Statistica – автоматизированные нейронные сети

STATISTICA – автоматизированные нейронные сети

STATISTICA – богатая, современная, мощная и чрезвычайно быстрая среда анализа нейросетевых моделей, а также единственный в мире нейросетевой программный продукт, полностью переведенный на русский язык!

Методологии нейронных сетей получают все большее распространение в самых различных областях деятельности от фундаментальных исследований до практических приложений анализа данных, бизнеса, промышленности и др.

STATISTICA Automated Neural Networks (SANN) является одним из самых передовых и самых эффективных нейросетевых продуктов на рынке. Он предлагает множество уникальных преимуществ и богатых возможностей.

Например, уникальные возможности инструмента автоматического нейросетевого поиска, Автоматизированная нейронная сеть (АНС), позволяют использовать систему не только экспертам по нейронным сетям, но и новичкам в области нейросетевых вычислений.

В чем преимущества использования statistica automated neural networks?

  • Пре- и пост-процессирование, включая выбор данных, кодирование номинальных значений, шкалирование, нормализацию, удаление пропущенных данных с интерпретацией для классификации, регрессию и задачи временных рядов;
  • Исключительная простота в использовании плюс непревзойденная аналитическая мощность; так, например, не имеющий аналогов инструмент автоматического нейросетевого поиска Автоматизированная нейронная сеть (АНС) проведет пользователя через все этапы создания различных нейронных сетей и выберет наилучшую (в противном случае эта задача решается длительным путем “проб и ошибок” и требует серьезного знания теории);
  • Самые современные, оптимизированные и мощные алгоритмы обучения сети (включая методы сопряженных градиентов, алгоритм Левенберга-Марквардта, BFGS, алгоритм Кохонена); полный контроль над всеми параметрами, влияющими на качество сети, такими как функции активации и ошибок, сложность сети;
  • Поддержка ансамблей нейросетей и нейросетевых архитектур практически неограниченного размера;
  • Богатые графические и статистические возможности, которые облегчают интерактивный исследовательский анализ;
  • Полная интеграция с системой STATISTICA; все результаты, графики, отчеты и т. д. могут быть в дальнейшем модифицированы с помощью мощных графических и аналитических инструментов STATISTICA (например, для проведения анализа предсказанных остатков, создания подробного отчета и т. п.);
  • Полная интеграция с мощными автоматическими инструментами STATISTICA; запись полноценных макросов для любых анализов; создание собственных нейросетевых анализов и приложений с помощью STATISTICA Visual Basic, вызов STATISTICA Automated Neural Networks из любого приложения, поддерживающего технологию СОМ (например, автоматическое проведение нейросетевого анализа в таблице MS Excel или объединение нескольких пользовательских приложений, написанных на языках C, С++, С#, Java и т. д.).
  • Выбор наиболее популярных сетевых архитектур, включая Многослойные персептроны, Радиальные базисные функции и Самоорганизующиеся карты признаков.
  • Имеется инструмент Автоматического Сетевого Поиска, позволяющий в автоматическом режиме строить различные нейросетевые архитектуры и регулировать их сложность.
  • Сохранение наилучших нейронных сетей.
  • Поддержка различного рода статистического анализа и построение прогнозирующих моделей, включая регрессию, классификацию, временные ряды с непрерывной и категориальной зависимой переменной, кластерный анализ для снижения размерности и визуализации.
  • Поддержка загрузки и анализа нескольких моделей.
  • Опциональная возможность генерации исходного кода на языках C, C++, C#, Java, PMML (Predictive Model Markup Language), который может быть легко интегрирован во внешнюю среду для создания собственных приложений.

Генератор кода

Генератор кода STATISTICA Автоматизированные Нейронные Сети может сгенерировать исходный системный программный код нейросетевых моделей на языках C, Java и PMML (Predictive Model Markup Language).

Генератор кода является дополнительным приложением к системе STATISTICA Автоматизированные Нейронные Сети, которое позволяет пользователям на основе проведенного нейросетевого анализа генерировать C или Java-файл с исходным кодом моделей и интегрировать его в независимые внешние приложения.

  • Генерирует версию исходного кода нейронной сети (в виде файла на языке C, C++, C# или Java).
  • C или Java-файл с кодом можно затем встроить во внешние программы.

искусственные нейронные сети программное обеспечение сети Кохонена

Источник: https://neuronus.com/news-tech/83-statistica-avtomatizirovannye-nejronnye-seti.html

Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных

За последние несколько лет интерес к нейронным сетям существенно возрос: они применяются в финансах, бизнесе, медицине, промышленности, технике, геологоразведке и других областях.

Нейронные сети используются везде, где требуется решать задачи прогнозирования, классификации или управления, поскольку они применимы практически в любой ситуации, когда имеется связь между переменными-предикторами (входными переменными) и прогнозируемыми переменными (выходными переменными), даже если эта связь имеет сложную природу и ее трудно выразить в обычных терминах корреляций или различий между группами.

