Yapay sinir ağlarında genel bilgi olarak kullanabileceğiniz sunum çalışması yazı ekinde yer almaktadır.

Yapay Sinir Ağları Sunum içeriği

• Biyolojik Sinir Sistemleri
• Yapay Sinir Ağı Tanımı
• Yapay Sinir Ağlarının Tarihsel Gelişimi
• Uygulama Alanları
• Yapay Sinir Ağlarının Özellikleri
• Hücre
• Aktivasyon Fonksiyonları
• Dinamik Hücre Modelleri
• Ağ Modelleri
• Özel Ağ Tipleri
• Öğrenme
• Öğrenme Parametreleri
• MATLAB GUI
• Neuro Solutions

Yapay_Sinir_Aglari

Dosyayı indirmekte sorun yaşayan arkadaşlar bana mail ile ulaşabilirse gönderebilirim.

Süleyman TOSUN, PMP

Yapay sinir ağlarındaki tüm gelişmeler bilgisayar bilimindeki gelişmelere paralel olarak yürümektedir. Tek bir hücrenin yapısının ve hareketinin basit olmasına rağmen genel yapı ve hesaplamalar oldukça karmaşıktır. Geri yayılmalı öğrenme algoritması veya gözetimsiz öğrenme algoritmalarının bilgisayar desteği olmadan yapılması mümkün değildir. Bu sebeple yapay sinir ağları uygulamalarında bilgisayar desteği gereklidir (Gately,1996).
Yapay sinir ağları uygulamaları için kullanılan yazılım programlarının bazıları aşağıda yer almaktadır: (http://www.filesland.com/software/neural-network-1.html)

GoldenGem:

Genel amaçlı bir Yapay Sinir Ağı programıdır.

EasyNN-Plus:

Microsoft Windows sistemleri için hazırlanmış bir yazılımdır. Nesnelerden, text dosyalarından veya tablolardan çok katmanlı hücre oluşturulabilmektedir. Eğitim, doğrulama ve test dosyaları program aracılığı ile de hazırlanabilir.

  Harbinger:

 Windows tabanlı zaman serileri ve karşılaştırma uygulamlarında kullanılmaktadır. Model davranışları için sinir ağları yapısı ile çalışmaktadır. Ayrıca farklı bilgisayar donanım platformlarının performansını hesaplamak için de kullanılmaktadır.

 SprinN Lite eng:

 Pazar tahminler için kullanılan bir yazılımdır. Tahmin araçlarında yapay sinir ağları metotları ile hesaplamalar yapılmaktadır. Yapılan işlemlerin risklerini, komisyonları, teknik analiz değişkenlerinin etkilerini detaylı raporlarla ve grafiklerle görmek mümkündür.

TradingSolutions:

Yatırım ve finansman konularındaki geleneksel finansal analiz metotlarını yapay sinir ağları teknikleri ile gerçekleştirmektedir. Kendi içerisinde daha önceden oluşturulmuş 10 adet sinir ağı modeli yer almaktadır.

LTF- Cimulator:

 Simülasyon oluşturmak için kullanılmaktadır. Hazırlanacak modellerin eğitim ve doğrulama işlemleri gerçekleştirilebilmektedir. Eğitim parametreleri otomatik olarak seçilebilmektedir. Sonuçlar text formatında kaydedilebilir.

BrainCom:

Geriye yayılmalı algoritmayı kullanan bir yapay sinir ağı modelidir. Tahmin yöntemleri, nesne tanımlama, sınıflandırma, karar alma, problem optimizasyonu, zaman serisi analizleri gibi bir çok alanda kullanılabilmektedir.

EasyNN:

Microsoft Windows için hazırlanmış bir yapay sinir ağı yazılımıdır. Text dosyaları ile veri aktarımı yapılmabilmekte ve bu veriler kullanılarak sinir ağı modelleri oluşturulabilmektedir. Eğitim, doğrulama ve sorgulama fonksiyonları bulunmaktadır.

 Bu programlar haricinde SPSS ve MATLAB uygulamaları içerisinde de yapay sinir ağları ile ilgili özellikler yer almaktadır. MATLAB içerisinde kodlar yardımı ile veya Grafiksel Arayüz kullanımı ile işlem yapılabilmektedir. SPSS için ise Clemetine isimli program yardımı ile işlemler gerçekleştirilebilir.

