Dalje, oni čine mehanizam koji je važan i koji usmerava društvene uticaje. Karakteristika koju sve berze imaju kao zajedničku jeste nepredvidivost, što je povezano sa njihovim kratkoročnim i dugoročnim stanjem. Ova karakteristika je nepoželjna za investitore, ali je takođe i neizbežna kad god je berza izabrana kao investicioni alat. Najbolje što može da se učini je da se pokuša da se smanji nepredvidivost. Predviđanja na berzi su jedan od instrumenata u ovom procesu.

 Zadatak predviđanja na berzi deli istraživače i akademike u dve grupe, one koji veruju da je moguće stvoriti mehanizme koji bi bili u stanju da predvide tržište i one koji veruju da je tržište samo po sebi efikasno i da kako koja nova informacija dođe, ono ga apsorbuje, korigujući samo sebe, tako da nema mesta za predviđanja (EMH). Dalje, oni veruju da berza prati „slučajnu šetnju“, što implicira da je najbolje predviđanje koje možete da imate o sutrašnjoj vrednosti ustvari današnja vrednost.

U literaturi su primenjivane mnoge različite metode sa ciljem da se predvide povraćaji na berzi. Ove metode mogu da se grupišu u 4 glavne kategorije: i) metode tehničke analize, ii) metode fundamentalne analize, iii) tradicionalna predviđanja zasnovana na vremenskim nizovima i iv) metode mašinskog učenja. Tehnički analitičari pokušavaju da predvide tržište prateći obrazce koji dolaze iz studije dijagrama koji potiču od istorijskih podataka tržišta. Fundamentalni analitičari proučavaju unutrašnju vrednost berze i investiraju u nju ukoliko procene da je trenutna vrednost niža od unutrašnje vrednosti. U tradicionalnom predviđanju zasnovanom na vremenskim nizovima postoji pokušaj da se stvori linearni model za predviđanje koji je u stanju da prati obrazac u istorijskim podacima. Ovi linearni modeli su podeljeni u dve kategorije: jednovarijabilne i viševarijabilne regresione modele, što zavisi od toga da li oni koriste jednu ili više promenjivih kako bi izračunali približnu vrednost vremenskog niza berze. Konačno, brojne metode su razvijena pod uobičajenom oznakom mašinskog učenja. Ove metode koriste skup primera i pokušavaju da prate obrazac u tim primerima (linearni ili nelinearni), sa ciljem da nađu približnu vrednost funkcije koja je generisla podatke.

Berza i predviđanje
 Teorije investiranja: Teorija investiranja sugeriše koji parametri bi trebali da se uzmu u razmatranje pre nego što se kapital uloži na tržište. Tradicionalno, zajednice za investiranje prihvataju dve glavne teorije: osnivanje firme i „Zamkove u vazduhu“. Reference za ove teorije dozvoljavaju da razumemo kako je tržište oblikovano, ili drugim rečima kako investitori misle i reaguju. To je ta sekvenca „misli i reakcija“ investitora koja definiše gde se kapital nalazi, kao i nivo samog tržišta.

Nema sumnje da većina ljudi koji su povezani sa berzom pokušava da postigne profit. Profit dolazi iz investiranja u tržište koje ima dobru budućnost (kratkoročnu ili dugoročnu). Drugim rečima, ono što oni pokušavaju da postignu jeste da predvide budućnost tržišta. Ali, šta određuje ovu budućnost? Odgovor leži u načinu na koji ljudi investiraju svoj novac, a ljudi investiraju novac u skladu sa informacijom koju imaju. Dalje, imamo sledeću šemu:

INFORMACIJA → INVESTITOR → NIVO TRŽIŠTA

Faktori koji se diskutuju u ovoj šemi su: sadržaj informacione komponente i način na koji investitor reaguje kada ima informaciju.

S druge strane, prema teoriji „Zamkovi u vazduhu“, investitori kao okidač koriste informaciju koja je povezana sa ponašanjem drugih investitora. To znači da jedina briga što se tiče ove teorije je to da investitor kupi nešto danas za cenu 20 i proda sutra po ceni 30, bez obzira na unutrašnju vrednost firme u koju on investira.

