SavedAdd your journal

Journals / Bilgisayar Bilimleri / 2020 / Cilt: 5 - Sayı: 2

Yapay Sinir Ağları Eğitiminde Kullanılan Optimizasyon Yöntemlerinin İncelenmesi ve Kan Nakli Hizmet Merkezi Veri Seti Üzerinden Değerlendirilmesi

Mustafa KAYTAN
Celaleddin YEROĞLU
İbrahim Berkan AYDİLEK
Pages
99–113
Publication Date
2020-12-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan deneylerin sonuçlarında sinir ağı başarımının arttığı görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yapay Sinir Ağları (YSA) makine öğrenmesi gibi birçok uygulama alanında yaygın şekilde kullanılan bir yöntemdir.
📊
Key Findings & Data:YSA’da ağın eğitilmesi için ağırlık değerlerinin güncellenmesi ve optimize edilmesi gerekmektedir.
💡
Conclusion & Impact:Yapılan deneylerin sonuçlarında sinir ağı başarımının arttığı görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:YSA · sinir ağı parametreleri · ağ optimizasyonu

Özet

Yapay Sinir Ağları (YSA) makine öğrenmesi gibi birçok uygulama alanında yaygın şekilde kullanılan bir yöntemdir. YSA’da ağın eğitilmesi için ağırlık değerlerinin güncellenmesi ve optimize edilmesi gerekmektedir. Ağırlık değerlerinin optimizasyonunda ağın başarımı yani öğrenme başarısı kullanılan eğitim yöntemi ve öğrenme sürecine bağlıdır. Bu çalışmanın amacı biyolojik sinir ağlarının çalışma şeklinden yola çıkılarak oluşturulan YSA’ların farklı teknikler ile nasıl optimize edildiğini araştırmaktır. Bununla ilgili olarak çeşitli çalışmalar incelenmiştir. Elde edilen sonuçlar, YSA’ların metasezgisel, karma ve özel yöntemlerle optimize edilebildiğini göstermiştir. Bu alanda disiplinler arası çalışmaların da yapıldığı görülmüştür. Bu çalışma kapsamında sinir ağlarını optimize etmek için kullanılan yöntemlerden birisi olan istatistiksel veya deneysel yöntemler uygulanmıştır. Bunun için sinir ağı parametrelerinden batch boyutu, devir sayısı, öğrenme oranı, momentum, ağırlık başlatma, nöron aktivasyon fonksiyonu, gizli katmandaki nöron sayısı kullanılarak 5 farklı deney yapılmıştır. Yapılan deneylerin sonuçlarında sinir ağı başarımının arttığı görülmüştür.

🔖

Cite This Article

KAYTAN, M., YEROĞLU, C., AYDİLEK, İ. B. (2020). Yapay Sinir Ağları Eğitiminde Kullanılan Optimizasyon Yöntemlerinin İncelenmesi ve Kan Nakli Hizmet Merkezi Veri Seti Üzerinden Değerlendirilmesi. Bilgisayar Bilimleri, Cilt: 5 - Sayı: 2, 99–113. https://ajindex.com/articles/743207

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Yang S, Chen Y. “An evolutionary constructive and pruning algorithm for artificial neural networks and its prediction applications”. Neurocomputing, 86, 140-149, 2012.
  2. Kaytan M, Hanbay D. “Effective Classification of Phishing Web Pages Based on New Rules by Using Extreme Learning Machines”. Journal of Computer Sciences, 2(1), 15-36, 2017.
  3. Aydilek İB, Aslan A. “A Novel Hybrid Approach to Estimating Missing Values in Databases Using K-Nearest Neighbors and Neural Networks”. International Journal of Innovative Computing, Information and Control, 8(7(A)), 4705-4717, 2012.
  4. Prieto A, Prieto B, Ortigosa EM, Ros E, Pelayo F, Ortega J, Rojas I. “Neural networks: An overview of early research, current frameworks and new challenges”. Neurocomputing, 214, 242-268, 2016.
  5. Benardos PG, Vosniakos GC. “Optimizing feedforward artificial neural network architecture”. Engineering Applications of Artificial Intelligence, 20(3), 365-382, 2007.
  6. Soltoggio A, Stanley KO, Risi S. “Born to learn: The inspiration, progress, and future of evolved plastic artificial neural networks”. Neural Networks, 108, 48-67, 2018.
  7. Barrett DG, Morcos AS, Macke JH. “Analyzing biological and artificial neural networks: challenges with opportunities for synergy?”. Current Opinion in Neurobiology, 55, 55-64, 2019.
  8. Abiodun OI, Jantan A, Omolara AE, Dada KV, Mohamed NA, Arshad H. “State-of-the-art in artificial neural network applications: A survey”. Heliyon, 4(11), 1-41, 2018.
  9. Tavanaei A, Ghodrati M, Kheradpisheh SR, Masquelier T, Maida A. “Deep learning in spiking neural networks”. Neural Networks, 111, 47-63, 2019.
  10. Yang HH, Murata M, Amari S. “Statistical inference: learning in artificial neural networks”. Trends in Cognitive Sciences, 2(1), 4-10, 1998.
  11. Schmidhuber J. “Deep learning in neural networks: An overview”. Neural Networks, 61, 85-117, 2015.
  12. Paliwal M, Kumar UA. “Neural networks and statistical techniques: A review of applications”. Expert Systems with Applications, 36(1), 2-17, 2009.
  13. Whittington JCR, Bogacz R. “Theories of Error Back-Propagation in the Brain”. Trends in Cognitive Sciences, 23(3), 235-250, 2019.
  14. Lampinen J, Vehtari A. “Bayesian approach for neural networks—review and case studies”. Neural Networks, 14(3), 257-274, 2001.
  15. Tsoi AC, Back A. “Discrete time recurrent neural network architectures: A unifying review”. Neurocomputing, 15(3-4), 183-223, 1997.
  16. Heo S, Lee JH. “Parallel neural networks for improved nonlinear principal component analysis”. Computers & Chemical Engineering,