-
С одним скрытым слоем;[nb 3]
-
С пороговой передаточной функцией;
-
С прямым распространением сигнала.
-
Что такое обучение персептрона? Что является результатом обучения персептрона?
Способность искусственных нейронных сетей обучаться является их наиболее интригующим свойством. Подобно биологическим системам, которые они моделируют, эти нейронные сети сами моделируют себя в результате попыток достичь лучшей модели поведения.
Обучение может быть с учителем или без него. Для обучения с учителем нужен «внешний» учитель, который оценивал бы поведение системы и управлял ее последующими модификациями. При обучении без учителя сеть путем самоорганизации делает требуемые изменения. Обучение персептрона является обучением с учителем.
-
К какой математической задаче сводится обучение персептрона?
(???)
-
Что такое коэффициент скорости обучения?
Constant Learn Rate- скорость обучения (коэффициент скорости обучения).
Коэффициент скорости обучения определяет силу изменений, которые претерпевают веса сети за один шаг обучения. Таким образом, чем больше этот коэффициент, тем грубее будут подстраиваться веса и тем сильнее сеть будет "шататься" по поверхности ошибки.
-
Алгоритм обучения с учителем персептрона?
(???)
-
Структура многослойной нейронной сети?
-
Чем определяется количество входных и выходных нейронов?
-
Как определяется количество скрытых слоев и нейронов в них?
-
В чем отличие обучения многослойной нейронной сети от обучения персептрона?
-
В чем состоит алгоритм обратного распространения ошибки?
-
Какие проблемы возникают при использовании алгоритма обратного распространения ошибки?
-
Что такое проблемы обобщения и переобучения нейронной сети? Как решаются эти проблемы?
Контрольные вопросы:
-
Какие имеются типовые этапы решения практических задач с использованием нейронных сетей?
-
Как задается область значений целевого параметра? Приведите примеры.
-
Что такое масштабирование данных? Как производится масштабирование?
-
Какие бывают качественные данные?
-
Как преобразуются качественные данные в количественные?
-
Что такое волатильность входных и выходных параметров?
-
Что нужно делать при высокой волатильности?
-
Что такое периодичностью временного процесса?
-
Что нужно делать, если периодичность имеется?
-
Для чего нужен анализ корреляции входных и выходных параметров?
-
Для чего нужно перемешивание обучающих фактов?
-
Как определить количество слоев и нейронов в них? Приведите формулы для оценки.
-
Почему необходимо предусмотреть возможность динамического сокращения ошибки обучения?
-
Что такое контроль "здоровья" сети? Как он производится?
-
Зачем используются шумы в обучающем процессе? Как вносятся шумы?
-
Что такое случайность процесса обучения? Как увеличить точность прогноза?
Контрольные вопросы:
-
По каким критериям оцениваются программные системы для нейросетевого моделирования?
-
Какие функции имеют специализированные нейросетевые системы для прогнозирования на финансовых рынках?
Data Mining для Excel
-
Надстройки SQL Server Data Mining для Microsoft Office: Table Analysis Tools, Data Mining Client, Data Mining Templates for Visio.
-
Инструменты Table Analysis Tools (закладка Анализировать): Анализ ключевых факторов влияния, Поиск категорий, Заполнение по примеру, Прогноз, Выделение исключений, Анализ сценария (Поиск решения, Анализ гипотетических вариантов).
-
Группы инструментов Data Mining Client (закладка Интеллектуальный анализ данных): “Подготовка данных», «Моделирование данных», «Точность и правильность», «Использование модели», «Управление моделью», «Соединения».
-
Инструменты группы «Подготовка данных»
-
Инструменты группы «Моделирование данных»,
-
Инструменты группы «Точность и правильность»
-
Инструменты группы «Использование модели»