تفاوت بین شبکه های عصبی و آمار چیست؟ شبکه های عصبی شبکه های عصبی Statistica: روش شناسی و فناوری مدرن آمار آمار آمار آمار ساخته شده برای شبکه های عصبی

قبل و بعد از پردازش، از جمله انتخاب داده ها، کدگذاری مقادیر اسمی، پوسته پوسته شدن، نرمال سازی، حذف داده های از دست رفته با مصارف برای طبقه بندی، رگرسیون و وظایف موقت موقت؛
سهولت استثنایی استفاده به همراه قدرت تحلیلی بی نظیر؛ به عنوان مثال، عدم داشتن آنالوگ تصمیمات جادوگر کاربر را از طریق تمام مراحل پاک کردن شبکه های عصبی مختلف نگه می دارد و بهترین ها را انتخاب می کند (این کار، در غیر این صورت، به وسیله نمونه ها و خطاهای طولانی حل می شود و نیاز به یک دانش کامل از این نظریه دارد)؛
فناوری های اکتشافی قدرتمند و تحلیلی، شامل تجزیه و تحلیل جزء اصلی و ابعاد پایین تربرای انتخاب متغیرهای ورودی مورد نظر در تجزیه و تحلیل داده های اکتشاف (شبکه عصبی) (انتخاب متغیرهای ورودی مورد نظر برای شبکه های عصبی اغلب طول می کشد؛ سیستم شبکه های عصبی Statistica. می تواند این کار را برای کاربر انجام دهد)؛
الگوریتم های آموزش مدرن، بهینه سازی شده و قدرتمند شبکه (از جمله روش های شیب کانژات و لونوبرگ مارکرا)؛ کنترل کامل بر تمام پارامترهای موثر بر کیفیت شبکه، مانند فعال سازی و توابع خطا، پیچیدگی شبکه؛
پشتیبانی از مجموعه ای از شبکه های عصبی و معماری شبکه عصبی از اندازه تقریبا نامحدود ایجاد شده در مجموعه های شبکه - مجموعه های شبکه؛ یادگیری انتخابی بخش های شبکه عصبی؛ ترکیب، و ذخیره مجموعه های شبکه در فایل های جداگانه؛
ادغام کامل با سیستم آمار؛ تمام نتایج، نمودار ها، گزارش ها، و غیره ممکن است در آینده با استفاده از ابزار گرافیکی و تحلیلی قدرتمند اصلاح شود آمار (به عنوان مثال، برای تجزیه و تحلیل بقایای پیش بینی شده، ایجاد یک گزارش دقیق و غیره)؛
ادغام کامل با ابزار قدرتمند قدرتمند آمار؛ ضبط ماکروهای کامل فلج شده برای هر آزمایش؛ ایجاد تجزیه و تحلیل شبکه های عصبی و برنامه های خود را با Statistica ویژوال بیسیکزنگ زدن شبکه های عصبی Statistica. از هر برنامه پشتیبانی sOM (به عنوان مثال، تجزیه و تحلیل نوروتو اتوماتیک در جدول خانم اکسل یا ترکیبی از برنامه های کاربردی چند کاربر نوشته شده در C ++، C #، جاوا و غیره.).

شبکه های عصبی Statistica در محاسبات شبکه عصبی:

استفاده از شبکه های عصبی به معنای بسیار بیشتر از پردازش داده ها توسط روش های شبکه عصبی است.
شبکه های عصبی Statistica. انواع مختلفی را فراهم می کند عملکرد، برای کار با وظایف بسیار پیچیده، از جمله نه تنها جدیدترین معماری شبکه عصبی و الگوریتم های آموزشی، اما همچنین رویکردهای جدید در انتخاب داده های ورودی و ساخت یک شبکه. علاوه بر این، توسعه دهندگان نرم افزار و کاربران آزمایش شده با تنظیمات برنامه ها از این واقعیت که پس از آزمایش های مشخص شده در یک رابط کاربری ساده و بصری قدردانی می کنند، قدردانی می کنند شبکه های عصبی Statistica.تست های عصبی را می توان در داستان کاربر ترکیب کرد. این کار با استفاده از کتابخانه به دست می آید. com-function statisticaکه به طور کامل تمام توابع برنامه را نشان می دهد و یا با استفاده از کد در زبان C (C ++، C #) یا ویژوال بیسیک.که توسط برنامه تولید می شود و به اجرای یک شبکه عصبی کامل یا گروه شبکه کمک می کند.

اطلاعات اولیه

مدول شبکه های عصبی Statistica. به طور کامل با سیستم ادغام شده است آماربنابراین این امر به انتخاب گسترده ای از داده های ویرایش داده ها (آماده سازی) برای تجزیه و تحلیل (تحول، شرایط برای انتخاب مشاهدات، ابزار تأیید داده ها، و غیره) قابل دسترسی است. مانند تمام تست ها آماراین برنامه ممکن است به یک پایگاه داده از راه دور با استفاده از ابزار پردازش "در سایت" متصل شود یا مربوط به داده های فعال باشد تا مدل ها آموزش داده شوند یا شروع شوند (به عنوان مثال. برای محاسبه مقادیر پیش بینی شده یا طبقه بندی)، هر بار که شما تغییر می کنید داده.

انتخاب داده های ورودی و کاهش ابعاد

پس از تهیه اطلاعات، شما باید تصمیم بگیرید که چه متغیرها باید هنگام کار با شبکه عصبی استفاده شوند. بیشتر تعداد متغیرها، شبکه عصبی دشوارتر، و بنابراین، حافظه و زمان بیشتری را برای آموزش، و همچنین تعداد بیشتری از نمونه های آموزشی (مشاهدات) بیشتر خواهد کرد. با مقدار کافی از داده ها و / یا همبستگی بین متغیرها، اهمیت استثنایی در بسیاری از برنامه های کاربردی شبکه عصبی، انتخاب متغیرهای ورودی قابل توجه و فشرده سازی اطلاعات را به تعداد کمی از متغیرها به دست می آورند.

الگوریتم های کاهش اندازه:

که در شبکه های عصبی Statistica.الگوریتم های برگشت و مستقیم گام به گام انتخاب. علاوه بر این، Agoritm عصبی ژنتیکی انتخاب داده های ورودی، قابلیت های الگوریتم های ژنتیک را ترکیب می کند و PNN / Grnn (PNN - شبکه های عصبی احتمالی، Grnn - شبکه های عصبی رگرسیون عمومی) به طور خودکار ترکیبی بهینه از متغیرهای ورودی را پیدا کنید، از جمله در مواردی که همبستگی و وابستگی های غیر خطی بین آنها وجود دارد. تقریبا سریع سرعت یادگیری الگوریتم PNN / Grnn نه تنها می تواند اعمال شود الگوریتم انتخاب ورودی نورو ژنتیکاما همچنین به شما اجازه می دهد (با استفاده از موجود در سردبیرداده های سیستم شبکه های عصبی Statistica.با استفاده از ابزار مناسب برای سرکوب متغیرهای ناچیز) در زمان واقعی برای انجام آزمایش های خود را بر حساسیت داده ها. شبکه های عصبی Statistica. همچنین دارای یک سیستم داخلی ساخته شده است تجزیه و تحلیل جزء اصلی (AGK، و شبکه های انجمنی برای "AGK غیر خطی")اجازه می دهد تا اندازه داده های منبع را کاهش دهد. توجه داشته باشید که انواع مختلفی از روش های آماری برای کاهش ابعاد داده موجود در سیستم پایه آمار.

