Ім'я файлу: лаб 8-9 Гарбуза В.О. 122м-22-3 .docx
Розширення: docx
Розмір: 5655кб.
Дата: 14.12.2022
скачати
Пов'язані файли:
лаб 10-11 Гарбуза В.О. 122м-22-3 .docx

Міністерство освіти і науки України

НТУ «Дніпровська політехніка»

ФАКУЛЬТЕТ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ

Кафедра програмного забезпечення комп'ютерних систем

ІАСБОТ
Практичні роботи №8-9

Виконав:

Студент групи 122-19ск-1

Гарбуз В.О.

Прийняв:

Мороз Б.І.
2022 н.р.

Практична робота № 8

Тема: ПРОГНОЗУВАННЯ ТИМЧАСОВИХ РЯДІВ. НЕЙРОННІ МЕРЕЖІ
Завдання 1. Навчання нейронних мереж множенню.

Розглянемо прогнозування з допомогою нейронних мереж з прикладу прогнозування результату множення двох чисел.

Порядок выполнения работы:

  1. Створіть папку під назвою ПР8 Нейронні мережі. Створіть файл Excel, що містить 3 стовпці: два – з довільними числами (використовуйте функцію СЛЧИС та масштабування), третій – їх множення. Транслюйте формули на 150-200 рядків. Дайте назви стовпцям: Множення – результат множення множників Аргумент1, Аргумент2. Збережіть дані у файлі multi.txt у вашій папці.




  1. Запустіть аналітичну платформу Deductor. Створіть новий проект під ім'ям Ваше_прізвище ПР8 Нейронні мережі та збережіть його у створеній папці. Імпортуйте дані файлу multi.txt до проекту.



3. Виберіть для вузла імпорту обробник Нейросеть.

  • Укажіть призначення полів: Аргумент1, Аргумент2 – вхідні, а поле Произведение – вихідне.

  • На наступному кроці налаштуйте разбиття початкової множини даних на навчаючу, тестове і валідаційне. Выберіть спосіб разбиття початкової множини даних Случайно.

  • На наступному кроці вкажіть кількість нейронів в схованому шарі – 1, інші значення можна залишить за замовчанням.

  • Наступний крок пропонує вибрати алгоритм навчання і його параметры. Залишіть встановленні значення.

  • На наступному кроці налаштуйте умови зупинки навчання. Вкажіть, що треба вважати приклад розпізнаним, якщо помилка меньше 0,005, і також вкажіть умову зупинки навчання при досягненні епохи 10000.

  • Запустіть процес навчання і спостерігайте в його ході величину помилки, а також процент розпізнаних прикладів. Параметр Частота обновления відповідає за те, через яку кількість епох навчання виводиться данна інформація.





  1. Після навчання мережі виберіть як візуалізаторів Діаграму, Діаграму розсіювання, Граф нейромережі, Що-якщо. На звичайній діаграмі (точковій) відобразіть два поля – Множення та Множення_OUT (прогноз).









  1. Проведіть експеримент за допомогою візуалізатора Що-якщо, ввівши будь-які значення множників Аргумент1 і Аргумент2 і розрахувавши результат їхнього множення. Пам'ятайте, що значення мають бути з того ж діапазону, що й у навчальній множині.



Завдання 2. Прогноз продажів з допомогою нейронних мереж.
Є дані про щомісячну кількість проданого товару за кілька років. Необхідно на підставі цих даних спрогнозувати, скільки товару буде продано через тиждень, через два тижні. Порядок виконання роботи:


  1. Скопіюйте у свою папку демонстраційний текстовий файл Trade.txt та імпортуйте його дані в Deductor (вкажіть правильний роздільник дробової та цілої частини).





  1. Відобразіть діаграму продажу. На ній видно, що дані містять аномалії (викиди) та шуми, за якими важко розглянути тенденцію.



  1. Виконайте видалення аномалій та згладжування. Виявіть тенденцію.



a. Аналіз вихідних даних (діаграми) дозволяє передбачити щорічну періодичність продажів. Сформуйте відповідне ковзне вікно даних:

• Для цього запустіть Майстер обробки, виберіть як обробник Ковзне вікно.

• Призначте поле Кількість використаним. Виберіть глибину занурення 12 (тобто для кожного місяця відображатимуться дані попередніх 12 місяців). Обрій прогнозування – 0 (прогноз не будуємо).



  1. Відкрийте Майстер обробки та виберіть у ньому Нейронну мережу:

• Як вхідні фактори використовуйте Кількість – 12, Кількість – 11 (кількість товару 12 та 11 місяців тому щодо прогнозованого місяця), а також Кількість – 2 та Кількість – 1 – дані за два попередні місяці. Як вихідне поле вкажіть стовпець Кількість. Інші поля зробіть інформаційними.

• На наступному кроці вкажіть розбиття тестових та навчальних множин. Кількість шарів та нейронів у нейромережі, а також інші параметри налаштування залиште без зміни.

• Для візуалізації виберіть діаграму та налаштуйте відображення полів Кількість та Кількість_OUT – реального та розрахованого значень.


  1. Відкрийте Майстер обробки і виберіть обробник Прогнозування

  2. На другому етапі Майстра пропонується налаштувати зв'язки стовпців для прогнозування часового ряду: звідки брати дані для колонки при черговому етапі прогнозу.

  3. Вкажіть обрій прогнозу рівний трьом.

  4. Виберіть Таблиці та діаграми прогнозу. У Майстрі налаштування діаграми вкажіть як відображуваний стовпець Кількість, а як підписи по осі Х – стовпець Крок прогнозу




  1. Припустимо, прогноз вирішено робити на підставі лише даних про останні 3 місяці продажу


• Скопіюйте вузол (гілка) Ковзне вікно. Переналаштуйте копію (і перейменуйте!) на глибину занурення 3 (Кількість [–3:0]).



• Переналаштуйте (і перейменуйте) наступний за ним вузол нейромережі.


• Порівняйте результат прогнозу з попереднім. Змініть тип обох діаграм прогнозу на точкову, проаналізуйте числові значення прогнозу.





Завдання 3. Прогноз відвідуваності сайту.
Побудуємо прогноз відвідуваності сайту.

Порядок виконання роботи:

  1. Скопіюйте у свою папку файл dynamics_website.txt і виконайте імпорт даних у Deductor.



  1. Відсортуйте дані. Відобразіть точкову діаграму. Виявіть тенденцію.




  1. Проведіть необхідну парціальну обробку даних (для згладжування оберіть смугу пропускання 20-30).



  1. Налаштуйте ковзне вікно за останні 2 місяці.



  1. Налаштуйте нейронну мережу. Після її навчання встановіть способи відображення: Граф нейромережі, Що-якщо, Діаграма розсіювання, Таблиця, Діаграма. Проаналізуйте отримані дані.











  1. У майстрі обробки виберіть Прогнозування. Встановіть обрій прогнозування на 2 місяці вперед.




  1. Збережіть файл проекту. Заархівуйте Вашу папку ПР8 Нейронні мережі в архівний файл Ваше прізвище ПР8 Нейронні мережі.zip. Скопіюйте його в папку control.

Практична робота № 9
Тема: Лінійна регресія. Прогнозування
Завдання. Прогноз продажів за допомогою лінійної регресії.

Спрогнозуйте обсяг продажів протягом найближчих 3 місяців, побудувавши лінійну регресію для наявних даних.

Порядок виконання роботи:

Створити папку ПР9 Регресія. Скопіюйте в неї та імпортуйте до Deductor дані з демонстраційного файлу Trade.txt. Збережіть проект у файлі Ваше_прізвище ПР9 Регресія.


  1. Видаліть аномалії та згладжуйте. Для обох вузлів (імпорту та попередньої обробки) відобразіть діаграми. Порівняйте їх.





  1. Налаштуйте ковзне вікно, якщо відомо, що для прогнозу буде використано дані трьох попередніх місяців.



  1. Запустіть Майстер обробки та виберіть як обробку даних Лінійну регресію.

• Визначте вихідні стовпці. У припущенні, що на прогноз впливає інформація про три попередні місяці, вкажіть вхідними стовпцями поля: Кількість – 3, Кількість – 2 та Кількість – 1, а вихідним полем – стовпець Кількість.

• На другому кроці Майстра можна налаштувати навчальну та тестову множини та спосіб поділу вихідної множини даних. На третьому етапі – обмежити діапазон вхідних даних.

• Відобразіть діаграму розсіювання та діаграму полів Кількість та Кількість_OUT – реального та розрахованого значень.





  1. Після виконання процесу навчання для створення прогнозу запустіть обробник Прогнозування.

• На першому кроці Майстра вкажіть зв'язок між стовпцями та обрій прогнозу 3.

• Далі виберіть відображення Таблиці та Діаграми прогнозу (для стовпця Кількість, підписи по осі Х – Крок прогнозу).




  1. Порівняйте аналогічний результат прогнозу за даними останніх трьох місяців у попередній роботі ПР8 Нейронні мережі





  1. Самостійно проведіть аналогічну побудову лінійної регресії та прогнозування на підставі даних за 12 та 11, 2 та 1 місяць тому щодо прогнозованого місяця. Можна для цього скопіювати та переналаштувати вузол ковзного вікна, видалити всі наступні вузли та створити необхідні.




  1. Порівняйте результат з аналогічним прогнозом у попередній роботі ПР8 Нейронні мережі.





Збережіть файл проекту. Заархівуйте Вашу папку ПР9 Регресія в архівний файл Ваше прізвище ПР9 Регресія.zip. Скопіюйте його в папку control.
скачати

© Усі права захищені
написати до нас