630
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
DEEP LEARNING ASOSLARI VA ULARNING EMOTSIYALARNI SINFLASHDAGI
O‘RNI
Nuriddinova Nasibaxon Umidjon qizi
FDU Amaliy matematika va informatika yo‘nalishi magistranti.
https://doi.org/10.5281/zenodo.15664841
Annotatsiya.
Ushbu maqolada chuqur o‘rganish (Deep Learning) metodlarining asosiy
tamoyillari va ularning inson emotsiyalarini aniqlash va sinflashdagi roli tahlil qilinadi. Deep
Learning algoritmlari, xususan sun’iy neyron tarmoqlari, katta hajmdagi ma’lumotlarni
avtomatik ravishda o‘rganish va murakkab naqshlarni aniqlash imkonini beradi. Maqolada
emotsiyalarni sinflash jarayonida konvolyutsion neyron tarmoqlari (Convolutional Neural
Networks), takroriy neyron tarmoqlari (Recurrent Neural Networks) va ularning variantlari
qanday qo‘llanilishi hamda ularning samaradorligi ko‘rib chiqiladi. Shu bilan birga, turli
sensor ma’lumotlari (yuz ifodalari, ovoz, nutq, biometrik signallar) asosida emotsiyalarni
aniqlash va tasniflashda chuqur o‘rganishning afzalliklari va cheklovlari muhokama qilinadi.
Tadqiqot natijalari emotsiya aniqlash sohasida yangi algoritmlar ishlab chiqishda, shuningdek
inson-
mashina interfeyslarini yaxshilashda muhim ahamiyat kasb etadi. Ushbu ish sun’iy
intellekt va kompyuter fanlari sohasidagi ilmiy izlanishlarni chuqurlashtirishga xizmat qiladi.
Kalit so’zlar
: Chuqur o‘rganish, Sun’iy neyron tarmoq, Konvolyutsion neyron tarmoq,
Takroriy neyron tarmoq, Emotsiyalarni sinflash, Xususiyatlarni ajratib olish, Faollashtirish
funksiyasi, Orqaga tarqatish usuli.
DEEP LEARNING BASICS AND THEIR ROLE IN EMOTIONS CLASSIFICATION
Abstract.
This article analyzes the fundamental principles of deep learning methods and
their role in the recognition and classification of human emotions. Deep learning algorithms,
particularly artificial neural networks, enable automatic learning from large volumes of data
and detection of complex patterns. The article examines the application and effectiveness of
convolutional neural networks, recurrent neural networks, and their variants in the process of
emotion classification. Additionally, the advantages and limitations of deep learning in detecting
and classifying emotions based on various sensor data (facial expressions, voice, speech,
biometric signals) are discussed. The research findings are significant for developing new
algorithms in emotion recognition and improving human-machine interfaces. This work
contributes to advancing scientific research in the fields of artificial intelligence and computer
science.
Keywords:
Deep learning, Artificial neural network, Convolutional neural network,
Recurrent neural network, Emotion classification, Feature extraction, Activation function,
Backpropagation.
ОСНОВЫ ГЛУБОКОГО ОБУЧЕНИЯ И ИХ РОЛЬ В КЛАССИФИКАЦИИ
ЭМОЦИЙ
Аннотация.
В данной статье анализируются основные принципы методов
глубокого обучения и их роль в распознавании и классификации человеческих эмоций.
Алгоритмы глубокого обучения, в частности искусственные нейронные сети,
обеспечивают автоматическое обучение на больших объемах данных и выявление
сложных закономерностей. В статье рассматривается применение и эффективность
сверточных нейронных сетей, рекуррентных нейронных сетей и их вариантов в процессе
классификации эмоций. Кроме того, обсуждаются преимущества и ограничения
глубокого обучения при выявлении и классификации эмоций на основе различных
631
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
сенсорных данных (выражения лица, голос, речь, биометрические сигналы). Результаты
исследования имеют важное значение для разработки новых алгоритмов распознавания
эмоций, а также для улучшения интерфейсов «человек
-
машина». Данная работа
способствует углублению научных исследований в области искусственного интеллекта и
компьютерных наук.
Ключевые слова:
Глубокое обучение, Искусственная нейронная сеть, Сверточная
нейронная сеть, Рекуррентная нейронная сеть, Классификация эмоций, Извлечение
признаков, Функция активации, Обратное распространение ошибки.
