در طول یک سابقه مشخص از نظارت بر بیماران، مجموعه ای از داده ها جمع آوری شده و در یک جدول در سیستم STATISTICA ذخیره می شود. جدول داده های مربوطه در شکل 6 نشان داده شده است.
شکل 6. بخشی از جدول داده های منبع
هدف از این مطالعه ایجاد یک مدل شبکه عصبی است که بر اساس مجموعه داده‌های اولیه (داده‌های معاینه بیمار، نتایج آزمایش، درمان قبل از پذیرش)، بر اساس درمان تجویز شده در بیمارستان، پیش‌آگهی برای بیمار ایجاد کند. درمان (مقادیر پذیرش در بیمارستان I-APFARA، BAB، BKK، دیورتیک ها، داروهای مرکزی) با دقت کافی.
این واقعیت که مسئله غیرخطی است شکی نیست. البته، می‌توان با استفاده از ماژول تخمین غیرخطی STATISTICA، یعنی با استفاده از روش‌های تکراری ارائه‌شده توسط این ماژول برای "دست زدن" به نوع تابع، مشکل را حل کرد. با این حال، تعدادی از مشکلات در اینجا وجود دارد که به طور قابل توجهی روند یافتن راه حل را گسترش می دهد. مهم ترین آنها، تدوین فرضیه ای در مورد شکل صریح وابستگی مورد مطالعه است که اصلاً واضح نیست.
بدون تحقیقات اضافی، گفتن چیزی در مورد نوع آشکار وابستگی دشوار است. ضمناً لازم به ذکر است که ما یک عامل بیشتر را در نظر نگرفتیم. به طور کلی، حل چنین مشکلی با استفاده از روش‌های تخمین غیرخطی می‌تواند زمان بسیار زیادی طول بکشد، یا ممکن است به چیزی منجر نشود. در چنین شرایط بحرانی که معلوم است که
بین متغیرها رابطه وجود دارد.
رابطه قطعا غیرخطی است.
گفتن چیزی در مورد شکل آشکار وابستگی دشوار است،
الگوریتم های شبکه عصبی کمک می کند. بیایید راهی برای حل این مشکل در ماژول شبکه های عصبی STATISTICA در نظر بگیریم.
متأسفانه، هیچ قانون جهانی وجود ندارد که نشان دهد کدام توپولوژی شبکه عصبی باید برای حل یک مشکل خاص دنبال شود. بنابراین، یک رویه منطقی برای یافتن شبکه مناسب ضروری است.
ماژول شبکه های عصبی سیستم STATISTICA شامل رویه ای است که جستجو برای پیکربندی شبکه مورد نظر را سازماندهی می کند. این روش شامل ساخت و آزمایش تعداد زیادی شبکه با معماری های مختلف و سپس انتخاب از بین آنها شبکه ای است که برای حل مشکل داده شده مناسب تر است. این ابزار حل‌ال مشکلات هوشمند نام دارد. برای راه اندازی ماژول شبکه های عصبی باید از دستوری به همین نام در منوی اصلی سیستم آماری STATISTICA استفاده کنید. (شکل 7)
شکل 7. راه اندازی ماژول شبکه های عصبی
پایان نامه زیر بسیار رایج است: "شبکه های عصبی یک ساختار جهانی هستند که به شما امکان می دهد هر الگوریتمی را پیاده سازی کنید." بیایید سعی کنیم، کورکورانه این جمله را باور کنیم، تا یک شبکه عصبی بسازیم که وابستگی پیشنهادی را فوراً (یعنی بدون تجزیه و تحلیل اکتشافی اولیه) "گیر" کند.
یکی از مهمترین مسائلی که هنوز توسط علم مدرن حل نشده است، مسئله ساختار شبکه عصبی است که قادر به بازتولید وابستگی غیرخطی چند بعدی مورد نظر است. در واقع، قضیه کلموگروف در مورد کامل بودن، که او در سال 1957 ثابت کرد، بیان می کند که یک شبکه عصبی قادر به بازتولید هر تابع (بسیار مهم - پیوسته) است. با این حال، دستورالعملی برای ایجاد چنین شبکه ای به محقق ارائه نمی دهد. در سال 1988، تعدادی از نویسندگان قضیه کولموگروف را تعمیم دادند و نشان دادند که هر تابع پیوسته را می توان با یک شبکه عصبی سه لایه با یک لایه پنهان و یک الگوریتم پس انتشار با هر درجه ای از دقت تقریب زد. بنابراین، در مورد ما، جنبه مثبت این دانش است که شبکه باید سه لایه باشد، اما باز هم هیچ قاعده‌ای وجود ندارد که رابطه بین "هر درجه دقت" و تعداد نورون‌ها را در سطح میانی برقرار کند، بنابراین لایه پنهان نامیده می شود.
با خلاصه کردن تمام موارد فوق، متذکر می شویم که هیچ قانون جهانی وجود ندارد که نشان دهد کدام توپولوژی شبکه عصبی باید برای حل یک مشکل خاص دنبال شود. بنابراین، یک رویه منطقی برای یافتن شبکه مناسب ضروری است.
ماژول شبکه های عصبی سیستم STATISTICA شامل یک روش منحصر به فرد است که جستجو برای پیکربندی شبکه مورد نظر را سازماندهی می کند. این ابزار حل‌ال مشکلات هوشمند نام دارد. بیایید از این ابزار استفاده کنیم و شبکه عصبی را جستجو کنیم که بتواند مشکل ما را حل کند.
شکل 8. سکوی پرتاب ماژول شبکه های عصبی
در تب Quick این کادر محاوره ای در قسمت Problem Type پیشنهاد می شود کلاسی از مشکلاتی که با آن مواجه هستیم را انتخاب کنیم. هدف ما ایجاد یک رابطه چند متغیره یا به عبارت دیگر رگرسیون غیرخطی چند متغیره است. یعنی در قسمت Problem Type باید Regression را مشخص کنید.
پس از تصمیم گیری در مورد کلاس وظایف، لازم است متغیرهایی برای انجام تجزیه و تحلیل مشخص شود. برای انتخاب متغیرها از دکمه Variables استفاده کنید. وقتی روی این دکمه کلیک می کنید، کادر محاوره ای انتخاب ورودی (مستقل)، خروجی (وابسته) و متغیرهای انتخابگر ظاهر می شود. در این کادر محاوره ای، باید دو لیست از متغیرها را مشخص کنید. خروجی های پیوسته، در مورد ما، متغیرهای پذیرش در بیمارستان ACEI/ARB، پذیرش در بیمارستان BAB، پذیرش در بیمارستان BKK، پذیرش در بیمارستان دیورتیک ها و پذیرش در بیمارستان داروهای با اثر مرکزی هستند. ورودی های پیوسته، در مثال ما، از 1 تا 61 پارامتر اولیه هستند.
شکل 9. انتخاب متغیرها برای تجزیه و تحلیل
در بخش تجزیه و تحلیل انتخاب، دو گزینه وجود دارد: حل‌ال مشکل هوشمند و طراح شبکه سفارشی. برای انتخاب خودکار پارامترهای شبکه عصبی، اولین گزینه مورد نیاز است که به صورت پیش فرض تنظیم شده است. برای ادامه تجزیه و تحلیل، روی OK کلیک کنید.
در مرحله بعد کادر محاوره ای راه اندازی حل حل هوشمند هوشمند ظاهر می شود.
بخش Quick شامل گروهی از گزینه هاست که مسئولیت زمان اجرای الگوریتم جستجوی شبکه عصبی را بر عهده دارند. در این برگه باید تعداد شبکه هایی را که نیاز به تست دارند مشخص کنید (برای اطلاع از مناسب بودن آنها برای حل مشکل فرموله شده) و همچنین مشخص کنید که چه تعداد از این شبکه ها در گزارش نهایی گنجانده می شوند.
در بخش Networks tested ما 100 را نشان می دهیم، Networks Retained - 10 (شکل 10)
تب Types مشخص می کند که کدام نوع از شبکه های عصبی در فرآیند تست استفاده می شود. برای حل مشکل رگرسیون غیرخطی، یک پرسپترون چند لایه مناسب ترین است، بنابراین شبکه های مشخص شده در شکل 11 را انتخاب می کنیم.
شکل 10. تنظیم تعداد شبکه های مورد آزمایش
شکل 11. انتخاب یک معماری شبکه
در مرحله بعد، برای سازماندهی فرآیند جستجو و آزمایش، لازم است دامنه تغییرات تعداد نورون ها در هر لایه از شبکه عصبی مشخص شود. مقادیر توصیه شده برای این کار در شکل 12 نشان داده شده است.
شکل 12. نشان دادن اندازه نمونه های آموزشی، کنترل و آزمون
حال پس از تنظیم تمامی پارامترهای آموزشی، برای شروع روال جستجوی شبکه، باید بر روی OK کلیک کنید.
وضعیت الگوریتم جستجو در کادر محاوره ای IPS Training In Progress نمایش داده می شود.
در حالی که الگوریتم جستجو برای یک شبکه عصبی مناسب در حال اجرا است، این کادر محاوره ای اطلاعاتی در مورد زمان اجرای الگوریتم و همچنین در مورد شبکه های عصبی در نظر گرفته ارائه می دهد. هدف از الگوریتم جستجو، شمارش تعدادی از تنظیمات شبکه عصبی و انتخاب بهترین آنها از نظر حداقل خطا در خروجی شبکه و حداکثر عملکرد آن است.
تصمیم گرفتم به یک موضوع گسترده دست بزنم. شبکه های عصبی مصنوعی من سعی می کنم ایده ای را روی انگشتانم ارائه دهم. آن چیست؟ این تلاشی برای شبیه سازی مغز انسان است. فقط ابتدایی تر. عنصر اساسی هر شبکه عصبی یک نورون است (شکل 1).
برنج. 1. نمودار شماتیک یک نورون.
یک نورون دارای ورودی، جمع کننده و تابع فعال سازی است. اطلاعات به ورودی ها ارائه می شود، برای مثال محتوای سه ماده شیمیایی. عناصر در یک نمونه خاص هر کدام از آنها در ضریب خاصی ضرب می شود. سپس سیگنال های دریافتی با استفاده از یک تابع فعال سازی جمع و تبدیل می شوند. این می تواند مماس یک عدد معین یا e^(-1*مقدار معین) باشد که e عدد اویلر است. کل نکته این است:
مقیاس نورون ها؛
توابع فعال سازی؛
مجموعه ای از نورون ها اگر چندین نورون را بگیرید و آنها را در لایه هایی سازماندهی کنید که هر کدام از 1 تا N نورون دارند، آنگاه این یک شبکه عصبی مصنوعی خواهد بود.
شبکه های عصبی مصنوعی باید آموزش ببینند یا به آنها فرصتی برای خودآموزی داده شود. آموزش یک شبکه عصبی به معنای دادن نمونه به آن و تنظیم وزن ها به گونه ای است که نورون ها داده ها را تا حد امکان دقیق توصیف کنند. توابع فعال سازی دقیقاً روابط شیمیایی غیرخطی را مدل می کنند. عناصر. و ساختار شبکه عصبی (تعداد نورون ها، تعداد لایه ها) انعطاف پذیری شبکه را کنترل می کند. چقدر دقیق می تواند با داده ها سازگار شود. در عین حال، تنظیم بسیار دقیق در ژئوشیمی مورد نیاز نیست. شناسایی الگوها مهم است.
زمانی که اطلاعات کمی در مورد داده ها داریم، از خوشه بندی استفاده می شود. در مورد شبکه های عصبی از شبکه های عصبی کوهونن خودآموز استفاده می شود. معنای آنها این است که نورون ها، مانند شکل 1، در یک لایه دو بعدی سازماندهی شده اند (شکل 2). ابتدا به نورون ها وزن های اولیه اختصاص داده می شود و مشاهدات تغذیه می شوند. نورون ها با یکدیگر رقابت می کنند تا ببینند چه کسی می تواند مشاهدات را به بهترین شکل توصیف کند. برندگان سعی می کنند همسایگان خود را راه اندازی کنند. در نهایت، هنگامی که خوشه های واقعی در داده ها وجود داشته باشد، آنها توسط گروه های مختلف نورون ها توصیف می شوند. دوست داشتنی، درست است؟
برنج. 2. نمودار شماتیک شبکه خودسازماندهی کوهونن. 4×3 نورون = 12 نورون.
برنج. 3. داده ها را باز کنید و ماژول تحلیل شبکه عصبی را راه اندازی کنید. داده ها را می توان به صورت خام، بدون لگاریتم سازی اولیه استفاده کرد. اما باز هم بهتر است که نقاط پرت آشکار را حذف کنید.
برنج. 4 تحلیل خوشه ای را انتخاب کنید
برنج. 5. متغیرها را در تب Quick انتخاب کنید. در این ماژول می توانید متغیرهای ورودی دسته بندی را انتخاب کنید. به عنوان مثال، سن سنگ هایی که نمونه از آنها گرفته شده است.
برنج. 6 به دومین تب Sampling بروید. شبکه های عصبی نمونه اولیه را به سه نمونه فرعی تقسیم می کنند:
آموزشی. برای آموزش شبکه عصبی و تنظیم وزن استفاده می شود.
تست. همچنین در فرآیند آموزش استفاده می شود و بررسی می کند که آیا شبکه بیش از حد آموزش دیده است یا خیر.
نمونه تست در فرآیند آموزش استفاده نمی شود، بلکه فقط برای ارزیابی دقت شبکه بر روی داده های "جدید" عمل می کند. یعنی توانایی آن در پیش بینی.
بیایید آن را به عنوان پیش فرض بگذاریم. روی OK کلیک کنید.
برنج. 7 در تب Quick (Kohonen) تعداد نورون ها و ساختار آنها را تنظیم کنید. از آنجایی که نورون ها همسایگان را آموزش می دهند، مکان نورون ها نیز مهم است. یا 4 نورون را در یک مربع یا در یک زنجیره مرتب کنید. برای شروع، 5x5 را انتخاب کنید. سعی نکنید شبکه های بزرگ بسازید. به یاد داشته باشید که مهم است که الگوهای کلی را شناسایی کنید و همه چیز را به یکباره حل نکنید.
برنج. در تب Kohonen Training، مهمترین پارامتر Neighborhoods است - نورون چند همسایه را آموزش می دهد. بیایید آن را به عنوان پیش فرض بگذاریم. روی OK کلیک کنید.
برنج. 9. شبکه آموزش داده شده و پنجره نتایج نمایش داده می شود. بلافاصله به برگه Kohonen (گراف) بروید. در اینجا می توانید تمام 25 نورون و تعداد نمونه های آموزشی در هر یک را مشاهده کنید. لازم است هر نورون بخشی از داده ها را توصیف کند. هیچ نورون خالی نباید وجود داشته باشد. قله های نشان داده شده در قرمز قهوه ای نشان می دهد که یک نورون مشخص چند آزمایش را توصیف کرده است. به طور کلی، سه قله در اینجا برجسته است. به احتمال زیاد ما سه خوشه داریم. روی Cancel، Cancel کلیک کنید و به اولین تب برای انتخاب ساختار شبکه بروید.
