Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
289
Тасвирдаги объектлар чегараларининг аниқланиши қайта ишланиши керак бўлган
маълумотлар ҳажмини камайтириш билан бирга, тасвирдаги объектларнинг шакли
ҳақидаги маълумотларни ҳам тақдим этади.
Фойдаланилган адабиётлар
1.
ГОНСАЛЕС, Рафаель и Ричардс ВУДС.
Цифровая обработка изображений
. – М.:
Техносфера, 2012. – 797 с.
2.
БОРИСОВ,
Е.
О
задаче
поиска
объекта
на
изображении
.
Часть 1: Базовые методы. http://mechanoid.su/cv-image-detector.html
3.
Хашимов А. Тиббиёт тасвирларида объектларни контурининг шакли асосида
ажратиш
алгоритмлари.
Республиканской
научно-технической
конференции
«Современное состояние и перспективы применения цифровых технологий и
искусственного интеллекта в управлении» (Ташкент, 6-7 сентября 2021 г.) 267-273 л
4.
Мирзаев Н.М., Жумаев Т.С., Махкамов А.А. Алгоритмы сегментации цветных
изображений, основанные на выделение сильносвязанных элементов //Исследования
технических наук: – Россия. – № 4. 2015. –112 С. 22-27.
5.
Шапиро Л., Стокман Дж. Компьютерное зрение. Москва. Бином 2006.-762 c.
6.
Jiménez-del Toro O. A., Müller H. Hierarchic Multi–atlas Based Segmentation for
Anatomical Structures: Evaluation in the VISCERAL Anatomy Benchmarks // Medical Computer
Vision: Algorithms for Big Data / ed. by B. Menze, G. Langs, A. Montillo, M. Kelm, [et al.].
Cham: Springer International Publishing, 2014. Pp. 189–200.
7.
Danilov A., Pryamonosov R., Yurova A. Image segmentation techniques for biomedical
modeling: Electrophysiology and hemodynamics // ECCOMAS Congress 2016 - Proceedings of
the 7th European Congress on Computational Methods in Applied Sciences and Engineering. Vol.
1. Athens : National Technical University of Athens, 2016. Pp. 454–461.
SUN’IY INTELLEKT MUAMMOLARINI HAL QILISHDA ALGORITMLASH
MASALALARI
Djurayeva Buvsara Abdumannonovna
Jizzax davlat pedagogika universiteti Informatika va raqamli ta’lim texnologiyalar
kafedrasi p.f.f.d (PhD)., v.b. dotsenti
Annotatsiya:
Ushbu maqolada sun’iy intellekt (SI) muammolarini hal qilishda
algoritmlarning o‘rni va ularning samaradorligini oshirish usullari haqida so‘z yuritiladi. SI
tizimlarida qo‘llaniladigan asosiy algoritmik yondashuvlar tahlil qilinadi hamda ularning
afzalliklari va cheklovlari yoritiladi. Maqolada ilg‘or adabiyotlardan foydalanilgan bo‘lib, ular
sun’iy intellekt algoritmlarining nazariy va amaliy jihatlarini o‘rganishga yordam beradi.
Kalit so‘zlar:
Sun’iy intellekt (SI), algoritmlar, mashinani o‘rganish, chuqur o‘rganish,
genetika algoritmlari, Data science (ma’lumotlar fanlari), o‘rganish darajasi, optimallashtirish,
texnik yondashuvlar, tasniflash, muammolarni hal qilish, Innovatsiyalar.
ПРОБЛЕМЫ АЛГОРИТМИЗАЦИИ ПРИ РЕШЕНИИ ЗАДАЧ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Аннотация:
В данной статье рассматривается роль алгоритмов в решении задач
искусственного интеллекта (ИИ) и способы повышения их эффективности. Будут
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
290
проанализированы основные алгоритмические подходы, используемые в системах (ИИ), а
также освещены их преимущества и ограничения. В статье использована передовая
литература, которая поможет изучить теоретические и практические аспекты алгоритмов
искусственного интеллекта.
Ключевые слова:
Искусственный интеллект (ИИ), алгоритмы, машинное обучение,
глубокое обучение, генетические алгоритмы, наука о данных (наука о данных), уровень
обучения, оптимизация, технические подходы, классификация, решение проблем,
инновации.
