Описание
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.
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
Объем курса: 16 ак. часов (общая продолжительность видео лекций более 8 астрономических часов + практическая работа). Общий объем времени для освоения курса соответствует очному обучению 2 дня с 10:00 до 17:00.
Ссылка на портал курса (доступ к видео лекциям и учебным пособиям открывается после оплаты курса).
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.)
Отзывы
Не первый раз прохожу обучение у Александра Сергеевича Сорокина в Центре Статистического Анализа и каждый раз открываю новые грани IBM SPSS Statistics и новые возможности для решения статистических задач, связанных с профессиональной деятельностью. Всегда очень подкупает структурированность изложения материала и способность автора простым и понятным языком говорить о довольно сложных вещах. Отдельно хочется отметить великолепные учебные пособия, которые прилагаются к каждому курсу. В них по всем слайдам видео лекций акцентируется внимание на ключевых моментах, необходимых для понимания материала. Хочется отметить удобный дистанционный формат курса, позволяющий изучать материал в удобное для обучающегося время, а не в жесткие сроки.
Козлов Василий, кандидат медицинских наук, доцент, Сеченовский университет
Читать все отзывы на онлайн-курсы
Преподаватель курса
Сорокин Александр Сергеевич – создатель и генеральный директор компании Центр Статистического Анализа. В 2001 году окончил с отличием Московский Государственный Университет Экономики, Статистики и Информатики (МЭСИ) по специальности «Статистика». В 2005 году защитил кандидатскую диссертацию по специальности 08.00.12 – «Бухгалтерский учет, статистика», на тему «Эконометрическое моделирование конъюнктуры мирового рынка нефти». В 2012 году присвоено учёное звание доцента. Работает в должности доцента на кафедре Математические методы в экономике РЭУ им. Г.В. Плеханова. Направления научных исследований: статистическая обработка и вероятностный анализ больших массивов данных, интеллектуальный анализ данных. Читает следующие дисциплины: «Теория вероятностей и математическая статистика», «Статистические методы прогнозирования», «Эконометрика», «Эконометрика и моделирование в менеджменте», «Актуарные расчеты» и др. В 2013-2014 приглашенный ассоциированный профессор Казахстано-Британского Технического Университета (г. Алматы, РК). Автор более 50 научных и методических работ по применению статистических методов в практической деятельности. Преподаватель-практик и тренер-консультант. Создатель авторских курсов по статистическому анализу данных на базе пакета SPSS, читаемых в ведущих учебных центрах России. Автор и ведущий десятков тренингов по анализу данных, в том числе в 2009-2010 гг. исполнитель по федеральным контрактам на разработку и обучение сотрудников Федеральной службы государственной статистики РФ. Эксперт по построению скоринговых моделей для банков и МФО. В качестве научного руководителя и участника принимал участие в 5 грантах в области анализа больших данных и моделирования. Личный сайт www.alsorokin.ru.
