Daibetes diagnosis using machine learning

Yapay sinir ağları, özellikle geri bildirime bağlı olduklarında, son on yılda kontrol uygulamalarında karmaşık dinamikler üretme konumunda olmuştur. YSA'lar ağ tasarımı için güçlü olsa da, ağın tasarımı ne kadar zorlaşırsa, istenen dinamik o kadar karmaşık olur. Pek çok araştırmacı, bilgisayar programları kullanarak YSA'nın tasarım sürecini otomatikleştirmeye çalıştı. Arama ve optimizasyon problemleri, bir problemi çözmek için bir ağ için ayarlanmış en iyi parametreyi bulma problemi olarak düşünülebilir. Son zamanlarda, farklı araştırma veri setlerini eğitmek için ANN parametrelerini optimize etme problemi, yaygın olarak kullanılan iki stokastik genetik algoritması (GA) ve partikül sürüsü optimizasyonu (PSO) ile hedeflenmiştir. Sinir ağına dayalı oluşum süreci, robotun karmaşık işleri yapmasını sağlamak için GA ve PSO ile optimize edilmiştir. Bununla birlikte, YSA eğitim sürecini optimize etmek için bu tür optimizasyon algoritmalarını kullanmak her zaman dengeli veya başarılı olamaz. Bu algoritmalar aynı anda bir YSA'nın üç ana bileşenini geliştirmeyi amaçlar: her bir nöron için ayarlanan sinaptik ağırlık, bağlantılar, mimari ve transfer fonksiyonları. Önerilen yaklaşımla geliştirilen YSA, elle tasarlanan Levenberg-Marquardt ve Geri Yayılım ününe sahip algoritmalarla da karşılaştırılır.