22
Muhammad al-Xorazmiy nomidagi TATU
Farg‘ona filiali “Al-Farg‘oniy avlodlari”
elektron ilmiy jurnali ISSN 2181-4252
Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific
journal of Fergana branch of TATU named after
Muhammad al-Khorazmi. ISSN 2181-4252
Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-
Фаргани" Ферганского филиала ТАТУ имени
Мухаммада аль-Хоразми ISSN 2181-4252
Том: 1 | Выпуск: 4 | 2023 год
https://al-fargoniy.uz/
PYTHONDA NEYRON TARMOQNI QURISH VA BASHORAT QILISH
Zulunov R.M.,
fizika-matematika fanlari nomzodi, dotsent
Toshkent axborot texnologiyalari universiteti Farg’ona filiali
Email: zulunovrm@gmail.com
Annotatsiya:
Maqolada Sun’iy intellekt texnologiyalarini amalda tadbiq qilish, Mashinali o’rganish
va Chuqur o’rganish texnologiyalari ko’rib chiqilgan. Python tili
maxsus kutubhonalaridan
foydalanib, neyron tarmoqlar qurish va bashorat qilish uslublari ko’rib chiqilgan. Chiziqli regressiya
va NumPy kutubhonalarini qo’llash taklif etilgan.
Kalit so‘zlar:
Sun’iy intellekt, Python kutubhonalari, neyron tarmoq, bashorat, regressiya
Kirish. Sun'iy intellektdan foydalanishdan
maqsad kompyuterlarni odamlar kabi fikrlashga
majbur qilishdir. Bu yangi narsadek tuyulishi mumkin,
ammo bu soha 1950-yillarda tug'ilgan. Sudoku
jumboqini hal qilish uchun sun'iy intellektdan
foydalanadigan Python dasturini yozishingiz kerak.
Bunga erishishning yo'li shartli bayonotlarni yozish va
har bir pozitsiyaga raqamni sig'dira olamizmi yoki
yo'qligini tekshirish uchun cheklovlarni tekshirishdir.
Ushbu Python skripti Sun’iy intellekt ilovasi
hisoblanadi, chunki biz kompyuterni muammoni hal
qilish uchun dasturlaganmiz.
Materiallar va metodlar. Mashinali o'rganish
(ML) va Chuqur o'rganish (DL) ham muammolarni hal
qilish yondashuvlari hisoblanadi.
Ushbu usullardan
Python skripti o'rtasidagi farq shundaki, ML va DL
qattiq
kodlangan
qoidalar
o'rniga
o'quv
ma'lumotlaridan foydalanadi, ammo ularning barchasi
Sun’iy intellekt yordamida muammolarni hal qilish
uchun ishlatilishi mumkin.
Mashinali o'rganish - bu qoidalarni aniq
dasturlash o'rniga muammoni hal qilish uchun tizimni
o'rgatadigan usul. Oldingi bo'limdagi Sudoku misoliga
qaytsak, Mashinali o'rganishdan foydalangan holda
muammoni hal qilish uchun biz hal qilingan Sudoku
o'yinlaridan ma'lumotlarni to'plashingiz va statistik
modelni o'rgatishingiz kerak.
Statistik modellar - bu
hodisaning
xatti-harakatlarini
taxmin
qilishning
matematik jihatdan rasmiylashtirilgan usullari.
Mashinali o'rganishning umumiy vazifasi - bu
kirishlar va ma'lum natijalarga ega ma'lumotlar
to'plamiga ega bo'lgan nazorat o'rganishdir. Muammo
shundaki, ushbu ma'lumotlar to'plamidan kirish
asosida to'g'ri chiqishni bashorat qiladigan modelni
o'rgatish uchun foydalanish. Quyidagi rasmda nazorat
ostidagi trening yordamida modelni o'qitish uchun ish
jarayoni ko'rsatilgan:
Rasm 1. Mashinali o'rganish modelini o'rgatish uchun
ish jarayoni.
Mashinali o'rganish algoritmi bilan o'qitish
ma'lumotlarining kombinatsiyasi model yaratadi.
Keyin yangi ma'lumotlar bo'yicha bashorat qilish
uchun ushbu modeldan foydalanishingiz mumkin.
Scikit-Learn - bu Pythonning mashhur mashina
o'rganish kutubxonasi bo'lib, u ko'plab boshqariladigan
va nazoratsiz o'rganish algoritmlarini taqdim etadi. Bu
haqda ko'proq ma'lumot olish uchun scikit-learn
tomonidan train_test_split ( ) bilan ma'lumotlar
to'plamini ajratishni ko'rib chiqiladi.
Nazorat qilinadigan o‘quv topshiriqlarining
maqsadi yangi, ko‘rilmagan ma’lumotlar bo‘yicha
bashorat qilishdir. Buni
amalga oshirish uchun biz
ushbu ko'rinmas ma'lumotlar o'quv ma'lumotlar
to'plamiga o'xshash ehtimollik taqsimotiga mos keladi
deb o'ylamiz. Agar bu taqsimot kelajakda o'zgarsa, biz
yangi o'quv ma'lumotlar to'plamidan foydalanib
modelingizni qayta o'rgatishimiz kerak.
Xususiyatlarni ishlab chiqish: Kirish sifatida
har xil turdagi ma'lumotlardan foydalansangiz,
bashorat qilish muammolari yanada murakkablashadi.
23
Muhammad al-Xorazmiy nomidagi TATU
Farg‘ona filiali “Al-Farg‘oniy avlodlari”
elektron ilmiy jurnali ISSN 2181-4252
Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific
journal of Fergana branch of TATU named after
Muhammad al-Khorazmi. ISSN 2181-4252
Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-
Фаргани" Ферганского филиала ТАТУ имени
Мухаммада аль-Хоразми ISSN 2181-4252
Том: 1 | Выпуск: 4 | 2023 год
https://al-fargoniy.uz/
Sudoku muammosi nisbatan oddiy, chunki biz bevosita
raqamlar bilan shug'ullanamiz. Agar biz modelni
jumladagi kayfiyatni taxmin qilishni o'rgatmoqchi
bo'lsak-chi? Yoki tasviringiz bo'lsa va unda mushuk
bor yoki yo'qligini bilmoqchi bo'lsangiz-chi?
Kirish ma'lumotlarining yana bir nomi
xususiyatdir va xususiyat muhandisligi - bu xom
ma'lumotlardan xususiyatlarni ajratib olish jarayoni.
Turli xil ma'lumotlar
bilan ishlaganingizda, undan
mazmunli ma'lumot olish uchun ushbu ma'lumotlarni
taqdim etish usullarini topishingiz kerak.
Xususiyat muhandislik texnikasiga misol
lemmatizatsiya bo'lib, u erda biz jumladagi so'zlarning
tuslanishini olib tashlaymiz. Masalan, “qarash”
fe’lining “tomosha”, “tomosha qilish”, “kuzatish” kabi
flektiv shakllari ularning lemmasi yoki asosiy shakliga
qisqartiriladi : “qarash”.
Agar biz korpusning har bir so'zini saqlash
uchun massivlardan foydalansak, lemmatizatsiyani
qo'llash orqali biz kamroq siyrak matritsaga ega
bo'lamiz. Bu ba'zi mashina o'rganish algoritmlarining
ish faoliyatini yaxshilashi mumkin.
Quyidagi rasmda
lemmatizatsiya va so'zlarning sumkasi modelidan
foydalangan holda tasvirlash jarayoni ko'rsatilgan :
Rasm 2. So'zlar sumkasidan foydalanib funksiyalar
yaratish modeli.
