Преподаватель который помогает студентам и школьникам в учёбе.

Применение сетей в экономике

Содержание:

ВВЕДЕНИЕ

Современная немыслима без информации. Тысячи предприятий, налогоплательщиков, рублей, котировки, реестры - все эти потоки оценить, обработать, необходимые выводы, правильное решение.

Современный - должен принимать обоснованные решения. Для наряду с знаниями, как основы менеджмента, внешнеэкономической деятельности, дело, административное управление, он владеть по построению систем.

Интеллектуальные – один из этапов развития технологий. технологиями называют методики, на каких-либо моделей, алгоритмов, математических теорем по данным значения характеристик и параметров. пример технологии - Пифагора, которая по сторон треугольника длину его стороны. примером способы, с которых обрабатывает человеческий мозг.

Аналитические нужны в очередь людям, принимающим решения - руководителям, аналитикам, экспертам, консультантам. компании в степени качеством этих решений – прогнозов, выбранных стратегий. Наиболее распространены технологии, для следующих задач: для курсов валют, цен на сырье, спроса, компании, уровня безработицы, страховых случаев, и т.д.

Как правило, для задач и не существует алгоритмов решения. руководители и решали такие только на личного опыта. С современных аналитических строятся системы, существенно эффективность решений.

Искусственный является “горячей точкой” научных исследований. В этой точке, как в фокусе, наибольшие усилия кибернетиков, лингвистов, психологов, философов, и инженеров. здесь многие вопросы, с путями развития мысли, с достижений в вычислительной техники и на будущих людей. возникают и получают права новые научных исследований. Здесь формируется взгляд на роль тех или иных результатов и возникает то, что было бы философским этих результатов.

Цель работы в понятия системы интеллекта, на нейронных в финансах и бизнесе, примеров нейронных на практике.

Задача в достоинств и каждой нейронной в от внедрения.

ПОНЯТИЕ "СИСТЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА"

1.1. и систем интеллекта

Существует различных к классификации информационных систем:

– по структурированности задач;

– по функциям;

– по автоматизации функций;

– по применения и использования информации, в частности, по управления.

Известно, что при людей различные уровни предметной обученности: (память); стандартных задач (умения, навыки); нестандартных, задач (знания, активное интеллектуальное понимание).

Интеллект проявляется в областях, но мы рассмотрим его в задач, т.к. эта проявления является для интеллекта. бывают и нестандартные. Для задач алгоритмы решения. Для они неизвестны. решение задачи собой проблему.

Само "стандартности" относительно, относительна сама "неизвестность": т.е. может быть известен одним и другим, или о нем быть в определенный или времени, и – в другой. для одних может быть стандартной, а для нет. или разработка решения задачу из нестандартных в стандартные.

В и задача решенной, если известен ее решения.^[1]

Разработка решения связано с и сложными рассуждениями, изобретательности, опыта, высокой квалификации.

Считается, что эта является творческой, существенно неформализуемой и участия с его "естественным" опытом и интеллектом. необходимо отметить, что технология решения задач (ТРИЗ), в сделана попытка, по мнению многих специалистов, успешная, в какой-то степени формализовать решения задач.

Интеллектуальными задачи, с разработкой алгоритмов ранее задач типа.

Отличительной и из источников эффективности является то, что они решение задачи к определенной достаточно или даже для решения задач. В нерешаемая становится решаемой. Исходная информация на вход алгоритма, на шаге она и в таком виде на шаг, в чего на алгоритма получается информация, собой задачи. может быть исполнен системой, способна элементарные на различных этого алгоритма.^[2]

Существует ряд задач, таких, как образов и идентификация, прогнозирование, решений по управлению, для которых разбиение поиска на элементарные шаги, а и разработка алгоритма, затруднительны. Из этих вытекает следующее интеллекта: представляет универсальный алгоритма, разрабатывать решения задач.^[3]

Исходя из вышесказанного, сделать о том, что в нашем наиболее классификацией ИС, на критерии, позволяющем "степень ИС", т.е. на критерии "степени решаемых задач".

Существуют классы искусственного интеллекта:^[4]

1. Системы с интеллектуальной связью и интерфейсами.

2. Автоматизированные системы образов.

3. Автоматизированные системы принятия решений.

4. Экспертные системы (ЭС).

5. Генетические алгоритмы и эволюции.

6. Когнитивное моделирование.

7. Выявление знаний из (эмпирических фактов) и анализ (data mining).

8. Нейронные сети.

Системы с обратной и интеллектуальными интерфейсами:

Интеллектуальный (Intelligent interface) - интерфейс взаимодействия информационного и пользователя программ текстовых пользователя.

Примером служить идентификация и аутентификация по почерку. – это проверка, действительно ли является тем, за кого себя выдает. При этом пользователь предварительно о себе идентификационную информацию: свое имя и пароль, названному имени.^[5]

Идентификация – это его личности.

И идентификация, и являются типичными задачами образов, может по заранее определенной или последовательности клавиш.

Системы с обратной (БОС). Это системы, поведение зависит от (биологического) состояния пользователя:

Мониторинг сотрудников на с целью

обеспечения качества продукции.

Компьютерные для больных с функциональными управлению состоянием.

Компьютерные игры с БОС.

Системы с резонансом. системы, поведение которых от сознания и его психологической реакции на стимулы.

Системы реальности.^[6]

Виртуальная (ВР) – трехмерная (3D) окружающая среда, компьютерными и реалистично реагирующая на с пользователями.

Технической систем реальности являются современные персональные и обеспечение высококачественной визуализации и анимации. В устройств ввода-вывода в ВР виртуальные с дисплеями, в шлемы со очками, и устройства 3D-ввода, например, мышь с управляемым или "цифровые перчатки", обеспечивают обратную с пользователем.

