ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
4
NEYRON TARMOQLAR
Tojimamatov I.N
Mamalatipov Odiljon Muhammadali o’g’li
Rahmatjonov Mirzohidjon Muzaffarjon o’g’li
Farhodjonov Saidbek Davlatjon o’g’li
Farg’ona davlat universiteti
Annotatasiya:
Mazkur maqolada neyron tarmoq qurilishi va neyron tarmoq turlari haqidagi
ma’lumotlar berilgan. Neyron tarmoqlar, sun’ iy intelektning asosidir.Barcha aqilli qurilmalar
neyron tarmoqlar yordamida ma’lumotlarni qabul qiladi va qayta ishlab yana uzatadi. Biz bu
maqola yordamida neyron tarmoqlarni qurishni va uning turlarini keng va to’liq yoritib
beramiz.
Kalit so’zlar:
Donald Hebb, MADALINE, Perceptronning, ADALINE,
MakKullox-Pitts neyroni,
(IEEE), MIT,
Inputs,
Weighted sum ,
Transfer function
, CSV, (CNN), (RNN),
ANN,
FeedForward
KIRISH. Bugungi zamonaviy texnologiyalar rivojlangan davrda sun’iy intelekt va uning
unsurlari deyarli hayotning barcha yo’nalishlarda tadbiq etilmoqda. Bunga misol sifatida
jumladan, oddiy uy ro‘zg‘orida ishlatiladigan zamonaviy quilmalar televizorlar, sovutgichlar,
kir yuvish mashinalari, pechlar, xavfsizlik tizimlari va aqilli uy qurilmalari shular
jumlasidandir. Shuning uchun qadim zamonlardan buyon odamlar o‘zlarining fikrlashlarini
qanday ishlashini tushuntirishga harakat qilishgan. Bu borada ko‘plab neyrologlar
neyroanatomistlar va olimlar miyaning qanday ishlashini o‘rganish bo‘yicha keng izlanishlar
olib borishgan va sezilarli yutuqlarga erishganlar. Inson asab tizimining tuzilishi va
funksiyalarini o‘rganib, ular miyaning “o‘tkazuvchanligi” haqida ko‘p ma’lumotlarga ega
bo‘ldilar, lekin uning ishlashi haqida juda kam ma’lumot aniqlangan.
Tadqiqotlar shuni ko‘rsatadiki, miya hayratlanarli darajada murakkab bo‘lib, har biri yuzlab
yoki minglab boshqa neyronlar bilan bog‘langan milliardlab neyronlar tizimi insoniyat
tomonidan yaratilgan super kompyuterlar beradigan eng katta natijalar ham xech qancha
imkoniyat bermasligi aniqlangan. Bu insonning tabiiy intelektini qay darajada mukammalligi
va murakkabligini ko’rsatadi. Shuning uchun sun’iy neyron tarmoqlarini o‘rganish muhim
masalardan hisoblanadi
NEYRON TARMOQ VA UNING TARIXI.
Neyron tarmoqlar - bu katta hajmdagi ma’lumotlar
o’rtasidagi munosabatlarni aniqlash uchun inson miyasining operatsiyalarini taqlid qiluvchi bir
qator algoritmlar. Ular moliyaviy xizmatlarda prognoz va marketing tadqiqotlaridan tortib
firibgarlikni aniqlash va xavflarni baholashgacha bo’lgan turli xil ilovalarda qo’llaniladi.
Neyron tarmoqlar g’oyasi hayratlanarli darajada miyadagi neyronlarning qanday ishlashini
ko’rsatuvchi model sifatida boshlandi va u fanda "konnektsionizm" deb ataladi. U aqlli xatti-
harakatni taqlid qilish uchun ulangan sxemalardan foydalaniladi. Donald Hebb o’zining "Xulq-
atvor tashkiloti" (1949) kitobida bu g’oyani davom ettirib, neyron yo’llari har bir ketma-ket
foydalanishda, ayniqsa bir vaqtning o’zida ishlashga moyil bo’lgan neyronlar o’rtasida
kuchayishini taklif qildi va shu bilan murakkab jarayonlarning miqdorini aniqlash yo’lidagi uzoq
sayohatni boshlaydi.
