YAPAY SİNİR AĞLARI

KONULAR YAPAY SİNİR AĞLARININ TANIMI YAPAY SİNİR AĞLARININ TARİHÇESİ YAPAY SİNİR AĞLARININ GENEL ÖZELLİKLERİ AVANTAJLARI – DEZAVANTAJLARI GELENEKSEL ALGORİTMALAR İLE YSA’LAR YAPAY SİNİR AĞLARININ YAPISI YAPAY SİNİR AĞLARININ TÜRLERİ YAPAY SİNİR AĞLARININ SINIFLANDIRILMASI YAPAY SİNİR AĞLARININ KULLANILDIĞI ALANLAR YAPAY SİNİR AĞLARININ SAĞLIK ALANINDA KULLANIMI

YAPAY SİNİR AĞLARI NEDİR? Yapay sinir ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri, herhangi bir yardım almadan otomatik olarak gerçekleştirebilmek amacı ile geliştirilen bilgisayar sistemleridir.

YAPAY SİNİR AĞLARININ TARİHÇESİ YSA'lar ile ilgili çalışmalar 20, yy'ın ilk yarısında başlamış ve günümüze kadar büyük bir hızla devam etmiştir. Bu çalışmaları 1970 öncesi ve sonrası diye iki kısma ayırmak mümkündür.1970 yılları YSA için bir dönüm noktasını teşkil etmiş daha önce aşılması imkânsız görünen pek çok problem bu dönemlerde aşılmıştır.

İlk yapay sinir ağı modeli 1943 yılında, bir sinir hekimi olan Warren McCulloch ile bir matematikçi olan Walter Pitts tarafından gerçekleştirilmiştir. McCulloch ve Pitts, insan beyninin hesaplama yeteneğinden esinlenerek, elektrik devreleriyle basit bir sinir ağı modellemişlerdir.

1949- Hebb öğrenme prosedürünü bilgisayarlar tarafından gerçekleştirilecek şekilde geliştirmiştir. 1957- Perceptron'un geliştirilmesi 1959- Widrow ve Hoff ADALINE öğrenme algoritmasını geliştirmiştir. 1965- ilk makine öğrenmesi kitabının yayınlanması 1967 - 1969 bazı gelişmiş öğrenme algoritmalarının geliştirilmesi (Grosberg vs.) 1969- tek katmanlı algılayıcıların yetersizliklerinin ispatlanması 1970- Fukushima tarafından Neocognıtron modeli tanıtılmıştır.

1972- korelasyon matris belleğinin geliştirilmesi 1974- geriye yayılım modelinin geliştirilmesi 1978- ART modelinin geliştirilmesi 1982- çok katmanlı algılayıcıların geliştirilmesi 1984- Boltzmann Makinesi'nin geliştirilmesi 1988- RBF - PNN modelinin geliştirilmesi 1991- GRNN modelinin geliştirilmesi

YAPAY SİNİR AĞLARININ GENEL ÖZELLİKLERİ YSA'lar, uygulanan ağ modeline göre değişik karakteristik özellikler göstermelerine karşın temel birkaç ortak özelliğe sahiptirler. Birinci özellik; YSA'larda sistemin paralelliği ve toplamsal işlevin yapısal olarak dağılmışlığıdır. YSA’lar bir çok nörondan meydana gelir ve bu nöronlar eş zamanlı olarak çalışarak karmaşık işlevleri yerine getirir. Diğer bir değişle karmaşık işlevler bir çok nöronun eş zamanlı çalışması ile meydana getirilir. Süreç içerisinde bu nöronlardan her hangi biri işlevini yitirse dahi sistem güven sınırları içerisinde çalışmasına devam edebilir.

İkinci özellik; ise genelleme yeteneği, diğer bir değişle ağ yapısının, eğitim esnasında kullanılan nümerik bilgilerden eşleştirmeyi betimleyen kaba özellikleri çıkarsaması ve böylelikle eğitim sırasında kullanılmayan girdiler için de, anlamlı yanıtlar üretebilmesidir.

