Sun’iy neyron to’rlarini o’rganish jarayonidagi falajlik sabablari - Информатика и ИТ - Курсовые работы

Информация о документе

Цена	50000UZS
Размер	71.9KB
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

Sun’iy neyron to’rlarini o’rganish jarayonidagi falajlik sabablari

Купить

MAVZU: SUN’IY NEYRON TO‘RLARINI O‘RGANISH JARAYONIDAGI
FALAJLIK SABABLARI
MUNDARIJA:
KIRISH……………………………………………………………………..…..….3
I.BOB. SUN’IY INTELLEKT FANI………………………………………….…4
1.1. Sun ’ i y int e llekt h a qid a gi t a s a vvur ………………………………...............…4
1.2. Intellektual tizim ................................................................................................7
II.BOB. ASOSIY QISM…………………………………………………………16
2.1. Sun’iy neyron to‘rlari..…………. ………………………………….…….…..16
2.2. O‘rganish jarayonidagi falajlik sabablari …………………………………….20
XULOSA …………………………………………………………………….…..27
FOYDALANILGAN ADABIYOTLAR..............................................................28

KIRISH
Kurs ishining dolzarbligi: Zamonaviy jamiyatda tobora o’sib borayotgan
axborot okimi, axborot tеxnologiyalarining turli-tumanligi, kompyutеrda
еchiladigan masalalarning murakkablashuvi ushbu tеxnologiyalardan
foydalanuvchining zldiga bir avtor vazifalarni kadi. Kеrakli varintlarni tanlash va
karor kabul kilish ishlarini insondan EXMga utkazish masalasi yuzaga kеladi. Bu
vazifani еchish yullardan biri — bu ekspеrt tizimlarini yaratish va foydalanish
sanaladi. Ekspеrt uzidan kеlib chikib sharoitni taxlil etadi va nis6atan foydali
axborotni aniklab oladi, chorasiz yullardan voz kеchgan xolda avror kabul
kilishning eng makbul yo’llarini vujudga kеltiradi 1
.
Kurs ishining maqsadi va vazifasi: 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.
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.
1
Ashirova A.I., Yusupov D.F. Ta’limda neyrotarmoq texnologiyasi metodlaridan foydalanish./ «Arxitektura va
qurilish sohasi uchun kadrlar tayyorlash muammolari» respublika ilmiy-amaliy konferensiya tо‘plami – Nukus,
QDU, 2012 yil -287b. (30-31 b.)
3

I.BOB. SUN’IY INTELLEKT FANI
1.1. Sun ’ i y int e llekt h a qid a gi t a s a vvur
Sun’iy intellekt haqidagi tasavvur va bu sohadagi izlanishlar — «aqliy
mashinalar» ishlab chiqarishga ilmiy yondoshish birinchi bo’lib Stanford
universitetining (AQSH) professori Djon Makkarti tashabbusi asosida 1956 yili
tashkil topgan ilmiy tugarakda paydo bo’ldi.
Bu tugarak tarkibiga Massachuset (AQSH) texnologiya oliygoxi
«Elektronika va xisoblash texnikasi» kulliyotining faxriy professori Marvin
Minskiy, «masalalarni universal xal qiluvchi» va «mantiqiy nazariyotchi»
intellektual (aqliy) programmalar bunyodkori — kibernetik Allen Nьyuell va
Karnegi-Mellen dorilfununining (AQSH) mashxur psixologi Gerbert Seyman,
xisoblash texnikasining ko’zga ko’ringan mutaxassislari Artur Semuelь, Oliver
Selfridj, Manshenon va boshqa- lar kirar edilar. Aynan shu tugarakda «Sun’iy
intellekt» tushunchasi paydo bo’ldi.
Ma’ruzaning asosiy mazmuniga kirishishdan avval «sun’iy intellekt» (SI),
umuman «intellekt» haqidagi tushunchani aniqlab olishimiz kerak. Bu
tushunchani oddiy qoida asosida tushuntirish mumkindek tuyuladi, lekin biz buni
qila olmaymiz. Chunki, hozircha «intellekt» va «SI» haqida biron-bir aniq fikr
yo’q. Bu tushunchani turli fan sohalarida ijod qiluvchi olimlarning talqin qilishlari
turlicha, fikrlashlarida yakdillik yuq. Shu sababli bu tushunchalarning mazmunini
o’quvchiga tushuntirib berishga xarakat qilamiz.
«Intellekt» so’zi lotincha «intellectus» so’zidan kelib chikkan bo’lib, u
bilish (aniqlash), tushunish yoki faxmlash (aql) ma’nosini beradi.
«Intellekt» so’zini aniqlovchi, psixologlar tuzgan uchta tushunchani (Katta
sovet entsiklopediyasi va Vesterning amerika lugatidan olingan) keltiramiz. Bu
tushunchalar «intellekt» tushunchasi mazmunini aniqlash uchun yordam beradi.
Intellekt — fikrlash qobiliyati, ratsional bilish va shunga uxshash. Umumiy
xolda esa fikrlash, shaxsni aqliy rivojlanishi sinonimi bo’lib xizmat qiladi.
Intellekt (aql) — o’z xulqini sozlash yo’li bilan xar qanday (ayniqsa yangi)
xolatga etarli baho berish qobiliyati.
4

Intellekt — turmushdagi dalillar o’rtasidagi o’zaro bog’liqlikni tushunish
qobiliyati. Bu qobiliyat belgilangan maqsadga erishishga olib boruvchi
xarakatlarni ishlab chikish uchun kerak bo’ladi.
Yuqorida aniqlangan «intellekt» tushunchasidan shunday xulosa chiqarish
mumkinki, ya’ni intellekt faqat insonlarga tegishli va odam aqliy qobiliyatining
o’ziga xos o’lchovidir. Psixologlar shunday maxsus usullar yaratdilarki, bu usullar
yordamida tajriba orqali odamning intellektual (aqliy) darajasini aniqlash mumkin
bo’ldi. Natijada shu narsa aniqlandiki, intellektning individual darajasi o’rtasidan
surilishi (og’ishi) odamning fizik imkoniyatlari darajasi kabidir 2
.
Agar o’rtacha aqliy qobiliyat 100 ball deb qabul kilinsa, u xolda o’ta
qobiliyatli insonlarda bu ko’rsatkich 150, 180, xattoki 200 ballga etish mumkin.
Amerikalik shaxmatchi, jaxon eks-chempioni Robert Fisherning bu ko’rsatkichi
187 ball bo’lgan, XIX asr yarmida yashagan angliyalik mantiqchi Djon Styuart
Mill uch yoshidayok qadimgi yunon tilida gapira olgan va uning ko’rsatkichi 190
ballgacha borgan. Shuni qayd qilish lozimki, evolyutsiya davrida intellekt
birmuncha bir tekis, inkilobiy rivojlanish davridan toki zamonaviy inson intellekti
paydo bulgunga qadar bo’lgan davrni bosib o’tgan.
Intellektning evolyutsion rivojlanishi berilgan bosqichdan birmuncha yuqori
printsipial, a’lo darajadagi tashkil topgan bosqichga o’tish bilan davom etadi.
Shuning uchun jamiyatning turli rivojlanish bosqichlarida yashagan insonlarning
intellektini bir-biriga solishtirib bo’lmaydi.
«Sun’iy intellekt» tushunchasiga turlicha ma’no kiritish mumkin. Turli
mantiq va xisoblash masalalarini echuvchi kompyuterdagi intellektni e’tirof
etishdan tortib, to insonlar yoki ularning ko’pchilik qismi orqali echiladigan
masalalar majmuasini echadigan intellektual tizimlarga olib boradigan
tushunchagacha kiritish mumkin.
«SI» tushunchasi boshidan va shu kunga kadar olimlarning bu. tushunchaga
bo’lgan munosabati va ularning «sun’iy» so’ziga nisbatan kelishmovchiligi tufayli
2
Ахмедов, Б. А. (2020). Математические модели оценки характиристик качества и надежности
программного обеспечения. EURASIAN EDUCATION SCIENCE AND INNOVATION JOURNAL, 3(10), 97-
100.
5

