ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
39
SUN’IY NEYRON TARMOQLAR VA ULARNI OʻRGANISH MEXANIZMI
Soatov Kamronbek Normahmat oʻgʻli
SHDPI Matematika va informatika yoʻnalishi talabasi
Oʻktamov Madadjon Oʻktam oʻgʻli
SHDPI “Matematika va ta’limda axborot texnologiyasi”
kafedrasi oʻqituvchisi
https://doi.org/10.5281/zenodo.14999178
Annotatsiya:
Ushbu tezisda sun’iy neyron tarmoqlari (SNT) va ularning oʻrganish
mexanizmlari tahlil qilinadi. Sunʻiy neyron tarmoqlari biologik neyronlarning faoliyatini
imitatsiya qiluvchi matematik modellardir va koʻplab sohalarda keng qoʻllanilmoqda. Tezisda
SNTlarning tuzilishi, oʻrganish jarayoni, asosiy algoritmlar va optimizatsiya metodlari, shu
jumladan, backpropagation va gradient descent kabi texnikalar koʻrib chiqiladi.
Абстрактный
. В этой диссертации анализируются искусственные нейронные
сети (ИНС) и механизмы их обучения. Искусственные нейронные сети представляют
собой математические модели, имитирующие активность биологических нейронов и
широко используемые во многих областях. В диссертации рассматривается структура
СНТ, процесс обучения, основные алгоритмы и методы оптимизации, включая такие
методы, как обратное распространение ошибки и градиентный спуск.
Abstract.
This thesis analyzes artificial neural networks (ANNs) and their learning
mechanisms. Artificial neural networks are mathematical models that imitate the activity of
biological neurons and are widely used in many fields. The thesis examines the structure of
SNTs, the learning process, basic algorithms and optimization methods, including techniques
such as backpropagation and gradient descent.
Kalit soʻzlar:
Sunʻiy neyron tarmoqlari (SNT), oʻrganish mexanizmi backpropagation,
gradient descent, konvolyutsion neyron tarmoqlari (CNN) rekurrent neyron tarmoqlari
(RNN), aktivatsiya funksiyalari
.
Ключевые слова
: искусственные нейронные сети (SNT), механизм обучения
обратного распространения ошибки, градиентный спуск, сверточные нейронные сети
(CNN), рекуррентные нейронные сети (RNN), функции активации.
Keywords
: Artificial neural networks (SNT), learning mechanism backpropagation,
gradient descent, convolutional neural networks (CNN), recurrent neural networks (RNN),
activation functions.
Sunʻiy neyron tarmoqlari (SNT) – biologik neyronlar tizimining faoliyatini
modellashtirish orqali yaratilgan matematik modellardir. Ular koʻplab ma’lumotlarni tahlil
qilish, ulardan ma’lumot chiqarish, qarorlar qabul qilish, tasvirni tanib olish, ovozli
ma’lumotlarni qayta ishlash kabi sohalarda keng qoʻllaniladi. SNTlar, ayniqsa, mashinada
oʻrganish va sun’iy intellekt sohalarida katta oʻzgarishlarni keltirib chiqarmoqda. Ushbu
tizimlar va ularning oʻrganish mexanizmlari hozirgi zamonaviy texnologiyalarni
rivojlantirishda asosiy rol oʻynamoqda.Sun’iy neyron tarmoqlarining rivojlanishi bir nechta
bosqichlarni oʻz ichiga oladi. Dastlabki oddiy neyron tarmog`idan tortib, bugungi kunda
yuqori samarali, murakkab tarmoq arxitekturalarigacha boʻlgan oʻsish jarayoni koʻzdan
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
40
kechirilgan. Tarmoqning oʻzini-oʻzi oʻrgatish jarayonida ishlatiladigan algoritmlar va usullar,
masalan, backpropagation (orqaga tarqatish) va gradient descent (gradientni kamaytirish)
kabi metodlar, sun’iy neyron tarmoqlarining samaradorligini oshirishga katta yordam
beradi.Bugungi kunda, sun’iy neyron tarmoqlari turli sohalarda, jumladan, tasvirni tanib olish,
avtomatik tarjima, tibbiy diagnostika, oʻz-oʻzini boshqaradigan transport vositalarini yaratish
va boshqa koʻplab sohalarda keng qoʻllanilmoqda. Ushbu tezisda sun’iy neyron tarmoqlarining
tuzilishi, oʻrganish mexanizmlari, asosiy arxitekturalari, ularning amaliy qoʻllanilishi va
mavjud cheklovlari tahlil qilinadi. Shuningdek, bu tarmoqlarning kelajakdagi istiqbollari va
rivojlanish yoʻnalishlari haqida ham fikrlar bildirilib, ilmiy va amaliy sohalarda oʻzgarishlarga
qanday ta’sir koʻrsatishi mumkinligi oʻrganiladi.
