UDC 004.38.032.26

O. V. Konyukhova, K. S. Lappochna

O. V. Konukhova, K. S. Lapochkina

Nöral ağların ekonomideki kullanımı ve kısa vadeli bir bütçe tahmininin hazırlanmasında kullanımlarının uygunluğu

Nöral ağların ekonomide uygulanması ve bütçenin kısa vadeli tahmini hazırlayarak kullanımlarının aciliyeti

Bu makalede, ekonomideki sinir ağlarının kullanımı açıklanmaktadır. Rusya Federasyonu bütçesini ve sinir ağlarının kullanımının kısa vadeli bir bütçeyi derlemek için uygunluğu öngörme işlemi göz önünde bulundurulur.

Anahtar Kelimeler: Ekonomi, Rusya Federasyonu Bütçesi, Bütçe Tahmini, Sinir Ağları, Genetik Algoritmalar.

Bu yazıda ekonomideki sinir ağlarının uygulanması açıklanmaktadır. Kısa vadeli bütçeyi hazırlamak için Rusya Sinir Ağları Federasyonu Bütçesinin Tahmini Süreci göz önünde bulundurulur.

Anahtar Kelimeler: Ekonomi, Rusya Federasyonu Bütçesi, Bütçe Tahmini, Sinir Ağları, Genetik Algoritmalar.

4) Otomatik tesisler gruplandırma.

İngilizce Cybernetics Stafford Biiru'nun sahip olduğu rasyonel depresif ekonomi için bir mekanizma yaratma girişimlerinden biri. Nörofizyolojik mekanizmalara dayanan iyi bilinen yönetim ilkeleri olanlara önerildi. Üretim sistemlerinin modelleri, girdiler (kaynak dişleri) iç, görünmez elemanlar ve çıkışlar (sonuçlar) arasında çok karmaşık ilişkiler olarak kabul edildi. Modellerin girdileri, asıl bir şekilde, belirli üretimin üretim miktarını, kaynakların ve performansa ihtiyaç duyulan üretim miktarını yansıtan yeterince genelleştirilmiş endekslere hizmet etti. Bu durumdaki tüm seçeneklerin nasıl bulunduğu ve tartışıldıktan sonra bu tür sistemlerle etkili bir şekilde işlev gören çözümler alınmıştır. En iyi çözüm, yöneticilerin ve uzmanların tartışılmasına katılan çoğunluk oyu ile yapıldı. Bu amaçla, sistem uygun teknik yollarla donatılmış bir durum odasına sahiptir. S. bir tarafından önerilen yönetim sisteminin oluşturulmasına yaklaşım, yalnızca çelik kuruluşu gibi büyük üretim dernekleriyle değil, aynı zamanda Şili 70'lerin ekonomisi gibi kontrol için etkili olmuştur.

Grup muhasebe yönteminde (Moskova Devlet Üniversitesi) Grup Muhasebe Yönteminde (Moskova Devlet Üniversitesi) Müreffeh İngiltere ekonomisini modellemek için Ukraynalı Cybernet tarafından kullanılmıştır. Ekonomistler (parklar vb.) Birlikte brüt geliri etkileyen iki yüzden fazla bağımsız değişken sunan, yüksek doğruluk derecesi çıktının değerini belirleyen ana faktörün birkaç (beş ila altı) tarafından ortaya çıkardılar. değişken. Bu modellere dayanarak, çeşitli tasarruf standartlarında, enflasyon seviyelerinde ve işsizliğinde ekonomik büyümeyi artırmak için ekonomi için çeşitli seçenekler geliştirilmiştir.

Önerilen grup argümanları muhasebesi yöntemi, kompleks modellerinin, özellikle ekonomik sistemlerde kendi kendine örgütlenme ilkesine dayanmaktadır ve standart istatistiksel yöntemlerle algılanmayan verilerdeki karmaşık gizli bağımlılıkları belirlemenizi sağlar. Bu yöntem, A. ve Ivakhnenko tarafından ekonominin durumunu değerlendirmek ve Amerika Birleşik Devletleri, Birleşik Krallık, Bulgaristan ve Almanya gibi ülkelerde gelişimini tahmin etmek için başarıyla kullanılmıştır. Ekonominin durumunu tanımlayan ve incelenen ülkelerde brüt geliri etkileyen çok sayıda bağımsız değişken (elli ila iki yüz) kullandı. Bu değişkenlerin, argümanların gruplandırma yöntemini kullanarak analizine dayanarak, ana, önemli faktörler tespit edildi, çıkış değişkeninin (brüt gelir) değerini belirleyen yüksek doğruluk derecesi ile tespit edildi.

Bu doğrultuda yapılan çalışmalar, son zamanlarda yoğun bir şekilde kullanılan sinir ağ yöntemlerinin gelişimi üzerindeki etkisini, deneyim ve bilgi alma yeteneklerinden dolayı, küçük bir sınıflandırılmış dizisinden elde edilmeleri nedeniyle teşvik eder. Bu tür dizilerle ilgili eğitimden sonraki sinir ağları, uzmanlar bilgi ve sezgilerine dayanarak uzmanlar olarak yapılırken karmaşık bilgilendirilemeyen görevleri çözebilir. Bu avantajlar, kalkınma oranının düzensizliğinin karakterize edildiği, çeşitli enflasyon oranları, küçük bir süre, eksik ve ekonomik fenomenler hakkında bilgi tutarsızlığının özellikle önemli hale gelir.

Çalışma, Mordovia ve Penza Bölgesi ekonomisinin geliştirilmesini analiz etme ve modelleme problemlerini çözmek için yaratıcı bir noel ağı inşa etmek için karmaşık ekonomik sistemlerin modellerinin kendi kendine örgütlenmesi ilkelerini başarıyla uyguladığı bilinmektedir.

Karakteristik örnek Finansal Sektör Kredi Riski Yönetimi'nde nöral bilgisayarın başarılı bir şekilde uygulanması. Bildiğiniz gibi, bir kredi vermeden önce, bankalar, borçlunun finansal güvenilirliğine ilişkin karmaşık istatistiksel hesaplamalarla gerçekleştirilir. Bu tür hesaplamalar genellikle kredi geçmişinin değerlendirilmesine, şirketin gelişiminin dinamikleri, temel finansal göstergelerinin istikrarı ve diğer birçok faktöre dayanmaktadır. Çok iyi bilinen bir ABD Bankası, nöral hesaplama yöntemini denedi ve bu tür hesaplamalardaki aynı görevin daha hızlı ve daha doğru çözüldüğü sonucuna varmıştır. Örneğin, 100 bin banka hesabının tahmini durumlarından birinde yeni sistemSinirsel hesaplama temelinde inşa edilmiş, potansiyel mükelleflerin% 90'ının üzerinde belirlenir.

Borsadaki durumun finansal sektörünün finansal sektöründeki nöral bilgisayar uygulamasının bir başka çok önemli bir alanı. Bu göreve yapılan standart yaklaşım, zamanla borsadaki akış koşullarındaki değişiklikler nedeniyle etkinliğini kaybeder. Ek olarak, bu yaklaşım temelinde inşa edilen sistemler, anında karar verme gerektiren durumlar için çok yavaştır. Bu nedenle, menkul kıymetler pazarında faaliyet gösteren ana Japon şirketleri nöral bilgisayar yöntemini uygulamaya karar verdi. Nöral ağa dayanan tipik sistemde, ciro, hisse senetlerinin, gelir seviyelerinin, vb. Dahil olmak üzere, ciro, gelir seviyelerinin, gelir seviyelerinin vb. , sinir ağ sistemi daha fazla tahmin doğruluğu ve daha iyi hız gösterdi: İstatistiksel yaklaşımla karşılaştırıldığında, bir bütün olarak% 19 olarak performansta bir gelişme verdi.

En gelişmiş nöral hesaplama tekniklerinden biri, canlı organizmaların evrimini taklit eden genetik algoritmalardır. Bu nedenle, sinir ağ parametrelerinin bir iyileştirici olarak kullanılabilirler. Uzun süreli güvenilirlik menkul kıymetleri için sözleşmelerin sonuçlarını tahmin etmek için benzer bir sistem, Hill Samuel Yatırım Yönetimi'ndeki Güneş İş İstasyonu'na gelişmiş ve kuruldu. Birkaç teklif veren stratejiyi modellerken, piyasa hareketinin yönünü tahmin etmede% 57 hassasiyet elde etti. Sigorta şirketi TSB Genel Sigorta (Newport), özel kredileri sigortalanırken risk seviyesini tahmin etmek için benzer bir yöntem kullanır. Bu sinir ağı, ülkedeki işsizlik durumuna ilişkin istatistiksel veriler hakkında kendi kendine öğrenmedir.

Rusya'daki finansal piyasanın henüz stabilize olmamasına ve matematiksel bir bakış açısıyla, bir yandan, menkul kıymetler piyasasının kademeli madenciliğinin beklentisi olan ve payını artırmakla ilgili olan model değişikliğinden kaynaklanıyor. Borsa, yatırımların yerli, öyle ve yabancı sermaye olarak akışıyla ilişkili ve diğeri - Siyasi bir kursun istikrarsızlığıyla, sonuçta, istatistiksel yöntemleri kullanması gereken firmaların görünümünü görebilirsiniz. geleneksel, yazılım ürünlerindeki görünüm ve bilgisayar Ekipmanları IBM serisi bilgisayarlarda nöral ağları taklit etmek ve hatta ısmarlama neurochip dayalı özel nöroplatlar.

Özellikle, Rusya'da, finansal kullanım için ilk güçlü nörekilgisayarlardan biri, zaten başarılı bir şekilde faaliyet göstermektedir. "Tora-Center" şirketine göre, görevlerini, Merkez Bankası, Acil Durum Bakanlığı, Vergi Müfettişliği, 30'dan fazla banka ve 60'tan fazla finansal şirketin çözülmesi için sinir ağlarını kullanan kuruluşlar arasında. Bu kuruluşların bazıları, nörokompil kullanımı alanındaki faaliyetlerinin sonuçlarını zaten yayınlamıştır.

Yukarıdakilerden, şu anda kısa vadeli bir bütçe tahmininin hazırlanmasında sinir ağlarının kullanımı olduğunu takip eder. Araştırma için acil bir konudur.

Sonuç olarak, finansal başvuru alanında da dahil olmak üzere, insan aktivitesinin tüm alanlarındaki sinir ağlarının kullanımının, kısmen gerektiği gibi ve bazıları için ön ödemeler nedeniyle, bazıları için geniş fırsatlar nedeniyle, büyüyenler boyunca hareket etmesi gerektiği belirtilmelidir. ve üçüncü için ilginç uygulamalar nedeniyle.

Bibliyografi

1. federal yasa RF, 01.01.2001 tarihli (01.01.2001 değişikliği ile) "Rusya Federasyonu'nun sosyo-ekonomik gelişmesinin devlet tahmininde ve programları" [Metin]

2. Bir S. Beyin Firması [Metin] / S. Bir. - M.: Radyo ve İletişim, 1993. - 524 s.

3. Galyushkin, finansal faaliyetlerde nörütriller [Metin] /. - Novosibirsk: Bilim, 2002. - 215c.

4., Muller Tahmini Modeller [Metin] /, - Kiev: Teknik, 1985. - 225 s.

5. Bütçe sürecinde öngörme yöntemleri [metin] / // elektronik dergi kurumsal finans, 2011. - № 3 (19) - S. 71 - 78.

6. Rutkovskaya M., Plinsky L. Sinir Ağları, Genetik Algoritmalar ve Bulanık Sistemler: Per. Lehçe ile. [Metin] / M. Rutkovskaya, L. Plinsky -: Sıcak çizgi - Telekom, 20c.

7., Optimum Karmaşıklık Nöral Ağlarında Sostoris Çözümleri [Metin] /, // Otomasyon ve Modern Teknolojiler, 1998. - No. 4. - S. 38-43.

Federal Devlet Yüksek Mesleki Eğitim Eğitim Kurumu " Devlet Üniversitesi - Öğretim ve Bilimsel ve Üretim Kompleksi ", Kartal

Teknik bilimlerin adayı, Doçent, Doçent, Bölüm Doçent "Bilgi Sistemleri"

E-posta: ***** @ *** ru

Lapokhna Kristina Sergeevna

Federal Devlet Yüksek Mesleki Eğitim Eğitim Kurumu "Devlet Üniversitesi - Eğitim ve Bilimsel ve Üretim Kompleksi", Orel

Öğrenci Grubu 11-pi (m)

Tarım Bakanlığı

RUSYA FEDERASYONU

Fgbou vpo "voronezh eyaleti

Tarım Üniversitesi. İmparator Peter I »

Bilgi Güvenliği Bölümü

Ve tarımsal sistemlerin modellenmesi

Ders Projesi

konuyla ilgili : "İşletmelerin verimliliğini analiz etmek için otomatik bir bilgi sistemi tasarlamak (örnekte: Voronej bölgesi ve işletmelerinin Kalacheevsky ilçesinin işletmeleri)

"OOO SP" Tribal Poultry Farm "Ocherodnyskoye") "

Yapıldı: Öğrenci BF-2-7 (BE)

Maksimova A.I.

Lider: asistanı

Mistukova s.v.

Voronezh

GİRİŞ .. 3.

Ekonomideki 1 sinir ağları .. 4

1.1 Sinir yapay ağların kavramları ve temelleri .. 4

1.2 Sinir ağlarının özellikleri ve sınıflandırılması .. 6

1.3 Nöral ağ mimarisinin türleri. sekiz

1.4 Ekonomik görevlerde sinir ağlarını kullanma .. 11

2 İşletmelerin verimliliğini analiz etmek için otomatik bir bilgi sistemini tasarlama (Voronej Bölgesi'nin Kalakaeevsky İlçesi'nin işletmeleri örneğinde ve "Raidensky" Tribal Tavukçuluk Tarım Çiftliği. 17

2.1 Açıklayıcı Not .. 17

2.2 Belge formlarını tasarlama. onsekiz

2.3 Bilgi ve mantıksal model. 22.

2.4 İşlevsel Algoritma Bilgi Sistemi .. 25. 25

2.5 Kullanıcı için talimatlar. 26.

Sonuçlar ve öneriler .. 30

Kullanılmış Edebiyat Listesi ... 32

Uygulamalar .. 33.

Giriş

Sinir ağları, ekonomik alandaki dinamik görevlerin incelenmesinde yeni yaklaşımlar sağlayan yeni ve çok ümit verici bir bilgi işlem teknolojisidir. Başlangıçta, sinir ağları, görüntülerin tanınması alanında yeni fırsatlar açtı, daha sonra istatistiksel olarak ve ekonomi alanındaki problemlerin yapay zekası yöntemlerine dayanarak bu konuda eklendi.

Doğrusal olmayan işlemleri modelleme yeteneği, asil veri ve uyarlanabilirlik ile çalışmak, sinir ağlarını geniş bir görev sınıfını çözmek için yapmayı mümkün kılar. Son birkaç yılda, sinir ağlarına dayanarak çok şey geliştirilmiştir. yazılım Sistemleri Emtia pazarındaki operasyonlar, bankaların iflasının değerlendirilmesi, kredibilitenin değerlendirilmesi, yatırım kontrolü, kredilerin değerlendirilmesi.

Bu kurs projesinin amacı, işletmelerin verimliliğini analiz etmek için otomatik bir bilgi sistemi geliştirmektir.

AIS oluştururken, işletmelerin verimliliğini analiz etmek için, aşağıdaki görevler çözülmelidir:

1. Sinir ağlarının konseptini, özelliklerini, sınıflandırmasını, türlerini ve ekonomik kullanımını düşünün.

2. Otomatik bilgi sistemlerinin bileşimini ve işlevini inceleyin; AIS tasarımının teorik temellerini keşfedin;

3. Uygulanan ana türlerle öğrenme çalışması yazılımAIS uygulamak için kullanılır;

4. Tasarım formları girişi, ara ve çıkış belgeleri;

5. Bir bilgi ve mantıksal bir model oluşturun;

6. İşlemek için bir algoritma geliştirmek;

7. Kullanıcı için talimatlar oluşturun.

Kurs projesinin seyri sırasında, bu tür bilimsel yöntemler modelleme, açıklama, analiz, sentez, hesaplama yöntemi olarak kullanılır.

Teknik araçlarHedefi uygulamak için kullanılır - Çalışan Kişisel Bilgisayar windows sistemi XP, klavye ve fare.

AIS, MS Excel masa işlemcisinde geliştirilmiştir. Yapılan işin açıklaması MS Word metin işlemcisinde gerçekleştirildi.

Ekonomideki Sinir Ağları

İncir. 13.12. İncir. 13.13. İncir. 13.14. İncir. 13.15. İncir. 13.16. İncir. 13.17. İncir. 13.18. İncir. 13.19. İncir. 13.20. İncir. 13.21. İncir. 13.22. İncir. 13.23. İncir. 13.24. İncir. 13.25. İncir. 13.26. İncir. 13.28. Genel veri işleme şeması

Finansal piyasaların günlük uygulaması, akademik bir bakış açısıyla ilginç bir çelişkidir, bu da finansal varlıkların fiyatlarındaki değişiklikler, mevcut tüm bilgileri etkin bir şekilde yansıtan herhangi bir çaba göstermeden anında meydana gelir. Çalışması kar elde etmek için yüzlerce pazar metre, tüccar ve stok yöneticilerinin varlığı, piyasa katılımcılarının genel bilgiye belirli bir katkı yaptığını göstermektedir. Ayrıca, bu çalışma pahalı olduğundan, verilen bilgilerin hacmi önemli olmalıdır.

Finansal piyasalardaki yüzlerce pazar metre, tüccar ve hisse senedi yöneticilerinin varlığı, tüm finansal bilgilerin işlendiğini ve karar verdiklerini göstermektedir.

Finansal piyasalarda ne zaman ortaya çıkan ve kar sağlayabilecek bilgileri kullanmanın sorusunu cevaplamak daha zordur. Çalışmalar neredeyse her zaman sürdürülebilir bir ticaret stratejisinin sürekli kar vermeyeceğini göstermektedir ve bunun her durumda, işlem yapmanın maliyetleri de dikkate alınırsa. Ayrıca, piyasa katılımcılarının (ve bütün pazarın bir bütün olarak) benzer veya hatta değişmeyen bilgiler temelinde tamamen farklı kararlar alabileceği de iyi bilinmektedir.

Çalışmalarında, görünüşte piyasa katılımcıları, doğrusal zengin karar alma kuralları ile sınırlı değildir ve birkaç senaryoyu vardır ve bunlardan neler başlanır, bazen harici invisite işaretlerine bağlıdır. Çok boyutlu ve genellikle doğrusal olmayan bilgi sıralarının finansal piyasasının olası yaklaşımlarından biri, uzman sistemler veya sinir ağları olarak bu tür yapay zeka yöntemlerini kullanarak piyasa katılımcılarının davranışlarının örneklerini taklit etmektir.

