УМКД М2.В.ДВ.3 Нейронные_сети и торговые роботыx

ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Лиховидов В.Н.
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 1 из 11
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение
высшего профессионального образования
«Дальневосточный федеральный университет»
(ДВФУ)
ШКОЛА ЕСТЕСТВЕННЫХ НАУК
Согласовано
Школа естественных наук
«УТВЕРЖДАЮ»
Заведующий кафедрой
информатики, математического и
компьютерного моделирования
Руководитель ОП
_____________ _Пак Т.В.
______________ Чеботарев А.Ю.
«__16_»_______мая_________2012_г.
«__16__»______мая_________2012__г.
РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ
Нейронные сети и торговые роботы
010400.68
«Прикладная математика и информатика».
Форма подготовки очная
Школа естественных наук ДВФУ
Кафедра информатики, математического и компьютерного моделирования
Курс 1 семестр 2
лекции 18час.,
практические занятия - 18 час.
семинарские занятия - нет
лабораторные работы - .нет
консультации
всего часов аудиторной нагрузки 36 (час.),
самостоятельная работа 72 (час.)
зачет
экзамен 2 семестр
Рабочая программа составлена в соответствии с требованиями федерального государственного
образовательного стандарта высшего профессионального образования от 20 мая 2010 г. № 545 «Об
утверждении и введении в действие ФГОС ВПО по направлению 010400 Прикладная математика
и информатика (квалификация магистр)
Рабочая программа обсуждена на заседании кафедры информатики, математического и
компьютерного моделирования «16» мая 2012 г.
Заведующий кафедрой
А.Ю.Чеботарев
Составители:
к.ф.-м.н., доцент Т.В. Пак
Ведущий инженер-программист В.О. О
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Оборотная сторона титульного листа РПУД
I. Рабочая программа пересмотрена на заседании кафедры:
Протокол от «_____» _________________ 200 г. № ______
Заведующий кафедрой _______________________ __________________
(подпись)
(И.О. Фамилия)
II. Рабочая программа пересмотрена на заседании кафедры:
Протокол от «_____» _________________ 200 г. № ______
Заведующий кафедрой _______________________ __________________
(подпись)
(И.О. Фамилия)
Лист 2 из 11
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Лиховидов В.Н.
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 3 из 11
АННОТАЦИЯ
ЦЕЛИ И ЗАДАЧИ ДИСЦИПЛИНЫ
Нейросетевые
алгоритмы
анализа
информации
являются
новым
направлением в развитии вычислительных алгоритмов и архитектуры
вычислительных систем. Они находят широкое применение для решения
задач оценивания, прогнозирования и управления в сложных технических и
экономических системах. Особенностью таких задач является высокая
степень неопределенности в информации об исходных параметрах систем, о
возможных видах воздействий на них и даже о целях функционирования
таких систем. Нейронные сети, благодаря присущим им свойствам
адаптивности,
обучаемости
оптимальные
решения
во
и
самоорганизации,
многих
ситуациях,
позволяют
когда
находить
классические
вычислительные алгоритмы оказываются неприменимыми.
Целью дисциплины является
Изучение основ теории и методов решения задач оптимального
управления
процессами,
описываемыми
уравнениями
с
частными
производными.
По завершению освоения данной дисциплины студент способен и готов:
использовать углубленные теоретические и практические знания в
области прикладной математики;
самостоятельно приобретать с помощью информационных технологий и
использовать в практической деятельности новые знания и умения, в том
числе, в новых областях знаний, непосредственно не связанных со сферой
деятельности, расширять и углублять своё научное мировоззрение;
порождать новые идеи и демонстрировать навыки самостоятельной
научно-исследовательской работы и работы в научном коллективе;
проводить научные исследования и получать новые научные и
прикладные результаты;
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Лиховидов В.Н.
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 4 из 11
разрабатывать концептуальные и теоретические модели решаемых
научных проблем и задач.
