Содержание пункта источника
|
Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006 |
Самообучающиеся НС (без учителя). |
Для придания средствам интеллектуального анализа экономических данных возможности саморазвития используют самообучающиеся нейронные сети. Возможность самообучения - необходимый атрибут НС для анализа и выявления скрытых закономерностей в многомерной информации,
свойственных большинству задач интеллектуального анализа экономических данных, в частности, задачам классификации и кластеризации. Самообучение в НС связано с правилом, сформулированным Хеббом. Самообучение по Хеббу основано на биологическом подобии искусственных НС и учитывает степень активности входов и выходов формальных нейронов нейронной сети. Правило Хсбба декларирует идею самоорганизации нейронной сети: «Если нейроны с обеих сторон локальной взвешенной связи активизируются одновременно и регулярно, то вес локальной связи возрастает» [87J. При корректировке взвешенных связей по правилу Хсбба сильнее обучаются локальные связи между формальными нейронами с большими значениями выходных сигналов [88]. По дифференциальному правилу Хебба обучаются локальные связи, соединяющие формальные нейроны, выходы которых наиболее динамично изменились в сторону увеличения [89]. Для ограничения роста весов связей в правило Хебба вводят механизм забвения, т. е. если нейроны с обеих сторон локальной взвешенной связи активизируются не одновременно и не часто, то вес локальной связи уменьшается [89]. Процессы возрастания или снижения веса локальных связей регулируются коэффициентом ц - параметром скорости обучения и ф -коэффициентом забвения, значения которых находятся в интервале [0;1]. Самообучение методом соревнования. Подобное обучение имеет место в биологических нейронных сетях. Самообучение посредством соревнования позволяет группировать входные данные: подобные входные векторы объединяются нейронной сетью в группу и представляются одним элементом - формальным нейроном-прототипом. В отличие от обучения Хебба, в котором множество выходных формальных нейронов могут возбуждаться одновременно, при соревновательном обучении выходные формальные нейроны соревнуются между собой за активизацию по правилу - «победитель получает все».
При обучении модифицируются только веса формального нейрона -победителя. Вектор весов связей победившего формального нейрона -победителя смещается в многомерном пространстве решений по направлению к входному примеру (в зависимости от величины ц - параметра скорости обучения). Каждый из классов, на которые НС разбивает векторы обучающей выборки, соотносится только с одним из выходных формальным нейроном - победителем, чей весовой вектор соответствует центру тяжести данного класса входных векторов. Соревновательный метод обучения используется в НС для визуализации многомерных данных на основе SOM Кохонена. Принцип формирования топографического отображения реализован в SOM - самоорганизующихся картах Кохонена (рис. 1.4) [90]: «Близкие входные векторы возбуждают близкие формальные нейроны выходного слоя нейронной сети». В базовом методе соревновательного обучения ФН скрытого слоя конкурируют за право быть активированными, так как в каждый момент времени только единственный ФН-прототип в соревновательном слое может находиться в активном состоянии, а именно - формальный нейрон-победитель. Алгоритм Кохонена предусматривает подстройку весов локальных связей исходя из значений весов на предыдущей итерации. SOM является специальным случаем нейронной сети, обучающейся методом соревнования, в которой определяется пространственная окрестность для каждого выходного ФН. После выбора в слое формального нейрона-победителя обучается также и его ближайшие соседи, расположенные в окрестности. Начальный размер окрестности устанавливается в пределах от 1/2 до 2/3 размера сети и сокращается в процессе обучения согласно определенному закону (например, по экспоненциально убывающей зависимости). Во время обучения модифицируются все веса, связанные с победителем и его соседними ФН.
На этапе активации для очередной итерации вычисляются значения степени близости поступившего входного вектора с векторами весов каждого формального нейрона - прототипа. В случае отсутствия классов в структуру НС вводится ФН-прототин, координаты вектора весов которого равны координатам входного вектора, т. е. формируется новый класс входных векторов, а в НС появляется новый кластер. Если достигнута заданная точность отнесения входного вектора к одному из классов, то на этапе обучения производится коррекция весов соответствующего формального нейрона - прототипа с учетом значения коэффициента г|. Если входной вектор нельзя отнести ни к одному из классов с заданной точностью, то в структуру НС вводится ФН-прототип, координаты вектора весов которого равны координатам входного вектора. Далее повторяются этапы алгоритма, начиная с п.2. Считается, что нейронная сеть никогда не перестает самообучаться, если параметр скорости обучения г) отличен от 0. Основное достоинство алгоритмов самообучения - возможность самоорганизации нейронной сети (эволюционный процесс развития), а недостаток алгоритма соревновательного обучения - неконтролируемый порядок назначения классов при решении задачи кластеризации, зависящий от порядка подачи входных векторов. Для устранения названного недостатка использую нейронные сети встречного распространения. |
|
|
|
|
= К содержанию =
|
|
|
|
|
Самообучающиеся НС (без учителя). - релевантная информация: |
- «Опрашиваемое»: вот-бытие (естьность) цвета.
