Neuroninių tinklų statistikos analizė 10. Alternatyvos pakeisti STATISTIKĄ

Atidarius duomenis ST neuroniniai tinklai pasiūlys automatinę konstravimo funkciją (langas Protingas problemų sprendimas). Šiame etape būtina atsisakyti šios funkcijos ( Atšaukti).

Atidarant naują failą ST Neural Networks, visi kintamieji laikomi įvestimi. Išvesties kintamieji turi būti nurodyti. Spustelėkite dešiniuoju pelės mygtuku spustelėkite pelė lauke su išvesties kintamųjų pavadinimais lange Duomenų rinkinio redaktorius, pasirodė kontekstinis meniu pasirinkite Išvestis, stulpelio antraštės spalva pasikeis į mėlyną.

Visi stebėjimai turi būti suskirstyti į du rinkinius: treniruotę (naudojama neuroniniam tinklui lavinti) ir kontrolę (būtina treniruočių eigai įvertinti).

Antrame lauke Atvejai langai Duomenų rinkinio redaktorius nurodyti valdymo rinkinio dydį (dažniausiai jam skiriama pusė viso duomenų rinkinio), paspauskite Enter. Eilutės, kuriose yra kontrolinių stebėjimų, pažymėtos raudona spalva (yra stebėjimų sąrašo pabaigoje). Tada naudokite komandą Shuffle ( Redaguoti → Atvejai → Maišyti → Treniruoti ir patikrinti), visi pastebėjimai atsitiktinai yra skirstomi į įvairius tipus.

Norėdami sukurti tinklą, naudokite meniu elementą Failas → Naujas → Tinklas. Pasirodo tinklo rengyklės langas (11 pav.).

Parinktys Žingsniai Ir Žvilgsnis į priekį yra naudojami tik laiko eilučių uždaviniuose ir šiame darbe nenaudojami.

Tinklinis mokymas.

Kiekvienam tinklo tipui naudojami specialūs mokymosi algoritmai, kurie yra meniu punkte Traukinys. Renkantis algoritmą, siūloma nustatyti mokymo parametrus. Pavyzdžiui, treniruojant daugiasluoksnį perceptroną atgalinio sklidimo metodu (Train → Multilayer Perceptrons → Back Propagation) nurodomi atitinkamame lange (12 pav.).

	12 pav. – Mokymo parametrų rengyklės langas

Epochos– Epochos. Nustato treniruočių ciklų, kurie baigiami vienu mygtuko Train paspaudimu, skaičių. Numatytoji reikšmė yra 100.

Mokymosi norma- Mokymosi greitis, nustato žingsnio dydį keičiant svorius: jei greitis yra nepakankamas, algoritmas konverguoja lėtai, jei mokymosi tempas didėja, algoritmas veikia greičiau, tačiau kai kuriose problemose tai gali sukelti nestabilumą (ypač jei duomenys yra triukšmingas). Greitam ir grubiam mokymuisi tinka vertės nuo 0,1 iki 0,6; Norint pasiekti tikslią konvergenciją, reikalingos mažesnės reikšmės (pvz., 0,01 arba net 0,001, jei yra daug tūkstančių epochų). Kartais pravartu mokantis sumažinti greitį.

Impulsas- Inercija. Šis parametras pagerina (pagreitina) mokymąsi situacijose, kai paklaida mažai kinta, o taip pat suteikia algoritmui papildomo stabilumo, padedant algoritmui neužstrigti žemumose ir lokaliuose minimumuose. Šio parametro reikšmė visada turi būti diapazone. Dažnai rekomenduojama naudoti didelis greitis mokymasis kartu su nedideliu inercijos koeficientu ir atvirkščiai.

Kryžminis patikrinimas(kryžminis patvirtinimas) – standartinis neuroninių tinklų mokymo būdas yra tas, kad tinklas apmokomas viename iš rinkinių, o rezultatas tikrinamas kitoje; taigi treniruotėms nenaudojamas joks valdymo rinkinys. Tai suteikia nepriklausomą būdą patikrinti, ar tinklas išmoko ko nors naudingo.

Iš naujo inicijuoti- iš naujo nustatyti konfigūruojamus tinklo parametrus, gautus ankstesniame mokymo cikle arba ankstesniame tinkle.

Mokymosi algoritmas paleidžiamas paspaudus mygtuką Traukinys. Kiekvieną kartą paspaudus mygtuką Traukinys algoritmas atlieka N treniruočių ciklų, kur N yra treniruočių ciklų skaičius, nustatytas in Epochos.

Diagramoje ( Statistika → Treniruotės klaidų grafikas) galima stebėti tinklo klaidos pasikeitimą treniruočių metu. Treniruotės klaidų grafikas yra viso treniruočių rinkinio išvesties vidutinės kvadratinės paklaidos rodymas.

Diagramoje galite stebėti nepageidaujamą permontavimo poveikį (kai tinklas gerai išmoksta gaminti tokias pačias išvesties vertes kaip ir treniruočių rinkinyje, bet negali apibendrinti modelio naujiems duomenims). Iš pradžių sumažėja ir mokymosi, ir valdymo klaida. Prasidėjus perkvalifikavimui, treniruočių paklaida toliau mažėja, o valdymo klaida (dažniausiai raudona) pradeda didėti. Patvirtinimo klaidos padidėjimas signalizuoja apie persikvalifikavimo pradžią ir rodo, kad mokymosi algoritmas pradeda destruktyvus (o tuo pačiu gali būti tinkamesnis mažesnis tinklas).

