Мини-пакетный метод является золотой серединой и пытается совместить в себе плюсы обоих методов. Здесь принцип таков: мы в свободном порядке распределяем веса по группам и меняем их веса на сумму Дw всех весов в той или иной группе.

Гиперпараметры -- это значения, которые нужно подбирать вручную и зачастую методом проб и ошибок. Среди таких значений можно выделить:

· Момент и скорость обучения

· Количество скрытых слоев

· Количество нейронов в каждом слое

· Наличие или отсутствие нейронов смещения

В других типах НС присутствуют дополнительные гиперпараметры, но о них мы говорить не будем. Подбор верных гиперпараметров очень важен и будет напрямую влиять на сходимость вашей НС. Понять стоит ли использовать нейроны смещения или нет достаточно просто. Количество скрытых слоев и нейронов в них можно вычислить перебором основываясь на одном простом правиле -- чем больше нейронов, тем точнее результат и тем экспоненциально больше время, которое вы потратите на ее обучение.

Однако стоит помнить, что не стоит делать НС с 1000 нейронов для решения простых задач. А вот с выбором момента и скорости обучения все чуточку сложнее. Эти гиперпараметры будут варьироваться, в зависимости от поставленной задачи и архитектуры НС. Например, для решения XOR скорость обучения может быть в пределах 0.3 -- 0.7, но в НС которая анализирует и предсказывает цену акций, скорость обучения выше 0.00001 приводит к плохой сходимости НС. Не стоит сейчас заострять свое внимание на гиперпараметрах и пытаться досконально понять, как же их выбирать. Это придет с опытом, а пока что советую просто экспериментировать и искать примеры решения той или иной задачи в сети.

Переобучение, как следует из названия, это состояние нейросети, когда она перенасыщена данными. Это проблема возникает, если слишком долго обучать сеть на одних и тех же данных. Иными словами, сеть начнет не учиться на данных, а запоминать и “зубрить” их. Соответственно, когда вы уже будете подавать на вход этой НС новые данные, то в полученных данных может появиться шум, который будет влиять на точность результата. Например, если мы будем показывать НС разные фотографии яблок (только красные) и говорить что это яблоко. Тогда, когда НС увидит желтое или зеленое яблоко, оно не сможет определить, что это яблоко, так как она запомнила, что все яблоки должны быть красными. И наоборот, когда НС увидит что-то красное и по форме совпадающее с яблоком, например персик, она скажет, что это яблоко. Это и есть шум. На графике шум будет выглядеть следующим образом.

Рис. 2.11 - Показатель шума на графике

Видно, что график функции сильно колеблется от точки к точке, которые являются выходными данными (результатом) нашей НС. В идеале, этот график должен быть менее волнистый и прямой. Чтобы избежать переобучения, не стоит долго тренировать НС на одних и тех же или очень похожих данных. Также, переобучение может быть вызвано большим количеством параметров, которые вы подаете на вход НС или слишком сложной архитектурой. Таким образом, когда вы замечаете ошибки (шум) в выходных данных после этапа обучения, то вам стоит использовать один из методов регуляризации, но в большинстве случаев это не понадобиться.

3. Проектирование системы прогнозирования оптово-розничных продаж

3.1 Рассмотрение информационной базы задачи

Разработанная программа может найти применение в прогнозировании работы фирм по продаже электронной техники. Поскольку речь идет здесь о не имеющем "юридической" силы прогнозе, то и выходные данные программы могут иметь лишь описательный и рекомендательный характер. Входным информационным обеспечением может служить исключительно статистика продаж электронных товаров за определенное время - месяцы, кварталы, годы. На ее основе и выдается прогноз.

Для практического применения разработанной нами программы необходимо отталкиваться от реальных данных о продаже электронных товаров компанией, выносящей подобные данные на суд широкой общественности. Таковой является компания "Эльдорадо".

"Эльдорадо" - торговая сеть по продаже бытовой электроники. По данным за 2016 год, занимала второе после «М.Видео» место в России как по продажам на рынке бытовой техники и электроники (8,6 % рынка), так и по доле занимаемых торговых площадей (21 %). Штаб-квартира -- в Москве. В 2016 году сеть открыла 58 новых магазинов. На конец 2016 года общее число магазинов «Эльдорадо» составило 404 гипермаркета; магазины сети работают в 173 городах Российской Федерации. Численность персонала -- около 30 тыс. человек. По результатам 2016 года оборот компании "Эльдорадо" составил 112,423 млрд руб.

