|
Aslida, bilim muhandisligi:
|
====
|
#
|
bilimlardan foydalangan holda muammolarni hal qilish uchun mo'ljallangan tizimlarni yaratishga qaratilgan modellar, usullar va usullar to'plami
|
|
Tarjima qilish tizimlari
|
====
|
#
|
kuzatishlar natijasida vaziyatning tavsifini aniqlash
|
|
Dinamik matematik model
|
====
|
#
|
vaqt o'tishi bilan o'zgarib turadigan stsenariylarni baholash uchun foydalaniladi
|
|
Bashorat qilish tizimlari
|
====
|
#
|
ob-havoni bashorat qilish, aholini bashorat qilish, iqtisodiy prognozlash, hosilni baholash va harbiy, marketing va moliyaviy prognozlarni o'z ichiga oladi.
|
|
Har xil qaror qabul qilish holatlari uchun modellarning asosiy toifalari
|
====
|
#
|
yuqoridagilarning barchasi
|
|
Data Mining yoki Data Mining
|
====
|
#
|
ma'lumotlar bazalarida bilimlarni kashf qilish, bilimlarni olish, ma'lumotlarni qazib olish, ma'lumotlarni qazib olish, ma'lumotlar namunasini qayta ishlash, ma'lumotlarni tozalash va yig'ish uchun ishlatiladigan atama; Bunga tegishli dasturiy ta'minot ham kiradi.
|
|
Statik matematik model
|
====
|
#
|
|
|
Model -
|
====
|
#
|
haqiqatning soddalashtirilgan tasviri yoki mavhumligi
|
|
KB ma'murlari uchun integratsiya maqsadi
|
====
|
#
|
birinchi navbatda ma'lumotlar bazasi texnologiyasida, lekin KBMS talablariga moslashtirilgan bir qator vositalarni taqdim etish
|
|
OLAP - Onlayn tahliliy ishlov berish
|
====
|
#
|
operativ analitik ishlov berish
|
|
Diagnostika tizimlari
|
====
|
#
|
tibbiyot, elektronika, mexanika va dasturiy ta'minot sohasidagi diagnostikani o'z ichiga oladi
|
|
Ekspertiza
|
====
|
#
|
muammoni hal qilish uchun o'rganish, o'qish va tajribadan olingan keng qamrovli, maxsus bilim
|
|
Ekspert tizimi
|
====
|
#
|
odatda inson tajribasini talab qiladigan muammolarni hal qilish uchun kompyuterga kiritilgan inson bilimlaridan foydalanadigan tizim
|
|
Teskari aloqasiz tarmoq tarmoq hisoblanadi
|
====
|
#
|
ba'zi bir neyronning chiqishidan bir xil neyronning kirishlariga yoki oldingi qatlamdagi neyronga o'tadigan sinaptik aloqalari yo'q.
|
|
Qaysi tarmoqlar xotiraning etishmasligi bilan tavsiflanadi?
|
====
|
#
|
fikr-mulohaza yo'q
|
|
Perseptronning kirishi
|
====
|
#
|
haqiqiy sonlardan tashkil topgan vektor
|
|
Ikki qavatli perseptron teoremasi shuni bildiradi
|
====
|
#
|
har qanday ko‘p qavatli perseptron ikki qavatli perseptron sifatida ifodalanishi mumkin
|
|
Ular buni o'rganish deb atashadi
|
====
|
#
|
vaznni sozlash tartibi
|
|
Agar neyron tarmoq o'qitiladi
|
====
|
#
|
o'quv kirishlarini bajarayotganda, u tegishli o'quv natijalarini ishlab chiqaradi
|
|
Perseptronning kirishiga a vektorini beramiz. Bunday holda, vazn qiymatlarini kamaytirish kerak
|
====
|
#
|
agar chiqish 1 bo'lsa, lekin sizga 0 kerak
|
|
Orqaga tarqalish algoritmi qachon tugaydi
|
====
|
#
|
xato signali belgilangan chegaradan pastga tushadi
|
|
Impuls usuli
|
====
|
#
|
vaznni tuzatishga oldingi vazn o'zgarishi miqdoriga mutanosib qiymat qo'shish
|
|
Tarmoq falaj qachon sodir bo'lishi mumkin
|
====
|
#
|
vazn qiymatlari juda katta bo'ladi
