ნერვული ქსელების სტატისტიკის ანალიზი 10. STATISTICA-ს ჩანაცვლების ალტერნატივები

მონაცემების გახსნის შემდეგ ST ნერვული ქსელებიშესთავაზებს ავტომატურ კონსტრუქციულ ფუნქციას (ფანჯარა ინტელექტუალური პრობლემების გადამწყვეტი). ამ ეტაპზე აუცილებელია ამ ფუნქციის მიტოვება ( გაუქმება).

ST ნერვული ქსელში ახალი ფაილის გახსნისას, ყველა ცვლადი ჩაითვლება შეყვანად. გამომავალი ცვლადები უნდა იყოს მითითებული. დააწკაპუნეთ დააწკაპუნეთ მარჯვენა ღილაკითმაუსის ველში გამომავალი ცვლადების სახელწოდებით ფანჯარაში მონაცემთა ნაკრების რედაქტორი, გამოჩენილში კონტექსტური მენიუაირჩიეთ გამომავალი, სვეტის სათაურის ფერი შეიცვლება ლურჯად.

ყველა დაკვირვება უნდა დაიყოს ორ ნაწილად: ტრენინგი (გამოიყენება ნერვული ქსელის მოსამზადებლად) და კონტროლი (აუცილებელია ტრენინგის პროგრესის შესაფასებლად).

მეორე ველში საქმეებიფანჯრები მონაცემთა ნაკრების რედაქტორიმიუთითეთ საკონტროლო ნაკრების ზომა (ჩვეულებრივ, მთელი მონაცემთა ნაკრების ნახევარი მას ეთმობა), დააჭირეთ Enter. საკონტროლო დაკვირვების შემცველი რიგები მონიშნულია წითლად (მდებარეობს დაკვირვებების სიის ბოლოს). შემდეგ გამოიყენეთ Shuffle ბრძანება ( რედაქტირება → საქმეები → შერწყმა → ავარჯიშეთ და გადაამოწმეთ), ყველა დაკვირვება შემთხვევითადნაწილდება სხვადასხვა ტიპებად.

ქსელის შესაქმნელად გამოიყენეთ მენიუს ელემენტი ფაილი → ახალი → ქსელი. ჩნდება ქსელის რედაქტორის ფანჯარა (სურათი 11).

ოფციები ნაბიჯებიდა წინ გაიხედეგამოიყენება მხოლოდ დროის სერიების ამოცანებში და არ გამოიყენება ამ ნაშრომში.

ქსელის ტრენინგი.

თითოეული ტიპის ქსელისთვის გამოიყენება სპეციალური სასწავლო ალგორითმები, რომლებიც განთავსებულია მენიუს პუნქტში მატარებელი. ალგორითმის არჩევისას შემოთავაზებულია სასწავლო პარამეტრების დადგენა. მაგალითად, მრავალშრიანი პერცეპტრონის მომზადებისას უკანა გამრავლების მეთოდის გამოყენებით (Train → Multilayer Perceptrons → Back Propagation) მითითებულია შესაბამის ფანჯარაში (სურათი 12).

	სურათი 12 – ტრენინგის პარამეტრების რედაქტორის ფანჯარა

ეპოქები- ეპოქები. ადგენს ტრენინგის ციკლების რაოდენობას, რომლებიც სრულდება Train ღილაკის დაჭერით. ნაგულისხმევი მნიშვნელობა არის 100.

სწავლის მაჩვენებელი- სწავლის სიჩქარე, ადგენს ნაბიჯის ზომას წონების შეცვლისას: თუ სიჩქარე არასაკმარისია, ალგორითმი ნელა იყრის თავს, თუ სწავლის სიჩქარე იზრდება, ალგორითმი უფრო სწრაფად მუშაობს, მაგრამ ზოგიერთ პრობლემაში ამან შეიძლება გამოიწვიოს არასტაბილურობა (განსაკუთრებით თუ მონაცემები არის ხმაურიანი). სწრაფი და უხეში სწავლისთვის შესაფერისია მნიშვნელობები 0.1-დან 0.6-მდე; ზუსტი კონვერგენციის მისაღწევად საჭიროა უფრო მცირე მნიშვნელობები (მაგ. 0,01 ან თუნდაც 0,001, თუ მრავალი ათასი ეპოქაა). ზოგჯერ სასარგებლოა სწავლის დროს სიჩქარის შემცირება.

იმპულსი- ინერცია. ეს პარამეტრი აუმჯობესებს (აჩქარებს) სწავლას ისეთ სიტუაციებში, როდესაც შეცდომა მცირედ იცვლება და ასევე აძლევს ალგორითმს დამატებით სტაბილურობას, რაც ეხმარება ალგორითმს არ დარჩეს დაბალ და ლოკალურ მინიმუმებში. ამ პარამეტრის მნიშვნელობა ყოველთვის უნდა იყოს დიაპაზონში. ხშირად რეკომენდებულია მისი გამოყენება მაღალი სიჩქარესწავლა ინერციის მცირე კოეფიციენტთან ერთად და პირიქით.

ჯვარედინი გადამოწმება(ჯვარედინი ვალიდაცია) - ნერვული ქსელების მომზადების სტანდარტული გზა არის ის, რომ ქსელი ივარჯიშება ერთ-ერთ კომპლექტზე, ხოლო შედეგის შემოწმება ხდება მეორეზე; ამდენად, არც ერთი საკონტროლო ნაკრები არ გამოიყენება ვარჯიშისთვის. ეს უზრუნველყოფს დამოუკიდებელ გზას იმის შესამოწმებლად, ისწავლა თუ არა ქსელმა რაიმე სასარგებლო.

ხელახლა ინიცირება- წინა სასწავლო ციკლში, ან წინა ქსელისთვის მიღებული კონფიგურირებადი ქსელის პარამეტრების გადატვირთვა.

სასწავლო ალგორითმი იწყება ღილაკის დაჭერით მატარებელი. ყოველ ჯერზე დააჭირეთ ღილაკს მატარებელიალგორითმი ასრულებს N სასწავლო ციკლს, სადაც N არის ტრენინგის ციკლების რაოდენობა, განსაზღვრული ეპოქები.

სქემაზე ( სტატისტიკა → ტრენინგის შეცდომების გრაფიკი) ვარჯიშის დროს შესაძლებელია ქსელის შეცდომის ცვლილებაზე დაკვირვება. ტრენინგის შეცდომის გრაფიკი არის გამომავალი ძირეული საშუალო კვადრატული შეცდომის ჩვენება მთელ სასწავლო კომპლექტზე.

გრაფიკზე შეგიძლიათ დააკვირდეთ გადატვირთვის არასასურველ ეფექტს (როდესაც ქსელი კარგად სწავლობს იგივე გამომავალი მნიშვნელობების წარმოებას, როგორც ტრენინგის კომპლექტში, მაგრამ არ შეუძლია ნიმუშის განზოგადება ახალ მონაცემებზე). თავდაპირველად მცირდება როგორც სწავლის, ასევე კონტროლის შეცდომა. გადამზადების დაწყებისას, ვარჯიშის შეცდომა მცირდება, ხოლო კონტროლის შეცდომა (ჩვეულებრივ წითელი) იწყებს ზრდას. გადამოწმების შეცდომის ზრდა მიუთითებს გადამზადების დაწყებაზე და მიუთითებს იმაზე, რომ სწავლის ალგორითმი იწყებს დესტრუქციულ ხასიათს (და ამავდროულად, რომ უფრო მცირე ქსელი შეიძლება იყოს უფრო შესაფერისი).

