"Mashinali o’qitishga kirish"

---

1 
“Mashinali o’qitishga kirish”
fanidan 
“
Sunʼiy neyron tarmoqlari
” 
mavzusidan 
Mustaqil ish 
Bajardi 710/19-guruh
Haydarov Dilshodbek 

---

2 
Sunʼiy neyron tarmoqlari 
Sunʼiy neyron tarmoqlari (SNT), odatda oddiygina neyron 
tarmoqlari (NT) deb ataladi, hayvonlar miyasini tashkil etuvchi 
biologik neyron tarmoqlardan ilhomlangan hisoblash tizimlari. 
SNT sunʼiy neyronlar deb ataladigan bogʻlangan birliklar yoki tugunlar 
toʻplamiga asoslanadi, ular biologik miyadagi neyronlarni erkin 
modellashtiradi. Sunʼiy neyron signallarni oladi, keyin ularni qayta 
ishlaydi va unga ulangan neyronlarga signal berishi mumkin. 
Ulanishdagi „signal“ haqiqiy raqam boʻlib, har bir neyroNTing chiqishi 
uning kirishlari yigʻindisining chiziqli boʻlmagan funksiyasi bilan 
hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va chekkalar odatda 
oʻrganish davom etayotganda sozlanadigan vaznga ega. Neyronlar 
shunday chegaraga ega boʻlishi mumkinki, signal faqat yigʻilgan signal 
ushbu chegarani kesib oʻtgan taqdirdagina yuboriladi. Odatda, 
neyronlar qatlamlarga yigʻiladi. Signallar birinchi qatlamdan (kirish 
qatlami), oxirgi qatlamga (chiqish qatlami), ehtimol, qatlamlarni bir 
necha marta bosib oʻtgandan keyin oʻtadi. 
Trening[tahrir | manbasini tahrirlash] 
Neyron tarmoqlar misollarni qayta ishlash orqali oʻrganadi (yoki 
oʻqitiladi), ularning har biri maʼlum „kirish“ va „natija“ ni oʻz ichiga 
oladi va ular oʻrtasida ehtimollik bilan oʻlchangan assotsiatsiyalarni 
hosil qiladi, ular tarmoqning oʻzida saqlanadigan maʼlumotlar 
tuzilmasida saqlanadi. Berilgan misol boʻyicha neyron tarmoqni 
oʻrgatish odatda tarmoqning qayta ishlangan chiqishi (koʻpincha 
bashorat) va maqsadli chiqishi oʻrtasidagi farqni aniqlash orqali amalga 
oshiriladi. Keyin tarmoq oʻz vaznli assotsiatsiyalarini oʻrganish 
qoidasiga koʻra va ushbu xato qiymatidan foydalanib sozlaydi. Ushbu 
tuzatishlarning etarli sonidan soʻng, mashgʻulot muayyan mezonlar 
asosida toʻxtatilishi mumkin. 
Bunday tizimlar misollarni koʻrib chiqish orqali topshiriqlarni 
bajarishni „oʻrganadi“, odatda vazifaga xos qoidalar bilan 
dasturlashtirilmaydi. Masalan, tasvirni aniqlashda ular „mushuk“ yoki 
„mushuk yoʻq“ deb qoʻlda yorliqlangan misol tasvirlarni tahlil qilish va 

