Producerea cunoştinţelor explicite, folosind datele acumulate, este una din problemele de ordin intelectual de analiză. Una dintre abordările privind soluţionarea ei se bazează pe reţele neuronale, acestea reprezentând o nouă tehnologie pentru producerea de cunoştinţe ascunse dintre datele iniţiale: creează abilităţi de prognoză, clasificarea obiectelor, recunoaşterea formelor, luarea deciziilor, aproximarea dependenţelor. Reţelele neuronale permit de a modela procesele neliniare bazate pe metodele de prelucrare în paralel a informaţiilor, lucrează cu date zgomotoase sau incomplete. Bazată pe rețele neuronale, este adesea efectuată predicția seriilor de timp.  Pentru aplicarea reţelelor neuronale, este necesar să fiţi capabil de a conduce procesul de modelare, în conformitate cu problema ce trebuie rezolvată. Atunci când se creează o reţea neuronală, trebuie să se ţină cont că ea este un model matematic care reflectă unele aspecte ale creierului uman, ca exemplu: stimulează formarea, generalizarea şi clasificarea informațiilor. În continuare vom analiza caracteristicile reţelelor neuronale care definesc şi extind capabilităţile de soluţii de probleme ce apar în economie. 1. Specific reţelelor neuronale este faptul că modelul este format pe analiza internă a informațiilor de intrare, adică modelul nu este specificat în avans. Reţeaua neuronală formată constă dintr-un strat de intrare (stratul zero), unul sau mai multe straturi ascunse şi un strat de ieşire a neuronilor. Semnalul de intrare într-o astfel de rețea se extinde de la intrare la stratul de ieșire prin stratul intermediar (ascuns). Intrările primite de neuron au greutăţi diferite. Coeficientul de ponderare arată importanţa semnalului de intrare. Ieşirea unui neuron depinde de valoarea totală a produsului, de coeficienţi de ponderare și valorile de intrare, precum şi de tipul său de funcţie de activare. Cele mai frecvent utilizate funcţii de activare sunt: sigmoidală, liniară, liniară cu saturaţie, de prag, signum, tangentă hiperbolică, gausiană. Pentru reţele omogene, toţi neuronii au aceeaşi funcţie de activare.  Pentru a rezolva o anumită problemă sunt utilizate reţele neuronale dintr-un anumit grup de modele. O reţea neuronală selectată pot fi perceptron multistrat, RBF (funcţii de bază radiale), reţele neuronale Kohonen etc. 2. Reţeaua neuronală cea mai folosită este perceptron multistrat. Un exemplu de perceptron cu două straturi este prezentat în figura de mai jos.  Un model matematic al unui perceptron multistrat are forma: (2) (1) (1) (2) 11 ( ( ) ), mn k ki ij j j i ij Y f w f w x b b  unde j – numărul de intrări; i – numărul de neuroni în stratul ascuns; k – numărul de ieșiri (strat de ieșire neuroni); f() – o funcţie de activare neliniară; – coeficienţii de ponderare a conexiunilor neuronale cu primul (ascuns) strat şi cu neuronii de stratul zero;  – valoarea de compensare a neuronului j din primul strat;  – ponderile conexiunilor neuronale între stratul de ieşire şi primul strat; – valoarea de compensare a neuronului i din stratul de ieşire.   Fig. Perceptron multistrat   Pentru orice set de perechi de intrare-ieşire există o reţea neuronală cu două straturi, cu un număr finit de neuroni şi cu aceleaşi funcţii de activare, ceea ce pentru un vector de intrare dat produce un vector de ieşire corespunzător. Această particularitate a perceptronului multistrat determină utilizarea sa pe scară largă pentru previziunea economică. După determinarea arhitecturii, reţeaua trebuie să fie instruită şi poate fi considerată gata de utilizare. Rezultatele reţelei de obicei sunt îmbunătăţite dacă datele de intrare sunt pregătite în mod corespunzător, de exemplu, prin intermediul unor scale, ceea ce conduce la accelerarea procesului de învăţare. 3. Reţelele neuronale sunt adesea folosite în următoarele cazuri: a) comportamentul obiectului proiectat în perioadele anterioare, caracterizate de o cantitate destul de mare de date; b) metode tradiţionale sau algoritmi de rezolvare în mod satisfăcător a problemei în cauză nu sunt; c) date eventual incomplete, inconsecvente sau deteriorate; d) între variabilele de intrare există diferite tipuri de relaţii (regularităţi).  4. Când predicţia seriilor de timp se realizează prin reţele neuronale pentru a forma un set de exemple de instruire este folosită metoda de „fereastră‖ – deplasarea pe secvenţa temporală, începând cu primul element al seriei cronologice. În acelaşi timp, calitatea probei de formare este crescută dacă există un echilibru între contradicţia şi repetabilitatea datelor.Un alt grup de particularităţi de aplicarea de reţele neuronale sunt asociate cu identificarea lor în privinţa rezolvării problemelor specifice de predicţie. 5. La rezolvarea problemei de regresie nelineară generală, ca variabile independente pot fi variabilele continue categorice. De exemplu, pentru a evalua pierderile de planificare nonoptime de producţie sau de preţ, reţelele neuronale sunt recomandate pentru a dezvălui unele dependențe complexe dintre următoarele variabilele: volumul vânzărilor, preţul produsului, costurile de publicitate, preţurile concurenţilor (variabile continue), zi de săptămână, sezon (variabile categoriale). Numărul de intrări în regresie coincide cu numărul total de factori consideraţi. Ieşirile reţelei pot fi modelate printr-o funcţie de activare sigmoidală şi interpretate ca valoarea estimată a vânzărilor (profit) pentru noile intrări de reţea.  6. Aplicarea reţelelor neuronale se face la rezolvarea problemelor de creştere a profiturilor, în condiţii de existenţă a concurenţei, în pieţe volatile, atunci când se cere un contact permanent cu clienţii pentru a identifica factorii decisivi în cererea de bunuri sau servicii. Tehnici de reţele neuronale existente permit de a învălui dependenţe complexe dintre factori şi de a prezice cererea clientului şi veniturile întreprinderii în scopul punerii în aplicare a unei activităţi de producţie raţională. 7. Aplicarea reţelelor neuronale în evaluarea de proprietăţi imobiliare presupune o analiză a datelor de intrare ale reţelei neuronale pentru a selecta o măsură numerică pentru fiecare dintre multiplii parametrii care afectează preţul de bunuri imobiliare (suprafaţa, regiunea de localizare, disponibilitatea de parcare, înălţimea de etaj, finisaje de calitate, distanţa de la vehicule etc). Formând tabelul cu parametrii apartamentelor şi preţul acestora, se face analiza datelor, în scopul de a găsi dependenţele şi pentru a obţine un rezultat specific. Datele de intrare se împart în două părţi: instruirea de reţea şi faza finală de pregătire. 8. Aplicarea reţelelor neuronale în domeniul financiar este determinată de natura specifică a problemelor, iar scopul său constă în prognozarea preţului acţiunilor. Să presupunem că aveţi o bază de date cu privire la valorile preţului de vânzare în ultimele câteva luni. Dacă m – orizont de previziune, n – numărul de zile consecutive care sunt utilizate pentru predicţie, atunci exemplul de instruire conţine n + m valori consecutive ale seriei. Dacă vom aplica metoda de SS cu o valoare înainte, vom obţine următorul exemplu de formare. Fie k – volumul nivelurilor preţurilor seriei, prognoza pentru perioadă k+1, ..., k+m se obţine din ultimele cele n valori din serie, numerotate de k-n +1, ..., k. În acest caz, numărul de intrări în reţea va fi n, iar numărul de ieşiri – m. Tehnologia reţelelor neuronale este aplicabilă în multe alte situaţii. Investiţiile în aceste noi tehnologii sunt recomandate.