Uploaded by rahmatovbegzod45

keras

advertisement
O’ZBEKISTON RESPUBLIKASI RAQAMLI TEXNOLOGIYALARI
VAZIRLIGI
MUHAMMAD AL-XORAZIMIY NOMIDAGI TOSHKENT
AXBOROT TEXNOLOGIYALARI UNIVERSITETI
KIBERXAVFSIZLIK FAKULTETI 711-21AXO` GURUHI
TALABASINING “MASHINALI O`QITISHGA KIRISH” FANIDAN
Mustaqil ishi
Bajardi:Raxmatov B
Tekshirdi:Jurayev D
Keras kutubxonasi
xususiyatlari
Keras kutubxonasi - bu turli murakkablikdagi neyron tarmoqlarni
qurish uchun qulay interfeysni ta'minlovchi yuqori darajadagi chuqur
o'rganish tizimi
Reja:
I.Kirish
II.Asosiy qism
1. Kerasdan foydalanishning afzalliklari
2. Keras kutubxonasining asosiy xususiyatlari
3. Kerasdan foydalanishning odatiy misollari
III.Xulosa
IV.Foydalanilgan adabiyotlar
V.Ilova
KIRISH
Mashinali o'qitishning asosiy maqsadi insonning mashina boshqarish va ta'minlash qobiliyatlarini oshirishdir. Bu sohada
o'qituvchilar mashinali o'qitish texnologiyalarini o'rganish, tajribalarini o'quvchilarga o'tkazish va yangi texnologiyalarni joriy etish bo'yicha
malakalarini oshirishadi. Mashinali o'qitish mashinasozlik (machine learning), robototexnika, ishlovchi avtomatlashtirish, raqamli
rivojlantirish va boshqa sohalar uchun keng qamrovli qo'llanmalar o'rganishni o'z ichiga oladi.
Mashinali o'qitish kurslari va darslar o'quvchilarga raqamli texnologiyalarni o'rganish, algoritmlar va dasturlash tillarini o'qitish,
avtomatlashtirilgan ma'lumotlarni tahlil qilish va qo'llab-quvvatlash, robotlar va mashinasoz qurilmalar boshqarishni o'rganish, va boshqa
texnologik ko'nikmalarga ega bo'lishlari uchun imkoniyat yaratadi.
Mashinali o'qitish bo'yicha tajribali o'qituvchilar mashinasozlik algoritmalarini o'rganish, boshqa sohalarda qo'llaniladigan xilmaxil o'quv texnologiyalari bilan tanishishadi va o'quvchilarini yangi texnologiyalarni tushunish va qo'llashda malakali qilishadi. O'qituvchilar
o'quvchilarni amaliyotda ishlovchi mashinasozlik dasturlash, ma'lumotlarni tahlil qilish, xususiy ta'limning sohalarini amalga oshirish,
vaqtincha yechim topish va qo'llanishga erishishlari uchun tayyorlashadi.
Mashinali o'qitish sohasi hozirgi vaqtning talabalarning va professional o'quvchilarining qiziqishini jalb qilmoqda, chunki bu soha
keng va tez rivojlanmoqda bo'lgani sababli, insonlar o'zlarini yangi texnologiyalarga qiziqtirishlari, bu sohadagi malakalarini oshirish uchun
harakat qilishlari mumkin
Keras bilan tanishamiz
Python и Tensorflow
Keras
-
bu
Python-da
yozilgan
Tensorflow ramkasiga qo'shimcha.
Sun'iy neyron tarmoqlari
Ochiq manba
Keras - bu mashinani
Keras - bu yanada samarali
o'rganishda ishlatiladigan neyron
ishlash va ishlab chiqish
tarmoqlarni yaratish va o'qitish
imkonini beruvchi ochiq kodli
uchun eng mashhur ramkalardan
dasturiy ta'minot
biri.
Kerasdan foydalanishning afzalliklari
Foydalanish qulayligi
Keras neuron tarmoqlar bilan ishlashni tez va o'rganish dasturlarini sodda va intuitiv interfeysni
taqdim etadi.
Yuqori ishlash
Tezroq algoritmlar va optimallashtirishlardan foydalangan holda Keras neyron
tarmoqlarni o'rgatishda yuqori unumdorlikni ta'minlaydi.
Masshtablilik
Oddiy, zaif optimallashtirilgan neyron tarmoqlarni va yuqori unumdorlikka ega murakkab
tarmoqlarni yaratishga imkon beruvchi Keras arxitekturasi tufayli kutubxona osongina
kengaytiriladi.
Keras kutubxonasining asosiy xususiyatlari
1
Modullilik
Bir-biri bilan erkin birlashtirilishi mumkin bo'lgan konfiguratsiya bloklaridan
neyron tarmoqlarni yaratish uchun modulli API taqdim etadi..
