|
Chuqur o‘rganish va mashinanli o‘rganish
|
| bet | 2/5 | | Sana | 20.05.2024 | | Hajmi | 0,78 Mb. | | #246609 |
Bog'liq 15-amaliy ishChuqur o‘rganish va mashinanli o‘rganish
Katta ma’lumotlarga ishlov berish uchun ishlatiladigan eng keng tarqalgan sun’iy intellekt usullaridan biri bu o‘z-o‘zini moslashtiruvchi algoritm bo‘lib, tajriba yoki yangi qo‘shilgan ma’lumotlar bilan tobora yaxshilanib boruvchi tahlillar olish mumkin.
Agar raqamli to‘lovlarni amalga oshiruvchi kompaniya o‘z tizimida firibgarlikning paydo bo‘lishi yoki yuzaga kelishi mumkinligini aniqlamoqchi bo‘lsa, u bu maqsadda mashinalarni o‘rganish vositalaridan foydalanishi mumkin. Kompyuter modeliga o‘rnatilgan hisoblash algoritmi raqamli platformada sodir bo‘layotgan barcha operatsiyalarni qayta ishlaydi, ma’lumotlar to‘plamidagi taxlillarni topadi va taxlil bilan aniqlangan har qanday anomaliyani ko‘rsatib beradi.
Mashinada o‘qitishning bir qismi bo‘lgan chuqur o‘rganish, sun’iy neyron tarmoqlarining ierarxik darajasidan foydalanib, mashinali o‘rganish jarayonini amalga oshiradi. Sun’iy asab tarmoqlari inson miyasi singari qurilgan, neyron tugunlari to‘r kabi bir-biriga bog‘langan. An’anaviy dasturlar ma’lumotlar bilan tahlilni chiziqli usulda qurgan bo‘lsa, chuqur o‘rganish tizimlarining ierarxik funktsiyasi mashinalarga ma’lumotlarni chiziqli bo‘lmagan yondashuv bilan qayta ishlashga imkon beradi.
Elektron ishlab chiqaruvchi Panasonic kompaniyasi universitetlar va tadqiqot markazlari bilan kompyuterni ko‘rish bilan bog‘liq chuqur o‘rganish texnologiyalarini ishlab chiqish bo‘yicha hamkorlik qilib kelmoqda.1
Ularning maxsus fikrlariga qaraganda, firibgarlik yoki jinoiy faoliyatdan olingan daromadlarni legallashtirishni aniqlash bo‘yicha an’anaviy yondashuv, amalga oshiriladigan bitimlar miqdoriga bog‘liq bo‘lishi mumkin, shu bilan birga chuqur o‘rganishni chiziqli bo‘lmagan texnikasi vaqt, geografik joylashuv, IPmanzil, chakana savdo turi va firibgarlikka ishora qilishi mumkin bo‘lgan boshqa xususiyatlarni o‘z ichiga oladi. Nerv tarmog‘ining birinchi qatlami tranzaksiya miqdori kabi xom ma’lumotlarni kiritishni qayta ishlaydi va uni keyingi qatlamga chiqish sifatida uzatadi. Ikkinchi qavat avvalgi qavvat ma’lumotlarini foydalanuvchi IP- manzili kabi qo‘shimcha ma’lumotlarni kiritish orqali qayta ishlaydi va uning natijasini uzatadi. Keyingi qatlam ikkinchi qavvat ma’lumotlarini oladi va geografik joylashuv kabi xom ma’lumotlarni o‘z ichiga oladi va mashinaning taxlilini ya’nada yaxshilaydi. Bu neyronlar tarmog‘ining barcha darajalarida davom etiriladi. Nerv tarmog‘ining har bir qatlami avvalgi qatlamiga asosan chakana sotuvchi, jo‘natuvchi, foydalanuvchi, ijtimoiy tarmoqdagi voqea, kredit ballari, IP-manzil va boshqa ko‘plab funktsiyalar kabi qo‘shimcha ma’lumotlar bilan qo‘shiladi, ular inson tomonidan ishlov berilsa, bir-biriga ulanish uchun yillar kerak bo‘ladi. Chuqur o‘rganish algoritmlari nafaqat barcha tranzaktsiyalardan taxlillar yaratishga, balki ushbu ish bo‘yicha olib boriladigan qalbaki tergov zarurligini ko‘rsatadigan modelni bilishga ham o‘rgatilgan. Oxirgi qatlam barcha kutilayotgan tekshiruvlar tugamaguncha foydalanuvchi akkauntini muzlatib qo‘yishi mumkin bo‘lgan tahlilchiga signal beradi.
Chuqur o‘rganish barcha sohalarda turli xil vazifalarni bajarish uchun qo‘llaniladi. Tasvirni aniqlashdan foydalanadigan tijorat dasturlari, iste’molchilarning tavsiyanomalari bilan ochiq manbali platformalar va yangi kasalliklarda giyohvand moddalarni qayta ishlatish imkoniyatlarini o‘rganadigan tibbiy tadqiqotlar vositalari - bu chuqur o‘rganishga misollardir.
Qanday qilib chuqur o‘rganish bunday ajoyib natijalarga erishadi?
Bir so‘z bilan aytganda, aniqlik. Chuqur o‘rganish har doimgidan yuqori darajadagi aniqlikda tanib olish imkoniyatiga erishadi. Bu maishiy yelektronika foydalanuvchi talablarini qondirishga yordam beradi va haydovchisiz avtomashinalar kabi xavfsizlik dasturlar uchun juda muhimdir. So‘nggi paytlarda chuqur o‘rganishda yerishilgan yutuqlar shu darajaga yetdiki, chuqur o‘rganish ba’zi narsalarni obrazlarda tasniflash singari odamlardan ustun turadi.
Chuqur o‘rganish birinchi marta 1980 yillarda nazariylashtirilgan bo‘lsa-da, uning yaqinda foydali bo‘lishining ikkita asosiy sababi aniqlandi:
1. Chuqur o‘rganish katta miqdordagi yorliqli ma’lumotlarni talab qiladi . Masalan, haydovchisiz avtoulovni rivojlantirish millionlab tasvirlarni va minglab soatlik videoni talab qiladi.
2. Chuqur o‘rganish uchun kompyuterning katta kuchi kerak . Yuqori mahsuldor grafikli protsessorlar parallel arxitekturaga yega bo‘lib, chuqur o‘rganish uchun samarali hisoblanadi. Klasterlar yoki bulutli hisoblash bilan birlashganda, bu rivojlanish guruhlariga chuqur o‘rganish tarmog‘i uchun mashg‘ulot vaqtini haftadan soatgacha yoki undan kamroq vaqtga kamaytirishga imkon beradi.
|
| |