برنج. 10. زنجیره ای از نورون های سه قطعه ای را انتخاب کنید. هر نورون خوشه خود را توصیف می کند.
برنج. 11. بیایید به تب Network Training برویم و انتخاب کنیم که هر نورون فقط یک همسایه را تحت تأثیر قرار دهد. خوشه های متصل به دست خواهند آمد. اینجا ارزش تجربه کردن را دارد. اگر تأثیر بر همسایگان باشد، بعید است که مناطق انتقالی شناسایی شوند.
برنج. 12. نتیجه را می گیریم. هر نورون مقدار مناسبی از داده را توصیف کرد.
برنج. 13. به اولین تب پنجره نتایج یعنی Predictions برویم. بیایید نتایج را برای هر نمونه با مختصات نمایش دهیم.
برنج. 14. صفحه خروجی را می گیریم. برای ساختن یک نمودار از داده های موجود در آن، باید جدول را فعال کنید. انتخاب کنید، کلیک راست کرده و انتخاب کنید ورودی فعال(ورودی فعال). در اینجا، مانند روش k-means، ستونی با "فاصله" نمونه تا خوشه (نرون) وجود دارد. هر چه عدد کمتر باشد بهتر است. اگر عدد بسیار زیاد باشد، یا یک خوشه پرت است یا یک خوشه کاملا مجزا.
برنج. 15. نقشه ای از خوشه ها می سازیم. می توانید در این مورد صحبت کنید. البته بهتر است این نمودارها را در ArcGIS یا Surfer بسازید. با در نظر گرفتن نقشه زمین شناسی توضیحاتی ارائه دهید. متأسفانه من نمی توانم در این مورد زیاد اینجا بنویسم. اما من فقط می گویم که خوشه بندی با یک شبکه عصبی نتیجه ای مشابه با خوشه بندی سلسله مراتبی و k-means ایجاد کرد. بعد، می توانید نمودارهای جعبه و سبیل بسازید و در مورد تخصصی بودن خوشه ها نتیجه گیری کنید. از آنجایی که من برای بار سوم این نمونه را خوشه بندی می کنم، آنها را ارائه نمی دهم. پست های قبلی رو ببینید
علاوه بر این، ما نقشه ای از مقادیر فعال سازی خواهیم ساخت. مقدار فعال سازی فقط مجموع عناصر تبدیل شده توسط یک تابع غیرخطی است.
برنج. 16. نقشه توزیع مقادیر فعال سازی مشاهده. در جنوب منطقه گروهی از نمونه ها با مقادیر فعال سازی بالا وجود دارد. ارزش آن را دارد که آنها را به طور جداگانه برای کارت های تک عنصری و سایر پارامترها در نظر بگیرید.
برنج. 17. ساختار شبکه عصبی را ذخیره می کنیم. تا همیشه بتونی پیشش برگردی
برنج. 18. هنگامی که ماژول تحلیل شبکه عصبی را راه اندازی می کنید، پنجره ای در سمت چپ وجود دارد که در آن می توانید شبکه عصبی ایجاد شده را باز کنید. به عنوان مثال، شما یک شی مرجع را مطالعه کرده اید، یک شبکه عصبی بر اساس آن ایجاد کرده اید و می خواهید نمونه هایی را از ناحیه دیگری از طریق آن اجرا کنید. Voila.
- خایکینشبکه های عصبی سیمون: دوره کامل، ویرایش دوم. : مطابق. از انگلیسی – م.: انتشارات ویلیامز، 2006. – 1104 ص. : مریض - پارال دختر انگلیسی ISBN 5-8459-0890-6 (روس)
- شبکه های عصبی. شبکه های عصبی آماری: روش شناسی و فناوری تحلیل داده های مدرن / ویرایش شده توسط V.P. بوروویکووا – ویرایش دوم، بازبینی شده. و اضافی – M.: Hotline – Telecom, 2008. – 292 p., ill. شابک 978-5-9912-0015-8
کتاب دوم با ماژول Statistica 10 متفاوت است، اما کار خواهد کرد.
روش های شبکه عصبی برای تجزیه و تحلیل داده ها بر اساس استفاده از بسته شبکه های عصبی Statistica (تولید شده توسط StatSoft) که به طور کامل برای کاربر روسی تطبیق داده شده است، تشریح شده است. مبانی تئوری شبکه های عصبی ارائه شده است. توجه زیادی به حل مشکلات عملی می شود، روش شناسی و فناوری انجام تحقیق با استفاده از بسته شبکه های عصبی Statistica - یک ابزار قدرتمند تجزیه و تحلیل داده ها و پیش بینی است که کاربردهای گسترده ای در تجارت، صنعت، مدیریت و امور مالی دارد - به طور جامع بررسی می شود. این کتاب حاوی نمونه های زیادی از تجزیه و تحلیل داده ها، توصیه های عملی برای تجزیه و تحلیل، پیش بینی، طبقه بندی، تشخیص الگو، کنترل فرآیندهای تولید با استفاده از شبکه های عصبی است. مدیریت، حمل و نقل و سایر زمینه ها. محتویات پیشگفتار چاپ دوم مقدمه. Invitation to Neural Networks. پیش و پس پردازش. پرسپترون چند لایه تابع پایه شعاعی شبکه عصبی احتمالی عمومی شبکه عصبی رگرسیون شبکه خطی شبکه Kohonen مشکلات طبقه‌بندی مشکلات رگرسیون پیش‌بینی سری‌های زمانی انتخاب متغیرها و کاهش ابعاد فصل 5. مراحل اول در آمار شبکه‌های عصبی. شروع به کار ایجاد یک مجموعه داده ایجاد یک شبکه جدید ایجاد یک طبقه‌بندی داده‌ای جدید و ایجاد یک شبکه جدید. قابلیت های اورژانس عصبی شبکه های مثال کلاسیک: آموزش عنبیه فیشر با اعتبارسنجی متقاطع شرایط توقف حل مشکلات رگرسیون توابع پایه شعاعی مدل های خطی شبکه های کوهونن شبکه های رگرسیون احتمالی و تعمیم یافته سازنده شبکه الگوریتم ژنتیک برای انتخاب داده های ورودی سری زمانی فصل 7. داده های کاربردی متغیر ابعاد انتخاب معماری شبکه سفارشی معماری شبکه سری های زمانی فصل 8. مطالعات موردی مثال 1. کاهش ابعاد در تحقیقات زمین شناسی مثال 2 تشخیص الگو مثال 3. طبقه بندی غیر خطی مجموعه های دو بعدی مثال 4. تقسیم بندی نمونه های سوخت مختلف بر اساس تحقیقات آزمایشگاهی مثال 5 . ساخت یک مدل امتیاز دهی رفتاری مثال 6. تقریب تابع مثال 7. پیش بینی فروش نفت مثال 8. نظارت و پیش بینی شرایط دمایی در یک تاسیسات مثال 9. تعیین قابلیت اطمینان یک امضای دیجیتال فصل 9. راهنمای سریع داده هاشبکه هاآموزش انواع شبکه ها و شبکه های جدید 10 روش های کلاسیک، شبکه های عصبی جایگزین AL TERNATIVE تجزیه و تحلیل متمایز کلاسیک در طبقه بندی STATISTICA تجزیه و تحلیل فاکتور رگرسیون Logit در STATISTICA فصل 11. داده کاوی در STATISTICA ضمیمه 1. مولد کد ضمیمه 2. یکپارچه سازی مجدد سیستم های STRPATISTICA.