Автоматизированные распознавания образов:^[7]

Система образов - это систем искусственного интеллекта, обеспечивающих:^[8]

– конкретных объектов и обобщенных образов классов;

– обучение, т.е. обобщенных классов на основе ряда объектов, (т.е. к тем или иным – классам) и обучающую выборку;

– самообучение, т.е. кластеров на основе неклассифицированной выборки;

– распознавание, т.е. (и прогнозирование) состояний объектов, признаками, друг с и с обобщенными образами классов;

– степени модели;

решение задачи и прогнозирования (обеспечивается не моделями).

Автоматизированные поддержки решений:

Системы принятия (СППР) – это компьютерные системы, всегда интерактивные, разработанные, помочь (или руководителю) в решений управления, данные, сложные аналитические и для программное в единую систему, может слабоструктурированное и неструктурированное решения. СППР под управлением пользователя от до и ежедневно. Предназначена для выбора варианта из множества альтернативных в многокритериальности и исходной информации.

Экспертные системы:^[9]

Экспертная (ЭС) – это программа, в определенных отношениях эксперта или экспертов в той или иной предметной области. ЭС для практических задач, в слабо структурированных и формализуемых областях.

Исторически, ЭС были системами искусственного интеллекта, привлекли потребителей. системы используются в для рынка и маркетинговых программ, а в деле для тенденции рынка, трейдинг для котировок и валют, в для подготовки заключений о состоянии предприятий.

Генетические и эволюции:

Генетические (ГА) – это методы функциональной оптимизации, на имитационном моделировании эволюции.

Когнитивное моделирование:^[10]

Это анализа, определение силы и направления факторов на объекта в состояние с сходства и в различных на управления.

Основана на структуризации области, т.е. на будущих и состояний управления и существенных (базисных) управления и среды, влияющих на объекта в эти состояния, а установление на качественном причинно-следственных между ними, с учетом взаимовлияния друг на друга.

Результаты структуризации с помощью когнитивной (модели).

В сфере это в сроки разработать и стратегию развития предприятия, банка, региона или даже государства с влияния во внешней среде; в финансов и рынка – ожидания рынка.

Выявление из (эмпирических фактов) и интеллектуальный данных (data mining):^[11]

Интеллектуальный данных (ИАД или data mining) – это процесс в "сырых" ранее неизвестных, нетривиальных, практически и интерпретации знаний, для принятия решений в сферах деятельности. технологии data mining используются в деле для проблем Телекоммуникации, биржевого и др.

Нейронные сети:

Искусственная сеть (ИНС, нейросеть) - это набор нейронов, между собой. Как правило, функции всех нейронов в сети фиксированы, а веса параметрами сети и могут изменяться. входы помечены как входы сети, а некоторые - как выходы сети. любые на сети, мы какой-то чисел на сети. любую задачу можно к задаче, нейросетью.

1.2. Нейронная сеть Хопфилда

Нейронные сети - это искусственного интеллекта, в котором для сигналов явления, происходящим в нейронах существ. особенность сети, о ее широких и потенциале, в обработке информации звеньями. При количестве связей это позволяет ускорить обработки информации. Во случаях становится преобразование в времени. того, при числе соединений сеть устойчивость к ошибкам, на линиях. поврежденных берут на себя линии, в чего сети не претерпевает существенных возмущений.

Мозг содержит 10¹¹ нейронов, каждый из своим соединен с 1000 нейронов. Таким образом в нем около 10¹⁴ связей, которые определяют его функционирование. заметить, что информации в нейронах достаточно медленно, частота составляет 400 - 500 Гц, в то как компьютеры в гигагерцевом диапазоне. мозг решать проблемы, не под силу самой совершенной ЭВМ, параллельной вычислительных процессов, избыточности и “пластичности”, живому адаптироваться к окружающей и сложные в существенной информационной неопределенности.

Искусственная сеть - это машина, которая спроектирована для функций и ему многослойную иерархическую и к обучению. смотрят на ИНС как на инструмент для нейробиологических феноменов, ожидают от ИНС эффективных вычислительных возможностей, избыточности и распараллеливанию, хотя и те и другие хотят больше, чем сегодня дать.

С точки ИНС - это параллельно распределенная обработки информации, тесно связанными простыми узлами (однотипными или различными), имеет свойство экспериментальные знания, их и доступными для в удобной для и решений. Функционирование ИНС работу в двух аспектах:

знания из среды в процессе обучения;

обучение путем (целенаправленного или случайного) силы между (синаптических весов) либо топологии (архитектуры) сети.

Основным блоком ИНС формальный или искусственный (он же узел сети), собой или электронную, или математическую, или алгоритмическую, или программно- модель, чьи имеют аналоги биологических нейронов. На рисунке1,1 приведены распространенные элементарных нейронов, реализующих так примитивные функции:

На вход подается x_i, при этом с каждым связан так синаптический вес w_i В теле нейрона вычисляется функция т.е. реализуется нелинейное отображение пространства Rⁿв скалярный R¹.

Процедура, с которой обучение (настройка) отдельного или в целом, алгоритмом обучения. В процессе происходит (адаптация) весов, а возможно и ИНС так, выходные отвечали некоторому априори критерию качества, процесс сетью конкретной задачи.

Рисунок 1.1 – модели нейронов

С системного ИНС рассматривать как черный ящиик, на вход поступает векторный x, а на должен появиться сигнал y с характеристиками, в результате сети. нейросеть отображение n-мерного х = (х₁,х₂,...х_п)^T в m -мерный y = (y₁,y₂,...y_п)^T(Рисунок 1.2)^[12]

Рисунок 1.2 – представление нейронной сети

На известны десятки, если не различных архитектур ИНС, хотя нас в будут сети, реализующие различные обработки информации, которых выделить старую проблему некоторой функции.

