Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı

Yıl 2017, Cilt: 1 Sayı: 2, 55 - 73, 29.12.2017

Ayşe Arı , Murat Erşen Berberler

Öz

:
Yapay
sinir ağları, sınıflandırma, modelleme ve tahmin gibi birçok günlük hayat probleminin
çözümünde başarılı sonuç veren bir yöntemdir. Yapay sinir ağları birimler
arasındaki bağlantı ağırlıklarını ayarlayarak öğrenme gerçekleştirir. Bu
çalışmada tek katmanlı algılayıcılardan adaline modeli ve çok katmanlı
algılayıcı modelini içeren bir yazılım geliştirilmiştir. Bilindiği gibi tek
katmanlı algılayıcılar lineer problemlere çözüm üretebilirken lineer olmayan
problemlere çözüm üretememiş, lineer olmayan problemler yapay sinir ağları ile
çok katmanlı algılayıcı modelinin geliştirilmesi ile çözülebilmişlerdir.
Yazılımın tek katmanlı algılayıcı kısmında mantıksal AND ve OR problemleri
doğrusal olarak sınıflandırabilirken, XOR problemini tek bir doğru ile
sınıflandırılamadığı gözlemlenebilmektedir. Çok katmanlı algılayıcı kısmında
ise, yapay sinir ağlarında yaygın olarak kullanılan geri yayılım algoritması
ile yaklaşım ve sınıflandırma problemleri çözebilmektedir. Ağın katman sayısı,
katmanlardaki birim sayısı, iterasyon sayısı, öğrenme oranı, momentum katsayısı,
aktivasyon fonksiyonu, normalizasyon yöntemi, başlangıç ağırlıkları gibi
parametrelerin değiştirilerek ağın eğitilmesi sağlanabilmekte ve eğitilen ağ
test edilerek ağın performans ölçümü yapılabilmektedir.

Anahtar Kelimeler

Yapay sinir ağları, geri yayılım, adaline, sınıflandırma

Kaynakça

• [1] A. S. Miller, B. H. Blott, and T. K. Hames, “Review of neural network applications in medical imaging and signal processing,” Med. Biol. Eng. Comput., vol. 30, no. 5, pp. 449–464, 1992.
• [2] R. Das, I. Turkoglu, and A. Sengur, “Expert Systems with Applications Effective diagnosis of heart disease through neural networks ensembles,” Expert Syst. Appl., vol. 36, no. 4, pp. 7675–7680, 2009.
• [3] M. A. Shahin, M. B. Jaksa, and H. R. Maier, “Artificial Neural Network Applications in Geotechnical Engineering,” Aust. Geomech., vol. 36, no. 1, pp. 49–62, 2001.
• [4] P. D. McNelis, Neural Networks in Finance: Gaining Predictive Edge in the Market. Elsevier Inc., 2005.
• [5] A. C. Kınacı, “Görsel yazilim geli̇şti̇rme ortami i̇le beraber bi̇r yapay si̇ni̇r aği kütüphanesi̇ tasarimi ve gerçekleşti̇ri̇mi̇,” Ege Üniversitesi, 2006.
• [6] J. A. Freeman and D. M. Skapura, Neural Networks Algorithms , Applications and Programming Techniques. New York, USA: Addison-Wesley Publishing Company, 1991.
• [7] M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems. Pearson Education, 2005.
• [8] O. Aran, O. T. Yıldız, and E. Alpaydın, “An Incremental Framework Based on Cross-Validation for Estimating the Architecture of a Multilayer Perceptron,” Int. J. Pattern Recognit. Artif. Intell., vol. 23, no. 2, pp. 159–190, 2009.
• [9] E. Öztemel, Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık Eğitim, 2012.
• [10] S. Haykin, Neural Networks and Learning Machines (Vol.3.), Pearson. Upper Saddle River, NJ, USA, 2009.
• [11] R. Bayındır and Ö. Sesveren, “Ysa Tabanlı Sistemler İçin Görsel Bir Arayüz Tasarımı,” MÜHENDİSLİK BİLİMLERİ DERGİSİ, vol. 14, no. 1, pp. 101–109, 2008.
• [12] D. Kriesel, A Brief Introduction to Neural Networks. 2007.