Necmettin Erbakan

Üniversitesi

FA K Ü LT E : H AVA C I L I K V E U Z AY B İ L İ M L E R İ FA K Ü LT E S İ
B Ö LÜ M : U Ç A K M Ü H E N D İ S L İ Ğ İ
DERS : U M 4 3 9 YA PAY Z E K A T E K N İ K L E R İ N E G İ R İ Ş
DÖNEM : 2022 – 2023 (BAHAR)
Ö Ğ R E T İ M Ü Y E S İ : D R . H A S A N H Ü S E Y İ N B İ LG İ Ç
Yapay Zeka Tekniklerine Giriş
Öğretim Üyesi:

Adı : Dr. Öğr. Üyesi Hasan H. BİLGİÇ

Adres : NEÜ Havacılık ve Uzay Bilimleri Fakültesi
Uçak Mühendisliği Bölümü
Tel : +90 332 325 20 34- 4502
e-posta : hhbilgic@erbakan.edu.tr

DEPARTMENT OF AERONAUTICAL ENGINEERING 2

Yapay Zeka Tekniklerine Giriş
Dersin Amacı: Bu dersin amacı yapay zeka konusunda temel ilke,
kuram ve uygulama alanlarına giriş yapmaktır. Yapay sinir ağları,
bulanık mantık ve meta-sezgisel arama algoritmaları ile çeşitli
uygulamalar yapmak, yapay zeka tekniklerinin Uçak Mühendisliği
alanında uygulanabilmesi için teorik bilgileri anlatmaktır.

Dersin İçeriği: Yapay zekanın temel kavram ve yöntemleri. Yapay

zeka kullanarak problem çözme; problem bilgisi kullanan ve
kullanmayan arama yöntemleri, lokal arama yöntemleri, meta-
sezgisel arama algoritmaları, yapay sinir ağları ve bulanık mantığa
giriş.

DEPARTMENT OF AERONAUTICAL ENGINEERING 3

Yapay Sinir Ağları
 Temel Kavramlar
 Yapay Sinir Ağlarının Tarihçesi
 Uygulama Alanları
 Biyolojik Sinir Hücresi Modeli
 Yapay Sinir Hücresi Modeli
• YSH’nin Elemanları
• Aktivasyon Fonksiyonları
Yapay Sinir Ağları
• YSA’nın Özellikleri
• YSA’nın Yapısı
• YSA’nın Sınıflandırılması (Yapılarına Göre)
• YSA’nın Sınıflandırılması (Öğrenme Algoritmalarına Göre)
Yapay Sinir Ağları

YSA, beynin bir işlevi yerine getirme yöntemini

modellemek için tasarlanan bir sistem olarak
tanımlanabilir.

YSA, yapay sinir hücrelerinin birbirleri ile çeşitli şekillerde

bağlanmasından oluşur ve genellikle katmanlar şeklinde
düzenlenir.

Donanım olarak elektronik devrelerle veya bilgisayarda

yazılım olarak gerçeklenebilir.
Yapay Sinir Ağları

Beynin öğrenme sürecine uygun olarak YSA, bir

öğrenme sürecinden sonra bilgiyi toplama, hücreler
arasındaki bağlantı ağırlıkları ile bu bilgiyi saklama ve
genelleme yeteneğine sahip paralel dağıtılmış bir
işlemcidir.

Öğrenme süreci, arzu edilen amaca ulaşmak için YSA

ağırlıklarının yenilenmesini sağlayan öğrenme
algoritmalarını içerir.
Yapay Sinir Ağları
• İlk çalışmalar 1940 yılında başlamıştır.

• McCulloch ve Pitts (1943) ilk temel hesap yapan nöron modelini tasarlamayı
başarmıştır.

• İlk sinaps , fizyolojik öğrenme kuralına ilk adım : Hebb, 1949 yılında, "Hebbian
öğrenme kuralı" adında ilk öğrenme şeklini geliştirmiştir.

• 1950'lerde ilk nörobilgisayarlar yapılmış ve 1954'de Minsky tarafından test

edilmiştir.

• 1958'de Rosenblatt, nöron benzeri "Perceptron" denen elemanları ortaya

koymuştur.
Yapay Sinir Ağları
• 1960-1962 yıllarında Widrow-Hoff öğrenme kuralı geliştirilmiştir.

