3-1 AI qanday ishlaydi — bir xil qoʻzgʻatuvchi, toʻrt xil yoʻl

1Toʻrt yoʻl

Toʻrt yoʻl — bir xil qoʻzgʻatuvchi bir vaqtda oqadi

Bitta qoʻzgʻatuvchi toʻrt tizimga bir vaqtda kiradi. Bosqichlar soni, har bir bosqichda bajariladigan ish va bu ishni kim belgilagani bir-biridan farq qiladi.

Qoʻzgʻatuvchi

Batafsil koʻriladigan yoʻl

Yangi boshlovchilar uchun izoh

Toʻrt yoʻlning asosiy oqimi bir xil: qabul qiladi → tartibga soladi → qaror qiladi → harakat qiladi. Farqi shundaki, “nimani ishora (belgi) sifatida olishni kim belgilagan”. Mashinali oʻrganishda buni inson belgilaydi (sariq hoshiya), chuqur oʻrganishda esa maʼlumotlardan oʻrganiladi (yashil hoshiya). Drozofilaning yaqinlashishni aniqlash zanjiri oʻrganish natijasi emas, balki rivojlanish jarayonida shakllangan zanjirdir (pushti hoshiya). Buni evolyutsiya uzoq vaqt davomida “oldindan belgilab qoʻygan” deyish mumkin.

Inson miyasi qatoriga faqat darsliklarda keltiriladigan asosiy oqim koʻchirildi. Haqiqiy miyada teskari yoʻnalishdagi qayta aloqa bogʻlanishlari koʻp, tezkor aylanma yoʻllar ham bor (masalan, koʻzdan oʻrta miyadagi yuqori tepachaga boradigan yoʻl). Oxirgi “qaror” bosqichi haqida faqat bir nechta soha birgalikda ishlashi maʼlum, shuning uchun u punktir bilan chizilgan. Rasmdagi harakat tezligi haqiqiy qayta ishlash vaqtiga aloqador emas.

2Inson miyasi

Inson miyasi — aniqlangan narsalar va taxminlarni ajratib koʻramiz

Har bir sezgi uchun qabul qiluvchi aʼzo ham, oʻtadigan yoʻl ham har xil. Sezgini tanlab, signal oʻtadigan yoʻlni kuzating va har bir bosqich qanchalik aniq maʼlum ekanini tekshiring.

Sezgi

Aniqlangan narsalar

Har bir sezgini qabul qiluvchi aʼzo va birinchi yoʻl har xil. Koʻrish va eshitish signali talamus orqali bosh miya poʻstlogʻiga boradi. Hid bilish signali esa talamusdan oʻtmay, hid bilish piyozchasidan toʻgʻridan-toʻgʻri poʻstloqqa boradi [R10].
Birlamchi koʻrish poʻstlogʻi neyronlari maʼlum yoʻnalishda qiyshaygan tayoqcha yoki qirraga kuchli javob beradi. Bu birinchi marta mushukda oʻlchangan [R3].
Maymunning pastki chakka poʻstlogʻida yuzlarga tanlab javob beradigan neyronlar guruhi bor [R4].
Oʻrganish natijasida sinapslar bogʻlanish kuchi oʻzgaradi.

Hali taxmin yoki tadqiq qilinayotgan narsalar

Turli sohalarda alohida qayta ishlangan rang, shakl, harakat va tovushni miya qanday qilib “bitta obyekt”ga birlashtirishi.
“Qochish kerak” degan qaror aynan qayerda va qanday hisoblash bilan qabul qilinishi. Faqat bir nechta soha birgalikda ishtirok etishi maʼlum.
Miya chuqur oʻrganishdagi teskari tarqalish (backpropagation) kabi xatoni qatlamma-qatlam orqaga yuborib oʻrganadimi yoki yoʻqmi. Shunga oʻxshash ishni boshqa usullar bilan bajarish mumkinligi haqidagi farazlar tadqiq qilinmoqda [R13].
Inson miyasining toʻliq ulanish xaritasi. Drozofila miyasining toʻliq ulanish xaritasi tuzib boʻlingan [R2], ammo inson miyasida neyronlar sonining oʻzi taxminan 620 ming barobar koʻp.

Nega inson miyasi haqida “taxmin” koʻp?

Har bir neyron signalini oʻlchash uchun miyaga elektrod kiritish kerak. Insonda buni faqat juda cheklangan hollarda, masalan, operatsiya zarur boʻlgan bemorlarda qilish mumkin. Shu sababli hujayra darajasidagi bilimlarning koʻpi mushuk va maymun kabi hayvonlar ustidagi tajribalardan olingan, insonda esa asosan miya tasvirlari kabi keng sohalar faolligini oʻlchaydigan usullarga tayaniladi. Drozofilada genetik vositalar yordamida faqat kerakli neyronlarni yoqib-oʻchirish mumkin, shuning uchun “bu neyron shu xatti-harakat uchun zarur” ekanini bevosita tekshirsa boʻladi. Bu turkum drozofilani yoʻlboshchi qilib olishining sababi shu.

3Mashinali oʻrganish

Mashinali oʻrganish — belgilarni inson loyihalaydi

Inson: belgilarni tanlash → mashina: vaznlarni oʻrganishSamuel, 1959

Inson bajaradigan ish

12×12 katakli ikkita oq-qora sahnani (oldingi va keyingi) koʻrib, “bu yaqinlashayotgan obyektmi” degan savolga javob berish kerak. Avval inson qaror uchun ishorani, yaʼni belgini tanlaydi. Masalan, “qorongʻi maydon qanchaga oshdi”, “soya markazi qanchaga siljidi”. 288 ta piksel 2 ta songa qisqaradi.

