi için son kararın 1 veya 0 sayısı ile kodlanarak ikili mantığa göre desenler ayrılmış olur.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


39/79



1.Ağırlık başlangıç değerlerinin atanması

2.Değişken kısmı hesabı

3.Sabit değer ilavesi

4.İşlemci çıkışı:

5.Kontrol edilme

takdirdeaksiveya

f

fFh )1(0

01

)(

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


40/79


6.Ağırlık eğitimi: Burada artık rasgele atama söz konusu olmaz. Eğer artırım miktarı ∆aij olarak gösterilirse genel olarak,

aij(k+1) = aij(k) + ∆ aij yazılabilir.

7.Hata Düzeltmesi: Çıktının beklenen kümeyi tutmaması halinde hata, h = 1-0 =1 veya h = 0- 1= -1 kadar olacağından xij elemanının ağırlık artırımı,

∆ aij = hxij şeklinde ortaya çıkar.

8. Küme yinelenmesi: Tüm desenler doğru olarak kümeleninceye kadar TDA ’nın yukarıda açıklanan biçimde en basit eğitimine devam edilir.

9.Kullanım

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


41/79


TDA Uygulaması Birinci veri 1 diğerleri de 0 kümesine ait olduğunu bildiğimiz

3 verinin kartezyen koordinat sistemindeki bileşenleri (1.3,0.5),

(2.5,0.6) ve (1.8,3.4) olsun.

1) Önce bunların kartezyen koordinat takımında saçılımının nasıl olduğuna

görsel olarak bakalım.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


42/79


2) Burada kullanılacak TDA’nın mimarisi aşağıda verilmiştir. 1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


43/79


dersek, f ’in değerine göre küme ataması yapılacaktır.

Yıldız 1, daire de 0 ikili değerleri ile temsil edileceğinde f ’inde verilen

veri dizinlerini iki kısıma ayırması gerekir. Bunun için çıkış birimine

işlemci denen bir çıktı birimi konulmuştur. Böylece f > 0 için 1 veya f

< 0 içinde 0 çıktısı geçerli olur.

byaxaf 211.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


44/79


Hesaplamaları başlatmak için önce iki tane ağırlık değeri rasgele

küçük sayı olarak atanmalıdır. Bunlar a=0,2 ve a=0,7 olarak

yapılmıştır. Ayrıca sabit değerde rasgele olarak b=1 alınmıştır.

Denklemde yerine koyarsak f= 0,2*1,3 + 0,7*0,5 + 1 = 1,61 bulunur.

f>0 olduğundan ç=1’dir ve bu desen için ağırlıkların değiştirilmesi

gerekmez, çünkü TDA bu veriyi doğru kümeye atmıştır.

3) Şimdi ikinci veriyi TDA’ya algılatalım. f= 0,2*2,5 + 0,7*0,6 +1 = 1,92

elde edilir. Sonuç sıfırdan büyük olduğu için bunun kümesinin 1

olduğu sonucuna varılır. Halbuki beklenen küme 0’dır. Buna göre hata

h=0-1= -1 ’dir. Buna göre yeni ağırlıklar a= 0,2-2,5= -2,3 ve = 0,7-0,6

= 0,1 olur. Yeniden yapılan hesaplamalar sonunda f= -2,3*2,5 +0,1*0,6

+1= -4,69<0 olduğundan kümeleme 0 olarak ortaya çıkar ve bu

ağırlıklarla ikinci veri doğru kümeye konulmuştur.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


45/79


• Dikkat!

