М.В. Добрина1

1 Финансовый университет при Правительстве РФ (Москва, Россия)

Постановка проблемы. В настоящее время заметно постоянное развитие технологий и систем управления данными. Такая тенденция приводит к росту объема хранения информации. Для обработки существенного объема данных на практике часто применяется технология интеллектуального анализа.

Цель. Оценить перспективность использования искусственных нейронных сетей в качестве инструмента анализа данных.

Результаты. Проанализирована перспективность использования искусственных нейронных сетей в качестве инструмента анализа данных. Рассмотрено понятие нейронной сети, описана ее структура, предложен алгоритм анализа данных с применением искусственных нейронных сетей. Показано, что работа содержит описание однослойного и многослойного персептрона, сети прямого распространения, функции активации, а также LSTM и рекуррентных нейронных сетей.

Практическая значимость. Полученные результаты могут быть полезны при обучении специалистов в области разработки различных интеллектуальных систем с использованием искусственных нейронных сетей. Развитая теория и методы построения искусственных нейронных сетей в виде методических материалов могут применяться в учебном процессе.

Добрина М.В. Методы анализа данных с использованием искусственных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 4. С. 45-53. DOI: https://doi.org/10.18127/j19998554-202304-06

1. McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity // The bulletin of mathematical biophysics. 1943. V. 5. № 4. P. 115–133. DOI 10.1007/BF02478259.
2. Карпов И.Г., Проскурин Д.К. Обобщенные распределения математической статистики в задачах обработки данных // Радиотехника. 2010. № 8. С. 109–112.
3. Frawley W., Piatetsky-Shapiro G., Matheus C. Knowledge Discovery in Databases: An Overview // AI Magazine. 1992. V. 13. № 3. Р. 57–70. DOI 10.1609/aimag.v13i3.1011.
4. Иванова Г.С., Мартынюк П.А. Анализ нейросетевых языковых моделей при решении задач обработки текстовых данных // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 2. С. 5-20. DOI 10.18127/j19998554-202302-01.
5. Добрина М.В., Алексейко М.Д., Цеско Е.Э. Рынок электронной коммерции: сущность и направления совершенствования // Материалы XVII Всеросс. науч.-практич. интернет-конф. «Электронный бизнес: проблемы, развитие и перспективы» / Под общ. ред. В.В. Давниса. Воронеж. 2019. С. 119–122.
6. Добрина М.В., Стрекалова Д.С. Прогнозирование цены закрытия акций в Python // Материалы XVII Междунар. науч.-практич. конф. «Экономическое прогнозирование: модели и методы» / Под общ. ред. В.В. Давниса. Воронеж: Воронежский государственный университет. 2022. С. 109–112.
7. Романов В.П. Интеллектуальные информационные системы в экономике: учебное пособие / Под ред. Н.П. Тихомирова. М.: Экзамен. 2003. 496 с.
8. Дюк В.А., Флегонтов А.В., Фомина И.К. Применение технологий интеллектуального анализа данных в естественнонаучных, технических и гуманитарных областях // Известия Российского государственного педагогического университета
   им. А.И. Герцена. 2011. № 138. С. 77–84.
9. Макарычев П.П., Механов В.Б., Афонин А.Ю. Оперативный и интеллектуальный анализ данных: учебное пособие. Пенза: Пензенский государственный университет. 2010. 156 с.
10. Мулюкова К.В. Сравнительный анализ современных инструментов Data Mining // Молодой ученый. 2019. № 1(239). С. 19–21.
11. Ясницкий Л.Н. Введение в искусственный интеллект: учеб. пособие для вузов. М.: Изд. центр «Академия». 2005. 176 с.