Отдельную нейронных составляют сети с обратной связью различными нейронов. Это так рекуррентные сети. Их черта в сигналов с либо скрытого слоя во слой.

Главная особенность, эта сети других нейронных сетей, - зависимости на этапе функционирования. Изменение одного отражается на всей сети обратной связи типа “один ко многим”. В сети некоторый процесс, который формированием устойчивого состояния, в общем от предыдущего. Если, как и прежде, активации нейрона обозначть f(u), где и — это сумма его возбуждений, то состояние можно выходным сигналом. во внимание, что при связи типа “один ко многим” роль импульсов для играют выходные сигналы нейронов, его может быть системой дифференциальных уравнений.

По с системами функцию можно нелинейной характеристикой нейрона. Коэффициент вычисляется как приращения выходной к вызвавшему его приращению входной. Он наклоном при определенном возбуждения и от значений при больших отрицательных (кривая горизонтатьна) до значения при возбуждении и уменьшается, возбуждение становится большим положительным. область функции, имеющая большой усиления, проблему фабых сигналов, в то время как с усилением на н концах подходят для возбуждений.

Среди конфигураций нейронных сетей встречаются такие, при которых по обучения, строго говоря, не ни с учителем, ни без учителя. В таких сетях коэффициенты рассчитываются однажды началом функционирования сети на информации об данных, и все обучение сети именно к расчету. С стороны, предъявление априорной можно расценивать, как учителя, но с - сеть фактически запоминает до того, как на ее вход реальные данные, н не изменять свое поведение, говорить о обратной связи с "миром" (учителем) не приходится. Из с логикой работы известна сеть Хопфнлда, обычно для организации памяти.

Обобщенная структура этой сети представляется, как правило, в виде с непосредственной обратной выхода со (рис. 1.3). особенность такой системы в том, что сигналы являются одновременно входными сети:, при этом вектор не выделяется. В классической Хопфилда связь с выходом, что w_ij = 0, а весов симметричной: W = W^T.^[13]

Рисунок 1.3 – структура сети Хопфилда

Процесс сети зоны (аттракции) некоторых равновесия, обучающим данным. При использовании ассоциативной с вектором х либо с этих векторов, которые в проводимого определяют конкретных аттракторов (точек притяжения). нейрон функцию типаsignum со ±1. Это означает, что сигнал определяется функцией

где N количество нейронов, N = п.

В функционирования сети можно два режима: и классификации. В обучения на известных обучающих х весовые w_ij. В классификации при значениях и конкретного состояния нейронов переходный процесс, в с заданными настройками сети и в из минимумов. Благодаря такому обучения веса значения, усреднением множества выборок.

Задача, данной в ассоциативной памяти, как правило, следующим образом. некоторый набор двоичных с сигнало (изображений, оцифровок, прочих данных, некие или процессов), которые считаются образцовыми. Сеть уметь из неидеального сигнала, поданного на ее вход, ("вспомнить" по информации) соответствующий (если есть) или "дать заключение" о том, что данные не ни из образцов.

По подбора сети их значения “замораживаются”, и сеть использоваться в распознавания. В этой фазе на вход сети подается тестовый вектор х и ее в виде, итерационный повторяется для последовательных вплоть до отклика.

При количестве образуются косвенные локальные минимумы, не ни из образов, но определяемые структурой функции сети. Процесс распознавания сойтись к из локальных минимумов, вследствие чего решение не соответствовать ни из нейронов, участие в обучения.

1.3. Однослойный персептрон

Искусственная сеть, из нейронов Мак-Каллока - показана на рисунке1.4. Она производит "групповое" (вычисление) информации, на её входа. ^[14]

Рисунок 1.4 – сеть Мак-Каллока – Питтса

Элемент Σ каждый вход х на вес w и суммирует взвешенные входы. Если эта больше порогового значения, выход равен единице, в случае – нулю. Эти (и им подобных) получили персептронов. Они из слоя искусственных нейронов, с весовых с входов, хотя в описываются и сложные системы.

В 1957 году Фрэнк Розенблатт и принцип – однослойной нейронной сети (Рисунок 1.5). Розенблатта моделировал распознавания образов и из рецепторного слоя (S), слоя нейронов (А) и слоя реагирующих нейронов (R). В Розенблатта имеет входов (дендритов) и один (аксон). возбуждается и импульс на свой выход, если число на входах число на тормозных входах на величину, порогом нейрона. В зависимости от внешнего раздражения, в S-слое некая совокупность импульсов, на А-слой, где в с совокупностью импульсов новые импульсы, на входы R-слоя.^[15]

Рисунок 1.5 – схема перцептрона

S-элементы (сенсоры) - это элементы, которые от какого-либо из энергии (например, света, звука, давления, тепла и т. п.) сигнал. Если сигнал некоторый порог θ, на элемента +1, в случае 0.

Рисунок 1.6 – активации S-элемента

A-элементы (ассоциативные) логическими решающими элементами, дают сигнал +1, алгебраическая их входных равна или некоторую величину θ (говорят, что активный), в случае равен -1.

R-элементы (реагирующие, то есть действующие) называются элементы, выдают +1, если их сигналов является строго положительной, и -1, если их сигналов является строго отрицательной. Если входных равна нулю, считается либо нулю, либо неопределённым.^[16]

Рисунок 1.7 – активации R-элемента

23 июня 1960 года машина «Марк-1», в Корнелльском (штат Нью-Йорк) Розенблаттом, проявила способности к самообучению: она узнавала, или круг ей показывают. образом, она представление об геометрических фигурах и квадрат, например, бы или он ни был. Чтобы «научить» классифицировать образы, был специальный итерационный обучения проб и ошибок, процесс обучения человека — коррекции ошибки. того, при той или иной буквы мог характерные буквы, чаще встречающиеся, чем отличия в случаях. Тем персептрон был обобщать буквы, различным (почерком), в один обобщённый образ.

Различают персептрон, в входные элементы напрямую с с системы и многослойный персептрон, в присутствуют слои A-элементов.

Обучение персептрона

Функцией F для однослойного персептрона является ступенька:^[17]

Рисунок 2.5 активации элементарного персептрона

Обучение персептрона наличие обучающей - пар (Х^s, D^s), где Х пары – это вектор персептрона, а D – это вектор персептрона, считается правильным при входном. на вход перcептрона Х^s из множества и выход сети Y^s. Сравним выход сети с D^s. Зная между ними, можно ввести для коэффициентов и уровней:

Если сети правильный (d^s – y^s = 0), то веса нейрона не изменяются.

Если больше правильного (d^s – y^s< 0), то веса нейрона должны уменьшаться.

Если меньше правильного (d^s – y^s> 0), то веса нейрона должны увеличиваться.

Перейти на шаг 1.

Для j-го нейрона в слое правило записать в виде дельта-правило:

Где ε - небольшое положительное число, скорость обучения; Δwij – коррекция, связанная с i-м нейрона; ΔΘj - порогового уровня j-го нейрона; wij(n+1) – веса коррекции; wij(n) - значение веса до коррекции; Θj(n+1) - порогового после коррекции; Θj(n) - порогового до коррекции.

За число шагов сеть давать ответы. При обучения веса и пороговые инициализируются значениями. таким образом сеть неадекватна задаче и генерировать на выходе шум. ошибка в обучения велика, и есть смысл вводить коррекции параметров. к обучения значительно снижается, и должны быть малыми. менять шагов по параметрам, расписание (learning schedule). Скорость обучения, от обучения: ε(t). скорость монотонно убывает с времени. Для алгоритма необходимо:

Часто выбирают ε(t) = 1/at, а > 0 или функции. с расписанием обучения быстрее, так как в используются коррекции, и дают точные за счет настройки в конце обучения.

2. ИСПОЛЬЗОВАНИЕ СЕТЕЙ В И БИЗНЕСЕ

Нейронные сети в 40-х годах, в и экономике их лишь в 80-х, была доказана сходимость классов сетей и улучшена точность распознавания.

Основные применения сетей в мире — котировок инструментов (курсов валют, бумаг, ГКО и др.) и определенных (например, подозрительных операций с картой).^[18]

Получение с сети разделить на следующие этапы: сети, ее и решение задачи.

Сначала сеть строится, т. е. архитектура сети, количество слоев, функции, веса. этапом является обучение, при сети на вход значения, с известными ответами, сеть решение, и корректировка в соответствии с принятого решения. продолжается до тех пор, пока принятия сетью не удовлетворительными. После того, как сеть обучена, ее применять для практических задач. особенность мозга в том, что, однажды обучившись процессу, он верно и в тех ситуациях, в он не в обучения. Например, мы читать почти почерк, даже если его раз в жизни. Так же и нейросеть, грамотным обученная, с вероятностью реагировать на новые, не ей данные. подход особенно эффективен в экспертной по той причине, что он в себе способность к чисел и мозга к и распознаванию.

Примером сети, на зависимостей, можно привести на методики МГУА (метод учета аргументов), которая на обучающей построить одного параметра от в виде полинома. сеть не мгновенно выучить умножения, но и сложные зависимости в данных (например, финансовых), не стандартными статистическими методами.^[19]

Кластеризация - это разнородного примеров на областей (кластеров), по каким-то признакам, число кластеров неизвестно. позволяет неоднородные данные в наглядном виде и далее для каждого кластера методы. Например, образом быстро выявить фальсифицированные случаи или предприятия.

2.1. нейронных при объектов

В проблема распознавания (ПРО) из двух частей: и распознавания. Обучение путем отдельных с их принадлежности тому или образу. В обучения распознающая система приобрести реагировать реакциями на все объекты образа и реакциями - на все отличимых образов. Очень важно, что обучения завершиться путем показов конечного объектов. В объектов могут быть использованы изображения объектов. Важно, что в обучения указываются только сами и их образу. За следует процесс распознавания объектов, характеризует уже обученной системы. этих и проблему обучения распознаванию образов.

Для задачи лиц различные методики, которых выделить подходы, на сетях, алгебраических моментах, одинаковой интенсивности, эластичных (деформируемых) сравнения.

Анализ выделения части показал, что для данной эффективным использование искусственных нейронных сетей, поскольку они возможность получения классификатора, моделирующего функцию изображений строений, тем увеличивая решения по с решениями, получаемыми методами.

Наиболее в распознавания и идентификации изображений классические архитектуры (многослойный персептрон, сети с радиально-базисной и др.), но применение классических архитектур в распознавания ряд недостатков, для данной целесообразно использовать рекурсивные сети (например Хопфилда), частичную устойчивость к масштаба, смещениям, поворотам, ракурса и прочим искажениям.

Архитектура сети большое количество чередующихся двух типов: слои и (рисунок 2.1).^[20]

Рисунок 2.1 – использования сети для образов:

1 — вход; 2, 4, 6 — ассоциативные слои; 3, 5 — слои;

7 — слой из обычных нейронов; 8 — выход

Нейроны в слоя в плоскости. В каждом слое набор из плоскостей, нейроны плоскости имеют синаптические коэффициенты, ко всем участкам предыдущего слоя. нейрон слоя входыот некоторой предыдущего слоя, т. е. изображение слоя как бы небольшим пропускается набор синаптических коэффициентов, а отображается на нейрон текущего слоя. плоскостей собой характеристик, и каждая плоскость “свои” изображения в месте предыдущего слоя. Размер рецептивного поля самостоятельно в процессе разработки сети.(Рисунок 2.2)^[21]

Вход Карта признаков

Рисунок 2.2 – сканирования изображения

Подвыборочный слой масштаб путем локального значений нейронов. образом достигается иерархическая организация. Последующие слои более общие характеристики, зависящие от изображения.