Mashina bajaradigan ish

Ikki sonning har biriga koʻpaytiriladigan vaznlar va siljish (bias) — jami 3 ta qiymat 240 ta oʻqitish misolidan oʻrganiladi (logistik regressiya). Oʻngdagi tekislikdagi toʻgʻri chiziq — shuning natijasi. Oʻqitish tugagach, birinchi marta koʻrilayotgan 160 ta test sahnasi bilan qobiliyat oʻlchanadi.

Yaqinlashish (qochish kerak)Yonidan oʻtishUzoqlashishYorugʻlik xiralashishiHarakatsizSariq hoshiya = notoʻgʻri hukm

Namunaviy sahna

Inson tanlagan belgilar

Yangi boshlovchilar uchun izoh

“Mashinali oʻrganish” atamasini keng tanitgan Samuelning 1959-yilgi shashka (dama) dasturi ham shu usulda ishlagan. Inson “oʻyinga aloqador boʻlishi mumkin” boʻlgan baholash mezonlari roʻyxatini berdi, dastur esa partiyalarni takrorlab, faqat har bir mezonga qancha vazn berishni oʻrgandi [R11]. Nimaga qarashni inson, unga qanchalik ishonishni mashina belgilaydi.

Shu sababli natija koʻp jihatdan belgilarni toʻgʻri tanlashga bogʻliq. A belgisi bilan “butun xona qorongʻilashadigan” sahna yaqinlashish deb adashtiriladi. Oʻqitish maʼlumotlarida bunday sahnalar boʻlsa ham, xato tuzalmaydi. Chunki 2 ta songa qisqartirilgan paytdayoq uni yaqinlashishdan ajratishga imkon beradigan maʼlumot yoʻqolgan. Faqat B belgisidagi kabi inson oʻsha vaziyatni oʻylab, yangi ishorani loyihalagandagina muammo hal boʻladi. Belgilarni shunday ixtiro qilish belgilar muhandisligi (feature engineering) deb ataladi.

4Chuqur oʻrganish

Chuqur oʻrganish — belgilarni ham oʻzi oʻrganadi

288 ta piksel → 6 ta yashirin neyron → yaqinlashish ehtimoli1,741 ta vazn

Inson bajaradigan ish

Belgilar tanlanmaydi. Buning oʻrniga neyron tarmoq shakli (nechta yashirin neyron, nechta qatlam) belgilanadi va qaysi sahnalarni koʻrsatish, yaʼni oʻqitish maʼlumotlari tanlanadi.

Mashina bajaradigan ish

288 ta piksel oʻzgarishsiz qabul qilinadi. 6 ta yashirin neyronning har biri “qaysi katak qanday oʻzgarsa yonish kerakligi”ni vaznlar orqali oʻrganadi. Oʻrtadagi rasmdagi kichik katakli tasvirlar — shuning natijasi, yaʼni neyron tarmoq oʻzi yaratgan belgilar.

Musbat vazn (yorugʻ boʻlsa yonadi)Manfiy vazn (qorongʻi boʻlsa yonadi)Oʻqitish yoʻqotishi

Oʻqitish maʼlumotlari

Namunaviy sahna

Yangi boshlovchilar uchun izoh

Chuqur oʻrganish belgilarni inson oʻrniga maʼlumotlardan topadi. Shuning uchun inson xayoliga kelmagan ishoralarni ham ilgʻay oladi va rasm, tovush, matn kabi belgilarini soʻz bilan taʼriflash qiyin boʻlgan maʼlumotlarda ayniqsa kuchli. Bu sahifadagi neyron tarmoq faqat bitta yashirin qatlamli juda kichik model, lekin uning tamoyili oʻnlab qatlamli modellarniki bilan bir xil. Qatlamlar chuqurlashgani sari oldingi qatlamlar qirra kabi oddiy belgilarni, keyingi qatlamlar esa ularni birlashtirgan murakkab belgilarni oʻrganadi [R12].

Bu bepul emas. Mashinali oʻrganish 3 ta vaznni, chuqur oʻrganish esa 1,741 ta vaznni oʻrganadi. Oʻrganiladigan narsa koʻp boʻlsa, misollar ham koʻproq kerak. 2-kodni haqiqatda ishga tushirganda, oʻqitish sahnalari atigi 8 ta boʻlganda B belgisi usulining test aniqligi 100%, piksel usuliniki 93.9% boʻldi, faqat sahnalar 240 taga yetgandagina ikkalasi tenglashdi. Bundan tashqari, “yorugʻlik oʻzgarishisiz” holatda koʻrinib turganidek, maʼlumotlarda boʻlmagan vaziyatda chuqur oʻrganish ham xato qiladi. Belgilarni tanlagan insonning vazifasi shunchaki maʼlumotlarni tanlash vazifasiga koʻchadi, xolos.

5Tasdiqlangan holatlar

Tasdiqlangan holatlar — miyada neyron tarmoqqa oʻxshash hisoblash oʻlchangan joylar

“Neyron tarmoq miyaga oʻxshaydi” degan gap qay darajada toʻgʻri ekani tajribada tasdiqlangan toʻrt joyni koʻramiz. Rasmlar maqolalardagi natijalarning faqat yoʻnalishini aks ettirgan tushuntirish uchun qayta tiklangan tasvirlar boʻlib, haqiqiy oʻlchov qiymatlari emas.

