Вступ 3

Застосування Data mining 5

Висновок 7

Література 9

Вступ

В останні кілька років спостерігаємо вибух інтересу до нейронів з етям, які успішно застосовуються в різних областях - бізнесі, медицині, техніці, геології, фізиці. Нейронні мережі увійшли до практики скрізь, де потрібно вирішувати завдання прогнозування, класифікації чи управління. Такий вражаючий успіх визначається кількома причинами. Нейронні мережі – виключно потужний метод моделювання, що дозволяє відтворювати надзвичайно складні залежності. Зокрема нейронні мережі нелінійні за своєю природою. Протягом багатьох років лінійне моделюваннябуло основним методом моделювання більшості областей, оскільки йому добре розроблені процедури оптимізації. У завданнях, де лінійна апроксимація є незадовільною (а таких досить багато), лінійні моделі працюють погано. Крім того, нейронні мережі справляються із завданнями високої розмірності, що не дозволяє моделювати лінійні залежності у разі великої кількості змінних.

Простота у використанні. Нейронні мережі навчаються на прикладах. Користувач нейронної мережі підбирає представницькі дані, а потім запускає алгоритм навчання, який автоматично сприймає структуру даних. При цьому від користувача, звичайно, потрібно якийсь набір евристичних знань про те, як слід відбирати та готувати дані, вибирати потрібну архітектуру мережі та інтерпретувати результати, проте рівень знань, необхідний для успішного застосування нейронних мереж, набагато скромніший, ніж, наприклад, під час використання традиційних методів статистики.

Нейронні мережі привабливі з інтуїтивної точки зору, бо вони ґрунтуються на примітивній біологічній моделі нервових систем. У майбутньому розвиток таких нейробіологічних моделей може призвести до створення дійсно мислячих комп'ютерів. Тим часом вже «прості» нейронні етіє засобом в інструментарії спеціаліста з прикладної статистики. Так, одні з найпотужніших алгоритмів Data Mining засновані саме на нейронних мережах.

Data Mining перекладається як видобуток або розкопка даних. Нерідко поряд з Data Mining зустрічаються слова "виявлення знань у базах даних" та "інтелектуальний аналіз даних". Їх можна вважати синонімами Data Mining. Виникнення всіх зазначених термінів пов'язане з новим витком у розвитку засобів та методів обробки даних.

У зв'язку з удосконаленням технологій запису та зберігання даних на людей обрушилися колосальні потоки інформації в різних областях. Діяльність будь-якого підприємства (комерційного, виробничого, медичного, наукового тощо) тепер супроводжується реєстрацією та записом усіх подробиць його діяльності. Що робити із цією інформацією? Стало ясно, що без продуктивної переробки потоки сирих даних утворюють нікому не потрібне звалище. Специфіка сучасних вимог до такої переробки такі: дані мають необмежений обсяг, дані є різнорідними (кількісними, якісними, текстовими), результати мають бути конкретними та зрозумілими, інструменти для обробки сирих даних повинні бути прості у використанні.

Традиційна математична статистика, що тривалий час претендувала на роль основного інструменту аналізу даних, відверто рятувала перед проблемами, що виникли. Методи математичної статистики виявилися корисними головним чином перевірки заздалегідь сформульованих гіпотез й у «грубого» розвідувального аналізу, що становить основу оперативної аналітичної обробки даних.

Важливе положення Data Mining - нетривіальність шаблонів, що розшукуються. Це означає, що знайдені шаблони повинні відображати неочевидні, несподівані регулярності даних, що становлять так звані приховані знання. До суспільства прийшло розуміння, що сирі дані (raw data) містять глибинний пласт знань, при грамотній розкопці якого можуть бути виявлені справжні самородки.

Загалом технологію Data Mining досить точно визначає Григорій Піатецький-Шапіро - один із засновників цього напряму: Data Mining – це процес виявлення у сирих даних раніше невідомих нетривіальних практично корисних та доступних інтерпретації знань, необхідних для прийняття рішень у різних сферах людської діяльності.
^

Застосування Data mining

Сфера застосування Data Mining нічим не обмежена - вона скрізь, де є дані. Але насамперед методи Data Mining сьогодні, м'яко кажучи, заінтригували комерційні підприємства, які розгортають проекти на основі інформаційних сховищ даних. Досвід багатьох підприємств показує, що віддача від використання Data Mining може досягати 1000%. Наприклад, відомі повідомлення про економічний ефект, що в 10-70 разів перевищив початкові витрати від 350 до 750 тис. $ Відомі відомості про проект у 20 млн. $, який окупився всього за 4 місяці. Інший приклад - річна економія 700 тис. $ за рахунок впровадження Data Mining у мережі універсамів у Великій Британії.

Data Mining представляють велику цінність для керівників та аналітиків у їхній повсякденній діяльності. Ділові люди усвідомили, що за допомогою методів Data Mining можуть отримати відчутні переваги в конкурентній боротьбі. Коротко охарактеризуємо деякі можливі бізнес-програми Data Mining.

^ Роздрібна торгівля . Підприємства роздрібної торгівлі сьогодні збирають детальну інформацію про кожну окрему купівлю, використовуючи кредитні картки з маркою магазину та комп'ютеризовані системи контролю. Ось типові завдання, які можна вирішувати за допомогою Data Mining у сфері роздрібної торгівлі:

• 
  аналіз купівельного кошика (аналіз подібності) призначений виявлення товарів, які покупці прагнуть купувати разом. Знання купівельного кошика необхідне поліпшення реклами, вироблення стратегії створення запасів товарів хороших і способів їх розкладки у торгових залах.
• 
  Вивчення тимчасових шаблонів допомагає торговим підприємствам приймати рішення про створення товарних запасів. Воно дає відповіді на запитання типу «Якщо сьогодні покупець придбав відеокамеру, то через який час він найімовірніше придбає нові батарейки та плівку?»
• 
  створення прогнозуючих моделей дає можливість торговим підприємствам впізнавати характер потреб різних категорій клієнтів з певною поведінкою, наприклад, відомих дизайнерів, що купують товари або відвідують розпродажі. Ці знання необхідні розробки точно спрямованих, економічних заходів з просування товарів.

^ Банківська справа. Досягнення технології Data Mining використовуються у банківській справі для вирішення таких поширених завдань:

• 
  виявлення шахрайства із кредитними картками. Шляхом аналізу минулих транзакцій, які згодом виявилися шахрайськими, банк виявляє деякі стереотипи такого шахрайства.
• 
  сегментація клієнтів. Розбиваючи клієнтів на різні категорії, банки роблять свою маркетингову політику більш цілеспрямованою та результативною, пропонуючи різні види послуг різним групам клієнтів.
• 
  прогнозування змін клієнтури Data Mining допомагає банкам будувати прогнозні моделі цінності своїх клієнтів та відповідним чином обслуговувати кожну категорію.

Страхування.Страхові компанії протягом кількох років накопичують великі обсяги даних. Тут велике поле діяльності для методів Data Mining:

• 
  виявлення шахрайства. Страхові компанії можуть знизити рівень шахрайства, відшукуючи певні стереотипи у заявах про виплату страхового відшкодування, що характеризують взаємини між юристами, лікарями та заявниками.
• 
  аналіз ризику. Шляхом виявлення поєднань факторів, пов'язаних із сплаченими заявами, страховики можуть зменшити свої втрати за зобов'язаннями. Відомий випадок, коли у США велика страхова компанія виявила, що суми, виплачені за заявами одружених людей, удвічі перевищує суми за заявами одиноких людей. Компанія відреагувала на це нове знання переглядом загальної політики надання знижок сімейним клієнтам.

Висновок

Багато компаній намагаються обробляти дані, що згенеровані при виконанні щоденних операцій. Озброївшись технологіями машинного навчання та візуалізації можна серед безладної інформації виявити досить цінні взаємозв'язки, що добре інтерпретуються. Програми Data Mining, побудовані на цих технологіях, успішно застосовуються у різних галузях, у тому числі у роздрібній торгівлі та маркетингу, дозволяючи компаніям добувати інформацію, що дає конкурентні переваги.

Проблеми бізнес аналізу формулюються по-іншому, але рішення більшості з них зводиться до того чи іншого завдання Data Mining або їх комбінації. Наприклад, оцінка ризиків – це вирішення завдання регресії чи класифікації, сегментація ринку – кластеризація, стимулювання попиту – асоціативні правила. Фактично, завдання Data Mining є елементами, у тому числі можна зібрати рішення переважної більшості реальних бізнес завдань.

Для розв'язання вищезазначених завдань використовуються різні методи та алгоритми Data Mining. Зважаючи на те, що Data Mining розвивалася і розвивається на стику таких дисциплін, як статистика, теорія інформації, машинне навчання, теорія баз даних, цілком закономірно, що більшість алгоритмів і методів Data Mining були розроблені на основі різних методів цих дисциплін. Велику популярність набули такі методи Data Mining: нейронні мережі, дерева рішень, алгоритми кластеризації, у тому числі й масштабовані, алгоритми виявлення асоціативних зв'язків між подіями тощо.

