YAPAY SİNİR AĞLARI (ANN) VE MAKİNE ÖĞRENMESİ

Fikriye OÇAKCI

Fırat Üniversitesi Teknoloji Fakültesi

Adli Bilişim Mühendisliği Bölümü, Elazığ, Türkiye
(Ocak, 2021)

fikriyeocakci66@gmail.com

Özet
Bu makalenin amacı; insan beyninin veriyi işleme ve analiz etme modelinden ilham alınarak
tasarlanmış Yapay Sinir Ağlarının (Artificial Neural Networks- ANN) yapısı, işleyişi, yapay
zeka çalışmalarına katkıları ve özellikle günlük yaşantımızda sıkça kullandığımız bilinmeyen
veriyi tahmin etme veya sınıflandırma problemlerinin çözümünde makine öğrenmesi
alanından nasıl faydalanıldığı hakkında araştırma yaparak bilgi vermektir. Günümüzde bilgi
teknolojilerinin hızla gelişmesi ve insanların ihtiyaç duydukları hemen hemen tüm işlemlerini
bu teknolojiler üzerinden gerçekleştirmesi hatta kişisel verilerin internet aracılığı ile tüm 1
dünya ile paylaşılmasının çekici hale gelmesi, gerçek verinin dijitalleşmesine ve “Big Data”
denilen kavramın ortaya çıkmasına neden olmuştur. İşte bu yüzden; dijital ortamdaki verinin
bu denli artması, verinin hızlı ve pratik bir şekilde işlenmesi ihtiyacını doğurmuştur.
Günümüzde milyonlarla hatta milyarlarla ifade ettiğimiz bu veri havuzundaki verilerin
insanlar tarafından elle işlenmesi, sınıflandırılması ve anlamlı hale getirilmesi ne yazık ki pek
mümkün değildir. Bunun için yüksek hesaplama gücü gerektiren ve karmaşık matematiksel
işlemleri dahi yapabilen gelişmiş nitelikteki makinelere ihtiyaç vardır. İşte bu nedenle 1980’li
yıllarda ortaya atılan “makinelerin insan gibi düşünebilme, analiz edebilme ve işlem
yapabilme” fikri neticesinde çalışmalara başlanmış, dijital ortamdaki verinin hızlı ve pratik bir
şekilde işlenebilmesi ihtiyacının derinden hissedilmesi üzerine yapay sinir ağları
geliştirilmiştir. Yapay sinir ağları ve yapay zekanın gelişmesiyle önem kazanan makine
öğrenmesi alanı, günümüzde sadece verinin işlenmesi ve analiz edilmesi için değil, günlük
yaşantımızda birbirine bağlı değişkenlerden birinin değerini, ötekine bağlı olarak tahmin etme
(Regresyon) ya da yüzlerce veriden oluşan bir veri setinin uygun yöntemlerle sınıflandırılması
(Classification) amacıyla da kullanılmaktadır. Yapılan çalışma sonucunda yapay sinir ağları
kullanımının gerekliliği önem kazanmış ve makine öğrenmesi alanının hayatımızı nasıl
kolaylaştırdığı anlaşılmış olacaktır.

Anahtar Kelimeler: Yapay Sinir Ağları, Makine Öğrenmesi, Sınıflandırma, Regresyon

 1. GİRİŞ
Yapay sinir ağının temelinde nörolojik bir beyin hücresinin çalışma şekli vardır. Biyolojide
nöron olarak adlandırdığımız sinir hücresini taklit ederek öğrenmeye çalışır. Bu nedenle
yapay sinir ağı denmiştir. İnsan beyninde milyonlarca nöronun birbiriyle bağlantı kurması
sayesinde büyük bir ağ kurulur ve bilgi transferi çok hızlı bir şekilde gerçekleşir. Yapay sinir
ağları da bu şekilde katmanlar vasıtasıyla karmaşık bir ağa dönüşür. Ve bu ağa girdi olarak
verilen matematiksel bir ifadeyi öğrenerek bize bir çıkış değeri üretir. Temelinde öğrenmeye
dayalı bir çalışma şekli olduğundan ismini genelde makine öğrenmesi alanının içinde duyarız.
Çünkü deneyimleyerek öğrenmeyi amaçlar.

