neyron tarmoqlarini qurish va o’qitish. keras, tensorflow va torch kutubxonalari

DOCX 51 sahifa 4,3 MB Bepul yuklash

51 sahifa

FaylHub.uz

Telegram orqali yuklab olish

Hajm 4,3 MB

Fayl turi DOCX

Sahifalar 51

Yangilangan Dek 2025

Sahifa ko'rinishi (5 sahifa)

Pastga aylantiring 👇

1 / 51

o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi __universiteti kurs ishi mustaqil ish referat diplom ishi diqqat !!! diqqat !!! diqqat !!! https://seller.soff.uz/account/register/tqrzkf3dtl - ushbu havola link orqali siz ham sotuvchi bo’ling, document joylang va daromad qiling, shu mening linkim orqali ro'yxatdan o'tganlarga 20-30 ta tayyor mustaqil va kurs ishlari beraman, xoxlagan fanidan! ishni boshlab olish uchun yaxshi taklif bu! @soff_seller mavzu: neyron tarmoqlarini qurish va o’qitish. keras, tensorflow va torch kutubxonalari. reja: 1. neyron tarmoqlari va uning vazifalari. 2. ma’ruza. neyron tarmog’ini o’qitish. 3. python keras va tensorflow kutubxonalaridan foydalanish. neyron tarmoq nima? neyron tarmoqlari – bu inson miyasining ishlash faoliyatini qisman aks ettiruvchi tuzilma bo’lib, bunda ko’plab neyronlar bir-biriga bog’langan holda neyron tarmog’ini tashkil qiladi. neyron tarmog’i chapdan o’ngga (to’g’ri-to’g’ri) ko’rinishda amalga oshiriladi, kiruvchi parametrlar neyronlar asosida hisoblanadi va natijada chiquvchi qiymatlar shakllanadi.masalan: rasmda qanday obyekt borligini aniqlash lozim bo’lsa, neyronlar (kiruvchi qatlam, yashirin qtlam va chiquvchi qatlam …

2 / 51

..,ln)] neyron tashkil etuvchilari x-parametr (kiruvchi ma’lumotlar) w(weight)-og'irlik koeffitsenti b(bias)-ozod had y=x*w+b xususiy hol uchun) kiruvchi qatlam (input layer) – obyektga tegishli bo’lgan kiruvchi ma’lumotlar (masalan,28x28 o’lchamdagi tasvir bo’ladigan bo’lsa, 784 ta kiruvchi parametr); chiquvchi qatlam (output layer) – hisoblash natijasini ko’rsatadigan natijaviy qatlam; yashirin qatlamlar (hidden layer) – neyron tarmog’ida asosiy hisoblashlarni amalga oshiruvchi ko’p sathli (yoki bitta sath) neyronlar jamlanmasi; bog’lanishlar va og’irlik koeffitsentlari (weights) – neyron tarmog’idagi bog’lanish koeffitsentlari hisoblanadi, bunda kiruvchi sath neyronlari ushbu koeffitsentlarga kop’paytirish orqali,agar tarmoq bir nechta sathdan iborat bo’lsa unda natijaviyqatlam, keyingi qatlam uchun kiruvchi sath bo’lib hisoblanadi va ularning ham og’irlik koeffitsentlari bo’ladi. 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. neyron qanday ishlaydi? misol uchun oldingi slaydda berilgan rasmga ko’ra 3 ta kiruvchi parametrlar …

3 / 51

an, yashirin qatlam 3 ta neyrondan va chiquvchi qatlam esa 2 ta neyrondan iborat quyidagicha tarmoq berilgan bo’lsin. bunda matritsa ustida amalga oshiriladigan amalllar, qo’shish va ko’paytirish amallaridan foydalangan holda kiruvchi qatlam neyronlari mos ravishda ularning og’irlik koeffitsentlariga (weights, wij) ko’paytiriladi va har bir natijaviy neyronga ozod had (bias, bi) qo’shiladi. kiruvchi qatlam va og’irlik koeffitsentlari yashirin qatlam va og’irlik koeffitsentlari neyron tarmoqda hisoblash jarayoni perceptron perceptron bu – 2 ta qatlamdan iborat ya’ni kiruvchi va chiquvchi qatlamdan iborat bo’lgan neyronni hisoblash tuguni. har bir perceptron sodda sinflash masalasini yechishda qo’llaniladi. natija berilgan tasvir piksel qiymatlaridan kelib chiqib qaysi sinfga tegishli ekanligini aniqlaydi. faollashtirish funksiyalari barcha neyronlar bo’yicha hisoblashlar amalga oshirilganidan keyin quyidagi “sigmoid” yoki relu funksiyasi grafigi asosida shakllantiriladi va funksiya qiymati mos ravishda [0-1] va [0, n] oraligida o’zgarib turadi. 9.4-rasm. sigmoid funksiya grafigi 9.5-rasm. relu aktivatsiya funksiyasi grafigi neyronlar ustida bajariladigan mantiqiy amallar mashinali o’qitish va neyron …