Keisdami tinklo parametrus prieš treniruotę, turite iš naujo nustatyti ankstesnio tinklo svorio koeficientus (sukonfigūruotus parametrus). Jei naudojate MLP tinklą, naudokite iš naujo inicijavimo mygtuką.

Pakuotėje STATISTIKA Neuroniniai tinklai numatytas automatinis geriausio tinklo įsiminimas eksperimento metu. Norėdami atkurti geriausio tinklo reikšmes, skambinkite meniu Traukinys → Pagalbinis → Geriausias tinklas.

Norėdami apskaičiuoti duomenis naudodami tinklą, naudokite meniu elementą Vykdyti: duomenų rinkinys– visų duomenų skaičiavimas šaltinio failą;

Single Case – vieno stebėjimo apskaičiavimas;

Vienkartinis– savavališko įvesties vektoriaus skaičiavimas.

Skaičiavimas atliekamas atitinkamame lange paspaudus mygtuką Vykdyti.

Veikia kaip ir ankstesniu atveju, bet lentelėse rodoma tik tikroji išvesties vertė.

Atidaryti meniu Vykdyti → Vienkartinis, įveskite įvesties reikšmes, kurių išvestį norite numatyti, spustelėkite Bėk.

Neuronų sinaptinių jungčių svorio koeficientus galite peržiūrėti tinklo rengyklės lange (13 pav.) ( Redaguoti → Tinklas…). Ribinė vertė yra slenkstinė vertė, atimama iš neurono įvesties vertės. VAR1 reikšmė (13 pav.) yra ryšio svorio koeficientas.

Sluoksnio numeris nurodomas lauke Sluoksnis.Šiame lange galite peržiūrėti (nustatyti) kiekvieno sluoksnio neurono aktyvavimo funkciją (Act fn laukas).

	13 pav. Langai, skirti peržiūrėti apmokyto tinklo parametrus

Pakuotėje STATISTIKA Neuroniniai tinklai suteikiama galimybė automatinis aptikimas geriausio mokymo duomenų rinkinio tinklo struktūros (funkcija pasiekiama per Failas → Naujas → Išmanusis problemų sprendimas).

Tinklo veikimo algoritmas pakete STATISTIKA Neuroniniai tinklai.

1 Įvesties duomenų normalizavimas:

,

Kur - normalizavimo koeficientas; , didžiausios ir mažiausios vertės j- mokymo imties kintamasis; i– mokymo pavyzdžio eilutės numeris.

Pastaba – norint peržiūrėti ir analizuoti treniruočių pavyzdžių duomenis, patogu naudoti funkciją Redaguoti → Atvejai → Maišyti → Grupės rinkiniai.

2 Įvesties vektoriaus paskirstymas kitam sluoksniui su atitinkamu svorio koeficientu (žr. Redaguoti → Tinklas…).

3 Kiekvieno neurono slenkstinės vertės atėmimas (žr. Redaguoti → Tinklas… lauke Theshold).

4 Neuronų aktyvavimo funkcijos apskaičiavimas (rezultatą žr Vykdyti → Aktyvinimas…).

5 Pakartokite veiksmus visiems tinklo sluoksniams.

6 Tinklo išėjimo apskaičiavimas atsižvelgiant į normalizavimo koeficientą:

, kur yra minimali treniruotės imties išvesties kintamojo vertė, t– išvesties kintamojo skaičius, – išvesties kintamojo normalizavimo koeficientas t, yra normalizuota tinklo išvesties vertė, apskaičiuota paskutiniam sluoksniui.

Saugumo klausimai

1 Kas yra neuroninis tinklas ir kokios jo pagrindinės savybės?

2 Kokia yra neurono struktūra?

3 Kokias aktyvinimo funkcijas galima naudoti neuroniniuose tinkluose?

5 Kokias funkcijas įvesties sluoksnis atlieka daugiasluoksniame tinkle?

6 Ar įmanoma treniruoti neuroninį tinklą be paslėpto sluoksnio?

7 Kas yra neuroninių tinklų mokymas?

8 Kodėl vienas iš mokymosi algoritmų vadinamas „atgalinio sklaidos algoritmu“?

9 Kuo skiriasi mokymasis prižiūrint ir neprižiūrimas?

10 Kodėl neuroninio tinklo įvesties ir išvesties signalai turi būti normalizuoti, t.y. sumažintas iki diapazono?

Nuorodos

1 Fogelman Soulie F. Neuroniniai tinklai, naujausia technika, neuroninė kompiuterija. -Londonas: IBC techninės tarnybos, 1991 m.

2 Gorban A. Neuroinformatika ir jos taikymai // Atviros sistemos. -1998 m. -Nr. 4 – 5. -S. 36-41.

3 Robertas Hechtas-Nielsenas. Neurokompiuterija: istorija, statusas, perspektyvos // Atviros sistemos. -1998 m. - Ne 4-5. - SU. 23-28.

4 Rosenblatt F. Neurodinamikos principai. Perceptronai ir smegenų mechanizmų teorija. -M.: Mir, 1965 m.

5 Gordienko E.K., Lukyanitsa A.A. Dirbtiniai neuroniniai tinklai. I Pagrindiniai apibrėžimai ir modeliai // Izv. RAS. Techninė kibernetika. -1994 m. -Ne 5. -S. 79-92.

