Yapay Zeka-Yapay Sinir Ağları-Ağla Oluşan Zeka:
1--İnsan beyninin özelliklerinden
olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve
keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak
gerçeklestirmek amacı ile geliştirilen bilgisayar sistemleridir.
2--Bu yetenekleri geleneksel
programlama yöntemleri ile gerçekleştirmek oldukça zordur veya mümkun değildir.Bu
nedenle, yapay sinir ağları bilim dalının, programlanması çok zor veya mümkün
olmayan olaylar için geliştirilmiş adaptif bilgi işleme ile ilgilenen bir
bilgisayar bilim dalıdır.
3--Yapay sinir ağları, olayların
örneklerine bakmakta, onlardan ilgili olay hakkında genellemeler yapmakta,
bilgiler toplamakta ve daha sonra hiç görmediği örnekler ile karşılaşınca öğrendiği
bilgileri kullanarak o örnekler hakkında karar verebilmektedir.
4--1990 lı yıllardan beri bilgisayarların öğrenmesini sağlayan Yapay Sinir Ağları teknolojisinde oldukça hızlı bir gelişme
gösterdi.Yapay sinir ağları, insan beyninin özelliklerinden olan öğrenme yolu
ile yeni bilgiler üretebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi
yetenekleri herhangi bir yardım almadan otomatik olarak gerçekleştirmek amacı
ile geliştirilen bilgisayar sistemleri olduklarından hem yeni gelişmelere neden
oldular hem de nasıl çalıştığı bilinmeyen insan beyni hakkında yapılan araştırmalara
da önemli katkılar sağladılar ve sağlamaktadırlar.
5--Yapay Sinir Ağları-(YSA),
basit biyolojik sinir sisteminin çalışma seklini simüle etmek için tasarlanan programlardır.
Simüle edilen sinir hücreleri (nöronlar) içerirler ve bu nöronlar çeşitli
şekillerde birbirlerine bağlanarak ağı olustururlar. Bu ağlar öğrenme, hafızaya
alma ve veriler arasmdaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler.
5.1--Diger bir ifadeyle,
YSA'lar, normalde bir insanın; düşünme ve gözlemlemeye yönelik doğal
yeteneklerini gerektiren problemlere çözüm üretmektedir. Bu ise insan beyninin
ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme
yeteneğidir
5.2--Biyolojik sistemlerde öğrenme,
nöronlar arasındaki sinaptik bağlantıların ayarlanması ile olur. Yani, insanlar
doğumlarından itibaren bir yaşayarak öğrenme süreci içerisine girerler. Bu
süreç içinde beyin sürekli bir gelişme göstermektedir. Yaşayıp tecrübe ettikge
sinaptik bağlantılar-YSA da ağırlıkların ayarlanması- her defasında yeniden ayarlanır
ve hatta yeni bağlantılar oluşur.Bu süreç nöronuyla beraber ağın öğrenmesidir.
5.2.1--Yapay zekada ağın öğrenmesi konusu hala bir bilinmeyendir.Yani nasıl doğruya çok yakın bir çıkarsama nasıl sağlanıyor. Bu konuda şöyle bir yorum yapılabilir.Mühendislikte sayısal değerlere arasında enterpolasyon yapılabilmekte.Belki yapay sinir ağları bir nevi çok boyutlu-diyelim 20 boyutlu olarak değerlere arasında enterpolasyon yaparak sonuca ulaşmakta.Zira bunun kanıtı ağın eğitilmesinde yanlış set değerleri girildiğinde yanlış sonuç üretebilmesidir.Zira ağı nasıl eğitirseniz öyle sonuç alırsınız.
5.3--Bu durum YSA için de
geçerlidir. Ögrenme, eğitme yoluyla örnekler kullanarak olur; başka bir
deyisle, gerçeklesme girdi/çıktı verilerinin işlenmesiyle, yani eğitme
algoritmasının bu verileri kullanarak bağlantı ağırlıklarını bir yaknnsama-değere
yaklaşma sağlanana kadar, tekrar tekrar ayarlamasıyla olur.
6--YSA'lar, ağılıklandırılmış
şekilde birbirlerine bağlanmis bir çok işlem elemanlarından (nöronlar) oluşan matematiksel
sistemlerdir. Bir işlem elemanı aslında sık sık transfer fonksiyonu olarak anılan
bir denklemdir. Bu işlem elemanı diger nöronlardan sinyalleri alır; bunları
birleştirir,dönüştürür ve sayısal bir sonuç ortaya çıkartır.
6.1--Genelde, işlem elemanları
kabaca gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar;
bu yapı da sinir ağlarını oluşturmaktadır.
6.2--Sinirsel (neural) hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem kavramları vardır. YSA'lar, geleneksel işlemcilerden farklı şekilde işlem yapmaktadırlar.
6.2.1--Geleneksel işlemcilerde,
tek bir merkezi işlem elemanı her hareketi sırasıyla gerçeklestirir.YSA'lar ise
herbiri büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem elemanlarından
oluşmaktadir. En basit şekilde, bir işlem elemanı bir girdiyi bir ağırlık etkisi
ile ağırlıklandırır, dogrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı
değeri oluşturur.
6.2.2—İşlem elemanlarının çalışma şekli yanıltıcı şekilde basittir. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem elemanlarının birbirleri arasındaki yoğun bağlantı yapısından gelmektedir.Çoğu YSA'da, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar.
6.2.3--Hemen hemen tüm ağlar,
veri alan nöronlara ve ileti üreten noronlara sahiptirler.
YSA'nın ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek gerekirse, fonksiyonun temel yapısını ağılıklarının büyükluğü ve işlem elemanlarının işlem şekli belirler.
YSA'larm davranışları, yani girdi
veriyi çıktı veriye nasıl ilişkilendirdikleri, ilk olarak nöronlarını transfer
fonksiyonlarından, nasıl birbirlerine bağlandıklarından ve bu bağlantılarını ağırlıklarından
etkilenir.
6.3—Yorum:Kısaca doğa ve
yaradılış insan beyninine zeka çözümlerini ağ sistemli nöronal sistemle-merkezi
olmayan-non lineer bir yapı ile çözmüştür denilebilir mi.
7--Yapay Sinir Ağlarının Türleri:
1--Özdüzenleyici Haritalar
(Self-Organizing Maps (SOM))
2--Katmanlı Sinir Ağları
(Convolutional Neural Networks)
3--Radial Basis Function
(RBF) Network -İleri Beslemeli Sinir Ağları (Feedforward Neural Networks
(FFNN))
4--Yinelenen Sinir Ağları(Recurrent
Neural Networks (RNN))
8--Yapay Sinir Ağları ile Ilgili Kavramlar ve
Algoritmalar
1--Hebb Kuralı veya Öğremesi
(Hebb Rule / Hebbian Learning)
2--PerceptronEH
3--Perceptron LearningBl
4--AdalineBl and MadalineEB
5--Adaptive Resonance Theory
(ART)
6--Back-Propagation (BP)
7--Bi-Directional Associative
Memory
8--Boltzman Machine
9--Brain-State-in-a-Box
10--Cascade-Correlation
Networks
11--Counter-Propagation
12--Functional-link Networks
13--Hamming Networks
14--Hopfield Networks
15--Learning Vector Quantization
(LVQ)
16--Destek Vektor Makinesi
(Support Vector Machine (SVM))
17--Neocognitron
18--Khonen Ağları (Kohonen
Networks)
19--Probabilistic Networks
20--Recirculation Networks
9-- Yapay Sinir Ağlarına Genel Bir Bakış-Bilgi:
1--Yapay sinir
ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni
bilgiler türetebilme, yeni bilgiler oluşturabilme ve kesfedebilme gibi
yetenekleri, herhangi bir yardim almadan otomatik olarak gerfeklestirebilmek
amaci ile gelistirilen bilgisayar sistemleridir.
2--Insan beyninin çalışma prensibini taklit ederek çalışan bu sistemler, mili saniyeler mertebesindeki işlen hızları ile işlem yapan insan beyninin işlevselliğinin henüz çok uzağında-ilkel kalmaktadır.insan beyninde yaklasik 10" sinir hücresinin varlığından bahsedilmekle birlikte, bu sayının bilgisayar ortamında modellenmesi şu an için mümkün görünmemektedir.
10--YSA'lann Genel Özellikleri:
1--YSA'lar, uygulanan ağ modeline göre değişik karakteristik özellikler göstermelerine karşın temel birkaç ortak özellige sahiptirler.
1.1-- YSA'larda sistemin
paralelliği ve toplamsal işlevin yapısal olarak dağılmışlığıdır.
1.1.1--YSA lar bir çok nörondan
meydana gelir ve bu nöronlar eş zamanlı olarak çalışarak karmaşık işlevleri
yerine getirir. Diger bir değişle karmasik işlevler bir çok nöronun eş zamanlı çalışması
ile meydana getirilir. Süreç içerisinde bu nöronlardan her hangi biri işlevini
yitirse dahi sistem güven sınırları içerisinde çalışmasına devam edebilir.
1.2--Genelleme yeteneği:Diger bir değişle ağ yapısının eğitim esnasında kullanılan nümerik bilgilerden eşlestirmeyi betimleyen kaba özellikleri çıkarsaması ve böylelikle eğitim sırasında kullanılmayan girdiler için de, anlamlı yanıtlar üretebilmesidir.
1.3--Ağ fonksyonları non-lineer olabilmektedir. Yapı üzerinde dağılmış belli tipteki non-lineer alt birimler özellikle, istenen eşleştirmenin denetim ya da tanımlama işlemlerinde olduğu gibi non-lineer olması durumunda işlevin doğru biçinde yerine getirilebilmesini matematiksel olarak olası kılarlar.
1.4--Sayısal ortamda
tasarlanan YSA'ların, donanımsal gerçeklestirilebilirlikleridir. Bu özellik
beklide YSA'larin günlük hayatta daha da fazla yaşamımızın içine gireceğinin
(girebileceğinin) göstergesidir.
1.5-- YSA'lar da
herbiri büyük bir problemin bir parcasi ile ilgilenen, çok sayıda basit işlem
birimlerinden oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir
ağırlık kümesi ile ağırlıklandırır, dogrusal olmayan bir şekilde donüşümünü
sağlar ve bir çıktı değeri oluşturur.
1.6--Sinirsel hesaplanın gücü,
toplam işlem yükünü paylasan işlem birimlerinin birbirleri arasındaki yoğun
bağlantı yapısından gelmektedir. Bu sistemlerde geri yayılım metoduyla
daha sağlıklı öğrenme sağlanmaktadır.
1.6.1--Çoğu YSA'da, benzer karakteristiğe sahip noronlar tabakalar
halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak
çalıştırılırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten
nöronlara sahiptirler.
1.6.2--YSA'mn ana öğesi olan matematiksel fonksiyon,
ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek
gerekirse, fonksiyonun temel yapısını ağırlıkların büyüklüğü ve işlem
elemanlarnın işlem şekli belirler.
1.6.3--YSA'ların davranışları, yani girdi veriyi çıktı veriye nasil ilişkilendirdikleri,
ilk olarak nöronlarm transfer fonksiyonlarından, nasıl birbirlerine
bağlandıklarından ve bu baglantıların ağırlıklarmdan etkilenir.
11-- YSA'larin Avantaj ve Dezavantajları:
1--YSA'lar makina ögrenmesi
gerçeklestirebilirler. Yapay sinir ağlarının temel işlevi zaten bilgisayarın-donanımın
işlevsel hale getirilmesi ögrenmesini sağlamaktir. Olaylan öğrenerek benzer
olaylar karşısında mantıklı kararlar verebilirler.
2--Bilgi işleme yöntemleri
geleneksel programlamadan farklıdır.Bu nedenle geleneksel programlamanın getirdigi
bir çok olumsuzluk ortadan kaldırılabilir.
3--Bilgiler ağın tamamında
saklanır.-Halografik karaktere yakınlık. Geleneksel programlamada oldugu gibi
bilgiler veri tabanları yada dosyalarda belli bir düzende tutulmaz, ağın tamamına
yayılarak değerler ile ağ baglantılarında saklanmaktadır. Nöronlardan bazılarının
işlevini yitirmesi, anlamlı bilginin kaybolmasına neden olmaz.
4--Örnekleri kullanarak öğrenirler. YSA'mn öğrenebilmesi için örneklerin belirlenmesi, bu örneklerin ağa gosterilerek istenen çıktılara göre ağın eğitilmesi gerekmektedir. Ağın başarısı seçilen örnekler ile doğru orantılıdır.ABD de hukuk davalarında beyazlara göre eğitilen ağ zenci asıllı vatandaşlar için uygun olmayan sonuçlar üretebilmekte.Ağa olay bütün yönleri ile gösterilemezse ağ yanlış çıktılar üretebilir.