---

3 
boshqa tasvirlardagi mushuklarni aniqlash uchun natijalardan 
foydalanish orqali mushuklar bor tasvirlarni aniqlashni oʻrganishi 
mumkin. 
Tarix[tahrir | manbasini tahrirlash] 
Uorren Makkallok va Uolter Pits(1943) neyron tarmoqlar uchun 
hisoblash modelini yaratish orqali mavzuni ochdilar. 1940-yillarning 
oxirida DO Hebb
[2]
 neyron plastisiya mexanizmiga asoslangan taʼlim 
gipotezasini yaratdi, u Hebbian oʻrganish nomi bilan mashhur boʻldi. 
Farley va Uesli A. Klark
[3]
 (1954) Hebbian tarmogʻini simulyatsiya 
qilish uchun dastlab hisoblash mashinalaridan foydalangan. 1958-yilda 
psixolog Frenk Rozenblat Amerika Qoʻshma Shtatlari Dengiz 
tadqiqotlari boshqarmasi tomonidan moliyalashtirilgan birinchi sunʼiy 
neyron tarmogʻi boʻlgan perseptroNTi ixtiro qildi.
[8]
Koʻp qatlamli 
birinchi funktsional tarmoqlar 1965-yilda Ivaxnenko va Lapa 
tomonidan Maʼlumotlar bilan ishlashning guruh usuli sifatida nashr 
etilgan. Uzluksiz orqaga tarqalish asoslari boshqaruv nazariyasi 
kontekstida 1960-yilda Kelli
[
va 1961-yilda 
Brayson
[16]
 tomonidan dinamik dasturlash tamoyillaridan foydalangan 
holda olingan. Keyinchalik tadqiqot Minsky va Papert (1969) dan soʻng 
toʻxtab qoldi, ular asosiy
[17]
. 
1970-yilda Seppo LiNTainmaa ichki differensiallanuvchi 
funksiyalarning diskret ulangan tarmoqlarini avtomatik farqlashning 
umumiy usulini (AD) nashr etdi.
[18]
 1973-yilda Dreyfus 
boshqaruvchilar parametrlarini xato gradientlariga mutanosib ravishda 
moslashtirish uchun orqaga tarqalish usulidan foydalangan.
[19]
 1982-
yilda u LiNTainmaaning AD usulini neyron tarmoqlarga keng 
qoʻllanilgan usulda qoʻlladi.
[12][20]
 
Bu 1980-yillarda amaliy sunʼiy neyron tarmoqlarni ishlab chiqish 
uchun koʻproq ishlov berish quvvatini taʼminladi.
[21]
 
1986-yilda Rumelhart, Xinton va Uilyams ketma-ketlikda keyingi 
soʻzni bashorat qilishga oʻrgatilganda, orqa tarqalish soʻzlarning 
qiziqarli ichki koʻrinishlarini xususiyat vektorlari sifatida 
oʻrganganligini koʻrsatdi.
[22]
 
1988-yildan boshlab,
[23][24]
 neyron tarmoqlardan foydalanish oqsil 
tuzilishini bashorat qilish sohasini oʻzgartirdi, birinchi kaskadli 

---

4 
tarmoqlar bir nechta ketma-ketliklarni tekislash orqali ishlab 
chiqarilgan profillar (matritsalar) boʻyicha oʻqitilganda.
[25]
 
Deformatsiyaga tolerantlik bilan yordam berish uchun max-pooling 
joriy etildi.
[26][27][28]
 Shmidxuber koʻp darajali tarmoqlar ierarxiyasini 
qabul qildi (1992) nazoratsiz oʻrganish orqali bir vaqtning oʻzida bir 
daraja oldindan oʻqitilgan va orqaga tarqalish orqali nozik 
sozlangan.
[29]
 
Neyron tarmoqlarning dastlabki muvaffaqiyatlari birja bozorini 
bashorat qilish va 1995-yilda (asosan) oʻzini oʻzi boshqaradigan 
avtomobilni oʻz ichiga oladi.
[30]
 
Geoffrey Xinton va boshqalar. (2006) har bir qatlamni modellashtirish 
uchun cheklangan BoltzmSNT mashinasi
[31]
. 2012-yilda Ng va Din 
faqat yorliqsiz tasvirlarni tomosha qilish orqali mushuklar kabi yuqori 
darajadagi tushunchalarni tan olishni oʻrgangan tarmoq 
yaratdilar.
[32]
 Nazoratsiz oldindan oʻqitish va GPU va taqsimlangan 
hisoblash quvvatining ortishi kattaroq tarmoqlardan foydalanishga 
imkon berdi, xususan, tasvir va vizual aniqlash muammolarida " chuqur 
oʻrganish " nomi bilan mashhur boʻldi.
[33]
 
Ciresan va uning hamkasblari (2010)
[34]
 gradient muammosining 
yoʻqolishiga qaramay, GPUlar koʻp qatlamli oldinga oʻtiladigan neyron 
tarmoqlar uchun orqaga tarqalishni amalga oshirish mumkinligini 
koʻrsatdi. 2009 va 2012-yillar oraligʻida SNT tasvirlarni aniqlash 
tanlovlarida sovrinlarni qoʻlga kirita boshladi, dastlab naqshni aniqlash 
va qoʻl yozuvini tanib olish boʻyicha turli vazifalarda inson 
darajasidagi ishlashga yaqinlashdi.
[35]
 Graves, Alex; and Schmidhuber, 
Jürgen; Offline Handwriting Recognition with Multidimensional 
Recurrent Neural Networks, in Bengio, Yoshua; Schuurmans, Dale; 
Lafferty, John; Williams, Chris K. I.; and Culotta, Aron 
(eds.), Advances in Neural Information Processing Systems 22 
(NIPS’22), 7-10 December 2009, Vancouver, BC, Neural Information 
Processing Systems (NIPS) Foundation, 2009, pp. 545-
552.
[36][37][38]
.2009-yilda oʻrganiladigan uchta til haqida oldindan 
maʼlumotga ega boʻlmagan holda qoʻl yozuvini bogʻlash boʻyicha 
uchta tanlovda gʻolib chiqdi.
[37][36]
 
