нейрони, що відповідають двом класам: прийняти на роботу не прийняти. Іноді у вихідному шарі знаходиться один бінарний нейрон, що приймає значення: 0 і 1. У прихованому шарі число нейронів вибирається довільним чином: зазвичай це робить сама програма.
На вхід навченої мережі подаються ознаки здобувача, і мережа виносить рішення про прийом (Не прийомі) чергового претендента на роботу.
Кандидати, які відповідають вимогам і критеріям відбору, проходять його; претенденти ж, не задовольняють цим критеріям, продовжують пошук роботи.
Конкретизуємо задачу. Покладемо, що підбираємо претендента на посаду помічник кондитера raquo ;. В якості вхідних даних вибираємо:
Х1 - вік, рік; Х2 - стаж роботи за фахом, рік; Х3 - навченість, 10 балів. Проаналізуємо ці змінні.
Х1 - вік: для даної позиції існують вікові обмеження, тому доцільно встановити діапазон 20-26 років як прийнятний для претендента.
Х2 - стаж роботи за спеціальністю: кандидат, який має стаж роботи від 1 року до 3 років, підходить даній фірмі.
Х3 - навченість: бажано, щоб за цим параметром кандидат набирав не менше 7 балів.
При використанні НС обов'язковою умовою є наявність бази прикладів для навчання мережі.
Для формування цієї бази скористаємося методом Монте-Карло з урахуванням зазначених вище вимог до вхідних змінним.
Розіграна база прикладів наведена в табл. 2.
Таблиця 2
База прикладів
Виберемо НС у вигляді тришарового персептрона, показаного на рис. 6.
Рис. 6. Архітектура мережі
Навчання мережі здійснюється методом зворотного поширення помилки, а результати навчання показані в табл.3, де наведена класифікаційна матриця, сформована за розіграним значень.
Таблиця 3
Результати навчання
Як видно з табл.3, нейронна мережа безпомилково працює на змодельованих даних.
У робочому режимі н?? вхід мережі можна подати будь-які значення вхідних даних х1, х2, х3, і навчена мережа повинна класифікувати вхідні спостереження. Приклад введення значень користувача, що подаються на вхід мережі, показаний на рис. 7.
Рис. 7. Введення значень користувача
Результат роботи мережі показаний на рис. 8, звідки видно, що НС віднесла нові спостереження, які не бачені мережею раніше, до класу 1 (приймається кандидат).
Рис. 8. Прогноз спостереження користувача
Висновки
. Показана можливість застосування методів м'яких обчислень в задачі управління персоналом.
. З використанням нечіткої логіки наведено рішення задачі про вибір роботи здобувачем з урахуванням певних обмежень з його боку.
. Застосовуючи апарат нейронних мереж і відповідний програмний продукт, продемонстрований спосіб підбору персоналу по ряду виділених критеріїв.
Використані джерела
1. Кричевський М.Л Інтелектуальні методи в менеджменті.- СПб .: Питер, 2005 р
2. Міжнародний центр дистанційного навчання Управління персоналом книга 3. Ефективний менеджмент.
. Майкл Армстронг. Практика управління людськими ресурсами. 8-е видання. Пітер 2008
. О.М. Хотяшева. Інноваційний менеджмент 2-е видання СПб, Питер 2006 р