ტრენინგის დაწყებამდე ქსელის პარამეტრების შეცვლისას, თქვენ უნდა გადატვირთოთ წინა ქსელის წონის კოეფიციენტები (კონფიგურირებული პარამეტრები). MLP ქსელისთვის გამოიყენეთ Reinitialize ღილაკი.

შეფუთვაში STATISTICA ნერვული ქსელებიუზრუნველყოფილია ექსპერიმენტის დროს საუკეთესო ქსელის ავტომატური დამახსოვრება. საუკეთესო ქსელის მნიშვნელობების აღსადგენად, დარეკეთ მენიუში მატარებელი → დამხმარე → საუკეთესო ქსელი.

ქსელის გამოყენებით მონაცემების გამოსათვლელად გამოიყენეთ მენიუს ელემენტი გაშვება: მონაცემთა ნაკრები- გაანგარიშება ყველა მონაცემისთვის წყარო ფაილი;

Single Case – ერთი დაკვირვების გამოთვლა;

ერთჯერადი– თვითნებური შეყვანის ვექტორის გაანგარიშება.

გაანგარიშება ხორციელდება შესაბამის ფანჯარაში Run ღილაკზე დაჭერით.

მუშაობს როგორც წინა შემთხვევაში, მაგრამ მხოლოდ ფაქტობრივი გამომავალი მნიშვნელობა ნაჩვენებია ცხრილებში.

მენიუს გახსნა გაშვება → ერთჯერადი, შეიყვანეთ შეყვანის მნიშვნელობები, რომლებისთვისაც გსურთ გამომავალი პროგნოზირება, დააწკაპუნეთ გაიქეცი.

თქვენ შეგიძლიათ ნახოთ ნეირონების სინაფსური კავშირების შეწონვის კოეფიციენტები ქსელის რედაქტორის ფანჯარაში (სურათი 13) ( რედაქტირება → ქსელი…). Theshold მნიშვნელობა არის ზღვრული მნიშვნელობა, რომელიც გამოკლებულია ნეირონის შეყვანის მნიშვნელობას. VAR1-ის მნიშვნელობა (სურათი 13) არის კავშირის წონის კოეფიციენტი.

ველში მითითებულია ფენის ნომერი ფენა.ამ ფანჯარაში შეგიძლიათ ნახოთ (დააყენოთ) თითოეული ფენის ნეირონის აქტივაციის ფუნქცია (Act fn ველი).

	სურათი 13 – Windows მომზადებული ქსელის პარამეტრების სანახავად

შეფუთვაში STATISTICA ნერვული ქსელებიგათვალისწინებულია შესაძლებლობა ავტომატური გამოვლენასაუკეთესო ქსელის სტრუქტურები სასწავლო მონაცემთა ნაკრებისთვის (მახასიათებელი ხელმისაწვდომია მეშვეობით ფაილი → ახალი → ინტელექტუალური პრობლემების გადაჭრა).

ქსელის მუშაობის ალგორითმი პაკეტში STATISTICA ნერვული ქსელები.

1 შეყვანის მონაცემების ნორმალიზება:

,

სად - ნორმალიზაციის კოეფიციენტი; , მაქსიმალური და მინიმალური მნიშვნელობები j-სასწავლო ნიმუშის ე ცვლადი; მე– ტრენინგის ნიმუშის ხაზის ნომერი.

შენიშვნა - ტრენინგის ნიმუშის მონაცემების სანახავად და გასაანალიზებლად მოსახერხებელია გამოიყენოთ Edit → Cases → Shuffle →Group Sets ფუნქცია.

2 შეყვანის ვექტორის განაწილება შემდეგ ფენაზე შესაბამისი შეწონვის კოეფიციენტით (იხ. რედაქტირება → ქსელი…).

3 თითოეულ ნეირონზე ზღვრული მნიშვნელობის გამოკლება (იხ. რედაქტირება → ქსელი…ველი Theshold).

4 ნეირონის აქტივაციის ფუნქციის გაანგარიშება (შედეგისთვის იხ გაშვება → აქტივაციები…).

5 გაიმეორეთ ნაბიჯები ქსელის ყველა ფენისთვის.

6 ქსელის გამომავალი გამოთვლა ნორმალიზების კოეფიციენტის გათვალისწინებით:

სად არის სასწავლო ნიმუშის გამომავალი ცვლადის მინიმალური მნიშვნელობა, ტ– გამომავალი ცვლადის რაოდენობა, – გამომავალი ცვლადის ნორმალიზაციის კოეფიციენტი ტ, არის ქსელის ნორმალიზებული გამომავალი მნიშვნელობა, რომელიც გამოითვლება ბოლო ფენისთვის.

უსაფრთხოების კითხვები

1 რა არის ნერვული ქსელი და რა არის მისი ძირითადი თვისებები?

2 როგორია ნეირონის სტრუქტურა?

3 რა აქტივაციის ფუნქციების გამოყენება შეიძლება ნერვულ ქსელებში?

5 რა ფუნქციებს ასრულებს შეყვანის ფენა მრავალშრიანი ქსელში?

6 შესაძლებელია თუ არა ნერვული ქსელის მომზადება ფარული ფენის გარეშე?

7 რა არის ნერვული ქსელების ტრენინგი?

8 რატომ ჰქვია სწავლის ერთ-ერთ ალგორითმს „უკან გავრცელების ალგორითმი“?

9 რა განსხვავებაა ზედამხედველობით სწავლებასა და ზედამხედველობის გარეშე სწავლას შორის?

10 რატომ უნდა იყოს ნორმალიზებული ნერვული ქსელის შემავალი და გამომავალი სიგნალები, ე.ი. დიაპაზონამდე შემცირდა?

ცნობები

1 Fogelman Soulie F. ნერვული ქსელები, თანამედროვე ტექნოლოგიები, ნერვული გამოთვლები. -ლონდონი: IBC Technical Services, 1991 წ.

2 Gorban A. ნეიროინფორმატიკა და მისი გამოყენება // ღია სისტემები. -1998 წ. -No 4 – 5. -S. 36 - 41.

3 რობერტ ჰეხტ-ნილსენი. ნეიროკომპიუტერი: ისტორია, სტატუსი, პერსპექტივები // ღია სისტემები. -1998 წ. -არა 4-5. -თან ერთად. 23 - 28.

4 Rosenblatt F. ნეიროდინამიკის პრინციპები. პერცეპტრონები და ტვინის მექანიზმების თეორია. -მ.: მირი, 1965 წ.

5 გორდიენკო ე.კ., ლუკიანიცა ა.ა. ხელოვნური ნერვული ქსელები. I ძირითადი განმარტებები და მოდელები // იზვ. RAS. ტექნიკური კიბერნეტიკა. -1994 წ. -არა 5. -ს. 79 - 92.

6 კოროტკი ს.გ. ნერვული ქსელები: უკან გავრცელების ალგორითმი. -BYTE/რუსეთი. -2000. -არა 5. -ს. 26-29.

7 Sveshnikov S.V., Shkvar A.M. ნეიროტექნიკური ინფორმაციის დამუშავების სისტემები. -კიევი: ნაუკოვა დუმკა, 1983. -222გვ.

8 ინტელექტუალური კონტროლის სისტემები ნერვული ქსელების გამოყენებით: სახელმძღვანელო. შემწეობა. / V.I. ვასილიევი, ბ.გ. ილიასოვი, ს.ს. ვალეევი და სხვ. უფიმსკი. სახელმწიფო ავიაცია ტექ. უნივ. უფა, 1997. -92გვ.

9 Kulikov G.G., Breikin T.V., Arkov V.Yu. ინტელექტუალური საინფორმაციო სისტემები: სახელმძღვანელო შემწეობა / Ufimsk. სახელმწიფო ავიაცია ტექ. უნივ. -უფა, 1999. -129გვ.

10 კოროტკი ს.გ. ნერვული ქსელები: ძირითადი დებულებები // BYTE/რუსეთი. -2000. -არა 5. -ს. 18-21.

11 ინფორმაციის დამუშავების ინტელექტუალური სისტემები ნერვული ქსელის ტექნოლოგიებზე დაფუძნებული: სახელმძღვანელო. შემწეობა. / Yu.I. ზოზულია, უფიმსკი. სახელმწიფო ავიაცია ტექ. უნივ. -უფა. -2000. -138 გვ.

შესავალი თანამედროვე ნერვულ ქსელში

ლაბორატორიული სამუშაო No1

პროგრამული პროდუქტის სტატისტიკური ნერვული ქსელები (SNN) ვერსია „SNN 7.0“

სამუშაოს მიზანიაგაეცანით Statistika პროგრამულ პროდუქტს

ნერვული ქსელები (SNN), შექმენით ნერვული ქსელი გადაწყვეტის ოსტატის გამოყენებით.

1. გახსენით მონაცემთა ფაილი ვენტილატორი.სტვ(ცხრილი A.1) ბრძანების გამოყენებით ფაილი – გახსენით. ეს ფაილი შეიცავს მონაცემებს ორი ტიპის კლასების შესახებ - 1 და 2, გადახურების არსებობა და არარსებობა.

2. აირჩიეთ გუნდი ნერვული ქსელებიმენიუში ანალიზი STATISTICA ნერვული ქსელების გაშვების პანელის გასახსნელად.

ბრინჯი. 4. ხელსაწყოს შერჩევა

3. ჩანართზე სწრაფიგაშვების პანელი ნერვული ქსელებიაირჩიეთ ამოცანის ტიპი სიიდან (in ამ შემთხვევაში – კლასიფიკაცია) და გადაწყვეტის მეთოდი (ამ შემთხვევაში – გადაწყვეტის ოსტატი) და დააჭირეთ ღილაკს OK(ნახ. 4). ამის შემდეგ გამოჩნდება სტანდარტული ცვლადის შერჩევის დიალოგი.

4. აირჩიეთ დამოკიდებული (გამომავალი) ცვლადი (ამ შემთხვევაში CLASS ცვლადი) (ნახ. 5).

ბრინჯი. 5. შეიტანეთ მონაცემები

5. ჩვენებისთვის გადაწყვეტის ოსტატებიდააჭირეთ ღილაკს OKგაშვების ბალიშზე.

ჩანართზე სწრაფი(ნახ. 6) არჩევის გაუქმება აირჩიეთ დამოუკიდებელი ცვლადების ქვეჯგუფი, აქ მხოლოდ ორი დამოუკიდებელი ცვლადია განსაზღვრული, ამიტომ ორივე ცვლადი გამოყენებული იქნება როგორც შემავალი ყველა ტესტირებადი ნერვული ქსელისთვის. ჯგუფში ანალიზის ხანგრძლივობაარის ვარიანტები, რომლებიც განსაზღვრავს დროს, რომ გადაწყვეტის ოსტატიდახარჯავს ეფექტური ნერვული ქსელის პოვნაზე. რაც უფრო გრძელია გადაწყვეტის ოსტატიიმუშავებს, მით უფრო ეფექტური იქნება ნაპოვნი გამოსავალი. მაგალითად, დააინსტალირეთ 25 ქსელი.

ანალიზის შედეგების საფუძველზე შესაძლებელია ნერვული ქსელების შენახვა სხვადასხვა სახისშესრულებისა და სირთულის განსხვავებული ინდიკატორებით, რათა საბოლოოდ თავად აირჩიოთ საუკეთესო ქსელი.

6. შეიყვანეთ ნომერი 10 ქსელების შესანახად გადაწყვეტის ოსტატიშეინახა მხოლოდ 10 საუკეთესო ქსელის ვარიანტი.

ჩანართი გადაწყვეტის ოსტატი – სწრაფიექნება ნახ. 6.

ბრინჯი. 6. პარამეტრები ანალიზისთვის

დააჭირეთ ღილაკს OK, რათა გადაწყვეტის ოსტატიდაიწყო მშენებლობა

ნერვული ქსელები. ამის შემდეგ გამოჩნდება დიალოგი ტრენინგი მიმდინარეობს(გადაწყვეტის ოსტატი). ყოველ ჯერზე გაუმჯობესებული ნერვული ქსელის აღმოჩენისას, ახალი სტრიქონი დაემატება საინფორმაციო ცხრილში. გარდა ამისა, ოპერაციული დრო და შესრულებული დავალების პროცენტი ნაჩვენებია ფანჯრის ბოლოში. თუ გაუმჯობესება არ მომხდარა დიდი ხნის განმავლობაში, დააჭირეთ ღილაკს მზადაადიალოგში ტრენინგი მიმდინარეობსქსელის ძიების პროცესის დასასრულებლად. ძიების დასრულების შემდეგ გამოჩნდება დიალოგი შედეგები, რომელიც შეიცავს ინფორმაციას ნაპოვნი ქსელების შესახებ შემდგომი ანალიზისთვის (ნახ. 7).

ბრინჯი. 7. სწავლის შედეგები

7. დააჭირეთ ღილაკს აღწერილობითი სტატისტიკა. ჩანართზე სწრაფიდიალოგში შედეგებიორი შემაჯამებელი ცხრილის ჩვენება: კლასიფიკაცია და შეცდომის მატრიცა.

კლასიფიკაციის ცხრილი (ნახ. 8) გვიჩვენებს სრული ინფორმაციაშესაბამისი პრობლემის გადაჭრის შესახებ. ამ ცხრილში არის მრავალი სვეტი თითოეული მოდელის მიერ პროგნოზირებული გამომავალი კლასისთვის. მაგალითად, სვეტი წარწერით CLASS.1.11 შეესაბამება მოდელი 1-ის პროგნოზებს ცვლადის OVERHEAT კლასში. კლასი. პირველი ხაზი გვაწვდის ინფორმაციას მონაცემთა ფაილში სხვადასხვა სახის გადახურების დაკვირვების რაოდენობის შესახებ. მეორე (მესამე) ხაზი აჩვენებს მონაცემებს (თითოეული კლასისთვის) სწორად (არასწორად) კლასიფიცირებული დაკვირვებების რაოდენობის შესახებ. მეოთხე სტრიქონში ჩამოთვლილია „უცნობი“ დაკვირვებები. შეცდომის მატრიცა ჩვეულებრივ გამოიყენება რამდენიმე პრობლემის დროს

გაშვებული კლასები.

