Đnflyasiya, faiz, valyuta məzənnəsi Dr. Cihan Bulut, Nəsimi Kamalov
arasındakı münasibət və Azərbaycan
213
Şəkil: 18. Real və Reqressiya Yoluyla Təxmin Edilmiş Valyuta
Məzənnəsi
SUMMARY OUTPUT
Regression Statistics
Multiple R
0.98
R Square
0.96
Adjusted R Square
0.91
Standard Error
125.61
Observations
6.00
ANOVA
df
SS
MS
F
Significance F
Regression
3.00
832080.61
277360.20
17.58
0.05
Residual
2.00
31555.39
15777.69
Total
5.00
863636.00
Coefficients
Standard Error
t Stat
P-value
Lower 95%
Upper 95%
Lower 95.0%
Upper 95.0%
Intercept
5821.59
2475.47
2.35
0.14
-4829.50
16472.69
-4829.50
16472.69
Enf_t-1
22.63
18.30
1.24
0.34
-56.11
101.37
-56.11
101.37
Faiz_t-1
-123.14
53.94
-2.28
0.15
-355.21
108.93
-355.21
108.93
Dev_t-1
0.30
0.32
0.93
0.45
-1.09
1.70
-1.09
1.70
RESIDUAL OUTPUT
Observation
Predicted Dev_t
Residuals Standard Residuals
1.00
3916.40
69.60
0.88
2.00
3996.18
-127.18
-1.60
3.00
4320.78
52.22
0.66
4.00
4514.50
50.50
0.64
5.00
4842.61
-68.61
-0.86
6.00
4869.52
23.48
0.30
Dr. Cihan Bulut, Nəsimi Kamalov Đnflyasiya, faiz, valyuta məzənnəsi
arasındakı münasibət və Azərbaycan
214
II. ĐNFLYASĐYA, FAĐZ HƏDDĐ VƏ VALYUTA
MƏZƏNNƏSĐ ƏLAQƏLƏRĐNĐN SÜNĐ SĐNĐR
ŞƏBƏKƏLƏRĐ VASĐTƏSĐLƏ ANALĐZĐ
1. Süni Sinir Şəbəkələri və Đstifadə Metodu
Đnsan oğlunun ən əhəmiyyətli xüsusiyyətlərindən biri, öyrən-
mə qabuliyyətinin olmasıdır. Đnsan, ətrafında baş verən dəyişiklikləri
izləyərək yeni şeylər öyrənməkdə, təcrübələr qazanmaqdadır. Đnsanın
yeni şeylər öyrənməsi, ətrafındakı dəyişiklikləri anlaması beynin
rəhbərliyindəki sinir sistemi sayəsində mümkün olmaqdadır.
Đnsan vücudundakı sinir şəbəkəsinin çalışması, neyronların
(sinir hüceyrələri) digər hüceyrələrdən və ya xarici aləmdən gələn
məlumatları dentrit adı verilən əlaqə vasitələri ilə alaraq bəlli bir
qruplandırma içində yenə akson (axon) olaraq bilinən əlaqə vasitələri
ilə daşıması nəticəsində elektro-fizioloji şəklində baş verməkdədir.
Bir çox araşdırmada bioloji sinir sisteminin xarici aləmdəki
məlumatları əldə etmə şəkli modelləşdirilərək qarışıq, xətti olmayan
hesabları asanlıqla və sürətli şəkildə nəticələndirə biləcək süni sinir
şəbəkələri inkişaf etdirilməyə başlanmışdır. Süni sinir şəbəkələri,
bioloji sistemdə olduğu kimi müstəqil və bir-birinə qarşı aktiv olan
hüceyrələrin ierarxiyalı bir təşkilat içində sistem xaricindəki
obyektlərin qarşılıqlı təsirləndiyi bir strukturdur.
351
Süni sinir şəbəkələri son dərəcə paralel, alqoritmik və ədədi
olmayan məlumatları analiz edə bilməkdədir. Bəlli proqramlama
dilində kodlanmış klassik alqoritma metotlarından fərqli olaraq tərsinə
determinist olmayan yolları izləyən və qarantiyalı olmayan müvəffə-
qiyyəti daimi təkrarla yaxalayan heuristique metodlar anlayışıdır. Đnsan
beyninə bənzər tərzdə daha əvvəl öyrənilən anlayışları, qaydaları,
obyektləri və digər informasiya məlumatlarını təcrübə ilə ümumiləş-
dirərək yeni nəticələr çıxara bilər. Yəni, sistem eyni və bənzəri işləri
351
Melih Saraoğlu, “Beyin Sinyallerinin Geri Yaymalı Yapay Sinir Ağı ile Eğitilmesi
ve Haritalanması” Yayınlanmamış Dok. Tezi, Sakarya Üniv. Fen Bilimleri Ens.
Eylül, 1998, s. 40.
Đnflyasiya, faiz, valyuta məzənnəsi Dr. Cihan Bulut, Nəsimi Kamalov
arasındakı münasibət və Azərbaycan
215
yerinə yetirərək o işi və ya işləri bir əvvəlkindən daha effektiv olaraq
yerinə yetirərək dəyişiklikləri ortaya çıxarmaqdadır. Ancaq bu funk-
siyalarına baxmayaraq süni sinir şəbəkələrinin yaxın bir gələcəkdə
insan beyninin yerinə keçəcəyini söyləmək mümkün deyil.