Holat	Tajribada tasdiqlangan narsa	Neyron tarmoqdagi oʻxshash narsa	Oʻxshatish kuchi
Drozofila LPLC2	Faqat har tomonga yoyiladigan harakatga kuchli javob beradi, uzoqlashish va harakatsiz qorongʻilashishga javob bermaydi. Qochish yoʻliga kirish signalini beradi [R6]	Faqat maʼlum naqshda yonadigan belgi detektori. 3-boʻlimdagi B belgisi ataylab loyihalab qilgan ishni zanjir oʻzi bajaradi	Bevosita hisoblash usuli (tashqi qoʻzgʻalish + ichki tormozlanish)gacha aniqlangan
Drozofila qoʻziqorinsimon tanasi	Kenyon hujayralari bir nechta glomerulalardan kirish signallarini tasodifiyga yaqin kombinatsiyada oladi [R7]. Bitta hidga faqat ozchilik hujayra yonadi [R9], oʻrganish esa chiqish tomonidagi bogʻlanishlarda sodir boʻladi [R8]	Tasodifiy qotirilgan keng yashirin qatlam + faqat chiqish qatlami oʻrganiladi. 3-2 qismning 6-boʻlimidagi “drozofila usuli”	Bevosita tuzilmasi mos keladi. Biroq chuqur oʻrganishda yashirin qatlamlar odatda toʻliq oʻrganiladi
Mushukning birlamchi koʻrish poʻstlogʻi	Maʼlum yoʻnalishda qiyshaygan tayoqchaga kuchli javob beradigan neyronlar [R3]	Tasvir neyron tarmogʻining birinchi qatlami oʻrganadigan yoʻnalishlar boʻyicha qirra belgilari [R12]	Qisman natija oʻxshash, ammo shakllanish jarayoni boshqacha
Maymunning pastki chakka poʻstlogʻi	Yuzlarga tanlab javob beradigan neyronlar guruhi [R4]. Obyektlarni yaxshi tanishga oʻqitilgan neyron tarmoqning yuqori qatlamlari bu soha javoblarini yaxshi bashorat qiladi [R5]	Qatlamlardan oʻtgan sari murakkablashadigan belgilar (3-2 qismning 4-boʻlimi, tasvirlarni oʻrganish)	Qisman bashorat yaxshi mos kelishini bildiradi, bir xil hisoblash ekaniga dalil emas

6Oʻrganish bosqichlari

Oʻrganishning besh bosqichi — inson va AI ikki qatorda

Maʼlumot → qayta ishlash → oʻrganish → bashorat → takrorlash. Bolaning kuchukcha va mushukchani farqlashni oʻrganishi bilan AI rasmlar orqali xuddi shu ishni oʻrganishi jarayonlarini yonma-yon qoʻyamiz.

① Maʼlumot→ ② Qayta ishlash→ ③ Oʻrganish→ ④ Bashorat→ ⑤ Takrorlash

Bosqich	Inson (bola)	AI (rasm tasniflash modeli)	Asosiy farq

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colabda oldindan oʻrnatilgan kutubxonalardan foydalanadi. “Notebook (.ipynb) yuklab olish” tugmasini bosib, Colabda Fayl → Notebookni yuklash orqali oching yoki nusxalab, yangi notebook katagiga joylashtiring.

1-kod · Inson yaratgan belgilar va oʻzi oʻrgangan belgilar3- va 4-boʻlimlarga bogʻliq · numpy, matplotlib · CPU taxm. 5 soniya

Bu sahifadagi 3- va 4-boʻlim tajribalari aynan koʻchirilgan. Bir xil sahnalarda A va B belgilari bilan logistik regressiya hamda pikselni oʻzgarishsiz qabul qiladigan neyron tarmoq (yorugʻlik oʻzgarishi bor oʻqitish maʼlumotlari / yoʻq oʻqitish maʼlumotlari) taqqoslanadi va neyron tarmoq oʻzi yaratgan belgilar rasmda koʻrsatiladi. Oʻz maʼlumotlaringizga almashtirish uchun kod ichidagi [Oʻz maʼlumotlaringizga almashtirish uchun] belgisi qoʻyilgan joylarga qarang.

Ishga tushirish natijasi (2026-10-03 da ishga tushirilgan, numpy 2.4 · matplotlib 3.10 · CPU). Tasodifiy sonlar qotirilgani uchun natija har safar bir xil chiqadi. Xulosa brauzerdagi bilan bir xil (A belgisi va “yorugʻlik oʻzgarishisiz oʻqitilgan” neyron tarmoq yorugʻlik sahnalarining hammasida xato qiladi, qolganlari hammasini toʻgʻri topadi). Biroq tasodifiy sonlar generatori boshqacha boʻlgani uchun sahnalar biroz farq qiladi, shu sababli A belgisining aniqligi brauzerda 86.9% (bitta yaqinlashishni ham oʻtkazib yuboradi), Colabda 87.5% boʻlib, biroz farq qiladi.

2-kod · scikit-learn bilan “qancha misol kerak?”4- va 6-boʻlimlarga bogʻliq · numpy, scikit-learn, matplotlib · CPU taxm. 20 soniya

Amaliyotda ishlatiladigan kutubxona bilan xuddi shu taqqoslash bajariladi. Oʻqitish misollari sonini 8 tadan 240 tagacha oshirib borib, inson yaratgan belgilar (mashinali oʻrganish) va asl piksellar (chuqur oʻrganish) test aniqligi grafikda chiziladi. Har bir oʻlcham uchun besh martadan tanlab olinib, oʻrtachasi hisoblangan.

