Chuqur o’rganish - Информатика и ИТ - Курсовые работы

Информация о документе

Цена	50000UZS
Размер	210.1KB
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

Chuqur o’rganish

Купить

MAVZU: CHUQUR O’RGANISH
MUNDARIJA:
KIRISH
I.BOB ASOSIY QISM
1.1. Deep Learning, Machine Learning va Artifical Intelligence
1.2. Deep Neyron tarmoq
1.3. Nima uchun chuqur o'rganish hozir muhim?
1.4. Faollashtirish funktsiyasi nima?
XULOSA
FOYDALANILGAN ADABIYOTLAR.

KIRISH
O’tgan asrning 60-yillardan beri, yani elektron hisoblash mashinalarini
yuzaga kelishi va turli sohalarga tadbiqi rivojlanish davridan Axborot-
kommunikatsiya texnologiyalari (AKT) oddiy fayllarni qayta ishlash tizimlaridan
murakkab, kuchli berilganlar bazasini (BB) boshqarish tizimlariga bosqichma-
bosqich rivojlandi. 1970-yillardan beri berilganlar bazasini o'rganish dastlabki
ierarxik va tarmoqli berilganlar bazalaridan relyatsion berilganlar bazasini
boshqarish tizimlariga (BBBT), berilganlarni modellashtirish vositalariga,
indekslash va berilganlarni tashkil qilish masalalariga o'tdi. Foydalanuvchilar
so'rovlar tillari (masalan, SQL), foydalanuvchi interfeyslari, tranzaktsiyalarni
boshqarish va boshqalar yordamida berilganlarga murojaat qilishning
moslashuvchan va qulay interfeysga ega bo'lishdi. Bunday tizimlarga qo'yiladigan
asosiy talablar tranzaksiya va barcha o'zgarishlarning samaradorligini ta'minlash
edi.
1980-yillarning o rtalaridan boshlab berilganlar bazasi texnologiyasiʻ
ommalashtirish, keng qo llash va yangi, tobora kuchayib borayotgan BBBTlarda
ʻ
tadqiqot ishlarini jamlash bilan tavsiflanadi. Ob'ektga yo'naltirilgan, ob'ektli
relatsion, deduktiv modellar kabi yangi berilganlar modellari paydo bo'ldi.
Har xil mavzuga yo'naltirilgan berilganlar bazalari va berilganlar bazalari
(fazoviy, vaqtinchalik, multimedia, ilmiy va boshqalar) mavjud edi. Onlayn
tranzaksiyani qayta ishlashning samarali usullari (on-line transaction processing –
OLTP) katta hajmdagi tizimli ma'lumotlarni samarali saqlash, qidirish va
boshqarishning asosiy universal vositalaridan biri sifatida relyatsion
texnologiyaning rivojlanishi va keng qo'llanilishiga katta hissa qo'shdi.
Internetning rivojlanishi bilan taqsimlangan berilganlar bazalarini yaratish
va taqsimlangan global axborot tizimlarini yaratish masalalari ham rivojlandi. Turli
berilganlarni shakllantirish va arxivlash zarurati keskin oshdi, natijada
mashtablanuvchi dasturiy-apparat majmualar, qimmatbaho kuchli va arzon
foydalanuvchi kompyuterlari va berilganlarni saqlash qurilmalari rivojlandi.
3

Bularning barchasi AKT sanoatining jadal rivojlanishiga hissa qo'shdi va
sezilarli katta hajmdagi turli toifadagi ma’lumotlarni saqlash uchun ulkan sondagi
berilganlarga murojaat qilish va ulardagi tranzaktsiyalarni boshqarish imkoniyatini
berdi.
Shu bilan birga, mavjud berilganlarni turli vaqtli aspektda tahlil qilish
zarurati ortib bordi, turli registratsiya qilingan BBgan olingan juda katta hajmdagi
berilganlarga ishlob berish sharti bilan yuzaga keluvchi turli so'rovlarni yaratish
zarurati paydo bo’ldi. Ushbu vazifalar uchun an'anaviy registratsiya qiluvchi
tizimlari va BBlaridan foydalanish juda qiyinchiliklarni yuzaga keltirdi.
Ushbu ehtiyojga javob BBlarini tashkil qilishning yangi texnologiyasining
paydo bo'lishi bo'ldi – berilganlarni dastlabki ishlov berish va integratsiyalashni,
shuningdek, onlayn tahliliy ishlov berish (English On-Line Analytical Processing,
OLAP) taqoza etuvchi berilganlar saqlagichi texnologiyasi (Data Warehouse)
yuzaga kelishiga sabab bo’ldi.
Berilganlarni tahlil qilish vositasining yaqqol foydaliligiga qaramay, u
yaxshi normallashgan jadval berilganlariga mo’ljallangan bo’lib, unda
klassifikatsiyalash, klasterlash, regression tahlil, modellashtirish bir qator
berilganlarga ma'lumotlarni tasniflash, modellashtirish, prognozlash va ko’p
o’chamli berilganlarni interpretatsiya qilish kabi bir qator qo'shimcha analitik
vositalardan foydalanish ko’zda tutilmagan.
To'plangan va to'ldiriladigan berilganlar arxivlarining tez o'sib borayotgan
hajmi (avtomatik ravishda, ilgari bo'lgani kabi odamlar tomonidan emas),
hanuzgacha insonning amaliy foydali ishlov berish qobiliyatidan sezilarli darajada
oshadi.
Shu sababli, so'nggi yillarda mavjud berilganlardan bilimlarni izlash va
ajratib olish usullarini ishlab chiqishga qaratilgan va ular asosida aniq, yuqori
darajada asoslangan, amaliy jihatdan foydali boshqaruv qarorlarni qabul qilish
imkon beruvchi Data Mining (berilganlarni intellectual tahlili) sohasi yuzaga keldi.
4

I.BOB ASOSIY QISM
1.1. Deep Learning, Machine Learning va Artifical Intelligence
Deep Learning - bu sun'iy intellekt sohasida mashinani o'rganish usuli.
Aniqlangan "mashinani o'rganish" algoritmida chuqur o'rganish, bo'g'inlar va
rasmni idrok etish qobiliyati bo'yicha ko'plab oldingilaridan ancha ustundir.
Chuqur o'rganish hozirda mashinani o'rganish va namunani tan olish jamiyatida
juda dinamik tekshiruv hududidir. Bu nutqni aniqlash, kompyuter ko'rish va tabiiy
tilni qayta ishlash va ko'plab sanoat ob'ektlari kabi keng qo'llash zonasida ulkan
g'alabalarni oshirdi. Neyron tarmog'I mashinani o'rganishni amalga oshirish yoki
aqlli mashinalarni loyihalash uchun ishlatiladi. Ushbu maqolada mashinani
o'rganishning barcha paradigmasi va chuqur mashinani o'rganishning dastur sohasi
va ilovalar bilan har xil turdagi neyron tarmoqlariga qisqacha kirish muhokama
qilinadi.
O'rganish - bu hodisalarni oqibatlar bilan bog'lash jarayoni. Shunday qilib,
asosan o'rganish sabab va ta'sir tamoyilini asoslash usulidir. Aqlli mashinani
loyihalash fani mashinani o'rganish deb ataladi va bunday aqlli mashinani
loyihalash uchun ishlatiladigan vosita neyron tarmoqlardir. Neyron tarmog'i
berilgan kirish uchun kerakli natijani beruvchi qora quti sifatida ko'rib chiqilishi
mumkin. Bunga trening deb ataladigan jarayon orqali erishiladi. Sayoz tuzilgan
o rganish arxitekturasidan foydalangan holda ko rib chiqiladigan ko pginaʻ ʻ ʻ
an anaviy o rganish usullaridan farqli o laroq, chuqur o rganish tasniflash uchun
ʼ ʻ ʻ ʻ
chuqur arxitekturadagi ierarxik tasvirlarni avtomatik ravishda o rganish uchun
ʻ
boshqariladigan va/yoki nazoratsiz strategiyalardan foydalanadigan mashinani
o rganish usullarini nazarda tutadi. Inson miyasining tabiiy signallarni qayta
ʻ
ishlash mexanizmlari bo'yicha biologik kuzatishlardan ilhomlangan chuqur
o'rganish so'nggi yillarda nutqni aniqlash, hamkorlikda filtrlash kabi ko'plab
tadqiqot sohalarida eng zamonaviy ishlashi tufayli akademik hamjamiyatning katta
e'tiborini tortdi. va kompyuter ko'rish. Kundalik ravishda katta hajmdagi
ma'lumotlarni to'playdigan va tahlil qiladigan Google, Apple va Facebook kabi
kompaniyalar chuqur o'rganish bilan bog'liq loyihalarni faol ravishda olg'a
5

