Neuraaliverkkojen tilastojen analyysi 10. Vaihtoehdot STATISTICAn korvaamiseksi

Tietojen avaamisen jälkeen ST-hermoverkot tarjoaa automaattisen rakennustoiminnon (ikkuna Älykäs ongelmanratkaisija). Tässä vaiheessa on tarpeen hylätä tämä toiminto ( Peruuttaa).

Kun uusi tiedosto avataan ST Neural Networksissa, kaikki muuttujat katsotaan syötteiksi. Tulosmuuttujat on määritettävä. Napsauta hiiren oikealla napsautuksella hiiri kenttään, jossa on ikkunan tulosmuuttujien nimi Tietojoukkoeditori, ilmestyi kontekstivalikko Valitse Output, sarakkeen otsikon väri muuttuu siniseksi.

Kaikki havainnot on jaettava kahteen ryhmään: koulutus (käytetään neuroverkon kouluttamiseen) ja ohjaus (tarvitaan koulutuksen edistymisen arvioimiseksi).

Toisessa kentässä Tapaukset ikkunat Tietojoukkoeditori määritä ohjausjoukon koko (yleensä puolet koko tietojoukosta on varattu sille), paina Enter. Kontrollihavaintoja sisältävät rivit on merkitty punaisella (sijaitsee havaintoluettelon lopussa). Käytä sitten Shuffle-komentoa ( Muokkaa → Tapaukset → Sekoita → Harjoittele ja vahvista), kaikki havainnot satunnaisesti jaetaan eri tyyppeihin.

Luo verkko käyttämällä valikkokohtaa Tiedosto → Uusi → Verkko. Verkkoeditori-ikkuna tulee näkyviin (Kuva 11).

Vaihtoehdot Vaiheet Ja Katso eteenpäin käytetään vain aikasarjaongelmissa, eikä niitä käytetä tässä työssä.

Verkkokoulutus.

Jokaiselle verkkotyypille käytetään erityisiä oppimisalgoritmeja, jotka sijaitsevat valikkokohdassa Kouluttaa. Algoritmia valittaessa ehdotetaan koulutusparametrien määrittämistä. Esimerkiksi opetettaessa monikerroksista perceptronia takaisin etenemismenetelmällä (Train → Multilayer Perceptrons → Back Propagation) määritetään vastaavassa ikkunassa (Kuva 12).

	Kuva 12 – Harjoitteluparametrien muokkausikkuna

Aikakaudet- Aikakaudet. Asettaa harjoitusjaksojen lukumäärän, jotka suoritetaan harjoitusnäppäimen painalluksella. Oletusarvo on 100.

Oppimisaste- Oppimisnopeus, asettaa askelkoon painoja vaihdettaessa: jos nopeus on riittämätön, algoritmi konvergoi hitaasti, jos oppimisnopeus kasvaa, algoritmi toimii nopeammin, mutta joissain ongelmissa tämä voi johtaa epävakauteen (varsinkin jos data on meluisa). Nopeaa ja karkeaa oppimista varten arvot 0,1 - 0,6 ovat sopivia; Tarkan konvergenssin saavuttamiseksi tarvitaan pienempiä arvoja (esim. 0,01 tai jopa 0,001, jos aikakausia on useita tuhansia). Joskus on hyödyllistä vähentää nopeutta oppimisen aikana.

Momentum- Inertia. Tämä parametri parantaa (nopeuttaa) oppimista tilanteissa, joissa virhe muuttuu vain vähän, ja antaa myös algoritmille lisää vakautta, mikä auttaa algoritmia olemaan juututtamatta mataliin ja paikallisiin minimiin. Tämän parametrin arvon on aina oltava alueella. Usein suositellaan käyttöä suuri nopeus oppiminen yhdessä pienen hitauskertoimen kanssa ja päinvastoin.

Ristiinvahvistus(ristivalidointi) - Normaali tapa opettaa neuroverkkoja on, että verkkoa koulutetaan yhdessä joukosta ja tulos tarkistetaan toisessa; joten harjoitteluun ei käytetä ohjaussarjoja. Tämä tarjoaa itsenäisen tavan tarkistaa, onko verkko oppinut jotain hyödyllistä.

Alusta uudelleen- edellisen koulutusjakson tai edellisen verkon konfiguroitavien verkkoparametrien nollaus.

Oppimisalgoritmi käynnistetään painamalla painiketta Kouluttaa. Joka kerta kun painat painiketta Kouluttaa Algoritmi suorittaa N harjoitusjaksoa, missä N on harjoitusjaksojen lukumäärä, joka on määritetty Aikakaudet.

Kartalla ( Tilastot → Harjoitteluvirhekaavio) voidaan havaita verkkovirheen muutos harjoituksen aikana. Harjoitusvirhekaavio on koko harjoitussarjan lähdön neliökeskiarvon näyttö.

Kaaviossa voit havaita ylisovituksen ei-toivotun vaikutuksen (kun verkko oppii hyvin tuottamaan samat lähtöarvot kuin harjoitussarjassa, mutta ei pysty yleistämään kuviota uuteen dataan). Aluksi sekä oppimisvirhe että ohjausvirhe pienenevät. Kun uudelleenkoulutus alkaa, harjoitusvirhe pienenee edelleen ja ohjausvirhe (yleensä punainen) alkaa kasvaa. Varmennusvirheen lisääntyminen viestii uudelleenkoulutuksen alkamisesta ja osoittaa, että oppimisalgoritmi alkaa olla tuhoisa (ja samalla pienempi verkko saattaa olla sopivampi).

