Sieci neuronowe a metody statystyczne

• Autorzy: Iwona Staniec

Warianty tytułu

Neural Networks and Statistical Methods

• Języki publikacji: PL

Abstrakty

Istnieje wiele opracowań na temat sztucznych sieci neuronowych [SSN]. Najpopularniejszą siecią neuronowa, jest perceptron wielowarstwowy, a jest to nic innego jak nieliniowa regresja i analiza dyskryminacyjna, które można zaimplementować przy użyciu standardowego oprogramowania statystycznego. Niniejszy artykuł ma na celu pokazanie niektórych związków pomiędzy sieciami neuronowym, a modelami statystycznymi. (abstrakt oryginalny)

EN

The ability of neural networks to learn and generalize has gained massive publicity. In fact, the most commonly used artificial neural networks, called multilayer perceptions, are nothing more than nonlinear regression and discriminate models that can be implemented with standard statistical software. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Metody statystyczne; Modele liniowe; Przegląd literatury

EN

Neural networks; Statistical methods; Linear models; Literature review

• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Łódzka
• Rocznik: 2000
• Numer: z. 34, nr 875
• Strony: 31--42

Twórcy

autor

Iwona Staniec

Bibliografia

• Anderberg M.R.: Cluster Analysis for Applications, New York: Academic Press, 1973.
• Darpa D.: Neural Network study, AFCEA International Press, 4400 Fair Lakes Court Fairfax, Virginia 820333899, 1988
• Everitt B.S.: Cluster Analysis, 2nd Edition, London: Heineman Educational Books Ltd., 1980.
• Fortier J.J.: Simultaneous Linear Prediction, Psychometrika, 31, 369-381, 1966.
• Hand D.J.: Discrimination and Classification, New York: John Wiley & Sons., 1981.
• Hartigan J.A.: Clustering Algorithms, New York: John Wiley & Sons, 1975.
• Hinton G.E.: "How Neural Networks Leam from Experience," Scientific American, 267 [September]: 144-151, 1992.
• Hosmer D.W. and Lcmeshom S.: Applied Logistic Regression, New York: John Wiley & Sons, 1989.
• Hotelling H.: Analysis of a Complex of Statistical Variables into Principal Components, Journal of Educational Psychology, 24,417-441, 498-520, 1933.
• Jackson J.E.: A User's Guide to Principal Components New York: John Wiley &Sons, 1991.
• Jolliffe I.T.: Principal Component Analysis, New York Springer-Verlag, 1986.
• Kaufmann L. and Rousseeuw, P.J.: Finding Groups in Data, New York: John Wiley & Sons, 1990.
• Massart D.L. and Kaufman L.: The Interpretation of Analytical Chemical Data by the Use of Cluster Analysis, New York: John Wiley & Sons., 1983.
• McCuIlagh P. and Neider J.A.: Generalized Line of Models, 2nd ed., London: Chapman & Hall. 1989.
• McLachlan G.J.: Discriminant Analysis and Statistical Pattern Recognition, New York: John Wiley & Sons. 1992.
• McLachlan G.J. and Basford, K.E.: Mixture Models, New York: Marcel Dekker, Inc. 1988.
• Myers R.H.: Classical and Modern Regression with Applications, Boston: Duxbury Press, 1986.
• Odom M.D., Sharada R.: A Neural Network Model for Bankruptcy Predication, "International Joint Conference on Neural Networks", IEE, San Diego, cz. 2, s. 163- 168, 1990.
• Pao Y: Adaptive Pattern Recognition and Neural Networks, Reading, MA: Addison-Wesley. 1989.
• Prager R.W., Fallside F.: The Modified Kancrva Model for Automatic Speech Recognition. Computer Speech and Language, 3, 61-81, 1989.
• Rao C.R.: The Use and Interpretation of Principal Component Analysis in Applied Research, Sankya, Series A, 26, 329-358, 1964.
• Rehkugler H., Poddig Th.: Neuronale Netze im Bankbetrieb, Die Bank 7/92, s. 413-419, 1992.
• Ripley B.D.: Statistical Aspects of Neural Networks, [in:] Bamdorff-Nielsen O.E., Jensen J.L. and Kendall W.S., eds., Networks and Chaos: Statistical and Probabilistic Aspects, London: Chapman & Hall. 1993.
• Sarle W.S., SAS Institute Inc., Cary, NC, USA [1994]: Neural Networks and Statistical Models, Proceedings of the Nineteenth Annual SAS Users Group International Conference, April.
• Sneath P.H.A., Sokal, R.R.: Numerical Taxonomy, San Francisco: W.H. Freeman. 1973.
• Spath H.: Cluster Analysis Algorithms, Chichester, UK: Ellis Horwood. 1980.
• Specht D.F.: A Generalized Regression Neural Network, IEEE Transactions on Neural Networks, 2, Nov. 1991, 568-576, 1991.
• Titlerington D.M., Smith A.F.M., Makov U.E.: Statistical Analysis of Finite Mixture Distributions, New York: John Wiley & Sons. 1985.
• Tukey J.W.: Curves as Parameters and Touch Estimation, Proceedings of the 4th Berkeley Symposium, 681-694, 1961.
• Wasserman P.D.: Advanced Methods in Neural Computing, New York: Van Nostrand Reinhold. 1993.
• Weisberg S.: Applied Linear Regression, New York: John Wiley & Sons, 1985.
• Weiss S.M., Kulikowski C.A.: Computer Systems That Learn, San Mateo CA: Morgan Kaufmann, 1991.
• Witkowska D.: Nowe trendy w badaniach ekonomicznych sieci neuronowe, Zeszyty Naukowe Politechniki Łódzkiej, nr 698, 1994.
• Witkowska D.: Analiza wniosków kredytowych za pomocą algorytmu wstecznej propagacji błędu, Sztuczna Inteligencja i Inżynieria Finansowa, CIR-12'97, Warszawa - Siedlce, s. 235 - 242, 1997a.
• Witkowska D.: Prognozowanie przychodów i kosztów przedsiębiorstwa za pomocą modeli ekonometrycznych i sztucznych sieci neuronowych, materiały konferencyjne z IV Międzynarodowej Konferencji Naukowej "Zarządzanie Organizacjami Gospodarczymi" pod redakcją Jerzego Lewandowskiego Łódź s. 649-659, 1997b.
• Witkowska D.: Simulation of the Bank Decisions by Artificial Neural Networks, paper presented at the International Atlantic Economic Conference in Rome, March. 1998a.
• Witkowska D.: Wykorzystanie sztucznych sieci neuronowych do analizy zdolności kredytowej przedsiębiorstw, w: Metody i zastosowania badań operacyjnych cz. I, pod red. naukową T. Trzaskalika, Katowice, s. 243-253, 1998b.
• Witkowska D.: Sztuczne sieci neuronowe w analizach ekonomicznych, 1999. "Menadżer" Łódź 2000.