Yapay Sinir Ağlarının Temel Bileşenleri
- Mimari Yapı
- Öğrenme Algoritması
- Aktivasyon Fonksiyonu
Bu bileşenler öngörü performansını doğrudan etkilemekte olduğu için karar noktasında verinin yapısına uygun olan tercih edilmelidir
1.Mimari Yapı
Girdi, Gizli ve Çıktı tabakalarından oluşan 3 tabakalı (ya da katmanlı) ileri beslemeli bir sinir ağı modeli görülmektedir.
İleri Beslemeli YSA Modeli
- Tek yönlü bilgi akışı söz konusudur.
- Bu ağ modelinde Girdi tabakasından alınan bilgiler Gizli katmana iletilir.
- Gizli ve Çıktı tabakalarından bilginin işlenmesi ile çıkış değeri belirlenir.
Geri Beslemeli YSA Modeli
- Bir geri beslemeli sinir ağı, çıkış ve ara katlardaki çıkışların, giriş birimlerine veya önceki ara katmanlara geri beslendiği bir ağ yapısıdır. Böylece, girişler hem ileri yönde hem de geri yönde aktarılmış olur.
- Bu çeşit YSA’ların dinamik hafızaları vardır ve bir andaki çıkış hem o andaki hem de önceki girişleri yansıtır. Bundan dolayı, özellikle önceden tahmin uygulamaları için uygundurlar. Geri beslemeli ağlar çeşitli tipteki zaman-serilerinin tahmininde oldukça başarı sağlamışlardır. Bu ağlara örnek olarak Hopfield, SOM (Self Organizing Map), Elman ve Jordan ağları verilebilir
2.Öğrenme Algoritması
Bir bilgi kaynağından öğrenebilme yeteneği YSA’nın en önemli özelliklerinden biridir. Yapay sinir ağlarında bilgi, ağdaki sinirlerin bağlantılarının ağırlıklarında tutulur. Bu nedenle ağırlıkların nasıl belirleneceği önemlidir. Bilgi tüm ağda saklandığı için bir düğümün sahip olduğu ağırlık değeri tek başına bir şey ifade etmez. Tüm ağdaki ağırlıklar optimal değerler almalıdır. Bu ağırlıklara ulaşılabilmesi için yapılan isleme “ağın eğitilmesi” denir. Buna göre bir ağın eğitilebilir olabilmesi için ağırlık değerlerinin belirli bir kural dahilinde dinamik olarak değiştirilebilir olması gerekmektedir.
Kısaca ifade edecek olursak; “Öğrenme işlemi, ağırlıkların en iyi değerinin bulunması” olarak tanımlayabiliriz.
3.Aktivasyon Fonksiyonu
Aktivasyon fonksiyonu girdi ve çıktı birimleri (katmanları) arasındaki eğrisel eşleşmeyi sağlar. Aktivasyon fonksiyonunun doğru seçilmesi ağın performansın önemli derecede etkiler. Aktivasyon fonksiyonu genelde tek kutuplu (0 1), çift kutuplu (-1 +1) ve doğrusal olarak seçilebilir. Ağın doğrusal olmayan yapıyı öğrenmesini sağlayan bileşenidir.
Bazı Aktivasyon Fonksiyonları
- Adımsal Aktivasyon Fonksiyonu
- Sigmoid Aktivasyon Fonksiyonu
- Parçalı Doğrusal Aktivasyon Fonksiyonu
- Gaussian Aktivasyon Fonksiyonu
- Doğrusal Aktivasyon Fonksiyonu
- Hiberbolik Tanjant Aktivasyon Fonksiyonu
Yapay Sinir Ağları geniş bir kullanım alanına sahiptir; Güvenlik, Otomotiv, Bankacılık, Finans, Sağlık gibi alanlarda kullanılmaktadır. Uygulama alanları aşağıda belirtilmiştir.
Uygulama Alanları
- Örüntü Tanıma*
- Sınıflandırma
- Kümeleme
- Tahmin Yürütme
- Optimizasyon
- Öngörü, tahmin
- Zaman Serileri Analizi
- Regresyon
- Fonksiyon Kestirme
- Kontrol Benzetimi
- …
Not: Bu yazı ilk kez 8 Şubat 2016 tarihinde Kod5.org sitesinde yayınlanmıştır.