Обучающие программы

Коль скоро обучение основывается на минимизации значения некоторой функции (показывающей, насколько результат, который выдает сеть на данном обучающем множестве, далек от образцового значения), нужно, прежде всего, выбрать меру ошибки, соответствующую сути задачи. Удачный выбор меры погрешности обычно приводит к более гладкой поверхности невязки и упрощает задачу обучения (см. [269]). Обычно в качестве меры погрешности берется средняя квадратичная ошибка (MSE), которая определяется как сумма квадратов разностей между желаемой величиной выхода dk и реально полученными на сети значениями yk для каждого примера fc

е 1Ы Здесь Р— число примеров в обучающем множестве.

стой задаче двоичной классификации на одном нейроне гиперплоскость может много раз колебаться вокруг своего оптимального положения, пока алгоритм будет обрабатывать поочередно образцы из разных классов. От этого явления несложно избавиться, взяв суммарное изменение весов после ряда примеров. Такой прием называется пакетной обработкой. Цель ее состоит в том, чтобы вычислять усредненное изменение весов. Очевидно, «эпохальный» вариант ВР представляет собой ту же пакетную обработку, где пакетом является все обучающее множество. Если в начале действия алгоритма брать небольшие пакеты, а затем увеличивать их объем вплоть до общего количества примеров в обучающем множестве, то этим будет сэкономлено время вычислений, но, тем не менее, обеспечена сходимость к глобальному решению. Особенно заметным этот эффект будет, если общее количество примеров очень велико или их размерность большая.

Часто значение ц, волевым образом задается равным 0.9, безотносительно к специфике задачи и архитектуре сети. Нужно отметить, что метод импульса очень чувствителен к способу упорядочения примеров в обучающем множестве. Если подряд попалось несколько примеров из одного класса, импульс станет очень большим, и это нарушит ход процесса обучения. Сказанное еще раз свидетельствует о необходимости предварительного случайного упорядочения обучающего множества.

В предыдущем разделе мы описали различные способы приблизить функцию, которую реализует реальная сеть, к неизвестной функции, которую, как предполагается, можно определить по имеющемуся множеству примеров — обучающему множеству. Как в задачах классификации, так и в задачах прогноза, цель при построении сети должна состоять не в том, чтобы запомнить обучающую информацию, а в том, чтобы на основании изучения прошлого сделать определенные обобщения, которые можно будет затем применить к новым образцам. В конечном счете, эффективность сети определяется тем, как она работает со всей совокупностью возможных примеров (пространством возможных ситуаций). Так как все это множество целиком,-как правило, недоступно, возникает практическая задача максимизации качества работы сети на всем множестве исходных данных, и для этого вовсе не нужно требовать от сети высокой степени соответствия на каком-то «зашумленном» обучающем множестве.

Первое естественное желание состоит в том, чтобы увеличивать число примеров в обучающем множестве. Чем их больше, тем более представительны данные. Как и в любом физическом измерении, увеличение числа наблюдений уменьшает шум. Если имеется несколько измерений одного объекта, сеть возьмет их среднее значение, и это лучше, чем точно следовать одному единственному за-шумленному значению.

В результате малые коэффициенты убывают быстрее, чем большие. Кроме того, уменьшение весов помогает уходить с плоских участков поверхности на ранних стадиях обучения. Были предложены и другие виды выражений для штрафа, в результате чего удаляются не только соединения, но и нейроны (см. [132], [64]). Еще один метод уменьшения числа связей — «минимизация вреда для мозга» (см. [174]). Цель его состояла в том, чтобы находить в сети те веса, которые можно удалить, не меняя существенно среднеквадратичную ошибку (MSE) на обучающем множестве. Вводится показатель s, (так называемая «выпуклость» веса) по формуле:

Следующая задача— найти параметры (веса) модели. Это делается с помощью алгоритма оптимизации (обучения). Известно несколько таких алгоритмов, в частности, методы обратного распространения и «замораживания». Этот этап может занять продолжительное время и потребует большой технической работы (установка начальных значений весов, выбор критерия остановки и др.), однако в конце его мы получим некоторую разумную совокупность весов. Нужно следить за тем, чтобы сеть не запоминала шумы, присутствующие во временных рядах (переобучение). Для этого на протяжении всего процесса оптимизации следует проверять, согласуется ли работа модели на обучающем множестве с соответствующими результатами на подтверждающем множестве.

В линейном анализе временных рядов можно получить несмещенную оценку способности к обобщению, исследуя результаты работы на обучающем множестве (MSE), число свободных параметров (W) и объем обучающего множества (N). Оценки такого типа называются информационными критериями (1C) и включают в себя компоненту, соответствующую критерию согласия, и компоненту штрафа, которая учитывает сложность модели. Барроном [30] были предложены следующие информационные критерии: нормализованный 1C Акаике (NAIC), нормализованный байесовский 1C (NBIC) и итоговая ошибка прогноза (FPE):

где fc = L,2,.,.,N, N— число наблюдений в обучающем множестве р — число весов.