Методы нейронных сетей могут использоваться независимо или служить прекрасным дополнением к традиционным методам анализа данных. Большинство статистических методов связано с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, в предположении, что искомая зависимость является линейной или переменные имеют нормальное распределение).

Обратите внимание

Нейросетевой подход свободен от модельных ограничений, он одинаково годится для линейных и сложных нелинейных зависимостей и особенно эффективен в разведочном анализе данных, когда необходимо выяснить, имеются ли вообще зависимости между переменными. Сила нейронных сетей заключается в их способности самообучаться. Процедура обучения состоит в настройке синаптических весов с целью минимизации функции потерь.

В данной книге для построения нейронных сетей используется пакет STATISTICA Neural Networks, имеющий удобный интерфейс и позволяющий проводить исследования в диалоговом режиме. Все диалоговые окна и подсказки, включая электронную справочную систему, полностью переведены на русский язык и доступны пользователям.

Нейронные сети STATISTICA это единственный в мире программный продукт для нейросетевых исследований, полностью переведенный ни русский язык (Нейронные сети. STATISTICA Neural Networks StatSoft).

Существенным преимуществом пакета STATISTICA Neural Networks является то, что он естественным образом встроен в мощный арсенал аналитических средств программы STATISTICA. Именно сочетание классических и нейросетевых методов дает нужный эффект.

Настоящая книга состоит из одиннадцати глав.

В первой главе мы описываем основные понятия анализа данных, во второй даем введение в теорию вероятностей.

Третья глава содержит теоретическое введение в нейронные сети. Заметим, теория вероятностей является основанием нейронных сетей. Эта глава необходима для углубленного понимания методов и принципов работы нейронных сетей. В ней мы описываем знаменитую формулу Байеса и правило оптимальной байесовской классификации.

Четвертая глава содержит общий обзор нейронных сетей, реализованных в STATISTICA Neural Networks, знакомит читателя с интерфейсом программы, опциями, помогает усвоить основные направления анализа.

В пятой главе читатель учится делать первые шаги в STATISTICA Neural Networks.

В шестой главе описываются дальнейшие возможности нейронных сетей.

Важно

Подробно рассматриваются сети на основе радиально базисных функции, описываются многослойные персептроны, самоорганизующиеся карты, вероятностные и обобщенно-вероятностные модели.

Рассказывается, как построить сеть с помощью Мастера решений, удобного средства проведения нейросетевого анализа для начинающих пользователей; дается представление о генетических алгоритмах понижения размерности.

В седьмой главе представлены практические советы по решению задач с помощью нейронных сетей.

В восьмой главе содержатся решения конкретных задач (case studies). Эта глава особенно интересна широкому кругу читателей, так как показывает технологию нейронных сетей в действии. Примеры охватывают широкий круг приложений: от геологии и промышленности до финансов; рассматриваются задачи классификации, распознавания образов, прогнозирования, управления производственными процессами.

В девятой главе читатель найдет краткое руководство по использованию нейросетевого пакета STATISTICA Neural Networks.

Десятая глава посвящена методам статистики, альтернативным нейронным сетям. Здесь описываются методы дискриминантного анализа, факторного анализа и логистической регрессии. Очевидно, пользователь должен иметь возможность сравнить методы и выбрать наиболее адекватные.

В одиннадцатой главе мы кратко описываем современные технологии добычи данных, в которых методы нейронных сетей сочетаются с классическими методами анализа.

Приведем типичные примеры применения нейронных сетей. В промышленности актуальной является задача управления производственными процессами (производственной установкой). Например, в газовой отрасли промышленности вы можете настроить нейронную сеть и автоматически изменять параметры, чтобы контролировать качество продукта на выходе.

Совет

Аналогичные задачи возникают при переработке нефти. Можно контролировать качество бензина на основе спектральных характеристик, измеряя спектр, относить произведенный продукт к определенному классу.

Так как зависимости носят нелинейный характер, то нейронные сети являются подходящим инструментом для проведения классификации.

В финансовой сфере актуальной задачей является потребительское кредитование. За последние годы потребительское кредитование интенсивно развивалось и стало одним из наиболее растущих секторов банковского бизнеса.

Число финансовых учреждений, предоставляющих товары и услуги в кредит, растет день за днем.

Риск этих учреждений зависит от того, насколько хорошо они могут отличать «хороших» претендентов на получение кредита от «плохих».

Анализируя кредитную историю заемщика, можно предсказать способ его действий и принять решение о выдаче займа или отказе в кредите.

Интересной задачей является различение электронной подписи, распознавания голоса, разнообразные задачи, связанные с геологоразведкой. Для решения этих задач могут применяться нейронные сети.

Читайте также:  Leap motion представили систему, способную распознавать жесты

Далее мы представим цепочку диалоговых окон в пакете Нейронные сети STATISTICA и покажем, как организован диалог с пользователем системы.

