Suchergebnisse

Neuronale Netze konnten sich bereits in zahlreichen betriebswirtschaftlichen Anwendungsbereichen etablieren. Ralf Stecking untersucht, unter welchen Bedingungen Radiale-Basis-Funktionen-Netze zur Lösung von Marktsegmentierungsproblemen beitragen können. Die spezielle Struktur dieser bekannten Variante Künstlicher Neuronaler Netze ermöglicht es, komplexe Datenbestände zu segmentieren und zugleich die gewonnenen Segmente zu beschreiben. In zwei praxisnahen Anwendungsbeispielen zeigt sich, dass die Segmentlösung der Neuronalen Netze den Ergebnissen aus Cluster- und Diskriminanzanalyse überlegen ist

Diese Arbeit widmet sich der Methode der Künstlichen Neuronalen Netze, um eine Wechselkursprognose vorzunehmen. Bei Neuronalen Netzen handelt es sich um ein neuartiges Verfahren, das sich - stark vereinfacht - an der Arbeitsweise des biologischen Gehirns orientiert. Der Autor entwickelt in dieser Arbeit nachvollziehbar mehrere Neuronale Netze, die anhand realer technischer und fundamentaler Daten aus dem Zeitraum 1991 bis 1998 eine tägliche 3-Klassen-Prognose (steigt/konstant/fällt) des DEM/USD-Wechselkurses erlauben. Zunächst wird ein kurzer Überblick über die volkswirtschaftlichen Grundlagen der Wechselkurse gegeben; anschließend wird relativ knapp die technische Analyse unter besonderer Berücksichtigung mathematisch-statistischer Indikatoren dargestellt. Weiterhin werden die Grundlagen der in dieser Arbeit verwendeten Neuronalen Netze systematisch erläutert, so dass der auf diesem Gebiet nicht bewanderte Leser für das Verständnis keine Sekundärliteratur benötigt. Ein besonderer Schwerpunkt liegt hierbei auf der Darstellung verschiedener Lernverfahren. Die Behandlung anhand des in dieser Arbeit entwickelten konkreten Beispiels erleichtert das Verständnis der komplexen Materie. Abschließend werden ein Überblick über die Prognosegüte Neuronaler Netze zur Wechselkursprognose in der Literatur gegeben und die Simulationsergebnisse dieser Arbeit vor- gestellt. Die empirischen Daten, die Grundlage der Simulation waren, finden sich in einem großen Appendix. Das beste in dieser Arbeit erzielte Prognoseergebnis ist eine Trefferquote von 51,33% (bei einer zufälligen Trefferwahrscheinlichkeit von 33,33%). Der Autor ist zuversichtlich, dass sich dieses gute Ergebnis noch weiter verbessern ließe und liefert hierzu bereits erste Anhaltspunkte in einer abschließenden Beurteilung.

Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren Bild- und Spracherkennung, Spiele-KIs und vieles mehr. Zum Glück lassen sich die genialen Ideen dahinter einfach erklären. Um sie zu verstehen und einzusetzen, programmieren Sie verschiedene Netztypen selbst nach! Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse.

Künstliche Intelligenz (KI) ganz praktisch - Symbolverarbeitende künstliche Intelligenz und künstliche neuronale Netze in einem Buch - Business Rules und Wissensnetze - Convolutional Neural Networks und Deep Learning - Übungen in PROLOG sowie mit JavaNNS und Python Die künstliche Intelligenz hat unseren Alltag erreicht: Wir nutzen Chatbots, reden mit Sprachassistenten, KI digitalisiert die Dokumentenverarbeitung, die Muster-, Bild- oder Objekt-Erkennung. Sie ermöglicht neue, intelligentere Lösungen in vielen Bereichen, von der Medizin bis zum autonomen Fahren. Das Buch gibt eine Einführung in die KI. Es wird gezeigt, wie symbolverabeitende KI in Form von Wissensnetzen oder Geschäftsregeln heute angewendet und wie künstliche neuronale Netze in der Mustererkennung oder auch im Data Mining eingesetzt werden können. Wissensrepräsentation und -verarbeitung auf Basis der Logik wird unter Nutzung der logischen Programmiersprache PROLOG eingeführt. Logische Schlussfolgerungen lassen sich in PROLOG wesentlich leichter als in Python oder Java implementieren. Die Konzepte neuronaler Netze werden mit dem System JavaNNS und mittels Python praktisch vertieft. Fragen und Aufgaben am Ende eines Abschnittes fordern zum aktiven Lesen und Lernen auf. Die Webseiten zum Buch enthalten Demo-Programme, die diskutierte Vorgehensweisen veranschaulichen und das Verständnis fördern. Aus dem Inhalt: - Überblick zur künstlichen Intelligenz - Darstellung und Verarbeitung von Wissen - Problemlösung mittels Suche - Wissensverarbeitung mit PROLOG - Künstliche neuronale Netze - Vorwärtsgerichtete neuronale Netze - Wettbewerbslernen - Autoassoziative Netze - Entwicklung neuronaler Netze Neu in der 6. Auflage sind Abschnitte zu den Themen ChatGPT sowie Decision Model and Notation (DMN) bei Prozessbeschreibungen.

Sven F. Crone bietet eine fundierte Analyse der Grundlagen zur Prognose, Disposition und der Verfahrensklasse der Neuronalen Netze, und zeigt an Beispielen neue Wege zu ihrer Anwendung auf. Dr. Sven F. Crone promovierte bei Prof. Dr. Dr. h. c. Preßmar am Institut für Wirtschaftsinformatik der Universität Hamburg und ist aktuell Assistant Professor in Management Science an der Lancaster University und Deputy Director des Lancaster Centre for Forecasting in England.