Neyron tarmoqlariga asos bo’lgan ikkita asosiy tushunchalar.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
5
"Treshold Logic" - doimiy kirishni diskret chiqishga aylantirish
"Hebbian o’rganish" - Donald Xebb o’zining "Xulq-atvor tashkiloti" kitobida taklif
qilgan, asabiy plastisiyaga asoslangan ta’lim modelidir: "Birgalikda yonayotgan
hujayralar, bir-biriga bog’langan" iborasi bilan.
ikkalasi ham 1940-yillarda taklif qilingan. 1950-yillarda tadqiqotchilar ushbu tarmoqlarni
hisoblash tizimlariga o’tkazishga harakat qila boshlaganlarida, birinchi Hebbian tarmog’i 1954
yilda MITda muvaffaqiyatli amalga oshirildi. Taxminan o’sha paytda Korneldagi psixolog Frenk
Rozenblat pashshaning ko’zida mavjud bo’lgan, uning qochib javobini aniqlaydigan nisbatan
soddaroq qarorlar tizimini tushunish ustida ishlamoqda. Ushbu jarayonni tushunish va
miqdorini aniqlash uchun u 1958 yilda Perceptron g’oyasini taklif qildi va uni Mark I Perceptron
deb atadi. Bu 1943 yilda nevrolog Uorren S. Makkalok va mantiqchi Valter Pitts tomonidan
chiziqli chegara yordamida miyadagi murakkab qaror jarayonlarini tushuntirish uchun taklif
qilingan,
MakKullox-Pitts neyroniga
asoslangan oddiy kirish-chiqish munosabatlariga ega tizim
edi. Darvoza. McCulloch-Pitts neyroni ma’lumotlarni oladi, og’irlikdagi summani oladi va agar
natija chegaradan past bo’lsa, "0" ni, aks holda "1" ni qaytaradi.
Makkaloch-Pitts neyroni
Mark I Perceptronning ajoyibligi shundaki, uning og’irliklari ketma-ket kiritilgan ma’lumotlar
orqali "o’rganiladi" va shu bilan birga kerakli va haqiqiy chiqish o’rtasidagi farqni
minimallashtiradi.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
6
Mark I Perceptronning birinchi ma’lum amalga oshirilishi. Mashina 400 pikselli tasvirni ishlab
chiqarish uchun 20 × 20 kadmiy sulfid fotosellaridan foydalangan kameraga ulangan . Asosiy
ko’rinadigan xususiyat - bu kirish xususiyatlarining turli kombinatsiyalari bilan tajriba
o’tkazish imkonini beruvchi patchboard. Uning o’ng tomonida moslashuvchan og’irliklarni
amalga oshiruvchi potensiometrlar massivlari joylashgan .[ wiki ]
Bu perseptron faqat chiziqli bo’linadigan sinflarni ajratishni o’rganishi mumkin edi, bu oddiy,
ammo chiziqli bo’lmagan eksklyuziv yoki sxemani yengib bo’lmaydigan to’siqga aylantiradi.
Miyadan tashqari qaror qabul qilish tizimlarining miqdorini aniqlash uchun Machine Learning-
dan foydalanishning tartibsiz va biroz qoniqarsiz paydo bo’lishiga qaramay, bugungi sun’iy
neyron tarmoqlari bu perseptronlarning bir necha qatlamlaridan boshqa narsa emas.
Bu vaqtda neyron tarmoqlar uchun ishlar tez sur’atda boshlandi va 1959 yilda Stenfordda
Bernard Vidrou va Marsian Xoff haqiqiy dunyo muammosiga muvaffaqiyatli qo’llaniladigan
birinchi neyron tarmoqni ishlab chiqdilar. Ushbu tizimlar bir nechta ADAptive Linear
Elementlardan foydalanganligi sababli ADALINE va MADALINE nomini oldi, ikkinchisi telefon
liniyalaridagi shovqinlarni yo’qotish uchun maxsus ishlab chiqilgan va hozir ham
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
7
qo’llanilmoqda(!). Biroq, bu sun’iy neyronlar idrok etuvchi neyronlardan ular chiqish sifatida
qaytgan narsalari bilan farq qilar edi, bu holda bu vaznli kirish edi.