В рамках международного проекта Emerging Markets Global Players, В рейтинге Топ-25 по размеру зарубежных активов, составленном Московской школой управления СКОЛКОВО совместно с Колумбийским университетом США, «Эльдорадо» заняла 24-е место, став единственной розничной компанией, представленной в данном рейтинге.

В рейтинге Топ-25 по количеству филиалов и дочерних компаний за рубежом, «Эльдорадо» оказалась на 14-м месте.

В рейтинге по индексу MINI компания заняла 21-е место. MINI - Multinationality Index - индекс транснациональности, подсчитывается, как доля активов, продаж и численности сотрудников за рубежом от общих активов, продаж и численности сотрудников.

По итогам 2006 года компания «Эльдорадо» впервые вошла в список "250 крупнейших розничных компаний мира", заняв 229 место в рейтинге. Данный рейтинг ежегодно составляет одна из ведущих международных аудиторских и консалтинговых компаний - Deloitte.

В компании работает более 30 тысяч человек.

Компания была создана 1 сентября 1994 года (тогда был открыт первый магазин компании в Самаре). В начале 2005 года европейская компания, крупный розничный торговец бытовой техники и электроники Dixons Group plc. получил исключительное право на приобретение контрольного пакета акций «Эльдорадо» до 2011 года. По условиям опциона, цена 100 % акций «Эльдорадо» была установлена в размере $1,9 млрд. В июне 2007 года стало известно, что DSG International отказалась от исполнения опционного соглашения.

С мая 2005 года компания развивала собственную сеть салонов сотовой связи с одноимённым названием (480 салонов связи «Эльдорадо» на начало 2009 года). Планировалось увеличить количество салонов до 490 к концу 2009 года, но в 2009 году в связи с финансовыми затруднениями вся сеть салонов сотовой связи была продана компании МТС.

Первоначально единоличным владельцем компании являлся президент «Эльдорадо» Игорь Яковлев. В начале 2008 года налоговые органы предъявили одному из юридических лиц «Эльдорадо» налоговые претензии на общую сумму почти в 15 млрд руб. После этого банки-кредиторы компании потребовали досрочного погашения кредитов на сумму $400 млн, а поставщики прекратили поставлять товар. «Эльдорадо» выручила чешская группа PPF, предоставив заём в $500 млн. В сентябре 2008 года Яковлев избавился от контрольного пакета «Эльдорадо», продав 39 % акций группы холдингу PPF, а 11 % -- итальянской страховой группе Assicurazioni Generali (вместе они получили контрольный пакет -- 50 % плюс 1 акция) за сумму порядка $400-800 млн. В декабре 2010 года PPF выкупила долю итальянской компании за €46 млн, получив контрольный пакет. В августе 2011 года чешская компания выкупила остатки «Эльдорадо» у его основателя, заплатив за 50 % минус 1 акцию сети $625 млн.

100% акций группы по данным на август 2011 года принадлежали чешскому холдингу PPF.

В апреле 2013 года представители сети «М.Видео» заявили о готовящемся поглощении сети «Эльдорадо» и направили в Федеральную антимонопольную службу ходатайство о покупке 100 % сети у владельца -- чешской PPF Group. В июле 2013 года ФАС разрешила сделку, наложив ограничения на доминирование объединённой сети в ряде регионов.

9 декабря 2016 года компания Сафмар совершила сделку с компанией Группа PPF по приобретению 100% акции. Сумма и условия сделки не разглашаются.

В декабре 2016 года владельцы компании объявили о продаже сети Эльдорадо. 9 декабря 2016 года сделка успешно состоялась. 100% акций перешли семьям Гуцериевых и Шишхановых, владельцам финансовой группы Сафмар.

На начало апреля 2013 года в сеть «Эльдорадо» входило 396 собственных магазинов и 42 пункта заказа и выдачи товаров, а также еще около 300 торговых точек, работающих по франчайзингу. На начало 2013 года магазины «Эльдорадо» работали более чем в 450 городах России.

