(5 оценок, среднее: 4,80 из 5)
Загрузка...
Учебная работа. Курсовая работа: Интеллектуальные информационные системы 4
НОО ВПО «Дальневосточный институт интернациональных отношений»
Кафедра экономики и прикладной информатики
Специальность 080801.65«Прикладная информатика (в экономике)»
Курсовая работа
по дисциплине: Информационные системы
по теме: Умственные информационные системы
Выполнил: студент 4 курса
Хабаровск 2007г.
СОДЕРЖАНИЕ
ВВЕДЕНИЕ3
1 понятие «СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»5
1.1 понятие и систематизация систем искусственного интеллекта7
2 ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕЙ В ФИНАНСАХ И бизнесе12
2.1 Прогнозирование на базе нейросетей13
2.2 Достоинства и недочеты прогнозирования на нейросетях15
2.3 Обзор программных товаров16
3 ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ НА ПРАКТИКЕ18
ЗАКЛЮЧЕНИЕ23
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ25
приложение А27
ПРИЛОЖЕНИЕ Б28
ВВЕДЕНИЕ
Современная экономика невообразима без инфы. Тыщи компаний, миллионы налогоплательщиков, триллионы рублей, биржевые котировки, реестры акционеров — все эти информационные потоки нужно оценить, обработать, создать нужные выводы, принять правильное решение.
Современный спец — экономист должен уметь принимать обоснованные решения. Для этого вместе с классическими познаниями, таковыми как базы менеджмента, базы внешнеэкономической деятель, банковское дело, административное управление, налогообложение он должен обладать информацией по построению информационных систем.
Умственные технологии – один из крайних шагов развития аналитических технологий. Аналитическими технологиями именуют методики, которые на базе каких-то моделей, алгоритмов, математических теорем разрешают по известным данным оценить значения неведомых черт и характеристик. Простой пример аналитической технологии — аксиома Пифагора, которая дозволяет по длинам сторон прямоугольного треугольника найти длину его третьей стороны. Иным примером являются методы, при помощи которых обрабатывает информацию человечий мозг (центральный отдел нервной системы животных, обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков).
Аналитические технологии необходимы сначала людям, принимающим принципиальные решения — руководителям, аналитикам, профессионалам, консультантам. Доход компании в большенный степени определяется качеством этих решений – точностью прогнозов, оптимальностью избранных стратегий. Более всераспространены аналитические технологии, применяемые для решения последующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и т.д.
Как правило, для настоящих задач бизнеса и производства не существует точных алгоритмов решения. Ранее руководители и специалисты решали такие задачки лишь на базе личного опыта. При помощи современных аналитических технологий строятся системы, дозволяющие значительно повысить эффективность решений.
Искусственный ум является на данный момент “жаркой точкой” научных исследовательских работ. В данной для нас точке, как в фокусе, сконцентрированы самые большие усилия кибернетиков, языковедов, психологов, философов, математиков и инженеров. Конкретно тут решаются почти все коренные вопросцы, связанные с способами развития научной мысли, с действием достижений в области вычислительной техники и роботики
на жизнь будущих поколений людей. Тут появляются и получают права гражданства новейшие способы научных междисциплинарных исследовательских работ. Тут формируется новейший взор на роль тех либо других научных результатов и возникает то, что можно было бы именовать философским
осмыслением этих результатов.
Цель курсовой работы заключается в исследовании понятия системы искусственного ума, прогнозирования на базе нейронных сетей в денег и бизнесе, рассмотрение примеров внедрения нейронных сетей на практике:
· Создание группы профессионалов;
· Покупка готовой заказной системы;
· Создание своей системы «с нуля»;
· Создание системы на базе готовых «нейропакетов»;
· Внедрение нейросетей в разных областях бизнеса и технологий.
Задачка состоит в анализе плюсов и недочетов каждой нейронной технологии зависимо от характеристик внедрения.
