Avrupa biRLİĞİnde mevduatin korunmasi
Yüklə 72,84 Kb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- 2.6. YSA, İstatistik ve Ekonomi
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 Yüklə 72,84 Kb. Dostları ilə paylaş:
|