6 Korotky S.G. Neuroniniai tinklai: atgalinio skleidimo algoritmas. -BYTE/Rusija. -2000. -Ne 5. -S. 26-29.

7 Sveshnikov S.V., Shkvar A.M. Neurotechninės informacijos apdorojimo sistemos. -Kijevas: Naukova Dumka, 1983. -222 p.

8 Išmaniosios valdymo sistemos, naudojantys neuroninius tinklus: vadovėlis. pašalpa. / V.I. Vasiljevas, B.G. Iljasovas, S.S. Valeev ir kt.; Ufimskas. valstybė aviacija tech. univ. Ufa, 1997. -92 p.

9 Kulikov G.G., Breikin T.V., Arkov V.Yu. Protingas informacines sistemas: vadovėlis pašalpa / Ufimskas. valstybė aviacija tech. univ. -Ufa, 1999. -129 p.

10 Korotky S.G. Neuroniniai tinklai: pagrindinės nuostatos // BYTE/Russia. -2000. -Ne 5. -S. 18-21.

11 Neuroninių tinklų technologijomis pagrįstos intelektualios informacijos apdorojimo sistemos: vadovėlis. pašalpa. / Yu.I. Zozulya, Ufimskas. valstybė aviacija tech. univ. -Ufa. -2000. -138 p.

ĮVADAS SU ŠIUOLAIKINIU NEURALINIU TINKLU

Laboratorinis darbas Nr.1

PROGRAMINĖS ĮRANGOS PRODUKTAS STATISTIKA NEURAL NETWORKS (SNN) VERSIJA „SNN 7.0“

Darbo tikslas yra susipažinti su Statistica programinės įrangos produktu

Neuroniniai tinklai (SNN), sukurkite neuroninį tinklą naudodami sprendimo vedlį.

1. Atidarykite duomenų failą Fan.stw(A.1 lentelė) naudodami komandą Failas – Atidaryti. Šiame faile yra duomenų apie dviejų tipų klases - 1 ir 2, perkaitimo buvimą ir nebuvimą.

2. Pasirinkite komandą Neuroniniai tinklai meniu Analizė kad atidarytumėte STATISTICA neuronų tinklų paleidimo aikštelę.

Ryžiai. 4. Įrankio pasirinkimas

3. Skirtuke Greitai paleidimo aikštelė Neuroniniai tinklai iš sąrašo pasirinkite užduoties tipą (in šiuo atveju – Klasifikacija) ir sprendimo būdas (šiuo atveju – Sprendimų meistras) ir paspauskite mygtuką Gerai(4 pav.). Po to bus rodomas standartinio kintamojo pasirinkimo dialogo langas.

4. Pasirinkite priklausomą (išvesties) kintamąjį (šiuo atveju kintamąjį KLASĖ) (5 pav.).

Ryžiai. 5. Įvesti duomenis

5. Rodymui Sprendimo vedliai paspauskite mygtuką Gerai paleidimo aikštelėje.

Skirtuke Greitai(6 pav.) panaikinkite parinkties pasirinkimą Pasirinkite nepriklausomų kintamųjų poaibį, čia apibrėžti tik du nepriklausomi kintamieji, todėl abu kintamieji bus naudojami kaip įvestis visuose tikrinamuose neuroniniuose tinkluose. Grupėje Analizės trukmė yra variantų, kurie nustato laiką, kad Sprendimo vedlys išleis veiksmingo neuroninio tinklo paieškai. Kuo ilgiau Sprendimo vedlys veiks, tuo efektyvesnis bus rastas sprendimas. Pavyzdžiui, įdiekite 25 tinklus.

Remiantis analizės rezultatais, neuroninius tinklus galima išsaugoti įvairių tipų su skirtingais našumo ir sudėtingumo rodikliais, kad galiausiai galėtumėte patys pasirinkti geriausią tinklą.

6. Norėdami išsaugoti tinklus, įveskite skaičių 10 Sprendimo vedlys išsaugojo tik 10 geriausių tinklo parinkčių.

Skirtukas Sprendimo vedlys – Greitai atrodys taip, kaip parodyta pav. 6.

Ryžiai. 6. Analizės nustatymai

Paspauskite mygtuką Gerai, į Sprendimo vedlys pradėjo statyti

neuroniniai tinklai. Po to bus rodomas dialogo langas Vyksta treniruotės(Sprendimo vedlys). Kiekvieną kartą, kai aptinkamas patobulintas neuroninis tinklas, į informacinę lentelę bus įtraukta nauja eilutė. Be to, lango apačioje rodomas darbo laikas ir atliktos užduoties procentas. Jei per ilgą laiką nepagerėjo, paspauskite mygtuką Paruošta dialoge Vyksta treniruotės kad užbaigtumėte tinklo paieškos procesą. Kai paieška bus baigta, bus rodomas dialogo langas Rezultatai, kuriame yra informacija apie rastus tinklus tolesnei analizei (7 pav.).

Ryžiai. 7. Mokymosi rezultatai

7. Paspauskite mygtuką Aprašomoji statistika. skirtuke Greitai dialoge Rezultatai kad būtų rodomos dvi suvestinės lentelės: klasifikacija ir klaidų matrica.

