tag Zaman Serisi
Bu sayfada Zaman Serisi etiketi ile işaretlenmiş 5 yapay zeka kavramını bulabilirsiniz.
Zaman serisi (time series), belirli aralıklarla ve kronolojik sırayla toplanan veri noktalarının dizisidir. Hava durumu ölçümleri, hisse senedi fiyatları, enerji tüketimi, hasta kalp ritmi ve web sitesi trafik verileri birer zaman serisi örneğidir. Veri noktaları arasındaki zaman aralığı dakika, saat, gün veya ay olabilir; önemli olan sıranın korunması ve her gözlemin bir zaman damgasıyla eşleştirilmesidir. Her zaman serisi dört temel yapısal bileşenden oluşur: uzun vadeli yönelimi gösteren trend; belirli periyotlarda tekrarlayan mevsimsellik (seasonality); ekonomik büyüme ve daralma döngüleri gibi daha uzun vadeli dalgalanmaları kapsayan döngüsellik (cyclicality); ve hiçbir kalıpla açıklanamayan rastgele sapmaları içeren gürültü. Başarılı bir analiz bu bileşenleri ayrıştırmakla başlar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), durağanlaştırılmış serilerde kısa vadeli tahmin için standart yaklaşımdır. Mevsimsel bileşen içeren serilerde SARIMA tercih edilir; Holt-Winters üstel düzleştirme yöntemi trend ve mevsimselliği ayrı parametrelerle modeller. Çok değişkenli durumlarda ise VAR (Vector Autoregression) birden fazla serinin karşılıklı etkileşimini hesaba katar. Derin öğrenme bu alanı köklü biçimde dönüştürmüştür. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları kapı mekanizmaları aracılığıyla uzun dönem bağımlılıklarını öğrenebilmektedir. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer) ve N-BEATS modelleri geliştirilmiştir. 2023 sonrasında TimesFM (Google), Chronos (Amazon) ve Lag-Llama gibi foundation modeller büyük ölçekli ön eğitimle sıfır-atış (zero-shot) tahmin kapasitesi kazanmıştır. Zaman serisi analizi finans, üretim, sağlık ve enerji gibi pek çok kritik sektörde kullanılmaktadır. Anormallik (anomali) tespiti, tahminlenen değerden sapan noktaları otomatik olarak işaretleyerek operasyonel riskleri erkenden ortaya koyar. Durağanlık (stationarity) varsayımı zaman serisi analizinin merkezinde yer alır: ortalama ve varyansın zaman içinde sabit kalması, çoğu klasik modelin ön koşuludur. Mevsimsel ayrıştırma ve differencing bu koşulu sağlamak için standart ön işleme adımları arasındadır.
LSTM (Long Short-Term Memory) (Uzun Kısa Vadeli Hafıza)
LSTM (Long Short-Term Memory — Uzun Kısa Vadeli Hafıza), standart tekrarlayan sinir ağlarının (RNN) uzun vadeli bağımlılıkları öğrenememesi sorununu çözmek amacıyla 1997 yılında Sepp Hochreiter ve Jürgen Schmidhuber tarafından önerilen özel bir derin öğrenme mimarisidir. Vanilla RNN'ler, zaman içinde geriye doğru yayılan gradyanların katmanlar boyunca küçülerek sıfıra yaklaşmasıyla ortaya çıkan kaybolan gradyan probleminden muzdaripti; bu durum modelin uzun metin dizileri veya ses verilerindeki uzak bağımlılıkları öğrenmesini imkânsız kılıyordu. LSTM bu sorunu üç kapı mekanizmasıyla çözer. Unutma kapısı (forget gate), hücre durumundan hangi bilgilerin atılacağına karar verir; sigmoid aktivasyon fonksiyonu 0 ile 1 arasında bir değer üretir ve buna göre geçmiş bilgi kısmen veya tamamen silinir. Giriş kapısı (input gate), yeni bilgilerin hücre durumuna ne ölçüde ekleneceğini denetler; sigmoid çıktısı ile tanh aktivasyonundan geçirilmiş aday değerlerin çarpımıyla güncelleme gerçekleşir. Çıkış kapısı (output gate) ise hücre durumunun hangi kısmının bu adımın gizli durumu olarak dışarıya aktarılacağını belirler. Bu mimari, özellikle dizi-dizi (seq2seq) görevlerinde 2010'ların başından ortasına kadar baskın model olmuştur. Makine çevirisi, konuşma tanıma, el yazısı tanıma, zaman serisi tahmini ve metin üretimi alanlarında LSTM tabanlı modeller uzun yıllar boyunca en iyi sonuçları üretmiştir. Google Translate, 2016 yılında kural tabanlı sistemden LSTM tabanlı sinir ağı çevirisine geçerek çeviri kalitesinde büyük bir sıçrama kaydetmiştir. 2017'den itibaren Transformer mimarisinin yükselişiyle LSTM'nin hâkimiyeti azalmıştır. Transformer'lar dikkat mekanizması (attention) aracılığıyla paralel hesaplamaya olanak tanıyarak eğitim hızını dramatik biçimde artırır; bu avantaj GPT ve BERT gibi büyük dil modellerinin temelini oluşturur. Bununla birlikte LSTM, sinyal işleme, finans zaman serileri ve kaynak kısıtlı ortamlar gibi alanlarda hâlâ tercih edilen bir mimari olmaya devam etmektedir.