2
Nörolojik Sinir Hücresi Yapay Sinir Hücresi

Yapay sinir ağlarının deneyimleyerek öğrendiğinden bahsetmiştik. Burada deneyimden kasıt

belli bir eğitim sürecinin gerçekleşiyor olmasıdır. Bu eğitim süreci; yapay sinir ağına girdi
olarak değerler verip, çıkış olarak neyi ürettiğini gözlemlediğimiz bir süreçtir. Bu gözlemlere
dayanarak yapay sinir ağı modelinin başarısı hakkında bilgi sahibi olabiliriz. Eğitim
sonrasında eldeki çıktı, istenilen sonuca yakınsa burada yapay sinir ağı modelinin başarılı
olduğundan yani öğrenme sürecini iyi tamamladığından söz edilebilir. Aksi halde, öğrenme
işlemi başarılı olamadığından eğitimin tekrar edilmesi gerekebilir. İyi bir yapay sinir ağı
modeli için eğitim şarttır. Çünkü eğitimsiz bir sinir ağı modelinin üreteceği çıkış değerleri
yanlış olacaktır.
Elimizde sonucunu bilmediğimiz, oldukça karmaşık ifadeler içeren matematiksel bir işlem
olduğunu varsayalım. Eğer yapay sinir ağları olmasaydı böyle bir durumda, işlemi
matematiksel yöntemlerle çözüp sonucunu bu şekilde bulmaya çalışacaktık. Ve bu oldukça
zor olacaktı. Fakat yapay sinir ağları sayesinde, sadece bu işlem için kesin bir sonuca
varmaktan ziyade genel bir model oluşturup (yapay sinir ağına bu işlemi öğreterek) ağımızı
bu noktada eğitebiliriz. Böylece oluşturduğumuz modele uygun olduğu sürece diğer
matematiksel ifade ve formülleri de yapay sinir ağı modelimiz sayesinde çözebiliriz.
 2. YAPAY SİNİR AĞLARININ YAPISI

