YAPAY SİNİR AĞLARI (YSA)

Resim1. 

  1. Yapay Sinir Ağı Nedir?

Yapay sinir ağları, insan beyninin özellikleri arasında yer alan; öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak gerçekleştirmek amacıyla geliştirilen bilgisayar sistemleridir (Çırak ve Çokluk, 2013).

Yapay sinir ağları karmaşık yapıda içsel ilişkilere sahip ya da arasındaki ilişkiler bilinmeyen problemlere çözüm bulabilmek için geliştirilen bir yapay zeka tekniğidir (Çakar, Türker ve Toraman, 1996:77, Akt. Karaatlı, 2003).

Yapay sinir ağları kavramı, beynin çalışma ilkelerinin bilgisayarlar üzerinde uygulanması ile ortaya çıkmış beyni oluşturan en küçük hücrelerin yani nöronların matematiksel olarak modellenmesi üzerinde yoğunlaşmıştır (Efe ve Kaynak, 2000:2, Akt. Karaatlı, 2003). Karmaşık ve doğrusal olmayan modellerde etkili olan yapay sinir ağları, son yıllarda fen bilimleri araştırmaları yanında sosyal bilimlerde de uygulama alanı bulan ve üzerinde en çok araştırma yapılan yöntemlerden birisi haline gelmiştir.

  1. Yapay Sinir Ağları Yönteminin Kullanım Alanları

YSA araştırmaları; sınıflandırma, optimizasyon, tahmin, şekil tanıma, modelleme ve öğrenme gibi birçok alanda kullanılmaktadır. Yapay sinir ağlarının öğrenme ve veri normalizasyon teknikleri ile geleceği tahmin etmede başarıyla kullanılabileceği çeşitli araştırmalarla ortaya konulmuştur (Yavuz ve Deveci, 2013; Arıcı ve Karacı, 2013;). Bir yapay zekâ tekniği olan Yapay Sinir Ağı (YSA); veri sıkıştırma, sinyal filtreleme, tanıma, sınıflandırma, analiz, tahminleme ve eniyileme konularında kullanılan etkili bir tekniktir. Geleneksel yöntemler, yanlış sonuçların elde edilmesi riski nedeniyle eksik veya aşırı sapma içeren veriler için yetersiz kalmaktadır. YSA yaklaşımı ise, verilere bağlı olmayıp; eksik, kısmen hatalı veya aşırı sapmalı verileri değerlendirebilir. Hatta karmaşık ilişkileri öğrenebilir, genelleyebilir ve bu sayede daha önce hiç karşılaşmadığı sorulara kabul edilebilir bir hatayla cevap bulabilir (Öztemel, 2003: 13-29’den akt. Yavuz ve Deveci, 2013).

Başarılı uygulamalar incelendiğinde, yapay sinir ağlarının özellikle doğrusal olmayan, çok boyutlu, eksik, kusurlu ve hata olasılığı yüksek verilerin olduğu durumlar ile problemin çözümü için bir matematiksel modelin bulunmadığı durumlarda kullanıldığı belirtilebilir (Çırak ve Çokluk, 2013).

  1. Yapay Sinir Ağları Yönteminin Avantaj ve Dezavantajları

Yapay sinir ağları, geçmiş bilgi ve deneyimlerden yararlanması, eksik veya hatalı bilgilerle çalışıyor olması, karmaşık ilişkileri öğrenebilmesi özelliğiyle tahmin problemleri için iyi bir yöntem olarak görülmektedir (Karaatlı, 2003). Bu bağlamda yapay sinir ağlarının, verilerin dağılımıyla ve değişkenlerle ilgili varsayımlara gereksinim duymaması ve bazı değişkenlere ait eksik verileri de tolare etmesi yönüyle, klasik istatistiksel yöntemlere göre daha avantajlı olduğu söylenebilir.

Yapay sinir ağlarının avantajları aşağıdaki gibi sıralanmaktadır (Öztemel, 2003: 31-36):
· Bilginin saklanmasını sağlar.
· Yapay sinir ağları örnekleri kullanarak öğrenirler.
· Sisteme uygun çözümler sağlamak için ağ tekrar ve tekrar eğitilebilir.
· Matematiksel modele ihtiyaç duymazlar.
· Görülmemiş örnekler hakkında bilgi üretebilirler.
· Öğrenme kabiliyeti vardır ve farklı öğrenme algoritmalarıyla öğrenirler.
· Şekil(örüntü) ilişkilendirme ve sınıflandırma yapabilirler.
· Eksik bilgi ile çalışabilmektedirler.
· Görülmemiş örnekler hakkında bilgi üretebilme ve yeni durumlara
adapte olmasıdır.
Dezavantajları ise aşağıdaki gibi ifade edilebilir:
· YSA, probleme uygun ağ yapısını deneme yanılma yolu ile belirler.
· Yapay sinir ağlarının donanım bağımlı çalışmaları önemli bir sorun olarak görülebilir (Akt. Yavuz ve Deveci, 2013).