Література

1. 
   Айвазян С. А., Бухштабер Ст М., Юнюков І. С., Мешалкін Л. Д.. Прикладна статистика: Класифікація та зниження розмірності. - М.: Фінанси та статистика, 1989.
2. 
   Knowledge Discovery Through Data Mining: What Is Knowledge Discovery? – Tandem Computers Inc., 1996.
3. 
   Кречетов Н.Продукти інтелектуального аналізу даних. - ринок програмних засобів, N14-15_97, c. 32-39.
4. 
   Boulding K. E. General Systems Theory - The Skeleton of Science//Management Science, 2, 1956.
5. 
   Гік Дж., Ван.Прикладна загальна теорія систем. - М: Мир, 1981.
6. 
   Кисельов М., Соломатін Є..Засоби видобутку знань у бізнесі та фінансах. – Відкриті системи, № 4, 1997, с. 41-44.
7. 
   Дюк В.О.Обробка даних на ПК у прикладах. - СПб: Пітер, 1997.

Надіслати свою гарну роботу до бази знань просто. Використовуйте форму нижче

Студенти, аспіранти, молоді вчені, які використовують базу знань у своєму навчанні та роботі, будуть вам дуже вдячні.

• Вступ
• Висновок
• Вступ
• Благотворний вплив на розвиток нейромережевих технологій мало створення методів паралельної обробки інформації.
• Необхідно висловити вдячність чудовому хірургу, філософу та кібернетику Н.М. Амосову, що разом з учнями систематизував підхід до створення засобів штучного інтелекту (ІІ). Цей підхід ось у чому.
• В основі стратегій ІІ лежить поняття парадигми - погляду (концептуального подання) на суть проблеми чи завдання та принцип її вирішення. Розглядають дві парадигми штучного інтелекту.
• 1. Парадигма експерта передбачає такі об'єкти, а також етапи розробки та функціонування системи ІІ:
• * Форматизація знань - перетворення експертом проблемного знання у форму, запропоновану обраною моделлю подання знань;
• * формування бази знань<БЗ) - вложение формализованных знаний в программную систему;
• * Дедукція - вирішення задачі логічного висновку на основі БЗ.
• Ця парадигма є основою застосування експертних систем, систем логічного висновку, зокрема мовою логічного програмування ПРОЛОГ. Вважають, що системи на основі цієї парадигми більш вивчені.
• 2. Парадигма учня, що включає такі положення та послідовність дій:
• * обробка спостережень, вивчення досвіду приватних прикладів - формування бази даних<БД>системи ІІ;
• * Індуктивне навчання - перетворення БД на БЗ на основі узагальнення знань, накопичених у БД. та обґрунтування процедури отримання знань з БЗ. Це означає, що на основі даних робиться висновок про спільність тієї залежності між об'єктами, яку ми спостерігаємо. Основна увага тут приділяється вивченню апроксимуючих, ймовірнісних та логічних механізмів отримання загальних висновків із приватних тверджень. Потім ми можемо обґрунтувати, наприклад, достатність процедури узагальненої інтерполяції (екстраполяції), або процедури асоціативного пошуку, за допомогою якої задовольнятимемо запити до БЗ;
• * Дедукція - за обґрунтованою або передбачуваною процедурою ми вибираємо інформацію з БЗ за запитом (наприклад, оптимальну стратегію управління по вектору, що характеризує ситуацію, що склалася).
• Дослідження в рамках цієї парадигми та її розробка проведені поки що слабко, хоча вони лежать в основі побудови самонавчання систем управління (нижче буде наведений чудовий приклад самонавчання системи управління - правила стрільби в артилерії).
• Чим база знань, загальний та обов'язковий елемент системи ІІ відрізняється від бази даних? Можливість логічного висновку!
• Тепер звернемося до «природного» інтелекту. Природа не створила нічого кращого за людський мозок. Значить, мозок є і носієм бази знань, і засобом логічного висновку на її основі незалежно від того, за якою парадигмою ми організували своє мислення, тобто яким способом заповнюємо базу знань. - Вчимося!
• Д.А. Поспєлов у чудовій, єдиній своєму роді, роботі висвітлює вищі сфери штучного інтелекту - логіку мислення. Мета цієї книги - хоча б частково препарувати нейромережу як засіб мислення, тим самим привертаючи увагу до нижчої, початковій ланці всього ланцюга методів штучного інтелекту.
• Відкинувши містику, ми визнаємо, що мозок є нейронною мережею, нейромережею, - нейронами, з'єднаними між собою, з багатьма входами і єдиним виходом кожен. Нейрон реалізує досить просту передатну функцію, що дозволяє перетворити збудження на входах, з урахуванням ваг входів, значення збудження на виході нейрона. Функціонально закінчений фрагмент мозку має вхідний шар нейронів - рецепторів, що збуджуються ззовні, та вихідний шар, нейрони якого збуджуються залежно від зміни та величини збудження нейронів вхідного шару. Передбачається, що нейромережа. імітує роботу мозку, обробляє не самі дані, які достовірність, чи, у загальноприйнятому сенсі, вагу, оцінку цих даних. Більшість безперервних чи дискретних даних їх завдання зводиться до вказівки ймовірності діапазонів, яким належать їх значення. Для великого класу дискретних даних – елементів множин – доцільно жорстке закріплення нейронів вхідного шару.

1. Досвід застосування нейронних мереж в економічних задачах

За допомогою нейронних мереж ми вирішуємо завдання розробки алгоритмів знаходження аналітичного опису закономірностей функціонування економічних об'єктів (підприємство, галузь, регіон). Ці алгоритми застосовуються для прогнозування деяких «вихідних» показників об'єктів. Вирішується завдання нейромережевої реалізації алгоритмів. Застосування методів розпізнавання образів чи відповідних нейромережевих методів дозволяє вирішити деякі проблеми економіко-статистичного моделювання, підвищити адекватність математичних моделей, наблизити їх до економічної реальності. Використання розпізнавання образів у поєднанні з регресійним аналізом призвело до нових типів моделей - класифікаційним і кусочно-линейным. Знаходження прихованих залежностей у базах даних - це основа завдань моделювання та обробки знань, у тому числі для об'єкта з закономірностями, що важко формалізуються.

Вибір найбільш кращої моделі з деякої їх множини можна розуміти або як задачу ранжування, або як завдання вибору на основі набору правил. результатів. Вага - це те, що треба визначити, в цьому полягає завдання. Причому набори терезів локальні - кожен із них годиться лише з даної конкретної завдання та даного об'єкта (групи об'єктів).

Розглянемо завдання вибору моделі докладніше. Припустимо, що є кілька об'єктів М, діяльність яких спрямовано досягнення певної мети. Функціонування кожного об'єкта характеризується значеннями n ознак, тобто відображення ф: М -> Rn. Отже наш вихідний пункт - вектор стану економічного об'єкта: x = . Показники якості функціонування економічного об'єкта: f0(x), f1(x), fm(x). Ці показники повинні бути в певних межах, а деякі з них ми прагнемо зробити або мінімальними, або максимальними.

Така загальна постановка може бути суперечливою, і необхідно застосовувати апарат розв'язування протиріч та приведення постановки завдання до коректної форми, узгодженої з економічним змістом.

Ми впорядковуємо об'єкти з погляду певної критеріальної функції, але критерій, зазвичай, погано визначений, розмитий і суперечливий.

Розглянемо задачу моделювання емпіричних закономірностей за обмеженою кількістю експериментальних та спостережуваних даних. Математична модель може бути рівнянням регресії чи діагностичним правилом, чи правилом прогнозування. При малій вибірці ефективніше метоли розпізнавання. У цьому вплив управління чинниками враховується з допомогою варіації значень чинників за її підстановці у рівняння закономірності чи вирішальне правило діагностики і прогнозування. Крім того, ми застосовуємо відбір суттєвих ознак та генерування корисних ознак (вторинних параметрів). Цей математичний апарат необхідний прогнозування та діагностики станів економічних об'єктів.

Розглянемо нейронну мережу з погляду теорії комітетних конструкцій, як у колектив нейронів (індивідуумів. Нейронна мережу як механізм оптимізації роботи нейронів при колективних рішеннях це спосіб узгодження індивідуальних думок, у якому колективне думка є правильної реакцією на вхід, тобто необхідної емпіричної залежністю.

Звідси випливає виправданість застосування комітетних конструкцій у завданнях вибору та діагностики. Ідея полягає в тому, щоб замість одного вирішального правила шукати колектив вирішальних правил, цей колектив виробляє колективне рішення через процедуру, що обробляє індивідуальні рішення членів колективу. Моделі вибору та діагностики зазвичай призводять до несумісних систем нерівностей, для яких замість рішень треба шукати узагальнення поняття рішення. Таким узагальненням є колективне рішення.