задачами дисциплины являются
дать
обучающимся
базовые
знания
по
следующим
разделам
дисциплины:
нейронные сети;
стохастические процессы;
программные комплексы - торговые роботы;
методы решения задач имеющих стохастическую природу;
научить пользоваться терминологией, моделями и методами решения
задач прогнозирования значений временных рядов, применяемыми в
практике банковских расчетов, рынков валюты и ценных бумаг, трейдерных
расчетов.
МЕСТО ДИСЦИПЛИНЫ В СТРУКТУРЕ ОП ВПО
Основной предмет данного курса - математические методы анализа
нейроподобных вычислительных алгоритмов. Он охватывает такие темы, как
функциональные свойства нейросетевых вычислительных структур, методы
построения и анализа алгоритмов адаптации в нейронных сетях, методика
применения нейронных сетей в прикладных задачах анализа наблюдений,
распознавания образов и прогнозирования финансовых временных рядов.
Курс предусматривает освоение современных пакетов прикладных
программ, реализующих нейросетевые алгоритмы – прежде всего MatLab, а
также NeuroShell, Statistika Neural Networks, Brain Maker, Neuro Solutions и др.,
и их применение для статистического анализа информации в актуальных
прикладных задачах.
Промежуточный контроль знаний студентов в течение семестра
осуществляется выполнением индивидуальных заданий (контрольных).
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Лиховидов В.Н.
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 5 из 11
РЕЗУЛЬТАТЫ ОСВОЕНИЯ ДИСЦИПЛИНЫ
В результате освоения дисциплины, обучающийся должен: обладать
компетенциями:
общекультурными (ОК):
 способностью понимать философские концепции естествознания,
владеть основами методологии научного познания при изучении различных
уровней организации материи, пространства и времени (ОК-1);
 способностью иметь представление о современном состоянии и
проблемах
прикладной
математики
и
информатики,
истории
и
теоретические,
и
методологии их развития (ОК-2);
 способностью
использовать
углубленные
практические знания в области прикладной математики и информатики (ОК3);
 способностью порождать новые идеи и демонстрировать навыки
самостоятельной научно-исследовательской работы и работы в научном
коллективе (ОК-5);
 способностью и готовностью к активному общению в научной,
производственной и социально-общественной сферах деятельности (ОК-7);
профессиональными (ПК):
научная и научно-исследовательская деятельность: способностью
проводить научные исследования и получать новые научные и прикладные
результаты (ПК-1);
 способностью разрабатывать концептуальные и теоретические модели
решаемых научных проблем и задач (ПК-2);
проектная
и
производственно-технологическая
деятельность:
способностью углубленного анализа проблем, постановки и
 обоснования задач научной и проектно-технологической деятельности
 (ПК-3);
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 6 из 11
организационно-управленческая деятельность:
 способностью управлять проектами (подпроектами), планировать
научно-исследовательскую деятельность, анализировать риски, управлять
командой проекта (ПК-5);
 способностью организовывать процессы корпоративного обучения на
основе технологий электронного и мобильного обучения и развития
корпоративных баз знаний (ПК-6);
педагогическая деятельность:
 способностью проводить семинарские и практические занятия с
обучающимися, а также лекционные занятия спецкурсов по профилю
специализации (ПК-8);
 способностью разрабатывать учебно-методические комплексы для
электронного и мобильного обучения (ПК-9);
консорциумная:
 способностью работать в международных проектах по тематике
специализации (ПК-11);
I. СТРУКТУРА И СОДЕРЖАНИЕ ТЕОРЕТИЧЕСКОЙ ЧАСТИ
КУРСА (18 часов)
Тема 1. Функциональные свойства нейронных сетей (2 часа).
