Sinir ağları ve ekonomide kullanım örnekleri. "nöral ağlar

İyi günler, benim adım Natalia Efremova ve NtechLab'da araştırma bilimcisiyim. Bugün görüşler hakkında konuşacağım nöral ağlar ve onların uygulaması.

Öncelikle şirketimiz hakkında birkaç şey söyleyeceğim. Şirket yeni, belki birçoğunuz ne yaptığımızı henüz bilmiyorsunuz. Geçen yıl MegaFace yarışmasını kazandık. Bu uluslararası bir yüz tanıma yarışmasıdır. Aynı yıl firmamız açıldı yani yaklaşık bir yıldır piyasadayız hatta biraz daha fazla. Buna göre yüz tanıma ve biyometrik görüntülemede lider firmalardan biriyiz.

Konuşmamın ilk kısmı sinir ağlarına aşina olmayanlara yönelik olacak. Doğrudan derin öğrenmeyle ilgileniyorum. 10 yılı aşkın süredir bu alanda çalışıyorum. On yıldan biraz daha kısa bir süre önce ortaya çıkmasına rağmen, derin bir öğrenme sistemine benzeyen sinir ağlarının bazı temelleri vardı.

Son 10 yılda derin öğrenme ve bilgisayarla görme inanılmaz bir hızla gelişti. Bu alanda anlamlı yapılan her şey son 6 yılda gerçekleşti.

Pratik yönlerden bahsedeceğim: Bunu yapan bir şirkette çalıştığım için görüntü ve video işleme, görüntü ve yüz tanıma için derin öğrenme açısından nereye, ne zaman, ne uygulamalıyım. Size biraz duygu tanıma, oyunlarda ve robotikte hangi yaklaşımların kullanıldığını anlatacağım. Ayrıca, bilimsel enstitülerden yeni çıkan ve pratikte hala çok az kullanılan derin öğrenmenin standart dışı uygulamasından, nasıl uygulanabileceğinden ve uygulanmasının neden zor olduğundan bahsedeceğim.

Rapor iki bölüm olacak. Çoğu sinir ağlarına aşina olduğu için öncelikle sinir ağlarının nasıl çalıştığını, biyolojik sinir ağlarının ne olduğunu, nasıl çalıştığını bilmenin bizim için neden önemli olduğunu, yapay sinir ağlarının neler olduğunu ve hangi mimarilerin hangi alanlarda kullanıldığını hızlıca anlatacağım. .

Hemen özür dilerim, biraz İngilizce terminolojiye geçeceğim, çünkü Rusça'da ne dendiğini bile bilmiyorum. Belki sen de.

Bu nedenle, konuşmanın ilk kısmı evrişimli sinir ağlarına ayrılacaktır. Yüz tanımadan bir örnekle evrişimli sinir ağı (CNN), görüntü tanımanın nasıl çalıştığını anlatacağım. Örnek olarak size tekrarlayan sinir ağları (RNN) ve derin öğrenme sistemlerini kullanarak pekiştirmeli öğrenme hakkında biraz bilgi vereceğim.

Sinir ağlarının standart olmayan bir uygulaması olarak, CNN'nin tıpta voksel görüntülerini tanımak için nasıl çalıştığından, sinir ağlarının Afrika'daki yoksulluğu tanımak için nasıl kullanıldığı hakkında konuşacağım.

sinir ağları nelerdir

Sinir ağlarının yaratılmasının prototipi, garip bir şekilde biyolojik sinir ağlarıydı. Belki birçoğunuz bir sinir ağının nasıl programlanacağını biliyorsunuzdur, ancak nereden geldiğini, sanırım bazıları bilmiyor. Bize gelen tüm duyusal bilgilerin üçte ikisi, görsel algı organlarından gelir. Beynimizin yüzeyinin üçte birinden fazlası, en önemli görsel bölgelerden ikisi tarafından işgal edilir - dorsal görsel yol ve ventral görsel yol.

Sırt görme yolu, birincil görme bölgesinde, tepemizde başlar ve yukarı doğru devam ederken ventral yol, başımızın arkasında başlar ve yaklaşık olarak kulakların arkasında biter. Sahip olduğumuz tüm önemli örüntü tanıma, farkında olduğumuz tüm anlamlı şeyler tam orada, kulakların arkasında gerçekleşir.

Neden önemli? Çünkü genellikle sinir ağlarını anlamak gerekir. Birincisi, herkes bunun hakkında konuşuyor ve ben zaten bunun olmasına alışkınım ve ikincisi, gerçek şu ki, sinir ağlarında örüntü tanıma için kullanılan tüm alanlar bize tam olarak ventral görsel yoldan geldi. küçük bir bölge, kesin olarak tanımlanmış işlevinden sorumludur.

Görüntü bize gözün retinasından gelir, bir dizi görsel bölgeden geçer ve zamansal bölgede biter.

Geçen yüzyılın uzak 60'larında, beynin görsel bölgelerinin incelenmesi yeni başladığında, fMRI olmadığı için ilk deneyler hayvanlar üzerinde yapıldı. Beyin, çeşitli görsel bölgelere implante edilen elektrotlar kullanılarak incelendi.

İlk görsel bölge 1962'de David Huebel ve Thorsten Wiesel tarafından keşfedildi. Kediler üzerinde deney yaptılar. Kedilere çeşitli hareketli nesneler gösterildi. Beyin hücrelerinin tepki verdiği şey, hayvanın tanıdığı uyarandı. Şimdi bile, bu acımasız yöntemlerle birçok deney yapılıyor. Ancak yine de beynimizdeki her küçücük hücrenin ne yaptığını bulmanın en etkili yolu budur.

Aynı şekilde, şimdi derin öğrenmede kullandığımız görsel bölgelerin daha birçok önemli özelliği keşfedildi. En önemli özelliklerden biri, birincil görme bölgelerinden temporal loblara, yani sonraki görsel bölgelere geçerken hücrelerimizin alıcı alanlarındaki artıştır. Alıcı alan, beynimizdeki her hücrenin işlediği görüntünün bir parçasıdır. Her hücrenin kendi alıcı alanı vardır. Bu aynı özellik, muhtemelen hepinizin bildiği gibi, sinir ağlarında da korunur.

Ayrıca, alıcı alanlar arttıkça, sinir ağlarının normalde tanıdığı karmaşık uyaranlar da artar.

Burada uyaranların karmaşıklığının örneklerini, V2, V4 bölgelerinde tanınan çeşitli iki boyutlu şekilleri ve makaklardaki zamansal alanların çeşitli kısımlarını görüyorsunuz. Bir dizi MRI deneyi de yürütülmektedir.

Burada bu tür deneylerin nasıl yapıldığını görebilirsiniz. Bu, IT korteksinin 1 nanometrelik kısmıdır "bir maymunun çeşitli nesneleri tanırken bölgeleri. Tanındığı nokta vurgulanır.

Özetleyelim. Görsel bölgelerden benimsemek istediğimiz önemli bir özellik, alıcı alanların boyutunun artması ve tanıdığımız nesnelerin karmaşıklığının artmasıdır.

Bilgisayar görüşü

Bunu bilgisayar vizyonuna nasıl uygulayacağımızı öğrenmeden önce - genel olarak böyle bir şey yoktu. Eğer bir şey varsa, şimdi olduğu kadar iyi çalışmadı.

Tüm bu özellikleri sinir ağına aktarıyoruz ve şimdi, daha sonra bahsedeceğim veri kümelerine küçük bir arastırma eklemezseniz çalışıyor.

Ama önce, en basit algılayıcı hakkında biraz. Ayrıca beynimizin görüntüsünde ve benzerliğinde oluşur. Beyin hücresine benzeyen en basit element nörondur. Varsayılan olarak soldan sağa, bazen de aşağıdan yukarıya doğru çalışan giriş öğelerine sahiptir. Solda nöronun giriş kısımları, sağda nöronun çıkış kısımları bulunmaktadır.

En basit algılayıcı, yalnızca en basit işlemleri gerçekleştirebilir. Daha karmaşık hesaplamalar yapabilmek için çok sayıda gizli katman içeren bir yapıya ihtiyacımız var.

Bilgisayarla görme durumunda, daha da fazla gizli katmana ihtiyacımız var. Ve ancak o zaman sistem gördüğünü akıllıca tanıyacaktır.

Peki, görüntü tanıma sırasında neler oluyor, size yüz örneği ile anlatacağım.

Bu resme bakıp heykelin yüzünü tasvir ettiğini söylemek bizim için oldukça basittir. Ancak, 2010 yılına kadar bu, bilgisayarla görme için inanılmaz derecede zor bir görevdi. Bu konuyu daha önce ele almış olanlar, resimde bulmak istediğimiz nesneyi kelimeler olmadan tanımlamanın ne kadar zor olduğunu muhtemelen biliyorlar.

Bunu geometrik bir şekilde yapmamız, nesneyi tanımlamamız, nesnenin ilişkisini, bu parçaların birbirleriyle nasıl ilişki kurabileceğini tanımlamamız, sonra bu görüntüyü nesne üzerinde bulmamız, karşılaştırmamız ve yetersiz tanıdıklarımızı elde etmemiz gerekiyordu. Bu genellikle yazı tura atmaktan biraz daha iyiydi. Şans seviyesinden biraz daha iyi.

Şimdi durum böyle değil. Resmimizi piksellere ya da bazı yamalara böldük: 2x2, 3x3, 5x5, 11x11 piksel - sinir ağına bir giriş katmanı olarak hizmet ettikleri sistemin yaratıcıları için uygun.

Bu girdi katmanlarından gelen sinyaller, sinapslar kullanılarak katmandan katmana iletilir, katmanların her birinin kendine özgü katsayıları vardır. Böylece, yüzü tanıdığımızı anlayana kadar katmandan katmana, katmandan katmana geçiyoruz.

Geleneksel olarak, tüm bu parçalar üç sınıfa ayrılabilir, onları X, W ve Y olarak göstereceğiz, burada X bizim girdi görüntümüzdür, Y bir dizi etikettir ve ağırlıklarımızı almamız gerekir. W'yi nasıl hesaplıyoruz?

X ve Y ile basit görünüyor. Bununla birlikte, bir yıldızla gösterilen, ne yazık ki geri dönüşü olmayan çok karmaşık, doğrusal olmayan bir işlemdir. Denklemin 2 bileşeni verilmiş olsa bile, onu hesaplamak çok zordur. Bu nedenle, deneme yanılma yoluyla, W ağırlığını seçerek, hatanın mümkün olduğu kadar azalması, tercihen sıfıra eşit olması için kademeli olarak ihtiyacımız var.

Bu süreç yinelemeli olarak gerçekleşir, bize yeterince uyan W ağırlığının değerini bulana kadar sürekli azalırız.

Bu arada, çalıştığım tek bir sinir ağı sıfıra eşit bir hataya ulaşmadı, ancak oldukça iyi çalıştı.

İşte 2012'de uluslararası ImageNet yarışmasını kazanan ilk ağ. Bu sözde AlexNet. Bu, ilk önce kendini, evrişimli sinir ağları olduğunu ilan eden ve o zamandan beri, evrişimli sinir ağları, tüm uluslararası yarışmalarda pozisyonlarından asla vazgeçmeyen bir ağdır.

Bu ağ oldukça küçük olmasına rağmen (sadece 7 gizli katman vardır), 60 milyon parametreli 650 bin nöron içermektedir. Yinelemeli olarak bulmayı öğrenmek için doğru ağırlıklar, çok örneğe ihtiyacımız var.

Sinir ağı, bir resim ve bir etiket örneğinden öğrenir. Çocukluğumuzda bize "bu bir kedi, bu bir köpek" öğretildiği gibi, sinir ağları da çok sayıda resim üzerinde eğitilir. Ancak gerçek şu ki, 2010 yılına kadar görüntüleri tanımak için bu kadar çok sayıda parametreyi öğretebilecek yeterince büyük bir veri seti yoktu.

Bu zamandan önce var olan en büyük veritabanları: Sadece 20 nesne kategorisine sahip PASCAL VOC ve California Institute of Technology'de geliştirilen Caltech 101. İkincisi 101 kategoriye sahipti ve bu çok fazlaydı. Bu veritabanlarının hiçbirinde nesnelerini bulamayanlar, veritabanlarına mal olmak zorunda kaldılar ki bu çok acı verici diyeceğim.

Ancak, 2010 yılında, 22 bin kategoriye ayrılmış 15 milyon görüntünün bulunduğu ImageNet veritabanı ortaya çıktı. Bu, sinir ağlarını eğitme sorunumuzu çözdü. Artık akademik bir adresi olan herkes, üssün sitesine kolayca gidebilir, erişim talep edebilir ve bu üssü kendi sinir ağlarını eğitmek için alabilir. Bence ertesi gün yeterince hızlı cevap veriyorlar.

Önceki veri kümeleriyle karşılaştırıldığında, bu çok büyük bir veritabanıdır.

Örnek, ondan önce gelen her şeyin ne kadar önemsiz olduğunu gösteriyor. ImageNet üssü ile eş zamanlı olarak, yarışmak isteyen tüm takımların katılabileceği uluslararası bir meydan okuma olan ImageNet yarışması ortaya çıktı.

Bu yıl Çin'de oluşturulan ağ kazandı, 269 katmanı vardı. Kaç tane parametre olduğunu bilmiyorum, ayrıca birçok parametre olduğundan şüpheleniyorum.

Derin sinir ağı mimarisi

Geleneksel olarak 2 bölüme ayrılabilir: okuyanlar ve çalışmayanlar.

Öğrenilmeyen kısımlar siyahla işaretlenmiştir, diğer tüm katmanlar öğrenebilir. Her evrişim katmanının içinde ne olduğuna dair birçok tanım vardır. Kabul edilen tanımlamalardan biri, üç bileşenli bir katmanın bir evrişim aşaması, bir dedektör aşaması ve bir havuzlama aşamasına bölünmesidir.

Ayrıntılara girmeyeceğim, bunun nasıl çalıştığını detaylandıracak daha birçok rapor olacak. Size bir örnekle anlatacağım.

Organizatörler birçok formülden bahsetmememi istediğinden, onları tamamen çöpe attım.

Böylece, girdi görüntüsü, tanıdıkları öğelerin farklı boyutlarda ve farklı karmaşıklıklarında filtreler olarak adlandırılabilecek bir katmanlar ağına düşer. Bu filtreler, daha sonra sınıflandırıcıya giren kendi dizinlerini veya özellik setlerini oluşturur. Genellikle ya SVM ya da MLP - bu konuda rahat olan çok katmanlı algılayıcıdır.

Biyolojik bir sinir ağı ile görüntü ve benzerlikte, nesneler değişen karmaşıklıkta tanınır. Katman sayısı arttıkça, sinir ağında sınırlı sayıda bölge olduğu için bunların hepsi korteks ile bağlantısını kaybetti. 269 ​​​​veya birçok, birçok soyutlama bölgesi, bu nedenle yalnızca karmaşıklıkta, öğe sayısında ve alıcı alanlarda bir artış kalır.

Yüz tanıma örneğine bakarsak, o zaman ilk katmanın alıcı alanı küçük olacak, sonra biraz daha büyük, daha fazla olacak ve sonunda tüm yüzü tanıyıncaya kadar böyle devam edecek.

Filtrelerin içinde sahip olduklarımız açısından, önce eğimli çubuklar artı biraz renk olacak, sonra yüzlerin bir kısmı ve ardından tüm yüzler katmanın her bir hücresi tarafından tanınacak.

Bir kişinin her zaman bir ağdan daha iyi tanıdığını iddia eden insanlar var. Öyle mi?

2014 yılında bilim adamları, sinir ağlarına kıyasla ne kadar iyi tanıdığımızı test etmeye karar verdiler. Şu anda en iyi 2 ağı aldılar - bu AlexNet ve Matthew Ziller ve Fergus ağı ve bunu, bazı nesneleri tanıması öğretilen bir makak beyninin farklı alanlarının tepkisiyle karşılaştırdı. Maymun kafası karışmasın diye nesneler hayvanlar alemine aitti ve kimin daha iyi tanıdığını görmek için deneyler yapıldı.

Maymundan yanıt almak açıkça imkansız olduğundan, içine elektrotlar yerleştirildi ve her bir nöronun yanıtı doğrudan ölçüldü.

Normal şartlar altında beyin hücrelerinin, o zamanki son teknoloji model yani Matthew Ziller'in ağı kadar tepki verdiği ortaya çıktı.

Ancak nesneleri gösterme hızının artması, görüntüdeki gürültü ve nesnelerin miktarının artması ile bizim beynimizin ve primatların beyninin tanıma hızı ve kalitesi büyük oranda düşmektedir. En basit evrişimli sinir ağı bile nesneleri daha iyi tanır. Yani sinir ağları resmen beynimizden daha iyi çalışıyor.

Evrişimli sinir ağlarının klasik problemleri

Aslında, çok fazla değiller, üç sınıfa aitler. Bunlar arasında nesne tanımlama, anlamsal bölümleme, yüz tanıma, insan vücudunun bölümlerinin tanınması, sınırların anlamsal olarak tanımlanması, bir görüntüdeki dikkat çekici nesnelerin vurgulanması ve yüzey normallerinin vurgulanması gibi görevler bulunmaktadır. Koşullu olarak 3 seviyeye ayrılabilirler: en düşük seviyeli görevlerden en yüksek seviyeli görevlere.

Bu görüntüyü örnek olarak kullanarak, her bir görevin ne yaptığına bakalım.

• sınırları tanımlama- bu, evrişimli sinir ağlarının zaten klasik olarak uygulandığı en düşük seviyeli görevdir.
• Bir vektörü normale tanımlama 2B olandan 3B bir görüntüyü yeniden oluşturmamızı sağlar.
• Belirginlik, dikkat nesnelerini tanımlama- Bu, bir kişinin bu resmi düşünürken dikkat edeceği şeydir.
• anlamsal segmentasyon nesneleri, bu nesneler hakkında hiçbir şey bilmeden, yani daha tanınmadan önce yapılarına göre sınıflara ayırmanıza olanak tanır.
• Anlamsal sınır vurgulama- Bu, sınıflara ayrılmış sınırların seçimidir.
• İnsan vücudunun bölümlerinin izolasyonu.
• Ve en üst düzey görev nesnelerin kendilerini tanıması, ki şimdi yüz tanıma örneğini kullanmayı düşüneceğiz.

Yüz tanıma

Yaptığımız ilk şey, yüzü bulmak için yüz dedektörünü görüntü üzerinde çalıştırmaktır.Sonra, yüzü normalleştiririz, ortalar ve sinir ağına işlemek için çalıştırırız.Bundan sonra, benzersiz bir şekilde tanımlayan bir dizi veya özellik vektörü elde ederiz. bu yüzün özellikleri.

Daha sonra bu özellik vektörünü veritabanımızda depolanan tüm özellik vektörleriyle karşılaştırabilir ve belirli bir kişiye, adına, profiline - veritabanında saklayabileceğimiz her şeye - referans alabiliriz.

FindFace ürünümüz böyle çalışır - bu ücretsiz servis, VKontakte veritabanındaki kişilerin profillerini aramaya yardımcı olur.

Ayrıca ürünlerimizi denemek isteyen firmalar için de API'miz mevcuttur. Yüz tanıma, doğrulama ve kullanıcı tanımlama hizmetleri veriyoruz.

Şimdi 2 senaryo geliştirdik. İlki, bir veritabanında bir kişiyi arayan kimlik tespitidir. İkincisi, doğrulamadır, bu, iki görüntünün bir ve aynı kişi olma olasılığının belirli bir şekilde karşılaştırılmasıdır. Ek olarak, şu anda duygu tanıma, videoda görüntü tanıma ve canlılık algılama geliştiriyoruz - bu, bir kişinin kamera önünde mi yoksa fotoğrafta mı hayatta olduğunu anlamaktır.

Bazı istatistikler. Tanımlama yaparken, 10 bin fotoğraf ararken, tabanın kalitesine bağlı olarak yaklaşık %95, %99 doğrulama doğruluğuna sahibiz. Ve bunun yanında, bu algoritma değişikliklere karşı çok dirençlidir - kameraya bakmamıza gerek yoktur, bazı engelleyici nesneler olabilir: gözlük, güneş gözlüğü, sakal, tıbbi maske. Bazı durumlarda, gözlük ve maske gibi bilgisayar görüşü için inanılmaz zorlukların bile üstesinden gelebiliriz.

Çok hızlı arama, 1 milyar fotoğrafın işlenmesi 0,5 saniye sürer. Benzersiz bir dizin geliştirdik hızlı arama... CCTV kameralardan alınan düşük kaliteli görüntülerle de çalışabiliriz. Hepsini gerçek zamanlı olarak halledebiliriz. Web arayüzü üzerinden, Android, iOS üzerinden fotoğraf yükleyebilir ve 100 milyon kullanıcıyı ve 250 milyon fotoğrafını arayabilirsiniz.

Dediğim gibi, ImageNet için bir analog, ancak yüz tanıma için MegaFace yarışmasında birinci olduk. Birkaç yıldır devam ediyor, geçen yıl Google dahil dünyanın her yerinden 100 takım arasında en iyisiydik.

Tekrarlayan sinir ağları

Sadece görüntüyü tanımamız yeterli olmadığında tekrarlayan sinir ağlarını kullanırız. Bir diziyi korumamızın önemli olduğu durumlarda, olanın sırasına ihtiyacımız var, sıradan tekrarlayan sinir ağlarını kullanıyoruz.

Doğal dil tanıma, video işleme, hatta görüntü tanıma için kullanılır.

Doğal dil tanıma hakkında konuşmayacağım - raporumdan sonra doğal dil tanımaya yönelik iki tane daha olacak. Bu nedenle duygu tanıma örneğini kullanarak tekrarlayan ağların çalışmasından bahsedeceğim.

Tekrarlayan sinir ağları nelerdir? Bu, geleneksel sinir ağlarıyla hemen hemen aynıdır, ancak geri bildirim ile. Sistemin önceki durumunu sinir ağının girişine veya bazı katmanlarına aktarmak için geri bildirime ihtiyacımız var.

Diyelim ki duyguları işliyoruz. En basit duygulardan biri olan bir gülümsemede bile birkaç şey vardır: nötr bir yüz ifadesinden tam bir gülümsemeye sahip olduğumuz ana kadar. Sırayla birbiri ardına giderler. Bunu iyi anlamak için bunun nasıl olduğunu gözlemleyebilmemiz, önceki çerçevede olanı sistemin bir sonraki adımına aktarabilmemiz gerekiyor.

2005 yılında, Vahşi Doğada Emotion Recognition'da, özellikle duyguların tanınması için, Montreal'den bir ekip, çok basit görünen tekrarlayan bir sistem sundu. Yalnızca birkaç kıvrımlı katmanı vardı ve yalnızca videoyla çalıştı. Bu yıl ayrıca, evrişimli sinir ağlarından gelen ses tanıma ve toplu kare kare verileri, tekrarlayan sinir ağı (durum dönüşlü) çalışan ses verilerini de eklediler ve yarışmada birincilik kazandılar.

pekiştirmeli öğrenme

Son zamanlarda çok sık kullanılan, ancak önceki 2 tür kadar geniş bir tanıtım almamış olan bir sonraki sinir ağı türü, derin pekiştirmeli öğrenme, pekiştirmeli öğrenmedir.

Gerçek şu ki, önceki iki durumda veritabanlarını kullanıyoruz. Elimizde ya yüz verisi, görüntü verisi ya da videolardan duygu verisi var. Eğer bizde yoksa, vuramazsak robota nesneleri almayı nasıl öğretebiliriz? Bunu otomatik olarak yapıyoruz - nasıl çalıştığını bilmiyoruz. Başka bir örnek: içinde büyük veritabanları oluşturun bilgisayar oyunları zor ve gerekli değil, çok daha kolay hale getirebilirsiniz.

Atari ve Go'da derin pekiştirmeli öğrenmenin başarısını muhtemelen herkes duymuştur.

Atari'yi kim duydu? Biri duymuş, tamam. Sanırım herkes AlphaGo'yu duymuştur, bu yüzden orada tam olarak neler olduğunu söylemeyeceğim bile.

Atari'de neler oluyor? Bu sinir ağının mimarisi solda gösterilmektedir. Maksimum ödülü almak için kendi kendine oynayarak öğrenir. Maksimum ödül, mümkün olan en yüksek puana sahip oyunun mümkün olan en hızlı sonucudur.

Sağ üst - sadece iki saat boyunca kendisine karşı oynayan sistemin tüm durumlarını gösteren sinir ağının son katmanı. Maksimum ödüllü oyunun istenen sonuçları kırmızı, istenmeyen sonuçlar mavi ile gösterilir. Ağ bir tür alan inşa eder ve eğitimli katmanları aracılığıyla ulaşmak istediği duruma geçer.

Robotikte durum biraz farklıdır. Niye ya? Burada birkaç komplikasyonumuz var. İlk olarak, çok fazla veritabanımız yok. İkincisi, aynı anda üç sistemi koordine etmemiz gerekiyor: robotun algılanması, manipülatörlerin yardımıyla eylemleri ve hafızası - önceki adımda ne yapıldı ve nasıl yapıldı. Genel olarak, bunların hepsi çok zor.

