STATISTICA ஐ மாற்றுவதற்கான மாற்றுகள். நரம்பியல் வலையமைப்புகள்

STATISTICA Automated Neural Networks என்பது ரஷ்ய மொழியில் முழுமையாக மொழிபெயர்க்கப்பட்ட உலகின் ஒரே நியூரல் நெட்வொர்க் மென்பொருள் தயாரிப்பு ஆகும்!

அடிப்படை ஆராய்ச்சி முதல் தரவு பகுப்பாய்வு, வணிகம், தொழில் போன்றவற்றின் நடைமுறை பயன்பாடுகள் வரை பல்வேறு துறைகளில் நரம்பியல் நெட்வொர்க் முறைகள் பெருகிய முறையில் பரவலாகி வருகின்றன.

சந்தையில் மிகவும் மேம்பட்ட மற்றும் மிகவும் பயனுள்ள நியூரல் நெட்வொர்க் தயாரிப்புகளில் ஒன்றாகும். இது பல தனித்துவமான நன்மைகள் மற்றும் பணக்கார அம்சங்களை வழங்குகிறது. எடுத்துக்காட்டாக, தானியங்கி நரம்பியல் நெட்வொர்க் தேடல் கருவியின் தனித்துவமான திறன்கள், , நரம்பியல் நெட்வொர்க்குகளில் நிபுணர்களால் மட்டுமல்லாமல், நியூரல் நெட்வொர்க் கம்ப்யூட்டிங் துறையில் ஆரம்பநிலையாளர்களாலும் கணினியைப் பயன்படுத்த அனுமதிக்கவும்.

பயன்படுத்துவதன் நன்மைகள் என்ன ?

தரவுத் தேர்வு, பெயரளவு குறியீட்டு முறை, அளவிடுதல், இயல்பாக்கம், வகைப்படுத்தல், பின்னடைவு மற்றும் நேரத் தொடர் சிக்கல்களுக்கான விளக்கத்துடன் விடுபட்ட தரவை அகற்றுதல் உள்ளிட்ட முன் மற்றும் பின் செயலாக்கம்;

விதிவிலக்கான பயன்பாட்டின் எளிமை மற்றும் நிகரற்ற பகுப்பாய்வு ஆற்றல்; எடுத்துக்காட்டாக, ஒரு தனிப்பட்ட தானியங்கி நரம்பியல் நெட்வொர்க் தேடல் கருவி தானியங்கு நரம்பியல் நெட்வொர்க் (ANN)பல்வேறு நரம்பியல் நெட்வொர்க்குகளை உருவாக்கும் அனைத்து நிலைகளிலும் பயனரை வழிநடத்தும் மற்றும் சிறந்த ஒன்றைத் தேர்ந்தெடுக்கவும் (இல்லையெனில், இந்த பணி "சோதனை மற்றும் பிழை" என்ற நீண்ட செயல்முறை மூலம் தீர்க்கப்படுகிறது மற்றும் கோட்பாட்டின் தீவிர அறிவு தேவைப்படுகிறது);

மிகவும் நவீனமான, உகந்த மற்றும் சக்திவாய்ந்த நெட்வொர்க் பயிற்சி அல்காரிதம்கள் (இணைந்த சாய்வு முறைகள், லெவன்பெர்க்-மார்கார்ட் அல்காரிதம், BFGS, கோஹோனென் அல்காரிதம் உட்பட); நெட்வொர்க் தரத்தை பாதிக்கும் அனைத்து அளவுருக்கள் மீது முழு கட்டுப்பாடு, அதாவது செயல்படுத்தல் மற்றும் பிழை செயல்பாடுகள், நெட்வொர்க் சிக்கலானது;

கிட்டத்தட்ட வரம்பற்ற அளவிலான நரம்பியல் நெட்வொர்க்குகள் மற்றும் நரம்பியல் நெட்வொர்க் கட்டமைப்புகளின் குழுமங்களுக்கான ஆதரவு;

ஊடாடும் ஆய்வு பகுப்பாய்வை எளிதாக்கும் பணக்கார வரைகலை மற்றும் புள்ளிவிவர திறன்கள்;

அமைப்புடன் முழு ஒருங்கிணைப்பு புள்ளியியல்; அனைத்து முடிவுகள், வரைபடங்கள், அறிக்கைகள் போன்றவற்றை சக்திவாய்ந்த வரைகலை மற்றும் பகுப்பாய்வுக் கருவிகளைப் பயன்படுத்தி மேலும் மாற்றியமைக்க முடியும். புள்ளியியல்(எடுத்துக்காட்டாக, கணிக்கப்பட்ட எச்சங்களை பகுப்பாய்வு செய்ய, விரிவான அறிக்கையை உருவாக்குதல் போன்றவை);

சக்திவாய்ந்த தானியங்கி கருவிகளுடன் தடையற்ற ஒருங்கிணைப்பு புள்ளியியல்; எந்தவொரு பகுப்பாய்விற்கும் முழு அளவிலான மேக்ரோக்களை பதிவு செய்தல்; உங்கள் சொந்த நரம்பியல் நெட்வொர்க் பகுப்பாய்வு மற்றும் பயன்பாடுகளை உருவாக்குதல் புள்ளியியல்விஷுவல் பேசிக் சவால் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் COM தொழில்நுட்பத்தை ஆதரிக்கும் எந்தவொரு பயன்பாட்டிலிருந்தும் (எடுத்துக்காட்டாக, MS Excel விரிதாளில் தானியங்கி நரம்பியல் நெட்வொர்க் பகுப்பாய்வு அல்லது C, C++, C#, Java போன்றவற்றில் எழுதப்பட்ட பல தனிப்பயன் பயன்பாடுகளை இணைத்தல்).

• மல்டிலேயர் பெர்செப்ட்ரான்கள், ரேடியல் அடிப்படை செயல்பாடுகள் மற்றும் சுய-ஒழுங்குபடுத்தும் அம்ச வரைபடங்கள் உட்பட மிகவும் பிரபலமான நெட்வொர்க் கட்டமைப்புகளின் தேர்வு.
• கருவி கிடைக்கும் தானியங்கி நெட்வொர்க் தேடல், இது பல்வேறு நரம்பியல் நெட்வொர்க் கட்டமைப்புகளை தானாக உருவாக்கவும் அவற்றின் சிக்கலைக் கட்டுப்படுத்தவும் உங்களை அனுமதிக்கிறது.
• சிறந்த நரம்பியல் நெட்வொர்க்குகளைப் பாதுகாத்தல்.

பல்வேறு வகையான புள்ளிவிவர பகுப்பாய்வு மற்றும் முன்கணிப்பு மாதிரிகளின் கட்டுமானத்தை ஆதரிக்கவும், பின்னடைவு, வகைப்பாடு, தொடர்ச்சியான மற்றும் வகைப்படுத்தப்பட்ட சார்பு மாறியுடன் நேரத் தொடர், பரிமாணக் குறைப்பு மற்றும் காட்சிப்படுத்தலுக்கான கிளஸ்டர் பகுப்பாய்வு.

பல மாதிரிகளை ஏற்றுதல் மற்றும் பகுப்பாய்வு செய்வதை ஆதரிக்கிறது.

• C, C++, C#, Java, PMML (Predictive Model Markup Language) ஆகியவற்றில் மூலக் குறியீட்டை உருவாக்குவதற்கான விருப்பத் திறன், இது உங்கள் சொந்த பயன்பாடுகளை உருவாக்க வெளிப்புற சூழலில் எளிதாக ஒருங்கிணைக்கப்படலாம்.

குறியீடு உற்பத்தியாளர்

குறியீடு உற்பத்தியாளர் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள்சி, ஜாவா மற்றும் பிஎம்எம்எல் (முன்கணிப்பு மாதிரி மார்க்அப் மொழி) ஆகியவற்றில் நியூரல் நெட்வொர்க் மாடல்களுக்கான மூல அமைப்பு நிரல் குறியீட்டை உருவாக்க முடியும். குறியீடு ஜெனரேட்டர் என்பது கணினிக்கு கூடுதல் பயன்பாடாகும் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள், இது நரம்பியல் நெட்வொர்க் பகுப்பாய்வின் அடிப்படையில், மாதிரிகளின் மூலக் குறியீட்டைக் கொண்டு ஒரு சி அல்லது ஜாவா கோப்பை உருவாக்கவும், அதை சுயாதீன வெளிப்புற பயன்பாடுகளில் ஒருங்கிணைக்கவும் பயனர்களை அனுமதிக்கிறது.

குறியீடு ஜெனரேட்டர் தேவை STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள்.

நியூரல் நெட்வொர்க் மூலக் குறியீட்டின் பதிப்பை உருவாக்குகிறது (சி, சி++, சி# அல்லது ஜாவாவில் ஒரு கோப்பாக).

சி அல்லது ஜாவா குறியீட்டு கோப்பு பின்னர் வெளிப்புற நிரல்களில் உட்பொதிக்கப்படும்.

புள்ளியியல்தானியங்கி நரம்பியல் வலையமைப்புகள்நியூரல் நெட்வொர்க் கம்ப்யூட்டிங்கில்

நரம்பியல் நெட்வொர்க்குகளின் பயன்பாடு நரம்பியல் நெட்வொர்க் முறைகளைப் பயன்படுத்தி தரவைச் செயலாக்குவதை விட அதிகம்.

STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)சமீபத்தியது மட்டுமல்லாமல் மிகவும் சிக்கலான பணிகளுடன் பணிபுரிய பல்வேறு செயல்பாடுகளை வழங்குகிறது நியூரல் நெட்வொர்க் கட்டமைப்புகள்மற்றும் கற்றல் வழிமுறைகள், ஆனால் பல்வேறு செயல்படுத்தல் மற்றும் பிழை செயல்பாடுகளை கணக்கிடும் திறன் கொண்ட நரம்பியல் நெட்வொர்க் கட்டமைப்புகளை உருவாக்குவதற்கான புதிய அணுகுமுறைகள், இது முடிவுகளை விளக்குவதை எளிதாக்குகிறது. கூடுதலாக, மென்பொருள் உருவாக்குநர்கள் மற்றும் பயன்பாட்டு அமைப்புகளை பரிசோதிக்கும் பயனர்கள் ஒரு எளிய மற்றும் உள்ளுணர்வு இடைமுகத்தில் குறிப்பிட்ட சோதனைகளை நடத்திய பிறகு உண்மையில் பாராட்டுவார்கள். STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN),நரம்பியல் நெட்வொர்க் பகுப்பாய்வுகளை தனிப்பயன் ,பயன்பாடுகளில் இணைக்கலாம். COM செயல்பாட்டு நூலகத்தைப் பயன்படுத்தி இதை அடையலாம் புள்ளியியல், இது நிரலின் அனைத்து செயல்பாடுகளையும் முழுமையாக பிரதிபலிக்கிறது அல்லது C/C++ இல் குறியீட்டைப் பயன்படுத்துகிறது, இது நிரலால் உருவாக்கப்பட்டு முழு பயிற்சி பெற்ற நரம்பியல் நெட்வொர்க்கை இயக்க உதவுகிறது.

தொகுதி STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள்அமைப்புடன் முழுமையாக ஒருங்கிணைக்கப்பட்டது புள்ளியியல்எனவே, பகுப்பாய்விற்கான தரவைத் திருத்துவதற்கு (தயாரிப்பதற்கு) கருவிகளின் ஒரு பெரிய தேர்வு (மாற்றங்கள், அவதானிப்புகளைத் தேர்ந்தெடுப்பதற்கான நிபந்தனைகள், தரவுச் சரிபார்ப்பு கருவிகள் போன்றவை) கிடைக்கின்றன.