Üçüncü olarak; ağ fonksiyonları non-lineer olabilmektedir Üçüncü olarak; ağ fonksiyonları non-lineer olabilmektedir. Yapı üzerinde dağılmış belli tipteki non-lineer alt birimler özellikle, istenen eşleştirmenin denetim ya da tanımlama işlemlerinde olduğu gibi non-lineer olması durumunda işlevin doğru biçimde yerine getirilebilmesini matematiksel olarak olası kılarlar. Dördüncü özellik ise; sayısal ortamda tasarlanan YSA'ların, donanımsal gerçekleştirilebilirlikleridir. Bu özellik belkide YSA'ların günlük hayatta daha da fazla yaşamımızın içine girebileceğinin göstergesidir.

YAPAY SİNİR AĞLARININ AVANTAJLARI YSA'lar makine öğrenmesi gerçekleştirebilirler Bilgi işleme yöntemleri geleneksel programlamadan farklıdır Bilgiler ağın tamamında saklanır. Örnekleri kullanarak öğrenirler Daha önce görülmemiş örnekler hakkında bilgi üretebilirler. Algılamaya yönelik olaylarda kullanılabilirler

Örüntü (pattern) ilişkilendirme ve sınıflandırma yapabilirler. Örüntü tamamlama yapabilirler. Kendi kendine öğrenebilme ve organize etme yetenekleri vardır. Eksik bilgi ile çalışabilmektedirler. Hata toleransına sahiptirler. Dereceli bozulma (Graceful degradation) gösterirler. Dağıtık belleğe sahiptirler.

YAPAY SİNİR AĞLARININ DEZAVANTAJLARI Ağın davranışlarının açıklanamaması. Uygun ağ yapısının belirlenmesinde belli bir kural yoktur. Ağın parametre değerlerinin belirlenmesinde belli bir kural yoktur. Öğrenilecek problemin ağa gösterimi önemli bir problemdir. Ağın eğitiminin ne zaman bitirilmesi gerektiğine ilişkin belli bir yöntem yoktur. Donanım bağımlıdır.

GELENEKSEL ALGORİTMALAR İLE YSA’LAR Çıkışlar, koyulan kurallara girişlerin uygulanması ile elde edilir. Hesaplama; merkezi, eş zamanlı ve ardışıldır. Bellek paketlenmiş ve hazır bilgi depolanmıştır. Hata töleransı yoktur. Nispeten hızlıdır. Bilgiler ve algoritmalar kesindir.

YAPAY SİNİR AĞLARI Öğrenme esnasında giriş çıkış bilgileri verilerek, kurallar koyulur. Hesaplama; toplu, eş zamansız ve öğrenmeden sonra paraleldir. Bellek ayrılmış, ve ağa yayılmıştır. Dahilidir. Hata töleransı vardır. Yavaş ve donanıma bağımlıdır. Deneyimden yararlanır.

YAPAY SİNİR AĞLARININ YAPISI Yapay sinir ağlarında bazı öğrenme algoritmaları geliştirilmiştir. Yapay sinir ağları 3 katmandan oluşur. Girdi katmanı ( input layer), gizli katman( middle layer), çıktı katmanı (output layer).

Öğrenme algoritmaları günden güne geliştirilmiştir.

Giriş Katmanı (Input Layer) Yapay sinir ağına dış dünyadan girdilerin geldiği katmandır. Bu katmanda dış dünyadan gelecek giriş sayısı kadar nöron bulunmasına rağmen genelde girdiler herhangi bir işleme uğramadan alt katmanlara iletilmektedir.

Ara Katmanı (Middle Layer) Giriş katmanından çıkan bilgiler bu katmana gelir. Ara katman sayısı ağdan ağa değişebilir. Bazı yapay sinir ağlarında ara katman bulunmadığı gibi bazı yapay sinir ağlarında ise birden fazla ara katman bulunmaktadır.  Ara katmanlardaki nöron sayıları giriş ve çıkış sayısından bağımsızdır. Birden fazla ara katman olan ağlarda ara katmanların kendi aralarındaki nöron sayıları da farklı olabilir. Ara katmanların ve bu katmanlardaki nöronların sayısının artması hesaplama karmaşıklığını ve süresini arttırmasına rağmen yapay sinir ağının daha karmaşık problemlerin çözümünde de kullanılabilmesini sağlar.

