1.
Yapay Zeka
Yapay Sinir Ağları

2.
Yapay Sinir Ağlarının Yapay Zeka
Bilimindeki Konumu

3.
Yapay Sinir Ağı Nasıl Oluştu?
Yapay sinir ağları, bilgisayar bilimlerinde önemli yeri
bulunan Yapay Zeka’nın alt dallarından biridir. Beyinin
öğrenme, karar verme işleyişinin bir kopyasının
tasarlanmak istenmesi ile ortaya çıkmıştır.

4.
Yapay Sinir Ağlarının Tarihçesi
İnsan beynin çalışma mekanizmasının taklit edilmesi
eski zamanlara dayanır. İşleyişini açıklamaya çalışan ilk
kişi Plato ’dur. (M.Ö 427-327) Daha sonra 18. Yy'de
Descartes bu dal ile ilgilenmiştir.
Yapay sinir ağlarının dayandığı ilk hesaplama modelinin
temelleri 1940'ların başında araştırmalarına başlayan
McCulloch ve Pitts'in, 1943 yılında yayınladıkları bir
makale ile atılmıştır.

5.
Yapay Sinir Ağı Nedir?
 İnsan beyninin özelliklerinden olan öğrenme, yeni bilgiler
türetme ve keşfedebilme gibi yetenekleri herhangi bir yardım
almadan otonom olarak gerçekleştirmek amacı ile geliştirilen
bilgisayar sistemleridir.
 Dışarıdan aldığı dinamik verilere göre dinamik sonuçlar
üreten birbirine bağlı basit elemanlardan oluşan bir yapıdır.

6.
Yapay Sinir Ağı Özellikleri
 Öğrenme
 İlişkilendirme
 Sınıflandırma
 Genelleme
 Tahmin
 Özellik Belirleme

7.
İnsan zekasının matematiksel olarak modelleyebildiği
herhangi bir problemin yapay sinir ağları kullanılarak
çözülmesi verimli değildir.
Yada
Akış diyagramları kullanılarak çözülebilen problemler
yapay sinir ağı kullanarak çözmeye uygun değildir.
Yapay Sinir Ağları Nerelerde Kullanılır?

8.
Yapay Sinir Ağının
Kullanım Alanları
Son yıllarda YSA’ ları, özellikle günümüze kadar
çözümü güç ve karmaşık olan ya da ekonomik
olmayan çok farklı alanlardaki problemlerin çözümüne
uygulanmış ve genellikle başarılı sonuçlar alınmıştır.

9.
Yapay Sinir Ağının
Kullanım Alanları
 Çok değişkenli problem uzayı,
 Probleme ilişkin değişkenler arasında karmaşık etkileşim,
 Çözüm uzayının bulunmaması, tek bir çözümün olması veya
çok sayıda çözüm bulunması
 YSA’ları insan beyninin fonksiyonel özelliklerine benzer şekilde
aşağıdaki konularda başarılı bir şekilde uygulanmaktadır.

10.
Yapay Sinir Ağının
Kullanım Alanları
 Otonom yol izleme sistemlerinde,
 Simülasyon programlarında,
 Kredi müracaatlarında müşteri analizlerinde,
 Pazar performans analizlerinde kullanılırlar.

11.
Yapay Sinir Ağının
Kullanım Alanları

12.
Yapay Sinir Ağları Avantajları
1- Yapay sinir ağları birçok hücreden oluşur ve bu
hücrelerden herhangi biri zarar görse veya işlevsiz hale
gelse sistem güvenilirliğini kaybetmez.
2- Ağın eğitimi sırasında verilen bilgiler sayesinde problemin
çözümü hakkında genel özellikleri elde etmesinden dolayı
eğitim sırasında verilmeyen veriler hakkında da sistem
tahminde bulunabilir.
3- Geleneksel programlama tekniğinden farklı olarak
çalıştığı için bu sistemin getirdiği pek çok olumsuzluğu
ortadan kaldırabilir.