|
|
Agar tarmoq yashirin qatlamlarda juda ko'p sonli neyronlarga ega bo'lsa, u holda
|
====
|
#
|
tarmoqni qayta tayyorlash mumkin
|
|
Diskriminant funksiyasi deyiladi
|
====
|
#
|
kerakli sinf ob'ektlari joylashgan ob'ekt maydoni hududida bittaga va ushbu hududdan tashqarida nolga teng funktsiya
|
|
O'zaro tekshirish usuli bilan o'rganish juftliklari to'plami to'g'ri ikki qismga bo'lingan deb hisoblanadi, agar
|
====
|
#
|
operatsiya boshida o'qitish va nazorat qilish majmualarida tarmoq xatolari deyarli bir xil edi
|
|
Agar tarmoq ikkita oraliq qatlamni o'z ichiga olsa, u modellashtiradi
|
====
|
#
|
ikkinchi qatlamning har bir yashirin elementi uchun bitta konveks "tortishish"
|
|
Nazoratni o'zaro tekshirish mexanizmi
|
====
|
#
|
o'quv juftlarining bir qismini zaxiraga qo'yish va ulardan o'quv jarayonini mustaqil nazorat qilish uchun foydalanish
|
|
Agar qarama-qarshi tarmoqni o'rganish algoritmida x vektor tarmoq kirishiga berilgan bo'lsa, u holda kerakli chiqish bo'ladi.
|
====
|
#
|
x vektorining o'zi
|
|
Koxonenning neyroni "g'olib" deb hisoblanadi.
|
====
|
#
|
NET ning maksimal qiymati bilan
|
|
Agar berilgan Kohonen neyroni "g'olib" bo'lsa, uning qiymati OUT bo'ladi
|
====
|
#
|
birga teng
|
|
Akkreditatsiya usuli:
|
====
|
#
|
eng yuqori NET qiymatiga ega bo'lgan faqat bitta Kohonen neyronining faollashishi
|
|
Barqarorlikni saqlab qolishda mahalliy minimaldan qochish strategiyasi
|
====
|
#
|
og'irlik qiymatlarini o'zgartirishning katta boshlang'ich bosqichlari va bu bosqichlarning asta-sekin kamayishi
|
|
Qaysi algoritm uchun tarmoq falaji xavfliroq?
|
====
|
#
|
Koshi taqsimot algoritmi
|
|
Boltsmanni o'rganishda sun'iy harorat qanday rol o'ynaydi?
|
====
|
#
|
harorat pasayganda, kichikroq o'zgarishlar bo'lishi mumkin
|
|
Xopfild tarmog'i Hamming tarmog'i bilan almashtiriladi, agar:
|
====
|
#
|
tarmoq saqlangan naqshni aniq chiqarishga hojat yo'q
|
|
Inhibitor sinaptik ulanishlarning og'irlik qiymatlari qanday bo'lishi kerak?
|
====
|
#
|
oraliqdan teng qiymatlar (-1/n,0), bu erda n - bir qatlamdagi neyronlar soni
|
|
Sinapslarning simmetriyasini rad etish usuli quyidagilarga imkon beradi:
|
====
|
#
|
maksimal xotira hajmiga erishish
|
|
Boltzmann mashinasi usuli Xopfild tarmog'iga imkon beradi
|
====
|
#
|
mahalliy minimaldan saqlaning
|
|
DAP tarmog'i adaptiv if deb ataladi
|
====
|
#
|
tarmoq o'quv jarayonida o'z vaznlarini o'zgartiradi
|
|
Lotoral-ingibitor aloqasi qo'llaniladi
|
====
|
#
|
tanib olish qatlami ichida
|
|
Loteral inhibisyon jarayoni buni ta'minlaydi
|
====
|
#
|
tanib olish qatlamida faqat konvolyutsiyasi maksimal bo'lgan neyron ishdan chiqariladi
|
|
Agar o'quv jarayonida ba'zi vazn nolga qaytarilgan bo'lsa, unda
|
====
|
#
|
u hech qachon nol bo'lmagan qiymatni qayta olmaydi
|
|
Berilgan postsioptik neyronning ingibitor kirishining og'irligi oshishiga bog'liq
|
====
|
#
|
qo'zg'atuvchi presinoptik neyronning chiqish signali va uning qo'zg'atuvchi og'irligi
|
|
Perseptronning mashg'uloti qachon tugallangan hisoblanadi
|
====
|
#
|
|
