Онлайн поддержка
Все операторы заняты. Пожалуйста, оставьте свои контакты и ваш вопрос, мы с вами свяжемся!
ВАШЕ ИМЯ
ВАШ EMAIL
СООБЩЕНИЕ
* Пожалуйста, указывайте в сообщении номер вашего заказа (если есть)

Войти в мой кабинет
Регистрация
ГОТОВЫЕ РАБОТЫ / КУРСОВАЯ РАБОТА, ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Разработка математической модели анализа и прогнозирования с помощью нейронных сетей

mihail.taranenko.95 1000 руб. КУПИТЬ ЭТУ РАБОТУ
Страниц: 20 Заказ написания работы может стоить дешевле
Оригинальность: неизвестно После покупки вы можете повысить уникальность этой работы до 80-100% с помощью сервиса
Размещено: 18.04.2020
Курсовой проект на заданную тему. К проекту также прилагается программа на R.
Введение

Задача максимально точного прогнозирования является неотъемлемой частью процесса принятия управленческих решений. Как правило, между предиктором и откликом существуют нелинейные связи, которые весьма сложно найти с помощью традиционного анализа или аппроксимировать с помощью простых линейных моделей. В этой связи, нейронные сети являются несомненно одним из лидирующих типов моделей. Искусственная нейронная сеть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. В настоящей работе необходимо исследовать точность прогнозирования числовой переменной (отклика) на основе других числовых переменных (предикторов) с помощью многослойной нейронной сети. Также необходимо проверить точность прогнозирования полученной модели с помощью различных метрик машинного обучения на независимых (тестовых) данных и используя полученные результаты показать, что выбор нейронной сети вполне оправдан и может быть рекомендован для прогнозирования выбранных данных на практике. Объектом анализа и прогнозирования в данной курсовой работе выступает массив с данными. Результатом данной курсовой работы является реализация модели анализа и прогнозирования с помощью многослойной нейронной сети прямого распространения (МНСПР) в Rstudio на языке программирования R.
Содержание

Введение 5 1 Нормативные ссылки 6 2 Теоретическая часть. 7 2.1 Математическое описание нейронной сети 7 2.2 Выбор и описание библиотек машинного обучения 8 3 Практическая часть 10 3.1 Обработка данных 10 3.2 Построение модели 12 3.3 Оценка качества модели 14 Заключение 17 Список использованных источников 18 Приложение A Листинг программы 19
Список литературы

Список использованных источников 1. Torgo L. (2011) Data mining with R: learning with case studies. Chapman & Hall/CRC, 272 p. 2. Kuhn M. (2013) Predictive Modeling with R and the caret Package, 128 р. 3. Barber D. (2010) Bayesian Reasoning and Machine Learning Belmont (CA): Wadsworth Int. Group, 368 p. 4. Christopher Bishop. (2017) Pattern Recognition and Machine Learning // Springer, 20063, 236 р. 5. Loh W.-Y, Shih Y.-S. (1997) Split selection methods for classification trees. Statistica Sinica 7: 815-840
Отрывок из работы

Задача данной работы заключается в нахождении весов нейронной сети заданной структуры для аппроксимации и прогнозирования отклика (y) по набору предикторов (X): y ?=f(X) (1) Здесь y ? обозначает аппроксимированные значения y некоторой неизвестной функцией f(X). В нашем случае данная функция представляет собой нейронную сеть (модель) с набором неизвестных параметров (или весов). Таким образом, нашу модель можно записать в виде: y ?=f(X,W) (2) То есть, y ? будет зависеть от X и W. Для нахождения весов W в нейросетевых моделях используются различные алгоритмы. Задача этих алгоритмов минимизировать некоторую целевую функцию. В нашем случае эта функция выглядит так: sse=?_(i=1)^n-((y ?_i-y_i )^2)/n (3) Сумма квадратов ошибки (или sse) показывает насколько велика ошибка расхождения квадрата разности между истинными и прогнозируемыми или аппроксимируемыми значениями в целом. Чем меньше её значения - тем лучше для аппроксимации. В тоже время для неизвестных данных это далеко не всегда так. То есть при обучении нейронной сети данная ошибка может уменьшаться, в то время как на независимых (тестовых) данных она может увеличиваться. Эта проблема носит название переобучения. Мы должны следить за этим. Для минимизации sse в нейронных сетях применяются градиентные методы. Математическая суть этих методов состоит в следующем: W_i=W_i-?*?(f_i (W_i )) (4) Здесь W_i - веса нейронов в слои i, ? - градиент функции для заданного слоя и ? - шаг градиента. Как правило он задается маленьким, чтобы не произошло зацикливания и “проскока” оптимального решения. Градиентный спуск не гарантирует нахождения глобального минимума у мультимодальных функций, однако (как правило) достигает приемлемого результата на некоторых субоптимальных локальных минимумах. Существует множество вариантов реализации данного алгоритма, которые призваны ускорить нахождения параметров нейронной сети и обеспечить субоптимальное решение, таких как “backprop”, “rprop+”, “rprop-” и т.п. Мы будем пользоваться одним из них.
Условия покупки ?
Не смогли найти подходящую работу?
Вы можете заказать учебную работу от 100 рублей у наших авторов.
Оформите заказ и авторы начнут откликаться уже через 5 мин!
Похожие работы
Курсовая работа, Информационные технологии, 37 страниц
500 руб.
Курсовая работа, Информационные технологии, 31 страница
500 руб.
Курсовая работа, Информационные технологии, 56 страниц
800 руб.
Служба поддержки сервиса
+7 (499) 346-70-XX
Принимаем к оплате
Способы оплаты
© «Препод24»

Все права защищены

Разработка движка сайта

/slider/1.jpg /slider/2.jpg /slider/3.jpg /slider/4.jpg /slider/5.jpg