Metode predviđanja: Predviđanje tržišta je, van svake sumnje, interesantan zadatak. U literaturi postoji veliki broj metoda koje mogu da se primene za rešavanje ovog problema. Ove metode koriste različite pristupe, koji variraju od krajnje neformalnih načina, pa do formalnijih metoda. Ove tehnike mogu da se okarakterišu na sledeći način:

• Metode tehničke analize;
• Metode fundamentalne analize;
• Metode tradicionalnog predviđanja korišćenjem vremenskih nizova;
• Metode mašinskog učenja;

 Govor je prirodni vid komunikacije za ljude. Mi učimo sve relavantne veštine za vreme ranog detinjsta, bez instrukcija i to nastavljamo da primenjujemo na našu govornu komunikaciju čitav naš život. Za nas to postaje tako prirodno da uopše nismo u stanju da realizujemo koliko je sam fenomen govora komplikovan. Čovekov vokalni trakt i artikulatori su biološki organi sa nelinearnim karakteristikama, čiji rad nije samo pod svesnom kontrolom, već na njega takođe utiču faktori u opsegu od pola, pa sve do emocionalnog stanja. Kao rezultat, vokalizacija može u širokoj meri da varira u smislu akcenta, izgovora, artikulacije, grubosti, unjkavosti, jačine, zapremine i brzine; takođe, za vreme prenosa, naš neregularni obrzac govora može dalje da bude poremećen pozadinskom bukom i ehom, kao i električnim karakteristikama (ukoliko se koriste telefoni ili elektronska oprema). Sve ove varijabilnosti izvora čine prepoznavanje govora, čak i samo generisanje govora, vrlo kompleksnim problemom.

 Šta čini ljude tako dobrim u prepoznavanju govora? Intrigantno, poznato je da je ljudski mozak ožičen drugačije nego računar; zapravo, on funkcioniše pod radikalno drugačijom paradigmom računanja. Dok konvencijonalni računar koristi vrlo brz i kompleksan centralni procesor sa eksplicitnim programskim instrukcijama i lokalno adresabilnom memorijom, nasuprot tome ljudski mozak koristi masivnu paralelnu kolekciju sporih i jednostavnih procesirajućih elemenata (neurona), gusto povezanih po težini (sinapse) čija snaga je modifikovana sa iskustvom, direktno podržavajući integraciju višestrukih ograničenja i pružajući distributivnu formu asocijativne memorije.

 Impresivna superiornost mozga u širokom spektru kognitivnih veština, uključujući prepoznavanje govora, je inspirisala istraživanje na polju nove paradigme računanja od 40-ih godina prošlog veka, na predpostavku da modeli koji podsećaju na mozak mogu da vode u performanse koje podsećaju na performanse mozga kada je reč o mnogim kompleksnim zadacima. Ova fascinantna oblast istraživanja je sada poznata kao konekcivizam ili nauka o veštačkim neuralnim mrežama.

 Koje je trenutno stanje veštine prepoznavanja govora? Ovo je komplikovano pitanje, zato što tačnost sistema zavisi od uslova pod kojima je isti razvijen. Pod dovoljno usmerenim uslovima skoro svaki sistem može da dostigne tačnost sličnu čovekovoj, ali je mnogo teže postići dobru tačnost pod opštim uslovima. Uslovi evaulacije i takođe tačnosti bilo kog sistema mogu da variraju po sledećim dimenzijama:

• 
  Veličina rečnika i zbunjivost. 

 Kao opšte pravilo, jednostavno je diskriminisati u okviru malog skupa reči, ali stopa greška raste prirodno kako veličina rečnika raste. Na primer, 10 cifara od “nula” do “devet” može da bude prepoznato suštinski savršeno, ali veličina rečnika od 200, 5000 ili 100000 može da ima stopu greška od 3%, 7% ili 45%. S druge strane, čak i mali rečnik može da bude problematičan za prepoznavanje ukoliko sadrži zbunjujće reči. Na primer, 26 slova engleskog alfabeta je vrlo teško diskriminisati zato što sadrže tako mnogo zbunjujućih reči (najnotornije, E-skup: “B, C, D, E, G, P, T, V, Z”); stopa greške od 8% se smatra dobrom za ovaj rečnik.

