Yapay Sinir Ağları GİRİŞ Akıl kelimesi genellikle zeka kavramıyla karıştırılmaktadır.oysa akıl düşünme, kavrama,idrak etme ve karar verme yeteneklerini kapsar.akıl genetik olarak ve çevresel faktörler gibi nedenler ile değişebilir.durağan değildir.akıl insanın hayatı boyunca artan ve gelişebilen bir yeteneğidir.akıl herhangibir yol ile taklit edilemez. Zeka ise belirli konularda çalışarak,öğretilerek,eğitelerek ve bilgi ve deneyimlere dayalı gelişebilen bir beceridir.anlama, analiz etme,kavrama gibi kavramlar zeka ile gerçekleştirilmektedir Yapay Zeka Nedir? Yapay zeka insan zekasının taklit edelebilir mi düşüncesinden yola çıkarak geliştirilmiş bir kavramdır.bilgisayarlar çok karmaşık işlemleri çabuk bir şekilde gerçekleştirebilirken idrak etme de oldukça kabiliyetlidir. Bu olayda sinirsel algılayıcalar yardımı ile kazanılmış bilgileri kullanabilmesidir.
Şekil 1.İnsan Sinir Hücresi Yapay sinir ağları insan beyninden esinlenerek geliştirilmiş bir teknolojidir.ağırlıklı bağlantılar yardımıyla birbirine bağlanan her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bir yapıdır.yapay sinir ağları aslında biyolojik sinir ağlarını taklit eden bir bilgisayar programıdır.bu şekilde insan zekasının gerçekleştirebileceği yetenekleri gerçekleştirebilir.normal bilgisayarlar ise model seçme işinde verimsizdir fakat algoritmaya dayalı hesaplamalarda oldukça hızlıdır. Bu konuda bir çok yapay sinir ağı kullanılmaktadır.en çok kullanılan yapay sinir ağı ise Geri Yayılımlı yapay sinir ağı olarak bilinmektedir.bu yapay sinir ağı tahmin ve sınıflandırmada oldukça iyi sonuçlar vermektedir.bir başka sinir ağı ise Kohonen Özörgütlemeli yapay sinir ağıdır.bu sinir ağı ise karışık bilgi kümeleri arasında ilişki bulma konusunda oldukça iyidir. Belirsiz, gürültülü ve eksik bilginin işlenmesinde başarı sağlamaktadır. Klasik bilgisayarlarda bilgi 0 ve 1 serileri ile ifade edilir.yapay sinir ağlarında ise matematiksel işlev ile temsil edilir.işlem elemanları arasındaki bağlantının ağırlıkları bu
işlevin değişkenleri olarak görev alırlar.burada ağırlıklar saklanan bilginin ne olduğuna karar verir fakat kendilerinin bir anlamı yoktur. Ağ giriş ile tüm ihtimalleri birleştirerek en iyi sonucu çıkış olarak seçer. Yapay Sinir Ağlarının Genel Kullanım Alanları Yapay sinir ağları üzerine çalışmalar iki kısım üzerine yoğunlaşmıştır.bunlar ileri beslemeli çok katmanlı ağlar ve Hopfield ağlarıdır.günümüzde kullanıldığı alanlar şöyledir: Denetim Sistem Modelleme Ses Tanıma El Yazısı Tanıma Parmak İzi Tanıma Fizyolojik İşaretleri tanıma,izleme ve yorumlama Meteorolojik Yorumlama Elektrik İşareti Tanıma Otomatik Araç Denetimi Yapay sinir ağlarının başlıca temel uygulama alanları sınflandırma,tahmin ve modelleme olarak ele alınabilir. Sınıflandırma: Tıbbi teşhis,imza tetkikleri,ses tanıma,şekil tanıma,hücre tiplerinin sınıflandırılması,mikroplar,modeller vb. sınıf çeşitleri Tahmin: İleriki satışlar,enerji ihtiyacı,üretim ihtiyacı hava tahminleri gibi ileriye yönelik tahminler. Modelleme: Kimyasal yapılar,işlem kontrolü,dinamik
sistemler,robot kontrolü vb.uygulamalar. Yapay Sinir Ağının Ana Öğeleri Yapay sinir ağları birbirlerine bağlı çok sayıda işlem elemanlarından oluşmuş genellikle paralel işleyen yapılardır.yapay sinir ağlarındaki işlem elemanları basit sinirler olarak adlandırılır. Yapay sinir ağları insan beyni gibi öğrenme,hatırlama ve genelleme yeteneğine sahiptir.insan beyninde öğrenme 3 şekilde gerçekleşir. 1. 2. 3. Yeni aksonlar üreterek Aksonların uyarılmasıyla Mevcut aksonların güçlerini değişterek Yapay sinir ağının temel birimi işlem elemanı ya da düğüm olarak adlandırılan yapay sinirdir. Şekil 2.Yapay Sinir Ağının Öğeleri