Ancak burada üçüncü veriye gitmeden önce önceki verinin bu

yeni ağırlık katsayıları ile aynı kümede kalıp kalmadığı kontrol

edilmelidir. Bunun için önceki veri yeni ağırlık katsayıları ile f= -

2,3*1,3 + 0,1*0,5 + 1 = -1,94<0 değerini verdiğinden bu ağırlıklarla

kümesi bozulmuştur. O halde, onu tekrar kümesine getirmek için h=1-

0 = 1 göz önünde tutularak yeni ağırlık katsayıları bu sefer girdiler

kadar arttırılırsa a= -2,3 + 1,3 = -1 ve a=0,1 + 0,5 =0,6 olur. Buna göre

aynı desen bu ağırlık katsayıları ile f= -1*1,3 + 0,6*0,5 + 1=0,001 >0

olduğundan kümeye geri gelir. Acaba yeni ağırlıklar ikinci deseni

kümede bıraktı mı? Bunun için aynı ağırlıklarla ikinci kümenin değeri

f= -1*2,5 +0,5*0,6 +1 =-1,2<0 olduğundan kümesinin değişmediği

anlaşılır. Böylece ilk ve ikinci veriler aynı ağırlık değerleri ile doğru

olan kümelerini bulmuştur.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


46/79


İşlemler bu mantıkla devam eder.

Sonuçta eğitilmiş TDA ’nın ağırlık

katsayıları artık a= -0,1 ve a= -1,4 olarak

belirlenmiştir. Bundan sonra TDA ’ya

verilecek verilerin otomatik olarak

uygun kümeye yerleştirilmesi beklenir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

6.1.TDA Esasları


6.3.TDA Uygulaması

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


47/79

7.YSA Mimarileri

• YSA mimarisi oluşturulurken sorun mimarinin işleyişine

eğriselliği katan orta tabakada kaç hücre

bulundurulacağıdır.

Giriş Tabakası Saklı Tabaka Çıkış Tabakası

Çok tabakalı ve ileri besleme

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


48/79

7.YSA Mimarileri

Bir geri yayılım ağ örneği


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


49/79

7.YSA Mimarileri


Çok tabakalı rekabetçi

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


50/79

7.YSA Mimarileri

Tek tabaka, karışık beslemeli

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


51/79

1) Verilerin Toplanması: İncelenecek

sorunla ilgili verilerin toplanması ve bu

arada hangilerinin girdi, hangilerinin de

çıktı olacağına karar verilmelidir.

2) Verilerin alt verilere bölünmesi

3) YSA Mimarisi: Ara (saklı) tabaka

4) Matematik Donanım: İşlemciler,

Öğrenme oranı

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


8.YSA Modellemesi Öncesi Önemli Noktalar

52/79

5) Başlangıç ağırlık değerleri

6) İleri hesaplamalar

7) Geri hesaplama

8) Yineleme


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


53/79

9) Durma

10) Kontrol

11) Kullanım


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


54/79

Bir YSA kullanımı sonunda elde edilen

sonuçların güvenirliğinin arttırılması için

bazı sınamaların yapılması gereklidir.

Sonuçların niteliği YSA hataları ile

kavranabilir.

a) Öklid mesafesi sınaması:

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


9.YSA Denetimi

n

i

iiö çbH1

2)(

55/79

b) Mutlak mesafe sınaması:

c) Bağıl hata sınaması:

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


9.YSA Denetimi

n

i

iiM çbH1

j

jj

j b

çb

H ×100=

H olması durumunda istenen sonuca erişilmiştir. 5<j

56/79

d) Sınıflama hatası sınaması:

Burada Y yanlış, T ise toplam sınıflama

sayılarını gösterir. Bu aslında yanlış hesaplama

ihtimaline karşı gelir. Bu ihtimal ne kadar

düşük ise YSA o kadar iyi çalışır. Pratik

uygulamalarda bunun 0.05’ten küçük kalması

istenir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


9.YSA Denetimi

s

ss T

YH =

57/79

Eğitimin hatanın en küçüklenmesi ile

son bulması arzu edilir. Eğitimin

kalitesini hataların ileri beslenme sayısı

ile değişimini gösteren bir grafikle

kontrol edebiliriz.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


10.YSA Eğitimi

58/79

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


10.YSA Eğitimi

1

1

=i

ii

H

HH

α < 0,05 ise eğitimi durdur. α

1) Soru: Acaba elde edilen en küçük hata yerel bir durum

mudur? Yoksa mutlak (global) hataya mı ulaşılmıştır?

2) Soru: Hatalara etki eden bir başka faktör de saklı tabakadaki

hücrelerin sayısıdır. Acaba bunların sayısını azaltırsak veya

çoğaltırsak hatayı azaltabilir miyiz?

59/79

3) Soru: Hatalara tesir eden bir başka

etken de işlemci olabilir mi?

4) Soru: YSA eğitimi öncesinde göz

önünde tuttuğumuz öğrenme katsayısının

da etkisi olabilir mi sorusuna cevap evet

olabilir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


10.YSA Eğitimi

60/79

Neuro Solutions

EasyNN plus

Alyuda Software

NeuralWorks Predict

MATLAB

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


11.Kullanılabilecek Programlar

61/79


12.1.Eksik Veri Tamamlama

Uygulaması Çalışmada İstanbul Göztepe istasyonunda 1 Mart-20

Nisan tarihlerinde sonra sıcaklık parametresine ait

verilerde eksiklikler olduğu varsayılmış ve diğer

parametreler yardımıyla bu eksik veriler YSA yaklaşımı

ile tamamlanmaya çalışılmıştır. sıcaklık parametresine ait

verilerin Mart ayının 28 ‘inden itibaren kayıtlı

bulunmadığı varsayılmıştır. Böylece 50 günlük zaman

içerisinde sıcaklık parametresine ait 27 günlük veri

değerleri bilinmekte fakat sonraki 23 günlük veriler eksik

kabul edilmektedir.

1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama

12.2.Sınıflandırma

Uygulaması

12.3 Zaman Serileri

Uygulaması

62/79

1 Mart-20 Nisan 1996 tarihleri arasındaki günlük ortalama değerler

aşağıdaki çizelgede gösterilmiştir. 1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması


63/79

Gizli katmana da 3 hücre yerleştirilmiştir. Gizli tabaka ve

çıkış tabakasındaki hücre çıkışlarında doğrusal olmayan bir

yapıya sahip olan sigmoid fonksiyonu kullanılmıştır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

64/79

YSA modelinin eğitilmesinde, yöntem olarak eğitici yardımıyla

öğrenmenin bir dalı olan eğiticinin doğru sonucu söylediği öğrenme

yöntemi uygulanmıştır (gözetmenli öğrenme - supervised learning).

Algoritma olarak ise geriye yayılma algoritması kullanılmıştır.

Modelde öğrenme oranı değeri 0,04 olarak seçilmiş ve 9000 iterasyon

ile sıcaklık parametresi ile diğer parametreler arasında bir genelleme

yaklaşımı kullanılmıştır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

65/79

Gerçek sıcaklık değerleri ile genelleme sonucu elde

edilen sıcaklık değerleri arasındaki ortalama mutlak hata

değeri 0,62 derece bulunmuştur. Aşağıdaki şekilde

gözlenen ve öngörülen değerlerin saçılma diyagramına

bakalım.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

66/79

• Test verileri için genel trend korunmakla beraber sadece

maksimum ve minimum noktalarında hata değerleri

artmıştır. Test bölgesi için elde edilen ortalama mutlak

hata 0,64 derece olarak bulunmuştur.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

67/79

Test verileri için gerçek sıcaklık değerleri ve YSA

değerlerine ait saçılma diyagramı aşağıda

verilmiştir.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

68/79

12.2.Sınıflandırma Uygulaması

İki farklı olay grubu regresyon analizi

yardımıyla ayrıştırılabilmektedir. X1 ve X2

çalışmada kullanılan parametreler olmak üzere,

doğrusal bir ayrıştırıcı olan L genelde şu

şekilde yazılabilir:


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

22110 xbxbbL

69/79

Panofsky ve Brier (1968), düşey hız, çiğ noktası

sıcaklık depresyonu ve yağış gözlenip gözlenmediğine ait

verileri kullanarak bir sınıflandırma çalışması yapmıştır.

Albany, New York’ta yapılan 91 ölçümden 28’inde yağış

gözlenmiş 63’ünde ise yağış gözlenmemiştir.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

L = -0,2590 – 0,005162X1+0,006910X2

L>0 için yağışlı, L<0 için ise yağışsız bölgeyi

göstermektedir. Yapılan araştırma sonucu toplam 15

nokta yanlış grup içerisinde yer almıştır. Bunlardan 9

tanesi yağış bölgesinde, 6 tanesi ise yağış olmayan

bölgededir.