5--Daha önce görülmemiş örnekler hakkında bilgi üretebilirler. YSA'lar eğitimleri sırasında kendilerine verilen örneklerden genellemeler çıkarırlar ve bu genellemeler ile yeni örnekler hakkında bilgi üretebilirler.
6--Algılamaya yönelik
olaylarda kullanılabilirler.YSA'ların en başarılı oldukları alanlar, algılamaya
yönelik uygulama alanlarıdır.Bu alanlarda başarıları kanıtlanmıştır.
7--Örüntlü (pattern) ilişkilendirme
ve sınıflandırma yapabilirler. YSA'lar kendilerine örnekler halinde verilen örüntüleri
kendisi veya diğerleri ile ilişkilendirebilir. Ayrıca kendisine verilen örneklerin
kümelenmesi ile, bir sonraki verinin hangi kümeye dahil olacağına karar
verilmesi konusunda kullanılabilirler.
8--Örüntü tamamlama
yapabilirler. Ağa eksik bilgileri içeren örüntüler verildiğinde eksik
bilgilerin tamamlanması konusunda başarılıdırlar.
10--Kendi kendine öğrenebilme
ve organize etme yetenekleri vardır. YSA'lar online olarak öğrenebilirler ve
kendi kendilerini eğitebilirler.
10.1--Eksik bilgi ile çalışabilmektedirler.
Geleneksel sistemlerin aksine YSA'lar eğitildikten sonra veriler eksik bilgi
içerse dahi, çıktı üretebilirler. Bu durum bir performans kaybı yaratmaz,
performans kaybı eksik bilginin önemine bağlıdır.Burada bilgilerin önem
dereceleri eğitim sırasında öğrenilir.
10.2--Hata toleransına
sahiptirler.YSA'ların eksik bilgilerle çalışabilmeleri ve bazı hücreleri
bozulsa dahi çalışabilmeleri, onları hatalara karşı toleranslı yapar.
10.3--Dereceli bozulma
(Graceful degradation) gösterirler. Bir ağ, zaman içerisinde yavaş ve göreceli
bir bozulmaya uğrar. Ağlar problemin ortaya çıktığı anda hemen bozulmazlar.
10.4--Dağıtık belleğe sahiptirler.
YSA'larda bilgi ağa dağılmış bir şekilde tutulur. Hücrelerin bağlantı ve ağırlık
dereceleri, ağın bilgisini gösterir. Bu nedenle tek bir bağlantının kendi başına
anlamı yoktur.
11—YSA ların Dezavantajları:
11.1—Donanıma bağımlıdır.YSA'ların
en önemli sorunu donanıma bağımlı olmalarıdır.
11.2--YSA'ların en önemli özellikleri
ve var oluş nedenlerinden birisi olan paralel işlem yapabilme yeteneği, paralel
çalışan işlemciler ile performans gösterir.
11.3--Uygun ag yapısının belirlenmesinde
belli bir kural yoktur. YSA'larda probleme uygun ağ yapısının belirlenmesi için
geliştirilmis bir kural yoktur. Uygun ağ yapısı deneyim ve deneme yanılma yolu
ile belirlenmektedir.
11.4—Agın parametre değerlerinin
belirlenmesinde belli bir kural yoktur. YSA'larda öğrenme katsayısı,hücre sayısı,
katman sayısı gibi parametrelerin belirlenmesinde belirli bir kural yoktur. Bu değerlerin
belirlenmesi için belirli bir standart olmamakla birlikte her problem için farklı
bir yaklaşım söz konusu olabilmektedir.
11.5--Ögrenilecek problemin ağa gösterimi önemli bir problemdir. YSA'lar numerik bilgiler ile çalışabilmektedirler. Problemler YSA'lara tanıtılmadan önce nümerik değerlere çevrilmek zorundadırlar. Burada belirlenecek gösterim mekanizması ağın performansını doğrudan etkileyecektir. Bu da kullanıcının yeteneğine bağlıdır.
11.6—Ağın eğitiminin ne zaman
bitirilmesi gerektigine ilişkin belli bir yöntem yoktur.Ağın örnekler üzerindeki
hatasının belirli bir değerin altına indirilmesi eğitimin tamamlandığı anlamına
gelmektedir. Burada optimum neticeler veren bir mekanizma henüz yoktur ve YSA
ile ilgili araştırmaların önemli bir kolunu oluşturmaktadır.
11.7—Ağın davranışları açıklanamamaktadır.
