Программа дисциплины Нейросетевые технологии в финансах для направления 080100. 62 "Экономика"

Вид материала

Содержание

I. Пояснительная записка
II. Содержание программы
2. Тематика заданий по различным формам текущего контроля
Методические указания студентам
Рекомендации по использованию информационных технологий
IV. Тематический расчет часов для направления 0801000.62 «Экономика»
Лабораторные работы

Подобный материал:

Программа дисциплины

Нейросетевые технологии в финансах

для направления 080100.62 "Экономика"

(вторая ступень высшего профессионального образования)

Утверждена

Учебно-методическим Советом ПФ ГУ-ВШЭ

Председатель ____________ Г.Е. Володина

«_______» ______________________20__ г.

Одобрена на заседании кафедры ____________________________________

Зав. кафедрой финансового менеджмента _____________________Шакина Е.А. «_______» ___________________20__ г.

Пермь 2010 год

I. Пояснительная записка

1. Автор программы: профессор кафедры финансового менеджмента Ясницкий Л.Н., д.т.н.

2. Требования к студентам:

При изучении курса предполагается, что слушателями освоены программы курсов «Микроэкономика», «Экономика организаций (предприятия)», «Финансовый менеджмент», «Рынок ценных бумаг», «Управленческий учет», «Международные стандарты учета и финансовой отчетности», «Эконометрика».

3. Аннотация:

Программа курса предусматривает изучении истории, и теоретической базы основных стратегий искусственного интеллекта: экспертных системы, генетических алгоритмов и нейросетевых технологий, причем последнему уделяется доминирующее внимание, как наиболее эффективной стратегии, имеющей наибольшее количество приложений при решении экономических проблем.

Изложение теоретического материала чередуется с выполнением лабораторных работ, позволяющих наиболее глубоко усвоить теоретический материал и оценить возможности его практического применения. Курс заканчивается выполнением самостоятельной контрольной работы, состоящей в проектировании, обучении, тестировании и исследовании нейросетевой математической модели, решающей проблемы предметной области, выбираемой самими студентами.

4. Учебная задача курса:

ознакомить студентов с современной методологической базой нейросетевых технологий;
показать эффективность использования нейросетевых технологий для решения экономических задач, очертить круг задач, решаемых методами нейросетевого моделирования, акцентировать внимание на типичные ошибки в подборе данных и применении алгоритмов нейросетевого моделирования;
сформировать целостную систему знаний в области методики применения нейросетевого компьютерного моделирования;
выполнить самостоятельные работы с применением нейропакета «Нейросимулятор-1.0»;

В результате изучения дисциплины студент должен:

●Знать историю, проблемы и парадигмы искусственного интеллекта,

● Уметь ориентироваться в литературе и современных инструментальных средствах создания интеллектуальных информационных систем (ИИС) с применением нейропакетов;

● иметь представление о современном состоянии, тенденциях, методах и приемах искусственного интеллекта и методах нейросетевого моделирования;

● обладать навыками проектирования и практического применения ИИС на бзе нейронных сетей; владеть основными приемами и методами проектирования ИИС, иметь опыт проектирования и применения ИИС в экономике, бизнесе, банковском деле.

5. Формы контроля:

Текущий контроль проводится в форме: домашней письменной контрольной работы, заключающейся в выполнении индивидуального задания с применением нейропакета «Нейросимулятор-1.0».
Итоговый контроль проводится в форме письменной зачетной работы по теоретическому материалу.
Итоговая оценка складывается согласно положению о рейтинге в ПФ ГУ–ВШЭ.

II. Содержание программы

Раздел 1. Предмет, история, основные стратегии и направления развития
дисциплины ИИС

Тема 1.Предмет и история искусственного интеллекта (ИИ) и интеллектуальных информационных систем (ИИС).

Предмет ИИ и две даты его рождения. Деление ИИ на две основные школы: кибернетику «черного ящика» и нейрокибернетику, понятие об эволюционном программировании. Понятие интеллектуальной информационной системы.

Тема 2. Основные стратегии и направления развития ИИ и ИИС.

Стратегии создания ИИС: высокоуровневая, низкоуровневая, эволюционное моделирование. Представление и приобретение знаний во всех трех стратегиях.

Раздел 2.Экспертные системы

Тема 3 .Методы представления знаний в экспертных системах.

Данные и знания. Декларативная и процедурная формы представления знаний, Методы представления знаний: продукционные правила, семантические сети, фреймы. Понятие нечетких знаний, коэффициенты доверия, нечеткий вывод.

Тема 4. Составные части экспертной системы и их взаимодействие.

База знаний как ядро экспертной системы, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс: интерфейс разработчика и интерфейс пользователя.

Организация базы знаний.

Тема 5. Этапы проектирования экспертной системы.

Приобретение знаний. Извлечение знаний из данных. Идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Участники процесса проектирования: эксперты, инженеры по знаниям, программисты, пользователи и конечные пользователи.

Раздел 3. Нейронные сети.

Тема 6. Персептрон и его развитие.

Мозг и компьютер. Математический нейрон Мак-Каллока – Питса. Персептрон Розенблатта и правила Хебба. Дельта-правило, его обобщение и распознавание букв. Дальнейшее развитие персептрона Уидроу и Хоффом. Ограниченность однослойного персептрона. Многослойный персептрон и алгоритм обратного распространения ошибки. Виды активационных функций.

Тема 7. Возможности и сферы применения персептронов.