Ishga tushirish natijasi (2026-10-03 da ishga tushirilgan, numpy 2.4 · scikit-learn 1.8 · matplotlib 3.10 · CPU). Agar inson yaxshi belgilarni bilsa, misollar kam boʻlsa ham yetadi, pikseldan belgilarni ham oʻrganish uchun esa koʻproq misol kerak. Boshqa versiyalarda raqamlar biroz farq qilishi mumkin.

AI uchun amaliy promptlar — bu kodni boshlangʻich nuqta qilib olish

ChatGPT, Qwen, Claude kabi AI yordamchilarga joylashtiriladigan promptlar. “Nusxalash” tugmasi bosilganda prompt ortidan tanlangan kod ham qoʻshiladi. 〔〕 ichidagini oʻz vaziyatingizga moslab yozsangiz boʻladi.

Birga qoʻshiladigan kod

AI javobi faqat boshlangʻich nuqta. Taklif qilingan maqolalar, raqamlar va kutubxona funksiyalarini albatta asl manba va rasmiy hujjatlar orqali tekshiring. Tanlov yoki maqola uchun AI yordamidan foydalangan boʻlsangiz, tashkilotchilar va jurnal qoidalariga koʻra foydalanish faktini va koʻlamini maʼlum qiling.

Atamalar lugʻati

Bu matndagi sariq punktir tagchiziqlar bilan bir xil lugʻat. Butun turkumda bir xil yozuv ishlatiladi. Boʻlim nomini bossangiz, atama birinchi uchragan joyga oʻtasiz.

Oʻxshatishlar toʻplami — va oʻxshatish xato boʻladigan joylar

Oʻxshatish tushunishning birinchi qadami, lekin notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Drozofila va miya oʻxshatishlariga kuch darajasi belgilangan. Bevosita haqiqatan ham bir xil ishni bajarishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshash · Yoʻq mos keladigan narsa maʼlum emas

Tushuncha	Kundalik hayotdan oʻxshatish	Drozofila va miya oʻxshatishi	Oʻxshatish xato boʻladigan joy
Belgi	Meva tanlashda qaraladigan ishoralar (rang, ogʻirlik, hid)	Bevosita LPLC2 faqat bitta belgini — “har tomonga yoyiladigan harakat”ni aniqlaydi	Neyron tarmoq oʻrgangan belgilarning aksariyati inson nom bera oladigan ishoralar emas
Mashinali oʻrganish	Tekshiruv roʻyxati bandlarini tajribali hamkasbi belgilaydi, u esa faqat har bir band uchun ballarni tajriba orqali oʻrganadigan yangi xodim	Qisman evolyutsiya oldindan belgilab qoʻygan sezish zanjirlari ustida faqat ayrim bogʻlanishlar oʻrganish orqali oʻzgaradigan hasharot miyasi	Evolyutsiya belgilarni maqsadli ravishda “loyihalamaydi”. Bu shunchaki uzoq yillar davomidagi tanlanish natijasi
Chuqur oʻrganish	Tekshiruv roʻyxatisiz, koʻp holatlarni koʻrib, mezonlarni oʻzi ishlab chiqadigan shogird	Qisman maymun koʻrish yoʻlining qatlamli tuzilishiga javoblari oʻxshash	Javoblar oʻxshashligini bildiradi, xuddi shu usulda oʻrganadi degani emas. Miya teskari tarqalishni bajarishi tasdiqlanmagan
Qatlamlar ustma-ust qoʻyilgan tuzilma	Detallarni bosqichma-bosqich yigʻadigan zavod liniyasi	Qisman birlamchi koʻrish poʻstlogʻi → V2 → V4 → pastki chakka poʻstlogʻi	Miyada teskari yoʻnalishdagi qayta aloqa bogʻlanishlari koʻp, shuning uchun signal faqat bir yoʻnalishda oqmaydi
Tasodifiy kengaytirish + chiqishni oʻrganish	Shkafchalarni tasodifiy taqsimlab, keyin faqat nom yorliqlarini yangidan yopishtirish	Bevosita qoʻziqorinsimon tana: tasodifiyga yaqin kirishlar, faqat ozchilik yonadi, oʻrganish chiqish tomonida	Qoʻziqorinsimon tanadagi minglab hujayralar va oʻrganish signali (dofamin) tafsilotlari chuqur oʻrganish modellaridan ancha murakkab
Dastlabki ishlov berish	Ovqat pishirishdan oldin masalliqlarni tayyorlash	Qisman toʻr parda va lamina yorugʻlik oʻzgarishini avvaldan tartibga soladi	Tirik organizmdagi dastlabki ishlov berish inson belgilagan qoida emas, balki sezgi aʼzolarining tuzilishining oʻzidir
Oʻrganish	Mashq qilib, koʻnikma hosil qilish	Qisman sinaps bogʻlanish kuchining oʻzgarishi	Nimaga asoslanib, qaysi sinapsni qanchalik oʻzgartirishi — qoidalari boshqacha
Maʼlumotlarda boʻlmagan vaziyat	Darslikda boʻlmagan turdagi imtihon savoli	Yoʻq	Inson birinchi marta koʻrgan vaziyatda “bilmayman” deb toʻxtay oladi, neyron tarmoq esa ishonch bilan notoʻgʻri javob berishi mumkin (4-boʻlim)
Ehtimollik chiqishi	Ob-havo maʼlumotidagi yogʻingarchilik ehtimoli	Yoʻq	Model bergan ehtimollik yuqori boʻlgani bilan javob toʻgʻri boʻlavermaydi. Oʻqitish doirasidan tashqarida ehtimollikka ham ishonib boʻlmaydi

