1-variant 1, Fanning maqsad va vazifalari, predmeti va metodlari

6-variant
1 Neyron tarmoqlari — bu insonning asab tizimini ko’paytirishga urinishlarga asoslangan sun’iy intellekt sohasidagi tadqiqotlar yo’nalishlaridan biri. Aynan: asab tizimining xatolarni o’rganish va tuzatish qobiliyati, bu bizga odam miyasining ishlashini taqlid qilishga imkon beradi. Inson nerv sistemasi yoki asab tizimi — bu tananing barcha tizimlarining o’zaro bog’liq xatti-harakatlarini ta’minlaydigan murakkab tuzilmalar tarmog’i. Biologik neyron — bu yadrodan, hujayrali tanadan va jarayonlardan iborat bo’lgan maxsus hujayradir. Neyronning asosiy vazifalaridan biri boshqa neyronlar bilan ulanish orqali neyron tarmog’iga elektrokimyoviy impulsni yuborishdir. Bundan tashqari, har bir aloqa sinaptik aloqaning kuchi deb nomlanadigan ma’lum bir miqdor bilan tavsiflanadi. Ushbu qiymat boshqa neyronga o’tkazilganda elektrokimyoviy impuls bilan nima sodir bo’lishini aniqlaydi: u kuchayadi yoki zaiflashadi yoki o’zgarishsiz qoladi. Biologik neyron tarmoq yuqori darajadagi ulanishga ega: boshqa neyronlar bilan bir necha mingta aloqa bitta neyronga tushishi mumkin. Ammo, bu taxminiy qiymat va har bir holatda u boshqacha. Bir neyrondan ikkinchisiga impulslarning uzatilishi butun neyron tarmog’ining ma’lum bir qo’zg’alishini keltirib chiqaradi. Ushbu qo’zg’alishning kattaligi neyron tarmoqning ba’zi kirish signallariga javobini aniqlaydi. Masalan, odamning eski tanishi bilan uchrashuvi, agar ba’zi tanish va yoqimli hayot xotiralari ushbu tanishish bilan bog’liq bo’lsa, neyron tarmog’ining kuchli qo’zg’alishiga olib kelishi mumkin. O’z navbatida, neyron tarmog’ining kuchli qo’zg’alishi yurak urish tezligining oshishiga, ko’zlarning tez-tez yonib turishiga va boshqa reaktsiyalarga olib kelishi mumkin. Neyron tarmoq uchun notanish odam bilan uchrashuv deyarli imkonsiz bo’ladi, Biologik neyron tarmog’ining quyidagi juda soddalashtirilgan modelini berish mumkin: neyron yadrodan tashkil topgan hujayrali tanadan iborat. Dendrit deb ataladigan ko’plab qisqa tolalar hujayraning tanasidan ajralib chiqadi. Uzoq dendritlarga aksonlar deyiladi. Aksonlar uzoq masofalarni bosib o’tishadi, bu raqam o’lchovida ko’rsatilgandan ancha kattadir. Aksonlar odatda 1 sm uzunlikka ega (bu hujayra tanasining diametridan 100 baravar ko’p), ammo 1 metrga yetishi mumkin. XX asrning 60–80-yillarida ekspert tizimlari sun’iy intellekt sohasida izlanishlarning ustuvor yo’nalishlaridan biri bo’lgan . Ekspert tizimlari yaxshi ishladi, ammo faqat yuqori ixtisoslashgan sohalarda. Ko’proq universal aqlli tizimlarni yaratish uchun boshqacha yondashuv talab qilindi. Ehtimol, bu sun’iy intellekt tadqiqotchilari e’tiborini inson miyasining ostidagi biologik neyron tarmoqlarga qaratganligiga olib keldi. Sun’iy intellektdagi neyron tarmoqlari biologik neyron tarmoqlarining soddalashtirilgan modelidir. O’xshashlik shu yerda tugaydi. Inson miyasining tuzilishi yuqorida aytib o’tilganlarga qaraganda ancha murakkab va shuning uchun uni hech bo’lmaganda aniqroq ko’paytirish mumkin emas. Neyron tarmoqlari juda ko’p muhim xususiyatlarga ega, ammo asosiysi bu o’rganish qobiliyatidir. Neyron tarmog’ini o’rganish birinchi navbatda neyronlar orasidagi sinaptik aloqalarning «kuchini» o’zgartirishni o’z ichiga oladi. Buni quyidagi misol yaqqol ko’rsatib turibdi. Pavlovning klassik tajribasida har safar itni boqishdan oldin qo’ng’iroq jiringladi. It tezda qo’ng’iroqni ovqat bilan bog’lashni o’rganib oldi. Bunga miyaning eshitish uchun javob beradigan qismlar va tuprik bezlari orasidagi sinaptik aloqalar
6.2
kuchayganligi sabab bo’lgan. Va qo’ng’iroq sadosi bilan neyron tarmoqning keyingi qo’zg’alishi itda kuchli tupurikka olib kela boshladi. Bugungi kunda neyron tarmoqlar sun’iy intellekt sohasidagi tadqiqotlarning ustuvor yo’nalishlaridan biridir.