1 ПОНЯТИЕ «СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»
Существует много разных подходов к систематизации информационных систем:
– по степени структурированности решаемых задач;
– по автоматизируемым функциям;
– по степени автоматизации реализуемых функций;
– по сфере внедрения и людей есть разные уровни предметной обученности: проигрывание (память); решение обычных задач (умения, способности); решение необычных, творческих задач (познания, активное умственное осознание).
Ум может проявляется в разных областях, но мы разглядим его способности в решении задач, т.к. эта область проявления является обычной для ума. задачки бывают обычные и неординарные. Для обычных задач известны методы решения. Для необычных они неопознаны. Потому решение необычной задачки представляет собой делему.
Само понятие «стандартности» задачки относительно, относительна сама «неизвестность»: т.е. метод быть может известен одним и неизвестен остальным, либо информация о нем быть может труднодоступной в определенный момент либо период времени, и доступной – в иной. Потому для одних задачка быть может обычной, а для остальных нет. Нахождение либо разработка метода решения переводит задачку из разряда необычных в обычные.
В арифметике и кибернетике задачка считается решенной, если известен метод ее решения.
Разработка метода решения задачки соединено с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высочайшей квалификации.
Считается, что эта работа является творческой, значительно неформализуемой и просит роли человека с его «естественным» опытом и умом. тут нужно отметить, что существует разработка решения изобретательских задач (ТРИЗ), в какой изготовлена попытка, по воззрению почти всех профессионалов, достаточно удачная, позволяющая в некий степени формализовать функцию решения творческих задач.
Умственными числятся задачки, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.
Отличительной индивидуальностью и одним из главных источников эффективности алгоритмов будет то, что они сводят решение сложной задачки к определенной последовательности довольно обычных либо даже простых для решения задач. В итоге нерешаемая задачка становится решаемой. Начальная информация поступает на вход метода, на любом шаге она преобразуется и в таком виде передается на последующий шаг, в итоге что на выходе метода выходит информация, представляющая собой решение задачки. Метод быть может исполнен таковой системой, которая способна воплотить простые операции на разных шагах этого метода.
Существует ряд задач, таковых, как определение образов и идентификация, прогнозирование, принятие решений по управлению, для которых разбиение процесса поиска решения на отдельные простые шаги, а означает и разработка метода, очень затруднительны. Из этих рассуждений вытекает последующее определение ума: ум представляет собой всепригодный метода, способный разрабатывать методы решения определенных задач.
Исходя из вышесказанного, можно прийти к выводу о том, что в нашем случае более подступает систематизацией ИС, основанная на аспекты, позволяющем оценить «степень интеллектуальности ИС», т.е. на аспекты «степени структурированности решаемых задач» (набросок 1).
Набросок 1. систематизация информационных систем по степени структурированности решаемых задач
1.1 понятие и систематизация систем искусственного ума
Есть последующие классы систем искусственного ума:
1. системы с умственной оборотной связью и умственными интерфейсами.
2. Автоматические системы определения образов.
3. Автоматические системы поддержки принятия решений.
4. Экспертные системы (ЭС).
5. Генетические методы и моделирование эволюции.
6. Когнитивное моделирование.
7. Выявление познаний из опыта (эмпирических фактов) и умственный анализ данных (data mining).
8. Нейронные сети.
системы с умственной оборотной связью и умственными интерфейсами:
Умственный интерфейс (Intelligent interface) — интерфейс конкретного взаимодействия ресурсов информационного комплекса и юзера средством программ обработки текстовых запросов юзера.
Примером может служить программка идентификация и аутентификация личности по почерку. Аутентификация – это проверка, вправду ли юзер является тем, за кого себя выдает. При всем этом юзер должен за ранее сказать о для себя идентификационную информацию: свое имя и пароль, соответственный нареченному имени.
Идентификация – это установление его личности.
И идентификация, и аутентификация являются обычными задачками определения образов, которое может проводиться по заблаговременно определенной либо случайной последовательности нажатий кнопок.
системы с био оборотной связью (БОС). Это системы, поведение которых зависит от психофизиологического (био) состояния юзера:
мониторинг состояния служащих на конвейере с целью
обеспечения высочайшего свойства продукции.
