Использование нейронной сети для решения банковских задач на базе платформы Deductor

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Санкт-Петербургский государственный экономический университет»

Кафедра информационных систем и технологий

ОТЧЕТ

по дисциплине «Компьютерные технологии банковской деятельности»

на тему «Использование нейронной сети для решения банковских задач на базе платформы Deductor»

Санкт-Петербург

2017

Оглавление

Введение        3

1. Импорт файла в Deductor Studio Academic        3

2. Нейросетевая обработка загруженного файла в Deductor Studio Academic        5

Источники        15

Введение

Необходимо построить нейросеть по набору данных документа "Структура переводов денежных средств без открытия банковского счета плательщика – физического лица (в территориальном разрезе), 2016 год", интерпретировать полученные результаты и спрогнозировать сумму, млрд. руб. (всего переводов) для регионов №30 (Москва и МО) и №77 (Челябинская область).

1. Импорт файла в Deductor Studio Academic

Мастер импорта в Deductor Studio Academic предполагает прохождение 9 шагов: на первом шаге нужно выбрать файл данных (например, текстовый файл), на втором шаге необходимо загрузить свой txt-файл (рис. 1):

[pic 1]

Рис. 1. Мастер импорта. Шаг 2

Затем на третьем шаге нужно настроить форматы импорта из файла (например, с разделителями), на четвертом шаге необходимо определить символ-разделитель (рис. 2):

[pic 2]

Рис. 2. Мастер импорта. Шаг 4

На шестом шаге необходимо указать параметры столбцов (рис. 3):

[pic 3]

Рис. 3. Мастер импорта. Шаг 6

На седьмом шаге произойдет процесс импорта файла, а на восьмом шаге необходимо настроить способ отображения данных (рис. 4):

[pic 4] 

Рис. 4. Мастер импорта. Шаг 8

Далее процесс импорта завершится, и данные предстанут в виде таблицы (рис. 5):

[pic 5]

Рис. 5. Импортированные данные в таблице

2. Нейросетевая обработка загруженного файла в Deductor Studio Academic

Нейронные сети представляют собой самообучающиеся модели, имитирующие деятельность человеческого мозга. Они способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и сами анализировать вновь поступающую информацию.

Нейронная сеть состоит из простейших вычислительных элементов – искусственных нейронов, связанных между собой. Каждый нейрон имеет несколько входных и одну выходную связь. В процессе работы нейронной сети значения входных переменных передаются по межнейронным связям и умножаются на весовые коэффициенты, полученные значения взвешенно суммируются в нейроне.

В нейронных сетях нейроны объединяются в слои, при этом выходы нейронов предыдущего слоя являются входами нейронов следующего слоя. В каждом слое нейроны выполняют параллельную обработку данных.

Итак, для использования нейросети необходимо выделить нужный файл и вызвать мастера обработки. В окне данного мастера выбрать пункт Нейросеть (рис. 6):

[pic 6]

Рис. 6. Мастер обработки

Затем необходимо определить назначения исходных столбцов данных (рис. 7):

[pic 7]

Рис. 7. Мастер обработки. Шаг 2

На следующем шаге необходимо разбить исходные данные на обучающее и тестовое подмножества (рис. 8):

[pic 8]

Рис. 8. Мастер обработки. Шаг 3

На четвертом шаге определяются количество слоев, количество нейронов в каждом слое и активационная функция нейронов (сигмоида, гипертангенс или арктангенс) (рис. 9):

[pic 9]

Рис. 9. Мастер обработки. Шаг 4

На шаге 5 необходимо выбрать алгоритм обучения нейросети и задать параметры обучения (рис. 10):

[pic 10]

Рис. 10. Мастер обработки. Шаг 5

Далее на шаге 6 нужно настроить параметры остановки обучения нейросети (рис. 11):

[pic 11]

Рис. 11. Мастер обработки. Шаг 6

На шаге 7 происходит запуск процесса обучения нейросети (рис. 12):