Your Welcome to Borsa Okulu
Nick:  
Pass:     
Kayıt Ol Yardım Üye Listesi Yeni Mesajlara Bak Bugünkü Mesajlara Bak

Yeni Cevap 
Bayes Karar Modeli
Yazar Mesaj
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #31
RE: Bayes Karar Modeli
2.3.5.3. Bağıl Güç Endeksi (Relative Strength Index – RSI)
2.3.5.3.1. RSI’ın Tanımı ve Hesaplanması


1978 yılında J. Welles Wilder tarafından bulunan RSI, en popüler ve en çok
kullanılan teknik analiz metotlardan biridir. Bir menkul kıymetteki fazla-alım ve
fazla-satım noktalarını görebilmek için kullanılır. RSI, 0 ile 100 arasında hareket
eden bir göstergedir ve analistlerin, bir menkul kıymetin o anki fiyat seviyesinin
makul sebeplerden olup olmadığını ve yakında ters yönde bir trendin olusma
ihtimalini analiz etmelerine yardımcı olur. RSI, iki ayrı hisse senedinin göreceli
gücünü değil, tek bir hisse senedinin kendi iç gücünü ifade eder [21].
Wilder’in da isaret ettiği gibi, bir momentum çizgisinin çizilmesindeki iki ana
sorundan bir tanesi, değerlerdeki keskin değisikliklerin yol açtığı kararsız
hareketlerdir. 10 gün öncesine göre (10 günlük momentum çizgisi durumunda)
keskin bir yukarı ya da asağı hareket, fiyatlar küçük bir değisiklik gösterse dahi,
momentum çizgisinin ani bir değisimine neden olabilir. Dolayısıyla bu değisiklikleri
en aza indirebilmek için bazı düzlestirme islemleri gereklidir. Đkinci sorun,
karsılastırma amacı için sabit bantlara olan gereksinmedir. RSI formülü, yalnızca
gerekli olan düzlestirmeyi sağlamakla kalmaz aynı zamanda, 0'dan 100'e uzanan
sabit bir düsey aralık yaratarak ikinci sorunu da çözer [22].
RSI su sekilde hesaplanır:
02-02-2013 04:01 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #32
RE: Bayes Karar Modeli
2.3.5.3.1. RSI’ın Yorumlanması
Wilder, RSI’ı ortaya attığında 14 günlük RSI kullanılmasını önermesine rağmen, 9
günlük ve 25 günlük RSI hesapları da oldukça yaygın olarak kullanılmaktadır. Bunu
sebebi, RSI hesaplamasında zaman periyodunun istendiği gibi değistirebilmesidir.
Analistler, kendi tecrübelerine dayanarak en iyi çalısan zaman periyodunu
seçmektedirler. Ancak su bilinmelidir ki, baz alınan zaman ne kadar kısa olursa,
indikatör de o kadar esnek olur.
RSI’ın genel kabul gören yorumlama yöntemlerinden biri, uyumsuzluklara
bakmaktır. Fiyatlar yukarı giderken ve yeni zirveler yaparken, göstergenin önceki zirvelerini geçememesi bir uyumsuzluktur. Bu uyumsuzluk, güç kaybının ve bir geri
dönüs olabileceğinin belirtisidir. RSI 0 ile 100 arasında salınan bir fiyat izleme
göstergedir. Bir menkul kıymet için RSI çizgisi çizildiğinde, asağıdaki maddeler bu
sekil üzerinde görülebilmektedir [16]:
02-02-2013 04:01 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #33
RE: Bayes Karar Modeli
Tepeler ve Dipler: RSI genellikle 70'in üzerinde tepeler, 30'un altında dipler
yapar ve bu tepe ve dipleri genellikle fiyatlardan daha erken yapar.
· Formasyonlar: RSI grafiği üzerinde de, fiyat grafiğinde olduğu gibi
biçimlenmeler olusur (omuz-bas-omuz veya takoz biçimlenmeleri v.b. gibi).
Bu biçimlenmeler bazen fiyat grafiği üzerinde belirgin olarak görülmeyebilir.
Ama bu yanıltıcı olmamalı, gösterge grafiğinde olusan formasyonlar da
izlenip, dikkate alınmalıdır.
· Hatalı Salınımlar: Bu olay RSI önceki tepesini astığı veya önceki dip
noktasının altına düstüğü zamanlarda olabilir. Bir süre sonra, gösterge düzelir
ve normal seyrine devam eder.
· Destek ve Dirençler: RSI grafiğinde de, destek ve direnç hatları olusur hatta
bazen direnç ve destekleri fiyat grafiğinden çok daha net gösterir.

