Meva pashshasi maxsus soni 2 · Oʻrganilgan xotira instinkt zanjiri orqali chaqirib olinadi — Dolan va boshq. (2018) tasviriy talqini

Savol — instinkt va oʻrganish haqiqatan alohida qayta ishlanadimi

Darsliklardagi rasmlar ikki yoʻlni aniq ajratadi: lateral shox — tugʻma xatti-harakat, qoʻziqorinsimon tana — oʻrganilgan xatti-harakat. Biroq lateral shox haqiqatan faqat instinkt uchun javob beradimi, bu hech qachon bevosita sinab koʻrilmagan edi.

Avvalgi model va ushbu maqoladagi modelni taqqoslash

Tugmani bosib, ikki rasmni almashtirib koʻring. Farq faqat bitta joyda: qoʻziqorinsimon tana chiqish neyroni — xotira chiqish neyronidan lateral shoxga boradigan ulanishda.

Tajriba shunday oʻtkaziladi — oʻqitish, kutish, sinash

Bu meva pashshasi xotirasi tajribasining asosiy tartibi. Chap tomonda pashshalar boshidan kechiradigan voqealar, oʻng tomonda esa shu vaqt ichida qoʻziqorinsimon tana ichidagi ulanishlar (ogʻirliklar) qanday oʻzgarishi neyron tarmoq rasmi bilan koʻrsatilgan. Oʻrganish oʻqitish bosqichida sodir boʻladi, sinov bosqichida esa oʻzgargan ulanishlar xatti-harakatda namoyon boʻladi.

Oʻqitish ① A hidi + elektr zarbasi→ Oʻqitish ② faqat B hidi→ Kutish · xotira saqlanadi→ Sinov · T-labirint

Boshlangʻich nuqta boʻlgan bitta fakt

Xotira chiqish neyroni — elektr zarbasi bilan juftlab oʻrganilgan hiddan qochish xotirasini (nafrat xotirasini) chaqirib olishda albatta zarur boʻlgan qoʻziqorinsimon tana chiqish neyroni. Bu neyronning aksoni esa lateral shox ichiga choʻzilib kiradi. Tadqiqotchilarning savoli ikkita edi: xotira maʼlumoti haqiqatan lateral shoxga uzatiladimi? Bu uzatish xotirani chaqirib olish uchun zarurmi?

Tajriba ① — birlashtiruvchi neyron oʻchirilsa, xotira chaqirib olinmaydi

Haroratga qarab ishlaydigan toʻsuvchi oqsil (Shi^ts) faqat maʼlum neyronlarga kiritiladi va faqat sinov vaqtida harorat koʻtarilib, oʻsha neyronning chiqishi toʻsiladi. Bu chuqur oʻrganishdagi ablyatsiya tajribasi (ablation) bilan bir xil mantiq.

Neyronni tanlab oʻchirib koʻring

Ustun balandligi natija yoʻnalishini koʻrsatish uchun chizilgan sxema. Ikki nazorat guruhi genning faqat bir qismiga ega pashshalar boʻlib, haroratning oʻzi yoki gen kiritishning oʻzi xotirani pasaytirmasligini tekshirish uchun xizmat qiladi.

Oʻchiriladigan neyron

Xotira turi

Sinovdagi harorat

Ustunlar ham, labirint ham natija yoʻnalishini koʻrsatuvchi sxema. Xotira qanchalik yaxshi boʻlsa, pashshalar zarba bilan juftlangan A hididan qochib, B tomonga shunchalik koʻp boradi.

Bu instinktiv qayta ishlash buzilgani natijasi emas

Birlashtiruvchi neyron oʻchirilganda ham, oʻqitishda ishlatilgan ikki hiddan (bir xil konsentratsiyada) tabiiy qochish darajasi oʻzgarmadi. Demak, xotira balli pashsha hidni sezmay qolgani yoki instinktiv reaksiya buzilgani uchun pasaymagan.

Sxema. Nazorat va toʻsilgan guruhlarning tugʻma qochishi oʻxshash ekanligi faqat natija yoʻnalishi sifatida koʻrsatilgan.

