Predikce vývoje tržeb pomocí neuronových sítí jako nástroj k optimalizaci pracovního kapitálu Umělé neuronové sítě —„Za umělou neuronovou síť se obecně považuje taková struktura pro distribuované paralelní zpracování dat, která se skládá z jistého, obvykle velmi vysokého, počtu vzájemně propojených výkonných prvků. Každý z nich může současně přijímat libovolný konečný počet různých vstupních dat. Na další výkonné prvky může předávat libovolný konečný počet shodných informací o stavu jediného, avšak velmi rozvětveného výstupu. Každý výkonný prvek transformuje vstupní data na výstupní podle jisté přenosové funkce. Přitom se též může uplatnit obsah jeho lokální paměti.“ (Šnorek, 2002) — Neuronová síť —Neuronová síť se skládá ze spojení několika nervových neuronů, kdy neuron je procesorová jednotka, která hraje důležitou úlohu pro fungující umělé neuronové sítě. —Výstup neuronu: — — —Kde p je vstupní vektor, w je řádkový vektor váhy, b je množství zkreslení, ⨍ funkce aktivace a a je výstupní neuron. Nervový neuron Proč použít umělé neuronové sítě k predikci —Umělé neuronové sítě jsou systémy pro zpracování informací, který se používá k napodobení lidské úvahy. Tyto úvahy jsou postaveny na funkci a činnosti lidského mozku, kdy používají historické údaje k učení. Vlastnosti umělých neuronových sítí —Učí se vztahy mezi vstupy a výstupy. —Jsou natolik odolné, v tom, že se dokáží vyrovnat s datovými šumy. —Mají dobrou schopnost zobecňovat. Pokud se dosud nesetkaly s přesným příkladem, dokáží dobře odhadovat. —Jsou schopni se učit vysoce nelineární vztahy. —Nevytvářejí žádné předpoklady k dalšímu přerozdělování trénujících dat. — Základní neuronové sítě —McCulloch, Pitts (1943) - Perceptron, formální neuron. —Hebb (1948) - Hebbovské učení. —Rosenblatt (1958)- Rosenblattův perceptron. —Widrow, Hoff (1960) - ADALINE (Adaptive Linear Neuron). —Widrow (1962) - MADALINE (Multiple Adaptive Linear Element). —Ivachněnko (1968) - GMDH (Group Method of Data Handling). —Minsky, Papert (1969) - kniha: Perceptrony. —Fukushima (1978) - Neocognitron. —Grossberg (1980) - ART (Adaptive Resonance Theory). —Hopfield (1982) - Hopfieldova síť, energetická funkce. —Kohonen (1982) - SOM (samoorganizující se mapy). —Kirkpatrick (1983) - Simulované žíhání. —Ackley, Hinton, Sejnovski (1985) - Boltzmannův stroj. —Parker, Le Cun (1985) - Backpropagation - zpětné šíření. —Bromhead, Lowe (1988) - RBF (Radial Basis Function). — Modelace v softwaru STATISTIKA 1.Data budou zpracována pomocí Inteligent Problem Solver. 2.Vyberete označení pro Regression (Problem Type) pomocí Inteligent Problem Solver a opět potvrdíte výběr. 3.Výstupy budou 2-3, vstup 1. 4.Typy sítí k testování: Linear, PNN or GRNN, RBF, TLP a FLP. 5.Následně bude generováno náhodných 1 000 umělých neuronových struktur, z nichž uchováme 10 nejlepších výsledků. 6. 6. 6. Modelace v softwaru STATISTIKA 6.V případě radiální základních neuronových sítě použijeme 0 - 9 skrytých neuronů. Druhá vrstva třívrstvé perceptronové sítě bude obsahovat 1 - 100 skrytých neuronů. Druhá a třetí vrstva čtyřvrstvé perceptronové sítě budou obsahovat vždy 1 - 100 skrytých neuronů. 7.Perceptronové sítě budou klasifikovat jednotlivé podniky na základě entropie. Regresní kódové výstupy budou lineární a logistické. Výsledky neuronových sítí - tržby Diagram umělé neuronové sítě Linear 1:1-2:2 Diagram umělé neuronové sítě MLP 1:1-7-2:2 Diagram umělé neuronové sítě MLP 1:1-23-2:2 Diagram umělé neuronové sítě MLP 1:1-100-2:2 Diagram umělé neuronové sítě Linear 1:1-1-2:2 Diagram umělé neuronové sítě RBF 1:1-2-2:2 Diagram umělé neuronové sítě RBF 1:1-2-2:2 Diagram umělé neuronové sítě GRNN 1:1-10-3-2:2 Diagram umělé neuronové sítě GRNN 1:1-10-3-2:2 Diagram umělé neuronové sítě GRNN 1:1-10-3-2:2 Výsledný graf - tržby za zboží T zbozi.jpg Výsledný graf - tržby za výrobky T vyr_.jpg Výsledky neuronových sítí - náklady Diagram umělé neuronové sítě Linear 1:1-5:5 Diagram umělé neuronové sítě MLP 1:1-10-5:5 Diagram umělé neuronové sítě MLP 1:1-10-9-5:5 Diagram umělé neuronové sítě MLP 1:1-10-10-5:5 Diagram umělé neuronové sítě RBF 1:1-2-5:5 Diagram umělé neuronové sítě RBF 1:1-3-5:5 Diagram umělé neuronové sítě RBF 1:1-4-5:5 Diagram umělé neuronové sítě GRNN 1:1-10-6-5:5 Diagram umělé neuronové sítě GRNN 1:1-10-6-5:5 Diagram umělé neuronové sítě GRNN 1:1-10-6-5:5 Výsledný graf - náklady na materiál N mat_.jpg Výsledný graf – ostatní náklady N ost_.jpg Výsledný graf - náklady na prod. zboží N zbozi.jpg Výsledný graf – spotřební náklady N spot_.jpg Výsledný graf - náklady na služby N zbozi.jpg Výsledky neuronové sítě - VH Diagram umělé neuronové sítě Linear 1:1-1:1 Diagram umělé neuronové sítě MLP 1:1-1-2-1:1 Diagram umělé neuronové sítě MLP 1:1-8-1:1 Diagram umělé neuronové sítě MLP 1:1-8-8-1:1 Diagram umělé neuronové sítě RBF 1:1-2-1:1 Diagram umělé neuronové sítě RBF 1:1-2-1:1 Diagram umělé neuronové sítě RBF 1:1-1-1:1 Diagram umělé neuronové sítě GRNN 1:1-10-2-1:1 Diagram umělé neuronové sítě GRNN 1:1-10-2-1:1 Diagram umělé neuronové sítě GRNN 1:1-10-2-1:1 Výsledný graf - VH VH.jpg Literatura —Abdipour, S., Nasseri, A., Akbarpour, M., Parsian, H., & Zamani, S. (2013). Integrating neural network and colonial competitive algorithm: A new approach for predicting bankruptcy in tehran security exchange. Asian Economic and Financial Review, 3(11), 1528. Retrieved from http://search.proquest.com/docview/1417580195?accountid=133446 — —Lipmann, R.P. (1987) An Introduction to Computing with Neural Nets, IEEE ASSP Magazine, April, pp.4-22. — —ŠNOREK, Miroslav. Neuronové sítě a neuropočítače. Vyd. 1. Praha: Vydavatelství ČVUT, 2002, 156 s. ISBN 80-01-02549-7. —