Tarixda AI texnologiyasidagi har bir kichik yaxshilanishda bo’lgani kabi, bu dastlabki
muvaffaqiyatlar neyron tarmoqlarning qobiliyati va salohiyati haqida ortib borayotgan shov-
shuvga sabab bo’ldi, biroq tadqiqotchilar birin-ketin to’siqlarga duch kelishdi. Ushbu "Fikrlash
mashinalari" atrofida shov-shuvning eng yuqori cho’qqisida, N.Y.times neyron tarmoqlarning
potentsialiga bag’ishlan-gan ushbu maqolani e’lon qildi, bu video bir vaqtning o’zida chop etildi,
Avvalgi bir nechta "yaqin qo’ng’iroqlar"da bo’lgani kabi, biz har doim ishonishni yaxshi
ko’rganimizdek (yoki qo’rqish, bunga qanday qarashingizga bog’liq) ongli inson tomonidan
yaratilgan mavjudotlarni chiqarishga hali ham yaqin emas edik. Yuzaga kelgan muammolardan
biri bu tarmoqlarni ishga tushirish uchun amalda bo’lmagan uzoq ish vaqtlari bilan bog’liq edi,
chunki bu 60-yillar edi, bundan tashqari oddiy mantiqiy sxemalarni o’rganishga qodir emas edi.
Bularning barchasi 1969 yilda MIT AI laboratoriyasi asoschisi Marvin Minsky va laboratoriya
direktori Seymur Papertning "Perseptronlar" kitobining nashr etilishi bilan yakunlandi. Kitob
Rosenblattning neyron tarmoqlarga yagona idrok yondashuvini ko’p qatlamli neyron
tarmoqlarga samarali tarjima qilib bo’lmasligini qat’iy ta’kidladi. Yakuniy natija asosida
qatlamlar bo’ylab tarqalgan neyronlarning og’irliklarining to’g’ri nisbiy qiymatlarini baholash
uchun cheksiz bo’lmasa, bir nechta takrorlash kerak bo’ladi va hisoblash uchun juda uzoq vaqt
kerak bo’ladi. Minski o’z matnida Neyron Nets bilan bog’liq ushbu va boshqa muammolarni
ko’rsatib berdi va katta ilmiy jamoatchilikni va eng muhimi, moliyalashtirish muassasalarini
ushbu yo’nalishdagi keyingi tadqiqotlar hech qanday joyga olib kelmaydi degan xulosaga
keldi. Ushbu matnning ta’siri kuchli edi va moliyaviy mablag’larni shu darajada quritdiki, keyingi
10-12 yil davomida o’sha paytdagi eng yirik tadqiqot institutlarida va shuning uchun kichikroq
ilmiy muassasalarda hech kim bunday loyihaga ega bo’lmaydi. Uning asosi sifatida halokatli
neyron tarmoqlari bor edi. Endi mashhur "AI qishi" deb ataladigan davr boshlandi. Ushbu o’n
yillik qishning erishi 1982 yilda Milliy Fanlar akademiyasida Jon Xopfild o’zining Hopfield
Net deb nomlanuvchi ma’ruzasini taqdim etganida boshlandi va o’sha yili Yaponiya
kooperativ/raqobatbardosh neyron tarmoqlar bo’yicha AQSh-Yaponiya konferentsiyasida e’lon
qildi. Neyron tarmoqlarida beshinchi avlod harakatlarini boshlash niyatida. Bu orqada
qolishdan qo’rqadigan xalq g’aznasidan yana oqib chiqa boshlash uchun mablag’ oldi. Ko’p
o’tmay, 1985 yilda Amerika Fizika Instituti "Hisoblashda neyron tarmoqlari" yillik yig’ilishini
tashkil etdi, keyin 1987 yilda Elektr va elektron muhandislar instituti (IEEE) tomonidan neyron
tarmoqlar bo’yicha birinchi xalqaro konferentsiya o’tkazildi.
Biroq, bu 60-yillardan beri mavjud bo’lgan kontseptsiyaning asosiy qayta kashfiyoti bo’ldi, bu
neyron tarmoqlarning erta qabrdan chiqishiga yordam berdi. 60-yillardan beri tadqiqotchilar
tomonidan ishlab chiqilgan va AI qishigacha doimiy ravishda rivojlanib boruvchi usul bo’lgan
orqaga tarqalish intuitsiyaga asoslangan usul bo’lib, u voqealar zanjirida orqaga qaytganligi
sababli har bir hodisaning ahamiyatini kamaytiradi. Neyron tarmoqlari uchun ularning
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
8
imkoniyatlarini ko’rgan va bu MLP uchun qanday tarjima qilinishi haqidagi savolni hal qilgan
birinchi odam Pol Verbos bo’ldi, u qisman uning inson ongiga tatbiq etilishi va Freydning kredit
tayinlashning orqaga qaytishi bo’yicha ishidan ilhomlantirdi, bu haqda doktorlik
dissertatsiyasini yozdi. ularning ahamiyati. Biroq, Parker 1985 yilda MITdagi ishi haqida hisobot
e’lon qilmaguncha, bu ish jamiyatda hech kim tomonidan e’tiborga olinmadi. Rumelxart, Xinton
va Uilyams tomonidan qayta kashf etilgandan va aniq va batafsil doirada qayta nashr etilgandan
keyingina, texnika jamiyatni bo’ron bilan egallab oldi. Xuddi shu mualliflar Minskiy tomonidan
1969 yilda nashr etilgan keyingi nashrida ko’rsatilgan kamchiliklarni ham ko’rib chiqdilar.
NEYRON TARMOQ QURILISHI.
Endi neyron tarmoq nima?
Xo’sh, bu shunchaki ba’zi ma’lumotlarga mos keladigan funksiya. Eng oddiy shaklda quyida
ko’rsatilganidek, ba’zi ma’lumotlarga mos keladigan bitta funktsiya mavjud. Ushbu
tuzilish neyron deb ataladi .
Neyron sxemasi
Inputs - bu o’quv jarayoni uchun modelga kiritilgan xususiyatlar to’plami. Masalan,
aniqlashda kirish tasvirga tegishli piksel qiymatlari qatori bo’lishi mumkin.
Weighted sum - Uning asosiy vazifasi o’rganishga ko’proq hissa qo’shadigan xususiyatlarga ahamiyat
berishdir. U buni kiritilgan qiymat va og’irlik matritsasi o’rtasida skalyar ko’paytirishni kiritish orqali
amalga oshiradi. Misol uchun, salbiy so’z bir juft neytral so’zlardan ko’ra hissiyotlarni tahlil qilish
modeli qaroriga ko’proq ta’sir qiladi.
Transfer function - O’tkazish funktsiyasining vazifasi faollashtirish funktsiyasini qo’llash uchun bir
nechta kirishlarni bitta chiqish qiymatiga birlashtirishdir. U uzatish funktsiyasiga kiritilgan barcha
ma’lumotlarni oddiy yig’ish orqali amalga oshiriladi.
Faollashtirish funktsiyasi - kirishlar bilan o’zgaruvchan chiziqlilikni hisobga olish uchun
perseptronlarning ishlashida chiziqli bo’lmaganlikni joriy qiladi. Busiz, chiqish faqat kirish
qiymatlarining chiziqli kombinatsiyasi bo’ladi va tarmoqqa chiziqli bo’lmaganlikni kirita olmaydi
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
9
Funktsiya har qanday bo’lishi mumkin: chiziqli funktsiya yoki sigmasimon funktsiya. Albatta,
bitta neyronning an’anaviy mashinani o’rganish algoritmidan ustunligi yo’q.
