Saidov usmon baxronovich




Download 0.64 Mb.
Sana04.12.2022
Hajmi0.64 Mb.
#33126
Bog'liq
neyron maqola
Guruh 118-18 tjbakt bajardi Hamroyev Bexruz 2021-yil, 1-маъруза, konspekti urokov 6 klass, maqola AQSH, Tragediya janri tarixi mavzusidagi kurs ishi uchun, DIYORA KIBER

NEYRON TARMOQLARDAN FOYDALANISH IMKONIYATLARINI O'RGANISH
SAIDOV USMON BAXRONOVICH
BuxMTI axborot kommunikatsiya texnologiyalari kafedrasi o‘qituvchisi
ANNOTATSIYA
Ushbu maqolada neyron tarmoqlarning nazariy asoslari, ularning turlarini o'rganish va ularning matematik modeli tavsifi ko'rib chiqiladi. Ushbu maqolaning maqsadi neyron tarmoqlardan foydalanish imkoniyatlarini o'rganishdir. Neyron tarmoq - bu neyronlarning soddalashtirilgan funktsional modellari bo'lgan bir hil protsessor elementlaridan qurilgan hisoblash yoki mantiqiy sxema. Ta'rifdan ko'rinib turibdiki, neyron tarmoq inson miyasining soddalashtirilgan modelidir. Ushbu maqolada neyron tarmoqlarning umumiy tamoyillari, sun'iy neyronning tuzilishi, tarmoqlarning har xil turlari va ularni o'qitish usullari o'rganildi.
KIRISH
Bizning miyamiz, har qanday biologik neyron tarmog'i kabi, neyronlar to'plamidan iborat. Biologik neyron o'zining asosiy maqsadi (axborotni qayta ishlash) bilan bir qatorda uning hayotini ta'minlash bilan bog'liq vazifalarni ham bajaradigan o'ta murakkab tizimdir. Bizga signalni qabul qiladigan, uni qayta ishlaydigan va keyingi uzatuvchi soddalashtirilgan model kerak. Sun'iy neyron ta'rifidan ANN (sun'iy neyron tarmog'i) tushunchasi kelib chiqadi - bir-biri bilan o'zaro ta'sir qiluvchi sun'iy neyronlar to'plami, Neyronlar sinapslar orqali o'zaro bog'langan - bitta neyronning chiqishi va boshqasining kirishi, bunda signal kuchayadi / zaiflashadi. Har bir sinaps individualdir, u orqali o'tadigan signalni kuchaytirishi yoki zaiflashtirishi mumkin. Bundan tashqari, vaqt o'tishi bilan sinapslar o'zgarishi mumkin, ya'ni signalning o'zgarishi tabiati o'zgaradi. Agar siz sinapslarning to'g'ri parametrlarini tanlasangiz, u holda neyron tarmog'idan o'tgandan so'ng kirish signali to'g'ri chiqish signaliga aylanadi. Kirish signallari to'plamini chiqishda to'g'ri echimga aylantirish shunday sodir bo'ladi. Neyron tarmoqlarning barcha ijobiy va salbiy tomonlari ular inson miyasining yoki biologik neyron tarmoqlarining soddalashtirilgan modeli ekanligidan kelib chiqadi, chunki soddalashtirilgan holda, axborotni qayta ishlash modelining o'zi o'zgarishsiz qoldi.
Neyron tarmoqlarning afzalliklari: Ma'lumotlar shovqiniga chidamlilik. Bu xususiyatni odam o'tayotganlarning yuzlarini qanday farqlashi misolida tasvirlash mumkin. Tasvirdagi yuzlardan tashqari asfalt, odamlarning kiyimlari, mashinalar, svetoforlar, sumkalar ham bor. Bularning barchasi yuzni aniqlash muammosida keraksiz (shovqin) ma'lumotlaridir. Biroq, odam bu vazifani osonlikcha engishi mumkin, chunki uning miyasi buni bajarishga o'rgatilgan. Treningning muhim qismi shovqin signallariga e'tibor bermaslikdir. Bu sifat sun'iy neyron tarmoqlarda ham mavjud. Treningdan so'ng ular shovqin ma'lumotlari beriladigan kirishlarni e'tiborsiz qoldirishlari mumkin. Neyron tarmoqlar kirish ma'lumotlari shovqinli bo'lsa ham to'g'ri ishlashga qodir. O'zgarishlarga moslashish Inson har xil o'zgarishlarga moslasha oladi. Aytaylik, muhandis uzoq vaqtdan beri SAPRda ishlamoqda. Yangi funktsiyalar qo'shilgan va interfeysni o'zgartirgan dasturning navbatdagi yangilanishi chiqarilgandan so'ng, muhandis uchun o'zgarishlarni mustaqil ravishda tushunish va yangi funktsiyalardan foydalangan holda ishlashni davom ettirish qiyin bo'lmaydi. Bu misol atrof-muhitdagi kichik o'zgarishlar bilan odam moslashishga qodir ekanligini ko'rsatadi. Biologik neyron tarmoqlarning bu xususiyati ANN uchun ham amal qiladi. Tarmoq o'zgarishlarga moslashadi, misol sifatida biz neyron tarmoqdan fond bozorini bashorat qilishimiz mumkin, bu erda vaziyat yuqori sur'atlarda o'zgarib turadi. Agar tarmoq sozlanmasa, u noto'g'ri bashorat beradi.
Tibbiy amaliyotda miya shikastlanishi natijasida uning bir qismini jarrohlik yo'li bilan olib tashlash kerak bo'lgan holatlar mavjud. Shundan so'ng, miyaning ikkinchi sog'lom yarmi, qisman bo'lsa ham, uzoqdan joylashgan funktsiyalarni o'z zimmasiga oladi. Xuddi shu xususiyat INRda kuzatiladi. Ultra yuqori ishlash Biologik neyron tarmoq - bu signalni qabul qiladigan, uni o'zgartiradigan va chiqaradigan neyronlar tarmog'i, bu aslida ko'p protsessorli tizimdir. Neyronlarning soni milliardlab. Bu xususiyat potentsial ravishda sun'iy neyron tarmoqlarda o'zini namoyon qiladi Shunday qilib, IRR dan samarali foydalanish uchun bir nechta protsessorli hisoblash quvvati talab qilinadi.
Neyron tarmoqlarning kamchiliklari: Neyron tarmoqlarning aniq va aniq javob bera olmasligi. Misol uchun, qo'l yozuvini tanib olish vazifasida, ayniqsa, yozuvchi juda aniq qo'lyozmaga ega bo'lmasa, odam to'plangan bilimlar bazasiga murojaat qiladi va gipotezani, xatning ma'lum bir ehtimollik darajasi bilan yozilganligini taxmin qiladi. Keyin u eng mumkin bo'lgan variantni tanlaydi. Ko'p bosqichli qaror qabul qilish Sun'iy neyron tarmog'ining neyronlari, umuman olganda, bir-biriga bog'liq emas. Ular signal oladi, uni o'zgartiradi va keyingi neyronga yuboradi. Ular qo'shni neyronga qarab sinapslarini o'zgartiradilar. Bundan kelib chiqadiki, neyron tarmoq muammoni faqat bir marta hal qilishi mumkin. Shunday qilib, INR muammoni bosqichma-bosqich hal qila olmaydi. Bizning miyamiz bu vazifani bajara oladi, chunki u juda ko'p sonli kichik neyron tarmoqlardan iborat bo'lib, ularning har biri o'z qadamini bajarishi mumkin. Sun’iy neyron tarmoqlar hisoblash masalalarini yechishga qodir emas . Biror kishi duch kelishi kerak bo'lgan birinchi muammo - bu matematik ifodaning qaysi qismi, masalan, faqat uning kirishlaridan foydalangan holda, ildiz ostida ekanligini tarmoqqa hisobot berish qiyinligi. Ikkinchi muammo - muammoni ketma-ket hal qilishning mumkin emasligi. Uchinchi muammo - aniq natijalarni berishning mumkin emasligi. Keling, ANN ning matematik modeliga o'tamiz. Neyron tarmoq uchun grafik tasvirni kiritamiz. Rasmda o'qlar signal harakati yo'nalishini ko'rsatadi va doiralar neyronlardir. Haqiqiy biologik neyron tarmoqda elektr signali tarmoq kirishlaridan chiqishlarga uzatiladi. Neyron tarmoqdan o'tish jarayonida u o'zgarishi mumkin. Bizning soddalashtirilgan simulyatsiyamizda signallar elektr signalini bildiruvchi raqamlar shaklida beriladi, chiqish esa tarmoqning javobini bildiruvchi raqam bo'ladi. Har bir o'q (bog'lanish) raqamga mos keladi (bog'lanish og'irligi). Signal ushbu havola orqali o'tganda, uning qiymati uning og'irligiga ko'paytiriladi. signallari yig'indisi ularning tegishli og'irliklariga ko'paytiriladi: Sun'iy neyron chiqishida izohlanadigan foydali signalni olish uchun bizga argument sifatida og'irlikdagi summani oladigan faollashtirish funktsiyasi kerak.
Har xil turdagi neyronlar uchun turli xil faollashtirish funktsiyalari qo'llaniladi, ular odatda quyidagicha belgilanadi: Faollashtirish funksiyalarining turlari. Yagona sakrash funktsiyasi. Bu funktsiya chegara qiymati bo'lib, vaznli yig'indi ma'lum bir qiymatga yetguncha, neyron chiqishida signal bo'lmaydi. Gorizontal o'qda vaznli yig'indining qiymatlari, vertikal o'qda - faollashtirish funktsiyasining qiymati. Ya'ni, minus cheksizlikdan chegara qiymatigacha bo'lgan oraliqda neyronning chiqishi nol signal bo'ladi va chegara qiymatidan ortiqcha cheksizlikgacha bo'lgan oraliqda funktsiya birga teng qiymatni oladi. Sun'iy neyron tarmoqlarning o'zi ham shunday ko'plab neyronlardan iborat. Qoida tariqasida, ular bir nechta qatlamlardan iborat bo'lib, birinchisi kirish bo'lib, bitta vazifani bajaradi - boshqa neyronlar uchun kirish signallarini taqsimlash. Kirish qatlami hech qanday hisob-kitoblarni amalga oshirmaydi. INSni bir necha turlarga bo'lish mumkin: Bir qatlamli neyron tarmoqlari. Bir qavatli neyron tarmoq - bu kirish qatlamidan signallar darhol chiqish qatlamiga beriladigan, uni o'zgartirishni amalga oshiradigan va qayta ishlangan signalni tarmoq chiqishiga uzatadigan tarmoq. Guruch. 16. Bir qavatli neyron tarmoq Ushbu rasmda neyronlarning kirish qatlami hisob-kitoblarni amalga oshirmaydi va chiqish qatlami ilgari muhokama qilingan sun'iy neyronlardir. Oklar signalning tarqalish yo'nalishini ko'rsatadi. Ko'p qatlamli neyron tarmoqlar Bunday tarmoqlarda kirish va chiqishdan tashqari, ular orasida joylashgan yashirin qatlam ham mavjud. Neyron tarmoqlarning bunday tuzilishi miyaning ma'lum qismlarining ko'p qatlamli tuzilishini ko'chiradi. Guruch. 17. Ko'p qatlamli neyron tarmoq Ko'p qatlamli neyron tarmoq (Multilayer Neural network) - kirish, chiqish va ular orasida joylashgan neyronlarning bir (bir necha) yashirin qatlamlaridan iborat neyron tarmoq. Bunday tarmoqdagi qatlamlar quvur liniyasi printsipi asosida ishlaydi. Ya'ni, har bir yangi qatlam avvalgisidan allaqachon o'zgartirilgan signalni oladi, hisob-kitoblarni amalga oshiradi va uni keyingi qatlamga o'tkazadi. To'g'ridan-to'g'ri tarqalish tarmoqlari Oldinga neyron tarmoqlari - bu sun'iy neyron tarmoqlar bo'lib, ularda signal kirish qatlamidan chiqish qatlamiga to'g'ridan-to'g'ri tarqaladi. Signal teskari yo'nalishda tarqalmaydi. Bunday tarmoqlar bashorat qilish, klasterlash va tanib olish kabi vazifalarni muvaffaqiyatli bajara oladi. Guruch. 18. To'g'ridan-to'g'ri tarqalish tarmoqlari Qayta aloqa tarmoqlari Takroriy neyron tarmoqlari sun'iy neyron tarmoqlar bo'lib, unda neyronning chiqishi uning kirishiga qaytarilishi mumkin. Umumiy holda, bu chiqishdan kirishlarga signalning tarqalishi imkoniyatini anglatadi. Guruch. 19. Teskari aloqaga ega tarmoqlar Bu tamoyil keng imkoniyatlarni ochib beradi, uning yordamida signallarni tiklaydigan va to'ldiruvchi, ya'ni odam kabi qisqa muddatli xotiraga ega bo'lgan tarmoqlarni yaratish mumkin. Neyron tarmoqlari qanday ishlashini tushunishning eng muhim jihatlaridan biri bu neyronlar to'plami berilgan vazifani to'g'ri bajarish uchun nima kerakligini tushunishdir. Buning uchun tarmoqni o'rganish jarayoni mavjud. ANN odamlar kabi o'rganadi. Neyron tarmoqni o'rgatish (trening) - bu tarmoqdan o'tgandan keyin kirish signali bizga kerak bo'lgan chiqishga aylantiriladigan bunday og'irlik koeffitsientlarini qidirish. "Neyron tarmoqlarni o'qitish" atamasiga bunday yondashuv biologik neyron tarmoqlariga ham mos keladi. Bizning miyamiz juda ko'p sonli o'zaro bog'langan neyron tarmoqlardan iborat. Ularning har biri alohida-alohida bir xil turdagi neyronlardan iborat (faollashtirish funktsiyasi bir xil). Biz sinapslarni, kirish signalini kuchaytiradigan / zaiflashtiradigan elementlarni o'zgartirish orqali o'rganamiz. Agar siz tarmoq kiritishiga faqat bitta signalni bir necha marta qo'llasangiz, u odam uchun oz miqdordagi ma'lumotni eslab qolish osonroq bo'lgani kabi, uni eslab qoladi. Bizga kerak bo'lgan narsa belgilarni tasniflash va umumlashtirish, ya'ni to'g'ri javob berish qobiliyatidir. Trening to'plami aynan shu maqsadda. Trening to'plami - tarmoq o'qitilgan kirish signallarining cheklangan to'plami (ba'zan to'g'ri chiqish signallari bilan birga). Tarmoqni o'qitgandan so'ng, siz uni amalda qo'llashga harakat qilishingiz va trening namunasida bo'lmagan kirishlarga signallarni qo'llashingiz mumkin. Ammo buni amalga oshirishdan oldin, natijalarning to'g'riligi uchun tarmoqni tekshirishingiz kerak, buning uchun sinov namunasi mavjud. Sinov to'plami - tarmoq sifatini baholash uchun ishlatiladigan kirish signallarining cheklangan to'plami (ba'zan to'g'ri chiqish signallari bilan birga). Shunday qilib, ANN treningi har bir sun'iy neyron uchun to'g'ri og'irliklarni tanlashdir. Buning uchun ikkita usuldan foydalanish mumkin: O'qituvchi bilan mashg'ulot. Amaliyotning ma'nosi shundan iboratki, ANN kirishiga signal beriladi, unga to'g'ri javob oldindan ma'lum. Agar tarmoq to'g'ri javob bersa, og'irliklar o'zgarmaydi. Agar tarmoq tomonidan berilgan javob noto'g'ri bo'lib chiqsa, chiqishlardan kirishlarga qadar, maxsus algoritmlarga muvofiq, ANN og'irliklari sozlanadi va o'quv namunasi tugaguniga qadar mashg'ulotlar davom etadi. Nazorat ostida o'qitish - tarmoqli o'rganishning bir turi bo'lib, uning vaznlari tarmoqning javoblari allaqachon tayyorlangan to'g'ri javoblardan minimal farq qiladigan tarzda o'zgaradi. Kirish signallari sifatida siz ma'lum kunlarni, bozorning umumiy holatini va boshqa parametrlarni olishingiz mumkin. Va to'g'ri javoblar sifatida - o'sha kunlarda narxning ko'tarilishi va tushishi. O'qituvchisiz o'rganish. Nazoratsiz o'rganish kirish signallariga to'g'ri javob noma'lum bo'lganda qo'llaniladi. Bunday holda, butun o'quv majmuasi faqat kirish signallaridan iborat. Bunday trening bilan tarmoq unga kiritilgan signallardan sinflarni ajratishni boshlaydi, ya'ni klasterlashni amalga oshiradi. Misol uchun, biz avtobus, trolleybus va tramvayga mos keladigan ob'ektlar va ularning xususiyatlarini tarmoqqa kiritamiz. Vaqt o'tishi bilan INS ushbu ob'ektlarga mos keladigan uch xil signalni ishlab chiqaradi. Nazoratsiz o'qitish - tarmoq kirish signallarini mustaqil ravishda tasniflaydigan tarmoq o'rganish turi. To'g'ri (mos yozuvlar) chiqish signallari ko'rsatilmaydi. Ushbu ma'lumot neyron tarmoqlarga asoslangan tasvirlarda ob'ektni aniqlash tizimlarining turli prototiplarini yaratish uchun zarurdir.

Maqolada ma'lumotlar markazi uskunasining umumiy energiya samaradorligini tavsiflovchi ma'lumotlar markazining energiya samaradorligi omilini optimallashtirish uchun neyron tarmoqlardan foydalanish imkoniyatlari o'rganiladi. Neyron tarmoqni yaratish tavsiflanadi va uning ishini tahlil qilish amalga oshiriladi. Maqola “Mashinani o'rganish” fanidan kurs loyihasi doirasida yozilgan. Texnik tizimlarni o'rganish. Domen tahlili


AT monitoringi va server fermasi infratuzilmasini qo'llab-quvvatlash natijasida olingan mavjud ma'lumotlarni qayta ishlash uchun mashinani o'rganish algoritmlaridan foydalanish ma'lumotlar markazlari samaradorligini sezilarli darajada oshirish imkonini beradi. Ayniqsa, PUE (Power Usage Effectiveness) optimallashtirish sohasida. Oddiy ultra-katta ma'lumotlar markazi ichidagi minglab sensorlar har soniyada katta hajmdagi ma'lumotlarni ishlab chiqaradi. Hozirgi vaqtda ushbu ma'lumotlar ma'lumotlar markazi infratuzilmasining turli elementlarini kuzatishdan tashqari vazifalar uchun kamdan-kam qo'llaniladi. Hisoblash quvvati va monitoring tizimlarining funksionalligini yaxshilashdagi yutuqlar ma'lumotlar markazi samaradorligini oshirish uchun mashinani o'rganishda jamlangan ma'lumotlardan foydalanish uchun katta imkoniyatlar yaratadi. Hozirgi vaqtda ma'lumotlar markazlarining ishlashi juda katta miqdorda elektr energiyasini talab qiladi. Energiya xarajatlarini kamaytirish yo'llarini izlash natijasida ma'lumotlar markazlari egalari hisoblash infratuzilmasi faoliyatini optimallashtirish uchun neyron tarmoqlardan foydalanishga kirishdilar [1].
Ammo yaqinda ma'lum bo'ldiki, PUE nolga yaqinlashganda, ma'lumotlar markazining energiya samaradorligini oshirishga investitsiyalarning daromadliligi pasayadi. Quyidagi grafik buni aniq ko'rsatib turibdi. Grafikda so'nggi besh yil ichida Google ma'lumotlar markazlarida energiya samaradorligi omili dinamikasi ko'rsatilgan (ko'rib chiqilayotgan ko'rsatkich 2008 yildagi 1,21 dan 2013 yilda 1,12 gacha pasaygan).
1-rasm Energiya samaradorligi nisbati dinamikasi
Google ma'lumotlar markazlarida[1]
Google ekspertlarining ta'kidlashicha, sun'iy neyron tarmoqlar bilan faol ishlash qidiruv gigantiga ma'lumotlar markazining energiya samaradorligini oshirishga o'z sarmoyasini ratsionalizatsiya qilish va PUE <1.10 [1] davriga qadam qo'yish imkonini beradi.
Kuchli ma'lumotlar markazlari ichidagi mexanik va elektr jihozlari massivlari tomonidan yaratilgan ma'lumotlar hajmi, shuningdek, bunday qurilmalar o'rtasidagi murakkab korrelyatsiya ma'lumotlar markazining energiya samaradorligini bashorat qilish uchun an'anaviy muhandislik formulalaridan foydalanishni qiyinlashtiradi.
Sun'iy neyron tarmoqlari ma'lumotlar markazidagi jismoniy tizimlarning murakkab o'zaro ta'sirining turli natijalarini bashorat qilishni osonlashtiradigan modellarni yaratish uchun idealdir. Buning sababi shundaki, ular ko'p sonli korrelyatsiyalarni aniqlamasdan turib, ma'lumotlar to'plamidagi naqshlarni va tizimlar orasidagi korrelyatsiyalarni izlashlari mumkin.
Ushbu modellar ma'lumotlar markaz(lar)ining PUE-ni aniq bashorat qilish va agar ma'lumotlar markazi bashorat qilingan modeldan juda ko'p chetga chiqsa, yuzaga keladigan muammolarni avtomatik ravishda aniqlash uchun ishlatilishi mumkin. Ushbu kontseptsiya sizga energiyani yanada tejash imkoniyatlarini aniqlash va ma'lumotlar markazi samaradorligini oshirish uchun yangi konfiguratsiyalarni sinab ko'rish imkonini beradi[2].
Yaratilgan algoritm doirasida PUE-ni bashoratli modellashtirishda sun'iy neyron tarmoqlar tomonidan qo'llaniladigan ma'lumotlar majmuasi 19 xil o'zgaruvchini o'z ichiga oladi, ularning to'liq ro'yxati quyidagi jadvalda keltirilgan.
1-jadval Algoritmni amalga oshirish uchun ma'lumotlar to'plami

bitta

Serverlardagi jami IT yuki [kVt]

