2.4 Рынок нейропакетов
Несмотря на значительное число специализированных аппаратных разработок нейросетей, основное применение в настоящее время получили программные реализации разных нейросетевых парадигм, которые носят название нейропакетов (нейроэмуляторов).
На сегодня существует несколько десятков фирм-производителей нейропакетов, а предлагаемый ими ассортимент составляет несколько сотен наименований. Универсальность того или другого нейропакета является сугубо субъективным фактором, потому что один и тот же нейропакет может быть и универсальным и специализированным, в зависимости от того, для решения какого круга прикладных задач он предназначен. Полностью универсальных нейропакетов не существует, поскольку невозможно заранее предусмотреть все нейронные структуры, которые могут понадобиться для решения тех или других прикладных задач.
Наиболее известные и распространенные:
1 Neurosolutіons – фирмы Neurodіmensіon, Іnc.;
2 Statіstіca с модулем Neural Networks – фирмы Statsoft.;
3 Deductor – фирмы Basegroup;
4 Neuroshell2 – фирмы Ward Systems Group;
5 Braіnmaker Pro – фирмы Calіfornіa Scіentіfіc Software.
Кроме универсальности нейропакет должен быть простым в использовании, иметь интуитивно понятный интерфейс и обеспечивать наглядность представления информации.
Таблица 2.1 Сравнительная характеристика нейропакетов
Критерии сравнения | Нейропакеты | ||||
Neuro-Solutions | Statistica Neural Networks | Deductor
| Neuro Shell 2 | Brain-Maker | |
Простота формиров. учебной выборки | 9 | 9 | 8 | 8 | 7 |
Простота использов. | 9 | 9 | 10 | 10 | 6 |
Наглядность предст. информации | 10 | 9 | 8 | 6 | 4 |
Реализованные стандарт. нейронные парадигмы и алгоритм. обучение | 8 | 10 | 9 | 8 | 6 |
Возможность созд. собственных нейрон. структур | 10 | 8 | 5 | 5 | 5 |
Возможность использ собственных критериев обучения | 8 | 7 | 0 | 0 | 0 |
Возможность использ. собственных алгоритмов обучения | 10 | 7 | 3 | 0 | 4 |
Обмен информацией между пакетом и ОС | 10 | 8 | 7 | 8 | 5 |
Открытость пакета | 10 | 10 | 8 | 2 | 0 |
Генератор исходного кода | 10 | 10 | 0 | 10 | 0 |
Наличие макроязыка | 10 | 0 | 0 | 0 | 0 |
Суммарная оценка | 104 | 87 | 58 | 57 | 37 |
- Системи підтримки прийняття рішень методичні вказівки
- Частина 1
- Содержание
- 1 Лабораторная работа № 1. Создание хранилищ данных. Olap – технология анализа данных 14
- 2 Лабораторная работа № 2. Прогнозирование с помощью нейронных сетей в программе Deductor 43
- 2.3 Контрольные вопросы 59
- 3 Лабораторная работа № 3. Знакомство с Neural Network
- 4 Рекомендованная литература 78 Введение в сппр
- 1 Лабораторная работа № 1 Тема: Создание хранилища данных. Olap – технология анализа данных.
- 1.1 Аналитическая платформа Deductor
- 1.2 Хранилища данных – подготовка данных для анализа
- Принципы организации хранилища:
- 1.3 Описание бизнес-задачи по созданию аналитической отчетности аптечной сети
- 1.4 Создание хранилища данных в системе Deductor
- 1.5 Анализ данных с помощью кросс-таблиц и визуализации
- 1.5.2 Срезы из хранилища данных и olap кубы
- 1.5.3 Кросс-диаграмма
- 1.5.4 Фильтрация данных в кубе
- 1.6 Задание к лабораторной работе
- 1.7 Контрольные вопросы
- 2 Лабораторная работа № 2 Тема: Нейронные сети. Прогнозирование с помощью нейронной сети в программе Deductor
- 2.1 Нейронные сети: основные понятия
- 2.1.1 Искусственный нейрон и нейронная сеть
- 2.1.2 Обучение
- 2.1.3. Нейронные сети обратного распространения
- 2.2 Прогнозирование с помощью нейронных сетей в Deductor
- 2.2.1 Исходные данные
- 2.2.2 Расчет автокорреляции столбцов
- 2.2.3 Удаление аномалий и сглаживание
- 2.2.4 Скользящее окно 12 месяцев назад
- 2.2.5 Обучение нейросети
- 2.2.6 Построение прогноза
- 2.2.7 Результат
- 2.2.8 Выводы
- 2.3 Контрольные вопросы
- 2.4 Рынок нейропакетов
- 3 Лабораторная работа №3 Тема: зНакомство с neural network toolbox пакета mAtlab
- 3.1 Нейронные сети: графический интерфейс пользователя
- 3.1.1 Управляющие элементы nnTool
- 3.1.3 Разделение линейно-неотделимых множеств
- Пример 3.2. Пусть требуется создать нейронную сеть, выполняющую логическую функцию "исключающее или".
- 3.1.4 Задача аппроксимации
- Пример 3.3. Необходимо выполнить аппроксимацию функции , где , а n - число точек функции.
- 3.2 Функции Matlab для работы с нейронными сетями
- 1) Линейная функция активации purelin.
- 2) Логистическая функция активации logsig.
- 3) Создание новой нейронной сети и ее обучение
- 3.3 Задание к лабораторной работе
- 3.4. Контрольные вопросы
- 4 Литература