ما الفرق بين الشبكات العصبية والإحصائيات؟ الشبكات العصبية Statistica الشبكات العصبية: المنهجية والتكنولوجيا تحليل بيانات Statistica الحديثة طاولة بنيت للشبكات العصبية

ما قبل وبعد المعالجة، بما في ذلك اختيار البيانات، ترميز القيم الاسمية، التحجيم، التطبيع، حذف البيانات المفقودة مع وجود حساب على التصنيف والانحدار ومهام السلسلة المؤقتة؛
سهولة الاستخدامات الاستثنائية بالإضافة إلى قوة تحليلية غير مسبوقة؛ على سبيل المثال، عدم وجود التناظرية قرارات المعالج سيعقد مستخدم من خلال جميع مراحل مسح الشبكات العصبية المختلفة وسيختار الأفضل (هذه المهمة، وإلا يتم حلها بطريقة طويلة "العينات والأخطاء" ويتطلب معرفة شاملة بالنظرية)؛
تقنيات استكشاف وتحليلية قوية، بما فيها تحليل المكون الرئيسي و البعد السفليلتحديد متغيرات الإدخال المرغوبة في تحليل بيانات الاستكشاف (الشبكة العصبية) (اختيار متغيرات الإدخال المطلوبة للشبكات العصبية غالبا ما يستغرق وقتا طويلا؛ النظام الشبكات العصبية statistica. يمكن القيام بهذا العمل للمستخدم)؛
خوارزميات تدريب الشبكة الأكثر حداثة ومحسنة وقوية (بما في ذلك أساليب التدرجات الصارمة و ليفيربرغ ماركارا)؛ التحكم الكامل في جميع المعلمات التي تؤثر على جودة الشبكة، مثل التنشيط ووظائف الأخطاء، تعقيد الشبكة؛
دعم مجموعات الشبكة العصبية والبنية الشبكية العصبية لحجم غير محدود تقريبا تم إنشاؤها في مجموعات الشبكة - مجموعات الشبكة.؛ تعلم انتقائي لقطاعات الشبكة العصبية؛ الجمع، وحفظ مجموعات الشبكة في ملفات منفصلة؛
التكامل الكامل مع النظام statistica.؛ جميع النتائج والرسوم البيانية والتقارير، إلخ. قد يتم تعديلها في المستقبل باستخدام أدوات جرافيك وتحليلية قوية statistica. (على سبيل المثال، لتحليل المخلفات المتوقعة، خلق تقرير مفصل، إلخ)؛
تكامل كامل مع أدوات أوتوماتيكية قوية statistica.؛ تسجيل وحدات ماكرو كاملة عن أي اختبارات؛ إنشاء تحليلات وتطبيقات الشبكة العصبية الخاصة بك مع Statistica Visual Basic.يتصل الشبكات العصبية statistica. من أي تطبيق دعم سوم. (على سبيل المثال، تحليل الشبكة العصبية التلقائية في الجدول MS Excel. أو الجمع بين تطبيقات مستخدم متعددة مكتوبة على C ++، C #، جافا إلخ.).

الشبكات العصبية Statistica في الحوسبة الشبكية العصبية:

يعني استخدام الشبكات العصبية أكثر من مجرد معالجة البيانات عن طريق طرق الشبكة العصبية.
الشبكات العصبية statistica. يوفر مجموعة متنوعة من وظائف، للعمل مع مهام معقدة للغاية، بما في ذلك ليس فقط الأحدث عمارة الشبكة العصبية و خوارزميات التدريب، ولكن أيضا مناهج جديدة في اختيار بيانات الإدخال و بناء شبكةوبعد بالإضافة إلى ذلك، المطورين البرمجيات وتجربة المستخدمين مع إعدادات التطبيقات ستقدر حقيقة أنه بعد التجارب المحددة في واجهة بسيطة وبديهية الشبكات العصبية statistica.يمكن دمج الاختبارات العصبية في حكاية المستخدم. يتم تحقيق ذلك إما باستخدام المكتبة. com-function statisticaالتي تعكس تماما جميع وظائف البرنامج أو استخدام التعليمات البرمجية باللغة ج (C ++، C #) أو البصرية الأساسية.الذي يتم إنشاؤه بواسطة البرنامج ويساعد في تشغيل شبكة عصبية مدربة بالكامل أو فرقة شبكة.

بيانات أولية

وحدة الشبكات العصبية statistica. متكاملة بالكامل مع النظام statistica.وبالتالي، يمكن الوصول إلى ذلك إلى مجموعة كبيرة من بيانات تحرير البيانات (التحضير) للتحليل (التحول، والشروط لتحديد الملاحظات، وأدوات التحقق من البيانات، وما إلى ذلك). مثل جميع الاختبارات statistica.قد يكون البرنامج "مرفقا" إلى قاعدة بيانات عن بعد باستخدام أدوات المعالجة "في الموقع" أو المتعلقة بالبيانات النشطة بحيث يتم تدريب الطرز أو بدأت (على سبيل المثال. لحساب القيم أو التصنيفات المتوقعة)، في كل مرة تتغير فيها البيانات.

اختيار بيانات الإدخال وخفض البعد

بعد إعداد البيانات، عليك أن تقرر أنه يجب استخدام المتغيرات عند العمل مع الشبكة العصبية. كلما زاد عدد المتغيرات، كلما أصبحت الشبكة العصبية الأكثر صعوبة، وبالتالي، ستستغرق المزيد من الذاكرة والوقت للتدريب، بالإضافة إلى عدد أكبر من أمثلة التدريب (الملاحظات). مع عدم كفاية كمية البيانات و / أو الارتباط بين المتغيرات، تكتسب أهمية استثنائية في العديد من طلبات الشبكة العصبية اختيار متغيرات الإدخال الهامة وضغط المعلومات لعدد أصغر من المتغيرات.

خوارزميات الحد من الحجم:

في الشبكات العصبية statistica.أدركت الظهر والخوارزميات المباشرة الاختيار خطوة بخطوةوبعد بالإضافة إلى ذلك، يجمع Agoritm الوراثي العصبي للاختيار بيانات الإدخال بين قدرات الخوارزميات الوراثية و PNN / GRNN (PNN - الشبكات العصبية الاحتمالية، GRNN - الانحدار المعمم الشبكات العصبية) لإيجاد المجموعات المثلى تلقائيا من متغيرات المدخلات، بما في ذلك في الحالات التي توجد فيها ارتباطات وتبعية غير الخطية بينهما. تقريبا سرعة التعلم الفورية PNN / GRNN خوارزمية ليس فقط يجعل من الممكن التقدم خوارزمية اختيار المدخلات الوراثية العصبيةولكن أيضا يسمح لك (باستخدام الموجودة في محرربيانات النظام الشبكات العصبية statistica.بوسيلة مريحة لقمع المتغيرات الضئيلة) في الوقت الفعلي لتنفيذ تجاربها الخاصة بحساسية البيانات. الشبكات العصبية statistica. يحتوي أيضا على نظام مدمج تحليل المكون الرئيسي (AGK، والشبكات الإرشادية ل "agk غير الخطية")السماح بتقليل حجم البيانات المصدر. لاحظ أن مجموعة متنوعة ضخمة من الأساليب الإحصائية لتقليل بعد البيانات المتوفرة في النظام الأساسي statistica..

