Gönül ULUÇ 69346165842

Basit bir sınıflandırma yapmak gerekirse, insanoğlunun matematiksel olarak modelleyebildiği

problemler yapay sinir ağları için uygun değildir. Örneğin basit bir toplama işlemi için bir yapay sinir

ağı oluşturulması uygun değildir. Burada uygun değildir tabiri ile problemin daha basit çözülebileceği

anlatılmaktadır. Yani toplama işlemi için bir yapay sinir ağı inşa edip bu sinir ağını eğitmek ve daha

sonra toplama yapmasını beklemek yerine elimizdeki muhteşem işlem hızı olan (insana izafi olarak)

bilgisayarlar ile bu işlemi yapmak çok daha pratik olur. Yani kısacası matematiksel olarak modellenen

her problem için bilgisayarlarda daha hızlı çalışan bir çözüm mutlaka bulunur.

Burada matematiğin sınırlarını zorlamak veya yeni bir matematik tanımı yapmak yerine kast ettiğimiz

matematiği sınıflandırmak sanırım daha başarılı olur. Kısaca çözümünün akış diyagramı çizilebilen

her problem yapay sinir ağları için uygunsuzdur.

YSA İLE PROBLEM ÇÖZME

Yapay sinir ağları şaşılacak derecede diğer programlama yaklaşımlarına göre kısa kodlar içermektedir.

Ancak tasarımları ve eğitimleri ve bazen de çalışma süreleri inanılmaz derecede uzamaktadır.

Genellikle , yapay sinir ağları problem çözmede diğer hesaba dayalı araçlara oranla daha güçlü ve daha

başarılıdırlar. Bu problemleri 7 kategoride gösterebiliriz .

YSA İLE PROBLEM ÇÖZME

Yapay sinir ağlarının en uygun çalışma alanlarının başında hiç şüphesiz sınıflandırma

problemleri ve bu sınıflandırma problemlerinin en başında da desen tanıma (örüntü tanıma, pattern recognition) konusu gelmektedir. Bu desen (örüntü , pattern) bir resim, ses veya herhangi bir başka veri kümesi olabilir. Örneğin bir şirketin satışlarına benzer satış performansına sahip bir şirket olduğunu bulmak için şirketlerin satışlarını içeren bir veri kümesindeki tarama buna örnek gösterilebilir.

Desen sınıflama, bilinmeyen desenleri belirlemek için kullanılır. Gözetimli öğrenme yapar , önceden öğrenilmiş sınıfları baz alarak verilen sınıfı karakterize eder ve tanımlar. (Şekil 1) Sınıflandırma uygulamaları mikrobiyoloji alanında , malların kendi karakteristiklerine ve piroliz kütle spektrometresini baz alarak sınıflandırmada kullanılır. Diskriminant analizinden farklı olarak , Ysa nın lineer olmasına gerek yoktur ve lineer olmayan ayrılabilir sınıflarda uygulanabilir.

1. Desen Sınıflama

Şekil 1: Desen Sınıflama

Desen Sınıflama

Kümeleme, özelliklerine göre nesneleri gruplamak için kullanılan çok değişkenlibir analiz tekniğidir. Kümelemede nesnelerin gruplandırılması önceden belirlenmişbir kritere göre gerçekleştirilir. Kümeleme sonuçları kümeler içinde yüksek derecehomojenlik, kümeler arası ise yüksek derece heterojenlik göstermektedir.Kümeleme denetimsiz bir şekilde gerçekleşmektedir. Denetimsiz öğrenmeyetisinden dolayı, veriler içinde gizli olan örüntüleri ortaya çıkarmayı sağlar.

Kümeleme , girilen desenler incelenerek , bu desenler arasındaki benzerliklerve farklıların korelasyonları bulunarak denetimsiz olarak yapılır. Sistem aynıkümeye benzeyen desenleri bir araya toplar. Uygulamasına örnek olarak ,mikrobiyolojide ğiroliz kütle spektrometresi kullanarak yapılan alt türlerayrımcılığı ve Kohonen ağları.