Функциональные
свойства
нейронных
сетей,
топология
и
функции
активности нейронов, нейросетевые процессы адаптации и обработки
информации
Тема 2. Алгоритмы обучения и самообучения нейронных сетей. (4
часа)
Метод стохастической аппроксимации, вариационный подход в задаче
классификации. Статистические алгоритмы оценивания параметров и
адаптивные алгоритмы анализа информации в нейронных сетях.
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 7 из 11
Тема 3. Нейронные сети в анализе многомерных наблюдений (4
часа)
Распознавание образов, нейронные сети для распознавания образов.
Анализ многомерных наблюдений, алгоритмы обучения, самообучения и
самоорганизации в нейронных сетях.
Тема 4. Нейросетевые информационные технологии. (4 часа)
Нейрокомпьютеры и нейромоделирование. Реализация нейронных сетей
средствами пакетов прикладных программ MatLab и NeuroSolutions.
Тема 5. Современные
Решение прикладных
методы
прикладного
задач статистического
анализа.
(4
часа)
анализа информации
с
применением нейронных сетей – распознавание сигналов, прогнозирование
финансовых рынков, адаптивные инвестиционные стратегии.
II.
СТРУКТУРА И СОДЕРЖАНИЕ ПРАКТИЧЕСКОЙ ЧАСТИ
КУРСА
Практические занятия (18 часов)
Занятие 1. (2 часа) Самообучающийся нейросетевой классификатор
графических фигур для принятия решений на финансовых рынках
Занятие 2. (2
часа)
Обучающиеся
нейросетевые
классификаторы
графических фигур для принятия решений на финансовых рынках
Занятие 3. (2 часа) Самоорганизующиеся нейронные сети для принятия
решений на финансовых рынках
Занятие 4. (2 часа) Нейросетевой детектор настроения рынка на основе
анализа эмпирической функции распределения ценового графика
Занятие 5. (2 часа) Адаптивные решающие правила с использованием
индикаторов технического анализа
Занятие 6. (2 часа) Гомогенные нейросетевые модели прогнозирования
финансовых рынков
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 8 из 11
Занятие 7. (2 часа) Нейронные сети типа RBF (Radial Basis Functions) и
их применение в прогнозировании финансовых рынков
Занятие 8. (2 часа) Адапдивные комбинированные прогнозы для
принятия решений на финансовых рынках
Занятие 9. (2 часа) Адаптивные решающие правила с использованием
индикаторов технического анализа
III.
КОНТРОЛЬ ДОСТИЖЕНИЯ ЦЕЛЕЙ КУРСА
ВОПРОСЫ К ЭКЗАМЕНУ
1. История развития сетей ЭВМ.
2. Классификация сетей.
3. Характеристики сетей.
4. Базовые топологии сетей.
5. Концепции архитектуры открытых сетей.
6. Семиуровневая сетевая архитектура. Уровни и протоколы.
7. Характеристика уровней семиуровневой модели.
8. Сетезависимые и сетенезависимые уровни.
9. Методы передачи данных на физическом уровне.
10. Потенциальный код без возвращения к нулю.
11. Метод биполярного кодирования с альтернативной инверсией.
12. Потенциальный код с инверсией при единице.
13. Биполярный импульсный код.
14. Манчестерский код.
15. Потенциальный код 2В1Q.
16. Логическое кодирование.
17. Архитектура локальных сетей.
18. Технология Ethernet.
19. Формат кадра Ethernet.
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 9 из 11
20. Стандарты IEEE на 10 Мбит/c.
21. Технология Fast Ethernet.
22. Сетевые адаптеры.
23. Концентраторы.
24. Ограничения сети, построенной на общей разделяемой среде.
25. Структуризация с помощью мостов и коммутаторов.
26. Управление обменом информацией в глобальных сетях.
27. Коммутация каналов.
28. Коммутация каналов на основе частотного мультиплексирования.
29. Коммутация каналов на основе разделения времени.
30. Общие свойства сетей с коммутацией каналов.
31. Коммутация пакетов.
32. Структура стека TSP/IP. Краткая характеристика протоколов.