MATLAB GUI kullanımı bir sonraki yazıda anlatılacaktır.

Süleyman TOSUN, PMP

Yapay sinir ağlarının günümüzde kullanılan diğer bilgi işlem yöntemlerinden farklılıkları aşağıdaki şekilde sıralanabilir(Seven, 1993 Simpson, 1990):
Paralellik: Alışılagelmiş bilgi işlem yöntemlerinin çoğunda işlemler seri bir düzen içerisindedir. Bu düzen özellikle hız sorununa yol açmaktadır. Daha öncede vurgulandığı gibi bilgisayarla beyne göre çok hızlı çalışmasına rağmen beynin toplam hızı bilgisayara göre çok yüksektir. Yapay sinir ağlarında işlemler doğrusal değildir ve bu bütün ağa yayılmış durumdadır. Aynı katmanlar arasında zaman bağımlılığı da bulunmamaktadır. Bu, tüm sistemin eş zamanlı çalışabilmesine olanak vermekte ve hızı çok artırmaktadır. Bu sayede doğrusal olmayan karmaşık problemlerin de çözümlenmesi mümkündür.
Öğrenebilirlik: Mevcut bilgi işlem sistemleri belirli bir algoritma kapsamında çalışmakta ve kendisi ağırlık ya da verileri yenileyememektedir. Bu durumda tam tanımlı olmayan problemler de çözülememektedir. Yapay sinir ağları ile sisteme önceden girilen örnekler kullanılarak ağırlıkların saptanmasını sağlamakta ve her yeni çalışmada bu öğrenme işlemi yenilenebilmektedir. Amaca uygun olacak bir çalışmada önceden ağırlıkların ve bağlantıların verilememesi bir sorun oluşturmakta iken yapay sinir ağlarının örneklerle kendini eğitmesi ve gerekli verileri oluşturması bu sorunu ortadan kaldırmaktadır.

Hata Toleransı: Geleneksel yöntemlerde herhangi bir elemanı yerinden almak o sistemin çalışmasını imkansız kılabilmektedir. Yapay sinir ağlarındaki paralel yapı, ağın sahip olduğu bilginin tüm bağlantılara yayılmasını sağlamaktadır. Bu sayede bazı bağlantıların veya hücrelerin etkisiz hale gelmesi ağın doğru bilgiyi üretmesini önemli derecede etkilemez ve bununla birlikte ağların geleneksel yöntemlere göre hatayı tolere etme yetenekleri yüksektir.
Uyarlanabilirlik: Yapay sinir ağlarında ağırlıkların yeniden yapılandırılabilir olması belirli bir problemi çözmek için eğitilen yapay sinir ağının, problemdeki değişikliklere göre yeniden eğitilebilmesi ve farklı koşullara uyarlanabilmesini sağlamaktadır. Bu özellik yapay sinir ağlarının örnek tanıma, sinyal işleme, sistem tanılama ve denetim gibi alanlarda etkin olarak kullanılmasını sağlamıştır.
Genelleme: Yapay sinir ağları eğitimi sonrasında, eğitim sırasında karşılaşılmayan test örnekleri de değerlendirip, arzu edilen tepkiler üretebilir. Örneğin, karakter tanımlamada bozuk karakterlerin girişlerinde doğru karakterlerin elde edilmesi mümkündür.
Yerel Bilgi İşleme: Yapay sinir ağlarında problemin tümü ile ilgilenmek yerine parçaları ile ilgilenilebilmesi ve görev paylaşımı sayesinde çok karmaşık ve zor problemler çözülebilmektedir.
Gerçekleme Kolaylığı: Karışık fonksiyonların yerine basit işlemlerin kullanılması gerçekleme kolaylığı sağlamaktadır.
Donanım ve Hız: Yapay sinir ağları, paralel yapısı sayesinde entegre devre teknolojisi ile gerçeklenebilir. Bu özellik, hızlı bilgi işleme yeteneğini artırmaktadır.