Gerçek şu ki, tek bir sinir ağı, hatta şu anda derin öğrenme bile bu görevle yeterince verimli bir şekilde başa çıkamaz, bu nedenle derin öğrenme yalnızca robotların yapması gerekenlerin yalnızca bir parçasıdır. Örneğin, Sergei Levin kısa süre önce bir robota nesneleri tutmayı öğreten bir sistem sağladı.

Burada 14 robotik kolunda yaptığı deneyler gösterilmektedir.

Burada neler oluyor? Önünüzde gördüğünüz bu lavabolarda çeşitli nesneler: kalemler, silgiler, daha küçük ve büyük kupalar, paçavralar, farklı dokular, farklı sertlikler. Robota onları yakalamayı nasıl öğreteceği belli değil. Saatlerce, hatta görünüşe göre haftalarca robotlar bu nesneleri yakalayabilmek için eğitildi, bu konuda veritabanları derlendi.

Veritabanları, robotu gelecekte bir şeyler yapmak üzere eğitebilmek için biriktirmemiz gereken çevreden gelen bir tür yanıttır. Gelecekte, robotlar bu sistem durumları kümesini öğrenecekler.

Sinir ağlarının standart dışı uygulamaları

Ne yazık ki, bu son, fazla zamanım yok. Size şu anda olan ve birçok tahmine göre gelecekte bir tür uygulamaya sahip olacak standart olmayan çözümlerden bahsedeceğim.

Stanford bilim adamları, son zamanlarda, yoksulluğu tahmin etmek için CNN'nin sinir ağının çok sıra dışı bir uygulamasını buldular. Onlar ne yaptı?

Aslında konsept çok basit. Gerçek şu ki, Afrika'da yoksulluk düzeyi, tüm akla gelebilecek ve kavranamaz sınırların ötesine geçiyor. Sosyal demografik veri toplama yeteneklerine bile sahip değiller. Bu nedenle, 2005'ten beri orada neler olduğuna dair hiçbir veriye sahip değiliz.

Bilim adamları, uydulardan gece ve gündüz haritaları topladılar ve bir süre onları sinir ağına beslediler.

Sinir ağı ImageNet "e üzerinde önceden yapılandırılmıştı. Yani, ilk filtre katmanları ayarlandı, böylece gündüz haritalarında bir yerleşim aramak için evlerin çatıları gibi çok basit bazı şeyleri zaten tanıyabilir. Sonra gündüz haritaları Nüfusun gece boyunca en azından evlerini aydınlatmak için ne kadar parası olduğunu söylemek için yüzeyin aynı bölgesinin aydınlatılması gece haritaları ile karşılaştırıldı.

Burada sinir ağı tarafından oluşturulan tahminin sonuçlarını görebilirsiniz. Tahmin farklı çözünürlüklerle yapıldı. Ve görüyorsunuz - en son çerçeve 2005 yılında Uganda hükümeti tarafından toplanan gerçek verilerdir.

Sinir ağının 2005'ten bu yana hafif bir kayma ile bile oldukça doğru bir tahmin yaptığını görebilirsiniz.

Elbette yan etkileri de oldu. Derin öğrenme bilim adamları, farklı yan etkiler bulmak için her zaman şaşırırlar. Örneğin, ağın suyu, ormanları, büyük şantiyeleri, yolları tanımayı öğrendikleri gibi - bunların hepsi öğretmenler olmadan, önceden oluşturulmuş veritabanları olmadan. Genellikle tamamen bağımsız. Örneğin yollara tepki veren belirli katmanlar vardı.

Ve bahsetmek istediğim son uygulama, tıpta 3D görüntülerin semantik segmentasyonu. Genel olarak, tıbbi görüntüleme, üzerinde çalışılması çok zor olan karmaşık bir alandır.

Bunun birkaç nedeni var.

• Çok az veritabanımız var. Üstelik hasar görmüş bir beynin resmini bulmak o kadar kolay değil ve onu herhangi bir yerden almak da imkansız.
• Böyle bir resmimiz olsa bile, bir doktor almamız ve onu çok uzun ve son derece verimsiz olan tüm katmanlı görüntüleri manuel olarak yerleştirmeye zorlamamız gerekiyor. Tüm doktorlar bunu yapacak kaynaklara sahip değildir.
• Çok yüksek bir hassasiyet gereklidir. Tıbbi sistem yanlış olamaz. Örneğin kedileri tanırken tanımadılar - sorun değil. Ve tümörü tanımadıysak, bu pek iyi değil. Sistem güvenilirliği için özellikle zorlu gereksinimler vardır.
• Görüntüler üç boyutlu elemanlardadır - pikseller değil vokseller, bu da sistem tasarımcıları için ek zorluklar yaratır.

Ancak bu durumda bu sorunu nasıl aştınız? CNN çift akış oldu. Eğitmemiz gereken katman sayısını azaltmak için bir kısım daha normal bir çözünürlük, diğeri biraz daha kötü bir çözünürlük işledi. Bu nedenle, ağın eğitim süresi biraz azaldı.

Kullanım Alanları: Felç sonrası hasarın belirlenmesi, beyinde tümör bulunması, kardiyolojide kalbin nasıl çalıştığının belirlenmesi.

İşte plasentanın hacmini belirlemek için bir örnek.

Otomatik olarak iyi çalışıyor, ancak üretime almak için yeterli değil, bu yüzden daha yeni başlıyor. Bu tür tıbbi görme sistemleri oluşturmak için birkaç girişim var. Genel olarak, yakın gelecekte derin öğrenme konusunda birçok girişim var. Risk sermayedarlarının son altı ayda derin öğrenme girişimlerine son 5 yıla göre daha fazla bütçe ayırdığı söyleniyor.

Bu alan aktif olarak gelişiyor, birçok ilginç yön var. İlginç bir zamanda yaşıyoruz. Derin öğrenme ile ilgileniyorsanız, muhtemelen girişiminizi açmanın zamanı gelmiştir.

Bu konuda muhtemelen yuvarlayacağım. Çok teşekkürler.

Pirinç. 13.12. Pirinç. 13.13. Pirinç. 13.14. Pirinç. 13.15. Pirinç. 13.16. Pirinç. 13.17. Pirinç. 13.18. Pirinç. 13.19. Pirinç. 13.20. Pirinç. 13.21. Pirinç. 13.22. Pirinç. 13.23. Pirinç. 13.24. Pirinç. 13.25. Pirinç. 13.26. Pirinç. 13.28. Genel veri işleme akış şeması

Finansal piyasaların günlük uygulaması, finansal varlıkların fiyatlarındaki değişikliklerin herhangi bir çaba göstermeden anında meydana geldiği ve mevcut tüm bilgileri etkin bir şekilde yansıttığı akademik bakış açısıyla ilginç bir çelişki içindedir. Görevi kar etmek olan yüzlerce piyasa yapıcı, tacir ve fon yöneticisinin varlığı, piyasa katılımcılarının belirli bir katkıda bulunduğunu göstermektedir. Genel bilgi... Ayrıca bu iş pahalı olduğu için getirilen bilgi miktarı önemli olmalıdır.

Finansal piyasalarda yüzlerce piyasa yapıcı, tacir ve fon yöneticisinin bulunması, hepsinin finansal bilgileri işlediğini ve karar verdiğini göstermektedir.

Kârlı olabilecek bilginin tam olarak nasıl ortaya çıktığı ve finansal piyasalarda kullanıldığı sorusuna yanıt vermek daha zordur. Araştırmalar neredeyse her zaman hiçbir sürdürülebilir ticaret stratejisinin tutarlı kar sağlamadığını gösterir ve bu en azından ticaret yapmanın maliyetleri düşünüldüğünde geçerlidir. Piyasa katılımcılarının (ve bir bütün olarak piyasanın) benzer ve hatta değişmeyen bilgilere dayanarak tamamen farklı kararlar alabilecekleri de iyi bilinmektedir.

Piyasa katılımcıları, görünüşe göre, çalışmalarında doğrusal tutarlı karar verme kurallarıyla sınırlı değildir, ancak stokta birkaç eylem senaryosu vardır ve bunlardan hangisinin kullanılacağı bazen dış algılanamaz işaretlere bağlıdır. Finansal piyasanın çok boyutlu ve genellikle doğrusal olmayan bilgi serilerine olası yaklaşımlardan biri, mümkünse uzman sistemler veya sinir ağları gibi yapay zeka yöntemlerini kullanarak piyasa katılımcılarının davranış modellerini taklit etmektir.

Bu yöntemleri kullanarak karar verme süreçlerini modellemek için çok çaba harcanmıştır. Bununla birlikte, karmaşık durumlarda uzman sistemlerin yalnızca sistem özünde durağan olduğunda (yani, her girdi vektörü için zamanla değişmeyen tek bir yanıt olduğunda) iyi çalıştığı ortaya çıktı. Bu tanım, bir dereceye kadar, kredilerin karmaşık sınıflandırması veya dağıtımı sorunları için uygundur, ancak sürekli yapısal değişimleri olan finansal piyasalar için tamamen inandırıcı görünmemektedir. Finansal piyasalar söz konusu olduğunda, belirli bir konu alanı hakkında tam veya en azından bir dereceye kadar yeterli bilgiye ulaşmanın mümkün olduğu pek iddia edilemezken, kural tabanlı algoritmalara sahip uzman sistemler için bu ortak bir gerekliliktir.

Sinir ağları, faaliyetlerinin doğası gereği, çevre hakkında çok az bilgi sahibi olan koşullarda sorunları çözmek zorunda olan bankalar ve diğer finansal kurumlar için tamamen yeni ve gelecek vaat eden fırsatlar sunmaktadır. Kontrollerin zayıflaması, özelleştirme ve yeni finansal araçların ortaya çıkması, ulusal piyasaları küresel piyasalarla birleştirdiği ve çoğu piyasa sektöründe özgürlüğü artırdığı için mali piyasaların doğası çarpıcı biçimde değişmektedir. finansal işlemler... Açıkça görülüyor ki, risk ve gelir yönetiminin temelleri, çeşitlendirme olanakları ve riske karşı koruma stratejileri tanınmayacak kadar değiştikçe değişmeden edemedi.

Bir dizi önde gelen banka için sinir ağlarının uygulama alanlarından biri, çok sayıda değişmemiş nesnel gösterge ile ABD dolarının döviz piyasasındaki pozisyonundaki değişiklikler sorunudur. Bu tür uygulamaların olanakları, büyük ekonomik veri veritabanlarının olması gerçeğiyle kolaylaştırılmıştır - sonuçta, karmaşık modeller bilgi açısından her zaman doyumsuzdur.

Tahvil fiyatları ve arbitraj, riskin genişlemesi ve daralması, faiz oranı ve likidite farklılıkları, piyasa derinliği ve likiditenin güçlü hesaplama tekniklerine yardımcı olduğu başka bir alandır.

Son zamanlarda önemi artan bir diğer sorun da kurumsal yatırımcılar arasındaki fon akışlarının modellenmesidir. Faiz oranlarındaki düşüş, açık uçlu yatırım fonları ve endeks fonlarının çekiciliğinin artmasında belirleyici rol oynamış olup, hisse senetleri üzerinde opsiyon ve vadeli işlemlerin bulunması, tam veya kısmi garantili satın alınmasına olanak tanımaktadır.

Açıktır ki, kısmi denge kısıtlamalarının sayısının sonsuz olduğu koşullar altında optimizasyon problemi (örneğin, herhangi bir piyasa sektöründeki herhangi bir emtianın vadeli ve nakit piyasalarında, faiz oranlarının çapraz farkları bir rol oynar) aşırı karmaşık bir problem haline gelir. , giderek herhangi bir tüccarın yeteneklerinin ötesinde.

Bu gibi durumlarda, tüccarlar ve dolayısıyla davranışlarını tanımlamaya çalışan herhangi bir sistem, herhangi bir zamanda sorunun boyutunu azaltmaya odaklanmak zorunda kalacaktır. Yüksek talep teminatı gibi bir fenomen iyi bilinmektedir.

Finans sektörü söz konusu olduğunda, sinir ağları kullanılarak elde edilen ilk sonuçların oldukça cesaret verici olduğunu ve bu alandaki araştırmaların daha da geliştirilmesi gerektiğini söyleyebiliriz. Uzman sistemlerde olduğu gibi, finansal kurumların sinir ağlarının yeteneklerine yeterince güvenmeleri ve bunları tam kapasiteyle kullanmaya başlamaları birkaç yıl alabilir.

Sinir ağları alanındaki gelişmelerin doğası, uzman sistemlerden temel olarak farklıdır: ikincisi, "eğer ..., o zaman ..." biçimsel mantıksal yapılar gibi ifadelere dayanır. Sinir ağları, çözülmekte olan probleme yönelik ağırlıklı olarak davranışsal bir yaklaşıma dayanmaktadır: ağ “örneklerden öğrenir” ve bir geri besleme mekanizması aracılığıyla sözde öğrenme algoritmalarını kullanarak parametrelerini ayarlar.

YAPAY NÖRONLARIN FARKLI TÜRLERİ

Yapay bir nöron (Şekil 13.1), ilk önce V giriş değerlerinin ağırlıklı toplamını "src =" http://hi-edu.ru/e-books/xbook725/files/13.1 formülüyle hesaplayan basit bir öğedir. gif "border =" 0 " align = "absmiddle" alt = "(! LANG:(13.1)

Burada N, giriş sinyallerinin uzayının boyutudur.

Daha sonra elde edilen miktar, "src =" http://hi-edu.ru/e-books/xbook725/files/18.gif "border =" 0 "align =" formülündeki eşik değeri (veya bias) ile karşılaştırılır. absmiddle "alt = "(! LANG:ağırlıklı toplamda (1) genellikle sinaptik katsayılar veya ağırlıklar olarak adlandırılır. Ağırlıklı toplam V'nin kendisine i nöronunun potansiyeli diyeceğiz. Çıkış sinyali daha sonra f (V) biçimine sahiptir.

Eşik bariyerinin değeri, sabit bir giriş sinyali için başka bir ağırlık faktörü olarak düşünülebilir. Bu durumda bahsettiğimiz genişletilmiş giriş alanı: N boyutlu girdiye sahip nöron N + 1 ağırlık faktörüne sahiptir..2.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:(13.2)

Sinyal dönüştürme yöntemine ve aktivasyon fonksiyonunun doğasına bağlı olarak, çeşitli nöral yapılar ortaya çıkar. sadece dikkate alacağız deterministik nöronlar(aksine olasılıksal nöronlar t anındaki durumu potansiyelin rastgele bir fonksiyonu olan ve t-1 anındaki durum). Ayrıca, ayırt edeceğiz statik nöronlar- sinyalin gecikmeden iletildiği - ve bu tür gecikmelerin olasılığının dikkate alındığı dinamik, ( "Gecikmiş sinapslar").

FARKLI AKTİVASYON FONKSİYONLARI

Aktivasyon fonksiyonları f çeşitli tiplerde olabilir:

Formül "src =" http://hi-edu.ru/e-books/xbook725/files/20.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:, b eğimi, ağırlık ve eşik değerleri aracılığıyla dikkate alınabilir ve genellik kaybı olmaksızın birliğe eşit olduğu varsayılabilir.

Çıktıda sürekli bir değerler kümesi alarak doygunluk olmadan nöronları tanımlamak da mümkündür. Sınıflandırma problemlerinde, çıktı değeri bir eşik ile belirlenebilir - tek bir karar verilirken - veya sınıf üyeliği belirlenirken olasılıklı olabilir. Belirli bir görevin özelliklerini hesaba katmak için, diğer çeşitli aktivasyon fonksiyonları seçilebilir - Gauss, sinüzoidal, dalgacıklar, vb.

DOĞRUDAN İLETİŞİMLİ SİNİR AĞLARI

İki tür sinir ağını ele alacağız: genellikle ileri beslemeli ağlar olarak da adlandırılan statik ve dinamik veya tekrarlayan ağlar. Bu bölümde, Statik Ağları ele alacağız. Diğer ağ türleri daha sonra kısaca tartışılacaktır.

İleri beslemeli sinir ağları, statik nöronlardan oluşur, böylece ağın çıkışındaki sinyal, sinyaller girişe gönderildiğinde aynı anda görünür. Ağın organizasyonu (topolojisi) farklı olabilir. Tüm kurucu nöronları çıktı değilse, ağın gizli nöronlar içerdiği söylenir. En genel ağ mimarisi türü, tüm nöronlar birbirine bağlandığında elde edilir (ancak geri bildirimler). V özel görevler nöronlar genellikle katmanlar halinde gruplandırılır. İncirde. Şekil 13.2, bir gizli katmana sahip tipik bir ileri beslemeli sinir ağını göstermektedir.

Teorik sonuçlara göre, ileri beslemeli ve sigmoid işlevli sinir ağlarının, işlevlerin yaklaşıklığı (yaklaşımı) için evrensel bir araç olduğunu belirtmek ilginçtir. Daha kesin olarak, bir kompakt etki alanındaki birkaç değişkenin herhangi bir gerçek değerli işlevi, üç katmanlı bir ağ kullanılarak istendiği kadar doğru bir şekilde tahmin edilebilir. Ancak aynı zamanda bunun için gerekli olacak ağın boyutunu da, ağırlıkların değerlerini de bilmiyoruz. Ayrıca, bu sonuçların kanıtından, yaklaşımın doğruluğundaki bir artışla gizli eleman sayısının süresiz olarak arttığı görülebilir. İleri beslemeli ağlar gerçekten de evrensel bir yaklaşım aracı olarak hizmet edebilir, ancak belirli bir görev için en uygun ağ topolojisini bulmak için hiçbir kural yoktur.

Bu nedenle, bir sinir ağı oluşturma görevi önemsiz değildir. Mevcut literatürde kaç tane gizli katman alınacağı, her birinde kaç tane eleman olduğu, kaç tane bağlantı ve hangi eğitim parametreleri ile ilgili sorular genellikle hafifçe yorumlanır.

Eğitim aşamasında, istenen cevabın kurallara göre değil, gruplandırılmış örnekler yardımıyla belirlendiği sinir ağı (sınıflandırma, zaman serilerinin tahmini vb.) içine eğitim setleri... Böyle bir set, elde edilmesi arzu edilen, her biri için belirtilen çıktı parametresinin değerine sahip bir dizi örnekten oluşur. Bu durumda meydana gelen eylemler çağrılabilir. denetimli öğrenme: "Öğretmen", ağın girişine bir başlangıç ​​verisi vektörü besler ve hesaplama sonucunun istenen değerini çıkış düğümüne bildirir. Bir sinir ağının denetimli öğrenimi, bir optimizasyon problemine bir çözüm olarak görülebilir. Amacı, hata fonksiyonunu veya artık E'yi şu şekilde en aza indirmektir: bu set W ağırlıklarının değerlerini seçerek örnekler.

HATA KRİTERLERİ

Minimizasyon prosedürünün amacı küresel bir minimum bulmaktır - başarısına öğrenme sürecinin yakınsaması denir. Kalıntı ağırlıklara lineer olmayan bir şekilde bağlı olduğundan, analitik biçimde bir çözüm elde etmek imkansızdır ve global minimum arayışı yinelemeli bir süreçle gerçekleştirilir - sözde eğitim algoritması kalan yüzeyi inceleyen ve üzerinde küresel bir minimum nokta bulmaya çalışan . Genellikle, ortalama kare hatası (MSE), "src =" http://hi-edu.ru formülü ile istenen çıktı değeri arasındaki farkların karelerinin toplamı olarak tanımlanan bir hata ölçüsü olarak alınır. /e-books/xbook725/files/22.gif " border = "0" align = "absmiddle" alt = "(! LANG:için her örnek için.

örnek "> maksimum olabilirlik kriterine göre:

örnek ">" dönemler "). Maliyet fonksiyonu için ağırlıklar en dik yönün tersi yönde değişir:

adlı kullanıcı tanımlı bir parametredir. gradyan adımının veya öğrenme faktörünün boyutu.

Başka bir olası yöntem denir stokastik gradyan.

İçinde, bir eğitim setindeki tüm örneklerin her yanlış hesaplanmasından sonra ağırlıklar yeniden hesaplanır ve aynı zamanda buna karşılık gelen bir kısmi maliyet fonksiyonu kullanılır, örneğin, k-th seti:

altyazı ">

HATANIN GERİ YAYILMASI

Şimdi en yaygın ileri beslemeli sinir ağı öğrenme algoritmasını düşünün - geri yayılım algoritması(Geri yayılım, BP), sözde gelişimi olan genelleştirilmiş delta kuralı... Bu algoritma 1986 yılında Rumelhart ve McCleland tarafından yeniden keşfedilmiş ve popüler hale getirilmiştir. ünlü Grup Massachusetts Teknoloji Enstitüsünde Paralel Dağıtılmış Süreçler Çalışması Üzerine. Bu bölümde, algoritmanın matematiksel özüne daha yakından bakacağız. Toplam kare hatasını en aza indiren bir gradyan iniş algoritmasıdır:

formül "src =" http://hi-edu.ru/e-books/xbook725/files/24.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:... Kısmi türevlerin hesaplanması zincir kuralına göre yapılır: j-inci nörondan gelen j-inci nöronun girdisinin ağırlığı formül ile yeniden hesaplanır.

formül "src =" http://hi-edu.ru/e-books/xbook725/files/23.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- gradyanın tersi yönde adımın uzunluğu.

k. örneği ayrı ayrı ele alırsak, ağırlıklardaki karşılık gelen değişiklik

bir sonraki katmandan benzer faktörlerle hesaplanır ve böylece hata ters yönde iletilir.

Çıktı elemanları için şunu elde ederiz:

formül "src =" http://hi-edu.ru/e-books/xbook725/files/25.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:şöyle tanımlanır:

"src =" http://hi-edu.ru/e-books/xbook725/files/13.14.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:(13.14)

elde ederiz:

örnek "> stokastik versiyonda, ağırlıklar bir sonraki numune hesaplandıktan sonra her seferinde yeniden hesaplanır ve "epoch-making" veya çevrim dışı versiyonda, ağırlıklar tüm eğitim seti hesaplandıktan sonra değişir.

Sıklıkla kullanılan bir başka teknik, aramanın yönünü belirlerken, mevcut gradyana - belirli bir katsayı ile alınan önceki adımın yer değiştirme vektörüne - bir değişiklik eklenmesidir. Halihazırda var olan hareket dürtüsünün dikkate alındığını söyleyebiliriz. Ağırlıkları değiştirmek için son formül şöyle görünür:

formül "src =" http://hi-edu.ru/e-books/xbook725/files/26.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- kullanıcı tarafından ayarlanan (0,1) aralığında bir sayı.

Genellikle altyazının anlamı ">

DİĞER ÖĞRENME ALGORİTMALARI

Son olarak, sözde genetik algoritmalar, bir dizi ağırlık, mutasyonlara ve melezlemeye tabi olan bir birey olarak kabul edilir ve hata kriteri "kalitesinin" bir göstergesi olarak alınır. Yeni nesiller ortaya çıktıkça, optimal bir bireyin ortaya çıkması daha olası hale gelir.

Finansal uygulamalarda veriler özellikle gürültülüdür. Örneğin, işlemlerin yürütülmesi gecikmeli ve farklı durumlarda farklı olanlarla veritabanına kaydedilebilir. Eksik değerler veya değil full bilgi bazen gürültü olarak da anılır: bu gibi durumlarda ortalama veya en iyi değer alınır ve bu elbette veritabanı gürültüsüne yol açar. Tanıma problemlerinde nesne sınıfının yanlış tanımlanması öğrenmeyi olumsuz etkiler - bu, sistemin yeni (yani örnek sayısına dahil olmayan) nesnelerle çalışırken genelleme yeteneğini kötüleştirir.

ÇAPRAZ ONAY

Veritabanı bölümlemede keyfiliği ortadan kaldırmak için tekrarlanan örnekleme teknikleri kullanılabilir. Adı verilen bu yöntemlerden birini düşünün. çapraz onay... Buradaki fikir, veritabanını rastgele q ikili ayrık alt kümelere bölmektir. Daha sonra (q -1) set üzerinde q eğitimler yapılır ve kalan set üzerinden hata hesaplanır. q yeterince büyükse, örneğin 10'a eşitse, her eğitim orijinal verilerin çoğunu kullanır. Öğrenme prosedürü güvenilir ise, o zaman q farklı model için sonuçlar birbirine çok yakın olmalıdır. Daha sonra elde edilen tüm hata değerlerinin ortalaması olarak nihai karakteristik belirlenir. Ne yazık ki, bu yöntemi uygularken, q eğitim yapılması gerektiğinden, hesaplama miktarı genellikle çok büyüktür ve daha büyük boyutlu gerçek bir uygulamada bu mümkün olmayabilir. q = P olduğunda, P'nin toplam örnek sayısı olduğu sınırlayıcı durumda, yönteme bir kalanlı çapraz doğrulama denir. Bu tahmin yönteminin bir önyargısı vardır ve bir yöntem geliştirilmiştir. "Katlanır bıçak" daha fazla hesaplama pahasına bu dezavantajı azaltmak.

