BazEkon - Yadda

1

Graphical Simulation Environment for Learning of Deep Neural Network Models

100%

Grosicki M.

Logistyka

|

2014

|

nr 6, CD 3

4207-4215

Poniższy artykuł prezentuje graficzne środowisko symulacyjne dla uczenia modeli głębokich sztucznych sieci neuronowych zwane MMSim. Prezentowane oprogramowanie pozwala na uczenie i wizualizację procesu uczenia różnych modeli sztucznych sieci neuronowych takich jak wielowarstwowy perceptron, neuronowe auto********enkodery i ograniczone maszyny Boltzmanna. Poniższy artykuł zawiera opis zaimplementowanych modeli sieci neuronowych i prezentuje przykład użycia MMSim. Zaprezentowane w artykule oprogramowanie może być użyteczne nie tylko dla badaczy, ale być może przede wszystkim dla studentów, którzy zaczynają uczyć się na temat sztucznych sieci neuronowych i ucznia maszynowego. MMSim może być wykorzystane jako główne narzędzie podczas zajęć z przedmiotów związanych ze sztucznymi sieciami neuronowymi. Oprogramowanie pozwala na łatwą konfigurację, ewaluację oraz porównanie różnych modeli oraz tego samego modelu wytrenowanego przy użyciu różnych parametrów. (abstrakt oryginalny)

2

Sformułowanie problemu reprezentacji atrybutów symbolicznych w ciągach uczących sieci neuronowe

75%

Gładysz T.

Prace Naukowe Akademii Ekonomicznej we Wrocławiu

|

1998

|

nr 787 Pozyskiwanie wiedzy z baz danych

143-147

3

The Study of the Influence of Architecture on Effectiveness of Deep Neural Networks Training

75%

Kolbusz J., Różycki P., Bartczak T.

Zeszyty Naukowe Uczelni Vistula

|

2018

|

nr 59(2)

60-71

W artykule przedstawiono wpływ architektury sieci neuronowej na skuteczność i czas uczenia sieci. Opisano wybrane architektury sieci, algorytm uczenia oraz zaprezentowano wyniki badań potwierdzających znaczący wpływ architektury na sukces uczenia sieci. (abstrakt oryginalny)

4

Sprzętowa implementacja samoorganizującej się, sztucznej sieci neuronowej typu Neural Gas w systemach klasyfikacji danych

75%

Szulc C., Talaśka T., Miciak M.

Logistyka

|

2016

|

nr 1, cz. 2, CD 1

412-417

W artykule przedstawiono implementację sieci neuronowej typu Neural Gas na platformie Arduino Uno z procesorem ATmega328P. W pracy przedstawiono pewne modyfikacje procesu uczenia sieci, które wykazują zalety w kontekście realizacji sprzętowej. Dzięki zastosowanym modyfikacjom uzyskano nawet 10-krotne zwiększenie prędkości przetwarzania danych uczących. (abstrakt oryginalny)

5

Poprawa procesu uczenia się sztucznej sieci neuronowej typu Neural Gas w kontekście realizacji sprzętowej

75%

Talaśka T.

Logistyka

|

2016

|

nr 1, cz. 2, CD 1

418-424

W artykule przedstawiono pewną modyfikację procesu uczenia sieci Neural Gas. Modyfikacja polega na zmianie funkcji sąsiedztwa G, która wykorzystywana jest w procesie uczenia się sieci. Zaproponowana funkcja może być dobrą alternatywą do istniejących i znanych z literatury rozwiązań. Zalety jej wykorzystania, będą szczególnie widoczne w przypadku realizacji sieci NG w układach elektronicznych. Łatwość realizacji takiej funkcji (np. przez dekrementację jej wartości w czasie) w konsekwencji przełoży się na zmniejszenie czasu uczenia sieci i pobieranej przez nią energii. (abstrakt oryginalny)

6

Wybrane metody doboru współczynnika uczenia w sieciach neuronowych

75%

Chrzan P., Timofiejczuk G.

Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach

|

2000

|

nr 12 Badania operacyjne

53-65

W niniejszej pracy przedstawiono wybrane metody doboru współczynnika uczenia. Metody te zostały zgromadzone w dwóch grupach. Pierwsza obejmuje metody doboru stałego współczynnika uczenia, druga metody adaptacyjnego doboru współczynnika uczenia. Przedstawiono także sposób zmiany struktury sieci w trakcie trwania procesu uczenia poprzez dodanie jednego neuronu do każdej warstwy ukrytej. Porównano również wyniki prognoz otrzymanych z zastosowania modelu sieci neuronowej z uwzględnieniem wybranych metod doboru współczynnika a oraz zmiany struktury sieci. (fragment tekstu)

7

Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej

75%

Płaczek S.

Zeszyty Naukowe Uczelni Vistula

|

2016

|

nr 49(4)

23-39

Rozwój teorii sztucznych sieci neuronowych, a także pojawienie się nowych, efektywnych narzędzi programistycznych (systemy wieloprocesorowe, programowanie wielowątkowe) umożliwia zastosowanie algorytmów genetycznych oraz ewolucyjnych do uczenia sztucznych sieci neuronowych (SSN). W literaturze dotyczącej zasad działania SSN podkreśla się ich atrakcyjne własności, takie jak: aproksymacja dowolnych nieliniowych odwzorowań, równolegle i rozproszone przetwarzanie, adaptacja i uczenie. Szczególnie równoległe i rozproszone przetwarzanie koresponduje ze strukturą algorytmu genetycznego i ewolucyjnego. Klasyczne algorytmy genetyczne operują na ciągach binarnych o stałej długości. Natomiast algorytmy ewolucyjne można interpretować jako uogólnienie algorytmów genetycznych. W algorytmach tych stosuje się zasady ewolucji i dziedziczenia oraz wykorzystuje się właściwą strukturę danych do reprezentacji chromosomów (liczby rzeczywiste, macierze, grafy). Definiuje się również inne operatory krzyżowania i mutacji. Tak więc struktura algorytmu ewolucyjnego jest prawie taka sama jak genetycznego. Różnice ukryte są na niższych poziomach przetwarzania - w strukturach danych. W artykule przedstawiono próbę implementacji algorytmu ewolucyjnego do uczenia jednowarstwowej sieci neuronowej. Sieć opisuje się w postaci macierzy połączeń między wektorami - wejściowym X oraz wyjściowym Y. Funkcja uczenia SSN zdefiniowana jest jako nieliniowa funkcja wag sieci oraz nieliniowej funkcji aktywacji minimalizującej błąd średniokwadratowy między wektorem wyjściowym Y a wektorem uczącym Z, dla całej paczki uczącej. Pojawienie się nieliniowości utrudnia zastosowanie algorytmu uczenia opartego na wstecznej propagacji błędu. Funkcja celu, oprócz minimum globalnego, może zawierać wiele minimów lokalnych, w których algorytm oparty na badaniu gradientu funkcji celu może się zatrzymać . Oczywiście stosuje się różne techniki i metody umożliwiające wyjście algorytmu z tego typu pułapek. Tym niemniej dla sprawdzenia poprawności otrzymanych wyników uruchamia się proces uczenia SSN dla różnych danych początkowych. W zaproponowanym algorytmie ewolucyjnym tworzy się zbiór osobników. Każdy z osobników przedstawia możliwe rozwiązanie zadania minimalizacji funkcji celu i jest reprezentowany przez macierzową strukturę danych. Każde rozwiązanie cząstkowe ocenia się na podstawie dopasowania funkcji celu, a następnie tworzy się nową populację (potomków) przez selekcję osobników o najlepszych dopasowaniach oraz dwa algorytmy krzyżowania i mutacji. W artykule omówiono zaproponowaną strukturę osobników, przyjęte algorytmy selekcji z ich wadami i zaletami oraz różne algorytmu krzyżowania i mutacji. Na wstępie zdefiniowano takie podstawowe pojęcia, jak gen, chromosom oraz najogólniejszą strukturę algorytmu ewolucyjnego. Artykuł ma charakter koncepcyjny. (fragment tekstu)

8

Forecasting the Equity Premium: Do deep Neural Network Models Work?

