Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных

Изложены нейросетевые методы анализа данных, основанные на использовании пакета Statistica Neural Networks (фирма производитель StatSoft), полностью адаптированного для русского пользователя. Даны основы теории нейронных сетей; большое внимание уделено решению практических задач, всесторонне рассмотрена методология и технология проведения исследований с помощью пакета Statistica Neural Networks - мощного инструмента анализа и прогнозирования данных, имеющего широкие применения в бизнесе, промышленности, управлении, финансах. Книга содержит множество примеров анализа данных, практические рекомендации по проведению анализа, прогнозирования, классификации, распознавания образов, управления производственными процессами с помощью нейронных сетей. Для широкого круга читателей, занимающихся исследованиями в банковской сфере, промышленности, экономике, бизнесе, геологоразведке, управлении, транспорте и других областях. 

Оглавление Предисловие ко второму изданию Введение. 

Приглашение в нейронные сети Глава 1. ОСНОВНЫЕ ПОНЯТИЯ АНАЛИЗА ДАННЫХ Глава 2. ВВЕДЕНИЕ В ТЕОРИЮ ВЕРОЯТНОСТЕЙ Глава 3. ВВЕДЕНИЕ В ТЕОРИЮ НЕЙРОННЫХ СЕТЕЙ Глава 4. ОБЩИЙ ОБЗОР НЕЙРОННЫХ СЕТЕЙ Параллели из биологии Базовая искусственная модель Применение нейронных сетей Пре- и постпроцессирование. Многослойный персептрон. Радиальная базисная функция. Вероятностная нейронная сеть Обобщенно-регрессионная нейронная сеть. Линейная сеть. Сеть Кохонена. Задачи классификации. Задачи регрессии. Прогнозирование временных рядов. Отбор переменных и понижение размерности. Глава 5. ПЕРВЫЕ ШАГИ В STATISTICA NEURAL NETWORKS. Начинаем работу. Создание набора данных. Создание новой сети. Создание набора данных и сети. Обучение сети. Запуск нейронной сети. Проведение классификации. Глава 6. ДАЛЬНЕЙШИЕ ВОЗМОЖНОСТИ НЕЙРОННЫХ СЕТЕЙ Классический пример: Ирисы Фишера. Обучение с кросс-проверкой. Условия остановки. Решение задач регрессии. Радиальные базисные функции. Линейные модели. Сети Кохонена. Вероятностные и обобщенно-регрессионные сети. Конструктор сетей. Генетический алгоритм отбора входных данных. Временные ряды. Глава 7. ПРАКТИЧЕСКИЕ СОВЕТЫ ПО РЕШЕНИЮ ЗАДАЧ Представление данных. Выделение полезных входных переменных. Понижение размерности. Выбор архитектуры сети. Пользовательские архитектуры сетей. Временные ряды. 

Глава 8. ПРИМЕРЫ ПРИМЕНЕНИЯ (CASE STUDIES) Пример 1. Понижение размерности в геологическом исследовании. Пример 2. Распознавание образов. Пример 3. Нелинейная классификация двумерных множеств. Пример 4. Сегментация различных образцов топлива по данным лабораторного исследования. Пример 5. Построение модели поведенческого скоринга. Пример 6. Аппроксимация функций. Пример 7. Прогнозирование продаж нефти. Пример 8. Мониторинг и предсказание температурного режима на установке. Пример 9. Определение достоверности цифровой подписи. 

Глава 9. КРАТКОЕ РУКОВОДСТВО Данные Сети. Обучение сетей. Другие типы сетей. Работа с сетью. Пересылка результатов в систему STATISTICA. Глава 10. КЛАССИЧЕСКИЕ МЕТОДЫ, АЛЬТЕРНАТИВНЫЕ НЕЙРОННЫМ СЕТЯМ Классический дискриминантный анализ в STATISTICA. Классификация. Логистическая-регрессия. Факторный анализ в STATISTICA Глава 11. ДОБЫЧА ДАННЫХ В STATISTICA 

Приложение 1. Генератор кода Приложение 2. Интеграция STATISTICA с ERP-системами. Список литературы. Предметный указатель.