Компьютерные тренажеры для обучения нездоровых с многофункциональными нарушениями управлению своим состоянием.
Компьютерные игры с БОС.
системы с семантическим резонансом. системы, поведение которых зависит от состояния сознания юзера и его психической реакции на смысловые стимулы.
системы виртуальной действительности.
Виртуальная действительность (ВР) – модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и близко к реальности реагирующая на взаимодействие с юзерами.
Технической базой систем виртуальной действительности являются современные массивные индивидуальные компы и программное обеспечение качественной трехмерной визуализации и анимации. В качестве устройств ввода-вывода инфы в системах ВР используются виртуальные шлемы с мониторами, а именно шлемы со стереоскопическими очками, и устройства 3D-ввода, к примеру, мышь с пространственно управляемым курсором либо «цифровые перчатки», которые обеспечивают тактильную оборотную связь с юзером.
Автоматические системы определения образов:
Система определения образов — это класс систем искусственного ума, обеспечивающих:
– формирование определенных образов объектов и обобщенных образов классов;
– обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками), т.е. формирование обобщенных образов классов на базе ряда примеров объектов, классифицированных (т.е. отнесенных к тем либо другим категориям – классам) учителем и составляющих обучающую подборку;
– самообучение, т.е. формирование кластеров объектов на базе анализа неклассифицированной обучающей подборки;
– определение, т.е. идентификацию (и прогнозирование) состояний объектов, обрисованных признаками, друг с другом и с обобщенными видами классов;
– измерение степени адекватности модели;
решение оборотной задачки идентификации и прогнозирования (обеспечивается не всеми моделями).
Автоматические системы поддержки принятия решений:
Системы поддержки принятия решений (СППР) – это компьютерные системы, практически постоянно интерактивные, разработанные, чтоб посодействовать менеджеру (либо руководителю) в принятии решений управления, объединяя данные, сложные аналитические модели и комфортное для юзера программное обеспечение в единую сильную систему, которая может поддерживать слабоструктурированное и неструктурированное принятие решения. СППР находиться под управлением юзера от начала до реализации и употребляется раз в день. Создана для автоматизации выбора оптимального варианта из начального огромного количества других в критериях многокритериальности и неопределенности начальной инфы.
Экспертные системы:
Экспертная система (ЭС) – это программка, которая в определенных отношениях подменяет профессионала либо группу профессионалов в той либо другой предметной области. ЭС предусмотрены для решения практических задач, возникающих в слабо структурированных и тяжело формализуемых предметных областях.
Исторически, ЭС были первыми системами искусственного ума, которые завлекли внимание потребителей. Экспертные системы употребляются в маркетинге для сегментации рынка и выработке рекламных программ, также в банковском деле для определения тенденции рынка, трейдинг для программирования котировок акций и валют, в аудите для подготовки заключений о финансовом состоянии компаний.
Генетические методы и моделирование эволюции:
Генетические Методы (ГА) – это адаптивные способы многофункциональной оптимизации, основанные на компьютерном имитационном моделировании био эволюции. Генетический метод — новый метод решения задач оптимизации в экономике (см. приложение А).
Когнитивное моделирование:
Это метод анализа, обеспечивающий определение силы и направления воздействия причин на перевод объекта управления в целевое состояние с учетом сходства и различия в воздействии разных причин на объект управления.
Базирована на когнитивной структуризации предметной области, т.е. на выявление будущих мотивированных и ненужных состояний объекта управления и более существенных (базовых) причин управления и наружной среды, влияющих на переход объекта в эти состояния, также установление на высококачественном уровне причинно-следственных связей меж ними, с учетом взаимовлияния причин друг на друга.
Результаты когнитивной структуризации показываются при помощи когнитивной карты (модели) (см. приложение Б).
В экономической сфере это дозволяет в сжатые сроки создать и доказать стратегию экономического развития компании, банка, региона либо даже целого страны с учетом воздействия конфигураций во наружной среде; в сфере денег и фондового рынка – учитывать ожидания участников рынка.
