Sunum

Yapay Sinir Ağlarının Tarihçesi
• İlk yapay sinir ağı modeli 1943 yılında, bir
sinir hekimi olan Warren McCulloch ile
bir matematikçi olan Walter Pitts
tarafından gerçekleştirilmiştir. McCulloch
ve Pitts, insan beyninin hesaplama
yeteneğinden esinlenerek, elektrik
devreleriyle basit bir sinir ağı
modellemişlerdir.
1
YAPAY SİNİR AĞLARI
Yapay sinir ağları (YSA), insan
beyninin özelliklerinden olan
öğrenme yolu ile yeni bilgiler
türetebilme, yeni bilgiler
oluşturabilme ve keşfedebilme gibi
yetenekleri, herhangi bir yardım
almadan otomatik olarak
gerçekleştirebilmek amacı ile
geliştirilen bilgisayar sistemleridir.
2
• Yapay sinir ağları; insan beyninden esinlenerek, öğrenme sürecinin
matematiksel olarak modellenmesi uğraşı sonucu ortaya çıkmıştır. Bu
nedenledir ki, bu konu üzerindeki çalışmalar ilk olarak beyni oluşturan
biyolojik üniteler olan nöronların modellenmesi ve bilgisayar sistemlerinde
uygulanması ile başlamış, daha sonraları bilgisayar sistemlerinin gelişimine
de paralel olarak bir çok alanda kullanılır hale gelmiştir.
3
• YSA Karşılaştırma
• Biyolojik Sinir sistemi
Yapay Sinir Sistemi
• Nöron
İşlemci eleman
• Dentrit
Toplama fonksiyonu
• Hücre gövdesi
Transfer fonksiyonu
• Aksonlar
Yapan nöron çıkışı
• Sinapslar
Ağırlıklar
4
STATİK HÜCRENİN MATEMATİKSEL MODELİ
Burada; W- hücrenin ağırlıklar matrisini, x- hücrenin giriş
vektörünü, v- hücrenin net girişini, y- hücre çıkışını ve (.)hücrenin aktivasyon fonksiyonunu göstermektedir. Denklem
1.1 den, x giriş vektörünün bileşenlerinin dış (geri
beslemesiz) girişler olması durumunda hücrenin doğrusal
olmayan statik bir işlevi gerçekleştireceği görülmektedir.
5
YSA'ların Genel Özellikleri
• YSA'lar, uygulanan ağ modeline göre
değişik karakteristik özellikler
göstermelerine karşın temel birkaç ortak
özelliğe sahiptirler.
6
YSA'ların Avantajları
7
• YSA'lar makina öğrenmesi
gerçekleştirebilirler.
• Bilgi işleme yöntemleri geleneksel
programlamadan farklıdır.
• Bilgiler ağın tamamında saklanır.
• Örnekleri kullanarak öğrenirler.
8
• Daha önce görülmemiş örnekler
hakkında bilgi üretebilirler
• Algılamaya yönelik olaylarda
kullanılabilirler.
• Örüntü (pattern) ilişkilendirme ve
sınıflandırma yapabilirler
• Örüntü tamamlama yapabilirler.
9
• Kendi kendine öğrenebilme ve
organize etme yetenekleri vardır.
• Eksik bilgi ile çalışabilmektedirler
• Eksik bilgi ile çalışabilmektedirler
• Dereceli bozulma (Graceful
degradation) gösterirler.
• Dağıtık belleğe sahiptirler
10
YSA'ların
Dezvantajları
11
• Donanım bağımlıdır
• Uygun ağ yapısının belirlenmesinde
belli bir kural yoktur.
• Ağın parametre değerlerinin
belirlenmesinde belli bir kural yoktur
• Öğrenilecek problemin ağa gösterimi
önemli bir problemdir
12
• Ağın eğitiminin ne zaman bitirilmesi
gerektiğine ilişkin belli bir yöntem
yoktur
• Ağın davranışlarının
açıklanamamaktadır.
