Информация о документе

Цена 50000UZS
Размер 58.4KB
Покупки 0
Дата загрузки 01 Май 2025
Расширение docx
Раздел Курсовые работы
Предмет Информатика и ИТ

Продавец

Telzor Uchun

Дата регистрации 21 Апрель 2025

24 Продаж

Klassik mashinani o'rganish algoritmlari-chiziqli va logistik regressiya, mos yozuvlar vektorlari usuli, qaror qiluvchi daraxtlarga asoslangan algoritmlar

Купить
MAVZU: KLASSIK MASHINANI O'RGANISH ALGORITMLARI- CHIZIQLI VA LOGISTIK REGRESSIYA, MOS YOZUVLAR VEKTORLARI USULI, QAROR QILUVCHI DARAXTLARGA ASOSLANGAN ALGORITMLAR MUNDARIJA: KIRISH I.ASOSIY QISM 1.1. Klassik mashinani o'rganish algoritmlari 1.2. Chiziqli va logistik regressiya 1.3. Mos yozuvlar vektorlari usuli, qaror qiluvchi daraxtlarga asoslangan algoritmlar XULOSA FOYDALANILGAN ADABIYOTLAR KIRISH Kurs ishining dolzarbligi: Klassik mashinalar uchun o'rganish algoritmalaridan ba'zi odatiy va kuchli modellar, chiziqli regressiya, logistik regressiya, mos yozuvlar vektorlari usuli, va qaror qiluvchi daraxtlarga asoslangan algoritmlar kabi oson va yaxshi tushuncha beruvchi usullardir. Bu usullardan ba'zilarini qisqacha ko'rib chiqamiz: 1. Chiziqli Regressiya (Linear Regression): Chiziqli regressiya, o'zgaruvchanli ma'lumotlar orasidagi bog'lovchilar bilan ma'lumotlarni ifodalovchi chiziqli tugma (line) ni tanlash uchun ishlatiladi. Bu algoritm matn va soniy ma'lumotlar orasidagi o'zaro bog'lovchilarni aniqlashda qo'llaniladi. 2. Logistik Regressiya (Logistic Regression): Logistik regressiya, ikki yoki undan ko'p klasslarni ajratish uchun ishlatiladi. Ushbu algoritm matnlar va sinov ma'lumotlarining klassifikatsiyasi uchun juda oson va mashhurdir. 3. Mos Yozuvlar Vektorlari Usuli (Word Embeddings): Mos yozuvlar vektorlari usuli, so'zlar orasidagi o'zaro bog'lovchilar orqali so'zlarni ifodalovchi vektorlarni yaratishda qo'llaniladi. Word2Vec, GloVe, FastText, va BERT kabi algoritmalar bu usulni o'rgatish uchun ishlatiladi. 4. Qaror Qiluvchi Daraxtlarga Asoslangan Algoritmlar: Qaror Daraxti (Decision Trees): Qaror daraxti, ma'lumotlarni yaxshi tahlil qilish va qaror qilishda ishlatiladi. Random Forest va Gradient Boosting kabi ansambl modellar esa qaror daraxtlari usulini kuchaytirish uchun foydalaniladi. 5. K-Nearest Neighbors (K-NN): K-NN, sinov natijalar orqali yangi nuqtalarni qaror qilishda yordam beradi. Ushbu algoritm, o'ziga xos qulayliklari tufayli klassifikatsiya va regressiya vazifalarida ishlatiladi. 6. Support Vector Machines (SVM): 3 SVM, sinov natijalar orqali klassifikatsiya va regressiya vazifalarini bajarishda yaxshi ishlaydi. Ushbu algoritm matn va sinov ma'lumotlari orasidagi farqlarni aniqlashda ishlatiladi. Kurs ishining maqsadi va vazifalari: Ma'lumotlarni Yig'ish (Data Collection): Ma'lumotlar, o'rganishning asosiy qismidir. Qanday ma'lumotlarga ega bo'lishingiz kerak, bu qanday usullar bilan ma'lumotlarni to'plashingizga bog'liq. Ma'lumotlar odatda CSV fayllari, Excel tabeli, SQL ma'lumotlar bazalari, API-lar orqali yoki boshqa usullar orqali olish mumkin. Ma'lumotlarni Tahlil Qilish (Data Analysis): Ma'lumotlar tahlil qilinishi, ma'lumotlar turlarini tushunish va ularga asoslangan statistika va vizualizatsiyalar yaratishni o'z ichiga oladi. Python dasturlash tilida pandas, numpy, va matplotlib/seaborn kabi kutubxonalardan foydalanishingiz mumkin. Ma'lumotlarni Tayyorlash (Data Preprocessing): Ma'lumotlarni o'rganish uchun ularni tayyorlash juda muhimdir. Ushbu qadamda, ma'lumotlarni tozalash, qanchalik qayta ishlash, va tushuntirish maqsadida ularga bir nechta amallar qilishingiz mumkin. Ma'lumotlarni Bo'shatish (Feature Scaling): Kichik ma'lumotlar va katta ma'lumotlar orasidagi farqlarni kichiklash uchun odatda ma'lumotlarni bo'shatish (scaling) amalga oshiriladi. Ma'lumotlar o'rtasida tenglikni ta'minlash uchun umumiy usullar, masalan, z-score va min-max scaling qo'llaniladi. Ma'lumotlarni Taqsimlash (Data Splitting): Ma'lumotlarni taqsimlash, o'rganish va sinov maqsadlari uchun ma'lumotlarni bo'shatishda foydalaniladigan to'plamlarga bo'linadi. Odatda, umumiy ma'lumotlarning 80% - 70% i o'rganish uchun, qolgan qismi esa sinov uchun ajratiladi. Algoritmni Tanlash (Choosing an Algorithm): 4 O'rganish maqsadiga qarab, ma'lumotlarni qanday tanlash kerakligini aniqlang. Klassik mashina o'rganishda chiziqli regressiya, logistik regressiya, support vector machines (SVM), qaror daraxtlari, k-NN, va boshqa algoritmalar ishlatiladi. Modelni O'rgatish (Training the Model): Tanlangan algoritmaga ma'lumotlarni o'rganish uchun modelni tayyorlash. Ma'lumotlarning bir qismini (o'rganish uchun) modelga beriladi, keyin natijalar tekshiriladi. Modelni Baholash va Optimalashtirish (Model Evaluation and Optimization): O'rganish jarayonidan o'tgan so'ng, modelni sinash va natijalarni baholash juda muhimdir. Foydalanilgan masofa funksiyasi, regressiya uchun MSE (Mean Squared Error) yoki klassifikatsiya uchun F1-skor, o'rganish natijalarini baholashda ko'p foydalaniladi. Agar natijalar to'g'ri kelmasa, modelni optimalashtirish uchun hamma ko'rsatmalarni o'zgartirishingiz mumkin. Natijalarni Ta'lim Qilish (Model Deployment): Modelni to'g'ri natijalar berayotgan bo'lsa, uni amaliyotda ishlatishga tayyorlash. Bu, modelni boshqa ma'lumotlar bilan sinovga olishdan, uni qo'llash va natijalarni mustaqil ma'lumotlar uchun foydalanishga qadar bo'lgan qadam. 5 1.1. Klassik mashinani o'rganish algoritmlari Sun'iy intellekt unda biz mashinaning aql-idrokini rivojlantiramiz. Odamlar kabi ishlash, ya'ni fikrlash, ishlash. Masalan, ovozni aniqlash, muammolarni hal qilish, o'rganish va boshqalar. Sun'iy intellekt 1956 yilda ixtiro qilingan. tomonidan modellashtirilgan sun'iy intellekt Jon Makkarti Amerikadagi buyuk kompyuter olimi. Mashina o'ylaydigan va o'rganadigan joyda. Bu kompyuter dasturi, ya'ni sun'iy intellekt qisqa shakldagi AI. Ushbu tadqiqot orqali bizning kompyuterimiz aqlli bo'ladi. Bizda sun'iy intellektning ba'zi turlari mavjud. Ular, ya'ni. Sun'iy zaif (tor) intellekt (ANI) Sun'iy normal (intellekt) (AGI) Sun'iy g'ayritabiiy intellekt (ASI) Reaktiv mashinalar Aql nazariyasi Cheklangan xotira O'z-o'zini anglash O'tkazib yubormang: Sun'iy intellekt Mashina l ga qarshiearning Zaif sun'iy intellekt: Kuchsizlar sun'iy intellekt vazifani odamlar tomonidan tor doirada bajaradigan tur. Biz inson aql-zakovati bilan mashinalarni ixtiro qilamiz, shuning uchun biz mashinalarni faqat tor ishlarni bajaradigan tarzda ixtiro qilamiz. Bizda tor boshqasi bormi sun'iy intellekt bu nima? Bu AIning bir turi Mening javobim yo'q, bu sun'iy intellektning boshqa turi emas, aslida bu AIni toraytirishning boshqa nomi. Mashina faqat bitta ishni bajarishga qaror qildi ... Zaif intellektga misollar: Google-da Alexa, asboblar tilni kompilyatsiya qilish uchun ishlatiladi .... Tor - bu Al-ning bir qismi bo'lib, uni bajarish mumkin bo'lgan yagona ish, ya'ni ob-havo sharoitlarini tekshirish, shaxmat o'ynash va jurnalistik hisobot yozish 6 uchun xom ma'lumotlarni tahlil qilish. ANI real vaqtda vazifalarni bajarishi mumkin, ammo ular ma'lumotni ma'lum bir ma'lumotlar to'plamidan oladi. O'tkazib yubormang: Kompyuter, Mac va Android uchun eng yaxshi SNES emulyatori Oddiy sun'iy intellekt: General sun'iy intellekt qisqa shaklda AGI deyishimiz mumkin. bunda mashina kontseptsiya ishini tasavvur qila oladi va ular tushunganlarini qiladilar. Mashinalar odamlar bilan bir xil ishlaydi. Sun'iy g'ayritabiiy intellekt Bu masalani yechish xususiyati deb ham ataladi, bunda mashina qobiliyatga ega bo'lib, ular muammolarni odamlar hal qilgandek hal qilishadi. Bunda mashina tilni va muhandislik yordamchilarini tarjima qilishi mumkin .ular dunyoda yuqori darajadagi intellektual kompetentsiyalarga ega.Yuqori razvedka mashinalari shaxmat o'ynashni odamlardan ko'ra yaxshiroq o'ynaydi, chunki fritz boshqa vazifalarda odamlardan ustun bo'lolmaydi. Ba'zilar oldinga siljish haqida bahslashadi Sun'iy intellekt Ehtimol, insonning kognitiv cheklovlari mavjud bo'lmagan umumiy fikrlash tizimlariga olib keladi, chunki ba'zi texnologik tadqiqotchilar AI tushunchasiga qo'shilmaydilar, ya'ni mashina inson kabi hamma narsani qila oladi. Biz tubdan kattaroq aqlga erishishimiz uchun odamlar o'z biologiyasini rivojlantiradilar yoki to'g'ridan-to'g'ri o'zgartiradilar. Mashina oson ishlaydi va tezda eslay oladi va ishni tez yakunlaydi va mashinalar stressni kamaytiradi va odamlarga ishlaydi. Reaktiv mashinalar Bunda mashinalar dunyoni kuzatadi va unga munosabat bildiradi. Ular xotiralarni saqlamaydilar va o'tmish tajribasidan foydalanmaydilar. Ular shunchaki dunyoga munosabat bildiradilar. Reaktiv mashinalarning mashhur namunasi - bu IBM's Deep Blue, shaxmat grossmeysteri Kasparov mag'lub bo'ldi, bu biz shaxmat taxtasidagi donalarni ko'rishimiz va ularga munosabat bildirishimiz mumkin bo'lgan reaktiv mashina. 7 Aql nazariyasi Bunda ong va uning kvaliya va ong hodisalari yuqori darajada rivojlangan shaklda asosiy axborot mavjudotlari hisoblanadi. Mashina ixtirosining asosiy sababi ko'proq ish qilish vaqtini qisqartirishdir. Ular buni qilganlarida, nihoyat, hayratlanarli narsalarning tabiati ochiladi. Cheklangan xotira Ushbu cheklangan xotira AIda mashina vaqtinchalik xotiraga ega, ular doimiy xotiraga ega emas, ular faqat o'tmish tajribasidan foydalangan holda ishlarni bajaradilar. O'zini boshqaradigan mashinalar bor, menimcha, bu cheklangan xotira misollari, chunki ular faqat o'zi boshqaradigan avtomashinalar. Odamlar bu mashinalarni boshqarmaydilar. Ular o'zlariga ko'rsatma berib, mashina haydashadi. O'z-o'zidan boshqariladigan mashinalar o'zlari yo'llarni qanday kesib o'tishni va signal vaqtida nima qilishni o'rgatdilar. Ularning xotirasi cheklangan, qo'shimcha ravishda ular sof reaktiv mashinalarning imkoniyatlariga ega va ular qaror qabul qilish uchun tarixiy ma'lumotlarni o'rganishga qodir. O'z-o'zini anglash: O'z-o'zini anglash Bu ongdan boshqa narsa emas, bu o'z-o'zini anglash deb ataladi. Mashinalar o'zlarini bilishadi va ichki holatlar haqida bilishadi va boshqalarning his-tuyg'ularini bashorat qilishlari mumkin. Ular o'zlarining ko'rsatmalarini yaratadilar, ular unga amal qiladilar va Mashinalar qaysi vaqtda nima qilish kerakligini bilishadi. xMobil telefon yordamida yashirin kamerani qanday topish mumkin | Keraksiz kamerani aniqlang ?????????????????? The sun'iy intellekt javob berish tuyg'usiga ega bo'lishi kerak .agar ular javob beradigan tabiatga ega bo'lmasa, ulardan hech qanday foyda yo'q, masalan, bitta o'simlik javob berishi kerak bo'lsa, o'simlikning umri tugaydi. Keyin mashinalar atrof-muhitga javob beradi, bu biz uchun foydalidir .... Vaziyatga qarab nima qilishimiz kerak. 