எல்லா சோதனைகளையும் போல புள்ளியியல், நிரலை உள்ள இடத்தில் செயலாக்க கருவிகளைப் பயன்படுத்தி தொலைநிலை தரவுத்தளத்தில் "இணைக்க" முடியும் அல்லது நேரடி தரவுகளுடன் இணைக்கப்படுவதால், மாதிரிகள் பயிற்சியளிக்கப்படும் அல்லது இயங்கும் (உதாரணமாக, ஒவ்வொரு முறையும் தரவு மாறும்போது தானாகவே கணிக்கப்படும் மதிப்புகள் அல்லது வகைப்பாடுகளைக் கணக்கிட) .

தரவு அளவிடுதல் மற்றும் பெயரளவு மதிப்பு மாற்றம்

நெட்வொர்க்கில் தரவு உள்ளிடப்படுவதற்கு முன், அது ஒரு குறிப்பிட்ட வழியில் தயாரிக்கப்பட வேண்டும். வெளியீட்டுத் தரவை சரியாகப் புரிந்துகொள்வது சமமாக முக்கியமானது. IN STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)உள்ளீடு மற்றும் வெளியீட்டு தரவை தானாக அளவிட முடியும்; 1-of-N குறியீட்டு முறையைப் பயன்படுத்துவது உட்பட, பெயரளவு மதிப்புகளைக் கொண்ட மாறிகள் தானாகவே மறுகுறியீடு செய்யப்படலாம் (எடுத்துக்காட்டாக, பாலினம்=(ஆண், பெண்)). STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)விடுபட்ட தரவுகளுடன் வேலை செய்வதற்கான கருவிகளையும் கொண்டுள்ளது. நேரத் தொடர் பகுப்பாய்விற்காக வடிவமைக்கப்பட்ட தரவுத் தயாரிப்பு மற்றும் விளக்கக் கருவிகள் உள்ளன. பல்வேறு வகையான ஒத்த கருவிகளும் செயல்படுத்தப்படுகின்றன புள்ளியியல்.

வகைப்பாடு சிக்கல்களில், நம்பிக்கை இடைவெளிகளை அமைக்க முடியும் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)பின்னர் ஒரு வகுப்பிற்கு அல்லது மற்றொரு வகுப்பிற்கு அவதானிப்புகளை ஒதுக்க பயன்படுகிறது. இல் செயல்படுத்தப்பட்ட ஒரு சிறப்புடன் இணைந்து STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN) Softmax செயல்படுத்தும் செயல்பாடு மற்றும் குறுக்கு-என்ட்ரோபி பிழை செயல்பாடுகள் வகைப்பாடு சிக்கல்களுக்கு ஒரு அடிப்படை நிகழ்தகவு-கோட்பாட்டு அணுகுமுறையை வழங்குகிறது.

நரம்பியல் நெட்வொர்க் மாதிரியைத் தேர்ந்தெடுப்பது, நரம்பியல் நெட்வொர்க்குகளின் குழுமங்கள்

பல்வேறு நரம்பியல் நெட்வொர்க் மாதிரிகள் மற்றும் அமைக்கப்பட வேண்டிய பல அளவுருக்கள் (நெட்வொர்க் அளவுகள், கற்றல் அல்காரிதம் அளவுருக்கள் போன்றவை) சில பயனர்களை குழப்பலாம். ஆனால் அதனால்தான் ஒரு தானியங்கி நரம்பியல் நெட்வொர்க் தேடல் கருவி உள்ளது, , எந்த சிக்கலான ஒரு பொருத்தமான பிணைய கட்டமைப்பை தானாகவே தேட முடியும், கீழே பார்க்கவும். அமைப்பில் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)நடைமுறைச் சிக்கல்களைத் தீர்ப்பதில் பயன்படுத்தப்படும் அனைத்து முக்கிய வகையான நரம்பியல் நெட்வொர்க்குகளும் செயல்படுத்தப்பட்டுள்ளன, அவற்றுள்:

பல அடுக்கு பெர்செப்ட்ரான்கள் (நேரடி சமிக்ஞை பரிமாற்றத்துடன் கூடிய நெட்வொர்க்குகள்);

ரேடியல் அடிப்படையிலான செயல்பாடுகளை அடிப்படையாகக் கொண்ட நெட்வொர்க்குகள்;

சுய-ஒழுங்கமைக்கும் கோஹோனென் வரைபடங்கள்.

மேலே உள்ள கட்டமைப்புகள் பின்னடைவு, வகைப்பாடு, நேரத் தொடர் (தொடர்ச்சியான அல்லது வகைப்படுத்தப்பட்ட சார்பு மாறியுடன்) மற்றும் கிளஸ்டரிங் சிக்கல்களில் பயன்படுத்தப்படுகின்றன.

கூடுதலாக, அமைப்பில் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)செயல்படுத்தப்பட்டது நெட்வொர்க் குழுமங்கள், மேலே உள்ள நெட்வொர்க்குகளின் சீரற்ற (ஆனால் குறிப்பிடத்தக்க) சேர்க்கைகளிலிருந்து உருவாக்கப்பட்டது. இந்த அணுகுமுறை குறிப்பாக சத்தம் மற்றும் குறைந்த பரிமாண தரவுகளுக்கு பயனுள்ளதாக இருக்கும்.

தொகுப்பில் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)பொருத்தமான பிணைய கட்டமைப்பைத் தேர்ந்தெடுக்க பயனருக்கு உதவும் பல கருவிகள் உள்ளன. கணினியின் புள்ளியியல் மற்றும் வரைகலைக் கருவிகளில் முழு மக்கள்தொகை மற்றும் தனிப்பட்ட அவதானிப்புகளுக்கான ஹிஸ்டோகிராம்கள், மெட்ரிக்குகள் மற்றும் பிழை வரைபடங்கள் ஆகியவை அடங்கும், சரியான/தவறான வகைப்பாட்டின் இறுதித் தரவு, மற்றும் அனைத்து முக்கியமான புள்ளிவிவரங்கள், எடுத்துக்காட்டாக, விளக்கப்பட்ட மாறுபாட்டின் விகிதமும் தானாகவே கணக்கிடப்படும்.

தொகுப்பில் உள்ள தரவை காட்சிப்படுத்த STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)நெட்வொர்க்கின் "நடத்தையை" பயனர் புரிந்துகொள்ள உதவுவதற்காக சிதறல் மற்றும் 3D மறுமொழி மேற்பரப்புகள் செயல்படுத்தப்படுகின்றன.

நிச்சயமாக, பட்டியலிடப்பட்ட மூலங்களிலிருந்து பெறப்பட்ட எந்த தகவலையும் மற்ற வழிகளில் மேலும் பகுப்பாய்வு செய்ய நீங்கள் பயன்படுத்தலாம். புள்ளியியல், அத்துடன் அறிக்கைகளில் அடுத்தடுத்து சேர்ப்பதற்காக அல்லது தனிப்பயனாக்கலுக்காக.

STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)பணியை பரிசோதிக்கும் போது நீங்கள் பெற்றவற்றிலிருந்து சிறந்த பிணைய விருப்பத்தை தானாகவே நினைவில் கொள்கிறது, மேலும் நீங்கள் எந்த நேரத்திலும் அதைக் குறிப்பிடலாம். நெட்வொர்க்கின் பயன் மற்றும் அதன் முன்கணிப்பு திறன் ஆகியவை தானாக ஒரு சிறப்பு சோதனை கண்காணிப்புகளில் சோதிக்கப்படுகின்றன, அதே போல் நெட்வொர்க்கின் அளவு, அதன் செயல்திறன் மற்றும் தவறான வகைப்படுத்தலின் விலையை மதிப்பிடுவதன் மூலம். இல் செயல்படுத்தப்பட்டது STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)தானியங்கு குறுக்கு சரிபார்ப்பு மற்றும் எடையை ஒழுங்குபடுத்தும் நடைமுறைகள், கொடுக்கப்பட்ட பணிக்கு உங்கள் நெட்வொர்க் குறைவாக உள்ளதா அல்லது அதிக சிக்கலானதா என்பதை விரைவாகத் தீர்மானிக்க உங்களை அனுமதிக்கிறது.

தொகுப்பில் செயல்திறனை மேம்படுத்த STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள்பல நெட்வொர்க் கட்டமைப்பு விருப்பங்கள் வழங்கப்படுகின்றன. எனவே, நீங்கள் பின்னடைவு சிக்கல்களில் நேரியல் வெளியீட்டு நெட்வொர்க் லேயரைக் குறிப்பிடலாம் அல்லது நிகழ்தகவு மதிப்பீடு மற்றும் வகைப்பாடு சிக்கல்களில் ஒரு softmax செயல்படுத்தும் செயல்பாட்டைக் குறிப்பிடலாம். இந்த அமைப்பு தகவல் கோட்பாடு மாதிரிகள் மற்றும் பல சிறப்பு செயல்படுத்தும் செயல்பாடுகளின் அடிப்படையில் குறுக்கு-என்ட்ரோபி பிழை செயல்பாடுகளை செயல்படுத்துகிறது, இதில் ஒரே மாதிரியான, அதிவேக, ஹைபர்போலிக், லாஜிஸ்டிக் (சிக்மாய்டு) மற்றும் சைன் செயல்பாடுகள் மறைக்கப்பட்ட மற்றும் வெளியீட்டு நியூரான்கள் இரண்டிற்கும் அடங்கும்.

தானியங்கு நரம்பியல் நெட்வொர்க் (தானியங்கி தேடல் மற்றும் பல்வேறு நரம்பியல் நெட்வொர்க் கட்டமைப்புகளின் தேர்வு)

தொகுப்பின் ஒரு பகுதி STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)ஒரு தானியங்கி நரம்பியல் நெட்வொர்க் தேடல் கருவி, தானியங்கு நரம்பியல் நெட்வொர்க் (ANN) - தானியங்கு நெட்வொர்க் தேடல் (ANS), இது பல்வேறு கட்டமைப்பு மற்றும் சிக்கலான பல நரம்பியல் நெட்வொர்க்குகளை மதிப்பிடுகிறது மற்றும் கொடுக்கப்பட்ட பணிக்கு சிறந்த கட்டிடக்கலை நெட்வொர்க்குகளைத் தேர்ந்தெடுக்கிறது.

நரம்பியல் வலையமைப்பை உருவாக்கும் போது, ​​பொருத்தமான மாறிகளைத் தேர்ந்தெடுப்பதற்கும், ஹூரிஸ்டிக் தேடலைப் பயன்படுத்தி நெட்வொர்க் கட்டமைப்பை மேம்படுத்துவதற்கும் கணிசமான நேரம் செலவிடப்படுகிறது. STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)இந்தப் பணியை எடுத்துக்கொண்டு தானாகவே உங்களுக்காக ஒரு ஹூரிஸ்டிக் தேடலை நடத்துகிறது. இந்த செயல்முறை உள்ளீட்டு பரிமாணம், பிணைய வகை, பிணைய பரிமாணங்கள், செயல்படுத்தும் செயல்பாடுகள் மற்றும் தேவையான வெளியீட்டு பிழை செயல்பாடுகளை கணக்கில் எடுத்துக்கொள்கிறது.

சிக்கலான நுட்பங்களைப் பயன்படுத்தும் போது இது மிகவும் பயனுள்ள கருவியாகும், இது சிறந்த பிணைய கட்டமைப்பை தானாகவே கண்டறிய அனுமதிக்கிறது. உங்கள் கணினியின் முன் மணிக்கணக்கில் உட்கார்ந்திருப்பதற்குப் பதிலாக, கணினியை அனுமதிக்கவும் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)உங்களுக்காக இந்த வேலையைச் செய்யுங்கள்.

சிறந்த நெட்வொர்க் வகை மற்றும் கட்டமைப்பைக் கண்டறிவதற்கான உங்கள் சோதனைகளின் வெற்றியானது நெட்வொர்க் கற்றல் அல்காரிதம்களின் தரம் மற்றும் வேகத்தைப் பொறுத்தது. அமைப்பில் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)இன்றுவரை சிறந்த பயிற்சி அல்காரிதம்கள் செயல்படுத்தப்பட்டுள்ளன.

