Yapay sinir ağlarının da tıpkı biyolojik sinir ağları gibi sinir hücreleri bulunmaktadır. Yapay sinir hücreleri, mühendislik biliminde proses elemanı olarak da adlandırılmaktadır (Öztemel, 2006, s. 48). Her yapay prosesin i) Girdiler, ii) Ağırlıkla, iii) Toplama Fonksiyonu, iv) Aktivasyon Fonksiyonu ve v) Çıktı olmak üzere, beş temel elemanı bulunmaktadır. Şimdi bu elemanlar hakkında bilgi verelim.
55
i. Girdiler: Yapay sinir hücresine dış dünyadan (Akkaya, 2005, s. 197), başka hücreden veya kendi gecikmeli değerlerinden gelen bilgileri içermektedir.
ii. Ağırlıklar: Yapay hücreye verilen bilginin önemini ve ilgili hücre üzerindeki etkisini göstermektedir. Ağırlıkların küçük, sıfır veya negatif olması o ağ için önemli olabilir ve anlamsız şeklinde düşünülmemelidir. Ağırlığın işaretinin türü sadece pozitif veya negatif etkisini gösterirken, sıfır olması herhangi bir etkisinin olmadığını ifade etmektedir.
iii. Toplama Fonksiyonu: Prosesin bu elemanı, hücreye gelen net bilgiyi hesaplamaktadır. Toplama fonksiyonu için farklı hesaplama yöntemleri bulunmaktadır. Ancak en yaygın kullanılanı toplama fonksiyonudur. Ağın bu bölümünde girdi değeri kendi ağırlığı ile çarpılarak toplanmaktadır. Bu şekilde, ağa gelen net girdi hesaplanmış olur. Net girdi şu şekilde formüle edilebilir (Öztemel, 2006, s. 49):
𝑁𝐸𝑇 = ∑ 𝐺𝑖𝑊𝑖
𝑛
𝑖=1
Burada, 𝐺 girdi değişkenini, 𝑊 ağırlıkları, 𝑛 ise hücreye gelen toplam proses eleman sayısını temsil etmektedir. Bir problemin çözümünde kullanılan standart bir toplama fonksiyonu bulunmamaktadır. Uygun bir toplama fonksiyonunu elde etmek için deneme-yanılma yolu kullanılmaktadır (Öztemel, 2006, p. 49).
Literatürde farklı toplama fonksiyonları bulunmaktadır. Bu fonksiyonlardan bazıları Tablo-1’de yer almaktadır.
iv. Aktivasyon Fonksiyonu: Hücreye gelen net girdiyi işleyerek, hücrenin bu girdiye karşılık üreteceği çıktıyı belirleme görevindedir. YSA’ya verilen bir örnek, toplama fonksiyonundan sonra eşik seviyesinin belirlendiği aktivasyon fonksiyonuna gönderilir ve girdi ile ağırlık değerleri toplama fonksiyonu ile belirli eşik değerleri ile karşılaştırılmak için aktivasyon fonksiyonuna gönderilir (Navibey, 2010, s. 555). Bu nedenle, eşik seviyesi ayrı bir nöron modeli olarak şöyle gösterilir:
𝑦 = 𝑓(𝐺𝑥𝑊) = 𝑓(𝑁𝐸𝑇)
56
Burada 𝑓 olarak ifade edilen fonksiyon, bir aktivasyon fonksiyonu olarak gösterilmektedir. Bu fonksiyon bölgesi, nöron modelinin bir dizi aktivasyon değeridir. Eşikleme fonksiyonlarının, doğrusal ve doğrusal olamayan biçimleri bulunmaktadır. Bu aktivasyon fonksiyonlarına örnek vermek gerekirse; step ve signum fonksiyonları genellikle örüntü tanıma ve sınıflandırma çalışmalarında, sigmoid fonksiyonu geri yayılımlı ağlarında, doğrusal aktivasyon fonksiyonu ise genellikle doğrusal yakınlaştırmada kullanılmaktadır.
Tablo-1: Toplama Fonksiyonları Örnekleri Çarpım
𝑁𝐸𝑇 = ∏ 𝐺𝑖𝑊𝑖
𝑖
Girdi değerleri ağırlık değerleri ile çarpılır ve bulunan değerler birbirleri ile çarpılarak net girdi hesaplanır.
Maksimum
𝑁𝐸𝑇 = 𝑀𝑎𝑥(𝐺𝑖𝑊𝑖), 𝑖 = 1,2, . . 𝑁
N adet girdi içinden ağırlıklar ile çarpıldıktan sonra, elde edilen en büyük olanı yapay sinir hücresine net girdi olarak gönderilir.
Minimum
𝑁𝐸𝑇 = 𝑀𝑖𝑛(𝐺𝑖𝑊𝑖), 𝑖 = 1,2, … , 𝑁
N adet girdi içinden ağırlıklar ile çarpıldıktan sonra, elde edilen en küçük olanı yapay sinir hücresine net girdi olarak kabul edilir.
Çoğunluk
𝑁𝐸𝑇 = ∑ 𝑠𝑔𝑛
𝑖
(𝐺𝑖𝑊𝑖)
N adet girdi içinden ağırlıklar ile çarpıldıktan sonra, negatif ve pozitif olanların sayısı bulunur. Büyük olan sayı hücrenin net girdisi olmaktadır.
Kümülatif Toplam
𝑁𝐸𝑇 = 𝑁𝑒𝑡(𝑒𝑠𝑘𝑖) + ∑(𝐺𝑖𝑊𝑖)
Hücreye gelen bilgiler ağırlıklı olarak toplanır ve daha önceden gelen bilgilere eklenerek hücrenin net girdisi bulunur.
Kaynak: (Öztemel, 2006).
v. Çıktı: Aktivasyon fonksiyonundan başarı ile geçebilen sonuç, çıktı değeri olarak elde edilir. Elde edilen bu çıktı, dış dünyaya veya başka bir hücreye tekrar gönderilebilir. Diğer bir deyişle, hücre kendi çıktısını yine kendisine girdi olarak geri gönderebilir (Vural, 2007, s. 15). Bir sinir hücresinin birden fazla elemanı olmasına rağmen, sadece bir çıktısı bulunmaktadır.
57
2.3. YAPAY SİNİR AĞLARININ EĞİTİM SÜREÇLERİ VE ÖĞRENME ÖZELLİKLERİ
Yapay sinir ağlarının en değerli özelliklerinden biri, sistem davranışını ifade eden örneklerin sunumundan ortaya çıkan öğrenme yetenekleridir (da Silva et al., 2017, s. 25).
Bu nedenle ağ, girdiler ve çıktılar arasındaki ilişkiyi öğrendikten sonra çözümlemeyi genişletebilir. Diğer bir deyişle, ağın herhangi bir verili girdi değerinin beklenen çıktısına yakın bir çıktı üretebileceği anlamına gelmektedir. Bir sinir ağının eğitim süreci, çıktıları tarafından üretilen çözümleri genelleştirmek için nöronların ağırlıklarını ve eşiklerini (tresholds) ayarlamak için gerekli koordineli adımları uygulamaktan ibarettir. Ağı eğitmek için kullanılan sıralı adımlar kümesine öğrenme algoritması denilmektedir. Diğer bir deyişle, verilen bilgilere göre ağırlıkları değiştirmeye yönelik sistematik yaklaşıma öğrenme kuralı denilmektedir (Kim, 2017, s. 29). Yürütülmesi sırasında ağ, sistemden alınan örneklerden haritalanan sistem ile ilgili ayırt edici özellikleri çıkarabilmektedir.
Sistem davranışını mevcut tüm örneklerini içeren tam veri kümesi, genellikle eğitim alt kümesi ve test alt kümesi olarak iki alt kümeye ayrılır. Tüm veri kümesinden rassal örneklemlerin %60-90’ından oluşan eğitim alt kümesi, öğrenme sürecinde esas olarak kullanılmaktadır. Diğer taraftan, tüm veri kümesinin %10-40’ından oluşan test alt kümesi, genelleştirme çözümlerinin ağ yeteneklerinin kabul edilebilir seviyelerde olup olmadığını doğrulamak için kullanılacak ve böylece belirli bir topolojinin doğrulanmasına izin verecektir. Yapay sinir ağlarının eğitim sürecinde ağırlıkları ve eşikleri ayarlamak için eğitim kümesine ait tüm örneklemlerin eksiksiz sunumuna ise eğitim dönem ismi verilmektedir. Öğrenme stratejileri olarak da denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli (takviyeli) öğrenme olmak üzere üç strateji vardır.
i) Denetimli Öğrenme
Bu öğrenme stratejisi, 1949 yılında nörofizyolojik gözlemlerden esinlenerek, Donald Hebb tarafından önerilmiştir (Mehrotra vd., 1996, s. 218). Denetimli öğrenme, belirli bir giriş sinyal kümesi için çıktıların mevcut olmasını içermektedir. Diğer bir deyişle; her eğitim örneği, giriş sinyallerinden ve buna karşılık gelen çıkışlardan oluşmaktadır. Süreci ve davranışını temsil eden öznitelik veya değer tablosu olarak da adlandırılan girdi/çıktı verilerini içeren bir tabloya ihtiyaç duymaktadır. Denetimli
58
öğrenmenin uygulanması yalnızca bu öznitelik/değer tablosunun varlığına bağlıdır. Ağa sunulan her örnek için doğru yanıtın ne olduğunu öğretiyormuş gibi davranılır.
ii) Denetimsiz Öğrenme
Denetimsiz öğrenmeye dayalı bu stratejide, ilgili istenilen çıktılar hakkında herhangi bir bilgiye gerek yoktur. Bu nedenle, tüm örnek kümesini oluşturan öğeler arasında benzerlikler sunan alt kümeler tanımlayan mevcut özellikler olduğundan, ağ kendi kendini düzenlemektedir (Mehrotra vd., 1996, s. 24). Öğrenme algoritması, ağın kendi içindeki bu kümeleri yansıtmak için ağın ağırlıklarını ve eşiklerini ayarlamaktadır.
Bu öğrenmede; ağ tasarımcısı, eldeki problem hakkındaki bilgisini kullanarak olası kümelerin maksimum miktarını önceden belirleyebilir.
iii) Pekiştirmeli - Takviyeli Öğrenme
Takviyeye dayalı yöntemler, ağ tarafından üretilen yanıt ile karşılık gelen veya istenilen çıktı arasındaki fark, sürekli olarak analiz edilir. Pekiştirmeli öğrenme, denetimli öğrenme tekniğinin bir varyasyonu olarak kabul edilmektedir (Sutton ve Barto, 1998). Bu öğrenme algoritmaları haritalanan sistem ile etkileşim yolu ile elde edilen herhangi bir nitel veya nicel bilgiye dayanarak, dahili sinirsel parametreleri ayarlar ve bu bilgiyi öğrenme performansını değerlendirmek için kullanmaktadır.
Pekiştirmeli öğrenmede, ağ öğrenme süreci genellikle deneme – yanılma yoluyla yapılmaktadır. Çünkü belirli bir girdi için mevcut tek yanıt, tatmin edici ya da yeterli olup olmadığıdır. Yanıtın tatmin edici olması durumunda, sistem ilgili bu davranışsal durumu güçlendirmek için ağırlıkları ve eşikleri kademeli olarak günceller.