O ’zbekiston respublikasi axborot texnologiyalari va kommunikatsiyalarini rivojlantirish vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti qarshi filiali

O
’ZBEKISTON RESPUBLIKASI AXBOROT TEXNOLOGIYALARI VA KOMMUNIKATSIYALARINI RIVOJLANTIRISH VAZIRLIGI MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI QARSHI FILIALI

“ KI ” FAKULTETI III – BOSQICH AX-12-20 GURUH TALABASINING MASHINALI O’QITISH FANIDAN TAYYORLAGAN

4-MUSTAQIL ISHI

Bajardi: Mansurova O.
Qabul qildi: Davlatova N.

QARSHI – 2022

Neyron, nevron (neyro... ) - nerv hujayrasi, Nerv sistemasining asosiy strukturaviy va funksional birligi, kalta dendritlar va uzun aksondan iborat (sxema). Hayvon xujayrasiga xos organizmlardan tashqari, N. sitoplazma (neyroplazma)sida neyrofibrillalar (tigroid modda) boʻladi. Sezuvchi, koʻshuvchi va effektor N. farq qilinadi. N. nerv impulslarini retseptorlardan markaziy nerv sistemasiga (sezuvchi N.), markaziy nerv sistemasidan ijrochi aʼzolarga (harakatlanuvchi N.) oʻtkazadi, boshqa bir qancha nerv hujayralarini oʻzaro biriktiradi (qoʻshuvchi N.) N.lar oʻzaro va ijrochi aʼzolar hujayralari bilan sinapslar orqali aloqada boʻladi. Bosh miya katta yarim sharlari poʻstlogʻi, miyacha, markaziy nerv sistemasining boshqa baʼzi boʻlimlari neyroni murakkab tuzilgan. N.lar oʻlchami va soni turli hayvonlar va odamda turlicha, akson bn dentrid yoki dentrid bn akson tutashgan joy sinaps deyiladi, sinapslardan mediator suyuqligi chiqadi. Suyuqlikning vazifasi nerv impulslarini o’tkazib berish.

Sun'iy neyron tarmoqlari (ANN), odatda oddiy deb nomlanadi neyron tarmoqlari (NNs), hayvonlarning miyasini tashkil etuvchi biologik neyron tarmoqlardan noaniq tarzda ilhomlangan hisoblash tizimlari.
ANN sun'iy neyronlar deb ataladigan bog'langan birliklar yoki tugunlar to'plamiga asoslanadi, ular biologik miyadagi neyronlarni erkin modellashtiradi. Har bir ulanish, xuddi biologik miyadagi sinapslar kabi, boshqa neyronlarga signal o'tkazishi mumkin. Signalni olgan sun'iy neyron uni qayta ishlaydi va unga ulangan neyronlarga signal berishi mumkin. Ulanishdagi "signal" haqiqiy raqamdir va har bir neyronning chiqishi uning yig'indisining ba'zi chiziqli bo'lmagan funksiyalari bilan hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va qirralarning odatda a vazn bu o'rganish davom etar ekan, moslashadi. Og'irlik ulanish paytida signal kuchini oshiradi yoki kamaytiradi. Neyronlar shunday chegaraga ega bo'lishi mumkinki, agar signal faqat shu chegarani kesib o'tgan bo'lsa, signal yuboriladi. Odatda, neyronlar qatlamlarga yig'iladi. Turli qatlamlar kirishda har xil o'zgarishlarni amalga oshirishi mumkin. Signallar birinchi qavatdan (kirish qatlami), oxirgi qatlamga (chiqish qatlami), ehtimol, qatlamlarni bir necha marta bosib o'tgandan keyin o'tadi.

Sun'iy neyron tarmoqlar perceptrons deb nomlangan o'zaro bog'liq komponentlardan tashkil topgan bo'lib, ular biologik neyronlarning soddalashtirilgan raqamli modellari hisoblanadi. Tarmoqlar kamida ikkita qatlamli perceptronga ega: biri kirish qatlami, ikkinchisi chiqish uchun. Kirish va chiqish o'rtasida bir yoki bir nechta "yashirin" qatlamlarni sendvich qilib, siz "chuqur" neyron tarmoqni olasiz, yashirin qatlamlar soni qancha ko'p bo'lsa, tarmoq shunchalik chuqur bo'ladi. Chuqur to'rlarni mushuk yoki itlarning tasvirini aks ettiruvchi naqshlar kabi ma'lumotlardagi naqshlarni tanlashga o'rgatish mumkin. Trening idrok etuvchilar orasidagi ulanishlar kuchini iterativ ravishda sozlash uchun algoritmdan foydalanishni o'z ichiga oladi, shunda tarmoq berilgan kirishni (tasvir piksellarini) to'g'ri belgi (mushuk yoki it) bilan bog'lashni o'rganadi. O'qitilgandan so'ng, chuqur tarmoq ideal tarzda ilgari ko'rmagan kirishni tasniflay olishi kerak. Umumiy tuzilishi va funktsiyasi bo'yicha, chuqur to'rlar miyani taqlid qilishga intiladi, bunda neyronlar orasidagi ulanishning kuchlari o'rganilgan uyushmalarni aks ettiradi. Neyrobiologlar bu taqqoslashda ko'pincha muhim cheklovlarni ta'kidlab o'tishgan: masalan, individual neyronlar ma'lumotni "soqov" perseptronlarga qaraganda ko'proq qayta ishlashlari mumkin va chuqur tarmoqlar ko'pincha orqaga tarqalish deb ataladigan perseptronlar o'rtasidagi aloqa turiga bog'liq bo'lib tuyuladi. asab tizimlarida. Shunga qaramay, hisoblash nevrologlari uchun chuqur tarmoqlar ba'zida miyaning qismlarini modellashtirish uchun eng yaxshi variant bo'lib tuyuldi.

