Nerv faoliyatining biologik jihatlari

Korxonaning defolt holatga tushib qolish ehtimolligi. Sigmasimon neyron yordamida korxonaning ma’lum vaqt oralig’ida defolt ehtimolini bashorat qilish masalasini qaraylik. Faraz qilaylik, neyronning kirishi korxonaga oid ba’zi ma’lumotlarni o’z ichiga olgan vektor bo’lsin, masalan: naqd pul zaxiralari, daromadlar, xarajatlar, mehnat xarajatlari va boshqalar. O’rgatuvchi to’plam ta juftligi, kirishlari va iborat bo’lsin. qiymati -korxonaning davrida defolt bo’lgan bildiradi; qiymat -chi korxona davomida defolt bo’lmaganligini bildiradi. o’lchovlari empirik ravishda tasodifiy o’zgaruvchilar juftligini ifodalaydi, bu yerda qiymati qiymatlar oladi va -o’lchovli tasodifiy vektordir.

8. 
   Gradient tushish usuli bilan parametrlarni sozlash:
   

Optimal og'irlik uchun bu holda yopiq shakldagi yechim yo'q. Gradient pasayish usulidan foydalanib, qiymatini ketma-ketligi bilan yaqinlashtiramiz. Oldingi o'zaro entropiya xatoligining
gradienti quyidagicha hisoblanadi.

9. 
   Kvadratli baholash funksiyasi (cost function) bilan o’rgatish:
   

10. 
    Chiziqli neyron modeli:
    

Chiziqli neyron chiziqli faollashtirish funktsiyasiga ega neyron va tasodifiy kirishlar. Uning o’rganish algoritmi eng kam o’rtacha kvadratchalar narxidan foydalanadi funktsiyasi.
U aslida Widrow va Hoff tomonidan jismoniy qurilma sifatida amalga oshirilgan. U naqshlarni tanib olish, ma’lumotlarni filtrlash va, albatta, chiziqli funktsiyalarni taxmin qilish uchun ishlatilishi mumkin.

11. 
    Sun’iy neyronning matematik modeli:
    

sun'iy neyron - har qanday sun'iy neyron tarmoqning tashkil qiluvchi tuguni bo’lib, biologik neyronning
ancha soddalashtirilgan modelidir. Biologik neyron tarmog'ida sodir bo'layotgan jarayonlarni yaxshiroq tushunish uchun McCulloch va Pitts 1949 yilda neyronning matematik modelini ishlab chiqishgan va u hozir ham qo'llanilmoqda. Matematika jihatidan, sun'iy neyron odatda barcha kirish signallarining chiziqli kombinatsiyasi asosidagi bitta argumentning chiziqsiz funktsiyasi sifatida ifodalanadi. Bu funksiya faollashish funktsiyasi, otish funktsiyasi yoki neyronning uzatish funktsiyasi deb
ataladi. Olingan natija neyronning yagona chiqishiga Y yuboriladi.

12.Tayanch vektorlar mashinasi:

Mashinali o’rgatish usullarida o'rgatish jarayonida ko'pincha ma'lumotlar sonini qo'shish orqali xatolik funktsiyasini sezilarli darajada kamaytirish mumkin. Bu haddan tashqari o’rgatish deb ataladigan holatga olib keladi. Haddan tashqari o’rgatish - bu SNT yoki boshqa mashinalar juda ko'p ma'lumotlar bilan o'qitilgan va empirik xavfni kamaytirish uchun juda murakkab funktsiya tanlangan (barcha o'quv
juftliklari bo'yicha hisoblangan taxminiy va kerakli natija o'rtasidagi yo'qotish vositalari)
{x y, }Natijada, ko'pincha o'quv bosqichida juda yaxshi natijaga erishiladi, lekin mashina tomonidan sinov bosqichida yomon bahoga erishiladi. Bu holat SNTlarda kuzatiladigan hodisalardan
biridir. Haddan tashqari moslashish muammosini hal qilishning eng oddiy usullaridan biri ma'lumotlarni tushuntirish uchun ishlatiladigan modelning murakkabligini kamaytirishdir

12. 
    Tayanch vektorlar klassifikatori, chiziqli ajraluvchi holat (qat’iy chegara):
    

13. 
    Chiziqli ajralmaydigan holat (yumshoq chegara):Har doim ma'lumotlar to’plamidagi bir nechta xususiyatlarning o'xshashligi tufayli ma'lumotlarni chiziqli ravishda ajratib bo'lmaydigan holatlar mavjud. Biroq, chiziqli SVM muammoning yaxshi yechimini ta'minlay oladi, agar jarima funktsiyasi har bir sinfning noto'g'ri tasniflangan ma'lumotlari o'rtasidagi (i) masofasini o'sha sinf chegarasidan o'lchash va aniqlash va minimallashtirilgan mumkin bo'lgan holatlarda (1.3-rasmga qarang). Bunday hollarda jarima funktsiyasini quyidagicha aniqlash mumkin:
    

14. 
    Nochiziyli holat (yadro mashinasi):
    

15. 
    Tayanch vektorlar regressiyasi:
    

17.Nochiziqli tayanch vektorli regressiya usuli:

18 .Rekurrent neuron to’rlari.

19. Klassterlash. KNN algoritmi: