Yapay Sinir Ağı Öğrenme Algoritmaları

Yapay sinir ağlarının günümüzde bu denli yaygın kullanılmasının başlıca nedenlerinden biri öğrenebilme yeteneğidir. Klasik yöntemlerin aksine belirli bir algoritmayı iterasyonlar şeklinde sonuçlara ulaştırmak üzere takip etmezler, insanlarda olduğu gibi tecrübeye sahiptirler. Tecrübe öğrenme sürecinin bir sonucudur. Öğrenme işlemini de ilgili problemler için tanımlanan veri setleri aracılığı ile veriler arasında ilişki kurarak gerçekleştirirler. İlişki kurma süreci ise yapay sinir ağının yapay sinir hücreleri üzerinde sahip olduğu ağırlıklar üzerinden gerçekleştirilir. Bu ağırlıkların evrilmesi sonucu öğrenme gerçekleşmiş olur. Ağırlıkların evrilmesi ya da değiştirilmesi yapay sinir ağında kullanılan öğrenme kurallarına göre değişiklik gösterebilir. Literatürde yapay sinir ağları için yer alan öğrenme algoritmaları danışmanlı, danışmansız ve takviyeli olmak üzere üç temel gruba indirgenmiştir [59]. Bu üç grup haricinde melez yöntemler kullanan bazı öğrenme yöntemleri de geliştirilmiştir. Bunlar olasılık temelli yapay sinir ağları (PBNN) ya da radyal temelli yapay sinir ağlarında (RBNN) kullanılmaktadır [60].

Hebbian öğrenme kuralı yapay sinir ağlarının öğrenme mantığını açıklayan çok basit bir kuraldır ve tüm öğrenme kurallarının temelini oluşturur. Hebbian öğrenme kuralına göre iki yapay sinir hücresi aynı anda aktif ise bu iki yapay sinir hücresi birbirleri ile ilişkilidir ve aralarındaki bağlantı güçlü olmalıdır [60].

Yapay sinir ağları da insanlar gibi bir öğrenme sürecine sahiptir. Dışarıdan alınan sinyaller insan beyni içerisinde işlenerek bir tepki üretilir ve bu tepki dışarıya aktarılır. Aktarılan tepki yanlış bir tepki ise beyin bu tepkiyi doğru bir hale getirmek için veri işleme aşamasında değişiklik yapar. Bu süreç sonucunda beyin artık nasıl tepki vereceğini öğrenmiş olur ve bu tepkiyi kaydederek tecrübeyi oluşturur. İnsan beyni tecrübe etmediği olaylar karşısında doğaçlama olarak bir tepki üretir ve bu durum onu tecrübesiz kılar. Yapay sinir ağları da dışarıdan aldığı veriyi birleştirme ve transfer fonksiyonlarından geçirerek çıktı üretir. Bu çıktı, geçmiş tecrübeleri ile karşılaştırılarak hata hesaplanır ve yapay sinir ağının doğru çıktıyı vermesi sağlanır. Bu öğrenme süreci yapay sinir ağının ağırlıklarının değiştirilmesi sonucu olur ve bu ağırlıklar tepkilerin kaydedildiği tecrübe olarak nitelendirilebilir. Yapay sinir ağlarının doğru tepkileri vermesi için tekrarlanan bu sürece epoch adı verilir. Epoch sayısının fazla olması yapay sinir ağının yavaş öğrenmesi anlamına gelebilir ve performansını düşürür [60].

3.1.5.1. Danışmanlı Öğrenme

Yapay sinir ağının öğrenme aşamasında verilen girdilere karşılık istenen çıktı değerleri belirtiliyor ise bu öğrenme tipine danışmanlı öğrenme ya da aktif öğrenme denir. Şekil 3.12’de danışmanlı öğrenme yapısı gösterilmiştir.

Şekil 3.12. Danışmanlı öğrenme. Yapay Sinir Ağı W Hata Sinyali Üreticisi Giriş x Gerçek Çıkış (y) İstenen Çıkış (d) Hata Sinyali P(d,y)

Yapay sinir ağı elinde olan arzu edilen çıkış değerine karşılık hesapladığı çıkış değerini karşılaştırır ve elde ettiği hata bilgisine göre yapay sinir hücrelerinin ağırlıklarını günceller. Eğer hata kabul edilir bir seviyeye geldiyse ağırlıkların değiştirilmesi işlemi ve dolayısıyla öğrenme son bulur.

