92
recognition // IEEE Signal processing magazine. 2012. - T. 29.
6.
Mohri, M. , Pereira F , Riley M. Weighted finite-state transducers in speech
recognition // Computer Speech & Language. 2002. - vol. 16. -M.1.-Pp. 69-88.
7.
l l. Wang, Y. Y. , Acero A., Chelba C. Is word error rate a good indicator for
spoken language understanding accuracy // 2003 IEEE Workshop on Automatic
Speech Recognition and Understanding (IEEE Cat. No. 03EX721). - IEEE, 2003. - Pp.
577-582.
LONG SHORT-TERM MEMORY (LSTM) ALGORITMI
t.f.n., dots. Kabildjanov Aleksandr Sabitovich
1
,
Pulatov G‘iyos Guforjonovich
2
,
“TIQXMMI” Milliy tadqiqot universiteti
1,2
Pulatova Gulxayo Azamjon qizi
3
Toshkent axborot texnologiyalari universiteti Fargʻona filiali
3
Annotatsiya:
Long Short-Term Memory (LSTM) modeli bir tur neyron tarmoq
modellash algoritmi bo'lib, matematikaviy model hisoblanadi. U o'quvni o'zlashtiradi
va murakkab, o'quvni modellari yaratish va aniqlash uchun ishlatiladi. LSTM modeli
o'quvning uzluksiz, qo'shimcha o'rganish modelini o'zlashtirishda samarali bo'lib,
xotirada turli holatlarni saqlash imkonini beradi.
Kalit so‘zlar:
Long Short-Term Memory (LSTM), TensorFlow, Open Source,
PyTorch.
Long Short-Term Memory (LSTM) algoritmi, matematik asoslangan, murakkab
qoidalarni o'rganadigan va turli turlarini san'atlarini o'z ichiga olgan o'quvni modellash
va sizni tasdiqlovchi amallarni bajaradigan bu xalqaro yangi tarmoqda o'rnatilgan
qavatdir. LSTM qo'shimcha qo'shimcha asoslangan o'quvni modelni yaratish uchun
ishlatiladi va texnikaviy tarmoqlar, ma'lumotlar tahlili va boshqa ilovalar yaratishda
o'rtacha, to'plam rivojlanish jarayonini sodda va samarali qilish uchun foydalaniladi.
LSTM algoritmi o'quv tizimini o'zlashtiradi va avval o'rganilgan ma'lumotlar o'z
ichiga oladi, ulardan foydalanish va natijalarni saqlash imkoniyatini beradi.
Algoritmda murakkab modellar qurilgan va bu modellar ko'rib chiqish va to'g'ri
javoblarni bajarishda foydalaniladi.
LSTM modelida har bir qadamning o'z bir xotirasi mavjud. U xotiraga
o'zgaruvchilarni, turli holatlarni va o'qib chiqarishni saqlaydi. Buning natijasida, bu
algoritm murakkab va uzluksiz tizimlarni aniqlash, ma'lumotlar prediktsiyasini qilish
va ish olib boryapti. LSTM modeli, matematikaviy mashinalar o'quvining eng muhim
qismini tashkil etadi.
LSTM algoritmi amaliyotda, ma'lumotlar tahlili, ma'lumotlar o'quvchi
sistemalar va avtomatlashtirilgan tijoratda foydalaniladi. Uni barcha turlarda, qiziqarli
dasturlash va so'nggi qurilmalarni yaratishda ishlatish mumkin. LSTM algoritmi model
93
tashkil etish, bu modelni o'rganish va ma'lumotlar analizi bo'yicha turli loyihalarni
bajarishda ko'p qo'llanilmoqda.
Long Short-Term Memory (LSTM) modeli bir tur neyron tarmoq modellash
algoritmi bo'lib, matematikaviy model hisoblanadi. U o'quvni o'zlashtiradi va
murakkab, o'quvni modellari yaratish va aniqlash uchun ishlatiladi. LSTM modeli
o'quvning uzluksiz, qo'shimcha o'rganish modelini o'zlashtirishda samarali bo'lib,
xotirada turli holatlarni saqlash imkonini beradi. LSTM modeli avvalo ma'lumotlar
o'qib chiqarilgan holatni qo'llab-quvvatlash va o'rganishda ishlatilgan.
LSTM modeli avvalgi qo'shimcha qo'shimchani o'z ichiga olgan va uni o'z ichiga
olish uchun tizimlarni aniqlash, so'nggi ma'lumotlar o'qib chiqarish, aniqlash va kiritish
uchun foydalaniladi. LSTM tarmoqi bir neyronlarni qo'shish, ayirish, qo'shib chiqarish
va kerakli ma'lumotlarni o'z ichiga olgan ma'lumotlarni tasvir qiladi. Bu esa
ma'lumotlar o'qib chiqarishni, so'nggi natijalarni qaytarishni va o'z ichiga olishni
osonlashtiradi.
