CC BY
142
Шимохин А. В., Воробьев Д. А. Применение Statistica 13 - Automated Neural Networks в обучении нейросетевому моделированию обучающихся на экономических направлениях // Электронный научно-методический журнал Омского ГАУ. - 2018. -№4 (15) октябрь - декабрь. - URL http://e-journal.omgau.ru/images/issues/2018/4/00626.pdf. - ISSN 2413-4066
УДК 378.14
Шимохин Антон Владимирович
Кандидат экономических наук ФГБОУВО Омский ГАУ, г. Омск schimokhin@yandex.ru
Воробьев Дмитрий Анатольевич
старший преподаватель ФГБОУ ВО Омский ГАУ, г. Омск da.vorobev@omgau.org
Применение Statistica 13 - Automated Neural Networks в обучении нейросетевому моделированию обучающихся на экономических направлениях
Аннотация. Продуктом развития технологий современного мира стала цифровая экономика. Создаются различные алгоритмы, на основе которых разрабатываются программные продукты для решения различных экономических задач. В статье рассмотрен вопрос о необходимости изучения современных алгоритмов обработки данных при подготовке экономистов. Рассмотрен инструмент программы Statistica 13 -AutomatedNeuralNetworks, который можно применять при обучении и ознакомлению с нейросетевым моделированием обучающихся различных направлений.
Ключевые слова: нейросетевое моделирование, цифровая экономика, Statistica,образование.
В настоящее время в задачах экономики находят применение различные, современныеГГ-технологии. Теперь они с большой точностью могут выполнять задачи прогнозирования, классификации и др., обрабатывая большие массивы данных. В статье [1] отмечается, что продуктом современности является электронная экономика, в том числе веб - интернет и цифровая экономика, которые функционируют с помощью цифровых телекоммуникаций. Все больше отраслей включается в цифровую экономику: финансы, торговля, машиностроение, строительство, транспорт, связь, медицина, образование и др. Происходит трансформация экономических отношений, так производство, обмен и
потребление информации становятся главными по сравнению с другими видами хозяйственной и экономической деятельности, а также влияют на них [1] .
Информация стала главным фактором производства в форме современных технологий и открыла возможности качественного экономического роста засчет применения следующих инструментов [1]:
• неограниченные коммерческие площадки в интернете, развитие интернет -торговли, финансовых (фондовых и валютных) бирж;
• уменьшение размеров компаний, развитие горизонтальных систем управления и появления виртуальных предприятий (фирм) - «киберкорпорации»;
• многократное использование одного и того же физического, трудового и других ресурсов для предоставления различных услуг в рамках облачной инфраструктуры предприятия;
• ограниченность масштаба операционной деятельности только размерами интернета;
• появление новых точек экономического роста и «цифровых долин».
По данным немецкого объединения предприятий цифровой экономики Bitkom Цифровые навыки будут востребованы не только в информационно-коммуникационных технологий, но и в банковской деятельности, в торговле, страховании, здравоохранении [2]. Эксперты из компании Adesso [2] отмечают, что на настоящий момент навыки электронной обработки данных находятся на четвертом месте по степени важности в общем списке hardskills. Причем владение пакетом MicrosoftOffice: работе в Word, обработке данных в программе Excel и, работа с PowerPoint является базовым навыком. Уровень владения данными навыками должен быть очень высоким. Такие навыки как обработка фотографий, аудио- и видеоматериалов, которые раньше были нужны лишь профессиональным дизайнерам и представителям творческих профессий, сегодня могут пригодиться менеджеру, аналитику, маркетологу и другим специалистам [2]. По утверждению эксперта Федерального объединения информационных, телекоммуникационных и компьютерных технологий Bitkom, знание языков программирования важно не только продвинутым пользователям, но и другим специалистам, так как в этом случае он понимает, как устроен цифровой мир, как можно перевести бизнес в цифровой формат. Рассмотрим один из видов инструментов, которые нашли свое применение для решения экономических задач - нейронные сети. Нейронные сети - математические модели, способные с высокой точностью и скоростью решать задачи связанные с прогнозированием или классификацией.
