1. Sun’iy intelekt texnologiyalari

13.Xopfild neyron toʻrlari.
Doktor Jon J. Xopfild tomonidan ixtiro qilingan Xopfild neyron tarmoqlari "n" to'liq
bog'langan takrorlanuvchi neyronlarning bir qatlamidan iborat. U odatda avtomatik
assotsiatsiya va optimallashtirish vazifalarini bajarishda ishlatiladi. U birlashtiruvchi
interaktiv jarayon yordamida hisoblab chiqiladi va u bizning oddiy neyron tarmoqlarimizdan
farqli javob hosil qiladi. Diskret Xopfild tarmog'i: Bu to'liq o'zaro bog'langan neyron tarmoq
bo'lib, unda har bir birlik boshqa har bir blokga ulanadi. U diskret tarzda harakat qiladi, ya'ni
odatda ikkita turdagi cheklangan aniq natijalarni beradi: Ikkilik (0/1) Bipolyar (-1/1) Ushbu
tarmoq bilan bog'liq og'irliklar tabiatan nosimmetrikdir va quyidagi xususiyatlarga ega. 1-qadam - naqshlarni saqlash uchun og'irliklarni (wij) ishga tushiring (o'qitish algoritmidan foydalangan holda).
2-qadam - Har bir kirish vektori uchun 3-7-bosqichlarni bajaring.
3-qadam - Tarmoqning boshlang'ich aktivatorlarinitashqi kirish vektori x ga tenglashtiring.
y_i = x_i : (\ i = 1\ dan\ n gacha)
4-qadam - Har bir vektor yi uchun 5-7-bosqichlarni bajaring.
5-qadam - Quyida berilgan tenglamadan foydalanib, tarmoqning umumiy kiritishini hisoblang.
y_{in_{i}} = x_i + \sum_{j} [y_jw_{ji}]
6-qadam - Quyida berilgantenglama bo'yicha chiqishni hisoblash uchun jami kirish ustidan
faollashtirishni qo'llang:
y_i = \begin{cases} & 1 \text{ if } y_{in}>\theta_i \\ & y_i \text{ if } y_{in}=\theta_i \\ &
0 \text{ if }
y_{in} <\theta_i \end{holatlar} (bu erda thi (eshik) va odatda 0 sifatida qabul qilinadi)
7-qadam - Endi olingan yi ni boshqa barcha birliklarga qaytaring. Shunday qilib, faollashtirish
vektorlari yangilanadi.
8-qadam - tarmoqni konvergentsiya uchun sinab ko'ring.
14.Koxonen oʻzini oʻzi tashkil etuvchi neyron toʻrlar.
Self Organizing Map (yoki Kohonen Map yoki SOM) sun'iy neyron tarmog'ining bir turi bo'lib, u 1970-yillardagi neyron tizimlarning biologik modellaridan ham ilhomlangan. U nazoratsiz ta'lim yondashuviga amal qiladi va o'z tarmog'ini raqobatbardosh o'rganish algoritmi orqali o'qitadi. SOM ko'p o'lchovli ma'lumotlarni pastki o'lchamli ma'lumotlarga joylashtirish uchun klasterlash va xaritalash (yoki o'lchamlarni kamaytirish) usullari uchun ishlatiladi, bu esa odamlarga oson talqin qilish uchun murakkab muammolarni kamaytirishga imkon beradi. SOM ikkita qatlamga ega, biri Kirish qatlami, ikkinchisi esa Chiqish qatlami. 
Trening uchun algoritm