• 1969 yılında Minsky ve Papert, tek katmanlı ağlarla ayrıcalıklı-veya (XOR)

işleminin yapılamayacağını ortaya koymuşlardır.

• Taylor (1956) ve Steinbuch (1961) çağrışımlı bellek yapılarını ortaya

atmışlardır.

• Van der Malsberg (1973), self organizasyon için modeller sunmuştur.

• Sun-Ichi Amari (1972-1977) tarafından ağırlıklı toplama elemanlarının

öğrenmeleri ile ilgili matematiksel teoremler geliştirilmiştir.

• Grossberg ve Carpenter (1974-1982), yeni mimari yapıları ve teoremler

dizisini ortaya atmıştır (yarışmalı öğrenme).
Yapay Sinir Ağları

• Kohonen (1974-1989) tarafınadan Denetimsiz öğrenme,

• Hopfield (1982) tarafından enerji fonksiyonu kavramı,

• 1986 yılında McClelland ve Rumelhart tarafından Hatanın geriye

yayılması metodu geliştirilmiştir.
Yapay Sinir Ağlarının Avantajları
• Doğrusal olmayan çok boyutlu, gürültülü, eksik bilgili
ve özellikle problemin çözümünde kesin bir
matematiksel modelin veya algoritmanın bulunmadığı
durumlarda başarılıdır.

• İstisnai ve anormal veri sayısı çok olan konularda

iyi sonuçlar verir.

• Adaptasyon yeteneği vardır.

• Bilgiler ağın tamamında saklanır.

• Daha önce görülmemiş örnekler hakkında bilgi

üretebilir.
Yapay Sinir Ağlarının Dezantajları
• ‘Kara Kutu’, verdiği sonucun açıklamasını yapamaz.

• Uygun ağ yapısının belirlenmesinde belli bir kural yoktur.

• Ağın parametre değerlerinin belirlenmesinde belli bir

kural yoktur.

• Eğitim örnekleri seçiminde genel bir kural yoktur.

• Öğrenilecek problemin ağa gösterimi önemli bir

problemdir.

• Ağın eğitiminin ne zaman bitirilmesi gerektiğine ilişkin

belli bir yöntem yoktur.
Yapay Sinir Ağlarının Uygulama Alanları

• Robotik Uygulamaları

• Döviz Kuru Tahminleri

• Askeri uçakların uçuş yönlerinin belirlenmesi

• Radar ve görüntü sinyalleri işleme

• Solunum hastalıklarının teşhisi

• Tıbbi resim işleme

Yapay Sinir Ağlarının Uygulama Alanları
• Endüstriyel Uygulamalar

• Finansal Uygulamalar

• Askeri Uygulamalar

• Sağlık Uygulamaları

• Diğer Alanlar
BİYOLOJİK SİNİR HÜCRESİ MODELİ
Alıcı sinirler (receptor) organizma içerisinden ya da dış
ortamlardan aldıkları uyarıları, beyine bilgi ileten elektriksel
sinyallere dönüştürür.

Tepki sinirleri (effector) ise, beynin ürettiği elektriksel darbeleri

organizma çıktısı olarak uygun tepkilere dönüştürür.

Biyolojik Sinir Sisteminin Blok Gösterimi

BİYOLOJİK SİNİR HÜCRESİ MODELİ

• Yapay sinir hücreleri, gerçek sinir hücrelerinin simule edilmesiyle gerçekleştirilir.

BİYOLOJİK SİNİR HÜCRESİ MODELİ

Dendritler, sinaptik sinyalleri girdi olarak almakta

Hücre gövdesi, bu sinyali analog bir yöntemle işlemekte
Akson, üretilen denetim sinyalleri aksonlar aracılığı ile denetlenecek
hedef hücrelere iletilmektedir.
Sinaps (akson uçları)
YAPAY SİNİR HÜCRESİ MODELİ
Temel bir yapay sinir ağı hücresi biyolojik sinir hücresine
göre çok daha basit bir yapıya sahiptir. Yapay sinir ağı
hücresinde;

• Girişler
• Ağırlıklar
• Toplama fonksiyonu
• Aktivasyon fonksiyonu
• Çıkışlar bulunur.
 YAPAY SİNİR HÜCRESİ MODELİ
Bias
b
x1 w1
Aktivasyon
Local fonksiyonu
Field


Çıktı
Girdi x2 w2
v
 () y
değerleri
…………. Toplama
fonksiyonu

xm wm

ağırlıklar

Yapay sinir hücresinin matematiksel model örneği

 YSH’NİN ELEMANLARI
• Girdiler
-Yapay sinir ağlarına dış dünyadan veya diğer bir hücreden gelen bilgilerdir.