352
Xaricdən gələn çox sayıda inputlar müəyyən ağırlıqlarla əla-
qələr quraraq bəlli bir funksiyaya görə toplanmaqda və proseslərdən
keçərək yenə bəlli bir fonksiyayla outputa çevrilməkdədir. Yəni, süni
sinir şəbəkələrində xarici aləmdən gələn məlumatlar içərdə analiz
edildikdən sonra xarici aləmə məlumat olaraq göndərilməkdədir.
Süni sinir şəbəkələrinin fəaliyyət şəkli maddələr halında
aşağıdakı kimi göstərilə bilər:
353
Misallardan öyrənmə: Süni sinir şəbəkələrinə öyrənməsi istə-
nən input/output əlaqələrinin misalları verilir. Süni sinir şəbəkələri
verilən bu misallardan istifadə edərək bəzi ümumiləşdirmələr aparır.
Forma tanıma ve sinifləndirmə: Süni sinir şəbəkələrinə veri-
lən inputlar bəlli uyğunlaşdırmalarla sinifləndirilir. Lazım gəldiyində
bu məlumatlar yaddaş köməyi ilə istənən outputlara çevrilir.
Əksik məlumatları tamamlama: Süni sinir şəbəkələri yadda-
şındakı tam olan örnək məlumatlarından istifadə edərək əksik məlu-
matın olduğu örnəkləri tamamlaya bilir. Buna görə əksik olan örnək
yenidən hazırlana bilər.
Öz-özünə uyğunlaşma: Süni sinir şəbəkələri öz-özünə öyrən-
mə qabuliyyətinə sahib olduğundan şəraitdəki dəyişikliklərə uyğun-
laşa bilməkdədir.
Xətalara imkan vermə: Süni sinir şəbəkələrində istifadə
olunana məlumat bütün şəbəkə boyunca yayıldığından bəzi məlumat-
ların itirilməsi və ya bəzi prosesdaxili funksiyaların bilərək və ya
bilməyərək şəbəkədən çıxarılması şəbəkənin işlərliyiniə cox təsir
göstərməyəcəkdir. Dolayısı ilə, hesablama işlərindəki əksikliklər pis
nəticələrə səbəb olmayacaqdır.
352
Jean-Paul Haton, Marie-Christine Haton, Yapay Zeka, Çev., Ayşen Ekmekçi, Alev
Tüter, Cep Üniv., y.y., Đletişim Yay. t.y., ss.10-11.
353
Akif Kurt, “Yapay Sinir Ağı Kullanarak Esnek Üretim Sistemlerinin Modellenmesi”
Yayınlanmamış Dok. Tezi, Sakarya Üniv. Fen Bilimleri Ens. Kasım, 1998, ss. 30-31.
Dr. Cihan Bulut, Nəsimi Kamalov Đnflyasiya, faiz, valyuta məzənnəsi
arasındakı münasibət və Azərbaycan
216
Süni sinir şəbəkələri ilə əlaqədar tədqiqalar 1940-cı illərdə
başlamışdır. Bu dövrdə McCullah və Pitts ilk dəfə biyoloji sinir
hüceyrəsi modeli ortaya qoymuşlar. 1949-cu ildə Donald Hebb
“Organization Behavior” adlı kitabında hüceyrəvi səviyyədə öyrənmə
mexanizmalarından bəhs etmişdir. 1960-ci ildə Widrow və Hoff
uyğunlaşan öyrənmə sistemini ortaya çıxarmışlar. 1976-cı ildə
Grosper uyğunlaşan rezonans nəzəriyyəsini irəli sürmüşdür. 1984-cü
ildə Kohenen “Self Organizing Maps” olarak adlandırdığı öyrədənsiz
öyrənən şəbəkə ortaya çıxardı. 1990-cı illərdən bu tərəfə bir çox
sahədəki araşdırmalarda istifadə edilərək əhəmiyyətli dəyişikliklər
baş vermişdir.
354
Süni sinir şəbəkələri başda mühəndislik olmaq üzrə tibbi
təşhislər, istehsal nəzarəti, uçuş nəzarəti, ərazi sinifləndirməsi, axın
böyüklükləri və maliyyə təxminləri kimi son dərəcə alternativ,
paralel, bəzən ədədi olmayan, qarışıq problemlərin həllində istifadə
olunmaqdadır. Bu şəbəkə sistemi tamamiylə paralel, uyğunlaşan,
öyrənə bilən və paralel bölüşdürülmüş bir hafizəyə sahibdir.
Şəbəkənin maliyyə sahəsində geniş istifadə olunduğu yerlər aşağıda-
kılardır:
355
Đflas təxminləri
Kredit kartı tətbiqatları
Đpoteka tətbiqatları
Mal marketinqi
Qiymətli kağızların sinifləndirməsi
Birja təxmminləri
Bank iflas təxminləri
Pay sənədi seçimi
Valyuta məzənnəsi təxminləri
Daşınmaz əmlak dəyərinin müəyyənləşdirilməsi
354
Feyzullah Temurtaş, “Kimyasal Sensör Dizilerinde Yapay Sinir Ağları ve Bulanık
Mantık Uygulamaları: Gazların Sınıflandırılması ve Gaz Konsantrasyonların
Belirlenmesi” Yayınlanmamış Dok. Tezi, Sakarya Üniv. Fen Bilimleri Ens.
Haziran, 2000, ss. 9-10.
355
Edward Gately, Neural Network for Financial Forecasting, USA, John Wiley
& Sons Inc., 1996, p. 4.
Dostları ilə paylaş: |