Sieci neuronowe

Podczas szkolenia prezentowane są wszystkie najważniejsze architektury sieci neuronowych i metody ich uczenia. Uczestnicy zapoznają się z modułem Automatyczne Sieci Neuronowe programu Statistica i zawartymi w nim metodami uczenia sieci oraz narzędziami służącymi do analizy neuronowego modelu. Poznają także narzędzia umożliwiające ominięcie najbardziej pracochłonnych etapów projektowania sieci.

Pierwszy dzień kursu zapewni podstawy teoretyczne, drugi to już praktyczne aspekty budowy modeli z wykorzystaniem programu Statistica.

Dla kogo?

Dla osób zainteresowanych wykorzystaniem sieci neuronowych – jednej z flagowych metod sztucznej inteligencji w analizie swoich danych.

Co zyskasz?

• Poznasz różne rodzaje sieci neuronowych oraz sposoby ich uczenia i oceny
• Będziesz umiał dopasować rodzaj sieci neuronowej do Twojego problemu badawczego
• Samodzielnie zbudujesz sieci neuronowe (m.in. perceptron, sieć Kohonena) dla konkretnych problemów
• Zdobędziesz umiejętność eksperymentalnego dobrania optymalnej topologii sieci oraz jej parametrów dla konkretnych danych
• Zapoznasz się z dobrymi praktykami modelowania sieci neuronowych
• Dostaniesz praktyczne wskazówki, jak unikać błędów w modelowaniu, doborze próby i interpretacji wyników

Program szkolenia

1. Podstawy sieci neuronowych
   • Przyczyny i okoliczności wzrostu zainteresowania tematyką sieci
   • Budowa neuronu i jego modelu – sztucznego neuronu
   • Wybór struktury sieci i czynniki determinujące strukturę
   • Problem rozmiaru sieci
2. Metody uczenia sieci
   • Proste uczenie pojedynczego neuronu
   • Współczynniki uczenia i dobór ich wartości
   • Uczenie jako minimalizacja funkcji błędu
   • Sieci wielowarstwowe i wsteczna propagacja błędu
   • Problemy minimów lokalnych funkcji błędu i nowe sposoby uczenia
3. Problem samouczenia sieci
   • Możliwości i ograniczenia typowych sieci samouczących się
   • Samouczenie z konkurencją
   • Samouczenie z sąsiedztwem i sieci Kohonena
4. Zastosowania sieci neuronowych
   • Rozpoznawanie obrazów i grupowanie obiektów
   • Aproksymacja funkcji i filtracja sygnałów
   • Predykcja z wykorzystaniem sieci
   • Optymalizacja przy użyciu sieci
5. Statistica Automatyczne Sieci Neuronowe – podstawy pracy
   • Ogólne wiadomości na temat posługiwania się programem
   • Przygotowywanie plików z danymi
   • Wstępna analiza danych
   • Definiowanie sieci neuronowych
6. Neuronowe modele regresyjne i klasyfikacyjne
   • Definiowanie sieci jednokierunkowych
   • Metody uczenia sieci jednokierunkowych i dobór parametrów określających sposób działania procedury uczącej
   • Ocena jakości uzyskanych modeli sieci
   • Możliwości aplikacyjne oszacowanych modeli neuronowych
   • Właściwości perceptronów wielowarstwowych (sieci MLP)
   • Sieci o radialnych funkcjach bazowych
   • Porównanie sieci oraz wybór najlepszego modelu
   • Redukcja struktury sieci przy pomocy członu kary
   • Zespoły modeli
7. Neuronowa analiza szeregów czasowych
   • Budowa neuronowych modeli autoregresyjnych
   • Specyfika wstępnej analizy szeregów czasowych
   • Ocena jakości modeli szeregów czasowych
8. Sieci realizujące analizę skupień
   • Struktura jedno- i dwuwymiarowej sieci Kohonena
   • Realizacja operacji porządkowania i grupowania obiektów przy pomocy sieci Kohonena
   • Wizualizacja i interpretacja wyników działania sieci Kohonena