NEYRON TO’RLARI TOPOLOGIYASINI TANLASHDA GENETIK ALGORITMLAR
##semicolon##
Нейронные сети, выбор топологии, генетический алгоритм, популяция, мутация, отбор, кодирование решения, функция активации, выбор нового поколения, автоматизация, ограничения и проблемы.##common.commaListSeparator## Neural networks, topology selection, genetic algorithm, population, mutation, selection, solution coding, activation function, selection of new generation, automation, constraints and problems.##common.commaListSeparator## Neyron tarmoqlari,topologiya tanlash,genetik algoritm,populyatsiya ,mutatsiya,tanlov,yechimni kodlash,faollashtirish funksiyasi ,yangi avlodni tanlash,avtomatlashtirish,cheklovlar va muammolar.Abstrak
Neyron tarmoqlari (NT) sun'iy intellekt va mashinani o'rganish sohalarida keng qo'llaniladigan kuchli modellardir. Ularning samarali ishlashi uchun to'g'ri topologiya, ya'ni qatlamlar soni, neyronlar soni, va ulanishlar strukturasini tanlash zarur. Biroq, optimal topologiyani qo'lda aniqlash juda murakkab va vaqt talab etadi. Shu sababli, neyron tarmoqlarining optimal topologiyasini topishda genetik algoritmlar (GA) kabi evolyutsion metodlar keng qo'llaniladi.
Neural networks (NNs) are powerful models widely used in the fields of artificial intelligence and machine learning. For their effective operation, it is necessary to choose the right topology, that is, the number of layers, the number of neurons, and the structure of connections. However, manual determination of the optimal topology is complex and time-consuming. Therefore, evolutionary methods such as genetic algorithms (GA) are widely used to find the optimal topology of neural networks.
Нейронные сети (НС) — это мощные модели, широко используемые в области искусственного интеллекта и машинного обучения. Для их эффективной работы необходимо правильно выбрать топологию, то есть количество слоев, количество нейронов и структуру связей. Однако определение оптимальной топологии вручную является сложным и трудоемким процессом. Поэтому для поиска оптимальной топологии нейронных сетей широко используются эволюционные методы, такие как генетические алгоритмы (ГА).
##submission.citations##
FOYDALANILGAN ADABIYOTLAR
1. Elmasri, R., & Navathe, S. B. (2017). Fundamentals of Database Systems. Pearson.
2. Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. John Wiley & Sons.
3. Loshin, D. (2012). Business Intelligence: The Savvy Managerʼs Guide. Morgan Kaufmann.
4. Inmon, W. H. (2005). Building the Data Warehouse. Wiley.
5. Chen, M., Chiang, R. H., & Storey, V. C. (2012). "Business Intelligence and Analytics: From Big Data to Big Impact." MIS Quarterly, 36(4), 1165-1188.
6. Sandler, M., & Graefe, G. (2020). Query Optimization Techniques in Database Systems. Springer.
7. Moss, L. T., & Atre, S. (2003). Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications. Addison-Wesley.
8. Ritchie, J., Lewis, J., & Elam, G. (2003). Designing and Selecting Samples for Business Intelligence Research. Sage Publications.
9. Cahill, J. (2019). The BI Analystʼs Handbook. Independently published.
10. Tojimamatov, I. N., Topvoldiyeva, H., Karimova, N., & Inomova, G. (2023). GRAFIK MA'LUMOTLAR BAZASI. Евразийский журнал технологий и инноваций, 1(4), 75-84.
11. Nurmamatovich, T. I., & Azizjon o’g, N. A. Z. (2024). The SQL server language and its structure. American Journal of Open University Education, 1(1), 11-15.
12. Nurmamatovich, T. I. (2024). MY SQL MISOLIDA LOYIHA YARATISH. Ta'limda raqamli texnologiyalarni tadbiq etishning zamonaviy tendensiyalari va rivojlanish omillari, 31(2), 82-90.
13. Ro’zimatov, J. I., & Nurmamatovich, T. I. (2024). SQL tili tarixi, vazifasi, turlari va rejimlari.
14. Nurmamatovich, T. I. (2024). NORMALLASHTIRISH. NORMAL FORMALAR. worldly knowledge conferens, 7(2), 597-599.
15. Isroil, T. (2023). NOSQL MA'LUMOTLAR BAZASI: TANQIDIY TAHLIL VA TAQQOSLASH. IJODKOR O'QITUVCHI, 3(28), 134-146.