Süleyman TOSUN, PMP

Yapay sinir ağlarının insan beynini modellemesi, dijital bilgisayarların modellenmesi gerçeğinde de var olan insan beyni gibi işleyen makineler oluşturma isteği ile ortaya çıkmıştır.
1943 yılında bir nörobiyolojist olan Warren McCulloch ve bir istatistikçi olan Walter Pitts, “Sinir Aktivitesinde Düşüncelere Ait Bir Mantıksal Hesap” başlıklı bir makale ile ilk dijital bilgisayarlara ışık tutmuştur.
1949 yılında, Hebb, daha sonra kendi adı ile anılan öğrenme kuramını, yapay sinir ağına uygulamıştır. Bu kuram “A hücresinin bir aksonu, B hücresini uyaracak ve tekrarlı veya sürekli olarak tetikleyecek kadar yakında ise, hücrelerde B’yi tetikleyen A’nın etkinliğini artıracak bir büyüme işlemi veya metabolik değişiklik olur” şeklindedir.
Marvin Minsky, Hebb kuramı ile birlikte makroskobik zeka kavramını ortaya atmış ve uzman sistemlerin doğmasını sağlamıştır. Frank Rosenblatt, Bronx Yüksek Bilim Okulu’nda gözün hesaplamaları ile ilgilenmiştir. Bu bilim adamları, öğrenme ve zeka konusunu bilgisayar simülasyonlarında nasıl kullanabileceklerini 1956’da düzenlenen ilk yapay zeka konferansında tartışmışlardır.

1959’da Stanford üniversitesinden Bernard Widrow, “ADALINE” (Adaptive Linear Neuron) olarak adlandırılan bir adaptif lineer elemanı geliştirmiştir. Adaline ve iki tabakalı biçimi olan “MADALINE” (Multiple Adaline) ses tanıma, hava tahmini, karakter tanıma ve adaptif kontrol gibi çok çeşitli uygulamalar için kullanılmıştır. Widrow, telefon hatları üzerinde yansımaları elemine etmeye yarayan adaptif filtreleri geliştirmede, adaptif lineer eleman algoritmasını kullanmıştır. Bu çalışma ile birlikte yapay sinir ağları ilk defa gerçek bir probleme uygulanmıştır.
1970’lerin ilk başlarında Helsinki Teknik Üniversitesi’nden Teuvo Kohonen, öğrenme ve birleşik hafızalar üzerine çalışmalar yapmış bu çalışmalar danışmansız öğrenme metotlarının gelişmesine ışık tutmuştur.
Yapay sinir ağları ile ilgili 1969-1982 yılları karanlık bir dönem olarak görülmektedir. 1969 yılında Minsky ve Papert’in yapmış olduğu çalışma ile yapının XOR lojik problemlerine çözüm getiremediği ispatlanmıştır. Bu gelişme yapay sinir ağlarına olan ilgiyi azaltmış ve karanlık dönemin başlangıcı olmuştur.
1974 yılında Werbos, Geri Yayılmalı Algoritmayı tanıtmıştır. Willshaw ve Malsburg 1976 yılında Özdüzenlemeli Harita adında kümeleme algoritmasını kurmuştur. 1982 yılında Kohonen, özdüzenlemeli harita kuramını beyindeki oluşumların karşılaştırmalı haritasını çıkarabilmek için ortaya koymuştur.
Hopfield , 1982 yılında moleküler biyolojiden beyin kuramcılığına geçiş yapan bir model geliştirmiştir. Günümüzde kendi adıyla anılan bir ağ yapısı mevcuttur ve bu yapı bir çok alanda uygulanmıştır.
1986 yılında, Rumelhart, 1974’te Werbos tarafından bulunan çok katmanlı algılayıcı tipli geri yayılmalı algoritma denen bir eğitim algoritması geliştirmiştir (Güzeliş, 1993).
1987 yılında ilk yapay sinir ağları sempozyumu yapılmış ve sonrasında uygulamalar artmaya başlamıştır.
Günümüzde bu alanda bir çok araştırma grubu bulunmakta ve farklı alanlardan farklı uygulamacılar bu konuda çalışmaktadır (Bolat, 2003 Haykın, 1999).

