ТАЛАБАНИНГ АКАДЕМИК ФАОЛИЯТИНИ МОНИТОРИНГ ҚИЛИШДА СУНЬИЙ ИНТЕЛЛЕКТНИНГ ЎРНИ Текст научной статьи по специальности «Компьютерные и информационные науки»

é

ш

UIF = 8.1 | SJIF = 7.899

www.in-academy.uz

ARTICLE INFO

ТАЛАБАНИНГ АКАДЕМИК ФАОЛИЯТИНИ МОНИТОРИНГ ЦИЛИШДА СУНЬИЙ ИНТЕЛЛЕКТНИНГ

УРНИ

Маматов Нарзулло Солиджонович

"Тошкент иррригация ва кишлок хужалигини механизациялаш мух,андислари института" Миллий тадкикот университети, кафедра мудири, техника фанлари доктори, профессор, m_narzullo@mail.ru Иброхимов Санжар Рустам ^ли "Тошкент иррригация ва кишлок хужалигини механизациялаш мух,андислари институти" Миллий тадкикот университети,

ассистент, ib.sanjar93@gmail.com Самижонов Абдурашид Нарзулло ^ли Мух,аммад ал-Хоразмий номидаги Тошкент ахборот технологиялари университети, ассистент,

an_samijonov@mail.ru https://doi.org/10.5281/zenodo.10811867

ABSTRACT

Received: 05th March 2024 Accepted: 12th March 2024 Online: 13th March 2024

KEYWORDS Сунъий нейрон тармоцлар (СНТ), Дендритлар,

рецепторлардан, вазн

коэффициентлари, классификация.

Мазкур мацола сунъий нейрон тармоцлар (СНТ) интеграциясини билимлар сифатини мониторинг цилиш ва бауолаш тизимларини ривожлантиришда фойдаланишга багишланган булиб, у СНТни мослашувчан таълим имкониятларидан

фойдаланган %олда таклиф цилинган тизим таркибни тасдицлаш ва долзарбликни бауолаш каби вазифаларни автоматлаштиш имконини беради. Бундан ташцари мазкур ишда назарий асослар ва мавжуд муаммолар мууокама цилинган. Шунингдек, СНТни турли сощлар билимлари ишончлилиги ва долзарблигини ошириш имкониятлариурганилган.

КИРИШ. Ахборотни экспоненсиал усиши даврида билим сифатини бах,олаш ва таъминлашни самарали механизмларига булган эх,тиёжларни кондириш асосий муаммога айланди. Инсон миясининг мураккаб тузилишига асосланган СНТлар ушбу муаммони х,ал килишнинг мажбурий математик аппарати сифатида кулланилади [8]. Хужжат таркибни текшириш ва уни долзарблигини бах,олаш каби мураккаб жараёнларини автоматлаштиришга йуналтирилган СНТлар билим сифатини мониоринг ;илиш ва бах,олаш тизимларида кенг кулланилмокда. СНТни мослашувчан урганиш имкониятларини тад;и; этиш оркали турли сох,алар билимлари ишончлилиги ва долзарблигини оширишга интилиш ва билимларни бош;аришда сунъий интеллект (СИ) доимий эволюциясига х,исса кушади. Бу эса СНТларни билим сифатини бах,олаш тизимига жорий этилиши билан богли; назарий асослар, амалий услублар ва потенциал муаммоларни чукур урганишга замин яратди [2].

НАЗАРИЙ МЕТОДОЛОГИЯ. СНТлар кенг куламли муаммоларни х,ал цилишни математик ва алгоритмик усуллари мажмуасидир. Улар синаптик уланишлар билан узаро богланган элементлар тармоги, яъни сунъий нейронлар булган биологик нейрон тармоцлар моделларидир. Тармоц кириш маълумотларини цайта ишлайди ва вацт утиши билан уни х,олатини узгартириш жараёнида чициш сигналлари тупламини шакллантиради [3]. Тармоцда бажариладиган функцияларга кура уни тарк этадиган нейронларни типологик жих,атдан кириш, ички ва чицишга ажратиш мумкин.

