💸 Как сделать бизнес проще, а карман толще?

Тот, кто работает в сфере услуг, знает — без ведения записи клиентов никуда. Мало того, что нужно видеть свое раписание, но и напоминать клиентам о визитах тоже. Проблема в том, что средняя цена по рынку за такой сервис — 800 руб/мес или почти 15 000 руб за год. И это минимальный функционал. Нашли самый бюджетный и оптимальный вариант: сервис VisitTime.
⚡️ Для новых пользователей первый месяц бесплатно. А далее 290 руб/мес, это в 3 раза дешевле аналогов. За эту цену доступен весь функционал: напоминание о визитах, чаевые, предоплаты, общение с клиентами, переносы записей и так далее.
✅ Уйма гибких настроек, которые помогут вам зарабатывать больше и забыть про чувство «что-то мне нужно было сделать».
Сомневаетесь? нажмите на текст, запустите чат-бота и убедитесь во всем сами!

Використання методу зворотного розповсюдження помилки для навчання нейронної мережі.

Курсова робота

Мета роботи:

Вивчити основні принципи функціонування нейронних мереж, реалізувати алгоритм зворотного розповсюдження помилки для навчання мережі, дослідити можливості застосування нейронних мереж для вирішення задач теорії штучного інтелекту.

Завдання:

Скласти програму, яка реалізує функціонування нейронної мережі (рис.1) для задачі розпізнавання (класифікації) чисел. Представити операцію навчання мережі на прикладах для навчання (рис.3). Протестувати програму для контрольних прикладів (рис.4).

Передбачити для користувача можливість зміни:

1) початкового діапазону розподілу ваги для зв’язків нейронної мережі A[a₁, a₂];

2) кількості прихованих шарів нейронної мережі t;

3) кількості нейронів кожного прихованого шару q_t, i=[1..t];

4) коефіцієнту навчання ;

5) коефіцієнту інерції .

Дослідити вплив вище перелічених параметрів на швидкість навчання мережі та якість розпізнавання образів.

Теоретичні відомості:

Задача полягає у розпізнаванні (класифікації) числа, яке представлене бітовою матрицею розміру 9х7. Вихідний вектор мережі має містити інформацію про належність числа до одного з 10 класів (числа від 0 до 9). Наприклад, якщо на вхід мережі буде подано матрицю, що відповідає числу 2, то у вихідному векторі значення другого біту буде дорівнювати 1. Для вирішення задачі обрати нейронну мережу з 63 вхідними нейронами, 6 нейронами прихованого шару і 10 вихідними нейронами (рис.1). Нейрони прихованого шару поєднані з усіма вхідними нейронами, а зовнішнього шару – з усіма нейронами прихованого.

Рис.1. Загальний вигляд нейронної мережі.

Відповідність пікселів матриці нейронам вхідного шару наведена на рис.2.

Рис.2. Відповідність пікселів нейронам вхідного шару

Числа для навчання нейронної мережі показано на рис.3.

Рис.3. Числа для навчання нейронної мережі.