8. საბოლოო სტატისტიკის საჩვენებლად, თქვენ უნდა გახსნათ ანალიზი(ღილაკი შედეგებირიგში ანალიზიან ბრძანება განაგრძეთმენიუში ანალიზი). ჯგუფში არჩევანი შედეგების ჩვენებისთვისაირჩიეთ ვარიანტი ყველა(ცალკე). შემდეგ დააჭირეთ ღილაკს აღწერითი სტატისტიკა. საბოლოო კლასიფიკაციის ცხრილი დაყოფილია ოთხ ნაწილად. სვეტების სათაურებს განსხვავებული პრეფიქსი აქვს: ო, კ, ტდა და, რომლებიც შეესაბამება ტრენინგს, კონტროლს, ტესტირებას და იგნორირებული ნიმუშებს, შესაბამისად. ნაგულისხმევად, დაკვირვებები იყოფა სამ ქვეჯგუფად 2:1:1 თანაფარდობით. ამრიგად, გამოიყო 50 სასწავლო დაკვირვება, 25 საკონტროლო და 25 ტესტირების დაკვირვება. ამ კომპლექტებზე ნერვული ქსელის შედეგები თითქმის ერთნაირია, ანუ ნერვული ქსელის ხარისხი შეიძლება ჩაითვალოს მისაღები.

ბრინჯი. 8. კლასიფიკაციის ცხრილი

9. დასასრულებლად ანალიზიდააჭირეთ ღილაკს OKდიალოგში შედეგები. გაშვების ბალიშზე, როდესაც დააჭირეთ ღილაკს გაუქმებაყველა აშენებული ნერვული ქსელი წაიშლება. აუცილებელია ნეირონული ქსელების შენახვა, რათა შესაბამისად მოხდეს ნერვული ქსელების სწრაფად მომზადება, ჯერ იპოვონ საუკეთესო შესრულებით ქსელი, შემდეგ კი აშენებული ნერვული ქსელები შეინახება შემდგომი გამოყენებისთვის. ნერვული ქსელის შესანახად აირჩიეთ ჩანართი ქსელები/ანსამბლებიდა დააჭირეთ ღილაკს ქსელის ფაილის შენახვა როგორც.... (ფაილს აქვს გაფართოება .snn).

სტუმარი

1. შექმენით და მოამზადეთ ნერვული ქსელი გამოყენებით გადაწყვეტის ოსტატებიავტომობილის დიაგნოსტიკის ავტომატიზირება, ძრავის კაპიტალური შეკეთების საჭიროების განსაზღვრა შემდეგი პარამეტრების მიხედვით: ძრავის შეკუმშვა, ზეთის წნევა, ბენზინის მოხმარება.

2. შეიყვანეთ საწყისი მონაცემები ცხრილის შესაბამისად. 1, მიიღეთ მასწავლებლისგან ცვლადების კონკრეტული მნიშვნელობები.

3. შექმენით ნერვული ქსელი პარამეტრების შესაბამისად:

პრობლემის ტიპი: კლასიფიკაცია;

ინსტრუმენტი: Solution Wizard;

ქსელების რაოდენობა: 25;

5. ნერვული ქსელის აგების ანალიზი და ანგარიშში ასახვა.

6. შესრულებული სამუშაოს შესახებ ანგარიშის მომზადება.

R არის უფასო პროგრამული უზრუნველყოფის გარემო სტატისტიკური გამოთვლისა და გრაფიკისთვის.
ეს არის GNU პროექტი, S ენისა და გარემოს მსგავსი, რომელიც შეიქმნა Bell Laboratories-ში (ყოფილი AT&T, ახლა Lucent Technologies) ჯონ ჩემბერსი და მისი კოლეგები. R შეიძლება ჩაითვალოს S-ის განსხვავებულ განხორციელებად. არის მნიშვნელოვანი განსხვავებები, მაგრამ S-ისთვის დაწერილი კოდების უმეტესობა უცვლელად მუშაობს R-ში.

უფასო ღია წყარო Mac Windows Linux BSD

რა არის ამ სიაში?

სია შეიცავს პროგრამებს, რომლებიც შეიძლება გამოყენებულ იქნას STATISTICA-ით ჩანაცვლებისთვის ვინდოუსის პლატფორმები. ეს სია შეიცავს STATISTICA-ს მსგავს 6 აპლიკაციას.

და აჩვენეთ როგორ არის ორგანიზებული დიალოგი სისტემის მომხმარებელთან.

ყურადღება მიაქციეთ მოსახერხებელი ინტერფეისს და ხელსაწყოების ხელმისაწვდომობას , და მრავალჯერადი ქვენიმუშების მეთოდი, საშუალებას აძლევს მომხმარებლებს შექმნან საკუთარი ქსელები და აირჩიონ საუკეთესო.

ასე რომ, პირველ რიგში, მოდით გავუშვათ ნერვული ქსელები.

ნაბიჯი 1.თქვენ იწყებთ გაშვების ბალიშით (შეხედეთ სურათს 1).

ამ პანელში შეგიძლიათ აირჩიოთ სხვადასხვა ტიპის ანალიზი, რომელიც უნდა შეასრულოთ: რეგრესია, კლასიფიკაცია, დროის სერიების პროგნოზირება (უწყვეტი და კატეგორიული დამოკიდებული ცვლადით), კლასტერული ანალიზი.

ბრინჯი. 1. გაშვების ბალიშები STATISTICA ავტომატური ნერვული ქსელები (SANN)

აირჩიეთ მაგალითად დროის სერია (რეგრესია), თუ გინდათ პროგნოზის გაკეთება, ან კლასიფიკაცია, თუ კლასიფიკაციის პრობლემა წყდება.

ღილაკზე დაჭერით OK, მოდით გადავიდეთ მონაცემთა შერჩევის დიალოგურ ფანჯარაზე.

ბრინჯი. 2. დიალოგური ფანჯარა ნერვული ქსელები - მონაცემთა შერჩევა - სწრაფი ჩანართი

ნაბიჯი 2.ჩანართზე სწრაფითქვენ უნდა აირჩიოთ ანალიზისთვის საჭირო ცვლადები. ცვლადები შეიძლება იყოს უწყვეტი ან კატეგორიული, დამოკიდებული ან დამოუკიდებელი; გარდა ამისა, დაკვირვებები შეიძლება ეკუთვნოდეს სხვადასხვა ნიმუშებს.

ბრინჯი. 3. ცვლადის შერჩევის ფანჯარა

ახალბედა მომხმარებლებისთვის რეკომენდებულია სტრატეგიის არჩევა გამოცდილ მომხმარებელს შეუძლია ადვილად გამოიყენოს ნებისმიერი ხელმისაწვდომი სტრატეგია: ავტომატური ნერვული ქსელი (ANN), მორგებული ნერვული ქსელი (CNN)და ჩვენ ვირჩევთ ავტომატური ნერვული ქსელი (ANN).