تحجيم البيانات وتحويل القيم الاسمية:

قبل إدخال البيانات في الشبكة، يجب إعدادها خصيصا. من المهم أن يتم تفسير الإخراج بشكل صحيح. في الشبكات العصبية statistica. من الممكن تخصيص بيانات الإدخال والإخراج تلقائيا (بما في ذلك التحجيم في الحد الأدنى / القيم القصوى وعلى متوسط \u200b\u200b/ انحراف معياري)؛ بدلا من ذلك، يمكن أيضا إعادة ترميز المتغيرات ذات القيم الاسمية (على سبيل المثال، النوع الاجتماعي \u003d (الزوج أو الزوجات))، بما في ذلك طريقة الترميز 1 خارج N. الشبكات العصبية statistica. يحتوي أيضا على أدوات للعمل مع البيانات المفقودة. يتم تنفيذ وظائف المعييد "كمية واحدة", "الفائز يحصل على كل شيء" و "طول عزل ناقلات"وبعد هناك وسيلة لإعداد وتفسير البيانات المصممة خصيصا لتحليل السلسلة المؤقتة. كما يتم تنفيذ مجموعة واسعة من الوسائل المماثلة أيضا في النظام الأساسي statistica..
في مهام التصنيف، من الممكن إقامة فترات ثقة الشبكات العصبية statistica. يستخدم بعد ذلك لتعيين الملاحظات إلى فئة واحدة أو أخرى. جنبا إلى جنب مع تطبيق خاص في الشبكات العصبية statistica.وظيفة التنشيط softmax. ووظائف الخطأ عبر الانتروبيا وظائف هذا يعطي نهجا نظريين ومحتملا أساسيا لتصنيف المهام.

اختيار نموذج الشبكة العصبية، وفرق الشبكة

مجموعة متنوعة من النماذج من الشبكات العصبية والعديد من المعلمات التي يجب تثبيتها (أبعاد الشبكة، معلمات خوارزمية التعلم، وما إلى ذلك)، يمكن أن تضع مستخدم مختلف في نهاية مسدود (لهذا وجد قرارات المعالجوالتي يمكن أن تبحث تلقائيا عن بنية شبكة مناسبة لأي تعقيد).

نفذ نظام الشبكات العصبية الإحصائية جميع الأنواع الرئيسية من الشبكات العصبية المستخدمة في حل المهام العملية، بما في ذلك:

perceptrons متعددة الطبقات (الشبكات ذات انتقال الإشارة المباشر)؛
الشبكات على الوظائف الأساسية شعاعي؛
بطاقات كوهونين ذاتية التنظيم؛
الاحتمالات (Bayesian) الشبكات العصبية؛
الشبكات العصبية التعميمية المعممة؛
مكونات الشبكة الرئيسية؛
شبكات للتجميع؛
الشبكات الخطية.

أيضا، في النظام الشبكات العصبية statistica. منفذ مجموعات الشبكةتشكلت من مجموعات عشوائية (ولكن مهمة) من الشبكات أعلاه. هناك أداة أخرى مريحة: يمكنك ربط الشبكات بحيث تبدأ بالتتابع. هذا مفيد في المعالجة المسبقة لإيجاد حلول ذات تكلفة ضئيلة.

في حزمة الشبكات العصبية statistica. هناك العديد من الأدوات التي تسهل المستخدم باختيار بنية شبكة مناسبة. تشمل أدوات النظام الإحصائية والجرافيك الرسم البياني الرسم البياني والرسوفات الرسومية للمصفوفة والخطأ للمجموعة بأكملها وعلى الملاحظات الفردية، إجمالي البيانات على التصنيف الصحيح / غير الصحيح، وجميع الإحصائيات المهمة - على سبيل المثال، يتم تفسيرها من خلال نسبة التباين - تلقائيا.

لتصور البيانات في الحزمة الشبكات العصبية statistica. نفذت المخططات المتناثرة وأسطح الاستجابة ثلاثية الأبعاد، مما يساعد المستخدم على فهم "السلوك" للشبكة.
بالطبع، يمكن استخدام أي معلومات تلقتها من مصادر مدرجة لمزيد من التحليل عن طريق وسائل أخرى statistica.، وكذلك للإدماج اللاحق في التقارير أو لتكوين.

الشبكات العصبية statistica. يتذكر تلقائيا خيار أفضل شبكة من تلك التي تلقيتها، وتجربة المهمة، ويمكنك الاتصال به في أي وقت. يتم فحص فائدة الشبكة وقدرتها على التنبؤ تلقائيا على مجموعة تحقق خاصة من الملاحظات، وكذلك عن طريق تقييم حجم الشبكة وفعاليته وسعر التصنيف غير صحيح. التي تنفذها الشبكات العصبية statistica. العمليات التلقائية للتحقق من التدقيق والانتظام يزن من قبل vugedu. تتيح لك بسرعة معرفة ما إذا كانت شبكتك غير كافية أو على العكس من ذلك، من الصعب للغاية على هذه المهمة.

لتحسين الأداء في الحزمة الشبكات العصبية statistica.يتم تقديم خيارات إعداد الشبكة العديدة. لذلك، يمكنك تعيين طبقة إخراج خطية من الشبكة في مهام الانحدار أو وظيفة التنشيط لنوع SoftMax في مهام التقييم الاحتمالي والتصنيف. إذا كان هناك العديد من الانبعاثات في البيانات الخاصة بك، عند تعلم شبكة، يمكنك استبدال وظيفة الخطأ القياسية إلى وظيفة أقل حساسية. "أرباع المدينة"وبعد كما نفذ النظام على نماذج من نظرية نظرية المعلومات عبر الانتروبيا وعدد من وظائف التنشيط الخاصة، بما في ذلك: صعدت، ساوا و Subeusoidal.

حلول المعالج (قام تلقائيا بتقييم المهمة وتحديد العديد من شبكات الهندسة المعمارية المختلفة):

جزء من الحزمة شبكة statistica العصبية.s هو حلول المعالج - حل المشكلات الذكيةالذي يقوم بتقييم العديد من الشبكات العصبية من المعمارية المختلفة والتعقيد ويقوم بتحديد أفضل شبكات الهندسة المعمارية لهذه المهمة.
رئيس من القادر على بناء الشبكات للبيانات ذات الملاحظات المستقلة (شبكات الانحدار القياسية أو شبكات التصنيف أو مختلطة) تساوي أي شبكات تهدف إلى التنبؤ بالقيم المستقبلية لمتغير معين بناء على القيم الموجودة لنفس المتغير (الشبكة مع الصفوف المؤقتة).
وقت كبير عند إنشاء شبكة عصبية هو الاختيار من بين المتغيرات المناسبة وتحسين بنية الشبكة بطريقة البحث المثلي. الشبكات العصبية statistica. يأخذ هذا العمل على نفسه وتحمل تلقائيا بحثا عن السرية بالنسبة لك. يأخذ هذا الإجراء في الاعتبار بعد الإدخال ونوع الشبكة وأبعاد الشبكة، ووظائف الترميز المطلوبة.
أثناء البحث، يمكنك تحديد عدد الردود الواردة في عملية التعلم. عند تثبيت الحد الأقصى لوضع التفاصيل ماجستير الديكورسيعرض في بنية ومستويات الجودة لكل شبكة اختبارها.
قرارات المعالج المتكرر أداة فعالة استخدام التقنيات المعقدة، مما يتيح لك العثور عليه تلقائيا أفضل بنية الشبكة. بدلا من إنفاق ساعات طويلة على المقعد أمام الكمبيوتر، توفر النظام الشبكات العصبية statistica. اجعل هذا العمل من أجلك.
مصمم الشبكة التلقائييمكنك أيضا استخدامها في عملية تطوير نموذج عند الوحدة الشبكات العصبية Statistica، جنبا إلى جنب مع وحدات أخرى للنظام الأساسي statistica.تطبق على تحديد أهم المتغيرات (على سبيل المثال، أفضل تنبؤ للإدماج والاختبار اللاحق في أي نموذج التقدير غير الخطي - التقدير غير الخطي).