• 
  Zavisnost i nezavisnost od govornika.

 Po definiciji, sistem koji zavisi od govornika je predviđen da se koristi samo od strane jednog govornika, dok sistem nezavistan od govornika može da koristi bilo koji govornik. Nezavisnost od govornika je teška za postizanje zato što parametri sistema postaju povezani sa govornikom koji je obučen za rad sa tim sistemom i ovi parametri teže da budu viskoko specifični po pitanju govornika.

• Izolovani, nekontinualni ili kontinualni govor.

 Izolovani govor znači jednu reč; nekontinualni govor znači čitave rečenice u kojima su reči veštački razdvojene tišinom; i kontinualni govor znači prirodno izgovorene rečenice. Izolovano i nekontinualno prepoznavanje govora je relativno jednostavno zato što se granice između reči lepo detektuju i reči teže da budu jasno izgovorene.

• Zadatak i jezička ograničenja.

 Čak i sa fiksnim rečnikom, performanse će varirati sa prirodom ograničenja po pitanju sekvenci reči koje su dopuštene za vreme prepoznavanja. Neka ograničenja mogu biti zavisna od zadatka (na primer, neke primene mogu da odbace hipotezu „Jabuka je crvena“); druga ograničenja mogu da budu semantička (odbacujući „Jabuka je besna“), ili sinaktička (odbacujući „Crvena je jabuka ta“). Ograničenja su često predstavljena gramatičkim pravilima, koja idealno isfiltriraju nerazumene rečenice, tako da sistem za prepoznavanje govora evoluaira samo verodostojne rečenice. Gramatička pravila su obično rangirana prema njihovoj kompleksnosti, broju koji indicira gramatički faktor prosečnog grananja, kao što je broj reči koji može da prati bilo koju datu reč. Poteškoća zadatka je mnogo pouzdanije merena njenom komplikovanošću nego veličinom rečnika.

• Čitani naspram spontanog govora.

 Sistem može biti razvijen i zasnovan na govoru koji je ili čitan iz pripremljenih skripti, ili izgovoren spontano. Spontani govor je daleko teži, zato što ima tendenciju da bude začinjen sa disfluentnostima kao što su „uh“ ili „um“, lažnim počecima, nepotpunim rečenicama, mucanjem, kašljem i smehom i, naravno, rečnik je praktično neograničen, tako da sistem mora da bude u stanju da upravlja inteligentno sa nepoznatim rečima.

• Neprijateljski uslovi.

 Performanse sistema takođe mogu da budu degradirane čitavim spektrom neprijateljskih uslova. Ovo uključuje buku okruženja (na primer, buku u automobilu ili fabrici); akustičke distorzije (na primer, eho, akustiku prostorije); različite mikrofone (na primer, pričanje iz blizine, višesmernost ili telefon); ograničen frekventni propusni opseg (u telefonskom prenosu); i izmenjene načine pričanja (vikanje, kukanje, brzo pričanje, itd.).

 Sa ciljem da se razviju i uporede različiti sistemi koji funkcionišu pod dobro definisanim uslovima, veliki broj standardizovanih baza podataka je bio kreiran i svaka od njih ima neke posebne karakteristike. Na primer, jedna baza podataka koja je bila široko korišćena je DARPA Resource Management baza podataka – veliki rečnik (1000 reči), nezvisna od govornika, baza podataka sa kontinualnim govorom koja se sastoji od 4000 trening rečenica u domenu menadžmenta mornaričkih resursa, čitanja iz skripte i snimanja pod uslovima benignog okruženja; testiranje je obično izvršeno korišćenjem gramatičkih pravila kompleksnosti 60. Pod ovim kontrolisanim uslovima, stanje umetnosti performansi je oko 97% tačnosti prepoznavanja reči (ili manje za jednostavnije sisteme).

