Doğal Sinir Ağları
   İnsan beyni yaklaşık 10 milyar sinir hücresi ile örülmüş çok karmaşık ve büyük bir ağ. Bu ağ görev açısından 3 katmandan oluşur. Birincisi duyu nöronları (reseptörler), ikincisi ara nöronlar ve üçüncüsü de motor nöronlar. Duyu nöronları, dış dünyadan bilgisayar deyimiyle girdileri alır ara nöronlar girdileri yorumlar ve motor nöronlarda tepki yani çıktı üretirler.
   Doğal sinir sisteminin en temel birimi nörondur. Nöron dendrit, hücre gövdesi ve aksondan oluşur. Dendrit nörona bilgiyi alan kısımdır. Akson ise diğer hücrelerin dendritlerine bağlanarak veri iletir. Bu bağlantı yerlerine sinaps denir ve sinapslarda iletim kimyasaldır. İletinin eşik değerini sinapslar belirler. Sinir hücrelerinde veriler elektriksel sinyallerdir.

Yapay Sinir Ağları (Artifical Neural Networks)
   Yapay sinir ağları da yukardaki sistemin bilgisayar üzerinde gerçeklenmesi ile elde edilen beynin adeta matematiksel modelidir. YSAlar ile ilk uğraşmaya başladığımda aklıma şu soru gelmişti; YSAnın veritabanına veri kaydeden programdan farkı nedir? Elbette bu soru, henüz YSAnın amacını anlamamış olmamın bir sonucuydu. YSAlar ezberlemek yerine, öğrenen, genelleme yapabilen, kümeleyebilen, eğitilip gelişebilen ve benzerlik kurabilen sistemlerdir. Geliştirilen bir çok yapay nöron ve YSA modeli bulunur. En iyi bildiğim model, geri yayılımlı YSA modeli olduğu için daha çok bunun üzerinde duracağım.

Geri Yayılımlı YSA İçin Temel Kavramlar
Aktivasyon Fonksiyonu : Nöronların değerlerini hesaplarken kullanılan matematiksel fonksiyondur. Geri yayılımlı YSAda genelde sigmoid ve hiperbolik tanjant(tanh) fonksiyonları kullanılır.
Sigmoid : 1 / (1 + e^(-x))
Tanh : (e^x - e^(-x)) / (e^x + e^(-x))
Öğrenme Oranı/Katsayısı : Öğrenme esnasında hedefe yakınsama miktarını ayarlayan sayı. Genelde 0.2 ile 2 arasında seçilebilir. Bu sayıyı büyük seçerseniz aynı harmonik haraket yapan bir sarkaç gibi hedeflenen değere bir yaklaşılır bir uzaklaşırsınız. Küçük seçerseniz, hedefe ulaşmanız çok uzun zaman alır. Bu sayının optimum değerini deneme yanılma yoluyla bulabilirsiniz :S ...
Danışmalı(Supervised) Öğrenme : Veri girişinin yanında veri çıkışı da gerektiren, örnekler yardımı ile öğrenme metodudur.
Fark : Delta ya da hata payı olarak ta geçer. Hedeflenen çıktı ile üretilen arasındaki farkı ifade eder.
Bias : Öğrenmeyi güçlendirmek için kullanılır. Öğrenmeyi hızlandırırken yerel optimum değerlere takılmayı güçleştirir.
Ağırlık : Dendritin veya hücrenin ağırlığı şeklinde ifade edilebilir. Hücre ağırlığı hesaplarsak dendritten değil de axonda söz ederiz ve her sinir hücresini sonraki katmanın tüm sinir hücreleriyle ilişkilendirmemiz gerekir. Ama eğer dendrit ağırlığı hesaplarsak bu sefer her hücre kendisinden önceki katmanda bulunan tüm hücrelerle ilişkilendirilmeli. Bu, sonucu hiçbir şekilde değiştirmez. Benim örnek programlarda kullanacağım şekliyle dendrit ağırlıkları, her nöronun bir önceki katmanda bulunan nöronlarla ayrı ayrı sahip olduğu dendritlerin(bağlantıların) ağırlıklarını ifade edecek.

   Başka başlıklar altında ysa algoritmasını ve örneklerini de yayınlayacağım...
 
Onaylı yorum bulunmuyor.