1-amaliy ish sun'yiy inteltekt va intellekt tizimlarni qo'llanishning asosiy sohalari

NAZORAT SAVOL VA VAZIFALAR 
1. Bilimlarni 1) rasmiylashtirish oson, 2) rasmiylashtirish qiyin, 3) 
rasmiylashtirish mumkin bo‘lmagan fan sohalariga misollar keltiring. 
2. Ekspert tizimining ta'rifini bering va maqsadini tuzing. 
3. Taniqlilarga misollar keltiring 
senga mutaxassis tizimlari. 
4. Nima 
qobiq hisoblanadi ekspert tizimi? 

---

5. Sizningcha, ekspert tizimi ishlab chiquvchilar jamoasi qanday bo'lishi 
kerak? 
6. Ekspert tizimlarining rivojlanish bosqichlari va bosqichlarini sanab bering 
va tavsiflang. 
7. nomi 
Xususiyatlari 
mutaxassis tizimlari. 
8. Bilim olishning asosiy strategiyalarini nomlang va tavsiflang. 
9. Nima uchun bilimlarni ajratib olish vazifasi ekspert tizimlarini loyihalashda 
"darbo'y" deb ataladi? Ushbu vaziyatni tuzatish uchun qanday g'oyalarni 
taklif qilishingiz mumkin? 

---

4-AMALIY ISHI ROSENBLATT PERSEPTRONI VA UNING 
O'QITISHI. 
Avval ta’kidlanganidek, amerikalik olimlar U.Makkullok va U.Pitts inson miyasi 
neyronining matematik modelini taklif qilib, uni matematik neyron deb atashgan. 
Xuddi biologik neyron kabi matematik neyron ham bir nechta kirish va bitta 
chiqishga ega bo'lib, qo'zg'aluvchan va qo'zg'almagan holatda mavjud bo'lishi 
mumkin va qo'zg'aluvchan holatga o'tish unga kelayotgan signallarning 
kattaligiga va neyronlararo sinaptik bog'lanishlar kuchiga bog'liq. Shunday qilib, 
matematik neyron juda ishonchli tarzda taqlid qiladi 
Guruch. 1. Neyron tarmog'idagi simlar orqali o'zaro bog'langan matematik 
neyronlar 
uning prototipi, miyaning biologik neyronining tuzilishi va xususiyatlarini 
aniqlaydi. Shu asosda V.Makkullok va V.Pitts [100] maqolalarida juda jasur va 
hatto bir qadar fantastik farazni ifodaladilar va bu faraz keyinchalik zamonaviy 
neyroinformatikaning asosini tashkil etdi. Ularning fikricha, agar matematik 
neyronlar miya nerv tolalarini taqlid qiluvchi simlar orqali o‘zaro bog‘langan 
bo‘lsa (4.6-rasm) va miyada bo‘lgani kabi elektr signallari simlar orqali yuborilsa, 
bunday sun’iy miya intellektual muammolarni hal qila oladi. xuddi tabiiy inson 
miyasi kabi! 
Tanqidchilar absurd deb atagan bu fikrni esa oradan 15 yil o‘tib amerikalik olim 
Frenk Rozenblat ajoyib tarzda tasdiqladi [48, 101, 102]. 1958 yilda u IBM-794 
uchun matematik neyronlarning faolligini taqlid qiluvchi kompyuter dasturini 

---

yaratdi. Bu birinchi neyron tarmoq yoki qisqacha neyron tarmoq edi. U inglizcha 
perception - xabardorlik so'zidan perceptron nomini oldi. 
Keyin, ikki yil o'tgach, Rosenblatt elektron qurilmani yig'di, unda matematik 
neyronlarning funktsiyalari vakuum naychalarida ishlaydigan alohida elektr 
zanjirlari tomonidan amalga oshiriladi. Bu eng qiyin intellektual muammoni 
muvaffaqiyatli hal qilgan birinchi neyrokompyuter bo'ldi - u o'z o'quvchisiga olib 
kelingan kartalarda tasvirlangan lotin alifbosi harflarini tanidi - elektron ko'z. 
Shunday qilib, jasur Makkaloch-Pitts gipotezasi eksperimental tarzda tasdiqlandi. 
Ammo tajriba muvaffaqiyatli bo'lganligi sababli, bu bizning miyaning biologik 
tuzilishi va tuzilishi, uning ichki elektrofiziologik jarayonlari, ma'lumotlarni 
yodlash va saqlash usuli haqidagi fikrlarimiz to'g'ri bo'lganligini anglatadi. edi 
2-rasm. Perseptron sonlarni juft va toq bo'lib tasniflash 
biologik neyronning modeli sifatida matematik neyronning etarliligi tasdiqlandi. 
Neyron tarmog'i va neyrokompyuterning miya modeli sifatida etarliligi 
tasdiqlandi. "Biz inson miyasining ishini aniq takrorlaymiz, deb ayta olmaymiz, - 
deb yozgan edi F. Rosenblatt, - ammo hozircha perseptron haqiqatga eng yaqin". 
Aniq masalalarni yechish misolida perseptronning ishlash prinsipini tahlil 
qilaylik. 4.7-rasmda raqamlarni juft va toq toifalarga ajratish uchun mo'ljallangan 
perseptronning eng oddiy versiyalaridan biri ko'rsatilgan. Har bir qatorda 
uchtadan fotoelement bo'lgan to'rtta gorizontal qatorda joylashgan 12 ta 
fotoelementdan iborat matritsani tasavvur qiling. Raqam tasviri bo'lgan karta, 
masalan, "4" fotoelementlar matritsasi ustiga qo'yilgan (4.7-rasmga qarang). Agar 
raqamning bo'lagi har qanday fotoelementga tushsa, u holda bu fotoelement birlik 

---

shaklida signal hosil qiladi, aks holda - nolga teng. Shaklda. 4.7 raqamning 
fragmenti birinchi fotoelementga tushmadi va shuning uchun uning signali x1 = 
0; raqamning bir qismi ikkinchi fotoelementga tushdi va shuning uchun u x2 = 1 
signalini hosil qiladi va hokazo. 
(4.1) – (4.2) formulalarga muvofiq, matematik neyron kirish signallarini xj 
sinaptik og'irliklarga ko'paytirilgan wj jamlaydi. So'ngra S yig'ish natijasi 
sezgirlik chegarasi th bilan taqqoslanadi va chiqish signali y hosil bo'ladi. 
Sinaptik og'irliklar wj va sezgirlik chegarasi th ning boshlang'ich qiymatlari 
Rosenblatt tomonidan tasodifiy sonlar generatori bilan o'rnatildi, shuning uchun 
perseptronning chiqishida tasodifiy signal hosil bo'ldi: 0 yoki 1. 
Vazifa quyidagicha edi. Sinaptik og'irliklarning wj qiymatlarini shunday tanlash 
kerak ediki, chiqish signali y qiymatini oladi 
birlik agar ustida karta 
edi
tasvirlangan hatto raqam, va agar nol 
raqam Bo'lgandi 
g'alati. 
F.Rozenblat fotoelementlarga kartochkalarni navbatma-navbat qo'llash va 
sinaptik og'irliklarni wj sozlash orqali perseptronni o'rgatish yo'li bilan bu 
muammoni hal qildi. Agar, masalan, perseptronning kirish qismida "4" raqamiga 
ega karta taqdim etilgan bo'lsa va y chiqish signali tasodifan birga teng bo'lib 
chiqsa, ya'ni paritetni anglatadi, u holda sinaptik og'irliklarni tuzatish kerak emas 
edi, chunki perseptronning reaktsiyasi to'g'ri. Va agar chiqish signali nolga teng 
bo'lsa, bu noto'g'ri bo'lsa, unda neyronning qo'zg'alishiga hissa qo'shgan faol 
kirishlarning og'irligini oshirish (rag'batlantirish) kerak edi. Bunday holda, w2, 
w11 va boshqalar o'sishiga to'g'ri keldi. 
Ushbu fikrdan kelib chiqib, perseptronni to'g'ri yo'nalishda o'rganishni 
ta'minlaydigan sinaptik og'irliklarni sozlash uchun iterativ algoritmni 
shakllantirish mumkin. 
1-qadam. Tasodifiy sonlar generatori yordamida barcha sinaptik og'irliklar wj (j 
= 1, . . . ., 12) va neyron sezuvchanlik chegarasi th uchun bir nechta kichik 
tasodifiy qiymatlarni tayinlang. 
Qadam 2. Perseptronga istalgan raqamni ko'rsating. Fotoelementlar tizimi xj (j = 
1, .. ., 12) kirish vektorini hosil qiladi. 