8 U o'z-o'zidan hech qanday inson ishisiz ishlaydi. Unda saqlangan ko'rsatmalarga muvofiq ishlaydi. Sun'iy intellektning ilovalari Optik belgilarni aniqlash. Nutqni aniqlash Qo'l yozuvini tan olish. Sun'iy ijodkorlik yuzni tanib olish. Tasvirni tahrirlash, kompyuter funksiyalari, tasavvur Foto va video o'zgartirishlar Tashxis (AI) misollar AI Siri va Alexa va onlayn tijorat, Pandora, cogito, nest, boxever, AI robototexnika, gumanoid, spam filtrlari. Sun'iy intellektni qanday yaratish mumkin: Eng muhimi, sun'iy intellekt katta hajmdagi ko'rsatmalarni tez va ko'plab algoritmlar va qadamlar bilan birlashtirish bilan ishlaydi va barchasini kodlash dasturiy ta'minotga ma'lumotlardagi naqsh yoki xususiyatlardan avtomatik ravishda o'rganish imkonini beradi. Mashinalar odamlar kabi hamma narsani hozir emas, balki kelajakda bajaradilar. ALning razvedkasi qarorlar qabul qiladi va murakkab qarorlar qabul qiladi. Ishni tez bajaring va bajarish vaqtini kamaytiring. Agar biron bir joyda ko'rsak, bu AIning asosiy tushunchasi odamlar kabi ishlay oladigan mashinalardir Tadqiqotchilarning fikricha,Sun'iy intellekt 2035 yilga borib insonning 1/10 qismigina aqlli bo'ladi. Ammo 2060 yilga kelib sun'iy intellekt odamlar bajaradigan deyarli barcha vazifalarni bajarishni boshlashi va, albatta, buni odamlardan ko'ra yaxshiroq bajarishi mumkin. Kamchiliklari bilan AI: Yuqori narx: 9 Sun'iy intellektni yaratish juda katta mablag' talab qiladi. Bu juda qimmat va ko'p vaqt va ko'plab dasturlarni talab qiladi. Asl ijodkorlik yo'q: Ularda asl ijod yo'q, ijodkorlik yo'q. Hamma narsa odatdagidek davom etadi, hech qanday rivojlanish yo'q. Ishsizlik : Bu bilan ishsizlik yuzaga keladi, chunki barcha ishlarni mashinalar bajaradi. Agar ba'zi vaziyatlarda mashinalar tomonidan bajariladigan barcha ishlar odamlar dangasa bo'lib qolishi mumkin. Hech qanday yaxshilanish yo'q: Ishlarda hech qanday yaxshilanish yo'q. Agar barcha ishlar mashinalar tomonidan bajarilgan bo'lsa, ularning ishi odamlar tomonidan bajarilmaydi Ba'zida mashinalar xavfli bo'lib qoladi, agar hammasi yaxshi o'rnatilmagan bo'lsa, mashinalar salbiy ishlarni qiladi. Afzalliklari AI : Mashinalarga to'g'ri kodlangan bo'lsa, sun'iy intellekt odamlarga nisbatan past xatolikka ega bo'ladi. Mashinalar aql bovar qilmaydigan aniqlik, o'z vaqtidalik, aniqlik va tezlikka ega bo'lar edi. Mashinalar atrof-muhitni yoqtirmaslik bilan hech qanday ta'sir qilmaydi. Ular odamlarga yordam berish uchun xavfli ishlarni bajarishi mumkin. AI trafikni boshqarishdan foydalanish uchun ishlatilgan va kelajakda o'zini o'zi avtomatlashtiradigan avtomobil yaratish uchun ishlatilishi mumkin va sun'iy intellekt kutish vaqtini 25 foizga qisqartirishi mumkin. Sun'iy intellektdan foydalanish: Elektron pochta xabarlari, ovozni o'zgartiruvchi, matnga ovozli kontsertning xususiyatlari, aqlli yordamchilar. Siri kabi Google yordamchilari. Bankda buxgalteriya hisobi. Sun'iy intellekt dasturiy ta'minoti: 10 Dasturiy ta'minotda bizda kodlash mavjud, kodlash yordamida biz statistika, dizayn, aql yaratish, gapirish, muammolarni hal qilish, o'qish, o'rganish mumkin bo'lgan hamma narsani qila olamiz. Bizda dasturlarni bajarish uchun barcha qadamlar va tartiblar mavjud. Dastur bu dasturlarning ma'lumotlar to'plamidan boshqa narsa emas, biz hamma narsani qila olamiz. . . Bu dastur kompyuter dasturi bo'lib, ushbu dastur yordamida mashina odamlar kabi gapira oladi, muammolarni hal qiladi va hokazo. Ushbu kompyuter dasturlari sun'iy intellektning chuqur tushunchalarini o'rganish uchun ishlatiladi. MASHINANI O'RGANISH Mashinalarni o'rganish ning kichik to'plamidir sun'iy intellekt o'rganish; bu mashinalarda inson kabi barcha vazifalarni bajarishi mumkin. Bu ishni bajarish uchun dastur qanday yozilganiga o'xshamaydi, lekin bu mashinalar o'tmishda bajargan ishlariga o'xshaydi. Bu dasturga amal qiladi, lekin ular buni o'zlari o'rganish uchun ishlatishgan. Mashinalar vaqti-vaqti bilan o'z xatti-harakatlarini tajriba yoki tarixdan yangilaydi. Odamlar Python, Java, JavaScript va hokazolardan foydalangan holda ushbu mashinani o'rganishni ixtiro qildilar. Menimcha, Python bu Python yordamida mashinani o'rganishning eng yaxshi va eng oson usuli bo'lib, biz matematika masalalari va rasmlarni tahrirlash va hokazolarni qila olamiz. Lekin eng yaxshisi dasturlash tilidan mashinani o'rganish holatlarga bog'liq. Ushbu dasturlar bir nechta ishlarni bajarish uchun mashinani o'rganish uchun ishlatiladi. Mashinani o'rganishda odamlarning ishtiroki yo'q, mashinalar kodlash yordamida o'zini o'zi o'rganadi. Mashinalar