ЎЗБЕКИСТОН РЕСПУБЛИКАСИ ОЛИЙ ВА ЎРТА МАХСУС ТАЪЛИМ ВАЗИРЛИГИ МУҲАММАД АЛ-ХОРАЗМИЙ НОМИДАГИ ТОШКЕНТ АХБОРОТ ТЕХНОЛОГИЯЛАРИ УНИВЕРСИТЕТИ “ТАСДИҚЛАЙМАН” “КЕЛИШИЛДИ” ТАТУ ректори Олий ва ўрта махсус таълим вазирлиги ____________Т.З.Тешабаев ___________________ 202__ йил «___»___________ 202__«___» ____________ Рўйҳатга олинди: №_______________ 202__«___» ______ СУНЪИЙ ИНТЕЛЛЕКТ ВА НЕЙРОН ТАРМОҚЛАРИ ФАН ДАСТУРИ Билим соҳaси: 300000 – Ишлаб чиқариш-техник соҳа Таълим соҳаси: 330000 – Компьютер технологиялари ва информатика 350000 – Алоқа ва ахборотлаштириш, телекоммуникация технологиялари Таълим йўналишлари: 5А350902 5А330205 5A330701 5A330504 5А330503 5А350903 5A330301 5A330302 5A330501 5A330502 5A330601 5А350302 5A350301 5A350303 5А350702 5А350901 5A351002 5A351001 5A350602 5A350501 5A350104 5A350801 5A350101 – – – – – – – – – – – – – – – – – – – – – Интеллектуал ахборот-коммуникация тизимлари Геоахборот тизимлари ва технологиялари Сунъий интеллект Маълумотлар илми (Data Science) Тиббиётда компьютер тизимлари Сунъий йўлдошли алоқа тизимлари Криптография ва криптоанализ; Ахборот хавфсизлиги; Компьютер инжиниринги; “Электрон хукумат” тизимини бошкариш; Дастурий инжиниринг; Электрон тижорат; АКТ соҳасида иқтисодиёт ва менежмент; Рақамли иқтисодиёт; Антенналар ва ўта юқори частотали қурилмалар; Мобиль алоқа тизимлари; Видеотехнологиялар; Аудиотехнологиялар; Электрон кутубхона ва архивлар; Почта хизматини ташкил этиш ва технологияси; Телекоммуникация тизимлари ва тармокларида ахборот хавфсизлиги; – Телевидение, радиоалоқа ва радиоэшиттириш қурилмалари ва тизимлари; – Телекоммуникация инжиниринги; Фан/модуль коди AI-NN 101 Фан/модуль тури Мажбурий 1. Фаннинг номи Ўқув йили Семестрлар 2020-2021 3 Таълим тили Ўзбек/рус ECTS-Кредитлар 4 Ҳафтадаги дарс соатлари 2 Аудитория машғулотлари Мустақил Жами (соат) таълим юклама (соат) (соат) Сунъий интеллект ва 30 90 120 нейрон тармоқлари 2. I. Фаннинг мазмуни Фанни ўқитишдан мақсад – талабаларга сунъий интеллект тизимларини ишлаб чиқиш технологиялари ва нейрон тармоқларининг усул, модел ва алгоритмик-дастурий воситаларини ўргатиш ҳамда уларни амалиётда татбиқ этиш кўникмасини ҳосил қилишдан иборат. Фаннинг вазифаси - фан талабаларни назарий билимлар, амалий кўникмалалар, сунъий интеллект тизимларини қуришнинг замонавий усул ва воситаларини шакллантириш вазифаларини бажаради. II. Асосий назарий қисм (маъруза машғулотлари) II.I. Фан таркибига қўйидаги мавзулар киради: 1-мавзу. Сунъий интеллектга кириш. Асосий тушунчалар ва соҳаларда қўлланилиши. Кириш. Фаннинг асосий мазмунини келтириш. Сунъий интеллектнинг асосий хусусиятлари ва имкониятлари. Компьютер кўриши ва овозни таниш тизимлари. Python дастурлаш муҳитлари. 2-мавзу. Маълумотлар ва билимлар бизаси. Билимларни ифодалаш моделлари. Маълумотлар ва билимлар бизаси. Билимлар турлари ва уларнинг қўлланилиши. Билимларни қуриш структураси ва босқичлари. Маълумот-ахборот-билим. Билимларни ифолалаш моделлари. Билимлар базасини ишлаб чиқиш усуллари 3-мавзу. Билимларни тақдим этиш. Мантиқий, продукцион ва фрейм модел. Билимлар интерпретатори. Билимларни ифодалаш моделлари. Билимларни тақдим этиш. Мантиқий, продукцион ва фрейм модел. Билимлар интерпретатори. Қарор қабул қилиш тизимлар хусусиятлари. Чиқариш машинаси ва механизми. 2 4-мавзу. Норавшан мантиқ назарияси. Норавшанлик тушунчаси. Норавшан мантиқ асосий хусусиятлари ва имкониятлари. Мантиқий ўзгарувчилар. Норавшан тўпламлар. Fuzzy CLIPS. Норавшан тўпламлар устида амаллар ва уларнинг хоссалари. Тегишлилик функциясини ҳисоблаш. Тегишлилик функциясининг график ифодаланиши. 5-мавзу. Эксперт тизимлари ва уларнинг турлари. Эксперт тизимлар тушунчаси, асосий хусусиятлари ва уларнинг турлари. Эксперт тизимларининг асосий компаненталари. Эксперт ва билимлар инжинери. Эксперт тизимларининг умумий тузулиши. Фойдаланувчининг интелектуал интерфейси. Эксперт тизимларида норавшан мантиқнинг қўлланилиши. Норавшан мантиқ архитектураси. Норавшан мантиқ ишлатиладиган эксперт тизимлари. 6-мавзу. Машинали ўқитиш тушунчаси. Асосий тушунчалар. Сунъий интеллект тизимларида машинани ўқитиш тушунчаси. Машинани ўқитиш тизимлар турлари. Машинани ўқитишнинг асосий муаммолари. Ўқитиш масаласи. Машинани ўқитиш жараёнининг босқичлари. Машинали ўқитиш турлари. 7-мавзу. Машинали ўқитиш усуллари ва алгоритмлари. Регрессия ва классификация. Машинали ўқитиш алгоритмлари. Ўқитиш моделлари. Ўқитувчили ва ўқитувчисиз ўқитиш. Чизиқли регрессия. Функциянинг локал минимумини қидириш алгоритми. Машинани ўқитиш усуллари ва алгоритмлари. Регрессия ва классификация. Чизиқли ва полиномиал моделлар. 8-мавзу. Сунъий нейрон тармоқлари ва унинг асосий вазифаси. Сунъий нейрон тармоқлари ва унинг элементлари. Нейрокомпьютерлар. Персептрон. Кўп қатламли персептрон. Нейрон тармоқларни қўлланиш соҳалари. Тимсолларни таниш тизимлари. Нутқни ва тасвирларни таниб олиш масалаларида нейрон тармоқ моделлари ва алгоритмлари. 9-мавзу. Нейрон тармоқларининг турлари ва уларнинг ишлаш тамойиллари. Нейрон тармоқларининг турлари ва уларнинг ишлаш тамойиллари. Нейрон тармоқларидаги ҳисоблашларнинг математик асослари. Активлаштириш функциялари. Логистик регрессия. Кучайтриш коэфициенти. Кўп қатламли нейрон тармоқлари ва уларни ўқитиш масалалари. 3 10-мавзу. Нейрон тармоқларини ўқитиш. Масалаларни нейрон тармоқлар асосида ечиш. Нейрон тармоқларини ўқитиш. Нейрон тармоқларини дастурлаш учун кутубхона ва фреймворклар. Кўп қатламли нейрон тармоқлари ва уларни ўқитиш масалалари. 11-мавзу. Нейрон тармоқлари ва чуқур ўқитиш алгоритмлари. Чуқур ўқитиш масаласи ва унинг турлари. Кўп қатламли нейрон тармоқлари асосида чуқур ўқитиш масаласини ечиш. Тасвирларда синфлаштириш масаласини ечишда чуқур ўқитиш имкониятидан фойдаланиш. Чуқур ўқитиш босқичлари. Чуқур ўқитиш нейрон тарсоғи турлари (CNN, RNN, LSTM). 