|
Urganch filyali mustaqil ishi
|
| bet | 1/3 | | Sana | 06.05.2023 | | Hajmi | 0.62 Mb. | | #57306 |
Bog'liq DASTON DILNOZA, Axmedova Gavhar tarbiyachi kasbi, Novqa yo\'l xarita 12.05.2023, Olimpiada natija shablon, ХАДИЧА ЗОКИР, Второй вариант, onamga 2, Bayonnoma Deputat 19, тема2, Duysenbaev Dilfuza Internet in my life, DAmir2, CQJK Kuanıshbaev Azamat, Juldizxan (2), 1 Qimmatli qog‘ozlar bozori faniga kirish — копия
MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
URGANCH FILYALI
MUSTAQIL ISHI
MAVZU: SUN'IY NEYRON TARMOQLARI MODELI
Mashinali o’qitish fanidan
963-19– guruh talabasi
Bajardi : Sotliqov Daston
Tekshirdi Boltayev R
REJA:
1.Kirish
2. Sun'iy neyron tarmoqlarining zamonaviy dasturiy vositalari
3. Sun’iy neyron tarmoqlari modellari
4.Xulosa
5.Foydalanilgan adabiyotlar
Kirish
Ekonometrikaning asosiy masalalaridan biri -- o‘rganilayotgan hodisalarning makonda o‘zgarish va rivojlanish jarayonini tadqiq qilishda vaqt qatorlarini tuzish va tahlil qilish yo‘li bilan hal etiladi.
Iqtisodiy hodisalarning makonda o‘zgarishini ifodalayotgan sonlar ketmaketligini kuzatish vaqt qatori deb ataladi.
Vaqtli qatorlar ko‘rsatkichning barqaror o‘zgarishlariga va xususiy tasodiflar o‘zgarishiga ega bo‘ladi. Vaqt qatorlaridagi xususiy tasodiflarni bartaraf etish va barqaror o‘zgarishlarni aniqlash uchun ular u yoki bu usullar bilan taqqoslanadi. Taqqoslangan qatorlarni haqiqiy qatorlar bilan taqqoslash, ayrim korxonalarni, tarmoq va milliy iqtisodiyotni rivojlantirishning ba’zi muhim xususiyatlarini aniqlash imkonini beradi. Taqqoslangan va haqiqiy qiymat ko‘rsatkichlarining farqi, taqqoslangan qatorlar joylashgan va kelajak rivojlanish ko‘rsatkichlari qatorlari joylashishi mumkin bo‘lgan chegaralarni aniqlash imkonini beradi.
Ko‘pgina iqtisodiy tadqiqotlarda, ayniqsa vaqtli qatorlarni tahlil qilish jarayonida nihoyatda chegaralanib tanlash bo‘yicha aniqliklarni qayta ishlashga to‘g‘ri keladi. Iqtisodiy vaqtli qator farq qiluvchi xususiyatlarini quyidagicha ko‘rsatish mumkin: a) berilgan sharoitda kuzatilayotgan jarayonni qayta kuzatish mumkin emas;
b) odatda kuzatilayotgan qatorlar, kuzatilayotgan tanlanma hajmiga ko‘ra juda chegaralangan bo‘ladi. Ekonometrik model qurishda ikki turdagi ma’lumotlardan foydalanish mumkin:
ma’lum bir vaqtdagi turli xil ob’yektlarni tavsiflovchi ma’lumotlar to’plami;
bitta ob’yektni turli vaqt ketma-ketligida tavsiflovchi ma’lumotlar.
Bu ma’lumotlardan, asosan, kuzatilayotgan jarayon yoki muammoni tahlil qilish hamda uning matematik modelini qurish uchun foydalaniladi. Birinchi turdagi ma’lumotlar bo’yicha qurilgan modellar fazoviy modellar deyiladi. Ikkinchi turdagi ma’lumotlar asosida qurilgan modellar esa vaqt qatorlari modeli deyiladi.
