Chuqur oʻrganish A dan Z gacha · Meva pashshasi maxsus soni 1

Meva pashshasi qanday hidlaydi, koʻradi va anglaydi

Mitti meva pashshasining boshchasida ham signal belgilangan yoʻldan yuradi. Moʻylovlar va murakkab koʻzlar dunyoni elektr signallarga aylantiradi, nervlar bu signallarni saralab yetkazadi, miya esa “bu ovqat”, “bu xavfli” degan xulosaga keladi. Bu qarorlarning qoidalarini esa hech kim tayyorlab bermagan — ular tajriba orqali oʻrganilgan. Shu yoʻldan borsak, sunʼiy neyron tarmoq eng oddiy modeldan koʻp qatlamli chuqur oʻrganishgacha qanday oʻsishi oʻz-oʻzidan koʻrinadi.

Muallif · Sangsun Ahn (M-Robo MChJ rahbari) · Muallif haqida

taxminan 140 mingmiyadagi jami neyronlar soni [1]
taxminan 50 mlnsinapslar (ulanishlar) soni [1]
taxminan 800bitta murakkab koʻzdagi ommatidiylar = piksellar [2]
taxminan 50 xilhid sezuvchi neyron turlari [3]
taxminan 2,000bir tomondagi qoʻziqorinsimon tanadagi Kenyon hujayralari [4]
taxminan 86 mlrdtaqqoslash uchun: inson miyasidagi neyronlar soni [5]

Nega aynan meva pashshasi orqali neyron tarmoqlarni oʻrganamiz

Inson miyasi juda katta, kompyuterdagi neyron tarmoqlar esa juda mavhum. Meva pashshasi ularning oʻrtasida ayni mos oʻlchamda. Sezgi organlaridan xatti-harakatgacha boʻlgan butun yoʻl bir qarashda koʻrinadi, bu yoʻldagi har bir neyronni esa amalda yoqib-oʻchirib tajriba qilish mumkin.

1-sababButun ulanish sxemasi ochiq

2024-yilda meva pashshasi butun miyasidagi neyronlar va ulanishlarni oʻz ichiga olgan ulanish sxemasi (konnektom) yakunlandi. Neyron tarmoq tilida aytganda, modelning tuzilishi va ulanishlarini toʻliq koʻrish mumkin.

2-sababKirishdan chiqishgacha yoʻl qisqa va aniq

Hidni sezib unga yaqinlashish, yaqinlashayotgan soyani koʻrib uchib ketish. Sezgi → nerv → miya → xatti-harakat yoʻli qisqa, shuning uchun uni bosqichma-bosqich kuzatish qulay.

3-sababKerakli neyronnigina yoqib-oʻchirish mumkin

Genetik vositalar yordamida muayyan neyronlarning ishini toʻxtatish mumkin. Bu neyron tarmoqdan bitta birlikni olib tashlab, natija qanday oʻzgarishini koʻrish tajribasiga oʻxshaydi.

Nega barcha sezgilar elektr signalga aylanadi

Yorugʻlik — fotonlar, hid — molekulalar, tovush — havoning tebranishi, taʼm — suvda erigan moddalar. Bularning barchasi har xil turdagi qoʻzgʻatuvchilar, lekin miyaga yetib kelganda hammasi bir xil koʻrinishga — neyron membranasidagi kuchlanish oʻzgarishi va elektr impulslari (spayklar)ga aylangan boʻladi.

Yorugʻlik → murakkab koʻz

Fotoretseptor

Yorugʻlik tushgan molekulaning shakli oʻzgaradi, bu oʻzgarish ion kanallarini ochib, hujayra kuchlanishini oʻzgartiradi.

Tasvir piksel qiymatlari
Hid molekulasi → moʻylov

Hid sezuvchi neyron

Hid molekulasi retseptorga birikkach, ionlar kirib-chiqib kuchlanish koʻtariladi, ostonadan oshganda esa spayk chiqariladi.

Sensor oʻlchovlari
Shamol·tovush → moʻylov

Jonston organi

Moʻylov uchi tebranganda ichidagi mexanik sezuvchi neyronlar choʻzilib, elektr signal hosil qiladi.

Tovush toʻlqini raqamlari
Taʼm → oyoqlar·ogʻiz

Taʼm neyroni

Meva pashshasi oyoqlari bilan ham taʼmni sezadi. Shakar yoki achchiq modda tekkanda taʼm neyronlari elektr signal chiqaradi.

Yana bir kirish kanali
Qoʻzgʻatuvchi→ Retseptor · kuchlanish oʻzgarishi→ Akson · elektr impuls harakati→ Sinaps · kimyoviy modda orqali oʻtish→ Keyingi neyron · yana elektr
Sezgi
Qoʻzgʻatuvchi kuchi
Sinaps kuchi (ogʻirlik)

Nega aynan elektr — beshta sabab

  1. Umumiy til: yorugʻlik, hid, tovush va taʼmni miya bir joyda aralashtirib, taqqoslay olishi uchun ularning hammasi bir xil koʻrinishga keltirilishi kerak. Chuqur oʻrganish ham rasm, matn va tovushni raqamlar roʻyxatiga aylantirishi shu sababdan.
  2. Tez: hid molekulalari tana ichida suzib tarqaladigan tezlikda pashshaqoqardan qochib boʻlmaydi. Ionlar oqimi orqali uzatiladigan elektr signal esa tananing chetidan miyagacha bir zumda yetib boradi.
  3. Uzoqqa borsa ham susaymaydi: spayk akson boʻylab harakatlanar ekan, qayta-qayta yangidan hosil boʻladi. Shuning uchun uzoq yoʻl bosib oʻtsa ham kattaligi kamaymaydi.
  4. Kuch “necha marta” bilan ifodalanadi: bitta spaykning kattaligi doim bir xil, qoʻzgʻatuvchi kuchliroq boʻlsa, spayklar tez-tez chiqariladi. Kuch kattalik bilan emas, soni bilan uzatilgani uchun shovqinga chidamli. Mana shu otish chastotasi sunʼiy neyronning “chiqish soni”ga toʻgʻri keladi.
  5. Sinapsda kuchni sozlash mumkin: neyronlar orasidagi tirqishda elektr kimyoviy moddaga (neyromediatorga) aylanib oʻtadi. Bunda qancha koʻp va qanchalik yaxshi uzatilishi aynan ogʻirlikdir, oʻrganish esa shu uzatish samaradorligini oʻzgartirishdir.

Istisnolar ham bor. Murakkab koʻzdagi fotoretseptorlar kabi signalni qisqa masofagagina yuboradigan neyronlar spayk oʻrniga kuchlanishni uzluksiz oshirib-pasaytirib uzatadi. “Yorugʻlik”ni tanlab, farqni koʻrib chiqing.

Meva pashshasi miyasini aylantirib, signal yoʻlini kuzatamiz

Flyuoressent boʻyash bilan olingan mikroskop suratidagidek, miyaning har bir sohasi nuqtalar bilan tasvirlangan. Pushti nuqtalar — nerv toʻqimasi, qizil nuqtalar — sezgi organlari, yashil nur — hozir oqayotgan signal. Bu haqiqiy anatomik maʼlumot emas, sxematik model. Sohalarning old-orqa va chap-oʻng joylashuvi toʻgʻri berilgan, ammo oʻlcham va shakllari soddalashtirilgan.

Signal yoʻli
Tezlik1.0×

Soha tavsifi · miya rasmi yoki quyidagi tugmalarni bosing

Sezgi organi → nerv → miya → xatti-harakat = kirish → yashirin qatlam → chiqish

Meva pashshasining toʻrt bosqichi neyron tarmoqning asosiy tuzilishiga birma-bir mos keladi. Quyidagi zinapoyadagi barcha modellar shu doira ichida qatlamlar koʻpayib borishi haqidagi hikoyadir.