ALGORITHMIZATION PROBLEMS IN SOLVING ARTIFICIAL
INTELLIGENCE PROBLEMS
Annotation:
This article examines the role of algorithms in solving artificial intelligence
(AI) problems and ways to increase their effectiveness. The main algorithmic approaches used in
systems (AI) will be analyzed, as well as their advantages and limitations will be highlighted. The
article uses advanced literature that will help to study the theoretical and practical aspects of
artificial intelligence algorithms.
Keywords:
Artificial intelligence (AI), algorithms, machine learning, deep learning, genetic
algorithms, data science (data science), learning level, optimization, technical approaches,
classification, problem solving, innovation.
Sun’iy intellekt tizimlari turli sohalarda keng qo‘llanilib, inson faoliyatini optimallashtirish
va avtomatlashtirishga yordam bermoqda. SI muammolarini samarali hal qilish uchun
algoritmlash muhim ahamiyatga ega bo‘lib, u intellektual tizimlarning asosiy tarkibiy qismi
hisoblanadi. Maqolada SI muammolarini hal qilishda qo‘llaniladigan asosiy algoritmik
yondashuvlar, ularning afzalliklari va kamchiliklari ko‘rib chiqiladi.
Sun’iy intellektda qo‘llaniladigan algoritmik yondashuvlar
Geniq qidiruv (Brute-force search
)
– barcha mumkin bo‘lgan echimlarni tekshirib
chiqadigan sodda, ammo resurs talab qiluvchi usuldir. Ushbu algoritm berilgan muammoni har
tomonlama ko‘rib chiqib, barcha kombinatsiyalarni sinab ko‘radi va eng yaxshi natijani topadi.
Masalan, shaxmatda barcha mumkin bo‘lgan yurishlarni hisoblab chiqish yoki maxsus kodlarni
buzishda ishlatiladi. Biroq, uning asosiy kamchiligi – hisoblash murakkabligining eksponensial
o‘sishidir, ya’ni n elementli muammo uchun
O(n!)
yoki
O(2^n)
murakkablik darajasiga ega
bo‘lishi mumkin. Shuning uchun geniq qidiruv kichik o‘lchamli muammolar uchun samarali
bo‘lsa-da, katta o‘lchamli muammolarda evristik yoki optimallashtirilgan yondashuvlar talab
etiladi. [1, 97-112 p].
Evristik qidiruv (Heuristic search)
– maqsadga tezroq yetish uchun muammoning ayrim
muhim xususiyatlaridan foydalanadigan yondashuvdir. U katta qidiruv maydoniga ega bo‘lgan
muammolarni yechishda samarali bo‘lishi mumkin, chunki barcha mumkin bo‘lgan yo‘llarni
tekshirish o‘rniga, eng istiqbolli yo‘llarga e’tibor qaratadi.
Evristik qidiruv algoritmlari quyidagi usullarga asoslanadi:
Greedy Best-First Search
– har bir qadamda eng yaxshi deb baholangan yo‘l bo‘ylab
harakatlanadi.
A (A-Star) algoritmi
* – eng yaxshi deb baholangan yo‘lni tanlashda hozirgi narx va kelajak
narxning taxminiy bahosini birlashtiradi.
Simulated Annealing
– global optimal echimni topish uchun tasodifiy o‘zgarishlardan
foydalanadi.
Ushbu algoritmlar real hayotdagi yo‘l topish, o‘yin dasturlarini optimallashtirish, tibbiyotda
tashxis qo‘yish va boshqa ko‘plab sohalarda qo‘llaniladi[1, 97-112 p].
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
291
Mashinani o‘rganish (Machine Learning) algoritmlari
Mashinani o‘rganish (Machine Learning) algoritmlari sun’iy intellektning muhim tarmog‘i
bo‘lib, ular kompyuterlarga tajriba orqali o‘rganish va yaxshilanish imkonini beradi. Ushbu
algoritmlar uch asosiy turga bo‘linadi: nazorat ostidagi o‘rganish (supervised learning), nazoratsiz
o‘rganish (unsupervised learning) va qayta mustahkamlash orqali o‘rganish (reinforcement
learning). Quyida har bir tur haqida batafsil ma’lumot beriladi.
1. Nazorat ostida o‘rganish (Supervised Learning)
oldindan belgilangan kirish va chiqish
ma’lumotlari taqdim etiladi. Maqsad – yangi, noma’lum ma’lumotlar uchun to‘g‘ri chiqishlarni
bashorat qilishni o‘rganishdir. Bu yondashuv quyidagi muammolarni hal qilishda qo‘llaniladi.
