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;
- 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.
- Ağın algoritmasının
belirlenmesi: Topolojik yapının doğru belirlenmesi istenilen çıktı ve
sistemin doğru öğrenmesi için önemlidir.
- Öğrenme parametrelerinin
belirlenmesi: Bu kısımda teknik hesaplamalar devreye girmektedir. Öğrenme
katsayısı, toplama/aktivasyon fonksiyonlarının belirlenmesi gibi
hesaplamalar yapılmaktadır.
- Ağırlık değerlerinin
belirlenmesi
- Seçilen örnek verilerin
giriş katmanına iletilmesi
- İleri yönde hesaplama
- İstenilen çıktı ile çıkış
katmanının vermiş olduğu çıktının karşılaştırılması ve farkın nedeni olan
hatanın tespit edilmesi
- Hata kabul edilebilir
oranda değil ise, geriye doğru hesaplama ile ağırlık değerlerinin tekrar
hesaplanması
- 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.)
Hiç yorum yok:
Yorum Gönder