1 · Sezgi organlari

Dunyoni raqamlarga aylantiradi

Moʻylovdagi hid sezuvchi neyronlar hid molekulalariga, murakkab koʻzning ommatidiylari esa yorugʻlikka javob beradi. Javob kuchi — bu raqamning oʻzi.

Neyron tarmoq: kirish qatlami (maʼlumotlar)
2 · Nerv (uzatish·saralash)

Raqamlarni tanlaydi va sayqallaydi

Moʻylov boʻlagi va lamina kelgan signallarni yigʻadi, kuchini moslashtiradi va ularni yorishish·qorayish kabi foydalanishga qulay shaklga keltiradi.

Neyron tarmoq: oldindan ishlov berish · birinchi qatlam
3 · Miya (anglash)

Naqshlarni payqaydi

Qoʻziqorinsimon tana, lateral shox va lobula “bu hid — ovqat”, “bu soya — yaqinlashayotgan yirtqich” kabi maʼnolarni ajratib oladi.

Neyron tarmoq: yashirin qatlam (belgilar·naqshlar)
4 · Xatti-harakat

Bittasini tanlaydi

Yaqinlashsinmi, qochsinmi, uchib ketsinmi? Turli signallarning ballari taqqoslanib, bitta harakat gʻolib chiqadi.

Neyron tarmoq: chiqish qatlami (qaror)

Qoidani berib qoʻyamizmi yoki qoidani oʻrganadimi

Kompyuterga ish buyurishning ikki yoʻli bor: inson qoidalarni birma-bir yozib beradi (qoidaga asoslangan) yoki faqat misollar va natijalarni berib, qoidani oʻzi topishga qoʻyib beradi (oʻrganishga asoslangan). Chuqur oʻrganish — ikkinchi yoʻl, meva pashshasi miyasida esa ikkala yoʻl ham bor.

Qoidaga asoslangan (Rule base)

Kimdir qoidalarni oldindan yozib qoʻyadi

Agar meva hidi > 0.5 boʻlsa → yaqinlashadi
Agar karbonat angidrid > 0.3 boʻlsa → qochadi
Aks holda → joyida turadi

Qoidalar koʻrinib turgani uchun tushunish oson. Lekin dunyodagi barcha holatlarni oldindan bilish kerak, muhit oʻzgarsa, qoidani yozgan tomon uni oʻzi tuzatishi lozim. Qoidada yoʻq vaziyatda esa model ojiz qoladi.

Meva pashshasida: lateral shoxning tugʻma javoblari. Qoidani evolyutsiya yozgan, bitta pashsha esa umr boʻyi bu qoidani oʻzgartira olmaydi.

Oʻrganishga asoslangan (Learning)

Natijaga qarab qoidani oʻzi tuzatadi

1. Hozirgi qiymatlar bilan taxmin qilib harakat qiladi
2. Haqiqiy natijani koʻradi (ovqat +1, elektr zarbasi −1)
3. qiymat ← qiymat + η × (natija − taxmin)

Qoida toʻgʻridan-toʻgʻri yozilmaydi. Buning oʻrniga ogʻirlik “taxmin qanchalik xato boʻldi” degan miqdorda tuzatiladi. Buni takrorlasak, qoida ogʻirliklar ichida oʻz-oʻzidan paydo boʻladi. Muhit oʻzgarsa ham qaytadan oʻrganadi.

Meva pashshasida: qoʻziqorinsimon tana. Jazo yoki mukofot kelganda dofamin neyronlari signal yuboradi va Kenyon hujayrasi → chiqish neyroni ulanishlari oʻzgaradi. Bu signal “natija − taxmin” kabi bashorat xatosini hisoblaydimi-yoʻqmi, hali oʻrganilmoqda; bu yerda tushunishni osonlashtirish uchun bashorat xatosi qoidasiga soddalashtirdik.

Bir xil moyillik bilan tugʻilgan ikki pashsha: dunyo oʻzgarsa-chi?

Ikkala pashsha ham boshida A meva hidini yoqtiradi. Biroq bu xonada A tomonda elektr zarbasi, B tomonda esa shakar bor. Chapdagi pashsha faqat qoida boʻyicha harakat qiladi, oʻngdagisi esa natijaga qarab oʻrganadi. “Muhitni oʻzgartirish” tugmasi bilan xavfli tomonni almashtirib koʻring.

Oʻrganish tezligi η
Tezlik

Oʻrganilgan qoida qayerda yozilgan

Oʻngdagi pashshaning “qoidasi” hech qayerda jumla sifatida yozilmagan. Bor-yoʻgʻi ikkita yaqinlashish qiymati, yaʼni ikkita ogʻirlik. Chuqur oʻrganish modellari ham xuddi shunday. Millionlab, milliardlab ogʻirliklarning oʻzi qoida boʻlgani uchun samaradorlik yuqori, lekin “nega shunday qaror qildi”ni inson tilida tushuntirib berish qiyin. Qoidaga asoslangan usulni tushuntirish oson, oʻrganishga asoslangan usul esa moslashishda qulay. Meva pashshasi ikkalasidan birga foydalanadi: yangi vaziyatda tugʻma qoidalarga tayanadi, tajriba toʻplangach esa oʻrganilgan qoidalar bilan tuzatadi.

Modellar zinapoyasi — toʻrt pogʻonadan ketma-ket koʻtarilamiz

Har bir pogʻonaga koʻtarilganda meva pashshasida koʻrish mumkin boʻlgan yana bitta qobiliyat qoʻshiladi. Har pogʻonada modelni oʻzingiz boshqarib koʻrasiz, model yecha olmaydigan masalaga duch kelgach, keyingi pogʻonaga oʻtasiz.

1Eng oddiy

Bitta kirish, bitta ulanish — karbonat angidridni sezsa, qochadi

Model: y = w × xPashsha: karbonat angidriddan qochish

Meva pashshasida

Meva pashshasining moʻylovida faqat karbonat angidridni sezadigan maxsus sezgi neyronlari bor. Ularning signali moʻylov boʻlagidagi bitta glomerulaga yigʻiladi va pashsha oʻrganmasdan ham karbonat angidriddan qochadi. Bu yerda biz bu yoʻlni “bitta sensor → bitta ulanish → harakat” koʻrinishida juda soddalashtirib koʻramiz.

Neyron tarmoqda

Kirish x ni ogʻirlik w ga koʻpaytirgan qiymat ostona θ dan oshsa 1, aks holda 0 chiqaradigan eng kichik model. Ogʻirlik “bu kirishni qanchalik kuchli eshitamiz”, ostona esa “qanchalik oson javob beramiz” degan maʼnoni bildiradi.

Karbonat angidrid konsentratsiyasi x
Ulanish kuchi w
Ostona θ

Boshlovchilar uchun izoh

Bu modelda “oʻrganish” — w va θ ni toʻgʻri sozlash demakdir. Meva pashshasi bu qiymatlar evolyutsiya orqali allaqachon sozlangan holda tugʻiladi. w katta boʻlsa, ozgina karbonat angidriddan ham qochadi, kichik boʻlsa, faqat zich boʻlgandagina qochadi.

Cheklovi ham aniq: bu model faqat bitta kirishga qaraydi. Meva pashshasi haqiqatda duch keladigan, masalan, “meva hidi va sirka hidi birga kelyapti — yeyishga arziydimi?” kabi bir nechta signalni birga hisobga olish kerak boʻlgan masalalarni yecha olmaydi. Shuning uchun kirishlarni koʻpaytiramiz.