Обратите внимание

Обратим внимание на удобный интерфейс и наличие инструментов Мастера решений и Конструктора сетей, позволяющих пользователям конструировать собственные сети и выбирать наилучшие.

Источник: http://www.statosphere.ru/mgrafdiag/81-neuro1.html

Айдеко / КОМПЛЕКТ «ИНТЕРНЕТ-ШЛЮЗ IDECO ICS + КОНТЕНТ-ФИЛЬТР SKYDNS» ДЛЯ ШКОЛ

Контент-фильтр SkyDNS.Школа является двухуровневой системой фильтрации, специально созданной для использования в российских учебных заведениях и полностью соответствующей всем требованиям российских законов и правил Министерства образования РФ.

Школьный фильтр SkyDNS получил высшую награду Gold Parental Control лаборатории AntiMalware.ru. Сервис продемонстрировал результаты, сравнимые с показателями лидера – разработками Лаборатории Касперского.

ПРЕИМУЩЕСТВА КОМПЛЕКТА

Контент-фильтр SkyDNS

Разработан с учетом требований российских законов и методик фильтрации, рекомендованных Министерством образования РФ.

Возможность блокировки
по более чем 50 категориям сайтов (в том числе по спискам экстремистских материалов Министерства юстиции РФ), с возможностью ведения собственных списков фильтрации. 

Безопасная поисковая система
poisk.skydns.ru с фильтрацией всего запрещенного контента, как на уровне запросов, так и выдаваемых результатов.

Выгодная цена
Cтоимость комплекта существенно ниже, чем стоимость Ideco ICS Enterprise Edition и SkyDNS.Школа по отдельности.

Подробная статистика
по посещаемым веб-ресурсам.

Встроенные средства антивирусной защиты –
средства антивирусной проверки трафика в режиме реального времени антивирусом ClamAV гарантируют высокую эффективность обнаружения и блокирования вредоносного ПО. Возможно подключение дополнительных средств защиты от Лаборатории Касперского.

Целый комплекс инструментов
для защиты локальной сети и пользователей.

Защита
персональных данных (ФСТЭК версия Ideco ICS).

Возможность
поставки в виде аппаратного решения.

УСЛОВИЯ ПОСТАВКИ

  • Клиенту выдается дополнительно лицензия на контент-фильтр SkyDNS (тариф Школа) с указанием кода регистрации на сайте skydns.ru для включения годовой лицензии.
  • Клиенту выдается документ с инструкцией и требованиями по настройке фильтра и необходимым организационным мерам для успешного прохождения проверок надзорных органов.
  • В стоимость включена техническая поддержка и обновлений для Ideco ICS Enterprise Edition и SkyDNS.Школа на один календарный год.
  • Право приобретения комплекта распространяется для всех учебных заведений России и стран СНГ системы среднего и профессионального образования:
    • школ;
    • гимназий;
    • лицеев;
    • колледжей;
    • техникумов;
    • библиотек;
    • училищ.
  • При централизованной закупке от 10 комплектов предоставляются дополнительные скидки.

Источник: https://neosoft.pro/catalog/production?vendor=statsoft-russia&product=statistica-automated-neural-networks-avtomatizirovannye-nejronnye-seti

Обзор использования пакета STATISTICA Neural Networks

Поиск Лекций

В пакете STATISTICA задача непрерывного прогнозирования представляется как задача регрессии. В контексте этой задачи нейронная сеть рассматривается как нелинейная функция, сложность которой контролируется “полупараметрически” – число элементов в сети влияет на сложность решения, но, конечно, аналитик не может видеть явный вид регрессионной функции.

Требуется построить нейронную сеть, вычисляющую выброс свинца в атмосферу в зависимости от количества и вида проезжающего транспорта. Данные хранятся в файле Свинец.xls.

Откройте файл Свинец.xls в пакете Statistica. Появится окно «Открытие файла».

Необходимо выбрать опцию «Импортировать выбранный лист» и выбрать название листа с данными:

В следующем окне необходимо указать реальные параметры данных, которые, как правило, определяются и отображаются автоматически (кроме трех последних чекбоксов).

После этого импортированные данные отобразятся в окне.

Запустите пакет анализа при помощи нейронных сетей. Для этого выберите в меню «Анализ» пункт «Нейронные сети».

после чего появится окно пакета STATISTICA Neural Networks:

Перейдите на вкладку «Быстрый», где необходимо задать тип задачи- Регрессия, и инструмент- Конструктор сетей.

Далее, нажав кнопку «ОК», вы перейдете в режим выбора выходных (зависимых) и входных (независимых) переменных. В качестве первой выбираем «Свинец», а в качестве последних – количество автомобилей всех категорий. Столбцы «№» и «Улицы» остаются неиспользуемыми.