Новый инструмент получения научных знаний. Диагностика в медицине. Диагностика неисправностей сложных технических устройств. Нейросетевой детектор лжи. Прогнозирование результатов выборов президента страны. Нейросети в банковском деле: скоринг и прогнозирование банкротств. Модель рынка жилой недвижимости города. Прогнозирование валютных курсов и котировок ценных бумаг. Невербальность и «шестое чувство» нейросетей. Круг решаемых задач.

Тема 8. Проблемы проектирования и обучения персептронов.

Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения. Генетические алгоритмы. Дополнительные рекомендации по проектированию и обучению персептронов.

Раздел 4. Заключительная часть.

Тема 9. Настоящее и будущее искусственного интеллекта и нейросетевых технологий.

Искусственный интеллект и интеллектуальные информационные системы. Нейронные сети и экспертные системы. Нейросетевые технологии и технологии регрессионного анализа. Философские проблемы искусственного интеллекта и интеллектуальных информационных систем.

III. Учебно-методическое обеспечение дисциплины:

1. Литература

Базовый учебник

Ясницкий Л.Н. Введение в искусственный интеллект. 2-е издание. – М.: Издательский центр «Академия», 2008. – 176с.

Основная:

Пермская научная школа искусственного интеллекта и ее инновационные проекты. 2-е издание / Л.Н.Ясницкий, В.В.Бондарь, С.Н.Бурдин и др.; под ред. Л.Н.Ясницкого. – Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2008. – 75 с.

Ясницкий Л.Н., Данилевич Т.В. Современные проблемы науки. – М.: БИНОМ. Лаборатория знаний, 2008. – 294.

Дополнительная:

Матвеев М.Г. Методы и модели искусственного интеллекта. Применение в экономике: учеб. пособие / М.Г.Матвеев, А.С.Свиридов, Н.А.Алейникова. – М: Финансы и статистика; ИНФРА-М, 2008. – 448с.
Люгер Дж.Ф. Искусственный интеллект: Стратегии и методы решения проблем / Дж.Ф.Люгер; пер. с англ. – М: Издательский дом «Вильямс», 2003

Хайкин С. Нейронные сети: Полный курс, 2-е издание / С.Хайкин; пер. с англ. – М.: Издательский дом «Вильямс», 2006.

Рассел С., Норвинг П. Искусственный интеллект: современный подход. – М.: Издательский дом «Вильямс», 2006.

Ясницкий Л.Н. Интеллектуальные информационные технологии и системы: учеб.-метод. пособие / Перм.ун-т. – Пермь, 2007. – 271с.

2. Тематика заданий по различным формам текущего контроля:

Приложение 1. План практических занятий.

Приложение 2. Вопросы для самоконтроля.

Приложение 3. Варианты домашней контрольной работы.

Методические рекомендации (материалы) преподавателю:

Технологии создания интеллектуальных информационных систем с применением нейросетевых технологий в настоящее время находятся в авангарде научно-технического прогресса и с успехом побивают все рекорды по темпам развития и по количеству практических приложений в самых разных областях человеческой деятельности.

В учебном курсе изучаются три основных стратегических подхода к созданию систем искусственного интеллекта: использование технологии экспертных систем, нейроинформационных технологий и технологии генетических алгоритмов.

Изучение материала ведется с соблюдением хронологической последовательности развития науки «искусственный интеллект» так, что каждая новая идея, каждый новый метод появляются не случайно, а являются закономерным ответом на возникшие проблемы и парадоксы.

Большое внимание уделяется вопросам практического применения методов искусственного интеллекта, в частности, при решении задач распознавания образов, прогнозирования, управления, диагностики, оптимизации, при решении проблем экономики, в особенности рынка ценных бумаг, рынка недвижимости, банковского дела.

Основным учебным материалом является учебное пособие для вузов [1], выпущенное Издательским центром «Академия» в 2005 г. и переизданное в 2008 г. Опыт преподавания курса «Интеллектуальные информационные системы» в российских вузах на основе учебного пособия [1] показал чрезвычайную его востребованность и заинтересованность студентов, которая сопровождалась множеством курсовых, дипломных и диссертационных работ, посвященных применению идей и методов искусственного интеллекта в экономике, промышленности, политологии, социологии, психологии, криминалистики и других сферах человеческой деятельности. Многие из этих экспериментальных студенческих работ стали основой смелых, и в то же время вполне реальных инновационных проектов, которые в настоящее время активно развиваются кафедрами вузов и внедряются продвинутыми IT-фирмами. Все это позволило открыть в г.Перми Пермское отделение Научного Совета РАН по методологии искусственного интеллекта. Образовалось то, что принято называть научной школой. Некоторые результаты инновационной деятельности Пермской научной школы искусственного интеллекта нашли отражение в коллективной (28 авторов, большинство из которых студенты) монографии [2] и еще в сотне научных публикаций.

В ходе апробации нового учебного курса в вузах авторам удалось выстроить его так, что, несмотря на изначальную сложность, материал с легкостью усваивался студентами с совершенно разными уровнями подготовки.

После изложения лекционного материала студенты приступают к выполнению лабораторных работ. Лабораторные работы скачиваются с сайта ru/. Там же приведены инструкции по их выполнению.

Лабораторные работы оснащены удобным интерфейсом. В основу лабораторных работ заложена идея азартной компьютерной игры так, что их выполнение обходится практически без вмешательства преподавателя или лаборанта. Между учащимися и компьютерами завязывается активный диалог, в ходе которого учащиеся последовательно осваивают одну идею искусственного интеллекта за другой, иногда наталкиваясь на подводные камни и попадая в «ловушки», в которых порой оказывались ученые-создатели науки «Искусственный интеллект». Такой способ освоения материала, по-нашему мнению, способствует глубокому проникновению в суть проблем, и не позволит в будущем повторять вошедшие в историю заблуждения и ошибки.