qarshiliklarga uchramoqda. Masalan, USSR FA Kibernetika institutining sobik
direktori, marxum akademik V. M. Glushkov «sun’iy idrok» so’zini kushtirnoksiz
ishlatgan. Rossiya FA «SI» masalalari buyicha ilmiy YIRILISH raisi akademik
G.S. Pospelov fikricha, «SI» hakida xech qanday so’z bo’lishi mumkin emas,
ya’ni hozir xam, yaqin kelajakda xam «uylaydigan mashina» bo’lmaydi. «SI»
tushunchasini uzgartirish kech bo’ldi, - deb yozadi u. Bu narsa injener, matematik,
kompyuter buyicha mutaxassislar, psixolog, faylasuflarni birlashtiruvchi juda
katta axamiyatga ega bo’lgan ilmiy yo’nalish ekanligiga xech kimda shubxa yo’q.
U odamlarning maqsadi — kompyuterlarning maxsus programmali va apparatli
vositalarini yaratish. Kompyuterning qobiliyati ijodiy natijalarni berib turishdan
iborat.»
«SI» tushunchasini aniq ta’riflash shuni takozo qiladiki, bu ilmiy yo’nalish
oyokka turish va rivojlanish bosqichidadir. Bugungi kunga kelib, shu narsa
ma’lum bo’ldiki, «SI» terminiga tabiatdagi jarayon va xodisa-larni o’rganish
(tadqiqot qilish) da insondagi ayrim intellektual qobiliyatlarni texnik jixatdan
mujassamlashtirgan umumiy tushuncha deb qaramoq lozim.
6

1.2. Intellektual tizim
Sun iy ong, sun iy intellekt yoki sun iy idrok (inglizcha: Artificialʼ ʼ ʼ
intelligence; odatda, AI sifatida ham qisqartiriladi) — insonlar yoki hayvonlar
tomonidan ko rsatiladigan tabiiy ongdan farqli o laroq, mashinalar tomonidan
ʻ ʻ
ko rsatiladigan ongdir. Yetakchi sun iy ong darslik kitoblari bu sohani „ongli
ʻ ʼ
agentlar“ni o rganish deya ta riflaydi: o z muhitini fahmlaydigan va maqsadlariga
ʻ ʼ ʻ
muvaffaqiyatli erishish imkoniyatini maksimal darajada oshiradigan amallarni
amalga oshiruvchi har qanday sistema. Xalq orasida „sun iy ong“ atamasi
ʼ
ko pincha „o rganish“ va „muammolarni yechish“ kabi inson idroki bilan
ʻ ʻ
bog laydigan „kognitiv“ funksiyalarni taqlid qiladigan mashinalarni tasvirlashda
ʻ
ishlatiladi, biroq bu ta rifni yirik sun iy ong tadqiqotchilari rad etishadi.
ʼ ʼ
Sun iy ong ilovalari yetuk web-qidiruv tizimlari (masalan, Google), tavsiya
ʼ
etuvchi tizimlar (bundan YouTube, Amazon va Netflix foydalanadi), inson nutqini
anglash (masalan, Siri yoki Alexa), o ziyurar mashinalar (masalan, Tesla) hamda
ʻ
strategik o yin tizimlarida (masalan, shaxmat va Go) yuqori darajada
ʻ
raqobatlashishni o z ichiga oladi.[1] Mashinalar tobora ko p qobiliyatlarga ega
ʻ ʻ
bo lib borishar ekan, „ong“ talab etuvchi vazifalar ko pincha sun iy ong effekti deb
ʻ ʻ ʼ
ataluvchi fenomen bo lgan sun iy ong ta rifidan olib tashlanadi.
ʻ ʼ ʼ
Sun'iy intellekt" atamasi 1956 yilda paydo bo'lgan, ammo bugungi kunda SI
texnologiyasi ma'lumotlar hajmini ko'paytirish, algoritmlarni takomillashtirish,
hisoblash quvvatini va ma'lumotlarni saqlash vositalarini optimallashtirish fonida
haqiqiy mashhurlikka erishdi.
O'tgan asrning 50-yillarida boshlangan SI sohasidagi birinchi tadqiqot
muammolarni hal qilish va ramziy hisoblash tizimlarini rivojlantirishga qaratilgan
edi. 60-yillarda bu sohada AQSh Mudofaa vazirligi qiziqish uyg'otdi: AQSh
harbiylari insonning aqliy faoliyatini simulyatsiya qilish uchun kompyuterlarni
o'qitishni boshladi.
Masalan, mudofaa vazirligining Ilg'or tadqiqot loyihalari agentligi (DARPA)
1970-yillarda bir qator virtual ko'cha xaritalarini loyihalarini yakunladi. Va
DARPA mutaxassislari Siri, Alexa va Cortana paydo bo'lishidan ancha oldin 2003
7

yilda aqlli shaxsiy yordamchilarni yaratishga muvaffaq bo'lishdi.Ushbu ishlar
zamonaviy kompyuterlarda, xususan, qarorlarni qo'llab-quvvatlash tizimlarida va
inson imkoniyatlarini kengaytirish uchun ishlab chiqilgan aqlli qidiruv tizimlarida
qo'llaniladigan avtomatlashtirish va rasmiy mantiqiy tamoyillar uchun asos
bo'ldi.Garchi SI ko'pincha ilmiy fantastika filmlari va romanlarida ilmiy qudratli
robotlar sifatida tasvirlangan bo'lsa-da, dunyo miqyosida o'z kuchini egallagan, SI
texnologiyasini rivojlantirishning hozirgi bosqichida, SIlar unchalik qo'rqinchli va
aqlli emaslar. Aksincha, sun'iy intellektni rivojlantirish ushbu texnologiyalarga
iqtisodiyotning barcha sohalarida haqiqiy foyda keltiradi. Sog'liqni saqlash,
chakana savdo va boshqa sohalarda sun'iy intellekt texnologiyalaridan foydalanish
misollari quyida keltirilgan.
Antik davr Shunday qilib, 20-asrning o'rtalarida sun'iy intellekt haqidagi
ilmiy bilimlarning barqaror maydoni shakllantirildi, ammo bu yo'nalishda
harakatlar qadimgi va o'rta asrlarda ham amalga oshirilgan. Hatto qadimgi
misrliklar va rimliklar ham imo-ishora qiladigan va bashorat qiladigan
haykallardan qo'rqishgan. Albatta, bu ruhoniylarning bevosita yordami bilan
amalga oshirildi.
O'rta asrlar O'rta asrlarda sun'iy aql tushunchasi aql-idrokda undan ham stun
turadigan, odamga o'xshash mexanik fikrlash mashinasini yaratish vazifasiga
sarmoya kiritdi. Bu vaqtda, xususan, ular homunculi - atrofdagi olamdan ma'lumot
olishga qodir bo'lgan kichik sun'iy odamlar haqida gaplashdilar.
XVIII asr 18-asrda, texnologiyalarning rivojlanishi va, xususan, soat
harakati tufayli, bunday ixtirolarga qiziqish yanada ortdi. 1750 yillarning
o'rtalarida, Frensis I sudida xizmat qilgan avstriyalik ixtirochi Fridrix fon Knaus
ruchka bilan juda uzun matnlarni yoza oladigan bir qator mashinalarni yaratdi 3
.
19-asr 19-asr mexanikasidagi yutuqlar ixtiro uchun zamonaviy sun'iy
intellektni anglashga yangi turtki berdi. O'ttizinchi asrning 30-yillarida ingliz
matematiki Charlz Babb murakkab raqamli raqamli kalkulyator, tahlilchi mashina
shaxmat o'yinidagi harakatlarni hisoblashi mumkin degan fikrni ilgari surdi. Va
3
Akhmedov, B. A., Eshnazarova, M. Yu., Rustamov, U. R., Xudoyberdiyev, R. F. (2020). Cluster method of using
mobile applications in the education process. Экономика и социум , 12(79).
8