Kirish
So
‘
nggi yillarda sun
’
iy intellekt sohasida chuqur o
‘
rganish metodlari muhim taraqqiyotga
erishdi va ko
‘
plab sohalarda, xususan inson emotsiyalarini aniqlash va sinflashda keng qo
‘
llanila
boshlandi. Emot
siyalar insonning hissiy holatini ifodalovchi murakkab psixologik holat bo‘lib,
ularning to‘g‘ri va aniq aniqlanishi inson
-
mashina o‘zaro aloqalarining sifatini tubdan yaxshilash
imkonini beradi. An’anaviy usullar va oddiy mashina o‘rganish algoritmlari bilan solishtirganda,
chuqur o‘rganish algoritmlari ko‘p qatlamli neyron tarmoqlari yordamida katta hajmdagi noaniq
va yuqori o‘lchovli ma’lumotlardan samarali xususiyatlarni avtomatik ajratib olishga qodir.
Chuqur o‘rganishning asosiy tamoyillari konvolyutsion neyron tarmoqlari, takroriy
neyron tarmoqlari va ularning kombinatsiyalari emotsiyalarni turli modaliteler (masalan, yuz
ifodalari, nutq, ovoz va biometrik signallar) asosida aniqlashda yangi imkoniyatlarni
yaratmoqda. Shu bilan birga, ushbu metodlarning samaradorligini oshirish va ularning
chegaralarini aniqlash ilmiy va amaliy ahamiyat kasb etadi. Tadqiqotlar shuni ko‘rsatadiki,
chuqur o‘rganish usullari inson emotsiyalarining nozik va murakkab naqshlarini aniqlashda
yuqori aniqlik va moslashuvchanlikni ta’minlaydi. Ushbu maqolada chuqur o‘rganishning asosiy
tamoyillari, uning emotsiyalarni aniqlash va sinflashdagi o‘rni, shuningdek, turli arxitekturalar
va algoritmlarning afzalliklari hamda cheklovlari tizimli tarzda ko‘rib chiqiladi. Maqolaning
maqsadi inson hissiy holatini aniqlashda chuqur o‘rganish yondashuvlarining samaradorligini
tahlil qilish va sohadagi ilmiy izlanishlar uchun yo‘nalishlar belgilashdir.
Asosiy qism
Chuqur o‘rganish (Deep Learning) –
mashinali o‘rganish sohasining jadal
rivojlanayotgan yo‘nalishi bo‘lib, murakkab munosabatlarni o‘rganish va katta hajmdagi
ma'lumotlardan qaror qabul qilish modellarini yaratish imkonini beradi. So‘nggi o‘n yillikda
chuqur o‘rganish usullari kompyuter ko‘rishi, tabiiy tilni qayta ishlash, nutqni tanib olish kabi
sohalarda inqilobiy o‘zgarishlarga olib keldi va ularning emotsiyalarni sinflashdagi o‘rni tobora
ortib bormoqda.
Ushbu paragrafda chuqur o‘rganish asoslari, uning asosiy komponentlari va emotsiyalarni
sinflashdagi qo‘llanilishi batafsil ko‘rib chiqiladi. Chuqur o‘rganish sun'iy neyron tarmoqlari
(artificial neural networks) ga asoslangan bo‘lib, bu tarmoqlar inson miyasining tuzilishi va
ishlash printsiplaridan ilhomlangan. Oddiy neyron tarmoqlaridan farqli ravishda, chuqur
o‘rganish modellari ko‘p qatlamli arxitekturaga ega bo‘lib, murakkab munosabatlarni o‘rganish
va ierarxik abstraksiyalarni shakllantirish imkonini beradi.
Neyron tarmoqlarining asosiy qurilish bloki neyron (perceptron) hisoblanadi. Har bir
neyron bir nechta kirishlardan (inputs) signal qabul qiladi, ularni o‘z vaznlari (weights) bilan
ko‘paytiradi, yig‘indi hosil qiladi va aktivatsiya funksiyasi orqali chiqish signalini (output)
shakllantiradi.
