Rekurrent to’rlar qudratov Akbar Akmal o’g’li

---

58 
REKURRENT TO’RLAR 

Qudratov Akbar Akmal o’g’li – 
Mirzo Ulug’bek 
nomidagi O’zbekiston Milliy universiteti Jizzax filiali 
 
Muxtorov Doston Naim o‘g‘li
–
 
Mirzo Ulug’bek 
nomidagi
 
O‘zbekiston Milliy universiteti Jizzax filiali , 
Assistant 
Annotatsiya. 
Rekurrent tarmoqlar, sun'iy neyro tarmoqlarining bir turi sifatida mavjud bo'lgan, 
ma'lumotlarning tez-tez takrorlanuvchi bo'g'liqlarini va vaqtni hisoblashni modellovchi 
usullardir. Bu turlar, ma'lumotlarning o'rtasida mavjud bo'g'liqlarni tahlil qilish va keyingi 
kelajak natijalarini hisoblashda foydalaniladi. Rekurrent tarmoqlar, takrorlanuvchi o'zaro aloqa 
uchun qaytarish qaytibora (feedback loop) ni ishlatadi.Asosiy turlardan biri "Rekurrent neyron 
tarmoqi" (RNN) deb nomlanadi. RNN'lar, o'rtasida aloqalar bo'lgan ma'lumotlar ustida ishlov 
berish uchun o'zaro bog'liqlikni saqlaydigan qaytarish qaytiboraga ega. Bu bog'liqlik, 
tarmoqning avvalgi tashqariga ma'lumotlarni qaytarib berishiga imkon beradi, shuningdek, 
umumiy natijani hisoblash jarayonida avvalgi natijalarni ham qo'llaydi.
 
Kalit so’zlar: 
Sun'iy neyron tarmoqi ,Ma'lumotlar o'qish,Ma'lumotlarni tahlil qilish,Tahlil, 
Rekurrent, Riyoziy,Algebra,Geometriya,Analiz,Statistika,Ehtimollik. 
"Rekurrent torlar" ifadasi, "Takrorlaydigan tizimlar" deb tarjima qilinadi. Bu turlar, 
ma'lumotlarni bir-biriga bog'liqliklarni va vaqtni hisoblashda ishlatiladigan sun'iy neyro 
tarmoqlarini anglatadi.Rekurrent torlar, ma'lumotlar o'rtasida takrorlanuvchi munosabatlar va 
vaqtni hisoblashda ishlatiladi. Ushbu turlar, ko'plab riyoziy va mahsulotlarni o'rganish va 
boshqalar kabi vazifalarda ishlatiladi.Riyoziy, matematik va sonlar hisoblash bilan bog'liq bir so'z. 
Ushbu so'z matematikiy tadqiqotchilar, hisobchi va turli sohalar bilan bog'liq ishlarni ifodalash 
uchun ishlatiladi. Riyoziy, sonlar, belgilar, formulalar va matematikiy aloqalardan foydalanib 
muammolarni yechish, modellar yaratish va ma'lumotlarni tahlil qilish maqsadini taqdim 
etadi.Riyoziyning asosiy maqsadi, matematik mantigini va hisoblash qobiliyatlarini foydalanib, 
haqiqiy dunyodagi muammolarni tushunish va hal qilishdir. Ushbu so'z, matematikiy tasavvurlarni, 
hisoblash usullarini va analitik fikrlashni foydalanib, miqdoriy va sifatli ma'lumotlarni o'rganish, 
tushunish va ta'riflash maqsadida ishlatiladi.Riyoziyning turli bo'limlari mavjud, masalan: 
1.
Algebra: Sonlar va belgilarni foydalanib, matematikiy ifodalar ustida amallar 
bajarish bilan shug'ullanadi. 
2.
Geometriya: Shakllarning xususiyatlari va o'rtasidagi aloqalar bilan shug'ullanadi. 
3.
Analiz: Funksiyalar va o'zgaruvchilarning xulqini o'rganish bilan bog'liq, 
chegaralarni, differentsiyal va integrallar kabi kavramlar bilan shug'ullanadi. 
4.
Statistika: Ma'lumotlarni to'plash, tahlil qilish, ta'riflash va natijalarni olish 
jarayonlarida foydalaniladi. 
5.
Ehtimollik: Noaniqlik bilan shug'ullanadi va kelajak hodisalarining ehtimolliklarini 
va tarqalishlarini o'rganadi. 
6.
Eng umumiy turlardan biri "Rekurrent neyron tarmoqi" (RNN) deb nomlanadi. 
RNN'lar qaytarish qaytibora bilan ishlaydi va oldingi bosqichlar bilan aloqani saqlaydi. 
Ushbu qaytibora, keyingi bosqichlarda yagona natijani olish uchun ishlatiladi.Boshqa bir 
rekurrent tarmoq turi "Uzoq Qisqa Muddatli Xotira" (LSTM) deb nomlanadi. LSTM'lar, RNN'lar 
umumiy strukturasi bilan bir xil bo'lib, mahsus qotiralar tuzilmasi orqali qo'shimcha xotira va 
vaqtga bog'liqlikni modellelaydi.Rekurrent tarmoqlar, til ishlash, matn generatsiyasi, tarjima, 
gaplashish sintezi kabi vazifalarda muvaffaqiyatli qo'llanilgan. Bundan tashqari, vaqt seriyasi 
tahlili, video ishlash va ovoz taniqlik kabi sohalarda ham keng tarqalganroq ishlatiladi.Rekurrent 
tarmoqlar, turli sohalarda muvaffaqiyatli qo'llaniladi. Masalan, til ishlash vazifalarida matn tahlili, 
tarjima va matn generatsiyasini o'rganishda foydalaniladi. Ushbu tarmoqlar, ma'lumotlarning tez-
tez takrorlanishiga qo'ra so'zlar va gaplar o'rtasidagi bog'liqni tahlil qilishda yordam beradi. 