В ходе выполнения лабораторных работ учащиеся осваивают специально созданный для них программный инструмент – Симулятор нейронных сетей «Нейросимулятор 1.0». (Свидетельство об отраслевой регистрации разработки №8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007). С помощью этого инструмента они создают любые структуры нейронных сетей персептронного типа, подбирают их параметры, оптимизируют, обучают решению конкретных практических задач.

После выполнения цикла лабораторных работ учащимся предлагается выполнить самостоятельное индивидуальное домашнее задание состоящее в следующем:

1. Придумать тему самостоятельной работы, желательно связанную с предполагаемой будущей работой студента, либо с его курсовыми и дипломными работами.

2. Собрать множество примеров выбранной студентом предметной области.

3. Выполнить содержательную постановку задачи.

4. С помощью нейропакета «Нейросимулятор 1.0», вызываемого при открытии лабораторной работы №8, студентам предлагается спроектировать, обучить и протестировать нейронную сеть, решающую поставленную студентом задачу.

5. Выполнить исследование нейросетевой математической модели с целью извлечения закономерностей исследуемой предметной области и разработке на этой основе полезных практических рекомендаций.

Результат выполнения студентами индивидуального задания является основным критерием качества усвоенного материала, оценкой способности студентов применять его на практике.

Методические указания студентам:

Изучение дисциплины предполагается в классическом варианте: лекции, включающие компьютерную презентацию (не более 1% времени) чередуются с лабораторными работами.

Лабораторные работы оснащены современным интерфейсом. В их основу заложена идея азартной компьютерной игры так, что их выполнение обходится практически без вмешательства преподавателя или лаборанта.

В ходе выполнения лабораторных работ учащиеся осваивают специально созданный для них программный инструмент – «Симулятор нейронных сетей». С помощью этого инструмента они могут создавать любые структуры нейронных сетей персептронного типа, подбирать их параметры, обучать решению широкого круга практических задач. Некоторые из таких задач из области медицины, политологии, социологии, экономики и др. учащимся предлагается решить с помощью освоенного ими инструмента. Студентам также предоставляется возможность самим придумывать и ставить проблемы и самим их решать методами искусственного интеллекта. Это задачи прогнозирования, диагностики, оптимизации, классификации и распознавания. Студенты сами ставят проблему, сами находят или подбирают обучающие примеры, создают, оптимизируют и обучают нейронную сеть, получая нейросетевую математическую модель предметной области, затем исследуют эту модель, получая полезные для практического применения результаты. Курсовые работы, которые впоследствии выполняют студенты, являются логическим продолжением лабораторного практикума.

Наработанный таким образом опыт создания интеллектуальных информационных систем может быть использован при выполнении дипломных работ, а также использован в будущей научной и производственной деятельности. В отличие от лабораторных и курсовых, темы дипломных работ должны преимущественно иметь экономическую направленность. Это прогнозирование финансовых рынков, котировок акций и курсов валют, интеллектуальные системы оценки экономического состояния предприятий, прогнозирования кризисного состояния и банкротств предприятий, оценки финансовых рисков, скоринговые системы, интеллектуальные системы оценки недвижимости, товаров и услуг, индексов потребительских цен и т.п.

Самостоятельная работа студентов, согласно программе, составляет всего 5 часов. Это подготовка к текущим лекциям и лабораторным работам (каждая лекция начинается с повторения пройденного материала – краткий опрос с выставлением оценок за полученные ответы)

Рекомендации по использованию информационных технологий:

При проведении практических занятий рекомендуется использовать Симулятор нейронных сетей «Нейросимулятор 1.0». (Свидетельство об отраслевой регистрации разработки №8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007), а также лабораторный практикум, который скачивается с сайта: ru/. Там же можно прочитать инструкции по выполнению лабораторных работ.

Автор программы Л.Н.Ясницкий

IV. Тематический расчет часов для направления 0801000.62 «Экономика»

Форма обучения Очная

Названия разделов и тем	Аудиторные часы			Самостоя-тельная работа	Всего часов
Названия разделов и тем	Лекции	Практ. занятия, семинары	Всего	Самостоя-тельная работа	Всего часов
Раздел 1. Предмет, история, основные стратегии и направления развития дисциплины ИИС
1. Предмет и история искусственного интеллекта (ИИ) и интеллектуальных информационных систем (ИИС). 2. Основные стратегии и направления развития ИИ и ИИС.	2		2	5	7
Раздел 1. Предмет, история, основные стратегии и направления развития дисциплины ИИС
3 .Методы представления знаний в экспертных системах. 4. Составные части экспертной системы и их взаимодействие. 5. Этапы проектирования экспертной системы.	2		2	10	12
Раздел 3. Нейронные сети
6. Персептрон и его развитие.	2	2	4	20	24
7. Возможности и сферы применения персептронов.	4	8	12	30	32
8. Проблемы проектирования и обучения персептронов.	2	4	6	10	16
Раздел 4. Заключительная часть.
9. Настоящее и будущее искусственного интеллекта и интеллектуальных информационных систем.	2		2	5	7
Итого	14	14	28	80	108

