💸 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!

Алгоритм зворотного розповсюдження помилки для навчання нейтронної мережі

Суть алгоритму зводиться до послідовного подання на вхід мережі еталонних значень (рис.3), визначення вихідного вектору мережі (прямий прохід), і корегування коефіцієнтів ваги для зв’язків нейронів на основі визначення різниці між еталонним значенням вихідного вектору та отриманим (зворотній прохід). Корегування відбувається на основі норми навчання та коефіцієнта інерції . Навчання мережі припиняється при досягненні збіжності між еталонним та отриманим значенням вихідного вектора для всіх еталонних прикладів.

При реалізації алгоритму норму навчання обрати на рівні 0.3, а коефіцієнт інерції 0.7. Значення кожного біту вихідного вектора визначати за формулою:

Послідовність кроків алгоритму:

1. Прочитати перший вхідний зразок(еталон) і встановити вихідний зразок, що йому відповідає; Converge = TRUE.
2. Задати значення для кожного з вхідних нейронів значення вхідного зразка.
3. Для елементів першого прихованого шару обчислити сумарний вхід та вихід ,
4. Повторити крок 3 для всіх наступних прихованих шарів та вихідного шару нейронів.
5. Якщо різниця між значенням виходу мережі і вихідним зразком не є допустимою, Converge = Converge& FALSE.
6. Для кожного вихідного елементу визначити його помилку
7. Для останнього прихованого шару визначити помилку кожного елемента
8. Повторити крок 7 для всіх інших шарів
9. Для всіх шарів перерахувати значення ваг кожного елемента ,

1. Якщо вхідний зразок був не останнім, прочитати наступний і перейти до кроку 2.
2. Якщо Converge == FALSE, перейти до кроку 1.
3. Кінець

Перелік позначень:

i, j, k – індекси;

-i-ий вхідний сигнал нейрону;

- ваговий коефіцієнт з’єднання i-го та j-го нейронів;

- сумарне вхідне значення нейрону j;

- вихідне значення нейрону j;

- функція активації;

- значення помилки для j-го нейрону;

- еталонне значення j-го нейрону зовнішнього шару;

- помилка для вагового коефіцієнта зв’язку між нейронами i та j на n кроці обчислень

- норма навчання;

- коефіцієнт інерції;

Converge – ознака припинення навчання.

Рис.4. Приклади для тестування нейронної мережі

В звіті представити:

1. Завдання: розпізнати символи, які складають прізвища студента.
2. Теоретичні відомості
3. Результати навчання
4. Результати розпізнавання
5. Текст програми
6. Висновки