V.P. tomonidan tahrirlangan. Borovikov

2-nashr, qayta ko'rib chiqilgan. va qo'shimcha

2008 G.

1000 nusxada tiraj.

Format 70x100/16 (170x240 mm)

Versiya: qog'oz muqovali

ISBN 978-5-9912-0015-8

BBC 32.973

UDC 004.8.032.26

izoh

Rossiya foydalanuvchisi uchun to'liq moslashtirilgan STATISTICA Neyron Networks paketidan (StatSoft ishlab chiqaruvchisi) foydalanishga asoslangan ma'lumotlarni tahlil qilish uchun neyron tarmoq usullari taqdim etilgan. Neyron tarmoqlar nazariyasi asoslari berilgan; amaliy masalalarni yechishga katta e’tibor qaratilgan, ma’lumotlarni tahlil qilish va bashorat qilishning kuchli vositasi bo‘lgan STATISTICA Neyron Networks to‘plamidan foydalangan holda tadqiqot o‘tkazish metodologiyasi va texnologiyasi har tomonlama ko‘rib chiqiladi. keng ilovalar biznes, sanoat, menejment, moliya sohasida. Kitobda ma'lumotlarni tahlil qilish bo'yicha ko'plab misollar, tahlil qilish, prognozlash, tasniflash, naqshlarni aniqlash, neyron tarmoqlar yordamida ishlab chiqarish jarayonini boshqarish bo'yicha amaliy tavsiyalar mavjud.

Bank ishi, sanoat, iqtisod, biznes, qidiruv, menejment, transport va boshqa sohalarda tadqiqot olib boradigan keng kitobxonlar uchun.

Ikkinchi nashrga so'zboshi

Kirish. Neyron tarmoqlar uchun taklif

1-bob. MA'LUMOTLARNI TAHLIL OLISHNING ASOSIY TUSHUNCHALARI

2-bob. EHTIMOLLAR NAZARIYASIGA KIRISH

3-bob. NEYR TARMOQLARI NAZARIYASIGA KIRISH

4-bob. NEYR TARMOQLARI HAQIDA UMUMIY SHARCH
Biologiyadan parallellik
Asosiy sun'iy model
Neyron tarmoqlarni qo'llash
Oldindan va keyingi ishlov berish
Ko'p qatlamli perseptron
Radial asos funktsiyasi
Ehtimoliy neyron tarmog'i
Umumiy regressiya neyron tarmog'i
Chiziqli tarmoq
Kohonen tarmog'i
Tasniflash vazifalari
Regressiya vazifalari
Vaqt seriyalarini prognoz qilish
O'zgaruvchilarni tanlash va o'lchamlarni kamaytirish

5-bob STATISTIKA NEYR TARMOQLARIDA BIRINCHI QADAMLAR
Ishni boshlash
Ma'lumotlar to'plamini yarating
Yangi tarmoq yarating
Ma'lumotlar to'plami va tarmoq yarating
Tarmoqli trening
Neyron tarmoqni ishga tushirish
Klassifikatsiyani amalga oshirish

6-bob. NEYR TARMOQLARNING QO'SHQA IMKONIYATLARI
Klassik misol: Fisherning irislari
O'zaro tasdiqlash bo'yicha trening
To'xtatish shartlari
Regressiya masalalarini yechish
Radial asos funktsiyalari
Chiziqli modellar
Kohonen tarmoqlari
Ehtimoliy va umumlashtirilgan regressiya tarmoqlari
Tarmoq konstruktori
Kirish ma'lumotlarini tanlash uchun genetik algoritm
Vaqt seriyasi

7-bob
Ma'lumotlarni taqdim etish
Foydali kirish o'zgaruvchilarini chiqarish.
Kichkinalashtirish
Tarmoq arxitekturasini tanlash
Shaxsiy tarmoq arxitekturalari
Vaqt seriyasi

8-bob. TASALOVLAR
1-misol Geologik tadqiqotda qisqartirish
2-misol: Qolipni tanib olish
Misol 3. Ikki o'lchovli to'plamlarning nochiziqli tasnifi
Misol 4. Laboratoriya ma'lumotlariga ko'ra turli xil yoqilg'i namunalarini segmentlash
5-misol: Xulq-atvorni baholash modelini yaratish
Misol 6. Funksiyalarning yaqinlashuvi
7-misol: Neft sotishni bashorat qilish
8-misol: Monitoring va bashorat
o'rnatish paytida harorat sharoitlari
Misol 9. Elektron raqamli imzoning haqiqiyligini aniqlash

9-bob. TEZKOR KO'RSATMA
Ma'lumotlar
tarmoqlar
Tarmoqli trening
Boshqa turdagi tarmoqlar
Tarmoqqa ulanish
Natijalar STATISTICA ga yuborilmoqda

10-bob. NEYRAL TARMOQLARGA MUKOMMAL USULLAR
STATISTICA da klassik diskriminant tahlili
Tasniflash
logit regressiyasi
STATISTICAda faktor tahlili

11-bob. STATISTIKADA MA'LUMOTLAR FOYDALANISH

1-ilova Kod generatori

Ilova 2. STATISTICA ning ERP tizimlari bilan integratsiyasi

Adabiyotlar ro'yxati

Mavzu indeksi

Izoh: Neyron tarmoqlar va statistika. Neyron tarmoqlar va loyqa mantiq. Neyron tarmoqlar va ekspert tizimlari. Neyron tarmoqlar va statistik fizika.

Hayvonlar quyidagilarga bo'linadi:

1. imperatorga tegishli
2. balzamlangan
3. ovlangan,
4. so'rg'ichlar,
5. sirenalar,
6. ajoyib,
7. individual itlar,
8. ushbu tasnifga kiritilgan
9. aqldan ozgandek yugurish
10. son-sanoqsiz,
11. eng yaxshi tuya juni cho'tkasi bilan chizilgan,
12. boshqalar,
13. gul vazasini sindirish
14. chivinlarga o'xshash masofadan.

H. L. Borxes, "Jon Uilkinsning analitik tili"

Neyrokompyuterlar boshqa fanlar va ularning usullari bilan ko'plab aloqa nuqtalariga ega. Xususan, neyron tarmoqlar nazariyasi statistik mexanika apparati va optimallashtirish nazariyasidan foydalanadi. Neyrokompyuterni qo'llash sohalari ba'zan matematik statistika, loyqa to'plamlar nazariyasi va ekspert tizimlarini qo'llash sohalari bilan bir-biriga juda mos keladi yoki deyarli mos keladi. Neyrokompyuterning ulanishlari va parallelligi nihoyatda xilma-xil bo'lib, uning universalligidan dalolat beradi. Qo'shimcha ma'ruza sifatida ko'rib chiqilishi mumkin bo'lgan ushbu ma'ruzada, chunki u biroz ko'proq matematik ma'lumotni talab qiladi, biz ulardan faqat eng muhimlari haqida gapiramiz.

Neyron tarmoqlar va statistika

Neyron tarmoqlar hozirda ma'lumotlarni tahlil qilish uchun muvaffaqiyatli qo'llanilayotganligi sababli ularni eski yaxshi ishlab chiqilgan statistik usullar bilan solishtirish maqsadga muvofiqdir. Statistikaga oid adabiyotlarda ba'zida neyron tarmoqning eng ko'p qo'llaniladigan yondashuvlari samarasiz regressiya va diskriminant modellaridan boshqa narsa emasligi haqidagi ta'kidni topish mumkin. Biz bundan oldin ham ta'kidlagan edik ko'p qatlamli neyron tarmoqlari haqiqatan ham regressiya va tasniflash kabi muammolarni hal qila oladi. Biroq, birinchidan, neyron tarmoqlar tomonidan ma'lumotlarni qayta ishlash ancha xilma-xildir - masalan, statistik analoglari bo'lmagan Hopfield tarmoqlari yoki Kohonen xususiyati xaritalari bo'yicha faol tasniflashni unutmang. Ikkinchidan, moliya va biznesda neyron tarmoqlardan foydalanish bo'yicha ko'plab tadqiqotlar ularning ilgari ishlab chiqilgan statistik usullarga nisbatan afzalliklarini aniqladi. Keling, neyron tarmoqlar va matematik statistika usullarini solishtirish natijalarini batafsil ko'rib chiqaylik.

Neyron tarmoqlar tavsif tilimi?

Yuqorida ta'kidlab o'tilganidek, ba'zi statistiklar ma'lumotlarni qayta ishlashga neyron tarmoq yondashuvlari shunchaki qayta kashf etilgan va qayta tuzilgan, ammo tahlil qilishning taniqli statistik usullari. Boshqacha qilib aytganda, neyrokompyuter eski bilimlarni tasvirlash uchun oddiygina yangi tildan foydalanadi. Misol tariqasida Uorren Searldan iqtibos keltiramiz:

Ko'pgina neyron tarmoq tadqiqotchilari statistika va chiziqli bo'lmagan optimallashtirish haqida kam ma'lumotga ega bo'lgan muhandislar, fiziklar, neyrofiziologlar, psixologlar yoki kompyuter olimlaridir. Neyron tarmoq tadqiqotchilari o'nlab yillar va asrlar davomida matematik va statistik adabiyotlarda ma'lum bo'lgan usullarni doimiy ravishda qayta kashf etadilar, lekin ko'pincha bu usullar qanday ishlashini tushunmaydilar.

Bu nuqtai nazar, birinchi qarashda, oqilona ko'rinishi mumkin. Neyron tarmoqlarning rasmiyatchiligi haqiqatan ham universal til rolini talab qilishga qodir. McCulloch va Pittsning kashshof ishlarida neyron tarmoq tavsifi taklif mantiqining tavsifiga teng ekanligi bejiz emas.

Men aslida 1961 yilda ishlab chiqqan texnikam (...) yordamida miya mutaxassislari (...) yoki kompyuter olimlari menga bergan barcha savollarga bemalol javob berishimni aniqladim. Ammo fizik sifatida men hamma narsani tushuntiradigan nazariya hech narsani tushuntirmasligini yaxshi bilardim: eng yaxshi holatda bu til. Eduardo Kayanello

Shuning uchun statistiklar ko'pincha neyron tarmoqlar nazariyasida o'zlariga o'rganib qolgan tushunchalarni topishlari ajablanarli emas. Uorren Searle ushbu ikki sohada qo'llaniladigan atamalarning kichik lug'atini tuzdi.

11.1-jadval. O'xshash atamalarning lug'ati

Neyron tarmoqlar	Statistik usullar.
belgilar	o'zgaruvchilar
kirishlar	mustaqil o'zgaruvchilar
chiqadi	bashorat qilingan qiymatlar
maqsadli qiymatlar	bog'liq o'zgaruvchilar
xato	farqlanish
o'rganish, moslashish, o'z-o'zini tashkil qilish	daraja
xato funktsiyasi, Lyapunov funktsiyasi	baholash mezoni
o'quv rasmlari (juftlik)	kuzatishlar
tarmoq parametrlari: og'irliklar, pollar.	Hisoblangan parametrlar
yuqori tartibli neyronlar	o'zaro ta'sirlar
funktsional ulanishlar	transformatsiya
nazorat ostida o'rganish yoki geteroassotsiatsiya	regressiya va diskriminant tahlili
nazoratsiz o'rganish yoki avtomatik assotsiatsiya	ma'lumotlarni siqish
raqobatbardosh o'rganish, adaptiv vektor kvantlash	klaster tahlili
umumlashtirish	interpolyatsiya va ekstrapolyatsiya

Neyron tarmoqlar va statistika o'rtasidagi farq nima?

Ma'lumotlarni tahlil qilishda neyrokompyuter va statistika tillari o'rtasidagi o'xshashlik va farqlar qanday. Keling, eng oddiy misolni ko'rib chiqaylik.

Faraz qilaylik, biz kuzatishlar o'tkazdik va funktsional bog'liqlikni ifodalovchi N juft nuqtani eksperimental o'lchadik. Agar biz ushbu nuqtalar orqali eng yaxshi to'g'ri chiziqni o'tkazishga harakat qilsak, bu statistika tilida noma'lum bog'liqlikni tasvirlash uchun chiziqli modeldan foydalanishni anglatadi (bu erda kuzatish paytida shovqinni bildiradi), u holda tegishli chiziqli regressiya muammosining echimi. parametrlarning taxminiy qiymatlarini topishga qisqartiriladi, kvadrat qoldiqlar yig'indisini minimallashtiradi.

Agar va parametrlari topilsa, u holda x ning istalgan qiymati uchun y qiymatini baholash, ya'ni ma'lumotlarni interpolyatsiya qilish va ekstrapolyatsiya qilish mumkin.

Xuddi shu muammoni yordamida hal qilish mumkin bir qatlamli tarmoq bitta kirish va bitta chiziqli chiqish neyroniga ega. Ulanish og'irligi a va chegara b ni bir xil qoldiq qiymatni minimallashtirish orqali olish mumkin (bu bu holat o'rtacha kvadrat xatosi deb ataladi) tarmoqni o'qitish paytida, masalan, orqaga tarqalish usulidan foydalangan holda. Neyron tarmoqning umumlashtirish xususiyatidan keyin kirish qiymatidan chiqish qiymatini bashorat qilish uchun foydalaniladi.

Guruch. 11.1.

Ushbu ikki yondashuvni taqqoslaganda, ularning usullarini tavsiflashda statistika formulalar va tenglamalarga, neyrokompyuterlar esa neyron arxitekturalarining grafik tavsifiga taalluqli ekanligi darhol hayratlanarli.

Agar chap yarim shar formulalar va tenglamalar bilan, o'ng yarim shar esa grafik tasvirlar bilan ishlayotganini eslasak, statistik ma'lumotlar bilan solishtirganda, neyron tarmoq yondashuvining "o'ng yarim shari" yana namoyon bo'lishini tushunishimiz mumkin.

Yana bir muhim farq shundaki, statistik usullar uchun nomuvofiqlik qanday minimallashtirilganligi muhim emas - har holda, model bir xil bo'lib qoladi, neyrokompyuter uchun esa o'quv usuli asosiy rol o'ynaydi. Boshqacha qilib aytganda, neyron tarmoq yondashuvidan farqli o'laroq, statistik usullar uchun model parametrlarini baholash quyidagilarga bog'liq emas. minimallashtirish usuli. Shu bilan birga, statistiklar qoldiq shaklidagi o'zgarishlarni ko'rib chiqadilar

Modeldagi asosiy o'zgarish sifatida.