அமைப்பில் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)இரண்டு வேகமான இரண்டாம்-வரிசை அல்காரிதம்கள் செயல்படுத்தப்பட்டுள்ளன - இணைந்த சாய்வு முறைகள் மற்றும் BFGS அல்காரிதம். பிந்தையது மிகவும் சக்திவாய்ந்த நவீன நேரியல் அல்லாத தேர்வுமுறை அல்காரிதம் ஆகும், மேலும் வல்லுநர்கள் இதைப் பயன்படுத்த பரிந்துரைக்கின்றனர். குறைந்த நினைவகம் தேவைப்படும் BFGS அல்காரிதத்தின் எளிமைப்படுத்தப்பட்ட பதிப்பும் உள்ளது, இது கணினியின் ரேம் திறன்கள் மிகவும் குறைவாக இருக்கும் போது கணினியால் பயன்படுத்தப்படுகிறது. கிரேடியன்ட் டிசென்ட் போன்ற முதல் வரிசை துல்லியமான அல்காரிதம்களை விட இந்த வழிமுறைகள் வேகமாக ஒன்றிணைந்து மிகவும் துல்லியமான தீர்வை உருவாக்குகின்றன.

கணினியில் நெட்வொர்க் பயிற்சியின் மறுசெயல்முறை STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)தற்போதைய பயிற்சிப் பிழையின் தானியங்கி காட்சி மற்றும் சோதனைத் தொகுப்பில் சுயாதீனமாகக் கணக்கிடப்படும் பிழை மற்றும் மொத்தப் பிழையின் வரைபடமும் காட்டப்படும். ஒரு பட்டனை அழுத்துவதன் மூலம் எந்த நேரத்திலும் பயிற்சியில் குறுக்கிடலாம். கூடுதலாக, நிறுத்த நிலைமைகளை அமைக்க முடியும், இதன் கீழ் பயிற்சி குறுக்கிடப்படும்; அத்தகைய நிபந்தனை, எடுத்துக்காட்டாக, ஒரு குறிப்பிட்ட பிழை அளவை அடைவது அல்லது கொடுக்கப்பட்ட எண்ணிக்கையிலான பாஸ்களில் சோதனை பிழையின் நிலையான அதிகரிப்பு - “சகாப்தங்கள்” (இது நெட்வொர்க்கின் மறுபயிற்சி என்று அழைக்கப்படுவதைக் குறிக்கிறது). அதிகப்படியான பொருத்தம் ஏற்பட்டால், பயனர் கவலைப்படக்கூடாது: STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)பயிற்சியின் போது பெறப்பட்ட சிறந்த நெட்வொர்க்கின் நிகழ்வை தானாகவே நினைவில் கொள்கிறது, மேலும் இந்த நெட்வொர்க் விருப்பத்தை தொடர்புடைய பொத்தானைக் கிளிக் செய்வதன் மூலம் எப்போதும் அணுகலாம். நெட்வொர்க் பயிற்சி முடிந்ததும், தனி சோதனைத் தொகுப்பில் அதன் வேலையின் தரத்தை நீங்கள் சரிபார்க்கலாம்.

நெட்வொர்க் பயிற்சி பெற்ற பிறகு, நீங்கள் அதன் பணியின் தரத்தை சரிபார்த்து அதன் பண்புகளை தீர்மானிக்க வேண்டும். தொகுப்பில் இந்த நோக்கத்திற்காக STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)திரையில் புள்ளிவிவரங்கள் மற்றும் வரைகலை கருவிகளின் தொகுப்பு உள்ளது.

பல மாதிரிகள் (நெட்வொர்க்குகள் மற்றும் குழுமங்கள்) குறிப்பிடப்பட்டால், (முடிந்தால்) STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)ஒப்பீட்டு முடிவுகளைக் காண்பிக்கும் (உதாரணமாக, ஒரு வரைபடத்தில் பல மாதிரிகளின் சதி மறுமொழி வளைவுகள் அல்லது ஒரு அட்டவணையில் பல மாதிரிகளின் முன்கணிப்புகள்). ஒரே தரவுத் தொகுப்பில் பயிற்சியளிக்கப்பட்ட வெவ்வேறு மாடல்களை ஒப்பிடுவதற்கு இந்தப் பண்பு மிகவும் பயனுள்ளதாக இருக்கும்.

அனைத்து புள்ளிவிவரங்களும் பயிற்சி, சரிபார்ப்பு மற்றும் சோதனைத் தொகுப்புகளுக்கு தனித்தனியாக கணக்கிடப்படுகின்றன அல்லது அவற்றின் எந்தவொரு கலவையிலும், பயனரின் விருப்பப்படி.

பின்வரும் சுருக்கப் புள்ளிவிவரங்கள் தானாகவே கணக்கிடப்படும்: நெட்வொர்க்கின் மூல சராசரி சதுரப் பிழை, வகைப்பாடு சிக்கல்களுக்கான குழப்ப அணி என அழைக்கப்படும் (சரியான மற்றும் தவறான வகைப்பாட்டின் அனைத்து நிகழ்வுகளும் சுருக்கமாக உள்ளன) மற்றும் பின்னடைவு சிக்கல்களுக்கான தொடர்புகள். கோஹோனென் நெட்வொர்க்கில் ஒரு இடவியல் வரைபட சாளரம் உள்ளது, அதில் நீங்கள் பிணைய உறுப்புகளின் செயல்பாட்டைப் பார்க்க முடியும்.

ஆயத்த தீர்வுகள் (தனிப்பயன் பயன்பாடுகளைப் பயன்படுத்துதல் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள்)

எளிய மற்றும் வசதியான கணினி இடைமுகம் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)உங்கள் சிக்கல்களைத் தீர்க்க நரம்பியல் நெட்வொர்க் பயன்பாடுகளை விரைவாக உருவாக்க உங்களை அனுமதிக்கிறது.

இந்த தீர்வுகளை ஏற்கனவே உள்ள அமைப்பில் ஒருங்கிணைக்க வேண்டிய சூழ்நிலை இருக்கலாம், எடுத்துக்காட்டாக, அவற்றை ஒரு பரந்த கணினி சூழலின் ஒரு பகுதியாக மாற்றுவதற்கு (இவை தனித்தனியாக உருவாக்கப்பட்டு கார்ப்பரேட் கம்ப்யூட்டிங் அமைப்பில் கட்டமைக்கப்பட்ட நடைமுறைகளாக இருக்கலாம்).

பயிற்சியளிக்கப்பட்ட நரம்பியல் நெட்வொர்க்குகள் புதிய தரவுத்தொகுப்புகளுக்கு (கணிப்பிற்காக) பல வழிகளில் பயன்படுத்தப்படலாம்: நீங்கள் பயிற்சியளிக்கப்பட்ட நெட்வொர்க்குகளைச் சேமித்து, பின்னர் ஒரு புதிய தரவுத்தொகுப்பில் (கணிப்பு, வகைப்பாடு அல்லது முன்கணிப்புக்காக) பயன்படுத்தலாம்; C (C++, C#) அல்லது விஷுவல் பேசிக்கில் நிரல் குறியீட்டை தானாக உருவாக்க, குறியீடு ஜெனரேட்டரைப் பயன்படுத்தலாம், பின்னர் எந்த விஷுவல் பேஸிக் அல்லது C++ (C#) நிரலாக்க சூழலில் புதிய தரவைக் கணிக்க அதைப் பயன்படுத்தலாம். விண்ணப்பம். முடிவில், அனைத்து அமைப்பு செயல்பாடு புள்ளியியல், உட்பட STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN), பிற பயன்பாடுகளில் (உதாரணமாக, Java, MS Excel, C#, VB.NET, முதலியன) COM பொருள்களாக (கூறு பொருள் மாதிரி) பயன்படுத்தப்படலாம். எடுத்துக்காட்டாக, பயன்படுத்தி உருவாக்கப்பட்ட தானியங்கு பகுப்பாய்வை நீங்கள் செயல்படுத்தலாம் STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN) MS Excel அட்டவணையில்.

கற்றல் அல்காரிதம்களின் பட்டியல்

சாய்வு வம்சாவளி

இணை சாய்வு

கோஹோனன் பயிற்சி

ரேடியல் அடிப்படை செயல்பாட்டு நெட்வொர்க்கிற்கான கே-மீன்ஸ் முறை

நெட்வொர்க் அளவு கட்டுப்பாடுகள்

ஒரு நரம்பியல் நெட்வொர்க் கிட்டத்தட்ட எந்த அளவிலும் இருக்கலாம் (அதாவது, அதன் பரிமாணங்கள் உண்மையில் தேவையான மற்றும் நியாயமானதை விட பல மடங்கு பெரியதாக இருக்கலாம்); மல்டிலேயர் பெர்செப்ட்ரான்களின் நெட்வொர்க்கிற்கு, நியூரான்களின் ஒரு மறைக்கப்பட்ட அடுக்கு அனுமதிக்கப்படுகிறது. உண்மையில், எந்தவொரு நடைமுறை பணிகளுக்கும் நிரல் கணினியின் வன்பொருள் திறன்களால் மட்டுமே வரையறுக்கப்படுகிறது.

மின் கையேடு

அமைப்பின் ஒரு பகுதியாக STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN)நரம்பியல் நெட்வொர்க்குகள் பற்றிய முழுமையான மற்றும் தெளிவான அறிமுகம் மற்றும் எடுத்துக்காட்டுகளை வழங்கும் நன்கு விளக்கப்பட்ட பாடநூல் உள்ளது. எந்தவொரு உரையாடல் பெட்டியிலிருந்தும் விரிவான, சூழல் உணர்திறன் உதவி அமைப்பு உள்ளது.

மூல குறியீடு ஜெனரேட்டர்

மூல குறியீடு ஜெனரேட்டர் என்பது கூடுதல் தயாரிப்பு ஆகும், இது பயனர்கள் கணினியின் அடிப்படையில் தங்கள் சொந்த பயன்பாடுகளை எளிதாக உருவாக்க அனுமதிக்கிறது STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN). இந்த கூடுதல் தயாரிப்பு நரம்பியல் நெட்வொர்க் மாதிரியின் மூல அமைப்பு குறியீட்டை உருவாக்குகிறது (சி, சி++, சி# அல்லது ஜாவாவில் உள்ள கோப்பாக), இது தனித்தனியாக தொகுக்கப்பட்டு இலவச விநியோகத்திற்காக உங்கள் திட்டத்தில் ஒருங்கிணைக்கப்படலாம். இந்த தயாரிப்பு குறிப்பாக நிறுவன சிஸ்டம் டெவலப்பர்களுக்காக வடிவமைக்கப்பட்டுள்ளது, அத்துடன் உருவாக்கப்பட்ட மிகவும் உகந்த நடைமுறைகளை மாற்ற வேண்டிய பயனர்களுக்காக வடிவமைக்கப்பட்டுள்ளது. STATISTICA தானியங்கு நியூரல் நெட்வொர்க்குகள் (SANN), சிக்கலான பகுப்பாய்வு சிக்கல்களை தீர்க்க வெளிப்புற பயன்பாடுகளில். (அனுமதியைப் பெற, பயனர்கள் உருவாக்கிய குறியீட்டைப் பயன்படுத்தி நிரல்களின் விநியோகம் குறித்து தளங்கள் ஊழியர்களுக்குத் தெரிவிக்க வேண்டும் என்பதை கவனத்தில் கொள்ள வேண்டும்).

STATISTICAவில், தொடர்ச்சியான முன்கணிப்புச் சிக்கல் பின்னடைவுச் சிக்கலாகக் குறிப்பிடப்படுகிறது. இந்த சிக்கலின் பின்னணியில், ஒரு நரம்பியல் நெட்வொர்க் ஒரு நேரியல் சார்பற்ற செயல்பாடாகக் கருதப்படுகிறது, இதன் சிக்கலானது "அரை அளவுருவாக" கட்டுப்படுத்தப்படுகிறது - நெட்வொர்க்கில் உள்ள உறுப்புகளின் எண்ணிக்கை தீர்வின் சிக்கலை பாதிக்கிறது, ஆனால், நிச்சயமாக, ஆய்வாளர் பின்னடைவு செயல்பாட்டின் வெளிப்படையான வடிவத்தைக் காண முடியாது.