Tadqiqotda ishlatilgan ma’lumotlar asosan ochiq manbalardan olinadi. Masalan, tasvirni
tanib olish uchun "MNIST" yoki "CIFAR-10" kabi mashhur ma’lumotlar toʻplamlari, matnni
tahlil qilish uchun "IMDB" yoki "AG News" kabi matnli ma’lumotlar toʻplamlari ishlatiladi.
Tadqiqotda quyidagi metodologik yondashuvlar va usullar qoʻllaniladi.
Neyron tarmog`ini qurish.
Sun’iy neyron tarmog`ining tuzilishi va qatlamlarining soni,
oʻlchamlari, aktivatsiya funksiyalari va oʻrganish tezligini (learning rate) aniqlash uchun
eksperimental yondashuvlar qoʻllaniladi. Dastlab, oddiy tarmoqlarni sinab koʻrish, soʻngra
murakkab tarmoq arxitekturalarini yaratish va ularga mos parametrlash usullarini topish
amalga oshiriladi.
Backpropagation algoritmi.
Tarmoqning oʻrganish jarayonini boshqarish uchun
backpropagation algoritmi ishlatiladi. Bu jarayonda tarmoqning chiqish va haqiqiy qiymatlari
orasidagi farq (xato) hisoblanib, u tarmoq boʻylab orqaga tarqatiladi. Vaznlar va biaslar
yangilanadi va tarmoqning xatosi minimallashtiriladi.
Gradient Descent.
Gradient descent algoritmi yordamida vaznlarni yangilash jarayoni
amalga oshiriladi. Bu usul tarmoqning xatolik funksiyasini minimal darajaga tushirish uchun
ishlatiladi. Tadqiqotda stochastic gradient descent (SGD) va mini-batch gradient descent kabi
metodlar sinab koʻriladi.
Tarmoqni baholash.
Tarmoqning samaradorligini baholash uchun turli baholash
metrikalari, masalan, aniqlik (accuracy), xatolik (loss), oʻrganish vaqti, va boshqa statistik
koʻrsatkichlar ishlatiladi. Olingan natijalar turli parametrlar va arxitekturalar boʻyicha
solishtiriladi.
Eksperimentlar.
Tadqiqotda turli xil tarmoq arxitekturalari, masalan, konvolyutsion
neyron tarmoqlari (CNN) va rekurrent neyron tarmoqlari (RNN) sinovdan oʻtkaziladi. Har bir
model oʻzining samaradorligi, tezligi va qoʻllaniladigan sohalarga mosligi asosida tahlil
qilinadi.
Oʻrganish turlarini tahlil qilish.
Tadqiqotda nazoratli va nazoratsiz oʻrganish metodlari
taqqoslanadi. Nazoratli oʻrganishda, kirish ma’lumotlari va chiqish natijalari ma’lum boʻlgan
holda tarmoqni oʻrgatish, nazoratsiz oʻrganishda esa kirish ma’lumotlari asosida tarmoqni
tuzish va uning tuzilmasini oʻrganish metodlari chuqur oʻrganiladi.
Tadqiqotda barcha eksperimentlar ma’lumotlar toʻplamlari boʻyicha amalga oshiriladi.
Har bir tarmoqning oʻrganish jarayoni va natijalari tahlil qilinib, qaysi modelning samarali
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
41
ishlashiga oid xulosalar chiqariladi. Tarmoqni oʻrgatish jarayoni real vaqtda kuzatiladi va
uning rivojlanishi, aniqlik darajasi va boshqa parametrlar koʻrsatiladi.
Stochastic Gradient Descent (SGD). Bu usul juda tez oʻrganish jarayonini ta’minladi, lekin
ba’zi hollarda modelning aniqroq natijalar chiqarishiga toʻsqinlik qildi. Natijalar
koʻrsatilganida ba’zi noaniqliklar mavjud edi.
Mini-batch Gradient Descent. Mini-batch metodini qoʻllash orqali tarmoq yanada
barqaror va samarali oʻrgandi. Oʻrganish vaqti sezilarli darajada qisqarib, aniqlik darajasi
yanada oshdi.