Neyron tarmoq yondashuvidan farqli o'laroq, asosiy vaqt tarmoqlarni o'qitishga sarflanadi, statistik yondashuv bilan bu vaqt muammoni chuqur tahlil qilishga sarflanadi. Shu bilan birga, ma'lum bir sohaga xos bo'lgan ma'lumotlar va ma'lumotlarni tahlil qilish asosida model tanlashda statistiklarning tajribasidan foydalaniladi. Neyron tarmoqlardan foydalanish - bu universal yaqinlashtiruvchilar - odatda aprior bilimlardan foydalanmasdan amalga oshiriladi, garchi ba'zi hollarda bu juda foydali. Masalan, ko'rib chiqilayotgan chiziqli model uchun o'rtacha kvadrat xatosidan foydalanish shovqin qiymati barcha o'quv juftliklari uchun bir xil dispersiya bilan normal taqsimotga ega bo'lganda uning parametrlarining optimal bahosini olishga olib keladi. Shu bilan birga, agar bu dispersiyalarning har xil ekanligi ma'lum bo'lsa, u holda og'irlikdagi xato funksiyasidan foydalaniladi

Sezilarli darajada yaxshi parametr qiymatlarini berishi mumkin.

Ko'rib chiqilganlarga qo'shimcha ravishda eng oddiy model ma'lum ma'noda statistikaning ekvivalent modellari va neyron tarmoq paradigmalariga misollar keltirish mumkin.

Xopfild tarmog'i ma'lumotlarni klasterlash va omillar tahlili bilan aniq aloqaga ega.

Faktor tahlili ma'lumotlar strukturasini tekshirish uchun ishlatiladi. Uning asosiy asosi bunday belgilarning mavjudligi haqidagi farazdan iborat - ularni bevosita kuzatish mumkin bo'lmagan, lekin bir nechta kuzatiladigan birlamchi belgilar bo'yicha baholash mumkin bo'lgan omillar. Masalan, ishlab chiqarish hajmi va asosiy vositalarning tannarxi kabi xususiyatlar ishlab chiqarish ko'lami kabi omilni aniqlashi mumkin. O'qitishni talab qiladigan neyron tarmoqlardan farqli o'laroq, omil tahlili faqat ma'lum miqdordagi kuzatuvlar bilan ishlashi mumkin. Garchi printsipial jihatdan bunday kuzatuvlar soni o'zgaruvchilar sonidan faqat bitta kattaroq bo'lishi kerak bo'lsa-da, kamida uch barobar ko'p qiymatlardan foydalanish tavsiya etiladi. Bu hali ham neyron tarmog'i uchun o'quv majmuasi hajmidan kamroq deb hisoblanadi. Shu sababli, statistiklar faktorli tahlilning afzalligi, kamroq ma'lumotlardan foydalanish va shuning uchun modelni tezroq yaratishga olib keladi. Bundan tashqari, bu omil tahlil usullarini amalga oshirish uchun kamroq kuchli hisoblash vositalarini talab qiladi. Faktor tahlilining yana bir afzalligi shundaki, u oq quti usuli, ya'ni. to'liq ochiq va tushunarli - foydalanuvchi model nima uchun ma'lum bir natija berishi mumkinligini osongina tushunishi mumkin. Faktorli tahlilning Xopfild modeli bilan bog'liqligini vektorlarni eslab qolish orqali ko'rish mumkin minimal asos kuzatishlar to'plami uchun (xotira tasvirlari - 5-ma'ruzaga qarang). Aynan mana shu vektorlar xotira vektorlarining turli komponentlarini - birlamchi xususiyatlarni birlashtiruvchi omillarning analoglari hisoblanadi.

Hajmi: px

Taassurotni quyidagi sahifadan boshlang:

transkript

2 UDC BBK N45 N45 Neyron tarmoqlari. STATISTICA Neyron tarmoqlari: zamonaviy ma'lumotlarni tahlil qilish metodologiyasi va texnologiyalari / V. P. Borovikov tomonidan tahrirlangan. 2-nashr, qayta ko'rib chiqilgan. va qo'shimcha M.: Ishonch telefoni Telekom, s, kasal. Rossiya foydalanuvchisi uchun to'liq moslashtirilgan STATISTICA Neyron Networks paketidan (StatSoft ishlab chiqaruvchisi) foydalanishga asoslangan ma'lumotlarni tahlil qilishning ISBN Neyron tarmog'i usullari ko'rsatilgan. Neyron tarmoqlar nazariyasi asoslari berilgan; Amaliy muammolarni hal qilishga katta e'tibor qaratilmoqda, biznes, sanoat, menejment va moliya sohalarida keng qo'llanilishiga ega bo'lgan ma'lumotlarni tahlil qilish va bashorat qilishning kuchli vositasi STATISTICA Neyron Networks to'plamidan foydalangan holda tadqiqot o'tkazish metodologiyasi va texnologiyasi har tomonlama ko'rib chiqilmoqda. Kitobda ma'lumotlarni tahlil qilish bo'yicha ko'plab misollar, tahlil qilish, prognozlash, tasniflash, naqshlarni aniqlash, neyron tarmoqlar yordamida ishlab chiqarish jarayonini boshqarish bo'yicha amaliy tavsiyalar mavjud. Bank ishi, sanoat, iqtisod, biznes, qidiruv, menejment, transport va boshqa sohalarda tadqiqot olib boradigan keng kitobxonlar uchun. Internetdagi nashriyot manzili. Mixin Asl maketni tayyorlash E.V. Kormakova Muqova rassom V.G. Sitnikov Format70 100/16 chop etish uchun imzolangan. Konv. ed. l. 32.5. "Hot Line Telecom" ilmiy-texnik nashriyoti tomonidan nashr etilgan. "Til-2004" bosmaxonasida bosilgan. Buyurtma 05 ISBN STATISTICA Neyron tarmoqlari (SNN), 2008 yil V. P. Borovikov, 2008 yil "Hot Line Telecom" nashriyoti tomonidan loyihalashtirilgan.

3 Ikkinchi nashrga so'zboshi Mashhur kitobning ikkinchi nashri sezilarli darajada kengaytirildi va qayta ko'rib chiqildi. Ma'lumotlar tahlili, ehtimollar nazariyasi va neyron tarmoqlar nazariyasiga kirish bo'yicha yangi boblar yozildi. Ushbu boblarda keltirilgan materiallar neyron tarmoqlardan foydalanish metodologiyasini chuqur tushunishga imkon beradi. Hozirgi vaqtda neyron tarmoqlar bank, sanoat, marketing, iqtisod, tibbiyot va boshqa sohalarda jadal qo'llaniladi, bu erda ma'lumotlarni prognozlash va chuqur tushunish talab etiladi. Neyron tarmoqlar klassik tahlil usullariga tabiiy qo'shimcha bo'lib, standart protseduralar kerakli samarani bermagan hollarda qo'llaniladi. STATISTICA Neyron Networks - bu neyron tarmoqlarni o'rganish uchun dunyodagi yagona dasturiy mahsulot bo'lib, rus tiliga to'liq tarjima qilingan. Bu shuni anglatadiki, butun interfeys (o'nlab dialog oynalari va tadqiqot stsenariylari) va STATIST1CA Neyron Networks yordam tizimi rus tiliga tarjima qilingan va foydalanuvchi uchun yagona muhitda mavjud. Biz kitobga tahlilning klassik usullari haqida qo'shimcha bobni kiritdik, bu o'quvchiga turli yondashuvlarni solishtirish imkonini beradi. Kitobning alohida bobi ma'lumotlarni qidirish usullariga, klassik va neyron tarmoq modellarini birlashtirgan zamonaviy ma'lumotlarni tahlil qilish texnologiyalariga bag'ishlangan. Kitob ustida ishlashda StatSoft Rossiya xodimlari ishtirok etdilar: B.C. Paktunkov, A.K. Petrov, V.A. Panov. Ularning barchasiga samimiy minnatdorchiligimizni bildiramiz. Lyudmila Ekatovaga qo‘lyozmani nashrga tayyorlashdagi mashaqqatli va mashaqqatli mehnati uchun alohida minnatdorchilik bildiramiz. StatSoft Rossiya ilmiy direktori V.P. Borovikov

4 Kirish Neyron tarmoqlarga taklif So'nggi bir necha yil ichida neyron tarmoqlarga qiziqish sezilarli darajada oshdi: ular moliya, biznes, tibbiyot, sanoat, muhandislik, qidiruv va boshqa sohalarda qo'llaniladi. Neyron tarmoqlar bashorat qilish, tasniflash yoki nazorat qilish muammolari kerak bo'lganda qo'llaniladi, chunki ular bashorat qiluvchi o'zgaruvchilar (kirish o'zgaruvchilari) va bashorat qilingan o'zgaruvchilar (chiqish o'zgaruvchilari) o'rtasida bog'liqlik mavjud bo'lgan deyarli har qanday vaziyatda qo'llaniladi, hatto bu munosabatlar tabiatan murakkab bo'lsa ham. va guruhlar o'rtasidagi korrelyatsiya yoki farqlarni an'anaviy tarzda ifodalash qiyin. Neyron tarmog'i usullari mustaqil ravishda ishlatilishi yoki ajoyib qo'shimcha sifatida xizmat qilishi mumkin an'anaviy usullar ma'lumotlarni tahlil qilish. Ko'pgina statistik usullar ma'lum taxminlar va nazariy xulosalarga asoslangan modellarni qurish bilan bog'liq (masalan, kerakli munosabatlar chiziqli yoki o'zgaruvchilar normal taqsimotga ega degan taxminda). Neyron tarmoq yondashuvi model cheklovlaridan xoli, u chiziqli va murakkab chiziqli bo'lmagan munosabatlar uchun bir xil darajada mos keladi va o'zgaruvchilar o'rtasida umuman bog'liqlik mavjudligini aniqlash zarur bo'lganda ma'lumotlarni tadqiqotchi tahlil qilishda ayniqsa samarali. Neyron tarmoqlarning kuchi ularning o'z-o'zini o'rganish qobiliyatidadir. Trening jarayoni yo'qotish funktsiyasini minimallashtirish uchun sinaptik og'irliklarni sozlashdan iborat. Ushbu kitob neyron tarmoqlarni qurish uchun STATISTICA Neyron Networks paketidan foydalanadi, bu qulay interfeysga ega va interaktiv rejimda tadqiqot olib borish imkonini beradi. Barcha dialoglar va takliflar, shu jumladan elektron yordam tizimi, to'liq rus tiliga tarjima qilingan va foydalanuvchilar uchun mavjud. STATISTICA neyron tarmoqlari dunyoda yagona hisoblanadi dasturiy ta'minot neyron tarmog'ini tadqiq qilish uchun to'liq rus tiliga tarjima qilingan. STATISTICA neyron tarmoqlarining muhim afzalligi shundaki, u tabiiy ravishda STATISTICA tahlil vositalarining kuchli arsenaliga kiritilgan. Bu klassik va neyron tarmoq usullarining kombinatsiyasi istalgan effektni beradi. Ushbu kitob o'n bir bobdan iborat. Birinchi bobda biz ma'lumotlarni tahlil qilishning asosiy tushunchalarini tasvirlaymiz, ikkinchisida ehtimollik nazariyasiga kirishni beramiz. Uchinchi bob neyron tarmoqlarga nazariy kirishni o'z ichiga oladi. E'tibor bering, ehtimollik nazariyasi neyron tarmoqlarning asosidir. Ushbu bob neyron tarmoqlarning usullari va tamoyillarini chuqur tushunish uchun zarur. Unda

5 biz mashhur Bayes formulasini va optimal Bayes tasnifi qoidasini tasvirlaymiz. To'rtinchi bob o'z ichiga oladi umumiy ko'rib chiqish STATISTICA Neyron Networks da amalga oshirilgan neyron tarmoqlari o'quvchini dastur interfeysi, imkoniyatlari bilan tanishtiradi va tahlilning asosiy yo'nalishlarini tushunishga yordam beradi. 5-bob o'quvchiga STATISTICA neyron tarmoqlarida birinchi qadamlarini qanday qo'yishni o'rgatadi. Oltinchi bob neyron tarmoqlarning keyingi imkoniyatlarini tavsiflaydi. Radial asosli funktsiyalarga asoslangan tarmoqlar batafsil ko'rib chiqiladi, ko'p qatlamli perseptronlar, o'z-o'zini tashkil etuvchi xaritalar, ehtimollik va umumlashtirilgan ehtimollik modellari tavsiflanadi. Yangi boshlanuvchilar uchun neyrotarmoqlarni tahlil qilish uchun qulay vosita bo‘lmish Yechish ustasi yordamida tarmoqni qanday qurishni tavsiflaydi; o'lchamlarni qisqartirish uchun genetik algoritmlar haqida fikr berilgan. Ettinchi bobda neyron tarmoqlardan foydalangan holda muammolarni hal qilish bo'yicha amaliy maslahatlar keltirilgan. Sakkizinchi bobda muayyan muammolarning yechimlari (keys tadqiqotlari) mavjud. Ushbu bob keng kitobxonlar doirasi uchun alohida qiziqish uyg'otadi, chunki u neyron tarmoq texnologiyasini amalda ko'rsatadi. Misollar geologiya va sanoatdan moliyagacha bo'lgan keng ko'lamli ilovalarni qamrab oladi; tasniflash, qoliplarni aniqlash, prognozlash, ishlab chiqarish jarayonini nazorat qilish muammolari ko'rib chiqiladi. To'qqizinchi bobda o'quvchi topadi tezkor qo'llanma STATISTICA Neyron Networks neyron tarmoqlari paketidan foydalanish bo'yicha. O'ninchi bob neyron tarmoqlarga muqobil statistik usullarga bag'ishlangan. Bu erda diskriminant tahlili, omil tahlili va logistik regressiya usullari tasvirlangan. Shubhasiz, foydalanuvchi usullarni solishtirish va eng mosini tanlash imkoniyatiga ega bo'lishi kerak. O'n birinchi bobda biz neyron tarmoq usullarini klassik tahlil usullari bilan birlashtirgan zamonaviy ma'lumotlar qazib olish texnologiyalarini qisqacha tavsiflaymiz. Keling, neyron tarmoqlardan foydalanishning odatiy misollarini keltiraylik. Sanoatda ishlab chiqarish jarayonlarini boshqarish vazifasi (ishlab chiqarishni o'rnatish) dolzarbdir. Misol uchun, gaz sanoatida siz neyron tarmoqni o'rnatishingiz va chiqish mahsulotining sifatini nazorat qilish uchun parametrlarni avtomatik ravishda o'zgartirishingiz mumkin. Xuddi shunday muammolar neftni qayta ishlashda ham yuzaga keladi. Spektrni o'lchash yo'li bilan benzin sifatini spektral xarakteristikalar asosida nazorat qilish, ishlab chiqarilgan mahsulotni ma'lum bir sinfga kiritish mumkin. Bog'liqliklar chiziqli bo'lmaganligi sababli, neyron tarmoqlar tasniflash uchun mos vositadir. Moliyaviy sektorda iste’mol krediti berish dolzarb vazifa hisoblanadi. So'nggi yillarda iste'mol kreditlari jadal rivojlanib, bank biznesining eng tez rivojlanayotgan tarmoqlaridan biriga aylandi. Kredit asosida tovar va xizmatlar ko‘rsatuvchi moliya institutlari soni ortib bormoqda

