2. 聴巽erik
YSA ile Modelleme
Fann ve FannTool
Veriler ve YSA aktar脹m脹
YSA n脹n Dizayn脹
Eitimi
Sonu巽
3. YSA ile Modelleme
Girdi ve 脹kt脹 eklinde tan脹ml脹yabileceimiz her
t端r sistemi, yeterli veri de varsa modeleyebiliriz
4. rnek Modellemeler
Otomobil Motoru Ateleme Sistemi (Aston Martin
Finansal Portf旦y Optimizasyonu
D旦viz Pariteleri Tahmini
Dudak okuma ( neural speechreading system )
Tavla Oynamak ( TD-Gammon )
聴naat Maliyet Hesab脹
Sinema filmi Has脹lat Tahmini ( Epagogix )
Deprem Tahmin Sistemi
5. FANN Nedir
FANN Fast Artifical Neural Network,
Yapay Sinir A脹 k端t端phanesidir.
Cross-platform ( Windows, Linux,... )
Lisans脹 ( LGPL ) ticari uygulamaya uygun
Pek 巽ok dilden 巽a脹rlabiliyor ( C#, Java, Python,
PERL, PHP,... )
7. Veriler
I Tip II Tip III Tip
10 Var A
12,5 Yok B
18 Var C
17 Var A
18 Var A
3 Yok C
8 Yok B
Yeterli say脹da ve 巽eitlilikte Veri toplan脹r
YSA , ( 0 , 1 ) yada (-1 , 1) aral脹脹ndaki verileri
kabuleder. Gereken 巽evrimler yap脹l脹r
Veriler Eitim ve Test i巽in ikiye ayr脹l脹r
8. YSA'ya aktar脹m脹
1. Tip : Belli bir aral脹ktaki deiik deerlerde
s端reklilik g旦steren Say脹sal Deerler ,
l巽eklendirmeyle aktar脹l脹r (min->0 , max-> 1 )
2. Tip : Mant脹ksal bir deer ta脹yan deikenler,
Var = 1 Yok = 0 eklinde
3. Tip : Belli say脹daki kategorik deerler i巽eren
deikenler her katagori i巽in bir Mant脹ksal alan
oluturularak aktar脹l脹r.
A = 1 0 0
B = 0 1 0
C = 0 0 1
12. Ezberci Eitimin Zararlar脹 !
Eitim versiyle m端kemmel sonu巽 verirken Test
verilerinde kabul edilemez hata d端zeylerinde kal脹r
FannTool'un OCS sistemi var