Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Yapay sinir agları

6,660 views

Published on

  • Be the first to comment

Yapay sinir agları

  1. 1. YAPAY SİNİR AĞLARIVEUYGULAMALARI
  2. 2. Giriş Yapay sinir ağları, insan beyni ile benzer şekilde çalışırlar. Deneyimleryoluyla öğrenirler ve karmaşık hesaplamalara dayanan sorunlara çözümgetirirler. Bir topluluk içinden belli bir yüzü nasıl seçeriz? Yada biruçağın iniş rotasını tahmin edip, hatalara nasıl daha oluşmadanmüdahale edebiliriz? İşte bu tip durumlarda, insan beyni “sinirhücreleri” adı verilen birbirine bağlı bir grup işlem birimi kullanır. Hersinir hücresi bağımsızdır. Her biri kendi işini görür, diğer birimlerleeşzamanlı olarak çalışma ihtiyacı duymaz. Öncelikle, karşılaşılan problemler tek ve basit bir algoritma kullanılarakçözülebilecek türden değildir. Ayrıca kullanılan veriler de genelliklepürüzsüz yada tam değildir. Örneğin, bir yüz tanıma uygulamasına veriolarak girilen resimlerde kişilerin gözlüklü yada şapkalı resimleri yoksa,veri kümesi eksik demektir.
  3. 3. Sinir Ağı: Basit yada karmaşık birçok sinir ağı çeşidi vardır.ÇıktıGirdiÖrneğin, katmanlardan oluşan ileribeslemeli bir sinir ağında her katmanişlem birimleri, yani sinirhücrelerinden oluşur. Katmanlaraldıkları veriler üzerinde bağımsızhesaplamalar yapar ve sonuçları birsonraki katmana iletir. Son katman iseağın çıktısını belirler.
  4. 4. Bir Yapay Sinir Hücresinin Çıktısı Temel olarak, bir yapay sinir hücresinin iç aktivasyonu yada hamçıktısı, girdilerin ağırlıklandırılmış toplamıdır. Ancak genelde sondeğeri belirlemek için bir eşik fonksiyonu da kullanılır. Çıktı 1ise, sinir hücresi harekete geçer (aktif hale gelir). Çıktı 0 ise, sinirhücresi harekete geçmez.
  5. 5. Yapay Sinir Ağları Nasıl Öğrenir? Yapay sinir hücrelerini birbirine bağlayan bağlantıların her birininsayısal bir ağırlığı vardır. Yapay sinir ağlarında bu ağırlıklar, uzundönemlik hafızaya karşılık gelir. Bir yapay sinir ağı bu ağırlıklarıntekrar tekrar ayarlanması sayesinde öğrenir.
  6. 6. Basit bir sinir hücresinin işleyişi şuşekildedir1-) Giriş sinyallerinin ağırlıklandırılmış toplamı alınır.2-) Bir eşik değeri seçilir.3-) Girdilerin toplamı eşik değeri ile karşılaştırılır. Bu değer eşikdeğerinden küçükse çıktı -1, büyükse +1 olur. (ikinci durumda sinirhücresi aktifleşmiştir.)
  7. 7. YAPAY SİNİR AĞI TÜRLERİTek Katmanlı Sinir Ağları:Tek katmanlı yapay sinir ağları sadece girdi ve çıktıkatmanlarından oluşur. En basit tek katmanlı sinir ağı modeliperseptron’dur.
  8. 8. Perseptron Perseptron modeli eğitilebilentek bir yapay sinir hücresindenoluşur. Bu modeldeağırlıklandırılmış girdileraktivasyon fonksiyonunauygulanır ve +1 yada -1şeklinde bir çıktı alınır.Perseptron’un amacı girdilerisınıflandırmaktır. Bu demektirki n-boyutlu uzay şekildeki gibibir doğru yada düzlem ile ikibölgeye ayrılır.
