Mustaqil ish re

Chuqur o’qitish (Deep learning). Asosiy vazifalari va algoritmlari

Chuqur o’qitish (Deep learning). Asosiy vazifalari va algoritmlari

Mustaqil ish re

Chuqur o’qitish (deep learning) nima? Chuqur o’qitish bosqichlari

Tasvirlarda sinflashtirish masalasi va chuqur o’qitish imkoniyati Neyron tarmoq turlari
Convolutional neural networks (CNN) asosiy xususiyati
Sun’iy yo’ldosh tasvirlarida sinflashtirish masalasini yechish (U-Net, transfer learning, CNN)
Xulosa
Foydalanilgan adabiyotlar

Convolutional neural networks (CNN)

CNN - bu ko'p qatlamli neyron tarmoq hamda noyob arxitekturaga ega bo’lib, har bir qatlamda ma'lumotlarning tobora murakkab xususiyatlarini chiqish uchun aniqlashga mo'ljallangan. CNN lar tanib olish masalalarini yechishda, sinflashtirish masalalarida keng foydalaniladi.

Convolutional neural networks (CNN)

32x32 o’lchamda rasm berilgan bo’lsin (cat.jpg)

• 
  Neyron tarmoq kirish qatlami tasvirni o’qib oladi
  
• 
  Birinchi yashirin qatlamdagi har bir neyron “convolution” amalini bajaradi (har xil o’lchamdagi filtr yordamida, masalan: 3x3, 5x5, 7x7,
  

...).

• 
  Agar neyron tarmoqda yashirin qatlamlar bir nechta bo’lsa, unda har bir qatlamda o’ziga mos “convolution” amali bajariladi.
  
• 
  Keyingi bosqichda “pooling” operatsiyasi (max, min, average) bajarilishi talab qilinadi
  
• 
  Undan keyin “dense” amali bajariladi, ya’ni chiqish qatlamidan oldin tasvirga tegishli barcha xususiyatlarni o’qib olgan neyronlar bir qator
  

qilib shakllantiriladi

2,3
4
5
1
Dense qatlam
Chiqish qatlam

CNN qanday ishlaydi

Alex-Net CNN . Filtr natijalari

1-qatlamdagi o’qitilgan filtr visual ko’rinishi

6-qatlamdagi o’qitilgan filtr visual ko’rinishi
IIT Iris Database asosida natija olingan

CNN da ishlatiladigan filtrlar natijalari

CNN arxitekturasiga misol

Convolution – kiruvchi tasvirni filtr asosida sirpanuvchi oyna usulida (convolution) hisoblash

ReLU – aktivatsiya funksiyasi
Pooling – convolution dan keyin amalga oshiriladigan (max, min, average) hisoblash jarayoni
Fully connected – bu neyron tarmoq chiqishi uchun, convolution asosida hosil bo’lgan qiymatlarni to’liq bog’langan neyronlar ko’rinishiga o’tkazish
https://www.youtube.com/watch?v=FmpDIaiMIeA&feature=emb_logo

Chuqur o’qitishda kuzatiladigan kamchiliklar

Data labeling - Ko'pincha zamonaviy AI modellari "nazorat ostida o'rganish“ – (supervised learning) orqali o'qitiladi. Bu shuni anglatadiki, odamlar katta hajmdagi va xatolarga olib keladishi mumkin bo'lgan asosiy ma'lumotlarni belgilashi va toifalashlari kerak.
Obtain huge training datasets - CNN kabi chuqur o’qitish usullari ba'zi hollarda tibbiyot va boshqa sohalardagi mutaxassislarning bilimlariga mos ishlaydi. Hozirgi vaqtda mashina o'qitish jarayoni nafaqat ma’lumotar aniq bo’lishini, balki yetarlicha keng va universal bo'lgan o'quv ma'lumot to'plamlarini talab qiladi.
Explain a problem - Katta va murakkab modellarni tushuntirish va unig xususiyatlarini aniqlash qiyin hisoblanadi. Bunday holatlarda aniq qarorlarni qabul qilishda xatoliklarga yo’l qo’yilishi mumkin.