Bu yöntemlerle karar alma süreçlerini modelleme konusunda çok fazla çaba harcandı. Bununla birlikte, zor durumlarda uzman sistemlerde, yalnızca sistem iç durağında (yani, her girdi vektöründe, zaman içinde değişmeyen tek bir cevap olduğunda) sistemin iç dururken iyi çalıştığı ortaya çıktı. Bu açıklama altında bir dereceye kadar, kapsamlı bir sınıflandırma veya kredilerin dağılımının görevleri uygundur, ancak sürekli yapısal değişiklikleriyle finansal piyasalar için tamamen ikna edici görünmektedir. Finansal piyasalar durumunda, tam ya da en azından bu konu alanı hakkında yeterli bir şekilde yeterli bilgiye sahip olmanın mümkün olmanın mümkün olması, kurallara dayalı algoritmalardaki uzman sistemler için bu normal bir gerekliliktir.

Nöral ağlar, faaliyetlerinin doğası gereği, çevre hakkındaki küçük priori bilgisi koşullarındaki problemleri çözmek zorunda olan bankalar ve diğer finansal kurumlar için tamamen yeni umut verici fırsatlar sunmaktadır. Finansal piyasaların niteliği, kontrol, özelleştirmenin ve yeni finansal araçların ortaya çıkmasının zayıflaması nedeniyle, ulusal piyasalar küresel olarak birleşti ve piyasa finansal işlemlerin çoğu sektöründeki ülkelerin çoğunun artmasından dolayı önemli ölçüde değişiyor. Açıkçası, risk yönetimi ve gelirin temelleri, çeşitlendirme olasılığı ve riskten korunma stratejilerinin tanınmasının ötesinde değiştiğinden, değişikliklerin yapılamaması başarısız olmadı.

Birkaç önde gelen banka için sinir ağlarının uygulamalarından biri, ABD Doları'nın Döviz Piyasasında, çok sayıda değişmeyen nesnel gösterge ile konumundaki değişiklikler sorunuydu. Böyle bir uygulamanın olanakları, ekonomik verilerin büyük üsleri olduğu gerçeğiyle, çünkü karmaşık modeller her zaman bilgi üzerinde faydalıdır.

Tahviller ve tahkim fiyatları, risk ve daralma riskinin, faiz oranları ve likiditedeki farkın, pazarın derinliği ve likiditesinin, güçlü bilgi işlem yöntemleri için uygun bir malzemedir.

Son zamanlarda artış olan değeri, kurumsal yatırımcılar arasındaki fonların modellenmesidir. Faiz oranlarındaki düşüş, açık tip yatırım fonlarının ve endeks fonlarının çekiciliğinin arttırılmasında belirleyici bir rol oynamış ve hisselerindeki seçeneklerin ve vadeli işlemlerin varlığı, bunları tam veya kısmi bir garanti almalarını sağlar.

Açıkçası, kısmi denge kısıtlamaları sayısının sonsuz olduğu durumlarda, koşullardaki optimizasyon görevi (örneğin, piyasanın herhangi bir sektöründeki herhangi bir ürünün vadeli işlemleri ve nakit piyasasında), faiz oranlarının çapraz farklılıklarının rolünü oynar), bir sorun haline gelir acil durum karmaşıklığı, herhangi bir tüccarın olanakları dışında giderek daha fazla.

Bu gibi durumlarda, tüccarlar ve bu nedenle, davranışlarını tanımlamak isteyen herhangi bir sistem, her zaman zamanında, problemin boyutluğunu azaltmaya odaklanmak zorunda kalacaktır. Böyle bir fenomenin değerli bir talebin değerli bir kağıdı olarak bilinir.

Finansal sektöre gelince, sinir ağları kullanırken elde edilen ilk sonuçların çok cesaret verici olduğunu ve bu alandaki araştırmaların geliştirilmesi gerektiğini iddia etmek güvenlidir. Zaten uzman sistemlerle olduğu gibi, finansal kurumlar sinir ağlarının olasılıklarına yeterince enfekte olmaları için birkaç yıldır gerekli olabilir ve tam olarak güç sağlamak için kullanılacaktır.

Nöral ağlar alanındaki gelişmenin doğası, temelde uzman sistemlerden farklıdır: ikincisi, uzun süreli bir sistem sonucu geliştirilen "eğer ... ..., o zaman ..." üzerine kuruludur. Sistem eğitimi ve ilerleme, çoğunlukla daha başarılı kullanım biçimsel mantıksal yapıları nedeniyle elde edilir. Sinir ağları, çözülmüş göreve ağırlıklı olarak davranışsal bir yaklaşıma dayanır: ağ "Örneklerde okuyor" ve geri bildirim mekanizması aracılığıyla sözde öğrenme algoritmalarını kullanarak parametrelerini ayarlar.

Farklı yapay nöron türleri

Yapay nöron (Şek. 13.1) basit bir eleman denir, önce "src \u003d" formülünün ağırlıklı miktarda V giriş değerlerini hesaplamak, http://hi-redi.ru/e -books/xbook725/files/13.1 .gif "sınır \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:(13.1)

Burada, giriş sinyallerinin boyutu.

Sonra elde edilen tutar, "src \u003d" formülünün eşik değeri (veya önyargısı) ile karşılaştırılır. Http://hi-redi.ru/e -books/xbook725/files/18.gif "sınır \u003d" 0 "hizası \u003d "Absmiddle" alt \u003d "(! Lang: Askıya alınmış bir miktarda (1), genellikle sinaptik katsayılar veya ağırlıklar denir. Çok dengeli miktar V, nöron potansiyeli olarak adlandırılır. Çıkış sinyali daha sonra F (v) formuna sahiptir.

Eşik bariyerinin değeri, sabit bir giriş sinyalinde başka bir ağırlık katsayısı olarak kabul edilebilir. Bu durumda, bahsediyoruz Genişletilmiş giriş alanı: N-boyutlu girişli nöron N + 1 ağırlık oranına sahiptir ..3.GIF "Border \u003d" 0 "Align \u003d" Absmiddle "alt \u003d" (! Lang:(13.2)

Sinyal dönüşümü yöntemine ve aktivasyon fonksiyonunun karakterine bağlı olarak, çeşitli sinir yapıları türleri meydana gelir. Sadece düşüneceğiz deterministik nöronlar (Tersine Olasılıklı nöronlarT günındaki durumu, T-1 döneminde potansiyel ve durumun rastgele bir fonksiyonudur). Sonra, ayırt edeceğiz statik nöronlar- Sinyalin gecikme olmadan iletildiği ve bu gecikmelerin olasılığının dikkate alındığı dinamik olanlar ( "Gecikme ile Synaps").

Çeşitli aktivasyon fonksiyonu türleri

F işlevleri farklı türler olabilir:

Formula "src \u003d" http://hi-redi.ru/e -books/xbook725/files/20.gif "border \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:, Krutizna B, ölçeklerin ve eşiklerin büyüklüğünden ve generalliği sınırlamadan dikkate alınabilir, birine eşit olduğu varsayılabilir.

Çıkış sürekli değer kümesini alan doygunluk olmadan nöronları tanımlamak da mümkündür. Sınıflandırma görevlerinde, çıkış değeri eşik tarafından belirlenebilir - tek bir çözelti yapılırken - veya sınıfı belirlerken olasılık olarak olabilir. Belirli bir görevin özelliklerini dikkate almak için, diğer çeşitli aktivasyon fonksiyonları - Gaussian, sinusoidal, patlamalar (dalgacıklar) seçilebilir, vb.

Düz bağlantı sinir ağları

İki tür sinir ağını göz önünde bulunduracağız: ayrıca doğrudan doğrudan iletişim ağları (yem ileri) ve dinamik veya tekrarlayan ağlar olarak adlandırılan statik. Bu bölümde statik ağlarla başa çıkacağız. Diğer türlerin ağları kısaca daha sonra inceleyecektir.

Doğrudan iletişimi olan sinir ağları statik nöronlardan oluşur, böylece ağ çıkışındaki sinyal sinyalleri beslendiğinde aynı anda görünür. Ağın ağ (topolojisi) farklı olabilir. Nöronlarının tüm bileşenleri hafta sonları değilse, ağın gizli nöronlar içerdiğini söylüyorlar. Tüm nöronların birbirleriyle ilişkilendirildiğinde (ancak geri bildirim olmadan) en yaygın ağ mimarisi türü elde edilir. Belirli görevlerde nöronlar genellikle katmanlar halinde gruplanır. İncirde. Şekil 13.2, bir gizli katmanla düz bir bağlantıya sahip bir sinir ağının tipik bir şemasını gösterir.

Teorik sonuçlara göre, doğrudan bağ olan nöral ağlar ve sigmoid fonksiyonlarıyla nöral ağların, fonksiyonların yaklaşımı (yaklaşık olarak) için üniversal bir araç olduğuna dikkat etmek ilginçtir. Daha kesin olarak, kompakt bir tanımlı alandaki çeşitli değişkenlerin gerçek değerli bir fonksiyonu, üç katmanlı ağa doğru bir şekilde benzer olabilir. Bununla birlikte, aynı zamanda, bunun için ne kadar gerekli olacağı, bunun için nasıl bir kilo değeri olduğunu bilmiyoruz. Dahası, bu sonuçların ispatından, gizli unsurların sayısının, yaklaşımın doğruluğundaki bir artışla süresiz olarak arttığı görülmektedir. Gerçekten de doğrudan bağlantılar var, yaklaşım için evrensel bir ajan olarak hizmet verebilir, ancak bu görev için en uygun ağ topolojisini bulmanızı sağlayan bir kural yoktur.

Böylece, bir sinir ağı oluşturma görevidir. Gizli katmanları, her birinde kaç element almanız gerektiğine dair sorular, bir kural olarak, mevcut literatürde, kaç bağlantı ve hangi öğrenme parametrelerinin rahatladığı düşünülmektedir.

Eğitim aşamasında, sinaptik katsayılar, gerekli cevabın kurallara göre değil, ancak gruplandırılmış örnekler yardımı ile belirlendiği sinir ağ görevlerini (sınıflandırma, zaman diliminin sınıflandırılması, vb.) Çözme işleminde hesaplanır. içine eğitici seti. Böyle bir çok şey, her biri için belirtilen çıktı parametresinin değerine sahip bir dizi örnekden oluşur; bu, almak için arzu edilir. Gerçekleşen eylemler aranabilir kontrollü öğrenme: "Öğretmen", kaynak verilerinin ağ girişi vektöründeki ve çıktı düğümünde, hesaplamanın sonucunun istenen değerini bildirir. Sinir ağının kontrollü öğretilmesi, optimizasyon problemine çözüm olarak görülebilir. Amacı, W.'nin ölçeklerinin değerlerini seçerek bu örneklerin bu örneklerinde, hataların işlevini veya artıklarını en aza indirmektir.

Hata kriterleri

Minimalizasyon prosedürünün amacı, küresel bir minimum bulmaktır - başarı, öğrenme sürecinin yakınsama denir. Ölçeklere bağlı olan doğrusal olmayan olduğundan, analitik bir formda bir çözüm elde etmek imkansızdır ve küresel minimum arama, yinelemeli işlem yoluyla gerçekleştirilir - sözde eğitim AlgoritmasıArtıkların yüzeyini araştıran ve üzerinde küresel minimum noktayı tespit etmeyi amaçlamaktadır. Genellikle, ortalama ikinci dereceden bir hata (MSE), "SRC \u003d" http: // hi-edu formülünün istenen değeri arasındaki farkların karelerinin toplamı olarak tanımlanan bir hata ölçüsü olarak alınır. .ru / e-kitap / xbook725 / dosya / 22.gif "sınır \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:her örnek için.

Örnek "\u003e İnanan maksimumun kriteri:

Örnek "\u003e" EPOCHS "). Ağırlıkların değişen ağırlıkları, maliyet fonksiyonu için en büyük diklik yönünün karşısındaki yönde meydana gelir:

- Kullanıcı tanımlı parametre aradı Degrade adımın değeri veya eğitim katsayısının değeri.

Bir olası başka bir yöntem denir stokastik gradyan.

İçinde, tüm örneklerin her bir yanlış füzüsülmesinden sonra, bir öğrenme setinden elde edilen ağırlıklar yeniden hesaplanır ve buna karşılık gelen maliyetin kısmi fonksiyonu, örneğin K-MU, çeşitli:

altyazı "\u003e

Ters hata dağıtımı

Şimdi doğrudan bağlantı ile sinir ağlarını öğrenmek için en yaygın algoritmayı düşünün - algoritma ters hata dağıtımı (BackPropagation, BP), bu sözde gelişimi olan genelleştirilmiş Delta Kuralları. Bu algoritma, 1986'da Ru Melharto ve McCleland tarafından, Massachusetts Teknoloji Enstitüsü'ndeki paralel dağıtılmış süreçleri incelemek üzere ünlü gruptan yeniden açıldı ve popülerleştirildi. Bu paragrafta, algoritmanın matematiksel özünü daha ayrıntılı olarak düşüneceğiz. Toplam kuadratik hatayı en aza indiren bir degrade iniş algoritmasıdır:

formül "src \u003d" http://hi-redi.ru/e -books/xbook725/files/24.gif "border \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:. Özel türevlerin hesaplanması zincirin kurallarına göre gerçekleştirilir: J-R nöronundan gelen J-TH nöronunun girişinin ağırlığı, formül tarafından yeniden hesaplanır.

formül "src \u003d" http://hi-du.ru/e -books/xbook725/files/23.gif "border \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:- gradyan doğru adımın uzunluğu.

Ayrı ayrı düşünün k-th örnekSonra ağırlıktaki karşılık gelen değişim eşittir

daha sonraki katmandan benzer faktörlerle hesaplanır ve bu nedenle hata ters yönde iletilir.

Hafta sonları için:

formula "src \u003d" http://hi-redi.ru/25.gif "border \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:böyle belirlenir:

formula "src \u003d" http://hi-du.ru/e -books/xbook725/files/13.14.gif "sınır \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:(13.14)

alıyoruz:

Örnek "\u003e Stokastik ağırlık varyantı, bir sonraki numuneden sonra her seferinde yeniden hesaplanır ve" Epochal "veya çevrimdışı sürümde, tüm öğrenme setinin yanlış hesaplanmasından sonra değişimi ağırlığındadır.

Sık kullanılan başka bir başka yöntem, mevcut gradyanın arama yönünü belirlerken, değişiklik eklenir - önceki adımın ön ayarları, bir katsayılı olarak alınır. Mevcut hareketin darbesinin dikkate alındığı söylenebilir. Ölçekleri değiştirmek için son formül şuna benzer:

formül "src \u003d" http://hi-du.ru/e -books/xbook725/files/26.gif "border \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:- Kullanıcı tarafından belirtilen aralığındadır (0,1).

Genellikle altyazının değeri "\u003e

Diğer Öğrenme Algoritmaları

Son olarak, son zamanlarda sözde başarıyı kullan genetik algoritmalarÖlçeklerin mutasyonlara ve geçişe maruz kalan birey olarak kabul edildiği ve hata kriteri "kalitesinin" bir göstergesi olarak alınır. Yeni nesil büyüdükçe, optimum bireyin görünümü daha muhtemel hale gelir.

Finansal başvurularda, veriler giderek daha güçlüdür. Örneğin, işlemler yapmak, veritabanına bir gecikme ve farklı durumlarda farklı durumlarda kaydedilebilir. Değerlerin atlanması veya eksik bilgileri de bazen gürültü olarak kabul edilir: bu gibi durumlarda, ortalama veya en iyi değer alınır ve bu, tabii ki, veritabanı touch'a yol açar. Bir nesne sınıfının tanıma sınıfındaki yanlış tanımı, eğitimi olumsuz yönde etkiliyor - bu, sistemin yenilerini (yani örneklerin sayısına dahil edilmeyen) nesnelerle birlikte çalıştığında genelleştirilmesi kabiliyetini kötüleştiriyor.

Çapraz onay

Veritabanının keyfi olmasını sağlamak için, numune yöntemlerinin tekrarlanması uygulanabilir. Bu yöntemlerden birini düşünün Çapraz onay. Onun fikri, geçici olarak kesişmeyen alt gruplarda q üzerindeki veritabanını rastgele parçalamaktır. Daha sonra Q (q-1) set üzerinde eğitim ile yapılır ve hata kalan set tarafından hesaplanır. Q, yeterince büyükse, örneğin, 10, her öğrenme kaynak verilerin çoğunu kullanır. Öğrenme prosedürü güvenilirse, Q üzerindeki sonuçlar çeşitli modeller birbirlerine çok yakın olmalıdır. Bundan sonra, nihai karakteristik, ortalama tüm hata değerleri olarak tanımlanır. Ne yazık ki, bu yöntemi uygularken, Q öğrenmeyi yapması gerektiğinden ve daha büyük boyutlu gerçek bir uygulamada, muhtemel olarak hesaplama hacmi genellikle çok büyüktür ve daha büyük boyutlu bir uygulamada imkansız olabilir. Sınırlayıcı durumda, Q \u003d P, burada R'nin toplam örnek sayısı olduğunda, yöntemin tortudaki biriyle çapraz onay olarak adlandırılır. Bu değerlendirme yöntemi bir yer değiştirmeye sahiptir ve bir yöntem geliştirilmiştir. "Katlanır bıçak", bu dezavantajı fiyatla daha fazla bilgi işlemiyle azaltır.

Aşağıdaki Sinir Ağları sınıfı - dinamik veya tekrarlayan, ağlar. Davranışı, birinci sırayla, davranışı diferansiyel veya fark denklemleriyle tanımlanan dinamik nöronlardan inşa edilmiştir. Ağ, her nöronun diğer nöronlardan (belki de kendinden) ve çevreden gelen giriş bilgilerini aldığı şekilde düzenlenir. Bu tür ağlar önemlidir, çünkü doğrusal olmayan dinamik sistemler simüle edilebilir. Bu, potansiyel olarak çeşitli uygulamalarda kullanılabilen çok genel bir modeldir, örneğin: İlişkili bellek, doğrusal olmayan sinyal işleme, sonlu otomatların modellenmesi, sistem tanımlama, yönetim görevleri.

Geçici gecikmeli nöral ağlar

Gerçek dinamik ağları tanımlamadan önce, geçici satırları işlemek için doğrudan bağlantı ağının nasıl kullanıldığını düşünün. Yöntem, birkaç segment için zaman serisini kırmak ve böylece çok katmanlı bir ağı doğrudan bağlantı olan bir şekilde beslemek için istatistiksel bir örnek elde etmektir. Bu, şubedeki gecikmiş gecikme hattı kullanılarak gerçekleştirilir (bkz. Şekil 13.3).