Klassifikatsiya (Classification) ma’lumotlarni oldindan belgilangan toifalarga ajratish. Masalan,
elektron pochta xabarlarini "spam" va "spam emas" deb ajratish. Regressiya (Regression) uzluksiz
qiymatlarni bashorat qilish. Masalan, uy narxlarini prognoz qilish yoki ob-havo haroratini
oldindan aytish.
Nazorat ostidagi o‘rganish algoritmlariga quyidagilar kiradi:
Chiziqli regressiya (Linear Regression):
Chiqish va kirish o‘zgaruvchilari orasidagi
chiziqli munosabatni o‘rganish uchun ishlatiladi.
Logistik regressiya (Logistic Regression):
Ikkilik klassifikatsiya muammolarida
qo‘llaniladi, masalan, kasallik bor yoki yo‘qligini aniqlash.
Qaror daraxtlari (Decision Trees):
Ma’lumotlarni turli xususiyatlar bo‘yicha bo‘lib, qaror
qabul qilish jarayonini modellashtiradi.
K-eng yaqin qo‘shnilar (K-Nearest Neighbors, KNN):
Yangi namunani eng yaqin k ta
qo‘shnisining toifasiga qarab tasniflaydi.
Qo‘llab-quvvatlovchi vektor mashinalari (Support Vector Machines, SVM):
Ma’lumotlarni
toifalarga ajratish uchun gipertekisliklarni topadi[1, 527-563 p].
2. Nazoratsiz o‘rganish (Unsupervised Learning)
modeliga faqat kirish ma’lumotlari taqdim
etiladi va u ma’lumotlardagi yashirin tuzilmalarni aniqlashi kerak. Bu yondashuv quyidagi
muammolarni hal qilishda qo‘llaniladi.
Klasterlash (Clustering)
ma’lumotlarni o‘xshashliklariga
ko‘ra guruhlarga ajratadi. Masalan, mijozlarni xarid qilish odatlariga qarab segmentlarga bo‘ladi.
Assotsiativ qoidalarni o‘rganish (Association Rule Learning):
Ma’lumotlar orasidagi qoidalarni
aniqlaydi. Masalan, do‘konda birga sotib olinadigan mahsulotlarni aniqlash.
Nazoratsiz o‘rganish algoritmlariga quyidagilar kiradi:
K-o‘rtacha klasterlash (K-Means Clustering):
Ma’lumotlarni k ta klasterga ajratish uchun
ishlatiladi.
Ierarxik klasterlash (Hierarchical Clustering):
Ma’lumotlar orasidagi ierarxik
munosabatlarni aniqlaydi.
Asosiy komponentlar tahlili (Principal Component Analysis, PCA):
Ma’lumotlarning
o‘lchamlarini kamaytirish va muhim xususiyatlarni aniqlash uchun ishlatiladi[1, 527-563 p].
3. Qayta mustahkamlash orqali o‘rganish (Reinforcement Learning)
agent muhit bilan
o‘zaro ta’sir qilib, harakatlarining natijasiga qarab mukofot yoki jazoga ega bo‘ladi. Maqsad –
uzoq muddatli mukofotni maksimal qilish uchun optimal strategiyani o‘rganish. Bu yondashuv
quyidagi sohalarda qo‘llaniladi. Kompyuter o‘yinlarida optimal harakatlarni o‘rganish,
robotlarning muhitda mustaqil harakat qilishini o‘rganish, tarmoq resurslarini samarali taqsimlab
o‘rganadi.
Qayta mustahkamlash orqali o‘rganish algoritmlariga quyidagilar kiradi:
Q-o‘rganish (Q-Learning):
Har bir harakat uchun qiymat funksiyasini o‘rganish orqali
optimal strategiyani aniqlash.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
292
SARSA (State-Action-Reward-State-Action):
Harakatlar ketma-ketligi orqali strategiyani
o‘rganish.
DQN (Deep Q-Networks):
Chuqur neyron tarmoqlar yordamida Q-o‘rganishni amalga
oshirish[2, 119-160 p].
Xulosa
shundan iboratki, mashinani o‘rganish algoritmlari turli muammolarni hal qilish
uchun kuchli vositalardir. Nazorat ostidagi o‘rganish aniq belgilangan ma’lumotlar bilan ishlashda
samarali bo‘lsa, nazoratsiz o‘rganish yashirin tuzilmalarni aniqlashda foydalidir. Qayta
mustahkamlash orqali o‘rganish esa agentlarga muhit bilan o‘zaro ta’sir qilish orqali optimal
strategiyalarni o‘rganish imkonini beradi. Har bir yondashuvning o‘ziga xos afzalliklari va
qo‘llanilish sohalari mavjud bo‘lib, ularni to‘g‘ri tanlash muammoning xususiyatlariga bog‘liq.
