Sztuczne sieci neuronowe: Różnice pomiędzy wersjami

Z Encyklopedia Zarządzania
m (Dodanie MetaData Description)
m (cleanup bibliografii i rotten links)
Linia 13: Linia 13:
</ul>
</ul>
}}
}}


'''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.
'''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.
Linia 22: Linia 20:


==Cechy==
==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.  
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.  
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:
Cechy charakterystyczne problemów dla sztucznych sieci neuronowych:
Linia 44: Linia 42:


'''Wybrane rodzaje sieci neuronowych:'''
'''Wybrane rodzaje sieci neuronowych:'''
* warstwowe sieci nieliniowe  
* warstwowe sieci nieliniowe
# uczona algorytmem wstecznej propagacji błędów, wielowarstwowa.  
# uczona algorytmem wstecznej propagacji błędów, wielowarstwowa.
# wielowarstwowe ze zmianami algorytmu wstecznej propagacji błędów.
# wielowarstwowe ze zmianami algorytmu wstecznej propagacji błędów.
# z funkcjami, posiadające symetrię kołową - RBF.
# z funkcjami, posiadające symetrię kołową - RBF.
Linia 53: Linia 51:
# sieci Kohonena, LVQ.
# sieci Kohonena, LVQ.
# sieci samoorganizujące się SOM oraz odwzorowanie cech istotnych.
# sieci samoorganizujące się SOM oraz odwzorowanie cech istotnych.
* sieci ze sprzężeniem zwrotnym  
* sieci ze sprzężeniem zwrotnym
# dwukierunkowa pamięć asocjacyjna - BAM.
# dwukierunkowa pamięć asocjacyjna - BAM.
# sieci Hopfielda.
# sieci Hopfielda.
* sieci z kontrpropagacją oraz sieci rezonansowe ART
* sieci z kontrpropagacją oraz sieci rezonansowe ART
* wykorzystujące sieci neuronowe metody hybrydowe  
* wykorzystujące sieci neuronowe metody hybrydowe
* zintegrowane z algorytmami metaheurystycznymi  
* zintegrowane z algorytmami metaheurystycznymi
# maszyna Boltzmana - symulowane wyżarzanie.
# maszyna Boltzmana - symulowane wyżarzanie.
# algorytmy genetyczne.
# algorytmy genetyczne.
Linia 65: Linia 63:
==Zastosowania==
==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>:
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,  
* określanie profilu klienta,
* badanie [[zdolności]] kredytowej podmiotów gospodarczych,
* badanie [[zdolności]] kredytowej podmiotów gospodarczych,
* [[prognozowanie]] ruchów cen, [[podaż]]y i popytu określonych [[asortyment]]ów towaru na rynku,
* [[prognozowanie]] ruchów cen, [[podaż]]y i popytu określonych [[asortyment]]ów towaru na rynku,
Linia 83: Linia 81:


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


==Bibliografia==
==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
<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) ''[http://www.cs.put.poznan.pl/jstefanowski/aed/TPDANN.pdf Sztuczne sieci neuronowe] Poznań
* Stefanowski J. (2006) ''[http://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, 2004 nr.1  
* 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, 2004 nr.1
* Woźniak K. (2005) ''[[System informacji menedżerskiej]] jako instrument zarządzania strategicznego w firmie'', [[praca]] doktorska, Akademia Ekonomiczna w Krakowie, Kraków
* Woźniak K. (2005), ''System informacji menedżerskiej jako instrument zarządzania strategicznego w firmie'', praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków
 
</noautolinks>
==Przypisy==
<references/>


{{a|[[Krzysztof Woźniak]], Karolina Gralak}}
{{a|[[Krzysztof Woźniak]], Karolina Gralak}}

Wersja z 22:40, 28 paź 2023

Sztuczne sieci neuronowe
Polecane artykuły

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 [1].

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" [2].

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 [3].

Zastosowania

Ze względu na specyficzne cechy i niepodważalne zalety obszar zastosowań sieci neuronowych w zagadnieniach ekonomicznych jest rozległy. Wymienić należy przede wszystkim [4]:

  • 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) [5].

Przypisy

  1. , Stefanowski J., s. 18
  2. , Stefanowski J., s. 6
  3. , Stefanowski J., s. 10
  4. , Kącki E., s. 15-21
  5. , Stefanowski J., s. 7

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, 2004 nr.1
  • Woźniak K. (2005), System informacji menedżerskiej jako instrument zarządzania strategicznego w firmie, praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków


Autor: Krzysztof Woźniak, Karolina Gralak