Hibrit Kullanıma Dair Değerlendirmeler

İlgili literatürü incelediğimizde, birden fazla farklı YZ yöntem ve tekniklerinin bir araya getirilerek hibrit sistemler oluşturulması ve bu sistemlerin de problem çözümlemelerinde kullanılması yaklaşımlarının sıklıkla izlendiğini görebiliriz. Bu çalışmalar, problemlerin alternatif yollarla ve başarımı daha yüksek boyutlarda çözülmesini amaçlıyor olsa da, arkaplanda yöntem ve tekniklerin hibrit kullanım yeterliklerini de ortaya koymaktadır. Alan ile ilgili günümüzde ortaya çıkan gelişmeler neticesindeki düşüncelerimizden birisi de, gelecekteki zeki sistemlerin sıklıkla hibrit yapıda kullanılacağıdır. Bu nedenle, tez çalışmasında geliştirilen algoritmaların – tekniklerin değerlendirilmesi aşamasında işe koşulan yaklaşımlardan birisi de ilgili algoritmaların farklı tekniklerle adaptasyonunun nasıl sonuçlandığını görmek olmuştur.

Geliştirilen algoritmalar birçok farklı teknikle hibrit yapıda kullanılmış ve yeter düzeyde sonuçlar alındığı gözlemlenmiştir. Ancak metnin karmaşık bir organizasyona kavuşmaması adına, burada sadece Yapay Sinir Ağları [YSA – Artificial Neural

Networks (ANN)], Adaptif Sinirsel-Bulanık Çıkarım Sistemi [ASBÇS – Adaptive Neuro-Fuzzy Inference System (ANFIS)] ve Destek Vektör Makineleri [DVM – Support Vector Machines (SVM)] ile yapılan hibrit sistemlere dair bulgular detaylı bir şekilde verilmiştir. YSA, ASBÇS, ve DVM’nin seçilmesinin nedeni ise bu YZ (Makine Öğrenmesi) tekniklerinin diğer tekniklere göre daha yaygın ve çok-disiplinli bir kapsamda etkin kullanılıyor olmasıdır. Yeri gelmişken, okuyucuların ilgili teknikler hakkında kısaca bilgilendirilmesi de önemlidir:

3.5.1. Yapay sinir ağları ve hibrit kullanım

YSA, çeşitli paralel dağıtık işlem elemanlarının bir araya gelmesi suretiyle oluşturulan ve insan beyninin işleyişinden esinlenen bir YZ tekniğidir. YSA, eldeki verilerle ve ortamdaki verilerle eğitilerek, farklı problemlerde farklı durumlara cevaplar – çözümler üretebilen, etkili bir teknik olarak bilinmektedir (Elmas, 2003b; Hassoun, 1995; Nabiyev, 2012; Öztemel, 2003). Literatürde farklı çalışma şekillerine ve yapılarına sahip YSA modelleri var olmakla birlikte (Hassoun, 1995; Krenker ve ark., 2011; Öztemel, 2003), tipik bir YSA modeli en iyi çok-katmanlı, ileri beslemeli mimari ile açıklanabilmektedir (Hornik ve ark., 1989; Öztemel, 2003; Yegnanarayana, 2009). Tipik bir çok-katmanlı, ileri beslemeli mimari modelinde, yapay sinir hücreleri olarak adlandırılan ve kendilerine giriş olarak gelen verileri toplayıp, özel aktivasyon fonksiyonlarından geçiren ve elde edilen çıktıları da kendilerinden sonra başka katmanlar altında bağlandıkları yapay sinir hücrelerine ileten ve nihayetinde giriş verilerine karşılık çıkış katmanında sonuçlar – dönütler üreten bir sistem söz konusudur (Anderson ve McNeill, 1992; Krenker ve ark., 2011; Öztemel, 2003; Uğur ve Kınacı, 2010). Bu noktada, her hücre bağlantısı birer ağırlık değeri ile temsil edilmekte ve modelin kendisine giriş olarak verilen verilere karşılık çıkışta istenilen çözümleri üretmesi için de eğitilmesi gerekmektedir. Çünkü eğitilen bir YSA, artık kendisine daha önce gösterilmemiş olan giriş verilerine karşılık doğru çıktılar – sonuçlar üretebilmekte ve böylece hedef problem kapsamında kullanılabilmektedir. Eğitim süreci için geleneksel olarak Back-Propagation (Geri Yayılım) Algoritması (Hagan ve Menhaj, 1994; Öztemel, 2003; Phansalkar ve Sastry, 1994; Yegnanarayana, 2009) veya Marquardt Algoritması (Hagan ve Menhaj, 1994) gibi algoritmalar kullanılıyor olsa da, günümüzde farklı algoritmalar ya da YZ tabanlı optimizasyon teknikleri de daha hızlı ve pratik sonuçlar vermeleri sebebiyle kullanılmaktadır (Gudise ve Venayagamoorthy,

2003; Ilonen ve ark., 2003; Karaboğa ve ark., 2007; Montana ve Davis, 1989; Valian ve ark., 2011a).