Şekil.1 Yapay Sinir Ağlarının Yapısı

3
Bir yapay sinir ağı hücresi 3 kısımdan oluşur. Giriş katmanı olarak adlandırılan kısımda, ağa
girdi değerleri verilir ve sonucu bulması istenir. Gizli katman olarak adlandırılan kısım da
hesaplamaların yapıldığı yerdir. Bu katmana gizli katman denmesinin sebebi, içeride yapılan
hesaplamaların bizler tarafından görülmemesidir. Yapay sinir ağlarının bir avantajı da budur.
Çünkü sinir ağı karmaşık bütün işlemleri içeride hesaplar ve bizler içeride ne yapıldığıyla pek
ilgilenmeyiz. Yapay sinir ağının öğrenmeyi gerçekleştirdiği yer de bu katmandır. Sinir ağı
doğru çıktıyı verdiği sürece yapılan hesaplamaların bir önemi yoktur. Son katman ise çıkış
katmanıdır. Verilen girdi değerlerine göre çıktının üretildiği kısımdır.
Yapay sinir ağının genel yapısını gösteren Şekil.1’e bakıldığında süreç ilk olarak dışarıdan
girdi değerlerinin (𝒙𝟏 , 𝒙𝟐 … 𝒙𝒎 ) verilmesiyle başlar. Yapay sinir ağı, değerleri alır ve belli
ağırlıklarla (𝒘𝟏 , 𝒘𝟐 … 𝒘𝒎 ) çarpar. Ağırlıklar, ağdaki belli bir düğümün gücünü gösterir.
Ağırlık değerleri, süreç işlediği sürece değişmeye devam eder. Gizli katmanda yapılan
hesaplamalar binlerle ifade edilirse, ağırlıkların da bir o kadar değiştiği anlaşılmalıdır. Çünkü
ağırlıkların sürekli değişmesi doğru sonucun bulunması için gereklidir. Yapay sinir ağı, artık
bir şeyleri öğrenip tüm model için genelleme yapabilecek hale gelene kadar ağırlıklar
güncellenmeye devam edilir. Daha sonra ağırlıklı girdilerin toplamıyla oluşturulmuş toplama
fonksiyonu ( ∑ ) aktivasyon fonksiyonundan geçirilir. Aktivasyon fonksiyonu, yapay sinir
ağının işlevine uygun olmalıdır. Bu nedenle farklı yapay sinir ağları farklı aktivasyon
fonksiyonlarından geçirilir. Son olarak çıktı değeri (y) üretilir. En yaygın kullanılan
aktivasyon fonksiyonları; Sigmoid, ReLU, Leaky ReLU, Maxout vb.
Bias: Dışarıdan verilen sabit bir sayıdır. Genelde ağırlıklı girdilerin toplamının 0 çıkmaması
için verilir. Zorunlu değildir. “Bias” kullanıldığı takdirde değeri 1 alınabilir.
 3. PERCEPTRONS (ALGILAYICILAR) NEDİR VE NEDEN KULLANILIR?
Perceptron ya da algılayıcıyı, yapay sinir ağını en temel haliyle ifade etmek için kullanabiliriz.
İleri beslemeli bir ağ modelidir. Yapay sinir ağlarıyla aynı şekilde çalışır. Tek farkı
algılayıcıların tek katmanlı olmasıdır. Günümüzde yapay sinir ağları oldukça karmaşık
şekillerde kullanılmaktadır. Bu karmaşıklığı, birden fazla katmana sahip olması ile
açıklayabiliriz. Yapay sinir ağlarının ilk ortaya çıkmasından bu yana gelinen noktada; çok
karmaşık matematiksel ifadeleri dahi çözebilecek, çok iyi modellemeler yapabilecek seviyeye
gelinmiştir. Bu da gizli katman olarak adlandırdığımız çok katmanlı yapısı sayesinde
gerçekleşmektedir. Fakat perceptron olarak adlandırdığımız basit yapıda gizli katman yoktur.
Dolayısı ile karmaşık işlemleri çözebilecek ya da çok iyi modelleme yapabilecek durumda
değildir.
Günümüzde perceptrons, ikili sınıflandırıcı olarak kullanılmaktadır. Yani genellikle doğrusal
olarak ayrılabilen problemleri çözmek için kullanılır. Çıktısı binary (1 ya da 0 gibi)’dir.
Algılayıcının en iyi modelleme yapabileceği örnekler mantık kapılarıdır. (AND, OR, XOR)
Ancak orda bile yalnızca AND ve OR problemlerini çözebilmiş, XOR problemini çözmede
başarılı olamamıştır. XOR’ u çözememe problemi, günümüzde kullanılan modern sinir
ağlarının temelini oluşturmuştur.

Şekil.2 AND, OR ve XOR Problemlerinin Çözümü

Yukarıdaki Şekil.2’ye bakıldığında algılayıcıların, AND ve OR problemlerini tek katmanlı

yapısıyla çözebildiği fakat XOR probleminin ancak 2 katman kullanarak çözülebildiği
görülmektedir.

Türkçesi karar sınırı olan

“Decision boundary” yanda bir
sınıflandırma örneğinde
kullanılmıştır. Bir tane karar sınırı
oluştuğunu görüyoruz. Bu, tek
katmanlı bir perceptron
kullanıldığını gösterir.