Neyron tarmoqlar (sun’iy neyron tarmoqlar yoki SNT) inson miyasining ishlash
tamoyillaridan ilhomlangan hisoblash tizimlari bo‘lib, ular murakkab ma’lumotlarni qayta ishlash
va o‘rganish imkoniyatiga ega. Chuqur o‘rganish (Deep Learning) esa ko‘p qatlamli neyron
tarmoqlarni qo‘llash orqali ma’lumotlardan yuqori darajadagi xususiyatlarni avtomatik ravishda
o‘rganish usulidir. Bu yondashuv sun’iy intellekt sohasida katta yutuqlarga olib keldi va ko‘plab
amaliyotlarda qo‘llanilmoqda.
Neyron tarmoqlarni o‘rganishning asosiy turlari
Konvolyutsion neyron tarmoqlar (Convolutional Neural Networks, CNN) asosan tasvir va
video ma’lumotlarini qayta ishlash uchun mo‘ljallangan bo‘lib, ular tasvirlardagi xususiyatlarni
avtomatik ravishda aniqlash va tasniflash imkonini beradi. CNNlar bir nechta asosiy qatlamlardan
tashkil topgan. Konvolyutsiya qatlami tasvirning kichik qismlarini filtrlar yordamida skanerlaydi
va xususiyat xaritalarini hosil qiladi. Pooling (subsampillash) qatlami xususiyat xaritalarining
o‘lchamlarini kamaytirish orqali hisoblash murakkabligini pasaytiradi va muhim xususiyatlarni
saqlab qoladi. To‘liq bog‘langan qatlamlar neyron tarmoqning chiqishini hosil qilish uchun barcha
neyronlarni bir-biriga bog‘laydi. CNNlar yuzni aniqlash, obyektlarni tasniflash va tibbiy
tasvirlarni tahlil qilish kabi sohalarda keng qo‘llaniladi. Rekurrent neyron tarmoqlar (Recurrent
Neural Networks, RNN)lar ketma-ketlik yoki vaqt bo‘yicha o‘zgaruvchi ma’lumotlarni qayta
ishlash uchun mo‘ljallangan bo‘lib, ular oldingi holat ma’lumotlarini saqlash va keyingi
bosqichlarda foydalanish imkoniyatiga ega. Bu tarmoqlar tabiiy tilni qayta ishlash, nutqni tanish
va vaqt qatorlarini tahlil qilish kabi sohalarda qo‘llaniladi. RNNlarning asosiy xususiyati shundaki,
ular o‘zining ichki xotirasi orqali ketma-ketlikdagi bog‘liqliklarni o‘rganishi mumkin.
Chuqur o‘rganishning qo‘llanilish sohalari
Tabiiy tilni qayta ishlash (Natural Language Processing, NLP) chuqur o‘rganish algoritmlari
matnni tushunish, tarjima qilish, sentiment tahlili va chat-botlarni yaratishda qo‘llaniladi.
Avtomatik haydash tizimlari neyron tarmoqlar yo‘l belgilari, piyodalar va boshqa transport
vositalarini aniqlash orqali avtomobil boshqaruvini avtomatlashtirishda ishlatiladi. Tibbiyot
diagnostikasi tibbiy tasvirlarni tahlil qilish orqali kasalliklarni erta aniqlash va tashxis qo‘yishda
chuqur o‘rganish muhim rol o‘ynaydi.
Chuqur o‘rganishning muvaffaqiyati katta hajmdagi ma’lumotlar va kuchli hisoblash
resurslarining mavjudligi bilan bog‘liq. Uning rivojlanishi sun’iy intellekt sohasida yangi
imkoniyatlar ochib, turli sohalarda innovatsion yechimlarni taqdim etmoqda.
Algoritmlarning samaradorligini oshirish uchun quyidagi usullar qo‘llaniladi:
1.
Algoritmik loyihalash texnikalari: Muammoni kichikroq bo‘laklarga ajratish va har birini
alohida hal qilish orqali umumiy yechimga erishish mumkin. Masalan, dinamik dasturlash va
ochko‘z (greedy) algoritmlar shunday yondashuvlarga misol bo‘la oladi.