Reservoir Computing (Rezervuar Hesaplama)
Reservoir Computing (Rezervuar Hesaplama), tekrarlayan sinir ağlarının (RNN) eğitilmesindeki klasik güçlükleri aşmak için tasarlanmış bir hesaplama çerçevesidir. Yöntemin özü şudur: büyük, karmaşık ve rastgele bağlantılı bir "rezervuar" ağının ağırlıkları sabittir ve hiç güncellenmez; yalnızca çıkış katmanı (readout) eğitilir. Bu yaklaşım, geri yayılım boyunca zamanla çoğalan gradyan sorunlarını (vanishing/exploding gradient) tamamen ortadan kaldırır ve eğitimi basit bir doğrusal regresyon problemine indirger. Reservoir Computing'in iki temel mimarisi vardır. 2001 yılında Herbert Jäger tarafından geliştirilen Echo State Network (ESN), seyrek bağlantılı ve rastgele ağırlıklı tekrarlayan bir ağdan oluşur; girdi sinyali bu ağı sürer, ağın zengin iç durumları zaman içindeki dinamikleri yüksek boyutlu bir uzayda kodlar. 2002'de Wolfgang Maass ve ekibi tarafından önerilen Liquid State Machine (LSM) ise biyolojik sinir ağlarından ilham alarak spiking (çekirdek ateşlemeli) nöronları kullanan karşılaştırılabilir bir yaklaşımdır. Bir rezervuarın en kritik hiperparametresi spektral yarıçaptır: ağırlık matrisinin en büyük özdeğerinin mutlak değeri. Bu değer 1'den küçük olduğunda sistem "Echo State Property"ye sahip olur; yani geçmiş girdilerin etkisi zaman içinde sönümlenir ve sistem kararlı kalır. Tipik değerler 0,9-0,99 arasındadır. Spektral yarıçap 1'i aşarsa sistem kaotik davranışa sürüklenir; çok küçük olursa geçmiş bilgiyi yeterince koruyamaz ve bellek kapasitesi düşer. Uygulama alanları geniştir: Lorenz attraktörü gibi kaotik sistem tahmini, zaman serisi öngörüsü, finansal veri modelleme, konuşma tanıma, robotik motor kontrolü ve biyomedikal sinyal işleme bu alanların başında gelir. Son yıllarda fotonik, optik ve kuantum ortamlarında gerçekleştirilen fiziksel rezervuar hesaplama, son derece düşük enerji tüketimiyle donanım seviyesinde gerçek zamanlı hesaplama olanağı sunan yeni bir araştırma yönü açmıştır. Geleneksel LSTM ve GRU mimarilerine kıyasla Reservoir Computing; çok daha hızlı eğitim, düşük veri gereksinimi ve kısıtlı donanımda çalışabilme avantajları sunmaktadır. Buna karşın rezervuar boyutu ve hiperparametre ayarı, sistemin performansını belirleyen kritik tasarım kararlarıdır. Eğitilebilir parametre sayısının görece azlığı, yüksek boyutlu ve büyük ölçekli veri kümelerinde kapasiteyi sınırlayabilir; bu nedenle derin öğrenme ve rezervuar yaklaşımları çoğu zaman tamamlayıcı olarak değerlendirilmektedir.