Muallif haqida va manbalar

E-1 Muallif haqida · E-2 Ilmiy manbalar · E-3 Rasmlar uchun manbalar

E-1 Muallif haqida

Sangsun Ahn (M-Robo MChJ rahbari)

Koreya elektr xavfsizligi korporatsiyasi va Maeil Business Newspaper gazetasida ishlagan, hozirda Maeil Business Newspaperning tashqi venchur kompaniyasi M-Robo MChJni tashkil etib, uning rahbari lavozimida ishlamoqda. M-Robo MChJ ommaviy axborot vositasi ichidagi venchur loyiha sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan, Koreya internet va xavfsizlik agentligi, Koreya matbuot fondi, Koreya radiochastota agentligi va boshqa tashkilotlarda koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining A.I yangiliklar gazetasi Money-Roboni yuritmoqda. Rahbarlik davrida Osiyo ochiq maʼlumotlar xakatonida gʻolib boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Ichki ishlar va xavfsizlik vazirining mukofotini 2 marta olgan, sunʼiy intellekt va blokcheyn sohalarida 5 ta patentning ixtirochisi va egasi. “AI jinoyatlari va oʻzini himoya qilish” kitobining muallifi, Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim institutida fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentini ishlab chiqqan. Eng yuqori ilmiy darajasi — iqtisodiyot fanlari doktori (Dongguk universiteti, mikro-matematik iqtisodiyot). Kukmin universiteti, Hoseo universiteti va boshqa koʻplab universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars bermoqda. Batafsil profil

Maʼruzalar

Sangsun Ahn (2025). «Biznes uchun maʼlumotlar fani» maʼruzalar matni. Koreya ochiq kiberuniversiteti, sunʼiy intellekt integratsiyasi kafedrasi.
Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash. STEP (aqlli kasbiy taʼlim platformasi), Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim instituti.
Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari. STEP (aqlli kasbiy taʼlim platformasi), Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim instituti.

STEP maʼruzalariga havolalar: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Sayt yangilanishi sababli ochilishda muammo boʻlsa, www.step.or.kr orqali kiring.

Maqolalar va maʼruzalar

Sangsun Ahn (2025). Milliy keksalik taʼminoti panel maʼlumotlaridan foydalanib uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt modellariga asoslangan yondashuv. «Kelajak jamiyati», 16(2). Asl matn
Sangsun Ahn (2025). Milliy keksalik taʼminoti panel maʼlumotlaridan foydalanib uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt yondashuvi. Milliy keksalik taʼminoti paneli ilmiy konferensiyasi maʼruza materiallari (2025.05.13), Milliy pensiya xizmati, Milliy pensiya tadqiqot instituti. Maʼruza materiallari
Sangsun Ahn (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi tadqiqoti: naqsh va kontekst tahlili asosida. «Kelajak jamiyati», 16(1). Asl matn
Sangsun Ahn (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan raqib maʼlumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari. «Kelajak jamiyati», 15(3). Asl matn
Sangsun Ahn (2024). Sunʼiy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi. 2024 Summer Newmedia Party poster maʼruzasi (2024.06.19), Seul media oliy maktabi universiteti.
Sangsun Ahn (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel maʼlumotlaridan foydalangan mashinali oʻrganish modeli. 10-ishlab chiqarishdagi baxtsiz hodisalar sugʻurtasi paneli ilmiy konferensiyasi poster maʼruzasi (2024.05.17), Koreya mehnat farovonligi korporatsiyasi, Mehnat farovonligi tadqiqot instituti.
Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatorlari modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari. «Kelajak jamiyati», 15(1). Asl matn