2. Kümeleme

Küme: Birbirine benzeyen nesnelerden oluşan gruptur. Aynı kümedeki örneklerbirbirine daha çok benzerken farklı kümedeki örnekler birbirine daha azbenzemektedir. Ysa‘ lar kendilerine örnekler halinde verilen örüntüleri kendisi veyadiğerleri ile ilişkilendirebilir. Ayrıca kendisine verilen örneklerin kümelenmesi ile, birsonraki verinin hangi kümeye dahil olacağının karar verilmesi konusunda kullanılabilirler.

Şekil 2: Kümeleme

Kümeleme

Uygulaması yapılan kümeleme yöntemi daha büyük piksel alanına sahip resimde

(‘yüz’ resminde şekil 3 ) denenmiştir. Ortalaması 0, sapması 0.8 olan Gaussian

gürültüsü ile resim bozularak ortadaki resim elde edilmiştir. Kararlılık için altı,

eğitim için de beş iterasyon olmak üzere maksimum 30 iterasyon sonucunda

sağdaki resim, temizlenmiş görüntü elde edilmiştir. Bu görüntüde siyah ve beyaz

dışındaki ara tonların da mevcut olduğu görülmektedir. Bu tonlar çıkış ile değil,

çıkışa ulaşıldığındaki durum görüntüsü ile elde edilmiştir. Ayrıca resim

incelendiğinde resme ait bir çok ayrıntının ortaya çıkartılabildiği görülmektedir.

Kümeleme

Şekil 3: Kümeleme Yöntemiyle Temizlenmiş Resim

Kümeleme

Giriş ve çıkış verilerinin temel kurallara olan yaklaşımı ile yapılan öğrenme

şeklidir. (şekil 4)

Çok katmanlı yapay sinir ağlarında kullanılan yaklaşım tekniği, herhangi doğruluk

derecesine sahip rastgele bir fonksiyon alabilir. Bu nedenle normalde bu

uygulamada kullanılır. Fonksiyon yaklaşımı hiç bir teorik modelin mevcut

olmadığı ve verilerin deneyler ve gözlemlerden elde edildiği problemlerde

kullanılır. Ya da hesaplanması zor analitik teorik modeller yerine kullanılabilir.

Örnek olarak , mikrobiyolojik büyümenin tahmin edilmesi.

3.Fonksiyon Yaklaşımı (Modelleme)

Şekil 4: Fonksiyon Yaklaşımı

Fonksiyon yaklaşımı

Tahmin metodu yapay sinir ağının eğitilmesinde kullanılır. Verilen belirli bir senaryoyu , daha sonra karşısına çıkan senaryoların davranışlarını tahmin etmek için kullanır. (Şekil 5) Sistem bir sonraki anda önceki senaryolardan edindiği gözlemler sayesinde tahminde bulunabilir. Örnek olarak Mikrobiyolojik büyüme eğrileri verilebilir.

Şekil 6: Tahmin

4.Tahmin

Optimizasyon , nesnel bir fonksiyonu maksimum ve minimum noktalarını

sınırlandırmak için en iyi çözümü bulmayla ilgilenir. Optimizasyon matematikte

köklü bir alandır. Fakat yapay sinir ağlarında , örneğin Hopfield ağı. Hopfield ve

Tank 1986 da lineer olmayan ve kompleks problemlerin çözümü için daha efektif

bir yol buldular.

5.Optimizasyon

Yapay sinir ağı bozuk olmayan veriler ile eğiterek birleşik bir ağ geliştirebilir. Bu ağı daha sonradan bozuk olan verileri sınıflandırmak için kullanabilir. Bu birleşmiş ağ aynı zamanda bozuk olan ve tamamen kaybolmuş verileri düzeltmek için kullanılabilir. (şekil 1.5) Hopfield ve Hamming ağları özellikle bu uygulamaları kullanır.

Ysa’ lar ağa eksik bilgileri içeren örüntüler verildiğinde eksik bilgilerin tamamlanması konusunda başarılıdırlar.

Şekil 6: Resim Tamamlama

6. Birleşme

Kontrol , ağın dizaynıyla ilgilenir . Genelde tekrarlayan bir iştir. Adaptif kontrol

sistemine gerekli sinyalleri üretmede yardımcı olur. Bu sistem sistemin akışına

göre aynı rutini devam ettirir.

7. Kontrol

DİNLEDİĞİNİZ İÇİN TEŞEKKÜR EDERİM