berilgan ma'lumotlarni qondirish uchun odamlarga o'xshab harakat qilishadi, siz ushbu vazifani dasturlarga muvofiq bajaradigan mashinalarga qanday kiritish dasturini bermoqchisiz. O'tkazib yuborma: Sun'iy intellekt va mashinani o'rganish Mashinani o'rganishda biz qurilmalar tushunchalarni tushunishi mumkin bo'lgan kirish algoritmlari bo'yicha mashinalarga ma'lumot beramiz va ular 11 algoritm yordamida vazifani bajaradilar. Agar siz ijobiy kiritish algoritmini taqdim qilsangiz, mashinalar aniq ishni bajarishi mumkin, agar siz salbiy kiritish algoritmini berasiz. Ular salbiy vazifani bajaradilar. Mashinalar nima noto'g'ri yoki nima to'g'ri ekanligini bilmaydi; ular faqat sizga berilgan dasturni bajaradilar. Mashina kirish ma'lumotlarining har qanday shaklini olishi va float shaklida chiqishni ishlab chiqarishi mumkin, mukammal kiritish bilan, masalan, kiritishda xatolik yo'q, ideal chiqishni beradi. Mashina tezligiga misol keltiring va sinfda bir nechta o'quvchilar tasvirdan foydalanib, ular ushbu mavzuning nomini, ushbu mavzuning o'lchamini va ushbu tasvir haqidagi ma'lumotlarni taxmin qilishadi. Mashinani o'rganish turlari: Mashinani o'rganishning uchta turi mavjud: 1. Nazorat ostida o‘rganish Bunda mashina o'qitish misollari to'plamidan ta'lim olishi mumkin. Nazorat ostidagi ta'limda ma'lumotlar belgilangan o'quv ma'lumotlaridan olinadi. Ta'lim misollari, bizda muammolar va echimlar, kirish va chiqishlar mavjud. Bunda biz mashinani vazifani bajarishga o'rgatishimiz kerak. Nazorat ostidagi o rganish odatda barmoq izi va parol kabi xavfsizlikʻ maqsadlarida yuzni aniqlashda qo llaniladi. ʻ Bizda nazorat ostidagi ta'limning ikki turi mavjud, ular o'zlarining ilovalari asosida taqsimlanadi. 12 1.2. Chiziqli va logistik regressiya Ular, ya'ni regressiya, tasniflash. Regressiya: regressiya butunlay statistik maqsadga asoslanadi, masalan, o'lchovlar yordamida xarajatlarni topish, berilgan o'lchovlar yordamida mahsulot qiymatini topish. Tasnifi: Tasniflash to'g'ri yoki noto'g'ri, erkak yoki ayol, salbiy yoki musbatni bashorat qilish uchun ishlatiladi, mashinalar vaziyatni bashorat qila oladilar yoki ular algoritmlar yordamida vaziyatni tasniflashlari mumkin. Omon qolgan o'rganishda barcha kirishlar shu kiritishga muvofiq mukammal natija beradi, kirishlar chiqishni ta'minlash uchun sinflar, teglar va ob'ektlarni o'z ichiga oladi; chiqishsiz kirish yo'q. Mashinalar o'rganilgan qoidadan o'rganishi mumkin bo'lgan ma'lumotlar kelajak uchun foydali bo'lishi mumkin. Nazorat ostidagi o'rganish mashinani o'rganish usullarini yaratish uchun ishlatiladi va bu usullar bizga aniq natijalar beradi. Masalan, agar siz yo'l qurmoqchi bo'lsangiz, quyidagilarni tahlil qilishingiz kerak: yo'lning fotosurati, joylashuvi, hajmi, qancha pul sarflashingiz kerakligi, xarajatlar asosida qancha ishchi qurishingiz kerakligi, ishchilar va vaqtni hisobga olgan holda siz kirish materiallarini qo'llab-quvvatlash narxini taxmin qilishingiz mumkin. 2. Nazoratsiz ta'lim: Mashinalar vaziyatlardan yoki oldingi ma'lumotlardan o'z-o'zidan o'rganishi mumkin. U faqat o'zini mashq qila oladi va oxirgi kundan boshlab o'z-o'ziga ko'rsatmalar berib vazifani bajaradi, hech kim mashq qila olmaydi. Ular faqat o'zlarini mashq qiladilar. Nazoratsiz o'rganishda odamlar hech qanday ko'rsatmalar bermaydilar; ular kashfiyot ma'lumotlari bilan vazifani bajarishlari mumkin. 3. Ta'limni mustahkamlash: 13 Ushbu mustahkamlashni o'rganishda mashinalar o'z qoidalariga ega. Ular har doim vazifani bajarish uchun o'z qoidalariga ega va hech kim mashinalarga buyurtma bera olmaydi. Uning o'z qoidalari bor. Vaqtni ko'paytirish va ishlashni kamaytirish uchun ular o'z vazifalarini bajaradilar. Ular nima qilishlari kerak, nima qilmasliklari haqida bitta fikrga ega. xCanva dagi matnni qanday jonlantirish mumkin ??????️?????? Mashinani o'rganishni qo'llash: Ishlab chiqilgan mashinani o'rganish turli xil ilovalarda qo'llaniladi, masalan: Vizyon protsessori Tilni qayta ishlash Birja tendentsiyalari, ob-havo kabi narsalarni bashorat qilish Shaklni aniqlash O'yinlar Ma'lumotlarni qazib olish Ekspert tizimlari Robototexnika Mashinani o'rganish bilan bog'liq qadamlar: Mashinani o'rganish kontseptsiyasi quyidagi bosqichlarni o'z ichiga oladi: Muammoni aniqlash Ma'lumotlarni tayyorlash Algoritmlarni baholash Natijalarni yaxshilash Natijalarni taqdim etish Python - bu mashina o'rganishni o'rganishning eng yaxshi usuli, Python-da biz topshiriqlar yoki loyihalar bilan ma'lumotlar to'plash, ma'lumotlarni tahlil qilish va ma'lumotlarni sharhlash, ma'lumotlarni hisoblash kabi vazifani bajaramiz va siz eng yaxshi natijani berish uchun ma'lumotlarni o'zgartirishingiz mumkin. . 14 Mashinani o'rganish tasnifi: Mashinani o'rganishni tasniflash uchun mashinalar eski ma'lumotlardan foydalangan holda yangi ma'lumotlarni bashorat qilish uchun o'z ma'lumotlaridan foydalanadi va barcha ma'lumotlar mashinani o'rganishni tasniflash uchun eski ma'lumotlaridan olinadi. Agar sizda biron bir shubha bo'lsa, buni tushunish uchun quyidagi tasniflash texnikasiga amal qiling: Kredit karta kompaniyasi yangi kredit kartalari uchun o'n minglab arizalarni qabul qiladi. Bu ilovalar yoshi, joylashuvi, jinsi, yillik maoshi, kredit rekordi va hokazolar kabi turli xil xususiyatlar haqida ma lumotlarni o z ichiga oladi. Buʼ ʻ yerda algoritmning vazifasi karta ilovalarini yaxshi kredit rekordi, yomon kredit rekordi bo lganlar kabi toifalarga ajratishdir. , va aralash kredit rekordi bo'lganlar. ʻ Tibbiyotda ML Kasalxonada tez yordam xonasi 15 dan ortiq xususiyatga ega bo'lib, bemorning intensiv terapiya bo'limiga yotqizilishi yoki yo'qligi haqida qaror qabul qilishdan oldin tahlil qilish uchun yosh qon bosimi, yurak kasalligi, hizalanishning og'irligi va hokazo. ustuvorlik. Bu erda muammo bemorlarni mavjud xususiyatlar yoki parametrlar asosida yuqori xavfli va past xavfli bemorlarga tasniflashdir. Mashina tasniflash vaqtida quyidagi shartlarga amal qiladi. Agar siz o'tmishda bashorat qilingan kelajakdagi ma'lumotlardan foydalanmoqchi bo'lsangiz, ma'lumotlar kelajakda foydalanish uchun saqlanadi. Sinov tugagandan so'ng, ma'lumotlar kelajak uchun ishlatiladi. Keyinchalik sinovdan o'tgan ma'lumotlar yordamida biz yangi ma'lumotlarni bashorat qilamiz. Tasniflash, shuningdek, toifalash deb ataladi, bu mashinani o'rganish usuli bo'lib, u yangi ma'lumotlarni ilovalaridan ajratish uchun oldingi ma'lumotlardan yordam oladi va ular teglar yoki sinflarga tasniflanadi. Tasniflash vazifalarida dastur bir yoki bir nechta mustaqil yoki kiritilgan o'zgaruvchilardan qaram yoki o'zgaruvchilar uchun diskret qiymatlarni bashorat 15 qilishni o'rganishi kerak. Ya'ni, ilova eng ehtimolli sinfni bashorat qilishi kerak, toifalar yomg'ir yog'ishi yoki yog'masligini bashorat qilishni yoki ma'lum bir kompaniyaning aktsiyalari narxining ko'tarilishi yoki tushishini bashorat qilishni yoki maqolaning sport yoki ko'ngilochar bo'limiga tegishli ekanligini aniqlashni o'z ichiga oladi. . Tasniflash nazorat ostidagi ta'lim shaklidir. Gmail, Yahoo va boshqalar kabi pochta xizmati provayderlari bu usuldan yangi pochtani keraksiz yoki keraksiz pochta deb topish uchun foydalanmoqda. Tasniflash algoritmlari, ehtimol, keraksiz sifatida tayyorlangan xatlarning foydalanuvchi harakatlarini tekshirish orqali o'zini o'zi o'rgatadi. Ushbu ma'lumotlarga asoslanib, tasniflagich yangi xat kiruvchi qutiga yoki keraksiz papkaga tushishi kerakligiga qaror qiladi. Tasniflashning qo'llanilishi Kredit karta firibgarligini aniqlash - Kredit karta jinoyatchilarini aniqlash uchun biz ushbu tasnifdan foydalanamiz. E-pochta keraksiz - Ushbu ma'lumotlarga asoslanib, tasniflagich yangi xat kiruvchi qutiga yoki keraksiz papkaga tushishi kerakligiga qaror qiladi. Naive Bayes tasniflash texnikasi: tasniflash usullariga sodda Bayes klassifikatori kiradi, bu tasniflashning oddiy texnikasi. Bunday tasniflagichlarni o'rgatishning yagona algoritmi emas. Shunday bo'lsa-da, algoritmlar guruhi .bunda bizda muammoni tasniflash yoki ajratish uchun ba'zi modellar yoki usullar mavjud. Bizda mavjud bo'lgan ma'lumotlarga asoslanib, biz qiyinchilikni tashkil qilishimiz mumkin. Oddiy Bayes klassifikatorining muhim xususiyati shundaki, u mashinani o'rganishni ajratish uchun ishlatiladigan sinflarni ishlab chiqish uchun kamroq sinovdan o'tgan ma'lumotlarni talab qiladi. bunda ba'zi medallar aniq tasniflanadi. Bu sodda Bayes ko'plab real hayotda foydalidir; bular bizga juda tanish. regressiya: Ushbu regressiyada biz kirish asoslari bo'yicha chiqishni aniqlashimiz mumkin. Misol uchun, belgilarga ko'ra qancha ball paydo bo'lishi mumkin va qancha foiz belgilarga asoslanadi. Tasniflash kabi, regressiya muammosi nazorat 16 ostida o'rganishni talab qiladi. Regressiya vazifalarida dastur kirish yoki tushuntiruvchi o'zgaruvchilardan uzluksiz chiqish yoki javob o'zgaruvchisining qiymatini bashorat qiladi. tavsiya: tavsiya - xaridlar tarixi, bosishlar va reytinglar kabi foydalanuvchi ma'lumotlariga asoslangan yaqin tavsiyalar beruvchi mashhur usul. Google bu usuldan foydalanuvchilari uchun tavsiya etilgan narsalar ro yxatini ko rsatishʻ ʻ uchun foydalanadi, ularning oldingi harakatlaridagi ma lumotlarga asoslanadi. ʼ Foydalanuvchi xatti-harakatlarini va oldingi foydalanuvchi harakatlariga asoslangan tavsiya qiluvchi tanlangan narsalarni qo'lga kiritish uchun fonda ishlaydigan tavsiya beruvchi mexanizmlar mavjud. Facebook shuningdek, odamlarni aniqlash va tavsiya qilish va o'z foydalanuvchilariga do'stlik takliflarini yuborish uchun tavsiya qiluvchi usulidan foydalanadi. Tavsiya mexanizmi - bu foydalanuvchining rekordi va xatti-harakati asosida nimaga qiziqishi mumkinligini bashorat qiladigan model. Bu filmlar kontekstida qo'llanilsa, bu filmni tavsiya qilish mexanizmiga aylanadi. Odamlar filmga o'xshab, filmga qanday munosabatda bo'lishlari asosida biz filtrni filmga o'zgartirishimiz mumkin. Bu bizga foydalanuvchilarni ma'lumotlar bazasidan to'g'ri tarkib bilan bog'lashda yordam beradi. Ushbu uslub ikki jihatdan foydalidir: agar bizda filmlarning katta ma'lumotlar bazasi bo'lsa, foydalanuvchi o'z tanloviga mos