neural network

• beynin icindeki sinir agina verilen ingilizce isim.. ayni zamanda "ogrenebilme" yetengine sahip bir problem cozum modeli..
• ogrenme algoritmaları (yapay) sinir aglarinin sadece bir kismidir. bunun yaninda architecture ve aktivasyon fonksiyonu da bu sistemleri belirleyen unsurlardandır. genelde pattern recognition, voice recognition, fingerprint (yine) recognition vs. alanlarla kullanılmaktadır.
• sembolik yapay zekaya alternatif olarak gorulen bir sorun cozme yontemi.
  
  yapay zeka yonteminin sembolik yapisi buyuk problemlerin cozumunde kifayetsiz kalinca neural networks yandaslarinin sayisini artmistir. 'neden sirali islemlerde bilgisayar insan beynine bes cekerken, en basit bir imge tanima olayinda insan beyninin milyonda biri kabiliyet gosteremiyor?' sorusu sorulmus ve cevap noronlarin bilgiyi saklama ve iletme yonteminde aranmistir. noronlarin birbirlerine olan etkilerinin sistemin girdi ve ciktilarindan yola cikilarak belirlenmesi neural networksu 'ogrenir' yapar. paralel programlamayla da arasinin iyi olmasi neural networksun cazibesini artirir.
• (bkz: gnod)
• genelde lineer ya da yari lineer yontemler kullanarak lineer olmayan kategori ayrimlarina da bu sistemle gidilebildigindan ayrica basarilidir. netekim hakkaten de bakiniz (bkz: threshold logic unit)
• zamanla pek çok problemin çözümünde ve klasik manada algoritmik çözümü bulunamamış işlerin çözümlenmesinde çok yaygın olarak kullanılacaklarını söyleyenen olgu.en büyük problem karmaşık sorunları çözmek için ya çok büyük, ya da çok katmanlı ve çok nöron içeren sinir ağlarına ihtiyaç olmasıdır.
  yapay sinir ağları (ysa) çeşitli bağlantılarla birbirine bağlı birimlerden oluşmuş sistemlerdir. her birim basitleştirilmiş bir nöronun niteliklerini taşır. sinir ağları sinir sisteminin parçalarının benzetimini yapmakta, faydalı cihazlar yapmakta ve beynin işleyişine ilişkin genel kuramları sınamakta kullanılır. sinirsel ağ içindeki birimler, her birinin belli işlevi olan katmanlar şeklinde örgütlenmiştir, bu yapıya yapay sinir ağı mimarisi denir.
  
  ysa’ların bağlantı, katman ve düğüm sayılarının çokluğu temsil edebilecekleri sistemin karmaşıklığını belirler. ne kadar çok düğüm varsa o kadar karmaşık (gelişmiş) sistemler modellenebilir. bu özellikleri ile ysa’lar klasik algoritmik yöntemlerle çözülemeyen problemleri insan beyninin çalışma sistemine benzer yöntemlerle çözmektedirler. ancak bir ysa’nın kesinlikle (%100) doğru çalışacağı hiçbir zaman söylenemez. çünkü o da insan beyni gibi her zaman için hata yapabilir. -tabii aslında içerden baktığımızda, kendi çalışma mantığı açısından, hata yapmamıştır. sadece dışardan bakan birisi için beklenen sonuçtan farklı bir sonuç üretmiştir.- ysa’lar günümüzde özellikle yapay zeka alanı içerisinde örneğin insan sesi tanıma, görüntü ve örüntü (patern) tanıma, sınıflandırma (classification) gibi uygulama alanlarına sahiptirler.
• (bkz: data mining)
• yapay zeka'nın bir alt dalıdır.
• sınıflandırma alanındaki uygulamalarından biri de bankaların kredi müşterilerini sınıflandırma modeli olarak kullanımıdır. müşterinin kredi talebi anındaki bilgilerine bakarak, ilerideki dönemde kredisini batırıp batırmayacağı yönünde bir tahminde bulunan bir model geliştirme amacı olarak, lojistik regresyon veya diskriminant analizi tekniklerine alternatif oluşturur. ancak, lojistik regresyonda olduğu gibi, katsayıların bir anlamlılık sınaması olmaması, yöntemin bir dezavantajı olarak görülür.
  uygulamacılar için matlab programı oldukça kullanıcı dostu bir toolbox'a sahiptir.
• curve fitting dalinda etkili oldugu soylenen bir algoritmalar dizisi.