Постепенно сеть выделять ключевые характеристики лиц в поступающих на вход изображениях; нейронной сети образуют в местоположениях объектов. ^[22]

Последовательность при в этом случае будет следующей:

Провести изображения с тонов к черному или белому

Провести обесцвеченного на мелкую регулярную сетку, значения в (черный – 1, – 0)

Заранее и система персептронов обработает данных. Для сети выбрать подходящий вид дельта-правило, корректную работу.

Настройкой коэффициентов максимальной точности, обучение сети на образцах.

Работу алгоритма рисунок 2.3^[23]

Рисунок 2.3 – распознавания объекта

На видно, что прямой вид на здание. В общем случае камеры этого не обеспечивать, становится понятно не только, выше про предварительной подготовки изображения, это сложность по с простых символов. Возможно, будет геолокацию, присутствующую в современных устройств, для угла зрения. Также понятно, что хотя разность углов на при небольшая, как немного «довернуть» реконструкцию на угол распознаванием. Дополнительное нейронной сети ещё и в том, что при наличии достаточного образцов будет лучше, чем при методах – так, Хоара набора большого признаков на сложных зданий.

Перед тем, как описать работы перцептронной сети, упомянуть, что в от символьных образов, возникать сложности с снимка по признакам, на из образа, т.к., очевидно, гораздо распознавание при контура либо локализации его частей отдельно.

Следует и для метода трансформирование изображения из в вид. При распознавании образов, подают на рецепторов по с тем, как попадает на человеческого глаза. По аналогии строится с рецепторов, собой массив, на можно всевозможные символов. Ввод информации в устройство, собой сканирования с периферийного устройства – камеры, и изображения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е. последовательность знаков, несут в себе о структуре визуального изображения. для этой в математических целях, преобразовать этот последовательный зашифрованный код в доступное представление и (0 – не закрашенные, 1 – точки).^[24]

Будем достаточным описание без дополнительных уточнений, т.к. геометрические сохранят подобие с эталоном. классов (простых образов), для верна гипотеза компактности по сути аналогом распознавания здания, что же удачный нейронной сети как в данной задаче.

Основная подхода связана с выбором удовлетворительных распознавания, этот отчасти остается открытым. только, что следует из опорных и контуров в здания, а к их таким образом, чтобы получившиеся были кластеризуемы. Даже на присутствие вероятностных в нейросети, необходимо выделять продуманно. Эти функции признаков попытаться изыскать из соображений геометрии.

2.2. на нейросетей

Прогнозирование - это момент при решений в управлении. эффективность решения от последовательности событий, уже принятия решения. предсказать неуправляемые этих перед решения сделать наилучший выбор, который, в случае, мог бы быть не удачным. Поэтому планирования и управления, обычно, функцию прогноза. Далее примеры ситуаций, в полезно прогнозирование.

Управление материально-производственными запасами. В управлении запасных на по самолетов совершенно оценить используемости детали. На основе этой определяется количество частей. Кроме того, оценить прогнозирования. Эта может быть оценена, например, на данных о времени, понадобилось для доставки деталей, не было на складе.^[25]

Планирование производства. Для того, планировать производство продуктов, возможно, спрогнозировать продажу для наименования продукта, с времени доставки, на несколько месяцев вперед. Эти для продуктов быть преобразованы в к полуфабрикатам, компонентам, материалам, и т.д. Таким образом, на прогноза быть график целой группы предприятий.

Финансовое планирование. менеджера интересует, как изменяться оборот с времени.

Менеджер пожелать узнать, в период в будущем компании падать, с тем, принять соответствующее решение уже сейчас.

Разработка персонала. почтовой компании должен прогноз обрабатываемых писем, с тем, обработка производилась в с персонала и производительностью оборудования.

Планирование продукта. о нового продукта требует прогноза того, спросом он будет пользоваться. Этот не важен, чем инвестиций необходимых для его производства.

Управление процессом. также может быть частью управления процессами. Наблюдая переменные и их для будущего поведения процесса, определить время и длительность управляющего воздействия. Например, воздействие в часа может повышать химического процесса, а оно снижать эффективность процесса.

Прогнозирование процесса быть полезно при времени процесса и расписания производства.

2.3. и прогнозирования на нейросетях

Прогнозирование на НС рядом недостатков. Даже при прогнозировании на стабильный на основе информации о продажах, мы не накопить за период от 50 до 100 месяцев. Для процессов еще сложна. Каждый истории представляет одно наблюдение. То есть, в ежемесячных за пять лет только пять за январь, пять за и т.д. потребоваться за большее число для того, построить модель. Однако, необходимо отметить, что мы построить модель на НС даже в условиях данных. может по мере того, как свежие данные доступными.^[26]

Другим нейронных — затраты по и ресурсам для удовлетворительной модели. Эта проблема не важна, если небольшое временных последовательностей. Тем не менее, прогнозирующая в управления производством может от сотен до тысяч временных последовательностей.

Однако, на недостатки, модель обладает достоинств. удобный модифицировать по мере того, как новые наблюдения. хорошо с временными последовательностями, в мал наблюдений, т.е. быть получена длительная последовательность. По этой причине модель быть в областях, где нас ежечасовые, ежедневные или наблюдения. Эти также в ситуациях, необходимо небольшое временных последовательностей.

2.4. программных продуктов

В главе краткие наиболее распространенных продуктов.

NeuroShell 2 - среда с и интуитивно интерфейсом, в реализованы распространенные и нейросетевые архитектуры. Этот продукт и новичка, и профессионала. NeuroShell целая дополнений, которые существенно решение ряда задач.^[27]

GeneHunter - "охотник за генами" использует генетические для сложных, сложных и очень-очень сложных комбинаторных и задач. GeneHunter надстройкой Microsoft Excel, т.е. решает свои непосредственно из рабочего листа, данные. того, в GeneHunter динамическая библиотека генетических алгоритмов, с NeuroWindows, что позволяет создавать гибридные системы, нейронные сети и алгоритмы.^[28]

NeuroShell Trader не ни на один из пакетов потому, что нейронные сети для становятся осязаемыми. Только вместе важные графического отображения, технический и сети в один пакет, возможным создать специально для трейдеров.

NeuroShell Easy Series

Easy - в "легкий, простой" - не означает, что в серию примитивные алгоритмы. Напротив, нейросетевые архитектуры, в программ серии, являются самыми достижениями поиска, которого явилось создание "самопостроения" сети, обладающей рекордными обучения. термин "легкий" к простоте, с пользователь обрабатывать свои данные. Теперь пользователь сосредоточиться на задачи, все остальное данной сделают сами.

В серии входят:

NeuroShell Easy Predictor - Предсказатель

NeuroShell Easy Classifier - Классификатор

NeuroShell Easy Run-Time Server - автономных файлов.

NeuroShell Easy Predictor - дает с легкостью создавать для задач

прогнозирования и на имеющейся базы данных. Это быть следующих параметров временного ряда, например, курса акций, или какой-либо величины, определяемой независимых факторов, например, стоимости квартир или автомобилей.

NeuroShell Easy Classifier - для задач распознавания образов, с принадлежности предъявляемого образа (ситуации) к той или иной категории. Например, по биржевых показателей сигнал для или акций той или иной компании.

NeuroShell Easy Run-Time Server - серию программ, которые использовать сети, с NeuroShell Easy Predictor и NeuroShell Easy Classifier либо из листов Microsoft® Excel™, либо в программах.

NeuroWindows - собой библиотеку нейросетевых функций, с которых в построить нейросетевые практически архитектуры.

в от символьных образов, возникать некоторые сложности с снимка по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е.

Перед тем, как описать сети, упомянуть, что в отличие от символьных образов, возникать сложности с распознаванием здания по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е. Перед тем, как описать сети, упомянуть, что в от символьных образов, возникать некоторые сложности с снимка по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е.

Перед тем, как описать сети, упомянуть, что в отличие от символьных образов, возникать сложности с распознаванием здания по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при выделении контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с по
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е.

в от символьных образов, возникать некоторые сложности с снимка по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет процесс сканирования с помощью устройства – камеры, и сохранения в графического файла. способом может создание в графической программе. Сохраненное изображение собой файл, т.е.

Перед тем, как описать сети, упомянуть, что в отличие от символьных образов, возникать сложности с распознаванием снимка по признакам, на из образа, т.к., очевидно, лучшее получится при контура здания либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е.

Перед тем, как описать сети, упомянуть, что в отличие от символьных образов, возникать сложности с распознаванием здания по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По аналогии модель с рецепторов, собой прямоугольный массив, на можно всевозможные символов. Ввод информации в устройство, представляет процесс сканирования изображения с по
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По аналогии модель с рецепторов, собой прямоугольный массив, на можно всевозможные символов. Ввод информации в устройство, представляет процесс сканирования изображения с помощью устройства – камеры, и сохранения в графического файла. способом может создание в графической программе. Сохраненное изображение собой файл, т.е.

Перед тем, как описать сети, следует упомянуть, что в от символьных образов, возникать некоторые с снимка по признакам, на сетке из образа, т.к., очевидно, лучшее распознавание получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е. Перед тем, как описать сети, упомянуть, что в от символьных образов, возникать некоторые сложности с снимка по признакам, на из обесцвеченного образа, т.к., очевидно, лучшее получится при контура либо его частей отдельно.
Следует и для этого метода введенного из в матричный вид. При образов, подают на рецепторов по аналогии с тем, как попадает на человеческого глаза. По строится с рецепторов, представляющим собой массив, на можно всевозможные конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью устройства – камеры, и сохранения в графического файла. Другим может создание в графической программе. изображение собой файл, т.е.

3. НЕЙРОСЕТЕВЫХ НА ПРАКТИКЕ

Нейронные сети и алгоритмы в время находят число применений. Действительно, в области человеческой есть алгоритмизуемые задачи, для решения которых либо работа квалифицированных экспертов, либо системы автоматизации, являются сети. Разные компании разные - одни тратить на оплату лучших и их обучение, покупают готовые специализированные системы, а комбинируют эти подходы, создавая системы с нуля или на готовых пакетов. Каждый из внедрения технологий свои и недостатки (таб.3.1, 3.2, 3.3, 3.4):

Таблица 3.1 - Создание экспертов

Достоинства

Возможность словесного общения

Возможность учета факторов

Недостатки

Высокие на зарплату

Расходы на повышение квалификации

Опасность потери (переход к конкуренту, эмиграция, и т.д.)

Человеческая субъективность

Противоречивость различных экспертов

Таблица 2 - Покупка заказной системы

Достоинства

Относительно невысокая эксплуатации

Система создана специалистами

Система с специфики компании

Недостатки

Очень стоимость разработки

Невысокая гибкость

Необходимость в секретов процесса компании

Необходимость в специалистов со для ошибок, внесения и т.д.

Таблица 3.3 - Создание системы «с нуля»

Достоинства

Управление процессом разработки

Легкость внесения и модернизации

Полная конфиденциальность

Недостатки

Необходим штат программистов

Необходимы специалисты по нейросетям

Занимает времени

Высокая стоимость

Необходима настройка системы

Таблица 3.4 - Создание на готовых «нейропакетов»

Достоинства

Невысокая стоимость пакета и обновлений

Готовые и обучения

Пакет создан в нейросетей

Достаточно высокая гибкость

Техническая поддержка пакета

Полная конфиденциальность

Не требуется программирование

От не глубокого нейросетей

Более эффективное и ошибок за счет числа пользователей

Возможность надстроек к у производителей

Возможность с пользователями пакета

Недостатки

Не возможно собственные и обучения

Необходима настройка системы

Необходима подготовка данных

Из таблицы видно, что варианта решения должен исходя из и компании. три варианта подойдут крупным компаниям, деятельность на 5-10 лет и не быстрой вложений в технологии. По пути идут западные фирмы, увеличить прибыльность своего в жесткой конкуренции.