Kun muutat verkkoparametreja ennen harjoittelua, sinun on nollattava edellisen verkon painokertoimet (konfiguroidut parametrit). MLP-verkossa käytä uudelleenalustaa-painiketta.

Paketissa STATISTICA Neuraaliverkot Parhaan verkon automaattinen muistaminen kokeen aikana tarjotaan. Voit palauttaa parhaan verkon arvot soittamalla valikkoon Juna → Apu → Paras verkko.

Käytä valikkokohtaa laskeaksesi tiedot verkon avulla Suorita: Tietojoukko– laskenta kaikille tiedoille lähdetiedosto;

Yksittäinen tapaus – yhden havainnon laskeminen;

Kertaluonteinen– laskenta mielivaltaiselle tulovektorille.

Laskenta suoritetaan napsauttamalla Suorita-painiketta vastaavassa ikkunassa.

Toimii kuten edellisessä tapauksessa, mutta vain todellinen lähtöarvo näytetään taulukoissa.

Avaa valikko Suorita → Kertakäyttö, syötä syöttöarvot, joille haluat ennustaa lähdön, napsauta Juokse.

Voit tarkastella neuronien synaptisten yhteyksien painokertoimia Verkkoeditori-ikkunassa (Kuva 13) ( Muokkaa → Verkko…). Kynnysarvo on kynnysarvo, joka vähennetään neuronin syötearvosta. VAR1:n arvo (kuvassa 13) on yhteyden painotuskerroin.

Tason numero on määritetty kentässä Kerros. Tässä ikkunassa voit tarkastella (asettaa) kunkin kerroksen neuronin aktivointifunktiota (Act fn -kenttä).

	Kuva 13 – Ikkunat koulutetun verkon parametrien katseluun

Paketissa STATISTICA Neuraaliverkot mahdollisuus tarjotaan automaattinen tunnistus parhaan verkon rakenteet harjoitustietojoukolle (ominaisuus saatavilla osoitteessa Tiedosto → Uusi → Älykäs ongelmanratkaisu).

Algoritmi verkkotoiminnalle paketissa STATISTICA Neuraaliverkot.

1 Syötetietojen normalisointi:

,

Jossa - normalisointikerroin; , enimmäis- ja minimiarvot j- koulutusnäytteen th muuttuja; i– koulutusnäytteen rivinumero.

Huomautus - Harjoitusnäytetietojen tarkastelemiseksi ja analysoimiseksi on kätevää käyttää Muokkaa → Tapaukset → Sekoitus → Ryhmäjoukot -toimintoa.

2 Syöttövektorin jakautuminen seuraavaan kerrokseen sopivalla painokertoimella (katso. Muokkaa → Verkko…).

3 Vähentämällä kunkin neuronin kynnysarvo (katso. Muokkaa → Verkko… ala Theshold).

4 Hermosolujen aktivaatiofunktion laskeminen (tulokset katso kohdasta Suorita → Aktivoinnit…).

5 Toista vaiheet kaikille verkkotasoille.

6 Verkon lähdön laskenta ottaen huomioon normalisointikertoimen:

, missä on opetusnäytteen lähtömuuttujan vähimmäisarvo, t– lähtömuuttujan numero, – lähtömuuttujan normalisointikerroin t, on normalisoitu verkon lähtöarvo, joka on laskettu viimeiselle kerrokselle.

Turvakysymykset

1 Mikä on neuroverkko ja mitkä ovat sen pääominaisuudet?

2 Mikä on neuronin rakenne?

3 Mitä aktivointitoimintoja voidaan käyttää neuroverkoissa?

5 Mitä toimintoja syöttökerros suorittaa monikerroksisessa verkossa?

6 Onko mahdollista kouluttaa hermoverkkoa ilman piilotettua kerrosta?

7 Mitä on neuroverkkojen koulutus?

8 Miksi yhtä oppimisalgoritmeista kutsutaan "backpropagation algoritmiksi"?

9 Mitä eroa on ohjatulla ja ohjaamattomalla oppimisella?

10 Miksi hermoverkon tulo- ja lähtösignaalit on normalisoitava, ts. vähennetty alueelle?

Viitteet

1 Fogelman Soulie F. Neuroverkot, uusinta tekniikkaa, hermolaskenta. -Lontoo: IBC Technical Services, 1991.

2 Gorban A. Neuroinformatiikka ja sen sovellukset // Avoimet järjestelmät. -1998. -Nro 4 - 5. -S. 36-41.

3 Robert Hecht-Nielsen. Neurocomputing: historia, tila, näkymät // Open Systems. -1998. -Ei 4-5. -KANSSA. 23-28.

4 Rosenblatt F. Neurodynamiikan periaatteet. Perceptronit ja aivojen mekanismien teoria. -M.: Mir, 1965.

5 Gordienko E.K., Lukyanitsa A.A. Keinotekoiset neuroverkot. I Perusmääritelmät ja -mallit // Izv. RAS. Tekninen kybernetiikka. -1994. -Ei 5. -S. 79-92.

