Avrupa biRLİĞİnde mevduatin korunmasi

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
)
5
(
))
(
(
∑
∑
→
→
+
+
=
j
i
j
ij
j
k
j
j
j
k
k
k
x
w
f
w
f
y
α
α
 
Denklem-5 daha önce açıklanmamış olan bazı parametre ve fonksiyonlar 
içermektedir. y
k
  çıktı değerleri gösterirken, f
k
 çıktı tabakası transfer fonksiyonunu 
göstermektedir. 
α
k
  çıktı tabakasına ait sapma değerini,  W
j
  çıktı tabakasına ait 
ağırlıkları, f
j
 ve 
α
j
  sırasıyla gizli tabakaya ait transfer fonksiyonunu ve sapma 
değerini, x
i
 girdi değerleri ve w
ij
 ise i girdi elemanını j gizli elemanına bağlayan 
ağırlığı temsil etmektedir. İki gizli tabaka olması durumunda ise bu fonksiyonel 
gösterim Denklem-6 şeklinde olacaktır. Gizli tabaka sayısı arttıkça bu gösterim de 
benzer şekilde değişmeye devam edecektir. 
 
)
6
(
)))
(
(
(
∑
∑
∑
→
→
→
+
+
+
=
j
i
j
ij
j
k
j
j
jk
k
l
k
k
l
l
l
l
x
w
f
w
f
w
f
y
α
α
α
 
Belirli bir uygulamaya yönelik bir ağ yapılandırıldıktan sonra, bu ağ artık 
eğitilmeye hazır durumdadır. Bu aşama, daha önce değinilmiş olan deneyim yoluyla 
öğrenme özelliği için kilit önem taşımaktadır. Çünkü bu, bağlantı  ağırlıklarının 
belirlendiği aşamadır. Genel olarak, başlangıç ağırlıkları rassal olarak seçilir ve 
eğitme, ya da diğer bir ifadeyle öğrenme işlemi başlar. Eğitme işlemi için 
“yönlendirmeli (supervised)” ve “yönlendirmesiz (unsupervised)” olmak üzere iki 
yaklaşım vardır. Yönlendirmeli eğitme, ağın çıktı için istenilen veri değerleri 
verebilmesi için girdi-çıktı ilişkisini elde edebilmesini sağlayacak bir mekanizma 
içermektedir. Yönlendirmesiz eğitme ise dış müdahale olmaksızın, girdilerin ağ 
tarafından analiz edilmesi ve bu analiz sonucunda bağlantıların oluşturulmasıdır. 
 
Kullanılan ağların büyük çoğunluğu yönlendirmeli eğitmeyi kullanır. 
Yönlendirmesiz eğitme, girdiler için bazı karakter belirleme durumlarında 
kullanılır. Bununla beraber, kendi kendine öğrenme kavramı parlak bir gelişme 
potansiyeli taşısa da günümüzde tam olarak çalışmamaktadır. 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
23

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Yönlendirmeli eğitmede hem girdi hem de çıktı veriler kullanılır. Öncelikle, 
ağ rassal olarak belirlenen başlangıç ağırlıklarını kullanarak girdileri işler ve çıktıyı 
istenilen çıktı ile karşılaştırır. Elde edilen hatalar sistem içinde geriye gönderilir ve 
bu hatalar kullanılarak ağı kontrol eden bağlantı  ağırlıkları güncellenir. Bu işlem 
defalarca tekrarlanır ve bağlantı  ağırlıkları sürekli olarak ayarlanır (tweaked). 
Eğitme sırasında kullanılan veri seti “eğitme veri kümesi (training set)” olarak 
adlandırılır. Bir ağın eğitilmesi sırasında, aynı veri seti bağlantı  ağırlıkları 
belirleninceye kadar defalarca işlemden geçirilir. 
 
Bugün, yapay sinir ağı oluşturmaya yönelik programlar, bir ağın doğru cevabı 
öngörebilme yeteneğine nasıl yakınsadığını gözlemlemeye ve test etmeye yönelik 
araçlar sağlamaktadır. Diğer taraftan, sistem yalnızca (istatistiksel olarak) istenilen 
noktaya veya doğruluğa ulaşınca durdurulmaktadır ve bu durum da diğer araçlarla 
birleşince eğitme işlemleri günlerce sürebilmektedir. Bu arada, bazı ağlar öğrenme 
işlevini hiç yapamayabilir. Bunun sebebi girdi verinin istenen çıktıya ait belirli bir 
bilgi taşımaması olabilir. Ayrıca, tam öğrenmeyi sağlayacak kadar yeterli veri 
olmaması durumunda ağ yakınsamayabilir.  İdeal olarak, gerekli testlerin 
yapılabilmsei için veri setinin bir bölümünün ayrılabileceği kadar geniş bir veri seti 
gereklidir. Fazla sayıda işlem elemanı içeren çok tabakalı  ağlar veri için hafıza 
oluşturabilme yeteneğine sahiptirler. Ağın hafızaya alma sürecinin yeterli olup 
olmadığının gözlenebilmesi için ise, yönlendirmeli eğitmede veri setinin bir 
bölümü, eğitme sonrasında gerekli testlerin yapılabilmesi için ayırılmalıdır. 
 
Diğer taraftan, bir ağın ilgili problemi çözememesi durumunda kullanıcının 
yapabilecekleri iki gruba ayırılabilir.  İlk grup ağın yapısının gözden geçirilmesini 
kapsar. Daha açık olmak gerekirse, girdi ve çıktı veriler, tabaka sayısı, her 
tabakadaki eleman sayısı, tabakalar arasındaki bağlantılar, toplama, transfer ve 
eğitme fonksiyonları ve hatta başlangıç ağırlıkları gözden geçirilmelidir. Tüm bu 
kriterler, yapay sinir ağlarının sanatsal bölümü olan başarılı bir ağ oluşturmak için 
gereklidir. Diğer grup ise kullanıcın tercihine ve yaratıcılığına bağlı olan eğitme 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
24

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
kurallarını içermektedir. Eğitme sırasında ağırlıkların ayarlanabilmesi için gerekli 
adaptif geri beslemeyi sağlayacak çok sayıda değişik eğitme kuralı (algoritma) 
vardır. En yaygın olan teknik geriye doğru hata beslemesi ya da bilinen ismiyle geri 
yayılmadır. Bu eğitme kuralları daha sonra ayrıntılı olarak açıklanacaktır. 
 
Eğitme konusunda diğer bir önemli nokta ise öğrenmenin sürekli devam 
edeceğidir. Bir optimum noktaya gelindiğinde, YSA veri setinin genel istatistiksel 
trendine göre kendisini biçimlendirir. Bu noktadan sonra ise eğitmeye devam 
edilmesi durumunda ağ  öğrenmeye devam edecektir (bkz. Ek 1). Bu aşamada, ağ 
veri setinden hatalı (spurious) ilişkiler çıkartmaya başlayabilir. Bu yüzden aşırı 
eğitme sorununa dikkat edilmeli ve eğitme uzunluğu iyi ayarlanmalıdır. 
 
Eğitme işlemi doğru bir şekilde tamamlandığında, yani hem daha fazla 
öğrenmeye gerek kalmamış hem de aşırı eğitme yapılmamışsa, istenildiği takdirde 
ağırlıklar dondurululabilir. Bazen, ağın ortaya çıkan son hali bir donanıma 
(hardware) çevrilerek daha hızlı çalışması sağlanabilmektedir. Diğer sistemler ise 
kullanılırken de öğrenmeye devam edebilirler. 
 
Diğer eğitme yaklaşımı olan yönlendirmesiz yaklaşım ayrıca adaptif eğitme 
olarak da adlandırlır. Bu eğitme yaklaşımında, ağa girdi sağlanır ama istenilen çıktı 
değerler sağlanmaz. Sistem girdi veriyi gruplandırmak için hangi özellikleri 
kullanacağına kendi kendisine karar verir ki bu yöntem kendi kendine öğrenme 
(self-organization) veya adaptasyon olarak bilinir. Günümüzde, yönlendirmesiz 
eğitme tam olarak anlaşılamamış durumdadır. Adaptif eğitmenin öncü 
araştırmacılarından birisi Tuevo Kohonen’dir. Kohonen, doğru cevabı bilmenin 
yararlarından yararlanmadan öğrenen bir ağ geliştirmiştir
3
. Bu ağ, bir çok sayıda 
bağlantısı olan tek tabakaya sahip olması nedeniyle biraz sıra dışı sayılabilir. 
                                                      
3
 Kendi kendine öğrenen (self-organizing) yapılar ilk olarak Malsburg (1973) ve Willshaw ve Malsburg 
(1976) tarafından ortaya atılmıştır. Fakat, bu konudaki temel gelişme Kohonen (1982) tarafından 
sağlanmıştır. 
 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
25

---