75%

Zhou X., Zhou H., Long H.

Modern Finance

|

2023

|

1

|

nr 1

1-11

This paper constructs deep neural network (DNN) models for equity-premium forecasting. We compare the forecasting performance of DNN models with that of ordinary least squares (OLS) and historical average (HA) models. The DNN models robustly work best and significantly outperform both OLS and HA models in both in-and out-of-sample tests and asset allocation exercises. Specifically, DNN models generate monthly out-of-sample R2of 3.42% and an annual utility gain of 2.99% for a mean-variance investor from 2011:1 to 2016:12. Moreover, the forecasting performance of DNN models is enhanced by adding 14furthervariablesselected from finance literature.(original abstract)

9

Podstawy uczenia się systemu informatycznego rachunkowości z wykorzystaniem sieci neuronowych

63%

Kalisz L.

Prace Naukowe / Akademia Ekonomiczna w Katowicach

|

1994

|

Metody formalne w inteligentnych systemach informatycznych

61-74

W obecnej, szybko zmieniającej się rzeczywistości ekonomicznej coraz istotniejszą rolę odgrywa łatwość i szybkość pozyskiwania nowej wiedzy o tej rzeczywistości. Stosowane dziś systemy wspomagania decyzji gospodarczych firm mają trudności z udzielaniem poprawnych odpowiedzi odnośnie do zdarzeń nietypowych, nie ujętych w bazach wiedzy tych systemów lub ujętych w sposób szczątkowy. Nie rozwiązanym zatem problemem w klasycznych systemach analizujących rzeczywistość ekonomiczną firmy jest istnienie w tej rzeczywistości wielu reguł nie ujętych w bazach wiedzy. Systemy "klasyczne" mogą działać niepoprawnie, ponieważ mają niekompletny model świata, w którym działają, a co więcej - nie zdają sobie nawet sprawy z niekompletności tego modelu. Przy niekorzystnych splotach czynników losowych, właśnie te nieznane reguły mogą mieć najistotniejsze znaczenie dla całego procesu wnioskowania o rzeczywistości. Rozwiązanie zaistniałego problemu wiąże się z procesem uczenia się systemów. Jednym z obiecujących rozwiązań jest wykorzystanie do tego celu technologii sieci neuronowych. Celem niniejszego opracowania jest przedstawienie możliwości wykorzystania sieci neuronowych do uczenia się systemu analizującego wskaźniki ekonomiczne firmy. Model służy do ilustracji użyteczności sieci neuronowych w tej dziedzinie zastosowań. Jego zadaniem jest precyzyjne określenie warunków, jakie należy spełnić, aby w sposób efektywny wykorzystać omawianą technologię w dziedzinie analiz ekonomicznych.(fragment tekstu)

10

Identyfikowanie sytuacji finansowej przedsiębiorstw tworzących mWIG40 za pomocą sieci neuronowych

63%

Marjak H.

Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica

|

2011

|

nr 65

103-111

Rozwój technologii informacyjno-komunikacyjnych (ICT) umożliwił elastyczniejsze budowanie modeli prognozowania sytuacji finansowej przedsiębiorstw. (...) Celem artykułu jest skonstruowanie takiego modelu, który umożliwia trafną ocenę sytuacji finansowej przedsiębiorstwa, a w rezultacie podjęcie optymalnych decyzji inwestycyjnych i dotyczących współpracy z ocenianym przedsiębiorstwem. (fragment tekstu)

11

Mechanizmy uczenia się

63%

Mikulski P., Niemczyk A.