Şekil.3 Perceptrons Kullanılmış Sınıflandırma Örneği

 4. YAPAY SİNİR AĞI TÜRLERİ
Şu anda makine öğreniminde farklı amaçlar için kullanılan birçok yapay sinir ağı türü vardır.
Bu tür ağlar gereksinimlere göre, farklı matematiksel işlemler ve sonucu belirlemek için
kullanılan bir dizi parametreye bağlı olarak uygulanır. Bu makale günümüzde en çok
kullanılan 2 yapay sinir ağı türünü açıklamaktadır.

I. İleri Beslemeli Sinir Ağı (Feed Forward Neural Network):

İleri beslemeli sinir ağı modeli, birimler arasındaki bağlantıların döngü oluşturmadığı bir
sınıflandırma algoritmasıdır. Tasarlanan ilk ve en basit yapay sinir ağı modelidir. Günümüzde
birçok pratik uygulamada popüler olarak kullanılmaktadır. Girdi değerlerinin, girişten çıkışa
doğru tek yönde hareket ettiği bir sinir ağı modelidir. Bu nedenle katmanlar arasında geri
bildirim yoktur. Katmanlardaki her birim, kendinden önceki tüm birimlerle bağlantılıdır. Giriş
değerleri, gizli katmanlar içerisinde organize edilmiş yapılardan tek tek geçer. Ağırlıklarla
çarpılan girdi değerlerinin toplamı, bir aktivasyon fonksiyonundan geçirilir ve çıktı değeri
üretilir.

Şekil.4 İleri ve Geri Beslemeli Yapay Sinir Ağı Topolojisi

II. Geri Beslemeli Sinir Ağı (Feedback Neural Network):

Bu tür ağları, ileri beslemeli sinir ağlarından ayıran en temel fark, geri bildirim döngülerinin
gerçekleşiyor olmasıdır. Bu nedenle iki yönlü bir iletim vardır. Bu iletimi açıklayacak olursak,
bir yapay sinir hücresi çıktısının ağda geri bildirimi yapılarak çıktı değerlerinin girdi olarak
kullanılması sağlanır. Geri beslemeli sinir ağları çok güçlüdür ve karmaşık hale gelebilirler.
Bu tür sinir ağları doğrusal değil dinamiktir, yani giriş ve çıkış değerleri tekrarlı bir şekilde
sürekli değişmektedir. Bu tekrarlama işlemi, istenilen çıktı üretilene kadar devam eder.

Şekil.5 İleri Besleme (Çıkış Hesaplama) ve Geri Yayılım (Hata Yayma) Yönleri
 5. MAKİNE ÖĞRENMESİ TANIMI
Makine öğreniminin temelinde “bilgisayarların kendi kendine öğrenebilmesi” fikri yer alır.
Bu öğrenim; dışarıdan bir yazılım ya da programcı tarafından açıkça komutlar verilmeksizin,
makinenin kendi deneyimlerine dayanarak sonucu bilinmeyen ifadelerin sonuçlarını doğruya
en yakın şekilde tahmin edebilmesi şeklinde gerçekleşir. Makine öğrenmesi alanı ile
bilgisayarlara bu yeteneğin kazandırılması sağlanır.
Bilgisayar bilimcisi ve makine öğreniminin öncüsü Tom M. Mitchell ise “Tecrübeyle gelişen
bilgisayar programlarını nasıl oluşturabiliriz?” diye düşünmüş ve Tom Mitchell Algoritmasını
geliştirmiştir. Algoritmaya göre; “Bilgisayar programının bir işi (Task) yaparken edindiği
tecrübeler (Experience) artarsa, işi yaparken ki performansı da (Performance) artar”.
Makine öğrenimine neden ihtiyaç duyulduğuna gelecek olursak; günlük yaşantımızda
teknolojinin her geçen gün gelişen yeniliklerine ayak uydurmak istememizin neticesi olarak,
dijital ortamdaki verinin günden güne kat ve kat arttığını gözlemliyoruz. Bu kadar verinin;
işlenmesi, analiz edilmesi ve sınıflandırılması da bir hayli zor olmalı. İşte makine öğrenmesi
alanı; bu zorluğun kolaylaştırılmak istenmesi ve makinelerin bizim yerimize bu işi kolaylıkla
yapabileceği düşüncesiyle hayatımıza girmiştir.
Makine öğrenmesinde amaç, geçmişteki verilerden yararlanarak yeni verileri tahmin
edebilecek en iyi modeli geliştirmektir. Bu nedenle makine öğrenmesinin, geleneksel
programlama yöntemlerine göre işleyişi biraz farklıdır. Geleneksel programlama
yöntemlerinde, bilgisayara veri seti ve uygun program (model) verilerek çıktı vermesi istenir.
Fakat makine öğreniminde bilgisayara veri seti ile birlikte çıktı değerleri de verilir. Burada
6
amaç, bilgisayarın aldığı giriş verileri ile çıkış değerleri arasındaki mantığı öğrenip, en uygun
programı (modeli) üretmesidir. Daha sonra bu model yeni veri setlerine uygulanarak, olası
tahmini sonuçlar kolaylıkla öğrenilebilir.

