SVĚTOVÝ, EVROPSKÝ A ČESKÝ AUTOMOBILOVÝ PRŮMYSL A TRH S AUTOMOBILY :: Šaroch a kol.

Obr. 8.20: Zpracování experimentálních dat z procesu

Zdroj: Vlastní zpracování

Obr. 8.21: Zpracování experimentálních dat z procesu do trénovací množiny

Zdroj: Vlastní zpracování

Tvorba modelu prognózy s aplikací neuronových sítí Tvorba modelu pro prognózu s aplikací neuronových sítí představuje závěrečný krok v oblasti prediktivní analýzy. Neuronové sítě umožňují modelovat komplexní vzta hy mezi vstupními a výstupními proměnnými a identifikovat skryté vzorce v datech. Prognózování s využitím neuronových sítí je komplexní proces, který vyžaduje peč livou přípravu dat a správný výběr architektury sítě a algoritmů učení. Kvalitní prognóza závisí na správném trénování sítě a validaci výsledků. Při přípravě dat je důležité provést důkladnou analýzu a případně odstranit chyby či nekonzistence v datech, které by mohly ovlivnit výsledky prognózování. Při návrhu a implementaci moderních systémů umělé in teligence a strojového učení je správný výběr architektury sítě a algoritmů učení klíčovým faktorem pro dosažení optimálních výsledků. Architektura sítě určuje strukturu a propo jení neuronů v neuronové síti, zatímco algoritmy učení definují způsob, jakým síť adap tuje své váhy a parametry na základě vstupních dat. Správná volba architektury sítě závisí na konkrétní úloze, s níž má síť pracovat, a na dostupných datech, zároveň lze v dnešní době využít specializovaných softwarových produktů (například SW Statistica – obr. 8.22) , které architekturu sítě navrhnout a přizpůsobí danému zadání.

197