Bu sorun YSA'larm en önemli sorunudur. YSA bir probleme çözüm ürettiği zaman,
bunun neden ve nasıl olduğuna ilişkin bir ipucu vermez. Bu durum ağa olan
güveni azaltıcı bir unsurdur.
11.8--Geleneksel Algoritmalar-Yapay Sinir Ağları
1--Çıkışlar, koyulan
kurallara girişlerin uygulanması ile elde edilir.
1.1--Öğrenme esnasmda giris çıkış
bilgileri verilerek, kurallar koyulur.
2--Hesaplama; merkezi, eş
zamanlı ve ardışıldır.
2.1--Hesaplama; toplu, eş
zamansız ve öğrenmeden sonra paraleldir.
3--Bellek paketlenmiş ve hazır
bilgi depolanmıştır.
3.1--Bellek ayrılmış ve aga
yayılmıştır.Dahilidir.
4--Hata toleransı yoktur.
4.1--Hata toleransi vardır.
5--Nisbeten hızlıdır.
5.1--Yavaş ve donanıma bağımlıdır.
6--Bilgiler ve algoritmalar
kesindir.
6.1--Deneyimden yararlamr.
12--Yapay sinir ağları başlıca;
Sınıflandırma, Modelleme ve Tahmin uygulamaları olmak üzere, pek çok alanda
kullanılmaktadır. Başarılı uygulamalar incelendiğinde, YSA'ların çok boyutlu,gürültülü,karmaşık,
kesin olmayan, eksik, kusurlu, hata olasılığı yüksek sensör verilerinin olması ve
problemi çözmek için matematiksel modelin ve algoritmaların bulunmadığı, sadece
örneklerin var olduğu durumlarda yaygın olarak kullanıldıkları görülmektedir.
Bu amaçla geliştirilmiş ağlar genellikle şu fonksiyonları gerçekleştirmektedirler
1--Muhtemel fonksiyon
kestirimleri
2--Sınıflandırdırma
3--İlişkilendirme veya örüntü
eşleştirme
4--Zaman serileri analizleri
5--Sinyal filtreleme
6--Veri sıkıştırma
7--Örüntü tanıma
8--Doğrusal olmayan sinyal işleme
9--Dogrusal olmayan sistem
modelleme
10--Optimizasyon
11--Kontrol
12--YSA'lar pek çok sektörde değişik uygulama alanlan
bulmuştur. Bunlardan bazıları
1--Uzay: Uçuş, simülasyonlan,
otomatik pilot uygulamaları, komponentlerin hata denetimleri
2--Otomotiv: otomatik yol
izleme, rehber, garanti aktivite analizi, yol koşullarına göre sürüş analizi vs.
3--Bankacılık:kredi uygulamaları
geliştirilmesi, müşteri analizi ve kredi müraacat degerlendirilmesi,bütçe yatırım
tahminleri vs.
4--Savunma: silah yönlendirme,
hedef seçme, radar, sensör sonar sistemleri, sinyal işleme, görüntü işleme vs.
5--Elektronik: kod sırası öngörüsü,
çip bozulma analizi, non-lineer modelleme vs.
6--Eğlence: animasyonlar, özel
efektler, pazarlama öngorüsü vs.
7--Finans: kıymet biçme,
pazar performans analizi, bütçe kestirimi, hedef belirleme vs.
8--Sigortacılık: ürün
optimizasyonu, uygulama politikası geliştirme vs.
9--Üretim: üretim işlem
kontrolü, ürün dizaynı, makina yıpranmalarının tespiti, dayanıklılık
analizi,kalite kontrolü, iş çizelgeleri hazırlanması vs.
10--Sağlık: göğüs kanseri
erken teşhis ve tedavisi, EEG, ECG, MR, kalite artırımı, ilaç etkileri analizi,
kan analizi sınıflandırma, kalp krizi erken teşhis ve tedavisi vs.
11--Petro kimya: arama, verim
analizi vs.
12--Robotik: yörünge kontrol,
forklift robotları, görsel sistemler, uzaktan kumandalı sistemler,optimum rota
belirleme vs.
12--Dil: sözcük tanıma, yazı
ve konuşma çevrimi, dil tercüme vs.
13--Telekomünikasyon: görüntü
ve data karşılaştırma, filtreleme, eko ve gürültü sönümlendirilmesi, ses ve görüntü
işleme, trafik yoğunlugunun kontrolü ve anahtarlama vs.