2
Portativlik
Keras CPU va GPU kabi turli xil qurilmalarni, shuningdek Windows, Linux va
MacOS kabi turli xil operatsion tizimlarni qo'llab-quvvatlaydi.
3
Tarqalgan hisoblash uchun o'rnatilgan qo'llab-quvvatlash
Bir vaqtning o'zida bir nechta qurilmalarda neyron tarmoqlarni yaratish va o'qitish
imkonini beradi, bu esa o'quv jarayonini tezlashtiradi.
4
O'rnatilgan funktsiyalar
Ma'lumotlar bilan ishlash uchun ko'plab o'rnatilgan funktsiyalarni ta'minlaydi, masalan,
oldindan ishlov berish, ko'paytirish va boshqalar.
Kerasdan foydalanishning odatiy misollari
Tasvirni aniqlash
Tabiiy tilni qayta ishlash
Moliyaviy ma'lumotlarni
tahlil qilish
Keras eng mashhur chuqur
Keras, shuningdek, tabiiy tilni
Keras moliyaviy vaqt seriyalarini,
o'rganish ramkalaridan biri
qayta ishlash va matn qazib olish
shuningdek,
vazifalarini
ma'lumotlarni tahlil qilish bilan
sifatida
tasvirlar
bilan
ishlashda keng qo'llaniladi.
bajarishga
qodir
moliyaviy
modellarni yaratish va o'qitish
bog'liq
uchun ham ishlatilishi mumkin.
bashorat qila oladigan modellarni
yaratish
mumkin.
boshqa
uchun
vazifalarni
ishlatilishi
Kerasda chuqur o'rganish
1
2
Konvolyutsion
3
Takroriy neyron
tarmoqlari
Generativ neyron
tarmoqlari
neyron tarmoqlari
Oddiy,
ammo
kuchli
arxitekturalar kompyuterni
ko'rish muammolarini hal
qilishda keng qo'llaniladi.
Belgilar
ketma-ketligi,
Asl
tovushlar
yoki
taqsimlanishini
shakllari
kabi
to'lqin
ixtiyoriy
ma'lumotlarning
simulyatsiya qilish orqali
uzunlikdagi ma'lumotlarni
yangi
ketma-ket
namunalarini
qayta
yondashuvlari.
ishlash
ma'lumotlar
yaratishi
mumkin bo'lgan modellar.
Boshqa kutubxonalar va ramkalar bilan
integratsiya
Tensorflow
Scikit-learn
PyTorch
Keras Tensorflow uchun qulay
Keras turli modellarni yaratish
Keras turli modellarni yaratish
interfeys sifatida ishlatilishi
va o'qitish uchun Scikit-learn
va o'qitish uchun PyTorch
mumkin.
kutubxonasi bilan birgalikda
ramkasi
ishlatilishi mumkin.
ishlatilishi mumkin.
bilan
birgalikda
Xulosa
Keras - kuchli va ko'p qirrali chuqur o'rganish tizimi bo'lib, u neyron tarmoq talab qilinadigan keng ko'lamli muammolarni hal
qilish uchun ishlatilishi mumkin. Google Kerasni TensorFlowning asosiy kutubxonasida qoʻllab-quvvatlashi rejalashtirilgan edi, ammo
Chollet Kerasni alohida qoʻshimchaga ajratdi, chunki kontseptsiyaga koʻra, Keras uchdan-end mashinani oʻrganish tizimidan koʻra koʻproq
interfeysdir. Keras yuqori darajadagi, koʻproq intuitiv mavhum maʼlumotlar toʻplamini taqdim etadi, bu esa neyron tarmoqlarni yaratishni
osonlashtiradi, ilmiy hisoblash kutubxonasidan qatʼi nazar, hisoblash uchun backend sifatida ishlatiladi Microsoft Keras ga past darajadagi
CNTK kutubxonalarini qoʻshish ustida ishlamoqda.
Foydalanilgan adabiyotlar
1. Abdullah Karasan, Machine_Learning for Financial Risk Management with Python Algorithms 2021.
2. Ланц Бред , Машинное обучение на R: экспертные техники для прогностического анализа, Питер-2020.
3. Бринк Х.,Ричардс Д.,ФеверолфМ., Машинное обучение, Питер-2018.
Ilova
1. import tensorflow as tf
2. from tensorflow import keras
3. # Keras kutubxonasi orqali model yaratish
4. model = keras.Sequential([
5.
keras.layers.Dense(64, activation='relu', input_shape=(784,)),
6.
keras.layers.Dense(10, activation='softmax')
7. ])
8. # Modelni yaratish
9. model.compile(optimizer='adam',
10.
loss='sparse_categorical_crossentropy',
11.
metrics=['accuracy'])
12. # Modelni e'lon qilish
13. model.summary()
Download