1914 yilda, Ispaniya texnik institutlaridan birining direktori Leonardo Torres
Quevedo, oddiy odamga ham, oddiy shaxmat o'yiniga ham qodir bo'lgan
elektromexanik asbob yaratdi.
Sun’iy intellekt borasida oxirgi 30 yil ichida olib borilayotgan tadqiqotlarni
shartli ravishda uch bosqichga bo’lish mumkin. Birinchi bosqichda (50-yillarning
oxiri) olimlarning xarakati evristik (mutaxassisning tajribasi asosida) izlash
nazariyasini yaratishga va faoliyat yoki intellekt darajasiga tegishli bo’lgan
«masala echuvchilar»ni yaratish buyicha muammoni hal qilishga karatilgan.
Tadqiqot uchun instrument (asbob) bo’lib EXM xizmat kilgan, har xil o’yinlar,
oddiy musika asarlari, matematik masalalar o’ylab topilgan. SHunga uxshash
masalalarni tadqiqot uchun tanlash, muammo muxit (bunday mux,itda masalani
echish tarmoqlanadi)ning oddiyligi va aniqligini, etarli darajada oson tanlab olish
imkoniyatini va «usulga karab» sun’iy konstruktsiyani tuzishni talab qiladi. Bu
yo’nalishda bir qancha yutuklarga erishildi. Xususan shaxmat programmalari
hozir juda yuqori takomilga etkazildi.
Bu programmalar uchun tanlab olish xarakterli bo’lib, odatda teoremalarni
isbotlash jarayoni, uyinning ketishi va xrkazolar juda katta sonli mkoniyatlardan
tanlanadi. Har bir masalani echish — maqsadga erishishda istikboli bo’lmagan
imkoniyatlarni shartta olib tashlash va istikbollilarini ajratib olish evristik usul
(algoritm)larning takomillashganiga boglik. Lekin bunday moxiyat asosida A.
N ь yuell va G. Saymon tomonidan yaratilgan «universal masalalar echuvchi»ni
yaratishga bo’lgan urinish bexuda ketdi, chunki evristik algoritmlar xar bir
masalaning xususiyatiga kuchli darajada bog’liq.
Asosiy kiyinchiliklar masalani echish uchun yaratilgan usullarni sun’iy
muxitlarda emas, balki xakkoniy muxitda qo’llashga urinish jarayonida sodir
bo’ldi. Bu kiyinchiliklar tashki dunyo to’g’risidagi bilimlarni ifodalash
muammolari bilan, bu bilimlarni saqlashni tashkil qilish va ularni etarli darajada
izlash, EXM xotirasiga yangi bilimlarni kiritish xamda eskirib kolganlarini olib
tashlash, bilimlarning to’laligi va bir-biriga zidligini tekshirish va shunga
uxshashlar bilan bog’liq. Ko’rsatilgan muammolar bugungi kunda xam to’la
9

echilmagan, lekin hozirgi paytga kelib shu narsa ravshan bo’lib koldiki,
muammolarni echish — samarali sun’iy intellekt tizimsini yaratishning kaliti
ekan.
Ikkinchi bosqichda asosiy e’tibor (60-yillarning oxiridan to 70 yilgacha)
intellektual robotlar (real uch o’lchovli muxitda mustakil xolda xarakat qiladigan
va yangi masalalarni echadigan robotlar) ko’rishga qaratildi 4
.
Bu borada «intellektual» funktsiyalarning keraqli doirasi: maqsadga
yo’naltirilgan xulk (xolat)ni ta’minlash, tashki muxit to’g’risidagi axborotlarni
qabul qilish, xarakatlarni tashkil etish, o’qitish, odam va boshqa robotlar bilan
mulokotni uyushtirish tadqiq kilindi va amalga oshirildi. Masalan, robotlarda
maqsadga yunaltirilgan xulk (xolat)ni ta’minlash uchun ular atrof-muxit haqida
bilimlar majmuasiga ega bo’lishi zarur. Bu bilimlar robotga tashki muxit modeli
ko’rinishida kiritib quyilishi lozim. Robotning tashki muxit modeli — bu o’zaro
boglangan ma’lumotlar yigindisi bo’lib, bu ma’lumotlar moe sinfdagi masalalarni
echish uchun kerak. Robotning bilimlar tizim-siga muxitning «fikrdagi»
uzgarishini qayta ishlab chiqarish va shu asosda navbatdagi masalani echishga
imkon beruvchi algoritmlar xamda bu rejani baja-rilishini va oldindan
rejalashtirilgan xarakatlarning kutilayotgan natijalarini nazorat qiluvchi algoritmlar
kiritilishi kerak. Demak, intellektual robotlar bilimlar manbaiga ega bo’lishi shart.
Bu bilimlar manbaida bilimlar va maxsus blok («reja tuzuvchi») saqlanadi. «Reja
tuzuvchi» blokning zimmasiga robotning xarakati programmasini tuzish
yuklangan. Bu xarakat programmasi robot tomonidan qabul qilinadi va robotning
sensor (kurish vositasi) tizimsi orqali ko’zatiladi. Robotning ish jarayonida
«echuvchi blok» bo’lishi kerak. Bu blok robotning xarakati turrisidagi echimni
qabul qiladi. Xar ikkala blok bilimlar manbaida saqlanuv-chi bilimlar asosida
ishlaydi.
Bu bosqichda ayrim muammolar aniqlandiki, intellektual robotlar yaratishda
ularni xal etish zarur. Shunday muammolarga faoliyat kursatadigan muxit
4
Ashirova A.I., Yusupov D.F. Ta’limda neyrotarmoq texnologiyasi metodlaridan foydalanish./ «Arxitektura va
qurilish sohasi uchun kadrlar tayyorlash muammolari» respublika ilmiy-amaliy konferensiya tо‘plami – Nukus,
QDU, 2012 yil -287b. (30-31 b.)
10

haqidagi bilimlarni tasavvur etish, ko’z bilan kurganlarni uzlashtirish, uzgaruvchan
muxitda robotlar xulki (xo-lati)ning murakkab rejalarini tuzish va robotlar bilan
tabiiy tilda mulokotda bo’lish kiradi 5
.
Uchinchi bosqichda (70-yillarning oxiridan boshlab) tadqiqotchilarning
e’tibori amaliy masalalarni echish uchun mo’ljallangan intellektual tizimlarni
yaratish muammolariga karatildi.
Xar qanday intellektual tizim, uning qaerda qo’llanishiga borlik bo’lmagan
xolda, odam-mashina tizimidir. Mashina sifatida EXM ishlatiladi. Tizimning
vazifasi —oxirgi foydalanuvchiga u yoki bu masalani echishda uning kasbi
faoliyati doirasida malakali mutaxassis (ekspert) larning yillar davomida orttirgan
bilimlaridan foydalanish uchun imkoniyat yaratishdan iborat. Buning uchun EXM
tarkibiga bilimlar manbai va intellektual interfeys kirishi kerak. Bilimlar manbaida
xarakterli bo’lgan masalalarni echish usullari haqidagi axborotlar saqlanadi.
Intellektual interfeys masalani echish jarayonida oxirgi foydalanuvchi va tizim
o’rtasidagi o’zaro munosabatni (xarakatni, ishlashni) ta’minlaydigan sunggi
foydalanuvchining xamma vositalarini uz ichiga oladi.
Intellektual interfeysda «echuvchi» va muloqot tizimini kursatish mumkin.
«Echuvchi» bilimlar manbaidan keladigan ma’lumotlar asosida foydalanuvchi
uchun keraqli programmalarni avtomatik tarzda birlashtiradi. Muloqot tizimi
— bu bilimlar manbaida foydalanuvchi tilidan bilimlarni tasavvur qilish tiliga
o’tkazishni xamda teskari jarayonni amalga oshiradigan translyator
(«tarjimon»)lar majmuasidir.
Sun’iy intellektli tizimlarga: axborot-qidiruv tizimlari (savol-javob
tizimlari), xisob-mantiq tizimlari va ekspert tizimlari kiradi. Intellektual axborot-
qidiruv tizimlari EXM bilan mulokot jarayonida foydalanuvchilarning tabiiy tilga
yaqin bo’lgan kasb tillarida so’ngi foydalanuvchilar (programma tuzmaydiganlar)
bilan ma’lumotlar, bilimlar manbalari o’rtasida o’zaro mulokotni ta’minlaydi. Bu
tizimlar sun’iy intellekt tizimlarining dastlabkilaridan bo’lib, ular ustida olib
borilgan tadqiqotlar xisoblash texnikasi rivoj-lanishi bilan uzviy boglik bo’lgan.
5
Akhmedov, B. A., Eshnazarova, M. Yu., Rustamov, U. R., Xudoyberdiyev, R. F. (2020). Cluster method of using
mobile applications in the education process. Экономика и социум , 12(79).
11

Xisob-mantiq tizimlari, amaliy matematika va programmalashtirish sohasida
mutaxassis bo’lmagan sunggi foydalanuvchilarni, murakkab matematik usullar va
shunga mos amaliy programmalardan foydalanib, o’zaro mulokot shaqlida
uzlarining masalalarini EXMda echishni ta’minlaydi.
Ekspert tizimlari. Ekspert tizimlarini ishlab chiqish.
Zamonaviy jamiyatda tobora o‘sib borayotgan axborot oqimi, axborot
texnologiyalarining turli-tumanligi, 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 yaratish va foydalanish sanaladi.
Ekspert o‘zidan kelib chiqib sharoitni tahlil etadi va nisbatan foydali
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.
Strategiyani tuzish paytida yangi omillarni baholab, ularning ta’sirini tahlil
etadi. Ekspert tizimlari sun’iy intellektdan foydalanishga asoslangan. Sun’iy
intellekt deganda aqliy xatti-harakatlarga nisbatan kompyuter tizimining qobiliyati
tushuniladi. Ko‘pincha bunda inson fikrlashi bilan bog‘liq qobiliyat anglanadi.
Ekspert tizimlarini axborot tizimlari sinfi sifatida ko‘rib chiqish mumkin. U
foydalanuvchining roziligidan qat’iy nazar ma’lumotlarni tahlil va tahrir eta
oluvchi, qarorni tahlil etib qabul qiladigan, tahliliy-tasnifiy vazifalarni bajara
oladigan ma’lumotlar va bilimlar bazasiga ega. Jumladan, ekspert tizimlari
keladigan axborotlarni guruhlarga bo‘lib tashlay oladi, xulosa chiqaradi,
12

identifikatsiyalaydi, tashxis qo‘yadi, bashoratlashga o‘rgatadi, sharhlab beradi va
hokazo. Ekspert tizimining boshqa axborot tizimlaridan afzalliklari quyidagicha:
•yaqin davrlargacha EHMda yechish qiyin yoki umuman yechib
bo‘lmaydigan deb sanaluvchi murakkab masalalarning yangi sinfini yechish,
optimallashtirish va (yoki) bahosini olish imkoniyati;
•dasturchi bo‘lmagan foydalanuvchiga (eng oxiridagi foydalanuvchilar) o‘z
tilida suhbat yuritish va kompyuterdan samarali foydalanish uchun axborotni
vizualizatsiyalash usullarini qo‘llash imkoniyatini ta’minlash;
•yanada ishonchli va malakali xulosa chiqarish yoki qaror qabul qilish uchun
ekspert tizimini mustaqil o‘rganish, bilimlardan foydalanish qoidalari,
ma’lumotlar, bilimlarning to‘planishi;
•foydalanuvchi axborot yo‘qligi tufayli yoki axborotning haddan ziyod rang-
barangligi, yoki hatto kompyuter yordamida ham odatdagi qarorni qabul qilishning
cho‘zilib ketilishi tufayli yecha olmaydigan savollar yoki muammolarni hal etish;
•takomillashgan asboblar va ushbu tizimdagi foydalanuvchi mutaxassisning
shaxsiy tajribasidan foydalanish hisobiga yakka tartibdagi ixtisoslashgan ekspert
tizimlarini yaratish imkoniyati;
• ekspert tizimining asosi qaror qabul qilish jarayonini shakllantirish
maqsadida tuzilgan bilimlar majmui (bilimlar bazasi) sanaladi. Bilimlar bazasi —
bu ayrim predmet sohalari murakkab vazifalar yechimini topish uchun tahlil va
xulosalarni yuzaga keltiruvchi model, qoida, omillar (ma’lumotlar) majmuidir.
Axborot ta’minotining alohida yaxlit strukturasi ko‘rinishida yaqqol ko‘zga
tashlangan va tashkil etilgan predmet sohasi haqidagi bilim boshqa bilim
turlaridan, masalan, umumiy bilimdan ajratib turadi. Bilimlar bazasi asosiy
ekspert tizimi sanaladi. Bilimlar fikrlash va vazifalarni hal etish usuliga imkon
beruvchi aniq ko‘rinishda ifodalanadi va qaror qabul qilishni soddalashtirishga
ko‘maklashadi. Ekspert tizimining asosligini ta’minlovchi bilimlar bazasi
tashkilotning bo‘linmalaridagi mutaxassislar bilimini, tajribasini o‘zida
mujassamlashtiradi va institutsional bilimlarni (ixtisoslashganlar majmuini,
yangilanayotgan strategiyalar,
13

qarorlar uslublari) ifodalaydi. Bilim va qoidalarni turli aspektlarda ko‘rib
chiqish mumkin:
 chuqur va yuzaki;
 sifat va miqdoriy;
 taxminiy (noaniq) va aniq;
 muayyan va umumiy;
 tavsifiy va ko‘rsatma (yo‘l-yo‘riq) beruvchi.
 Foydalanuvchilar bilim bazasini samarali boshqaruv qarorlarini olish
uchun qo‘llashlari mumkin.
Ekspert — bu muayyan predmet sohasida samarali yechim topa oluvchi
mutaxassis. Bilimlarni o‘zlashtirish bloki ma’lumotlar bazasining to‘planishini,
bilim va ma’lumotlar modifikatsiyasi bosqichini aks ettiradi. Bilimlar bazasining
fikrlash darajasidagi yuqori sifatli tajribadan foydalanish imkoniyatini aks ettiradi.
Mantiqiy xulosalar bloki qoidalarni faktlar bilan qiyoslagan holda xulosalar
mantiqini yuzaga keltiradi. Unchalik ishonchli bo‘lmagan ma’lumotlar bilan
ishlash chog‘ida noaniq mantiq, zaif ishonch yuzaga keladi. Tushuntirish
(izohlash) bloki foydalanuvchining texnologiyada bilimlar bazasidan foydalanish
ketma-ketligini aks ettiradi va «nima uchun?» degan savolga javob beruvchi
xulosaga keladi. Hozirgi vaqtda bilimlar bazasining joriy etilishi kasbiy
bilimlarning to‘planish sur’ati bilan belgilanadi. Kasbiy faoliyatning
shakllantiruvchi, ya’ni EHM bazasida avtomatlashtiradigan qismi — bu inson
tomonidan to‘plangan bilimlarning uncha katta bo‘lmagan qismidir. To‘plangan
bilimlarning kattagina qatlamini yakka tartibda yig‘iladigan bilimlar tashkil etadi.
Bilimlarni strukturalashtirish yoki rasmiylashtirish bilimlarni taqdim etishning
turli usullariga asoslangan. Zamonaviy axborot tizimlarida eng ko‘p faktlar va
qoidalar usulidan foydalaniladi. Ular ayrim predmet sohalaridagi jarayonlarni
bayon etishning tabiiy usulini bayon etadi. Qoidalar odatda tavsiya, ko‘rsatma,
strategiyalarni taqdim etishning formal (rasmiyatchilik) usulini ta’minlaydi. Ular
agar predmet bilimlari biror sohadagi masalani yechish bo‘yicha to‘plangan
amaliy tasavvurlardan paydo bo‘lgandagina to‘g‘ri keladi. Qoidalar ko‘pincha
14

«Agar bu...» xilidagi tasdiq ko‘rinishda ifodalanadi. Bilimlar bazasida predmet
sohasini bayon etish ma’lumotlarni tashkil etish va taqdim etish, vazifalarni
shakllantirish, qayta shakllantirish va yechish usullarini ishlab chiqishni nazarda
tutadi. Predmet sohasi tushunchasi (obyektlari) ramzlar yordamida tasavvur
qilinadi. Masalan, bu ramz bank tizimi uchun mijoz, jamg‘arma vositasi,
operatsiya, vazifa va shu kabilar bo‘lishi mumkin. Tushunchalarni manipulyatsiya
qilish uchun munosabatlar aniqlanadi, turli strategiyalar (mantiqiy yoki tajriba
natijasida olingan) qo‘llaniladi. Bilimlarni taqdim etish, ularni tarkiblashtirish
tushunchalarni, murakkab, oddiy bo‘lmagan vazifalarni nazarda tutadi. Shuning
uchun qoidalar ham bilimlar bazasida murakkab yoki ko‘p miqdorda va hajmda
bo‘ladi. Ekspert tizimlari shunday ishlab chiqiladiki, bunda yechim tanlash
mantiqini asoslash va o‘rgatish hisobga olinadi. Ko‘pgina ekspert tizimlarida
tushuntirish (izohlash) mexanizmi bo‘ladi. Mazkur mexanizm qanday qilib tizim
ushbu qarorga kelganini tushuntirish uchun zarur bo‘lgan bilimlardan foydalanadi.
Bunda ekspert tizimini qo‘llash, undan foydalanish va harakat chegarasini
aniqlash juda muhimdir.
15