Выявление познаний из опыта (эмпирических фактов) и умственный анализ данных (data mining):
Умственный анализ данных (ИАД либо data mining) – это процесс обнаружения в «сырых» данных ранее неведомых, нетривиальных, фактически нужных и доступных интерпретации познаний, нужных для принятия решений в разных сферах людской деятель. Заслуги технологии data mining интенсивно употребляются в банковском деле для решения заморочек Телекоммуникации, анализа биржевого рынка и др.
Нейронные сети:
Искусственная нейронная сеть (ИНС, нейросеть) — это набор нейронов, соединенных меж собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некие входы нейронов помечены как наружные входы сети, а некие выходы — как наружные выходы сети. Подавая любые числа на входы сети, мы получаем некий набор чисел на выходах сети. Фактически всякую задачку можно свести к задачке, решаемой нейросетью.
Наиболее тщательно о ИНС и ее применении в экономике и денег будет поведано в последующей главе.
2 ИСПОЛЬЗОВАНИЕ НЕЙРОнных СЕТЕЙ В ФИНАНСАХ И бизнесе
Нейронные сети возникли в 40-х годах, но в денег и экономике применять их начали только в конце 80-х, когда была подтверждена сходимость главных классов нейронных сетей и значительно усовершенствована точность определения.
Главные задачки внедрения нейронных сетей в финансовом мире — прогнозирование котировок главных инструментов (курсов валют, ценных бумаг, ГКО и др.) и определения определенных ситуаций (к примеру, подозрительных операций с кредитной картой).
Получение решения при помощи сети можно поделить на последующие этапы: создание сети, ее обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) и фактически решение задачки.
Поначалу сеть строится, т. е. выбирается архитектура сети, количество слоев, передаточные функции, исходные веса. Последующим шагом является обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками), при котором сети подаются на вход значения, с известными ответами, сеть воспринимает решение, и происходит корректировка весов в согласовании с корректностью принятого решения. Обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) длится до того времени, пока результаты принятия решения сетью не станут удовлетворительными. Опосля того, как сеть обучена, ее можно использовать для решения практических задач. Важная изюминка людского мозга (центральный отдел нервной системы животных и человека) заключается в том, что, в один прекрасный момент обучившись определенному процессу, он может правильно действовать и в тех ситуациях, в каких он не бывал в процессе обучения. к примеру, мы можем читать практически хоть какой почерк, даже если лицезреем его 1-ый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большенный вероятностью верно реагировать на новейшие, не предъявленные ей ранее данные. Нейросетевой подход в особенности эффективен в задачках экспертной оценки по той причине, что он соединяет внутри себя способность компа к обработке чисел и способность мозга (центральный отдел нервной системы животных и человека) к обобщению и распознаванию.
Примером сети, направленной на поиск зависимостей, можно привестинейросеть на базе методики МГУА (способ группового учета аргументов), которая дозволяет на базе обучающей подборки выстроить зависимость 1-го параметра от остальных в виде полинома. Таковая сеть может не только лишь одномоментно выучить таблицу умножения, да и отыскать сложные сокрытые зависимости в данных (к примеру, денежных), которые не обнаруживаются обычными статистическими способами.
Кластеризация — это разбиение разнородного набора примеров на несколько областей (кластеров), по каким-то общим признакам, при этом число кластеров заблаговременно непонятно. Кластеризация дозволяет представить неоднородные данные в наиболее приятном виде и применять дальше для исследования всякого кластера разные способы. К примеру, таковым образом можно стремительно выявить фальсифицированные страховые случаи либо нерадивые компании.
2.1 Прогнозирование на базе нейросетей
Прогнозирование — это главный момент при принятии решений в управлении. Конечная эффективность хоть какого решения зависит от последовательности событий, возникающих уже опосля принятия решения. Возможность предсказать неуправляемые нюансы этих событий перед принятием решения дозволяет создать лучший выбор, который, в неприятном случае, мог бы быть не таковым удачным. Потому системы планирования и управления, обычно, реализуют функцию прогноза. Дальше перечислены примеры ситуаций, в каких полезно прогнозирование.
