SUN’IY NEYRON TARMOQLAR VA ULARNI OʻRGANISH MEXANIZMI

Аннотация

This thesis analyzes artificial neural networks (ANNs) and their learning mechanisms. Artificial neural networks are mathematical models that imitate the activity of biological neurons and are widely used in many fields. The thesis examines the structure of SNTs, the learning process, basic algorithms and optimization methods, including techniques such as backpropagation and gradient descent. Kalit soʻzlar: Sunʻiy neyron tarmoqlari (SNT), oʻrganish mexanizmi backpropagation, gradient descent, konvolyutsion neyron tarmoqlari (CNN) rekurrent neyron tarmoqlari (RNN), aktivatsiya funksiyalari. Ключевые слова: искусственные нейронные сети (SNT), механизм обучения обратного распространения ошибки, градиентный спуск, сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), функции активации. Keywords: Artificial neural networks (SNT), learning mechanism backpropagation, gradient descent, convolutional neural networks (CNN), recurrent neural networks (RNN), activation functions. Sunʻiy neyron tarmoqlari (SNT) – biologik neyronlar tizimining faoliyatini modellashtirish orqali yaratilgan matematik modellardir. Ular koʻplab ma’lumotlarni tahlil qilish, ulardan ma’lumot chiqarish, qarorlar qabul qilish, tasvirni tanib olish, ovozli ma’lumotlarni qayta ishlash kabi sohalarda keng qoʻllaniladi. SNTlar, ayniqsa, mashinada oʻrganish va sun’iy intellekt sohalarida katta oʻzgarishlarni keltirib chiqarmoqda. Ushbu tizimlar va ularning oʻrganish mexanizmlari hozirgi zamonaviy texnologiyalarni rivojlantirishda asosiy rol oʻynamoqda.Sun’iy neyron tarmoqlarining rivojlanishi bir nechta bosqichlarni oʻz ichiga oladi. Dastlabki oddiy neyron tarmog`idan tortib, bugungi kunda yuqori samarali, murakkab tarmoq arxitekturalarigacha boʻlgan oʻsish jarayoni koʻzdan 39 ILM-FAN VA INNOVATSIYA ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/si kechirilgan. Tarmoqning oʻzini-oʻzi oʻrgatish jarayonida ishlatiladigan algoritmlar va usullar, masalan, backpropagation (orqaga tarqatish) va gradient descent (gradientni kamaytirish) kabi metodlar, sun’iy neyron tarmoqlarining samaradorligini oshirishga katta yordam beradi.Bugungi kunda, sun’iy neyron tarmoqlari turli sohalarda, jumladan, tasvirni tanib olish, avtomatik tarjima, tibbiy diagnostika, oʻz-oʻzini boshqaradigan transport vositalarini yaratish va boshqa koʻplab sohalarda keng qoʻllanilmoqda. Ushbu tezisda sun’iy neyron tarmoqlarining tuzilishi, oʻrganish mexanizmlari, asosiy arxitekturalari, ularning amaliy qoʻllanilishi va mavjud cheklovlari tahlil qilinadi. Shuningdek, bu tarmoqlarning kelajakdagi istiqbollari va rivojlanish yoʻnalishlari haqida ham fikrlar bildirilib, ilmiy va amaliy sohalarda oʻzgarishlarga qanday ta’sir koʻrsatishi mumkinligi oʻrganiladi. Tadqiqotda ishlatilgan ma’lumotlar asosan ochiq manbalardan olinadi. Masalan, tasvirni tanib olish uchun "MNIST" yoki "CIFAR-10" kabi mashhur ma’lumotlar toʻplamlari, matnni tahlil qilish uchun "IMDB" yoki "AG News" kabi matnli ma’lumotlar toʻplamlari ishlatiladi. Tadqiqotda quyidagi metodologik yondashuvlar va usullar qoʻllaniladi.  Neyron tarmog`ini qurish. Sun’iy neyron tarmog`ining tuzilishi va qatlamlarining soni, oʻlchamlari, aktivatsiya funksiyalari va oʻrganish tezligini (learning rate) aniqlash uchun eksperimental yondashuvlar qoʻllaniladi. Dastlab, oddiy tarmoqlarni sinab koʻrish, soʻngra murakkab tarmoq arxitekturalarini yaratish va ularga mos parametrlash usullarini topish amalga oshiriladi.  Backpropagation algoritmi. Tarmoqning oʻrganish jarayonini boshqarish uchun backpropagation algoritmi ishlatiladi. Bu jarayonda tarmoqning chiqish va haqiqiy qiymatlari orasidagi farq (xato) hisoblanib, u tarmoq boʻylab orqaga tarqatiladi. Vaznlar va biaslar yangilanadi va tarmoqning xatosi minimallashtiriladi.  Gradient Descent. Gradient descent algoritmi yordamida vaznlarni yangilash jarayoni amalga oshiriladi. Bu usul tarmoqning xatolik funksiyasini minimal darajaga tushirish uchun ishlatiladi. Tadqiqotda stochastic gradient descent (SGD) va mini-batch gradient descent kabi metodlar sinab koʻriladi.  Tarmoqni baholash. Tarmoqning samaradorligini baholash uchun turli baholash metrikalari, masalan, aniqlik (accuracy), xatolik (loss), oʻrganish vaqti, va boshqa statistik koʻrsatkichlar ishlatiladi. Olingan natijalar turli parametrlar va arxitekturalar boʻyicha solishtiriladi.  Eksperimentlar. Tadqiqotda turli xil tarmoq arxitekturalari, masalan, konvolyutsion neyron tarmoqlari (CNN) va rekurrent neyron tarmoqlari (RNN) sinovdan oʻtkaziladi. Har bir model oʻzining samaradorligi, tezligi va qoʻllaniladigan sohalarga mosligi asosida tahlil qilinadi.  Oʻrganish turlarini tahlil qilish. Tadqiqotda nazoratli va nazoratsiz oʻrganish metodlari taqqoslanadi. Nazoratli oʻrganishda, kirish ma’lumotlari va chiqish natijalari ma’lum boʻlgan holda tarmoqni oʻrgatish, nazoratsiz oʻrganishda esa kirish ma’lumotlari asosida tarmoqni tuzish va uning tuzilmasini oʻrganish metodlari chuqur oʻrganiladi. Tadqiqotda barcha eksperimentl