RSI, 0'dan 100'e uzanan düsey bir ölçek üzerine çizilir. 70 çizgisinin üzerindeki
değerler asırı-alım, 30 çizgisinin altındaki değerler asırı-satım durumu olarak
değerlendirilir. Wilder’ın "eksik salınım" olarak adlandırdığı salınımlar, RSI 70'in
üzerinde ya da 30'un altında iken ortaya çıkar.
Bir yukarı yönde trendde tepedeki bir eksik salınım, RSI’ın son tepesinin (70'in
üzerinde), bir önceki tepesini geçememesiyle ve bunun arkasından bir önceki tabanın
asağıya doğru kırılmasıyla ortaya çıkmıs olur. Bir asağı trendde tabandaki bir
basarısız salınım, RSI’ın son tabanının (30'un altında), yeni bir düsük değere
ulasamaması ve arkasından bir önceki tepeyi geçmesiyle ortaya çıkmıs olur.
Wilder’ın "eksik salınım" ve "basarısız salınım" olarak adlandırdığı hareketler,
"uyumsuzluk" ilkesinden baska bir sey değildir. RSI ve fiyat çizgisi arasındaki
uyumsuzluk (RSI 70'in üzerinde ya da 30'un altında olduğu zaman), dikkat edilmesi
gereken çok ciddi bir uyarıdır. RSI, 70in üzerindeyken, piyasada satıcıların çok fazla
olduğu ve menkul kıymetin yakında düseceğinin sinyalini verir. Tersi durumda ise
RSI, yani 30un altındayken, piyasada alıcıların çok olduğunu ve menkul kıymetin
yakında yükselise geçeceğinin sinyalini verir.
Destek ve direnç düzeylerinin yanında, RSI çizgisinde değisik fiyat modelleri de
ortaya çıkar. RSI’ın trendindeki değisikleri belirleyebilmek için trend-çizgisi
analizleri de kullanılabilir
02-02-2013 04:01 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #34
RE: Bayes Karar Modeli
2.3.5.4. Bollinger Bantları (Bollinger Bands – BB)


2.3.5.4.1. BB’nin Tanımı ve Hesaplanması

1980 yılında, John Bollinger tarafından bulunan BB, daha önce anlatılan teknikler
kadar olmasa da sık kullanılan tekniklerden biridir. BB, hareketli ortalamanın yukarı
ve asağı yönde standart sapma değeri kadar kaydırılması ile elde edilir ve 3 parçadan
olusur [24]:

· N-periyotluk SMA olarak çizilen orta bant
· Orta banttan K kadar yüksekte ve N-periyotluk bir üst bant
· Orta banttan K kadar asağıda ve N-periyotluk bir alt bant
Genellikle, N değeri 20 ve K değeri de 2 olarak alınır ancak analistlere göre bu
değerler değisiklikler gösterebilir. Standart sapma piyasanın hareketliliğinin
göstergesi olduğu için BB hareketliliğe göre kendini ayarlar. Yani, hareketli
piyasalarda genisleyip, durgun piyasalarda ise daralırlar. BB’nin temel yorumlanısı,
piyasanın üst ve alt bantlar içerisinde kalacağı seklindedir [25].
BB veya bir baska deyisle alım-satım kanalları, istenen gün sayısı kadar, gün
içindeki maksimum, minimum ve kapanıs değerlerinin üssel ortalamasından
hesaplanır. Tavsiye edilen gün sayısı kısa veya orta vade için 14 veya 20 gündür.
Alt ve üst kanallar, bu ortalamanın standart sapmasının asağı veya yukarı belli
katsayılarla çarpılması ile elde edilir:

