Microsoft Word Design Cihan doc
Yüklə 4,67 Kb. Pdf görüntüsü
|
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. Yüklə 4,67 Kb. Dostları ilə paylaş:
|