CC BY
37Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
PYTHONDA NEYRON TARMOQNI QURISH VA BASHORAT QILISH
Zulunov R.M.,
fizika-matematika fanlari nomzodi, dotsent Toshkent axborot texnologiyalari universiteti Farg'ona filiali
Email: zulunovrm@gmail.com
Annotatsiya: Maqolada Sun'iy intellekt texnologiyalarini amalda tadbiq qilish, Mashinali o'rganish va Chuqur o'rganish texnologiyalari ko'rib chiqilgan. Python tili maxsus kutubhonalaridan foydalanib, neyron tarmoqlar qurish va bashorat qilish uslublari ko'rib chiqilgan. Chiziqli regressiya va NumPy kutubhonalarini qo'llash taklif etilgan.
II Kalit so'zlar: Sun'iy intellekt, Python kutubhonalari, neyron tarmoq, bashorat, regressiya
Kirish. Sun'iy intellektdan foydalanishdan maqsad kompyuterlarni odamlar kabi fikrlashga majbur qilishdir. Bu yangi narsadek tuyulishi mumkin, ammo bu soha 1950-yillarda tug'ilgan. Sudoku jumboqini hal qilish uchun sun'iy intellektdan foydalanadigan Python dasturini yozishingiz kerak. Bunga erishishning yo'li shartli bayonotlarni yozish va har bir pozitsiyaga raqamni sig'dira olamizmi yoki yo'qligini tekshirish uchun cheklovlarni tekshirishdir. Ushbu Python skripti Sun'iy intellekt ilovasi hisoblanadi, chunki biz kompyuterni muammoni hal qilish uchun dasturlaganmiz.
Materiallar va metodlar. Mashinali o'rganish (ML) va Chuqur o'rganish (DL) ham muammolarni hal qilish yondashuvlari hisoblanadi. Ushbu usullardan Python skripti o'rtasidagi farq shundaki, ML va DL qattiq kodlangan qoidalar o'rniga o'quv ma'lumotlaridan foydalanadi, ammo ularning barchasi Sun'iy intellekt yordamida muammolarni hal qilish uchun ishlatilishi mumkin.
Mashinali o'rganish - bu qoidalarni aniq dasturlash o'rniga muammoni hal qilish uchun tizimni o'rgatadigan usul. Oldingi bo'limdagi Sudoku misoliga qaytsak, Mashinali o'rganishdan foydalangan holda muammoni hal qilish uchun biz hal qilingan Sudoku o'yinlaridan ma'lumotlarni to'plashingiz va statistik modelni o'rgatishingiz kerak. Statistik modellar - bu hodisaning xatti-harakatlarini taxmin qilishning matematik jihatdan rasmiylashtirilgan usullari.
Mashinali o'rganishning umumiy vazifasi - bu kirishlar va ma'lum natijalarga ega ma'lumotlar to'plamiga ega bo'lgan nazorat o'rganishdir. Muammo shundaki, ushbu ma'lumotlar to'plamidan kirish asosida to'g'ri chiqishni bashorat qiladigan modelni o'rgatish uchun foydalanish. Quyidagi rasmda nazorat
ostidagi trening yordamida modelni o'qitish uchun ish jarayoni ko'rsatilgan:
Training data
ML algorithm ^^
New data to predict -Model -► Prediction result
Rasm 1. Mashinali o'rganish modelini o'rgatish uchun ish jarayoni.
Mashinali o'rganish algoritmi bilan o'qitish ma'lumotlarining kombinatsiyasi model yaratadi. Keyin yangi ma'lumotlar bo'yicha bashorat qilish uchun ushbu modeldan foydalanishingiz mumkin. Scikit-Learn - bu Pythonning mashhur mashina o'rganish kutubxonasi bo'lib, u ko'plab boshqariladigan va nazoratsiz o'rganish algoritmlarini taqdim etadi. Bu haqda ko'proq ma'lumot olish uchun scikit-learn tomonidan train_test_split ( ) bilan ma'lumotlar to'plamini ajratishni ko'rib chiqiladi.