- پردازش پیش و پس از پردازش، شامل انتخاب داده ها، کدگذاری اسمی، مقیاس بندی، عادی سازی، حذف داده های از دست رفته با تفسیر برای طبقه بندی، رگرسیون و مشکلات سری زمانی.
- سهولت استفاده استثنایی به علاوه قدرت تحلیلی بی نظیر؛ به عنوان مثال، هیچ آنالوگ ندارد جادوگر راه حلکاربر را در تمام مراحل ایجاد شبکه های عصبی مختلف راهنمایی می کند و بهترین را انتخاب می کند (در غیر این صورت، این کار از طریق یک فرآیند طولانی "آزمایش و خطا" حل می شود و نیاز به دانش کامل تئوری دارد).
- فناوری های اکتشافی و تحلیلی قدرتمند، شامل تجزیه و تحلیل مؤلفه های اصلیو کاهش ابعادبرای انتخاب متغیرهای ورودی لازم در تجزیه و تحلیل داده های اکتشافی (شبکه عصبی) (انتخاب متغیرهای ورودی لازم برای شبکه های عصبی اغلب زمان زیادی می برد؛ سیستم شبکه های عصبی آماریمی تواند این کار را برای کاربر انجام دهد).
- پیشرفته ترین، بهینه ترین و قدرتمندترین الگوریتم های آموزش شبکه (شامل گرادیان مزدوج و لونبرگ-مارکوارد); کنترل کامل بر تمام پارامترهای مؤثر بر کیفیت شبکه، مانند عملکردهای فعال سازی و خطا، پیچیدگی شبکه.
- پشتیبانی از مجموعه های شبکه های عصبی و معماری شبکه های عصبی با اندازه تقریبا نامحدود، ایجاد شده در مجموعه های شبکه - مجموعه های شبکه; آموزش انتخابی بخش های شبکه عصبی؛ ترکیب و ذخیره مجموعه ای از شبکه ها در فایل های جداگانه.
- ادغام کامل با سیستم آمار; تمام نتایج، نمودارها، گزارش ها و غیره را می توان با استفاده از ابزارهای گرافیکی و تحلیلی قدرتمند اصلاح کرد آمار(به عنوان مثال، برای تجزیه و تحلیل باقیمانده های پیش بینی شده، ایجاد یک گزارش دقیق، و غیره)؛
- ادغام یکپارچه با ابزارهای خودکار قدرتمند آمار; ضبط ماکروهای کامل برای هر تحلیل؛ ایجاد تجزیه و تحلیل شبکه عصبی و برنامه های کاربردی با استفاده از آمار ویژوال بیسیک، چالش شبکه های عصبی آماریاز هر برنامه ای که پشتیبانی می کند تکنولوژی COM(به عنوان مثال، تجزیه و تحلیل شبکه عصبی خودکار در یک جدول MS Excelیا ترکیب چندین برنامه سفارشی نوشته شده در C++، C#، جاواو غیره.).
آمار شبکه های عصبی در محاسبات شبکه های عصبی:
- استفاده از شبکه های عصبی بسیار بیشتر از پردازش داده ها با استفاده از روش های شبکه عصبی است.
- شبکه های عصبی آماریعملکردهای مختلفی را برای کار با وظایف بسیار پیچیده، از جمله نه تنها آخرین، ارائه می دهد معماری شبکه های عصبیو الگوریتم های یادگیری، بلکه رویکردهای جدید در انتخاب داده های ورودیو ساخت شبکه. علاوه بر این، توسعه دهندگان نرم افزار و کاربرانی که تنظیمات برنامه را آزمایش می کنند از این واقعیت قدردانی می کنند که پس از انجام آزمایش های مشخص شده در یک رابط کاربری ساده و بصری شبکه های عصبی آماریتجزیه و تحلیل شبکه های عصبی را می توان در یک برنامه سفارشی ترکیب کرد. این یا با استفاده از کتابخانه به دست می آید توابع COM STATISTICA، که به طور کامل تمام عملکرد برنامه یا استفاده از کد در زبان را منعکس می کند C (C++، C#)یا ویژوال بیسیک، که توسط برنامه تولید می شود و به اجرای یک شبکه عصبی یا مجموعه شبکه کاملاً آموزش دیده کمک می کند.
اطلاعات اولیه
مدول شبکه های عصبی آماریبه طور کامل با سیستم یکپارچه شده است آماربنابراین، مجموعه عظیمی از ابزارها برای ویرایش (آماده سازی) داده ها برای تجزیه و تحلیل (تبدیل ها، شرایط انتخاب مشاهدات، ابزارهای بررسی داده ها و غیره) در دسترس است. مثل همه تست ها آماربرنامه را می توان با استفاده از ابزارهای پردازش در محل به یک پایگاه داده از راه دور متصل کرد، یا به داده های زنده پیوند داد تا هر زمان که داده ها تغییر کرد، مدل ها آموزش یا اجرا شوند (مثلاً برای محاسبه مقادیر پیش بینی شده یا طبقه بندی) به طور خودکار.انتخاب ورودی و کاهش ابعاد
پس از آماده شدن داده ها، باید تصمیم بگیرید که هنگام کار با شبکه عصبی از کدام متغیرها استفاده کنید. هر چه تعداد متغیرها بیشتر باشد، شبکه عصبی پیچیده‌تر خواهد بود و بنابراین به حافظه و زمان آموزش بیشتر و همچنین تعداد بیشتری مثال آموزشی (مشاهدات) نیاز دارد. هنگامی که داده ها و/یا همبستگی های کافی بین متغیرها وجود ندارد، مسائل مربوط به انتخاب متغیرهای ورودی معنی دار و فشرده سازی اطلاعات در تعداد کمتری از متغیرها در بسیاری از برنامه های کاربردی شبکه عصبی از اهمیت بالایی برخوردار می شود.
الگوریتم های کاهش ابعاد:
- که در شبکه های عصبی آماریالگوریتم های انتخاب گام به گام معکوس و مستقیم پیاده سازی شده است. علاوه بر این، الگوریتم عصبی ژنتیک برای انتخاب داده های ورودی، قابلیت های الگوریتم های ژنتیک و PNN/GRNN (PNN - شبکه های عصبی احتمالی، GRNN - شبکه های عصبی رگرسیون تعمیم یافته)برای جستجوی خودکار ترکیب‌های بهینه متغیرهای ورودی، از جمله در مواردی که همبستگی‌ها و وابستگی‌های غیرخطی بین آنها وجود دارد. سرعت یادگیری تقریباً آنی الگوریتم PNN/GRNNنه تنها امکان درخواست را فراهم می کند الگوریتم عصبی ژنتیک برای انتخاب داده های ورودی، بلکه به شما اجازه می دهد (با استفاده از موجود ویرایشگرداده های سیستم شبکه های عصبی آماریابزار مناسب برای سرکوب متغیرهای ناچیز) آزمایش‌های خود را روی حساسیت داده‌ها در زمان واقعی انجام دهید. شبکه های عصبی آماریهمچنین شامل یک سیستم داخلی است تجزیه و تحلیل مؤلفه های اصلی (PCA و شبکه های انجمنی برای "PCA غیرخطی")، که به شما امکان می دهد بعد داده های منبع را کاهش دهید. توجه داشته باشید که طیف گسترده ای از روش های آماری برای کاهش ابعاد داده ها در سیستم پایه موجود است آمار.
