Chuqur o‘rganish (chuqurlashtirilgan o‘rganish; inglizcha deep learning) — mashinaviy o‘rganish (nazorat ostida o‘rganish, qisman nazorat ostida o‘rganish, nazoratsiz o‘rganish, mustahkamlash orqali o‘rganish) usullarining majmui bo‘lib, ular aniq vazifalarga mo‘ljallangan maxsus algoritmlarga emas, balki ma’lumotlar tasvirini o‘rganishga (inglizcha feature/representation learning) asoslanadi. Chuqur o‘rganishning ko‘plab usullari 1980-yillarda (hatto undan ham oldin) ma’lum bo‘lgan, biroq sun’iy neyron tarmoqlar nazariyasidagi yutuqlar — xususan, yo‘naltirilmagan grafik modelning maxsus turi, ya’ni cheklangan Boltsman mashinasi yordamida neyron tarmoqlarni oldindan o‘qitish — va 2000-yillarning o‘rtalarida hisoblash quvvatining ortishi (jumladan, grafik tezlatkichlar, foydalanuvchi dasturlay oladigan ventilli matritsalar hamda turli xil neyron protsessorlar qo‘llanilishi) yetarli unumdorlikka ega murakkab neyron tarmoqlar arxitekturalarini yaratish imkonini bermaguncha, natijalar unchalik ta’sirli bo‘lmagan. Bunday tarmoqlar ilgari samarali yechib bo‘lmagan ko‘plab masalalarni, masalan, kompyuter ko‘rishi, mashinaviy tarjima, nutqni tanib olish sohalaridagi vazifalarni hal qila boshladi. Hozirda bu vazifalarni bajarish sifati ko‘p hollarda inson imkoniyatlari bilan tenglashgan, ayrim hollarda esa undan ham oshgan.
Tarix
Garchi «chuqur o‘rganish» atamasi mashinaviy o‘rganish ilmiy hamjamiyatida faqat 1986-yilda, Rina Dexterning ishidan so‘ng paydo bo‘lgan bo‘lsa-da, ko‘p qatlamli chuqur perseptronlarni oldinga tarqalish usulida o‘qitishga mo‘ljallangan dastlabki umumiy ishlovchi algoritm sovet olimlari Aleksey Grigoryevich Ivaxnenko va Valentin Grigoryevich Lapaning «Kibernetik bashorat qiluvchi qurilmalar» kitobida 1965-yildayoq e’lon qilingan. Keyinchalik chuqur o‘rganishning dastlabki usullaridan biri — MGUA sakkiz qatlamli neyron tarmoqni o‘qitishda 1971-yildayoq qo‘llangan.
Boshqa chuqur arxitekturalar, ayniqsa obrazlarni tanib olishga ixtisoslashganlari, neokognitrondan boshlangan. Uni Kunixiko Fukusima(inglizcha) 1980-yilda yaratgan. 1989-yilda Yan Lekun muvaffaqiyatli ravishda xatoni teskari tarqatish algoritmi yordamida chuqur neyron tarmoqlarni qo‘lda yozilgan ZIP-kodlarni tanib olishga o‘rgata oldi. Tajriba muvaffaqiyatli bo‘lsa-da, modelni o‘qitish uch kun davom etgan va bu usulning amaliy qo‘llanishini ancha cheklagan. O‘qitish tezligining pastligi bir qancha omillar, jumladan, o‘rganiladigan parametrlar qiymatlarining katta tafovuti tufayli gradientlarning yo‘qolib borishi muammosi bilan bog‘liq edi. Bu muammoni 1991-yilda Yurgen Shmidxuber va Zepp Xoxrayter tahlil qilgan. Ana shu qiyinchiliklar sababli 1990-yillarda neyron tarmoqlar o‘rnini tayanch vektorlar usuli egalladi.
1991-yilga kelib bunday tizimlar alohida tasvirlangan ikki o‘lchamli qo‘lyozma raqamlarni tanib olishda qo‘llanilgan; uch o‘lchamli obyektlar esa ikki o‘lchamli tasvirlarni qo‘lda yaratilgan uch o‘lchamli obyekt modeli bilan taqqoslash orqali aniqlangan. 1992-yilda kresseptron modeli gavjum sahnalardagi uch o‘lchamli obyektlarni tanib olish uchun yaratilgan.