Так, наприклад, комітет системи нерівностей – це такий набір елементів, що кожній нерівності задовольняє більшість злементів цього набору. Комітетні конструкції - деякий клас узагальнень поняття рішення для завдань, які можуть бути як спільними, так і несумісними. Це клас дискретних апроксимацій для суперечливих завдань, їх можна також співвіднести з розмитими рішеннями. Метод комітетів нині визначає один із напрямів аналізу та вирішення завдань ефективного вибору варіантів, оптимізації, діагностики та класифікації. Наведемо для прикладу визначення однієї з основних комітетних конструкцій, а саме: для 0< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

Комітетні конструкції можна розглядати і як певний клас узагальнень поняття рішення на випадок несумісних систем рівнянь, нерівностей та включень, і як засіб розпаралелювання у вирішенні завдань вибору, діагностики та прогнозування. Як узагальнення поняття рішення задачі комітетні конструкції є набори елементів, які мають деякими (але, зазвичай, не всіма) властивостями рішення, це вид розмитих рішень.

Як засіб розпаралелювання комітетні конструкції безпосередньо виступають у багатошарових нейронних мережах. Нами показано, що з навчання нейронної мережі точного вирішення завдання класифікації можна застосувати метод побудови комітету деякої системи афінних нерівностей.

Виходячи зі сказаного, можна зробити висновок, що метод комітетів пов'язаний з одним з важливих напрямів дослідження та чисельного вирішення як задач діагностики та вибору варіантів, так і завдань налаштування нейронних мереж з метою отримання необхідного їх реагування на вхідну інформацію з тієї чи іншої проблеми особи, яка приймає рішення.

У процесі експлуатації методу комітетів виявились такі його важливі для прикладних завдань властивості як евристичність, інтерпретованість, гнучкість - можливість донавчання та перенастроювання, можливість використання найбільш природного класу функцій - шматково-афінних, причому для постановки завдання класифікації, діагностики та прогнозування потрібна лише коректність, то є, щоб один і той самий об'єкт не був віднесений до різних класів.

Інша сторона питання про комітетні конструкції пов'язана з поняттям коаліцій при виробленні колективних рішень, при цьому ситуації різко різняться у разі колективних переваг (тут багато підводних каменів) і у разі правил колективної класифікації, у цьому випадку процедури можна суворо обґрунтувати і вони мають ширші можливості . Тому важливо вміти зводити завдання прийняття рішень та прогнозування до класифікаційних завдань.

2. Табличний метод – основа штучного інтелекту

Загалом принципи мозкової діяльності відомі і активно використовуються. Ми застосовуємо незримі таблиці в нашій пам'яті, що примусово й вільно заповнюються за партою, за кермом, з міністерським портфелем і без нього, крутячи головою на галасливій вулиці, за книгою, біля верстата та біля мольберта. Ми вчимося, вчимося все життя: і школяр, який проводить безсонні ночі за букварем, і навчений досвідом професор. Бо з тими самими таблицями ми пов'язуємо як прийняття рішень, а й рухаємося, ходимо, граємо в м'яч.

Якщо протиставити асоціативному мисленню математичні обчислення, то яка їх вага в житті людини? Як йшов розвиток людини, коли він взагалі, не вмів рахувати? Користуючись асоціативним мисленням, вміючи інтерполювати та екстраполювати, людина накопичувала досвід. (До речі, згадаємо тезу Д. Менделєєва: Наука починається тоді, коли починають рахувати.) Можна запитати читача: Скільки разів сьогодні Ви рахували? Ви водили автомобіль, грали в теніс, поспішали автобусом, плануючи свої дії. Уявляєте, скільки Вам довелося вираховувати (та ще де взяти алгоритм?), Щоб підняти ногу на тротуар, минаючи бордюр? Ні, ми нічого не обчислюємо щохвилини, і це, мабуть, основне в нашому інтелектуальному житті, навіть у науці та бізнесі. Механізми відчуттів, інтуїції, автоматизму, які ми, неспроможні пояснити, адресуємо підкірковому мисленню, насправді є нормальними механізмами асоціативного мислення з допомогою таблиць бази знань.

І головне, ми робимо це швидко! Як нам не замислитися, намагаючись осягнути і відтворити розвитку образної пам'яті, продукт зростання процесі Розвитку. Ми вважаємо це цілком матеріально втіленим і тому реалізованим штучно, підвладним моделюванню та відтворенню.

Сформулюємо тепер достатній, сьогоднішній принцип побудови нейромережі як елемента ІІ:

1. Слід визнати, що основа імітації нейроструктури мозку - це метод табличної інтерполяції.

2. Таблиці заповнюються або за відомими алгоритмами обчислень, або експериментально, або експертами.

3. Нейросеть забезпечує високу швидкість обробки таблиць за рахунок можливості лавиноподібного розпаралелювання.

4. Крім того, нейромережа допускає вхід до таблиці з неточними та неповними даними, забезпечуючи приблизну відповідь за принципом максимальної або середньої схожості.

5. Завдання нейромережевої імітації мозку полягає у перетворенні не самої вихідної інформації, а оцінок цієї інформації, у заміні інформації величинами збудження рецепторів, майстерно розподілених між видами, типами, параметрами, діапазонами їх зміни чи окремими значеннями.

6. Нейрони вихідного шару кожної підструктури своїм збудженням вказують на відповідні рішення. У той самий час ці сигнали порушення на правах вихідної опосередкованої інформації можна використовувати у наступному ланці логічного ланцюжка без зовнішнього втручання у робочому режимі.

3. Моніторинг банківської системи

Наводиться приклад блискучого застосування самоорганізованих карт Кохонена (SOM - Self-Organizing Map) для дослідження банківської системи Росії в 1999 - 2000 рр.

В основі моніторингу лежить рейтингова оцінка на основі автоматичного виконання однієї процедури: за багатовимірним вектором параметрів банків на екрані комп'ютера висвічує. Звертається увага, що нейромережевые технології дозволяють будувати наочні функції багатьох змінних, хіба що перетворюючи багатовимірний простір в одно-, двух- чи тривимірний. Для кожного окремого дослідження різних факторів необхідно будувати свої SOM. Прогноз можливий лише з аналізу тимчасового низки оцінок SOM. Нові SOM необхідні й продовження ланцюжка висновків, з підключенням даних ззовні, наприклад політичного характеру.

Такий підхід, безперечно, ефективний і результативний. Але представляється, що в порівнянні з потенціалом мозкових нейроструктур він стримує розмах і сміливість думки, не дозволяє тягнути довгі ланцюжки посилка-слідство, поєднувати аналіз з прогнозом, оперативно враховувати ситуацію, що складається, і вводити в розгляд нові фактори та досвід експертів. Слід погодитися з тим, що мозку все це підвладне, і ми знову звертаємось до його структур, пропонуючи проект програмних засобів системи моніторингу.

Структура нейромережі та способи навчання. Логічні функції, що лежать в основі моніторингу, переважно ґрунтуються на кон'юнкції логічних значень змінних, що відображають діапазони зміни параметрів чи показників банків.

У представлені такі показники:

* Власний капітал;

* сальдовані активи;

* Ліквідні активи;

* зобов'язання до запитання;

* Вклади населення;

* Коефіцієнт ліквідності;

* Бюджетні кошти.

Можна розширити систему показників:

* обсяг інвестицій в епоху економіки, що бурхливо розвивається;

* обсяг прибутку;

* минулий рейтинг та значення міграції;

* відрахування до фонду підтримки науки та освіти;

* податкові відрахування;

* відрахування до пенсійного фонду;

* відрахування до благодійного та культурного фонду;

* Участь у програмах ЮНЕСКО і т.д.

Такий простий вид логічної функції при переході в ділянку дійсних змінних говорить про достатність одношарової нейромережі, що містить вхідний шар рецепторів та вихідний шар, на якому формуються результати моніторингу.

При побудові вхідного шару необхідно враховувати як поточні показники, а й динаміку зміни рейтингу за минулі періоди часу. Вихідний шар повинен відображати не лише рейтинг, а й експертні рекомендації, а також інші рішення та висновки.

Доцільний найпростіший вид навчання - побудова бази знань, який відповідає концепції створення нейромережі під завдання: безпосереднє введення зв'язків оператором-дослідником вручну - від рецепторів до нейронів вихідного шару відповідно до причинно-наслідкових зв'язків. Тим самим мережа створюється вже навченою.

Тоді передатна функція теж буде найпростішою та заснованою на підсумовуванні величин збудження на вході нейрона, помножених на вагу зв'язку:

Завдання ваги зв'язків га порівняно з грубим завданням всіх ваг, рівних одиниці, доцільніше у зв'язку з можливим бажанням оператора чи експерта різною мірою враховувати вплив різних показників.

Поріг h відсікає свідомо неприйнятні висновки, полегшуючи подальшу обробку (наприклад, знаходження середнього). Коефіцієнт приведення до обумовлений такими міркуваннями.

Максимальне значення V може досягати п. Для того щоб значення рейтингу знаходилося в деякому прийнятному діапазоні, наприклад, значення збудження треба перетворити, поклавши до = Уп.

