machine learning & deep learning

PPTX 74 sahifa 3,2 MB Bepul yuklash

Sahifa ko'rinishi (5 sahifa)

Pastga aylantiring 👇
1 / 74
prezentatsiya powerpoint sun’iy neyron tarmoqlari. machine learning & deep learning chuqur o'rganish (dl) - bu ma'lumotlar taqdimotini o'rganish uchun bir nechta qatlamlardan foydalanadigan mashinali o’qitish demakdir. ml vs. deep learning deep learning boy ierarxik xususiyatlarni o'rganish uchun ko'p qatlamli jarayonni qo'llaydi. input image pixels → edges → textures → parts → objects low- level features mid- level features output high- level features trainable classifier machine learning & deep learning qo'lda yozilgan raqamlarni aniqlash (mnist ma'lumotlar to'plami) har bir pikselning intensivligi kirish (input) elementi hisoblanadi chiqish (output)- bu raqam sinfi input 16 x 16 = 256 x1 x2 x256 …… ink → 1 no ink → 0 …… y1 y2 y10 har bir o'lchov raqamning ishonchliligini ifodalaydi is 1 is 2 is 0 …… 0.1 0.7 0.2 the image is “2” output neyron tarmoqlar qo'lda yozilgan raqamlarni aniqlash( handwritten digit recognition) machine “2” x1 x2 x256 …… …… y1 y2 y1 …
2 / 74
y1 y m output layer y2 neyron tarmoq elementlari neyron tarmoqning tashkil etuvchilari kiruvchi qatlam (input layer) – obyektga tegishli bo’lgan kiruvchi ma’lumotlar (masalan, 28x28 o’lchamdagi tasvirning 784 ta kiruvchi parametri); chiquvchi qatlam (output layer) – hisoblash natijasini ko’rsatadigan chiqish qatlam; yashirin qatlamlar (hidden layer) – neyron tarmog’ida asosiy hisoblashlarni amalga oshiruvchi ko’p sathli (yoki bitta sath) neyronlar jamlanmasi; bog’lanish va og’irlik koeffisentlari (weights) – bu kiruvchi sath neyronlari bilan ko’paytirilib keyingi (yoki yakuniy) sath uchun kiruvchi qiymat bo’lib xizmat qiladi; faollashtirish funksiyasi (activation function, transfer function) – chiquvchi qatlam uchun qiymatlarni muvoffiqlashtiruvchi funksiya (softmax, relu) hisoblanadi. o’qitish qoidasi (learning rule) - bu tarmoqqa berilgan kirish uchun qulay natijaga erishishda neyron tarmoq parametrlarini o'zgartiradigan qoida yoki algoritm. 10 oddiy neyron tarmoq, misol yordmida tushuntirish z z 1 e z z  1 sigmoid function 1 -1 1 -2 1 1 0 4 -1 -2 0.98 0.12 1 ∙ 1 + …
3 / 74
soblar 1 x …… …… …… …… …… …… y1 y2 ym x2 w1 w2 ……wl b2 bl xn x a1 a …… 2 y b1 w1 x + 𝜎 b2 w2 a1 + 𝜎 bl wl + 𝜎 al-1 b1 matritsa bilan ishlash ko’p qatlamli nt, f funksiyasi x kirishlarni y chiqishlariga moslashtiradi, 𝑦 = 𝑓(𝑥) = 𝜎 𝜎 1 x x2 …… …… …… …… …… …… y1 y2 ym w1 w2 ……wl b2 bl xn x a1 …… a2 y y = 𝑓 x b 1 w1 x + 𝜎 b 2 w2 + b l wl + … b1 … matritsa bilan ishlash softmax layer ko'p sinfli tasniflash vazifalarida chiqish qatlami odatda softmax qatlami hisoblanadi u softmax faollashtirish funksiyasidan foydalanadi agar uning o'rniga sigmaid faollashtirish funksiyasiga ega qatlam chiqish qatlami sifatida ishlatilsa, nt prognozlarini izohlash oson bo'lmasligi mumkin. e'tibor bering, sigmaid faollashuvli chiqish qatlami hali ham …
4 / 74
ar to'yingan bo'ladi bu hududlardagi gradientlar deyarli nolga teng (deyarli signal oqib chiqmaydi) zamonaviy nt larda sigmoid faollashuvlar kamroq uchraydi ℝ𝑛 → 0,1 𝑥 𝑓 𝑥 activation: tanh tanh function: haqiqiy qiymatli raqamni oladi va uni -1 va 1 oralig'ida "siqadi“ sigmoid ga o’xshash, undan farqli ravishda chiqishni 0 ga markazlashtiradi shuning uchun sigmoiddan ko'ra afzalroqdir tanh masshtabli sigmoidni ifodalaydi: tanh(𝑥) = 2 ∙ 𝜎(2𝑥) − 1 ℝ𝑛 → −1,1 𝑥 𝑓 𝑥 activation: relu relu (rectified linear unit): haqiqiy qiymatli raqamni oladi va uni nol chegara bilan taqqoslaydi (0 dan kichik qiymatlar 0 ga o’zgartiriladi) 𝑓 𝑥 = max(0, 𝑥) ko'pgina zamonaviy chuqur nt lar relu faollashtirishlaridan foydalanadi relu tez hisoblashadi sigmoid, tanh bilan solishtirganda oddiy, 0 bilan solishtirish amali gradient tushishning yaqinlashishini tezlashtiradi gradientni yo'qotish muammosini oldini oladi + ℝ𝑛 → ℝ𝑛 𝑥 𝑓 𝑥 activation: leaky relu relu faollashuvi muammosi: ular “so’nish" mumkin relu og'irliklarning yangilanishiga olib …
5 / 74
lishi mumkin. neyron tarmoq elementlari neyron tarmoqni tashkilt etuvchilari ahamiyatini tushunish uchun playground link neyron tarmoqni o’qitish tarmoq parametrlari 𝜃 barcha qatlamlardagi og'irlik matritsalari (weight matrices ) va egilish vector (bias vectors ) larini o'z ichiga oladi 𝜃 = 𝑊1, 𝑏1, 𝑊2, 𝑏2, ⋯ 𝑊𝐿, 𝑏𝐿 ko'pincha, model parametrlari 𝜃 og'irliklar (weights) deb ataladi optimal (mezon bo'yicha) parametrlar to'plamini o'rganish uchun modelni o‘qitish ml dagi eng katta muammolardan biridir. 16 x 16 = 256 1 x x2 …… x256 …… …… …… …… y1 y2 y10 0.1 0.7 …… 0.2 is 1 is 2 is 0 softmax ma'lumotlarni oldindan qayta ishlash (data preprocessing )- mashg'ulot paytida konvergentsiyaga yordam beradi nol markazlashtirilgan ma'lumotlarni olish uchun o'rtacha ayirish (mean subtraction) har bir alohida ma'lumot qiymati (xususiyati) uchun o'rtachani ayirish normallashtirish (normalization) har bir xususiyatni standart og'ish (standard deviation) bilan ajrating har bir ma'lumot o'lchami (xususiyati) uchun 1 standart og'ishini (standard deviation ) …

