Bilgi işleme teknolojisi, günümüzde çok büyük çoğunlukla bilgisayarlar tarafından gerçekleşmektedir. Bu nedenle insanlarda bilgi işlemenin sadece bilgisayarlara bağlı olarak gerçekleştiği düşünülmektedir. Fakat bilgi işleme olarak adlandırdığımız olay canlıların var olmasıyla birlikte gerçekleşmeye başlamış bir olaydır. İnsanların ve diğer canlılarda mevcut bulunan yapılardan esinlenerek bir sistem oluşturma düşüncesi bilgi işleme teknolojisinin gelişmesinde çok büyük rol oynamıştır.
İnsanlardaki beynin incelenmesi ve iyi bir şekilde anlamlandırılabilmesi için oluşturulan sinirsel ve sinirsel psikolojik deneyler, matematik ve fen bilimleri alanında yapılan araştırmalar insanda bulunan bilgi işleme sürecini taklit ederek modellemek için güzel bir yol olmuştur. Yapay sinir ağları taklit ettiği insan beynini modelleyerek geliştirilmiştir. İşlem elemanı olarak sinir hücrelerini kullanırlar. Sinir hücreleri (nöron), ayrı bir bellek yapısına sahiptir. Sinir hücreleri üzerlerinde ağırlık adı verilen değerlerin bulunduran bağlantılar ile birlikte haberleşirler. Yapay sinir ağları dağıtılmış verileri işleme ve paralel olarak hesaplama yapabilen bir yapıya sahiptir.
Yapay sinir ağları sıradan yöntemler dışında bir problemi kendi kendine öğrenmesi yatmaktadır. Yapay sinir ağları problemi öğrenmenin yanı sıra problemi çözebilme ve problemin sahip olduğu bilgiler ile birlikte bilgiler arasına ilişkiler kurabilme özelliğine sahiptir. Yapay sinir ağları sınıflandırma, tahminde bulunma ve en uygun değerleri bulma gibi durumlarda çok başarılıdır. Fakat yapay sinir ağlarının paralel çalışmalarından dolayı hesaplama zamanı hızlıdır. Belirsiz, eksik bilgilere sahip problemlerde yapay sinir ağları başarılı sonuçlar göstermektedir.
İnsan beyninde olduğu gibi milyarlarca sinir hücresinin bilgisayar üzerinde modellenmesi şu an ki teknolojiyle imkânız görünmektedir. Bunlara karşın yapay sinir ağlarının uygulamalardaki başarılarından dolayı birçok kullanım alanına mevcuttur.
Yapay Sinir Ağlarının Genel Kullanım Alanları
Yapay sinir ağları sayısal verileri kullanarak hesaplama yapma; bilgileri saklama, sisteme girilen örnekleri inceleyerek problem için çözüm üretme özelliklerin sahiptir. Bu yüzden yapay sinir ağları günlük hayatta finansal konulardan tutun tıp, mühendislik gibi birçok alanda düzenli bir şekilde kullanılmaktadır.
Yapay sinir ağları genel olarak tahmin etme , sınıflandırma, veri yorumlama ve veri filtreleme gibi problemlerde uygulanmaktadır. Yapay sinir ağları kullanılarak tahmin yapılması istenilen problemlerde girilen girdilere uygun çıktı değerlerinin bulunması için oluşturulmuştur. Bu duruma hava durumu tahminini örnek olarak gösterebilir. Veri ilişkilendirme problemlerinde ise yapay sinir ağlarının öğrendiği bilgiler ile eksik olan bilgiler tamamlanmaktadır. Bir kısmı yırtık, kayıp olan fotoğrafın yapay sinir ağları sayesinde yeniden tamamlanması gibi.
Yapay sinir ağlarının sektörler ve uygulama alanlarını özet olarak şöyle gösterelim:
• Sistem modelleme
• Ses tanıma
• El yazısı tanıma
• Parmak izi tanıma
• Plaka tanıma
• Elektrik işareti tanıma
• Hava durumu tahmini
• Otomatik araç denetimi
• Biyomedikal ve tıp alanlarında teşhis koyma
• Denetim
• Uçuş simülasyonları
• Otomatik yol izleme
• Robotik
• Sözcük tanıma
• Görüntü ve data karşılama
• Retina tarama
• Yüz eşleştirme
Yapay Sinir Ağları Ana Ögeleri
Yapay sinir ağları yapı bakımından insandaki sinir ağlarına benzemektedir. Model içerisinde bulunan nöronlar bir sonraki katmanda bulunan nöronlar ile bağlantı oluşturarak ağı meydana getirirler. Birbirine bağlı olan bir işlem elemanına sahip olan yapay sinir ağları, çoğunlukla paralel işleyen bir yapıdadır. Bir yapay sinir ağları birbirine bağlantılın bir şekilde bulunan çok sayıda işlem elemanına sahiptir. Yapay sinir ağların ile insandaki sinir ağları ile bir benzetme yapmamız gerekirse ikisi de giriş sinyallerini alıp işleyerek ürettikleri çıktığı ilettiği birimlere sahiptirler. Yapay sinir ağları insan ele alınarak modellendiği için öğrenme, uyum sağlama, genelleme yapabilme gibi yeteneklere sahiptir.
Yapay sinir ağları insan sinir ağlarına benzediği için sinir hücrelerine sahiptirler ve bu sinir hücreleri 5 temel elemandan meydana gelirler:
- Girdiler
- Ağırlıklar
- Toplama fonksiyonu
- Aktivasyon fonksiyonu
- Çıktılar
girdiler
Girdiler dış dünyadan ya da başka bir hücreden nöronlara gelen verilerdir. Gönderilen bu veriler ağın öğrenmesi istenilen bilgilerdir. Yapay sinir ağları biyolojik sinir ağlarında bulunan sistemi taklit ettiği için girdiden sisteme gelen verilerin toplanması için nöron çekirdeklerine iletir.
Ağırlıklar
Nörona gelen bilgilerin problem için önemini ve etkisinin değerini ağırlıklar göstermektedir. Yapay sinir ağlarına gelen verilen girdiler üzerinden çekirdeğe iletilmeden önce sahip odluğu bağlantıların ağırlıkları ile çarpılırlar ve çarpıldıktan sonra iletilirler. Bu durum sayesinde girdinin hesaplanmasını yapacak çıktının etkisi ayarlanabilir. Bu yüzden problem için oluşturulan modellerin girdilerinin etkisini hesaplamak için kullanılan katsayılara ağırlık adı verilir.
Toplama fonksiyonu
Yapay sinir ağlarına gönderilen tüm girdilerin ağırlıklarıyla çarpıp toplayarak ilgi hücrenin net girdisini hesaplayan fonksiyon türüdür. Problem türüne karşın seçilen toplama fonksiyonunun çeşidine göre girdi değerlerinin kendisi ya da girdi değerlerinin sayı dikkate alınmaktadır. Bir problem için toplama fonksiyonu belirlenmesi için belirli kesin bir yöntem bulunmamaktadır. Bu kararı modeli oluşturan kişi verir ve genellikle deneme yanılma yolunu kullanarak doğru sonuca ulaşılır.
Aktivasyon fonksiyonu
Toplama fonksiyonu tarafından hücreye gönderilen net bir bilgiyi işleyerek hücrenin bu girdiye karşılık üreteceği çıktıyı belirleyen fonksiyon türüdür. Toplama fonksiyonlarının sonucu, aktivasyon fonksiyonlarında işlenip çıkışa iletilir. Aktivasyon fonksiyonunun kullanılma nedeni zamanla ilgili durumlarda toplama fonksiyonun çıkışını değişime olanak sağlamaktır. Doğrusal olmayan problemler için de sonuç üretebilmesi adına genellikle aktivasyon fonksiyonu ile doğrusal olmayan bir fonksiyon seçilir.
çıktılar
Aktivasyon fonksiyonu sonucunun dış dünyaya ya da diğer sinirlere gönderilen birimidir. Bir sinirin çıkışı başka bir sinirin girişi olabilmektedir. Bir çıkışa birden fazla giriş gelebilir. Fakat her hücrenin mutlaka bir çıktısı olmalıdır
yapay sinir ağları öğrenme çeşitleri
Danışmanlı Öğrenme: Bu öğrenme çeşidinde öncelikle bir öğretene ihtiyaç duyulmaktadır. Bir probleme ait giriş değerleri için çıktı değerlerinin de sisteme yüklenmesi gerekir. Bu tür öğrenmede sisteme verilen girdiler, çıktı karşılıkları için modelde bulunan ağırlıkların en uygun değeri güncelleyerek bulunur. Oluşan hatalar incelenerek ağırlıklar güncellenir ve hataların çözüme ulaşması sağlanır.
Danışmansız Öğrenme: Probleme ait, sadece girdiler hakkında bilgi varsa ve sisteme sadece girdiler girildiyse danışmansız öğrenme yöntemi seçilmiş demektir. Ağ, giriş için verilen girdilere göre örnekleri kendi aralarında sınıflayarak bu sınıflama kurallarını oluşturur. Ağrılıklarında yine bu sınıflamayı yapabilecek şekilde düzenlenmesi ile öğrenme tamamlanmış olur.
Takviyeli Öğrenme: Bu tip bir öğrenmede yine öğretici bulunmak zorundadır. Fakat danışmanlı öğrenme gibi sisteme çok fazla detay girilmez. Detay girmek yerine, iterasyon sonucunda ağın elde ettiği değerin iyi ya da kötü olduğu hakkında ağa bilgi verilir. Verilen bilgilere göre ağ kendin kendine öğrenerek hataları çözer.