Nazorat qilinadigan o'quv topshiriqlarining maqsadi yangi, ko'rilmagan ma'lumotlar bo'yicha bashorat qilishdir. Buni amalga oshirish uchun biz ushbu ko'rinmas ma'lumotlar o'quv ma'lumotlar to'plamiga o'xshash ehtimollik taqsimotiga mos keladi deb o'ylamiz. Agar bu taqsimot kelajakda o'zgarsa, biz yangi o'quv ma'lumotlar to'plamidan foydalanib modelingizni qayta o'rgatishimiz kerak.
Xususiyatlarni ishlab chiqish: Kirish sifatida har xil turdagi ma'lumotlardan foydalansangiz, bashorat qilish muammolari yanada murakkablashadi.
22
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
Sudoku muammosi nisbatan oddiy, chunki biz bevosita raqamlar bilan shug'ullanamiz. Agar biz modelni jumladagi kayfiyatni taxmin qilishni o'rgatmoqchi bo'lsak-chi? Yoki tasviringiz bo'lsa va unda mushuk bor yoki yo'qligini bilmoqchi bo'lsangiz-chi?
Kirish ma'lumotlarining yana bir nomi xususiyatdir va xususiyat muhandisligi - bu xom ma'lumotlardan xususiyatlarni ajratib olish jarayoni. Turli xil ma'lumotlar bilan ishlaganingizda, undan mazmunli ma'lumot olish uchun ushbu ma'lumotlarni taqdim etish usullarini topishingiz kerak.
Xususiyat muhandislik texnikasiga misol lemmatizatsiya bo'lib, u erda biz jumladagi so'zlarning tuslanishini olib tashlaymiz. Masalan, "qarash" fe'lining "tomosha", "tomosha qilish", "kuzatish" kabi flektiv shakllari ularning lemmasi yoki asosiy shakliga qisqartiriladi : "qarash".
Agar biz korpusning har bir so'zini saqlash uchun massivlardan foydalansak, lemmatizatsiyani qo'llash orqali biz kamroq siyrak matritsaga ega bo'lamiz. Bu ba'zi mashina o'rganish algoritmlarining ish faoliyatini yaxshilashi mumkin. Quyidagi rasmda lemmatizatsiya va so'zlarning sumkasi modelidan foydalangan holda tasvirlash jarayoni ko'rsatilgan :
Dave watched as the forest burned up on the hill
dave 1 watch 1 as 1 the 2 forest 1 burn 1 up 1 on 1 hill 1
counting occurrences
numeric features
Rasm 2. So'zlar sumkasidan foydalanib funksiyalar yaratish modeli.
Birinchidan, har bir so'zning flektiv shakli uning lemmasiga tushiriladi. Keyin bu so'zning kelishi soni hisoblanadi. Natijada matndagi har bir so'zning takrorlanish sonini o'z ichiga olgan massiv hosil bo'ladi.
Chuqur o'rganish: xususiyat muhandislik texnikasini qo'llash o'rniga qaysi xususiyatlar muhimligini mustaqil hal qilishga imkon beradigan usul. Bu shuni anglatadiki, chuqur o'rganish bilan biz xususiyatlarni ishlab chiqish jarayonini chetlab o'tishimiz mumkin.
Xususiyat muhandisligi bilan shug'ullanmaslik yaxshi narsa, chunki ma'lumotlar to'plami murakkablashgani sayin jarayon yanada
murakkablashadi. Masalan, odamning yuzi tasviridan uning kayfiyatini bashorat qilish uchun qanday ma'lumotlarni ajratib olamiz? Neyron tarmoqlar bilan biz bu haqda tashvishlanishimiz shart emas, chunki tarmoqlar xususiyatlarni o'zlari o'rganishi mumkin.
Neyron tarmoqlar miyaning kompyuter modelini yaratishga harakat qiladigan parallel hisoblash qurilmalari. Asosiy maqsad - turli hisoblash vazifalarini an'anaviy tizimlarga qaraganda tezroq bajarish uchun tizimni ishlab chiqish. Bu vazifalar namunani aniqlash va tasniflashni, yaqinlashtirishni, optimallashtirishni va ma'lumotlarni klasterlashni o'z ichiga oladi.
Sun'iy neyron tarmog'i (SNT) samarali hisoblash tizimi bo'lib, uning markaziy g'oyasi biologik neyron tarmoqlar bilan o'xshashlikdan olingan. SNT sun'iy neyron tizimlar, parallel taqsimlangan ishlov berish tizimlari va ulanish tizimlari deb ham ataladi. SNT ular orasidagi aloqani ta'minlash uchun qandaydir naqsh bo'yicha o'zaro bog'langan katta birliklarni oladi. Tugunlar yoki neyronlar deb ham ataladigan bu birliklar parallel ravishda ishlaydigan oddiy protsessorlardir.