Управление материально-производственными припасами. В управлении припасами запасных частей на предприятии по ремонту самолетов совсем нужно оценить степень используемости каждой детали. На базе данной для нас инфы определяется нужное количество запасных частей. Не считая того, нужно оценить ошибку прогнозирования. Эта ошибка быть может оценена, к примеру, на базе данных о времени, которое пригодилось для доставки деталей, которых не было на складе.
Планирование производства. Для того, чтоб планировать Создание семейства товаров, может быть, нужно спрогнозировать продажу для всякого наименования продукта, с учетом времени доставки, на несколько месяцев вперед. Эти прогнозы для конечных товаров могут быть позже преобразованы в требования к полуфабрикатам, компонентам, материалам, рабочим и т.д. Таковым образом, на основании прогноза быть может построен график работы целой группы компаний.
Финансовое планирование. Денежного менеджера интересует, как будет изменяться валютный оборот компании со временем.
Менеджер может пожелать выяснить, в которой период времени в дальнейшем оборот компании начнет падать, с тем, чтоб принять соответственное решение уже на данный момент.
Разработка расписания персонала. Менеджер почтовой компании должен знать прогноз количества обрабатываемых писем, с тем, чтоб обработка выполнялась в согласовании с расписанием персонала и производительностью оборудования.
Планирование новейшего продукта. Решение о разработке новейшего продукта обычно просит длительного прогноза того, каким спросом он будет воспользоваться. Этот прогноз не наименее важен, чем определение инвестиций нужных для его производства.
Управление технологическим действием. Прогнозирование также быть может принципиальной частью систем управления технологическими действиями. Следя главные переменные процесса и используя их для пророчества грядущего поведения процесса, можно найти наилучшее время и продолжительность управляющего действия. К примеру, некое действие в течение часа может увеличивать эффективность хим процесса, а позже оно может снижать эффективность процесса. Прогнозирование производительности процесса быть может полезно при планировании времени окончания процесса и общего расписания производства.
2.2 Достоинства и недочеты прогнозирования на нейросетях
Прогнозирование на НС владеет недочетов. Даже при прогнозировании требования на довольно размеренный продукт на базе инфы о каждомесячных продажах, может быть мы не сможем накопить историю за период от 50 до 100 месяцев. Для сезонных действий неувязка еще наиболее сложна. Любой сезон истории практически представляет собой одно наблюдение. Другими словами, в каждомесячных наблюдениях за 5 лет будет лишь пятьнаблюдений за январь, 5 наблюдений за февраль и т.д. Может потребоваться информация за большее число сезонов для того, чтоб выстроить сезонную модель. Но, нужно отметить, что мы можем выстроить удовлетворительную модель на НС даже в критериях нехватки данных. Модель может уточняться по мере того, как свежайшие данные становится доступными.
Иным недочетом нейронных моделей — значимые Издержки по времени и остальным ресурсам для построения удовлетворительной модели. Эта неувязка не чрезвычайно принципиальна, если исследуется маленькое число временных последовательностей. Тем не наименее, обычно прогнозирующая система в области управления созданием может включать от нескольких сотен до нескольких тыщ временных последовательностей.
Но, невзирая на перечисленные недочеты, модель владеет плюсов. Существует удачный метод видоизменять модель по мере того, как возникают новейшие наблюдения. Модель отлично работает с временными последовательностями, в каких мал интервал наблюдений, т.е. быть может получена относительно долгая временная последовательность. По данной для нас причине модель быть может применена в областях, где нас заинтересовывают ежечасовые, каждодневные либо еженедельные наблюдения. Эти модели также употребляются в ситуациях, когда нужно рассматривать маленькое число временных последовательностей.
2.3 Обзор программных товаров
В данной главе приведены короткие свойства более всераспространенных программных товаров.
NeuroShell 2 — программная среда с дружеским и интуитивно понятным интерфейсом, в какой реализованы более всераспространенные и действенные нейросетевые архитектуры. Этот программный продукт удовлетворит и новенького, и специалиста. NeuroShell аккомпанирует целая серия дополнений, которые могут значительно упростить решение ряда специфичных задач.