13.
Yapay Sinir Ağları Avantajları
4- Ağ örnekler kullanılarak eğitilir ve ağın ileride
karşılaşacağı problemlerde doğru çıktı vermesi ağın eğitimi
sırası seçilen örnekler ile doğru orantılıdır.
5- Algılamaya yönelik olaylarda kullanılabilirler. Bu alandaki
başarıları kanıtlanmıştır.
6- Örüntü ilişkilendirme ve sınıflandırma yapabilirler.
7- Kendi kendilerine öğrenebilirler. Eğer kendilerini online
olarak update ederlerse sürekli olarak öğrenebilirler.

14.
Yapay Sinir Ağları Avantajları
8- YSA’nı oluşturan hücreler doğrusal olmadığı için, sistem
doğrusal olmayan problemlerin çözümü için uygundur.
9- YSA’nın basit işlemler gerçekleştiren hücrelerden
oluşması onun gerçeklenmesini kolaylaştırır.
10- YSA hücreleri problemin tamamına değilde, problemin
bir kısmına odaklanır. Bu görev paylaşımı sayesinde
karmaşık problemlerin çözümü sağlanır.

15.
Yapay Sinir Ağları Dezavantajları
1- Donanım bağımlıdır. Yapay sinir ağları birbirine paralel
çalışan işlemciler olmadan gerçekleştirilemez.
2- Probleminize uygun olan ağ yapısını sadece deneme
yanılma ile bulabilirsiniz. Bulduğunuz yapının doğruluğunu
kontrol edebileceğiniz bir mekanizmada yoktur.
3- Ağın girdi parametrelerini belirlenmesinde bir kural yoktur.

16.
Yapay Sinir Ağları Dezavantajları
4- Ağın eğitiminin ne zaman bitirileceğine dair kesin bir sayı
yoktur. Tasarlayıcı sistemin hata oranının belli bir değerin
altına düşmesini eğitim sonu olarak değerlendirebilir. Tabi ki
bu değerin en optimize hata oranı olması gereklidir.
5- Öğretilecek problemin ağ şekline dökülmesi önemli bir
noktadır. Belirleyeceğiniz ağ şekli sistemin performansını
doğrudan etkileyecektir.

17.
Yapay Sinir Ağları Dezavantajları
6- Ağın davranışları hakkında kesin bir yargıdan söz
edilemez. Ağ doğru bir sonuç vermesi bunu neden ve nasıl
yaptığına açıklık getirmez. Bu ağa olan güveni azaltan
unsurlardandır.
7- Her zaman doğru kararı vereceklerinin garantisi yoktur.

18.
Biyolojik Sinir Ağı Nasıl Çalışır?
Bir insan beyninde yaklaşık 10 milyar sinir hücresi ve
bunları birbirine bağlayan 60 trilyon taşıyıcı olduğu
tahmin edilir. Bu sinirler girdi bilgilerini duyu
organlarından alırlar. Alıcı (taşıyıcı) sinirler ile bu
sinyalleri işleyip bir sonraki sinire aktararak sinyalin
merkezi sinir sistemine kadar ulaşmasını sağlar. Tabi bu
işlem eşik değerinin aşılması ile mümkün olur.

19.
Biyolojik Sinir Ağı Nasıl Çalışır?
Merkezi Sinir Sistemi (MSS) bu sinyalleri alıp
yorumladıktan sonra tepki sinyallerini üretir. Bu
sinyaller de tepkilerin oluşacağı organlara tepki sinirleri
vasıtasıyla iletilir. Bu sayede duyu organlarından gelen
bilgilere karşı tepki organlarına uygun işaretler sinir
sistemi vasıtasıyla yollanır

20.
Biyolojik Sinir
Hücresinin Yapısı
 Gövde(cell body)
 Çekirdek (nucleus)
 Akson (axon)
 Dentrit (dendrite)
 Sinapsisler (synapse)
Biyolojik Sinir
Hücresinin
Görevleri
 Al (Recieve)
 Analiz et (Analyze)
 İlet (Transmit)

21.
Biyolojik Sinir
Hücresinin Yapısı
 Dendritler: Gelen sinyalleri çekirdeğe
iletirler
 Çekirdek: Gelen sinyalleri toplayıp,
aksona iletir.
 Akson: Toplanmış sinyaller aksondan
sinapsislere yollanır.
 Sinapsis: Yeni üretilen sinyalleri bağlı
oldukları nöronlara iletirler.