Например, программный продукт «Forecast NOW!» прогнозирует спрос на товары, позволяет оптимизировать работу закупок и снизить неликвидные запасы. На основе
методики нейронных сетей известны приложения способные анализировать спрос на определенные товары, заказанные в интернете, прогнозировать курсы валют, проводить прогноз платежеспособности клиента и другие задачи [3-7].
В связи с этим актуальным становится обучение специалистов изучению основ нейросетевого моделирования.
Одним из возможных способов обучения может стать использование инструмента StatisticaAutomatedNeuralNetworks, с которым обучающийся может выполнять задания, как на аудиторных занятиях, так и самостоятельно.
При запуске инструмента NeuralNetworks в программе Statistica. предлагается выбрать вид решаемой задачи: классификация, регрессия (рисунок 1).
¡Нейронные Сети: Таблица данныхЭ
Вкодные, выходные леременньее Зависимые: XOR
Независимые; FIRST-SECOND
Тип переменный
Непрерывные: FIRST SECOND Категориальные: XOR
К.оды выборок: нет
И
Быстрый | Дополнительно | Сети/Ансамбли |
Тип задачи Инструмент:
Регрессия (* Классификация Временные ряды Кластерный анализ
М^Ы П временные |
Задать коды выборок
I Обучающая: | Г" Контрольная: | Г~ Тестовая:
] Мастер решений
Конструктор сетей
Создает и тестирует сети дл-ч анализа данных и прогноз Конструирует набор сет«й для реш-нпя сыбранной задачи
Игнорировать;
Используется для обучения Используется для оцениеанил ошибки
Используется для сравнения апьтернатмЕнь молелен
Игнорируемы« наблюдения исключаю вся из анализа
Выдать сообщение, если обнаружены пропущенные данные
ш
01мена
JÜB Опции |
Рисунок 1 выбора вида решаемой задачи
Далее распределяем данные на входы и выходы. И выбираем тип модулируемой нейронной сети (Рисунок 2).
| Конструктор Сетей: ХОР
Зависимые: XOR Независимые: FIRST-SECOND
Быстрый Элементы
Тип сети
- Многослойный Персегтгрон(МП)
Радиальная базисная Функция [РБФ] Г Вероятностная нейронная сеть [ВНС) С Обобщенная регрессионная нейронная сеть (0РНС| С Самоорганизующаяся карга Коионена Линейная сеть
Сеть главны к компонент (Гл. Коми.) Сеть для кластеризации
а а*.
Охмена
JS1 Опции -г
F^l Правка |
Рисунок 2 Выбор моделируемой нейронной сети Здесь же выполняется выбор функции активации нейрона, задается диапазон количества скрытых слоев, нейронов для моделируемой нейронной сети и способ обучения (рисунок 34).
! Редактор сети: Таблица данныхЗ
Л
N Б.. От., От. Аркнтекгурэ Произвел ■ Контр, про. Тост, прои Ошибка с. Кон
3 У 0 МП 22-2-1:1 0,000000 0,000000 О.ООСОГО 0.000000 0.00
< >
Временные рдцы
Быстрый
Дополнительно
Перемените
Удег»ение
Слон
Пороги
В ем
Синаптическзя ф-ция: Фикция актмващм
|Линейная ■г
Погистическа:
гт
ождественная
Гиперболическая
Экспонента
СоФтмакс
ЦК
Отмена
(Я Опции
Ов^чигь
Редактор но^е/еи
редактировать сеть н № записи Бается в макрос.
Рисунок 3 Выбор функции активации и другие параметры моделируемой нейронной сети
!;. Многослойный персептрон - обучение: ^¡зБМГ^
Классификация Быстрый
Затухание Начало анализа
Интерактивный Обр, распр, [1) Окончание анализа
Первый этап
| Обратное распространение
Обратное распространение
Метод сопряженных градиентов Квази-Ньютон (ВР63) Лееенберга-Маркара Быстрое распространение Дет>та-дельта-с-чергой_
И
(*? Второй этап
Метоп сопряженных градиентов ^ |
I
Эпохи:
Скорость Сгбуч
500
1
0К
Семена
& Опции т
VI Пользователя
«5516К «515 Выборки
Рисунок 4 Выбор способа обучения для моделируемой нейронной сети
В результате создаются несколько вариантов архитектур нейронных сетей для решаемых задач (Рисунок 5). Далее обучающийся может провести анализ эффективности нейронной
сети при различном количестве скрытых слоев, нейронов, различных функций активации и провести анализ чувствительности факторов.