Важно

Нажав «Ок» вы снова вернетесь на вкладку «Быстрый». Затем, снова нажав кнопку «Ок», вы переместитесь в окно формирования нейросети. На вкладке «Быстрый» необходимо выбрать тип сети- многослойный персептрон,

а на вкладке «Элементы» можно указать необходимое количество слоев, количество нейронов в каждом, а также вид функции активации:

Далее, нажав кнопку «Ок», вы переместитесь к диалогу обучения:

Здесь, нажав на кнопку «Выборки», можно задать количество обучающих, контрольных и тестовых примеров. Если задать число тестовых и контрольных примеров равными нулю, то сеть будет обучаться по всем примерам:

Вернувшись в главное окно обучения, можно, нажав на кнопку «Пользователя» и перейдя к вкладке «Интерактивный», потребовать, что бы процесс обучения отражался в виде графика:

Наконец, нажав на кнопку «Ок», вы запустите процесс обучения, результат которого отобразится на графике:

Нажав на кнопку «Ок», вы перейдете к окну результатов, где можете изучать различные характеристики созданной сети, перемещаясь по вкладкам окна:

Так, например, на вкладке «Дополнительно» существует кнопка «Архитектура сети», нажав на которую можно увидеть топологию построенной сети:

а также кнопка «Наблюдения пользователя», где можно задать сети новые исходные данные и получить ответ уже обученной сети:

легковые авто грузовые авто автобусы легковые авто дизель грузовые авто дизель тракторы автобусы дизель уровень свинца
128793,3

Задание на работу:

Спроектировать, обучить и сохранить нейронную сеть для расчета среднего дохода на одно домохозяйство в районах Республики Татарстан в зависимости от: Процента домохозяйств с дефицитом, Среднего дефицита, Среднего префицита, Мат. ожидания распределения и Дисперсии распределения.

Исходные данные содержаться в файле Lab-1.xls.

Рекомендуемые страницы:

Источник: https://poisk-ru.ru/s23540t8.html

Нейронные сети и ..

Аннотация: Нейронные сети и статистика. Нейронные сети и нечеткая логика. Нейронные сети и экспертные системы. Нейронные сети и статистическая физика.

Нейрокомпьютинг имеет многочисленные точки соприкосновения с другими дисциплинами и их методами. В частности, теория нейронных сетей использует аппарат статистической механики и теории оптимизации.

Области приложения нейрокомпьютинга подчас сильно пересекаются или почти совпадают со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейрокомпьютинга чрезвычайно многообразны и свидетельствуют о его универсальности.

Совет

В данной лекции, которую можно рассматривать как дополнительную, так как она требует несколько большей математической подготовки, мы поговорим только о наиболее важных из них.

Поскольку в настоящее время нейронные сети с успехом используются для анализа данных, уместно сопоставить их со старыми хорошо разработанными статистическими методами.

В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются ни чем иным, как неэффективными регрессионными и дискриминантными моделями. Мы уже отмечали прежде, что многослойные нейронные сети действительно могут решать задачи типа регрессии и классификации.

Однако, во-первых, обработка данных нейронными сетями носит значительно более многообразный характер – вспомним, например, активную классификацию сетями Хопфилда или карты признаков Кохонена, не имеющие статистических аналогов.

Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами. Рассмотрим подробнее результаты сравнения методов нейросетей и математической статистики.

Как уже отмечалось, некоторые статистики утверждают, что нейросетевые подходы к обработке данных являются просто заново переоткрытыми и переформулированными, но хорошо известными статистическими методами анализа. Иными словами, нейрокомпьютинг просто пользуется новым языком для описания старого знания. В качестве примера приведем цитату из Уоррена Сэрла:

Подобная точка зрения, на первый взгляд, может показаться обоснованной. Формализм нейронных сетей действительно способен претендовать на роль универсального языка. Не случайно уже в пионерской работе МакКаллока и Питтса было показано, что нейросетевое описание эквивалентно описанию логики высказываний.

Не удивительно поэтому, что статистики часто обнаруживают, что привычные им понятия имеют свои аналоги в теории нейронных сетей. Уоррен Сэрл составил небольшой словарик терминов, использующихся в этих двух областях.

Таблица 11.1. Словарь аналогичных терминов

Нейронные сетиСтатистические методы.
Признаки переменные
входы независимые переменные
выходы предсказанные значения
целевые значения зависимые переменные
ошибка невязка
обучение, адаптация, самоорганизация оценка
функция ошибки, функция Ляпунова критерий оценки
обучающие образы (пары) наблюдения
параметры сети: веса, пороги. Оценочные параметры
нейроны высокого порядка взаимодействия
функциональные связи трансформации
обучение с учителем или гетероассоциация регрессия и дискриминантный анализ
обучение без учителя или автоассоциация сжатие данных
соревновательное обучение, адаптивная векторная квантизация кластерный анализ
обобщение интерполяция и экстраполяция

В чем же заключается сходство и различие языков нейрокомпьютинга и статистики в анализе данных. Рассмотрим простейший пример.

Предположим, что мы провели наблюдения и экспериментально измерили N пар точек, представляющих функциональную зависимость.

