4.4. Машинное обучение на примерах. Нейронные сети. ч.3

В [12] приводится такая рекомендация об объеме обучающей выборки: при допустимости 10% ошибок число учебных образцов должно быть в 10 раз больше числа имеющихся в сети весовых коэффициентов. Если на рисунке 4.4. посчитать число синаптических входов нейронов скрытого и выходного слоя – 21 , то можно предположить что объем обучающей выборке согласно этой рекомендации должен содержать не менее 210 образцов.

В заключение отметим, что рассмотренный тип НС является не единственным, применяемым сегодня, для примера назовем такие типы нейронных сетей, как самоорганизующиеся карты признаков (карты Кохонена) для задач кластеризации; сети Хопфилда и их модификации – сети ассоциативной памяти, запоминающие объекты и «вспоминающие» образец даже по подсказке. Более подробно об этих и иных типах нейросетей можно прочитать в литературе (см. например [12, 14]).

Назовем также некоторые программные пакеты для моделирования нейросетей на персональных компьютерах [14, 29], которые относятся к классу доступных:

Brain Maker фирмы California Scientific Software. Первоначально разработанный фирмой Loral Space Systems по заказу NASA и Johnson Space Center, пакет BrainMaker был вскоре адаптирован для коммерческих приложений и сегодня используется несколькими тысячами финансовых и промышленных компаний, а также оборонными ведомствами США для задач прогнозирования, оптимизации и моделирования ситуаций. В 1990 году пакет получил приз журнала PC Magazine "Лучший программный продукт года".

Назначение пакета BrainMaker - решение задач, для которых пока не найдены формальные методы и алгоритмы, а входные данные неполны, зашумлены и противоречивы. К таким задачам относятся биржевые и финансовые предсказания, моделирование кризисных ситуаций, распознавание образов и многие другие.

BrainMaker решает поставленную задачу, используя математический аппарат теории нейронных сетей (более конкретно - сеть Хопфилда с алгоритмом обучания back propagation). В оперативной памяти строится модель многослойной нейронной сети, которая обладает свойством обучаться на множестве примеров, оптимизируя свою внутреннюю структуру. При правильном выборе структуры сети и обучении на достаточно большом количестве примеров можно добиться достоверности результатов в 97% и даже выше.

NeuroShell 2 (Ward Systems Group) - универсальный пакет, предназначенный для нейросетевого анализа данных. С его помощью можно решать широкий спектр задач, начиная с широко распространенных задач, таких как прогнозирование курсов акций (облигаций, фьючерсов, валют , цен на нефть и т.д. ), и заканчивая менее распространенными задачами, такими как, например, обратные задачи в геофизике и другие сложные задачи;

NeuroShell Predictor и NeuroShell Classifier – классфикатор. Пакеты разработаны для тех, кто не имел предварительного опыта работы с нейронными сетями. В отличие от программы NeuroShell Predictor, которая на выходе нейронной сети дает непрерывное значение предсказываемой величины, нейронная сеть NeuroShell Classifier имеет несколько выходов, которые определяют вероятность принадлежности предъявленного образа к каждой из нескольких категорий. В качестве примеров категорий можно привести такие, как  {кислый, нейтральный, щелочной} или {купить, продать, воздержаться от сделок}.

NeuroShell Classifier легко использовать совместно с другими программами, поскольку он работает со стандартными текстовыми файлами. Эти файлы легко импортировать/экспортировать из программ электронных таблиц, таких, например,  как Excel или Lotus.

Пакет Excel Neural Package (компания «НейроОК») – это расширение, которое делает более функциональным, такое широко известное приложение для работы с данными, как Microsoft Excel 97. Дает возможность пользователю применять самые новые алгоритмы обработки цифровых данных, применяющие последние достижения в области нейронных сетей.

Практически этот пакет представляет из себя набор надстроек (add-ins) к Microsoft Excel.

Расширение Excel Neural Package содержит в себе два независимых компонента.

Winnet 3.0 - программно реализует популярную архитектуру нейронной сети - многослойный персептрон. Применяется для поиска и моделирования «невидимых» зависимостей в огромных массивах числовой информации, для которых не возможно невооруженным глазом разглядеть аналитические зависимости. Отличием от подобных систем является возможность построения нейросети с применением нелинейных нейронов.

Kohonen Map 1.0 - программный инструмент, предназначенный для построения и последующего анализа самоорганизующихся карт Кохонена. В основном данный инструмент применяют для визуализации многомерной информации. Человек может вывести любой массив данных в виде двухмерной цветной карты и визуализировать на этой карте различные интересующие его характеристики.

 

Читать резюме

Заключение



Похожие статьи:

Резюме к 4 главе
25 июня 2012,
1. В ИИС можно выделить три стратегии получения знаний, т.е. «обучения» системы: - приобретение знаний в СОЗ из источников; - формирование знаний в системах интеллектуального ана ... Читать полностью

4.4. Машинное обучение на примерах. Нейронные сети. ч.1
25 июня 2012,
Обучение на примерах предполагает предъявление системе некоторых примеров – объектов с известными характеристиками. Например, предъявление объектов, принадлежащих нескольким классам, позво ... Читать полностью

4.4. Машинное обучение на примерах. Нейронные сети. ч.2
25 июня 2012,
Нейрон получает на входе сигналы x1, x2, x3,…, xN. И суммирует их с весовыми коэффициентами w: s = ∑wixi Однако на выходе нейрона присутствует сигнал только тогда, когда s больше ... Читать полностью

4.3 Системы интеллектуального анализа данных. Извлечение знаний из данных. ч.2
25 июня 2012,
Сравните с точки зрения наглядности и объяснимости два способа представления знаний, которые выявил компьютер на основе анализа результатов деятельности интернет-магазина (это еще одно пояснение те ... Читать полностью

Глава 4. ПРИОБРЕТЕНИЕ ЗНАНИЙ В ИИС. ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ. 4.1 Стратегии получения знаний в ИИС
25 июня 2012,
До сих пор мы говорили о представлении знаний с помощью специальных моделей, позволяющих так организовать знания в базе знаний ИИС, что они выступают в качестве инструмента вывода искомого решения. ... Читать полностью