Ciresan va uning hamkasblari yoʻl belgilarini tanib olish(IJCNT 2012) 
kabi mezonlarda insoNTing raqobatbardosh/gʻayritabiiy 

---

5 
ishlashiga
[39]
 erishish uchun birinchi namuna tan oluvchilarni 
yaratdilar. 
SNT anʼanaviy algoritmlar unchalik muvaffaqiyatli boʻlmagan 
vazifalarni bajarish uchun inson miyasining arxitekturasidan 
foydalanishga urinish sifatida boshlandi. Neyronlar bir-biri bilan turli 
naqshlarda bogʻlangan, bu baʼzi neyronlarning chiqishi boshqalarning 
kirishiga aylanishiga imkon beradi. Tarmoq yoʻnaltirilgan, vaznli 
grafik hosil qiladi.
Sunʼiy neyron tarmogʻi simulyatsiya qilingan neyronlar toʻplamidan 
iborat.Har bir neyron boshqa tugunlarga biologik mos keladigan 
bogʻlanishlar orqali bogʻlangan tugundir.Har bir boʻgʻiNTing vazni 
bor, bu bir tuguNTing boshqasiga taʼsir kuchini belgilaydi.
Sunʼiy neyronlar[tahrir | manbasini tahrirlash] 
SNT kontseptual ravishda biologik neyronlardan olingan sunʼiy 
neyronlardan iborat. Har bir sunʼiy neyron kirishga ega va bir nechta 
boshqa neyronlarga yuborilishi mumkin boʻlgan bitta chiqishni ishlab 
chiqaradi.
[42]
 Kirishlar tasvirlar yoki hujjatlar kabi tashqi maʼlumotlar 
namunasining xususiyat qiymatlari boʻlishi mumkin yoki ular boshqa 
neyronlarning chiqishi boʻlishi mumkin. 

---

6 
NeyroNTing chiqishini topish uchun, avvalo, kirishlardan neyronga 
boʻlgan ulanishlar ogʻirligi bilan oʻlchangan barcha kirishlarning vaznli 
yigʻindisini olishimiz kerak. Biz bu summaga noaniq atama 
qoʻshamiz.
[43]
 Ushbu vaznli summa baʼzan faollashtirish deb 
ataladi.Dastlabki maʼlumotlar tasvirlar va hujjatlar kabi tashqi 
maʼlumotlardir. Yakuniy natijalar tasvirdagi ob’ektni tanib olish kabi 
vazifani bajaradi.
[44]
 Neyronlar odatda bir nechta qatlamlarga, ayniqsa 
chuqur oʻrganishda tashkil etilgan.Neyronlari faqat oldingi va keyingi 
qatlamlarning neyronlari bilan bogʻlanadi. Yakuniy natijani 
beradigan qatlam chiqish qatlamidir.Ular birlashma boʻlishi mumkin, 
bu erda bir qatlamdagi neyronlar guruhi keyingi qatlamdagi bitta 
neyronga ulanadi va shu bilan bu qatlamdagi neyronlar sonini 
kamaytiradi.
[45]
 Faqatgina shunday ulanishga ega boʻlgan neyronlar 
yoʻnaltirilgan asiklik grafikni hosil qiladi va oldinga besleme 
tarmoqlari sifatida tanilgan.
[46]
 Shu bilan bir qatorda, bir xil yoki 
oldingi qatlamlardagi neyronlar oʻrtasida ulanishga imkon beruvchi 
tarmoqlar takroriy tarmoqlar deb nomlanadi 
Giperparametr[tahrir | manbasini tahrirlash] 
Giperparametr doimiy parametr boʻlib, uning qiymati oʻquv jarayoni 
boshlanishidan oldin oʻrnatiladi. Parametrlarning qiymatlari oʻrganish 
orqali olinadi. Giperparametrlarga oʻrganish tezligi, yashirin qatlamlar 
soni va partiya hajmi kiradi.
[48]
 Baʼzi giperparametrlarning qiymatlari 
boshqa giperparametrlarnikiga bogʻliq boʻlishi mumkin. 
Oʻrganish[tahrir | manbasini tahrirlash] 
Oʻrganish — bu namunaviy kuzatishlarni hisobga olgan holda vazifani 
yaxshiroq hal qilish uchun tarmoqni moslashtirish. Oʻrganish natijaning 
aniqligini oshirish uchun tarmoqning ogʻirliklarini (va ixtiyoriy 
chegaralarni) sozlashni oʻz ichiga oladi. Qoʻshimcha kuzatishlarni 
oʻrganayotganda oʻrganish tugallangan boʻlib, xatolik darajasini 
kamaytirmaydi. Agar oʻrganganingizdan soʻng, xato darajasi juda 
yuqori boʻlsa, tarmoq odatda qayta ishlab chiqilishi kerak. Amalda bu 
oʻrganish davomida davriy ravishda baholanadigan xarajat funksiyasini 
aniqlash orqali amalga oshiriladi. Xarajat koʻpincha statistik maʼlumot 