Har bir neyron boshqa neyron bilan bog'lanish orqali bog'langan. Har bir havola kirish signali haqida ma'lumotga ega bo'lgan og'irlik bilan bog'langan. Bu ma'lum bir muammoni hal qilishda neyronlar uchun eng foydali ma'lumotdir, chunki og'irlik odatda uzatilayotgan signalni qo'zg'atadi. Har bir neyron o'zining ichki holatiga ega, bu faollashuv signali deb ataladi. Kirish signallari va faollashtirish qoidalarini birlashtirgandan so'ng olingan chiqish signallari boshqa qurilmalarga yuborilishi mumkin.
Neyron tarmoq - bu quyidagi bosqichlarni bajarish orqali bashorat qilishni o'rganadigan tizim:
1. Kirish malumotlarini olish
2. Bashorat qilish
3. Bashoratni kutilgan natija bilan solishtirish
4. Keyingi safar to'g'ri bashorat qilish uchun
uning ichki holatini sozlash
Vektorlar, qatlamlar va chiziqli regressiya neyron tarmoqlarning qurilish bloklaridan bir qismidir. Ma'lumotlar vektorlar sifatida saqlanadi va Pythonda biz ushbu vektorlarni massivlarda saqlaymiz . Har bir qatlam oldingi qatlamdan keladigan ma'lumotlarni o'zgartiradi. Har bir qatlamni xususiyatni rivojlantirish bosqichi deb o'ylashingiz mumkin, chunki har bir qatlam avval olingan ma'lumotlarning ba'zi bir ko'rinishini chiqaradi.
23
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
Neyron tarmoq qatlamlari haqida qiziqarli narsa shundaki, bir xil hisob-kitoblar har qanday ma'lumotdan ma'lumot olishi mumkin. Bu shuni anglatadiki, biz rasm yoki matn ma'lumotlaridan foydalanamizmi, bu muhim emas. Ma'noli ma'lumotlarni olish va chuqur o'rganish modelini o'rgatish jarayoni ikkala stsenariy uchun ham bir xil.
Quyidagi rasmda biz ikkita qatlamli tarmoq arxitekturasining namunasini ko'rishimiz mumkin:
Rasm 3. Ikki qatlamli neyron tarmoq.
Har bir daraja oldingi darajadan olingan ma'lumotlarni ba'zi matematik operatsiyalarni qo'llash orqali o'zgartiradi.
Neyron tarmog'ini o'rgatish sinov va xato jarayoniga o'xshaydi. Tasavvur qiling-a, biz birinchi marta dart o'ynayapmiz. Birinchi otishda biz nishonning markaziy nuqtasiga tegmoqchimiz. Odatda birinchi tortishish qo'lingizning balandligi va tezligi natijaga qanday ta'sir qilishini tushunish uchun olinadi. Dartning markaziy nuqtadan yuqorida ekanligini ko'rsak, uni bir oz pastga tashlash uchun qo'limizni moslashtiramiz va hokazo.
Dart taxtasining o'rtasiga urish uchun quyidagi qadamlar mavjud:
Rasm 4. Darts markaziga borish uchun qadamlar.
Dart qayerga tushganini kuzatish orqali xatoni baholashda davom etayotganingizni unutmang (2-bosqich). Nihoyat nishon markaziga tegmaguningizcha davom etamiz.
Neyron tarmoqlarda jarayon juda o'xshash: biz tasodifiy og'irliklar va noaniqlik vektorlaridan boshlaymiz, bashorat qilamiz, uni kerakli natija bilan taqqoslaymiz va keyingi safar yaxshiroq bashorat qilish uchun vektorlarni moslashtiramiz. Jarayon prognoz va to'g'ri maqsadlar o'rtasidagi farq minimal bo'lgunga qadar davom etadi, haddan tashqari moslashish va mos kelmaydigan ssenariylarga bog'liq.
Neyron tarmoqlar bilan ishlash vektorlar bilan operatsiyalarni bajarishdan iborat. Biz vektorlarni ko'p o'lchovli massivlar sifatida ifodalaymiz. Vektorlar chuqur o'rganishda asosan bitta operatsiya tufayli foydalidir: nuqta mahsuloti. Ikki vektorning nuqta mahsuloti yo'nalishi bo'yicha ular qanchalik o'xshashligini ko'rsatadi va ikkita vektorning kattaligi bilan o'lchanadi.
Neyron tarmog'idagi asosiy vektorlar og'irlik va egilish vektorlaridir. Taxminan aytganda, biz neyron tarmog'imiz kirish allaqachon ko'rgan boshqa kirishlarga o'xshashligini tekshirishni xohlaymiz. Agar yangi kirish oldingi ko'rilgan kirish bilan bir xil bo'lsa, chiqish bir xil bo'ladi. Shunday qilib, bashorat natijasini olamiz.
Regressiya, qaram o'zgaruvchi va ikki yoki undan ortiq mustaqil o'zgaruvchilar o'rtasidagi munosabatni baholash kerak bo'lganda qo'llaniladi. Chiziqli regressiya - bu o'zgaruvchilar o'rtasidagi munosabatlarni chiziqli deb taxmin qilganda ishlatiladigan usul. Chiziqli munosabat - mustaqil o'zgaruvchi bilan bog'liq o'zgaruvchi o'rtasida to'g'ridan-to'g'ri bog'liqlik mavjud bo'lgan munosabatlar.
O'zgaruvchilar o'rtasidagi munosabatlarni chiziqli sifatida modellash orqali biz qaram o'zgaruvchini mustaqil o'zgaruvchilarning vaznli yig'indisi sifatida ifodalashimiz mumkin. Shunday qilib, har bir mustaqil o'zgaruvchi og'irlik deb nomlangan vektorga ko'paytiriladi. Og'irliklar va mustaqil o'zgaruvchilarga qo'shimcha ravishda biz boshqa bias vektorni ham qo'shamiz. Boshqa barcha mustaqil o'zgaruvchilar nolga teng bo'lganda natijani o'rnatadi.
24
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
Chiziqli regressiya modelini yaratishning haqiqiy hayotiy misoli sifatida, uyning maydoni va yoshiga qarab uyning narxini taxmin qilish uchun modelni o'rgatmoqchi ekanligingizni tasavvur qiling. Biz chiziqli regressiya yordamida ushbu munosabatlarni modellashtirishga qaror qilamiz. Quyidagi kod bloki psevdokodda berilgan muammo uchun chiziqli regressiya modelini qanday yozishingiz mumkinligini ko'rsatadi:
price = (weights_area * area) + (weights_age * age) + bias
Yuqoridagi misolda ikkita vazn mavjud: weights_area va weights_age. O'quv jarayoni model to'g'ri narx qiymatini bashorat qila olishi uchun og'irlik va moyillikni sozlashdan iborat. Buning uchun biz prognoz xatosini hisoblashingiz va shunga mos ravishda og'irliklarni yangilashimiz kerak. Bu neyron tarmoq mexanizmi qanday ishlashining asoslari.
Natijalar. Endi bu tushunchalarni Python bilan qanday qo'llashni ko'rish vaqti keldi. Birinchi neyron tarmog'imizni qurishni boshlash: Neyron tarmog'ini qurishda birinchi qadam kirishdan chiqishni yaratishdir. Biz buni o'zgaruvchilarning vaznli yig'indisini yaratish orqali qilamiz. Biz qilishimiz kerak bo'lgan birinchi narsa Python va NumPy bilan kiritilgan ma'lumotlarni taqdim etishdir (HYPERLINK https ://realpython. com/numpy -
tutorial/).
Hulosa. NumPy bilan neyron tarmoq kirishlarini qayta ishlash: Tarmoqning kirish vektorlarini massivlar sifatida ko'rsatish uchun NumPydan foydalanamiz. Lekin NumPydan foydalanishdan oldin, nima bo'layotganini yaxshiroq tushunish uchun sof Pythonda vektorlar bilan amallar qilish yaxshi fikr.
