Технология использования текстовых редакторов
Программа MicrosoftWord представляет собой мощный текстовый процессор, используемый для создания и редактирования документов, вставки и удаления текста и графических изображений. С его помощью могут быть созданы печатные документы широкого спектра назначения: отчеты, методические материалы, бланки, серийные письма и т.д. Программа является составной частью пакета сервисных программ MicrosoftOffice, созданного для удовлетворения различных профессиональных и иных запросов.
Краткое описание простейших действий с текстом в редакторе MicrosoftOfficeWord (вход в редактор Word, создание нового документа, ввод в него текста; внесение в текст изменения путем удаления, замены, перемещения символов или фрагментов текста; форматирование текста путем смены шрифтов, цветов, размеров символов; сохранение созданного текста; выход из редактора Word) представлено в [131].
Технология использования табличного редактора
В любой сфере деятельности найдется множество задач, исходные и результатные данные которых должны быть представлены в табличном виде. Универсальность таблиц и необходимость постоянно учитывать в них взаимозависимость между клетками натолкнули программистов на мысль о создании универсальной программы работы с таблицами — табличного процессора.
Табличные процессоры (электронные таблицы или ЭТ) относятся к той категории пакетов прикладных программ (ППП), которые совершили настоящую революцию в использовании персональных компьютеров (ПК) в сфере бизнеса, освободив человека от выполнения многочисленных рутинных операций при обработке документов табличного вида и положив начало новой концепции «электронного» офиса. Их популярность во всем мире исключительно велика и в настоящее время ППП, реализующие функции ЭТ, считаются обязательными элементами автоматизации управленческой деятельности.
Табличные редакторы (иногда их называют также электронные таблицы) на сегодняшний день, одни из самых распространенных программных продуктов, используемые во всем мире. Они без специальных навыков позволяют создавать достаточно сложные приложения, которые удовлетворяют до 90% запросов средних пользователей.
Табличные редакторы появились практически одновременно с появлением персональных компьютеров, когда появилось много простых пользователей не знакомых с основами программирования. Первым табличным редактором, получившим широкое распространение, стал Lotus 1-2-3, ставший стандартом де-факто для табличных редакторов:
- Структура таблицы (пересечения строк и столбцов создают ячейки, куда заносятся данные);
- Стандартный набор математических и бухгалтерских функций (обычно для бухгалтерии и применялись табличные редакторы);
- Возможности сортировки данных;
- Наличие средств визуального отображения данных (диаграмм).
В СССР получили широкое распространение два табличных редактора SuperCalc и QuattroPro. С появлением Microsoft® Windows и его приложений стандартом де-факто стал табличный редактор Microsoft® Excel (MSExcel).
Особенности Microsoft® EXCEL
Он предоставляет пользователю:
* возможность анализа и управления данными (автоматический расчет итоговых и промежуточных данных, структуризация иконсолидация данных, использование сводных таблиц, отчетов и др.);
* широкие возможности математического, статистического играфического анализа данных;
* эффективное моделирование проблем вида «что будет, если»;
* развитый интерфейс с другими популярными пакетами;
* импорт необходимых данных из различных источников (включая базы данных OLAP), поддержку XML-формата;
* возможность разработки пользовательских программ на языке высокого уровня (VBA);
*поддержку средств мультимедиа;
* наличие инструментария для работы в сети Интернет и др.
Помимо типовых операций по обработке таблиц MSExcel предоставляет пользователю возможность использовать свыше 800 встроенных и дополнительных функций, автоматизирующих проведение наиболее часто используемых вычислений в различных сферах человеческой деятельности [62].
MSExcel является мощным универсальным инструментом по решению задач в сфере экономики и финансов.
Типичные экономико-математические приложения MSExcel используются для:
• структуризации и первичной логической обработки данных;
• статистической обработки данных, анализа и прогнозирования;
• проведения финансово-экономических, расчетов;
• решения уравнений и оптимизационных задач.
Функции статистических методов обработки и анализа данных в MSExcel реализованы в виде специального программного расширения - надстройки Пакет анализа, которая устанавливается по желанию пользователя.
Обучение MicrosoftExcel 2013 представлено в ряде видеоресурсов [233].
3.4.Нейросетевые технологии в финансово-экономической деятельности .
Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности. На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую используются для решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных и трудно формализуемых задач из финансовой области. В настоящее время имеет место широкое появление на отечественном рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных.
В 2016 году о нейронных сетях услышал мир благодаря наработкам Google, Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.
Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакетыBrainMakerProfessionalv.3.11 и Neurofo-resterv.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений.
Использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач, в частности при анализе финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко – от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня.
К основным преимуществам нейронных сетей можно отнести:
способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы;
способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;
эксплуатация обученной нейронной сети по силам любым пользователям;
нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;
внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
способность к обучению: программирование вычислительной системы заменяется обучением;
способность к распознаванию образов в условиях сильных помех и искажений.
Появление столь мощных и эффективных средств не отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят – и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним, как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.
Под нейрокомпьютером понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере. Под нейронной сетью (НС) – вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.
Модели НС могут быть программного и аппаратного исполнения.
Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.
Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рис. 3.5. Каждый синапс характеризуется величиной синаптическои связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.
| S |
| Ячейка нейрона |
| Аксон |
| Выход |
| Y |
| Синапсы |
| Входы |
| X3 |
| X2 |
| X1 |
| X |
| W1 |
| W2 |
| W3 |
| Wn |
Рис. 3.5. Искусственный нейрон.
Текущее состояние нейрона определяется, как взвешенная сумма его входов:
В зависимости от функций, выполняемых нейронами в сети, можно выделить три типа:
· входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;
· выходные нейроны, выходные значения которых представляют выходы нейросети;
· промежуточные нейроны, составляющие основу нейронных сетей.
В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот – выходной нейрон. В процессе функционирования сети осуществляется преобразование входного вектора в выходной, переработка информации.
Каждый нейрон распознаёт и посылает сигнал об одном простом событии, он не посылает много сигналов и не распознает много событий. Синапс позволяет единственному сигналу иметь различные воздействия на связанные с ним нейроны. Распознавание более сложных событий есть работа группы взаимосвязанных нейронов (НС) и несколько биологических нейронных сетей функционируют взаимосвязанно для обработки всё более сложной информации.
Нейронная сеть состоит из слоев нейронов, которые соединены друг с другом. Детали того, как нейроны соединены между собой, заставляют задуматься над вопросом проектирования НС. Некоторые нейроны будут использоваться для связи с внешним миром, другие нейроны - только с нейронами. Они называются скрытыми нейронами.
Современные возможности аппаратной реализации НС можно обобщенно оценить следующим образом:
- число моделируемых нейронов – до 5 млн.;
- число моделируемых связей – до 5 млн.;
- скорость моделирования – до 500 млн. переключений связей/сек.
Нейрокомпьютеры различают:
· универсальные (позволяют реализовывать большое число моделей нейронных сетей и может применяться для решения разнообразных задач);
· специализированные (предназначенном для решения узкого заранее заданного класса задач)
Для любого алгоритма существует нейронная сеть, которая его реализует. То есть нейронные сети являются универсальными вычислительными устройствами. Однако существует очень много практических задач, которые могут быть эффективно решены на серийных компьютерах. Поэтому в настоящее время основное внимание уделяется разработке специализированных НС.
Существует несколько классификаций известных нейросетей:
· по типам структур нейронов:
гомогенные сети (однородные) состоят из нейронов одного типа с единой функцией активации;
гетерогенные сети (входят нейроны с различными функциями активации).
· по типу оперируемых сигналов:
бинарные оперируют только двоичными сигналами, и выход каждого нейрона может принимать значение либо логического ноля (заторможенное состояние), либо логической единицы (возбужденное состояние);
аналоговые;
· по переменам состояний
синхронные, т.е. в каждый момент времени лишь один нейрон меняет свое состояние;
асинхронные, т.е. состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени в нейронных сетях задается итерационным выполнением однотипных действий над нейронами;
· по возможностям обучения:
предварительно обученные (неадаптивные);
самообучающиеся (адаптивные);
· по архитектуре:
полносвязные;
многослойные или слоистые;
слабосвязные (с локальными связями).
В полносвязных нейросетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.
В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя, Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев. Связи от выходов нейронов некоторого слоя q к входам нейронов следующего слоя (q+1) называются последовательными, а между нейронами одного слоя называют латеральными (боковыми).
Этапы построения нейросети
Любая работа с нейросетью начинается с определения задач (1 этап), которые она должна решать, т.е. с определения функций выходов.
Привычной стала необходимость привлечения квалифицированных экспертов.
В общем случае сеть может решать как задачи классификации (дискретные выходы), так и задачи предсказания (непрерывные выходы).
Процесс обучения нейросети рассмотрим на примере прогнозирования показателей финансового рынка.
При выборе функции выхода необходимо всегда проводить предварительный анализ и оценивать возможность его предсказания. Примером может быть исследование прогнозирования цен High, Low, Close для российского рынка акций на день вперед. Цена Close прогнозируется наихудшем образом и имеет наибольшую ошибку. А цены High и Low прогнозируются с переменным успехом для разных акций. Вывод о худшем прогнозировании цены Close можно обосновать тем, что в конце торгов последние сделки делают крупные операторы рынка, и их поведение не поддается формализации.
Вопрос о построении сети решается в два этапа:
· выбор архитектуры сети (число входов, передаточные функции; способ соединения входов между собой; что взять в качестве входов и выходов сети);
· подбор весов (обучение) сети.
Каждая группа моделей нейронных сетей может быть использована для решения лишь некоторого ограниченного класса практических задач. Так, многослойные и полносвязные нейронные сети используются для распознавания образов и адаптивного управления; нейронные сети с локальными связями - для обработки изображений и некоторых других частных задач. Для решения задач линейной алгебры используются многослойные сети с особыми передаточными функциями.
Выбор оптимальной архитектуры сети в как правило производится на основании опыта и знаний.
