Sun`iy neyron to`rlarni o`qitish - Информатика и ИТ - Курсовые работы

Информация о документе

Цена	50000UZS
Размер	415.0KB
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`rlarni o`qitish

Купить

MAVZU: SUN`IY NEYRON TO`RLARNI O`QITISH
MUNDRIJA:
KIRISH……………………………………………………..……………..………3
I.BOB. SUNIY INTELLEKT VA SUN`IY NEYRON TO`RLAR ……………4
1.1. Suniy intellekt ………………………………………………………………...4
1.2. Suniy neyron to`rlar …………………………………………………………..8
II.BOB. SUN`IY NEYRON TO`RLARNI O`QITISH ………………………...11
2.1. Sun`iy neyron to`rlarnini o`qitish ……………………………………………..11
2.2. Koxonen о ‘z- о ‘zini tashkil etuvchi neyron t о ‘rlari …………………………..19
2.3. Rekurrent t о ‘rlar ……………………………………………………………….21
XULOSA ………………………………………………………………………….26
FOYDALANILGAN ADABIYOTLAR…………………………………………27
1

KIRISH
Kurs ishining dolzarbligi: Suniy intеllеkt — inson intеllеktining ba'zi vazifalarini
o’zida mujassamlashtirgan avtomatik va avtomatlashtirilgan tizimlar hususiyati.
Sun'iy intеllеkt shaxsning nisbatan barqaror bo’lgan, masalan, axborotni qabul qilish
va undan ma'lum masalalarni hal qilishda foydalana olishi kabi aqliy qobiliyatini
ifodalaydi..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. Bugungi ilg'or texnologiyalar rivojlangan davrda sun'iy intelekt
va uning unsurlari deyarli hayotning barcha jabhalariga tadbiq etilmoqda. Jumladan, oddiy
uy ro'zg'orida ishlatiladigan zamonaviy quilmalar televizorlar, sovutgichlar, kir yuvish
mashinalari, pechlar, xavfsizlik tizimlari va aqilli uy qurilmalari shular jumlasidandir.
Shuning uchun qadim zamonlardan buyon odamlar o'zlarining fikrlashlarini qanday
ishlashini tushuntirishga harakat qilishgan.Sun`iy neyron to`rlarni o`qitish huddi shaxsga
ta`lim berishday ish hisoblanadi farq shundaki suniy intelekt tez hisoblaydi va uning
xotirasidan ma`lumotlar vaqt o`tishi bilan yo`qolib ketmaydi Sun'iy neyron tarmoqlarini
o'qitishda, birinchi navbatda ma'lumotlar to'planadi.. Bu ma'lumotlar ko'p xil shakllarda
bo'ladi: matnlar, rasmlar, video, va boshqa turlardagi ma'lumotlar O'rganuvchilar
ma'lumotlarni tahlil qilish va ulardan qanday o'rganishlarni o'rganishni o'rganish uchun
tayyorlanadi. Bu jihatdan, texnologiyalarning taraqqiyotini o'rganish, ma'lumotlar va
dasturlar orasidagi munosabatlarni aniqlash, yoki rasmlarni tushunishni o'rganishi mumkin
Kurs ishining maqsadi va vazifasi : Sun`iy neyron tarmoqlarni o`qitishda hosil
bo`ladigan muammolarni bartaraf etish usullarini qidirishdir
Kurs ishining tuzilishi: kurs ishi kirish, ikkita bob, 1-bobda ikkita reja 2-bobda
uchta reja, xulosa va foydalanilgan adabiyotlar
I.BOB. SUNIY INTELLEKT VA SUN`IY NEYRON TO`RLAR
2

1.1. Suniy intellekt
Sun’iy intellekt (SI) - bu tezkor hisoblash muhitda algoritmlar yaratish va qo‘llash
orqali insonning aql-idrok jarayonlarini taqlid qilish uchun zamindir. Sodda qilib aytganda,
sun’iy intellekt kompyuterlarni odam kabi o‘ylash va yechim topishga yo‘naltirilgan
texnologiya
Miloddan avvalgi birinchi asrdan boshlab insonlar odam miyasini taqlid qiladigan
mashinalar yaratish imkoniyatiga qiziqishgan. Bizning davrimizda sun’iy intellekt atamasi
1955- yilda Jon Makkarti (John Maccarthy) tomonidan kiritilgan. 1956- yilda Makkarti va
boshqalar Sun’iy intellekt bo‘yicha Yozgi Dartmut Tadqiqot Loyihasi konferensiyasini
tashkil etishadi. Ushbu tashabbus mashina o‘rganishi, chuqur o‘rganish, bashoratli tahlillar
kabi ko‘p ixtirolar qilinishiga olib keladi. Undan tashqari, bu tashabbus yangidan-yangi
sohani - ma’lumotshunoslikni (data science) keltirib chiqaradi.
Sun’iy intellekt odatda inson ongi bilan bog‘liq imkoniyatlar: tilni tushunish, o‘rgatish,
muhokama qilish, masalani yechish, tarjima va boshqa imkoniyatlarni yaratish bilan
shug‘ullanadi. Sun’iy intellekt turli amallarni bajarishga mo‘ljallangan algoritm hamda
dasturiy tizimlardan iborat va u inson ongi bajarishi mumkin bo‘lgan bir qancha vazifalarni
bajara oladi
Sun iy ong, sun iy intellekt yoki sun iy idrok (inglizcha: Artificial intelligence; odatda, AIʼ ʼ ʼ
sifatida ham qisqartiriladi) — insonlar yoki hayvonlar tomonidan ko rsatiladigan tabiiy
ʻ
ongdan farqli o laroq, mashinalar tomonidan ko rsatiladigan ongdir. Yetakchi sun iy ong
ʻ ʻ ʼ
darslik kitoblari bu sohani „ongli agentlar“ni o rganish deya ta riflaydi: o z muhitini
ʻ ʼ ʻ
fahmlaydigan va maqsadlariga muvaffaqiyatli erishish imkoniyatini maksimal darajada
oshiradigan amallarni amalga oshiruvchi har qanday sistema. Xalq orasida „sun iy ong“
ʼ
atamasi ko pincha „o rganish“ va „muammolarni yechish“ kabi inson idroki bilan
ʻ ʻ
bog laydigan „kognitiv“ funksiyalarni taqlid qiladigan mashinalarni tasvirlashda ishlatiladi,
ʻ
biroq bu ta rifni yirik sun iy ong tadqiqotchilari rad etishadi.
ʼ ʼ
Sun iy ong ilovalari yetuk web-qidiruv tizimlari (masalan, Google), tavsiya etuvchi tizimlar
ʼ
(bundan YouTube, Amazon va Netflix foydalanadi), inson nutqini anglash (masalan, Siri
yoki Alexa), o ziyurar mashinalar (masalan, Tesla) hamda strategik o yin tizimlarida
ʻ ʻ
3

(masalan, shaxmat va Go) yuqori darajada raqobatlashishni o z ichiga oladi. Mashinalarʻ
tobora ko p qobiliyatlarga ega bo lib borishar ekan, „ong“ talab etuvchi vazifalar ko pincha
ʻ ʻ ʻ
sun iy ong effekti deb ataluvchi fenomen bo lgan sun iy ong ta rifidan olib tashlanadi.
ʼ ʻ ʼ ʼ
Sun’iy intellekt 1956-yilda akademik intizom sifatida asos solingan. Soha ko p optimizm
ʻ
davrlarini bosib o tdi, so ngra umidsizlik va mablag yo qotildi, biroq 2012-yildan keyin
ʻ ʻ ʻ ʻ
chuqur o rganish barcha oldingi sun’iy intellekt usullaridan oshib ketganidan so ng,
ʻ ʻ
moliyalashtirish va qiziqishda katta o sish kuzatildi. Sun iy intellekt tadqiqotining turli
ʻ ʼ
kichik sohalari ma’lum maqsadlar va muayyan vositalardan foydalanishga qaratilgan.
Sun iy intellekt tadqiqotlarining an’anaviy maqsadlariga fikrlash, bilimlarni taqdim etish,
ʼ
rejalashtirish, o rganish, tabiiy tilni qayta ishlash, idrok etish va robototexnikani qo llab-
ʻ ʻ
quvvatlash kiradi. Umumiy razvedka (o zboshimchalik bilan muammoni hal qilish
ʻ
qobiliyati) sohaning uzoq muddatli maqsadlaridan biridir. Ushbu muammolarni hal qilish
uchun sun’iy intellekt tadqiqotchilari qidiruv va matematik optimallashtirish, rasmiy
mantiq, sun’iy neyron tarmoqlar va statistika, operatsiyalarni o rganish va iqtisodiyotga
ʻ
asoslangan usullarni o z ichiga olgan keng ko lamli muammolarni hal qilish usullarini
ʻ ʻ
moslashtirdilar va birlashtirdilar. Sun iy intellekt psixologiya, tilshunoslik, falsafa,
ʼ
nevrologiya va boshqa ko plab sohalarga ham tayanadi. Dastlabki tadqiqotchilar odamlar
ʻ
boshqotirmalarni yechishda yoki mantiqiy xulosalar chiqarishda foydalanadigan
bosqichma-bosqich fikrlashga taqlid qiluvchi algoritmlarni ishlab chiqdilar. 1980-yillarning
oxiri va 1990-yillarga kelib noaniq yoki to liq bo lmagan ma lumotlar bilan ishlash
ʻ ʻ ʼ
usullari, ehtimollik va iqtisod tushunchalaridan foydalangan holda ishlab chiqildi. Ushbu
algoritmlarning aksariyati katta fikrlash muammolarini hal qilish uchun yetarli emas,
chunki ular „kombinator portlash“ ni boshdan kechiradilar: muammolar kattalashgani sayin
ular eksponent ravishda sekinlashdi. Hatto odamlar ham sun’iy intellektning dastlabki
tadqiqotlari modellashtirishi mumkin bo lgan bosqichma-bosqich chegirmalardan kamdan-
ʻ
kam foydalanadilar. Ular tez, intuitiv mulohazalar yordamida o zlarining aksariyat
ʻ
muammolarini hal qilishadi. To g ri va samarali fikr yuritish hal qilinmagan muammodir.
ʻ ʻ
Sun’iy intellekt tushunсhasiga turlicha ma’no kiritish mumkin. Turli mantiq va hisoblash
masalalarini yechuvchi EHMdagi intellektni e’tirof etishdan tortib, to insonlar yoki
ularning ko’pchilik qismi orqali yechila oladigan masalalar majmuasini yechadigan
4

intellektual tizimlarga olib boradigan tushunchagacha kiritish mumkin. SI tushunсhasi
boshidan va shu kunga qadar olimlarning bu tushunchaga bo’lgan munosabati va ularning
«sun’iy» so’ziga nisbatan kelishmovchiligi tufayli qarshiliklarga uchramoqda.
SI ning qo’llanilish sohalariga quyidagilar kiradi:
1. Teoremalarni isbotlash;
2. O’yinlar;
3. Tasvirlarni tanish;
4. Qaror qabul qilish;
5. Adaptiv (moslashuvchan) dasturlash;
6. Mashinada musiqalarini bastalash;
7. Tabiiy tilda ma’lumotlarni qayta ishlash;
8. O’qituvchi to’rlar (neyroto’rlar);
9. Og’zaki kontseptual o’qitish.
Kamchiliklari;
1. Barqaror emas
2. Qiyin o‘tkazuvchi (ifodalovchi)
3. Qiyin hujjatlashtiriluvchi
4. Oldindan aytib bo‘lmaydigan
5. Qimmatli
Ustunliklari;
1. Doimiy
2. Oson ifodalanuvchi
3. Oson hujjatlashtiriluvchi
4. Doim bir xil
5. Maqbul
Sun’iy intellektni kelajakda qo’llash sohasidagi rejalar: qishloq xo’jaligida kompyuterlar
ekinlarni zararkunandalardan himoya qilishi, daraxtlarni kesish va tanlash xususiyatiga
asoslanib parvarishlashni ta’minlashi kerak. Tog’ sanoatida kompyuterlar insonlar uchun
o’ta xavfli bo’lgan sharoitlarda ishlashi kerak. Ishlab chiqarish sohasida HM lari yig’ish va
texnik nazoratning turli xil masalalarini bajarishi kerak. Tashkilotlarda HM lari jamoa va
5

alohida xodimlar uchun jadval tuzish, yangiliklar haqida ma’lumot berish bilan
shug’ullanishi kerak. O’quv yurtlarida HM lari talabalar yechadigan masalalarni ko’rish,
undagi xatolarni izlash va ularni bartaraf qilish masalarini hal qilishi kerak. Ular talabalarni
hisoblash tizimlarining xotirasida saqlanadigan superdarsliklar bilan ta’minlashlari kerak.
Kasalxonalarda HM lari be’morlarga tashxis qo’yish, ularni kerakli bo’limga yuborish va
davolash davomida ularni nazorat qilishlari kerak. Uy ishlarida HMlari ovqat tayyorlash,
maxsulot harid qilish bo’yicha maslahatlar berish, uyning va bog’dagi gazonlarning holatini
nazorat qilishi kerak. Albatta ayni vaqtda bularning hech qaysisini amalga oshirish imkoni
yo’q, lekin SI sohasidagi tadqiqotlar ularni amalga oshirish imkonini berishi mumkin.

6

1.2 Sun`iy neyron to`rlar
Odam miyasi juda murakkab tuzulishga ega. Uning qanday ishlashini o’rganish maqsadida
juda ko’p ilmiy izlanishlar olib borilgan va borilmoqda. Ma’lumki inson miyasi katta
xajmdagi axborotni tez qayta ishlay oladi.
Bunga sabab millionlab miya nerv xujayralari -
neyronlarning parallel ishlashidir Sun’iy
neyronlarning g’oyaviy asosi xam biologik
neyron xujayralari xisoblanadi. Bugungi kunda
miyaning ishlashini o’rganish yo’lida fan
erishgan yutuqlardan kelib chiqib biologik
neyron quyidagicha ishlashini aytish mumkin.
Nerv xujayrasi - neyron bo’lib, u ma’lumotlarni
qayta ishlovchi eng kichik birlikdir. O’z
o’rnida xar bir neyronda ko’plab o’simtalar bo’ladi. Bu o’simtalarning bittasidan boshqa
barchalari akson deb nomlanadi va aksonlar orqali neyronga tashqi signallar keladi. Bitta
o’simta dendrid deb nomlanadi va u orqali neyron tashqariga signal beradi. Ko’plab
neyronlar bir birlari bilan ma’lum arxitekturada bog’langan bo’ladi. Bir neyronning aksoni
boshqa bir neyronning dendridiga bog’langan nuqtalari sinaps deyiladi. Shu tariqa
millionlab neyronlar bir-birlari bilan bog’lanib ma’lum bir arxitekturadagi neyron to’rlarini
tashkil qiladi. Bitta oldingi qatlamdagi neyron chiqish o’simtasi - dendrid orqali signalni
keyingi qatlamdagi neyronlarga ularning aksonlari orqali beradi. Eng birinchi qatlamdagi
neyronlar signallarni ma’lum organlarning retseptorlari orqali oladi. Masalan ko’z, burun,
teri va xokazolar. Eng oxirgi qatlamdagi neyronlar esa signallarni ma’lum organlarning
muskullariga uzatadi. Sun’iy neyron tabiiy neyronning funktsiyasini bajara oladigan
matematik modelb, apparat yoki kompyuter dasturidir. Bunda signallarning qiymati (ya’ni
amplitudasi)gina xisobga olinadi. Tabiiy neyronda esa nafaqat signalning qiymati, balki
chastotasi xam xal qiluvchi axamiyatga ega bo’lishi mumkin. Ammo organizmlar miyasini
bugungi o’rganilganlik darajasi juda past bo’lib, xozirgacha bu borada ilmiy natijalarga
erishilmagan. Neyron deyilganda sun’iy neyron aniqrog’i, kompyuter dasturini nazarda
tutiladi.
7