Tajriba ② — oʻqitish birlashtiruvchi neyron reaksiyasini oʻzgartiradi

Kalsiy vizualizatsiyasi (calcium imaging) — neyron faollashganda hujayra ichidagi kalsiy koʻpayishini floressent yorqinlik orqali kuzatish usuli. Oʻqitishdan keyin birlashtiruvchi neyronning hidga reaksiyasi xotira chiqish neyroni bilan bir xil yoʻnalishda susaygan edi.

Oʻqitishdan oldin va keyin bir xil hidga reaksiya

Neyron va sharoitni almashtirib koʻring. Grafik faqat yoʻnalishni koʻrsatuvchi sxema; haqiqiy kattaliklar va protokol uchun maqoladagi rasmlarga murojaat qiling.

Chuqur oʻrganish nuqtai nazaridan — bitta qatlam ogʻirliklari oʻzgarsa, undan keyingi aktivatsiyalar ham oʻzgaradi

Meva pashshasi

Oʻrganish qoʻziqorinsimon tana ichidagi ulanishlarda (Kenyon hujayrasi → MBON) sodir boʻladi. Natijada xotira chiqish neyronining chiqishi oʻzgaradi va shu signalni qabul qiluvchi lateral shoxdagi birlashtiruvchi neyron reaksiyasi ham unga ergashib oʻzgaradi. Birlashtiruvchi neyronning oʻz ulanishlari oʻzgarganmi yoki yoʻqmi — buni faqat shu tajriba bilan bilib boʻlmaydi.

Neyron tarmoq

Faqat oʻrta qatlam W2 ni qayta sozlasak (fine-tuning) ham, bir xil kirish uchun undan keyingi h3, h4 qatlamlarning aktivatsiyalari hammasi oʻzgaradi. Aktivatsiya oʻzgarishiga qarab “oʻrganish aynan shu yerda sodir boʻldi” deb qatʼiy aytib boʻlmasligining sababi ham xuddi shu.

h2 = f(W2′·h1) → h3 = f(W3·h2) ham oʻzgaradi

Model tuzilmalarini taqqoslash — ushbu sahifa modeli va MLP · RNN · GRU · LSTM · CNN

Tugmalarni bosib, oltita tuzilma diagrammasini almashtirib koʻring. Yashil chiziq — oʻrganiladigan ulanish, uzuq chiziq — qatʼiy ulanish, toʻq sariq strelka — vaqt boʻylab oʻtadigan xotira. Barcha diagrammalar printsipni koʻrsatuvchi soddalashtirilgan sxemalardir.

Oltita tuzilmani bir qarashda taqqoslash

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

Kulrang ustun = barcha ulanishlar, rangli ustun = oʻrganiladigan ulanishlar. Chuqur oʻrganish modellarida hammasi oʻrganiladi, meva pashshasi modellarida esa ulanishlarning aksariyati qatʼiy. Quyidagi Oʻqitgich va Umumiy boʻlim A dagi Kod 2 xuddi shu sonlarni hisoblaydi.

Oxirgi qatordagi asoslanganlik darajasi: Haqiqiy zanjir · oʻlchov model haqiqiy zanjirni koʻchirgan · Tuzilma oʻxshash ulanish shakli oʻxshash degani, bir xil hisoblash bajarilishining isboti emas · Erkin oʻxshatish · Sof oʻxshatish faqat tushuntirishga yordam beradigan soʻz, biologik asosi yoʻq.

Ushbu sahifa nuqtai nazaridan asosiy farqlar

② sahifaning 7-boʻlimida bu tuzilma “muzlatilgan model + oʻrganilgan tuzatish”ga, yaʼni LoRA adapteriga oʻxshatilgan edi. Jadvalga solsak, farq yanada aniqroq koʻrinadi. RNN, GRU va LSTM xotirani vaqt ichida yashirin holat sifatida olib yuradi, bu modelning xotirasi esa ulanish kuchida saqlanadi va oʻqitish bilan sinov orasidagi bir necha soatdan oʻtib boradi. GRU va LSTM darvozalari “xotiradan qanchasini chiqarish”ni belgilaganidek, birlashtiruvchi neyron ham xotira va instinkt aralashadigan joy (oʻxshatish).

Meva pashshasi Oʻqitgichi — oʻz rasmlaringiz bilan oʻrgating va darhol sinab koʻring

Teachable Machine kabi ① har bir sinf uchun misollar yigʻiladi, ② model oʻqitiladi, ③ yangi kirish bilan tekshiriladi. Barcha hisob-kitoblar shu brauzer ichida bajariladi, rasmlar va veb-kamera tasviri tashqariga chiqmaydi. Xuddi shu modelni kod orqali ishga tushirish uchun Umumiy boʻlim A dagi Kod 2 dan foydalaning.

① Maʼlumot yigʻish

② Oʻqitish

Model

Epoxa30

Oʻrganish tezligi0.05

③ Oldindan koʻrish

Kirish

Eksport

Kod 2 da davom etish →

Yuklash · saqlash

Yigʻilgan namunalar shu brauzerda avtomatik saqlanadi va sahifa yangilansa ham yoʻqolmaydi. Eksport qilingan maʼlumot va model JSON fayllarini qayta yuklash mumkin.

Boshlash: “Namuna maʼlumot” tugmasini bosing yoki chizish maydoniga rasm chizib, sinfdagi “Rasm qoʻshish” tugmasini bosing. Nomni bosib oʻzgartirish mumkin.

Teachable Machine bilan oʻxshash jihatlari

Sinf yaratish → namuna yigʻish → oʻqitish → real vaqtda oldindan koʻrish → eksport ketma-ketligi, veb-kamera kirishi va barcha hisob-kitoblarning brauzerda bajarilishi.

Farqlari

Teachable Machine katta tasvir modeli (MobileNet) yordamida oldindan ajratilgan belgilar ustida faqat kichik klassifikatorni oʻqitadigan transfer oʻrganishdan foydalanadi. Bu Oʻqitgich esa 16×16 rasmlarni ushbu sahifa modeli bilan noldan oʻrgatadi. Shuning uchun u oddiy shakllar uchun mos, fotosurat kabi murakkab kirishlarni yaxshi tanimaydi. Buning evaziga tekshiruv aniqligi va oʻrganiladigan ulanishlar sonini toʻgʻridan-toʻgʻri koʻrsatadi.

Bir sahifada bogʻlash — hiddan xotirani chaqirib olishgacha

Katakni bossangiz, tegishli izohga oʻtasiz. Ikki yoʻl birlashtiruvchi neyronda uchrashib, bitta xatti-harakatga aylanadi.

Hid
Moʻylov boʻlagi proyeksion neyronlari
ovqat hidi · oʻqitish hidi

Oʻrganilgan yoʻl · qoʻziqorinsimon tana

Kenyon hujayralarihidni siyrak ifodalaydi› Xotira chiqish neyronioʻqitishdan keyin reaksiya susayadi› Birlashtiruvchi neyronxotirani chaqirib olish uchun zarur

Tugʻma yoʻl · lateral shox

Proyeksion neyronovqat hidi uchun javobgar› Bevosita ulanishelektron mikroskopda tasdiqlangan› Birlashtiruvchi neyrontugʻma intilish uchun zarur

Xatti-harakat
yaqinlashish yoki qochish

Asosiy uch qator

1. Lateral shox faqat instinktni qayta ishlamaydi. Lateral shoxdagi birlashtiruvchi neyron nafrat xotirasini chaqirib olish uchun zarur.
2. Birlashtiruvchi neyron xotira signalini (xotira chiqish neyroni) va ovqat hidi signalini (proyeksion neyron) birga qabul qiladigan ikki vazifali neyron.
3. Oʻrganilgan va tugʻma maʼlumotlar aniqlash mumkin boʻlgan maʼlum neyronlarda birlashib, xatti-harakatni hosil qiladi.

Oʻqishda eʼtibor berish kerak boʻlgan jihatlar. Birlashtiruvchi neyron aslida PD2a1 va PD2b1 degan ikki turdan iborat, biroq ular bir xil genetik vosita bilan birga belgilangani uchun koʻpchilik tajribalarda bitta guruh sifatida koʻrib chiqilgan. Tugʻma intilish uchun zarurligi esa sinalgan hidlarning faqat bir qismida aniqlangan. Bu sahifadagi ustunlar, egri chiziqlar va 6-boʻlimdagi model natija yoʻnalishini tushuntirish uchun chizilgan sxemalar boʻlib, maqoladagi haqiqiy raqamlar emas. Statistik qiymatlar maqola matnidan olingan.

