Реферат: Искусственный интеллект в управлении фирмой - текст реферата. Скачать бесплатно.
Банк рефератов, курсовых и дипломных работ. Много и бесплатно. # | Правила оформления работ | Добавить в избранное
 
 
   
Меню Меню Меню Меню Меню
   
Napishem.com Napishem.com Napishem.com

Реферат

Искусственный интеллект в управлении фирмой

Банк рефератов / Информатика, информационные технологии

Рубрики  Рубрики реферат банка

закрыть
Категория: Реферат
Язык реферата: Русский
Дата добавления:   
 
Скачать
Microsoft Word, 1008 kb, скачать бесплатно
Заказать
Узнать стоимость написания уникального реферата

Узнайте стоимость написания уникальной работы

Содержание: 1. История развития науки о искусственном интеллекте. 2. Описание нейронных сетей. 2.1. Цель классификации 2.2. Использование нейронных сетей в качестве классификатора. 2.3. Подготовка исходных данных. 2.4. Кодирование выходных значений. 2.5. Выбор объема сети. 2.6. Выбор архитектуры сети. 2.7. Алгоритм построения классифика тора на основе нейронных сетей. 3. Прогнозирование объёма продаж кондитерских изделий с помощью нейронных сетей. 3.1. Постановка задачи. 3.2. Метод решения. 3.3. Результат. 4. Вывод. История развития науки о искусственном интеллект е. Искусственный интеллект - одна из новейших наук, появившихся во второй половине 20-го века на базе вычислительной техники, математичес кой логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект - это образец междисци плинарных исследований, где соединяются профессиональные интересы спе циалистов разного профиля. Само название новой науки возникло в конце 60-х годах, а в 1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту. Известно, что совокупность научных иссле дований обретает права науки, если выполнены два необходимых условия. У этих исследований должен быть объект изучения, не совпадающий с теми, ко торые изучают другие науки. И должны существовать специфические методы исследования этого объекта, отличные от методов других, уже сложившихся наук. Исследования, которые объединяются сейчас термином "искусственны й интеллект", имеют свой специфический объект изучения и свои специфичес кие методы. В этой статье мы обоснуем это утверждение. Когда в конце 40-х - на чале 50-х годов появились ЭВМ, стало ясно, что инженеры и математики создал и не просто быстро работающее устройство для вычислений, а нечто более з начительное. Оказалось, что с помощью ЭВМ можно решать различные головол омки, логические задачи, играть в шахматы, создавать игровые программы. Э ВМ стали принимать участие в творческих процессах: сочинять музыкальны е мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства тео рем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих про грамм можно автоматизировать такие виды человеческой деятельности, ко торые называются интеллектуальными и считаются доступными лишь челове ку. Н есмотря на большое разнообразие невычислительных программ, созданных к началу 60-х годов, прогр аммирование в сфере интеллектуальной деятельности находилось в горазд о худшем положении, чем решение расчетных задач. Причина очевидна. Прогр аммирование для задач расчетного характера опиралось на соответствующ ую теорию - вычислительную математику. На основе этой теории было разраб отано много методов решения задач. Эти методы стали основой для соответс твующих программ. Ничего подобного для невычислительных задач не было. Л юбая программа была здесь уникальной, как произведение искусства. Опыт с оздания таких программ никак не обобщался, умение их создавать не формал изовалось. Никто не станет отрицать, что, в отличие от искусства, у науки д олжны быть методы решения задач. С помощью этих методов все однотипные з адачи должны решаться единообразным способом. И "набив руку" на решении з адач определенного типа, легко решать новые задачи, относящиеся к тому ж е типу. Но именно таких методов и не смогли придумать те, кто создавал перв ые программы невычислительного характера. Когда программист создавал программу дл игры в шахматы, то он использовал собственны знания о проце ссе игры. Он вкладывал их в программу, а компьютер лишь механически выпол няли эту программу. Можно сказать, что компьютер "не отличал" вычислитель ные программы от невычислительных. Он одинаковым образом находил корни квадратного ура внения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делае т. Об интеллекте компьютера можно было бы говорить, если бы он сам, на осно вании собственных знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал пр ограмму для написания несложных вальсов и маршей. Не сами процедуры, с по мощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальн ой деятельности, - вот где скрыто то, что можно назвать интеллектом. Специа льные метапроцедуры обучения новым видам интеллектуальной деятельнос ти отличают человека от компьютера. Следовательно, в создании искусстве нного интеллекта основной задачей становится реализация машинными сре дствами тех метапроцедур, которые используются в интеллектуальной дея тельности человека. Что же это за процедуры? В психологии мышления есть н есколько моделей творческой деятельности. Одна из них называется лабир интной. Суть лабиринтной гипотезы, на которой основана лабиринтная моде ль, состоит в следующем: переход от исходных данных задачи к решению лежи т через лабиринт возможных альтернативных путей. Не все пути ведут к жел аемой цели, многие из них заводят в тупик, надо уметь возвращаться к тому м есту, где потеряно правильное направление. Это напоминает попытки не сли шком умелого школьника решить задачу об упрощении алгебраических выра жений. Для этой цели на каждом шагу можно применять некоторые стандартны е преобразования или придумывать искусственные приемы. Но весьма часто вместо упрощения выражения происходит его усложнение, и возникают тупи ки, из которых нет выхода. По мнению сторонников лабиринтной модели мышл ения, решение всякой творческой задачи сводится к целенаправленному по иску в лабиринте альтернативных путей с оценкой успеха после каждого ша га. С лабиринтной моделью связана первая из метапроцедур - целенаправлен ный поиск в лабиринте возможностей. Программированию этой метапроцеду ры соответствуют многочисленные процедуры поиска, основанные на сообр ажениях здравого смысла (человеческого опыта решения аналогичных зада ч). В 60-х годах было создано немало программ на основе лабиринтной модели, в основном игровых и доказывающих теоремы "в лоб", без привлечения искусст венных приемов. Соответствующее направление в программировании получи ло название эвристического программирования. Высказывались даже предп оложения, что целенаправленный поиск в лабиринте возможностей - универс альная процедура, пригодная для решения любых интеллектуальных задач. Н о исследователи отказались от этой идеи, когда столкнулись с задачами, в которых лабиринта возможностей либо не существовало, либо он был слишко м велик для метапроцедуры поиска, как, например, при игре в шахматы. Конечн о, в этой игре лабиринт возможностей - это все мыслимые партии игры. Но как в этом астрономически большом лабиринте найти те партии, которые ведут к выигрышу? Лабиринт столь велик, что никакие мыслимые скорости вычислени й не позволят целенаправленно перебрать пути в нем. И все попытки исполь зовать для этого человеческие эвристики (в данном случае профессиональ ный опыт шахматистов) не дают пути решения задачи. Поэтому созданные шах матные программы уже давно используют не только метапроцедуру целенап равленного поиска, но и другие метапроцедуры, связанные с другими моделя ми мышления. Долгие годы в психологии изучалась ассоциативная модель мы шления. Основной метапроцедурой модели является ассоциативный поиск и ассоциативное рассуждение. Предполагается, что решение неизвестной за дачи так или иначе основывается на уже решенных задачах, чем-то похожих н а ту, которую надо решить. Новая задача рассматривается как уже известна я, хотя и несколько отличающаяся от известной. Поэтому способ ее решения должен быть близок к тому, который когда-то помог решить подобную задачу. Для этого надо обратиться к памяти и попытаться найти нечто похожее, что ранее уже встречалось. Это и есть ассоциативный поиск. Когда, увидев незн акомого человека, вы стараетесь вспомнить, на кого он похож, реализуется метапроцедура ассоциативного поиска. Но понятие ассоциации в психолог ии шире, чем просто "похожесть". Ассоциативные связи могут возникнуть и по контрасту, как противопоставление одного другому, и по смежности, т. е. в с илу того, что некоторые явления возникали в рамках одной и той же ситуаци и или происходили одновременно (или с небольшим сдвигом по времени). Ассо циативное рассуждение позволяет переносить приемы, использованные ран ее, на текущую ситуацию. К сожалению, несмотря на многолетнее изучение ас социативной модели, не удалось создать стройную теорию ассоциативного поиска и ассоциативного рассуждения. Исключение составляет важный, но ч астный класс ассоциаций, называемых условными рефлексами. И все же метап роцедура ассоциативного поиска и рассуждения сыграла важную роль: она п омогла создать эффективные программы в распознавании образов, в класси фикационных задачах и в обучении ЭВМ. Но одновременно эта метапроцедура привела к мысли о том, что для ее эффективного использования надо привлечь результаты, п олученные в другой модели мышления, опирающейся на идею внутреннего пре дставления проблемной области, на знания о ее особенностях, закономерно стях и процедурах действия в ней. Это представление о мыслительной деяте льности человека обычно называют модельной гипотезой. Согласно ей, мозг человека содержит модель проблемной ситуации, в которой ему надо принят ь решение. Для решения используются метапроцедуры, оперирующие с совоку пностью знаний из той проблемной области, к которой принадлежит данная п роблемная ситуация. Например, если проблемная ситуация- переход через ул ицу с интенсивным движением, то знания, которые могут помочь ее разрешит ь, касаются способов организации движения транспорта, сигналов светофо ров, наличия дорожек для перехода и т. п. В модельной гипотезе основными ме тапроцедурами становятся представление знаний, рассуждения, поиск рел евантной (связанной с данной проблемной ситуацией) информации в совокуп ности имеющихся знаний, их пополнение и корректировка. Эти метапроцедуры составляют ядро интеллектуаль ных возможностей современных программ и программных систем, ориентиро ванных на решение творческих задач. В совокупности с метапроцедурами це ленаправленного поиска в лабиринте возможностей, ассоциативного поиск а и рассуждения они образуют арсенал интеллектуальных средств, которым располагают современные интеллектуальные системы, часто называемые си стемами, основанными на знаниях. Можно сформулировать основные цели и за дачи искусственного интеллекта. Объектом изучения искусственного инте ллекта являются метапроцедуры, используемые при решении человеком зад ач, традиционно называемых интеллектуальными, или творческими. Но если п сихология мышления изучает эти метапроцедуры применительно к человеку , то искусственный интеллект создает программные (а сейчас уже и програм мно-аппаратные) модели таких метапроцедур. Цель исследований в области и скусственного интеллекта - создание арсенала метапроцедур, достаточно го для того, чтобы ЭВМ (или другие технические системы, например роботы) мо гли находить по постановкам задач их решения. Иными словами, стали автон омными программистами, способными выполнять работу профессиональных п рограммистов- прикладников (создающих программы для решения задач в опр еделенной предметной области). Разумеется, сформулированная цель не исч ерпывает всех задач, которые ставит перед собой искусственный интеллек т. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в о бласти мышления человека, которые лежат вне сферы рационального и выраз имого словесно (вербально) мышления. Ибо в поиске решения многих задач, ос обенно сильно отличающихся от ранее решенных, большую роль играет та сфе ра мышления, которую называют подсознательной, бессознательной, или инт уитивной. Основными методами, используемыми в искусственном интеллект е, являются разного рода программные модели и средства, эксперимент на Э ВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяю т специалистов по искусственному интеллекту. Они не имеют ничего общего с тем, как устроен человеческий мозг. Поэтому идет и нтенсивный поиск новых технических структур, способных лучше решать за дачи, связанные с интеллектуальными процессами. Сюда относятся исследо вания по нейроподобным искусственным сетям, попытки построить молекул ярные машины, работы в области голографических систем и многое другое. Более подробно здесь рассматриваются нейронные искусс твенные сети. Нейронные сети Решение задачи классификации является одним из важнейших пр именений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к од ному из нескольких попарно не пересекающихся множеств. Примером таких з адач может быть, например, задача определения кредитоспособности клиен та банка, медицинские задачи, в которых необходимо определить, например, исход заболевания, решение задач управления портфелем ценных бумаг (про дать купить или "придержать" акции в зависимости от ситуации на рынке), зад ача определения жизнеспособных и склонных к банкротству фирм. 1. Цель классификации При решении задач классификации необходимо отнести имеющие ся статические образцы (хар актеристики ситуации на рынке, данные медосмотра, информация о клиенте) к определенным классам. Воз можно несколько способов представления данных. Наиболее распространен ным является способ, при котором образец представляется вектором. Компо ненты этого вектора представляют собой различные характеристики образ ца, которые влияют на принятие решения о том, к какому классу можно отнест и данный образец. Например, для медицинских задач в качестве компонентов этого вектора могут быть данные из медицинской карты больного. Таким об разом, на основании некоторой информации о примере, необходимо определи ть, к какому классу его можно отнести. Классификатор таким образом относ ит объект к одному из классов в соответствии с определенным разбиением N- мерного пространства, которое называется простр анством входов, и размерность этого пространства я вляется количеством компонент вектора. Прежде всего, нужно определить уровень сложности системы. В реальных зад ачах часто возникает ситуация, когда количество образцов ограничено, чт о осложняет определение сложности задачи. Возможно выделить три основн ых уровня сложности. Первый (самый простой) – когда классы можно раздели ть прямыми линиями (или гиперплоскостями, если пространство входов имее т размерность больше двух) – так называемая лине йная разделимость . Во втором случае классы невозмо жно разделить линиями (плоскостями), но их возможно отделить с помощью бо лее сложного деления – нелинейная разделимость . В третьем случае классы пересекаются и можно гово рить только о вероятностной разделимости . В идеальном варианте п осле предварительной обработки мы должны получить линейно разделимую задачу, так как после этого значительно упрощается построение классифи катора. К сожалению, при решении реальных задач мы имеем ограниченное ко личество образцов, на основании которых и производится построение клас сификатора. При этом мы не можем провести такую предобработку данных, пр и которой будет достигнута линейная разделимость образцов. 2. Использование нейронных сетей в качест ве классификатора. Сети с прямой связью являются универсальным средством аппро ксимации функций, что позволяет их использовать в решении задач классиф икации. Как правило, нейронные сети оказываются наиболее эффективным сп особом классификации, потому что генерируют фактически большое число р егрессионных моделей (которые используются в решении задач классифика ции статистическими методами). К сожалению, в применении нейронных сетей в практических задачах возник ает ряд проблем. Во-первых, заранее не известно, какой сложности (размера) может потребоваться сеть для достаточно точной реализации отображения . Эта сложность может оказаться чрезмерно высокой, что потребует сложной архитектуры сетей. Так Минский в своей работе "Персептроны" доказал, что п ростейшие однослойные нейронные сети способны решать только линейно р азделимые задачи. Это ограничение преодолимо при использовании многос лойных нейронных сетей. В общем виде можно сказать, что в сети с одним скры тым слоем вектор, соответствующий входному образцу, преобразуется скры тым слоем в некоторое новое пространство, которое может иметь другую раз мерность, а затем гиперплоскости, соответствующие нейронам выходного с лоя, разделяют его на классы. Таким образом сеть распознает не только хар актеристики исходных данных, но и "характеристики характеристик", сформи рованные скрытым слоем. 3. Подготовка исходных данных Для построения классификатора необходимо определить, какие параметры влияют на принятие решения о том, к какому классу принадлежит образец. При этом могут возникнуть две проблемы. Во-первых, если количест во параметров мало, то может возникнуть ситуация, при которой один и тот ж е набор исходных данных соответствует примерам, находящимся в разных кл ассах. Тогда невозможно обучить нейронную сеть, и система не будет корре ктно работать (невозможно найти минимум, который соответствует такому н абору исходных данных). Исходные данные обязател ьно должны быть непротиворечивы . Для решения этой проблемы необходимо увеличить размерность пространства признаков (кол ичество компонент входного вектора, соответствующего образцу). Но при ув еличении размерности пространства признаков может возникнуть ситуаци я, когда число примеров может стать недостаточным для обучения сети, и он а вместо обобщения просто запомнит примеры из обучающей выборки и не смо жет корректно функционировать. Таким образом, при определении признако в необходимо найти компромисс с их количеством. Далее необходимо определить способ представления входных данных для н ейронной сети, т.е. определить способ нормирования. Нормировка необходим а, поскольку нейронные сети работают с данными, представленными числами в диапазоне 0..1, а исходные данные могут иметь произвольный диапазон или в ообще быть нечисловыми данными. При этом возможны различные способы, нач иная от простого линейного преобразования в требуемый диапазон и закан чивая многомерным анализом параметров и нелинейной нормировкой в зави симости от влияния параметров друг на друга. 4. Кодирование выходных значений. Задача классификации при наличии двух классов может быть реш ена на сети с одним нейроном в выходном слое, который может принимать одн о из двух значений 0 или 1, в зависимости от того, к какому классу принадлежи т образец. При наличии нескольких классов возникает проблема, связанная с представлением этих данных для выхода сети. Наиболее простым способом представления выходных данных в таком случае является вектор, компонен ты которого соответствуют различным номерам классов. При этом i-я компон ента вектора соответствует i-му классу. Все остальные компоненты при это м устанавливаются в 0. Тогда, например, второму классу будет соответствов ать 1 на 2 выходе сети и 0 на остальных. При интерпретации результата обычно считается, что