ბრინჯი. 4. დიალოგური ყუთი ნერვული ქსელები - მონაცემთა შერჩევა - სწრაფი ჩანართი

ჩანართზე ქვენიმუშები (PNS და ANS)თქვენ უნდა დააყენოთ მონაცემების სასურველი დაყოფა ქვენიმუშებად: ტრენინგი, კონტროლი და ტესტი. დანაყოფი შეიძლება დაყენდეს შემთხვევით, ან შეიძლება დაფიქსირდეს დამატებითი კოდის ცვლადის გამოყენებით.

ამ შემთხვევაში, ჩვენ გამოვიყენებთ შემთხვევით დაყოფას.

ბრინჯი. 5. დიალოგის ფანჯარა ნერვული ქსელები - მონაცემთა შერჩევა - ქვენიმუშების ჩანართი (ANS და PNS)

ჩანართი ქვენიმუშები (PNS და ANS)განკუთვნილია პირველი ორი სტრატეგიისთვის: ავტომატური ნერვული ქსელი (ANN)და მორგებული ნერვული ქსელი (CNN); ჩანართში ქვენიმუშების შექმნაგამოიყენება უკანასკნელი სტრატეგიისთვის: მრავალჯერადი ქვენიმუშების მეთოდი.

დააწკაპუნეთ OKდა გადადით არქიტექტურის პარამეტრების დაზუსტების საფეხურზე.

ნაბიჯი 3.ჩანართზე სწრაფიდიალოგური ფანჯარა ავტომატური ნერვული ქსელებითქვენ უნდა მიუთითოთ ქსელის ტიპი, ფარული ნეირონების რაოდენობა, მომზადებული და შენახული ქსელების რაოდენობა და გამოყენებული შეცდომის ფუნქციების ტიპი.

პროგრამა გთავაზობთ შემდეგი ტიპის ქსელებს: მრავალშრიანი პერცეპტრონები და რადიალური ბაზის ფუნქციონალური ქსელები.

ბრინჯი. 6. დიალოგური ფანჯარა ავტომატური ნერვული ქსელები - სწრაფი ჩანართი

ბრინჯი. 7. დიალოგური ფანჯარა ავტომატური ნერვული ქსელები - MLP ჩანართის აქტივაციის ფუნქციები

ჩანართზე შესუსტებათქვენ შეგიძლიათ ჩართოთ წონის რეგულაციის ვარიანტი, რომელიც დაარეგულირებს გაწვრთნილი ქსელების სირთულეს. ეს სასარგებლოა, როდესაც პრობლემას აქვს დიდი რაოდენობით შეყვანის ცვლადები და ასევე დიდი რაოდენობით ნეირონები ფარულ შრეში.

მაგრამ ჩვენს შემთხვევაში ჩვენ ამას არ გამოვიყენებთ.

ბრინჯი. 8. დიალოგის ფანჯარა ავტომატური ნერვული ქსელები - Attenuation tab

ახლა ჩვენ შეგვიძლია გადავიდეთ ნერვული ქსელის ტრენინგის საფეხურზე.

ნაბიჯი 4.დაიწყეთ ნერვული ქსელის ტრენინგის პროცედურა ღილაკზე დაჭერით OK.

დიალოგურ ფანჯარაში, რომელიც ნაჩვენებია ნახ. 9, ნაჩვენებია გარკვეული ინფორმაცია ამჟამად მომზადებული ნერვული ქსელის შესახებ. ჩვენ შეგვიძლია გავაანალიზოთ ქსელის არქიტექტურა, დავაკვირდეთ ალგორითმის გამეორებების პროგრესს და ჩავწეროთ მოდელის შეცდომები. რეგრესიისთვის გამოიყენება საშუალო კვადრატული ცდომილება, კლასიფიკაციისთვის გამოყენებულია დაკვირვებების სწორი კლასიფიკაციის პროცენტი (როგორც ჩვენს შემთხვევაში).

ბრინჯი. 9. დიალოგის ყუთი ნერვული ქსელის მომზადება

პროგრამა ავტომატურად გადადის შემდეგ ეტაპზე.

ნაბიჯი 5.შედეგების ანალიზი. შედეგების ფანჯარაში შეგიძლიათ გაანალიზოთ მიღებული გადაწყვეტილებები. პროგრამა შეარჩევს საუკეთესო ქსელებიდა აჩვენებს ხსნარის ხარისხს.

ბრინჯი. 10. დიალოგური ყუთი ნერვული ქსელები - შედეგები - პროგნოზირებული ჩანართი

თქვენ შეგიძლიათ აირჩიოთ კონკრეტული ქსელი, ჩვენი აზრით საუკეთესო, ღილაკის გამოყენებით ქსელების არჩევა/მოხსნა.

ბრინჯი. 11. მოდელის გააქტიურების დიალოგური ფანჯარა

მაგალითად, შემოწმების ერთ-ერთი გზაა დაკვირვებული მნიშვნელობებისა და პროგნოზირებული შედეგების შედარება. შერჩეული ქსელისთვის დაკვირვებული და პროგნოზირებული მნიშვნელობების შედარება, მაგალითად, ტრენინგი და ტესტის ნაკრები.

ბრინჯი. 12. დაკვირვებული და პროგნოზირებული სიდიდეების ცხრილი

ან შეხედეთ კლასიფიკაციის შეცდომის მატრიცას ტესტის ნიმუშზე:

ბრინჯი. 13. კლასიფიკაციის მატრიცა

ნაბიჯი 6.შეინახეთ საუკეთესო ქსელები მომავალი გამოყენებისთვის, მაგალითად, ავტომატური პროგნოზირებისთვის.

შემდგომი გაშვებისთვის, ქსელები ინახება PMML ფორმატში.

ბრინჯი. 14. დიალოგური ფანჯარა ნერვული ქსელები - შედეგები - ქსელების შენახვა

ბრინჯი. 15. სტანდარტული ქსელის ფაილების შენახვის ფანჯარა

ნაბიჯი 7შენახული მოდელების გაშვება ახალ მონაცემებზე. ასე რომ, ჩვენ ვტვირთავთ ახალ მონაცემებს, მაგრამ ისე, რომ ცვლადები ემთხვეოდეს მოდელებში არსებულ ცვლადებს.

მოდელის ახალ მონაცემებზე გასაშვებად, შეგიძლიათ აირჩიოთ ვარიანტი გაშვების პანელზე (ნახ. 1) ჩატვირთეთ მოდელები წინა ანალიზებიდანდა დააჭირეთ ღილაკს ჩატვირთეთ ქსელები.

ბრინჯი. 16. სტანდარტული ქსელის ფაილის შერჩევის ფანჯარა

ჩვენ ვიღებთ:

ბრინჯი. 17. STATISTICA ავტომატური ნერვული ქსელების (SANN) გაშვების საყრდენი

შერჩევის შემდეგ საჭირო ფაილი, ყველა პარამეტრი ავტომატურად განისაზღვრება, ასე რომ თქვენ შეგიძლიათ დაუყოვნებლივ გადახვიდეთ შედეგების ფანჯარაში (ღილაკზე ორჯერ დაჭერით OK) და გააანალიზეთ მიღებული შედეგები.

ეს არის ზუსტად ტიპიური კვლევის სცენარი პაკეტში

ამ წიგნების შეძენა შესაძლებელია StatSoft ოფისიდან.

პოპულარული შესავალი მონაცემთა თანამედროვე ანალიზისა და მანქანური სწავლების შესახებ სტატისტიკაზე

ვ.პ. ბოროვიკოვი

მოცულობა: 354 გვერდი.

ფასი: 1000 რუბლი.

მონაცემთა ანალიზისა და მანქანათმცოდნეობის თანამედროვე შესაძლებლობები, რაც თანამედროვე კომპიუტერული ანალიტიკის ტენდენციაა, დაფარულია პოპულარული და მომხიბლავი გზით. პრეზენტაცია ხაზს უსვამს მეთოდების გაგებას და მათ გამოყენებას პრაქტიკულ პრობლემებზე. „მოგვიყევით და ისწავლით მონაცემთა ანალიზს! - წიგნის მთავარი ლაიტმოტივი.

კლასიკური სტატისტიკური მეთოდები დეტალურად არის აღწერილი, მათ შორის მრავალვარიანტული მეთოდები: კლასტერული ანალიზი, დისკრიმინაციული ანალიზი, მრავალჯერადი რეგრესია, ფაქტორული ანალიზი, ძირითადი კომპონენტის ანალიზი, გადარჩენის ანალიზი და კოქსის რეგრესია. ცალკეული თავები მოიცავს ნერვული ქსელის მეთოდებს, მონაცემთა მოპოვების მეთოდებს, კლასიფიკაციას და რეგრესიის ხეებს (CART მოდელები). განიხილება მაგალითები ადამიანის საქმიანობის სხვადასხვა სფეროდან: მრეწველობა, საცალო ვაჭრობა, ინფოკომუნიკაციები, ბიზნესი, მედიცინა. სპეციალური თავები ეძღვნება ალბათობის თეორიას და ოპტიმიზაციის მეთოდებს, რომლებიც საფუძვლად უდევს მანქანათმცოდნეობის მეთოდებს.

მკითხველთა ფართო სპექტრისთვის: ინჟინრები, ტექნოლოგები, მენეჯერები, ანალიტიკოსები, ექიმები, მკვლევარები, რომლებიც დაინტერესებულნი არიან მონაცემთა ანალიზისა და მანქანური სწავლების თანამედროვე ანალიტიკური მეთოდებითა და ტექნოლოგიებით და მათი გამოყენება პრაქტიკაში.

თანამედროვე სისტემების მონაცემთა ანალიზის პოპულარული შესავალი სტატისტიკა

ვ.პ. ბოროვიკოვი

ტომი: 288 გვერდი.

StatSoft-ის სამეცნიერო დირექტორის ვლადიმერ ბოროვიკოვის უნიკალური წიგნი შეიცავს ყველაფერს საუკეთესოს, რაც ცნობილია მონაცემთა ანალიზის სფეროში.

ბიზნესის, მარკეტინგისა და მედიცინის მარტივი, მკაფიო მაგალითების გამოყენებით აღწერილია მონაცემთა ანალიზის თანამედროვე მეთოდები - მონაცემთა ვიზუალური ანალიზი და გრაფიკული წარმოდგენა, აღწერითი სტატისტიკა, კლასიფიკაცია და პროგნოზირების მეთოდები.

წიგნი წარმოადგენს საგანმანათლებლო სტანდარტს მონაცემთა ანალიზის სფეროში რუსეთის წამყვან უნივერსიტეტებში: MIEM HSE, მოსკოვის სახელმწიფო უნივერსიტეტი, ყუბანის სახელმწიფო უნივერსიტეტი და ა.შ.

დიდი ყურადღება ეთმობა მონაცემთა ანალიზის სისტემატიკას, დაწყებული აღწერითი ანალიზიდან, მონაცემთა გაწმენდისა და გადამოწმების, ვიზუალური პრეზენტაციის, დაჯგუფებისა და კლასიფიკაციის მეთოდებიდან დაწყებული. უახლესი ტექნოლოგიებინერვული ქსელები და მონაცემთა მოპოვება, რათა იპოვოთ შაბლონები თქვენს მონაცემებში.

ალბათობის თეორია, მათემატიკური სტატისტიკა და მონაცემთა ანალიზი: თეორიისა და პრაქტიკის საფუძვლები კომპიუტერზე. სტატისტიკა. EXCEL. პრობლემის გადაჭრის 150-ზე მეტი მაგალითი

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

მოცულობა: 320 გვერდი.

ფასი: 600 რუბლი.

განაცხადის გაგზავნა შეგიძლიათ შემდეგ მისამართზე:

კომპიუტერული ტექნოლოგიების განვითარების ამჟამინდელი დონე საშუალებას იძლევა, რომ ალბათობის თეორიისა და მათემატიკური სტატისტიკის შესწავლა ახალ საგანმანათლებლო დონეზე გადავიდეს, ფოკუსირებული იყოს დისციპლინის გამოყენებით ნაწილზე - მათემატიკური სტატისტიკა და კომპიუტერული მონაცემთა ანალიზი.

სახელმძღვანელოში მოცემულია კომბინატორიკის ელემენტები, სხვადასხვა გზებიმოცემულია ალბათობების გამოთვლები, შემთხვევითი ცვლადის ცნებები, მისი ფუნქციური და რიცხვითი მახასიათებლები. თეორიულ მასალას ახლავს მაგალითები და სპეციალურად შერჩეული ამოცანები, რომლებიც საშუალებას გაძლევთ სიღრმისეულად შეისწავლოთ მასალა. ცალკე თავი აღწერს Excel-ის გამოყენებითდა სტატისტიკაგამოყენებითი პრობლემების გადასაჭრელად. Excel მოყვება Microsoft Officeდა დღეს არის ერთ-ერთი ყველაზე პოპულარული აპლიკაცია მსოფლიოში. სტატისტიკაიკავებს წამყვან პოზიციას მონაცემთა ანალიზის პროგრამებს შორის, ჰყავს მილიონზე მეტი მომხმარებელი მთელს მსოფლიოში. პროგრამა მთლიანად რუსიფიცირებულია, შეიქმნა ინტელექტუალური ცოდნის პორტალი, რომელიც წარმოადგენს გლობალურ მულტიმედია რესურსს მომხმარებელთა ფართო სპექტრისთვის: სკოლის მოსწავლეები, სტუდენტები, კურსდამთავრებულები - ყველას, ვისაც ინტელექტის განვითარება სურს, გაეცნოს თანამედროვე ტექნოლოგიები კომპიუტერული ანალიზიმონაცემები.

სახელმძღვანელო მიმართულია სტუდენტებისა და მასწავლებლების ფართო სპექტრს, სტუდენტებს, ჰუმანიტარულ და საბუნებისმეტყველო მეცნიერებათა ბაკალავრებს არამათემატიკურ დარგებში, რომლებიც სწავლობენ უმაღლეს მათემატიკას.