Кириш нейронлари-бу кириш эффекти ёки ташци мух,ит тасвирини кодловчи вектор элементлари булиб, улар одатда х,исоблаш процедураларини амалга оширмайди. Улар фацат уз х,олатларини фаоллаштиришни инобатга олган х,олда маълумотларни киришдан чицишга узатади. Ички нейронлар эса нейрон тармоцлар асосини ташкил этувчи элементлар булиб, алмаштиришларни инобатга олган х,олда маълумотларни уз киришидан чицишга узатади ва бу энг куп цулланиладиган нейрон тармоцлар учун хосдир [4]. Умуман олганда нейрон тармоцни куйидагича ифодалаш мумкин:

- чициш сигнали силжиш циймати.

Чициш нейронлари-бу чициш цийматлари бир вацтнинг узида бутун тармоц чициши булган элементлардир. Ушбу турдаги нейронларни х,исоблаш процедуралари тармоц ички нейронларига хос булган (1) алмаштиришга асосланади.

Куплаб нейрон моделларида нейрон тури тармоцда уни жойлашувига боглиц. Бироц, нейронлар функциялари цатъий белгиланмаган х,олатда х,ам булиши мумкин. Нейрон тармоги ишлаши икки босцичда, яъни тармоцни уцитиш ва кирувчи векторларини таниб олишда уцитилган тармоцдан фойдаланишда амалга оширилади.

Тармоц ишлаш жараёнида ахборотни цайта ишлаш орцали кириш векторини чициш векторига утказади. Тармоц томонидан амалга ошириладиган маълумотларни алмаштиришни узига хос тури нафацат нейронлар хусусиятлари, балки уларни архитектураси хусусиятлари, яъни нейронлараро уланишлар топологиясига, ахборотни киритиш ва чицариш учун нейронлар маълум кичик тупламларини танлаш, сигнал тури, тармоцни уцитиш усули, нейронлар орасидаги рацобатни мавжуд ёки мавжуд эмаслиги, нейронлар орасида маълумотларни узатиш йуналиши ва уларни бошцариш усули х,амда синхронлаштиришга боглиц. Х,озирги кунда нейрон тармоц моделларининг куплаб турлари ишлаб чицилган. СНТини таснифлаш усуллари 1-расмда келтирилган.

Узгариши мумкин булган нейрон тармоц х,олати деганда одатда - синапслар вазнлари, бусагалар ва нейронлар орасидаги янги алоцаларни урнатиш тушунилади [5]. Нейрон тармоцни уцитиш зарур булганда юзага келадиган иккита тубдан фарц цилувчи х,олат мавжуд, яъни "уцитувли уцитиш" ва "уцитувчисиз уцитиш". Нейрон тармоцларини "уцитувли" уцитиш усуллари эксперт бах,оси мавжудлигини тахмин цилади. Масалан, нейрон тармоц фаолиятни бах,олаш уцув танланма асосида амалга оширилиши. Бунда х,ар бир намуна уцув жуфтлиги, яъни кириш вектори ва унга мос чициш вектори билан ифодаланади. Шу билан бирга, уцитиш усулларини узи икки турга

é

Ws,

Тузилиши буйича

Тулщ богланмаган

Тулщ богланган

Кириш ва чщишда фойдаланиладиган сигналларга кура

Аналогли

Вакгни моделлаштиришга кура

Узлуксиз важ;тли

Дискрет важ;тли

Киришга маълумот узатиш усулига

Кириш нейронлари синапсларига сигналларни узатиш

Кириш нейронлари чи^ишига сигналларни узатиш

Снапслар вазни куринишида сигналларни кириш нейронларига узатиш

Кириш нейронлари синапсларига аддитив узатиш

Чи^ишлардан маълумотларни олиб ташлаш усулига кура

Чи^иш нейронларини чи^ишлардан олиб ташлаш

Чи^увчи нейронлардан синапсларни олиб ташлаш

Чи^увчи нейронлар синапс вазнлари ^иймати олиб ташлаш

Чи^увчи нейронларсинапсларини аддитив олиб ташлаш

У^итишни ташкил этишга кура

У^итувли

У^итувчисиз

У^итиш усулига кура

Киришлар ор^али

Чи^ишлар ор^али

1-расм. Сунъий нейрон тармо;лари таснифи

"Ук;итувчисиз" у;итишда нейрон тармо; фа;ат кириш таъсири асосида ечимлар чи;иш фазосини шакллантиради. Бундай тармо;лар уз-узини ташкил этувчи тармо;лар деб х,ам аталади [8,9] ва уларда уз ишини бах,олаш механизмлари мавжуд булиб, улар эксперт вазифасини таъминлайди.

