Данный метод использования нейросетей позволяет не детализируя рынок и не вдаваясь в сложные вычисления без лишних усилий определить функциональные связи при обработке большого количества нечетких данных, между которыми ее трудно описать. [c.141]
Многие представители разных наук, занимающихся перечисленными выше задачами и уже накопившими изрядный опыт их решения, видят в нейросетях лишь перепев уже известных им мотивов. Каждый полагает, что перевод его методов на новый язык нейросетевых схем ничего принципиально нового не дает. Статистики говорят, что нейросети - это всего лишь частный [c.39]
Прежде чем ответить на этот вопрос, следует задать критерий оптимальности. Поскольку нейросети осуществляют статистическую обработку данных, нам следует обратиться к основам математической статистики - индуктивному методу. [c.54]
Предложенная ими модель относится к классу растущих нейронных сетей. Такие сети по-своему решают задачу адаптации своей структуры к требованиям решаемой задачи. Вспомним многослойные персептроны, для которых количества скрытых слоев и нейронов в них часто выбираются методом проб и ошибок. Как уже отмечалось в связи с этим, имеются два подхода к адаптивному выбору архитектуры нейросетей. В первом подходе заведомо избыточная нейросеть прореживается до нужной степени сложности. Растущие сети, напротив, стартуют с очень простых и небольших структур, которые разрастаются и усложняются по мере необходимости. [c.118]
Таким образом, количество входов приходится довольно жестко лимитировать, и выбор наиболее информативных входных переменных представляет важный этап подготовки данных для обучения нейросетей. Глава 4 специально посвящена использованию для этой цели самих нейросетей, обучаемых без учителя. Не стоит, однако, пренебрегать и традиционными, более простыми и зачастую весьма эффективными методами линейной алгебры. [c.134]
Для более глубокой предобработки входов можно использовать все богатство алгоритмов самообучающихся нейросетей, о которых шла речь ранее. В частности, для оптимального понижения размерности входов можно воспользоваться методом нелинейных главных компонентам. Рисунок ). [c.136]
Специфика нейросети состоит в необходимости проведения очень тщательной настройки ее многочисленных параметров (числа узлов, критериев останова, скорости обучения, коэффициентов импульса и скрытых весовых соотношений), что требует большого числа экспериментов, тестов и высокого искусства пользователя-аналитика. Другое ограничение нейросетей — это их работа только с числами и бинарными данными, причем данные должны быть масштабированы или нормализованы. Явным достоинством техники является возможность достижения высочайшей точности анализа (особенно в сочетании с другими методами, например с использованием генетических алгоритмов). [c.458]
Исторически развитие нейросетей складывалось как попытки смоделировать те или иные способности и свойства человеческого мышления. После ряда сложных исследований была выяснена роль нейронов как элементов, накапливающих и передающих информацию. Разработка соответствующих математических методов позволила создать системы, обладающие уникальными свойствами, а именно [c.122]
Нейронные сети — компьютерные алгоритмы, имитирующие работу человеческого мозга посредством взаимодействия -взаимосвязанных нейронов . В нейросетях используют те же входные данные, что и при эконометрическом подходе, выделяя взаимосвязи между ними посредством многократного повторения, методом проб и ошибок. [c.339]
Методы, описываемые в этой книге, относятся к общему классу нейросетевых моделей. Нейронные сети представляют собой совокупность математических методов, которые могут быть использованы для обработки сигналов, прогнозирования и кластеризации. Нейронные сети можно представить себе как нелинейные, многослойные и параллельные методы регрессии. Говоря проще, нейросетевое моделирование подобно проведению линии, плоскости или гиперплоскости через определенный набор информационных точек. Линию, плоскость или гиперплоскость можно с наилучшим приближением провести через любой набор данных и по выбору пользователя определить взаимосвязи, которые могут существовать между входами и выходами нейросети. Сеть можно также подстроить для представления многомерных данных в меньшей размерности. Существует два класса нейронных сетей сети, обучаемые с учителем и без учителя. [c.18]
В этих условиях предпочтительно использовать самоорганизующиеся карты, способные выявлять и группировать структуры данных при отсутствии представления о выходных данных. Недостаток этого подхода заключается в том, что метод СОК сам по себе является в некотором отношении негибким. Это связано с тем, что размерность карты определяется до начала обучения. Кроме того, в процессе самообучения нейросети не допускается добавление новых нейронов. [c.159]