2. OLAP texnologiyasi kontseptsiyasi 1993 yilda Edgar Kodd tomonidan ishlab chiqilgan.Ushbu texnologiya ko'p o'lchovli ma'lumotlar to'plamlarini qurishga asoslangan - OLAP kublari (ta'rifdan xulosa qilish mumkinki, uch o'lchovli bo'lishi shart emas). OLAP texnologiyalarini qo'llashdan maqsad ma'lumotlarni tahlil qilish va ushbu tahlilni boshqaruv xodimlari tomonidan idrok etish va ular asosida qarorlar qabul qilish uchun qulay shaklda taqdim etishdir.Ko'p o'lchovli tahlil uchun ilovalar uchun asosiy talablar:- foydalanuvchiga tahlil natijalarini oqilona vaqt ichida (5 soniyadan ko'p bo'lmagan) taqdim etish;- ma'lumotlarga ko'p foydalanuvchilar kirishi;- ma'lumotlarni ko'p o'lchovli tasvirlash;- saqlash joyi va hajmidan qat'i nazar, har qanday ma'lumotga kirish imkoniyati.OLAP tizim vositalari ma'lumotlarni belgilangan shartlarga muvofiq saralash va tanlash imkoniyatini beradi. Turli xil sifat va miqdoriy shartlar o'rnatilishi mumkin.Ma'lumotlar bazasini yaratish va saqlash uchun ko'plab vositalarda qo'llaniladigan asosiy ma'lumotlar modeli - DBMS, relyatsion modeldir. Undagi ma'lumotlar asosiy maydonlar bilan bog'langan ikki o'lchovli jadvallar-munosabatlar to'plami shaklida taqdim etiladi. Takroriylikni, nomuvofiqlikni bartaraf etish va ma'lumotlar bazalarini saqlash uchun mehnat xarajatlarini kamaytirish uchun ob'ektlar jadvallarini normallashtirish uchun rasmiy apparat qo'llaniladi. Shu bilan birga, uning ishlatilishi xotira resurslari saqlangan bo'lsa-da, ma'lumotlar bazalariga so'rovlarga javoblar yaratish uchun qo'shimcha vaqt bilan bog'liq. Ko'p o'lchovli ma'lumotlar modeli o'rganilayotgan ob'ektni ko'p o'lchovli kub shaklida ifodalaydi, ko'pincha uch o'lchovli model ishlatiladi. Kubning o'qlari yoki yuzlari bo'ylab o'lchovlar yoki atributlar chiziladi. Asosiy detallar kub hujayralarini to'ldirishdir. Qarorlarni qo'llab-quvvatlash tizimida tahliliy ish materiallari asosida hisobot va tahliliy hujjatlar va multimedia taqdimotlarini yaratishda idrok etish va taqdim etishni osonlashtirish uchun ko'p o'lchovli kub uch o'lchovli kublar kombinatsiyasi bilan ifodalanishi mumkin. OLAP texnologiyalari doirasida ma'lumotlarning ko'p o'lchovli ko'rinishini relyatsion DBMSlar va ko'p o'lchovli maxsus vositalar yordamida tashkil qilish mumkinligiga asoslanib, ko'p o'lchovli OLAP tizimlarining uch turi mavjud: - ko'p o'lchovli (Ko'p o'lchovli) OLAP-MOLAP; - relational (Relation) OLAP-ROLAP; - aralash yoki gibrid (Gibrid) OLAP-HOLAP. Ko'p o'lchovli ma'lumotlar bazasida ma'lumotlar relyatsion jadvallar ko'rinishida emas, balki tartiblangan ko'p o'lchovli massivlar ko'rinishida giperkublar shaklida tashkil etiladi, bunda barcha saqlangan ma'lumotlar bir xil o'lchamga ega bo'lishi kerak, bu esa eng to'liq asosni shakllantirish zarurligini anglatadi. o'lchovlar. Ma'lumotlar