Implementacja i wykorzystanie wielowarstwowej sieci perceptronowej w modelowaniu makroekonomicznym

Spis treści

1. Strona tytułowa
2. Spis treści
3. Wstęp

1. Sztuczna inteligencja
   1. Pojęcie inteligencji
   2. Obszar zainteresowań sztucznej inteligencji
   3. Rozwój badań nad sztuczną inteligencją
   4. Sztuczne sieci neuronowe
   5. Systemy ekspertowe
   6. Logika rozmyta
   7. Algorytmy genetyczne
   8. Systemy hybrydowe
   9. Zastosowania sztucznej inteligencji
   10. Podsumowanie
2. Jednokierunkowe, wielowarstwowe sieci neuronowe i algorytm wstecznej propagacji błędu
   1. Klasyfikacja sieci neuronowych
   2. Mózg i komórka nerwowa - inspiracje biologiczne
   3. Matematyczny model neuronu
   4. Warstwy sieci neuronowej
   5. Wstępne i końcowe przetwarzanie danych
   6. Klasyczny algorytm wstecznej propagacji błędu - EBP (ang. Error Back Propagation)
   7. Momentowa metoda wstecznej propagacji błędu - MEBP (ang. Momentum Error Back Propagation)
   8. Dobór optymalnej struktury sieci neuronowej
   9. Pomiar jakości działania sieci neuronowej
   10. Zdolność do generalizacji i zjawisko przeuczenia sieci neuronowej
   11. Podsumowanie
   12. Objaśnienia zastosowanych symboli
3. Algorytm uczenia sieci neuronowej oparty na metodzie wstecznej propagacji błędu
   1. Parametryzowanie sigmoidalnej funkcji aktywacji
   2. Współczynnik uczenia
   3. Współczynnik momentu
   4. Algorytm Chana i Falsidea
   5. Modyfikacja momentowej metody wstecznej propagacji błędu
   6. Zjawisko przetrenowania sieci neuronowej
   7. Właściwości algorytmu wczesnego stopu
   8. Wartość progowa - bias
   9. Generowanie sztucznych obserwacji przy użyciu interpolacji
   10. Wykorzystanie sztucznych, interpolowanych obserwacji
   11. Podsumowanie
4. Implementacja sztucznej sieci neuronowej oraz algorytmów uczenia w języku Java
   1. Język Java
   2. Wzorce projektowe w Javie
   3. Koncepcja silnika neuronowego
   4. Interpreter poleceń i koncepcja łańcucha odpowiedzialności
   5. Wzorzec fabryki i metody fabrycznej użyty w interpreterze
   6. Wzorzec polecenia jako rozdzielnie operacji interpretowania, obsługi interfejsu i obliczeń neuronowych
   7. Klasy obsługujące wejście i wyjście jako dekoratory
   8. Wykorzystanie koncepcji mostu w interakcji obiektów neuronów i sieci neuronowej
   9. Neuron jako implementacja wzorca prototypu
   10. Klasy bazowe konkretnych klas neuronów jako przykłady wzorca szablonu
   11. Podsumowanie
   12. Składnia poleceń programu NeuralEngine v1.0
   13. Struktura plików wykorzystywanych przez program NeuralEngine v1.0
5. Model gospodarki Szwecji EMIL w postaci sieci neuronowych
   1. Model EMIL
   2. Rezygnacja ze zmiennych zero-jedynkowych
   3. Usuwanie tendencji rozwojowej
   4. Wyznaczenie minimalnych i maksymalnych wartości zmiennych
   5. Ocena stopnia generalizacji i dopasowania sieci neuronowej do modelowanych zależności
   6. Przygotowanie plików ze strukturą sieci i obserwacjami
   7. Porównanie efektywności podstawowej i zmodyfikowanej wersji momentowej metody wstecznej propagacji błędu
   8. Metody trenowania i podział danych uczących
   9. Funkcja zmiany popytu
   10. Funkcja stopy inflacji
   11. Funkcja zmiany eksportu netto
   12. Funkcja zmiany nakładu pracy
   13. Podsumowanie
   14. Objaśnienia używanych symboli makroekonomicznych

1. Zakończenie
2. Bibliografia

Copyright © by Paweł Rośczak, 2003