· Yatay trendde; Alt Bant=2 / Üst Bant=2,
· Alçalan trendde; Alt Bant=3 / Üst Bant=2,
· Yükselen trendde; Alt Bant=2 / Üst Bant=3
olarak alınabilir.
Asağıdaki sekilde, bir menkul kıymet için olusturulmus Bollinger Bantları
görülmektedir:
02-02-2013 04:01 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #35
RE: Bayes Karar Modeli
2.3.5.4.2. BB’nin Yorumlanması
Hareketliliğin azaldığı ve dolayısıyla bantların daraldığı dönemlerin ardından hızlı
fiyat değisiklikleri görülebilir. Fiyatlar bantların dısına çıktığı zaman, mevcut trendin
devam edeceği kabul edilebilir. Bantların içinde gerçeklesen dip ve tepe noktalarının
ardından bantların dısında olusacak dip ve tepe noktaları mevcut trendin yön
değistirebileceğinin habercisi olabilir. Bir banttan baslayan hareketlenmenin öbür
banda kadar devam etme eğilimi vardır. Bu gözlem fiyat hedefleri belirlemede
yardımcı olabilmektedir [26].
Alım-Satımda fiyat grafiğinin trendine göre;
· Yatay trendde; alt bandın fiyat grafiğini kesmesi Al, üst bandı kesmesi Sat
sinyali verir.
· Alçalan trendde; orta bandın fiyat grafiğini kesmesi Sat, alt bandı kesmesi
veya geçmesi Al sinyali verir.
· Yükselen trendde; orta bandın fiyat grafiğini kesmesi Al, üst bandı kesmesi
veya geçmesi Sat sinyali verir.
Asağıdaki sekilde, olusturulan Bollinger Bantlarına göre olusabilecek AL ve SAT
sinyalleri görülmektedir:
02-02-2013 04:02 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #36
RE: Bayes Karar Modeli
2.3.6. Teknik Analiz ile Borsa Tahmini Yapılan Çalısmalar
Teknik analizi kullanarak borsa tahmininde bulunmaya çalısan birçok yatırımcı ve
analist bulunmaktadır. Bunlardan en önemlileri söyledir:
Brown ve Jennings [82], fiyatların her seyi tam olarak yansıtmadığı ve yatırımcıların
fiyat ve teknik sinyaller arasında pozitif bir iliski olduğunu varsaydıkları durumlarda
teknik analiz kullanmanın yararlı olduklarını göstermislerdir.
Jin Li ve Edward Tsang [27], 1999 yılında yaptıkları çalısmada, teknik analiz
yöntemlerini kullanarak, Standart&Poor 500 (S&P500) endeksini tahmin etmeye
çalısmıslardır. Li ve Tsang, SMA ve RSI gibi teknik analiz yöntemlerini genetik
algoritma ile birlestirerek kurallar olusturmuslar ve bu kurallar üzerinden yaptıkları
tahminlerde de gayet basarılı sonuçlar elde etmislerdir.
Neftci [83] ise teknik analizde yer alan birkaç kural kullanıldığı zaman, tahmin
uygulaması çalısmalarında iyi sonuçlar ortaya çıktığını; ancak eğer ekonomik zaman
serisi Gauss dağılımında ise bu iyi tanımlanmıs kuralların bir ise yaramadığını
göstermistir. Neftci’ye göre yine de, eğer planların uygulaması doğrusal olmayacak
ise, bu Gauss dağılımındaki zaman serisinden bir miktar bilgi edilebilmesi
mümkündür. Bu durum da daha çok hareketli ortalamalar için geçerlidir.
Taylor ve diğerleri [84], 1988 yılında Londra’daki döviz islemcileri arasında yaptığı
bir arastırma sonucunda görmüslerdir ki bu islem yapan insanların yüzde 90lık bir
kısmı teknik analiz kullanmaktadır. Ayrıca, temel analiz kullananlar arasında da,
teknik analize doğru bir kayma olduğu gözlemlenmistir.
Brock ve diğerlerinin çalısmasında [85] 26 teknik analiz kuralı, DJIA’nın 1987’ye
kadarki 90 yıllık verisi üzerinden analiz edilmistir. Bu çalısmaya göre bu teknik
analiz kuralları ile çalısıldığında, piyasaya göre daha basarılı sonuçlar elde edildiği
görülmüstür.
Blume ve O’Hara [86], fiyatın bir parçası olan kaliteli bilginin islem hacmi
tarafından sağlandığını göstermislerdir. Ayrıca, piyasa istatistiği içinde yer alan bilgi
kullanan analistlerin ve yatırımcıların, bilgi kullanmayanlara göre daha basarılı
oldukları ortaya çıkmıstır.
Neely ve diğerleri [87], teknik kuralları bulabilmek için genetik algoritmalar
kullanmıslar ve 1981 – 1985 arasındaki her bir döviz oranı için, bu kuralı kullanan
kisilerin önemli miktarda kazanç sağladığını göstermislerdir.
Lui ve Moole [88], 1995 Subatında Hong Kong’taki dövizciler arasında, temel ve
teknik analiz hakkında yaptıkları bir anket arastırması sonucunda, bu dövizcilerin
%85lik kısmının her iki modele de güvendiklerini ve teknik analizin kısa vadede
daha popüler olduğunu göstermislerdir.
LeBaron [89] göstermistir ki, döviz piyasasın teknik analiz kullanmak iyi sonuçlar
vermektedir. Ancak, Merkez Bankası’nın aktif olmadığı dönemler sistemden
çıkartıldığı zaman, tahmin oranları büyük oranda düsmüstür.
Lo ve diğerleri [90], 1962den 1996ya kadarki 31 yıllık veriye teknik analiz
teknikleri uygulandığında, yeni bilgilerin elde edildiğini ve bu bilgilerin de değerli
olduklarını göstermislerdir. Lee ve Swaminathan [91] geçmis islem hacminin önemini gösteren bir çalısma
yapmıslardır.
Neely ve Weller [92] genetik program kullanarak, Amerikan döviz borsasının
müdahale altında iken, teknik analiz ile güzel sonuçlar verdiğini göstermislerdir.
02-02-2013 04:02 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #37
RE: Bayes Karar Modeli
2.4. Yapay Sinir Ağları
2.4.1 Biyolojik Sinir Ağları

