- •Информация как экономический ресурс, особенности ее создания и использования.
- •Информационные системы, их место и роль в коммерческой деятельности.
- •Информационные технологии, их место и роль в коммерческой деятельности.
- •Условия применения информационных технологий в коммерческой деятельности.
- •Основные направления развития информационных технологий.
- •Рынок информационных ресурсов.
- •Маркетинговая концепция применения информационных технологий в коммерческой деятельности.
- •Коммерческая информация: необходимая, запрошенная и полученная.
- •Системы коммерческой информации и их автоматизация.
- •Формальные и неформальные системы коммерческой информации.
- •Ассортиментные системы коммерческой информации.
- •Технологические системы коммерческой информации.
- •Организационные системы коммерческой информации.
- •Ресурсные системы коммерческой информации.
- •Ресурсно-товарные системы коммерческой информации.
- •Требования соответствия информационных технологий видам коммерческой деятельности.
- •Требования безопасности и выживания для информационных технологий в коммерческой деятельности.
- •Требования своевременности создания, внедрения и обновления информационных технологий в коммерческой деятельности.
- •Модульность и интеграция информационных технологий в коммерческой деятельности.
- •Чувствительность и адаптивность информационных технологий в коммерческой деятельности.
- •Политика и организация информационного обеспечения коммерческой деятельности, принципы информационных технологий: централизация и децентрализация.
- •Политика и организация информационного обеспечения коммерческой деятельности, принципы информационных технологий: унификация и диверсификация.
- •Политика и организация информационного обеспечения коммерческой деятельности, принципы информационных технологий: стабилизация и развитие.
- •Политика и организация информационного обеспечения коммерческой деятельности, принципы информационных технологий: простота и сложность.
- •Политика и организация информационного обеспечения коммерческой деятельности, принципы информационных технологий: обогащение и обеднение.
- •Планирование информационного обеспечения коммерческой деятельности: автоматизированные рабочие места на основе структуры системы коммерческой информации.
- •Системы коммерческой информации и их автоматизация.
- •Разработка структур систем коммерческой информации производителя товаров, на основе технологических приемов декомпозиции и агрегирования.
- •Разработка структур систем коммерческой информации продавцов товаров, на основе технологических приемов обучения.
- •Разработка структур систем коммерческой информации продавцов товаров, на основе технологических приемов позиционирования.
- •Позиционирование элементов систем коммерческой информации на примере искусственных нейронных сетей.
- •Обучение систем коммерческой информации на примере искусственных нейронных сетей.
- •Применение принципа неопределенных двойственных оценок для взаимосвязи структур систем коммерческой информации производителя и продавца товара.
- •Прогнозирование коммерческой деятельности: оценка фазы развития систем коммерческой информации через коэффициенты адаптивности и чувствительности.
- •Прогнозирование развития систем коммерческой информации на основе анализа чувствительности.
- •Особенности распределенной обработки и электронный обмен данными в сетях коммерческой информации с учетом приемов позиционирования.
- •Структурирование сетей и потоков коммерческой информации на основе приемов позиционирования и обучения.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области банковской деятельности.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области страхования.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области образования.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области промышленной продукции.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области сельскохозяйственной продукции.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области туризма.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области бытовых услуг.
- •Особенности разработки систем поддержки принятия решений, и экспертных систем в области биржевой деятельности.
- •Влияние способа организации маркетинга на разработку систем поддержки принятия решений и экспертных систем.
- •Позиционирование и обучение при структурировании сетей маркетинговой информации.
- •Оценка эффективности систем коммерческой информации.
- •Влияние автоматизации систем коммерческой информации на эффективность коммерческой деятельности.
- •Применение информационного подхода для разработки систем поддержки принятия решений в коммерческой деятельности.
Позиционирование элементов систем коммерческой информации на примере искусственных нейронных сетей.
Под позиционированием товара на рынке понимаются действия по обеспечению конкурентоспособного положения на рынке и разработка соответствующего комплекса маркетинга. В основе позиционирования лежит матрица АНСОФФА. В данном случае необходимо распределить (квотировать, разработать «матрицу АНСОФФА») товары на сегментах рынка таким образом, чтобы обеспечить наибольшую рентабельность работы фирмы (т.е. чтобы распределение товаров соответствовало интересам покупателя).
