12-amaliy mashg'ulot amirqulov Husniddin Chuqur o'qitishga asoslangan neyron tarmoqlar. Svertkali neyron tarmoqlar(cnn), Rekurrent neyron tarmoqlari

Download 17,16 Kb.
Sana	22.12.2023
Hajmi	17,16 Kb.
	#126873

Bog'liq
12-amaliy mashxulot

12-AMALIY MASHG'ULOT
Amirqulov Husniddin

Chuqur o'qitishga asoslangan neyron tarmoqlar. Svertkali neyron tarmoqlar(CNN), Rekurrent neyron tarmoqlari, Avtoenkoderlar va boshqa chuqur o'qitishda asoslangan algoritmlar arxitekturalari va ularning imkoniyatlari.
Ishdan maqsad: Svertkali neyron tarmoqlar(CNN), Rekurrent neyron tarmoqlari bilan ishlash ko'nimalarini hosil qilish

NAZARIY QISM s

Kondensatsiyalangan eng yaqin qo'shni (CNN, the Xart algoritm) - bu ma'lumotlar

to'plamini kamaytirishga mo'ljallangan algoritm k-NN tasnifi. U prototiplar to'plamini tanlaydi U INN bilan birga bo'lgan ma'lumotlardan U misollarni INN butun ma'lumotlar to'plami kabi deyarli aniq tasniflashi mumkin.

Svertkali Neyron Tarmoqlar (CNN):
Svertkali neyron tarmoqlari (CNN), tasvirlar, rasmalar va boshqa ko'rinishlardagi o'lchamli ma'lumotlarni ushlab qolishda ishlatiladi. Bu tarmoqlar, tasvirlar ustida maxsus filtrlar (kernellar) orqali o'qitish va aniq tanib olish uchun yaratilgan. CNN lar kashfiyot, qo'llanma va boshqa amaliyotlarda yaxshi natijalarni olishda juda samarali.
Svertkali Neyron Tarmoqlari (CNN) Misoli:

from keras.models import Sequential

from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
# Model yaratish
model = Sequential()
# Qo'shish
model.add(Conv2D(32, (3, 3), input_shape=(64, 64, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))
# Modelni compile qilish
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

Rekurrent Neyron Tarmoqlari (RNN):
Rekurrent neyron tarmoqlari, ketma-ketlikdagi ma'lumotlarni tahlil qilishda foydalaniladi. Bu tarmoqlar, o'z ichiga olgan xotiradagi holatni eslab qolish orqali ketma-ketlikdagi ma'lumotlar ustida amalga oshirishda yaxshi natijalarni olishda yordam bera olishi mumkin.
Rekurrent Neyron Tarmoqlari (RNN) Misoli:

from keras.models import Sequential

from keras.layers import Embedding, LSTM, Dense
# Model yaratish
model = Sequential()
# Qo'shish
model.add(Embedding(input_dim=10000, output_dim=32, input_length=500))
model.add(LSTM(units=100))
model.add(Dense(units=1, activation='sigmoid'))
# Modelni compile qilish
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

Avtoenkoderlar:
Avtoenkoderlar, ma'lumotni xotira qilishda ishlatiladigan tarmoq arxitekturasi hisoblanadi. Ushbu tarmoq, asosan, ma'lumotni bosqichga qo'yish va undan tahlil qilishda qo'llaniladi. Bu tarmoqlar, ma'lumotni o'rganishda, bosqichga qo'yilgan ma'lumotlarni ifodalash uchun juda samarali bo'ladi.

Chuqur o'qitishda asoslangan boshqa algoritmlar:
Chuqur o'qitishda asoslangan boshqa algoritmlar, masalan, GANlar (Generative Adversarial Networks), LSTM (Long Short-Term Memory) tarmoqlari, va boshqa xususiy tarmoqlar, ma'lumotlarni o'rganishda va amaliyotlarda ishlatiladi.

Ishdan maqsad:
Sizning maqsadingiz, CNN va RNN tarmoqlarini tahlil qilish orqali chuqur o'qitish algoritmalariga o'rganganingizni ko'rsatish. Bu, tasniflash algoritmalarini, tasvirlarni aniqlovchi tarmoqlarni, yoki ketma-ketlikdagi ma'lumotlar ustida amalga oshirish uchun foydalaniladigan tarmoqlarni o'rganishni o'z ichiga oladi.

Nazariy qism:
Sizning nazariy qismingizda, CNN va k-NN (k-Nearest Neighbors) tasnifi algoritmi o'rtasidagi bog'lanishni bayon qilishga harakat qilingan. Ushbu qo'llanma, ma'lumotlarni kamaytirish va tasniflash uchun qo'llaniladigan texnologiyalarni tushuntirish uchun foydalaniladi.

Download 17,16 Kb.