Zybex: cleanup bibliografii i rotten links

2023-12-22T16:26:00Z

cleanup bibliografii i rotten links

Nowa strona

'''Sztuczne [[sieci neuronowe]]''' są jednym z obszarów zastosowań informatyki, wywodzących się z prac badawczych mających na celu opracowanie sztucznej inteligencji (AI - Artificial Intelligence), są tzw. sztuczne sieci neuronowe (SSN), które powstały z interdyscyplinarnej syntezy nauk tradycyjnych obejmujących biologię, fizykę i matematykę. Ich dynamiczny [[rozwój]] nastąpił w ostatnich latach w wyniku wzrostu wydajności i możliwości komputerów, pojemności baz danych, złożoności oprogramowania systemowego i aplikacyjnego.

==TL;DR==
Sztuczne sieci neuronowe są zastosowaniem informatyki, które polega na opracowaniu sztucznej inteligencji. Mają zdolność generalizacji i mogą rozwiązywać problemy, których nie można rozwiązać w inny sposób. Istnieją różne rodzaje sieci, takie jak jednokierunkowe, rekurencyjne czy ze sprzężeniem zwrotnym. Mają szerokie zastosowanie w ekonomii, takie jak określanie profilu klienta czy prognozowanie ruchów cen. Proces uczenia sieci może odbywać się nadzorowanie lub nienadzorowanie.

==Cechy==
Podstawową cechą [[system]]ów opartych o sztuczne sieci neuronowe, która odróżnia je od typowych [[algorytm]]ów przetwarzania informacji jest [[zdolność]] generalizacji. Określa się ją inaczej jako zdolność sieci neuronowej do aproksymacji wartości funkcji wielu zmiennych w przeciwieństwie do interpolacji możliwej do otrzymania przy przetwarzaniu algorytmicznym. Można to ująć jeszcze inaczej. Np. [[systemy ekspertowe]] z reguły wymagają zgromadzenia i bieżącego dostępu do danych na temat zagadnień, o których będą rozstrzygały.

SSN wymagają natomiast jednokrotnego przeprowadzenia procesu uczenia, a potem wykazują one tolerancję na nieciągłości, przypadkowe zaburzenia lub wręcz braki danych występujące w zbiorze uczącym. Pozwala to na zastosowanie ich tam, gdzie nie da się efektywnie rozwiązać problemu w inny sposób.

Cechy charakterystyczne problemów dla sztucznych sieci neuronowych:
* przybliżana [[funkcja]] może być wektorem wartości a także może mieć wartości rzeczywiste lub dyskretne,
* [[akceptacja]] długiego czasu uczenia sieci,
* [[dane]] mogą podlegać "zaszumieniu" lub mogą zawierać błędy,
* trudność dla człowieka przy zinterpretowaniu wiedzy nabytej przez sieć,
* akceptacja dla sporej ilości parametrów algorytmu, które wymagają dopracowania eksperymentalnymi metodami <ref>, Stefanowski J., s. 18 </ref>.

<google>n</google>

==Architektura sztucznych sieci neuronowych==
'''Wyodrębnia się dwa rodzaje architektur sztucznych sieci neuronowych:'''
* sieci jednokierunkowe (ang. feedforwarded) czyli sieci, które mają jeden kierunek przepływu sygnałów. Przypadkiem szczególnym tej jednokierunkowej architektury jest sieć warstwowa, która przedstawia najpopularniejszą topologię.
* inne, takie jak np. sieci rekurencyjne. Są to sieci ze sprzężeniami zwrotnymi - sieć Hopfielda lub sieci Kohonena - uczenia się poprzez współzawodnictwo.

'''Neurony łączą się ze sobą na zasadzie:'''
* "każdy z każdym"
* połączeń między warstwami w sieciach warstwowych
* wyłącznie z pewną grupą neuronów, bardzo często z tak zwanym "sąsiedztwem" <ref>, Stefanowski J., s. 6 </ref>.

'''Wybrane rodzaje sieci neuronowych:'''
* warstwowe sieci nieliniowe
# uczona algorytmem wstecznej propagacji błędów, wielowarstwowa.
# wielowarstwowe ze zmianami algorytmu wstecznej propagacji błędów.
# z funkcjami, posiadające symetrię kołową - RBF.
* warstwowe sieci liniowe
# Adaline/Madaline.
* sieci uczone poprzez współzawodnictwo
# sieci Kohonena, LVQ.
# sieci samoorganizujące się SOM oraz odwzorowanie cech istotnych.
* sieci ze sprzężeniem zwrotnym
# dwukierunkowa pamięć asocjacyjna - BAM.
# sieci Hopfielda.
* sieci z kontrpropagacją oraz sieci rezonansowe ART
* wykorzystujące sieci neuronowe metody hybrydowe
* zintegrowane z algorytmami metaheurystycznymi
# maszyna Boltzmana - symulowane wyżarzanie.
# algorytmy genetyczne.
* systemy rozmyto-neuronowe <ref>, Stefanowski J., s. 10 </ref>.