2Oddiy

Bir nechta kirishni tortadigan bitta neyron — perseptron

Model: y = σ(w₁x₁ + w₂x₂ + b)Pashsha: ovqat hidini baholash

Meva pashshasida

Pishgan mevadan meva hidi (efir) va sirka hidi (sirka kislotasi) birga taraladi. Bitta neyron ikki glomeruladan signal olib, “bu ovqat hidimi?” degan qarorni chiqaradi deylik. U ikki signalga turli ogʻirlik berib, ularni qoʻshadi va keyin qaror qiladi.

Neyron tarmoqda

Bir nechta kirishning har birini oʻz ogʻirligiga koʻpaytirib qoʻshadi, siljish b ni qoʻshadi, soʻng sigmoid σ yordamida 0~1 oraligʻidagi ehtimollikka aylantiradi. Bu model chiza oladigan chegara — oʻngdagi tekislikda bitta toʻgʻri chiziq.

Yeyishga arziydigan hid (javob 1)Arzimaydigan hid (javob 0)Model chizgan chegara✕ Notoʻgʻri baholangan hid● Toʻla nuqta = oʻqitish maʼlumotlari (oʻrganishda ishlatiladi)○ Boʻsh nuqta = tekshiruv maʼlumotlari (oʻrganishda ishlatilmaydi, baholash uchun)
Masala
Oʻrganish tezligi η

Harakatda koʻrish — birinchi marta hidlanayotgan hid stakanlari (tekshiruv maʼlumotlari)dan hozirgi model boʻyicha tanlayotgan pashsha

“Oʻrganish” aslida nima qiladi — toʻrt qadam

  1. Bashorat: hozirgi w₁, w₂, b bilan bitta hidning balini hisoblaydi.
  2. Xato: toʻgʻri javob (ovqat 1, emas 0) va bashorat qilingan ehtimollik orasidagi farqni oʻlchaydi.
  3. Masʼuliyatni taqsimlash: xatoni har bir kirish kattaligiga koʻpaytirib, qaysi ogʻirlik qanchalik xatoga sabab boʻlganini topadi.
  4. Tuzatish: ogʻirlikni teskari tomonga ozgina (oʻrganish tezligi η miqdorida) suradi. Buni barcha hidlar uchun takrorlaydi.

“Qiyin masala”ni tanlab, oʻrgatib koʻring. Haqiqiy meva pashshasi kuchsiz sirka hidiga yaqinlashadi, ammo juda kuchli sirka hididan qochadi. Ovqat sohasi ikki chiziq orasidagi tasma shaklida boʻladi, bitta chiziq bilan esa bu tasmani ajratib boʻlmaydi. Qancha uzoq oʻrgatsangiz ham, aniqlik maʼlum darajada toʻxtab qoladi. Keyingi pogʻonaga oʻtishimiz kerakligining sababi shu.

3Oʻrta

Bitta yashirin qatlam — moʻylov boʻlagi → qoʻziqorinsimon tana → chiqish neyroni

Model: kirish 2 → yashirin H → chiqish 1Pashsha: qoʻziqorinsimon tana zanjiri

Meva pashshasida

Moʻylov boʻlagidagi signal qoʻziqorinsimon tanadagi minglab Kenyon hujayralariga tarqaladi. Har bir Kenyon hujayrasi bir nechta glomerulani tanlab, signal oladi va oʻzining “hidlar birikmasi”ga javob beradi. Chiqish neyroni bu javoblarni yigʻib, yaqinlashish yoki qochishni hal qiladi. Oʻrganish asosan Kenyon hujayrasi → chiqish neyroni ulanishlarida sodir boʻladi.

Neyron tarmoqda

Kirish va chiqish orasiga “yashirin qatlam” qoʻyamiz. Har bir yashirin neyron tekislikda bittadan chiziq chizadi, chiqish neyroni esa bu chiziqlarni birlashtirib, egri yoki tasma shaklidagi chegaralarni ham hosil qila oladi. Bu koʻp qatlamli perseptron (MLP).

Hid kirishi→ Yashirin qatlam hisobi (toʻgʻri tarqalish)→ Chiqish·xato→ Masʼuliyatni teskari taqsimlash (teskari tarqalish)→ Ogʻirliklarni tuzatish
Maʼlumotlar
Oʻrganish usuli
Yashirin neyronlar soni H
Oʻrganish tezligi

Harakatda koʻrish — birinchi marta hidlanayotgan hid stakanlari (tekshiruv maʼlumotlari)da haqiqiy mahorat

Yodlash va tushunish — oʻqitish va tekshiruv maʼlumotlari

Imtihon savollarini oldindan koʻrib tayyorlangan oʻquvchi oʻsha imtihondan 100 ball olsa ham, bilimini isbotlay olmaydi. Model ham shunday. Shuning uchun maʼlumotlarni ikkiga boʻlamiz. Ogʻirliklar faqat oʻqitish maʼlumotlari (toʻla nuqtalar) bilan tuzatiladi, baholash esa oʻrganishda bir marta ham ishlatilmagan tekshiruv maʼlumotlari (boʻsh nuqtalar) bilan qilinadi. Haqiqiy mahorat — tekshiruv natijasi.

  1. Yetarli moslashmaslik: oʻqitish natijasi ham past. Model juda sodda. ② pogʻonadagi qiyin masala aynan shunday holat.
  2. Meʼyorida: oʻqitish va tekshiruv natijalari ikkalasi ham yuqori va bir-biriga yaqin.
  3. Ortiqcha moslashish: oʻqitish natijasi yuqori, tekshiruv natijasi esa past. Maʼlumotlar kam boʻlsa yoki orasida notoʻgʻri javoblar aralashgan boʻlsa, model qoida oʻrniga alohida misollarni yodlab oladi. “Kam va shovqinli maʼlumot”ni tanlab tekshirib koʻring.

Ortiqcha moslashishning oldini olishning keng tarqalgan usullari: maʼlumotlarni koʻpaytirish, tekshiruv yoʻqotishi yana oʻsa boshlaganda oʻrganishni toʻxtatish (erta toʻxtatish) va modelni keragidan katta qilmaslik. Meva pashshasi ham shunga oʻxshash muammoga duch keladi: bitta tasodifiy tajribani haddan tashqari umumlashtirib yubormaslik uchun uzoq saqlanadigan xotira faqat takroriy mashgʻulotlardan keyin hosil boʻladi. Amaliy chuqur oʻrganishda tekshiruv maʼlumotlaridan tashqari, oxirida faqat bir marta ishlatiladigan sinov (test) maʼlumotlari ham alohida ajratib qoʻyiladi.

Teskari tarqalish oddiy soʻzlar bilan

Bu chiqishda yuzaga kelgan xatoni “kim aybdor?” degan savol boʻyicha orqaga qarab taqsimlaydigan hisob. Chiqish neyroni bilan kuchliroq bogʻlangan va oʻsha paytda faolroq boʻlgan yashirin neyron koʻproq masʼuliyat oladi. Masʼuliyat aniqlangach, kirish → yashirin ulanishlari ham birdaniga tuzatiladi.

Meva pashshasi bunday orqaga taqsimlashni qilmaydi. Kenyon hujayralariga kiruvchi ulanishlar deyarli tasodifiy belgilanib, oʻzgarmaydi, dofamin esa faqat oxirgi ulanishni (Kenyon hujayrasi → chiqish neyroni) tuzatadi. “Pashsha usuli”ni tanlasangiz, yashirin neyronlar kam boʻlganda yaxshi ishlamaydi, ammo ularni 30~60 tagacha koʻpaytirsangiz, tasodifiy chiziqlarning oʻzi bilan ham tasmani ajrata oladi. Meva pashshasida nega taxminan 2,000 tagacha Kenyon hujayrasi borligini shundan taxmin qilish mumkin.