• Ağırlıklar
-Hücreler arasındaki bağlantıların sayısal değerini ifade etmektedir. Bir hücreye gelen bilginin değerini
ve hücre üzerindeki etkisini gösterir.

• Toplama Fonksiyonu
-Hücreye gelen girdileri ağırlıklarla çarpıp toplayarak o hücrenin net girdisinin hesaplanmasını sağlar.

• Aktivasyon Fonksiyonu
-Hücreye gelen net girdiyi işleyerek hücrenin bu girdiye karşılık üreteceği çıktının belirlenmesini sağlar.

• Çıktılar
-Aktivasyon fonksiyonları tarafından belirlenen çıktı değerleridir. Üretilen çıktı ya dış dünyaya, başka bir
hücreye ya da kendisine girdi olarak gönderilebilir.
AKTİVASYON FONKSİYONLARI
 Hard-limit (eşik) aktivasyon
fonksiyonu
AKTİVASYON FONKSİYONLARI
 Sigmoid aktivasyon
fonksiyonu

 Pureline (Doğrusal)
aktivasyon fonksiyonu
AKTİVASYON FONKSİYONLARI
 Radial tabanlı (gauss)
aktivasyon fonksiyonu

 Hiperbolik tanjant (Tanh)

aktivasyon fonksiyonu
YAPAY NÖRON İŞLEMLERİ
ÖRNEK
 YAPAY SİNİR AĞLARI

• Öğrenme

• Tahmin

• İlişkilendirme
• Özellik Belirleme

• Sınıflandırma • Optimizasyon

• Genelleme
 YAPAY SİNİR AĞLARININ ÖZELLİKLERİ

• Kendi kendini organize etme ve öğrenebilme yetenekleri

vardır.

• Eksik bilgi ile çalışabilmektedirler.

• Hata toleransına sahiptirler.

• Belirsiz ve tam olmayan bilgileri işleyebilmektedirler.

• YSA, ani bozulma göstermezler.

• Sadece nümerik bilgiler ile çalışabilmektedirler.

• YSA, normal yollarla çözülmesi zor olan problemleri çözmek

için tasarlanmışlardır.
 YAPAY SİNİR AĞLARININ YAPISI

• YSA, yapay sinir hücrelerinin birbirlerine bağlanması sonucu oluşan yapılardır. Ancak sinir
hücrelerinin bir araya gelmesi rastgele olmaz.
YAPAY SİNİR AĞLARININ YAPISI

Yapay Sinir Ağları

Yapay sinir ağları hücrelerin bir birleri ile çeşitli şekillerde
bağlanmalarından oluşur.
 YAPAY SİNİR AĞLARININ YAPISI
• Giriş Katmanı
-Yapay sinir ağına dış dünyadan girdilerin geldiği katmandır. Bu katmanda, girdi sayısı
kadar hücre bulunmaktadır ve girdiler herhangi bir işleme uğramadan gizli katmana
iletilirler.

• Gizli Katmanlar
-Giriş katmanından aldığı bilgiyi işleyerek bir sonraki katmana iletir. Gizli katman sayısı ve
gizli katmandaki hücre sayısı ağdan ağa değişebilir. Gizli katmanlardaki hücre sayıları,
girdi ve çıktı sayılarından bağımsızdır.

• Çıkış Katmanı
-Gizli katmandan gelen bilgiyi işler ve giriş katmanına gelen girdiye uygun olarak üretilen
çıktıyı dış dünyaya gönderir. Çıkış katmanındaki hücre sayısı birden büyük olabilir. Her bir
çıkış hücresinin bir adet çıktısı vardır. Her bir hücre bir önceki katmandaki bütün
hücrelere bağlıdır.
YAPAY SİNİR AĞLARININ SINIFLANDIRILMASI

Yapılarına Göre

 İleri Beslemeli
• Hücreler, girişten çıkışa doğru düzenli katmanlar şeklindedir. Ağa gelen bilgiler giriş
katmanına daha sonra sırasıyla gizli katmanlardan ve çıkış katmanından işlenerek
geçer ve sonra dış dünyaya çıkar.