Biyolojik sinir sistemi, merkezinde sürekli olarak bilgiyi alan, yorumlayan ve uygun
bir karar üreten beynin (merkezi sinir ağı) bulunduğu 3 katmanlı bir sistem olarak
açıklanır. Alıcı sinirler organizma içerisinden ya da dıs ortamlardan algıladıkları
uyarıları, beyine bilgi ileten elektriksel sinyallere dönüstürür. Tepki sinirleri ise,
beyinin ürettiği elektriksel darbeleri organizma çıktısı olarak uygun tepkilere
dönüstürür [32], [44].

Sekil 2.13 de bir sinir sisteminin blok gösterimi verilmistir:




Merkezi sinir ağında bilgiler alıcı ve tepki sinirleri arasında ileri ve geri besleme
yönünde değerlendirilerek uygun tepkiler üretilir. Bu yönüyle biyolojik sinir sistemi,
kapalı çevrim denetim sisteminin karakteristiklerini tasır. Merkezi sinir sisteminin
temel islem elemanı, sinir hücresidir (nöron) ve insan beyninde yaklasık 10 milyar
sinir hücresi olduğu tahmin edilmektedir. Sinir hücresi; hücre gövdesi, dendritler ve
axonlar olmak üzere 3 bilesenden meydana gelir. Dendritler, diğer hücrelerden aldığı
bilgileri hücre gövdesine bir ağaç yapısı seklinde ince yollarla iletir. Axonlar ise
elektriksel darbeler seklindeki bilgiyi hücreden dısarı tasıyan daha uzun bir yoldur.
Axonların bitimi, ince yollara ayrılabilir ve bu yollar, diğer hücreler için dendritleri
olusturur
02-02-2013 04:02 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #38
RE: Bayes Karar Modeli
2.4.2. YSA’nın Tanımı
Đlk olarak ünlü matematikçi Alan Tuning tarafından 1948 yılında ortaya atılan YSA
kavramı, basit biyolojik sinir sisteminin çalısma sekli simüle edilerek tasarlanan
programlama yaklasımıdır [29], [30]. YSA, bir insanın düsünme ve gözlemlemeye
yönelik doğal yeteneklerini gerektiren problemlere çözüm üretmektedir. Bir insanın,
düsünme ve gözlemleme yeteneklerini gerektiren problemlere yönelik çözümler
üretebilmesinin temel sebebi ise insan beyninin, dolayısıyla da insanın sahip olduğu,
yasayarak veya deneyerek öğrenme yeteneğidir [28].
Beynin üstün özellikleri, bilim adamlarını üzerinde çalısmaya zorlamıs ve beynin
nörofiziksel yapısından esinlenerek matematiksel modeli çıkarılmaya çalısılmıstır.
Beynin bütün davranıslarını tam olarak modelleyebilmek için fiziksel bilesenlerinin
doğru olarak modellenmesi gerektiği düsüncesi ile çesitli yapay hücre ve ağ
modelleri gelistirilmistir. Böylece Yapay Sinir Ağları denen, yeni ve günümüz
bilgisayarlarının algoritmik hesaplama yönteminden farklı bir bilim alanı ortaya çıkmıstır.
Yapay sinir ağları; yapısı, bilgi isleme yöntemindeki farklılık ve uygulama
alanları nedeniyle çesitli bilim dallarının da kapsam alanına girmektedir [31], [45].
Yapay sinir ağları genellikle bir girdi, bir ya da daha fazla gizli ve bir çıktı katmanı
içerir. Tipik bir nöron girdisi baska bir nöronun çıktısıdır. Bu çıktılar bağlantılar
aracılığıyla iletilir. Bu bağlantılara biyolojide sinaps adı verilir. Her bir sinaptik
bağlantı kuvveti, ağırlık adı verilen nümerik değerlerle belirtilir [34]. I. nöron, J.
nörona sinyal gönderdiğinde, bu sinyal I. sinapsın ağırlığıyla çarpılır. I. nöronun
çıktısı xI olarak gösterilir. J. nörondaki ağırlıklandırılmıs girdiler (wJIxI), nörondaki
islemci eleman tarafından toplanır. Elde edilen toplam nöron aktivasyon olarak
adlandırılır. Aktivasyon tamamen nöronun iç durumudur. Ağırlıklar ve girdiler
pozitif veya negatif olabilirken aktivasyondan dolayı pozitif, sıfır veya negatif
olabilir. Pozitif durum aktive olmus nöronu, negatif durum pasif olan kapalı nöronu
gösterir. Aktivasyon belirlendikten sonra nöron çıktıyı belirlemek için sinyal transfer
fonksiyonlarını uygular
02-02-2013 04:02 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #39
RE: Bayes Karar Modeli
2.4.3. YSA’nın Özellikleri


