Войти Регистрация

Docx

  • Рефераты
  • Дипломные работы
  • Прочее
    • Презентации
    • Рефераты
    • Курсовые работы
    • Дипломные работы
    • Диссертациии
    • Образовательные программы
    • Инфографика
    • Книги
    • Тесты

Информация о документе

Цена 50000UZS
Размер 338.4KB
Покупки 0
Дата загрузки 01 Май 2025
Расширение docx
Раздел Курсовые работы
Предмет Информатика и ИТ

Продавец

Telzor Uchun

Дата регистрации 21 Апрель 2025

24 Продаж

Arxeologiya sohasida sun`iy intellektdan foydalanish usullari

Купить
MAVZU: ARXEOLOGIYA SOHASIDA SUN`IY INTELLEKTDAN
FOYDALANISH USULLARI
MUNDARIJA: 
KIRISH………………………………………………………………….….….3
I.BOB. SUNIY INTELLEKT IMKONIYATLARI........................................5
1.1.  Sun'iy intellekt, naqsh va tasvirni aniqlash ………………………….….….5
1.2.  Suyak izlari bo'yicha birinchi tadqiqot ……………………………….……7
II.BOB. SUN'IY INTELLEKTDAN FOYDALANISH ORQALI YANGI 
ARXEOLOGIK JOYLARNING KASHF ETILISHI…………………..….19
2.1.  Yangi arxeologik joylarni topish uchun tasvirni aniqlashdan
Foydalanish. Birinchi tadqiqot ……………………………………………..….19
2.2.  Sun'iy intellekt va uning arxeologiyadagi muammolari …..........................23
XULOSA………………………………………………………………….…..25
FOYDALANILGAN ADABIYOTLAR…………………………………….27 KIRISH
Kurs   ishining   dolzarbligi:   Sun’iy   intellekt   —   informatikaning   alohida
sohasi   bo‘lib,   odatda   inson   ongi   bilan   bog‘liq   imkoniyatlar:   tilni   tushunish,
o‘rgatish, muhokama qilish, masalani yechish, tarjima va shu kabi imkoniyatlarga
ega   kompyuter   tizimlarini   yaratish   bilan   shug‘ullanadi.Sun'iy   intellekt   (SI)
kompyuterlarga   o'zlarining   tajribalarini   o'rganish,   berilgan   parametrlarga
moslashish   va   ilgari   faqat   odamlar   uchun   mumkin   bo'lgan   vazifalarni   bajarish
imkonini beradi.
Kurs ishining maqsadi va vazifasi:     Suniy intellektni amalga oshirishning
ko'p holatlarida 
- kompyuter shaxmatchilaridan tortib uchuvchisiz transport vositalarigacha 
- chuqur o'rganish va tabiiy tillarni qayta ishlash imkoniyati juda muhimdir. 
Ushbu   texnologiyalar   tufayli   kompyuterlarga   katta   miqdordagi
ma'lumotlarni   qayta   ishlash   va   ulardagi   naqshlarni   aniqlash   orqali   muayyan
vazifalarni bajarishga "o'rgatish" mumkin. 
Ekspert tizimlari nima? 
Zamonaviy   jamiyatda   tobora   o‘sib   borayotgan   axborot   oqimi,   axborot
texnologiyalarining     turlitumanligi,     kompyuterda     yechiladigan     masalalarning
murakkablashuvi   ushbu     texnologiyalardan   foydalanuvchining   oldiga   bir   qator
vazifalarni   qo‘ydi.   Kerakli   variantlarni   tanlash   va   qaror   qabul   qilish   ishlarini
insondan   EHMga   o‘tkazish   masalasi   yuzaga   keladi.   Bu   vazifani   yechish
yo‘llaridan   biri   bu   ekspert   tizimlarini   yaratishva   foydalanish   sanaladi.   Ekspert
o‘zidan   kelib   chiqib   sharoitni   tahlil   etadi   va     nisbatanfoydali   axborotni   aniqlab
oladi,   chorasiz   yo‘llardan   voz   kechgan   holda   qaror   qabul   qilishning   eng   maqbul
yo‘llarini   vujudga   keltiradi.   Ekspert   tizimida   ma’lum   bir   predmet   sohasini
ifodalaydigan   bilimlar   bazasidan   foydalaniladi.   Ekspert   tizimi   bu   ayrim   mavzu
sohalarida   bilimlarni   to‘plash   va   qo‘llash   uyushtirish   usullari   hamda   vositalari
majmuidir.   Ekspert   tizimi   mutaxassislarning   yuqori   sifatli     tajribasiga   suyangan
holda qarorni   tanlash   chog‘ida   muqobil variantlar ko‘pligi uchun yanada yuqori
samaraga erishadi. 
3 Neyron tо‘rlari juda yangi hisoblangan va yanada kelajagi porloq hisoblash
texnologiyasidir,  uning   yordamida   xalq   xо‘jaligining  turli   sohalariga   oid   dinamik
masalalarni   о‘rganish,   uning   asosida   samarali   yechimlar   qabul   qilish   mumkin,
chunonchi   iqtisodiyot,   texnikaviy   obyektlarni   boshqarish,   texnologik   jarayonlarni
nazorat qilish va shu kabi sohalarda. Endilikda neyron tо‘rlaridan о‘quv jarayonini
tahlil   qilish   va   metodik   boshqarish   masalalarini   hal   qilishga   tadbiq   etilmoqda.
Neyron   tо‘rlari,   dastavval,   obrazlarni   anglash   sohasida   о‘zining   yangi   samarali
imkoniyatlarini   ochib   berdi.Undan   keyin   bunga   statistik   va   sun’iy   intellekt
metodlariga asoslangan yechim qabul qiluvchi jarayonni hamda moliya sohasidagi
masalalarni yechishni qо‘llab-quvvatlovchi vositalar qо‘shildi.
Neyron   tо‘rlaridan   foydalanishning   mohiyati   iqtisodiy   sohada   shundan
iboratki, bu yangi usul, metod oldingi an’anaviy ishlatilib kelinayotgan metodlarni
istisno, chetga surib tashlamaydi  ya’ni velosipedni  yangidan yaratmaydi, balki bu
neytron   tо‘rlari   yuqorida   keltirilgan   masalalarni   yechish   uchun   yaratilgan,   yangi
imkoniyatlarga ega hisoblash vositasidir.
Strategiyani   tuzish   paytida   yangi   omillarni   baholab,   ularning   ta’sirini   tahlil
etadi. Ekspert tizimlari sun’iy intellektdan foydalanishga asoslangan.
Kurs   ishining   tuzilishi:   kurs   ishi   kirish,   ikkita   bob,   har   bobda   ikkitadan
rejalar, xulosa va foydalanilgan adabiyotlar.
4 I.BOB. SUNIY INTELLEKT IMKONIYATLARI
1.1. Sun'iy intellekt, naqsh va tasvirni aniqlash
Suyak   belgilarini   aniqlash   va   tasniflashi   mumkin   bo'lgan   ishlaydigan   va
muvaffaqiyatli   sun'iy   intellektni   topishga   intilishda     ikkita   asosiy   tadqiqot
o'tkazildi.   Manuel   dom   Rakkuez-Rodrigo     bir-birining   o'rnini   egallagan   holda
ikkalasining   ham   bir   qismi   bo'lgan.   Maqsad,   vaziyatni   va   erishilgan   narsalarni
yaxshiroq tushunish uchun ikkalasini, ularning usullarini va topilmalarini qisqacha
taqdim etishdir.
Sun'iy   aql   inson   aralashuvisiz   amalga   oshiriladi.   Aynan   shu   savolda   Horn
avtomatlashtirilgan modellarga to'liq ishonish g'oyasini tanqid qiladi. 
Innovatsiyalarning   tarqalishi-bu   arxeologiyada   sun'iy   intellekt   amalga
oshirilayotgan   bu   ish   kelajakda   arxeologlar   qabul   qilishi   mumkin   bo'lgan
yondashuvlarni sezilarli darajada inqilob qiladi degan ma'noda duch kelganda duch
kelishingiz   mumkin   bo'lgan   narsa,   qilinayotgan   ishlar   sun'iy   intellektni   tobora
ko'proq   tarqalishiga   olib   keladi..   "U   yoki   bu   tarzda,   natijalar   inson   evolyutsion
tadqiqotlari   uchun   muhim   ahamiyatga   ega   bo'ladi"   (dom   Rakkuez - Rodrigo   va
boshq. 2020: 7).   Ishlatilgan   maqolalardan   birining   ushbu   iqtibosida   sun'iy
intellekt bo'yicha deyarli barcha tadqiqotlar davomida davom etadigan innovatsiya
nazariyasining tarqalishi (Ueyn 2022) ko'rsatilgan.  
Suyak   yuzasi   modifikatsiyasini   aniqlash   va   tasniflash   uchun   tasvirni   tanib
olishdan   foydalanish   arxeologiya   amaliyotini   va   kelajakda   qazish   ishlari   qanday
olib borilishini  shakllantiradi. Shuningdek, bu erda kiber  arxeologiyaning nazariy
atamasi qo'llanilishi mumkin. Yuqorida aytib o'tilganidek, Horn va uning jamoasi
yarim   avtomatlashtirilgan   sun'iy   intellekt   g'oyasini   ta'kidlaydi,   bu   erda   ikkala
tomon   ham   g'ildirakda   qo'li   bor,   yanada   ishonchli   va   boshqariladigan   natijalar
uchun   odam   va   mashina   o'rtasida   barqaror   ko'prik   sifatida.   Arxeologlar   va
mashinalar   o'rtasidagi   ushbu   qo'shma   hamkorlik   g'oyasi   nazariy   atamani   keltirib
chiqaradi   kiber   arxeologiya.   Maydonni   raqamlashtirishning   davom   etayotgan
inqilobini va ma'lumotlar qanday ishlashini o'rganib, biz bu erda keltirilgan ikkala
nazariy g'oyalarning asl mohiyatini va ularning sun'iy intellekt va arxeologiyadagi
5 rolini chinakam tushunishga yaqinlashamiz. Ushbu tezis allaqachon e'lon qilingan
natijalar  asosida  adabiy tadqiqot  sifatida o'tkazildi. Arxeologiyada sun'iy  intellekt
ekspertizasini   yozishda   tadqiqotning   aniqligini   ta'minlash   uchun   materiallarni
tanlash   birinchi   o'rinda   turadi.   Ushbu   ishda   asosiy   e'tibor   arxeologiya   va   sun'iy
intellekt   mutaxassislari   tomonidan   yozilgan   mavjud   maqolalar   va   tadqiqot
nashrlaridan  foydalanishga   qaratilgan.   Ushbu   tanlovning  asosini   bir   nechta  jiddiy
sabablar   tashkil   etadi.   Avvalo,   boshqa   tadqiqotchilarning   ishlaridan   foydalanish
belgilangan   bilim   va   tushunchalarning   mustahkam   poydevorini   yaratadi.
Arxeologiya   ko'p   tarmoqli   sohadir   va   turli   xil   maqolalardan   kelib   chiqib,   ushbu
tadqiqot   kengroq   istiqbollar,   metodologiyalar   va   topilmalarni   qamrab   olishga
qaratilgan.  Ushbu yondashuv  sun'iy  intellekt  va  arxeologiya  o'rtasidagi  murakkab
munosabatlar   to'g'risida   aniq   tushuncha   beradi,   chunki   u   turli   xil   qarashlar   va
metodologiyalarni   birlashtirishga   imkon   beradi.   Adabiy   tadqiqotlar   o'z
cheklovlarini   belgilaydi,   chunki   ishlatilgan   allaqachon   nashr   etilgan   maqolalar
bilan taqqoslash uchun yangi AI treningi o'tkazilmagan
6 1.2. Suyak izlari bo'yicha birinchi tadqiqot
Shunga qaramay, bugungi  kungacha tadqiqotchilar  hominin turlarida go'sht
iste'mol qilishning paydo bo'lishi haqida bahslashmoqdalar. 
Go'shtni   iste'mol   qilish   strukturaviy   xatti-harakatlardagi   katta   o'zgarishlar,
shuningdek   ensefalizatsiya   (miya   hajmining   oshishi)   va   tosh   asboblarning   paydo
bo'lishi bilan bog'liq. Hatto go'shtni iste'mol qilish bizning ensefalizatsiya haqidagi
hozirgi dalillarimizdan bir million yil oldin boshlangan degan nazariyalar 
mavjud   (Byeon   et.al   2019:36).   Agar   bu   to'g'ri   bo'lsa,   u   hominin   turlarida
go'sht iste'mol qilishning paydo bo'lishi haqidagi hozirgi nazariyalarni o'zgartiradi.
Bu   erda   suyaklardagi   belgilarni   to'g'ri   aniqlay   olish   muhimligi   o'zini   ko'rsatadi.
Ana suyaklar Efiopiyada bir dig kelgan, qaysi McPherron va uning jamoasi yil 3,4
million   yoshda   (McPherron   2010:   857).   Suyak   belgilarini   to'g'ri   aniqlay   olish
arxeologlar   uchun   ham   katta   ahamiyatga   ega,   chunki   u   erta   homininlarda   xulq-
atvor xususiyatlarini ko'rsatishi mumkin . Ov qilish, tozalash va yig'ish kabi xulq-
atvor   xususiyatlari.   Bu   hatto   gominidlar   ilgari   o'ylanganidan   ham   erta   bosqichda
cho'qqi  yirtqichlariga aylanganligini  ko'rsatishi  mumkin. Fotoalbomlarda kesilgan
belgilarning   oldingi   tahlili   bizga   turli   xil   so'yish   texnikasi   belgilarini   va
evolyutsiyaning   dastlabki   bosqichlarida   pleystotsen   davrida   erta   homininlar
tomonidan   qo'llanilgan   tana   go'shtini   olish   strategiyasini   ko'rsatdi   .   Bularning
barchasi   tufayli   kesilgan   belgilarni   aniq   aniqlash   va   ularni   oyoq   osti   qilish   yoki
cho'kindilarning   ishqalanishi   (Byeon)   kabi   suyaklardagi   boshqa
modifikatsiyalardan   ajratish   juda   zarur   et.al   2019:36).   To'g'ri   identifikatsiyalash
zarurati nafaqat dastlabki hominidlarga, balki homo sapiensga ham tegishli.  Homo
sapiens   birinchi   marta   Amerika   qit'asiga   20   000   yil   oldin   kelgan   deb   ishonildi.
Biroq, yaqinda topilgan topilmalar va da'volar homo sapiensning 30 000 yilgacha
ham   borligini   ko'rsatmoqda.10   000   yilga   nisbatan   tarixni   orqaga   qaytargan
toshbo'ron   qilingan   suyaklardagi   kesilgan   belgilar   topilgan   ilgari   fikr.   Urugvayda
Dikika va Quranvala saytlar, oyoq osti va/yoki cho'kindi abraziyalar (Byeon) kabi
ko'rinadigan   narsalar   mavjud   et.al   2019:37).   Tafonomistlar   o'rtasida   kesilgan
belgilarni   qanday   qilib   to'g'ri   aniqlash   mumkinligi   to'g'risida   uzoq   vaqtdan   beri
7 kelishmovchiliklar   mavjud   .   Bu   dom   tomonidan   taklif   Qilinadikkakkuez-Rodrigo
va   boshq.   skanerlash   elektron   mikroskopi   to'liq   suyak   birikmalarida   qassoblik   va
oyoq   osti   belgilarining   ta'sirini   aniqlash   uchun   amaliy   emasligi   Tajriba   orqali
mezonlar   ro'yxati   ishlab   chiqildi,   ammo   keyin   yana   bir   kelishmovchilik   paydo
bo'ldi.   Ushbu   eksperimental   natijalar   individual   tadqiqotchilar   tomonidan   qanday
talqin qilinishi kerak?  
Ob'ektiv   usullarning   etishmasligi   va   suyak   belgilarini   aniqlash   va   ularning
tasnifi   faqat   tadqiqotchining   bilimi   va   sub'ektiv   tajribasiga   bog'liq.   Ushbu
muammoning   taklif   qilingan   echimi   Konvolyutsion   neyron   tarmoq   (CNN)   va
qo'llab-quvvatlovchi vektor mashinasi (Byeon) kabi sun'iy intellektni joriy etishdir
et.al 2019:37). Ikkala usul ham quyida batafsilroq tushuntiriladi. Biroq, ikkala usul
ham   suyak   belgilarining   yaqin   tasvirlarini   tasniflash   uchun   mashinani   o'rganish
algoritmlariga   tayanadi,   ular   hatto   ekspert   tasniflarini   moslashtirish   va   ba'zan
almashtirish imkoniyatiga ega U.shbu tadqiqotda ular 79 ta suyak belgisidan iborat
namuna o'lchamidan foydalanganlar, ulardan 42 tasi oyoq osti belgilari , qolgan 37
tasi kesilgan belgilar edi. Muallifning ushbu iqtibosida tajriba uchun ishlatiladigan
oz   sonli   belgilar   tushuntirilgan:   "...   inson   ekspertlari   ballarini   maksimal   darajada
oshirish uchun namuna hajmi (79 belgi) qasddan qisqa tutilgan (namuna qanchalik
katta   bo'lsa,   odamlar   tomonidan   identifikatsiyalashning   buzilish   darajasi
shunchalik   yuqori   bo'ladi)   va   kompyuterning   aniqligini   minimallashtirish   uchun
(kattaroq  namuna o'lchamlar   yaxshi  o'qitish  va  yuqori   identifikatsiya  stavkalariga
olib keladi)  Ushbu tajribadagi barcha suyak izlari hozirgi vaqtda aynan shu vazifa
uchun   yaratilgan   odam   edi.   Oyoq   osti   belgilarining   barchasi   to'rt   xil   o'lchamdagi
qum,   shuningdek   shag'al   va   loydan   foydalangan   holda   qilingan.   Dom   rakkuez-
Rodrigo   ilgari   tabiiy   sharoitda   paydo   bo'ladigan   belgilarga   o'xshash   oyoq   osti
belgilarini   sun'iy   ravishda   ishlab   chiqarish   uchun   suyaklar   va   cho'kindi   bilan
shunga   o'xshash   sinovlarni   o'tkazgan   edi.   Ushbu   tajriba   uchun   kesilgan   belgilar
pleystotsen   davrida   ishlatilgan   eng   keng   tarqalgan   tosh   turi   bo'lgan   kvartsit
parchalari bilan qilingan va ularni yo'q qilish jarayonida ular tabiiy tosh parchalari
tomonidan yasalganidan statistik jihatdan befarq bo'lgan suyak kesilgan izlari bilan
8 chiqdi   qirralari   tartibsiz   va   ular   tomonidan   yasalganlarga   juda   o'xshash.   qadimgi
hominidlar. Keyin bu suyak belgilarining ikkala to'plami ikkalasini ajratish uchun
bir-biriga aralashtirildi. 
Keyin   79   ta   sub'ekt   mikroskop   bilan   30x   masshtabda   suratga   olindi   va
keyinchalik   markirovkalarni   yaxshiroq   ko'rish   uchun   kul   rangga   aylantirildi
(Byeon et.al 2019:37). Tasvirlar kulrang rangga aylantirilishining sababi, ehtimol,
buni   amalga   oshirishda   algoritmni   soddalashtiradi   va   hisoblash   talablarini
kamaytiradi   (Canan,   Cottrell   2012:   1),   ammo   bu   tadqiqotning   biron   bir   joyida
aytilmagan. 
Konvolyutsion neyron tarmoq 
CNN   tasvirlarni   tasniflash   uchun   kuchli   chuqur   o'rganishga   asoslangan
usullardir. Ushbu usulning kuchi shundaki, CNN inson bittasini tahlil qilish uchun
zarur   bo'lgan   vaqt   ichida   yuzlab   tasvirlarni   tahlil   qilishi   mumkin.   CNN   tasvirni
oladi   va   uni   bir   necha   qatlamlar   orqali   o'zgartiradi.   Har   bir   qatlamga
konvolyutsion,   rektifikatsiyalangan   chiziqli   birlik,   maksimal   birlashma   va   to'liq
bog'langan   qatlamlar   kiradi.   CNN   tasvirlarni   talqin   qilish   va   ularni   tahlil   qilish
uchun har  bir  qatlamda neyronlardan foydalanadi.Ushbu  tadqiqotda CNN adaptiv
moment baholash (Adam) yordamida o'qitildi.
Odam   ato   ajoyib   ish   qilsa,   stoxastik   optimallashtirishda   samarali   bo'ladi.
Stoxastik optimallashtirish muammoning o'zi yoki unda ishtirok etgan ma'lumotlar
tasodifiy   yoki   noaniqlikka   ega   bo'lganda   muammoning   eng   yaxshi   echimini
topishdir 
Trening   ikkala   turdagi   belgilarning   59   ta   tasvirida   o'tkazildi   (Byeon   et.al
2019:   39).   ushbu   sinovni   osonlashtirish   va   jarayonni   tezlashtirish   uchun   ular
barcha   tasvirlarni   180   x   520   piksel   /   0,09   megapikselda   belgilangan   o'lchovga
o'zgartirdilar.   Bundan   tashqari,   ular   gistogrammani   tenglashtirish   algoritmidan
ham foydalanganlar.Gistogrammani tenglashtirish -bu gistogrammaning intensivlik
taqsimotini o'zgartirish orqali tasvirning kontrastini sozlash uchun tasvirlarni qayta
ishlash usuli . Ushbu texnikaning maqsadi tasvir bilan bog'liq bo'lgan kumulyativ
ehtimollik   funktsiyasiga   chiziqli   tendentsiyani   berishdir   Buning   yana   bir   izohi
9 shundaki,   ular   CNN   tomonidan   belgilarni   osonroq   aniqlash   uchun   har   bir
tasvirdagi   qorong'u   qismlarni   yorqinroq   qilish   uchun   ushbu   algoritmdan
foydalanadilar. 
Qo'llab-quvvatlash   vektor   mashinasi   ushbu   testda   ular   ikkilik   qo'llab-
quvvatlash vektor mashinasi tasniflagichini o'rgatish orqali tasvirlarni tasnifladilar.
Ular   qilgan   birinchi   narsa,   ular   so'zlar   sumkasi   texnikasi   deb   atagan
narsalardan   foydalanib,   tasvirlarga   mos   keladigan   vizual   so'zlarni   yaratish   edi.
Oddiy   qilib   aytganda:   kamon   texnikasi   so'zlarni   tasvirlardagi   turli   xil
xususiyatlarga   bog'laydi.   Keyin   tasvir   klassifikator   yoki   qo'llab-quvvatlovchi
vektor mashinasi tomonidan tahlil qilinganda, u tahlil qilingan ob'ektdagi o'xshash
topilmalarga tasniflangan so'zlarni bog'lash natijalarini beradi . SVM algoritmining
maqsadi   a   ni   topishdir   giperplane   ma'lum   bir   tasvirni   tahlil   qilishda   (Byeon)   bir
sinfning ma'lumot nuqtalarini boshqa sinfnikidan iloji boricha eng yaxshi darajada
ajratishi   mumkin   eUts.ahlb2u0u1s9u:3l   8b)o.'yicha   inson   mutaxassislari,   ular   etti
yildan   yigirma   yilgacha   bo'lgan   tajribaga   ega   bo'lgan   tafonomiya   bo'yicha   uchta
mutaxassisdan   foydalanganlar.   Sinovda   ular   turli   xil   belgilarga   ega   bo'lgan
zamonaviy   va   toshga   aylangan   suyaklarni   tahlil   qilishlari   va   tasniflashlari   kerak
edi.  
Ularning   har   biri   o'z   tahlillarini   alohida   tugatgandan   so'ng,   o'z   natijalarini
o'zaro, so'ngra ikkala kompyuter usuli erishgan natijalar bilan solishtirishlari kerak
edi.
Ma'lumotlar   to'plami,   baholash   va   natijalar   avval   aytib   o'tilganidek
ma'lumotlar to'plami 79 xil suyaklardan iborat bo'lib, ularning barchasi ushbu test
uchun  maxsus   qilingan.  79   suyak   suratga   olindi   va   kul   rangga   aylantirildi.   Sinov
har bir kompyuter dasturiga har bir toifadagi 10 ta rasmni berdi ( oyoq osti qilish
va   kesish),   qolganlari   mashg'ulot   uchun   ishlatilgan.   Ikkala   kompyuter   dasturlari
uchun   ham   suyak   belgisini   aniqlash   o'rtacha   60   dan   ortiq   o'quv   modellari
tomonidan   tasodifiy   ravishda   sodir   bo'lgan   va   shu   bilan   ular   o'z   natijalarini
olishgan.   Uchta   testning   barchasi   kutilganidek   o'rtacha   aniqlikka   ega   edi.   CNN
(Konvolyutsion   neyron   tarmoq)   belgilarni   aniqlashda   o'rtacha   91%   aniqlikni
10 olishga muvaffaq bo'ldi. Qo'llab-quvvatlovchi vektor mashinasi  uchun eng yaxshi
o'rtacha   aniqlik   83%   da   chiqdi.   SVM   ham,   CNN   ham   ushbu   tadqiqotda   uchta
mutaxassis   tafonomistga   qaraganda   suyaklarda   ko'proq   belgilarni   aniqlay   oladi.
Mutaxassislarning   barchasi  topilgan  belgilarning  o'xshash   soniga   ega  bo'lishdi  va
identifikatsiya   foizi   uchtasi   orasida   deyarli   teng   edi.   Uchta   mutaxassis   orasida
suyak belgilarini aniqlash bo'yicha o'rtacha muvaffaqiyat darajasi 63% ga teng edi.
CNN   va   inson   mutaxassislari   o'rtasidagi   muvaffaqiyat   farqi   CNN   foydasiga
44,4444%, SVM foydasiga esa 31,746% ni tashkil etdi.
Mutaxassislar   (Byeon   et.al   2019:39).   Ushbu   tadqiqot   shuni   ko'rsatdiki     bu
sohada   o'nlab   yillik   tajribaga   ega   bo'lgan   inson   mutaxassislari   ushbu   testda
ishlatilgan   rasmlar   bilan   ishlashda   sun'iy   intellektga   nisbatan   suyak   belgilarini
muvaffaqiyatli   aniqlashda   o'rtacha   darajada   aniq   (63%)   .   Suyak   belgilarini   to'g'ri
tahlil  qilish  va  baholashga  qarab, bu  etarli  bo'lmagan  va  ishonchsiz  muvaffaqiyat
darajasi.   Ko'pgina   arxeologlar   to'g'ri   baholash   uchun   bu   kabi   mutaxassislarga
bog'liq, ayniqsa Dikika va Quranvala biz bilgan homo sapiens tarixini o'zgartirishi
mumkin   bo'lgan   saytlar.   Ushbu   tadqiqot   shuni   ko'rsatdiki,   sun'iy   intellekt   inson
qobiliyatini   taqlid   qilishi   va   hatto   suyak   belgisini   aniqlashda   undan   ancha   ustun
bo'lishi mumkin 
Biroq,  bularning  barchasi   har   bir  sun'iy   intellekt   oladigan  treningga   bog'liq
O'quv to'plami turli xil belgilarni muvaffaqiyatli aniqlash uchun etarlicha xilma-xil
bo'lishi   kerak.   Kelajakdagi   mashg'ulotlar   va   tahlillar   ularni   yaratishda   turli   xil
belgilar va turli xil texnikalarni o'z ichiga olishi kerak.  Turli xil materiallardan ham
foydalanish   kerak.   O'qitish   uchun   ishlatiladigan   ma'lumotlar   to'plami   qanchalik
katta bo'lsa, identifikatsiyalashning muvaffaqiyat darajasi shunchalik katta bo'lishi
mumkin.   oxir   oqibat,   tadqiqotchilar   "bu   ish   taponomiyada   BSM
identifikatsiyasining juda munozarali masalasini hal qilish uchun chuqur o'rganish
algoritmlarining imkoniyatlarini namoyish etadi" degan xulosaga kelishdi  (Byeon
et.al  2019:41). Ular   suyak  oyoq osti  belgilarini  iloji  boricha  haqiqiy qilish  uchun
eski fotoalbomlarga bog'lanishi mumkin bo'lgan eng ehtimoliy va shunga o'xshash
materiallardan foydalanganlar So'nggi yigirma yil ichida suyak izlarini tahlil qilish
11 yanada   murakkablashdi   va   arxeologlar   2D   va   3D   hisoblash   texnikasini   turli
usullarda   qo'llashni   boshladilar.   Biroq,   bu   usullar   kamchiliklardan   xoli   emas   va
ularning   barchasi   o'xshash   usullarga   ega.   Ular   allaqachon   tahlil   qilingan   kattaroq
namunaning kichik namunalarini tahlil qilishda juda mos kelmasligini ko'rsatdilar 
Ba'zi  ular  faqat  oz farqlar  bilan kichik namuna registri  ishlatiladi  bo'lsa-da,
ularning   muvaffaqiyat   mubolag'a   ustidan   badbaxt   bor.   Bir   misol   ,   ular   aynan
shunday   qilgan   oldingi   tadqiqotdir.   Garchi   ular   o'z   tanlovlarini   oqlashdi,   chunki
ular   qasddan   inson   mutaxassislariga   yuqori   muvaffaqiyat   darajasini   berishni
xohlashdi   (Byeon   et.al   2019:37).   Yaqinda   sun'iy   intellektdan   foydalanish
kompyuterni   ko'rishga   asoslangan   mashinani   o'rganish   texnikasidan   foydalanish
orqali o'z nomini chiqara boshladi. Dom rakkuez-Rodrigo va boshqa tadqiqotchilar
ushbu   tadqiqotda   suyaklardagi   belgilarni   muvaffaqiyatli   aniqlash   uchun   jami   etti
xil   chuqur   o'rganish   modellarini   sinab   ko'rishdi.   Ushbu   sinovda   eng   ishonchli
model vgg16 ismli model bo'lib chiqdi (dom Rakkuez-Rodrigo va boshq.  2020: 1-
2). Ism  "vizual  geometriya guruhi" dan kelib chiqqan bo'lib, uni dastlab yaratgan
jamoa va 16 raqami uning ishlatilgan qatlamlar soniga ishora qiladi (Simonyan &
Zisserman   2015:   6).   VGG16   -   bu   chuqur   o'rganishga   asoslangan   sun'iy   intellekt
bo'lib,   dastlab   CNN   rivojlanishini   rivojlantirish   maqsadida   ishlab   chiqilgan.   vgg
ishlab   chiqaruvchilari   ishlatilgan   qatlamlarning   chuqurligini   oshirishni   xohlashdi
va bu faqat barcha qatlamlarda kichik (3 ta) konvolyutsion filtrlardan foydalanish
orqali   mumkin   edi(Simonyan   va   Zisserman   2015:   1).   VGG16   shuningdek,   ilgari
bir   milliondan   ortiq   oldindan   o'qitilgan   tasvirlar   bilan   turli   xil   hayvonlar   va
narsalarning 1000 xil tasvir toifalarini aniqlashga o'rgatilgan 
Ushbu   katta   rasmlar   to'plamidan   o'zlarining   o'quv   to'plamlari   bilan
birgalikda   foydalanish   eng   yaxshi   aniqlikka   olib   keldi.   Dom   rakkuez - Rodrigo   va
uning   hamkasblari   ham   modelni   noldan   sun'iy   ravishda   yaratilgan   suyak
belgilarining rasmlaridan boshqa hech narsaga o'rgatishga harakat qilishdi. Trening
izohli bo'lsa, ular biroq davlat emas (dom Rakkuez - Rodrigo va boshq. 2020: 3-4).
Faqat   o'z   rasmlaridan   o'quv   to'plami   sifatida   foydalanish   vgg16 - ning   atigi   76%
o'rtacha aniqlikda sezilarli darajada yomon natijalarga erishishiga olib keldi (dom
12 Rakkuez-Rodrigo   va   natijalar.   Bu   sinovda   ular   isbotlagan   narsa.   Dom   rakkuez-
Rodrigo   matnining   boshida   avvalgi   ishiga   ishora   qiladi.   Uning   ta'kidlashicha,
sun'iy intellektning suyak izlarini to'g'ri  aniqlashdagi  muvaffaqiyati  hozirda inson
mutaxassislaridan   deyarli   50%   ga   oshadi.   Inson   mutaxassislari   bu   kabi
muammolarga   duch   keladigan   muammoni   ta'kidlash   muhim,   chunki   bu   ularning
muvaffaqiyat darajasini cheklaydi. 
Oldingi   tadqiqot   shuni   ko'rsatdiki,   inson   tafonomist   mutaxassislari   suyak
belgilarini aniqlashda faqat 63% muvaffaqiyat darajasiga ega edilar. Buning sababi
shundaki, ular suyaklarga o'zlari kirish imkoniga ega emas edilar, faqat mikroskop
bilan   olingan   ikki   o'lchovli   kulrang   o'lchamdagi   rasmlar   .   Bu   keyingi   maqolada
zikr   qilingan,   ko'proq   o'zgaruvchilar   bilan   taqdim   qachon,   muvaffaqiyat
ekspertning   darajasi   dan   o'zgarib   turdi,   deb   68   uchun   80%   (dom   dom - Rodrigo-
Rodrigo   va   boshq.   2020:   2).   Bu   mutaxassisning   tajribasiga   qarab   muvaffaqiyat
darajasini   keskin   o'zgartiradigan   narsa.   Ushbu   testda   ishlatiladigan   turli   xil
modellar   Alexnet,   ResNet50,   VGG16   va   Inception   v3   bo'lib,   ularning   barchasi
"Imagenet   keng   ko'lamli   vizual   aniqlash   Challenge"g'oliblari.   Eng   yaxshilarini
topish uchun 1000 xil toifadagi tasvirni aniqlash dasturlarini sinovdan o'tkazadigan
tanlov.  
Ushbu   tadqiqotda   ushbu   to'rtta   model   Jason1   va   2   deb   nomlangan   ikkita
o'xshash   modelga,   shuningdek   densenet   201   deb   nomlangan   yana   bir   modelga
qarshi   qo'yildi.   Ular   buni   suyak   belgilarini   aniqlashda   yuqori   aniqlikka   nafaqat
murakkab   arxitekturalarda,   balki   oddiylarda   ham   erishish   mumkinligini   sinab
ko'rish uchun qildilar. Ushbu tadqiqot orqali maqsad suyak belgilarini tahlil qilish
va   tasniflashning   ob'ektiv   usulini   ishlab   chiqish   va   ulardan   foydalanish
imkoniyatiga   ega   bo'lishdir,   chunki   mutaxassislar   suyak   belgilarini   baholashda
faqat sub'ektiv bo'lishi mumkin. 
Ma'lumotlar   to'plami   va   yondashuv   dom - dom-Rodrigo   suyak   belgisini
identifikatsiyalash muammosini o'z zimmasiga oladi, oldingi tadqiqotga o'xshaydi,
lekin bitta qo'shimcha bilan tish belgilari. Shuningdek, u ilgari tish izlari kesilgan
belgilardan   osonlikcha   farqlanishi,   ularning   keng   tarqalgan   mikroskopik
13 xususiyatlarini hisobga olgan holda ta'kidlanganligini eslatib o'tadi. Shuning uchun
ushbu   tadqiqotda   tish   belgilarini   qo'shish   sun'iy   intellektni   yaxshiroq   o'rgatish   va
tadqiqotni kuchaytirish uchun zarur edi.   Sinov ikki xil tish belgilaridan iborat edi,
sher  va  bo'ri.  Ushbu   sinovda  ishlatiladigan   kesilgan  belgilar   tosh  parchalari  bilan
qilingan   (turi   ko'rsatilmagan)   va   oyoq   osti   belgilari   avvalgi   tadqiqotga   o'xshash
tarzda   qum   ishqalanishlari   bilan   qilingan.   Ikki   xil   tish   belgilari   va   boshqa   suyak
belgilari   strukturaviy   o'xshash   belgilarni   aniqlashda   aniqlikni   hal   qilish   usuli
sifatida tanlangan 
Arslonning   tish   izlari   Ispaniyadagi   Cabcorcrceno   qo'riqxonasida   yarim   asir
sherlarga   berilgan   to'rtta   uzun   suyaklardan   olingan   namunalar   edi.   Bo'rilar
tomonidan   qilingan   tish   izlari   bo'lgan   suyaklar   ham   El   Xosquillo   nomli
qo'riqxonadan   kelgan.   Xuddi   sherlarda   bo'lgani   kabi,   bu   suyaklar   ham   bo'rilarni
boqishda ishlatilgan. Tahlil qilishni osonlashtirish uchun ikkala suyak to'plami ham
to'g'ri tozalangan va quritilgan. Dastlab ularda barcha suyaklardan jami 418 ta tish
izlari bor edi, ammo ular buzilish va sirsizlik tufayli saralangan, natijada 106 tasi
tahlilga   qabul   qilingan.   Tadqiqotda   ishlatilgan   tish   belgilarining   barchasi   tish
ballari edi, tish chuqurlari kabi boshqa belgilar hammasi  hujjatlashtirilgan, ammo
ishlatilmagan.  488  ta  kesilgan  belgilar   hammasi  sigir  suyaklarida   qilingan,   22  xil
retushlanmagan   chaqmoqtosh   parchalari   bilan.   Belgilar   zamonaviy   asbob-
uskunalar o'rniga tosh asboblardan foydalangan holda maxsus so'yish amaliyotida
yaratilgan. Bu qadimgi davrlarda qanday qilib amalga oshirilgan bo'lishi  mumkin
bo'lgan  eng haqiqiy  belgilarni   olishga  qaror   qilindi.  So'yish  tugagandan  so'ng,  bu
suyaklar   ham   to'g'ri   tozalangan   va   quritilgan.   Oyoq   osti   belgilari   kiyik
suyaklaridan   har   xil   turdagi   erlarni   simulyatsiya   qilish   uchun   ikki   xil   usul
yordamida   qilingan.   Birinchi   usul   turli   xil   qum   donalarini   ishlatish   va   har   xil
og'irlikdagi uchta odamni esparto o'tidan tayyorlangan maxsus poyabzal bilan oyoq
osti   qilishdan   iborat   edi.   Boshqa   usul   ishlatilgan   qum   o'rniga   kichik   shag'al   va
birinchi   usul   kabi   shunga   o'xshash   yondashuv.   Ushbu   ikki   usuldan   tasvirlar   eng
aniq va ko'rinadigan belgilarni olish uchun olingan va saralangan (dom Rakkuez-
Rodrigo   va   boshq.   2020:   7).   Ular   tadqiqotda   bo'ri   va   sher   tish   belgilarini
14 birlashtirib, siz ikkala turdagi yirtqichlar, faqat go'sht iste'mol qiladigan sherlar va
durofag   yirtqich   hayvonlar   bo'lgan   bo'rilar   belgilarini   olasiz,   deb   ta'kidlaydilar.
Pleystotsen qoldiqlarini topish mumkin bo'lgan arxeologik joylarning turlarini eng
yaxshi   namoyish   etish   uchun   har   xil   turdagi   cho'kindilar   tanlangan.   Xuddi   shu
narsani   pleystotsen   so'yish   texnikasini   ifodalash   uchun   qilingan   kesilgan   belgilar
haqida   ham   aytish   mumkin   (dom.   2020:   8).   Tajriba   uchun   tasvirlar   bir   xil
natijalarga erishish uchun mikroskop yordamida 30x kattalashtirishda, barchasi bir
xil burchak va yorug'likda olingan. 
Keyinchalik   tasvirlar   kesilgan,   shuning   uchun   adolatli   sinovni   ta'minlash
uchun   faqat   belgilarning   o'zi   ko'rinardi.   Sinov   488   kesilgan   belgilar,   106   tish
belgilari va 63 oyoq osti belgilaridan iborat edi. Xuddi birinchi tadqiqotda bo'lgani
kabi,   bu   safar   ular   ham   tasvirlarni   kulrang   shkalaga   aylantirdilar   va   ularning
o'lchamlarini   80   x   400   piksel   (0,032   megapiksel)   qilib   o'zgartirdilar   (dom.   2020:
7). 
Amaldagi   turli   xil   modellar   va   ularning   usullari   oldingi   tadqiqotdan   farqli
o'laroq,   bu   safar   ular   tadqiqotda   faqat   Konvolyutsion   neyron   tarmoqlaridan
foydalanganlar   (dom.   2020:   7).   Hech   bir   inson   mutaxassisi   turli   xil   modellarga
nisbatan taqqoslash sifatida ishlatilmadi, ehtimol avvalgi tadqiqotda bir xil tasvirlar
berilganda   muvaffaqiyat   darajasi   pastligi   sababli.   Amaldagi   ettita   CNN   modeli
Keras  platformasi   bilan ishlab  chiqarilgan  bo'lib, u  turli   dasturlar  uchun  interfeys
vazifasini   bajaradi.   Amaldagi   barcha   modellarda   tensor   oqim   uning   orqa   tomoni
sifatida   (dom   Rakkuez-Rodrigo   va   boshq.   2020:   8).   Backend   dasturning
ko'rinmaydigan   qismlarini   nazarda   tutadi,   lekin   bu   soatdagi   viteslar   kabi   hamma
narsani ishlaydi. 
Tensor   oqimi-bu   o'z   foydalanuvchilari   uchun   mavjud   bo'lgan   vositalar   va
vazifalar kutubxonasi  bo'lib, ular oldindan dasturlashtirilgan funktsiyalar  bilan AI
modellarini   osonroq   yaratishga   imkon   beradi.   Ularning   ikkalasi   ham   har   kim
foydalanishi mumkin bo'lgan ochiq kodli dasturlar tufayli ishlatilgan. Tensor oqimi
Keras   ushbu   maqola   yozilgan   bir   vaqtning   o'zida   faqat   shu   narsani   qo'llab-
quvvatlaganligi sababli tanlangan backend varianti bo'lishi mumkin (Keras 2023).
15 Ushbu   testda   ishlatilgan   barcha   ettita   model   rasmlarning   umumiy   sonining   70%
bo'yicha  o'qitilgan,  qolgan  30%  tasniflash   testi  uchun  ishlatilgan.   Ular  ishlatilgan
o'quv   rasmlarini   o'zgartirish   uchun   ma'lumotlarni   ko'paytirishdan   foydalanganlar,
bu   kattaroq   o'zgarishlarni   olish   va   ortiqcha   o'tirishni   oldini   olish   edi.   VGG16,
ResNet50,   DenseNet   201   va   InceptionV3,   barcha   bu   ishda   uzatish   ta'lim   orqali
ishlatilgan (dom Rakkuez-Rodrigo va boshq. 
Jason1-bu model vgg arxitekturasi ilhomlanib, vgg16 qilingan bir xil. Ushbu
modelda jami sakkizta qatlam, 4 CNN qatlami va 4 max pooling qatlami mavjud.
Birinchi CNN qatlami  edi  32 bilan filtrlar 3 qatlamlari bilan quyidagi 64 va 128,
128 nisbatan. Ushbu to'rt qatlam o'rtasida ular tegishli ma'lumotlarni filtrlash
uchun to'rtta max pooling qatlamini joylashtirdilar (dom Rectackscing-Rodrigo va
boshq. 2020: 8). 
Jason2-bu   model   Jason1   ustiga   qurilgan,   lekin   ,   shuningdek,   bu   sinov
ishlatiladi   VGG16   ishlarini   o'z   ichiga.   "...model   uchta   blokdan   iborat   bo'lib,
ularning har biri 3, 3 va 32 neyronlarning 64 va 128 yadrolarini o'z ichiga oladi. 
Har  bir  blok o'rtasida,  max-pooling (2 va 2 yadro)  qatlamlari  bor  ".  Ushbu
modelda Dropout qatlamlari ham ishlatilgan, chunki u yanada murakkab tuzilishga
ega edi. VGG16-ushbu model ushbu tadqiqotda eng yaxshisi bo'lib chiqdi. Boshqa
ba'zi modellar singari, bu ham 2014 yilda bu safar "Imagenet keng ko'lamli vizual
tanib   olish   muammosi"   ni   qo'lga   kiritdi.   Model   dastlab   16   qatlamni   o'z   ichiga
olgan, ammo uning kengaytmasi  VGG16 dan qilingan bo'lib, u yana 19 qatlamni
qo'shgan,   ammo   ular   ushbu   kengaytmani   ishlatganmi   yoki   yo'qmi   aytilmagan
(dom.   2020:   8).   Amaldagi   eng   yaxshi   model   bo'lganligi   uchun   ushbu   maqola
mualliflari uning qanday ishlashi haqida juda noaniq tavsif berishdi, qolganlari asl
ijodkorning   tavsifidan.   Vgg16   ning   asosiy   qurilish   bloklari   bir-birining   ustiga
qo'yilgan   oddiy   3x3   konvolyutsion   qatlamlardir.   Yaratuvchilar   kichik   yadro
hajmini   (3x3)   1  qadam   bilan   ishlatish   katta   yadrolardan   foydalanishga   qaraganda
samaraliroq   deb   hisoblashgan.   Modelning   umumiy   qatlamlari   22.   13   qaysi
16 konvolyutsion   bor,   5   max   pooling,   3   to'liq   ulangan   va   1   softmax   (Simonyan   va
boshq. 
ResNet50-bu   model   ham   tanlovning   oldingi   g'olibi,   ammo   2015   yilda.
Ushbu   modelning   umumiy   qatlamlari   hayratlanarli   50.   ResNet50   "ulanishlarni
o'tkazib   yuborish"   deb   nomlangan   narsadan   foydalanadi   va   ba'zi   konvolyutsion
qatlamlarni   "o'tkazib   yuborishga"   imkon   beradi.   Bu   model   keyin   oladi   va   vgg
qatlamli   bloklari   kengaytirmoqda.   ResNet50   o'n   oltita   blokdan   iborat   bo'lib,
ularning   har   biri   uchta   qatlamni   o'z   ichiga   oladi,   boshida   bitta   qatlam   va   oxirida
bitta   qatlam   bo'lib,   jami   ellik   qatlamni   tashkil   qiladi.   Ushbu   qatlamlar   orasida
model o'tkazib yuborishga imkon beradi, bu esa ko'p qatlamli modellarni ma'lumot
oqimini   bir   qatlamdan   keyingi   qatlamga   yo'naltirish   uchun   o'rgatish   imkonini
beradi.   Bu   mashg'ulot   vaqtini   sezilarli   darajada   qisqartirishni   va   tasvirni   tahlil
qilishda aniqlikni yaxshilashni ta'minlaydi.
InceptionV3-ushbu   model   dastlab   GoogleLeNet   deb   nomlangan,   ammo
o'shandan   beri   uning   funktsiyalari   va   nomi   yangilangan.   Ushbu   modeldagi
qatlamlar jami 42 ta.   Modelda turli xil o'lchamdagi xususiyatlarni olish uchun
turli   xil   filtr   o'lchamidagi   parallel   konvolyutsion   qatlamlardan   foydalanadigan
boshlang'ich   modullari   mavjud.   Model   shuningdek,   samaradorlik   uchun
faktorizatsiyalangan konvolyutsiyalar, partiyani normallashtirish va global o'rtacha
to'plashdan   foydalanadi.   InceptionV3   trening   davomida   oraliq   nazorat   uchun
yordamchi   tasniflagichlarni   o'z   ichiga   oladi.   Oldindan   o'qitilgan   og'irliklar   aniq
vazifalar bo'yicha transferni o'rganish uchun ishlatiladi (dom Rakkuez-Rodrigo va
boshq.   2020:   9).   Densenet   201-bu   jami   201   qatlam   bilan   ishlatilgan   eng   katta
model   edi.   Ushbu   arxitekturadagi   har   bir   qatlam   xususiyat   xaritasini   oldingi
qatlamdan kirish sifatida oladi. Ushbu usul ishlatilgan boshqa CNN-larga nisbatan
tasvirlardagi   xususiyatlarning   xilma-xilligini   aniqlashga   imkon   beradi.   Densenet
201   bir   nechta   zich   bloklarga   tashkil   etilgan   (nomidan   ko'rinib   turibdiki),   o'tish
bloklari,   va   yakuniy   tasnifi   qatlam.   Zich   bloklar   soni   va   ularning   o'lchamlari
qatlamlarning   umumiy   soniga   yordam   beradi.   Bloklarning   umumiy   soni   atigi
17 to'rttani   tashkil   etadi,   ammo   bu   to'rtta   blokda   ko'p   sonli   qatlamlar   mavjud   (dom
Rakkuez - Rodrigo va boshq. 2020: 9). 
Quyidagi   natijalar   har   bir   model   uchun   aniqlik   va   yo'qotishdir.   Aniqlik
raqami   1   ga   qanchalik   yaqin   bo'lsa,   model   uni   identifikatsiyalashda   shunchalik
muvaffaqiyatli bo'lgan. Yaqin zarar soni 1, yomon model bashorat haqiqiy qiymati
edi.   Biroq,   yo'qotish   sifatida   0   ga   nisbatan   bashoratning   aniqligi   birdan   yuqori
bo'lishi   mumkin,   model   hali   ham   uning   yo'qolishi   yuqori   bo'lsa   ham,   biroz   aniq
bashorat qilishi mumkin.
Yuqorida aytib o'tilganidek, vgg16 aniqlik va yo'qotish haqida gap ketganda
ham   eng   yaxshi   ijrochi   edi.   VGG16   uchun   eng   yaqin   model   Jason1   edi.   Xuddi
mualliflar   suyak   belgilarini   aniqlashda   yuqori   aniqlikka   nafaqat   murakkab
arxitektura,   balki   oddiy   arxitektura   bilan   ham   erishish   mumkinligini   sinab
ko'rmoqchi edilar. Jason1  muvaffaqiyati ular isbotlash uchun so'radim faqat nima
ko'rsatadi   (dom   Rakkuez - Rodrigo   va   boshq.   2020:   2).   Jason1   va   VGG16   uchun
past   yo'qotish   qiymati   individual   belgilarni   tasniflash   ehtimoli   yuqori.   Shu   bilan
birga, 
Alexnet   va   InceptionV3   uchun   yo'qotish   ularning   past   aniqligi   bilan   birga
ularni   suyak   belgilarini   aniqlashda   foydalanishga   yaroqsiz   holga   keltiradi.   Ikkala
tadqiqotning xulosasi , birinchi tadqiqot sifatida, ularni o'rganish uchun atigi 79 ta
rasm   ishlatilgan   va   bu   tasvirlarda   tish   izlari   bo'lmagan,   ular   91%   aniqlikka
erishgan,   hech   qanday   yo'qotishsiz.   ushbu   yuqori   aniqlik   kichikning   natijasi   edi
rasmlar   soni   va   ozgina   o'zgarishi   bilan.   Biroq,   keyingi   tadqiqotda   ular
identifikatsiya qilish jarayoni uchun jami 197 ta rasmdan foydalanishdi va o'qitish
uchun   ishlatiladigan   460   ta   rasmdan   foydalanishdi   (dom.   2020:   7-8).   Buning
natijasida mashg'ulot hajmi ham, namuna hajmi ham boshqa tadqiqotga qaraganda
ancha   katta   bo'ldi,   xato   uchun   ko'proq   xona   berish.   Tish   belgilarining   qo'shilishi
CNN   modellariga   tahlil   qilingan   rasmlarni   saralash   uchun   yana   bir   butun   toifani
berdi.   Ushbu   tadqiqotga   yana   bir   qo'shimcha   bu   oyoq   osti   belgilarini   yasashda
shag'aldan   foydalanish,   suyaklarda   ilgari   faqat   qumdan   yasalganidan   ancha   katta
belgilarga   yo'l   berish.   16   92%   yuqori   aniqligi   bilan   har   xil   turdagi   belgilarning
18 ko'plab   namunalarida   va   bunday   katta   sinov   to'plamida   ilgari   hech   qachon
erishilmagan narsadir. Asl savolimga qaytsak - sun'iy intellekt naqshni aniqlashda
va   suyaklardagi   belgilarni   aniqlashda   yordam   bera   oladimi?   Arxeologiya   va
tafonomiyada tasvirni aniqlash dasturi shaklida sun'iy intellektni ishlab chiqish va
amalga   oshirish   allaqachon   teng   va   ko'pincha   inson   mutaxassislaridan   ustun
ekanligini   ko'rsatdi.   Ishonch   bilan   aytish   mumkinki,   sun'iy   intellekt   bu   turdagi
tadqiqotlar   uchun   evolyutsiyaning   navbatdagi   bosqichidir   va   biz   uning   to'liq
imkoniyatlarini hali ko'rmaganmiz.
19 II.BOB. SUN'IY INTELLEKTDAN FOYDALANISH ORQALI YANGI
ARXEOLOGIK JOYLARNING KASHF ETILISHI
2.1. Yangi arxeologik joylarni topish uchun tasvirni aniqlashdan foydalanish-
birinchi tadqiqot
So'nggi   o'n   yillikda   tadqiqotchilar   suyak   belgilarini   tasniflashda   sun'iy
intellekt   va   tasvirni   aniqlashni   o'rganmoqdalar.   Shu   bilan   birga,   tasvirni   aniqlash
dasturi va yangi, ilgari ko'rilmagan arxeologik joylarni topish va aniqlashga urinish
bo'yicha   boshqa   tadqiqotlar   ham   bo'lgan.   Arxeologik   maydonda   Xovard   Karter
davridan   beri   katta   o'zgarishlar   yuz   berdi.   Xazina   topish   umidida   o'rmonlar   va
cho'llar   bo'ylab   mashaqqatli   qo'lda   qidirish   va   qazishdan   tortib,   kompyutergacha,
yerni   yangi   va   qiziqarli   kashfiyotlar   uchun   skanerlash.   Ushbu   inqilobiy
yondashuvning   negizida   sun'iy   intellektdan   foydalanish   yotadi.   Arxeologlar   endi
qiziqish   uyg'otadigan   yangi   arxeologik   joylarni   qidirish   va   topish   uchun
kompyuterlar,   sun'iy   yo'ldoshlar   va   sun'iy   intellekt   tasvirini   aniqlash   dasturidan
foydalanishlari   mumkin.   Sun'iy   intellekt   stolga   olib   keladigan   tezlik   va
samaradorlik   arxeologlar   o'z   ishlarini   bajarish   tezligini   sezilarli   darajada   oshirdi.
Tezisning   ushbu   qismida   men   sun'iy   intellekt   arxeologlarga   yangi   kashfiyotlarni
qidirishda   qanday   yordam   berishi   mumkinligini   o'rganaman   va   muhokama
qilaman.   Maqsad   turli   xil   kompilyatsiya   qilish   va   tasvirni   aniqlash   dasturidagi
ahamiyatini va uning barcha afzalliklarini to'liq tushunishdir. 
So'nggi o'n yil ichida arxeologlar o'z ishlarini rivojlantirishga yordam berish
uchun   kompyuterga   asoslangan   tasvirni   aniqlash   dasturlarini   ko'rib   chiqishni
boshladilar.   Ba'zi   arxeologlar   yoqadi   dom   Rakkuez - Rodrigo   va   Byeon   suyak
belgilarini   aniqlash   uchun   tasvirni   aniqlash   dasturidan   foydalangan.   Biroq,   yangi
va kashf qilinmagan arxeologik joylarni topish uchun sun'iy yo'ldosh tasvirlaridan
foydalanadigan   boshqalar   ham   bor   (Orengo   va   boshq.   2020;   Sharofiy   va   boshq.
2016;  Soroush  va boshq.  2020). Qunat  milini  avtomatlashtirilgan  aniqlash  Ushbu
maqolada Mehrnoush Soroush va uning jamoasi  CNN  asosidagi  chuqur o'rganish
modelidan   foydalangan   holda,   ular   ushbu   modelga   2D   FCN   (Soroush   va   boshq.
2020:   8).   Model   sovuq   urush   davri   bilan   birgalikda   ishlatilgan   Korona   aniqlash
20 uchun sun'iy yo'ldosh tasvirlari qanat vallar Iroq.   Muallif,   shuningdek,   ushbu
jamoa   tarixiy   sun'iy   yo'ldosh   tasvirlarida   avtomatlashtirilgan   texnikadan   birinchi
bo'lib   foydalanganligini   ta'kidlaydi   (Soroush   va   boshq.   2020:   8).   Shuningdek,
kosmik va havoda tug'ilgan tasvirlar hajmi tobora ortib borayotgani  qayd etilgan.
Bu dala uchun katta imkoniyatlarga ega va arxeologlar eski  va yangi tasvirlardan
osongina   foydalanishlari   va   taqqoslashlari   mumkin.   Haqiqat,   biroq,   bu   bo'lishi
mumkin bo'lgan narsadan ancha farq qiladi.  
Arxeologlar   uchun   mavjud   bo'lgan   bu   katta   miqdordagi   tasvirlar   ko'pincha
an'anaviy   usullar   bilan,   masalan,   qo'lda   vizual   tekshirish   va   potentsial   qiziqish
nuqtalarini   belgilash   bilan   shug'ullanadi.   Tadqiqotchilar   mavjud   tasvirlarning
tobora   ortib   borayotgan   miqdorini   boshqara   olmaydilar   va   hali   ham   an'anaviy
usullarga tayanadilar. Ular o'zlarining shaxsiy tajribalari natijasida faqat o'zlarining
vizual   va   sub'ektiv   hukmlariga   tayanganliklari   sababli   muhim   ma'lumotlarni
yo'qotish xavfi bor. Buni hal qilishning eng yaxshi usuli bu tasvirdagi arxeologik
joylarni qidirishda jarayonning qismlarini avtomatlashtirishdir (Soroush va boshq.
2020:   8-9).   Ushbu   maqola   mualliflari   arxeologiyada   tasvirni   aniqlash   dasturining
oldingi   urinishlarida   muvaffaqiyat   darajasi   past   bo'lganligini   va   sun'iy   intellektga
shubha tug'dirganligini ta'kidlamoqda. Biroq, bu byeon va uning jamoasi (Byeon)
tomonidan o'tkazilgan suyak belgisi tajribasi natijalariga ziddir et.al 2019), bu ham
mavzu   bo'yicha   keyingi   tadqiqotlarga   yo'l   ochdi.   Buni   mualliflar   bir   xil   turdagi
arxeologiya bilan ishlamasliklari sababli o'tkazib yuborgan narsa sifatida e'tiborsiz
qoldirish   mumkin.   Naqshni   tanib   olishning   endi   pasayib   ketgan   mashinani
o'rganish   usuli   arxeologlar   uchun   foydalanish   qulayligini   keskin   oshirdi.
Konvolyutsion   neyron   tarmoqlar   endi   ishonchli   va   ular   tadqiqot   vaqtini   keskin
qisqartirishi   mumkin   (Soroush   va   boshq.   2020:   2   qanat   ko'pincha   gorizontal
tunnellardan   va   bir   qator   vertikal   qanat   vallaridan   tashkil   topgan   er   osti   suv
ta'minoti analidir. Qanat er ostidan suv to'playdi va uni manbadan o'nlab metrdan
yuzlab   kilometr   uzoqlikda   bo'lishi   mumkin   bo'lgan   kerakli   joyga   olib   boradi.
Tadqiqotchilar   hali   ham   ushbu   texnologiyaning   kelib   chiqishi   haqida
bahslashmoqdalar. Milodiy ikkinchi ming yillikning birinchi asrlariga kelib, Afrika
21 va   Osiyoning   ko'plab   hududlarida   suv   ta'minoti   sifatida   qanat   texnologiyasining
variantlaridan foydalanilganligi aniq bo'lsa-da (Soroush va boshq. 2020: 3). 
Qanat Miller va tunnel misol (Soroush va boshq. 2020: 3).
Qanat tizimini to'g'ri xaritalash uchun barcha alohida vallarni hujjatlashtirish
kerak.   iroq,   qanat   vallarini   xaritalashda   kichikroq   tizimlarda   buni   qilish   osonroq.
Bir   necha   kilometrga   cho'zilgan   kattaroqlarini   xaritalashda   kanalning   manbaidan
chiqish   yo'lini   ifodalovchi   chiziq   bo'lishi   odatiy   holdir.   Katta   kanallar   mil   ochko
xaritalash qachon murakkabligi rasmda yo'qoladi.  
Qanat   vallari   yaxshi   saqlangan   bo'lsa,   ularni   aniqlash   juda   oson.   Dastlab
vallar   Donut   shaklida   bo'lgan,   chunki   ular   asl   qazishdan   atrofida   halqada   yotgan
axloqsizlikka ega edi. Vaqt o'tishi bilan va saqlanmaganligi va/yoki ishlatilmasligi
natijasida   ular   Donut   shaklini   yo'qotdilar,   ammo   ko'rinadigan   bo'lsa,   ular   biroz
dumaloq shaklda qoladilar. Bu Miller ham tez-tez bir chiziq topilgan, agar tez-tez
uchraydigan ko'rmayapman narsa (Soroush boshq. 2020: 4).
Tadqiqot   ushbu   tadqiqotni   o'tkazishda   ularning   ikkita   maqsadi   bor   edi.
Birinchi   maqsad   arxeologik   xususiyatlarni   nisbatan   bir   xil   imzolar   bilan
avtomatlashtirilgan aniqlash uchun chuqur o'rganishdan foydalanish mumkinligini
tekshirish   va   ko'rish   edi,   bu   holda   qanat   vallari.   Ularning   ikkinchi   maqsadi
ommaviy   tarixiy   tasvirlarda   chuqur   o'rganish   modellarining   ishlashini   baholash
edi. Bu holda CORONA sun'iy yo'ldoshi 1,8 fazoviy o'lchamlari bilan panromatik
tasvirlarni   beradi   (Soroush   va   boshq.   2020:   4).   CORONA   sun'iy   yo'ldoshidan
foydalanishni   tanlash,   shuningdek,   ushbu   va   kelajakdagi   tadqiqotlar   uchun
22 xarajatlarni   kamaytirishning   bir   usuli   edi,   chunki   u   jamoatchilikka   bepul   taqdim
etiladi. Bu, shuningdek, uning kamchiliklari va ijobiy tomonlariga ega, chunki siz
eng  so'nggi   fotosuratlar   bilan   emas,   balki   eski   tarixiy   fotosuratlar   bilan   ishlaysiz.
Biroq,bu yaxshi narsa bo'lishi mumkin, chunki bu holda Iroq kabi rivojlanayotgan
mamlakatlarning   yangi   fotosuratlari   Tkoa'dpqiniqcohtaI   rroivqodjlaa,nish
loyihalari   tufayli   o'zgaruvchan   landshaftlarga   ega   (Soroush   va   boshq.   2020:   5).
Kurdiston   viloyatining   Erbil   gubernatorligi   markazida   3200   km2   bo'lgan   "Erbil
samolyoti   arxeologik   tadqiqotlari"   guruhi   bilan   qoplangan   hududda   o'tkazildi.
Mahalliy   sifatida   qanat   sifatida   tanilgan   karez   va   bu   mintaqada   juda   ko'p
ishlatilgan.  
Geograf   Deyl   Lightfoot   ilgari   tarixiy   xaritalar   va   dala   kuzatuvidan
foydalangan   holda   ushbu   sohada   683   ta   qanat   tizimiga   ega   edi,   u   hech   qanday
zamonaviy kompyuter dasturlariga kirish imkoniga ega emas edi, shuning uchun u
bularning barchasini qo'lda qildi (Soroush va boshq. 2020: 5). EPAS 2018 yildan
beri   qanatlarni   tergov   qilmoqda   va   xaritalashtirmoqda,   ammo   Korona   sun'iy
yo'ldoshida   ko'rinadiganlarning   atigi   5-   10%   ushbu   hududdagi   rivojlanish   tufayli
zamonaviy   fotosuratlar   bilan   hujjatlashtirilgan.   CORONA   sun'iy   yo'ldoshidan
olingan tasvirlar 1960-1978 yillarda sotib olingan, bu tasvirlar ushbu mintaqaning
rivojlanishi   boshlanishidan   oldin   hududni   batafsil   bayon   qiladi   va   landshaftni
abadiy   o'zgartiradi   .   Ushbu   tadqiqotga   tayyorgarlik   ko'rish   uchun   ular   CORONA
tasvirlari kombinatsiyasidan foydalangan holda turli xil vallarni hujjatlashtiradigan
va   GIS   ma'lumotlar   bazasida   12   000   vallarni   qo'lda   belgilaydigan   xaritani
yaratdilar (Soroush va boshq. 2020: 6).  
23 2.2. Sun'iy intellekt va uning arxeologiyadagi muammolari
Ishlatilgan materiallar va usullar 
ushbu   tadqiqotda   o'qitish   uchun   ishlatiladigan   tasvirlar   1995   yilda   Corona
dasturida   olingan   AQSh   razvedkasi   tasvirlaridan   kelib   chiqqan   holda
maxfiylashtirilgan   tasvirlardan   olingan.   CORONA   dasturi   AQShda   joylashgan
razvedka dasturi bo'lib, sovuq urush davrida 1960-1972 yillarda Sovet raketa kuchi
haqida   ma'lumot   to'plash   uchun   mo'ljallangan.   Ushbu   tasvirlar   arxeologlar
tomonidan 1998 yildan beri yaqin Sharq mintaqasida ishlayotganda , u erda sodir
bo'layotgan   jadal   rivojlanish   tufayli   ishlatilgan.   Korona   tasvirlarining   fazoviy
o'lchamlari   ham   maqbul   diapazonda   bo'lib,   arxeologik   xususiyatlarni   aniqlashni
osonlashtirdi (Soroush va boshq. 2020: 7). Ishlatilgan KH-4b tasvirlari USGS veb-
saytidan   yuklab   olingan.   U   1,8   m   fazoviy   o'lchamga   ega   va   1968   yil   qishda
olingan. 
Konvolyutsion   neyron   tarmoq   ushbu   tadqiqotda   ishlatiladigan   CNN   qanat
xususiyati segmentatsiyasi uchun ikkilik tasniflash modelidan foydalangan. Ikkilik
tasniflash juda  oddiy, chunki  uning vazifasi  ob'ektlarni  haqiqiy yoki  noto'g'ri  deb
tasniflashdir (Kumari & Srivastava 2017:1). Yoki bu qanat yoki yo'q. 
Qanat xususiyati segmentatsiyasi shuni anglatadiki, maqsad tasvirni ma'lum
mezonlarga   asoslanib   alohida   qismlarga   ajratishdir,   masalan   qanat   bu   holda.   Bu
shuni anglatadiki, CNN tadqiqotchilar uchun qanatlarning shaklini yanada aniqroq
aniqlaydi   va   ko'rsatadi.   Ishlatilgan   CNN   arxitekturasi   boshqa   modeldan
ilhomlangan   2D   u-Net   chunki   uning   ba'zi   xususiyatlaridan   foydalanadi.   Ular
foydalangan   model   (2D   FCN)   ikki   kishilik   guruhlarda   22   ta   konvolyutsion
qatlamdan   iborat   bo'lib,   konvolyutsiyaning   birinchi   guruhlari   orasidagi   5   ta
maksimal   qatlam   va   oxirgi   guruhlar   orasidagi   5   ta   namuna   olish   qatlamlaridan
iborat. Model shuningdek yorliqli ulanishlar bilan jihozlangan, shunda har qanday
zarur bo'lsa qazib axborot keyinchalik konvolyutsion qatlami o'tish mumkin.
24 Ushbu modelning turli qatlamlari va ulanishlari bilan illyustratsiyasi 
Sinovni   o'tkazishda   model   zichligi   kamroq   bo'lganlarga   qaraganda   zichroq
qanat vallarini o'z ichiga olgan rasmlarning yamoqlarida yaxshiroq ishladi.  
Qanat vallarining eng zich va eng ko'p soniga ega bo'lgan beshta rasm uchun
model o'rtacha 0,654 (65,4%) aniqlikka ega edi. Boshqa oltita rasmda kamroq zich
va kam  sonli  vallar  o'rtacha aniqlik 0,34 (34%)  edi. Oltita rasmda qanat  vallarini
aniqlashning past aniqligi erdagi vallar deb tan olinadigan notekis xususiyatlarning
mavjudligiga bog'liq edi.   Miller   deb   tan   olingan   bu   noto'g'ri   pozitivlar   umumiy
aniqlikni pasaytirdi.  
Zichroq   va   ko'proq   vallarga   ega   bo'lgan   beshta   tasvir   ham   noto'g'ri
pozitivlarga ega bo'ldi. Biroq, mualliflar tasvirdagi model aniqligi va etiketlangan
xususiyatlar o'rtasida o'zaro bog'liqlik bor deb o'ylashadi. Ko'proq etiketli vallarga
ega bo'lganlar pastroq edi soxta aniqlashlar va aksincha (Soroush va boshq. 2020:
11). Sinov uchun ishlatiladigan o'n bitta rasmdan eng yuqori aniqlikka ega bo'lgan
rasm 11/11 patch edi. Aniqlangan xususiyatlar soni 1178 aniqligi bilan jami 0,764
edi 
25 XULOSA
Amaldagi   usullar   va   ularning   sinovlari   modeli   ikki   bosqichli   tadqiqotdan
iborat   edi.   Birinchi   bosqich   ArcGIS   yordamida   Xurramobod   tekisligidagi   43   xil
arxeologik   joylarning   ekologik   omillarini   to'plash   edi.   Ikkinchi   qadam   bashoratli
bir   sinfli   tasniflash   modelini   yaratish   uchun   birinchi   bosqichdan   to'plangan
natijalardan   foydalanish   edi.   43   ta   saytdan   olingan   ma'lumotlarga   balandlik,
qiyalik,   yog'ingarchilik,   daryogacha   bo'lgan   masofa,   kirish   yo'llarigacha   bo'lgan
masofa   (qadimiy   yo'llar)   va   suv   resurslari   kiritilgan.   Keyinchalik   bu   turli   xil
omillar ArcGIS yordamida raster qatlamlarga aylantirildi (Sharafi va boshq. 2016:
4). "Raster qatlami bir yoki bir nechta raster bantlardan iborat — bitta tarmoqli va
ko'p   tarmoqli   rasterlar   deb   ataladi.   Bitta   tasma   qiymatlar   matritsasini   ifodalaydi.
Rangli   tasvir   (masalan   ,   aerofotosurat)   qizil,   ko'k   va   yashil   tasmalardan   iborat
rastrdir" (QGIS). Boshqacha qilib aytganda, ma'lumotlar turli masofalar va joylarni
aks   ettiruvchi   rasmlarga   aylantirildi.Yog'ingarchilikdan   tashqari   barcha   misollar
topografiya   xaritalari   yordamida   yaratilgan.   Yog'ingarchilik   sinoptik   va
iqlimshunoslik   stantsiyalari   ma'lumotlari   yordamida   hosil   bo'lgan.   Har   bir
ma'lumot nuqtasi uchun qiymatlar o'lchov birligining modelni o'rganish jarayoniga
ta'sirini   kamaytirish  uchun  min-max  normallashtirishdan   foydalanish  uchun  excel
hujjatiga eksport qilindi. 
Min-max   normallashtirish   ko'pincha   ma'lumotlar   qiymatlarini   belgilangan
diapazonga,  odatda   0  dan  1  gacha  tushishi  uchun  o'lchash  uchun  ishlatiladi.   Ular
bor ma'lumotlar faqat edi beri 43 arxeologik saytlar, ular sun'iy boshqa yaratilgan
43   saytlar,   lekin   arxeologik   borligi   holda.   Bu   modelni   tayyorlashni   yanada
muvaffaqiyatli qilish uchun qilingan.   86   ta   arxeologik   va   arxeologik   bo'lmagan
namunalarni o'z ichiga olgan ma'lumotlar to'plami yaratilgan va bashorat qiluvchi
modelni o'rgatish, tasdiqlash va sinash uchun ishlatilgan . Amaldagi usul Soroush
va   uning   jamoasi   tomonidan   qo'llanilgan   usulga   o'xshaydi   (Soroush   va   boshq.
2020:   10).   Ammo   bu   usul   mashg'ulotlarni   o'nta   guruhga   ajratadi,   to'qqiztasi
mashg'ulot   uchun   va   bittasi   tasdiqlash   uchun.   Bu   o'n   marta   takrorlanadi,   shunda
har   bir   guruh   ham   mashg'ulot,   ham   baholash   sifatida   ishlatilishi   mumkin.
26 Protseduraning   "ichki"   qismi   shuni   anglatadiki,   ular   mashg'ulotlar   to'plamini   uch
qismga bo'lishadi va ularni bir-biriga qarshi o'rgatishadi.
Men   bu   kurs   ishimni   yozish   mobaynida,   suniy   intelektning   tarixi,
rivojlanishi, taraqqiyoti, insonlar hayotidagi ahamiyati va foydali jihatlarini hamda
ekspert   tizimlarning   afzalliklari,   xususiyatlari   haqida   juda   ko‘p   qo‘shimcha
ma‘lumotlarga ega bo‘ldim.  
27 FOYDALANILGAN ADABIYOTLAR
1. Cybenko,   G.   1989.   Approximation   by   superpositions   of   a   sigmoidal
function Mathematics of Control, Signals, and Systems, 2(4), 303–314.
2. Linnainmaa,   Seppo   (1970).   The   representation   of   the   cumulative
rounding error of an algorithm as a Taylor expansion of the local rounding errors
(Masters) (in Finnish). University of Helsinki. pp. 6–7.
3. Kelley,   Henry   J.   (1960).   "Gradient   theory   of   optimal   flight   paths".
ARS Journal. 30 (10): 947–954. doi:10.2514/8.5282.
4. Rosenblatt,   Frank.   x.   Principles   of   Neurodynamics:   Perceptrons   and
the Theory of Brain Mechanisms. Spartan Books, Washington DC, 1961
5. Werbos,   Paul   (1982).   "Applications   of   advances   in   nonlinear
sensitivity analysis" (PDF). System modeling and optimization. Springer. pp. 762–
770. Archived (PDF) from the original on 14 April 2016. Retrieved 2 July 2017.
6. Rumelhart,   David   E.,   Geoffrey   E.   Hinton,   and   R.   J.   Williams.
"Learning   Internal   Representations   by   Error   Propagation".   David   E.   Rumelhart,
James   L.   McClelland,   and   the   PDP   research   group.   (editors),   Parallel   distributed
processing:   Explorations   in   the   microstructure   of   cognition,   Volume   1:
Foundation. MIT Press, 1986.
7. Hastie,   Trevor.   Tibshirani,   Robert.   Friedman,   Jerome.   The   Elements
of   Statistical   Learning:   Data   Mining,   Inference,   and   Prediction.   Springer,   New
York, NY, 2009.
8. Rosenblatt, Frank (1958). "The Perceptron: A Probabilistic Model For
Information   Storage   And   Organization   in   the   Brain".   Psychological   Review.   65
(6):   386–408.   CiteSeerX   10.1.1.588.3775.   doi:10.1037/h0042519.   PMID
13602029. S2CID 12781225.
9. Rosenblatt, Frank (1962). Principles of Neurodynamics. Spartan, New
York.
10. Schmidhuber, Juergen (2022). "Annotated History of Modern AI and
Deep Learning". arXiv:2212.11279 [cs.NE].
28 11. Kolsov   Y.V.,   Dobrovolskaya   N.Y.,   Podkolzin   V.V.   Metamodel
kompyuternoy sistemi obucheniY. //Sovremenniye problemi shkolnoy i vuzovskoy
pedagogiki. Krasnodar, KubGU, 1998.
12.   Rudkovskaya   D.,   Pilinskiy   M.,   Rudkovskiy   L.   Neyronniye   seti,
geneticheskiye algoritmi i nechetkiye sistemi: Per. s polsk. I.D. Rudinskogo. – M.:
Goryachaya liniY. – Telekom, 2006. – 452 s.
13. A.I.Ashirova.   Elektron   darslikning   nazorat   tizimi   uchun   test
tayyorlovchi   dasturiy   qobiq   yaratish   //   Fizika,   matematika   va   informatika.   –
Toshkent, 2008. –№ 6. – B.88-91
14. Ashirova   A.I.,   Yusupov   D.   Kompyuter   texnologiyalari   о‘qitishning
shakl   va   metodlari   sifatida   //   “Axborot-kommunikatsiya   texnologiyalari”   ilmiy-
texnik konferensiya ma’ruzalari tо‘plami. – Toshkent, TATU, 2008. –B.103.
15. Юсупов   Д.Ф.   Компьютерное   обучение   предмета   строительных
материалов   на   основе   нейросетевых   технологии//Вестник   Киргизского
ГУСТА. – Бишкек, 2013. – №3(41). – С. 49-53.
16. Razzakov .   B .   “ Informatika   va   AT ”   fanini   “ Algoritmlash   asoslari   va
dasturlashtirish ”   b о‘ limini   о‘ qitishda   mantiqiy - sxemadan   foydalanish   metodikasi ”
Informatika   va   axborot   texnologiyalari   fanidan   о‘ quv - uslubiy   q о‘ llanma .   –
Urganch ,  UrDU , 2011. – 84  B .
17. Razzakov .   B .,   Yusupov   D , F   Talabaning   mustaqil   bilim   olish
jarayonini   fanning   grafsemantik   modeli   asosida   faollashtirish   ( informatika   fani
misolida ).   Arxitektura   va   qurilish   ta ’ limi   muammolari .   I   ilmiy - uslubiy   seminar
t о‘ plami .-  Toshkent, TAQI, 2011 28-aprel. 90-95 B.
18. Yusupov   D.F.   Kompyuternaya   texnologiya   obucheniya   i
operejayushaya   podgotovka   studentov   i   prepodavateley   na   osnove   logicheskoy
graf-   semanticheskoy   modeli   dissiplini/   «fan,   ta’lim   va   ishlab   chiqarish
integratsiyasini   axborot   kommunikatsiya   texnologiyalari   asosida   rivojlantirish
muammolari» respublika ilmiy-amaliy anjuman materiallari. TATU Qarshi  filiali,
2012 yil 14-15 mart.
29

ARXEOLOGIYA SOHASIDA SUN`IY INTELLEKTDAN FOYDALANISH USULLARI.docx

Купить
  • Похожие документы

  • Agros test
  • Strategik boshqaruvda kompyuter modellashtirish
  • O’zbekiston yosh rassomlari asarlarini sotishga qaratilgan platformani yaratish loyihasi
  • Android tizimli telefonlar uchun skaner ilovasini yaratish
  • Web 2.0 servislar orqali oʻquv jarayonini tashkil etish

Подтвердить покупку

Да Нет

© Copyright 2019-2026.

  • Инструкция по снятию с баланса
  • Контакты
  • Инструкция использования сайта
  • Инструкция загрузки документов
  • O'zbekcha