Bu tür bir sinir ağının geçici bir gecikme ile mimarisi, formun sonlu temporal bağımlılığını simüle etmenizi sağlar:

altyazı "\u003e

Hopfield Networks

Tekrarlayan Hopfield Networks'in yardımıyla, zaman içinde (zaman serisi) veya boşluk (grafikler, gramer) numunelerinde sıralanan sıralanmamış (el yazısı harfleri) işlemek mümkündür (Şek. 13.4). En basit formun tekrarlayan sinir ağı, Hopfield tarafından tanıtıldı; Her biri ile bağlantılı N nöronlardan inşa edilmiştir, tüm nöronlar hafta sonlarıdır.

Böyle bir tasarımın ağları, esas olarak ilişkisel bellek olarak ve doğrusal olmayan filtreleme verilerinin ve gramer çıkışının sorunlarına bağlı olarak kullanılır. Ek olarak, son zamanlarda hisse senedi fiyatlarının davranışlarındaki kalıpları tahmin etmek ve tanımak için kullanıldı.

Kohonen tarafından tanıtılan "kendi kendini organize edici işaretler", sinir ağının bir seçenek olarak kabul edilebilir. Bu tür ağı için tasarlanmıştır. selefeducum: İsteğe bağlı olarak ona doğru cevapları bildirmeyi öğrenme sırasında. Ağın girişinde eğitim sürecinde, çeşitli örnekler servis edilir. Ağ, yapılarının özelliklerini yakalar ve numuneleri 436 kümede ayırır ve ağ zaten yeni gelen örneği, "samimiyet" kriterleri tarafından yönlendirilen kümelerden birine zaten almıştır.

Ağ bir giriş ve bir çıkış katmanından oluşur. Çıktı katmanındaki elemanların sayısı doğrudan, kaç küme ağının tanınabileceğini belirler. Çıktı elemanlarının her biri giriş vektörünün tamamını alır. Her sinir ağında olduğu gibi, bazı sinoptik ağırlıklar atfedilir. Çoğu durumda, her çıkış öğesi komşularıyla da bağlantılıdır. Bunlar İç bağlantılar Öğrenme sürecinde önemli bir rol oyna, çünkü ağırlıkların ayarlanması sadece bir sonraki girişe en çok yanıt veren bu elemanın çevresinde gerçekleştiğinden oluşur.

Çıktı elemanları, yürürlüğe girme hakkı için birbirleriyle rekabet eder ve "bir ders alın." Bunların vektörünün, örneğin Öklid metrik tarafından belirlenen mesafe anlamında girdi vektörüne daha yakın olacak şekilde kazanır. Eleman kazananında, bu mesafe herkesten daha az olacaktır. Mevcut öğrenme adımında, değişen ağırlık sadece elemana - kazanan (ve belki de acil komşuları) izin verilir; Kalan elementlerin aynı anda ağırlıkları dondurulur. Kazanan eleman, ağırlık vektöründeki, hafifçe giriş vektörüne doğru hareket ettirir. Yeterli sayıda örnek hakkında öğrendikten sonra, daha fazla doğrulukla ağırlık vektörleri kümesi, giriş örneklerinin yapısına uygun olarak gelir - ağırlık vektörleri kelimenin tam anlamıyla giriş numunelerinin dağılımını simüle eder.

İncir. 13.5. Kendi kendini organize eden coonen ağı. Sadece gelen bağlantıları tasvir etti İ-th düğümü. Düğümün mahallesi noktalı çizgi ile gösterilir

Açıkçası, giriş dağıtım ağının doğru anlaşılması için, her bir ağ öğesinin aynı numaranın kazananı olması gerekir - Ağırlık vektörleri olmalıdır bakıcı.

Ağın başlamasından önce, Kohonen iki şey yapması gerekiyor:

büyüklükte vektörler yanlışlıkla tek bir küre tarafından dağıtılmalıdır;

tüm ağırlık ve giriş vektörleri bir tarafından normalleştirilmelidir.

Sayaç dağılımlı ağ(CPN, Counterpropagation Network) Kohonen'in kendiliğinden düzenleyici ağının özelliklerini ve OUstar - Grossberg ağı kavramını birleştirir. Bu mimarinin bir parçası olarak, koonen ağ katmanının unsurları dış dünyaya doğrudan bir çıkışa sahip değildir ve bağların adapteğin ağırlığının ağırlığının tadını çıkardığı çıkış katmanı için girdilere hizmet eder. Bu şema, Heht - Nielsen'in eserlerinden doğdu. CPN ağı, istenen giriş ekranlarının kademeli olarak yapıldığını, böyle bir ekranın örneklerini temel alarak çıkışlara yöneliktir. Ağ, tüm noktalarda tam değerleri ile matematiksel yansımayı uyarlama yeteneğinin gerekli olduğu görevi çözer.

Bu türün ağları, bu tür finansal ve ekonomik uygulamalarda, kredilerin sağlanması için başvurular, hisse senetleri, mal ve döviz kurları tahmini için başvurular göz önüne alındığında başarıyla uygulanmaktadır. Genel olarak konuşan, CPN ağlarının başarılı bir şekilde uygulanmasını, bilgiyi büyük miktarda veriden çıkarmanız gereken görevlerde bekleyebilirsiniz.

Sınıflandırma görevleri için nöral ağların pratik uygulaması (kümelenme)

Sınıflandırma görevini çözme, sinir ağlarının en önemli uygulamalarından biridir. Sınıflandırmanın görevi, örneği birkaç çiftin ayrılan kümesinden birine sınıflandırmanın görevidir. Bu tür görevlerin bir örneği, örneğin, Banka'nın müşterinin kredibilitesini belirleme görevi, örneğin hastalığın sonucunu belirlemenin, menkul kıymetler portföyünü yönetme görevlerini çözen tıbbi görevler, Satmak, satın almak veya piyasa durumuna bağlı olarak stokları tutun), uygulanabilir ve iflas firmalarına meyilli olarak belirleme görevi.

Sınıflandırmanın amacı

Sınıflandırma görevlerini çözerken, öznitelik için gereklidir. Statik örnekler (Piyasadaki durumun özellikleri, tıbbi veri, müşteri bilgileri) belirli sınıflar. Verileri temsil etmenin birkaç yolu vardır. En yaygın olanı, örneğin bir vektör tarafından temsil edildiği yöntemdir. Bu vektörün bileşenleri Çeşitli özellikler Sınıfın bu örneği nasıl içerebileceğine dair kararı etkileyen örnekler. Örneğin, bir hastanın tıbbi kartından veri bu vektörün bileşenleri olarak tıbbi problemler için olabilir. Böylece, örnekte bazı bilgiler temelinde, nasıl ilişkilendirilebileceğini belirlemek gerekir. Böylece sınıflandırıcı, nesneyi sınıflardan birine, adı verilen N boyutlu alanın belirli bir bölümüne göre belirtir. uzay girişlerive bu alanın boyutu vektör bileşenlerinin sayısıdır.

Her şeyden önce, sistemin karmaşıklığının seviyesini belirlemek gerekir. Gerçek görevlerde, durumun sıklıkla sınırlandırıldığında, görevin karmaşıklığının belirlenmesini karmaşıklaştırır. Üç ana karmaşıklık seviyesini ayırt etmek mümkündür. İlk (en kolay) (en kolay) - sınıflar düz çizgiler (veya giriş alanının ikiden fazla boyut varsa) düz çizgilere (veya hiper uçakları ikiden fazla ise) bölünebilir doğrusal ayrılma. İkinci durumda, sınıflar çizgiler (uçaklara) bölünemez, ancak bunları daha karmaşık bir bölümle ayırmak mümkündür - doğrusal olmayan ayrılık. Üçüncü durumda, sınıflar kesişir ve sadece hakkında konuşabilirsiniz. olasılıklı giyinme.

İncir. 13.6. Doğrusal ve doğrusal olmayan ayrılabilir sınıflar

Mükemmel bir düzenlemede, ön işlemden sonra, doğrusal olarak ayrılabilir bir görev almalıyız, çünkü ondan sonra sınıflandırıcının yapımı büyük ölçüde basitleştirilmiştir. Ne yazık ki, gerçek sorunları çözerken, sınıflandırıcının inşa edildiği temelinde sınırlı sayıda örneğe sahibiz. Aynı zamanda, örneklerin doğrusal ayrılmasının elde edileceği verilerin böyle bir şekilde yapamayacağız.

Sinir ağlarını sınıflandırıcı olarak kullanmak

Doğrudan iletişim ağları, sınıflandırma görevlerini çözmelerinde kullanılmalarını sağlayan fonksiyonların yaklaşımı için evrensel bir araçtır. Kural olarak, sinir ağları sınıflandırmanın en etkili yoludur, çünkü aslında çok sayıda regresyon modeli oluşturursunuz (sınıflandırma görevlerini istatistiksel yöntemlerle çözülürken kullanılır).

Ne yazık ki, pratik görevlerde sinir ağlarının kullanımında bir dizi problem ortaya çıkıyor. Birincisi, ekranın oldukça doğru bir şekilde uygulanması için ne tür bir karmaşıklığın (boyut) bir ağ gerektirebileceği önceden bilinmemektedir. Bu zorluk aşırı derecede yüksek olabilir, bu da karmaşık bir ağ mimarisi gerektirecektir. Böylece, "Perspetron" çalışmalarında Minsk, en basit tek katmanlı sinir ağlarının yalnızca doğrusal olarak ayrılmış görevleri çözebileceğini kanıtladı. Bu sınırlama, çok katmanlı sinir ağları kullanılarak üstesinden gelinir. Genel olarak, bir ağda, bir gizli katmana sahip olan vektörde, giriş numunesine karşılık gelen vektörün, farklı bir boyuta sahip olabilen bazı yeni bir alanda gizli bir katmanla dönüştürüldüğü ve ardından nöronların nöronlarına karşılık gelen hiperplane olduğu söylenebilir. Çıkış katmanı, sınıflara bölün. Böylece, ağ sadece kaynak verilerinin özelliklerini değil, aynı zamanda gizli bir katman tarafından oluşturulan "özelliklerin özellikleri" de tanır.

Kaynak verilerin hazırlanması

Bir sınıflandırıcı oluşturmak için, hangi parametrelerin, numunenin hangi sınıfa ait olduğuna ilişkin kararını nasıl etkilediğini belirlemek gerekir. Aynı zamanda iki sorun olabilir. İlk olarak, parametre sayısı yeterli değilse, aynı kaynak verilerinin farklı sınıflardaki örneklere uygun olduğu bir durum oluşabilir. Sonra sinir ağını eğitmek imkansızdır ve sistem doğru bir şekilde çalışmaz (bu tür bir kaynak verisine karşılık gelen minimum bulmak mümkün değildir). Kaynak veriler tutarlı olmalıdır. Bu sorunu çözmek için, işaret belirtilerinin boyutunu arttırmak için gereklidir (numuneye karşılık gelen girdi vektör bileşeninin sayısı). Ancak, işaret belirtilerinin boyutundaki bir artışla, durum, örneğin sayısı ağa öğretmek için yetersiz kaldığında ortaya çıkabilir ve bu sadece eğitim örneğinden örnekleri hatırlayacak ve doğru çalışamıyor. Böylece, işaretlerin belirlenmesinde, numaralarıyla bir uzlaşma bulmak gerekir.

Daha sonra, sinir ağı için giriş verilerini temsil etme yöntemini belirlemek gerekir, yani. Rasyonel yöntemini belirler. Ateşleme gereklidir, çünkü sinir ağları 0..1 aralığında gösterilen verilerle çalışır ve ilk verilerin keyfi bir aralığa veya genel olarak sayısal olmayan veriler olmayabilir. Bu durumda, basit doğrusal dönüşümden istenen aralığa kadar çeşitli yöntemler mümkündür ve parametrelerin birbirinin üzerindeki etkisine bağlı olarak parametrelerin ve doğrusal olmayan rasyonalizasyonun çok boyutlu analiziyle sona erer.

Kodlama çıkış değerleri

İki sınıfın varlığında sınıflandırma görevi, çıkış katmanında bir nöronlu bir ağda çözülebilir, bu, hangi sınıfın numuneye ait olduğuna bağlı olarak, 0 veya 1 olan iki değerden birini alabilir. Birden fazla sınıf varsa, ağın çıktılaması için bu verilerin sunumu ile ilişkili bir sorun ortaya çıkar. Bu durumda çıktı verilerini temsil etmenin en basit yolu, bileşenleri farklı sınıflar numaralarına karşılık gelen vektördür. Burada i-i bileşen Vektör I-TH sınıfına karşılık gelir. Diğer tüm bileşenler 0 olarak yüklenir, örneğin, ikinci sınıf, 2 ağ çıkışına 1 ve geri kalanına 0'a karşılık gelecektir. Sonucu yorumlarken, genellikle sınıf sayısının, maksimum değerin ortaya çıktığı ağ çıkış numarası ile belirlendiği düşünülmektedir. Örneğin, üç çıkışlı bir ağda ise, vektör çıkış değerlerimiz var (0.2; 0.6; 0.4) ve vektörün ikinci bileşeninin maksimum değere sahip olduğunu görüyoruz, bu da bu örneğin ait olduğu sınıf anlamına gelir. 2'dir. Bu kodlama yöntemi ile, ağ güven kavramı bazen örneğin bu sınıfla ilgili olduğu gerçeğinde tanıtılır. Güvenini belirlemenin en kolay yolu, çıktının maksimum değeri ile başka bir çıkışın değeri arasındaki farkın maksimum değerine en yakın olanı belirlemektir. Örneğin, yukarıda tartışılan örnekte, ağın güveninin, örneğin ikinci sınıfa atıfta bulunması, vektörün ikinci ve üçüncü bileşeni arasındaki fark olarak belirlenmesidir ve 0.6-0.4 \u003d 0.2'dir. Buna göre, güven ne kadar yüksek olursa, ağın doğru cevabı vermenin olasılığı ne kadar büyük olur. Bu kodlama yöntemi en kolay, ancak veri göndermenin her zaman en uygun yoludur.

Diğer yollar da bilinir. Örneğin, çıkış vektörü ikili formda kaydedilen bir küme numarasıdır. Öyleyse, 8 sınıf varsa, 3 elementten oluşan bir vektöre ihtiyacımız var ve, 3 sınıfın Vector 011'e karşılık geleceği söylüyor. Ancak çıkışlardan birinde yanlış değer elde ederken, yanlış bir sınıflandırma yapabiliriz ( Yanlış küme numarası), bu nedenle, sınıflandırmanın güvenilirliğini artıracak olan Chemming Koduna çıkışın kodlamasının kullanılmasıyla iki küme arasındaki mesafeyi artırmak mantıklıdır.

Başka bir yaklaşım, C'yi K * (K-L) / 2 alt koltuklarındaki sınıfları, her biri iki sınıf (2 kodlama için 2 için) sınıflarına ayırmaktır. Bu durumda alt ayarlar altında, ağın vektörün bileşenlerinden birinin varlığını belirlediği anlaşılmaktadır. Şunlar. Kaynak vektör, her birinde, çıkış vektör bileşeninin olası kombinasyonlarının bunlara dahil edileceği şekilde iki bileşenin gruplarına ayrılmıştır. Bu grupların sayısı, kaynak bileşeninden iki kişilik bozuk numunelerin sayısı olarak tanımlanabilir.

352 "Sınır \u003d" 0 "\u003e

İkame numarası (çıkış) Çıkış Bileşenleri 1 1-2 2 1-3 3 1-4 4 2-3 5 2-4 6 3-4

Şekil 1'de, bileşenlerden birinin varlığı hakkında konuşur. Ardından, şebekenin hesaplanmasına göre sınıf numarasına gidebiliriz: hangi kombinasyonların bir tek (bire daha doğru bir şekilde yakın) çıktı değerine (yani, hangi alt kaplamaları etkinleştirdiklerini) belirleyeceğiz ve sınıfın olduğuna inanıyoruz. sayı B'ye giren kişi olacaktır. en büyük sayı Etkinleştirilmiş alt koltuklar (tabloya bakınız).

Belge Başlıksız

Birçok görevdeki bu kodlama, klasik bir kodlama yönteminden en iyi sonucu verir.

Olasılıksal sınıflandırma

Görüntülerin istatistiksel olarak tanınması ile optimum sınıflandırıcı, "src \u003d" formülünün örneğini belirtir. "Alt \u003d" (! Lang:

"SRC \u003d" Formula'yı alın.en büyük posterioriority olasılığına sahip bir gruba karşılık gelir. Bu kural, ortalama hatalı sınıflandırma sayısını en aza indirdiği anlamda, "Sınır \u003d" 0 "Align \u003d" Absmiddle "alt \u003d" (! Lang:

sonra bir priori ve bir posteriori olasılığı arasındaki bayesiyen oranı güç kalır ve bu nedenle bu işlevler kullanılabilir basitleştirilmiş belirleyici fonksiyonlar. Bu yüzden, bu işlevler inşa edilmiş ve basitçe hesaplanırsa yapmak mantıklıdır.

Kural çok basit görünse de, pratikte uygulanmaya başlanır, çünkü bir posteriori olasılığı (hatta basitleştirilmiş belirleyici fonksiyonların değerleri) bulunur. Değerleri tahmin edilebilir. Bayes teoremi sayesinde, alıcı olasılıklar bir öncü olasılıklar ve formül formülünün yoğunluğunun işlevi ile ifade edilebilir "src \u003d" http://hi-redi.ru/e-books/xbook725/files/ 8.gif "sınır \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:.

Sınıflandırıcılar görüntüler

Bir öncelik olasılık yoğunluğu çeşitli şekillerde tahmin edilebilir. İÇİNDE parametrik yöntemler Olasılık yoğunluğunun (PDF), bilinmeyen parametrelerle belirli bir türün bir fonksiyonu olduğu varsayılmaktadır. Örneğin, Gaussian işlevini kullanarak daha yakın PDF'yi deneyebilirsiniz. Bir sınıflandırma üretmek için, her bir veri sınıfının her biri için kovaryansın orta ve matrisi için tahmini değerleri önlemek ve daha sonra bunları belirleyici kuralda kullanmak gerekir. Sonuç, sadece kareler ve çift değişkenler içeren bir polinom kritik bir kuraldır. Açıklanan tüm prosedür denir İkinci dereceden ayrımcılık analizi (QDA). Tüm sınıflarda kovaryans matrislerinin aynı olduğu varsayımında, QDA'yı doğrusal Ayrımcılık Analizi(LDA).