4 / 51

ish algoritmlaridan foydalanish uchun chuqur o’qitish (cnn, rnn, lstm) algoritmlarida tez va qulay foydalanish uchun kutubxona 9. tensorflow mashinali o’qitish algoritmlarini qo’llash uchun tez va qulay kutubxona misol: robot dancing quyidagi misolda robot raqsga tushish jarayoni chuqur o’qitish orqali amalga oshirilgan bo’lib, bunda oq’tish masalasi muhim hisoblanadi. ushbu model 10 daqiqa davomida o’qitilganda natija yaxshi chiqmagan, 48 soat davomida o’qitish natijasida esa qurilgan model robot o’yinga tushish simulyatsiyasini ko’rsatib bergan. sun’iy neyron tarmoqni ishlatish ketmaketligi 1) kiruvchi ma’lumotlarni berish; 2) kiruvchi parametrlar uchun tasodifiy og’irlik qiymatlarini tanlash; 3) bias ozod hadini tasodifiy tanlash (agar zarur bo’lsa); 4) neyron tarmoqni o’qitish dasturini ishga tushirish; 5) xatolikni aniqlash; 6) gradient descent algoritmi asosida og’irlik koeffitsentlarini yangilash; 7) o’qitish jarayonini davom ettrirish; 8) natjaviy model asosida natija olish (bashoratlash, sinflashtirish) 9) neyron tarmog’ini o’qitish nima? 10) neyron tarmog’ini o’qitish bu – qurilgan neyron tarmoqda kiruvchi ma’lumotlar asosida har bir neyronning og’irlik koeffitsentlari wij(l) …

5 / 51

i) yangilash uchun “gradiyentli tushish” algoritmidan foydalanish jarayonidir. og’irlik koeffitsentlarini o’zgartirish birinchi qadamda tasodifiy shakllantirilgan og’irlik koeffitsentlarini (w) sozlash neyron tarmoqni o’qitish davomida 2 xil holatda amalga oshiriladi: ◦ og’irlik koeffitsent qiymatini oshirish ◦ og’irlik koeffitsent qiymatini kamaytirish misol uchun quyidagi o’quv tanlanma berilgan bo’ls og’irlik koeffitsentlarini o’zgartirish o’qitishning keyingi bosqichida,og’irlik koeffitsentini oshirish yoki kamaytirish masalasi qo’yiladi. buning uchun berilgan misol bo’yicha w=4 qiymatida xatolikni tekshirib ko’ramiz. bu shuni ko’rsatadiki, keyingi qadamda og’irlik koeffitsentini oshirish xatolikning oshishiga olib keladi va mos ravishda neyron tarmoq keyingi qadamda w qiymatini kamaytiradi. og’irlik koeffitsentlarini o’zgartirish agar neyron tarmoq o’qitish davomida w=2 qiymatni qabul qilsa, unda berilgan dataset uchun quyidagi holat vujudga keladi. global mimumga erishish neyron tarmoqdagi parametrlarni yangilash (update) sikl asosida minimum xatolikka erishish asosida amalga oshiriladi. xatolik (error) minimal darajaga tushguncha og'irlik qiymati yangilab boriladi. agar siklning keyingi qadamida og'irlik qiymatiga nisbatan keyingi yangilanishlar yuz berib, xatolik ortadigan bo’lsa, siklni to’xtatiladi …

Ko'proq o'qimoqchimisiz?

Barcha 51 sahifani Telegram orqali bepul yuklab oling.

To'liq faylni yuklab olish

"neyron tarmoqlarini qurish va o’qitish. keras, tensorflow va torch kutubxonalari" haqida

o‘zbekiston respublikasi oliy ta’lim, fan va innovatsiyalar vazirligi __universiteti kurs ishi mustaqil ish referat diplom ishi diqqat !!! diqqat !!! diqqat !!! https://seller.soff.uz/account/register/tqrzkf3dtl - ushbu havola link orqali siz ham sotuvchi bo’ling, document joylang va daromad qiling, shu mening linkim orqali ro'yxatdan o'tganlarga 20-30 ta tayyor mustaqil va kurs ishlari beraman, xoxlagan fanidan! ishni boshlab olish uchun yaxshi taklif bu! @soff_seller mavzu: neyron tarmoqlarini qurish va o’qitish. keras, tensorflow va torch kutubxonalari. reja: 1. neyron tarmoqlari va uning vazifalari. 2. ma’ruza. neyron tarmog’ini o’qitish. 3. python keras va tensorflow kutubxonalaridan foydalanish. neyron tarmoq nima? neyron tarmoqlari – bu inson miyasining ishlash faoliyatini qisman ak...

Bu fayl DOCX formatida 51 sahifadan iborat (4,3 MB). "neyron tarmoqlarini qurish va o’qitish. keras, tensorflow va torch kutubxonalari"ni yuklab olish uchun chap tomondagi Telegram tugmasini bosing.

Teglar: neyron tarmoqlarini qurish va o… DOCX 51 sahifa Bepul yuklash Telegram