1. Nerv faoliyatining biologik jihatlari

Korxonaning defolt holatga tushib qolish ehtimolligi. Sigmasimon neyron yordamida korxonaning 
ma’lum 
[0, ]
T
vaqt oralig’ida defolt ehtimolini bashorat qilish masalasini qaraylik. Faraz qilaylik, 
neyronning 
x  kirishi korxonaga oid ba’zi ma’lumotlarni o’z ichiga olgan vektor bo’lsin, masalan: naqd 
pul zaxiralari, daromadlar, xarajatlar, mehnat xarajatlari va boshqalar. O’rgatuvchi to’plam n ta 
(
)
,
i
i
x z  
juftligi, 
i
x
kirishlari va 
 
1,1
i
z  −
iborat bo’lsin. 
1
i
z =
qiymati 
i
-korxonaning 
[0, ]
T
davrida defolt 
bo’lgan bildiradi; 
1
i
z = −
qiymat 
i
-chi korxona 
[0, ]
T
davomida defolt bo’lmaganligini bildiradi. 

---

(
)
,
, 1
i
i
x z
i
n
  o’lchovlari 
(
)
,
X Z  empirik ravishda tasodifiy o’zgaruvchilar juftligini ifodalaydi, bu 
yerda 
Z
qiymati 
1

qiymatlar oladi va 
X
m -o’lchovli tasodifiy vektordir. 
8. Gradient tushish usuli bilan parametrlarni sozlash: 
Optimal og'irlik uchun bu holda yopiq shakldagi yechim yo'q. Gradient pasayish usulidan foydalanib,
qiymatini ketma-ketligi bilan yaqinlashtiramiz. Oldingi o'zaro entropiya xatoligining
( )
(
)
w x
1
1
w
ln 1
T
i
i
n
z
i
F
e
n
−
=
=
+

gradienti quyidagicha hisoblanadi. 
9. Kvadratli baholash funksiyasi (cost function) bilan o’rgatish: 
10. Chiziqli neyron modeli: 
Chiziqli neyron chiziqli faollashtirish funktsiyasiga ega neyron va tasodifiy kirishlar. Uning o’rganish 
algoritmi eng kam o’rtacha kvadratchalar narxidan foydalanadi funktsiyasi. 
U aslida Widrow va Hoff tomonidan jismoniy qurilma 
sifatida amalga oshirilgan. U naqshlarni tanib olish, ma’lumotlarni filtrlash va, albatta, chiziqli 
funktsiyalarni taxmin qilish uchun ishlatilishi mumkin. 
11. Sun’iy neyronning matematik modeli: 
sun'iy neyron - har qanday sun'iy neyron tarmoqning tashkil qiluvchi tuguni bo’lib, biologik neyronning
ancha soddalashtirilgan modelidir. Biologik neyron tarmog'ida sodir bo'layotgan jarayonlarni yaxshiroq 
tushunish uchun McCulloch va Pitts 1949 yilda neyronning matematik modelini ishlab chiqishgan va u 
hozir ham qo'llanilmoqda. Matematika jihatidan, sun'iy neyron odatda barcha kirish signallarining 
chiziqli kombinatsiyasi asosidagi bitta argumentning chiziqsiz funktsiyasi sifatida ifodalanadi. Bu 
funksiya faollashish funktsiyasi, otish funktsiyasi yoki neyronning uzatish funktsiyasi deb
ataladi. Olingan natija neyronning yagona chiqishiga Y yuboriladi. 

---

12.Tayanch vektorlar mashinasi: 
Mashinali o’rgatish usullarida o'rgatish jarayonida ko'pincha ma'lumotlar sonini qo'shish orqali xatolik 
funktsiyasini sezilarli darajada kamaytirish mumkin. Bu haddan tashqari o’rgatish deb ataladigan holatga 
olib keladi. Haddan tashqari o’rgatish - bu SNT yoki boshqa mashinalar juda ko'p ma'lumotlar bilan 
o'qitilgan va empirik xavfni kamaytirish uchun juda murakkab funktsiya tanlangan (barcha o'quv 
juftliklari bo'yicha hisoblangan taxminiy va kerakli natija o'rtasidagi yo'qotish vositalari) 
{x y, }Natijada, ko'pincha o'quv bosqichida juda yaxshi natijaga erishiladi, lekin mashina tomonidan 
sinov bosqichida yomon bahoga erishiladi. Bu holat SNTlarda kuzatiladigan hodisalardan 
biridir. Haddan tashqari moslashish muammosini hal qilishning eng oddiy usullaridan biri ma'lumotlarni 
tushuntirish uchun ishlatiladigan modelning murakkabligini kamaytirishdir 
12. Tayanch vektorlar klassifikatori, chiziqli ajraluvchi holat (qat’iy chegara): 
13. 
Chiziqli ajralmaydigan holat (yumshoq chegara):
Har doim ma'lumotlar to’plamidagi 
bir nechta xususiyatlarning o'xshashligi tufayli ma'lumotlarni chiziqli ravishda ajratib 
bo'lmaydigan holatlar mavjud. Biroq, chiziqli SVM muammoning yaxshi yechimini 
ta'minlay oladi, agar jarima funktsiyasi har bir sinfning noto'g'ri tasniflangan ma'lumotlari 
o'rtasidagi ( i) masofasini o'sha sinf chegarasidan o'lchash va aniqlash va 
minimallashtirilgan mumkin bo'lgan holatlarda (1.3-rasmga qarang). Bunday hollarda jarima
funktsiyasini quyidagicha aniqlash mumkin: 

---

14. Nochiziyli holat (yadro mashinasi): 
15. Tayanch vektorlar regressiyasi: 

---

17.Nochiziqli tayanch vektorli regressiya usuli: 

---

18 .Rekurrent neuron to’rlari. 
19. Klassterlash. KNN algoritmi: