0
Rajčević Luka Sever Nikola
   O neuronskim mrežama   Vrste neuronskih mreža   Predviđanje neuronskim mrežama   Zaključak
   Neuronske mreže su sustavi modelirani od    procesirajućih elemenata tzv. neurona, po    uzoru na mrežu ljudskih možda...
Primjer neuronske mreže:neuroni, veze i slojevi
   Postoje dvije vrste neuronskih mreža    ◦ Biološke neuronske mreže    ◦ Umjetne neuronske mreže
   Puno složenije od umjetnih   Predstavljaju živčani sustav živih bića
   Sustav od više jednostavnih procesora    (neurona) od kojih svaki ima svoju lokalnu    memoriju.   Neuroni su međusob...
   Umjetne neuronske mreže mogu se    klasificirati na raznovrsne načine   Na osnovu metode učenja:    ◦ nadziranog (sup...
   Algoritam mreže "širenje unatrag" bio je    presudan za široku komercijalnu upotrebu    neuronskih mreža   Njezin prv...
   U osnovi, ova mreža propagira input kroz    mrežu od ulaznog do izlaznog sloja, a zatim    određuje grešku i tu grešku...
   Predviđanje broja    ◦ Dolazaka turista    ◦ Noćenja turista   za RH za 2011. godinu   Podaci preuzeti od državnog z...
Rb.   Naziv varijable   Opis1.    godina            Godina za koju se gleda broj dolazaka (noćenja).2.    broj dolazaka   ...
   Podatke smo obrađivali u alatu JMP i izraženi    su u tisućama                    Slika 1: Grafikon broja dolazaka
Broj    Overfit                                 Broj dolazaka u                        Rsquare      RMSEčvorova   penalty ...
Slika 2: n = 3, overfit = 0.001   Slika 3: n = 4, overfit = 0.001
Slika 4: n = 5, overfit = 0.001   Slika 5: n = 6, overfit = 0.001
Slika 6: Skalirani prikaz dobivenih rezultata
Slika 7: Grafikon ukupnih noćenja
Broj    Overfit                          Broj noćenja – u tisućama                    Rsquare     RMSEčvorova   penalty   ...
Slika 8: n = 5, overfit = 0.001   Slika 9: n = 6, overfit = 0.001
Slika 10: n = 7, overfit = 0.001   Slika 11: n= 15, overfit = 0.001
Slika 12: Skalirani prikaz dobivenih rezultata
   Zaključak je da će u 2011. godini biti više    noćenja i posjetitelja nego godinu ranije   Problem kod istraživanja: ...
   Analiziranje neuronskim mrežama je prilično    jednostavno   Uz mogućnost treniranja ikorištenja trening    uzoraka, ...
   Neural networks, članak dostupan na :    http://en.wikipedia.org/wiki/Neural_network   http://www.jmp.com/software/ ...
Upcoming SlideShare
Loading in...5
×

Predviđanje broja noćenja u RH u 2011. godini

1,003

Published on

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
1,003
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Predviđanje broja noćenja u RH u 2011. godini"