  9. 9. Çok Katmanlı Sinir Ağları Çok katmanlı sinir ağları bir ya da daha fazla gizli katmanı olan ileribeslemeli sinir ağlarıdır. Genelde bu ağ bir girdi katmanı, en az birgizli katman ve bir de çıkış katmanından oluşur. Gizli katmanlara ihtiyaç duyulmasının sebebi girdi katmanlarındangelen genellikle işlenmemiş sinyallerin özelliklerini belirlemek,ağırlıklandırmak ve sonuçları çıktı katmanına yönlendirmektir.
  10. 10. in12●●●x2x1xixnwij ●●●●●●wjk●●●●●●y1y2ykylHata SinyalleriGiriş Sinyalleri12jmk21lGirdiKatmanıÇıktıKatmanıGizliKatmaniGizli katmanlara “gizli” denilmesinin sebebi istenilen çıktı değerini saklamasıdır.Gizli katmandaki sinir hücreleri ağın giriş ve çıkış davranışlarının incelenmesiyoluyla gözlemlenemez.
  11. 11. Hopfield Ağı Hopfield modeli, her biri birbirine bağlı sinir hücrelerinden oluşan birkümeyi içerir. Girdi ve çıktı hücreleri arasında fark gözetilmez.Tür - Geri BeslemeKatmanlar - Tek MatrisGirdi DeğeriTürleri- İkili (Binary)AktivasyonFonksiyonu- İşaretÖğrenme Yöntemi - DenetsizÖğrenmeAlgoritması- Delta Öğrenme Kuralı (EK-1)- Benzetimli Tavlama (EK-1)Kullanım Alanları - Desen İlişkileri- Eniyileme (Optimizasyon) Problemleri
  12. 12. Kohonen Özellik Haritası İnsan beyninin taklit edilmesi konusunda en kullanışlı sinir ağı türü olarakkabul edilebilir. Bu türün kalbi, sinir hücrelerinin kendilerini belirli girdideğerlerine göre düzenledikleri bir katman olan özellik haritasıdır.Tür - Geri Besleme / İleri BeslemeKatmanlar - 1 Girdi Katmanı, 1 Harita KatmanıGirdi DeğeriTürleri- İkili (Binary), Reel (Real)AktivasyonFonksiyonu- SigmoidÖğrenme Yöntemi - DenetsizÖğrenmeAlgoritması- Öz-ÖrgütlemeKullanım Alanları - Desen Sınıflandırma- Eniyileme (Optimizasyon) Problemleri- Benzetim
  13. 13. BAZI ÖĞRENME ALGORİTMALARI Bir sinir ağının öğrenme algoritması ‘denetli’ ya da ‘denetsiz’ olabilir.İstenilen çıktısı önceden bilinen sinir ağına ‘denetli’ sinir ağı denir.İleri Yayılım İleri yayılım, denetli bir öğrenme algoritmasıdır ve bir sinir ağınıngirdi katmanından çıktı katmanına doğru ‘bilgi akışı’nı açıklar.
  14. 14. Geri Yayılım Geri yayılım, genellikle çok katmanlı perseptronların, ağın gizlikatmanlarına bağlı olan ağırlıklarını değiştirmek için kullanılandenetli bir öğrenme algoritmasıdır. Geri yayılım algoritması ağırlıkları ters yönde değiştirmek içinhesaplanmış hata değerleri kullanır. Bu hatayı elde etmek içinöncelikle 1 ileri yayılım safhası tamamlanmalıdır. İleri doğruyayılırken, sinir hücreleri sigmoid fonksiyonu kullanılaraketkinleştirilir
  15. 15. Öz-Örgütlenme Öz-Örgütlenme, Kohonen özellik haritaları tarafındankullanılan denetsiz bir öğrenme algoritmasıdır. Genel olarakbilindiği gibi insan beyninin korteksi, her biri farklı işlevleresahip bölgelere ayrılmıştır. Sinir hücreleri gelen bilgilere görekendilerini gruplandırmıştır. Gelen bilgiler tek bir sinir hücresitarafından alınmazlar, çevre hücreler de bu bilgiyi bir şekildealır. Sonuç olarak bu örgütlenme bir çeşit harita yaratır.Biyolojik sinir hücrelerinin bu yapısı yapay sinir ağlarında‘Kohonen Özellik Haritası’ kullanılarak taklit edilebilir.