В 2012 году сеть открыла 58 новых магазинов. На конец 2012 года общее число магазинов «Эльдорадо» составило 404 гипермаркета; магазины сети работают в 173 городах Российской Федерации.

Численность персонала -- около 30 тыс. человек.

В 2007 году «Эльдорадо» совместно с рекламным агентством Instinct начали имиджевую рекламную кампанию, акцентирующую внимание на том, что «Эльдорадо» -- это не только «территория низких цен», но и сеть магазинов, где интересы клиента ставят превыше всего. В этом стиле снято несколько серий рекламных роликов с резидентом Comedy Club Вадимом Галыгиным в главной роли под девизами «Учитесь, как надо», «Мы не будем читать вам лекций», «Зачётные цены», «Сливаем всё» и т. п.

Компания стала первым ретейлером бытовой техники в России, который организовал утилизацию бытовой техники в федеральном масштабе. С октября 2010 по конец 2012 года компания провела пять акций федерального масштаба по утилизации бытовой техники и электроники в обмен на приобретение товаров в магазинах сети. Эта активность вызвала одобрение и поддержку со стороны Greenpeace. В результате суммарно под акцию попало более 1 миллиона единиц бытовой техники, которая была сдана частными лицами.

Стоит отметить, что в своей дипломной работе я буду использовать данные по продажам электронной техники филиала Самарской области за 2015 год.

3.2 Техническое задание на разрабатываемую программу

Программа должна позволять задавать следующие параметры нейронной сети обратного распространения:

· количество слоев (максимальное количество - 99);

· количество нейронов в каждом слое (максимальное количество нейронов на слой - 299);

· количество элементов исходного временного ряда (максимальное количество - 300);

· значение элементов временного ряда (не ограничивается);

Кроме этого, можно задать параметры алгоритма обучения нейронной сети:

· размер входного окна;

· количество значений временного ряда (на диаграмме отмечены фиолетовым цветом), на основе которых будет проводиться обучение нейросети (остальные значение при этом не учитываются);

· нормализация, необходимая для приведения временного ряда к значениям, на которых нейросеть может обучиться, а затем, при прогнозировании, восстановить значения обратно;

· величину интегральной погрешности обучения, влияющей на длительность и точность аппроксимации (обучения);

· параметр alpha, значение которого может позволить избежать локального минимума при обучении, но при этом увеличивается длительность обучения.

После обучения можно выполнить прогнозирование, задав следующие параметры:

1. количество предсказаний (на диаграмме отмечены зеленым цветом), определяет, сколько значений необходимо спрогнозировать, начиная с элемента, следующего за последним элементом, используемым для анализа и обучения;

2. выбор одношагового или многошагового прогноза.

Что касается технического обеспечения проекта, данная программа может быть установлена на любой достаточно современный ПК класса не хуже PentiumII; параметры компьютера будут определять скорость обучения, в основном. В качестве оптимальной конфигурации можно использовать ПК со следующими параметрами.

Таблица 3.1. Параметры ПК

3.3 Нейросетевое прогнозирование оптово-розничных продаж электронной техники

В результате выполнения проектирования программы прогнозирования мы получили программный продукт со следующим интерфейсом (рис. 3.1).

Рис. 3.1 - Интерфейс программы

программный нейронный процессор интерфейс

Выполним прогнозирование продаж мобильных телефонов. Возьмем данные отчетов по продажам мобильных телефонов в торговой сети "Эльдорадо", регулярно публикующей пресс-релизы и финансовую отчетность. Будем использовать данные за 2015 год.

Полученный ряд подаем на вход нейросети и выполняем обучение со следующими параметрами: количество слоев - 3, количество нейронов на первом слое - 6, на втором - 7, на третьем - 1, размер входного окна - 4, размер временного ряда для анализа - 43, погрешность обучения - 0.6, коэффициент скорости обучения - 0.9. С такой конфигурацией нейросеть обучилась за 4694280 итераций и выдала прогноз, представленный на рис. 3.2.