Dikkate alacağımız bir sonraki sinir ağları sınıfı, dinamik veya tekrarlayan ağlardır. Davranışları genellikle birinci dereceden diferansiyel veya fark denklemleriyle tanımlanan dinamik nöronlardan oluşturulurlar. Ağ, her bir nöron diğer nöronlardan (muhtemelen kendisinden) ve çevreden girdi bilgisi alacak şekilde düzenlenmiştir. Bu tür bir ağ önemlidir çünkü doğrusal olmayan dinamik sistemleri modellemek için kullanılabilir. Bu çok genel model potansiyel olarak en çok kullanılabilir farklı uygulamalarörneğin: ilişkisel bellek, doğrusal olmayan sinyal işleme, sonlu durumlu makine modelleme, sistem tanımlama, kontrol problemleri.

Zaman gecikmeli sinir ağları

Dinamik ağları tanımlamadan önce, zaman serilerini işlemek için ileri beslemeli ağın nasıl kullanıldığını düşünün. Yöntem, zaman serisini birkaç bölüme ayırmayı ve böylece çok katmanlı ileri beslemeli bir ağın girdisini beslemek için istatistiksel bir örnek elde etmeyi içerir. Bu, çatallı gecikme hattı denilen şey kullanılarak yapılır (bkz. Şekil 13.3).

Zaman gecikmeli böyle bir sinir ağının mimarisi, formun herhangi bir sonlu zaman bağımlılığının modellenmesine izin verir:

altyazı ">

HOPFIELD AĞLARI

Hopfield tekrarlayan ağların yardımıyla, sırasız (el yazısı harfleri), zaman (zaman serisi) veya uzay (grafikler, gramerler) örneklerini sıralayabilirsiniz (Şekil 13.4). En basit tekrarlayan sinir ağı Hopfield tarafından tanıtıldı; her biri birbirine bağlı N nörondan oluşur ve tüm nöronlar çıktıdır.

Bu tasarımın ağları esas olarak şu şekilde kullanılır: çağrışımsal bellek, ayrıca verilerin doğrusal olmayan filtrelenmesi ve gramer çıkarımı problemlerinde. Ek olarak, son zamanlarda hisse senedi fiyatlarının davranışındaki kalıpları tahmin etmek ve tanımak için kullanılmıştır.

Kohonen tarafından tanıtılan "kendi kendini organize eden özellik haritası", bir sinir ağının bir çeşidi olarak görülebilir. Bu ağ türü aşağıdakiler için tasarlanmıştır: kendi kendine eğitim: Eğitim sırasında ona doğru cevapları söylemek gerekli değildir. Öğrenme sürecinde, ağ girişine çeşitli desenler beslenir. Ağ, yapılarının özelliklerini yakalar ve örnekleri 436 kümeye böler ve önceden elde edilen ağ, yeni gelen her örneği, bazı "yakınlık" kriterleri tarafından yönlendirilen kümelerden birine atar.

Ağ, bir giriş ve bir çıkış katmanından oluşur. Çıkış katmanındaki öğelerin sayısı, ağın kaç kümeyi tanıyabileceğini doğrudan belirler. Çıktı öğelerinin her biri, girdi vektörünün tamamını girdi olarak alır. Herhangi bir sinir ağında olduğu gibi, her bağlantıya bir miktar sinoptik ağırlık atanır. Çoğu durumda, her çıkış elemanı aynı zamanda komşularına da bağlıdır. Bu iç bağlantılar öğrenme sürecinde önemli bir rol oynar, çünkü ağırlıklar yalnızca seçilen öğenin yakınında ayarlanır. en iyi yol sonraki girişe yanıt verir.

Çıktı öğeleri, eyleme geçme ve "ders alma" hakkı için kendi aralarında rekabet eder. Kazanan, örneğin Öklid metriği tarafından belirlenen mesafe anlamında ağırlık vektörü girdi vektörüne en yakın olandır. Kazanan eleman bu mesafeye diğerlerinden daha az sahip olacaktır. Mevcut eğitim adımında, yalnızca kazanan öğenin (ve belki de en yakın komşularının) ağırlıkları değiştirmesine izin verilir; kalan elemanların ağırlıkları olduğu gibi donmuştur. Kazanan öğe, ağırlık vektörünü giriş vektörüne doğru hafifçe hareket ettirerek değiştirir. Yeterli sayıda örnek üzerinde eğitimden sonra, ağırlık vektörleri seti, girdi örneklerinin yapısıyla daha doğru bir şekilde eşleşir - ağırlık vektörleri, girdi örneklerinin dağılımını tam anlamıyla modeller.

Pirinç. 13.5. Kendi kendini organize eden Kohonen ağı. Sadece linkler gidiyor i. düğüm... Düğümün komşuluğu noktalı bir çizgi ile gösterilir

Açıkçası, ağın girdi dağılımını doğru bir şekilde anlaması için, her ağ öğesinin aynı sayıda kazanan olması gerekir - ağırlık vektörleri olmalıdır. aynı derecede muhtemel olan.

Kohonen ağını başlatmadan önce iki şey yapılmalıdır:

miktarın vektörleri, birim küre üzerinde rastgele dağıtılmalıdır;

tüm ağırlık ve girdi vektörleri bire normalleştirilmelidir.

karşı yayılan ağ(CPN, Counterpropagation Network), Kohonen'in kendi kendini organize eden ağının özelliklerini ve Oustar - Grossberg ağı kavramını birleştirir. Bu mimari çerçevesinde, Kohonen ağ katmanının elemanları, doğrudan bir çıkışa sahip değildir. Dış dünya, ve Grossberg ağırlıklarının bağlantılara uyarlanabilir bir şekilde atandığı çıktı katmanı için girdiler olarak hizmet eder. Bu şema, Hecht-Nielsen'in çalışmasından ortaya çıktı. CPN ağı, böyle bir eşleme eyleminin örneklerine dayalı olarak girdilerin çıktılara istenen eşlemesini kademeli olarak oluşturmayı amaçlar. Ağ, bireysel noktalarda tam değerlerine dayalı olarak uyarlanabilir bir matematiksel yansıma oluşturma yeteneğinin gerekli olduğu sorunları çözmede iyidir.

Bu tür ağlar, kredi başvurularının işlenmesi, hisse senedi fiyatları, emtialar ve döviz kurlarındaki eğilimlerin tahmin edilmesi gibi finansal ve ekonomik uygulamalarda başarıyla kullanılmaktadır. Genel olarak konuşursak, büyük miktarda veriden bilgi çıkarmanın gerekli olduğu görevlerde CPN ağlarının başarılı bir şekilde uygulanması beklenebilir.

SINIFLAMA (KÜMELEME) GÖREVLERİ İÇİN SİNİR AĞLARININ PRATİK UYGULAMASI

Sınıflandırma probleminin çözümü aşağıdakilerden biridir: kritik uygulamalar nöral ağlar. Sınıflandırma problemi, birkaç ikili ayrık kümeden birine bir örnek atama problemidir. Bu tür sorunlara bir örnek, örneğin, bir banka müşterisinin kredibilitesini belirleme sorunu, örneğin bir hastalığın sonucunu belirlemenin gerekli olduğu tıbbi sorunlar, bir menkul kıymet portföyünü yönetme sorunlarının çözülmesi olabilir ( piyasa durumuna bağlı olarak hisseleri satmak, satın almak veya "tutmak"), yaşayabilir ve iflasa meyilli firmaları belirleme görevi.

SINIFLANDIRMA AMACI

Sınıflandırma problemlerini çözerken, mevcut olanları dahil etmek gerekir. statik örnekler(piyasa durumunun özellikleri, tıbbi muayene verileri, müşteri bilgileri) belirli sınıflar... Verileri sunmanın birkaç yolu mümkündür. En yaygın yol, örneğin bir vektör olarak temsil edilmesidir. Bu vektörün bileşenleri, belirli bir örneğin hangi sınıfa atanabileceğine ilişkin kararı etkileyen örneğin çeşitli özelliklerini temsil eder. Örneğin, tıbbi problemler için, bu vektörün bileşenleri, bir hastanın tıbbi kaydından alınan veriler olabilir. Bu nedenle, örnekle ilgili bazı bilgilere dayanarak, hangi sınıfa atfedilebileceğini belirlemek gerekir. Sınıflandırıcı böylece N-boyutlu uzayın belirli bir bölümüne göre sınıflardan birine bir nesne atar. giriş alanı, ve bu uzayın boyutu vektör bileşenlerinin sayısıdır.

Her şeyden önce, sistemin karmaşıklık seviyesini belirlemeniz gerekir. Gerçek problemlerde, genellikle örnek sayısının sınırlı olduğu ve problemin karmaşıklığının belirlenmesini zorlaştıran bir durum ortaya çıkar. Üç ana zorluk seviyesini ayırt etmek mümkündür. Birincisi (en basit olanı), sınıfların düz çizgilerle (veya giriş alanı ikiden büyük bir boyuta sahipse hiper düzlemlerle) ayrılabileceği zamandır - sözde doğrusal ayrılabilirlik... İkinci durumda, sınıflar çizgilerle (düzlemler) ayrılamaz, ancak bunları daha karmaşık bir bölme kullanarak ayırmak mümkündür - doğrusal olmayan ayrılabilirlik... Üçüncü durumda, sınıflar örtüşür ve sadece hakkında konuşabiliriz. olasılıksal ayrılabilirlik.

Pirinç. 13.6. Doğrusal ve Doğrusal Olmayan Ayrılabilir Sınıflar

İdeal olarak, ön işlemeden sonra doğrusal olarak ayrılabilir bir problem elde etmeliyiz, çünkü bundan sonra sınıflandırıcının yapısı büyük ölçüde basitleştirilmiştir. Ne yazık ki, gerçek problemleri çözerken, sınıflandırıcının temel aldığı sınırlı sayıda örneğe sahibiz. Aynı zamanda, örneklerin doğrusal ayrılabilirliğinin sağlanacağı verilerin bu tür ön işlemesini yapamayız.

SİNİR AĞLARININ SINIFLANDIRICI OLARAK KULLANILMASI

İleri beslemeli ağlar, fonksiyonların sınıflandırma problemlerinin çözümünde kullanılmasına izin veren, yaklaşık fonksiyonlar için evrensel bir araçtır. Kural olarak, sinir ağları en etkili sınıflandırma yöntemi olarak ortaya çıkıyor, çünkü aslında çok sayıda regresyon modeli üretiyorlar (bunlar istatistiksel yöntemler kullanarak sınıflandırma problemlerinin çözümünde kullanılır).

Ne yazık ki, sinir ağlarının pratik görevlerde uygulanmasında bir takım problemler ortaya çıkmaktadır. İlk olarak, haritalamayı yeterince doğru bir şekilde uygulamak için ağın ne kadar karmaşıklık (boyut) gerektirebileceği önceden bilinmemektedir. Bu karmaşıklık engelleyici olabilir ve karmaşık ağ mimarisi gerektirebilir. Böylece Minsky, "Perceptrons" adlı çalışmasında, en basit tek katmanlı sinir ağlarının yalnızca doğrusal olarak ayrılabilir problemleri çözebildiğini kanıtladı. Bu sınırlama, çok katmanlı sinir ağları kullanılarak aşılabilir. V Genel görünüm Bir gizli katmana sahip bir ağda, girdi modeline karşılık gelen vektörün gizli katman tarafından farklı bir boyuta sahip olabilecek bazı yeni uzaylara dönüştürüldüğünü ve ardından çıktı katmanının nöronlarına karşılık gelen hiper düzlemlerin bölündüğünü söyleyebiliriz. sınıflara dönüştürür. Böylece ağ, yalnızca orijinal verinin özelliklerini değil, aynı zamanda gizli katmanın oluşturduğu "karakteristik özellikleri" de tanır.

İLK VERİLERİN HAZIRLANMASI

Bir sınıflandırıcı oluşturmak için, bir örneğin hangi sınıfa ait olduğuna dair kararı hangi parametrelerin etkilediğini belirlemek gerekir. Bu iki soruna neden olabilir. İlk olarak, eğer parametre sayısı küçükse, o zaman aynı başlangıç ​​veri setinin farklı sınıflardaki örneklere karşılık geldiği bir durum ortaya çıkabilir. O zaman sinir ağını eğitmek imkansızdır ve sistem düzgün çalışmayacaktır (böyle bir başlangıç ​​verisine karşılık gelen bir minimum bulmak imkansızdır). İlk veriler tutarlı olmalıdır. Bu sorunu çözmek için, öznitelik uzayının boyutunu (örneğe karşılık gelen girdi vektörünün bileşenlerinin sayısı) artırmak gerekir. Ancak öznitelik uzayının boyutunun artmasıyla, ağın eğitilmesi için örnek sayısının yetersiz kalabileceği ve genelleme yapmak yerine sadece eğitim kümesinden örnekleri hatırlayacağı ve doğru şekilde çalışamayacağı bir durum ortaya çıkabilir. . Bu nedenle, özellikleri tanımlarken, sayılarıyla bir uzlaşma bulmak gerekir.

Daha sonra, sinir ağı için giriş verilerinin temsil edilme yolunun belirlenmesi gerekir, yani. tayınlama yöntemini belirler. Normalleştirme gereklidir, çünkü sinir ağları 0..1 aralığında sayılarla temsil edilen verilerle çalışır ve orijinal veriler rastgele bir aralığa sahip olabilir veya hatta sayısal olmayan veriler olabilir. Bu durumda, parametrelerin birbirleri üzerindeki etkisine bağlı olarak, basit bir doğrusal dönüşümden gerekli aralığa kadar değişen ve parametrelerin çok değişkenli analizi ve doğrusal olmayan normalleştirme ile biten çeşitli yöntemler mümkündür.

ÇIKTI KODLAMA

İki sınıfın varlığındaki sınıflandırma problemi, örneğin hangi sınıfa ait olduğuna bağlı olarak 0 veya 1 iki değerinden birini alabilen çıkış katmanında bir nöron bulunan bir ağ üzerinde çözülebilir. Birden fazla sınıf varsa, ağ çıkışı için bu verilerin sunumunda bir sorun vardır. Çoğu basit bir şekilde bu durumda çıktı verilerinin temsili, bileşenleri aşağıdakilere karşılık gelen bir vektördür. farklı sayılar sınıflar. nerede i-inci bileşen vektör i-th sınıfına karşılık gelir. Bu durumda, diğer tüm bileşenler 0'a ayarlanır. Ardından, örneğin, ikinci sınıf 2 ağ çıkışında 1'e ve geri kalanında 0'a karşılık gelir. Sonucu yorumlarken, genellikle sınıf numarasının, maksimum değerin göründüğü ağ çıkışının numarasına göre belirlendiği varsayılır. Örneğin, üç çıkışlı bir ağda, bir çıkış değerleri vektörümüz varsa (0,2; 0,6; 0,4) ve vektörün ikinci bileşeninin maksimum değere sahip olduğunu görürüz, o zaman bu örneğin sınıfı aittir 2 Bu kodlama yöntemi bazen ağın bir örneğin bu sınıfa ait olduğuna dair güveni fikrini ortaya koyar. Güveni belirlemenin en basit yolu, maksimum çıktı ile maksimuma en yakın olan diğer çıktı arasındaki farkı belirlemektir. Örneğin, yukarıda ele alınan örnek için, örneğin ikinci sınıfa ait olduğu ağın güveni, vektörün ikinci ve üçüncü bileşenleri arasındaki fark olarak belirlenir ve 0.6-0.4 = 0.2'ye eşittir. Buna göre, güven ne kadar yüksek olursa, ağın doğru cevabı verme olasılığı o kadar yüksektir. Bu kodlama yöntemi, verileri temsil etmenin en basit yoludur, ancak her zaman en iyi yol değildir.

Diğer yöntemler de bilinmektedir. Örneğin, çıktı vektörü ikili olarak yazılmış küme numarasıdır. O zaman, eğer 8 sınıf varsa, 3 elemanlı bir vektöre ihtiyacımız var ve diyelim ki sınıf 3, vektör 011'e karşılık gelecektir. Ancak aynı zamanda, çıktılardan birinde yanlış bir değer alınırsa, bir tane alabiliriz. yanlış sınıflandırma (yanlış küme numarası), bu nedenle sınıflandırmanın güvenilirliğini artıracak olan Hamming çıktı kodlamasını kullanarak iki küme arasındaki mesafeyi artırmak mantıklıdır.

Diğer bir yaklaşım, k sınıflı problemi, her biri iki sınıflı (2'ye 2 kodlama) k * (k-l) / 2 alt probleme bölmektir. Bu durumda, bir alt görev, ağın vektör bileşenlerinden birinin varlığını belirlediği anlamına gelir. Onlar. orijinal vektör, her biri çıktı vektörünün bileşenlerinin tüm olası kombinasyonlarını içerecek şekilde iki bileşenden oluşan gruplara bölünür. Bu grupların sayısı, orijinal bileşenlerden iki sırasız numune sayısı olarak tanımlanabilir.

352 "kenarlık =" 0 ">

Alt görev (çıkış) numarası Çıkış bileşenleri 1 1-2 2 1-3 3 1-4 4 2-3 5 2-4 6 3-4

Çıktıdaki 1, bileşenlerden birinin varlığını gösterir. Daha sonra ağ tarafından yapılan hesaplamanın sonucuna göre sınıf numarasına şu şekilde gidebiliriz: Hangi kombinasyonların tek (daha doğrusu bire yakın) çıktı değeri aldığını (yani bizim için hangi alt görevlerin etkinleştirildiğini) belirliyoruz ve sınıf numarasının en fazla etkinleştirilmiş alt görev sayısını giren numara olacağını varsayın (tabloya bakın).

isimsiz döküman

Bu kodlama birçok görevde klasik kodlama yöntemine göre daha iyi sonuç vermektedir.

OLASILIK SINIFLANDIRMASI

İstatistiksel örüntü tanımada, optimal sınıflandırıcı "src =" http://hi-edu.ru/e-books/xbook725/files/1.gif "border =" 0 "align =" absmiddle " formülüne bir örnek atar. alt =" (! DİL:

"src =" http://hi-edu.ru/e-books/xbook725/files/4.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:en yüksek sonsal olasılığa sahip grubu ifade eder. Bu kural, ortalama yanlış sınıflandırma sayısını en aza indirmesi anlamında idealdir..gif "border =" 0 "align =" absmiddle "alt =" (! LANG:

o zaman önceki ve sonraki olasılıklar arasındaki Bayes ilişkisi geçerli kalır ve bu nedenle bu fonksiyonlar şu şekilde kullanılabilir: basitleştirilmiş karar fonksiyonları... Bu işlevler daha basit bir şekilde oluşturulmuş ve hesaplanmışsa, bunu yapmak mantıklıdır.

Kural çok basit görünse de, arka olasılıklar (hatta basitleştirilmiş karar fonksiyonlarının değerleri bile) bilinmediğinden pratikte uygulanması zor görünüyor. Değerleri tahmin edilebilir. Bayes teoremi sayesinde, sonsal olasılıklar, "src =" http://hi-edu.ru/e-books/xbook725/files/8.gif "border formülü kullanılarak önceki olasılıklar ve yoğunluk fonksiyonları cinsinden ifade edilebilir. =" 0 "align = "absmiddle" alt = "(! LANG:.

GÖRÜNTÜ SINIFLANDIRICILARI

Önceki olasılık yoğunluğu tahmin edilebilir Farklı yollar... V parametrik yöntemler olasılık yoğunluğunun (PDF), bilinmeyen parametrelerle belirli bir türde bir fonksiyon olduğu varsayılır. Örneğin, bir Gauss işlevi kullanarak bir PDF'yi yakınlaştırmayı deneyebilirsiniz. Sınıflandırma yapabilmek için öncelikle her bir veri sınıfı için ortalama vektör ve kovaryans matrisi için tahmin edilen değerleri elde etmeli ve ardından bunları karar kuralında kullanmalısınız. Sonuç, yalnızca kareleri ve değişkenlerin ikili ürünlerini içeren bir polinom karar kuralıdır. Açıklanan tüm prosedür denir ikinci dereceden diskriminant analizi(QDA). Kovaryans matrislerinin tüm sınıflar için aynı olduğu varsayıldığında, QDA lineer diskriminant analizi(LDA).

Başka bir türün yöntemlerinde - parametrik olmayan- olasılık yoğunluğu hakkında herhangi bir ön varsayım gerekli değildir. "En yakın komşulara" (NN) yöntemi, yeni gelen örnek ile eğitim kümesinin vektörleri arasındaki mesafeyi hesaplar, ardından örnek, en yakın komşularının çoğunun ait olduğu sınıfa aittir. Sonuç olarak, sınıfları ayıran sınırlar parçalı doğrusaldır. Bu yöntemin çeşitli modifikasyonları, komşuları bulmak için farklı mesafe ölçüleri ve özel teknikler kullanır. Bazen, örnek kümesinin kendisi yerine, uyarlamalı vektör nicemleme (LVQ) yöntemindeki kümelere karşılık gelen bir merkez kümesi alınır.

Diğer yöntemlerde, sınıflandırıcı verileri ağaç şemasına göre gruplara ayırır. Her adımda, alt grup ikiye bölünür ve sonuç bir ikili ağacın hiyerarşik yapısıdır. Ayırma sınırları, kural olarak, parçalı doğrusal olarak elde edilir ve ağacın bir veya daha fazla yaprağından oluşan sınıflara karşılık gelir. Bu yöntemin iyi yanı, mantıksal karar kurallarına dayalı bir sınıflandırma yöntemi oluşturmasıdır. Ağaç benzeri sınıflandırıcıların fikirleri, kendi kendine büyüyen sinirsel sınıflandırıcılar oluşturma yöntemlerinde kullanılır.

SINIFLAYICI OLARAK DOĞRUDAN İLETİŞİMLİ SİNİR AĞI

İleri beslemeli ağlar, fonksiyonlara yaklaşmanın evrensel bir yolu olduğundan, belirli bir sınıflandırma problemindeki sonsal olasılıkları tahmin etmek için kullanılabilirler. Haritalamanın yapısındaki esneklik nedeniyle, sonsal olasılıkların, Bayes kuralına göre (optimal sınıflandırma prosedürleri olarak adlandırılan) göre hesaplanan değerlerle pratik olarak çakışacakları şekilde bir doğruluk elde etmek mümkündür.

ZAMAN SERİSİ ANALİZ PROBLEMİ

Bir zaman serisi, "src =" http://hi-edu.ru/e-books/xbook725/files/10.gif "border =" 0 "align =" absmiddle "alt = formülüne sahip sıralı bir gerçek sayılar dizisidir. "(! DİL:zaman kaydırmalı değerlerin n-boyutlu uzayında veya gecikme alanı.

Zaman serisi analizinin amacı, belirli bir seriden faydalı bilgiler çıkarmaktır. Bunun için olgunun matematiksel bir modelini oluşturmak gerekir. Böyle bir model, veri üreten sürecin özünü açıklamalı, özellikle verinin doğasını tanımlamalıdır (rastgele, trend, periyodik, durağan, vb.). Bundan sonra, gelecekteki değerleri tahmin etme nihai hedefi ile çeşitli veri filtreleme yöntemlerini (düzeltme, aykırı değerlerin kaldırılması vb.) uygulayabilirsiniz.

Bu nedenle, bu yaklaşım, zaman serisinin bazı matematiksel yapıya sahip olduğu varsayımına dayanmaktadır (örneğin, fenomenin fiziksel doğasının bir sonucu olabilir). Bu yapı sözde faz boşluğu, koordinatları dinamik sistemin durumunu tanımlayan bağımsız değişkenlerdir. Bu nedenle simülasyonda yapılması gereken ilk iş faz uzayını uygun şekilde belirlemektir. Bunu yapmak için, sistemin bazı özelliklerini faz değişkenleri olarak seçmeniz gerekir. Bundan sonra, tahmin veya ekstrapolasyon sorusunu gündeme getirmek zaten mümkündür. Kural olarak, ölçümler sonucunda elde edilen zaman serilerinde rastgele dalgalanmalar ve gürültü farklı oranlarda mevcuttur. Bu nedenle, bir modelin kalitesi, büyük ölçüde, amaçlanan veri yapısını gürültüden ayırarak tahmin etme yeteneği ile belirlenir.

ZAMAN SERİSİ İSTATİSTİKSEL ANALİZİ

İstatistiksel zaman serisi analizi yöntemlerinin ayrıntılı bir açıklaması bu kitabın kapsamı dışındadır. Sunumumuzu doğrudan ilgilendiren durumlara dikkat çekerken, geleneksel yaklaşımları kısaca ele alacağız. Yule'nin öncü çalışmasından bu yana, doğrusal ARIMA modelleri istatistiksel zaman serisi analizinde merkezi bir aşamaya geldi. Zamanla, bu alan bir dizi yöntemle eksiksiz bir teori haline geldi - Box-Jenkins teorisi.

ARIMA modelinde otoregresif bir terimin bulunması, bir değişkenin mevcut değerlerinin geçmiş değerlerine bağlı olduğu gerçeğini ifade eder. Bu tür modellere tek boyutlu denir. Bununla birlikte, genellikle, incelenen hedef değişkenin değerleri, birkaç farklı zaman serisi ile ilişkilendirilir.

Pirinç. 13.7. ARIMA (p, q) modelinin en basit sinir ağı üzerinde uygulanması

Örneğin, hedef değişken döviz kuruysa ve ilgili diğer değişkenler faiz oranlarıysa (iki para biriminin her birinde) durum böyle olacaktır.

Karşılık gelen yöntemlere çok boyutlu denir. Doğrusal modellerin matematiksel yapısı oldukça basittir ve bunlara dayalı hesaplamalar, standart sayısal yöntem paketleri kullanılarak herhangi bir özel zorluk olmadan gerçekleştirilebilir. Zaman serisi analizindeki bir sonraki adım, genellikle gerçek süreçlerde ve sistemlerde bulunan doğrusal olmayan durumları hesaba katabilen modellerin geliştirilmesiydi. Bu tür ilk modellerden biri Tong tarafından önerildi ve eşik otoregresif model (TAR) olarak adlandırıldı.

Belirli (önceden ayarlanmış) eşik değerlerine ulaşıldığında bir doğrusal AR modelinden diğerine geçiş yapar. Böylece, sistemde birkaç çalışma modu ayırt edilir.

Ardından STAR veya "pürüzsüz" TAR modelleri önerilmektedir. Böyle bir model, zamanın sürekli fonksiyonları olan katsayılarla alınan birkaç modelin doğrusal bir birleşimidir.

DOĞRUDAN HABERLEŞME SİNİR AĞLARINA DAYALI MODELLER

Önceki paragrafta açıklanan tüm modellerin sinir ağları kullanılarak uygulanabileceğini belirtmek ilginçtir. Formun herhangi bir bağımlılığı

seçim "> şek. 13.8

İlk başta eylemler sahne aşaması NS veri ön işleme- açıkçası büyük ölçüde görevin özelliklerine bağlıdır. Gecikmelerin yapısı da dahil olmak üzere süreci karakterize eden göstergelerin sayısını ve türünü doğru seçmek gerekir. Bundan sonra, ağ topolojisini seçmeniz gerekir. İleri beslemeli ağlar kullanılıyorsa, gizli öğelerin sayısı belirlenmelidir. Ayrıca, modelin parametrelerini bulmak için bir hata kriteri ve bir optimizasyon (eğitim) algoritması seçmeniz gerekir. Ardından, tanılama araçlarını kullanarak modelin çeşitli özelliklerini kontrol etmelisiniz. Son olarak, ağın çıktısını yorumlamanız ve belki de başka bir karar destek sisteminin girdisine beslemeniz gerekir. Ardından, ağın ön işleme, optimizasyon ve analiz (hata ayıklama) aşamalarında çözülmesi gereken sorunları ele alacağız.

VERİ TOPLAMA

Bir analistin vermesi gereken en önemli karar, modellenen süreci tanımlamak için bir dizi değişkenin seçimidir. Farklı değişkenler arasındaki olası ilişkileri hayal etmek için sorunun özünü iyi anlamanız gerekir. Bu konuda bu konuda deneyimli bir uzman ile görüşmeniz oldukça faydalı olacaktır. Seçtiğiniz değişkenlerle ilgili olarak, bunların kendi içlerinde anlamlı olup olmadıklarını veya sadece gerçekten önemli diğer değişkenleri yansıtıp yansıtmadıklarını anlamanız gerekir. Önem testi, çapraz korelasyon analizini içerir. Onun yardımıyla, örneğin, iki satır arasındaki gecikme (gecikme) türünün zaman ilişkisini ortaya çıkarmak mümkündür. Olayın lineer bir model tarafından ne ölçüde tanımlanabileceği, en küçük kareler yöntemi (OLS) kullanılarak regresyon kullanılarak test edilir.

Optimizasyondan sonra elde edilen altyazı kalıntısı ">

VERİ ÇEKİM ARACI OLARAK NÖRAL AĞLAR

Bazen problem, matematiksel sayısal biçimde pek temsil edilemeyen verilerin analizinde ortaya çıkar. Bu, seçim ilkeleri açıkça tanımlanmayan verileri çıkarmanız gerektiğinde bir durumdur: güvenilir ortakları belirlemek, gelecek vaat eden bir ürünü belirlemek vb. Bu tür görevler için tipik bir durumu ele alalım - iflasların tahmini. Diyelim ki birkaç düzine bankanın faaliyetleri (açık mali tabloları) hakkında belirli bir süre için bilgimiz var. Bu süre sonunda bu bankalardan hangilerinin iflas ettiğini, hangilerinin ruhsatlarının iptal edildiğini ve hangilerinin istikrarlı bir şekilde (dönem sonunda) çalışmaya devam ettiğini biliyoruz. Ve şimdi hangi bankanın para yatırmaya değer olduğuna karar vermemiz gerekiyor. Doğal olarak, yakında iflas edebilecek bir bankaya para yatırmak istememiz pek olası değildir. Bu, çeşitli ticari yapılardaki yatırımların risklerini analiz etme sorununu bir şekilde çözmemiz gerektiği anlamına gelir.

İlk bakışta, bu sorunu çözmek zor değil - sonuçta, bankaların çalışmaları ve faaliyetlerinin sonuçları hakkında verilerimiz var. Ancak, aslında, bu görev o kadar basit değil. Elimizdeki verilerin geçmiş dönemi anlatması ve gelecekte ne olacağı ile ilgili bir sorun ortaya çıkıyor. Bu nedenle, elimizdeki apriori verilere dayanarak bir sonraki dönem için bir tahmin elde etmemiz gerekiyor. Bu görevi gerçekleştirmek için çeşitli yöntemler kullanılabilir.

Bu nedenle, en belirgin olanı matematiksel istatistik yöntemlerinin kullanılmasıdır. Ancak burada veri miktarıyla ilgili bir sorun var, çünkü istatistiksel yöntemler büyük miktarda a priori veriyle iyi çalışır ve sınırlı sayıda elimizde olabilir. Ancak istatistiksel yöntemler başarılı bir sonucu garanti edemez.

Bu sorunu çözmenin başka bir yolu, mevcut veri kümesi üzerinde eğitilebilen sinir ağlarının kullanılması olabilir. Bu durumda, çeşitli bankaların mali tablolarından elde edilen veriler ilk bilgi olarak kullanılır ve faaliyetlerinin sonucu hedef alan olarak kullanılır. Ancak yukarıda açıklanan yöntemleri kullanırken, orijinal verilerde kalıp bulmaya çalışmadan sonucu empoze ediyoruz. Prensip olarak, tüm iflas eden bankalar, sadece iflas etmeleri gerçeğiyle bile birbirine benzer. Bu, onların faaliyetlerinde onları bu sonuca götüren daha genel bir şeyin olması gerektiği ve gelecekte kullanmak için bu kalıpları bulmaya çalışabileceği anlamına gelir. Ve burada bu kalıpları nasıl bulacağımız sorusuyla karşı karşıyayız. Bunun için istatistiksel yöntemler kullanırsak, hangi "benzerlik" kriterlerini kullandığımızı belirlememiz gerekir, bu da sorunun doğası hakkında herhangi bir ek bilgiye sahip olmamızı gerektirebilir.

Bununla birlikte, kalıp bulmak için tüm bu eylemleri otomatikleştirmeyi mümkün kılan bir yöntem vardır - kendi kendini organize eden Kohonen haritalarını kullanan bir analiz yöntemi. Bu tür problemlerin nasıl çözüldüğünü ve Kohonen'in haritalarının ilk verilerde nasıl örüntüler bulduğunu düşünün. Genel değerlendirme için, nesne terimini kullanacağız (örneğin, yukarıda ele alınan örnekte olduğu gibi bir nesne bir banka olabilir, ancak açıklanan metodoloji, değişiklik olmaksızın, örneğin bir müşterinin kredibilitesini analiz etmek, bir müşterinin kredibilitesini analiz etmek, pazardaki davranış için en uygun strateji, vb.). Her nesne, durumunu tanımlayan bir dizi farklı parametre ile karakterize edilir. Örneğin, örneğimiz için parametreler mali tablolardan alınan veriler olacaktır. Bu parametreler genellikle sayısaldır veya buna indirgenebilir. Bu nedenle, nesnelerin parametrelerinin analizine dayanarak, benzer nesneleri seçmemiz ve sonucu algılamaya uygun bir biçimde sunmamız gerekir.

Tüm bu görevler, kendi kendini organize eden Kohonen haritaları ile çözülür. Nasıl çalıştıklarına daha yakından bakalım. Düşünmeyi basitleştirmek için, nesnelerin 3 özelliği olduğunu varsayacağız (aslında, herhangi bir sayıda olabilir).

Şimdi, tüm bu üç nesne parametresinin, üç boyutlu uzayda (bizi çevreleyen aynı uzayda) koordinatlarını temsil ettiğini hayal edin. Gündelik Yaşam). Daha sonra her nesne bu uzayda bir nokta olarak temsil edilebilir, ki bunu yapacağız (eksenler boyunca farklı ölçeklerde sorun yaşamamak için, tüm bu işaretleri herhangi bir aralıkta numaralandıracağız). uygun bir şekilde), bunun bir sonucu olarak, tüm noktalar Şekil 1'de birim boyutunda bir küp içine düşer. 13.9. Bu noktaları gösterelim. Bu şekle baktığımızda nesnelerin uzayda nasıl konumlandıklarını görebiliriz ve nesnelerin gruplandığı alanları fark etmek kolaydır, yani. benzer parametrelere sahipler, bu da bu nesnelerin kendilerinin büyük olasılıkla aynı gruba ait olduğu anlamına geliyor. dönüştürmenin bir yolunu bulmalıyız bu sistem Algı için basit bir sisteme, tercihen iki boyutlu bir sisteme (çünkü zaten üç boyutlu bir resim bir düzlemde doğru şekilde görüntülenemez), böylece gerekli boşluktaki bitişik nesneler yakınlarda ve ortaya çıkan resimde olur. Bunun için Kohonen kendi kendini organize eden haritayı kullanıyoruz. İlk yaklaşım olarak, kauçuktan yapılmış bir ağ olarak gösterilebilir, Şek. 13.10.

Daha önce “buruşmuş” olan bu ağı, zaten nesnelerimizin olduğu özellikler alanına atıyoruz ve ardından aşağıdaki gibi ilerliyoruz: bir nesne alıyoruz (bu alanda bir nokta) ve ona en yakın ağ düğümünü buluyoruz. Bundan sonra, bu düğüm nesneye doğru çekilir (ağ "kauçuk" olduğundan, bu düğümle birlikte komşu düğümler de aynı şekilde, ancak daha az kuvvetle çekilir).

Ardından başka bir nesne (nokta) seçilir ve işlem tekrarlanır. Sonuç olarak, düğümlerin konumu, Şekil 13.11'in orijinal alanındaki ana nesne kümelerinin konumuyla çakışan bir harita elde ederiz. Ek olarak, ortaya çıkan harita aşağıdaki dikkate değer özelliğe sahiptir - düğümleri, birbirine benzer nesneler komşu harita düğümlerine karşılık gelecek şekilde yerleştirilir. Şimdi haritanın hangi düğümlerine hangi nesnelerin girdiğimizi belirliyoruz. Ayrıca en yakın düğüm tarafından belirlenir - nesne kendisine daha yakın olan düğüme düşer. Tüm bu işlemler sonucunda benzer parametrelere sahip nesneler tek bir düğüme veya komşu düğümlere düşecektir. Böylece, benzer nesneleri bulma ve gruplandırma problemini çözebildiğimizi varsayabiliriz.

Ancak Kohonen'in kartlarının olanakları burada bitmiyor. Ayrıca alınan bilgileri renklendirme uygulayarak basit ve görsel bir biçimde sunmanıza olanak tanır. Bunu yapmak için, ortaya çıkan haritayı (daha doğrusu düğümlerini) ilgilendiğimiz nesnelerin özelliklerine karşılık gelen renklerle renklendiriyoruz. Bankaların sınıflandırıldığı örneğe dönersek, lisansı iptal edilen bankalardan en az birinin tek renkle renklendirilebildiği düğümleri renklendirebilirsiniz. Daha sonra renklendirmeyi uyguladıktan sonra risk bölgesi denebilecek bir bölge elde edeceğiz ve bize ilgi gösteren banka bu bölgeye düşerse bu onun güvenilmezliğini gösterir.

Ama hepsi bu değil. Parametreler arasındaki bağımlılıklar hakkında da bilgi alabiliriz. Bir haritaya çeşitli rapor makalelerine karşılık gelen bir renklendirme koyarak, pazarın durumu hakkında bilgi depolayan sözde bir atlas elde edebilirsiniz. Analiz ederken, farklı parametreler tarafından oluşturulan boyama sayfalarındaki renklerin düzenini karşılaştırırken, bankaların finansal portresi - kaybedenler, müreffeh bankalar vb. hakkında eksiksiz bilgi elde edilebilir.

Bütün bunlarla birlikte, açıklanan teknoloji evrensel bir analiz yöntemidir. Yardımı ile çeşitli iş stratejilerini analiz edebilir, pazarlama araştırmasının sonuçlarını analiz edebilir, müşterilerin kredibilitesini kontrol edebilirsiniz, vb.

Önümüzde bir haritaya sahip olmak ve incelenen bazı nesneler hakkında bilgi sahibi olmak, az aşina olduğumuz nesneleri oldukça güvenilir bir şekilde yargılayabiliriz. Yeni partnerinizin nasıl biri olduğunu bilmeniz mi gerekiyor? Haritada gösterelim ve komşulara bakalım. Sonuç olarak, bulanık karakteristiklere dayalı olarak veri tabanından bilgi çıkarmak mümkündür.

VERİTABANI TEMİZLEME VE DÖNÜŞÜM

İlk olarak, ağa girmeden önce, standart istatistiksel teknikler kullanılarak veri dönüşümü, hem eğitim parametrelerini (süre, karmaşıklık) hem de sistem çalışmasını önemli ölçüde iyileştirebilir. Örneğin, girdi serisi belirgin bir üstel forma sahipse, logaritması alındıktan sonra daha basit bir seri elde edilecek ve daha yüksek mertebeden karmaşık bağımlılıklar içeriyorsa, bunları tespit etmek artık çok daha kolay olacaktır. Çok sık olarak, anormal şekilde dağıtılan veriler, önceden doğrusal olmayan bir dönüşüme tabi tutulur: değişkenin orijinal değer serisi bazı işlevler tarafından dönüştürülür ve çıktıda elde edilen seriler yeni bir girdi değişkeni olarak alınır. Tipik dönüşümler üs alma, kök çıkarma, karşılıklı, üstel veya logaritmadır.

Verilerin bilgi yapısını iyileştirmek için belirli değişken kombinasyonları faydalı olabilir - işler, bölümler vb. Örneğin, opsiyon piyasasındaki pozisyon verilerine dayanarak hisse senedi fiyatlarındaki değişiklikleri tahmin etmeye çalıştığınızda, satım opsiyonlarının alım opsiyonlarına oranı, bu göstergelerin her ikisinden de ayrı ayrı daha bilgilendirici olmaktan daha fazladır. Ek olarak, bu tür ara kombinasyonların yardımıyla, çoğu zaman daha fazlasını elde etmek mümkündür. basit model, bu özellikle serbestlik derecesi sayısı sınırlı olduğunda önemlidir.

Son olarak, çıktı düğümünde uygulanan bazı dönüştürme işlevlerinde ölçekleme sorunları var. Sigmoid bir segment üzerinde tanımlanır, bu nedenle çıkış değişkeni bu aralıkta değer alacak şekilde ölçeklendirilmelidir. Birkaç ölçekleme yöntemi bilinmektedir: değerlerde yeni bir minimum ve maksimum ile sabit, orantılı bir değişiklikle kaydırma, ortalamayı çıkararak merkezleme, standart sapmayı bire getirme, standardizasyon (son iki eylem birlikte). Ağdaki tüm giriş ve çıkış değerlerinin değerlerinin her zaman, örneğin aralıkta (veya [-1,1]) bulunduğundan emin olmak mantıklıdır, o zaman herhangi bir dönüşümü kullanmak mümkün olacaktır. risksiz çalışır.

MODEL BİNA

Hedef serinin değerleri (bu, bulunması gereken seridir, örneğin, önümüzdeki gün için hisse senedi kazançları), aralarında değişken kombinasyonları, geçmiş değerlerin olabileceği N faktöre bağlıdır. hedef değişken, kodlanmış niteliksel göstergeler.

Model kalitesinin değerlendirilmesi genellikle ortalama kare hatası (MSE) veya karekökü (RMSE) gibi bir uyum iyiliği testine dayanır. Bu kriterler, tahmin edilen değerlerin eğitim, onay veya test setine ne kadar yakın olduğunu gösterir.

Doğrusal zaman serisi analizinde, eğitim kümesindeki (MSE), serbest parametre sayısı (W) ve eğitim kümesinin boyutu (N) üzerindeki performans incelenerek, genellenebilirliğin yansız bir tahmini elde edilebilir. Bu tür değerlendirmelere denir. bilgi kriterleri(1C) ve uyum iyiliği kriterini karşılayan bir bileşen ve modelin karmaşıklığını hesaba katan bir ceza bileşeni içerir. Aşağıdaki bilgi kriterleri önerilmiştir: Normalleştirilmiş (NAIC), Normalleştirilmiş Bayesian (NBIC) ve Tahmini Son Hata (FPE):

altyazı ">

YAZILIM

Şimdiye kadar, birçok yazılım paketleri sinir ağlarının uygulanması. Yazılım pazarındaki en ünlü sinir ağı simülatörlerinden bazıları şunlardır: Nestor, Cascade Correlation, Neudisk, Mimenice, Nu Web, Brain, Dana, Neuralworks Professional II Plus, Brain Maker, HNet, Explorer, Explorenet 3000, Neuro Solutions, Prapagator, Matlab Araç Kutusu. Üniversite sunucuları (örneğin, SNNS (Stuttgart) veya Nevada QuickPropagation) aracılığıyla ücretsiz olarak dağıtılan simülatörlerden de bahsetmeye değer. Paketin önemli bir kalitesi, veri işlemeye dahil olan diğer programlarla uyumluluğudur. Ayrıca, birçok megaflopa (saniyede milyon kayan nokta işlemi) kadar çıkabilen kullanıcı dostu bir arayüz ve performans önemlidir. Hızlandırıcı panoları, geleneksel üzerinde çalışırken öğrenme süresini azaltır kişisel bilgisayarlar... Ancak sinir ağlarını kullanarak güvenilir sonuçlar elde etmek için kural olarak güçlü bir bilgisayar gerekir.

Rastgele yürüyüş modeli ve etkin piyasa hipotezi gibi iyi kurulmuş finans bilimi paradigmaları, finansal piyasaların bilgiye rasyonel ve sorunsuz bir şekilde yanıt verdiğini varsayar. Bu durumda, doğrusal ilişkilerden ve tersine çevrilebilir bir eğilime sahip durağan davranıştan daha iyi bir şey düşünemezsiniz. Ne yazık ki finansal piyasaların gerçek davranışında sadece eğilimlerin tersine çevrilebilirliğini değil, sürekli olarak ortaya çıkan oran uyumsuzluklarını, gelen bilgilerle açıkça uyuşmayan oynaklıkları ve dönemsel olarak meydana gelen fiyat seviyesi ve oynaklık sıçramalarını görüyoruz. Finansal piyasaların davranışını tanımlamak için birkaç yeni model geliştirilmiş ve bazı başarılar elde edilmiştir.

MENKUL KIYMET PİYASALARINDA FİNANSAL ANALİZ

Bu çalışmada, petrol ve petrol ürünleri ticareti ile ilgili olarak sinir ağı teknolojileri kullanılarak menkul kıymetler piyasasında finansal analiz yapılmaktadır.

Makroekonomik büyüme ve ülkenin refahı, büyük ölçüde, petrol çıkarma ve petrol arıtma endüstrilerinin son derece önemli bir rol oynadığı temel endüstrilerin gelişme düzeyine bağlıdır. Petrol endüstrisindeki durum, büyük ölçüde tüm Rus ekonomisinin durumunu belirliyor. Dünya petrol piyasasındaki fiyatlardaki hakim durumla bağlantılı olarak, Rusya için petrol endüstrisinin faaliyetindeki en karlı taraf ihracattır. Petrol ihracatı, döviz kazancının en önemli ve en hızlı kaynaklarından biridir. Petrol endüstrisinin en iyi temsilcilerinden biri, petrol şirketi LUKOIL'dir. NK LUKOIL, petrol üretimi ve rafine edilmesi, petrol ürünlerinin üretimi ve pazarlanması konusunda uzmanlaşmış, Rusya'nın önde gelen dikey entegre petrol şirketidir. Şirket sadece Rusya'da değil, yurt dışında da faaliyet gösteriyor ve gelecek vaat eden projelere aktif olarak katılıyor.

Şirketin finansal ve üretim faaliyetleri Tablo 13.1'de açıklanmıştır.

Tablo. 13.1

1998 için temel finansal ve operasyonel göstergeler

isimsiz döküman

Petrol üretimi (gaz kondensatı dahil)		64192 1284
Ticari gaz üretimi	milyon metreküp m / yıl milyon metreküp ayak / gün	3748 369
Petrol rafinerisi (yabancı olanlar dahil kendi rafinerileri)	bin ton/yıl bin bar/gün	17947 359
Petrol ihracatı	bin ton / yıl	24711
petrol ürünleri ihracatı	bin ton / yıl	3426
Satışlardan elde edilen net gelir	milyon ruble Milyon ABD doları *	81660 8393
Satışlardan elde edilen kar	milyon ruble Milyon ABD doları *	5032 517
Vergi öncesi kar (rapora göre)	milyon ruble Milyon ABD doları *	2032 209
Vergi öncesi kar (kur farkı hariç)	milyon ruble Milyon ABD doları *	5134 528
Birikmiş kazançlar (rapora göre)	milyon ruble Milyon ABD doları *	118 12
Birikmiş karlar (döviz kuru farkları hariç)	milyon ruble Milyon ABD doları *	3220 331
Varlıklar (yıl sonunda)	milyon ruble Milyon ABD doları *	136482 6638

Petrol ürünleri için dünya fiyatlarında 1998'de devam eden düşüş nedeniyle, ihracatları 1997'de 6.3 milyona karşılık 3.4 milyon tona ulaştı. Şirket'in dünya petrol ürünleri pazarındaki konumunu korumak amacıyla, piyasa koşullarındaki iyileşmeye bağlı olarak 1999 yılında ihracat hacminin 5-6 milyona çıkarılması planlanmaktadır. Öncelikli görev, ihracat büyümesi için teşvik edici bir ortam yaratmak ve mümkün olan maksimum karı elde etmektir.

Her türlü sözleşme, fiyat belirleme prosedürü, tarafların sorumluluğu vb. dahil olmak üzere ihracat için petrol ve petrol ürünleri satma sürecinin önemli bir bileşeni takastır. Belirli bir ürünün alım satımı aşamasında meydana gelen tüm süreçleri biriktirir ve ilgili risklere karşı sigortalamaya yardımcı olur.

Petrol ve petrol ürünü vadeli işlem sözleşmelerinin işlem gördüğü borsalar: New York Mercantile Exchange (NYMEX) ve London International Petroleum Exchange (IPE). Borsa, yasal olarak bir tüccarlar organizasyonu olarak yapılandırılmış bir toptan satış piyasasıdır. Vadeli işlem sözleşmelerinin alım satımı için mekanizmaların geliştirilmesi ve daha önce emtia, vadeli işlemler ve döviz borsalarında işlem gören tüm varlıklara ikincisinin getirilmesi, bu tür borsalar arasındaki farklılıkların bulanıklaşmasına ve her iki vadeli işlem borsasının ortaya çıkmasına neden oldu. sadece vadeli işlem sözleşmelerinin alınıp satıldığı veya hem vadeli işlem sözleşmelerinin hem de hisse senetleri, para birimleri ve hatta bireysel emtialar gibi geleneksel borsada işlem gören varlıkların ticaretinin yapıldığı evrensel borsalar.