Başka bir tür yöntemde - parametrik olmayan- Olasılık yoğunluğu hakkında ön varsayım yok. "En yakın komşulara" (NN) yönteminde, yeni alınan örnek ile eğitim setinin vektörü arasındaki mesafe, daha sonra numunenin çoğu komşuların çoğunun en yakın komşularına ait olduğu sınıfa atıfta bulunur. Bu sınırın bir sonucu olarak, ayrılma sınıfları, parçalı doğrusal olarak elde edilir. Bu yöntemin çeşitli modifikasyonlarında, çeşitli mesafeler ve komşular bulma yöntemleri kullanılır. Bazen en çok numune seti yerine, adaptif vektör nicelleştirme yönteminde (LVQ) kümelerine karşılık gelen centroidlerin toplamı alınır.

Başka yöntemlerle, sınıflandırıcı, verileri ağaç şemasına göre gruplara ayırır. Her adımda, alt grup iki olarak kırılır ve sonuç olarak, ikili ağacın hiyerarşik yapısı elde edilir. Sınırları ayırmak genellikle kısmen doğrusaldır ve bir veya daha fazla ağaç yapraklarından oluşan sınıflara karşılık gelir. Bu yöntem, mantıksal belirleyici kurallara dayanarak bir sınıflandırma yöntemi oluşturmada iyidir. Ağaç sınıflandırıcıları fikirleri, kendinden geçiren nöral sınıflandırıcıları oluşturma yöntemlerinde kullanılır.

Sınıflandırıcı olarak düz bir bağlantılı sinir ağı

Doğrudan iletişim ağları, fonksiyonların yaklaşması için evrensel bir araç olduğundan, yardımcı oldukları için, bu sınıflandırma görevindeki posteriori olasılıklarını değerlendirebilirsiniz. Bir haritalama yapılmasında esneklik nedeniyle, bir posteriori olasılığının bu gibi doğruluğu, baylar kuralı tarafından hesaplanan değerlerle pratik olarak çakışacaklar (optimum sınıflandırma prosedürleri olarak adlandırılır.

Zaman serilerini analiz etme görevi

Time serisi, "SRC \u003d" formülünün gerçek sayısının sıralanmış bir sırasıdır. \u003d "(! Lang:n boyutlu alanda değerler zamanında kaydırıldı veya gecikme alanı.

Geçici serilerin analizinin amacı, bu numaradan faydalı bilgileri çıkarmaktır. Bunu yapmak için, fenomenin matematiksel bir modelini oluşturmak gerekir. Böyle bir model, özellikle verilerin oluşturulmasını, özellikle verilerin niteliğini tanımlamalıdır (rastgele, bir eğilim, periyodik, durağan vb.). Bundan sonra, gelecekteki değerleri öngörmek için çeşitli veri filtreleme yöntemlerini (pürüzsüzleştirme, emisyon giderme vb.) Uygulayabilirsiniz.

Böylece, bu yaklaşım, zaman serisinin bazı matematiksel yapıya sahip olduğu varsayımına dayanır (örneğin, fenomenin fiziksel özünün bir sonucu olabilir). Bu yapı sözde var faz boşluğuKoordinatları, dinamik sistemin durumunu tanımlayan bağımsız değişkenlerdir. Bu nedenle, modelleme yaparken karşılaşmanız gereken ilk görev, faz alanını uygun şekilde belirlemektir. Bunu yapmak için, sistemin bazı özelliklerini faz değişkenleri olarak seçin. Bundan sonra, tahmin veya ekstrapolasyon meselesini arttırmak zaten mümkün. Kural olarak, ölçümlerin bir sonucu olarak elde edilen zaman satırlarında, farklı oranlarda rastgele dalgalanmalar ve gürültü vardır. Bu nedenle, modelin kalitesi büyük ölçüde amaçlanan veri yapısını yaklaşık olarak ayırabilme yeteneği ile belirlenir.

Geçici serilerin istatistiksel analizi

Zaman serisinin istatistiksel analizi yöntemlerinin ayrıntılı bir açıklaması bu kitabın ötesine geçer. Sunumumuzun konusu ile doğrudan ilgili olan koşulları vurgulayarak geleneksel yaklaşımları kısaca göz önünde bulunduracağız. Yula'nın öncü çalışmasından başlayarak, zaman serisinin istatistiksel analizindeki merkezi bir yer Arima'nın doğrusal modelleri tarafından alınmıştır. Zamanla, bu alan bir dizi yöntemle tam bir teoriye geçti - boks Jenkins teorisi.

ARIMA modeli otorjik üyesindeki varlığı, değişkenin mevcut değerlerinin geçmiş değerlerine bağlı olduğu gerçeğini ifade eder. Bu tür modeller tek boyutlu denir. Bununla birlikte, genellikle araştırılan hedef değişkenin değerleri birkaç farklı temporal satırla ilişkilidir.

İncir. 13.7. En basit sinir ağındaki Arima (P, Q) modellerinin uygulanması

Bu nedenle, örneğin, hedef değişken döviz kurunduysa ve diğer katılımcı değişkenler faiz oranlarıysa (iki para biriminin her birinde) olacaktır.

Karşılık gelen yöntemler çok boyutlu olarak adlandırılır. Doğrusal modellerin matematiksel yapısı oldukça basittir ve hesaplamalar, sayısal yöntemlerin standart paketlerinin yardımı ile fazla zorluk çekmeden yapılabilir. Zaman serilerinin analizinde bir sonraki adım, gerçek süreçlerde ve sistemlerde bir kural olarak, doğrusal olmayanları düşünebilecek modellerin geliştirilmesidir. Bu tür ilk modellerden biri Tong tarafından önerildi ve eşik bir otorgetim modeli (TAR) denir.

İçinde, (önceden kurulduğunda) eşik değerleri (önceden belirlenmiş), bir lineer AR modelinden diğerine geçiş yapın. Böylece, sistemde birkaç çalışma modu vardır.

Sonra yıldız- veya "pürüzsüz" katran modelleri sunulmaktadır. Böyle bir model, sürekli zaman fonksiyonları olan katsayılarla çekilen birkaç modelin doğrusal bir kombinasyonudur.

Doğrudan bağlantılı sinir ağlarına dayalı modeller

Önceki paragrafta açıklanan tüm modellerin nöral ağlar tarafından uygulanabileceğini fark etmek ister. Görüşün herhangi bir bağımlılığı

seçim "\u003e Şekil 13.8

İlk eylemler sahne aşaması P redüktif veri işleme- Açıkçası, güçlü bir şekilde sorunun özelliklerine bağlıdır. Gecikme yapısı dahil, işlemi karakterize eden doğru numarayı ve göstergeleri seçmeniz gerekir. Bundan sonra, ağ topolojisini seçmeniz gerekir. Ağlar doğrudan bağlantı ile uygulanırsa, gizli öğelerin sayısını belirlemeniz gerekir. Daha sonra, model parametrelerini bulmak için bir hata kriteri ve bir optimizasyon (öğrenme) algoritması seçmeniz gerekir. Ardından, teşhis araçlarını kullanarak, modelin çeşitli özelliklerini kontrol etmelisiniz. Son olarak, çıktı ağ bilgilerini yorumlamak ve belki başka bir karar destek sistemine göndermek gerekir. Daha sonra, ön işleme, optimizasyon ve analiz aşamalarında (refrakter) çözmek zorunda olduğunuz sorunları düşüneceğiz.

VERİ TOPLAMA

Analistin alması gereken en önemli kararı, benzetilmiş süreci tanımlamak için bir dizi değişken seçimidir. Farklı değişkenler arasındaki olası bağlantıları hayal etmek için, sorunun yaratıkını iyi anlamanız gerekir. Bu bağlamda, bu konuda deneyimli bir uzmanla konuşmak çok faydalı olacaktır. Seçtiğiniz değişkenlerle ilgili olarak, anlamanız gerekir, kendilerinde anlamlı mı oluyorlar ya da sadece diğer şeyler onlara yansıtılır, gerçekten önemli değişkenler. Önem kontrolü, çapraz korelasyon analizini içerir. Bununla birlikte, örneğin, iki satır arasındaki gecikme türünün (gecikme) geçici bağlantısını tanımlamak mümkündür. Fenomenin doğrusal model tarafından tarif edilebileceği, en az kareler yöntemi (OLS) ile regresyonla kontrol edilir.

Altyazıyı aşınmış optimizasyondan sonra alındı \u200b\u200b"\u003e

Bir veri çıkarma aracı olarak sinir ağları

Bazen, matematiksel sayısal formda neredeyse hiç gösterilebilecek verileri analiz etme görevi vardır. Bu, verileri çıkarmanız gerektiğinde, seçimin ilkelerini bulanık olarak belirtilen ilkeler: Güvenilir ortakları vurgulamak, vaat eden ürün vb. Bu tür görevler için tipik bir durumu düşünün - iflasın öngörülmesi. Diyelim ki, belirli bir süre için birkaç düzine bankanın (açık finansal tablolarının) faaliyetleri hakkında bilgi sahibi olur. Bu dönemin sonunda, bu bankalardan hangisinin bir lisans tarafından çekilen ve stabil bir şekilde çalışmaya devam eden (dönemin sonunda) çalışmaya devam eden iflas etti. Ve şimdi, bankaların para yatırmaya değer olduğu sorunu çözmemiz gerekiyor. Doğal olarak, yakında iflas edebilecek bir kavanoza para koymak istememiz muhtemel değildir. Bu, bir şekilde çeşitli ticari yapılardaki yatırım risklerini analiz etme görevini çözmemiz gerektiği anlamına gelir.

İlk bakışta, bu sorunu çözmek kolaydır - çünkü bankaların ve faaliyetlerinin sonuçları hakkında verilerimiz var. Ancak aslında, bu görev çok basit değil. Geçmiş dönemleri tanımladığı verilerden dolayı bir sorun var ve gelecekte ne olacağımızla ilgileniyoruz. Böylece, bir önceliğin temelinde mevcut bir öncelikli veriler için bir tahmin edinmemiz gerekir. Bu görevi çözmek için çeşitli yöntemler kullanabilirsiniz.

Böylece, en belirgin olanı matematiksel istatistik yöntemlerinin kullanımıdır. Ancak, veri miktarı ile ilgili bir sorun var, çünkü istatistiksel yöntemler çok miktarda bir öncelikli veri ile iyi çalışır ve sınırlı sayıda olabilir. Bu durumda, istatistiksel yöntemler başarılı bir sonucu garanti edemez.

Bu görevi çözmenin bir başka yolu, bir dizi veri üzerinde eğitilebilecek sinir ağlarının kullanımı olabilir. Bu durumda, çeşitli bankaların bu finansal raporları ilk bilgi olarak kullanılmaktadır ve sonuç, faaliyetlerinin bir hedef alanı olarak sonucudur. Ancak yukarıda açıklanan yöntemleri kullanırken, kaynak verilerinde kalıpları bulmaya çalışmadan sonucu uyguladık. Prensip olarak, tüm iflas bankaları birbirlerine en azından iflas ettikleri şeye benzer. Bu sonuçlara yönlendiren faaliyetlerinde daha yaygın bir şey olması gerektiği anlamına gelir ve bunları gelecekte kullanmak için bu kalıpları bulmaya çalışabilirsiniz. Ve burada bu kalıpların nasıl bulacağınızla ilgili bir soruya sahibiz. Bunun için, istatistik yöntemlerini kullanırsak, bize "benzer" için bu kriterlerin, görevin niteliği hakkında herhangi bir ek bilgiyi gerektirebilecekleri kullanmamız gerekiyor.

Bununla birlikte, düzenli değişiklikler için tüm bu işlemleri otomatikleştirmenize izin veren bir yöntem vardır - kendi kendini organize eden Kohonen kartlarını kullanarak analiz yöntemi. Bu tür görevlerin nasıl çözüldüğünü ve Kohonen kartlarının kaynak verilerinde kalıpları bulduğunu düşünün. Genelsellik göz önüne alındığında, nesneyi kullanacağız (örneğin, bir nesne, yukarıdaki örnekte olduğu gibi bir banka olabilir, ancak belirli bir teknik olmayan tekniği, çözme ve diğer görevler için uygundur - örneğin, kredibilitenin analizi Müşteri, pazarda en iyi davranış stratejisi bulma, vb.). Her nesne, durumunu tanımlayan bir dizi farklı parametre ile karakterize edilir. Örneğin, örneğimiz için, parametreler finansal raporlardan veri olacaktır. Bu parametrelerin genellikle sayısal bir formu vardır veya ona getirilebilir. Böylece, benzer nesneleri vurgulamak ve sonuçları algı için uygun bir biçimde sunmak için nesne parametrelerinin analizine dayanmaya ihtiyacımız var.

Tüm bu görevler kendi kendini organize eden Kohonen kartları ile çözülür. Nasıl çalıştıklarını daha ayrıntılı olarak düşünün. Düşünceyi basitleştirmek için, nesnelerin 3 işarete sahip olduğunu varsayıyoruz (aslında herhangi bir sayı olabilir).

Şimdi, tüm bu üç parametrenin üç boyutlu alanda koordinatları olduğunu hayal edin (günlük yaşamda bizi çevreleyen alanda). Daha sonra, her nesne, bu alanda yapacağımız bir nokta olarak gösterilebilir (böylece eksenlerde farklı bir ölçekte hiçbir problemimiz olmasayız, aralıktaki tüm bu işaretleri herhangi bir uygun şekilde düzeltin), bunun sonucunda noktaları tek boyutlu bir küp Şekil. 13.9. Bu noktaları görüntüleyin. Bu resme bakıldığında, nesnelerin uzayda nasıl olduğunu görebiliriz ve nesnelerin gruplandırıldığı alanları fark etmek kolaydır, yani. Benzer parametreleri var, bu, bu nesnelerin kendilerinin büyük olasılıkla bir gruba ait olduğu anlamına gelir. Bu sistemin algı için basit bir algı, tercihen iki boyutlu bir sistem için basit bir şekilde dönüştürülebileceği bir yol bulmamız gerekiyor (çünkü düzlemde doğru bir şekilde gösterilecek üç boyutlu bir resim var), böylece eklemlerdeki tesisler Alanın yanında ve ortaya çıkan resimde. Bunu yapmak için kendi kendini düzenleyen bir Kohonen haritası kullanın. İlk yaklaşımda, lastik pirinçten yapılmış bir ağ olarak gösterilebilir. 13.10.

Biz, "reklam" öncesi ", bu ağı zaten nesnelere sahip olduğumuz işaretlerin işaretlerine atıyoruz ve sonra aşağıdaki gibi yapıyoruz: Bir nesneyi (bu boşluğa işaret ediyoruz) ve en yakın ağ düğümünü bulduk. Bundan sonra, bu düğüm nesneye sıkılır (brid "kauçuktan bu yana, bu düğümle aynı, ancak daha küçük bir kuvvet ve bitişik düğümlerle sıkılır).

Sonra başka bir nesne seçilir (nokta) ve prosedür tekrarlanır. Sonuç olarak, kaynaklardaki nesnelerin ana birikimlerinin konumu ile çakışan bir harita alacağız. Şekil 13.11. Ek olarak, ortaya çıkan kart aşağıdaki harika özelliklere sahiptir - BT düğümleri, birbirine benzer olan tesislerin kartın bitişik düğümlerine karşılık gelecek şekilde bulunur. Şimdi hangi nesneleri kartın hangi nesnelerinin olduğunu belirliyoruz. Ayrıca en yakın düğüm tarafından belirlenir - nesne, buna daha yakın olan düğüme düşer. Tüm bu işlemlerin bir sonucu olarak, benzer parametrelere sahip nesneler bir düğüme veya bitişik düğümlerde düşecektir. Böylece, benzer nesneler ve gruplandırmalarını bulma görevini çözebileceğimizi varsayabiliriz.

Ancak Kohonen kartlarının bu yetenekleri bitmiyor. Ayrıca, elde edilen bilgilerin renklendirme uygulayarak basit ve görsel bir biçimde izin verirler. Bunu yapmak için, alınan kartı (daha doğrusu, düğümlerini), bizim için ilginin özelliklerine karşılık gelen çiçeklerle boyuyoruz. Örneğe, bankaların sınıflandırılmasıyla birlikte geri dönerek, bir lisansın en az birinin, bir lisans tarafından çekilen bankaların en az birinin rengini boyayabilirsiniz. Ardından, renklendirmeyi uyguladıktan sonra, bir risk bölgesi olarak adlandırılabilecek bir bölge alıyoruz ve bu bölgede bize ilgi bankası güvenilmezliğini konuşuyor.

Ama hepsi bu değil. Ayrıca parametreler arasındaki bağımlılıklar hakkında bilgi alabilirsiniz. Karta çeşitli raporları karşılayan bir boyama kartı uygulanması, piyasanın durumu hakkında bilgi depolayan sözde ATLAS'ı alabilirsiniz. Çeşitli parametreler tarafından oluşturulan renklerin renklendirmesinin düzenlenmesini karşılaştırırken, bankaların finansal portresi - kaybedenler, müreffeh bankalar vb. Hakkında tam bilgi alabilirsiniz.

Bütün bunlarla, tarif edilen teknoloji evrensel yöntem Analiz. Bununla birlikte, çeşitli faaliyet stratejilerini analiz etmek, pazarlama araştırması sonuçlarını analiz etmek, müşterilerin kredibilitesini kontrol etmek, vb.

Bir haritaya sahip olmak ve çalışılan bazı nesneler hakkında bilgi edinmek, aşina olmadığımız nesneleri güvenilir bir şekilde yargılayabiliriz. Yeni ortağın ne olduğunu bilmek mi gerekiyor? Haritada göster ve komşulara bak. Sonuç olarak, bulanık özelliklere göre veritabanından bilgi çıkarabilirsiniz.

Bir veritabanını temizleme ve dönüştürme

Ön, ağın girişine gönderilmeden önce, standart istatistiksel teknikleri kullanarak verilerin dönüşümü, her iki öğrenme parametresini (süre, karmaşıklık) ve sistem çalışmasını önemli ölçüde iyileştirebilir. Örneğin, giriş serisinin farklı bir üstel formu varsa, o zaman logaritmaşlarından sonra, daha basit bir satır ortaya çıkarır ve bunun içindeki karmaşık bağımlılıklar varsa, onları tespit etmek çok daha kolay olacaktır. Çok sık, standart dışı dağıtılmamış veriler, doğrusal olmayan dönüşüme maruz kalır: Değişkenin değerlerinin ilk sayısı bazı fonksiyonlarla dönüştürülür ve çıkışta elde edilen satır yeni bir giriş değişkeni için alınır. Tipik dönüşüm yöntemleri kök çıkarma, ters miktarlar, üsteller veya logaritmaların yapımıdır.

Verilerin bilgi yapısını geliştirmek için, değişkenlerin belirli kombinasyonları yararlı olabilir - işler, özel vb. Örneğin, stok fiyatlarındaki değişiklikleri seçenekleri piyasa seçeneklerindeki seçeneklerin sayısındaki değişikliklerin öngördüğünü, seçeneklerin sayısının, yani satılık seçeneklerinin bulunduğu seçeneklerin seçenekleri (Arama Seçenekleri, yani Satınalma Seçenekleri) adresini bilgilendirme. bu göstergelerin her ikisi de ayrı ayrıdır. Buna ek olarak, bu tür ara kombinasyonların yardımıyla, sık sık daha fazlasını elde edebilirsiniz. basit modelBu, özellikle özgürlük derecelerinin sayısı sınırlı olduğunda önemlidir.