Автор программы Л.Н.Ясницкий

Приложение 1

План практических занятий

Лабораторные работы

№ и названия разделов и тем	Цель и содержание лабораторной работы	Результаты лабораторной работы
Лабораторная работа № 1«Математический нейрон»
Тема 6. Персептрон и его развитие. Мозг и компьютер. Математический нейрон Мак-Каллока – Питса.	Подобрать параметры нейрона Мак-Каллока-Питтса. Попытки моделирующего логических функций «И», «ИЛИ», «Иксключающее ИЛИ»	Понимание принципа действия математического нейрона Мак-Каллока-Питтса.
Лабораторная работа № 2: «Классификация чисел на четные и нечетные»
Персептрон Розенблатта и правила Хебба. Ограниченность однослойного персептрона.	Обучить персептрон классификации чисел на четные и нечетные.	Понимание принципа действия персептрона.
Лабораторная работа № 3: «Распознавание печатных букв»
Понимание принципа действия персептрона.	Обучить персептрон распознавать печатные буквы русского алфавита.	Понимание принципа действия и возможностей персептрона.
Лабораторная работа № 4: «Распознавание печатных и рукописных букв»
Дельта-правило, его обобщение и распознавание букв. Дальнейшее развитие персептрона Уидроу и Хоффом	Обучить персептрон распознавать печатные и рукописные буквы русского алфавита.	Понимание принципа действия и возможностей персептрона.
Лабораторная работа № 5: «Двухслойный персептрон»
Многослойный персептрон и алгоритм обратного распространения ошибки. Виды активационных функций.	Обучить двухслойный персептрон моделированию логических функций «И», «ИЛИ», «Иксключающее ИЛИ».	Понимание принципа действия и возможностей многослойного персептрона, изучение влияние его параметров на процесс обучения.
Лабораторная работа № 6: «Медицинская диагностика – один диагноз»
Тема 7. Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Диагностика в медицине.	Создать множество обучающих примеров и обучить персептрон ставить один диагноз.	Умение ставить задачи и создавать нейросетевые модели медицинской диагностики.
Лабораторная работа № 7«Медицинская диагностика – несколько диагнозов»
Диагностика в медицине.	Создать множество обучающих примеров и обучить персептрон ставить четыре диагноза.	Умение ставить задачи и создавать нейросетевые модели медицинской диагностики.
Лабораторная работа № 8: «Моделирование таблицы умножения»
Тема 8. Проблемы проектирования и обучения персептронов. Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения.	Создать множество обучающих примеров, спроектировать персептрон и обучить его таблице умножения. добиться максимальных обобщающих свойств..	Умение выполнять проектирование, оптимизацию и обучение персептронов.
Лабораторная работа № 9: «Моделирование таблиц умножения и сложения»
Теоремы существования. Проблемы и методы проектирования. Обучение персептронов. Проблемы и методы обучения.	Создать множество обучающих примеров, спроектировать персептрон и обучить его таблице умножения. добиться максимальных обобщающих свойств..	Умение выполнять проектирование, оптимизацию и обучение персептронов.
Лабораторная работа № 10: «Прогнозирование выборов президента страны»
Тема 7. Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Прогнозирование результатов выборов президента страны.	Создать нейросетевую модель прогнозирования результатов выборов президента страны. Исследовать модель на предмет получения полезных рекомендаций..	Умение ставить задачи, создавать интеллектуальные информационные системы в политологии и выполнять их исследование с целью получения полезных выводов.
Лабораторная работа № 11: «Прогнозирование индексов потребительских цен»
Возможности и сферы применения персептронов. Новый инструмент получения научных знаний.	Создать нейросетевую модель прогнозирования результатов автомобильых гонок. Исследовать модель на предмет получения полезных рекомендаций.	Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов.
Лабораторная работа № 12: «Моделирование рынка жилой недвижимости города»
Возможности и сферы применения персептронов. Новый инструмент получения научных знаний. Модель рынка жилой недвижимости города.	Создать нейросетевую модель рынка жилой недвижимости г.Перми. Исследовать модель на предмет получения полезных рекомендаций.	Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов.
Лабораторная работа № 13: «Оценка экономических рисков: скоринг, прогноз банкротств»
Возможности и сферы применения персептронов Нейросети в банковском деле: скоринг и прогнозирование банкротств.	Создать нейросетевую модель прогнозирования экономических рисков. Исследовать модель на предмет получения полезных рекомендаций.	Умение ставить задачи, создавать интеллектуальные информационные системы в области экономики и выполнять их исследование с целью получения полезных выводов.

Приложение 2

Вопросы для самоконтроля

Примерный перечень вопросов, которые преподаватель может задавать аудитории для повторения материала перед началом лекции, а также варианты домашних заданий.

Перечислите основные стратегии создания систем искусственного интеллекта. Назовите примерную дату появления и основателя каждого стратегического направления.
Как приобретаются и в каком виде хранятся знания в системах искусственного интеллекта, созданных согласно трем основным стратегиям ?
Какая научная область по Вашему мнению является лидирующей в настоящее время ?
Зайдите в сеть Интернет и с помощью поисковика попробуйте ввести ключевые слова: «искусственный интеллект», «экспертные системы», «нейронные сети», «нейроинформатика», «нейрокомпьютер», «агентные системы», интеллектуальные роботы» и другие термины искусственного интеллекта. Выберите заинтересовавшую Вас информацию и напишите на ее основе реферат или подготовьте доклад на какую-либо из тем, например:

- Успехи искусственного интеллекта.

- История искусственного интеллекта.

- Современные проблемы искусственного интеллекта.

- Современные технологии искусственного интеллекта.

- Будущее искусственного интеллекта.

- И т.д.