Вариант собственной на готового нейропакета для крупных и даже для лиц - инвесторов, трейдеров, предпринимателей. Впрочем, и примеров крупнейших концернов, этот и успеха. Так, например, DuPont новый - стекло, используя пакет NeuroShell. Такжеэтотпакетиспользуетсявкрупныхзападныхбанках, такихкак Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, ивстраховыхкомпаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance идругих. Ниже рассказано об некоторых использования в областях и технологий (таблица 3.5):^[29]

Таблица 3.5 - нейросетей в областях бизнеса и технологий

Функции	До нейросетей	После нейросетей
1. операций с и кредитными картами	Отслеживание по с специальных и операторов	Специализированная Falcon HNC по сделок и покупок подозрительные и об этом.
2.Медицинская диагностика	Общепринятая объективной состоит в том, что в обследования "вызванные потенциалы" (отклики мозга) в на раздражитель, в виде на электроэнцефалограмме. Для слуха у врачу провести 2000 тестов, что около часа.	Компанией "НейроПроект" система диагностики у детей. способна с той же определить слуха уже по 200 в всего минут, причем без квалифицированного персонала.
3. фальсификаций	Применение экспертной с 14% эффективностью.	Нейросеть обнаруживать 38% случаев. Для настройки были также нечеткой и генетической оптимизации.
4. потребительского рынка	Обычные прогнозирования потребителей службой и аналитиков.	Компания GoalAssist Corporation две для этой задачи. из них - это сеть с архитектурой NeuroShell Classifier Ward Systems Group, на которой различные товаров и политики. С этой сети, предназначенной для классификации, было разделение на 4 класса, отклик потребителей. Те же вместе с первой сети далее на вход NeuroShell Predictor, также содержит самоорганизующуюся сеть, но для количественного прогнозирования. ошибка составила около 4%. этой заняло 120 часов, потребовалось на входных данных.
5. факторов спроса	Проведение и исследований. для этого проводят потребителей, выяснить, факторы для решающими при данного или услуги, в случаях отдается конкурентам, и какие товара хотел бы в будущем.	Нейросетевые позволяют сложные между факторами спроса, поведение при маркетинговой политики, наиболее факторы и стратегии рекламы, а очерчивать потребителей, перспективный для данного товара.
6.Прогнозирова-ние энергии	Эти получают в измерений энергии для клиента. проводятся 15 минут, известно, что из них - ошибочны.	С нейросетей была система ошибочных измерений, а система потребления в каждый времени. точного позволило компании гибкую политику и свою прибыль.
7. недвижимости	Стоимость зависит от числа факторов. Так как вид этой неизвестен, то методы неэффективны в оценки квартиры. Как правило, эта решается экспертами-оценщиками, в по недвижимости. Недостатком подхода субъективность оценщика, а возможные между экспертами.	Существуют примеры задачи оценки с помощью нейросети.

Приведенные выше показывают, что технологии нейронных применимы в области. В задачах, таких как котировок или образов, стали уже инструментом. Нет сомнений, что проникновение новых технологий и в области - вопрос времени.

Внедрение наукоемких в фирме - достаточно дело, требующее, денег и времени, еще и некоторой перемены психологии. Однако, показывает, что эти окупаются и выводят на новый уровень.

ЗАКЛЮЧЕНИЕ

Нейронные сети - это название групп математических алгоритмов, одним свойством - умением обучаться на примеров, “узнавая” черты встреченных образов и ситуаций.

Основными условиями их использования являются «исторических данных», которые сеть сможет обучиться, а невозможность или использования других, более формальных, методов. Для того, сеть было в дальнейшем, ее надо "натренировать" на ранее данных, для известны и входных параметров, и ответы на них. может "научиться" даже на сгенерированных случайных чисел.

Нейросетевые технологии, в и других методах анализа, перестали быть экзотикой и недоумение специалистов. В мире громадный опыт нейросетей, сто из ста западных и компаний нейротехнологии в том или ином виде. В же еще найти нейропакет было весьма непросто. к времени недоверия сломлен, появились обнадеживающие решения аналитических с элементами нейротехнологий в суровой действительности. Сегодня аналитики выбрать себе построения соответственно своему вкусу, решаемых задач.

В курсовой исследована тема использования нейронных в и бизнесе, применение нейросетевых технологий на практике, их и в от параметров внедрения.

Нейрокомпьютеры с эффективностью решать целый ряд "интеллектуальных" задач. Это распознавания образов, адаптивного управления, прогнозирования, и т.д. и нейрокомпьютеры собой новый к описанным проблемам.

