назад Оглавление вперед


[ Старт ] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71]


0

НЕИРОКОМПЬЮТИНГ и ЕГО ПРИМЕНЕНИЯ В ЭКОНОМИКЕ И БИЗНЕСЕ

ААЕЖОВ, С.АШУМСШЙ

Москва, 1998



НЕИРЧЭКОМПЬЮТИНГ и ЕГО ПРИМЕНЕНИЯ В ЭКОНОМИКЕ И БИЗНЕСЕ

Союэржание

1. Введение. Компьютеры и Мозг

Нейрокомпьютеры попадают в заголовки газет. Что отличает обработку информации в мозге и в современных компьютерах? Символьная и образная информация. Перспективы нейрокомпьютинга.

Нейрокомпьютеры: какие они?

Как начинался нейрокомпьютинг? Как выглядят современные нейрокомпьютеры? Какова их производительность и цена? Нейрокомпьютеры и нейро-эмуляторы. Как и где используют нейрокомпьютинг? Основные парадигмы нейрокомпьютинга. Анатомия нейросетей. Классификация нейро-архитектур.

Обучение с учителем: Распознавние образов

Персептроны. Прототипы задач: аппроксимация многомерных функций, классификация образов. Возможности персептронов. Обучение с обратным распространением ошибки. Эффект обобщения и переобучение. Оптимизация размеров сети: разрежение связей и конструктивные ачгоритмы.

Обучение без учителя: Сжатие информации

Прототипы задач: кластеризация данных, аначиз главных компонент, сжатие информации. Хеббовское обучение. Автоассоциативные сети. Конкурентное обучение. Сети Кохонена. Гибридные архитектуры.



5. Рекуррентные сети: Ассоциативная память

Сеть Хопфшда и спиновые стекла. Энергия и динамика сети. Ассоциативная память: запись и воспроизведение. Емкость памяти: термодинамический подход. Чувствительность к огрублениям и повреждениям связей. Повышение емкости памяти: разобучение. Запоминание последовательностей образов. Сеть Хопфшда с точки зрения теории информации. Выделение прототипов и предсказание новых классов.

Нейросетевая оптимизация

Комбинаторная оптимизация и NP-полные задачи. Сеть Хопфилда решает задачу коммивояжера. Метод иммитации отжига. Оптимизация и сети Кохонена. Растущие нейронные сети. Другие "биологические " методы.

Предобработка данных

Как решаются конкретные задачи? Кодирование входов-выходов. Виды нормировки. Линейная предобработка входов. Понижение размерности и отбор наиболее значимых входов.

Предсказание финансовых временных рядов

Что обеспечивает доходность бизнеса, основанного на предсказаниях? Какова методика предсказания временных рядов? Специфика финансовых временных рядов. Как подбирать признаковое пространство? Какой функционал ошибки лучше? Норма прибыли нейросетевой игры на реальных данных.

Извпечение правил. Анализ значимости входов

Искусственный интеллект, экспертные системы и нейронные сети. Извлечение правил из нейронных сетей. Ачгоритм NeuroRule. Прореживание нейронных сетей. Обучение нейронных сетей с одновременным исправлением данных. Алгоритм TREPAN для извлечения деревьев решений с использованием нейронных сетей.

[ Старт ] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71]