şükela:  tümü | bugün
  • finli profesor teuvo kohonen'in gelistirdigi, veri setini -genelde- 2 boyutlu ayrik bir uzaya indirgemeye yönelik bir yapay sinir ağı.

    n boyutlu bir veri, unsupervised bir öğrenme algoritması ile, daha düşük boyutlu ve bu boyutlarda benzer verilerin daha yakın konumlarda bulunduğu bir uzaya eşlenir. bu uzay görsel olarak incelendiğinde veri setini de görsel olarak yorumlamak daha anlamlı olabilir, ayrıca bu uzayda yakınlık derecesine göre bir kümeleme de gerçekleştirilebilinir.
  • unsupervised yapısıyla en sevdiğim neural network. lakin sabit yapısı nedeniyle büyük maplerde eğitim yapmak zahmetli olabilir. onun yerine dinamik yapılı som kullanmak daha mantıklı.

    dinamik som'a bir örnek: growing hierarchical self organizing map.
    (bkz: http://www.ifs.tuwien.ac.at/…ghsom/description.html)
  • genellikle sınıflandırma amacıyla kullanılan bir yapay sinir ağı modelidir.unsupervised yani danışmansız yani kendi kendine öğrenebilen çıkışı istenilen uzayda temsil edilebilen bir modeldir.algoritması basit olmakla beraber uygulamada döngü sayısını sağlam şekilde belirlemeniz gerekir aksi takdirde geri zekali hemen unutabilir.optimizasyon teknikleri ile çiftleştirilirse sağlam makaleler çıkabilir düşüncesindeyim.türkçesi özdüzenleyici haritalardır.ayrica haftaya vermem gereken 3 tane projenin konusudur.allah bana yardim etsin.
  • bilgisayar networklerinde güvenlik tehditlerin tespit edilmesinde de kullanilabilen yapay sinir agidir. düzenli network trafigini olusturan her bir ag paketi bir yazilim tarafindan incelenip, paket üzerinde belirli özellikler ile self organizing map olusturulur. bu olusturulan sinir agi belli bir pattern olusturacaktir. bu self organizing map icin ögrenme sürecidir. bu ögrenme süreci belli bir olgunluga sahip olduktan sonra inceleme sürecine gecilebilir. yani network trafiginde her bir paket incelenecek, incelenen paket genel patterne uymuyorsa tehdit olarak algilanacak. bu paket ayni zamanda ögrenme sürecine dahil edilecek. yani ilk basta tehdit olarak tanimlanan durum tekrarlandigi sürece tehdit olmakdan cikip paterne uyumlu olabilir.
  • tek sıkıntısı discrete data olduğu zaman nöronlar arasındaki bağlantının hatalı bir şekilde aşırı uzun olması ve nöronların kümeler arasındaki abuk boşluklarda toplanabilmesi. bunun da çözümü var tabii, kazanan nöronlara ödül verip kaybedenleri cezalandırarak en çok ceza alan nöronları haritadan silmek gibi, ya da fazla uzun nöron bağlantılarını kesmek gibi...