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