вже звичний спосіб використання нейронних мереж у практиці західних компаній. При цьому нейронна мережа також використовує безліч економічних показників, складним чином пов'язаних між собою. Нейромережевий підхід особливо ефективний у задачах експертної оцінки з тієї причини, що він поєднує в собі здатність комп'ютера до обробки чисел і здатність мозку до узагальнення і розпізнаванню. Кажуть, що у хорошого лікаря здатність до розпізнавання у своїй області настільки велика, що він може провести приблизну діагностику вже за зовнішнім виглядом пацієнта. Можна погодитися також, що досвідчений трейдер відчуває напрям руху ринку по виду графіка. Однак у першому випадку всі фактори наочні, тобто характеристики пацієнта миттєво сприймаються мозком як "бліде обличчя", "блиск в очах" і т.д. У другому ж випадку враховується тільки один фактор, показаний на графіку - курс за певний період часу. Нейронна мережа дозволяє обробляти величезну кількість чинників (до декількох тисяч), незалежно від їх наочності - це універсальний "хороший лікар", який може поставити свій діагноз у будь-якій області. Кластеризація за допомогою нейронних мереж і пошук залежностей
Крім задач класифікації, нейронні мережі широко використовуються для пошуку залежностей у даних і кластеризації. Наприклад, нейронна мережа на основі методики МГУА (метод групового обліку аргументів) дозволяє на основі навчальної вибірки побудувати залежність одного параметра від інших у вигляді полінома. Така нейронна мережа може не тільки миттєво вивчити таблицю множення, а й знайти складні приховані залежності в даних (наприклад, фінансових), які не виявляються стандартними статистичними методами. br/>В
Кластеризація - це розбиття набору прикладів на кілька компактних областей (кластерів), причому число кластерів заздалегідь невідомо. Кластеризація дозволяє представити неоднорідні дані на більш наочному вигляді і використовувати далі для дослідження кожного кластера різні методи. Наприклад, таким чином можна швидко виявити фальсифіковані страхові випадки або недобросовісні підприємства. Застосування нейронних мереж в задачах прогнозування
Задачі прогнозування особливо важливі для практики, зокрема, для фінансових додатків, тому пояснимо способи застосування нейронних мереж в цій області більш докладно. Розглянемо практичну задачу, відповідь у якій неочевидний - завдання прогнозування курсу акцій на 1 день вперед. Нехай у нас є база даних, що містить значення курсу за останні 300 днів. Найпростіший варіант в даному випадку - спробувати побудувати прогноз завтрашньої ціни на основі курсів за останні кілька днів. Зрозуміло, що прогнозуюча нейронна мережа повинна мати всього один вихід і стільки входів, скільки попередніх значень ми хочемо використовувати для прогнозу - наприклад, 4 останні значення. Скласти навчальний приклад дуже просто - вхідними значеннями нейронної мережі будуть курси за 4 послідовни...
