Perseptronlar

Frank Rosenblatt

Frank Rosenblatt (1928 – 1971) — sun’iy intellekt sohasida taniqli bo‘lgan amerikalik psixolog.

1957-yilda u haqiqatan ham ulkan ishni boshladi. U Cornell aeronavtika laboratoriyasidagi IBM 704 kompyuterida Perseptron dasturini "ixtiro qildi".

Olimlar miya hujayralari (neyronlar) sezgi a’zolarimizdan kelgan ma’lumotlarni elektr signallari orqali qabul qilishini aniqlagan edi.

Neyronlar esa, o‘z navbatida, ma’lumotlarni saqlash va avvalgi kirish ma’lumotlari asosida qaror qabul qilish uchun elektr signallaridan foydalanadi.

Frank perseptronlar o‘rganish va qaror qabul qilish qobiliyatiga ega holda miyaning ishlash tamoyillarini simulyatsiya qila oladi, degan g‘oyani ilgari surdi.

Perseptron

Dastlabki perseptron bir nechta ikkilik (binary) kirish qiymatini qabul qilib, bitta ikkilik natija (0 yoki 1) chiqarishga mo‘ljallangan edi.

G‘oya shundan iborat ediki, har bir kirishning ahamiyatini ifodalash uchun turli vaznlar ishlatiladi va ha yoki yo‘q (true yoki false) (0 yoki 1) kabi qaror qabul qilinishidan oldin qiymatlar yig‘indisi chegara (threshold) qiymatidan katta bo‘lishi kerak.

Perseptron misoli

(Miyangizdagi) perseptronni tasavvur qiling.

Perseptron konsertga borishingiz kerakmi yoki yo‘qligini hal qilishga harakat qiladi.

Ijrochi yaxshimi? Ob-havo yaxshimi?

Bu omillar qanday vaznga ega bo‘lishi kerak?

Perseptron algoritmi

Frank Rosenblatt quyidagi algoritmni taklif qilgan:

1. Chegara qiymatini belgilang
2. Barcha kirishlarni ularning vaznlariga ko‘paytiring
3. Barcha natijalarni qo‘shing
4. Natijani faollashtiring

1. Chegara qiymatini belgilang:

• Chegara qiymati = 1.5

2. Barcha kirishlarni ularning vaznlariga ko‘paytiring:

• x1 * w1 = 1 * 0.7 = 0.7
• x2 * w2 = 0 * 0.6 = 0
• x3 * w3 = 1 * 0.5 = 0.5
• x4 * w4 = 0 * 0.3 = 0
• x5 * w5 = 1 * 0.4 = 0.4

3. Barcha natijalarni qo‘shing:

• 0.7 + 0 + 0.5 + 0 + 0.4 = 1.6 (vaznli yig‘indi)

4. Natijani faollashtiring:

• Agar sum > 1.5 bo‘lsa, true qaytaring ("Ha, men konsertga boraman")

Sun’iy intellektda perseptron

Perseptron — bu sun’iy neyron.

U biologik neyronning ishlashidan ilhomlangan.

U sun’iy intellektda hal qiluvchi rol o‘ynaydi.

U neyron tarmoqlarning muhim qurilish bloki hisoblanadi.

Uning ortidagi nazariyani tushunish uchun uni tarkibiy qismlarga ajratib ko‘rishimiz mumkin:

1. Perseptron kirishlari (tugunlar)
2. Tugun qiymatlari (1, 0, 1, 0, 1)
3. Tugun vaznlari (0.7, 0.6, 0.5, 0.3, 0.4)
4. Yig‘ish
5. Chegara qiymati
6. Aktivatsiya funksiyasi
7. Yig‘indi (sum > treshold)

1. Perseptron kirishlari

Perseptron bir yoki bir nechta kirish qiymatini qabul qiladi.

Perseptron kirishlari tugunlar (nodes) deb ataladi.

Tugunlar ham qiymatga, ham vaznga ega.

2. Tugun qiymatlari (kirish qiymatlari)

Kirish tugunlari ikkilik qiymatga ega: 1 yoki 0.

Buni true yoki false / ha yoki yo‘q deb talqin qilish mumkin.

Qiymatlar: 1, 0, 1, 0, 1

3. Tugun vaznlari

Vaznlar — har bir kirishga biriktirilgan qiymatlar.