Первое слагаемое представляет собой логарифм среднеквадратичной ошибки на обучающем множестве. Второе слагаемое зависит от числа степеней свободы и растет линейно с ростом размера сети. Критерий действует так: сеть, имеющая наименьшее значение NBIC, обладает наилучшими способностями к прогнозу и обобщению. Видно, что из всех испробованных конфигураций наилучшей оказалась сеть 13-2-1.

Экономика информационного общества требует хорошо образованного работника, ориентированного на пожизненное обучение. Это область, где решение экономических задач совпадает с потребностями социального развития. Отсюда дорогостоящие образовательные и обучающие программы во многих высокоразвитых в технологическом отношении странах играют важнейшую роль в социализации персонала.

— исследовательские обучающие программы — Р-тьюторы;

— профессиональные обучающие программы — П-тьюторы;

Экономика информационного общества требует хорошо образованного работника, ориентированного на пожизненное обучение. Это область, где решение экономических задач совпадает с потребностями социального развития. Отсюда дорогостоящие образовательные и обучающие программы во многих высокоразвитых в технологическом отношении странах играют важнейшую роль в социализации персонала.

Новые формы розничной торговли появляются постоянно, ставя под угрозу уже существующие. Нью-йоркский банк может начать доставлять деньги своим клиентам в офис или на дом. Adelphi College предлагает «обучающие программы для пассажиров». С их помощью люди за время поездки на транспорте с Лонг Аи ленд а на Манхеттен или обратно могут усвоить дополнительные знания, необходимые для получения степени МВА (магистр делового администрирования). Компания American Bakeries открыла новую сеть магазинов Hippopotamus Food Stores, в которых можно купить большое количество продуктов сразу для всех работников своей фирмы и получить при этом скидку от 10 до 30 %.

Постоянно возникают новые методы обучения. Среди применяемых подходов — деловые игры, тренировка восприимчивости, аудио- и видеотехника, проигрыватели компакт-дисков, обучающие программы и фильмы по торговле и товарам компании.

Когда я говорю со взрослыми, которые желают зарабатывать побольше денег, я всегда рекомендую одну и ту же вещь. Я предлагаю им взглянуть на свою жизнь по всей ее протяженности: что есть сейчас, что будет потом. Вместо того, чтобы Просто работать за деньги, ради денег, искать надежную работу, что важно в определенной степени, я предлагаю людям взяться за вторую работу, которая даст им вторую квалификацию, новый практический опыт. Часто я рекомендую присоединиться к компании, занимающейся сетевым маркетингом, или Многоуровневым маркетингом, если люди хотят научиться продавать. Некоторые из этих компаний имеют отличные обучающие программы, помогающие людям преодолеть свой страх, неудачу, отказ. Страх, неудача, отказ — главные причины того, что люди бывают неуспешными. Образование я считаю более ценным, чем деньги, в конечном счете.

Изредка я слышу, как кто-то говорит: «Ваши образовательные игры очень дорогие». («CASHFLOW 101» стоит 195 $, «CASHFLOW 202» стоит 145 $, a «CASHFLOW для детей» стоит 79 $. Это цены в США). Все наши игровые продукты — это завершенные обучающие программы, которые включают еще и аудиокассеты, видеокассеты и/или книги. (Единственная причина, что игры столько стоят, заключается в выпуске ограниченного количества игр в год). Когда меня упрекают в дороговизне игр, я отвечаю: «Игры, действительно, дорогие ... особенно по сравнению с развлекательными настольными играми». А про себя добавляю: «Но мои игры не столь дороги, как образование в колледже, как вкалывание всю жизнь на заработанный доход, как выплата чрезмерных налогов, как жизнь в страхе потерять все свои деньги на инвестиционном рынке».

ЧАСТНЫЕ СЕМИНАРЫ: Двухдневные интенсивные обучающие программы проводятся в торговой комнате во время торговой сессии. Прием участников ограничен, требуется предварительное определение квалификации, и места предоставляются далеко не всем. Свяжитесь с нашим офисом, чтобы получить информацию о расписании и ценах.

SOES User Guide SelectNet User Guide Обучающие программы по Level 2:

Сложная человеческая деятельность не позволяет себя автоматизировать. Компьютерные обучающие программы не вытеснили учителей, а бухгалтерские системы не вызвали безработицу среди бухгалтеров. Большинство человеческих занятий требует опыта в принятии решений, так что машины и программы могут помочь, но не заменить человека. Погорело так много покупателей этого товара, что они организовали Клуб 3000, по характерной цене системы.

Навигация

Главная

Новое

Акционер Америка Агрессивность