|
Sobirov mavsumbek
|
| bet | 7/8 | | Sana | 18.05.2024 | | Hajmi | 319,04 Kb. | | #242611 |
Bog'liq Sobirov M kurs ishi (1)Narx funksiyasi tahrir
Xarajat funksiyasini ad hoc aniqlash mumkin boʻlsa-da, koʻpincha tanlov funksiyaning kerakli xususiyatlari (masalan, qavariqlik) yoki modeldan kelib chiqqanligi sababli aniqlanadi (ehtimollik modelida modelning orqa ehtimoli teskari sifatida ishlatilishi mumkin).
Orqaga tarqalish tahrir
Orqa tarqalish — bu oʻrganish jarayonida aniqlangan har bir xatoni qoplash uchun ulanish ogʻirliklarini sozlash uchun ishlatiladigan usul. Ogʻirlikni yangilash stokastik gradient tushishi yoki boshqa usullar orqali amalga oshirilishi mumkin, masalan, Extreme Learning Machines, „No-prop“ tarmoqlari, orqaga yoʻl qoʻymasdan mashq qilish, „vaznsiz“ tarmoqlar,va NTektsionist boʻlmagan neyron tarmoqlar.
Paradigmalarni oʻrganish tahrir
Uchta asosiy taʼlim paradigmalari nazorat ostida oʻrganish, nazoratsiz oʻrganish va mustahkamlovchi oʻrganishdir. Ularning har biri maʼlum bir oʻquv vazifasiga mos keladi
Nazorat ostida oʻrganish tahrir
Nazorat ostidagi oʻrganish juftlashtirilgan kirishlar va kerakli natijalar toʻplamidan foydalanadi..Bu holda xarajat funksiyasi notoʻgʻri ajratmalarni bartaraf etish bilan bogʻliq. Keng tarqalgan ishlatiladigan xarajat oʻrtacha kvadrat xato boʻlib, u tarmoqning chiqishi va kerakli natija oʻrtasidagi oʻrtacha kvadrat xatoni minimallashtirishga harakat qiladi. Nazorat ostida oʻrganish uchun mos boʻlgan vazifalar naqshni aniqlash (klassifikatsiya deb ham ataladi) va regressiya (funksiyani yaqinlashish deb ham ataladi) hisoblanadi. Nazorat ostida oʻrganish ketma-ket maʼlumotlarga ham tegishli (masalan, qoʻlda yozish, nutq va imo- ishoralarni aniqlash uchun).
Nazoratsiz oʻrganish tahrir Xarajatlar funksiyasi vazifaga (model sohasi) va har qanday apriori taxminlarga (modelning yashirin xususiyatlari, uning parametrlari va kuzatilgan oʻzgaruvchilar) bogʻliq.
2.3 Sunʼiy neyronlardan qanday foydalanamiz.
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. Maʼlumotlarni qayta ishlash, jumladan, filtrlash, klasterlash, koʻr manbalarni ajratish va siqish. Robototexnika, shu jumladan boshqarish manipulyatorlari va protezlari.
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.
Ko’p qatlamli neyron to’rlar o’ta kuchli funktsional quvvatga ega bo’lib, murakkab funktsiyalarni approksimatsiya(ifoda)lay olishi mumkin. Xususan birinchi qatlami sigmoida va ikkinchi qatlami chiqizli transfer funktsiya bo’lgan ikki qatlamli neyron to’r ixtiyoriy funktsiyani approksimatsiyalay oladi. Albatta, buning uchun approksimatsiyalanishi kerak bo’lgan funktsiyaning murakkabligiga xarab xar ikkala qatlamdagi neyronlar soni etarli bo’lishi va ko’p, lekin chekli sondagi o’rgatish amalga oshirilishi kerak.
Neyron to’rlarda quyidagi transfer funktsiyalar ishlatiladi:
Zinali transfer funktsiya barcha transfer funktsiyalar ichida eng funktsional kuchsizi, ammo birinchi neyron to’r(perseptron)da aynan mana shu funktsiyadan foydalanilgan. CHiziqli transfer funktsiyaning boshqa transfer funktsiyalardan afzalligi - chiqish doirasi katta, ammo shu bilan birga eng katta kamchiligi ixtiyoriy ko’p qatlamli chiziqli neyron to’rni bir qatlamli chiziqli neyron to’r bilan almashtirish mumkin. YA’ni faqat chiziqli transfer funktsiyalardan foydalanib neyronlarni ko’p qatlamlarga biriktirish ularning funktsional quvvatini oshirmaydi. CHiziqli transfer funktsiyaning aksini sigmoida transfer funktsiyasida ko’rishiiz mumkin. Sigmoida transfer funktsiyali neyronning chiqishi kirishiga mos ravishda 0 va 1 oralig’ida joylashadi. SHuning uchun xam bunday funktsiyalarni siquvchi funktsiyalar deb xam yuritiladi. Sigmoida transfer funktsiyali neyronlarni ko’p qatlamlarga biriktirish ularning funktsional quvvatini juda oshiradi.
XULOSA
Men bu kurs ishimni yozish mobaynida,suniy intelektning tarixi, rivojlanishi, taraqqiyoti, insonlar hayotidagi ahamiyati va foydali jihatlarini hamda sunʼiy neyron tizimlarning afzalliklari,xususiyatlari haqida juda ko‘p qo‘shimcha ma‘lumotlarga ega bo‘ldim.
Shmidxuberning taʼkidlashicha, 21-asrda neyron tarmoqlarning qayta tiklanishi asosan apparat taʼminotidagi yutuqlar bilan bogʻliq: 1991-yildan 2015-yilgacha hisoblash quvvati, ayniqsa GPGPUlar (GPU’lar) tomonidan etkazib berilganidek, taxminan bir million barobar oshdi. FPGA va GPU kabi tezlatgichlardan foydalanish mashgʻulotlar vaqtini bir necha oydan kungacha qisqartirishi mumkin.
Shu bilan birga men kurs ishimni tayyorlash mobaynida juda ko‘p qiziqarli ma‘lumotlarga ega bo‘ldim va men tayyorlagan ishimdan juda ham mamnunman.
|
| |