Поскольку в настоящее время нейронные сети с успехом используются для анализа данных, уместно сопоставить их со старыми хорошо разработанными статистическими методами. В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются ни чем иным, как неэффективными регрессионными и дискриминантными моделями. Мы уже отмечали прежде, что многослойные нейронные сети действительно могут решать задачи типа регрессии и классификации. Однако, во-первых, обработка данных нейронными сетями носит значительно более многообразный характер - вспомним, например, активную классификацию сетями Хопфилда или карты признаков Кохонена, не имеющие статистических аналогов. Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами. Рассмотрим подробнее результаты сравнения методов нейросетей и математической статистики. [c.198]
С появлением метода (ba kpropagation) работы по исследованию нейросетей и их практическому использованию начали интенсивно развиваться, и к настоящему времени мы имеем много впечатляющих демонстраций возможности искусственных нейросетей. Обучение многослойной сети производится с учителем, т. е. сети представляются обучающие примеры и производится настройка синаптических [c.131]
Что же это такое - искусственные нейронные сети Какое отношение имеют искусственные нейросети к естественным Чем отличается нейрокомпьютинг от обычных методов компьютерного моделирования Каковы его "экологические ниши" в мире информационных технологий и перспективы на будущее Этим вопросам и будет посвящена данная, вводная, глава нашей книги. [c.3]
В дальнейшем нам встретится множество конкретных методов обучения сетей с разными конфигурациями межнейронных связей. Чтобы не потерять за деревьями леса полезно заранее ознакомиться с базовыми нейро-архитектурами. В следующем разделе мы приведем такого рода классификацию, основанную на способах кодирования информации в сетях (обучения) и декодирования (обработки) информации нейросетями. [c.45]
Однако стандартный анализ главных компонент дает решение в явном виде, через последовательность матричных операций, а не итерационно, как в случае нейросетевых алгоритмов. Так что при отсутствии высокопараллельных нейроускорителей на практике удобнее пользоваться матричными методами, а не обучать нейросети. Есть ли тогда практический смысл в изложенных выше итеративных нейросетевых алгоритмах [c.76]
Сети минимизирующие энергию, рассмотренные в предыдущей главе при релаксации к одному из своих стационарных состояний решают, по существу, оптимизационную задачу - поиск минимума определенной функции своего состояния - энергии. Следовательно и ассоциативную выборку информации, и выявление прототипов можно сформулировать как частный случай задачи оптимизации. В целом же, оптимизационные задачи представляют собой широкий класс задач, часто встречающихся на практике, в частности, в экономике и бизнесе. В этой главе мы покажем как нейросети можно приспособить к решению таких задач на примере очень важного класса задач комбинаторной оптимизации. Такие задачи, кроме прочего, позволят нам познакомиться с новыми методами оптимизации, отличающимися от градиентных методов, лежащих в основе обучения методом ba kpropagation. [c.109]
До сих пор нейросети рассматривались нами лишь как инструмент предсказания, но не понимания. Действительно, классический нейросетевой подход - метод черного ящика -предполагает создание имитационной модели, без явной формулировки правил принятия решений нейросетью. Вернее, эти правила содержатся в весах обученной нейросети но понять их, переформулировав на язык "если. .. -то. .." не представлялось возможным. Бэтой главе мы продемонстрируем методику, позволяющую строить подобные правила, объясняющие нейросетевые решения. Нейросети, таким образом, можно использовать не только для предсказаний, но и для извлечения знаний из баз данных. [c.167]
Главными требованиями, предъявляемыми к методам извлечения знаний, являются эффективность и масштабируемость. Работа с очень большими базами данных требует эффективности алгоритмов, а неточность и, зачастую, неполнота данных порождают дополнительные проблемы для извлечения знаний. Нейронные сети имеют здесь неоспоримое преимущество, поскольку именно они являются наиболее эффективным средством работы с зашумленными данными. Действительно, заполнение пропусков в базах данных - одна из прототипических задач, решаемых нейросетями. Однако, главной претензией к нейронным сетям всегда было отсутствие объяснения. Демонстрация того, что нейронные сети [c.168]
