Çok Katmanlı Sinir Ağları

Tek katmanlı sinir ağları ile sadece doğrusal olan problemler çözülebilmekteydi. Doğrusal olmayan herhangi bir problemi çözmek mümkün değildi. Bu problem çözme yeteneğinden dolayı yapay zeka konusu yıllar boyu askıya alınsa bile, sonrasında bu soruna ileriki zamanlarda çözüm getirilmiştir.

ÇKA, genellikle öğrenme yönteminde delta kuralını kullanmaktadır. Bu kuralda girilen girdiler üzerinde en doğru çıktıyı elde etmek temel amaçtır. En doğru çıktı için bir girdinin ve sonrasında bir çıktının olmasının yeterli olmadığı açıktır. Bundan dolayı ara katmanların kullanılması ile hata payını en aza indirgemek amaçlanmıştır. Öncesinden hazırlanan eğitim seti giriş katmanına aktarılır, bu girdiler ara katman veya katmanlar tarafından işlenir ve çıkış katmanından girişi yapılan ağın sonucu gönderilir. Kullanılan öğrenme algoritmasında amaç beklenen çıktı ile çıkan çıktı arasındaki farkı en aza indirgemek üzerinedir.

Geri Beslemeli Çok Katmanlı Ağ Yapısı, Kabalcı, 2015

Yukarıdaki şekilde de görüldüğü üzere çok katmanlı sinir ağ yapıları giriş(girdi) katmanı, çıkış(çıktı) katmanı ve giriş ve çıkış katmanı arasında ara bağlantılar sağlayan gizli(ara) katman veya katmanlardan oluşur.

Giriş katmanı dış dünyadan topladığımız bilgileri verdiğimiz katmandır. Bu katman gelen tüm bilgileri gizli katmana gönderir. Giriş katmanlarında bilgi işleme yapısı bulunmamaktadır. Sadece bilgilerin girişi kabul edilir ve girilen bilgiler gizli katmana aktarımından sorumludur. Gizli katmandaki tüm hücrelerin hepsiyle bağlantısı mevcuttur.

Gizli katman, giriş katmanından gelen bilgileri işleyerek çıkış katmanına gönderir. Gelen bilgileri işleme bu katman tarafından yapılır. Katmanların içinde birden fazla proses elemanı bulunabilir. Her proses elemanı bir sonraki katmanın proses elemanlarına eksiksiz olarak bağlanmak zorundadır.

Çıkış katmanı, ara katmandan gelen işlenmiş olan veriyi çıktı olarak dış dünyaya sunar. Çıkış katmanında da birden fazla proses elemanı bulunabilir. Her proses elemanı bir çıktı üretir. Bundan dolayı çıkış katmanındaki proses elemanları dış dünyada ulaşmak istediğin veriyle paralel bağlantısı vardır.

Bu tür ağ yapılarında ileride değineceğim yapay sinir ağlarından öğrenme yöntemlerinden biri olan danışmanlı öğrenme yöntemi kullanılmaktadır. Bu öğrenme kuralında ağın çıktısı ileri yönde hesaplama ile bulunur. Tahmin edilen çıktı ile çıktı katmanından çıkan çıktılar karşılaştırılır. Hata oranı beklentinin üzerinde ise, geriye doğru hesaplama ile algoritmada kullanılan ağırlıklar güncellenir ve tekrar veriler girdi katmanına gönderilir.

Maddeler haline çok katmanlı bir ağ yapısının çalışma prensibini ele almak gerekirse;

1. Örneklerin toplanması: Ağın çözmesini istediğimiz olayla ilgili verilerin bir araya getirilmesi. Ne kadar çok benzer durum verilerini bir araya getirir sisteme iletirsek, alacağımız sonuçtaki hata oranı o kadar düşük olacaktır.
2. Ağın algoritmasının belirlenmesi: Topolojik yapının doğru belirlenmesi istenilen çıktı ve sistemin doğru öğrenmesi için önemlidir.
3. Öğrenme parametrelerinin belirlenmesi: Bu kısımda teknik hesaplamalar devreye girmektedir. Öğrenme katsayısı, toplama/aktivasyon fonksiyonlarının belirlenmesi gibi hesaplamalar yapılmaktadır.
4. Ağırlık değerlerinin belirlenmesi
5. Seçilen örnek verilerin giriş katmanına iletilmesi
6. İleri yönde hesaplama
7. İstenilen çıktı ile çıkış katmanının vermiş olduğu çıktının karşılaştırılması ve farkın nedeni olan hatanın tespit edilmesi
8. Hata kabul edilebilir oranda değil ise, geriye doğru hesaplama ile ağırlık değerlerinin tekrar hesaplanması
9. Hata oranı istenilen düzeye inmiş ise prosesin sonlanması; aksi durumda ağırlıkların yeni değerleri ile ağa tekrar gönderilmesi gerekir. (Not: Bu maddede aksi durum olursa 5.maddeden tekrar işlemlerin başlaması gerekmektedir.)