yapay sinir aglari
DESCRIPTION
Yazilim atolyesi subat ayi toplantisina ait yapay sinir aglari sunumu.TRANSCRIPT
Sunum İçeriği
Biyolojik Sinir Ağları
Yapay Sinir Ağları (YSA)
Tanım
Genel Özellikler
Yapı
Modeller
İşleyiş
Tasarım
Örnek
2Yapay Sinir Ağları
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:
Yapay Sinir Ağları 4
Alıcı Sinirler
Merkezi Sinir
Sistemi
Tepki Sinirleri
Duyu organları
Tepkiler
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.
5Yapay Sinir Ağları
YSA’nın Genel Özellikleri
Yapay sinir ağları canlılardaki sinir
sistemlerinin aşağıdaki işlevlerini
gerçekleştirmeyi hedefler:
Öğrenme
İlişkilendirme
Sınıflandırma
Genelleme
Tahmin
Özellik belirleme
6Yapay Sinir Ağları
YSA’nın Avantajları
Doğrusal olmama
Paralellik
Hata toleransı
Öğrenebilirlik
Genelleme
Uyarlanabilirlik
Hız
Analiz ve Tasarım Kolaylığı
7Yapay Sinir Ağları
YSA’nın Dezavantajları
Eğitim Süreci
Eğitim Hataları
Başlangıç Koşullarına Bağlılığı
8Yapay Sinir Ağları
YSA’nın Yapısı - 1
Örnek bir yapay sinir ağının yapısı
aşağıdaki gibidir:
Yapay sinir ağları birden çok veri işleme
katmanından oluşmaktadır.
9Yapay Sinir Ağları
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.
10Yapay Sinir Ağları
YSA’nın Yapısı - 3
YSA’nın yapı taşı olan yapay sinir
hücrelerinin beş temel bölümü vardır:
Girdiler
Ağırlıklar
Birleştirme Fonksiyonu
Aktivasyon Fonksiyonu
Çıktılar
11Yapay Sinir Ağları
YSA Modelleri
Yapılarına Göre İleri beslemeli
Geri beslemeli
Öğrenme Algoritmalarına Göre Danışmalı
Danışmasız
Destekleyici
Öğrenme Zamanına Göre Dinamik
Statik
12Yapay Sinir Ağları
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.
13Yapay Sinir Ağları
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.
14Yapay Sinir Ağları
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.
15Yapay Sinir Ağları
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.
16Yapay Sinir Ağları
YSA’nın Çalışması - 2
YSA giriş katmanından aldığı verileri ara
katmanlarda işleyerek çıkış katmanına
iletmektedir.
17Yapay Sinir Ağları
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.
18Yapay Sinir Ağları
YSA’nın Çalışması - 4
Geri yayılma algoritmasında çıkış nöronlarındaki hata payı aşağıdaki formül(1) ile hesaplanır.
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(3) hesaplanır.
1)
2)
3)
19Yapay Sinir Ağları
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
20Yapay Sinir Ağları
YSA Örneği - 1
Üç katman
Üç giriş
Bir ara katman
Bir çıkış
İleri beslemeli
Geri yayılmalı öğrenme algoritması
21Yapay Sinir Ağları
YSA Örneği - 2
Nörona gelen giriş değerleri ait oldukları
ağırlıklarla çarpılarak toplanır.
Bu toplam aktivasyon fonksiyonundan
geçirilir.
22Yapay Sinir Ağları
YSA Örneği - 3
23Yapay Sinir Ağları
YSA Örneği - 4
24Yapay Sinir Ağları
YSA Örneği - 5
25Yapay Sinir Ağları
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.
26Yapay Sinir Ağları