Klasifikavimo lentelėje (8 pav.) parodyta visa informacija apie atitinkamos problemos sprendimą. Šioje lentelėje yra keli stulpeliai kiekvienai išvesties klasei, kurią numato kiekvienas modelis. Pavyzdžiui, stulpelis CLASS.1.11 atitinka 1 modelio prognozes OVERHEAT klasėje kintamajam KLASĖ. Pirmoje eilutėje pateikiama informacija apie įvairių tipų perkaitimo stebėjimų skaičių duomenų faile. Antroje (trečioje) eilutėje rodomi duomenys (kiekvienai klasei) apie teisingai (neteisingai) klasifikuotų stebėjimų skaičių. Ketvirtoje eilutėje pateikiami „nežinomi“ stebėjimai. Klaidų matrica paprastai naudojama sprendžiant problemas su keliomis

bėgimo užsiėmimai.

8. Norėdami parodyti galutinę statistiką, turite atidaryti Analizė(mygtukas Rezultatai eilėje Analizė arba komandą Tęsti meniu Analizė). Grupėje Pasirinkimai rezultatams rodyti pasirinkti parinktį Visi(atskirai). Tada paspauskite mygtuką Aprašomoji statistika. Galutinė klasifikavimo lentelė suskirstyta į keturias dalis. Stulpelių antraštės turi skirtingus priešdėlius: O, K, T Ir IR, kurie atitinkamai atitinka mokymo, kontrolės, testavimo ir ignoruojamus pavyzdžius. Pagal numatytuosius nustatymus stebėjimai skirstomi į tris pogrupius santykiu 2:1:1. Taigi buvo skirta 50 mokymo stebėjimų, 25 kontroliniai stebėjimai ir 25 bandymų stebėjimai. Neuroninio tinklo rezultatai šiuose rinkiniuose yra beveik tokie patys, tai yra, neuroninio tinklo kokybė gali būti laikoma priimtina.

Ryžiai. 8. Klasifikavimo lentelė

9. Užbaigti Analizė paspauskite mygtuką Gerai dialoge Rezultatai. Paleidimo aikštelėje, kai paspausite mygtuką Atšaukti visi sukurti neuroniniai tinklai bus ištrinti. Būtina išsaugoti neuroninius tinklus, kad būtų galima greitai atitinkamai apmokyti neuroninius tinklus, pirmiausia rasti geriausią našumą turintį tinklą, o tada sukurti neuroniniai tinklai išsaugomi tolesniam naudojimui. Norėdami išsaugoti neuroninį tinklą, pasirinkite skirtuką Tinklai / ansambliai ir paspauskite mygtuką Išsaugoti tinklo failą kaip.... (failo plėtinys yra .snn).

Užduotys

1. Sukurkite ir mokykite neuroninį tinklą naudodami Sprendimo vedliai automatizuoti transporto priemonių diagnostiką, nustatant variklio kapitalinio remonto poreikį pagal šiuos parametrus: variklio kompresija, alyvos slėgis, benzino sąnaudos.

2. Įveskite pradinius duomenis pagal lentelę. 1, gaukite konkrečias kintamųjų reikšmes iš mokytojo.

3. Sukurkite neuroninį tinklą pagal nustatymus:

Problemos tipas: klasifikacija;

Įrankis: Sprendimo vedlys;

Tinklų skaičius: 25;

5. Išanalizuoti neuroninio tinklo konstravimą ir atspindėti tai ataskaitoje.

6. Parengti atliktų darbų ataskaitą.

R yra nemokama programinė įranga, skirta statistiniam skaičiavimui ir grafikai.
Tai GNU projektas, panašus į S kalbą ir aplinką, kurį Bell Laboratories (anksčiau AT&T, dabar Lucent Technologies) sukūrė Johnas Chambersas ir jo kolegos. R gali būti laikomas skirtingu S įgyvendinimu. Yra keletas svarbių skirtumų, tačiau dauguma kodų, parašytų S, veikia nepakitę pagal R

Nemokamas atviras šaltinis Mac Windows Linux BSD

Kas yra šiame sąraše?

Sąraše yra programos, kuriomis galima pakeisti STATISTICA į Windows platformos. Šiame sąraše yra 6 programos, panašios į STATISTICA.

ir parodyti, kaip organizuojamas dialogas su sistemos vartotoju.

Atkreipkite dėmesį į patogią sąsają ir įrankių prieinamumą , Ir Kelių atrankos metodas, leidžianti vartotojams kurti savo tinklus ir pasirinkti geriausius.

Taigi, visų pirma, paleiskite neuroninius tinklus.

1 veiksmas. Pradėsite nuo paleidimo padėklo (žr. 1 pav.).

Šiame skydelyje galite pasirinkti skirtingus analizės tipus, kuriuos reikia atlikti: regresiją, klasifikavimą, laiko eilučių prognozavimą (su nuolatiniu ir kategorišku priklausomu kintamuoju), klasterių analizę.

Ryžiai. 1. Paleidimo pultas STATISTICA automatizuoti neuroniniai tinklai (SANN)

Pasirinkite pvz Laiko eilutė (regresija), jei norite padaryti prognozę, arba Klasifikacija, jei sprendžiama klasifikavimo problema.

Paspaudus mygtuką Gerai, pereikime prie duomenų pasirinkimo dialogo lango.