3.5.2. Adaptif sinirsel-bulanık çıkarım sistemi ve hibrit kullanım

İlk olarak Jang (1992; 1993) tarafından literatüre önerilen Adaptif Sinirsel- Bulanık Çıkarım Sistemi [ASBÇS – Adaptive Neuro-Fuzzy Inference System (ANFIS)], YSA ile Bulanık Mantık [BM – Fuzzy Logic (FL)] tekniklerinin hibrit yapıda kullanıldığı bir YZ tekniği formudur. Keskin Mantık’tan (Crisp Logic) farklı olarak, insan mantığına benzer bir şekilde, Zadeh’in (1965; 1978) Bulanık Küme Teorisi’ne sadık kalarak, bir durumun ara değerleri üzerinden yorumlamalara (ve çözümlemelere) ulaşılmasını sağlayan BM (Baykal ve Beyan, 2004; Klir ve Yuan, 1995), YSA’nın eğitim sürecine ‘EĞER…İSE’ kuralları aracılığıyla, Takagi-Sugeno modeli aracılığıyle ‘dilsel’ bir yaklaşım getirmektedir (Köse ve Arslan, 2016b; Yun ve ark., 2008) [BM ve ASBÇS ile ilgili daha detaylı bilgi için: (Güler ve Übeyli, 2005; Jang ve ark., 1997; Klir ve Yuan, 1995; Ross, 2009; Yager ve Zadeh, 2012; Zadeh, 1994)].

Tıpkı varsayılan YSA modellerinde olduğu gibi, ASBÇS modellerinin eğitimi süreçlerinde de alternatif algoritmalar – teknikler kullanılabilmektedir. Bu bağlamda, ASBÇS modellerinin eğitilmesinde ‘öncül (premise)’ ve ‘izleyen (consequent)’ adlı iki parametrenin optimize edilmesi yaklaşımı izlenmektedir (Güler ve Übeyli, 2005; Jang, 1992; 1993). Anlaşılacağı üzere, bir önceki alt-başlıkta da ifade edilen ve YSA modelleri için elde edilen avantajlar kapsamında, ASBÇS modellerinin eğitiminde de alternatif algoritmalar – teknikler kullanılabilmektedir.

3.5.3. Destek vektör makineleri ve hibrit kullanım

Genel anlamda DVM, regrasyon ile sınıflandırma amaçlı işe koşulan bir tekniktir (Cortes ve Vapnik, 1995; Vapnik ve ark., 1997). Literatüre bakıldığında bu tekniğin hem bir YZ – Makine Öğrenmesi tekniği olduğunu, hem de bir Veri Madenciliği tekniği olduğunu ifade etmek mümkündür (Alpaydın, 2011; Özkan, 2016). DVM’deki temel mantık, eldeki veri gruplarını birbirinden ayrıracak bir biçimde, en öndeki elemanlar arasındaki mesafeyi maksimize eden ve böylece grupları sınıflandıran hiper-düzlemi (hyper-plane) tespit etmektir (Köse ve ark., 2016). Burada söz konusu

süreci gerçekleştirebilmek için DVM modelinin danışmanlı öğrenme yaklaşımı içerisinde, destek vektörü adı verilen verileri içeren eğitim kümeleri yardımıyla eğitilmesi gerekmektedir (Javed ve ark., 2007; Santhanam ve Padmavathi, 2015; Tamura ve Tanno, 2009). İşte bu özelliğinden dolayı DVM bir Makine Öğrenmesi tekniği olarak kabul görmekte, verilerin analizi ve istendik doğrultuda ayrıştırılması anlamında ise Veri Madenciliği içerisine girmektedir.

Genel anlamda çeşitli matematiksel fonksiyonların kullanımı ve hesaplamalar (özellikle optimizasyon odaklı) neticesinde sonuca ulaşan DVM modelleri sınıflandırmanın ne şekilde yapılacağına göre de ‘Doğrusal (Linear)’ ve ‘Doğrusal Olmayan (Non-Linear)’ DVM’ler olmak üzere iki kategori altında incelenebilmektedir. Doğrusal bir DVM’de sınıflandırmayı yapan düzlem doğrusal bir yapıda gözlemlenirken, Doğrusal Olmayan DVM’de ise daha yüksek boyutlu uzayda anlamlandırılabilen düzlemler ortaya çıkmaktadır. Doğrusal olmayan düzlemlerin elde edilmesi noktasında ise çekirdek (kernel) fonksiyonu adı verilen ve problem çözümünü kolaylaştıran fonksiyonlar işe koşulmaktadır. DVM modelleri için literatürde yaygın bir şekilde kullanılan çekirdek fonksiyonları Linear – Lineer, Gaussian (RBF), ve Polynomial – Polinomal fonksiyonlar olarak bilinmektedir (Cortes ve Vapnik, 1995; Köse ve ark., 2016; Tamura ve Tanno, 2009). Çözüm süreçleri esnasında bu fonksiyonlara ait çeşitli parametrelerin optimize edilmesi problemi de, hibrit modellemenin kapılarını özellikle SZ tekniklerine açmış ve literatürün bu araştırma konusu üzerinden ilerlemesine de imkân vermiştir.

Bu tez çalışma içerisindeki değerlendirme yaklaşımı kapsamında da, YSA, ve ASBÇS modellerinin, geliştirilen YZ tabanlı (sürekli) optimizasyon algoritmaları ile eğitilmesi yoluna gidilmiş, DVM modelleri için ise çekirdek fonksiyonu parametresi optimizasyonu gerçekleştirilmiştir. Böylelikle, özelde hedef alınan problemlerin çözülmesi, genelde ise modellerin etkin uygulanabilir yapıya kavuşturulması açısından başarımlara odaklanılmıştır. Bu noktada kısaca dikkat çekilen diğer bir husus da, ilgili YSA, ASBÇS, ve DVM gibi modellerin kullanıldığı araştırmalar – uygulamalar olmuştur. Söz konusu araştırmalar – uygulamalar, çok-disiplinli uygulanabilirliği gözler önüne sermektedir.

Geliştirilen tekniklerin değerlendirilmesi sürecinde, buraya kadar açıklanan unsurların uygulanması aşamasında, benzeri algoritmalarla – tekniklerle yapılacak karşılaştırmalar da önemlidir.