Time Series (Zaman Serisi)
Zaman serisi (time series), belirli aralıklarla ve kronolojik sırayla toplanan veri noktalarının dizisidir. Hava durumu ölçümleri, hisse senedi fiyatları, enerji tüketimi, hasta kalp ritmi ve web sitesi trafik verileri birer zaman serisi örneğidir. Veri noktaları arasındaki zaman aralığı dakika, saat, gün veya ay olabilir; önemli olan sıranın korunması ve her gözlemin bir zaman damgasıyla eşleştirilmesidir. Her zaman serisi dört temel yapısal bileşenden oluşur: uzun vadeli yönelimi gösteren trend; belirli periyotlarda tekrarlayan mevsimsellik (seasonality); ekonomik büyüme ve daralma döngüleri gibi daha uzun vadeli dalgalanmaları kapsayan döngüsellik (cyclicality); ve hiçbir kalıpla açıklanamayan rastgele sapmaları içeren gürültü. Başarılı bir analiz bu bileşenleri ayrıştırmakla başlar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), durağanlaştırılmış serilerde kısa vadeli tahmin için standart yaklaşımdır. Mevsimsel bileşen içeren serilerde SARIMA tercih edilir; Holt-Winters üstel düzleştirme yöntemi trend ve mevsimselliği ayrı parametrelerle modeller. Çok değişkenli durumlarda ise VAR (Vector Autoregression) birden fazla serinin karşılıklı etkileşimini hesaba katar. Derin öğrenme bu alanı köklü biçimde dönüştürmüştür. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları kapı mekanizmaları aracılığıyla uzun dönem bağımlılıklarını öğrenebilmektedir. Transformer mimarisinin zaman serilerine uyarlanmasıyla TFT (Temporal Fusion Transformer) ve N-BEATS modelleri geliştirilmiştir. 2023 sonrasında TimesFM (Google), Chronos (Amazon) ve Lag-Llama gibi foundation modeller büyük ölçekli ön eğitimle sıfır-atış (zero-shot) tahmin kapasitesi kazanmıştır. Zaman serisi analizi finans, üretim, sağlık ve enerji gibi pek çok kritik sektörde kullanılmaktadır. Anormallik (anomali) tespiti, tahminlenen değerden sapan noktaları otomatik olarak işaretleyerek operasyonel riskleri erkenden ortaya koyar. Durağanlık (stationarity) varsayımı zaman serisi analizinin merkezinde yer alır: ortalama ve varyansın zaman içinde sabit kalması, çoğu klasik modelin ön koşuludur. Mevsimsel ayrıştırma ve differencing bu koşulu sağlamak için standart ön işleme adımları arasındadır.
Liquid Neural Network (Sıvı Sinir Ağları)
Liquid Neural Network (Sıvı Sinir Ağı), MIT CSAIL'den Ramin Hasani ve Mathias Lechner liderliğindeki ekibin 2020 yılında yayımladığı, zamanla değişen dinamik ağırlıklarla çalışan bir sinir ağı mimarisidir. "Sıvı" metaforu, ağırlıkların eğitim tamamlandığında dondurulması yerine her yeni girdi ile birlikte akışkan biçimde uyum sağlamasına gönderme yapar; bu durum modeli, özellikle zaman boyutu kritik olan görevler için doğası gereği elverişli kılar. Mimarinin çıkış noktası, yalnızca 302 nörona ve yaklaşık 7.000 sinapsa sahip C. elegans adlı nematod solucanının sinir sistemidir. Bu minimalist yapı; koku takibi, ışık hassasiyeti ve karmaşık sensorimotör davranışlar gibi işlevleri başarıyla yönetebilmektedir. MIT ekibi bu organizmanın nöral devrelerini matematiksel olarak modelleyerek Liquid Time-Constant (LTC) adı verilen temel yapı taşını geliştirdi. Teknik açıdan LTC hücresi, zaman sabitinin (τ) girdiye bağlı olarak değiştiği sürekli zamanlı diferansiyel denklem üzerine kurulur: dx/dt = -x/τ(x,I) + f(x,I). Bu denklem her zaman