Ushbu birinchi misolda bizda kirish vektori va yana ikkita vazn vektori mavjud. Maqsad, og'irliklardan qaysi biri kiritilgan yo'nalish va kattalikka ko'proq o'xshashligini topishdir. Agar biz ularni chizsak, vektorlar shunday ko'rinadi:
Rasm 5. Dekart koordinata tekisligidagi uchta
vektor.
weights_2 ko'proq kirish vektoriga o'xshaydi, chunki u bir xil yo'nalishga ishora qiladi va kattaligi ham o'xshash. Xo'sh, Python yordamida qaysi vektorlar o'xshashligini qanday aniqlash mumkin?
Birinchidan, biz uchta vektorni aniqlaymiz, biri kirish uchun, ikkitasi og'irlik uchun. Keyin biz input_vector va og'irliklar_1 qanchalik o'xshashligini hisoblaymiz. Buning uchun biz nuqta mahsulotini qo'llaymiz. Barcha vektorlar 2D vektorlar bo'lganligi sababli, buning uchun qadamlar:
1. Input_vectorning birinchi indeksini vaznlar_1 ning birinchi indeksiga ko'paytiramiz.
2. Input_vector ikkinchi indeksini vaznlar_2 ning ikkinchi indeksiga ko'paytiramiz.
3. Ikkala ko'paytirish natijalarini yigamiz. Ko'rsatmalarga amal qilish uchun IPython
konsoli yoki Jupyter daftaridan foydalanishimiz mumkin. Har safar yangi Python loyihasini boshlaganimizda yangi virtual muhit yaratish yaxshi amaliyotdir, shuning uchun avval buni qilishimiz kerak. Venv Python 3.3 va undan yuqori versiyalari bilan birga keladi va virtual muhit yaratish uchun qulay.
Adabiyotlar
1. R.Zulunov., M.Mahmudova. Sun'iy intellektning insoniyat faoliyatida tutgan o'rni va neyrokibernetika sohasi. The journal of Integrated Education and Research, December 2022, 1(7), p. 2-7.
2. R.Zulunov. Artificial intelligence forms, approaches and implementation problems.
25
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
Publishing House "Baltija Publishing", 2023/2/16, p.355-360.
3. R.Zulunov., Z. Ermatova. Python va Tensorflow yordamida sun'iy intellekt dasturini yaratish texnologiyasi. Journal of Integrated Education and Research, 2023, 2(3), 53-56.
4. R.Zulunov, S.Xadjyev. Staff Incentives Based on Kpi Principles. Periodica Journal of Modern Philosophy, Social Sciences and Humanities. 2023. - Т. 17. - p. 101-105.
5. Р.Зулунов, М.Махмудова. Технологии Искусственного Интеллекта и Нейрокибернетики. Periodica Journal of Modern Philosophy, Social Sciences and Humanities, 2023, Т.17, с. 90-93.
6. Р.Зулунов, Д.Ирматова, Х.Гоипова. Исследование и создание программного обеспечения алгоритма расчета показателей оценки управления инновационной деятельностью. Journal of Integrated Education and Research, 2023, 2(5), 54-58.
7. Р.Зулунов, А. Каюмов. Искусственный интеллект-от мифологии до машинного обучения. Proceedings of International Educators Conference. Том 1, 2, c. 25-30.
8. Р Зулунов, А Абдукодиров. Этические и правовые аспекты внедрения искусственного интеллекта. Research and implementation, 2023, 1/6, c. 14-20.
9. Р.Зулунов, Б.Солиев Использование Python для искусственного интеллекта и машинного обучения. Al-Farg'oniy avlodlari, 2023, 1/3, c. 1824.
10. R. Zulunov. Preparing the educational process for the era of artificial intelligence. The journal of integrated education and research, Volume 1, issue 4, September 2022, p.261-263.
11. R. Zulunov. Use of artificial intelligence technologies in the educational process. Web of Scientist: International Scientific Research Journal (WoS), Volume 3, Issue 10, Oct., 2022, p. 764-770.
12. Р. Зулунов, Подготовка образовательного процесса к эпохе искусственного интеллекта. Periodica Journal of Modern Philosophy, Social Sciences and Humanities, 2022, Oct., 11, p. 81-83.
13. Р. Зулунов. Что такое искусственный интеллект и как он работает. Ta'lim_fidoyilari, 2022 noyabr 1 qism, 149-153 b.
14. R. Zulunov. Sun'yiy intellekt texnologiyalarini ta'lim jarayonida qo"llanilishi. Xorazm Ma'mun akademiyasi habarnomasi, 11/3 2022, 163-166 b.
26