II.BOB. ASOSIY QISM
2.1. Sun’iy neyron to‘rlari
Sun'iy neyron tarmoqlari (ANN) quyidagi rasmga o'xshash ko'p qatlamli
to'liq ulangan neyron tarmoqlardir. Ular kirish qatlami, bir nechta yashirin
qatlamlar va chiqish qatlamidan iborat. Bir qatlamdagi har bir tugun keyingi
qatlamdagi har bir boshqa tugunga ulanadi. Yashirin qatlamlar sonini ko'paytirish
orqali tarmoqni chuqurroq qilamiz.
Agar biz yashirin yoki chiqish tugunlaridan biriga kattalashtirsak, biz
quyidagi rasmga duch kelamiz.
Berilgan tugun o'z kirishlarining tortilgan yig'indisini oladi va uni chiziqli
bo'lmagan faollashtirish funktsiyasi orqali o'tkazadi. Bu tugunning chiqishi,
keyinchalik keyingi qatlamda boshqa tugunning kirishiga aylanadi. Signal chapdan
o'ngga oqadi va yakuniy chiqish barcha tugunlar uchun ushbu protsedurani bajarish
orqali hisoblanadi. Ushbu chuqur neyron tarmoqni o'rgatish barcha qirralar bilan
bog'liq og'irliklarni o'rganishni anglatadi 6
.
Berilgan tugun uchun tenglama quyidagicha ko'rinadi. Chiziqli bo'lmagan
aktivlashtirish funksiyasidan o'tgan erkli o'zgaruvchilarning tortilgan yig'indisi. U
vektorli nuqta mahsuloti sifatida ifodalanishi mumkin, bu erda n-tugun uchun
kirishlar soni.
Men soddaligi uchun qiyshiq muddatini yozilmaydi. Bias-bu barcha
tugunlarga kirish va har doim 1 qiymatiga ega. Bu faollashtirish funktsiyasining
natijasini chapga yoki o'ngga siljitish imkonini beradi. Shuningdek, u modelga
barcha kirish xususiyatlari 0 bo'lganda mashq qilishga yordam beradi. Agar bu
hozir murakkab tuyulsa, siz noto'g'ri shartlarni e'tiborsiz qoldirishingiz mumkin.
To'liqlik uchun yuqoridagi tenglama kiritilgan tarafkashlik bilan quyidagicha
ko'rinadi.
Hozircha biz oldinga o'tishni tasvirlab berdik, ya'ni kirish va chiqish qanday
hisoblanganligini og'irliklari berilgan. Trening tugagandan so'ng, biz bashorat
qilish uchun faqat oldinga o'tishni boshlaymiz. Ammo biz birinchi navbatda
6
Akhmedov, B. A., Kuchkarov, Sh. F., (2020). CLUSTER METHODS OF LEARNING ENGLISH USING
INFORMATION TECHNOLOGY. SCIENTIFIC PROGRESS, 1(2), 40-43.
16

og'irliklarni o'rganish uchun modelimizni o'rgatishimiz kerak va mashg'ulot tartibi
quyidagicha ishlaydi:
• Barcha tugunlar uchun og'irliklarni tasodifiy boshlang. Biz boshqa
maqolada kashf etadi aqlli boshlash usullari bor.
• Har bir mashg'ulot misoli uchun joriy og'irliklar yordamida oldinga
o'tishni bajaring va chapdan o'ngga o'tadigan har bir tugunning chiqishini
hisoblang. Yakuniy chiqish-bu oxirgi tugunning qiymati.
• Yakuniy natijani o'quv ma'lumotlaridagi haqiqiy maqsad bilan
Solishtiring va yo'qotish funktsiyasi yordamida xatoni o'lchang.
• O'ngdan chapga orqaga o'tishni bajaring va backpropagation
yordamida xatoni har bir alohida tugunga tarqating. Har bir vaznning xatoga
qo'shgan hissasini hisoblang va gradient tushish yordamida og'irliklarni mos
ravishda sozlang. Xato gradyanlarini oxirgi qatlamdan boshlab qayta tarqating.
Gradient kelib chiqishi bilan Backpropagation tom ma'noda chuqur o'rganish
modellari ortidagi "sehr" dir. Bu juda uzoq mavzu va ba'zi hisob-kitoblarni o'z
ichiga oladi, shuning uchun biz ushbu amaliy chuqur o'rganish seriyasining o'ziga
xos xususiyatlariga kirmaymiz. Gradient tushishini batafsil tushuntirish uchun bu
erga murojaat qiling. Backpropagation-ning asosiy ko'rinishi bu erda mavjud.
Batafsil matematik davolash uchun bu erda va bu erda murojaat. Va yanada
rivojlangan optimallashtirish algoritmlari uchun bu erga murojaat qiling.
Standart ML dunyosida ushbu oldinga yo'naltirilgan arxitektura ko'p
qatlamli perceptron sifatida tanilgan. ANN va perceptron o'rtasidagi farq shundaki,
ANN sigmasimon kabi chiziqli bo'lmagan faollashtirish funktsiyasidan
foydalanadi, ammo perceptron qadam funktsiyasidan foydalanadi. Va bu
chiziqsizlik Annga o'zining katta kuchini beradi.
Sezgi
Ko'p allaqachon davom bo'lyapdi, hatto asosiy oldinga dovoni bilan. Keling,
buni soddalashtiraylik va uning orqasidagi sezgi tushunaylik.
Aslida ANNNING har bir qatlami nima qiladi-bu kirishni bir vektor
fazosidan boshqasiga chiziqli bo'lmagan o'zgartirish.
17

Misol sifatida yuqoridagi 1-rasmdagi Anndan foydalanamiz. Bizda 3D
fazodagi vektorga mos keluvchi 3 o'lchovli erkli o'zgaruvchi mavjud. Keyin biz
uni har biri 4 tugunli ikkita yashirin qatlamdan o'tkazamiz. Va yakuniy chiqish 1D
vektor yoki skalar 7
.
Shunday qilib, agar biz buni vektorli transformatsiyalar ketma-ketligi
sifatida tasavvur qilsak, avval 3D kiritishni 4D vektor fazosiga moslashtiramiz,
so'ngra yangi 4D fazoga yana bir o'zgartirishni amalga oshiramiz va yakuniy
transformatsiya uni 1d ga kamaytiradi. bu shunchaki matritsa ko'paytmalari zanjiri.
Oldinga o'tish ushbu matritsali nuqta mahsulotlarini bajaradi va natijaga
aktivizatsiya funktsiyasini element bo'yicha qo'llaydi. Quyidagi rasmda faqat
ishlatilayotgan og'irlik matritsalari ko'rsatilgan (aktivlashishlar emas).
Fikr
Hozircha biz chuqur modellar nima va ular qanday ishlashi haqida
gaplashdik, lekin nima uchun biz birinchi navbatda chuqur ketishimiz kerak?
Biz ANN qatlami o'z erkli o'zgaruvchilarini bir vektor fazodan ikkinchisiga
chiziqli bo'lmagan o'zgartirishni amalga oshirishini ko'rdik. Agar biz tasniflash
muammosini misol qilib olsak, qaror chegarasini chizish orqali sinflarni
ajratmoqchimiz. Berilgan shakldagi kirish ma'lumotlari ajratilmaydi. Har bir
qatlamda chiziqli bo'lmagan o'zgarishlarni amalga oshirish orqali biz kirishni yangi
vektor maydoniga loyihalashtira olamiz va sinflarni ajratish uchun murakkab qaror
chegarasini chizamiz.
Keling, aniq bir misol bilan tasvirlangan narsalarni tasavvur qilaylik.
Quyidagi ma'lumotlarni hisobga olsak, u chiziqli ravishda ajratilmasligini
ko'rishimiz mumkin.
Xulosa qilib aytganda, Annlar juda moslashuvchan, ammo kuchli chuqur
o'rganish modellari. Ular universal funktsiya taxminchilari, ya'ni ular har qanday
murakkab funktsiyani modellashtirishi mumkin. Yaqinda bir nechta sabablarga
ko'ra ularning mashhurligi bo'yicha aql bovar qilmaydigan o'sish kuzatildi: bu
7
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.
18

modellarni tayyorlashga imkon beradigan aqlli fokuslar, hisoblash quvvatining
katta o'sishi, ayniqsa Gpu'lar va tarqatilgan treninglar va o'quv ma'lumotlarining
katta miqdori. Bularning barchasi chuqur o'rganishga imkon berdi 8
.
8
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.
19

2.2. O‘rganish jarayonidagi falajlik sabablari
Falaj: Ba'zi hollarda, tarmoq o'rganish paytida tarozi modifikatsiyasi
tarmoqdagi haqiqiy o'zgarishlarga olib kelmaydigan holatga tushishi mumkin.
Bunday "tarmoq falaji" jiddiy muammodir: bir marta paydo bo'lganda, u o'quv
vaqtini bir necha darajaga oshirishi mumkin.
Paralitik neyronlarning katta qismi katta net qiymatlarini berish uchun
etarlicha katta og'irliklarni olganda paydo bo'ladi. Natijada, out qiymati chegara
qiymatiga yaqinlashadi va siqish funktsiyasining hosilasi nolga yaqinlashadi.
Ko'rib turganimizdek, vazn o'zgarishi miqdorini hisoblashda teskari tarqalish
algoritmi ushbu hosilani formulada koeffitsient sifatida ishlatadi. Paralitik
ta'sirlangan neyronlar uchun lotinning nolga yaqinligi vazn o'zgarishini nolga
yaqinlashtiradi.
Agar shunga o'xshash sharoitlar tarmoqning ko'plab neyronlarida paydo
bo'lsa, unda o'rganish deyarli to'xtab qolishi mumkin 9
.
Trening davomida tarmoq falaj bo'ladimi yoki yo'qligini bashorat qila
oladigan nazariya yo'q. Kichik qadam o'lchamlari falajga olib kelishi ehtimoli
kamroq ekanligi eksperimental ravishda aniqlandi, ammo bitta vazifa uchun kichik
qadam boshqasi uchun katta bo'lishi mumkin. Falajning narxi yuqori bo'lishi
mumkin. Modellashtirishda ko'p soatlik mashina vaqti falajdan chiqib ketishi
mumkin 10
.
Mashinani o'rganishning qaysi modelidan foydalanish kerak!?
Mashinani o'rganish sohasida yangi bo'lgan odamlarni barmoq uchida
mavjud bo'lgan yuzlab statistik/mashina o'rganish modellari va neyron tarmoq
arxitekturasi qo'rqitishi odatiy hol emas. Biz tez-tez ongimizni buzamiz va eng
yaxshi echimni topish uchun bir nechta algoritmlarni sinab ko'ramiz. Professorim
ko'pincha eng yaxshi yo'l - eng yaxshisini aniqlamaguningizcha barcha mumkin
bo'lgan modellarni sinab ko'rish ekanligini ta'kidlardi. Men so'nggi ikki yil
9
Akhmedov, B. A., Kuchkarov, Sh. F., (2020). CLUSTER METHODS OF LEARNING ENGLISH USING
INFORMATION TECHNOLOGY. SCIENTIFIC PROGRESS, 1(2), 40-43.
10
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.
20

davomida uning so'zlari bilan yashadim, men duch kelgan har qanday ma'lumotlar
to'plami uchun turli xil echimlarni sinab ko'rdim. Sayohatim davomida men
muammo bayonoti va ma'lumotlarga asoslanib, ba'zi modellar boshqalarga
qaraganda yaxshiroq ishlaganini angladim. Va asta-sekin men turli xil modellar
ma'lumotlarga qanday mos kelishini intuitiv tushunishni rivojlantirdim. Shunday
qilib, men "Qaysi mashinani o'rganish modelidan foydalanish kerak?" haqidagi
oddiy va qisqa tushuncham bilan o'rtoqlashaman. Biroq, men boshlashdan oldin,
bu erda bir rad javobi bor: Ushbu qo'llanma mening kuzatishlarim, tajribalarim va
tadqiqotlarimga asoslangan va har doim boshqacha va yaxshiroq yondashuvlar
bo'ladi. Statistikada aytilishicha, "Barcha modellar noto'g'ri, ammo ba'zilari
foydalidir". Yuqoridagi bayonotni yodda tutgan holda, ushbu qo'llanma sizga
foydali bo'ladi deb umid qilamiz.
Mashinani o'rganish modellarini to'rt xil kichik guruhga ajraladi, har bir
toifadagi modellarga murojaat qilinadi va ular uchun eng mos bo'lgan dasturni
muhokama qilinadi.
1-guruh Chiziqli statistik modellar:
Ushbu toifaga kiruvchi modellar:
Umumlashtirilgan chiziqli modellar: Ushbu modellar ehtimollik taqsimotiga
asoslangan va tez-tez ishlatiladigan logistika va chiziqli regressiya ushbu toifaga
tegishli. Ushbu modellarning bashoratlarning noaniqligini aniq modellash
qobiliyati ularni boshqa statistik modellardan ajratib turadigan narsadir. Eng ko'p
qo'llaniladigan taqsimotlar Gauss va Binomialdir, ammo GLM taqsimotlari
eksponensial taqsimotlar oilasiga tegishli har qanday taqsimotga asoslangan
bo'lishi mumkin. Agar siz nuqsonlar sonini taxmin qilish uchun model
yaratmoqchi bo'lsangiz, Gauss o'rniga Puasson taqsimotidan foydalaning. Yoki
ko'p sinfli tasniflash muammosi bilan shug'ullanayotgan bo'lsangiz, daraxtga
asoslangan modelga yoki SVMga o'tishdan oldin multinomial taqsimotdan
foydalaning.
Chiziqli diskriminant tahlili: Bu men ko'p sinfli tasniflash uchun o'rgangan
birinchi algoritmlardan biridir. Foydalanish qulayligi va mukammal talqin qilinishi
21

algoritmni alohida ajratib turadi. Algoritm gauss taqsimotiga asoslanadi va u
chiziqli ajratish chegarasini ham beradi.
Naive Bayes algoritmi: Ikkilik tasniflash uchun ehtimollik modeli. Katta
hajmdagi kategorik ma'lumotlar bilan ishlashda juda yaxshi. Multinomial Naive
Bayes algoritmi ko'p sinfli tasniflash uchun ham qo'llaniladi. Kamroq ma'lum
bo'lgan fakt shundaki, algoritmning qaror chegarasi chiziqli va u Logistik
regressiyaga o'xshash ishlaydi.
Afzalliklari: Kamroq ma'lumotlar bilan yaxshi ishlaydi, yuqori izohlash,
yuqori tezlik, noaniqlikni bashorat qiladi, ortiqcha moslamalarga chidamli
Kamchiliklari: chiziqlilikning kuchli taxmini, past moslashuvchanligi,
yuqori tarafkashligi, ma'lumotlarni tayyorlashni talab qiladi.
Ilmiy tadqiqotlar, bozor tadqiqotlari
Ushbu modellardan qachon foydalanish kerak:
Tahlil qilish uchun kamroq ma'lumotlarga ega bo'lganingizda va
natijalaringizni sharhlamoqchi bo'lsangiz, ushbu modellardan foydalaning. uni
tadqiqot maqolangizda yoki so'rov shakllarini tahlil qilish uchun foydalaning
Agar siz ishlab chiqarish/muhandislik sohasida bo'lsangiz, ushbu
modellardan foydalaning. masalan, mashinaning buzilishini bashorat qilish,
nuqsonlarni bashorat qilish, qiyinchiliklarni aniqlash. U ko'plab sensor/IoT
ma'lumotlarini tahlil qilish uchun ham ishlatilishi mumkin, ammo ma'lumotlar
nuqtalari soni ortib borishi bilan neyron tarmoq yechimi yaxshiroq ishlaydi.
Siz bunday modellarni bort darajasidagi jamlangan ma'lumotlarda ham
qo'llashingiz mumkin, masalan, marketing xarajatlarini optimallashtirish, mijozlar
segmentlaridan daromadlarni bashorat qilish, sotishni prognoz qilish.
Ehtimoliy taxminni ishlab chiqish qobiliyati analitikaning asosiy nuqtasidir.
Noaniqliksiz analitika shunchaki matematikadir. Noaniqlikni bashorat qilish uchun
ushbu modellardan foydalaning, masalan, ROI prognozi bo'yicha ishonch oralig'ini
oling va xavfingizni kamaytiring, optimal inventar darajasini saqlab qolish uchun
savdo noaniqligini taxmin qiling, mijozlaringizning umr bo'yi qiymatidagi
noaniqlikni aniqlang.
22