Дайте определение данных и знаний.
Как трансформируются данные и знания в процессе их обработки ?
Какие знания называются процедурными, а какие – декларативными ?
Что из себя представляет способ представления знаний с помощью продукционных правил ?
Дайте определение данных и знаний.
Как трансформируются данные и знания в процессе их обработки ?
Какие знания называются процедурными, а какие – декларативными ?
Что из себя представляет способ представления знаний с помощью продукционных правил ?
Перечислите основные преимущества и недостатки известных Вам способов представления знаний.
Какой способ представления знаний наиболее распространен в современных экспертных системах ?
Какой из рассмотренных способов представления знаний наиболее близок к способу, которым пользуется мозг человека ?
Приведите примеры научных областей, в которых знания хорошо формализованы и где они плохо поддаются формализации.
Дайте определение экспертной системы.
Перечислите функциональные блоки, из которых состоит типичная экспертная система, укажите их назначение.
Что такое коэффициенты доверия и для чего они вводятся ?
Что понимается под обучением экспертной системы ?
Укажите несколько отличительных признаков между экспертной системой и традиционной компьютерной программой.
Назовите примерную стоимость современной экспертной системы, которая указывается в справочниках.
Из каких специалистов, по Вашему мнению, должен состоять коллектив разработчиков экспертной системы ?
Кто был создателем первой экспертной системы ? Для чего она была предназначена ?
Приведите примеры известных вам экспертных систем.
Что такое оболочка экспертной системы ?
Назовите и охарактеризуйте основные стратегии получения знаний.
Почему задачу извлечения знаний называют «узким горлышком» в проектировании экспертных систем ? Какие идеи Вы можете предложить для устранения этой ситуации ?
Назовите несколько отличительных признаков в принципах действия современного компьютера, выполненного по схеме Фон Неймана, от мозга.
Сколько нейронов имеет человеческий мозг ?
Сколько дендритов и сколько аксонов может иметь нейрон ? Каково их назначение ?
Сколько нервных волокон соединяющих нейроны между собой имеет человеческий мозг ?
В каком виде хранится информация в человеческом мозге ?
Объясните на языке электротехники значение термина «сила синаптической связи». В каких единицах она измеряется ?
Какой объем памяти имеет человеческий мозг.
Сколько входов и сколько выходов может иметь математический нейрон Мак-Каллока – Питтса ?
Напишите формулы, с помощью которых происходит преобразование сигналов в математическом нейроне Мак-Каллока – Питтса.
Нарисуйте графическое изображение активационной функции математического нейрона Мак-Каллока – Питтса.
Нарисуйте математические нейроны, реализующие логические функции «И», «ИЛИ», «НЕТ» и приведите соответствующие им значения сил синаптических связей и порогов.
Нарисуйте математический нейрон и напишите формулы, по которым он работает, с использованием понятия смещения вместо порога. Какой вид при этом имеет активационная функция нейрона ?
Чем весовые коэффициенты отличаются от синаптических весов и от сил синаптических связей ?
Чем нейронное смещение b отличается от порога чувствительности ?
Чем отличается нейронная сеть от нейрокомпьютера ?
Каким образом вырабатываются входные сигналы , , … персептрона, классифицирующего числа на четные и нечетные ?
Каким образом задаются первоначальные значения синаптических весов , , ,… и как они затем корректируются ?
В каком виде персептрон хранит знания, необходимые для распознавания цифр ?
Какая теорема считается самой доказанной в мире теоремой ?
Дайте формулировку теоремы сходимости персептрона.
Что подразумевается под введенными нами обозначениями и ? Чем они отличаются ?
Напишите формулы, по которым согласно алгоритму дельта-правила корректируются синаптические веса и нейронные смещения.
Что такое коэффициент скорости обучения, для чего он нужен и в каких пределах его обычно задают ?
Чем отличается схема персептрона, предназначенного для классификации чисел на четные и нечетные, от схемы персептрона, распознающего буквы русского алфавита ?
Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания букв латинского алфавита ?
Какое количество выходных нейронов должен иметь персептрон, предназначенный для распознавания не только букв, но и цифр ?
Что понимается под свойством обобщения, которым обладает мозг человека и его модель – персептрон ?
Как научить персептрон распознавать не только печатные, но и рукописные буквы ?
Нарисуйте графическое изображение сигмоидной активационной функции и напишите ее математическую формулу.
Чем сигмоидная функция активации лучше (или хуже) функции-ступеньки ?
Чем сигмоидная активационная функция отличается от логистической ?
Напишите формулу для вычисления квадратичной ошибки персептрона. От каких величин она зависит ?
Для чего нужен множитель ½ в формуле для квадратичной ошибки обучения персептрона ? Что будет, если этот множитель не использовать ?
В виде какой геометрической фигуры изображается квадратичная ошибка обучения персептрона ?
Чем гиперпсевдопараболоид отличается от псевдопараболоида ?
Что из себя представляет градиент функции ? В какую сторону он направлен ?
В чем суть метода градиентного спуска ?
Попробуйте применить алгоритм метода градиентного спуска к задаче поиска точки минимума функции .
Напишите формулы итерационного процесса, соответствующего обобщенному дельта-правилу.
Можно ли применять алгоритм обычного (необобщенного) дельта-правила для обучения персептрона с сигмоидными активационными функциями ?
Можно ли применять обобщенное дельта-правило для обучения персептрона со ступенчатыми активационными функциями ?
Нарисуйте таблицы истинности логических функций «И», «ИЛИ», «Исключающее ИЛИ».
Перерисуйте рис. 3.13 и начертите на нем пороговую прямую так, чтобы однонейронный персептрон, параметры которого соответствуют нарисованной Вами пороговой прямой, моделировал:

- логическую функцию «И»,

- логическую функцию «ИЛИ».