ნერვული ქსელები STATISTICA ნერვული ქსელები: მონაცემთა თანამედროვე ანალიზის მეთოდოლოგია და ტექნოლოგია

რედ. ვ.პ. ბოროვიკოვა

მოცულობა: 392 გვერდი.

განაცხადის გაგზავნა შეგიძლიათ შემდეგ მისამართზე:

წიგნში მოცემულია მონაცემთა ანალიზის ნერვული ქსელის მეთოდები, რომლებიც დაფუძნებულია პაკეტის გამოყენებაზე STATISTICA ნერვული ქსელებისრულად ადაპტირებული რუსი მომხმარებლისთვის.

მოცემულია ნერვული ქსელების თეორიის საფუძვლები; დიდი ყურადღება ეთმობა პრაქტიკული პრობლემების გადაჭრას, სრულყოფილად არის გათვალისწინებული პაკეტის გამოყენებით კვლევის ჩატარების მეთოდოლოგია და ტექნოლოგია STATISTICA ნერვული ქსელები – ძლიერი ინსტრუმენტიმონაცემთა ანალიზი, დამოკიდებულების აგება, პროგნოზირება, კლასიფიკაცია.

ამჟამად ნერვული ქსელები ინტენსიურად გამოიყენება საბანკო, ინდუსტრიაში, მარკეტინგში, ეკონომიკაში, მედიცინაში და სხვა სფეროებში, სადაც საჭიროა პროგნოზირება და მონაცემთა სიღრმისეული გაგება. ზოგადად მიღებულია, რომ ნერვული ქსელები ანალიზის კლასიკური მეთოდების ბუნებრივი დამატებაა და გამოიყენება იქ სტანდარტული პროცედურებიარ მისცეს სასურველი ეფექტი.

წიგნი შეიცავს მონაცემთა ანალიზის მრავალ მაგალითს, პრაქტიკული რეკომენდაციებიანალიზისთვის, პროგნოზირებისთვის, კლასიფიკაციისთვის, ნიმუშის ამოცნობისთვის, წარმოების პროცესის მართვისთვის ნერვული ქსელების გამოყენებით.

წიგნი სასარგებლო იქნება მკითხველთა ფართო სპექტრისთვის, რომლებიც ჩართული არიან საბანკო, მრეწველობის, ბიზნესის, გეოლოგიური კვლევის, მენეჯმენტის, ტრანსპორტის და სხვა სფეროების კვლევებში.

სტატისტიკა: მონაცემთა ანალიზის ხელოვნება კომპიუტერზე (მე-2 გამოცემა)

+ მულტიმედიური სახელმძღვანელო StatSoft

V.P. ბოროვიკოვი

მოცულობა: 700 გვერდი.

წიგნი ამჟამად არ არის მარაგში. უახლოეს მომავალში იგეგმება წიგნის ახალი გამოცემა. გთხოვთ, გამოაგზავნოთ თქვენი განაცხადები შემდეგ მისამართზე:

წიგნი არის მონაცემთა თანამედროვე ანალიზის ყველაზე ფუნდამენტური ტექსტი და მოიცავს დაახლოებით 700 გვერდს მონაცემთა ანალიზის მეთოდებისა და პროცედურების აღწერილობას. წიგნის მეორე გამოცემა დამატებულია ახალი მასალებით, რომლებიც არ შედის წინა ვერსიაწიგნები, კერძოდ: აღწერს სიმძლავრის ანალიზს, ნიმუშის ზომის შეფასებას, ნაწილობრივ კორელაციებს, ძირითადი კომპონენტების ანალიზს, იძლევა ნერვული ქსელების ახალ ინტერპრეტაციას და მრავალი სხვა. წიგნს მოყვება CD, რომელზეც ნახავთ დემო ვერსიებს. პროგრამული პროდუქტები StatSoft, მონაცემთა ანალიზის მაგალითები, ცნობილი StatSoft ელექტრონული სახელმძღვანელო, სახელმძღვანელო სამრეწველო სტატისტიკის შესახებ, სასწავლო კურსის მასალები, ასევე უზარმაზარი მონაცემები ტრენინგისა და დამოუკიდებელი კვლევისთვის.

მეორე გამოცემის მთავარი მახასიათებელია ახალი თავი ენის შესახებ სტატისტიკა Visual Basic (SVB), რომელიც აფართოებს სისტემის შესაძლებლობებს სტატისტიკადა საშუალებას აძლევს მომხმარებლებს შექმნან საკუთარი აპლიკაციები.

რეალური მონაცემების მაგალითის გამოყენებით წიგნში დეტალურად არის აღწერილი მონაცემთა ანალიზის ძირითადი ცნებები სისტემაში. სტატისტიკა: აღწერითი და ვიზუალური ანალიზი, შემთხვევითი ცხრილის ანალიზი, ურთიერთობის აგება, მრავალჯერადი რეგრესია, გადარჩენის ანალიზი, არაპარამეტრული მეთოდები, კორესპონდენციის ანალიზი, ნერვული ქსელები, კლასიფიკაცია და პროგნოზირება ნერვული ქსელების გამოყენებით, ხარისხის კონტროლი, ექსპერიმენტული დაგეგმვა, მათ შორის მრავალფეროვანი დიზაინი და მრავალი სხვა. .

წიგნის თავისებურება ის არის, რომ თქვენ არა მხოლოდ ხედავთ ანალიზის შედეგებს, არამედ შეგიძლიათ გაიმეოროთ ისინი ჩვენს შემდეგ სისტემაში. სტატისტიკაამრიგად, StatSoft-ის უახლესი კომპიუტერული მონაცემთა ანალიზის ტექნოლოგიების გამოყენებით, თქვენ ეტაპობრივად ისწავლით მონაცემთა გაანალიზებას და გაგებას.

ეს ფუნდამენტური პუბლიკაცია განკუთვნილია მკითხველთა და სისტემის მომხმარებლების ფართო სპექტრისთვის. სტატისტიკარომელთაც სურთ გახდნენ პროფესიონალი მონაცემთა ანალიზის სხვადასხვა სფეროში: ბიზნესი, მარკეტინგი, ფინანსები, მენეჯმენტი, ეკონომიკა, მრეწველობა, დაზღვევა, მედიცინა და სხვა აპლიკაციები.

პროგნოზირება სისტემაში სტატისტიკა WINDOWS გარემოში

ვ.პ. ბოროვიკოვი, გ.ი. ივჩენკო

მოცულობა: 368 გვერდი.

წიგნი ამჟამად არ არის მარაგში.

პირველი ხელის პროგნოზირების საიდუმლოებები.

წიგნის თავისებურებაა ორი ურთიერთდაკავშირებული და შემავსებელი ნაწილის ერთობლიობა: პრაქტიკული, რომელშიც დეტალურად, ძირითადი ვარიანტების თარგმნით და დიალოგური ყუთები, პროგნოზირება აღწერილია სისტემის თანამედროვე ვერსიაში სტატისტიკა, და თეორიული, რომელიც ასახავს სტოქასტური პროგნოზირების თეორიის ძირითად იდეებს, მეთოდებს და შედეგებს.

ავტორების აზრით, თეორიისა და პრაქტიკის სინთეზმა უნდა მიგვიყვანოს იმ ფაქტამდე, რომ მკითხველი არა მხოლოდ მექანიკურად ითვისებს პროგნოზირების მეთოდებსა და ტექნიკას, არამედ იღებს მათ შესაბამის გაგებას: მათემატიკური საფუძვლების გაცნობიდან პრაქტიკულის შეძენამდე. უნარები სისტემაში სტატისტიკა.

წიგნი ეფუძნება მოსკოვის ელექტრონიკისა და მათემატიკის სახელმწიფო ინსტიტუტის ავტორთა კურსს (MGIEM - ტექნიკური უნივერსიტეტი). აპლიკაცია შეიცავს პროგნოზირების ძირითადი ტერმინების ინგლისურ-რუსულ ლექსიკონს.
წიგნი განკუთვნილია მეცნიერებისთვის, ანალიტიკოსებისთვის და სპეციალისტებისთვის, რომლებიც იყენებენ პროგნოზირების მეთოდებს ყოველდღიურ საქმიანობაში და ასევე შეუძლიათ გამოიყენონ უმაღლესი საგანმანათლებლო დაწესებულებების მასწავლებლებმა პროგნოზირებისა და მათემატიკური სტატისტიკის კურსების სწავლებისას.

საქსტატისტიკა. თეორია და პრაქტიკა

ვ.ვ. დემიანოვი, ე.ა. საველიევა

მოცულობა: 327 გვერდი.

წიგნი ამჟამად არ არის მარაგში.

ეს წიგნი უპასუხებს კითხვებს:
- რა არის გეოსტატისტიკა?
- სივრცითი ინტერპოლაციის რა მეთოდები არსებობს?
- რა არის კრიგინგი?
- რამდენად სასარგებლოა ვარიოგრამა?
- რატომ გვჭირდება სტოქასტური მოდელირება?
და მრავალი სხვა

მონოგრაფიაში დეტალურად არის აღწერილი გეოსტატისტიკის მეთოდები და სივრცითი მოდელირების მასთან დაკავშირებული სფეროები. თეორიის პრეზენტაციას თან ახლავს მოდელების გამოყენების მაგალითები სხვადასხვა დარგში: ეკოლოგია, გეოლოგია, ჰიდროგეოლოგია, ნავთობის წარმოება, ენერგეტიკა, მეთევზეობის შეფასება და ა.შ. დასკვნით ნაწილში მოცემულია თანამედროვე გეოსტატისტიკური თეორიის განვითარების ძირითადი მიმართულებები. პუბლიკაცია შეიძლება გამოყენებულ იქნას როგორც სასწავლო დამხმარე საშუალება.

წიგნში მასალა წარმოდგენილია ეტაპობრივი გართულებით. არის კითხვები და სავარჯიშოები მიღებული ცოდნის გასამყარებლად. წიგნში შედის დანართები, რომლებიც საშუალებას აძლევს მას გამოიყენონ როგორც საცნობარო წიგნად გეოსტატისტიკაზე.

StatSoft მონაცემთა ანალიზის აკადემია ასევე გთავაზობთ კურსების ფართო სპექტრს მონაცემთა ანალიზის თანამედროვე მეთოდებსა და ტექნოლოგიებზე გეოანალიტიკის სფეროში.

სამრეწველო სტატისტიკა. ხარისხის კონტროლი, პროცესის ანალიზი, ექსპერიმენტების დაგეგმვა პაკეტში სტატისტიკა

ხალაფიანი ა.ა.

მოცულობა: 384 გვერდი.

წიგნი ამჟამად არ არის მარაგში.

ეს პუბლიკაცია ეძღვნება სტატისტიკური მეთოდების აღწერას, რომლებიც საშუალებას იძლევა, გაანალიზებული პროდუქტების შეზღუდული მოცულობით, განვსაჯოთ წარმოებული პროდუქციის ხარისხის მდგომარეობა სიზუსტისა და სანდოობის მოცემული ხარისხით. პროდუქციის ხარისხის სტატისტიკური ანალიზი უზრუნველყოფს სწორი მენეჯმენტის გადაწყვეტილებებიარა ინტუიციის საფუძველზე, არამედ რიცხვითი ინფორმაციის დაგროვილ მასივებში შაბლონების იდენტიფიცირების სამეცნიერო მეთოდების დახმარებით.

სახელმძღვანელო მოიცავს სამრეწველო სტატისტიკის ისეთ ნაწილებს, როგორიცაა: ხარისხის კონტროლის ბარათები; პროცესის ანალიზი; ექვსი სიგმა; ექსპერიმენტების დაგეგმვა მსოფლიოში ცნობილ პაკეტში სტატისტიკა. მოცემული დეტალური აღწერაპროგრამულ მოდულებთან მუშაობის ტექნოლოგიები.

პუბლიკაცია მიმართულია სტუდენტებისთვის "ეკონომიკა", "ხარისხის მენეჯმენტი", "სტანდარტიზაცია და მეტროლოგია", "მეტროლოგია, სტანდარტიზაცია და სერტიფიცირება", კურსდამთავრებულებს, მკვლევარებს, უნივერსიტეტის მასწავლებლებს, ანალიტიკოსებს და მენეჯერებს, ასევე ნებისმიერ დაინტერესებულ პირს. ხარისხის მენეჯმენტის სტატისტიკურ მეთოდებში.

როგორ მოვიგოთ მსოფლიო ჩემპიონატი. მათემატიკური სტატისტიკის მეთოდები ეროვნული ფეხბურთის მართვაში

პეტრუნინი იუ.იუ., რიაზანოვი მ.ა.

მოცულობა: 56 გვერდი.

წიგნი ამჟამად არ არის მარაგში.

სტატისტიკის და მონაცემთა ანალიზის თანამედროვე მეთოდებმა განაპირობა ახალი სამეცნიერო დისციპლინების - ფეხბურთის ეკონომიკისა და ფეხბურთომეტრიის შექმნა. მათში შემუშავებული აპარატის გამოყენებით შესაძლებელია სახელმწიფო (სპორტის სამინისტრო) და არაკომერციული ორგანიზაციების (ფეხბურთის ასოციაციები და გაერთიანებები) მუშაობის ხარისხის შეფასება, მარეგულირებელი ზემოქმედების მეთოდების შემუშავება და გამოყენება, რომელსაც შეუძლია ეროვნული ფეხბურთის დონის ამაღლება. და მისი პრესტიჟი მსოფლიო ასპარეზზე.

სტატისტიკა- სწრაფი დაწყების სახელმძღვანელო

მოცულობა: 250 გვერდი.

წიგნი ამჟამად არ არის მარაგში.

წიგნში მოცემულია სისტემასთან მუშაობის ძირითადი პრინციპები, განხილულია ინსტრუმენტების ზოლები, მომხმარებლის ინტერფეისი, მონაცემთა ფაილები და პაკეტის გამოყენების პრაქტიკული მაგალითები. ცალკე თავი ეძღვნება სისტემის დაყენებას. წიგნი ასევე შეიცავს ყოვლისმომცველ საცნობარო წიგნს, რომელიც შეიცავს მოკლე ინფორმაციას სისტემის ყველაზე ხშირად გამოყენებული კონვენციების, ფუნქციებისა და შესაძლებლობების შესახებ. სტატისტიკადა საგნის ინდექსი.