Sun'iy neyronlar biologik o'xshashlarining jihatlarini taqlid qilish uchun mo'ljallangan.
Ko'pgina sun'iy neyronlardan farqli o'laroq, biologik neyronlar diskret impulslarda yonadi. Soma ichidagi elektr potentsiali har safar ma'lum chegaraga etganida, aksonga impuls uzatiladi. Ushbu impulsni doimiy qiymatlarga aylantirish mumkin. Akson otish tezligi (soniyada faollashishlar va boshqalar) to'g'ridan-to'g'ri qo'shni hujayralar ularga kiritilgan signal ionlarini olish tezligiga aylanadi.
TensorFlow paketi asosida mashinani o‘qitish modellari
TensorFlow bizga tensorlar yordamida kompyuterni o'rganish algoritmlarini bajarish uchun natija olish imkonini beradi. TensorFlow bilan chuqur o'rganish modellarini qurish va o'qitish ancha osonlashadi. Yuqorida aytib o'tilganidek, TensorFlow bilan ishlash hisoblash grafikasini yaratish va amalga oshirish atrofida qurilgan. Hisoblash grafigi matematik operatsiyalar tugun shaklida taqdim etilgan ma'lumotlar oqimlari grafigi va ma'lumotlar bu tugunlar orasidagi qovurg'alar shaklida bo'ladi. Keling, qanday ishlashini ko'rish uchun juda oddiy kod parchasini yozamiz:
import tensorflow as tf
x = tf.constant(5)
y = tf.constant(6)
z = x * y
print(z)
Ushbu misolni boshlaganimizda, biz quyidagi xulosani ko'rib chiqamiz: Nima uchun ko'paytirish noto'g'ri ishlaydi? Bu biz kutgan narsalar emas. Buning sababi, TensorFlow operatsiyalari boshqacha tarzda amalga oshiriladi. Birinchidan, biz sessiyani yaratishimizva unda hisoblash grafigini bajarishimiz kerak. Sessiya ob'ekti grafik operatsiyalari amalga oshiriladigan va tensor hisoblangan muhitni qamrab oladi. Bu shuni anglatadiki, sessiya keyingi operatsiyani bajarish uchun hisoblash grafigining natijasini saqlab qolishi mumkin. Keling, to'g'ri ko'paytirish natijasini olish uchun sessiya yarataylik:
# sessiya ob'ektini yaratish
session = tf.Session()
# sessiya yordamida qiymatni hisoblang va uni saqlang
result = session.run(z)
# hisob-kitoblarning natijasini ko'rsatadi
print(result)
# sessiyani yoping
session.close()
Bu safar biz sessiya yaratdik va sessiyada grafik operatsiyalarni bajardik. Ushbu misolni boshlaganimizda, biz quyidagi xulosani ko'rib chiqamiz: TensorFlow ogohlantirishiga qaramasdan, biz hali ham to'g'ri hisoblash natijalarini oldik
TensorFlow keng qamrovli ochiq manba kodli kompyuterni o'rganish platformasi. Tadqiqotchilarga eng zamonaviy ML texnologiyalaridan foydalanishga imkon beruvchi keng qamrovli, moslashuvchan jamoa vositalari, kutubxonalar va resurslari ekosistemasiga ega va ishlab chiquvchilar ML-ga asoslangan ilovalarni yaratish va tarqatish oson. TensorFlow haqida ko'proq biliboling bu yerga, Ushbudemouchun Google Colab-dan foydalanamiz.GoogleColab Keras, TensorFlow, PyTorch va OpenCV kabi mashhur kutubxonalardan foydalanib, chuqur o'rganish dasturlarini ishlab chiqish uchun ishlatilishi mumkin bo'lgan bepul bulut xizmati. Google Colab haqida ko'proq bilib olish uchun, bu yerni bosing, TensorFlow va Machine-Learning tushunchalaridan foydalanib, biz hal qilmoqchi bo'lgan muammoning namunasiga to'g'ridan-to'g'ri murojaat qilaylik. Keling, so'nggi 8 oy davomida media-provayder tomonidan sarflangan marketing byudjeti (minglab dollar), shuningdek, quyidagi jadvalda bir vaqtning o'zida yangi abonentlar soni (shuningdek, minglab) berilishini taxmin qilaylik: Ma'lumotlar to'plami Ko'rib turganingizdek, sarflangan mablag ' va yangi abonentlar soni o'rtasidagi tendentsiya yoki munosabatlar mavjud. Soni oshgani sayin, yangi abonentlar soni ham oshib bormoqda. Agar siz chiziqli tenglama nazariyasidan foydalanib matematikani rivojlantirsangiz, quyidagilarni bilib olasiz: Qabul qilingan abonentlar = 2 * + 40 sarflandi. Bizning maqsadimiz marketingga sarflangan mablag ' va kompyuterni o'rganish texnikasi orqali olingan abonentlar soni o'rtasidagi bu aloqani topishdir. Yuqoridagi munosabatlardan foydalanib, agar tashkilot marketingga bir necha "x" sarf qilsa, qancha yangi abonentni kutish mumkinligini taxmin qilishimiz mumkin. Modellashtirish jarayoniga kirishdan oldin ba'zi bir asosiy kompyuterni o'rganish terminologiyasini bilib olaylik: Xarakterli xususiyat:bizning modelimizga kirish (lar). Bunday holda, yagona qiymat marketing byudjeti hisoblanadi. Teglar:bizning modelimiz chiqishi taxmin qilinadi. Bunday holda, yagona qiymat-yangi abonentlar soni. Misol:trening davomida ishlatiladigan bir nechta kirish / chiqish. Bizning holatdamar_budgetNew_subs, ma'lum bir indeks bilan bir qatorda (80,200) kabi qadriyatlar juftligi. Model:haqiqiy jarayonning matematik vakili.