Оглавление

Предисловие ко второму изданию. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

Введение. Приглашение в нейронные сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Глава 1. ОСНОВНЫЕ ПОНЯТИЯ АНАЛИЗА ДАННЫХ . . . . . . . . . . . . . . . . . . . . 12

Глава 2. ВВЕДЕНИЕ В ТЕОРИЮ ВЕРОЯТНОСТЕЙ . . . . . . . . . . . . . . . . . . . . . . 46

Глава 3. ВВЕДЕНИЕ В ТЕОРИЮ НЕЙРОННЫХ СЕТЕЙ . . . . . . . . . . . . . . . . . . . 62

Глава 4. ОБЩИЙ ОБЗОР НЕЙРОННЫХ СЕТЕЙ . . . . . . . . . . . . . . . . . . . . . . . . 71
Параллели из биологии. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Базовая искусственная модель. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Применение нейронных сетей . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Пре- и постпроцессирование. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Многослойный персептрон . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Радиальная базисная функция . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Вероятностная нейронная сеть . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Обобщенно-регрессионная нейронная сеть . . . . . . . . . . . . . . . . . . . . . . . . 101
Линейная сеть . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Сеть Кохонена . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Задачи классификации . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Задачи регрессии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Прогнозирование временных рядов . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Отбор переменных и понижение размерности . . . . . . . . . . . . . . . . . . . . . . 115

Глава 5. ПЕРВЫЕ ШАГИ В STATISTICA NEURAL NETWORKS . . . . . . . . . . . . . . 119
Начинаем работу . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Создание набора данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Создание новой сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Создание набора данных и сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
Обучение сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Запуск нейронной сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Проведение классификации . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Глава 6. ДАЛЬНЕЙШИЕ ВОЗМОЖНОСТИ НЕЙРОННЫХ СЕТЕЙ . . . . . . . . . . . . 138
Классический пример: Ирисы Фишера . . . . . . . . . . . . . . . . . . . . . . . . . . 138
Обучение с кросс-проверкой . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Условия остановки . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Решение задач регрессии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Радиальные базисные функции. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Линейные модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Сети Кохонена. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Вероятностные и обощенно-регрессионные сети. . . . . . . . . . . . . . . . . . . . . 155
Конструктор сетей. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Генетический алгоритм отбора входных данных . . . . . . . . . . . . . . . . . . . . . 164
Временные ряды. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

Глава 7. ПРАКТИЧЕСКИЕ СОВЕТЫ ПО РЕШЕНИЮ ЗАДАЧ . . . . . . . . . . . . . . . 174
Представление данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Выделение полезных входных переменных. . . . . . . . . . . . . . . . . . . . . . . . 176
Понижение размерности . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
Выбор архитектуры сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Пользовательские архитектуры сетей . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
Временные ряды. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188

Глава 8. ПРИМЕРЫ ПРИМЕНЕНИЯ (CASE STUDIES) . . . . . . . . . . . . . . . . . . . . 190
Пример 1. Понижение размернотси в геологическом исследование . . . . . . . . . . 190
Пример 2. Распознование образов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
Пример 3. Нелинейная классификация двумерных множеств . . . . . . . . . . . . . . 202
Пример 4. Сегментация различных образцов топлива
по данным лабораторного исследования . . . . . . . . . . . . . . . . . . . . . . . . . 211
Пример 5. Построение модели поведенческого скоринга . . . . . . . . . . . . . . . . 218
Пример 6. Аппроксимация функций. . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Пример 7. Прогнозирование продаж нефти . . . . . . . . . . . . . . . . . . . . . . . . 241
Пример 8. Мониторинг и предсказание
температурного режима на установке . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Пример 9. Определение достоверности цифровой подписи . . . . . . . . . . . . . . . 265

Глава 9. КРАТКОЕ РУКОВОДСТВО . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
Данные . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
Сети. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
Обучение сетей . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
Другие типы сетей. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
Работа с сетью . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292
Пересылка результатов в систему STATISTICA . . . . . . . . . . . . . . . . . . . . . 298

Глава 10. КЛАССИЧЕСКИЕ МЕТОДЫ,
АЛЬТЕРНАТИВНЫЕ НЕЙРОННЫМ СЕТЯМ . . . . . . . . . . . . . . . . . . . . . . . . . 299
Классический дискриминаннтный анализ в STATISTICA. . . . . . . . . . . . . . . . 299
Классификация . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
Логит-регрессия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
Факторный анализ в STATISTICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Глава 11. ДОБЫЧА ДАННЫХ В STATISTICA. . . . . . . . . . . . . . . . . . . . . . . . . . 338

Приложение 1. Генератор кода . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 368

Приложение 2. Интеграция STATISTICA с ERP-системами . . . . . . . . . . . . . . . . . . 373

Список литературы. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 386

Предметный указатель. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 389