Shunday qilib, neyron tarmoq bir nechta neyronlarni birlashtiradi. Neyronlarni neyron
tarmoqning qurilish bloklari sifatida tasavvur qiling. Ularni to’plash orqali siz neyron tarmoqni
quyidagi tarzda qurishingiz mumkin:
Neyron tarmoq sxemasi
Kirish qatlami.
Biz modelga uzatadigan ma’lumotlar CSV fayli yoki veb-xizmat kabi tashqi
manbalardan kirish qatlamiga yuklanadi. Bu to’liq Neyron Tarmoq arxitekturasidagi yagona
ko’rinadigan qatlam bo’lib, u tashqi dunyodan to’liq ma’lumotni hech qanday hisob-kitoblarsiz
uzatadi.
Yashirin qatlamlar.
Yashirin qatlamlar bugungi kunni chuqur o’rganishga imkon beradi. Ular barcha
hisob-kitoblarni bajaradigan va ma’lumotlardan xususiyatlarni chiqaradigan oraliq qatlamlardir.
Ma’lumotlardagi turli xil yashirin xususiyatlarni qidirishni hisobga oladigan bir nechta o’zaro
bog’langan yashirin qatlamlar bo’lishi mumkin. Masalan, tasvirni qayta ishlashda birinchi yashirin
qatlamlar qirralar, shakllar yoki chegaralar kabi yuqori darajadagi xususiyatlar uchun
javobgardir. Boshqa tomondan, keyinchalik yashirin qatlamlar to’liq ob’ektlarni (mashina, bino,
odam) aniqlash kabi murakkabroq vazifalarni bajaradi.
Chiqish qatlami .
Chiqish qatlami oldingi yashirin qatlamlardan ma’lumotlarni oladi va modelning o’rganishlari
asosida yakuniy prognozga keladi. Bu biz yakuniy natijaga erishadigan eng muhim qatlamdir.
Yuqorida har bir kirish har bir neyronga qanday oziqlanishiga e’tibor bering. Neyron tarmoq
qaysi funksiya ma’lumotlarga eng mos kelishini o’zi aniqlaydi. Ta’minlashingiz kerak bo’lgan
yagona narsa kirish va chiqishdir.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
10
An’anaviy neyron tarmoqlar onlayn reklama maqsadlarida qo’llaniladi. Konvolyutsion neyron
tarmoqlari (CNN) fotosuratlarni teglash va takroriy neyron tarmoqlar uchun ajoyib (RNN)
nutqni aniqlash yoki mashina tarjimasi uchun ishlatiladi.
So’nggi yillarda bizning raqamli faolligimiz sezilarli darajada oshdi va juda katta hajmdagi
ma’lumotlarni yaratdi. Mashinani o’rganishning an’anaviy usullarining samaradorligi ko’proq
ma’lumotlardan foydalanilganda past bo’lsa-da, etarlicha katta neyron tarmoqlarda ko’proq
ma’lumotlar mavjud bo’lganda ularning samaradorligi oshadi. So’nggi yillarda ma’lumotlarni
saqlash juda arzonlashdi va hisoblash quvvati bunday yirik neyron tarmoqlarni o’qitishga imkon
beradi.
NEYRON TARMOQ TURLARI.
ANNning ikkita muhim turi mavjud:
1) FeedForward neyron tarmog’i:
Oldinga yo’naltirilgan ANNda axborot oqimi faqat bitta yo’nalishda. Ya’ni, ma’lumotlar kirish
qatlamidan yashirin qatlamga, keyin esa chiqish qatlamiga oqadi. Hech qanday fikr-
mulohazalar mavjud emas. Ushbu neyron tarmoqlar odatda tasniflash va tasvirni aniqlash kabi
vazifalar uchun nazorat ostida o’rganishda qo’llaniladi. Biz ularni ma’lumotlar ketma-ket
tartibda bo’lmaganda ishlatamiz. Oldinga uzatish tarmoqlarini konvolyutsion neyron
tarmoqlari (CNN) bilan solishtirish mumkin.