Прийняті вище припущення дозволяють оперативно вводити зміни та уточнення оператором-експертом-користувачем, розвивати мережу, вводячи нові фактори та враховуючи досвід. Для цього оператору достатньо, клацнувши мишею, виділити рецептор, а потім нейрон вихідного шару та зв'язок встановлений! Залишилося приблизно призначити вагу введеного зв'язку з діапазону .

Тут слід зробити дуже важливе зауваження (ОВЗ), що стосується всього матеріалу книги і призначене дуже уважному читачеві.

Раніше, розглядаючи навчання, ми чітко класифікували вихідні еталонні ситуації, приймаючи достовірність кожного компонента, що дорівнює одиниці. Проводячи потім трасування та прокладаючи динамічні шляхи збудження, ми також вважали ваги зв'язків, рівними одиниці (або деякому максимальному постійному значенню). Але ж вчитель одразу може отримати додатковий ступінь свободи, беручи до уваги фактори в тій мірі і з тими вагами, які він ставить! Зробимо припущення, що різні чинники різною мірою впливають результат, і такий вплив закладемо на етапі навчання примусово.

Наприклад, відомо, що напередодні війни населення у величезній кількості закуповує мило, сірники та сіль. Отже, спостерігаючи за цим чинником, можна прогнозувати швидкий початок війни.

Створюючи нейромережу для аналізу історичних чи соціальних подій, слід виділити один або кілька рецепторів, збудження яких відповідає різному рівню закупівель мила, солі та сірників одночасно. Порушення цих рецепторів має передаватися, впливати (поряд з іншими факторами) на ступінь збудження нейрона вихідного шару, що відповідає заяві. Скоро війна!

Тим не менш, інтенсивна закупівля мила, сірників і солі необхідна, але не така вже достатня умова настання війни. Воно може свідчити, наприклад, про бурхливе відродження туризму район Головного хребта Кавказу. У словах не таке вже полягає сенс нечіткої логіки , що дозволяє враховувати не невпинність події, не булеву змінну так - ні, а деякий проміжний, невизначений, зважений стан типу "впливає, але не так вже й прямо, що обов'язково ...". Тому зв'язки (всі або деякі), що виходять з даного (даних) рецептора, покладемо рівними певній передбачуваній величині, меншої одиниці і згодом, що коригується, яка відображає вплив збудження рецептора на висновок.

Таким чином, одночасна закупівля мила, солі та сірників враховується двічі: рівень закупівлі буде відображено у мірі порушення відповідних рецепторів, а характер впливу закупівлі на висновок. Скоро війна! - За допомогою ваг синапсичних зв'язків.

Погодьтеся, що при побудові однорівневих мереж такий підхід напрошується сам собою і реалізується дуже просто.

Структура екрану рецепторів. Основну частину його становить вікно прокручування, в якому можна переглядати та задавати стан рецепторного шару, безсумнівно, не здатного поміститися на статичному екрані.

У вікні прокручування вказані показники та їх оціночні значення у діапазоні для відповідних рецепторів. Це імовірнісні значення, що ґрунтуються на достовірності, інтуїції, експертних оцінках. Оцінки передбачають охоплення кількох рецепторів. Наприклад, оцінка того, що власний капітал становить чи то 24, чи то 34, чи то 42 тис. у. е., але швидше за все 24, може призвести до приблизної оцінки величин, що задаються збудження 0.6,0.2 і 0.2 рецепторів, відповідних діапазонам (20 - 25], (30 - 35], (40 - 45]. На екрані відображені статично задаються показники такі, як рейтинг у результаті минулих вимірів, вибіркові раніше знайдені показники, а також показники політичної, соціальної та економічної кон'юнктури.

Слід також відобразити керування прокруткою та меню основних дій:

* Перехід на екран вихідного шару;

* статистична обробка результатів (передбачає перехід до вихідного екрану);

* Введення нового зв'язку;

* Введення нового рецептора;

* Введення нового нейрона вихідного шару (передбачає перемикання екранів);

* Введення нового показника і т.д.

Структура екрану вихідного шару. Екран вихідного шару (рис.8.3) відображає систему концентричних (вкладених) прямокутників або інших плоских фігур, що відображають поширення рейтингу за спаданням. У центрі екрану яскравими точками відзначені найуспішніші банки або передбачувані ідеальні образи. Кожному елементу екрана жорстко відповідає нейрон вихідного шару. В результаті моніторингу може максимально збудитися нейрон, що відповідає еталону, проте, швидше за все, висвітиться точка екрану, що не збігається ні з яким еталоном, що є проміжною або усередненою.

Мал. - 8.3. Екран вихідного шару

Безперечно, слід передбачити меню для операції усередненої оцінки рейтингу, демонстрації категорії успіху, видачі сигналів попередження, текстів висновків, стратегій розвитку, збереження даних для подальшого розвитку і т.д.

Навчання нейромережі. Для навчання нейромережі на основі експертних оцінок слід задати діапазони допустимих параметрів, що дозволяють вважати банк ідеально успішним, що має максимальний рейтинг. Фіксуючи кілька точок, координати яких (безліч значень параметрів) задовольняють допустимим значенням рейтингу для відомих або передбачуваних (з урахуванням можливих варіантів) банків, можна отримати кілька ідеальних представників. Відповідні їм нейрони, тобто. елементи екрану вихідного шару виділяють довільно, розосереджуючи по області екрана. Бажано, щоб зразки з великим рейтингом розташовувалися ближче до центру.

Далі переходять до такого ж заповнення прямокутника, що охоплює, на основі наступної рейтингової категорії і т.д. до банків-аутсайдерів

Для проведення такої роботи експертами попередньо формується таблиця (табл. 1).

Нейронам, що відображають банки, на екрані відповідають величини їхнього збудження - рейтинги.

Методика моніторингу. Навчена система, яка надходить у розпорядження користувача після висококваліфікованої експертизи економістів та політиків, готова до використання в рамках CASE-технології CASE – Computer Aided Software Engineering.

Таблиця 1 - Експертні оцінки для навчання нейромережі

При цьому користувач реалізує своє право на додаткове навчання, уточнення (наприклад, ваги зв'язків, для посилення або ослаблення впливу деяких показників на основі власного досвіду), введення додаткових показників для експерименту на свій ризик і т.д.

Припустимо, користувач досліджує ситуацію, що склалася навколо банку "Інвест-Туди-і-Назад". Звісно, ​​не має скільки-небудь задовільною інформацією про доцільність своїх вкладень і тому приступає до скрупульозного збору даних, у результаті отримує приблизні, ймовірні, суперечливі характеристики моделювання.

За допомогою екрана рецепторів користувач задає значення їх збудження виходячи з цілком достовірних даних, але іноді з огляду на варіанти або - або (частково збуджуючи різні рецептори), іноді по наїті, іноді просто пропускаючи показники. Такі показники, як рейтинг у минулому та міграція, поки що невідомі, але отриманий результат передбачається використати надалі.

Після введення даних на екрані вихідного шару яскрава точка поблизу області аутсайдерів красномовно свідчить про захист громадянського права ненасильницького вибору рішення щодо доцільності вкладення праведно накопиченого капіталу.

Координати цієї точки на екрані визначаються за відомою формулою знаходження середнього за координатами нейронів, що висвітилися, тих банків, яким близький контрольований банк, і за величинами їх збудження. Але за цими ж формулами на основі рейтингів банків знаходиться рейтинг досліджуваного банку!

Користувач може прийняти рішення про доповнення бази знань і, отже, нейромережі інформацією про новий банк, що доцільно, якщо рада експертів піддала суттєвій критиці результат, що вийшов, і вказує тим самим на помилку нейромережі. Достатньо лише скористатися опцією. Доповнити, внаслідок виконання якої ініціюється діалог комп'ютера з користувачем:

- Ви хочете змінити рейтинг - Так.

- Нове значення рейтингу -...

- Зберегти!

Тоді нейрон вихідного шару зі знайденими координатами ставиться у відповідність до нового банку. Формуються його зв'язку з тими рецепторами, яким було повідомлено збудження під час введення інформації про банк. Вага кожного зв'язку вважається рівною введеною користувачем величиною збудження відповідного нейрона-рецептора. Тепер базу знань доповнено так само, як список пристріляних установок артилерійської батареї після поразки чергової мети.

Проте значне примусове зміна рейтингу може вимагати переміщення точки, що висвітилася, в область банків з відповідним рівнем рейтингу, тобто. необхідно за цим банком закріпити інший нейрон вихідного шару, в іншій області екрану. Це також встановлюється в результаті діалогу комп'ютера з користувачем.

Коригування та розвиток. Вище ми вже згадували про необхідність та можливість постійного уточнення та розвитку нейромережі. Можна змінювати ставлення до просунутості банка-эталона (реального чи ідеального) і доповнювати основу знань, тобто. дану нейромережу. Можна коригувати ваги зв'язків як міри впливу окремих показників на вихідний результат.

Можна вводити нові показники з їх вагами, розглядати нові рішення та встановлювати ступінь впливу на них тих чи нових показників. Можна пристосувати нейромережа на вирішення суміжних завдань з урахуванням впливу окремих показників на міграцію банків (перехід із одного рейтингового рівня в інший) тощо.