Ryžiai. 2. Dialogo langas Neuroniniai tinklai – Duomenų pasirinkimas – Greitasis skirtukas

2 veiksmas. Skirtuke Greitai turėtumėte pasirinkti reikiamus kintamuosius analizei. Kintamieji gali būti tęstiniai arba kategoriški, priklausomi arba nepriklausomi; be to, stebėjimai gali priklausyti skirtingoms imtims.

Ryžiai. 3. Kintamojo pasirinkimo langas

Pradedantiesiems vartotojams rekomenduojama pasirinkti strategiją Patyręs vartotojas gali lengvai naudoti bet kurią turimą strategiją: Automatizuotas neuroninis tinklas (ANN), Pasirinktinis neuroninis tinklas (CNN) Ir Mes pasirinksime Automatizuotas neuroninis tinklas (ANN).

Ryžiai. 4. Dialogo langas Neuroniniai tinklai – Duomenų pasirinkimas – Greitasis skirtukas

Skirtuke Pavyzdžiai (PNS ir ANS) turėtumėte nustatyti norimą duomenų padalijimą į pavyzdžius: mokymą, kontrolę ir testą. Skirsnis gali būti nustatytas atsitiktinai arba gali būti pataisytas naudojant papildomą kodo kintamąjį.

Šiuo atveju naudosime atsitiktinį skaidymą.

Ryžiai. 5. Dialogo langas Neuroniniai tinklai – Duomenų pasirinkimas – Skirtukas Subsamples (ANS ir PNS)

Skirtukas Pavyzdžiai (PNS ir ANS) skirtas pirmosioms dviem strategijoms: Automatizuotas neuroninis tinklas (ANN) Ir Pasirinktinis neuroninis tinklas (CNN); skirtuke Subimtinių kūrimas naudojama pastarajai strategijai: Kelių atrankos metodas.

Spustelėkite Gerai ir pereikite prie architektūros parametrų nurodymo žingsnio.

3 veiksmas. Skirtuke Greitai dialogo langas Automatizuoti neuroniniai tinklai turite nurodyti tinklo tipą, paslėptų neuronų skaičių, treniruojamų ir saugomų tinklų skaičių ir naudojamų klaidų funkcijų tipą.

Programa siūlo šių tipų tinklus: daugiasluoksnius perceptronus ir radialinių bazinių funkcijų tinklus.

Ryžiai. 6. Dialogo langas Automatizuoti neuroniniai tinklai – Greitasis skirtukas

Ryžiai. 7. Dialogo langas Automatizuoti neuroniniai tinklai – MLP skirtuko aktyvinimo funkcijos

Skirtuke Silpninimas Galite įjungti svorio reguliavimo parinktį, kuri pakoreguos treniruojamų tinklų sudėtingumą. Tai naudinga, kai problema turi daug įvesties kintamųjų ir daug neuronų paslėptame sluoksnyje.

Bet mūsų atveju mes to nenaudosime.

Ryžiai. 8. Dialogo langas Automatizuoti neuroniniai tinklai – Slopinimo skirtukas

Dabar galime pereiti prie neuroninio tinklo mokymo žingsnio.

4 veiksmas. Pradėkite neuroninio tinklo mokymo procedūrą spustelėdami mygtuką Gerai.

Dialogo lange, parodytame pav. 9, rodoma tam tikra informacija apie šiuo metu treniruojamą neuroninį tinklą. Galime analizuoti tinklo architektūrą, stebėti algoritmų iteracijų eigą ir fiksuoti modelio klaidas. Regresijai naudojama vidutinė kvadratinė paklaida, klasifikacijai – teisingos stebėjimų klasifikacijos procentas (kaip ir mūsų atveju).

Ryžiai. 9. Dialogo langas Neuroninio tinklo mokymas

Programa automatiškai pereina prie kito žingsnio.

5 veiksmas. Rezultatų analizė. Rezultatų lange galite analizuoti gautus sprendimus. Programa pasirinks geriausi tinklai ir parodys sprendimo kokybę.

Ryžiai. 10. Dialogo langas Neuroniniai tinklai – Rezultatai – Skirtukas Numatytasis

Galite pasirinkti konkretų tinklą, mūsų nuomone, geriausią, naudodami mygtuką Pasirinkite / panaikinkite tinklų žymėjimą.

Ryžiai. 11. Dialogo langas Modelio aktyvinimas

Pavyzdžiui, vienas iš testavimo būdų yra palyginti pastebėtas vertes ir numatomus rezultatus. Pasirinkto tinklo, pavyzdžiui, mokymo ir testų rinkinių, stebimų ir numatomų verčių palyginimas.

Ryžiai. 12. Stebėtų ir prognozuojamų verčių lentelė

Arba pažiūrėkite į klasifikavimo klaidų matricą bandomajame pavyzdyje:

Ryžiai. 13. Klasifikavimo matrica

6 veiksmas. Išsaugokite geriausius tinklus, kad galėtumėte naudoti ateityje, pavyzdžiui, automatiniam prognozavimui.

Tolesniam paleidimui tinklai išsaugomi PMML formatu.

Ryžiai. 14. Dialogo langas Neuroniniai tinklai – Rezultatai – Tinklų išsaugojimas

Ryžiai. 15. Standartinis tinklo failų išsaugojimo langas

7 veiksmas Paleiskite išsaugotus modelius naudodami naujus duomenis. Taigi įkeliame naujus duomenis, bet taip, kad kintamieji atitiktų modelių kintamuosius.

