chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron.

PPTX 43 стр. 323,5 КБ Бесплатная загрузка

43 стр.

FaylHub.uz

Скачать через Telegram

Размер 323,5 КБ

Тип файла PPTX

Страницы 43

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 43

chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron kirish chuqur o‘qitish (deep learning) bu sun’iy intellekt (ai) va mashinali o‘qitish (machine learning) sohasining bir yo‘nalishi bo‘lib, u inson miyasi ishiga o‘xshash tarzda axborotni qayta ishlaydigan neyron tarmoqlarga asoslanadi. kirish chuqur o‘qitish - bu mashinali o‘qitishning bir turi bo'lib, unda sun'iy neyron tarmoqlar (inson miyasi kabi ishlashi kerak bo'lgan algoritmlar) katta hajmdagi ma'lumotlarga o'rgatiladi. chuqur o‘qitish tarixi 1943 – mcculloch va pitts sun’iy neyron modelini taklif qilishdi. ular biologik neyronlar asosida oddiy matematik model yaratishdi. 1958 – frank rosenblatt tomonidan perceptron (birinchi sun’iy neyron tarmog‘i) ixtiro qilindi. 1969 – marvin minsky va seymour papert o‘zlarining "perceptrons" kitobida perceptronning chegaralarini ko‘rsatib berdi, ayniqsa xor muammosini yecha olmasligi. chuqur o‘qitish tarixi xor (ya’ni "exclusive or") – bu mantiqiy amaldir. uning natijasi faqat ikkita kirish qiymatidan bittasi 1 bo‘lsa, chiqish 1 bo‘ladi. aks holda, chiqish 0. …

2 / 43

rks) asosida raqamlarni tanish tizimini yaratdi (mnist dataset bilan). chuqur o‘qitish tarixi 1990–2010-yillarda: katta datasetlar (mnist, cifar, imagenet) paydo bo‘ldi. gpu’lar grafikadan tashqari neyron tarmoqlarni tezlatishda ishlatila boshladi. 2012-yil: chuqur o‘qitishning portlashi gpu yordamida o‘qitildi. relu aktivatsiya funksiyasidan foydalandi. cnn chuqur qatlamlardan iborat edi. chuqur o‘qitish nima? chuqur o‘qitish — bu ko‘p qatlamli (deep) sun’iy neyron tarmoqlarni o‘rganish orqali murakkab muammolarni hal qilish usuli. bu texnologiya ayniqsa: tasvirlarni aniqlash (image recognition), nutqni tanish (speech recognition), tabiiy tilni qayta ishlash (nlp), o‘yinlar, autonom transport, va boshqa ko‘plab sohalarda ishlatiladi. chuqur o‘qitish — sun’iy neyron tarmoqlarning ko‘p qatlamli versiyasi bo‘lib, ma’lumotdan mustaqil ravishda xususiyatlarni avtomatik o‘rganish imkonini beradi. asosan katta hajmdagi ma’lumot va kuchli hisoblash resurslari yordamida ishlaydi. chuqur o‘qitishning ishlash prinsipi 1. kirish (input layer) tizimga ma’lumot beriladi (masalan: rasm piksellari, matn so‘zlari, audio signallar). har bir element — bu kirish neyroni. 2. yashirin qatlamlar (hidden layers) bu qatlamlar chuqur o‘qitishning …

3 / 43

va perseptron algoritmlarida qo'shimcha parametr bo'lib, asosan neyronning chiqishini isloh qilish uchun ishlatiladi. biasning ishlash printsipi, neyronning faollashtirish funktsiyasini ma'lumotlarga ko'proq aniqlash bilan tanishtiradi. u perceptron va boshqa ko'plab neyron tarmoqlarining ma'lumotni aniqlash jarayonida muhim rol o'ynaydi. 2. forward propagation (oldinga uzatish) ma’lumot kirish qatlamidan chiqish qatlamigacha ketma-ket o‘tadi. chuqur o‘qitishning asosiy mexanizmlari 3. backpropagation (orqaga tarqatish) tarmoq xatolik (loss) darajasini o‘lchaydi. keyin bu xatolik orqaga uzatiladi va og‘irliklar yangilanadi: gradient descent algoritmi yordamida. 4. yo‘qotish funksiyasi (loss function) model qanchalik noto‘g‘ri javob berganini o‘lchaydi. masalan: klassifikatsiya uchun: cross-entropy regressiya uchun: mean squared error chuqur o‘qitishning asosiy mexanizmlari cross-entropy — model bashorati bilan haqiqiy qiymat (label) orasidagi farqni o‘lchaydigan xatolik funksiyasi. mean squared error -bu modelning chiqishi bilan haqiqiy qiymat o‘rtasidagi farqni kvadrat qilib, o‘rtachasini olish orqali hisoblanadigan xatolik (loss) funksiyasi. chuqur o‘qitishning ishlash algoritmi ishlash algoritmi quyidagicha: -ma’lumotlar kiritiladi -tarmoq orqali oldinga uzatiladi -chiqish baholanadi xatolar hisoblanadi (loss) xatoni …