Girişler x ile ağırlıklar w ile gösterilmiştir.girdiler ile ağırlıklar çarpılarak bias(b) diğer adıyla eşik değeriyle toplanır.ardından aktivasyon koduyla işlenerek çıktı elde edilir. Girişler çevreden aldığı bilgiyi sinire getirir.girişler kendinden önceki sinirden ya da dış çevreden sinir ağına gelebilirler. Ağırlıklar yapay sinir tarafından alınan girişlerin sinir üzerindeki etkisini belirleyen katsayılardır. Bir ağırlığın değerinin büyük olması o girişin yapay sinire güçlü bağlamasına küçük olması ise zayıf bağlanması açısından etkilidir. Toplama fonksiyonu sinirde her bir ağırlığın ait olduğu girişle çarpımının eşik değeriyle toplanmasını sağlar.ardından aktivasyon fonksiyonuna gönderir. Toplama fonksiyonundan gelen sonucu aktivasyon fonksiyonundan geçirerek çıkışa iletir. Şekil 3.Transfer Fonksiyonu(Etkinlik İşlevi)
Çıkış etkinlik işlevi sonucunun dış dünyaya ve ya diğer sinirlere gönderildiği yerdir.bir sinirin tek bir çıkışı vardır.sinirin bu çıkışı herhangi bir sayıdaki diğer sinirlere giriş olabilir. Şekil 4.Biyolojik ve Yapay Sinir Hücre Karşılaştırması Yapay Sinir Ağlarının Oluşturulması Yapay sinir ağları düğüm ve ya sinir olarak adlandırılan çok sayıdaki işlem elemanının bir araya gelmesinden oluşur. Bir hiyerarşik sinir ağı düğümlerin sıralı bir şekilde art arda bağlanmasından oluşur.bu tür ağların özelliği sahip oldukları basit dinamiklerdir.eğer giriş katmanına bir işaret girerse bu işaret sinirler arası bağlantılar yoluyla diğer katmana iletilir. Yapay sinir ağlarının düğümleri ve bağlantıları çok değişik biçimlerde bir araya getirilebilir. Yapay sinir ağ mimarileri sinirler arasındaki bağlantıların yönlerine göre ve ya içindeki işaretlerin akış yönüne göre birbirinden ayrılır.
Buna göre ileri beslemeli ve geri beslemeli olarak olarak iki temel ağ mimarisi vardır. Ara(gizli) katmaları olmayan sadece giriş ve çıkış katmanı olan ağlar karmaşık işlevleri hesaplama yeteneğinden yoksundur.bu sebepten karmaşık hesaplamalar için oluşturulan ağlarda en az bir ara katman olmalıdır. Giriş katmanlarından alınan girişler giriş katmanı ve gizli katman arasında bulunan bağlantı ağırlıkları ile çarpılıp gizli katmana iletilmektedir. Gizli katmandaki sinirlere gelen girişler toplanarak aynı şekilde gizli katman ile çıkış katmanı arasındaki bağlantı ağırlıkları ile çarpılarak çıkış katmanına iletilir. Çıkış katmanındaki sinirlerde bu girişlere uygun bir çıktı üretirler. Şekil 5.Çok katmanlı bir yapay sinir ağı Temel olarak tüm yapay sinir ağlarının basit topolojik yapıları vardır.sinirlerin bir kısmı gerçek dünyadan girişlerini sağlarken diğer sinirler ise ağın çıkışlarında gerçek dünyayı oluşturur.kalan sinirlerin tümü gerçek anlamda
görünmediğinden gizli katman olarak adlandırılırlar. Gizli katmana bir giriş geldiğinde sinirleri diğer katmana giriş olacak şekilde çıkış üretir.bu işlem koşulları yerine getiren kesin durum oluşuncaya kadar devam eder ve çıkışı dış çevreye aktarır. Gizli düğümlerin sayısı ağın en iyi çalışabileceği bir sayıda çizilmelidir.eğer sinir sayısı artırılırsa istenen değerin üstüne çıkılmış olur.bu durumda ağda genelleşme sorunu ortaya çıkarır. İletişim ve Bağlantı Çeşitleri Bir sinirin çıkışı diğer bir sinire giriş olarak yollarla bağlanır.bu yollar normalde yönlü değildir.bu nedenle iki sinir arasında iki yönlü bağlantı vardır. Sinir birçok sinirden giriş alır fakat bir tek çıkış üretir. Bir katmandaki sinirler kendi aralarında bağlantı kurabilir ve ya hiçbir bağlantı olmayabilir. Katmanlar Arası Bağlantılar Katmanlar arasında kullanılan değişik türde bağlantılar vardır. Bunlar şöyle sıralanabilir 1. Tam Bağlantılı:İlk katmandaki her sinir ikinci katmandaki her sinire bağlıdır. 2. Kısmi Bağlantılı: İki katmanın bir siniri ikinci katmandaki her sinirle bağlantılı olmamalıdır. 3. İleri Besleme: İlk katmandaki sinirler çıkışlarını ikinci kat sinirlerine gönderir fakat ikinci kat sinirlerden geri giriş almazlar 4. Çift Yönlü: İkinci katman sinirlerinin çıkışlarını birinci katman sinirlerine taşıyan bir başka bağlantı kümesi vardır.
