neyron tarmoqlari

DOCX 25 pages 4.3 MB Free download

25 pages

FaylHub.uz

Download via Telegram

Size 4.3 MB

File type DOCX

Pages 25

Updated Dec 2025

Page preview (5 pages)

Scroll down 👇

1 / 25

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 neyronlari) rasmdagi obyekt xususiyatlarini belgilaydi va maxsus hisoblashdan keyin natija ushbu rasmdagi obyektning nomini aniqlash imkoniyatini beradi. biologik neyronlar 1-rasm. biologik neyron ko’rinishi 2-rasm. biologik neyronning tarmoq ko’rinishi biologik neyron va uning matematik modeli biologik neyron biologik neyronning matematik modeli neyron tarmog’ini tashkil etuvchi elementlar biologik neyron tarmog’i cell body (soma) dendrites synapse axon sun’iy neyron tarmog’i node – tugun input …

2 / 25

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 (x1,x2, x3) mavjud va ular neyronga kirib keladi. ushbu kiruvchi qiymatlar neyronga kirishidan oldin mos ravishda og’irlik koeffitsentlariga (“weight” (w1, w2, w3)) ko’paytiriladi va bu qiymatlar neyronlarni bir-biriga bog’lash koeffitsenti deb hamataladi. har bir neyronning og’irlik koeffitsenti mavjud bo’lib, ushbu qiymatlar neyronni o’qitish jarayonida tanlanadi. bundan tashqari, neyronni hisoblashda ozod had, “bias” koeffitsentidan ham …

3 / 25

entlari 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 tarmoqlari uchun python dasturlash tili paketlari № modul nomi 1. numpy 2. scipy 3. scikit-learn maqsadi vektor va matritsalar ustida amallar bajarish, matematik amallar va trigonametrik funksiyalardan foydalanish python uchun ilmiy kutubxona mashinali o’qitish,regressiya,sinflash vaklasterlash uchun zarur bo’lgan funksiyalardan foydalanish 4. matplotlib turli xil matematik funksiya grafiklarini va tasvirlarni vizuallashtirish (plotting) uchun ishlatiladigan funksiyalar 5. opencv- python kompyuter ko’rishi, tasvirlarga …

4 / 25

ida 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) va bias bi o’zgaruvchilari qiymatini chiquvchi qatlam qiymatlari xatoligi eng minimal bo’lguncha o’zgartirishdan iborat. neyron tarmoqni o’qitish algoritm feedforward feedforward (oldinga yo’naltirilgan) neyron tarmoqda – kiruvchi qiymatlar (inputs) qabul qilinadi va neyronlarning og’irlik koeffitsentlari (weights) tasodifiy qiymat qabul qiladi. og’irlik koeffitsentlari (weights) ning tasodifiy qiymatlarini optrimallashtirish yoki sozlash uchun backpropagation (orqaga yo’naltirish) usulidan foydalaniladi bu yerda barcha w koeffitsentlar tasodifiy …

5 / 25

hida,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 va natijada og'irlik kaeffitsentining yakuniy qiymatiga erishamiz. bu esa global minimumga erishish bilan baholanadi. gradient tushish algoritmi gradient tushish - bu neyron tarmoq parametrlari uchun maqbul qiymatlarni topish uchun iterativ ravishda ishlaydigan mashinali o‘qitish algoritmi hisoblanadi. gradient tushish asosida og’irlik koeffitsentlarini o’zgartirish tasodidifiy yoki foydalanuvchi tomonidan belgilangan o’rganish darajasi (learning …

Want to read more?

Download all 25 pages for free via Telegram.

Download full file

About "neyron tarmoqlari"

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 neyronlari) rasmdagi obyekt xususiyatlarini belgilaydi va ...

This file contains 25 pages in DOCX format (4.3 MB). To download "neyron tarmoqlari", click the Telegram button on the left.

Tags: neyron tarmoqlari DOCX 25 pages Free download Telegram