keladigan tarkibni topa olmasligi mumkin. Bundan tashqari, tegishli kontentni tavsiya qilish orqali biz iste'molni oshirishimiz va ko'proq foydalanuvchilarni olishimiz mumkin. Agar siz asosiy videolarni ko'rsangiz, Netflix ular mijozlarga mijozlarni qondirish va ularning daromadlari va reytingini oshirish uchun takliflar beradi. Tavsiya mexanizmlari odatda hamkorlikdagi filtrlash yoki kontentga asoslangan filtrlash yordamida tavsiyalar ro yxatini ishlab chiqaradi. Ikkala tur ʻ o'rtasidagi farq tavsiyalarni chiqarish usulidadir. Birgalikda filtrlash joriy foydalanuvchini qiziqtirishi mumkin bo'lgan o'tmishdagi xatti-harakatlardan 17 modelni yaratadi. Filtrlashning yana bir misoli shundaki, biz sotishni ko'paytirish va daromadni oshirish uchun mahsulotga qo'shimcha xususiyatlar qo'shishimiz mumkin. Mijozlarning tavsiyalari asosida mahsulotlar xaridorlarni jalb qilish uchun yaratiladi klasterlash: bog'liq kuzatuvlar guruhlari klasterlar deyiladi. Umumiy nazoratsiz o'rganish vazifasi trening ma'lumotlari ichida klasterlarni topishdir. Masalan, kutubxonada biz kitoblarni mavzular asosida tartibga solamiz; shunga o'xshash mavzular bir joyda saqlanadi, biz kutubxonadagi barcha kitoblarni yig'amiz, chunki biz kitoblarni masalalar va mavzularni qo'llab-quvvatlash bo'yicha ajratamiz. Klasterlashning qo'llanilishi: Klaster tasvirni qayta ishlash va ma'lumotlarni yig'ish va ma'lumotlarni tahlil qilish kabi ko'plab sohalarda qo'llaniladi. Ba'zilari quyida keltirilgan Klaster marketing sohasida foydaliroq; bunda menejerlar mahsulotlarni xaridorlarning ehtiyojlaridan kelib chiqib taqsimlaydilar va foydani oshirishni xohlashadi. Ma'lumotni topish uchun Internetdagi hujjatlarni tasniflashda yordam beradi. Kredit kartalaridagi firibgarlikni aniqlash kabi haddan tashqari qiymatlarni aniqlash ilovalarida qo'llaniladi. Bu kredit karta jinoyatchilarini aniqlashga yordam beradi. Agar noto'g'ri shaxs kredit kartaga kirmoqchi bo'lsa, ular bildirishnoma oladi va foydalanuvchi ma'lumot oladi. Klaster tahlili bir xil ma'lumotlarni guruhlarga birlashtirish uchun ishlatiladi; Ular bir xil ma'lumotlarni klasterlarga almashish uchun ishlatiladi. Aslida, klaster nima? Menda siz uchun eng yaxshi javob bor, u shunga o'xshash ma'lumotlar to'plamidan boshqa hech narsani to'plamaydi. Ular deyarli bir xil bo'lib, tasniflash o'xshashlik asosida amalga oshiriladi. 18 Klasterlash ko'pincha ma'lumotlar to'plamini o'rganish uchun ishlatiladi. Masalan, kino sharhlari to'plamini hisobga olsak, klasterlash algoritmlari pozitsiyalar va salbiy sharhlar to'plamini aniqlashi mumkin. Tizim yorliq bo'lmaydi va klasterlar "ijobiy" yoki "salbiy"; nazoratsiz faqat guruhlangan kuzatishlar qandaydir darajada bir-biriga o'xshashligini bilib oladi. Klasterlashning odatiy qo'llanilishi - bu alohida mijozlar guruhlari uchun qanday xususiyatlar umumiy ekanligini aniqlash; sotuvchilar o'z kampaniyalarining qaysi jihatlariga urg'u berish kerakligini hal qilishlari mumkin. Internet-radio xizmatlari ham klasterlashdan foydalanadi; masalan, qo'shiqlar to'plamini hisobga olsak, klasterlash algoritmi qo'shiqlarni guruhlashi mumkin. Mashina o'rganish ilovalari: sun'iy intellekt va mashinani o'rganish hamma joyda mavjud. Imkoniyat shundaki, siz ulardan foydalanasiz va hatto buni bilmaysiz. Mashinani o'rganish kompyuterlarida kuchli odamlar kabi harakat qiladilar, ular dasturiy ta'minotni kodlashni o'rgatish yordamida o'zlarini odamlarga o'xshatadilar va vaziyatlarni tushunishlari va vaziyatga qarab javob berishlari mumkin. Agar mashinani o'rganish dasturlari ovozni aniqlash, yuzni aniqlash, ma'lumotlarni kodlash va dekodlashni o'z ichiga olsa, ular mashinani o'rganish uchun mukammal dasturlardir. Virtual shaxsiy yordamchilar: IPhone'dagi Siri kabi virtual shaxsiy yordamchilar, Alexa va Google yordamchilari mashhur virtual yordamchilardir.Ushbu yordamchilar siz ular bilan gaplashganda ovoz asoslari bo'yicha ma'lumotni bashorat qilish uchun ishlatiladi va ular inson ovozi kabi javob beradi. Buning uchun ularni faollashtirish va “bugungi uchrashuvlarim nima?”, “Dehlidan Haydarobodga poyezdlar qanday?” kabi savollarni berish kifoya. “. Bunday so'rovlarga javob berish va ma'lumot uchun boshqa manbalarga kirish uchun oldingi savollaringizni eslaydi va tegishli ma'lumotlarni to'plash uchun boshqa manbalarga kiradi. Bunda siz onaga qo'ng'iroq qilish orqali qo'ng'iroq qilishingiz va marshrutni ko'rishingiz va ma'lumotlarni qidirishingiz mumkin. 