Магистерская диссертация на тему: Описание нейронных сетей. Описание устройства нейрона и функционирования сети

Введение

Нейронные сети в наш век технологий могут найти свое применение в различных задачах машинного обучения, к которым можно отнести:

Предсказание/прогноз.

Пусть заданы n дискретных отсчетов {y(t1), y(t2) …, y(tк)} в последовательные моменты времени t1, t2, …, tк. Задача состоит в предсказании значения y(tк+1) в некоторый будущий момент времени tк+1. Предсказание/прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике.

Кластеризация/категоризация.

При решении задачи кластеризации, которая известна также как классификация образов "без учителя", отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и помещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.

Классификация образов.

Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация, клеток крови.

Аппроксимация функций.

Предположим, что имеется обучающая выборка ((x1, y1), (x2, y2) …, (xN, yN)) (пары данных вход-выход), которая генерируется неизвестной функцией F(x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции F(x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.

Оптимизация.

Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Как видно из вышеперечисленного, НС являются универсальным математическим аппаратом. В зависимости от парадигмы и структуры НС может успешно решить практически любую задачу. Одна из таких задач как раз и будет рассматриваться это прогноз биржевых курсов, речь о которой пойдет в разделе программная реализация.

Оглавление

- Введение 4

- Описание нейронных сетей

- Описание устройства нейрона и функционирования сети

- Функции активации

- Тренировка нейронной сети

- Анализ архитектур нейронных сетей

- Однослойные нейронные сети

- Многослойные нейронные сети

- Программная реализация

- Заключение 21

- Список источников 22

- Приложение А

Заключение

В результате выполнения курсовой работы по прогнозированию биржевых курсов были рассмотрены одни из основных архитектур нейронных сетей, а также в ходе анализа была выявлена нейросетевая модель, которая дала вполне приемлемые результаты. Для прогноза каких-либо других величин стоит обратить особое внимание предобработке исходных значений, на которых будут обучаться и тестироваться модели так как изначально в нейронных сетях используется логистическая функция активации. Также как можно было уже заметить в работе не использовался Perceptron по той лишь причине что во время обучения на исходных данных он не сходился к конечному значению. В общем случае для достижения наилучшего результата на бирже необходимо использовать нейронные сети вкупе с грамотной стратегией управления капиталом.

Список литературы

11. https://neuralnet.info/chapter/персептроны/