---

7 
sifatida aniqlanadi, uning qiymati faqat taxminiy baholanishi mumkin. 
Chiqishlar aslida raqamlardir, shuning uchun xatolik past boʻlsa, 
chiqish (deyarli mushuk) va toʻgʻri javob (mushuk) oʻrtasidagi farq 
kichik boʻladi. Koʻpgina oʻrganish modellarini optimallashtirish 
nazariyasi va statistik baholashning toʻgʻridan-toʻgʻri qoʻllanilishi 
sifatida koʻrish mumkin.
[49][40]
 
Oʻrganish darajasi[tahrir | manbasini tahrirlash] 
Oʻrganish tezligi modelning har bir kuzatishdagi xatolarni tuzatish 
uchun koʻrsatadigan tuzatish qadamlari hajmini belgilaydi.
[50]
 Yuqori 
oʻrganish tezligi mashgʻulot vaqtini qisqartiradi, ammo past aniqlik 
bilan, pastroq oʻrganish koʻproq vaqt talab etadi, lekin aniqroq boʻlishi 
mumkin. Quickprop kabi optimallashtirishlar, birinchi navbatda, 
xatolarni minimallashtirishni tezlashtirishga qaratilgan boʻlsa, boshqa 
yaxshilanishlar asosan ishonchlilikni oshirishga harakat qiladi. Tarmoq 
ichidagi tebranishlarni, masalan, ulanish ogʻirliklarining oʻzgarishini 
oldini olish va konvergentsiya tezligini yaxshilash uchun 
takomillashtirish moslashtirilgan oʻrganish tezligidan foydalanadi, bu 
mos ravishda oshiradi yoki kamayadi.
[51]
 0 ga yaqin momentum 
gradientni taʼkidlaydi, 1 ga yaqin qiymat esa oxirgi oʻzgarishlarni 
taʼkidlaydi. 
Narx funksiyasi[tahrir | manbasini tahrirlash] 
Xarajat funksiyasini ad hoc aniqlash mumkin boʻlsa-da, koʻpincha 
tanlov funksiyaning kerakli xususiyatlari (masalan, qavariqlik) yoki 
modeldan kelib chiqqanligi sababli aniqlanadi (ehtimollik modelida 
modelning orqa ehtimoli teskari sifatida ishlatilishi mumkin). 
Orqaga tarqalish[tahrir | manbasini tahrirlash] 
Orqa tarqalish — bu oʻrganish jarayonida aniqlangan har bir xatoni 
qoplash uchun ulanish ogʻirliklarini sozlash uchun ishlatiladigan usul. 
Ogʻirlikni yangilash stokastik gradient tushishi yoki boshqa usullar 
orqali amalga oshirilishi mumkin, masalan, Extreme Learning 
Machines,
[52]
 „No-prop“ tarmoqlari,
[53]
 orqaga yoʻl qoʻymasdan mashq 
qilish,
[54]
 „vaznsiz“ tarmoqlar,
[55][56]
 ]
[56]
 va koNTektsionist boʻlmagan 
neyron tarmoqlar. 

---

8 
Paradigmalarni oʻrganish[tahrir | manbasini tahrirlash] 
Uchta asosiy taʼlim paradigmalari nazorat ostida oʻrganish, nazoratsiz 
oʻrganish va mustahkamlovchi oʻrganishdir. Ularning har biri maʼlum 
bir oʻquv vazifasiga mos keladi 
Nazorat ostida oʻrganish[tahrir | manbasini tahrirlash] 
Nazorat ostidagi oʻrganish juftlashtirilgan kirishlar va kerakli natijalar 
toʻplamidan foydalanadi..Bu holda xarajat funksiyasi notoʻgʻri 
ajratmalarni bartaraf etish bilan bogʻliq.
[57]
 Keng tarqalgan 
ishlatiladigan xarajat oʻrtacha kvadrat xato boʻlib, u tarmoqning 
chiqishi va kerakli natija oʻrtasidagi oʻrtacha kvadrat xatoni 
minimallashtirishga harakat qiladi. Nazorat ostida oʻrganish uchun mos 
boʻlgan vazifalar naqshni aniqlash (klassifikatsiya deb ham ataladi) 
va regressiya (funksiyani yaqinlashish deb ham ataladi) hisoblanadi. 
Nazorat ostida oʻrganish ketma-ket maʼlumotlarga ham tegishli 
(masalan, qoʻlda yozish, nutq va imo- ishoralarni aniqlash uchun). 
Nazoratsiz oʻrganish[tahrir | manbasini tahrirlash] 
Xarajatlar funksiyasi vazifaga (model sohasi) va har 
qanday apriori taxminlarga (modelning yashirin xususiyatlari, uning 
parametrlari va kuzatilgan oʻzgaruvchilar) bogʻliq. Arzimas misol 
sifatida modelni koʻrib chiqing 
qayerda 
doimiy va xarajat 
hisoblanadi 
. Xarajat funksiyasi ancha murakkab boʻlishi mumkin. 
Uning shakli qoʻllanilishiga bogʻliq: masalan, siqishda u oʻrtasidagi 
oʻzaro maʼlumot bilan bogʻliq boʻlishi mumkin 
va 
, holbuki, 
statistik modellashtirishda bu maʼlumotlar berilgan modelning posterior 
ehtimoli bilan bogʻliq boʻlishi mumkin (esda tutingki, bu ikkala 
misolda ham bu miqdorlar minimallashtirilgan emas, balki 
maksimallashtiriladi). 
Oʻrganishni mustahkamlash[tahrir | manbasini tahrirlash] 
Video oʻyinlarni oʻynash kabi ilovalarda aktyor bir qator harakatlarni 
amalga oshiradi va har biridan keyin atrof-muhitdan umuman oldindan 
aytib boʻlmaydigan javob oladi. Oʻqitishni mustahkamlashda maqsad 
uzoq muddatli (kutilgan yigʻilgan) xarajatlarni minimallashtiradigan 
harakatlarni amalga oshirish uchun tarmoqni tortish (siyosatni ishlab 
chiqish) hisoblanadi. Vaqtning har bir nuqtasida agent biror harakatni 
amalga oshiradi va atrof-muhit baʼzi (odatda nomaʼlum) qoidalarga 

---

9 
koʻra kuzatuv va bir lahzalik xarajatlarni keltirib chiqaradi. Har qanday 
vaziyatda agent xarajatlarni aniqlash uchun yangi harakatlarni 
oʻrganish yoki tezroq davom etish uchun oldingi oʻrganishdan 
foydalanishga qaror qiladi. 
Rasmiy ravishda atrof-muhit davlatlar bilan Markov qaror jarayoni 
(MDP) sifatida modellashtirilgan 
va harakatlar 
. Holatga 
oʻtishlar nomaʼlum boʻlgani uchun uning oʻrniga ehtimollik 
taqsimotlari qoʻllaniladi: lahzali xarajatlar taqsimoti 
, kuzatish 
taqsimoti 
va oʻtish taqsimoti 
, siyosat esa kuzatishlar berilgan 
harakatlar boʻyicha shartli taqsimlash sifatida belgilanadi. 
SNT bunday ilovalarda oʻrganish komponenti boʻlib xizmat 
qiladi. SNT bilan birgalikda dinamik dasturlash (neyrodinamik 
dasturlash)SNT qobiliyati tufayli transport vositalarini 
marshrutlash, video oʻyinlar, tabiiy resurslarni 
boshqarish va tibbiyot kabi muammolarga qoʻllanilgan. nazorat 
masalalarini echish uchun sonli yaqinlashish uchun diskretizatsiya 
tarmogʻining zichligini kamaytirishda ham aniqlik yoʻqotilishini 
kamaytirish. 
Oʻz-oʻzini oʻrganish[tahrir | manbasini tahrirlash] 
Neyron tarmoqlarda oʻz-oʻzini oʻrganish 1982-yilda Crossbar Adaptive 
Array (CAA) deb nomlangan oʻz-oʻzini oʻrganishga qodir neyron 
tarmogʻi bilan birga kiritilgan.
[65]
 Bu faqat bitta kirish, vaziyat s va 
faqat bitta chiqish, harakat (yoki xatti-harakatlar) boʻlgan tizimdir. 
Unda na tashqi maslahat kiritish, na atrof-muhitdan tashqi 
mustahkamlash kiritish mavjud. Tizim idrok va hissiyot oʻrtasidagi 
oʻzaro taʼsir orqali boshqariladi.
[66]
 Xotira matritsasi W =||w(a, s)|| ni 
hisobga olgan holda, har bir iteratsiyada oʻzaro bogʻliqlikni oʻz-oʻzidan 
oʻrganish algoritmi quyidagi hisoblashni amalga oshiradi: 
In situation s perform action a; 
Receive consequence situation s'; 
Compute emotion of being in consequence situation v(s'); 
Update crossbar memory w'(a,s) = w(a,s) + v(s'). 
CAA ikkita muhitda mavjud boʻlib, biri oʻzini tutadigan xulq-atvor 
muhiti va ikkinchisi genetik muhit boʻlib, u erdan dastlab va faqat bir 

