Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
tabaka içermekteydi ve orta tabaka birleştirme tabakası olarak
adlandırılmaktaydı. Bu sistem, bir veri girdi kümesinin bir rassal çıktıya
bağlanma veya birleşme şeklini öğrenebilmekteydi. Burada öğrenme
kelimesi bağlantı ağırlıklarının ilişkiye göre ayarlanması anlamında
kullanılmaktadır. Diğer bir sistem (ADALINE – Adaptive Linear Element)
ise Stanford Üniversitesinden Widrow ve Hoff tarafından 1960 yılında
geliştirilmiştir. Basit bileşenlerden oluşan bir analog elektronik alet olan
ADALINE, kullanılan öğrenme yöntemi ile Perceptrondan farklılaşmıştır.
Bu sistemde En Küçük Ortalama Kareler (LMS – Least Mean Squares)
öğrenme kuralı kullanılmıştır.
3. Olumsuz Gelişmeler: 1969 yılında, Minsky ve Papert bir kitap yazmış ve
bu kitapta çok tabakalı sistemlere göre tek tabakalı Perceptronların sahip
olduğu sınırlamaları ortaya koymuşlardır. Kitabın ana fikri şu şekilde
özetlenebilir: “…bizim sezgisel görüşümüz çok tabakalı sistemlere
genişlemenin verimsiz olduğudur.”. Kitapta ortaya konulan bu önemli
sonuç sonrasında YSA simülasyonlarına yönelik araştırmalar hem ilgi hem
de kaynak kaybına uğramıştır. Sonuç olarak, bu alana yönelik önemli bir
önyargı oluşmuştur. Minsky ve Papert tarafından altı çizilen sorun YSA
literatüründe XOR Problemi olarak bilinmektedir. Ek 5’te bu probleme
yönelik genel bilgiler sunulmuştur.
4. Yenilikler: İlgi ve kaynağın minimum düzeyde olmasına rağmen bazı
araştırmacılar yapı tanımlama (pattern recognition) gibi problemlerin
çözümüne yönelik çalışmalarını sürdürmüşlerdir. Bu dönem süresince bazı
paradigmalar ortaya çıkmıştır. Grossberg ve Carpenter (1995)
12
tarafından
yapılan çalışmalar, yankı (resonating) algoritmaları araştıran bir düşünce
okulunun temellerini atmıştır. Bu araştırmacılar, temeli biyolojik olarak
12
Bakınız: Haykin (1999)
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
39
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
makul modellere dayanan ART (Adaptive Resonance Theory – Adaptif
Rezonans Teorisi) ağlarını geliştirmişlerdir. Anderson ve Kohonen ise
birbirlerinden bağımsız olarak benzer teknikler geliştirmişlerdir. Klopf,
1972 yılında, yapay nöronlarda öğrenme işlemi için, “heterostasis” olarak
adlandırılan ve nöronsal öğrenmenin biyolojik prensiplerine dayanan bir
temel oluşturmuştur. Werbos (1974)
13
geri-besleme öğrenme metodunu
geliştirmiş ve kullanmıştır ve bir kaç yıl sonrasında bu metot oldukça
popülarite kazanmıştır. Geri-besleme ağlar, bugün, en çok bilinen ve
kullanılan yapay sinir ağlarıdır. Geri-besleme ağ aslında, yapay nöronunda
farklı bir eşik fonksiyonuna sahip ve daha sağlam (robust) ve yetenekli
öğrenme kuralı olan bir çok tabakalı Perceptrondur. Amari (1967)
14
teorik
gelişmelerle ilgilenmiştir. Adaptif yapı (pattern) sınıflandırması konusu
üzerine bir makale yayınlamıştır ve bu makalede bir öğrenme temeli (error-
correction method – hata düzeltme metodu) için bir matematiksel teori
oluşturmuştur. Fukushima ise el yazısı karakterleri yorumlamak için bir
adım adım (step wise) eğitilmiş çok tabakalı YSA oluşturmuştur.
Cognitron olarak adlandırılan bu model 1975 yılında yayınlanmıştır.
5. Yeniden Canlanma: 1970’li yılların sonlarında ve 1980’li yılların
başlarındaki ilerleme, yapay sinir ağları alanına ilginin yeniden canlanması
bakımından önemlidir. Bu hareketi bir kaç faktör etkilemiştir. Örneğin,
ayrıntılı kitaplar ve konferanslar çok farklı alanlarda uzmanlaşmış
insanlara bir forum imkanı ve dolayısı ile bir etkileşim sağlamıştır.
Akademik programlar oluşturulmuş ve en önemli üniversitelerde dersler
açılmıştır. Artan ilgi ile beraber bu alandaki araştırmalara yönelik fonlar da
artmış ve enstitüler ortaya çıkmıştır.
13
Bakınız: Anderson ve McNeil (1992) ve Haykin (1999)
14
Bakınız: Anderson ve McNeil (1992)
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
40
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
6. Bugün: Sağlanan önemli ilerleme yapay sinir ağları alanında daha ileri
araştırmalar için gerekli ilgi ve bilgi birikimini sağlamıştır. Sinir sistemi
tabanlı işlemciler oluşturulmakta ve komplike problemlerin çözümüne
yönelik uygulamalar gelişmektedir. Kısacası, bu alan günümüzde bir geçiş
dönemi içinde görülmektedir.
YSA’lar 1950’li yıllarda ortaya çıkmalarına rağmen, ancak 1980’li yılların
ortalarında genel amaçlı kullanım için yeterli seviyeye gelmişlerdir.
2.6. YSA, İstatistik ve Ekonomi
İstatistik ile ekonomi arasındaki ilişki sürekli gelişmektedir. Özellikle,
ekonomi alanında istatistiksel yöntemlerin kullanımı giderek artmaktadır. Ekonomi
bilimindeki teorik ilişkilerin ölçülmesi ve kanıtlanmasından politika oluşturmaya
yönelik tahmin ve öngörülerin yapılmasına kadar pek çok konuda istatistiksel
araçlar sıkça kullanılmaktadır. Özellikle, son dönemde zaman serileri alanında
kaydedilen gelişmeler sayesinde bu ilişki ivme kazanmıştır.
Özellikle, bu çalışmanın da konusunu oluşturan, ekonomik değişkenlerin
modellenmesi ve tahmin edilmesi konusu ekonomi alanı için oldukça önem
taşımaktadır ve genellikle istatistiksel yöntemlerin kullanımını gerektirmektedir. Bu
ilişkinin öneminin giderek artması istatistik alanındaki, özellikle de zaman serileri
alanındaki gelişmelerin itici güçlerinden birini oluşturmaktadır. Durağanlık, ko-
entegrasyon ve vektör otoregresyon (Vector Autoregression - VAR) gibi son
dönemde zaman serileri alanında ortaya çıkan yeni kavramlar, ağırlıklı olarak bu
ilişkinin getirileri olarak ortaya çıkmıştır ve günümüzde bu kavramlar ekonometri
alanında en sık kullanılan yöntemlerdir.
İstatistik alanında yaşanan bu gelişmelerin yanında, başka alanlarda da hızlı
bir gelişme süreci görülmektedir. Yapay sinir ağları alanı da gelişme gösteren diğer
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
41
Dostları ilə paylaş: |