Neuronové sítě

Neuronové sítě patří mezi oblíbené moderní techniky, které umožňují nový a často i efektivnější přístup pro zpracování dat. Dvoudenní kurz umožňuje seznámení jak s teoretickými principy fungování neuronových sítí, tak s jejich praktickou aplikací prostřednictvím modulu STATISTICA Automatizované neuronové sítě. Kurz poskytne přehled o architektuře neuronových sítí a metodách učení. Postup, jak dosáhnout pomocí neuronových sítí co nejlepších výsledků, bude demonstrován při řešení praktických úloh.

Program kurzu

• Úvod
  • Základní informace o softwaru STATISTICA
  • Výukové zdroje pro software a možnosti nápovědy
• Práce s recepty (wizardem)
  • Princip, možnosti, využití
• Práce s recepty (wizardem)
  • Příprava dat (načtení, výběr proměnných, transformace, vzorkování dat, odstranění duplicitních vzorů, filtrace odlehlých hodnot, oprava chybějících údajů)
  • Detekce a případné odstranění podobných vstupních příznaků (prediktorů)
  • Výběr důležitých prediktorů pro požadovanou úlohu
  • Vytváření klasifikačních a regresních modelů
  • Vyhodnocení kvality vytvořeného modelů
  • Nasazení modelu v praxi
• Principy neuronových sítí
  • Neuron, model neuronu
  • Základní typy sítí (MLP, RBF Kohonenova)
  • Struktura neuronové sítě, princip učení, reprezentace znalostí
• Práce s neuronovými sítěmi
  • Rozdělování dat na trénovací, validační a testovací množiny, bootstrapping, křížová validace
  • Nastavení parametrů sítí (počet vrstev, neuronů, typy neuronů, post-synaptické funkce, aktivační funkce, algoritmy učení – backpropagation, problém lokálního minima, heuristiky a další)
  • Automatizovaný a vlastní návrh sítě
• Využití neuronových sítí
  • Klasifikace
  • Regrese
  • Analýza časových řad
  • Shluková analýza pomocí Kohonenovy neuronové sítě (SOM)
• Metody výběru vhodných příznaků 
• Sdružování rozsáhlých skupin hodnot příznaků (binning) 
• Vyhodnocení kvality vytvořeného modelu
  • Korelační analýza
  • ROC křivka
  • grafy zisku a navýšení (Gains a Lift chart)
• Nasazení modelu v praxi 
• Práce v prostředí modulu STATISTICA Data Miner
  • Práce v rámci pracovní plochy (workspaces)
  • Využití přednastavených úloh
  • Implementace vlastních uzlů

Předpokládané znalosti účastníků

• Běžná obsluha počítače v prostředí Windows.