Ko'proq o'qimoqchimisiz?

Barcha 74 sahifani Telegram orqali bepul yuklab oling.

To'liq faylni yuklab olish

"machine learning & deep learning" haqida

prezentatsiya powerpoint sun’iy neyron tarmoqlari. machine learning & deep learning chuqur o'rganish (dl) - bu ma'lumotlar taqdimotini o'rganish uchun bir nechta qatlamlardan foydalanadigan mashinali o’qitish demakdir. ml vs. deep learning deep learning boy ierarxik xususiyatlarni o'rganish uchun ko'p qatlamli jarayonni qo'llaydi. input image pixels → edges → textures → parts → objects low- level features mid- level features output high- level features trainable classifier machine learning & deep learning qo'lda yozilgan raqamlarni aniqlash (mnist ma'lumotlar to'plami) har bir pikselning intensivligi kirish (input) elementi hisoblanadi chiqish (output)- bu raqam sinfi input 16 x 16 = 256 x1 x2 x256 …… ink → 1 no ink → 0 …… y1 y2 y10 har bir o'lchov raqamning ishonchliligini ifodalaydi is 1...

Bu fayl PPTX formatida 74 sahifadan iborat (3,2 MB). "machine learning & deep learning"ni yuklab olish uchun chap tomondagi Telegram tugmasini bosing.

Teglar: machine learning & deep learning PPTX 74 sahifa Bepul yuklash Telegram