Son olarak, çıktı düğümünde uygulanan bazı dönüşüm fonksiyonları için, problemler ölçeklendirme ile ortaya çıkar. Sigmoid segmentte tanımlanır, böylece çıkış değişkeni bu aralıktaki değerleri alacak şekilde ölçeklendirilmelidir. Ölçülmenin birkaç yolu vardır: sabit bir değişim, ortalama bir minimum ve maksimum değerlerde orantılı bir değişim, ortalama değeri çıkararak merkezleme, standart sapmayı bir, standardizasyon (birlikte iki son eylem) getirerek merkezleme. Ağdaki tüm giriş ve çıkış değerlerinin değerlerini her zaman yatırmanız, örneğin aralığında (veya [-1,1]), daha sonra herhangi bir dönüşüm fonksiyonunu kullanmak mümkün olacaktır. risk.

Bina modeli

Hedef serilerin değerleri (bu, örneğin, önümüzdeki gün için geliri bulmak için), bir değişkenlerin bir kombinasyonu olabileceği, geçmiş hedef değişken değerleri kodlanmış kalite göstergelerinin bir kombinasyonu olabileceği n faktörlerine bağlıdır. .

Model kalitesinin değerlendirilmesi, genellikle ortalama ikinci dereceden hata (MSE) türünün (MSE) veya BT (RMSE) türünün rızası için kriterlere dayanır. Bu kriterler, öngörülen değerlerin teyit veya test setinin bir eğitimin nasıl yakın olduğu gösterilmiştir.

Zaman serilerinin lineer analizinde, öğrenme seti (MSE) üzerinde çalışma sonuçlarını, ücretsiz parametrelerin (W) sayısı (W) ve eğitim setinin hacmini () genelleştirebilme yeteneğinin vazgeçilmez bir değerlendirmesini elde etmek mümkündür ( N). Bu türün tahminleri denir bilgi Kriterleri (1c) ve rızanın kriterine ve modelin karmaşıklığını dikkate alan bir iyiliğin bir bileşenine karşılık gelen bir bileşeni içerir. Aşağıdaki bilgi kriterleri önerilmiştir: Normalize (Naic), Normalize Bayesovsky (NBIC) ve Nihai Tahmin Hatası (FPE):

altyazı "\u003e

YAZILIM

Bugüne kadar, sinir ağları uygulayan birçok yazılım paketi geliştirilmiştir. İşte en ünlü olanlar: Yazılım pazarında sunulan sinir ağı simülatörleri: Nestor, Cascade korelasyonu, Neudisk, Mimenice, Nu Web, Beyin, Dana, NöralWorks Profesyonel II Plus, Beyin Makinesi, Hnet, Explorer, Explorenet 3000, Nöro Çözümleri , Prapagator, Matlab Toolbox. Ayrıca, üniversite sunucuları (örneğin, SNNS (Stuttgart) veya Nevada QuickPropagation ile serbestçe dağıtılan Si-Muilants'dan bahsetmeye değer. Önemli bir kalite paketi, veri işleme dahilinde bulunan diğer programlarla uyumluluğudır. Ek olarak, birçok megafropa (saniyede milyon kayan nokta işlemi) ulaşabilen dostça arayüz ve verimlilik önemlidir. Yönetim Kurulu Hızlandırıcıları, sıradan üzerinde çalışırken öğrenme süresini azaltmanıza izin verir. kişisel bilgisayarlar. Bununla birlikte, kuralı olarak sinir ağları kullanarak güvenilir sonuçlar elde etmek için güçlü bir bilgisayar gereklidir.

Verimli bir pazarın rastgele dolaşıp hipotezi ve hipotezi gibi finansal bilimin kurulan paradigmalarının, finansal piyasaların bilgileri rasyonel ve sorunsuz bir şekilde tepki gösterdiğini göstermektedir. Bu durumda, doğrusal bağlantılardan daha iyi bir şey ve geri dönüşümlü bir eğilim ile yatan hasta davranışlarından vazgeçebilirsiniz. Ne yazık ki, finansal piyasaların gerçek davranışlarında, sadece eğilimlerin tersine çevrilmesini, ancak sürekli olarak ortaya çıkan kursların tutarsızlığını, gelen bilgileri açıkça karşılayan oynaklığa ve periyodik olarak gerçekleşen fiyat ve oynaklık yarışlarını görüyoruz. Finansal piyasaların davranışlarını tanımlamak için bazı yeni modeller geliştirilmiş ve belli bir başarıya sahipti.

Menkul kıymetler pazarında finansal analiz

Bu çalışmada nöral ağ teknolojilerini kullanarak menkul kıymetler piyasası üzerindeki finansal analiz, petrol ve petrol ürünlerine göre gerçekleştirilir.

Ülkenin büyük ölçüde makroekonomik büyümesi ve refahı, petrol üreten ve petrol rafinaj endüstrisinin son derece önemli bir rol oynadığı temel endüstrilerin gelişimi seviyesine bağlıdır. Petrol endüstrisindeki durum, Rusya'nın tüm ekonomisinin durumunu büyük ölçüde belirler. Küresel petrol pazarındaki yerleşik fiyat durumu nedeniyle, Rusya için petrol endüstrisinin faaliyetlerinde en karlı taraf ihracattır. Petrol ihracatı, döviz kazancının en önemli ve hızlı kaynaklarından biridir. Petrol endüstrisinin en iyi temsilcilerinden biri Lukoil Petrol Şirketidir. NK "Lukoil", petrol ürünlerinin petrol, üretim ve satışı yapımında, üretim ve işlenmesi konusunda uzmanlaşmış, Rusya'da lider bir dikey-entegre petrol şirketidir. Şirket sadece Rusya'da değil, aynı zamanda yurtdışında da ümit verici projelere katılmaktadır.

Şirketin finansal ve üretim faaliyetleri Tablo 13.1'de açıklanmaktadır.

Masa. 13.1.

1998 için ana finans ve üretim göstergeleri

Belge Başlıksız

Yağ madenciliği (gaz yoğuşması dahil)		64192 1284
Ticari Gaz Üretimi	milyon metreküp. m / yıllık milyon metreküp Ayaklar / gün	3748 369
Petrol rafinajı (yabancı dahil) kendi rafinerileri	bin ton / yıl bin bar. / gün	17947 359
İhracat yağı	bin ton / yıl	24711
Petrol ürünleri ihracatı	bin ton / yıl	3426
Gelir	milyon Ruble USD Milyonu *	81660 8393
Satıştan Kâr	milyon Ruble USD Milyonu *	5032 517
Vergilendirmeden Önce Kâr (Rapora Göre)	milyon Ruble USD Milyonu *	2032 209
Vergilendirmeden Önce Kâr (Ders Farksız)	milyon Ruble USD Milyonu *	5134 528
Kazanan kazançlar (rapora göre)	milyon Ruble USD Milyonu *	118 12
Tutulan Kazançlar (Kurumlar Hariç)	milyon Ruble USD Milyonu *	3220 331
Varlıklar (yılın sonunda)	milyon Ruble USD Milyonu *	136482 6638

1998 yılında dünya fiyatlarının düşüşüyle \u200b\u200bbağlantılı olarak, ihracatları 1997'de 6,3 milyona karşı 3.4 milyon tona ulaşmıştır. Şirketin petrol ürünleri için küresel pazardaki fethetti pozisyonlarını korumak için, piyasa koşullarını iyileştirmek için 1999 yılında ihracatın 1999'da 5-6 milyona getirilmesi planlanmaktadır. Bir öncelik, ihracat büyümesi için uyarıcı koşullar oluşturmak ve mümkün olan maksimum karın çıkarılmasıdır.

Her türlü sözleşme biçimleri de dahil olmak üzere petrol ve petrol ürünleri satma sürecinin önemli bir bileşeni, fiyatların kurulması prosedürü, tarafların sorumluluğu, diğeri ise borsa. Bu ürünün satışını satın alma aşamasında meydana gelen tüm süreçleri biriktirir ve eşlik eden risklere karşı sigortalanmaya yardımcı olur.

Petrol ve Petrol Ürün Vadeli İşlem Sözleşmelerinin Yapıldığı Borsalar: New York Emtia Borsası (NYMEX) ve Londra Uluslararası Petrol Borsası (IPE). Borsa, yasal olarak tüccarların organizasyonu biçiminde yürütülen toptan satış pazardır. Vadeli işlem sözleşmelerinde ticaret için mekanizmaların geliştirilmesi ve ikincisinin daha önce işlem gördüğü emtia, vadeli işlemler ve para birimi değişimlerinin tüm varlıkları üzerindeki tanıtımı, belirtilen hisse senedi borsaları arasındaki farkların silinmesine ve vadeli değişimlerin ortaya çıkmasına neden oldu. Yalnızca vadeli işlemlerin sözleşmelerinin, hem vadeli işlemlerin hem de hisse senetleri, para birimi ve hatta bireysel mallar gibi geleneksel hisse senedi varlıklarının ticareti yapan evrensel değişimler.

Değişim fonksiyonları aşağıdaki gibidir:

kamu ihalesi için değişim toplantılarının organizasyonu;

hisse senedi sözleşmelerinin geliştirilmesi;

exchange Ticaret sırasında sonuçlandırılmış değişim işlemlerinden kaynaklanan anlaşmazlıkların değiştirilmesi veya çözülmesi;

değer değişimi işlevi. Bu özelliğin iki yönü vardır. Birincisi, değişimin görevinin "gerçekten" piyasa fiyatlarının belirlenmesi, ancak aynı zamanda, borsada fiyatlarla yasadışı manipülasyonları önlemeye yönelik düzenlemeleri. İkincisi, değişimin bir fiyat-prognozudur;

hedge Fonksiyonu veya stokta ticaret yapan katılımcıların değişim sigortası, fiyat dalgalanmalarından vazgeçilmezdir. Riskten korunma işlevi, ticaret vadeli işlem sözleşmelerinin mekanizmasının kullanımına dayanır. Bu özelliğin özü, tüccarın HEDGER olduğu (yani sigortalanan kişi) - hem satıcı hem de alıcısı olmalı. Bu durumda, ürünün fiyatındaki herhangi bir değişiklik nötrleştirilir, çünkü satıcının kazançları eşzamanlı olarak alıcıyı kaybetti ve bunun tersi. Bu durum, örneğin, her zamanki pazardaki alıcının konumu, bu satıcı durumunda, Exchange vadeli işlem sözleşmelerinin pazarında, alıcının yerine oturması gerektiği gerçeğinden elde edilir. Tipik olarak, ürünler üreticileri ürünleri ve alıcılar için düşük fiyatlardan korunur - satın alınan ürünler için fiyatları yükseltmek:

spekülatif hisse senedi aktivitesi;

İşlev işlemlerini garanti eder. Temizleme sistemlerinin ve hesaplamaların stoklama yardımı ile elde edilir;

değişimin bilgi işlevi.

Küresel petrol ve petrol ürünlerinin gelişimi için statü ve beklentilerle ilgili temel bilgi kaynakları, Piatt'ın tırnak acentelerinin (en büyük Amerikan yayıncılık şirketinin yapısal bölünmesi) ve Argus petrolünün (bağımsız şirket, birleşik) yayınlarıdır. Krallık).

Tırnaklar, belirli bir gün için belirli bir çeşit yağ için fiyat aralığı hakkında bir fikir verir. Buna göre, asgari fiyattan (asgari işlemlerin asgari fiyatları veya belirli bir çeşit petrol satın almanın asgari ortalama fiyatları) ve fiyatları ve fiyatları (maksimum işlem fiyatı veya satış için maksimum fiyat teklifi) oluşur.

Tekliflerin doğruluğu, toplanan bilgi miktarına bağlıdır. Tekliflerdeki ilk veriler gerçek zamanlı olarak verilir (uygun ekipmanlara erişim varlığında elde edilebilir) 21.00-22.00 Moskova zamanında. Bu veriler, ön fiyatları açıklayan işlemlerle ilgili yeni bilgilerin sonuna kadar makbuz durumunda ayarlanabilir. Tekliflerin son hali, bu ajansların resmi baskı yayınlarında verilmektedir.

Tırnaklar hemen teslimatla yapılan işlemler olarak verilir - fiyat "nokta" (iki hafta içinde teslimat ve bazı petrol çeşitleri için) ve ertelenmiş teslimatla yapılan işlemler (anahtar çeşitliliği ile) - fiyatlar "İleri" (tedarik) Bir ayda iki ay ve üç ay).

Nokta ve ileri alıntılar hakkında bilgi, serbest piyasadaki petrol ticaretinde önemli bir unsurdur. "Spot" alıntılar, önceden sonuçlanan "ileri" işlemin seçilen fiyatının doğruluğunu değerlendirmek için kullanılır; Malların nakliyesi sırasında spot alıntılara dayanan formül bazında yapılan hesaplamalar için faturaları çıkarmak; Ayrıca, kat mevkidelerinin bir sonraki teklif günü için fiyat koşullarını tartışmaya başladığı bir kaynak noktası olarak.

Gecikmeli teslimat işlemlerinin sabit fiyatlarını yansıtan "ileri" tırnaklar, esasen piyasa katılımcılarının bir ay, iki ve üç ay boyunca tahmin edildiği bir tahmin değerlendirmesidir. Spot Quotes ile birlikte, ileri tırnakları en büyük olasılıkla, bu yağ alanındaki fiyat değişikliğinin bir, iki ve üç ay içinde perspektif için eğilimini gösterir.

Standart kalite sınıfının yağ için alıntılar verilmiştir. Belirli bir yağ partisinin kalitesi standarttan farklı ise, daha sonra bir işleme girerken, partinin fiyatı, indirim veya kalite ödülünü dikkate alarak alıntıların temelinde belirlenir.

İndirim veya kalite ödülünün büyüklüğü, belirli bir mal partisinin netback fiyatının, bu standart kalitede Nebek yağı fiyatından farklılık gösterdiğine bağlıdır.

Yukarıdakilerin içeriğini özetleyen, verimli petrol ihracatı sağlamak için, tedarikçinin "nokta", "ileri" alıntılarında verileri, petrol ürünleri ve vadeli pozisyonlar, nethekk fiyatları, navlun ve Sigorta oranları, proje dinamikleri ve hisse senetleri yağı. Minimum bilgi gereksinimleri, ihraç edilen petrol ve rekabetçi petrol çeşitleri, yayılma, navlun ve sigorta oranlarının dinamikleri üzerindeki spot ve ileri tırnak bilgisine indirilir. Borsada oluşan ana acil sözleşmeler türleri şunlardır:

Vadeli işlem sözleşmesi - İşlem sırasında gelecekte malların satın alma ve satışı için sözleşme.

Seçenek, gelecekte istenen fiyata petrol veya petrol ürünleri için bir vadeli işlem sözleşmesini satın alma veya satma yükümlülüğü sağlayan bir sözleşmedir. Futures sözleşmelerinde işlem yaptıkları değiş tokuşlarda işlem gören seçenekler.

İleri fırsat - Anlaşma, icra süresi, borsada olduğu sonucuyla örtüşmeyen ve sözleşmede şart koşar.

"Spot" anlaşması, sonuçlarının, infaz dönemi ile çakıştığı ve böyle bir işlemle, para biriminin derhal konması gerektiği gerçeği ile karakterize edilir, para birimi derhal (bir kural olarak, sonucundan sonra en geç iki iş günü) işlem).

Sözleşmeyi sonuçlandırırken, özel rol oynanır tahmin durumunun doğruluğu Bu tür mallarda pazarda, bunun için fiyat tahmini. Bu nedenle, tahmin tahminlerinin petrol ve petrol ürünlerinin etkisini elde etmedeki rolünü göz önünde bulundurmanın önemli olduğunu düşünüyoruz.

Listelenen işlemleri taahhüt ederken bir anahtar noktasına sahiptir - bu tahminlerin doğruluğudur. Tabii ki, teorinin bakış açısına göre, hala gelecekte fiyatların nerede olacağını görünce. Konumu açtık, kendileri için yağı satışı fiyatı için kapattık, çünkü bizim için artık daha yüksek olmayabilir. Bu nedenle, kesin tahmin bize fiyat değiştirirken gerekli işlemler seçeneği sunar. Geçersiz tahmin kayıp anlamına gelir. Pazarı tahmin etmenin birçok yolu var, ancak sadece bazıları özel ilgiyi hak ediyor. Yıllar geçtikçe, finansal piyasaların tahmin edilmesi, rasyonel beklentilerin teorisine dayanarak geçici satırları ve teknik analizi analiz etmiştir.

Rasyonel beklentilerin teorisine göre, yatırımcıların rasyonel olmaları ve hemen yeni bilgilere cevap vermesi nedeniyle fiyatlar artışı veya azalması: örneğin yatırım amaçlı veya onlara sunulan bilgiler ile ilgili yatırımcılar arasındaki farklar istatistiksel olarak önemsiz olarak görmezden gelinir. . Böyle bir yaklaşım, piyasanın tam bilgi açıklığının varsayılmasına dayanır, yani. Katılımcılarının hiçbirinin diğer katılımcıların sahip olmadığı bilgisine sahip olmadığı gerçeği. Aynı zamanda, rekabet avantajı olamaz, çünkü uygun olmayan bilgilere sahip olmak, kar için şansın arttırılması imkansızdır.

Zaman serilerini analiz etme amacı, istatistiksel yöntemler kullanarak fiyatlardaki değişimi etkileyen belirli sayıda faktör tanımlamaktır. Bu yaklaşım, piyasa geliştirme eğilimlerini tanımlamanıza izin verir, ancak, verilerin saflarında tekrarlanabilirlik veya homojen döngüler varsa, kullanımı ciddi zorluklarla ilişkili olabilir.

Teknik Analizsadece borsaların iç parametrelerinin çalışmasına dayanan kararlar analiz etmek ve karar vermek için bir yöntemdir: Fiyatlar, İşlemler ve Açık Faiz Değerleri (Satın Alma ve Satış İçin Açık Sözleşmelerin Sayısı). Teknik analizi öngörmek için her türlü yöntemler iki büyük gruba ayrılabilir: grafik yöntemleri ve analitik yöntemler.

Grafik teknik analizi, çeşitli pazarların bir analizidir. grafik modelleriMevcut bir eğilimin devam etmeme veya değiştirme olasılığını üstlenmek için programlardaki belirli fiyat hareketleri ile oluşturulur. Ana grafik türlerini düşünün:

Doğrusal. Doğrusal grafiklerde, yalnızca sonraki her süre için kapanış fiyatı kutlanır. Kısa segmentlerde önerilir (birkaç dakikaya kadar).