تدريب الشبكة العصبية:

يعتمد نجاح تجارب البحث الأفضل والبحث في الشبكات بشكل كبير على جودة وسرعة خوارزميات تعلم الشبكة. في النظام الشبكات العصبية statistica. نفذت أفضل خوارزميات التدريب اليوم.
لتعلم Perceptons متعدد الطبقات في النظام الشبكات العصبية statistica. يتم تنفيذه في المقام الأول، أولا وقبل كل شيء، طريقة الانتشار العكسي - مع سرعة تغيير الأسعار ومعامل الجمود، وخلط الملاحظات قبل الخطوة التالية من الخوارزمية وإضافة ضجيج مضافة لتعميم قوي. بالإضافة إلى ذلك، في النظام الشبكات العصبية statistica. يتم تطبيق خوارزميات ثانيا الثانية - طرق التدرجات الصارمة و ليفيربرغ ماركاراوبعد هذا الأخير هو خوارزمية حديثة قوية بشكل غير عادي للتحسين غير الخطية، وتوصي الخبراء بشدة باستخدامها. في الوقت نفسه، يقتصر نطاق تطبيق هذه الطريقة بحالات شبكات صغيرة نسبيا مع عصبية ناتجة واحدة، ومهام أكثر مرهقة في الحزمة الشبكات العصبية statistica. هناك طريقة من التدرجات الصارمة. كقاعدة عامة، كل من الخوارزمية الأخرى تتلتقي بشكل أسرع من طريقة انتشار العائد، وفي الوقت نفسه عادة ما تعطى الحل أكثر ملاءمة.
تدريب شبكة تكراري في النظام الشبكات العصبية statistica. يرافقه عرض تلقائي للخطأ الحالي للتعلم والخطأ المحسوب بشكل مستقل عنه على مجموعة الشيكات، ويظهر الرسم البياني للخطأ الكامل. يمكنك مقاطعة التعلم في أي وقت، ببساطة عن طريق الضغط على الزر. بالإضافة إلى ذلك، من الممكن تحديد شروط المحطة، عند إجراء عملية التدريب سيتم مقاطعة؛ قد تكون هذه الشرط، على سبيل المثال، إنجاز مستوى معين من الخطأ، أو نمو مستقر لخطأ التحقق أثناء مرور المقاطع المحددة - "EPOCH" (الذي يشير إلى ما يسمى بإعادة تدريب الشبكة). إذا حدثت إعادة التدريب، فلا ينبغي أن تعتني بالمستخدم: الشبكات العصبية statistica. يتذكر تلقائيا مثيل أفضل الشبكة التي تم الحصول عليها أثناء عملية التعلم، ويمكنك دائما الاتصال بهذه الشبكة بالضغط على الزر المقابل. بعد اكتمال تدريب الشبكة، يمكنك التحقق من جودة عملها في مجموعة اختبار منفصلة.
في حزمة الشبكات العصبية statistica. كما يتم تنفيذ عدد من خوارزميات التعلم لشبكات أخرى من البنيات الأخرى. يمكن اختيار معلمات الروايات الشعاعية ومعاملات تجانسها في الشبكات على وظيفة أساس شعاعي وشبكات الانحدار المعمم بواسطة خوارزميات مثل: تدريب كوهونين، فرشد، الطريقة K منتصفطرق iSotropy وأقرب الجيران. يتم تحسين الخلايا العصبية لطبقة الإخراج الخطية في الشبكات على وظيفة أساس شعاعي، كما هو الحال في الشبكات الخطية، بالكامل. التحلل المفرد (SVD).
إنشاء هياكل الشبكة المختلطة. في النظام الشبكات العصبية statistica. من الممكن إنشاء شبكة من الهيكل المختلط. على سبيل المثال، في شبكة معدلة على وظيفة أساس شعاعي، يمكن تدريب الطبقة الأولى من الخلايا العصبية خوارزمية كوهونين.، والثاني - طبقة غير خطية - طريقة Levenberga-Marcara.

اختبار الشبكة العصبية:

بعد تدريب الشبكة، تحتاج إلى التحقق من جودة عملها وتحديد الخصائص. للقيام بذلك في الحزمة الشبكات العصبية statistica.هناك مجموعة من إحصائيات الشاشة والرسومات.
في حالة تحديد العديد من النماذج (الشبكات والكفرات)، ثم (إذا كان ذلك ممكنا) شبكة statistica العصبية.سيعرض S النتائج المقارنة (على سبيل المثال، فإن منحنيات الاستجابة للعديد من النماذج على مخطط واحد ستنشئ، أو تنبئ العديد من النماذج في جدول واحد). هذه الخاصية مفيدة للغاية لمقارنة النماذج المختلفة المدربة على مجموعة واحدة من البيانات.
يتم احتساب جميع الإحصاءات بشكل منفصل للتعلم والتحقق من مجموعات الاختبار. تتوفر جميع الأوزان ومعلمات التنشيط في شكل مناسب. ملف نصيأي نقرة واحدة يمكن تحويلها إلى جدول نتائج النظام statistica.وبعد يمكن أيضا عرض نتائج التجارب على الملاحظات الفردية أو طوال مجموعة البيانات في شكل جدول. statistica. واستخدام في تحليلات إضافية أو جداول أخرى.
تحسب إحصاءات النتائج التالية تلقائيا: خطأ الشبكة القياسي، مصفوفة عدم تطابق ما يسمى (الارتباك مصفوفة) بالنسبة لمهام التصنيف (حيث يتم تلخيص جميع حالات التصنيف السليم وغير الصحيح) وحصة الانحدار الموضح لمهام الانحدار. شبكة كوهونين. لديه نافذة خريطة الطوبولوجيةحيث يمكنك مراعاة تنشيط عناصر الشبكة بصريا، بالإضافة إلى تغيير علامات الملاحظات والعقد في عملية تحليل البيانات. هناك أيضا نافذة تردد الفوز تتيح لك توطين مجموعات في خريطة طوبولوجية. التحليل العنقودي يمكنك إجراء مزيج من شبكة الهندسة المعمارية القياسية مع مخطط نظام نظام مجموعة خاص. الشبكات العصبية statistica.وبعد على سبيل المثال، يمكنك تدريب شبكة لتحليل المكون الرئيسي وتصور البيانات بيانيا في الإسقاط في المكونين الأولين.

التحرير والتعديل والاتصال التسلسلي للشبكات العصبية

في النظام الشبكات العصبية statistica. هناك أدوات ذكية تتيح لك قطع القطع من الشبكات المتوفرة بالفعل وتوصيل شبكات متعددة. لذلك، يمكنك حذف أو إضافة الخلايا العصبية المنفصلة، \u200b\u200bوحذف طبقة كاملة من الشبكة، والشبكات التي تتفق مع عدد المدخلات / المخرجات يمكن توصيلها بالتتابع ببعضها البعض. بفضل هذه الميزات الشبكات العصبية statistica.يتيح لك استخدام هذه الوسائل على أنها تخفيض البعد (عند المعالجة المسبقة) باستخدام مصفوفة الشبكات المنشأ والخسارة (لاتخاذ القرارات بأصغر الخسارة). يتم استخدام مصفوفة الخسارة تلقائيا عند العمل مع الشبكات العصبية الاحتمالية.