مقیاس داده ها و تحول ارزش های اسمی:

قبل از اینکه داده ها وارد شبکه شوند، باید به طور خاص آماده شوند. این به همان اندازه مهم است که خروجی را می توان به درستی تفسیر کرد. که در شبکه های عصبی Statistica. ممکن است به طور خودکار داده های ورودی و خروجی را به طور خودکار (از جمله مقیاس بندی حداقل / حداکثر مقادیر و به طور متوسط \u200b\u200b/ انحراف استاندارد) را کاهش دهد. به طور خلاصه، متغیرهایی با مقادیر اسمی نیز می توانند به صورت خودکار بازنویسی شوند (به عنوان مثال، جنسیت \u003d (شوهر، همسران))، از جمله روش کدگذاری 1-OUT-N. شبکه های عصبی Statistica. همچنین شامل ابزارهایی برای کار با داده های از دست رفته است. توابع عادی به عنوان اجرا می شود "مقدار تک", "برنده همه چیز را می گیرد" و "طول بردار طول". ابزار آماده سازی و تفسیر داده ها به طور خاص برای تجزیه و تحلیل سری موقت وجود دارد. طیف گسترده ای از وسایل مشابه نیز در سیستم پایه اجرا می شود آمار.
در وظایف طبقه بندی، ممکن است فواصل اطمینان را ایجاد کنید شبکه های عصبی Statistica. سپس برای ارزیابی مشاهدات به یک کلاس یا یک کلاس دیگر استفاده می شود. همراه با ویژه اجرا شده در شبکه های عصبی Statistica.تابع فعال سازی نرم و عملکردهای خطای متقابل آنتروپی این یک رویکرد اساسی نظری و احتمالی را به وظایف طبقه بندی می دهد.

انتخاب یک مدل شبکه عصبی، گروه های شبکه

انواع مدل های شبکه های عصبی و بسیاری از پارامترهای که باید نصب شوند (ابعاد شبکه، پارامترهای الگوریتم یادگیری و غیره) می توانند کاربر دیگری را به یک مرده متصل کنند (برای این و وجود دارد تصمیمات جادوگرکه به طور خودکار می تواند یک معماری شبکه مناسب از هر گونه پیچیدگی را جستجو کند).

سیستم شبکه های عصبی Statistica تمام انواع اصلی شبکه های عصبی مورد استفاده در حل وظایف عملی را شامل می شود، از جمله:

perceptrons چند لایه (شبکه های انتقال مستقیم سیگنال)؛
شبکه ها بر روی توابع اساسی شعاعی؛
خود سازماندهی کارت های Kohonen؛
شبکه های عصبی احتمالی (Bayesian)؛
شبکه های عصبی عمومی تعمیم یافته؛
اجزای اصلی شبکه؛
شبکه های خوشه بندی؛
شبکه های خطی

همچنین در سیستم شبکه های عصبی Statistica. اجرا شده گروه های شبکهاز ترکیبات تصادفی (اما قابل توجه) از شبکه های فوق تشکیل شده است. یکی دیگر از ابزارهای راحت وجود دارد: شما می توانید شبکه ها را به گونه ای مرتبط کنید تا آنها به طور پیوسته شروع شوند. این در پیش پردازش برای پیدا کردن راه حل های حداقل هزینه مفید است.

در بسته شبکه های عصبی Statistica. ابزارهای متعددی وجود دارد که کاربر را با انتخاب یک معماری شبکه مناسب تسهیل می کند. ابزار آماری و سیستم های گرافیکی شامل هیستوگرام، ماتریس و نمودارهای خطا برای کل مجموعه و مشاهدات فردی، کل داده ها در طبقه بندی صحیح / نادرست و تمام آمار مهم - به عنوان مثال، توضیح داده شده توسط نسبت وارانس - به طور خودکار محاسبه می شود.

برای تجسم داده ها در بسته شبکه های عصبی Statistica. نمودارهای پراکندگی پیاده سازی شده و سطوح پاسخ سه بعدی، کمک به کاربر برای درک "رفتار" شبکه.
البته، هر گونه اطلاعات دریافت شده از منابع ذکر شده را می توان برای تجزیه و تحلیل بیشتر توسط سایر ابزارها استفاده کرد آمار، و همچنین برای ورود بعدی در گزارش ها یا پیکربندی.

شبکه های عصبی Statistica. به طور خودکار بهترین گزینه شبکه را از کسانی که دریافت کرده اید را به یاد می آورید، آزمایش کنید و در هر زمان با آن تماس بگیرید. سودمندی شبکه و توانایی آن در پیش بینی به طور خودکار بر روی مجموعه تأیید ویژه ای از مشاهدات، و همچنین ارزیابی اندازه شبکه، اثربخشی آن و قیمت طبقه بندی نادرست بررسی می شود. اجرا شده توسط شبکه های عصبی Statistica. فرآیندهای اتوماتیک چک کردن متقابل و تنظیم وزن آن توسط vugedu اجازه دهید به سرعت متوجه شوید که آیا شبکه شما کافی نیست یا برعکس، برای این کار بسیار دشوار است.

برای بهبود عملکرد در بسته شبکه های عصبی Statistica.گزینه های راه اندازی شبکه های متعدد ارائه شده است. بنابراین، شما می توانید یک لایه خروجی خطی شبکه را در وظایف رگرسیون یا عملکرد فعال سازی نوع SoftMax در وظایف ارزیابی احتمالی و طبقه بندی قرار دهید. اگر بسیاری از انتشار گازهای گلخانه ای در اطلاعات شما وجود داشته باشد، هنگام یادگیری یک شبکه، می توانید تابع خطای استاندارد را به یک تابع حساس کمتر جایگزین کنید. "شهرستان چهارم". این سیستم همچنین بر روی مدل های نظریه اطلاعاتی خطاهای متقابل آنتروپی و تعدادی از توابع فعال سازی خاص، از جمله: گام، ادی و سینوسی موجود، اجرا شد.

راه حل های جادوگر (به طور خودکار کار را ارزیابی می کند و چندین شبکه معماری مختلف را انتخاب می کند):

بخشی از بسته شبکه عصبی Statistica.s است راه حل های جادوگر - حل مسئله هوشمندکه بسیاری از شبکه های عصبی از معماری و پیچیدگی های مختلف را ارزیابی می کند و انتخاب بهترین شبکه های معماری برای این کار را انتخاب می کند.
استاد این قابلیت ساخت شبکه ها برای اطلاعات با مشاهدات مستقل (شبکه های رگرسیون استاندارد، شبکه های طبقه بندی یا مخلوط) برابر با هر شبکه ای است که برای پیش بینی مقادیر آینده یک متغیر خاص بر اساس مقادیر موجود یک متغیر مشابه (شبکه " با ردیف موقت)
زمان قابل توجهی هنگام ایجاد یک شبکه عصبی، انتخاب از متغیرهای مناسب و بهینه سازی معماری شبکه توسط روش جستجوی اکتشافی است. شبکه های عصبی Statistica. این کار را بر روی خود انجام می دهد و به طور خودکار جستجوی اکتشافی را برای شما نگه می دارد. این روش، ابعاد ورودی، نوع شبکه، ابعاد شبکه و توابع کدگذاری مورد نیاز را در نظر می گیرد.
در طول جستجو شما می توانید تعداد پاسخ های دریافت شده در فرآیند یادگیری را مشخص کنید. هنگام نصب حداکثر حالت جزئیات دکوراسیون کارشناسی ارشدtH معماری و سطح کیفیت را برای هر شبکه آزمایش شده نمایش می دهد.
تصمیمات جادوگر افراطی است ابزار موثر استفاده از تکنیک های پیچیده، به شما این امکان را می دهد که به طور خودکار بهترین معماری شبکه را پیدا کنید. به جای صرف چند ساعت در صندلی در مقابل کامپیوتر، سیستم را ارائه می دهد شبکه های عصبی Statistica. این کار را برای شما انجام دهید.
طراح شبکه اتوماتیکشما همچنین می توانید در فرآیند توسعه یک مدل زمانی که ماژول استفاده می کنید استفاده کنید شبکه های عصبی Statistica، همراه با ماژول های دیگر سیستم اساسی آماربرای شناسایی مهمترین متغیرها (به عنوان مثال، بهترین پیش بینی کننده ها برای گنجاندن و آزمایش بعدی در هر مدل برآورد غیر خطی - برآورد غیر خطی).