polikublar shaklida tashkil etilishi mumkin, bu variantda har bir ko'rsatkichning qiymatlari o'z o'lchovlari to'plami bilan saqlanadi, ma'lumotlarni qayta ishlash tizimning o'z vositasi tomonidan amalga oshiriladi. Bu holda saqlash tuzilishi soddalashtirilgan, chunki ko'p o'lchovli yoki ob'ektga yo'naltirilgan shaklda ma'lumotlarni saqlash zonasiga ehtiyoj yo'q. Ma'lumotlarni relyatsion modeldan ob'ektga aylantirish uchun modellar va tizimlarni yaratish uchun katta mehnat xarajatlari kamayadi.
3. Ma’lumotlarning relyatsion modeli.
Relyatsion MB kuchli nazariy fundamentga ega bo‘lib, u matematik munosabatlar (otnosheniya) nazariyasiga asoslangan. Ma‘lumotlarning relyatsion modeli kontseptsiyasi 1970 yilda Ye.F.Kodd tomonidan taklif qilingan bo‘lib, u ma‘lumotlarni tavsiflash va tasvirlashning amaliy dasturlaridan bog‘liq bo‘lmasligini ta‘minlash masalasini hal qilish uchun xizmat qiladi. Maʼlumotlarning shunday modeliga relyatsion model deyiladi, unda barcha maʼlumotlar foydalanuvchiga jadval shaklida xavola etiladi va maʼlumotlar bazasi ustidagi barcha amallar jadvalllar ustiga amallarga olib kelinadi. Har bir jadval maʼlumotlar bazasi tarkibida oʼz nomiga ega boʼladi hamda satr va ustunlardan iborat boʼladi. Har bir jadval real dunyodagi obyektlar (mohiyat) tipini aks ettiradi, har bir satri esa obʼektning konkret nusxasini bildiradi. Relyatsion modelning har bir tushunchasini “Xodim” – mohiyati (obʼekti) misolida koʼrib chiqamiz: Har bir ustun oʼz nomiga ega boʼladi va ustun nomi odatda jadvalning ustki qismida koʼrsatiladi. Uning nomi joriy jadvalda boshqa ustun uchun takrorlanmasligi kerak, biroq bu nom boshqa jadvalning ustun nomi sifatida ishlatilishi mumkin. Yaʼni turli jadvallar bir xil nomli ustunga ega boʼlishi mumkin. Ixtiyoriy jadval kamida bitta ustunga ega boʼladi; ustunlar jadvalda ularni yaratish tartibida joylashadi. Satrlar ustunlardan (atributlar) farqli ravishda nomga va joylashish tartibiga ega emas. Ularning miqdori chegaralanmagan. Ixtiyoriy jadval shunday ustunga yoki ustunlarga (kalitga) ega boʼladi, undagi qiymatlar har bir satrni takrorlanmas qiymat bilan identifikatsiyalaydi. Rasmda keltirilgan misolda kalit bu “tabel nomeri” ustunidir. Аtributlar qiymati eng kichik axborot birligi – domen yordamida koʼrsatiladi. Boshqacha aytganda domen – bu obʼekt atributining mumkin boʼlgan barcha qiymatlar toʼplamidir. Yana ikkita tushunchani koʼrib oʼtamiz. Bu “daraja” va “Kardinal son” tushunchalari. Munosabatlarning kardinal soni deganda kortejlar soni tushuniladi, munosabat darajasi – bu joriy munosabatning atributlar sonidir. Jadvallar oʼrtasidagi aloqa relyatsion maʼlumotlar
6.3