surmoqda. Google Google tarjimoni uchun Internetdan olingan betartib
ma'lumotlarning katta bo'laklariga chuqur o'rganish algoritmlarini qo'llaydi.
6

1.2. Deep Neyron tarmoq
Chuqur o'rganish (Deep learning) ML texnikasi sinfiga tegishli bo'lib, bu
erda ierarxik arxitekturada ma'lumotlarni qayta ishlash bosqichlarining ko'p
qatlamlari nazoratsiz xususiyatlarni o'rganish va naqsh tasnifi uchun ishlatiladi. U
neyron tarmog'i, grafik modellashtirish, optimallashtirish, naqshni aniqlash va
signalni qayta ishlashning tadqiqot yo'nalishlari orasidagi kesishmalarda
joylashgan. Bugungi kunda chuqur o'rganish mashhurligining ikkita muhim sababi
- bu hisoblash texnikasining sezilarli darajada arzonlashgani va chiplarni qayta
ishlash qobiliyatining keskin ortishi (masalan, GPU birliklari). Turli xil
mashinalarni o'rganish paradigmasi bilan batafsil tanishishdan oldin bu erda
qisqacha tasniflash mavjud. Mashinani o'rganish paradigmasini tasniflash uchun
biz to'rtta asosiy atributdan foydalanamiz.
Deep Learning, Machine Learning , Artifical Intelligence
ARTIFICIAL INTELLIGENCE
AI - bu eng keng qamrovli atama bo'lib, kompyuterlarga mantiqdan, agar
shunday bo'lsa, qoidalardan, qarorlar daraxtlaridan va mashinani o'rganishdan (shu
jumladan chuqur o'rganish) foydalanib, inson aqlini taqlid qilishga imkon
beradigan har qanday texnikaga tegishli.
MACHINE LEARNING
Mashinalarga tajribaga ega bo'lgan vazifalarni yaxshilashga imkon
beradigan aniq statistik usullarni o'z ichiga olgan AIning kichik to'plami. Turkum
chuqur o'rganishni o'z ichiga oladi.
DEEP LEARNING
Mashinani o'rganishning kichik to'plami dasturiy ta'minotni ko'p qatlamli
neyron tarmoqlarni katta hajmdagi ma'lumotlarga ta'sir qilish orqali nutq va
tasvirni aniqlash kabi vazifalarni bajarishga o'rgatish imkonini beruvchi
algoritmlardan iborat.
Chuqur o'rganish katta hajmdagi ma'lumotlarni talab qiladi
Chuqur o'rganish katta hisoblash quvvatini talab qiladi
7

Yuqori unumdor GPUlar chuqur o'rganish uchun samarali parallel
arxitekturaga ega. Yaxshi o'qitilgan chuqur neyron tarmog'i ilgari imkonsiz deb
hisoblangan vazifalarni bajara oladi
Neyron nima?
X qiymatlari asl xususiyatlar yoki oldingi yashirin qatlamning kirishlari
uchun kiritilgan ma'lumotlarni anglatadi. Har bir qatlamda, shuningdek,
ma'lumotlarni yaxshiroq moslashtirishga yordam beradigan egilish b
mavjud.Neyron a qiymatini keyingi qatlamda ulangan barcha neyronlarga
o'tkazadi yoki uni yakuniy qiymat sifatida qaytaradi.
Neyron tarmoq shunchaki funktsiyadir .
Bu neyronlarning turli kombinatsiyalari, ularning ulanishlari va
neyronlarning faollashuv funktsiyalari bilan ifodalanadi. Umumjahon yaqinlashish
teoremasiga ko'ra, mavjud bo'lgan har qanday funktsiyani neyron tarmoq orqali
yaqinlashtirish mumkin.
8

1.3. Nima uchun chuqur o'rganish hozir muhim?
Chuqur o‘rganish obrazlarni anglash va mashinani o‘rganish sohasida
inqilob qildi. Bu neyron to‘rli amallar va bunday amallar natijalari o‘rtasidagi
mumkin bo‘lgan sabab-ta'sir munosabatlarining uzun zanjirlari bilan
moslashuvchan tizimda ishonch koeffitsientlarini belgilashdan iborat.
Chuqur o‘rganish inson miyasining tuzilishidan ilhomlangan sun'iy neyron
to‘rlarning ishlashi bilan bog‘liq. Inson miyasida taxminan 100 milliard kichik
protsessorlar (neyronlar) mavjud bo‘lib, ularning har biri o‘rtacha 10 000 ga yaqin
boshqa neyronlar bilan bog‘langan. Ulardan ba'zilari – kirish neyronlari boshqa
barcha neyronlarni berilganlar bilan ta’minlaydi - masalan, "kameralardan" vizual
ma'lumot, "mikrofonlardan" ovoz, og‘riq, ochlik signallari va boshqalar. Bunda
tashqari chiqish neyronlar mavjud bo‘lib, ular barmoqlardagi mushaklarini yoki
ovoz apparat harakatini nazorat qiladi. Aksariyat neyronlar o‘rtada yashiringan
bo‘lib, u erda axborotlarga ishlov berish sodir bo‘ladi.
Taxminlarga ko‘ra insonning miyamizdagi o‘rganish neyronlar ulanishlarini
kuchaytirish yoki zaiflashtirishga asoslangan. Har bir ulanishning vazni yoki
ulanish mustahkamligi bor, u bir neyron boshqasiga qanchalik ta'sir qilishini
anglatadi. Ushbu vaznlar neyronlarning bir-biriga qanchalik kuchli ta'sir qilishini
aniqlaydi. Bu bizning sun'iy neyron to‘riga o‘xshaydi, ular ilgari ma'lum bo‘lgan
nutq, qo‘l yozuvi va videoni tanib olish, jarimadan qochish va mukofotlarni
ko‘paytirishga harakat qilganda mustahkamlashni o‘rganishdagi xatolarni
minimallashtirishni o‘rganadi va mashinalarni yaxshiroq boshqaradi.
Bugungi kunda chuqur o‘rganish uchun millionlab ilovalar mavjud.
O‘rganish yoki ishonchlik koeffitsentlari tayinlash (hisoblash) maqsadi -
to‘rning kutilayotgan hatti-harakat namoyon qilishidir, masalan robotni
boshqarish. Bunga erishishi uchun, qo‘yilgan masala va neyronlarning o‘zaro
bog‘liqligiga qarab, ketma-ket hisob-kitoblarning uzoq zanjirlari talab qilinishi
mumkin va har bir bosqich keyingisiga berilganlarni tayyorlaydi, har bir bosqichda
butun to‘rning holati, aksariyat holatlarda nochiziqli tarzda o‘zgaradi.
9

Neyron to‘rlarda chuqur o‘rganish hisoblashning ushbu bosqichlarida
ishonch koeffitsientlarini aniq tayinlashga to‘g‘ri keladi. Ishonch koeffisentlarini
tayinalsh muammosini yuzaga chiqaradi: oldingi qadamda bajarilgan amallar qaysi
birlari hozir ro‘y berayotgan holatga ta'sir qiladi? Keyinchalik shunga o‘xshash
holat duch kelganda, olingan tajribadan qanday foyda olish mumkin?
Berilganlar ketma-ketligiga ishlov berishga rekurent neyron to‘rlari (RNT)
eng ilg‘or neyron to‘rlardandir, chunki u universal hisoblash masinalaridir: u
elektron sxemalarning ishlashini immitatsiya qiladi. To‘liq ulangan RNTda barcha
tugunlar, kirish tugunlaridan tashqari qolgan tugunlar bilan ulangan bo‘ladi.
To‘g‘ri bog‘lanishli neyron to‘rlardan farqli o‘laroq, RNTlarda xalqalar, rekursiya
va shunga o‘xshashlar bo‘lishi mumkin. RNT amalga oshirish dasturi – bu uning
vazn matritsasini hisoblashdir.
RNTlar ma ’ lumotlarni ketma - ket va parallel ishlov berish birlashtirgan
dasturlarni oson va samarali bajarishga o ‘ rganishi mumkin . Berilgan neyron to ‘ rida
ishonch koeffitsientlarini tayinlash chuqur yoki sayoz ekanligini aniqlash uchun
mos keluvchi ishonch koeffitsientini taynlash yo ‘ llarining davomiyligini , ya ' ni
ketma - ket tugunlar orasidagi mumkin bo ‘ lgan sabab - oqibat bog ‘ lanish zanjirlarini
ko ‘ rib chiqishga to ‘ g ‘ ri keladi . Misol uchun , berilganlar kirish neyronlaridan
yashirin neyronlar orqali , teskari bog ‘ lanish bo ‘ lmagan holda chiqish neyronlariga
o ‘ tishi mumkin . Yana bir variant - kirish neyronlaridan olingan berilganlar
dinamik ravishda rekurent neyron to‘rlarda tranformatsiyalanadi.
Fiksirlangan topologiyaga ega bo‘lgan to‘g‘ri bog‘lanishli neyron to‘rlari
masalalarning maksimal hisoblash murakkabligi bo‘yicha cheklovlarga ega va bu
cheklovlar masalaning mohiyatiga bog‘liq emas: ular to‘rdagi neyronlarning
10

nechta qatlami bo‘lishiga bog‘liq bo‘ladi. Barcha neyron to‘rlari ichida RNT
potensial ravishda cheklanmagan murakablikdagi masalalarni echishga o‘rgaishi
mumkin, masalan, ixtiyoriy vaqtdagi davomidagi ba'zi oldingi kuzatuvlarni qisqa
muddatli xotiraga saqlashni o‘rgangan holda potentsial cheksiz murakkablikdagi
muammolarni hal qilishni o‘rganishi mumkin.
aRNT yordamida hattoki statik obrazlarni anglash masalasini hal qilish
odatda osonroq ekanligini ko‘rsatadigan misol ko‘raylik. Odatda, agar tasvirni
tasniflash zarur bo‘lganda to‘g‘ri bog‘lanishli to‘rning chiqishida "ha, bu yerda
sigir bor" yoki "yo‘q, bu yerda sigir yo‘q" qarori bo‘lishiga o‘ratiladi.
Nazariy isbotlanganki, ixtiyory bo‘lakli-uzluksiz funksiyayni neyronlarning
bitta yashirin qatlami yetarli bo‘ladi. Demak, neyrn to‘rini amal qilishi uchun bitta
yashirin qatlam yetarli, to‘r chuqurligi muhim emas, yani ushbu qatlamda nechta
tugun bo‘lishi muhim emas.
Amalda ma'lum bo‘lishicha, agar to‘rga yanada ko‘p qatlamlarni qo‘shilsa,
ko‘pgina masalalarni hal qilish osonroq bo‘ladi va agar to‘rga rekurent
bog‘lanishlarni qo‘shilsa to‘g‘ri bog‘lanishli to‘rlar echa olmaydigan boshqa
masalalarni echish mumkin bo‘lar ekan.
Masala ko‘raylik. Paritet (juftlik) bitini aniqlash masalasi. Kirish bitlar
oqimidir: 1, 0, 0, 1, 1, 0, 1 va hokazo, jami o‘n bit. Nol va birlarning 2 10
ta mumkin
bo‘lgan kombinatsiyasi, ya'ni jami 1024 ta variant mavjud va neyron to‘rini ularni
to‘g‘ri tanib olishni o‘rgatish mumkin. Bunday to‘r o‘nta kirish neyroni, o‘nlab
neyronlardan iborat yashirin qatlami (yoqorida aytilgandek, bitta qatlam etarli) va
bitta chiqish neyroni bo‘ladi: ha (1) - agar qatordagi birlar soni juft va 0 - birlar
soni toq bo‘lsa. Bunday to‘r o‘rgatish uchun juda ko‘p o‘raguvchi berilganlarni
taqdim etish zarur bo‘ladi.
Xuddi shu natijani oldingi misoldagi kabi yuzlab bo‘glanishlar bilan emas,
balki faqat beshta bog‘laishga ega kichgina RNT bilan osonroq olish mumkin. To‘r
faqat bitta kirish neyronga ega bo‘lib, unga 1, 0, 1, 1 va hokazo bitlar uzatiladi.
Bundan tashqari, bunday to‘r doimo faol siljish neyroniga va o‘ziga-o‘zi ulangan
11