6 Korotky S.G. Neuroverkot: backpropagation algoritmi. -BYTE/Venäjä. -2000. -Ei 5. -S. 26-29.

7 Sveshnikov S.V., Shkvar A.M. Neurotekniset tiedonkäsittelyjärjestelmät. -Kiova: Naukova Dumka, 1983. -222 s.

8 Neuroverkkoja käyttävät älykkäät ohjausjärjestelmät: oppikirja. korvaus. / V.I. Vasiliev, B.G. Iljasov, S.S. Valeev et ai.; Ufimsk. osavaltio ilmailu tekniikka. univ. Ufa, 1997. -92 s.

9 Kulikov G.G., Breikin T.V., Arkov V.Yu. Älykäs tietojärjestelmät: oppikirja korvaus / Ufimsk. osavaltio ilmailu tekniikka. univ. -Ufa, 1999. -129 s.

10 Korotky S.G. Neuroverkot: perussäännökset // BYTE/Venäjä. -2000. -Ei 5. -S. 18-21.

11 Neuroverkkoteknologioihin perustuvat älykkäät tiedonkäsittelyjärjestelmät: oppikirja. korvaus. / Yu.I. Zozulya, Ufimsk. osavaltio ilmailu tekniikka. univ. -Ufa. -2000. -138 s.

JOHDANTO MODERNIIN NEURAALIVERKKOON

Laboratoriotyö nro 1

OHJELMISTON TUOTE STATISTICA NEURAL NETWORKS (SNN) VERSIO "SNN 7.0"

Teoksen tarkoitus on tutustu Statistica-ohjelmistotuotteeseen

Neural Networks (SNN), rakentaa hermoverkko ohjatun ratkaisutoiminnon avulla.

1. Avaa datatiedosto Fan.stw(Taulukko A.1) komennolla Tiedosto – Avata. Tämä tiedosto sisältää tietoja kahdesta luokasta - 1 ja 2, ylikuumenemisen olemassaolo ja puuttuminen.

2. Valitse joukkue Neuroverkot valikossa Analyysi avataksesi STATISTICA Neural Networks -käynnistysalustan.

Riisi. 4. Työkalun valinta

3. Välilehdellä Nopeasti laukaisualusta Neuroverkot valitse tehtävätyyppi luettelosta (in tässä tapauksessa – Luokitus) ja ratkaisumenetelmä (tässä tapauksessa – Ratkaisumestari) ja paina painiketta OK(Kuva 4). Tämän jälkeen näyttöön tulee vakiomuuttujan valintaikkuna.

4. Valitse riippuva (lähtö)muuttuja (tässä tapauksessa CLASS-muuttuja) (kuva 5).

Riisi. 5. Syötä tiedot

5. Näyttöön Ratkaisuvelhot paina painiketta OK laukaisualustalla.

Välilehdellä Nopeasti(Kuva 6) poista vaihtoehdon valinta Valitse riippumattomien muuttujien osajoukko, tässä on määritelty vain kaksi riippumatonta muuttujaa, joten molempia muuttujia käytetään syötteinä kaikille testattaville hermoverkoille. Ryhmässä Analyysin kesto on vaihtoehtoja, jotka määräävät ajan Ohjattu ratkaisu käyttää tehokkaan hermoverkon löytämiseen. Mitä pidempi Ohjattu ratkaisu toimii, sitä tehokkaampi löydetty ratkaisu on. Asenna esimerkiksi 25 verkkoa.

Analyysin tulosten perusteella voidaan tallentaa neuroverkkoja erilaisia ​​tyyppejä eri suorituskyky- ja monimutkaisuusindikaattoreilla, jotta voit lopulta valita parhaan verkon itse.

6. Syötä numero 10, johon verkot tallennetaan Ohjattu ratkaisu tallensi vain 10 parasta verkkovaihtoehtoa.

Tab Ohjattu ratkaisu – Nopeasti tulee olemaan kuvan mukainen. 6.

Riisi. 6. Analyysin asetukset

Paina painiketta OK, kohteeseen Ohjattu ratkaisu aloitti rakentamisen

neuroverkot. Tämän jälkeen näyttöön tulee valintaikkuna Koulutus käynnissä(Ohjattu ratkaisu). Joka kerta kun parannettu hermoverkko löydetään, tietotaulukkoon lisätään uusi rivi. Lisäksi ikkunan alareunassa näkyy toiminta-aika ja suoritetun tehtävän prosenttiosuus. Jos parannusta ei ole tapahtunut pitkään aikaan, paina painiketta Valmis dialogissa Koulutus käynnissä suorittaaksesi verkon hakuprosessin loppuun. Kun haku on valmis, näyttöön tulee valintaikkuna Tulokset, joka sisältää tietoa löydetyistä verkoista lisäanalyysiä varten (kuva 7).

Riisi. 7. Oppimistulokset

7. Paina -painiketta Kuvaavia tilastoja. välilehdellä Nopeasti dialogissa Tulokset näyttääksesi kaksi yhteenvetotaulukkoa: Luokitus ja Virhematriisi.