  1. 1. Rajčević Luka Sever Nikola
  2. 2.  O neuronskim mrežama Vrste neuronskih mreža Predviđanje neuronskim mrežama Zaključak
  3. 3.  Neuronske mreže su sustavi modelirani od procesirajućih elemenata tzv. neurona, po uzoru na mrežu ljudskih moždanih stanica. Neuroni su povezani komunikacijskim kanalima (vezama) Važna osobina neuronskih mreža je njihova sposobnost da uče na ograničenom skupu primjera
  4. 4. Primjer neuronske mreže:neuroni, veze i slojevi
  5. 5.  Postoje dvije vrste neuronskih mreža ◦ Biološke neuronske mreže ◦ Umjetne neuronske mreže
  6. 6.  Puno složenije od umjetnih Predstavljaju živčani sustav živih bića
  7. 7.  Sustav od više jednostavnih procesora (neurona) od kojih svaki ima svoju lokalnu memoriju. Neuroni su međusobno povezani vezama koje sadržavaju težinske koeficijente Te veze pohranjuju znanje potrebno za rješavanje određenog problema
  8. 8.  Umjetne neuronske mreže mogu se klasificirati na raznovrsne načine Na osnovu metode učenja: ◦ nadziranog (supervised training) ◦ nenadziranog učenja (unsupervised training) Na osnovu strukture ponovne uporabe informacija: ◦ nepovratne (feedforward) ◦ ovratne (feedbackward)
  9. 9.  Algoritam mreže "širenje unatrag" bio je presudan za široku komercijalnu upotrebu neuronskih mreža Njezin prvi kreator bio je Paul Werbos 1974., a proširena je od strane Rumelhart-a, Hinton-a i Williams-a 1986 Bila je to prva neuronska mreža s jednim ili više skrivenih slojeva.
  10. 10.  U osnovi, ova mreža propagira input kroz mrežu od ulaznog do izlaznog sloja, a zatim određuje grešku i tu grešku propagira unazad sve do ulaznog sloja ugrađujući je u formulu za učenje
  11. 11.  Predviđanje broja ◦ Dolazaka turista ◦ Noćenja turista za RH za 2011. godinu Podaci preuzeti od državnog zavoda za statistiku ( Izvješće o turizmu u 2010. g)
  12. 12. Rb. Naziv varijable Opis1. godina Godina za koju se gleda broj dolazaka (noćenja).2. broj dolazaka Broj turističkih dolazaka u RH za određenu godinu.3. broj noćenja Broj turističkih noćenja u RH za određenu godinu. Tablica 1: podaci korišteni u istraživanju
  13. 13.  Podatke smo obrađivali u alatu JMP i izraženi su u tisućama Slika 1: Grafikon broja dolazaka
  14. 14. Broj Overfit Broj dolazaka u Rsquare RMSEčvorova penalty tisućama (2011) 3 0,001 0,9564 0,043 11097 3 0,004 0,9369 0,052 11501 4 0,004 0,9412 0,051 11512 4 0,001 0,9606 0,041 11210 5 0,001 0,9606 0,042 11155 5 0,004 0,9412 0,052 11527 6 0,004 0,9411 0,053 11538 6 0,001 0,9606 0,043 11155 7 0,001 0,9606 0,044 11152 7 0,004 0,9412 0,053 11516 15 0,001 0,9606 0,051 11155 Tablica 2: Rezultati istraživanja - dolasci
  15. 15. Slika 2: n = 3, overfit = 0.001 Slika 3: n = 4, overfit = 0.001
  16. 16. Slika 4: n = 5, overfit = 0.001 Slika 5: n = 6, overfit = 0.001
  17. 17. Slika 6: Skalirani prikaz dobivenih rezultata
  18. 18. Slika 7: Grafikon ukupnih noćenja
  19. 19. Broj Overfit Broj noćenja – u tisućama Rsquare RMSEčvorova penalty (2011) 3 0,001 0,9496 0,052 56000 3 0,004 0,9264 0,063 59151 4 0,004 0,9302 0,062 58876 4 0,001 0,9576 0,048 56623 5 0,001 0,9601 0,047 57799 5 0,004 0,9301 0,063 59097 6 0,004 0,9271 0,065 60515 6 0,001 0,9598 0,048 58052 7 0,001 0,9606 0,049 58818 7 0,004 0,9299 0,066 59244 15 0,001 0,9605 0,057 58820 Tablica 3: Rezultati istraživanja - noćenja
  20. 20. Slika 8: n = 5, overfit = 0.001 Slika 9: n = 6, overfit = 0.001
  21. 21. Slika 10: n = 7, overfit = 0.001 Slika 11: n= 15, overfit = 0.001
  22. 22. Slika 12: Skalirani prikaz dobivenih rezultata
  23. 23.  Zaključak je da će u 2011. godini biti više noćenja i posjetitelja nego godinu ranije Problem kod istraživanja: nije bilo moguće trenirati neuronsku mrežu – manje točni rezultati, velika greška
  24. 24.  Analiziranje neuronskim mrežama je prilično jednostavno Uz mogućnost treniranja ikorištenja trening uzoraka, rezultati mogu biti besprijekorni Neuronske mreže imaju jako veliki potencijal i buduće analize će uvelike biti izvođene s neuronsim mrežama
  25. 25.  Neural networks, članak dostupan na : http://en.wikipedia.org/wiki/Neural_network http://www.jmp.com/software/ Povijest neuronskih mreža prevedena sa http://library.thinkquest.org/C007395/tqwe b/history.html
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×