14--Güvenlik: parmak izi tanıma,
kredi kartı hileleri saptama, retina tarama, yüz eşleştirme
15--YSA'ların Tarihçesi:
1--YSA'lar ile ilgili çalışmalar
20, yy'in ilk yarısında başlamış ve günümüze kadar büyük bir hızla devam
etmiştir. Bu çalışmaları 1970 öncesi ve sonrası diye iki kısma ayırmak mümkündür.
Zira 1970 yılları YSA için bir dönüm noktası teşkil etmiş, daha önce aşılması imkansız
görünen pek çok problem bu dönemlerde aşılmıştır.
2--İlk yapay sinir ağı modeli 1943 yilmda, bir sinir hekimi olan Warren McCulloch ile bir matematikci olan Walter Pitts tarafmdan gerçekleştirilmiştir. McCvilloch ve Pitts, insan beyninin hesaplama yeteneğinden esinlenerek, elektrik devreleriyle basit bir sinir ağı modellemişlerdir.
3--1948 yılında "Wiener
"Cybernetics" isimi kitabında, sinirlerin çalışması ve davranış özelliklerine
değinmiş, 1949 yılında ise Hebb "Organization of Behavior" adli
eserinde öğrenme ile ilgili temel teoriyi ele almıştır.
3.1--Hebb kitabında öğrenebilen
ve uyum sağlayabilen sinir ağları modeli için temel oluşturacak "Hebb
kuralı"nı ortaya koymuştur. Hebb kuralı; sinir ağının bağlantı sayısı değiştirilirse,öğrenebileceğini
ön görmekteydi.
4--1957 yılında Frank
Rosenblatt'm Perceptron'u gelistirmesinden soma, YSA'lar ile ilgili çalışmalar hız
kazanmıştır. Perceptron; beyin işlevlerini modelleyebilmek amacıyla yapılan çalışmalar
neticesinde ortaya çıkan tek katmanlı eğitilebilen ve tek çıkışa sahip bir ağ
modelidir.
5—1959 yılında Bernand Widrow
ve Marcian Hoff (Stanford Universitesi) ADALINE (Adaptive Linear Neuron)
modelini geliştirmişler ve bu model YSA'larm mühendislik uygulamaları için başlangıç
kabul edilmiştir. Bu model Rosenblatt'm Perceptron'una benzemekle birlikte, öğrenme
algoritması daha gelişmiştir.
5.1--Bu model uzun
mesafelerdeki telefon hatlarında yankılanan ve gürültüleri yok eden bir adaptif
filtre olarak kullanılmış ve gerçek dünya problemlerine uygulanan ilk YSA olma özelliğini
kazanmıştır.Bu yöntem günümüzde de aynı amaçla kullanılmaktadır.
6—1960 ların sonlarına doğru
YSA çalışmaları durma noktasma gelmiştir. Buna en önemli etki; Minsky ve
Pappert tarafmdan yazılan Perceptrons adlı kitaptır. Burada YSA'larını doğrusal olmayan
problemleri çözemediği meşhur XOR problemi ile ispatlanmış, ve YSA çalışmaları bıçak
gibi kesilmiştir.
7--Tüm bunlara ragmen
Anderson, Amari, Cooper, Fukushima, Grossberg, Kohonen, Hopfield gibi bilim
adamlan çalışmalarını sürdürmüşler, 1972 de Kohonen ve Anderson Associative
memory konusunda benzer çahşmalar yayınlamışlardır. Kohonen daha sonra 1982
yilmda Kendi kendine Ogrenme Nitelik Haritaları (Self Organizing Feature Maps
SOM) konusundaki çalışmasını Yapay sinir ağlarının üstünlüklerinin yanı sıra
bazı sakıncları da vardır. Bu sakıncalar şu sekilde listelenebilir:
1--Sistem içerisinde ne
olduğu bilinemez.
2--Bazı ağlar hariç kararlılık
analizleri yapılamaz.
3--Farklı sistemlere
uygulanması zor olabilir.
Kaynak:
1--Öztemel Ercan, Yapay
Sinir Ağları, Papatya Yayıncılık, Istanbul, 2003
2--Efe M. O., Kaynak O. Yapay
Sinir Ağları ve Uygulamaları,Bogaziçi Universitesi,
3--Elmas C., Yapay Sinir Alan Kuram, Mimari, Eğitim, Uygulama,Sefkin Yayıncılık, Ankara 2003