Personel i Zarządzanie

|

2011

|

nr 7

77-80

W artykule zaprezentowano wykorzystanie osiągnięć neurobiologii w działaniach szkoleniowo-rozwojowych. Omówiono zasady andragogiki – nauki o uczeniu się dorosłych oraz możliwości zastosowania jej w firmie. Podano sposób realizacji zasad skutecznego uczenia się dorosłych podczas szkoleń i coachingu.

12

Model oceny zdolności kredytowej oparty na klasyfikatorze neuronowym

63%

Jędrzejowicz P.

Monografie i Opracowania / Szkoła Główna Handlowa

|

2010

|

nr 570 Współczesne aspekty informacji. T. 2

275-284

W pracy zaproponowano podejście do oceny zdolności kredytowej oparte na wykorzystaniu sztucznej sieci neuronowej uczonej za pomocą hybrydowego algorytmu ewolucyjnego. Celem pracy jest eksperymentalne potwierdzenie hipotezy, że nawet stosunkowo prosta struktura zastosowanej sztucznej sieci neuronowej może być podstawą do zbudowania dobrego klasyfikatora pod warunkiem, że sieć taka będzie uczona za pomocą skutecznego i efektywnego algorytmu uczenia. W kolejnych częściach pracy zaproponowano architekturę sztucznej sieci neuronowej do oceny zdolności kredytowej oraz sformułowano problem jej uczenia pod nadzorem, a następnie przedstawiono wyniki eksperymentu obliczeniowego przeprowadzonego na dwóch znanych benchmarkowych zbiorach danych. Przeprowadzony eksperyment potwierdził zasadniczą hipotezę pracy. (abstrakt oryginalny)

13

Wykorzystanie sztucznej sieci neuronowej w rozpoznawaniu profilu negocjacyjnego

63%

Nowak P., Wachowicz T.

Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach

|

2011

|

nr 62 Badania operacyjne : metody i zastosowania

125-146

W pierwszym rozdziale publikacji zostały przybliżone wyniki badań dotyczące poszczególnych cech negocjatorów determinujących ich zachowania w procesie negocjowania oraz omówiono mechanizm identyfikowania profilów psychologicznych na postawie testu Thomasa-Kilmanna. W rozdziale drugim zostały przypomniane ogólne informacje o sieciach neuronowych i ich działaniu. Rozdział trzeci zawiera opis przeprowadzonego badania ankietowego i omówienie danych zgromadzonych w bazie danych o negocjatorach oraz przybliża proces uczenia sieci i testowania jej wyników, zrealizowany w narzędziu Neuronix. (fragment tekstu)

14

Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT

63%

Siderska J.

Ekonomia i Zarządzanie

|

2013

|

nr 1

84-97

Celem artykułu jest przeanalizowanie możliwości zastosowania sztucznej sieci neuronowej do modelowania wartości kapitału społecznego w przedsiębiorstwach z sektora IT. Dane do badań zostały zaczerpnięte z bilansów finansowych publikowanych przez firmę Prokom Software SA i Asseco Poland SA na koniec każdego kwartału w latach 2005-2009. Niezbędnych obliczeń wartości kapitału społecznego firm dokonano z wykorzystaniem równania fundamentalnego. Uczenie sztucznej sieci neuronowej przeprowadzono w generatorze Statistica Neural Network 10.0. Badania pozwoliły na opracowanie szkieletu modelu odzwierciedlającego zależności pomiędzy zmiennymi wejściowymi (objaśniającymi), a zmienną wyjściową (objaśnianą), czyli wartością kapitału społecznego. (abstrakt oryginalny)

15

Application of Deep Learning Methods in Management

63%

Badura D.