Luokittelutaulukko (kuva 8) näyttää täydelliset tiedot vastaavan ongelman ratkaisemisesta. Tässä taulukossa on useita sarakkeita jokaiselle kunkin mallin ennustamalle tulosluokalle. Esimerkiksi sarake LUOKKA.1.11 vastaa mallin 1 ennusteita OVERHEAT-luokassa muuttujalle LUOKKA. Ensimmäisellä rivillä on tietoa erityyppisten ylikuumenemisen havaintojen määrästä tiedostossa. Toinen (kolmas) rivi näyttää tiedot (jokaiselle luokalle) oikein (virheellisesti) luokiteltujen havaintojen määrästä. Neljännellä rivillä luetellaan "tuntemattomat" havainnot. Virhematriisia käytetään yleensä ongelmissa, joissa on useita

juoksutunnit.

8. Jotta voit näyttää lopulliset tilastot, sinun on avattava Analyysi(painike Tulokset rivissä Analyysi tai komentaa Jatkaa valikossa Analyysi). Ryhmässä Valintoja tulosten näyttämistä varten valitse vaihtoehto Kaikki(erikseen). Paina sitten -painiketta Kuvailevat tilastot. Lopullinen luokitustaulukko on jaettu neljään osaan. Sarakeotsikoilla on erilaiset etuliitteet: O, K, T Ja JA, jotka vastaavat koulutus-, kontrolli-, testi- ja huomiotta jätettyjä näytteitä. Oletusarvoisesti havainnot on jaettu kolmeen osajoukkoon suhteessa 2:1:1. Siten jaettiin 50 harjoitushavaintoa, 25 kontrollihavaintoa ja 25 testaushavaintoa. Näissä joukoissa neuroverkon tulokset ovat lähes samat, eli hermoverkon laatua voidaan pitää hyväksyttävänä.

Riisi. 8. Luokittelutaulukko

9. Suorittaaksesi Analyysi paina painiketta OK dialogissa Tulokset. Käynnistysalustalla, kun painat painiketta Peruuttaa kaikki rakennetut neuroverkot poistetaan. Neuroverkot on tarpeen tallentaa, jotta neuroverkkoja voidaan kouluttaa nopeasti vastaavasti, ensin löydettävä verkko, jolla on paras suorituskyky, ja sitten rakennetut neuroverkot tallennetaan myöhempää käyttöä varten. Tallenna hermoverkko valitsemalla välilehti Verkot/yhtyeet ja paina painiketta Tallenna verkkotiedosto nimellä.... (tiedoston tunniste on .snn).

Tehtävät

1. Rakenna ja kouluta hermoverkko käyttämällä Ratkaisuvelhot automatisoida ajoneuvon diagnostiikkaa määrittämällä moottorin huoltotarve seuraavien parametrien perusteella: moottorin puristus, öljynpaine, bensiinin kulutus.

2. Syötä alkutiedot taulukon mukaisesti. 1, hanki muuttujien tietyt arvot opettajalta.

3. Rakenna hermoverkko asetusten mukaisesti:

Ongelman tyyppi: luokitus;

Työkalu: Ohjattu ratkaisu;

Verkkojen lukumäärä: 25;

5. Analysoi hermoverkon rakennetta ja heijasta se raportissa.

6. Laadi raportti tehdystä työstä.

R on ilmainen ohjelmistoympäristö tilastolaskentaan ja grafiikkaan.
Se on S-kieltä ja -ympäristöä muistuttava GNU-projekti, jonka John Chambers ja hänen kollegansa kehittivät Bell Laboratoriesissa (entinen AT&T, nyt Lucent Technologies). R:tä voidaan pitää S:n erilaisena toteutuksena. Siinä on joitain tärkeitä eroja, mutta suurin osa S:lle kirjoitetusta koodista toimii muuttumattomana R:n alla

Ilmainen avoin lähdekoodi Mac Windows Linux BSD

Mitä tällä listalla on?

Luettelo sisältää ohjelmia, joilla voidaan korvata STATISTICA:lla Windows-alustat. Tämä luettelo sisältää 6 sovellusta, jotka ovat samanlaisia ​​kuin STATISTICA.

ja näyttää, kuinka dialogi järjestelmän käyttäjän kanssa järjestetään.

Kiinnitä huomiota käyttäjäystävälliseen käyttöliittymään ja työkalujen saatavuuteen , Ja Useita alinäytteenottomenetelmiä, jonka avulla käyttäjät voivat suunnitella omia verkkojaan ja valita niistä parhaat.

Joten ensinnäkin käynnistetään neuroverkot.

Vaihe 1. Aloitat laukaisualustalla (katso kuva 1).

Tässä paneelissa voit valita erityyppisiä suoritettavia analyyseja: regressio, luokittelu, aikasarjaennusteet (jatkuvalla ja kategorisella riippuvaisella muuttujalla), klusterianalyysi.

Riisi. 1. Launchpad STATISTICA Automated Neural Networks (SANN)

Valitse esim Aikasarja (regressio), jos haluat tehdä ennusteen tai Luokitus, jos luokitusongelmaa ollaan ratkaisemassa.

Painamalla painiketta OK, siirrytään tietojen valintaikkunaan.

Riisi. 2. Valintaikkuna Neuroverkot - Tietojen valinta - Pikavälilehti

Vaihe 2. Välilehdellä Nopeasti sinun tulee valita tarvittavat muuttujat analysoitavaksi. Muuttujat voivat olla jatkuvia tai kategorisia, riippuvia tai riippumattomia; lisäksi havainnot voivat kuulua eri näytteisiin.