مقیاس بندی داده ها و تبدیل ارزش اسمی:
- قبل از اینکه داده ها وارد شبکه شوند، باید به روش خاصی آماده شوند. به همان اندازه مهم است که داده های خروجی را بتوان به درستی تفسیر کرد. که در شبکه های عصبی آماریامکان مقیاس بندی خودکار داده های ورودی و خروجی (از جمله مقیاس بندی با مقادیر حداقل/حداکثر و با میانگین/انحراف استاندارد) وجود دارد. متغیرهای دارای مقادیر اسمی نیز می توانند به طور خودکار کدگذاری مجدد شوند (به عنوان مثال جنسیت=(مذکر، زن))، از جمله با استفاده از روش کدگذاری 1-of-N. شبکه های عصبی آماریهمچنین حاوی ابزارهایی برای کار با داده های از دست رفته است. توابع عادی سازی مانند "تک مقدار", "برنده همه چیز را می گیرد"و "بردار واحد طول". ابزارهای آماده‌سازی و تفسیر داده‌ها به‌طور خاص برای تحلیل سری‌های زمانی طراحی شده‌اند. طیف گسترده ای از ابزارهای مشابه نیز در سیستم پایه پیاده سازی می شوند آمار.
- در مسائل طبقه بندی، می توان فواصل اطمینان را تعیین کرد که شبکه های عصبی آماریسپس برای اختصاص مشاهدات به یک کلاس یا کلاس دیگر استفاده می شود. در ترکیب با ویژه اجرا شده در شبکه های عصبی آماریعملکرد فعال سازی سافت مکسو توابع خطای آنتروپی متقابل، این یک رویکرد نظری احتمالی اساسی برای مسائل طبقه بندی ارائه می دهد.
انتخاب یک مدل شبکه عصبی، مجموعه های شبکه
تنوع مدل های شبکه عصبی و پارامترهای زیادی که باید تنظیم شوند (اندازه شبکه، پارامترهای الگوریتم یادگیری و غیره) می تواند برخی از کاربران را گیج کند (به همین دلیل است که وجود دارد. جادوگر راه حل، که می تواند به طور خودکار یک معماری شبکه مناسب با هر پیچیدگی را جستجو کند).
سیستم شبکه های عصبی STATISTICA تمام انواع اصلی شبکه های عصبی مورد استفاده در حل مسائل عملی را پیاده سازی می کند، از جمله:
- پرسپترون های چند لایه (شبکه هایی با انتقال مستقیم سیگنال)؛
- شبکه های مبتنی بر توابع پایه شعاعی.
- خود سازماندهی نقشه های کوهونن.
- شبکه های عصبی احتمالی (بیزی)؛
- شبکه های عصبی رگرسیون تعمیم یافته
- شبکه های جزء اصلی؛
- شبکه های خوشه بندی؛
- شبکه های خطی
در بسته بندی شبکه های عصبی آماریابزارهای متعددی برای کمک به کاربر در انتخاب یک معماری شبکه مناسب در دسترس است. ابزارهای آماری و گرافیکی این سیستم شامل هیستوگرام، ماتریس و نمودار خطا برای کل جمعیت و برای مشاهدات فردی، داده های نهایی در مورد طبقه بندی صحیح/نادرست، و تمام آمارهای مهم - برای مثال، نسبت واریانس توضیح داده شده - به طور خودکار محاسبه می شوند.
برای تجسم داده ها در یک بسته شبکه های عصبی آمارینمودارهای پراکنده و سطوح پاسخ سه بعدی برای کمک به کاربر در درک "رفتار" شبکه پیاده سازی شده اند.
البته می توانید از هر اطلاعاتی که از منابع ذکر شده به دست آمده اید برای تحلیل بیشتر به روش های دیگر استفاده کنید. آمار، و همچنین برای گنجاندن بعدی در گزارش ها یا برای سفارشی سازی.
شبکه های عصبی آماریبه طور خودکار بهترین گزینه شبکه را از مواردی که هنگام آزمایش کار دریافت کرده اید به خاطر می آورد و می توانید در هر زمان به آن مراجعه کنید. سودمندی شبکه و توانایی پیش‌بینی آن به طور خودکار بر روی یک مجموعه آزمایشی ویژه از مشاهدات و همچنین با تخمین اندازه شبکه، کارایی آن و هزینه طبقه‌بندی اشتباه آزمایش می‌شود. اجرا شده در شبکه های عصبی آماریروش های اعتبار سنجی متقاطع و منظم سازی خودکار ترازو ویگندبه شما این امکان را می دهد که به سرعت دریابید که آیا شبکه شما برای یک کار خاص ناکافی است یا برعکس، بسیار پیچیده است.
برای بهبود عملکرد در بسته شبکه های عصبی آماریگزینه های پیکربندی شبکه متعددی ارائه شده است. بنابراین، می‌توانید یک لایه شبکه خروجی خطی در مسائل رگرسیون یا یک تابع فعال‌سازی نرم‌افزار را در مسائل تخمین احتمالی و طبقه‌بندی مشخص کنید. اگر داده های شما دارای مقادیر پرت زیادی هستند، پس هنگام آموزش شبکه، می توانید تابع خطای استاندارد را با یک تابع کمتر حساس جایگزین کنید. "بلوک های شهر". این سیستم همچنین توابع خطای متقابل آنتروپی را بر اساس مدل‌های تئوری اطلاعات و تعدادی از توابع فعال‌سازی ویژه، از جمله پله، دندان اره و سینوسی پیاده‌سازی می‌کند.
Solution Wizard (به طور خودکار مشکل را ارزیابی می کند و چندین شبکه از معماری های مختلف را انتخاب می کند):
- بخشی از بسته شبکه عصبی آماری s است جادوگر راه حل - حل کننده هوشمند مشکل، که بسیاری از شبکه های عصبی را با معماری ها و پیچیدگی های مختلف ارزیابی می کند و شبکه های بهترین معماری را برای یک کار مشخص انتخاب می کند.
- استادقادر به ساخت شبکه هایی برای داده ها با مشاهدات مستقل (شبکه های رگرسیون استاندارد، شبکه های طبقه بندی یا مختلط) و همچنین شبکه هایی است که برای پیش بینی مقادیر آینده یک متغیر خاص بر اساس مقادیر موجود همان متغیر (زمان) طراحی شده اند. شبکه های سریال).
- هنگام ایجاد یک شبکه عصبی، زمان قابل توجهی صرف انتخاب متغیرهای مناسب و بهینه سازی معماری شبکه با استفاده از جستجوی اکتشافی می شود. شبکه های عصبی آماریاین کار را بر عهده می گیرد و به طور خودکار جستجوی اکتشافی را برای شما انجام می دهد. این روش بعد ورودی، نوع شبکه، ابعاد شبکه و توابع کدگذاری خروجی مورد نیاز را در نظر می گیرد.
- در حین جستجو، می توانید تعداد پاسخ های دریافت شده در طول فرآیند آموزش را تنظیم کنید. هنگام تنظیم حداکثر حالت جزئیات جادوگر راه حلمعماری و سطوح کیفیت را برای هر شبکه آزمایش شده نمایش می دهد.
- جادوگر راه حلابزار بسیار موثری در هنگام استفاده از تکنیک های پیچیده است که به شما امکان می دهد به طور خودکار بهترین معماری شبکه را پیدا کنید. به جای اینکه ساعات زیادی را در مقابل کامپیوتر بنشینید، به سیستم اجازه دهید شبکه های عصبی آماریاین کار را برای شما انجام دهید
- سازنده شبکه خودکارهمچنین می تواند در طول توسعه مدل زمانی که ماژول استفاده می شود شبکه های عصبی آماری،همراه با سایر ماژول های سیستم پایه آمار، برای شناسایی مهم ترین متغیرها (به عنوان مثال، بهترین پیش بینی کننده ها برای گنجاندن و آزمایش بعدی آنها در هر مدلی استفاده می شود. تخمین غیر خطی).