Iltimos, ushbu modellardan ma'lumotlarni individual darajada
(mikroiqtisodiyot) bashorat qilish yoki tahlil qilish uchun foydalanmang, chunki
odamlar murakkab mavjudotlar va siz asosan chiziqli bo'lmagan ma'lumotlar va
multimodal taqsimotlarga duch kelasiz, masalan, HR yo'qolishi, mijozlarni ushlab
turish, kreditga moyillik. Ushbu ilovalarning barchasida logistik regressiya yoki
diskriminant tahlili kabi modellar yaxshi ishlamasligi uchun katta imkoniyat
mavjud. Bunday stsenariylarda daraxtga asoslangan modellar sizning eng yaxshi
do'stingizdir
Yuqoridagi nuqta tibbiyot sohasida qo'llanilmaydi, chunki individual
ma'lumotlar asosan chiziqli, masalan. semizlikning ortishi yurak xastaligiga olib
keladi, bu chiziqli munosabatlardir va bunday naqshlar keng tarqalgan. Ushbu
modellar asosan Gauss taqsimotlariga asoslangan va tabiatdagi hamma narsa gauss
ekanligi ma'lum va boshqa tomondan pul ishtirok etganda bizda har xil kulgili
taqsimotlar bo'lishi mumkin. Shunday qilib, chiziqli statistik modellar bilan
ishlashda taqsimotlarni yodda tuting
2-guruh Nochiziqli statistik modellar:
Vektorli mashinalarni qo'llab-quvvatlash(SVM): Mashinani o'rganish va
statistika sohasida mavjud bo'lgan eng chiroyli modellardan biri. 10 yil oldin bu
modellar neyron tarmoqlarga raqobatdosh bo'lgan yagona statistik modellar edi.
Modellarning chiziqli bo'lmaganligini boshqarish qobiliyati ularni an'anaviy
statistik modellardan ajratib turadigan narsadir. Modelning asosiy kontseptsiyasi
1960-yillardan beri optimal chegara tasniflagichlari ko'rinishida mavjud edi, lekin
ular faqat 90-yillarda ikki statistik yadro nayrangi deb nomlanuvchi narsani kashf
qilganda amalda qo'llanildi. Yadro nayrangi dual optimallashtirish muammosidagi
kirish vektorlarining nuqta mahsulotini yadro funktsiyasi bilan almashtiradi. Bu
SVM larga cheklangan miqdordagi hisoblash bilan cheksiz o'lchovli fazoda
qarorlar chegarasini topishga imkon beradi. To'g'ri yadroni tanlash yoki turli
stsenariylar uchun yadro yaratish qobiliyati SVM-dan foydalanishdan oldin
tushunish uchun muhim mahoratdir.
23

Afzalliklari: Kattaroq ma'lumotlar to'plamlarini boshqarish qobiliyati,
chiziqli bo'lmaganlik bilan ishlov berish, kuchli taxminlarga bog'liq emas, bashorat
qilishda yuqori tezlik
Kamchiliklari: uzoqroq o'qitish vaqtlari, ko'p sinfli tasnifni amalga
oshirishda qiyinchilik, past izohlash, yuqori o'rganish egri (o'zlashtirish va
tushunish qiyin)
SVM dan qachon foydalanish kerak?
Bir paytlar SVM neyron tarmoqlardan yaxshiroq deb hisoblangan, ammo
bugungi kunga kelib, neyron tarmoqlar ko'plab ilovalarda SVM o'rnini egalladi,
jumladan tasvir tasnifi, yuzni aniqlash, matn tasnifi va nutq sintezi. Proteinlar
ketma-ketligini aniqlash, barmoq izlarini tasniflash va ko'plab geologiya ilovalari
kabi ba'zi ilovalar hali ham mavjud ekanligini ta'kidlagan holda, SVM neyron
tarmoqlaridan ustun edi. SVM ma'lumotlardagi naqshlarni aniqlash va
umumlashtirish uchun ajoyib ishni bajaradi. Undan ma'lumotlar chiziqli bo'lmagan
munosabatlarga ega bo'lgan, lekin ma'lum bir naqshga amal qiladigan ma'lumotlar
to'plamlarida foydalaning. Tibbiyot va geologiya sohasida bu naqshlar taniqli va
ajralib turadi, shuning uchun SVM yaxshi ishlaydi.
Iltimos, inson xatti-harakati bilan bog'liq ma'lumotlarda SVM'lardan
foydalanmang. Garchi inson naqshlarini ko'rsatsa ham, lekin bu naqshlar odatda
juda tasodifiy va ular uchun funktsional tuzilishga ega emas.
Yana bir keng tarqalgan chiziqli bo'lmagan statistik model mavjud
Polynomial regressiya: Iltimos, polinom munosabatlari mavjudligiga to'liq
ishonchingiz komil bo'lmasa, ushbu modeldan foydalanmang. U osongina haddan
tashqari o'rnatilishi mumkin va test to'plamida haqiqiy bo'lmagan natijalarni berishi
mumkin. Biroq, bu haddan tashqari moslashish va noto'g'ri kelishmovchiliklar
kontseptsiyasini tushuntirish uchun eng yaxshi modellardan biridir.
3-guruh daraxtga asoslangan modellar:
Ushbu toifaga kiruvchi modellar:
Qaror daraxtlari: juda talqin qilinadigan foydasiz modellar. Ehtiyotkorlik
bilan qaror daraxtlaridan foydalaning. Ularning yuqori talqin qilinishining katta
24

farqi - bu yuqori tafovut va bashorat qilishda xatolar. Butun ma'lumotlar
to'plamidagi bitta ma'lumot nuqtasini o'zgartirish orqali butunlay boshqa daraxtni
olish odatiy hol emas.
Random Forest: Ushbu model yuzlab va minglab qaror daraxtlarining
natijalarini o'rtacha hisoblab, qarorlar daraxtining kamchiliklarini bartaraf etadi. Bu
gradient kuchaytirilgan daraxtlarga qaraganda kamroq giperparametrlar bilan tez
va sodda amalga oshiriladi. U haddan tashqari o'rnatishga chidamli va shuning
uchun daraxtga asoslangan modellarni amalga oshirishda yaxshi asosiy ishlashni
ta'minlaydi.
Gradient Boosted Trees: Mashinani o'rganish sohasida ko'plab muammolarni
hal qilish uchun vosita sifatida inqilob qilgan algoritmlardan biri. Algoritm
tasodifiy o'rmon kabi yuzlab daraxtlardan foydalanadi, lekin ularni xatolarga
moslashtiradi va har bir keyingi daraxtda xatolikni muntazam ravishda
kamaytiradi. Modelni o'rganish usuli - bu boshqariladigan ortiqcha moslamaning
bir shakli va poezdlar to'plamidagi xatolik har bir iteratsiya bilan kamayadi.
Algoritmning bu xususiyati uni har qanday qaror chegarasini o'rganish uchun
etarlicha moslashuvchan qiladi. 99% hollarda gradient kuchaytirilgan daraxtlar
to'g'ri giperparametrlar to'plamiga ega tasodifiy o'rmonga qaraganda yaxshiroq
ishlaydi.
Afzalliklari: Kattaroq ma'lumotlar to'plamini boshqarish qobiliyati, jadval
ma'lumotlarini qayta ishlash qobiliyati, chiziqli bo'lmaganlik bilan ishlov berish,
kuchli taxminlarga bog'liq emas, jadval ma'lumotlari bilan ajoyib ishlaydi
Kamchiliklari: ko'proq o'qitish vaqtlari, ko'p giperparametrlarni sozlashni
talab qiladi, jadval shaklidan tashqari har qanday ma'lumotlar shaklini ishlata
olmaslik, katta ma'lumotlar to'plamini talab qiladi
Daraxtga asoslangan modellardan qachon foydalanish kerak?
Modelning katta ma'lumotlar to'plamlarida ishlash va ma'lumotlardagi
chiziqli bo'lmagan munosabatlarni boshqarish qobiliyati uni iste'molchilarning
xatti-harakatlarini tahlil qilish uchun ideal modelga aylantiradi.
25

Undan HR ishdan chiqishi, mijozlarni ushlab turish va ma'lumotlar inson
xatti-harakati bilan bog'liq bo'lgan boshqa har qanday vazifani bashorat qilish
uchun foydalaning. Yahoo bir vaqtlar qidiruv natijalarini tartiblash uchun ushbu
modellardan foydalangan.
Daraxtga asoslangan modellar parametrik bo'lmagan modellar bo'lib, ular
funktsional munosabatlarni o'rganish o'rniga ular o'qitilgan ma'lumotlarni yodlaydi.
Modelning bu xususiyati uni ko'plab klasterlash va segmentatsiya algoritmlariga
o'xshash qiladi. Inson xulq-atvori o'xshash va bashorat qilishning eng yaxshi usuli
o'xshash xatti-harakatlar modellarini solishtirishdir. Misol uchun, firibgarlikni
aniqlashda, agar odam firibgarlik qila oladimi yoki yo'qligini taxmin qilmoqchi
bo'lsangiz, avval sodir bo'lgan shunga o'xshash holatlarni ko'rib chiqasiz.
4-guruh: Neyron tarmoqlar
Neyron tarmoq arxitekturalari mashinani o'rganish sohasida inqilob qildi.
Neyron tarmoqlar ko'p sonli parametrlarga ega bo'lgan funktsional modellardir. Bu
ularga ma'lumotlardagi har qanday chiziqli bo'lmagan narsalarni boshqarish
qobiliyatini beradi. Shuni ta'kidlash kerakki, neyron tarmog'ining nazariy
imkoniyatlari cheksizdir, ammo ularni o'qitish ma'lumotlar yoki hisoblash
mavjudligi bilan cheklangan. Oddiy qilib aytganda, siz ko'pincha modelingiz
mantig'i mukammal bo'lishi mumkin bo'lgan muammoga duch kelishingiz
mumkin, lekin uning ishlashi pasayadi yoki siz modelni o'rgata olmaysiz.
Afzalliklari: Ma'lumotlarning har qanday shaklini boshqarish qobiliyati, Har
qanday vazifani bajarish qobiliyati, uzatishni o'rganishni qo'llab-quvvatlaydi
Kamchiliklari: sekin o'qitish tezligi, katta hajmdagi ma'lumotlarni talab
qiladi
Ushbu modellarni qo'llashni o'rganish juda maftunkor va g'azablantiradi.
Buni yodda tutgan holda, men boshqa mashinani o'rganish modellariga adolatli
bo'lish uchun ikkita maslahat berishim mumkin.
26

XULOSA
"Neyron to'rlari" yoki "neyron tarmoqlari" o'rganish jarayonida kelajakda
faol ishlaydigan sun'iy intellekt texnologiyalarini rivojlantirishda bir necha falajlik
sabablarni ko'rsatish mumkin:
Ma'lumot Muddati va Intellektual Yaroqlilik(Data Duration and Intellectual
Property): Neyron tarmoqlari uchun kerakli ma'lumot miqdori va yaxshi natijalar
olish uchun, katta ma'lumot bazalari va intellektual yaroqlilik talab etiladi. Bu
ma'lumotlarning to'plami va tahlili uzun va mushkul jarayonlarni talab qiladi.
Texnologik Imkoniyatlar: Neyron tarmoqlari, kuchli kompyuterlar, grafika
ishlab chiqarish va ko'p funksiyali uskunalar orqali kuchli hisoblash algoritmlarini
ishga tushirishni talab qiladi. Texnologik imkoniyatlar va uskunalar
rivojlantirildikça, Neyron tarmoqlari ham yuqori darajada rivojlantiriladi.
Algoritmlar va Dasturlash Tili: Neyron tarmoqlari uchun mos algoritmlar va
dasturlash tillari zarur. Yaratilayotgan Neyron tarmoqlari algoritmlar va dasturlash
tillari orqali xavfsiz ishlashini ta'minlash uchun keng qamrovli dasturlash tillari va
algoritmlar bilan rivojlantiriladi.
So'nggi Intellektual Algoritmlar: O'rganish jarayonida foydalanilayotgan
asosiy intellektual algoritmlar, Neyron tarmoqlarini muvaffaqiyatli yaratishda va
rivojlantirishda katta rol o'ynaydi. Bu algoritmlar o'rganish, tasniflash, prediktsiya
qilish, klasterizatsiya qilish va boshqa vazifalarni bajarishda foydalaniladi.
Neyron tarmoqlari o'rganish jarayonida, xatolikni aniqlash, natijalarni
baholash va so'nggi tuzilishni rivojlantirish uchun qandaylik xisoblashning yanada
rivojlantirilishi lozim. Bu, texnik muammolarni bartaraf etish, natijalarni sifatli
tahlil qilish va algoritmlarni yanada rivojlantirish uchun muhimdir.
Bu falajlik sabablari, sun'iy intellektning Neyron tarmoqlari bo'yicha
o'rganish jarayonini yaxshi tuzish va rivojlantirishda muhimdir. Bu sabablarga
e'tibor qilish, sun'iy intellektning yuqori darajada foydalanilishi va keng
rivojlanishi uchun juda muhimdir.
27

FOYDALANILGAN ADABIYOTLAR
1. Akhmedov, B. A., & Khasanova, S. K. (2020). Public education system
methods of distance in education in development of employees. Journal of
Innovations in Engineering Research and Technology, 1(1), 252-256.
2. Ахмедов , Б . А . (2020). Математические модели оценки
характиристик качества и надежности программного обеспечения.
EURASIAN EDUCATION SCIENCE AND INNOVATION JOURNAL, 3(10),
97-100.
3. Гулбоев , Н . А ., Дуйсенов , Н . Э ., Ахмедов , Б . А . (2020). Модели
систем управления электрическими сетями. Молодой ученый, 22(312), 105-
107.
4. Мухамедов, Ғ. И., & Ахмедов, Б. А. (2020). Инновацион “ Klaster
mobile ” иловаси. Academic Research in Educational Sciences , 1 (3), 140-145.
5. Ахмедов, Б. А. (2020). О развитии навыков интерактивных онлайн-
курсов в дистанционных условиях современного общества (модель-
программа для преподавателей образовательных учреждений). Universum :
технические науки, 12 (81), 11-14.
6. Ахмедов, Б.А., Якубов, М. С. (2020). Геймификация
образовательного процесса кластерный подход. INTERCONF, 2 (38), 371-378.
7. Yusupov, M., Akhmedov, B. A., & Karpova, O. V. (2020). Numerical
Simulation of Nonlinear Vibrations of Discrete Mass with Harmonic Force
Perturbation. Acta of Turin Polytechnic University in Tashkent, 10 (4), 71-75.
8. Akhmedov, B. A., Xalmetova, M. X., Rahmonova, G. S., Khasanova, S.
Kh. (2020). Cluster method for the development of creative thinking of students of
higher educational institutions. Экономика и социум , 12(79).
9. Akhmedov, B. A., Makhkamova, M. U., Aydarov, E. B., Rizayev, O. B.
(2020). Trends in the use of the pedagogical cluster to improve the quality of
information technology lessons. Экономика и социум , 12(79).
28

10. Akhmedov, B. A., Majidov, J. M., Narimbetova, Z. A., Kuralov, Yu. A.
(2020). Active, interactive and distance forms of the cluster method of learning in
development of higher education. Экономика и социум , 12(79).
11. Akhmedov, B. A., Eshnazarova, M. Yu., Rustamov, U. R.,
Xudoyberdiyev, R. F. (2020). Cluster method of using mobile applications in the
education process. Экономика и социум , 12(79).
12. Akhmedov, B. A., Kuchkarov, Sh. F., (2020). CLUSTER METHODS
OF LEARNING ENGLISH USING INFORMATION TECHNOLOGY.
SCIENTIFIC PROGRESS, 1(2), 40-43.
13. 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.
14. Ashirova A.I., Yusupov D.F. Ta’limda neyrotarmoq texnologiyasi
metodlaridan foydalanish./ «Arxitektura va qurilish sohasi uchun kadrlar
tayyorlash muammolari» respublika ilmiy-amaliy konferensiya tо‘plami – Nukus,
QDU, 2012 yil -287b. (30-31 b.)
29

SUN’IY NEYRON TO’RLARINI O’RGANISH JARAYONIDAGI FALAJLIK SABABLARI

Купить