4Koʻp qatlam

Koʻp qatlamli koʻrish yoʻli — yaqinlashayotgan soyani koʻrib qochadi

Model: konvolyutsion neyron tarmoq kabi qatlam-qatlamPashsha: murakkab koʻz → lamina → medulla → lobula → gigant tola

Meva pashshasida

Pashshaqoqar yaqinlashsa, meva pashshasi bir zumda uchib ketadi. Murakkab koʻzning ommatidiylari yorqinlikni oʻlchaydi, lamina yorishish va qorayishni ajratadi, medulla va lobula plastinkasidagi T4·T5 neyronlari harakat yoʻnalishini hisoblaydi, lobuladagi LPLC2 neyronlari esa “har tomonga yoyilayotgan harakat”ni, yaʼni yaqinlashayotgan jismni payqaydi. Bu signal gigant tola neyroni orqali sakrash harakatiga aylanadi.

Neyron tarmoqda

Bu konvolyutsion neyron tarmoq (CNN) bilan bir xil tuzilma. Har bir qatlamda faqat kichik sohaga qaraydigan bir xil hisob barcha joylarda takrorlanadi (ogʻirliklarni boʻlishish), qatlamlar yuqorilagan sari koʻrish doirasi kengayib, belgilar murakkablashadi. Yorqinlik → yorqinlik oʻzgarishi → harakat yoʻnalishi → yaqinlashish. Har bir qatlam oddiy, lekin ular ustma-ust qoʻyilsa, murakkab qaror chiqadi.

Murakkab koʻz · yorqinlik→ Lamina · yorishish/qorayish→ Medulla·lobula plastinkasi · harakat yoʻnalishi→ Lobula · yaqinlashishni aniqlash→ Gigant tola · sakrash
Koʻrsatiladigan jism
Koʻrish burchagi
Tezlik

Bu tushuntirish uchun soddalashtirilgan hisoblash modeli. Ommatidiylar soni taxminan 800 oʻrniga 169 taga kamaytirilgan, harakat yoʻnalishi esa jism chetlarining tezligidan toʻgʻridan-toʻgʻri hisoblangan. Haqiqiy T4·T5 neyronlari qoʻshni ommatidiylar signallarini vaqt farqi bilan taqqoslab, yoʻnalishni aniqlaydi.

Nega qatlamlarni koʻp qilib qoʻyish kerak

“Yaqinlashayotgan jism”ni ommatidiylarning yorqinlik qiymatlaridan birdaniga aniqlaydigan qoida tuzish qiyin. Chunki jism qorongʻi ham, yorugʻ ham, oʻngda ham, chapda ham boʻlishi mumkin. Buning oʻrniga masala oson boʻlaklarga ajratilib, har bir qatlamga bittadan topshiriladi.

  1. 1-qatlam (lamina): bu ommatidiy hozirgina qorongʻilashdimi yoki yorishdimi?
  2. 2-qatlam (medulla·lobula plastinkasi): qoʻshni ommatidiylar bilan taqqoslaganda chet qaysi tomonga harakatlanyapti?
  3. 3-qatlam (lobula): yuqori, past, chap, oʻng — toʻrt yoʻnalishning hammasida tashqariga yoyilayotgan harakat bormi?
  4. Chiqish (gigant tola): agar shunday boʻlsa, darhol uchib ketadi.

“Yonidan oʻtayotgan jism”da bir cheti tashqariga, qarama-qarshi cheti esa ichkariga harakatlanadi, shuning uchun toʻrt yoʻnalish shartining hammasi bajarilmaydi. Shu sababli u katta va tez harakatlansa ham, pashsha sakramaydi. Suratda mushukni taniydigan CNN ham xuddi shunday chiziq → burchak → qism → butun shakl tartibida qatlamlarni quradi.

Model tuzilmalarini taqqoslash — bu sahifadagi model vs MLP · RNN · GRU · LSTM · CNN

Tugmalarni bosib, oltita tuzilma diagrammasini almashtirib koʻring. Yashil chiziqlar — oʻrganiladigan ulanishlar, punktir chiziqlar — qotirilgan ulanishlar, toʻq sariq strelkalar — vaqt boʻylab oʻtadigan xotira. Barcha diagrammalar tamoyilni koʻrsatuvchi sxemalardir.

Oltita tuzilmani bir qarashda taqqoslash

Oʻrganiladigan ulanishlar / jami ulanishlar (kirish 16×16, 3 sinf)

Kulrang ustun = jami ulanishlar, rangli ustun = oʻrganiladigan ulanishlar. Chuqur oʻrganish modellarida hammasi oʻrganiladi, pashsha modelida esa ulanishlarning aksariyati qotirilgan. Quyidagi Oʻqitgich va A umumiy boʻlimidagi Kod 2 xuddi shu sonlarni hisoblaydi.

Oxirgi qatordagi asoslanganlik darajasi: Haqiqiy zanjir·oʻlchov model haqiqiy zanjirni aks ettiradi · Tuzilishi oʻxshash ulanish shakli oʻxshashligini bildiradi, bir xil hisob bajarilishining isboti emas · Erkin oʻxshatish · Sof oʻxshatish faqat tushuntirishga yordam beruvchi ibora, biologik asosi yoʻq.

Ushbu sahifa nuqtai nazaridan asosiy farqlar

① sahifadagi zinapoya (eng oddiydan koʻp qatlamgacha) MLP va CNN tomonidagi hikoya edi. Pashsha usuli uning yonida “yashirin qatlam oʻrganilmasa ham, uni keng va siyrak qilsak, ancha yaxshi ishlaydi” degan boshqa javobni koʻrsatadi. Mashinali oʻrganishda tasodifiy belgilar, ekstremal oʻrganish mashinasi (ELM) va rezervuar hisoblash xuddi shu gʻoyaga asoslangan. Meva pashshasi miyasida RNN·LSTM kabi vaqt bilan ishlovchi zanjir (markaziy kompleks) ham bor, lekin bu sahifadagi modellar bir martalik qaror chiqaruvchi turdagi modellardir.

Meva pashshasi Oʻqitgichi — misol rasmlar orqali “oʻrgatish, oʻrganish va qaror qilish”

Teachable Machine kabi ① har bir sinf uchun misol rasmlar yigʻish, ② oʻrgatish va ③ yangi rasmlar bilan tekshirish jarayonini misolda kuzatamiz. Bir xil rasm maʼlumotlarida pashsha usuli (faqat chiqish qatlami oʻrganiladi) va chuqur oʻrganish MLP (barcha qatlamlar oʻrganiladi) yonma-yon oʻrgatildi. Rasmlar qoʻlda chizilgandek qilib qiyshaytirilgan 16×16 oʻlchamli tasvirlardir.

① Misollarni yigʻish
Ovqat · doira · oʻqitishda ishlatilgan 24 ta rasmdan 8 tasi
Xavf · xoch · oʻqitishda ishlatilgan 24 ta rasmdan 8 tasi
Yoʻl · yotiq chiziq · oʻqitishda ishlatilgan 24 ta rasmdan 8 tasi

Har bir sinf uchun 30 ta rasm yaratildi: 24 tasi oʻqitishga, 6 tasi (jami 18 ta) tekshiruvga ishlatildi. Tekshiruv rasmlari oʻrganish davomida bir marta ham koʻrsatilmaydi.