номер класса определяется номером выхода сети, на котором появилось максимальное значение. Например, если в сети с тремя выходами мы имеем вектор выходных значений (0.2,0.6,0.4), то мы видим, что максимальное знач ение имеет вторая компонента вектора, значит класс, к которому относится этот пример, – 2. При таком способе кодирования иногда вводится также по нятие уверенности сети в то м, что пример относится к этому классу. Наиболее простой способ определе ния уверенности заключается в определении разности между максимальным значением выхода и значением другого выхода, которое является ближайши м к максимальному. Например, для рассмотренного выше примера уверенност ь сети в том, что пример относится ко второму классу, определится как разн ость между второй и третьей компонентой вектора и равна 0.6-0.4=0.2. Соответстве нно чем выше уверенность, тем больше вероятность того, что сеть дала прав ильный ответ. Этот метод кодирования является самым простым, но не всегд а самым оптимальным способом представления данных. Известны и другие способы. Например, выходной вектор представляет собой номер кластера, записанный в двоичной форме. Тогда при наличии 8 классов н ам потребуется вектор из 3 элементов, и, скажем, 3 классу будет соответство вать вектор 011. Но при этом в случае получения неверного значения на одном из выходов мы можем получить неверную классификацию (неверный номер кла стера), поэтому имеет смысл увеличить расстояние между двумя кластерами за счет использования кодирования выхода по коду Хемминга, который повы сит надежность классификации. Другой подход состоит в разбиении задачи с k классами на k*(k-1)/2 подзадач с дву мя классами (2 на 2 кодирование) каждая. Под подзадачей в данном случае пони мается то, что сеть определяет наличие одной из компонент вектора. Т.е. исх одный вектор разбивается на группы по два компонента в каждой таким обра зом, чтобы в них вошли все возможные комбинации компонент выходного вект ора. Число этих групп можно определить как количество неупорядоченных в ыборок по два из исходных компонент. Из комбинаторики Тогда, например, для за дачи с четырьмя классами мы имеем 6 выходов (подзадач) распределенных сле дующим образом: № подзадачи(выхода) КомпонентыВы хода 1 1-2 2 1-3 3 1-4 4 2-3 5 2-4 6 3-4 Где 1 на выходе говорит о на личии одной из компонент. Тогда мы можем перейти к номеру класса по резул ьтату расчета сетью следующим образом: определяем, какие комбинации пол учили единичное (точнее близкое к единице) значение выхода (т.е. какие подз адачи у нас активировались), и считаем, что номер класса будет тот, который вошел в наибольшее количество активированных подзадач (см. таблицу). № класса Акт. Выходы 1 1,2,3 2 1,4,5 3 2,4,6 4 3,5,6 Это кодирование во многих задачах дает лучший результат, чем классический способ кодирование. 5. Выбор объема сети. Правильный выбор объема сети имеет большое значение. Построи ть небольшую и качественную модель часто бывает просто невозможно, а бол ьшая модель будет просто запоминать примеры из обучающей выборки и не пр оизводить аппроксимацию, что, естественно, приведет к некорректной рабо те классификатора. Существуют два основных подхода к построению сети – конструктивный и деструктивный. При первом из них вначале берется сеть минимального размера, и постепенно увеличивают ее до достижения требуе мой точности. При этом на каждом шаге ее заново обучают. Также существует так называемый метод каскадной корреляции, при котором после окончания эпохи происходит корректировка архитектуры сети с целью минимизации о шибки. При деструктивном подходе вначале берется сеть завышенного объе ма, и затем из нее удаляются узлы и связи, мало влияющие на решение. При это м полезно помнить следующее правило: число приме ров в обучающем множестве должно быть больше числа настраиваемых весов . Иначе вместо обобщения сеть просто запомнит данны е и утратит способность к классификации – результат будет неопределен для примеров, которые не вошли в обучающую выборку. 6. Выбор архитектуры сети. При выборе архитектуры сети обычно опробуется несколько кон фигураций с различным количеством элементов. При этом основным показат елем является объем обучающего множества и обобщающая способность сет и. Обычно используется алгоритм обучения Back Propagation (обратного распространен ия) с подтверждающим множеством. 7. Алгоритм построения классификатора на основе нейронных сетей. 1. Работа с данными 1.1. Составить базу данных из примеров, характерных для данной задачи 1.2. Разбить всю совокупность данных на два множества: обучающее и тестовое (возможно разбиение на 3 множества: обучающее, тестовое и подтверждающее). 2. Предварительная обработк а 2.1. Выбрать систему признак ов, характерных для данной задачи, и преобразовать данные соответствующ им образом для подачи на вход сети (нормировка, стандартизация и т.