Нарешті, можна, придбавши даний програмний продукт із дружнім інтерфейсом і чудовим сервісом, з розвиненим набором функцій перетворення нейромережі, переробити її для зовсім іншого завдання, наприклад, для захоплюючої гри в залізничну рулетку, на якій ми маємо намір зупинитися нижче.

На закінчення зазначимо, що у економіці та бізнесі, соціальній та управлінні складними об'єктами переважають системи прийняття рішень, де кожна ситуація утворюється з урахуванням постійного числа чинників. Кожен чинник представлений варіантом чи значенням з вичерпної множини, тобто. кожна ситуація представляється кон'юнкцією, у якій обов'язково беруть участь висловлювання щодо всіх чинників, якими формується нейромережа. Тоді всі кон'юнкції (ситуації) мають однакову кількість висловлювань. Якщо в цьому випадку дві відмінні один від одного ситуації призводять до різних рішень, відповідна нейромережа є досконалою. Привабливість таких нейромереж полягає в їхній зведеності до одношарових. Якщо провести розмноження рішень (див. підрозділ 5.2), то отримаємо досконалу нейромережу (без зворотних зв'язків).

До побудови досконалої нейромережі можна звести завдання цього розділу, підрозділ. 6.2, а також, наприклад, завдання оцінки ризику країни та ін.

Висновок

Розподіл величин збудження нейронів вихідного шару, а найчастіше нейрон, що володіє максимальною величиною збудження, дозволяють встановити відповідність між комбінацією і величинами збуджень на вхідному шарі (зображення на сітківці ока) і одержуваною відповіддю (що це). Таким чином, ця залежність і визначає можливість логічного висновку виду "якщо - то». Управління, формування даної залежності здійснюються вагами синапсичних зв'язків нейронів, які впливають на напрями поширення збудження нейронів у мережі, що призводять на етапі навчання до "потрібних" нейронів вихідного шару . тобто служать зв'язування і запам'ятовування відносин «посилання - слідство».

Звідси випливає, що мережа працює у двох режимах: у режимі навчання та у режимі розпізнавання (робочому режимі).

У режимі навчання проводиться формування логічних ланцюжків.

У режимі розпізнавання нейромережа по образі, що пред'являється, з високою достовірністю визначає, до якого типу він відноситься, які дії слід зробити і т.д.

Вважається, що у людському мозку до 100 млрд нейронів. Але зараз нас не цікавить, як улаштований нейрон, у якому налічують до 240 хімічних реакцій. Нас цікавить, чи працює нейрон на логічному рівні, як виконує він логічні функції. Реалізація лише цих функцій має стати основою та засобом штучного інтелекту. Втілюючи ці логічні функції, ми готові порушити основні закони фізики, наприклад, закон збереження енергії. Адже ми розраховуємо не так на фізичне моделювання, але в доступне, універсальне — комп'ютерне.

Отже, ми зосереджуємо увагу на «(прямому» використанні нейромереж у задачах штучного інтелекту. Однак їх застосування поширюється на вирішення та інших завдань. Для цього будують нейромережеві моделі зі структурою, орієнтованою на дану задачу), використовують спеціальну систему зв'язків нейроподібних елементів, певний віл передавальної функції (часто використовують так звані сигмоїльні зв'язки, засновані на участі експоненти при формуванні передавальної функції), спеціально підібрані ваги, що динамічно уточнюються. У цьому використовують властивості збіжності величин збудження нейронів, самооптимізації. При подачі вхідного вектора збуджень через кілька тактів роботи нейромережі значення порушення нейронів вихідного шару (у деяких моделях все нейрони вхідного шару є нейронами вихідного шару та інших немає) сходяться до деяких величин. Вони можуть вказувати, наприклад, те, який зразок більшою мірою схожий на «зашумлений». недостовірний вхідний образ, або те що. як знайти розв'язання певної задачі. Наприклад, відома мережа Хопфілда. хоч і з обмеженнями, може вирішувати завдання комівояжера – завдання експоненційної складності. Мережа Хеммінга успішно реалізує асоціативну пам'ять. Мережі Кохонена (карти Кохонена) , додано 27.06.2011

Завдання аналізу ділової активності, чинники, що впливають прийняття рішень. Сучасні інформаційні технології та нейронні мережі: принципи їх роботи. Дослідження застосування нейронних мереж у задачах прогнозування фінансових ситуацій та прийняття рішень.

дипломна робота , доданий 06.11.2011

Опис технологічного процесу напуску паперу. Конструкція паперової машини. Обґрунтування застосування нейронних мереж в управлінні формуванням паперового полотна. Математична модель нейрона. Моделювання двох структур нейронних мереж.

курсова робота , доданий 15.10.2012

Способи застосування технологій нейронних мереж у системах виявлення вторгнень. Експертні системи виявлення мережевих атак. Штучні мережі, генетичні алгоритми. Переваги та недоліки систем виявлення вторгнень на основі нейронних мереж.

контрольна робота , доданий 30.11.2015

Поняття штучного інтелекту як властивості автоматичних систем брати він окремі функції інтелекту людини. Експертні системи у галузі медицини. Різні підходи щодо побудови систем штучного інтелекту. Створення нейронних мереж.

презентація , доданий 28.05.2015

Дослідження завдання та перспектив використання нейронних мереж на радіально-базових функціях для прогнозування основних економічних показників: валовий внутрішній продукт, національний дохід України та індекс споживчих цін. Оцінка результатів.

курсова робота , доданий 14.12.2014

Поняття та властивості штучних нейронних мереж, їх функціональна схожість з людським мозком, принцип їх роботи, галузі використання. Експертна система та надійність нейронних мереж. Модель штучного нейрона із активаційною функцією.

реферат, доданий 16.03.2011

Сутність та функції штучних нейронних мереж (ІНС), їх класифікація. Структурні елементи штучного нейрона. Відмінності між ІНС та машинами з архітектурою фон Неймана. Побудова та навчання даних мереж, області та перспективи їх застосування.

презентація , додано 14.10.2013

Застосування нейрокомп'ютерів на російському ринку. Прогнозування часових рядів на основі нейромережевих методів обробки. Визначення курсів облігацій та акцій підприємств. Застосування нейронних мереж до завдань аналізу біржової діяльності.

курсова робота , доданий 28.05.2009

Історія створення та основні напрями у моделюванні штучного інтелекту. Проблеми навчання зоровому сприйняттю та розпізнаванню. Розробка елементів інтелекту роботів. Дослідження у галузі нейронних мереж. Принцип зворотного зв'язку Вінера.

Нечіткі нейронні мережі (fuzzy-neural networks) здійснюють висновки з урахуванням апарату нечіткої логіки, проте параметри функцій приналежності налаштовуються з допомогою алгоритмів навчання нейронних мереж (НС). Тому для підбору параметрів таких мереж застосуємо метод зворотного розповсюдження помилки, запропонований для навчання багатошарового персептрона. Для цього модуль нечіткого управління представляється у формі багатошарової мережі. Нечітка нейронна мережа, як правило, складається з чотирьох шарів: шару фазифікації вхідних змінних, шару агрегування значень активації умови, шару агрегування нечітких правил та вихідного шару. Найбільшого поширення нині отримали архітектури нечіткої НР виду ANFIS і TSK. Доведено, що такі мережі є універсальними апроксиматорами. Швидкі алгоритми навчання та інтерпретованість накопичених знань – ці фактори зробили сьогодні нечіткі нейронні мережі одним із найперспективніших та найефективніших інструментів м'яких обчислень.

Нейронні мережі економіки

Область ІІ, що знайшла найширше застосування - нейронні мережі. Основна їхня особливість - це здатність до самонавчання на конкретних прикладах. Нейросети кращі там, де є дуже багато вхідних даних, у яких приховані закономірності. Доцільно використовувати нейромережевые методи у завданнях із неповною чи " зашумленной " інформацією, і навіть у таких, де рішення можна знайти інтуїтивно. Нейросети застосовуються для передбачення ринків, оптимізації товарних і грошових потоків, аналізу та узагальнення соціологічних опитувань, передбачення динаміки політичних рейтингів, оптимізації виробничого процесу, комплексної діагностики якості продукції і на багато іншого. Нейронні мережі все частіше застосовуються і в реальних бізнес-додатках. У деяких областях, таких як виявлення фальсифікацій та оцінка ризику, вони стали безперечними лідерами серед використовуваних методів. Їх використання у системах прогнозування та системах маркетингових досліджень постійно зростає. Оскільки економічні, фінансові та соціальні системи дуже складні і є результатом дій та протидії різних людей, то є дуже складним (якщо не неможливим) створити повну математичну модель з урахуванням усіх можливих дій та протидій. Практично неможливо детально апроксимувати модель, що базується на таких традиційних параметрах, як максимізація корисності або максимізація прибутку. У системах подібної складності є природним та найефективнішим використовувати моделі, які безпосередньо імітують поведінку суспільства та економіки. А це саме те, що здатна запропонувати методологію нейронних мереж.