Riisi. 3. Muuttujan valintaikkuna

Aloitteleville käyttäjille on suositeltavaa valita strategia Kokenut käyttäjä voi helposti käyttää mitä tahansa saatavilla olevaa strategiaa: Automatisoitu neuroverkko (ANN), Mukautettu hermoverkko (CNN) Ja Me valitsemme Automatisoitu neuroverkko (ANN).

Riisi. 4. Valintaikkuna Neuroverkot - Tietojen valinta - Pikavälilehti

Välilehdellä Osanäytteet (PNS ja ANS) sinun tulee asettaa haluttu tietojen jako osaotoksiin: koulutus, ohjaus ja testi. Osio voidaan asettaa satunnaisesti tai se voidaan korjata käyttämällä lisäkoodimuuttujaa.

Tässä tapauksessa käytämme satunnaista osiointia.

Riisi. 5. Valintaikkuna Neuroverkot - Tietojen valinta - Alinäytteet-välilehti (ANS ja PNS)

Tab Osanäytteet (PNS ja ANS) suunniteltu kahdelle ensimmäiselle strategialle: Automatisoitu neuroverkko (ANN) Ja Mukautettu hermoverkko (CNN); välilehdellä Alanäytteiden luominen käytetään jälkimmäiseen strategiaan: Useita alinäytteenottomenetelmiä.

Napsauta OK ja siirry vaiheeseen, jossa määritetään arkkitehtuurin parametrit.

Vaihe 3. Välilehdellä Nopeasti valintaikkuna Automatisoidut hermoverkot sinun on määritettävä verkon tyyppi, piilotettujen hermosolujen määrä, koulutettujen ja tallennettujen verkkojen määrä sekä käytettyjen virhetoimintojen tyyppi.

Ohjelma tarjoaa seuraavan tyyppisiä verkkoja: monikerroksiset perceptronit ja radiaalikantafunktioverkot.

Riisi. 6. Valintaikkuna Automaattiset hermoverkot - Pikavälilehti

Riisi. 7. Valintaikkuna Automaattiset neuroverkot - Aktivointitoiminnot MLP-välilehdelle

Välilehdellä Vaimennus Voit ottaa käyttöön painon tasausvaihtoehdon, joka säätää koulutettujen verkkojen monimutkaisuutta. Tämä on hyödyllistä, kun ongelmassa on suuri määrä syöttömuuttujia ja myös suuri määrä neuroneja piilokerroksessa.

Mutta meidän tapauksessamme emme käytä tätä.

Riisi. 8. Valintaikkuna Automaattiset hermoverkot - Vaimennus-välilehti

Nyt voimme siirtyä neuroverkkokoulutusvaiheeseen.

Vaihe 4. Aloita hermoverkon harjoittelu napsauttamalla painiketta OK.

Kuvassa näkyvässä valintaikkunassa. Kuvassa 9 näytetään joitain tietoja tällä hetkellä koulutetusta hermoverkosta. Osaamme analysoida verkkoarkkitehtuuria, seurata algoritmien iteraatioiden edistymistä ja tallentaa mallivirheitä. Regressiossa käytetään keskineliövirhettä, luokituksessa havaintojen oikean luokituksen prosenttiosuutta (kuten meidän tapauksessamme).

Riisi. 9. Valintaikkuna Neuroverkon kouluttaminen

Ohjelma siirtyy automaattisesti seuraavaan vaiheeseen.

Vaihe 5. Tulosten analyysi. Tulosikkunassa voit analysoida saatuja ratkaisuja. Ohjelma valitsee parhaat verkot ja näyttää ratkaisun laadun.

Riisi. 10. Valintaikkuna Neuroverkot - Tulokset - Ennustettu-välilehti

Voit valita tietyn verkon, mielestämme parhaan, painikkeella Valitse verkot/poista valinta.

Riisi. 11. Mallin aktivointi -valintaikkuna

Esimerkiksi yksi tapa testata on vertailla havaittuja arvoja ja ennustettuja tuloksia. Valitun verkon havaittujen ja ennustettujen arvojen vertailu, esimerkiksi koulutus- ja testisarjat.

Riisi. 12. Taulukko havaituista ja ennustetuista arvoista

Tai katso testinäytteen luokitteluvirhematriisia:

Riisi. 13. Luokittelumatriisi

Vaihe 6. Tallenna parhaat verkot tulevaa käyttöä varten, esimerkiksi automaattista ennustamista varten.

Jatkoa varten verkot tallennetaan PMML-muotoon.

Riisi. 14. Valintaikkuna Neuroverkot - Tulokset - Verkkojen tallentaminen

Riisi. 15. Tavallinen verkkotiedostojen tallennusikkuna

Vaihe 7 Suorita tallennettuja malleja uusilla tiedoilla. Joten lataamme uutta dataa, mutta niin, että muuttujat vastaavat mallien muuttujia.

Jos haluat käyttää mallia uusilla tiedoilla, voit valita vaihtoehdon käynnistyspaneelista (kuva 1) Lataa mallit aiemmista analyyseistä ja paina painiketta Lataa verkkoja.

Riisi. 16. Tavallinen verkkotiedoston valintaikkuna

Saamme:

Riisi. 17. STATISTICA Automated Neural Networks (SANN) -aloitusalusta

Valinnan jälkeen vaadittu tiedosto, kaikki asetukset määritetään automaattisesti, joten voit heti siirtyä tulosikkunaan (kaksoisnapsauttamalla painiketta OK) ja analysoida saadut tulokset.