д.). В рез ультате желательно получить линейно отделяемое пространство множеств а образцов. 2.2. Выбрать систему кодирования вых одных значений (классическое кодирование, 2 на 2 кодирование и т.д.) 3. Конструирование, обучение и оценка качества сети: 3.1. Выбрать топологию сети: к оличество слоев, число нейронов в слоях и т.д. 3.2. Выбрать функцию активации нейро нов (например "сигмоида") 3.3. Выбрать алгоритм обучения сети 3.4. Оценить качество работы сети на основе подтверждающего множества или другому критерию, оптимизировать архитектуру (уменьшение весов, прореживание пространства признаков) 3.5. Остановится на варианте сети, ко торый обеспечивает наилучшую способность к обобщению и оценить качест во работы по тестовому множеству. 4. Использование и диагности ка 4.1. Выяснить степень влияни я различных факторов на принимаемое решение (эвристический подход). 4.2. Убедится, что сеть дает требуему ю точность классификации (число неправильно распознанных примеров мал о) 5. При необходимости вернутс я на этап 2, изменив способ представления образцов или изменив базу данны х. 6. Практически использовать сеть д ля решения задачи. Прогнозирование объёма продаж кондитерских изделий с п омощью нейронных сетей. 1. Постановка за дачи Объем продаж – один из ключевых показателей, хара ктеризующих деятельность коммерческой фирмы. Поэтому задача прогнозир ования объема продаж представляет собой большой интерес, например, для к омпаний, которые занимаются оптовой торговлей. Товароведам необходимо знать примерное количество продукции, которое они смогут реализовать в ближайшее время, для того, чтобы, с одной стороны, иметь достаточное колич ество товаров на складе, а с другой – не перегрузить склады продукцией, ч то особенно актуально, если продукция имеет небольшой срок хранения. В большинстве случаев объем продаж того или иного товара поддается прог нозу. Например, многие товары продаются в соответствие с ярко выраженной сезонной составляющей, что легко определяется при помощи аналитически х технологий. С их помощью можно прогнозировать объемы продаж по всем то варным позициям, что особенно актуально в случае их большого количества . При необходимости можно также учитывать и дополнительные факторы, напр имер, рекламную компанию, конъюнктуру рынка, действия конкурентов и т.д. К омплексный учет всех факторов может значительно повысить качество про гноза. 2. Метод решения Проиллюстрировать решение данной задачи мы сможе м на примере прогнозирования объема продаж мармелада 'Лимонные дольки' н а основе реальных данных компании, занимающейся оптовыми продажами кон дитерских изделий. Прогнозирование объема продаж построим только на ос нове истории продаж по данной товарной позиции за определенный период. Э та информация собирается в базу данных, состоящую из двух колонок: дата и продажи в количественном выражении. В нашем случае история продаж разби та по неделям, соответственно, прогнозировать мы также будем на одну или несколько недель (исходные данные з десь ). Для получения качественного прогноза нам необходимо провести предвари тельную обработку данных при помощи программы RawData Analyzer , входящей в состав пакета Deductor . Во-первых, данные по истории продаж следует сгладить, т.к. по зашумленным данным достаточно сложно установить зависимость изм енения объема продаж. После сглаживания данных при помощи вейвлетов дин амика изменений определяется и прогнозируется гораздо качественнее. Пояснение к рисунку: тёмным цветом от ображены реальные данные, св етлым – сглаженные. Во-вторых, для проведения прогнозирования структу ру входных данных необходимо преобразовать по специальной схеме. Для эт ого выбирается глубина погружения, т.е. количество временных интервалов , по которым мы будем прогнозировать следующий. Возьмем глубину погружен ия равной 4, т.е. прогнозирование объема продаж на следующую неделю будет о существляться по результатам четырех предыдущих недель (исходные данн ые здесь ). Разумеется, и глубин а погружения, и горизонт прогнозирования, т.е. количество прогнозируемых показателей, подбираются отдельно в каждой конкретной задаче. Далее сле дует преобразовать данные по продажам к следующему виду: smoothB3 smoothB2 smoothB1 smoothB0 smoothF1 m-4 m-3 m-2 m-1 m m-3 m-2 m-1 m m+1 m-2 m-1 m m+1 m+2 … … … … … Мы получаем так называемое 'скользящее окно', в котором пр едставлены данные только за 5 недель. Первые 4 колонки – это данные за нед ели, на основе которых будем строить прогноз. Последняя колонка – показ атель, который мы будем прогнозировать. Так как данных у нас больше, чем за 5 недель, мы можем сдвигать это окно по временной оси. Таким образом готов ится обучающая выборка, и именно в таком виде представляются данные для последующего анализа. Для решения поставленной задачи воспользуемся