Danışmanlı öğrenme algoritmalarında yeterli sayıda eğitim verisi var ise başarılı sonuçlar elde edilebilir. Yapay zeka uygulamalarının bir çoğunda danışmanlı öğrenme yöntemi kullanılmaktadır. Bu yöntemin uygulandığı problemlerde genellikle problemin sonucu ya da benzer problemlerin sonucu bilinmektedir ve bu tarz problemler insanlar tarafından çözülebilecek problemlerdir.

Danışmanlı öğrenme yöntemi kullanılan yapay zeka çalışmalarında yapay sinir ağı kullanılmadan önce mutlaka eğitilmelidir. Eğitim seti doğrudan yapay sinir ağı performansı üzerinde etkilidir.

Literatürde en çok karşılaşılan danışmanlı öğrenme yöntemleri delta kuralı, geri yayılma algoritması, genelleştirilmiş delta kuralı ve vektör kuantalama modeli (LVQ) algoritmasıdır. İleri beslemeli yapay sinir ağı mimarilerinden olan çok katmanlı yapay sinir ağları ve radyal taban fonksiyonlu yapay sinir ağları danışmanlı öğrenmeyi kullanan mimarilerdir [58].

3.1.5.2. Danışmansız Öğrenme

Yapay sinir ağının öğrenme aşamasında verilen girdilere karşılık istenen çıktı değerleri belirtilmiyor ise bu öğrenme tipine danışmansız öğrenme denir. Bu tip öğrenmede giriş verileri aynı zamanda çıkış verileridir. Yapay sinir ağının öğrenmesine yardım eden bir parametre yoktur. Girdi katmanına verilen veri seti içerisindeki ilişkilerin yapay sinir ağı tarafından kendiliğinden öğrenmesi hedeflenir. Bu tür yapay sinir ağlarının sonuçlarının bir operatör tarafından değerlendirilmesi gerekir. Danışmansız öğrenme ile çalışan yapay sinir ağlarında sonuç olarak birbirlerine benzeyen giriş verilerinin kümelenmesi elde edilir.

Kohonen Som geri beslemeli yapay sinir ağı ya da uyarlanabilir titreşim teorisi gibi kompetitif yapay sinir ağları danışmansız öğrenme kullanan mimarilerdir. Bu tarz öğrenme yöntemleri kümeleme, sınıflandırma, ayırma, süzme gibi uygulamalar için kullanılabilir [58]. Çıktı bilgisi olmadığı için yapay sinir ağının ağırlığı kümeleme ya da gruplandırma için değiştirilerek öğrenme gerçekleştirilir. Şekil 3.13’te danışmansız öğrenme yapısı gösterilmiştir.

Şekil 3.13. Danışmansız öğrenme.

3.1.5.3. Takviyeli Öğrenme

Takviyeli öğrenme danışmanlı öğrenmeye oldukça benzerdir. Danışmanlı öğrenmede yapay sinir ağının çıktısının ne olması gerektiği belirtilirken takviyeli öğrenmede ise yapay sinir ağının verdiği çıktının doğruluğuna bir derece atanır. Bu nedenle bazı kaynaklarda danışmanlı öğrenmenin özel bir versiyonu olarak nitelendirilirler. Genetik algoritmalar ve LVQ (vektör kuantalama modeli) takviyeli öğrenme yöntemini kullanırlar ve sonuç değerlerini bir uygunluk değerine göre kıyaslayarak iterasyonlarına devam ederler. Takviyeli öğrenme yöntemi kullanan yapay sinir ağları da eğiticiden gelen sinyal doğrultusunda ağırlıkları değiştirerek öğrenme işlemini gerçekleştirir. Şekil 3.14’te takviyeli öğrenme yapısı gösterilmiştir.

Yapay Sinir Ağı W Giriş x Gerçek Çıkış (y)

Şekil 3.14. Takviyeli öğrenme.