Нижче наведено області, в яких ефективність застосування нейронних мереж доведена на практиці:

Для фінансових операцій:

• · Прогнозування поведінки клієнта.
• · Прогнозування та оцінка ризику майбутньої угоди.
• · Прогнозування можливих шахрайських дій.
• · Прогнозування залишків коштів на кореспондентських рахунках банку.
• · Прогнозування руху готівки, обсягів обігових коштів.
• · Прогнозування економічних параметрів та фондових індексів.

Для планування роботи підприємства:

• · Прогнозування обсягів продажу.
• · Прогнозування завантаження виробничих потужностей.
• · Прогнозування попиту нову продукцію.

Для бізнесу - аналітики та підтримки прийняття рішень:

• · Виявлення тенденцій, кореляцій, типових зразків та винятків у великих обсягах даних.
• · Аналіз роботи філій компанії.
• · Порівняльний аналіз конкуруючих фірм.

Інші програми:

• · Оцінка вартості нерухомості.
• · Контроль якості продукції, що випускається.
• · Системи стеження станом устаткування.
• · Проектування та оптимізація мереж зв'язку, мереж електропостачання.
• · Прогнозування споживання енергії.
• · Розпізнавання рукописних символів, зокрема. автоматичне розпізнавання та автентифікація підпису.
• · Розпізнавання та обробка відео- та аудіо сигналів.

Нейронні мережі можна використовувати й інших задачах. Основними умовами їх використання є наявність "історичних даних", використовуючи які нейронна мережа зможе навчитися, а також неможливість або неефективність використання інших, більш формальних, методів. Незалежна експертна рада зі стратегічного аналізу проблем зовнішньої та внутрішньої політики при Раді Федерації НДІ штучного інтелекту представила проект "Технологія нового покоління на основі недовизначених обчислень та її використання для розробки експериментальної моделі макроекономіки РФ". З'явилася можливість прораховувати результат будь-якої дії чи пропозиції щодо бюджету країни на багато років вперед. Система дозволяє бачити, як зміниться доходна частина, дефіцит бюджету, обсяг промислового виробництва у відповідь, скажімо, збільшення податків. Також можна подивитися, скільки грошей торік спливло з бюджету: електронна машина, на переконання вчених, легко зможе впоратися і з таким завданням. Їй навіть не треба буде пояснювати поняття "чорна готівка". Можна вирішити і обернену задачу. Наприклад, а що треба зробити, щоб до 2020 року обсяг виробництва збільшився чи, скажімо, хоч би не падав? Машина вкаже нижню і верхню межу значень у тому й іншому випадку для бюджетних грошей, що відпускаються, за всіма параметрами, що так чи інакше впливають на виробництво. Крім того, можна дізнатися не по гороскопу і без допомоги магів можливу послідовність "критичних" та "вдалих" моментів у розвитку економіки країни за заданих вихідних даних. Розробники проекту створили поки що лише демонстраційну модель, що охоплює близько 300 параметрів та період від 1990-го до 1999 року. Але для нормальної роботи необхідно щонайменше 1000 параметрів. І така робота може бути проведена, якщо на неї буде відпущено кошти. Треба провести безліч прикладних робіт, необхідні фундаментальні дослідження з обох основних складових проекту - математичної та економічної. Тут потрібна серйозна державна матеріальна підтримка. Впровадження діючої комп'ютерної моделі макроекономіки та держбюджету РФ дозволить автоматизувати підготовку вихідних параметрів держбюджету чергового року, узгодження остаточного варіанта для затвердження у парламенті, підтримку, оцінку та контроль виконання бюджету на всіх його етапах. Інтерес до штучних нейронних мереж у Росії дуже зріс останні кілька років. Можливість швидкого навчання та достовірність висновків дозволяє рекомендувати нейромережеві експертні системи як один із обов'язкових інструментів у багатьох аспектах сучасного бізнесу. Нейронні мережі мають величезну перевагу перед традиційним трудомістким і більш тривалим шляхом узагальнення знань людей-експертів. Технології нейронних мереж застосовні практично в будь-якій галузі, а в таких завданнях, як прогнозування котирувань акцій та курсу валют, вони стали вже звичним і широко використовуваним інструментом. Повсюдне проникнення нейромережевих технологій у сучасний бізнес – лише питання часу. Впровадження нових наукомістких технологій - це процес складний, проте практика показує, що інвестиції не лише окупаються і приносять зиск, але й дають тим, хто їх використовує, відчутні переваги. Застосування нейронних мереж у фінансах виходить з одного фундаментальному допущенні: заміні прогнозування розпізнаванням. За великим рахунком, нейромережа не передбачає майбутнє, а "дізнається" в поточному стані ринку раніше зустрічалася ситуацію і відтворює реакцію ринку.

Фінансовий ринок досить інерційний, у нього є своя певна "уповільнена реакція", знаючи яку можна досить точно обчислювати майбутню ситуацію. А наскільки точно – це залежить від умов ринку та кваліфікації оператора. Тому наївно вірити, що нейромережа автоматично передбачатиме курси основних індикаторів - національної валюти або, наприклад, дорогоцінних металів на нестабільних ринках. Але за будь-якої ринкової ситуації існують інструменти, що зберігають стабільність. Наприклад, при стрибках долара - це "далекі" ф'ючерси, реакція яких розтягується на кілька днів і прогнозується. До речі, у періоди ринкових потрясінь гравці зазвичай панікують, що посилює переваги власника гарного аналітичного інструменту. Над створенням нейронних мереж різного призначення в даний час працюють сотні всесвітньо відомих, а також дрібних фірм-початківців. Світовий ринок пропонує понад сотню нейромережевих пакетів, переважно - американських. Загальний обсяг ринку нейронних мереж до 2005 року перевищив $10 млрд. І практично кожен розробник традиційних аналітичних пакетів сьогодні прагне включити нейронні мережі в нові версії своїх програм. У нейронні мережі застосовуються в аналітичних комплексах кожного великого банку. Продаж одного тільки нейромережевого пакету "Brain Maker Pro" можна порівняти з обсягами продажів найпопулярнішого пакету технічного аналізу MetaStock (у США продано більше 20000 копій Brain Maker Pro).

Добре зарекомендував себе пакет The AI ​​Trilogy. ("Трилогія штучного інтелекту") американської фірми "Ward SystemsGroup". Це набір трьох програм, кожна з яких може використовуватися як самостійно, так і в комбінації з іншими. Так, програма "NeuroShell II" - це набір із 16 типів нейронних мереж, "NeuroWindows" - нейромережева бібліотека з вихідними текстами, "GeneHunter" - генетична програма оптимізації. У сукупності вони утворюють потужний конструктор, що дозволяє будувати аналітичні комплекси будь-якої складності. "The AI ​​Trilogy" на американському ринку має великий попит. Пакет встановлений у 150 найбільших банках США. Він багаторазово перемагав у престижних конкурсах популярних фінансових видань та допомагає керувати капіталами у кілька мільярдів доларів. Фірма "Du Pont" (інститут стандартів США та ФБР) вважає "Трилогію штучного інтелекту" найкращою для вирішення різних завдань. Цікавим і знаменним є маловідомий факт, що ключові компоненти цього пакета були написані російськими програмістами. Своїм виглядом пакет завдячує групі розробників з невеликої московської компанії "Нейропроект" під керівництвом професора Персіянцева.

Вона понад три роки виконувала замовлення фірми "Ward Systems Group" та знайшла вдалі рішення. Можна сміливо сказати, що російські програми управляють фінансами Америки та завданнями ФБР. Наскільки може бути корисним пакет фінансистам? Чи зможе він працювати на нашому непередбачуваному ринку, де одне рішення Центробанку може миттєво перекинути ринок? Попереджаючи ці питання, власники пакету пропонують спеціальну консалтингову послугу. З банком, аналітики якого не вірять у прогнозованість нашого ринку, укладається спеціальний договір. Протягом певного періоду: два тижні, місяць або більше, за символічну плату банку щодня надаються прогнози на завтрашній день (або на тиждень наперед) щодо котирувань заданих фінансових інструментів. Якщо прогноз стабільно демонструє прийнятну точність, банк зобов'язується купити аналітичний комплекс разом з налаштуваннями. І не було жодного випадку, коли клієнт відмовлявся від покупки. Показовий та вражаючий випадок мав місце між виборами, коли один із великих банків проводив подібне тестування пакету. Скачали курси паперів, падали та піднімалися політики, але щовечора банк отримував прогноз із набором завтрашніх цін (міні – максі – середньозважена – закриття) по шістнадцяти паперах ДКО. Не минуло й двох тижнів, як банк уклав договір на постачання аналітичного комплексу, здатного зберігати працездатність навіть у таких бурхливих та непередбачуваних ситуаціях.