Şekil.6 Geleneksel Programlama ile Makine Öğrenmesi Karşılaştırması

 6. MAKİNE ÖĞRENİMİ TERMİNOLOJİSİ
Makine öğrenimi algoritmalarını daha iyi anlayabilmek için bilinmesi gereken bazı temel
terimler vardır. Bu terimler aşağıda açıklanmıştır.

Features (Öznitelik): Ölçülebilir ve gözlemlenebilir öznitelik olarak bilinir. Bilgisayarın

tahminler yapabilmesi için dışarıdan verilen giriş değerleridir. Örneğin; hava durumu tahmini
için dışarıdan verilen sıcaklık ve yağış miktarı gibi.

Labels (Etiketler): Etiketler, bir makine öğrenimi algoritmasından elde edilecek sonuçlar
olarak ifade edilebilir. Örneğin; yukarıdaki örnek üzerinden gidildiğinde, hava tahmini için
‘yağmurlu’ ya da ‘güneşli’ ifadeleri birer etikettir. Ya da ikili sınıflandırma yapıyorsak; elde
edilecek 1 ve 0 değerleri etiket olarak algılanabilir. Regresyonda ise ulaşılmak istenen gerçek
değeri etiket olarak düşünebiliriz. Örneğin; hava tahmininde 27° ifadesi bir etikettir.

Training Data (Eğitim Verileri): Öğrenme algoritmalarında kullanılan verilerdir. Eğitim

amacıyla kullanılan veriler etiketlenmiş yani sınıflanmış verilerdir. Bu veriler sayesinde
makine, hangi özniteliğin hangi sınıfa ait olduğunu öğrenmeye çalışır. Genelde veri setinin
büyük bir kısmı, eğitim için kullanılır.

Test Data (Test Verileri): Öğrenme algoritmalarını test etmek amacıyla kullanılan
verilerdir. Test amacıyla kullanılan veriler etiketlenmemiş yani sınıflanmamış verilerdir.
Böylece veri setinin bir kısmı test için kullanılarak, eğitim sürecinin başarısı ölçülebilir. Test
7
edilmeyen algoritmanın öğrenmeyip ezberlediği düşünülebilir.

7. MAKİNE ÖĞRENMESİ TÜRLERİ

Şekil.7 Makine Öğrenmesi Türleri

 I. Unsupervised (Denetimsiz) Öğrenme:
Çıktının neye benzediğini bilmediğimiz durumlarda, elimizdeki verilerden sonuçlar çıkarmak
için kullandığımız makine öğrenimi türüdür. Denetimsiz öğrenmede sadece features’lar yani
giriş değerleri vardır. Çıktı hakkında herhangi bir bilgi verilmez yani kullanılan veriler
etiketsizdir. Sadece kümeleme (Clustering) yapabilmemizi sağlar. Bu nedenle sonuçlar kesin
değildir. Kümelemedeki mantık, benzer verilerin aynı küme içerisine dahil edilmesidir.
Örnek verecek olursak; hava tahmini için makineye sıcaklık ve yağış değerleri verilmiş olsun.
Eğer makineye giriş değerleri ile birlikte ‘yağmurlu’ ve ‘güneşli’ gibi sınıflar da verilmiş
olsaydı, makinenin bu giriş ve çıktı değerlerine göre sınıflandırma yapması hiç de zor
olmayacaktı. Fakat bu sıcaklık ve yağış değerleriyle nasıl bir çıktı üreteceğini bilmeyen
makinenin modelleme yapabileceği tek şey kümeleme olacaktır. Birbirine yakın olan verileri
aynı grupta olacak şekilde kümeler.