2

Tarmoq uskunasiga umumiy IT yuki [kVt]

3

Suvni tozalash tizimida ishlaydigan nasoslarning umumiy soni (Process Water Pump; PWP)

to'rtta

O'zgaruvchan chastotali haydovchi (VFD) PWP da o'rtacha tezligi [%]

5

Ishlaydigan kondensatorli suv nasoslarining umumiy soni (CWP)

6

CWP da oʻrtacha VFD tezligi [%]

7

Ishlayotgan sovutish minoralarining umumiy soni

sakkiz

Chiqib ketish suvining harorati (LWT) [F daraja]

9

Ishlaydigan sovutgichlarning umumiy soni

o'n

Ishlaydigan quruq (sirt) havo sovutgichlarining umumiy soni

o'n bir

Ishlaydigan sovutilgan suv quyish nasoslarining umumiy soni

12

Sovutilgan suv quyish nasoslaridagi o'rtacha suv harorati [Farengeyt darajasida]

13

Issiqlik almashtirgichning uchlaridagi o'rtacha harorat farqi [Farengeyt darajasida]

o'n to'rt

Tashqi ho'l lampochkaning harorati (Ho'l lampochka; WB) [Farengeyt darajasida]

o'n besh

Tashqi quruq lampochka harorati (DB) [Farengeyt darajalarida]

16

Tashqi havo entalpiyasi (kJ/kg)

17

Tashqi havoning nisbiy namligi (Nisbiy namlik; RH) [%]

o'n sakkiz

Bino tashqarisidagi shamol tezligi [m/s]

19

Bino tashqarisidagi shamol yo'nalishi [deg]

Shunday qilib, PUE qiymatini bashorat qila oladigan neyron tarmog'ini amalga oshirish kerak.
Muammoni shakllantirish
Vazifa - statistik ma'lumotlarga asoslangan ma'lumotlar markazining PUE qiymatini bashorat qilishga qodir neyron tarmog'ini ishlab chiqish. Neyron tarmog'ining massiv ko'rinishidagi kiritilishi raftlar va atrof-muhit holatini kuzatuvchi turli sensorlarning ko'rsatkichlari bo'ladi.
Neyron tarmoqni o'rgatish uchun 19 ta parametrdan iborat 100 ta to'plamdan iborat taxminiy ma'lumotlar to'plami yaratildi. Kirish ma'lumotlariga misol 1-rasmda ko'rsatilgan.
2-rasm Kirish ma'lumotlariga misol
Neyron tarmoqni yaratish
Neyron tarmoqni o'rgatish uchun biz 100 ta to'plamdan 80% ni tanlaymiz, qolgan 20% sinov ehtiyojlari uchun ishlatiladi. Tarmoq Octave 4.2.1 dasturiy paketida o'qitildi.
Keyinchalik, neyron tarmoq arxitekturasini tanlashingiz kerak. Bu jarayon empirik tarzda amalga oshiriladi. Ko'rib chiqilayotgan muammoda biz 1 ta yashirin qatlamdan foydalanamiz va neyron tarmoq to'g'ridan-to'g'ri tarqalish (perseptron) bo'lib, orqaga tarqalish algoritmi yordamida o'rgatiladi. Tajriba shuni ko'rsatdiki, 19-22-1 konfiguratsiyasiga ega neyron tarmoq eng yuqori aniqlikka ega, bu erda kirish qatlamida 19 ta, yashirin qatlamda 22 ta va chiqish qatlamida 1 ta neyron mavjud.
Neyron tarmog'ini o'qitishni boshlashdan oldin uning og'irliklarining qiymatini tasodifiy yaratish kerak. Bu operatsiya tasodifiy [−𝜀 diapazonida amalga oshiriladi; 𝜀] nosimmetrik og'irliklar muammosidan qochish uchun. Shunday qilib, parametrlar uchun og'irliklar tasodifiy ravishda -𝜀 ≤D𝑖(𝑙)≤ e qiymatlariga o'rnatiladi.
𝜀= √6√𝐿𝑜𝑢𝑡+𝐿𝑖𝑛 (1)
bu yerda 𝐿𝑖𝑛 va 𝐿𝑜𝑢𝑡 koʻrib chiqilayotgan tetaga nisbatan kirish va chiqish qatlamlaridagi neyronlar soni. Ya'ni, birinchi qavat uchun echilayotgan masalada 𝐿𝑖𝑛=400, 𝐿𝑜𝑢𝑡=50, ikkinchisi uchun - 𝐿𝑖𝑛=50, 𝐿𝑜𝑢𝑡=2. Og'irliklarni to'g'ridan-to'g'ri aniqlash uchun quyidagi formuladan foydalaniladi:
𝑊=𝑟𝑎𝑛𝑑(𝐿𝑜𝑢𝑡,1+𝐿𝑖𝑛)×2×𝜀−𝜀 (2)
bu yerda 𝑟𝑎𝑛𝑑 0 dan 1 gacha boʻlgan oraliqda tasodifiy sonlarni hosil qilish funksiyasi[3].
Treningdan so'ng, 2-rasmda ko'rsatilgan qaramlik olingan.
3-rasm Xatolarni taqsimlash gistogrammasi
Olingan gistogrammaga ko'ra, tarmoq xatosi normal taqsimlash qonuniga bo'ysunadi, degan xulosaga kelishimiz mumkin, ya'ni. xato hajmini 3 ta hududga bo'lishingiz mumkin (oddiylik uchun taqsimot normallashtirilgan deb hisoblanadi):
±s1 (1 sigma mintaqasi - prognozlarning 68% xatosi shu diapazonda); ±s2 (2 sigma mintaqasi - prognozlarning 95% xatosi shu diapazonda); ±s3 (3 sigma mintaqasi - qo'pol xatolar, o'tkazib yuborsa, 5% dan kam hollarda xatoning kattaligi ±s2 mintaqasidan kattaroqdir).
s1 hududi uchun xatolik 0,017, s2 mintaqasi uchun esa 0,032 ni tashkil etdi.
±s3 sohasida qo'pol xatolar (o'tkazib yuborish) sababi - bu o'quv namunasida mavjud bo'lganlardan juda farq qiladigan ma'lumotlar bilan tarmoqning ishlashi.
Shuningdek, neyron tarmog'ini o'qitish sifatining muhim ko'rsatkichi o'rtacha mutlaq xatoning qiymati hisoblanadi.
O'rtacha mutlaq xatolik 0,014 ni tashkil etdi.
Quyida quvvat iste'moli koeffitsienti va mutlaq xatoning kattaligiga bog'liqlik grafigi keltirilgan:
4-rasm Quvvat iste'moli koeffitsientining bog'liqligi va mutlaq xatolik kattaligi
Neyron tarmoqlar axborotni umumlashtirish qobiliyatiga ega, ya'ni. o'quv namunasi namunalaridan foydalangan holda, shu jumladan tarmoq hozirgacha ishlamagan ma'lumotlarga asoslanib, prognoz qilish imkoniyatiga ega, ammo bu holda, tarmoqning ushbu xususiyatiga qaramay, taxminiy natija bo'lishi mumkinligini yodda tutish kerak. haqiqiysidan keskin farq qiladi [4].
Xulosa
Ishda ma'lumotlar markazining energiya samaradorligi koeffitsientini bashorat qilish uchun neyron tarmoqlardan foydalanish imkoniyatlari o'rganildi va 19 ta kirish parametrlari asosida ma'lumotlar markazining energiya iste'moli koeffitsientini bashorat qilishni ta'minlaydigan neyron tarmoq yaratildi.
Neyron tarmog'idan foydalanish server raflarining turli parametrlari va atrof-muhit o'zgarganda ma'lumotlar markazining quvvat sarfini taxmin qilish imkonini beradi.

Neyron tarmoqlar ko'pincha qandaydir innovatsion texnologiya, kelajak dunyosining bir qismi sifatida qabul qilinadi. Biroq, bu sohadagi o'zgarishlar yarim asrdan ko'proq vaqt oldin boshlangan, garchi yutuq nisbatan yaqinda sodir bo'lgan. Dasturlashdan uzoq bo'lgan odamlar uchun neyron tarmoqning ishlashi mo''jizaga o'xshaydi va uning imkoniyatlari cheksiz ko'rinadi.


Biroq, ba'zi sohalarda haqiqatan ham ajoyib imkoniyatlarga qaramay, neyron tarmoqlarning o'ziga xos xususiyatlari va cheklovlari mavjud. Bizning maqolamizda sizga bunday vosita qanday ishlashini, qaysi vazifalar uchun eng mos ekanligini va yaqin kelajakda qaysi sohalarda talabga ega bo'lishini aytib beramiz.
Neyron tarmoqlarning paydo bo'lish tarixi
Olimlarning bu yo'nalishdagi ishining boshlanishini 1943 yilda nashr etilgan Uorren Makkaloch va Uolter Pittsning maqolasi deb hisoblash mumkin. Ular matematik algoritmlar va miya faoliyati nazariyasi asosida neyron tarmoqning kompyuter modelini ishlab chiqdilar. Keyingi qadam Donald Xebbning 1949 yilda chop etilgan "Xulq-atvor tashkiloti" kitobi bo'lib, unda kanadalik neyropsixolog sun'iy neyron tarmog'ini o'z-o'zini o'rganish jarayonini tasvirlab berdi.
8 yildan so'ng Frenk Rozenblat perseptron deb nomlangan inson miyasi tomonidan axborotni qayta ishlashning matematik modelini taqdim etdi. Uch yildan so'ng, 1960 yilda bu amerikalik olim miya ishiga taqlid qiluvchi elektron qurilmani namoyish etdi, xususan, u kartalardagi individual belgilarni tanib oldi, ularni "ko'zlari" - kameralar bilan "ko'rgan".
1969 yilda neyron tarmoqlarni yaratish g'oyasi Minsky va Papert tomonidan qattiq tanqid qilindi. Ular sun'iy neyron tarmoqlardan samarali foydalanishga to'sqinlik qiladigan jiddiy muammolarni ko'rsatdilar. Masalan, ular "Exclusive OR" funksiyasining NN ni amalga oshirishning iloji yo'qligiga, shuningdek, o'sha paytda mavjud bo'lgan kompyuterlarning hisoblash quvvati etarli emasligiga e'tibor qaratdilar. Ushbu maqola bir muncha vaqt olimlarning neyron tarmoqlarga bo'lgan qiziqishini susaytirdi.

Neyron tarmoqlarning paydo bo'lish tarixi
Biroq, bu yo'nalish hali ham o'z-o'zini o'qitish tizimining ishlash tamoyilini shakllantirishga urinishlarini davom ettirgan ko'plab tadqiqotchilar uchun juda istiqbolli bo'lib tuyuldi. 1974 yilda Pol Verbos tomonidan taklif qilingan orqaga tarqalish usuli neyron tarmoqni yaratish yo'lidagi yana bir qadam bo'ldi. Bir yil o'tgach, Fukusima birinchi ko'p qatlamli NS - kognitronni yaratdi. 1982 yilda Xopfild neyronlar o'rtasida ma'lumotni ikki tomonlama uzatishga erishdi, bu esa olimlarning ushbu sohada yangi echimlarni topishga qiziqishini yanada kuchaytirdi.

Neyron tarmoqlarning vazifalari va qamrovi


ANNning ko'lami - bu inson miyasi oldida doimiy ravishda paydo bo'ladigan muammolar bilan taqqoslanadigan analitik muammolarni hal qilish. Ko'pincha neyron tarmoqlar quyidagi sohalarda tezda natijalarga erishishga yordam beradi:
Tasniflash . ANN tahlil qilinadigan ob'ektning ko'rsatilgan parametrlarga mos kelishini aniqlaydi va uni u yoki bu guruhga belgilaydi. Neyron tarmoqlarning imkoniyatlari banklar tomonidan kredit olish uchun ariza beruvchining to'lov qobiliyatini dastlabki baholash uchun foydalaniladi.
Prognozlash . Kirish ma'lumotlarini o'rganish asosida ANN ma'lum bir kompaniyaning aktsiyalari yaqin kelajakda fond bozorida qanday harakat qilishini bashorat qiladi - ular narxi ko'tariladi yoki tushadi.
Tan olish . Ayni paytda bu funktsiya boshqalarga qaraganda tez-tez ishlatiladi. Yandex yoki Google-da fotosuratlar bo'yicha qidirish, ijtimoiy tarmoqlardagi fotosuratda do'stlarning yuzlarini belgilash qobiliyati va boshqa zamonaviy xususiyatlar ANN ob'ektni ko'plab shunga o'xshashlar orasidan ajratish qobiliyati bilan ta'minlanadi.
Neyron tarmoqlardan foydalanish faqat sanab o'tilgan sohalar bilan cheklanmaydi, ulardan turli muammolarni hal qilish uchun foydalanishning boshqa mavjud va istiqbolli usullari mavjud:
Mashinani o'rganish - bu sun'iy intellektning turlaridan biri. Google, Yandex, Bing, Baidu natijalarning foydalanuvchi so'rovlariga mosligini oshirish uchun mashinani o'rganishdan faol foydalanmoqda. Algoritmlar qidiruv maydoniga kiritilgan bir xil turdagi millionlab iboralar asosida o'z-o'zini o'rganadi.
Robotlarning normal ishlashi uchun ko'plab algoritmlarni ishlab chiqish kerak va bu erda neyron tarmoqlarsiz amalga oshirib bo'lmaydi.
ANN imkoniyatlaridan kompyuter tarmoqlari arxitektorlari parallel hisoblash muammosini hal qilish uchun foydalanadilar.
Matematikada neyron tarmoqlar murakkab masalalarni tezroq yechishga imkon beradi.
Neyron tarmoqlarning turlari
Har qanday ANN signallarni qabul qiluvchi va ularni boshqa neyronlarga tarqatuvchi neyronlarning birinchi yoki kirish qatlamini o'z ichiga oladi. Ushbu belgi barcha tarmoqlarni birlashtiradi va uning keyingi tuzilishi va neyron tarmog'ining turli qatlamlari qanday printsip asosida bir-biri bilan o'zaro ta'sir qilishiga qarab turli xil turlari ajratiladi.
Bir tomonlama
Ushbu tuzilma signalning qat'iy ravishda kirish qatlamidan oxirgisiga o'tishi bilan tavsiflanadi. Ushbu turdagi ANNlar tanib olish, prognozlash va klasterlash kabi muammolarni hal qilishda o'zini yaxshi isbotladi.
Keling, ushbu turdagi neyron tarmoqning ishlash printsipini misol yordamida tahlil qilaylik. Bizning miyamiz rasmda it tasvirlanganini qanday tushunadi? U bizning xotiramizda saqlangan xususiyatlar to'plamidan foydalanadi. Agar fotosurat yoki chizmadagi ob'ekt itga xos bo'lgan fazilatlar ro'yxatiga mos kelsa (to'rtta panjasi, to'g'ri o'lchami, dumi, sochlari va boshqalar), miya biz ushbu hayvonni ko'rayotganimizni tasdiqlaydi. It yashil yoki o'simliksiz bo'lishi mumkin, ammo bu bizni uni it sifatida qabul qilishimizga to'sqinlik qilmaydi.
Neyron tarmog'i xuddi shu printsip asosida ishlaydi. Neyron guruhlari tasvirni tahlil qiladi, u yoki bu ob'ektga ega bo'lishi kerak bo'lgan belgilar mavjudligini qayd etadi. Itning holatida asosiy xususiyat tananing tuzilishi bo'lishi mumkin, keyin ANN boshqa fazilatlarni - boshning shakli, sochlari, dumlari va boshqalarni oladi. Chiqishda tarmoq rasmdagi hayvon yoki yo'qligini hal qiladi. it deb hisoblash mumkin yoki yo'q.
Takroriy neyron tarmoqlari
Forward tarmoqlar oldingi tahlil natijalarini eslay olmaydi. Axborot faqat oldinga uzatiladi va ishlash uslubiga ko'ra ular murakkab algoritmlarga o'xshaydi.
Treningdan so'ng, bunday neyron tarmoq itda qaysi belgilar bo'lishi kerakligini aniqlaydi, lekin ayni paytda u har safar noldan tahlil qiladi.
Takroriy neyron tarmoqlari
Takroriy neyron tarmoqlari xotiraning mavjudligi bilan tavsiflanadi: ular hozirgi holat va oldingi holat o'rtasida o'xshashlik yaratishga qodir. Bunday ANN itning taklif qilingan tasvirini ilgari "ko'rgan" bilan taqqoslaydi.
Biroq, ushbu turdagi neyron tarmoqning o'ziga xos xususiyatlarini yaxshiroq tushunish uchun uning harakatini boshqa misolda ko'rib chiqamiz. Bunday ANNlar tanib olish bilan bog'liq bo'lmagan muammolarni hal qilishga yordam beradi, ular ko'pincha ketma-ketlikni yaratish uchun ishlatiladi.
Shunday qilib, avtomatik tarjimonlarning muammosi - natijaning past sifati. Dastur manbadagi so'zning ma'nosini boshqa tildagi mos variant bilan bog'laydi, leksik birlikning sintaktik vazifasini belgilaydi, ammo tayyor tarjima ma'nosiz bo'lishi mumkin.
Takroriy neyron tarmoqlar matn uslubini tahlil qilish va lug'atdan eng yaxshi mosliklarni topishga qodir. Buning uchun faqat lug'at va asosiy idiomalarni bilishning o'zi kifoya emas, matnlardan namunalarni o'rganish va taqdim etilgan namunalarga o'xshash natijani olish kerak.
O'z-o'zini o'rganish jarayonida neyron tarmoq shunchalik "aqlli bo'lishi" mumkinki, u taklif qilingan matn qaysi uslubga tegishli ekanligini, adekvat tarjima uchun qaysi lug'at mos kelishini va qanday sintaktik konstruktsiyalardan foydalanish yaxshiroq ekanligini osongina aniqlaydi.
Takroriy neyron tarmoqlarni qo'llash doirasi bir yo'nalishlilarga qaraganda ancha kengroqdir, chunki qisqa muddatli xotiraga ega ANNlar o'rgatiladigan botlarni yaratish va hatto kompaniyaning moliyaviy holatini baholash uchun ishlatilishi mumkin.
Neyron tarmoqlarni o'qitishga yondashuvlar
ANN va klassik mashinani o'rganish o'rtasidagi asosiy farq uning o'zini o'zi o'rganish qobiliyatidadir. Agar yuzni aniqlash uchun neyron tarmoq yaratilgan bo'lsa, buning uchun maxsus algoritm yozishning hojati yo'q.
Ushbu muammoni hal qilishning klassik yondashuvi yuzni tanib olish va mushuklarni itlardan ajratish uchun mutlaqo boshqa algoritmlarni talab qiladi.
Inson yuzlari holatida ularning elementlari orasidagi masofani o'lchash va boshqa muhim xususiyatlarni aniqlash kerak bo'ladi va hayvonlarni tanib olish uchun asosiy parametrlar o'lchamlari, panjalari, dumlari, quloqlari va boshqalar shakllari hisoblanadi.
ANN o'rganishi mumkin bo'lgan to'g'ri namunani berishi va neyron tarmoq arxitekturasini to'g'ri tanlashi, masalan, 2D tasvirlarni tahlil qilish uchun etarli.
Natijada, inson yuzlarini taniy oladigan va mushuklarni itlardan ajrata oladigan ANN bir-biriga juda o'xshash bo'ladi, farqlar ahamiyatsiz bo'ladi.
