Telekommunikaciya texnologiyalari va kasbiy talim” fakulteti

ADABIYOTLAR RO'YXATI
1. federal qonun 01.01.2001 yildagi RF (01.01.2001 yildagi tahririda) "Rossiya Federatsiyasining davlat prognozi va ijtimoiy-iqtisodiy rivojlanish dasturlari to'g'risida" [Matn]
2. Pivo S. Firmaning miyasi [Matn] / S. Pivo. - M.: Radio va aloqa, 1993. - 524 p.
3. Galushkin, moliyaviy faoliyatda neyrokompyuterlar [Matn] /. - Novosibirsk: Nauka, 2002. - 215s.
4., Myullerning bashorat qiluvchi modellari [Matn] /, - Kiev: Texnika, 1985. - 225 p.
5. Kleshchinskiy, byudjet jarayonida prognozlash usullari [Matn] / // Korporativ moliya elektron jurnali, 2011. - № 3 (19) - 71 - 78 betlar.
6. Rutkovskaya M., Plinsky L. Neyron tarmoqlari, genetik algoritmlar va loyqa tizimlar: Per. polyak tilidan [Matn] / M. Rutkovskaya, L. Plinskiy -: Ishonch telefoni - Telekom, 20-yillar.
7., Kostyuninning optimal murakkablikdagi neyron tarmoqlaridagi echimlari [Matn] /, // Avtomatlashtirish va zamonaviy texnologiyalar, 1998. - № 4. - S. 38-43.
2. Neyron tarmoqlari asoslari.
Neyron tarmoqlari so'nggi bir necha yil ichida juda mashhur bo'lib ketgan bo'lsa-da, ko'plab ma'lumot olimlari va statistika mutaxassislari uchun barcha modellar oilasida (hech bo'lmaganda) bitta muhim kamchilik bor: natijalarni izohlash qiyin. Odamlarning neyron tarmoqlarga qora quti sifatida qarashining sabablaridan biri shundaki, har qanday berilgan neyron tarmoqning tuzilishi haqida o'ylash qiyin. Neyron tarmoqlari ko'pincha xatolarni minimallashtirish uchun mashq paytida individual ravishda sozlangan yuz mingdan milliongacha og'irliklarga ega. Murakkab usullarda o'zaro ta'sirlanuvchi juda ko'p o'zgaruvchilar mavjud bo'lganligi sababli, aniq bir neyron tarmoq boshqa bir neyron tarmoqdan nima uchun chiqib ketishini aniq tasvirlab berish qiyin. Ushbu murakkablik, shuningdek, yuqori darajadagi neyron tarmoqlari arxitekturasini loyihalashni qiyinlashtiradi. Ba'zi bir mashina o'rganish terminologiyasi bu erda paydo bo'ladi, agar siz uni ilgari ko'rmagan bo'lsangiz:

• 
  X nomi kirish ma'lumotlariga, y nomi teglarga ishora qiladi. ŷ (talaffuz qilingan y-shapka) model tomonidan qilingan bashoratlarni anglatadi.
  
• 
  O'quv ma'lumotlari - bu bizning modelimiz o'rganadigan ma'lumotlar.
  
• 
  Sinov ma'lumotlari modeldan o'rganilgunga qadar sir saqlanadi. Sinov ma'lumotlari bizning modelimizni baholash uchun ishlatiladi.
  
• 
  Yo'qotish funktsiyasi - bu model bashoratlari qanchalik aniqligini aniqlash funktsiyasi.
  
• 
  Optimallash algoritmi mashq paytida hisoblash grafigi og'irliklari qanday sozlanganligini aniq nazorat qiladi.