حلول جاهزة (تطبيقات مخصصة باستخدام الشبكات العصبية الإحصائية):

أنا بسيط واجهة مريحة نظم الشبكات العصبية statistica. يسمح لك بإنشاء تطبيقات الشبكة العصبية بسرعة لحل مهامك.
هذا الوضع ممكن عندما يكون من الممكن تضمين هذه الحلول للنظام الحالي بالفعل، على سبيل المثال، لجعلها جزءا من بيئة حوسبة أوسع (قد تكون هذه الإجراءات المتقدمة بشكل منفصل وبناء نظام حوسبة الشركات).
يمكن تطبيق الشبكات العصبية المدربة على مجموعات جديدة من البيانات (للتنبؤ) بعدة طرق: يمكنك حفظ شبكة أو مجموعة شبكة مدربة (على سبيل المثال، لحساب متوسط \u200b\u200bالتنبؤ بناء على بنية متعددة) ثم قم بتطبيقه على بيانات جديدة تعيين (للتنبؤ أو التصنيف المتوقع أو التنبؤ)؛ يمكنك استخدام Code Generator ل الإبداع التلقائي رمز البرنامج في اللغة ج (C ++، C #) أو البصرية الأساسية.واستخدامها مرة أخرى للتنبؤ ببيانات جديدة في أي بيئة برامج visual Basic أو C ++ (C #)وبعد تنفيذ شبكة عصبية مدربة بالكامل في طلبك. في الختام، كل وظيفة النظام statistica.، بما فيها الشبكات العصبية statistica. يمكن استخدامها كوم من الكائنات (نموذج كائن المكون) في التطبيقات الأخرى (على سبيل المثال، جاوة، MS Excel إلخ.). على سبيل المثال، يمكنك تنفيذ التحليلات التلقائية التي تم إنشاؤها في الشبكات العصبية statistica. في الجدول MS Excel..

قائمة خوارزميات التعلم:

التوزيع العكسي
ليفيربرغ ماركارا؛
التدرجات الصارمة؛
شبه Newtonian؛
التوزيع السريع
دلتا دلتا-ميزة
عكس الزائفة؛
تدريب كوهونين
بمناسبة أقرب الطبقات؛
التدريب كمتر المعاكس
عينة شعاعي (تحت)؛
طريقة K- متوسط
طريقة K-NEVE LIALBORS (KNN)؛
تثبيت انحرافات isotropic؛
تركيب الانحرافات الواضحة؛
الشبكة العصبية الاحتمالية؛
الشبكة الرئيسية وتعميم الانحدار؛
خوارزمية اختيار المدخلات الوراثية؛
خطوة بخطوة اختيار مباشر أو عكسي من بيانات الإدخال.

متطلبات النظام

نظام الشبكات العصبية statistica. يمكن أن تعمل حتى على أجهزة كمبيوتر ضعيفة أو قديمة نسبيا. ومع ذلك، نظرا لأن العديد من إجراءات الحزمة تتطلب كميات كبيرة من الحوسبة، فمن المستحسن بقوة للاستخدام معالج بنتيوم مع 32 ميغابايت من ذاكرة الوصول العشوائي.

القيود في أحجام الشبكة:

يمكن أن تكون الشبكة العصبية أي حجم تقريبا (أي، يمكن أن تؤخذ أحجامها عدة مرات أكثر مما هو عليه في الواقع ومعقول)؛ يسمح ب 128 طبقات دون قيود على عدد الخلايا العصبية. في الواقع، لأي مهام عملية، يقتصر البرنامج فقط عن طريق ميزات الأجهزة للكمبيوتر.

دليل الإلكترونية:

كجزء من النظام الشبكات العصبية statistica. هناك برنامج تعليمي مصور جيد يحتوي على مقدمة كاملة ومفهومة للشبكات العصبية، وكذلك الأمثلة. من أي مربع حوار، يتوفر نظام مرجعي مفصل يعتمد على السياق.

مولد شفرة المصدر:

مولد كهرباء مصدر الرمز إنه منتج إضافي يسمح للمستخدمين بإنشاء أنظمتهم الخاصة بسهولة بناء على النظام. الشبكات العصبية statistica.وبعد يقوم هذا المنتج الإضافي بإنشاء رمز نظام المصدر لنموذج الشبكة العصبية. (كملف في C، C ++، C #)والتي يمكن تجميعها بشكل منفصل ومدمج في برنامج التوزيع المجاني. تم تصميم هذا المنتج خصيصا لمطوري نظام الشركات، بالإضافة إلى هؤلاء المستخدمين الذين يحتاجون إلى تحويلها إلى إجراءات عالية محسنة تم إنشاؤها في الشبكات العصبية statistica. في التطبيقات الخارجية لحل المهام التحليلية المعقدة.

أصبحت أساليب الشبكات العصبية موزعة بشكل متزايد في مجموعة واسعة من المناطق.

صناعة:

إدارة العمليات (خاصة، مراقبة عمليات الإنتاج مع التنظيم المستمر لمعايير التحكم).
تصنيف عينات الوقود (تجزئة أصناف الوقود بناء على تحليل أطيافهم).
تشخيص التقني (الاهتزاز والضوضاء في المرحلة المبكرة تحدد عطل في الآلية وإجراء إصلاح وقائي).
أنظمة التحكم الحركية (تقييم مستوى استهلاك الوقود باستخدام البيانات الحسية والتحكم فيها).
أنظمة الكاشفات مع التبديل في الوقت الحقيقي في الفيزياء. الشبكات العصبية مقاومة للضوضاء والسماح باستخدام أنماط قوية في البيانات المادية مع ضوضاء إحصائية كبيرة.

تسويق:

التنبؤ بأسعار الذهب؛
التنبؤ بأسعار المواد الخام؛
التداول عن طريق التوزيع المباشر.

تمويل:

رفع الجدارة الجانبية (المهمة الكلاسيكية - على بيانات الاستبيان لتحديد ما إذا كان هذا المقترض يخفف).
التنبؤ بسلسلة الوقت المالي.

الاستكشاف الجيولوجي:

تحسين كفاءة عملية التعدين (تخصيص العوامل المهمة التي تؤثر على مؤشرات أداء الأداء).

صناعات أخرى:

الاعتراف البصري للأحرف، بما في ذلك الاعتراف بالتوقيع؛
معالجة الصورة؛
التنبؤ سلسلة الزمن الفوضى؛
تشخيص طبي؛
توليف الكلام
التحليل اللغوي.

في الحزمة الإحصائية، يبدو أن مشكلة التنبؤ المستمر مهمة من الانحدار. في سياق هذه المشكلة، تعتبر الشبكة العصبية وظيفة غير خطية، يتم التحكم في تعقيدها من قبل "شبه Parmetrically" - عدد العناصر الموجودة على الشبكة تؤثر على تعقيد الحل، ولكن بالطبع لا يمكن للمحلل رؤية النوع الصريح من وظيفة الانحدار.

مطلوب لبناء شبكة عصبية، حساب رئيس الرصاص في الغلاف الجوي اعتمادا على عدد ونوع نقل المرور. يتم تخزين البيانات في file.xls الرصاص.

افتح File.xls الرصاص في حزمة Statistica. تظهر نافذة "الملف الافتتاحي".

تين. 4. 33. نافذة الاستيراد.

يجب عليك تحديد خيار "استيراد الورقة المحددة" وحدد اسم الورقة مع البيانات:

تين. 4. 34. حدد ورقة Excel للاستيراد إلى حزمة Statistica.

