Учебное пособие для студентов магистерских программ москва Екатеринбург 014 удк ббк п

 
Рисунок 2.12 

 Исходные данные и результаты вычисления
корреляционной матрицы 
Система 
STATISTICA
представляет собой мощную интегриро-
ванную среду анализа и управления данными и содержит в себе пол-
ный набор классических методов анализа данных в диапазоне от опи-
сательной статистики до решения задач прогнозирования с помощью 
нейросетей.
Функции системы 
STATISTICA
реализованы в трех модулях:
1.
Базовый пакет STATISTICA Base 

предоставляет обширный 
выбор основных статистик в едином пакете в сочетании с мощно-
стью, производительностью и простотой использования технологии 
STATISTICA
. 
2.
 Линейные и Нелинейные Модели STATISTICA Advanced 
Linear/Non-Linear Models
- большой набор самых современных инст-
рументов для моделирования и прогнозирования, включающий воз-
можность автоматического выбора модели и расширенные интерак-
тивные средства визуализации. 
3.
Многомерные разведочные технологии анализа STATISTICA 
Multivariate Exploratory Techniques 

широкий выбор разведочных 
технологий анализа различных типов данных в сочетании с богатыми 
интерактивными средствами визуализации. 
STATISTICA включает все методы статистического анализа: ис-
черпывающий набор описательных статистик, многообразные табли-
цы классификации, таблицы сопряженности, таблицы флагов и заго-
ловков, многомерные отклики и дихотомии, разносторонний сервис 
табулирования данных, просмотр таблиц по слоям, корреляции, t-

---

59 
критерии для зависимых выборок, проверка различий между диспер-
сиями, корреляциями, процентами, вероятностный калькулятор и 
многие другие возможности. 
В последнее время наблюдается повышенный интерес к нейрон-
ным сетям, которые успешно применяются в самых различных облас-
тях - бизнесе, медицине, технике, геологии, физике. Нейронные сети 
вошли в практику везде, где нужно решать 
задачи прогнозирования, 
классификации или управления
. Причинами популярности нейронных 
сетей являются их уникальные возможности. Нейронные сети - ис-
ключительно мощный метод моделирования, позволяющий воспроиз-
водить чрезвычайно сложные зависимости. В частности, нейронные 
сети нелинейны по своей природе. Долгое время линейное моделиро-
вание было основным методом моделирования в большинстве облас-
тей, поскольку для него хорошо разработаны процедуры оптимизации. 
Однако в ряде задач линейные модели работают плохо. Кроме того, 
нейронные сети успешно применяются в тех случаях, когда линейные 
модели невозможно создать из-за большого числа переменных
Нейронные сети обучаются на примерах. С этой целью исследо-
ватель подбирает и подготавливает представительные данные, выби-
рать нужную архитектуру сети, а затем запускает 
алгоритм обучения
, 
который автоматически воспринимает структуру данных. Очевидно, 
что для настройки сети и интерпретации результатов исследователю 
требуется определенный опыт и знания, однако их уровень гораздо 
скромнее, чем, например, при использовании традиционных методов 
статистики.
Нейронные сети привлекательны с интуитивной точки зрения, 
поскольку они основаны на примитивной биологической модели 
нервных систем. Между тем уже "простые" нейронные сети, которые 
строит система 
ST Neural Networks
, являются мощным оружием в ар-
сенале специалиста по прикладной статистике. 
Ключевым понятием при работе с нейронными сетями является 
понятие 
нейронов
. Нейрон имеет несколько каналов ввода информа-
ции – 
дендриты
, и один канал вывода информации – 
аксон
. Аксоны 
нейрона соединяются с дендритами других нейронов с помощью 
си-
напсов
. При возбуждении нейрон посылает сигнал по своему аксону. 
Через синапсы сигнал передается другим нейронам, которые, в свою 
очередь, могут переходить в состояние возбуждения или находится в 
состоянии торможения. Нейрон возбуждается, когда суммарный уро-
вень сигналов, поступивших на него, превышает определенный уро-

---

60 
вень (порог возбуждения или активации). Соединенные друг с другом 
нейроны образуют 
сеть
. Кроме входных и выходных нейронов в сети 
могут присутствовать промежуточные (скрытые) слои нейронов. 
Простейшие сети имеют структуру прямой передачи сигнала: сигна-
лы проходят от входов через промежуточные элементы и поступают 
на выходные элементы. Последовательность слоев и их соединений 
называют 
архитектурой сети
. Типичный пример сети с прямой пе-
редачей сигнала показан на рисунке 2.13. Именно такой тип сетей 
реализован в пакете 
ST Neural Networks
.