Wybór metody preprocessingu zmiennych wejciowych do prognozowania płacenia przez przedsibiorstwo dywidendy
|
|
- Justyna Michalak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Agata Raszka 1 Wybór metody preprocessingu zmiennych wejciowych do prognozowania płacenia przez przedsibiorstwo dywidendy 1. Wprowadzenie Termin sztuczna inteligencja został zaproponowany w 1956 roku przez profesora Massachusetts Institute of Technology Johna McCarthy, podczas konferencji w której brali udział naukowcy z rónych dziedzin, zajmujcy si ludzk wiadomoci. Uczestnicy konferencji zdefiniowali sztuczn inteligencj jako "konstruowanie maszyn, o których działaniu dałoby si powiedzie, e s podobne do ludzkich przejawów inteligencji" 2. Na znaczeniu zyskały przede wszystkim sztuczne sieci neuronowe (SSN) i algorytmy genetyczne, metody wyej wspomnianej sztucznej inteligencji. Dziedzina sieci neuronowych zaistniała dopiero w 1943 roku wraz z wydaniem historycznej pracy McCulloch'a i Pitts'a. Przedstawiono w niej po raz pierwszy matematyczny opis komórki nerwowej oraz powizanie jej z problemem przetwarzania danych, co rozwinito w kolejnych pracach tych samych autorów. Zaprezentowany model wywarł wielki wpływ na póniejszy rozwój tej dziedziny. Pierwsze sieci neuronowe zaczto budowa ju w latach 50-tych. Pomimo i postp w badaniach nad sztucznymi sieciami neuronowymi dokonywał si głównie w USA, prace były publikowane równie w innych krajach. W Polsce zajmowano si problematyk sieci neuronowych i ich uczenia od samego pocztku istnienia tej dziedziny. Wydano szereg ksiek zajmujcych si problematyk sieci neuronowych, wród których naley wymieni monografie Gawroskiego (1970), Kulikowskiego (1972) i Brodziaka (1974). Zainteresowanie sieciami neuronowymi w połowie lat 80-tych znajduje te odbicie w Polsce, gdzie wydano monografie Tadeusiewicza (1992), Korbicza, Obuchowicza i Uciskiego (1974), Kacprzaka i lota (1995). Przetłumaczono take monografi Hertza, Krogha i Palmera (1993). Sztuczne sieci neuronowe s bardzo intensywnie wykorzystywane w sferze problemów ekonomicznych, do których naley przede wszystkim prognozowanie. Artykuł ten podejmuje prób wyboru odpowiedniej metody preprocessingu danych wejciowych włanie prognozowania płacenie przez przedsibiorstwo dywidendy. Wykorzystamy do tego program Statistica 7 i program Estimatic. 1 Studentka III roku Informatyki i ekonometrii, 2 Paweł Roczak, Implementacja i wykorzystanie wielowarstwowej sieci perceptronowej w modelowaniu makroekonomicznym,
2 2. Opis problematyki badawczej Dywidenda to cz wypracowanego przez spółk zysku, która jest wypłacana wszystkim posiadaczom akcji. O wypłacie dywidendy decyduje walne zgromadzenie akcjonariuszy - czyli zebranie wszystkich włacicieli firmy. Zgromadzenie akcjonariuszy obraduje po sporzdzeniu sprawozdania finansowego za dany rok obrachunkowy. Dywindend mona wypłaci oczywicie tylko w roku, w którym spółka wypracowała zysk. Wszystkie akcje zwykłe uprawniaj do jednakowej dywidendy. Do uzyskania wyszej dywidendy maj jedynie prawo załoyciele spółki, którzy s posiadaczami akcji uprzywilejowanych. Dywidenda jest wypłacana wszystkim akcjonariuszom, którzy posiadaj akcje spółki w dniu przyjtym jako dzie ustalenia prawa do dywidendy. Regularne wypłacanie dywidendy przez przedsibiorstwo wiadczy o jej dobrej kondycji finansowej, a tym samym pozytywnie wpływa na wizerunek spółki wród inwestorów, gdy pozwala dzieli si zyskiem z akcjonariuszami. Praktycznie nie warto kupowa akcji tylko dla dywidendy, gdy dywidenda to wypłata jednorazowa i nie powinna by głównym czynnikiem wyboru akcji. Warto pamita, e dywidenda jest wypłacana za rok poprzedni, a kurs akcji reaguje na biec sytuacj w firmie. Moe si okaza, e rok za który jest wypłacana był dobry finansowo, ale sytuacja rynkowa uległa pogorszeniu i obecnie zyski spadaj, a wraz z nimi kurs akcji. W praktyce moe to oznacza dla inwestora poniesienie straty, jeli trzyma on akcje głównie w oczekiwaniu na dywidend. Najrozsdniejszym rozwizaniem wydaje si trzymanie akcji ze wzgldu na dobre perspektywy firmy i oczekiwany stabilny wzrost kursu akcji. Dywidenda jako uprawnienie majtkowe akcjonariusza nie posiada tak istotnego znaczenia dla akcjonariuszy polskich spółek jak to ma miejsce w krajach Europy Zachodniej oraz w Stanach Zjednoczonych. Szczególnie za Atlantykiem dywidenda stanowi dla akcjonariuszy podstawowe ródło dochodu. W Polsce zbyt mało spółek wypłaca dywidend std brak przywizania do tego typu instrumentu 3. Istnieje wiele czynników kształtujcych płacenie dywidendy. Naley do nich 28 wskaników: Zmienne rynkowe: X 1 Roczna stopa zwrotu w % X 2 Współczynnik zmiennoci 1 : X 3 Współczynnik zmiennoci 2 : Pmax P X min 2 = *100 Pmax Pmax P X 2 = koniec *100 Pmax 3 Beata Binek, Paweł Heciak, Michał Stpniewski, Dominika Waltz Komierowska, Prawa i obowizki akcjonariuszy spółek publicznych,
3 X 4 Udział spółki w obrotach giełdy w % X 5 Wskanik obrotu w % X 6 Logarytm dziesitny wartoci obrotów w mln zł X 7 logarytm dziesitny kapitalizacji na koniec roku w tys. zł X 8 Udział w kapitalizacji giełdy w kocu roku w % Zmienne fundamentalne: X 9 Wynik finansowy netto w mld zł X 10 Aktywa ogółem w mld zł X 11 Logarytm wartoci ksigowej w kocu roku w mld zł X 12 Przychody ze sprzeday netto w mld zł X 13 Wynik finansowy netto na 1 akcj w zł X 14 Warto ksigowa na 1 akcj w zł w kocu roku X 15 Mara zysku netto w % X 16 Stopa zwrotu z kapitału własnego w % X 17 Stopa zwrotu z aktywów ogółem w % Zmienne rynkowo fundamentalne: X 18 Roczny zysk (strata) netto na 1 akcj do ceny akcji w kocu roku (zysk do ceny) X 19 Warto ksigowa do wartoci rynkowej w kocu roku X 20 zerojedynkowa: 0 ujemny wynik finansowy, 1 dodatni wynik Zmienne makroekonomiczne: Z 1 Dynamika PKB w cenach stałych Z 2 Dynamika nakładów inwestycyjnych w cenach stałych Z 3 Dynamika importu w cenach stałych Z 4 Dynamika eksportu Z 5 rednioroczny kurs dolara w zł Z 6 Dynamika indeksu WIG Z 7 Dynamika indeksu WIG20 Z 8 Udział firm z ujemn wartoci ksigow na Giełdzie Papierów Wartociowych w Warszawie Zmienne te zostały wykorzystane do budowy modelu jako zmienne objaniajce. Dodatkowo kade z 1041 przedsibiorstw zostało opisane zmienn objanian Y, tzn. zmienn grupujc populacj na dwie grupy przedsibiorstw na płacce i nie płacce dywidend w badanym okresie. 3. Opis metody Za pomoc sztucznych sieci neuronowych istnieje moliwo rozwizywania wielu problemów. Mona je podzieli na 2 kategorie: klasyfikacyjne (celem klasyfikacji jest przydzielenie rozpatrywanego przypadku do jednej ze zdefiniowanych wczeniej klas. Dla poszczególnych przypadków naley okreli na wyjciu pojedyncz zmienn nominaln) oraz
4 regresyjne (celem regresji jest prognozowanie wartoci okrelonej zmiennej i dla poszczególnych rozpatrywanych przypadków na wyjciu sieci naley okreli pojedyncz zmienn numeryczn) 4. Prezentowane badania wykorzystuj model regresji (Regression). Aby dokona analizy porównawczej metod preprocessingu, czyli wstpnego przygotowania danych na wejcie do SSN, musimy przede wszystkim wybra jeden rodzaj sieci. Do wyboru mamy ich kilka, m.in.: sie liniowa (Linear), probabilistyczna sie neuronowa (PNN), sie realizujca uogólnion regresj (GRNN), radialne funkcje bazowe (Radial basis function RBF) oraz perceptron trzy- i czterowarstwowy (MLP). Wybór został dokonany na podstawie analizy statystycznej (porównaniu poddano rednie błdy dla zbiorów: uczcego, walidacyjnego i testowego) próbek złoonych z 50 losowo wygenerowanych sieci kadego rodzaju (Rys.1.). 2,5 2 1,5 1 redni błd uczenia redni błd walidacji redni błd testowania 0,5 0 Linear PNN lub GRNN RBF Three layer perceptron Four layer perceptron Rys. 1. Analiza statystyczna rodzajów SSN Analiza wskazuje na celowe uycie perceptronu trójwarstwowego (z jedna warstw ukryt). Poza tym jest to najpopularniejszy rodzaj sieci. Wymaga uczenia iteracyjnego, które bywa czasochłonne, ale otrzymane sieci s niedue, szybkie i daj wyniki lepsze ni innego rodzaju sieci 5. Dynamiczny rozwój tych sieci zapocztkowany ponownie od lat osiemdziesitych owocuje niezliczon iloci zastosowa praktycznie w kadej dziedzinie. Mimo takiego rozpowszechnienia naley jednak podkreli e sie typu MLP jest jedynie pewn gałzi bada nad systemami neuronowymi w ogóle, obejmujcymi take struktury rekurencyjne, jednowarstwowe, czy uczone bez nadzoru. 4 P.Lula, R.Tadeusiewicz, STATISTICA Neural Networks PL.Wprowadzenie do sieci neuronowych, StatSoft, Kraków 2001, s P.Lula, R.Tadeusiewicz, STATISTICA Neural Networks PL. Przewodnik problemowy, StatSoft, Kraków 2001, s. 184
5 4. Program bada Badania zrealizowano w nastpujcych etapach: 1. Wyznaczono najlepsz sie zbudowan na kompletnym zestawie zmiennych wejciowych (28-elementowym). 2. Wyznaczono najlepsze sieci zbudowane na zmiennych wejciowych wskazanych przez wykorzystane metody: - selekcj krokow postpujc (22 zmienne); - selekcj krokow wsteczn (16 zmiennych); - algorytm genetyczny (3 zmienne). 3. Wyznaczono najlepsz sie dla zbioru zmiennych niezalenych wybranych za pomoc wskaników pojemnoci informacyjnej (metoda Hellwiga 4 zmienne). 4. Wyznaczono wartoci progowe klasyfikacji (granice decyzyjne) dla poszczególnych metod. 5. Wyznaczono dla poszczególnych sieci ogóln skuteczno oraz błdy I i II rodzaju. 6. Zaproponowano optymaln metod preprocessingu zmiennych objaniajcych. Program Statistica 7 domylnie podzielił przypadki w proporcjach 2:1:1, co dla naszych bada oznacza 521 przypadków do uczenia, 260 do walidacji i 260 do testowania sieci. 5. Wyniki bada 5.1. Budowa modelu bez preprocessingu zmiennych wejciowych Na pocztek zbudowano sie, która zgodnie z załoeniami bdzie zawierała komplet zmiennych wejciowych. Najlepsz sieci okazała si model (Tab.1.): Tab. 1. Sie neuronowa zbudowana na wszystkich zmiennych wejciowych 5.2. Budowa modelu z preprocessingiem zmiennych wejciowych Do najtrudniejszych decyzji, jakie musz zosta podjte przez projektanta sieci neuronowych, naley wybór właciwego zestawu zmiennych wejciowych. Due sieci s bardziej kłopotliwe ni sieci małe, co powoduje, e czasami dobrym rozwizaniem jest odrzucenie pewnych zmiennych, nawet jeli posiadaj pewn warto informacyjn. W ten sposób uda si zredukowa liczb zmiennych wejciowych, a przez to wielko sieci oraz złoono obliczeniow problemu. Jedn z metod gwarantujcych wybór najlepszego zbioru zmiennych wejciowych jest podjcie prób uczenia sieci w oparciu o kady z moliwych
6 zbiorów zmiennych wejciowych, sprawdzenie jakoci modelu i wybranie na tej podstawie najlepszego rozwizania. Preprocessing danych wejciowych bdziemy realizowa za pomoc algorytmów doboru cech, do których zaliczamy: selekcj krokow postpujc, selekcj krokow wsteczn i algorytmy genetyczne oraz za pomoc metody wskaników pojemnoci informacyjnej Optymalizacja zmiennych wejciowych za pomoc selekcji krokowej postpujcej Algorytm selekcji krokowej postpujcej (Forward selection) znajduje na pocztku tak zmienn, która najlepiej przewiduje warto wyjciow, a nastpnie dodaje kolejn zmienn, która najbardziej poprawia model. Proces ten jest kontynuowany do momentu wyczerpania zmiennych albo do momentu osignicia braku poprawy modelu przy dołczaniu kolejnych zmiennych. Postpujcy dobór zmiennych zaleci mona dla wikszej liczby potencjalnych zmiennych wejciowych. Algorytm ten jest o wiele szybszy, ale moe zgubi wane zmienne, których włczenie do modelu znacznie poprawia jego jako. Metod krokow postpujc wybieramy, gdy chcemy szybko otrzyma jaki wynik. W naszym przypadku metoda ta wyznaczyła nastpujce zmienne wejciowe (Tab.2.): Tab. 2. Zmienne wejciowe wygenerowane przez selekcj krokow postpujc w programie Statistica 7 Najlepsz sieci na takim podzbiorze danych okazał si model (Tab.3.): Tab. 3. Sie neuronowa zbudowana na zmiennych wskazanych przez selekcj krokow postpujc Optymalizacja zmiennych wejciowych za pomoc selekcji krokowej wstecznej Algorytm selekcji krokowej wstecznej (Backward selection) pracuje w przeciwnym kierunku. Zaczyna ze wszystkimi zmiennymi, usuwajc po jednej. Zaczyna od usuwania tych, których brak najmniej psuje jako predykcji. Wsteczny dobór zmiennych zaleci mona przy niewielkiej liczbie potencjalnych zmiennych wejciowych 6. Metod krokow wsteczn wybieramy, gdy chcemy otrzyma dokładniejsz analiz cech. Przy zastosowaniu tej metody przestrze wej zredukowano do podprzestrzeni 16-wymiarowej (Tab.4.): 6 Ibidem s. 12
7 Tab. 4. Zmienne wejciowe wygenerowane przez selekcj krokow wsteczn w programie Statistica 7 Najlepsz sieci na takim zestawie zmiennych wejciowych okazał si model (Tab.5.): Tab. 5. Sie neuronowa zbudowana na zmiennych wskazanych przez selekcj krokow wsteczn Optymalizacja zmiennych wejciowych za pomoc algorytmu genetycznego Algorytmy genetyczne (Genetic Algorithm) s szczególnie efektywn technika poszukiwa w zagadnieniach kombinatorycznych, gdzie trzeba podejmowa szereg zalenych od siebie decyzji binarnych. Za pomoc tej metody zbiór danych wejciowych mona zakodowa w postaci cigu binarnego 28-elementowego. Wystpienie zera na konkretnej pozycji oznacza eliminacj zmiennej przyporzdkowanej do tej pozycji. Wystpienie jedynki bdzie analogicznie oznaczało pozostawienie danej zmiennej. W programie Statistica 7 znajdujemy wiele parametrów algorytmu genetycznego, takich jak wielko populacji (Population), liczba pokole (Generations), współczynnik mutacji (Mutation rate) oraz współczynnik krzyowania (Crossover rate). Wartoci tych współczynników pozostawiono na poziomie proponowanym przez system, uznajc je za odpowiednie dla prowadzonych bada: Population = 100, Mutation rate = 0,1, Generations = 100 oraz Crossover rate = 1,0. Naley okreli take warto współczynnika wygładzania (Smoothing). Na szczcie sieci, które algorytm genetyczny wykorzystuje do swoich testów nie s zbytnio wraliwe na precyzyjn warto tego współczynnika i w przypadku naszego zadania warto domylna 0,1 bdzie odpowiednia 7. Dla danych o duej liczbie przypadków algorytm doboru cech moe potrzebowa duo czasu obliczeniowego. W takim przypadku zastosowa mona próbkowanie (Sampling). Moemy wybra pewien dodatkowy wpływ na proces eliminacji niechcianych zmiennych poprzez okrelenie wartoci kary jednostkowej (Unit penalty). Warto ta mnoona jest przez liczb neuronów w sieci i wynik dodawany jest do błdu w trakcie oceny jakoci kadej z rozwaanych sieci. Mechanizm ten powoduje karanie duych sieci i sprzyja tworzeniu sieci oszczdnych, zarówno pod wzgldem struktury, jak i liczby wykorzystywanych sygnałów wejciowych. W naszym przypadku wszystkie zmienne 7 P.Lula, R.Tadeusiewicz, Kurs uytkownika programu na przykładach, StatSoft, Kraków 2001, str. 60 i nastpna
8 wejciowe wnosz istotne informacje charakteryzujce zmienn objanian, dlatego definiowanie kary jednostkowej moe okaza si potrzebne. Niezerowa warto kary jednostkowej faworyzuje mniejsze sieci i zwykle zwiksza sprawno. Natomiast gdy współczynnik ten jest zbyt duy, to od jakoci sieci staje si waniejsza liczba zmiennych 8. Musimy pamita, e typowe wartoci tego współczynnika mieszcz si w przedziale [0,001;0,01] 9. Przed uruchomieniem algorytmu genetycznego przeprowadzono kilka eksperymentów, majcych na celu okrelenie jej właciwej wartoci. Warto kary jednostkowej domylnie ustawiona na 0,0001 spowodowała ograniczenie liczby wej do 19 elementów (Tab.6.): Tab. 6. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,0001 Tablice 7-14 prezentuj dobór zmiennych przy zastosowaniu rónych kar jednostkowych: Tab. 7. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,00017 Tab. 8 Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,0002 Tab. 9. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,00055 Tab. 10. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,00075 Tab. 11. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,00085 Tab. 12. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,0015 Tab. 13. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0, P.Lula, R.Tadeusiewicz, STATISTICA Neural Networks PL. Przewodnik problemowy, StatSoft, Kraków 2001, str P.Lula, R.Tadeusiewicz, STATISTICA Neural Networks PL. Kurs uytkownika programu w przykładach, StatSoft, Kraków 2001, str. 61