---

3-qadam Neyron 
amalga oshiradi 
vaznli jamlash 
kirish 
signallari
12 
S = Xwjxj 
j=1 
va agar S >th bo'lsa y = 1 yoki S < th bo'lsa y = 0 chiqish signalini hosil qiladi. 4-
qadam a. Chiqish to'g'ri bo'lsa, 2-bosqichga o'ting. 
4b-qadam. Agar chiqish signali noto'g'ri bo'lsa va nolga teng bo'lsa, u holda faol 
kirishlarning og'irligini oshiring: masalan, har bir j-sinaptik vaznga j-chi kirish 
signalining qiymatini qo'shing wj(t + 1) = wj(t) + xj. 
Keyin, agar kirish faol bo'lmagan bo'lsa, ya'ni xj = 0 bo'lsa, j-sinaptik og'irlik 
o'zgarmaydi. Agar kirish faol bo'lsa, ya'ni xj = 1 bo'lsa, j-chi sinaptik og'irlik 
bittaga ortadi. 
Bu yerda va pastda t takrorlashlar sonini bildiradi, ular sun'iy intellektda davrlar 
deb ataladi; wj(t + 1) - j-sinaptik vaznning yangi qiymati (yangi davrda); wj(t) - 
uning eski qiymati (oldingi davrdagi). 
4c qadam. Agar chiqish signali noto'g'ri bo'lsa va bittaga teng bo'lsa, faol 
kirishlarning og'irligini kamaytiring, masalan, shunga o'xshash formuladan 
foydalanib: 
wj(t + 1) = wj(t) - xj. 
5-qadam. Boring 
2-bosqichga yoki jarayonni tugatish o'rganish. 
Bu yerda keltirilgan algoritmda 4b-bosqich Hebbning birinchi qoidasi, 4c-bosqich 
esa 1949-yilda ushbu algoritmni taklif qilgan kanadalik fiziolog D.O.Xebbning 
sharafiga Hebbning ikkinchi qoidasi deb ataladi [94]. 
E'tibor bering, Hebb qoidalaridan foydalangan holda perseptronni o'rganish 
algoritmi hayratlanarli darajada bolani yoki o'quvchini "mukofot-jazo" usulida 
o'qitish (yoki hayvonni "sabzi va tayoq" usuli bilan o'rgatish) jarayoniga 
o'xshaydi. Sinaptik og'irliklarning boshlang'ich qiymatlari wj tasodifiy sonlar 
generatori tomonidan o'rnatilishiga ham e'tibor qaratamiz. Bu odam yoki 
hayvonning tug'ilishida uning miyasida hali bilim to'planmaganligi va shuning 
uchun sinaptik ulanishlarning kuchli tomonlari ba'zi tasodifiy qiymatlarga ega 