آموزش شبکه های عصبی:
- موفقیت آزمایش های شما برای یافتن بهترین نوع و معماری شبکه به طور قابل توجهی به کیفیت و سرعت الگوریتم های یادگیری شبکه بستگی دارد. در سیستم شبکه های عصبی آماریبهترین الگوریتم های آموزشی تا به امروز پیاده سازی شده است.
- برای آموزش پرسپترون های چند لایه در سیستم شبکه های عصبی آماریاول از همه، روش انتشار پس‌زمینه اجرا می‌شود - با نرخ یادگیری و ضریب اینرسی متغیر با زمان، ترکیب مشاهدات قبل از مرحله بعدی الگوریتم و اضافه کردن نویز افزودنی برای تعمیم قوی. علاوه بر این، در سیستم شبکه های عصبی آماریدو الگوریتم سریع مرتبه دوم پیاده سازی شده است - روش های گرادیان مزدوج و لونبرگ-مارکوارد. دومی یک الگوریتم بهینه‌سازی غیرخطی مدرن بسیار قدرتمند است و کارشناسان استفاده از آن را به شدت توصیه می‌کنند. در عین حال، دامنه کاربرد این روش به موارد شبکه های نسبتا کوچک با یک نورون خروجی و برای کارهای دست و پا گیرتر در بسته محدود می شود. شبکه های عصبی آمارییک روش گرادیان مزدوج وجود دارد. به طور معمول، هر دو الگوریتم سریعتر از پس انتشار همگرا می شوند و معمولاً راه حل بهتری تولید می کنند.
- فرآیند تکراری آموزش شبکه در سیستم شبکه های عصبی آماریبا نمایش خودکار خطای آموزشی فعلی و خطای محاسبه شده به طور مستقل در مجموعه تست همراه است و نموداری از کل خطا نیز نشان داده می شود. شما می توانید هر زمان که بخواهید تمرین را با فشار دادن یک دکمه قطع کنید. علاوه بر این، می توان شرایط توقف را تنظیم کرد که تحت آن آموزش قطع می شود. چنین شرایطی ممکن است، به عنوان مثال، دستیابی به یک سطح خطای خاص، یا افزایش پایدار خطای آزمایش در تعداد معینی از گذرها - "دوران" (که نشان دهنده به اصطلاح بازآموزی شبکه است). اگر بیش از حد برازش رخ دهد، کاربر نباید به این موارد اهمیت دهد: شبکه های عصبی آماریبه طور خودکار نمونه ای از بهترین شبکه به دست آمده در طول فرآیند آموزش را به خاطر می آورد و این گزینه شبکه همیشه با کلیک روی دکمه مربوطه قابل دسترسی است. پس از اتمام آموزش شبکه، می توانید کیفیت کار آن را در یک مجموعه تست جداگانه بررسی کنید.
- در بسته بندی شبکه های عصبی آماریتعدادی از الگوریتم های یادگیری نیز برای شبکه های دیگر معماری های دیگر پیاده سازی شده است. پارامترهای خطوط شعاعی و ضرایب هموارسازی شبکه‌ها بر اساس تابع پایه شعاعی و شبکه‌های رگرسیون تعمیم‌یافته را می‌توان با استفاده از الگوریتم‌هایی مانند: آموزش کوهونن، نمونه فرعی روش K-meansروش های ایزوتروپی و نزدیکترین همسایه. نورون های لایه خروجی خطی شبکه ها بر اساس تابع پایه شعاعی، مانند شبکه های خطی، کاملاً بهینه شده اند. روش تجزیه ارزش منفرد (SVD)..
- ایجاد ساختارهای شبکه هیبریدی. در سیستم شبکه های عصبی آماریامکان ایجاد شبکه هایی با ساختار ترکیبی وجود دارد. به عنوان مثال، در یک شبکه اصلاح شده بر اساس تابع پایه شعاعی، اولین لایه نورون ها را می توان توسط الگوریتم کوهوننآه، و دومی - لایه غیر خطی - روش لونبرگ-مارکوارد.
تست شبکه عصبی:
- پس از آموزش شبکه، باید کیفیت کار آن را بررسی کنید و ویژگی های آن را تعیین کنید. برای این منظور در بسته شبکه های عصبی آماریمجموعه ای از آمار و ابزارهای گرافیکی روی صفحه وجود دارد.
- در صورتی که چندین مدل (شبکه و مجموعه) مشخص شده باشد، (در صورت امکان) شبکه عصبی آماری s نتایج مقایسه ای را نشان می دهد (مثلاً منحنی های پاسخ چندین مدل را در یک نمودار نشان می دهد، یا پیش بینی کننده های چندین مدل را در یک جدول ارائه می دهد). این ویژگی برای مقایسه مدل های مختلف آموزش دیده بر روی یک مجموعه داده بسیار مفید است.
- تمام آمار به طور جداگانه برای مجموعه های آموزشی، اعتبار سنجی و آزمون محاسبه می شود. تمام وزن ها و پارامترهای فعال سازی به عنوان یک فایل متنی مناسب موجود است که با یک کلیک می توان آن را به جدولی از نتایج سیستم تبدیل کرد. آمار. نتایج تجربی برای مشاهدات فردی یا برای کل مجموعه داده‌ها نیز می‌تواند به صورت جدولی مشاهده شود آمارو در تجزیه و تحلیل یا نمودارهای بیشتر استفاده کنید.
- آمار خلاصه زیر به طور خودکار محاسبه می شود: ریشه میانگین مربعات خطای شبکه، به اصطلاح ماتریس اختلاف (ماتریس سردرگمی)برای مسائل طبقه بندی (که در آن همه موارد طبقه بندی صحیح و نادرست خلاصه می شود) و نسبت رگرسیون توضیح داده شده برای مشکلات رگرسیون. شبکه کوهوننپنجره دارد نقشه توپولوژیکی، که در آن می توانید به صورت بصری فعال شدن عناصر شبکه را مشاهده کنید و همچنین برچسب مشاهدات و گره ها را در فرآیند تجزیه و تحلیل داده ها تغییر دهید. همچنین یک پنجره Win Frequency وجود دارد که به شما امکان می دهد فوراً خوشه ها را در یک نقشه توپولوژیکی بومی سازی کنید. آنالیز خوشه ایمی توان با استفاده از ترکیبی از یک شبکه معماری استاندارد با یک نمودار خوشه ای سیستم خاص انجام داد شبکه های عصبی آماری. برای مثال، می‌توانید شبکه‌ای را برای تجزیه و تحلیل مؤلفه‌های اصلی آموزش دهید و داده‌ها را همانطور که روی دو مؤلفه اول پیش‌بینی می‌شود، ترسیم کنید.