Norėdami paleisti modelį su naujais duomenimis, paleidimo skydelyje galite pasirinkti parinktį (1 pav.) Įkelti modelius iš ankstesnių analizių ir paspauskite mygtuką Įkelti tinklus.

Ryžiai. 16. Standartinis tinklo failų pasirinkimo langas

Mes gauname:

Ryžiai. 17. STATISTICA Automated Neural Networks (SANN) paleidimo aikštelė

Po atrankos reikalingas failas, visi nustatymai nustatomi automatiškai, todėl galite iškart pereiti į rezultatų langą (dukart spustelėję mygtuką Gerai) ir analizuoti gautus rezultatus.

Būtent toks yra tipiškas tyrimo scenarijus pakuotėje

Šias knygas galima įsigyti StatSoft biure.

Populiarus įvadas į šiuolaikinę duomenų analizę ir mašininį mokymąsi sistemoje Statistica

V.P. Borovikovas

Apimtis: 354 puslapiai.

Kaina: 1000 rub.

Šiuolaikinės duomenų analizės ir mašininio mokymosi galimybės, kurios yra šiuolaikinės kompiuterinės analizės tendencija, yra populiariai ir įdomiai aprašytos. Pristatyme akcentuojamas metodų supratimas ir jų pritaikymas sprendžiant praktines problemas. „Sekite mus ir išmoksite analizuoti duomenis! – pagrindinis knygos leitmotyvas.

Klasikiniai statistiniai metodai yra išsamiai aprašyti, įskaitant daugiamatius metodus: klasterių analizę, diskriminacinę analizę, dauginę regresiją, faktorių analizę, pagrindinių komponentų analizę, išgyvenimo analizę ir Cox regresiją. Atskiri skyriai apima neuroninių tinklų metodus, duomenų gavybos metodus, klasifikavimo ir regresijos medžius (CART modelius). Svarstomi pavyzdžiai iš įvairių žmogaus veiklos sričių: pramonės, mažmeninės prekybos, infokomunikacijų, verslo, medicinos. Specialūs skyriai yra skirti tikimybių teorijai ir optimizavimo metodams, kuriais grindžiami mašininio mokymosi metodai.

Plačiam skaitytojų ratui: inžinieriams, technologams, vadybininkams, analitikams, gydytojams, mokslininkams, besidomintiems šiuolaikiniais analitiniais duomenų analizės ir mašininio mokymosi metodais bei technologijomis bei jų pritaikymu praktikoje.

Populiarus šiuolaikinių sistemų duomenų analizės įvadas STATISTIKA

V.P. Borovikovas

Apimtis: 288 puslapiai.

Unikalioje StatSoft mokslinio direktoriaus Vladimiro Borovikovo knygoje yra visa, kas geriausia, kas žinoma duomenų analizės srityje.

Naudojant paprastus, aiškius verslo, rinkodaros, medicinos pavyzdžius, aprašomi šiuolaikiniai duomenų analizės metodai - vizualinė duomenų analizė ir grafinis pateikimas, aprašomoji statistika, klasifikavimo ir prognozavimo metodai.

Knyga yra švietimo standartas duomenų analizės srityje pirmaujančiuose Rusijos universitetuose: MIEM HSE, Maskvos valstybiniame universitete, Kubano valstybiniame universitete ir kt.

Daug dėmesio skiriama duomenų analizės sistematikai – nuo ​​aprašomosios analizės, duomenų valymo ir tikrinimo, vizualaus pateikimo, grupavimo ir klasifikavimo metodų iki naujausias technologijas neuroninius tinklus ir duomenų gavybą, kad rastumėte duomenų šablonus.

Tikimybių teorija, matematinė statistika ir duomenų analizė: teorijos ir praktikos pagrindai kompiuteryje. STATISTIKA. EXCEL. Daugiau nei 150 problemų sprendimo pavyzdžių

Khalafyanas A.A., Borovikovas V.P., Kalaidina G.V.

Apimtis: 320 puslapių.

Kaina: 600 rub.

Savo paraišką galite siųsti adresu:

Dabartinis kompiuterinių technologijų išsivystymo lygis leidžia tikimybių teorijos ir matematinės statistikos studijas pakelti į naują edukacinį lygmenį, daugiausia dėmesio skiriant taikomajai disciplinos daliai – matematikai statistikai ir kompiuterinei duomenų analizei.

Vadovėlyje pateikiami kombinatorikos elementai, įvairių būdų pateikiami tikimybių skaičiavimai, pateikiamos atsitiktinio dydžio sąvokos, jo funkcinės ir skaitinės charakteristikos. Prie teorinės medžiagos pateikiami pavyzdžiai ir specialiai parinktos užduotys, leidžiančios nuodugniai išstudijuoti medžiagą. Atskirame skyriuje aprašoma naudojant Excel Ir STATISTIKA taikomųjų problemų sprendimui. „Excel“ yra įtraukta Microsoft Office ir šiandien yra viena iš populiariausių programų pasaulyje. STATISTIKA užima lyderio poziciją tarp duomenų analizės programų, turi daugiau nei milijoną vartotojų visame pasaulyje. Programa visiškai rusifikuota, sukurtas Intelektinių žinių portalas, kuris yra pasaulinis daugialypės terpės šaltinis, skirtas plačiam vartotojų ratui: moksleiviams, studentams, magistrantams – visiems, kurie nori lavinti savo intelektą, susipažinti su šiuolaikinės technologijos kompiuterinė analizė duomenis.

