1 Przegląd zastosowań

2 Możliwości zastosowań sieci: opis zależności regresyjnychY=NN(X1, X2, ..., XN) Y - zmienna ciągła Xi - zmienne ciągłe lub dyskretne powierzchnia, garaż, wiek, ogrzewanie, położenie, piętro, .... Cena rynkowa Przykład: Wycena mieszkań

3 Wynik uczenia sieci modelowania liniowego zjawiska fizycznegoSieci neuronowe przy budowie tego typu modeli radzą sobie bardzo dobrze, jednak nie mają tu zasadniczej przewagi nad innymi technikami modelowania (na przykład nad analizą regresyjną), gdyż modele liniowe jest stosunkowo łatwo zdefiniować i stosunkowo łatwo jest dobrać dla nich optymalne parametry.

4 Wynik uczenia sieci modelowania znanego nieliniowego zjawiska fizycznegoW przypadku modeli nieliniowych możliwe są dwie sytuacje. Pierwsza polega na tym, że na podstawie posiadanej teorii znamy oczekiwaną formę nieliniowej zależności, a problem polega jedynie na optymalnym dobraniu parametrów nieliniowego równania. W takim przypadku sieci neuronowe także są przydatne, ale nie są jedynym dobrym rozwiązaniem, bo regresja też sobie radzi

5 Wynik uczenia sieci modelowania nieznanego nieliniowego zjawiska fizycznegoJeśli charakter odtwarzanego w modelu zjawiska nie jest znany, wówczas metody regresyjne przegrywają z sieciami neuronowymi, ponieważ tylko sieci neuronowe mogą zbudować model nieznanej nieliniowej zależności nie odwołując się w żaden sposób do założeń na temat charakteru tworzonej nieliniowej zależności.

6 Ogólnie sieć neuronowa może pracować jako wielowymiarowe odwzorowanie

7 Sieć jest tak budowana i tak trenowana, żeby tworzyła model opisywanego procesu

8 Przy modelowaniu dowolnego systemu za pomocą sieci używa się metodologii „czarnej skrzynki”

9 Rzeczywiste dane, które muszą być aproksymowane z pomocą sieci są zwykle wielowymiarowe.

10 Sieć neuronowa może dać model lepszy niż metody statystyczneModel statystyczny Sieć neuronowa

11 Sieć neuronowa buduje model poprzez tworzenie w poszczególnych neuronach kombinacji liniowych ich sygnałów wejściowych oraz nakładanie na to nieliniowych funkcji aktywacji neuronów

12 Działanie sieci MLP o większej liczbie warstw oraz sieci RBF jako modeli bardziej złożonych procesów

13 W strukturze sieciowego modelu czasami odwzorowuje się elementy struktury modelowanego obiektu – jeśli są znane

14 Przykładowy model zbudowany za pomocą sieci neuronowej

15 Działanie modelu regresyjnego wytworzonego za pomocą sieci

16 Możliwości zastosowań sieci: klasyfikacja wzorcowa? Y=NN(X1, X2, ..., XN) Y - zmienna dyskretna Xi - zmienne ciągłe lub dyskretne ? dochody, zabezpieczenie, wiek, stan cywilny, oszczędności, zatrudnienie .... przyznać czy nie przyznać ? Przykład: Udzielanie kredytu

17 Warto zwrócić uwagę na sposób zapisu struktury sieci...Sieć klasyfikująca ...oraz na sposób oznaczania wyjścia z jedną zmienną nominalną o czterech możliwych wartościach Warto zwrócić uwagę na sposób zapisu struktury sieci... 15 wejść

18 Przykład klasyfikacji binarnej

19 Istota procesu uczenia sieci przy klasyfikacji binarnej (dychotomii) polega na tym, żeby rozgraniczyć w przestrzeni sygnałów odpowiednie obszary

20 Przykład klasyfikacji wieloklasowej

21 Możliwości zastosowań sieci: prognozowanie szeregów czasowychYt+1=NN(Yt, Yt-1,..., Yt-k, Xt, ..., Xt-1) $/Zł(t) $/Zł(t-1) £/Zł(t) WIG(t) WIG(t-1) .... $/Zł (t+1) Przykład: Prognoza kursu waluty

22 Przykładowa struktura sieci przewidującej przyszłe wartości wskaźnika WIGY(t) Y(t-1) Y(t-2) ... Y(t-k) Y(t+1)

23 Dane używane do uczenia sieciProces prognozowania polega na tym, że na podstawie znajomości wartości szeregu czasowego w przeszłości usiłujemy przewidzieć jego wartości w przyszłości Dane używane do uczenia sieci Dane prognozowane Dane wejściowe do prognozy

24 Budując model prognostyczny bierzemy zwykle pod uwagę wiele dodatkowych czynników, a nie tylko same wartości prognozowanego szeregu czasowego z przeszłości

25 Wynik jednej z prób prognozowania notowań giełdowych za pomocą sieci neuronowej

26 Rzeczywisty przebieg prognozowanego zjawiska może być różny przy tym samym punkcie startowymkwantyl 0,75 Różne rzeczywiste przebiegi kwantyl 0,25 Dlatego dokładność prognozy zmniejsza się w miarę oddalania od punktu startowego

27 Przykład efektownego zastosowania modelu neuronowego: prognoza zapotrzebowania na energię elektryczną Nie wszystko trzeba prognozować za pomocą sieci, bo pewne zmiany zapotrzebowania są oczywiste lato Rzeczywiste zapotrzebowanie na energię zima

28 Zapotrzebowanie to zmienia się periodycznie w cyklu dobowym i w cyklu tygodniowymWartości funkcji autokorelacji wykazują maksima co 24 godziny oraz co 168 godzin (co tydzień) Autokorelacja Kolejne dni Cały wykres opada, bo im dalszy moment czasu tym słabsza korelacja tydzień

29 Każdy z dni tygodnia ma swój charakterystyczny przebieg zapotrzebowania na energięDni powszednie Sobota Niedziela

30 Do prognozy opartej na tych faktach nie potrzeba szczególnie wyrafinowanych narzędzi neuronowych – wystarczy zwykły model korelacyjny.

31 Również proste związki przyczynowe dają się łatwo prześledzićRównież proste związki przyczynowe dają się łatwo prześledzić. Na przykład wpływ temperatury. Temperatura Zużycie energii

32 Neuronowa prognoza jest potrzebna, żeby wyeliminować błąd, jaki pozostaje po uwzględnieniu wpływu wszystkich łatwych do przewidzenia czynników. Przebieg prognozowanej wartości składa się z przewidywalnej linii trendu i nieprzewidywalnych fluktuacji Sieci neuronowe warto użyć do tego Fluktuacje po odjęciu linii trendu

33 Prognozowanie notowań giełdowych

34 Wyniki uzyskiwane przy wykorzystaniu strategii „gry” giełdowej z wykorzystaniem prognoz uzyskiwanych z pomocą sieci neuronowej

35 Inny przykład: przewidywanie liczby wstrząsów tektonicznych (dane dla Polski)Używano dwóch różnych sieci neuronowych – dla większej i mniejszej aktywności

36 Możliwości zastosowań sieci: klasyfikacja bezwzorcowaBadanie struktury zbioru obiektów Dane charakte- ryzujące obiekty (kraje Europy)

37 Wynik automatycznego grupowania danychStruktura wzajemnego podobieństwa krajów Unii Europejskiej

38 Można rozważać zastosowania sieci neuronowych w specyficznych dziedzinach na przykład w automatyce

39

40

41

42

43