Değişimin işlevleri aşağıdaki gibidir:

halka açık ticaret yapmak için borsa toplantılarının düzenlenmesi;

değişim sözleşmelerinin geliştirilmesi;

borsa tahkimi veya borsa ticareti sırasında sonuçlanan takas işlemlerinden kaynaklanan anlaşmazlıkların çözümü;

mübadelenin değer fonksiyonu. Bu fonksiyonun iki yönü vardır. Birincisi, borsanın görevi, "gerçek" piyasa fiyatlarını belirlemek, ancak aynı zamanda borsadaki fiyatlar ile yasa dışı manipülasyonları önlemek için bunları düzenlemektir. İkincisi, borsanın fiyat tahmin fonksiyonudur;

riskten korunma işlevi veya döviz ticareti katılımcılarının kendileri için elverişsiz fiyat dalgalanmalarına karşı döviz sigortası. Riskten korunma işlevi, bir vadeli işlem sözleşmesi ticaret mekanizmasının kullanımına dayanmaktadır. Bu işlevin özü, tüccarın - hedger'ın (yani sigortalı olanın) - aynı anda hem malın satıcısı hem de alıcısı olması gerektiğidir. Bu durumda, satıcının kazancı aynı zamanda alıcının kaybı olduğu için mallarının fiyatındaki herhangi bir değişiklik nötralize edilir. Bu duruma, örneğin olağan piyasada bir alıcının pozisyonunu alan hedger'ın, borsada işlem gören vadeli işlem sözleşmeleri piyasasında zıt pozisyonu, bu durumda satıcıyı alması gerektiği gerçeğiyle ulaşılır. Tipik olarak, bir ürünün üreticileri, ürünlerinin fiyatlarındaki düşüşe karşı koruma sağlar ve alıcılar - satın alınan ürünlerin fiyatlarındaki artışa karşı:

spekülatif değişim faaliyeti;

işlemlerin yürütülmesini garanti etme işlevi. Takas bazlı takas ve uzlaştırma sistemleri kullanılarak elde edildi;

Değişimin bilgi işlevi.

Dünya petrol ve petrol ürünleri piyasasının durumu ve gelişme beklentileri hakkında ana bilgi kaynakları, fiyat teklif kuruluşları Piatt's (en büyük Amerikan yayın kuruluşu McGraw-Hill'in yapısal bir bölümü) ve Argus Petroleum'un (bağımsız bir şirket, Büyük Britanya) yayınlarıdır. ).

Alıntılar, belirli bir gün için belirli bir petrol sınıfı için fiyat aralığı hakkında bir fikir verir. Buna göre, minimum fiyattan (belirli bir yağ cinsi için minimum işlem fiyatı veya minimum ağırlıklı ortalama teklif fiyatı) ve maksimum fiyattan (satış için maksimum işlem fiyatı veya maksimum ağırlıklı ortalama teklif fiyatı) oluşur.

Tekliflerin doğruluğu, toplanan bilgilerin miktarına bağlıdır. Tekliflerle ilgili ilk veriler, Moskova saatiyle 21.00-22.00'de gerçek zamanlı olarak (uygun ekipmana erişiminiz varsa elde edilebilirler) verilir. Bu veriler, ön teklifleri netleştiren gün sonuna kadar işlemlerle ilgili yeni bilgiler gelirse düzeltilebilir. Tekliflerin son hali, belirtilen ajansların resmi basılı yayınlarında sağlanmaktadır.

Teklifler, hem hemen teslimli işlemler için - spot fiyatlar (iki hafta içinde teslimat ve bazı petrol türleri için - üç hafta içinde) hem de vadeli teslimatlı işlemler (temel petrol sınıfları için) - vadeli fiyatlar (bir ay, iki ay ve üç ay).

Spot ve vadeli bilgiler, serbest piyasa petrol ticaretinde önemli bir unsurdur. Spot kotasyonlar, önceden yapılmış bir forward işleminin seçilen fiyatının doğruluğunu değerlendirmek için kullanılır; malların sevkiyatı sırasındaki spot fiyatlara dayalı formüller temelinde hesaplamaları yapılan teslimatlar için fatura düzenlemek için; ve ayrıca karşı tarafların bir sonraki kotasyon gününde işlemlerin fiyat koşullarını tartışmaya başladıkları bir başlangıç ​​noktası olarak.

Vadeli teslimatlı işlemlerin sabit fiyatlarını yansıtan vadeli fiyatlar, esas olarak piyasa katılımcıları tarafından bir ay, iki ve üç ay önceden duruma ilişkin bir tahmin değerlendirmesini temsil eder. Spot tekliflerle birlikte, ileriye dönük teklifler, gelecekte bir, iki ve üç ay içinde bu derecedeki petrol fiyatlarındaki en olası değişiklik eğilimini gösterir.

Fiyatlar bu standart kalite derecesi için verilmiştir. Belirli bir yağ serisinin kalitesi standart olandan farklıysa, işlemin sonunda partinin fiyatı, kalite için bir indirim veya prim dikkate alınarak teklifler temelinde belirlenir.

Kaliteye yönelik indirim veya prim miktarı, belirli bir mal sevkıyatının netback fiyatının, belirli bir standart kalite derecesindeki netback yağının fiyatından ne kadar farklı olduğuna bağlıdır.

Yukarıdakileri özetleyerek, etkin petrol ihracatını sağlamak için tedarikçinin spot ve vadeli fiyatlar, petrol ürünleri fiyatları ve vadeli işlem pozisyonları, netback fiyatları, navlun ve sigorta oranları, spread ve stok dinamikleri hakkında verilere sahip olması gerektiğini not ediyoruz. sıvı yağ. Asgari bilgi gereksinimleri, ihraç edilen petrol ve rekabetçi petrol sınıfları, spread dinamikleri, navlun ve sigorta oranları için "spot" ve "ileri" fiyat tekliflerinin bilgisine indirgenmiştir. Borsada akdedilen başlıca vadeli işlem sözleşmeleri türleri şunlardır:

Vadeli işlem sözleşmesi- İşlem sırasındaki fiyattan gelecekte malların alım ve satımına ilişkin bir sözleşme.

Opsiyon - gelecekte petrol veya petrol ürünlerine ilişkin bir vadeli işlem sözleşmesinin istenen bir fiyattan alınması veya satılması için yükümlülük getirmeyen ancak hak veren bir sözleşmedir. Opsiyonlar, vadeli işlem sözleşmelerinin işlem gördüğü borsalarda işlem görür.

ileri işlem- Yürütme süresi borsada sonuçlanma anıyla örtüşmeyen ve sözleşmede belirtilen bir anlaşma.

Spot işlem, sonuçlanma süresinin yürütme zamanına denk gelmesi ve böyle bir işlemde para biriminin derhal teslim edilmesi (kural olarak, işlemin tamamlanmasından en geç iki iş günü sonra) olması ile karakterize edilir. .

Bir sözleşme imzalarken, özel bir rol oynar. durum tahmininin doğruluğu Bu tür bir ürün için piyasada ve bunun fiyatı için bir tahmin. Bu nedenle, petrol ve petrol ürünleri ticaretinin etkisinin elde edilmesinde tahmin tahminlerinin rolünü dikkate almanın önemli olduğunu düşünüyoruz.

Listelenen işlemleri yaparken bir önemli nokta var - tahminlerin doğruluğu. Elbette teori açısından bakıldığında fiyatların gelecekte nerede olacağı umurumuzda değil gibi görünüyor. Bir pozisyon açtıktan sonra kendimize petrol satış fiyatını kapattık, bizim için artık ne daha yüksek ne de daha düşük olabilir. Bu nedenle, doğru bir tahmin, fiyat değiştiğinde gerekli eylemler için bize bir seçenek sunar. Yanlış bir tahmin, kayıplar anlamına gelir. Piyasada tahmin yapmanın birçok yolu vardır, ancak bunlardan sadece birkaçı özel ilgiyi hak ediyor. Finansal piyasaların tahmini, uzun yıllardır rasyonel beklentiler teorisine, zaman serisi analizine ve teknik analize dayanmaktadır.

Rasyonel beklentiler teorisine göre, yatırımcıların yeni bilgilere rasyonel ve anında yanıt vermeleri nedeniyle fiyatlar yükselir veya düşer: Örneğin, yatırım hedefleri veya kendilerine sunulan bilgilerle ilgili olarak yatırımcılar arasındaki herhangi bir farklılık istatistiksel olarak önemsiz olarak göz ardı edilir. Bu yaklaşım, piyasanın tam bilgi açıklığı varsayımına dayanmaktadır, yani. katılımcılarından hiçbirinin diğer katılımcıların sahip olamayacağı bilgilere sahip olmamasına bağlı. Aynı zamanda, rekabet avantajı olamaz, çünkü başkaları için mevcut olmayan bilgilere sahip olmak, kar etme şansını artırmak imkansızdır.

Zaman serisi analizinin amacı, istatistiksel yöntemler kullanarak fiyat değişikliklerini etkileyen belirli sayıda faktörü belirlemektir. Bu yaklaşım, pazarın gelişimindeki eğilimleri belirlemenize olanak tanır, ancak veri serilerinde tekrar veya tek tip döngüler varsa, uygulanması ciddi şekilde zor olabilir.

Teknik Analiz sadece borsanın iç parametrelerinin incelenmesine dayanan bir dizi analiz ve karar verme yöntemidir: fiyatlar, işlem hacimleri ve açık faizin değeri (açık alım ve satım sözleşmelerinin sayısı). Teknik analizin tüm tahmin yöntemleri, iki büyük gruba ayrılabilir: grafik yöntemler ve analitik yöntemler.

Grafik teknik analiz, çeşitli pazarların analizidir. grafik modeller Mevcut eğilimin devam etme veya değişme olasılığını varsaymak için grafiklerdeki belirli fiyat hareketi kalıplarından oluşur. Ana grafik türlerini ele alalım:

Doğrusal. Çizgi grafikte, sonraki her dönem için yalnızca kapanış fiyatı işaretlenir. Kısa süreler için önerilir (birkaç dakikaya kadar).

Segment grafiği (çubuklar) - çubuk grafik, maksimum fiyatı (çubuğun üst noktası), minimum fiyatı (çubuğun alt noktası), açılış fiyatını (dikey çubuğun solundaki çizgi) ve kapanış fiyatını gösterir. fiyat (dikey çubuğun sağındaki çizgi). 5 dakika veya daha uzun süreler için önerilir.

Japon şamdanları (çubuklara benzetilerek yapılmıştır).

Tic-tac-toe - zaman ekseni yoktur ve farklı bir dinamik yönü göründükten sonra yeni bir fiyat sütunu oluşturulur. Fiyatlar belirli bir puan azaldıysa (tersine çevirme kriteri), fiyatlar belirli bir puan arttıysa bir sıfır çizilir.

Aritmetik ve logaritmik ölçekler. Bazı analiz türleri için, özellikle uzun vadeli eğilimlerin analizi söz konusu olduğunda, logaritmik bir ölçek kullanmak uygundur. Aritmetik ölçekte, bölümler arasındaki mesafeler değişmez. Logaritmik bir ölçekte, aynı mesafe aynı yüzde değişimine karşılık gelir.

Hacim çizelgeleri.

Bu tür teknik analizin varsayımları, teknik analizin aşağıdaki temel kavramlarıdır: trend çizgileri, piyasa direnci ve destek seviyeleri, mevcut trendin düzeltme seviyeleri. Örneğin:

Direnç hatları:

alıcılar belirli bir ürünü daha yüksek fiyatlardan satın alamadıklarında veya almak istemediklerinde ortaya çıkar. Satış baskısı, alıcının baskısını aşıyor, sonuç olarak büyüme durur ve yerini bir düşüş alır;

piyasanın önemli zirvelerini (en yüksekleri) birleştirin.

Destek hatları:

piyasanın önemli düşüklerini (diplerini) birleştirin;

Satıcıların belirli bir ürünü daha düşük fiyatlarla satamayacak durumda olmaları veya satmak istememeleri durumunda ortaya çıkar. Belirli bir fiyat düzeyinde, satın alma dürtüsü, satış baskısına dayanacak kadar güçlüdür. Düşüş askıya alındı ​​ve fiyatlar yeniden yükselmeye başladı.

Düşerken, destek çizgisi dirence dönüşüyor. Yükseldikçe direnç çizgisi desteğe dönüşüyor.

Fiyatlar iki paralel düz çizgi (kanal çizgileri) arasında dalgalanıyorsa, yukarı (aşağı veya yatay) bir kanalın varlığından bahsedebiliriz.

İki tür grafik model vardır:

1. Trend tersine dönüş kalıpları - belirli koşullar yerine getirildiğinde, piyasadaki mevcut trendde bir değişiklik öngörebilen, grafikler üzerinde oluşturulmuş kalıplar. Bunlara "baş ve omuzlar", "çift üst", "çift alt", "üçlü üst", "üçlü alt" gibi desenler dahildir.

Bunlardan bazılarına bir göz atalım.

"Baş - Omuzlar" - trendin tersine döndüğünü onaylar.

Şekil 13.22. 1-ilk tepe; 2 saniyelik tepe; 3 sıra boyun

HeadShoulders - baş - omuzlar.

Şekil 13.23. 1-sol omuzun üst kısmı; 2-başın üst kısmı, 3-sağ omuzun üst kısmı; 4 sıra boyun.

2. Trendin devamı kalıpları - belirli koşullar yerine getirildiğinde, mevcut trendin devam etme olasılığının olduğunu iddia etmemize izin veren grafiklerde oluşturulan kalıplar. Trend çok hızlı gelişmiş ve geçici olarak aşırı alım veya aşırı satım durumuna girmiş olabilir. Ardından ara bir düzeltmeden sonra bir önceki trend doğrultusunda gelişimini sürdürecektir. Bu grupta "üçgenler", "elmaslar", "bayraklar", "flamalar" ve diğerleri gibi modeller var. Örneğin:

Kural olarak, bu rakamlar oluşumlarını üst P'den (şaft) şuna eşit bir mesafede tamamlar:

def-e ">

Üçgen

Piyasadaki üçgenlerden korkmalısınız. P fiyat tabanıdır. T zaman tabanıdır. Şeklin kopması bir mesafede gerçekleşir: ">

verilerin toplanması ve saklanması - tahmindeki olası katılımcılar (bir kriter olarak veya tahmin edilen bir değer olarak veya her ikisi);

göz önünde bulundurulan eğilim veya kriterler kümesi için tanım (ayrıca, doğrudan veritabanında depolanan veriler her zaman kullanılamaz, genellikle bazı veri dönüşümleri yapmak gerekir, örneğin, değerlerdeki göreceli değişiklikleri şu şekilde kullanmak mantıklıdır: kriterler);

tahmin edilen değer ile belirli bir fonksiyon şeklinde bir dizi kriter arasındaki ilişkinin tanımlanması;

belirli bir işleve göre ilgi değerinin hesaplanması, öngörülen an için kriterlerin değerleri ve tahmin türü - kısa vadeli veya uzun vadeli).

Çalışmanın pratik bölümünde, belirli bir zaman dilimi (ay, yıl, birkaç yıl) için bir eğilimin tarihsel verilerine dayanarak, belirli bir zaman ölçeğinde (dakika, 5 dakika, yarım saat, günlük vb.) . tırnak), önümüzdeki birkaç zaman aralığı için tekliflerin tahmini gelişimini almamız gerekiyor. Varlık fiyatlarına ilişkin bilgiler, ayrı bir zaman için fiyatları açıklayan standart parametrelerin tamamı veya bir kısmı tarafından sunulur: açılış, kapanış, maksimum, minimum, kapanışta işlem hacmi, açık pozisyon.

Hızlı ve yüksek kaliteli bir tahmin elde etmek için sinir ağlarının kullanımı Şekil 2'de görülebilir. 13.27 "Sinir ağlarını kullanarak borsayı tahmin etmek için teknolojik şema."

Ülkemizde birçok finansal enstrümanı içeren en gelişmiş üç pazardaki eğilimlerin tam teşekküllü bir tahmini için, tahmin için yeterli miktarda başlangıç ​​verisi gereklidir. Şemadan da görebileceğiniz gibi, şu anda aşağıdaki bilgiler alındı:

"REUTERS", "DOW JONES TELERATE", "BLOOMBERG" ajansının bilgileri ve ticari verileri;

MICEX ve RTS platformlarından ticaret verileri;

manuel giriş yoluyla diğer veriler.

Gerekli tüm veriler veritabanına gider (DB MS SQL Server). Ardından, tahmine katılım için bir veri seçimi ve hazırlanması var. Bu ön aşamada, 200'den fazla bilgi ve ticaret verisi türünden belirli bir finansal aracın veya bir finansal araç grubunun değerini tahmin etmek için en önemli kriterlerin seçilmesi sorunu ortaya çıkmaktadır. Birincil ölçüt seçimi analist tarafından gerçekleştirilir ve ikincisinin deneyimine ve sezgisine bağlıdır. Analiste yardımcı olmak için, gizli ilişkileri yakalayabileceğiniz grafikler şeklinde sunulan teknik analiz araçları sağlanır. Tahmin zaman serisi vurgulanır.

Daha sonra işlenen veriler, eğitilmiş bir algılayıcı kullanılarak 5 günlük periyotların tanındığı STATIS-TICA Neural Networks sinir ağı paketine gönderilir. Ağ, periyotların her birine, trend değişikliklerini karakterize eden (teknik analizdeki tablolar gibi) dört göstergeden birini atar: sabit dönem, artan, azalan ve belirsiz. Ağ, işlenen verilere dayalı bir tahmin oluşturur, ancak elde edilen sonuçların iyileştirilmesini sağlamak için tahmin sürecini karmaşıklaştırırız. Daha fazla işlem STATIST1CA sisteminde gerçekleşir. Verilerin türü aynı olduğu için dönüştürülmesine gerek yoktur.

STATISTICA paketindeki zaman serisinin TIME Series / Forecasting modülünde üstel yumuşatma tahmini kullanılarak işlenmesi sırasında, sonraki kısa vadeli tahmin için eşit (5 günlük periyotlara) bölünen bir trend vurgulanır. Eğilim ayarı, sunulan dört yöntemden biri (doğrusal, üstel, yatay, polinom) kullanılarak gerçekleştirilir. Deneyimiz için üstel yöntemi seçtik. Eğilimi işledik ve yumuşamasıyla ilgili veriler aldık. Bu veriler yine çok katmanlı bir algılayıcı kullanılarak sinir ağı işlemeye beslenir. Eğitim, üstel yumuşatma yöntemiyle gerçekleştirilir, bunun sonucunda ağ önceden elde edilen tahminin doğruluğunu onaylar. Sonuçları arşivleme işlevini kullanarak görüntüleyebilirsiniz.

Ortaya çıkan tahmini değerler, tüccar tarafından analiz edilir ve bunun sonucunda menkul kıymetlerle işlem yapmak için doğru karar verilir.

Borsayı analiz etme ve tahmin etme problemini çözme yaklaşımlarından biri, ekonomik süreçlerin gelişiminin döngüsel doğasına dayanmaktadır. Döngüselliğin tezahürü, ekonomik dönemlerin dalgalı gelişmesidir. Ekonomide zaman serileri tahmininde bulunulurken, konjonktürel dalgalanmaların trend çizgisi üzerine bindirildiği gerçeğini hesaba katmadan durumu doğru bir şekilde değerlendirmek ve yeterince doğru bir tahmin yapmak mümkün değildir. Modern ekonomi biliminde 1380'den fazla döngüsellik türü bilinmektedir. Ekonomi öncelikle aşağıdaki dördü ile çalışır:

Kitchin döngüleri envanter döngüleridir. Kitchin (1926), stokların hareketindeki finansal hesapların ve satış fiyatlarının analizine dayanarak 2 ila 4 yıl arasındaki kısa dalga boylarının çalışmasına odaklandı.

Zhuglyar'ın döngüleri. Bu döngünün başka adları da vardır: iş döngüsü, endüstriyel döngü, vb. Faiz oranları ve fiyatlardaki dalgalanmaların temel analizine dayalı olarak Fransa, Büyük Britanya ve Amerika Birleşik Devletleri'ndeki endüstriyel dalgalanmaların doğası incelenerek döngüler keşfedildi. Görüldüğü gibi bu dalgalanmalar yatırım döngüsüne denk geldi ve bu da GSMH, enflasyon ve istihdamdaki değişiklikleri tetikledi.

Demirci döngüleri. J. Riggalmen, 1930'larda W. Newman. ve diğer bazı analistler, toplam yıllık konut inşaatı hacmi için ilk istatistiksel endeksleri oluşturdular ve bunlarda birbirini izleyen uzun hızlı büyüme ve derin durgunluk veya durgunluk aralıkları buldular. Sonra "inşaat döngüleri" terimi ilk kez ortaya çıktı.

Kondratyev'in döngüleri. Büyük döngüler, uzun bir süre boyunca ekonomik dengenin bozulması ve restorasyonu olarak görülebilir. Bunların temel nedeni, ana üretim güçlerini yaratmaya yetecek sermaye birikimi, birikimi ve dağılımı mekanizmasında yatmaktadır. Bununla birlikte, bu ana nedenin etkisi, ikincil faktörlerin etkisini arttırır. Yukarıdakilere uygun olarak, büyük bir döngünün gelişimi aşağıdaki aydınlatmayı üstlenir. Yükselişin başlangıcı, sermaye birikiminin ve birikiminin, üretici güçler ve teknolojinin radikal bir yeniden teçhizatı amaçları için karlı bir şekilde sermayeye yatırım yapmanın mümkün olduğu bir gerilime ulaştığı ana denk gelir. Ayrıca, Kondratyev'in ana "gerçeklerine" göre, büyük döngünün yukarı dalgası sırasında, orta ve kısa dalgalar, dağılımların kısalığı ve yukarıların yoğunluğu ile ve dalganın aşağı dalgasının periyotlarında karakterize edilir. büyük döngüde ise tam tersi bir tablo görülmektedir.

Borsada, bu dalgalanmalar, belirli bir süre boyunca ticari faaliyet seviyelerinde birbirini takip eden iniş ve çıkışlarda kendini gösterir: döngünün zirvesi, düşüş, dip ve toparlanma aşaması.

Bu yazıda, menkul kıymetler piyasasındaki fiyat dalgalanmalarının, yukarıda belirtilen çeşitli dalgaların ve rastgele, stokastik faktörlerin üst üste binmesinin sonucu olduğu varsayımından hareket ediyoruz. Döngülerin mevcudiyeti ve sürecin hangi aşamada olduğu belirlenmeye çalışılır. Buna göre bir tahmin yapılır. Daha fazla gelişme uygun süreç parametresi varsayımları altında ARIMA araçlarını kullanarak süreç.

Sistemin geçişleri, farklı uzunluklardaki dalgaların bir üst üste binmesidir. Bildiğiniz gibi dalgaların birbirinin yerine geçen birkaç evresi vardır. Bu bir toparlanma, durgunluk veya durgunluk aşaması olabilir. Bu aşamalara A, B, C sembolik değerleri atanırsa, bunlar bir ilkel dizisi (teknik analizdeki tablolara benzer) olarak temsil edilebilir ve bu dizileri tanıyarak (aynı zamanda yükselme, düşme, durgunluk dönemlerini de temsil eder, yani a, b, c, sadece daha küçük bir ölçekte), gramerleri bir miktar olasılıkla tanıma kurallarına dayanarak "src =" http://hi-edu.ru/e-books/xbook725/ files/28.gif "border = "0" align = "absmiddle" alt = "(! LANG:... Sonra AAABBCD gibi dizilere de bakabiliriz…. Hem dalganın kendisini hem de evresini tanıdığımız ortaya çıktı.

Artık sadece daha doğru bir kısa vadeli tahmin yapmakla kalmıyor, aynı zamanda gelecekteki borsanın genel dinamiklerini de takip edebiliyoruz (uzun dalganın aşamasını belirledikten sonra, bir sonrakinin niteliğini yargılayabiliriz, çünkü aşamalar belirli bir sırayla ilerler). Deneyimizde, algılayıcıyı dalgaların (A, B, C, D) evrelerini tanıması için eğitmeye çalıştık.

Deney için, 1 Haziran 1998'den itibaren LUKOIL (LKON) hisselerinin RTS ile ticaretinin sonuçlarından veriler alınmıştır. 31 Aralık 1999'a kadar. Orijinal veritabanına şu değişkenler dahil edildi: ağırlıklı ortalama alış fiyatı, ağırlıklı ortalama satış fiyatı, maksimum günlük fiyat, minimum günlük fiyat, işlem sayısı. Listelenen değişkenlerin değerlerinin bulunduğu veritabanı internetten Excel'e aktarıldı ve ardından SNW paketine aktarıldı. Bu prosedür şu adreste daha ayrıntılı olarak tartışılmaktadır: pilav. 13.28 - Serinin bireysel gözlemlerini alan ağırlıklar.

Düzeltme aralığının genişliği 4 gözleme eşit alınmıştır. Daha sonra yeni değişken yumuşatma işlemine sayısal eğilim ifadeleri (Şekil 13.30) eklenmiştir.

Böylece sinir ağının girişine beslenecek değişkenlerle bir veri tabanı oluşturduk. Ayrıca, o zamandan beri SNW, SNN ile tamamen uyumludur, verileri özel olarak SNN'ye aktarmaya gerek yoktur. Girişte, a, b, c, d türünden değerler alması gerekiyordu, ancak bunun için algılayıcının bulunduğumuz aşamayı tanıması ve buna dayanarak daha doğru bir kısa vadeli yapması gerekiyordu. tahmin etmek. Başka bir deyişle, ilkellerin dizilerini dikkate almalı ve bunları döngünün evreleriyle tanımlamalıdır. Ayrıca algılayıcı, A, B, C, D tipi döngünün fazlarını çıkarmaz.

