Sieci neuronowe


Opis szkolenia: Kurs ten przeznaczony jest dla osób znających już rutynowe metody przetwarzania danych z wykorzystaniem środków techniki komputerowej, które chcą poszerzyć zestaw wykorzystywanych technik o metody oparte na nowoczesnej i bardzo efektywnej technice 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. Uczestnicy poznają także narzędzia pozwalające na ominięcie najbardziej pracochłonnych etapów projektowania sieci.

Wymagania: umiejętność obsługi komputera w środowisku Windows.

Kontynuacją mogą być np. szkolenia:Prognozowanie i analiza szeregów czasowych, Praktyczne zastosowania technik regresyjnych w STATISTICA, Prognozowanie w przedsiębiorstwie, Analizy wielowymiarowe, kursy z cyklu data mining.

Terminy szkoleń: 08.06.2017 - 09.06.2017; 20.11.2017 - 21.11.2017;

Program szkolenia:

  1. Podstawy sieci neuronowych
    • Przyczyny i okoliczności wzrostu zainteresowania tematyką sieci
    • Budowa neuronu i jego modelu – sztucznego neuronu
    • Wybór struktury sieci i czynniki determinujące strukturę
    • Problem rozmiaru sieci
  2. Metody uczenia sieci
    • Proste uczenie pojedynczego neuronu
    • Współczynniki uczenia i dobór ich wartości
    • Uczenie jako minimalizacja funkcji błędu
    • Sieci wielowarstwowe i wsteczna propagacja błędu
    • Problemy minimów lokalnych funkcji błędu i nowe sposoby uczenia
  3. Problem samouczenia sieci
    • Możliwości i ograniczenia typowych sieci samouczących się
    • Samouczenie z konkurencją
    • Samouczenie z sąsiedztwem i sieci Kohonena
  4. Zastosowania sieci neuronowych
    • Rozpoznawanie obrazów i grupowanie obiektów
    • Aproksymacja funkcji i filtracja sygnałów
    • Predykcja z wykorzystaniem sieci
    • Optymalizacja przy użyciu sieci
  5. STATISTICA Automatyczne Sieci Neuronowe – podstawy pracy
    • Ogólne wiadomości na temat posługiwania się programem
    • Przygotowywanie plików z danymi
    • Wstępna analiza danych
    • Definiowanie sieci neuronowych
  6. Neuronowe modele regresyjne i klasyfikacyjne
    • Definiowanie sieci jednokierunkowych
    • Metody uczenia sieci jednokierunkowych i dobór parametrów określających sposób działania procedury uczącej
    • Ocena jakości uzyskanych modeli sieci
    • Możliwości aplikacyjne oszacowanych modeli neuronowych
    • Właściwości perceptronów wielowarstwowych (sieci MLP)
    • Sieci o radialnych funkcjach bazowych
    • Porównanie sieci oraz wybór najlepszego modelu
    • Redukcja struktury sieci przy pomocy członu kary
    • Zespoły modeli
  7. Neuronowa analiza szeregów czasowych
    • Budowa neuronowych modeli autoregresyjnych
    • Specyfika wstępnej analizy szeregów czasowych
    • Ocena jakości modeli szeregów czasowych
  8. Sieci realizujące analizę skupień
    • Struktura jedno- i dwuwymiarowej sieci Kohonena
    • Realizacja operacji porządkowania i grupowania obiektów przy pomocy sieci Kohonena
    • Wizualizacja i interpretacja wyników działania sieci Kohonena