Sztuczne sieci neuronowe w statystyce

• Autorzy: Mirosława Lasek

Warianty tytułu

Artificial neutral networks in statistics

• Języki publikacji: PL

Abstrakty

W artykule, poświęconym zagadnieniom eksploracji danych Data Mining opisano podstawy budowy i działania sztucznych sieci neuronowych. Przedmiotem uwagi były zarówno sieci wielowarstwowe, jak i sieci Kohonena. Przedstawiono działanie pojedynczego neuronu sieci oraz całej sieci, złożonej z wielu neuronów. Omówiono różne metody uczenia, zwane także trenowaniem sieci: uczenie z nauczycielem i bez nauczyciela. Szczególną uwagę poświęcono praktycznym aspektom stosowania sztucznych sieci neuronowych, w tym warunkom, jakie powinny zostać spełnione, aby sieć mogła dawać wiarygodne wyniki w praktycznych zastosowaniach: przewidywaniach, prognozach, grupowaniu. W artykule pokazano zalety, wady oraz możliwości zastosowań różnego rodzaju modeli sieci neuronowych. (abstrakt oryginalny)

EN

This article concerns Data Mining issue and describes the base of the artificial neural networks building and functioning. The multistratified networks and Kohonen network were considered. Functioning of single neuron network and the whole network composed of many neurons was presented. The different learning methods, called also network training: learning with teacher and without teacher, were discussed. The particular attention was given to practical aspects of the artificial neural networks' use, and to it 's conditions, which shall be meet in order to be provided by reliable results for practical use such as: predictions, forecasting, grouping. The author showed in the article the advantages, disadvantages and possibilities of different kind of neuronal networks models use. (original abstract)

Słowa kluczowe

PL

Sieci neuronowe; Metoda sztucznych sieci neuronowych; Przetwarzanie danych

EN

Neural networks; Artificial neural networks method; Data processing

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2007
• Numer: nr 8
• Strony: 74--88

Twórcy

autor

Mirosława Lasek

Bibliografia

• Bacstaens D. E., Bcrgh van den W. M., Wood D. (1994), Neural network solutions for trading in financial markets, Longman Group, Pitman Publishing, London
• Beltratti A., Margarita S., Tcrna P. (1996), Neural networks for economic and financial modelling, International Thomson Publishing, Cambridge
• Chen Phoebe Y.P. (2005), Bioinformatics technologies, Springer-Verlag, Berlin Heidelberg
• Data Mining Using SAS Enterprise Miner: A case study approach (2003), SAS Institute Inc., Gary, NC, USA
• Enterprise Miner Reference Help (2005), SAS Institute Inc.
• Kiviluoto K. (1998), Predicting bankruptcies with the self-organizing map, Neurocomputing
• Kohonen T. (1997), Self-organizing maps, Springer-Verlag
• Lasek M. (2002), Data Mining. Zastosowania w analizach i ocenach klientów bankowych, Oficyna Wydawnicza "Zarządzanie i Finanse", Biblioteka Menedżera i Bankowca, Warszawa
• Lasek M. (2007), Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw. Zastosowania SAS Enterprise Miner, Wyd. Difm, Warszawa
• Lasek M. (2007), Oprogramowanie wspierające analizy danych metodami Data Mining, "Wiadomości Statystyczne", nr 3
• Malakooti B., Zhou Y. Q. (1994), Feedfoi-ward artificial neural nehvorks for solving discrete multiple criteria decision making problems, Management Science, vol. 40, no. 11
• Pęczkowski M. (2001), Sieci neuronowe. Program ORKA 4.0, materiał dla studentów studium podyplomowego "Informatyka gospodarcza" na zajęcia "Metody sztucznej inteligencji", Wydział Nauk Ekonomicznych, Uniwersytet Warszawski, Warszawa
• Shmueli G., Patcl N. .R., Bruce P. C. (2007), Data Mining for business intelligence, John Wiley & Sons, New Jersey
• Tadcusiewicz R. (1998), Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa
• Tadcusiewicz R. (2001), Wprowadzenie do praktyki stosowania sieci neuronowych, http://www.statsoft.pl
• Triantaphyllou E., Fclici G. (2006), Data Mining and knowledge discovery approaches based on rule induction techniques, Springer-Verlag, New York
• Ye N. (2003), The Handbook of Data Mining, Lawrence Erlbaum Associates, Publishers, Mahwah, New Jersey, London