12-мавзу. Python/Matlab дастурий воситасининг сунъий интеллектда қўлланиладиган кутубхоналари (numpy, scipy, keras, pandas, tensorflow). Ахборотни қайта ишлаш тизимларининг асосий хусусиятлари ва қўлланилиши. Python дастурлаш муҳитига кириш. Python дастурлаш тилларининг асосий конструкциялари, улранинг ташкил этувчилари ва улар асосида яратиладиган дастур структураси. Python / numpy дастурий воситасининг сунъий интеллектда қўлланилиши. Массивлар билан ишилаш учун NumPy пакетидан фойдаланиш, маълумотларнинг интеллектуал таҳлилида scipy, pandas, keras пакетларини ишлатиш ва тадбиқ қилиш. III. Ўқув режада амалий ва лаборатория машғулотлари назарда тутилмаган. IV. Мустақил таълим ва мустақил ишлар Мустақил таълим учун тавсия этиладиган мавзулар: 1. Сунъий интеллектнинг амалий соҳалари таҳлили 2. Интеллектуал агентларнинг турлари 3. Қидирув алгоритмлари ва оптималлаштириш масалалари 4. Ўйинларда сунъий интеллект элементларини қўллаш 5. Билимлар базаси турлари. Эксперт тизимларида билимлар базасидан фойдаланиш 6. Эксперт тизимларнинг қўлланилиш соҳалари 7. Ноаниқликларни тақдим этиш учун шартли эҳтимоллик: афзаллик ва камчиликлари 8. Норавшан тўпламлар устида амаллар ва уларнинг хоссалари 9. Норавшан мантиқда ишончлилик коэффициентлари 10.Сунъий нейрон тармоқлари модели 11.Нутқни таниб олиш масалаларида нейрон тармоқ моделлари ва алгоритмлари 4 12.Вақтли қаторларни башоратлашда нейрон тармоқ моделлари ва алгоритмлари 13.Тасвирларни таниб олиш масалаларида нейрон тармоқ моделлари ва алгоритмлари 14.Оптималлаштириш масалаларида генитик алгоритмнинг қўллаш 15.Нейрон тармоқларини ўқитиш учун генетик алгоритмдан фойдаланиш 16.Машинани ўқитиш моделлари. Чизиқли ва полиномиал моделлардан фойдаланиш 17.Нейрон тармоқларида CNN (Convolutional Neural Networks) усулидан фойдаланиш 18.TensorFlow пакети асосида машинани ўқитиш моделлари 3. V. Фан ўқитилишнинг натижалари (шакилланадиган компетенциялар) Фанни ўзлаштириш натижасида талаба: сунъий интеллект тизимлари ва уларни қуришнинг замонавий усул ва воситалари ҳақида тасаввурга эга бўлиши; норавшан мантиқ, билимларни ифодалаш моделлари, машинани ўқитишни самарали ташкил этиш бўйича билимларни шакллантириш, акс эттириш ва қайта ишлаш усул, модел ва алгоритмларини билиши ва улардан фойдалана олиш; чуқур ўқитиш воситалари, нейрон тармоқлари усул ва алгоритмларини ўрганиш ҳамда улардан мураккаб тузилмали характерга эга бўлган масалаларни ечиш; сунъий интеллект элементларини ташкил этиш учун тимсолларни таниб олиш ва табиий тилни тушунишга йўналтирилган усул, модел ва алгоритмларни ўрганади ҳамда уларга асосланган ҳолда амалий масалаларга қўллаш; эксперт тизимлари тамойилларини ўзлаштириб, эксперт тизимларини лойиҳалаш кўникмаларига эга бўлиши керак. 4. VI. Таълим технологиялари ва методлари: маърузалар; интерфаол кейс-стадилар; гуруҳларда ишлаш; тақдимотларни қилиш; индивидуал лойиҳалар; жамоа бўлиб ишлаш ва ҳимоя қилиш учун лойиҳалар. 5. VII. Кредитларни олиш учун талаблар: Фанга оид назарий ва услубий тушунчаларни тўла ўзлаштириш, таҳлил натижаларини тўғри акс эттира олиш, ўрганилаётган жараёнлар хақида мустақил мушоҳада юритиш ва жорий, оралиқ назорат шаклларида берилган вазифа ва топшириқларни бажариш, якуний назорат бўйича ёзма ишни топшириш. 