4.4. Машинное обучение на примерах. Нейронные сети. ч.3

В [12] приводится такая рекомендация об объеме обучающей выборки: при допустимости 10% ошибок число учебных образцов должно быть в 10 раз больше числа имеющихся в сети весовых коэффициентов. Если на рисунке 4.4. посчитать число синаптических входов нейронов скрытого и выходного слоя – 21 , то можно предположить что объем обучающей выборке согласно этой рекомендации должен содержать не менее 210 образцов.

В заключение отметим, что рассмотренный тип НС является не единственным, применяемым сегодня, для примера назовем такие типы нейронных сетей, как самоорганизующиеся карты признаков (карты Кохонена) для задач кластеризации; сети Хопфилда и их модификации – сети ассоциативной памяти, запоминающие объекты и «вспоминающие» образец даже по подсказке. Более подробно об этих и иных типах нейросетей можно прочитать в литературе (см. например [12, 14]).

Назовем также некоторые программные пакеты для моделирования нейросетей на персональных компьютерах [14, 29], которые относятся к классу доступных:

Brain Maker фирмы California Scientific Software. Первоначально разработанный фирмой Loral Space Systems по заказу NASA и Johnson Space Center, пакет BrainMaker был вскоре адаптирован для коммерческих приложений и сегодня используется несколькими тысячами финансовых и промышленных компаний, а также оборонными ведомствами США для задач прогнозирования, оптимизации и моделирования ситуаций. В 1990 году пакет получил приз журнала PC Magazine "Лучший программный продукт года".

Назначение пакета BrainMaker - решение задач, для которых пока не найдены формальные методы и алгоритмы, а входные данные неполны, зашумлены и противоречивы. К таким задачам относятся биржевые и финансовые предсказания, моделирование кризисных ситуаций, распознавание образов и многие другие.

BrainMaker решает поставленную задачу, используя математический аппарат теории нейронных сетей (более конкретно - сеть Хопфилда с алгоритмом обучания back propagation). В оперативной памяти строится модель многослойной нейронной сети, которая обладает свойством обучаться на множестве примеров, оптимизируя свою внутреннюю структуру. При правильном выборе структуры сети и обучении на достаточно большом количестве примеров можно добиться достоверности результатов в 97% и даже выше.

NeuroShell 2 (Ward Systems Group) - универсальный пакет, предназначенный для нейросетевого анализа данных. С его помощью можно решать широкий спектр задач, начиная с широко распространенных задач, таких как прогнозирование курсов акций (облигаций, фьючерсов, валют , цен на нефть и т.д. ), и заканчивая менее распространенными задачами, такими как, например, обратные задачи в геофизике и другие сложные задачи;

NeuroShell Predictor и NeuroShell Classifier – классфикатор. Пакеты разработаны для тех, кто не имел предварительного опыта работы с нейронными сетями. В отличие от программы NeuroShell Predictor, которая на выходе нейронной сети дает непрерывное значение предсказываемой величины, нейронная сеть NeuroShell Classifier имеет несколько выходов, которые определяют вероятность принадлежности предъявленного образа к каждой из нескольких категорий. В качестве примеров категорий можно привести такие, как  {кислый, нейтральный, щелочной} или {купить, продать, воздержаться от сделок}.

NeuroShell Classifier легко использовать совместно с другими программами, поскольку он работает со стандартными текстовыми файлами. Эти файлы легко импортировать/экспортировать из программ электронных таблиц, таких, например,  как Excel или Lotus.

Пакет Excel Neural Package (компания «НейроОК») – это расширение, которое делает более функциональным, такое широко известное приложение для работы с данными, как Microsoft Excel 97. Дает возможность пользователю применять самые новые алгоритмы обработки цифровых данных, применяющие последние достижения в области нейронных сетей.

Практически этот пакет представляет из себя набор надстроек (add-ins) к Microsoft Excel.

Расширение Excel Neural Package содержит в себе два независимых компонента.

Winnet 3.0 - программно реализует популярную архитектуру нейронной сети - многослойный персептрон. Применяется для поиска и моделирования «невидимых» зависимостей в огромных массивах числовой информации, для которых не возможно невооруженным глазом разглядеть аналитические зависимости. Отличием от подобных систем является возможность построения нейросети с применением нелинейных нейронов.

Kohonen Map 1.0 - программный инструмент, предназначенный для построения и последующего анализа самоорганизующихся карт Кохонена. В основном данный инструмент применяют для визуализации многомерной информации. Человек может вывести любой массив данных в виде двухмерной цветной карты и визуализировать на этой карте различные интересующие его характеристики.

Читать резюме

Заключение