Bir xil vaqt o’tishi bilan yig’iladigan, ro’yxatga olinadigan yoki kuzatiladigan ma’lumotlar ketma-ketligiga vaqt qatori deyiladi.
Sun'iy neyron tarmoqlarining zamonaviy dasturiy vositalari
Ma'lumotlarga asoslangan davrda neyron tarmoqlar biznesni o'zgartiradi, kundalik hayotni ko'taradi va bizni AIning keyingi darajasiga olib chiqadi.
Inson miya hujayralarining funktsional imkoniyatlaridan so'ng, neyron tarmoqlar inson ongi kabi o'rganish, tan olish va bashorat qilish va har bir sohadagi biznes muammolarini hal qilish uchun mashinalarni (masalan, aqlli mobil telefonlar yoki kompyuterlar) o'qitadi va kuchaytiradi.
"Men neyron tarmoqlar oson deb aytmayman. Bu ishlarni amalga oshirish uchun siz mutaxassis bo'lishingiz kerak. Ammo bu tajriba sizga kengroq ilovalar spektrida xizmat qiladi. Qaysidir ma'noda, ilgari xususiyat dizayniga kiritilgan barcha harakatlar endi arxitektura dizayniga va yo'qotish funktsiyasini loyihalash va optimallashtirish sxemasini loyihalashga ketadi. Qo‘l mehnati mavhumlikning yuqori darajasiga ko‘tarildi”. - Stefano Soatto
Ushbu blogda biz neyron tarmoqlarning asosiy jihatlari va bir nechta avtomatlashtirilgan neyron tarmoq dasturlari bo'yicha asosiy muhokamalar haqida gaplashamiz, ular ko'p jihatdan, ayniqsa kundalik hayotda ko'proq qulaylik yaratishga intiladi.
Neyron tarmoqlar asoslari
Xususan, kirish qatlami, chiqish qatlami va ular orasida joylashgan yashirin qatlam, bu qatlamlar tugunlar orqali o'zaro bog'langan va birgalikda tarmoqni loyihalashtiradi - o'zaro bog'langan tugunlarning neyron tarmoqlari tizimini.
Neyron tarmoqlar inson miyasining neyron tarmog'iga o'xshash ishlaydi, bu erda neyron tarmoqlaridagi neyron ma'lum bir arxitektura bo'yicha tushunchalarni to'playdigan va tasniflaydigan matematik funktsiyadir. Neyron tarmoq egri chiziqni o'rnatish va regressiya tahlili kabi statistik ma'lumotlar modellari bilan kuchli yozishmalarni o'z ichiga oladi.
Neyron tarmoqlar o'zaro bog'langan tugunlar tizimi bo'lganligi sababli, bu tugunlar
perseptronlardir va bir nechta chiziqli regressiya modellariga o'xshaydi. Ko'p qatlamli perseptron modelida perseptronlar o'zaro bog'langan qatlamlar orasida tuzilgan,
kirish naqshlarini yig'ish uchun kirish qatlami,
kirish naqshlari bilan xaritalashi mumkin bo'lgan tasniflarni yoki chiqish signallarini saqlash uchun chiqish qatlami.neyron tarmoqlarining minimal chegara xatosini qondirish uchun kirish og'irliklarini nozik sozlash uchun yashirin qatlam.
Eng yaxshi neyron tarmoq dasturlari/dasturiy ta'minoti
Neyron tarmoq dasturiy ta'minoti biologik asab tizimini simulyatsiya qiluvchi sun'iy neyron tarmoq va dasturiy ta'minot tushunchalarini tadqiq qilish, yaratish, taqlid qilish va qo'llash uchun ishlatiladi. Ushbu dasturiy ta'minot ma'lumotlarni qazib olish va prognozlash kabi ANNning amaliy qo'llanilishi uchun mo'ljallangan.