Neyron tarmoqlarning ko'nikmalarga ega bo'lish qobiliyati haqida gapirganda, Deep Learning haqida gapirmasdan bo'lmaydi. Ba'zi sirli xususiyatlarni ushbu atama bilan bog'lamaslik uchun, ko'pincha ma'lumot etishmasligi kabi, keling, ushbu moda kontseptsiyasi orqasida nima yashiringanini aniqlaylik.
Kam sonli qatlamli kichik ANN murakkab muammolarni hal qilish uchun mos emas, uning kuchi ob'ektlarni ko'p parametrlarda tahlil qilish uchun etarli emas.
Katta miqyosli murakkab hodisalarni o'rganish uchun bir necha o'nlab yoki yuzlab qatlamlardan iborat chuqur neyron tarmoqlari yaratiladi, shuning uchun ular murakkab jarayonlar bilan ishlashlari mumkin.
ANN rivojlanishining hozirgi tendentsiyasi shundan iboratki, chuqur o'rganish tobora ko'proq talab qilinmoqda, chunki dastlabki ma'lumotlarning miqdori va qurilmalarning hisoblash quvvati doimiy ravishda oshib bormoqda.
Mavjud muammoni hal qilish uchun har doim ham chuqur o'rganish talab etilmaydi. Tahlil qilinayotgan hodisaning murakkabligidan oshib ketadigan tuzilishga ega bo'lgan tarmoq uni qayta tayyorlash uchun ortiqcha resurslardan foydalanadi, ya'ni ANN maqsadiga erishish uchun muhim bo'lmagan xususiyatlarni eslay boshlaydi. Bundan kelib chiqadiki, muayyan vazifa uchun neyron tarmoq modeli uning murakkablik darajasini hisobga olgan holda tanlanishi kerak.
Neyron tarmoqlarni o'qitishga yondashuvlar
Bundan tashqari, ko'pincha oddiy ikki qatlamli tarmoqlar chuqur va murakkab tarmoqlarga qaraganda ancha yaxshi ishlaydi. Gap ANN strukturasining u ishlatiladigan analitik jarayonga muvofiqligi haqida.
Ammo neyron tarmoqlarning rivojlanishining ustuvor yo'nalishi haqida gapiradigan bo'lsak, ularning an'anaviy mashinalarni o'rganishdan ustunligini, shuningdek, oddiylarga nisbatan murakkab ko'p qatlamli ANNga bo'lgan talabning ko'proqligini ishonch bilan taxmin qilishimiz mumkin.
Neyron tarmoqlarni o'qitish uchun ma'lumotlar yig'ish
ANN yordamida har qanday muammoni hal qilish uchun sizga ma'lumotlar kerak bo'ladi, ular asosida u o'qitiladi. Buning uchun kuzatishlar to'plamini to'plash va kirish va chiqish parametrlarining qiymatlarini ko'rsatish kerak. Avvalo, neyron tarmog'ini o'rgatish uchun qancha ma'lumot talab qilinishini va qaysi biri kerakligini aniqlashingiz kerak.
Qoida tariqasida, ANN tahlil ob'ekti sifatida cheklangan diapazondagi raqamli ma'lumotlar taklif etiladi. Agar siz boshqa formatdagi ma'lumotlar bilan ishlashingiz kerak bo'lsa, muammolar paydo bo'lishi mumkin.
Umuman olganda, raqamli bo'lmagan ma'lumotlar neyron tarmoq uchun berilgan muammoni hal qilishning qiyinroq varianti hisoblanadi. Masalan, Jins = {Erkak, Ayol} tipidagi nominal o'zgaruvchilar.
ANNning axborotni tahlil qilish bo'yicha ishini soddalashtirish uchun raqamli qiymatlarni belgilash qo'llaniladi. Masalan, har bir mikrorayon o'z nomiga ega bo'lgan ma'lum bir shahardagi ko'chmas mulkni baholash uchun neyron tarmoq yaratiladi. Bir qarashda, tegishli og'zaki belgilar bilan o'zgaruvchilarni qo'shish eng oson. Biroq, bu tarmoqni o'qitish jarayonini jiddiy ravishda murakkablashtiradi va chiqishdagi xatolarning katta foiziga olib keladi.
Bunday holda, eng yaxshi yechim - ularning har biridagi uy-joy narxini ekspert baholash natijalariga ko'ra emas, balki alohida tumanlarga reyting ballarini belgilash.
Boshqacha qilib aytganda, agar raqamli bo'lmagan ma'lumotlar raqamli formatga aylantirilsa va ushbu jarayonga mos kelmaydigan o'zgaruvchilar (masalan, familiyalar) ma'lumotlarni tahlil qilish uchun ahamiyatsiz bo'lsa, neyron tarmog'i ishi natijalarining ishonchliligi oshadi. .
Aniq natijalarga erishish uchun etarli bo'lgan kuzatuvlar soni - bu neyron tarmoqlarni yaratuvchilar hal qilishlari kerak bo'lgan yana bir qiyin masala. Agar elementar evristik qoidani eslasak, kuzatishlar soni tarmoqdagi ulanishlar sonidan kamida o'n barobar ko'p bo'lishi kerakligidan boshlashimiz mumkin.
Bu savolga aniq javob yo'q. ANN tomonidan ko'rsatiladigan displeyning murakkabligini oldindan aytish qiyin. Bundan tashqari, o'zgaruvchilar soni va buning uchun zarur bo'lgan kuzatishlar soni o'rtasida chiziqli bog'liqlik yo'q. Kirish ma'lumotlari kichik bo'lsa ham, neyron tarmoqni o'rgatish uchun juda ko'p misollar va naqshlar kerak bo'lishi mumkin.
Neyron tarmoqlarni o'qitish uchun ma'lumotlar yig'ish
Ko'pgina hollarda, biz bir necha yuz yoki minglab kuzatuvlar haqida gapiramiz, lekin hatto eng oddiy muammo uchun ham yuzdan kam bo'lishi mumkin emas. Agar sizda shunday vaziyat bo'lsa, ishonch bilan aytishingiz mumkinki, ANNni o'qitish uchun ma'lumotlar etarli emas va muammoni hal qilish uchun mos chiziqli modeldan foydalanish yaxshiroqdir.
Neyron tarmoqlar faoliyatining 3 ta muammosi
Qayta tayyorlash
Ushbu hodisaning mohiyati ANNning to'g'ri xulosa chiqarish mumkin bo'lgan naqshni ushlay olmasligidadir. Buning o'rniga, tarmoq shunchaki javoblarni tuzatadi, bu esa uning haddan tashqari moslashishiga va chiqish natijalarining past samaradorligiga olib keladi. Ushbu muammoni hal qilish uchun tartibga solish, partiyalarni normallashtirish, ma'lumotlarni ko'paytirish va boshqalar kabi vositalar taklif qilingan.
"Unutuvchanlik"
Keyingi muammo - har bir aniq vazifa uchun yangi ANN yaratish zarurati, chunki neyron tarmoq doimiy o'zgaruvchan sharoitlarda ishlashga juda mos kelmaydi. Aytaylik, u fond bozoridagi aktsiyalarning harakatini bashorat qilish vazifasiga duch keldi. Ehtimol, bir muncha vaqt u o'z funktsiyasini muvaffaqiyatli bajara oladi, ammo vaqt o'tishi bilan neyron tarmoq tomonidan taklif qilinadigan variantlarning ishonchliligi sezilarli darajada pasayishi mumkin.
Ushbu muammoni hal qilish uchun ishlab chiquvchilar o'zgaruvchan parametrlarga moslasha oladigan, shuningdek, tashqi muhitda yangi sharoitlarning paydo bo'lishini kuzata oladigan va ularga o'zgartirishlar kirita oladigan dinamik neyron tarmoqlarni yaratishga harakat qilish uchun turli xil ANN arxitekturalarini sinovdan o'tkazmoqdalar. arxitektura. Bunda MSO (ko'p to'dali optimallashtirish) va shunga o'xshash algoritmlardan foydalaniladi.
Yaqinlik va oldindan aytib bo'lmaydigan
Neyron tarmoq o'zgaruvchilar to'plami yotqizilgan shaffof bo'lmagan quti bilan taqqoslanadi va chiqishda ma'lum bir natija olinadi. Na qaror qabul qilish jarayoni, na oraliq statistik ma'lumotlar, na ANNning ishlash printsipi kuzatuvchi uchun mavjud emas. Faqatgina istisnolar tanib olish uchun ishlatiladigan konvolyutsion neyron tarmoqlardir. Bu erda alohida mikroprotsessorlarning qo'zg'alishini kuzatish mumkin, chunki ba'zi ichki qatlamlar xususiyat xaritalarini tushunadi.
