Оценка стоимости планшетов

Филиал Федерального Государственного Бюджетного Образовательного Учреждения Высшего Профессионального  Образования "Российский Государственный  Университет Туризма и Сервиса" в г. Перми (Филиал ФГБОУ ВПО "РГУТиС" в г. Перми)

 

 

Кафедра «Менеджмента и прикладных информационных технологий»

 

 

 

КУРСОВОЙ  ПРОЕКТ

по дисциплине: Интеллектуальные информационные системы

на тему: Оценка стоимости планшетов

 

 

 

 

 

 

Выполнил студент

                                                                                      Группы КО 28.003/08-01

                                                                                      Кириллова Юлия Андреевна

                                                                                      Руководитель: д.т.н., профессор Ясницкий Л.Н.

 

 

 

 

 

 

Дата сдачи:   «    »_______________________ 2012 г.

Дата защиты: с «    »_______ по «    »_______ 2012 г.

Оценка:________     ________________________

                                       (подпись руководителя)

 

 

г. Пермь 2012

 

Оглавление

Введение 3

Глава 1. Искусственный  интеллект и нейронные сети. 5

1.1 Системы  искусственного интеллекта. 5

1.2. Применение  нейронных сетей 6

1.3 Нейросимулятор 7

Глава 2. Практическое применение нейронных сетей при оценке стоимости планшетов. 9

2.1. Постановка  задачи. Определение входных параметров  и обучающих примеров. 9

2.2. Проектирование, обучение, тестирование сети, прогноз  и определение его точности. 12

2.3. Проверка  значимости параметров 16

Список литературы 19

 

 

 

Введение

Планшет, или планшетный персональный компьютер – это новый взгляд на переносные компьютеры, их возможности и удобство. Минимальные размеры и вес, делают его незаменимым не только для бизнеса и путешествий, планшетный ПК можно смело назвать папкой делового человека, который всегда носит с собой все свои важные документы. А на фоне современного развития беспроводных технологий доступа в Интернет, планшет позволит быть вам всегда в курсе всех новостей, знать о событиях в мире, вести свои дела, участвовать в конференциях, где бы вы ни находились. Купить планшет сегодня не проблема, но вот вопрос: какой планшет выбрать?

При выборе планшетов необходимо определиться с функциями, которые он будет выполнять, а так же с требованиями к нему. Исходя из этого, формируется цена на машину.

Непосредственно оценка стоимости  может занять один – два дня. Причина -  планшеты быстро устаревают морально, а большинство из них не поддаются обновлению, в отличие от обычных компьютеров. При появлении новых моделей оценка стоимости планшета становится наиболее актуальной.

 Для оценки затрат  на покупку планшета мы обратились к нейросимулятору, способному оценить его стоимость, основываясь на требованиях покупателя.  Такой подход сократит время анализа потребительских запросов, и не потребует помощи специалистов – оценщиков.

Таким образом, цель данной работы – создание интеллектуальной информационной системы для прогнозирования стоимости планшетов.

 

 

Для решения поставленной цели было решено несколько задач:

1. Изучить критерии оценки планшетов (предметная область);
2. Поставить задачи для достижения поставленной цели;
3. Подобрать обучающие примеры, оформить их для дальнейшего использования;
4. Спроектировать нейронную сеть;
5. Протестировать полученную нейронную сеть и оформить рекомендации по ее работе и использованию.

Результатом успешного выполнения поставленных задач является поставленная цель.

 

Глава 1. Искусственный  интеллект и нейронные сети.

 

1.1 Системы искусственного  интеллекта.

 

Естественный интеллект  человека является очень сложным  объектом исследований и его моделирование  осуществляется на разных уровнях абстрагирования. Можно выделить три таких уровня, которым соответствуют три основные стратегии искусственного интеллекта:

• технология экспертных систем;
• нейросетевые и нейрокомпьютерные технологии;
• технологии эволюционного (проявляющегося) моделирования.

Самому высокому уровню абстрагирования соответствует  технология экспертных систем.

Искусственный интеллект  – отрасль науки, занимающаяся исследованием  и моделированием естественного  интеллекта человека.

Экспертные система –  система, основанная на явных знаниях  о предметной области. Именно человек-эксперт, обладающий знаниями о предметной области, способен действовать на самом высоком уровне.

Самый нижний уровень - нейрокомпьютерные  и нейросетевые технологии. Согласно этой стратегии строится модель, учитывающая структуру мозга, состоящего из множества нейронов, соединенных нервными волокнами. Знания поступают в такую модель в ходе ее обучения на специально подобранных примерах, характеризующих предметную область.

В последние два десятилетия  разработанная теория стала активно  применяться для решения прикладных задач.

Сегодня существует большое  число различных конфигураций нейронных  сетей с различными принципами функционирования, которые ориентированы на решение  самых разных задач.

1.2. Применение  нейронных сетей

 

Способность к обучению является основным свойством мозга. Для искусственных  нейронных сетей обучение - процесс  настройки архитектуры сети (структуры  связей между нейронами) и весов  синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке.