Возникает естественный вопрос "А зачем вообще нужна нейронная сеть для данного алгоритма " Ведь он может просто использовать обучающую выборку - известно же, какому классу принадлежит каждый пример. Более того, как бы хорошо ни была обучена сеть, она все равно будет делать ошибки, неправильно классифицируя некоторые примеры. Дело в том, что именно использование нейросетей в качестве Оракула дает возможность получать деревья решений, имеющих более простую структуру, чем у деревьев, обученных на исходных примерах. Это является следствием как хорошего обобщения информации нейронными сетями, так и использования при их обучении операции исправления данных ( LEARNING). Кроме того, алгоритмы построения деревьев, исходя из тренировочного набора данных, действительно разработаны и с их помощью такие деревья строятся путем рекурсивного разбиения пространства признаков. Каждый внутренний узел подобных деревьев представляет критерий расщепления некоторой части этого пространства, а каждый лист дерева - соответствует классу векторов признаков. Но в отличие от них TREPAN конструирует дерево признаков методом первого наилучшего расширения. При этом вводится понятие наилучшего узла, рост которого оказывает набольшее влияние на точность классификации генерируемым деревом. Функция, оценивающая узел п, имеет вид F(n) = r(n)( - f(n)), где r(ri) - вероятность достижения [c.181]
Другие интересные достижения касаются разработки данных (Lewi-nson, 1994). Этот термин относится к моделям распознавания структур, использующим нейросети или фракционную технологию. Эти методы были применены в эксплуатации для идентификации сегментов покупателей, которые с большей вероятностью купят предложенный продукт (в банковской системе, например), и для обнаружения покупателей с определенным образом жизни (для мобильных телефонов, например). Эти подходы, хотя и занимательны, до сих пор находятся в стадии разработки и требуют обоснования. [c.282]
Сравнение методов. Оба упомянутых выше вида технологий (нейросети и символьная классификация) автоматичес- [c.457]
Исследования показали, что не существует единственного лучшего метода классификации или предсказания. Точность того или иного конкретного инструмента или алгоритма очень сильно зависит от анализируемой структуры данных. Символьные классификаторы по точности превосходят нейросети в случае работы над асимметричными, непараметризованными наборами данных и с базами данных, содержащими большое число категориальных полей (например, поле Женат со значениями "да/нет", Офис — "Аренда, Собствен- [c.458]
В последние годы можно было наблюдать резкие и плодотворные перемены в способах, которыми мы можем найти наилучший ответ на задачу. В некоторых случаях их разработчики учились у природы это, например, искусственная закалка, названная по аналогии с закалкой металлов. Другие методы, как, например, нейросети, моделируют работу мозга во время интуитивного угадывания решений. На финансовых рынках эти методики произвели сильное впечатление. Многие разработки в этой области по-прежнему не закончены, и технологии далеки от всеобщего понимания или пока недоступны. Обзор этих работ можно посмотреть в статье Д. Коутса и др. ( oates et al., 1994). [c.100]
В последнее десятилетие можно было наблюдать возникновение новых количественных методов, полезных для маркетинга. Многие из них радикально отходят от традиционного статистического подхода к построению моделей. Такие методики, как симулированная закалка, генетические алгоритмы и нейросети используют для поиска решений идеи из природы. Основное применение этих методик — приблизительная оценка и оптимизация маркетинговых моделей. Базовые проблемы остаются теми же самыми, но новые методики позволяют анализировать сложные проблемы и находить лучшие решения, чем раньше. Хотя они требуют интенсивного использования компьютера, стоимость этого использования снижается так быстро, что скоро, по всей вероятности, они станут широко распространенными. Д. Коутс и др. ( oates et al, 1994) дают обзор некоторых из этих новых методов, а их краткое описание помещено в табл. 6. [c.111]
Барский А.Б. Обучение нейросети методом трассировки //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб. докл., 2002. - С. 862 - 898. [c.188]
Результаты, приводимые на рис. 7.8 и 7.9, свидетельствуют о превосходстве метода ИСОГ. В частности, рис. 7.8 демонстрирует возможности ИСОГ на примере позиций различной продолжительности. Мы исходили из того, что с принадлежит интервалу от 0,001 до 0,005, а / меняется в интервале от 0,08 до 0,2. Заполненные области соответствуют комбинациям показателей операционных издержек и пассивной процентной ставки, содержащимся в сети ИСОГ. Чем обширнее область, тем лучше результаты, обеспечиваемые нейросетью. В зависимости от продолжительности рассматриваемого периода времени (25, 50 или 120 дней) незаполненная область не превышает соответственно 12, 5 и 8% обшей площади. [c.168]
Нейросети (Neural Network) — этот термин описывает системы искусственного интеллекта, которые анализируют исторические данные, выдавая решения методом проб и ошибок. [c.363]