GeneHunter — «охотник за генами» употребляет генетические методы для решения сложных, чрезвычайно сложных и очень-очень сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. юзер решает свои задачки конкретно из рабочего листа, содержащего данные. Не считая того, в состав GeneHunter заходит динамическая библиотека функций генетических алгоритмов, совместимая с NeuroWindows, что дозволяет юзеру создавать массивные гибридные системы, сочетающие нейронные сети и генетические методы.
NeuroShell Trader не похож ни на один из графических пакетов поэтому, что массивные нейронные сети для пророчеств стают ощутимыми. Лишь соединив вкупе более принципиальные принципы графического отображения, технический анализ и нейронные сети в один обычный пакет, оказалось вероятным сделать продукт специально для трейдеров.
NeuroShell Easy Series
Easy — в перводе «легкий, обычный» — совсем не значит, что в данную серию входят примитивные методы. Напротив, нейросетевые архитектуры, лежащие в базе программ данной серии, являются самыми крайними достижениями научного поиска, результатом которого явилось создание метода «самопостроения» нейронной сети, обладающей рекордными скоростями обучения. Потому термин «легкий» относится к простоте, с которой юзер может обрабатывать свои данные. Сейчас юзер должен сосредоточиться лишь на формулировке задачки, все другое программки данной серии сделают сами.
В состав серии входят:
NeuroShell Easy Predictor — Предсказатель
NeuroShell Easy Classifier — Классификатор
NeuroShell Easy Run-Time Server — генератор автономных файлов.
NeuroShell Easy Predictor — дает возможность с легкостью создавать системы для решения задач
прогнозирования и пророчества на базе имеющейся базы данных. Это могут быть пророчества последующих значений характеристик временного ряда, к примеру, пророчество курса акций, либо оценка какой-нибудь величины, определяемой набором независящих причин, к примеру, оценка цены квартир либо подержанных каров.
NeuroShell Easy Classifier — предназначен для решения задач определения образов, связанных с определением принадлежности предъявляемого вида (ситуации) к той либо другой группы. к примеру, по набору биржевых характеристик производить сигнал для покупки либо реализации акций той либо другой компании.
NeuroShell Easy Run-Time Server — содержит серию программ, которые разрешают применять сети, сделанные при помощи NeuroShell Easy Predictor и NeuroShell Easy Classifier или из рабочих листов Microsoft® Excel™, или в собственных программках.
NeuroWindows — представляет собой динамическую библиотеку нейросетевых функций, при помощи которых программер в состоянии выстроить нейросетевые структуры фактически случайной архитектуры.
3 ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ НА ПРАКТИКЕ
Нейронные сети и генетические методы в истинное время находят большущее число различных применений. Вправду, в хоть какой области людской деятельности есть плохо алгоритмизуемые задачки, для решения которых нужна или неизменная работа группы обученных профессионалов, или адаптивные системы автоматизации, каковыми являются нейронные сети. Различные компании выбирают различные варианты — одни предпочитают растрачивать средства на оплату наилучших профессионалов и их обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками), остальные приобретают вполне готовые спец нейросетевые системы, а третьи сочетают эти подходы, создавая собственные системы с нуля либо на базе готовых коммерческих пакетов. Любой из вариантов внедрения новейших технологий имеет свои плюсы и недочеты (таб.1, 2, 3, 4):
Таблица 1 — Создание группы профессионалов
Плюсы
Недочеты
Таблица 2 — Покупка готовой заказной системы
Плюсы
Недочеты
Таблица 3 — Создание своей системы «с нуля»
Плюсы
Недочеты
Таблица 4 — Создание системы на базе готовых «нейропакетов»
Плюсы
Недочеты
Из приведенной таблицы видно, что выбор варианта решения должен определяться исходя из целей и способностей компании. 1-ые три варианта больше подходят чрезвычайно большим компаниям, планирующим деятельность на 5-10 лет вперед и не ожидающим резвой окупаемости вложений в новейшие технологии. По этому пути идут почти все западные конторы, желающие прирастить прибыльность собственного бизнеса в критериях твердой конкуренции.
