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

Нейронные сети в SPSS

Тренинг «Построение нейронных сетей в IBM SPSS Statistics» включает в себя теоретическую часть 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. На примерах разбираются алгоритмы построения нейронных сетей в SPSS, слушатели выполняют самостоятельно лабораторные работы.

По окончании тренинга Вы будете:

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

Продолжительность обучения: 16 ак.ч. (2 дня с 10:00 до 17:00)

Программа обучения:

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.)

  • Процедура многослойного перцептрона
  • Представление категориальных данных
  • Способы подготовки количественных данных
  • Управление разделением выборки
  • Управление архитектурой сети
  • Управление процессом обучения
  • Критерии остановки обучения
  • Сохранение результатов
  • Экспорт параметров нейронной сети
  • Настройка вывода

Тема 6. Построение сетей радиальных базисных функций в SPSS (4 ак.ч.)

  • Сети радиальных базисных функций
  • Радиальная базисная функция
  • Нормализованная радиальная базисная функция
  • Алгоритм обучения сети радиальной базисной функции
  • Процедура радиальная базисная функция
  • Обработка пропущенных значений
  • Управление разделением выборки
  • Управление архитектурой сети
  • Сохранение результатов
  • Экспорт параметров сети
  • Настройка вывода