في النافذة التالية، يجب عليك تحديد المعلمات الحقيقية للبيانات، والتي يتم تعريفها وعادة ما يتم عرضها تلقائيا (باستثناء الخانات الاختيار الثلاثة الأخيرة).

تين. 4. 35. وضع منطقة الاستيراد.

بعد ذلك، سيتم عرض البيانات المستوردة في النافذة.

تين. 4. 36. استيراد نتائج.

قم بتشغيل حزمة التحليل باستخدام الشبكات العصبية. للقيام بذلك، حدد الشبكات العصبية في قائمة التحليل.

تين. 4. 37. تحديد طريقة معالجة البيانات - "الشبكة العصبية".

بعد ذلك، ستظهر نافذة حزمة الشبكات العصبية Statistica:

تين. 4. 38. ابدأ تحليل النافذة "الشبكات العصبية".

انقر فوق علامة التبويب "سريع"، حيث تحتاج إلى تحديد نوع مهمة الانحدار، وأداة منشئ الشبكة.

تين. 4. 39. تشغيل مصمم الشبكة العصبية.

بعد ذلك، من خلال النقر فوق الزر "موافق"، ستذهب إلى وضع الإخراج (التابع) والمتغيرات الإدخال (مستقلة). كأول، اختر "الرصاص"، وكما هو الأخير - عدد السيارات من جميع الفئات. لا تزال الأعمدة "لا." و "الشوارع" غير مستخدمة.

تين. 4. 40. يختار المدخلات والإخراج للشبكة العصبية.

النقر فوق "موافق" سوف تعود إلى علامة التبويب "سريعة". ثم، بالضغط على زر "موافق" مرة أخرى، انتقل إلى نافذة تكوين الشبكة العصبية. في علامة التبويب "سريعة"، يجب عليك تحديد نوع perceptron الشبكة متعدد الطبقات،

تين. 4. 41. اختيار نوع من الشبكة العصبية.

وعلى علامة التبويب "العناصر"، يمكنك تحديد العدد المطلوب من الطبقات، وعدد الخلايا العصبية في كل منها، وكذلك نوع وظيفة التنشيط:

تين. 4. 42. وضع عدد طبقات وأنواع الخلايا العصبية.

تين. 4. 43. اختيار طريقة لتعليم نيوسيتي.

هنا من خلال النقر على زر "نموذج"، يمكنك تحديد عدد أمثلة التدريب والتحكم والاختبار. إذا قمت بتحديد عدد أمثلة الاختبار والتحكم يساوي الصفر، فسيتم تدريب الشبكة في جميع الأمثلة:

تين. 4. 44. تحديد البيانات للتعلم والاختبار.

العودة إلى نافذة التعلم الرئيسية، يمكنك بالنقر فوق الزر "مستخدم" والاتجاه إلى علامة التبويب "التفاعلية"، تتطلب أن تنعكس عملية التعلم في شكل رسم بياني:

تين. 4. 45. وضع نوع الرسم البياني لإظهار عملية التعلم.

أخيرا، من خلال النقر فوق الزر "موافق"، ستقوم بتشغيل عملية التعلم، وسيتم عرض النتيجة التي سيتم عرضها في الجدول:

تين. 46. \u200b\u200bتدريب الشبكة العصبية.

بالنقر فوق الزر "موافق"، ستنتقل إلى نافذة النتائج حيث يمكنك استكشاف الخصائص المختلفة للشبكة التي تم إنشاؤها عن طريق التحرك حسب علامات تبويب النافذة:

تين. 47. نتائج نمذجة الشبكة العصبية.

على سبيل المثال، في علامة التبويب "Advanced"، هناك زر "بنية الشبكة" من خلال النقر فوق "يمكنك رؤية طوبولوجيا الشبكة المضمنة:

تين. 4. 48. عرض الشبكة العصبية المبنية.

بالإضافة إلى زر "مراقبة المستخدم"، حيث يمكنك تعيين شبكات بيانات مصدر جديدة واحصل على استجابة شبكة الاستجابة.

ونحن نوضح كيف يتم تنظيم الحوار مع مستخدم المستخدم.

الانتباه إلى واجهة وأدوات مريحة. , و طريقة مترو الانفاق المتعددةالسماح للمستخدمين بتصميم شبكاتهم الخاصة واختيار الأفضل.

لذلك، أولا وقبل كل شيء، إطلاق الشبكات العصبية.

الخطوة 1. تبدأ من لوحة البداية (انظر في الشكل 1).

في هذه اللوحة، يمكنك اختيار أنواع مختلفة من التحليلات التي تحتاج إلى تنفيذها: الانحدار، التصنيف، التنبؤ بسلسلة زمنية (مع متغير معتمد مستمر وفيديو)، تحليل الكتلة.

تين. 1. بدء اللوحة إحصائيات الشبكات العصبية الآلية (SANN)

اختيار، على سبيل المثال، صفوف مؤقتة (الانحدار)إذا كنت ترغب في بناء توقعات، أو تصنيفإذا تم حل مهمة التصنيف.

اضغط الزر نعمالانتقال إلى مربع الحوار تحديد البيانات.

تين. 2. مربع حوار الشبكة Netural - اختيار البيانات - علامة تبويب سريعة

الخطوة 2. في علامة التبويب سريع يجب عليك تحديد المتغيرات اللازمة للتحليل. قد تكون المتغيرات مستمرة وتصنيفا ومستقلة؛ بالإضافة إلى ذلك، يمكن أن تنتمي الملاحظات إلى عينات مختلفة.

تين. 3. نافذة اختيار متغير

للمبتدئين، يوصى باختيار استراتيجية. يمكن للمستخدم ذوي الخبرة استخدام أي استراتيجية متاحة بسهولة: الشبكة العصبية الآلية (ANS)، شبكة عصبية مخصصة (PNS) و سوف نختار الشبكة العصبية الآلية (ANS).

تين. 4. مربع الحوار الشبكات العصبية - اختيار البيانات - علامة تبويب سريعة

في علامة التبويب الأساس (PNS و Ans) يجب عليك تحديد التقسيم المرغوب للبيانات على Subsamples: التدريب والتحكم والاختبار. يمكن تحديد القسم بطريقة عشوائيةويمكن إصلاحه باستخدام رمز متغير إضافي.

في هذه الحالة، سوف نستخدم قسم عشوائي.

تين. 5. مربع الحوار الشبكات العصبية - اختيار البيانات - علامة تبويب الاختيار الفرعي (ANS و PNS)

فاتورة غير مدفوعة الأساس (PNS و Ans)مصممة للاستراتيجيتين الأولين: الشبكة العصبية الآلية (ANS) و شبكة عصبية مخصصة (PNS)؛ و tab. خلق تحت الأرضتستخدم للاستراتيجية الأخيرة: طريقة متعددة sublamples.

صحافة نعم والانتقال إلى الخطوة وضع معلمات الهندسة المعمارية.

الخطوه 3. في علامة التبويب سريع صندوق المحادثة الشبكات العصبية الآليةيجب عليك تحديد نوع الشبكة، وعدد الخلايا العصبية المخفية، وعدد الشبكات المدربة والمحفوظة، وكذلك نوع وظائف الأخطاء المستخدمة.

يقدم البرنامج أنواع الشبكة التالية: متعدد الطبقات Bersispondions وشبكة الوظائف الأساسية شعاعي.