Tadqiqotda nazoratli oʻrganish metodlari yuqori samaradorlikni koʻrsatdi, chunki kirish
va chiqish ma’lumotlari aniq belgilangan edi. Bu metodlar oʻrganish jarayonini aniq va tez
amalga oshirish imkonini beradi. Biroq, nazoratsiz oʻrganish usullari ba’zi hollarda aniq
natijalarni bermadi, chunki ma’lumotlar belgilari yetishmaydi. Ammo, nazoratsiz oʻrganish
klasterlash va ma’lumotlarni aniqlashda yangi usullarni kashf qilish uchun foydalidir.
Tadqiqotda modellar test ma’lumotlariga nisbatan yaxshi umumlashtirish qobiliyatiga
ega boʻldi. Modelning yuqori aniqlik darajasi, olingan natijalar orqali uning real dunyodagi
ma’lumotlarga yaxshi moslashishini koʻrsatdi. Biroq, ba’zi hollarda overfitting (ortiqcha
oʻrganish) holati yuzaga keldi, bu esa modelning umumiylashganligini pasaytirishi mumkin.
Overfittingni oldini olish uchun turli regularizatsiya usullarini, masalan, dropout yoki L2
regularization kabi texnikalarni qoʻllash zarur.
Yangi metodlar va texnologiyalar yordamida modelning umumlashtirish qobiliyati va
oʻrganish tezligini yaxshilash mumkin. Bunda, oʻrganish jarayonini tezlashtirish va
samaradorligini oshirish uchun kvant hisoblash va paralel hisoblash texnologiyalaridan
foydalanish mumkin.
Foydalanilgan adabiyotlar/Используемая литература/References:
1.
Musurmanova, Yayra, and Jasmina Toshpo‘lotova. "Iqtisodiyotni raqamlashtirish
sharoitida iqtisodiy jarayonlar va moliyaviy munosabatlarning transformatsiyasi." (2024): 38-
41.
2.
Uktamov, M. "Modeling the professional training development of future teachers
through computer training." Science and innovation 2.B9 (2023): 139-141.
3.
Октамов, Мададжон, Жасмина Тошполотова, and Яйра Мусурманова. "Aniq fanlarni
o ‘qitishda zamonaviy pedagogik texnologiyalarni qo ‘llagan holda dars jarayonlarini tashkil
etish." Новый Узбекистан: наука, образование и инновации 1.1 (2024): 432-434.
4.
Madadjon, O‘Ktamov. "PEDAGOGIKA OLIY TA’LIM MUASSASALARI TALABALARINING
INFORMATIKADAN
AXBOROT-TEXNOLOGIK
KOMPETENTLIGINI
RIVOJLANTIRISH
METODIKASI." Academic research in educational sciences 4.CSPU Conference 1 (2023): 275-
281.
5.
O’G’Li, Madadjon O’Ktam. "Kuzatuv quduqlarida yer osti suvlarini gidrorejim
parametrlarini masofaviy nazorat qilishning avtomatlashgan tizimlari." Science and Education
2.12 (2021): 202-211.
ILM-FAN VA INNOVATSIYA
ILMIY-AMALIY KONFERENSIYASI
in-academy.uz/index.php/si
42
6.
Usmon o‘g‘li, Musirmanov Shohboz. "IJTIMOIY TARMOQLAR ORQALI TURISTIK
JOYLARNI REKLAMA QILISH VA MIJOZLAR BILAN SAMARALI ALOQA O ‘RNATISH." Scientific
Journal of Actuarial Finance and Accounting 4.10 (2024): 369-374.
7.
Xabibullayevich, Abdullayev Safibullo, et al. "TECHNOLOGY OF ORGANIZATION OF
ENVIRONMENT FOR THE DEVELOPMENT OF ERGONOMIC CULTURE." Harvard Educational
and Scientific Review 1.1 (2021).
8.
Beknazarova, Saida, et al. "METHOD OF FILTERING DIGITAL IMAGES BY PULSE
CHARACTERISTIC IN THE SPECTRAL REGION." Актуальные вопросы развития
инновационно-информационных технологий на транспорте 2021 (2021): 66-69.
9.
Musirmanov, Shohboz. "TURIZM SOHASIDA KADRLAR TAYYORLASHDA AMALIYOT VA
NAZARIYANING PEDAGOGIK UYG ‘UNLIGI." Ижтимоий-гуманитар фанларнинг долзарб
муаммолари/Актуальные проблемы социально-гуманитарных наук/Actual Problems of
Humanities and Social Sciences. 4.11.