adımında Euler veya Runge-Kutta gibi ODE çözücüleriyle nümerik olarak ilerletilir. Klasik LSTM veya GRU ağlarının aksine, her girdi hücrenin iç dinamiğini geçici olarak etkiler; bu nedenle ağ statik değil, sürekli değişen bir temsil yapısı sunar. Pratik açıdan mimari, otonom araç sterzo kontrolünde standart LSTM'den %26 daha iyi genelleme sağladığı gösterilmiştir. Daha az parametreyle aynı temsil kapasitesine ulaşılması, düşük kaynaklı kenar cihazlarda (MCU, IoT) gerçek zamanlı çıkarım için önemli bir avantaj yaratır. Gürültülü veya eksik veri koşullarında sergilediği gürbüzlük, endüstriyel sensör izleme ve tıbbi sinyal analizi (EEG, EKG) gibi kritik alanlarda tercih nedeni olmaktadır. Eğitim sürecindeki temel zorluk, ODE çözücü adımlarının paralel GPU hesaplamasını güçleştirmesidir. Bu sınırlamayı aşmak için 2022'de Closed-Form Continuous-Time (CfC) mimarisi tanıtıldı; ODE yerine kapalı analitik form kullanarak eğitim süresini belirgin biçimde kısalttı. Ekibin 2023'te kurduğu Liquid AI şirketi bu temeli endüstriyel ölçeğe taşıyan modeller geliştirmektedir.
Zaman Serisi Analizi (Zaman Serisi Analizi)
Zaman serisi analizi, belirli zaman aralıklarıyla kaydedilen ardışık veri noktalarını inceleyerek trend, mevsimsellik ve döngüsel kalıpları ortaya çıkaran bir veri bilimi tekniğidir. Hisse fiyatları, hava sıcaklığı, satış rakamları ve IoT sensör verileri bu analizin klasik uygulama alanlarıdır. Bir zaman serisi dört temel bileşene ayrıştırılır: uzun vadeli yönelimi gösteren trend, belirli dönemlerde tekrarlayan mevsimsellik (seasonality), ekonomik konjonktür gibi daha uzun dönemlerde tekrarlayan döngüsellik ve rastlantısal gürültü. Bu bileşenleri ayrıştırmak modellemenin temelidir. İstatistiksel yöntemler açısından ARIMA (AutoRegressive Integrated Moving Average) ve mevsimsel uzantısı SARIMA, durağan (stationary) seriler için standart başlangıç noktasıdır. Durağanlık sağlamak amacıyla fark alma (differencing) uygulanır; Augmented Dickey-Fuller testi durağanlığı doğrular. Üstel düzleştirme (Holt-Winters) mevsimsel verilerde pratik bir alternatiftir. Derin öğrenme mimarileri 2010'ların ortasından itibaren zaman serisi tahmininde hâkim konuma geldi. LSTM (Long Short-Term Memory) ve GRU, kapı mekanizmaları aracılığıyla uzun vadeli bağımlılıkları öğrenir. 2023 itibarıyla Transformer tabanlı modeller öne çıktı: PatchTST giriş serisini sabit uzunluklu yamalara (patch) bölerek dikkat mekanizmasını daha verimli uygular; Temporal Fusion Transformer ise statik kovaryatlar, gözlemlenen girdiler ve bilinen gelecek değişkenleri birleştirerek yorumlanabilir tahminler üretir. 2024'te foundation model yaklaşımı zaman serisi alanına taşındı. Google'ın TimesFM'i ve Amazon'un Chronos'u, sıfır-shot (zero-shot) tahmin yapabilen genel amaçlı modellerdir; görev başına ince ayar gerektirmeden çeşitli alanlarda rekabetçi doğruluk elde eder. Meta'nın Prophet aracı ise tatil efektlerini ve çoklu mevsimselliği otomatik modelleyen, uygulayıcı dostu bir açık kaynak kütüphanesidir. Tahmin kalitesi MAE (Ortalama Mutlak Hata), RMSE (Karekök Ortalama Kare Hata) ve MAPE (Ortalama Mutlak Yüzde Hata) metrikleriyle değerlendirilir. Zaman serisi analizi; fintech, enerji yönetimi, tedarik zinciri optimizasyonu, sağlık ve endüstriyel IoT gibi alanlarda kritik bir analitik araçtır.