ویرایش، اصلاح و اتصال سریال شبکه های عصبی
در سیستم شبکه های عصبی آماریابزارهای هوشمندی وجود دارند که به شما امکان می دهند قطعات شبکه های موجود را جدا کرده و چندین شبکه را به یکدیگر متصل کنید. بنابراین، می‌توانید نورون‌های جداگانه را حذف یا اضافه کنید، یک لایه کامل را از شبکه حذف کنید، و شبکه‌هایی که از نظر تعداد ورودی/خروجی‌ها یکسان هستند، می‌توانند به صورت متوالی به یکدیگر متصل شوند. با تشکر از این ویژگی ها، بسته شبکه های عصبی آماریبه شما امکان می دهد از ابزارهایی مانند کاهش ابعاد (در حین پیش پردازش) با استفاده از شبکه های انجمنی و ماتریس ضرر (برای تصمیم گیری با کمترین تلفات) استفاده کنید. ماتریس تلفات به طور خودکار هنگام کار با شبکه های عصبی احتمالی استفاده می شود.راه حل های آماده (برنامه های سفارشی با استفاده از شبکه های عصبی STATISTICA):
- رابط سیستم ساده و راحت شبکه های عصبی آماریبه شما اجازه می دهد تا به سرعت برنامه های شبکه عصبی را برای حل مشکلات خود ایجاد کنید.
- ممکن است شرایطی وجود داشته باشد که لازم باشد این راه حل ها را در یک سیستم موجود ادغام کنیم، به عنوان مثال، آنها را به بخشی از یک محیط محاسباتی گسترده تر تبدیل کنیم (اینها ممکن است رویه هایی باشند که به طور جداگانه توسعه یافته و در سیستم محاسباتی شرکتی ساخته شده باشند).
- شبکه‌های عصبی آموزش‌دیده را می‌توان به چند روش برای مجموعه داده‌های جدید (برای پیش‌بینی) اعمال کرد: می‌توانید شبکه آموزش‌دیده یا مجموعه شبکه‌ها را ذخیره کنید (به عنوان مثال، برای محاسبه میانگین پیش‌بینی بر اساس چندین معماری) و سپس آن را روی یک مجموعه داده جدید اعمال کنید. برای پیش بینی، طبقه بندی پیش بینی شده یا پیش بینی)؛ می توانید از یک تولید کننده کد برای تولید خودکار کد برنامه در یک زبان استفاده کنید C (C++، C#)یا ویژوال بیسیکو بیشتر از آن برای پیش بینی داده های جدید در هر محیط نرم افزاری استفاده کنید ویژوال بیسیک یا C++ (C#)، یعنی یک شبکه عصبی کاملاً آموزش دیده را در برنامه خود پیاده کنید. در نتیجه، تمام عملکرد سیستم آمار، شامل شبکه های عصبی آماریمی تواند به عنوان استفاده شود اشیاء COM (مدل شیء جزء)در برنامه های کاربردی دیگر (به عنوان مثال، جاوا، MS Excelو غیره.). به عنوان مثال، می توانید تجزیه و تحلیل های خودکار ایجاد شده در را پیاده سازی کنید شبکه های عصبی آماریبه جداول MS Excel.
لیست الگوریتم های یادگیری:
- پس تکثیر;
- لونبرگ-مارکوارد;
- گرادیان مزدوج؛
- شبه نیوتنی;
- گسترش سریع؛
- دلتا-دلتا-با-نوار;
- شبه معکوس;
- آموزش کوهونن;
- علامت گذاری کلاس های نزدیک؛
- کوانتایزر بردار آموزشی;
- نمونه برداری شعاعی (زیر)؛
- روش K-means;
- روش K-نزدیکترین همسایگان (KNN)؛
- تنظیم انحرافات همسانگرد؛
- تنظیم انحرافات آشکار؛
- شبکه عصبی احتمالی؛
- شبکه عصبی رگرسیون تعمیم یافته؛
- الگوریتم ژنتیک برای انتخاب داده های ورودی؛
- انتخاب گام به گام مستقیم یا معکوس داده های ورودی.
سیستم مورد نیاز
سیستم شبکه های عصبی آماریمی تواند حتی بر روی کامپیوترهای نسبتا ضعیف یا قدیمی کار کند. با این حال، از آنجایی که بسیاری از رویه‌های بسته از نظر محاسباتی فشرده هستند، استفاده از آن اکیداً توصیه می‌شود پردازنده پنتیومبا 32 مگابایت رم.
محدودیت اندازه شبکه:
- یک شبکه عصبی می تواند تقریباً از هر اندازه ای باشد (یعنی ابعاد آن را می توان چندین برابر بزرگتر از آنچه در واقع ضروری و معقول است در نظر گرفت). حداکثر 128 لایه بدون محدودیت در تعداد نورون ها مجاز است. در واقع، برای هر کار عملی، برنامه فقط با قابلیت های سخت افزاری کامپیوتر محدود می شود.
کتابچه راهنمای الکترونیکی:
- به عنوان بخشی از سیستم شبکه های عصبی آمارییک کتاب درسی به خوبی مصور وجود دارد که مقدمه ای کامل و واضح برای شبکه های عصبی و همچنین مثال هایی ارائه می دهد. یک سیستم کمک دقیق و حساس به زمینه از هر کادر محاوره ای در دسترس است.
مولد کد منبع:
- تولید کننده کد منبع یک محصول اضافی است که به کاربران امکان می دهد به راحتی برنامه های کاربردی خود را بر اساس سیستم ایجاد کنند شبکه های عصبی آماری. این محصول الحاقی کد سیستم منبع را برای مدل شبکه عصبی ایجاد می کند (به عنوان یک فایل در C، C++، C#)، که می تواند به صورت جداگانه کامپایل و برای توزیع رایگان در برنامه شما ادغام شود. این محصول به طور خاص برای توسعه دهندگان سیستم های سازمانی و همچنین کاربرانی که نیاز به تغییر رویه های بسیار بهینه ایجاد شده در شبکه های عصبی آماریبه برنامه های خارجی برای حل مسائل تحلیلی پیچیده.
روش های شبکه عصبی به طور فزاینده ای در زمینه های مختلف گسترده می شوند.
صنعت:
- مدیریت فرآیند (به ویژه نظارت بر فرآیندهای تولید با تنظیم مداوم پارامترهای کنترلی).
- طبقه بندی نمونه های سوخت (تقسیم بندی درجه های سوخت بر اساس تجزیه و تحلیل طیف آنها).
- تشخیص فنی (استفاده از لرزش و صدا برای شناسایی عیوب در مکانیسم در مراحل اولیه و انجام تعمیرات پیشگیرانه).
- سیستم های کنترل موتور (ارزیابی و کنترل مصرف سوخت با استفاده از داده های حسگر).
- سیستم های آشکارساز سوئیچینگ بلادرنگ در فیزیک شبکه های عصبی در برابر نویز مقاوم هستند و امکان استفاده از الگوهای قوی در داده های فیزیکی با نویز آماری زیاد را فراهم می کنند.
بازار یابی:
- پیش بینی قیمت طلا؛
- پیش بینی قیمت مواد اولیه؛
- تجارت از طریق پست مستقیم.
دارایی، مالیه، سرمایه گذاری:
- ارزیابی اعتبار (وظیفه کلاسیک این است که از روی داده های شخصی مشخص شود که آیا وام گیرنده معین قابل اعتماد است یا خیر).
- پیش بینی سری زمانی مالی
اکتشافات زمین شناسی:
- افزایش کارایی فرآیند استخراج (پررنگ کردن عوامل مهم مؤثر بر شاخص‌های کارایی معدن).
سایر صنایع:
- تشخیص نوری کاراکتر، از جمله تشخیص امضا؛
- پردازش تصویر؛
- پیش‌بینی سری‌های زمانی آشفته؛
- تشخیص پزشکی؛
- سنتز گفتار؛
- تحلیل زبانی
شباهت ها و تفاوت های بین زبان های محاسبات عصبی و آمار در تجزیه و تحلیل داده ها چیست؟ بیایید به یک مثال ساده نگاه کنیم.
