vault backup: 2026-04-20 22:01:05

00 Inbox/Индикаторы экономической безопасность.md

@@ -1,11 +1,14 @@
 ---
-status: seed
+status: stable
 type: concept
-tags: []
+tags:
+  - mephi
 created: 2025-12-17
-updated: 2026-04-11
-title:
+updated: 2026-04-20
+title: Индикаторы экономической безопасность
 ---
+
+# Индикаторы экономической безопасность
 Если при *уменьшении* индикатора, состояние экономики *ухудшается*, то индикатор **убывающий**.
 $x_{текущий} > x_{порог}$ - значение не должно быть меньше порога 
 

00 Inbox/Курсовая инфа.md

@@ -3,7 +3,7 @@ status: seed
 type: concept
 tags: []
 created: 2025-12-17
-updated: 2026-04-16
+updated: 2026-04-20
 title:
 ---
 Программа сдается ВЮ, пояснительную записку ДЮ.
@@ -28,3 +28,5 @@ title:
 Не менее 12 страниц (рекомендуемое 15 страниц)
 
 Сдача полностью на двух лекциях (макс баллы), дальше за каждую неделю -5 баллов.
+
+

00 Inbox/Обратное распространение ошибки.md

@@ -3,26 +3,36 @@ status: seed
 type: concept
 tags: []
 created: 2025-12-17
-updated: 2026-04-17
+updated: 2026-04-20
 title:
 ---
-## Функция активации $f$
-$$u_{i} = (\sum\limits_{i=0}^{n} w^{1}_{ij}*x_{j})$$
-$$y_{l}=f(\sum\limits_{i=1}^{k}w_{li}^{2}u_{i})$$
-$$y_{l}=f(\sum\limits_{i=0}^{k}w_{li}^{2}\ f(\sum\limits^{N}_{j=1}w_{ij}^{(1)}x_{j})),\ l=\overline{1,m}$$
-## Алгоритм обратного распространения ошибки
-- итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущих от требуемых выходов многослойных нейронных сетей с последовательными связями.
+### Функция активации
+
+$$u_{i} = \left(\sum\limits_{i=0}^{n} w^{1}_{ij}*x_{j}\right)$$
+
+$$y_{l}=f\left(\sum\limits_{i=1}^{k}w_{li}^{2}u_{i}\right)$$
+
+$$y_{l}=f\left(\sum\limits_{i=0}^{k}w_{li}^{2} f\left(\sum\limits^{N}_{j=1}w_{ij}^{(1)}x_{j}\right)\right),\ l=\overline{1,m}$$
+
+### Алгоритм обратного распространения ошибки
+
+- Итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущих от требуемых выходов многослойных нейронных сетей с последовательными связями.
 - На каждом шаге алгоритма на вход сети поочередно подаются все обучающие примеры, реальные выходные значения сети сравниваются с требуемыми значениями, и вычисляется ошибка. 
 - Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются.
-- Процесс обучения прекращается либо когда пройдено определенное количество шагов обучения, либо когда ошибка достигнет некоторого определенного малого уровня
+- Процесс обучения прекращается либо когда пройдено определенное количество шагов обучения, либо когда ошибка достигнет некоторого определенного малого уровня.
 
 Минимизация ошибки происходит методом градиентного спуска (итеративный метод приближения к точке минимума функции)
-$$w_{ij}(t+1)=w_{ij}(t)-\alpha*\frac{\delta E(k)}{\delta w_{ij}(t)},$$$$i=\overline{1,n},\ j=\overline{1,p}$$Здесь $w_{ij}$ - весовой коэффициент синаптической связи, соединяющий $i$-ый нейрон слоя $n-1$ с $j$-ым нейроном слоя $n$.
+
+$$w_{ij}(t+1)=w_{ij}(t)-\alpha*\frac{\delta E(k)}{\delta w_{ij}(t)},$$$$i=\overline{1,n},\ j=\overline{1,p}$$
+
+Здесь $w_{ij}$ - весовой коэффициент синаптической связи, соединяющий $i$-ый нейрон слоя $n-1$ с $j$-ым нейроном слоя $n$.
 
 $\alpha$ - коэффициент скорости обучения ($0 < \alpha < 1$)
-$E$ - среднеквадратичная ошибка сети для одного из $p$ образов, определяемая по формуле: $$E=\frac{1}{2}\sum\limits_{l=1}^{m}(y_{l}-d_{l})^{2}$$
+
+$E$ - среднеквадратичная ошибка сети для одного из $p$ образов, определяемая по формуле:
+
+$$E=\frac{1}{2}\sum\limits_{l=1}^{m}(y_{l}-d_{l})^{2}$$
+
 ![[Pasted image 20260417105754.png|536]]
 
-![[Pasted image 20260417105833.png|540]]
-
-
+![[Pasted image 20260417105833.png|540]]