Использование нейросетевые технологии для решения задач управление кадров

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

ФИНАНСОВЫЙ УНИВЕРСИТЕТ

ПРИ ПРАВИТЕЛЬСТВЕ РОССИЙСКОЙ ФЕДЕРАЦИИ

ОРЛОВСКИЙ ФИЛИАЛ

Кафедра Прикладной информатики

 

 

 

 

 

 

 

КОНТРОЛЬНАЯ РАБОТА

 

по дисциплине Анализ данных

 

на тему: «Использование  нейросетевые  технологии для решения задач управление кадров»

 

 

 

 

 

 

 

 

 

Студентка Гаврютина Наталья

Дмитриевна

Курс 2      № группы  2бб-и

Факультет Учетно-Статистический

Специальность  Бакалавр Бизнес-Информатики

Личное дело №  11УЛБ00973

Преподаватель Блинников        

Александр Евгеньевич

 

 

 

Орел  2012

 

Содержание

 

 ВВЕДЕНИЕ                           3

1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ                        4

2. ПРАКТИЧЕСКАЯ ЧАСТЬ        7

3. ЗАКЛЮЧЕНИЕ                11

4. СПИСОК ЛИТЕРАТУРЫ               12

 

 

 

 

          ВВЕДЕНИЕ                  

Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились и решения задач в сфере финансов.  
Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса финансовых задач. В последние несколько лет на основе нейронные сетей было разработано много программных систем для применения в таких вопросах, как операции на товарном рынке, оценка вероятности банкротства банка, оценка кредитоспособности, контроль над инвестициями, размещение займов.  
Приложения нейронные сети охватывают самые разнообразные области интересов: распознавание образов, обработка зашумленные данных,   прогноз, диагностика, обработка сигналов, управление процессами и т.д. Смысл использования нейронных сетей в финансовой области заключается в том, чтобы дать еще одно возможное средство для решения задач.  
Тем не менее, тенденции развития нейросетей растут с каждым годом.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1   ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

 

Нейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека, а именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.

Нейронная сеть состоит, как это ни странно, из нейронов.

Рассмотрим устройство простейшей многослойной нейросети. Любая нейронная сеть состоит из входного слоя и выходного слоя. Соответственно подаются независимые и зависимые переменные. Входные данные преобразуются нейронами сети и сравниваются с выходом. Если отклонение больше заданного, то специальным образом изменяются веса связей нейронов между собой и пороговые значения нейронов. Снова происходит процесс вычислений выходного значения и его сравнение с эталоном. Если отклонения меньше заданной погрешности, то процесс обучения прекращается.  
Помимо входного и выходного слоев в многослойной сети существуют так называемые скрытые слои. Они представляют собой нейроны, которые не имеют непосредственных входов исходных данных, а связаны только с выходами входного слоя и с входом выходного слоя. Таким образом, скрытые слои дополнительно преобразуют информацию и добавляют нелинейности в модели.   
Множество входных сигналов, обозначенных x1, x2, x3...xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2, w3...wn, и поступает на суммирующий блок, обозначенный СУМ. Каждый вес соответствует "силе" одной биологической синоптической связи. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход.

Типичный пример сети с прямой передачей сигнала показан на (рис. 1). Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя. Можно было бы рассматривать сети, в которых нейроны связаны только с некоторыми из нейронов предыдущего слоя.

               Рис. 1

При работе (использовании) сети во входные элементы подаются значения входных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

Наверно, в каждой предметной области при ближайшем рассмотрении можно найти постановки нейросетевых задач. Вот список отдельных областей, где решение такого рода задач имеет практическое значение уже сейчас.

Экономика и бизнес: предсказание рынков, предсказание банкротств, оценка стоимости недвижимости, выявление пере- и недооцененных компаний, автоматическое рейтингование, оптимизация товарных и денежных потоков, автоматическое считывание и распознавание чеков и документов, безопасность транзакций по пластиковым картам.

Медицина: постановка диагноза, обработка медицинских изображений, мониторинг состояния пациента, факторный анализ эффективности лечения, очистка показаний приборов от шумов.

Связь: сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов.

 

 

 

                                  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                      2  ПРАКТИЧЕСКАЯ ЧАСТЬ

 

1. Составление трудно формализуемой задачи.

В данной задаче мы рассматриваем кандидатуры принятия на работу.

На первом входе рассматриваем образование, т.е. 0-его нет, 1- одно образование, 2- два образования.

На втором входе рассматриваем стаж, т.е. 0- его нет, 1- один год, 2- два года  и т.д.

На третьем этапе рассматриваем опыт работы, т.е. 0- его нет, 1 – 1год, 2- два года и т.д.

На первом выходе рассматриваем все три качества, которые были на входе и решаем, брать этого человека или нет.

На втором выходе определяем ему зарплату в связи с его качествами.

На третьем выходе решаем дать ему социальный пакет или нет.

Обучающая выборка представлена (рис. 1)

Рис. 1. Обучающая выборка

 

2. Выбор входов и выходов

 

 

Выделяем поля входа и выхода из обучающей выборки (рис. 2)

 

Рис. 2. Распределение входных и выходных данных

 

 

3.Выбор числа нейронных слоев во входном и в выходном слое (рис. 3)

Рис. 3 Топологическая структура

7. На данном этапе происходит обучение программы (рис. 4)

Рис. 4 Обучающая программа

 

 

8. Результаты

 

После обучения программа выдает нам рассчитанные значения на выходе (рис. 5)

 

Рис.5  Результаты

 

 

ВЫВОД

 

В моей работе в практической части мы видим, что в применении нейронной технологии в решении  данной задачи мы получаем актуальные результаты.

Данная программа удобна для решения таких задач и не только. Нейронные сети могут решать широкий круг задач обработки и анализа данных − распознавание и классификация образов, прогнозирование, управление и т.д.

                                               ЗАКЛЮЧЕНИЕ

 

Искусственные нейронные сети являются важным расширением понятия вычисления. Они обещают создание автоматов, выполняющих функции, бывшие ранее исключительной прерогативой человека. Теория искусственных нейронных сетей развивается стремительно, но в настоящее время она недостаточна, чтобы быть опорой для наиболее оптимистических проектов. В ретроспективе видно, что теория развивалась быстрее, чем предсказывали пессимисты, но медленнее, чем надеялись оптимисты, – типичная ситуация. Сегодняшний взрыв интереса привлек к нейронным сетям тысячи исследователей. Резонно ожидать быстрого роста нашего понимания искусственных нейронных сетей, ведущего к более совершенным сетевым парадигмам и множеству прикладных возможностей 

                    СПИСОК ЛИТЕРАТУРЫ

1. Гусаров В.М. Статистика: учебное пособие для вузов. — М.: ЮНИТИ-ДАНА, 2001, 2003, 2007.

2. Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS: учебное пособие / под ред. И.В. Орловой. — М.: Вузовский учебник, 2009.16

3. Орлова И.В., Половников В.А. Экономико-математические методы и модели: компьютерное моделирование: учебное пособие. — М.: Вузовский учебник, 2007, 2009.

4. Статистика: учебник / под  ред. С.А. Орехова. — М.: Эксмо, 2010.

 

- -