Большой размер нейросети приводит к затруднению обучения (для сети с 50 входами и 20 нейронами это задача оптимизации в 1000-мерном пространстве). Также уменьшаются обобщающие свойства сети, она начинает просто запоминать обучающую выборку. Такая сеть будет отлично «прогнозировать» на обучающей выборке, но на новых данных прогноз будет плохим. Чтобы избежать эффекта запоминания объем данных должен быть достаточно большим. Например, для прогнозирования российских акций на день вперед минимальный рекомендуемый размер выборки - около 200-250 дней.
Выбор структуры НС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев; сложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов – возбуждающих, тормозящих и др.) также способствует усилению мощи НС. Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Так как проблема синтеза НС сильно зависит от решаемой задачи, дать общие подробные рекомендации затруднительно. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора.
Очевидно, что процесс функционирования НС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).
Этот этап называется обучением НС, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.
Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.
Существует большое множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором - она производится на основе действий, подчиняющихся некоторому случайному процессу.
Задача, решаемая данной сетью в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных сигналов (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить («вспомнить» по частичной информации) соответствующий образец (если такой есть) или «дать заключение» о том, что входные данные не соответствуют ни одному из образцов.
Вторым и наиболее важным этапом является определение состава входов. Нейросеть умеет отсеивать незначимые входы, но каждый «лишний» вход утяжеляет сеть, затрудняет обучение, а главное снижает качество прогноза. При большом числе «лишних» входов нейросеть чаще всего делает прогноз по типу «сегодня будет как вчера, завтра будет как сегодня». Поэтому необходимо очень аккуратно подходить к добавлению новых входов. Вообще, на входы нейросетей можно подавать самую разнообразную информацию, как дискретную (различные события) так и непрерывную (цены, индексы, индикаторы). Состав входов обычно является наиболее «сокровенной» тайной разработчика нейросети и держится в секрете. Наиболее значимыми входами являются индикаторы технического анализа и различные фондовые индексы.
При правильном обучении НС все основные ее ошибки связанны с недостатком входной информации и глобальным изменением состояния объекта прогнозирования. Например, прогноз максимальной цены на день вперед для НК Лукойл дает наибольшие ошибки прогноза в дни выхода каких-либо новостей, которые сильно влияли на российский рынок акций. НС не может прогнозировать такие события, как отставки премьер-министров, начало войны, итоги собраний акционеров и другие фундаментальные факторы. Но и в этих случаях нейросеть будет полезной, если заранее получить два варианта прогнозов – без переломного события и с ним – тогда у трейдера уже будут ценовые уровни при разных сценариях развития событий. И в зависимости от ситуации на рынке выбирается необходимый прогноз.
Выбор типа нейросетевой технологии и метода ее обучения можно выделить в самостоятельный этап. Для решения практических задач часто требуются обучающие выборки большого объема, поэтому в ряде нейропакетов предусмотрены средства, облегчающие процесс формирования и использования обучающих примеров. Однако в настоящее время отсутствует универсальная методика построения обучающих выборок и набор обучающих примеров, как правило, формируется индивидуально для каждой решаемой задачи.
Оказывается, что после многократного предъявления примеров веса сети стабилизируются, причем сеть дает правильные ответы на (почти) все примеры из базы данных. В таком случае говорят, что «сеть натренирована». В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных.
Важно отметить, что вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Считается, что для полноценной тренировки требуется хотя бы несколько десятков-сотен примеров. Обучение сети – сложный и наукоемкий процесс.
Следующим этапом является этап подготовки данных. В последние годы конъюнктура финансовых рынков претерпела значительные изменения, следствие которых стала динамичнее. В связи с этим возникла необходимость использования специальных механизмов обучения (неравномерная выборка данных), при которых больший вес имеют более новые данные. Кроме этого, при подготовке данных необходимо руководствоваться следующим правилом: «исходные данные должны быть непротиворечивы». Для решения этой проблемы, возможно, потребуется увеличить количество входов [43].
В процессе работы, периодически по мере изменения рынка, и его перехода на новые уровни (исторические минимум или максимум), необходимо проводить переобучение нейросетей на новых данных.
Последними этапами можно считать проведение тестирования нейросети и ее запуск для получения прогнозов и оценка результатов.
Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно, обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи. Если результаты тестирования не удовлетворяют, то просматривается набор входных данных, изменяют некоторые учебные программы или перестраивают сеть.
Выходные данные могут быть представлены как числовыми данными, так и текстовыми, преобразованными в уникальный набор чисел в зависимости от класса выполняемой задачи.
Различают два типа выходных сигналов:
1. Дискретные. Такие выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самой неявной и неформализуемой форме. Примером выходных классификации может быть обычная гистограмма, определения состоятельности предприятия.
2. Непрерывные. Выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения и используются для построения прогнозов и функциональных зависимостей для различной информации, причем сразу по нескольким переменным (критериям оценки).
Главная ценность нейронных технологий состоит в том, что они позволяют прогнозировать будущее. Однако нейросети – это не волшебная палочка и думать все равно нужно, потому что качество прогнозов определяется, прежде всего, уровнем профессионализма пользователя.
В табл. 3.6. перечислены основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей [62].
Таблица 3.6.
Дата добавления: 2021-11-30; просмотров: 19; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!