иллюстрирует 3.3
Рисунок 3.3 – распознавания объекта
На видно, что прямой вид на здание. В общем положение может не обеспечивать, становится понятно не только, выше про предварительной подготовки изображения, это сложность по с распознаванием простых символов. Возможно, будет присутствующую в большинстве устройств, для угла зрения. понятно, что хотя углов на при движении небольшая, можно как немного «довернуть» реконструкцию на угол перед распознаванием. преимущество сети ещё и в том, что при наличии количества распознавание лучше, чем при других – так, Хоара набора большого количества признаков на фотографиях зданий.
Перед тем, как описать сети, следует упомянуть, что в от символьных образов, возникать некоторые с снимка по признакам, на сетке из образа, т.к., очевидно, лучшее распознавание получится при контура либо его частей отдельно.
Следует и для метода трансформирование введенного из в вид. При распознавании образов, подают на рецепторов по с тем, как изображение на человеческого глаза. По строится с полем рецепторов, собой массив, на можно изображать конфигурации символов. Ввод в устройство, представляет собой сканирования с помощью периферийного – камеры, и сохранения в формате графического файла. способом служить изображения в любой графической программе. изображение собой графический файл, т.е. кодовых знаков, несут в себе о структуре изображения. для этой в математических целях, преобразовать этот последовательный зашифрованный код в доступное представление и (0 – не закрашенные, 1 – точки).
Будем считать топологическое без уточнений, т.к. простые деформации подобие с эталоном. классов (простых образов), для верна компактности по сути является аналогом распознавания здания, что же подтверждает удачный нейронной сети как в задаче.
Основная подхода связана с выбором удовлетворительных распознавания, этот отчасти остается открытым. только, что следует из опорных и контуров в здания, а к их таким образом, чтобы получившиеся были. Даже на вероятностных описаний в признаки выделять продуманно. Эти функции пространства можно изыскать из соображений аналитической геометрии.
IV. о использования сетей для распознавания достопримечательностей.
В курсовой был анализ возможности использования сетей для автоматизированной системы дополнительной реальности, позволяющей пользователю информацию о известных объектах.
В ходе работы было рассмотрение концепции системы, как предпочтительные технологические составляющие, так и основы сложной части системы. Были существующие такой системы, возможные различных к её реализации, а рассмотрена возможная нейронной сети и ее функционирования.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Анил, К. Введение в искусственные нейронные сети/ К. Анил, Мао Жианчанг, К.М. Моиуддин. // Открытые системы. — 2013 г., №4.
Виноградова, М.М. Интеллектуальные информационные в и управлении/М.М. Виноградова//Стратегический гражданской оборонной промышленности: научно-практических семинаров. – М., 2011.
Грабауров, В.А.Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с.
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с.
NeuroProject [Электронныйресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&Data Analysis, 2012 – 2006. - доступа: http// www.neuroproject.ru, свободный. – с экрана.
Финн В.К. интеллект: база и продукт, 9-я конференция по интеллекту, Труды конференции, Т.1, М., Физматлит, 2014, с.11-20.
Финн В.К. Об анализе данных //Новости интеллекта №3, 2014.
Карпов В.Э. моделирование. Проблемы формы и // искусственного №5, 2013.
Барсуков А.П. Кто есть кто в робототехнике. Справочник. Вып.1., ДМК-Пресс, 2015, -125 с.
Добрынин Д.А., В.Э. Моделирование некоторых форм поведения: от рефлексов к индуктивной адаптации //Сб. трудов I конференции «Системный и информационные САИТ-2015», М.: КомКнига, Т.1, стр. 188-193.
Ф.Уоссермен, техника, М., Мир, 2012.
Кохонен Т. и ассоциативная память. Springer. 2014. 187 с.
Шапот М. анализ в системах принятия решений. - // системы, 2014, N1, с. 30-35.
Продукты для анализа данных. - программных средств. 2012, N14-15, с.32-39.
Бодянский Е.В., О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2014. - 369 с.: ил.
Кречетов Н.. для интеллектуального анализа данных. — программных средств. № 14-15, 2009. с. 32-39.
Осовский С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с.
Губарев В В., O.K., А.И., Гаврилов А.В., А.П., Т.Н., В.М. Управление Новосибирским на прогнозирования притока. - // Водное хозяйство России. Проблемы, технологии, управление, Екатеринбург. Изд-во РосНИИВХ, 2015, т. 2, № 5. - С. 484-499.
Гаврилов А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
Гаврилов А.В., В.М. Использование искусственных сетей для данных. - // Сб. научи, НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63.
Гаврилов А.В.. В В. модели Хопфилда для задачи на анализа реки Обь. // 2-я научно-техн. конф. "Нейроинформатика-2010", М.,- С. 33-38.

Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
Анил, К. Введение в нейронные сети/ К. Анил, Мао Жианчанг, К.М. Моиуддин. // системы. — 2013 г., №4. ↑
Виноградова, М.М. информационные технологии в и управлении/М.М. Виноградова//Стратегический маркетинг гражданской оборонной промышленности: научно-практических семинаров. – М., 2011. ↑
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
Анил, К. Введение в нейронные сети/ К. Анил, Мао Жианчанг, К.М. Моиуддин. // системы. — 2013 г., №4. ↑
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
Анил, К. Введение в нейронные сети/ К. Анил, Мао Жианчанг, К.М. Моиуддин. // системы. — 2013 г., №4. ↑
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
Анил, К. Введение в нейронные сети/ К. Анил, Мао Жианчанг, К.М. Моиуддин. // системы. — 2013 г., №4. ↑
Луценко, Е.В. информационные системы/ Е.В. Луценко, Краснодар: КубГАУ, 2016. – 615 с. ↑
А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑
1. А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
↑
1. А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с.
↑
А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑
А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑
А.В. интеллектуальные системы. - Новосибирск: Изд-во НГТУ.2013. - 164 с. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
А.В., В.М. Использование искусственных сетей для данных. - // Сб. научи, НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑
А.В., В.М. Использование искусственных сетей для данных. - // Сб. научи, НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
А.В., В.М. Использование искусственных сетей для данных. - // Сб. научи, НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
С. сети для обработки информации / Пер. с И.Д. Рудинского. - М.: и статистика, 2012. - 344 с. ↑
Грабауров, В.А.Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с. ↑
А.В., В.М. Использование искусственных сетей для данных. - // Сб. научи, НГТУ. - Новосибирск: Изд-во НГТУ. 2009. - № 3(16). - С. 56-63. ↑
Грабауров, В.А.Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с. ↑