Neyron tarmoq dasturiy ta'minoti bir qator dasturiy ta'minot firmalari - Google Inc., Qualcomm Technologies va Intel Corporation tomonidan ishlab chiqilgan va ishlab chiqilgan. Neyron tarmoqlar dasturiy ta'minoti kengaygan ilovalar doirasi va kuchi tufayli mashhur bo'lib bormoqda.
(Shuningdek o'qing: Neyron tarmoqqa kirish va chuqur o'rganish)
Quyida ba'zi tanlangan neyron tarmoq dasturlari keltirilgan;
Ba'zi neyron tarmoq dasturlarini sanab o'tish, ular; 1. Neyron dizayneri 2. Tflearn 3. NeuroSolution 4. Keras 5. Microsoft Cognitive Toolkit 6. ConvNetJS 7. Torch
Eng yaxshi neyron tarmoq dasturiy ta'minot
Neyron dizayneri
Professional ilovalardan biri bo'lgan neyron dizayneri ko'rinmas naqshlarni, chalkash munosabatlarni aniqlash va neyron tarmoqlardan foydalangan holda ma'lumotlar to'plamidan ma'lum tendentsiyalarni kutish uchun ishlatiladi.
Neyron dizayneri ma'lumotlarni qazib olish uchun eng ko'p qo'llaniladigan ish stoli ilovalaridan biriga aylandi, asosan neyron dizayneri neyron tarmoqlardan inson miyasining funksionalligini taqlid qiluvchi matematik modellar sifatida ishlatadi. U markaziy asab tizimi sifatida ishlaydigan etarli hisoblash modellarini ishlab chiqadi.
Neural Designer - bu ma'lumotlar fanlari va mashinalarni o'rganish uchun kodsiz ilova bo'lib, u sizga sun'iy intellektga asoslangan ilovalarni osongina yaratish imkonini beradi.- Neyron Designer
Tflearn
TensorFlow orqali ishlab chiqilgan chuqur o'rganish kutubxonasi, Tflearn modulli va shaffof kutubxona bo'lib, loyihalash jarayonida TensorFlow-ga yuqori darajadagi API taqdim etishga qaratilgan. U faol tajribalarni qo'llab-quvvatlaydi va TensorFlow bilan to'liq shaffoflik va moslikni saqlaydi. Joriy API bir nechta chuqur oʻrganish modellarini qoʻllab-quvvatlaydi, jumladan LSTM, PReLU, Generativ tarmoqlar va boshqalar. TensorFlow haqida havola orqali batafsil maʼlumot oling.
Tflearn quyidagi xususiyatga ega;
Har xil CPU/GPU-dan foydalanish uchun silliq qurilma-o'rnatish
Og'irlik, gradientlar, faollashtirishlar va boshqa ko'p narsalarni batafsil tavsiflovchi aniq va jozibali grafik vizualizatsiya.
TensorFlow grafiklarini ko'plab kirishlar, chiqishlar va optimallashtiruvchilar orqali o'rgatish uchun etarli darajada qo'llab-quvvatlovchi funktsiyalar.
Namunaviy qo'llanmalar bilan chuqur neyron tarmoqlarni tushunish va amalga oshirish oson bo'lgan yuqori darajadagi API.
Modulli o'rnatilgan neyron tarmoqlari qatlamlari, muntazamlashtiruvchilar, optimallashtiruvchilar, ko'rsatkichlar va boshqalar bilan tez va samarali prototiplash.
TensorFlow uchun aniq shaffoflik, masalan, har bir funktsiya tensorlar orqali ishlab chiqilgan va Tflearn-dan mustaqil ravishda joylashtirilishi mumkin.
NeuroSolution
NeuroSolution - bu konjugat gradientlari, Levenberg Markvardt, Orqaga tarqalish vaqti va boshqalar kabi ilg'or AI va mashinani o'rganish algoritmlaridan foydalanadigan modulli, piktogramma asosidagi tarmoq dizayn interfeysini birlashtirgan neyron tarmoq dasturiy ta'minotini ishlab chiqish muhiti.