بیایید فرض کنیم که داریم مشاهداتو به صورت تجربی اندازه گیری شد نجفت نقطه نشان دهنده یک رابطه عملکردی است. اگر سعی کنید بهترین خط مستقیم را از طریق این نقاط ترسیم کنید که در زبان آمار به معنای استفاده برای توصیف وابستگی ناشناخته است. مدل خطی
(جایی که نشان دهنده نویز در حین مشاهده است)، سپس راه حل مشکل مربوطه رگرسیون خطیبه یافتن مقادیر تخمینی پارامترهایی کاهش می یابد که مجموع درجه دوم را به حداقل می رساند. باقی مانده ها.
اگر پارامترها پیدا شوند، می توان مقدار را تخمین زد yبرای هر ارزشی ایکس،یعنی اجرا کردن درون یابیو برون یابیداده ها.
همین مشکل را می توان با استفاده از یک شبکه تک لایه با یک ورودی و یک تک حل کرد خطینورون خروجی وزن پیوند آو آستانه برا می توان با به حداقل رساندن همان مقدار باقیمانده (که در این حالت ریشه میانگین مربع نامیده می شود) بدست آورد. اشتباه) در حین آموزششبکه ها، برای مثال با استفاده از روش پس انتشار. ویژگی های یک شبکه عصبی تعمیمسپس برای پیش بینی مقدار خروجی از مقدار ورودی استفاده می شود.
شکل 25. رگرسیون خطی و پرسپترون تک لایه ای که آن را اجرا می کند.
هنگام مقایسه این دو رویکرد، آنچه بلافاصله چشم را جلب می کند این است که هنگام توصیف روش های آنها، آمار به فرمول هاو معادلات، و عصب رایانش به توصیف گرافیکی معماری های عصبی.
1 اگر به یاد داشته باشیم که نیمکره چپ با فرمول ها و معادلات و نیمکره راست با تصاویر گرافیکی عمل می کند، آنگاه می توانیم درک کنیم که در مقایسه با آمار، " نیمکره راسترویکرد شبکه عصبی
تفاوت مهم دیگر این است که برای روش های آماری مهم نیست که چگونه اختلاف را به حداقل می رساند - در هر صورت مدلیکسان باقی می ماند، در حالی که برای محاسبات عصبی نقش اصلی را ایفا می کند روش تدریس.به عبارت دیگر، بر خلاف رویکرد شبکه عصبی، برآورد پارامترهای مدل برای روش های آماری به روش کمینه سازی بستگی ندارد. در همان زمان، آماردانان تغییرات در نوع باقیمانده، مثلاً توسط
چگونه تغییر اساسی در مدل.
برخلاف رویکرد شبکه عصبی که در آن بیشتر زمان صرف آموزش شبکه‌ها می‌شود، در رویکرد آماری این زمان صرف تحلیل کامل مسئله می‌شود. از تخصص آماردانان برای انتخاب مدلی بر اساس تجزیه و تحلیل داده ها و اطلاعات مربوط به حوزه استفاده می کند. استفاده از شبکه های عصبی - این تقریبگرهای جهانی - معمولاً بدون استفاده از دانش پیشینی انجام می شود، اگرچه در برخی موارد بسیار مفید است. به عنوان مثال، برای مدل خطی مورد بررسی، استفاده از ریشه میانگین مربعات خطا منجر به دستیابی به تخمین بهینه از پارامترهای آن می شود که مقدار نویز دارای توزیع نرمال با واریانس یکسان برای همه جفت های آموزشی باشد. در عین حال، اگر مشخص شود که این پراکندگی ها متفاوت است، پس استفاده می شود وزن دارتوابع خطا
می تواند مقادیر پارامتر قابل توجهی بهتری را ارائه دهد.
علاوه بر ساده‌ترین مدل در نظر گرفته شده، می‌توان نمونه‌هایی از سایر مدل‌های معادل، به تعبیری، الگوهای آمار و شبکه‌های عصبی ارائه داد.
جدول 3. تکنیک های مشابه
شبکه هاپفیلد ارتباط آشکاری با خوشه بندی داده ها و تحلیل عاملی دارد.
1 تحلیل عاملیبرای مطالعه استفاده می شود سازه هایداده ها. فرض اصلی آن فرض وجود چنین علائمی است - عوامل، که نمی توان مستقیماً مشاهده کرد، اما می تواند توسط چندین ویژگی اولیه قابل مشاهده ارزیابی شود. به عنوان مثال علائمی مانند حجم تولیدو بهای تمام شده دارایی های ثابت، می تواند چنین عاملی را تعیین کند مقیاس تولید. برخلاف شبکه های عصبی که نیاز به آموزش دارند، تحلیل عاملی تنها با تعداد معینی از مشاهدات کار می کند. اگرچه اصولاً تعداد چنین مشاهداتی باید فقط یک عدد بیشتر از تعداد متغیرها باشد، توصیه می شود حداقل سه برابر تعداد مقادیر استفاده شود. این هنوز کمتر از اندازه نمونه آموزشی برای شبکه عصبی در نظر گرفته می شود. بنابراین، آماردانان به مزیت تحلیل عاملی در استفاده کمتر از داده ها و در نتیجه منجر به تولید سریعتر مدل اشاره می کنند. علاوه بر این، این بدان معنی است که پیاده سازی روش های تحلیل عاملی به ابزارهای محاسباتی کمتر قدرتمندی نیاز دارد. یکی دیگر از مزایای تحلیل عاملی این است که روش جعبه سفید است، یعنی. کاملاً باز و قابل درک - کاربر به راحتی می تواند بفهمد که چرا مدل نتیجه خاصی را ایجاد می کند. ارتباط بین تحلیل عاملی و مدل هاپفیلد را می توان با یادآوری حداقل بردارهای پایه برای مجموعه ای از مشاهدات مشاهده کرد (تصاویر حافظه - به فصل 5 مراجعه کنید). این بردارها هستند که آنالوگ عواملی هستند که اجزای مختلف بردارهای حافظه - ویژگی های اولیه را متحد می کنند.
1 رگرسیون لجستیکیک روش طبقه بندی باینری است که به طور گسترده در تصمیم گیری مالی استفاده می شود. این به شما امکان می دهد احتمال تحقق (یا عدم تحقق) یک رویداد را بسته به مقادیر برخی از متغیرهای مستقل - پیش بینی کننده ها تخمین بزنید: x 1، ...، x N. در مدل رگرسیون لجستیک، این احتمال شکل تحلیلی دارد: Pr( ایکس) =(1+exp(-z)) -1، که در آن z = a 0 + a 1 x 1 +...+ a N x N. آنالوگ شبکه عصبی آن آشکارا یک پرسپترون تک لایه با یک نورون خروجی غیرخطی است. در کاربردهای مالی، رگرسیون لجستیک به دلایل متعددی بر رگرسیون خطی چند متغیره و تحلیل تفکیک ارجح است. به ویژه، به طور خودکار تضمین می کند که احتمال به بازه تعلق دارد و محدودیت های کمتری بر توزیع مقادیر پیش بینی اعمال می کند. مورد دوم بسیار مهم است، زیرا توزیع مقادیر شاخص های مالی در قالب نسبت ها معمولاً عادی نیست و "بسیار کج" است. مزیت شبکه های عصبی این است که این وضعیت برای آنها مشکلی ایجاد نمی کند. علاوه بر این، شبکه‌های عصبی نسبت به همبستگی مقادیر پیش‌بینی‌کننده حساس نیستند، در حالی که روش‌های تخمین پارامترهای مدل رگرسیون در این مورد اغلب مقادیر نادرستی را ارائه می‌دهند.