EURASIAN JOURNAL OF ACADEMIC RESEARCH

Innovative Academy Research Support Center UIF = 8.1 | SJIF = 7.899 www.in-academy.uz

Кетма-кет (тугридан-тугри) сигналларни тар;атиш тармо;ларида кириш ;атлами нейронлари кириш сигналларини ;абул ;илади, уларни алмаштиради ва биринчи яширин ;атлам нейронларига узатади х,амда бу фойдаланувчи учун сигналларни чи;арувчи чи;иш ;атламига ;адар давом этади. Агар бош;ача курсатилмаган булса, q-чи ;атлам х,ар бир чи;иш сигнали ^+1)-чи ;атламни барча нейронлари киришига узатилади, биро; бунда q-чи ;атламни - чи ;атлам билан боглаш х,ам мумкин.

Тугридан-тугри тар;алишли куп ;атламли тармо;ларини тули; ва ;исман тули; богланган турлари мавжуд. У;итиш ва жорий этилиши соддалиги, хосса ва хусусиятларини урганилганлигига кура тугридан-тугри тар;алишли куп ;атламли нейрон тармо;лар исти;болли тармо; топологияси х,исобланади [10,11]. Тескари ало;али тармо;лар кам урганилган, биро; улар айни пайтда потенциал энг кучли х,исобланади. Ушбу тармо;ларда ихтиёрий ;атламлардан олинган маълумотлар кейинги ;атламларга узатилиши билан бирга олдингиларига ;айтарилиши мумкин. Ушбу тузилмали тармо;ларни бир нечта ;исм синфларини келтириш мумкин:

- циклик ;атламли. Бунда ;атламлар х,ал;ада ёпи; охирги ;атлам чи;иш сигналларини биринчисига узата олади, барча ;атламлар тенг ху;у;ли ва кириш сигналларини х,ам чи;иш сигналларини х,ам ;абул ;илиши мумкин;

- ;атламли тули; богланган. Бунда х,ар бири тули; богланган ;атламлардан иборат тармо; булиб, сигналлар ;атламдан ;атламга х,ам, ;атлам ичида х,ам узатилади, х,ар бир ;атламда иш цикли уч ;исмга ажратилади, яъни олдинги ;атламдан сигналларни ;абул ;илиш, ;атламлар орасида сигналлар алмашиш, чи;иш сигналини шакллантириш ва навбатдаги ;атламга узатиш;

- тули; богланган ;атламли. Бу тузилмасига кура ;атламли тули; богланганга ухшиш биро; у бош;ача ишлайди, яъни уларда ;атламлар орасидаги алмашинув фазалари ни ажратмайди ва навбатдагисига узатмайди, х,ар бир циклида барча ;атламлар нейронлари сигналларни ;абул ;илади.

НЕЙРОН ТАРМОЦ АППАРАТИНИНГ УМУМИЙ ХУСУСИЯТЛАРИ. Нейрон тармо;лари мумкин булган тузилмаларидаги сезиларли фар;ларга ;арамай, нейрон тармо; аппаратининг умумий хусусиятлари мавжуд ва у ;уйидагилардан иборат:

Параллел х,исоблаш имконияти. Нейрон тармо;ларида куплаб параллел уланишлар мавжуд ва унда барча нейронлар бир ва;тнинг узида ишлайди х,амда оммавий параллел х,исоб-китобларни амалга оширади. Бу мураккаб х,исоблаш учун кам ва;т сарфланишини таъминлайди. Х,озирги кунда куплаб компаниялар уз нейрон процессорларни ишлаб чи;ишган [12].

Намуналар оркали уркитиш. Нейрон тармо;ни "намуналар ор;али" у;итиш куйилган масалани ечиш учун мутла;о янги алгоритмик булмаган ёндашувдир. Бунда кириш-шарт ва чи;иш-жавоб векторларининг ;ийматлари туплами булган муайян мисоллар (у;ув танланмаси) асосида масала учун умумий ечим олинади. У;ув танланмаси мутахассис томонидан ёки тажриба асосида шакллантирилади.

Мослашувчанлик. Хатоларни тескари тар;алиш алгоритмидан фойдаланиш нейрон тармо; параметрларини тез созлаш ва улар асосида мослашувчан х,амда уз-узини созловчи ;урилмаларни яратиш имконини беради.

EURASIAN JOURNAL OF ACADEMIC RESEARCH

Innovative Academy Research Support Center UIF = 8.1 | SJIF = 7.899 www.in-academy.uz

Ишлашни юкори ишончлилиги. Уз табиатига кура нейрон тармоцлар бутун тармоц фаолиятини индивидуал нейрон фаолиятига паст сезувчанлигини таъминлайдиган параллел тузилмадир. Бундан ташцари, нейрон тармогида туйинган чизицли булмаган элементлар одатда нейронлар сифатида олинади ва улар туйинганлик зонасида ишлаганда кириш сигналини кичик узгаришига сезгир булмайди. Нейрон тармоцни ушбу жих,атлари ишлаш ишончлилиги ва кичик зарарга бефарцлигини таъминлайди.

Намуналар билан умумлаштириш. Нейрон тармоц (кириш вектори) учун номаълум (уцитилмаган) намуна тацдим этилгандан сунг, тармоц жавоб беради, бу нейрон тармоц (кириш векторлари) учун маълум булган (уцитилган) намуналарни энг яцин сонини умумлаштиришдир. Умумлаштириш хусусияти кутилмаган вазиятларни енгиш ва олинган маълумотлардан билимлар шакллантириш имконини беради.

Уцитиш самарадорлигини мониторинг цилиш ва бах,олаш муаммоларини х,ал цилишда СНТларидан фойдаланишда цуйидаги хусусиятларни алохида курсатиб утиш жоиз:

— нейрон тармоцларни х,ар цандай функцияларни бажаришга уцитиш мумкин [13], бунда фацат уцув жараёнида етарли мицдордаги маълумот тацдим этилиши ва нейрон тармоц тузилмасини тугри танлашни талаб цилинади. Нейрон тармоцларни уз-узини уцитиш цобилияти мураккаб математик аппаратдан фойдаланиш заруратини йуцотади;

— нейрон тармоцларда умумий турдаги чизицли булмаган функциялардан фаоллаштириш функциялари сифатида фойдаланиш чизицли булмаган акслантиришларни амалга ошириш имкониятини беради, бу билим сифати эксперт бах,осига яцинлашганда та мух,им омил х,исобланади;

— оптимал ва мослашувчан бошцарув анъанавий усулларини цуллашни зарурий шарти бошцариш объекти тугрисида катта мицдордаги априор маълумотларни мавжудлиги х,исобланади. Нейрон тармоцларни уз-узини уцитиш цобилияти улар асосида талабалар билим сифатини бах,олашда бундай х,ажмдаги маълумотлар талаб цилмайди. Шунинг учун сифатни бах,олаш тизими ноаницлик шароитида цулланилиши мумкин.

Нейрон аппаратидан фойдаланиб самарали х,ал этилиши мумкин булган вазифалар доираси ута кенг. Бироц, х,ар цандай муаммони х,ал цилиш учун универсал ягона нейрон тармоц тузилмаси х,озирча мавжуд эмас. Нейрон тармоц тузилмасини танлаш х,ар доим цуйилган масала шартлари, хусусиятлари ва мураккаблигига кура амалга оширилади. Нейрон тармоцлар оптимал конфигурацияси айрим турдаги масалаларни ечиш учун аллацачон ишлаб чицилган. Агар масалани маълум турларни бирортасига келтириш имкони булмаса, у х,олда янги нейрон тармоц конфигурациясини синтез цилиш масаласи юзага келади. Нейрон тармоц синтези билан боглиц айрим асосий аксиоматик цоидалар цуйидагилардан иборат:

— тармоц нейронлари сони, улар орасидаги богланишлар зичлиги ва ундаги цатламлар сонини ортиши билан тармоц имкониятлари ортиши;

— тармоц имкониятларини ортиши билан бирга тескари богланишларни жорий этилиши тармоц динамик барцарорлиги муаммосини юзага келтиради;

é

ш

UIF = 8.1 | SJIF = 7.899

www.in-academy.uz

- тармо; алгоритмларини мураккаблиги, яъни бир неча турдаги синапсларни жорий этиш нейрон тармо;ни кучайтиришга ёрдам беради, биро; янада мураккаб моделлаштиришга айни;са, аппаратли амалга оширишни талаб ;илади.

У ёки бу турдаги масалаларни ечиш учун тармо;ни зарур ва етарли хусусиятлари масаласи нейрокомпютер фанининг тули; бир йуналишидир. Нейрон тармо; синтези х,ал ;илинаётган масалага ута богли; булганлиги учун батафсил умумий тавсиялар бериш ута мураккабдир. Куплаб х,олларда оптимал вариант интуитив танлов асосида танланади. Биро;, [14,15] иш муаллифлари ихтиёрий алгоритм учун уни амалга ошира оладиган нейрон тармо; мавжуд деб таъкидлаб утишган.

Куп узгарувчили функцияларини бир узгарувчили функциялар йигиндиси ва суперпозицияси куринишида ифодалаш буйича бир ;атор теоремаларга [14] шунингдек, ушбу теоремаларни нейрон тармо;лар аппарати жорий этишга багишланган илмий ишлар [16] асосида ихтиёрий улчамли кириш-чи;иш векторларини х,ар ;андай жуфтлиги учун кетма-кет богланишларга эга сигмоид узатиш функциялари ва чекли сондаги нейронларга эга булган х,ар бир кириш вектори учун мос чи;иш векторини шакллантирувчи бир жинсли икки ;атламли нейрон тармо; мавжуд деб айтиш мумкин [17]. Бундай нейрон тармо;лардан куп узгарувчили куп улчовли функцияларини ифодалашда фойдаланиш мумкин.

НЕЙРОН ТАРМОКЛАР КАМЧИЛИКЛАРИ. Нейрон тармо;лар куплаб юту;ларга эга булишига ;арамай ;уйидаги асосий камчиликларга х,ам эга х,исобланади:

1. Кириш сигналлари ва вазн коэффициентларини интенсивлиги маъносини мазмунли тал;ин ;илиш мураккаблиги.

2. Аргументни мазмунли тал;ин ;илиш ва асослашнинг мураккаблиги х,амда нейрон фаоллаштириш (узатиш) функцияси тури.

3. Нейрон бирикмалари тузилишини ани;лашда, вазн коэффициентлари ва узатиш функцияларини танлашда юзага келадиган "комбинаториал портлаш".

Интерпретация муаммолари тармо; томонидан олинган натижалар ;ийматини пасайишига олиб келади ва улчов муаммоси тармо;даги чи;иш нейронлари ва рецепторлар сонига, нейронларни тармо; билан узаро богли;лиги тузилмасини мураккаблигига ута ;атти; чекловларга олиб келади. Машхур дастурий таъминот пакетлари асосида амалга ошириладиган нейрон тармо;ларда чи;увчи нейронлар сони одатда бир неча юзтадан куп булмаслиги таъкидланади.

ДЖ.Маккалоки ва У.Питт 1943 йилда биологик нейрон расмий моделини бир нечта кириш (кириш синапслари — дендритлар) ва битта чи;ишга (чи;иш синапси — аксон) эга булган курилма сифатида таклиф этган (1-расм). Дендритлар маълумот

X

манбаларидан (рецепторлардан) 1 маълумот олади, улар нейронлар булиши х,ам

(X )

мумкин. Кириш сигналлари туплами 3> нейрон томонидан ;айта ишланаётган объект ёки вазиятни тавсифлайди. Х,ар бир 1 -нейрон ^ -киришга маълум бир вазн Ж

омили 1 белгиланган булиб, бу киришдан сигнални узатиш (фаоллаштириш) функцияси аргументига таъсир ;илиш даражасини тавсифлайди, яъни У сигнални

ё

ш

И1Е = 8.1 | 8ЛЕ = 7.899

www.in-academy.uz

нейрон чи;ишида ани;лайди. Кириш сигналлари вазнли йигиндиси нейронда содир булади ва бу ;ийматдан нейрон фаоллаштириш (узатиш) функцияси аргументи сифатида фойдаланилади.

1-расм Нейрон классик модели

Мазкур ишда фаоллаштириш функциясини чизи;ли булиши таъминлаши учун аргументи йигиндисига тенг ;илиб олинган. Шу тарифа аргументни мазмунли тал;ин ;илиш ва асослаш х,амда нейрон фаоллаштириш (узатиш) функцияси тури танлаш мураккаб масаласи х,ал этилган ва унинг модели ;уйидаги расмда келтирилган.

2-расм. Чизи;ли фаоллаштириш функцияли нейрон тармо; модели

Ушбу ёндашув мох,ияти кириш сигналлари интенсивлиги уз-узидан эмас, балки уларни интенсивлиги ну;таи назаридан маълум ми;дордаги маълумотни ёки нейрон ва фаол бош;арув объектини утиши х,а;ида нотугри маълумотни уз ичига олган келажакдаги х,олатга хабарлар сифатида куриб чи;ишдан иборат. Бундай х,олда кириш сигналлари ва вазн коэффициентлари интенсивлиги маъносини мазмунли тал;ин ;илиш масаласи х,ал ;илинади.

Муайян дендритга кириш сигнали интенсивлиги деганда маълум бир нейронга мос объектни нейрон тармо;ни та;дим этишда берилган дендритга мос омил (хусусият) ту;нашувлари абсолют частотаси (сони) тушунилади. Абсолют частоталар матрицаси нейронлар контекстида дендритларга кириш сигналлари интенсивлиги х,а;идаги

s#

Ws,

References:

1. Solidjonovich, M. N., O'G'Li, I. S. R., O'Gli, F. V. O., & O'G'Li, S. A. N. (2023). SUN'IY INTELLEKT VOSITALARINI TA'LIMNI NAZORAT QILISH VA BAHOLASHDA QO 'LLASH. Al-Farg'oniy avlodlari, 1(4), 291-297.

2. Mamatov, N., & Ibroximov S. (2023). Artificial intelligence in education: paving the way for a more effective learning experience. Информатика и инженерные технологии, 1(2), 107-109.

3. Stephen, O., Maduh, U. J., Ibrokhimov, S., Hui, K. L., Al-Absi, A. A., & Sain, M. (2019, February). A multiple-loss dual-output convolutional neural network for fashion class classification. In 2019 21st International Conference on Advanced Communication Technology (ICACT) (pp. 408-412). IEEE.

4. Горбан 1991, Уоссерман 1992, Кроесе 1996

é

Ws,

nejronnoj-seti/

8. Ralhan, A. (2020, August 8). Self Organizing Maps - Abhinav Ralhan - Medium. Medium. https://medium.eom/@abhinavr8/self-organizing-maps-ff5853a118d4

9. Kohonen T. Self-organizing Maps, ~ Heidelberg: Springer Verlag, 1995.

10. Homik K., Stineheomb M., White H. Multilayer feedforward networks are universal approximators // Neural Networks.— 1989. — V. 2, N. 5.— P. 359-366.

11. Paluzo-Hidalgo, E., González-DlAz, R., & Gutiérrez-Naranjo, M. A. (2020). Two-hidden-layer feed-forward networks are universal approximators: A eonstruetive approaeh. Neural Networks, 131, 29-36. https://doi.org/10.1016/j.neunet.2020.07.021

12. Logovskiy A.S. Многопросессорные и нейрокомпютерные технологии фирмы Сунденсе Мултипросессор Течнологий, Ltd.— Neyrokompyuter, №1,1999.

13. Stephen, O., Maduh, U. J., Ibrokhimov, S., Hui, K. L., Al-Absi, A. A., & Sain, M. (2019, February). A multiple-loss dual-output eonvolutional neural network for fashion class classification. In 2019 21st International Conference on Advanced Communication Technology (ICACT) (pp. 408-412). IEEE.

14. Арнолд В.И. О представлении непрерывных функций несколких переменных в виде суперпозиции функсий меншего числа переменных // Mat. просвещение.— 1957.— № 4.— S. 41-61.

15. Contributors to Wikimedia projects. (2023, December 11). Teorema Kolmogorova — Арнольда. https://ru.wikipedia.org/wiki/

16. Xext-Nilsen R. Нейрокомпютинг: история, состояние, перспективы // Открытые системы, 1998. № 4.

17. Kruglov V.V., Borisov V.V. Исскусственные нейронные сети. Теория и практика.— М.: Горячая линия — Telekom, 2001.— 382 s.

18. Гаврилов А.В. Системи искуственного интеллекта: Учеб. пособие: в 2-х ч.— Новосибирск: Изд-во НГТУ, 2001.— 4.1.— 67 с.