программой Neural Analyzer , также входящей в состав п акета Deductor. Нейронная сеть не только способна установить зависимость изме нения целевой переменной, которой в данном случае является количество п роданного мармелада, но и позволит прогнозировать объем продаж на неско лько недель вперед. После окончания процесса обучения на графике выходо в сети можно заметить, что сеть достаточно точно моделирует поведение кр ивой. Однако, на последних неделях ошибка заметно увеличивается, причем тенденция в конце временного отрезка – место, которое нас больше всего интересует, была неверно угадана нейросетью. По яснение к рисунку: зелеными точками отображаются реальные показатели, к расными – выход сети. Получить хороший прогноз при помощи такой модели не удастся. Однако, это не означает, что нейронные сети не могут успешно ре шить поставленную задачу. Неудовлетворительное качество результата мо жно объяснить недостаточностью данных: для обучения сети мы использова ли данные по продажам чуть более, чем за полгода. Получается, что нейросет ь просто ничего не может знать обо всех сезонных зависимостях, например, о падении продаж в период летних отпусков. Для повышения качества прогноза необходимо дополнить анализируемую ин формацию данными за аналогичный период прошлого года, также разбитыми н а недели. Таким образом, внесем для обучения информацию о сезонности, и ст руктура данных будет следующей: Prev_year smoothB3 smoothB2 smoothB1 smoothB0 smoothF1 P m m-4 m-3 m-2 m-1 m P m+1 m-3 m-2 m-1 m m+1 P m+2 m-2 m-1 m m+1 m+2 … … … … … … P m , P m+1 , P m+2 и т.д. – коли чество проданного товара за соответствующую неделю прошлого года. При т аком подходе качество прогнозирования заметно улучшается. По яснение к рисунку: зелеными точками отображаются реальные показатели, к расными – выход сети. На рисунке видно, что прогноз на последние три неде ли весьма точен. В данном случае при прогнозировании учитываются оба фак тора: прошлогодние продажи, служащие шаблоном для прогнозирования, и тре нд, т.е. тенденция, которая сложилась в этом году. Именно это и обусловило к ачественный прогноз. 3. Результат При помощи аналитических технологий мы решили зад ачу прогнозирования оптовых продаж мармелада. При помощи построенной н ами системы на основе нейронных сетей мы имеем возможность строить крат косрочные и среднесрочные прогнозы. Кроме того, положительно на качеств е прогноза может сказаться информация о внешней среде (курс доллара, рек ламная поддержка и т.д.), а также категориальная переменная, обозначающая квартал или время года. Благодаря использованию нейронных сетей при про гнозировании, такого рода изменения в модели сводятся, фактически, к доб авлению новых колонок в обучающую выборку и переобучению сети. Главная проблема для качественного прогноза – наличие истории продаж за достаточно длительный срок и грамотная предобработка данных. Привле чение эксперта в этой области поможет дать ответ на вопрос, учитываются ли при анализе все факторы, влияющие на результат. Вывод. Существуют несколько основных проблем, изучаемых в искусств енном интеллекте. Представление знаний - разработк а методов и приемов для формализации и последующего ввода в память интел лектуальной системы знаний из различных проблемных областей, обобщени е и классификация накопленных знаний, использование знаний при решении задач. Моделирование рассуждений - изучение и формализация различных сх ем человеческих умозаключений, используемых в процессе решения разноо бразных задач, создание эффективных программ для реализации этих схем в вычислительных машинах. Диалоговые процедуры общения на естественном языке, обеспечивающие контакт между интеллектуальной системой и челов еком- специалистом в процессе решения задач. Планирование целесообразн ой деятельности - разработка методов построения программ сложной деяте льности на основании тех знаний о проблемной области, которые хранятся в интеллектуальной системе. Обучение интеллектуальных систем в процесс е их деятельности, создание комплекса средств для накопления и обобщени я умений и навыков, накапливаемых в таких системах. Кроме этих проблем ис следуются многие другие, составляющие тот задел, на который будут опират ься специалисты на следующем витке развития теории искусственного инт еллекта. В практику человеческой деятельности интеллектуальные систем ы уже внедряются. Это и наиболее известные широкому кругу специалистов э кспертные системы, передающие опыт более подготовленных специалистов менее подготовленным и интеллектуальные информационные системы (напри мер, системы машинного перевода) и интеллектуальные роботы, другие систе мы, имеющие полное право называться интеллектуальными. Без таких систем современный научно- технический прогресс уже невозможен.
1Архитектура и строительство
2Астрономия, авиация, космонавтика
 
