Bajardi: Matyaqubov Akrom Qabul qildi: Reja

TOSHKENT AXBOROT
TEXNOLOGIYALARI UNIVERSITETI URGANCH FILIALI

Mustaqil ish
Fan nomi: Mashinali o’qitishga kirish
Guruh: 961-19-guruh
Bajardi: Matyaqubov Akrom
Qabul qildi:


Reja .

1. 
   Neyron tarmoqlari nima ?
   
2. 
   Neyron tarmoqi qurish haqida.
   
3. 
   Modelimizni loyihalash haqida.
   

Pythonda neyron tarmoqni qanday qurish mumkin?


Kirish .

• 
  Sun'iy intellekt (AI) so'nggi yillarda sezilarli darajada mashhurlikka erishdi.
  
• 
  Agar siz dasturiy ta'minot muhandisi, kompyuter olimi yoki umuman ma'lumotlar fanining ishqibozi bo'lsangiz, ehtimol siz ushbu soha tomonidan taqdim etilgan tasvirni qayta ishlash, naqshni aniqlash va ob'ektni aniqlashning ajoyib ilovalariga qiziqasiz.
  
• 
  Siz eshitgan sun'iy intellektning eng muhim sohasi bu chuqur o'rganishdir. Bu soha inson miyasi funksiyasidan keyin modellashtirilgan kuchli algoritmlarga (kompyuter dasturlari ko'rsatmalari) qaratilgan. Neyron tarmoqlari.
  
• 
  Ushbu maqolada biz neyron tarmoqlar tushunchasi va ushbu modellarni qanday qurish, kompilyatsiya qilish, moslashtirish va baholashni ko'rib chiqamiz. Python.
  

Neyron tarmoqlari.
Neyron tarmoqlari yoki NN - bu inson miyasining biologik faolligidan keyin modellashtirilgan bir qator algoritmlar. Neyron tarmoqlari neyronlar deb ham ataladigan tugunlardan iborat.
Vertikal tugunlar to'plami qatlamlar deb nomlanadi. Model bitta kirish, bitta chiqish va bir qancha yashirin qatlamlardan iborat. Har bir qatlam neyronlar deb ataladigan tugunlardan iborat bo'lib, u erda hisob-kitoblar amalga oshiriladi.
Quyidagi diagrammada doiralar tugunlarni va vertikal tugunlar to'plami qatlamlarni ifodalaydi. Ushbu modelda uchta qatlam mavjud.
Bir qatlamning tugunlari quyida ko'rsatilganidek, uzatish liniyalari orqali keyingi qatlamga ulanadi.


Bizning ma'lumotlar to'plamimiz etiketli ma'lumotlardan iborat. Bu har bir ma'lumot ob'ektiga ma'lum nom qiymati berilganligini anglatadi.
Shunday qilib, hayvonlarni tasniflash ma'lumotlar to'plami uchun bizning ma'lumotlarimiz sifatida mushuk va itlarning tasvirlari, teg sifatida "mushuk" va "it" bo'ladi.
Shuni ta'kidlash kerakki, yorliqlar modelimiz uchun ularni tushunish uchun raqamli qiymatlarga aylantirilishi kerak, shuning uchun hayvonlar uchun yorliqlarimiz mushuk uchun "0" va it uchun "1" bo'ladi. Ma'lumotlar ham, teglar ham model orqali o'tkaziladi.
Learning
Ma'lumotlar modelga bir vaqtning o'zida bir ob'ekt yuboriladi. Ushbu ma'lumotlar bo'laklarga bo'linadi va modelning har bir tugunidan o'tadi. Tugunlar bu bo'laklar ustida matematik amallarni bajaradi.
Ushbu qo'llanma uchun matematik funktsiyalar yoki hisob-kitoblarni bilishingiz shart emas, lekin bu modellar qanday ishlashi haqida umumiy tasavvurga ega bo'lish muhimdir. Bir qatlamda bir qator hisob-kitoblardan so'ng ma'lumotlar keyingi qatlamga uzatiladi va hokazo.
Tugallangandan so'ng, bizning modelimiz chiqish qatlamidagi ma'lumotlar yorlig'ini bashorat qiladi (masalan, hayvonlarni tasniflash masalasida biz mushuk uchun "0" prognozini olamiz).
Keyin model ushbu bashorat qilingan qiymatni haqiqiy yorliq qiymati bilan solishtirishga kirishadi.
Agar qiymatlar mos kelsa, bizning modelimiz keyingi kiritishni oladi, ammo qiymatlar boshqacha bo'lsa, model yo'qotish deb ataladigan ikkala qiymat o'rtasidagi farqni hisoblab chiqadi va keyingi safar mos teglarni ishlab chiqarish uchun tugun hisoblarini moslashtiradi.