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colabʼda oldindan oʻrnatilgan kutubxonalardan foydalanadi. “Notebook (.ipynb) yuklab olish” tugmasini bosib, Colabʼda File → Upload notebook orqali oching yoki kodni nusxalab, yangi notebook katagiga joylashtiring.

Kod 1 · Xotira + instinkt birlashish modeli NumPyʼda6-boʻlim Model laboratoriyasi va “Amaliyot: tuzilmalarni taqqoslash” bilan bogʻliq · numpy · CPUʼda 1 soniyadan kam

Lateral shox (instinkt) qatʼiy, faqat qoʻziqorinsimon tana chiqishi (xotira) dofamin qoidasi (faollashgan Kenyon hujayrasi × tanlangan harakat × mukofot·jazo) bilan oʻzgaradigan zanjir quriladi. A hidi uchun besh marta jazo berilgach, birlashtiruvchi neyronning xotira kirishi toʻsilsa, faqat instinkt qoladimi — shuni tekshiramiz. Oʻz maʼlumotlaringizga moslash uchun odor_A va innate qiymatlarini oʻzgartiring.

Ishga tushirish natijasi (2026-10-04, numpy 2.4 · CPU). Tasodifiy son urugʻi (seed) qatʼiy belgilangani uchun har safar bir xil natija chiqadi.

Kod 2 · PyTorchʼda beshta oddiy chuqur oʻrganish modeli va uchta meva pashshasi modeli“Amaliyot: tuzilmalarni taqqoslash · Oʻqitgich” bilan bogʻliq · torch, numpy, matplotlib · CPUʼda taxminan 1 daqiqa

MLP, CNN, RNN, GRU, LSTM va uchta meva pashshasi modeli bir xil rasm maʼlumotlari bilan oʻqitiladi. 8-katakda xotira + instinkt modelining xotira kirishini toʻsish tajribasi oʻtkaziladi. Oʻqitgichdan yuklab olingan fly_lab_data.json faylini 1-katakda yuklasangiz, oʻz rasmlaringiz bilan taqqoslaysiz.

Ishga tushirish natijasi (2026-10-04, PyTorch 2 · numpy 2.4 · CPU). Ikki xil seed bilan alohida oʻqitildi. Meva pashshasi modellarida qatʼiy ulanishlarning urugʻi oldindan belgilangani uchun ikki seed natijasi bir xil. Seed, versiya va apparatga qarab raqamlar oʻzgarishi mumkin.

Oddiy chuqur oʻrganish kodidan nimasi bilan farq qiladi

Jihat	Kod 1 (xotira + instinkt birlashuvi)	Oddiy chuqur oʻrganish kodi
Qatʼiy qism	Lateral shox (instinkt) + Kenyon hujayralari kirishi	Asosiy model (`requires_grad_(False)`)
Oʻrganiladigan qism	Xotira chiqish neyroni ulanishlari `W_mb`	Adapter `adapter`
Oʻrganish signali	Dofamin: natija yaxshi boʻldimi yoki yomonmi (bitta son)	Toʻgʻri javob yorligʻidan farq (har bir sinf uchun gradiyent)
Yangilash usuli	Mahalliy qoida: faollashgan Kenyon hujayrasi × tanlangan harakat × dofamin	Teskari tarqalish: gradiyent yoʻqotishdan orqaga uzatiladi
Oʻchirish tajribasi	`retrieve=False` → birlashtiruvchi neyronning xotira kirishi toʻsiladi	`use_adapter=False` → tuzatish oʻchiriladi
Oʻchirish natijasi	Faqat instinkt qoladi va pashsha yana yaqinlashadi (maqolaning 3-boʻlimidagi natija yoʻnalishi)	Asosiy model javobiga qaytadi
Diqqat	Maqola natijasi yoʻnalishini koʻchirgan sxematik model	Haqiqiy LoRA — ikki past rangli matritsa koʻpaytmasi A·B

Taqqoslash uchun oddiy chuqur oʻrganish kodini koʻrish (frozen_base_adapter.py, PyTorch)

SI uchun amaliy promptlar — bu kodni boshlangʻich nuqta sifatida olish

Bu ChatGPT, Qwen, Claude kabi SI yordamchilariga joylashtiriladigan promptlar. “Nusxalash” tugmasini bossangiz, prompt ortidan tanlangan kod ham qoʻshiladi. 〔〕 ichidagi qismlarni oʻz vaziyatingizga moslab oʻzgartiring.