آموزش شبکه عصبی:

موفقیت آزمایشات جستجوی بهترین نوع شما و معماری شبکه به طور قابل توجهی بستگی به کیفیت و سرعت الگوریتم های یادگیری شبکه دارد. در سیستم شبکه های عصبی Statistica. امروز بهترین الگوریتم های آموزشی را اجرا کرد.
برای یادگیری چند لایه Perceptons در سیستم شبکه های عصبی Statistica. این در درجه اول، اول از همه، روش انتشار معکوس - با سرعت تغییر سرعت و ضریب inertia، مشاهده مشاهدات قبل از مرحله بعدی الگوریتم و اضافه کردن نویز افزودنی برای تعمیم قوی است. علاوه بر این، در سیستم شبکه های عصبی Statistica. دو الگوریتم سریع مرتبه دوم اجرا می شوند - روش های شیب های کنجد و لونوبرگ مارکرا. دومی یک الگوریتم مدرن مدرن غیرعادی برای بهینه سازی غیر خطی است و کارشناسان به شدت توصیه می کنند از آنها استفاده کنند. در عین حال، دامنه کاربرد این روش توسط موارد شبکه های نسبتا کوچک با یک نورون خروجی محدود شده است و برای وظایف دست و پا گیر تر در بسته شبکه های عصبی Statistica. یک روش از شیب های کنجد وجود دارد. به عنوان یک قاعده، هر دو و الگوریتم دیگر سریعتر از روش انتشار بازگشت، همگرایی می شوند و در عین حال معمولا یک راه حل مناسب تر را ارائه می دهند.
آموزش شبکه تکراری در سیستم شبکه های عصبی Statistica. این دستگاه همراه با صفحه نمایش اتوماتیک خطای فعلی یادگیری همراه است و خطا به طور مستقل از آن بر روی مجموعه چک محاسبه شده است، و نمودار کل خطا نشان داده شده است. شما می توانید یادگیری را در هر زمان قطع کنید، به سادگی با فشار دادن دکمه. علاوه بر این، ممکن است شرایط توقف را تنظیم کنید، در صورت انجام تمرین قطع شود؛ چنین شرایطی ممکن است، به عنوان مثال، دستیابی به یک سطح مشخصی از خطا، یا رشد پایدار خطای تأیید در طول گذر مشخص از پاساژ ها - "Epoch" (که نشان دهنده بازآموزی به اصطلاح شبکه است). اگر بازآموزی اتفاق بیافتد، نباید از کاربر مراقبت کند: شبکه های عصبی Statistica. به طور خودکار نمونه ای از بهترین شبکه های به دست آمده را در طول فرآیند یادگیری به یاد می آورد و همیشه می توانید با فشار دادن دکمه مربوطه با این شبکه تماس بگیرید. پس از تکمیل آموزش شبکه، می توانید کیفیت کار خود را بر روی یک مجموعه آزمایشی جداگانه بررسی کنید.
در بسته شبکه های عصبی Statistica. تعدادی از الگوریتم های یادگیری برای سایر شبکه های معماری دیگر نیز اجرا می شوند. پارامترهای اسپاله های شعاعی و ضرایب صاف در شبکه ها بر اساس عملکرد پایه شعاعی و شبکه های رگرسیون عمومی می تواند توسط الگوریتم هایی مانند: آموزش Kohonen، وام، روش k-middle، روش های ایزوتراپی و نزدیکترین همسایگان. نورون های لایه خروجی خطی در شبکه های بر اساس عملکرد شعاعی، همانطور که در شبکه های خطی، به طور کامل بهینه سازی شده است. تجزیه منحصر به فرد (SVD).
ایجاد ساختارهای شبکه هیبریدی. در سیستم شبکه های عصبی Statistica. ممکن است یک شبکه از ساختار مخلوط ایجاد شود. به عنوان مثال، در یک شبکه اصلاح شده بر اساس عملکرد پایه شعاعی، اولین لایه نورون ها را می توان آموزش داد الگوریتم Kohonena، و دوم - لایه غیر خطی - روش Levenberga-Marcara.

تست شبکه عصبی:

پس از آموزش شبکه، شما باید کیفیت کار خود را بررسی کنید و ویژگی ها را تعیین کنید. برای انجام این کار در بسته شبکه های عصبی Statistica.مجموعه ای از آمار و گرافیک صفحه نمایش وجود دارد.
در صورتی که چندین مدل (شبکه ها و مجموعه ها) مشخص شوند، پس از آن (در صورت امکان) شبکه عصبی Statistica.s نتایج مقایسه ای را نشان می دهد (به عنوان مثال، منحنی های پاسخ چندین مدل در یک نمودار، یا پیش بینی های چند مدل در یک جدول ایجاد می شود). این ویژگی برای مقایسه مدل های مختلف آموزش دیده بر روی یک مجموعه داده بسیار مفید است.
تمام آمارها به صورت جداگانه برای یادگیری، بررسی و تست مجموعه ها محاسبه می شود. تمام پارامترهای وزن و فعال سازی به صورت مناسب در دسترس هستند. فایل متنیکدام یک کلیک را می توان به جدول نتایج سیستم تبدیل کرد آمار. نتایج آزمایشات بر روی مشاهدات فردی یا در طول مجموعه داده ها نیز می تواند به صورت یک جدول مشاهده شود. آمار و در تجزیه و تحلیل های بیشتر یا برنامه ها استفاده کنید.
آمار مطلوب زیر به طور خودکار محاسبه می شود: خطای استاندارد شبکه، ماتریس به اصطلاح ناسازگاری (ماتریس سردرگمی) برای وظایف طبقه بندی (که در آن همه موارد طبقه بندی مناسب و نادرست جمع شده اند) و سهم رگرسیون توضیح داده شده برای وظایف رگرسیون. شبکه Kohonen. او یک پنجره دارد نقشه توپولوژیکجایی که شما می توانید از لحاظ بصری فعال سازی عناصر شبکه را مشاهده کنید، همچنین علامت مشاهدات و گره ها را در فرایند تجزیه و تحلیل داده ها تغییر دهید. همچنین یک پنجره فرکانس برنده وجود دارد که به شما امکان می دهد بلافاصله خوشه ها را در یک نقشه توپولوژیک قرار دهید. آنالیز خوشه ای شما می توانید با ترکیبی از یک شبکه معماری استاندارد با یک نمودار سیستم خوشه ای خاص انجام دهید. شبکه های عصبی Statistica.. به عنوان مثال، شما می توانید یک شبکه را برای تجزیه و تحلیل مولفه اصلی و گرافیکی تصویر را در طرح ریزی به دو جزء اول آموزش دهید.

ویرایش، اصلاح و اتصال پیوسته شبکه های عصبی

در سیستم شبکه های عصبی Statistica. ابزارهای هوشمند وجود دارد که به شما امکان می دهد قطعات را از شبکه های موجود در حال حاضر در دسترس قرار دهید و چندین شبکه را متصل کنید. بنابراین، شما می توانید نورون های جداگانه را حذف یا اضافه کنید، یک لایه کامل را از شبکه حذف کنید، و شبکه هایی که با تعداد ورودی ها / خروجی ها سازگار هستند، می توانند به طور پیوسته به یکدیگر متصل شوند. با تشکر از این ویژگی ها شبکه های عصبی Statistica.به شما اجازه می دهد تا از این وسایل به عنوان کاهش ابعاد (در پیش پردازش) با استفاده از شبکه های وابسته و ماتریس از دست دادن (برای تصمیم گیری با کوچکترین از دست دادن) استفاده کنید. ماتریس از دست رفتن به طور خودکار هنگام کار با شبکه های عصبی احتمالی استفاده می شود.