9 Tab. 14. Zmienne wejciowe wybrane przez algorytm genetyczny z kar jednostkow 0,0035 Jak wida, liczba zmiennych wejciowych zmienia si wraz ze wzrostem wartoci kary jednostkowej na coraz mniejsz. Dokładne kształtowanie si liczby zmiennych wejciowych wobec kary jednostkowej przedstawia poniszy wykres (Rys.2.): liczba zmiennych wejciowych ,0001 0, ,0002 0, , , ,0015 0,0025 0,0035 kara jednostkowa Rys. 2. Genetic Algorithm Selection Sporód trzech zbiorów o najmniejszej liczbie wej najlepsz sie utworzył zbiór przy karze jednostkowej 0,0025 (pole Error w tablicach 12-14) i to on posłuył do dalszych bada. Tablica 15 przedstawia współczynniki jakociowe sieci zbudowanej na wybranych zmiennych wejciowych. Tab. 15. Sie utworzona na zbiorze zmiennych wskazanych przez algorytm genetyczny Optymalizacja zmiennych wejciowych za pomoc metody Hellwiga Metoda Hellwiga pozwala na wybór zmiennych objaniajcych silnie skorelowanych ze zmienn objanian i jednoczenie słabo skorelowanych midzy sob. Tworzymy macierz R (macierz współczynników korelacji pomidzy zmiennymi objaniajcymi) oraz macierz R o (macierz współczynników korelacji pomidzy zmienn objanian a zmiennymi objaniajcymi). Nastpnie obliczamy indywidualne wskaniki pojemnoci informacyjnej: m 2 H = r /(1 + r ) l = 1,2,..., L j = 1,2,..., m lj j i= 1 i j ij
10 Wskaniki te oblicza si dla kadej zmiennej w obrbie kadej kombinacji zmiennych objaniajcych. Integralne wskaniki pojemnoci informacyjnej dla kadej kombinacji potencjalnych zmiennych objaniajcych oblicza si jako sum indywidualnych pojemnoci zmiennych wystpujcych w danej kombinacji. Najwiksz warto integralnych wskaników pojemnoci informacyjnej maj te kombinacje zmiennych objaniajcych, dla których wystpujce zmienne s mocno skorelowane ze zmienn objanian natomiast słabo skorelowane midzy sob 10. Program Estimatic wskazał zmienne X 2, X 9, X 13 oraz X 20 dla wartoci integralnego wskanika pojemnoci informacyjnej równego 0, Najlepsz sieci utworzon dla tych zmiennych okazał si model przedstawiony w Tabeli 16. Tab. 16. Sie neuronowa utworzona na zmiennych wskazanych za pomoc metody Hellwiga 5.3.Wyznaczenie wartoci progowych Zadaniem utworzonych przez nas modeli SSN jest poprawne zaklasyfikowanie przedsibiorstw do jednej z dwóch grup firm, tj. tych, które zapłac lub nie zapłac dywidend. Std wyjcie kadej sieci zawiera tylko jeden neuron, przyjmujcy w procesie uczenia sieci wartoci 0 lub 1. Naley jednak zauway, e wartoci wyj poszczególnych testowanych sieci nie s równe wartociom zadanym w próbie uczcej, lecz przyjmuj wartoci z przedziału (0,1), któr moemy traktowa jako stopie przynalenoci do okrelonej klasy. W zwizku z tym naley ustali próg, na podstawie którego wartoci wyj utosamia si bd z odpowiedni grup przedsibiorstw do której zostanie przyporzdkowana badana firma. Warto progow wyznaczymy zgodnie z prawdopodobiestwem pojawienia si obiektów nalecych do okrelonej grupy, oszacowanych dla grupy uczcej, walidacyjnej i testowej 11 (Tab.17.): Tab. 17. Wartoci progowe dla poszczególnych metod doboru zmiennych wejciowych Metoda Zbiór Liczba zer Liczba jedynek Próg uczenie Wszystkie zmienne walidacja ,29 testowanie uczenie Selekcja krokowa walidacja postpujca testowanie ,32 uczenie Selekcja krokowa walidacja wsteczna testowanie ,31 Algorytm genetyczny uczenie ,35 walidacja M. Gruszczyski i inni, Ekonometria, Oficyna Wydawnicza SGH, Warszawa1996, str T. Korol, B. Prusak, Upadło przedsibiorstw a wykorzystanie sztucznej inteligencji, CeDeWu, Warszawa 2005, str. 156
11 Metoda Hellwiga testowanie uczenie walidacja testowanie , Wyznaczenie parametrów oceny jakoci klasyfikacji Jako klasyfikacji oceniono na podstawie błdu I i II rodzaju (B1, B2) oraz ogólnej skutecznoci sieci (S) za pomoc nastpujcych wzorów: gdzie: D1 D2 D1 + D2 B 1 = 100% B 2 = 100% S = 1 100% NPD PD NPD + PD D1 liczba przedsibiorstw nie płaccych dywidendy zaklasyfikowanych przez sie jako firmy płacce NPD liczba przedsibiorstw nie płaccych dywidendy w próbie uczcej /walidacyjnej /testowej D2 - liczba przedsibiorstw płaccych dywidend zaklasyfikowanych przez sie jako firmy nie płacce PD - liczba przedsibiorstw płaccych dywidend w próbie uczcej /walidacyjnej /testowej Ogólna skuteczno informuje nas, jaki procent stanowi ogółem prawidłowo zakwalifikowane przypadki (przedsibiorstwa płacce i nie płacce dywidend). Błd I rodzaju okrela błdn decyzj zakwalifikowania przedsibiorstwa nie płaccego dywidendy na płacce. Błd II rodzaju okrela błdn decyzj zakwalifikowania przedsibiorstwa płaccego dywidend na nie płacce. Przyjto, e bardziej szkodliwy bdzie w tym przypadku Błd I rodzaju. Wyniki uzyskanych oblicze przedstawia Tabela 18: Tab. 18. Zestawienie wyników klasyfikacji przedsibiorstw poszczególnych metod Metoda Selekcja Selekcja Skuteczno Zbiór Wszystkie Algorytm Metoda krokowa krokowa zmienne genetyczny Hellwiga postpujca wsteczna uczenie 18,3% 29,9% 27,9% 37,2% 29,2% Błd I rodzaju walidacja 17,3% 29,3% 32,6% 37,2% 26,2% testowanie 27,5% 31,8% 34,2% 31,6% 29,2% uczenie 18,8% 25,2% 13,5% 32,0% 20,5% Błd II rodzaju walidacja 23,4% 27,4% 17,9% 17,4% 26,0% testowanie 32,4% 27,4% 13,4% 31,4% 18,5% uczenie 81,6% 71,4% 76,4% 64,3% 73,3% Skuteczno walidacja 81,2% 71,2% 71,2% 68,1% 73,8% testowanie 71,2% 69,6% 71,2% 68,5% 73,5% 6.Wnioski z bada