---

10 
marta xulq-atvor muhitida duch keladigan vaziyatlar haqida dastlabki 
his-tuygʻularni oladi. Genetik muhitdan genom vektorini (turlar 
vektorini) olgandan soʻng, CAA kerakli va nomaqbul vaziyatlarni oʻz 
ichiga olgan xulq-atvor muhitida maqsadga intiladigan xatti-harakatni 
oʻrganadi. 
Neyroevolyutsiya[tahrir | manbasini tahrirlash] 
Neyroevolyutsiya evolyutsion hisoblash yordamida neyron tarmoq 
topologiyalari va ogʻirliklarini yaratishi mumkin. 
Neyroevolyutsiyaning afzalliklaridan biri shundaki, u „oʻlik nuqtalar“ 
ga tushib qolishga kamroq moyil boʻlishi mumkin. 
Stokastik neyron tarmogʻi[tahrir | manbasini tahrirlash] 
Sherrington-Kirkpatrik modellaridan kelib chiqqan stoxastik 
neyron tarmoqlar tarmoqqa tasodifiy oʻzgarishlar kiritish yoki 
tarmoqning sunʼiy neyronlariga stokastik uzatish funksiyalarini, berish 
yoki ularga stokastik ogʻirliklar berish orqali qurilgan sunʼiy neyron 
tarmoq turidir.Bu ularni optimallashtirish muammolari uchun foydali 
vositalarga aylantiradi, chunki tasodifiy tebranishlar tarmoqni mahalliy 
minimaldan qochishga yordam beradi.
[68]
 
Boshqa[tahrir | manbasini tahrirlash] 
Evolyutsion usullar,
[69]
 gen ifodasini dasturlash,
[70]
 simulyatsiya 
qilingan tavlanish,
[71]
 kutish-maksimizatsiya, parametrik boʻlmagan 
usullar va zarrachalar toʻdasini optimallashtirish
[72]
 boshqa oʻrganish 
algoritmlaridir. Konvergent rekursiya — serebellar model 
artikulyatsiya boshqaruvchisi (CMAC) neyron tarmoqlarini oʻrganish 
algoritmi. 
Tartiblar[tahrir | manbasini tahrirlash] 
Oʻrganishning ikkita usuli mavjud: stokastik va ommaviy. Stokastik 
oʻrganishda har bir kiritish vazNTi sozlashni yaratadi. Toʻplamda 
oʻrganish ogʻirliklari partiya boʻyicha xatolar toʻplanib, kirishlar 
partiyasi asosida oʻrnatiladi. Biroq, toʻplamli oʻrganish odatda mahalliy 
minimal darajaga tezroq va barqaror pasayish imkonini beradi, chunki 
har bir yangilash partiyaning oʻrtacha xatosi yoʻnalishi boʻyicha 
amalga oshiriladi. Umumiy kelishuv „mini-partiyalar“ dan, har bir 
partiyadagi namunalar bilan butun maʼlumotlar toʻplamidan stokastik 
tarzda tanlangan kichik partiyalardan foydalanishdir.