راه حل های آماده (برنامه های سفارشی با استفاده از شبکه های عصبی آمار):

ساده I. رابط راحت سیستم های شبکه های عصبی Statistica. به شما امکان می دهد تا به سرعت برنامه های شبکه عصبی را برای حل وظایف خود ایجاد کنید.
به عنوان مثال، این وضعیت امکان پذیر است زمانی که ممکن است این راه حل ها را برای سیستم موجود در حال حاضر جاسازی کند، به عنوان مثال، آنها را بخشی از یک محیط محاسباتی گسترده تر (ممکن است روش های توسعه یافته به طور جداگانه و به یک سیستم محاسباتی شرکتی ساخته شود).
شبکه های عصبی آموزش دیده را می توان به مجموعه های جدیدی از داده ها (برای پیش بینی) اعمال کرد: شما می توانید یک شبکه آموزش دیده یا گروه شبکه را ذخیره کنید (به عنوان مثال، برای محاسبه پیش بینی متوسط \u200b\u200bبر اساس معماری های متعدد) و سپس آن را به یک داده جدید اعمال کنید تنظیم (برای پیش بینی، طبقه بندی پیش بینی شده یا پیش بینی)؛ شما می توانید از ژنراتور کد استفاده کنید ایجاد خودکار کد نرم افزار در زبان C (C ++، C #) یا ویژوال بیسیک.و بیشتر از آن برای پیش بینی اطلاعات جدید در هر محیط نرم افزاری استفاده کنید ویژوال بیسیک یا C ++ (C #). پیاده سازی یک شبکه عصبی به طور کامل آموزش دیده در درخواست شما. در نتیجه، تمام قابلیت های سیستم آمار، شامل شبکه های عصبی Statistica. می تواند مورد استفاده قرار گیرد کام از اشیاء (مدل شیء جزء) در برنامه های دیگر (به عنوان مثال، جاوا، خانم اکسل و غیره.). به عنوان مثال، شما می توانید تجزیه و تحلیل خودکار ایجاد شده در شبکه های عصبی Statistica. روی میز خانم اکسل.

فهرست الگوریتم های یادگیری:

توزیع معکوس؛
Levenberg مارکرا؛
گرادیان conjugate؛
quasi-newtonian؛
توزیع سریع؛
دلتا دلتا-S ویژگی؛
شبه معکوس؛
آموزش Kohonen؛
علامت گذاری نزدیکترین کلاس ها؛
Quantizer بردار آموزش؛
نمونه رادیال (زیر)؛
روش k-merverage؛
روش K- نزدیکترین همسایگان (KNN)؛
نصب انحرافات ایزوتروپیک؛
نصب انحرافات واضح؛
شبکه عصبی احتمالی؛
شبکه اصلی عمومی و رگرسیون؛
الگوریتم انتخاب ورودی ژنتیک؛
گام به گام انتخاب مستقیم یا معکوس از داده های ورودی.

مورد نیاز سیستم

سیستم شبکه های عصبی Statistica. این حتی می تواند بر روی کامپیوترهای نسبتا ضعیف یا قدیمی کار کند. با این حال، از آنجا که بسیاری از روش های بسته نیاز به مقادیر زیادی از محاسبات دارند، به شدت توصیه می شود از آن استفاده کنید پردازنده پنتیوم با 32 مگابایت رم.

محدودیت ها در اندازه های شبکه:

شبکه عصبی می تواند تقریبا هر اندازه باشد (یعنی اندازه های آن می تواند چندین بار بیشتر از آن است که در واقع و منطقی باشد)؛ این اجازه می دهد تا 128 لایه بدون محدودیت تعداد نورون ها باشد. در حقیقت، برای هر گونه وظایف عملی، این برنامه تنها با ویژگی های سخت افزاری کامپیوتر محدود می شود.

کتابچه راهنمای کاربر:

به عنوان بخشی از سیستم شبکه های عصبی Statistica. یک آموزش به خوبی نشان داده شده است که حاوی مقدمه کامل و قابل درک به شبکه های عصبی، و همچنین نمونه ها است. از هر کادر محاوره ای، یک سیستم مرجع وابسته به محتاطانه در دسترس است.

ژنراتور کد منبع:

ژنراتور کد منبع این یک محصول اضافی است که به کاربران اجازه می دهد تا به راحتی سیستم های خود را بر اساس سیستم ایجاد کنند. شبکه های عصبی Statistica.. این محصول اضافی کد سیستم منبع مدل شبکه عصبی را ایجاد می کند. (به عنوان یک فایل در C، C ++، C #)که می تواند به طور جداگانه کامپایل شده و به برنامه توزیع رایگان شما متصل شود. این محصول به طور خاص برای توسعه دهندگان سیستم های شرکتی طراحی شده است، و همچنین کسانی که نیاز به تبدیل به روش های بهینه شده با بهینه سازی شده در شبکه های عصبی Statistica. در برنامه های خارجی برای حل وظایف تحلیلی پیچیده.

روش های شبکه های عصبی به طور فزاینده ای در طیف گسترده ای از مناطق توزیع می شود.

صنعت:

مدیریت فرایند (به ویژه، نظارت بر فرآیندهای تولید با تنظیم مداوم پارامترهای کنترل).
طبقه بندی نمونه های سوخت (تقسیم بندی انواع سوخت بر اساس تجزیه و تحلیل طیف آنها).
تشخیص فنی (ارتعاش و سر و صدا در مرحله اولیه تعیین سوء عملکرد در مکانیزم و انجام تعمیرات پیشگیرانه).
سیستم های کنترل موتور (ارزیابی سطح مصرف سوخت با استفاده از داده های حسی و کنترل آنها).
سیستم های آشکارسازهای با تغییر در زمان واقعی فیزیک. شبکه های عصبی به سر و صدا مقاوم هستند و اجازه استفاده از الگوهای قوی در داده های فیزیکی با سر و صدای آماری بزرگ می پردازند.

بازار یابی:

پیش بینی قیمت طلا؛
پیش بینی قیمت مواد اولیه؛
تجارت با توزیع مستقیم

دارایی، مالیه، سرمایه گذاری:

افزایش اعتبار (وظیفه کلاسیک - بر روی داده های پرسشنامه برای تعیین اینکه آیا این وام گیرنده کاهش می یابد).
پیش بینی سری های زمان مالی.

اکتشاف زمین شناسی:

بهبود کارایی فرایند معدن (تخصیص عوامل مهمی که بر شاخص های عملکرد عملکرد تاثیر می گذارد).

صنایع دیگر:

تشخیص نوری از شخصیت ها، از جمله تشخیص امضا؛
پردازش تصویر؛
پیش بینی سری زمانی هرج و مرج؛
تشخیص پزشکی؛
سنتز سخنرانی؛
تجزیه و تحلیل زبانی.

در بسته آمار آمار، مشکل پیش بینی مداوم به نظر می رسد یک وظیفه رگرسیون است. در چارچوب این مشکل، شبکه عصبی به عنوان یک عملکرد غیر خطی محسوب می شود، پیچیدگی آن توسط "نیمه پارامتری" کنترل می شود - تعداد عناصر در شبکه بر پیچیدگی محلول تاثیر می گذارد، اما البته، البته تحلیلگر نمی تواند نوع صریح عملکرد رگرسیون را ببیند.

لازم است یک شبکه عصبی ایجاد شود، محاسبه رئیس سرب به اتمسفر بسته به تعداد و نوع حمل و نقل عبور. داده ها در فایل lead.xls ذخیره می شود.

File.xls سرب را در بسته آمار باز کنید. پنجره "باز کردن فایل" ظاهر می شود.