② Oʻrgatish (30 epoxa)
0%50%100%1102030EpoxaHisoblangan qiymatlar (qotirilgan seed)

Yashil = pashsha usuli · Koʻk = MLP · punktir = oʻqitish aniqligi, uzluksiz chiziq = tekshiruv aniqligi

83%Pashsha usulining tekshiruv aniqligi (oʻqitishda 100%)
89%MLP (32 yashirin neyron) tekshiruv aniqligi (oʻqitishda 100%)
3,003Pashsha usulida oʻrganiladigan ulanishlar (jami 13,003)
8,323MLP (32 yashirin neyron) da oʻrganiladigan ulanishlar (hammasi). Tuzilmalarni taqqoslash boʻlimidagi MLPʼda 64 ta yashirin neyron bor
③ Yangi rasmlar boʻyicha qaror qilish
Sinov rasmi
Pashsha usuli · tekshiruv 18 ta
DoiraXochYotiq chiziq
Doira420
Xoch060
Yotiq chiziq015
MLP · tekshiruv 18 ta
DoiraXochYotiq chiziq
Doira420
Xoch060
Yotiq chiziq006

Bu misoldan nimani oʻqish kerak

Ikkala model ham oʻqitish rasmlarini 100% toʻgʻri topdi, lekin tekshiruv rasmlarida pashsha usuli 83%, MLP esa 89%. Bu farq (oʻqitish va tekshiruv orasidagi tafovut) ortiqcha moslashish darajasini koʻrsatadi. Pashsha usulida oʻrganiladigan ulanishlar MLPʼnikining taxminan 36% ini tashkil etsa ham, tekshiruv aniqligi u qadar ortda qolmaydi. Ikkala model ham tekshiruvdagi 6 ta doiradan 2 tasini xoch deb bildi (quyidagi chalkashlik matritsasiga qarang). Har bir sinf uchun atigi 24 ta oʻqitish rasmi boʻlsa, shunday xatolar yuz beradi. Oʻzingiz chizgan rasmlar bilan sinab koʻrish uchun A umumiy boʻlimidagi Kod 2 ni Colabʼda ishga tushiring.

Teachable Machine bilan oʻxshash tomoni

Jarayon bir xil: sinflar yaratish → misollar toʻplash → oʻqitish → yangi kirish boʻyicha qaror chiqarish.

Farqi

Teachable Machine katta tasvir modeli (MobileNet) oldindan oʻrgangan belgilar ustida faqat kichik tasniflagichni oʻqitadi (koʻchirib oʻrganish, transfer learning). Bu misolda esa ikki model 16×16 rasmlarni noldan oʻrganadi. Shuning uchun u oddiy shakllarga mos keladi, fotosuratlar kabi murakkab kirishlarga esa mos emas.

Bir sahifada xulosa — narvonning toʻrt pogʻonasi

Pogʻona yuqorilagan sari model koʻproq bogʻlanishlarga ega boʻladi, murakkabroq chegaralar chizadi va chuqurroq maʼnoni anglaydi. Meva pashshasining sezgi → nerv → miya → xatti-harakat zanjiri bu bosqichlarning barchasini bitta tanada jamlagan.

PogʻonaModel tuzilishiMeva pashshasidagi misolYangi qobiliyatQolgan cheklov
① Juda oddiy1 ta kirish → 1 ta chiqish
y = ostona(w·x)		Karbonat angidrid → qochishSignal kuchli boʻlsa, javob beradiFaqat bitta kirishni koʻradi
② OddiyBir nechta kirish → 1 ta neyron
Perseptron		Meva hidi + sirka hidi → ovqat haqida qarorBir nechta signalni tarozida tortadi, xatodan oʻrganadiFaqat bitta toʻgʻri chegara chizigʻi
③ UmumiyKirish → yashirin qatlam → chiqish
Koʻp qatlamli perseptron		Moʻylov boʻlagi → qoʻziqorinsimon tana → chiqish neyroniEgri va tasma shaklidagi chegaralar, kombinatsiyalarni tanishKirish katta va murakkab boʻlsa, juda koʻp yashirin neyron kerak boʻladi
④ Koʻp qatlamKoʻp qatlamlar ustma-ust
konvolyutsion neyron tarmoq kabi		Murakkab koʻz → lamina → medulla → lobula → gigant tolaOddiy belgilarni ustma-ust yigʻib, «yaqinlashish» kabi maʼnoni taniydiQatlamlar chuqurlashgani sari oʻqitish uchun koʻproq maʼlumot va hisoblash kerak
Ogʻirlik

Sinaps kuchi

Oʻqitish orqali oʻzgaradigan qiymat. Tormozlovchi sinaps — manfiy ogʻirlik.

Aktivatsiya funksiyasi

Yo otadi, yo jim turadi

Ostonadan oshgandagina signal yuboradi. Aynan shu sinish tufayli qatlamlarni ustma-ust qoʻyish maʼno kasb etadi.

Xato signali

Dofamin (jazo · mukofot)

Nima xato boʻlganini bildiradi. Meva pashshasi uni qatlamlar boʻylab orqaga uzatmaydi, balki muayyan bogʻlanishlarga bevosita sepadi.

Butun model

Konnektom

Butun miyaning ulanish sxemasi. Kim kim bilan qanchalik bogʻlangani — modelning tuzilishining aynan oʻzi.

Oʻxshatishning chegarasi. Haqiqiy neyronlar elektr impulslari orqali signal almashadi va bir xil bogʻlanish ham vaqt hamda tana holatiga qarab turlicha ishlaydi. Bu sahifadagi 3D miya va hisoblash modellari tamoyilni koʻrsatish uchun ancha soddalashtirilgan. Chuqur oʻrganish miyadan nusxa koʻchirmagan, balki undan «qatlamlar, bogʻlanish kuchi, ostona, xato orqali tuzatish» degan skeletni olgan.

Uchinchi sahifa: haqiqiy meva pashshasining ulanish sxemasini toʻliqligicha ishga tushirib, Minecraft mobini harakatlantiradigan loyiha oldingi ikki sahifa bilan taqqoslangan. Minecraft ichidagi meva pashshasi miyasi — faqat ulanish sxemasi bilan harakatlanadigan nerv tizimi.

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colabda oldindan oʻrnatilgan kutubxonalardan foydalanadi. «Daftar (.ipynb) yuklab olish» tugmasini bosib, Colabda Fayl → Daftarni yuklash orqali oching yoki kodni nusxalab, yangi daftar katagiga joylang.

Kod 1 · Pashsha usuli NumPy bilan — qatʼiy tasodifiy kengaytirish + faqat chiqish qatlamini oʻqitish③-boʻlim «Pashsha usuli» va «Amaliyot: tuzilmalarni taqqoslash» bilan bogʻliq · numpy · CPU, 1 soniyadan kam

1,000 ta Kenyon hujayrasining qatʼiy bogʻlanishlarini yaratadi va faqat eng yuqori 8% yonadigan siyrak kod ustida bitta chiqish qatlamini delta qoidasi bilan oʻqitadi. Oʻz maʼlumotlaringizga almashtirish uchun X (namunalar × 256) va Y (javob raqamlari) ni almashtiring.

Natija (2026-10-04 da ishga tushirilgan, numpy 2.4 · CPU). Tasodifiy sonlar urugʻi (seed) qatʼiy belgilangani uchun har safar bir xil natija chiqadi.
Kod 2 · PyTorch bilan beshta oddiy chuqur oʻrganish modeli va uchta meva pashshasi modeli«Amaliyot: tuzilmalarni taqqoslash · oʻqitgich» bilan bogʻliq · torch, numpy, matplotlib · CPU, taxminan 1 daqiqa

MLP·CNN·RNN·GRU·LSTM va uchta meva pashshasi modelini bir xil rasm maʼlumotlari va bir xil boʻlinish bilan oʻqitib, bogʻlanishlar soni va aniqlikni taqqoslaydi. Bu «Oʻqitgich misoli»dagi hisob-kitobni kattaroq maʼlumotlar (4 tur, 160 ta rasm) bilan oʻzingiz bajarib koʻradigan kod.

Natija (2026-10-04 da ishga tushirilgan, PyTorch 2 · numpy 2.4 · CPU). Ikki xil urugʻ (seed) bilan alohida oʻqitildi. Meva pashshasi modellarida qatʼiy bogʻlanishlarning urugʻi belgilab qoʻyilgani uchun ikkala urugʻda ham natija bir xil. Raqamlar urugʻ, versiya va apparatga qarab oʻzgarishi mumkin.

Oddiy chuqur oʻrganish kodidan nimasi bilan farq qiladi

JihatKod 1 (pashsha usuli)Oddiy chuqur oʻrganish kodi
Nima oʻqitiladiBitta chiqish qatlami (3,000 ta)Barcha qatlamlar (16,643 ta)
Gradiyent hisoblashKerak emas: xato × kirishloss.backward() zanjir qoidasi bilan har bir qatlam uchun hisoblaydi
Yashirin reprezentatsiyaTugʻilganda tasodifiy belgilanadi va oʻzgarmaydiMaʼlumotlarga moslab oʻqitiladi
Yashirin qatlam shakliKeng va siyrak (1,000 tadan faqat 8% yonadi)Tor va zich (64 tasining hammasi qiymatga ega)
Asosiy gʻoya bir jumladaW_out += lr * np.outer(y − p, k)opt.step()
Kerakli vositalarFaqat NumPyPyTorch (avtomatik differensiallash)
Mashinali oʻrganishdagi nomiTasodifiy belgilar, ekstremal oʻrganish mashinasi, rezervuar hisoblashKoʻp qatlamli perseptron (MLP)
Taqqoslash uchun oddiy chuqur oʻrganish kodini koʻrish (mlp_backprop.py, PyTorch)

AI uchun promptlar — bu kodni boshlangʻich nuqta qilish

ChatGPT, Qwen, Claude kabi AI yordamchilariga joylash uchun promptlar. «Nusxalash» tugmasini bossangiz, prompt ortidan tanlangan kod ham qoʻshiladi. 〔 〕 ichidagini oʻz vaziyatingizga moslab almashtiring.

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 maqolada AI yordamidan foydalangan boʻlsangiz, tashkilotchilar va jurnal qoidalariga koʻra bundan foydalanganingizni va uning hajmini oshkor qiling.

Atamalar lugʻati

Matndagi sariq nuqtali tagchiziqlar bilan bir xil lugʻat. Tagchiziq ustiga kursorni olib borsangiz yoki bossangiz, xuddi shu izoh chiqadi.

Oʻxshatishlar toʻplami — va oʻxshatish notoʻgʻri boʻladigan joylar

Oʻxshatish tushunishning birinchi qadami, lekin notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Meva pashshasi · miya oʻxshatishlarining kuchi belgilangan: Bevosita haqiqatan ham bir xil ishni bajarishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshash · Yoʻq mos keluvchisi maʼlum emas

TushunchaKundalik oʻxshatishMeva pashshasi · miya oʻxshatishiOʻxshatish notoʻgʻri boʻladigan joy
PerseptronBir necha kishining fikriga ball qoʻyib qoʻshish va yigʻindi meʼyordan oshsa, qaror qabul qilishQisman Neyron kirishlarni yigʻadi va ostonadan oshsa, otadiHaqiqiy neyronda kirishlar vaqt oʻtishi bilan yigʻiladi va sizib chiqib ketadi. Perseptronda vaqt yoʻq (Maxsus 3 dagi sizib integrallab otish modeliga qarang)
Yashirin qatlamKompaniyadagi oʻrta boʻgʻin rahbari: joylardan kelgan hisobotlarni yigʻib, direktorga qisqacha yetkazadiQisman Qoʻziqorinsimon tanadagi Kenyon hujayralari hid signallarini kengroq qilib qayta ifodalaydiKenyon hujayralarining kirish bogʻlanishlari tasodifiy belgilanadi va oʻqitilmaydi. Chuqur oʻrganishdagi yashirin qatlam esa oʻqitiladi
Ogʻirliklarni oʻqitishXato yechilgan masalalarni xatolar daftariga yozib, keyingi safar tuzatishBevosita Dofamin qoʻziqorinsimon tana chiqish bogʻlanishlarining kuchini oʻzgartirib, hid va natijani juftlaydiMeva pashshasining dofamin signali «bashorat xatosi»ni hisoblaydimi-yoʻqmi, hali oʻrganilmoqda. Ushbu sondagi oʻqitish qoidasi tushuntirish uchun soddalashtirilgan
Teskari tarqalishNatija yomon boʻlsa, javobgarlikni ishlab chiqarish jarayonining oxiridan boshlab orqaga qarab taqsimlashYoʻqMiya har bir qatlamga aniq gradiyentni orqaga uzatishi haqida dalil maʼlum emas
Koʻp qatlamli koʻrish yoʻliZavod konveyeri: har bir bosqichda biroz murakkabroq detal yasaladiQisman Murakkab koʻz → lamina → medulla → lobula tomon borgan sari murakkabroq harakatlar ajratib olinadi④ dagi filtrlar tushuntirish uchun qoʻlda belgilangan. CNN esa filtrlarni oʻzi oʻrganadi
Kirishni raqamga aylantirishBarcha davlatlar pulini bitta valyutaga ayirboshlashBevosita Sezgi neyronlari yorugʻlik, hid va taʼmni elektr signaliga aylantiradiHaqiqiy signal — spayklarning chastotasi va vaqti. Ushbu sondagi otish chastotasi raqamlari namunaviy qiymatlar

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)

Korea Electrical Safety Corporation va Maeil Business Newspaperda ishlagan, hozirda Maeil Business Newspaperning tashqi venchuri boʻlgan M-Robo MChJni tashkil etib, uning rahbari sifatida faoliyat yuritmoqda. M-Robo MChJ OAV ichki venchuri sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan hamda Korea Internet & Security Agency (KISA), Korea Press Foundation, Korea Communications Agency kabi tashkilotlarda koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining Money-Robo nomli AI yangiliklar nashrini yuritmoqda. Rahbarlik davrida Asia Open Data Hackathon gʻolibi boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Respublikasi Ichki ishlar va xavfsizlik vazirining mukofotiga 2 marta sazovor boʻlgan, sunʼiy intellekt va blokcheyn sohalarida 5 ta patent muallifi va egasi. «AI jinoyatlari va oʻzini himoya qilish» (koreys tilida) kitobining muallifi; Korea University of Technology and Education (KOREATECH) Onlayn uzluksiz taʼlim institutida fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentlarini ishlab chiqqan. Iqtisodiyot fanlari doktori (PhD, Dongguk University, mikroiqtisodiy matematik iqtisodiyot). Kookmin University, Hoseo University va boshqa bir qator universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars beradi. Batafsil profil

Kurslar

  • Sangsun Ahn (2025). «Biznes uchun maʼlumotlar fani» maʼruzalar toʻplami (koreys tilida). Open Cyber University of Korea, Sunʼiy intellekt konvergensiyasi kafedrasi.
  • Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Onlayn uzluksiz taʼlim instituti.
  • Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Onlayn uzluksiz taʼlim instituti.