---

59 
Shuningdek, rekurrent tarmoqlar vaqt seriyasini o'rganishda ham muvaffaqiyatli bo'lib, sifatli 
natijalar olish imkonini beradi. Bu, misol uchun finansiyal sohada hisobotlarni prognozlash, ovoz 
va so'z taniqlikda maqollarini tahlil qilish va musiqa generatsiyasini o'rganish kabi vazifalarda 
foydalanish 
imkonini 
beradi.
Rasm 1 
Boshqa bir rekurrent tarmoq turi "Uzoq Qisqa Muddatli Xotira" (LSTM) deb nomlanadi. 
LSTM'lar, RNN'largacha o'xshash 
bo'lsa-da, qo'shimcha qotiralar tuzilmasi 
orqali 
o'zgaruvchanligi yuqori darajada hisoblash imkonini beradi. Bu qotiralar, uzun muddatli 
bog'liqliklarni o'rganish va o'zgaruvchanligi sifatida ma'lumotlarni saqlashda muhim rol o'ynaydi. 
Rekurrent neyron tarmoqlar 
Rekurrent neyron tarmoqlarni (chapda) va oldinga uzatiladigan neyron tarmoqlarini (o'ngda) 
taqqoslash Takroriy tarmoqlarning yana bir ajralib turadigan xususiyati shundaki, ular tarmoqning 
har bir qatlami bo'ylab parametrlarni almashadilar. Oldinga yo'naltirilgan tarmoqlar har bir tugun 
bo'ylab turli og'irliklarga ega bo'lsa-da, takroriy neyron tarmoqlar tarmoqning har bir qatlamida 
bir xil og'irlik parametrini bo'lishadi. Ya'ni, bu og'irliklar hali ham o'rganishni kuchaytirish uchun 
orqaga tarqalish va gradient tushish jarayonlarida sozlanadi. Takroriy neyron tarmoqlar 
gradientlarni aniqlash uchun vaqt bo'yicha orqaga tarqalish (BPTT) algoritmidan foydalanadi, bu 
ma'lumotlar ketma-ketligiga xos bo'lganligi sababli an'anaviy orqaga tarqalishdan bir oz farq qiladi. 
BPTT printsiplari an'anaviy orqaga tarqalish bilan bir xil bo'lib, bu erda model chiqish qatlamidan 
kirish qatlamigacha bo'lgan xatolarni hisoblash orqali o'zini o'zi o'rgatadi. Ushbu hisob-kitoblar 
bizga model parametrlarini mos ravishda moslashtirish va moslashtirish imkonini beradi. BPTT 
an'anaviy yondashuvdan farq qiladi, chunki BPTT har bir bosqichda xatolarni yig'adi, va oldinga 
uzatish tarmoqlari xatolarni yig'ishga hojat yo'q, chunki ular har bir qatlam bo'ylab parametrlarni 
baham ko'rmaydi. 
Rekurrent torlar haqida qo'shimcha ma'lumotlar berayotgan bo'lsak, ular bilan bog'liq turli 
qo'shimcha qavramlardan bir necha misollar keltirishim mumkin: 
•
Tushib qoluvchi(Dropout): Rekurrent tarmoqlarda qo'shimcha yutuqlar ishlatilishi 
mumkin, masalan, qarıştiruvchi. Bu, bir nechta rekurrent tarmoqning yutuq sohasidagi o'zaro 
aloqalarni umuman bekor qilish orqali, overfittingni oldini olishda yordam beradi. Qarıştiruvchi, 
tarmoqlarning o'rganish va generalizatsiya qobiliyatini oshirishda foydalaniladi. 
•
Ro'yxatlash (Batch Normalization): QRo'yxatlash, rekurrent tarmoqlarda 
ma'lumotlarni normalizatsiya qilish usulidir. Ushbu tekshiruv, tarmoqlarda tashqi ma'lumotlarni 
o'rtasida ko'pincha o'zaro aloqani kamaytirib, tarmoqning o'rganishni tezlashtirishini va 
stabilizatsiyalashni ta'minlaydi. 
•
Uzoqlik Asosida Sintez (Sequence-based Generation): Rekurrent tarmoqlarda 
uzoqlik asosida sintez, berilgan boshlang'ich holatdan boshlab o'zgaruvchan jadvalini generatsiya 
qilishda foydalaniladi. Bu, tarmoqning oldingi bosqichlar bilan o'zaro bog'liqni saqlab qolish 

---

60 
imkonini beradi va ma'lumotlarni kelajakda tahminlash uchun ishlatiladi. Tizimli Qo'shimcha 
Tarmoq (Stacked Recurrent Network): Tizimli qo'shimcha tarmoqlar, bir nechta rekurrent 
tarmoqning o'zaro bog'liq tuzilmasidir. Ushbu tuzilma, tarmoqlarning murakkab modelini 
yaratishda yordam beradi va ma'lumotlarni ko'plab bosqichlarda tahlil qilishni imkon qiladi. 
•
RNN Va CNN Ishlatish (Combining RNN and CNN): Rekurrent tarmoqlar va 
konvolutsiya neyron tarmoqlari (CNN) birgalikda ishlatilishi mumkin. 
Rasm 2 
Bu usul, rekurrent tarmoqlarning qaytarish qaytiborasini tashqariga chiqarish va CNN'ning o'ziga 
xos tizimlari bilan obrazlarni tahlil qilishda foydalaniladi. Bu kombinatsiya, rasm, matn yoki 
ovozni tahlil qilish va tuzishda yuqori natijalar olishda muvaffaqiyatli bo'ladi.