شکل. 4. 33. پنجره واردات

شما باید گزینه "وارد کردن برگه انتخاب شده" را انتخاب کنید و نام ورق را با داده ها انتخاب کنید:

شکل. 4. 34. برگه اکسل را برای واردات به بسته آمار آمار انتخاب کنید.

در پنجره بعدی، باید پارامترهای واقعی داده ها را مشخص کنید، که معمولا به طور خودکار تعریف شده و به صورت خودکار نمایش داده می شوند (به جز سه جعبه آخر).

شکل. 4. 35. تنظیم منطقه واردات.

پس از آن، داده های وارداتی در پنجره نمایش داده می شود.

شکل. 4. 36. نتایج واردات.

بسته تجزیه و تحلیل را با استفاده از شبکه های عصبی اجرا کنید. برای انجام این کار، شبکه های عصبی را در منوی تجزیه و تحلیل انتخاب کنید.

شکل. 4. 37. انتخاب یک روش پردازش داده ها - "شبکه عصبی".

پس از آن، پنجره های شبکه های عصبی Statistica ظاهر خواهد شد:

شکل. 4. 38. شروع به تجزیه و تحلیل پنجره "شبکه های عصبی".

روی برگه "Fast" کلیک کنید، جایی که شما باید نوع کار رگرسیون و ابزار سازنده شبکه را مشخص کنید.

شکل. 4. 39. اجرای طراح شبکه عصبی.

بعد، با کلیک بر روی دکمه "OK"، شما به حالت خروجی (وابسته) و متغیرهای ورودی (مستقل) بروید. به عنوان اولین، "سرب" را انتخاب کنید، و به عنوان دومی - تعداد اتومبیل های همه دسته ها. ستون ها "نه" و "خیابان ها" استفاده نشده اند.

شکل. 4. 40. ورودی و خروجی را برای شبکه عصبی انتخاب می کند.

با کلیک بر روی "OK" شما به برگه "FAST" بازگشت خواهید کرد. سپس، با فشار دادن دکمه "OK" دوباره، به پنجره شکل گیری شبکه عصبی حرکت می کنید. در برگه "سریع"، شما باید نوع شبکه چند لایه Perceptron را انتخاب کنید،

شکل. 4. 41. انتخاب یک نوع شبکه عصبی.

و در برگه "عناصر"، شما می توانید تعداد مورد نیاز لایه ها، تعداد نورون ها را در هر، و همچنین نوع عملکرد فعال سازی مشخص کنید:

شکل. 4. 42. تنظیم تعداد لایه ها و انواع نورون ها.

شکل. 4. 43. انتخاب یک روش آموزش نئوزیتی.

در اینجا با کلیک بر روی دکمه "نمونه"، می توانید تعداد نمونه های آموزشی، کنترل و تست را مشخص کنید. اگر تعداد نمونه های آزمون و کنترل را مشخص کنید، شبکه در تمام نمونه ها آموزش دیده خواهد شد:

شکل. 4. 44. تعریف داده ها برای یادگیری و آزمایش.

بازگشت به پنجره یادگیری اصلی، شما می توانید با کلیک بر روی دکمه "کاربر" و تبدیل به برگه "تعاملی"، نیاز به فرآیند یادگیری در قالب یک گراف منعکس شده است:

شکل. 4. 45. تنظیم نوع گراف برای نشان دادن فرایند یادگیری.

در نهایت، با کلیک بر روی دکمه "OK"، فرایند یادگیری را اجرا می کنید، نتیجه آن بر اساس برنامه نمایش داده می شود:

شکل. 46. \u200b\u200bآموزش شبکه عصبی.

با کلیک بر روی دکمه "OK"، شما به پنجره نتایج حرکت می کنید که در آن شما می توانید ویژگی های مختلف شبکه ایجاد شده را با حرکت دادن با زبانه های پنجره مرور کنید:

شکل. 47. نتایج مدل سازی شبکه عصبی.

به عنوان مثال، در برگه "پیشرفته"، دکمه "معماری شبکه" را با کلیک بر روی آن که می توانید توپولوژی شبکه ساخته شده را ببینید، وجود دارد:

شکل. 4. 48. مشاهده شبکه عصبی ساخته شده.

و همچنین یک دکمه "مشاهده کاربر"، که در آن شما می توانید شبکه های داده منبع جدید را تنظیم کنید و پاسخ شبکه پاسخ را دریافت کنید.

و ما نشان می دهیم که چگونه گفتگو با کاربر کاربر سازمان یافته است.

توجه به رابط کاربری راحت و ابزار. , و روش مترو چندگانهبه کاربران اجازه می دهد تا شبکه های خود را طراحی کنند و بهترین را انتخاب کنند.

بنابراین، اول از همه، راه اندازی شبکه های عصبی.

مرحله 1 شما از پانل شروع شروع می کنید (نگاه کنید به شکل 1).

در این پانل، شما می توانید انواع مختلفی از تجزیه و تحلیل را انتخاب کنید که شما نیاز به اجرای: رگرسیون، طبقه بندی، پیش بینی سری زمانی (با متغیر وابسته به مداوم و قطعی)، تجزیه و تحلیل خوشه ای.

شکل. 1. پانل را شروع کنید Statistica شبکه های عصبی اتوماتیک (SANN)

برای مثال، انتخاب کنید ردیف موقت (رگرسیون)اگر می خواهید پیش بینی کنید یا طبقه بندیاگر وظیفه طبقه بندی حل شود.

دکمه را فشار دهید خوبحرکت به جعبه محاوره ای انتخاب داده ها.

شکل. 2. جعبه محاوره شبکه شبکه - انتخاب داده - تب سریع

گام 2. در برگه سریع شما باید متغیرهای لازم را برای تجزیه و تحلیل انتخاب کنید. متغیرها ممکن است مداوم و قطعی، وابسته و مستقل باشند؛ علاوه بر این، مشاهدات می تواند به نمونه های مختلف تعلق داشته باشد.

شکل. 3. پنجره انتخاب متغیر

برای مبتدیان، توصیه می شود یک استراتژی را انتخاب کنید. یک کاربر با تجربه به راحتی می تواند از هر استراتژی موجود استفاده کند: شبکه عصبی اتوماتیک (ANS) شبکه عصبی سفارشی (PNS) و ما انتخاب خواهیم کرد شبکه عصبی اتوماتیک (ANS).

شکل. 4. جعبه های عصبی جعبه محاوره ای - انتخاب داده ها - تب سریع

در برگه تعاملات (PNS و ANS) شما باید پارتیشن بندی مورد نظر داده ها را بر روی موارد زیر مشخص کنید: آموزش، کنترل و تست. پارتیشن را می توان مشخص کرد بطور تصادفیو می تواند با استفاده از یک کد متغیر اضافی ثابت شود.

در این مورد، ما از یک پارتیشن تصادفی استفاده خواهیم کرد.

شکل. 5. جعبه های عصبی جعبه محاوره ای - انتخاب داده - برگه زیر انتخاب (ANS و PNS)

برگزیدن تعاملات (PNS و ANS)طراحی شده برای دو استراتژی اول: شبکه عصبی اتوماتیک (ANS) و شبکه عصبی سفارشی (PNS)؛ و برگه ایجاد زیرزمینیبرای آخرین استراتژی استفاده می شود: روش نمونه های چندگانه.

مطبوعات خوب و به مرحله تنظیم پارامترهای معماری بروید.

مرحله 3 در برگه سریع کادر محاوره ای شبکه های عصبی اتوماتیکشما باید نوع شبکه، تعداد نورون های پنهان، تعداد شبکه های آموزش دیده و ذخیره شده، و همچنین نوع توابع خطا مورد استفاده را مشخص کنید.

این برنامه انواع شبکه های زیر را ارائه می دهد: چند لایه Perceptrons و شبکه های توابع پایه شعاعی.

شکل. 6. کادر محاوره ای شبکه عصبی اتوماتیک - زبانه سریع

شکل. 7. کادر محاوره ای شبکه عصبی اتوماتیک - برگه تابع فعال سازی برای MLP

در برگه دست زدن شما می توانید گزینه را فعال کنید تا مقیاس ها را تنظیم کنید که پیچیدگی شبکه های آموزش دیده را تنظیم می کند. این مفید است زمانی که وظیفه دارای تعداد زیادی از متغیرهای ورودی، و همچنین تعداد زیادی از نورون ها بر روی یک لایه پنهان است.

اما در مورد ما ما از این استفاده نخواهیم کرد.

شکل. 8. کادر محاوره ای شبکه عصبی اتوماتیک - زبانه گیاهی

حالا شما می توانید به گام یادگیری شبکه های عصبی بروید.

مرحله 4 با فشار دادن دکمه، روش برای یادگیری شبکه های عصبی را اجرا کنید خوب.

در کادر محاوره ای، نشان داده شده در شکل. 9، برخی از اطلاعات مربوط به شبکه عصبی آموزش دیده فعلی نمایش داده می شود. ما می توانیم معماری شبکه را تجزیه و تحلیل کنیم، به سکته مغزی از تکرارهای الگوریتم نگاه کنیم و خطاهای مدل را حل کنیم. رگرسیون از یک خطای استاندارد استفاده می کند، درصد طبقه بندی صحیح مشاهدات برای طبقه بندی (همانطور که در مورد ما) استفاده می شود.

شکل. 9. گفتگو یادگیری شبکه عصبی

این برنامه به طور خودکار به مرحله بعدی ادامه می یابد.

مرحله 5 تجزیه و تحلیل نتایج. در پنجره نتایج، شما می توانید راه حل ها را تجزیه و تحلیل کنید. برنامه را انتخاب خواهد کرد بهترین شبکه ها و کیفیت راه حل را نشان می دهد.

شکل. 10. شبکه های عصبی جعبه محاوره - نتایج - برگه پیش بینی شده

شما می توانید یک شبکه خاص را انتخاب کنید، بهتر از نظر ما، با استفاده از دکمه انتخاب / حذف شبکه ها.

شکل. 11. کادر محاوره ای فعال سازی مدل

به عنوان مثال، یک روش تأیید مقایسه مقادیر مشاهده شده و نتایج پیش بینی شده است. برای مثال، مقایسه مقادیر مشاهده شده و پیش بینی شده برای شبکه انتخاب شده برای نمونه های یادگیری و آزمایش.

شکل. 12. جدول مقادیر مشاهده شده و پیش بینی شده

یا ماتریس خطای طبقه بندی را در نمونه آزمون مشاهده کنید:

شکل. 13. ماتریس طبقه بندی

مرحله 6 برای مثال، بهترین شبکه ها را برای استفاده بیشتر ذخیره کنید، به عنوان مثال، به طور خودکار پیش بینی ها را ایجاد کنید.

برای راه اندازی بیشتر، شبکه ها در فرمت PMML ذخیره می شوند.

شکل. 14. جعبه های عصبی جعبه محاوره - نتایج - صرفه جویی در شبکه ها

شکل. 15. پنجره ذخیره سازی فایل استاندارد شبکه

مرحله 7 اجرای مدل های ذخیره شده در داده های جدید. بنابراین داده های جدید را بارگذاری کنید، اما متغیرها با متغیرها در مدل ها همخوانی دارند.

برای شروع مدل در داده های جدید، می توانید گزینه را در پانل شروع انتخاب کنید (شکل 1) دانلود مدل ها از تجزیه و تحلیل های قبلی و به ملی کردن دکمه آپلود شبکه ها

شکل. 16. پنجره انتخاب فایل استاندارد شبکه

ما گرفتیم:

شکل. 17. شبکه های عصبی اتوماتیک آمار شروع پانل (SANN)

پس از انتخاب فایل مورد نیاز، تمام تنظیمات به طور خودکار تعیین می شوند، بنابراین شما می توانید بلافاصله به پنجره نتایج حرکت کنید (با فشار دادن دکمه دو بار خوب) و تجزیه و تحلیل نتایج به دست آمده.

چنین اسکریپت مطالعه معمولی در بسته است

حاشیه نویسی: شبکه های عصبی و آمار. شبکه های عصبی و منطق فازی. شبکه های عصبی و سیستم های متخصص. شبکه های عصبی و فیزیک آماری.

حیوانات به تقسیم می شوند:

متعلق به امپراتور

نترس

تام

خورشید

آژیر

شگفت آور

سگ های جداگانه

شامل در این طبقه بندی،

در حال اجرا مانند دیوانه

بی شمار

کشیده شده با بهترین قلم مو از پشم شتر،

دیگر

گلدان گل شکسته

مگس از دست رفته یادآور است.

H.L. Koeses، "زبان تحلیلی جان ویلکینز"

Necrocomputer دارای نقاط متعدد با سایر رشته ها و روش های آنها است. به طور خاص، تئوری شبکه های عصبی از دستگاه مکانیک آماری و تئوری بهینه سازی استفاده می کند. مناطق برنامه های کاربردی علوم اعصاب گاهی اوقات تقاطع یا تقریبا همخوانی با برنامه های آمار ریاضی، نظریه مجموعه های فازی و سیستم های متخصص است. پیوندها و همبستگی های مغز و اعصاب بسیار متنوع هستند و تطبیق پذیری آن را نشان می دهند. در این سخنرانی، که می تواند به عنوان یک اضافی مورد توجه قرار گیرد، به عنوان نیاز به آموزش ریاضی تا حدودی بیشتر، ما فقط در مورد مهم ترین آنها صحبت خواهیم کرد.

شبکه های عصبی و آمار

از آنجایی که در حال حاضر شبکه های عصبی با موفقیت به تجزیه و تحلیل داده ها مورد استفاده قرار می گیرند، مناسب است که آنها را با روش های آماری قدیمی توسعه یافته مقایسه کنید. در ادبیات بر روی آمار، گاهی اوقات ممکن است این بیانیه را برآورده می کند که اغلب روش های شبکه عصبی استفاده می شود هیچ چیز بیش از مدل های رگرسیون ناکارآمد و مدل های تشخیصی نیست. ما قبلا قبلا اشاره کرده ایم شبکه های عصبی چند لایه در واقع ممکن است مشکلات نوع رگرسیون و طبقه بندی را حل کند. با این حال، در ابتدا، پردازش این شبکه های عصبی به طور قابل توجهی در طبیعت متنوع تر است - به یاد بیاورید، به عنوان مثال، طبقه بندی فعال شبکه های hopfield یا نشانه های Kohonen، که هیچ آنالوگ های آماری ندارند. ثانیا، بسیاری از مطالعات مربوط به استفاده از شبکه عصبی در امور مالی و کسب و کار، مزایای آنها را نسبت به روش های آماری پیش از پیشرفته نشان داد. نتایج مقایسه روش های شبکه عصبی و آمار ریاضی را در نظر بگیرید.

شبکه های عصبی زبان توصیف هستند؟

همانطور که قبلا ذکر شد، برخی از آمارها استدلال می کنند که رویکردهای شبکه عصبی به پردازش داده ها به سادگی بازسازی و اصلاح شده، اما روش های تجزیه و تحلیل آماری شناخته شده است. به عبارت دیگر، Neurocomputing به سادگی از یک زبان جدید برای توصیف دانش قدیمی استفاده می کند. به عنوان مثال، ما نقل قول از وارن SIRLA را ارائه می دهیم:

بسیاری از محققان شبکه های عصبی مهندسین، فیزیکدانان، نوروفیزیولوژیست ها، روانشناسان یا متخصصان رایانه ای هستند که کمی درباره آمار و بهینه سازی غیر خطی می دانند. محققان شبکه عصبی به طور مداوم روش هایی را که در ادبیات ریاضی و آماری با دهه ها و قرن ها شناخته شده اند، تبدیل می کنند، اما اغلب نمی توانند درک کنند که چگونه این روش ها کار می کنند

نقطه نظر مشابهی، در نگاه اول ممکن است منطقی باشد. فرمالیته شبکه های عصبی واقعا قادر به ادعای نقش یک زبان جهانی است. به این معنی نیست که در کار پیشگام Mcccally و Pitts، نشان داده شده است که توصیف شبکه عصبی معادل توصیف منطق اظهارات است.

من واقعا کشف کردم که با کمک تکنیک من در سال 1961 (...)، من به راحتی می توانم به تمام سوالاتی که متخصصان مغز (...) یا رایانه پاسخ دهم، به راحتی پاسخ دادم. با این حال، به عنوان یک فیزیکدان، من به خوبی می دانستم که این نظریه، که همه چیز را توضیح می دهد، در واقع چیزی را توضیح نمی دهد: در بهترین حالت، این یک زبان است. ادواردو کینلو

تعجب آور نیست که آمار اغلب کشف می کند که مفاهیم معمول آنها آنالوگ های خود را در تئوری شبکه های عصبی دارند. وارن سیر یک فرهنگ لغت کلمه کوچک بود که در این دو منطقه مورد استفاده قرار گرفت.

جدول 11.1 فرهنگ لغت شرایط مشابه

شبکه های عصبی	روش های آماری.
نشانه ها	متغیرها
ورودی	متغیرهای مستقل
خروجی ها	ارزش های پیش بینی شده
مقادیر هدف	متغیرهای وابسته
خطا	ناچیز
آموزش، سازگاری، خود سازمان	ارزیابی
تابع خطا، عملکرد Lyapunov	معیارهای ارزیابی
تصاویر آموزش (زوج ها)	مشاهدات
پارامترهای شبکه: وزن، آستانه.	پارامترهای تخمینی
نورون های بالا	اثر متقابل
اتصالات عملکردی	دگرگونی
آموزش با معلم یا هتروژن	رگرسیون و تجزیه و تحلیل تجزیه و تحلیل
یادگیری بدون معلم یا خودکار سازی	متراکم سازی داده ها
یادگیری رقابتی، کوانتیزه بردار انطباقی	آنالیز خوشه ای
تعمیم دادن	interpolation و استخراج

تفاوت بین شبکه های عصبی و آمار چیست؟

شباهت و تمایز زبان های مغزی و آمار در تجزیه و تحلیل داده ها چیست؟ ساده ترین مثال را در نظر بگیرید.

فرض کنید ما مشاهدات را انجام دادیم و به صورت آزمایشی اندازه گیری های N را اندازه گیری کردیم که نشان دهنده وابستگی عملکردی هستند. اگر شما سعی می کنید بهترین راه را از طریق این نکات صرف کنید، که در زبان آمار برای توصیف وابستگی ناشناخته مدل خطی استفاده می شود (جایی که در هنگام انجام مشاهده، نویز را نشان می دهد)، سپس راه حل مشکل رگرسیون خطی مربوطه است برای پیدا کردن مقادیر ارزیابی پارامترهایی که مجموع مجموع باقی مانده های درجه دوم را کاهش می دهد، کاهش می یابد.

اگر پارامترها و یافت، پس شما می توانید مقدار y را برای هر مقدار x تخمین بزنید، یعنی درونگرا و برداشت داده ها.

همان کار را می توان با استفاده از آن حل کرد شبکه تک لایه با تنها ورودی و تنها نورون خروجی خطی. ارتباطات A و آستانه B را می توان با به حداقل رساندن همان مقدار باقی مانده (که در این مورد خطای RMS نامیده می شود) در طول شبکه شبکه، به عنوان مثال، به عنوان مثال، با روش برگشت. خواص شبکه عصبی به تعمیم برای پیش بینی مقدار خروجی با مقدار ورودی استفاده می شود.

شکل. 11.1

هنگام مقایسه این دو رویکرد، بلافاصله قابل توجه است، زمانی که توصیف روش های آن، آمار آمار به فرمول ها و معادلات، و نورومورمینگ به توصیف گرافیک معماری های عصبی، قابل توجه است.

اگر ما به یاد می آوریم که با فرمول ها و معادلات، نیمکره چپ را اداره می کند، و با تصاویر گرافیکی، می توان درک کرد که "حق دهی" رویکرد شبکه عصبی در مقایسه با آمار ظاهر می شود.

یکی دیگر از تفاوت های مهم این است که روش های آمار مهم نیست که چگونه ناراضی به حداقل برسد - در هر صورت، مدل باقی می ماند، در حالی که برای negromputing، روش یادگیری بازی می شود. به عبارت دیگر، در مقایسه با رویکرد شبکه عصبی، ارزیابی پارامترهای مدل برای روش های آماری بستگی ندارد روش به حداقل رساندن. در عین حال، آمار تغییرات در نوع باقی مانده را در نظر می گیرد، بگذارید بگوییم

به عنوان یک تغییر اساسی در مدل.

بر خلاف رویکرد شبکه عصبی، که در آن زمان اصلی طول می کشد آموزش شبکه ها، با یک رویکرد آماری این زمان برای تجزیه و تحلیل کامل این کار صرف می شود. در عین حال، تجربه آمارگرایان برای انتخاب یک مدل بر اساس داده ها و تجزیه و تحلیل اطلاعات خاص برای این منطقه استفاده می شود. استفاده از شبکه های عصبی - این تقریب های جهانی معمولا بدون استفاده از یک دانش پیشین انجام می شود، اگر چه در برخی موارد بسیار مفید است. به عنوان مثال، برای مدل خطی مورد توجه، استفاده از خطای دقیق مربع، منجر به به دست آوردن برآورد بهینه از پارامترهای آن می شود، زمانی که مقدار نویز یک توزیع نرمال با پراکندگی یکسان برای تمام جفت های آموزشی است. در عین حال، اگر شناخته شده باشد، این پراکندگی ها متفاوت هستند، استفاده از یک خطای معلق

این می تواند مقادیر قابل توجهی بهتر از پارامترها را ارائه دهد.

علاوه بر مدل فوق در نظر گرفته شده، نمونه هایی از دیگران به معنای مدل های معادل آمار و پارادایم های شبکه عصبی می تواند داده شود.

شبکه Hopfield ارتباط واضح با خوشه بندی داده ها و تحلیل عامل آنها دارد.

تجزیه و تحلیل عامل برای مطالعه ساختار داده استفاده می شود. به طور عمده بسته آن فرضیه وجود چنین نشانه هایی است - عوامل موثر که نمی تواند به طور مستقیم مشاهده شود، اما می تواند توسط چندین ویژگی اصلی مشاهده شده ارزیابی شود. به عنوان مثال، چنین نشانه هایی، به عنوان حجم تولید و هزینه دارایی های ثابت، می تواند چنین عامل را به عنوان مقیاس تولید تعیین کند. بر خلاف شبکه های عصبی که نیاز به آموزش دارند، تجزیه و تحلیل عامل تنها می تواند با تعداد مشخصی از مشاهدات کار کند. اگر چه، در اصل، تعداد این مشاهدات باید فقط برای هر واحد بیش از تعداد متغیرها باشد. توصیه می شود از حداقل تعداد زیادی از ارزش استفاده کنید. این هنوز کمتر از حجم نمونه آموزش برای شبکه عصبی در نظر گرفته شده است. بنابراین، آمار نشان می دهد که مزیت تحلیل عامل، که شامل استفاده از تعداد کمی از داده ها و در نتیجه منجر به تولید سریع تر از مدل می شود. علاوه بر این، این به این معنی است که اجرای روش های تجزیه و تحلیل عامل نیاز به محاسبات کمتر قدرتمند دارد. یکی دیگر از مزایای تجزیه و تحلیل عامل این است که این روش نوع سفید جعبه، I.E. این کاملا باز و قابل فهم است - کاربر به راحتی می تواند متوجه شود که چرا مدل یک نتیجه یا یک نتیجه دیگر را ارائه می دهد. ارتباط تجزیه و تحلیل عامل با مدل Hopfield دیده می شود، به یاد آوردن بردارها حداقل پایه برای مجموعه ای از مشاهدات (تصاویر حافظه - نگاه کنید به سخنرانی 5). این بردارها است که آنالوگ های عوامل متعددی هستند که اجزای مختلف بردارهای حافظه را ترکیب می کنند - علائم اولیه.

بسیاری از مفاهیم مربوط به روش های شبکه های عصبی بهتر از نمونه ای از یک برنامه شبکه عصبی خاص هستند. بنابراین، در این بخش بسیاری از مراجع به بسته وجود دارد. آمار شبکه های عصبی (اختصار، Statsoft Netronic شبکه بسته شبکه)، که اجرای کل مجموعه روش های تجزیه و تحلیل داده ها است.

در چند سال گذشته، ما در حال تماشای انفجار علاقه به شبکه های عصبی است که با موفقیت در زمینه های مختلف - کسب و کار، پزشکی، تکنیک، زمین شناسی، فیزیک استفاده می شود. شبکه های عصبی به عمل در همه جا وارد عمل می شوند، جایی که شما نیاز به حل مشکلات پیش بینی، طبقه بندی یا مدیریت دارید. چنین موفقیت های چشمگیر به دلایل مختلف تعیین می شود:

شبکه های عصبی یک روش مدل سازی فوق العاده قدرتمند هستند که اجازه می دهد تا وابستگی های بسیار پیچیده را بازتولید کنند. به طور خاص، شبکه های عصبی در طبیعت غیر خطی نیستند (معنای این مفهوم بعدا در این فصل توضیح داده شده است). برای چندین سال، شبیه سازی خطی روش اصلی مدل سازی در اکثر مناطق بود، زیرا روش های بهینه سازی برای آن به خوبی توسعه یافته است. در وظایف، جایی که تقریبی خطی نامطلوب است (و بسیاری از آنها به اندازه کافی وجود دارد)، مدل های خطی به شدت کار می کنند. علاوه بر این، شبکه های عصبی با "لعنت ابعاد" مقابله می کنند، که اجازه نمی دهد وابستگی های خطی مدل سازی در مورد عدد بزرگ متغیرها

شبکه های عصبی از نمونه ها یاد می گیرند. کاربر شبکه عصبی داده های نمایندگی را انتخاب می کند و سپس الگوریتم یادگیری را راه اندازی می کند که به طور خودکار ساختار داده را درک می کند. در عین حال، از کاربر، البته، نوعی از دانش اکتشافی در مورد چگونگی انتخاب و آماده سازی داده ها، معماری شبکه مورد نظر را انتخاب کرده و نتایج را تفسیر می کند، با این حال، سطح دانش لازم برای استفاده موفقیت آمیز از به عنوان مثال، شبکه های عصبی بسیار کم تر از آن هستند، به عنوان مثال، هنگام استفاده از روش های آمار سنتی.

شبکه های عصبی از دیدگاه بصری جذاب هستند، زیرا آنها بر اساس یک مدل بیولوژیکی اولیه از سیستم های عصبی هستند. در آینده، توسعه چنین مدل های عصبی-بیولوژیکی می تواند منجر به ایجاد کامپیوترهای واقعا تفکر شود. در همین حال، شبکه های عصبی "ساده" که سیستم شبکه های عصبی را ساختند، سلاح های قدرتمند در زرادخانه متخصص در آمار کاربردی (شبکه های عصبی هستند. شبکه های عصبی آمار: روش شناسی و تکنولوژی تجزیه و تحلیل داده های مدرن).

شبکه های عصبی از تحقیقات در زمینه هوش مصنوعی بوجود آمده اند، یعنی از تلاش برای بازتولید توانایی سیستم های عصبی بیولوژیکی برای مطالعه و اصلاح اشتباهات با شبیه سازی ساختار مغز کم سطح (Patterson، 1996). منطقه اصلی تحقیق در مورد هوش مصنوعی در 60s - 80s سیستم های متخصص بود. چنین سیستم هایی بر اساس مدل سازی سطح بالا از روند تفکر (به ویژه بر روی نمایندگی که روند تفکر ما بر روی دستکاری با نمادها ساخته شده است) بود. به زودی روشن شد که چنین سیستم هایی، هرچند که آنها می توانند در برخی مناطق سود ببرند، برخی از جنبه های کلیدی هوش انسانی را به دست نمی آورند. با توجه به یکی از دیدگاه ها، دلیل این امر این است که آنها قادر به تولید ساختار مغز نیستند. برای ایجاد هوش مصنوعی، لازم است یک سیستم با معماری مشابه ایجاد شود.

مغز شامل تعداد بسیار زیادی (حدود 10،000،000،000) نورون های متصل شده توسط اتصالات متعدد (به طور متوسط، چند هزار اتصال در هر نورون، اما این تعداد می تواند بسیار نوسان). نورون ها سلول های خاصی هستند که قادر به توزیع سیگنال های الکتروشیمیایی هستند. نورون دارای ساختار ورودی گسترده اطلاعات (دندریت)، هسته و خروجی شاخه (AKSON) است. آکسون های سلولی به دندریت های دیگر سلول ها با استفاده از سیناپس متصل می شوند. هنگامی که فعال کردن نورون یک سیگنال الکتروشیمیایی را با توجه به آکسون آن ارسال می کند. از طریق سیناپس، این سیگنال به نورون های دیگر می رسد که ممکن است به نوبه خود به حالت فعال شود. نورون زمانی فعال می شود که سیگنال های کل که به هسته خود از Dendrites آمد، از یک سطح معینی (آستانه فعال سازی) از سطح خاصی برخوردار است.

شدت سیگنال به دست آمده توسط نورون (و در نتیجه امکان فعال سازی آن)، به شدت به فعالیت سیناپس بستگی دارد. هر سیناپس طول دارد و مواد شیمیایی ویژه سیگنال را در طول آن انتقال می دهند. یکی از معتبر ترین محققان عصبی، دونالد Hebb، بیانگر این بود که آموزش در درجه اول تغییر در "نیروی" ارتباطات سیناپسی است. به عنوان مثال، در تجربه کلاسیک Pavlov، هر بار زنگ زنگ بلافاصله قبل از تغذیه سگ، و سگ به سرعت آموخت که زنگ زنگ زنگ را با غذا متصل کند. ارتباطات سیناپسی بین بخش قشر مغزی، مسئول شایعه و غدد بزاقی تشدید شد، و در طول هیجان قشر صدا صدای زنگ، سگ شروع به سالین کرد.

بنابراین، ساخته شده از تعداد بسیار زیادی از عناصر کاملا ساده (هر کدام از آنها مقدار وزن سیگنال های ورودی را می گیرد و در صورتی که کل ورودی بیش از یک سطح مشخص باشد، سیگنال باینری بیشتری را انتقال می دهد)، مغز قادر به حل بسیار زیاد است وظایف پیچیده. البته، ما بسیاری از جنبه های پیچیده دستگاه مغز را تحت تاثیر قرار دادیم، اما جالب است که مصنوعی استشبکه های عصبی قادر به دستیابی به نتایج قابل توجه با استفاده از یک مدل است که بسیار پیچیده تر از آنچه که در بالا توضیح داده شده است.