Birga qoʻshiladigan kod

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

Atamalar lugʻati

Bu matndagi sariq nuqtali tagchiziqlar bilan bir xil lugʻat. Tagchiziqli soʻzga 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 va miya oʻxshatishlari uchun kuch darajasi belgilangan. Bevosita haqiqatan bir xil ishni bajarishiga dalil bor · Qisman faqat baʼzi xususiyatlari oʻxshash · Yoʻq mos keladigan narsa maʼlum emas

Tushuncha	Kundalik oʻxshatish	Meva pashshasi · miya oʻxshatishi	Oʻxshatish notoʻgʻri boʻladigan joy
Birlashtiruvchi neyron	Ikki boʻlimning hisobotini bitta odam qabul qilib, yakuniy qarorni imzolashi	Bevosita lateral shoxdagi PD2a1/b1 xotira chiqish neyroni va ovqat hidi proyeksion neyronlaridan signalni birga qabul qiladi [R1]	Haqiqiy birlashish oddiy qoʻshish emas. Model laboratoriyasidagi 1.0 · 0.6 ogʻirliklar faqat tushuntirish uchun
Xotirani chaqirib olish	Omborga qoʻyilgan narsani olib ishlatish	Qisman oʻqitishdan keyin bir xil hidga qoʻziqorinsimon tana chiqishi oʻzgaradi va bu signal lateral shoxga oʻtadi	Xotira bir joyda buyum kabi saqlanmaydi. U ulanish kuchlarining oʻzgarishi sifatida tarqalgan
Dofamin bilan oʻrganish	Maqtov va tanbeh bilan odatni tuzatish	Bevosita dofamin neyronlari qoʻziqorinsimon tana chiqish ulanishlari kuchini oʻzgartiradi	Haqiqiy dofamin “toʻgʻri javob yorligʻi” emas, balki mukofot va jazo signalidir. Oʻqitgichning asosiy rejimi buni toʻgʻri javob yorligʻi bilan soddalashtirgan
Qatʼiy yoʻl + tuzatish (LoRA)	Bosh ofis yoʻriqnomasini oʻzgartirmay, faqat filial eslatmasini qoʻshib qoʻyish	Qisman lateral shoxdagi tugʻma yoʻl ustiga qoʻziqorinsimon tananing oʻrganish signali qoʻshiladi	LoRA — matritsalarni past rangli koʻpaytma sifatida qoʻshadigan matematik usul. Bu meva pashshasi zanjiri ham shunday hisoblaydi degani emas
Ablyatsiya tajribasi	Bitta detalni olib tashlab, mashina qanday ishlashini koʻrish	Bevosita harorat kaliti bilan birlashtiruvchi neyron chiqishi toʻsiladi va xotira bali oʻlchanadi [R1]	Chuqur oʻrganishda ablyatsiya uchun sonni 0 ga aylantirish kifoya, biologik tajribada esa nazorat guruhlari va harorat taʼsirini ham hisobga olish kerak

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 Newspaper gazetasida ishlagan, hozirda Maeil Business Newspaperʼning tashqi venchur kompaniyasi M-Robo MChJ ni tashkil etib, uning rahbari sifatida faoliyat yuritmoqda. M-Robo ommaviy axborot vositasi ichidagi venchur loyiha sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan hamda Korea Internet & Security Agency, Korea Press Foundation, Korea Communications Agency va boshqa tashkilotlar uchun koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining Money-Robo nomli SI yangiliklar xizmatini yuritmoqda. Rahbarlik davrida Asia Open Data Hackathon gʻolibi boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Ichki ishlar va xavfsizlik vazirligining mukofotini ikki marta olgan, sunʼiy intellekt va blokcheyn sohalarida beshta patent muallifi va egasi. “AI Crime and Self-Defense” (koreys tilida) kitobi muallifi; KOREATECH Online Lifelong Education Institute uchun fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentini ishlab chiqqan. Iqtisodiyot fanlari boʻyicha falsafa doktori (Dongguk University, matematik mikroiqtisodiyot). Kookmin University, Hoseo University va boshqa bir qator universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars bermoqda. Batafsil profil

Kurslar

Sangsun Ahn (2025). “Biznes uchun maʼlumotlar fani” maʼruza materiallari (koreys tilida). Open Cyber University of Korea, Sunʼiy intellekt integratsiyasi kafedrasi.
Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt va tabiiy tilni qayta ishlash (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Online Lifelong Education Institute.
Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Online Lifelong Education Institute.

STEP kurslariga havolalar: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Sayt yangilanishi sababli havolalar ochilmasa, www.step.or.kr sahifasiga kiring.

Maqolalar va maʼruzalar

Sangsun Ahn (2025). Koreya pensiya taʼminoti panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt modellariga asoslangan yondashuv (koreys tilida). Future Society, 16(2). Toʻliq matn
Sangsun Ahn (2025). Koreya pensiya taʼminoti panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt yondashuvi (koreys tilida). KReIS panel ilmiy konferensiyasidagi maʼruza (2025-05-13), National Pension Research Institute, National Pension Service. Taqdimot
Sangsun Ahn (2025). Ijtimoiy tarmoq matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi tadqiqoti: naqsh va kontekst tahlili (koreys tilida). Future Society, 16(1). Toʻliq matn
Sangsun Ahn (2024). Moliya sohasida anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan raqib maʼlumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari (koreys tilida). Future Society, 15(3). Toʻliq matn
Sangsun Ahn (2024). Virtual personaj xususiyatlariga asoslangan ijtimoiy tarmoq postlarini sunʼiy intellekt yordamida 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 foydalangan mashinali oʻrganish modellari (koreys tilida). 10-Mehnat jarohatlari sugʻurtasi panel ilmiy konferensiyasi poster taqdimoti (2024-05-17), Labor Welfare Research Institute, Korea Workers' Compensation & Welfare Service.
Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatorlari modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari (koreys tilida). Future Society, 15(1). Toʻliq matn

E-2 Ilmiy manbalar

[R1] Dolan, M.-J., Belliart-Guérin, G., Bates, A. S., … Jefferis, G. S. X. E. (2018). Communication from learned to innate olfactory processing centers is required for memory retrieval in Drosophila. Neuron, 100(3), 651–668.e8. doi:10.1016/j.neuron.2018.08.037 — ushbu sonning barcha qismlari
[R2] Zheng, Z., Lauritzen, J. S., Perlman, E., … Bock, D. D. (2018). A complete electron microscopy volume of the brain of adult Drosophila melanogaster. Cell, 174(3), 730–743.e22. doi:10.1016/j.cell.2018.06.019 — 2- va 5-boʻlimlar (elektron mikroskop maʼlumotlari)
[R3] 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 — Qahramonlar (xotira chiqish neyroni nomi)

E-3 Rasmlar uchun manbalar

3–6-boʻlimlardagi ustunlar, labirint va kalsiy egri chiziqlari [R1] natijalari yoʻnalishini koʻchirgan sxemalar boʻlib, haqiqiy oʻlchov qiymatlari emas
Yakuniy sahnadagi personaj rasmlari: Chuqur oʻrganish A dan Z gacha laboratoriyasi personajlari

Oʻqituvchilar uchun TIP

Bu oʻqituvchilar, ish joyida oʻqitish (OJT) masʼullari va tyutorlar uchun yoʻriqnoma. Vaqtlar taxminiy, haqiqiy darsga moslab oʻzgartiring.

Auditoriya	Maxsus 1 ni tugatgan oʻquvchilar. Ilmiy maqolani ilk bor oʻqiyotgan bakalavr va magistrantlar
Oldindan kerakli bilimlar	Maxsus 1 ning ③ qismi (qoʻziqorinsimon tana va Kenyon hujayralari), “Qoida va oʻrganish”
Oʻquv maqsadlari	① Oʻrganilgan xotira instinkt markazidan oʻtib xatti-harakatga aylanadi degan maqola gʻoyasini bir jumlada aytib bera oladi ② Ablyatsiya tajribasi mantigʻini (oʻchirish, nazorat bilan solishtirish, taqqoslash) tushuntira oladi ③ Qatʼiy yoʻl + oʻrganiladigan tuzatish tuzilmasini chuqur oʻrganishdagi adapterga moslashtira oladi
Taxminiy vaqt	Oʻqish 45–55 daqiqa · animatsiya namoyishi 20 daqiqa · Colab amaliyoti 30 daqiqa (Kod 1 — 10 daqiqa, Kod 2 — ishga tushirish 2 daqiqa + tahlil 15 daqiqa)