கடந்து செல்லும் போக்குவரத்தின் எண்ணிக்கை மற்றும் வகையைப் பொறுத்து வளிமண்டலத்தில் ஈயத்தின் உமிழ்வைக் கணக்கிடும் நரம்பியல் வலையமைப்பை உருவாக்குவது அவசியம். தரவு Lead.xls கோப்பில் சேமிக்கப்படுகிறது.

புள்ளியியல் தொகுப்பில் Svinets.xls கோப்பைத் திறக்கவும். திறந்த கோப்பு சாளரம் தோன்றும்.

அரிசி. 4. 33. இறக்குமதி சாளரம்.

"தேர்ந்தெடுக்கப்பட்ட தாளை இறக்குமதி செய்" விருப்பத்தைத் தேர்ந்தெடுத்து, தரவுத் தாளின் பெயரைத் தேர்ந்தெடுக்க வேண்டும்:

அரிசி. 4. 34. புள்ளியியல் தொகுப்பில் இறக்குமதி செய்ய எக்செல் தாளைத் தேர்ந்தெடுப்பது.

அடுத்த சாளரத்தில், நீங்கள் உண்மையான தரவு அளவுருக்களைக் குறிப்பிட வேண்டும், இது ஒரு விதியாக, தீர்மானிக்கப்பட்டு தானாகவே காட்டப்படும் (கடைசி மூன்று தேர்வுப்பெட்டிகளைத் தவிர).

அரிசி. 4. 35. இறக்குமதி பகுதியை அமைத்தல்.

அதன் பிறகு, இறக்குமதி செய்யப்பட்ட தரவு சாளரத்தில் காட்டப்படும்.

அரிசி. 4. 36. இறக்குமதி முடிவுகள்.

நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி பகுப்பாய்வு தொகுப்பை இயக்கவும். இதைச் செய்ய, "பகுப்பாய்வு" மெனுவிலிருந்து "நரம்பியல் நெட்வொர்க்குகள்" என்பதைத் தேர்ந்தெடுக்கவும்.

அரிசி. 4. 37. தரவு செயலாக்க முறையைத் தேர்ந்தெடுப்பது - "நரம்பியல் நெட்வொர்க்".

அதன் பிறகு STATISTICA Neural Networks தொகுப்பு சாளரம் தோன்றும்:

அரிசி. 4. 38. "நரம்பியல் நெட்வொர்க்குகள்" பகுப்பாய்வுக்கான தொடக்க சாளரம்.

"விரைவு" தாவலுக்குச் செல்லவும், அங்கு நீங்கள் பணி வகை - பின்னடைவு மற்றும் கருவி - நெட்வொர்க் வடிவமைப்பாளர் ஆகியவற்றை அமைக்க வேண்டும்.

அரிசி. 4. 39. நியூரல் நெட்வொர்க் டிசைனரைத் தொடங்குதல்.

அடுத்து, "சரி" பொத்தானைக் கிளிக் செய்வதன் மூலம், வெளியீடு (சார்பு) மற்றும் உள்ளீடு (சுயாதீனமான) மாறிகளைத் தேர்ந்தெடுப்பதற்கான பயன்முறைக்கு மாறுவீர்கள். "லீட்" என்பதை முதலில் தேர்ந்தெடுக்கிறோம், மேலும் அனைத்து வகைகளின் கார்களின் எண்ணிக்கையை கடைசியாக தேர்ந்தெடுக்கிறோம். "இல்லை" மற்றும் "தெரு" நெடுவரிசைகள் பயன்படுத்தப்படாமல் உள்ளன.

அரிசி. 4. 40. நரம்பியல் நெட்வொர்க்கிற்கான உள்ளீடு மற்றும் வெளியீட்டுத் தரவைத் தேர்ந்தெடுப்பது.

"சரி" என்பதைக் கிளிக் செய்வதன் மூலம் நீங்கள் "விரைவு" தாவலுக்குத் திரும்புவீர்கள். பின்னர், "சரி" பொத்தானை மீண்டும் கிளிக் செய்வதன் மூலம், நீங்கள் நரம்பியல் நெட்வொர்க் உருவாக்கும் சாளரத்திற்கு அழைத்துச் செல்லப்படுவீர்கள். "ஃபாஸ்ட்" தாவலில், நீங்கள் பிணைய வகையைத் தேர்ந்தெடுக்க வேண்டும் - பல அடுக்கு பெர்செப்ட்ரான்,

அரிசி. 4. 41. நரம்பியல் வலையமைப்பின் வகையைத் தேர்ந்தெடுப்பது.

மற்றும் "கூறுகள்" தாவலில் நீங்கள் தேவையான அடுக்குகளின் எண்ணிக்கை, ஒவ்வொன்றிலும் உள்ள நியூரான்களின் எண்ணிக்கை மற்றும் செயல்படுத்தும் செயல்பாட்டின் வகை ஆகியவற்றைக் குறிப்பிடலாம்:

அரிசி. 4. 42. அடுக்குகளின் எண்ணிக்கை மற்றும் நியூரான்களின் வகைகளை அமைத்தல்.

அரிசி. 4. 43. ஒரு நரம்பியல் நெட்வொர்க்கைப் பயிற்றுவிப்பதற்கான ஒரு முறையைத் தேர்ந்தெடுப்பது.

இங்கே, "மாதிரிகள்" பொத்தானைக் கிளிக் செய்வதன் மூலம், நீங்கள் பயிற்சி, கட்டுப்பாடு மற்றும் சோதனை எடுத்துக்காட்டுகளின் எண்ணிக்கையை அமைக்கலாம். சோதனை மற்றும் கட்டுப்பாட்டு எடுத்துக்காட்டுகளின் எண்ணிக்கையை பூஜ்ஜியமாக அமைத்தால், அனைத்து எடுத்துக்காட்டுகளையும் பயன்படுத்தி பிணையம் பயிற்சியளிக்கப்படும்:

அரிசி. 4. 44. பயிற்சி மற்றும் சோதனைத் தரவைத் தீர்மானித்தல்.

பிரதான பயிற்சி சாளரத்திற்குத் திரும்பி, நீங்கள் "பயனர்" பொத்தானைக் கிளிக் செய்து, "ஊடாடும்" தாவலுக்குச் செல்லலாம், பயிற்சி செயல்முறையை வரைபட வடிவில் பிரதிபலிக்குமாறு கோரலாம்:

அரிசி. 4. 45. கற்றல் செயல்முறையை நிரூபிக்க வரைபட வகையைக் குறிப்பிடுதல்.

இறுதியாக, "சரி" பொத்தானைக் கிளிக் செய்வதன் மூலம், நீங்கள் கற்றல் செயல்முறையைத் தொடங்குவீர்கள், இதன் விளைவாக வரைபடத்தில் காட்டப்படும்:

அரிசி. 4. 46. நரம்பியல் வலையமைப்பைப் பயிற்றுவித்தல்.

"சரி" பொத்தானைக் கிளிக் செய்வதன் மூலம், நீங்கள் முடிவுகள் சாளரத்திற்கு அழைத்துச் செல்லப்படுவீர்கள், அங்கு சாளர தாவல்கள் வழியாக நகர்த்துவதன் மூலம் உருவாக்கப்பட்ட நெட்வொர்க்கின் பல்வேறு பண்புகளை நீங்கள் படிக்கலாம்:

அரிசி. 4. 47. நியூரல் நெட்வொர்க் மாடலிங் முடிவுகள்.

எனவே, எடுத்துக்காட்டாக, “மேம்பட்ட” தாவலில் “நெட்வொர்க் ஆர்கிடெக்சர்” பொத்தான் உள்ளது, அதைக் கிளிக் செய்வதன் மூலம் கட்டப்பட்ட நெட்வொர்க்கின் இடவியலைக் காணலாம்:

அரிசி. 4. 48. கட்டமைக்கப்பட்ட நரம்பியல் வலையமைப்பின் பார்வை.

அத்துடன் "பயனர் அவதானிப்புகள்" பொத்தான், அங்கு நீங்கள் நெட்வொர்க்கிற்கு புதிய ஆரம்ப தரவை வழங்கலாம் மற்றும் ஏற்கனவே பயிற்சி பெற்ற நெட்வொர்க்கிலிருந்து பதிலைப் பெறலாம்.

தரவு பகுப்பாய்வில் நியூரோகம்ப்யூட்டிங் மற்றும் புள்ளியியல் மொழிகளுக்கு இடையே உள்ள ஒற்றுமைகள் மற்றும் வேறுபாடுகள் என்ன? ஒரு எளிய உதாரணத்தைப் பார்ப்போம்.

நம்மிடம் இருக்கிறது என்று வைத்துக் கொள்வோம் அவதானிப்புகள்மற்றும் சோதனை ரீதியாக அளவிடப்பட்டது என்ஒரு செயல்பாட்டு உறவைக் குறிக்கும் ஜோடி புள்ளிகள். இந்த புள்ளிகளின் மூலம் நீங்கள் சிறந்த நேர்கோட்டை வரைய முயற்சித்தால், இது புள்ளிவிவரங்களின் மொழியில் அறியப்படாத சார்புநிலையை விவரிக்க பயன்படுத்துவதாகும். நேரியல் மாதிரி

(கண்காணிப்பின் போது சத்தத்தை குறிக்கிறது), பின்னர் தொடர்புடைய சிக்கலுக்கான தீர்வு நேரியல் பின்னடைவுஇருபடிகளின் கூட்டுத்தொகையைக் குறைக்கும் அளவுருக்களின் மதிப்பிடப்பட்ட மதிப்புகளைக் கண்டறிவதற்கு குறைக்கப்படும் எச்சங்கள்.

அளவுருக்கள் கண்டறியப்பட்டால், மதிப்பை மதிப்பிடலாம் ஒய்எந்த மதிப்புக்கும் எக்ஸ்,அதாவது செயல்படுத்த வேண்டும் இடைச்செருகல்மற்றும் எக்ஸ்ட்ராபோலேஷன்தகவல்கள்.

ஒரே உள்ளீடு மற்றும் ஒரு ஒற்றை அடுக்கு நெட்வொர்க்கைப் பயன்படுத்தி அதே சிக்கலை தீர்க்க முடியும் நேரியல்வெளியீடு நியூரான். இணைப்பு எடை அமற்றும் வாசல் பிமீதமுள்ள மதிப்பின் அதே மதிப்பைக் குறைப்பதன் மூலம் பெறலாம் (இந்த வழக்கில் இது ரூட் சராசரி சதுரம் என்று அழைக்கப்படுகிறது தவறு) போது பயிற்சிநெட்வொர்க்குகள், உதாரணமாக backpropagation முறையைப் பயன்படுத்துகிறது. ஒரு நரம்பியல் நெட்வொர்க்கின் சொத்து பொதுமைப்படுத்தல்பின்னர் உள்ளீட்டு மதிப்பிலிருந்து வெளியீட்டு மதிப்பைக் கணிக்கப் பயன்படும்.

படம் 25. நேரியல் பின்னடைவு மற்றும் அதை செயல்படுத்தும் ஒற்றை அடுக்கு பெர்செப்ட்ரான்.

இந்த இரண்டு அணுகுமுறைகளையும் ஒப்பிட்டுப் பார்க்கும்போது, ​​உடனடியாகக் கண்ணைத் தாக்குவது என்னவென்றால், அவற்றின் முறைகளை விவரிக்கும்போது, ​​​​புள்ளிவிவரங்கள் ஈர்க்கின்றன. சூத்திரங்கள்மற்றும் சமன்பாடுகள், மற்றும் நியூரோகம்ப்யூட்டிங் நரம்பியல் கட்டமைப்புகளின் வரைகலை விளக்கம்.