 Struktura standardnog sistema za prepoznavanje govora je ilustrovana na Slici 1.

Slika 1. Struktura standardnog sistema za prepoznavanje govora

• Neizvežbani govor. Govor je tipično uzorkovn na visokoj frekvenciji, na primer 16 KHz preko mikrofona ili 8 KHz preko telefona. Ovo daje prinos sekvence amplitudne vrednosti tokom vremena.

 

 Veštačke neuralne mreže, baš kao i ljudi, uče kroz primere. Veštačke neuralne mreže su konfigurisane za specifične primene, kao što su prepoznavanje obrazca ili klasifikacija podataka kroz proces učenja. Učenje u biološkom sistemu uključuje podešavanje sinaptičkih veza koje postije između neurona. Ovo je ono što i neuralne mreže takođe rade.

 Neuralna mreža je moćen alat za modelovanje podataka koji je u stanju da obuhvati i reprezentuje kompleksne ulazno-izlazne veze. Motivacija za razvoj tehnologije neuralnih mreža je potekla od želje da se razvije veštački sistem koji bi mogao da obavlja „inteligentne“ zadatke slične onima koje obavlja ljudski mozak. Neuralne mreže liče na ljudski mozak na sledećih nekoliko načina: one stiču znanje kroz učenje i znanje je uskladišteno u okviru inter-neuronskih veza koje su poznate kao sinaptičke veze.

 Istinska snaga i prednost neuralnih mreža leži u njihovoj sposobnosti da reprezentuju kako linearne, tako i nelinearne veze u njihovoj sposobnosti da uče ove odnose direktno iz podataka koji se modeluju. Tradicionalni linearni modeli su jednostavno neadekvatni kada se radi o modelovanju podataka koji sadrže nelinearne karakteristike.

 Najuobičajeniji model neuralne mreže je poznat kao nadzirana mreža zato što zahteva željeni izlaz kako bi učila. Cilj ovog tipa mreže je da kreira model koji mapira ulaz i izlaz koristeći istorijske podatke, tako da model onda može da bude korišćen da proizvede izlaz kada je željeni izlaz nepoznat. Grafička reprezentacija percepcije u više slojeva je data na Slici 1.

Slika 1. Percepcija u više slojeva

 Ulazi su snabdevani unutar ulaznog sloja i pomnoženi težinom interkonekcije, kako bi prešli iz ulaznog sloja u prvi skriveni sloj. U okviru prvog skrivenog sloja, oni se sumiraju i zatim obrađuju pomoću nelinearnih funkcija. Kada obrađeni podaci napuste prvi skriveni sloj, oni ponovo bivaju pomnoženi sa težinom interkonekcije, zatim sumirani i obrađeni od strane drugog skrivenog sloja. Konačno podatak je pomnožen sa težinom interkonekcije i onda obrađen poslednji put u okviru izlaznog sloja kako bi proizveo izlaz neuralne mreže.

 Neuralne mreže, sa svojom značajnom sposobnošću da izvedu značenje iz komplikovanih ili nepreciznih podataka, mogu da budu korišćene da ekstrakuju obrazce i detektuju trendove koji su suviše kompleksni da bi bili uočeni od strane čoveka ili neke druge računarske tehnike. O treniranoj neuralnoj mreži može da se razmišlja kao o „ekspertu“ u kategoriji informacija koje su joj date na analizu. Ovaj ekspert onda može biti korišćen da pruži projekcije date novim rešenjima od interesa i da odgovori na „šta ako“ pitanja. Ostale prednosti uključuju:

• 
  Adaptivno učenje: Sposobnost da se uči kako da se obavi zadatak koji je zasnovan na podacima datim za trening ili inicijalno iskustvo. Primer adaptivnog učenja je dat na Slici 2.
• 
  Samo-organizacija: Veštačka neuralna mreža može da kreira svoju sopstvenu organizaciju ili reprezentaciju informacija koje prima dokom učenja. 
• Rad u realnom vremenu: Računanje neuralnih mreža može da bude izvedeno u paralelnom i specijalnom hardverskom uređaju koji je dizajniran i proizveden, što daje prednost ovim sposobnostima. 
• Tolerancija greške preko kodiranja suvišnih informacija: Delimična destrukcija neuralnih mreža vodi u odgovarajuću degradaciju performansi. Međutim, neke od osobina mreže mogu biti zadržane čak i sa velikim mrežnim oštećenima.

  

Slika 2. Primer adaptivnog učenja

 C# je multi-paradigmalni programski jezik koji objedinjuje jaku daktilografiju, imperativne, deklarativne, funkcionalne, generične, objektno-orjentisane i komponentalno-orjentisane programerske discipline. Razvijen je od strane Microsoft-a u okviru svoje .NET inicijative i kasnije odobren kao standard od strane Ecma (ECMA-334) i ISO (ISO/IEC 23270:2006). C# je jedan od programskih jezika koji je dizajniran za uobičajenu jezičku infrastrukturu.

 C# je nameravan da bude jednostavan, moderan, predviđen za opštu upotrebu i objektno-orjentisan programski jezik. Njegov razvojni tim je vođen od strane Anders-a Hejlsberg-a. Najnovija verzija je C# 4.0, koja je izdata u aprilu 2010. godine.

 Poznata je činjenica da postoji mnogo različitih algoritama za koje je teško pronaći formalan algoritam koji bi ih rešio. Neki problemi ne mogu biti lako rešeni koristeći tradicionalne metode; za neke probleme još uvek ne postoji rešenje. U slučaju rešavanja mnogih takvih problema mogu da se upotrebe neuralne mreže, koje demonstriraju dobre rezultate u širokom spektru primena. Istorija neuralnih mreža je počela 50-ih godina prošlog veka, kada je najjednostavnija arhitektura neuralne mreže bila predstavljena. Posle inicijalnog rada u ovoj oblasti, ideja vezana za neuralne mreže postaje sve popularnija. Ali, onda je ova oblast imala slom kada je otkriveno da su neuralne mreže tog vremena vrlo ograničene u smislu količine zadataka za čije rešavanje mogu da nađu primenu. Tokom 70-ih godina prošlog veka one su doživele novi procvat kada je predstavljena ideja višeslojnih neuralnih mreža sa algoritmom učenja zasnovanom na back-propagaciji. Od tog vremena, mnogo različitih istraživača je proučavalo oblast neuralnih mreža, što je vodilo u otkriće širokog opsega različitih neuralnih arhitektura, koje su mogle da se primene za rešavanje širokog spektra različitih problema. Za sada, neuralne mreže mogu da se primene na zadatke kao što su klasifikacija, prepoznavanje, aproksimacija, predviđanje, klasterizacija, simulacija memorije, i mnogo drugih različitih zadataka, dok brojnost njihovih primena raste. Primer arhitekture C# biblioteke je dat na Slici 3.

 

Slika 3. Primer arhitekture C# biblioteke

 U ovom tekstu je opisana C# biblioteka za rečunanje neuralnih mreža. Biblioteka implementuje nekoliko opularnih arhitektura neuralnih mreža i njihovih trening algoritama, kao što su back-propagacija, Kohonen samo-rganizaciona mapa, elastična mreža, učenje po Delta pravilu i učenje na osnovu percepcije.

 

 Primena biblioteke je demonstrirana na nekim primerima:

• Klasifikacija (neuralna mreža sa jednim slojem koja je trenirana pomocu percepcionog algoritma učenja); 
• Aproksimacija (neuralna mreža sa više slojeva koja je trenirana pomoću algoritma učenja back-propagacije); 
• 
  Predviđanje vremenskog niza (neuralna mreža sa više slojeva koja je trenirana pomoću algoritma učenja koji se zasniva na back-propagaciji); 
• Klasterizacija boja (Kohonen samo-organizaciona mapa); 
• Problem putujućeg prodavca (elastična mreža).