Darsni oʻtkazishning uch usuli

50 daqiqalik maʼruza

Maqolani oʻqishga urgʻu

Kirish 5 daqiqa (qahramonlarning laqablari) → 1·2-boʻlimlar: savol va qidirish usuli 15 daqiqa → 3·5-boʻlimlar: tajribalar 15 daqiqa → 6-boʻlim: model laboratoriyasi 10 daqiqa → nazorat savollari 5 daqiqa.

90 daqiqalik amaliy trening (OJT)

Loyihalashda qoʻllashga urgʻu

1·3-boʻlimlar 20 daqiqa → 7-boʻlim: chuqur oʻrganish nuqtai nazaridan qayta oʻqish (qatʼiy model + tuzatish) 20 daqiqa → Oʻqitgichda xotira kirishini toʻsish tajribasi 20 daqiqa → Kod 2 ni ishga tushirish va tahlil qilish 30 daqiqa.

1:1 repetitorlik

Darajaga qarab surʼat

Boshlovchilar uchun: qahramonlar va faqat 1·3·6-boʻlimlar. Oʻrta daraja uchun: 2-boʻlimdagi yetti bosqichning har birini chuqur oʻrganishdagi tahlil usuli (ogʻirliklarni oʻqish, ablatsiya, faollashuv qiymatlarini kuzatish) bilan juftlashtirsin.

Boʻlimlar boʻyicha maslahatlar

Boʻlim	Toʻxtab beriladigan savol	Amaliy maslahat
Qahramonlar	“PD2a1/b1 degan nom nimani anglatadi?”	Avval “Nomlarni oʻqish” kartasini oching
1 Savol	“Instinkt va oʻrganish haqiqatan ham alohida qayta ishlanadimi?”	Darslikdagi rasm bilan maqoladagi rasmni yonma-yon koʻring
2 Qidirish usuli	“Ikki neyron bogʻlanganini qanday tasdiqlash mumkin?”	Yetti bosqichni ketma-ket bosib chiqing
3 Oʻchirilsa-chi?	“Faqat haroratni koʻtarishning oʻzi xotirani yomonlashtirsa-chi?”	Past/yuqori haroratni va boshqa nomzod neyronlarni solishtiring
5 Ikki vazifa	“Bitta neyron oʻchirilganda nega ikki xatti-harakat birga yoʻqoladi?”	Xotira sinovi bilan ovqatga intilishni navbatma-navbat koʻring
6 Model laboratoriyasi	“0.6 ni 0 ga oʻzgartirsak nima boʻladi?”	“Birlashtiruvchi neyron oʻchiq” tugmasini bosing
Amaliyot: Oʻqitgich	“Xotira kirishi toʻsilsa, nega faqat instinkt qiymati qoladi?”	Oʻqitishdan keyin “Xotira kirishini toʻsish” tugmasini bosing

Eng koʻp uchraydigan 5 ta xato tushuncha

Xato tushuncha	Toʻgʻri izoh	Koʻrsatiladigan sahna
Xotira faqat qoʻziqorinsimon tana ichida boʻladi	Xotira xatti-harakatga aylanishi uchun lateral shoxdagi birlashtiruvchi neyronga oʻtishi kerak [R1]	3-boʻlim
Instinkt zanjiri va oʻrganish zanjiri butunlay alohida	Bitta birlashtiruvchi neyron ham xotirani chaqirib olishga, ham ovqatga tugʻma intilishga masʼul	5-boʻlim
Neyron oʻchirilgandan keyingi har qanday oʻzgarish faqat oʻsha neyron tufayli	Haroratning oʻzi va faqat gen kiritilishining taʼsirini nazorat guruhlari bilan alohida tekshirish kerak	3-boʻlimdagi nazorat tajribalari
Model laboratoriyasidagi raqamlar — maqoladagi oʻlchov natijalari	Bu faqat natijalar yoʻnalishini koʻchirgan sxema	6-boʻlimdagi sariq muhr
Dofamin toʻgʻri javobni aytib beradi	U mukofot·jazo signali. Toʻgʻri javob belgilari bilan oʻrganish — tushuntirish uchun soddalashtirish	Oʻqitgichdagi “Eslatma” matni

Nazorat savollari (izohni ochish uchun bosing)

Q1. Ushbu maqolaning asosiy fikrini bir gapda ifodalang.