Вариант сотворения своей системы на базе готового нейропакета подступает для наименее больших компаний и даже для личных лиц — инвесторов, трейдеров, бизнесменов. Вообщем, имеется и несколько примеров больших концернов, избравших этот вариант и добившихся фуррора. Так, к примеру, компания DuPont разработала новейший материал — неопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет употребляется в больших западных банках, таковых как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и остальных. Ниже будет поведано о неких методах использования нейросетей в разных областях бизнеса и технологий (таблица 5):
Таблица 5 — Внедрение нейросетей в разных областях бизнеса и технологий
Функции
До внедрения нейросетей
Опосля внедрения нейросетей
1. Отслеживание операций с краденными и поддельными кредитными картами
Отслеживание операций по картам при помощи особых программ и операторов
Спец система Falcon конторы HNC дозволяет по частоте сделок и то есть заключения о сущности болезни и состоянии пациента»>диагностика (процесс установления диагноза, то есть заключения о сущности болезни и состоянии пациента)
Принятая методика беспристрастной диагностики заключается в том, что в процессе обследования регистрируются «вызванные потенциалы» (отклики мозга (центральный отдел нервной системы животных и человека)) в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха у деток доктору нужно провести около 2000 тестов, что занимает около часа.
Компанией «НейроПроект» сотворена система беспристрастной диагностики слуха у грудных деток. Нейросеть способна с той же достоверностью найти уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, при этом без роли квалифицированного персонала.
3. Обнаружение фальсификаций
Применение специальной экспертной системы с 14% эффективностью.
Нейросеть дозволяет обнаруживать 38% жульнических случаев. Для опции системы были применены также способы нечеткой логики и генетической оптимизации.
Продолжение таблицы 5
4. анализ потребительского рынка
Обыденные способы прогнозирования отклика потребителей рекламной службой и группой аналитиков.
Компания GoalAssist Corporation выстроила две нейросети для решения данной для нас задачки. 1-ая из их — это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались разные характеристики продуктов и маркетинговой политики. При помощи данной для нас сети, предназначенной специально для систематизации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вкупе с ответом первой сети подавались дальше на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но адаптированную для задач количественного прогнозирования. Средняя ошибка пророчеств составила всего около 4%. Построение данной для нас модели заняло около 120 часов, также потребовалось время на предобработку входных данных.
5. исследование причин спроса
Проведение рекламных и социологических исследовательских работ. для этого компании проводят опросы потребителей, дозволяющие узнать, какие причины являются для пользователя решающими при покупке данного продукта либо услуги, почему в неких вариантах предпочтение отдается соперникам, и какие улучшения продукта пользователь желал бы узреть в дальнейшем.
Нейросетевые способы разрешают вывлять сложные зависимости меж факторами спроса, предсказывать продукта.
Продолжение таблицы 5
6.Прогнозирова-ние употребления энергии
Эти данные получают в итоге измерений потребляемой энергии для всякого клиента. Измерения проводятся любые 15 минут, при этом понятно, что некие из их — неверны.
При помощи нейросетей была построена система выявления неверных измерений, также система прогнозирования употребления энергии в любой момент времени. Познание четкого прогноза позволило энергетической компании применять гибкую тарифную политику и прирастить свою Прибыль.
7. Оценка недвижимости
Стоимость недвижимости зависит от огромного числа причин. Потому что вид данной для нас зависимости неизвестен, то обычные способы анализа неэффективны в задачке оценки цены квартиры. Как правило, эта задачка решается экспертами-оценщиками, работающими в агентстве по недвижимости. Недочетом такового подхода является субъективность оценщика, также вероятные разногласия меж разными профессионалами.
Есть удачные примеры решения задачки беспристрастной оценки при помощи нейросети.
Приведенные выше примеры демонстрируют, что технологии нейронных сетей применимы фактически в хоть какой области. В неких задачках, таковых как прогнозирование котировок либо определение образов, нейросети стали уже обычным инвентарем. Нет колебаний, что повсеместное проникновение новейших технологий и в остальные области — лишь вопросец времени.
