SUN'IY NEYRON TARMOQLARI (ANN) ASOSIDA TASNIFLASH AMALIYOTI

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 234 SUN'IY NEYRON TARMOQLARI (ANN) ASOSIDA TASNIFLASH AMALIYOTI Dexqonov Alisher Farg'ona Davlat Texnika Universiteti Email: [email protected] https://doi.org/10.5281/zenodo.18012962 Annotatsiya: Sun’iy neyron tarmoqlari (Artificial Neural Networks – ANN) murakkab tasniflash masalalarini yuqori aniqlik bilan hal qilish imkonini beruvchi zamonaviy mashinaviy o‘rganish modellaridan hisoblanadi. Ushbu maqolada ANN asosidagi tasniflash usullarining nazariy asoslari, arxitektura tuzilmalari va amaliy qo‘llanilishi keng qamrovli tarzda o‘rganildi. Tadqiqot doirasida ko‘p qatlamli perceptron (MLP), konvolyutsion neyron tarmoqlar (CNN) hamda qoldiq tarmoqlar (ResNet) MNIST, CIFAR-10 va yurak kasalliklarini aniqlashga oid tibbiy ma’lumotlar to‘plamlarida solishtirma eksperimental tahlil qilindi. Overfitting muammosini kamaytirish uchun dropout, batch normalization, L2-regularizatsiya va data augmentation strategiyalari qo‘llandi. Natijalar shuni ko‘rsatdiki, CNN va ResNet arxitekturalari tasvirga asoslangan vazifalarda yuqori aniqlikka (98–99%) erishdi, tibbiy diagnostika vazifasida esa optimallashtirilgan MLP modeli AUC-ROC = 0.91 ko‘rsatkichini namoyish etdi. Kalit so‘zlar: sun’iy neyron tarmoqlari, tasniflash, chuqur o‘rganish, CNN, ResNet, backpropagation, overfitting 1. KIRISH Sun’iy intellekt va mashinaviy o‘rganish sohalarining jadal rivojlanishi sun’iy neyron tarmoqlarini ko‘plab amaliy masalalarni hal etishda asosiy vositaga aylantirdi. ANN inson miyasidagi biologik neyronlarning ishlash printsiplaridan ilhomlangan bo‘lib, murakkab nochiziqli bog‘lanishlarni modellashtirish qobiliyatiga ega. Tasniflash masalalari kompyuter ko‘rishi, tibbiy diagnostika, moliya, sanoat va tabiiy tilni qayta ishlash kabi ko‘plab sohalarda muhim ahamiyat kasb etadi. An’anaviy statistik va mashinaviy o‘rganish usullari katta va murakkab ma’lumotlar bilan ishlashda cheklovlarga ega bo‘lsa, chuqur neyron tarmoqlari ushbu muammolarni samarali hal eta oladi. Tadqiqotning maqsadi – sun’iy neyron tarmoqlarining tasniflash vazifalaridagi samaradorligini turli arxitekturalar misolida tahlil qilish va real ma’lumotlar asosida eksperimental baholashdir. 2. TADQIQOTNING ILMIY HISSASI Ushbu tadqiqot ishining asosiy ilmiy hissalari quyidagilardan iborat: 1. MLP, CNN va ResNet arxitekturalarining uch xil turdagi ma’lumotlar (raqamli tasvirlar, rangli tasvirlar va strukturalangan klinik ma’lumotlar) bo‘yicha yagona baholash mezonlari asosida solishtirma tahlili amalga oshirildi. 2. CIFAR-10 ma’lumotlar to‘plamida batch normalization, dropout va learning rate scheduling kombinatsiyasining tasniflash aniqligiga ta’siri eksperimental ravishda ko‘rsatildi. 3. Yurak kasalliklarini aniqlash masalasida class weight va threshold optimallashtirish orqali model sensitivligi va specificity o‘rtasida muvozanatga erishildi. 4. Overfitting muammosini kamaytirish bo‘yicha amaliy tavsiyalar ishlab chiqildi. 3. ALOQADOR ISHLAR (RELATED WORKS) So‘nggi yillarda sun’iy neyron tarmoqlari tasniflash masalalarida yetakchi yondashuvga aylandi. LeCun va boshqalar tomonidan taklif etilgan chuqur o‘rganish konsepsiyasi tasvir va signal ma’lumotlarini qayta ishlashda katta burilish yasadi. Krizhevsky et al. tomonidan taqdim etilgan AlexNet modeli ImageNet musobaqasida yuqori natijalarga erishib, CNN YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 235 arxitekturalarining keng tarqalishiga sabab bo‘ldi. Keyinchalik VGG, GoogLeNet va ResNet kabi chuqur modellar taklif etilib, gradient yo‘qolishi va overfitting muammolarini samarali hal qilish imkonini berdi. Tibbiy diagnostika sohasida ANN modellaridan yurak kasalliklari, diabet va saratonni aniqlashda keng foydalanilmoqda. So‘nggi tadqiqotlar model interpretatsiyasining muhimligini ko‘rsatib, SHAP va LIME kabi tushuntiruvchi metodlarning joriy etilishiga olib keldi. 4. SUN'IY NEYRON TARMOQLARINING NAZARIY ASOSLARI 3.1. Neyronning matematik modeli Sun’iy neyron kiruvchi signallar, vazn koeffitsiyentlari, bias va aktivatsiya funksiyasidan iborat. Neyron chiqishi quyidagicha ifodalanadi: z = \sum w_i x_i + b y = f(z) Aktivatsiya funksiyalari (Sigmoid, Tanh, ReLU, Softmax) tarmoqqa nochiziqlilik kiritadi va murakkab naqshlarni o‘rganish imkonini beradi. 3.2. Ko‘p qatlamli perceptron (MLP) MLP kiruvchi, bir yoki bir nechta yashirin hamda chiquvchi qatlamlardan tashkil topgan bo‘lib, umumiy maqsadli tasniflash vazifalarida keng qo‘llaniladi. 3.3. Backpropagation algoritmi Backpropagation algoritmi gradient descent asosida xato funksiyasini minimallashtirish orqali tarmoq vaznlarini yangilaydi. Tasniflash vazifalarida ko‘pincha cross-entropy loss funksiyasi ishlatiladi. 3.4. Konvolyutsion neyron tarmoqlar (CNN) CNN arxitekturasi tasvir ma’lumotlaridagi lokal va fazoviy xususiyatlarni aniqlash uchun konvolyutsiya va pooling qatlamlaridan foydalanadi. Parameter sharing va translation invariance xususiyatlari CNNni tasvir tasniflashda samarali qiladi. 3.5. Qoldiq tarmoqlar (ResNet) ResNet arxitekturasi skip connectionlar orqali gradient yo‘qolishi muammosini kamaytiradi va juda chuqur tarmoqlarni o‘qitish imkonini beradi. 5. TAKLIF ETILGAN METODOLOGIYA Tadqiqotda barcha modellar bir xil o‘qitish strategiyasi asosida tayyorlandi. Dastlab ma’lumotlar normalizatsiya qilindi va trening jarayonida data augmentation usullari qo‘llanildi. Har bir model uchun optimal learning rate, batch size va epoch soni empirik ravishda tanlandi. CNN va ResNet modellarida early stopping va learning rate scheduling mexanizmlari joriy etildi. Model samaradorligini baholash uchun accuracy, precision, recall, F1-score va AUC-ROC kabi metrikalar ishlatildi. 6. EKSPERIMENTAL TADQIQOTLAR 4.1. Hisoblash muhiti Eksperimentlar quyidagi muhitda amalga oshirildi: • Platforma: Google Colab Pro • GPU: NVIDIA Tesla T4 (16 GB) • Dasturlash tili: Python 3.10 • Framework: TensorFlow 2.13 (Keras) • Random seed: 42 YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 236 4.2. Ma’lumotlar to‘plamlari • MNIST: 28×28 o‘lchamli qo‘lda yozilgan raqamlar (10 sinf). • CIFAR-10: 32×32×3 rangli tasvirlar (10 sinf). • Heart Disease Dataset: 303 ta namunadan iborat klinik ma’lumotlar. 4.3. Natijalar • MNIST (CNN): 99.3% aniqlik • CIFAR-10 (ResNet18): 92.6% aniqlik • Heart Disease (MLP): 86.7% aniqlik, AUC-ROC = 0.91 5. MODEL INTERPRETATSIYASI Tibbiy diagnostika modelini tushuntirish uchun SHAP metodi qo‘llanildi. Natijalarga ko‘ra maksimal yurak urish tezligi, ST depressiyasi va yosh eng muhim xususiyatlar sifatida aniqlandi, bu klinik bilimlar bilan mos keladi. 6. CHEKLOVLAR VA MUAMMOLAR • Katta hajmdagi ma’lumotlarga ehtiyoj • Yuqori hisoblash resurslari talabi • Modellarning interpretatsiyasi murakkabligi 7. MUHOKAMA (DISCUSSION) Olingan natijalar shuni ko‘rsatdiki, model tanlovi ma’lumotlar turiga bevosita bog‘liq. MNIST va CIFAR-10 kabi tasvirli ma’lumotlarda CNN va ResNet modellarining ustunligi aniq namoyon bo‘ldi. Tibbiy ma’lumotlar uchun esa soddaroq, ammo yaxshi regularizatsiyalangan MLP modeli yuqori natija berdi. SHAP orqali olingan interpretatsiyalar model qarorlarining mantiqiyligini tasdiqladi. 8. XULOSA Ushbu tadqiqot sun’iy neyron tarmoqlarining tasniflash vazifalarida yuqori samaradorlikka ega ekanligini tasdiqladi. To‘g‘ri arxitektura tanlovi va regularizatsiya strategiyalarining uyg‘unligi model aniqligini sezilarli oshiradi. Kelgusida transformer va selfsupervised learning asosidagi modellarni tadqiq etish rejalashtirilmoqda. Adabiyotlar, References, Литературы: 1. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 2. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015. 3. He K., et al. Deep Residual Learning for Image Recognition. CVPR, 2016. 4. Krizhevsky A., et al. ImageNet Classification with Deep CNNs. NeurIPS, 2012. 5. Ioffe S., Szegedy C. Batch Normalization. ICML, 2015. 6. Srivastava N., et al. Dropout. JMLR, 2014. 7. Kingma D., Ba J. Adam Optimizer. ICLR, 2015. 8. Dosovitskiy A., et al. Vision Transformers. ICLR, 2021. 9. Chen T., et al. SimCLR. ICML, 2020. 10. Radford A., et al. CLIP. ICML, 2021. 11. Lundberg S., Lee S. SHAP. NeurIPS, 2017.