3Безопасность жизнедеятельности
4Биология
 
5Военная кафедра, гражданская оборона
 
6География, экономическая география
7Геология и геодезия
8Государственное регулирование и налоги
 
9Естествознание
 
10Журналистика
 
11Законодательство и право
12Адвокатура
13Административное право
14Арбитражное процессуальное право
15Банковское право
16Государство и право
17Гражданское право и процесс
18Жилищное право
19Законодательство зарубежных стран
20Земельное право
21Конституционное право
22Конституционное право зарубежных стран
23Международное право
24Муниципальное право
25Налоговое право
26Римское право
27Семейное право
28Таможенное право
29Трудовое право
30Уголовное право и процесс
31Финансовое право
32Хозяйственное право
33Экологическое право
34Юриспруденция
 
35Иностранные языки
36Информатика, информационные технологии
37Базы данных
38Компьютерные сети
39Программирование
40Искусство и культура
41Краеведение
42Культурология
43Музыка
44История
45Биографии
46Историческая личность
47Литература
 
48Маркетинг и реклама
49Математика
50Медицина и здоровье
51Менеджмент
52Антикризисное управление
53Делопроизводство и документооборот
54Логистика
 
55Педагогика
56Политология
57Правоохранительные органы
58Криминалистика и криминология
59Прочее
60Психология
61Юридическая психология
 
62Радиоэлектроника
63Религия
 
64Сельское хозяйство и землепользование
65Социология
66Страхование
 
67Технологии
68Материаловедение
69Машиностроение
70Металлургия
71Транспорт
72Туризм
 
73Физика
74Физкультура и спорт
75Философия
 
76Химия
 
77Экология, охрана природы
78Экономика и финансы
79Анализ хозяйственной деятельности
80Банковское дело и кредитование
81Биржевое дело
82Бухгалтерский учет и аудит
83История экономических учений
84Международные отношения
85Предпринимательство, бизнес, микроэкономика
86Финансы
87Ценные бумаги и фондовый рынок
88Экономика предприятия
89Экономико-математическое моделирование
90Экономическая теория

 Анекдоты - это почти как рефераты, только короткие и смешные Следующий
У меня вся неделя - это одно сплошное утро понедельника.
Anekdot.ru

Узнайте стоимость курсовой, диплома, реферата на заказ.

Обратите внимание, реферат по информатике и информационным технологиям "Искусственный интеллект в управлении фирмой", также как и все другие рефераты, курсовые, дипломные и другие работы вы можете скачать бесплатно.

Смотрите также:


Банк рефератов - РефератБанк.ру
© РефератБанк, 2002 - 2016
Рейтинг@Mail.ru