5. Hiyerarşik: Eğer sinir ağı hiyerarşik yapıya sahipse düşük katmanların sinirleri bir sonraki seviyedeki katmanın sinirlerine iletilebilir. 6. Rezonans: Çift yönlü bağlantılı katmanlar ve kesin durum oluşuncuya kadar defalarca mesajı bağlantı üzerinden göndermeye devam edebilir. Sinirler Arası Bağlantı Daha karışık yapılarda sinirler kendi aralarında haberleşirler. Tekrarlamalı: Bir katman içindeki sinirler tam ve ya kısmi olarak biri diğerine bağlı olabilir. Bu sinirler başka bir katmandan giriş aldıklarında çıkışlar başka bir katmana göndermeden önce birinin çıkışı diğerininkine defalarca aktarılır.genelde çıkışlarını diğer katmana iletmeden önce bazı durumlarda katmanın sinirleri arasında bağlantılar meydana gelir. Merkezde/Çevre Dışı(On-center/Off Surround):Bir katmandaki sinirin kendisi ve o anki komşuları için uyartım bağlantıları varken diğer sinirler için yasaklayıcı bağlantılar vardır.birkaç işaret değişiminden sonra etkin çıkış değerli sinirler kazanır.bu durumda ya kendinin ya da ekip elemanlarının boyutlarının güncellemesine izin verilir. Öğrenme Öğrenme kuralı Hebian öğrenme kuralı denen basit bir modele dayanır. Kural temel olarak «Eğer iki düğüm aynı zamanda etkin ise aralarındaki bağ gücü artar»»kuramına dayanır. Danışmanlı ve danışmansız olmak üzere iki tip öğrenme metodu vardır. Danışmanlı öğrenmede bir öğretmene ihtiyaç vardır.öğretmen, bir veri alıştırma kümesi ve ya ağ sonuçlarının performansı
değerlendiren bir gözlemci olabilir. Danışmansız öğrenmede ise bir öğretmene ihtiyaç yoktur. Önemli Öğrenme Kuralları Hebb Kuralı:İlk ve en iyi bilinen öğrenme kuralı Donald Hebb tarafından açıklanmıştır.temel kural: «Eğer bir sinir başka bir sinirden giriş alırsa ve her ikisi de aynı işaretli ise sinirler arasındaki boyut kuvvetlendirilir.» Hopfield Kuralı:Bu kural kuvvetlendirme ve zayıflatmanın genliğini belirleyebilmesi istisnası haricinde Hebb kuralıyla benzerdir.bu kurala göre «Eğer istenilen çıkış ve girişin ikiside aktif ve ya durgun ise bağlantı boyutlarını öğrenme oranı arttır aksi halde boyutu öğrenme oranı kadar azalt»prensibiyle çalışır. Delta Kuralı:En çok kullanılan kurallardan biridir.hebb kuralının daha geliştirilmiş halidir.bu kural bir sinirin gerçek çıkışı ile istenilen çıkış değeri arasındaki farkı azaltmak için giriş bağlantı güçlerini sürekli olarak geliştirme fikrine dayanır.bu kural ağ hatasının karesini minimize etmek için bağlantı boyutlarını değiştirir. Eğimli İniş Kuralı:Bu kural delta kuralına benzer.transfer fonksiyonunun türevi bağlantı ağırlıklarına uygulanmadan önce,delta hatasını düzeltmek için kullanılır.bir ağın farklı katmanları için öğrenme oranları,öğrenme işleminin daha hızlı olmasına yardımcıdır. Kohonen Öğrenme Kuralı: Kohonen tarafından geliştirilen bu yöntem biyolojik sistemlerden esinlenilmiştir.bu yöntemde sinirler öğrenmek,için elverişli durum ve ya ölçülerini güncellemek için yarışırlar.en büyük çıkış ile işlenen sinir kazananı ilan eder ve komşularına bağlantı boyutlarını güncellemeleri için izin verilir.
Uygulama Alanları Temel olarak yapay sinir ağları uygulamalarının çoğu aşağıdaki sınıflardan birini girmektedir. 1. 2. 3. 4. 5. 6. Öngörü Sınıflandırma Veri Birleştirilmesi Veri Kavramlaştırılması Veri Süzülmesi Resim ve ya Görüntü İşleme Endüstriyel alanlarda,ulaştırma ve havacılık alanında,finans,borsa ve kredi kartı alanlarında,tıp,biyomedikal,ilaç sanayi ve iletişim sanayi alanlarında sıklıkla kullanılmaktadır. Referanslar [1].Elmas,Ç.(2011).Yapay Zeka Uygulamaları.Ankara:Seçkin Yayıncılık [2]. http://slideplayer.biz.tr/slide/2672781/ [3]. http://www.psikolojik.gen.tr/yapay-sinir-aglari.html [4]. http://www.akanesen.com/2017/09/yapay-sinir-aglar.html [5]. http://www.yapaysiniraglari.com/dersler/icerikid/29 [6]. http://thesecondmessengers.blogspot.com.tr/2011/11/sinirhucresi-noron.html