Oddiy neyronni ko’rib chiqaylik:
Bu erda: p - kirish vektori (input vector);
R- kirish elementlari soni (number of input elements);
w- og’irliklar vektori (weight vector);
b- surilish (bias);
n- kirishning og’irliklarga ko’paytirilgan va surilgan qiymati (wpqb);
f- transfer funktsiya (transfer function);
a- chiqish (output). Neyronga kirish vektori p beriladi.
Kirishlarning barchasi bir xil ta’sir kuchiga ega bo’lmaydi. SHuning uchun ma’lum
kirishning ta’sir kuchini boshqarish maqsadida og’irlik w tushunchasi kiritilgan. Xar bir
kirish qiymati p og’irliklar vektori w ning mos elementiga ko’paytirilib natijalar jamlanadi.
Summaga surilish qiymati b qo’shiladi. b xam og’irlik w ga juda o’xshash, ammo uning
«kirish» qiymati o’zgarmas 1 (bir) konstantadir (ya’ni b kirish qiymati emas). Natijada
transfer funktsiyaning kirish qiymati n xosil bo’ladi (ya’ni n+wp+b). Bu qiymat transfer
funktsiya (uzatish funktsiyasi)ga parametr sifatida berilib neyronning chiqishi a topiladi. W
va b neyronning sozlanadigan parametrlaridir. Ana shu parametrlar o’zgartirilib neyron
ma’lum bir funktsiyani bajaradigan xolga keltiriladi. SHu jarayon neyronni o’rgatish deb
yuritiladi. Neyron to’rlarning markaziy g’oyasi xam ana shunda: neyronlarning w va b
qiymatlarini o’zgartirib, ya’ni o’rgatib ixtiyoriy vazifani bajaradigan xolga keltirish
mumkin. Neyronni sxematik ravishda quyidagicha ifodalash mumkin:
Neyron kirish qiymatlarini og’irliklarga ko’paytmasini jamlabgina qolmasdan ma’lum bir
funktsiya - transfer funktsiyada xam qayta ishlaydi. Transfer funktsiya sifatida chiziqli,
zinali, logarifmik-sigmoida, tangensoida funktsiyalaridan foydalaniladi. qanday
funktsiyadan foydalanish aniq masalaga bog’liq. Bitta neyronning funktsional quvvati juda
past, lekin uning afzalliklaridan biri - ko’plab neyronlar birlashtirilib, quvvati oshirilib
8

ishlatilishi mumkin. Neyron to’rlarning nazariy asoslari dastlab
1943 yilda U.Makkalox va uning shogirdi U.Pitts olib borgan
tadqiqotlarga borib taqaladi. Neyron tushinchasi va og’irlik
tushinchasi shu olimlarning ilmiy izlanishlaridan qolgan.
Makkalox modelining asosiy kamchiligi transfer funktsiya
(o’tish funktsiyasi) sifatida faqatgina zinali funktsiyadan foydalanilgan. Bu xam aslida
Makkaloxning ilmiy qarashlaridan biri edi. Olim transfer funktsiya faqat ikki xolatdagina
bo’la olishi kerakligini, neyron xam kirish signallariga qarab ikki xolatning birida -
ishlagan yoki ishlamagan xolda o’z natijasini setning keyingi neyronlariga uzatishi
lozimligini aytgan. Ammo keyingi tadqiqotchilarning ilmiy izlanishlari natijasida shu narsa
ma’lum bo’ldiki, transfer funktsiya sifatida faqatgina zinali funktsiya emas, balki boshqa
funktsiyalardan, masalan chiziqli, logarifmik-sigmoida, tangens-sigmoida kabi
funktsiyalardan foydalanish xam yaxshi natijalar beradi (qaysi transfer funktsiyadan
foydalanish aniq xolatlarga, muammolarga bog’liq). Makkaloxning ishlarida ba’zi
kamchiliklarga xam yo’l qo’yilgan bo’lishiga qaramasdan neyron to’rlarning nazariyasi
negizi xali xam o’shandayligicha qolmoqda.

9

II.BOB. Sun`iy neyron to`rlarni o`qitish
2.1 Sun`iy neyron to`rlarni o`qitish
Sun’iy neyron tо‘rini о‘qitish tushunchasi. Pedagogika ilmida о‘qitish о‘z о‘rnini
topgan va juda keng ishlatiladigan termindir. О‘qitish deganda ta’lim olishning asosiy
yо‘lini, pedagoglar, masterlar (ustalar), ustozlar va boshqalar rahbarligida bilimlarni,
bajaraolishni va kо‘nikmalarni egallash jarayoni tushuniladi. Ta’lim olish mobaynida
о‘quvchi ijtimoiy tajribani о‘zlashtiradi, obyektiv borliqqa bо‘lgan qimmatli-emotsiyali
munosabatlari shakllanadi. Individual, shaxsiy imkoniyatlarining rivojlanishi,
о‘quvchilarning qiziqishlari differensiallangan о‘qitish jarayonida amalga oshiriladi va bu
tarbiya bilan chambarchas bog‘langan.
Xuddi shunday “о‘qitish” termini Sun’iy intellekt tizimlarini qurish amaliyoti va
nazariyasida ham о‘z о‘rnini topgan va undan foydalanishmoqda. Pedagogika fanining
tajribalarini umumlashtirish Sun’iy intellektli tizimlarni о‘qitish nazariyasining ilmiy-
metodologik apparatini juda ham kо‘p boyitishi mumkin.
О ‘tgan asrning 50 yillarining о ‘rtalarida intellektli tizimlar keng rivojlana boshladi.
Juda k о ‘p intellektual tizimlar yaratildi, biroq keyingi paytlarda jadal rivojlanayotgan
intellektual tizimlarning sohasi neyrotarmoq tizimlar hisoblanadi. Umuman olganda
neyrotarmoq tizimlarning asosida jonli mavjudotlarning, xususan insonning miya
faoliyatini modellashtirish g‘oyasi yotadi. Shu boisdan ham ilmiy adabiyotlarda Sun’iy
neyron t о ‘rlari (SNT) termini ishlatiladi. Shuni esda tutish kerakki jonli mavjudotlarning
miya tuzilishini asosini biologik neyron t о ‘rlari hosil qiladi. Biologik neyron t о ‘rlarining
element bazasini ximiyaviy asoslangan strukturalar, Sun’iy neyron t о ‘rlarining asosini esa
mikroelektronikaga asoslangan strukturalar tashkil etadi. Sun’iy neyron t о ‘rlari shaxsiy
kompyuterlar asosida qurilishi mumkin. Sun’iy neyron t о ‘rlarining strukturasi medik
olimlar tomonidan jonli mavjudotlarning miya tuzilishini о ‘rganish natijasida aniqlandi.
Sun’iy neyron tshrlarining rivojlanishidagi yangi rezonans (jonlanish) 1984 yilda yaratilgan
yangilik, ixtiro neyron t о ‘rlarini sozlash metodi – xatolikning teskari tarqalish metodi.
Metod juda samarali hisoblandi va xalq x о ‘jaligining turli sohalarida neyron t о ‘rlarini
q о ‘llash b о ‘yicha ommaviy ilmiy izlanishlarni olib borishga asos soldi.
Barcha manbalarda, jumladan 1945 yilda oddiy t о ‘rlarni о ‘rganishdan boshlab, SNT
10