Zamanlama Segmentleri (çubuklar) - üzerinde barlar grafikler, maksimum fiyatı (kolonun üst noktası), minimum fiyat (kolonun alt noktası), açılış fiyatı (dikey kolonun solunda) ve kapanma fiyatı ( dikey sütundan sağa abbreet). 5 dakika ve daha fazlası için gereken süre için önerilir.

Japon mumlar (barlar ile analoji tarafından inşa edilmiştir).

Çapraz Tartlar - Zaman ekseni yok ve başka bir dinamiğin görünümünden sonra yeni bir fiyat sütunu oluşturulmuştur. Fiyatlar, fiyatların belirli sayıda eşya tarafından artması durumunda, fiyatların belirli sayıda eşya tarafından (riversion kriterleri) azaldığı takdirde çapraz çizilir.

Aritmetik ve logaritmik ölçekler. Bazı analiz türleri için, özellikle uzun vadeli eğilimlerin analizinden bahsediyorsak, logaritmik bir ölçek kullanmak uygundur. Aritmetik bir ölçekte, bölümler arasındaki mesafe değişmedi. Logaritmik ölçekte aynı mesafe değişikliğin yüzdesi ile aynı şekilde karşılık gelir.

Grafikler hacmi.

Bu tür teknik analizlerin postulaları, aşağıdaki temel teknik analizin temel kavramlarıdır: Trendler çizgileri, piyasa direnişi ve desteği seviyeleri, mevcut eğilimin düzeltilmesi seviyeleri. Örneğin:

Direnç hattı (direnç):

alıcılar artık bu ürünü daha fazla satın almak ya da satın almak istemiyorsa ortaya çıkıyor. yüksek fiyatlar. Satıcıların baskısı, sonuç olarak, büyüme durur ve bir düşüş ile değiştirilir;

pazarın önemli maxima (köşeleri) bağlanın.

Destek Hattı:

pazarın önemli minimayı (alt kısımlarını) birleştirin;

artık artık satıcı yok ya da bu ürünü daha düşük fiyatlarla satmak istemiyor. İçin bu seviye Oldukça güçlü bir şekilde satın alma arzusuyla fiyatlar ve satıcılardan baskıya karşı koyabilir. Düşüş askıya alındı \u200b\u200bve fiyatlar tekrar çıkmaya başlıyor.

Aşağı gidiyor, destek hattı dirence dönüşür. Yükselen, direnç hattı desteğe dönüşür.

Fiyatlar iki paralel düz çizgi (kanal çizgileri) arasında değişiyorsa, bir içki (aşağı veya yatay) kanalın varlığı hakkında konuşabilirsiniz.

İki tür grafik modelini ayırt eder:

1. Kırılma modelleri, belirli koşullar yapılırken, pazarda bulunan eğilimin değişikliğini öngörebilen modelin grafikleri üzerinde modüle edilme eğilimindedir. Bunlar arasında "baş-omuzlar", "çift köşe", "çift taban", "üçlü tepex", "üçlü baz" gibi modelleri içerir.

Bazılarını düşünün.

"Kafa - Omuzlar" - eğilim dönüşünü onaylar.

Şekil.13.22. 1-birinci köşe; 2 ikinci köşe; 3-line boynu

Headshoulders - baş - omuzlar.

Şekil.13.23. 1 pin sol omuz; 2 pim; sağ omzun 3 pimi; 4 çizgili boyun.

2. Modeller eğilime devam eder - belirli koşullar yaparken, güncel eğilimi sürdürme şansı olduğunu iddia etmeyi gerekli kılan modellerde oluşan modeller. Belki de eğilimi çok hızlı ve geçici olarak aşılama durumuna geçti. Daha sonra ara düzeltmeden sonra, eski eğilime yönelik gelişimine devam edecektir. Bu grupta, "üçgenler", "elmaslar", "bayraklar", "flamalar" ve diğerleri gibi modeller var. Örneğin:

Kural olarak, bu rakamlar oluşumunu kaplama p (kıç) eşittir:

tanımıyorum "\u003e

Üçgen

Piyasadaki üçgenler korkmalı. R-fiyat üssü. T-Geçici Baz. Figürün dökümü bir mesafede gerçekleşir: "\u003e

verilerin toplanması ve saklanması - tahminlerde olası katılımcılar (veya bir kriter olarak veya öngörülen bir değer olarak veya başka bir şey olarak);

trend veya bir dizi kriter için tanım (ve doğrudan veritabanında bulunan veriler her zaman kullanılamaz, örneğin, bazı veri dönüşümlerini, örneğin değerlerdeki göreceli değişiklikleri kullanmak için kriterler olarak yapılması genellikle gereklidir;

öngörülen değer ile bazı fonksiyon biçiminde kriter kümesi arasındaki bağımlılığın tespiti;

faiz değerinin belirli bir fonksiyona uygun olarak hesaplanması, öngörülen an için kriterlerin değerleri ve tahmininin türü - kısa vadeli veya uzun vadeli).

Çalışmanın pratik bölümünde, herhangi bir zaman aralığı için herhangi bir eğilimin tarihi verilerine göre (ay, yıl, birkaç yıl), bir süredir sunulur (dakika, 5 dakikalık, yarım saat, gündüz, vb. Tırnaklar) Önümüzdeki birkaç zamandaki ayrıklar için tekliflerin tahmin geliştirilmemiz gerekiyor. Varlıklar alıntılarına ilişkin bilgiler, ayrık zamanın alıntılarını açıklayan standart parametrelerin tümü veya bir kısmı ile temsil edilir: açılış fiyatları, kapanışlar, maksimum, minimum, işlem hacmi kapanış sırasında açık faiz.

Nöral ağların hızlı ve yüksek kaliteli bir tahmin elde etmek için kullanılması, Şekil 2'de düşünülebilir. 13.27 "Nöral ağları kullanarak borsada tahmin etmek için teknolojik şema."

Ülkemizde en çok gelişen üç pazarın tüm trendlerinin tam bir tahmin için, birçok finansal araç da dahil olmak üzere, veri tahmini için yeterli miktarda kaynak gereklidir. Şemadan görülebileceği gibi, aşağıdaki bilgiler şu anda uygulanmaktadır:

bilgi ve ticaret veri ajansları "Reuters", "Dow Jones", "Bloomberg";

mICEX ve RTS sitelerinden alım satım bilgileri;

manuel giriş yoluyla diğer veriler.

Gerekli tüm veri veritabanına kaydolur (MS veritabanı SQL Server). Aşağıdakiler, tahminlere katılmak için verilerin seçimi ve hazırlanmasıdır. Bu ön aşamada, 200'den fazla bilgi türünün seçimi ve en önemli kriterlerin ticaret verisi olan görevi, bazı finansal araçların veya bir grup finansal araçların ilgisinin değerinin tahmini için karşı karşıya kalmaktadır. Birincil kriter seçimi analist tarafından yapılır ve ikincisinin deneyimine ve sezgisine bağlıdır. Analitik, teknik analiz için araçlar verilmiştir, grafikler şeklinde temsil edilen, hidden ilişkilerini yakalayabileceğiniz analiz eder. Geçici bir tahmin aralığı tahsis edilir.

İşlenmiş veriler daha sonra 5 günlük perceptron kullanılarak tanınan STATIS-TICA SİNIRAL ağlarının sinir ağ paketine kaydolur. Ağın her biri, eğilim değişikliklerini karakterize eden dört göstergeden birini atar (teknik analizde çizelgeler olarak): İstikrarlı bir süre, artan, aşağı, belirsiz. İşlenmiş verilere dayanarak, ağ bir tahmin oluşturur, ancak elde edilen sonuçların açıklamalarını sağlamak için tahmin sürecini zorlaştırıyoruz. Statist1CA sisteminde daha fazla işlem gerçekleşir. Verilerin türüne göre aynı şekilde dönüştürülmesi gerekmez.

STATISTICA paketindeki STATISTANCA paketindeki zaman serisini işleme sürecinde, üstel bir pürüzsüzleştirme (üssel pürüzsüzleştirici tahmin) kullanarak, bir eğilim, daha sonra kısa süreli tahmin için eşit (5 günlük periyotlara) ayrılmış bir eğilim belirlenir. . Trend ayarı, sunulan dört yöntemden birine göre yapılır (doğrusal, üstel, yatay, polinom). Denememiz için üstel bir yöntem seçtik. Trend eğilimi ve düzeltmeye ilişkin verileri aldı. Bu veriler çok katmanlı bir perceptron kullanarak sinir ağlarına geri döner. Eğitim, üssel pürüzsüzleştirerek yapılır, bunun bir sonucu olarak, daha önce elde edilen tahminlerin doğruluğunu onaylar. Arşivleme özelliğini kullanarak sonuçları görüntüleyin.

Elde edilen öngörülen değerler bir tüccar tarafından analiz edilir, bunun bir sonucu olarak, menkul kıymetler ile işlem yapmanın doğru kararının yapıldığı.

Borsayı analiz etme ve tahmin etme problemini çözmek için bir yaklaşım, ekonomik süreçlerin geliştirilmesinin döngüsel yapısına dayanmaktadır. Döngü tezahürü, ekonomik dönemlerin dalga benzeri gelişimidir. Ekonomide zaman serilerini tahmin ederken, durumu doğru bir şekilde değerlendirmek ve siklik salınımların eğilim çizgisine bindirildiğini dikkate almadan oldukça doğru bir tahmin haline getirmesi imkansızdır. Modern ekonomik bilimde, 1380'den fazla döngüsellik türü bilinmektedir. Ekonomi, aşağıdaki dört kişiyle fayda sağlar:

Kitin döngüleri - hisse senedi döngüsü. Kitchin (1926), envanteri sürerken finansal hesapların analizi ve satış fiyatlarının analizine dayanarak 2 ila 4 yıl arasında kısa dalgaların çalışmasına odaklandı.

Yahudinin döngüleri. Bu döngünün başka isimleri vardır: iş döngüsü, endüstriyel döngü vb. Fransa, Büyük Britanya ve Amerika Birleşik Devletleri'nde Endüstriyel Salınımların Doğası'nda, yüzde ve fiyat oranlarının temel analizine dayanarak çevrimler keşfedildi. Çıktığı gibi, bu dalgalanmalar yatırım döngüsüyle örtüştü, bu da GSMH, enflasyonda ve istihdamda değişiklik başlattı.

Demirci döngüleri. J. Ryghalman, v.nuven 1930'larda. Bazı diğer analistler, kümülatif yıllık konut hacminin ilk istatistiksel endekslerini oluşturdu ve onlara hızlı büyüme ve derin durgunluk veya durgunluğun uzun vadeli anketlerini buldu. Sonra "Bina Döngüleri" terimi ilk kez ortaya çıktı.

Condratyev döngüleri. Büyük devirler, uzun bir süre ekonomik dengenin ihlali ve restorasyonu olarak kabul edilebilir. Çekirdekleri, ana üretim güçlerini yaratmak için yeterli birikim, birikim ve sermayenin saçılması mekanizmasında yer almaktadır. Ancak, bu ana neden ikincil faktörlerin etkisini arttırır. Yukarıdakilere göre, büyük bir döngünün gelişimi aşağıdaki aydınlatmayı alır. Kalkınmanın başlangıcı, sermayenin birikiminin ve birikiminin, üretimin maliyet etkin bir şekilde yatırımının, üretim güçlerinin ve teknolojinin radikal rehabilitasyonu amacıyla maliyet etkin bir şekilde yatırımının mümkün olduğu bir voltaja ulaştığı anla çakışıyor. Ayrıca, Kondratyev'in ana "gerçeklerine" göre, büyük bir döngünün hızlı dalgası sırasında, orta ve kısa dalgalar, dağılımların kısalması ve yükselenlerin yoğunluğu ve orada büyük bir döngünün büyük bir dalgasının dönemleri sırasında karakterize edilir. ters bir resimdir.

Borsada, titreşim verileri aşağıdaki satırlarda ve belirli bir süre için iş faaliyetlerinin durgunluk seviyelerinde tezahür eder: döngünün zirvesi, düşüş, en düşük nokta ve canlandırma aşaması.

Bu yazıda, menkul kıymetler pazarındaki fiyat dalgalanmalarının, çeşitli dalgaların ve rastgele, stokastik faktörlerin satırlarının üst üste binmesi sonucudur. Döngülerin varlığını belirlemek ve işlemin bulunduğu fazı belirlemek için bir girişimde bulunulur. Buna bağlı olarak, işlem parametresi ile ilgili uygun varsayımlarda arima fonlarını kullanarak sürecin daha da geliştirilmesinin tahmini oluşturulmuştur.

Sistem geçişleri, farklı uzunluktaki dalgaların üst üste gelmesidir. Bildiğiniz gibi, dalgaların birbirini değiştiren birkaç aşamaya sahiptir. Yeniden canlandırma, durgunluk veya durgunluk aşaması olabilir. Bu fazlar sembolik değerler A, B, C olarak atanırsa, birinci dereceden bir dizi olarak temsil edilebilirler (teknik analizde benzer çizelgeler) ve bu dizileri (aynı zamanda kaldırma süreleri, durgunluk, durgunluk, yani , B, c, sadece daha küçük ölçekli), gramer "SRC \u003d" formülünün olasılığı ile tanıyan kurallarına dayanarak, http://hi-redi.ru/e -books/xbook725/files/28.gif "Sınır \u003d" 0 "align \u003d" absmiddle "alt \u003d" (! Lang:. O zaman ayrıca AAABBCD şeklinin dizilerini de dikkate alabiliriz. Dalganın kendisini ve fazını tanıdığımızı ortaya çıkar.

Şimdi sadece daha doğru kısa vadeli bir tahmin yapmayı başarabiliriz, ancak gelecekte borsa pazarının genel dinamiklerini izleyebiliriz (uzun bir dalganın aşamasını belirleyen, bir sonraki karakterini yargılayabiliriz, çünkü aşamalar belirli bir sekans). Denememizde, dalgaların aşamalarının (A, B, C, D) algısal tanınmasını eğitmeye çalıştık.

Deney için, 1 Haziran 1998'den itibaren Lukoil hisseleri (LKON) RTS ile yapılan ticaret sonuçları alınmıştır. 31 Aralık 1999'da, aşağıdaki değişkenler orijinal veritabanına dahil edildi: ağırlıklı ortalama alım fiyatı, ağırlıklı ortalama satış fiyatı, maksimum gün fiyatı, minimum gün fiyatı, işlem sayısı. Listelenen değişkenlerin değerleri olan veritabanı, Excel Çarşamba günü internetten ithal edildiler ve daha sonra SNW paketine aktarıldı. Daha fazla bu prosedür tarafından gözden geçirildi İncir. 13.28 - Serinin bireysel gözlemlerini alan ağırlıklar.

Pürüzsüzleştirme aralığının genişliği 4 gözlemine eşit olarak alınmıştır. Sonra, trendin sayısal ekspresyonu (Şekil 13.30), yeni değişken yumuşatmaya eklendi.

Böylece, veritabanını sinir ağ girişine beslenecek değişkenlerle oluşturduk. Ve çünkü SNW, SNN ile tamamen uyumludur, SNN'de spesifik olarak veriler gerekli değildi. Girişte A, B, C, D, ancak bu amaç için, perseceptron'un daha doğru bir kısa vadeli hale getirme vakası olduğumuz aşamayı tanımak zorunda kaldı. tahmin. Başka bir deyişle, ilkellerin dizilerini düşünmeli ve bunları döngünün aşamalarıyla tanımlamalıdır. Ayrıca, A, B, C, D döngü tipinin aşaması çıkışa üretilmez.

Perceptron öğrenme görevini uygulamak için, 5 günlük bir mobil pencere tahsis edilir. Geçici bir pencere, A, B, C veya D'sinin bir sekansından oluşur. Böylece, ağırlıklı bir ortalama satın alma fiyatındaki sayısal bir eğilimin parçalı yaklaşımı ile daha doğru bir tahmin elde edilebilir.

Pershepton'u beş günlük dizileri tanımak ve onları A, IN, S veya D olarak tanımlamak için eğitmek için, belirli sayıda seçenek için aşamalarını belirlemek ve sonuçlarımızı orijinal veritabanının yeni bir değişkenine (Devlet) eklemek zorunda kaldık. Böylece, nihayet kurulan veritabanı aşağıdaki değişkenlerin değerlerini içerir: satın alımın ağırlıklı ortalama fiyatı, ağırlıklı ortalama satış fiyatı, maksimum günlük fiyat, minimum gün fiyatı, işlem sayısı, Trend'e göre tahsis edilmiş Satın alma işleminin ağırlıklı fiyatı ve son olarak, ekonomik sürecin durumunu tanımlayan değişken. Sonuncusu dışındaki tüm değişkenler girişe uygulandı. Sadece çıkışta elde edilmesi gerekiyordu, böylece eğitimdeki perceptron bu değişkenin değerine tepki vermedi ve ağırlıkları yakaladı ve böylece sadece dört değer elde edilebilir: A, IN, S, D ve ardından , tanınan devlete göre, kaldırma aşamasının sabitlik aşamasını takip ettikten sonra ve daha sonra tekrar durgunluk olduğunu ve kısa vadeli tahminlerin kısa vadeli bir tahmin yapabileceği dikkate alındığını dikkate almıştır. Böylece, tüm veriler tahmin için toplanır. Şimdi sadece bir soru devam ediyor: Ağ için hangi parametreler ve nasıl öğretileceğini. Bu bağlamda, birkaç deney yapıldı ve sonuç olarak aşağıdaki sonuçlar verildi.

Başlangıçta, çok katmanlı bir perceptron'u tersi hata yayılımı yöntemiyle eğitmek için tasarlanmıştır. Yalnızca çıktıda, girişe (yukarıda listelenmiştir) 7 değişken uygulandı. Giriş ve çıkış katmanlarına ek olarak, bir ara katman, 6 ve daha sonra 8 nörondan oluşan bir ara katman yapıldı. ÖĞRENME HATASI yaklaşık 0.2-0.4 idi, ancak perceptron zayıf bir şekilde tepki gösteriyor. Bu nedenle, ilk önce orta katmandaki nöron sayısını 14'e kadar artırmaya karar verdik ve daha sonra PERCEPTRON ("KONAKLI GEÇEĞİ") öğrenme yöntemini değiştirdik. Hata, 0.12-0.14 aralığında dalgalanmaya başladı ve birçok değişken değeri bir eğitim olarak kabul edildi.