Внедрение новейших наукоемких технологий в коммерческой фирме — довольно сложное дело, требующее, не считая средств и времени, к тому же некой перемены психологии. Но, практика указывает, что эти вложения окупаются и выводят компанию на отменно новейший уровень.
ЗАКЛЮЧЕНИЕ
Нейронные сети — это обобщенное заглавие нескольких групп математических алгоритмов, объединенных одним общим свойством — умением учиться на группе примеров, “узнавая” потом черты ранее встреченных образов и ситуаций.
Главными предопределяющими критериями их использования являются наличие «исторических данных», используя которые нейронная сеть сумеет обучиться, также невозможность либо неэффективность использования остальных, наиболее формальных, способов. Для того, чтоб сеть можно было использовать в предстоящем, ее до этого нужно «натренировать» на приобретенных ранее данных, для которых известны и значения входных характеристик, и правильные ответы на их. Нейросеть может «научиться» даже на массиве сгенерированных случайных чисел.
Нейросетевые технологии, используемые в финансовом и остальных способах анализа, издавна закончили быть престижной экзотикой и вызывать недоумение профессионалов. В мире накоплен огромный опыт внедрения нейросетей, 100 из 100 западных денежных и промышленных компаний используют нейротехнологии в том либо ином виде. В Рф же еще не так давно отыскать солидный нейропакет было очень тяжело. Но к истинному времени барьер недоверия подломлен, возникли обнадеживающие результаты решения разных аналитических задач с элементами нейротехнологий в критериях грозной русской реальности. сейчас аналитики могут избрать для себя систему построения прогнозов соответственно собственному вкусу, кругу решаемых задач.
В данной курсовой работе изучена тема использования нейронных сетей в денег и бизнесе, показано применение нейросетевых технологий на практике, их плюсы и недочеты зависимо от характеристик внедрения.
Нейрокомпьютеры разрешают с высочайшей эффективностью решать целый ряд «умственных» задач. Это задачки определения образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейросети и нейрокомпьютеры представляют собой принципно новейший подход к описанным дилеммам.
Разработки в области нейрокомпьютеров поддерживаются целым рядом интернациональных и государственных программ. В истинное время эксплуатируется не наименее 50 нейросистем в самых разных областях — от денежных прогнозов до экспертизы.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 1997 г., №4.
2. Виноградова, М.М. Умственные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг штатской продукции оборонной индустрии: доклад научно-практических семинаров. – М., 2001.
3. Грабауров, В.А.Информационные технологии для менеджеров/В.А. Грабауров. — М.: Изд-во «Деньги и статистика», 2001. – 368 с.
4. Луценко, Е.В. Умственные информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2006. – 615 с.
5. NeuroProject [электрический ресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&DataAnalysis, 1992 – 2006. — Режим доступа: HTTP// www.neuroproject.ru, вольный. – Название с экрана.
6. Финн В.К. Искусственный ум: Идеологическая база и главный продукт, 9-я государственная конференция по искусственному уму, Труды конференции, Т.1, М., Физматлит, 2004, с.11-20.
7. Финн В.К. О умственном анализе данных //Анонсы искусственного ума №3, 2004.
8. Карпов В.Э. Эволюционное моделирование. Препядствия формы и содержания // Анонсы искусственного ума №5, 2003.
9. Барсуков А.П. Кто есть кто в робототехнике. Справочник. Вып.1., ДМК-Пресс, 2005, -125 с.
10.
Добрынин Д.А., Карпов В.Э. Моделирование неких простых форм поведения: от условных рефлексов к индуктивной адаптации //Сб. научных трудов I Интернациональной конференции «Системный анализ и информационные технологии САИТ-2005», М.: КомКнига, Т.1, стр. 188-193.
приложение
А
(непременное)
Обычной генетический метод
ПРИЛОЖЕНИЕ Б
(непременное)
разработка когнитивного анализа и моделирования
]]>