13
Geleneksel algoritmalar ile
Yapay Sinir Ağlarının
Karşılaştırılması
• Geleneksel Algoritmalar
• Çıkışlar, koyulan kurallara
• YAPAY SİNİR AĞLARI
• Öğrenme esnasında giriş çıkış
•
•
•
•
•
girişlerin uygulanması ile elde
edilir.
Hesaplama; merkezi, eş
zamanlı ve ardışıldır.
Bellek paketlenmiş ve hazır
bilgi depolanmıştır.
Hata töleransı yoktur.
Nisbeten hızlıdır.
• Bilgiler ve algoritmalar kesindir.
•
•
•
•
bilgileri verilerek, kurallar
koyulur.
Hesaplama; toplu, eş zamansız
ve öğrenmeden sonra
paraleldir.
Bellek ayrılmış, ve ağa
yayılmıştır. Dahilidir.
Hata töleransı vardır.
Yavaş ve donanıma bağımlıdır.
Deneyimden yararlanır.
14
YSA'lar pek çok sektörde değişik uygulama
alanları bulmuştur. Bunlardan bazıları;
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Uzay
Otomotiv
Bankacılık
Savunma
Elektronik
Eğlence
Finans
Sigortacılık
Üretim
Sağlık
Petro kimya
Robotik
Dil
Telekominikasyon
Güvenlik
15
Yapay Sinir Ağları El yazısı Tanıma
Örneği
• El yazısı tanıma, el ile yazılan harf, rakam ve sembollerin
bilgisayar sistemleri tarafından tanınmasıdır.İnsanlar için
oldukça kolay olmasına rağmen, bir zemin üzerindeki
çizgi ve eğrilerin otomatik olarak harf ve rakamlar, daha
ileri aşamada da anlamlı sözcükler olarak algılanması
oldukça zor bir problemdir. Fakat şu anki teknoloji el
yazısı tanıma konusunda henüz kısıtlı bir düzeydedir ve
hala tam olarak çözülmüş bir problem değildir. El yazısı
tanımadaki zorluk, çok fazla sayıda değişik yazı karakteri
olması ve kişiden kişiye farklılıklar göstermesinin yanında
harflerin birbirine bağlı yazılmasından kaynaklanmaktadır
16
El yazısı tanıma yöntemleri iki
gurupta toplanabilir:Etkileşimli
(çevrimiçi) ve etkileşimsiz
(çevrimdışı) yöntemler.
17
Etkileşimsiz yöntemler:
•
•
•
•
•
•
•
•
•
•
•
•
•
Genelde kağıt üzerine daha önceden yazılmış bilgilerin sayısallaştırılarak,
sonradan tanınmaya çalışılması işlemidir.
Bu tip sistemlerde yazının tanınması için bir süre kısıtlaması gerekmemektedir.
Yazının yazılması sırasındaki hareketler hakkında hiçbir bilgi olmadığı ve özellikle eski belgeler
yeterince temiz ve okunaklı olmayacağı için yanılması daha kolay sistemlerdir.
Sayısallaştırıcılardan kaynaklanan gürültülerin etkisini azaltmak için çok daha detaylı bir
önişlemeye gerek duyulur.
Bu sistemlerin avantajı özel bir alete gerek duyulmaması ve bu sayede yıllardır varolan bütün
belgelere uygulanabilmesidir.
Etkileşimsiz yöntemler oldukça geniş bir yelpazede yer alsa da genelde benzer bir işlem sırasını
izler.Bunlar şu şekilde sıralanabilir:
1) Ön-işleme: Gürültü azaltılması, düzgeleme,referans çizgisinin bulunması gibi işlemlerden
oluşur.
2) Bölütleme: Sözcüklerin harflere ya da rakamlara karşılık gelecek parçalara bölünmesi
amaçlanır.
3) Öznitelik çıkarımı: Bu aşamada ana amaç verinin daha kısıtlı bir uzayda tanımlanarak bu tür
problemlerin engellenmesidir.
4) Tanıma: Tanıma ya da harflerin sınıflandırılması aşamasında çok farklı yöntemler
kullanılabilir. Yapay sinir ağları,istatistiksel ve yapısal öğrenme,şablon eşleştirme gibi
yöntemler bunlardan bazılarıdır.
