План проведения лабораторных занятий

Лабораторные занятия 1,2. Базы данных. Обработка и анализ, различные методы.

Лабораторное занятие 3. Знакомство с аналитической платформой «DEDUCTOR».

Лабораторные занятия 4,5. Построение нейронной сети в аналитической платформе «DEDUCTOR».

Лабораторные занятия 6,7. Построение нейронных сетей различной конфигурации в аналитической платформе «DEDUCTOR».

УТВЕРЖДАЮ Заведующий кафедрой математического анализа и дифференциальных уравнений профессор Мерлин А. В. “____”_____________2010г.

Приложение 2

МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ СТУДЕНТАМ

ПО ВЫПОЛНЕНИЮ САМОСТОЯТЕЛЬНОЙ РАБОТЫ ПО КУРСУ

Сд.Р.15 «Нейронные сети в экономических исследованиях»

Программа дисциплины «Нейронные сети в экономических исследованиях» предусматривает следующие виды самостоятельной работы студентов:

Подготовка к лабораторным занятиям – 10 часов

Самостоятельное изучение учебных вопросов – 6 часов

Подготовка к зачету – 10 часов

Подготовка к лабораторным занятиям включает в себя проработку теоретического материала по теме занятия и выполнения домашней работы на компьютере.

При затруднении в решении задач необходимо обратиться к справочной литературе. Рекомендуется для самостоятельного изучения использовать следующие учебные пособия:

1. Федотов В. Х. Нейронные сети в экономике: учебное пособие / Федотов В. Х., [отв. ред. И. М. Петров] ; Чуваш. гос. ун-т им. И. Н. Ульянова - Чебоксары: Изд-во Чуваш. ун-та, 2006. - 298с.: ил.. - ISBN 5-7677-0879-7.

2. Круглов В. В. Искусственные нейронные сети: Теория и практика / Круглов В. В., Борисов В. В. - 2-е изд. - М.: Горячая Линия-Телеком, 2002. - 382с.: ил.. - ISBN 5-93517-031-0.

3. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений: Финансы и статистика / Барский А. Б. - М.: Финансы и статистика, 2004. - 175с.: ил. - (Прикладные информационные технологии). - ISBN 5-279-02757-Х.

Также активно нужно использовать возможности сети Интернет и официальный сайт компании ООО «Аналитические технологии» http://www.basegroup.ru, на котором работает форум, где специалисты обмениваются опытом. Студенты могут задавать свои вопросы там.

Самостоятельное изучение учебных вопросов подразумевает работу с основной и дополнительной литературой, выполнение заданий преподавателя, дополняющих лекционный материал.

Подготовка к зачету подразумевает повторение тем изученных разделов, самостоятельное решение типовых задач, выносимых на зачетную работу.

Примерный перечень вопросов к зачету

1. Существующие методы обработки и анализа данных.

2. История развития искусственных нейронных сетей.

3. Области применения искусственных нейронных сетей.

4. Проблемы и задачи, к решению которых применимы технологии искусственных нейронных сетей.

5. Базы данных. Обработка и анализ, различные методы.

6. Понятие искусственного интеллекта.

7. Компьютерные программы.

8. Средства «Data Mining».

9. Основные понятия и определения.

10. Биологический нейрон.

11. Структура и свойства искусственного нейрона.

12. Нейронная сеть.

13. Классификация нейронных сетей.

14. Однослойные и многослойные нейронные сети.

15. Теорема Колмогорова-Арнольда.

16. Работа Хехт-Нильсена.

17. Следствия из работ Колмогорова-Арнольда и Хехт-Нильсена.

18. Использование средств EXCEL для решения задач линейного планирования.

19. Архитектура (топология) нейронных сетей.

20. Виды функций активации.

21. Нейросети обратного распространения.

22. Нейросети встречного распространения.

23. Оценка необходимого числа нейронов в скрытых слоях.

24. Сети Кохонена.

25. Сети Хопфилда.

26. Нейроподобные системы автономного адаптивного управления.

27. Задачи, решаемые в контексте нейронных сетей.

28. Получение достоверной базы данных.

29. Выбор структуры нейронной сети.

30. Оценка необходимого числа нейронов в скрытых слоях.

31. Обучение нейронной сети.

32. Алгоритм обратного распространения ошибки.

33. Обучение нейросетей обратного распространения.

34. Проход вперед. Обратный проход.

35. Подстройка весов выходного слоя.

36. Подстройка весов скрытого слоя.

37. Схемы обучения нейронных сетей обратного распространения.

38. Проблемы обучения нейросетей.

39. Возможные недостатки при обучении (обощение, переобучение).

40. Примеры задач. Получение достоверных баз данных.

41. Обработка данных.

42. Средства «Data Mining».

43. Аналитическая платформа «Deductor».

44. Выбор структуры нейронной сети.

45. Обучение сети.

46. Критерии остановки работы сети.