Yapay Sinir Ağları ve Uygulamaları – 1
Yapay Sinir Ağları’nda farklı kodlama dilleri ile model oluşturulabilmektedir. Fakat bütün bir modeli manuel olarak yazmak hem vakit alan hem de hatalara müsait bir yoldur. Farklı framework’lere sahip Yapay Zeka dünyasının kullanım kolaylığı ile yapılan geliştirmeler ve araştırmalar literatürde artmaktadır. Gelişen teknoloji ile artık günümüz dünyasında zamanı verimli kullanmak önem taşımaktadır. Dolayısıyla Yapay Zeka dünyasında da bu framework’ler araştırmacılara veya kullanıcılara hız kazandırmakta ve daha çok gelişmeyi sağlamaktadır.
GTech’in bu yazı serisinde Yapay Sinir Ağları’nın konsept olarak ne olduğunu ve çeşitli algoritmalar ile model/ağ oluşturularak yaptığımız denemeleri aktaracağız. GTech Büyük Veri ve İleri Analitik ekibinin hazırladığı bu çalışmanın amacı, farklı ağ modelleri ile yapay sinir ağlarını ele alarak hem algoritmaların kullanımı açısından hem de çeşitli veri setleri/ öğrenme yolları ile analizler yapmaktır.
Yapay Zeka – Yapay Sinir Ağları
Yapay Zeka, bilgisayarlara veya makinelere, insana özgü yetiler olarak varsayılan anlam çıkarma, akıl yürütme, yargı, karar verme ve insanın en önemli özelliklerinden olan öğrenme gibi yeteneklerin kazandırılmasıdır.
Yapay zeka, makinelerin ya da bilgisayarların insana özgü öğrenme yetisini Yapay Sinir Ağları ile kazandırmaktadır. İnsanlar, öğrenerek keşfettiği bilgileri ve deneyimleri ile farklı bir çok konuda ve problemde tahminler veya kestirimler yapabilmektedir. Fakat Yapay Sinir Ağları karmaşık problemlere daha hızlı ve daha güçlü çözümler üretebilmektedir. Bunu, insan beynini taklit ederek bu karmaşık problemlere çözümler ve tahminler sunmaktadır. İnsan beyninden esinlenen bu sistem; tahminlemenin yanında sınıflandırma, kümeleme, analiz ve ilişkilendirme özelliklerine de sahiptir.
Yapay Sinir Ağları’nda Öğrenme
Yapay Sinir Ağları (YSA) danışmanlı (denetimli) ve danışmansız (denetimsiz) olmak üzere iki farklı öğrenme özelliğine sahiptir.
Danışmanlı Öğrenme:
Danışmanlı öğrenme, girdi ve çıktı değerleri modelin öğrenmesi için ağa sunulmaktadır. YSA, gerçek çıkış ile istenen çıkış arasında kıyaslama yapmaktadır. Ağ tarafından rastgele değişen ağırlıklar ayarlanır ve bir sonraki döngüde istenen çıkış ile gerçek çıkış arasında daha yakın karşılaştırma üretilmesi sağlanır.
Danışmansız Öğrenme:
Danışmansız öğrenme yönteminde ağ, girdiler arasındaki ilişkilere göre bağlantı ağırlıklarını düzenler. Ağa çıktı değerleri girilmeden ve probleme ait sadece girdi değerleri sunuluyor ise danışmansız öğrenme yöntemi oluşmuş olmaktadır. Ağ, verilen girdilere göre giriş için modelleri veya örnekleri kendi aralarında sınıflayarak bir kuralı oluşturur. Oluşan bu sınıflama kuralına göre ağırlıklar sınıflandırmayı yapabilecek şekilde düzenlenir ve yapılan işlemler tamamlandığında öğrenme işlemi bitmiş olur.
Biyolojik sinir sisteminden tasarlanan yapay sinir sistemi de birbiriyle bağlantılı bir yapıya sahiptir. Yapay sinir hücreleri (yapay nöronlar), oluşturdukları bağlantılarla YSA’nın yapısını oluşturmaktadır. Proses elemanlar olarak isimlendirilen yapay sinir hücrelerinin 5 temel elemanı bulunmaktadır. Her bir yapay sinir hücrelerinin dışarıdan gelen bilgileri alan girdileri, gelen bilgileri işleyen ve bağlantıları oluşturan ağırlıklar, toplama fonksiyonu, aktivasyon fonksiyonu ve işlenen bilgileri dış dünyaya sunan çıktıları veya çıktı elemanları vardır.
Yapay Sinir Hücresi
Yukarıdaki görselde yer alan elemanlar:
Girdiler: Diğer hücrelerden veya dış dünyadan gelen bilgileri temsil etmektedir.
