- •Связь с физиологией
- •[]Понятие «обучения без учителя» в теории распознавания образов
- •[]Типы входных данных
- •[]Решаемые задачи
- •[]Задачи кластеризации
- •[]Задачи обобщения
- •[]Задачи поиска правил ассоциации
- •[]Задачи сокращения размерности
- •[]Задачи визуализации данных
- •[]Некоторые приложения
- •1. Нейроподобный элемент (нейрон).
- •2. Нейроподобная сеть.
- •2.1. Модели нейронных сетей.
- •2.2. Обучение нейронной сети.
- •3. Нейрокомпьютеры.
- •Навчання нейронних мереж
- •Алгоритм функціонування мережі Кохонена:
- •Особенности
- •Преимущества
- •Применение
- •Приближенные вычисления
- •Погрешности
- •Значащие цифры
- •Округление
- •Класифікація ес Класифікація ес за завданням, що вирішується
- •Класифікація ес за зв'язком з реальним часом
- •. Схема процесса принятия решений
- •3. Классификация задач принятия решений
- •4. Классификация методов принятия решений
- •Краткое описание er–метода проектирования реляционных баз данных (метод, использующий схему «сущность-связь» -«Entity-Relationships»)
- •Название
- •Правила генерации таблиц по er-диаграмме при связи один-к-одному
- •План издательства
- •План издательства
- •Правила генерации таблиц по er-диаграмме при связи один-ко-многим
- •План издательства
- •Правила генерации таблиц по er-диаграмме при связи многие-ко-многим
- •План издательства
Применение
Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях, таких как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.
Стоит отметить, что поскольку, экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.
В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.
Ниже перечислены области, в которых эффективность применение нейронных сетей доказана на практике:
Для финансовых операций:
-
Прогнозирование поведения клиента
-
Прогнозирование и оценка риска предстоящей сделки
-
Прогнозирование возможных мошеннических действий
-
Прогнозирование остатков средств на корреспондентских счетах банка
-
Прогнозирование движения наличности, объемов оборотных средств
-
Прогнозирование экономических параметров и фондовых индексов
Для планирования работы предприятия:
-
Прогнозирование объемов продаж
-
Прогнозирование загрузки производственных мощностей
-
Прогнозирование спроса на новую продукцию
Для бизнес-аналитики и поддержки принятия решений:
-
Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных
-
Анализ работы филиалов компании
-
Сравнительный анализ конкурирующих фирм
Другие приложения:
-
Оценка стоимости недвижимости
-
Контроль качества выпускаемой продукции
-
Системы слежения за состоянием оборудования
-
Проектирование и оптимизация сетей связи, сетей электроснабжения
-
Прогнозирование потребления энергии
-
Распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи
-
Распознавание и обработка видео и аудио сигналов
Нейронные сети могут быть использованы и в других задачах. Основными предопределяющими условиями их использования являются наличие «исторических данных», используя которые нейронная сеть сможет обучиться, а также невозможность или неэффективность использования других, более формальных, методов.
Мережі Петрі. (19)
Мережа Петрі — математична абстракція для представлення дискретних розподілених систем. Графічно представляється у вигляді дводольного орієнтованого мультиграфу з маркерами («фішками») (маркований орієнтований граф), який має дві групи вершин: позиції та переходи. Позиції можуть бути пустими або маркованими та визначають <стан> мережі. Переходи визначають дії. Орієнтовані ребра графу задають зв'язки між позиціями та переходами. Процес функціонування мережі Петрі полягає в послідовному «виконанні» переходів, та відповідному перерахункові кількості «фішок» у позиціях. Дуги можуть бути кратними, коли два вузли з'єднані більше ніж однією дугою однакового напрямку. Альтернативно, для відображення кратності дуг може використовуватися функція «ваги» дуг.
Мережа Петрі задається у вигляді маркованого дводольного орієнтованого графу. Розрізняють два види вершин:
-
Позиції. P — множина позицій,
-
Переходи. T — множина переходів.
Ребра називають дугами. Петлі в графі мереж Петрі неможливі, оскільки дуги можуть з'єднувати лише вершини різних типів (позиції та переходи). Позиції що з'єднані дугами з переходом називають вхідними та вихідними для цього переходу, відповідно до напрямку цих дуг.
Кожна мережа Петрі є графом, який має у своєму розпорядженні дві різні групи вершин: вузли та переходи. Між вузлами та переходами можуть міститися орієнтовані ребра (дуги), але два вузли або два переходи не можуть з’єднуватися ребрами. Між кожною парою вузол/перехід може існувати максимально одне ребро від вузла до переходу (ребро входу) і максимально одне ребро від переходу до вузла (ребро виходу). Вузли можуть бути вільними або зайнятими міткою (маркованими); переходи не можуть бути маркованими. Вузли, що є стартовими пунктами одного ребра до одного переходу t , називаються далі вхідними вузлами переходу t. Вузли, що є кінцевими пунктами ребра від переходу t, називаються відповідно вихідними вузлами переходу t.
Основні принципи нечіткої логіки.(20)
Во всех предметных областях, где ИИС будут эффективным
средством построения информационных систем нового поколе-
ния, существуют плохо (некорректно) поставленные задачи. К
ним относятся проблемы, строгое описание которых либо невоз-
можно, либо чересчур сложно. Точные знания об этих проблемах
или вообще нельзя получить, или нельзя получить сразу, и при-
ходится последовательно приближаться к более или менее пол-
ному набору знаний. Т.е. знания чаще всего нечетки.
Практически во всех системах искусственного интеллекта знания накапливаются фрагментарно, и нельзя априори определить цепочку логических вы-
водов, в которых они будут использоваться. Последовательность
действий при поиске решения заранее не может быть определена,
и необходимо методом проб и ошибок выбрать некую цепочку
выводов, а в случае неуспеха организовать перебор с возвратами
для поиска другой цепочки и т.д.
Многозначность. О многозначности знаний говорят тогда,
когда один и тот же элемент знаний (понятие, символ, звук, изо-
бражение и т.п.) может быть интерпретирован по-разному.
Ненадежными являются те знания, представить которые
двумя значениями - истина или ложь - невозможно или трудно.
Неполнота знаний. Полностью описать окружающий мир
чрезвычайно сложно. Содержимое базы знаний по любой пред-
метной области является неполным, поскольку можно (хотя и
трудно) перечислить все верные знания в данной области, но не-
возможно перечислить и разумно определить неверные знания.
Поэтому целесообразно в БЗ определять только заведомо верные
знания, а любые утверждения, которые не определены относить к
ложным. Это называется гипотезой закрытого мира.
Теорія наближеного обчислення. (21)