Tämä on täsmälleen tyypillinen pakkauksen tutkimusskenaario

Näitä kirjoja voi ostaa StatSoftin toimistosta.

Suosittu johdatus nykyaikaiseen data-analyysiin ja koneoppimiseen Statistikassa

V.P. Borovikov

Tilavuus: 354 sivua.

Hinta: 1000 ruplaa.

Tietojen analysoinnin ja koneoppimisen nykyaikaiset ominaisuudet, jotka ovat nykyajan tietokoneanalytiikan trendi, käsitellään suositulla ja kiehtovalla tavalla. Esityksessä painotetaan menetelmien ymmärtämistä ja niiden soveltamista käytännön ongelmiin. "Seuraa meitä, niin opit analysoimaan dataa!" - kirjan tärkein leitmotiivi.

Klassisia tilastollisia menetelmiä kuvataan yksityiskohtaisesti, mukaan lukien monimuuttujamenetelmät: klusterianalyysi, erotteluanalyysi, moniregressio, tekijäanalyysi, pääkomponenttianalyysi, eloonjäämisanalyysi ja Cox-regressio. Erillisissä luvuissa käsitellään hermoverkkomenetelmiä, tiedonlouhintamenetelmiä, luokittelu- ja regressiopuita (CART-malleja). Esimerkkejä ihmisen toiminnan eri aloilta tarkastellaan: teollisuus, vähittäiskauppa, infoviestintä, liike-elämä, lääketiede. Erityisluvut on omistettu koneoppimismenetelmien taustalla oleville todennäköisyysteorialle ja optimointimenetelmille.

Laajalle lukijakunnalle: insinööreille, tekniikoille, esimiehille, analyytikoille, lääkäreille, tutkijoille, jotka ovat kiinnostuneita nykyaikaisista analyyttisista menetelmistä ja teknologioista data-analyysin ja koneoppimisen sekä niiden käytännön soveltamisesta.

Suosittu johdanto nykyaikaisten järjestelmien data-analyysiin TILASTO

V.P. Borovikov

Tilavuus: 288 sivua.

StatSoftin tieteellisen johtajan Vladimir Borovikovin ainutlaatuinen kirja sisältää kaiken tiedon, mitä data-analyysin alalla tunnetaan.

Yksinkertaisia, selkeitä esimerkkejä liiketaloudesta, markkinoinnista ja lääketieteestä käyttäen kuvataan nykyaikaiset tiedon analysointimenetelmät - visuaalinen analyysi ja tiedon graafinen esittäminen, kuvaavat tilastot, luokittelu- ja ennustemenetelmät.

Kirja on koulutusstandardi tietoanalyysin alalla Venäjän johtavissa yliopistoissa: MIEM HSE, Moskovan valtionyliopisto, Kuban State University jne.

Paljon huomiota kiinnitetään data-analyysin systematiikkaan aina kuvailevasta analyysistä, tietojen puhdistamisesta ja todentamisesta, visuaalisesta esittämisestä, ryhmittely- ja luokittelumenetelmistä uusimmat tekniikat hermoverkkoja ja tiedon louhintaa löytääksesi malleja tiedoistasi.

Todennäköisyysteoria, matemaattinen tilasto ja data-analyysi: Teorian ja käytännön perusteet tietokoneella. TILASTO. EXCEL. Yli 150 esimerkkiä ongelmanratkaisusta

Khalafyan A.A., Borovikov V.P., Kalaidina G.V.

Tilavuus: 320 sivua.

Hinta: 600 ruplaa.

Voit lähettää hakemuksesi osoitteeseen:

Tietotekniikan nykyinen kehitystaso mahdollistaa todennäköisyysteorian ja matemaattisten tilastojen opiskelun nostamisen uudelle koulutustasolle keskittyen tieteenalan soveltavaan osaan - matemaattiseen tilastoon ja tietokonedatan analysointiin.

Oppikirjassa hahmotellaan kombinatoriikan elementtejä, eri tavoilla todennäköisyyslaskelmat, satunnaismuuttujan käsitteet, sen toiminnalliset ja numeeriset ominaisuudet esitetään. Teoreettisen materiaalin mukana on esimerkkejä ja erityisesti valittuja tehtäviä, joiden avulla voit tutkia materiaalia syvällisesti. Siitä kerrotaan erillisessä luvussa käyttämällä Exceliä Ja TILASTO sovellettavien ongelmien ratkaisemiseen. Excel on mukana Microsoft Office ja nykyään se on yksi suosituimmista sovelluksista maailmassa. TILASTO on johtava asema tietojen analysointiohjelmien joukossa, sillä on yli miljoona käyttäjää maailmanlaajuisesti. Ohjelma on täysin venäläistetty, on luotu älyllisen tiedon portaali, joka edustaa maailmanlaajuista multimediaresurssia laajalle käyttäjäjoukolle: koululaisille, opiskelijoille, jatko-opiskelijoille - kaikille, jotka haluavat kehittää älyään, tutustua nykyaikaiset tekniikat tietokoneanalyysi tiedot.

Oppikirja on suunnattu laajalle joukolle korkeampaa matematiikkaa opiskeleville opiskelijoille ja opettajille, opiskelijoille, humanististen ja luonnontieteiden kandidaateille ei-matematiikan aloilla.

