Hata Fonksiyonları Lojistik Fonksiyon ß ß Huber Fonksiyonu ß ß

Talvar Fonksiyonu ß ß

YSA Eğitilmiş YSA modeli Eğitim Kümesi Ölçekleme Geri Ölçekleme Ölçeklenmiş Veri Verilerin Ölçeklenmesi Doğrusal Ölçekleme: Logaritmik Ölçekleme:

Son İpuçları ‘ler büyük ise ağırlıkların değişim aralığı küçülür; fiziksel gerçeklemeye uygun olur. Ancak girişlerdeki gürültüye tolerans azalır. Ağırlıklar başlangıçta aynı seçilirse, değişimleri de aynı olabilir. Dolayısıyla ağırlıklar yenilendiğinde aynı kalabilirler. Bunu engellemek için başlangıç ağırlıkları sıfıra yakın sayılardan rastgele seçilmeli. Her katman eklendiğinde geriye yayılım algoritması yavaşlar. Bunu engellemek için girişten çıkışa doğrudan bağlantılar yapılabilir.

Geriye yayılım algoritması “en dik iniş” ve gradyen yönteme dayalı olduğundan, bu yöntemi iyileştirici tüm teknikler geriye yayılım algoritmasını da iyileştirmek için kullanılabilir. İkinci türevleri kullanan lineer olmayan eniyileme yöntemlerinden herhangi biri de kullanılabilir. SONLU ADIMDA GLOBAL MİNİMUMA YAKINSAMASI GARANTİ DEĞİLDİR.

T ve L harfini ayırt eden bir ağ Bu harfleri ağa nasıl sunacağız?25X1 boyutlu vektörler ile

Bu verilerin yanı sıra bozuk veriler de verelim....

Bir de test kümesi oluşturalım... Test kümesinde sağlam veriler ve eğitim kümesindekilerden farklı bozuk veriler olsun

F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma NARX (nonlinear autoregressive with exogenous inputs) modeli

Çok Katmanlı Ağ F(.) z -1 Giriş u(n) Çıkış y(n+1) u(n-1) u(n-m) y(n) y(n-1) y(n-k) Mahmut Meral, Lisans Bitirme Ödevi, 2003

Nonlineer Sistem F(.) z -1 Çok Katmanlı Ağ z y(n+1) ŷ(n+1) e(n)=y(n+1)- ŷ(n+1) Giriş u(n) z -1 Mahmut Meral, Lisans Bitirme Ödevi, 2003

Billings sistemi test sonuçları o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

Feigenhoum sistemi için bir adım sonrasının öngörümü o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

Feigenhoum sisteminin otonom davranışı o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

Çok katmanlı ağın çekicisi Gerçek sistemin çekicisi Mahmut Meral, Lisans Bitirme Ödevi, 2003

Eğiticisiz Öğrenme Amaç: Veri kümesinin belirli özelliklerini, özniteliklerini sadece veri kümesinden yararlanarak belirlemek Öbekleme Vektör Kuantalama Veri Tanımlama gaos.org/~schleif/lvq_schema.png

Yarışmalı Öğrenme (Competitive Learning) Amaç: Verilen örüntüleri öbekleme Verilenler: n boyutlu p tane vektör Ağ Yapısı: Nasıl bir yapı? Öğrenme Kuralı: Öğrenme kuralı amaca göre değişiyor; ancak kural nasıl konulursa konulsun yapılan iş: Kazananı bul Ağırlığını değiştir nöronlara ilişkin ağırlıklar Kazananı belirlemek için eğitim kümesindeki tüm veriler için hesaplanmalı

Kazanan nöron’a ilişkin ağırlık Ağırlıkları Güncelleme: diğerleri Bir uygulama Vektör Kuantalama: Özdenetimli öznitelik belirleyici Vektör Kuantalama Eğitici Sınıflar Amaç: Sınıflandırma için belirlenen bölgelerin düzenlenmesi