Рис. 3.2 - Первый прогноз

Изменим параметры нейросети следующим образом: количество слоёв в сети - 3, количество нейронов в первом слое - 4, количество нейронов во втором слое - 5, количество нейронов в третьем слое - 1, размер входного окна - 3, размер временного ряда для анализа - 30, погрешность обучения - 0.55, коэффициент скорости обучения - 0.9. Нейросеть выполнила обучение за 233436 итераций, результаты прогнозирования приводятся на рисунках А.3 и А.4, А.5.

Рис. 3.3 - Второй прогноз

Прогнозы, выполненные с помощью искусственных нейронных сетей, являются достаточно достоверными. Многошаговое прогнозирование показывает большую погрешность, так как оно опирается не на реальные данные, а на прогнозные величины. Одношаговое прогнозирование более точно, однако, его нельзя применять для выполнения долгосрочных прогнозов.

Рис. 3.4 -Многошаговое прогнозирование

Рис. 3.5 - Изменение прогноза

Искусственные нейронные сети предложены для задач, простирающихся от управления боем до присмотра за ребенком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны.

Имеется много впечатляющих демонстраций возможностей искусственных нейронных сетей: сеть научили превращать текст в фонетическое представление, которое затем с помощью уже иных методов превращалось в речь; другая сеть может распознавать рукописные буквы; сконструирована система сжатия изображений, основанная на нейронной сети. Все они используют сеть обратного распространения - наиболее успешный, по-видимому, из современных алгоритмов.

Мы продемонстрировали, что искусственные нейронные сети способны решать также задачу прогнозирования путем сведение ее к распознаванию образов. Выполнили прогнозирование продаж мобильных телефонов в компании "Эльдорадо" на основе данных о продажах за 2015 год.

Однако, обратное распространение не свободно от проблем. Прежде всего, нет гарантии, что сеть может быть обучена за конечное время. Много усилий, израсходованных на обучение, пропадает напрасно после затрат большого количества машинного времени. Когда это происходит, попытка обучения повторяется - без всякой уверенности, что результат окажется лучше. Нет также уверенности, что сеть обучится наилучшим возможным образом. Алгоритм обучения может попасть в "ловушку" так называемого локального минимума и будет получено худшее решение.

Разработано много других сетевых алгоритмов обучения, имеющих свои специфические преимущества. Некоторые из них обсуждаются в. Следует подчеркнуть, что никакая из сегодняшних сетей не является панацеей, все они страдают от ограничений в своих возможностях обучаться и вспоминать.

Мы имеем дело с областью, продемонстрировавшей свою работоспособность, имеющей уникальные потенциальные возможности, много ограничений и множество открытых вопросов. Для улучшения существующих сетей требуется много основательной работы. Должны быть развиты новые технологии, улучшены существующие методы и расширены теоретические основы, прежде чем данная область сможет полностью реализовать свои потенциальные возможности.

Заключение

В настоящем дипломном проекте была разработана автоматизированная программа прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.

Мы исследовали особенности оптово-розничных продаж электронной техники, задали типовую схему нейронной сети и разработали программу на ее основе, отметили основную структуру типичной обучающей конструкции, собрали данные и провели обучение программы. После этого применили ее на практике.

Мы выяснили, что нейронные сети - эффективное средство анализа рынка. Они широко используются в универсальных программных продуктах. Их избыточность и высокая стоимость дало нам право на самостоятельную разработку прикладной программы, ориентированной на задачи дипломного проектирования.

Отметим, что нам удалось разработать ПО, полностью соответствующее поставленным задачам.

Было на реальных цифрах продемонстрировано, что искусственные нейронные сети способны решать задачу прогнозирования путем сведение ее к распознаванию образов. Также было выполнено прогнозирование продаж мобильных телефонов в самарском филиале компании «Эльдорадо» на основе данных о продажах за 2015 год.

Таким образом, были решены следующие задачи ВКР:

1. Проанализирован материал, касающийся интеллектуального анализа данных.

2. Выбран и обоснован инструментарий Data Mining для решения поставленной в ВКР задачи

3. Рассмотрены и проанализированы принципы работы нейронных сетей

4. Создана система прогнозирования продаж на основе нейросети.

5. Произведён анализ результатов работы.

Стоит также отметить, что полученный опыт можно использовать не только в сегменте продаж электронной техники, как это было сделано в моей работе, но и в любой другой отрасли, где имеют место быть оптово-розничные продажи.

Размещено на Allbest.ru