Şekil.8 Kümeleme (Clustering) Algoritması Örneği

Bazı Kümeleme Algoritmaları:

K-means, Gaussion Mixtures, Hierarchical Clustering, Spectral Clustering

Şekil.9 K-means Algoritması

 II. Supervised (Denetimli) Öğrenme:
Denetimli öğrenme algoritmalarında giriş (Features) ve çıkış değerleri birlikte verilir. Bu
verilerle bir eğitim seti oluşturulur. Verilen giriş ve çıkış değerleriyle eğitilen model, yeni
giriş değerleri için tahminde bulunmaya çalışır. Denetimli öğrenmede modelin eğitilebilmesi,
etiketli verilerin kullanılmasının bir sonucudur. Çıktı ile ilgili bilgi sahibi olan makine, etiketli
veriler sayesinde öğrenir ve bazı ilişkiler kurar. Kurduğu bu ilişkiler sayesinde yeni girdi
değerleri için sonuca en yakın değeri tahmin etmeye çalışır. Denetimli öğrenmenin, modelleri
geliştirmek için kullandığı teknikler 2’ye ayrılır.

a. Sınıflandırma (Classification):
Sınıflandırma algoritmaları; değişkenlerin kategorik değerler alabildiği, verilerin sınıflara
ayrılabildiği problemlerin çözümünde kullanılmaktadır. Denetimli öğrenme algoritması
çeşididir. İşleyiş olarak ilk girdi değerleri alınır ve kategorize edilir. Böylece, yeni girdi
verileri geçmiş değerlere göre sınıflandırılır. Sınıflandırmanın regresyondan farkı, etiketli
verilerin kategorik sınıflar olmasıdır.

Bazı Sınıflandırma Algoritmaları:

Destek Vektör Makineleri (SVM), Neural Networks, Karar Ağaçları, Naive Bayes

Şekil.10 SVM Sınıflandırma Örneği

 b. Regresyon:
Regresyon, değişkenlerin sürekli değerler aldığı bir denetimli öğrenme türüdür. Bilinen veri
kümelerini kullanarak, bilinmeyen değişkenin değerini tahmin etmeye çalışır. Bu nedenle
sınıflandırmadan farklı olarak çıktısı sayısal bir değerdir. Denetimli öğrenmede etiketli veriler
kullanıldığından bahsetmiştik. Regresyonda kullanılan etiketli veri, sınıflandırmada olduğu
gibi kategorik bir sınıf değil; gerçek bir değerdir. Verilen her bir giriş değeri için çıktı değeri
üretilir. Bu nedenle sürekli değerler aldığı söylenir.

Şekil.11 Regresyon ve Sınıflandırma Çıktılarındaki Fark

10
Örnek verecek olursak; elimizde bir şirket çalışanlarının yaşları ve aldıkları maaşlar olsun.
Buna göre çalışanların maaşlarını yaşlarına göre tahmin etmeye çalışalım. Çıktı olarak sayısal
değerler istediğimiz için regresyon yöntemini kullanabiliriz. Elimizdeki bu veri setini
kullanarak, modelimizi eğitelim. Böylece modele verilen farklı giriş değerleri için elimizde
tahmini değerler olacaktır.