Süleyman TOSUN, PMP

İnsanların beynin çalışmasını sayısal bilgisayarlar üzerinde taklit etmek istemesi sonucunda yapay sinir ağları ortaya çıkmıştır. Temelde beynin çalışma yapısı, insanlar gibi düşünen ve öğrenen sistemler elde etme fikrinin olması, çalışmaları insan beynini oluşturan hücrelerin incelenmesi üzerine yoğunlaştırmıştır. Bu çalışmalar esnasında her bir nöronun diğer nöronlar ile ilişkili olduğu ve aldığı bazı girdileri çıktıya dönüştürdüğü gözlemlenmiştir. Günümüzde yapay sinir ağları olarak adlandırılan bu alan, birçok nöronun belirli kurallar çerçevesinde bir araya gelerek bir işlevin gerçekleştirmesi esnasındaki yapısal, matematiksel ve felsefi sorunlara cevap bulmaya çalışan bir bilim dalı olmuştur (Şahin, 2001).

İnsan beyninin taklit edilmesi ile ortaya çıkan bu yapılar her ne kadar nanosaniyeler içerisinde işlemleri yerine getirebilme yetisine sahip olsa da insan beyninin milisaniyeler mertebesindeki işlevsel hızına ulaşamamıştır. Buna rağmen karmaşık sistemlerdeki eşleştirmelerdeki hassaslığı ve yapısal esnekliği ile bu alan artan bir ilgi görmektedir (Efe ve Kaynak, 2000). Her ne kadar insan beyni kadar hızlı bir işlevsel yapıya sahip olmasa da sağlamış oldukları hız ile bilgisayar bilimleri, mühendislik, ekonomi ve psikoloji gibi bir çok alanda farklı kullanımları bulunmaktadır (Kuo ve diğ., 2001).
Yapay sinir ağı, beynin belirli bir işi veya fonksiyonu yerine getirme yöntemini modelleyen bir makinedir. Ağın yapısı, elektronik sistemler veya bilgisayar yazılımları ile tanımlanmaktadır. Tanımlanan bu model, sinir hücresi veya işlem birimi adı verilen hücreler arasındaki bağlantıyı kullanmakta ve bu işlemler esnasında öğrenme adı verilen bir süreç ile performansını artırabilmektedir. Bu noktada yapay sinir ağı kavramını deneysel bilgi saklama ve kullanıma hazır hale getirme yeteneğine sahip basit işleme birimlerinden oluşan, çok yoğun, paralel ve dağıtılmış düzende çalışan bir işlemci olarak tanımlamak mümkündür. İnsan beyni ile benzerliği ise bilgiyi öğrenme yoluyla elde etmesi ve bilginin depolanması için sinir hücreleri arası bağı kullanmasıdır.
Öğrenme işlemleri öğrenme algoritmaları olarak adlandırılan ve ağın istenen modele ulaşmasını sağlayan fonksiyonlardan oluşmaktadır (Haykın, 1999).
Bilgisayarlardaki doğrusal programlamalardan farklı olarak yapay sinir ağları sinir hücreleri arasındaki bağlantıları, eşik değerleri ve ağ yapısı gibi parametreleri kullanarak farklı ayarlar yapıp eğitim gerçekleştirir. Yapay sinir ağlarında bellek ve işlemci paralel olarak çalışır. Bilgi sinir hücreleri arasındaki bağlarda da saklanabilir veya değiştirilebilir (Bolat, 2003).

Süleyman TOSUN, PMP

Yapay Sinir Ağları ile ilgili yazı dizisi öncesinde yazılar içerisinde kaynak olarak kısa şekilde belirtilen tüm yararlanılan çalışmalar aşağıda yer almaktadır.

1. Bolat, S., 2003. Yapay Sinir Ağı ile Elektrot ve İzolatör Biçim Optimizasyonu, Yüksek Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.

2. Bölükbaşı İ., 2005. Defining Critical Factors Affecting Student Success: A Data Mining Approach , Yüksek Lisans Tezi, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.

3. Chaudhury, A, Stahl, D.O., Whinston, A.B., 1994. The Economic Foundation for Neural Computing Systems in, Advances in AI in Economics, Finance and Management. Eds. Johnson J.D.. Whinston A.B.. JAI Pres Inc.

4. Chen, S., Mangiameli, P., West, D., 1995. The Comparative ağabeylity Of Sef-Organizing Neural Networks To Define Cluster Structure. Omega Int. J. Mgmt. Sci. 23/3, 271-279.

