Sieci neuronowe

online 2 dni

Software: Statistica | Level: Intermediate | Language: Polish

Podczas szkolenia prezentowane są wszystkie najważniejsze architektury sieci neuronowych i metody ich uczenia. Uczestnicy zapoznają się z modułem Automatyczne Sieci Neuronowe programu Statistica i zawartymi w nim metodami uczenia sieci oraz narzędziami służącymi do analizy neuronowego modelu. Poznają także narzędzia umożliwiające ominięcie najbardziej pracochłonnych etapów projektowania sieci.

Pierwszy dzień kursu zapewni podstawy teoretyczne, drugi to już praktyczne aspekty budowy modeli z wykorzystaniem programu Statistica.

Dla kogo?

Dla osób zainteresowanych wykorzystaniem sieci neuronowych – jednej z flagowych metod sztucznej inteligencji w analizie swoich danych.

Co zyskasz?

Poznasz różne rodzaje sieci neuronowych oraz sposoby ich uczenia i oceny.
Będziesz umiał dopasować rodzaj sieci neuronowej do Twojego problemu badawczego.
Samodzielnie zbudujesz sieci neuronowe (m.in. perceptron, sieć Kohonena) dla konkretnych problemów.
Zdobędziesz umiejętność eksperymentalnego dobrania optymalnej topologii sieci oraz jej parametrów dla konkretnych danych.
Zapoznasz się z dobrymi praktykami modelowania sieci neuronowych.
Dostaniesz praktyczne wskazówki, jak unikać błędów w modelowaniu, doborze próby i interpretacji wyników.

Sign up

Book / Enquire

Program
Trainer
Organizational information

Program szkolenia:

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
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
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
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
Neuronowa analiza szeregów czasowych
- Budowa neuronowych modeli autoregresyjnych
- Specyfika wstępnej analizy szeregów czasowych
- Ocena jakości modeli szeregów czasowych
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

Polecamy kolejne szkolenia:

Z cyklu: Data mining
Prognozowanie i analiza szeregów czasowych
Prognozowanie w przedsiębiorstwie
Praktyczne zastosowania technik regresyjnych w Statistica
Analizy wielowymiarowe

[PL] Grzegorz Migut z brodą, w ciemnej marynarce i jasnoniebieskiej koszuli w kropki, ze złączonymi dłońmi, na jednolitym tle. [EN] Grzegorz Migut with a beard in a dark blazer and a light blue polka-dot shirt, with clasped hands, against a plain background.

Grzegorz Migut, PhD

PhD from the Cracow University of Economics, College of Management and Quality Sciences. MSc in Economic Informatics.
He teaches in the postgraduate Business Intelligence program at the Warsaw School of Economics and the Biostatistics postgraduate program at the Medical University of Łódź.
With over 20 years of experience in data analytics and machine learning, he has led major analytical projects in finance and industry, as well as in medical and natural sciences.
Trainer at StatSoft Poland since 2006. Current courses include:
• Neural Networks,
• Logistic Regression in Medical and Natural Sciences,
• Multivariate Analysis in Python,
• Statistics in Medicine – Analysis of Qualitative Data,
• Classification Models in Science – Building, Interpreting, and Evaluating,
• Statistics in Scientific Research – Applications and Best Practices,
• Forecasting and Data Analysis in Energy.

Kurs odbywa się online.

Wymagania:

Umiejętność obsługi komputera w środowisku Windows

Similar courses

Analizy wielowymiarowe

Podczas kursu zaprezentowane zostaną najpopularniejsze metody wielowymiarowe, które znajdują zastosowanie w analizie zjawisk złożonych, opisanych za pomocą dużej liczby zmiennych. […]

Learn more

Prognozowanie i analiza szeregów czasowych

Szkolenie dla osób, które chcą poznać podstawowe i zaawansowane techniki prognozowania i analizy szeregów czasowych. Uczestnicy poznają podstawowe pojęcia (proces […]

Learn more

Prognozowanie metodami uczenia maszynowego w Python

Prognozowanie jest jednym z najczęstszych zadań analizy danych: w końcu któż nie chciałby wiedzieć co będzie w przyszłości? Jednocześnie prognozowanie […]

Learn more