1994-yilda Andre de Karvalyo Mayk Feyrxerst va Devid Bisset bilan birga ko‘p qatlamli Bul neyron tarmog‘ining tajriba natijalarini e’lon qildi. Og‘irlik koeffitsiyentlarisiz neyron tarmoq deb ham ataladigan bu tizim belgilarni ajratib olish uchun uch darajali, o‘zini o‘zi tashkil etuvchi neyron tarmoq modulidan (SOFT), so‘ng esa ko‘p darajali tasniflash modulidan (GSN) iborat edi. Har bir modul mustaqil o‘qitilgan. Modulning har bir navbatdagi qatlami oldingi qatlamga nisbatan murakkabroq belgilarni ajratib olgan.
1995-yilda Brendan Frey Piter Dayan va Xinton bilan birga ishlab chiqilgan uyqu–uyg‘oqlik algoritmi yordamida oltita to‘liq bog‘langan qatlam va bir necha yuzta yashirin birlikdan (asosiy hisoblash elementlaridan) iborat tarmoqni ikki kunda o‘qitish mumkinligini ko‘rsatdi. Jarayonning sekinligiga ko‘plab omillar, jumladan, Zepp Xoxrayter 1991-yilda tahlil qilgan gradientning yo‘qolishi muammosi sabab bo‘lgan.
Muayyan vazifaga moslab qo‘lda ishlab chiqilgan belgilarga tayanadigan sodda modellar, masalan, Gabor filtrlari va tayanch vektorlar usuli (TVU), 1990–2000-yillarda keng qo‘llangan. Buning sababi sun’iy neyron tarmoqlar (SNT, inglizcha ANN) uchun katta hisoblash resurslari talab qilinishi, shuningdek, miya o‘z biologik tarmoqlari o‘rtasidagi aloqalarni qanday tashkil etishi yetarli tushunilmagani edi.
Sun’iy neyron tarmoqlarning sayoz va chuqur modellari (masalan, rekurrent tarmoqlar) uzoq yillar davomida o‘rganilgan. Bu usullar diskriminativ tarzda o‘qitilgan generativ nutq modellari asosidagi bir jinsli bo‘lmagan Gauss aralashma modeli va yashirin Markov modelidan ustun natija ko‘rsata olmagan. Gradientning kamayishi va neyron bashorat modellaridagi vaqt bo‘yicha korrelyatsiyaning sustligi kabi asosiy muammolar tahlil qilingan. O‘qitish uchun ma’lumotlarning yetishmasligi va hisoblash quvvatining cheklanganligi ham muhim qiyinchiliklar bo‘lgan.
Chuqur o‘rganish 2000-yillarning o‘rtalarida bir qancha omillar birlashishi natijasida ommalashdi: kompyuterlar katta neyron tarmoqlarni o‘qitishga yetarli darajada qudratli bo‘ldi (hisoblashlarni grafik protsessorlarga yuklash o‘zlashtirilib, o‘qitish jarayoni taxminan o‘n baravar tezlashdi), ma’lumotlar to‘plami yirik tarmoqlarni o‘qitishga yetarli darajada kattalashdi va sun’iy neyron tarmoqlar nazariyasida yangi yutuqlarga erishildi. Jumladan, Xinton, Osindero va Te, shuningdek, Benjio o‘z maqolalarida ko‘p qatlamli neyron tarmoqning har bir qatlamini cheklangan Boltsman mashinasi yordamida alohida oldindan o‘qitib, keyin xatoni teskari tarqatish usuli yordamida qo‘shimcha o‘qitish samarali ekanini ko‘rsatdilar.
Chuqur o‘rganishdagi inqilob
2012-yilda Jorj E. Dal boshchiligidagi jamoa bitta dori vositasining biomolekulyar nishonini bashorat qilish uchun ko‘p vazifali chuqur neyron tarmoqlardan foydalanib, «Merck Molecular Activity Challenge» tanlovida g‘olib bo‘ldi. 2014-yilda Xoxrayter guruhi atrof-muhit, oziq-ovqat moddalari, maishiy mahsulotlar va dori vositalaridagi kimyoviy moddalarning nishondan tashqari va toksik ta’sirlarini aniqlashda chuqur o‘rganishni qo‘llab, «Tox21 Data Challenge» tanlovida g‘olib bo‘ldi. Ushbu tanlov AQSH Milliy sog‘liqni saqlash institutlari, Oziq-ovqat mahsulotlari va dori vositalari sifatini nazorat qilish boshqarmasi hamda NCATS tomonidan tashkil etilgan.

2011–2012-yillarda tasvirlar va obyektlarni tanib olish sohasida sezilarli yutuqlarga erishildi. Garchi konvolyutsion neyron tarmoqlar (KNT) xatoni teskari tarqatish orqali o‘qitilib kelganiga o‘nlab yillar bo‘lgan, grafik protsessorlar esa ko‘p yillardan beri neyron tarmoqlarda, shu jumladan KNTlarda ishlatilgan bo‘lsa-da, GPUda KNTni tez bajarishga mo‘ljallangan dasturiy yechimlar kompyuter ko‘rishi. 2011-yilda ushbu yondashuv vizual obrazlarni tanib olish tanlovida birinchi marta insonnikidan yuqori natijani ta’minladi. Shuningdek, 2011-yilda u ICDAR qo‘lyozma matnni tanib olish tanlovida, 2012-yil may oyida esa ISBI tasvirlarni segmentlash tanlovida g‘olib bo‘ldi. 2011-yilgacha KNT kompyuter ko‘rishiga bag‘ishlangan konferensiyalarda asosiy o‘rinni egallamagan. Ammo 2012-yil iyun oyida nufuzli CVPR konferensiyasida Siresanning ma’ruzasi GPUda KNTning maksimum bo‘yicha birlashtirish (max-pooling) usuli ko‘plab sinov mezonlari. 2012-yil oktabrida Krijevskiy boshchiligidagi jamoa shunga o‘xshash tizimni yaratib, ImageNet yirik ko‘lamli tanlovida an’anaviy mashinaviy o‘rganish usullaridan katta ustunlik bilan g‘olib chiqdi. 2012-yil noyabrida Siresan jamoasi saratonni aniqlash uchun katta hajmdagi tibbiy tasvirlarni tahlil qilishga oid ICPR tanlovida, keyingi yili esa xuddi shu yo‘nalishdagi MICCAI Grand Challenge tanlovida ham g‘olib bo‘ldi. 2013 va 2014-yillarda chuqur o‘rganish yordamida ImageNet topshirig‘idagi xatolar ulushi yanada kamaydi. Shu kabi o‘sish keng ko‘lamli nutqni tanib olish. da ham kuzatildi. Stiven Volfram tasvirlarni aniqlash loyihasi doirasida ushbu yaxshilanishlarni e’lon qildi.
Keyinchalik tasvirlarni tasniflash usuli tasvirlar uchun tavsiflar yaratish (izohlar yozish) kabi murakkabroq vazifagacha kengaytirildi. Bunda ko‘pincha KNT va LSTM birgalikda qo‘llanilgan.
Ayrim tadqiqotchilar 2012-yil oktabrida ImageNet tanlovidagi g‘alaba sun’iy intellekt sanoatini o‘zgartirgan «chuqur o‘rganish inqilobi»ning boshlanishi bo‘lgan deb hisoblaydi.
2019-yil mart oyida Yoshua Benjio, Jeffri Xinton va Yann Lekun chuqur neyron tarmoqlarni hisoblash texnologiyalarining muhim tarkibiy qismiga aylantirgan konseptual va muhandislik yutuqlari uchun Tyuring mukofoti bilan taqdirlandi.