Algılayıcıyı eğitmek için belirlenen görevi uygulamak için, 5 gün genişliğinde bir mobil pencere tahsis edilir. Bir zaman penceresi, bir dizi ilkel a, b, c veya d'den oluşur. Böylece, ağırlıklı ortalama satın alma fiyatındaki sayısal eğilimin parçalı tahmini ile daha doğru bir tahmin elde edilebilir.

Algılayıcıyı beş günlük dizileri tanıması ve A, B, C veya D olarak tanımlaması için eğitmek için, bir dizi seçenek için aşamalarını kendimiz tanımlamamız ve sonuçlarımızı orijinal veritabanındaki (durum) yeni bir değişkene eklememiz gerekiyordu. Böylece, nihai olarak oluşturulan veritabanı şu değişkenlerin değerlerini içerir: ağırlıklı ortalama satın alma fiyatı, ağırlıklı ortalama satış fiyatı, maksimum günlük fiyat, minimum günlük fiyat, işlem sayısı, ağırlıklı ortalamaya göre vurgulanan trend. ortalama satın alma fiyatı ve son olarak, ekonomik sürecin durumunu belirleyen değişken. Sonuncusu dışındaki tüm değişkenler girdiye beslenmiştir. Algılayıcının eğitim sırasında bu değişkenin değerine tepki vermemesi için sadece çıktıda elde edilmesi gerekiyordu, ancak çıktıda sadece dört değer elde edilebilecek şekilde ağırlıkları ayarladı: A, B, C , D ve ardından, kabul edilen duruma göre, aynı zamanda bir yükseliş evresinin ardından bir istikrar evresi ve ardından tekrar durgunluk evresi olduğunu da hesaba kattı ve bu temelde kısa vadeli bir tahminde bulunmayı başardı. Böylece, tahmin için tüm veriler toplanmıştır. Şimdi tek bir soru var: ağ için hangi parametrelerin seçileceği ve hangi yöntemin eğitileceği. Bu bağlamda, bir dizi deney yapıldı ve sonuç olarak aşağıdaki sonuçlara varıldı.

Başlangıçta, geri yayılım yöntemini kullanarak çok katmanlı bir algılayıcıyı eğitmesi gerekiyordu. Girdi 7 değişkendi (yukarıda listelenmiştir), çıktı sadece bir - DURUM. Giriş ve çıkış katmanlarına ek olarak, 6 ve ardından 8 nörondan oluşan bir ara katman oluşturulmuştur. Öğrenme hatası yaklaşık olarak 0.2-0.4 idi, ancak algılayıcı geçici durumlara zayıf tepki verdi. Bu nedenle, önce orta katmandaki nöron sayısını 14'e çıkarmaya karar verdik ve ardından algılayıcının eğitim yöntemini ("eşlenik gradyanlar") değiştirdik. Hata 0.12-0.14 aralığında dalgalanmaya başladı ve değişkenlerin tüm değer kümesi eğitim olarak kabul edildi.

Deneyler sonucunda, aşağıdaki parametrelere sahip sinir ağının optimal olduğu ortaya çıktı: Girişe 7 değişken beslenir: Smoothly, Average, Open_Buy, VoLTrad. Val_Q, Min_PR, Max_PR, çıktı - DURUM. Eğitim, toplamda - 3 katman (ilk 7 nöronda, ikinci - 14, üçüncü - 3) (Şekil 13.29), eşlenik gradyanlar yöntemiyle 6 adımda gerçekleştirildi. sonuç olarak, algılayıcı eğilimin durumuna açıkça yanıt verdi (artan - çıkış katmanının 1 nöronu, azalan ndash; çıktı katmanının 2 nöronu ve yatay - 3 nöron) (Şekil 13.31).

Yapılan araştırma sonucunda tahminin veri - olası nesnelerinin seçimi yapılmış, tahmin edilen değerler ve ölçüt setleri belirlenmiş ayrıca aralarındaki bağımlılıklar tespit edilmiştir.

Deney sırasında, trend algılamanın çok katmanlı bir algılayıcının öğrenme oranını arttırdığı ve belirli bir ağ düzenlemesi ile yukarı, aşağı ve yatay eğilimleri tanıdığı bulundu.

Elde edilen olumlu sonuçlar, piyasalardaki döngüsel bağımlılıkların daha derin bir çalışmasına geçmeyi ve finansal işlemlerde diğer sinir teknolojileri yöntemlerini (Kohonen haritaları) kullanmayı mümkün kılıyor.

İyi çalışmalarınızı bilgi tabanına gönderin basittir. Aşağıdaki formu kullanın

Bilgi tabanını çalışmalarında ve çalışmalarında kullanan öğrenciler, yüksek lisans öğrencileri, genç bilim adamları size çok minnettar olacaktır.

• Tanıtım
• Çözüm
• Tanıtım
• Bilginin paralel işlenmesi için yöntemlerin oluşturulması, sinir ağı teknolojilerinin gelişimi üzerinde faydalı bir etkiye sahipti.
• Olağanüstü cerrah, filozof ve sibernetik N.M.'ye şükranlarını sunmak gerekir. Öğrencileri ile birlikte yapay zeka (AI) yaratma yaklaşımını sistemleştiren Amosov. Bu yaklaşım aşağıdaki gibidir.
• AI stratejileri bir paradigma kavramına dayanır - bir problemin veya görevin özüne ve çözüm ilkesine ilişkin bir görüş (kavramsal temsil). Yapay zekanın iki paradigmasını düşünün.
• 1. Uzman paradigması, AI sisteminin geliştirme ve işleyiş aşamalarının yanı sıra aşağıdaki nesneleri de üstlenir:
• * bilgi biçimlendirme - uzmanın sorunlu bilgiyi seçilen bilgi temsil modeli tarafından öngörülen forma dönüştürmesi;
• * bir bilgi tabanının oluşumu<БЗ) - вложение формализованных знаний в программную систему;
• * tümdengelim - bilgi tabanına dayalı mantıksal çıkarım problemini çözme.
• Bu paradigma, mantıksal programlama dili PROLOGUE da dahil olmak üzere, uzman sistemlerin, mantıksal çıkarım sistemlerinin kullanımının temelini oluşturur. Bu paradigmaya dayalı sistemlerin daha fazla çalışıldığına inanılmaktadır.
• 2. Aşağıdaki hükümleri ve eylem sırasını içeren öğrenci paradigması:
• * gözlemlerin işlenmesi, özel örneklerin deneyimlerinin incelenmesi - bir veri tabanının oluşturulması<БД>AI sistemleri;
• * tümevarımsal öğrenme - bir veritabanının, veritabanında biriken bilgilerin genelleştirilmesine dayalı bir bilgi tabanına dönüştürülmesi. ve bilgi tabanından bilgi çıkarma prosedürünün gerekçesi. Bu, verilere dayanarak, gözlemlediğimiz nesneler arasındaki bağımlılığın genelliği hakkında bir sonuca varıldığı anlamına gelir. Buradaki ana odak noktası, belirli ifadelerden genel sonuçlar elde etmek için yaklaşık, olasılıksal ve mantıksal mekanizmaların incelenmesidir. Daha sonra, örneğin, genelleştirilmiş enterpolasyon (ekstrapolasyon) prosedürünün yeterliliğini veya yardımıyla bilgi tabanına yönelik sorguları tatmin edeceğimiz ilişkisel arama prosedürünü haklı gösterebiliriz;
• * kesinti - gerekçeli veya varsayılan bir prosedüre göre, talep üzerine bilgi tabanından bilgi seçeriz (örneğin, mevcut durumu karakterize eden bir vektör için en uygun kontrol stratejisi).
• Bu paradigma çerçevesindeki araştırmalar ve gelişimi, kendi kendine öğrenen kontrol sistemlerinin inşasının temelini oluşturmalarına rağmen hala zayıftır (aşağıda kendi kendine öğrenen bir kontrol sisteminin harika bir örneği - topçu atış kuralları).
• Bir AI sisteminin ortak ve vazgeçilmez bir unsuru olan bir bilgi tabanı, bir veritabanından nasıl farklıdır? Mantıksal çıkarım imkanı!
• Şimdi "doğal" zekaya dönelim. Doğa, insan beyninden daha iyi bir şey yaratmadı. Bu, düşüncemizi hangi paradigmaya göre düzenlediğimize, yani bilgi tabanını ne şekilde doldurduğumuza bakılmaksızın, beynin hem bilgi tabanının taşıyıcısı hem de buna dayalı bir mantıksal çıkarım aracı olduğu anlamına gelir. - öğrenme!
• EVET. Pospelov, olağanüstü, türünün tek örneği bir çalışmada, yapay zekanın en yüksek alanlarını - düşünme mantığını - aydınlatıyor. Bu kitabın amacı, bir düşünme aracı olarak sinir ağını en azından kısmen incelemek ve böylece tüm yapay zeka yöntemleri zincirinin alt, ilk halkasına dikkat çekmektir.
• Tasavvufu reddederek, beynin bir sinir ağı, bir sinir ağı - birbirine bağlı nöronlar, birçok girdi ve her biri tek bir çıktı olduğunu kabul ediyoruz. Nöron, girdilerin ağırlıklarını hesaba katarak girdilerdeki uyarıları nöronun çıkışındaki uyarım değerine dönüştürmeye izin veren oldukça basit bir transfer fonksiyonu uygular. Beynin işlevsel olarak tamamlanmış bir parçası, nöronların bir giriş katmanına sahiptir - dışarıdan uyarılan reseptörler ve nöronları giriş katmanındaki nöronların uyarılmasının konfigürasyonuna ve büyüklüğüne bağlı olarak uyarılan bir çıkış katmanı. Bir sinir ağı olması gerekiyordu. beynin çalışmasını taklit ederek, verilerin kendisini değil, güvenilirliğini veya geleneksel anlamda ağırlığını, bu verilerin değerlendirilmesini işler. Çoğu sürekli veya ayrık veri için, atamaları, değerlerinin ait olduğu aralıkların olasılığını göstermeye indirgenir. Büyük bir ayrık veri sınıfı için - kümelerin elemanları - giriş katmanının nöronlarının katı bir şekilde sabitlenmesi tavsiye edilir.

1. Ekonomik problemlerde sinir ağlarını kullanma deneyimi

Sinir ağlarının yardımıyla, ekonomik nesnelerin (işletme, endüstri, bölge) işleyiş kalıplarının analitik bir tanımını bulmak için algoritma geliştirme problemini çözüyoruz. Bu algoritmalar, nesnelerin bazı "çıktı" göstergelerini tahmin etmek için uygulanır. Algoritmaların sinir ağı uygulaması sorunu çözülüyor. Örüntü tanıma yöntemlerinin veya karşılık gelen sinir ağı yöntemlerinin kullanılması, bazı acil ekonomik ve istatistiksel modelleme problemlerinin çözülmesine, matematiksel modellerin yeterliliğinin artırılmasına ve ekonomik gerçekliğe yaklaştırılmasına olanak tanır. Örüntü tanımanın regresyon analiziyle birlikte kullanılması, yeni model türlerine yol açmıştır - sınıflandırma ve parçalı doğrusal. Veritabanlarında gizli bağımlılıkları bulmak, biçimlendirilmesi zor kalıplara sahip bir nesne de dahil olmak üzere, modelleme ve bilgi işleme görevlerinin temelidir.

Belirli bir kümeden en çok tercih edilen modelin seçimi, ya bir sıralama problemi olarak ya da bir dizi kurala dayalı bir seçim problemi olarak anlaşılabilir.Uygulama, yöntemlerin a priori faktör ağırlıklarının kullanımına dayalı olduğunu göstermiştir. faktörlerin maksimum ağırlıklı toplamına karşılık gelen bir model aramak, yanlı sonuçlara yol açar. Ağırlıklar belirlenmesi gereken şeydir ve zorluk da budur. Ayrıca, ağırlık kümeleri yereldir - her biri yalnızca belirli bir görev ve belirli bir nesne (nesne grubu) için uygundur.

Gerekli modeli seçme problemini daha ayrıntılı olarak ele alalım. Faaliyetleri belirli bir hedefe ulaşmayı amaçlayan bir dizi M nesnesi olduğunu varsayalım. Her nesnenin işleyişi, n özelliğinin değerleri ile karakterize edilir, yani bir eşleme vardır φ: M -> Rn. Bu nedenle başlangıç ​​noktamız ekonomik nesnenin durumunun vektörüdür: x =. Ekonomik bir nesnenin performans göstergeleri: f0 (x), f1 (x),…, fm (x). Bu göstergeler belirli sınırlar içinde olmalıdır ve bazılarını minimum veya maksimum yapmak için çalışıyoruz.

Böyle bir genel formülasyon çelişkili olabilir ve çelişkileri çözmek ve sorun ifadesini ekonomik anlamla tutarlı doğru biçime getirmek için bir aygıt kullanmak gerekir.

Nesneleri bir ölçüt işlevine göre sıralarız, ancak ölçüt genellikle yetersiz tanımlanır, belirsizdir ve muhtemelen çelişkilidir.

Sınırlı sayıda deneysel ve gözlemlenmiş verilere dayalı deneysel kalıpları modelleme problemini ele alalım. Matematiksel model, bir regresyon denklemi veya bir tanı kuralı veya bir tahmin kuralı olabilir. Küçük bir örneklemle tanıma yöntemleri daha etkilidir. Bu durumda, faktör yönetiminin etkisi, bir düzenlilik denklemine veya teşhis ve tahmin karar kuralına ikame edildiklerinde faktörlerin değerleri değiştirilerek dikkate alınır. Ek olarak, temel özelliklerin seçimini ve faydalı özelliklerin oluşturulmasını (ikincil parametreler) uygularız. Bu matematiksel aygıt, ekonomik nesnelerin durumunu tahmin etmek ve teşhis etmek için gereklidir.

Bir sinir ağını, nöronların bir kolektifi (bireyler) olarak, komite yapıları teorisi açısından düşünün. toplu görüş, girdiye, yani gerekli ampirik bağımlılığa doğru yanıttır.

Dolayısıyla, seçim ve teşhis problemlerinde komite yapılarının kullanılmasının haklı olduğu sonucu çıkar. Buradaki fikir, tek bir karar kuralı yerine bir karar kuralları kolektifi aramaktır, bu kolektif, kolektif üyelerin bireysel kararlarını işleyen bir prosedür sayesinde kolektif bir karar geliştirir. Seçim ve teşhis modelleri genellikle tutarsız eşitsizlik sistemlerine yol açar, bunun için çözümler yerine çözüm kavramının genellemelerini aramak gerekir. Bu genelleme kolektif bir karardır.

Örneğin, bir eşitsizlikler sisteminin bir komitesi, her bir eşitsizliğin bu kümenin öğelerinin çoğu tarafından karşılandığı bir öğeler kümesidir. Komite yapıları, hem uyumlu hem de tutarsız olabilen sorunlara çözüm kavramının belirli bir genelleme sınıfıdır. Bu tutarsız problemler için ayrık yaklaşımların bir sınıfıdır; ayrıca bulanık çözümlerle de ilişkilendirilebilirler. Komitelerin yöntemi şu anda, seçeneklerin etkin seçimi, optimizasyon, teşhis ve sınıflandırma problemlerinin analiz ve çözüm alanlarından birini belirlemektedir. Örneğin, ana komite yapılarından birinin tanımını verelim, yani: 0 için< p < 1: p - комитетом системы включений называется такой набор элементов, что каждому включению удовлетворяет более чем р - я часть этого набора.

Komite yapıları, hem uyumsuz denklem sistemleri, eşitsizlikler ve kapsamalar durumunda bir çözüm kavramının belirli bir genelleme sınıfı olarak hem de seçim, teşhis ve tahmin problemlerini çözmede bir paralelleştirme aracı olarak düşünülebilir. Bir problemi çözme kavramının bir genellemesi olarak, komite yapıları, bir çözümün bazı (ancak bir kural olarak, hepsi değil) özelliklerine sahip olan unsurlar kümesidir; bu bir tür bulanık çözümdür.

Paralelleştirme aracı olarak, komite yapıları doğrudan çok katmanlı sinir ağlarında görünür. Sınıflandırma problemini doğru bir şekilde çözmek için bir sinir ağını eğitmek için, belirli bir afin eşitsizlikler sisteminden oluşan bir komite oluşturma yöntemini uygulayabileceğimizi gösterdik.

Yukarıdakilere dayanarak, komite yönteminin önemli araştırma alanlarından biri ve hem teşhis problemlerinin sayısal çözümü hem de seçeneklerin seçimi ve elde etmek için sinir ağları kurma görevleri ile ilişkili olduğu sonucuna varabiliriz. Çözüm alan kişinin belirli bir sorunuyla ilgili girdi bilgilerine gerekli yanıt.

Komite yönteminin çalışması sırasında, uygulamalı problemler için buluşsallık, yorumlanabilirlik, esneklik - ek eğitim ve yeniden ayarlama olasılığı, en doğal işlev sınıfını kullanma olasılığı - parçalı-afin gibi önemli özellikler ortaya çıkarılmış ve sınıflandırma, teşhis ve tahmin probleminin formülasyonu, aynı nesnenin farklı sınıflara atanmaması için sadece doğruluk gereklidir.

Komite yapıları meselesinin diğer tarafı, kolektif kararların geliştirilmesinde koalisyon kavramıyla bağlantılıyken, toplu tercihler söz konusu olduğunda (birçok tuzak vardır) ve toplu sınıflandırma kuralları söz konusu olduğunda, durumlar keskin bir şekilde farklılık gösterir. bu durumda prosedürler kesinlikle gerekçelendirilebilir ve daha geniş olanaklara sahiptir. ... Bu nedenle, karar verme ve tahmin problemlerini sınıflandırma problemlerine indirgeyebilmek önemlidir.

2. Tablo yöntemi - yapay zekanın temeli

Genel olarak, beyin aktivitesinin prensipleri bilinir ve aktif olarak kullanılır. Belleğimizde, masa başında, direksiyon başında, bakanlık çantası olan ve olmayan, gürültülü bir sokakta, kitapta, bankta ve şövalede başımızı çevirerek zorla ve özgürce doldurulan görünmez tablolar kullanırız. Çalışıyoruz, tüm hayatımız boyunca çalışıyoruz: hem uykusuz geceler bir ilk kitap yazarak geçiren bir okul çocuğu hem de deneyimle bilge bir profesör. Çünkü aynı tablolarla sadece karar vermeyi değil, hareket etmeyi, yürümeyi, top oynamayı da ilişkilendiriyoruz.

Matematiksel hesaplamaları çağrışımsal düşünmenin karşısına koyarsak, o zaman bir insanın hayatındaki ağırlığı nedir? Saymayı bilmeyen bir insan nasıl gelişti? İlişkisel düşünmeyi kullanarak, enterpolasyon ve tahminde bulunabilme, bir kişi birikmiş deneyim. (Bu arada D. Mendeleev'in tezini hatırlayalım: Bilim, saymaya başlayınca başlar.) Okuyucuya sorabilirsiniz: Bugün kaç kez saydınız? Araba sürdün, tenis oynadın, otobüse koştun, eylemlerini planladın. Kaldırımı atlayarak ayağınızı kaldırıma kaldırmak için ne kadar hesaplamanız gerektiğini (ve algoritmayı nereden alacağınızı) hayal edebiliyor musunuz? Hayır, her dakika hiçbir şeyi hesaplamıyoruz ve bu belki de entelektüel hayatımızdaki, hatta bilim ve iş dünyasındaki ana şeydir. Açıklayamadığımız, subkortikal düşünceye hitap eden duyumlar, sezgi, otomatizm mekanizmaları, aslında bilgi tabanı tablolarını kullanan normal çağrışımsal düşünme mekanizmalarıdır.

Ve en önemlisi, bunu hızlı bir şekilde yapıyoruz! Gelişim sürecinde büyümenin bir ürünü olan figüratif belleğin gelişimini kavramaya ve yeniden üretmeye çalışarak nasıl düşünmeyiz. Bunun tamamen maddi olarak somutlaştığına ve bu nedenle modelleme ve yeniden üretime tabi olarak yapay olarak gerçekleştirilebileceğine inanıyoruz.

Şimdi yapay zekanın bir öğesi olarak bir sinir ağı oluşturmanın günümüzün yeterli bir ilkesini formüle edelim:

1. Beynin sinir yapısının taklit edilmesinin temelinin tablo enterpolasyon yöntemi olduğu kabul edilmelidir.

2. Tablolar ya bilinen hesaplama algoritmalarına göre ya da deneysel olarak ya da uzmanlar tarafından doldurulur.

3. Sinir ağı, çığ benzeri bir paralelleştirme olasılığı nedeniyle yüksek hızlı işleme tabloları sağlar.

4. Ek olarak, sinir ağı, maksimum veya ortalama benzerlik ilkesine dayalı yaklaşık bir cevap vererek, tabloya yanlış ve eksik verilerle giriş yapılmasına izin verir.

5. Beynin sinir ağı taklidinin görevi, ilk bilginin kendisini değil, bu bilginin tahminlerini, bilginin yerine, türler, tipler, parametreler arasında ustaca dağıtılan reseptörlerin uyarılma değerleriyle değiştirmektir. , değişim aralıkları veya bireysel değerler.

6. Her bir alt yapının çıkış katmanının nöronları, uyarılmalarıyla karşılık gelen çözümleri gösterir. Aynı zamanda, orijinal aracılı bilgi olarak bu uyarı sinyalleri, işletim modunda harici bir müdahale olmaksızın mantıksal zincirin bir sonraki bağlantısında kullanılabilir.

3. Bankacılık sisteminin izlenmesi

1999-2000 yıllarında Rusya'nın bankacılık sisteminin incelenmesi için Kohonen'in (SOM - Kendi Kendini Düzenleyen Harita) kendi kendini düzenleyen haritalarının mükemmel bir uygulamasına bir örnek verilmiştir.

İzleme, bir prosedürün otomatik olarak yürütülmesine dayalı bir derecelendirme değerlendirmesine dayanır: banka parametrelerinin çok boyutlu vektörüne göre bilgisayar ekranında görüntülenir. Sinir ağı teknolojilerinin, çok boyutlu bir uzayı bir, iki veya üç boyutlu hale getirir gibi, çok değişkenli görsel fonksiyonların oluşturulmasına izin verdiği gerçeğine dikkat çekilmektedir. Çeşitli faktörlerin her bir bireysel çalışması için kendi SOM'larınızı oluşturmanız gerekir. Tahmin, yalnızca SOM tahminlerinin zaman serilerinin analizine dayalı olarak mümkündür. Ayrıca, örneğin siyasi nitelikteki dışarıdan gelen verilerin bağlantısıyla geri çekilme zincirini genişletmek için yeni SOM'lara ihtiyaç vardır.

Bu yaklaşım şüphesiz etkili ve verimlidir. Ama öyle görünüyor ki, beyin sinir yapılarının potansiyeli ile karşılaştırıldığında, düşüncenin kapsamını ve cesaretini kısıtlıyor, uzun öncül-etki zincirlerini çekmeye, analizi tahminle birleştirmeye, gelişen durumu derhal hesaba katmaya ve yeni faktörleri tanıtmaya izin vermiyor. ve uzman deneyimi dikkate alınır. Tüm bunların beyine bağlı olduğu konusunda mutabık kalınmalı ve yine yapılarına dönerek izleme sistemi yazılımı için bir proje önermekteyiz.

Sinir ağının yapısı ve eğitim yöntemleri. İzlemenin altında yatan mantıksal işlevler, esas olarak, bankaların parametrelerindeki veya göstergelerindeki değişiklik aralıklarını yansıtan değişkenlerin mantıksal değerlerinin birleşimine dayanır.

Aşağıdaki göstergeler sunulmaktadır:

* Eşitlik;

* dengeli varlıklar;

* likit varlıklar;

* talep yükümlülükleri;

* nüfus mevduatı;

* likidite oranı;

* bütçe kaynakları.

Puan kartını genişletebilirsiniz:

* gelişen bir ekonomi çağında yatırım hacmi;

* kar hacmi;

* göçün geçmiş sıralaması ve önemi;

* bilim ve eğitimin desteklenmesi için fona yapılan kesintiler;

* Vergi kesintileri;

* emeklilik fonuna yapılan katkılar;

* bir hayır kurumu ve kültürel fona yapılan kesintiler;

* UNESCO programlarına katılım vb.

Gerçek değişkenler alanına girerken mantıksal işlevin bu kadar basit bir biçimi, bir giriş alıcı katmanı ve üzerinde izleme sonuçlarının oluşturulduğu bir çıkış katmanı içeren tek katmanlı bir sinir ağının yeterliliğini gösterir.

Girdi katmanını oluştururken, yalnızca mevcut göstergeleri değil, aynı zamanda geçmiş zaman dilimlerinde derecelendirme değişiminin dinamiklerini de hesaba katmak gerekir. Çıktı katmanı yalnızca derecelendirmeyi değil, aynı zamanda uzman tavsiyelerini ve diğer kararları ve sonuçları da yansıtmalıdır.

En basit eğitim türü uygundur - bir görev için bir sinir ağı oluşturma kavramına karşılık gelen bir bilgi tabanı oluşturmak: bir operatör-araştırmacı tarafından manuel olarak bağlantıların doğrudan tanıtılması - nedensel ilişkilere göre alıcılardan çıktı katmanının nöronlarına . Böylece ağ zaten eğitilmiş olarak oluşturulur.

O zaman transfer fonksiyonu da en basit olacak ve nöronun girişindeki uyarma değerlerinin toplamına, bağlantının ağırlığı ile çarpılmasına dayanacaktır:

Bire eşit tüm ağırlıkların kabaca atanmasına kıyasla, bağlantıların ağırlığının atanması, bir operatörün veya bir uzmanın çeşitli göstergelerin etkisini değişen derecelerde hesaba katma olasılığıyla bağlantılı olarak daha uygundur.

H eşiği, açıkça kabul edilemez sonuçları keserek, daha sonraki işlemleri basitleştirir (örneğin, ortalamayı bulma). İndirgeme katsayısı aşağıdaki hususlardan kaynaklanmaktadır.

V'nin maksimum değeri n'ye ulaşabilir. Derecelendirme değerinin belirli bir kabul edilebilir aralıkta olması için, örneğin, in, k = Yn koyarak uyarma değerlerinin dönüştürülmesi gerekir.

Yukarıdaki varsayımlar, operatör - uzman - kullanıcı tarafından değişiklikleri ve açıklamaları derhal uygulamaya koymayı, yeni faktörleri tanıtarak ve deneyimleri dikkate alarak ağı geliştirmeyi mümkün kılar. Bunu yapmak için, operatörün fareyi tıklayarak alıcıyı seçmesi yeterlidir ve ardından çıkış katmanının nöronu ve bağlantı kurulur! Sadece aralıktan girilen bağlantının ağırlığını yaklaşık olarak atamak için kalır.

Kitabın tüm materyali ile ilgili olarak burada çok Önemli Bir Bildirim (SED) yapılmalıdır ve çok dikkatli bir okuyucuya yöneliktir.

Daha önce, eğitimi değerlendirirken, her bileşenin güvenini bire eşit alarak ilk referans durumlarını açıkça sınıflandırdık. Daha sonra dinamik uyarım yollarını izleyip düzenlediğimizde, bağ ağırlıklarını da bire (veya bir maksimum sabit değere) eşit olacak şekilde ayarlarız. Ancak öğretmen, belirlediği ölçüde ve ağırlıklarla faktörleri hesaba katarak hemen ek bir serbestlik derecesi elde edebilir! Farklı faktörlerin sonucu değişen derecelerde etkilediğini varsayalım ve eğitim aşamasında böyle bir etkiyi zorla bırakacağız.

Örneğin, savaşın arifesinde nüfusun büyük miktarlarda sabun, kibrit ve tuz aldığı bilinmektedir. Bu nedenle, bu faktörü gözlemleyerek, savaşın yakın başlangıcını tahmin edebiliriz.

Tarihsel veya sosyal olayların analizi için bir sinir ağı oluştururken, uyarılmaları aynı anda farklı sabun, tuz ve kibrit alımlarına karşılık gelen bir veya daha fazla alıcı tanımlanmalıdır. Bu reseptörlerin uyarılması iletilmelidir, (diğer faktörlerle birlikte) çıkış katmanının nöronunun uyarılma derecesini etkilemeli, Savaş Geliyor ifadesine karşılık gelir!

Bununla birlikte, yoğun sabun, kibrit ve tuz alımı, savaşın patlak vermesi için gerekli, ancak yeterli bir koşul değildir. Örneğin, Ana Kafkas Sıradağları bölgesinde turizmin hızlı bir şekilde canlandığını gösterebilir. Sözcükler, bir olayın değişmezliğini, bir boole değişkenini değil, evet - hayır, ancak "etkiler, ancak doğrudan değil" türündeki bazı ara, belirsiz, ağırlıklı durumları hesaba katmaya izin veren bulanık mantığın anlamını içermez. gerekli olduğunu...". Bu nedenle, belirli bir (veri) alıcısından çıkan bağlantılar (tümü veya bir kısmı), birden küçük bir varsayılan değere eşit olarak ayarlanır ve ardından alıcının uyarılmasının çıktı üzerindeki etkisini yansıtan düzeltilir.

Böylece, aynı anda sabun, tuz ve kibrit alımı iki kez sayılır: satın alma seviyesi, karşılık gelen alıcıların uyarılma derecesinde ve satın almanın geri çekilme üzerindeki etkisinin niteliği olarak gösterilecektir.Savaş yakında geliyor! - sinaptik bağlantıların ağırlıklarını kullanarak.

Tek seviyeli ağlar kurarken, bu yaklaşımın kendini gösterdiğini ve çok basit bir şekilde uygulandığını kabul edin.

Alıcı ekran yapısı. Bunun ana kısmı, şüphesiz statik bir ekrana sığamayacak olan alıcı katmanın durumunu görüntüleyebileceğiniz ve ayarlayabileceğiniz bir kaydırma penceresidir.

Kaydırma penceresi, ilgili reseptörler için aralıktaki göstergeleri ve bunların tahmini değerlerini gösterir. Bunlar güvenilirlik, sezgi, uzman yargısına dayanan olasılık değerleridir. Tahminler, birden fazla alıcının kapsandığını varsayar. Örneğin, öz sermayenin 24, 34 veya 42 bin olduğuna dair bir tahmin. Yani, ancak hepsi aynı 24, aralıklara karşılık gelen 0.6,0.2 ve 0.2 reseptör uyarma değerlerinin yaklaşık bir tahminine yol açabilir (20 - 25], (30 - 35], (40 - 45]. Ekran, geçmiş ölçümlerin bir sonucu olarak derecelendirme, önceden bulunan seçilmiş göstergeler ve ayrıca politik, sosyal ve ekonomik durum göstergeleri gibi statik olarak ayarlanmış değerleri gösterir (Bunların bolluğu ve gelişimi hala kaydırma gerektirebilir.)

Ayrıca kaydırma kontrollerini ve ana işlemler menüsünü de görüntülemelisiniz:

* çıktı katmanının ekranına geçiş;

* sonuçların istatistiksel olarak işlenmesi (çıktı ekranına geçişi varsayar);

* yeni bir bağlantının tanıtımı;

* yeni bir alıcının tanıtılması;

* çıkış katmanının yeni bir nöronunun tanıtılması (ekran değiştirme varsayılır);

* yeni bir göstergenin tanıtımı vb.

Çıkış katmanı ekran yapısı. Çıktı katmanı ekranı (Şekil 8.3), derecelendirmenin azalan bir dağılımını temsil eden eşmerkezli (iç içe geçmiş) dikdörtgenler veya diğer düz şekillerden oluşan bir sistem görüntüler. Ekranın ortasındaki parlak noktalar, en başarılı bankaları veya varsayılan ideal görüntüleri işaretler. Ekranın her bir elemanı, çıktı katmanının bir nöronuyla katı bir şekilde ilişkilidir. İzlemenin bir sonucu olarak, standarda karşılık gelen bir nöron maksimum düzeyde uyarılabilir, ancak büyük olasılıkla, orta veya ortalama olan herhangi bir standartla uyuşmayan bir ekran noktası görüntülenecektir.

Pirinç. - 8.3. Çıktı katmanı ekranı

Kuşkusuz, ortalama bir derecelendirme değerlendirmesinin çalışması, başarı kategorisinin gösterilmesi, uyarı sinyalleri verilmesi, sonuç metinleri, önerilen geliştirme stratejileri, daha fazla gelişme için verilerin kaydedilmesi vb. için bir menü sağlanmalıdır.

Sinir ağı eğitimi. Uzman değerlendirmelerine dayalı bir sinir ağı eğitmek için, bankanın maksimum derece ile ideal olarak başarılı sayılmasına izin veren kabul edilebilir parametre aralıklarını belirlemek gerekir. Koordinatları (parametre değerleri kümeleri) bilinen veya varsayılan (olası seçenekler dikkate alınarak) bankalar için kabul edilebilir derecelendirme değerlerini karşılayan birkaç noktayı sabitleyerek, birkaç ideal temsilci elde edilebilir. İlgili nöronlar, yani. çıktı katmanının ekran elemanları, ekran alanına dağılmış olarak rastgele seçilir. Derecelendirmesi daha yüksek olan standartların merkeze daha yakın yerleştirilmesi arzu edilir.

Ardından, bir sonraki derecelendirme kategorisine vb. dayalı olarak çevreleyen dikdörtgenin benzer şekilde doldurulmasına devam edin. yabancı bankalara.

Bu tür çalışmaları yürütmek için uzmanlar ön olarak bir tablo oluşturur (Tablo 1).

Ekranda bankaları görüntüleyen nöronlar, uyarılma derecelerinin büyüklüğüne karşılık gelir.

İzleme metodolojisi. Ekonomist ve politikacıların yüksek nitelikli uzmanlığı sonrasında kullanıcının hizmetine sunulan eğitimli sistem, CASE teknolojisi CASE - Bilgisayar Destekli Yazılım Mühendisliği çerçevesinde kullanıma hazırdır.

Tablo 1 - Bir sinir ağının eğitimi için uzman tahminleri

Bu durumda, kullanıcı ek eğitim, açıklama (örneğin, kendi deneyimine dayanarak bazı göstergelerin etkisini artırmak veya zayıflatmak için bağlantıların ağırlıkları), deney için ek göstergelerin kendi riski altında tanıtılması hakkını kullanır. , vesaire.

Kullanıcının Invest-There-and-Back bankası etrafındaki durumu araştırdığını varsayalım. Doğal olarak, kendi yatırımlarının uygunluğu hakkında tatmin edici bir bilgiye sahip değildir ve bu nedenle, modelleme için yaklaşık, olası, çelişkili özellikler aldığı sonucu titiz bir veri toplamaya başlar.

Alıcı ekranının yardımıyla, kullanıcı uyarma değerlerini oldukça güvenilir verilere dayanarak ayarlar, ancak bazen seçenekleri göz önünde bulundurarak - veya (kısmen heyecan verici farklı alıcılar), bazen bir hevesle, bazen sadece atlayarak göstergeler. Geçmişteki sıralama ve göç gibi göstergeler hala bilinmiyor ancak sonucun gelecekte kullanılması bekleniyor.

Çıktı katmanının ekranına veri girdikten sonra, dışarıdaki alanın yakınındaki parlak bir nokta, haklı bir şekilde birikmiş sermaye yatırımının tavsiye edilebilirliği konusunda şiddet içermeyen bir kararın medeni hukukunun korunmasına açıkça tanıklık eder.

Ekrandaki bu noktanın koordinatları, kontrol edilen bankaya yakın olan bankaların yayılan nöronlarının koordinatlarının ortalamasını bulmak için iyi bilinen formül ve uyarılmalarının büyüklüğü ile belirlenir. Ancak aynı formüllere göre, vurgulanan bankaların notları bazında incelenen bankanın notu bulunur!

Kullanıcı, bilgi tabanını ve dolayısıyla sinir ağını yeni banka hakkında bilgi ile tamamlamaya karar verebilir; bu, uzmanların tavsiyesi ortaya çıkan sonucu önemli ölçüde eleştirirse ve böylece sinir ağında bir hata olduğunu gösterirse tavsiye edilir. Sadece seçeneği kullanmanız gerekiyor. Bilgisayar ve kullanıcı arasında bir diyalog başlatılmasının bir sonucu olarak şunu ekleyin:

- Derecelendirmeyi değiştirmek istiyorsunuz - Evet.

- Yeni derecelendirme değeri --...

- Kaydetmek!

Daha sonra bulunan koordinatlara sahip çıktı katmanının nöronu yeni bankaya atanır. Banka hakkında bilgi girerken heyecanla verilen alıcılarla bağlantıları kurulur. Her bağlantının ağırlığının, kullanıcı tarafından girilen ilgili nöron-alıcının uyarılma değerine eşit olduğu varsayılır. Artık bilgi tabanı, başka bir hedefi vurduktan sonra hedeflenen silah pil yuvalarının listesiyle aynı şekilde desteklendi.

Bununla birlikte, önemli bir zorunlu not değişikliği, vurgulanan noktanın ilgili derecelendirme seviyesine sahip bankaların alanına, yani bankaların alanına taşınmasını gerektirebilir. ekranın başka bir alanında bu bankaya çıkış katmanının başka bir nöronunu atamak gerekiyor. Ayrıca bilgisayar ve kullanıcı arasındaki diyalog sonucunda kurulur.

Düzeltme ve geliştirme. Yukarıda, sinir ağının sürekli iyileştirme ve geliştirme ihtiyacından ve olasılığından daha önce bahsetmiştik. Referans bankasının (gerçek veya ideal) ilerlemesi fikrini değiştirebilir ve bilgi tabanını tamamlayabilirsiniz, yani. bu sinir ağı. Tek tek göstergelerin çıktı üzerindeki etkisinin bir ölçüsü olarak bağlantı ağırlıklarını ayarlayabilirsiniz.

Ağırlıkları ile yeni göstergeler girebilir, yeni çözümler düşünebilir ve aynı veya yeni göstergelerin onlar üzerindeki etki derecesini belirleyebilirsiniz. Bireysel göstergelerin bankaların göçü üzerindeki etkisini (bir derecelendirme seviyesinden diğerine geçiş) vb. dikkate alarak sinir ağını ilgili sorunları çözmek için uyarlamak mümkündür.

Son olarak, bir sinir ağını dönüştürmek için geliştirilmiş bir dizi fonksiyona sahip, kullanıcı dostu bir arayüze ve mükemmel bir hizmete sahip bu yazılım ürününü satın alarak, onu tamamen farklı bir görev için yeniden oluşturabilirsiniz, örneğin heyecan verici bir demiryolu ruleti oyunu için. aşağıda odaklanmak niyetinde.

Sonuç olarak, ekonomide ve iş dünyasında olduğu kadar karmaşık nesnelerin yönetiminde de, her durumun değişmez sayıda faktör temelinde oluşturulduğu karar verme sistemlerinin hakim olduğunu not ediyoruz. Her faktör, kapsamlı bir kümeden bir değişken veya değer ile temsil edilir, yani. her durum, sinir ağını oluşturan tüm faktörler hakkındaki ifadelerin zorunlu olarak dahil olduğu bir bağlantı ile temsil edilir. O zaman tüm bağlaçlar (durumlar) aynı sayıda ifadeye sahiptir. Bu durumda, iki farklı durum farklı kararlara yol açıyorsa, karşılık gelen sinir ağı mükemmeldir. Bu tür sinir ağlarının çekiciliği, tek katmanlı olanlara indirgenebilmelerinde yatmaktadır. Çözümlerin çarpımını gerçekleştirirsek (bkz. Bölüm 5.2) mükemmel bir sinir ağı elde ederiz (geri bildirimler olmadan).

Bu bölümün görevi, mükemmel bir sinir ağının, alt bölümünün oluşturulmasına indirgenebilir. 6.2, örneğin, ülke riskini değerlendirme görevi vb.

Çözüm

Çıkış katmanındaki nöronların uyarma değerlerinin dağılımı ve çoğu zaman maksimum uyarma değerine sahip nöron, kombinasyon ile giriş katmanındaki uyarma değerleri arasında bir yazışma kurmanıza izin verir (resimdeki resim). retina) ve alınan yanıt (nedir). Böylece, bu bağımlılık "eğer - o zaman" formunun mantıksal bir çıkarım olasılığını belirler, yani "öncül - etki" ilişkilerini birbirine bağlamaya ve ezberlemeye hizmet eder. bu tür ilişkilere dayalı “uzun” mantıksal zincirler elde edin.

Ağın iki modda çalıştığını takip eder: öğrenme modunda ve tanıma modunda (çalışma modu).

Eğitim modunda mantıksal zincirler oluşturulur.

Tanıma modunda, sunulan görüntüye dayanan sinir ağı, hangi türe ait olduğunu, hangi eylemlerin yapılması gerektiğini vb.

İnsan beyninde 100 milyara kadar nöron olduğuna inanılıyor. Ancak şimdi, 240'a kadar kimyasal reaksiyonun olduğu bir nöronun nasıl çalıştığıyla ilgilenmiyoruz. Nöronun mantıksal düzeyde nasıl çalıştığı, mantıksal işlevleri nasıl gerçekleştirdiği ile ilgileniyoruz. Yalnızca bu işlevlerin uygulanması, yapay zekanın temeli ve aracı haline gelmelidir. Bu mantıksal işlevleri somutlaştırarak, örneğin enerjinin korunumu yasası gibi temel fizik yasalarını ihlal etmeye hazırız. Sonuçta, fiziksel modellemeye değil, erişilebilir, evrensel bir bilgisayara güveniyoruz.

Bu nedenle, yapay zeka görevlerinde sinir ağlarının "(doğrudan" kullanımına odaklanıyoruz. Bununla birlikte, uygulamaları diğer görevlerin çözümüne kadar uzanmaktadır. transfer fonksiyonu sıklıkla kullanılır), özel olarak seçilmiş ve dinamik olarak güncellenen ağırlıklar. Bu durumda, nöronların uyarılma değerlerinin yakınsama özellikleri, kendi kendine optimizasyon kullanılır. Sinir ağının belirli sayıda saat döngüsünden sonra uyarıların giriş vektörü sağlandığında, çıkış katmanının nöronlarının uyarım değerleri (bazı modellerde, giriş katmanının tüm nöronları çıkış katmanının nöronlarıdır) ve diğerleri değildir) belirli değerlere yakınsar. Örneğin, hangi referansın "gürültülü"ye daha çok benzediğini belirtebilirler. geçersiz giriş görüntüsü veya başka bir şey. bir soruna nasıl bir çözüm bulunur. Örneğin, ünlü Hopfield ağı. sınırlı da olsa, gezgin satıcı problemini - üstel karmaşıklık problemini - çözebilir. Hamming ağı, ilişkisel belleği başarıyla uygular. Kohonen ağları (Kohonen haritaları), 27/06/2011 eklendi

İş faaliyetlerini, karar vermeyi etkileyen faktörleri analiz etme görevi. Modern bilgi teknolojileri ve sinir ağları: çalışmalarının ilkeleri. Finansal durumları tahmin etme ve karar verme görevlerinde sinir ağlarının kullanımının araştırılması.

tez, eklendi 11/06/2011

Kağıt doldurmanın teknolojik sürecinin tanımı. Kağıt makinesi tasarımı. Kağıt ağ oluşumunun kontrolünde sinir ağlarının kullanımının gerekçesi. Bir nöronun matematiksel modeli. Sinir ağlarının iki yapısının modellenmesi.

dönem ödevi, eklendi 10/15/2012

Saldırı tespit sistemlerinde sinir ağı teknolojilerini kullanma yolları. Ağ saldırılarını tespit etmek için uzman sistemler. Yapay ağlar, genetik algoritmalar. Sinir ağlarına dayalı saldırı tespit sistemlerinin avantajları ve dezavantajları.

test, 30.11.2015 eklendi

Yapay zeka kavramı, insan zekasının bireysel işlevlerini üstlenecek otomatik sistemlerin bir özelliğidir. Tıp alanında uzman sistemler. Yapay zeka sistemleri oluşturmaya yönelik çeşitli yaklaşımlar. Sinir ağlarının oluşturulması.

28.05.2015 tarihinde eklenen sunum

Ana ekonomik göstergeleri tahmin etmek için radyal tabanlı işlevlerde sinir ağlarını kullanma sorununun ve beklentilerinin incelenmesi: gayri safi yurtiçi hasıla, Ukrayna'nın milli geliri ve tüketici fiyat endeksi. Sonuçların değerlendirilmesi.

dönem ödevi eklendi 14/12/2014

Yapay sinir ağları kavramı ve özellikleri, insan beyni ile işlevsel benzerlikleri, çalışma prensipleri, kullanım alanları. Sinir ağlarının uzman sistemi ve güvenilirliği. Aktivasyon fonksiyonu olan bir yapay nöron modeli.

özet, eklendi 03/16/2011

Yapay sinir ağlarının (YSA) özü ve işlevleri, sınıflandırılması. Yapay bir nöronun yapısal elemanları. YSA ve von Neumann mimarisi makineleri arasındaki farklar. Bu ağların inşası ve eğitimi, uygulamaları için alanlar ve beklentiler.

sunum 14.10.2013 tarihinde eklendi

Rus finans piyasasında nörobilgisayarların kullanımı. Sinir ağı işleme yöntemlerine dayalı zaman serisi tahmini. İşletmelerin tahvil ve hisse oranlarının belirlenmesi. Borsa faaliyetini analiz etme görevlerine sinir ağlarının uygulanması.

28.05.2009 tarihinde eklenen dönem ödevi

Yapay zekanın modellenmesinde yaratılışın tarihi ve ana yönleri. Görsel algılama ve tanıma için öğrenme problemleri. Robotların zeka unsurlarının geliştirilmesi. Sinir ağları alanında araştırma. Wiener'in geri besleme ilkesi.

UDC 004.38.032.26

O. V. KONYUKHOVA, K. S. LAPOCHKINA

O. V. KONUKHOVA, K. S. LAPOCHKINA

SİNİR AĞLARININ EKONOMİDE UYGULANMASI VE KISA VADELİ BÜTÇE TAHMİNİ OLUŞTURMADA KULLANILMALARININ İLİŞKİSİ

SİNİR AĞLARININ EKONOMİDE UYGULANMASI VE KISA VADELİ BÜTÇE TAHMİNİ ÇIKARARAK KULLANIMLARININ ACİL OLMASI

Bu makale, sinir ağlarının ekonomideki uygulamalarını açıklamaktadır. Rusya Federasyonu bütçesini tahmin etme süreci ve kısa vadeli bir bütçe hazırlamak için sinir ağlarını kullanmanın önemi dikkate alınmaktadır.

Anahtar kelimeler: ekonomi, Rusya Federasyonu bütçesi, bütçe tahmini, sinir ağları, genetik algoritmalar.

Bu makalede sinir ağlarının ekonomideki uygulamaları anlatılmaktadır. Rusya Federasyonu bütçesinin tahmin süreci ve kısa vadeli bütçenin hazırlanması için sinir ağlarının uygulanmasının aciliyeti değerlendirilmektedir.

Anahtar Kelimeler: ekonomi, Rusya Federasyonu bütçesi, bütçe tahmini, sinir ağları, genetik algoritmalar.

4) nesnelerin otomatik olarak gruplandırılması.

Depresif bir ekonominin rasyonel yönetimi için bir mekanizma yaratmaya yönelik ilginç girişimlerden biri İngiliz sibernetiği Stafford Beer'e aittir. Nörofizyolojik mekanizmalara dayalı olarak yaygın olarak bilinen yönetim ilkelerini önerdi. Üretim sistemleri modellerini girdiler (kaynak akışları), dahili, görünmez unsurlar ve çıktılar (sonuçlar) arasındaki çok karmaşık bir ilişki olarak değerlendirdi. Modellerin girdileri, esas olarak belirli bir üretimin çıktısını, kaynak ve üretkenlik için hissedilen ihtiyacı derhal yansıtan genelleştirilmiş endekslerdi. Bu tür sistemlerin etkin çalışması için önerilen çözümler, bu durumda olası tüm seçenekler bulunduktan ve tartışıldıktan sonra yapılmıştır. En iyi karar, tartışmaya katılan yönetici ve uzmanların oy çokluğu ile alındı. Bu amaçla sistemde uygun teknik imkanlarla donatılmış bir durum odası sağlanmıştır. S. Beer tarafından bir yönetim sisteminin oluşturulmasına yönelik önerilen yaklaşımın, yalnızca bir çelik şirketi gibi büyük endüstriyel birliklerin değil, aynı zamanda 70'lerin Şili ekonomisinin yönetiminde de etkili olduğu ortaya çıktı.

Benzer ilkeler, müreffeh bir İngiltere'nin ekonomisini modellemek için Ukraynalı bir sibernetikçi tarafından argümanların grup muhasebesi (MGHA) yönteminde kullanıldı. Brüt geliri etkileyen iki yüzden fazla bağımsız değişken öneren ekonomistlerle (Parks ve diğerleri) birlikte, çıktı değişkeninin değerini yüksek derecede doğrulukla belirleyen birkaç (beş ila altı) ana faktör belirledi. Bu modeller temel alınarak farklı tasarruf oranları, enflasyon ve işsizlik oranlarında ekonomik büyümeyi artırmak için ekonomiyi etkilemek için çeşitli seçenekler geliştirilmiştir.

Argümanların grup değerlendirmesi için önerilen yöntem, karmaşık modellerin, özellikle ekonomik sistemlerin kendi kendine organize edilmesi ilkesine dayanır ve standart istatistiksel yöntemlerle tespit edilmeyen verilerdeki karmaşık gizli bağımlılıkların belirlenmesine izin verir. Bu yöntem A. ve Ivakhnenko tarafından ekonominin durumunu değerlendirmek ve Amerika Birleşik Devletleri, Büyük Britanya, Bulgaristan ve Almanya gibi ülkelerdeki gelişimini tahmin etmek için başarıyla kullanıldı. incelenen ülkelerde ekonominin durumunu tanımlayan ve brüt geliri etkileyen çok sayıda bağımsız değişken (elliden iki yüze kadar) kullanmıştır. Argümanların grup muhasebesi yöntemi kullanılarak bu değişkenlerin analizine dayanarak, yüksek derecede doğrulukla çıktı değişkeninin (brüt gelir) değerini belirleyen ana, önemli faktörler belirlendi.

Bu yöndeki araştırmalar, küçük bir sınıflandırılmış diziden deneyim ve bilgi çıkarabilmeleri nedeniyle son zamanlarda yoğun olarak kullanılan sinir ağı yöntemlerinin geliştirilmesinde uyarıcı bir etkiye sahip olmuştur. Bu tür diziler üzerine eğitimden sonra, sinir ağları, karmaşık biçimselleştirilemeyen sorunları, uzmanların bilgi ve sezgilerine dayanarak yaptığı gibi çözebilir. Bu avantajlar, eşit olmayan gelişme oranları, farklı enflasyon oranları, kısa süre ve aynı zamanda devam eden ekonomik fenomenler hakkındaki bilgilerin eksikliği ve tutarsızlığı ile karakterize edilen bir geçiş ekonomisi koşullarında özellikle önemli hale gelir.

Mordovia ve Penza bölgesindeki ekonomik kalkınmanın analiz ve modelleme problemlerini çözmede bir sinir ağı oluşturmak için karmaşık ekonomik sistem modellerinin kendi kendine örgütlenme ilkelerini başarıyla uyguladığı yaygın olarak bilinmektedir.

Finansal sektörde nöral hesaplamanın başarılı bir şekilde uygulanmasının tipik bir örneği kredi riski yönetimidir. Bildiğiniz gibi, bir kredi vermeden önce, bankalar, zamansız fon iadesi nedeniyle kendi zararlarının olasılığını değerlendirmek için borçlunun finansal güvenilirliği hakkında karmaşık istatistiksel hesaplamalar yaparlar. Bu tür hesaplamalar genellikle kredi geçmişinin, şirketin gelişim dinamiklerinin, ana finansal göstergelerinin istikrarının ve diğer birçok faktörün değerlendirilmesine dayanır. Tanınmış bir ABD bankası, bir sinirsel hesaplama yöntemini test etti ve daha önce yapılmış olan bu tür hesaplamaları kullanarak aynı sorunun daha hızlı ve daha doğru bir şekilde çözüldüğü sonucuna vardı. Örneğin, 100 bin banka hesabının değerlendirilmesi durumlarından birinde, potansiyel temerrütlerin %90'ından fazlasının sinirsel hesaplamalara dayalı yeni bir sistem tespit edildi.

Nöral hesaplamanın finans alanında çok önemli bir uygulama alanı da borsadaki durumu tahmin etmektir. Bu soruna standart yaklaşım, borsadaki ticaret koşullarındaki değişiklikler nedeniyle sonunda etkinliğini yitiren, katı bir şekilde sabitlenmiş "oyunun kuralları" kümesine dayanmaktadır. Ayrıca, bu yaklaşıma dayalı olarak oluşturulan sistemler, anlık karar vermeyi gerektiren durumlar için çok yavaş olmaktadır. Bu nedenle menkul kıymetler piyasasında faaliyet gösteren başlıca Japon şirketleri, sinirsel hesaplama yöntemini uygulamaya karar verdiler. Bir sinir ağına dayalı tipik bir sistemde, ciro, önceki hisse fiyatları, gelir seviyeleri vb. dahil olmak üzere çeşitli kuruluşların toplam 33 yıllık ticari faaliyet hacmi ile bilgi girildi. İstatistiksel yaklaşımla karşılaştırıldığında, genel performansta bir iyileşme sağladı. %19 oranında.

En gelişmiş sinirsel hesaplama tekniklerinden biri, canlı organizmaların evrimini taklit eden genetik algoritmalardır. Bu nedenle, sinir ağı parametrelerinin optimize edicisi olarak kullanılabilirler. Yüksek güvenlikli uzun vadeli menkul kıymet sözleşmelerinin performansını tahmin etmek için benzer bir sistem geliştirildi ve Hill Samuel Investment Management'taki bir Sun iş istasyonuna kuruldu. Birkaç ticaret stratejisini simüle ederken, piyasa hareketinin yönünü tahmin etmede %57'lik bir doğruluk elde etti. Newport'taki sigorta şirketi TSB General Insurance, özel kredi sigortasındaki risk seviyesini tahmin etmek için benzer bir metodoloji kullanıyor. Bu sinir ağı, ülkedeki işsizlik durumuna ilişkin istatistiksel verilere dayanarak kendi kendine öğreniyor.

Rusya'daki finansal piyasanın henüz istikrara kavuşmamış olmasına ve matematiksel bir bakış açısına göre, modelinin değişmesine rağmen, bir yandan menkul kıymetler piyasasının kademeli olarak çökmesi beklentisi ve hem yerli hem de yabancı sermaye yatırımlarının akışıyla ilişkili hisse senedi piyasasının payındaki artış ve diğer yandan - siyasi kursun istikrarsızlığı ile, yine de farklı istatistiksel yöntemler kullanması gereken firmaların ortaya çıktığı fark edilebilir. geleneksel olanlardan, IBM serisi bilgisayarlarda sinir ağlarını taklit etmek için yazılım ürünleri ve sinir paketlerinin bilgisayarlarının ve hatta özel yapım nöroçiplere dayanan özel sinir panolarının pazarındaki görünümün yanı sıra.

Özellikle, finansal kullanım için ilk güçlü nörobilgisayarlardan biri olan, Alaptive Solutions'ın 4 neuroBIS'sine dayanan CNAPS PC / 128, Rusya'da zaten başarılı bir şekilde çalışıyor. Tora-Center şirketine göre, sorunlarını çözmek için sinir ağlarını kullanan kuruluşların sayısı şimdiden Merkez Bankası, Acil Durumlar Bakanlığı, Vergi Müfettişliği, 30'dan fazla banka ve 60'tan fazla finans şirketini içeriyor. Bu kuruluşların bazıları, nörobilgisayar kullanımı alanındaki faaliyetlerinin sonuçlarını zaten yayınladılar.

Yukarıdakilerden, şu anda, kısa vadeli bir bütçe tahmininde sinir ağlarının kullanımının acil bir araştırma konusu olduğu anlaşılmaktadır.

Sonuç olarak, finansal uygulamalar alanı da dahil olmak üzere insan faaliyetinin tüm alanlarında sinir ağlarının kullanımının, kısmen zorunluluktan ve bazıları için geniş fırsatlar nedeniyle, diğerleri için prestij nedeniyle büyüdüğü belirtilmelidir. ve üçüncü şahıslar için ilginç uygulamalar nedeniyle.

KAYNAKÇA

1. Rusya Federasyonu Federal Kanunu 01.01.2001 (01.01.2001 tarihinde değiştirildiği şekliyle) "Rusya Federasyonu'nun sosyal ve ekonomik kalkınmasının devlet tahminleri ve programları hakkında" [Metin]

2. Bira S. Firmanın Beyni [Metin] / S. Bira. - M.: Radyo ve iletişim, 1993 .-- 524 s.

3. Galushkin, finansal faaliyetlerde nörobilgisayarlar [Metin] /. - Novosibirsk: Nauka, 2002 .-- 215p.

4., Muller tahmin modelleri [Metin] /, - Kiev: Technics, 1985. - 225 s.

5. Kleshchinsky, bütçe sürecinde tahmin yöntemleri [Metin] / // Elektronik dergi Kurumsal finans, 2011. - № 3 (19) - s. 71 - 78.

6. Rutkovskaya M., Plinsky L. Sinir ağları, genetik algoritmalar ve bulanık sistemler: Per. Polonya'dan [Metin] / M. Rutkovskaya, L. Plinsky -: Yardım Hattı - Telekom, 20s.

7., Optimal karmaşıklıkta sinir ağlarında Kostyunin çözümleri [Metin] /, // Otomasyon ve modern teknolojiler, 1998. - No. 4. - S. 38-43.

Federal Devlet Yüksek Mesleki Eğitim Eğitim Kurumu "Devlet Üniversitesi - Eğitim, Bilim ve Sanayi Kompleksi", Orel

Teknik Bilimler Adayı, Doçent, Doçent "Bilgi Sistemleri" Anabilim Dalı

E-posta: ***** @ *** ru

lapochkin Kristina Sergeyevna

Federal Devlet Yüksek Mesleki Eğitim Eğitim Kurumu "Devlet Üniversitesi - Eğitim, Bilim ve Sanayi Kompleksi", Orel

11-PI grubunun öğrencisi (m)

Bulanık sinir ağları, bulanık mantık aygıtına dayalı çıkarımlar gerçekleştirir, ancak üyelik fonksiyonlarının parametreleri, sinir ağları (NN) için öğrenme algoritmaları kullanılarak ayarlanır. Bu nedenle, bu tür ağların parametrelerini seçmek için, çok katmanlı bir algılayıcıyı eğitmek için orijinal olarak önerilen hata geri yayılım yöntemini uygulayacağız. Bunun için bulanık kontrol modülü çok katmanlı bir ağ şeklinde sunulur. Bulanık bir sinir ağı, kural olarak, dört katmandan oluşur: girdi değişkenlerini fazlamak için bir katman, koşul etkinleştirme değerlerini toplamak için bir katman, bulanık kuralları toplamak için bir katman ve bir çıktı katmanı. Şu anda en yaygın olanı ANFIS ve TSK gibi bulanık sinir ağı mimarileridir. Bu tür ağların evrensel yaklaşımcılar olduğu kanıtlanmıştır. Hızlı öğrenme algoritmaları ve birikmiş bilginin yorumlanabilirliği - bu faktörler, bulanık sinir ağlarını günümüzün en umut verici ve etkili yumuşak bilgi işlem araçlarından biri haline getirmiştir.

Ekonomide sinir ağları

Yapay zekanın en yaygın kullanım alanı bulan alan sinir ağlarıdır. Ana özellikleri, belirli örnekler kullanarak kendi kendine çalışma yeteneğidir. Modellerin gizlendiği çok sayıda girdi verisi olduğunda sinir ağları tercih edilir. Eksik veya "gürültülü" bilgi içeren problemlerde ve çözümün sezgisel olarak bulunabileceği problemlerde sinir ağı yöntemlerinin kullanılması tavsiye edilir. Sinir ağları, piyasaları tahmin etmek, emtia ve nakit akışlarını optimize etmek, kamuoyu yoklamalarını analiz etmek ve özetlemek, politik derecelendirme dinamiklerini tahmin etmek, üretim sürecini optimize etmek, ürün kalitesini kapsamlı bir şekilde teşhis etmek ve çok daha fazlası için kullanılır. Yapay sinir ağları, gerçek iş uygulamalarında giderek daha fazla kullanılmaktadır. Dolandırıcılık tespiti ve risk değerlendirmesi gibi bazı alanlarda kullanılan yöntemler arasında tartışmasız lider konumuna gelmişlerdir. Tahmin sistemlerinde ve pazarlama araştırma sistemlerinde kullanımları sürekli artmaktadır. Ekonomik, finansal ve sosyal sistemler çok karmaşık olduğundan ve farklı insanların eylemlerinin ve karşı eylemlerinin sonucu olduğundan, tüm olası eylemleri ve karşı eylemleri hesaba katarak eksiksiz bir matematiksel model oluşturmak (imkansız değilse bile) çok zordur. Fayda maksimizasyonu veya kar maksimizasyonu gibi geleneksel parametrelere dayanan bir modeli ayrıntılı olarak yaklaşık olarak tahmin etmek neredeyse imkansızdır. Böyle karmaşık sistemlerde, toplumun ve ekonominin davranışını doğrudan taklit eden modelleri kullanmak doğal ve en etkilidir. Ve bu tam olarak sinir ağı metodolojisinin sunabileceği şeydir.

Yapay sinir ağlarının kullanımının etkinliğinin pratikte kanıtlandığı alanlar şunlardır:

Finansal işlemler için:

• · Müşteri davranışlarını tahmin etmek.
• · Yaklaşan işlemin tahmini ve risk değerlendirmesi.
• · Olası dolandırıcılık faaliyetlerini tahmin etmek.
• · Bankanın muhabir hesaplarındaki fon bakiyelerinin tahmini.
• · Nakit hareketinin, dolaşımdaki varlıkların hacimlerinin tahmin edilmesi.
• · Ekonomik parametrelerin ve hisse senedi endekslerinin tahmini.

İşletmenin çalışmalarını planlamak için:

• · Satış hacimlerini tahmin etmek.
• · Üretim kapasitelerinin kullanımını tahmin etmek.
• · Yeni ürünlere olan talebi tahmin etmek.

İş analistleri ve karar desteği için:

• · Büyük miktarda verideki eğilimleri, bağıntıları, kalıpları ve istisnaları belirleyin.
• · Şirketin şubelerinin çalışmalarının analizi.
• · Rakip firmaların karşılaştırmalı analizi.

Diğer uygulamalar:

• · Gayrimenkul değerinin değerlendirilmesi.
• · Üretilen ürünlerin kalite kontrolü.
• · Ekipman durumunu izlemek için sistemler.
• · İletişim ağlarının, güç kaynağı ağlarının tasarımı ve optimizasyonu.
• · Enerji tüketimini tahmin etmek.
• · El yazısı karakterlerin tanınması, dahil. otomatik tanıma ve imza doğrulama.
• · Video ve ses sinyallerinin tanınması ve işlenmesi.

Sinir ağları başka görevlerde de kullanılabilir. Kullanımları için ana önbelirleyici koşullar, sinir ağının öğrenebileceği "tarihsel verilerin" mevcudiyetinin yanı sıra diğer daha resmi yöntemleri kullanmanın imkansızlığı veya etkisizliğidir. Yapay Zeka Araştırma Enstitüsü Federasyon Konseyi bünyesindeki Dış ve İç Politika Sorunlarının Stratejik Analizi için Bağımsız Uzmanlar Konseyi, "Belirlenmemiş hesaplamalara dayanan yeni nesil bir teknoloji ve Rusya'da deneysel bir makroekonomi modeli geliştirmek için kullanımı" projesini sundu. Federasyon." Artık ülke bütçesini ilgilendiren herhangi bir eylemin veya önerinin daha uzun yıllar için sonucunu hesaplamak mümkün. Sistem, gelir tarafının, bütçe açığının ve sanayi üretim hacminin, örneğin vergilerdeki bir artışa tepki olarak nasıl değişeceğini görmenizi sağlar. Geçen yıl bütçeden ne kadar para kaldığını da görebilirsiniz: bilim adamlarına göre bir elektronik makine böyle bir görevle kolayca başa çıkabilir. "Kara para" kavramını açıklamasına bile gerek kalmayacak. Ters problem de çözülebilir. Örneğin 2020 yılına kadar üretimi artırmak ya da en azından düşmemek için ne yapılmalı? Makine, üretimi bir şekilde etkileyen tüm parametrelerde serbest bırakılan bütçe parası için her iki durumda da değerlerin alt ve üst sınırlarını gösterecektir. Ek olarak, verilen ilk verilerle ülke ekonomisinin gelişimindeki olası bir "kritik" ve "başarılı" anların bir dizisini burçlarla ve sihirbazların yardımı olmadan bulmak mümkündür. Proje geliştiricileri şimdiye kadar sadece yaklaşık 300 parametreyi ve 1990'dan 1999'a kadar olan dönemi kapsayan bir demo model oluşturdular. Ancak normal çalışma için en az 1000 parametre gereklidir. Ve bunun için fonlar serbest bırakılırsa bu tür çalışmalar yapılabilir. Çok sayıda uygulamalı çalışma yapılması gerekiyor, projenin her iki ana bileşeninde - matematiksel ve ekonomik - temel araştırmalara ihtiyaç var. Burada ciddi devlet maddi desteğine ihtiyaç var. Mevcut makroekonomi bilgisayar modelinin ve Rusya Federasyonu devlet bütçesinin tanıtılması, gelecek yıl için devlet bütçesinin ilk parametrelerinin hazırlanmasını, nihai versiyonun parlamentoda onay için onaylanmasını, destek, değerlendirme ve kontrolü otomatik hale getirecektir. bütçe uygulamasının tüm aşamalarında Rusya'da yapay sinir ağlarına ilgi son birkaç yılda muazzam bir şekilde arttı. Hızlı öğrenme yeteneği ve sonuçların güvenilirliği, sinir ağı uzman sistemlerini modern iş dünyasının birçok alanında vazgeçilmez araçlardan biri olarak önermemizi sağlar. Yapay sinir ağları, insan uzmanların bilgilerini genelleştirmenin geleneksel emek yoğun ve daha fazla zaman alan yoluna göre büyük bir avantaja sahiptir. Sinir ağı teknolojileri hemen hemen her alanda uygulanabilmektedir ve hisse senedi fiyatları ve döviz kurlarının tahmin edilmesi gibi görevlerde şimdiden tanıdık ve yaygın olarak kullanılan bir araç haline gelmiştir. Sinir ağı teknolojilerinin modern iş dünyasına yaygın bir şekilde girmesi sadece bir zaman meselesidir. Yeni bilim-yoğun teknolojilerin tanıtılması zor bir süreçtir, ancak uygulama, yatırımların yalnızca karşılığını alıp fayda sağlamakla kalmayıp, aynı zamanda onları kullananlara somut faydalar sağladığını da göstermektedir. Finansta sinir ağlarının kullanımı tek bir temel varsayıma dayanmaktadır: tahmin yerine tanımanın ikame edilmesi. Genel olarak, sinir ağı geleceği tahmin etmez, ancak piyasanın mevcut durumunda daha önce karşılaşılan bir durumu "tanır" ve piyasanın müteakip tepkisini yeniden üretir.

Finansal piyasa oldukça ataletlidir, gelecekteki durumu oldukça doğru bir şekilde hesaplamanın mümkün olduğunu bilerek kendi kesin "gecikmeli tepkisi" vardır. Ne kadar doğru, piyasa koşullarına ve operatör niteliklerine bağlıdır. Bu nedenle, sinir ağının ana göstergelerin oranlarını otomatik olarak tahmin edeceğine inanmak saflıktır - ulusal para birimi veya örneğin, istikrarsız piyasalardaki değerli metaller. Ancak herhangi bir piyasa durumunda, istikrarı koruyan araçlar vardır. Örneğin, dolar sıçradığında, bunlar tepkisi birkaç güne yayılan ve tahmin edilebilir olan "uzak" vadeli işlemlerdir. Bu arada, piyasa şokları dönemlerinde oyuncular genellikle paniğe kapılır, bu da iyi bir analitik araç sahibinin avantajlarını artırır. Yüzlerce dünyaca ünlü ve küçük start-up şirket şu anda çeşitli amaçlar için sinir ağlarının oluşturulması üzerinde çalışıyor. Dünya pazarı, başta Amerikan olanlar olmak üzere yüzden fazla sinir ağı paketi sunmaktadır. 2005 yılına gelindiğinde, sinir ağı pazarının toplam hacmi 10 milyar doları aştı ve pratik olarak, bugün geleneksel analitik paketlerin her geliştiricisi, sinir ağlarını programlarının yeni sürümlerine dahil etmeye çalışıyor. ABD'de, sinir ağları her büyük bankanın analitik sistemlerinde kullanılmaktadır. Tek başına "Brain Maker Pro" sinir ağı paketinin satışları, en popüler teknik analiz paketi MetaStock'un satışıyla karşılaştırılabilir (ABD'de satılan Brain Maker Pro'nun 20.000'den fazla kopyası).

"AI Üçlemesi" paketi kendini iyi kanıtladı. Amerikan şirketi "Ward Systems Group" tarafından ("Yapay Zeka Üçlemesi"). Bu, her biri hem bağımsız olarak hem de diğerleriyle birlikte kullanılabilen üç programdan oluşan bir settir. Böylece, "NeuroShell II" programı 16 tür sinir ağı kümesidir, "NeuroWindows" kaynak kodlarına sahip bir sinir ağı kitaplığıdır, "GeneHunter" bir genetik optimizasyon programıdır. Birlikte, herhangi bir karmaşıklıkta analitik sistemler oluşturmanıza izin veren güçlü bir "kurucu" oluştururlar. "AI Üçlemesi", Amerikan pazarında yüksek talep görüyor. Paket, en büyük 150 ABD bankasında kuruludur. Popüler finans yayınlarından sayısız prestijli yarışma kazandı ve birkaç milyar dolarlık sermayenin yönetilmesine yardımcı oldu. Du Pont (ABD Standartları Enstitüsü ve FBI), çeşitli sorunları çözmek için "Yapay Zeka Üçlemesi"ni en iyisi olarak görmektedir. İlginç ve önemli olan, bu paketin temel bileşenlerinin Rus programcılar tarafından yazıldığı az bilinen bir gerçektir. Paket, görünümünü Profesör Persiyantsev liderliğindeki küçük bir Moskova şirketi "Neuroproject" den bir grup geliştiriciye borçlu.

Üç yılı aşkın bir süre "Ward Systems Group"un siparişlerini yerine getirdi ve başarılı çözümler buldu. Rus programlarının Amerika'nın maliyesini ve FBI'ın görevlerini kontrol ettiğini söyleyebiliriz. Paket finansörler için ne kadar faydalı olabilir? Merkez Bankası'nın bir kararının bir anda piyasayı alt üst edebileceği öngörülemeyen piyasamızda çalışabilecek mi? Bu soruların beklentisiyle, paket sahipleri özel bir danışmanlık hizmeti sunmaktadır. Analistleri piyasamızın öngörülebilirliğine inanmayan bir banka ile özel bir anlaşma yapılır. Belirli bir süre için: iki hafta, bir ay veya daha fazla, sembolik bir ücret karşılığında, bankaya verilen finansal araçların fiyatlarına ilişkin yarın (veya bir hafta öncesi) için günlük tahminler sağlanır. Tahmin tutarlı bir şekilde kabul edilebilir doğruluk gösteriyorsa, banka ayarlarla birlikte bir analitik kompleks satın almayı taahhüt eder. Ve bir müşterinin satın almayı reddettiği tek bir vaka yoktu. Büyük bankalardan birinin paket üzerinde benzer bir test yaptığı seçimler arasında açıklayıcı ve etkileyici bir vaka yaşandı. Menkul kıymet fiyatları dans etti, politikacılar düştü ve yükseldi, ancak banka her akşam on altı GKO menkul kıymeti için yarının fiyatları (mini - maksi - ağırlıklı ortalama - kapanış) içeren bir tahmin aldı. İki haftadan kısa bir süre sonra banka, bu tür çalkantılı ve öngörülemeyen durumlarda bile verimliliği koruyabilen bir analitik kompleksin temini için bir anlaşma imzaladı.

• · Zengin fırsatlar. Sinir ağları, son derece karmaşık bağımlılıkları yeniden üretebilen son derece güçlü bir modelleme tekniğidir. Özellikle, sinir ağları doğası gereği doğrusal değildir. Uzun yıllar boyunca doğrusal modelleme, iyi geliştirilmiş optimizasyon prosedürleri nedeniyle çoğu alanda ana modelleme tekniği olmuştur. Doğrusal yaklaşımın yetersiz olduğu problemlerde (ve bunlardan epeyce vardır), doğrusal modeller yetersiz çalışır. Ek olarak, sinir ağları, çok sayıda değişken olması durumunda doğrusal bağımlılıkların modellenmesine izin vermeyen "boyut laneti" ile başa çıkmaktadır.
• · Kullanımı kolay. Sinir ağları örnek olarak öğrenir. Bir sinir ağı kullanıcısı, temsili verileri alır ve ardından veri yapısını otomatik olarak algılayan bir öğrenme algoritması çalıştırır. Aynı zamanda, elbette, kullanıcının veri seçme ve hazırlama, istenen ağ mimarisini seçme ve sonuçları yorumlama konusunda bir tür buluşsal bilgiye sahip olması gerekir, ancak sinir ağlarının başarılı bir şekilde uygulanması için gereken bilgi düzeyi gereklidir. örneğin geleneksel istatistiksel yöntemleri kullanmaktan çok daha mütevazıdır.

Sinir ağları, sinir sistemlerinin ilkel biyolojik modeline dayandıkları için sezgisel olarak çekicidir. Gelecekte, bu tür nörobiyolojik modellerin geliştirilmesi, gerçekten düşünen bilgisayarların yaratılmasına yol açabilir. Bu arada, ST Sinir Ağları sisteminin oluşturduğu zaten "basit" sinir ağları, uygulamalı bir istatistikçinin cephaneliğinde güçlü bir silahtır.