SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)

Transkrypt

1 SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji niewłaściwych, niekorzystnych dla przedsiębiorstwa przedsięwzięć może skutkować w skrajnym przypadku upadłością. Przeprowadzenie w fazie koncepcyjnej wielokryterialnej oceny danego projektu wykonalności projektu zmniejsza ryzyko podjęcia niewłaściwych decyzji. Oszacowanie czasu, kosztów realizacji projektów w całości, jak i w kolejnych jego etapach jest istotne. Niedoszacowanie danych parametrów może skutkować przekroczeniem terminów dyrektywnych oraz z karami umownymi za nieterminowe wywiązanie się z umowy handlowej. Z kolei błędne oszacowanie kosztów może wpłynąć na przekroczenie budżetu, zmniejszenie zysku finansowego z projektu, lub stratą z działalności. Efektywne planowanie projektów zwiększa prawdopodobieństwo, że rzeczywiste wyniki danego projektu będą zgodne z założonymi. Kompletne zarządzanie projektami wymaga przeprowadzenia oceny końcowej projektu, porównania stanu pożądanego ze stanem końcowym/zaistniałym. Ocena końcowa projektu jest bardzo wartościująca, dostarcza cennych informacji. Istotne jest, żeby przeprowadzić ją bezpośrednio po zakończeniu wszystkich prac nad projektem. Łatwo jest bowiem zebrać konieczne informacje. Celem oceny końcowej projektu jest zebranie niezbędnych informacji dla lepszego oszacowania parametrów przyszłych, potencjalnych projektów. Dane te będą mogły posłużyć jako baza wiedzy przy planowaniu kolejnych projektów. Poniżej proponowany jest podstawowy zestaw kryteriów oceny końcowej projektu. Parametr czasu projektu rozumiany jest jako stopień dotrzymania terminu dyrektywnego (zakładanego terminu zakończenia projektu). Oznaczany jest symbolem CP. Parametr kosztu, oznaczany symbolem KP, odnosi się do planowanego kosztu i określa stopień dotrzymania zakładanego budżetu. Parametr jakości projektu, oznaczany symbolem JP, należy rozumieć jako stopień zgodności projektu z wcześniej określonymi wymaganiami. Parametr zadowolenia klienta, oznaczany symbolem ZK, określa stopień zadowolenia klienta (rozumianego jako klienta zewnętrznego lub klienta wewnętrznego) ze zrealizowanego projektu. Zestaw kryteriów powiększony zostanie o kolejne przyznawane przez eksperta kryteria wagowe, tj. wagę czasu projektu (WCP), wagę kosztu projektu (WKP), wagę jakości projektu (WJP), wagę zadowolenia klienta (WZK). Zadania do zrealizowania Utworzenie sieci neuronowej, która posłuży do oceny końcowej projektu. Proponowanym narzędziem jest oprogramowanie Neuronix. Na podstawie co najmniej 10 doświadczeń (uczenia i analizy działania modelu neuronowego z różną liczbą neuronów w warstwach ukrytych) należy wskazać najlepszą strukturę sieci neuronowej, tak aby zminimalizować błąd dopasowania sieci neuronowej do danych uczących i testujących. Każde doświadczenie ma być przeprowadzone dla tych samych współczynników uczenia. Etapy realizacji zadania:

