Yapay Sinir Aglari

Sunum İçeriği  Biyolojik Sinir Ağları  Yapay Sinir Ağları (YSA)  Tanım  Genel Özellikler  Yapı  Modeller  İşleyiş  Tasarım  Örnek Yapay Sinir Ağları 2

Biyolojik Sinir Ağları - 1  Biyolojik sinir siteminin yapı taşı olan nöronlar dört temel bölümden oluşur; dendrit, gövde, akson ve çekirdek. Yapay Sinir Ağları 3

Biyolojik Sinir Ağları - 2  Biyolojik sinir sistemi ise nöronların birleşiminden oluşur ve genel olarak aşağıdaki yapıya sahiptir: Duyu organları Alıcı Sinirler Merkezi Sinir Sistemi Tepkiler Tepki Sinirleri Yapay Sinir Ağları 4

YSA Tanımı  YSA canlılarda bulunan sinir sistemlerinin öğrenme özelliğini örnek alarak çalışan bir bilgi işleme modelidir.  YSA dışarıdan aldığı dinamik verilere göre dinamik sonuçlar üretebilen, birbirine bağlı basit elemanlardan oluşan bir yapıya sahiptir. Yapay Sinir Ağları 5

YSA’nın Genel Özellikleri  Yapay sinir ağları canlılardaki sinir sistemlerinin aşağıdaki işlevlerini gerçekleştirmeyi hedefler:  Öğrenme  İlişkilendirme  Sınıflandırma  Genelleme  Tahmin  Özellik belirleme Yapay Sinir Ağları 6

YSA’nın Avantajları  Doğrusal olmama  Paralellik  Hata toleransı  Öğrenebilirlik  Genelleme  Uyarlanabilirlik  Hız  Analiz ve Tasarım Kolaylığı Yapay Sinir Ağları 7

YSA’nın Dezavantajları  Eğitim Süreci  Eğitim Hataları  Başlangıç Koşullarına Bağlılığı Yapay Sinir Ağları 8

YSA’nın Yapısı - 1  Örnek bir yapay sinir ağının yapısı aşağıdaki gibidir:  Yapay sinir ağları birden çok veri işleme katmanından oluşmaktadır. Yapay Sinir Ağları 9

YSA’nın Yapısı - 2  Yapay sinir ağlarının temel yapıtaşı canlılarda ki sinir sisteminde olduğu gibi sinir hücreleridir (nöron).  Aşağıda örnek bir yapay sinir hücresinin yapısı görünmektedir. Yapay Sinir Ağları 10

YSA’nın Yapısı - 3  YSA’nın yapı taşı olan yapay sinir hücrelerinin beş temel bölümü vardır:  Girdiler  Ağırlıklar  Birleştirme Fonksiyonu  Aktivasyon Fonksiyonu  Çıktılar Yapay Sinir Ağları 11

YSA Modelleri  Yapılarına Göre  İleri beslemeli  Geri beslemeli  Öğrenme Algoritmalarına Göre  Danışmalı  Danışmasız  Destekleyici  Öğrenme Zamanına Göre  Dinamik  Statik Yapay Sinir Ağları 12

Yapılarına Göre YSA Modelleri  İleri Beslemeli  İleri beslemeli yapay sinir ağlarında nöronlar arasında hiyerarşik bir yapı vardır ve bir katmandaki nöronlar sadece kendinden sonraki katmana veri iletir.  Geri Beslemeli  Bu ysa modelinde ise bir nöron kendinden sonraki katmana veri ilettiği gibi kendinden önceki katmana veya kendi katmanına da veri iletebilir. Yapay Sinir Ağları 13

Öğrenme Algoritmalarına Göre YSA Modelleri  Danışmanlı  YSA’ya verilen her giriş verisi için çıkış verisi de verilir. Ağ, beklenen çıktıyı elde etmek üzere katsayılarını günceller.  Danışmansız  YSA’ya giriş verisiyle beraber çıkış verisi verilmez. YSA birbirine benzeyen çıktıları gruplar.  Destekleyici  YSA’ya giriş verilerinin yanı sıra her veri setine ait çıkışa bir puan verilir. YSA katsayılarını en yüksek puanı alacak şekilde düzenler. Yapay Sinir Ağları 14

Öğrenme Zamanına Göre YSA Modelleri  Statik  YSA eğitim verileriyle eğitilir ve ağın yapısı kaydedilir. Ağ bundan sonra hep aynı yapıyla çalışır. Kullanımı sırasında herhangi bir değişikliğe uğramaz  Dinamik  YSA eğitim verileriyle eğitildikten sonra kullanımı sırasında da kendini düzenlemeye devam eder. Böylece sürekli öğrenen bir YSA elde edilebilinir. Yapay Sinir Ağları 15

YSA’nın Çalışması - 1  Yapay sinir ağlarının yapı taşı olan yapay sinir hücreleri kendilerine verilen girdileri her bir girdiye ait ağırlığa göre değerlendirerek çıkışını üretir. Yapay Sinir Ağları 16

YSA’nın Çalışması - 2  YSA giriş katmanından aldığı verileri ara katmanlarda işleyerek çıkış katmanına iletmektedir. Yapay Sinir Ağları 17

YSA’nın Çalışması – 3  Yapay sinir ağlarında en çok kullanılan öğrenme algoritmalarından biri geri yayılmalı (back propagation) öğrenme algoritmasıdır.  Bu algoritmada her iterasyon sonucunda çıkış katmanındaki hata hesaplanarak bu hata çıkış katmanından giriş katmanına doğru bütün nöronlara iletilir ve ağırlıklar hata payına göre tekrar düzenlenir. Yapay Sinir Ağları 18

YSA’nın Çalışması - 4  Geri yayılma algoritmasında çıkış nöronlarındaki hata payı aşağıdaki formül ile hesaplanır. (1)  Çıkış katmanındaki nörona ait hata payı kendinden önceki nöronlara ağırlıklarıyla orantılı olarak dağıtılır . (2)  Her nöron için hata payı bulunduktan sonra bu hata payları yardımıyla yeni ağırlıklar hesaplanır. (3) 1) 3) 2) Yapay Sinir Ağları 19

YSA Tasarımı  Bir yapay sinir ağının tasarlanmasında öncelikle gereksinimler belirlenip buna göre uygun bir YSA modeli kullanılır.  YSA tasarımında aşağıdaki kriterler belirlenmelidir.  Ağdaki katman sayısı  Her bir katmandaki nöron sayısı  Nöronların aktivasyon fonksiyonu  Öğrenme algoritması Yapay Sinir Ağları 20

YSA Örneği - 1  Üç katman  Üç giriş  Bir ara katman  Bir çıkış  İleri beslemeli  Geri yayılmalı öğrenme algoritması Yapay Sinir Ağları 21

YSA Örneği - 2  Nörona gelen giriş değerleri ait oldukları ağırlıklarla çarpılarak toplanır.  Bu toplam aktivasyon fonksiyonundan geçirilir. Yapay Sinir Ağları 22

YSA Örneği - 3 Yapay Sinir Ağları 23

YSA Örneği - 6  Eğitim setindeki her girdi için beklenen çıktı ile elde edilen çıktı karşılaştırılarak hata payı hesaplanır.  Bu hata payı çıkış katmanından girişe doğru nöronları bağlayan ağırlıklarla orantılı olarak geriye doğru iletilir. Yapay Sinir Ağları 26

Soru & Cevap posta@ahmetkakici.com Yapay Sinir Ağları 27

Yapay Sinir Aglari

by ahmetkakici on Feb 20, 2010

Accessibility

Categories

Tags

Upload Details

Usage Rights

2 Embeds 38

Statistics

Yapay Sinir Aglari — Presentation Transcript

http://www.slideshare.net	34
http://seymanarslan.blogspot.com	4