22.
Yapay Sinir Ağı Nasıl Çalışır?
• Giriş katmanından parametre değerleri verilir.
• Ara katmanlardaki nöronlar kendilerine gelen verileri
ağırlıkları ile çarpıp toplar ardından eşik değeri
geçiliyor ise iletim gerçekleşir.
• Çıkış katmanına kadar bu işlem devam eder.

23.
Yapay Sinir Ağı Nasıl Çalışır?
Unutmamamız gereken biyolojik sinir ağlarında
olduğu gibi YSA’da da gelen sinyal nöronun eşik
değerini aşmıyor ise nöron kendinden sonraki nörona
iletinin geçmesini engeller.

24.
Yapay Sinir Hücresinin Yapısı
 Giriş (input values): Sinir ağı hücresine dışarıdan
veya diğer hücrelerden veri gelmesini sağlayan
bağlantılardır.
 Ağırlıklar (weights): Hücreye gelen bilginin etkisini
gösterir.
 Toplama Fonksiyonu: Gelen verileri ağırlıkları ile
çarpıp toplar ve hücrenin net giriş değerini
hesaplar.

25.
Yapay Sinir Hücresinin Yapısı
 Aktivasyon Fonksiyonu: Hücrenin net giriş
bilgisine göre çıktı bilgisini üretir.
 Çıkış: Çıktı bilgisinin dış dünyaya, başka bir
hücreye veya kendisine göndermesine denir.

26.
Yapay Sinir Hücresinin Yapısı

27.
Yapay Sinir Ağı
Yapay sinir ağları yapay sinir hücrelerinin birbirine
bağlanmasıyla oluşan yapılardır. Katmanların değişik
biçimlerde birbiri ile bağlanmaları değişik ağ mimarilerini
doğurur. YSA’lar üç katmandan oluşur. Bunlar:
 Girdi Katmanı
 Gizli Katman(Ara Katman)
 Çıktı Katman

28.
Yapay Sinir Ağının Yapısı
Girdi Katmanı: Bu kısım dış dünyadan verileri alır
ve iç katmanlara yönlendirir. Bu ağlarda veri herhangi
bir işlemden geçirilmez.
Ara Katman: Girdi katmanından gelen bilgiler
işlenerek çıktı katmanına gönderilirler. Bu bilgilerin
işlenmesi ara katmanlarda gerçekleştirilir. Bir ağ
içinde birden fazla ara katman olabilir.

29.
Yapay Sinir Ağının Yapısı
Çıktı Katmanı: Bu katmandaki hücreler ara
katmandan gelen bilgiyi işleyerek sunulan girdi seti
için üretilmesi gereken çıktıyı üretirler ve üretilen çıktı
dış dünyaya gönderilir.

30.
Sinir Ağının Eğitimi
İnsan beyni doğumundan itibaren çevresinde gelişen
olaylar ışığında davranışları yorumlar ve bu bilgileri diğer
davranışlarında kullanır. Yaşadıkça beyin gelişir ve tecrübe
kazanır.

31.
Yapay Sinir Ağının Eğitimi
Normal bilgisayar uygulamalarının geliştirilmesi sırasında
karşılaşılan durum: bilgisayarın belli programlama dilleri
aracılığı ile programlanmasıdır. Ancak YSA da ise
programlama kendini eğitime bırakır.

32.
Yapay Sinir Ağının Eğitimi
YSA, eğitim sırasında seçilen öğrenme yaklaşımına ve
kendine gösterilen örneklere göre ağırlıkları değiştirir.
Ağın doğru ağırlık değerlerine ulaşması örneklerin
temsil ettiği olay hakkında, genellemeler yapabilme
yeteneğine kavuşması demektir.

33.
Yapay Sinir Ağının Eğitimi
Başlangıçta ağırlıklar rastgele atanır. Amaç ağa
gösterilecek örnekler için doğru çıktıları üretecek
ağırlık değerlerini yakalamak ve hata oranının belli bir
değer altına düşmesidir.
Önemli olan nokta hata oranının en optimize seviyede
tutulmasıdır.

