1-ma’ruza. Timsollarni tanib olishning asosiy tushunchalari va rivojlanish bosqichlari Reja

1. Ajratish usulini qo’llashga asoslangan modellar (R- modellar).
Bu modellar 
timsollarni turli sinflarga ajratishda timsollar orasidagi va sinflar orasidagi masofalarni 
hisoblashga asoslanadi [20, 23, 35, 42]. TTOning ko’plab masalalarida timsollarning 
xususiyatlari sonli qiymatlarda beriladi va bu timsollar Yevklid fazosida 
n
o’lchamli 
nuqta ko’rinishda tasvirlanadi. Bunday nuqtalar (timsollar) O’Tdagi sinflarga chiziqli, 
bo’lakli-chiziqli gipertekisliklar yoki gipersirtlar bilan ajratiladi, masalan




n
i
i
i
x
a
a
S
R
1
0
)
(
(1.1) 
Bu modellarning samarali qo’llanilishi ikki omilga, ya’ni 
)
(
S
R
funksiyaning 
ko’rinishi va uning koeffisiyentlarini aniqlashning amaliy imkoniyatlariga bog’liq. 
)
(
S
R
funksiyaning ko’rinishiga qarab turli gipersirtlarga ega bo’lamiz. TTO 
masalalarida timsollarni sinflarga chiziqli yoki bo’lakli-chiziqli gipertekisliklar 
yordamida ajratish keng qo’llaniladigan yondashuv hisoblanadi. Bunday modellarning 
funksional sifati TTOning xatoligi bilan belgilanadi.
Ba’zi adabiy manbalarda (1.1) ning turli umumlashgan ko’rinishlari, masalan 
[20] ishda 
)
(
S
R
funksiyaning umumlashgan modeli qaraladi

---

10 




n
i
i
i
i
x
f
a
a
S
R
1
0
)
(
)
(
, 
bunda 
)
(
i
i
x
f
- timsoldagi xususiyatlar vektorining haqiqiy bir qiymatli funksiyalari. 
Chiziqli modellarning afzalliklari:
 
tez ishlashi; hosil qilishning oddiyligi; talqin 
qilishning tushunarliligi va osonligi; keng miqyosda qo’llanishi va joriy etilganligi; 
xususiyatlarning koeffisiyentlarini o’zgartirish mumkinligi; hosil qilingan 
koeffisiyentlarning natijaga qanday ta’sir qilishini baholash asosida qo’shimcha 
foydali xulosalar chiqarish mumkinligi; katta hajmdagi haqiqiy jarayonlarni yetarli 
darajadagi aniqlikda tavsiflash va ishlash mumkinligi; ma’lumotlar soni ko’p 
bo’lmaganda va uncha murakkab bo’lmagan bog’liqlar uchun qulayligi.
Chiziqli modellarning kamchiliklari:
 
natijalarning xususiyatlardan bog’liqligi 
murakkab va nochiziqli bo’lgan masalalarda yaxshi ishlamasligi; funksional 
bog’liqlikni aniqlashning murakkabligi; koeffisiyentlar bog’liqligini topishning 
qiyinligi; chiziqli bo’lmagan jarayonlarni modellashtirish imkoniyatining mavjud 
emasligi; identifikasiyalashning qiyinligi va ko’p resur talab qilishi.
Umumlashgan R-modellarning bir turi - bu sun’iy neyron tarmoq(SNT)lar 
hisoblanadi. SNTlarni TTOga o’qitishda: O’Tdan joriy timsol olinadi va uning 
kiruvchi parametrlari SNTlarning kiruvchi sinapslariga uzatiladi; SNT berilgan 
sondagi taktlarning bajarilishini amalga oshiradi va kiruvchi signallarning vektori 
neyronlar o’rtasidagi bog’lanishlar bo’yicha tarqaladi (to’g’ri ishlash amalga 
oshiriladi); neyronlar yordamida hosil qilingan chiquvchi signallar o’lchanadi; hosil 
qilingan signallarni izohlash amalga oshiriladi va SNT yordamida timsolda mavjud 
bo’lgan javobning talab etilayotgan javob bilan farqli tomonlarini xarakterlaydigan 
baho hisoblanadi; baholar tekshiriladi - agar baho qancha kichik bo’lsa, u holda SNT 
yordamida olingan javob talab qilingan javobga shuncha yaqin bo’ladi, agarda baho 
nolga teng bo’lsa, u holda oldindan ma’lum bo’lgan javobga erishildi deb hisoblanadi 
va hyech qanday ish amalga oshirilmaydi; agar timsol bahosi nolga teng bo’lmasa, 
baholar asosida aloqalar matrisasining har bir sinaptikli vazni uchun tuzatish 
koeffisiyentlari hisoblanadi, undan keyin esa sinaptikli vaznlarni moslashtirish amalga 
oshiriladi (teskari ishlash amalga oshiriladi) [43- 45]. 
Hozirgi vaqtda SNT yo’nalishlardagi tadqiqotlarning maqsadi - bu shunday 
sun’iy intellekt tizimlari yaratishga yo’naltirilgan bo’lib, ular xuddi insonga o’xshab 
o’qitish qobiliyatiga ega bo’lishi, o’qitishda tashqi olam parametrlari va simvolli 
tushunchalar hamda tushunchalar iyerarxiyasi o’rtasidagi assosiativli aloqalarni 
yaratishi, assosiativli izlash va mantiqiy xulosalashni birgalikda qo’llab masalalarni 
yechishni amalga oshirishi kerak.