• · Багаті можливості. Нейронні мережі – виключно потужний метод моделювання, що дозволяє відтворювати надзвичайно складні залежності. Зокрема, нейронні мережі нелінійні за своєю природою. Упродовж багатьох років лінійне моделювання було основним методом моделювання у більшості областей, оскільки для нього добре розроблені процедури оптимізації. У завданнях, де лінійна апроксимація є незадовільною (а таких досить багато), лінійні моделі працюють погано. Крім того, нейронні мережі справляються з "прокляттям розмірності", яке не дозволяє моделювати лінійні залежності у разі великої кількості змінних.
• · Простота у використанні. Нейронні мережі навчаються на прикладах. Користувач нейронної мережі підбирає представницькі дані, а потім запускає алгоритм навчання, який автоматично сприймає структуру даних. При цьому від користувача, звичайно, потрібно якийсь набір евристичних знань про те, як слід відбирати та готувати дані, вибирати потрібну архітектуру мережі та інтерпретувати результати, проте рівень знань, необхідний для успішного застосування нейронних мереж, набагато скромніший, ніж, наприклад, під час використання традиційних методів статистики.

Нейронні мережі привабливі з інтуїтивної точки зору, бо вони ґрунтуються на примітивній біологічній моделі нервових систем. У майбутньому розвиток таких нейробіологічних моделей може призвести до створення дійсно мислячих комп'ютерів. Тим часом "прості" нейронні мережі, які будує система ST Neural Networks, є потужною зброєю в арсеналі фахівця з прикладної статистики.

нейромережевий інтелект штучний бізнес

Нейронні мережі можуть бути реалізовані програмним чи апаратним способом.

Варіантами апаратноїУ реалізації є нейрокомп'ютери, нейроплати і нейроБІС (великі інтегральні схеми). Одна з найпростіших і найдешевших нейроБІС - модель MD 1220 фірми Micro Devices, яка реалізує мережу з 8 нейронами та 120 синапсами. Серед перспективних розробок можна виділити моделі фірми Adaptive Solutions (США) та Hitachi (Японія). Розроблювана фірмою Adaptive Solutions нейроБІС є однією з швидкодіючих: оголошена швидкість обробки становить 1,2 млрд. міжнейронних з'єднань в секунду (мнс/с). Схеми, що виробляються фірмою Hitachi, дозволяють реалізовувати штучні нейронні мережі, що містять до 576 нейронів.

Більшість сучасних нейрокомп'ютерів є персональним комп'ютером або робочою станцією, до складу яких входить додаткова нейроплата. До них належать, наприклад, комп'ютери серії FMR фірми Fujitsu. Можливостей таких систем цілком вистачає на вирішення великої кількості прикладних завдань методами нейроматематики, і навіть розробки нових алгоритмів. Найбільший інтерес становлять спеціалізовані нейрокомп'ютери, у яких реалізовано принципи архітектури нейромереж. Типовими представниками таких систем є комп'ютери сімейства Mark фірми TRW (перша реалізація перцептрону, розроблена Ф. Розенблатом, називалася Mark I). Модель Mark III фірми TRW є робочою станцією, що містить до 15 процесорів сімейства Motorola 68000 з математичними співпроцесорами. Усі процесори об'єднані шиною VME. Архітектура системи, що підтримує до 65000 віртуальних процесорних елементів з більш ніж 1 млн. з'єднань, що налаштовуються, дозволяє обробляти до 450 тис. мнс/с.

Іншим прикладом є нейрокомп'ютер NETSIM, створений фірмою Texas Instruments з урахуванням розробок Кембриджського університету. Його топологія є тривимірною решіткою стандартних обчислювальних вузлів на базі процесорів 80188. Комп'ютер NETSIM використовується для моделювання мереж Хопфілда-Кохонена. Його продуктивність сягає 450 млн. мнс/с.

У тих випадках, коли розробка або впровадження апаратних реалізацій нейронних мереж обходяться надто дорого, застосовують дешевші Програмні реалізації.Одним із найпоширеніших програмних продуктів є сімейство програм BrainMakerфірми CSS (California Scientific Software). Спочатку розроблений фірмою Loral Space Systems на замовлення NASA і Johnson Space Center пакет BrainMakerбал незабаром адаптований для комерційних додатків і сьогодні використовується кількома тисячами фінансових та промислових компаній, а також оборонними відомствами США для вирішення задач прогнозування, оптимізації та моделювання ситуацій.

Призначення пакета BrainMaker- Вирішення завдань, для яких поки не знайдені формальні методи та алгоритми, а вхідні дані неповні, зашумлені та суперечливі. До таких завдань належать прогнозування курсів валют та акцій на біржах, моделювання кризових ситуацій, розпізнавання образів та багато інших. BrainMakerвирішує поставлене завдання, використовуючи математичний апарат теорії нейронних мереж (конкретніше - мережа Хопфілда з навчанням за методом зворотного поширення помилки). В оперативній пам'яті будується модель багатошарової нейронної мережі, яка має властивість навчатися на безлічі прикладів, оптимізуючи свою внутрішню структуру. При правильному виборі структури мережі після її навчання на досить велику кількість прикладів можна досягти високої достовірності результатів (97% і вище). Існують версії BrainMakerдля MS DOS та MS Windows, а також для Apple Macintosh. Крім базової версії пакету до сімейства BrainMakerвходять такі доповнення:

BrainMaker Student- версія пакета університетів. Вона особливо популярна у невеликих фірм, що спеціалізуються на створенні додатків і для складних завдань.

Toolkit Option- Набір з трьох додаткових програм, що збільшують можливості BrainMaker, Binary,яка переводить навчальну інформацію у двійковий формат для прискорення навчання; Hypersonic Training,де використовується високошвидкісний алгоритм навчання; Plotting,яка відображає факти, статистику та інші дані у графічному вигляді.

BrainMaker Professional- Професійна версія пакету BrainMakerіз розширеними функціональними можливостями. Включає всі опції Toolkit.

Genetic Training Option(для пакету BrainMaker Pro)- програма автоматичної оптимізації нейронної мережі на вирішення заданого класу завдань, використовує генетичні алгоритми для селекції найкращих решений.

DataMaker Editor- спеціалізований редактор для автоматизації підготовки даних при налаштуванні та використанні нейронної мережі.

Training Financial Data- спеціалізовані набори даних для налаштування нейронної мережі на різні види аналітичних, комерційних та фінансових операцій, які включають реальні значення макроекономічних показників NYSE, NADDAW, ASE, OEX, DOW та ін, індекси інфляції, статистичні дані біржових зведень з різних видів продукції, а також інформацію щодо ф'ючерсних контрактів та багато іншого.

BrainMaker Accelerator- Спеціалізована нейроплата акселератор на базі сигнальних процесорів TMS320C25 фірми Texas Instruments. Вставлена ​​в персональний комп'ютер, вона у кілька разів прискорює роботу пакету BrainMaker.

BrainMaker Accelerator Pro- Професійна багатопроцесорна нейронна плата. Вона містить п'ять сигнальних процесорів TMS320C30 та 32 Мбайт оперативної пам'яті.

В даний час на ринку програмних засобів є велика кількість різноманітних пакетів для конструювання нейронних мереж та вирішення різних завдань. Пакет BrainMakerможна назвати ветераном ринку. Крім представників цього сімейства, до добре відомих та поширених програмних засобів можна віднести NeuroShell(WardSystem's Group), Neuro Works(Neural Ware Inc.) та NeuroSolutions(NeuroDimension Inc.). Об'єктно-орієнтовані програми середовища сімейства NeuroSolutionsпризначені для моделювання штучної нейронної мережі довільної структури. Користувачеві систем NeuroSolutionsнадано можливості дослідження та діалогового управління. Всі дані в мережі доступні для перегляду в процесі навчання за допомогою різноманітних інструментів візуалізації. Проектування штучної нейронної мережі у системі NeuroSolutionsзасновано на модульному принципі, який дозволяє моделювати стандартні та нові топології. Важливою перевагою системи є наявність спеціальних інструментів, що дозволяють моделювати динамічні процеси штучної нейронної мережі.

Застосування нейромережевих технологій доцільно під час вирішення завдань, мають такі ознаки:

Відсутність алгоритмів розв'язання задач за наявності досить великої кількості параметрів;

Наявність великого обсягу вхідної інформації, що характеризує проблему, що досліджується;

Зашумленість, часткова суперечливість, неповнота чи надмірність вихідних даних.

Нейромережні технології знайшли широке застосування в таких напрямках, як розпізнавання друкованого тексту, контроль якості продукції на виробництві, ідентифікація подій у прискорювачах частинок, розвідка нафти, боротьба з наркотиками, медичні та військові програми, управління та оптимізація, фінансовий аналіз, прогнозування та ін.

У сфері економіки нейромережні технології можуть використовуватись для класифікації та аналізу часових рядів шляхом апроксимації складних нелінійних функцій. Експериментально встановлено, що моделі нейронних мереж забезпечують більшу точність при виявленні нелінійних закономірностей на фондовому ринку, порівняно з регресійними моделями.

Нейросетевые технології активно використовують у маркетингу для моделювання поведінки клієнтів і розподілу часток ринку. Нейросетевые технології дозволяють шукати у рекламних базах даних приховані закономірності.

Моделювання поведінки клієнтів дозволяє визначити характеристики людей, які потрібним чином реагуватимуть на рекламу та здійснюватимуть покупки певного товару чи послуги.

Сегментування та моделювання ринків на основі нейромережевих технологій дає можливість побудови гнучких класифікаційних систем, здатних здійснювати сегментування ринків з урахуванням різноманіття факторів та особливостей кожного клієнта.

Технології штучних нейронних мереж мають хороші перспективи під час вирішення завдань імітації та передбачення поведінкових характеристик менеджерів та задач прогнозування ризиків під час видачі кредитів. Не менш актуальним є застосування штучних нейронних мереж при виборі клієнтів для іпотечного кредитування, передбачення банкрутства клієнтів банку, визначення шахрайських операцій при використанні кредитних карток, складання рейтингів клієнтів при позиках з фіксованими платежами тощо.

Слід пам'ятати про те, що застосування нейромережевих технологій не завжди можливе і пов'язане з певними проблемами та недоліками.

1. Необхідно як мінімум 50, а краще за 100 спостережень для створення прийнятної моделі. Це досить багато даних, і вони не завжди доступні. Наприклад, при виробництві сезонного товару історії попередніх сезонів недостатньо для прогнозу на поточний сезон через зміну стилю продукту, політики продажу тощо. Навіть при прогнозуванні попиту на досить стабільний продукт на основі інформації про щомісячні продажі важко накопичити історичні дані за період від 50 до 100 місяців. Для сезонних товарів проблема ще складніша, оскільки кожен сезон фактично є одне спостереження. При дефіциті інформації моделі штучних нейронних мереж будують за умов неповних даних, та був проводять їх послідовне уточнення.

2. Побудова нейронних мереж потребує значних витрат праці та часу для отримання задовільної моделі. Необхідно враховувати, що надмірно висока точність, отримана на навчальній вибірці, може призвести до нестійкості результатів на тестовій вибірці - у цьому випадку відбувається «перенавчання» мережі. Чим краще система адаптована до конкретних умов, тим менше вона здатна до узагальнення та екстраполяції і тим скоріше може виявитися непрацездатною при зміні цих умов. Розширення обсягу навчальної вибірці дозволяє досягти більшої стійкості, але за рахунок збільшення часу навчання.

3. Під час навчання нейронних мереж можуть бути «пастки», пов'язані з потраплянням у локальні мінімуми. Детермінований алгоритм навчання не може виявити глобальний екстремум або залишити локальний мінімум. Одним із прийомів, який дозволяє обходити «пастки», є розширення розмірності простору терезів за рахунок збільшення числа нейронів прихованих шарів. Деякі можливості вирішення цієї проблеми відкривають стохастичні методи навчання. При модифікації терезів мережі тільки на основі інформації про напрям вектора градієнта цільової функції в просторі терезів можна досягти локального мінімуму, але неможливо вийти з нього, оскільки в точці екстремуму «рушійна сила» (градієнт) звертається в нуль і причина руху зникає. Щоб залишити локальний екстремум і перейти до пошуку глобального екстремуму, потрібно створити додаткову силу, яка залежатиме не від градієнта цільової функції, а від інших факторів. Один із найпростіших методів полягає в тому, щоб просто створити випадкову силу та додати її до детерміністичної.

4. Сігмоїдальний характер передавальної функції нейрона є причиною того, що якщо в процесі навчання кілька вагових коефіцієнтів стало занадто великим, то нейрон потрапляє на горизонтальну ділянку функції область насичення. У цьому зміни інших терезів, навіть досить великі, мало позначається величині вихідного сигналу такого нейрона, отже, і величині цільової функції.

5. Невдалий вибір діапазону вхідних змінних - досить елементарна, але помилка. Якщо - це двійкова змінна зі значенням 0 і 1, то приблизно в половині випадків вона матиме нульове значення: = 0. Оскільки входить у вираз для модифікації ваги у вигляді співмножника, то ефект буде той самий, що і при насиченні: модифікація відповідних ваг буде блоковано. Правильний діапазон для вхідних змінних має бути симетричним, наприклад, від +1 до -1.

6. Процес вирішення задач нейронною мережею є «непрозорим» для користувача, що може викликати з його боку недовіру до прогнозуючих здібностей мережі.

7. Передбачувальна здатність мережі істотно знижується, якщо факти (дані), що надходять на вхід, мають значні відмінності від прикладів, на яких навчалася мережа. Цей недолік яскраво проявляється під час вирішення завдань економічного прогнозування, зокрема щодо тенденцій котирувань цінних паперів та вартості валют на фондових і фінансових ринках.

8. Відсутні теоретично обґрунтовані правила конструювання та ефективного навчання нейронних мереж. Цей недолік призводить, зокрема, до втрати нейронних мереж здатності узагальнювати дані предметної області в станах перенавчання (перетренування).

МІНІСТЕРСТВО СІЛЬСЬКОГО ГОСПОДАРСТВА

РОСІЙСЬКОЇ ФЕДЕРАЦІЇ

ФДБОУ ВПО «ВОРОНІЗЬКИЙ ДЕРЖАВНИЙ

АГРАРНИЙ УНІВЕРСИТЕТ ІМ. ІМПЕРАТОРА ПЕТРА I»

КАФЕДРА ІНФОРМАЦІЙНОГО ЗАБЕЗПЕЧЕННЯ

І МОДЕЛЮВАННЯ АГРОЕКОНОМІЧНИХ СИСТЕМ

Курсовий проект

на тему : «Проектування автоматизованої інформаційної системи для аналізу ефективності роботи підприємств (на прикладі: підприємств Калачівського району Воронезької області та підприємства

«ТОВ СП "ПЛЕМІННЕ ПТАХІВНИЧЕ ГОСПОДАРСТВО "ЗАБРОДЕНСЬКЕ"»)»

Виконала: студентка БФ-2-7(БЕ)

Максимова А.І.

Керівник: помічник

Містюкова С.В.

Вороніж

ВСТУП.. 3

1 НЕЙРОННІ МЕРЕЖІ В ЕКОНОМІЦІ.. 4

1.1 Поняття та основи нейронних штучних мереж.

1.2 Властивості та класифікація нейронних мереж.

1.3 Типи архітектур нейронних мереж. 8

1.4 Використання нейронних мереж в економічних задачах.

2 ПРОЕКТУВАННЯ АВТОМАТИЗОВАНОЇ ІНФОРМАЦІЙНОЇ СИСТЕМИ ДЛЯ АНАЛІЗУ ЕФЕКТИВНОСТІ РОБОТИ ПІДПРИЄМСТВ ЄВОДСЬКЕ ГОСПОДАРСТВО "ЗАБРОДЕНСЬКЕ".

2.1 Пояснювальна записка 17

2.2. Проектування форм документів. 18

2.3. Інформаційно-логічна модель. 22

2.4 Алгоритм функціонування інформаційної системи. 25

2.5 Інструкція користувача. 26

Висновки та пропозиції.

Список використаної літератури... 32

ДОДАТКИ.. 33

ВСТУП

Нейронні мережі є новою і дуже перспективною обчислювальною технологією, що дає нові підходи до дослідження динамічних завдань в економічній галузі. Спочатку нейронні мережі відкрили нові можливості в галузі розпізнавання образів, потім до цього додалися статистичні та засновані на методах штучного інтелекту засоби підтримки прийняття рішень та вирішення завдань у сфері економіки.

Здатність до моделювання нелінійних процесів, роботи із зашумленими даними та адаптивність дають можливість застосовувати нейронні мережі для вирішення широкого класу завдань. В останні кілька років на основі нейронних мереж було розроблено багато програмних систем для застосування в таких питаннях, як операції на товарному ринку, оцінка ймовірності банкрутства банку, оцінка кредитоспроможності, контроль за інвестиціями, розміщення позик.

Метою даного курсового проекту є розробка автоматизованої інформаційної системи для аналізу ефективності підприємств.

При створенні АІС для аналізу ефективності роботи підприємств необхідно вирішити наступні завдання:

1. Розглянути поняття, властивості, класифікацію, типи та економічне застосування нейронних мереж.

2. Вивчити склад та функції автоматизованих інформаційних систем; вивчити теоретичні засади проектування АІС;

3. Освоїти роботу з основними видами прикладного програмного забезпечення, що використовується для реалізації АІС;

4. Спроектувати форми вхідних, проміжних та вихідних документів;

5. Побудувати інформаційно-логічну модель;

6. Розробити алгоритм функціонування;

7. Скласти інструкцію користувача.

У процесі виконання курсового проекту використано такі наукові методи як моделювання, опис, аналіз, синтез, розрахунково-конструктивний метод.

Технічні засоби, які використовувалися для реалізації поставленої мети – персональний комп'ютер із операційною системою Windows XP, клавіатурою та мишею.

АІС розроблялася у табличному процесорі MS Excel. Опис виконаної роботи проводилося у текстовому процесорі MS Word.

НЕЙРОНІ МЕРЕЖІ В ЕКОНОМІЦІ