تين. 6. مربع حوار الشبكة العصبية الآلي - علامة تبويب سريعة

تين. 7. مربع حوار الشبكة العصبية الآلي - علامة التبويب وظيفة التنشيط MLP

في علامة التبويب attense يمكنك تمكين خيار تنظيم المقاييس التي ستقوم بضبط تعقيد الشبكات المدربة. هذا مفيد عندما تحتوي المهمة على عدد كبير من متغيرات الإدخال، بالإضافة إلى عدد كبير من الخلايا العصبية على طبقة مخفية.

ولكن في حالتنا لن نستخدم هذا.

تين. 8. مربع حوار الشبكة العصبية الآلي - علامة التبويب مصنع

الآن يمكنك الذهاب إلى خطوة التعلم من الشبكات العصبية.

الخطوة 4. تشغيل الإجراء لتعلم الشبكات العصبية عن طريق الضغط على الزر نعم.

في مربع الحوار، يظهر في الشكل. 9، يتم عرض بعض المعلومات حول الشبكة العصبية المدربة الحالية. يمكننا تحليل بنية الشبكة، انظر إلى السكتة الدماغية من التكرارات الخوارزمية وإصلاح أخطاء النماذج. يستخدم الانحدار خطأ قياسي، يتم استخدام النسبة المئوية للتصنيف الصحيح للملاحظات للتصنيف (كما في حالتنا).

تين. 9. الحوار تعلم الشبكة العصبية

يتبع البرنامج تلقائيا إلى الخطوة التالية.

الخطوة 5. تحليل النتائج. في نافذة النتائج، يمكنك تحليل الحلول. سيختار البرنامج أفضل شبكات وسوف تظهر جودة الحل.

تين. 10. مربع الحوار الشبكات العصبية - النتائج - تبويب توقع

يمكنك اختيار شبكة معينة، أفضل في رأينا، باستخدام الزر حدد / إزالة الشبكات.

تين. 11. مربع الحوار تفعيل نموذج

على سبيل المثال، طريقة واحدة للتحقق هي مقارنة بين القيم الملحوظة والنتائج المتوقعة. مقارنة القيم المرصودة والتنبؤ بها للشبكة المحددة، على سبيل المثال، للحصول على عينات التعلم واختبارها.

تين. 12. جدول القيم الملاحظة والتنبؤ بها

أو راجع مصفوفة خطأ التصنيف في نموذج الاختبار:

تين. 13. مصفوفة التصنيفات

الخطوة 6. احفظ أفضل الشبكات للاستخدام الإضافي، على سبيل المثال، لإنشاء التوقعات تلقائيا.

للحصول على مزيد من الإطلاق، يتم تخزين الشبكات بتنسيق PMML.

تين. 14. مربع الحوار الشبكات العصبية - النتائج - حفظ الشبكات

تين. 15. نافذة حفظ ملف الشبكة القياسية

الخطوة 7. تشغيل النماذج المحفوظة على بيانات جديدة. حتى تحميل بيانات جديدة، ولكن المتغيرات تتزامن مع المتغيرات في النماذج.

لبدء تشغيل النموذج على البيانات الجديدة، يمكنك تحديد الخيار في لوحة البداية (الشكل 1) تنزيل النماذج من التحليلات السابقة وللأمينات الزر تحميل الشبكات.

تين. 16. نافذة اختيار ملف الشبكة القياسية

نحن نحصل:

تين. 17. إحصائية الشبكات العصبية الآلية النارية (SANN)

بعد تحديد الملف المطلوب، يتم تحديد جميع الإعدادات تلقائيا، حتى تتمكن من الانتقال على الفور إلى نافذة النتائج (الضغط على الزر مرتين نعم) وتحليل النتائج التي تم الحصول عليها.

هذا هو البرنامج النصي للدراسة النموذجية في الحزمة

حاشية. ملاحظة: الشبكات والإحصائيات العصبية. الشبكات العصبية والمنطق الغامض. الشبكات العصبية وأنظمة الخبراء. الشبكات العصبية والفيزياء الإحصائية.

تنقسم الحيوانات إلى:

مملوكة من قبل الإمبراطور

لا

ترويض،

صنز

صفارة إنذار

خلاب

الكلاب منفصلة

المدرجة في هذا التصنيف،

تشغيل مثل مجنون

لا يحصى

تعادل مع أرقى فرشاة من الصوف الجمل،

آخر

مزهرية زهرة مكسورة

غاب الذباب تذكرنا.

H.L. Koheses، "اللغة التحليلية جون ويلكينز"

يحتوي Necrocomputer على نقاط اتصال عديدة مع تخصصات أخرى وأساليبها. على وجه الخصوص، تستخدم نظرية الشبكات العصبية جهاز الميكانيكا الإحصائية ونظرية التحسين. تقوم مجالات التطبيقات العصبية في بعض الأحيان تتقاطع أو تتزامن تقريبا مع تطبيقات الإحصاءات الرياضية، ونظرية مجموعات غامضة وأنظمة الخبراء. الروابط والتوازيات من الثرثرة متنوعة للغاية وتشير إلى تنوعها. في هذه المحاضرة، والتي يمكن اعتبارها إضافية، لأنها تتطلب تدريبا رياضيا أكبر إلى حد ما، سنتحدث فقط عن أهمها.

الشبكات والإحصاء العصبي

نظرا لأن الشبكات العصبية حاليا تستخدم بنجاح لتحليل البيانات، فمن المناسب أن تقارنها بطرق إحصائية قديمة متطورة. في الأدبيات حول الإحصاءات، من الممكن في بعض الأحيان تلبية البيان مفاده أن أساليب الشبكة العصبية الأكثر استخداما ليست أكثر من الانحدار غير الفعال ونماذج تمييزية. لقد لاحظنا بالفعل من قبل الشبكات العصبية متعددة الطبقات قد يكون هناك بالفعل مشاكل نوع الانحدار والتصنيف. ومع ذلك، أولا، تعد معالجة هذه الشبكات العصبية أكثر تنوعا بشكل كبير في الطبيعة - استدعاء، على سبيل المثال، تصنيف نشط لشبكات Hopfield أو علامات Kohonen، التي ليس لها نظائر إحصائية. ثانيا، كشفت العديد من الدراسات المتعلقة باستخدام الشبكة العصبية في مجال التمويل والأعمال المزايا الخاصة بها على الطرق الإحصائية التي تم تطويرها مسبقا. النظر في نتائج مقارنة أساليب الشبكة العصبية والإحصاء الرياضي.

هل الشبكات العصبية لغتها الوصف؟

كما أشار بالفعل، يجادل بعض الإحصاءات بأن نهج الشبكة العصبية لمعالجة البيانات يتم تجديدها ببساطة وإعادة صياغتها، ولكن أساليب التحليل الإحصائية المعروفة. بمعنى آخر، يستخدم Neurocomputing ببساطة لغة جديدة لوصف المعرفة القديمة. كمثال، نحن نقدم اقتباس من وارن سيرلا:

العديد من الباحثين في الشبكات العصبية هم المهندسون أو الفيزياء أو الفيزياء العصبية أو علماء النفس أو المتخصصين في أجهزة الكمبيوتر التي تعرف القليل عن الإحصاءات والتحسين غير الخطية. باحثون الشبكات العصبية تحويل الأساليب المستمرة المعروفة في الأدبيات الرياضية والإحصائية مع عقود وعدة قرون، ولكن غالبا ما تتحول إلى عدم القدرة على فهم كيفية عمل هذه الأساليب

وجهة نظر مماثلة، للوهلة الأولى، قد تبدو معقولة. إن الشكليات من الشبكات العصبية قادرة حقا على المطالبة بدور لغة عالمية. لم يكن ذلك بالصدفة في العمل الرائد ل MCCALY و PITTS، وقد أظهر أن وصف الشبكة العصبية يعادل وصف منطق البيانات.