- задается выручка предложения фирмы Вс и емкость целевого рынки, равного выручке В в условиях совершенной конкуренции;
- необходимо распределить оценки предложения фирмы U1, U2, Up как можно ближе к заданным оценкам рыночного спроса, U *2 и U *p. Для этого необходимо поставить и решить задачу оптимизации, т.е. долю рынка Вс распределить между сегментами рынка [Вс1] и [Вc2] наиболее равномерно по отношению к емкости сегментов существующего рынка [В*с1] и [В*с2] таким образом, чтобы обеспечить наибольшую рентабельность фирмы с учетом маркетинга.
Теория нейронных сетей возникла из исследований в области искусственного интеллекта, а именно из попыток воспроизвести способность нервных биологических систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Искусственные нейронные сети составлены из множества простых элементов, действующих параллельно. Как и в природе, функция нейронных сетей в значительной степени определяется связями между элементами. Нейронная сеть состоит из входов, слоев нейронов, связей между входами и нейронами, выходами и целями.
Сигналы, проходящие по связям нейронной сети от входов до выходов, через нейроны формируются для каждого нейрона как сумма произведений значений выходов из элементов входов для первого слоя и выходов из нейронов для других слоев на веса с учетом сдвигов.
Проходя через нейрон, сигнал может преобразовываться или активироваться. Например, единичная, ступенчатая функция активации с жесткими ограничениями (hardlim), линейная функция активации (purelin), логистическая функция активации (logsig) или гиперболического тангенса (tansing) и др.
В настоящей работе применяются только линейные функции активации, у которых сигнал на выходе из нейрона равен его значению на входе в нейрон.
Обучение систем коммерческой информации на примере искусственных нейронных сетей.
Нейронную сеть можно обучать для выполнения конкретной функции, регулируя значения коэффициентов (весов) связи. Обычные искусственные нейронные сети настраиваются или обучаются так, чтобы конкретные входы преобразовывались в заданный целевой выход. Сеть настраивается (обучается), основываясь на сравнении сигналов выхода и цели до тех пор, пока выход сети не будет соответствовать цели. Чтобы обучить сеть, как правило, используется пара значений сигналов вход/цель.
Рассмотрим простейшую нейронную сеть рис. 2.2. Цель или истинный выход должен быть равен t, а выходной элемент имеет активность (т.е. вывод) у. Отклонение (ошибка) значения сигнала на выходе из последующего нейрона от цели δ задается следующей формулой:
Сигнал, приходящий к выходному элементу, обозначен через X. Для линейной сети сигнал, подходящий к входу «1», совпадает с сигналом, приходящему к выходному элементу «2>>. Коррекции весов и сдвигов, осуществляемой при помощи дельта - правила:
η- норма обучения.
Новый весовой коэффициент связи между последующим и предыдущим нейроном устанавливается равным сумме значений старого веса и коррекции:
w=w + ∆w
Для линейной нейронной сети:
y = x-w12
Для обучения вводится понятие функционал ошибки J. Для линейной модели функционал ошибки равен
Обучение состоит в том, чтобы найти минимум функционала ошибки при изменении веса w.
Понятие «обучение», применяемое для оценки поведения нейронных сетей, соответствует понятиям «самообучение» («самонастройка», «позиционирование») теории интеллектуальных систем.
При самонастройке обеспечивается подбор весов и сдвигов, при которых обеспечивается минимальное отклонение выбранных параметров системы от заданных величин. При этом структура системы остается неизменной. Обучение в широком смысле подразумевает изменение структуры системы для обеспечения более точной самонастройки. Для нейронных сетей это означает изменение количества слоев нейронов, количество нейронов в слоях, способов распространения сигнала и т.д.
Традиционно нейронная сеть применяется для моделирования тех или иных процессов, основываясь на принципе «черного ящика». Это означает, что главная задача состоит в том, чтобы добиться сближения сигналов на выходе с целевыми значениями. При этом веса и сдвиги могут принимать любые значения, лишь бы обеспечить конечную цель.
Т.е. смысл обучения состоит и настройке весов и сдвигов на «умение» выполнять определенные функции.
Для детерминированного обучения веса при постоянном значении нормы обучения отличаются от таковых при переменных значениях, и необходимо придать этому определенный смысл. В то же время для многосвязной сети сохраняются особенности дельта-правила односвязной сети в следующем виде:
- подбирая скорость обучения, можно добиться достижения цели;
- искусственный интеллект действует полезно, благодаря постоянному значению нормы обучения η