Авторы: Александр Ежов, Сергей Шумский
Александр
Ежов,...
Ежов,...
Сергей
Шумский,...
Шумский,...
Форма обучения:
дистанционная
Стоимость самостоятельного обучения:
бесплатно
Доступ:
свободный
Документ об окончании:
Вам нравится? Нравится 23 студентам
Уровень:
Специалист
Длительность:
15:29:00
Студентов:
1881
Выпускников:
399
Качество курса:
4.43 | 4.13
В этом курсе лекций, прочитанном авторами в Финансово-Аналитическом Колледже МИФИ, мы знакомим читателя с основами нейросетевой обработки данных и примерами типовых применений, преимущественно в области финансов и бизнеса.
Опыт авторов свидетельствует, что главным препятствием к широкому практическому применению нейрокомпьютинга служит недостаточное понимание его основ. Этот курс писался с целью восполнить этот пробел. Поэтому основное внимание здесь уделяется описанию принципов нейросетевой обработки данных, их потенциальных возможностей и преимуществ, а также подробному разбору нескольких конкретных применений. Упор делается на концептуальной стороне дела, а не на описании конкретных алгоритмов. Предполагается, что в случае необходимости читатель сможет воспользоваться одним из многочисленных коммерческих нейро-эмуляторов, а не возьмется программировать нейросети "с нуля" на С++. Главная задача курса - научить читателя "видеть" нейросетевые постановки задач в его повседневной работе, помочь ему автоматизировать рутинную обработку сложной многофакторной информации с помощью современного математического аппарата - искусственных нейронных сетей.
Хотя авторы старались избегать математических выкладок и, по возможности, упростить изложение, хотелось бы заранее предупредить, что материал этого курса рассчитан на достаточно подготовленного читателя - как минимум студента старших курсов. "Идеальный" читатель - студент, научный работник, финансовый аналитик, консультант, брокер или просто бизнесмен, желающий повысить эффективность своего бизнеса путем более вдумчивой работы с доступной ему информацией.
Специальности: Программист, Экономист
Теги: CNAPS, java, агенты, алгоритмы, анализ, длина маршрута, задача коммивояжера, задачу аппроксимации, интеллект, искусственная жизнь, кластеры, компоненты, логика, метод обратного распространения ошибки, минимальный базис, нейронные сети, нейросетевой алгоритм, нечеткая логика, обучение, поиск, рекуррентная сеть, серверы, сеть хопфилда, статистика, теория, хромосомы, эффективность
План занятий
Занятие
Заголовок <<
Дата изучения
Лекция 1
1 час 8 минут
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.
Оглавление
-
Лекция 2
1 час 7 минут
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.
Оглавление
-
Лекция 3
1 час 7 минут
Обучение с учителем: Распознавание 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 алгоритмы.
Оглавление
-
Лекция 4
58 минут
Обучение без учителя: Сжатие информации
Прототипы задач: кластеризация данных, анализ главных компонент, сжатие информации. Хеббовское обучение. Автоассоциативные сети.
Конкурентное обучение. Сети Кохонена. Гибридные архитектуры.
Оглавление
-
Лекция 5
1 час 8 минут
Рекуррентные сети: Ассоциативная память
Сеть Хопфилда 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 Хопфилда с точки зрения теории информации. Выделение прототипов и предсказание новых классов.
Оглавление
-
Лекция 6
1 час 6 минут
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.
Оглавление
-
Лекция 7
59 минут
Предобработка данных
Как решаются конкретные задачи? Кодирование входов-выходов. Виды нормировки. Линейная предобработка входов. Понижение размерности и
отбор наиболее значимых входов.
Оглавление
-
Лекция 8
1 час 5 минут
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.
Оглавление
-
Лекция 9
1 час 2 минуты
Извлечение знаний с помощью нейронных сетей
Искусственный интеллект, экспертные системы и нейронные сети. Извлечение правил из нейронных сетей. Алгоритм NeuroRule.
Прореживание нейронных сетей. Обучение нейронных сетей с одновременным исправлением данных. Алгоритм TREPAN для извлечения
деревьев решений с использованием нейронных сетей.
Оглавление
-
Лекция 10
44 минуты
Предсказание рисков и рейтингование
Зачем нужны и какие бывают рейтинги? Нейросетевое рейтингование ценных бумаг. Предсказание банкротств. Возможно ли объективное
рейтингование? Пример нейросетевого анализа российских банков.
Оглавление
-
Лекция 11
1 час 26 минут
Нейронные сети и ...
Нейронные сети и статистика. Нейронные сети и нечеткая логика. Нейронные сети и экспертные системы. Нейронные сети и статистическая
физика.
Оглавление
-
Лекция 12
6 минут
Заключение
Еще несколько примеров применений нейросетей в бизнесе: оценка стоимости квартир в Москве, карта состояний фондового рынка,
категоризация крупнейших компаний России. Заключение
Оглавление
-