Zarządzanie. Teoria i Praktyka / Wyższa Szkoła Menedżerska w Warszawie

|

2018

|

nr 3 (25)

9-15

Znalezienie bardziej skutecznego rozwiązania i narzędzi do dużych zbiorów danych w problemach zarządzania jest jednym z najważniejszych i dominujących trendów w badaniach nad zarządzaniem. Wraz z rozwojem komputerów, technologii komunikacyjnych, a zwłaszcza sztucznej inteligencji, narzędzia wykorzystywane do podejmowania decyzji dotyczących zarządzania przeszły zmianę od prostych algorytmów do wielu warstw sieci neuronowych. W dzisiejszych czasach algorytmy Deep Learning (DL) są jednymi z najbardziej wydajnych narzędzi, które mogą stać się kluczowym elementem Business Intelligence. W artykule zostaną opisane podstawowe metody głębokiego uczenia się oraz przegląd wybranych prac wykonanych w zastosowaniu algorytmów DL w naukach o zarządzaniu. Zostanie opisane proponowane przykładowe rozwiązanie, które można wykonać przy użyciu sieci Deep Belief, jednej z metod DL. (abstrakt oryginalny)

16

Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień

63%

Najman K.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia

|

2010

|

17

|

nr 107 Klasyfikacja i analiza danych - teoria i zastosowania

296-304

Celem prezentowanych badań jest ocena wpływu wartości parametrów sterujących procesem samouczenia się sieci GNG na jakość uzyskanej klasyfikacji, szczegół w sytuacji, gdy skupienia są słabo separowalne. Prezentowane badania opisują teoretyczny wpływ poszczególnych parametrów sterujących algorytmem GNG na strukturę i zdolność rozwiązywania problemów przez sieć. Zaprezentowano także wyniki badań symulacyjne potwierdzających tezę, że optymalny wybór parametrów sterujących pozwala znacznie zwiększyć zdolność sieci GNG do poprawnej identyfikacji skupień.(abstrakt oryginalny)

17

Zastosowanie samouczącej się sieci neuronowej typu SOM w analizie koszykowej

63%

Migdał-Najman K.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia

|

2010

|

17

|

nr 107 Klasyfikacja i analiza danych - teoria i zastosowania

305-315

Analiza koszykowa jest metodą identyfikacji kombinacji produktów nabywanych razem. Pozwala na wykrywanie powtarzających się, ukrytych powiązań w postaci prostych reguł asocjacyjnych. Jest podstawowym narzędziem analitycznym stosowanym w marketingu detalicznym pomocnym w podejmowaniu wiciu decyzji biznesowych. W artykule zaprezentowano możliwości samouczącej się sieci neuronowej typu SOM w poszukiwaniu wzorców zakupowych klientów i podjęto nad nimi dyskusję. Na szczególną uwagę zasługuje również metoda wizualizacji decyzji zakupowych.(abstrakt oryginalny)

18

Multilayer Network of Neuro-Fuzzy Units in Forecasting Applications

63%

Bodyanskiy Y., Popov S.

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu

|

2008

|

nr 25 Knowledge Acquisition and Management

9-14

Została zaproponowana nowa architektura neuronowa nazwana Neuro-Fuzzy Unit (NFU), który jest uogólnieniem sztucznej sieci neuronowej Rosenblatta i sieci Neo-Fuzzy Neuron (NFN) opracowanej przez Yamakawę. NFU eliminuje wady NFN, które komplikowały jej stosowanie w sieciach wielowarstwowych. Został przedstawiony algorytm uczący się, oparty na wstecznej propagacji błędu. Uzyskane rezultaty są potwierdzone przez porównanie sieci w czasie wykonywania zadania tymczasowego przewidywania krótkoterminowego szeregów czasowych ładunków elektrycznych. (AT)

19

Zastosowanie sztucznych sieci neuronowych w organizacji procesu produkcyjnego

51%

Kutschenreiter-Praszkiewicz I.

