formalnie: Zastosowanie sieci neuronowych do wspomagania decyzji biznesowych

formalnie: Zastosowanie sieci neuronowych do wspomagania decyzji biznesowych

Dorota [email protected]

nieformalnie: Wspomaganie decyzji nie zwalnia od decyzji...

Plan wykaduZastosowania sieci neuronowych:klasyfikacjaaproksymacjaprognozowaniefiltrowanieasocjacjegrupowanie

zagadnienie klasyfikacjiwymagania:znane kategoriezbir uczcy (reprezentatywny)

decyzja do podjcia:kodowanie wyjciastosowane sieci:jednokierunkowe sieci neuronoweprzykad:klasyfikacja formacji giedowych

kodowanie wyjcia?

kodowanie wyjcia

kodowanie wyjciakodowanie jeden na jeden

kodowanie wyjciakodowanie binarne

zagadnienie klasyfikacji (przykad)wspomaganie decyzji biznesowych z wykorzystaniem sieci neuronowych wymaga m.in.:decyzji dotyczcej wyboru elementw analizy technicznejokrelenie okna czasowegostworzenie odpowiedniego zbioru uczcego

rdo rysunkw: http://www.newtrader.pl/kliny,953,techniczna.htmlhttp://bossa.pl/index.jsp?layout=2&page=0&news_cat_id=204

zagadnienie aproksymacjiklasyczna aproksymacja metodami numerycznymi napotyka na trudnoci, gdy:prbujemy przybliy funkcj znan tylko dla ograniczonej liczby ustalonych punktw (zbyt maa liczba punktw prbkowania)gwatowne zwroty wartoci funkcji midzy tymi punktami.

stosowane sieci:jednokierunkowe sieci neuronowe

zagadnienie prognozowaniaprognozowanie jako szczeglny rodzaj aproksymacji

stosowane sieci:jednokierunkowe sieci neuronowe

przykad:prognozowanie notowa giedowych

zagadnienie prognozowania (przykad)wspomaganie decyzji biznesowych z wykorzystaniem sieci neuronowych wymaga m.in.:decyzji dotyczcej wyboru szeregu czasowegoliczby punktw z przeszoci (opnie)liczby punktw z przyszoci (np. prognozowanie na podstawie danych miesicznych tego, co bdzie si dziao za rok)w przypadku notowa giedowych:okrelenie okna czasowegoeliminacja trendu

zagadnienie filtrowania danychSie Hopfieldasie jednowarstwowa ze sprzeniem zwrotnymsygna wejciowy dyskretny: -1, 1funkcja aktywacji:

uczenie jednoetapoweuruchamianie asynchroniczne

uczenie jednoetapowe:

Sie Hopfielda uczenie

Sie Hopfielda uczenieuczenie jednoetapowe:

lub (zapis macierzowy):

Sie Hopfielda uczenie (przykad)obrazy do zapamitania w sieci:

Sie Hopfielda uczenie (przykad)macierz wag: symetryczna zera na przektnej wagi neuronu (wiersz/kolumna)(przykad) wagi drugiego neuronu:

Sie Hopfielda uruchamianieuruchamianie wieloetapowe: synchroniczne (?) asynchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjcia

Uruchamianie synchroniczne (?)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?

Uruchamianie synchroniczne (NIE!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaz ktrym z zapamitanych obrazw kojarzy si ?

never ending story:(

Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia

Uruchamianie asynchroniczne (TAK!)kryterium stopu: aden z neuronw nie zmienia wartoci swego wyjciaasynchroniczne jeden neuron uaktualnia warto wyjcia

?

Co pamita sie Hopfielda?przynajmniej cz obrazw intencjonalnie zapamitanych+ negatywy tych obrazwskojarzenie: wzorzec najbliszy wg miary Hamminga

!

Co i ile pamita sie Hopfielda?przynajmniej cz obrazw intencjonalnie zapamitanych+ negatywy tych obrazwskojarzenie: wzorzec najbliszy wg miary Hammingapojemno pamici autoasocjacyjnej: P liczba zapamitanych obrazw z prawdopodobiestwem bliskim jednoci

Hopfield po co pamita?zastosowanie pamici autoasocjacyjnych: filtrowanie (odszumianie) uzupenianie

sie BAM (Kosko): asocjacjearchitektura: dwuwarstwowauczenie jednoetapoweuruchamianie synchronicznedwa tryby: wejcie: a, wyjcie: b wejcie: b, wyjcie: apojemno pamici:

sie BAM (Kosko): asocjacjeuczenie jednoetapowe:

BAM: uczenie (przykad)uczenie jednoetapowe:

BAM: uruchamianie (przykad)uruchamianie synchronicznekryterium stopu: aden z neuronw jednej z dwch warstw nie zmienia wartoci swego wyjcia

zagadnienie grupowania danychSie Kohonenasie jednowarstwowaneurony o cigej funkcji aktywacjiinterpretacja geometryczna wagzdolno grupowania danych na N gruppodobiestwo zdefiniowane jako: jak najmniejsze rnice poszczeglnych skadowych wejciowych w stosunku do (?)

Uruchamianie sieci Kohonenainterpretacja wag neuronu: charakterystyczny reprezentant grupy

dane wejciowe zostaj zaklasyfikowane do grupy reprezentowanej przez neuron o najwikszej wartoci wyjcia

Uruchamianie sieci Kohonenainterpretacja wag neuronu: charakterystyczny reprezentant grupy

dane wejciowe zostaj zaklasyfikowane do grupy reprezentowanej przez neuron o najwikszej wartoci wyjcia

Jak teoria mijaa si z prawd

Wagi sieci Kohonenawymagana jest normalizacja wag:

Uczenie sieci Kohonenaregua WINNER TAKES ALL korekcie wag podlega tylko neuron zwycizca

korekcie wag podlega nie tylko neuron zwycizca, ale rwnie neuronw nalecych do ssiedztwa

Sie Kohonena, problemywymagana znajomo maksymalnej liczby grupsie nie zna odpowiedzi NIE WIEM kady z obrazw wejciowych zostanie zaklasyfikowany do jednej z N grup

Sie Kohonena, zaskakujce (?) wasnociKto tak naprawd zwycia i skd to si bierze?

Sieci neuronowe (podsumowanie)architektura:jednowarstowe/wielowarstwowez/bez sprzenia zwrotnegouczenie z/bez nauczycielazastosowania:klasyfikacjaaproksymacja, prognozowaniefiltrowanie (auto/heteroasocjacja)grupowanie (detekcja regularnoci)

Nauka... jako konsekwencja decyzjiparadygmat naukowyrewolucja naukowa (Thomas Kuhn)

Problemy... rzeczywistoRozwizywanie problemw vs podejmowanie decyzji

Strategie podejmowania decyzji

Problemy... sztuczne sieci neuronoweRozwizywanie problemw vs podejmowanie decyzji

**********

Documents

formalnie: Zastosowanie sieci neuronowych do wspomagania decyzji biznesowych