Если попытаться провести через эти точки наилучшую прямую, что на языке статистики будет означать использование для описания неизвестной зависимости линейной модели, (гдеобозначает шум при проведении наблюдения), то решение соответствующей проблемы линейной регрессии сведется к нахождению оценочных значений параметров,минимизирующих сумму квадратичных невязок.

Обратите внимание

Если параметрыинайдены, то можно оценить значение y для любого значения x, то есть осуществить интерполяцию и экстраполяцию данных.

Читайте также:  Тестирование искусственного интеллекта microsoft тау с треском провалилось

Та же самая задача может быть решена с использованием однослойной сети с единственным входным и единственным линейным выходным нейроном.

Вес связи a и порог b могут быть получены путем минимизации той же величины невязки (которая в данном случае будет называться среднеквадратичной ошибкой) в ходе обучения сети, например методом backpropagation.

Свойство нейронной сети к обобщению будет при этом использоваться для предсказания выходной величины по значению входа.

Рис. 11.1. Линейная регрессия и реализующий ее однослойный персептрон

При сравнении этих двух подходов сразу бросается в глаза то, что при описании своих методов статистика апеллирует к формулам и уравнениям, а нейрокомпьютинг к графическому описанию нейронных архитектур.

Если вспомнить, что с формулами и уравнениями оперирует левое полушарие, а с графическими образами правое, то можно понять, что в сопоставлении со статистикой вновь проявляется “правополушарность” нейросетевого подхода.

Еще одним существенным различием является то, что для методов статистики не имеет значения, каким образом будет минимизироваться невязка – в любом случае модель остается той же самой, в то время как для нейрокомпьютинга главную роль играет именно метод обучения. Иными словами, в отличие от нейросетевого подхода, оценка параметров модели для статистических методов не зависит от метода минимизации. В то же время статистики будут рассматривать изменения вида невязки, скажем на

как фундаментальное изменение модели.

В отличие от нейросетевого подхода, в котором основное время забирает обучение сетей, при статистическом подходе это время тратится на тщательный анализ задачи.

При этом опыт статистиков используется для выбора модели на основе анализа данных и информации, специфичной для данной области.

Важно

Использование нейронных сетей – этих универсальных аппроксиматоров – обычно проводится без использования априорных знаний, хотя в ряде случаев оно весьма полезно.

Например, для рассматриваемой линейной модели использование именно среднеквадратичной ошибки ведет к получению оптимальной оценки ее параметров, когда величина шума имеет нормальное распределение с одинаковой дисперсией для всех обучающих пар. В то же время если известно, что эти дисперсии различны, то использование взвешенной функции ошибки

может дать значительно лучшие значения параметров.

Помимо рассмотренной простейшей модели можно привести примеры других в некотором смысле эквивалентных моделей статистики и нейросетевых парадигм

Таблица 11.2. Аналогичные методики

Нейронные сетиСтатистические методы
Многослойный персептрон Нелинейная (в т.ч. логистическая) регрессия, Дискриминантные модели
Автоассоциативный персептрон Анализ главных компонент
Векторная квантизация Кластеризация с k-средними
Сети нейронов высоких порядков Полиномиальная регрессия

Сеть Хопфилда имеет очевидную связь с кластеризацией данных и их факторным анализом.Факторный анализ используется для изучения структуры данных. Основной его посылкой является предположение о существовании таких признаков – факторов, которые невозможно наблюдать непосредственно, но можно оценить по нескольким наблюдаемым первичным признакам. Так, например, такие признаки, как объем производства и стоимость основных фондов, могут определять такой фактор, как масштаб производства. В отличие от нейронных сетей, требующих обучения, факторный анализ может работать лишь с определенным числом наблюдений. Хотя в принципе число таких наблюдений должно лишь на единицу превосходить число переменных рекомендуется использовать хотя бы втрое большее число значение. Это все равно считается меньшим, чем объем обучающей выборки для нейронной сети. Поэтому статистики указывают на преимущество факторного анализа, заключающееся в использовании меньшего числа данных и, следовательно, приводящего к более быстрой генерации модели. Кроме того, это означает, что реализация методов факторного анализа требует менее мощных вычислительных средств. Другим преимуществом факторного анализа считается то, что он является методом типа white-box, т.е. полностью открыт и понятен – пользователь может легко осознавать, почему модель дает тот или иной результат. Связь факторного анализа с моделью Хопфилда можно увидеть, вспомнив векторы минимального базиса для набора наблюдений (образов памяти – см. Лекцию 5). Именно эти векторы являются аналогами факторов, объединяющих различные компоненты векторов памяти – первичные признаки.

Источник: http://www.intuit.ru/studies/courses/2255/139/lecture/20577

Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных

Под редакцией В.П. Боровикова

2-е изд., перераб. и доп.

2008 г.

392 стр.

Тираж 1000 экз.

