Sun’iy intelekt, axborot xavfsizligi texnikasi va texnologiyalari
Международная научно-техническая конференция «Практическое применение технических и
цифровых технологий и их инновационных решений», ТАТУФФ, Фергана, 4 мая 2023 г.
567
Sigmoid funksiya: Bu funksiya, neyronning kirish qiymati uchun
aniqlikni 0 va 1 orasida belgilaydi. Ushbu funksiyada, kirish qiymati katta
bo'lgan hajmlar uchun faollashtiruvchi qiymat katta, kirish qiymati kichik
bo'lgan hajmlar uchun esa faollashtiruvchi qiymat kichikdir. Sigmoid funksiyasi,
boshqa funksiyalarga nisbatan o'rgangan holda qadimiy metodlar orasida juda
keng qo'llanilgan.
ReLU funksiya: Ushbu funksiyada, neyronning chiqish qiymati
faqatgina musbat sonlar bo'lishi mumkin. Bunday funksiya yordamida, neyron
tarmoqlarining aniqligi yuqori bo'lgan tarmoqlarni yaratish mumkin.
Tanh funksiya: Bu funksiya, sigmoid funksiyasiga o'xshashdir, lekin
kirish qiymati manfiy bo'lgan hajmlar uchun ham aniqlikni 0 va 1 orasida
belgilaydi. Tanh funksiyasi, sigmoid funksiyasiga nisbatan aniqlikni qo'llashda
keng tarqalgan.
Softmax funksiya: Ushbu funksiya, neyronlar tarmog'ining ko'plab
neyronlari uchun ishlatiladi va neyronlar chiqish qiymatlarini umumiy summasi
1 ga teng bo'lgan sonlarni aniqlash uchun qo'llaniladi. Softmax funksiyasi,
ko'plab sinov jarayonlarida ishlatiladi, masalan, tasvir ma'lumotlarini sinashda
yoki ma'lumotlarning sifatini aniqlashda qo'llaniladi.
O'rganish qismi (Learning part): Bu modelda tarmoqning har bir qismi
bitta kuzatuvchi va bitta neyron tarmoqidan iboratdir. Kuzatuvchi qismi,
tarmoqdagi ma'lumotlarni o'rganish uchun foydalaniladi va neyron tarmoqi,
o'rganilgan ma'lumotlarga asoslangan natijalarni beradi.
Konvolutsion tarmoq (Convolutional Neural Network): Bu model,
kuzatuvchilar va neyron tarmoqlari kombinatsiyasidan iboratdir. Ushbu model
yordamida, tasvir ma'lumotlari kuzatuvchilar orqali taqqoslanadi va keyinchalik
neyron tarmoqiga uzatiladi. Konvolutsion tarmoqlar, o'zlariga xos formatni
aniqlaydigan konvolutsionli operatsiyalarni ishlatish orqali suratlarni tan olish
va yagona ma'lumotlardan sinash uchun ishlatiladi.
O'z-o'zini
tekshiruvchi
tarmoq
(Autoencoder):
Ushbu
model,
ma'lumotlarni o'z-o'zini tekshirib ko'rish uchun ishlatiladi. Tarmoqning
kuzatuvchilar va neyron tarmoqlari tizimi, ma'lumotlarni kengaytirib keyingi
qaytarish jarayonida o'zgarishni aniqlashda foydalaniladi.
Искусственный интеллект, методы и технологии информационной безопасности
Международная научно-техническая конференция «Практическое применение технических и
цифровых технологий и их инновационных решений», ТАТУФФ, Фергана, 4 мая 2023 г.
568
Rekurrent tarmoq (Recurrent Neural Network): Bu model, har bir
neyronning o'zining tarixiy holatini saqlashga imkon beradi. Ushbu model
yordamida, har bir neyron, oldingi holat ma'lumotlaridan foydalanib,
keyinchalik kelgusi natijalarni ishlab chiqaradi. Rekurrent tarmoqlar,
o'zgaruvchan va tarixiy ma'lumotlar bilan ishlash uchun yaxshi xususiyatlarga
ega bo'lib, matn ma'lumotlari aniqlash uchun keng ishlatiladi.
Foydalanilgan adabiyotlar
1. Зокиров, С., & Рахматова, Г. (2023). Использование
компьютерных игр в современном образовании: проблемы и
решения.
Engineering problems and innovations
,
1
(1), 27-34.
2. Djalilov, M. (2023). Oliy matematika fanini oqitishda Mapledan
foydalanish.
Engineering problems and innovations
.
3. Suyumov, J. (2023). Kompyuter imitatsion modellashtirishning
metodolik asoslari.
Engineering problems and innovations
.
4. Dilshodov, A. (2023). Didaktik tizim faoliyatining kibernetik
tamoyillari.
Engineering problems and innovations
.
5. Burxonova, M., & Mo’minova, N. (2023). Talim sifatini oshirishda
zamonaviy texnologiyalar o’rni va ahamiyati.
Engineering problems
and innovations
.
6. Suyumov, J., & Muhammadjonova, N. (2023). MOODLE tizimi
yordamida baholash texnologiyalarini amalda qo‘llanilishi va undan
foydalanishning o ‘ziga xosligi.
Engineering problems and
innovations
.
7. Otaqulov, O., & Zokirov, S. (2023). Oliy ta'limda axborot ta’lim
texnologiyalari.
Engineering problems and innovations
.
8. Зокиров, С., Рахматова, Г., & Кадиралиева, З. (2023).
Современные методы подготовки высококвалифицированных
кадров в области компьютерной инженерии.
Engineering
problems and innovations
.
9. Рахматова, Г., & Миркомилов, Д. (2023). Проблемы
преподавания
программирования
при
дистанционном
обучении.
Engineering problems and innovations
.
10. Kasimaxunova, A. M., & Umarova, G. A. (2022). The role of broad
implementation of modeling on the subject of semiconductor in the
higher education institutions.
Current research journal of
pedagogics
,
3
(12), 01-08.
11. Burxonova, M., & Ismoilov, I. (2023). Tarmoq teхnologiyalarini
talabalarga o’qitishning samaradorligini oshirishda CISCO tarmoq
texnologiyasining o’rni.
Engineering problems and innovations
.
Sun’iy intelekt, axborot xavfsizligi texnikasi va texnologiyalari
Международная научно-техническая конференция «Практическое применение технических и
цифровых технологий и их инновационных решений», ТАТУФФ, Фергана, 4 мая 2023 г.
569
12. Лазарева, М., & Мухаммаджонов, С. (2023). Узбекистан на
пути развития цифровой экономики.
Engineering problems and
innovations
.
13. Dilshodov, A. (2023). Imkoniyati cheklangan yoshlar taʼlimiga doir
kompyuter imitatsion modellar yaratish texnologiyasi.
Engineering
problems and innovations
.
14. Лазарева, М., & Гаппаров, Р. (2023). Современное общество и
развитие цифровой экономики.
Engineering problems and
innovations
.
15. Пулатов, Г., & Рахматова, Г. (2023). Преимущества
применения компьютерного моделирования.
Engineering
problems and innovations
.
16. Dilshodov, A., & Rustamova, P. (2023). O'quv muammolarini hal
qilish modellari.
Engineering problems and innovations
.
17. Dilshodov, A., & Adxamjonov, M. (2023). Application of the
opengl library in the course of programming and computer
simulation.
Engineering problems and innovations
.
18. Dilshodov, A., & Xayitboev, E. (2023). 5G tarmog'ida dasturiy
ta'minot aniqlangan tarmoq (SDN) va OPENFLOW protokoli.
Engineering problems and innovations
.
|