1 இடது அரைக்கோளம் சூத்திரங்கள் மற்றும் சமன்பாடுகளுடனும், வலது அரைக்கோளம் கிராஃபிக் படங்களுடனும் இயங்குகிறது என்பதை நாம் நினைவில் வைத்துக் கொண்டால், புள்ளிவிவரங்களுடன் ஒப்பிடுகையில், " வலது அரைக்கோளம்"நரம்பியல் நெட்வொர்க் அணுகுமுறை.

மற்றொரு குறிப்பிடத்தக்க வேறுபாடு என்னவென்றால், புள்ளிவிவர முறைகளைப் பொறுத்தவரை, முரண்பாடு எவ்வாறு குறைக்கப்படுகிறது என்பது முக்கியமல்ல - எந்தவொரு சந்தர்ப்பத்திலும் மாதிரிநியூரோகம்ப்யூட்டிங்கில் முக்கியப் பங்கு வகிக்கும் போது, ​​அப்படியே உள்ளது கற்பித்தல் முறை.வேறு வார்த்தைகளில் கூறுவதானால், நரம்பியல் நெட்வொர்க் அணுகுமுறையைப் போலன்றி, புள்ளிவிவர முறைகளுக்கான மாதிரி அளவுருக்களின் மதிப்பீடு குறைத்தல் முறையைச் சார்ந்தது அல்ல. அதே நேரத்தில், புள்ளியியல் வல்லுநர்கள் எஞ்சிய வகையின் மாற்றங்களைக் கருத்தில் கொள்வார்கள்

எப்படி மாதிரியில் அடிப்படை மாற்றம்.

நரம்பியல் நெட்வொர்க் அணுகுமுறை போலல்லாமல், இதில் பெரும்பாலான நேரம் பயிற்சி நெட்வொர்க்குகள் செலவிடப்படுகிறது, புள்ளிவிவர அணுகுமுறையில் இந்த நேரம் சிக்கலை முழுமையாக பகுப்பாய்வு செய்ய செலவிடப்படுகிறது. புள்ளியியல் வல்லுனர்களின் நிபுணத்துவத்தைப் பயன்படுத்தி ஒரு மாதிரியைத் தேர்ந்தெடுக்க இது தரவு மற்றும் புலத்திற்கு குறிப்பிட்ட தகவல்களின் பகுப்பாய்வின் அடிப்படையில். நரம்பியல் நெட்வொர்க்குகளின் பயன்பாடு - இந்த உலகளாவிய தோராயமானவை - பொதுவாக முன்னோடி அறிவைப் பயன்படுத்தாமல் மேற்கொள்ளப்படுகிறது, இருப்பினும் சில சந்தர்ப்பங்களில் இது மிகவும் பயனுள்ளதாக இருக்கும். எடுத்துக்காட்டாக, பரிசீலனையில் உள்ள நேரியல் மாதிரியைப் பொறுத்தவரை, ரூட் சராசரி சதுரப் பிழையின் பயன்பாடு, அனைத்து பயிற்சி ஜோடிகளுக்கும் ஒரே மாதிரியான மாறுபாட்டுடன் இரைச்சல் மதிப்பு இயல்பான விநியோகத்தைக் கொண்டிருக்கும் போது அதன் அளவுருக்களின் உகந்த மதிப்பீட்டைப் பெற வழிவகுக்கிறது. அதே நேரத்தில், இந்த மாறுபாடுகள் வேறுபட்டவை என்று தெரிந்தால், பின்னர் பயன்படுத்தவும் எடையுள்ளபிழை செயல்பாடுகள்

கணிசமாக சிறந்த அளவுரு மதிப்புகளை கொடுக்க முடியும்.

கருத்தில் கொள்ளப்பட்ட எளிய மாதிரிக்கு கூடுதலாக, புள்ளிவிவரங்கள் மற்றும் நரம்பியல் நெட்வொர்க் முன்னுதாரணங்களின் மற்ற மாதிரிகளுக்கு சமமான மாதிரிகளை நாம் கொடுக்கலாம்.

அட்டவணை 3. இதே போன்ற நுட்பங்கள்

ஹாப்ஃபீல்ட் நெட்வொர்க் தரவு கிளஸ்டரிங் மற்றும் காரணி பகுப்பாய்வுடன் வெளிப்படையான தொடர்பைக் கொண்டுள்ளது.

1 காரணி பகுப்பாய்வுபடிக்க பயன்படுகிறது கட்டமைப்புகள்தகவல்கள். அதன் முக்கிய அடிப்படையானது அத்தகைய அறிகுறிகளின் இருப்பு அனுமானமாகும் - காரணிகள், இது நேரடியாகக் கவனிக்க முடியாதது, ஆனால் கவனிக்கக்கூடிய பல முதன்மை பண்புகளால் மதிப்பிட முடியும். உதாரணமாக, போன்ற அறிகுறிகள் உற்பத்தி அளவுமற்றும் நிலையான சொத்துக்களின் விலை, போன்ற ஒரு காரணியை தீர்மானிக்க முடியும் உற்பத்தி அளவு. பயிற்சி தேவைப்படும் நரம்பியல் நெட்வொர்க்குகள் போலல்லாமல், காரணி பகுப்பாய்வு ஒரு குறிப்பிட்ட எண்ணிக்கையிலான அவதானிப்புகளுடன் மட்டுமே செயல்பட முடியும். கொள்கையளவில், இத்தகைய அவதானிப்புகளின் எண்ணிக்கை மாறிகளின் எண்ணிக்கையை விட அதிகமாக இருக்க வேண்டும் என்றாலும், மதிப்புகளின் எண்ணிக்கையை விட குறைந்தது மூன்று மடங்கு பயன்படுத்த பரிந்துரைக்கப்படுகிறது. நரம்பியல் வலையமைப்பிற்கான பயிற்சி மாதிரியின் அளவை விட இது இன்னும் குறைவாகவே கருதப்படுகிறது. எனவே, புள்ளியியல் வல்லுநர்கள் குறைவான தரவைப் பயன்படுத்துவதில் காரணி பகுப்பாய்வின் நன்மையை சுட்டிக்காட்டுகின்றனர், எனவே விரைவான மாதிரி உருவாக்கத்திற்கு வழிவகுக்கும். கூடுதலாக, இதன் பொருள் காரணி பகுப்பாய்வு முறைகளை செயல்படுத்துவதற்கு குறைந்த சக்திவாய்ந்த கணினி கருவிகள் தேவைப்படுகின்றன. காரணி பகுப்பாய்வின் மற்றொரு நன்மை என்னவென்றால், இது ஒரு வெள்ளை பெட்டி முறை, அதாவது. முற்றிலும் திறந்த மற்றும் புரிந்துகொள்ளக்கூடியது - மாடல் ஏன் ஒரு குறிப்பிட்ட முடிவை உருவாக்குகிறது என்பதை பயனர் எளிதாக புரிந்து கொள்ள முடியும். காரணி பகுப்பாய்விற்கும் ஹாப்ஃபீல்ட் மாதிரிக்கும் இடையே உள்ள தொடர்பை, அவதானிப்புகளின் தொகுப்பிற்கான குறைந்தபட்ச அடிப்படை வெக்டார்களை நினைவுபடுத்துவதன் மூலம் காணலாம் (நினைவக படங்கள் - அத்தியாயம் 5 ஐப் பார்க்கவும்). இந்த திசையன்கள்தான் நினைவக திசையன்களின் பல்வேறு கூறுகளை ஒன்றிணைக்கும் காரணிகளின் ஒப்புமைகள் - முதன்மை பண்புகள்.

1 லாஜிஸ்டிக் பின்னடைவுநிதி முடிவெடுப்பதில் பரவலாகப் பயன்படுத்தப்படும் பைனரி வகைப்பாடு முறையாகும். சில சுயாதீன மாறிகளின் மதிப்புகளைப் பொறுத்து சில நிகழ்வின் உணர்தலின் (அல்லது உணராத) நிகழ்தகவை மதிப்பிட இது உங்களை அனுமதிக்கிறது - முன்கணிப்பாளர்கள்: x 1,..., x N. லாஜிஸ்டிக் பின்னடைவு மாதிரியில், இந்த நிகழ்தகவு பகுப்பாய்வு வடிவத்தைக் கொண்டுள்ளது: Pr( எக்ஸ்) =(1+exp(-z)) -1, இங்கு z = a 0 + a 1 x 1 +...+ a N x N . அதன் நரம்பியல் நெட்வொர்க் அனலாக் வெளிப்படையாக ஒரு ஒற்றை அடுக்கு பெர்செப்ட்ரான் மற்றும் நேரியல் அல்லாத வெளியீடு நியூரானுடன் உள்ளது. நிதி பயன்பாடுகளில், பன்முகப்படுத்தக்கூடிய நேரியல் பின்னடைவு மற்றும் பல காரணங்களுக்காக பாரபட்சமான பகுப்பாய்வை விட லாஜிஸ்டிக் பின்னடைவு விரும்பப்படுகிறது. குறிப்பாக, நிகழ்தகவு இடைவெளிக்கு சொந்தமானது என்பதை தானாகவே உறுதிசெய்கிறது மற்றும் முன்கணிப்பு மதிப்புகளின் விநியோகத்தில் குறைவான கட்டுப்பாடுகளை விதிக்கிறது. பிந்தையது மிகவும் முக்கியமானது, ஏனெனில் விகிதங்களின் வடிவத்தைக் கொண்ட நிதி குறிகாட்டிகளின் மதிப்புகளின் விநியோகம் பொதுவாக இயல்பானதாக இருக்காது மற்றும் "மிகவும் வளைந்திருக்கும்". நரம்பியல் நெட்வொர்க்குகளின் நன்மை என்னவென்றால், இந்த நிலைமை அவர்களுக்கு ஒரு சிக்கலை ஏற்படுத்தாது. கூடுதலாக, நரம்பியல் நெட்வொர்க்குகள் முன்கணிப்பு மதிப்புகளின் தொடர்புக்கு உணர்ச்சியற்றவை, அதே சமயம் இந்த விஷயத்தில் பின்னடைவு மாதிரி அளவுருக்களை மதிப்பிடுவதற்கான முறைகள் பெரும்பாலும் தவறான மதிப்புகளைக் கொடுக்கின்றன.

சிறுகுறிப்பு: நரம்பியல் நெட்வொர்க்குகள் மற்றும் புள்ளிவிவரங்கள். நரம்பியல் நெட்வொர்க்குகள் மற்றும் தெளிவற்ற தர்க்கம். நரம்பியல் நெட்வொர்க்குகள் மற்றும் நிபுணர் அமைப்புகள். நரம்பியல் நெட்வொர்க்குகள் மற்றும் புள்ளியியல் இயற்பியல்.

விலங்குகள் பிரிக்கப்பட்டுள்ளன:

1. பேரரசருக்கு சொந்தமானது,
2. பதப்படுத்தப்பட்ட,
3. அடக்கி,
4. உறிஞ்சுபவர்கள்,
5. சைரன்கள்,
6. அற்புதமான,
7. தனிப்பட்ட நாய்கள்,
8. இந்த வகைப்பாட்டில் சேர்க்கப்பட்டுள்ளது
9. பைத்தியம் போல் ஓடுகிறது
10. எண்ணற்ற,
11. சிறந்த ஒட்டக முடி தூரிகை மூலம் வரையப்பட்டது,
12. மற்றவைகள்,
13. ஒரு மலர் குவளையை உடைத்து,
14. ஈக்களை ஒத்த தூரத்திலிருந்து.

எச்.எல். போர்ஜஸ், "ஜான் வில்கின்ஸ் பகுப்பாய்வு மொழி"

நியூரோகம்ப்யூட்டிங் மற்ற துறைகள் மற்றும் அவற்றின் முறைகளுடன் பல தொடர்பு புள்ளிகளைக் கொண்டுள்ளது. குறிப்பாக, நரம்பியல் நெட்வொர்க்குகளின் கோட்பாடு புள்ளியியல் இயக்கவியல் மற்றும் தேர்வுமுறைக் கோட்பாட்டின் கருவியைப் பயன்படுத்துகிறது. நியூரோகம்ப்யூட்டிங்கின் பயன்பாட்டின் பகுதிகள் சில சமயங்களில் வலுவாக ஒன்றுடன் ஒன்று அல்லது கிட்டத்தட்ட கணித புள்ளிவிவரங்கள், தெளிவற்ற தொகுப்பு கோட்பாடு மற்றும் நிபுணர் அமைப்புகளின் பயன்பாட்டுப் பகுதிகளுடன் ஒத்துப்போகின்றன. நியூரோகம்ப்யூட்டிங்கின் இணைப்புகள் மற்றும் இணைகள் மிகவும் வேறுபட்டவை மற்றும் அதன் உலகளாவிய தன்மையைக் குறிக்கின்றன. இந்த விரிவுரையில், கூடுதலாகக் கருதப்படலாம், இதற்கு சற்றே அதிக கணித தயாரிப்பு தேவைப்படுவதால், அவற்றில் மிக முக்கியமானவற்றைப் பற்றி மட்டுமே பேசுவோம்.

நரம்பியல் நெட்வொர்க்குகள் மற்றும் புள்ளிவிவரங்கள்

நரம்பியல் நெட்வொர்க்குகள் இப்போது தரவு பகுப்பாய்வுக்கு வெற்றிகரமாகப் பயன்படுத்தப்படுவதால், அவற்றை பழைய, நன்கு வளர்ந்த புள்ளிவிவர முறைகளுடன் ஒப்பிடுவது பொருத்தமானது. புள்ளிவிவர இலக்கியத்தில், பொதுவாகப் பயன்படுத்தப்படும் நரம்பியல் நெட்வொர்க் அணுகுமுறைகள் பயனற்ற பின்னடைவு மற்றும் பாரபட்சமான மாதிரிகளைத் தவிர வேறில்லை என்ற அறிக்கையை நீங்கள் சில சமயங்களில் காணலாம். நாம் ஏற்கனவே குறிப்பிட்டுள்ளோம் பல அடுக்கு நரம்பியல் நெட்வொர்க்குகள்உண்மையில் பின்னடைவு மற்றும் வகைப்பாடு போன்ற பிரச்சனைகளை தீர்க்க முடியும். இருப்பினும், முதலாவதாக, நரம்பியல் நெட்வொர்க்குகள் மூலம் தரவு செயலாக்கம் மிகவும் வேறுபட்டது - எடுத்துக்காட்டாக, ஹாப்ஃபீல்ட் நெட்வொர்க்குகள் அல்லது கோஹோனென் அம்ச வரைபடங்களின் செயலில் உள்ள வகைப்படுத்தலை நினைவில் கொள்ளுங்கள், அவை புள்ளிவிவர ஒப்புமைகள் இல்லை. இரண்டாவதாக, நிதி மற்றும் வணிகத்தில் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்துவது தொடர்பான பல ஆய்வுகள் முன்னர் உருவாக்கப்பட்ட புள்ளிவிவர முறைகளை விட அவற்றின் நன்மைகளை வெளிப்படுத்தியுள்ளன. நரம்பியல் நெட்வொர்க்குகள் மற்றும் கணித புள்ளிவிவரங்களின் முறைகளை ஒப்பிடுவதன் முடிவுகளை ஒரு நெருக்கமான தோற்றத்தை எடுத்துக் கொள்வோம்.

நரம்பியல் நெட்வொர்க்குகள் விளக்க மொழியா?

குறிப்பிட்டுள்ளபடி, சில புள்ளியியல் வல்லுநர்கள் தரவு செயலாக்கத்திற்கான நரம்பியல் நெட்வொர்க் அணுகுமுறைகள் வெறுமனே மீண்டும் கண்டுபிடிக்கப்பட்டு மறுவடிவமைக்கப்பட்ட ஆனால் நன்கு அறியப்பட்ட புள்ளிவிவர பகுப்பாய்வு முறைகள் என்று வாதிடுகின்றனர். வேறு வார்த்தைகளில் கூறுவதானால், நியூரோகம்ப்யூட்டிங் பழைய அறிவை விவரிக்க ஒரு புதிய மொழியைப் பயன்படுத்துகிறது. உதாரணமாக, வாரன் சியர்லின் மேற்கோள் இங்கே:

பல நரம்பியல் நெட்வொர்க் ஆராய்ச்சியாளர்கள் பொறியியலாளர்கள், இயற்பியலாளர்கள், நரம்பியல் விஞ்ஞானிகள், உளவியலாளர்கள் அல்லது கணினி விஞ்ஞானிகள், அவர்கள் புள்ளிவிவரங்கள் மற்றும் நேரியல் அல்லாத தேர்வுமுறை பற்றி அதிகம் அறிந்திருக்கவில்லை. நரம்பியல் வலைப்பின்னல் ஆராய்ச்சியாளர்கள் பல தசாப்தங்கள் மற்றும் நூற்றாண்டுகளாக கணித மற்றும் புள்ளியியல் இலக்கியங்களில் அறியப்பட்ட முறைகளை தொடர்ந்து மீண்டும் கண்டுபிடித்து வருகின்றனர், ஆனால் இந்த முறைகள் எவ்வாறு செயல்படுகின்றன என்பதை அடிக்கடி புரிந்து கொள்ள முடியவில்லை.

இந்த பார்வை, முதல் பார்வையில், நியாயமானதாக தோன்றலாம். நரம்பியல் நெட்வொர்க்குகளின் சம்பிரதாயம் உண்மையிலேயே உலகளாவிய மொழி என்று கூறலாம். ஏற்கனவே McCulloch மற்றும் Pitts இன் முன்னோடி வேலையில் ஒரு நரம்பியல் நெட்வொர்க் விளக்கம் முன்மொழிவு தர்க்கத்தின் விளக்கத்திற்கு சமம் என்று காட்டப்பட்டது தற்செயல் நிகழ்வு அல்ல.

1961 பேப்பரில் (...) நான் உருவாக்கிய நுட்பத்தின் மூலம், மூளை விஞ்ஞானிகள் (...) அல்லது கணினி விஞ்ஞானிகள் என்னிடம் கேட்கும் அனைத்து கேள்விகளுக்கும் என்னால் எளிதாக பதிலளிக்க முடியும் என்பதைக் கண்டறிந்தேன். எவ்வாறாயினும், ஒரு இயற்பியலாளர் என்ற முறையில், எல்லாவற்றையும் விளக்கும் ஒரு கோட்பாடு உண்மையில் எதையும் விளக்குவதில்லை என்பதை நான் நன்கு அறிவேன்: சிறந்தது அது ஒரு மொழி. எட்வர்டோ கயனெல்லோ

எனவே, புள்ளியியல் வல்லுநர்கள் தங்களுக்குத் தெரிந்த கருத்துக்கள் நரம்பியல் நெட்வொர்க் கோட்பாட்டில் அவற்றின் ஒப்புமைகளைக் கொண்டிருப்பதை அடிக்கடி கண்டுபிடிப்பதில் ஆச்சரியமில்லை. வாரன் சியர்ல் இந்த இரண்டு பகுதிகளிலும் பயன்படுத்தப்படும் சொற்களின் சிறிய சொற்களஞ்சியத்தை தொகுத்துள்ளார்.

அட்டவணை 11.1. ஒத்த சொற்களின் சொற்களஞ்சியம்

நரம்பியல் வலையமைப்புகள்	புள்ளிவிவர முறைகள்.
அடையாளங்கள்	மாறிகள்
உள்ளீடுகள்	சுதந்திர மாறிகள்
வெளியேறுகிறது	கணித்த மதிப்புகள்
இலக்கு மதிப்புகள்	சார்பு மாறிகள்
பிழை	எஞ்சிய
பயிற்சி, தழுவல், சுய அமைப்பு	தரம்
பிழை செயல்பாடு, Lyapunov செயல்பாடு	மதிப்பீட்டு அளவுகோல்
பயிற்சி படங்கள் (ஜோடிகள்)	அவதானிப்புகள்
பிணைய அளவுருக்கள்: எடைகள், வரம்புகள்.	மதிப்பிடப்பட்ட அளவுருக்கள்
உயர் வரிசை நியூரான்கள்	தொடர்பு
செயல்பாட்டு இணைப்புகள்	மாற்றம்
மேற்பார்வையிடப்பட்ட கற்றல் அல்லது ஹீட்டோரோஅசோசியேஷன்	பின்னடைவு மற்றும் பாகுபாடு பகுப்பாய்வு
மேற்பார்வை செய்யப்படாத கற்றல் அல்லது ஆட்டோ சங்கம்	தரவு சுருக்கம்
போட்டி கற்றல், தகவமைப்பு திசையன் அளவீடு	கிளஸ்டர் பகுப்பாய்வு
பொதுமைப்படுத்தல்	இடைக்கணிப்பு மற்றும் எக்ஸ்ட்ராபோலேஷன்

நரம்பியல் நெட்வொர்க்குகளுக்கும் புள்ளிவிவரங்களுக்கும் என்ன வித்தியாசம்?

தரவு பகுப்பாய்வில் நியூரோகம்ப்யூட்டிங் மற்றும் புள்ளியியல் மொழிகளுக்கு இடையே உள்ள ஒற்றுமைகள் மற்றும் வேறுபாடுகள் என்ன? ஒரு எளிய உதாரணத்தைப் பார்ப்போம்.

செயல்பாட்டு சார்புகளைக் குறிக்கும் N ஜோடி புள்ளிகளை நாம் அவதானித்து சோதனை ரீதியாக அளந்துள்ளோம் என்று வைத்துக் கொள்வோம். இந்த புள்ளிகளின் மூலம் சிறந்த நேர்கோட்டை வரைய முயற்சித்தால், புள்ளிவிவரங்களின் மொழியில், அறியப்படாத சார்புநிலையை விவரிக்க நேரியல் மாதிரியைப் பயன்படுத்துவதைக் குறிக்கும் , (கவனிப்பின் போது ஏற்படும் சத்தத்தைக் குறிக்கிறது), பின்னர் தொடர்புடைய நேரியல் பின்னடைவு சிக்கலைத் தீர்ப்பது இருபடி எச்சங்களின் கூட்டுத்தொகையைக் குறைக்கும் அளவுருக்களின் மதிப்பிடப்பட்ட மதிப்புகளைக் கண்டறிவதற்கு குறைக்கப்பட்டது.

அளவுருக்கள் கண்டறியப்பட்டால், x இன் எந்த மதிப்பிற்கும் y இன் மதிப்பை மதிப்பிட முடியும், அதாவது தரவை இடைக்கணித்து விரிவுபடுத்துவது.

அதே சிக்கலைப் பயன்படுத்தி தீர்க்க முடியும் ஒற்றை அடுக்கு நெட்வொர்க்ஒற்றை உள்ளீடு மற்றும் ஒற்றை நேரியல் வெளியீடு நியூரானுடன். பிணையப் பயிற்சியின் போது அதே அளவு எஞ்சியதை (இந்த வழக்கில் ரூட் சராசரி சதுரப் பிழை என்று அழைக்கப்படும்) குறைப்பதன் மூலம் இணைப்பு எடை a மற்றும் threshold b ஆகியவற்றைப் பெறலாம், எடுத்துக்காட்டாக, backpropagation முறையைப் பயன்படுத்தி. உள்ளீட்டு மதிப்பிலிருந்து வெளியீட்டு மதிப்பைக் கணிக்க நரம்பியல் நெட்வொர்க்கின் பொதுமைப்படுத்தல் பண்பு பயன்படுத்தப்படும்.

அரிசி. 11.1.

இந்த இரண்டு அணுகுமுறைகளையும் ஒப்பிடும் போது, ​​உடனடியாக உங்கள் கண்களைக் கவருவது என்னவென்றால், அவற்றின் முறைகளை விவரிக்கும் போது, ​​புள்ளிவிவரங்கள் சூத்திரங்கள் மற்றும் சமன்பாடுகளுக்கு முறையீடு செய்கின்றன, மேலும் நியூரோகம்ப்யூட்டிங் என்பது நரம்பியல் கட்டமைப்புகளின் வரைகலை விளக்கத்தைக் குறிக்கிறது.

