Характеристики нейронных сетей

Применение нйронных сетей

Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях, таких как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

Стоит отметить, что поскольку, экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.

В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.

Ниже перечислены области, в которых эффективность применение нейронных сетей доказана на практике:

Для финансовых операций:

• Прогнозирование поведения клиента
• Прогнозирование и оценка риска предстоящей сделки
• Прогнозирование возможных мошеннических действий
• Прогнозирование остатков средств на корреспондентских счетах банка
• Прогнозирование движения наличности, объемов оборотных средств
• Прогнозирование экономических параметров и фондовых индексов

Для планирования работы предприятия:

• Прогнозирование объемов продаж
• Прогнозирование загрузки производственных мощностей
• Прогнозирование спроса на новую продукцию

Для бизнес-аналитики и поддержки принятия решений:

• Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных
• Анализ работы филиалов компании
• Сравнительный анализ конкурирующих фирм

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

Дата добавления: 2015-06-04