 Tokom dizajniranja biblioteke, jedna od glavnih ideja je bila da se napravi biblioteka koja je fleksibilna, upotrebljiva i jednostavna za upotrebu i razumevanje. Umesto kombinovanja nekoliko entiteta neuralnih mreža u jednu klasu i stvaranja nereda, što vodi u gubitak fleksibilnosti i jasnoće u kodu i dizajnu, svi entiteti su podeljeni u različite klase, što ih čini jednostavnijim za razumevanje i upotrebu. Neke biblioteke neuralnih mreža teže da kombinuju entitet neuralne mreže zajedno sa algoritmom učenja, što otežava razvoj drugog algoritma učenja koji može da bude primenjen na istoj arhitekturi neuralne mreže. Neke druge biblioteke i aplikacije ne isporučuju takve entitete kao što su neuroni, slojevi neurona ili mreže slojeva, ali implementuju celokupnu arhitekturu neuralne mreže u jednu klasu. U nekim slučajevima je diskutabilno šta je bolje, zato što može da se javi neuobičajena arhitektura neuralne mreže, gde je teško razdvojiti mrežu u slojeve i neurone. U nekim drugim slučajevima, mreže ne teže višeslojnoj arhitekturi, tako da je potpuno beskorisno imati dodatne entitete kao što su slojevi. Ali, u većini slučajeva, preporučljivo je da se svi entiteti podele u različite klase, što vodi, ne samo ka lakšem razumevanju, već takođe dopušta ponovnu upotrebu svih komponenti i izgradnju nove neuralne mreže od manjih generičkih delova.

 Biblioteka sadrži šest glavnih entiteta:

• Neuron – osnovna abstraktna klasa za sve neurone, koja obuhvata tako obične entitete kao što su neuronska težina, izlazna vrednost i ulazna vrednost. Druge neuronske klase se nasleđuju iz osnovne kalase sa ciljem da je prošire koristeći dodatke karakteristike i specijalizujući ih.

• Sloj – predstavlja kolekciju neurona. Ovo je osnovna abstraktna klasa, koja obuhvata običnu funkcionalnost za sve neuronske slojeve.

• Mreža – predstavlja neuralnu mrežu koja je kolekcija neuronskih slojeva. Ovo je osnovna abstraktna klasa, koja pruža običnu funkcionalnost generičke neuralne mreže. Kako bismo implementovali specifičnu arhitekturu neuralne mreže, potrebno je da nasledimo klasu, proširujući je specifičnim funkcionalnostima bilo koje arhitekture neuralne mreže. Proces učenja neuralne mreže je dat na Slici 4.

• IActivationFunction – interfejs aktivacione funkcije. Aktivacione funkcije se koriste kod aktivacionih neurona – tipa neurona, gde težinske suma njegovih ulaza biva izračunata i onda se ta vrednost koristi kao ulaz za funkciju aktivacije i izlaz postaje izlazna vrednost neurona.

• IUnsupervisedLearning – interfejs za nenadzirani algoritam učenja – tip algoritma učenja gde je sistemu pružen primer ulaza samo tokom faze učenja, ali ne i željeni izlazi. Cilj ovog sistema je da organizuje samog sebe na način da pronađe koleraciju i sličnosti između uzoraka podataka.

• ISupervisedLearning – interfejs za nadzirane algoritme učenja – tip algoritama učenja gde sistem dobija uzorke ulaza, sa željenim izlaznim vrednostima tokom faze učenja. Cilj ovog sistema je da uopšti podatke koji treba da se nauče i nači da obezbedi tačne izlazne vrednosti kada su one predstavljene samo ulaznim vrednostima.

Slika 4. Proces učenja neuralne mreže

 Biblioteka pruža sledeće arhitekture neuralnih mreža:

• Mreža aktivacije – neuralna mreža gde neuroni računaju svoje izlaze kao funkciju aktivacije izlaza i argument je težinska suma njenih ulaza kombinovana sa vrednošću threshold-a. Mreža može da se sastoji od pojedinačnog sloja ili više slojeva. Trenirana nadziranim algorimima učenja, mreža dopušta da se reše zadaci poput aproksimacije, predviđanja, klasifikacije i prepoznavanja.