Çıkış Katmanı (Output Layer) Ara katmanlardan gelen bilgileri işleyerek ağın girdi katmanından gelen verilere karşılık olan çıktıları üreten katmandır. Bu katmanda üretilen çıktılar dış dünyaya gönderilir. Geri beslemeli ağlarda bu katmanda üretilen çıktı kullanılarak ağın yeni ağırlık değerleri hesaplanır.

YAPAY SİNİR AĞLARININ TÜRLERİ Günümüzde, belirli amaçlarla ve değişik alanlarda kullanılmaya uygun birçok yapay sinir ağı modeli (Perceptron, Adaline, MLP, LVQ, Hopfield, Recurrent, SOM, ART ve PCA gibi) geliştirilmiştir. Yapay sinir ağları türleri 2’ye ayrılır: Tek Katmanlı Sinir Ağları Perceptron Çok Katmanlı Sinir Ağları Hopfield Ağı Kohonen Özellik Haritası

Tek Katmanlı Sinir Ağları: Tek katmanlı yapay sinir ağları sadece girdi ve çıktı katmanlarından oluşur. En basit tek katmanlı sinir ağı modeli perceptron’dur.

Perceptron Perceptron modeli eğitilebilen tek bir yapay sinir hücresinden oluşur. Bu modelde ağırlıklandırılmış girdiler aktivasyon fonksiyonuna uygulanır ve +1 yada -1 şeklinde bir çıktı alınır. Perceptron’un amacı girdileri sınıflandırmaktır. Bu demektir ki n-boyutlu uzay şekildeki gibi bir doğru yada düzlem ile iki bölgeye ayrılır.

Çok Katmanlı Sinir Ağları Çok katmanlı sinir ağları bir ya da daha fazla gizli katmanı olan ileri beslemeli sinir ağlarıdır. Genelde bu ağ bir girdi katmanı, en az bir gizli katman ve bir de çıkış katmanından oluşur. Gizli katmanlara ihtiyaç duyulmasının sebebi girdi katmanlarından gelen genellikle işlenmemiş sinyallerin özelliklerini belirlemek, ağırlıklandırmak ve sonuçları çıktı katmanına yönlendirmektir.

Hopfield Ağı Hopfield modeli, her biri birbirine bağlı sinir hücrelerinden oluşan bir kümeyi içerir. Girdi ve çıktı hücreleri arasında fark gözetilmez. Tür - Geri Besleme Katmanlar - Tek Matris Girdi Değeri Türleri - İkili (Binary) Aktivasyon Fonksiyonu - İşaret Öğrenme Yöntemi - Denetsiz Öğrenme Algoritması - Delta Öğrenme Kuralı (EK-1) - Benzetimli Tavlama (EK-1) Kullanım Alanları - Desen İlişkileri - Eniyileme (Optimizasyon) Problemleri

Kohonen Özellik Haritası İnsan beyninin taklit edilmesi konusunda en kullanışlı sinir ağı türü olarak kabul edilebilir. Bu türün kalbi, sinir hücrelerinin kendilerini belirli girdi değerlerine göre düzenledikleri bir katman olan özellik haritasıdır. Tür - Geri Besleme / İleri Besleme Katmanlar - 1 Girdi Katmanı, 1 Harita Katmanı Girdi Değeri Türleri - İkili (Binary), Reel (Real) Aktivasyon Fonksiyonu - Sigmoid Öğrenme Yöntemi - Denetsiz Öğrenme Algoritması - Öz-Örgütleme Kullanım Alanları - Desen Sınıflandırma - Eniyileme (Optimizasyon) Problemleri - Benzetim

YAPAY SİNİR AĞLARININ SINIFLANDIRILMASI Yapay sinir ağları işleyiş olarak benzer olmalarına rağmen herhangi bir tasarım ve işleyiş standardı bulunmamaktadır. Nöron dizilimlerine, nöronların ağırlıklarının düzenleme için yapılan hesaplamaların türüne ve zamanına göre yapay sinir ağlarını üç ayrı dalda inceleyebiliriz.

Yapılarına Göre Yapay Sinir Ağları İleri Beslemeli Ağlar İleri beslemeli ağlarda nöronlar girişten çıkışa doğru düzenli katmanlar şeklindedir. Bir katmandan sadece kendinden sonraki katmanlara bağ bulunmaktadır. Yapay sinir ağına gelen bilgiler giriş katmanına daha sonra sırasıyla ara katmanlardan ve çıkış katmanından işlenerek geçer ve daha sonra dış dünyaya çıkar.

Geri Beslemeli Yapay Sinir Ağları Geri beslemeli yapay sinir ağlarında ileri beslemeli olanların aksine bir nöronun çıktısı sadece kendinden sonra gelen nöron katmanına girdi olarak verilmez. Kendinden önceki katmanda veya kendi katmanında bulunan herhangi bir nörona girdi olarak bağlanabilir. Bu yapısı ile geri beslemeli yapay sinir ağları doğrusal olmayan dinamik bir davranış göstermektedir. Geri besleme özelliğini kazandıran bağlantıların bağlanış şekline göre geri aynı yapay sinir ağıyla farklı davranışta ve yapıda geri beslemeli yapay sinir ağları elde edilebilir.

Öğrenme Algoritmalarına Göre Yapay Sinir Ağları Yapay sinir ağlarının verilen girdilere göre çıktı üretebilmesinin yolu ağın öğrenebilmesidir. Bu öğrenme işleminin de birden fazla yöntemi vardır. Yapay sinir ağları öğrenme algoritmalarına göre danışmanlı, danışmansız ve takviyeli öğrenme olarak üçe ayrılır.

Danışmanlı Öğrenme Danışmanlı öğrenme sırasında ağa verilen giriş değerleri için çıktı değerleri de verilir. Ağ verilen girdiler için istenen çıkışları oluşturabilmek için kendi ağırlıklarını günceller. Ağın çıktıları ile beklenen çıktılar arasındaki hata hesaplanarak ağın yeni ağırlıkları bu hata payına göre düzenlenir. Hata payı hesaplanırken ağın bütün çıktıları ile beklenen çıktıları arasındaki fark hesaplanır ve bu farka göre her nörona düşen hata payı bulunur. Daha sonra her nöron kendine gelen ağırlıkları günceller.

Danışmansız Öğrenme Danışmasız öğrenmede ağa öğrenme sırasında sadece örnek girdiler verilmektedir. Herhangi bir beklenen çıktı bilgisi verilmez. Girişte verilen bilgilere göre ağ her bir örneği kendi arasında sınıflandıracak şekilde kendi kurallarını oluşturur. Ağ bağlantı ağırlıklarını aynı özellikte olan dokuları ayırabilecek şekilde düzenleyerek öğrenme işlemini tamamlar.

Destekleyici Öğrenme Bu öğrenme yaklaşımında ağın her iterasyonu sonucunda elde ettiği sonucun iyi veya kötü olup olmadığına dair bir bilgi verilir. Ağ bu bilgilere göre kendini yeniden düzenler. Bu sayede ağ herhangi bir girdi dizisiyle hem öğrenerek hem de sonuç çıkararak işlemeye devam eder. Örneğin satranç oynayan bir yapay sinir ağı yaptığı hamlenin iyi veya kötü olduğunu anlık olarak ayırt edememesine rağmen yine de hamleyi yapar. Eğer oyun sonuna geldiğinde program oyunu kazandıysa yaptığı hamlelerin iyi olduğunu varsayacaktır ve bundan sonraki oyunlarında benzer hamleleri iyi olarak değerlendirerek oynayacaktır.