Уже сегодня искусственные  нейронные сети используются во многих областях, они могут быть неточны  даже при их правильном функционировании.

Компьютеры, как и люди, тоже могут ошибаться. Первые — в  силу различных технических проблем  или ошибок в программах, вторые — из-за невнимательности, усталости  или непрофессионализма.

 Для особо критических  задач необходимо, чтобы эти системы  дублировали и страховали друг  друга. Значит, при решении таких  задач нейронные сети должны  выступать в качестве дополнительных, предупреждающих особые ситуации  или берущих на себя управление, когда проблема не решается  стандартным образом и какие-либо  задержки могут привести к  непредсказуемому результату.

Другая трудность использования  нейронных сетей - нейронные сети неспособны объяснить, каким образом  они решают задачу. Внутреннее представление  результатов обучения зачастую настолько  сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

Области применения нейронных  сетей весьма разнообразны — это  распознавание текста и речи, семантический  поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов.

Примеры приложений, основанных на нейронных сетях:

• Предсказание финансовых временных рядов;
• Психодиагностика;
• Хемоинформатика;
• Нейроуправление.

Нейронные сети широко используются в химических и биохимических исследования, успешно применяются для синтеза систем управления динамическими объектами.

Нейросети обладают рядом уникальных свойств, которые делают их мощным инструментом для создания систем управления: способностью к обучению на примерах и обобщению данных, способностью адаптироваться к изменению свойств объекта управления и внешней среды, пригодностью для синтеза нелинейных регуляторов, высокой устойчивость к повреждениям своих элементов в силу изначально заложенного в нейросетевую архитектуру параллелизма.

1.3 Нейросимулятор

 

Сегодня на рынке программного обеспечения есть много различных  нейросимуляторов:

• поддерживающие нейроускорители - платы с процессорами цифровой обработки сигналов (DSP);
• оптимизированные под выполнение конкретных задач;
• предназначенные для финансистов нейропредсказатели платежеспособности, банкротства и т. п.

Промышленное нейросетевое программное обеспечение взаимосвязано со специализированным «железом», которое осуществляет предварительную обработку поступающих извне сигналов, передает полученные данные на вход НС, ускоряет функционирование самой НС и выводит готовую информацию в нужном виде.

Возможность работы в реальном времени достигается посредством  параллельных вычислений с использованием нейропроцессоров или же путем запараллеливания нескольких стандартных DSP. Дополнительные DSP берут на себя ускорение вычислений на этапе предварительной обработки.

Основной принцип работы нейросимулятора: сигналы, поступающие на входы Х₁,-,Х_n, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.

 

Глава 2. Практическое применение нейронных сетей при оценке стоимости планшетов.

2.1. Постановка  задачи. Определение входных параметров и обучающих примеров.

Задача: с помощью программы  «Нейросимулятор 2» произвести оценку стоимости планшетов по заданным параметрам. Данные были взяты с сайтов:

1. http://perm.sunrise.ru/
2. http://perm.dns-shop.ru/
3. http://www.sotmarket.ru/
4. http://euroset.ru/

Для обучения персептрона нами были выбраны 10 основных параметров.

Входные параметры:

1)Бренды

1. 3Q
2. Acer
3. Apple
4. Asus
5. Ritmix
6. Samsung

2) Диагональ

1. 7
2. 7.7
3. 7.9
4. 8
5. 9.7
6. 10.1
7. 12.1

 

3)Процессор

1. Apple
2. ARM
3. Intel
4. Nvidia
5. Samsung
6. Tegra

4) Тип памяти

1. DDR2
2. DDR3

5) Объем оперативной памяти

1. 512 Мб.
2. 1 Гб.
3. 2 Гб.
4. 4 Гб.

6) Объем физической памяти

1. 4 гб
2. 8 гб
3. 16 гб
4. 32 гб
5. 63 гб

7)Операционная система

1. iOS
2. Android 2.2
3. Android 3.2
4. Android 4.0
5. Windows 7

8) Интерфейсы и носители

1. 3G , Wi-Fi, Bluetooth
2. Wi-Fi , Bluetooth
3. Wi-Fi

 

9) Цвет корпуса

1. Черный
2. Белый
3. Синий
4. Красный
5. Металик

10) Время работы от батареи

1. До  2 ч
2. До  3 ч
3. До  4 ч
4. Более 4 ч

В результате была сформирована обучающая выборка, состоящая из 24 примеров (см. приложение 1).

 

2.2. Проектирование, обучение, тестирование сети, прогноз  и определение его точности.

 

Перед проектированием определяются общие параметры сети:

1. Количество входных нейронов = количеству параметров. В данном случае –10+1 параметр, рассчитанный по формуле;
2. Скрытый слой указывается 1, так как решается линейнонеразделимая задача. Если персептрон не будет обучаться, то нужно будет добавить слой;
3. На выходе - только один нейрон, показывающий результат - стоимость планшета;
4. Количество нейронов на скрытом слое вычисляется по формуле Арнольда-Колмогорова: