Проверяемый текст
Гагарин, Александр Владимирович; Системная оценка и выбор инноваций на рынке информационных услуг (Диссертация 2001)
[стр. 42]

42 массового применения в бизнесе.
В качестве примеров таких систем можно назвать SAS (компания SAS Institute), SPSS (SPSS).
3.
Нейронные сети.
Это большой класс разнообразных систем, чья архитектура в некоторой степени имитирует построение нервной ткани из нейронов.
Такой подход оказался, в частности, высокоэффективным в задачах распознавания образов.
Следует, однако, отметить, что хотя в развитых странах нейросети широко применяются в области финансовых задач, однако такие системы почти не применимы к большинству
экономических задач в российских условиях, так как не удовлетворяет сформулированных выше требованиям (в частности, требованию прозрачности создаваемых прогностических моделей).
В то же время этот класс инновационных продуктов (NeuroShell, Ward Systems Group), OWL (HyperLogic и др.) весьма перспективен.
4.
Системы оценки на основе аналогов.
Системы CBR (Case Based Reasoning) позволяют находить близкие аналоги анализируемой ситуации.
Поэтому этот метод еще называют методом "ближайшего соседа".

Системы CBR показывают достаточно хорошие результаты в самых разнообразных задачах.
Пример такой системы, Pattern Recognition Workbench (США).
5.
Деревья решений (decision trees).
Данный метод пригоден, прежде всего, для решения задач классификации.
В результате применения этого метода к обучающей выборке данных
создается иерархическая структура классифицирующих правил типа "ЕСЛИ...
ТО...", имеющая вид дерева.
Самыми известными системами являются
SIPINA (University of Lyon, Франция), IDIS (Information Discovery, СИ1А).
6.
Генетические алгоритмы.
Этот метод назван так потому, что в какойто степени имитирует процесс естественного отбора в природе Кроме того, системы этого класса можно рассматривать как мощное средство решения разнообразных комбинаторных задач и задач оптимизации.
Сегодня генетические алгоритмы (например, система GeneHunter фирмы Ward Systems
[стр. 35]

32 преимуществами специализированных систем.
Па рынке имеются различные программы этого класса, например, MetaStock (компания Fquis international), SuperCharts (Omega Research), Candlestick Forecaster (ÎPTC), Wall Street Money (Market Arts).
2.
Статистические пакеты.
Хотя последние версии почти всех известных статистических пакетов включают, наряду с традиционными статистическими методами, также элементы data mining, основное внимание в них уделяется все же классическим методикам корреляционному, регрессионному, факторному анализу и другим.
Обычно в процессе исследования данных с помощью статистических пакетов приходится многократно применять набор из одних и тех же элементарных операций, однако в этих системах средства автоматизации процесса исследования либо отсутствуют, либо требуют программирования на некотором внутреннем языке.
Все эти факторы делают мощные современные статистические пакеты слишком тяжеловесными для массового применения в финансах и бизнесе.
В качестве примеров таких систем можно назвать SAS (компания SAS Institute), SPSS (SPSS).
3.
Нейронные сети.
Это большой класс разнообразных систем, чья архитектура в некоторой степени имитирует построение нервной ткани из нейронов.
Такой подход оказался, в частности, высокоэффективным в задачах распознавания образов.
Следует, однако, отметить, что хотя в развитых странах нейросети широко применяются в области финансовых задач, однако такие системы почти не применимы к большинству
финансовых и экономических задач в российских условиях, так как не удовлетворяет сформулированных выше требованиям (в частности, требованию прозрачности создаваемых прогностических моделей).


[стр.,36]

В то же время этот класс инновационных продуктов (NeuroShell, Ward Systems Group), OWL (HyperLogic и др.) весьма перспективен.
4.
Системы оценки на основе аналогов Системы CBR (Case Based Reasoning) позволяют находить близкие аналоги анализируемой ситуации.
Поэтому этот метод еще называют методом "ближайшего соседа"
(nearest neighbour).
Системы CBR показывают достаточно хорошие результаты в самых разнообразных задачах.
Пример такой системы, Pattern Recognition Workbench (США).
5.
Деревья решений (decision trees) Данный метод пригоден, прежде всего, для решения задач классификации.
В результате применения этого метода к обучающей выборке данных
создастся иерархическая структура классифицирующих правил типа "ЕСЛИ...
ТО...”, имеющая вид дерева.
Самыми известными системами являются
SJPINA (University of Lyon, Франция), IDIS (Information Discovery, США).
6.
Генетические алгоритмы Этот метод назван так потому, что в какой-то степени имитирует процесс естественного отбора в природе.
Кроме того, системы этого класса можно рассматривать как мощное средство решения разнообразных комбинаторных задач и задач оптимизации.
Сегодня генетические алгоритмы (например, система GeneHunter фирмы Ward Systems
Group) следует рассматривать скорее как инструмент научного исследования, чем как средство анализа данных для практического применения в бизнесе и финансах.

[Back]