இடது அரைக்கோளம் சூத்திரங்கள் மற்றும் சமன்பாடுகளுடனும், வலது அரைக்கோளம் கிராஃபிக் படங்களுடனும் இயங்குகிறது என்பதை நாம் நினைவில் கொண்டால், புள்ளிவிவரங்களுடன் ஒப்பிடுகையில், நரம்பியல் நெட்வொர்க் அணுகுமுறையின் "வலது அரைக்கோளம்" இயல்பு மீண்டும் தோன்றுகிறது என்பதை நாம் புரிந்து கொள்ளலாம்.

மற்றொரு குறிப்பிடத்தக்க வேறுபாடு என்னவென்றால், புள்ளிவிவர முறைகளுக்கு முரண்பாடு எவ்வாறு குறைக்கப்படுகிறது என்பது முக்கியமல்ல - எந்தவொரு சந்தர்ப்பத்திலும், மாதிரி அப்படியே இருக்கும், அதே நேரத்தில் நியூரோகம்ப்யூட்டிங்கிற்கு இது முக்கிய பங்கு வகிக்கும் பயிற்சி முறையாகும். வேறு வார்த்தைகளில் கூறுவதானால், நரம்பியல் நெட்வொர்க் அணுகுமுறையைப் போலன்றி, புள்ளிவிவர முறைகளுக்கான மாதிரி அளவுருக்களின் மதிப்பீடு சார்ந்து இல்லை குறைக்கும் முறை. அதே நேரத்தில், புள்ளியியல் வல்லுநர்கள் எஞ்சிய வகையின் மாற்றங்களைக் கருத்தில் கொள்வார்கள்

மாதிரிக்கு ஒரு அடிப்படை மாற்றம் போல.

நரம்பியல் நெட்வொர்க் அணுகுமுறை போலல்லாமல், இதில் பெரும்பாலான நேரம் பயிற்சி நெட்வொர்க்குகள் செலவிடப்படுகிறது, புள்ளிவிவர அணுகுமுறையில் இந்த நேரம் சிக்கலை முழுமையாக பகுப்பாய்வு செய்ய செலவிடப்படுகிறது. புள்ளியியல் வல்லுனர்களின் நிபுணத்துவத்தைப் பயன்படுத்தி ஒரு மாதிரியைத் தேர்ந்தெடுக்க இது தரவு மற்றும் புலத்திற்கு குறிப்பிட்ட தகவல்களின் பகுப்பாய்வின் அடிப்படையில். நரம்பியல் நெட்வொர்க்குகளின் பயன்பாடு - இந்த உலகளாவிய தோராயமானவை - பொதுவாக முன்னோடி அறிவைப் பயன்படுத்தாமல் மேற்கொள்ளப்படுகிறது, இருப்பினும் சில சந்தர்ப்பங்களில் இது மிகவும் பயனுள்ளதாக இருக்கும். எடுத்துக்காட்டாக, பரிசீலனையில் உள்ள நேரியல் மாதிரியைப் பொறுத்தவரை, ரூட் சராசரி சதுரப் பிழையின் பயன்பாடு, அனைத்து பயிற்சி ஜோடிகளுக்கும் ஒரே மாதிரியான மாறுபாட்டுடன் இரைச்சல் மதிப்பு இயல்பான விநியோகத்தைக் கொண்டிருக்கும் போது அதன் அளவுருக்களின் உகந்த மதிப்பீட்டைப் பெற வழிவகுக்கிறது. அதே நேரத்தில், இந்த மாறுபாடுகள் வேறுபட்டவை என்று தெரிந்தால், எடையுள்ள பிழை செயல்பாட்டைப் பயன்படுத்துதல்

கணிசமாக சிறந்த அளவுரு மதிப்புகளை கொடுக்க முடியும்.

கருத்தில் கொள்ளப்பட்ட எளிய மாதிரிக்கு கூடுதலாக, புள்ளிவிவரங்கள் மற்றும் நரம்பியல் நெட்வொர்க் முன்னுதாரணங்களின் மற்ற மாதிரிகளுக்கு சமமான மாதிரிகளை நாம் கொடுக்கலாம்.

ஹாப்ஃபீல்ட் நெட்வொர்க் தரவு கிளஸ்டரிங் மற்றும் காரணி பகுப்பாய்வுடன் வெளிப்படையான தொடர்பைக் கொண்டுள்ளது.

காரணி பகுப்பாய்வுதரவு கட்டமைப்பைப் படிக்கப் பயன்படுகிறது. அதன் முக்கிய அடிப்படையானது, அத்தகைய அறிகுறிகளின் இருப்பு பற்றிய அனுமானமாகும் - நேரடியாகக் கவனிக்க முடியாத காரணிகள், ஆனால் கவனிக்கக்கூடிய பல முதன்மை அறிகுறிகளால் மதிப்பிடப்படலாம். எடுத்துக்காட்டாக, உற்பத்தி அளவு மற்றும் நிலையான சொத்துக்களின் விலை போன்ற பண்புகள் உற்பத்தியின் அளவு போன்ற ஒரு காரணியை தீர்மானிக்க முடியும். பயிற்சி தேவைப்படும் நரம்பியல் நெட்வொர்க்குகள் போலல்லாமல், காரணி பகுப்பாய்வு ஒரு குறிப்பிட்ட எண்ணிக்கையிலான அவதானிப்புகளுடன் மட்டுமே செயல்பட முடியும். கொள்கையளவில், இத்தகைய அவதானிப்புகளின் எண்ணிக்கை மாறிகளின் எண்ணிக்கையை விட அதிகமாக இருக்க வேண்டும் என்றாலும், மதிப்புகளின் எண்ணிக்கையை விட குறைந்தது மூன்று மடங்கு பயன்படுத்த பரிந்துரைக்கப்படுகிறது. நரம்பியல் வலையமைப்பிற்கான பயிற்சி மாதிரியின் அளவை விட இது இன்னும் குறைவாகவே கருதப்படுகிறது. எனவே, புள்ளியியல் வல்லுநர்கள் குறைவான தரவைப் பயன்படுத்துவதில் காரணி பகுப்பாய்வின் நன்மையை சுட்டிக்காட்டுகின்றனர், எனவே விரைவான மாதிரி உருவாக்கத்திற்கு வழிவகுக்கும். கூடுதலாக, இதன் பொருள் காரணி பகுப்பாய்வு முறைகளை செயல்படுத்துவதற்கு குறைந்த சக்திவாய்ந்த கணினி கருவிகள் தேவைப்படுகின்றன. காரணி பகுப்பாய்வின் மற்றொரு நன்மை என்னவென்றால், இது ஒரு வெள்ளை பெட்டி முறை, அதாவது. முற்றிலும் திறந்த மற்றும் புரிந்துகொள்ளக்கூடியது - மாடல் ஏன் ஒரு குறிப்பிட்ட முடிவை உருவாக்குகிறது என்பதை பயனர் எளிதாக புரிந்து கொள்ள முடியும். காரணி பகுப்பாய்விற்கும் ஹாப்ஃபீல்ட் மாதிரிக்கும் இடையே உள்ள தொடர்பை திசையன்களை நினைவுபடுத்துவதன் மூலம் காணலாம் குறைந்தபட்ச அடிப்படைஅவதானிப்புகளின் தொகுப்பிற்கு (நினைவக படங்கள் - விரிவுரை 5 ஐப் பார்க்கவும்). இந்த திசையன்கள்தான் நினைவக திசையன்களின் பல்வேறு கூறுகளை ஒன்றிணைக்கும் காரணிகளின் ஒப்புமைகள் - முதன்மை பண்புகள்.

நோயாளிகளைக் கண்காணித்த ஒரு குறிப்பிட்ட வரலாற்றில், தரவுகளின் வரிசை திரட்டப்பட்டு, STATISTICA அமைப்பில் ஒரு அட்டவணையில் சேமிக்கப்படுகிறது. தொடர்புடைய தரவு அட்டவணை படம் 6 இல் காட்டப்பட்டுள்ளது.

படம் 6. மூல தரவு அட்டவணையின் துண்டு

ஒரு நரம்பியல் நெட்வொர்க் மாதிரியை உருவாக்குவதே ஆய்வின் நோக்கமாகும், இது கொடுக்கப்பட்ட ஆரம்ப தரவுகளின் அடிப்படையில் (நோயாளி பரிசோதனை தரவு, சோதனை முடிவுகள், சேர்க்கைக்கு முன் சிகிச்சை), மருத்துவமனையில் பரிந்துரைக்கப்பட்ட சிகிச்சையின் அடிப்படையில், அவருக்கு ஒரு முன்கணிப்பை உருவாக்கும். சிகிச்சை (மருத்துவமனையில் சேர்க்கும் மதிப்புகள் I-APFARA, BAB, BKK, டையூரிடிக்ஸ், மையமாக செயல்படும் மருந்துகள்) போதுமான துல்லியத்துடன்.

பிரச்சனை நேரியல் அல்ல என்பது சந்தேகத்திற்கு அப்பாற்பட்டது. நிச்சயமாக, STATISTICA Nonlinear Estimation module ஐப் பயன்படுத்தி சிக்கலைத் தீர்க்க ஒருவர் முயற்சி செய்யலாம், அதாவது, செயல்பாட்டின் வகையை "தடுப்பதற்காக" இந்தத் தொகுதி வழங்கும் செயல்பாட்டு நடைமுறைகளைப் பயன்படுத்தி. இருப்பினும், தீர்வைக் கண்டுபிடிப்பதற்கான நடைமுறையை கணிசமாக நீட்டிக்கும் பல சிக்கல்கள் இங்கே உள்ளன. அவற்றில் மிக முக்கியமானது, ஆய்வு செய்யப்படும் சார்புநிலையின் வெளிப்படையான வடிவத்தைப் பற்றிய ஒரு கருதுகோளை உருவாக்குவது, இது வெளிப்படையாக இல்லை.

கூடுதல் ஆராய்ச்சி இல்லாமல், வெளிப்படையான வகை சார்ந்திருப்பதைப் பற்றி எதுவும் சொல்வது கடினம். மேலும், இன்னும் ஒரு காரணியை நாங்கள் கணக்கில் எடுத்துக்கொள்ளவில்லை என்பதைக் குறிப்பிட வேண்டும். பொதுவாக, நேரியல் அல்லாத மதிப்பீட்டு முறைகளைப் பயன்படுத்தி அத்தகைய சிக்கலைத் தீர்ப்பதற்கு மிக நீண்ட நேரம் ஆகலாம் அல்லது எதற்கும் வழிவகுக்காமல் போகலாம். இது போன்ற நெருக்கடியான சூழ்நிலைகளில், அது தெரியும் போது

மாறிகளுக்கு இடையே ஒரு உறவு உள்ளது;

உறவு நிச்சயமாக நேரியல் அல்ல;

சார்புநிலையின் வெளிப்படையான வடிவம் பற்றி எதுவும் கூறுவது கடினம்,

நியூரல் நெட்வொர்க் அல்காரிதம்கள் உதவுகின்றன. STATISTICA Neural Networks தொகுதியில் இந்தச் சிக்கலைத் தீர்ப்பதற்கான வழியைக் கருத்தில் கொள்வோம்.

துரதிர்ஷ்டவசமாக, ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்க எந்த நரம்பியல் நெட்வொர்க் டோபாலஜியைப் பின்பற்ற வேண்டும் என்பதைக் குறிக்கும் உலகளாவிய விதிகள் எதுவும் இல்லை. எனவே, சரியான நெட்வொர்க்கைக் கண்டறிவதற்கு ஒரு நியாயமான நடைமுறை அவசியம்.