Пользуясь Вашим рисунком объясните, почему однонейронный персептрон не может моделировать функцию «Исключающее ИЛИ».
Дайте определение линейно неразделимых задач.
Подумайте над тем, как заставить персептрон решать линейно неразделимые задачи.
Нарисуйте персептрон, моделирующий функцию «Исключающее ИЛИ».
С помощью формул, описывающих работу математического нейрона, убедитесь, что нарисованный Вами персептрон действительно моделирует функцию «Исключающее ИЛИ».
Попробуйте изобразить другой персептрон (другой структуры) тоже способный моделировать логическую функцию «Исключающее ИЛИ».
Почему не удается применять известные Вам алгоритмы обучения (правила Хебба, дельта-правило, обобщенное дельта-правило) для обучения персептронов, моделирующих функцию «Исключающее ИЛИ» ?
Попытайтесь придумать алгоритм обучения персептрона, содержащего один скрытый слой.
Объясните, в чем состоит идея алгоритма обратного распространения ошибки ? Отражает ли название алгоритма его идею ?
Какую роль в методе обратного распространения ошибки выполняет коэффициент скорости обучения .
Попробуйте запрограммировать алгоритм обратного распространения ошибки на каком-либо алгоритмическом языке.
Сколько алгоритмов обучения нейронных сетей Вам известно ? Назовите их и охарактеризуйте их возможности.
Годится ли алгоритм обратного распространения ошибки для обучения персептрона со ступенчатыми активационными функциями ?
Годятся ли правила Хебба для обучения персептрона с нейронами, имеющими сигмоидные функции активации ?
Годится ли дельта-правило для обучения персептрона с нейронами, имеющими сигмоидные функции активации ?
Назовите преимущества и недостатки алгоритма обратного распространения ошибки по сравнению со всеми изученными ранее методами обучения нейронных сетей.
Приведите примеры активационных функций, используемых в современных нейросетях. Постройте их графики. Укажите их области определений и области значений.
Какие алгоритмы обучения персептронов годятся для работы со ступенчатыми активационными функциями ?
Какие алгоритмы обучения персептронов годятся для работы с сигмоидными активационными функциями ?
Какие алгоритмы обучения персептронов годятся для работы с логарифмическими активационными функциями ?
Какое преимущество дает использование сигмоидной активационной функции вместо функции-ступеньки ?
Какое преимущество и какой недостаток дает использование логарифмической активационной функции вместо сигмоидной ?
Подумайте над тем, какие преимущества и какие недостатки может дать использование радиально-базисных активационных функций.
Когда возник метод математического моделирования ?
Приведите примеры применения метода математического моделирования.
Чем методика построения математических моделей на основе нейротехнологий отличается от традиционной ?
Опишите, как бы Вы стали формировать примеры для обучения персептрона ставить диагнозы заболеваний ?
Сколько Ваш персептрон должен иметь входов и выходов ?
Почему нейросетевой врач может превзойти обычного врача по качеству постановки диагнозов заболеваний ?
Откуда нейросетевой врач получает медицинские знания и в каком виде он их хранит в своей памяти ?
Опишите, как бы Вы стали формировать примеры для обучения персептрона ставить диагнозы неисправностей автомобильного двигателя.
Сколько Ваш персептрон должен иметь входов и выходов ?
Может ли нейросетевая диагностическая система превзойти традиционную диагностическую систему, основанную на явных знаниях (экспертную систему) по качеству постановки диагнозов ? Объясните почему.
Откуда нейросетевая диагностическая система получает технические знания и в каком виде она их хранит в памяти ?
Опишите принцип действия полиграфного аппарата, применяемого в настоящее время в органах МВД России. Чем можно объяснить его низкую надежность ?
Сколько входов и сколько выходов должен иметь персептрон, предназначенный для распознавания признаков лжи в ответах человека ?
Подумайте над тем, как обучить нейросетевой полиграфный аппарат обнаруживать случаи, когда его пытаются обмануть.
В каком виде хранятся знания в полиграфном аппарате, применяемом в органах МВД России, и в каком виде они хранятся в нейросетевом детекторе лжи ?
Какой принцип действия детектора лжи Вам представляется наиболее перспективным ? Почему ?
Опишите принцип действия персептрона, управляющего персонажем компьютерной игры.
Благодаря какому свойству персептрона, унаследованному им от мозга, персептрон, управляющий компьютерным персонажем, адекватно реагирует на те ситуации, которые не встречались в примерах, на которых его обучали ?
Невозврат кредитов, выдаваемых банками фирмам и частным лицам не раз являлся причиной банкротства банков. Раз это так опасно, то почему банки продолжают выдавать кредиты фирмам и частным лицам ? Смогли бы они обойтись без этого вида деятельности ?
Кто и на каком основании принимает решение о выдаче или отказе в выдаче кредита частным лицам и фирмам ?
Объясните принцип действия персептрона, способного распознавать потенциально ненадежных клиентов банка ?
Чем объяснить, что английские банкиры успешно применяют нейросети для выявления потенциально ненадежных клиентов, а в России это не получается ?
Поясните суть метода скользящих окон.
Перечислите, какие факторы могут оказывать влияние на курсы валют. Каким образом их можно учитывать при нейросетевом прогнозировании ?
Какая информация использовалась для создании обучающего множества примеров при построении программы, прогнозирующей результаты президентских выборов в России ?
Попробуйте создать программу, прогнозирующую результаты президентских выборов, используя в качестве обучающих примеров отечественный опыт.
Перечислите положительные и отрицательные свойства, которые персептрон наследовал от своего прототипа – человеческого мозга.
Какие знания называются невербальными ?
Вспомните, каким образом вербализуются выводы, получаемый с помощью экспертных систем.
Подумайте над тем, как можно вербализовать нейросетевые знания.
В чем состоит задача оптимизации моделируемого объекта или процесса, и как она решается с помощью нейросетевых технологий ? Приведите примеры.
В чем состоит задача прогнозирования моделируемого объекта, явления, процесса, и как она решается с помощью нейросетевых технологий ? Приведите примеры.
В чем состоит задача управления моделируемым объектом, процессом, и как она решается с помощью нейросетевых технологий ? Приведите примеры.
В чем состоит задача распознавания (классификации) образов, и как она решается с помощью нейросетевых технологий ? Приведите примеры.
Чем отличается искусственная нейронная сеть от нейрокомпьютера ?
В чем состоит процесс проектирования персептронов ?
Как задается число входов персептрона ?
Как задается число выходов персептрона ?
Как задается число нейронов в скрытых слоях персептрона ?
От каких параметров задачи зависит оптимальное количество нейронов скрытых слоев персептрона ?
Как задается вид активационных функций нейронов ?
Чем отличается погрешность обучения от погрешности обобщения ?
Нарисуйте примерные графики зависимости обеих погрешностей от количества нейронов скрытых слоев персептрона. Чем объяснить, что при чрезмерном увеличении количества нейронов скрытых слоев персептрона его погрешность обобщения растет ?
К какому нежелательному последствию может привести чрезмерное уменьшение количества нейронов в скрытых слоях персептрона ?
К какому нежелательному последствию может привести чрезмерное увеличение нейронов в скрытых слоях персептрона ?
Как на практике подбирается количество нейронов скрытых слоев персептрона ?
Дайте определение градиента функции. Куда он направлен ?
Что такое линии уровня (изолинии) функции ? Приведите пример из географии.
Как направлен градиент функции по отношению к линиям уровня функции ?
Почему метод градиентного спуска плохо работает в случаях, когда поверхность, изображающая целевую функцию, имеет овраги ?
Опишите приемы, направленные на преодоление проблемы оврагов.
В чем состоит идея метода упругого обратного распространения ? Дайте его геометрическую интерпретацию.
В чем состоит суть естественного отбора ?
Что такое ген и что такое мутация ?
Что принимается в качестве функции фитнеса при оптимизации весовых коэффициентов персептрона ? Как формируются хромосомы и что принимается в качестве особей ?
Почему проектирование и обучение нейронных сетей иногда называют искусством, а не наукой ?
Опишите два способа выявления незначимых входных параметров.
Назовите причины появления посторонних выбросов в статистической информации (в множествах обучающих примеров) ?
Каким образом можно обнаружить посторонние выбросы с помощью нейронной сети ?
Что такое «паралич сети» ?
С помощью каких формул можно масштабировать входные и выходные сигналы персептрона ?