ning vazn koeffitsiyentlarini sozlash (aniqlash) jarayoni о ‘qitish jarayoni sifatida qaraladi.
“ О ‘qitish” termini SNT b о ‘yicha mutaxassislar tomonidan amaliyotga keng tadbiq
qilinmoqda, bunga hech qanday shak-shubha y о ‘q. Shunday qilib, biologik va Sun’iy
neyron t о ‘rlarining metodologik bazasini о ‘qitish protsedurasi tashkil qiladi. Neyron
t о ‘rlarini amaliy ilmiy-texnikaviy ilovalarga tadbiq qilish xususiyatlarini о ‘rganish tajribasi
Sun’iy neyron t о ‘rlarini о ‘qitish protsedurasini amalga oshirish va pedagogika ilmining
asoslariga mos ravishda о ‘quvchilarni о ‘qitish protsedurasining о ‘xshashligini namoyon
qilmoqda. О ‘xshashlik shundan iboratki, о ‘qitish protsedurasini amalga oshirish uchun
shunday bir misollarni maxsus tanlash uslubini ishlab chiqish zarur, о ‘qitish alohida
misollarni bosqichma-bosqich о ‘zlashtirish bilan amalga oshiriladi. Natijada о ‘qitish sifati
na faqat misollarning soniga, balki ularning tarkibiga, mazmuniga k о ‘proq bog‘liq, ta’lim
jarayonida takrorlashlarga k о ‘p о ‘rin ajratilgan, har bir bosqichda vazn
koeffitsiyentlarining qiymatlari, о ‘qitish tizimining strukturasi va davriyligi о ‘zgaradi.
Muhim о ‘xshashlik jihatlaridan bittasi shundan iboratki, ya’ni о ‘qitilgan Sun’iy tizim
xuddi insonga (mutaxassisga) о ‘xshab о ‘qitilgandan keyin tanlangan o‘qitish tipidagi
masalarga kirmagan ( о ‘xshamagan) masalalarni muvaffaqiyatli yechishi mumkin.
Asosiy о ‘xshashlik quyidagilardan iborat:
1. О ‘qitish sifati k о ‘p jihatdan na faqat tanlab olingan misollarning soniga, balki
ularning sifatiga, tarkibiga, mazmuniga k о ‘proq bog‘liq. Agar shunday tasavvur qilsak,
ya’ni barcha tanlab olingan misollar birorta funksional bog‘lanishlar bilan bog‘langan
b о ‘lsa, u holda juda yaxshi samara shunday bir holatda olinadiki, qachonki misollar
funksional bog‘lanishning turli sohalariga mansub b о ‘lsa. Ma’lumki, ayrim hollarda bir
qancha misollar yetarlicha hisoblanadi, neyron t о ‘ri k о ‘rinishidagi intellektual tizim
bog‘lanishlarni aniqlab bersa. Insonni о ‘qitishda ham birinchi navbatda xuddi shunday
masala q о ‘yiladi, ya’ni ta’lim oluvchi о ‘qiladigan misollarning asosiy bog‘lanishlarini yoki
yechish tartibini, algoritmini tushunishi (aniqlashi) zarur. Demak misollarni yechish
metodikasini о ‘zlashtirish, algoritmini tushunib yetish asosiy hisoblanadi, о ‘quv materialini
mustahkamlash esa takrorlash yoki treninglar hisobiga erishiladi. K о ‘p jihatdan
pedagogning ustamonligi, misollarning asosiy bog‘lanishlarini aniqlashga yoki yechimga
olib boradigan asosiy yondashuvlarga y о ‘naltirilgan о ‘qitishning qanday qurilganligiga,
11

tashkil etilganligiga, misollarni tanlash va о ‘zlashtirish darajasini nazorat qilishga
bog‘liqliq. Ma’lumki, ayrim hollarda yuqori natijalarga erishish uchun tajribali
pedagogning bir nechta mashg‘uloti yetarlicha hisoblanadi. K о ‘rinib turibdiki, tajribali
pedagog о ‘quvchiga shunday ta’lim beradiki, materialni о ‘rgatadiki, natijada о ‘quvchida
misollardagi asosiy bog‘lanishlarni aniqlab olish k о ‘nikmasi hosil b о ‘ladi. О ‘quv
materialini mustahkamlash esa mustaqil tarzda yoki tajribasi ancha past b о ‘lgan pedagog
rahbarligida amalga oshirilishi mumkin.
2. О ‘zlashtiriladigan materialni takrorlash jabhasi. Har qanday sohada о ‘quv
materialini о ‘zlashtirishning xususiyatlaridan bittasi shundan iboratki о ‘zlashtiriladigan
materialni yoki yechiladigan misollarni takrorlash zarur. Sun’iy neyron t о ‘rlarida ham
davriy tarzda о ‘qitish tanlanmasidagi misollardan olib “taqdim etiladi”, keyin esa vazn
koeffitsiyentlarini qiymatlariga tuzatishlarkiritishni taqozo etadi. Intellektual tizimlarda
har bir о ‘qitish bosqichi о ‘qitishning “davri” deb nomlanadi. О ‘qitishning boshlanishida
о ‘qitish sikllarining (davri) soni bir nechta о ‘ntaga, ayrim hollarda esa yuz minglagan
sikllarga yetishi mumkin. О ‘qitish metodikasining shakllanishi mobaynida о ‘qitish sikllari
soni birdaniga keskin kamayadi, ayrim hollarda yuzlagan sikllarga erishishi mumkin.
Pedagogika fanining amaliyotida bunday о ‘xshash misollar t о ‘plamini topish mumkin.
3. “qayta о ‘qitish” jabhasi. Intellektual tizimlarda shunday holatlar aniqlanganki,
tizim misollar t о ‘plamini amaliy jihatdan eslab qoladi va va о ‘qitish t о ‘plamiga kirmagan
misollar uchun masalalarni juda yomon yechadi. Pedagogikada ham bunday holatlar
mavjud, ya’ni shunday о ‘quvchilar borki ularda axborotlarni eslab qolish qobiliyati juda
yaxshi rivojlangan. Sun’iy intellekt tizimida esa eslab qolish qobiliyati k о ‘p jihatdan
neyronlar soni bilan aniqlanadigan t о ‘rning k о ‘rinishiga va hajmiga bog‘liq.
4. Ta’lim olish bosqichida ayrim mashg‘ulotlarni о ‘tkazib yuborish (yoki ayrim
topshiriqlarni yechmaslik) aspekti. Bunda о ‘quvchi ayrim sababalarga binoan
mashg‘ulotlarning bir qismini о ‘tkazib yuborishi yoki topshiriqlarni t о ‘laligicha
bajarmasligi mumkin. Natijada qoldirilgan materiallarni о ‘zlashtirish fragmentar (mustaqil
yoki har xil о ‘qituvchilar rahbarligida). Amaliyotda bunday fragmentlar b о ‘yicha о ‘quv
materialini о ‘zlashtirishga bir qancha tuzatishlar natijasida ijobiy erishish mumkin.
Neyron t о ‘rlariga nisbatan fragmentli о ‘qitishga erishish mumkin, qachonki
12

misollarning biror qismi о ‘qitish tanlanmasiga kiritilmagan b о ‘lishi mumkin. Tajribalarni
ularni olishni qiyinligi sababli, yozish paytidagi uzilishlar r о ‘y berish holatlari, tashqi
ta’sirlar natijasida axborotlarning buzilish holatlari va boshqalar. Boshqacha variant ham
b о ‘lishi mumkin, ya’ni tanlangan misollar ishonchli emas, not о ‘g‘ri. Misollar maqsadli
ravishda tashqi ta’sirlar bilan buzilgan yoki not о ‘g‘ri talqin qilingan b о ‘lishi mumkin.
Biroq, bunday misollar bilan о ‘qitish, о ‘rgatish t о ‘g‘ri natijalarga olib kelishi mumkin,
chunki tushirib qoldirilgan yoki buzilgan ma’lumotlar о ‘qitilgan neyron t о ‘ri yordamida
qayta tiklanishi mumkin.
Neyron t о ‘rini о ‘qitish algoritmlari Sun’iy neyron t о ‘ri xuddi insonga о ‘xshab
о ‘qitiladi, chunki neyron t о ‘ri kirish t о ‘plamiga mos keladigan chiqish t о ‘plamini berishi
kerak. Har bir kirish (chiqish) t о ‘plami vektor k о ‘rinishida qaraladi. Neyron t о ‘rini о ‘qitish
ketma-ket kirish vektorlarini berish bilan bir vaqtda ma’lum bir protseduraga mos ravishdv
vazn koeffitsiyentlarini qiymatini sozlashadi. О ‘qitish mobaynida asta sekin t о ‘rning vazn
koeffitsiyentlari shunday bir qiymatlar qabul qiladiki, natijada har bir kirish vektori chiqish
vektorini ishlab chiqaradi.
Neyron t о ‘rining ish sifati о ‘qitish mobaynida unga berilayotgan о ‘qitish
ma’lumotlari naboriga haddan tashqari bog‘liq. О ‘quv ma’lumotlari masalsha uchun tipik
b о ‘lishi zarur, uni yechishga о ‘rganayotgan neyron t о ‘ri uchun. О ‘qitish k о ‘pchilik
hollarda unikal jarayon deb ataladi., chunki k о ‘p muammolarning talab doirasidagi yechimi
faqat juda k о ‘p sinovlar natijasida olinishi mumkin. Sun’iy neyron t о ‘rlari asosida
masalalarni yechuvchilarga (foydalanuvchilarga) quyidagilar talab qilinadi:
T о ‘rning mos keluvchi modelini tanlash;
T о ‘rning topologiyasini aniqlash (ya’ni elementlar soni va ularning bog‘lanishlari);
О ‘qitish parametrlarini k о ‘rsatish.
Buning uchun dastlabki ma’lumotlarni tayyorlashni bajarish zarur. Bunday dastlabki
tayyorgarlik juda oddiy b о ‘lishi mumkin, - masalan, barcha belgilarning qiymatlarini
masshtablash protsedurasi yordamida (0,1) intervalga о ‘tkazish, balki ancha murakkab
algoritmlardan foydalanish ham mumkin. Biroq bu yerda shuni ta’kidlash kerakki,
neyron t о ‘rini qurishdagi uzoq muddatli maqsad masalani yechimini olish jarayoniga
t о ‘g‘ridan-t о ‘g‘ri ta’sir etishni minimallashtirishdan iborat, chunkineyron t о ‘ralrining
13

asosiy ustunligi о ‘zining yechimlarini ishlab chiqishning potensial mavjudligi, imkoniyati.
Amaliyotda juda yaxshi yechimlar olinadi, qachonki, mutaxassis, k о ‘rilayotgan muammoni
bilimlar sohasida aniq tasavvur qilaolsa va qurilgan neyron t о ‘rining konseptual
muammolarini tushunib yetgan b о ‘lsa.
Neyron t о ‘rini о ‘qitish uchun foydalaniladigan ma’lumotlar odatda ikki kategoriyaga
b о ‘linadi: bir inchi kategoriya ma’lumotlari о ‘qitish uchun ishlatiladi, ikkinchi kategoriya
ma’lumotlari esa t о ‘rni testlash uchun ishlatiladi. Neyron t о ‘rining haqiqiy sifati faqat
t о ‘rni testlash vaqtida namoyon b о ‘ladi, t о ‘rni о ‘qitishning muvaffaqiyatli tugaganligi
testlash jarayonida not о ‘g‘ri ishlash belgilarining y о ‘qligidadir. Testlash jarayoni shunday
tashkil qilish kerakki, t о ‘rni ishlash jarayonida olingan bilimlarni umumlashtirish qobiliyati
baholananishi zarur. Bu yerda bilimlarni umumlashtirish deganda berilgan ma’lumotlar
b о ‘yicha masalani t о ‘g‘ri yechimini ishlab chiqish qobiliyatiga aytiladi.
Neyron t о ‘rini о ‘qitishni oddiy misolda k о ‘rib chiqamiz. Aytaylik neyron t о ‘ri bitta
kirish va bitta chiqish elementidan tarkib topgan. Maktab kursidan ma’lumki fizika
darslarida tajribalar о ‘tkaziladi va dekart tekisligida uning grafigi quriladi. Masalan,
quyidagi tajriba ma’lumotlari olingan: kirish signallarini qiymati X={x
i }, Y={y
i }, i=1,2,
….,n. Grafikda korrelyatsiya maydonidagi nuqtalarning joylashganligiga qarab bu yerdagi
kirish va chiqish orasidagi analitik bog‘lanish t о ‘g‘ri chiziqga yaqinligshi k о ‘rinib turibdi .
Statistik tahlildagi eng kichik kvadratlar metodini q о ‘llab izlanayotgan t о ‘g‘ri
chiziqning parametrlarini topish mumkin. T о ‘g‘ri chiziq tenglamasi quyidagi formula bilan
beriladi
y = ax + b
,
bu yerda x va y о ‘zgaruvchilar (masalan, о ‘rganilayotgan jarayondagi biror parametrning
qiymatlari), a t о ‘g‘ri chiziqning x о ‘qiga nisbatan qiyshayishini yoki gradiyentini
aniqlaydi, b esa t о ‘g‘ri chiziqni y о ‘qini kesish nuqtasi. Eng kichik kvadratlar usuli bilan
analitik funksiyaning a va b parametrlarini qiymatini aniqlashimiz mumkin. Demak,
maqsadimiz, nuqtalar orasidan shunday t о ‘g‘ri chiziqni о ‘tkazish kerakki, unda t о ‘g‘ri
chiziq bilan nuqtalar orasidagi farqlarning kvadratlarini umumiy yig‘indisi eng kichik
b о ‘lsin.
14Х
У
oʼrganilayotgan
jarayon

Eng kichik kvadratlar metodini q о ‘llab t о ‘g‘ri chiziqning parametrlarini qiymatini
quyidagi formula bilan aniqlaymiz