632
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Neyronlar qatlamlarga birlashtiriladi va har bir qatlam o‘zidan oldingi qatlamdan kelgan
signallarni qayta ishlaydi. Chuqur neyron tarmoqlarining asosiy komponentlari orasida kirish
qatlami, yashirin qatlamlar va chiqish qatlami muhim o‘rin tutadi. Kirish qatlami ma'lumotlarni
qabul qiluvchi neyronlardan tashkil topgan bo‘lib, tizimga kiruvchi signallarni dastlabki qayta
ishlashni amalga oshiradi. Yashirin qatlamlar esa kirish va chiqish qatlamlari o‘rtasida
joylashgan bir yoki bir nechta neyron qatlamlarini o‘z ichiga oladi. Chuqur o‘rganish
modellarida odatda ko‘p sonli yashirin qatlamlar qo‘llaniladi, bu esa modelga murakkab
abstraksiyalarni shakllantirish imkonini beradi. Chiqish qatlami esa tarmoqning yakuniy
natijasini (masalan, sinflash qarorlari yoki regression qiymatlarini) shakllantiradi.
Neyron tarmoqlarining muhim tarkibiy qismlari sifatida vaznlar, aktivatsiya funksiyalari,
yo‘qotish funksiyasi va optimizatsiya algoritmlari ham alohida ahamiyatga ega. Vaznlar
neyronlar o‘rtasidagi bog‘lanishlar kuchini ifodalaydi va o‘qitish jarayonida muntazam
yangilanib boradi. Aktivatsiya funksiyalari, jumladan sigmoid, tanh, ReLU, Leaky ReLU, Swish
kabilar chiziqli bo‘lmagan funksiyalar sifatida tarmoqqa murakkab munosabatlarni o‘rganish
imkonini beradi. Yo‘qotish funksiyasi tarmoqning haqiqiy va bashorat qilingan qiymatlari
o‘rtasidagi farqni o‘lchovchi mexanizm sifatida xizmat qiladi. Optimizatsiya algoritmlari esa,
masalan gradient descent, Adam, RMSprop kabilar, yo‘qotish funksiyasini minimallashtirish
orqali vaznlarni yangilash jarayonini boshqaradi.
Chuqur o‘rganish sohasida turli xil arxitekturalar ishlab chiqilgan bo‘lib, ular turli
vazifalar uchun moslashtirilgan. To‘liq bog‘langan tarmoqlar eng oddiy arxitektura hisoblanib,
unda har bir neyron o‘zidan oldingi qatlamdagi barcha neyronlar bilan bog‘langan bo‘ladi. Bu
arxitektura sodda bo‘lsa
-
da, katta o‘lchamdagi ma'lumotlar bilan ishlashda samaradorlik
jihatidan cheklovlarga ega.
Konvolyutsion neyron tarmoqlari asosan tasvirlarni qayta ishlash va tahlil qilish uchun
mo‘ljallangan bo‘lib, lokal xususiyatlarni ajratib olish va fazoviy munosabatlarni saqlash
imkoniyatlarini taqdim etadi. Ushbu arxitektura konvolyutsion qatlamlar, pooling qatlamlari va
to‘liq bog‘langan qatlamlardan tashkil topadi. Konvolyutsion qatlamlar tasvirning lokal sohalari
ustida filter operatsiyalarini bajarsa, pooling qatlamlari ma'lumotlar o‘lchamini kamaytirish va
asosiy xususiyatlarni saqlash vazifasini bajaradi. Rekurrent neyron tarmoqlari ketma-ketlik
ma'lumotlari bilan ishlash uchun mo‘ljallangan bo‘lib, vaqt bo‘yicha bog‘lanishlarni o‘rganish
imkonini beradi. Oddiy RNNlar uzoq muddatli bog‘lanishlarni o‘rganishda qiyinchiliklarga duch
kelganligi sababli, Long Short-Term Memory (LSTM) va Gated Recurrent Unit (GRU) kabi
takomillashtirilgan arxitekturalar ishlab chiqilgan. Bu arxitekturalar matn, nutq va vaqt seriyalari
kabi ketma-
ketlik ma'lumotlarini tahlil qilishda yaxshi natijalar ko‘rsatadi.
So‘nggi yillarda tabiiy tilni qayta ishlash sohasida transformer arxitekturasi eng yaxshi
natijalarni ko‘rsatmoqda. Bu arxitektura attentsiya mexanizmi va paralel hisoblash
imkoniyatlariga asoslangan bo‘lib, BERT, GPT, XLNet kabi yuqori samarali modellarning
asosini tashkil etadi. Transformer modellari qo‘zg‘alish vaqtini sezilarli darajada qisqartirish va
uzoq kontekstni samarali qayta ishlash imkonini beradi.
Bundan tashqari, chuqur o‘rganish sohasida autoencoderlar, generativ raqobatli tarmoqlar
va graph neural networks kabi maxsus arxitekturalar ham mavjud. Autoencoderlar ma'lumotlarni
kodlash va dekodlash orqali o‘lchamni kamaytirish va xususiyatlarni o‘rganish uchun
qo‘llaniladi. Generativ raqobatli tarmoqlar generator va diskriminator tarmoqlarining raqobati
asosida yangi ma'lumotlarni generatsiya qilishga qaratilgan.
633
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Graph neural networks esa graflar va tarmoqli ma'lumotlar bilan ishlash uchun
mo‘ljallangan bo‘lib, ijtimoiy tarmoqlar, molekulyar strukturalar va boshqa grafik ma'lumotlarni
tahlil qilishda qo‘llaniladi.
Chuqur o‘rganish sohasida qo‘llaniladigan bir qator muhim usullar va konsepsiyalar
mavjud bo‘lib, ular modellarning samaradorligini oshirish va o‘qitish jarayonini yaxshilashga
xizmat qiladi. Backpropagation algoritmi neyron tarmoqlarini o‘qitishning asosiy mexanizmi
hisoblanadi. Bu algoritm yo‘qotish funksiyasining gradientini hisoblash va vaznlarni yangilash
orqali tarmoqni bosqichma-
bosqich optimallashtirishga asoslangan. Chuqur o‘rganishda
regularizatsiya usullari alohida o‘rin egallaydi. Over
-fitting (haddan tashqari moslashtirish)
muammosini hal qilish uchun L1/L2 regularization, dropout, batch normalization, early stopping
kabi usullar qo‘llaniladi. Bu usullar modelning o‘quv ma'lumotlariga haddan tashqari moslashib
ketishini oldini oladi va uning umumlashtirish qobiliyatini oshiradi Transfer Learning zamonaviy
chuqur o‘rganishning muhim konsepsiyalaridan biri hisoblanadi. Bu usulda oldindan o‘qitilgan
modellardan foydalanib, yangi vazifalar uchun moslashtirish amalga oshiriladi. Transfer
Learning ayniqsa ma'lumotlar cheklangan holatlarda juda foydali bo‘lib, resurslarni tejash va
o‘qitish jarayonini tezlashtirish imkonini beradi. Fine
-tuning esa transfer learning jarayonining
bir qismi bo‘lib, oldindan o‘qitilgan modelni yangi vazifa uchun qayta o‘qitish jarayonini
anglatadi.
Muhokama
Chuqur o‘rganish algoritmlari, xususan konvolyutsion va takroriy neyron tarmoqlari,
inson emotsiyalarini aniqlash va sinflash jarayonida sezilarli afzalliklarni namoyish etdi.
Konvolyutsion neyron tarmoqlari yuz ifodalari va vizual ma’lumotlar ichidagi naqshlarni
aniqlashda yuqori aniqlik ko‘rsatgan bo‘lsa, takroriy neyron tarmoqlari nutq va vaqt ketma
-
ketligi bo‘yicha olingan signal ma’lumotlarini qayta ishlashda samarali ekanligi isbotlandi. Shu
tarzda, turli modalitelerdagi ma’lumotlarni birlashtirish orqali emotsiyalarni yanada aniqroq va
kompleksroq aniqlash imkoniyati paydo bo‘ldi. Biroq, chuqur o‘rganish metodlarining yuqori
natijalari bilan birga ularning o‘rganish jarayonidagi murakkabliklari ham mavjud. Modelning
ortiqcha moslashuvi, ya’ni o‘qitish ma’lumotlariga haddan tashqari moslashib ketishi, test
ma’lumotlarida samaradorlikning pasayishiga olib kelishi mumkin. Bundan tashqari, chuqur
neyron tarmoqlarining talablari ko‘p bo‘lgani sababli, katta hajmdagi yorlangan ma’lumotlar
to‘plamlarini yaratish zarurati mavjud bo‘lib, bu ko‘plab sohalarda cheklovlar yaratadi.
Ma’lumotlarning shovqini va turli sensorlardan olingan signallarning xilma
-xilligi chuqur
o‘rganish tizimlarining barqarorligini kamaytiradi va natijada emotsiyalarni noto‘g‘ri aniqlash
xavfini oshiradi. Shu sababli, ma’lumotlarni oldindan qayta ishlash, xususiyatlarni ajratib olish
va modelni optimallashtirish bo‘yicha yanada rivojlangan yondashuvlar talab etiladi.