==Zastosowania==
Ze względu na specyficzne cechy i niepodważalne zalety obszar zastosowań sieci neuronowych w zagadnieniach ekonomicznych jest rozległy. Wymienić należy przede wszystkim <ref>, Kącki E., s. 15-21 </ref>:
* określanie profilu klienta,
* badanie [[zdolności]] kredytowej podmiotów gospodarczych,
* [[prognozowanie]] ruchów cen, [[podaż]]y i popytu określonych [[asortyment]]ów towaru na rynku,
* wybór momentów kupna i [[sprzedaż]]y dla akcji wybranych spółek giełdowych,
* przewidywanie bankructw firm,
* przewidywanie zmian kursów walut,
* badanie wpływu czynników okołorynkowych na [[jakość]] prognoz,
* kształtowanie optymalnego poziomu wypełnienia magazynów surowców lub [[produkt]]ów.
Porównując ze sobą systemy eksperckie, [[systemy wspomagania decyzji]] i systemy sztucznej inteligencji oparte o sieci neuronowe, dają się zauważyć pewne różnice wynikając z różnego zakresu zastosowań, celu stosowania, wykorzystanych narzędzi informatycznych, rodzajów przetwarzanych informacji i algorytmów przetwarzania.

==Proces uczenia się sieci==
Istnieją dwa główne sposoby uczenia sieci:

1. uczenie nadzorowane (''ang. supervised learning'')
Gdy dany jest zbiór przykładów uczących, które składają się z par wejście-wyjście '''(xj, zj)''', '''zj''' jest odpowiedzią pożądaną sieci na wejściowe sygnały '''xj''' '''(j=1,..m)'''. Do zadań sieci należy nauczenie się jak najdokładniej to możliwe funkcji przybliżającej powiązanie wyjścia z wejściem. Dystans pomiędzy odpowiedzią sieci pożądaną a rzeczywistą jest miarą błędu, którą używa się do korekcji wag sieci.

2. uczenie nienadzorowane (''ang. unsuperivsed learning'') <ref>, Stefanowski J., s. 7 </ref>.

{{infobox5|list1={{i5link|a=[[Drzewo decyzyjne]]}} — {{i5link|a=[[Eksploracja danych]]}} — {{i5link|a=[[Big data]]}} — {{i5link|a=[[Agregacja]]}} — {{i5link|a=[[System ekspercki]]}} — {{i5link|a=[[Parametr]]}} — {{i5link|a=[[Data science]]}} — {{i5link|a=[[Indeks]]}} — {{i5link|a=[[Model ekonometryczny]]}} }}

==Przypisy==
<references />

==Bibliografia==
<noautolinks>
* Kącki E. (2003), ''Sztuczne sieci neuronowe w wybranych problemach zarządzania'', [w:] Zamojskie Studia i Materiały. Materiały z konferencji ''Informatyka w Ekonomii'' pod. red. J. Gruszeckiego, Wyższa Szkoła Zarządzania i Administracji w Zamościu, Zamość
* Stefanowski J. (2006), ''[https://www.cs.put.poznan.pl/jstefanowski/aed/TPDANN.pdf Sztuczne sieci neuronowe]'', Poznań
* Stęgowski Z. (2004), ''[http://www.ftj.agh.edu.pl/~stegowski/rozne/neurony/art_kern_1.pdf Sztuczne sieci neuronowe]'', Wydział Fizyki i Techniki Jądrowej, AGH
* Woźniak K. (2005), ''System informacji menedżerskiej jako instrument zarządzania strategicznego w firmie'', praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków
</noautolinks>

{{a|[[Krzysztof Woźniak]], Karolina Gralak}}
[[Kategoria:Przemysł 4.0]]

{{#metamaster:description|Sztuczne sieci neuronowe - interdyscyplinarne rozwiązanie informatyczne, opierające się na biologii, fizyce i matematyce. Dynamiczny rozwój tej technologii to efekt postępu technologicznego.}}

Sztuczne sieci neuronowe - Historia wersji

Zybex: cleanup bibliografii i rotten links