اكتشفت ذلك بالفعل بمساعدة التقنية التي قمت بتطويرها في عمل 1961 (...)، يمكنني بسهولة الإجابة على جميع الأسئلة التي يتخصصون في الدماغ (...) أو الكمبيوتر. ومع ذلك، في علم الفيزيائي، كنت أعرف جيدا أن النظرية، التي تشرح كل شيء، في الواقع لا يفسر أي شيء: في أحسن الأحوال، إنها لغة. Eduardo Kayenello.

ليس من المستغرب أن تكتشف الإحصاءات أن مفاهيمها المعتادة لها نظائرها في نظرية الشبكات العصبية. كان WARREN SIRL قاموس كلمة صغيرة يستخدم في هذين المجالين.

الجدول 11.1. قاموس مصطلحات مماثلة

الشبكات العصبية	أساليب إحصائية.
علامات	المتغيرات
المدخلات	المتغيرات المستقلة
المخرجات	القيم المتوقعة
القيم المستهدفة	المتغيرات المعتمدة
خطأ	actiquid.
التدريب والتكيف والتنظيم الذاتي	تقييم
وظيفة الخطأ، وظيفة Lyapunov	معيار التقييم
الصور التدريبية (الأزواج)	الملاحظات
معلمات الشبكة: الوزن، العتبات.	المعلمات المقدرة
خلايا الخلايا العصبية عالية النظام	تفاعل
اتصالات وظيفية	تحويل
التدريب مع المعلم أو غير المحترفين	الانحدار والتحليل التمييزي
التعلم دون معلم أو التقشير	ضغط البيانات
التعلم التنافسي، كمية متجهة التكيفية	التحليل العنقودي
تعميم	الاستيفاء واستقراء

ما الفرق بين الشبكات العصبية والإحصائيات؟

ما هو تشابه وتمييز لغات وإحصاءات التصوير العصبي في تحليل البيانات. النظر في أبسط مثال.

لنفترض أننا أجرينا ملاحظات وتقاس بقياس أزواج N من النقاط التي تمثل اعتماد وظيفي. إذا حاولت قضاء أفضل طريقة من خلال هذه النقاط، فسيتم استخدام ذلك في لغة الإحصاءات لوصف الاعتماد غير المعروف للنموذج الخطي، (حيث يشير إلى الضوضاء عند إجراء الملاحظة)، ثم حل مشكلة الانحدار الخطي المقابل هو خفضت لإيجاد قيم تقييم المعلمات التي تقلل من مجموع المتبقية التربيعية.

إذا كانت المعلمات وجدت، فيمكنك تقدير القيمة Y لأي قيمة س، أي الاستيفاء واستقراء البيانات.

نفس المهمة يمكن حلها باستخدام شبكة طبقة واحدة مع الإدخال الوحيد والخلائط الناتج الخطي فقط. يمكن الحصول على الاتصال A و Treshold B من خلال تقليل نفس القيمة المتبقية (والتي في هذه الحالة سوف تسمى خطأ RMS) أثناء شبكة الشبكة، على سبيل المثال، من خلال طريقة إعادة الاتصال. سيتم استخدام خصائص الشبكة العصبية للتعميم للتنبؤ بقيمة الإخراج حسب قيمة الإدخال.

تين. 11.1.

عند مقارنة هاتين النهجين، فهي نبذة فورا، عند وصف أساليبها، إحصائيات تناشد الصيغ والمعادلات، وتصريح التصوير العصبي إلى الوصف الرسمي للهندسة العصبية.

إذا استذكرنا أنه مع الصيغ والمعادلات، فإنه يدير نصف الكرة الأيسر، ومع الصور الرسومية، يمكن فهمها أن "الصمت" من نهج الشبكة العصبية التي تظهر مقارنة بالإحصاءات.

هناك اختلاف مهم آخر هو أن طرق الإحصاءات لا تهم كيف يتم التقليل من التعاسة - على أي حال، في أي حال، لا يزال النموذج هو نفسه، في حين أن طريقة التعلم، يتم تشغيل طريقة التعلم. وبعبارة أخرى، على عكس نهج الشبكة العصبية، لا يعتمد تقييم معلمات النموذج للطرق الإحصائية على طريقة التقليلوبعد في الوقت نفسه، ستنظر الإحصاءات في تغييرات في نوع المتبقية، دعنا نقول

كتغيير أساسي في النموذج.

على عكس نهج الشبكة العصبية، فإن الوقت الرئيسي يأخذ تدريب الشبكات، حيث يتم إنفاق النهج الإحصائي هذه المرة على تحليل شامل للمهمة. في الوقت نفسه، يتم استخدام تجربة الإحصائيين لتحديد نموذج بناء على تحليل البيانات والمعلومات المحدد لهذا المجال. استخدام الشبكات العصبية - عادة ما يتم تنفيذ هذا التعبيرات العالمية دون استخدام معرفة مسبقة، على الرغم من أنه في بعض الحالات مفيدة للغاية. على سبيل المثال، بالنسبة للنموذج الخطي قيد الدراسة، يؤدي استخدام الأخطاء المربع المتوسط \u200b\u200bالدقيق إلى الحصول على تقدير مثالي لمعاييرها، عندما تكون قيمة الضوضاء توزيع طبيعي مع نفس التشتت لجميع أزواج التدريب. في الوقت نفسه، إذا كان من المعروف أن هذه الشتات مختلفة، فإن استخدام وظيفة الخطأ المعلقة

يمكن أن تعطي قيم أفضل بكثير من المعلمات.

بالإضافة إلى النموذج المذكور أعلاه، يمكن إعطاء أمثلة للآخرين بشعور من نماذج مكافئة للإحصاءات ونظم الشبكة العصبية.

تحتوي شبكة Hopfield على اتصال واضح مع تجميع البيانات وتحليل العامل.

تحليل عامل تستخدم لدراسة هيكل البيانات. لا يتجزأ بشكل أساسي على وجود وجود مثل هذه العلامات - عوامل لا يمكن ملاحظتها مباشرة، ولكن يمكن تقييمها من قبل العديد من الميزات الأساسية الملاحظة. على سبيل المثال، يمكن أن تحدد مثل هذه العلامات، مثل حجم الإنتاج وتكلفة الأصول الثابتة، مثل هذا العامل كجداول الإنتاج. على عكس الشبكات العصبية التي تتطلب التدريب، يمكن أن يعمل تحليل العوامل إلا مع عدد معين من الملاحظات. على الرغم من ذلك، من حيث المبدأ، يجب أن يكون عدد هذه الملاحظات فقط لكل وحدة تتجاوز عدد المتغيرات. يوصى باستخدام عدد كبير من القيمة على الأقل. لا يزال يعتبر أقل من حجم عينة التدريب للشبكة العصبية. لذلك، تشير الإحصاءات إلى ميزة تحليل العوامل، والتي تتكون في استخدام عدد أصغر من البيانات، وبالتالي، مما يؤدي إلى جيل أسرع من النموذج. بالإضافة إلى ذلك، هذا يعني أن تنفيذ أساليب تحليل العوامل يتطلب حوسبا أقل قوة. ميزة أخرى لتحليل العوامل هي أنها طريقة النوع الأبيض، I.E. إنه مفتوح تماما ومفهمه - يمكن للمستخدم أن يدرك بسهولة سبب إعطاء النموذج نتيجة واحدة أو أي نتيجة أخرى. يمكن رؤية اتصال تحليل العوامل مع نموذج Hopfield، تذكر ناقلات الحد الأدنى من الأساس لمجموعة من الملاحظات (صور الذاكرة - انظر المحاضر 5). هذه المتجهات هي أناجذ العوامل التي تجمع بين العديد من مكونات ناقلات الذاكرة - العلامات الأولية.