4 / 43

yashirin (hidden), chiqish. har bir neyron boshqa neyronlarga bog‘langan. foydalanish sohasi: oddiy regressiya, klassifikatsiya, tavsiya tizimlari. chuqur o‘qitish algoritmlari cnn (convolutional neural network) — konvolyutsiyali neyron tarmoq rasmlar va videolar bilan ishlashga mo‘ljallangan. “konvolyutsiya” orqali rasm xususiyatlarini (chegara, shakl, tuzilma) aniqlaydi yoki konvolyutsiya — bu rasm (yoki boshqa ma’lumot) ustida kichik filtrlar (kernel) yordamida ishlov berish jarayoni. pooling + flatten + dense qatlamlar mavjud. foydalanish sohasi: rasm tanish, yuz aniqlash, self-driving cars. self-driving car — bu haydovchisiz harakatlana oladigan avtomobil, ya’ni sun’iy intellekt yordamida o‘zi qaror qabul qilib, harakatlanadi. chuqur o‘qitish algoritmlari rnn (recurrent neural network) — rekurrent neyron tarmoq ketma-ket ma’lumotlar uchun (time series, matn, audio). (time series — bu vaqtga bog‘liq bo‘lgan ketma-ket ma’lumotlar.) o‘zida vaqt bo‘yicha oldingi ma’lumotni eslab qoladi. har bosqichdagi chiqish — keyingisiga ta’sir qiladi. foydalanish sohasi: matn tahlili, tarjima, ovoz tanish, chatbotlar. chuqur o‘qitish algoritmlari lstm (long short-term memory) rnn ning yaxshilangan ko‘rinishi. “uzoq …

5 / 43

a, tarmoq "nima aytishi kerak?" degan qarorni chiqaradi. misollar raqamli yordamchilar chuqur o‘qitishning juda mashhur namunasidir. tabiiy tilni qayta ishlash (nlp) texnologiyalari tufayli siri, cortana, google va alexa savollarga javob bera oladi va foydalanuvchi odatlariga moslashadi. si, mashinali o‘qitish va chuqur o‘qitish o'rtasidagi farq nima? si, mashinali o‘qitish va chuqur o‘qitish bir-biri bilan bog'liq, ammo ular orasida ma'lum farqlar mavjud sun'iy intellekt kompyuterlar, mashinalar yoki robotlarga qaror qabul qilish, ob'ektni tanib olish va tilni tushunish kabi inson qobiliyatlarini taqlid qilish imkonini beradi. si, mashinali o‘qitish va chuqur o‘qitish o'rtasidagi farq nima? mashinali oʻqitish bu sunʼiy intellektning kichik toʻplami boʻlib, u maʼlumotlardan oʻrganish va vaqt oʻtishi bilan inson aralashuvisiz yanada aniqroq boʻladigan ilovalar yaratishga qaratilgan. mashinali o‘qitish algoritmlari qarorlar va bashoratlarni osonlashtiradigan naqshlarni aniqlash uchun sozlanishi mumkin, ammo bu odatda inson ma'lumotlarini talab qiladi. mashinali o'qitish uchun algoritmga e'tibor qaratish kerak bo'lgan ma'lumotlar xususiyatlari shaxs tomonidan belgilanadi si, mashinali o‘qitish va …

Хотите читать дальше?

Скачайте все 43 страниц бесплатно через Telegram.

Скачать полный файл

О "chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron."

chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron kirish chuqur o‘qitish (deep learning) bu sun’iy intellekt (ai) va mashinali o‘qitish (machine learning) sohasining bir yo‘nalishi bo‘lib, u inson miyasi ishiga o‘xshash tarzda axborotni qayta ishlaydigan neyron tarmoqlarga asoslanadi. kirish chuqur o‘qitish - bu mashinali o‘qitishning bir turi bo'lib, unda sun'iy neyron tarmoqlar (inson miyasi kabi ishlashi kerak bo'lgan algoritmlar) katta hajmdagi ma'lumotlarga o'rgatiladi. chuqur o‘qitish tarixi 1943 – mcculloch va pitts sun’iy neyron modelini taklif qilishdi. ular biologik neyronlar asosida oddiy matematik model yaratishdi. 1958 – frank rosenblatt tomonidan perceptron (birinchi sun’iy neyron ta...

Этот файл содержит 43 стр. в формате PPTX (323,5 КБ). Чтобы скачать "chuqur o‘qitish. chuqur oʻqitish algoritmlari. koʻp qatlamli perseptron.", нажмите кнопку Telegram слева.

Теги: chuqur o‘qitish. chuqur oʻqitis… PPTX 43 стр. Бесплатная загрузка Telegram