Yapay Sinir Ağlarının Çalışma Prensibi

0
984
Neuron Concept
Neuron Concept

Yapay Sinir Ağları (YSA), insan beyninin öğrenme prosedürünü simüle etmeye çalışan yapay bir sistemdir. YSA, olayların örneklerine bakmakta, bu örneklerden yararlanarak olay hakkında genelleme yapmakta, bilgiler toplanmakta ve daha sonra hiç görmediği örneklerle karşılaştığında öğrendiği bilgileri kullanarak karar verebilmektedir.

YSA Nasıl Çalışır?

Deneme ve yanılma ile, ağ kendi kendine işi nasıl yapması gerektiğini öğretir. YSA’larda bilgi saklama, verilen eğitim özelliğini kullanarak eğitim örnekleri ile yapılır. Bir yapay sinir ağı girdi setindeki değişiklikleri değerlendirerek öğrenir ve buna bir çıktı üretir. Öğrenme işlemi benzer girdi setleri için aynı çıktıyı üretecek bir öğrenme algoritması ile gerçekleşir. Öğrenme setindeki girdilerin istatistiksel özelliklerinin çıkarılarak benzer girdilerin gruplandırılmasını sağlayan bir işlemdir.

YSA Çalışma Prensibi
YSA Çalışma Prensibi

YSA’nın Eğitimi ve Testi; Geleneksel bilgisayar uygulamalarının geliştirilmesinde karşılaşılan durum, bilgisayarınbelli bilgisayar dilleri aracılığıyla ve kesin yazım algoritmalarına uygun ifadelerle programlanmasıdır. Bu oldukça zaman alan, uyumluluk konusunda zayıf, teknik personel gerektiren, çoğu zaman pahalı olan bir süreçtir. Oysa biyolojik temele dayalı yapay zeka teknolojilerinden biri olan yapay sinir ağlarının geliştirilmesinde programlama, yerini büyük ölçüde “eğitime” bırakmaktadır. Proses elemanlarının bağlantı ağırlık değerlerinin belirlenmesi işlemine “ağın eğitilmesi” denir

Yapay sinir ağının eğitilmesinde kullanılan girdi ve çıktı dizileri çiftinden oluşan verilerin tümüne “eğitim seti” adı verilir. Yapay sinir ağı öğrenme sürecinde, gerçek hayattaki problem alanına ilişkin veri ve sonuçlardan, bir başka deyişle örneklerden yararlanır. Hagan ve Demuth (1996) Sinir Ağları Tasarımı (Neural Network Design), isimli kitabında öğrenmeyi, ağın ağırlıklarının düzenlenmesi süreci olarak tanımlamıştır.

Ağın ağırlıklarını değiştirmek için iki durum söz konusudur. Bunlar, ara katman ve çıktı katmanı arasındaki ağırlıkların değiştirilmesi ve ara katmanlar arası veya ara katman girdi katmanı arasındaki ağırlıkların değiştirilmesidir.YSA’lar kendilerine örnekler gösterildikçe, bu ağırlık değerlerini değiştirirler. Amaç, ağa gösterilen örnekler için doğru çıktıları üretecek ağırlık değerlerini bulmaktır. Ağın doğru ağırlık değerlerine ulaşması örneklerin temsil ettiği olay hakkında, genellemeler yapabilme yeteneğine kavuşması demektir. Bu genelleştirme özelliğine kavuşması işlemine, “ağın öğrenmesi” denir.

Yapay sinir ağının öğrenme sürecinde temel olarak üç adım bulunmaktadır;

  • Çıktıları hesaplamak,
  • Çıktıları hedef çıktılarla karşılaştırmak ve hatayı hesaplanmak,
  • Ağırlıkları değiştirerek süreci tekrarlamak.

Eğitim süreci sonucunda yapay sinir ağında hesaplanan hatanın kabul edilebilir bir hata oranına inmesi beklenir. Ancak hata kareleri ortalamasının düşmesi her zaman için yapay sinir ağının genellemeye ulaştığını göstermez. Yapay sinir ağının gerçek amacı girdi-çıktı örnekleri için genellemeye ulaşmaktadır.

YSA sistemlerinin problemi öğrenme başarısı, gerçekleştirilen testlerle sınanmalıdır. Yapay sinir ağı geliştirme sürecinde veriler ikiye ayrılır; bir bölümü ağın eğitilmesi için kullanılır ve eğitim seti adını alır, diğer bölümü ise ağın eğitim verileri dışındaki performansını ölçmede kullanılır ve “test seti” olarak adlandırılır. Eğitim ve test setleriyle ilgili temel sorun, yeterli eğitim ve test verisinin miktarının ne olduğudur. Sınırsız sayıda verinin bulunabildiği durumlarda, yapay sinir ağı mümkün olan en çok veriyle eğitilmelidir. Eğitim verisinin yeterli olup olmadığı konusunda emin olmanın yolu; eğitim verisinin miktarının arttırılmasının, ağın performansında bir değişiklik yaratmadığını takip etmektir. Ancak bunun mümkün olmadığı durumlarda yapay sinir ağının eğitim ve test verileri üzerindeki performansının yakın olması da verilerin sayıca yeterli olduğuna ilişkin bir gösterge olarak kabul edilebilir. Bununla birlikte eğitim setinin içermesi gereken veri miktarı değişik yapay sinir ağı modellerine göre ve özellikle problemin gösterdiği karmaşıklığa göre farklılık gösterebilmektedir.

Test işlemi için, eğitim setinde kullanılmayan verilerden oluşan test seti kullanılır. Test setindeki girdiler YSA modeline verilir ve YSA’nın çıktı değeri ile istenilen çıktı değeri karşılaştırılır. Amaç, YSA modelinin yeterli bir genelleme yapıp yapamadığını görmektir. Eğitim ve test aşamalarında istenilen başarı elde edilirse YSA modeli kullanılabilir.

Kaynaklar

HAGAN, M. T, and DEMUTH, H .B., 1996, Neural Network Design, PWS Publishing
Company, Boston, 0-534-94332-2.
ÖZTEMEL, E., 2006, Yapay Sinir Ağları, Papatya yayıncılık, İstanbul, 975-6797-39-8.
SARAÇ, T., 2004, Yapay Sinir Ağları, Basılmamış Seminer Projesi, Gazi Üniversitesi
Endüstri Mühendisliği Bölümü, Ankara.
SERHADLIOĞLU, G., 1999, Yapay Sinir Ağlarının Teknik Analizde Kullanımı ve Bir
Uygulama, Yüksek Lisans Tezi, Marmara Üniversitesi Sosyal Bilimler Enstitüsü.
UĞURLU, B., 2009, Çok Katmanlı Yapay Sinir Ağı Modelleri, Onsekiz Mart Üniversitesi Bilgisayar Mühendisliği, Çanakkale

@Zafer AĞYAR

Facebook Yorumları