33. Адресация в IP- сетях.
34. Три основных класса IP-адресов.
35. Использование масок в IP-адресации.
36. Протокол IP.
37. Маршрутизация. Виды и алгоритмы маршрутизации.
38. Локальные вычислительные сети.
39. Глобальные вычислительные сети.
40. Модель взаимодействия открытых систем.
41. Методы кодирования информации.
42. Методы доступа.
43. Способы контроля.
44. Аппаратура сетей.
45. Управление обменом информацией.
46. Структура глобальной сети.
47. Глобальная сеть на основе выделенной линии.
48. Глобальная сеть с коммутацией каналов.
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Лиховидов В.Н.
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 10 из 11
49. Коммутация пакетов.
50. Стек протоколов ТСР/IP.
51. Протоколы сетевого уровня.
52. Маршрутизация.
IV. УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ
ДИСЦИПЛИНЫ
Основная литература
1. http://www.npo-rtc.ru/papers/books/posobie_NS.pdf Заборовский В.С.,
Мулюха В.А., Подгурский Ю.Е. Сети ЭВМ и телекоммуникации //
Моделирование и анализ компьютерных сетей: телематический подход /
Учебное пособие. - СПб: Изд-во СПбГПУ, 2010. - 93 c.
2. http://rutracker.org/forum/viewtopic.php?t=3118772
Олифер
В.Г.,
Олифер Н.А. Компьютерные сети. Принципы, технологии, протоколы. —
СПб.: Издательство "Питер", 2010. —627 с. ил.
3. http://rutracker.org/forum/viewtopic.php?t=31680 Джеймс Ф. Куроуз,
Кит В. Росс. Компьютерные сети. Многоуровневая архитектура Интернета.
СПб, 2004:-731стр.
4. Хайкин С. Нейронные сети. Полный курс. – М., 2006
5. Вапник В.Н. Восстановление зависимостей по эмпирическим
данным. - “Наука”, 2009 - 312 с.
6. Лиховидов В.Н. Практический курс распознавания образов. –
Владивосток, Изд-во Дальневосточного ун-та, 2003-124 стр.
7. Логические нейронные сети : методика построения и некоторые
применения /А. Б. Барский. Москва] : Новые технологии , 2006.
ДАЛЬНЕВОСТОЧНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ
Учебно-методический комплекс дисциплины «Нейронные сети и торговые роботы»
Разработчик:
Идентификационный номер:
УМКД.19(101)-01040002-М2.В.ДВ.32012
Лиховидов В.Н.
Контрольный экземпляр находится на
кафедре информатики, математического и
компьютерного моделирования ШЕН
ДВФУ
Лист 11 из 11
Дополнительная литература
8. Фомин В.Н. Рекуррентное оценивание и адаптивная фильтрация. –
М., “Наука”, 1984
9. Галушкин А.И. Теория нейронных сетей. – М., 2000
10. Медведев В.С., Потемкин В.Г. Нейронные сети MATLAB 6. – М.,
Диалог МИФИ, 2002
11. Осовский С. Нейронные сети для обработки информации. – М.,
Финансы и статистика, 2002
12. Бэстенс Д.-Э., ван-ден Берг В.-М., Вуд Д. Нейронные сети и
финансовые рынки: принятие решений в торговых операциях. – М., ТВП,
1997
13. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и
рекуррентное оценивание. – М., “Наука”, 2002 -462с.
14. http://nibru.ru/book.php?id=258
Круглов,
В
В
В.В.
Борисов
Искусственные нейронные сети : теория и практика /В.В. Круглов, М. :
Горячая линия - Телеком, 2002 -382 стр.
15. Волошин, Геннадий Яковлевич. Распознавание образов : учебное
пособие
для
вузов
/Г.
Я.
Волошин;
Российская
академия
наук,
Дальневосточное отделение, Тихоокеанский океанологический институт.
Владивосток: Дальнаука, 2000.