Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin
Türkiye Örneği
olmaz. Ayrıca, toplam işlem yükünü paylaşan işlem elemanlarının birbirleri
arasındaki yoğun bağlantı yapısı sinirsel hesaplamanın temel güç kaynağıdır. Bu
yerel işlem yapısı sayesinde, YSA yöntemi en karmaşık problemlere bile
uygulanabilmekte ve tatminkar çözümler sağlayabilmektedir.
Gerçek Zamanlı İşlem
YSA hesaplamaları paralel olarak yürütülebildiğinden gerçek zamanlı işlem
yapabilir.
Genelleme
Yine öğrenme yeteneği sayesinde bilinen örnekleri kullanarak daha önce
karşılaşılmamış durumlarda genelleme yapabilmektedir. Yani, hatalı (noisy) veya
kayıp veriler için çözüm üretebilmektedir. YSA’lar, tanımlanmamış girdi veriler
hakkında karar verirken genelleme yapabildikleri için iyi birer gidişat tanımlayıcısı
(pattern recognition engine) ve sağlam sınıflandırıcıdırlar (robust classifier).
Hafıza
Bunlara ek olarak, işlem elemanları arasındaki ağırlıklı bağlantılar
sayesinde
dağıtılmış hafızada bilgi saklayabildikleri söylenebilir.
Kendi İlişkisini Oluşturma
Yapay sinir ağları, bilgilere (verilere) göre kendi ilişkilerini oluştururlar,
denklem içermezler.
Sınırsız Sayıda Değişken ve Parametre
Diğer taraftan, YSA modelleri sınırsız sayıda değişken ve parametre ile
çalışabilmektedir. Bu sayede mükemmel bir öngörü
doğruluğu ile genel çözümler
sağlanabilmektedir.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
36
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Karmaşık veya sorunlu veriden bile anlam çıkarabilmek gibi dikkate değer
yetenekleriyle YSA’lar, insanlar veya bilgisayarlar tarafından anlaşılması zor
trendleri belirlemek veya yapıları (pattern) çıkartmak için kullanılabilirler. Tam
eğitilmiş bir Yapay Sinir Ağı modeli, analiz ettiği bilgi kümesi (veri tabanı) için
uzman olarak düşünülebilir. Bu uzman, değişik durumlar ve ‘... olsa ne olur?’
türünde simülasyon problemlerine projeksiyonlar sağlamak için kullanılabilir.
Bununla birlikte, YSA’ların kullanımında göz önünde bulundurulması gereken bazı
dezavantajlar da bulunmaktadır. Bunlar arasında en önemlisi geniş veri seti
gereksinimidir. Sinir ağlarının eğitilebilmesine ve
test edilebilmesine yetecek
genişlikte veri setine ihtiyaç duyulmaktadır. Yine de, yeterli veri seti genişliği için
kesin bir kriter yoktur; bir noktada uygulamaya bağlıdır. Dezavantaj sayılabilecek
diğer bir nokta ise basit olarak görülebilecek modelleme yapılarına rağmen
uygulamanın zor ve karmaşık olabilmesidir. Bazı durumlarda, bir yakınsama
sağlamak bile imkansız olabilmektedir fakat bu durum da uygulama alanına bağlıdır
ve genellikle çok karmaşık problemlerde ortaya çıkmaktadır.
2.5. Tarihsel Gelişim
1950’li yılların sonlarında, büyük ölçekli işlemcilerin geliştirilmesiyle,
beynin
yaptığı işlemleri yapabilecek sinir ağlarının oluşturulabilmesi mümkün hale
gelmiştir. Gerçekten de, YSA’lar dijital işlemcilerin geliştirilmesinden sonra işlem
yöntemi olarak önemli bir yeni yaklaşım olarak görülmektedir.
YSA simülasyonları nispi olarak yeni bir gelişme olarak görülmektedir.
Bununla beraber, bu alan bilgisayarın çıkışından önce ortaya çıkmıştır ve bir
bocalama devresi geçirdikten sonra yoluna devam etmiştir.
Bilgisayarların yaygın bir şekilde kullanılmaya başlanmasıyla birlikte, YSA
alanında oldukça önemli gelişmeler olmuştur. Bu alandaki araştırmalar ve
çalışmalar büyük bir ilgi ile başlamış fakat beklenen
gelişmelerin gerçekleşmemesi
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
37
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
sonucunda ilgi azalmış ve bir suskunluk dönemi başlamıştır. Profesyonel ve maddi
katkının minimum olduğu bu dönemde, sadece birkaç araştırmacı tarafından katkı
sağlanmıştır. Bu araştırmacılar, Minsky ve Papert tarafından tanımlanan
sınırlamaları etkisiz kılan bir teknoloji geliştirmişlerdir. Minsky ve Papert, 1969
yılında bir kitap yayınlamışlardır ve bu kitapta, araştırmacılar arasında
ön plana
çıkan ve ekstra analiz yapılmadan kabul gören YSA’lara karşı bazı olumsuzlukları
toplamışlardır. Son yıllarda ise, YSA alanı ilgi ve katkı olarak yeniden
canlanmaktadır. YSA tarihi, dönemler itibariyle incelenebilir.
1.
İlk Girişimler: Bu dönemde, genel mantığı kullanan başlangıç
simülasyonları yapılmıştır. McCulloch ve Pitts (1943), kendi nöroloji
anlayışları çerçevesinde YSA modelleri geliştirmişlerdir.
Bu modeller,
nöronların çalışma şekilleri hakkında bazı varsayımlarda bulunmuştur.
Oluşturdukları ağlar, sabit eşiklere sahip ikili (binary) aletler olarak
görülen basit nöronları baz almıştır. Modellerinin sonuçları, “a veya b” ve
“a ve b” gibi basit mantıksal fonksiyonlardı. Diğer bir girişim, bilgisayar
simülasyonları kullanılarak yapılmıştır. Bu noktadaki katkılar iki
araştırmacı grubu tarafından yapılmıştır: Farley ve Clark (1954)
9
ve
Rochester, Holland, Haibit ve Duda (1956)
10
. Özellikle ilk grup, ki bunlar
IBM araştırmacılarıdır, modellerini çalıştıramamışlar
ve McGill
Üniversitesinden nörobilimcilerle ortak bir çalışma yapmışlardır. Bu
etkileşim, günümüze kadar süren, çok disiplinli bir trend oluşturmuştur.
2.
Umut Verici Gelişmeler: YSA’ların gelişmesinde tek etkisi olan nörobilim
değildir, psikologlar ve mühendisler de YSA simülasyonundaki ilerlemye
katkı sağlamıştır. Rosenblatt (1958)
11
Perceptron’u tasarlayıp geliştirdikten
sonra, bu alandaki ilgi ve etkinlik canlanmaya başlamıştır.
Perceptron üç
9
Bakınız: Anderson ve McNeil (1992)
10
Bakınız: Anderson ve McNeil (1992) ve Haykin (1999)
11
Bakınız: Anderson ve McNeil (1992) ve Haykin (1999)
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
38