Neyron tarmoqlar
Sun’iy neyron tarmoqlar (SNT) — hayvonlar miyasini tashkil etuvchi biologik neyron tarmoqlar tamoyillariga asoslangan hisoblash tizimlaridir. Odatda bunday tizimlar muayyan vazifani bajarish uchun alohida dasturlanmasdan, uni bajarishni o‘rganadi (ya’ni o‘z imkoniyatlarini bosqichma-bosqich yaxshilaydi). Masalan, mushuk rasmlarini tanib olishda ular avval «mushuk» yoki «mushuk emas» deb qo‘lda belgilangan tasvirlarni tahlil qiladi va shu tahlil natijalaridan boshqa tasvirlardagi mushuklarni aniqlashda foydalanadi. SNT, ayniqsa, an’anaviy algoritmlar bilan, ya’ni qoidalarga asoslangan dasturlash yordamida ifodalash qiyin bo‘lgan dasturlarda keng qo‘llanadi.
SNT sun’iy neyronlar deb ataladigan o‘zaro bog‘langan birliklardan (biologik miyadagi neyronlarning analoglaridan) tashkil topgan. Neyronlar orasidagi har bir bog‘lanish (sinaps) signalni boshqa neyronga uzatishi mumkin. Signalni qabul qiluvchi (postsinaptik) neyron uni qayta ishlab, o‘zi bog‘langan boshqa neyronlarga signal yuborishi mumkin. Neyronlarning holati odatda haqiqiy sonlar, ko‘pincha 0 va 1 oralig‘idagi qiymatlar bilan ifodalanadi. Neyronlar va sinapslar o‘qitish davomida o‘zgarib turadigan og‘irlik koeffitsiyentlariga ega bo‘lishi mumkin; bu koeffitsiyentlar keyingi bosqichga uzatiladigan signalni kuchaytiradi yoki susaytiradi.
Odatda neyronlar qatlamlarga birlashtiriladi. Turli qatlamlar har xil turdagi o‘zgartirishlarni bajarishi mumkin. Signallar birinchi (kirish) qatlamidan oxirgi (chiqish) qatlamigacha, ba’zan esa bir nechta qatlamdan takroran o‘tib uzatiladi.
Neyron tarmoqlarga asoslangan yondashuvning dastlabki maqsadi masalalarni inson miyasi kabi hal qilish edi. Vaqt o‘tishi bilan e’tibor muayyan intellektual qobiliyatlarni yaratishga qaratildi. Natijada biologiyadagi jarayonlardan farqlanuvchi usullar, masalan, xatoni teskari tarqatish — ma’lumotni orqaga yo‘naltirib, olingan natijaga qarab tarmoqni sozlash usuli — paydo bo‘ldi.
Neyron tarmoqlar kompyuter ko‘rishi, nutqni tanib olish, mashinaviy tarjima, ijtimoiy tarmoqlardagi kontentni filtrlash, videoo‘yinlar va tibbiy tashxislash kabi turli vazifalarni bajarishda qo‘llanadi.
2017-yil holatiga ko‘ra, neyron tarmoqlar odatda bir necha mingdan bir necha milliongacha birlik va millionlab bog‘lanishlardan tashkil topgan. Bu ko‘rsatkich inson miyasidagi neyronlar sonidan bir necha daraja kam bo‘lsa-da, bunday tarmoqlar ko‘plab vazifalarni insondan yaxshiroq bajara oladi (masalan, yuzlarni tanish yoki go o‘ynash).
Chuqur neyron tarmoqlar
Chuqur neyron tarmoq (chuqurlashtirilgan neyron tarmoq, ChNT, inglizcha DNN — Deep neural network) — kirish va chiqish qatlamlari orasida bir nechta qatlamga ega sun’iy neyron tarmoq (SNT). ChNT kirish ma’lumotlarini chiqish ma’lumotlariga aylantirish uchun, ular orasidagi chiziqli yoki chiziqli bo‘lmagan korrelyatsiyadan qat’i nazar, mos matematik o‘zgartirishlar usulini topadi. Tarmoq qatlamma-qatlam ishlaydi va har bir ehtimoliy chiqish natijasini hisoblaydi. Masalan, it zotlarini tanishga o‘rgatilgan ChNT berilgan tasvirni tahlil qilib, undagi itning muayyan zotga mansublik ehtimolini hisoblaydi. Foydalanuvchi natijalarni ko‘rib chiqishi, tarmoq qaysi ehtimollarni ko‘rsatishi kerakligini (masalan, ma’lum chegaradan yuqorilarini) tanlashi va tavsiya etilgan belgini tarmoqqa qayta uzatishi mumkin. Har bir matematik o‘zgartirish qatlam hisoblanadi. Murakkab ChNT ko‘p qatlamli bo‘lgani uchun «chuqur» deb ataladi.
ChNT murakkab chiziqli bo‘lmagan bog‘liqliklarni modellashtira oladi. ChNT arxitekturalari obyekt ko‘p darajali sodda elementlar kombinatsiyasi sifatida ifodalanadigan kompozitsion modellarni yaratadi. Qo‘shimcha qatlamlar quyi qatlamlardagi elementlarni birlashtirish imkonini beradi. Natijada ayrim murakkab ma’lumotlarni o‘xshash ko‘rsatkichlarga ega sayoz tarmoqqa qaraganda kamroq birlik bilan modellashtirish mumkin.
Chuqur arxitektura bir nechta asosiy yondashuvning ko‘plab variantlarini o‘z ichiga oladi. Har bir arxitektura muayyan sohalarda muvaffaqiyatli qo‘llangan. Agar turli arxitekturalar bir xil ma’lumotlar to‘plamida baholanmagan bo‘lsa, ularning unumdorligini solishtirish har doim ham mumkin emas.
ChNT odatda to‘g‘ri yo‘nalishli tarmoqlar bo‘lib, ularda ma’lumotlar teskari aloqasiz kirish qatlamidan chiqish qatlamiga o‘tadi. Dastlab ChNT virtual neyronlar xaritasini yaratadi va ular orasidagi bog‘lanishlarga tasodifiy son qiymatlarini, ya’ni «og‘irliklarni» belgilaydi. Og‘irliklar kirish ma’lumotlariga ko‘paytiriladi va 0 dan 1 gacha bo‘lgan chiqish signali olinadi. Tarmoq muayyan namunani to‘g‘ri tanimasa, algoritm ma’lumotlarni to‘g‘ri qayta ishlaydigan koeffitsiyentlar topilguncha og‘irliklarni moslashtiradi.
Ta’riflar
Mashinaviy o‘rganish algoritmlari
Chuqur o‘rganish algoritmlari mashinaviy o‘rganish sohasiga mansub bo‘lib, quyidagi xususiyatlar bilan tavsiflanadi:
- U ko‘p qatlamli chiziqli bo‘lmagan filtrlar tizimidan belgilarni ajratib olish va o‘zgartirish uchun foydalanadi. Har bir keyingi qatlam oldingi qatlamning chiqish ma’lumotlarini qabul qiladi. Chuqur o‘rganish tizimi nazorat ostida o‘rganish va nazoratsiz o‘rganish algoritmlarini birlashtirishi mumkin. Bunda namunalarni tahlil qilish nazoratsiz o‘rganishga, tasniflash esa nazorat ostida o‘rganishga asoslanadi.
- U belgilarni yoki ma’lumotlar tasvirining parametrlarini aniqlovchi bir nechta qatlamga ega (nazoratsiz o‘rganish). Bunda belgilar iyerarxik tartibda joylashadi: yuqori darajadagi belgilar quyi darajadagi belgilardan hosil bo‘ladi.
- U ma’lumotlar tasvirini o‘rganishga bag‘ishlangan kengroq mashinaviy o‘rganish sohasiga kiradi.
- O‘qitish jarayonida abstraksiyaning turli darajalariga mos keladigan bir nechta ifodalash qatlamini hosil qiladi; bu qatlamlar tushunchalar iyerarxiyasini tashkil etadi.
Barcha ta’riflarda quyidagilar qayd etiladi:
- chiziqli bo‘lmagan qayta ishlashning bir nechta qatlami mavjudligi;
- har bir qatlamdagi belgilar nazorat ostida yoki nazoratsiz o‘rganilib, quyi darajadan yuqori darajaga ko‘tariladigan iyerarxiya shakllanishi.
Chiziqli bo‘lmagan muayyan qatlamlarning tarkibi yechilayotgan masalaga bog‘liq. Neyron tarmoqning yashirin qatlamlari ham, murakkab mantiqiy o‘zgartirishlar qatlamlari ham qo‘llanadi. Tizim chuqur generativ modellardagi yashirin o‘zgaruvchilarni qatlamlar bo‘yicha tashkil etishi mumkin. Bunga quyidagi modellarning tugunlari misol bo‘ladi: chuqur ishonch tarmog‘i va chuqur cheklangan Boltsman mashinasi.
Chuqur o‘rganish algoritmlari sayoz o‘rganish algoritmlaridan kirish qatlamidan chiqish qatlamiga uzatilayotgan signal o‘tadigan parametrlashtirilgan o‘zgartirishlar soni bilan farqlanadi. Parametrlashtirilgan o‘zgartirish deb og‘irliklar yoki chegaraviy qiymatlar kabi o‘rganiladigan parametrlarga ega ma’lumotlarni qayta ishlash blokiga aytiladi. Kirishdan chiqishgacha bo‘lgan o‘zgartirishlar zanjiri CAP — mas’uliyatni taqsimlash yo‘li (inglizcha credit assignment path, CAP). CAP tarmoqdagi kirishdan chiqishgacha bo‘lgan ehtimoliy sabab-oqibat bog‘lanishlarini tavsiflaydi; turli tarmoqlanishlarda yo‘l uzunligi farq qilishi mumkin. Oldinga tarqaluvchi (feedforward) neyron tarmoqlarda CAP chuqurligi tarmoq chuqurligiga teng bo‘lib, yashirin qatlamlar soniga bitta qo‘shish orqali aniqlanadi (chunki chiqish qatlami ham parametrlashtirilgan). Rekurrent neyron tarmoqlarda esa signal oraliq qatlamlarni chetlab o‘tishi mumkin. Teskari aloqa tufayli CAP uzunligi nazariy jihatdan cheklanmagan. Sayoz va chuqur o‘rganishni ajratuvchi yagona, umumiy qabul qilingan chuqurlik chegarasi yo‘q. Biroq odatda chuqur o‘rganish bir nechta chiziqli bo‘lmagan qatlamga ega bo‘lishi (CAP > 2) bilan tavsiflanadi. Yurgen Shmidxuber CAP > 10 bo‘lgan holatni «juda chuqur o‘rganish» deb ham ajratib ko‘rsatadi.
Mazmuni
Chuqur o‘rganish — mashinaviy o‘rganishning yuqori darajadagi abstraksiyalarni ko‘plab chiziqli bo‘lmagan o‘zgartirishlar yordamida modellashtiradigan algoritmlari.
Chuqur o‘rganish, avvalo, quyidagi usullar va ularning turli ko‘rinishlarini o‘z ichiga oladi:
- Ayrim nazoratsiz o‘rganish tizimlari, masalan, cheklangan Boltsman mashinasi (oldindan o‘qitish uchun), avtokodlovchi, chuqur ishonch tarmog‘i, generativ raqobatlashuvchi tarmoq,
- Ayrim nazorat ostida o‘rganish tizimlari, masalan, konvolyutsion neyron tarmoq, bu tarmoq obrazlarni tanib olish texnologiyalarini yangi bosqichga olib chiqdi,
- Rekurrent neyron tarmoqlar vaqt davomida kechadigan jarayonlardan o‘rganish imkonini beradi;
- Rekursiv neyron tarmoqlar esa sxema elementlari va zanjirlar orasida teskari aloqa o‘rnatish imkonini beradi.
Bu usullar birlashtirilganda turli sun’iy intellekt vazifalariga mos murakkab tizimlar yaratiladi.
Chuqur o‘rganish keng mashinaviy o‘rganish usullari oilasiga kiruvchi, muayyan vazifaning xususiyatiga mos ma’lumotlar ifodasini topishga xizmat qiladigan sinalgan yondashuvdir. Masalan, tasvirni turlicha ifodalash mumkin: vektor sifatida — har bir pikselning intensivlik qiymatlarini ifodalovchi shaklda yoki mavhumroq ko‘rinishda sodda elementlar, muayyan shakldagi sohalar to‘plami va hokazolardan iborat bo‘lishi mumkin. Ma’lumotning to‘g‘ri ifodasi muayyan vazifalarni, masalan, yuzlar va yuz ifodalarini tanishni osonlashtiradi. Chuqur o‘rganish tizimlarida belgilarni tanlash va sozlash jarayoni avtomatlashtiriladi. Bunda belgilarni o‘rganish(inglizcha) nazoratsiz yoki qisman nazorat ostida, buning uchun samarali algoritmlar va iyerarxik belgilarni ajratib olish(inglizcha).
Ushbu sohadagi tadqiqotlar katta hajmdagi belgilanmagan ma’lumotlar bilan ishlaydigan modellarni takomillashtirish imkonini berdi. Ayrim yondashuvlar neyrofanlar sohasidagi yutuqlar, axborotni qayta ishlashni talqin etish va nerv tizimidagi axborot almashinuvi modellarini yaratish natijasida vujudga kelgan. Masalan, neyron kodlash, ya’ni qo‘zg‘atuvchi va neyron javobi orasidagi munosabatni hamda bosh miyadagi neyronlarning elektr faolligi o‘rtasidagi bog‘liqlikni aniqlash.
Chuqur o‘rganish tizimlari kompyuter ko‘rishi, nutqni tanib olish, tabiiy tilni qayta ishlash, audio ma’lumotlarni tanib olish, bioinformatika kabi sohalarda qo‘llanib, ayrim masalalarda avvalgidan sezilarli darajada yaxshi natijalarni ko‘rsatgan.
Chuqur o‘rganish muvaffaqiyatlariga qaramay, uning asosiy cheklovi ham mavjud: bunday modellar ifodalashi mumkin bo‘lgan narsalar doirasi cheklangan va ko‘pchilik dasturlarni ma’lumotlar ko‘pxilligining uzluksiz geometrik morfingi ko‘rinishida ifodalab bo‘lmaydi.
Biroq hanuz shunday skeptik qarash ham mavjudki, chuqur o‘rganish — shunchaki modadagi atama yoki neyron tarmoqlarning yangi nom ostida taqdim etilishi.
Adabiyotlar
- Saymon J. D. Prins. Chuqur o‘rganishni tushunish (Understanding Deep Learning) (inglizcha). UDL Book (2025). — Mazkur kitob Gudfellou va boshqalarning 2016-yildagi ajoyib «Deep Learning» asarining g‘oyaviy davomi sifatida yozilgan; o‘sha kitobda keyingi yutuqlar yoritilmagan. Murojaat qilingan sana: 18-avgust 2025-yil.
- Gudfellou Ya., Benjio I., Kurvill A. Chuqur o‘rganish = Deep Learning. — Moskva: DMK Press, 2017. — 652 bet — ISBN 978-5-97060-554-7.
- Nikolenko S., Kadurin A., Arxangelskaya Ye. Chuqur o‘rganish. — Sankt-Peterburg: Piter, 2018. — 480 bet — ISBN 978-5-496-02536-2.
- Prins, Saymon. Mashinaviy o‘rganish. Asoslardan ilg‘or modellargacha. — Eksmo, 2025. — ISBN 978-5-04-192658-8. — Ishonchli, tushunarli va zamonaviy tarzda mashinaviy hamda chuqur o‘rganishni tushuntiradigan qo‘llanma. Undagi misollar Python dasturlash tilida berilgan.
Havolalar
- GOST R 71476-2024. Sun’iy intellekt. Sun’iy intellekt tushunchalari va terminologiyasi. Digital Russia (2024-yil dekabr). — Quyidagi sanadan kuchga kirgan: 1-yanvar 2025-yil va birinchi milliy standart sifatida sun’iy intellekt tushunchalari va terminologiyasini Rossiyada tartibga soladi. Murojaat qilingan sana: 18-avgust 2025-yil. Arxivlangan 28-avgust 2025-yil.