|
Mavzu: noaniqliklarni taqdim etish uchun shartli ehtimollik afzallik va kamchiliklari
|
| bet | 7/14 | | Sana | 09.01.2024 | | Hajmi | 145,14 Kb. | | #133357 |
Bog'liq 2mustq 95826, Amaliy 3, 5-MAVZU-1, 1 ot, pisa-xalqaro-dasturida-matematik-savodxonlik, Najim aka, 3.7 ASOSIY VOSITALARNI INVENTARIZATSIYA QILISH HISOBI, statistika fani kitobi, Qurbonboyeva Qunduzxon Komiljon qizi, atv va ra, atv maruza 14, 3-ma\'ruza, C#, 5-лаборотория, 8-лабороторияTartiblar
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.
Turlari
SNT koʻplab sohalarda eng ilgʻor texnologiyalarning keng oilasiga aylandi. Eng oddiy turlar bir yoki bir nechta statik komponentlarga ega. Jumladan birliklar soni, qatlamlar soni, birlik ogʻirliklari va topologiya.Dinamik turlar ulardan bir yoki bir nechtasini oʻrganish orqali rivojlanishiga imkon beradi. Ikkinchisi ancha murakkab, ammo oʻrganish muddatlarini qisqartirishi va yaxshi natijalar berishi mumkin. Baʼzi turlari faqat apparatda ishlaydi, boshqalari esa sof dasturiy taʼminot boʻlib, umumiy maqsadli kompyuterlarda ishlaydi.
Baʼzi asosiy yutuqlarga quyidagilar kiradi: vizual va boshqa ikki oʻlchovli maʼlumotlarni qayta ishlashda ayniqsa muvaffaqiyatli boʻlgan konvolyutsion neyron tarmoqlari. Qisqa muddatli uzoq muddatli xotira yoʻqolib borayotgan gradient muammosidan qochadi va katta lugʻatli nutqni aniqlashga yordam beruvchi past va yuqori chastotali komponentlar aralashmasiga ega boʻlgan signallarni boshqara oladi, matndan to-nutq sintezi, Raqobatbardosh tarmoqlar, masalan, bir nechta tarmoqlar (turli xil tuzilishdagi) oʻyinda gʻalaba qozonish yoki kiritilgan maʼlumotlarning haqiqiyligi haqida raqibni aldash kabi vazifalarda bir-biri bilan raqobatlashadigan generativ raqib tarmoqlari
Tarmoq dizayni
Neyron arxitektura qidiruvi (NAS) SNT dizaynini avtomatlashtirish uchun mashinani oʻrganishdan foydalanadi. Asosiy qidiruv algoritmi nomzod modelini taklif qilish, uni maʼlumotlar toʻplamiga nisbatan baholash va natijalardan NAS tarmogʻini oʻrgatish uchun fikr-mulohaza sifatida foydalanishdir. Mavjud tizimlar orasida AutoML va AutoKeras mavjud.
Dizayn masalalari tarmoq qatlamlarining soni, turi va ulanishini, shuningdek, har birining oʻlchamini va ulanish turini (toʻliq, birlashma,...).
Giperparametrlar, shuningdek, dizayNTing bir qismi sifatida aniqlanishi kerak(ular oʻrganilmagan), har bir qatlamda qancha neyron borligi, oʻrganish tezligi, qadam, qadam, chuqurlik, qabul qiluvchi maydon va toʻldirish (CNT uchun) va hokazo.
Foydalanish
Sunʼiy neyron tarmoqlardan foydalanish ularning xususiyatlarini tushunishni talab qiladi.
Modelni tanlash: Bu maʼlumotlar taqdimoti va ilovaga bogʻliq. Haddan tashqari murakkab modellar sekin oʻrganishdir.
Oʻrganish algoritmi: Oʻrganish algoritmlari oʻrtasida koʻplab kelishuvlar mavjud. Deyarli har qanday algoritm maʼlum bir maʼlumotlar toʻplamini oʻqitish uchun toʻgʻri giperparametrlar bilan yaxshi ishlaydi. Biroq, koʻrinmas maʼlumotlar boʻyicha trening algoritmini tanlash va sozlash muhim tajribani talab qiladi.
Barqarorlik: Agar model, xarajat funksiyasi va oʻrganish algoritmi toʻgʻri tanlangan boʻlsa, natijada SNT mustahkam boʻlishi mumkin.
SNT imkoniyatlari quyidagi keng toifalarga kiradi:
Funksiyani yaqinlashtirish yoki regressiya tahlili, jumladan, vaqt seriyasini bashorat qilish, fitnesga yaqinlashtirish va modellashtirish.
Tasniflash, shu jumladan naqsh va ketma-ketlikni aniqlash, yangilikni aniqlash va ketma-ket qaror qabul qilish.[85]
Maʼlumotlarni qayta ishlash, jumladan, filtrlash, klasterlash, koʻr manbalarni ajratish va siqish.
Robototexnika, shu jumladan boshqarish manipulyatorlari va protezlari.
SNT tabiiy ofatlarga duchor boʻlgan infratuzilmalarning ishonchliligini tahlil qilishni tezlashtirish uchunva poydevor qoʻyishlarini bashorat qilish uchun ishlatilgan. SNT geofanda qora quti modellarini yaratish uchun ham ishlatilgan: gidrologiya, okeanlarni modellashtirish va qirgʻoq muhandisligi, va geomorfologiya. SNTlar kiberxavfsizlikda qonuniy faoliyat va zararli harakatlar oʻrtasidagi farqni aniqlash maqsadida ishlatilgan. Masalan, mashinani oʻrganish Android zararli dasturlarini tasniflash, tahdid qiluvchi shaxslarga tegishli domenlarni aniqlash va xavfsizlikka xavf tugʻdiruvchi URL manzillarni aniqlash uchun ishlatilgan. Penetratsion testlar, botnetlar, kredit kartalari boʻyicha firibgarlik.
SNT fizikada qisman differensial tenglamalarni yechish va koʻp jismli ochiq kvant tizimlarining xususiyatlarini simulyatsiya uchun vosita sifatida Miya tadqiqotida SNTlar individual neyronlarning qisqa muddatli xatti-harakatlarini oʻrgandilar, neyron zanjirining dinamikasi individual neyronlar oʻrtasidagi oʻzaro taʼsirlardan va xatti-harakatlarning toʻliq quyi tizimlarni ifodalovchi mavhum neyron modullaridan qanday kelib chiqishi mumkinligidan kelib chiqadi.
Nazariy xususiyatlar
|
| |