6 kundan keyin. Ushbu muassasalarning xavfi ular "yaxshi" kredit da'vogarlarini "yomon" murojaat etuvchilardan qanchalik yaxshi ajrata olishlariga bog'liq. Qarz oluvchining kredit tarixini tahlil qilib, siz uning qanday harakat qilishini bashorat qilishingiz va kredit berish yoki kredit berishni rad etish haqida qaror qabul qilishingiz mumkin. Qiziqarli muammo - bu farqlash elektron imzo, ovozni aniqlash, geologik qidiruv bilan bog'liq turli xil vazifalar. Ushbu muammolarni hal qilish uchun neyron tarmoqlardan foydalanish mumkin. Keyinchalik, STATISTICA neyron tarmoqlari paketidagi dialog oynalari zanjirini taqdim etamiz va tizim foydalanuvchisi bilan muloqot qanday tashkil etilganligini ko'rsatamiz. Keling, foydalanuvchilarga qulay interfeys va foydalanuvchilarga o'z tarmoqlarini loyihalash va eng yaxshilarini tanlash imkonini beruvchi Decision Wizard va Network Builder vositalarining mavjudligiga e'tibor beraylik. Shunday qilib, birinchi navbatda, STATISTICA Neyron Networks paketini ishga tushiramiz. Qadam 1. Ishga tushirish panelidan boshlaylik (1-rasm). Guruch. 1. ishga tushirish paneli neyron tarmoqlari Ushbu panelda siz turli xil tahlil turlarini tanlashingiz mumkin: regressiya, tasniflash, vaqt seriyalarini prognozlash, klaster tahlili. Masalan, prognoz tuzmoqchi bo'lsangiz, vaqt seriyasini tanlang. Keyin, Asboblar bo'limida yechim vositasini tanlang. Ajam foydalanuvchilar uchun Yechim ustasini tanlash tavsiya etiladi, ilg'or foydalanuvchi uchun Network Builder-dan foydalaning. Biz

7 Decision Wizard-ni tanlang. Qadam 2. Ma'lumotlar faylini ochish uchun Ma'lumotlar tugmasini bosing. Agar fayl allaqachon ochiq bo'lsa, bu tugmani bosmaslik kerak. Kengaytirilgan tugmasini bosganingizda, qo'shimcha vositalar, xususan, o'lchamlarni kamaytirish protseduralari, kod generatori va boshqalar mavjud bo'lgan oyna paydo bo'ladi (2-rasm). Guruch. 2. STATISTICA Neyron Networks Launchpad Qadam 3. From faylni oching tahlil qilish uchun o'zgaruvchilarni tanlang. O'zgaruvchilar uzluksiz va toifali bo'lishi mumkin; bundan tashqari, kuzatishlar turli namunalarga tegishli bo'lishi mumkin (3-rasm).

8-rasm. 3-rasm. O'zgaruvchilarni tanlash oynasi 4-qadam. Sinovdan o'tgan tarmoqlar sonini yoki yechim vaqtini ko'rsatib, tahlil davomiyligini belgilang (4-rasm). Guruch. 4. Qaror ustasi Tezkor qadam yorlig'i 5. Biz ishlaydigan dastur tomonidan taklif qilinadigan tarmoqlar turini tanlang: chiziqli tarmoq, ehtimolli tarmoq, radial asosli funktsiyalarga asoslangan tarmoq, ko'p qatlamli perseptron. Siz har qanday turdagi tarmoqlarni yoki kombinatsiyani tanlashingiz mumkin (5-rasm).

9-rasm. 5-rasm. Qaror ustasi Tarmoq turi yorlig'i 6-qadam. Yakuniy natijalarni taqdim etish formatini o'rnating (6-rasm). Guruch. 6. Qaror ustasi yorlig'i qayta aloqa Qadam 7. Biz OK tugmasini bosish orqali neyron tarmoqlarni o'qitish tartibini boshlaymiz (7-rasm).

10-rasm. 7. O'quv jarayonini ko'rsatish 8-qadam. Natijalar oynasida siz olingan echimlarni tahlil qilishingiz mumkin. Dastur eng yaxshi tarmoqlarni tanlaydi va yechim sifatini ko'rsatadi (8-rasm). Guruch. 8-rasm. Natija oynasi yorlig'i Tez qadam 9. Muayyan tarmoqni tanlang (9-rasm).

11-rasm. Shakl 9. Model tanlash dialog oynasi 10-qadam. Tekshirishning bir usuli kuzatilgan qiymatlarni bashorat qilingan natijalar bilan solishtirishdir. Tanlangan tarmoq uchun kuzatilgan va bashorat qilingan qiymatlarni taqqoslash rasmda ko'rsatilgan. 10.

12 rasm. 10-rasm. Kuzatilgan va bashorat qilingan qiymatlar jadvali 11-qadam. Eng yaxshi tarmoqlarni keyingi foydalanish uchun, masalan, avtomatik prognozlash uchun saqlang (11 va 12-rasm). Guruch. 11. Launchpad tarmoqlar/ansambllarni tanlang va saqlang

13-rasm. 12. Tarmoq faylini saqlash uchun standart oyna Bu STATISTICA neyron tarmoqlar paketidagi odatiy tadqiqot stsenariysidir. Keyinchalik tizimli taqdimot kitobning qolgan boblarida mavjud.

14 9-bob TEZKOR QO'LLANMA Bu bo'limda siz STATISTICA Neyron Networks tizimi bilan ishlash bo'yicha tezkor qo'llanmani topasiz. STATISTICA Neyron Networks to'plami hozirgi vaqtda amaliy masalalarni hal qilish uchun foydalaniladigan barcha turdagi neyron tarmoqlarni, shuningdek, tezkor o'rganish, avtomatik qurish va muhim bashorat qiluvchilarni tanlash uchun eng ilg'or algoritmlarni amalga oshiradi. DATA Kirish Yana bir bor eslatib o'tamizki, neyron tarmoqlar misollardan o'rganadi va o'quv ma'lumotlaridan model yaratadi. O'quv ma'lumotlari - bu ma'lum miqdordagi kuzatuvlar (namunalar), ularning har biri uchun bir nechta o'zgaruvchilarning qiymatlari ko'rsatilgan. Ushbu o'zgaruvchilarning aksariyati kirish sifatida o'rnatiladi va tarmoq buning uchun o'quv ma'lumotlaridagi ma'lumotlardan foydalangan holda kirish va chiqish o'zgaruvchilari qiymatlari o'rtasidagi moslikni topishni o'rganadi (ko'pincha bitta chiqish o'zgaruvchisi mavjud). . Tarmoq o'qitilgandan so'ng, u kirish qiymatlari berilgan noma'lum chiqish qiymatlarini bashorat qilish uchun ishlatilishi mumkin. Shunday qilib, neyron tarmoq bilan ishlashning birinchi bosqichi ma'lumotlar to'plamini shakllantirish bilan bog'liq. Oʻzgaruvchilar va kuzatishlar sonini koʻrsatgan holda, “Fayl” menyusidagi “New” buyrugʻi (yoki asboblar panelidagi tegishli tugma) yordamida STATISTICA (Neyron Networks) paketida maʼlumotlar jadvalini yaratishingiz mumkin. Olingan yangi ma'lumotlar faylida dastlab faqat bo'sh katakchalar bo'ladi va undagi barcha o'zgaruvchilarning qiymatlari etishmayotgan qilib o'rnatiladi (9.1-rasm).

15-rasm. 9.1 Kirish/chiqish o'zgaruvchilari, shuningdek, o'zgaruvchilar bo'linadigan to'plamlarni tanlash Neyron tarmoqlar moduli ichida amalga oshiriladi (lekin ma'lumotlar jadvali tayyorlangandan keyin). Biroq, bu odatda bajarilmaydi: ma'lumotlar fayli boshqa paketlardan Ochish buyrug'i (siz ma'lumotlar formatini ko'rsatishingiz kerak) yoki Fayl menyusining "Tashqi ma'lumotlar" buyrug'i yordamida import qilinadi, bu sizga turli xil fayllarga qarshi murakkab so'rovlar yaratish imkonini beradi. ma'lumotlar bazalari (9.2 va 9.3-rasm).

16-rasm. 9.2-rasm. 9.3 Neyron tarmoqlar modulida STATISTICA tizimining ma'lumotlar fayllarini to'g'ridan-to'g'ri o'qish mumkin, shu bilan birga nominal o'zgaruvchilar avtomatik ravishda aniqlanadi (ya'ni, bir nechta belgilangan matn qiymatlaridan birini qabul qilishi mumkin bo'lgan o'zgaruvchilar, masalan, Gender = (Erkak, Ayol) ) va sana va vaqt kabi ma'lumotlar turlari raqamli ko'rinishga aylantiriladi (kirish

17, neyron tarmoqqa faqat raqamli ma'lumotlar berilishi mumkin). Agar siz boshqa dasturda (masalan, elektron jadvallar) ma'lumotlarni olsangiz, birinchi navbatda, STATISTICA tizimi yordamida ma'lumotlarni import qilishingiz kerak bo'ladi. Import funktsiyasidan tashqari, STATISTICA tashqi ma'lumot manbalariga kirishning boshqa imkoniyatlarini ham taqdim etadi: Windows almashish buferidan foydalanish (STATISTICA Excel va Lotus kabi ilovalarda qo'llaniladigan clipboard ma'lumotlar formatlarini tushunadi); STATISTICA Query so'rovlarini yaratish vositasi yordamida turli ma'lumotlar bazalariga kirish. Yorliqlar bilan ajratilgan yoki vergul bilan ajratilgan matn fayllari to'g'ridan-to'g'ri STATISTICA paketiga import qilinishi mumkin. Bunda, agar xohlasa, faylning birinchi qatori o'zgaruvchilar nomlari uchun, birinchi ustuni esa kuzatish nomlari uchun qoldirilishi mumkin (9.4-rasm). Guruch. 9.4 Ma'lumotlar fayli ochilgandan yoki yangi yaratilgandan so'ng, uning tarkibini STATISTICA muhitida oddiy jadval kabi tahrirlash mumkin. STATISTICA elektron jadval protsessorlari uchun xos bo'lgan asosiy ma'lumotlar operatsiyalarini amalga oshiradi, jumladan: tahrirlash, hujayralar blokini tanlash,

18 almashish xotirasiga o'tkazish va hokazo. Bundan tashqari, o'zgaruvchilar va kuzatishlarning turi va nomlarini belgilash, ularni qo'shish, o'chirish, ko'chirish va nusxalash uchun maxsus operatsiyalar mavjud. O'zgaruvchilar turlari va kuzatishlar STATISTICA Neural Networks dasturida ma'lumotlar faylidagi barcha kuzatishlar to'rt guruhga (to'plamga) bo'linadi: trening, nazorat, test va hisobga olinmagan. O'quv majmuasi neyron tarmog'ini o'rgatish uchun ishlatiladi, nazorat majmuasi o'quv jarayonini mustaqil baholash uchun, test majmuasi bir qator tajribalar tugagandan so'ng yakuniy baholash uchun ishlatiladi. E'tiborga olinmagan to'plam umuman ishlatilmaydi (ba'zi ma'lumotlar buzilgan, ishonchsiz yoki juda ko'p bo'lsa, kerak bo'lishi mumkin). Xuddi shunday, barcha o'zgaruvchilar kirish, chiqish, kirish / chiqish (masalan, vaqt ketma-ketligini tahlil qilishda) va hisobga olinmagan (ikkinchilari odatda "kirish o'zgaruvchilari roliga nomzodlar" ga bo'linadi, ularning prognoz qilish uchun foydaliligi aniq emas. oldindan va shuning uchun tajriba jarayonida ularning ba'zilari o'chadi). O'zgaruvchilar va kuzatishlar turi Neyron tarmoqlar modulida o'rnatiladi. Kirish va chiqish o'zgaruvchilari soni, shuningdek o'qitish, nazorat qilish va sinov holatlari STATISTICA Neyron Networks ishga tushirish oynasining yuqori qismidagi tegishli maydonlarda ko'rsatiladi. Turlar orasidagi nisbatlar ushbu maydonlardagi sozlamalarni tahrirlash orqali o'zgartirilishi mumkin. Bu yangi kuzatuvlar yoki o'zgaruvchilarni qo'shmaydi yoki olib tashlamaydi: faqat mavjud kuzatuvlar yoki o'zgaruvchilar turi o'zgaradi. Xuddi shunday operatsiya xolis tekshiruv to'plamini shakllantirish uchun ishlatiladi. Avval siz ushbu to'plamning hajmini belgilashingiz kerak (odatda butun ma'lumotlar to'plamining yarmi unga, qolgan yarmi esa o'quv to'plamiga ajratiladi; agar sizga test to'plami kerak bo'lsa, fayl uch qismga bo'linishi kerak) . Keyin, Tasodifiy tanlash opsiyasidan foydalanib, barcha mavjud kuzatuvlar tasodifiy taqsimlanadi turli xil turlari. STATISTICA neyron tarmoqlarida ma'lumotlar faylini birinchi marta o'qiyotganingizda, o'zgaruvchilardan qaysi biri kiritilishi va qaysi biri chiqishini aniqlashingiz kerak; xuddi shu tarzda, kuzatishlar uchun o'qitish, tekshirish va sinovdan o'tkazish uchun namunalar parametrlarini belgilash kerak. O'zgaruvchilar bilan bog'liq sozlamalar Neyron tarmoqlar modulining boshlang'ich oynasida amalga oshirilishi kerak va kuzatishlar bilan bog'liq sozlashlar tahlil parametrlarini o'rnatish uchun dialog oynasidagi Tanlovlar vositasi yordamida amalga oshirilishi kerak (siz ishga tushirish oynasidan keyin unga o'tasiz). Ammo shuni yodda tutingki, agar namuna identifikatsiya o'zgaruvchisi o'rnatilgan bo'lsa, u holda kirish/chiqish o'zgaruvchilari o'rnatilganda uni boshlash oynasida o'rnatish kerak. O'zgaruvchilar va kuzatish nomlari Alohida o'zgaruvchilarga va/yoki nom berish mumkin

19 ta kuzatuv. Bu Ma’lumotlar menyusining “Variable Specifications” buyrug‘i, All Variable Specifications, Observation Name Manager buyrug‘i yordamida amalga oshiriladi. Shu bilan bir qatorda, satr yoki ustun sarlavhasi maydonidagi nomni ikki marta bosishingiz mumkin va ism to'g'ridan-to'g'ri jadvalga kiritilishi mumkin. STATISTICA Neyron Networks dasturida kuzatishlar yoki o'zgaruvchilarga nom berish majburiy emas. Agar nom ko'rsatilmagan bo'lsa, jadvalda sukut bo'yicha qabul qilingan shartli nom ko'rsatiladi. O'zgaruvchilar ta'rifi (nominal qiymatlar) STATISTICA Neyron tarmoqlari toifali (nominal) o'zgaruvchilar bilan ishlash uchun maxsus xususiyatlarga ega. Nominal o'zgaruvchilar uchun qiymatlarni konvertatsiya qilishning maxsus usullari mavjud va chiqish o'zgaruvchilari turi tasniflash muammolarini (nominal o'zgaruvchilar qo'llaniladigan) regressiya masalalaridan (raqamli o'zgaruvchilar qo'llaniladi) farqlash imkonini beradi. O'zgaruvchi raqamli yoki nominal bo'lishi mumkin, lekin ikkalasi ham emas. STATISTICA Neyron Networks paketidagi nominal o'zgaruvchini aniqlash uchun siz ushbu o'zgaruvchini toifali sifatida tanlashingiz kerak (yoki "Tezkor" yorlig'ida "O'zgaruvchilar" tugmasini bosish yoki "Kengaytirilgan" yorlig'iga o'ting va "O'zgaruvchi turi" tugmasini bosing. Yorliqlar yoki vergullar bilan ajratilgan fayllarni import qilishda, agar ular nominal qiymatlarni o'z ichiga olsa (matn satrlari bilan ifodalangan), STATISTICA Neural Networks dasturi ularni avtomatik ravishda taniydi va kerakli nominal qiymatlarni o'zi aniqlaydi. Holatlar va oʻzgaruvchilarni qoʻshish va olib tashlash Maʼlumotlar menyusi yordamida yoki toʻgʻridan-toʻgʻri jadvalda holatlar va oʻzgaruvchilarni qoʻshish, oʻchirish, nusxalash va koʻchirish mumkin. Har xil jamoalar Ma'lumotlar o'zgaruvchilari va Ma'lumotlarni kuzatish menyulari yuqori samaradorlikka erishishga yordam beradi va to'g'ridan-to'g'ri elektron jadval vositalaridan foydalanish qulayroqdir. Yangi kuzatishlarni qo'shishning ikki yo'li mavjud: 1. Kuzatuvni tanlang. Ushbu kuzatish sarlavhasini sichqonchaning chap tugmasi bilan bosing va "Kuzatuvlarni qo'shish" ni tanlang. Buni ham qilishingiz mumkin: Observations Data Add menyusiga o'ting. 2. Kuzatishlarni almashish buferidan ham joylashtirish mumkin. Buning uchun biz ma'lumotlarni kiritmoqchi bo'lgan kuzatuv yoki o'zgaruvchi nomini sichqonchaning chap tugmasi bilan bosing. Kuzatuvni yoki kuzatishlar guruhini oʻchirish uchun ularni satr sarlavhalari orqali odatdagi tarzda tanlab, soʻng Ctrl+X tugmalarini bosishingiz kerak. Bu aslida kuzatishlarni clipboardga joylashtiradi, shuning uchun kursorni harakatlantirsangiz

20-ni boshqa joyga olib, Ctrl+V tugmalarini bosing, kuzatuvlar kursor joyiga joylashtiriladi va Ctrl+C va Ctrl+V klaviatura yorliqlari yordamida kuzatuvlarni nusxalash va joylashtirish mumkin. O'zgaruvchilarni ko'chirish va nusxalash xuddi shunday tarzda amalga oshiriladi. Yo'qolgan ma'lumotlar STATISTICA Neyron Networks modulida etishmayotgan ma'lumotlarni qayta ishlash uchun maxsus vositalar mavjud bo'lib, ular boshqa STAT1STICA modullarida ishlatiladiganlarga o'xshash. STATISTICA Neyron Networks dasturi etishmayotgan ma'lumotlar bilan ishlashi mumkin, buning o'rniga oqilona hisob-kitoblarni almashtiradi, shunga qaramay, tarmoqni o'rgatishda ham, uning ishlashi paytida ham, iloji bo'lsa, etishmayotgan qiymatlardan foydalanish tavsiya etilmaydi. Mavjud o'quv kuzatuvlari hajmi juda kichik bo'lsa-da va biz barcha mavjud kuzatuvlardan foydalanishga majburmiz. STATISTICA Neyron tarmoqlari etishmayotgan ma'lumotlarni o'z ichiga olgan barcha o'zgaruvchilar yoki kuzatuvlarni avtomatik ravishda hisobga olinmagan deb belgilashi mumkin (ular tahlilda foydalanilmasligi uchun). Kuzatishlar yoki o'zgaruvchilar uchun aniq nima hisobga olinmagan deb e'lon qilinishi foydalanuvchining tanlovi bilan belgilanadi. Agar biron bir o'zgaruvchida juda ko'p qiymatlar etishmayotgan bo'lsa, ehtimol uni ko'rib chiqishdan chiqarib tashlash kerak. Agar o'zgaruvchida faqat bir nechta qiymatlar etishmayotgan bo'lsa, tegishli kuzatuvlarni e'tiborsiz deb e'lon qilish mantiqan. Biz quyidagi harakatlar ketma-ketligini tavsiya qilishimiz mumkin: avval o'zgaruvchini hisobga olinmagan deb e'lon qiling va aslida qancha qiymatlar etishmayotganligini ko'ring. Agar bunday qatorlar kam bo'lsa, yana kiritilgan o'zgaruvchini yarating va kuzatuvlarni hisobga olinmagan deb e'lon qiling. Yorliq bilan ajratilgan yoki vergul bilan ajratilgan import faylida etishmayotgan ma'lumotlar bo'shliq bilan ko'rsatilishi mumkin. TARMOQLAR Kirish Ma'lumotlar to'plamini yaratganingizdan yoki import qilganingizdan so'ng siz neyron tarmoqlarni qurish va o'qitishni boshlashingiz mumkin. STAT1STICA Neyron Networks to'plami tarmog'i oldingi va keyingi ishlov berish uchun qatlamlarni o'z ichiga olishi mumkin, ularda mos ravishda manba ma'lumotlari tarmoq kiritishini ta'minlash uchun mos shaklga, chiqish ma'lumotlari esa sharhlash uchun qulay shaklga aylantiriladi. Bunday holda, nominal qiymatlar raqamli shaklga aylantiriladi, raqamli qiymatlar mos diapazonga o'tkaziladi, etishmayotgan qiymatlar almashtiriladi va vaqt seriyalari bilan bog'liq masalalarda ketma-ket kuzatishlar bloklari hosil bo'ladi. Qayta ishlashdan oldingi va keyingi ma'lumotlar kirish va chiqish o'zgaruvchilari to'plamini o'z ichiga oladi, ularning har biri uchun dastlabki ma'lumotlar to'plamidagi kabi uning nomi va turi ko'rsatilgan.

21 Kirish va chiqish o'zgaruvchilari haqida eslatma STATISTICA Neural Networks paketidagi kirish va chiqish o'zgaruvchilari to'plami ma'lumotlar faylidan alohida mavjud. Tarmoqni qurish jarayonini soddalashtirish uchun STATISTICA Neyron Networks dasturi avtomatik ravishda ma'lumotlar to'plamidan o'zgaruvchilar nomlari va ta'riflarini yaratilayotgan tarmoqqa ko'chiradi, so'ngra tarmoq va ma'lumotlarni bir-biridan ajratadi. Bu tarmoqni asl faylga kirmasdan yangi ma'lumotlarni tahlil qilish uchun foydalanish imkonini beradi (chunki tarmoq o'z o'zgaruvchilari nomlari va turlarini eslab qoladi, nima qilish kerakligini bilib oladi). Tarmoqni qurish Yangi tarmoq yaratish uchun Yechim ustasi yoki Tarmoq quruvchisidan foydalaning. Yechimlar ustasi va tarmoq yaratuvchisidagi bir qator dialog oynalari qayta ishlashdan oldingi va keyingi oʻzgaruvchilar sozlamalarini oʻrnatish va tahrirlash vositalarini taqdim etadi. Birinchidan, albatta, siz o'zgaruvchilarni aniqlashingiz va ular uchun mos transformatsiya usulini, shuningdek, tarmoq arxitekturasini tanlashingiz kerak. Tahlil parametrlarini o'rnatish dialogiga o'tish uchun boshlash oynasidagi OK tugmasini bosing. Qaysi vositadan foydalanayotganimizga qarab, tarmoq turini tanlash opsiyasi Tarmoq turi yorlig'ida (Yechimlar ustasi uchun) yoki Tez yorlig'ida (Tarmoq quruvchi) bo'ladi. Vaqt seriyasini modellashtirish vazifasi hal qilinayotgan bo'lsa, u holda har qanday vositadan foydalanganda Vaqt seriyasi yorlig'i mavjud bo'ladi. Qarorlar ustasida ushbu yorliq prognoz oynasi uchun chegaralarni o'rnatadi (ya'ni, bitta kuzatuvni oldindan bashorat qilish uchun foydalaniladigan kuzatishlar soni). Tarmoq quruvchisida ushbu yorliq prognoz oynasining aniq qiymatini va oldinga qadamlar soni parametrini ko'rsatish imkoniyatlarini taqdim etadi. Vaqt seriyalari bilan bog'liq bo'lmagan vazifalarda bu variantlar mavjud emas. Vaqt seriyalarini tahlil qilish muammolarida oldinga qadamlar soni 1 yoki undan ko'p ga teng (ko'pincha 1, bu prognozdan bir qadam oldinga to'g'ri keladi), vaqt oynasi esa seriyaning oldingi qiymatlari sonidir. , bu orqali uning keyingi qiymati bashorat qilinadi. Bundan tashqari, vaqt seriyalarini tahlil qilish vazifalarida, tegishli vositani ishga tushirishdan oldin, siz bir vaqtning o'zida kirish va chiqish sifatida vaqt seriyasining qiymatlarini o'z ichiga olgan o'zgaruvchini tanlashingiz kerak, chunki siz keyingi qiymatlarni bashorat qilmoqchisiz. o'zgaruvchining oldingi qiymatlaridan. Agar ko'p qatlamli perseptron qurilayotgan bo'lsa, u holda tarmoqdagi qatlamlar sonini o'zgartirish mumkin; boshqa turdagi tarmoqlar uchun bu parametrni o'zgartirib bo'lmaydi (bitta istisno: ehtimollik tarmog'i yo'qotish matritsasi o'z ichiga oladimi-yo'qligiga qarab, uch yoki to'rtta qatlamdan iborat bo'lishi mumkin). Tahrirlash opsiyasi (Tarmoq parametrlari dialog oynasidagi Tarmoq quruvchi vositasi uchun mavjud) qayta ishlashdan oldingi va keyingi oʻzgaruvchilar, jumladan ularning nomlari va taʼriflari, shuningdek funksiya haqida maʼlumot beradi.

22 transformatsiyasi, bu neyron tarmoqqa kiritish uchun ma'lumotlarni tayyorlash uchun ishlatiladi. Siz etishmayotgan qiymatlarni almashtirish usulini va konvertatsiyani boshqarish parametrlarini o'zgartirishingiz mumkin. Qoida tariqasida, tavsiya etilgan standart qiymatlar juda mos keladi. Xuddi shu dialogda joriy tarmoq arxitekturasi parametrlari ko'rsatilgan: har bir qatlamdagi elementlar soni va (agar siz jadvalni o'ngga aylantirsangiz) qatlamlarning kengligi. Kirish va chiqish o'zgaruvchilari soni odatda oldingi va keyingi ishlov berishning kirish va chiqish o'zgaruvchilari soniga, transformatsiya funktsiyasiga va (vaqt seriyasini tahlil qilish muammolarida) vaqt oynasining o'lchamiga qattiq bog'liq. STATISTICA Neyron Networks dasturining o'zi tegishli parametrlarni aniqlaydi va ularni chiqaradi kul rangda, ularni tahrirlash mumkin emasligini ko'rsatadi. Oraliq qatlamlar soni sizning xohishingizga ko'ra o'zboshimchalik bilan o'zgartirilishi mumkin, lekin odatda dastur ular uchun evristik tarzda aniqlangan oqilona standart qiymatlarni taklif qiladi. Qatlam kengligi Kohonen tarmog'ining chiqish qatlamidan tashqari hech qanday funktsional ma'noga ega emas va odatda e'tiborga olinmaydi. O'quv ma'lumotlari to'plamini allaqachon yuklagan holda tarmoqni yaratish uchun odatda quyidagilar kifoya qiladi: 1) Boshlash oynasida o'zgaruvchilar turlarini o'rnatish (Kirish yoki Chiqish). 2) Tarmoq turini va vaqt seriyasini tanlang. 3) Vaqt oynasi va Oldinga prognoz parametrlarining qiymatlarini o'rnating (faqat vaqt seriyasini tahlil qilish muammolarida). 4) Qatlamlar sonini belgilang (faqat ko'p qatlamli perseptronlar uchun). 5) Yashirin elementlar sonini belgilang (agar Network Builder ishlatilsa). 6) Elementlar sonini va chiqish qatlamining kengligini o'rnating (faqat Kohonen tarmoqlari uchun). 7) OK ni bosing. Tarmoqlarni tahrirlash Tarmoq qurilgandan so'ng uning dizayni Model muharriri vositasi yordamida o'zgartirilishi mumkin. Bunday holda siz uning qurilishida ishlatiladigan barcha parametrlarni, shuningdek, bir qator qo'shimcha xususiyatlarni o'zgartirishingiz mumkin. Asbob shuningdek, kirish va chiqish o'zgaruvchilari nomlari va ta'riflarini, ularning funktsiyalari va konvertatsiya parametrlarini, etishmayotgan qiymatlarni almashtirish usullarini o'zgartirishga imkon beradi. Shuningdek, yangi o'zgaruvchilarni qo'shish va mavjud o'zgaruvchilarni o'chirish va vaqt seriyasining parametrlarini o'zgartirish variantlari mavjud (Vaqt oynasi va prognoz). Bu imkoniyatlardan kam foydalaniladi. Bundan tashqari, oldindan va keyingi ishlov berish muharriri tarmoqni qurishda o'rnatilmagan tasniflash parametrlarini o'zgartirishga imkon beradi, shu bilan birga ish paytida ularni sozlash kerak bo'lishi mumkin. Tasniflash parametrlarining qiymatlari faqat tasniflash muammolarini hal qilishda qo'llaniladi, ya'ni. chiqish o'zgaruvchilardan kamida bittasi nominal bo'lganda. Tarmoq ishlayotganida, STATISTICA Neural Networks ushbu chiqish o'zgaruvchilari qiymatlari asosida tasniflash qarorini qabul qiladi. Shunday qilib, uchta mumkin bo'lgan nominal chiqish o'zgaruvchisi mavjud bo'lsa

23 ta qiymat va N dan 1 tasini kodlash qo'llaniladi, dastur, masalan, chiqish vektorini (0,03; 0,98; 0,02) ikkinchi sinfga tegishli deb talqin qilish yoki yo'qligini hal qilishi kerak (9.5-rasm). Guruch. 9.5 Ushbu muammo qabul qilish va rad etish chegaralarini belgilash orqali hal qilinadi. N kodlashdan 1 tasida, agar N chiqish qiymatlaridan biri qabul qilish chegarasidan oshsa va qolganlari rad etish chegarasidan pastga tushsa, tasniflash qarori qabul qilinadi; agar bu shart bajarilmasa, natija aniqlanmagan deb hisoblanadi (va etishmayotgan qiymat sifatida qaytariladi). Dasturda standart qabul qilish chegarasi (0,95) va rad etish chegarasi (0,05) bilan yuqoridagi misol haqiqatan ham ikkinchi sinfga tayinlanadi. Qattiqroq chegaralarni tanlash yanada samarali tasniflash imkonini beradi, lekin yuqori xatolik darajasiga olib kelishi mumkin. Qabul qilish va rad etish parametr qiymatlari qanday talqin qilinishi tarmoq turiga bog'liq. Ba'zi tarmoqlar (masalan, Kohonen tarmoqlari) uchun katta qiymatlar katta xatolarga olib keladi va tasniflash qarori qabul qilinadi, agar chiqish qiymati qabul qilish chegarasidan past edi (9.6 va 9.7-rasmlar).

24-rasm. 9.6

25-rasm. 9.7 Tarmoq muharriri ba'zi boshqa tarmoq parametrlarini o'zgartirish imkonini beradi. Shunday qilib, siz tarmoqni o'qitish va uning ish sifatini baholash uchun ishlatiladigan xato funktsiyasi turini o'zgartirishingiz mumkin. Shuningdek, siz tarmoqning muayyan qatlamlarini tanlashingiz va ulardagi faollashtirish funktsiyalari va postsinaptik potentsial (PSP) funktsiyalarini o'zgartirishingiz mumkin. Tarmoq elementlarini qo'shish yoki olib tashlash ham mumkin. Odatda, bu faqat oraliq qatlamlar bilan amalga oshirilishi mumkin, chunki kirish va chiqish elementlari qayta ishlashdan oldingi va keyingi o'zgaruvchilarga bog'langan (o'zgaruvchilar qo'shilganda yoki olib tashlanganda, mos keladigan elementlar qo'shiladi yoki o'chiriladi). Chiqish elementlarini qo'shishingiz va olib tashlashingiz mumkin bo'lgan Kohonen tarmoqlarini yo'q qiling. Yashirin elementlarni qo'shish yoki olib tashlash uchun siz Qatlamlar yorlig'iga o'tishingiz va yashirin qatlam elementlarini o'chirishingiz kerak. Shuningdek, asboblar yordamida vazn jadvalining ustunlarini kesish, nusxalash va joylashtirish uchun ham foydalanishingiz mumkin, ularni Og'irliklar yorlig'ida tahrirlash mumkin. Bularning barchasi har safar yangi tarmoq yaratmasdan turli xil tarmoq arxitekturalari bilan tajriba o'tkazish imkonini beradi. Siz tarmoqdan butun qatlamni olib tashlashingiz mumkin. Bu kamdan-kam hollarda talab qilinadi, masalan, o'lchamlarni kamaytirish vaqtida avtomatik assotsiativ tarmoqning oldindan ishlov berish yarmini ajratish. Og'irlik jadvali tanlangan qatlam yoki butun tarmoq uchun barcha vazn va chegaralarni ko'rsatadi. Agar so'ralsa, og'irliklar va chegaralarni to'g'ridan-to'g'ri tahrirlash mumkin, ammo bu juda kam uchraydi (vazn qiymatlari o'rganish algoritmlari bilan belgilanadi). Ushbu ma'lumotlar asosan og'irlik qiymatlarini keyingi tahlil qilish uchun boshqa dasturga yuborish uchun chiqariladi. TARMOQLARNI O'QITISh Tarmoq qurilgandan so'ng uni mavjud ma'lumotlarga o'rgatish kerak. STATISTICA Neyron Networks to'plamida har bir turdagi trening tarmoqlari uchun maxsus algoritmlar mavjud bo'lib, ular Trening menyusida turlari bo'yicha guruhlangan (bu variantlar faqat Network Builder dasturidan foydalanganda mavjud). Ko'p qatlamli perseptron STATISTICA Neyron Networks paketida ko'p qatlamli perseptronlarni o'rgatish uchun besh xil o'rganish algoritmi amalga oshiriladi. Bular mashhur teskari tarqalish algoritmi, tez ikkinchi tartibli konjugat gradient tushishi va Levenberg Markar usullari, shuningdek, tez tarqalish usullari va bar bilan delta deltasi (ba'zi hollarda tezroq bo'lgan orqaga tarqalishning o'zgarishlari). Bu usullarning barchasi iterativdir va ularni qo'llash usullari asosan o'xshashdir. Aksariyat hollarda siz konjugat gradient usuliga e'tibor qaratishingiz kerak, chunki bu erda o'rganish ancha tezlashadi (ba'zan

26 kattalik tartibi) orqaga tarqalishdan ko'ra. Ikkinchisiga faqat juda murakkab masalada tezda qoniqarli yechim topish kerak bo'lganda yoki ma'lumotlar juda ko'p (o'n minglab kuzatishlar tartibida) mavjud bo'lganda va hatto ma'lum ortiqcha bo'lsa afzal bo'lishi kerak. ulardan. Levenberg-Markar usuli ba'zi turdagi muammolar uchun konjugat gradient usuliga qaraganda ancha samaraliroq bo'lishi mumkin, ammo u faqat bitta chiqish, rms xato funktsiyasi bo'lgan tarmoqlarda qo'llanilishi mumkin va unchalik emas. katta raqam og'irliklar, shuning uchun aslida uning ko'lami kichik regressiya muammolari bilan cheklangan. Takroriy ta'lim Iterativ o'rganish algoritmi ketma-ketlik bilan bir qator deb ataladigan davrlardan o'tadi, ularning har birida o'quv ma'lumotlarining to'liq to'plami tarmoq kiritishiga beriladi, xatolar hisoblab chiqiladi va tarmoq og'irliklari ularga mos ravishda o'rnatiladi. Ushbu toifadagi algoritmlar ortiqcha moslamaning nomaqbul hodisasiga duchor bo'ladi (tarmoq o'quv majmuasidagi kabi bir xil chiqish qiymatlarini ishlab chiqarishni yaxshi o'rgansa, lekin naqshni yangi ma'lumotlarga umumlashtira olmasa). Shuning uchun tarmoqning sifati har bir davrda maxsus nazorat majmuasi (o'zaro tekshirish) yordamida tekshirilishi kerak. Treningning borishini Training Error Graph oynasida kuzatish mumkin, bu erda grafik ma'lum bir davrdagi mashg'ulot to'plamidagi o'rtacha kvadrat xatoni ko'rsatadi. Agar o'zaro tekshirish yoqilgan bo'lsa, boshqaruv to'plamidagi standart xato ham ko'rsatiladi. Grafik ostida joylashgan boshqaruv elementlaridan foydalanib, tasvir masshtabini o'zgartirishingiz mumkin, agar diagramma oynaga to'liq mos kelmasa, uning ostida aylantirish chiziqlari paydo bo'ladi (9.8-rasm).

27-rasm. 9.8 Agar siz turli xil mashg‘ulotlar natijalarini solishtirmoqchi bo‘lsangiz, mashg‘ulot oynasida “Ko‘proq” tugmasini bosishingiz kerak, so‘ngra “Poyezd” tugmasini yana bir marta bosishingiz kerak (poyezdni ishga tushirishsiz tugmasini yana bir marta bosish tarmoq mashg‘ulotlarini o‘sha joydan davom ettiradi. uzilib qoldi). Mashg'ulot oxirida maydon ustida joylashgan tugmalar yordamida belgilar, grafik STATISTICA tizimiga yuborilishi mumkin (tugma). Grafikda ortiqcha moslamaning ta'sirini osongina ko'rish muhimdir. Dastlab, mashg'ulot xatosi ham, nazorat xatosi ham kamayadi. Qayta tayyorlashning boshlanishi bilan o'rganish xatosi pasayishda davom etadi, nazorat xatosi esa o'sishni boshlaydi. Tasdiqlash xatosining ortishi ortiqcha moslamaning boshlanishini ko'rsatadi va o'rganish algoritmi halokatli bo'la boshlaganini ko'rsatadi (va shu bilan birga kichikroq tarmoq mosroq bo'lishi mumkin). Agar ortiqcha mashg'ulot kuzatilsa, mashg'ulot jarayonini mashg'ulot oynasidagi To'xtatish tugmasini bosish yoki Esc tugmasini bosish orqali to'xtatish mumkin. STATISTICA neyron tarmoqlarini toʻxtatish shartlaridan foydalanishni avtomatik ravishda toʻxtatish uchun ham sozlashingiz mumkin. To'xtash shartlari xuddi shu nomdagi oynada o'rnatiladi, unga Trening End of tahlil menyusi orqali kiriladi. Trening uchun ruxsat etilgan maksimal davrlar soniga qo'shimcha ravishda (tezkor yorlig'ida o'rnatiladi), bu erda ma'lum bir xato darajasiga erishilganda yoki xato ma'lum miqdorga kamayishni to'xtatganda, mashg'ulotni to'xtatishni talab qilishingiz mumkin. Maqsadli qiymat va minimal pasayish mashg'ulot xatosi va nazorat xatosi uchun alohida belgilanishi mumkin. Ko'pchilik eng yaxshi davo haddan tashqari moslashishga qarshi so'rang nol daraja minimal yaxshilanish (ya'ni, eng kichik yomonlashuvga yo'l qo'ymaslik). Biroq, mashg'ulot paytida shovqin bo'lganligi sababli, odatda, bir vaqtning o'zida xato yomonlashgani uchun mashg'ulotni to'xtatish tavsiya etilmaydi. Shu sababli, tizim "Oyna" ning maxsus takomillashtirish parametrini joriy qildi, unda buzilish kuzatilishi kerak bo'lgan davrlar sonini belgilaydi va shundan keyingina mashg'ulotlar to'xtatiladi. Aksariyat hollarda bu parametr uchun 5 qiymati to‘g‘ri keladi.Eng yaxshi tarmoqni saqlab qolish Erta to‘xtatib turishdan qat’i nazar, ortiqcha o‘rnatish tarmoqning allaqachon yomonlashganiga olib kelishi mumkin. Bunday holda, siz qayta tiklashingiz mumkin eng yaxshi konfiguratsiya Eng yaxshi tarmoq buyrug'i (Training Advanced menyusi) yordamida o'quv jarayonida olingan barcha tarmoqlardan (9.9-rasm).

28-rasm. 9.9 Eng yaxshi tarmoq opsiyasi yoqilgan bo'lsa, STATISTICA Neural Networks trening davomida olingan eng yaxshi tarmoqni avtomatik ravishda saqlaydi (nazorat xatosi nuqtai nazaridan). Bu barcha mashg'ulotlarni hisobga oladi. Shunday qilib, STATISTICA Neyron Networks dasturi barcha tajribalaringizning eng yaxshi natijasini avtomatik ravishda saqlaydi. Taqqoslashda ko'p sonli elementlarga ega tarmoqlarni jazolash uchun birlik jazosini o'rnatishingiz mumkin (eng yaxshi tarmoq odatda sinov sifati va tarmoq hajmi o'rtasidagi kelishuvdir). Orqaga tarqalish Orqaga tarqalish algoritmini qo'llashdan oldin bir qator nazorat parametrlarining qiymatlarini o'rnatish kerak. Nazorat qilishning eng muhim parametrlari - bu o'rganish tezligi, inertsiya va o'rganish jarayonida kuzatuvlarni aralashtirish (bu erda e'tibor bering, konjugat gradient usulining afzalligi nafaqat tezlikda, balki nazorat parametrlarining kichik sonida hamdir) (1-rasm). 9.10).

29-rasm Parametr P O'rganish tezligi og'irliklarni o'zgartirishda qadam hajmini belgilaydi: agar tezlik etarli bo'lmasa, algoritm asta-sekin yaqinlashadi va juda tez bo'lsa, u beqaror va tebranishlarga moyil bo'ladi. Afsuski, qiymat eng yaxshi tezlik ga bog'liq aniq vazifa; tez va qo'pol o'rganish uchun 0,1 dan 0,6 gacha bo'lgan qiymatlar mos keladi; Aniq yaqinlashuvga erishish uchun ancha kichikroq qiymatlar talab qilinadi (masalan, minglab davrlar bo'lsa, 0,01 yoki hatto 0,001). Ba'zan o'quv jarayonida tezlikni kamaytirish foydali bo'ladi. STATISTICA Neural Networks dasturida siz boshlang'ich va yakuniy tezlik qiymatlarini o'rnatishingiz mumkin, bu holda, mashg'ulot davom etayotganda, ular orasidagi interpolyatsiya amalga oshiriladi. Dastlabki tezlik chap sohada, oxirgi tezlik o'ng maydonda o'rnatiladi (9.11-rasm).

30-rasm Inersiya koeffitsienti (Moment) algoritmga pasttekisliklarda va mahalliy minimumlarda qolib ketmaslikka yordam beradi. Ushbu koeffitsient noldan birgacha bo'lgan qiymatlarga ega bo'lishi mumkin. Ba'zi mualliflar uni o'rganish jarayonida o'zgartirishni tavsiya qiladilar. Afsuski, bu erda ham "to'g'ri" qiymat vazifaga bog'liq va faqat empirik tarzda topilishi mumkin. Orqa tarqalishdan foydalanganda, odatda, kuzatishlar tartibini davrdan davrga o'zgartirish tavsiya etiladi, chunki bu algoritmning mahalliy minimumga yopishib qolish ehtimolini kamaytiradi va shuningdek, ortiqcha moslama ta'sirini kamaytiradi. Ushbu xususiyatdan foydalanish uchun rejimni Kuzatishlarni aralashtirishga o'rnating. Tarmoq ishlashi sifatini baholash Tarmoq o'qitilgandan so'ng, uning qanchalik yaxshi ishlashini tekshirishga arziydi. Training Error Plot oynasida ko'rsatilgan rms xatosi faqat ishlashning taxminiy o'lchovidir. Ko'proq foydali xususiyatlar Tasniflash statistikasi va Regressiya statistikasi oynalarida ko'rsatiladi (ikkalasiga ham tahlil natijalari oynasi orqali kirish mumkin). Tasniflash statistikasi oynasi nominal chiqish o'zgaruvchilari uchun amal qiladi. Bu sizga ma'lumotlar faylidagi har bir sinfning nechta kuzatuvi (ularning har biri nominal qiymatga mos keladi) to'g'ri tasniflanganligi, qanchasi noto'g'ri tasniflanganligi, qanchasi tasniflanmaganligi va tasniflash xatolari haqida ma'lumot beradi. Tarmoqni o'rgatgandan so'ng, siz shunchaki tavsiflovchi statistika oynasini ochishingiz kerak (9.12-rasm).

31-rasm. Statistikani o'quv, nazorat va test to'plamlari uchun alohida olish mumkin. Jadvalning yuqori qismida umumlashtirilgan statistik ma'lumotlar (har bir sinfdagi kuzatishlarning umumiy soni, to'g'ri tasniflangan, noto'g'ri tasniflangan va tasniflanmaganlar soni) va o'zaro tasniflash natijalarining pastki qismida (qancha kuzatuvlar) ko'rsatilgan. berilgan ustun ushbu chiziqqa tayinlangan edi) (9.13-rasm). Rasm. Agar ushbu jadvalda javoblar ko'p bo'lsa Noma'lum, ammo javoblar kam yoki umuman yo'q Noto'g'ri, ehtimol, qabul qilish va rad etish chegaralarini yumshatish kerak (PrelPost Processingni tahrirlash menyusi) (9.14-rasm).

32-rasm Regressiya statistikasi oynasi raqamli chiqish o'zgaruvchilari bo'lsa ishlatiladi. U regressiya baholarining to'g'riligini umumlashtiradi. Eng muhim statistika - bu jadvalning pastki qismida ko'rsatilgan standart og'ish nisbati (SD nisbati). Bu prognoz xatosining standart og'ishining dastlabki ma'lumotlarning standart og'ishiga nisbati. Agar bizda umuman kirish ma'lumotlari bo'lmasa, chiqish o'zgaruvchisi uchun prognoz sifatida olishimiz mumkin bo'lgan eng yaxshi narsa uning mavjud namunadagi o'rtacha qiymati va bunday prognozning xatosi namunaning standart og'ishiga teng bo'ladi. Agar neyron tarmoq yaxshi ishlasa, biz uning mavjud kuzatuvlar bo'yicha o'rtacha xatosi nolga yaqin bo'lishini kutishimiz mumkin va bu xatoning standart og'ishi namunaviy qiymatlarning standart og'ishidan kamroq bo'ladi (aks holda tarmoq natija oddiy taxmin qilishdan yaxshiroq emas). Shunday qilib, standart og'ishlarning birdan sezilarli darajada kam bo'lgan nisbati tarmoqning samaradorligini ko'rsatadi. Standart og'ishlar nisbati bir minusga teng qiymat tushuntirilgan model dispersiyasining ulushiga teng. Kohonen tarmoqlari Kohonen tarmoqlarini oʻrganish algoritmi qaysidir jihatlari bilan koʻp qatlamli perseptronlarni oʻrganish algoritmlariga oʻxshaydi: u iterativ va davrlar davomida amalga oshiriladi va oʻrtacha kvadratik oʻrganish xatosini grafikda koʻrsatish mumkin (aslida bu oʻrtacha boʻlsa ham). ko'p qatlamli perseptronlarga qaraganda butunlay boshqacha xato o'lchovining kvadrati). Biroq, Kohonen algoritmi bir qator xususiyatlarga ega. Ulardan eng muhimi shundaki, bu erda o'rganish boshqarilmaydi, ya'ni. ma'lumotlarda hech qanday chiqish qiymatlari bo'lmasligi mumkin va agar mavjud bo'lsa, ular e'tiborga olinmaydi. Algoritmning ishlashi ikkita parametr bilan belgilanadi: O'rganish tezligi va Qo'shnilik. O'rganish quyidagicha davom etadi: keyingi kuzatish tarmoq kirishiga beriladi, u tomonidan qayta ishlanadi, g'olib (eng faol) radial element (ya'ni, tarmoqning ikkinchi qatlamining elementi) tanlanadi, so'ngra u va uning eng yaqin qo'shnilar o'quv kuzatuvini yaxshiroq takrorlash uchun tuzatiladi. O'rganish tezligi moslashish darajasini nazorat qiladi va mahalla belgilaydi

33 - tuzatilishi kerak bo'lgan elementlar soni. Odatda, Kohonen algoritmining ishi ikki bosqichga bo'linadi: tartiblash va puxta sozlash, ularning har birida o'rganish darajasi va mahallaning o'lchami asta-sekin boshlang'ich qiymatlaridan yakuniy qiymatlariga o'zgaradi. STATISTICA neyron tarmoqlarida siz o'rganish tezligi va mahalla o'lchami uchun boshlang'ich va tugatish qiymatlarini o'rnatishingiz mumkin. Mahalla o'lchami g'olib elementning markazida joylashgan kvadratni aniqlaydi; nol "hajmi" bitta yutuq elementiga to'g'ri keladi; G'olib elementning markazida joylashgan 3 3 kvadratga "1 o'lchami"; "2 o'lcham" kvadrati 5 5 va boshqalar. Agar g'alaba qozongan element chetiga yaqin joylashgan bo'lsa, u holda mahalla kesiladi (qarama-qarshi tomonga burish o'rniga). Garchi o'zining tabiatiga ko'ra bunday parametr butun son bo'lsa-da, algoritm qo'shni o'lchamini kamaytirishni boshlaganda uni aniqroq boshqarish uchun uni haqiqiy shaklda o'rnatishingiz mumkin. Bunday holda, STATISTICA Neyron Networks birinchi navbatda bu raqamni tuzatadi va keyin uni eng yaqin butun songa yaxlitlaydi. Kohonen o'rganish algoritmini tugatgandan so'ng, siz radial elementlarni tegishli sinflarning piktogrammalari bilan belgilashingiz kerak (Topologik xarita bo'limiga qarang). BOShQA TARMOQ TURLARI Boshqa turdagi tarmoqlarni o'rgatish juda oson; har bir holatda, o'rnatilishi mumkin bo'lgan bir nechta ta'lim parametrlari mavjud va ularning barchasi quyida tavsiflanadi. Radial asosiy funktsiyalarni (RBF) o'qitish uch bosqichdan iborat: radial elementlarning markazlarini joylashtirish, ularning og'ishlarini tanlash va chiziqli chiqish qatlamini optimallashtirish. Dastlabki ikki bosqichda algoritm operatsiyasining bir nechta variantlari mavjud bo'lib, ularni tanlash Radial asos funksiyasi oynasida amalga oshiriladi (o'quv menyusi orqali kirish mumkin); eng mashhur kombinatsiya birinchi bosqich uchun K vositalari usuli va ikkinchi bosqich uchun K eng yaqin qo'shnilar usuli hisoblanadi. Chiziqli chiqish qatlami klassik psevdo-teskari matritsa algoritmi (singular qiymat dekompozitsiyasi) yordamida optimallashtirilgan. STATISTICA Neyron Networks dasturi, shuningdek, chiqish qatlami uchun boshqa faollashtirish funktsiyalarini (masalan, logistika) tanlash orqali gibrid RBF tarmoqlarini qurishga imkon beradi va bu holda, ushbu qatlamni o'rgatish uchun siz ko'p qatlamli perseptronlar uchun har qanday o'rganish algoritmidan foydalanishingiz mumkin. , masalan, konjugat gradient usuli. Chiziqli tarmoqlar Bu erda, ikki qatlamli tarmoq niqobi ostida, odatiy chiziqli model, bu Radial asos funksiyasi oynasida psevdoteskari matritsa algoritmi yordamida optimallashtirilgan.

34 Chiziqli tarmoq, shuningdek, boshqa turdagi tarmoq tomonidan ma'lumotlarni qayta ishlashdan oldin o'zgaruvchilar sonini kamaytirishga harakat qilish uchun asosiy komponentlarni tahlil qilish uchun ishlatilishi mumkin. Ehtimoliy va umumlashtirilgan regression neyron tarmoqlari PNN/GRNN Probabilistik (PNN) va umumiy regression neyron tarmoqlari (GRNN) ehtimollik zichligini yadro baholashning statistik usullariga asoslanadi va mos ravishda tasniflash va regressiya masalalari uchun mo‘ljallangan. Ular oddiy va tez o'rganish algoritmlari bilan ajralib turadi, ammo natijada olingan neyron tarmoq modellari katta va nisbatan sekin. Avtomatik tarmoq quruvchisi. To'g'ri tarmoq turini va uning arxitekturasini tanlash jarayoni uzoq va samarasiz bo'lishi mumkin, chunki u ko'p sinov va xatolarni o'z ichiga oladi. Bundan tashqari, mashg'ulotlarda shovqin borligi va algoritm mahalliy minimallarga yopishib qolishi mumkinligi sababli, har bir tajriba bir necha marta takrorlanishi kerak. Ushbu zerikarli ishni STATISTICA Neyron Networks paketida joriy etilgan avtomatik tarmoqni loyihalash imkoniyatlaridan foydalangan holda minimallashtirish mumkin, shu bilan birga juda murakkab optimallashtirish algoritmlari avtomatik ravishda katta tajribalar seriyasini o'tkazish va eng yaxshi tarmoq arxitekturasi va hajmini tanlash uchun ishlatiladi. Avtomatlashtirilgan tarmoq dizayn funksiyalari Qaror ustasi vositasi tanlanganda ishga tushadi. Bu erda siz faqat ko'rib chiqilishi kerak bo'lgan arxitektura turlarini ko'rsatishingiz kerak, qidiruvning davomiyligini belgilaydigan iteratsiyalar sonini (yoki tahlil qilish vaqtini) belgilashingiz kerak (chunki algoritm uzoq vaqt talab qilishi mumkin, birinchi navbatda butun qidiruvga qancha vaqt ketishini taxmin qilish uchun oz sonli iteratsiyalar) va tutilgan tarmoqni tanlash mezonlarini tanlang, bu esa asossiz koʻp sonli elementlarga ega tarmoqni jazolaydi. Algoritm kerakli tajribalar seriyasini amalga oshiradi va natijada olingan tarmoqlarning eng yaxshisini ko'rsatadi. Agar bu algoritm vaqt qatorlarini tahlil qilish masalasida foydalanilsa, u holda siz vaqt oynasi parametrining qiymatini qo'shimcha ravishda belgilashingiz kerak. Kirishni tanlashning genetik algoritmi Neyron tarmoqlardan foydalanishda echilishi qiyin boʻlgan savollardan biri qaysi kiritish oʻzgaruvchilardan foydalanish kerakligi masalasidir (muammoni hal qilish uchun ulardan qaysi biri muhim, qaysi biri muhim emasligi kamdan-kam hollarda oldindan maʼlum). Dimension Down vositasi bilan,

35-ni ishga tushirish menyusining Kengaytirilgan yorlig'ida topishingiz mumkin avtomatik rejim mos keladigan o'zgaruvchilar to'plamini toping. Ko'p sonli PNN yoki GRNN tarmoqlarini (mos ravishda tasniflash yoki regressiya muammolari uchun) turli xil kirish o'zgaruvchilar to'plamlari bilan qurish va sinovdan o'tkazish orqali genetik algoritm (shuningdek, kiritish va chiqarib tashlash bilan algoritmlar) kirishlar kombinatsiyasini tanlaydi va eng yaxshisini qidiradi. ulardan. Avtomatik tarmoq dizaynerida bo'lgani kabi, bu protsedura ko'p vaqt talab qilishi mumkin, ammo shunga qaramay, bu ko'pincha muammoni hal qilishning yagona yo'li. Amaliyot jarayonida genetik algoritm ko'p sonli test bit satrlarini hosil qiladi (ularning soni Populyatsiya parametri bilan belgilanadi) va ularni mutatsiya va kesishishning sun'iy tanlash operatsiyalaridan foydalangan holda ma'lum bir avlod soni bo'yicha sun'iy ravishda "kesadi". uning intensivligini nazorat qilish mumkin. PNN yoki GRNN tarmog'i bilan o'qitiladi parametrni o'rnatish silliqlash (tegishli silliqlash omilini aniqlash uchun genetik algoritmni qo'llashdan oldin bir nechta testlarni o'tkazib yuborish oqilona) va kirish o'zgaruvchilarining kichik to'plamlariga ustunlik berish uchun siz element boshiga jarima parametrini o'rnatishingiz mumkin. Algoritm ma'lumotlar to'plamida mavjud bo'lgan barcha kirish o'zgaruvchilarini ko'rib chiqadi. Algoritmni boshlash uchun siz OK tugmasini bosishingiz kerak. Uning ishi tugagach, oynaning pastki qismidagi jadvalda foydali o'zgaruvchilar qarshisida Ha so'zi, keraksizlari qarshisida esa chiziqcha ko'rsatiladi. Algoritm natijalaridan foydalanish uchun avval “Tahlil oxiri” yorlig‘idagi “O‘lchamlarni qisqartirish” menyusidan Tanlangan o‘zgaruvchilar uchun Tarmoq quruvchisini ishga tushirish yoki Tanlangan o‘zgaruvchilar uchun qaror qabul qilish ustasini ishga tushirishni tanlashingiz kerak. TARMOQ BILAN ISHLASH Chiqish qiymatlarini olish Tarmoq o'qitilgandan so'ng, ma'lumotlarni tahlil qilish uchun ishlatilishi mumkin: tarmoqni joriy ma'lumotlar to'plamidan individual kuzatishlar bo'yicha, butun ma'lumotlar to'plamida yoki o'zboshimchalik bilan foydalanuvchi tomonidan belgilangan kuzatishlar bo'yicha boshqaring. Tarmoq, shuningdek, tarmoqdagi kabi nomlar va ta'riflarga ega bo'lgan kirish o'zgaruvchilari bo'lgan boshqa har qanday mos keladigan ma'lumotlar to'plamini ham qayta ishlashi mumkin. Bu shuni anglatadiki, tarmoqni qurganimizdan so'ng, biz endi o'quv majmuasiga bog'lanmaganmiz. Agar kirish ma'lumotlariga qo'shimcha ravishda mos keladigan chiqish qiymatlariga ega bo'lgan ma'lumotlar to'plami tahlil qilinsa, STATISTICA Neyron Networks dasturi xato qiymatlarini hisoblab chiqadi. Tarmoq yoki ma'lumotlar to'plamini ochganingizda, STATISTICA Neyron Networks ma'lumotlar to'plamida tarmoqning kirish o'zgaruvchilari bilan mos keladigan o'zgaruvchilar mavjudligini tekshiradi. Agar mavjud bo'lsa, ma'lumotlar to'plamidagi ularning turi kerak bo'lganda avtomatik ravishda o'rnatiladi va boshqa barcha o'zgaruvchilar e'tiborga olinmaydi. Shunday qilib, u bilan ishlaydigan bir nechta tarmoqlar (fayllar ko'rinishida) bo'lishi mumkin

10-BOB Qo'shimchalar Ba'zi Excel yordamchi dasturlari faqat plaginlarni qo'shgandan so'ng foydalanish mumkin bo'ladi. Avvalo, keling, qo'shimcha dasturlarga e'tibor qarataylik. Keling, nimani namoyish qilaylik

Laboratoriya ishi 105. Klasterlash algoritmini qo'llash: o'z-o'zini tashkil qiluvchi Kohonen xaritalari Asosiy maqsad "O'z-o'zini tashkil qiluvchi Kohonen xaritalari" ma'lumotlarni qayta ishlash usulidan foydalanishni o'rganish. nazariy

Laboratoriya ish 3. Deduktor Analitik platformasi (ma’lumotlarni import qilish va ma’lumotlarni tozalash) (bu ishda mahsulotning demo versiyasidan foydalaniladi) Deduktor besh komponentdan iborat: analitik dastur

MAZMUNI 13-bob: KO'P QISMNI JOYLASHTIRISH

MA'LUMOTLAR BAZA TIZIMI XAVFSIZLIGI 10-mavzu 10-ma'ruza. Access-da makroslardan foydalanish Makros - bu ma'lum, tez-tez ishlatiladigan amallarni bajaradigan bir yoki bir nechta buyruqlar to'plami, masalan, ochish.

Lek 6 Konsolidatsiyalangan 1 KURS ISE 1 MARUZA 8-mavzu: Qayta ishlash texnologiyasi va usullari iqtisodiy ma'lumotlar jamlanma va pivot jadvallardan foydalanish Reja 1. Konsolidatsiyalangan jadval tushunchasi. konsolidatsiya usullari.

14-LABORATORIYA ISHI Siyosatga oid maqolalarni avtomatik tasniflash Ushbu misol lenta.ru veb-sayti tomonidan chop etilgan "standart" yangiliklar hujjatlari to'plamiga asoslangan. Ushbu saytdan

"ROSSIYADA TADQIQLANGAN" elektron ilmiy jurnali 270 http://zhurnalaperelarnru/articles/2006/36pdf Prognozlash muammolarini hal qilish uchun neyron tarmoqlarni qo'llash Soldatova OP, Semenov VV (vlad-eraser@mailru)

Laboratoriya ishi 2 Mavzu: DSSda analitik modellashtirish texnologiyasi. Trendlar asosida tahlil va prognozlash texnologiyalari Maqsad: imkoniyatlarni o'rganish va universal foydalanish qobiliyatini rivojlantirish.

11-ma'ruza MS EXCEL 2010 NUQ PROTCESSORIDA HISOBLAR Ma'ruzaning maqsadi. Ms Excel 2010 elektron jadvalidagi formulalar yordamida hisob-kitoblarni bajarish xususiyatlarini o'rganish. Ma'ruza savollari: 1. Formulalar.

ISH VAQTI: 2 soat. 1. Darsdan tashqari tayyorgarlik Titul varaqini chiqarish. 1-ILOVAga qarang 2. Laboratoriyada ishlash Asoslar Word ishga tushishi bilan avtomatik ravishda yangi hujjat yaratadi.

"Neyrosimulator" dasturi bilan ishlash bo'yicha ko'rsatmalar (ko'paytirish jadvalini simulyatsiya qilish misolida) "Neyrosimulator" dasturi perseptron tipidagi neyron tarmoqlarni yaratish va qo'llash imkonini beradi. Guruch. 1. Ishlash

1-bob Grafik tuzish asoslari Elektron jadvaldagi ma'lumotlar satrlar va ustunlar sifatida ifodalanadi. Diagramma qo'shganda, bu ma'lumotlarning qiymati bo'lmagan munosabatlar va tendentsiyalarni ta'kidlash orqali oshirilishi mumkin.

Ma'ruza 7-kurs 1 DSS 1 12/15/2012 Ma'ruza 9-MAVZU: Qarorlarni qo'llab-quvvatlash tizimlarini yaratish uchun axborot texnologiyalari va prognozlash usullari Reja: 1. MS elektron jadvallarida prognozlash usullari

Mundarija 1. Xarajatlar sarhisobi, KS-3 shakli... 2 1.1. Hujjat yaratish, umumiy tavsif... 2 1.2. Hujjatga ma'lumotlarni qo'shish... 5 1.2.1. Satrdagi umumiy qiymatlarni sinxronlashtirish... 6 1.2.2. Qo'shilgan turlar

Neyron tarmoqlarni o'rgatish Ish jarayonida neyron tarmoq ma'lumotlarning ba'zi transformatsiyasini amalga oshiradi, ular umuman ko'p o'zgaruvchilar funksiyasi bilan tavsiflanishi mumkin Y = f (X), bu erda = x x,...,

8-bob Ko'rinishlarni moslashtirish Ko'rinishlar nima Ko'rinishlar nima Ko'rinish - saqlangan ma'lumotlar asosida foydalanuvchiga ma'lumotni vizuallashtirish (yoki boshqacha qilib aytganda taqdim etish) usuli

Ish 9 Accessda formalar Ishdan maqsad: avtoformalar yordamida va forma ustasi rejimida shakl yaratish va tahrir qilishni o'rganish Ish mazmuni 1 Shakl turlari 2 Shakllarni yaratish 1 Shakl turlari Ma'lumotlarni kiritish va ko'rish

Test yaratish uchun sizga kerak: QERDAN BOSSH KERAK? 1-qadam. Savollar bankiga savollar qo'shing (testlar uchun). Qo‘shishning ikki yo‘li: bloknotdan import qilish (bloknot faylini (.txt formati) yaratish), u yerga savollar qo‘shish,

Elektron jadval bilan ishlash Microsoft Excel Qisqacha nazariy ma'lumotlar Windows ilovasi Excel sizga jadval ko'rinishida taqdim etilgan hujjatlarni yaratish va chop etish, hisob-kitoblarni amalga oshirish imkonini beradi

1. Kirish 3-laboratoriya ishi Parametrlarni tanlash Turli masalalarni yechishda ko'pincha bir qiymatni boshqasini o'zgartirish orqali tanlash muammosi bilan shug'ullanishga to'g'ri keladi. Shu maqsadda u juda samarali qo'llaniladi

Umumiy ma'lumot 2007 yilgi Microsoft Office tizimini chiqarishni rejalashtirayotganda, ishlab chiquvchilarga asosiy Microsoft Office ilovalaridan foydalanishni osonlashtirish vazifasi qo'yilgan edi. Natijada, odat

Laboratoriya ishining asosiy maqsadi 104. Logistik regressiya va ROC tahlili Logistik regressiya va ROC tahlili kuchidan foydalangan holda ma'lumotlarni qayta ishlash va hodisalarni bashorat qilishni o'rganish. nazariy

ARGUMENTLARNING GURUH Usuli Ma'lumotlar bilan ishlashning guruh usuli (GMDH) - optimal murakkablikdagi regressiya modellarini yaratish va tanlash usuli. Modelning murakkabligi ostida

1-dars: Interfeys Excel * versiyasi 2010 * 1.0 Kirish Excelda ma'lumotlar "hujayralar"da joylashgan bo'lib, ular o'z navbatida ustunlar va qatorlarni tashkil qiladi. Bu bizga ushbu ma'lumotlarni yaxshiroq idrok etishga yordam beradi va bizga imkon beradi

Ikkilik javob modellari Oldingi bo'limda test javob o'zgaruvchisi normal taqsimotga ega bo'lgan doimiy tasodifiy o'zgaruvchidir, degan faraz ostida regressiya tahlilini o'tkazdik. Yoniq

Access Access-ga kirish - bu ma'lumotlar bazasi ilovasi yoki ma'lumotlar bazasini boshqarish tizimi (DBMS). Kompyuter ma'lumotlar bazalari faoliyatning deyarli barcha sohalarida qo'llaniladi. Malaka

Madaniyat va sotsiologiya kafedrasi saytini toʻldirish boʻyicha yoʻriqnoma (2-qism “sayt mazmuni muharriri”) 1 Mundarija 1 Muharrir interfeysi... 3 2 Tahririyat hajmini oʻzgartirish... 4 3 Asboblar paneli...

17-bob Ma'lumotlar bazasida ma'lumotlarni topish, saralash va ko'rsatish USHBU BOBDA...» Ma'lumotlarni topish va filtrlash» Ma'lumotlar bazasini saralash» So'rovlarni yaratish va qo'llash

6 Chastotalar 97 Bosqichma-bosqich hisoblash algoritmlari 102 Natijalar taqdimoti 105 Tahlilni yakunlash va dasturdan chiqish Ushbu bobda chastotalar, ularning grafik tasviri (chiziq va doira) muhokama qilinadi.

5-AMALIY ISHI MAVZU: Katta hajmdagi hujjatlarni yaratishda MS Word dasturining imkoniyatlaridan to‘liq foydalanish ISHdan MAQSAD: Katta hajmdagi hujjatlarni yaratishda MS Word dasturining imkoniyatlaridan har tomonlama foydalanishni o‘rganish.

"43-litsey" memorandumi Saransk "MA'lumotlar bazasini yaratish va tahrirlashda ACCESS ma'lumotlar bazasini tadqiq qilish" uslubiy ishlanmasi Muallif informatika o'qituvchisi Jebanov A. A. Saransk 2014 yil.

1-BOB Exceldan foydalanishga tayyorgarlik Ko'pchilik o'quvchilar elektronni ozmi-ko'pmi bilishadi Excel elektron jadvallari. Biroq, eng tez-tez uchraydigan atamalarni aniqlash kerak

Amaliy dars 3 Hisobot hujjatlarini yaratish. Ma'lumotlarni ulash va birlashtirish. Pivot jadvallari Ishning maqsadi: jadvallardagi ma'lumotlar konsolidatsiyasini yaratish, pivot jadvallarini yaratish va qo'llashni o'rganish

Amaliy ish 3 Shakl yaratish Shakl - jadval yoki so'rov ma'lumotlarini kiritish, o'zgartirish yoki ko'rsatish uchun ishlatilishi mumkin bo'lgan ma'lumotlar bazasi ob'ekti. Shakllarni boshqarish uchun foydalanish mumkin

ITV Group ArpEdit Utility Utility Manual Version 1.4 Moscow, 2014 Mundarija MAZMUNI... 2 1 KIRISH... 4 1.1 Hujjatning maqsadi... 4 1.2 ArpEdit yordam dasturining maqsadi... 4 2 UMUMIY

Standart hujjat shablonlari bilan ishlash Kognitiv texnologiyalar bo'yicha foydalanuvchi qo'llanmasi Moskva, 2015 2 ANTRACT Ushbu hujjat E1 Euphrates dasturiy paketidan foydalanish haqida ma'lumot beradi.

SBEI DPO TsPKS SPb direktori "Ta'lim va ta'lim sifatini baholash bo'yicha hududiy markaz" ni TASLIKLAYMAN. axborot texnologiyalari» E.V. Mixaylov MAQSADLARI "Paragraf" ta'lim muassasalari uchun Xizmat YANGI RO'YXAT Boshqaruv

Laboratoriya 6-jadvallarining umumiy jadvallari nazariy bo'limi Pivot jadvallarini tushunish Excel katta jadvallardagi ma'lumotlarni har tomonlama va samarali tahlil qilish uchun Pivot jadvallari deb ataladi.

OpenOffice.org Impress Impress - bu slayd-shou (taqdimotlar) bilan ishlash uchun OpenOffice.org dasturi. Siz turli xil elementlarni o'z ichiga olgan slaydlarni yaratishingiz mumkin, shu jumladan matn, markirovka qilingan

ACCESSga kirish Avvalo, Access ma'lumotlar bazasini boshqarish tizimi (DBMS). Ushbu turkumdagi boshqa mahsulotlar singari, Access taqdimot ma'lumotlarini qulay shaklda saqlash va olish uchun mo'ljallangan.

Elektron platforma FINTENDER.RU STAR tizimi NMC asoslash xizmati Moskva 2017

Joylashtirishni tahrirlash quyi tizimi bo'limi. Joylashtirishni tahrirlash quyi tizimi Oyna Hujayralarni joylashtirish...-1 Joylashtirish rejimi...-2 Joylashtirish rejimi...-2 Havola uzunligi...-2 Faol pastki sxema...-2 Jadval

Foydalanuvchining STO MI "1C: Korxonada hisobotlarni sozlash" Tavsif Foydalanuvchi qo'llanmasi 1C: Enterprise dasturida hisobotlar bilan qanday ishlashni tavsiflaydi. Ushbu ko'rsatma moslashtirish ko'nikmalariga ega bo'lish imkonini beradi

Sahifa sozlamalari dialog oynasining Chegara yorlig'ida yuqori, pastki, chap va o'ng chekkalar sahifalar chetidan jadvalga chekinish uchun o'rnatiladi. Chiziqlar o'lchami jadval maydonining balandligi va kengligini aniqlaydi,

90 5-bob Yozuv Ushbu yorliq matn terilgan ob'ektlar uchun mavjud. Uning yordamida siz ichki chekkalarni sozlashingiz va matn mos kelmasa, ob'ektning o'lchami o'zgarishini belgilashingiz mumkin.

1. Word 2007 da jadvallarni qo'yish va yaratish So'z jadvallari sahifa mazmunini tuzish uchun ishlatiladi. Bundan tashqari, hisob-kitoblar uchun jadvallar qo'llaniladi. Word qo'shish va yaratish texnologiyasidan foydalanadi

Eslatmalar haqida eslatmalar bilan ishlash Eslatma - bu yacheyka bilan bog'liq bo'lgan va ushbu katak tarkibidan mustaqil ravishda saqlanadigan ma'lumot (ma'lumotlar). Bu ba'zi tushuntirish ma'lumotlari bo'lishi mumkin,

Hujjatlarni vositalar bilan himoya qilishni tashkil etish Microsoft paketi Office 2010 Ishning maqsadi matnli hujjatlarni himoya qilishni, elektron jadvallarni himoya qilishni, ma'lumotlar bazalarini himoya qilishni o'rganishdir. Bu ishni bajarib,

Ma'lumotlarni topish va almashtirish Ma'lumotlarni topish Siz ma'lumotlarni butun varaqda yoki varaqning tanlangan qismida, masalan, faqat ba'zi ustunlar yoki satrlarda yoki bir vaqtning o'zida butun ish kitobida qidirishingiz mumkin. 1. Guruhda

1. OpenOffice.org Writer matn protsessori. Matn kiritish va formatlash Umumiy ma'lumot Writer matn protsessori hozirgacha eng mashhur OpenOffice.org ilovasi hisoblanadi. Matn kabi

"Yo'l harakati jadvalini boshqarish" moduli. Qisqacha ma'lumot...3 Birinchi sozlash...3 "Harakat jadvalini boshqarish" modulining boshqaruv paneli...4 Marshrut muharriri bilan ishlash...4 Muharrir tarkibi...4 Ballar

LABORATORIYA ISHI KO'P QATTALI SIGMOIDAL TARMOQLAR kirish signallari ularni aylantiring

Konfiguratsiya relizlarini qanday yangilash kerak MA'LUMOTLAR BAZAZINGIZNING ZAXIRA ZAXIRA QILISH. Har qanday o'zgarishlarni amalga oshirishdan oldin, qattiq diskda ma'lumotlar bazasining arxiv nusxasini yaratishingiz kerak,

AMALIYAT Deductor Studio 5.2 da ishlashning asosiy ko'nikmalari 7-dars. Skriptlardan foydalanish Kirish Skriptlar bir xil turdagi ishlov berish tarmoqlarini skriptga qo'shish jarayonini avtomatlashtirish uchun mo'ljallangan.