Öğrenme Zamanına Göre Yapay Sinir Ağları Yapay sinir ağları öğrenme zamanına göre de statik ve dinamik öğrenme olarak ikiye ayrılır. Statik Öğrenme Statik öğrenme kuralıyla çalışan yapay sinir ağları kullanmadan önce eğitilmektedir. Eğitim tamamlandıktan sonra ağı istenilen şekilde kullanılabilinir. Ancak bu kullanım sırasında ağın üzerindeki ağırlıklarda herhangi bir değişiklik olmaz.

Dinamik Öğrenme Dinamik öğrenme kuralı ise yapay sinir ağlarının çalıştığı süre boyunca öğrenmesini öngörerek tasarlanmıştır. Yapay sinir eğitim aşaması bittikten sonra da daha sonraki kullanımlarında çıkışların onaylanmasına göre ağırlıklarını değiştirerek çalışmaya devam eder

YAPAY SİNİR AĞLARININ KULLANILDIĞI ALANLAR Yapay sinir ağları geniş kullanım alanına sahiptir. Bunlardan bazıları: Otomotiv sektöründe Uzay sanayisinde Bankacılıkta Elektrik alanında Finans alanında Sağlık alanında Askeri alanda Endüstri alanında

YAPAY SİNİR AĞLARININ SAĞLIK ALANINDA KULLANIMI Yapay sinir ağları sağlıkta bir çok yerde kullanılmaktadır. Ama genelde bir hastalığın hangi nedenlerden dolayı ortaya çıktığını tahmin etmek için kullanılır. Yapay sinir ağları insanların kaybettikleri vücut parçalarını değiştiren yapay vücut parçalarda kullanılan sinir ağlardır. Burada önemli olanı yapay sinir ağı insanda olan biyolojik sinir ağ tarafından kontrol edilmesidir.

Yapay sinir ağı (YSA) ile medikal alanda teşhis ve tahmine dayalı çalışmalar gün geçtikçe artmaktadır. Özellikle bazı tıbbi problemlerde teşhisler doktor tecrübesine dayanmaktadır. Bu durumda doktorlara yardımcı olmak ve bazı hastalıkların teşhisini kolaylaştırmak amacıyla yapay sinir ağı ile çeşitli çözümler sunulmaktadır.

İnsan beyin fonksiyonundan esinlenen YSA, deneme yolu ile öğrenme ve genelleştirme yapabilmektedir. YSA’ nın kullanıldığı önemli alanlardan biri de geleceği tahmindir. YSA, veriler arasındaki bilinmeyen ve fark edilmesi güç ilişkileri ortaya çıkartabilir. YSA doğrusal değildir. Doğrusal modeller, önemli detayları anlayabildikleri ve açıklayabildikleri takdirde avantajlı olabilirler.

YAPAY GÖZ Gözler bozulurken genelde retinası bozulur. Yapay gözde iki tane farklı uygulama vardır. Birincisi bozulmuş olan retina altına tükenmez kalemin ucundaki topu kadar chip yerleştiriliyor. Bu durumda chip herhangi bir YSA kullanmadan direk biyolojik sinir ağına bağlanıyor.

İkincisi ise gözlüğe küçük bir kamera yerleştiriliyor ve onun üzerinde beyine YSA yardımı ile görüntüyü gönderiyor. Bu durumda YSA üzerinden beyine bağlanılıyor.

YAPAY BURUN Normal bir insan burnu bir çok kokuyu tanır ve onların ne kokusu olduğunu belirleyebilir. Yapay kokuları tanıyabilen burun için büyük bir veri tabanı gerekir. Belki de yapay bir gözden daha zor bir yapıya sahiptir. Bu da yapay kol gibi öğrenme yapısına sahiptir. Çünkü aldığı kokunun ne kokusu olduğunu belirleyip beyine göndermektedir.

HAZIRLAYANLAR GİZEM ATALAY EMİNE KAYA LEYLA VERGİLİ SEMA ÇELEBİ