Avrupa biRLİĞİnde mevduatin korunmasi

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
çıktı arasındaki fark hesaplanır ve bu hata önceki tabakalara iletilir (geri yayılma). 
Bu süreçteki önemli nokta ise, hata önceki tabakalara iletilirken, transfer 
fonksiyonunun türevi ile bir transformasyon işlemi uygulanmasıdır. Hatanın 
iletilmesi, tabaka tabaka geriye doğru olur ve bu süreçte Delta Kuralı ile bağlantı 
ağırlıkları ayarlanır.  İşlem, girdi tabakasına ulaşılana kadar devam eder ve bu 
noktada yeni bir döngüye başlar. 
 
Geri yayılma algoritmasında, Delta Kuralı ile bağlantıların ayarlanmasının 
matematiksel gösterimi şu  şekilde özetlenebilir. Delta Kuralı, temel olarak, ilgili 
bağlantı  ağırlığının ayarlanması için gerekli olan düzeltme miktarını formüller. 
Buna göre, nöron(i) ve nöron(j) arasındaki bağlantı için düzeltme miktarı şu şekilde 
hesaplanır: 
 
Ağırlık 
Düzeltme 
Miktarı 
= 
Öğrenme 
Oranı 
Parametresi 
*
Yerel 
Değişim 
(Gradient) 
*
Nöron(j) 
İçin Girdi 
Sinyali 
 
veya matematiksel formül olarak: 
 
∆w
ji
(n) =
η * δ
j
(n) * Y
i
(n) 
 
Burada dikkat edilmesi gereken nokta, yerel değişimin hesaplanma şeklinin 
nöron(j)’nin çıktı veya gizli nöron olmasına göre değişiklik gösterdiğidir. Buna 
göre: 
 
• 
Nöron(j) bir çıktı nöronu ise, yerel değişim, nöron(j)’ye ait hata sinyali ve 
fonksiyon sinyalinin türevinden hesaplanmaktadır. 
• 
Nöron(j) bir gizli nöron ise, yerel değişim, fonksiyon sinyalinin türevi ve bir 
sonraki tabakadaki nöronlara ait değişimlerin ağırlıklı toplamı kullanılarak 
hesaplanır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
33

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Burada, Delta Kuralının içerdiği düzeltme formülünün mantığı ve bileşenleri 
hakkında bilgi bir özet halinde sunulmuştur. Daha ayrıntılı bilgi içinse Haykin 
(1999) ve Zurada (1992)’ye bakılabilir. Ayrıca, diğer öğrenme kuralları için bazı 
temel bilgilere Ek 4’te yer verilmiştir. 
 
Son olarak, geri yayılma ağların bazı  kısıtlamalara da sahip olduğu 
belirtilmelidir. Geri yayılma mekanizması oldukça geniş bir girdi-çıktı veri seti ile 
geniş çaplı bir yönlendirmeli eğitmeye ihtiyaç duyar. Ek olarak, içsel haritalama 
yapısı tam olarak anlaşılamadığından sistemin istenilen doğruluk derecesine 
yakınsayamaması ihtimali de mevcuttur. 
 
2.4. Niçin YSA? 
 
Teknolojik gelişme olarak da görülmesi gereken yapay sinir ağları 
metodolojisi, özellikleri ve yapabildikleri sayesinde önemli avantajlar sunmaktadır. 
Bu bölümde, YSA’ların farklılık ve avantaj sağladığı noktalar incelenmektedir. 
 
Doğrusal Olmayan Yapı 
YSA’ların en önemli özelliklerinden birisi gerçek hayattaki olası doğrusal 
olmayan yapıları da dikkate alabilmesidir. White (1991) YSA’ların doğrusal 
olmayan modeller olarak görülebileceğine dair bulgular ortaya koymuştur. “... 
Doğrusal olmayan modellerde kullanılan belirli fonksiyonel yapılar, veriyi üreten 
fonksiyonun genellikle YSA’ların ima ettiğinden farklı olduğu ve bu yüzden 
YSA’ların kullanılması için gerekli ekonometrik teorinin eksik tanımlı doğrusal 
olmayan modeller için olduğunu ima etmektedir. Bunların ön tanımlı yapıları 
dayanıksızken, YSA’lar herhangi bir sürekli fonksiyona veya türevlerine yakınsama 
yeteneğine sahiptir ve bu yüzden Evrensel Fonksiyon Yakınsayıcı Yöntem 
(Universal Function Approximators) olarak tanımlanmaktadırlar.”
8
 Doğrusal 
                                                      
8
 Beltratti, Margarita ve Terna (1996)’dan alıntı yapılmıştır. 
 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
34

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
olmayan yapıları dikkate alabilme özelliği bu çalışmanın içeriği açısından da ayrıca 
önem taşımaktadır. Çünkü, yapıları gereği ekonomik verilerin de doğrusal olmayan 
bir yapıda olmaları normaldir fakat tahmin zorlukları nedeniyle analizler genellikle 
lineer yöntemlerle gerçekleştirilmektedir. Halbuki bu durum, muhtemel bir doğrusal 
olmayan yapı içerilmesi durumunda yanlış sonuçlara yol açabilmektedir; ya da en 
azından analizi yapılan sistemde açıklanamayan bileşenler kalabilmektedir. Sonuç 
olarak, analiz konusunun içerdiği veri setinin doğrusal veya doğrusal olmayan yapı 
içeriyor olması, analiz sonuçlarını etkileyecek önemli bir faktördür. Bu yüzden, 
doğrusal olmayan yapıları dikkate alabilmesi YSA’ların önemli bir özelliğidir. 
Bunun ötesinde, bu çalışma kapsamında, YSA’ların bu özelliği sayesinde Türkiye 
ekonomisine ait verilerin doğrusallık özellikleri hakkında bazı sonuçlar elde 
edilebilecektir ki bu tür bir bulgu önemli bir katkı olarak görülmelidir. 
 
Öğrenme 
YSA’ların diğer bir önemli avantajı en önemli özelliğinden 
kaynaklanmaktadır. Esin kaynağı insan beyninin çalışma sistemi olan bu yöntem, 
eğitme veya başlangıç tecrübesi sayesinde veriyi kullanarak öğrenme yeteneğine 
sahiptir. Bu özelliği sayesinde ise geleneksel teknikler için çok karmaşık kalan 
problemlere çözüm sağlayabilmektedirler. Ayrıca, insanların kolayca yapabildiği 
ama geleneksel metotların uygulanamadığı basit işlemler için de oldukça 
uygundurlar. 
 
Yerel İşlem ve Esneklik 
YSA’lar, geleneksel işlemcilerden farklı  şekilde işlem yapmaktadırlar. 
Geleneksel işlemcilerde, tek bir merkezi işlem elemanı her hareketi sırasıyla 
gerçekleştirir. YSA modelleri, her biri büyük bir problemin bir parçası ile ilgilenen 
çok sayıda basit işlem elemanlarından oluşma ve bağlantı  ağırlıklarının 
ayarlanabilmesi gibi özelliklerinden dolayı önemli derecede esnek bir yapıya 
sahiptirler. Bu esnek yapı sayesinde ağın bir kısmının zarar görmesi modelde sadece 
performans düşüklüğü yaratır. Modelin işlevini tamamen yitirmesi söz konusu 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
35

---