Shuningdek, ko‘p modaliteli ma’lumotlarni integratsiyalash va real vaqt rejimida
emotsiyalarni aniqlash uchun yangi arxitekturalar va algoritmlar ishlab chiqish muhim ilmiy
yo‘nalish hisoblanadi. Bunday tizimlar inson
-
mashina o‘zaro aloqalarida, ayniqsa, insonning
hissiy holatini hisobga oladigan interaktiv tizimlarda muhim ahamiyat kasb etadi.
Xulosa
Ushbu tadqiqot chuqur o‘rganish metodlarining inson emotsiyalarini aniqlash va
sinflashdagi muhim o‘rnini ochib berdi. Konvolyutsion va takroriy neyron tarmoqlari kabi ilg‘or
arxitekturalar, yuqori o‘lchovli va turli modaliteli ma’lumotlarni samarali qayta ishlash orqali,
emotsiyalarning murakkab naqshlarini aniqlash imkonini yaratadi.
634
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 6
Shu bilan birga, chuqur o‘rganish yondashuvlarining yuqori samaradorligi, ularning
talablari va o‘rganish jarayonidagi murakkabliklari bilan birga keladi. Ma’lumotlarning sifati va
miqdori, shuningdek, modelning to‘g‘ri sozlanishi tizimning natijalariga sezilarli ta’sir
ko‘rsatadi. Kelajakda emotsiyalarni aniqlashda ko‘p modaliteli ma’lumotlarni integratsiyalash va
real vaqt rejimida yuqori aniqlikda ishlashga qodir yangi algoritmik yechimlar va arxitekturalarni
rivojlantirish muhim vazifa hisoblanadi. Bu sohadagi ilmiy yutuqlar inson-
mashina o‘zaro
aloqalarini yanada samarali va insonparvar tizimlarga aylantirishga xizmat qiladi. Shu bois,
chuqur o‘rganish texnologiyalarini yanada takomillashtirish va ularni amaliyotga keng joriy
etish, emotsiyalarni sinflash sohasida yangi ufqlarni ochadi.
Foydalanilgan adabiyotlar
1.
Geng, Y., Shi, S., & Hao, X. (2024). Deep learning-based EEG emotion recognition: a
comprehensive review. Neural Computing and Applications.
2.
Huang, X., Xu, J., Zheng, W., Mao, Q., & Dhall, A. (2024). A Survey of Deep Learning
for Group-level Emotion Recognition. arXiv preprint arXiv:2408.15276.
3.
Ma, W., Zheng, Y., Li, T., Li, Z., Li, Y., & Wang, L. (2024). A comprehensive review of
deep learning in EEG-based emotion recognition: classifications, trends, and practical
implications. PeerJ Computer Science, 10, e2065.
4.
Rouast, P. V., Adam, M. T. P., & Chiong, R. (2019). Deep Learning for Human Affect
Recognition: Insights and New Developments. arXiv preprint arXiv:1901.02884.
5.
Younis, E. M. G., Mohsen, S., Houssein, E. H., & Ibrahim, O. A. S. (2024). Machine
learning for human emotion recognition: a comprehensive review. Neural Computing and
Applications, 36, 8901
–
8947.
6.
To‘raqulov, O. M., & Abdurahmonov, D. D. (2022). Sun’iy neyron tarmoqlari yordamida
emotsiyalarni aniqlash tizimlari.
O‘zbekiston Axborot Texnologiyalari Jurnali
,
18(2), 45-
54.
7.
Sodiqov, J. K. (2023). Chuqur o‘rganish metodlarining tabiiy tilni qayta ishlash sohasidagi
ahamiyati. Toshkent Davlat Texnika Universiteti Ilmiy Axboroti
,
12(3), 98-105.
8.
Mirzaev, A. S. (2021). Emotsiyalarni tasniflashda konvolyutsion neyron tarmoqlari
qo‘llanilishi. O‘zbekiston Respublikasi Fanlar Akademiyasi Axboroti
,
27(1), 33-41.
9.
Karimov, B. T., & Islomov, F. N. (2020). Sun’iy intellekt va chuqur o‘rganish asoslari.
Toshkent Shahridagi Ilmiy Tadqiqotlar Jurnali
,
8(4), 120-129.
10.
Nurmatov, Sh. J. (2022). Emotsiya aniqlash tizimlarida ma’lumotlarni oldindan qayta
ishlash metodlari.
O‘zbekiston Axborot Texnologiyalari Jurnali
,
19(1), 67-75.