Zarządzanie Przedsiębiorstwem / Polskie Towarzystwo Zarządzania Produkcją

|

2003

|

nr 1

24-29

Wraz z pojawieniem się nowych metod projektowania opartych o zaawansowane systemy komputerowe pojawiły się możliwości określania pracochłonności prac przez zastosowanie metod opartych o sztuczną inteligencję. Takie postępowanie umożliwia skrócenie czasu, a co za tym idzie kosztów opracowania normy. Wspomaganie normowania czasu techniką komputerową umożliwia racjonalizację zarządzania czasem pracy poprzez:skrócenie czasu potrzebnego na ustalenie norm czasowych, stosowanie jednakowych kryteriów określania normy czasowej, skuteczne ocenianie pracochłonności na etapie projektowania konstrukcyjnego wyrobów. W warunkach produkcji jednostkowej i małoseryjnej efektywnym narzędziem do określania pracochłonności są metody sztucznej inteligencji - w szczególności sieci neuronowe. Znajomość czasów realizacji zadań wykonywanych w obszarze technicznego przygotowania produkcji i wytwarzania jest podstawą taktycznego i operatywnego zarządzania procesem produkcyjnym Obecnie zanika rola norm czasu jako wyłącznej podstawy ustalania wynagrodzeń. W prawidłowo zarządzanych przedsiębiorstwach normy czasu powinny być wykorzystywane do: poprawy technologiczności wyrobu, unifikacji elementów wyrobu, optymalizacji przebiegu procesu produkcyjnego w ujęciu statycznym i dynamicznym, planowania procesu produkcji, obniżenia kosztów produkcji oraz kalkulacji kosztów, racjonalnego wykorzystania zasobów przedsiębiorstwa, ustalania zdolności produkcyjnych. Zastosowanie metod sztucznej inteligencji w określaniu pracochłonności pozwala na:planowanie prac w działach rozwoju, sprawne określanie czasu prac bezpośrednio produkcyjnych.Prace realizowane w ramach TPP należą do grupy trudno mierzalnych i czas ich realizacji zależy w dużym stopniu od kwalifikacji i motywacji pracowników. Dlatego bazy danych pracochłonności muszą być tworzone indywidualnie dla warunków przedsiębiorstwa. Podstawą planowania przebiegu prac (zleceń) realizowanych w przedsiębiorstwie produkcyjnym jest znajomość cyklu produkcyjnego, który powinien być określany na podstawie wszystkich czynników decydujących o jego długości. Dotychczas cykl produkcyjny określano uwzględniając działania pracowników i środki produkcji. Wymagania rynku wymuszają konieczność skracania cyklu produkcyjnego stąd konieczność analizy tego zagadnienia. Długość cyklu produkcyjnego jest uzależniona od czasów projektowania, obsługi klienta, wytwarzania, transportu. Wskaźnik obliczany jako iloraz czasu przepływu materiału do czasu cyklu jest miernikiem sprawności organizacyjnej zakładu. (fragment tekstu)

20

A Brief Review of Recent Developments in the Integration of Deep Learning with GIS

51%

Mohan S., Giridhar M. V. S. S.

Geomatics and Environmental Engineering

|

2022

|

nr 16/2

21-38

The interaction of Deep Learning (DL) methods with Geographical Information System (GIS) provides the opportunity to obtain new insights into environmental processes through the spatial, temporal and spectral resolutions as well as data integration. The two technologies may be connected to form a dynamic system that is incredibly well adapted to the evaluation of environmental conditions through the interrelationships of texture, size, pattern, and process. This perspective has acquired popularity in multiple disciplines. GIS is significantly dependant on processors, particularly for 3D calculations, map rendering, and route calculation whereas DL can process huge amounts of data. DL has received a lot of attention recently as a technology with a plethora of promising results. Furthermore, the growing use of DL methods in a variety of disciplines, including GIS, is evident. This study tries to provide a brief overview of the use of DL methods in GIS. This paper introduces the essential DL concepts relevant to GIS, the majority of which have been published in recent years. This research explores remote sensing applications and technologies in areas such as mapping, hydrological modelling, disaster management, and transportation route planning. Finally, conclusions on contemporary framework methodologies and suggestions for further studies are provided.(original abstract)