2.
Samarali ma’lumot tuzilmalaridan foydalanish: Ma’lumotlarni saqlash va ularga
murojaat qilish uchun mos keladigan tuzilmalarni tanlash algoritmning tezligi va samaradorligini
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
293
oshiradi. Masalan, massivlar, bog‘langan ro‘yxatlar, daraxtlar va xesh jadvallari turli vaziyatlarda
samarali bo‘lishi mumkin.
3.
Parallel hisoblash usullari: Hisoblash jarayonlarini bir vaqtning o‘zida bir nechta
protsessor yoki yadroda bajarish orqali umumiy ishlash vaqtini qisqartirish mumkin. Bu usul katta
hajmdagi ma’lumotlarni qayta ishlashda juda foydali Parallel hisoblash usullari [3, 201-226 p].
4.
Algoritmni tahlil qilish va profil qilish: Algoritmning ishlashini kuzatish va tahlil qilish
orqali uning qaysi qismlari ko‘proq vaqt yoki resurs talab qilayotganini aniqlash va shu joylarni
optimallashtirish mumkin.
5.
Kod optimallashtirish: Keraksiz hisoblashlarni olib tashlash, takrorlanuvchi kodlarni
qisqartirish va samarali dasturlash amaliyotlarini qo‘llash orqali algoritmning ishlashini yaxshilash
mumkin.
6.
Evristik va taxminiy yondashuvlar: Ba’zi hollarda aniq yechim topish qiyin yoki
imkonsiz bo‘lishi mumkin. Bunday vaziyatlarda evristik yoki taxminiy usullar orqali qoniqarli
natijalarga erishish mumkin[3, 201-226 p].
7.
Ma’lumotlarni oldindan qayta ishlash va xotira tejash strategiyalari: Ma’lumotlarni
oldindan qayta ishlash orqali hisoblash jarayonini tezlashtirish va xotira sarfini kamaytirish
mumkin. Masalan, kerakli ma’lumotlarni oldindan keshlash yoki siqish orqali xotira
samaradorligini oshirish mumkin[3, 35-56 p].
Ushbu usullarni qo‘llash orqali algoritmlarning samaradorligini sezilarli darajada oshirish
va hisoblash resurslaridan yanada unumli foydalanish mumkin.
Xulosa
s
un’iy intellekt muammolarini hal qilishda samarali algoritmlarni tanlash va ularni
optimallashtirish muhim ahamiyatga ega. Turli yondashuvlarning afzallik va cheklovlarini
inobatga olgan holda, aniq vaziyatga mos keladigan algoritmni qo‘llash SI tizimlarining
muvaffaqiyatli ishlashini ta’minlaydi. Kelajakda SI algoritmlarining yanada samarali bo‘lishi
uchun yangi yondashuvlarni ishlab chiqish va ilg‘or texnologiyalarni tatbiq etish dolzarb
hisoblanadi.
Adabiyotlar ro‘yxati
1.
Russell, S., & Norvig, P. Artificial Intelligence: A Modern Approach. Pearson. (2020).
2.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT
Press. http://incompleteideas.net/book/the-book-2nd.html
3.
Bishop, C. M. Pattern Recognition and Machine Learning. Springer. (2006).
https://www.springer.com/gp/book/9780387310732
4.
Djurayeva B.A, Quraqov S.A. google classroom platformasining onlayn ta’limga ijobiy
ta’siri //scientific aspects and trends in the field of scientific research. – 2024. – Т. 3. – №. 26. –
С. 108-111.
5.
Djurayeva B.A, Quraqov S.A, Pardaboyeva Sh. Z. Infografik loyihalar va virtual
ko‘rgazmali elektron ishlanmalar yaratish texnologiyalari //pedagog. – 2025. – T. 8. – №. 3. – с.
168-171.
6. Djurayeva B.A, Quraqov S.A. Ta’lim platformasidagi o‘quv kurslari uchun elektron
resurs yaratish //innovation in the modern education system. – 2024. – т. 5. – №. 45. – с. 230-233.
7. Djurayeva B. A. Quraqov SZA “Tabalarning mustaqil ta’limini tashkil etishda “Google
clasroom” platformasi imkoniyatlaridan foydalanishning pedagogik muammolari va
yechimlari”/“Matematika, fizika va informatika fanlarini o ‘qitishning dolzarb muammolari”
respublika ilmiy-amaliy anjumani //O‘zbekiston-Finlandiya.:-2024 yil.
