Содержание


Задание 1. Нейронные сети 3

1.1. Исторический экскурс 3

1.2. Однослойные искусственные нейронные сети 5

1.3. Многослойные искусственные нейронные сети 6

1.4. Нелинейная активационная функция 6

1.5. Обучение искусственных нейронных сетей 7

1.6. Цель обучения 7

1.7. Обучение с учителем 7

1.8. Обучение без учителя 8

Задание 2. Табличный процессор MS Excel 9

2.1. Задание 9

2.2. Вид таблицы с исходными данными 10

2.3. Проведение расчета характеристик 10

2.4. Вычисление итогов 11

2.5. Вычисление среднего износа 11

2.6. Определение остаточной стоимости оборудования каждого типа 11

2.7. Определение количества объектов с износом более 30% от их балансовой

стоимости 11

2.8. Вид готовой таблицы 11

2.9. Применение фильтрации 13

2.9.1. Наименование объектов с остаточной стоимостью оборудования менее

400 у.е. 13

2.9.2. Наименование объекта с максимальным износом оборудования 13

2.9.3. Наименование основных объектов производства с балансовой стоимостью

менее 1000 у.е. и остаточной стоимостью менее 350 у.е. 14

2.9.4. Вспомогательные объекты производства с восстановительной

полной стоимостью менее 400 или более 800 у.е. 14

2.10. Создание сводной таблицы 14

Задание 3. СУБД MS Access 15

3.1. Задание 15

3.2. Создание таблиц и заполнение их данными 16

3.3. Схема базы данных 17

3.4. Создание запросов 17

3.4.1. Основные средства типа СВТ 17

3.4.2. Компьютеры, стоимость которых превышает 15000 рублей 18

3.4.3. Основные средства, купленные до 1995 года или срок эксплуатации

которых составляет от 7 до 10 лет 19

3.4.4. Суммарная стоимость каждого типа основных средств 19

3.4.5. Фамилии менеджеров, ответственных за компьютеры или ксероксы 20

3.5. Создание отчета 20

3.6. Создание пользовательской формы 22

Задание 4. Информационно-поисковая система Интернета 22

Литература 26


Задание 1. Нейронные сети

Наш мозг - это своего рода великолепный компьютер. Он способен с невероятной быстротой интерпретировать неточную информацию, поступающую от органов чувств: различает шепот в шумной комнате, лицо в полутемном переулке, улавливает скрытый смысл слов. Самое удивительное то, что мозг умеет обучаться самостоятельно, он умеет без каких-либо явных указаний создавать внутренние представления, благодаря которым и проявляет перечисленные способности. Пока мы многое не знаем о том, каким образом мозг обучается обрабатывать информацию, поэтому в настоящее время существует множество теорий и гипотез на этот счет. А на основе уже полученных знаний предпринимаются попытки создания моделей нервной системы, в частности, с использованием искусственных нейронных сетей. Поскольку наши знания о нейронах далеко неполны, модели могут быть лишь грубым приближением к реальным нейронным сетям, и еще слишком рано говорить о создании искусственного мозга сравнимого с человеческим. В настоящее время он еле дотягивает до уровня нервных систем улиток и дождевых червей, но уже сейчас нейронные сети часто выполняют функции бывшие ранее исключительно прерогативой человека, проводят сложные вычисления, позволяют следить за процессами, для которых отсутствуют какие-либо аналитические зависимости.

1.1. Исторический экскурс

Первой попыткой создания и исследования искусственных нейронных сетей считается работа Дж. Маккалока (J. McCulloch) и У. Питтса (W. Pitts) "Логическое исчисление идей, относящихся к нервной деятельности" (1943 г.), в которой были сформулированы основные принципы построения искусственных нейронов и нейронных сетей. И хотя эта работа была лишь первым этапом, многие идеи, описанные здесь, остаются актуальными и на сегодняшний день.

Огромный вклад в нейронауку внесла детекторная теория. Ее основоположником считается Дж. Маккалок, который с группой своих сотрудников в 1959 году опубликовал в статью под названием "О чем глаза лягушки говорят мозгу лягушки", где впервые было введено понятие нейрона-детектора. Работа заинтересовала многих исследователей, наиболее успешные из которых - Р. Хьюберт и Т. Визела, объединив гистохимические и нейрофизиологические методы, показали, что нейроны зрительной коры кошки избирательно реагируют на линии определенного наклона. Объединенные в вертикальные колонки с общим для них наклоном, эти нейроны образуют анализатор, определяющий наклон линии в локальном участке пространства. Таким образом, понятие анализатора, введенное. И.П. Павловым на основании изучения условных рефлексов, обрело в рамках детекторной теории свою нейронную основу.

Большим прорывом в области нейроинтеллекта стало создание нейрофизиологом Френком Розенблатом в 1962 г. модели однослойной нейронной сети, названной персептроном. Она была использована для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. Первые успехи вызвали всплеск оптимизма и послужили стимулом для продолжения исследований. Однако вскоре выяснилось, что созданные сети не способны решать некоторые задачи, существенно не отличающиеся от тех, которые они решали успешно. Позднее Марвин Минский, используя точные математические методы, строго доказал ряд теорем, показав, что используемые однослойные сети теоретически не способны решить многие простые задачи, например, реализовать логическую