Основы искусственного интеллекта: учебное пособие

Guruch. 3.6. To'g'ridan-to'g'ri signal uzatilishi bilan neyron tarmog'iga misol



qatlamlarga guruhlanadi , kirish qatlami esa kirish o'zgaruvchilari qiymatlarini kiritish uchun xizmat qiladi ­va yashirin va chiqish ­neyronlarining har biri oldingi qatlamning barcha elementlariga ulanadi. (Shuningdek, neyronlar faqat oldingi qatlamning ba'zi neyronlari bilan bog'langan ­tarmoqlarni ham ko'rib chiqish mumkin ­, ammo ko'pgina amaliy ilovalar uchun ­ulanishlarning to'liq tizimiga ega tarmoqdan foydalanish ­afzalroqdir.)
Tarmoqning ishlashi (foydalanish) jarayonida kirish o'zgaruvchilari qiymatlari uning kirish elementlariga kiritiladi. Keyin ­oraliq va chiqish qatlamlarining neyronlari ketma-ket ishlay boshlaydi: ularning har biri o'zining faollashuv qiymatini hisoblab chiqadi, oldingi qatlam elementlarining chiqishlarining og'irlikdagi yig'indisini oladi va undan uning chegara qiymatini ayiradi ­, so'ngra natijada faollashuv. qiymat ­faollashtirish funktsiyasi yordamida o'zgartiriladi va natijada neyron chiqishidagi signalning qiymati olinadi . ­Butun tarmoq tugagandan so'ng, chiqish qatlami elementlarining chiqish qiymatlari butun tarmoqning chiqish qiymatlari sifatida qabul qilinadi.

3. 
   Neyron tarmoqlarni qo'llash
   

Amalda neyron tarmoqlar ­oddiy kompyuterlarda ishlaydigan dasturiy mahsulotlar yoki maxsus apparat va dasturiy ta’minot tizimlari sifatida qo‘llaniladi [2]. E'tibor bering, birinchi holda, neyron tarmog'i algoritmlarining o'rnatilgan parallelligi ko'pincha ishlatilmaydi, ­chunki ma'lumotlar bazalarini tahlil qilish va umumlashtirish bo'yicha ko'plab vazifalar uchun maxsus ishlash talab etilmaydi - zamonaviy universal protsessorlarning ishlashi ular uchun etarli. Bunday ilovalar neyron tarmoqlarning ­katta hajmdagi ma'lumotlarda yashiringan naqshlarni ­o'rganish va ajratib olish uchun eksklyuziv qobiliyatidan foydalanadi ­. Odatda real vaqtda signalni qayta ishlash bilan bog'liq bo'lgan ikkinchi guruh ilovalari uchun ­neyrohisoblashlarning parallelligi hal qiluvchi omil hisoblanadi ­.
Keling, neyron ­tarmoqlar tomonidan hal qilinadigan asosiy vazifalarni sanab o'tamiz.

1. 
   Taqsimlangan assotsiativ xotira. Taqsimlangan xotira neyron ulanishlarining og'irligi ma'lumotlarning alohida neyron bilan o'ziga xos aloqasi bo'lmagan holda ma'lumot holatiga ega ekanligini anglatadi ­. Assotsiativ xotira neyron tarmog'ining kirishda taqdim etilgan qismiga muvofiq to'liq tasvirni chiqarish qobiliyatini anglatadi.
   
2. 
   Shaklni aniqlash. Shaklni aniqlash muammolari bir vaqtning o'zida ­katta hajmdagi kirish ma'lumotlarini qayta ishlash va toifali ­yoki umumlashtirilgan javob berish qobiliyatini talab qiladi. Buning uchun neyron tarmoq ichki parallelizmga ega bo'lishi kerak.
   
3. 
   moslashuvchan nazorat.
   
4. 
   Prognozlash.
   
5. 
   Ekspert tizimlari.
   
6. 
   Optimallashtirish (ya'ni, uning parametrlari bo'yicha cheklovlar mavjud bo'lganda maksimal funktsionallikni qidirish).
   

В настоящее время нейросети находят широкое примене ­ние в различных областях, таких как экономика (предсказа ­ние показателей биржевого рынка, предсказание финансо ­вых временных рядов), робототехника (распознавание опти ­ческих и звуковых сигналов, самообучение), визуализация многомерных данных, ассоциативный поиск текстовой ин ­формации va boshq.
Neyron tarmoqlar juda ko'p mutaxassislarni qiziqtiradi:

• 
  murakkab muammolarni hal qilishning yangi usullari maydonini ochadi ;­
  
• 
  fiziklar neyron tarmoqlardan ­statistik mexanikadagi hodisalarni modellashtirish va ­boshqa koʻplab muammolarni hal qilish uchun foydalanadilar;
  
• 
  neyrofiziologlar miya funktsiyalarini modellashtirish va o'rganish uchun neyron tarmoqlardan foydalanishlari mumkin;
  
• 
  psixologlar o'zlarining ba'zi psixologik ­nazariyalarining modellarini sinab ko'rish mexanizmiga ega;
  

• boshqa mutaxassislar (ayniqsa, tijorat va sanoat ­sohalari) ham turli sabablarga ko'ra, birinchi navbatda ­, ularning yordami bilan erishilgan ma'lumotlarni bashorat qilish va vizualizatsiya qilishning yangi imkoniyatlari tufayli neyron tarmoqlarga qiziqishi mumkin.