12 Analiza wyników zawartych w Tabeli 18 pozwala stwierdzi, e błdy s do znaczne. Utworzone sieci charakteryzuj si zarówno duymi błdami I rodzaju, jak i II rodzaju. wiadczy to z pewnoci o tym, e problem przewidywania decyzji o wypłacie dywidendy obarczony jest bardzo du losowoci. Najlepsze efekty uzyskała sie utworzona na kompletnym zestawie zmiennych wejciowych. Oznacza to, e wród badanych zmiennych objaniajcych brak jest takich, które samodzielnie lub w kombinacji z mała liczb pozostałych, dysponowałyby duym potencjałem informacyjnym. Kade ograniczenie zmiennych tylko zmniejsza ten potencjał. W sieci utworzonej na zbiorze wskazanym przez selekcj krokow postpujc zminimalizowanie liczby cech opisujcych obiekt do 22 spowodowało zmniejszenie efektywnoci odpowiednio dla zbioru uczcego, walidacyjnego i testowego o 10,2 %, 10% oraz 1,6%. W sieci utworzonej na zbiorze tylko 3-elementowym wskazanym przez algorytm genetyczny efektywno spadła o wiele bardziej odpowiednio o 17,3%, 13,1% oraz 2,7%. Jak wida skuteczno na zbiorze testowym wykazała najmniejsze spadki. Naley take zauway, e mimo prawie identycznej ogólnej skutecznoci zarówno modelu utworzonego na zbiorze wskazanym przez selekcj krokow postpujc jak i krokow wsteczn, model pierwszy wygenerował wiksze błdy I rodzaju uznane przez nas za bardziej szkodliwe. Porównujc wszystkie cztery metody wyranie wida e najwikszymi błdami I rodzaju charakteryzuje si algorytm genetyczny, ale tylko w odniesieniu do zbiorów: uczcego i walidacyjnego. Na zbiorze testowym wida wyran popraw tego wskanika. wiadczy to moe o wikszej zdolnoci predykcyjnej tego modelu, wynikajcej prawdopodobnie z lepszego uogólnienia problemu. Zdolno generalizacji to jako działania na niedostpnych w procesie uczenia, nowo powstałych danych. Dodatkowo brak zaufania do pozostałych modeli moe budzi niewystarczajca liczba przypadków uczcych uytych w trakcie bada. Jak wynika z Tabeli 19 liczba minimalnych przypadków 12 dla poszczególnych metod znacznie przewysza liczebno dostpnego nam zbioru 521 przypadków w zbiorze uczcym, a tym samym powanie podwaa ich wiarygodno ze wzgldu na moliwo zbytniego dopasowania si do danych. Tab. 19. Zestawienie minimalnej liczebnoci przypadków dla poszczególnych metod Metoda Minimum przypadków w zbiorze uczcym 2 N Wszystkie zmienne Selekcja krokowa postpujca Selekcja krokowa wsteczna Algorytm genetyczny 8 12 W literaturze wiatowej przyjmuje si, e jeli na wejciu SSN pojawia si N- wymiarowy wektor, to powinnimy dysponowa 2 N przypadkami uczcymi.
13 Naley take zauway, e redukcja zmiennych wejciowych z wykorzystaniem AG zminimalizowała zrónicowanie jakoci klasyfikacji dla uczenia, walidacji i testowania. Zjawisko takie te przemawia za uznaniem wikszych zdolnoci predykcyjnych takiego modelu. Literatura 1) M. Gruszczyski i inni, Ekonometria, Oficyna Wydawnicza SGH, Warszawa ) T. Korol, B. Prusak, Upadło przedsibiorstw a wykorzystanie sztucznej inteligencji, CeDeWu, Warszawa ) P. Lula, R. Tadeusiewicz, STATISTICA Neural Networks PL. Kurs uytkownika programu w przykładach, StatSoft, Kraków ) P. Lula, R. Tadeusiewicz, STATISTICA Neural Networks PL. Przewodnik problemowy, StatSoft, Kraków ) P. Lula, R. Tadeusiewicz, STATISTICA Neural Networks PL. Wprowadzenie do sieci neuronowych, StatSoft, Kraków ) Paweł Roczak, Implementacja i wykorzystanie wielowarstwowej sieci perceptronowej w modelowaniu makroekonomicznym, 7) Beata Binek, Paweł Heciak, Michał Stpniewski, Dominika Waltz Komierowska, Prawa i obowizki akcjonariuszy spółek publicznych,
Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych
Daniel Kierepka Kompresja obrazów za pomoc sztucznych sieci neuronowych We współczesnym wiecie do duym problemem jest przesyłanie danych o znacznej wielkoci w sieciach telekomunikacyjnych. W tej pracy
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoUstalenie optymalnego układu lokalizacyjnodystrybucyjnego
10.02.2005 r. Optymalizacja lokalizacji i rejonizacji w sieciach dystrybucji. cz. 2. Ustalenie optymalnego układu lokalizacyjnodystrybucyjnego dla wielu uczestników Przyczyn rozwizywania problemu wielu
Bardziej szczegółowoPREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO
Piotr Borowiec PREZENTACJA DZIAŁANIA KLASYCZNEGO ALGORYTMU GENETYCZNEGO Sporód wielu metod sztucznej inteligencji obliczeniowej algorytmy genetyczne doczekały si wielu implementacji. Mona je wykorzystywa
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoPoprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman
Poprawa efektywnoci metody wstecznej propagac bdu Algorytm wstecznej propagac bdu. Wygeneruj losowo wektory wag. 2. Podaj wybrany wzorzec na wejcie sieci. 3. Wyznacz odpowiedzi wszystkich neuronów wyjciowych
Bardziej szczegółowoTemat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury.
Temat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury. Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoCash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym w przypadku sezonowych zwyek
Optymalizacja zaangaowania kapitałowego 4.01.2005 r. w decyzjach typu make or buy. Magazyn czy obcy cz. 2. Cash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoElementy Sztucznej Inteligencji
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe wykład Elementy Sztucznej Inteligencji - wykład Plan Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie reguł
Bardziej szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
Bardziej szczegółowoPROWIZJE Menad er Schematy rozliczeniowe
W nowej wersji systemu pojawił si specjalny moduł dla menaderów przychodni. Na razie jest to rozwizanie pilotaowe i udostpniono w nim jedn funkcj, która zostanie przybliona w niniejszym biuletynie. Docelowo
Bardziej szczegółowoElementy Sztucznej Inteligencji
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe Plan Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie reguł delta Perceptron wielowarstwowy i jego uczenie
Bardziej szczegółowoHanna Szczepaska Ewa Kumirek Giełda Papierów Wartociowych w Warszawie Wołomin, 3 marca 2005 r.
Hanna Szczepaska Ewa Kumirek Giełda Papierów Wartociowych w Warszawie Wołomin, 3 marca 2005 r. Rynek pieniny - finansowanie biecej działalnoci. Lokaty midzybankowe, bony skarbowe, bony komercyjne, certyfikaty
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoProgram do konwersji obrazu na cig zero-jedynkowy
Łukasz Wany Program do konwersji obrazu na cig zero-jedynkowy Wstp Budujc sie neuronow do kompresji znaków, na samym pocztku zmierzylimy si z problemem przygotowywania danych do nauki sieci. Przyjlimy,
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoNadwyka operacyjna w jednostkach samorzdu terytorialnego w latach 2003-2005
Nadwyka operacyjna w jednostkach samorzdu terytorialnego w latach 2003-2005 Warszawa, maj 2006 Spis treci Wprowadzenie...3 Cz I Zbiorcze wykonanie budetów jednostek samorzdu terytorialnego...7 1. Cz operacyjna...7
Bardziej szczegółowoI Powiatowy Konkurs Matematyka, Fizyka i Informatyka w Technice Etap finałowy 10 kwietnia 2013 grupa elektryczno-elektroniczna
I Powiatowy Konkurs Matematyka, Fizyka i Informatyka w Technice Etap finałowy 10 kwietnia 2013 grupa elektryczno-elektroniczna (imi i nazwisko uczestnika) (nazwa szkoły) Arkusz zawiera 6 zada. Zadania
Bardziej szczegółowoE2 - PROBABILISTYKA - Zadania do oddania
E - PROBABILISTYKA - Zadania do oddania Parametr k = liczba trzycyfrowa dwie ostatnie cyfry to dwie ostatnie cyfry numeru indeksu pierwsza cyfra to pierwsza cyfra liczby liter pierwszego imienia. Poszczególne
Bardziej szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoKomisja Papierów Wartociowych i Giełd
1 ROCZNE SKONSOLIDOWANE SPRAWOZDANIE FINANSOWE 2 3 4 5 6 7 DODATKOWE INFORMACJE I OBJANIENIA A. NOTY OBJANIAJCE NOTY OBJANIAJCE DO SKONSOLIDOWANEGO BILANSU Nota 1 a 8 Nota 1 b Ograniczenia w prawach własnoci
Bardziej szczegółowoAmortyzacja rodków trwałych
Amortyzacja rodków trwałych Wydawnictwo Podatkowe GOFIN http://www.gofin.pl/podp.php/190/665/ Dodatek do Zeszytów Metodycznych Rachunkowoci z dnia 2003-07-20 Nr 7 Nr kolejny 110 Warto pocztkow rodków trwałych
Bardziej szczegółowoB. DODATKOWE NOTY OBJANIAJCE
B. DODATKOWE NOTY OBJANIAJCE 1. Informacje o instrumentach finansowych. Ad.1 Lp Rodzaj instrumentu Nr not prezentujcych poszczególne rodzaje instrumentów finansowych w SA-P 2008 Warto bilansowa na 30.06.2007
Bardziej szczegółowoPlanowanie adresacji IP dla przedsibiorstwa.
Planowanie adresacji IP dla przedsibiorstwa. Wstp Przy podejciu do planowania adresacji IP moemy spotka si z 2 głównymi przypadkami: planowanie za pomoc adresów sieci prywatnej przypadek, w którym jeeli
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoIV Powiatowy Konkurs Matematyka, Fizyka i Informatyka w Technice Etap finałowy 1 kwietnia 2016
IV Powiatowy Konkurs Matematyka, Fizyka i Informatyka w Technice Etap finałowy 1 kwietnia 2016 (imi i nazwisko uczestnika) (nazwa szkoły) Arkusz zawiera 8 zada. Zadania 1 i 2 bd oceniane dla kadego uczestnika,
Bardziej szczegółowoWymierne korzyci wynikajce z analizy procesów
Wymierne korzyci wynikajce z analizy procesów Analiza procesu jest narzdziem do osignicia wyszej efektywnoci organizacji (midzy innymi). Wymaga ona zbudowania modelu procesu biznesowego bdcego opisem funkcjonowania
Bardziej szczegółowoMODELOWANIE PROCESÓW EKSPLOATACJI MASZYN
Akademia Techniczno Rolnicza w Bydgoszczy Wojskowy Instytut Techniki Pancernej i Samochodowej MODELOWANIE PROCESÓW EKSPLOATACJI MASZYN BYDGOSZCZ SULEJÓWEK, 2002. 2 Akademia Techniczno Rolnicza w Bydgoszczy
Bardziej szczegółowoZastosowanie programu Microsoft Excel do analizy wyników nauczania
Grayna Napieralska Zastosowanie programu Microsoft Excel do analizy wyników nauczania Koniecznym i bardzo wanym elementem pracy dydaktycznej nauczyciela jest badanie wyników nauczania. Prawidłow analiz
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoTemat: Problem najkrótszych cieek w grafach waonych, cz. I: Algorytmy typu label - setting.
Temat: Problem najkrótszych cieek w grafach waonych, cz. I: Algorytmy typu label - setting.. Oznaczenia i załoenia Oznaczenia G = - graf skierowany z funkcj wagi s wierzchołek ródłowy t wierzchołek
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoProgram Sprzeda wersja 2011 Korekty rabatowe
Autor: Jacek Bielecki Ostatnia zmiana: 14 marca 2011 Wersja: 2011 Spis treci Program Sprzeda wersja 2011 Korekty rabatowe PROGRAM SPRZEDA WERSJA 2011 KOREKTY RABATOWE... 1 Spis treci... 1 Aktywacja funkcjonalnoci...
Bardziej szczegółowoOtwarta koordynacja polityki społecznej w UE. Stanisława Golinowska
Otwarta koordynacja polityki społecznej w UE Stanisława Golinowska Dotychczasowe elementy wspólnej polityki społecznej UE Standardy minimalne BHP - 1987 Karta Wspólnoty o Fundamentalnych Prawach Socjalnych
Bardziej szczegółowoPROBABILISTYKA I STATYSTYKA - Zadania do oddania
PROBABILISTYKA I STATYSTYKA - Zadania do oddania Parametr k = liczba trzycyfrowa, dwie ostatnie cyfry to dwie ostatnie cyfry numeru indeksu, pierwsza cyfra to pierwsza cyfra liczby liter pierwszego imienia.
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoMultipro GbE. Testy RFC2544. Wszystko na jednej platformie
Multipro GbE Testy RFC2544 Wszystko na jednej platformie Interlab Sp z o.o, ul.kosiarzy 37 paw.20, 02-953 Warszawa tel: (022) 840-81-70; fax: 022 651 83 71; mail: interlab@interlab.pl www.interlab.pl Wprowadzenie
Bardziej szczegółowoMetoda statystycznej oceny klasy uszkodze materiałów pracujcych w warunkach pełzania *
AMME 00 th Metoda statystycznej oceny klasy uszkodze materiałów pracujcych w warunkach pełzania * L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek Zakład Technologii Procesów Materiałowych i Technik Komputerowych
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoKonferencja prasowa 10 maja 2007 r. Wyniki finansowe po 1 kwartale 2007 roku str. 1
!"# #$ Konferencja prasowa 10 maja 2007 r. str. 1 Pozytywne trendy Wyniki finansowe po 1 kwartale 2007 str. 2 %& wg MSSF / zysk brutto 591 63% zysk netto 463 63% ROE brutto 34,0% 11,7 pp. ROE netto 26,6%
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoAutomatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***
AUTOMATYKA 2009 Tom 13 Zeszyt 3 Joanna Grabska-Chrz¹stowska*, Wojciech Lazar** Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoFormularz. (kwartał/rok)
Formularz Zarzd Spółki MEDIATEL SPÓŁKA AKCYJNA podaje do wiadomoci raport kwartalny za I I I kwartał roku obrotowego 2005 WYBRANE DANE FINANSOWE w tys. zł 01.01.2005 do 01.01.2004 do w tys. EUR 01.01.2005
Bardziej szczegółowoFormularz. (kwartał/rok)
Formularz Zarzd Spółki MEDIATEL SPÓŁKA AKCYJNA podaje do wiadomoci raport kwartalny za I V kwartał roku obrotowego 2007 WYBRANE DANE FINANSOWE 01.01.2007 do 01.01.2006 do 01.01.2007 do 01.01.2006 do I.
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoFAKTURA PRZEDPŁATA PODRCZNIK UYTKOWNIKA
FAKTURA PRZEDPŁATA PODRCZNIK UYTKOWNIKA Alterkom Sp. z o.o., ul. Halszki 37/28A, 30-611 Kraków tel./fax +48 12 654-06-85 email:biuro@alterkom.pl www.alterkom.pl Moduł Faktura Przedpłata działajcy w powizaniu
Bardziej szczegółowoWybór / ocena atrybutów na podstawie oceny jakości działania wybranego klasyfikatora.
Wprowadzenie do programu RapidMiner Studio 7.6, część 7 Podstawy metod wyboru atrybutów w problemach klasyfikacyjnych, c.d. Michał Bereta www.michalbereta.pl Wybór / ocena atrybutów na podstawie oceny
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoProjektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego.
Projektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego. Jerzy Grobelny Politechnika Wrocławska Projektowanie zadaniowe jest jednym z podstawowych podej do racjonalnego kształtowania
Bardziej szczegółowoWektor o pocztku i kocu odpowiednio w punktach. Prosta zawierajca punkty p i q: pq Półprosta zaczynajca si w punkcie p i zawierajca punkt q:.
Temat: Geometria obliczeniowa, cz I. Podstawowe algorytmy geometryczne. Problem sprawdzania przynalenoci punktu do wielokta. Problem otoczki wypukłej algorytmy Grahama, i Jarvisa. 1. Oznaczenia Punkty
Bardziej szczegółowoKonspekt lekcji matematyki klasa 4e Liceum Ogólnokształcce
mgr Tomasz Grbski Konspekt lekcji matematyki klasa 4e Liceum Ogólnokształcce Temat: Dyskusja nad liczb rozwiza równania liniowego i kwadratowego z wartoci bezwzgldn i parametrem. Czas trwania: 45 minut.
Bardziej szczegółowoKomputerowa Ksiga Podatkowa Wersja 11.4 ZAKOCZENIE ROKU
Komputerowa Ksiga Podatkowa Wersja 11.4 ZAKOCZENIE ROKU Przed przystpieniem do liczenia deklaracji PIT-36, PIT-37, PIT-O i zestawienia PIT-D naley zapozna si z objanieniami do powyszych deklaracji. Uwaga:
Bardziej szczegółowoArgumenty na poparcie idei wydzielenia OSD w formie tzw. małego OSD bez majtku.
Warszawa, dnia 22 03 2007 Zrzeszenie Zwizków Zawodowych Energetyków Dotyczy: Informacja prawna dotyczca kwestii wydzielenia Operatora Systemu Dystrybucyjnego w energetyce Argumenty na poparcie idei wydzielenia
Bardziej szczegółowoPROCEDURY REGULACYJNE STEROWNIKÓW PROGRAMOWALNYCH (PLC)
PROCEDURY REGULACYJNE STEROWNIKÓW PROGRAMOWALNYCH (PLC) W dotychczasowych systemach automatyki przemysłowej algorytm PID był realizowany przez osobny regulator sprztowy - analogowy lub mikroprocesorowy.