без малейших пробелов; сам по себе Цх есть полная определенность, полнота содержательности и только для вопрошающего он выступает как нечто неизвестное, неопределенное. Именно для вопрошающего о Цх становится «иксом» - неопределенную для вопрошающего и подлежащую определению законченную полноту определенности. Обозначая цвет как Цх (неизвестное, неопределенное) вопрошающий, таким образом,
- 1.3.2. Интеллектуальные аналитические системы на базе нейронных сетей
без учителя (самообучение) и смешанное. В первом случае (обучение с учителем) нейронная сеть располагает обучающей выборкой - правильными ответами на каждый входной пример. Веса связей настраиваются так, чтобы нейронная сеть формировала ответы как можно более близкие к известным правильным ответам. Обучение без учителя не требует знания правильных ответов на каждый пример обучающей выборки,
- СПИСОК ИСПОЛЬЗОВАННЫХ источников
безопасности иерархических систем // IX Санкт-Петербургская международная конференция Региональная информатика - 2004 «РИ-2004»: Тезисы докладов-СПб. 2004.-С. 146. Недосекин А. О. Нечетко-множественный анализ риска фондовых инвестиций. - Тнпо1рафия "Сезам", 2002. Zadch L. A. Outline of a new approach to the analysis of complex Systems and decision processes // IEEE Trans Systems. Man Cybernetics.
- 3.2. Продвижение пиар - проектов: опыт, проблемы, перспективы
без проведения дорогостоящих исследований, которые оправдывают себя преимущественно при исследовании крупных аудиторий глобальных проектов. Итак, что же может узнать владелец Интернет-ресурса о своей аудитории, пользуясь легальными средствами? Абсолютно легально, аппаратными средствами, можно узнать, сколько времени пользователь проводит на сайте, сколько страниц он за это время прочитывает,
- Выводы по главе
без него, так с аудиторий, перешедшей только посредством клика. Это необходимо, так как аудиторию, перешедшую посредством клика, можно напрямую отнести к результатам рекламной кампании, а пользователи, пришедшие на веб-сайт самостоятельно, могли это сделать как под влиянием рекламного сообщения, так и независимо от него.Предложенный комплексный метод оценки эффективности рекламной деятельности в
- После знакомства с веб-сайтом…
без знакомства с веб-сайтом) у пользователя может появиться желание совершить какие-либо действия благоприятные для рекламодателя: позвонить на фирму для уточнения какой-либо информации или для заказа товара; приехать в пункт продажи товара; и т.п.После просмотра веб-сайта: отослать сообщение через Интернет для уточнения какой-либо информации; зарегистрироваться на веб-сайте для участия в
- Число посещений
без него, так с аудиторий, перешедшей только посредством клика. Это необходимо, так как аудиторию, перешедшую посредством клика, можно напрямую отнести к результатам рекламной кампании, а пользователи, пришедшие на веб-сайт самостоятельно, могли это сделать как под влиянием рекламного сообщения, так и независимо от него.Проиллюстрируем методику на примере. Допустим, что в течение месяца до начала
- Веб-сайт рекламодателя является одним из наиболее важных элементов эффективности рекламного воздействия…
без каких-либо затруднений найти на веб-сайте рекламодателя всю интересующую его информацию, необходимую для принятия решения о приобретении товара, либо для каких-то других действия благоприятных для рекламодателя.Основные показатели на этой стадии: число уникальных пользователей; число посещений; частота посещения; число новых пользователей; географическое распределение пользователей; число
- Число уникальных кликов
без учета повторных кликов со стороны одних и тех же пользователей. Показатель предложен автором для использования. Он характеризует численность аудитории, заинтересовавшейся рекламным сообщением.Каждый пользователь за период проведения рекламной кампании может заинтересоваться рекламным сообщением и перейти на веб-сайт рекламодателя сколько угодно раз. Поэтому, для того чтобы получить
- Тест Бриззона
без названия товарной марки. Предлагается ответить на вопросы: помнят ли они, что видели эти кадры, если "да", то идентифицировать товарную марку и описать ролик.Для выявления уровня осведомленности проводят тест на осведомленность, который состоит в сопоставлении долей потребителей, знавшей о продукции до проведения рекламной кампании и после
|
|
|