YSA’nın hesaplama ve bilgi isleme gücünü, paralel dağılmıs yapısından,
öğrenebilme ve genelleme yeteneğinden aldığı söylenebilir. Genelleme, eğitim ya da
öğrenme sürecinde karsılasılmayan girisler için de YSA’nın uygun tepkileri üretmesi
olarak tanımlanır. Bu üstün özellikleri, YSA’nın karmasık problemleri çözebilme
yeteneğini gösterir. Günümüzde birçok bilim alanında YSA, asağıdaki özellikleri
nedeniyle etkin olmus ve uygulama yeri bulmustur [36]:

Doğrusal Olmama: YSA’nın temel islem elemanı olan hücre doğrusal
değildir. Dolayısıyla hücrelerin birlesmesinden meydana gelen YSA da
doğrusal değildir ve bu özellik bütün ağa yayılmıs durumdadır. Bu özelliği ile
YSA, doğrusal olmayan karmasık problemlerin çözümünde en önemli araç
olmustur [39].
· Öğrenme: YSA’nın arzu edilen davranısı gösterebilmesi için amaca uygun
olarak ayarlanması gerekir. Bu, hücreler arasında doğru bağlantıların
yapılması ve bağlantıların uygun ağırlıklara sahip olması gerektiğini ifade
eder. YSA’nın karmasık yapısı nedeniyle bağlantılar ve ağırlıklar önceden
ayarlı olarak verilemez ya da tasarlanamaz. Bu nedenle YSA, istenen davranısı gösterecek sekilde ilgilendiği problemden aldığı eğitim örneklerini
kullanarak problemi öğrenmelidir [40].
Genelleme: YSA, ilgilendikleri problemi öğrendikten sonra eğitim sırasında
karsılasmadıkları test örnekleri için de arzu edilen tepkiyi üretebilirler.
Örneğin, karakter tanıma amacıyla eğitilmis YSA, bozuk karakter girislerinde
de doğru karakterleri verebilirler ya da bir sistemin eğitilmis YSA modeli,
eğitim sürecinde verilmeyen giris sinyalleri için de sistemle aynı davranısı
gösterebilirler [39].
· Uyarlanabilirlik: YSA, ilgilendikleri problemdeki değisikliklere göre
ağırlıklarını ayarlar. Yani, belirli bir problemi çözmek amacıyla eğitilen
YSA, problemdeki değisimlere göre tekrar eğitilebilir, değisimler devamlı ise
gerçek zamanda da eğitime devam edilebilirler. Bu özelliği ile YSA,
uyarlamalı örnek tanıma, sinyal isleme, sistem tanılama ve denetim gibi
alanlarda etkin olarak kullanılırlar [36].