Deneylerin bir sonucu olarak, optimum ağ, aşağıdaki parametrelere sahip bir sinir ağı olduğu ortaya çıktı: 7 değişken girişe uygulanır: sorunsuz, ortalama, open_buy, voltrad. VAL_Q, MIN_PR, MAX_PR, çıktı durumunda. Eğitim, konjugat degradeler yöntemi ile 6 artışlarla gerçekleştirildi, sadece 3 kat (ilk 7 nöronda, üçüncü - 3'teki, üçüncü - 3) (Şekil 13.29), sonuç olarak, persekptron Açıkça eğilim durumuna (artan - 1 çıkış nöronu, katman, ndash; 2 nöro çıkış katmanı ve yatay - 3 nöron) (Şek. 13.31).

Çalışmaların bir sonucu olarak, tahmin edilen değerler ve öngörülen değerleri ve kriter setlerini tanımladılar ve ayrıca aralarındaki ilişkiyi ortaya çıkardı.

Deney sürecinde, eğilimin seçiminin çok katmanlı bir perceptron öğrenme oranını arttırdığı ve ağın belirli bir düzenlemesi ile artan, aşağı ve yatay eğilimleri tanıdığı bulundu.

Elde edilen pozitif sonuçlar, piyasalardaki siklik bağımlılıkların daha derin bir çalışmasına ve finansal işlemler sırasında (Kohonen kartı) diğer nöral teknolojilerin yöntemlerini kullanmanın mümkün olmasını sağlar.

İyi günler, benim adım Natalia Efremova ve ben Ntechlab'daki bilimciyi araştırıyorum. Bugün sinir ağlarının türlerini ve kullanımlarını anlatacağım.

İlk önce firmamız hakkında birkaç kelime söyleyeceğim. Şirket yeni, belki birçoğunuz ne yaptığımızı bilmiyorsunuz. Geçen yıl, megaface yarışmasını kazandık. Bu uluslararası bir parti tanıma yarışmasıdır. Aynı yıl şirketimiz açıldı, yani pazarda bir yıl bile, biraz daha fazlası. Buna göre, biz bireylerin tanınması ve biyometrik görüntülerin işlenmesinde lider firmalardan biriyiz.

Raporumun ilk kısmı, sinir ağlarına aşina olmayanlara gönderilecektir. Doğrudan derin öğrenmeyi yapıyorum. Bu alanda 10 yıldan fazla çalışıyorum. Bir on yıl önce biraz daha az görünse de, derin öğrenme sistemine benzer bir türör ağları olarak eskiden bir tür sinir ağları olarak kullanılır.

Son 10 yılda, derin öğrenme ve bilgisayar vizyonu inanılmaz bir şekilde geliştirildi. Bu alanda önemli olan tek şey son 6 yılda gerçekleşti.

Pratik yönlerden bahsediyorum: Şirkette çalıştığım gibi, görüntüleri ve videoları tanımak için görüntüleri ve videoları tanımak için derin öğrenme açısından ne zaman başvuruda bulunacağız. Oyunların ve robotiklerde hangi yaklaşımların kullanıldığı duyguların tanınması hakkında biraz şey söyleyeceğim. Ayrıca, standart olmayan derin öğrenme kullanımı, sadece bilimsel kurumlardan çıkan ve şu ana kadar neyin uygulanabileceği gibi, uygulanabileceği için hala çok az uygulandığını ve neden uygulanması zor.

Rapor iki bölümden oluşacak. Sinir ağlarına en aşina olduğundan, öncelikle, nöral ağların nasıl çalıştığını, biyolojik sinir ağlarının ne olduğunu, neden yapay sinir ağlarının olduğunu ve hangi alanların hangi mimarilerin uygulandığını bilmemiz önemlidir.

Hemen özür dilerim, İngilizce terminolojisine biraz zıplayacağım, çünkü Rusça olarak nasıl çağrıldığını bile bilmiyorum. Belki de sen.

Böylece, raporun ilk kısmı konvinitör nöral ağlara ayrılacaktır. Size konvinasyon nöral ağının (CNN) çalışmalarını, resimlerin yüz tanıma alanındaki görüntülerin nasıl tanınmasını söyleyeceğim. Tekrarlayan sinir ağları tekrarlayan sinir ağı (RNN) ve derin öğrenme sistemlerinin örneğinde güçlendirme ile öğrenmeyi biraz anlatın.

Sinir ağlarının standart dışı kullanımı olarak, CNN'nin tıpta nasıl çalıştığını, voksel görüntülerini tanımak için, sinir ağlarının Afrika'daki yoksulluğu tanımak için nasıl kullanıldığını söyleyeceğim.

Sinir ağları nedir

Sinir ağları oluşturmak için prototip yeterli değil, biyolojik sinir ağları. Belki de, sinir ağını nasıl programlayacağınızı biliyorsunuz, ama nereden geldiğini, bazılarının bilmediğini düşünüyorum. Bize gelen tüm duyusal bilgilerin üçte ikisi, algı görsel organları ile birlikte gelir. Beynimizin yüzeyinin üçte birinden fazlası, en önemli iki görsel bölgeyle - dorsal görsel bir şekilde ve ventral görsel bir şekilde nişanlanır.

Dorsal görsel yolu, birincil görsel bölgede, Temkok'umuzda başlar ve üst katta, ventral yol başımıza başlar ve kulaklar hakkında biter. Bize olan görüntülerin tüm önemli tanınması, anlamsız olduğumuz şey, tam olarak orada, kulakların arkasında gider.

Neden önemlidir? Çünkü sinir ağlarını anlamak genellikle gereklidir. Öncelikle, herkese söylenir ve ben zaten olanlara çoktan alışmıştım ve ikincisi, gerçek şu ki, gerçek ağlarda kullanılan tüm alanların, her küçük olduğu yerde ventral görsel yoldan bize gelmiştir. Kesin olarak tanımlanmış işlevinden bölge sorumludur.

Görüntü bize gözün retinasından alır, görsel bölge dizisi zamansal alanda geçer ve biter.

Geçen yüzyılın uzak 60'larında, beynin görsel bölgelerinin incelenmesi başladığında, ilk deneyler hayvanlar üzerinde gerçekleştirildi, çünkü FMRI yoktu. Beyin, çeşitli görsel bölgelerinde yanmış elektrotlar kullanılarak incelenmiştir.

İlk görsel bölge, 1962'de David Humebel ve Torsten Wester tarafından araştırıldı. Kedilerde deneyler yaptılar. Kediler çeşitli hareketli nesneler gösterdi. Beyin hücrelerinin tepki verdiği şey, hayvanı tanıyan uyarandı. Şimdi bile, birçok deney bu drakonik yollarla gerçekleştirilir. Bununla birlikte, beynimizdeki en küçük hücreyi neyin yaptığını öğrenmenin en etkili yolu budur.

Aynı şekilde, derin öğrenmede kullandığımız görsel bölgelerin daha önemli özellikleri şimdi açıktır. En önemli özelliklerden biri, birincil görsel bölgelerden temporal fraksiyonlara geçtikçe, bu, daha sonra görsel bölgelerden elde edilen hücrelerimizin alıcı alanlarında bir artışdır. Alıcı alan, beynimizin her bir hücresinin işlendiği görüntünün bir parçasıdır. Her hücrenin kendi tarifi alanına sahiptir. Bu özellik, muhtemelen her şeyi bildiğiniz için sinir ağlarında korunur.

Ayrıca, tarif alanlarındaki artışla, genellikle sinir ağlarını genellikle tanıyan karmaşık teşvikler artmaktadır.

Burada uyarıcıların karmaşıklığının, V2, V4 bölgelerinde tanınan çeşitli iki boyutlu formlar ve makaktaki geçici alanların çeşitli bölümlerini görürsünüz. MRG'de bir dizi deney de var.

Burada böyle deneylerin nasıl yapıldığını görüyorsunuz. Bu, BT korteks bölgelerinin 1 nanometresi parçasıdır. "Çeşitli nesneleri tanırken bir marteks. Tanınır.

Özetliyor. Görsel bölgelerde alınmak istediğimiz önemli bir mülk, alıcı alanların büyüklüğünün arttığı bir şeydir ve tanıdığımız nesnelerin karmaşıklığı artıyor.

Bilgisayar görüşü

Bilgisayar vizyonuna uygulanmayı öğrenmeden önce - genel olarak orada değildi. Her durumda, şimdi çalıştığı kadar iyi değildi.

Tüm bu özellikler sinir ağına aktarılır ve şimdi daha sonra söyleyecek olan veri kümelerine hafif bir geri çekilme içermezse kazanmıştır.

Ama ilk önce en basit pericton hakkında biraz. Aynı zamanda beynimizin imajında \u200b\u200bve benzerliğinde oluşur. Beyin hücresine benzeyen en basit öğe nörondur. Soldan sağa, ara sıra alttan üstten sağa, varsayılan olarak yerleştirilmiş giriş elemanlarına sahiptir. Soldaki nöronun giriş kısımları, nöronun sağ çıkış kısımlarında.

En basit perceptron, yalnızca en basit işlemleri gerçekleştirebilir. Daha karmaşık hesaplamalar yapmak için çok sayıda gizli katmana sahip bir yapıya ihtiyacımız var.

Bilgisayar vizyonunda, daha fazla gizli katmanlara ihtiyacımız var. Ve sadece o zaman sistem ne gördüğünü tanıyabilecektir.

Peki, görüntüyü tanırken ne olur, kişilerin örneğini anlatacağım.

Bu resme bakmamız ve heykelin yüzünün üzerinde gösterildiğini söylüyoruz. Ancak, 2010 yılına kadar, bilgisayar vizyonu için inanılmaz bir meydan okumaydı. Bu soruyu ele alanlar, muhtemelen resimde bulmak istediğimiz nesneyi tarif etmenin ne kadar zor olduğunu biliyorlar.

Geometrik bir yol yapmasına, nesneyi tanımlamaya, nesnenin ilişkisini tanımlayacağız, bu parçaların birbirine nasıl atıfta bulunabilir, ardından nesnede bu görüntüyü bulabilir, onları karşılaştırıp kötü bir şekilde tanıyalım. Genellikle bir jeton atmaktan biraz daha iyiydi. Şans seviyesinden biraz daha iyi.

Şimdi yanlış olur. Görüntüyümü piksellere ya da bazı yamalarda böleriz: 2x2, 3x3, 5x5, 11x11 piksel - Sinir ağında bir giriş katmanı olarak hizmet ettikleri sistemin yaratıcıları için uygun.

Bu giriş katmanlarından gelen sinyaller, katmandan tabakadan katmana iletilir, her bir katmanın kendine özgü katsayıları vardır. Öyleyse, katmandan katmana, katmandan katmana katmandan katmana geçiyoruz.

Koşullu olarak, tüm bu parçalar üç sınıfa ayrılabilir, onları X, W ve Y ile belirtiriz, burada X'in giriş imajımızdır, Y bir etiket kümesidir ve ağırlıklarımızı almamız gerekiyor. W'yi nasıl hesaplarız?

X ve yimizle basit görünüyor. Bununla birlikte, bir yıldızla, ne yazık ki, tersinin tersi olmayan, çok karmaşık olmayan bir doğrusal olmayan operasyon ile gösterilir. Denklemin belirli bir bileşenine sahip olsa bile, hesaplamak çok zordur. Bu nedenle, yavaş yavaş, deneme ve hata yöntemiyle, ağırlık seçimi ile, hatanın mümkün olduğunca azaltıldığından emin olun, sıfıra eşit olması istenir.

Bu işlem yinelemektedir, bizim için yeterli olan W ağırlığının değerini bulana kadar sürekli azalırız.

Bu arada, çalıştığım sinir ağı sıfıra eşit bir hataya ulaşmadı, ama oldukça iyi çalıştı.

Sizden önce, 2012 yılında uluslararası görüntüleme yarışmasını kazanan ilk ağ. Bu sözde Alexnet. İlk defa kendisini ilan ettiği bu ağ, konvigasyonel sinir ağları olduğunu ve aynı zamanda tüm uluslararası yarışmalarda aynı zamanda zaten konviüzyonel sinir ağları gelmiş geçmişlerini pes etmedi.

Bu ağın oldukça küçük olması gerçeğine rağmen (içinde sadece 7 gizli katman var), 60 milyon parametre ile 650 bin nöron içeriyor. Doğru ağırlıkları bulmayı öğrenmek için yinelemektedir, çok fazla örneğe ihtiyacımız var.

Sinir Ağı, resim ve etiket örneğinde çalışıyor. Çocukluğuna gelince, "Bu bir kedidir ve bu bir köpek" dedi, nöral ağlar çok sayıda resimde eğitilmiştir. Fakat gerçek şu ki, 2010 yılına kadar oldukça büyük veri set'si yoktu, bu da görüntüleri tanımak için böyle bir sayıda parametreyi öğretebilecek.

Bu süreden önce var olan en büyük veritabanları: Kaliforniya Teknoloji Enstitüsü'nde tasarlanan 20 nesne kategorisi ve Caltech 101'in bulunduğu Pascal VOC. İkincisinde 101 kategorisiydi ve çok oldu. Bu veritabanlarından herhangi birinde nesnelerini bulamayan aynı, veritabanlarına mal olmasını sağlamak zorunda kaldı, söyleyebilirim, çok acı verici.

Ancak, 2010 yılında, Imagenet'in üssü, 22 bin kategoriden ayrılan 15 milyon görüntü bulundu. Sinir ağlarını öğrenme sorunumuzu çözdü. Artık herhangi bir akademik adresine sahip olan herkes, taban sitesine sessizce gidip, nöral ağlarını eğitmek için erişim isteyin ve bu veritabanını elde edin. Bizim görüşüme göre, ertesi gün yeterince hızlı cevap veriyorlar.

Önceki Veri Set'am ile karşılaştırıldığında, bu çok büyük bir veritabanıdır.

Örnekte, bundan önceki her şeyin ne kadar az olduğu görülmektedir. Aynı anda ImageNet'in temelinde, ImageNet yarışması, rekabet etmek isteyen tüm takımların katılabildiği uluslararası mücadelede ortaya çıktı.

Bu yıl, ağ Çin'de yenildi, 269 kat oldu. Kaç parametreyi bilmiyorum, çok fazla şeyden şüpheleniyorum.

Derinlik nöral ağ mimarisi

Koşullu olarak, 2 bölüme ayrılabilir: öğrenenler ve öğrenmeyenler.

Siyah, öğrenmeyen bu parçaları işaretledi, diğer tüm katmanlar öğrenme yeteneğine sahip. Her bir evetim katmanının içindeki birçok tanım vardır. Kabul edilen atamalardan biri, konvolasyon aşamasında, dedektör aşamasında ve havuzlama aşamasında paylaşılan üç bileşen içeren bir katmandır.

Ayrıntılara girmeyeceğim, yine de detaylı olarak tartışıldığı birçok rapor olacak. Sana örneğini söyleyeceğim.

Organizatörler, çok fazla formülden bahsetmememi istedi, çünkü onları hiç attım.

Böylece, giriş görüntüsü, farklı boyutlarda filtreler ve tanımladıkları elemanların farklı karmaşıklığını belirleyebilecek bir katman ağına girer. Bu filtreler belirli bir dizin veya bir dizi özelliği oluşturur, bu da sınıflandırıcıya girer. Bu genellikle SVM veya MLP - uygun olan çok katmanlı bir perceptron.

Biyolojik sinir ağına sahip olan görüntü ve benzerlik, nesneler değişen karmaşıklıkla tanınır. Katmanların sayısı arttıkça, tüm korteks ile teması kaybetti, çünkü sinir ağındaki bölge sayısı sınırlıdır. 269 \u200b\u200bveya çok sayıda soyutlama bölgesi, bu nedenle sadece karmaşıklıktaki bir artış, elementlerin ve tarif alanlarının sayısı korunur.

Bireylerin tanınması örneğini göz önünde bulundurursak, daha sonra ilk katmanın alıcı bir alanına sahibiz, daha sonra biraz daha, daha fazla, ve böylece nihayet tüm yüzün yüzünü tanımayacağımıza kadar.

Filtreler içindeki filtrelerde olan şeyin bakış açısına göre, önce eğimli çubuklar artı bir miktar renk, sonra kişilerin bir parçası olacak ve sonra tüm yüz katmanın her bir hücresi tarafından tanınacaktır.

Bir kişinin her zaman ağdan daha iyi tanıyacağını iddia eden insanlar var. Öyle mi?

2014 yılında, bilim adamları, nöral ağlarla karşılaştırıldığında ne kadar iyi tanımadığımızı kontrol etmeye karar verdiler. Şu anda en iyi 2 ağı aldılar - bu Alexnet ve Ağ Matthew Ziller ve Fergus'dır ve bazı nesneleri tanımak için başarılı olan çeşitli Mcaki beyin bölgelerinin tepkisi ile karşılaştırıldığında. Nesneler hayvan dünyasıydı, böylece maymun karışmaz ve daha iyi tanıyan deneyler yapıldı.

Maymundan bir cevap almak açıkça imkansız olduğu için, elektrotlar verildi ve her nöronun tepkisi ile doğrudan ölçüldü.

Normal koşullar altında, beyin hücreleri, o zamanlar, yani Matthew Ziller'in şebekesi olan sanat modelinin durumunun yanı sıra reaksiyona girdiği ortaya çıktı.

Bununla birlikte, nesneleri gösterme hızında, görüntüdeki gürültü sayısını ve nesnelerinin arttırılması, tanınma hızı ve beynimizin kalitesi ve primatların beyni çok düşüyor. En basit konvige nöral ağ bile, nesneleri daha iyi tanır. Yani, resmi olarak sinir ağları beynimizden daha iyi çalışır.

Convinitional Sinir Ağlarının Klasik Görevleri

Aslında çok değil, üç sınıfla ilgilidir. Bunlar arasında bir nesnenin tanımlanması, anlamsal segmentasyon, bireysel tanıma, insan vücudu parçalarının tanınması, sınırların anlamsal tanımının, görüntüdeki nesnelerin tahsis edilmesi ve yüzeye normal tahsis edilmesi gibi görevlerdir. 3 seviyeye ayrılabilirler: en düşük seviyelerden en yüksek seviye görevlerine kadar.

Bu görüntünün örneğiyle, görevlerin her birini yaptığını düşünün.

• Sınırların tanımı - Bu, konvutional sinir ağlarının zaten klasik olarak uygulandığı en düşük seviye görevidir.
• Vektörün normalin belirlenmesi Üç boyutlu bir görüntüyü iki boyutludan yeniden yapılandırmamızı sağlar.
• Çikolazım, Nesneleri Tanımlama - Kişinin bu resmi dikkate almaya dikkat edeceği şey budur.
• Anlamsal segmentasyon Nesneleri yapılarıyla sınıflara bölmenize izin verir, bu nesneler hakkında hiçbir şey tanıma, yani, bunlardan önce bile.
• Sınırların anlamsal seçimi - Bu, sınıflara ayrılan sınırların tahsisidir.
• İnsan vücudu parçaları.
• Ve en üst seviye görevi - nesnelerin kendileri tanınmasıŞimdi bireysel tanıma örneğini düşünüyoruz.