При аттестации могут быть использованы тесты, пример которых приведен ниже.

Высокоуровневая стратегия искусственного интеллекта зародилась:

1). В XX в.

2). В XIX в.

3). В XVII в.

4). В XV в.

5). В XIII в.

Низкоуровневая стратегия искусственного интеллекта зародилась:

1). В XX в.

2). В XIX в.

3). В XVII в.

4). В XV в.

5). В XIII в.

Генетические алгоритмы появились:

1). В XX в.

2). В XIX в.

3). В XVII в.

4). В XV в.

5). В XIII в.

Основателем нисходящей стратегии искусственного интеллекта был:

1). Розенблатт

2). Луллий

3). Мак-Каллок

4). Холланд

5). Питтс

Автор первого генетического алгоритма:

1). Розенблатт

2). Луллий

3). Мак-Каллок

4). Холланд

5). Питтс

Первый нейрокомпьютер построил:

1). Розенблатт

2). Луллий

3). Мак-Каллок

4). Холланд

5). Питтс

Знания в экспертных системах представляются в виде:

1). Матрицы сил синаптических связей

2). Математических формул

3). Продукционных правил, фреймов, семантических сетей и т.д.

4). Коэффициентов доверия

5). Интеллектуальных капсул

Биологический нейрон имеет:

1). До 10 входов, называемых дендритами и один выход, называемый аксоном

2). До 100 входов, называемых дендритами и один выход, называемый аксоном

3). До 1000 входов, называемых дендритами и один выход, называемый аксоном

4). До 10000 входов, называемых дендритами и один выход, называемый аксоном

5). До 100000 входов, называемых дендритами и один выход, называемый аксоном

Человеческий мозг содержит приблизительно:

1). 10¹¹ нейронов

2). 10¹² нейронов

3). 10¹³ нейронов

4). 10¹⁴ нейронов

5). 10¹⁵ нейронов

Ученые-нейрокибернетики считают, что знания в человеческом мозге хранятся в виде:

1). Фреймов

2). Продукционных правил

3). Матрицы сил синаптических связей

4). Семантических сетей

5). Нейронных напряжений

Логическую функцию «Исключающее ИЛИ» может моделировать:

1). Матматический нейрон Мак-Каллока – Питтса с одним входом и одним выходом

2). Математический нейрон Мак-Каллока – Питтса с двумя входами и одним выходом

3). Двухслойный персептрон с одним нейроном Мак-Каллока – Питтса в скрытом слое

4). Двухслойные персептрон с двумя нейронами Мак-Каллока – Питтса в скрытом слое

5). Однослойный персептрон, нейроны которого имеют сигмоидные активационные функции

Использование сигмоидных активационных функций вместо функций-ступенек позволяет:

1). Получать на выходе не только бинарные, но и непрерывные сигналы

2). Получать на выходе не только непрерывные, но и бинарные сигналы

3). Решать линейно-неразделимые задачи

4). Создавать самообучающиеся нейронные сети

5). Решать не только одноэкстремальные, но и многоэкстремальные задачи

Сигмоидная активационная функция имеет область изменения:

1). (-

)

2). (-1,+1)

3). [-1,+1]

4). (0,+1)

5). [-1,+0]

Логарифмическая активационная функция имеет область изменения:

1). (-

)

2). (-1,+1)

3). [-1,+1]

4). (0,+1)

5). [-1,+0]

Обобщенное дельта-правило предназначено для обучения:

1). Однонейронного персептрона, активационная функция которого имеет ступенчатую форму

2). Многослойного персептрона, все нейроны которого имеют активационные функции ступенчатой формы

3). Однослойного персептрона, все нейроны которого имеют активационные функции ступенчатой формы

4). Многослойного персептрона, все нейроны которого имеют сигмоидные активационные функции

5). Однослойного персептрона все нейроны которого имеют сигмоидные активационные функции

Алгоритм обратного распространения ошибки предназначен для обучения:

Персептрон, предназначенный для моделирования таблицы умножения должен иметь:

1). Один вход, один выход, нейроны со ступенчатыми активационными функциями

2). Один вход, один выход, нейроны с сигмоидными активационными функциями

3). Один вход, два выхода, нейроны с сигмоидными активационными функциями

4). Два входа, один выход, нейроны со ступенчатыми активационными функциями

5). Два входа, один выход, нейроны с сигмоидными активационными функциями

Гиперразмерность нейросети это:

1). Свойство нейросети терять способность к обучению вследствие чрезмерного увеличению ее размера

2). Свойство нейросети терять способность к обобщению вследствие попадания в локальный минимум

3). Свойство нейросети терять способность к обучению вследствие попадания в локальный минимум

4). Свойство нейросети терять способность к обобщению вследствие чрезмерного увеличении числа ее степеней свободы

5). Свойство нейросети терять способность к обучению вследствие чрезмерного увеличениия числа ее степеней свободы

При проектировании нейросети число входов и выходов персептрона определяют:

1). Из условия решаемой задачи

2). По теореме Арнольда – Колмогорова

3). По формуле, являющейся следствием теоремы Арнольда-Колмогорова

4). С помощью правил Хебба

5). С помощью алгоритма обратного распространения ошибки

При проектировании нейросети число нейронов скрытого слоя персептрона определяют:

Среднеквадратичная ошибка обучения персептрона имеет вид:

1). Параболоида

2). Эллипсоида

3). Гиперпсевдопараболоида

4). Гиперпсевдоэллипсоида

5). Однополостного гиперболоида

Цель алгоритма обратного распространения ошибки состоит:

1). В оптимальном подборе числа нейронов на скрытых слоях персептрона

2). В оптимизации размеров нейросети

3). В минимизации ошибки обобщения персептрона

4). В максимизации ошибки обучения персептрона

5). В минимизации ошибки обучения персептрона

Коэффициент скорости обучения персептрона:

1). Устанавливает общее количество эпох обучения

2). Влияет на длину шага вдоль выбранного направления оптимизации

3). Является производной по времени от расстояния до точки минимума функции ошибки

4). Вычисляется с помощью теоремы Арнольда – Колмогорова

5). Вычисляется с помощью формулы, являющейся следствием из теоремы Арнольда – Колмогорова – Хехт-Нельсона

Для преодоления оврагов на поверхности функции-ошибки обучения персептрона предназначен:

1). Метод наискорейшего спуска

2). Алгоритм обратного распространения ошибки

3). ParTan-метод

4). Обобщенное дельта-правило

5). Метод наименьших квадратов

Генетический алгоритм предназначен:

1). Для поиска глобального экстремума многоэкстремальной задачи

2). Для поиска локального экстремума многоэкстремальной задачи

3). Для оптимального проектирования нейронной сети

4). Для создания новых биологических видов

5). Для оптимизации гена

Приложение 3

Тематика самостоятельных работ

1. Прогнозирование вероятности наступления рецессий на основе упреждающих критериев.

2. Прогнозирование котировок акций Газпром с учетом, цен на нефть и экономических индексов.

3. Прогнозирование котировок акций Лукойл с учетом цен на нефть и экономических индексов.

4. Прогнозирование курсов евро и доллара с учетом цен на нефть, и пяти экономических индексов.

5. Разработка системы оценки рынка жилой недвижимости г.Перми.

6. Разработка системы оценки рынка подержанных автомобилей.

7. Разработка скоринговых систем.

8. Разработка систем прогнозирования вероятности банкротств предприятий.

9. Разработка системы прогнозирования кассовых сборов кинофильмов.

10. Разработка системы оценки резюме при приеме на работу.

11. Разработка системы оценки рисков страховых компаний.

12. Разработка системы прогноза успешности бизнеса.

13. Разработка системы оценки аренды квартир.

Blog

Программа дисциплины Нейросетевые технологии в финансах для направления 080100. 62 "Экономика"

Содержание

Программа дисциплины