 Geri Beslemeli
• Bir hücrenin çıktısı sadece kendinden sonra gelen katmana girdi olarak verilmez.
Kendinden önceki katmanda veya kendi katmanında bulunan herhangi bir hücreye
girdi olarak verilebilir .
İLERİ BESLEMELİ AĞ MİMARİSİ
İLERİ BESLEMELİ AĞ MİMARİSİ
İşlem girişlerden çıkışlara doğru ilerler.

Çıkış değerleri öğreticiden alınan istenen çıkış değerleri ile

karşılaştırılır ve bir hata sinyali elde edilerek ağ ağırlıkları
güncellenir.

İleri beslemeli yapay sinir ağlarında gecikmeler yoktur. Kendi

aralarında:
• Tek katmanlı ileri beslemeli ağlar
• Çok katmanlı ileri beslemeli ağlar olarak ayrılırlar.
ÇOK KATMANLI İLERİ BESLEMELİ AĞ MİMARİSİ

Girdi katmanı dış ortamlardan aldığı bilgileri hiçbir değişikliğe

uğratmadan orta (gizli) katmandaki hücrelere iletir.

Bilgi, orta ve çıkış katmanında işlenerek ağ çıkışı belirlenir.

Çok katmanlı ağlar tek katmanlı ağlara göre daha karmaşık

problemlerin çözümünde kullanılırlar.

Çok katmanlı ağların eğitilmesi zordur.

GERİ BESLEMELİ AĞ MİMARİSİ

Çıkışlar

Girişler Z-1 : gecikme operatörü

 GERİ BESLEMELİ AĞ MİMARİSİ

Geri beslemeli sinir ağı, ileri beslemeli bir ağın çıkışlarının

girişlere bağlanması ile elde edilir.

Geri beslemeli sinir ağlarında gecikmeler vardır.

Geri beslemeli sinir ağları, hücreler arası veya katmanlar arası

geri besleme yapılış şekline göre farklı isimlerle söylenir.
• Tam geri beslemeli ağlar
• Kısmi geri beslemeli ağlar
YAPAY SİNİR AĞLARININ SINIFLANDIRILMASI

Öğrenme Algoritmalarına Göre

 Danışmanlı Öğrenme

 Danışmansız Öğrenme

 Takviyeli Öğrenme

 Karma Öğrenme
Danışmanlı (Supervised) Öğrenme

Eğitim sırasında sisteme bir girdi ve bir hedef çıktı

vektörlerinin çift olarak verilmesi ve bunlara göre sistemdeki
ağırlık değerlerinin güncellenmesi ve değiştirilmesi yapılır.

Yapay sinir ağlarının eğitilmesinde kullanılan hedef çıktı 1

veya 0 olabileceği gibi bir örüntü de olabilir.
Danışmanlı (Supervised) Öğrenme
Danışmansız Öğrenme
Bu sistemlerde, bir grup girdi vektörü sisteme verilir, ancak
hedef çıktılar belirtilmez.

Sistem girdiler içerisinde birbirine en çok benzeyenleri

gruplar ve her bir grup için farklı bir örüntü tanımlar.

Özdüzenlemeli özellik haritaları bu yöntemi kullanarak

sınıflama işlemini yerine getirir.
Danışmansız Öğrenme
Bu Grossberg tarafından geliştirilen ART (Adaptive Resonance
Theory) veya Kohonen tarafından geliştirilen SOM(Self
Organizing Map) öğrenme kuralı danışmansız öğrenmeye
örnek olarak verilebilir.

Danışmansız Öğrenme Yapısı

Takviyeli Öğrenme
Bu öğrenme kuralı danışmanlı öğrenmeye yakın bir
metotdur.

Hedef çıktıyı vermek için bir “öğretmen” yerine, burada

yapay sinir ağına bir çıkış verilmemekte fakat elde
edilen çıkışın verilen girişe karşılık iyiliğini değerlendiren
bir kriter kullanılmaktadır.
Takviyeli Öğrenme
Takviyeli öğrenmede, ağın davranışlarının uygun olup
olmadığını belirten bir özyetenek bilgisine ihtiyaç
duyulur.

Bu bilgiye göre ağırlıklar ayarlanır.

