پایان نامه با موضوع معماری شبکه و سرمایهگذاری

۳D Circular Maze, Labyrinth, Colorful, Choices, Problems, Strategy, Circle, Black background

سیگنال‌های نرون‌ها از طریق اتصالات انتقال می‌یابد.
هر ارتباط یک وزن دارد که در یک شبکه عصبی متداول، در سیگنال ورودی ضرب می‌شود. [do_widget id=kl-erq-2]
هر نرون یک تابع فعال سازی دارد (که عمدتاً غیرخطی است) که ورودی شبکه جمع و سیگنال‌های ورودی وزن را به خروجی تبدیل می‌کند.
می‌توان هر شبکه عصبی را با ویژگی‌های زیر تشریح نمود:
الگوی ارتباطات بین وزن‌ها (که معماری شبکه نامیده می‌شود)
روش تعیین وزن‌ها در ارتباطات (که یادگیری یا آموزش نامیده می‌شود)
تابع فعالسازی
عمدتاً شبکه‌های مختلف در جنبه های فوق متفاوت هستند و بدین طریق از هم متمایز می‌شوند.
هر شبکه عصبی از تعداد زیادی واحد ساده پردازش کننده که نرونها، واحدها، سلول‌ها و یا گره‌ها نامیده میشوند، تشکیل شده است. هر نرون با نرون‌های دیگر به وسیله اتصالات مستقیم مرتبط است که هر اتصال با یک وزن نمایندگی می‌شود. در واقع وزن‌ها اطلاعاتی را که برای حل مسئله مورد استفاده قرار می‌گیرد بازنمایی میکند.
هر نرون یک وضعیت درونی دارد که فعالسازی یا سطح فعالیت نامیده می‌شود و تابعی از ورودی‌هایی است که دریافت می‌کند. هر نرون فعالیت خود را به عنوان یک سیگنال به سایر نرون‌ها ارسال می‌کند. البته لازم به توجه است که هر نرون تنها یک سیگنال در هر لحظه از زمان قادر است ارسال کند [11].
2-8-5-4- پیش بینی
این تکنیک از روش‌های مهم و قدیمی داده‌کاوی است که میتواند جهت پاسخگویی به مسائلی از قبیل میزان جذب سرمایهگذاری ماه آینده بانک، پیشبینی ارزش سهام در روز آینده و … مورد استفاده قرار گیرد.
در پیشبینی مجموعهای از اطلاعات به عنوان ورودی به الگوریتم داده میشود. خروجی یک معادله ریاضی متناسب با این ورودی خواهد بود. برای پیشبینی یک متغیر در آینده داده‌ها را به فرمول ایجاد شده میدهیم و حاصل پیشبینی مورد نظر خواهد بود.
تفاوت این روش با روش‌های دسته‌بندی در این است که در روش دسته‌بندی متغیر هدف، مقادیری گسسته دارد اما در مورد روش پیشبینی مقادیر هدف پیوستهاند [1].
از مدلهای رایج در زمینه پیشبینی میتوان به رگرسیون اشاره نمود. رگرسیون خطی و منطقی از پرکاربردترین روش‌های رگرسیوناند. رگرسیون خطی رویکردی برای مدل‌سازی رابطه بین متغیرهای اسکار Y و متغیرهای پیشبینی کننده X است.
امروزه برای مدل‌سازی روابط غیرخطی و پیچیده بین متغیرهای ورودی خروجی از روشهایی مانند شبکه عصبی استفاده میشود.
2-8-5-5- خوشه‌بندی
خوشه‌بندی یا گروهبندی، تقسیم اقلام موجود در یک مجموعه داده است که به طور طبیعی با هم شباهت دارند. دادههایی که با این معیار به صورت خوشههایی تفکیک میگردند، با داده‌های موجود در خوشهای که در آن قرار میگیرند، بیشترین شباهت را دارند؛ و با داده‌های موجود در سایر خوشه‌ها متفاوتاند.
در خوشه‌بندی موضوعات زیر مورد توجه است:
چه تعداد از خوشه‌ها میتواند دانش نهفته در داده‌ها را کشف نماید؟ مسئله تعداد خوشه‌ها معمولاً به صورت جداگانه مورد بررسی قرار میگیرد.
معیارهای شباهت و تفاوت داده‌ها چیست؟ این معیارها خود به واسطه روش‌های مختلفی محاسبه میگردد، اما در بیشتر روش‌های خوشه‌بندی موجود از معیار فاصله فضایی دو داده از یکدیگر، استفاده میشود. فاصله فضایی میتواند با روش‌های مختلفی چون فاصله اقلیدسی، فاصله مینکوفسکی و یا فاصله مانهاتان محاسبه شود.
بعد از تعیین تعداد خوشه‌ها و معیار شباهت یا فاصله داده‌ها، داده‌ها با استفاده از چه روشی در تعداد خوشههای معین جای گیرند [11].
خوشه‌بندی یک الگوریتم بدون ناظر در داده‌کاوی است، زیرا هیچ صفتی منفردی برای هدایت فرایند Training استفاده نمیشود و همه صفات ورودی ارزش یکسان دارند [2].