Результаты: IrisSNN
н Архитектура Прсизощи Кеитр. про.. Тест. прои... Ошибка о.. Ко Щ
1 Линейнм 2:2-3:1 0,815789 0,837333 0,337833 0,314889 о,:
2 Линейная 3:3-3:1 0,881579 8,837833 0,364865 0,232774 о,- Отмена
У МП 4:4-10-3:1 0,373684 0.Э72Э73 0,972973 0,17248С U.1
4 МП 3:3-9-3:1 0,973884 1,000000 0,372973 0,178711 М В 8,1 Onuw -
5 РБЧ> 4:4-19-3:1 0,986842 8,972973 0,345946 0,109944
Быстрый | Дополнительно | Предсказанные Ч^ствительность | Описательные '
Анализ чувствительности
- П сказатели чувствительности Г Отношение ошибок f Ранжирование '* Отношение и ранжироБание
HiMWTt М дгв cexpai-в-м mw 1 возврата в стартовуе панвпь.
Исгхиьзуете опцин trapTMoi пэ«№. чтобы вифаниь. реигтроыть игм вновь мум'ть сеть fei-epypoBSTb С т SVB «к, применить сеть е ВИМ** ХМНР1И
Выбрать модели
■¡.® Наблюдения
Удаление ПД
(* Построчное
■' Замена средним
Рисунок 5 Результаты моделирования В программе можно провести проверку работы полученной нейронной сети на различных данных. Таким образом, программа Statistica13 может быть удобным инструментом для изучения нейросетевого моделирования обучающимся различных направлений. Распространение нейросетевого моделирования для решения задач в различных видах деятельности постоянно расширяется, становится актуальным изучение данной технологии обучающимися, в задачи которых будет входить обработка большего объема данных и прогнозирование. Такой специалист будет востребован и сможет эффективно использовать новейшие программные продукты, выбирать их для решения профессиональных задач, основываясь на полученных знаниях.
Ссылки на источники
1 . Юдина Т.Н.Осмысление цифровой экономики / Теоретическая экономика,№3 -Екб.:Институт экономики УрО РАН, 2016 - с. 12-16
2. Цифровая экономика: с какими навыками легче найти работу в Германии [Электронный ресурс]// Madeforminds, [Офиц. сайт]. URL: https://www.dw.com/ru З.Оптимизируем складские запасы [Электронный ресурс]// Forecast NOW, , [Офиц. сайт]. URL: https://fnow.ru/
4.Федорова Е.А. Прогнозирование курса валюты с помощью нейронных сетей [Электронный ресурс]//Финансовая аналитика: проблемы и решения, №11 -Мск:Изда-во Финансы и кредит,2013 - с.14-30
5. Гареева Г. А., Григорьева Д. Р., Гилязеев Т. В. Применение нейронных сетей в экономике // Молодой ученый. — 2018. — №18. — С. 306-309. — URL https://moluch.ru/archive/204/49905/ (дата обращения: 07.10.2018).
6. Курников Д.С. Использование нейронных сетей в экономике/Международный научный журнал Juvenisscientia, №6- Спб: Изд-во Сциентиа,2017 - с. 10-12 7 . Хаирова С.М., Шимохин А.В. Совершенствование организации услуг по ремонту оборудования // Вестник СибАДИ. — Омск: СибАДИ. — 2015. — Вып.-5(45).-№5- C.194-196.
Anton Shimohin
FSBEI HE Omsk SA U, Omsk
Dmitry Vorobev
FSBEI HE Omsk SA U, Omsk
Application of Statistica 13 - Automated Neural Networks in the Economics Students in
Neural Network Modeling
Abstract. The product of the development of modern technology world has become a digital economy. Various algorithms are created, on the basis of which software products are developed for solving various economic problems. The article discusses the need to study modern data processing algorithms in the training of economists. The tool of the program Statistica 13 - Automatic NeuralNetworks, which can be used for training and familiarization with neural network models of learning various possibilities, is considered.
Keywords: neural network modeling, digital economy, statistics, education.