LSTM modellari, matematikaviy mashinalar o'quvining eng ko'p ishlatiladigan
turiga o'xshashdir va avtomatlashtirilgan nazorat va o'quv ishlarini o'rganishda vaqti-
vaqti bilan yangi ma'lumotlarni o'qib chiqarishda ko'p qo'llaniladi.
LSTM modelining foydalanish sohalariga kirishni osonlashtirish uchun
LSTMsni TensorFlow, PyTorch yoki boshqa mashhur tarmoq dasturlash
kutubxonalaridan foydalanish mumkin. Bu algoritmlar o'rganish, ma'lumotlar tahlili,
avtomatlashtirilgan nazorat va boshqa yuqori darajadagi loyihalarni bajarishda
foydalaniladi.
TensorFlow, Open Source (ochiq manba) masofaviy tarmoq dasturlash (machine
learning) va o'quv tizimlar yaratish uchun mahalliy va global jamiyatlar tomonidan eng
keng tarqalgan dasturlash platformasi. Google kompaniyasi tomonidan ishlab
chiqilgan va jamiyatning barcha foydalanuvchilariga bepul taqdim etilgan. TensorFlow
kompaniyaning murabbiy dasturlash tili bo'lib, biror mashhur, samarali, va yaxshi
tashqi interfeysga ega bo'lgan.
TensorFlow masofaviy tarmoq dasturlash, murakkab o'quv modellari yaratish va
ma'lumotlar tahlilini oson va samarali bajarish uchun ishlatiladi. TensorFlow, o'quv va
test ma'lumotlarini amalga oshirish, modellarni yaratish va ularga ma'lumotlar o'qib
chiqarish uchun yordam beradi. Bu, masofaviy tarmoq modellari, qayta tashkil
etiladigan modellari, obyektlarni aniqlash, so'zlar va matnlarni tashkilotlash,
avtomatlashtirilgan nazorat, ta'lim olish, natijalarni tahlil qilish va boshqa mashhur
masofaviy tarmoqda amal qilinadigan vazifalarni amalga oshirishda juda samarali
bo'ladi.
TensorFlow, Open Source (ochiq manba) masofaviy tarmoq dasturlash (machine
learning) va o'quv tizimlar yaratish uchun mahalliy va global jamiyatlar tomonidan eng
keng tarqalgan dasturlash platformasi. Google kompaniyasi tomonidan ishlab
chiqilgan va jamiyatning barcha foydalanuvchilariga bepul taqdim etilgan. TensorFlow
kompaniyaning murabbiy dasturlash tili bo'lib, biror mashhur, samarali, va yaxshi
tashqi interfeysga ega bo'lgan.
TensorFlow masofaviy tarmoq dasturlash, murakkab o'quv modellari yaratish va
ma'lumotlar tahlilini oson va samarali bajarish uchun ishlatiladi. TensorFlow, o'quv va
test ma'lumotlarini amalga oshirish, modellarni yaratish va ularga ma'lumotlar o'qib
94
chiqarish uchun yordam beradi. Bu, masofaviy tarmoq modellari, qayta tashkil
etiladigan modellari, obyektlarni aniqlash, so'zlar va matnlarni tashkilotlash,
avtomatlashtirilgan nazorat, ta'lim olish, natijalarni tahlil qilish va boshqa mashhur
masofaviy tarmoqda amal qilinadigan vazifalarni amalga oshirishda juda samarali
bo'ladi.
TensorFlow esa, muqobil matn tahlil, tasvir tanishuv, ijtimoiy tarmoqlar va
boshqa sahalar uchun ko'plab boshqa foydalanish sohalari bor. TensorFlow dagi
mashhur Deep Learning (Qora o'quv) modellari, o'quv ishlarini bajarish uchun asosiy
vositalar va qiziqarli ishlab chiqarish yangi loyihalarni yaratish va ularga ma'lumotni
o'qish va tarqatish uchun foydalaniladigan tarmoq tizimlarini o'z ichiga oladi.
TensorFlow o'quv tizimlarini Python, C++, Java, Go va boshqa tillarda yaratish
va ishlatish mumkin. Uning ko'pgina funksiyalari va qo'llanish yo'riqnomalari mavjud,
shuningdek TensorFlow uchun turli turlari ma'lumotlar asosida ta'lim olish uchun
foydalanish imkoniyatini taqdim etadi.