Neyron tarmoq dasturiy ta'minoti sifatida NeuroSolution mahsulotlari ilg'or qayta ishlash texnikasi, avtomatlashtirilgan neyron tarmoqlar topologiyasini zamonaviy taqsimlangan hisoblash orqali izlash orqali muhim prognozli modellarni yaratish uchun ma'lumotlarni qayta ishlash uchun keng qo'llaniladi.
NeuroSolutions oson Excel interfeyslari yoki intuitiv sehrgarlardan foydalangan holda ilg'or o'rganish protseduralari bilan ishlaydi. Bundan tashqari, dasturiy ta'minot avtomatlashtirilgan neyron tarmoq modellarini yaratish uchun qo'shimcha sehrgarlarni beradi, jumladan Data Manager, Neyron Building va Neyron Expert.
Keras
Chuqur o'rganishda Keras yuqori darajadagi neyron tarmoq kutubxonasi Python-da TensorFlow va Theano uchun minimal funksiyalarga ega va ushbu ilovalar ustida ishlashi mumkin. Keras - bu foydalanish uchun qulay doimiy API-larni taqdim etish orqali kognitiv ishlov berishni kamaytirish uchun eng yaxshi amaliyotlarga amal qiladigan API bo'lib, u vazifani bajarish uchun zarur bo'lgan foydalanuvchi harakatlari sonini kamaytiradi. Ushbu qo'llanmadan Keras haqida ko'proq bilib oling.
Amalda, Keras aniq va harakatga keltirilishi mumkin bo'lgan xatolarni aniqlashni taklif qiladi, shuningdek, keng qamrovli hujjatlar va ishlab chiquvchi uchun qo'llanma beradi. Faol ishtirok bilan u g'oyadan natijaga kechiktirmasdan o'tadi.
Chuqur o'rganish kutubxonasi sifatida dasturiy ta'minot modullilik va moslashuvchanlik orqali tez va markazlashtirilgan prototip yaratish imkonini beradi. Bundan tashqari, Keras konvolyutsion neyron tarmoqlarini (CNN), takroriy neyron tarmoqlarni (RNN) va ikkalasining kombinatsiyasini qo'llab-quvvatlaydi. Keras uchun standart kutubxona TensorFlow bo'lib, hatto oddiy API bilan ham Keras modellarini disk raskadrovka qilish Python-da yaratilganligi sababli osonroq bo'ladi.
Microsoft kognitiv asboblar to'plami
Microsoft kognitiv asboblar to'plami yoki CNTK chuqur o'rganish tizimlari uchun ochiq manbali vositalar to'plamidir. CNTK foydalanuvchilarga katta hajmdagi ma'lumotlar to'plamidan ma'lumot olish imkonini beruvchi tezlik va aniqlik bilan katta hajmli potentsial beradi.
CNTK neyron tarmoqlarni yo'naltirilgan grafik orqali hisoblash jarayoni shaklida tushuntiradi, bu erda tarmoq grafigining barg tugunlari kirish qiymatlari yoki tarmoq atributlarini tasvirlashi mumkin. Bu foydalanuvchilarga DNN, CNN, RNN yoki LSTM kabi mashhur model turlarini ulash imkonini beradi. .
Umuman olganda, asboblar to'plamida turli grafik protsessorlar va serverlar orqali avtomatik farqlash va parallellashtirish bilan stoxastik gradientni o'rganish qo'llaniladi. Skype, Cortana, Bing va boshqalar kabi baʼzi Microsoft mahsulotlari ushbu asboblar toʻplamidan korporativ darajadagi AIga asoslangan mahsulotlarni yaratish uchun foydalanadi.
Sun’iy neyron tarmoqlari modellari
Sun'iy neyron tarmoqlari (ANNlar), odatda oddiy deb nomlanadi asab tarmoqlari (NNlar), hisoblash tizimlari tomonidan noaniq ravishda ilhomlangan biologik neyron tarmoqlari hayvonlarni tashkil qiladi miyalar.
ANN bog'langan birliklar yoki tugunlar to'plamiga asoslangan sun'iy neyronlar, bu erkin tarzda modellashtirilgan neyronlar biologik miyada. Kabi har bir ulanish sinapslar biologik miyada signalni boshqa neyronlarga etkazishi mumkin. Signalni qabul qiladigan sun'iy neyron keyinchalik uni qayta ishlaydi va unga bog'langan neyronlarga signal berishi mumkin. Ulanishdagi "signal" a haqiqiy raqam, va har bir neyronning chiqishi uning kirishlari yig'indisining ba'zi bir chiziqli bo'lmagan funktsiyalari bilan hisoblanadi. Ulanishlar deyiladi qirralar. Neyronlar va qirralar odatda a ga ega vazn bu o'rganishni davom ettirishga moslashtiradigan narsa. Og'irligi ulanish paytida signal kuchini oshiradi yoki kamaytiradi. Neyronlarning chegarasi bo'lishi mumkin, shunda signal faqat yig'ilgan signal ushbu chegarani kesib o'tgan taqdirdagina yuboriladi. Odatda neyronlar qatlamlarga birlashtiriladi. Turli qatlamlar o'zlarining kirishlarida turli xil o'zgarishlarni amalga oshirishi mumkin. Signallar birinchi qatlamdan (kirish qatlami), oxirgi qatlamga (chiqish qatlami), ehtimol qatlamlarni bir necha marta bosib o'tgandan keyin o'tadi.
Entsiklopediya site:uz.wikisko.ru Neyron tarmoqlari misollarni qayta ishlash orqali o'rganadi (yoki o'qitiladi), ularning har biri ma'lum bo'lgan "kirish" va "natija" ni o'z ichiga oladi, bu ikkalasi o'rtasida aniqlik tarkibidagi ma'lumotlar assotsiatsiyasini shakllantiradi. Nerv tarmog'ini keltirilgan misoldan o'rgatish odatda tarmoqning qayta ishlangan chiqishi (ko'pincha bashorat qilish) va maqsadli chiqish o'rtasidagi farqni aniqlash orqali amalga oshiriladi. Bu xato. Keyin tarmoq o'z qoidalariga binoan va ushbu xatolik qiymatidan foydalangan holda o'z vaznli assotsiatsiyalarini sozlaydi. Ketma-ket tuzatishlar neyron tarmoqni maqsadli chiqishga tobora ko'proq o'xshash ishlab chiqarishni keltirib chiqaradi. Ushbu tuzatishlarning etarli sonidan so'ng ma'lum mezonlarga asoslanib, mashg'ulot tugatilishi mumkin. Bu sifatida tanilgan nazorat ostida o'rganish.
Bunday tizimlar, misollarni ko'rib chiqish orqali vazifalarni bajarishni "o'rganadilar", odatda vazifalarga xos qoidalar bilan dasturlashtirilmasdan. Masalan, ichida tasvirni aniqlash, ular qo'lda qilingan misollarni tahlil qilish orqali mushuklarni o'z ichiga olgan rasmlarni aniqlashni o'rganishlari mumkin belgilangan "mushuk" yoki "mushuk yo'q" sifatida va boshqa rasmlarda mushuklarni aniqlash uchun natijalardan foydalanish. Ular buni mushuklar haqida oldindan bilmasdan qilishadi, masalan, ularning mo'ynasi, dumlari, mo'ylovi va mushukka o'xshash yuzlari. Buning o'rniga, ular avtomatik ravishda ishlov beradigan misollardan aniqlovchi xususiyatlarni yaratadilar.Entsiklopediya site:uz.wikisko.ru Uorren Makkullox va Valter Pitts (1943) neyron tarmoqlar uchun hisoblash modelini yaratish orqali mavzuni ochdi.1940-yillarning oxirida, D. O. Hebb mexanizmiga asoslangan o'quv gipotezasini yaratdi asab plastisiyasi deb tanilgan Xebbiylarni o'rganish. Farley va Uesli A. Klark (1954) birinchi bo'lib Hebbian tarmog'ini simulyatsiya qilish uchun "kalkulyator" deb nomlangan hisoblash mashinalaridan foydalangan. Rozenblatt (1958) yaratgan pertseptron. Ko'p qatlamli birinchi funktsional tarmoqlar tomonidan nashr etilgan Ivaxnenko va 1965 yilda Lapa, sifatida Ma'lumotlar bilan ishlashning guruh usuli. Uzluksiz orqaga surish asoslari kontekstida olingan boshqaruv nazariyasi tomonidan Kelley 1960 yilda va tomonidan Bryson 1961 yilda, ning tamoyillaridan foydalangan holda dinamik dasturlash.
1970 yilda, Seppo Linnainmaa uchun umumiy uslubni nashr etdi avtomatik farqlash (AD) joylashtirilgan diskret ulangan tarmoqlar farqlanadigan funktsiyalari. 1973 yilda Dreyfus moslashish uchun backpropagation-dan foydalangan parametrlar xato gradyanlariga mutanosib ravishda tekshirgichlar. Werbosning (1975) orqaga targ'ib qilish algoritm ko'p qatlamli tarmoqlarni amaliy o'qitishga imkon berdi. 1982 yilda u Linnainmaaning AD usulini neyron tarmoqlarga keng qo'llaniladigan usulda qo'llagan. Keyinchalik tadqiqotlar to'xtab qoldi Minskiy va Papert (1969), asosiy pertseptronlar eksklyuziv yoki elektronni qayta ishlashga qodir emasligini va kompyuterlarning foydali neyron tarmoqlarini qayta ishlash uchun etarli kuchga ega emasligini aniqladi.
Neyroning rivojlanishi metall-oksid-yarim o'tkazgich (MOS) juda keng ko'lamli integratsiya (VLSI), shaklida qo'shimcha MOS (CMOS) texnologiyasi, MOS-ni oshirishga imkon berdi tranzistorlar soni yilda raqamli elektronika.Bu 1980-yillarda amaliy sun'iy neyron tarmoqlarini rivojlantirish uchun ko'proq ishlov berish quvvatini ta'minladi.
1992 yilda, maksimal pul yig'ish eng kam o'zgaruvchan invariantlik va yordam berish uchun deformatsiyaga bardoshlik bilan yordam berish uchun kiritilgan Ob'ektni 3D tanib olish. Shmidhuber tarmoqlarning ko'p bosqichli iyerarxiyasini qabul qildi (1992) birma-bir darajani oldindan tayyorlab qo'ydi nazoratsiz o'rganish va yaxshi sozlangan orqaga targ'ib qilish.
Jefri Xinton va boshq. (2006) ikkilik yoki real qiymatlarning ketma-ket qatlamlari yordamida yuqori darajadagi vakillikni o'rganishni taklif qildi yashirin o'zgaruvchilar bilan cheklangan Boltzmann mashinasi har bir qatlamni modellashtirish uchun. 2012 yilda, Ng va Dekan mushuklar kabi yuqori darajadagi tushunchalarni faqat yorliqsiz tasvirlarni tomosha qilish orqali tanib olishni o'rgangan tarmoq yaratdi.Nazorat qilinmagan oldindan tayyorgarlik va hisoblash quvvatining ortishi Grafik protsessorlar va tarqatilgan hisoblash katta tarmoqlardan foydalanishga ruxsat berdi, ayniqsa tasvir va vizual tanib olish muammolarida "chuqur o'rganish".
|
| |
