Bu maddede kaynak listesi bulunmasına karşın metin içi kaynakların yetersizliği nedeniyle bazı bilgilerin hangi kaynaktan alındığı belirsizdir. Lütfen kaynakları uygun biçimde metin içine yerleştirerek maddenin geliştirilmesine yardımcı olun. (Eylül 2005) (Bu şablonun nasıl ve ne zaman kaldırılması gerektiğini öğrenin)

Makine öğrenmesi ve veri madenciliği
Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG
g t d

Makale serilerinden
Ağ bilimi
Teori Graf Karmaşık ağ Yayılma Küçük dünya Ölçeksiz Topluluk yapısı Süzülme Gelişim Kontrol edilebilirlik Graf çizimi Sosyal sermaye Bağlantı analizi Optimizasyon Karşılıklılık Kapatma Homofilik Geçişlilik Tercihli bağlanma Denge teorisi Ağ etkisi Sosyal etki
Ağ türleri Bilgisayar ağı Telekomünikasyon Ulaşım Sosyal Bilimsel işbirliği Biyolojik Yapay sinir Birbirine bağımlı Anlamsal Uzamsal Bağımlılık Akış Yongada
Graflar Özellikler Klik Bileşen Kesit Döngü Veri yapısı Loop Komşuluk Yol Düğüm Komşuluk listesi / matrisi İlişki listesi / matrisi Türler İki parçalı Tam Yönlü Hiper Çoklu Rastgele Ağırlıklı
Metrik Algoritmalar Merkeziyet Derece Arasılık Yakınlık PageRank Motif Kümelenme Derece dağılımı Assortativity Uzaklık Modülerlik Verimlilik
Modeller Topoloji Rastgele graf Erdős–Rényi Barabási–Albert Uygunluk modeli Watts–Strogatz Üstel rastgele (ERGM) Rastgele geometrik (RGG) Hiperbolik(HGN) Hiyerarşik Stokastik blok Maksimum entropi Yumuşak konfigürasyon LFR Denektaşı Dinamikler Boole ağı Ajan tabanlı Epidemik/SIR
g t d

Yapay sinir ağları (YSA), insan beyninin bilgi işleme tekniğinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. YSA ile basit biyolojik sinir sisteminin çalışma şekli taklit edilir. Yani biyolojik nöron hücrelerinin ve bu hücrelerin birbirleri ile arasında kurduğu sinaptik bağın dijital olarak modellenmesidir.^[1] Nöronlar çeşitli şekillerde birbirlerine bağlanarak ağlar oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. Diğer bir ifadeyle, YSA'lar, normalde bir insanın düşünme ve gözlemlemeye yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bir insanın, düşünme ve gözlemleme yeteneklerini gerektiren problemlere yönelik çözümler üretebilmesinin temel sebebi ise insan beyninin ve dolayısıyla insanın sahip olduğu yaşayarak veya deneyerek öğrenme yeteneğidir.

Biyolojik sistemlerde öğrenme, nöronlar arasındaki sinaptik (synaptic) bağlantıların ayarlanması ile olur. Yani, insanlar doğumlarından itibaren bir yaşayarak öğrenme süreci içerisine girerler. Bu süreç içinde beyin sürekli bir gelişme göstermektedir. Yaşayıp tecrübe ettikçe sinaptik bağlantılar ayarlanır ve hatta yeni bağlantılar oluşur. Bu sayede öğrenme gerçekleşir. Bu durum YSA için de geçerlidir. Öğrenme, eğitme yoluyla örnekler kullanarak olur; başka bir deyişle, gerçekleşme girdi/çıktı verilerinin işlenmesiyle, yani eğitme algoritmasının bu verileri kullanarak bağlantı ağırlıklarını (weights of the synapses) bir yakınsama sağlanana kadar, tekrar tekrar ayarlamasıyla olur.

YSA'lar, ağırlıklandırılmış şekilde birbirlerine bağlanmış birçok işlem biriminden (nöronlar) oluşan matematiksel sistemlerdir. Bir işlem birimi, aslında sık sık transfer fonksiyonu olarak anılan bir denklemdir. Bu işlem birimi, diğer nöronlardan sinyalleri alır; bunları birleştirir, dönüştürür ve sayısal bir sonuç ortaya çıkartır. Genelde, işlem birimleri kabaca gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır.

Sinirsel (neural) hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem kavramları vardır. YSA'lar, geleneksel işlemcilerden farklı şekilde işlem yapmaktadırlar. Geleneksel işlemcilerde, tek bir merkezi işlem birimi her hareketi sırasıyla gerçekleştirir. YSA'lar ise her biri büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem birimlerinden oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir ağırlık kümesi ile ağırlıklandırır, doğrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı değeri oluşturur. İlk bakışta, işlem birimlerinin çalışma şekli yanıltıcı şekilde basittir. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem birimlerinin birbirleri arasındaki yoğun bağlantı yapısından gelmektedir. Bu sistemlerde geri yayılım metoduyla daha sağlıklı öğrenme sağlanmaktadır.

Çoğu YSA'da, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler.

YSA'nın ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. Daha açık bir şekilde ifade etmek gerekirse, fonksiyonun temel yapısını ağırlıkların büyüklüğü ve işlem elemanlarının işlem şekli belirler. YSA'ların davranışları, yani girdi veriyi çıktı veriye nasıl ilişkilendirdikleri, ilk olarak nöronların transfer fonksiyonlarından, nasıl birbirlerine bağlandıklarından ve bu bağlantıların ağırlıklarından etkilenir.

Yapay sinir ağlarının üstünlüklerinin yanı sıra bazı sakıncaları da vardır. Bu sakıncalar şu şekilde listelenebilir:

• Sistem içerisinde ne olduğu bilinemez.
• Bazı ağlar hariç kararlılık analizleri yapılamaz.
• Farklı sistemlere uygulanması zor olabilir.

Nörobilgisayar[değiştir | kaynağı değiştir]

Nörobilgisayar, genellikle çok hız gerektiren ve büyük boyuttaki problemlerin çözülmesi için tamamen yapay sinir ağı teknolojisine dayanarak geliştirilmiş bilgisayar türüdür.

Siemens tarafından geliştirilmiş synapse 1 nörobilgisayarı, bir ana bilgisayara ethernet kartı ile bağlanıp çalışabilen bir bilgisayardır. 8 Tane MA-16 sistolik dizi yongası kullanmaktadır. Bu bilgisayarın performansı 25 mhz ile saniyede 3.2 milyar çarpım (16 bit*16 bit) ve toplama işlemi yapabilecek bir güce sahiptir.

Ayrıca bakınız[değiştir | kaynağı değiştir]

• Bilişsel bilim
• Bulanık mantık
• Derin öğrenme yazılımlarının karşılaştırılması
• Evrişimli sinir ağları
• Genetik algoritma
• Genetik programlama
• Naive Bayes sınıflandırıcı
• Sinirbilim
• Yapay yaşam
• Yapay Zeka
• Tensorflow

Kaynakça[değiştir | kaynağı değiştir]

• Çetin Elmas (2012), Yapay Zeka Uygulamaları, Yapay Sinir Ağları – Bulanık Mantık– Genetik Algoritma, Ankara: Seçkin Yayinevi ISBN 9789750216961
• Ercan Öztemel (2006), Yapay Sinir Ağları, Istanbul: Papatya ISBN 9789756797396
• Şeref Sağıroğlu, "Mühendislikte Yapay Zeka Uygulamaları I : Yapay Sinir Ağları", Ufuk Kitabevi, Ağustos 2003.

Dış bağlantılar[değiştir | kaynağı değiştir]

• Yapay Sinir Ağlar websitesi

Wikimedia Commons'ta Yapay sinir ağları ile ilgili ortam dosyaları bulunmaktadır.

1. ^ Aydın, Şamil Emre (2017). Yapay Zekâ Teknolojisi (Yapay Zekâların Dünü Bugünü Yarını). s. 12-13. 8 Ağustos 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 11 Ağustos 2021.