|
Izlanishlar haqidagi ma’lumotlar berilgan. Shuningdek, sun’iy neyron tarmoqni o‘qitish usullari va o‘qitish algoritmlari yoritilganBog'liq sun-iy-neyron-tarmoqlarini-o-qitish-usullariOriental Renaissance: Innovative,
educational, natural and social sciences
VOLUME 2 | ISSUE 12
ISSN 2181-1784
Scientific Journal Impact Factor
SJIF 2022: 5.947
Advanced Sciences Index Factor
ASI Factor = 1.7
201
w
www.oriens.uz
December
2022
2)
Tarmoq kirishiga kirish signali qo‘llaniladi naqd pul va ishlab chiqarish
hisoblab chiqiladi.
3)
Neyronning olingan chiqish qiymatlari asosida og‘irlik koeffitsientlari
o‘zgartiriladi.
4)
2-bosqichdan boshlab tarmoqning chiqish qiymatlari belgilangan aniqlikda
barqarorlashguncha kirish to‘plamidan yangi ko‘rinish bilan takrorlanadi.
Xatolarni tuzatish qoidasi.
1957-yilda Rosenblatt tadqiqotchilarda katta qiziqish
uyg‘otgan modelni ishlab chiqdi. Model nazorat ostida o‘rganish algoritmidan
foydalanadi, ya’ni o‘quv majmuasi kirish vektorlari to‘plamidan iborat. Ularning har
biri uchun chiqish vektori ko‘rsatilgan. Ba’zi cheklovlarga qaramay, u bugungi kunda
eng murakkab nazorat ostidagi o‘rganish algoritmlarining ko‘pchiligi uchun asos
bo‘ldi.
Algoritmning mohiyati quyidagicha: har bir kiritish misoli uchun kerakli chiqish
ko‘rsatiladi. Agar haqiqiy tarmoq chiqishi kerakligiga mos kelmasa, tarmoq
parametrlari o‘rnatiladi. Tuzatish qiymatini hisoblash uchun haqiqiy va kerakli
tarmoq chiqishi o‘rtasidagi farq ishlatiladi. Bundan tashqari, og‘irliklar faqat xato
javob berilgan taqdirda tuzatiladi.
Raqobatbardosh o‘rganish.
Ko‘p chiqish neyronlari bir vaqtning o‘zida yonishi
mumkin bo‘lgan Hobbian ta’limidan farqli o‘laroq, raqobatdosh o‘rganishda chiqish
neyronlari faollashish uchun bir-biri bilan raqobatlashadi. Bu barcha chiqish
neyronlari to‘plamidan eng yuqori chiqishga ega bo‘lgan faqat bitta neyron mavjud.
Bunday algoritm biologik neyron tarmoqlarni o‘qitish jarayoniga o‘xshaydi. Raqobat
o‘rganish sizga kiritilgan ma’lumotlarni tasniflash imkonini beradi: shunga o‘xshash
misollar tarmoq bo‘yicha bir sinfga to‘planadi va bitta namunaviy element bilan
ifodalanadi. Bunday holda, chiqish neyronlari to‘plamidan har bir neyron faqat bitta
sinf uchun javobgardir. Shubhasiz, tarmoq ishlashga qodir bo‘lgan sinflarning
umumiy soni chiqish neyronlari soniga teng. O‘rganish davomida faqat g‘alaba
qozongan neyronning og‘irliklari o‘zgartiriladi. Bu tasvir elementining kirish
misoliga biroz yaqinlashishiga olib keladi.
|
|
Bosh sahifa
Aloqalar
Bosh sahifa
Izlanishlar haqidagi ma’lumotlar berilgan. Shuningdek, sun’iy neyron tarmoqni o‘qitish usullari va o‘qitish algoritmlari yoritilgan
|