3. 
   Neyron tarmoqlarni o'rgatish
   

O'rganish qobiliyati ­miyaning asosiy xususiyatidir. Neyron tarmoqlar kontekstida o'quv jarayonini tarmoq arxitekturasini va ulanish og'irliklarini qandaydir maxsus vazifani samarali bajarish uchun sozlash sifatida ko'rish mumkin. Odatda, neyron tarmoq ­o'zining ulanish og'irliklarini mavjud o'quv to'plamiga [1] moslashtirishi kerak va tarmoqning ishlashi ­og'irliklar takroriy sozlanganligi sababli yaxshilanadi. Neyron ­tarmoqlarning misollardan o'rganish qobiliyati ularni ­mutaxassislar tomonidan ishlab chiqilgan qat'iy belgilangan ishlash qoidalariga muvofiq ishlaydigan tizimlarga qaraganda jozibador qiladi.
Neyron tarmog'ining o'quv jarayonini loyihalash uchun , birinchi navbatda ­, ushbu neyron tarmoq ishlashi kerak bo'lgan ­tashqi muhit modeliga ega bo'lish, ya'ni tarmoqda mavjud bo'lgan ma'lumotlarni bilish kerak. Ushbu model o'rganish ­paradigmasini belgilaydi. Ikkinchidan, tarmoq og'irliklarini qanday o'zgartirish kerakligini tushunish kerak, ya'ni sozlash jarayonini qaysi o'rganish qoidalari boshqaradi. O'rganish algoritmi ­og'irliklarni sozlash uchun o'rganish qoidalaridan foydalanadigan protseduraga ­ishora qiladi .
uchta o'rganish paradigmasi mavjud: nazorat ostida ­, nazoratsiz (o'z-o'zini o'rganish) va aralash [1].
Birinchi holda, neyron tarmoqda har bir kiritish misoli uchun to'g'ri javoblar (talab qilinadigan tarmoq chiqishlari) mavjud va og'irliklar tarmoq ma'lum ­to'g'ri javoblarga imkon qadar yaqin javoblarni ishlab chiqarishi uchun o'rnatiladi . "O'qituvchi bilan" ­o'rganishning mustahkamlangan varianti ­neyron tarmog'i chiqishining to'g'riligini faqat tanqidiy baholash ma'lum, ammo chiqishning to'g'ri qiymatlari emasligini nazarda tutadi.­
Nazoratsiz o'qitish o'quv namunasining har bir misoli uchun to'g'ri javoblarni bilishni talab qilmaydi. Bunday holda, faqat ichki ma'lumotlar strukturasi yoki ma'lumotlar tizimidagi namunalar orasidagi korrelyatsiyalar ochiladi, bu ­esa namunalarni toifalarga ajratish imkonini beradi.
Aralashtirilgan ta'limda og'irliklarning bir qismi nazorat ostida o'rganish orqali aniqlanadi ­, qolgan og'irliklar esa o'z-o'zidan o'rganish yordamida shakllanadi.
Neyron tarmoqlarni o'rganish nazariyasi ­misol orqali o'rganish bilan bog'liq uchta asosiy xususiyatni ko'rib chiqadi: sig'im, namuna murakkabligi va hisoblash murakkabligi. Bunday holda, sig'im deganda tarmoq qancha namunalarni eslab qolishi va unda qanday funktsiyalar va qaror chegaralarini shakllantirish mumkinligi tushuniladi. ­Namunalarning murakkabligi ­tarmoqning umumlashtirish qobiliyatiga erishish uchun zarur bo'lgan o'quv misollari sonini aniqlaydi . ­Bunday misollarning juda kamligi tarmoqning “ortiqcha moslashishiga” olib kelishi mumkin, agar u treninglar to'plami misollarida yaxshi ishlaydi, lekin ­bir xil statistik ­taqsimotga bog'liq bo'lgan test misollarida yomon ishlaydi.
O'rganish qoidalarining to'rtta asosiy turi ma'lum: ­xatolarni tuzatish, Boltsman mashinasi, Hebb qoidasi va raqobatni o'rganish.