Umělé neuronové sítě

Výpočetní model inspirovaný biologickým nervovým systémem. Soustava propojených neuronů, které se z dat učí rozpoznávat vzory, klasifikovat a predikovat.

Stavební kameny

Perceptron (umělý neuron)

• Vstupy i₁..iₙ × váhy w₁..wₙ → vážený součet + bias → aktivační funkce → výstup
• Matematicky: a = Σ(iⱼ·wⱼ) + b, výstup m = f(a)
• Váhy nesou naučenou znalost (kladné posilují, záporné tlumí)
• Bias posouvá rozhodovací hranici

Aktivační funkce

Vícevrstvá síť

• Vstupní vrstva — přijímá data
• Skryté vrstvy — vytvářejí vnitřní reprezentace, zachycují nelinearitu
• Výstupní vrstva — konečné rozhodnutí nebo predikce
• Deep learning — mnoho vrstev a parametrů, pro složité úlohy s velkým objemem dat

Učení

Backpropagation

1. Dopředný průchod — výpočet výstupu
2. Výpočet chyby (e = cíl − výstup)
3. Zpětné šíření chyby přes vrstvy
4. Úprava vah ve směru snížení chyby
5. Opakování (iterativní proces)

Praktický postup

1. Připravit data (matice vstupů a výstupů)
2. Zvolit architekturu (počet vrstev, neuronů, aktivační funkce)
3. Rozdělit data na trénovací/testovací (např. 75/25 %)
4. Trénovat a sledovat průběh chyby
5. Kritéria ukončení: min chyba, max iterací, max čas

Kompromis jednoduchost vs. složitost

• Podučený model — příliš jednoduchý, vysoká chyba
• Přeučený model — naučí se i šum, nefunguje na nových datech

Aplikace

• Hodnocení bonity klienta (scoring)
• Oceňování (nemovitosti, auta, produkty)
• Vyhodnocení investic a rizika
• Detekce podvodů (praní peněz, daňové anomálie)
• Rozpoznávání obrazu, písma, zvuku, překlad
• Predikce časových řad (akcie, měny, komodity)
• Diagnostika nemocí, autonomní systémy

Aplikace v řízení rizik (kurz IrmanK)

V kurzu Risk management prof. Rais používá ANN pro klasifikaci investičních projektů podle míry realizovatelnosti. Detail viz investicni-rozhodovani-bot.

Investiční vektor X:

Každá investice je popsána vektorem $X = (X_1, X_2, ..., X_M)$, kde jednotlivé prvky kódují:

• $X_1$ — typ projektu (energetika / infrastruktura / průmysl).
• $X_2$ — obor (vodní / solární / vítr / fosil).
• $X_3$ — velikost investice (mil USD).
• $X_4$ — geografická lokace (země, region).
• $X_5$ — investující společnost.
• $X_6$ — doba trvání projektu.
• $X_7..X_M$ — účetní data (rozvaha + výsledovka).

Trénovací matice:

ANN je natrénována na $N$ historických případech (supervised learning) a predikuje realizovatelnost nového investičního projektu $Y_{N+1}$.

Komplementárnost s GA:

• ANN se naučí ze vzorků (data-driven).
• GA optimalizují parametry projektu (model-driven).
• Spolu poskytují dva nezávislé pohledy na investiční rozhodnutí.

Caveat: „Metody AI jsou asistenty, ne náhrada za originální tvůrčí myšlení manažera." ANN klasifikuje, ale lidský úsudek zůstává klíčový pro strategické rozhodnutí.

Propojení s dalšími tématy

• ANFIS — hybridní systém: fuzzy struktura + učení neuronové sítě
• Fuzzy logika — partner v ANFIS
• Genetické algoritmy — mohou optimalizovat architekturu sítě
• investicni-rozhodovani-bot — ANN klasifikace investičních projektů (kurz IrmanK)
• expertni-systemy — komplementární AI metoda v risk managementu
• predikce — ANN pro time-series prognózování

Kontrolní otázky ke zkoušce

1. Popište metodu a vysvětlete princip neuronových sítí.
2. Popište realizaci a výpočet neuronových sítí na počítači.
3. Jak lze využít neuronových sítí v praxi?
4. Kdy je vhodné použít neuronových sítí?
5. Jaký je správný postup kroků při výpočtu pomocí neuronových sítí?
6. Jaké vrstvy mají neuronové sítě?
7. Jaké jsou typy přenosových funkcí?

Pojmy k zapamatování

Neuronová síť, učení, testování, vstupní matice, přenosová funkce.

Zdroje v kurzu IpmrK

• Neuronové sítě — teorie
• Neuronové sítě — výpočet
• Neuronové sítě — aplikace
• Kniha — shrnutí kapitoly, kontrolní otázky, pojmy