Neuroverkot STATISTICA Neuraaliverkot: Nykyaikaisen data-analyysin metodologia ja tekniikka

Ed. V.P. Borovikova

Tilavuus: 392 sivua.

Voit lähettää hakemuksesi osoitteeseen:

Kirjassa hahmotellaan paketin käyttöön perustuvia hermoverkkomenetelmiä tiedon analysointiin STATISTICA Neuraaliverkot, täysin sovitettu venäläiselle käyttäjälle.

Neuroverkkojen teorian perusteet esitetään; paljon huomiota kiinnitetään käytännön ongelmien ratkaisemiseen, pakettia hyödyntävän tutkimuksen metodologiaa ja teknologiaa tarkastellaan kokonaisvaltaisesti STATISTICA Neuraaliverkot – tehokas työkalu data-analyysi, riippuvuuden rakentaminen, ennustaminen, luokittelu.

Tällä hetkellä neuroverkkoja käytetään intensiivisesti pankkitoiminnassa, teollisuudessa, markkinoinnissa, taloustieteessä, lääketieteessä ja muilla aloilla, joilla tarvitaan ennustamista ja syvällistä tiedon ymmärtämistä. On yleisesti hyväksyttyä, että neuroverkot ovat luonnollinen täydennys klassisille analyysimenetelmille ja niitä käytetään missä vakiomenettelyjä eivät anna toivottua vaikutusta.

Kirja sisältää monia esimerkkejä data-analyysistä, käytännön suosituksia analysointia, ennustamista, luokittelua, hahmontunnistusta, tuotantoprosessin hallintaa varten hermoverkkojen avulla.

Kirja on hyödyllinen lukuisille lukijoille, jotka tekevät tutkimusta pankki-, teollisuus-, liike-, geologisen tutkimuksen, hallinnon, liikenteen ja muiden alojen tutkimuksesta.

TILASTO: Tietojen analysoinnin taide tietokoneella (2. painos)

+ Multimedia oppikirja StatSoft

V. P. Borovikov

Tilavuus: 700 sivua.

Kirja on tällä hetkellä loppu. Kirjasta on suunnitteilla uusi painos lähitulevaisuudessa. Lähetä hakemuksesi osoitteeseen:

Kirja on perustavanlaatuisin teksti nykyaikaisesta data-analyysistä ja sisältää noin 700 sivua kuvauksia data-analyysimenetelmistä ja -menettelyistä. Kirjan toinen painos on täydennetty uudella materiaalilla, joka ei sisälly siihen edellinen versio kirjat, erityisesti: kuvaa tehoanalyysiä, otoskoon arviointia, osittaiskorrelaatioita, pääkomponenttianalyysiä, antaa uuden tulkinnan hermoverkoista ja paljon muuta. Kirjan mukana tulee CD, josta löydät demoversiot. ohjelmistotuotteita StatSoft, esimerkkejä data-analyysistä, kuuluisa sähköinen StatSoft-oppikirja, teollisuustilastojen oppikirja, koulutusmateriaalit sekä valtava määrä tietoa koulutukseen ja itsenäiseen tutkimukseen.

Toisen painoksen pääpiirre on uusi luku kielestä TILASTO Visual Basic (SVB), joka laajentaa järjestelmän ominaisuuksia TILASTO ja antaa käyttäjille mahdollisuuden luoda omia sovelluksiaan.

Käytännössä todellista dataa esimerkkinä kirjassa kuvataan yksityiskohtaisesti järjestelmän data-analyysin peruskäsitteet. TILASTO: kuvaileva ja visuaalinen analyysi, ehdollisuustaulukkoanalyysi, suhteiden rakentaminen, moninkertainen regressio, selviytymisanalyysi, ei-parametriset menetelmät, vastaavuusanalyysi, hermoverkot, luokittelu ja ennustaminen hermoverkkojen avulla, laadunvalvonta, kokeellinen suunnittelu, mukaan lukien laaja valikoima suunnitelmia ja paljon muuta .

Kirjan erikoisuus on, että et vain näe analyysin tuloksia, vaan voit myös toistaa ne jälkeenmme järjestelmässä TILASTO Siten käyttämällä StatSoftin uusimpia tietokonetietojen analysointitekniikoita opit vaihe vaiheelta analysoimaan ja ymmärtämään tietoja.

Tämä perusjulkaisu on tarkoitettu järjestelmän laajimmalle lukija- ja käyttäjäjoukolle. TILASTO jotka haluavat tulla tietoanalyysin ammattilaisiksi eri aloilla: liiketoiminta, markkinointi, talous, hallinto, taloustiede, teollisuus, vakuutus, lääketiede ja muut sovellukset.

Ennuste järjestelmässä TILASTO WINDOWS-ympäristössä

V.P. Borovikov, G.I. Ivchenko

Tilavuus: 368 sivua.

Kirja on tällä hetkellä loppu.

Ensikäden ennustamisen salaisuudet.

Kirjan erikoisuus on kahden toisiinsa liittyvän ja toisiaan täydentävän osan yhdistelmä: käytännöllinen, jossa yksityiskohtaisesti, tärkeimpien vaihtoehtojen ja valintaikkunat, kuvataan ennustaminen järjestelmän nykyaikaisessa versiossa TILASTO, ja teoreettinen, jossa hahmotellaan stokastisen ennustamisen teorian keskeiset ideat, menetelmät ja tulokset.