2 1. Zebranie danych wejściowych (ściągnięcie ze strony danych w pliku.xls) 2. Utworzenie katalogu dla doświadczenia nr 1 o jednoznacznej nazwie np. doswiadczenie 1. W katalogu będą się znajdować: plik z danymi uczącymi (*.lrn) i testującymi (*.tst), pliki struktury sieci neuronowej z doświadczenia nr 1 oraz arkusze danych służące do wyliczeń błędów. 3. Utworzenie nowego projektu np. z wykorzystaniem kreatora nowego projektu. Jako lokalizację projektu należy wybrać utworzony katalog. Budowa i testowanie systemu wykorzystuje zebrane dane wejściowe. Dane wejściowe należy podzielić na 90% danych uczących i 10% danych testujących (losowe wartości w plikach). 4. Ustalenie struktury sieci neuronowej. Pierwsza struktura sieci neuronowej może być zrealizowana z użyciem następujących warunków (parametrów) budowy systemu: a. Parametry strukturalne sieci: i. Liczba neuronów w warstwie pierwszej: 5 (dla kolejnych doświadczeń wartość tą zmieniamy) ii. Liczba neuronów w warstwie drugiej: 0 (dla kolejnych doświadczeń wartość tą zmieniamy) iii. Liczba neuronów w warstwie trzeciej: 0 (dla kolejnych doświadczeń wartość ta zostaje bez zmian) b. Parametry procesu uczenia sieci (dla kolejnych doświadczeń wartości te zostają bez zmian): i. Współczynnik uczenia 0,5 ii. Współczynnik momentu 0,7 c. Warunki zakończenia procesu uczenia sieci: i. RMS uczenia< 0,01 5. Uczenie sieci neuronowej. a. Inicjalizacja wartości wag b. Uczenie sieci powinno zakończyć się bez naszej ingerencji, istnieją jednak przypadki, gdy sieć może uczyć się w nieskończoność. Należy przerwać uczenie jak zauważymy, iż błąd RMS ustabilizował wartość i się nie zmniejsza. Ukrycie statystyk, wykresów RMS i struktury sieci może znacznie przyśpieszyć uczenie sieci. 6. Wyliczenie błędów dla danych uczących i testujących. a. Utworzyć dwa nowe arkusze danych: jeden dla wyliczeń błędów dla danych uczących i kolejny dla danych testujących. Do pierwszego arkusza skopiować dane uczące, do drugiego dane testujące. W obu arkuszach należy wyliczyć procentowy błąd względny dla danych uczących i analogicznie dla danych testujących, korzystając ze wzoru: Przykład obliczeń błędu względnego:.

3 7. Wykonanie kolejnych doświadczeń budowy sieci neuronowej, uczenia jej i testowania. Aby wykonać kolejne doświadczenia nie trzeba budować na nowo systemu. Należy jedynie wykorzystać utworzone już pliki w celu kolejnych analiz. a. Utworzyć 9 kopi katalogu doświadczenie 1 (wraz z zawartością) i zmienić nazwy katalogów kolejno doswiadczenie 2, doswiadczenie 3 itp.

4 b. Otworzyć system neuronowy z kolejnego doświadczenia (np. z katalogu doswiadczenie 2 ). c. Zmienić strukturę sieci neuronowych (liczbę neuronów w warstwach). d. Uruchomić uczenie sieci neuronowej (analogicznie do poprzedniego doświadczenia). Otworzyć arkusze danych, uruchomić sieć i odczytać (zapisać) aktualne średnie błędy względne dla danych uczących i testujących. 8. Analiza wyników otrzymanych błędów. a. Wyniki błędów dla danych uczących i testujących w funkcji kolejnych doświadczeń (oś x) należy zamieścić na jednym wykresie. b. Aby dokonać analizy wpływu liczby neuronów w warstwach na błąd dopasowania systemu do danych empirycznych w kolejnym wykresie zamiast numeru doświadczenia na osi x można zamieści również liczbę neuronów (w kolejnych warstwach) bądź też/i całkowitą liczbę neuronów w sieci. c. Na końcu należy zamieścić wnioski z analizy. Odpowiedzieć w nich na pytania dotyczące optymalnej struktury sieci neuronowej dla danego zastosowania, oraz wpływu liczby neuronów i współczynnika uczenia na błąd.

5 Temat zadania: SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) Data wykonania zadania:. Wykonawca:. WYNIKI ANALIZ (Wykresy) WNIOSKI Z ANALIZY: