logo
calendar30 Dekabr 2025
view11
Основной язык:Узбекский

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ПОЛНЫЙ АНАЛИЗ МЕТОДОВ ФОРВАРДНОГО РАСПРОСТРАНЕНИЯ, ФУНКЦИИ LOSS, ОБРАТНОГО РАСПРОСТРАНЕНИЯ И ГРАДИЕНТНОГО СПУСКА

Область науки:Искусственный интеллект
pdf

36._Narmanov_O.__Azimov....pdf

PDF

Научно электронный журнал "Цифровоя экономика"

Научно электронный журнал "Цифровоя экономика"

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
В области искусственного интеллекта и глубокого обучения обучение нейронной сети состоит из четырех основных этапов: прямого распространения (forward propagation), вычисления функции потерь (loss function), обратного распространения (backprop propagation) и метода градиентного спуска (gradient descent). В этой статье подробно рассмотрены математические основы нейронных сетей, теоретические и практические аспекты каждого этапа, формулы и алгоритмы. Математическими формулами проиллюстрированы процессы перемещения данных от входного слоя к выходному слою в процессе форвардного распространения, оценки ошибок с помощью функции Loss, вычисления градиентов с помощью алгоритма обратного распространения и обновления весов методом градиентного спуска. В статье также представлен сравнительный анализ различных функций активации, функций Loss и методов оптимизации.

АВТОРЫ

N.Otabek

"MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI" DAVLAT MUASSASASI

A.Murodjon

"MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI" DAVLAT MUASSASASI

A.Guzal

MIRZO ULUGʻBEK NOMIDAGI OʻZBEKISTON MILLIY UNIVERSITETI

Теги

# искусственный интеллект# нейронные сети# глубокое обучение# математическое моделирование# форвардное распространение# обратное распространение# градиентный спуск# функция Loss# методы оптимизации

ПОХОЖИЕ СТАТЬИ

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.142/A026-667343

DOI:

Недоступно

Список литературы

Burden R. L., Faires J. D., Numerical Analysis, 10th Edition, Brooks/Cole, 2015.

Karimov F. T., “Differensial tenglamalar va ularni hisoblash usullari”, Toshkent: Universitet, 2015.

J. R. Chasnov, “Numerical Methods,” The Hong Kong University of Science and Technology. Hong Kong. pp. 60, 2021.

Alex Lewandowski, Varun Ranganathan ZORB: A Derivative-Free Backpropagation Algorithm for Neural Networks. November 2020. https://www.researchgate.net/publication/346015130_ZORB_A_Derivative-Free_Backpropagation_Algorithm_for_Neural_Networks

Chirag Agarwal, Joe Klobusicky, Don Schonfeld Convergence of backpropagation with momentum for network architectures with skip connections. https://arxiv.org/pdf/1705.07404

A.G. Baydin, B.A. Pearlmutter, D. Syme, F. Wood, P. Torr. Gradients without Backpropagation. https://arxiv.org/abs/2202.08587

G. Kim, Y. Bak. Forward and Backpropagation-Based Artificial Neural Network Modeling Method for Power Conversion System. https://www.mdpi.com/2079-9292/14/23/4718

A.B. Yemberdiyeva A.B. Yemberdiyeva, I.C. Young, M. Symbat, B.M. Samat “Mathematics approach of the backprogation method for constructing artificial neural networks. https://journal.iitu.edu.kz/index.php/ijict/article/view/442

Annette Lopez. Neural Networks: The Backpropagation Algorithm. https://cklixx.people.wm.edu/teaching/math400/Annette-paper.pdf