E-2 Ilmiy manbalar

[R1] Azevedo, F. A. C., Carvalho, L. R. B., Grinberg, L. T., Farfel, J. M., Ferretti, R. E. L., Leite, R. E. P., Jacob Filho, W., Lent, R., & Herculano-Houzel, S. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. Journal of Comparative Neurology, 513(5), 532–541. doi:10.1002/cne.21974 — Sarlavha qismi, 2-boʻlim (voyaga yetgan erkak miyasida oʻrtacha taxm. 86,1 mlrd ta)
[R2] Dorkenwald, S., Matsliah, A., Sterling, A. R., … Seung, H. S., Murthy, M., & the FlyWire Consortium (2024). Neuronal wiring diagram of an adult brain. Nature, 634(8032), 124–138. doi:10.1038/s41586-024-07558-y — Sarlavha qismi, 2-boʻlim (139,255 ta neyron, taxm. 50 mln ta kimyoviy sinaps)
[R3] Hubel, D. H., & Wiesel, T. N. (1959). Receptive fields of single neurones in the cat's striate cortex. The Journal of Physiology, 148(3), 574–591. doi:10.1113/jphysiol.1959.sp006308 — Sarlavha qismi, 2- va 5-boʻlimlar
[R4] Desimone, R., Albright, T. D., Gross, C. G., & Bruce, C. (1984). Stimulus-selective properties of inferior temporal neurons in the macaque. Journal of Neuroscience, 4(8), 2051–2062. doi:10.1523/JNEUROSCI.04-08-02051.1984 — 2- va 5-boʻlimlar
[R5] Yamins, D. L. K., Hong, H., Cadieu, C. F., Solomon, E. A., Seibert, D., & DiCarlo, J. J. (2014). Performance-optimized hierarchical models predict neural responses in higher visual cortex. PNAS, 111(23), 8619–8624. doi:10.1073/pnas.1403112111 — 5-boʻlim
[R6] Klapoetke, N. C., Nern, A., Peek, M. Y., Rogers, E. M., Breads, P., Rubin, G. M., Reiser, M. B., & Card, G. M. (2017). Ultra-selective looming detection from radial motion opponency. Nature, 551(7679), 237–241. doi:10.1038/nature24626 — 1-, 3- va 5-boʻlimlar
[R7] Caron, S. J. C., Ruta, V., Abbott, L. F., & Axel, R. (2013). Random convergence of olfactory inputs in the Drosophila mushroom body. Nature, 497(7447), 113–117. doi:10.1038/nature12063 — 1- va 5-boʻlimlar
[R8] Aso, Y., Hattori, D., Yu, Y., Johnston, R. M., Iyer, N. A., Ngo, T.-T. B., Dionne, H., Abbott, L. F., Axel, R., Tanimoto, H., & Rubin, G. M. (2014). The neuronal architecture of the mushroom body provides a logic for associative learning. eLife, 3, e04577. doi:10.7554/eLife.04577 — 1- va 5-boʻlimlar
[R9] Dasgupta, S., Stevens, C. F., & Navlakha, S. (2017). A neural algorithm for a fundamental computing problem. Science, 358(6364), 793–796. bioRxiv preprinti — 5-boʻlim (bitta hidga Kenyon hujayralarining taxm. 5% i yonadigan tuzilmani hisoblash algoritmi sifatida talqin qiladi)
[R10] Sela, L., Sacher, Y., Serfaty, C., Yeshurun, Y., Soroker, N., & Sobel, N. (2009). Spared and impaired olfactory abilities after thalamic lesions. Journal of Neuroscience, 29(39), 12059–12069. doi:10.1523/JNEUROSCI.2114-09.2009 — 1- va 2-boʻlimlar (hid bilish signali talamusda uzatilmasdan poʻstloqqa boradi)
[R11] Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210–229. doi:10.1147/rd.33.0210 — 3-boʻlim. Koʻpincha shu maqoladan olingan deb keltiriladigan “aniq dasturlashsiz oʻrganish qobiliyati” degan taʼrif jumlasi asl matnda topilmagani uchun ishlatilmadi
[R12] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. doi:10.1038/nature14539 — 4- va 5-boʻlimlar
[R13] Lillicrap, T. P., Santoro, A., Marris, L., Akerman, C. J., & Hinton, G. (2020). Backpropagation and the brain. Nature Reviews Neuroscience, 21(6), 335–346. doi:10.1038/s41583-020-0277-3 — 2- va 6-boʻlimlar

E-3 Rasmlar uchun manbalar

1- va 2-boʻlimlardagi miya yoʻllari sxemasi — E-2 dagi asl manbalar va umumiy neyroanatomiya bilimlari asosida faqat joylashuv munosabatlarini aks ettirgan sxematik tasvir. Haqiqiy anatomik maʼlumot emas
5-boʻlimdagi javob rasmlari — [R3], [R4], [R6], [R7] natijalarining faqat yoʻnalishini aks ettirgan tushuntirish uchun qayta tiklangan tasvir. Haqiqiy oʻlchov qiymatlari emas

Oʻqituvchilar uchun maslahatlar

Oʻqituvchilar, ish joyidagi OJT masʼullari va tyutorlar uchun mashgʻulot yoʻriqnomasi. Vaqtlar taxminiy, shuning uchun haqiqiy darsga moslab oʻzgartiring.

Auditoriya	AI ni birinchi marta oʻrganayotgan talabalar, xodimlar va yuqori sinf oʻquvchilari. Turkumning birinchi qismi boʻlgani uchun formulalarsiz oʻqish mumkin. Python asoslarini bilganlar Colab amaliyotigacha bajara oladi
Talab qilinadigan bilimlar	Yoʻq. “Neyronlar elektr signallarini almashadi” degan darajada bilish kifoya
Oʻquv maqsadlari	① Inson miyasi, mashinali oʻrganish, chuqur oʻrganish va drozofila miyasi qoʻzgʻatuvchini qayta ishlash yoʻllarini taqqoslab tushuntiradi ② Mashinali oʻrganish va chuqur oʻrganish farqini “belgilarni kim belgilaydi” orqali tushuntiradi va har birining cheklovlariga misol keltiradi ③ Miya tadqiqotlarida aniqlangan narsalarni taxminlardan ajratadi
Taxminiy vaqt	Oʻqish 30–40 daqiqa · animatsiyalarni namoyish qilish 20 daqiqa · Colab amaliyoti 25 daqiqa (1-kod 10 daqiqa, 2-kod 15 daqiqa)

Uch xil mashgʻulot rejasi

Maʼruza shakli, 50 daqiqa

Tushunchalarga yoʻnaltirilgan

Kirish 5 daqiqa (1-boʻlim, yaqinlashayotgan soya) → 2-boʻlim, toʻrt sezgi 10 daqiqa → 3- va 4-boʻlimlar, yorugʻlik tuzogʻi bellashuvi 20 daqiqa → 5-boʻlimdan bitta holatni tanlab 10 daqiqa → tekshiruv savollari 5 daqiqa.