Vadovėlis skirtas įvairiems studentams ir dėstytojams, studentams, humanitarinių ir gamtos mokslų bakalaurams ne matematikos krypčių, studijuojantiems aukštąją matematiką.

Neuroniniai tinklai STATISTIKA Neuroniniai tinklai: Šiuolaikinės duomenų analizės metodika ir technologija

Red. V.P. Borovikova

Apimtis: 392 puslapiai.

Savo paraišką galite siųsti adresu:

Knygoje pateikiami neuroninio tinklo duomenų analizės metodai, pagrįsti paketo naudojimu STATISTIKA Neuroniniai tinklai, visiškai pritaikytas Rusijos vartotojui.

Pateikiami neuroninių tinklų teorijos pagrindai; daug dėmesio skiriama praktinių problemų sprendimui, kompleksiškai apsvarstyta tyrimo atlikimo metodika ir technologija naudojant paketą STATISTIKA Neuroniniai tinklai – galingas įrankis duomenų analizė, priklausomybės stiprinimas, prognozavimas, klasifikavimas.

Šiuo metu neuroniniai tinklai intensyviai naudojami bankininkystėje, pramonėje, rinkodaroje, ekonomikoje, medicinoje ir kitose srityse, kur reikalingas prognozavimas ir gilus duomenų supratimas. Visuotinai pripažįstama, kad neuroniniai tinklai yra natūralus klasikinių analizės metodų papildymas ir naudojami ten, kur standartines procedūras nesuteikia norimo efekto.

Knygoje yra daug duomenų analizės pavyzdžių, praktines rekomendacijas analizei, prognozavimui, klasifikavimui, modelių atpažinimui, gamybos procesų valdymui naudojant neuroninius tinklus.

Knyga bus naudinga plačiam skaitytojų ratui, užsiimantiems moksliniais tyrimais bankininkystės, pramonės, verslo, geologinių tyrinėjimų, vadybos, transporto ir kitose srityse.

STATISTIKA: Duomenų analizės kompiuteryje menas (2-asis leidimas)

+ Multimedijos vadovėlis „StatSoft“.

V. P. Borovikovas

Apimtis: 700 puslapių.

Šiuo metu knygos nėra sandėlyje. Artimiausiu metu planuojamas naujas knygos leidimas. Paraiškas prašome siųsti adresu:

Knyga yra pats fundamentaliausias šiuolaikinės duomenų analizės tekstas ir apima apie 700 puslapių duomenų analizės metodų ir procedūrų aprašymų. Antrasis knygos leidimas papildytas nauja, neįtraukta medžiaga ankstesnė versija knygos, visų pirma: aprašoma galios analizė, imties dydžio įvertinimas, dalinės koreliacijos, pagrindinių komponentų analizė, pateikiama nauja neuroninių tinklų interpretacija ir daug daugiau. Kartu su knyga yra kompaktinis diskas, kuriame rasite demonstracines versijas. programinės įrangos produktai StatSoft, duomenų analizės pavyzdžiai, garsusis StatSoft elektroninis vadovėlis, pramonės statistikos vadovėlis, mokymo kursų medžiaga, taip pat didžiulis duomenų kiekis mokymams ir nepriklausomiems tyrimams.

Pagrindinis antrojo leidimo bruožas yra naujas skyrius apie kalbą STATISTIKA Visual Basic (SVB), kuris išplečia sistemos galimybes STATISTIKA ir leidžia vartotojams kurti savo programas.

Naudojant tikrus duomenis kaip pavyzdį, knygoje detaliai aprašomos pagrindinės duomenų analizės sistemoje sąvokos. STATISTIKA: aprašomoji ir vaizdinė analizė, nenumatytų atvejų lentelės analizė, santykių kūrimas, daugialypė regresija, išgyvenimo analizė, neparametriniai metodai, korespondencijos analizė, neuroniniai tinklai, klasifikavimas ir numatymas naudojant neuroninius tinklus, kokybės kontrolė, eksperimentinis planavimas, įskaitant daugybę dizainų ir daug daugiau .

Knygos ypatumas yra tas, kad jūs ne tik matote analizės rezultatus, bet ir galite juos pakartoti po mūsų sistemoje STATISTIKA Taigi, naudodami naujausias StatSoft kompiuterinių duomenų analizės technologijas, žingsnis po žingsnio išmoksite analizuoti ir suprasti duomenis.

Šis esminis leidinys skirtas plačiausiems sistemos skaitytojams ir naudotojams. STATISTIKA norintiems tapti įvairių sričių duomenų analizės profesionalais: verslo, rinkodaros, finansų, vadybos, ekonomikos, pramonės, draudimo, medicinos ir kitose srityse.

Prognozavimas sistemoje STATISTIKA WINDOWS aplinkoje

V.P. Borovikovas, G.I. Ivčenka

Apimtis: 368 puslapiai.

Šiuo metu knygos nėra sandėlyje.

Prognozavimo iš pirmų lūpų paslaptys.

Knygos ypatumas yra dviejų tarpusavyje susijusių ir vienas kitą papildančių dalių derinys: praktinė, kurioje išsamiai, su pagrindinių variantų vertimu ir dialogo langai, aprašomas prognozavimas šiuolaikinėje sistemos versijoje STATISTIKA, ir teorinis, kuriame išdėstytos pagrindinės stochastinio prognozavimo teorijos idėjos, metodai ir rezultatai.

Pasak autorių, teorijos ir praktikos sintezė turėtų lemti tai, kad skaitytojas ne tik mechaniškai įsisavintų prognozavimo metodus ir būdus, bet gautų atitinkamą jų supratimą: nuo susipažinimo su matematiniais pagrindais iki praktinių įgūdžių įgijimo. sistemoje STATISTIKA.

Knyga parengta remiantis Maskvos valstybinio elektronikos ir matematikos instituto (MGIEM – Technikos universiteto) autorių kursu. Programoje yra išsamus anglų-rusų kalbų pagrindinių prognozavimo terminų žodynas.
Knyga skirta mokslininkams, analitikams ir specialistams, kurie naudoja prognozavimo metodus kasdienėje veikloje, taip pat gali naudotis aukštųjų mokyklų dėstytojai, dėstydami prognozavimo ir matematinės statistikos kursus.

Geostatistika. Teorija ir praktika

V.V. Demjanovas, E.A. Saveljeva

Apimtis: 327 puslapiai.

Šiuo metu knygos nėra sandėlyje.

Ši knyga atsakys į klausimus:
- Kas yra geostatistika?
- Kokie erdvinės interpoliacijos metodai egzistuoja?
- Kas yra krigingas?
– Kuo naudinga variograma?
– kam reikalingas stochastinis modeliavimas?
ir daugelis kitų

Monografijoje detaliai aprašomi geostatistikos metodai ir su jais susijusios erdvinio modeliavimo sritys. Teorijos pristatymą lydi modelių panaudojimo įvairiose srityse pavyzdžiai: ekologija, geologija, hidrogeologija, naftos gavyba, energetika, žuvininkystės vertinimas ir kt. Baigiamojoje dalyje nubrėžiamos pagrindinės šiuolaikinės geostatistinės teorijos raidos kryptys. Leidinys gali būti naudojamas kaip mokymo priemonė.

Knygoje medžiaga pateikiama laipsniškai sudėtingai. Yra klausimai ir pratimai įgytoms žinioms įtvirtinti. Knygoje yra priedai, leidžiantys ją naudoti kaip geostatistikos žinyną.

StatSoft duomenų analizės akademija taip pat siūlo platų kursų spektrą apie šiuolaikinius metodus ir technologijas duomenų analizei geoanalitikos srityje.

Pramonės statistika. Kokybės kontrolė, procesų analizė, eksperimentų planavimas pakete STATISTIKA

Khalafyanas A.A.

Apimtis: 384 puslapiai.

Šiuo metu knygos nėra sandėlyje.

Šiame leidinyje aprašomi statistiniai metodai, leidžiantys, esant ribotam analizuojamų gaminių kiekiui, tam tikru tikslumo ir patikimumo laipsniu įvertinti pagamintų gaminių kokybės būklę. Statistinė produkto kokybės analizė užtikrina, kad būtų teisinga valdymo sprendimai ne intuicijos pagrindu, o pasitelkus mokslinius metodus, leidžiančius nustatyti modelius sukauptuose skaitinės informacijos masyvuose.

Vadovėlis apima tokias pramonės statistikos dalis kaip: kokybės kontrolės kortelės; procesų analizė; šešios sigmos; planuoti eksperimentus visame pasaulyje žinomoje pakuotėje STATISTIKA. Duota išsamus aprašymas technologijos darbui su programų moduliais.

Leidinys skirtas „Ekonomikos“, „Kokybės vadybos“, „Standartizavimo ir metrologijos“, „Metrologijos, standartizacijos ir sertifikavimo“ krypčių studentams, magistrantams, mokslininkams, universitetų dėstytojams, analitikams ir vadovams, taip pat visiems besidomintiems. kokybės valdymo statistiniais metodais.

Kaip laimėti pasaulio čempionatą. Matematinės statistikos metodai valdant nacionalinį futbolą

Petruninas Yu.Yu., Ryazanovas M.A.

Apimtis: 56 puslapiai.

Šiuo metu knygos nėra sandėlyje.

Šiuolaikiniai statistikos ir duomenų analizės metodai paskatino sukurti naujas mokslo disciplinas – futbolonomiką ir futbolometriją. Juose sukurtu aparatu galima įvertinti valstybės (Sporto ministerijos) ir ne pelno organizacijų (futbolo asociacijų ir sąjungų) darbo kokybę, sukurti ir taikyti reguliavimo įtakos metodus, galinčius kelti šalies futbolo lygį. ir jos prestižą pasaulinėje arenoje.

STATISTIKA– Greitos pradžios vadovas

Apimtis: 250 puslapių.

Šiuo metu knygos nėra sandėlyje.

Knygoje pateikiami pagrindiniai darbo su sistema principai, aptariamos įrankių juostos, vartotojo sąsaja, duomenų failai, praktiniai paketo naudojimo pavyzdžiai. Atskiras skyrius skirtas sistemos nustatymui. Knygoje taip pat pateikiamas išsamus žinynas, kuriame pateikiama trumpa informacija apie dažniausiai naudojamas sistemos taisykles, funkcijas ir galimybes. STATISTIKA, ir dalyko rodyklė.