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 yıl olabilir; ancak her zaman düzenli ve sıralıdır. Bir zaman serisinin dört temel bileşeni vardır. Trend, verideki uzun vadeli artış ya da azalış yönünü gösterir; örneğin küresel internet kullanıcı sayısının on yıllık artışı. Mevsimsellik (seasonality), belirli periyotlarda tekrarlayan döngüsel örüntülerdir; yaz aylarında yükselen elektrik tüketimi buna örnektir. Döngüsellik (cyclicality), mevsimsellikten farklı olarak ekonomik koşullara bağlı uzun dönem dalgalanmalarını ifade eder. Gürültü (noise) ise açıklanamayan rastgele dalgalanmaları kapsar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), SARIMA ve Holt-Winters üstel düzleştirme öne çıkar. Bu yöntemler az veriyle iyi çalışır, yorumlanabilirdir ve hâlâ geniş kullanım alanı bulur. Derin öğrenme tarafında LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları, uzun dönem bağımlılıkları yakalamak için tasarlanmıştır. Transformer tabanlı mimariler (Temporal Fusion Transformer, PatchTST, N-BEATS) ise çok değişkenli ve büyük ölçekli zaman serilerinde son teknoloji performans göstermektedir. 2024-2026 döneminde foundation model yaklaşımı zaman serisi alanını dönüştürmektedir. Google'ın TimesFM, Amazon'un Chronos-2, Salesforce'un Moirai-2 ve Time-MoE gibi modeller milyonlarca zaman serisi üzerinde önceden eğitilmiş olup sıfır atışlı (zero-shot) tahmin yapabilmektedir. Bu modeller, her yeni veri seti için ayrı model eğitme zorunluluğunu ortadan kaldırır.
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 kaostan kaçamaz; çok küçük olursa geçmiş bilgiyi koruyamaz. Uygulama alanları geniştir: Lorenz attraktörü gibi kaotik sistem tahmini, zaman serisi öngörüsü, finansal veri modelleme, konuşma tanıma, robotik motor kontrolü ve biyomedikal sinyal işleme. Son yıllarda fotonik, optik ve kuantum ortamlarında gerçekleştirilen fiziksel rezervuar hesaplama, son derece düşük enerji tüketimiyle donanım seviyesinde gerçek zamanlı hesaplama olanağı sunmaktadır.
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 yıl olabilir; ancak her zaman düzenli ve sıralıdır. Bir zaman serisinin dört temel bileşeni vardır. Trend, verideki uzun vadeli artış ya da azalış yönünü gösterir; örneğin küresel internet kullanıcı sayısının on yıllık artışı. Mevsimsellik (seasonality), belirli periyotlarda tekrarlayan döngüsel örüntülerdir; yaz aylarında yükselen elektrik tüketimi buna örnektir. Döngüsellik (cyclicality), mevsimsellikten farklı olarak ekonomik koşullara bağlı uzun dönem dalgalanmalarını ifade eder. Gürültü (noise) ise açıklanamayan rastgele dalgalanmaları kapsar. Klasik istatistik yöntemleri arasında ARIMA (Autoregressive Integrated Moving Average), SARIMA ve Holt-Winters üstel düzleştirme öne çıkar. Bu yöntemler az veriyle iyi çalışır, yorumlanabilirdir ve hâlâ geniş kullanım alanı bulur. Derin öğrenme tarafında LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) ağları, uzun dönem bağımlılıkları yakalamak için tasarlanmıştır. Transformer tabanlı mimariler (Temporal Fusion Transformer, PatchTST, N-BEATS) ise çok değişkenli ve büyük ölçekli zaman serilerinde son teknoloji performans göstermektedir. 2024-2026 döneminde foundation model yaklaşımı zaman serisi alanını dönüştürmektedir. Google'ın TimesFM, Amazon'un Chronos-2, Salesforce'un Moirai-2 ve Time-MoE gibi modeller milyonlarca zaman serisi üzerinde önceden eğitilmiş olup sıfır atışlı (zero-shot) tahmin yapabilmektedir. Bu modeller, her yeni veri seti için ayrı model eğitme zorunluluğunu ortadan kaldırır.
Liquid Neural Network Nedir? (Sıvı Sinir Ağları)
Liquid Neural Network (Sıvı Sinir Ağı), MIT CSAIL araştırmacıları tarafından 2020 yılında geliştirilen ve klasik derin öğrenme modellerinden temelden farklı biçimde çalışan bir sinir ağı mimarisidir. Ağın adındaki 'sıvı' metaforu, ağırlıkların sabit kalması yerine gelen girdilere bağlı olarak sürekli değişmesine—yani akışkan biçimde uyum sağlamasına—gönderme yapar. Klasik LSTM veya GRU gibi tekrarlayan sinir ağları sabit ağırlıklarla çalışırken Liquid Neural Network'ler, sürekli zamanlı diferansiyel denklem sistemleri (Continuous-Time RNN) kullanarak her zaman adımında ağın dinamiğini günceller. Bu yaklaşım, çok daha az sayıda nöronla daha zengin temsil kapasitesi ve daha iyi genelleme olanağı sağlar. Architecture'ın ilham kaynağı, yalnızca 302 nörona sahip C. elegans solucanının sinir sistemidir. Bu minimalist yapı, karmaşık sensorimotör davranışları üretebilmektedir. Ramin Hasani ve Mathias Lechner başta olmak üzere MIT ekibi, bu solucanı nöral diferansiyel denklem modeliyle taklit ederek Liquid Time-Constant (LTC) hücresi adı verilen temel yapı taşını ortaya koydu. Uygulama alanlarında özellikle zaman serisi verisi, otonom araç kontrolü ve robotik senaryolar öne çıkar. Araştırmalar, modelin titreşimli ve gürültülü ortamlarda standart derin öğrenme modellerine kıyasla daha gürbüz ve yorumlanabilir sonuçlar verdiğini göstermektedir. Düşük parametre sayısı, sıkıştırılmış modellere olan ihtiyacı azaltarak sınırlı kaynaklara sahip kenar cihazlarda büyük avantaj yaratır.
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.