---

ekanligiga mos keladi. Bola, o'quvchi va "mukofot-jazo" usuli bilan o'rgatilgan 
hayvonda bo'lgani kabi, cheklangan miqdordagi urinishlar uchun idrok etuvchi 
o'rganish algoritmi (ular iteratsiya yoki davr deb ataladi) maqsadga olib kelishi 
mumkin - Perseptron oxir-oqibat kerakli bilimlarni o'rganadi, uni sinaptik 
bog'lanishlar kuchlari matritsasining o'ziga xos qiymatlari shaklida kodlaydi wj 
va, 
Yuqorida muhokama qilingan perseptronni o'rganish algoritmi umumiyroq 
shaklda ifodalanishi mumkin. Agar talab qilinadigan chiqish signalini d bilan 
belgilasak (inglizchada kerakli javob degan ma'noni bildiruvchi desire respondent 
so'zlaridan), u holda har bir o'quv davrida zarur bo'lgan d perseptron javobi bilan 
y da hisoblangan real qiymat o'rtasidagi farqni aniqlash mumkin bo'ladi. uning 
chiqishi: e = d - y. 
Keyin: 
• holat e = 0 
mos keladi 4-bosqich, a; • holat e > 0 
mos keladi 4-
bosqich, b; • holat e < 0 
mos keladi 4-bosqich, c. 
Hebb qoidalaridan foydalangan holda perseptronni o'rganish algoritmi g'oyasi, 
agar sinaptik vaznni sozlashning iterativ jarayoni formulalar bo'yicha amalga 
oshirilsa, saqlanib qoladi: 
wj(t + 1) = wj(t) + ∆wj; 
(4.7) 
∆wj = exj, 
(4.8) 
bu erda wj(t) va wj(t + 1) perseptron og'irlik koeffitsientlarining eski va yangi 
qiymatlari; j - kirish signalining soni. 
Bundan tashqari, shunga o'xshash iterativ formulani b neyron qiyshiqligini 
sozlash uchun olinishi mumkin, chunki u qiymati birga teng bo'lgan qo'shimcha 
kirish x0 og'irligi w0 sifatida talqin qilinishi mumkin (4.5-rasmga qarang va 
formulalar (4.3)–). (4.6)): 
w0(t + 1) = w0(t) + ∆w0; 
(4.9) 
∆w0 = e. (4.10) 

---

Iterativ formulalarda sinaptik og'irliklar va asabiy moyilliklarni tuzatish 
kattaligini nazorat qilish uchun ishlatilishi mumkin bo'lgan o'rganish tezligi 
koeffitsienti ēni kiritish foydalidir: 
∆wj = ēĵxj; 
(4.11) 
∆w0 = ēē. (4.12) 
ē = 1 uchun o'rganish tezligi koeffitsienti iterativ jarayonga ta'sir qilmaydi. ē > 1 
uchun o'quv jarayoni tezlashadi, lekin ē koeffitsientining juda katta qiymatlari 
uchun iteratsiya jarayoni barqarorlikni yo'qotishi va ajralib chiqishi mumkin. ē < 
1 uchun iterativ jarayon odatda barqarorlashadi, lekin bu holda vaqt xarajatlari 
haddan tashqari oshishi mumkin. Amalda o'rganish tezligi koeffitsienti ē 0,05 dan 
1,5 gacha bo'lgan oraliqda o'rnatiladi. 
Ushbu formulalar yordamida perseptronni o'rganish algoritmi delta qoidasi 
sifatida tanilgan. 
Tabiiyki, perseptronni o'rganish algoritmi doimo kerakli natijaga olib keladimi, 
degan savol tug'iladi. Bu savolga idrok etuvchi konvergentsiya teoremasi javob 
beradi: 
Agar kerakli naqsh tan olinishini ta'minlaydigan og'irlik qiymatlari to'plami 
mavjud bo'lsa, u holda oxir-oqibat perseptronni o'rganish algoritmi ushbu 
to'plamga yoki boshqa to'plamga olib keladi, shunda kerakli naqsh tan olinishiga 
erishiladi. 
Ushbu teoremadan kelib chiqadigan bo'lsak, naqshni aniqlashni ta'minlaydigan wj 
og'irlik koeffitsientlari matritsasini topish muammosi juda ko'p echimlarga ega 
bo'lishi mumkin - bunday matritsalar ko'p bo'lishi mumkin. Shu bilan birga, 
teoremani shakllantirish bunday matritsalar har doim mavjud bo'lishini aytmaydi 
va shuning uchun har doim ham muammoning echimi mavjud emas. 
Hozirgi vaqtda idrok etuvchi konvergentsiya teoremasi tugallangan isbotlar soni 
bo'yicha dunyoda birinchi o'rinda turadi, deb hisoblashadi. Ilgari Pifagor 
teoremasi dunyodagi eng isbotlangan teorema hisoblangan.