Qoʻziqorinsimon tanadan chiqqan xotira signali lateral shoxdagi birlashtiruvchi neyronga (PD2a1/b1) yetib borgandagina xotira xatti-harakatga aylanadi.

Q2. Birlashtiruvchi neyronni oʻchirish tajribasida “faqat harorat koʻtarilgan nazorat guruhi” nega kerak?

Haroratning oʻzi xatti-harakatni oʻzgartirishi mumkin, shuning uchun xotira balli neyron toʻsilgani sababli pasayganmi yoki harorat sababli — buni ajratish kerak.

Q3. Model laboratoriyasida birlashuv formulasi 1.0 × instinkt + 0.6 × xotira. Instinkt = 0.2, xotira = −1.0 boʻlsa, birlashuv qiymati qancha? Xotira kirishi toʻsilsa-chi?

0.2 + 0.6 × (−1.0) = −0.4 (qochish tomonga). Toʻsilsa 0.2 (faqat instinkt qoladi, yaqinlashish tomonga).

Q4. Bitta neyron oʻchirilganda nega xotirani chaqirib olish ham, ovqatga intilish ham birga yoʻqoladi?

Chunki bu neyron ikki yoʻlni (qoʻziqorinsimon tanadan xotira signali va ovqat hidi proyeksion neyronlaridan instinkt signali) birga qabul qilib, chiqish beradigan umumiy qatlamdir.

Q5. Kod 2 da xotirani chaqirib olish toʻsilganda aniqlik 0.84 dan 0.09 ga tushdi. Nega aynan 0.09?

Instinkt qiymatlarining hammasi 0 boʻlgani uchun barcha sinflar balli bir xil boʻlib qoladi va model doim birinchi sinfni tanlaydi. 0.09 — test maʼlumotlarida birinchi sinf ulushi.

Colab topshiriqlari

Asosiy

Kod 1 da innate qiymatini [0.0, 0.5] ga oʻzgartiring (instinkt qochish tomonga). Oʻqitishdan oldingi, keyingi va toʻsilgandagi natijalar qanday oʻzgarishini jadvalda koʻrsating hamda instinkt bilan xotira bir yoʻnalishda va qarama-qarshi yoʻnalishda boʻlgan holatlarni solishtiring.

Murakkab

Kod 2 dagi MemoryInnate da innate ga qiymat bering (masalan, xoch sinfiga 2.0), oʻqiting, soʻng xotira kirishini toʻsing. Toʻsishdan oldingi va keyingi chalkashlik matritsalarini solishtiring va instinkt qarorni qanday oʻziga tortishini yozing.

Qiyinlikni sozlash va chuqurroq oʻrganish

Boshlovchilar	2-boʻlimdagi yetti bosqich va 4-boʻlimdagi kalsiy vizualizatsiyasini koʻz yugurtirib oʻtish kifoya. 3·6-boʻlimlarni puxta oʻzlashtiring
Chuqurlashtirilgan	Meva pashshasi xotira zanjiri boʻyicha boshqa tadqiqotlarni (xotira chiqish neyronlarining vazifa taqsimoti) topib, ushbu maqola bilan solishtirib taqdimot qilishsin. Topilgan maqolalarni asl manbadan tekshiring
Qoʻshimcha oʻrganish	Sangsun Ahn, «Biznes uchun maʼlumotlar ilmi» maʼruza materiallari (maʼlumotlar ilmi umumiy kursi, koreys tilida) · STEP [K-Digital] Sunʼiy intellekt: tabiiy tilni qayta ishlash (koreys tilida) · STEP [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (koreys tilida)
Oʻqituvchilar uchun materiallar	Nazorat savollarining baholash mezonlari va topshiriqlarning namunaviy javoblarini Oʻqituvchilar uchun javoblar sahifasida (Maxsus 2) koʻrish mumkin