bitta yashirin neyronga, shuningdek, yashirin neyrondan va siljish neyrondan
berilganlarni qabul qiluvchi bitta chiqish neyroniga ega bo‘lishi kerak.
Demak, bunday to‘rda 5 ta vazn bor bo‘lib, u paritet masalasini echishi
kerak. Bu ishni amalga oshirish juda sodda. To‘r faqatgina qiymatlarni
invertlashga o‘rganishi kerak bo‘ladi: agar kirishda 1 kelsa, yashirin neyron holati
teskarisiga almashishi kerak bo‘laadi. Agar uning holati 1 bo‘lsa, u 0 qiymatini
qabul qilishi kerak va aksincha 0 yoki 0 yaqin bo‘lsa u 1 yoki 1 yaqin songa
almashishi kerak bo‘ladi.
O‘rganish jarayonida juda sodda algoritmdan foydalanish mumkin bo‘ladi.
Masalan, Bog‘lanishlar vaznlarining boshlang‘ich qiymati sifatida -10 dan 10
gacha sonlarni berish orqali to‘r kirishiga 7 bitli, 10 bitli va 21 bitli 3 ta ketma-
ketliklarni berib o‘rgatish mumkin bo‘ladi.
Shunday qilib, kichik RNT kattaroq hajmdagi to‘g‘ri bog‘lanishli to‘r bilan
bir xil masalalarni va boshqa murakkab masalalarni hal qilishi mumkin.
Yoqoridagi misoldagi to‘g‘ri bog‘lanishli to‘rda kirishga 10 bitdan katta ketma-
ketligi bo‘lganda ishlamaydi, masalan, 11 bit, chunki u hech qachon bunday
berilganlarga o‘ranmagan. Biroq, RNT bu holatni juda oddiy va chiroyli ravishda
yechadi. Bu RNTning to‘g‘ri bog‘lanishli to‘rlardan asosiy afzalliklarini
ko‘rsatadi.
12

XULOSA
Chuqur o’qitish mashinani o'rganish usullari va ularni amalga oshirish
haqida chuqur muhokama qilingan. Turli usullar amalga oshirish uchun turli xil
algoritmlardan foydalanishi aniq ko'rsatilgan. Shuningdek, neyron tarmog'i va
qo'llab-quvvatlash vektor mashinasi mashinani o'rganish paradigmasini amalga
oshirishning eng mashhur usullari degan xulosaga keldi. Chuqur o'rganish nazorat
ostida o'rganishning kengaytirilgan versiyasidir. Nihoyat, Neyron tarmog'i va
Chuqur o'rganish yordamida turli xil murakkab muammolarni hal qilish uchun
ishlatilishi mumkin bo'lgan ikkita kuchli texnikadir. Chuqur o'rganish
platformalari, shuningdek, muhandislik tizimlarida odatda mavjud bo'lmagan
murakkabroq tasvirlarni o'rganish bilan birga, ishlab chiqilgan xususiyatlardan
ham foydalanish mumkin. Chuqur mashinalarni o'rganish tizimlarini ishlab chiqish
bo'yicha erishilgan yutuqlar, shubhasiz, mashinani o'rganish va umuman sun'iy
intellekt tizimlarining kelajagini shakllantirishi aniq.
13

FOYDALANILGAN ADABIYOTLAR
1.https://ppt-online.org/503073
2.http://fortune.com/ai-artificial-intelligence-deep-machine-learning/
3.https://medium.com/@srnghn/deep-learning-overview-of-neurons-and-
activation-functions-1d98286cf1e4
4. ttps://en.wikipedia.org/wiki/Universal_approximation_theorem
5. https://blog.algorithmia.com/introduction-to-deep-learning/
6. https://www.cbinsights.com/research/top-acquirers-ai-startups-ma-
timeline/
7. R. Jafri, H. R. Arabniya, “Yuzni tanib olish texnikasi bo yicha tadqiqot”,ʻ
Axborotni qayta ishlash tizimlari jurnali, 5-jild, №2, 2009 yil.
14

ILOVALAR
Chuqur o'rganish: nazorat ostida chuqur o'rganish
Miya qismlari va ularning vazifalari
Vaqtinchalik lob : - Ma ' lumotlarni oldindan qayta ishlash uchun mas ' ul →
Sun ' iy neyron tarmog ' i .
Oksipital lob : - Ko ' rish uchun mas ' ul → Konvolyutsion neyron tarmog ' i .
Frontal lob: - Mantiqiy va analitik fikrlash uchun mas'ul → Recurrent
Neyron Network.
15

Sun'iy neyron tarmoq
X1, X2, X3 = Kirish xususiyatlari
B = Bias (Xato) - Tashqi tarafkashlik
Sf(x) = Faollashtirish funksiyasi
w = Og'irlikning tasodifiy miqdori
yp = bashorat qilingan y
y = Haqiqiy y
 X1, X2 va X3 kirish xususiyatlari bo'lib, bu xususiyatlar bilan bir qatorda
ba'zi bir taraflama qo'shiladi
 Tarafsizlik - bu ma'lum miqdordagi xato
 Ushbu kiritish xususiyatlarining barchasi ANN algoritmi orqali o'tkaziladi
 O'rta qism Neyron deb ataladi, bu neyronda bizda faollashtirish funktsiyasi
deb ataladigan narsa bor
16

 Odatiy bo'lib, algoritm har bir xususiyatga biroz og'irlik beradi
 Xususiyatga vazn belgilagandan so'ng, u kiritilgan xususiyatlarning vaznli
yig'indisini hisoblab chiqadi
 Faollashtirish funksiyasi kiritish xususiyatlarining vaznli yig'indisini
bajaradi. Faollashtirish funktsiyasi hisoblar va formulalardir
 Og'irlangan summani olgandan so'ng bashorat qilinadi (y bashorat)
 va keyin xato hisoblash amalga oshiriladi
 ANNdagi xato o'rtacha kvadrat xato usuli (MSE) bilan hisoblanadi.
Kirish xususiyatlari → Faollashtirish funksiyasi → Bashorat → Xatoni
hisoblash. Bu oqim oldinga tarqalish deb ataladi
 Bashoratlardan o'rganish asosida kiritish xususiyatlari yangi
og'irliklarga ega bo'ladi.
 Qaysi xususiyatlar xususiyatlariga asoslanib, muhim yangi vaznlar
tayinlanadi.
 Yangi taraflama qiymatlari ham o'tkaziladi
17

 Xatoni kamaytirish uchun u kirish xususiyatlariga qaytadi va ularga
yangi og'irliklarni qayta tayinlaydi. bu aniqlikni oshiradi va xatoni kamaytiradi.
 Orqaga qarab ketadigan bu jarayon Backword Propagation deb ataladi
Oldinga va orqaga tarqalishning bu tsikli eng kichik yoki minimal xatoni
bermaguncha davom etadi.
Orqaga tarqalish, shuningdek, oldinga tarqalish deyiladi
18

CHUQUR O’RGANISH

Купить

Похожие документы
c++ tilinde qáte jaǵdaylar menen islew (exceptions)
C++ da sikllar va interatsiya usullari.
Ózbekstan ǵárezsizlik jıllarında ámelge asırılǵan investiciyalıq joybarlar
Avtomaktab prava testlari javoblari bilan
Agros test