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()