Neyron tarmoqni o‘qitish usullari va algoritmlari quvvatali Raximov Ortiqovich

3. ALGORITMLARNING UMUMIY TAHLILI 
Neyron tarmog‘ini o‘qitish jarayonida olingan optimal echim (og‘irlik koeffitsientlari 
to‘plami) uning amaliy masalalarni hal qilish jarayoniga bevosita ta’sir qiladi, ya'ni, tarmoq 
ilgari o‘qitilmagan test to‘plamining namunalari to‘plamida to‘g‘ri javoblarni beradigan 
sifatni aniqlaydi. Biroq, neyron tarmoqlarining umumlashtirish qobiliyati haqida aniq 
xulosalar ishlab chiqish va ularni o‘rganish borasida hozirgi vaqtda tadqiqotchilar ilmiy 
izlanishlar olib bormoqda. Shuningdek, ko‘plab zamonaviy tadqiqotlar shuni ko‘rsatadiki, 
sun’iy neyronni o‘qitish xatosi funktsiyasining mahalliy minimalari soni mustaqil 
parametrlar soni bilan ortadi, bu esa o‘z navbatida tarmoqning umumlashtirish qobiliyatiga 
salbiy ta’sir qiladi. 
Ko‘p sonli parametrlarga ega bo‘lgan ko‘plab muammolar uchun adaptiv usullar SGD 
ishlashi natijasida olingan echimlardan tubdan farq qiladigan echimlarga yaqinlashishi 
mumkin. Hozirgi vaqtda adaptiv algoritmlar ko‘pincha ko‘plab paketlarda (masalan, Scikit-
learn) standart usullardir. Biroq, stoxastik gradient tushish usuli bilan solishtirganda, ko‘p 
parametrli ma’lumotlar to‘plamlarida (Adam, RMSProp, Adagrad) usul ma’lumotlarining 
past umumlashtirilishini qo‘llab-quvvatlovchi tadqiqotlar mavjud. Ushbu kamchilik, 
moslashuvchan o‘rganish tezligiga ega algoritmlar qayta o‘qitishga ko‘proq moyil 
bo‘lganligi sababli, ularning sinov namunasidagi xatosi sezilarli darajada oshishi mumkin. 
Ko‘p sonli parametrlarga ega bo‘lgan ko‘plab muammolar uchun adaptiv usullar SGD 
ishlashi natijasida olingan echimlardan tubdan farq qiladigan echimlarga yaqinlashishi 
mumkin. Hozirgi vaqtda adaptiv algoritmlar ko‘pincha ko‘plab paketlarda (masalan, Scikit-
learn) standart usullardir. Biroq, stoxastik gradient tushish usuli bilan solishtirganda, ko‘p 
parametrli ma’lumotlar to‘plamlarida (Adam, RMSProp, Adagrad) usul ma’lumotlarining 
past umumlashtirilishini qo‘llab-quvvatlovchi tadqiqotlar mavjud. Ushbu kamchilik, 

---

Международныйнаучныйжурнал №10(100), часть2 
«
Научный импульс» Мая, 2023 
798 
moslashuvchan o‘rganish tezligiga ega algoritmlar qayta o‘qitishga ko‘proq moyil 
bo‘lganligi sababli, ularning sinov namunasidagi xatosi sezilarli darajada oshishi mumkin. 
XULOSA 
Neyron tarmoqlarini turli sohalarda qo‘llanilishi tufayli ular asosida hal qilinadigan 
turli xil vazifalar shakllantirilmoqda, bu masalalar kirish ma’lumotlarining aniqlanishi va 
turlari bilan ajralib turadi, ya’ni tasvirlarni anglash, matnlarni tahlil qilish, kasalliklarni 
tashxislash va boshqa masalalarni hal qilishda neyron tarmoqlaridan foydalanilmoqda. 
Hisoblash tajribasi natijalari shuni ko‘rsatdiki, moment usuli va SGD turli xil 
konfiguratsiyalar tarmoqlari uchun berilgan ma’lumotlar to‘plamida eng yaxshi natijalarni 
ko‘rsatdi. SGD va moment usuli davomida erishilgan natijalarning aniqligi, xususan, 
dastlabki namuna muvozanatli ekanligi bilan izohlanadi, bu esa o‘z navbatida ushbu 
usullarning ishlashiga ijobiy ta’sir ko‘rsatadi.