Tizim integratsiyasi moduli Materiallar reytingi va CAD TP VERTICAL foydalanuvchi qoʻllanmasida mavjud maʼlumotlar ushbu hujjat, oldindan ogohlantirmasdan o'zgartirilishi mumkin. Yo'q

Vazifa 2. Jadvallarni yaratish va tahrirlash. Ma'lumotlar sxemasi bilan ishlash Topshiriq maqsadi: Qanday yaratishni o'rganish yangi baza ma'lumotlar, jadvallar tuzilishini yaratish va tahrirlash va ular o'rtasida aloqalarni o'rnatish

va tizim foydalanuvchisi bilan muloqot qanday tashkil etilganligini ko'rsating.

Foydalanuvchi uchun qulay interfeys va asboblar mavjudligiga e'tibor bering , Va Ko'p kichik namuna olish usuli, foydalanuvchilarga o'z tarmoqlarini loyihalash va eng yaxshilarini tanlash imkonini beradi.

Shunday qilib, birinchi navbatda, neyron tarmoqlarni ishga tushiramiz.

1-qadam. Siz ishga tushirish panelidan boshlaysiz (1-rasmga qarang).

Ushbu panelda siz bajarishingiz kerak bo'lgan turli xil tahlil turlarini tanlashingiz mumkin: regressiya, tasniflash, vaqt seriyalarini prognozlash (uzluksiz va kategorik bog'liq o'zgaruvchi bilan), klaster tahlili.

Guruch. 1. Launchpad STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN)

Masalan, tanlang Vaqt seriyasi (regressiya) bashorat qilmoqchi bo'lsangiz, yoki Tasniflash, agar tasniflash muammosi hal qilinayotgan bo'lsa.

Bir tugmani bosish KELISHDIKMI, ma'lumotlarni tanlash dialog oynasiga o'ting.

Guruch. 2. Muloqot oynasi Neyron tarmoqlar - Ma'lumotlarni tanlash - Tez yorliq

2-qadam Yorliqda Tez tahlil qilish uchun kerakli o'zgaruvchilar tanlanishi kerak. O'zgaruvchilar uzluksiz va kategorik, bog'liq va mustaqil bo'lishi mumkin; Bundan tashqari, kuzatishlar turli xil namunalarga tegishli bo'lishi mumkin.

Guruch. 3. O‘zgaruvchilarni tanlash oynasi

Ajam foydalanuvchilar uchun strategiyani tanlash tavsiya etiladi Murakkab foydalanuvchi har qanday mavjud strategiyadan osongina foydalanishi mumkin: Avtomatlashtirilgan neyron tarmoq (ANN), Maxsus neyron tarmoq (PNN) Va Biz tanlaymiz Avtomatlashtirilgan neyron tarmoq (ANN).

Guruch. 4. Muloqot oynasi Neyron tarmoqlari - Ma'lumotlarni tanlash - Tez yorliq

Yorliqda Quyi namunalar (PNS va ANS) ma'lumotlarning kerakli bo'linishini quyi namunalarga ko'rsatishingiz kerak: trening, nazorat va test. Bo'lim tasodifiy o'rnatilishi mumkin yoki qo'shimcha kod o'zgaruvchisi yordamida tuzatilishi mumkin.

Bunday holda, biz tasodifiy bo'limdan foydalanamiz.

Guruch. 5. Muloqot oynasi Neyron tarmoqlar - Ma'lumotlarni tanlash - Quyi namunalar yorlig'i (ANS va PNS)

tab Quyi namunalar (PNS va ANS) Birinchi ikkita strategiya uchun mo'ljallangan: Avtomatlashtirilgan neyron tarmoq (ANN) Va Maxsus neyron tarmoq (PNN); va tab Kichik namunalarni yarating oxirgi strategiya uchun ishlatiladi: Ko'p namuna olish usuli.

bosing KELISHDIKMI va arxitektura parametrlarini o'rnatish bosqichiga o'ting.

3-qadam Yorliqda Tez dialog oynasi Avtomatlashtirilgan neyron tarmoqlari tarmoq turini, yashirin neyronlar sonini, o'qitiladigan va saqlanadigan tarmoqlar sonini va ishlatiladigan xato funktsiyalari turini ko'rsatish kerak.

Dastur quyidagi turdagi tarmoqlarni taklif qiladi: ko'p qatlamli perseptronlar va radial asosli funktsiyalar tarmoqlari.

Guruch. 6. Muloqot oynasi Avtomatlashtirilgan neyron tarmoqlari - yorlig'i Tez

Guruch. 7. Muloqot oynasi Avtomatlashtirilgan neyron tarmoqlari - yorlig'i MLP uchun faollashtirish funktsiyalari

Yorliqda susaytirish siz o'qitilgan tarmoqlarning murakkabligini moslashtiradigan vaznni tartibga solish opsiyasini yoqishingiz mumkin. Bu muammo juda ko'p kirish o'zgaruvchilari mavjud bo'lganda foydali bo'ladi va yashirin qatlamda ko'p sonli neyronlar ko'rsatilgan.

Ammo bizning holatlarimizda biz undan foydalanmaymiz.

Guruch. 8. Avtomatlashtirilgan neyron tarmoqlari dialog oynasi - Yorliqlarni zaiflashtirish

Endi biz neyron tarmog'ini o'qitish bosqichiga o'tishimiz mumkin.

4-qadam Tugmani bosish orqali neyron tarmoqni o'qitish protsedurasini bajaring KELISHDIKMI.

Shaklda ko'rsatilgan muloqot oynasida. 9, hozirda o'qitilgan neyron tarmoq haqida ba'zi ma'lumotlar ko'rsatiladi. Biz tarmoq arxitekturasini tahlil qilishimiz, algoritmni takrorlash jarayonini kuzatishimiz va model xatolarini tuzatishimiz mumkin. Regressiya uchun ildiz-o'rtacha kvadrat xatosi, tasniflash uchun kuzatishlarni to'g'ri tasniflash foizi qo'llaniladi (bizning holatimizda bo'lgani kabi).

Guruch. 9. Neyron tarmog'ini o'rgatish dialog oynasi

Dastur avtomatik ravishda keyingi bosqichga o'tadi.

5-qadam Natijalarni tahlil qilish. Natijalar oynasida siz olingan echimlarni tahlil qilishingiz mumkin. Dastur eng yaxshi tarmoqlarni tanlaydi va yechim sifatini ko'rsatadi.

Guruch. 10. Muloqot oynasi Neyron tarmoqlar - Natijalar - Bashoratli yorliq

Siz tugma yordamida ma'lum bir tarmoqni tanlashingiz mumkin, bizning fikrimizcha, eng yaxshisi Tarmoqlarni tanlash/o‘chirish.

Guruch. 11. Modelni faollashtirish dialog oynasi

Masalan, sinovning bir usuli - kuzatilgan qiymatlar va bashorat qilingan natijalarni solishtirish. Tanlangan tarmoq uchun kuzatilgan va bashorat qilingan qiymatlarni taqqoslash, masalan, o'quv va test to'plamlari uchun.

Guruch. 12. Kuzatilgan va bashorat qilingan qiymatlar jadvali

Yoki sinov namunasidagi tasniflash xatosi matritsasiga qarang:

Guruch. 13. Tasniflash matritsasi

6-qadam Avtomatik prognozlash kabi kelajakda foydalanish uchun eng yaxshi tarmoqlarni saqlang.

Keyingi ishga tushirish uchun tarmoqlar PMML formatida saqlanadi.

Guruch. 14. Muloqot oynasi Neyron tarmoqlar - Natijalar - Saving networks

Guruch. 15. Standart tarmoq faylini saqlash oynasi

7-qadam Saqlangan modellarni yangi ma'lumotlarda ishga tushiring. Shunday qilib, biz yangi ma'lumotlarni yuklaymiz, lekin o'zgaruvchilar modellardagi o'zgaruvchilarga mos kelishi uchun.

Modelni yangi ma'lumotlarda ishga tushirish uchun siz ishga tushirish panelidagi variantni tanlashingiz mumkin (1-rasm) Oldingi tahlillardan modellarni yuklang va tugmani bosing Tarmoqlar yuklab olish.

Guruch. 16. Standart tarmoq faylini tanlash oynasi

Biz olamiz:

Guruch. 17. STATISTICA avtomatlashtirilgan neyron tarmoqlari (SANN) ishga tushirish paneli

Kerakli faylni tanlagandan so'ng, barcha sozlamalar avtomatik ravishda aniqlanadi, shuning uchun siz darhol natijalar oynasiga o'tishingiz mumkin (tugmani ikki marta bosish orqali). KELISHDIKMI) va natijalarni tahlil qiling.

Bu to'plamdagi odatiy tadqiqot stsenariysi

STATISTICA paketida uzluksiz prognozlash muammosi regressiya muammosi sifatida ifodalanadi. Ushbu vazifa kontekstida neyron tarmoq nochiziqli funksiya sifatida qaraladi, uning murakkabligi "yarim parametrik" boshqariladi - tarmoqdagi elementlarning soni yechimning murakkabligiga ta'sir qiladi, lekin, albatta, tahlilchi regressiya funktsiyasining aniq shaklini ko'ra olmaydi.

O'tayotgan transport vositalarining soni va turiga qarab atmosferaga qo'rg'oshin chiqishini hisoblaydigan neyron tarmoqni qurish talab etiladi. Ma'lumotlar lead.xls faylida saqlanadi.

Statistica paketidagi Lead.xls faylini oching. "Faylni ochish" oynasi paydo bo'ladi.

Guruch. 4. 33. Import oynasi.

Siz "Tanlangan varaqni import qilish" variantini tanlashingiz va ma'lumotlar varag'i nomini tanlashingiz kerak:

Guruch. 4. 34. Statistica paketiga import qilish uchun Excel varag'ini tanlash.

Keyingi oynada, qoida tariqasida, avtomatik ravishda aniqlanadi va ko'rsatiladigan haqiqiy ma'lumotlar parametrlarini ko'rsatishingiz kerak (oxirgi uchta katakchadan tashqari).

Guruch. 4. 35. Import maydonini sozlash.

Shundan so'ng, import qilingan ma'lumotlar oynada ko'rsatiladi.

Guruch. 4. 36. Natijalarni import qilish.

Neyron tarmoqlar yordamida tahlil paketini ishga tushiring. Buning uchun "Tahlil" menyusidagi "Neyron tarmoqlari" bandini tanlang.

Guruch. 4. 37. Ma’lumotlarni qayta ishlash usulini tanlash – “neyron tarmoq”.

Shundan so'ng STATISTICA Neyron Networks to'plami oynasi paydo bo'ladi:

Guruch. 4. 38. "Neyron tarmoqlar" tahlilining boshlang'ich oynasi.

"Tezkor" yorlig'iga o'ting, bu erda siz vazifa turini belgilashingiz kerak - Regressiya va vosita - Network Builder.

Guruch. 4. 39. Neyron tarmoqlar konstruktorini ishga tushirish.

Bundan tashqari, "OK" tugmasini bosish orqali siz chiqish (qaram) va kirish (mustaqil) o'zgaruvchilarni tanlash rejimiga o'tasiz. Birinchisi sifatida biz "Qo'rg'oshin" ni, oxirgisi esa barcha toifadagi avtomobillar sonini tanlaymiz. "#" va "Ko'chalar" ustunlari foydalanilmaydi.

Guruch. 4. 40. Neyron tarmoq uchun kirish va chiqish ma’lumotlarini tanlash.

"OK" tugmasini bosish orqali siz yana "Tezkor" yorlig'iga qaytasiz. Keyin yana "OK" tugmasini bosish orqali siz neyron tarmog'ini shakllantirish oynasiga o'tasiz. "Tezkor" yorlig'ida siz tarmoq turini tanlashingiz kerak - ko'p qatlamli perseptron,

Guruch. 4. 41. Neyron tarmoq turini tanlash.

va "Elementlar" yorlig'ida siz kerakli qatlamlar sonini, har biridagi neyronlar sonini, shuningdek faollashtirish funktsiyasi turini belgilashingiz mumkin:

Guruch. 4. 42. Qatlamlar soni va neyronlarning turlarini o'rnatish.

Guruch. 4. 43. Neyrotarmoqni o'qitish usulini tanlash.

Bu erda "Tanlovlar" tugmasini bosish orqali siz o'quv, nazorat va test holatlari sonini belgilashingiz mumkin. Agar siz test va nazorat holatlari sonini nolga qo'ysangiz, tarmoq barcha misollar bo'yicha o'qitiladi:

Guruch. 4. 44. O'qitish va sinovdan o'tkazish uchun ma'lumotlarning ta'rifi.

Asosiy o'quv oynasiga qaytgan holda, "Foydalanuvchi" tugmasini bosish va "Interaktiv" yorlig'iga o'tish orqali siz o'quv jarayonini grafik shaklida aks ettirishni so'rashingiz mumkin:

Guruch. 4. 45. O’quv jarayonini ko’rsatish uchun grafik turini o’rnatish.

Nihoyat, "OK" tugmasini bosish orqali siz o'quv jarayonini boshlaysiz, uning natijasi grafikda ko'rsatiladi:

Guruch. 4. 46. Neyron tarmoq bo'yicha trening.

"OK" tugmasini bosish orqali siz natijalar oynasiga o'tasiz, u erda siz yaratilgan tarmoqning turli xususiyatlarini o'rganishingiz mumkin, oynaning yorliqlari bo'ylab harakatlanadi:

Guruch. 4. 47. Neyron tarmoqlarini modellashtirish natijalari.

Masalan, "Kengaytirilgan" yorlig'ida "Tarmoq arxitekturasi" tugmasi mavjud bo'lib, uni bosish orqali siz qurilgan tarmoq topologiyasini ko'rishingiz mumkin:

Guruch. 4. 48. Tuzilgan neyron tarmoqning ko'rinishi.

shuningdek, yangi boshlang'ich ma'lumotlar bilan tarmoqni o'rnatishingiz va allaqachon o'qitilgan tarmoqning javobini olishingiz mumkin bo'lgan "Foydalanuvchi kuzatuvlari" tugmasi.