modelining asosiy elementi xisoblanadi. Bu aloqa tashqi kalitlar yordamida qoʼllab – quvvatlanadi. Misol sifatida biror korxonaning MB sida saqlanayotgan xodimlar (“xodimlar” jadvali) va boshliqlar (“boshliqlar” jadvali) haqidagi maʼlumotlarni koʼrib chiqamiz. “Boshliqlar” jadvalida birlamchi kalit “nomer” ustini. “Familiya” ustunining qiymatlari takrorlanuvchi boʼlganligi uchun birlamchi kalit sifatida qoʼllash mumkin emas. “Xodimlar” jadvalida “Boshliq nomeri” ustuni tashqi kalit xisoblanadi. MB da maʼlumotlar bilan birga maʼlumotlar lugʼati va boshqa obyektlar, masalan, ekran formalari, xisobotlar, tasvirlovchi formalar (views) va amaliy dasturlar joylashadi. Relyatsion MB ni butunlik cheklanishi baʼzi talablarni, masalan, atribut qiymati faqat mos domen ichidan olinishini yoki tashqi kalit jadvaldagi mavjud boʼlmagan satrni koʼrsatmasligi kerak (koʼrsatgich boʼyicha yaxlitlik). “Munosabat” tushunchasini batafsil koʼrib chiqamiz. Relyatsion modellarda oʼzgaruvchi munosabatlar va munosabat qiymatini farqlash kerak. Oʼzgaruvchi munosabat – bu xuddi dasturlash tilidagi kabi oddiy oʼzgaruvchilar, yaʼni qiymati vaqt oʼtishi bilan oʼzgaruvchi nomlangan obyekt. Ushbu oʼzgaruvchining ixtiyoriy vaqt momentidagi qiymati munosabat qiymati xisoblanadi.
Ma’lumotlarni relyatsion modeli asosida munosabat tushunchasi yotadi. Munosabatni 2 o‘lchamli jadvallar yordamida tavsiflash qulay. Jadval tushunarli ko‘rimli va inson uchun oddiy. Munosabatlar to‘plami ma’lumotlarni saqlash uchun ishlatilishi mumkin. Shu bilan birga ular orasidagi bog‘lanishlarni modellashtirish imkonini beradi. Ma‘lumotlarning relyatsion modeli asosida «munosabat» tushunchasi yotib, u inglizcha relation so‘zidan olingan. Ba‘zi bir qoidalarga amal qilgan holda munosabatlarni ikki o‘lchovli jadval ko‘rinishda tasvirlash mumkin
4. To'g'ridan-to'g'ri tarqalish tarmoqlari Qayta aloqa tarmoqlari Takroriy neyron tarmoqlari sun'iy neyron tarmoqlar bo'lib, unda neyronning chiqishi uning kirishiga qaytarilishi mumkin. Umumiy holda, bu chiqishdan kirishlarga signalning tarqalishi imkoniyatini anglatadi. Guruch. 19. Teskari aloqaga ega tarmoqlar Bu tamoyil keng imkoniyatlarni ochib beradi, uning yordamida signallarni tiklaydigan va to'ldiruvchi, ya'ni odam kabi qisqa muddatli xotiraga ega bo'lgan tarmoqlarni yaratish mumkin. Neyron tarmoqlari qanday ishlashini tushunishning eng muhim jihatlaridan biri bu neyronlar to'plami berilgan vazifani to'g'ri bajarish uchun nima kerakligini tushunishdir. Buning uchun tarmoqni o'rganish jarayoni mavjud. ANN odamlar kabi o'rganadi. Neyron tarmoqni o'rgatish (trening) - bu tarmoqdan o'tgandan keyin kirish signali bizga kerak bo'lgan chiqishga aylantiriladigan bunday og'irlik koeffitsientlarini qidirish. "Neyron tarmoqlarni o'qitish" atamasiga bunday yondashuv biologik neyron tarmoqlariga ham mos keladi. Bizning miyamiz juda ko'p sonli o'zaro bog'langan neyron tarmoqlardan iborat. Ularning har biri alohida-alohida bir xil turdagi