Eng kichik kvadratlar usuli tajriba ma’lumotlariga mos keladigan t о ‘g‘ri chiziqni
qurishning samarali metodlaridan biri hisoblanadi. metod juda sodda, biroq metoddan
foydalanish uchun matematikani bilish talab qilinadi. Tajriba ma’lumotlariga mos
keladigan t о ‘g‘ri chiziqni topish uchun Sun’iy neyron t о ‘ridan foydalanish mumkin.
Bunday neyron t о ‘ri uchun shunday о ‘quv ma’lumotlarini tayyorlab berish kerakki natijada
t о ‘r о ‘qib о ‘rganish imkoniyatiga ega b о ‘lsin.
Masalaning mohiyatiga mos keluvchi neyron t о ‘ri quyidagicha tavsiflanadi
(yuqoridagi rasm). bitta kirishli va bitta chiqishli neyron t о ‘ri tajriba ma’lumotlarini tahlil
qilish asosida о ‘qitilgan. Bu neyron t о ‘rida aktivlashtirishning chiziqli funksiyasidan
foydalanildi. Masalaning talabi, maqsadi, neyron t о ‘ri t о ‘g‘ri chiziqning parametrlarini ( a
va b) baholashi zarur, shu boisdan ham a va b miqdorlar t о ‘rning parametrlari hisoblanadi (
ya’ni vazn koeffitsiyentlari). Dastlab neyron t о ‘rini о ‘qitish uchun vazn koeffitsiyentlarini
15

qiymatini tasodifiy tarzda -
0.3 va +0.3 oralig‘idan olindi. T о ‘rni о ‘qitish uchun ma’lumotlar qilib x ning koordinatalari
va unga mos keladigan u parametrning koordinatalarini qiymati olindi. b miqdorni vazni
kirishda 1 ga teng, ya’ni 1* b =1. T о ‘rni о ‘qitish uchun delta-qoidadan foydalanildi,
о ‘qitishning normasi 0.1 qilib tanlandi. T о ‘rni о ‘qitish har bir nuqtani 10000 marta k о ‘rib
chiqqandan keyin t о ‘xtatildi.
1
X
Chiziqli aktivlashtirish funksiyasiga ega neyron t о ‘ri, bu t о ‘r masalada keltirilgan
ma’lumotlar asosida t о ‘g‘ri chiziqni topish uchun о ‘qitilgan.
T о ‘g‘ri chiziqning parametrlarini ( a va b) baholash uchun eng kichik kvadratlar
metodi va neyron t о ‘ri yordamida olingan ma’lumotlar quyidagi jadvalda keltirilgan.
Parametr Eng kichik kvadratlar
metodi Tо‘rb
1.0085 1.0284
a
1.0450 1.0360
Olingan natijalar bir-biriga juda yaqin, biroq neyron tо‘ri eng kichik kvadratlar
metodiga nisbatan birmuncha kam xatolik bilan tо‘g‘ri chiziqni joylashtiradi.
О‘qitish algoritmini ikkita turini farqlashadi, ya’ni о‘qituvchi yordamida va
о‘qituvchisiz.
О‘qituvchi yordamida о‘qitish shuni nazarda tutadiki, har bir kirish vektori uchun
talab qilingan maqsadli chiqish vektori mavjud. Ikkalasi birgalikda о‘qitadigan juftlik deb
16B
A

nomlanadi. Odatda neyron tо‘rlari mana shunday о‘qituvchi juftliklar tо‘plami bilan
о‘qitiladi. Chiqish vektorlariga talablar qо‘yiladi, tо‘rning chiqishi hisoblanadi va mos
ravishda maqsadli vektor bilan solishtiriladi, ular orasidagi farq (xatolik) teskari aloqa
vositasida tо‘rga uzatiladi, va tо‘rning vaz koeffitsiyentlarini qiymati о‘zgaradi mos
ravishda belgilangan algoritm bо‘yicha, algoritm xatolikni minimallashtirishga qaratilgan.
О‘qituvchi tо‘plam vektorlari ketma-ket beriladi, xatoliklar hisoblanadi, va har bir vektor
uchun vazn koeffitsiyentlari tо‘g‘rilanadi, bu jarayon to butun о‘qituvchi massiv bо‘yicha
umumiy xatolik birorta belgilangan qiymatdan kam bо‘lguncha davom ettiriladi .
О‘qituvchisiz о‘qitishda chiqishlar uchun maqsadli vektor shart emas va yana ideal
javoblar bilan solishtirishni talab qilmaydi. О‘qituvchi tо‘plam faqat kirish vektorlaridan
tashkil topadi. О‘qituvchi algoritm tо‘rning vazn koeffitsiyentlarini shunday sozlashi
kerakki, natijada moslashgan chiqish vektorlari olinsin. О‘qitish jarayoni, mos ravishda,
о‘qituvchi tо‘plamning statistik xossalarini ajratadi va bir-biriga mos keladigan о‘xshash
vektorlarni klasslarga guruhlaydi. Biror klassdan kirishga berilgan vektor ma’lum bir
chiqish vektorini beradi, biroq о‘qitishgacha oldindan bashorat qilib bо‘lmaydi,
qaysi chiqish mazkur klassdagi kirish vektorlarini ishlab chiqaradi. Demak, bunday neyron
tо‘ri о‘qituvchi tо‘plamning muhim xarakteristikalarini aks ettiruvchi shaklda tashkil
qilinadi.
17

2.2 Koxonen о‘z-о‘zini tashkil etuvchi neyron tо‘rlari
Qarama-qarshi y о ‘nalishda tarqalish t о ‘riga kirish .Qarama-qarshi y о ‘nalishda
tarqalish t о ‘rining imkoniyatlari bir qatlamli t о ‘rning imkoniyatlaridan yuqori. Bu t о ‘rni
о ‘qitish vaqtini teskari tarqlish t о ‘riga nisbatan 100 marotabagacha kamaytirish mumkin.
Qarama-qarshi tarqalish teskari tarqalishga kabi shunchalik umumiy emas, biroq u juda
uzoq о ‘qitish protsedurasi mumkin b о ‘lmagan paytda bunday ilovalarda yechimni olishga
imkoniyat yaratadi. Boshqa t о ‘rlardagi cheklanishlardan о ‘taoladigan qarma-qarshi
tarqalish t о ‘ri о ‘zining qiziqarli va foydali imkoniyatlariga ega.
Qarama-qarshi tarqalish t о ‘rida ikkita yaxshi о ‘rganilgan algoritmning xususiyatlari
birlashgan: о ‘zini- о ‘zi tashkil qiluvchi Koxonenning kartasi va Grosbergning yulduzchasi.
Buning natijasida bu ikkita algoritmning aloxida olingan xossalariga о ‘xshamagan yangi
xossalri namoyon b о ‘ladi. Qarama-qarshi tarqalishga о ‘xshagan metodlar, turli xil
t о ‘rlarning paradigmalarini xuddi qurish bloklari kabi birlashtiradi, shunday k о ‘rinishdagi
t о ‘rlarga olib kelishi mumkinki, har qanday boshqa bir jinsli strukturalarga nisbatan
о ‘zining arxitekturasi b о ‘yicha inson miyasining tuzilishiga ancha yaqin b о ‘lgan stukturani
hosil qilish mumkin. О ‘xshashligi shundan iboratki, tabiiy inson miyasida aynan turli xil
vazifali modullarning birlashmasi talab qilinadigan hisoblashlarni bajarish imkoniyatini
yaratadi.Qarama-qarshi tarqalish t о ‘ri ma’lumotlar stoliga о ‘xshab faoliyat k о ‘rsatadi, ya’ni
umumlashtirish imkoniyatiga ega. T о ‘rni о ‘qitish jarayonida kirish vektorlari mos ravishda
chiqish vektorlarini assotsiatsiyalaydi; ular ikkilik kod k о ‘rinishida nul va birlardan tashkil
topishi yoki uzliksiz b о ‘lishi mumkin. T о ‘r о ‘qitilgan holatda yu о ‘lsa, kirish vektorlarini
ilovasi talab qilingan chiqish vektorlarini hosil qiladi. T о ‘rning umumlashtiruvchi xossasi
agar kirish vektorlarining ilovasi t о ‘liq yoki birmuncha not о ‘g‘ri b о ‘lgan taqdirda ham
t о ‘g‘ri natijani olishga imkoniyat yaratadi. Shunday qilib, bunday t о ‘rdan obrazlarni
anglash, obrazlarni qayta tiklash, signallarni kuchaytirish uchun foydalanish mumkin.
18