5 6. Асосий адабиётлар 1. Aurelien Geron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow Concepts, Tools, and Techniques to Build Intelligent Systems, Second edition, 2019, 510 pages. 2. Жуков Л.А., Решетникова Н.В. Приложения нейронных сетей: Учебное пособие для студентов, учащихся лицея и ЗПШНИ / Л. А. Жуков, Н. В. Решетникова. Красноярск: ИПЦ КГТУ, 2007. 154 с. 3. Stuart Russell and Peter Norvig, (2002), Artificial Intelligence: A Modern Approach//Prentice Hall, Chapter 1-27, page 1-1057. Қўшимча адабиётлар 4. Мирзиёев Ш.М. Буюк келажагимизни мард ва олижаноб халқимиз билан бирга қурамиз. Тошкент. «Ўзбекистон», НМИУ, 2017. – 488 б. 5. Мирзиёев Ш.М. Қонун устуворлиги ва инсон манфаатларини таъминлаш – юрт тараққиёти ва халқ фаровонлигининг гарови. Тошкент. «Ўзбекистон», НМИУ, 2017. – 48 б. 6. Мирзиёев Ш.М. Эркин ва фаровон, демократик Ўзбекистон давлатини биргаликда барпо этамиз. Тошкент. «Ўзбекистон», НМИУ, 2016. – 56 б. 7. Heidelberg, S. B. (2005). Introduction to Machine Learning Using Neural Nets. Retrieved on 9/02/2015 from http://link.springer.com/chapter/10.1007/3-540-27335-2_7 8. М. Тим Джонс Программирование искусственного интеллекта в приложениях // Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312 с. 9. Галушкин А. И. Нейронные сети: основы теории. – М.: Горячая линия–. Телеком, 2012. – 496 с.: ил. ISBN 978-5-9912-0082-0 10. Mano, C. (2014). Examples of artificial neural network. Retrieved on June, 2014 from http://www.ehow.com/print/about_5585309_definitionneural-networks.html Ахборот манбалари 11. https://en.wikipedia.org/wiki/Artificial_intelligence 12. https://www.sciencedaily.com/news/computers_math/artificial_ intelligence/ 13. https://en.wikipedia.org/wiki/Artificial_neural_network 14. http://neuralnetworksanddeeplearning.com 6 7. Фан дастури Олий ва ўрта махсус, касб-ҳунар таълими йўналишлари бўйича ўқув-услубий бирлашмалар фаолиятини Мувофиқлаштирувчи Кенгашнинг 202__ йил “___”________ даги “___” – сонли баённомаси билан маъқулланган. Ўзбекистон Республикаси Олий ва ўрта махсус таълим вазирлигининг 202__ йил “___”________ даги “___” – сонли буйруғи билан маъқулланган фан дастурларини таянч олий таълим муассасаси томонидан тасдиқлашга розилик берилган. 8. Фан/модул учун масъуллар: Мусаев М.М. - Муҳаммад ал-Хоразмий номидаги ТАТУ «Компьютер тизимлари» кафедраси профессори, т.ф.д. Кучкоров Т.А. - Муҳаммад ал-Хоразмий номидаги ТАТУ «Компьютер тизимлари» кафедраси доценти, Ph.D. Рахимов М.Ф. - Муҳаммад ал-Хоразмий номидаги ТАТУ «Компьютер тизимлари» кафедраси доценти, Ph.D. 9. Тақризчилар: Севинов Ж.У. – ТДТУ «Ахборотларга ишлов бeриш ва бошқариш тизимлари кафeдраси» кафедраси мудири, техника фанлари доктори. Каххаров А.А. – Муҳаммад ал-Хоразмий номидаги ТАТУ «Компьютер тизимлари» кафедраси доценти, техника фанлари номзоди. 7 8