34.
Yapay Sinir Ağı Testi
YSA’nın geliştirilmesi sırasında eğitim için ağa verdiğimiz
örneklere ‘eğitim seti’, eğitimin ardından ağın performansını
değerlendirmek için kullanılan örneklere ise ‘test seti’ denir.
YSA’nın başarısı gerçekleştirilecek testler ile sınanmalıdır.

35.
Yapay Sinir Ağı Testi
Test işlemi için eğitim setinde verilmeyen daha önceden ağın
karşılaşmadığı örnekler, sisteme verilir ve YSA’nın çıktı değeri ile
istenilen çıktı değeri karşılaştırılır. Amaç YSA’nın genelleme
yapıp yapamadığını görmektir.
Test aşamasında istenilen sonuçlar elde edilir ise YSA
kullanılabilir. İstenilen sonuçlar gelmez ise YSA yapısı veya
eğitim süreci değiştirilebilir.

36.
Yapılarına Göre YSA’lar
 Hücrelerin bağlantı şekillerine, öğrenme
kurallarına göre çeşitli YSA yapıları geliştirilmiştir.
 Yapılarına göre yapay sinir ağları ileri beslemeli ve
geri beslemeli olarak iki grupta incelenir.

37.
1) İleri Beslemeli YSA’lar
 İşlem girişlerden çıkışlara doğru ilerler.
 Oluşan çıktı istenilen değerler ile karşılaştırılıp hata
oranı belirlenir ve ağırlıklar güncellenir.
 Tek katmanlı ve çok katmanlı ileri beslemeli
YSA’lar olmak üzere iki çeşidi vardır.

38.
1.a) Tek Katmalı İleri Beslemeli
YSA’lar
 Girdiler direkt olarak
çıkışlara bağlıdır.
 Bağlantılar sadece ileri
doğrudur.

39.
1.b) Çok Katmanlı İleri Beslemeli
YSA’lar
 Bu katmanda bir veya daha fazla gizli katman
vardır.
 Gizli katmanlar giriş verilerinin çok olması
durumunda daha hassas sonuç elde etmek için
kullanılır.
 Gizli katmanlarda veri işlenerek bir sonraki
katmana gönderilir.

40.
1.b) Çok Katmanlı İleri Beslemeli
YSA’lar
 Her nöron kendinden
sonraki katmanda
bulunan tüm nöronlara
bağlı ise tam bağlı ağ
olarak adlandırılır.
 Bağlardan biri eksik ise
kısmi bağlı ağ olarak
adlandırılır.

41.
2) Geri Beslemeli YSA’lar
 Bu beslemede nöronlar kendilerinden önceki
katmanda bulunan nöronlara veya kendilerine girdi
gönderebilirler.
 Bir veya birden fazla gizli katman içerebilirler.
 Geri beslemeli ağlarda gecikme vardır.
 Tam geri ve kısmi geri beslemeli olmak üzere iki
çeşidi vardır.

42.
2.a) Tam Geri Beslemeli Ağlar:
 Bu bağlantılar gelişi güzel şekilde bağlantıları olan
nöron ağları için kullanılır.
2.b) Kısmi Geri Beslemeli Ağlar:
 Hücre elemanları dışında ‘içerik’ elemanları da
vardır.
 Geri besleme sadece bu elemanlar üzerinden
yapılır.
 Bu elemanlar hücrelere geçmiş durumlarını
hatırlatmak için kullanılır.

43.
Kaynakça
 https://www.youtube.com/watch?v=Bo3i9cyZ5U4
 http://www.ibrahimcayiroglu.com/Dokumanlar/IleriAlgoritmaAnalizi/IleriAlgo
ritmaAnalizi-5.Hafta-YapaySinirAglari.pdf
 http://bm.bilecik.edu.tr/Dosya/Icerik/107/DosyaEki/nsg_ders_notu.pdf
 http://www.slideshare.net/batuhanalaoglu/yapay-sinir-aglar
 http://www.slideshare.net/ahmetkakici/yapay-sinir-aglari?related=1