Sunʼiy neyron tarmoqlari (SNT), Sun'iy neyron tarmoqlar biologiyaviy neyron tarmoqlari strukturasi va faoliyati asosida ilhomlangan hisoblash modellari, uzluksiz bog'liq bo'lgan nuqtalar tuzilishi va ma'lumotlarni ishlovchi, ko'rinish tanish, mashina o'rganish va ma'lumotlarni tahlil qilish kabi vazifalarni bajarish uchun ishlatiladi.
2-rasm.
Neyron va miyelinli akson, dendritlardagi kirishlardan akson terminallaridagi chiqishlarga signal oqimi bilan.
SNT sunʼiy neyronlar deb ataladigan bogʻlangan birliklar yoki tugunlar toʻplamiga asoslanadi, ular biologik miyadagi neyronlarni erkin modellashtiradi. Sunʼiy neyron signallarni oladi, keyin ularni qayta ishlaydi va unga ulangan neyronlarga signal berishi mumkin. Ulanishdagi „signal“ haqiqiy raqam boʻlib, har bir neyron Tarmoqing chiqishi uning kirishlari yigʻindisining chiziqli boʻlmagan funksiyasi bilan hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va chekkalar odatda oʻrganish davom etayotganda sozlanadigan vaznga ega. Neyronlar shunday chegaraga ega boʻlishi mumkinki, signal faqat yigʻilgan signal ushbu chegarani kesib oʻtgan taqdirdagina yuboriladi. Odatda, neyronlar qatlamlarga yigʻiladi. Signallar birinchi qatlamdan (kirish qatlami), oxirgi qatlamga (chiqish qatlami), ehtimol, qatlamlarni bir necha marta bosib oʻtgandan keyin oʻtadi.
Deep Learning qo’llash
Neyron tarmoqlar chuqur o'rganishning mohiyatidir. Neyron tarmoqlari tarixdagi eng muhim kashfiyotlardan biridir. Neyron tarmoqlar algoritmlar bilan hal qilib bo'lmaydigan muammolarni hal qilishi mumkin:
-Tibbiy diagnostika
-Yuzni aniqlash
-Ovozni aniqlash
Deep Learning foydalanadigan xizmatlar.
Virtual Assistants.
Virtual Assistantlar tabiiy tildagi ovozli buyruqlarni tushunadigan va foydalanuvchi uchun vazifalarni bajaradigan bulutga asoslangan ilovalardir. Amazon Alexa, Cortana, Siri va Google Assistant virtual yordamchilarning odatiy namunalaridir. Ular o'zlarining to'liq imkoniyatlari bilan ishlashlari uchun internetga ulangan qurilmalarga muhtoj. Yordamchiga har safar buyruq berilganda, ular Deep Learning algoritmlaridan foydalangan holda o'tmishdagi tajribalar asosida yaxshiroq foydalanuvchi tajribasini taqdim etishga intiladi.
2.Chatbots.
Chatbotlar mijozlar muammolarini bir necha soniya ichida hal qila oladi. Chatbot - bu matn yoki matndan nutqqa onlayn suhbatlashish uchun AI ilovasi. U muloqot qilish va insonga o'xshash harakatlarni amalga oshirishga qodir. Chatbotlar mijozlar bilan muloqotda, ijtimoiy tarmoq saytlarida marketingda va mijoz bilan tezkor xabar almashishda ko'p qo'llaniladi. U foydalanuvchi ma'lumotlariga avtomatik javob beradi. Har xil turdagi reaktsiyalarni yaratish uchun mashinani o'rganish va Deep Learning algoritmlaridan foydalanadi.
3. Yangiliklarni yig'ish va soxta yangiliklarni aniqlash
Deep Learning sizga o'quvchilarning shaxsiyatiga qarab yangiliklarni sozlash imkonini beradi. Siz ijtimoiy, geografik va iqtisodiy parametrlar hamda oʻquvchining shaxsiy xohishlariga koʻra yangiliklar maʼlumotlarini jamlashingiz va filtrlashingiz mumkin. Neyron tarmoqlar soxta va noxolis yangiliklarni aniqlay oladigan va ularni tasmangizdan olib tashlaydigan tasniflagichlarni ishlab chiqishga yordam beradi. Shuningdek, ular sizni maxfiylikning buzilishi haqida ogohlantiradilar.
Musiqa yozish
Mashina musiqaning notalarini, tuzilmalarini va naqshlarini o'rganishi va mustaqil ravishda musiqa ishlab chiqarishni boshlashi mumkin. WaveNet kabi chuqur o'rganishga asoslangan generativ modellar xom audioni ishlab chiqish uchun ishlatilishi mumkin. Uzoq qisqa muddatli xotira tarmog'i musiqani avtomatik ravishda yaratishga yordam beradi.
Rasmlarni tasfirlash
Tasvirni ranglash Deep Learning yordamida sezilarli yutuqlarga erishdi. Rasmni ranglash - bu kulrang rangdagi tasvirning kiritilishi va keyin rangli tasvirning chiqishini ishlab chiqarish. ChromaGAN rasmni ranglash modeliga misoldir. Generativ tarmoq qarama-qarshi modelda tuzilgan bo'lib, u sinf taqsimoti va rangning pertseptiv va semantik tushunchasini o'z ichiga olgan holda rang berishni o'rganadi.
Robotlarda
Deep Learning insonga o'xshash vazifalarni bajarish uchun robotlarni yaratishda keng qo'llaniladi. Deep Learning tomonidan boshqariladigan robotlar o‘z yo‘lidagi to‘siqlarni sezish va sayohatni bir zumda oldindan rejalashtirish uchun real vaqtda yangilanishlardan foydalanadi. U kasalxonalarda, fabrikalarda, omborlarda, inventarizatsiyani boshqarishda, mahsulotlarni ishlab chiqarishda va hokazolarda yuk tashish uchun ishlatilishi mumkin.
Tasfirlarga izoh
Tasvirga sarlavha qo'yish - tasvirning matnli tavsifini yaratish usuli. Tasvir mazmunini tushunish uchun kompyuter ko‘rish va tasvirni tushunishni to‘g‘ri tartibda so‘zlarga aylantirish uchun til modelidan foydalanadi. Yorliqlarni izchil jumlaga aylantirish uchun LSTM kabi takrorlanuvchi neyron tarmoq ishlatiladi.
O’zi yurar avtomobillarda
Deep Learning avtonom bo'lgan o'zini o'zi boshqaradigan avtomobillar tushunchasini harakatlantiruvchi kuchdir. Deep Learning texnologiyalari aslida millionlab ma'lumotlar to'plamlari va treninglar yordamida qanday harakat qilish va javob berishni o'rganadigan "o'quv mashinalari" dir.
Tilni qayta ishlash
Deep Learning istiqbolli natijalarni ko'rsatayotgan yana bir muhim soha - NLP yoki tabiiy tilni qayta ishlash. Bu robotlarga inson tilini o'rganish va tushunishga ruxsat berish tartibi.
Deep Learning o’qitish metodlari.
Chuqur o'rganish usullari ma'lumotlardan naqshlarni modellashtirish va olish uchun bir nechta qatlamli sun'iy neyron tarmoqlardan (shuning uchun "chuqur" atamasi) foydalanishni o'z ichiga olgan mashinani o'rganish texnikasi sinfiga ishora qiladi. Ushbu usullar murakkab muammolarni hal qilish imkonini beruvchi dastlabki ma'lumotlardan taqdimotlarni avtomatik ravishda o'rganish qobiliyati tufayli turli sohalarda sezilarli mashhurlik va muvaffaqiyatga erishdi.
Convolutional Neural Networks (CNNs),
Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM),
Generative Adversarial Networks (GANs) ,
Autoencoders,
Transfer Learning,
Deep Reinforcement Learning,
Attention Mechanisms,
Self-Supervised Learning,
Transformers.
|