PyTorch, masofaviy tarmoq dasturlash (machine learning) va o'quv tizimlari
yaratish uchun Open Source (ochiq manba) dasturlash platformasi bo'lib, Python
dasturlash tillari orqali yaratilgan. PyTorch, shuningdek deep learning (qora o'quv)
modelini o'rganish, ularni tuzish va ularga ma'lumotlar o'qib chiqarishni osonlashtirish
va ko'plab ishlab chiqarishni ta'minlaydigan quyidagi imkoniyatlarni taqdim etadi:
Dinamik Grafiklar: PyTorch grafiklarini dinamik qilib yaratadi, shuningdek har
bir tahrikning ko'rib chiqishini tezroq olishga imkon beradi. Bu, modelni o'rganish va
test qilish jarayonini osonlashtiradi va yaratishda qulaylik qiladi.
Modelni Yaratish va Tuzish: PyTorch modelni yaratish uchun foydalanuvchiga
yaqin bo'lgan bir tilni taqdim etadi. Bu modelni o'z ichiga olgan va uni tuzish uchun
samarali bo'lish imkonini beradi.
Qora o'quv modellari: PyTorch, qora o'quv (deep learning) modellarini tashkil
etish va ularga ma'lumotni o'qib chiqarishni osonlashtiruvchi asosiy qavatlar va
algoritmlar tizimi tuzishda juda samarali bo'ladi.
Qo'llanish Sohalariga Mashhurlik: PyTorch ko'plab sohalar, shu jumladan ta'lim
olish, ma'lumotlar tahlili, tasvirni tanishish va boshqa masofaviy tarmoq dasturlash
mashhurligi sohalarida ishlatiladi.
Mijoz qo'llanuvchilar uchun resurslar: PyTorch platformasi, o'quv bo'yicha
materiallar, ko'p tili taqdim etadigan tarmoqda jamoatning ishtirokida yaxshi
chiqadigan qo'llanuvchilar va tarqatuvchilar uchun keng ko'lamli resurslar taqdim
etadi.
PyTorch yaratilganidan buyon, masofaviy tarmoq dasturlash sohasida katta
ommaviy yuqori darajadagi o'quv tizimlari va o'zgaruvchilar tomonidan qo'llab-
quvvatlanmoqda. PyTorch Python tilida ishlaydi va oddiy ma'lumotlar, tijorat, tibbiyot,
ishlab chiqarish va boshqa sohalarda ishlatiladi. Platforma Python dasturlash tillari
orqali yaxshi ko'plab tillar orqali qo'llaniladi.
Foydalanilgan adabiyotlar ro‘yxati:
1.
Mamatov, N., Dusanov, X., & Pulatov, G. (2023). Shaxsni ovozi asosida tanib
olish usullari.
Digital transformation and artificial intelligence
,
1
(2), 90–95.
95
2.
Muhamediyeva, D., & Pulatov, G. (2023). Bozorning dori vositalariga
bo’lgan ehtiyojlarini bashoratlashda sun’iy intеllеkt tеxnologiyalarini qo’llash.
Digital
transformation and artificial intelligence
,
1
(2), 7–11.
3.
Otaqulov, O. X., & Pulatova, G. A. Q. (2021). Sun’iy intellekt va uning
insoniyat faoliyatida tutgan o’rni.
Scientific progress
,
2
(8), 929-935.
THE ROLE OF NLP IN DEVELOPING PERSONALIZED TRAINING
MATERIALS FOR BLIND PEOPLE
Ulugmurodov Shokh Abbos Bakhodir ugli
Jizzakh branch of National University of Uzbekistan
Abstract.
The aim of this study is to investigate the role of Natural Language
Processing (NLP) in developing personalized training materials for blind people.
Despite the availability of different formats of training materials, blind people often
face challenges in accessing and using them effectively. To address this issue, we
developed personalized audio-based training materials using NLP techniques that
adapt to the individual needs and preferences of blind users. In this study, we describe
the design and development of the personalized training materials and evaluate their
effectiveness through user feedback. Our results indicate that the personalized audio-
based training materials are effective in improving the accessibility and effectiveness
of training for blind people. The study highlights the potential of NLP to enhance the
accessibility of training materials and improve the educational outcomes of blind
people. The implications of the study for future research and practice are discussed.
Keywords.
Natural Language Processing, Blindness, Personalized Training
Materials, Accessibility, Education.
Introduction
Blindness poses significant challenges in accessing educational and training
materials. Blind people often face barriers to accessing information and
communicating with the surrounding environment. In the context of education and
training, these challenges become more pronounced, as learning materials are often not
designed with the needs of blind people in mind [1].
One of the main challenges faced by blind people is the lack of accessible
formats of training materials. While various formats of training materials, such as
printed materials, videos, and online resources, are available, they are often
inaccessible to blind people. Printed materials, for example, are not accessible to blind
people who cannot read standard text. Videos and online resources that rely on visual
content are not accessible to blind people who cannot see the images.
Another challenge is the lack of personalized training materials that cater to the
individual needs and preferences of blind users [2]. Blind people have different
learning styles and abilities, and the one-size-fits-all approach to training materials may
not be effective in addressing their diverse needs.