Toplama Fonksiyonu: Toplama fonksiyonu, hücreye giren net girdiyi hesaplayan fonksiyondur. Uygulanacak YSA modeline göre çeşitli fonksiyonlar kullanılabilmektedir. Genellikle toplama fonksiyonu, hücreye gelen bilgiler ile o bilgilerin ağırlıkları çarpılarak toplanmasıdır.
Aktivasyon Fonksiyonu: Aktivasyon fonksiyonu, girdi ve çıktı arasında bağlantıyı kurmaktadır. Toplama fonksiyonundan gelen bilgileri işleyerek çıktı bilgilerini oluşturmaktadır. Bu fonksiyon da toplama fonksiyonu gibi uygulanacak YSA modeline göre çeşitli fonksiyonlara sahiptir.
Çıktı: Aktivasyon fonksiyonun ürettiği değerlerdir.
Yapay Sinir Ağı Modeli
Yapay Sinir Ağları (YSA) tek katmanlı ve çok katmanlı olmak üzere iki sinir ağı modeline sahiptir.
Tek Katmanlı Yapay Sinir Ağları:
Tek katmanlı yapay sinir ağları, girdi ve çıktı katmanlarından oluşmaktadır. Doğrusal olmayan problemlerde tercih edilmemektedir. Birden çok girdi değerlerine sahip olabilmektedir. Örneğin; girdi değeri olan x’ler ile ağırlık değeri olan w değerleri çarpılarak çıktı değeri hesaplanır. Eşik değerini çıktının 0 olmasını engellemektedir ve her zaman 1 değerini almaktadır.
Tek Katmanlı Yapay Sinir Ağı Modeli
Çok Katmanlı Yapay Sinir Ağları:
Çok katmanlı yapay sinir ağları; girdi katmanı, gizli (hidden) katmanlar ve çıktı katmanlarından oluşmaktadır. Çok katmanlı yapay sinir ağları karmaşık problemlerin çözümünde kullanılmaktadır. Dolayısıyla doğrusal olmayan problemlerde tercih edilmektedir. Birden çok girdiye ve birden fazla hidden katmana sahip olabilmektedir. Hidden katmanların sayısı problemin akışına göre arttırılabilir veya azaltılabilir. Hidden katman problemin yapısına göre farklı fonksiyonlar ile işlenip çıktı katmanına aktarılmasını sağlamaktadır.
Çok Katmanlı Yapay Sinir Ağı Modeli
Yapay Sinir Ağları Oluşturulmanın Adımları
Yapay sinir ağı modeline verilmesi gereken bilgileri aşağıdaki şekilde sıralayabiliriz.
- Eğitimde ve testte kullanılacak girdi ve çıktı verileri,
- Ağdaki katmanlar,
- Katmanlardaki nöronların sayısı,
- Nöronların kullanacağı aktivasyon (transfer) fonksiyonları,
- Ağın amacına yaklaştığını ölçmek için kullanılacak amaç fonksiyonu (loss function),
- Değerleri ile iyileştirme yöntemini belirleyen optimizasyon algoritması.
Sonuç:
Günümüzde teknoloji ve bilim dünyasının ortaklaşa yaptığı çalışmalarla Yapay Zeka’nın kullanım alanları artış göstermektedir. Yapay zeka alanında yapılan araştırmaların amacı da, insan zekasına gereksinim duyulmayacak sistemlerin oluşturulmasıyla farklı bir çok karmaşık problemlerin çözümüne olanak tanımaktır. Bütün bu çalışmaların kapsamında gündemde olan bir diğer konu ise doğal zeka ile yapay zeka karşılaştırmasıdır. Doğal zeka için bilgi aktarımı yapay zekaya göre daha fazla zaman almakta ve işlemler daha zor olmaktadır. Bununla birlikte Büyük Veri ve İleri Analitik çalışmalarıyla verileri raporlama, belgelendirme ve sınıflandırma gibi analiz sonuçları makinelerde depolandığından daha kalıcı olmaktadır. Dolayısıyla Yapay Zeka akıllı veya zeki makineler yaratma hedefinde olan bilgisayar bilimlerinin alt alanlarından biridir. Yapay Zeka, askeri alanda hedef tespiti, endüstriyel alanda üretim, robotlar, bilgisayar oyunları, müşteri davranışları-eğilimleri, finans, güvenlik, tıp, uzay ve mühendislik konuları gibi bir çok alanda kullanılanmaktadır.
Yapay Sinir Ağları ve Uygulamaları yazı serimizin devamında, seçili veri seti üzerinden farklı algoritma ve kütüphanelerle kurduğumuz yapay sinir ağı hakkında detaylı bilgiyi ve çalışma kapsamında edindiğimiz tahminlemeleri ve başarı sonuçlarını aktaracağız.
Hazırlayan: GTech Büyük Veri ve İleri Analitik Ekibi
Kaynakça:
Yavuz, Deveci «İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağin Performansina Etkisi», Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı: 40, 2012
https://www.derinogrenme.com/2017/03/04/yapay-sinir-aglari/tka/
