Центр статистического анализа - Статистический анализ данных: консалтинг, тренинги, обучение

Построение нейронных сетей в SPSS

Печать
Цена курса: 12900 руб
Объем курса Tooltip
16 ак. часов
Уровень подготовки Tooltip
Продвинутый
Программный продукт курса Tooltip
IBM SPSS Statistics
Описание курса

Искусственные нейронные сети или нейронные сети – это математические модели анализа данных, работающие по аналогии организации нервных клеток живых организмов. В настоящее время это один из наиболее динамично развивающихся методов обработки больших массивов данных или data mining.

Описание курса "Построение нейронных сетей в SPSS":

Курс «Построение нейронных сетей в IBM SPSS Statistics» включает в себя теоретическую и практическую часть. В теоретической части разбирается сущность нейронной сети, основные модели нейронных сетей, алгоритмы их обучения, методы анализа качества построенных моделей. Простым языком излагаются сложнейшие понятия в области математических моделей искусственного интеллекта. Изучив теоретическую часть слушатели смогут строить нейронные сети в различных программах, а не только в SPSS.

Практическая часть курса знакомит слушателей с использованием процедур Многослойный перцептрон и Сети радиальных базисных функций в программе IBM SPSS Statistics, а также включает рассмотрение кейсов на основе реальных данных и выполнение самостоятельных лабораторных работ.

 По окончании курса Вы будете уметь:

  • Разбираться в терминологии нейросетевых моделей
  • Знать математические модели искусственных нейронных сетей
  • Уметь формировать стратегию обучения нейронной сети
  • Оценивать качество построенных нейронных сетей
  • Строить нейронные сети в пакете SPSS

Объем курса: 16 ак.ч. (2 дня)

Ссылка на портал курса (доступ к видеолекциям и учебным пособиям открывается после оплаты курса)

 

Читать  отзывы на онлайн-курсы


 

Программа курса:

Тема 1. Введение в нейронные сети (2 ак.ч.)

  • Понятие машинного обучения
  • Основные виды машинного обучения
  • Задачи классификации и регрессии
  • Биологическая модель нейрона
  • Основные принципы работы мозга
  • Понятие искусственной нейронной сети
  • Архитектура нейронных сетей
  • Виды нейронных сетей
  • Этапы построения нейронной сети
  • Области применения нейронных сетей
  • Преимущества и недостатки нейронных сетей

Тема 2. Математическая модель искусственного нейрона (2 ак.ч.)

  • Математическая модель нейрона
  • Сравнение биологической и искусственной нейронной сети
  • Выбор функции активации
  • Требования к функции активации
  • Униполярная пороговая функция активации
  • Биполярная пороговая функция активации
  • Сравнение униполярной и биполярной функций активации
  • Решение задачи классификации с помощью модели нейрона
  • Проблема линейной неразделимости в задачах классификации
  • Решение проблемы линейной неразделимости
  • Сигмоидальная функция активации
  • Гиперболический тангенс
  • Линейная функция активации
  • Кусочно-линейные функции активации
  • Решение задачи регрессии нейросетью
  • Решение задачи классификации нейросетью
  • Функция активации софтмакс

Тема 3. Алгоритм градиентного спуска для обучения нейронной сети (2 ак.ч.)

  • Обучающая выборка
  • Требования к обучающей выборке
  • Задача обучения нейронной сети
  • Критерий ошибки в задаче регрессии
  • Критерий ошибки в задаче классификации
  • Функция ошибки и ее аргументы
  • Понятие спуска по функции ошибки
  • Минимумы функции ошибки
  • Производная и градиент функции ошибки
  • Градиентный спуск
  • Ограничения метода градиентного спуска
  • Решение проблемы локальных минимумов
  • Градиентный спуск на квадратичной поверхности
  • Влияние скорости на градиентный спуск
  • Градиентный спуск с инерцией

Тема 4. Настройка обучения нейронной сети (2 ак.ч.)

  • Подготовка данных перед обучением нейронной сети
  • Влияние уклона функции ошибки на обучение сети
  • Влияние формы функции ошибки на обучение сети
  • Способы подготовки данных
  • Выбор начальных параметров нейронов
  • Выбор режима обучения сети
  • Свойства режимов обучения
  • Проблемы переобучения и недообучения модели
  • Причины переобучения модели
  • Склонность многослойных сетей к переобучению
  • Метод кросс-проверки
  • Выбор архитектуры сети с помощью кросс-проверки
  • Оценка качества сети с помощью кросс-проверки
  • Анализ ошибок в процессе обучения модели
  • Устранение переобучения и недообучения модели

Тема 5. Построение многослойных перцептронов в SPSS (4 ак.ч.)

  • Этапы построения нейронной сети в SPSS
  • Подготовка данных
  • Представление категориальных данных
  • Представление количественных данных
  • Процедура Многослойный перцептрон
  • Сводка обработки и информация о сети
  • Настройка вывода информации о сети
  • Сводка для модели и таблица классификации
  • Исследование ROC-кривой
  • Исследование диаграммы выигрышей
  • Исследование диаграммы точности прогнозов
  • Исследование важности независимых переменных
  • Управление разделением выборки
  • Управление архитектурой сети
  • Управление процессом обучения
  • Критерии остановки обучения
  • Сохранение результатов Экспорт модели

Тема 6. Построение сетей радиальных базисных функций в SPSS (2 ак.ч.)

  • Архитектура сети радиальных базисных функций
  • Радиальная базисная функция
  • Нормализованная радиальная базисная функция
  • Функция ошибки сети РБФ
  • Алгоритм обучения сети РБФ
  • Определение параметров скрытого слоя
  • Определение параметров выходного слоя
  • Определение числа нейронов в скрытом слое
  • Сравнение сети РБФ и многослойного перцептрона
  • Процедура радиальная базисная функция
  • Управление архитектурой сети

Практическая работа (2 ак.ч.)