Формат 70×100/16 (170×240 мм)

Исполнение: в мягкой обложке

ISBN 978-5-9912-0015-8

ББК 32.973

УДК 004.8.032.26

АннотацияИзложены нейросетевые методы анализа данных, основанные на использовании пакета STATISTICA Neural Networks (фирма производитель StatSoft), полностью адаптированного для русского пользователя. Даны основы теории нейронных сетей; большое внимание уделено решению практических задач, всесторонне рассмотрена методология и технология проведения исследований с помощью пакета STATISTICA Neural Networks – мощного инструмента анализа и прогнозирования данных, имеющего широкие применения в бизнесе, промышленности, управлении, финансах. Книга содержит множество примеров анализа данных, практические рекомендации по проведению анализа, прогнозирования, классификации, распознавания образов, управления производственными процессами с помощью нейронных сетей. Для широкого круга читателей, занимающихся исследованиями в банковской сфере, промышленности, экономике, бизнесе, геологоразведке, управлении, транспорте и других областях.
ОглавлениеОглавление Предисловие ко второму изданию Введение. Приглашение в нейронные сети Глава 1. ОСНОВНЫЕ ПОНЯТИЯ АНАЛИЗА ДАННЫХ Глава 2. ВВЕДЕНИЕ В ТЕОРИЮ ВЕРОЯТНОСТЕЙ Глава 3. ВВЕДЕНИЕ В ТЕОРИЮ НЕЙРОННЫХ СЕТЕЙ Глава 4. ОБЩИЙ ОБЗОР НЕЙРОННЫХ СЕТЕЙ Параллели из биологии Базовая искусственная модель Применение нейронных сетей Пре- и постпроцессирование Многослойный персептрон Радиальная базисная функция Вероятностная нейронная сеть Обобщенно-регрессионная нейронная сеть Линейная сеть Сеть Кохонена Задачи классификации Задачи регрессии Прогнозирование временных рядов Отбор переменных и понижение размерности Глава 5. ПЕРВЫЕ ШАГИ В STATISTICA NEURAL NETWORKS Начинаем работу Создание набора данных Создание новой сети Создание набора данных и сети Обучение сети Запуск нейронной сети Проведение классификации Глава 6. ДАЛЬНЕЙШИЕ ВОЗМОЖНОСТИ НЕЙРОННЫХ СЕТЕЙ Классический пример: Ирисы Фишера Обучение с кросс-проверкой Условия остановки Решение задач регрессии Радиальные базисные функции Линейные модели Сети Кохонена Вероятностные и обощенно-регрессионные сети Конструктор сетей Генетический алгоритм отбора входных данных Временные ряды Глава 7. ПРАКТИЧЕСКИЕ СОВЕТЫ ПО РЕШЕНИЮ ЗАДАЧ Представление данных Выделение полезных входных переменных. Понижение размерности Выбор архитектуры сети Пользовательские архитектуры сетей Временные ряды Глава 8. ПРИМЕРЫ ПРИМЕНЕНИЯ (CASE STUDIES) Пример 1. Понижение размернотси в геологическом исследование Пример 2. Распознование образов Пример 3. Нелинейная классификация двумерных множеств Пример 4. Сегментация различных образцов топлива по данным лабораторного исследования Пример 5. Построение модели поведенческого скоринга Пример 6. Аппроксимация функций Пример 7. Прогнозирование продаж нефти Пример 8. Мониторинг и предсказание температурного режима на установке Пример 9. Определение достоверности цифровой подписи Глава 9. КРАТКОЕ РУКОВОДСТВО Данные Сети Обучение сетей Другие типы сетей Работа с сетью Пересылка результатов в систему STATISTICA Глава 10. КЛАССИЧЕСКИЕ МЕТОДЫ, АЛЬТЕРНАТИВНЫЕ НЕЙРОННЫМ СЕТЯМ Классический дискриминаннтный анализ в STATISTICA Классификация Логит-регрессия Факторный анализ в STATISTICA Глава 11. ДОБЫЧА ДАННЫХ В STATISTICA Приложение 1. Генератор кода Приложение 2. Интеграция STATISTICA с ERP-системами Список литературы

Предметный указатель

Источник: http://www.techbook.ru/book.php?id_book=22

Книги по системе STATISTICA и статистическим методам анализа данных

Эти книги можно приобрести в офисе StatSoft.

Популярное введение в современный анализ данных в системе STATISTICA

В.П. Боровиков

Объем: 288 стр.

Цена: 500 руб.

Отправить заявку можно по адресу<\p>

В уникальной книге научного директора StatSoft Владимира Боровикова собрано все лучшее, что известно в области анализа данных.

На простых, ясных примерах из бизнеса, маркетинга, медицины описаны современные методы анализа данных – визуальный анализ и графическое представление данных, описательные статистики, методы классификации и прогнозирования.

Книга является образовательным стандартом в области анализа данных в ведущих вузах России: НИУ МИЭМ ВШЭ, МГУ, Кубанский государственный университет и др.