Hata Toleransı: YSA, çok sayıda hücrenin çesitli sekillerde bağlanmasından
olustuğundan paralel dağılmıs bir yapıya sahiptir ve ağın sahip olduğu bilgi,
ağdaki bütün bağlantılar üzerine dağılmıs durumdadır. Bu nedenle, eğitilmis
YSA’nın bazı bağlantılarının, hatta bazı hücrelerinin etkisiz hale gelmesi,
ağın doğru bilgi üretmesini önemli ölçüde etkilemez. Bu nedenle, geleneksel
yöntemlere göre hatayı tolere etme yetenekleri son derece yüksektir [38].
· Donanım ve Hız: YSA, paralel yapısı nedeniyle büyük ölçekli bütünlesmis
devre teknolojisi ile gerçeklenebilirler. Bu özellik, YSA nın hızlı bilgi isleme
yeteneğini artırır ve gerçek zamanlı uygulamalarda arzu edilir [37], [38].

Analiz ve Tasarım Kolaylığı: YSA’nın temel islem elemanı olan hücrenin
yapısı ve modeli, bütün YSA yapılarında yaklasık aynıdır. Dolayısıyla,
YSA’nın farklı uygulama alanlarındaki yapıları da standart yapıdaki bu
hücrelerden olusacaktır. Bu nedenle, farklı uygulama alanlarında kullanılan
YSA benzer öğrenme algoritmalarını ve teorilerini paylasabilirler. Bu özellik,
problemlerin YSA ile çözümünde önemli bir kolaylık getirecektir [37].

Bellek: YSA’nın önemli bir özelliği, bilgiyi saklama seklidir. Biyolojik
sistemlerde veri dağınık yapıda saklanır. YSA’da bellek, birçok yerel
36
bellekler olusturularak dağıtılır. Bağlantı ağırlıkları YSA bellek biçimleridir.
Ağırlıkların değerleri, ağın o anki bilgi durumunu temsil eder. Örneğin; bir
giris/istenen çıkıs çiftinin belirtilen bilgi parçası ağın içinde birçok bellek
biçimine dağıtılmıstır. Bellek üniteleri ile diğer saklı bilgiler, bu bilgiyi
paylasırlar [38].
02-02-2013 04:02 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
BorsaOkulu Çevrimdışı
Administrator
*******

Mesajlar: 1.172
Katılım: Nov 2012
Mesaj: #40
RE: Bayes Karar Modeli
2.4.4. YSAların Sınıflandırılması
Bugüne kadar yapılmıs yüzlerce YSA modelini; yapılarına göre ve öğrenme
algoritmalarına göre diye 2 ayrı grupta sınıflandırmak mümkündür.

2.4.4.1. Yapılarına Göre YSA

Yapay sinir ağları, yapılarına göre ileri beslemeli (feedforward) ve geri beslemeli
(feedback) ağlar olmak üzere iki sekilde sınıflandırılabilirler.
· Đleri beslemeli bir ağda islemci elemanlar genellikle katmanlara
ayrılmıslardır. Đsaretler, giris katmanından çıkıs katmanına doğru tek yönlü
bağlantılarla iletilir. Đslemci elemanlar bir katmandan diğer bir katmana
bağlantı kurarlarken, aynı katman içerisinde bağlantıları bulunmaz [40]. Đleri
beslemeli YSA’da her bir girdi nöronu ilk gizli katmandaki her nörona
bağlıdır ve her bir katmanın çıktısı bir sonraki katmanın girdisidir [41]. Çok
Katmanlı Perseptron (Multi-Layer Perceptron – MLP) ve Öğrenen Vektör
Nicemlemesi (LVQ – Learning Vector Quantization), ileri beslemeli
YSA’lara örnek olarak verilebilir. Asağıdaki sekilde, ileri beslemeli YSA
modeli görülmektedir:


Geri beslemeli sinir ağı ise, çıkıs ve ara katlardaki çıkısların, giris birimlerine
veya önceki ara katmanlara geri beslendiği bir ağ yapısıdır. Böylece, girisler
hem ileri yönde hem de geri yönde aktarılmıs olur [37]. YSA, gösterilen
örnekten öğrenerek kendi kurallarını olusturur. Öğrenme; giris örneklerine
veya bu girislerin çıkıslarına bağlı olarak ağın bağlantı ağırlıklarını değistiren
veya ayarlayan öğrenme kuralı ile gerçeklestirilir [38], [39]. Hopfield kuralı,
Delta kuralı ve Hebb kuralı, öğrenme kurallarına örnek olarak verilebilir.
Asağıdaki sekilde bir geri beslemeli YSA modeli görülmektedir:
02-02-2013 04:03 PM
Bu kullanıcının gönderdiği tüm mesajları bul Bu mesaji bir cevapta alıntı yap
Yeni Cevap 




Bu konuyu görüntüleyen kullanıcı(lar): 2 Ziyaretçi



Borsa Okulu © 2018.