Yapay Sinir Ağı Çeşitleri

Pek çok YSA çeşidi olduğundan ve sürekli olarak yenileri bulunduğundan tam olarak kaç çeşit olduğunu söylemek pek mümkün değildir. Ancak en çok bilinen yöntemler için sınıflandırma yapmak mümkün olabilir. Tasarım esnekliğinin ana teması, öğrenme algoritmalarındaki parametre güncelleme işlemi için türetilen bilginin hangi yöntemlerle oluşturulduğudur (Ermiş, 2005). YSA, veri akışı açısından, mimari açıdan, öğrenim stratejileri açısından, vb. bir çok alt başlık altında sınıflandırılabilir.

Veri akışı açısından incelendiğinde ağ tasarımının aşağıdaki şekillerde tasarlandığı görülür

(Ermiş, 2005);

1. İleri beslemeli (feedforward) YSA: Eğer verinin akışı bir çevrim oluşturmayacak şekilde ileriye doğru ise bu yapıya sahip ağ modelleri, ileri beslemelidir. Bu tip ağlar, YSA için geliştirilmiş algoritmalara ek olarak, çok sayıda geleneksel sayısal yöntem kullanılarak da eğitilebilir.

2. Geri beslemeli (feedback) veya yinelemeli (recurrent) YSA: Ağ üzerinde geri besleme bağlantıları vardır. Bu tip YSA’da ağa uygulanan her bir giriş değeri için YSA bir sonuç üretmeden önce, potansiyel olarak uzun bir süre yineleme yapmak zorundadır. Bu tip ağları eğitmek ileri beslemelileri eğitmekten daha zordur.

Ağ mimarisi açısından sinir ağları aşağıdaki şekilde sınıflandırılır (Haykin, 1994);

1. Tek katmanlı ileri beslemeli (single-layer feedforward) ağlar: En basit sinir ağı yapısıdır. Bir giriş, bir çıkış katmanı vardır. Bu ağ yapısında bilgi girişten çıkışa doğru ilerler, yani ileri beslemeli bir ağ yapısıdır. Tek katmanlı olarak isimlendirilmesinin sebebi, giriş katmanının veri üzerinde hiçbir işlem yapmadan veriyi çıkış katmanına iletmesidir.

2. Çok katmanlı ileri beslemeli (multi-layer feedforward) ağlar: Bu tip sinir ağları, içinde hesaplamalar yapan gizli nöronların bulunduğu bir veya daha fazla gizli katman içeren ağlardır. Giriş katmanı geniş olduğunda gizli katmanlar sayesinde, yüksek dereceli istatistiksel veriler elde edilebilmektedir. Çok katmanlı yapılarda (n). katmanın çıkış sinyalleri (n+1). katmanın giriş sinyalleri olarak kullanılır. p adet giriş düğümü, ilk gizli

katmanda h1 adet nöron, ikinci gizli katmanda h2 adet nöron ve çıkış katmanında q adet

nöron bulunan birçok katmanlı ileri beslemeli ağ p-h1-h2-q şeklinde gösterilir. Eğer her

katmanda bulunan nöronlar bir sonraki katmanın tüm nöronlarına bağlı ise bu tip ağa tam

bağlantılı ağ denir. Eğer bu sinaptik bağlantılardan bazıları eksikse ağ, kısmi bağlantılı ağ

adını alır.

3. Radyal tabanlı (radial basis) sinir ağları: Duyarlı almaç bölgelerinin olduğu giriş katmanı, radyal tabanlı nöronları, gizli bir katman ve çoğunlukla doğrusal aktivasyon fonksiyonlu nöronlardan ibaret çıkış katmanından oluşur. Radyal tabanlı ağlar, geriyayılımlı algoritmalı ileri beslemeli ağlardan daha fazla nöron kullanımına ihtiyaç duysa da eğitim süresi çok daha kısadır. Yoğun eğitim verisiyle daha iyi sonuçlar verir. 4. Yinelenen (recurrent) ağlar: İleri beslemeli ağlardan farkı, en az bir adet geri besleme

çevriminin olmasıdır. Geri besleme çevrimleri ağın öğrenme yetisi ve performansı üzerinde oldukça etkilidir (Haykin, 1994). Geri çevrim sinyallerinin yönü, ileri ve geri olabilmektedir. Yinelenen ağlar dinamik bir hafızaya sahip olduklarından, o andaki ağın çıkışı, mevcut girişi yansıtmaktadır. Yinelenen ağlara örnek olarak Hopfield ağı, Elman ağı ve Jordan ağı gösterilebilir.

5. Kafes (lattice) yapılar: Bir kafes, giriş sinyallerini tedarik eden kaynak düğümlerine karşılık gelen bir ya da daha fazla boyutlu yapıdır. Bir kafes ağı, aslında çıkış nöronları satır ve sütun halinde düzenlenmiş bir ileri beslemeli ağdır.