Ish joyidagi OJT, 90 daqiqa

Ishga tatbiq etishga yoʻnaltirilgan

3- va 4-boʻlimlar 15 daqiqa → “Bizning ish maʼlumotlarimizda inson belgilay oladigan belgilar qaysilar?” muhokamasi 20 daqiqa → 2-kod amaliyoti 25 daqiqa → 6-boʻlim jadvali asosida “jamoamizda AI joriy etishning besh bosqichi”ni tuzish 20 daqiqa → prompt kartalari 10 daqiqa.

1:1 tyutorlik

Darajaga qarab suʼrat

Yangi boshlovchilar uchun faqat 1-, 3-, 4- va 6-boʻlimlar. Oʻrta darajadagilarga 3-boʻlimdagi A belgisi nega maʼlumot qoʻshilsa ham tuzalmasligini tekislik rasmi orqali tushuntirtiring, soʻng 1-kodda yana bitta belgini oʻzlari loyihalashlarini soʻrang.

Boʻlimlar boʻyicha asosiy jihatlar

Boʻlim	Toʻxtab beriladigan savol	Boshqaruv boʻyicha maslahat
1 Toʻrt yoʻl	“Toʻrt yoʻlning hammasida umumiy boʻlgan ish qaysi? Bu ishni kim belgilagan?”	“Batafsil koʻriladigan yoʻl”ni birma-bir bosib, hoshiya ranglarini (sariq, yashil, pushti) taqqoslang
2 Inson miyasi	“Faqat hid bilishning farqi nimada?”	Koʻrishni koʻrib boʻlgach, hid bilishga oʻtib, talamus chetlab oʻtilishini koʻrsating
3 Mashinali oʻrganish	“Butun xona qorongʻilashsa, nega u yaqinlashish deb adashtiriladi?”	A belgisida “yorugʻlik xiralashishi”ni tanlab, soʻng B ga oʻtib, tekislikda sariq nuqta qanday koʻchishini kuzating
4 Chuqur oʻrganish	“Belgilarni tanlamasak, inson nimani belgilashi kerak?”	Avval “yorugʻlik oʻzgarishisiz” oʻqitib, muvaffaqiyatsizlikni koʻrsating, soʻng “bilan” varianti bilan qayta oʻqiting
5 Tasdiqlangan holatlar	“Miya va neyron tarmoq ‘oʻxshash’ va ‘bir xil’ degani qanday farq qiladi?”	Jadvaldagi oʻxshatish kuchini (bevosita, qisman) dalillari bilan birga oʻqing
6 Oʻrganish bosqichlari	“AI joriy etilgandan keyin ham oʻrganishda davom etadimi?”	“Keyingi bosqich” tugmasi bilan ⑤ takrorlashgacha oʻtib, jadvaldagi “asosiy farq”ni ovoz chiqarib oʻqing

Eng koʻp uchraydigan 5 ta notoʻgʻri tushuncha

Notoʻgʻri tushuncha	Toʻgʻri tushuntirish	Koʻrsatiladigan sahna
Chuqur oʻrganish inson miyasidan aynan nusxa olingan	Faqat qatlamlar va bogʻlanish kuchi degan asosiy skelet olingan. Oʻrganish usuli (teskari tarqalish) miyada tasdiqlanmagan	2-boʻlimdagi “taxmin” roʻyxati, 5-boʻlim jadvali
Chuqur oʻrganish har doim mashinali oʻrganishdan yaxshiroq	Yaxshi belgilar maʼlum boʻlsa va maʼlumotlar kam boʻlsa, mashinali oʻrganish yaxshiroq boʻlishi ham mumkin	4-boʻlimdagi izoh qutisida keltirilgan 2-kod natijalari
Chuqur oʻrganishga inson qoʻli umuman kerak emas	Belgilar oʻrniga maʼlumotlarni tanlash inson vazifasiga aylanadi. Maʼlumotlarda boʻlmagan vaziyatlarda xato qiladi	4-boʻlim, “yorugʻlik oʻzgarishisiz”
Mashinali oʻrganish va chuqur oʻrganish — turli sohalar	Chuqur oʻrganish mashinali oʻrganishning bir tarmogʻi. U belgilarni ham maʼlumotlardan oʻrganadigan mashinali oʻrganishdir	1-boʻlimdagi ikki qatorni taqqoslash
Miyaning ishlash tamoyillari toʻliq aniqlangan	Sezgi yoʻllarining asosiy oqimi aniqlangan, lekin qaror qabul qilish va oʻrganish qoidalari hali tadqiq qilinmoqda	2-boʻlimdagi punktirli bosqichlar

Tekshiruv savollari (izohni ochish uchun bosing)

Q1. Mashinali oʻrganish va chuqur oʻrganishni “belgi” soʻzidan foydalanib, har birini bitta gap bilan farqlang.

Mashinali oʻrganishda (anʼanaviy usul) belgilarni inson tanlaydi, mashina esa har bir belgi uchun vaznlarni oʻrganadi. Chuqur oʻrganishda esa xom maʼlumotlardan belgilarni ham mashina oʻrganadi. 3-boʻlimda 3 ta, 4-boʻlimda esa 1,741 ta vazn oʻrganildi.

Q2. 3-boʻlimdagi A belgisi oʻqitish maʼlumotlarida “yorugʻlik xiralashishi” sahnalari boʻlsa ham, nega ularni xato aniqlaydi?

