Yapay sinir ağlarında öğrenme

YSA, diğer yapay zeka teknolojileri gibi makine öğrenmesini kullanmaktadır. Öğrenme kavramı birçok değiĢik Ģekilde tanımlanmakla beraber, Simon, tarafından önerilen tanım en sık kullanılan tanımdır. Simon, öğrenmeyi "zaman içinde yeni

bilgilerin keşfedilmesi yoluyla davranışların iyileştirilmesi süreci" olarak

tanımlamaktadır. Makine öğrenmesi ise öğrenme iĢleminin bilgisayarlar tarafından gerçekleĢtirilmesidir.

Ġnsanlar öğrenirken zaman içinde iyileĢme sağlarlar, makine öğrenmesinde de amaç zaman içerisinde problemin çözümünde ve karar vermede elde edinilen tecrübeler neticesinde iyileĢme sağlanmasıdır.

YSA‟da öğrenme de, sistemin bilgiler ile donatılması, örneklerle (pattern data) ile sağlanmaktadır. Sistem belli büyüklükte örnek almakta ve bu örneklerden bazı bilgilere ulaĢmaktadır.

ġekil 4.9. Öğrenme ve Test Etme [25]

4.2.3.1. Öğrenme yöntemleri

YSA‟nın öğrenme sürecinde, dıĢ ortamdan gözle veya vücudun diğer organlarıyla uyarıların alınması gibi dıĢ ortamdan giriĢler alınır, bu giriĢlerin beyin merkezine iletilerek burada değerlendirilip tepki verilmesi gibi YSA‟da da aktivasyon fonksiyonundan geçirilerek bir tepki çıkıĢı üretilir. Bu çıkıĢ yine tecrübeyle verilen çıkıĢla karĢılaĢtırılarak hata bulunur. ÇeĢitli öğrenme algoritmalarıyla hata azaltılıp gerçek çıkıĢa yaklaĢılmaya çalıĢılır. Bu çalıĢma süresince yenilenen YSA‟nın ağırlıklarıdır. Ağırlıklar her bir çevrimde yenilerek amaca ulaĢılmaya çalıĢılır. Amaca ulaĢmanın veya yaklaĢmanın ölçüsü de yine dıĢarıdan verilen bir değerdir. Eğer YSA verilen giriĢ- çıkıĢ çiftleriyle amaca ulaĢmıĢ ise ağırlık değerleri saklanır. Ağırlıkların sürekli yenilenip istenilen sonuca ulaĢana kadar geçen zamana öğrenme adı verilir [28].

Daha önce belirtildiği gibi bir YSA'nın sahip olduğu bilgi, iĢlem elemanları arasındaki bağlantı hatları üzerinde saklanır ve ağırlıklar vasıtası ile gösterilir. Ağ, olaylar hakkında giriĢ ve çıkıĢlar arasındaki iliĢkiyi, elde bulunan mevcut örneklerden genellemeler yaparak öğrenir ve bu genelleme ile yeni oluĢan ve ortaya

Öğrenme Test Etme

çıkan daha önce hiç görülmemiĢ olaylar hakkında karar verir. Yani ağa, bir örnek olay gösterildiğinde, giriĢ katmanından alınıp ara katmanlarda iĢlenerek, ağın o olay hakkında ürettiği sonuç, çıkıĢ katmanına sunulur. Bu bilgiyi iĢleme, ağın sahip olduğu tecrübeye göre, bilginin ara katmanlarda çağrıĢtırılması ile gerçekleĢtirilir. Bu çağrıĢtırma olayı modelden modele değiĢmektedir. Mesela, ara katmanlardaki iĢlem elemanları sahip oldukları bağlantılar ile kendi kararlarını üretir ve çıkıĢ katmanındaki iĢlem elemanlarına gönderirler. ÇıkıĢ katmanındaki iĢlem elemanları da, yine ilgili ağırlıkları kullanarak ağın en son kararını oluĢtururlar. Bu ağırlıklar, tıpkı ilgili olayın belirli özelliklerini hafızada saklayan elemanlar gibi düĢünülebilirler. Bilgi iĢleme ise (örüntü tanıma gibi), bir olay gösterildiğinde hafızadan ilgili özellikleri çağırmak ve bunlar ile ilgili giriĢleri birlikte analiz ederek karar vermek Ģeklinde yorumlanabilir.

Literatürde öğrenme yöntemleri olarak üç adet stratejiden bahsedilmektedir. Bunlar,

1. Öğretmenli Öğrenme 2. Destekleyici öğrenme 3. Öğretmensiz Öğrenme

Ayrıca birden fazla öğrenme yönteminin birlikte kullanıldığı karma stratejilerde kullanılmaktadır.

