yapay sİnİr aĞlari - deukisi.deu.edu.tr/serkan.aras/ysa sunum.pdf · yapay sinir ağları (ysa),...
TRANSCRIPT
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
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
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
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
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
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
6/79
2.BİLGİSAYARLAR
Ortaya Çıkışı?
İnsan beyninin nasıl çalıştığının merak edilmesi
(Yapay Zeka)
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
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
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
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
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
9/79
4.Yapay Zeka Teknolojileri
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.Yapay Zeka Teknolojileri
4.1.Uzman Sistemler
4.2.Bulanık Mantık
4.3.Genetik Algoritmalar
4.4. Yapay Sinir Ağları
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
10/79
4.Yapay Zeka Teknolojileri
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.Yapay Zeka Teknolojileri
4.1.Uzman Sistemler
4.2.Bulanık Mantık
4.3.Genetik Algoritmalar
4.4. Yapay Sinir Ağları
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
11/79
4.Yapay Zeka Teknolojileri
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.Yapay Zeka Teknolojileri
4.1.Uzman Sistemler
4.2.Bulanık Mantık
4.3.Genetik Algoritmalar
4.4. Yapay Sinir Ağları
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
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.
4.Yapay Zeka Teknolojileri
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
4.1.Uzman Sistemler
4.2.Bulanık Mantık
4.3.Genetik Algoritmalar
4.4. Yapay Sinir Ağları
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
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
14/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
15/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
16/79
5.Yapay Sinir Ağları (YSA)
5.2.YSA Kullanım Alanları
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
17/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
18/79
5.Yapay Sinir Ağları (YSA)
5.3.YSA Avantajları ve Dezavantajları
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
19/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
20/79
5.Yapay Sinir Ağları (YSA)
• 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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
21/79
5.Yapay Sinir Ağları (YSA)
5.4.Yapay Sinir Hücresi
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
22/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
23/79
5.Yapay Sinir Ağları (YSA)
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
24/79
4. Aktivasyon fonksiyonu: Bu fonksiyon
hücreye gelen net girdiyi işleyerek
hücrenin bu girdiye karşı üreteceği
çıktıyı belirler. Sigmoid fonksiyonu:
5.Yapay Sinir Ağları (YSA)
F(NET)= Nete1
1
Şekil5.Sigmoid fonksiyonunun şekilsel gösterimi
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
25/79
5.Yapay Sinir Ağları (YSA)
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
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.
5.Yapay Sinir Ağları (YSA)
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
27/79
5.Yapay Sinir Ağları (YSA)
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
28/79
5.Yapay Sinir Ağları (YSA)
• 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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
5.1.YSA Genel Özellikleri
5.2.YSA Kullanım Alanları
5.3.YSA Avantajları ve Dezavantajları
5.4.Yapay Sinir Hücresi
5.5.Yapay Sinir Ağlarının Yapısı
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
29/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
30/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
31/79
6.Tekli Doğrusal Algılayıcı
“Acaba bu tek ayırma doğrusu mudur?”
HAYIR!
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
32/79
6.Tekli Doğrusal Algılayıcı
“Böylece sonsuz sayıda diyebileceğimiz
ayırma doğrularının içinde kalması gereken bir
alan var mıdır?”
EVET
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
33/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
34/79
a1x + a2y + b = 0
denkleminde katsayılar önce rasgele
oluşturulur. Sonra bu doğru denkleminin
verilen desenleri ayırıp ayırmayacağını
şekil11 üzerine çizerek görebiliriz.
6.Tekli Doğrusal Algılayıcı
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
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
6.Tekli Doğrusal Algılayıcı
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
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.
6.Tekli Doğrusal Algılayıcı
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
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.
6.Tekli Doğrusal Algılayıcı
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
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.
6.Tekli Doğrusal Algılayıcı
1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
39/79
6.Tekli Doğrusal Algılayıcı
6.2.TDA Algoritması
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
40/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
41/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
42/79
6.Tekli Doğrusal Algılayıcı
2) Burada kullanılacak TDA’nın mimarisi aşağıda verilmiştir. 1.İnsan Beyni
2.Bilgisayarlar
3.Yapay Zeka
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
43/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
44/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
45/79
6.Tekli Doğrusal Algılayıcı
• 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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
46/79
6.Tekli Doğrusal Algılayıcı
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
4.Yapay Zeka Teknolojileri
5.Yapay Sinir Ağları
6.Tekli Doğrusal Algılayıcı
(Perceptron)
6.1.TDA Esasları
6.2.TDA Algoritması
6.3.TDA Uygulaması
7.YSA Mimarileri
8.YSA Modellemesi Öncesi
Önemli Noktalar
9.YSA Denetimi
10.YSA Eğitimi
11.Kullanılabilecek
Programlar
12.Genel Uygulamalar
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
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
48/79
7.YSA Mimarileri
Bir geri yayılım ağ örneği
Giriş Tabakası Saklı Tabaka Çıkış Tabakası
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
49/79
7.YSA Mimarileri
Giriş Tabakası Saklı Tabaka Çıkış Tabakası
Çok tabakalı rekabetçi
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
50/79
7.YSA Mimarileri
Tek tabaka, karışık beslemeli
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
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
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
8.YSA Modellemesi Öncesi Önemli Noktalar
52/79
5) Başlangıç ağırlık değerleri
6) İleri hesaplamalar
7) Geri hesaplama
8) Yineleme
8.YSA Modellemesi Öncesi Önemli Noktalar
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
53/79
9) Durma
10) Kontrol
11) Kullanım
8.YSA Modellemesi Öncesi Önemli Noktalar
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
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
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
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
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
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
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
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
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
10.YSA Eğitimi
58/79
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
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
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
10.YSA Eğitimi
60/79
Neuro Solutions
EasyNN plus
Alyuda Software
NeuralWorks Predict
MATLAB
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
11.Kullanılabilecek Programlar
61/79
12.Genel Uygulamalar
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
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
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
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
Uygulaması
12.3 Zaman Serileri
Uygulaması
12.Genel Uygulamalar
63/79
Gizli katmana da 3 hücre yerleştirilmiştir. Gizli tabaka ve
çıkış tabakasındaki hücre çıkışlarında doğrusal olmayan bir
yapıya sahip olan sigmoid fonksiyonu kullanılmıştır.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
Uygulaması
12.3 Zaman Serileri
Uygulaması
67/79
Test verileri için gerçek sıcaklık değerleri ve YSA
değerlerine ait saçılma diyagramı aşağıda
verilmiştir.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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:
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
Uygulaması
12.3 Zaman Serileri
Uygulaması
72/79
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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.
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
Uygulaması
12.3 Zaman Serileri
Uygulaması
78/79
12.Genel Uygulamalar
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
12.1.Eksik Veri
Tamamlama
12.2.Sınıflandırma
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