Vaznlar har bir tugunning kuchini ko‘rsatadi.

Kattaroq qiymat kirishning natijaga kuchliroq ta’sir ko‘rsatishini bildiradi.

Vaznlar: 0.7, 0.6, 0.5, 0.3, 0.4

4. Yig‘ish

Perseptron o‘z kirishlarining vaznli yig‘indisini hisoblaydi.

U har bir kirishni unga mos vaznga ko‘paytiradi va natijalarni qo‘shadi.

Yig‘indi: 0.7*1 + 0.6*0 + 0.5*1 + 0.3*0 + 0.4*1 = 1.6

6. Chegara qiymati

Chegara qiymati (threshold) — perseptron faollashishi (1 chiqarishi) uchun zarur bo‘lgan qiymat, aks holda u nofaol qoladi (0 chiqaradi).

Misolda chegara qiymati: 1.5

5. Aktivatsiya funksiyasi

Yig‘ishdan so‘ng perseptron aktivatsiya funksiyasini qo‘llaydi.

Uning maqsadi natijaga nochiziqlilik kiritishdir. U jamlangan kirish asosida perseptron faollashishi kerakmi yoki yo‘qligini aniqlaydi.

Aktivatsiya funksiyasi oddiy: (sum > treshold) == (1.6 > 1.5)

Natija

Perseptronning yakuniy natijasi — aktivatsiya funksiyasining natijasi.

U perseptronning kirish qiymatlari va vaznlarga asoslangan qarori yoki bashoratini ifodalaydi.

Aktivatsiya funksiyasi vaznli yig‘indini ikkilik qiymatga aylantiradi.

Ikkilik 1 yoki 0 qiymatini true yoki false / ha yoki yo‘q deb talqin qilish mumkin.

Natija 1 bo‘ladi, chunki: (sum > treshold) == true.

Perseptronning o‘rganishi

Perseptron o‘qitish deb ataladigan jarayon orqali misollardan o‘rgana oladi.

O‘qitish davomida perseptron kuzatilgan xatolar asosida o‘z vaznlarini sozlaydi. Bu odatda perseptronni o‘rgatish qoidasi yoki xatoni teskari tarqatish (backpropagation) algoritmi kabi o‘rganish algoritmi yordamida amalga oshiriladi.

O‘rganish jarayonida perseptronga kutilgan natijasi ma’lum bo‘lgan, yorliqlangan (labeled) misollar beriladi. Perseptron o‘z natijasini kutilgan natija bilan solishtiradi va bashorat qilingan hamda kutilgan natijalar orasidagi xatoni kamaytirishga intilib, vaznlarini shunga mos ravishda sozlaydi.

O‘rganish jarayoni perseptronga yangi, noma’lum kirish qiymatlari uchun aniq bashoratlar qilish imkonini beruvchi vaznlarni o‘rganishga yordam beradi.

Shuni ta’kidlash muhimki, perseptronlar sun’iy neyron tarmoqlarning rivojlanishiga katta ta’sir ko‘rsatgan bo‘lsa-da, ular faqat chiziqli ajraladigan qonuniyatlarni o‘rganish bilan cheklangan.

Biroq bir nechta perseptronni qatlamlarga joylashtirib va nochiziqli aktivatsiya funksiyalarini qo‘shib, neyron tarmoqlar bu cheklovni yengib o‘tishi va murakkabroq qonuniyatlarni o‘rganishi mumkin.

Neyron tarmoqlar

Perseptron neyron tarmoqlar sari birinchi qadamni belgilaydi:

Perseptronlar ko‘pincha ko‘p qatlamli perseptronlar (MLP) yoki chuqur neyron tarmoqlar (DNN) kabi murakkabroq neyron tarmoqlarning qurilish bloklari sifatida ishlatiladi.

Bir nechta perseptronni qatlamlarga birlashtirib, ularni tarmoq tuzilmasiga ulash orqali bu modellar ma’lumotlardagi murakkab qonuniyatlar va bog‘liqliklarni o‘rganishi va ifodalashi mumkin. Bu esa tasvirlarni tanib olish, tabiiy tilni qayta ishlash va qaror qabul qilish kabi vazifalarni bajarish imkonini beradi.