2) Teskari aloqa neyron tarmog’i:
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
11
Teskari aloqa halqalari teskari aloqa ANNlarining elementidir. Bunday neyron tarmoqlar,
masalan, takroriy neyron tarmoqlar, asosan xotirani saqlash uchun ishlatiladi. Ushbu
tarmoqlar ma’lumotlar ketma-ket yoki vaqtga bog’liq bo’lgan holatlarda eng yaxshi
qo’llaniladi. Qayta aloqa zanjirlari takroriy neyron tarmoqlarni (RNN) belgilaydi.
ANN o’rganish texnikasi.
1.
Nazorat ostida o’rganish: foydalanuvchi ushbu o’rganish usulida etiketli ma’lumotlar
bilan modelni o’rgatadi. Bu ba’zi ma’lumotlar allaqachon tegishli javoblar bilan belgilab
qo’yilganligini ko’rsatadi. Nazoratchi ishtirokida olib boriladigan ta’lim nazorat ostidagi
ta’lim deb ataladi.
2.
Nazoratsiz o’rganish: Model ushbu o’rganishda nazoratni talab qilmaydi. Odatda
etiketlanmagan ma’lumotlar bilan bog’liq. Foydalanuvchi modelga ma’lumotlarni
mustaqil ravishda turkumlashtirishga ruxsat beradi. U o’xshashliklar va naqshlar
asosida ma’lumotlarni oldindan ma’lumot tayyorlashni talab qilmasdan tartibga soladi.
3.
O’rganishni mustahkamlash: Bu holda chiqish qiymati noma’lum, lekin tarmoq uning
to’g’ri yoki noto’g’ri ekanligi haqida fikr-mulohazalarni taqdim etadi. U "Yarim nazorat
ostida o’qitish" deb nomlanadi.
Sun’iy neyron tarmoq ilovalari.
Quyida ba’zi muhim ANN ilovalari keltirilgan :
1.
Nutqni aniqlash: Nutqni aniqlash asosan sun’iy neyron tarmoqlarga (ANN)
tayanadi. Ilgari nutqni aniqlash modellarida Yashirin Markov modellari kabi statistik
modellar ishlatilgan. Chuqur o’rganishning joriy etilishi bilan neyron tarmoqlarning bir
nechta shakllari aniq tasnifni olishning yagona usuliga aylandi.
2.
Qo’lda yozilgan belgilarni aniqlash: ANN qo’lda yozilgan belgilarni tanib olish uchun
ishlatiladi. Qo’lda yozilgan belgilar harflar yoki raqamlar ko’rinishida bo’lishi mumkin
va neyron tarmoqlar ularni tanib olishga o’rgatilgan.
3.
Imzo tasnifi: Biz imzolarni tanib olish va ushbu autentifikatsiya tizimlarini ishlab
chiqishda ularni shaxs sinfiga qarab toifalash uchun sunʼiy neyron tarmoqlardan
foydalanamiz. Bundan tashqari, neyron tarmoqlar imzoning haqiqiy yoki haqiqiy
emasligini aniqlashi mumkin.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
12
4.
Tibbiy: U saraton hujayralarini aniqlash va batafsil natijalarni berish uchun MRI
rasmlarini tahlil qilish uchun ishlatilishi mumkin.
References:
1.
Васенков, Д. В. (2007). Методы обучения искусственных нейронных
сетей.
Компьютерные
инструменты
в
образовании
,
(1),
20-29.
2.
Исраил
Нурмаматович
Тожимаматов,
(2022).
ИЖТИМОИЙ
ТАРМОҚНИНГ
ИЖТИМОИЙ
МУАММОЛАРИ,
4(1),
702-705.
3.
Тожимаматов Исраил, (2021). Рақамли иқтисодиётда big data технологияси,
420-430.
4.
Tojimamatov, I. N., Mamalatipov, O. M., & Karimova, N. A. (2022). SUN’IY NEYRON
TARMOQLARINI O ‘QITISH USULLARI.
Oriental renaissance: Innovative, educational, natural
and social sciences
,
2
(12), 191-203.
5.
McKinsey, 2011, “Big data” refers to datasets whose size is beyond the ability of typical
database software tools to capture, store, manage, and analyze, p. 1.
6.