Ushbu muammoni hal qilish uchun tadqiqotchilar tomonidan taklif qilingan usullar sifatida arxitekturalarning shaffofligini oshirishga qaratilgan qoida-chiqarish algoritmlari bo'yicha ishlarni nomlash mumkin. Bunday algoritmlardan foydalanish natijasida ANN dan ramziy mantiq, matematik ifodalar yoki qarorlar daraxtlari ko'rinishidagi ma'lumotlarni ajratib olish mumkin.
Neyron tarmoqlardan faol foydalanayotgan va rivojlanayotgan kompaniyalar
Keling, hozirgi muammolarni hal qilish uchun ANN dan foydalanish hamma ham qodir emasligidan boshlaylik. Bu kuchli (va shuning uchun qimmat) video kartalari bo'lgan mashinalar parki ko'rinishidagi jiddiy bazani, shuningdek neyron tarmoqlarni o'rgatish uchun juda ko'p kuzatuvlarni to'plash qobiliyatini talab qiladi. Shu sababli, ANN bilan faqat katta byudjetga ega bo'lgan juda yirik kompaniyalar ishlashi aniq.
Eng faol ishlab chiquvchilar orasida Google DeepMind bo'linmasida AlphaGo tarmog'ini, shuningdek, Google Brainni yaratgan Google bor. Microsoft-da bu yo'nalishdagi ishlarni Microsoft tadqiqot laboratoriyasi amalga oshiradi. Shaxsiy ANNlar IBM, Facebook* (masalan, Facebook* AI Research), Baidu (Baidu chuqur o'rganish instituti) tomonidan ishlab chiqilgan va ishlab chiqarilgan. Ko'pgina texnik universitetlarda ANN yaratishga bag'ishlangan laboratoriyalar mavjud.
Neyron tarmoqlardan faol foydalanayotgan va rivojlanayotgan kompaniyalar
Startaplar ham ushbu yo'nalishga tez-tez jalb qilinadi. Eng muvaffaqiyatli misollardan biri sifatida ClarifAI, Google kompaniyasi tomonidan asos solingan kompaniyani ko'rib chiqing. Ularning neyron tarmog'i tasvirni aniqlashning eng yaxshi vositasi sifatida tan olingan. Ushbu ishlab chiquvchilardan tashqari, MSQRD, Prisma va boshqa startaplar, jumladan, Rossiyadagilar ham mavjud.
Mamlakatimizda Mail.Ru Group xoldingi neyron tarmoqlarni yaratish va o‘qitishga jiddiy e’tibor qaratmoqda, ular yordamida tasvirlarni tahlil qilish, shuningdek, o‘z qidiruv algoritmida matnlarni qayta ishlash va tasniflash mumkin. Xuddi shu kompaniya dialog tizimlari va botlar bilan tajriba o'tkazmoqda.
Yandex shuningdek, neyron tarmoqlar mavzusini chetlab o'tmaydi, ulardan tovush va tasvirlar bilan ishlashda faol foydalanadi. Matnlar bilan ishlash uchun ANN imkoniyatlaridan foydalanish istiqbolli deb hisoblanadi, bu sohada bir nechta universitetlarning laboratoriyalari shug'ullanadi - Moskva fizika-texnika instituti, Moskva davlat universiteti, Oliy iqtisodiyot maktabi, Skoltech va boshqalar.
Neyron tarmoqlarni istiqbolli rivojlantirish sohalari
Vaqt o'tishi bilan o'z-o'zini o'rganish qobiliyatiga ega bo'lgan ANNlar korrektorlar, muharrirlar, kopirayterlar kabi mutaxassislarning funktsiyalarini bajara oladilar, chunki hozir ham ular matnlar bilan samarali va tez ishlay oladilar. Keyin navbat moderatorlar, ijtimoiy tarmoqlardagi davlat ma'murlari, texnik yordam xodimlari va qo'ng'iroq markazlariga keladi: botlar kontentni tahlil qilish, odatiy savollarga javob berish va oldindan o'rganilgan skript bo'yicha mijozlar bilan muloqot qilish imkoniyatiga ega.
Boshqa sohalarda neyron tarmoqlarda ham ish bor.
Qishloq xo'jaligi sektori
Qishloq xo'jaligi texnikasiga kiritilgan ANN hozirda o'nlab ishchilar tomonidan bajariladigan funktsiyalarni o'z zimmasiga oladi. Masofadan boshqariladigan kombaynlar atrofni skanerlaydi va neyron tarmoq olingan tasvirlarni o'rganib, sug'orish, begona o'tlar, yumshatish, o'g'itlash haqida qaror qabul qiladi.
Dori
Microsoft korporatsiyasi saraton kasalligiga qarshi universal dori yaratish dasturini ishga tushirdi. Tadqiqotchilar biodasturlash imkoniyatlaridan foydalanmoqdalar, ya'ni saraton o'smalarining paydo bo'lishi va rivojlanishi jarayonini raqamli formatga o'tkazishga harakat qilmoqdalar. Muammo muvaffaqiyatli hal qilingan taqdirda, kasallikning boshlanishi bosqichida blokirovka qilish variantlarini ko'rib chiqish mumkin.
Marketing
Har bir iste'molchiga shaxsiy yondashuv savdo hajmini oshirish va mijozlarning sodiqligini mustahkamlashning to'g'ri yo'lidir. Bugungi kunda neyron tarmoqlar ma'lum bir foydalanuvchi uchun qaysi turdagi kontentni qiziqtirishini darhol hal qiladi. Yaqin kelajakda insonning Internetdagi xatti-harakati ANN uchun dastlabki ma'lumotlar to'plami bo'ladi, ular asosida uning ehtiyojlari bashorat qilinadi, mos tovarlar va xizmatlar taklif etiladi, bunda potentsial xaridor kerakli mahsulotni qidirishni boshlaydi. .
Elektron tijorat
Elektron tijoratni keng joriy etishning hozirgi tendentsiyasi foydalanuvchilarning qulayligi maksimal darajaga yetishidan dalolat beradi. Onlayn do'konlarga havolalarni bosishning hojati qolmaydi, ko'ngilochar, ta'lim yoki axborot resurslarida tezkor xarid qilish imkoniyatlari mavjud bo'ladi.
Neyron tarmoqlarni yaratishni o'rganish
HeadHunterning ta'kidlashicha, so'nggi ikki yil ichida Data Scientistga talab kamida ikki baravar ko'paygan. Biznesni mashinani o'rganish usullaridan foydalangan holda vaziyatning rivojlanishini bashorat qiladigan va kompaniya samaradorligini oshiradigan mutaxassislar qiziqtiradi. GeekBrains-da ushbu talabga ega bo'lgan kasbni hatto oldindan tayyorgarliksiz ham o'zlashtirish mumkin.
Kursni tugatgandan so'ng siz quyidagi bo'sh ish o'rinlariga ariza topshirishingiz mumkin:
ma'lumotlar olimi
Ma'lumotlar tahlilchisi
Mashina o'rganish muhandisi
Kompyuterni ko'rish bo'yicha mutaxassis
NLP mutaxassisi
040485-sonli davlat litsenziyasi faoliyatimizning to'liq qonuniyligini va kasbiy tayyorgarlikning yuqori darajasini kafolatlaydi. Sizga har qanday ish beruvchini sizning vakolatingiz va sizga yuklangan vazifalarni hal qilishga tayyor ekanligingizga ishontiradigan rasmiy hujjat beriladi.
Siz tegishli o'quv formatlarini tanlashingiz mumkin:
O'qituvchi bilan guruh darslari
Video darslar va vebinarlar
Darslar uchun video yozuvlar
Uy vazifasini bajarish
Amaliy topshiriqlar
Ekspertlar bilan onlayn uchrashuvlar
Shaxsiy maslahatlashuvlar
Neyron tarmoq mutaxassislari faoliyatning har bir sohasida zarur bo'ladigan vaqt uzoq emas. Robotlar allaqachon ba'zi funktsiyalarni o'z zimmalariga olib, odamlarni muntazam mexanik ishlardan ozod qilmoqdalar. Tez orada biz o'z-o'zini o'rganish qurilmalari bilan tez-tez aloqa qilishimiz kerak bo'ladi, bu esa mashinani o'rganish va sun'iy intellekt tizimlari sohasidagi bilimlarni talab qiladi.
Download 0.64 Mb.




Download 0.64 Mb.