Avrupa biRLİĞİnde mevduatin korunmasi



Yüklə 72,84 Kb.
Pdf görüntüsü
səhifə11/32
tarix29.05.2018
ölçüsü72,84 Kb.
#46593
1   ...   7   8   9   10   11   12   13   14   ...   32

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Ayrıca, diğer belirgin özellik olarak, bu ağın bağlantı  ağırlıkları için başlangıç 
değerleri verilmelidir ve girdi değerler normalize edilmelidir. 
 
Kohonen, daha sonra çalışmalarını bu standart yapının dışındaki ağlara, ileri 
besleme ve geri yayılma yaklaşımlarına yöneltmiştir. Kohonen’in çalışması 
nöronları belirli alanlara gruplandırmakla ilgilidir. Bir alanın içerdiği nöronlar 
topolojik olarak sıralanmıştır (topologically ordered). Topoloji, matematiğin bir 
dalıdır ve geometrik yapıyı değiştirmeden bir boyuttan diğerine haritalamanın 
(mapping) nasıl yapılacağı ile ilgilenir. Kohonen, sinir ağı modellerinde topolojik 
sıralamanın olmamasının bugünkü sinir ağlarını, beyin içindeki gerçek sinir 
ağlarının basit bir çıkarımsaması (abstraction) haline getirdiğini belirtmiştir. Bu 
araştırmalar devam ettikçe daha etkili kendi kendine öğrenen ağlar elde edilebilir. 
Fakat, şu an için bu alan sadece deney ortamlarında kalmaktadır. 
 
Öğrenme (veya adaptasyon) YSA’ların yapısı içinde önemli bir yere sahiptir. 
Çünkü, YSA’ların bazı önemli özellik ve avantajlarının kaynağını oluşturmaktadır. 
Bu yüzden, YSA yapısı içindeki öğrenme sürecine yönelik elemanlar büyük önem 
taşımaktadır. Bu elemanların ilki öğrenme fonksiyonudur. Öğrenme fonksiyonunun 
amacı her işlem elemanının girdilerine ait değişken bağlantı  ağırlıklarını 
ayarlamaktır. Girdi bağlantı  ağırlıklarının, istenilen sonucu elde edecek şekilde 
değiştirilmelerini sağlayan bu işlem adaptasyon fonksiyonu olarak da 
adlandırılmaktadır. 
 
İkinci eleman ise hata fonksiyonudur. Öğrenme fonksiyonunun gerekli 
ayarlamaları yapabilmesi için yanılma payının biliniyor olması gerekmektedir. Hata 
fonksiyonu, bu amaca yönelik olarak, o anki çıktı ile istenilen çıktı arasındaki farkı, 
hatayı, hesaplar ve gerekiyorsa bir transformasyon uygular. Bu hata, literatürde cari 
hata (current error) olarak adlandırılır ve bu hata veya transformasyonu sağlanmış 
hali (geri yayılma değeri) genellikle önceki tabakaya geri yayılır. Bu geri yayılma 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
26


Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
değeri, bir sonraki öğrenme döngüsünde öğrenme fonksiyonu tarafından bağlantıları 
ayarlamak için, tabii ki gerekli ise, kullanılır. 
 
Diğer bir eleman ise öğrenme oranıdır. Öğrenme oranı, öğrenme sürecinin hızı 
ve işlevi açısından önemlidir. Çünkü, YSA’ların öğrenme gücü ile hızı ters 
orantılıdır. Basit bir şekilde, bir adımda daha fazla öğrenme, daha düşük bir hız ve 
dolayısıyla daha fazla zaman anlamına gelmektedir. Diğer bir ifadeyle, daha fazla 
hız daha az öğrenme anlamına gelmektedir. Sonuç olarak, bir ağın ne kadar 
eğitileceği sorusu öğrenme oranına bağlıdır. Öğrenme oranının belirlenmesinde ise 
ağın karmaşıklık düzeyi, büyüklüğü, mimarisi, kullandığı  öğrenme kuralı ve 
istenilen doğruluk derecesi gibi bir çok faktör rol oynar. Çoğu öğrenme fonksiyonu, 
öğrenme oranı için belirli standartlara sahiptir. Öğrenme oranı genellikle (0,1) gibi 
bir aralık içinde belirlenir. Bu aralıkta, öğrenme oranının küçük değer alması, yavaş 
bir öğrenme süreci getirecektir. Diğer taraftan ise, öğrenme sürecinin küçük adımlar 
halinde olması maksimum doğruluk derecesine yakınsamayı getirebilecektir. 
 
Ek 2’de Yapay Sinir Ağlarının çalışma  şeklini basit bir şekilde anlatan bir 
örnek model çözümü sunulmuştur. YSA methodolojisi ve teorisi hakkında buraya 
kadar anlatılanların daha net anlaşılmasını ve daha sonra anlatılan uygulamalar ile 
kolaylıkla birleştirilebilmesini sağlayabileceği düşünülen bu örnek çözüm Balkin 
(2001)’den alınmıştır.  
 
2.3. YSA Çeşitleri 
 
YSA’ların çok sayıda farklı çeşitleri vardır. Bu farklılıkların kaynağı mimarisi, 
öğrenme yöntemi, bağlantı yapısı vb. olabilmektedir. Genel olarak, YSA’lar üç ana 
kritere göre sınıflandırılmaktadırlar. Bu kriterlerden biri öğrenme yöntemidir. 
Önceki bölümde belirtildiği gibi, temel olarak iki çeşit öğrenme algoritması vardır: 
yönlendirmeli öğrenme ve yönlendirmesiz öğrenme. Her yöntemin kullandığı 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
27


Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
öğrenme kuralı değişebilmekteyse de, YSA’lar bu iki algoritmaya göre 
sınıflandırılırlar. 
 
İkinci bir sınıflandırma, ağın kullandığı veriye göre yapılmaktadır. Temel 
olarak, kalitatif ve kantitatif olmak üzere iki tür veri vardır. Kalitatif verilerle 
çalışan ağlar, ister yönlendirmeli ister yönlendirmesiz öğrenme kullansın, 
sınıflandırma ağları olarak bilinirler. Kantitatif veriler kullanan yönlendirmeli 
eğitme ise regresyon olarak adlandırılmaktadır. 
 
Son sınıflandırma kriteri ise ağın yapısıdır. Bazı  ağlar ileri besleme şeklinde 
yapılandırılırken, bazı ağlar ise geri besleme yapısı içermektedir. İleri besleme sinir 
ağlarında, işlem elemanları arasındaki bağlantılar bir döngü oluşturmazlar ve bu 
ağlar girdi veriye genellikle hızlı bir şekilde karşılık üretirler. Geri beslemeli 
ağlarda (Recurrent Networks) ise bağlantılar döngü içerirler ve hatta her seferinde 
yeni veri kullanabilmektedirler. Bu ağlar, döngü sebebiyle girdinin karşılığını yavaş 
bir  şekilde oluştururlar. Bu yüzden, bu tür ağların eğitme süreci daha uzun 
olmaktadır. Ayrıca, hem ileri besleme hem de geri yayılma olarak tanımlanabilecek 
ağ yapıları da mevcuttur. Şekil 2.10’da, bir kıyaslamaya imkan tanıyabilmek için, 
çok tabakalı ileri besleme ağ yapısı ile birlikte çok tabakalı geri besleme ağ yapısı 
örneklenmektedir. 
 
Şekil 2.10: İleri Beslemeli ve Geri Beslemeli Ağ Yapıları 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
28


Yüklə 72,84 Kb.

Dostları ilə paylaş:
1   ...   7   8   9   10   11   12   13   14   ...   32




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə