Axborot texnologiyalari, tarmoqlar va telekommunikatsiyalar

CHUQUR O‘QITISH TURLARI VA ULARNING ZAMONAVIY 
HAYOTDAGI TADBIQI 
Xo‘jayev Otabek Kadamboyevich
1
, Babajanov Boburbek Farhodovich
2
, Karimov 
Doston Alisher o‘g‘li
2
 
1
TATU Urganch filiali Axborot texnologiyalari kafedrasi mudiri 
[e-mail]
 
2
TATU Urganch filiali 3-bosqich talabasi 
 
Annotatsiya. Ushbu maqolada Mashinali o‘qitishning bir bo‘limi hisoblangan 
Chuqur o‘qitish tizimining ahamiyati, tarixi va uning algortimlari va shu bilan 
birga uning qaysi sohalarda keng qo‘llanilishi keltirilgan. 
Abstract. This article describes the importance, history and algorithms of the 
system of in-depth training, which is a part of machine learning, as well as in what 
areas it is widely used. 
Kalit so‘zlar. Mashinali o‘qitish, Chuqur o‘qitish, neyron tarmoqlari, Frank 
Rosenblatt, CNN, LSTM, RNN, RBFN, MP. 
Key words. Machine learning, Deep learning, neural networks, Frank 
Rosenblatt, CNN, LSTM, RNN, RBFN, MP. 
 
Chuqur o‘qitish 
(Deep learning) sun’iy neyron tarmoqlarga asoslangan 
mashinani o‘qitish usullarining kengroq oilasining bir qismidir. 
Chuqur o‘qitishda kompyuter modelida to‘g‘ridan-to‘g‘ri tasvirlar, matn 
yoki tovushdan tasniflash vazifalarini bajarishni o‘rganadi[5]. Chuqur o‘qitish 
modellari eng zamonaviy aniqlikka erishishi mumkin, ba’zan esa inson darajasidan 
oshib ketadi. Modellar etiketli ma’lumotlarning katta to‘plami va ko‘plab 
qatlamlarni o‘z ichiga olgan neyron tarmoq arxitekturasi yordamida o‘qitiladi. 
Ba’zi manbaalar ta’kidlashicha, Frank Rosenblatt bugungi kundagi chuqur 
o‘qitish tizimlarining barcha asosiy tarkibiy qismlarini ishlab chiqqan va 
o‘rgangan[7]. U buni 1962 yilda Kornell universiteti tomonidan nashr etilgan 
"Neyrodinamika tamoyillari: Perseptronlar va miya mexanizmlari nazariyasi" 
kitobida tasvirlab bergan[2]. 
Chuqur o‘qitish dasturlari avtomatlashtirilgan haydashdan tortib tibbiy 
asboblargacha bo‘lgan sohalarda qo‘llaniladi. 
Avtomatlashtirilgan haydash: Avtomobil tadqiqotchilari to‘xtash belgilari va 
svetoforlar kabi oyektlarni avtomatik ravishda aniqlash uchun chuqur 
o‘qitishdan foydalanmoqda. 
Aerokosmik va mudofaa: Chuqur o‘qitish yo‘ldoshlardan qiziqish joylarini 
aniqlaydigan obyektlarni aniqlash va qo‘shinlar uchun xavfsiz yoki xavfli 
zonalarni aniqlash uchun ishlatiladi. 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
386 
Tibbiy tadqiqotlar: Saraton tadqiqotchilari saraton hujayralarini avtomatik 
ravishda aniqlash uchun chuqur o‘qitishdan foydalanmoqda. UCLAdagi 
jamoalar saraton hujayralarini aniq aniqlash uchun chuqur o‘qitish dasturini 
o‘rgatish uchun ishlatiladigan yuqori o‘lchamli ma’lumotlar to‘plamini 
beradigan ilg‘or mikroskopni yaratdilar[4]. 
Chuqur o‘qitishning quyidagicha algortimlari mavjud: 
1.
Konvolyutsion neyron tarmog‘i (Convolutional Neural Network) 
2.
Uzoq qisqa muddatli xotira tarmoqlari (Long Short Term Memory Networks) 
3.
Takrorlanuvchi neyron tarmoqlar (Recurrent Neural Networks) 
4.
Radial asosli funksiya tarmoqlari (Radial Basis Function Networks) 
5.
Ko‘p qatlamli perseptronlar (Multilayer Perceptrons) 
Konvolyutsion neyron tarmog‘i (CNN)
. 
Yann LeKun 1988 yilda birinchi 
CNNni ishlab chiqdi va uni LeNet deb nomladi. Keyin u birinchi navbatda pochta 
indekslari va raqamlar kabi belgilarni tanib olish uchun ishlatilgan[3]. 
Hozirda ConvNets deb nomlanuvchi CNN-lar bir nechta qatlamli tuzilmalardan 
iborat bo‘lib, asosan tasvirni qayta ishlash va obyektlarni aniqlash uchun 
ishlatiladi. 
CNN o‘zining murakkabligi bilan 
shug‘ullanish va konvolyutsiya 
operatsiyasini bajarish uchun bir nechta filtrlarga ega bo‘lgan konvolyutsiya 
qatlamiga ega. 
CNN shuningdek, elementlar ustida operatsiyalarni bajarish va rektifikatsiya 
qilingan xususiyatlar xaritasini chiqish sifatida taqdim etish uchun Rectified 
Lineer Unit (ReLU) qatlamiga ega. 
Uzoq qisqa muddatli xotira tarmoqlari (LSTM). LSTMlar uzoq muddatli 
ma’lumotlarni o‘rganish va eslab qolishga ixtisoslashgan RNNning kichik 
to‘plamidir. Odatiy bo‘lib, LSTMlar o‘tmishdagi ma’lumotlarni uzoq vaqt 
davomida eslab qolishlari kerak. 
LSTM -lar zanjirga o‘xshash tuzilishga ega bo‘lib, unda 4 ta noyob qatlamlar 
yig‘iladi. 
LSTMlar odatda vaqt seriyasini bashorat qilish, nutq 
sintezi, 
tilni 
modellashtirish va tarjima qilish, musiqa kompozitsiyasi va farmatsevtikani 
rivojlantirish uchun ishlatiladi[2]. 
Takrorlanuvchi neyron tarmoqlar (RNN). Bu sun’iy neyron tarmoqlar 
sinfidir, bu yerda tugunlar orasidagi ulanishlar vaqtinchalik ketma-ketlik bo‘ylab 
yo‘naltirilgan grafikni tashkil qiladi. Bu unga vaqtinchalik dinamik xatti-harakatni 
ko‘rsatishga imkon beradi[7]. Ushbu dinamik xatti-harakat tufayli LSTM-larning 
chiqishi bu erda kirish sifatida berilishi mumkin. 
LSTM dan chiqish joriy fazaga kirish bo‘lib, uning samarali ichki xotirasi 
tufayli oldingi kirishlarni eslab qolish imkonini beradi. 
RNN asosan tasvir sarlavhalari, vaqt seriyalarini tahlil qilish, tabiiy tilda ishlov 
berish, qo‘l yozuvini tanib olish va mashina tarjimasi uchun ishlatiladi. 

---

International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND 
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30 
387 
Radial asosli funksiya tarmoqlari (RBFN). RBFNlar sun’iy neyron 
tarmoqlarga misol bo‘lib, asosan funktsiyalarni yaqinlashtirish muammolari uchun 
ishlatiladi. 
Radial asosli funktsional tarmoqlar universal yaqinlashish usuli va tezroq 
o‘rganish tezligi tufayli boshqa neyron tarmoqlardan yaxshiroq hisoblanadi. 
RBF tarmog‘i - bu oldinga uzatiladigan neyron tarmog‘ining maxsus turi. U 
uch xil qatlamdan, ya’ni kirish qatlami, yashirin qatlam va chiqish qatlamidan 
iborat. 
Ko‘p qatlamli perseptronlar (MLP). MLPlar turli funktsiyalarga 
ega bo‘lgan ko‘p qatlamli perseptronli neyron tarmoqlari oilasiga tegishli . 
MLPlar kirish va chiqish qatlamidan iborat bo‘lib, ular orasidagi yashirin 
qatlamlar bilan to‘liq bog‘langan. 
Ular bir xil miqdordagi kirish va chiqish qatlamlariga ega, lekin MLPlarning 
haqiqiy hisoblash mexanizmi bo‘lib ishlaydigan bir nechta yashirin qatlamlarga 
ega bo‘lishi mumkin. 
Ular nutqni aniqlash, moliyaviy bashorat qilish va ma’lumotlarni siqishni 
amalga oshirish uchun ishlatiladi[3]. 
Chuqur o‘qitish katta hisoblash quvvatini talab qiladi. Yuqori unumdor 
GPUlar chuqur o‘qitish uchun samarali parallel arxitekturaga ega. Klasterlar yoki 
bulutli hisoblash bilan birlashganda, bu ishlab chiqish guruhlariga chuqur o‘qitish 
tarmog‘i uchun mashg‘ulotlar vaqtini haftalardan soatgacha yoki undan kamroq 
vaqtgacha qisqartirishga imkonini beradi.