Ysa dönem ödevi̇
-
Upload
goenuel-uluc -
Category
Documents
-
view
132 -
download
2
Transcript of Ysa dönem ödevi̇
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