• Mreža rastojanja – neuralna mreža gde svaki neuron računa svoj izlaz kao rastojanje između težinskih vrednosti i ulaznih vrednosti. Mreža se sastoji od jednog sloja i može da bude korišćena kao osnova za mreže kao što su Kohonen samo-organizaciona mapa, elastična mreža i Hamming mreža.

 Korišćeni su različiti algoritmi učenja kako bi se istrenirale različite neuralne mreža i kako bi se rešili različiti tipovi problema:

• Percepciono učenje – ovaj algoritam se smatra prvim algoritmom za učenje neuralnih mreža i njegova istorija počinje od 1957. godine. Algoritam može da bude korišćen sa jednoslojnom aktivacionom mrežom, gde svaki neuron ima funkciju aktivacije threshold-a. Opseg njenih primena je prilično mali i ograničen i svodi se na klasifikaciju linearno odvojivih podataka.

• Učenje po Delta pravilu – ovaj algoritam je po težini sledeći iza algoritma percepcionog učenja. On koristi izvode funkcije aktivacije i može da se primeni samo u jednoslojnoj aktivacionoj mreži gde svaki neuron ima kontinualnu funkciju aktivacije umesto threshold funkcije aktivacije. Najpopularnija kontinualna funkcija aktivacije je unipolarna i bipolarna sigmoidna funkcija. Kako algoritam može da se primeni samo na jednoslojne mreže, spektar primene ovakvih mreža je ograničen na zadatke koji se tiču klasifikacije i prepoznavanja.

• Učenje pomoću back-propagacije – ovo je jedan od najpopularnijih i najpoznatijih algoritama za višeslojne mreže i njihovo učenje. Inicijalno, on je opisan 1974. godine i od tog vremena, on je detaljno proučavan i primenjivan za širok spektar različitih zadataka, koji uključuju aproksimaciju, predviđanje, prepoznavanje objekata, itd.

• SOM učenje – ovaj algoritam je razvijen od strane Kohonen-a, i smatra se jednim od najpoznatijih nenadziranih algoritama učenja koji se primenjuje u problemima klasterizacije. On tretira neuralnu mrežu kao 2D mapu čvorova, gde svaki čvor može da predstavlja odvojenu klasu. Algoritam organizuje mrežu na način tako da je moguće pronaći koleraciju i sličnosti između uzoraka podataka.

• Učenje elastične mreže – algoritam je sličan ideji SOM algoritma učenja, ali ne tretira mrežne neurone kao 2D mapu čvorova, već kao prsten. Za vreme procedure učenja, prsten dobija neki oblik, što predstavlja rešenje. Jedna od najpoznatijih demonstracija ovog algoritma učenja je problem putujućeg prodavca.

 Primer primene neuralnih mreža je dat na Slici 5.

 Slika 5. Primena neuralnih mreža

 

 Prezentovani primeri demonstriraju da je inicijalna svrha biblioteke ispunjena – ona je fleksibilna, sposobna za ponovnu upotrebu i jednostavna za korišćenje i primenu pri rešavanju širokog spektra različitih problema. Međutim, tu ima još jako puno da se radi, zbog ogromnog opsega različitih neuralnih mreža i njihovih arhitektura, ali sama biblioteka može da se koristi za rešavanje širokog spektra problema i, naravno, uvek postoji mogućnost njenog proširenja.

 Tekst poseduje informacije proneđene na sledeićim linkovima:

• http://www.codeproject.com/Articles/16447/Neural-Networks-on-C
• http://en.wikipedia.org/wiki/C_Sharp_(programming_language)
  

i u radu „Application of Neural Networks to Character Recognition“ autora Dong Xiao Ni iz Seidenberg School of CSIS, Pace University, White Plains, NY, objavljenog 2007. godine.