Opis kursu: Kurs ten przeznaczony jest dla osób znających już rutynowe metody przetwarzania danych i rozwiązywania z wykorzystaniem środków techniki komputerowej, które chcą poszerzyć asortyment wykorzystywanych technik o metody wynikające z nowoczesnej i bardzo efektywnej techniki sieci neuronowych. Uczestnicy zapoznają się z programem STATISTICA Automatyczne Sieci Neuronowe i metodami uczenia sieci neuronowych w nim zawartych, a także narzędziami służącymi do analizy neuronowego modelu. Podczas kursu prezentowane są wszystkie najważniejsze architektury sieci i metody ich uczenia. Kursanci poznają także narzędzia pozwalające na ominięcie najbardziej pracochłonnych etapów projektowania sieci.

Wymagania: umiejętność obsługi komputera w środowisku Windows.

Kontynuacją mogą być np. kursy: Prognozowanie i analiza szeregów czasowych, Analiza regresji, Prognozowanie w przedsiębiorstwie, Analizy wielowymiarowe, kursy z cyklu data mining.

Terminy: 25-26.01.2010, 9-10.03.2010, 21-22.06.2010, 20-21.09.2010, 06-07.12.2010,

Program kursu:

• Podstawy sieci neuronowych
  • Przyczyny i okoliczności wzrostu zainteresowania tematyka sieci
  • Budowa neuronu i jego modelu - sztucznego neuronu
  • Wybór struktury sieci i czynniki determinujące strukturę
  • Problem rozmiaru sieci
• Metody uczenia sieci
  • Proste uczenie pojedynczego neuronu
  • Współczynniki uczenia i dobór ich wartości
  • Uczenie jako minimalizacja funkcji błędu
  • Sieci wielowarstwowe i wsteczna propagacje błędu
  • Problemy minimów lokalnych funkcji błędu i nowe sposoby uczenia
• Problem samouczenia sieci
  • Możliwości i ograniczenia typowych sieci samouczących się
  • Samouczenie z konkurencją
  • Samouczenie z sąsiedztwem i sieci Kohonena
• Zastosowania sieci neuronowych
  • Rozpoznawanie obrazów i grupowanie obiektów
  • Aproksymacja funkcji i filtracja sygnałów
  • Predykcja z wykorzystaniem sieci
  • Optymalizacja przy użyciu sieci
• STATISTICA Automatyczne Sieci Neuronowe - podstawy pracy
  • Ogólne wiadomości na temat posługiwania się programem
  • Przygotowywanie plików z danymi
  • Wstępna analiza danych
  • Definiowanie sieci neuronowych
  • Współpraca z pakietem STATISTICA
• Neuronowe modele regresyjne
  • Definiowanie wielowarstwowych sieci jednokierunkowych
  • Metody uczenia wielowarstwowych sieci jednokierunkowych i dobór parametrów określających sposób działania procedury uczącej
  • Ocena jakości uzyskanych modeli sieciowych
  • Możliwości aplikacyjne oszacowanych modeli neuronowych
  • Sieci liniowe
  • Sieci o radialnych funkcjach bazowych
  • Sieci neuronowe realizujące regresję uogólnioną
  • Porównanie sieci regresyjnych
• Neuronowa analiza szeregów czasowych
  • Budowa neuronowych modeli autoregresyjnych
  • Specyfika wstępnej analizy szeregów czasowych
  • Ocena jakości modeli szeregów czasowych
• Projektowanie struktury modeli neuronowych
  • Zastosowanie algorytmów genetycznych w procesie doboru zmiennych wejściowych
  • Redukcja wymiaru przestrzeni danych wejściowych poprzez zastosowanie sieci autoasocjacyjnych
  • Określanie optymalnej struktury sieci przy pomocy metody symulowanego wyżarzania
  • Redukcja struktury sieci przy pomocy członu kary
• Sieci klasyfikujące
  • Struktura jedno- i dwuwymiarowej sieci Kohonena
  • Realizacja operacji porządkowania i grupowania obiektów przy pomocy sieci Kohonena
  • Wizualizacja i interpretacja wyników działania sieci Kohonena
  • Probabilistyczne sieci neuronowe