neyronlardan iborat (faollashtirish funktsiyasi bir xil). Biz sinapslarni, kirish signalini kuchaytiradigan / zaiflashtiradigan elementlarni o'zgartirish orqali o'rganamiz. Agar siz tarmoq kiritishiga faqat bitta signalni bir necha marta qo'llasangiz, u odam uchun oz miqdordagi ma'lumotni eslab qolish osonroq bo'lgani kabi, uni eslab qoladi. Bizga kerak bo'lgan narsa belgilarni tasniflash va umumlashtirish, ya'ni to'g'ri javob berish qobiliyatidir. Trening to'plami aynan shu maqsadda. Trening to'plami - tarmoq o'qitilgan kirish signallarining cheklangan to'plami (ba'zan to'g'ri chiqish signallari bilan birga). Tarmoqni o'qitgandan so'ng, siz uni amalda qo'llashga harakat qilishingiz va trening namunasida bo'lmagan kirishlarga signallarni qo'llashingiz mumkin. Ammo buni amalga oshirishdan oldin, natijalarning to'g'riligi uchun tarmoqni tekshirishingiz kerak, buning uchun sinov namunasi mavjud. Sinov to'plami - tarmoq sifatini baholash uchun ishlatiladigan kirish signallarining cheklangan to'plami (ba'zan to'g'ri chiqish signallari bilan birga). Shunday qilib, ANN treningi har bir sun'iy neyron uchun to'g'ri og'irliklarni tanlashdir. Buning uchun ikkita usuldan foydalanish mumkin: O'qituvchi bilan mashg'ulot. Amaliyotning ma'nosi shundan iboratki, ANN kirishiga signal beriladi, unga to'g'ri javob oldindan ma'lum. Agar tarmoq to'g'ri javob bersa, og'irliklar o'zgarmaydi. Agar tarmoq tomonidan berilgan javob noto'g'ri bo'lib chiqsa, chiqishlardan kirishlarga qadar, maxsus algoritmlarga muvofiq, ANN og'irliklari sozlanadi va o'quv namunasi tugaguniga qadar mashg'ulotlar davom etadi. Nazorat ostida o'qitish - tarmoqli o'rganishning bir turi bo'lib, uning vaznlari tarmoqning javoblari allaqachon tayyorlangan to'g'ri javoblardan minimal farq qiladigan tarzda o'zgaradi. Kirish signallari sifatida siz ma'lum kunlarni, bozorning umumiy holatini va boshqa parametrlarni olishingiz mumkin. Va to'g'ri javoblar sifatida - o'sha kunlarda narxning ko'tarilishi va tushishi. O'qituvchisiz o'rganish. Nazoratsiz o'rganish kirish signallariga to'g'ri javob noma'lum bo'lganda qo'llaniladi. Bunday holda, butun o'quv majmuasi faqat kirish signallaridan iborat. Bunday trening bilan tarmoq unga kiritilgan signallardan sinflarni ajratishni boshlaydi, ya'ni klasterlashni amalga oshiradi. Misol uchun, biz avtobus, trolleybus va tramvayga mos keladigan ob'ektlar va ularning xususiyatlarini tarmoqqa kiritamiz. Vaqt o'tishi bilan INS ushbu ob'ektlarga mos keladigan uch xil signalni ishlab chiqaradi. Nazoratsiz o'qitish - tarmoq kirish signallarini mustaqil ravishda tasniflaydigan tarmoq o'rganish turi. To'g'ri (mos yozuvlar) chiqish signallari ko'rsatilmaydi. Ushbu ma'lumot neyron tarmoqlarga asoslangan tasvirlarda ob'ektni aniqlash tizimlarining turli prototiplarini yaratish uchun zarurdir.