Tekijöiden mukaan teorian ja käytännön synteesin tulisi johtaa siihen, että lukija ei vain hallitse ennustamisen menetelmiä ja tekniikoita mekaanisesti, vaan saa niihin liittyvän ymmärryksen: matemaattisten perusteiden tuntemisesta käytännön taitojen hankkimiseen. järjestelmässä TILASTO.

Kirja perustuu Moskovan osavaltion elektroniikka- ja matematiikan instituutin (MGIEM - Technical University) kirjoittajien kurssiin. Sovellus sisältää kattavan englannin-venäläisen sanakirjan perusennustetermeistä.
Kirja on suunnattu ennustemenetelmiä jokapäiväisessä toiminnassa käyttäville tiedemiehille, analyytikoille ja asiantuntijoille, ja sitä voivat käyttää myös korkeakoulujen opettajat ennustuksen ja matemaattisen tilastotieteen kursseja opettaessaan.

Geostatistiikka. Teoria ja käytäntö

V.V. Demyanov, E.A. Saveljeva

Tilavuus: 327 sivua.

Kirja on tällä hetkellä loppu.

Tämä kirja vastaa kysymyksiin:
- mitä on geostatistiikka?
- mitä menetelmiä spatiaaliseen interpolointiin on olemassa?
- mitä kriging on?
- Miten variogrammi on hyödyllinen?
- miksi tarvitsemme stokastista mallintamista?
ja monet muut

Monografiassa kuvataan yksityiskohtaisesti geostatistiikan menetelmät ja niihin liittyvät tilamallinnuksen osa-alueet. Teorian esittelyyn liittyy esimerkkejä mallien käytöstä eri aloilla: ekologia, geologia, hydrogeologia, öljyntuotanto, energia, kalatalouden arviointi jne. Viimeisessä osiossa hahmotellaan modernin geostatistisen teorian kehityssuunnat. Julkaisua voidaan käyttää opetuksen apuvälineenä.

Kirjan materiaali esitetään asteittain monimutkaisena. Siellä on kysymyksiä ja harjoituksia hankitun tiedon vahvistamiseksi. Kirja sisältää liitteitä, joiden avulla sitä voidaan käyttää geostatistiikan hakuteoksena.

StatSoft Data Analysis Academy tarjoaa myös laajan valikoiman kursseja nykyaikaisista geoanalytiikan alan data-analyysin menetelmistä ja teknologioista.

Teollisuustilastot. Laadunvalvonta, prosessianalyysi, kokeiden suunnittelu paketissa TILASTO

Khalafyan A.A.

Tilavuus: 384 sivua.

Kirja on tällä hetkellä loppu.

Tämä julkaisu on omistettu kuvailemaan tilastollisia menetelmiä, joiden avulla rajoitetuilla analysoitujen tuotteiden määrillä voidaan arvioida valmistettujen tuotteiden laatua tietyllä tarkkuudella ja luotettavuudella. Tuotteiden laadun tilastollinen analyysi varmistaa, että oikea johdon päätöksiä ei intuition perusteella, vaan tieteellisten menetelmien avulla, joilla tunnistetaan malleja kertyneistä numeerisen tiedon ryhmistä.

Oppikirja kattaa sellaiset teollisuustilastojen osat kuin: laadunvalvontakortit; prosessianalyysi; kuusi sigmaa; kokeiden suunnittelu maailmankuulussa paketissa TILASTO. Annettu yksityiskohtainen kuvaus teknologiat ohjelmamoduulien kanssa työskentelyyn.

Julkaisu on suunnattu taloustieteen, laadunhallinnan, standardoinnin ja metrologian, metrologian, standardoinnin ja sertifioinnin opiskelijoille, jatko-opiskelijoille, tutkijoille, yliopiston opettajille, analyytikoille ja johtajille sekä kaikille kiinnostuneille. tilastollisissa menetelmissä laadunhallinnassa .

Kuinka voittaa maailmanmestaruus. Matemaattisten tilastojen menetelmät jalkapallon hallinnassa

Petrunin Yu.Yu., Ryazanov M.A.

Tilavuus: 56 sivua.

Kirja on tällä hetkellä loppu.

Nykyaikaiset tilasto- ja data-analyysimenetelmät ovat johtaneet uusien tieteenalojen – jalkapallonomiikan ja jalkapallometriikan – luomiseen. Niissä kehitetyn laitteiston avulla voidaan arvioida valtion (urheiluministeriö) ja voittoa tavoittelemattomien järjestöjen (jalkapalloliitot ja liitot) työn laatua, kehittää ja soveltaa säätelyvaikutusmenetelmiä, joilla voidaan nostaa kansallisen jalkapallon tasoa. ja sen arvovaltaa maailmannäyttämöllä.

TILASTO– Pika-aloitusopas

Tilavuus: 250 sivua.

Kirja on tällä hetkellä loppu.

Kirjassa hahmotellaan järjestelmän kanssa työskentelyn perusperiaatteet, käsitellään työkalurivejä, käyttöliittymää, datatiedostoja ja käytännön esimerkkejä paketin käytöstä. Järjestelmän asettamiseen on omistettu erillinen luku. Kirja sisältää myös kattavan hakuteoksen, joka antaa lyhyesti tietoa järjestelmän yleisimmin käytetyistä käytännöistä, toiminnoista ja ominaisuuksista. TILASTO ja aihehakemisto.