Gerçek zamanda öğrenme olup, deneme-yanılma

esasına göre sinir ağı eğitilmektedir.
Takviyeli Öğrenme
Optimizasyon problemlerini çözmek için Hinton ve
Sejnowski’nin geliştirdiği Boltzman Kuralı veya Genetik
Algoritmalar takviyeli öğrenmeye örnek olarak
verilebilir.

Takviyeli Öğrenme Yapısı

Karma Öğrenme

Danışmanlı, danışmansız veya takviyeli öğrenme

stratejilerinden birkaçını birlikte kullanarak geliştirilen
yapıdır.

Radial Tabanlı (Radial Basis Network) ağlar ve Olasılık

Tabanlı (Probabilistic Neural Network) ağlar bunlara
örnek olarak verilebilir.
Öğrenme Kuralları
Çevrimiçi (On-line) Öğrenme Kuralları:
Bu kurallara göre öğrenen
sistemler gerçek zamanda çalışırken bir taraftan
fonksiyonlarını yerine getirmekte diğer taraftan ise öğrenmeye
devam etmektedir. (ART ve Kohonen öğrenme kuralı bu sınıfa
girmektedir.
Çevrimdışı (Off-line) Öğrenme Kuralları:
Bu kuralları kullanan
sistemler eğitildikten sonra gerçek hayatta kullanıma
alındığında artık öğrenme olmamaktadır. Sistemin öğrenmesi
gereken yeni bilgiler söz konusu olduğunda sistem
kullanımdan çıkarılmakta ve çevrimdışı olarak yeniden
eğitilmektedir.
Öğrenme Algoritmaları
 YSA’NIN ÇALIŞMA YAPISI
• Örneklerin belirlenmesi

• Ağın topolojisinin belirlenmesi

-Girdi ve çıktı sayısının belirlenmesi

• Ağın öğrenme parametrelerinin belirlenmesi

-Öğrenme katsayısı ve sabitlerin belirlenmesi

• Ağın başlangıç değerlerinin atanması

• Epoch sayısı kadar

-Eğitim setindeki tüm örnekler için
• Örnek ağa gösterilir
• Hatanın hesaplanması
• Bulunan hataya göre ağırlıkların güncellenmesi
• Sistemin toplam hatası hesaplanır.
YSA’NIN EĞİTİMİ

YSA’da hücre elemanlarının bağlantılarının ağırlık

değerlerinin belirlenmesi işlemine “ağın eğitilmesi”
denir.

Başlangıçta bu ağırlık değerleri rastgele alınır.

YSA’lar, kendilerine örnekler gösterildikçe bu ağırlık

değerlerini yenileyerek amaca ulaşmaya çalışırlar.
YSA’NIN EĞİTİMİ

Amaca ulaşmanın veya yaklaşmanın ölçüsü de yine

dışarıdan verilen bir değerdir.

Eğer yapay sinir ağı verilen giriş-çıkış çiftleriyle amaca

ulaşmış ise ağırlık değerleri saklanır.

Ağırlıkların sürekli yenilenip istenilen sonuca ulaşılana

kadar geçen zamana “öğrenme” denir.

Ağırlık değerlerinin değişmesi belirli kurallara göre

yürütülmektedir. Bu kurallara “öğrenme kuralları” denir.
YSA’NIN EĞİTİMİ

Yapay sinir ağı öğrendikten sonra daha önce verilmeyen

girişler uygulanarak ağ çıkışları gözlemlenir.

Genelde eldeki örneklerin %80’i ağa verilip ağ eğitilir.

Daha sonra geri kalan %20’lik kısım verilip ağın
davranışları incelenir ve bu işleme “ağın test edilmesi”
denir.

Eğitimde kullanılan örnekler setine “eğitim seti”, test için

kullanılan sete ise “test seti” denir.
Nöral hesaplama için mühendislik yaklaşımları ...

• YSA teknikleri her problem için uygun mu?

• Problemin çözümü tek mi?

• Duruma uygun YSA yapıları geliştirilebilir mi?

• Çözüm prosedürünün hesaplama kompleksliği nedir?

 Tasarım sırasında ......

• Ağ istendiği gibi eğitilebilir mi?

• Problemde çözümü imkansız kılan belirsizlikler var mı?

• Uygun ağ yapısı veya topolojisi nedir?

• Ağı gerçeklemek ve eğitmek için ne çeşit hesaplama kaynakları mevcut (zaman,

depolama, hafıza, işlemci)?