Birinchidan, har bir so'zning flektiv shakli
uning lemmasiga tushiriladi. Keyin bu so'zning kelishi
soni hisoblanadi. Natijada matndagi har bir so'zning
takrorlanish sonini o'z ichiga olgan massiv hosil
bo'ladi.
Chuqur o'rganish: xususiyat muhandislik
texnikasini
qo'llash
o'rniga
qaysi
xususiyatlar
muhimligini mustaqil hal qilishga imkon beradigan
usul. Bu shuni anglatadiki, chuqur o'rganish bilan biz
xususiyatlarni ishlab chiqish jarayonini chetlab
o'tishimiz mumkin.
Xususiyat muhandisligi bilan shug'ullanmaslik
yaxshi
narsa,
chunki
ma'lumotlar
to'plami
murakkablashgani
sayin jarayon yanada
murakkablashadi. Masalan, odamning yuzi tasviridan
uning kayfiyatini bashorat qilish uchun qanday
ma'lumotlarni ajratib olamiz? Neyron tarmoqlar bilan
biz bu haqda tashvishlanishimiz shart emas, chunki
tarmoqlar xususiyatlarni o'zlari o'rganishi mumkin.
Neyron
tarmoqlar
miyaning
kompyuter
modelini yaratishga harakat qiladigan parallel
hisoblash qurilmalari. Asosiy maqsad - turli hisoblash
vazifalarini an'anaviy tizimlarga qaraganda tezroq
bajarish uchun tizimni ishlab chiqish. Bu vazifalar
namunani
aniqlash va tasniflashni, yaqinlashtirishni,
optimallashtirishni va ma'lumotlarni klasterlashni o'z
ichiga oladi.
Sun'iy neyron tarmog'i (SNT) samarali
hisoblash tizimi bo'lib, uning markaziy g'oyasi biologik
neyron tarmoqlar bilan o'xshashlikdan olingan. SNT
sun'iy neyron tizimlar, parallel taqsimlangan ishlov
berish tizimlari va ulanish tizimlari deb ham ataladi.
SNT ular orasidagi aloqani ta'minlash uchun qandaydir
naqsh bo'yicha o'zaro bog'langan katta birliklarni oladi.
Tugunlar yoki neyronlar deb ham ataladigan bu
birliklar
parallel
ravishda
ishlaydigan
oddiy
protsessorlardir.
Har bir neyron boshqa neyron bilan bog'lanish
orqali bog'langan. Har bir havola kirish signali haqida
ma'lumotga ega bo'lgan og'irlik bilan bog'langan. Bu
ma'lum bir muammoni hal qilishda neyronlar uchun
eng foydali ma'lumotdir, chunki og'irlik odatda
uzatilayotgan signalni qo'zg'atadi.
Har bir neyron
o'zining ichki holatiga ega, bu faollashuv signali deb
ataladi. Kirish signallari va faollashtirish qoidalarini
birlashtirgandan so'ng olingan chiqish signallari
boshqa qurilmalarga yuborilishi mumkin.
Neyron tarmoq - bu quyidagi bosqichlarni
bajarish orqali bashorat qilishni o'rganadigan tizim:
1.
Kirish malumotlarini olish
2.
Bashorat qilish
3.
Bashoratni kutilgan natija bilan solishtirish
4.
Keyingi safar to'g'ri bashorat qilish uchun
uning ichki holatini sozlash
Vektorlar, qatlamlar va chiziqli regressiya
neyron tarmoqlarning qurilish bloklaridan bir qismidir.
Ma'lumotlar vektorlar sifatida
saqlanadi va Pythonda
biz ushbu vektorlarni massivlarda saqlaymiz . Har bir
qatlam oldingi qatlamdan keladigan ma'lumotlarni
o'zgartiradi. Har bir qatlamni xususiyatni rivojlantirish
bosqichi deb o'ylashingiz mumkin, chunki har bir
qatlam avval olingan ma'lumotlarning ba'zi bir
ko'rinishini chiqaradi.