5. Demuth, H. ve Beale M., Neural Network Toolbox For Use With MATLAB, User’s Guide. The Mathworks, 1993.

6. Efe, Ö., Kaynak, O., 2000. Yapay Sinir Ağları Uygulamaları, Boğaziçi Üniversitesi Yay., İstanbul.

7. Gately, E., 1996. Neural Networks for Financial Forecasting, John Wiley& Sons, Inc, USA.

8. Güzeliş, C., 1993. Genelleştirilmiş Hücresel Yapay Sinir Ağları, Elektrik Mühendisliği 5. Ulusal Kongresi, Trabzon.

9. Hawley, D.D., Johnson, J. D., 1994. ANN: Past, Present and Future, in Advances in Ecenomics, Finance and Management, Eds. Jonhson J. D., Whisnton A.B..JAI Pres Inc.

10. Haykın, S., 1999. Neural Networks: A Comprehensive Foundation Second Edition, prentice Hall, New Jersey.

11. Hebb, D. O., 1949. Organizational Behaviour. John Wiley&Sons, Inc.

12. Hecht-Nielsen, R., 1990. Neurocomputing, Addison Wesley.

13. http://bagem.tripod.com/bagem/yz2.html

14. http://batitrakya.dostweb.com/yapaysiniraglari/yapaysiniraglari.htm

15. http://www.filesland.com/software/neural-network-1.html

16. http://www.mathworks.com/access/help desk /help /toolbox/nnet/

17. http://www-ee.uta.edu/eeweb/ip/Software/OldSW/Linear_class.c

18. Kuo, R.J., Chen, C.H., Hwang, Y.C., 2001 An Intelligent Stock Trading Support SystemThrough ıntegration of Genetic Algorithm Based Fuzzy Neural Network And Artificial Neural Network, Fuzzy Sets And Systems,

19. Lee, C.W., Park, J-A., 2001. Assesment of HIV/AIDS-Related Hesalth Performance Using An Artificial Neural Network. Information & Management.

20. Masters, T., 1993. Practical Neural Network Recipes in C++, Academic Pres, USA.

21. May, G. S., 1994. Manufacturing ICs the Neural way. IEEE Spectrum. 31 (9): 47-51

22. Moumin, Ali, 1995. Yapay Sinir Ağları ve Genetik Algoritmalarının Uçuş Kontrol sistemlerine Uygulanması, Yüksek Lisans Tezi, İTÜ Fen Bilimleri Enstitüsü, İstanbul.

23. Narendra, K.S. ve Parthasarathy, K, “Identification and Control Dynamic Systems Using Neural Networks”, IEEE Trans. Neural Networks, vol. 1., pp. 4-27, Mar. 1990.

24. Özen, Ü.Y., 2000. Modeling and Analyzing Strategic Thoughts Using Cognitive Mapping, Ph.D. Thesis, İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul.

25. Seven, A., Temmuz 1993. Yapay Sinir Ağları ile Doku Sınıflandırma, Yüksek Lisans Tezi, İ.T.Ü Fen Bilimleri Enstitüsü, İstanbul.

26. Simpson, P. K., 1990. Artificial Neural Systems, Pergamon Pres.

27. Smith, S. Palaniswami, M. Ve Krishnamoorthy, M. , 1996. A Hybrid Neural Approach to Combinatorial Optimization. Computers and Operations Research: 23 (6)

28. Şahin, Ş. Ö., 2001, Yapay Sinir Ağları Yardımı ile Dinamik Bir Senaryo Analizi, Doktora Tezi, İTÜ Fen Bilimleri Enstitüsü, İstanbul.

29. Şeker, S., 2001. Artificial Neural Networks for System Identification and Control, Ders Notları

30. Yoon, Y., Swales, G., Margavio, T.M., 1993. A Comparison of Discriminant Analysis Versus Artificial Neural Networks. Journal of Operational Research, 44/1, 51-60.

31. Yüksel, İ. 1996. Matlab İle Mühendislik Sistemlerinin Analizi Ve Çözümü. U.Ü.Makine Mühendisliği Bölümü.

32. Zurada, J. M., 1992. Introduction to Artificial Neural Systems, West Publishing,

Süleyman TOSUN, PMP