Yüz tanıma

Yaptığımız ilk şey - bir yüz bulmak için görüntüdeki yüz dedektörü "OHM'yi çalıştırın. Sonra, normalleştiririz, yüzünüzü ortalayın ve sinir ağında başa çıkacak şekilde başlatın. Bundan sonra, bir set veya işaret vektörünü alabiliriz. Bu kişinin özelliklerini benzersiz bir şekilde tanımlamak.

Sonra bu vektör işaretleri, veritabanımızda depolanan işaretlerin tüm vektörleriyle karşılaştırabilir ve kendi adına, veritabanında saklanabilecek her şey adına belirli bir kişiye referans alabilirsiniz.

Böylece ürün findface işlerimizdir - bu, temel "VKontakte" alanındaki insanların profillerini aramanıza yardımcı olan ücretsiz bir hizmettir.

Buna ek olarak, ürünlerimizi denemek istedikleri şirketler için bir API'imiz var. Kişileri, doğrulama ve kullanıcı kimliğini tespit etmek için hizmet veriyoruz.

Şimdi 2 senaryo var. İlk tanımlama, veritabanında arama. İkincisi doğrulama, bu, bu aynı kişi olduğuna dair belirli bir olasılıkla iki görüntünün karşılaştırılmasıdır. Buna ek olarak, şimdi duyguların tanınması geliştirmemiz durumunda, video ve canlılık tespitinde imaj tanınması, bir kişinin kamera veya bir fotoğrafın önünde yaşayıp yaşamadığı bir anlayıştır.

Bazı istatistikler. Tanımlanırken, 10 bin fotoğraf ararken, bazın kalitesine,% 99 doğrulama doğruluğuna bağlı olarak yaklaşık% 95'lik doğruluk var. Ve bunun yanı sıra, bu algoritma değişmeye çok dayanıklıdır - mutlaka odaya bakmıyoruz, biraz yanıp sönen eşyalara sahip olabiliriz: gözlük, güneş gözlüğü, sakal, tıbbi maske. Bazı durumlarda, gözlük ve maske gibi bilgisayar vizyonu için bu kadar inanılmaz zorlukları bile yenebiliriz.

Çok hızlı arama, 1 milyar fotoğrafın işlenmesi üzerine 0.5 saniye harcanır. Eşsiz bir hızlı arama endeksi geliştirdik. Ayrıca CCTV kameralarından elde edilen düşük kaliteli görüntülerle de çalışabiliriz. Hepsini gerçek zamanlı olarak idare edebiliriz. Fotoğrafları bir web arayüzünden, Android, iOS ve 100 milyon kullanıcıyı arayabilir ve 250 milyon fotoğraf arayabilirsiniz.

Dediğim gibi, Megaface Rekiness - Imagenet için analog, ancak bireysel tanıma için yer aldık. Birkaç yıl boyunca gerçekleşti, geçen yıl Google dahil, dünyanın her yerinden 100 takımdan en iyisiydik.

Tekrarlayan sinir ağları

Sadece görüntüyü tanımak için yeterli olmadığımızda tekrarlayan sinir ağlarını kullanıyoruz. Sıraya uymamız için önemli olduğu durumlarda, bize olanların sırasına ihtiyacımız var, geleneksel tekrarlayan sinir ağlarını kullanıyoruz.

Bu, görüntüleri tanımak için bile, video işlemesi için doğal dili tanımak için kullanılır.

Doğal bir dilin tanınmasından bahsetmeyeceğim - raporumdan sonra hala doğal bir dilin tanınmasına yönlendirilecek iki tane daha var. Bu nedenle, size duyguların tanınması örneğinde nüks ağlarının çalışmalarını anlatacağım.

Tekrarlayan sinir ağları nelerdir? Her zamanki sinir ağları ile aynıdır, ancak geri bildirim ile aynıdır. Geri bildirim Sinir ağının girişine veya bazı katmanları için sistemin bir önceki durumu için aktarmamız gerekir.

Duyguları işlediğimizde. Bir gülümsemeyle bile - en basit duygulardan biri - birkaç dakika var: yüzün nötr ifadesinden tam bir gülümsemeye sahip olduğumuza kadar. Birbirlerine bir araya geliyorlar. Böylece anlamak iyidir, bunun nasıl gerçekleştiğini gözlemleyebilmemiz gerekir, önceki çerçevedeki neyin sistemin bir sonraki adımında olduğunu aktarmak için.

2005 yılında Montreal ekibi, vahşi doğada duygu tanımayı tanımak çok basit görünüyordu, tekrarlayan bir sistem yaptı. Sadece birkaç tarama katmanı vardı ve sadece videoyla çalıştı. Bu yıl ayrıca, sesin tanınmasını da eklediler ve konvinitör nöral ağlardan elde edilen çerçeve verilerine, tekrarlayan sinir ağının (devletin geri dönüşüyle) alınan ve yarışmada ilk yeri alındılar.

Takviye ile eğitim

Son zamanlarda çok sık kullanılan, ancak önceki 2 tipi olarak böyle geniş bir tanıtım alamadığı bir sonraki türal ağlar, derin takviye öğrenmesi, güçlendirme ile öğrenme.

Gerçek şu ki, önceki iki durumda veritabanlarını kullandığımızdır. Resimler veya verilerden gelen bireylerden veya verilerden videolardan gelen verilerden veri var. Eğer yoksa, bunu sayamazsak, nesneleri almak için bir robotun nasıl öğretileceği? Bu otomatik olarak yapıyoruz - nasıl çalıştığını bilmiyoruz. Başka bir örnek: Bilgisayar oyunlarındaki büyük veritabanlarını derlemek zordur ve daha kolay yapılmaya gerek yoktur.

Hepsi, muhtemelen Atari ve Guo'da derin takviye öğreniminin başarısını duydu.

Atari'yi kim duydu? Birisi duydum, iyi. Alphago Hakkında Herkes duyduğumu düşünüyorum, bu yüzden tam olarak ne olacağını bile söylemeyeceğim.

Atari'de ne olur? Soldaki bu sinir ağının mimarisi tasvir edilmiştir. Okuyor, maksimum ödülü almak için benimle oynuyor. Maksimum ücret, mümkün olduğunca en çok oyunun mümkün olan en yüksek sonucudur.

Sağdaki - Sinir Ağının son katı, kendisini sadece iki saat boyunca kendisine karşı oynadığı tüm durum durumu sayısını gösteren. Kırmızı, maksimum ücret ile oyunun istenen sonuçlarını gösterir ve mavi istenmeyen. Ağ belirli bir alan oluşturur ve eğitimli katmanları boyunca elde etmek istediği devlete taşır.

Robotikte, durum biraz farklıdır. Neden? Burada birkaç zorluk var. İlk önce, çok fazla veritabanımız yok. İkincisi, üç sistemi bir kerede koordine etmeliyiz: robotun algısı, manipülatörlerin yardımıyla eylemleri ve hafızası - önceki adımda yapıldı ve nasıl yapıldığı. Genel olarak, hepsi çok zor.

Gerçek şu ki, sinir ağının, şu anda derin bir öğrenmenin bile olmadığı, bu görevle oldukça verimli bir şekilde başa çıkamıyor, bu yüzden derin öğrenme sadece robotlar yapmanız gerekenlerin son derece parçalarıdır. Örneğin, Sergey Levin son zamanlarda robotu yeterli nesneye sahip olmalarını öğreten bir sistem sağladı.

Burada 14 robotu manipülatörüne harcadığı deneyimleri gösterdi.

Burada neler oluyor? Gördüğünüz bu havzalarda, önünüzdeki çeşitli nesneler şunlardır: kolları, silgi, daha küçük ve daha fazla, paçavra, farklı dokular, farklı sertlik. Robotun onları yakalaması nasıl öğretileceğini belirsizdir. Saatlerce ve hatta görünüyor, haftalar, bu eşyaları yakalayabilmek için eğitilen robotlar, veritabanının bu konuda derlendi.

Veritabanları, gelecekte bir şeyi yapmak için bir robotu eğitmek için biriktirmemiz gereken ortamın belli bir cevabıdır. Gelecekte, robotlar bu sistem devletlerinde eğitilecek.

Sinir ağlarının standart dışı kullanımı

Bu ne yazık ki, son, çok zamanım yok. Şimdi olan ve birçok tahminde, gelecekte belirli bir uygulamaya sahip olan bu standart olmayan çözümleri anlatacağım.

Böylece, Stanford'un bilim adamları yakın zamanda CNN nöral ağının yoksulluk tahminleri için alışılmadık bir şekilde uygulanmasını icat etti. Onlar ne yaptı?

Aslında, kavram çok basittir. Gerçek şu ki, Afrika'da yoksulluk seviyesi, hayal edilebilecek tüm ve düşünülemez sınırlar için yükseltir. Sosyal demografik veri toplamış fırsatları bile yoklar. Bu nedenle, 2005'ten beri orada neler olup bittiğinde hiçbir veri yok.

Bilim adamları gündüz ve gece kartlarını uydulardan topladı ve nöral ağlarını bir süre savaştı.

Sinir ağı, "E" Imageet'te yaptığı iddialandırıldı, yani ilk filtre katmanları yapılandırıldı, böylece, örneğin evlerin çatıları, gündüz kartlarında yerleşim yerlerini aramak için herhangi bir çok basit şeylerin nasıl tanınacağını biliyordu. Sonra gün kartlar Gece kartları ile haritalandı. Yüzeyin aynı bölümünün aydınlatılması, nüfusun en azından evlerini gece boyunca ne kadar aydınlatacağını söylemek için.

Burada, sinir ağı tarafından yaptırılan tahminlerin sonuçlarını görüyorsunuz. Tahmin farklı çözünürlükte yapıldı. Ve görüyorsunuz - en son çerçeve - Uganda hükümeti tarafından 2005 yılında toplanan gerçek veriler.

Sinir ağının 2005'ten bu yana küçük bir vardiya bile olsa bile oldukça doğru bir tahmin olduğunu belirtti.

Tabii ki yan etkiler var. Derin öğrenime uğrayan bilim adamları, farklı yan etkileri keşfetmek için her zaman şaşırır. Örneğin, ağın su, ormanları, büyük şantiyeleri, yolları tanıdığını öğrendikleri gibi, önceden oluşturulmuş veritabanları olmadan öğretmenler olmadan. Genel olarak, tamamen bağımsız olarak. Örneğin yolda reaksiyona giren bazı katmanlar vardı.

Ve konuşmak istediğim son uygulama, 3B görüntülerin tıpta anlamsal bölümlemesidir. Genel olarak, tıbbi görüntüleme, çalışmak çok zor olduğu karmaşık bir alandır.

Bunun birkaç nedeni var.

• Çok az veritabanımız var. Hasar görmüş yanmanın yanı sıra beynin bir resmini bulmak o kadar kolay değil ve onu almak imkansız.
• Böyle bir resmimiz olsa bile, bir doktora girmeniz ve çok uzun ve son derece verimsiz olan tüm çok katmanlı görüntüleri manuel olarak göndermeniz gerekir. Tüm doktorların bunu yapacak kaynakları yoktur.
• Çok yüksek doğruluk gerekir. Tıbbi sistem yanlış olamaz. Örneğin, kedileri tanınırken, tanınmaz - korkunç bir şey yok. Ve eğer tümörü tanımıyorsak, o zaman bu çok iyi değil. Sistemin güvenilirliği için özellikle vahşi gereksinimler vardır.
• Üç boyutlu unsurlarda görüntüler - Vokseller, sistem geliştiricilere ek karmaşıklıklar sunan piksellerde değil.

Ama bu davada bu soruyu nasıl aldın? CNN bir bisküvi oldu. Bir parça daha normal bir çözünürlükle gerçekleştirilir, diğeri, eğitmemiz gereken katman sayısını azaltmak için biraz daha kötü bir izintir. Bundan dolayı, ağ eğitiminde biraz azaltılmış bir süre.

Uyguladığı yer: Darbeden sonra hasarı tanımlayın, beyindeki bir tümör aramak için, kalplerin nasıl çalıştığını belirlemek için kardiyolojidedir.

Burada plasentanın hacmini belirlemek için bir örnek.

Otomatik olarak iyi çalışır, ancak o kadar fazla değil ki, üretime ayrılmıştır, bu nedenle sadece başlar. Bu tür tıbbi görüş sistemleri oluşturmak için birkaç başlangıç \u200b\u200bvardır. Genel olarak, yakın gelecekte çok sayıda başlangıç \u200b\u200böğrenmesinde. Son altı aydaki girişim kapitalistlerinin, son 5 yıldan daha derin öğrenmeyi elde etmek için daha fazla bütçe tahsis ettiği söylenir.

Bu alan aktif olarak gelişen, birçok ilginç yer. Sizinle ilginç bir zamanda yaşıyoruz. Derin öğrenme yaptıysanız, muhtemelen başlangıçınızı açmanız gerekir.

Bunda, muhtemelen yine turdayım. Çok teşekkür ederim.

Sinir Ağları (NS), piyasanın davranışının çalışılmasında en son bilimsel yaklaşımlardan biridir. Nöral ağ fikri, tarihsel bilgilere dayanarak çeşitli süreçlerin davranışlarının (tekrarı) modellemesidir.

Son zamanlarda, yapay sinir ağlarını ve uzman sistemlerini birleştirmek için aktif girişimlerde bulunulmuştur. Böyle bir sistemde, yapay bir sinir ağı, en nispeten basit durumlara tepki verebilir ve diğerleri uzman sistemi göz önünde bulundurmak için iletilir. Sonuç olarak, karmaşık durumlar daha yüksek bir düzeyde kabul edilirken, ek veri toplamak veya hatta uzmanların katılımı ile mümkündür.

Sinir ağlarının yapısının seçimi, görevin özelliklerine ve karmaşıklığına uygun olarak gerçekleştirilir. Görev bilinen türlerden herhangi birine indirgenemezse, geliştirici yeni yapılandırmanın sentezinin karmaşık problemini çözmesi gerekir.

Sinir ağının kendisi, geçmiş verilerdeki eğitim sürecinde yapılandırılmış çeşitli parametrelerle özel bir matematiksel işlevlerdir. Ardından, eğitimli sinir ağı kaynak gerçek verileri işler ve çalışılan sistemin gelecekteki davranışlarını tahmin eder. Sinir ağlarına dayanan programların temel dezavantajı, sinir ağının uygun bir şekilde öğretilmesi ve piyasa modelinin yeterliliğini etkileyebilecek aşırı öğrenimin dışlanmasıdır.

Nörokompilasyonun avantajı, nöral ağın öğretilmesinin birleşik prensibidir - ampirik bir hatayı en aza indirir. Bu ağ yapılandırmasını tahmin eden hata işlevi, hedefin hangi şekilde perili olduğuna bağlı olarak dışardan ayarlanır. Daha sonra, ağ, konfigürasyonunu kademeli olarak değiştirmeye başlar - tüm sinaptik ölçeklerinin durumu bu hatayı en aza indirecek şekildedir. Sonuç olarak, öğrenme sürecinde, ağ, atanan görevle daha iyi başa çıkmıştır.

İki büyük sınıfa ayrılan birçok farklı öğrenme algoritması vardır: deterministik ve stokastik. Bunlardan bir ilkide, ölçeklerin düzeltilmesi, ikinci bir eylem dizisidir, ikinci - - belirli bir rastgele işlemlere uymayan eylemler temelinde yapılır.

Çok katmanlı sinir ağları (birbirine bağlı birkaç tek katmanlı sinir ağları) bir katmandan daha sonra kullanılmaya başlandı, çünkü Önceden bu tür ağları öğrenmek için hiçbir teknik yoktu. Çok katmanlı ağlar, daha karmaşık nesneleri tanıyabilir, yani. Tek katmandan daha optimum yaklaşım yeteneklerine sahiptir. Zaten üç katman sinir ağı herhangi bir görüntüyü tanıyabilir! Tekrarlayan (katmanlar arasında geri bildirimde) sinir ağı oluşturursanız, ağ bağımsız olarak çalışmaya başlar. Böyle bir ağa öğretmek için, bir giriş sinyalini dava etmek yeterlidir ve bu sinyaller tarafından belirtilen nesneyi sınıflandırabilir.

Sinir ağlarının ekonomik alanında, aşağıdaki görevlerin nörokomilgisayarlarının yardımı ile çözülürler: Sinir işleme yöntemlerine (döviz kuru, talep ve hisselerin talepleri vb.) Time serisinin öngörülmesi; Bankaların sigorta faaliyetleri; Sinir ağ sistemine dayanan iflasın tahmini; Bu işletmelere yatırım yapmak için bağlı kursların ve işletme hisselerinin belirlenmesi; Sinir ağlarının stok faaliyeti görevlerine uygulanması; Ekonomik ve yenilikçi projelerin finansmanının ekonomik verimliliğinin tahmin edilmesi.

Nöral ağlardaki tüm hesaplamalar, geliştirilen özel uygulama paketleri tarafından yapılır. NeuroopAckets, yeni bilgisayar ve bilgi teknolojileri alanında daha az klasik bir araç haline geldi. Bu nedenle, yeni ürünlerin geliştirilmesinde çok sayıda firma nörothechnoloji kullanır. Böyle bir ürüne sahipseniz, kurdunuz, sonra öğretin ve çalıştırın. Paketlerin kendileri yılda birkaç kez güncellenir, bu yüzden hepsi oldukça moderndir.

Birkaç şirket tarafından geliştirilen NEALAREWARE uygulama paketleri, kullanıcıların farklı türör ağları ile çalışmalarını ve bunları incelemenin farklı yollarıyla çalışmasına izin verir. İkisi de uzmanlaşmış olabilirler (örneğin, stokların bir seyrini tahmin etmek için) ve oldukça evrensel olabilirler.

Özellikle, bir paketi statistica nöral ağları vardır. Bu paketin gözle görülür bir avantajı, doğal olarak istatistiksel analiz yöntemlerinin büyük bir arsenaline ve istatistalya sisteminde sunulan verilerin görselleştirilmesine sahip olmasıdır.

Neurroshell Daytrader, pazar analizi için sinir ağları oluşturmak için en ünlü programdır. Sinir ağlarına ek olarak, teknik analizlerin klasik aletleri ve göstergelerini içerir. Metastock formatını anlar.

Excel Nöral Paketi, sinir ağı oluşturmak ve bunları Microsoft Excel'de analiz etmek için bir Rus programıdır.

Edebiyat: OSOVO S. Bilgi işleme için sinir ağları. M., Finans ve İstatistikler, 2002. Nazarov A.V., Loskutov A.I. Sistemleri tahmin etmek ve optimize etmek için nöral ağ algoritmaları. - SPB.: Bilim ve Teknoloji, 2003.