  16. 16. Görüldüğü üzere girdi katmanındaki hersinir hücresi, haritadaki diğer bütün sinirhücreleri ile bağlantılıdır. Sonuçta ortayaçıkan ağırlık matrisi ağın girdi değerleriniharitadaki sinir hücrelerine aktarmak içinkullanılır.Ayrıca haritadaki bütün sinir hücreleri dekendi aralarında bağlantılıdır. Bubağlantılar, aktivasyonun belirli birbölgesindeki sinir hücrelerini, en büyükaktivasyona sahip sinir hücresi etrafındatoplanmaya teşvik eder.
  17. 17. SOM SOM ağları, Teuvo Kohonen tarafından geliştirilmiştir. Genelolarak sınıflandırma yapmak için kullanılmaktadır. Bu ağların entemel özelliği olayları öğrenmek için bir öğretmene ihtiyaçduymamasıdır (denetsiz). İleri besleme/geri besleme türündeolabilir ve öğrenme algoritması olarak öz-örgütlenme (“BazıÖğrenme Algoritmaları” başlığı altında anlatılmıştır) yönteminikullanır. Bir girdi katmanı ve bir harita katmanı bulunur. Öz-örgütlenme kullanan Kohonen Özellik Haritaları insanbeynini taklit edecek şekilde tasarlanmıştır. İnsan beynindeöğrenme işlemi, sürekli tekrarlanan olaylar ve durumlarkarşısında beyine iletilen sinyallerin, korteksin belli bölgelerindeyoğunlaşması sonucu bir hafıza oluşması şeklinde gerçekleşir.
  18. 18.  Benzer şekilde SOM ağlarına gönderilen sinyaller (girdi değerleri)bazı işlemlerden geçerek (iletilme-ağırlıklandırma) harita katmanınaulaşır. Bu katman 1 yada 2 boyutlu olarak dizilmiş sinirhücrelerinden oluşmaktadır. Korteks görevini yapan bu katmana gönderilen girdiler, yapılanmatematiksel hesaplamalar sonucu bir bölgede yoğunlaşırlar. Bubölge; matematiksel işlemlerle belirlenen “kazanan sinir hücresi”dir.Bu sinir hücresine ait bir alan mevcuttur. Aktivasyon alanı olarakadlandırılan bu bölge öğrenme esnasında küçülür. Bu küçülme,örneğin sınıflandırma işlemlerinde kesinliğin artmasına karşılıkgelir. Her sınıf için ayrı bir sinir hücresi etrafındaki toplanmalar,sonuçta sınıflara ait bölgeler oluşturur. Bu şekilde de sınıflara aitöğeler daha sonra kolaylıkla tespit edilir.
  19. 19. 1. adımda yapılan tüm işlemler tekrarlandı. Şekilde görüldüğü gibi 2 adım sonunda w5değerleri, girdi vektöründeki değerlere yaklaştı. Aynı işlemlerin tekrarlanması biziistenilen değerlere ulaştıracaktır.
  20. 20.  Şekilde, özellik haritasında kazanan sinir hücresine aitaktivasyon alanının algoritma ilerledikçe küçülmesigösterilmiştir.Aktivasyon Alanı
  21. 21. SOM Ağlarının Kullanım Alanları SOM ağları, hem verilerin kümelenmesinde hem degörselleştirilmesi açısından tercih edilmektedir. Bu ağlar çokboyutlu bir veriyi iki boyutlu bir haritaya indirgemektedir. Her birküme için oluşturulan referans vektörleri bir araya geldiğinde birharitayı meydana getirmektedir.
  22. 22. SOM Modelinde KümelemeyiEtkileyen Faktörler1. Çıkış katmanındaki nöron sayısı2. Verilerin normalleştirilmesi3. Referans vektörlerine ilk değer atanması4. Uzaklık ölçüsü5. Öğrenme katsayısı ve Komşuluk değişkeni

×