Большое внимание уделяется систематике анализа данных, начиная от описательного анализа, чистки и верификации данных, визуального представления, группировки и методов классификации до новейших технологий нейронных сетей и data mining, позволяющих найти закономерности в ваших данных. Подробнее

Теория вероятностей, математическая статистика и анализ данных: Основы теории и практика на компьютере. STATISTICA. EXCEL. Более 150 примеров решения задач

Халафян А.А., Боровиков В.П., Калайдина Г.В.

Объем: 320 стр.

Читайте также:  Умный робот для реабилитации после травм

Цена: 600 руб.

Отправить заявку можно по адресу<\p>

Современный уровень развития компьютерных технологий позволяет изучение теории вероятностей и математической статистики вывести на новый образовательный уровень, сделав упор на прикладную часть дисциплины – математическую статистику и компьютерный анализ данных.

В учебном пособии изложены элементы комбинаторики, различные способы вычисления вероятностей, даны понятия случайной величины, ее функциональные и числовые характеристики. Теоретический материал сопровождается примерами и специально подобранными задачами, позволяющими глубже изучить материал.

В отдельной главе описано использование Excel и STATISTICA для решения прикладных задач. Excel входит в состав Microsoft Office и на сегодняшний день является одним из наиболее популярных приложений в мире.

Совет

STATISTICA занимает лидирующее положение среди программ анализа данных, имеет более миллиона пользователей по всему миру.

Программа полностью русифицирована, создан Интеллектуальный портал знаний, который представляет глобальный мультимедийный ресурс для широкого круга пользователей: школьников, студентов, аспирантов – всех желающих развить свой интеллект, познакомиться с современными технологиями компьютерного анализа данных.

Учебное пособие адресовано широкому кругу учащихся и преподавателей, студентам, бакалаврам гуманитарных и естественно-научных специальностей нематематического направления, изучающих высшую математику.

Нейронные сети STATISTICA Neural Networks: Методология и технология современного анализа данных

Под ред. В.П. Боровикова

Объем: 392 стр.

Отправить заявку можно по адресу<\p>

В книге изложены нейросетевые методы анализа данных, основанные на использовании пакета STATISTICA Neural Networks, полностью адаптированного для русского пользователя.

Даны основы теории нейронных сетей; большое внимание уделено решению практических задач, всесторонне рассмотрена методология и технология проведения исследований с помощью пакета STATISTICA Neural Networks – мощного инструмента анализа данных, построения зависимостей, прогнозирования, классификации.

В настоящее время нейронные сети интенсивно используются в банках, промышленности, маркетинге, экономике, медицине и других областях, где требуется прогнозирование и углубленное понимание данных. Общепризнанно, что нейронные сети являются естественным дополнением классических методов анализа и применяются там, где стандартные процедуры не дают нужного эффекта.

Книга содержит множество примеров анализа данных, практические рекомендации по проведению анализа, прогнозирования, классификации, распознавания образов, управления производственными процессами с помощью нейронных сетей.

Книга будет полезна для широкого круга читателей, занимающегося исследованиями в банковской сфере, промышленности, бизнесе, геологоразведке, управлении, транспорте и других областях.

STATISTICA: искусство анализа данных на компьютере (2-ое издание)

+ Мультимедийный Учебник StatSoft  

В. П. Боровиков

Объем: 700 стр. 

В настоящее время книга отсутствует в продаже. В ближайшее время планируется новое издание книги.

 Ваши заявки, пожалуйста, направляйте по адресу:<\p>

Книга является самым фундаментальным текстом по современному анализу данных и включает около 700 страниц описания методов и процедур анализа данных.

Второе издание книги дополнено новыми материалами, не включенными в предыдущую версию книги, в частности: описан анализ мощности, оценка объема выборки, частные корреляции, анализ главных компонент, дана новая интерпретация нейронных сетей и многое другое.

Обратите внимание

К книге прилагается компакт-диск, на котором Вы найдете демо-версии программных продуктов StatSoft, примеры анализа данных, знаменитый электронный учебник StatSoft, учебник по промышленной статистике, материалы обучающих курсов, а также огромное количество данных для обучения и проведения самостоятельных исследований.

Главную особенность второго издания представляет новая глава о языке STATISTICA Visual Basic (SVB), расширяющем возможности системы STATISTICA и позволяющем пользователям создавать собственные приложения.

В книге на примере реальных данных подробно описаны основные понятия анализа данных в системе STATISTICA: дескриптивный и визуальный анализ, анализ таблиц сопряженности, построение зависимостей, множественная регрессия, анализ выживаемости, непараметрические методы, анализ соответствий, нейронные сети, классификация и прогнозирование с помощью нейронных сетей, контроль качества, планирование экспериментов, включая самые разнообразные планы и многое другое.

Особенность книги состоит в том, что Вы не только видите результаты анализа, но и можете повторить их вслед за нами на системе STATISTICA, таким образом, используя новейшие компьютерные технологии анализа данных от StatSoft, Вы учитесь шаг за шагом анализировать и понимать данные.