STATISTICA அமைப்பின் நரம்பியல் வலையமைப்பு தொகுதியானது விரும்பிய பிணைய கட்டமைப்பிற்கான தேடலை ஒழுங்குபடுத்தும் ஒரு செயல்முறையை உள்ளடக்கியது. இந்த செயல்முறையானது பல்வேறு கட்டமைப்புகளுடன் கூடிய அதிக எண்ணிக்கையிலான நெட்வொர்க்குகளை உருவாக்கி சோதித்து, அவற்றிலிருந்து கொடுக்கப்பட்ட சிக்கலைத் தீர்ப்பதற்கு மிகவும் பொருத்தமான நெட்வொர்க்கைத் தேர்ந்தெடுப்பதைக் கொண்டுள்ளது. இக்கருவி நுண்ணறிவு சிக்கல் தீர்க்கும் கருவி என்று அழைக்கப்படுகிறது. நியூரல் நெட்வொர்க்குகள் தொகுதியைத் தொடங்க, STATISTICA - Statistics அமைப்பின் பிரதான மெனுவில் அதே பெயரின் கட்டளையைப் பயன்படுத்த வேண்டும். (படம் 7)

படம் 7. நியூரல் நெட்வொர்க்ஸ் தொகுதியை துவக்குகிறது

பின்வரும் ஆய்வறிக்கை மிகவும் பொதுவானது: "நரம்பியல் நெட்வொர்க்குகள் ஒரு உலகளாவிய கட்டமைப்பாகும், இது எந்த வழிமுறையையும் செயல்படுத்த உங்களை அனுமதிக்கிறது." இந்த அறிக்கையை கண்மூடித்தனமாக நம்பி, முன்மொழியப்பட்ட சார்புநிலையை உடனடியாக "பிடிக்கும்" ஒரு நரம்பியல் வலையமைப்பை உருவாக்க முயற்சிப்போம் (அதாவது, பூர்வாங்க ஆய்வு பகுப்பாய்வு இல்லாமல்).

நவீன அறிவியலால் இன்னும் தீர்க்கப்படாத மிக முக்கியமான பிரச்சினைகளில் ஒன்று, விரும்பிய பல பரிமாண நேரியல் சார்புகளை மீண்டும் உருவாக்கும் திறன் கொண்ட ஒரு நரம்பியல் வலையமைப்பின் கட்டமைப்பின் கேள்வியாகும். உண்மையில், 1957 ஆம் ஆண்டில் அவர் நிரூபித்த கொல்மோகோரோவின் முழுமைத் தேற்றம், ஒரு நரம்பியல் வலையமைப்பு எந்தவொரு (மிக முக்கியமான - தொடர்ச்சியான) செயல்பாட்டையும் மீண்டும் உருவாக்கும் திறன் கொண்டது என்று கூறுகிறது. இருப்பினும், அத்தகைய வலையமைப்பை உருவாக்குவதற்கான செய்முறையை ஆராய்ச்சியாளருக்கு வழங்கவில்லை. 1988 ஆம் ஆண்டில், பல ஆசிரியர்கள் கோல்மோகோரோவின் தேற்றத்தைப் பொதுமைப்படுத்தினர் மற்றும் எந்தவொரு தொடர்ச்சியான செயல்பாட்டையும் மூன்று அடுக்கு நரம்பியல் வலையமைப்பு மூலம் ஒரு மறைக்கப்பட்ட அடுக்கு மற்றும் எந்த அளவிலான துல்லியத்துடன் ஒரு பேக் ப்ரோபேகேஷன் அல்காரிதம் மூலம் தோராயமாக மதிப்பிட முடியும் என்பதைக் காட்டியது. எனவே, எங்கள் விஷயத்தில், நேர்மறையான அம்சம் நெட்வொர்க் மூன்று அடுக்குகளாக இருக்க வேண்டும் என்ற அறிவு, ஆனால் "எந்த அளவிலான துல்லியம்" மற்றும் இடைநிலையில் உள்ள நியூரான்களின் எண்ணிக்கை ஆகியவற்றுக்கு இடையேயான உறவை நிறுவும் விதிகள் எதுவும் இல்லை. மறைக்கப்பட்ட அடுக்கு என்று அழைக்கப்படுகிறது.

மேலே உள்ள அனைத்தையும் சுருக்கமாக, ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்க எந்த நரம்பியல் நெட்வொர்க் டோபாலஜியைப் பின்பற்ற வேண்டும் என்பதைக் குறிக்கும் உலகளாவிய விதிகள் எதுவும் இல்லை என்பதை நாங்கள் கவனிக்கிறோம். எனவே, சரியான நெட்வொர்க்கைக் கண்டுபிடிப்பதற்கு ஒரு நியாயமான செயல்முறை அவசியம்.

STATISTICA அமைப்பின் நரம்பியல் வலையமைப்பு தொகுதியானது விரும்பிய பிணைய உள்ளமைவுக்கான தேடலை ஒழுங்குபடுத்தும் ஒரு தனித்துவமான செயல்முறையை உள்ளடக்கியது. இந்த கருவி நுண்ணறிவு சிக்கல் தீர்க்கும் கருவி என்று அழைக்கப்படுகிறது. இந்தக் கருவியைப் பயன்படுத்தி, நமது பிரச்சனையைத் தீர்க்கும் திறன் கொண்ட நரம்பியல் வலையமைப்பைத் தேடுவோம்.

படம் 8. நியூரல் நெட்வொர்க்ஸ் தொகுதி வெளியீட்டுத் திண்டு

இந்த உரையாடல் பெட்டியின் விரைவு தாவலில், சிக்கல் வகை பிரிவில், நாம் எதிர்கொள்ளும் சிக்கல்களின் வகுப்பைத் தேர்ந்தெடுக்க முன்மொழியப்பட்டது. பன்முக உறவுகளை உருவாக்குவதே எங்கள் குறிக்கோள் அல்லது வேறுவிதமாகக் கூறினால், பன்முகத்தன்மையற்ற நேரியல் பின்னடைவு. அதாவது, சிக்கல் வகை பிரிவில் நீங்கள் பின்னடைவைக் குறிப்பிட வேண்டும்.

பணிகளின் வகுப்பைத் தீர்மானித்த பிறகு, பகுப்பாய்வைச் செய்வதற்கான மாறிகளைக் குறிப்பிடுவது அவசியம். மாறிகளைத் தேர்ந்தெடுக்க, மாறிகள் பொத்தானைப் பயன்படுத்தவும். இந்த பொத்தானைக் கிளிக் செய்யும் போது, ​​தேர்ந்தெடு உள்ளீடு (சுயாதீனம்), வெளியீடு (சார்பு) மற்றும் தேர்வுக்குழு மாறிகள் உரையாடல் பெட்டி தோன்றும். இந்த உரையாடல் பெட்டியில், நீங்கள் மாறிகளின் இரண்டு பட்டியல்களைக் குறிப்பிட வேண்டும். தொடர்ச்சியான வெளியீடுகள், எங்கள் விஷயத்தில், ACEI/ARB மருத்துவமனையில் சேர்க்கை, BAB மருத்துவமனையில் சேர்க்கை, BKK மருத்துவமனையில் சேர்க்கை, சிறுநீரிறக்கிகள் மருத்துவமனையில் சேர்க்கை மற்றும் மையமாக செயல்படும் மருந்துகள் மருத்துவமனையில் சேர்க்கை மாறிகள் உள்ளன. தொடர்ச்சியான உள்ளீடுகள், எங்கள் எடுத்துக்காட்டில், 1 முதல் 61 ஆரம்ப அளவுருக்கள்.

படம் 9. பகுப்பாய்விற்கான மாறிகளைத் தேர்ந்தெடுப்பது

தேர்வு பகுப்பாய்வு பிரிவில், இரண்டு விருப்பங்கள் உள்ளன: நுண்ணறிவு சிக்கல் தீர்க்கும் மற்றும் தனிப்பயன் நெட்வொர்க் வடிவமைப்பாளர். நரம்பியல் நெட்வொர்க் அளவுருக்களை தானாக தேர்ந்தெடுக்க, முதல் விருப்பம் தேவை, இது முன்னிருப்பாக அமைக்கப்படும். பகுப்பாய்வைத் தொடர, சரி என்பதைக் கிளிக் செய்யவும்.

அடுத்த கட்டத்தில், Intelligent Problem Solver அமைவு உரையாடல் பெட்டி தோன்றும்.

விரைவு பிரிவில் நரம்பியல் நெட்வொர்க் தேடல் அல்காரிதம் செயல்படுத்தும் நேரத்திற்கு பொறுப்பான விருப்பங்களின் குழு உள்ளது. இந்தத் தாவலில், சோதிக்கப்பட வேண்டிய நெட்வொர்க்குகளின் எண்ணிக்கையை நீங்கள் குறிப்பிட வேண்டும் (வகுக்கப்பட்ட சிக்கலைத் தீர்ப்பதற்கு அவை பொருத்தமானதா என்பதைக் கண்டறிய), மேலும் இறுதி அறிக்கையில் இந்த நெட்வொர்க்குகள் எத்தனை சேர்க்கப்படும் என்பதைக் குறிப்பிடவும்.

நெட்வொர்க்குகள் சோதனை செய்யப்பட்ட பிரிவில் 100, பிணையங்கள் தக்கவைக்கப்பட்டவை - 10 (படம் 10)

சோதனைச் செயல்பாட்டில் எந்த வகையான நரம்பியல் நெட்வொர்க்குகள் பயன்படுத்தப்படும் என்பதை வகைகள் தாவல் குறிப்பிடுகிறது. நேரியல் அல்லாத பின்னடைவின் சிக்கலைத் தீர்க்க, ஒரு மல்டிலேயர் பெர்செப்ட்ரான் மிகவும் பொருத்தமானது, எனவே படம் 11 இல் குறிக்கப்பட்ட நெட்வொர்க்குகளைத் தேர்ந்தெடுக்கிறோம்.

படம் 10. சோதனை செய்ய நெட்வொர்க்குகளின் எண்ணிக்கையை அமைத்தல்

படம் 11. பிணைய கட்டமைப்பைத் தேர்ந்தெடுப்பது

அடுத்து, தேடல் மற்றும் சோதனை செயல்முறையை ஒழுங்கமைக்க, நரம்பியல் நெட்வொர்க்கின் ஒவ்வொரு அடுக்கிலும் உள்ள நியூரான்களின் எண்ணிக்கையில் ஏற்படும் மாற்றங்களின் வரம்பைக் குறிப்பிடுவது அவசியம். இந்த பணிக்கான பரிந்துரைக்கப்பட்ட மதிப்புகள் படம் 12 இல் காட்டப்பட்டுள்ளன.

படம் 12. பயிற்சி, கட்டுப்பாடு மற்றும் சோதனை மாதிரிகளின் அளவுகள் பற்றிய குறிப்பு

இப்போது, ​​​​எல்லா பயிற்சி அளவுருக்களையும் அமைத்த பிறகு, பிணைய தேடல் செயல்முறையைத் தொடங்க, நீங்கள் சரி என்பதைக் கிளிக் செய்ய வேண்டும்.

தேடல் அல்காரிதத்தின் நிலை IPS பயிற்சி நடந்து கொண்டிருக்கிறது என்ற உரையாடல் பெட்டியில் காட்டப்படும்.

பொருத்தமான நரம்பியல் வலையமைப்பிற்கான தேடல் அல்காரிதம் இயங்கும் போது, ​​இந்த உரையாடல் பெட்டி அல்காரிதம் செயல்படுத்தும் நேரத்தைப் பற்றிய தகவலையும், அத்துடன் கருதப்படும் நரம்பியல் நெட்வொர்க்குகள் பற்றிய தகவலையும் வழங்குகிறது. தேடல் அல்காரிதத்தின் நோக்கம், பல நரம்பியல் நெட்வொர்க் உள்ளமைவுகளைக் கணக்கிடுவது மற்றும் நெட்வொர்க் வெளியீட்டில் குறைந்தபட்ச பிழை மற்றும் அதன் செயல்திறன் ஆகியவற்றின் அடிப்படையில் சிறந்த ஒன்றைத் தேர்ந்தெடுப்பதாகும்.