Avrupa biRLİĞİnde mevduatin korunmasi

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
Önemli olan nokta, bir sinir ağının, bir nöronlar yumağından daha komplike 
olması gerektiğidir. YSA’ların ilk yıllarında, bazı araştırmacılar, nöronlar arasındaki 
bağlantıları rassal olarak oluşturmuşlar ve olumsuz sonuçlarla karşılaşmışlardır. Bir 
yapıyı dizayn etmenin en kolay yolu elemanları tabakalandırmaktır. Burada 
tabakalandırmanın üç bölümü vardır. Bunlar, nöronları tabakalar halinde 
gruplandırmak, tabakalar arasındaki bağlantıları gruplandırmak ve son olarak ise 
toplama ve transfer fonksiyonlarını gruplandırmaktır. 
 
Şekil 2.8: YSA’ların Genel Yapısı 
 
 
Tek tabaka ya da tek eleman içeren bazı başarılı  ağlar oluşturulabilmesine 
rağmen çoğu uygulamalar en az üç tabaka (girdi tabakası, gizli tabaka ve çıktı 
tabakası) içeren ağlara ihtiyaç duymaktadır. Girdi tabakası, dışarıdan girdileri alan 
nöronları içerir. Ayrıca, önemli olan bir nokta, girdi tabakasındaki nöronların girdi 
değerler üzerinde bir işlem uygulamamasıdır. Sadece girdi değerleri bir sonraki 
tabakaya iletirler ve bu yüzden de bazı araştırmacılar tarafından ağların tabaka 
sayısına dahil edilmezler. Çıktı tabakası ise çıktıları  dışarı ileten nöronları içeren 
tabakadır. Girdi ve çıktı tabakaları tek tabakadan oluşurken bu iki tabaka arasında 
birden fazla gizli tabaka bulunabilir. Bu gizli tabakalar çok sayıda nöron içerirler ve 
bu nöronlar tamamen ağ içindeki diğer nöronlarla bağlantılıdırlar. Çoğu ağ türünde, 
gizli tabakadaki bir nöron sadece bir önceki tabakanın tüm nöronlarından sinyal alır. 
Nöron işlemini yaptıktan sonra ise çıktısını bir sonraki tabakanın tüm nöronlarına 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
20

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
gönderir. Bu yapı  ağın çıktısı için bir ileri besleme patikası oluşturur. Bu bir 
nörondan diğerine olan iletişim hattı, sinir ağları için önemli bir parçadır. 
 
Bazı  ağlarda, bir nöron aynı tabakadaki başka nöronlara engel (inhibit) 
oluşturabilir. Bu, yanal engelleme (lateral inhibition) veya rekabet (competition) 
olarak adlandırılır ve en çok çıktı tabakasında kullanılır. 
 
Diğer bir bağlantı şekli ise geri yayılmadır (feedback). Geri yayılma bağlantı, 
bir tabakanın çıktısının önceki tabakaya gönderilmesidir ve Şekil 2.9’da yanal 
engelleme ve rekabet kavramlarıyla birlikte örneklenmektedir. 
 
Şekil 2.9: Geri Yayılma Bağlantı Yapısı 
 
 
Nöronların diğer nöronlara bağlanma  şekli ağın çalışmasını önemli derecede 
etkilemektedir. Bugün, büyük ve profosyonel yazılımlarda kullanıcı bu bağlantılar 
üzerinde istediği gibi ekleme, kaldırma ve kontrol işlemi yapabilmektedir. 
 
Bu noktaya kadar sunulan bilgiler, YSA’ların matematiksel gösterimlerinin de 
daha net bir şekilde anlaşılmasını sağlayabilecektir. Daha önce, McCullogh-Pitts 
tarafından tanımlanan nöron modelinin fonksiyonel gösterimi (Denklem-1) 
verilmişti. Belirli bir fonksiyon varsayımı içerilmeden, Şekil 2.4’teki gibi basit bir 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
21

---

Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği    
yapay nöron için Denklem-1’de verilen matematiksel notasyon şu  şekilde 
genelleştirilebilir: 
 
)
4
(
)
,...,
,
(
;
))
(
(
1
0
0
)
(
ℜ
∈
=
+
Ψ
=
Ψ
=
∑
=
n
i
n
j
j
j
i
x
x
x
x
x
w
w
x
g
y
 
Burada değişken ve parametreler McCullogh-Pitts modelinde açıklandığı 
gibidir. Denklem-4 tek bir yapay nöronun matematiksel gösterimini vermektedir 
ama aynı zamanda tek nörondan oluşan bir sinir ağı gösterimi olarak da 
düşünülebilir. Oysa bir sinir ağı, tabakalar halinde sıralanmış bir çok nöron 
içermektedir. Dolayısıyla, tek nörona ait bu notasyonun bütün bir sinir ağının 
matematiksel gösterimini verecek şekilde düzenlenmesi gerekmektedir.  y = f ( x
0
, 
x
1
, x
2
, ..., x
n
 ) fonksiyonel ilişkisini modelleyen bir sinir ağı yapısı düşünülürse, 
girdi tabakasında n+1 adet nöron ve çıktı tabakasında bir adet nöron olacaktır. Sinir 
ağının gizli tabaka içermemesi durumunda ağın fonksiyonel gösterimi Denklem-
4’deki tek nörona ait fonksiyonel gösterim ile aynı olacaktır. Çünkü, girdi 
tabakasındaki nöronlar girdi değerler üzerinde bir işlem uygulamazlar, sadece girdi 
değerleri bir sonraki tabakadaki nöronlara aktarırlar. Bu yüzden, sinir ağları 
tanımlanırken tabaka sayısı bir eksik gösterilir. Diğer bir ifadeyle, bir girdi tabakası, 
bir gizli tabaka ve bir çıktı tabakasına sahip bir sinir ağı üç tabakaya sahip olmasına 
rağmen 2-tabakalı  ağ olarak tanımlanır. Girdi tabakasında işlem yapılmamasından 
ve çıktı tabakasında da tek nöron olmasından dolayı, sinir ağı  işlem yapılan tek 
nörona sahiptir ve doğal olarak fonksiyonel  gösterimi Denklem-4’teki gibi 
olacaktır. 
 
Diğer taraftan, sinir ağının gizli tabaka içermesi durumunda fonksiyonel yapı 
değişecektir çünkü işlem yapılan nöron sayısı artacaktır. Bir gizli tabaka içerilmesi 
durumunda, fonksiyonel gösterim aşağıdaki gibi olacaktır: 
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf   
22

---