T о ‘rning strukturasi.
2-rasmda qarama-qarshi tarqalish t о ‘rini t о ‘g‘ri faoliyatini soddalashtirilgan
versiyasi k о ‘rsatilgan.
Juda k о ‘p boshqa turdagi t о ‘lar kabi, farama-qarshi tarqalish t о ‘ri ikki rejimda
faoliyat k о ‘rsatadi: normal rejimda, bunda kirish vektori X qabul qilinadi va chiqish vektori
U beriladi, о ‘qitish rejimida esa bunda t о ‘rga kirish vektorlari beriladi va vaznlarda
tuzatishlar hosil b о ‘ladi, ya’ni talab qilingan chiqish vektorini olish uchun.
Koxonen qatlami. О ‘zining oddiy k о ‘rinishida Koxonen qatlami “g‘alaba qilgan
barchasini oladi” tamoyilida faoliyat k о ‘rsatadi, ya’ni bu kirish vektori uchun bitta va faqat
bitta Koxonen neyroni chiqishida mantiqiy birni hosil qiladi, boshqa barcha neyronlar esa
nolni beradi. Koxonenning neyronlarini elektr lampochkalarining t о ‘plami deb qabul qilish
mumkin, har qanday kirish vektoriuchun ulardan bittasi “yonadi”. Koxonenning neyronlari
K
1 bilan assotsiatsiyalangan vaznlar tо‘plami 
11, 
21 ,..., 
ml har bir neyronni kirish
bilan bog‘laydi.
Koxonen qatlamini о‘qitish . Koxonen qatlami kirish vektorlarini о‘xshash
guruhlarga klassifikatsiyalaydi. Koxonen qatlamidvgi vaznlarni shunday qayta qurish
yordamida amalga oshiriladiki, unda bir-biriga yaqin kirish vektorlari mazkur qatlamdagi
bittagina о‘sha neyronni aktivlashtiradi. Undan keyin esa Grosberg qatlamini masalasi talab
qilingan chiqishni hosil qilishdan iborat. Koxonen tо‘rini о‘qitish, о‘qituvchisiz, о‘zini-о‘zi
о‘qitishdan iborat. Shu boisdan ham Koxonenning aynan qaysidir neyroni faollashtiriladi
berilgan kirish vektorlari uchun oldindan aytish juda qiyin (bu kerak ham emas). О‘qitish
19

natijasida kirish vektorlarini о‘xshash bо‘lmaganlarini ajratishga kafolatli erishish zarur.
2.3. Rekurrent t о ‘rlar
Teskari bog‘lanishli tо‘rlarning konfiguratsiyasi Yuqoridagi kо‘rib chiqilgan
perseptron axborotlarni tо‘g‘ri oqimli yо‘naltirilgan va teskari aloqasi bо‘lmagan neyron
tо‘rlari sinfiga mansubdir. Faoliyat kо‘rsatish bosqichida har bir neyron о‘zining
funksiyasini bajaradi – о‘zining hayajonini boshqa neyronlarga uzatadi-faqat bir marta
neyronlarning dinamik holati iteratsion jarayon emas.
Koxonen tо‘rida neyronlarning dinamikasi bir qancha murakkab hisoblanadi.
Neyronlarning raqobatli musobaqasi iteratsiya yо‘li bilan amalga oshiriladi, bu jarayenda
axborotlar neyronlar о‘rtasida kо‘p marotalab uzatiladi.
Umumiy holatda neyron tо‘ri xoxlagancha teskari aloqaga ega bо‘lgan, bu aloqa
orqali uzatilgan о‘sha neyronga aytib keladi va u yana о‘z funksiyasini bajarishni davom
ettiradi. Lokal kо‘rinishdagi biologik neyron tо‘rlarini kuzatish juda kо‘p teskari
aloqalarning mavjudligini kо‘rsatadi. Neyronlar dinamikasi bunday sistemalarda iteratsion
holatda bо‘ladi. Bu xossa neyron tо‘rlari arxitekturalarini juda kо‘p tiplarini kengaytirishga
imkon yaratadi, shu bilan birga yangi muammolarni ham keltirib chiqaradi.
Neyronlar holatining iteratsion bо‘lmagan dinamikasi, odatda, doim turg‘un. Teskari
aloqalar noturg‘un holatlarni keltirib chiqarishi mumkin, xuddi radiotexnika
sistemalaridagi kuchaytirish sxemalaridagi musbat teskari bog‘lanishlar. Neyron tо‘rlarida
noturg‘unlik holati neyronlar holatining daydi kо‘rinishida о‘zgarishidan kelib chiqadi, bu
esa statsionar holatni kelib chiqishiga olib kelmaydi. Umuman olganda, teskari aloqali har
qanday sistemani dinamik turg‘unligi masalasi juda murakkab masala va hozirgacha
о‘ziningechimini topganicha yо‘q, masala ochiq hisoblanadi.
Xususiy neyron tо‘rlarining arxitekturasini muhim holatlariga tо‘xtalamiz, bunday tо‘rlar
uchun turg‘unlik xossalari juda yaxshi о‘rganilgan. Quyidagi
Pastdagi rasmda ikkita qatlamdan tashkil topgan teskari aloqali t о ‘r tasvirlangan.
Xopfildning va shunga о ‘xshash boshqalarning ishlaridagi tasvirlangan t о ‘rlardan ancha
farq qiladi, biroq funksional nuqtai nazardan ekvivalent hisoblanadi. Nolinchi qatlam,
oldingi rasmlardagi kabi hisoblash funksiyalarini bajarmaydi, faqat t о ‘rning chiqishini
teskari tomonga, ya’ni kirishga qarab taqsimlaydi. Birinchi qatlamning har bir neyroni
20

xiо ‘zining kirishidagi signallarni о ‘lchamlashtirilgan summasini hisoblab NET signali hosil
qiladi, undan keyin bu signal nochiziqli F funksiya yordamida OUT signaliga о ‘zgartiriladi.
Bu amallar boshqa t о ‘rlardagi neyronlar bilan о ‘xshashdir.
Binar sistemalar. D.Xopfildning birinchi ishida F oddiy porog funksiyasi edi. Bunday
neyronning chiqishi birga teng, agar boshqa neyronlarning solishtirma о ‘lchangan chiqish
summasi belgilangan satxdan Т katta b о ‘lsa, aks holda u nolga teng. Sathning qiymati
quyidagicha hisoblanadi.
Tо‘rning holati – bu barcha neyronlardan keladigan OUT joriy signallarning
qiymatlari tо‘plami. Xopfildning dastlabki tо‘rida har bir neyronning holati tasodifiy
diskret vaqt momentlarida о‘zgarib turdi, keyinchalik esa – neyronlarning holati birvaqtda
о‘zgaradigan bо‘ldi. Chunki binar neyronning chiqishi faqat bir yoki nol bо‘lishi mumkin
(oralik daraja yо‘q), bunday holatda tо‘rning joriy holati ikkilik sistemasi bilan belgilanadi,
har bir bit birorta neyronning OUT signali bо‘ladi.
Bunday tо‘rda yechiladigan masala qoida bо‘yicha quyidagicha rasmiylashtiriladi.
Ikkilik signallarning namuna deb hisoblanuvchi birorta tо‘plami tavsiflaydigan vektorni
belgilaymiz X k
orqali, uning komponentalarini mos
ravishda k
k  0,...,m 1-komponentalar soni. T о ‘r unga berilgan ma’lumotlar
asosida birorta namunani anglab yetsa (yoki “eslasa”), uning chiqishida aynan
о ‘sha namuna b о ‘ladi, ya’ni
Y  X k
, bu yerda Y – t о ‘rning chiqish vektorlarini
qiymati: Y  yi : i  0... n 1. Aks
21Qatlam 0 Qatlam 1

holda chiqish vektori hech qaysi namuna bilan mos tushmaydi. Agar, masalan, signallar
birorta tasvirni ifodalasa, u holda t о ‘rning chiqishida ma’lumotlarni
grafik k о ‘rinishida akslantirilgan kartinkani k о ‘rish
mumkin, namuna bilan t о ‘liq mos tushadigan (t о ‘g‘ri yechim, ya’ni muvaffaqiyatli
holatida) yoki “xoxlagancha erkin tasvirlangan kartinkani” (muvaffaqiyatsiz holatida).
T о ‘rni initsializatsiya qilish bosqichida sinapslarning vazn koeffitsiyentlari quyidagicha
о ‘rnatiladi
22