Şekil.12 Sınıflandırma ve Regresyon Problemlerinin Çözümü

 8. SONUÇ
Günümüzde gelişen teknoloji ile birlikte hayatımızın hemen hemen her alanında yapay zeka
ve makine öğrenimi uygulamalarına ihtiyaç duyuyoruz. Gelecekte de ihtiyaç duyulması
muhtemel. Gerek dijital dönüşümün getirdiği yeniliklere ayak uydurabilmemiz, gerek günlük
yaşantımızda özellikle bazı meslek gruplarının işlerini kolaylaştırması için makine öğrenimi
alanına yöneliyoruz. Bu yönelim, makine öğrenimi teknik ve yöntemleri üzerinde çalışarak
algoritmaların daha da geliştirilmesi ve ihtiyaç duyulan alanlarda uygulanabilir hale gelmesi
ile sonuçlanıyor. Makine öğreniminin tarihine bakıldığında, günümüzdeki makine öğrenimi
algoritmalarının gelişmişliği ve geçmişe kıyasla uzunca bir yol kat edildiği açıkça görülebilir.
Bununla birlikte yapay sinir ağları da hızlı bir gelişme göstermiş ve günümüzde makine
öğrenimi alanı başta olmak üzere birçok farklı alanda sıkça uygulanır olmuştur.
Bu makalede yapay sinir ağlarının genel yapısı, işleyişi, kullanım alanları, hangi sorunlara
çözüm ürettiği ve yaygın kullanılan yapay sinir ağı türleri üzerinde durulmuş ve teknik
açıklamalar yapılmıştır. Ayrıca yapay sinir ağlarının temelini oluşturan perceptrons
(algılayıcılar) hakkında da bilgi verilmiştir.
Makine öğrenimi alanı ve tarihçesi araştırılmış, kullanılan temel terimler incelenerek
açıklanmıştır. Ardından makine öğrenmesi türleri hakkında bilgi verilmiş, farklı teknik ve
algoritmaların farkları ortaya konmuştur. Hangi problemlerin çözümünde hangi tekniğin
uygulanabileceği anlatılmıştır. Kullanılan algoritmaların anlatımı örnek ve şekillerle
desteklenmiştir.

11

Şekil.13 Sınıflandırma, Regresyon ve Kümeleme Sistemi

9. KAYNAKLAR

[1] Fırat Üniversitesi Adli Bilişim Mühendisliği, Dr. Öğr. Üyesi FATİH ERTAM’ın
“Makine Öğrenmesi” Ders Notları

[2] web.stanford.edu / Te-Lin Wu and Bo-Kui Shen at Stanford University: Feedback

based Neural Networks
https://web.stanford.edu/class/cs331b/2016/projects/wu_shen.pdf

[3] Beykoz Akademi Dergisi, 2016; 4(1), 1-32 Derya Saatçioğlu, Necdet Özçakar İstanbul
Üniversitesi Sosyal Bilimler Enstitüsü: Yapay Sinir Ağları Yöntemi ile Aralıklı Talep
Tahmini, (2016)
http://library.beykoz.edu.tr/wp-content/uploads/YAPAY-S%C4%B0N%C4%B0R-
A%C4%9ELARI-Y%C3%96NTEM%C4%B0-%C4%B0LE-ARALIKLI.pdf

[4] https://www.derinogrenme.com/2017/03/04/yapay-sinir-aglari/

[5] https://www.sciencedirect.com/topics/chemical-engineering/feedforward-neural-
networks

[6] https://analyticsindiamag.com/6-types-of-artificial-neural-networks-currently-being-
used-in-todays-technology/
12
[7] https://medium.com/towards-artificial-intelligence/main-types-of-neural-networks-
and-its-applications-tutorial-734480d7ec8e

[8] https://www.elektrikport.com/teknik-kutuphane/denetimli-ve-denetimsiz-makine-
ogrenmesi-nedir/22487#ad-image-0

[9] https://medium.com/fintechexplained/supervised-machine-learning-regression-vs-
classification-18b2f97708de