Öğrenme stratejileri açısından YSA; eğiticili, eğiticisiz, takviyeli ve karma öğrenme olmak

1. Eğiticili (supervised) öğrenme: Öğrenen sistemin olayı öğrenebilmesine bir eğitici yardımcı olmaktadır. Eğitici, sisteme öğrenilmesi istenen olay ile ilgili örnekleri giriş/çıkış kümesi olarak verir. Yani, her örnek için hem girişler, hem de o girişler karşılığında oluşturulması gereken çıkışlar sisteme gösterilir. Bu sayede olayın girişleri ile çıkışları arasındaki ilişkiler öğrenilmektedir. Çok Katmanlı Algılayıcı (ÇKA) ile Radyal Taban

Fonksiyonlu (RTF) ağlar bu stratejiyi kullanan ağlara örnek olarak verilebilir.

Eğiticili öğrenme algoritmalarına örnek olarak ise tek bir nöron için kullanılan En Küçük

Kareler Ortalaması ve onun genelleştirilmiş hali olan ve çok katmanlı yapılar için

kullanılan Geriye Yayılım Algoritması (GY) verilebilir. Eğiticili öğrenme hem çevrimiçi hem de çevrimdışı çalıştırılabilir (Haykin, 1994).

2. Eğiticisiz (unsupervised) öğrenme: Sistemin öğrenmesine yardımcı herhangi bir eğitici yoktur. Sisteme sadece giriş değerleri gösterilir. Örneklerdeki parametreler arasındaki ilişkileri sistemin kendi kendisine öğrenmesi beklenir. Bu, daha çok sınıflandırma problemi için kullanılan bir stratejidir. Sistemin öğrenmesi bittikten sonra çıkışların ne anlama geldiğini gösteren etiketlendirmenin kullanıcı tarafından yapılması gerekmektedir. Bu tip ağ yapısına, Yarışmalı Öğrenme, SOM, Adaptif Rezonans Teorisi Modelleri (ART) örnek olarak verilebilir.

3. Takviyeli (reinforcement) öğrenme: Bu tür öğrenme stratejisinde sisteme bir eğitici destek olur. Fakat eğitici her giriş kümesi için olması gereken (üretilmesi gereken) çıkış kümesini göstermek yerine sistemin kendisine gösterilen girişlere karşılık çıkış üretmesini bekler ve üretilen çıkışın doğru veya yanlış olduğunu gösteren bir sinyal üretir. Sistem eğiticiden gelen bu sinyali dikkate alarak öğrenme sürecini devam ettirir. Vektör Kuantalama

Modelleri (LVQ) bu yapıyı kullanan sistemlere örnek olarak verilebilir.

4. Karma stratejiler: Bahsedilen üç stratejiden birkaçını birlikte kullanarak öğrenme gerçekleştiren ağlar da vardır. Yani kısmen eğiticili, kısmen eğiticisiz olarak öğrenme yapan ağlar kastedilmektedir.

YSA, kabul ettikleri veri türüne göre de kategorik ve nicel olmak üzere iki ana gruba ayrılır (Ermiş, 2005);

1. Kategorik değişkenler: Sadece sonlu sayıda olası değerler ve genellikle her bir kategoride birkaç veya daha fazla değer alır. Kategorik değişkenler sembolik değerler (örneğin; kırmızı, mavi, yeşil) olabilir, ancak ağa bu değerler uygulanmadan önce sayısal olarak

kodlandırılmalıdır. Hedef değerleri kategorik değişkenler olan eğiticili ve eğiticisiz öğrenmenin her ikisi de sınıflandırma olarak adlandırılır.

2. Nicel değişkenler: Bazı niteliklerin (örneğin; uzunluk) sayısal ölçüm değerleridir ve ölçümler, en azından ölçümler arasındaki bazı aritmetik ilişkiler ölçülen nesnelerin nitelikleri arasındaki ilişkiyi yansıtacak şekilde yapılmalıdır. Hedef değerleri nicel olan eğiticili öğrenme, regresyon olarak adlandırılır.

YSA gibi öğrenen sistemlerde öğrenme, hangi strateji ya da mimariye göre uygulanırsa uygulansın bazı kurallar çerçevesinde gerçekleşmektedir. Bu kurallardan bazıları çevrimiçi (on-line) bazıları ise çevrimdışı (off-line) çalışmaktadır (Öztemel, 2003). Eğiticili öğrenme yaklaşımında parametre güncelleme işlemi, sistem çalışırken, anlık gözlemlerden elde edilen bilgi ile yapılıyorsa, buna çevrimiçi öğrenme denir. Eğer YSA önceden belirlenen girdi/çıktı eşleşmesini gerçeklemeye çalışıyorsa, buna da çevrimdışı öğrenme denir (Ermiş, 2005). Son olarak parametre güncelleme işlemi ile ilgili olarak iki tip seçeneğin olduğundan bahsedilebilir. Eğer ağ parametreleri, eğitim çiftlerinin tamamının ağ üzerinden geçirilip, herbir geçişte hesaplanan değişim miktarlarının toplamı ile güncelleniyorsa grup (batch, epoch), herbir eğitim çifti için hesaplanan değişim miktarı o anda uygulanıyorsa bireysel (incremental, instantaneous, pattern) güncelleme yapılır (Ermiş, 2005).