SUN'IY NEYRONNING MATEMATIK MODELI VA UNING ELEMENTLARI
Keywords:
Kalit so'zlar: sun'iy neyron, matematik model, faollashtirish funksiyasi, sinaptik og'irliklar, pertseptron, neyron tarmoqlar, mashina o'rganish, orqaga tarqatish, gradient tushish, biologik neyronAbstract
Annotatsiya: Ushbu maqola zamonaviy neyron tarmoqlari va sun'iy intellekt tizimlarining asosiy qurilish bloklari bo'lgan sun'iy neyronlarning matematik modellarini keng qamrovli tadqiq etadi. Ishda sun'iy neyronlarni yaratishga ilhom bergan biologik asoslar, shuningdek ularning ishlashining matematik tamoyillari batafsil ko'rib chiqiladi. Neyronning turli komponentlarini, jumladan kirish signallari, sinaptik og'irliklar, faollashtirish funksiyalari, chegara qiymatlari va chiqish signallarini tahlil qilish alohida e'tiborga olingan. Tadqiqot sun'iy neyron modellarining eng oddiy pertseptrondan tortib zamonaviy murakkab arxitekturalargacha bo'lgan evolyutsiyasini qamrab oladi. Turli xil faollashtirish funksiyalari, ularning matematik xususiyatlari va qo'llanish sohalari batafsil tahlil qilinadi. Neyronlarni o'rgatish usullari, jumladan xatolarni orqaga tarqatish va gradient tushish algoritmlari ko'rib chiqiladi. Maqolada shuningdek sun'iy neyronlar ishlashining hisoblash jihatlari, optimallashtirish va miqyoslash muammolari tadqiq etiladi.
References
1. McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics. 1943. Vol. 5. No. 4. P. 115-133.
2. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review. 1958. Vol. 65. No. 6. P. 386-408.
3. Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back-propagating errors. Nature. 1986. Vol. 323. P. 533-536.
4. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015. Vol. 521. No. 7553. P. 436-444.
5. Goodfellow I, Bengio Y, Courville A. Deep Learning. MIT Press, 2016. 800 p.
6. Haykin S. Neural Networks and Learning Machines. Third Edition. Pearson Education, 2009. 906 p.
7. Bishop CM. Pattern Recognition and Machine Learning. Springer, 2006. 738 p.
