Создаем нейронную сеть

Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero

В книге рассматриваются как классические, так и современные модели глубокого обучения. Главы книги можно разбить на три группы • - Основы нейронных сетей. Суть многих традиционных моделей машинного обучения можно понять, рассматривая их как частные случаи нейронных сетей. В первых двух главах основной упор сделан на понимании взаимосвязи традиционного машинного обучения и нейронных сетей. Будет показано, что метод опорных векторов, линейная и логистическая регрессия, сингулярное разложение, факторизация матриц и рекомендательные системы являются именно такими частными случаями. Наряду с ними рассматриваются и такие сравнительно новые методы конструирования признаков, как word2vec • - Фундаментальные понятия нейронных сетей. Главы 3 и 4 посвящены подробному обсуждению процессов тренировки и регуляризации нейронных сетей

В настоящей книге рассмотрены методы построения и обучения нейронных сетей; описаны наиболее распространенные виды сетей, применяющихся в задачах классификации и анализа временных рядов. Рассмотрено применение сетей к таким расчетам на финансовом рынке, как расчет цен опционов европейского типа, оценка индексов акций и управление международным портфелем. Показаны фрактальные свойства временных рядов, изложены динамические модели детерминированного хаоса. Для снижения неопределенности продемонстрировано применение алгоритмов оптимальной фильтрации и решение задачи параметрической идентификации при построении уравнений модели хаоса. Описаны возможности нейронных сетей для прогнозирования детерминированного хаоса. В приложении приведен комплект учебных материалов по курсу «Финансовые рынки и нейронные сети»

В настоящей книге рассмотрены методы построения и обучения нейронных сетей; описаны наиболее распространенные виды сетей, применяющихся в задачах классификации и анализа временных рядов. Рассмотрено применение сетей к таким расчетам на финансовом рынке, как расчет цен опционов европейского типа, оценка индексов акций и управление международным портфелем. Показаны фрактальные свойства временных рядов, изложены динамические модели детерминированного хаоса. Для снижения неопределенности продемонстрировано применение алгоритмов оптимальной фильтрации и решение задачи параметрической идентификации при построении уравнений модели хаоса. Описаны возможности нейронных сетей для прогнозирования детерминированного хаоса. В приложении приведен комплект учебных материалов по курсу "Финансовые рынки и нейронные сети"

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных

В монографии дается современное изложение теории проектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и многослойные нейронные сети с прореженным набором связей и модульной организацией. Предложены алгоритмы структурного проектирования и обучения перестраиваемых быстрых преобразований и нейронных сетей. Исследованы потенциально достижимые свойства быстрых преобразований по пластичности, разделяющей мощности и обобщающей способности. Все рассмотренные алгоритмы сопровождаются примерами и программными реализациями на языке MatLab. Изложение ориентировано на практическое использование в задачах сжатия сигналов высокой размерности, классификации и распознавания образов, спектрального анализа и фрактальной фильтрации

В учебнике приведены основные теоретические и практические сведения по разработке, обучению и применению искусственных нейронных сетей с использованием среды MatLab • Учебник предназначен для студентов магистратуры направления «Информатика и вычислительная техника» и может быть полезен студентам других специальностей при изучении нейросетевых технологий, а также для слушателей курсов повышения квалификации и профессиональной переподготовки

В учебном пособии даны основные теоретические положения искусственного интеллекта и теории нечетких множеств, необходимые для выполнения лабораторных работ по дисциплине «Системы искусственного интеллекта». Приведены примеры решения задач, контрольные задания, а также содержание, общие требования и рекомендации по выполнению лабораторных работ, справочные данные и литература для их выполнения. В учебное пособие включены материалы по лабораторным работам, посвященным моделированию нейронных и нейро-нечетких сетей в системе MATLAB • Учебное пособие предназначено для студентов всех форм обучения высших учебных заведений, обучающихся по направлениям подготовки «Информатика и вычислительная техника», «Управление в технических системах»