1-Maruza. Sun’iy neyron to’rlari va modeli Reja: Nerv faoliyatining biologik jihatlari va Nerv kletkalarining strukturasi

---

1-Maruza.Sun’iy neyron to’rlari va modeli 
Reja: 
1. Nerv faoliyatining biologik jihatlari va Nerv kletkalarining strukturasi. 
2. Dentrit, som, akson, sinaps,markaziy nerv tizimi. 
3. Sun’iy neyronning matematik modeli. 
4. Faollashtirish funksiyalari.
5.Bir qatlamli sun’iy neyron to’rlari va ko’p qatlamli sun’iy neyron to’rlari. 
 
 
Tayanch so’z va iboralar: 
Nerv faoliyatining biologik jihatlari,Nerv 
kletkalarining strukturasi, dentrit, som, akson, sinaps,markaziy nerv tizimi, Sun’iy 
neyron, matematik model, Faollashtirish funksiyalari,Bir qatlamli sun’iy neyron to’rlari,a 
ko’p qatlamli sun’iy neyron to’rlari. 
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.[1] 
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'tad 
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. 
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
[6]
 (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,
[15]
 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. 
Ning 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.
[21]
 
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.
[27]
 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". 
Ciresan va uning hamkasblari (2010) Yo'qolib borayotgan gradient muammosiga 
qaramay, GPUlar ko'p qatlamli neyron tarmoqlari uchun backpropagatsiyani amalga 
oshirishi mumkinligini ko'rsatdi.
[30]
 2009 yildan 2012 yilgacha ANNlar ANN 
musobaqalarida sovrinlarni qo'lga kirita boshladilar, dastlab turli darajadagi vazifalar 
bo'yicha 
inson 
darajasidagi 
ko'rsatkichlarga 
yaqinlashdilar. naqshni 
aniqlash va mashinada o'rganish.
[31][32]
 Masalan, ikki yo'nalishli va ko'p o'lchovli uzoq 
muddatli xotira (LSTM)
[33][34][35][36]
 ning Qabrlar va boshq. 2009 yilda qo'l yozuvi bilan 
bog'liq uchta tanlovda g'olib bo'lib, uchta til haqida oldindan bilmagan holda.
[35][34]
 
Ciresan va uning hamkasblari inson tomonidan raqobatbardosh g'ayriinsoniy 
ko'rsatkichlarga erishish uchun birinchi namuna taniydiganlarni yaratdilar yo'l belgilarini 
aniqlash kabi mezonlarga (IJCNN 2012). 
ANNlar an'anaviy algoritmlar kam muvaffaqiyatga erishgan vazifalarni bajarish uchun 
inson miyasining arxitekturasidan foydalanishga urinish sifatida boshlandi. Tez orada ular 
empirik natijalarni yaxshilashga yo'naldilar, asosan biologik kashshoflariga sodiq qolish 
urinishlaridan voz kechdilar. Neyronlarning chiqishi boshqalarning kirish qismiga 
aylanishiga imkon berish uchun neyronlar bir-biriga turli xil naqshlarda bog'langan. 
Tarmoq a yo'naltirilgan, vaznli grafik.
[38]
 
Sun'iy asab tarmog'i simulyatsiya qilingan neyronlarning to'plamidan iborat. Har 
bir neyron a tugun orqali boshqa tugunlarga ulangan havolalar biologik akson-sinaps-

---

dendrit birikmalariga mos keladigan. Har bir bog'lanishning og'irligi bor, bu bitta 
tugunning boshqasiga ta'sir kuchini aniqlaydi.
[39]
 
ANNlarning tarkibiy qismlari 
Neyronlar 
ANNlar 
tarkib 
topgan sun'iy 
neyronlar kontseptual 
ravishda 
biologik 
olingan neyronlar. Har bir sun'iy neyronning kirishlari mavjud va ular bir nechta boshqa 
neyronlarga yuborilishi mumkin bo'lgan bitta ishlab chiqarishni ishlab chiqaradi. Kirish 
rasmlar yoki hujjatlar kabi tashqi ma'lumotlar namunasining xususiyat qiymatlari yoki 
boshqa neyronlarning chiqishi bo'lishi mumkin. Final natijalari