Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Yapay Sinir Ağları

13.661 visualizaciones

Publicado el

Publicado en: Tecnología
  • Follow the link, new dating source: ❤❤❤ http://bit.ly/2F4cEJi ❤❤❤
       Responder 
    ¿Estás seguro?    No
    Tu mensaje aparecerá aquí
  • Sex in your area is here: ♥♥♥ http://bit.ly/2F4cEJi ♥♥♥
       Responder 
    ¿Estás seguro?    No
    Tu mensaje aparecerá aquí

Yapay Sinir Ağları

  1. 1. İçerik • Biyolojik sinirler ve beyin • Tek bir sinirin modeli • Sinir Ağları • Eğitim Algoritmaları • Uygulamalar • Faydalar, zayıf yönler ve uygulamalar
  2. 2. Tarihsel Olaylar • 1943: McCulloch ve Pitts, ilk kez sinirlerin bilgisayar ortamında modelini(computational model of neuron) önerdiler. • 1949: Hebb, ilk kez öğrenme kuralını(learning rule) önerdi. • 1958: Rosenblatt’s yapay nöronlar(perceptrons) üzerine çalışmalar yaptı. • 1969: Minsky ve Papert’ın makalesi teorinin sınırlamalarını öne çıkardı. • 1970’ler Yapay sinir ağlarının aktif olmadığı dönem • 1980–90’lar Yapay sinir ağlarının yeniden gündeme geldiği dönem
  3. 3. Sinir hücreleri
  4. 4. Sinir hücreleri Biyolojik sinir hücresi; gövde(cell body), çekirdek(nucleus), akson(axon), birçok sinir ucu (dendrite) ve akson ile diğer sinir hücresinin sinir ucu arasındaki uzantılardan (synapse) oluşmaktadır.
  5. 5. Sinir hücreleri Üç temel olay vardır: • Receive(al) • Analyze(analiz et) • Transmit(ilet) – Dendrite’ler, gelen sinyalleri çekirdeğe iletir. – Çekirdek(nucleus) dendriteden gelen sinyalleri toplar ve aksona iletir. – Aksonda toplanmış bu sinyaller, akson tarafından işlenerek synapse’lere gönderilir. – Synapse’ler de yeni üretilen sinyalleri diğer sinir hücrelerine iletir.
  6. 6. Yapay sinir hücresi modeli McCulloch ve Pitts (1943) “entegre et ve ateşle” modelini önermiştir. Girişler(input values) : X1, X2, . . . , Xm. Herbir giriş hücresinin ağırlıkları(weights) : W1, W2, . . . ,Wm. Giriş değerleri, ağırlıkları ile çarpılırlar ve toplamı alınır:
  7. 7. Yapay Sinir Ağlarının Bileşenleri • Giriş(input values):Yapay sinir ağlarına dış ortamlar veya diğer bir hücreden gelen veriler. • Ağırlıklar(weights):Hücreye gelen bilgilerin etkisini, ağırlığını gösterir. • Toplama Fonksiyonu(sum function): Hücreye gelen bilgilerle, bu hücrelerin ağırlıklarını çarpımını toplar ve o hücrenin net giriş bilgisinin hesaplanmasını sağlar. • Aktivasyon Fonksiyonu(activation function): Hücreye gelen net bilgiyi analiz ederek, hücrenin bu giriş bilgisine göre karşılık üreteceği çıkış bilgisinin belirlenmesini sağlar. • Çıkış(output): Aktivasyon fonksiyonlarının oluşturduğu çıkış bilgileridir. Bu bilgi,dış dünyaya, başka bir hücreye ya da kendisine giriş bilgisi olarak iletilebilir.
  8. 8. Yapay Sinir Ağlarının Çalışması • Yapay sinir ağlarının genel çalışma prensibi, bir giriş setini(örnekleri) alarak onları çıkış setine çevirmektir. • Bunun için ağın kendisine gösterilen giriş verileri için doğru çıkış değerleri üretecek hale gelmesi(yani eğitilmesi) gerekmektedir. • Ağa gösterilecek örnekler öncelikle bir vektör haline getirilir. • Bu vektör ağa gösterilir ve ağ bu vektör için gerekli çıkış vektörünü üretir. • Ağın parametre değerleri doğru çıkış bilgisini üretecek şekilde düzenlenir.
