Neyron tarmogʻi

Neyron tarmog'i (neural network) yoki sun'iy neyron tarmog'i (artificial neural network ANN) mashinali o'rganish (machine learning) sohasida biologik neyron tarmoqlarining tuzilishi va funksiyalaridan ilhomlangan hisoblash modeli (computational model). Ushbu texnologiya zamonaviy sun'iy intellekt tizimlarining, jumladan tasvirlarni tanish, nutqni matnga aylantirish va tabiiy tilni qayta ishlashning asosini tashkil etadi.

Neyron tarmog'i "sun'iy neyronlar" deb ataladigan o'zaro bog'langan birliklar yoki tugunlardan iborat bo'lib, ular miyadagi biologik neyronlarning soddalashtirilgan modelidir. Ushbu tugunlar "qirralar" (edges) orqali bog'langan bo'lib, ular miyadagi sinapslar vazifasini bajaradi. Har bir sun'iy neyron signal qabul qiladi, uni qayta ishlaydi va keyingi neyronlarga uzatadi. Signal odatda haqiqiy son (real number) shaklida bo'ladi va har bir neyronning chiqishi uning kirishlarining yig'indisi asosida noaniq funksiya faollashtirish funksiyasi (activation function) orqali hisoblanadi.

Odatda neyronlar qatlamlarga (layers) guruhlanadi. Signallar birinchi qatlamdan (kirish qatlami) oxirgi qatlamga (chiqish qatlami) qadar harakatlanadi, yo'lda bir nechta oraliq yashirin qatlamlardan (hidden layers) o'tishi mumkin. Agar tarmoqda ikkitadan ortiq yashirin qatlam bo'lsa, u odatda chuqur neyron tarmog'i (deep neural network) deb ataladi.

Tarix

Asosiy maqola: Sun'iy neyron tarmoqlari tarixi

Dastlabki bosqichlar

Neyron tarmoqlarining g'oyasi 200 yildan ko'proq vaqt oldin statistika sohasidagi ishlarga borib taqaladi. Eng oddiy to'g'ridan-to'g'ri bog'lanishli neyron tarmog'i (feedforward neural network) chiziqli tarmoq bo'lib, u eng kichik kvadratlar usuli (method of least squares) yoki chiziqli regressiya (linear regression) tamoyillariga asoslangan. Ushbu usul 1805-yilda Lejandr va 1795-yilda Gauss tomonidan sayyoralar harakatini bashorat qilish uchun taklif qilingan.

Zamonaviy hisoblash modellarining shakllanishi 1943-yilda Uorren Makkallok va Valter Pitts tomonidan e'lon qilingan neyron tarmoqlarining matematik modeli bilan boshlandi. 1949-yilda Donald Hebb "Hebbian o'rganish" (Hebbian learning) gipotezasini taklif qildi, bu mexanizm neyronlar orasidagi bog'lanishlar tajriba asosida qanday kuchayishini tushuntirib berdi.

Oltin davr va turg'unlik

1958-yilda psixolog Frank Rosenblatt birinchi amaliy neyron tarmoqlaridan biri perseptronni (perceptron) yaratdi. Bu ixtiro inson intellektini simulyatsiya qilish borasida katta umidlar uyg'otdi. Biroq, 1969-yilda Marvin Minskiy va Seymur Papert perseptronlarning cheklovlarini (masalan, XOR muammosini hal qila olmasligini) ko'rsatib berganidan so'ng, AQShda ushbu sohaga qiziqish va moliyalashtirish kamaydi ("Sun'iy intellekt qishi").

Chuqur o'rganishning yuksalishi

1965-yilda Sovet Ittifoqida Aleksey Ivaxnenko va Lapa ixtiyoriy chuqurlikdagi neyron tarmoqlarini o'rgatish imkonini beruvchi "Ma'lumotlarni qayta ishlashning guruhli usuli"ni (GMDH) e'lon qilishdi. 1970-yilda Seppo Linnainmaa teskari tarqalish (backpropagation) algoritmining zamonaviy shaklini e'lon qildi, bu algoritm ko'p qatlamli tarmoqlarni samarali o'rgatish imkonini berdi.

2000-yillarning oxiridan boshlab, hisoblash quvvatining ortishi (ayniqsa GPU grafik protsessorlar orqali) va katta ma'lumotlar to'plamlarining paydo bo'lishi neyron tarmoqlarining yangi davrini boshlab berdi. 2012-yilda AlexNet tarmog'ining ImageNet tanlovidagi g'alabasi "Chuqur o'rganish" (Deep Learning) inqilobiga turtki bo'ldi.

Mexanizm va ishlash prinsipi

Biologik neyron va miyelinli akson. Signal dendritlardan qabul qilinadi va akson terminallari orqali chiqishga uzatiladi.

Sun'iy neyron tarmoqlari miya arxitekturasini takrorlashga harakat qiladi. Tarmoq yo'naltirilgan va vaznli graf (weighted graph) shaklida bo'ladi.

Sun'iy neyronlar

Har bir sun'iy neyron bir nechta kirish signallarini qabul qiladi va bitta chiqish signalini ishlab chiqaradi. Neyronning ishlash jarayoni quyidagi bosqichlardan iborat: 1. Vaznli yig'indi (Weighted Sum): Barcha kirish signallari ularga tegishli "vaznlar" (weights) bilan ko'paytiriladi va yig'iladi. 2. Siljish (Bias): Yig'indiga o'zgarmas qiymat siljish (bias) qo'shiladi. 3. Faollashtirish funksiyasi: Olingan natija noaniq funksiya (masalan, ReLU, Sigmoid yoki Softmax) orqali o'tkaziladi. Bu tarmoqqa murakkab va chiziqli bo'lmagan bog'liqliklarni o'rganish imkonini beradi.

Matematik ko'rinishda:

y=f\left(\sum _{i=1}^{n}w_{i}x_{i}+b\right)

bu yerda $x_{i}$ kirishlar, $w_{i}$ vaznlar, $b$ siljish, $f$ faollashtirish funksiyasi.

Tashkil etilishi

Neyronlar odatda uch turdagi qatlamlarga bo'linadi:

Kirish qatlami (Input layer): Tashqi ma'lumotlarni (tasvirlar, matnlar) qabul qiladi.
Yashirin qatlamlar (Hidden layers): Ma'lumotlarni qayta ishlaydi va xususiyatlarni (features) ajratib oladi.
Chiqish qatlami (Output layer): Yakuniy natijani (masalan, obyektnining klassini) beradi.

O'rgatish (Training)

Neyron tarmoqlarini o'rgatish jarayoni odatda empirik xavfni minimallashtirish (empirical risk minimization) tamoyiliga asoslanadi. Maqsad tarmoq bashorati va haqiqiy natija orasidagi farqni (xatolikni) kamaytirishdir.

Obyektlarni aniqlashda neyron tarmog'ini o'rgatishning soddalashtirilgan misoli: Tarmoq dengiz yulduzlari va dengiz tipratikanlari tasvirlari orqali o'rgatiladi.

Tasvir yaratishda xatolik:

O'rgatilgan tarmoq yangi tasvirni (chapda) tahlil qiladi va dengiz yulduzini to'g'ri aniqlaydi.

Teskari tarqalish (Backpropagation)

Bu o'rganishning asosiy algoritmi bo'lib, xatolik chiqishdan kirishga qarab teskari yo'nalishda tarqaladi. Algoritm har bir vaznning umumiy xatoga qo'shgan hissasini (gradientni) hisoblaydi va vaznlarni optimallashtirish algoritmi (masalan, stoxastik gradient tushishi SGD) yordamida yangilaydi.

O'rganish paradigmalari

Nazorat ostidagi o'rganish (Supervised learning): Tarmoqqa ma'lum bir kirish va unga mos keladigan to'g'ri chiqish (yorliq) beriladi (masalan, "it" deb belgilangan rasmlar).
Nazoratsiz o'rganish (Unsupervised learning): Tarmoq yorliqlanmagan ma'lumotlar ichidan o'zi qonuniyatlarni topishga harakat qiladi (klasterlash).
Mustahkamlovchi o'rganish (Reinforcement learning): Agent muhitda harakat qiladi va qilgan ishlari uchun mukofot yoki jazo oladi (masalan, o'yin o'ynashni o'rganuvchi AI).

Turlari

Hozirgi kunda neyron tarmoqlarining juda ko'p turlari mavjud bo'lib, ularning har biri ma'lum vazifalar uchun optimallashtirilgan:

Tur	To'liq nomi	Asosiy qo'llanilishi
CNN	Konvolyutsion neyron tarmoqlari (Convolutional Neural Networks)	Tasvirlarni tanish, video tahlili, tibbiy skanerlash.
RNN	Rekurrent neyron tarmoqlari (Recurrent Neural Networks)	Ketma-ketliklar, nutqni tanish, matn tarjimasi.
LSTM	Uzun qisqa muddatli xotira (Long Short-Term Memory)	Uzoq vaqtli ketma-ketliklardagi ma'lumotlarni saqlash (nutq sintezi).
GAN	Generativ-raqobatdosh tarmoqlar (Generative Adversarial Networks)	Yangi ma'lumotlar yaratish (tasvirlar, deepfake videolar).
Transformer	Transformatorlar	Tabiiy tilni qayta ishlash (ChatGPT, BERT, tarjimonlar).

Qo'llanilishi

Neyron tarmoqlari deyarli barcha zamonaviy sohalarda qo'llanilmoqda:

Tibbiy diagnostika: Rentgen va MRT tasvirlari orqali saraton va boshqa kasalliklarni aniqlash.
Moliya: Birja kotirovkalarini bashorat qilish, kredit skoringi va firibgarlikni (fraud detection) aniqlash.
Avtonom transport: O'zi boshqariladigan avtomobillarda yo'l belgilari va to'siqlarni tanish.
Tabiiy tilni qayta ishlash (NLP): Mashinali tarjima, chat-botlar (ChatGPT) va hissiyotlarni tahlil qilish (sentiment analysis).
Kiberxavfsizlik: Zararli dasturlarni (malware) va tarmoqdagi hujumlarni aniqlash.
Ilmiy tadqiqotlar: Protein tuzilishini bashorat qilish, kvant kimyosi va fizik tenglamalarni yechish.

Tanqidlar va cheklovlar

Neyron tarmoqlarining yutuqlariga qaramay, ularga nisbatan bir qator tanqidiy fikrlar ham mavjud: 1. "Qora quti" muammosi: Neyron tarmoqlari qanday qilib aniq bir qarorga kelganini tushuntirish qiyin (izohlanuvchi AI muammosi). 2. Katta resurslar talab qilishi: Tarmoqlarni o'rgatish uchun juda katta hajmdagi ma'lumotlar va qimmatbaho hisoblash quvvati (GPU/TPU) talab etiladi. 3. Ma'lumotlar tarafkashligi (Dataset bias): Agar o'rgatish ma'lumotlari bir yoqlama bo'lsa (masalan, faqat ma'lum bir irq rasmlari), tarmoq noto'g'ri va kamsituvchi qarorlar qabul qilishi mumkin (masalan, Amazonning ayollarni kamsituvchi ishga olish algoritmi).

Galereya

Bir qatlamli to'g'ridan-to'g'ri bog'lanishli neyron tarmog'i.
Ikki qatlamli sun'iy neyron tarmog'i.
Neyron tarmog'ining bog'liqlik grafi.
CMAC neyron tarmog'ining parallel tuzilishi. Ushbu algoritm bir bosqichda yaqinlashishi (converge) mumkin.

Yana qarang

Manbalar

Ushbu maqola inglizcha Vikipediyadagi [1] maqolasi asosida yaratildi.