Данное фундаментальное издание рассчитано на самый широкий круг читателей и пользователей системы STATISTICA, желающих стать профессионалами в анализе данных в различных областях: бизнесе, маркетинге, финансах, управлении, экономике, промышленности, страховании, медицине и других приложениях.

Прогнозирование в системе STATISTICA в среде WINDOWS

В.П. Боровиков, Г.И. Ивченко

Объем: 368 стр.

В настоящее время книга отсутствует в продаже.

Секреты прогнозирования из первых рук.

Особенностью книги является сочетание двух взаимосвязанных и взаимодополняющих друг друга частей: практической, в которой подробно, с переводом основных опций и диалоговых окон, описано прогнозирование в современной версии системы STATISTICA, и теоретической, в которой изложены основные идеи, методы и результаты теории стохастического прогнозирования.

По мнению авторов, синтез теории и практики должен привести к тому, что читатель не только механически осваивает методы и приемы прогнозирования, а получает связанное представление о них: от знакомства с математическими основами до приобретения практических навыков в системе STATISTICA.

В основе книги лежит курс, читаемый авторами в Московском государственном институте электроники и математики (МГИЭМ – Технический Университет). Приложение содержит исчерпывающий англо-русский словарь основных терминов по прогнозированию.

Книга ориентирована на научных работников, аналитиков и специалистов, использующих методы прогнозирования в повседневной деятельности, а также может быть использована преподавателями высших учебных заведений при чтении курсов по прогнозированию и математической статистике.

Геостатистика. Теория и практика

В.В. Демьянов, Е.А. Савельева

Объем: 327 стр.

В настоящее время книга отсутствует в продаже.

Эта книга ответит на вопросы: – что такое геостатистика? – какие существуют методы пространственной интерполяции? – что такое кригинг? – чем полезна вариограмма? – зачем нужно стохастическое моделирование?

и многие другие

В монографии подробно изложены методы геостатистики и смежных разделов пространственного моделирования.

Изложение теории сопровождается примерами использования моделей в различных областях: экологии, геологии, гидрогеологии, нефтедобыче, энергетике, оценке рыбных запасов и т. п.

Важно

В заключительном разделе очерчены основные направления развития современной геостатистической теории. Издание может быть использовано в качестве учебного пособия.

Материал книги излагается с постепенным усложнением. Для закрепления полученных знаний имеются вопросы и упражнения. В книгу включены приложения, позволяющие использовать её как справочник по геостатистике.

Академия Анализа Данных StatSoft также предлагает широкий выбор курсов по современным методам и технологиям анализа данных в области геоаналитики.

Промышленная статистика. Контроль качества, анализ процессов, планирование экспериментов в пакете STATISTICA

Халафян А.А.

Объем: 384 стр.

В настоящее время книга отсутствует в продаже.

Настоящее издание посвящено описанию статистических методов, которые позволяют при ограниченных объемах анализируемых изделий с заданной степенью точности и достоверности судить о состоянии качества выпускаемой продукции. Статистический анализ качества продукции обеспечивает принятие верных управленческих решений не на основе интуиции, а при помощи научных методов выявления закономерностей в накапливаемых массивах числовой информации.

В учебнике рассмотрены такие разделы промышленной статистики, как: карты контроля качества; анализ процессов; шесть сигма; планирование экспериментов в среде широко известного во всем мире пакета STATISTICA. Дано подробное описание технологии работы с модулями программы.

Издание адресовано студентам направлений “Экономика”, “Управление качеством”, “Стандартизация и метрология”, “Метрология, стандартизация и сертификация”, аспирантам, научным работникам, преподавателям вузов, аналитикам и управленцам, а также всем, кто интересуется статистическими методами в управлении качеством.

  Петрунин Ю.Ю.

Как выиграть мировой чемпионат. Методы математической статистики в управлении национальным футболом

Петрунин Ю.Ю., Рязанов М.А.

Объем: 56 стр.

В настоящее время книга отсутствует в продаже.

Современные методы статистики и анализа данных привели к созданию новых научных дисциплин – футболономики и футболометрии.

Используя разработанный в них аппарат, можно оценить качество работы государственных (Министерство спорта) и некоммерческих организаций (футбольных ассоциаций и союзов), разработать и применить методы регулирующих воздействий, способных поднять уровень национального футбола и его престиж на мировой арене.

Эта книга авторов Петрунина Ю.Ю и Рязанова М.А. написана для всех, кто интересуется футболом и стремится понять, как можно эффективно управлять им.

STATISTICA – Краткое руководство пользователя

Объем: 250 стр.

В настоящее время книга отсутствует в продаже.

В книге изложены основные принципы работы с системой, рассматриваются панели инструментов, пользовательский интерфейс, файлы данных, практические примеры использования пакета.

Отдельная глава посвящена настройке системы.

Также книга содержит исчерпывающий справочник, который представляет собой краткие сведения о наиболее часто используемых соглашениях, функциях и возможностях системы STATISTICA, и предметный указатель.

Источник: http://statistica.ru/books/

Ссылка на основную публикацию
Adblock
detector