3. Akıl-Zeka
• Akıl; genetik olarak gelen sevgi, korku, kıskançlık veya
kendini koruma güdülerinin yanı sıra çevreden aldığımız
erkileşimler ve toplum şartlandırmalar ile gelişir.
• Sabit değildir.
• Bir alanda çalışılarak, eğitilerek, edinilen bilgi birikimlere
dayalı becerilerle geliştirilebilir.
• Peki yapay zeka?
1
TDK,
Akıl: isim Düşünme, anlama ve kavrama gücü, us.
Zeka: İnsanın düşünme, akıl yürütme, objektif gerçekleri algılama, yargılama ve sonuç
çıkarma yeteneklerinin tamamı, anlak
3/23
4. Yapay Zeka Nedir?
• İnsan aklının bilişsel
fonksyonlarını taklit
eden bilgisayarlar.
• İdrak ve deneyimleri
kullanma konusunda
zayıf olmasına
rağmen, işlem hızı ve
kapasitesi çok
yüksektir.
4/23
5. • Uzman Sistemler (US)
• Bulanık Mantık (BM)
• Genetik Algoritmalar (GA)
• Yapay Sinir Ağları (YSA)
5/23
6. Yapay Sinir Ağları (YSA)
• İnsan sinirlerinin taklidi
• Gürültülü sinyallerin işlenmesinde YSA
başarıyla kullanılmaktadır.
• Geri yayılımlı Yapay Sinir ağı
6/23
7. YSA;
Öğrenme kabiliyeti olması ve farklı öğrenme
algoritmaları kullanabilmesi
Üstünlükler Eksiklikler
Matematiksel modele
ihtiyaç duymaz
Sistem içinde ne olduğu
bilinmez
Kural Tabanı kullanımı
gerektirmez
Farklı sistemlere
uygulanması zor olabilir.
Öğrenme kabiliyeti vardır.
Farklı öğrenme
algoritmalarıyla öğrenebilir
7/23
11. Gözetimli (Supervised) Gözetimsiz (Unsupervised)
Input, output Input
Başlıklı veriler kullanılır Başlık/Etiket verilmez
Daha basit bir metod Kompleks
Training verilerini kullanarak input ve output
verileri arasında bağ kurar
Output verileri verilmez
Son derece kesin ve güvenilir yöntem. Less accurate and trustworthy method.
Sınıf sayısı bilinmekte Sınıf sayısı bilinmiyor
Büyük verileri sınıflandırmak zordur. Veri düzenlemede kesin bir kanıya varılamaz.
Cluster algorithms, K-
means, Hierarchical
clustering, etc.
Support vector machine,
Neural network, Linear and
logistics regression,
Random forest, and
Classification trees. 11/23
13. • Yağış- Akış
• Debi
• Yeraltı suyu yönetimi
• Su kalitesi simulasyonları
• Taşkın hidrolojisi
13/23
14. What does ai contribute to hydrology? Aerial photos
and flood levels (2003)
• Uzaktan algılama sistemleriyle çekilen fotoğraflar
yardımıyla taşkını analiz etmetye çalışmışlar.
• Uzaktan algılama, görüntü işleme, GIS, hidrolik
• Finite differences
14/23
15. Stochastic modeling of Karasu River (Turkey) using the
methods of Artificial Neural Networks (2007)
• Büyük Menderes’in Akçay kolu üzerinde olan Kemer
Barajı’na ait aylık akımlar modellenmiştir
• FFBP (one-hidden layer feed forward back propagation)
Tek gizli katmanlı ileri beslemeli geri yayılımlı yapıyla
Genelleştirilmiş Sinir ağı regresyonu (GRNN)
karşılaştırılması yapılmış.
• Sonuç: iki yaklaşımda da R^2 Score 0.85 civarında
15/23
17. Machine Learning Techniques for Downscaling SMOS
Satellite Soil Moisture Using MODIS Land Surface
Temperature for Hydrological Application (2013)
• Yüksek çözünürlüklü MODIS (MOD11) uydu
verileri kullanılarak düşük çözünürlüklü
(coarse ~40 km) toprak nemi verilerinin
çözünürlüğünün arttırılması.
• RVM,SVM ve ANN karşılaştırılması
• Gölgeliklerin hidrolojideki önemi
17/23
18. «The above results reveal that the combined algorithm from growing
and non-growing seasons outperforms other approaches and could be
an efficient choice for downscaling SMOS» 18/23
19. A comparison of performance of several artificial
intelligence methods for forecasting monthly discharge
time series (2009)
• Zaman serisi tahmini
• ARMA, ANN, ANFIS, GP, SVM karşılaştırması
• Two case study river sites are also provided to
illustrate their respective performances.
• The results indicate that the best performance
can be obtained by ANFIS, GP and SVM, in terms
of different evaluation criteria during the training
and validation phases
19/23
22. Kaynaklar
• C. W. Dawson and R. L. Wilby (2001), Hydrological modelling using artificial neural networks,
Progress in Physical Geography; 25; 80, DOI: 10.1177/030913330102500104
• Damien Raclot & Christian Puech (2003) What does ai contribute to hydrology?
aerial photos and flood levels, Applied Artificial Intelligence, 17:1, 71-86, DOI:
10.1080/713827055
• İ. Can, C. Yerdelen, E.Kahya (2007) Stochastic modeling of Karasu River (Turkey) using the
methods of Artificial Neural Networks, Hydrology Days
• K. Srivastava & D.Han & M. R. Ramirez & T. Islam (2013) Machine Learning Techniques for
Downscaling SMOS Satellite Soil Moisture Using MODIS Land Surface Temperature for
Hydrological Application, Water Resour Manage (2013) 27:3127–3144 DOI 10.1007/s11269-
013-0337-9
• W.Wang et all (2009) A comparison of performance of several artificial intelligence methods
for forecasting monthly discharge time series, Journal of Hydrology, Vol. 374, No. 3-4, pp
294–306
• Ç. Elmas (2018), Yapay Zeka Uygulamaları, 4.Baskı, Seçkin Yayıncılık, ISBN 978-975-02-4897-9
• Enerji Sistemlerinde Yapay Zeka ve Makine Öğrenmesi Ders Notları (2019)
• http://scikit-learn.org/
22/23
