Sztuczne sieci neuronowe

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 systemów opartych o sztuczne sieci neuronowe, która odróżnia je od typowych algorytmów 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 .

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" .

Wybrane rodzaje sieci neuronowych:

• warstwowe sieci nieliniowe

1. uczona algorytmem wstecznej propagacji błędów, wielowarstwowa.
2. wielowarstwowe ze zmianami algorytmu wstecznej propagacji błędów.
3. z funkcjami, posiadające symetrię kołową - RBF.

• warstwowe sieci liniowe

1. Adaline/Madaline.

• sieci uczone poprzez współzawodnictwo

1. sieci Kohonena, LVQ.
2. sieci samoorganizujące się SOM oraz odwzorowanie cech istotnych.

• sieci ze sprzężeniem zwrotnym

1. dwukierunkowa pamięć asocjacyjna - BAM.
2. sieci Hopfielda.

• sieci z kontrpropagacją oraz sieci rezonansowe ART
• wykorzystujące sieci neuronowe metody hybrydowe
• zintegrowane z algorytmami metaheurystycznymi

1. maszyna Boltzmana - symulowane wyżarzanie.
2. algorytmy genetyczne.

• systemy rozmyto-neuronowe .

Zastosowania

Ze względu na specyficzne cechy i niepodważalne zalety obszar zastosowań sieci neuronowych w zagadnieniach ekonomicznych jest rozległy. Wymienić należy przede wszystkim :

• określanie profilu klienta,
• badanie zdolności kredytowej podmiotów gospodarczych,
• prognozowanie ruchów cen, podaży i popytu określonych asortymentów towaru na rynku,
• wybór momentów kupna i sprzedaży 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 produktów.

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) .

Sztuczne sieci neuronowe — artykuły polecane

Drzewo decyzyjne — Eksploracja danych — Big data — Agregacja — System ekspercki — Parametr — Data science — Indeks — Model ekonometryczny

Bibliografia

• 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), Sztuczne sieci neuronowe, Poznań
• Stęgowski Z. (2004), 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

Autor: Krzysztof Woźniak, Karolina Gralak