70/79


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

Lippmann (1989) sınıflandırma problemlerinde YSA’nın işlem hızı,

eğitilebilme özelliği ve kolay donanıma sahip olması gibi

özelliklerinden dolayı istatistiksel yaklaşımlardan çok farklı olduğunu

ve daha iyi sonuçlar verdiğini belirtmektedir.

71/79

Tattersal (1989) çok tabakalı YSA modelinin ikiden

fazla farklı sınıfların başarılı bir şekilde ayırtabildiğini

belirtmektedir.

Yapılan çalışmada aynı veriler kullanılarak,

sınıflandırma problemi yine 3 tabakalı YSA yardımıyla

çözülmeye çalışılmıştır.

Giriş tabakasında, düşey hız ve çiğ noktası sıcaklık

depresyonu olmak üzere iki sinir hücresi kullanılmıştır.

Gizli tabakada 8, çıkış tabakasında ise bir tek sinir

hücresi bulunmaktadır. Gizli tabakadaki ve çıkış

tabakasındaki hücre çıkışlarında işlemci olarak sigmoid

fonksiyonu seçilmiştir.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

72/79


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

73/79

Her bir giriş çiftine karşılık elde edilen

0,5’den büyük çıkış değeri yağış grubuna,

küçük çıkış değeri ise yağışsız gruba dahil

edilmiştir. Öğrenme algoritması olarak geriye

yayılım algoritması kullanılarak 2000 iterasyon

ile eğitme sağlanmıştır. Böylece, her bir düşey

hız ve çiğ noktası sıcaklık depresyonunun

belirttiği nokta için 0 ile 1 arasında değişen

değerler elde edilmiştir.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

74/79

Bu ayrıştırma sonucunda yanlış gruplar içerisinde yer

alan nokta sayısı 12’ye düşürülmüştür. Bunlardan 10

tenesi yağışlı bölgede, 2 tanesi ise yağışsız bölgede yer

almıştır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

75/79

12.3.Zaman Serisi Uygulaması

Türkiye ‘de 1974 Ocak-2006 Nisan dönemleri

arasında üretilen binek otomobil aylık verileri

kullanılmıştır. Kullanılan 383 birimlik verinin 268 tanesi

eğitim kalan 115 tanesi ise test için ayrılmıştır.

Uygulamada giriş, çıkış ve bir gizli katman içeren 3

katmanlı ileri beslemeli ağ kullanılmıştır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

76/79

En iyi modeli oluşturabilmek için gecikme sayısının

ne olacağına ilişkin soruya cevap farklı gecikme

sayılarına bağlı girişler oluşturularak aranmıştır.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

4000,00

4200,00

4400,00

4600,00

4800,00

5000,00

5200,00

5400,00

1 2 3 4 5 6 7 8 9

Gecikme sayısı

RMS

77/79

Gecikme sayısının 5 olarak bulunmasından sonra

sıra daha önce test için saklanan ve hiçbir işlem

yapılmayan 115 kayıt üzerinde modelin test edilmesine

gelmiştir. Belirtilmelidir ki bu 5 gecikmeli modelde gizli

katmana 10 nöron konulmuştur.


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

78/79


1.İnsan Beyni

2.Bilgisayarlar

3.Yapay Zeka




(Perceptron)

7.YSA Mimarileri


Önemli Noktalar

9.YSA Denetimi

10.YSA Eğitimi


Programlar


12.1.Eksik Veri

Tamamlama


Uygulaması

12.3 Zaman Serileri

Uygulaması

0

10000

20000

30000

40000

50000

60000

1 19 37 55 73 91 109 127 145 163 181 199 217 235 253 271 289 307 325 343 361 379

gerçek

tahmin

79/79

Documents

YAPAY SİNİR AĞLARI - DEUkisi.deu.edu.tr/serkan.aras/YSA Sunum.pdf · Yapay sinir ağları (YSA), insan beyninden esinlenerek gelitirilmi ağırlıklı bağlantılar aracılığıyla