Bardziej szczegółowoProjektowanie algorytmów rekurencyjnych
C9 Projektowanie algorytmów rekurencyjnych wiczenie 1. Przeanalizowa działanie poniszego algorytmu dla parametru wejciowego n = 4 (rysunek 9.1): n i i
Bardziej szczegółowoAneks Nr 1 do Prospektu Emisyjnego. PCC Rokita Spółka Akcyjna. zatwierdzonego przez Komisję Nadzoru Finansowego w dniu 7 maja 2014 roku
Aneks Nr 1 do Prospektu Emisyjnego PCC Rokita Spółka Akcyjna zatwierdzonego przez Komisję Nadzoru Finansowego w dniu 7 maja 2014 roku Niniejszy aneks został sporządzony w związku z opublikowaniem przez
Bardziej szczegółowoWykorzystanie sztucznych sieci neuronowych do prognozowania upadłoci przedsibiorstw
Grzegorz Zieliski 1 Wykorzystanie sztucznych sieci neuronowych do prognozowania upadłoci przedsibiorstw 1. Czym s sztuczne sieci neuronowe (SSN)? Inspiracj dla powstania dziedziny SSN było zafascynowanie
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoTemat: Algorytmy zachłanne
Temat: Algorytmy zachłanne Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili najkorzystniejsze. Wybiera zatem lokalnie optymaln moliwo w nadziei, e doprowadzi
Bardziej szczegółowoOptymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań
Raport 1/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych z zastosowaniem
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoAlgorytmy kodowania predykcyjnego
Algorytmy kodowania predykcyjnego 1. Zasada kodowania 2. Algorytm JPEG-LS 3. Algorytmy CALIC, LOCO-I 4. Algorytmy z wielokrotn rozdzielczoci. Progresywna transmisja obrazów Kompresja obrazów - zestawienie
Bardziej szczegółowoKompresja obrazu z wykorzystaniem transformaty Karhunena-Loeve
Łukasz Chmiel Rafał Poninkiewicz ompresja obrazu z wykorzystaniem transformaty arhunena-loeve. Wstp Publikacja prezentuje metod kompresji obrazu z wykorzystaniem transformaty LT (arhunena-loeve. Stworzenie
Bardziej szczegółowoElementy pneumatyczne
POLITECHNIKA LSKA W GLIWICACH WYDZIAŁ INYNIERII RODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZDZE ENERGETYCZNYCH Elementy pneumatyczne Laboratorium automatyki (A 3) Opracował: dr in. Jacek Łyczko Sprawdził:
Bardziej szczegółowoRaport kwartalny SA-Q 2 / 2007
skorygowany KOMISJA NADZORU FINANSOWEGO Raport kwartalny SA-Q 2 / 2007 kwartał / rok (zgodnie z 86 ust. 1 pkt 1 Rozporzdzenia Ministra Finansów z dnia 19 padziernika 2005 r. - Dz. U. Nr 209, poz. 1744)
Bardziej szczegółowoTest wskaźnika C/Z (P/E)
% Test wskaźnika C/Z (P/E) W poprzednim materiale przedstawiliśmy Państwu teoretyczny zarys informacji dotyczący wskaźnika Cena/Zysk. W tym artykule zwrócimy uwagę na praktyczne zastosowania tego wskaźnika,
Bardziej szczegółowoMatematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej
Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoStudenckie Koło Naukowe Rynków Kapitałowych General Electric Company (GE) - spółka notowana na giełdzie nowojorskiej (NYSE).
General Electric Company (GE) - spółka notowana na giełdzie nowojorskiej (NYSE). GE (NYSE: GE) - dostarcza najnowocześniejsze rozwiązania z zakresu technologii, mediów i usług finansowych. Firma prowadzi
Bardziej szczegółowoWstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty
Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału
Bardziej szczegółowoEKONOMICZNY PLAN PROJEKTU
EKONOMICZNY PLAN PROJEKTU Załcznik do Wniosku o dofinansowanie realizacji projektu dla Działania "Rónicowanie działalnoci rolniczej i zblionej do rolnictwa w celu zapewnienia rónorodnoci działa lub alternatywnych
Bardziej szczegółowoBank of America Corp.(DE) (BAC) - spółka notowana na giełdzie nowojorskiej (NYSE).
Bank of America Corp.(DE) (BAC) - spółka notowana na giełdzie nowojorskiej (NYSE). Czym zajmuje się firma? Bank of America jeden z największych banków świata. Pod względem wielkości aktywów zajmuje 3.
Bardziej szczegółowoSystemy sztucznej inteligencji w zarzdzaniu przedsibiorstwem Karta (sylabus) przedmiotu
Systemy w zarzdzaniu przedsibiorstwem Karta (sylabus) przedmiotu WZ Zarzdzanie i Inynieria Produkcji Studia II stopnia o profilu: A P Przedmiot: Systemy w zarzdzaniu przedsibiorstwem Status przedmiotu:
Bardziej szczegółowoZa I kwartał roku obrotowego 2006 obejmujcy okres od do (data przekazania)
) Wybrane skonsolidowane dane finansowe, zawierajce podstawowe pozycje skonsolidowanego sprawozdania finansowego w tys. PLN w tys. EUR WYBRANE SKONSOLIDOWANE DANE FINANSOWE I kwartał / 2006 2006-01-01
Bardziej szczegółowoTemat: Liniowe uporzdkowane struktury danych: stos, kolejka. Specyfikacja, przykładowe implementacje i zastosowania. Struktura słownika.
Temat: Liniowe uporzdkowane struktury danych: stos, kolejka. Specyfikacja, przykładowe implementacje i zastosowania. Struktura słownika. 1. Pojcie struktury danych Nieformalnie Struktura danych (ang. data
Bardziej szczegółowoRaport kwartalny SA-Q III/2005. Koszaliskie Przedsibiorstwo Przemysłu Drzewnego SA (nazwa emitenta)
Raport kwartalny Zgodnie z 54 Załcznika Nr 1 do Uchwały Nr 29/01 Rady Nadzorczej Spółki Akcyjnej Centralna Tabela Ofert z dnia 30 padziernika 2001 r. - Regulamin obrotu (z pón. zm.) (dla emitentów papierów
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoOpera 9.10. Wykorzystanie certyfikatów niekwalifikowanych w oprogramowaniu Opera 9.10. wersja 1.1 UNIZETO TECHNOLOGIES SA
Opera 9.10 Wykorzystanie certyfikatów niekwalifikowanych w oprogramowaniu Opera 9.10 wersja 1.1 Spis treci 1. INSTALACJA WŁASNEGO CERTYFIKATU Z PLIKU *.PFX... 3 2. WYKONYWANIE KOPII BEZPIECZESTWA WŁASNEGO
Bardziej szczegółowoANALIZA PORÓWNAWCZA JAKOŚCI MODELI PROGNOZOWANIA KONDYCJI EKONOMICZNO- FINANSOWEJ PRZEDSIĘBIORSTW WOJ. LUBELSKIEGO I PODKARPACKIEGO
115 ANALIZA PORÓWNAWCZA JAKOŚCI MODELI PROGNOZOWANIA KONDYCJI EKONOMICZNO- FINANSOWEJ PRZEDSIĘBIORSTW WOJ. LUBELSKIEGO I PODKARPACKIEGO Zbigniew Omiotek Wyższa Szkoła Zarządzania i Administracji w Zamościu
Bardziej szczegółowoBazy danych. Plan wykładu. Zalenoci funkcyjne. Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania A B
Plan wykładu Bazy danych Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania Definicja zalenoci funkcyjnych Klucze relacji Reguły dotyczce zalenoci funkcyjnych Domknicie zbioru atrybutów
Bardziej szczegółowoROZPORZDZENIE KOMISJI (WE) NR 69/2001. z dnia 12 stycznia 2001 r.
ROZPORZDZENIE KOMISJI (WE) NR 69/2001 z dnia 12 stycznia 2001 r. w sprawie zastosowania art. 87 i 88 Traktatu WE w odniesieniu do pomocy w ramach zasady de minimis KOMISJA WSPÓLNOT EUROPEJSKICH, uwzgldniajc
Bardziej szczegółowoRAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.
Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów
Bardziej szczegółowo