Отчет_Лаба3_ИИ_и_МО_Алексеева
.docУфимский государственный авиационный технический университет
ОТЧЕТ по лабораторной работе №3
по дисциплине:
«Искусственный интеллект и машинное обучение»
на тему:
«Применение нейросети для задачи
прогнозирования в пп deductor.»
Выполнили: бакалавры гр. ПРО-223
Алексеева А. В.
Исламгареев И. Д
Проверил: Юдинцев Богдан Сергеевич
1 Цель работы
Получить практические навыки по построению нейросети для задачи прогнозирования в ПП Deductor.
2 Задание
Построить нейросеть для прогнозирования других данных.
Исходные данные должны иметь не менее 300 наблюдений. Эндогенная
(зависимая) переменная предположительно должна зависеть от нескольких
экзогенных переменных.
3 Теоретические основы
Нейросети наиболее приспособлены к решению широкого круга задач, так или
иначе связанных с обработкой образов. Вот список типичных математических постановок задач для нейросетей:
• Аппроксимация функций по набору точек (регрессия).
• Узнавание, классификация данных по заданному набору классов.
• Кластеризация данных с выявлением заранее неизвестных классов-прототипов.
• Сжатие информации.
• Восстановление утраченных данных.
• Ассоциативное преобразование информации.
Этот список можно было бы продолжить и дальше. За этими задачами просматривается некий единый прототип, позволяющий при известной доле воображения сводить их друг к другу. Чаще всего - это типичные примеры некорректных задач, т.е. задач не имеющих единственного решения, алгоритмы которых неизвестны или не имеют строгого обоснования.
Нейрокомпьютинг предоставляет единую методологию решения очень широкого круга практически интересных задач. Это, как правило, ускоряет и удешевляет разработку приложений.
В число таких задач входят прогнозирование цен, оценка кредитоспособности,
оптическое распознавание (например, подписи), обработка изображений, диагностика, лингвистический анализ, и др.
Результат выполнения работы
Deductor
Рисунок 1 – Фрагмент импортированных данных
Рисунок 2 – Предварительный аудит
Рисунок 3 – Редактирование выбросов и экстремальных значений
Рисунок 4 Квантование
Рисунок 5 – Фильтрация
Рисунок 6 – Граф нейросети
Рисунок 7 Диаграмма рассеяния
Рисунок 8 Калькулятор: Ошибка аппроксимации
Рисунок 9 Калькулятор «Кол-во записей»
Рисунок 10 Калькулятор: средняя ошибка аппроксимации
Python
Рисунок 11 результат работы программы:
всего параметров 86
натренированных параметров 86
ошибка аппроксимации 9.18758090894512
Вывод
Получили практические навыки по построению нейросети для задачи прогнозирования в ПП Deductor.
Уфа – 2020