Yapay sinir ağları ile genelde sosyal bilimler, özelde ise eğitim bilimleri alanında sınırlı sayıda uygulama yapılmış olmasına rağmen bu yöntemin başarı ile kullanıldığı birçok alan (ulaştırma ve havacılık, biomedikal ve ilaç sanayi, finans, borsa ve kredi kartı uygulamaları gibi) bulunmaktadır. Yapay sinir ağları tekniğinde ‘n’ adet girdi değeri, kendi ağırlık değeri ile çarpılarak toplanır ve çıktıyı elde etmek için aktivasyon fonksiyonu ile işleme tabi tutulur (Gürsoy, 2009).

  1. Yapay Sinir Ağları Yönteminin Diğer Bazı Yöntemlerle Karşılaştırılması

Tosun (2007), öğrenci başarısı ile ilgili yaptığı araştırmada yapay sinir ağları ve karar ağaçları teknikleri karşılaştırmıştır. Karar ağaçları ile öğrenci başarılarına göre sınıflandırma işlemi sonrasında %86 oranında başarı elde edilmiştir. Aynı verilerle yapılan yapay sinir ağları uygulaması sonrasında başarı oranı %91,77 olarak bulunmuştur.  Ibrahim ve Rusli (2007) öğrenci başarılarının tahmininde yapay sinir ağları, karar ağaçları ve doğrusal regresyon yöntemlerini karşılaştırmışlardır. Her üç yöntemin de %80’den daha fazla başarılı olmasının yanında genel akademik başarının tahmininde yapay sinir ağları analizinin daha iyi sonuçlar verdiği görülmüştür. Oladokun, Adebanjo ve Charles-Owaba (2008), yaptıkları çalışmada öğrenci başarısı üzerinde etkili olan değişkenleri belirlemeyi ve öğrenci performansını tahmin etmede yapay sinir ağları analizini test etmeyi amaçlamışlardır. Burada herhangi bir üniversiteye kabul edilmek isteyen öğrencinin gelecekteki başarısı tahmin edilmek amacıyla, yapay sinir ağları kullanıldığında tahminin başarı olasılığı %74’den fazla olduğu ortaya çıkmıştır.

Öğrencilerin başarısını etkileyen nedenler anlaşılmadan başarısızlığa uğramasının önlenebilmesi mümkün değildir. Bu nedenle öncelikle başarıyı etkileyen faktörlerin belirlenmesi ile başarısızlığa yol açan etkenler kontrol altına alınabilir ve öğrencilerin niteliklerine göre daha doğru bir sınıflandırma yapılması sağlanabilir.

Kaynaklar

Arıcı, n., & karacı, a. (2013). Türkçe öğrenimi için web tabanlı zeki öğretim sistemi (türkzös) ve değerlendirmesi. Electronic turkish studies, 8(8).

Çırak, g. (2012). Yükseköğretimde öğrenci başarılarının sınıflandırılmasında yapay sinir ağları ve lojistik regresyon yöntemlerinin kullanılması. Yüksek lisans tezi, ankara üniversitesi, eğitim bilimleri enstitüsü, ölçme ve değerlendirme anabilim dalı, Ankara.

Çırak G. ve Çokluk Ö. (2013), Yükseköğretimde Öğrenci Başarılarının Sınıflandırılmasında Yapay Sinir Ağları ve Lojistik Regresyon Yöntemlerinin Kullanılması, Mediterranean Journal of Humanities,  III/2, 2013, 71-79

Ibrahim, Z., & Rusli, D. (2007). “Predicting Students’ Academic Performance: Comparıng Artificial Neural Network, Decision Tree and Linear Regression”. 21st Annual SAS Malaysia Forum, ShangriLa Hotel, Kuala Lumpur, September, 5.

Çakar, T., Türker A. K. ve Toraman A., “İmalat Sistemlerinin Tasarlanmasında Yapay Sinirsel Ağların Kullanılması.”, Birinci Ulusal Zeki İmalat Sistemleri Sempozyumu ZİS’96 da Sunulan Bildiri, 30-31 Mayıs, 10s., Sapanca-Sakarya, 1996.

Efe, Ö., O. Kaynak. Yapay Sinir ağları ve Uygulamaları. Boğaziçi Üniversitesi Yayınları, Basım no:696, İstanbul, 148s., 2000.

Gürsoy, T. Ş. (2009). Veri Madenciliği ve Bilgi Keşfi. (1. Basım). Ankara: Pegem A Yayıncılık

Karaatlı, M. A. (2003). Yapay sinir ağları yöntemi ile tahmin (İMKB’de bir uygulama) (Doctoral dissertation, Sosyal Bilimler).

Oladokun, V. O., Adebanjo, A. T., & Charles-Owaba, O. E. (2008). Predicting students’ academic performance using artificial neural network: A case study of an engineering course. The Pacific Journal of Science and Technology, 9(1), 72-79.

Öztemel, E. (2003). Yapay sinir agları. Papatya Yayıncılık, Istanbul.

Yavuz, s., & Deveci, m. (2013). İstatiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi.

Resi1 kaynağı: http://vivahiba.com/article/show/stephen-hawkingten-korkutan-iddia/

….DEVAMI GELECEK…