A belgisiga (maydon oʻzgarishi, markaz siljishi) oʻtkazilgan zahoti yorugʻlik sahnasi “maydon keskin oshgan, markaz esa joyida qolgan” nuqtaga aylanib, yaqinlashish bilan bir tomonda, undan ham uzoqroqda joylashadi. Bitta toʻgʻri chiziq bilan uni yaqinlashishdan ajratib boʻlmaydi. Belgi maʼlumotni yoʻqotgani uchun maʼlumot qoʻshilsa ham xato tuzalmaydi.

Q3. Inson sezgilaridan qaysi biri talamusdan oʻtmay, toʻgʻridan-toʻgʻri bosh miya poʻstlogʻiga boradi?

Hid bilish. U hid bilish epiteliysi → hid bilish piyozchasi → nok shaklidagi (piriform) poʻstloq yoʻli bilan boradi. Koʻrish, eshitish va teri sezgisi talamusdan oʻtadi.

Q4. Drozofila LPLC2 bilan 3-boʻlimdagi B belgisining qaysi jihati oʻxshash?

Ikkalasi ham “obyektning har tomonga kattalashishi”ni “shunchaki qorongʻilashish”dan ajratadi. LPLC2 harakatsiz qorongʻilashishga javob bermaydi. Farqi shundaki, B belgisini inson loyihalagan, LPLC2 esa rivojlanish jarayonida shakllangan zanjirdir.

Q5. “Oʻqitish maʼlumotlarida aniqlik 100% chiqdi, demak amalda ham yaxshi ishlaydi” degan xulosaning muammosi nimada?

Oʻqitish maʼlumotlarida boʻlmagan vaziyatga (4-boʻlimdagi yorugʻlik oʻzgarishi) duch kelganda xato qilishi mumkin. Birinchi marta koʻriladigan test maʼlumotlari bilan oʻlchash va amalda yuz berishi mumkin boʻlgan vaziyatlar oʻqitish maʼlumotlarida bor-yoʻqligini tekshirish kerak.

Colab topshiriqlari

Asosiy

1-koddagi sahna turlariga “qiya yaqinlashish”ni (soya kattalashib, markazi ham sezilarli siljiydi) qoʻshing. A va B belgilari hamda neyron tarmoq test aniqligi qanday oʻzgarishini jadvalga tushiring va sababini uch gapda yozing.

Murakkab

Oʻz ish maʼlumotlaringizdan birini tanlab, “inson belgilay oladigan belgilar”dan 3 tasini loyihalang. 2-koddagi usulda belgilar + logistik regressiya va xom maʼlumotlar + neyron tarmoqni oʻqitish misollari soni boʻyicha taqqoslang va qaysi birini ishlatish kerakligi haqida asosli xulosa yozing.

Qiyinlikni moslashtirish va qoʻshimcha oʻrganish

Yangi boshlovchilar	2-boʻlim jadvali va 5-boʻlimni oʻtkazib yuborsangiz ham oqim uzilmaydi. 3- va 4-boʻlimlardagi “yorugʻlik xiralashishi”ning bittasini puxta koʻrsating
Chuqurlashtirilgan	4-boʻlimdagi yashirin neyronlar rasmida “oldingi sahna” va “keyingi sahna” vaznlari nega qarama-qarshi rangda boʻlishini muhokama qiling (keyingi − oldingi = oʻzgarishni koʻradigan filtr). Soʻng 3-2 qismdagi teskari tarqalishga oʻting
Qoʻshimcha oʻrganish	Sangsun Ahn, «Biznes uchun maʼlumotlar fani» maʼruzalar matni (maʼlumotlar fani boʻyicha umumiy) · STEP [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash (3-5 va 3-8 qismlarga bogʻliq) · STEP [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (3-6 qismga bogʻliq)
Oʻqituvchilar uchun materiallar	Tekshiruv savollarini baholash mezonlari va topshiriqlarga namunaviy javoblarni oʻqituvchilar uchun javoblar sahifasida (3-1) koʻrish mumkin

Toʻrt yoʻl — bir xil qoʻzgʻatuvchi bir vaqtda oqadi

Yangi boshlovchilar uchun izoh

Inson miyasi — aniqlangan narsalar va taxminlarni ajratib koʻramiz

Nega inson miyasi haqida “taxmin” koʻp?

Mashinali oʻrganish — belgilarni inson loyihalaydi

Yangi boshlovchilar uchun izoh

Chuqur oʻrganish — belgilarni ham oʻzi oʻrganadi

Yangi boshlovchilar uchun izoh

Tasdiqlangan holatlar — miyada neyron tarmoqqa oʻxshash hisoblash oʻlchangan joylar

Oʻrganishning besh bosqichi — inson va AI ikki qatorda

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

AI uchun amaliy promptlar — bu kodni boshlangʻich nuqta qilib olish

Atamalar lugʻati

Oʻxshatishlar toʻplami — va oʻxshatish xato boʻladigan joylar

Muallif haqida va manbalar

E-1 Muallif haqida

Maʼruzalar

Maqolalar va maʼruzalar

E-2 Ilmiy manbalar

E-3 Rasmlar uchun manbalar

Oʻqituvchilar uchun maslahatlar

Uch xil mashgʻulot rejasi

Tushunchalarga yoʻnaltirilgan

Ishga tatbiq etishga yoʻnaltirilgan

Darajaga qarab suʼrat

Boʻlimlar boʻyicha asosiy jihatlar

Eng koʻp uchraydigan 5 ta notoʻgʻri tushuncha

Tekshiruv savollari (izohni ochish uchun bosing)

Colab topshiriqlari

Asosiy

Murakkab

Qiyinlikni moslashtirish va qoʻshimcha oʻrganish

Barakalla!