Öğretmenli öğrenme: sisteme bir öğretici tarafından destek verilmektedir. Öğretici, YSA‟na problemle ilgili bilgileri nümerik hale getirerek verir. Sisteme verilen bilgiler ulaĢılması istenilen değerlerle karĢılaĢtırılırlar. Olması gerekenle, sistem çıktısı arasındaki çıktı hata olarak kabul edilir ve bu hatanın düzeltilmesi için tekrar iĢlem yapılır. Kabul edilebilir hata oranları yakalandığında ağ öğrenmiĢ anlamına gelmektedir.

Öğretmenli öğrenme sistemlerine en uygun örnek "çok katmanlı algılayıcı " ağlarıdır. Destekleyici öğrenme, yönteminde ağa bir eğitici tarafından destek verilmektedir. Destekleyici girdiler için olması gereken çıktı değerleri yerine sistemin çıktısını

üretmesini bekler ve üretilen çıktının doğru yada yanlıĢ olduğunu belirten bir sinyal üretir. Öğrenme süreci bu sinyallere göre devam eder. LVQ ağları destekleyici öğrenme stratejilerine en iyi örnektir.

Öğretmensiz öğrenme, yönteminde sitemin öğrenmesine yardımcı olan herhangi bir eğitici bulunmaz, sisteme sadece girdi değerleri nümerik olarak gösterilir, girdi parametreleri arasındaki iliĢkileri sistemin kendi kendine öğrenmesi beklenir. ĠliĢkilendirme, sınıflandırma gibi problemlerde bu sistem baĢarılı bir Ģekilde kullanılabilmektedir. ART ağları öğretmensiz öğrenme için en uygun örnektir.

YSA çevrim içi ve çevrimdıĢı çalıĢma öğrenme durumlarına göre de ikiye ayrılmaktadır. Çevrim içi öğrenmede ağ bir taraftan öğrenmeye devam ederken diğer taraftan problem için çözüm üretmeye devam etmektedir. Çevrim dıĢı öğrenme de ise sistemler eğitildikten sonra kullanıma sunulmaktadır. Sistemin öğrenmesi gereken yeni bilgiler olduğunda sistem kullanımı durdurulup tekrar eğitildikten sonra kullanılmaya devam edilmektedir.

4.2.3.2. Yapay sinir ağlarında öğrenme kuralları

Öğrenme sistemlerinde kullanılan değiĢik öğrenme kuralları vardır. YSA da kullanılan bu öğrenme kurallarının çoğu Hebb kuralına dayanmaktadır.

Hebb Kuralı, Bilinen en eski öğrenme kuralıdır. Diğer öğrenme kurallarının temelini oluĢturmaktadır.

1949 yılında geliĢtirilen bu kurala göre, bir hücre (YSA elemanı) diğer bir hücreden bilgi alırsa ve her iki hücrede aktif ise (matematik olarak aynı iĢareti taĢıyorsa) her iki hücrenin arasındaki bağlantı kuvvetlendirilmelidir. Diğer bir deyiĢle bu kural Ģu Ģekilde özetlenebilir. Bir hücre kendisi aktif ise bağlı olduğu hücreyi aktif yapmaya pasif ise pasif yapmaya çalıĢmaktadır. Diğer öğrenme kurallarının çoğu bu felsefeyi temel alarak geliĢtirilmiĢtir.

Hopfield Kuralı, Bu kural Hebb kuralına benzemektedir. YSA elemanlarının bağlantılarının ne kadar kuvvetlendirilmesi veya zayıflatılması gerektiği belirlenir. Eğer beklenen çıktı ve girdiler ikisi de aktif/pasif ise öğrenme katsayısı kadar ağırlık değerleri kuvvetlendir/zayıflat denmektedir. Yani, ağırlıkların kuvvetlendirilmesi veya zayıflatılması öğrenme katsayısı yardımı ile gerçekleĢtirilmektedir. Öğrenme katsayısı genel olarak 0–1 arasında kullanıcı tarafından atanan sabit ve pozitif bir değerdir.

Kohonen Kuralı, Ağın elemanları (hücreleri) ağırlıklarını değiĢtirmek için birbirleri ile yarıĢırlar. En büyük çıktıyı üreten hücre kazanan hücre olmakta ve bağlantı ağırlıkları değiĢtirilmektedir. Bu, o hücrenin yakınındaki hücrelere karĢı daha kuvvetli hale gelmesi demektir. Hem kazanan elemanların hem de komĢuları sayılan elemanların (hücrelerin) ağırlıklarını değiĢtirmesine izin verilmektedir.

Delta Kuralı, Hebb kuralının biraz daha geliĢtirilmiĢ Ģeklidir. Bu kurala göre beklenen çıktı ile gerçekleĢen çıktı arasındaki farklılığı azaltmak için YSA‟nın elemanlarının bağlantılarının ağırlık değerlerinin sürekli değiĢtirilmesi ilkesine dayanarak geliĢtirilmiĢtir. Ağın ürettiği çıktı ile üretilmesi gereken (beklenen) çıktı arasındaki hatanın karelerinin ortalamasını azaltmak hedeflenmektedir.