من الأفضل شرح العديد من المفاهيم المتعلقة بأساليب الشبكات العصبية من خلال مثال برنامج شبكة عصبي محددة. لذلك، في هذا القسم سيكون هناك العديد من الإشارات إلى الحزمة. statistica. الشبكات العصبية (حزمة شبكة الشبكة الشبكة التابعة للشبكات الاختصاصية، التي يتم تنفيذها، وهي تطبيق مجموعة كاملة من أساليب تحليل البيانات.

في السنوات القليلة الماضية، نشاهد انفجارا من الاهتمام بالشبكات العصبية التي يتم استخدامها بنجاح في مختلف المجالات - الأعمال والطب والتقنية والجيولوجيا والفيزياء. دخلت الشبكات العصبية في الممارسة في كل مكان، حيث تحتاج إلى حل مشاكل التنبؤ أو التصنيف أو الإدارة. يتم تحديد هذا النجاح المثير للإعجاب من قبل عدة أسباب:

الشبكات العصبية هي طريقة نمذجة قوية بشكل استثنائي، والتي تسمح بإعادة إنتاج التبعيات المعقدة للغاية. على وجه الخصوص، الشبكات العصبية غير الخطية في طبيعتها (ويتم شرح معنى هذا المفهوم بالتفصيل في وقت لاحق في هذا الفصل). لسنوات عديدة، كانت المحاكاة الخطية طريقة النمذجة الرئيسية في معظم المناطق، حيث يتم تطوير إجراءات التحسين بشكل جيد. في المهام، حيث التقريب الخطي غير مرض (وهناك العديد من هذه الأشياء بما فيه الكفاية)، تعمل النماذج الخطية بشكل سيء. بالإضافة إلى ذلك، تعامل الشبكات العصبية مع "لعنة البعد"، والتي لا تسمح بتخصيص التبعيات الخطية في حالة رقم ضخم المتغيرات

الشبكات العصبية تتعلم من الأمثلة. يقوم مستخدم الشبكة العصبية باختيار بيانات تمثيلية، ثم تطلق خوارزمية التعلم التي تنظر تلقائيا بنية البيانات. في الوقت نفسه، من المستخدم، بالطبع، هناك نوع من المعرفة المثيرة للمشاركة حول كيفية تحديد البيانات وإعدادها، حدد بنية الشبكة المطلوبة وتفسير النتائج، ومع ذلك، فإن مستوى المعرفة اللازمة للاستخدام الناجح للاستخدام الناجح الشبكات العصبية أكثر تواضعا أكثر من ذلك، على سبيل المثال، عند استخدام أساليب الإحصاءات التقليدية.

الشبكات العصبية جذابة من وجهة نظر بديهية، لأنها تستند إلى نموذج بيولوجي بدائي للأنظمة العصبية. في المستقبل، يمكن أن يؤدي تطوير هذه النماذج البيولوجية العصبية هذه إلى إنشاء أجهزة كمبيوتر تفكير حقا. وفي الوقت نفسه، تعد الشبكات العصبية "البسيطة"، التي تبني نظام الشبكات العصرية، أسلحة قوية في ترسانة أخصائي متخصص في الإحصاءات التطبيقية (الشبكات العصبية. الشبكات العصبية الإحصائية: منهجية وتكنولوجيا تحليل البيانات الحديثة.).

نشأت الشبكات العصبية من البحوث في مجال الذكاء الاصطناعي، وهي من محاولات إعادة إنتاج قدرة أنظمة الأعصاب البيولوجية على الدراسة والتصحيح الأخطاء عن طريق محاكاة هيكل الدماغ منخفض المستوى (باترسون، 1996). وكانت المنطقة الرئيسية للبحث عن الذكاء الاصطناعي في الستينيات - 80s أنظمة خبراء. استندت هذه الأنظمة إلى نمذجة رفيعة المستوى لعملية التفكير (على وجه الخصوص، بشأن التمثيل أن عملية تفكيرنا مبنية على التلاعب بالرموز). سرعان ما أصبح من الواضح أن هذه الأنظمة، على الرغم من أنها يمكن أن تستفيد في بعض المناطق، لا تستغل بعض الجوانب الرئيسية للذكاء البشري. وفقا لأحد وجهات النظر، فإن السبب وراء ذلك هو أنهم غير قادرين على إعادة إنتاج هيكل الدماغ. لإنشاء ذكاء اصطناعي، من الضروري بناء نظام مع بنية مماثلة.

يتكون الدماغ من عدد كبير جدا (حوالي 10،000،000،000) الخلايا العصبية المتصلة بموجب العديد من الاتصالات (في المتوسط، عدة آلاف من الاتصالات لكل عصبي، ولكن هذا الرقم يمكن أن يتقلب كثيرا). الخلايا العصبية هي خلايا خاصة قادرة على توزيع الإشارات الكهروكيميائية. لدى Neuron بنية دخول واسعة النطاق (Dendrites)، الناتج الأساسي والتفرع (AKSON). محاور الخلايا متصلة ب Dendrites من الخلايا الأخرى باستخدام cyapses. عند تنشيط الخلايا العصبي يرسل إشارة كهروكيميائية وفقا لمحوريا. من خلال الأخطاء، تصل هذه الإشارة إلى الخلايا العصبية الأخرى التي قد تتحول إلى التنشيط. يتم تنشيط الخلايا العصبية عندما تتجاوز إجمالي الإشارات التي جاءت إلى نواةها من Dendrites مستوى معين (عتبة التنشيط).

تعتمد شدة الإشارة التي حصلت عليها الخلايا العصبية (وبالتالي إمكانية تنشيطها)، تعتمد بقوة على نشاط الأخطات. يحتوي كل فرعي على طول، ومواد كيميائية خاصة تنتقل إشارة على طول ذلك. أعرب أحد أكثر الباحثين حديثي الباحثين، دونالد هب، عن افتراض أن التدريب هو في المقام الأول تغيير في "القوة" العلاقات المتشددة. على سبيل المثال، في تجربة Pavlov الكلاسيكية، في كل مرة أطلق عليها الجرس الجرس مباشرة قبل إطعام الكلب، وسرعان الكلب تعلم ربط جرس الجرس بالطعام. تكثفت الروابط المتشكرة بين أقسام القشرة الدماغية، المسؤولة عن الشائعات والغدد اللعابية، وأثناء الإثارة من القشرة صوت الجرس، بدأ الكلب في المياه المالحة.

وبالتالي، يتم بناؤها من عدد كبير جدا من العناصر البسيطة الكاملة (كل منها يأخذ كمية مرجحة من إشارات المدخلات، وفي حالة تجاوز إجمالي المدخلات مستوى معين، ينقل المزيد من الإشارة الثنائية)، فإن الدماغ قادر على حلها للغاية المهام المعقدةوبعد بالطبع، لم نؤثر هنا العديد من الجوانب المعقدة لجهاز الدماغ، ولكن من المثير للاهتمام أن مصطنعةإن الشبكات العصبية قادرة على تحقيق نتائج ملحوظة باستخدام نموذج ليس أكثر تعقيدا بكثير مما هو موضح أعلاه.