Главная
Биография
Научные труды
Дисциплины
Лекции (old)
Программное обеспечение
Дипломники
Материалы студентов
Заметки
Сотрудничество
Патенты
Услуги
Ссылки
Блог
Контакты


ФОРУМ

Курс лекций 'Нейрокомпьютерные системы'. Рабочая программа по курсу 'Нейрокомпьютерные системы' ('Нейронные сети')

Одно из определений: "это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов"

Пионеры нейросетевых исследований - Розенблатт, Уидроу, Хофф (Rosenblatt, Widrow, Hoff)

Курс закрыт в связи с переходом на систему бакалавр + магистр (возможно всплывет у магистров по 080801). Частично курс перенесен в дисциплину "Интеллектуальные информационные системы"

Старый курс по нейросетям Здесь

Программные реализации нейросетей



Преимущества нейронных сетей

1. Нелинейность. Наиболее важным свойством искусственных нейронных сетей, обусловленным спецификой нелинейности, является то, что она распространяется по сети. Попытка смоделировать нелинейные физические механизмы, к которым, относится механизм ценообразования на фондовом рынке, предполагает нелинейность модели, которую могут обеспечить нейронные сети. Это главное преимущество данного подхода по сравнению с классическими методами анализа. Конечно, если элементы сети, нейроны, являются линейными, то и сеть будет линейной.

2. Адаптивность. Любая нейронная сеть может адаптироваться к новой среде, подстраиваясь к изменениям при помощи регулирования синаптических весов между нейронами. Это свойство позволяет использовать системы на основе нейронных сетей в нестационарных, то есть динамических средах. Для анализа фондового рынка, сложной самоорганизующейся динамической системы, адаптивность искусственных нейронных сетей является приоритетной.

3. Отсутствие априорных наблюдений. Моделирование механизмов ценообразования на фондовом рынке с использованием априорных эмпирических наблюдений отдаляет этот подход от чисто технического. Искусственные нейронные сети позволяют создавать модели, которые обучаются с нуля. Это свойство предоставляется благодаря возможности прямого отображения входных данных в выходные при обучении.

4. Однородность и гибкость. Искусственные нейронные сети являются универсальным и очень гибким инструментом анализа. Во-первых, все сети состоят из элементарных частиц - нейронов. Во-вторых, архитектура нейронных сетей, в пределах класса задач, которые должны быть решены, в значительной степени похожа, что позволяет быстро модифицировать инструмент. И в-третьих, особенностью искусственных нейронных сетей является модульность, то есть существует возможность интеграции одной сети в другую. (Взято: 4 Бенджио Иошуа, Гудфеллоу Ян, Глубокое обучение - Мск: ДМК Пресс, 2017.)


С П Р А В О Ч Н И К   П О   Н Е Й Р О Н Н Ы М   С Е Т Я М
==============================================================================
Применение нейросетей
Алгоритм обратного распространения ошибки
Каталог нейросетей

Нейросетевые топологии

Нейросеть Элмана

Переводы статей

Читаемые курсы лекций

Нейросети Искусственный интеллект Методы оптимизации ПИС Сетевая экономика БД МПИ

АСД
ПО ЭИС
НТИС
ФЛП
МатЛогика
Ч.М.Э.
МиИМППР
Интернет-технологии
Web-технологии
Machine Learning

Курсовые работы и проекты
Каталоги научных журналов

Связь (по всем вопросам) с администратором сайта E-mail: sneveld@rambler.ru
При использовании материалов сайта просьба указывать ссылку http://www.shumkoff.ru и первоисточники (если указаны)
Обмен ссылками
Карта сайта