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

Maqolalar va maʼruzalar

  • Sangsun Ahn (2025). Korean Retirement and Income Study (KReIS) panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli: sunʼiy intellekt modellariga asoslangan yondashuv (koreys tilida). «Future Society», 16(2). Asl matn
  • Sangsun Ahn (2025). KReIS panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli: sunʼiy intellekt yondashuvi (koreys tilida). KReIS ilmiy konferensiyasidagi taqdimot (2025.05.13), National Pension Service, National Pension Research Institute. Taqdimot
  • Sangsun Ahn (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi: naqsh va kontekst tahliliga eʼtibor (koreys tilida). «Future Society», 16(1). Asl matn
  • Sangsun Ahn (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan adversarial maʼlumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari (koreys tilida). «Future Society», 15(3). Asl matn
  • Sangsun Ahn (2024). Sunʼiy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi (koreys tilida). 2024 Summer Newmedia Party poster taqdimoti (2024.06.19), Seoul Media Institute of Technology.
  • Sangsun Ahn (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel maʼlumotlaridan foydalanilgan mashinali oʻrganish modeli (koreys tilida). 10-Ishlab chiqarishdagi jarohatlar sugʻurtasi paneli ilmiy konferensiyasida poster taqdimoti (2024.05.17), Korea Workers’ Compensation & Welfare Service, Labor Welfare Research Institute.
  • Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatori modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari (koreys tilida). «Future Society», 15(1). Asl matn

E-2 Ilmiy manbalar

  1. [R1] Dorkenwald, S., Matsliah, A., Sterling, A. R., … Murthy, M. (2024). Neuronal wiring diagram of an adult brain. Nature, 634, 124–138. doi:10.1038/s41586-024-07558-y — bosh qism [1], «3D miya» boʻlimi
  2. [R2] Aso, Y., Hattori, D., Yu, Y., … 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 — bosh qism [4], ③-boʻlim
  3. [R3] Azevedo, F. A. C., Carvalho, L. R. B., Grinberg, L. T., … 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 — bosh qism [5]
  4. [R4] Suh, G. S. B., Wong, A. M., Hergarden, A. C., … Anderson, D. J. (2004). A single population of olfactory sensory neurons mediates an innate avoidance behaviour in Drosophila. Nature, 431, 854–859. doi:10.1038/nature02980 — ①-boʻlim (karbonat angidriddan qochish)
  5. [R5] Maisak, M. S., Haag, J., Ammer, G., … Borst, A. (2013). A directional tuning map of Drosophila elementary motion detectors. Nature, 500, 212–216. doi:10.1038/nature12320 — ④-boʻlim (T4·T5)
  6. [R6] Klapoetke, N. C., Nern, A., Peek, M. Y., … Card, G. M. (2017). Ultra-selective looming detection from radial motion opponency. Nature, 551, 237–241. doi:10.1038/nature24626 — ④-boʻlim (LPLC2: yaqinlashishni aniqlash)

Matndagi [1]~ izohlar: raqamlar va faktlar manbalari

RaqamMazmunQiymatManba
[1]Meva pashshasining butun miyasidagi neyronlar soni, sinapslar sonitaxminan 140 ming, taxminan 50 millionFlyWire konsorsiumi (2024) Nature — voyaga yetgan miyaning toʻliq konnektomi
[2]Bitta murakkab koʻzdagi ommatidiylar sonitaxminan 750~800Meva pashshasi koʻrish tizimi uchun darslikdagi qiymat (individ va liniyaga qarab farq qiladi)
[3]Hid bilish retseptor neyronlari turlari / moʻylov boʻlagidagi glomerulalar sonitaxminan 50 tur / taxminan 50 taMeva pashshasi hid bilish tizimi tadqiqotlaridagi umumiy qiymat (masalan, Couto va boshq. 2005, Curr Biol)
[4]Bitta qoʻziqorinsimon tanadagi Kenyon hujayralari soni, chiqish neyronlari turlaritaxminan 2,000 / 21 turAso va boshq. (2014) eLife — qoʻziqorinsimon tana sxemasining anatomiyasi
[5]Inson miyasidagi neyronlar sonitaxminan 86 milliardAzevedo va boshq. (2009) J Comp Neurol
[6]Karbonat angidriddan qochish, sirka konsentratsiyasiga qarab tortilish · qochish—Suh va boshq. (2004) Nature · Semmelhack & Wang (2009) Nature
[7]T4·T5: harakat yoʻnalishini aniqlash, LPLC2: yaqinlashishni aniqlash—Maisak va boshq. (2013) Nature · Klapoetke va boshq. (2017) Nature

E-3 Rasmlar uchun manbalar

  • Bosh qismdagi [2]·[3] raqamlari meva pashshasi koʻrish va hid bilish tizimlarining darslikdagi qiymatlari (individ va liniyaga qarab farq qiladi). Batafsil manbalar quyidagi jadvalda
  • Yakuniy sahnadagi personajlar rasmi: Chuqur oʻrganish A dan Z gacha laboratoriyasi personajlari

Oʻqituvchi uchun TIP

Oʻqituvchilar, ish joyidagi OJT masʼullari va tyutorlar uchun dars oʻtkazish boʻyicha qoʻllanma. Vaqtlar taxminiy, shuning uchun ularni haqiqiy darsga moslab oʻzgartiring.

AuditoriyaChuqur oʻrganishni endi boshlayotgan talabalar va xodimlar. Biologiya bilimi shart emas
Talab qilinadigan bilimlarQoʻshish · koʻpaytirish, grafik oʻqiy olish. Python faqat Colab amaliyoti uchun kerak
Oʻquv maqsadlari① Sezgi → nerv → miya → xatti-harakatni kirish → yashirin qatlam → chiqishga moslashtira oladi ② Perseptron nima uchun tasma shaklidagi masalani yecha olmasligini va yashirin qatlam nima uchun yechishini tushuntira oladi ③ Oʻqitish va tekshiruv ballarini taqqoslab, ortiqcha moslashishni aniqlay oladi
Taxminiy vaqtOʻqish 50~60 daqiqa · animatsiya namoyishi 25 daqiqa · Colab amaliyoti 30 daqiqa (Kod 1 — 10 daqiqa, Kod 2 — ishga tushirish 2 daqiqa + tahlil 15 daqiqa)

Uchta dars rejasi

Maʼruza, 50 daqiqa

Tushunchalarga eʼtibor

Kirish 5 daqiqa (nega meva pashshasi) → sezgi→nerv→miya moslik jadvali 10 daqiqa → qoida va oʻrganish 10 daqiqa → ①②③ narvon 20 daqiqa → nazorat savollari 5 daqiqa.

Ish joyida OJT, 90 daqiqa

Ishda qoʻllashga eʼtibor

«Qoida va oʻrganish» tajriba maydoni 20 daqiqa (ish joyidagi qoidaviy tizimlar bilan taqqoslash) → ②③ ortiqcha moslashish 20 daqiqa → oʻqitgich misolida chalkashlik matritsasini oʻqish 20 daqiqa → Kod 2 ni ishga tushirish va tahlil qilish 30 daqiqa.

1:1 tyutorlik

Darajaga mos surʼat

Boshlovchilar uchun faqat «Qoida va oʻrganish» va ①②. Oʻrta darajadagilar ③ da yashirin neyronlar sonini oʻzgartirib, ortiqcha moslashishni oʻzlari yuzaga keltiradi va Kod 1 hamda oʻqitgich misolidagi oʻqitiladigan bogʻlanishlar sonini (3,003 ta) solishtiradi.

Boʻlimlar boʻyicha dars oʻtkazish nuqtalari

BoʻlimToʻxtab beriladigan savolBoshqaruv boʻyicha maslahat
Nega meva pashshasi«140 ming neyron — bu koʻpmi yoki ozmi?»Inson miyasidagi 86 milliard bilan taqqoslang
Elektr signali«Hid va yorugʻlikni nima uchun bir xil birlikka aylantirish kerak?»Stimul kuchini oʻzgartirib, otish chastotasi ham unga qarab oʻzgarishini kuzating
Qoida va oʻrganish«Muhit oʻzgarsa, kim birinchi moslashadi?»«Muhitni oʻzgartirish»ni bosib, ikki pashshaning muvaffaqiyat darajasini taqqoslang
② Perseptron«Bitta toʻgʻri chiziq bilan tasma shaklini ajratish mumkinmi?»Tasma masalasida oʻqitishni ishga tushirib, aniqlik qayerda toʻxtab qolishini kuzating
③ Yashirin qatlam«Yashirin neyronlarni koʻpaytirish har doim yaxshimi?»Kam maʼlumot + 40 ta yashirin neyron bilan oʻqitish va tekshiruv ballari farqini kuzating
④ Koʻp qatlam«Yonidan oʻtib ketayotgan narsadan nega sakrab qochmaydi?»Yaqinlashish, yonidan oʻtish, uzoqlashishni navbat bilan bosing
Amaliyot: oʻqitgich misoli«Ikkala model ham xato qilgan rasm nega ularni chalkashtirdi?»Test rasmi tugmalarini navbat bilan bosib, chalkashlik matritsasi bilan taqqoslang

Eng keng tarqalgan 5 ta xato tushuncha

Xato tushunchaToʻgʻri izohKoʻrsatiladigan sahna
Meva pashshasi miyasi chuqur oʻrganish bilan aynan bir xil ishlaydiFaqat qatlamli tuzilish va bogʻlanish kuchini oʻrganish oʻxshash; teskari tarqalish yoki vaqtsiz hisoblash miyadagidan farq qiladiD boʻlimdagi oʻxshatishlar toʻplamining «Teskari tarqalish» qatori
Yashirin neyronlar qancha koʻp boʻlsa, shuncha yaxshiMaʼlumot kam boʻlsa, model oʻqitish maʼlumotlarini yodlab oladi va tekshiruv balli tushadi (ortiqcha moslashish)③ dagi kam maʼlumotli sozlama
Qoidalarni yaxshi tuzsangiz, oʻrganish kerak emasMuhit oʻzgarsa, qoidalar xato qilaveradi. Oʻrganish esa qaytadan moslashadi«Qoida va oʻrganish»dagi muhitni oʻzgartirish
Aniqlik yuqori boʻlsa, model yaxshiOʻqitishda ishlatilgan maʼlumotlarda oʻlchangan aniqlikka ishonib boʻlmaydi. Aniqlik alohida ajratib qoʻyilgan tekshiruv maʼlumotlarida oʻlchanadiOʻqitgich misolidagi oʻqitish · tekshiruv egri chiziqlari (oʻqitish 100%, tekshiruv 83~89%)
Pashsha usuli chuqur oʻrganishdan yomonroqOʻqitiladigan bogʻlanishlar toʻrtdan bir boʻlsa ham, bir xil rasm masalasida oʻxshash aniqlikka erishdi (Kod 2)Kod 2 natijalar jadvali

Nazorat savollari (izohni ochish uchun bosing)

Q1. Ikki kirish (1, 0), ogʻirliklar (0.8, −0.5) va ostonasi 0.5 boʻlgan perseptronning chiqishi qanday?

Yigʻindi = 1×0.8 + 0×(−0.5) = 0.8. 0.8 ≥ 0.5 boʻlgani uchun chiqish 1.

Q2. Perseptron nega «tasma shakli» (ovqat faqat oʻrtada) masalasini yecha olmaydi?

Perseptron faqat bitta toʻgʻri chiziq (tekislik) bilan ajratadi. Tasmaga ikki tomonda ikkita chegara kerak, shuning uchun uni bitta chiziq bilan ajratib boʻlmaydi. Yashirin qatlam bir nechta chegara yaratib, ularni birlashtiradi.

Q3. Oʻqitish aniqligi 96%, tekshiruv aniqligi 59% boʻlsa, nima sodir boʻlgan? Ikkita chora ayting.

Ortiqcha moslashish: model oʻqitish maʼlumotlarini yodlab olgan. Choralar: koʻproq maʼlumot toʻplash, yashirin neyronlarni kamaytirish, oʻqitishni erta toʻxtatish — shulardan ikkitasi.

Q4. Pashsha usulida qaysi bogʻlanishlar oʻqitiladi, qaysilari qatʼiy?

Qatʼiy: proyeksion neyron → Kenyon hujayrasi (tasodifiy siyrak bogʻlanish). Oʻqitiladigan: Kenyon hujayrasi → chiqish neyroni (dofamin oʻzgartiradi).

Q5. Kod 2 da pashsha usuli (4,004 ta oʻqitiladigan bogʻlanish) MLP (16,708 ta) bilan oʻxshash aniqlikka erishganidan qanday xulosa chiqarish mumkin?

Keng va siyrak qatʼiy reprezentatsiyaning oʻzi bilan ham oddiy rasm masalalarini faqat chiqish qatlamini oʻqitish orqali yetarlicha yechish mumkin. Biroq reprezentatsiyaning oʻzini yaxshilay olmagani uchun qiyin masalalarda cheklovlari bor.

Colab topshiriqlari

Asosiy

Kod 1 da TOP (yonish ulushi) ni 0.08 dan 0.5 ga oʻzgartirsangiz, oʻqitish aniqligi va yongan Kenyon hujayralari soni qanday oʻzgarishini yozing hamda siyraklik nima uchun foydali ekanini ikki jumlada tushuntiring.

Qiyin

Kod 2 dagi MLP yashirin qatlam oʻlchamini 8, 64, 512 ga oʻzgartirib, tekshiruv aniqligini ikki urugʻ (seed) bilan taqqoslang. Ortiqcha moslashish koʻrinadimi — oʻqitish egri chiziqlari (7-katak) bilan birga tahlil qiling.

Qiyinlikni moslashtirish va qoʻshimcha oʻrganish

Boshlovchilar④-boʻlim va «Tuzilmalarni taqqoslash»dagi GRU·LSTM qismini oʻtkazib yuborsa ham, mavzu uzilmaydi. «Qoida va oʻrganish» hamda ②③ ni puxta oʻzlashtirsin
ChuqurlashtirilganPashsha usulini mashinali oʻrganishdagi tasodifiy belgilar va ekstremal oʻrganish mashinasi (ELM) bilan taqqoslab, taqdimot tayyorlashni topshiring. Topilgan maqolalarni asl matni orqali tekshirsin
Qoʻshimcha oʻrganishSangsun Ahn, «Biznes uchun maʼlumotlar fani» maʼruzalar toʻplami (maʼlumotlar fani boʻyicha umumiy kurs) · STEP [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash · STEP [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (barchasi koreys tilida)
Oʻqituvchi uchun materiallarNazorat savollarini baholash mezonlari va topshiriqlarning namunaviy javoblarini Oʻqituvchilar uchun javoblar sahifasida (Maxsus 1) topishingiz mumkin

Barakalla!

«Maxsus 1: Meva pashshasi miyasini oʻrganish» sonini oxirigacha oʻqib chiqdingiz. Laboratoriya jamoasi har biri bittadan xulosa aytib beradi.

Professor
ProfessorMeva pashshasining sezgisidan xatti-harakatigacha kuzatib borib, neyron tarmoqni pogʻonama-pogʻona oʻstirdik.
  • Sezgi → nerv → miya → xatti-harakat — bu kirish → yashirin qatlam → chiqish bilan bir xil skelet
  • Perseptron yecha olmaydigan tasma masalasini yashirin qatlam yechadi
  • Atigi 4,004 ta oʻqitiladigan bogʻlanishga ega pashsha usuli ham test aniqligi 0.84 ni koʻrsatdi
Yordamchi
YordamchiQoida pashshasi muhit oʻzgargach, xato qilaverdi-ya!
Pashsha-tadqiqotchi
Pashsha-tadqiqotchiMening miyamda bor-yoʻgʻi 140 ming neyron. Shu bilan hammasini uddalayman, bilib qoʻying.