5) Son-işleme: Gürültülü verilerde sözcükleri bulmak için harflerin tanınması bir problem
oluşturur.Bu tür problemleri biraz olsun azaltabilmek için, tanıma sonrasında bazı sistemler bir
sözlükten yararlanarak tanınan harflerin anlamlı sözcüklere denk gelmesini sağlamak için bir sonişleme yapmaktadır.
18
Etkileşimli yöntemler
•
•
•
•
•
El yazısını yazı yazıldığı sırada tanıyan, özel olarak tasarlanmış sistemlerdir.
Genelde elektromanyetik ya da elektrostatik tabletler kullanılır.
Kalemin dokunuşları ve hareketlerin devamlılığı göz önünde tutulur.
Bu tip sistemlerin yazı hızına yetişebilmesi için çok hızlı olması gerekir.
Harflerin şekil özelliklerinin yanında yazılma sırasındaki hareketler
gözlenebilir ve böylece yanlışlar anında düzeltilebilir.
• Diğer bir avantajı da kullanıcı ile sürekli bir etkileşim olduğu için kullanıcının
sisteme gün geçtikçe uyum sağlaması ve yazılarını tanınması daha kolay
olacak şekilde yazmaya başlamasıdır.
• Etkileşimli sistemler de etkileşimsiz sistemlere benzer yöntemler izler.
Etkileşimli sistemlerde gürültü genelde tabletin sınırlı özellikleri nedeniyle
ortaya çıkmaktadır ve bunu gidermek için yumuşatma ve inceltme gibi
yöntemlerle kullanılır.
• Elektronik ajandalar (PDA) gibi günümüzde çok yaygınlaşan bir yöntemdir.
19
Yapay Sinir Ağları ile El Yazısı
Tanıma
• Yapay sinir ağlarının oluşturulması için
örnek teşkil eden, biyolojik sinir ağlarının
ve insan beyninin en temel parçaları,
hatırlama, düşünme, her harekette daha
önceki deneyimlere başvurma yeteneğini
sağlayan kendine özgü sinir hücreleridir.
20
Resimdeki Türkçe Yazının
Metne Dönüştürülmesi:
Bu aşamada, karakterlerin eğitim ve uygulama
sırasında sinir ağının girişleri için temsil edilme
biçimlerinde iki farklı yöntem göz önünde
bulundurulmuştur.
21
1. Karakterlerin Ağırlık
Merkezine Dayalı Gösterimi
Ağırlık merkezine dayalı tanıma, karakterlerin ağırlık merkezlerinin farklı
noktalarda olduğu düşüncesinden ortaya çıkmıştır. Aşağıdaki şekil piksel
olarak incelendiğinde ağırlık merkezlerinin aynı noktada olduğu söylenebilir.
Oysa ki oransal temelden bakıldığında farklı olacaktır. Ağırlık merkezine
dayalı sınıflandırma sabit karakter boyutlarında iyi sonuçlar vermektedir.
Desenler giriş matrisine, kendi ağırlık merkezleri ile matrisin ağırlık merkezi
çakışacak şekilde yerleşirler. Ağırlık merkezi kriteri her ne kadar ayırt edici
özellik taşıyorsa da, aynı yazı tipinin farklı büyüklüklerinde ağırlık merkezi
kaymaktadır. Bu nedenle farklı özellik vektörlerine ihtiyaç duyulmaktadır. 22
2. Karakterlerin Sabit Bir Desen Matrisinin
Bir Noktasına Yerleştirilmesi
• Öğrenme işlemi sırasında öğretilecek her karakterin resim biçimi hazır
•
olduğundan (siyah-beyaz biçiminde), bu resim dosyalarından piksel
değerleri okunarak desen matrisinin sol üst kenarına yaslanacak şekilde
yerleştirilir.
Her iki yaklaşım için de, desen matrisi 20x20 olarak sinir ağının
girişlerine göre düzenlenmiştir. Bu çalışmada, uygulamada kolaylık olması
açısından karakterlerin sinir ağına sunulmasında ikinci temsil biçimi
kullanılmıştır.
23
24
25