  9. 9. Yapay Sinir Ağlarının Çalışması • Giriş vektörü; – haftanın günlerini gösteren sayısal değerler, – bir resmin gri tonları, – bir parmak izini, – bir ürünün satış miktarı vb. gibi değişik olayları gösteren nümerik değerlerden oluşan vektörler olabilir.
  10. 10. Yapay Sinir Ağlarının Çalışması • Benzer şekilde çıkış vektörü de giriş vektörünün sınıfını gösterebilir. • Bir değerin tahmin edilmesi olabilir. • Giriş ve çıkış vektörlerinin tasarımı ağı geliştiren kişi tarafından belirlenir ve örnekler(girişler) belirlenen formatta toplanarak eğitim sırasında ağa gösterilir.
  11. 11. Toplama Fonksiyonu • Toplama fonksiyonu y = f (v) • Örnek: Girişler x = (0, 1, 1) ve Ağırlıklar w = (1,−2, 4). Toplama fonksiyonu: v = 1 · 0 − 2 · 1 + 4 · 1 = 2
  12. 12. Aktivasyon Fonksiyonları • Lineer fonksiyon: f (v) = a + v = a +∑wi xi
  13. 13. Aktivasyon Fonksiyonları Örnek: a=0 ve v=2 > 0, ise f(2) = 1 •Basamak(step) fonksiyonu
  14. 14. Aktivasyon Fonksiyonları •Sigmoid fonksiyonu
  15. 15. Yapay Sinir Modeli • Giriş(x) ve çıkış(y) değişkenleri arasındaki ilişki aşağıdaki şekildedir. y = f(x) + Hata(Error) •Hatayı azaltmak için ağırlık(weight) bilgileri ayarlanır. • Eğer lineer aktivasyon fonksiyonu kullanılırsa model aşağıdaki şekilde ifade edilebilir: f(x1, . . . , xm) = a + w1x1 + · · · + wmwm
  16. 16. İleri Beslemeli Yapay Sinir Ağları Düğümler(Nodes) sinirleri temsil ederler ve oklar da bunlar arasındaki bağlantıları gösterirler. Her bir düğümün bir numarası vardır ve ikili numaralarla gösterilirler. Örneğin, (1,4) 1 ve 4 numaralı düğümün bağlantısını gösterir. Düğümler, girişten çıkışa doğru katmanlar şeklindedir. Giriş düğümlerine gelen bilgiler, gizli katmanları geçerek çıkışa gider. Bu tür ağlara ileri beslemeli (feed-forward networks) ağlar denir.
  17. 17. Giriş ve Çıkışlar Giriş(input) :1,2 ve 3 Çıkış(Output): 4 ve 5
  18. 18. Gizli Düğümler ve Katmanlar •Bir yapay sinir ağı gizli düğümlere sahip olabilir ( Ağ içinde gizli ve çevreyle doğrudan bağlantısı olmayabilir). •Bir yapay sinir ağının birçok gizli katmanı olabilir. Katmanlar(Layers): •Giriş( input): 1,2 ve 3 •Gizli(hidden): 4 ve 5 •Çıkış( output):6 ve 7
  19. 19. Ağırlıkların(weigths) Numaralandırılması •Ağdaki herbir düğümün ağırlığı Wij olarak gösterilir. •Örneğin 4 nolu düğümün ağırlıkları : W14, W24 ve W34
  20. 20. Örnek
  21. 21. • Giriş değerleri X1 = 1 ve X2 = 0 için çıkış değeri nedir? 1. İlk gizli katmandaki ağırlıklarlarla giriş değerleri çarpılarak toplamı hesaplanır: 2. Aktivasyon fonksiyonu uygulanır: 3. 5 nolu düğümdeki ağırlıklarlarla giriş değerleri çarpılarak toplamı hesaplanır: 4. Sonuç:
  22. 22. Yapay Sinir Ağlarının Eğitilmesi • Bir önceki problemi şu şekilde düşünelim: – Yapay sinir ağında giriş değerlerimiz X1 = 1 and X2 = 0, ve f bir basamak(step) fonksiyonu – y5 = 0 verilmiş ve biz ağırlıkları(weights) yani Wij değerlerini bulabilirmiyiz? • Bu problem oldukça zordur, çünkü bilinmeyen birçok ağırlık var ve sonsuz çözüm olabilir. • İstenilen sonuç için bir grup ağırlık değerlerinin bulunmasına ağın eğitilmesi denir.
  23. 23. Yapay Sinir Ağlarında Öğrenme • Yapay sinir ağlarında düğüm elemanlarının ağırlık(weight) değerlerinin belirlenmesi işlemine “ağın eğitilmesi” denir. • Başlangıçta bu ağırlık değerleri rastgele olarak atanır. • Yapay sinir ağları kendilerine örnekler gösterildikçe bu ağırlık değerlerini değiştirirler. • Amaç ağa gösterilen örnekler için doğru çıkış değerlerini üretecek ağırlık değerlerini bulmaktır. • Örnekler ağa defalarca gösterilerek en doğru ağırlık değerleri bulunmaya çalışılır.
  24. 24. Yapay Sinir Ağlarında Öğrenme • Ağın doğru ağırlık değerlerine ulaşması örneklerin temsil ettiği olay hakkında genellemeler yapabilme yeteneğine kavuşması demektir. • Bu genelleştirme özelliğine kavuşması işlemine ağın öğrenmesi denir. • Ağırlıkların değerlerinin değişmesi belirli kuralara göre yürütülmektedir. Bu kurallara öğrenme kuralları denir.
  25. 25. Yapay Sinir Ağlarında Öğrenme • Yapay sinir ağlarında öğrenme olayının iki aşaması vardır: – Ağa gösterilecek örnek için ağın üreteceği çıkış belirlenir. – Bu çıkış değerinin doğruluk derecesine göre ikinci aşamada ağın bağlantılarının sahip olduğu ağırlıklar değiştirilir.
  26. 26. Yapay Sinir Ağlarında Öğrenme • Ağın eğitimi tamamlandıktan sonra öğrenip öğrenmediği(performansını) ölçmek için yapılan denemelere ağın test edilmesi denir. • Test etmek için ağın öğrenme sırasında görmedikleri örnekler kullanılır. • Test etme sırasında ağın ağırlık değerleri değiştirilmez. • Test örnekleri ağa gösterilir.
  27. 27. Yapay Sinir Ağlarında Öğrenme • Ağ eğitim sırasında belirlenen bağlantı ağırlıklarının kullanarak görmediği bu örnekleri için çıkış üretir. • Elde edilen çıkış doğruluk değerleri ağın öğrenmesi hakkında bilgiler verir. • Sonuçlar ne kadar iyi olursa eğitimin performansı o kadar iyi demektir. • Eğitimde kullanılan örnek setine eğitim seti, test için kullanılan sete ise test seti denir.
  28. 28. Öğretmensiz Öğrenme • Yapay sinir ağının öğrenmesini sağlayacak bir öğretmen yoktur. • Yapay sinir ağı,giriş verilerinden ve parametrelerden kendi kendine öğrenmeye çalışır.
  29. 29. Basit algılayıcı öğrenme kuralı-örnek
  30. 30. Yapay Sinir Ağlarının Yapısını Oluşturan Bilgiler • Ağın Topolojisi • Kullanılan toplama fonksiyonu • Kullanılan aktivasyon fonksiyonu • Öğrenme stratejisi • Öğrenme kuralı
  31. 31. Yapay Sinir Ağlarının Uygulamaları • Örüntü sınıflandırma-Pattern classification (analysis of time– series, customer databases, etc). • Obje tanıma- Object recognition (ör. Karakter tanıma) • Güvenlik-security (kredi kartı sahteciliği)
  32. 32. Yapay Sinir Ağlarının Yararları • Birçok alana uygulanabilir. • Doğrusal olmayan çok boyutlu, gürültülü, eksik veri olması durumlarında ve özellikle problemin çözümünde kesin bir matematiksel modelin veya algoritmanın bulunmadığı koşullarda uygulanabilir.
  33. 33. Yapay Sinir Ağlarının Zayıf Yönleri • Diğer birçok algoritmada olduğu gibi az sayıda veri ile kullanılamaz. • Gizli düğümlerin sayısı, öğrenme oranı, minimum hata gibi parametrelerin belirlenmesi için net bir kural yoktur. • Aritmetik ve kesin hesaplamalarda başarılı değildir. • Ağda çok fazla çok fazla düğüm varsa, bu nedenle çok fazla ağırlık vardır ve bunların yorumlanması oldukça zordur.
  34. 34. Kaynaklar • Middlesex University, Dr. Roman V Belavkin, BIS4435, Lecture notes. • Russell, S. and Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Series in Artificial Intelligence. Prentice-Hall. • Öztemel E., Yapay sinir Ağları, 2012, Papatya Yayıncılık. • Bilecik Üniversitesi, Dr. Cihan Karakuzu, Nöral Sistemlere Giriş Ders Notları

×