Neuronové sítě patří mezi oblíbené moderní techniky, které umožňují nový a často i efektivnější přístup pro zpracování dat. Dvoudenní kurz umožňuje seznámení, jak s teoretickými principy fungování neuronových sítí, tak s jejich praktickou aplikací prostřednictvím modulu STATISTICA Automatizované neuronové sítě. Kurz poskytne přehled o architektuře neuronových sítí a metodách učení. Postup, jak dosáhnout pomocí neuronových sítí co nejlepších výsledků, bude demonstrován při řešení praktických úloh.

Cílová skupina

• Analytici, statistici či datoví specialisté, kteří potřebují zpracovávat velké objemy dat.
• Zájemci o problematiku neuronových sítí.
• Odborníci, kteří mají v datech složité nelineární závislosti, a i přesto chtějí tvořit modely pro predikci či klasifikaci.
• Typickými posluchači mohou být analytici např. z oblasti průmyslu či specializovaných oblastí medicíny.
• Ti, kteří se chtějí seznámit s modulem neuronových sítí v softwaru TIBCO Statistica.

Cíle kurzu

• Seznámit se teoreticky i prakticky s podstatou modelování pomocí neuronových sítí.
• Mimo jiné se účastníci naučí sestavovat a interpretovat predikční modely. Vyhodnotit jejich kvalitu či vybrat, který z výsledných modelů je pro danou situaci nejvhodnější.
• Ukázat, jaké možnosti má v této oblasti software TIBCO Statistica.
• Účastníci se také naučí pracovat v prostředích Receptů a částečně také v prostředí Workspace.

Osnova

Úvod

• Základní informace o softwaru TIBCO Statistica
• Výukové zdroje pro software a možnosti nápovědy

Práce s Recepty (wizardem)

• Princip, možnosti, využití

Práce s Recepty (wizardem)

• Příprava dat (načtení, výběr proměnných, transformace, vzorkování dat, odstranění duplicitních vzorů, filtrace odlehlých hodnot, oprava chybějících údajů)
• Detekce a případné odstranění podobných vstupních příznaků (prediktorů)
• Výběr důležitých prediktorů pro požadovanou úlohu
• Vytváření klasifikačních a regresních modelů
• Vyhodnocení kvality vytvořeného modelů
• Nasazení modelu v praxi

Principy neuronových sítí

• Neuron, model neuronu
• Základní typy sítí (MLP, RBF Kohonenova)
• Struktura neuronové sítě, princip učení, reprezentace znalostí

Práce s neuronovými sítěmi

• Rozdělování dat na trénovací, validační a testovací množiny, bootstrapping, křížová validace
• Nastavení parametrů sítí (počet vrstev, neuronů, typy neuronů, post-synaptické funkce, aktivační funkce, algoritmy učení – backpropagation, problém lokálního minima, heuristiky a další)
• Automatizovaný a vlastní návrh sítě

Využití neuronových sítí

• Klasifikace
• Regrese
• Analýza časových řad
• Shluková analýza pomocí Kohonenovy neuronové sítě (SOM)

Metody výběru vhodných příznaků

Sdružování rozsáhlých skupin hodnot příznaků (Binning)

Vyhodnocení kvality vytvořeného modelu

• Korelační analýza
• ROC křivka
• Grafy zisku a navýšení (Gains a Lift Chart)

Nasazení modelu v praxi

Práce v prostředí modulu STATISTICA Data Miner

• Práce v rámci pracovní plochy (Workspaces)
• Využití přednastavených úloh
• Implementace vlastních uzlů

Předpoklady účastníka

• Běžná obsluha počítače v prostředí Windows

Předchozí kurzy

Před tímto kurzem není nutné absolvovat jiné kurzy, nicméně znalost základů statistického uvažování je vhodná.

Navazující kurzy

Je možné a vhodné rozšířit znalost prostředí Workspace (které je v tomto kurzu probráno jen částečně) prostřednictvím kurzu:

• Data Mining v praxi v prostředí Workspace

Pokud se chcete vzdělávat také v dalších metodách, které mohou být alternativním řešením pro neuronové sítě, pak doporučujeme kurzy:

• Klasifikační a regresní stromy
• Data Mining (dvoudenní varianta) nebo Data Mining (třídenní varianta)

Certifikace

• Účastník získá certifikát o absolvování kurzu

Délka kurzu

• 2 dny (2x 6h)

Pozn: Jednotlivé příklady v průběhu kurzu jsou procvičovány v anglické verzi softwaru Statistica.

Vážení, frekventoval jsem u Vaší společnosti školení Neuronové sítě a musím Vám oznámit, že jsem byl spokojen. Bylo to především kvalitou přednášejícího, který se dokázal perfektně přizpůsobit našim dotazům a nakonec nám poradit i při řešení našich vlastních problémů. Toto charakterizuje kvalitu kurzu, kdy nezaměstnáváte lektora, který má problematiku "pouze naučenou", nýbrž lektora, který problematice hluboce rozumí. Jako pozitivum vyzdvihuji, že kurz nebyl pouze "klikací", ale základy Neuronových sítí byly vysvětleny i matematicky.
Byl jsem spokojen a obdržel jsem informace, pro které jsem si přijel.

doc. Dr.Ing. Vladimír Pata, Ústav výrobních technologií, Univerzita Tomáše Bati ve Zlíně