Bu yerda i va j –mos ravishda, sinaptikgacha va sinaptikdan keyingi
neyronlarni indekslari;
Bu yerda i va j – mos ravishda snaptik neyrongacha va snaptik neyrondan
keyingi neyrolarning indekslari; elementlari. k xk , k- chi namuna vektorini i-
chi va j-chi elementlari .
Tо‘rning faoliyat algoritmi quyidagicha (p — iteratsiyani nomeri):
1. Tо‘rning kirishiga noaniq signal beriladi.
2. Amalda kirish signali

aksonlarning qiymatlarini о‘rnatish bilan amalga oshiriladi:

yi (0) xi ,
i  0,..., n 1shu boisdan ham t о ‘rning sxemasida tasvirlangan kirish
sinapslari
odatda shartli xarakterga ega. Qavs ichida Y
i dan о ‘ng tomondagi nol,
t о ‘rning
2. Neyronlarning yangi holatlari hisoblanadi
j  0,..., n 1 va aksonlarning yangi qiymatlari y j (p 1)  f s j (p 1) b u yerd a f
-sakrash ko`rinishidagi faollashtirish funksiyasi
Tekshirish, oxirgi iteratsiyada aksonlarning chiqish qiymatlari о‘zgardimi yuqmi.
Agar xa bо‘lsa 2 bandga о‘tiladi, aks holda (agar chiqishlar stabillashgan bо‘lsa) –
protsedura yakunlanadi. Bunda chiqish vektori kirish ma’lumotlari bilan juda
yaxshi kelishilgan namunani tasvirlaydi
Yuqorida aytilganidek, ayrim hollarda tо‘r namunalarni anglab yetmasligi mumkin
va chiqishida mavjud bо‘lmagan namunani berishi mumkin. Bu tо‘rning
23

imkoniyatlarini cheklanganlik muammosi bilan bog‘liq. Xopfild tо‘ri uchun
namunalalarni eslash soni m taxminan 0,15n miqdordan oshib ketmasligi zarur.
Bundan tashqari, agar ikkita namuna A va B bir biriga juda о‘xshash bо‘lsa,
tо‘rning chiqishida bir biri bilan kesishadigan assotsiativ holat bо‘lishi mumkin,
ya’ni A namuna chiqida B deb yoki B namuna chiqishda A deb tasvirlanishi
mumkin.

24

XULOSA
Sun`iy neyron to`rlarni o`qitshnig turlari va algoritmlarini o`rgandim Suniy
neyron to`rlar o`qtish ikki turga bo`linar ekan Oq`ituvchili o`qitish va
o`qituvchisiz o`qitish. Bu ikkita o`qitish bir biridan katta farq etar
ekan.O`qituvchili o`qitishda neyronlarga mal`umot beriladi va chiqgan
natijaga qarab unga yo`nalish beriladi bunda oqituvchi neyron to`rni doimo
kuzib xatolarini to`g`irlab malumotlarni o`zgartib turishi kerak ekan.
O`qituvchisiz o`qitihda sun`iy neyron to`rlarga katta malumot beriladi sun`iy
neyron to`r bu malumotlar ichidan qununiyat topib o`rganadi va natijani o`z
o`ziga qayta berib uni mukammal holatga kelmaguncha aylantiraveradi bu
xolat to`g`ri natija bergunga qadar davom ettiriladi. Men o`qitshlarni
yaxshiroq yoritish uchun kaxonen neyron to`rlarni o`qitish hamda rekurent
neyron to`rlar haqida malumot berdim. Rekurent neyro`n to`rlarni o`qitish
algoritmi bu o`qituvchisiz o`qitishga ,isol bo`la oladi ya'ni, oldingi
ma'lumotlar holati (state) ko'rib chiqadi va keyingi ma'lumotlarni ishlab
chiqish jarayonida shu holatni qayta ishlatish orqali yangilanadi. RNN lar
o'zlariga aloqadorligi hisobga olingan oldingi ma'lumotlar holatidan
foydalangan holda ma'lumotlarni shakllantirishadi. Bu aloqadorlik qayta-qayta
qaytib borish vaqtida yashirin holatda saqlanadi. Bunga ko'ra, RNN lar
tizimlar orasida aloqadorlik qurishda yoki qatorbirlashuvda ishlatiladi.
Masalan, suzish ma'lumotlari, so'zlar ketma-ketligi, musiqa, va boshqa
kronologik ma'lumotlar RNN lar uchun misol bo'lishadi. RNN lar quyidagi
vazifalarni bajarishda yaxshi ishlaydi:
1. Tarjima: Bir tilni boshqa tilga tarjima qilish.
2. So'zlar Ketma-Ketligi Analizi: So'zlarning ketma-ketligini tahlil qilish.
3. Musiqani Generatsiya: Musiqa qo'shish, lirikalar yaratish va boshqa musiqa
asoslarning generatsiyasi.
4. Axborot San'ati: Ma'lumotlar orasidagi bog'lanishni tushunish va o'rganish.
25

Bunday vazifalarda RNN lar, oldingi va keyingi ma'lumotlar orasidagi
bog'lovchilarni o'rganib borishda va ma'lumotlar orasidagi aloqadorlikni
o'rganishda yaxshi ishlaydi. Lekin, RNN lar quyidagi muammolarni yuzaga
kelishadi: ularning o'zgaruvchilari ko'p va uning treningi qiyin bo'lishi mumkin. Bu
sababli, qiziqishi, Long Short-Term Memory (LSTM) va Gated Recurrent Unit
(GRU) kabi tuzilmalarni ishlatishganlar ham uzoq muddatli aloqadorliklarni
o'rganishda yaxshi ishlaydilar.Kaxonen o`qitish esa Koxonen xaritasi,
unsupervised learning (nochiq o'rganish) prinsipi asosida ishlaydi va katta
miqdordagi ma'lumotlarni boshqa sun'iy neyronlar modellalaridan farqli ravishda
guruhlab tashlash va sinflandirish uchun ishlatiladi. Koxonen xaritasi, masalan,
rasmlarni rangi bo'yicha sinflandirish, tabiat manzaralari guruhlab tashlash va
boshqa tarmoqlarning o'rganishida qo'llaniladi. Bu tuzilma, unsupervised learning
bo'yicha bir necha vazifalarni bajarishda muvaffaqiyatli ishlaydi.

26

FOYDALANILGAN ADABIYOTLAR
1. Sadullayeva Sh.A. Yusupov D.F. Yusupov F. Sun’iy intellekt va
neyront о ‘rli texnologiyalar / О ‘quv q о ‘llanma. Urganch. 2021.
2. H.N.Zaynidinov., T.A.Xo’jaqulov., M.P. Atadjanova “SUN’IY
INTELLEK” FANIDAN O’QUV QO’LLANMA TATU, Toshkent 2018 y.
3. Boden, Margaret, Mind As Machine, en:Oxford University Press,
2006.
4. Cukier, Kenneth, „Ready for Robots? How to Think about the Future
of AI“,
5. https://uz.wikipedia.org/
6. https://cyberleninka.ru/article/n/sun-iy-neyron-tarmoqlarini-o-qitish-
usullari?ysclid=lq7jq8x3sw183373841
7. Fayllar.org
8. Aim.uz
9. Arxiv.uz
27

SUN`IY NEYRON TO`RLARNI O`QITISH.docx

Купить