19 Yordamchi bizning ehtiyojlarimizni tushunishi mumkin va ular buni amalga oshiradilar, yordamchi foydalanuvchilarga bizga kerakli narsani topishga yordam beradi. tirbandlik tahlili va bashorati: GPS navigatsiya xizmatlarining joylashuvi va tezligi va ulardan joriy trafik xaritasini yaratish uchun foydalaning. Buning yordamida biz tirbandlikni kamroq yo'lni topishimiz mumkin. Ushbu texnika yordamida biz oldingi trafik ma'lumotlari to'plamlari asosida trafikni kamaytirishimiz mumkin; bu bilan siz bormoqchi bo'lgan mukammal manzilni ko'rishimiz mumkin. Avtomatlashtirilgan video kuzatuv: Bugungi kunda videokuzatuv tizimlari sun'iy intellekt bilan ta'minlangan va mashinani o'rganish bu jinoyatlarni sodir bo'lishidan oldin aniqlash va oldini olish imkonini beradigan texnologiyadir. Ular odamlarning g'alati va shubhali xatti- harakatlarini kuzatib boradi va oxir-oqibat baxtsiz hodisalar va jinoyatlarga yordam beradigan odamlarga ogohlantirishlar yuboradi. ijtimoiy tarmoqlar: Facebook doimiy ravishda do'stlaringiz bilan bog'langan do'stlaringizni nazorat qiladi va siz o'z qiziqishlaringizni do'stlaringiz bilan baham ko'rishingiz mumkin. Siz ish joyingiz bilan do'stlaringiz yoki guruhingiz bilan baham ko'rishingiz mumkin. Instagram shuningdek, siz bog'langan do'stlaringizni doimiy ravishda kuzatib boradi, siz joylashuvingizni baham ko'rishingiz mumkin va siz haqingizda ma'lumot almashishingiz mumkin. Siz o'zingizning rasmlaringiz va hujjatlaringizni boshqalar bilan bo'lishishingiz mumkin. Bunda siz mashinani o'rganish asosida do'stlar taklifini olasiz. Tavsiyalarda siz o'zingiz bilgan odamlarni topishingiz mumkin, shuningdek siz joylashuvni topishingiz va joylashuvingizni baham ko'rishingiz mumkin. matnni biz boshqalar qila olamiz. yuzni tanib olish: Yuzni tanish xavfsizlik maqsadlarida qo'llaniladi; yuzingizni barmoq izi kabi telefoningizda parol sifatida saqlashingiz mumkin. 20 Kompyuterni ko'rish kontseptsiyalari asosida biz mashinani o'rganishni rivojlantirmoqdamiz; kompyuterni ko'rish - bu mashinani o'rganishning qo'shimcha afzalliklari. Google ob'ektivi tasvirni aniqlash va bu haqda to'liq ma'lumot berish uchun mashinani o'rganishdan foydalanadi. Google ob'ektivi bizga rasmlar yordamida aniq ma'lumot beradi. elektron pochta spamlari va zararli dasturlarni filtrlash: Mashinani o'rganish spamni aniqlashda keng qo'llaniladi va zararli dasturlarni filtrlash va bunday spamlar va zararli dasturlarning ma'lumotlar bazasi yangilanib turadi, shuning uchun ular samarali tarzda qayta ishlanadi. onlayn mijozlarni qo'llab-quvvatlash : Bugungi kunda bir nechta veb-saytlarda mijozlar onlayn mijozlarga xizmat ko'rsatish bilan bog'lanishlari mumkin. Ular joylashuvni osongina almashishlari mumkin. Ko'pgina hollarda, siz haqiqiy rahbar o'rniga chatbot bilan gaplashasiz. Chatbot veb-saytdagi mijozlarga onlayn xizmatlarga so'rovlar beradigan veb- saytdagi ma'lumotlarni taqdim etish uchun ishlatiladi. Bunda chat mijozning muammosini tushuna olmaydi va ularga aniq ma'lumot bera olmaydi; Ushbu jami ilovalar faqat mashinani o'rganish bilan mumkin. Dvigatel natijalarini takomillashtirish: Google-da foydalanuvchilarga aniq natijalar berish uchun mashinani o'rganish qo'llaniladi; ular besh soniya ichida natija beradi .foydalanuvchining istak va ehtiyojlari asosida algoritmlar takomillashtiriladi va ishlab chiqiladi. mahsulot tavsiyalari: agar foydalanuvchi mahsulotni onlayn xarid qilsa yoki qidirsa, u xarid qilish bo'yicha takliflar va ushbu mahsulot haqidagi e'lonlar uchun elektron pochta xabarlarini olishda davom etadi. Agar ular allaqachon onlaynda biron bir mahsulotni sotib olgan bo'lsa, ular tovarlar haqida bildirishnomalar oladilar va agar ular onlayn rejimida savatga qo'shilsa, ular savatdagi narsalar haqida ma'lumot oladi. Onlayn firibgarliklarni aniqlash: 21 Mashinani o'rganish onlayn pul firibgarliklarini kuzatish uchun ishlatiladi. Masalan, PayPal pul yuvishning oldini olish uchun mashinani o'rganishdan foydalanmoqda. Kompaniya onlayn jinoyatchilarni aniqlash uchun belgilangan qoidalar va shartlardan foydalanadi. 22 1.3. Mos yozuvlar vektorlari usuli, qaror qiluvchi daraxtlarga asoslangan algoritmlar "Yozuvlar vektorlari usuli" suniy intellekt sohasida ma'lumotlar va ma'nolarni tushunish, taqqoslash, va ishlov berish uchun ishlatiladigan texnologiyalardan biridir. Bu, so'zlarni va matn qatorlarini soniy vektorlar orqali ifodalovchi ma'lumotlarga aylantirishni ma'nosini anglatadi. Bu usulning asosiy maqsadi, tarjima, taassurot tahlili, gaplarni bir-biriga bog'lash, so'zlar orasidagi o'zaro bog'lovchilar orqali matnni tushunish va boshqa suniy intellekt vazifalarini bajarishdir. Bu usulni tushunish uchun quyidagi muhim qo'llanmalar mavjud: Word Embeddings: So'zniklar, so'zlar orasidagi o'zaro bog'lovchilar orqali ma'nolarni ifodalovchi vektorlar. Ushbu vektorlar, so'zlar o'rtasidagi o'zaro boqish va bir-biriga o'xshashlikni ifodalaydi. GloVe (Global Vectors for Word Representation): GloVe, matnni o'qiganingizda so'zlar orasidagi ko'p o'zgaruvchanli ma'no bog'lovchilarini ko'rsatadigan so'zniklar algoritmi. Bu usul, so'zlar orasidagi o'zgaruvchanli ma'nolarni aniqlashda juda samarali. Word2Vec: Bu usul, so'zlar orasidagi o'zaro bog'lovchilar orqali so'zlar va matn qatorlarini soniy vektorlarga aylantirishni o'rgatadi. Word2Vec algoritmi tarqalgan matnlarda o'xshash so'zlar orasidagi o'zgaruvchanli ma'no bog'lovchilarini aniqlaydi. FastText: FastText, harf o'lchamidagi n-gramlar (so'zlar yoki harflar orasidagi to'g'ri bog'lanishlarni aniqlash) asosida so'zlar orasidagi o'zaro bog'lovchilar orqali so'zlar va matnni ifodalovchi vektorlarni yaratadi. ELMo (Embeddings from Language Models): ELMo, so'z va matnning konteksti bo'yicha o'zgaruvchanli ma'no bog'lovchilarini aniqlash uchun ishlatiladi. Bu, bir so'zning ma'nosi ko'rsatilayotgan so'z yoki matndagi o'zgaruvchanli ma'nolarni ifodalaydi. Mos yozuvlar vektorlari usulini (word embeddings) qaror qiluvchi algoritmalar, matnlar yoki so'zlar orasidagi o'zaro bog'lovchilar orqali ma'noni 23 aniqlash va taqqoslashda foydalaniladi. Bu algoritmalar, suniy intellektning turli sohalarda, masalan, tarjima, taassurot tahlili, gaplarni bir-biriga bog'lash va boshqa vazifalarni bajarishda qo'llaniladi. Quyidagi eng mashhur algoritmalardan ba'zilarini ko'rib chiqamiz: Word2Vec: Bu algoritmada so'zlar orasidagi o'zaro bog'lovchilar orqali so'zlar va matn qatorlarini soniy vektorlarga aylantirish amalga oshiriladi. Continuous Bag of Words (CBOW) va Skip-gram modellari Word2Vec algoritmalarining asosidir. GloVe (Global Vectors for Word Representation): Bu algoritmada, so'zlar orasidagi statistik ta'sir o'rnatilgan matn korpuslaridan olingan ma'lumotlardan foydalaniladi. So'zlar orasidagi o'zgaruvchanli ma'no bog'lovchilarini aniqlash va o'zgaruvchanli matnni ifodalovchi vektorlar tuziladi. FastText: Bu algoritmada, harf o'lchamidagi n-gramlar (so'zlar yoki harflar orasidagi to'g'ri bog'lanishlarni aniqlash) asosida so'zlar va matnni ifodalovchi vektorlar yaratiladi. Harf o'lchami darajasi bilan o'zgaruvchanli vektorlar taqsimlangan. ELMo (Embeddings from Language Models): ELMo, so'z va matnning konteksti bo'yicha o'zgaruvchanli ma'no bog'lovchilarini aniqlash uchun ishlatiladi. Bu algoritmada, tarmoq va matnning umumiy ma'nosi ko'rsatilgan so'z yoki matndagi o'zgaruvchanli ma'nolarni ifodalaydi. BERT (Bidirectional Encoder Representations from Transformers): BERT, matn yoki so'zning barcha tomonlarini (ayoqlarini) hisobga olish uchun ishlatiladi. BERT, bi-tarafa (bidirectional) ma'noni olishga imkon beradi va matnning kontekstini yaxshi tushunishga yordam bera olish uchun turli vazifalarni bajarishda foydalaniladi. Qaror qiluvchi daraxtlarga asoslangan algoritmlar, suniy intellekt va ma'lumotlar analitikasi sohasida qaror qabul qilish va modelni o'rgatishda foydalaniladi. Ular, turli xil vazifalarni bajarish uchun ishlatiladi, masalan, taassurot tahlili, matnni sinovga olish, ma'lumotlardan qaror chiqarish va boshqa 24 vazifalar. Quyidagi bir necha mashhur qaror qiluvchi daraxtlarga asoslangan algoritmlarni ko'rib chiqamiz: Qaror Daraxti (Decision Trees): Bu, qaror qiluvchi daraxtlarning klassik turi hisoblanadi. Ushbu daraxt ma'lumotlar to'plamini nisbatan oson tahlil qiladi va har bir qadamda ma'lumotlarni ikki yoki undan ko'p guruhga bo'lib bo'lishi mumkin. Entropiya yoki Gini indeksi asosida qaror qabul qiladi. Random Forest: Bu, ko'p xil qaror daraxtlarining bir araya kelsa yuzaga keladigan ansambl modellardan biridir. Har bir qaror daraxti bir qismi ma'lumotlar bilan o'rgatiladi, va keyin umumiy natijalarni olish uchun ularni birlashtirib ishlatish mumkin. Gradient Boosting: Bu algoritm, ko'p marta ishlatilayotgan zahira daraxtlarini yaratadi. Har bir zahira daraxti oldingi zahira daraxtidan qolgan xatoliklarni to'plash uchun ishlatiladi. AdaBoost, XGBoost va LightGBM kabi turli Gradient Boosting modellari mavjud. K-Nearest Neighbors (K-NN): Bu algoritm, sinov natijalari orqali yangi nuqtalarni qaror qiladi. K-NN, yangi nuqtani uning yaqinida joylashgan k xuddi xil sinov nuqtalarni qaror qilib aniqlaydi. Naive Bayes: Ushbu algoritm, Bayes qonuni asosida ishlaydi. Ma'lumotlar o'zaro bog'lovchilar orqali qaror qilishda ishlatiladi. Masalan, spam foydalanuvchilari aniqlashda, matnning ma'lum bo'lgan so'zlari orasidagi bog'lovchilar orqali qaror qabul qiladi. Support Vector Machines (SVM): Bu algoritm, klassifikatsiya va regressiya uchun ishlatiladi. Ushbu algoritm, sinov natijalari orqali qaror qilishda ham foydalaniladi va sinov datalari orasidagi farqlarni chetlab olish uchun ishlatiladi. 25 XULOSA Klassik mashina o'rganish algoritmlari, ma'lumotlar analizi va ma'lumotlar bilan ishlashda keng qo'llaniladigan metodlardir. Ular o'rganish (learning) va taxmin qilish (prediction) jarayonlarini o'rganishda va aniqlashda ishlatiladi. Bu algoritmlar ichida ikkita mashhur algoritm, yani "Chiziqli va Logistik regressiya" va "Mos yozuvlar vektorlari usuli"ni ko'rib chiqamiz. 1. Chiziqli va Logistik Regressiya: Chiziqli regressiya (Linear Regression): Chiziqli regressiya, ma'lumotlar o'zgaruvchisi bilan maqsad funksiyasi orasidagi chiziqli bog'lanishni aniqlash uchun ishlatiladi. Uning asosiy maqsadi, o'zgaruvchilar va maqsad funksiyasi orasidagi o'zaro moslikni tushuntirish va bu moslikni boshqa ma'lumotlar uchun taxmin qilishdir. from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # Ma'lumotlarni tayyorlash X, y = prepare_data() # Sizning ma'lumotlar tayyorlangan funksiyangizda bo'lishi kerak X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Modelni yaratish va o'rgatish model = LinearRegression() model.fit(X_train, y_train) # Taxmin qilish y_pred = model.predict(X_test) # Natijalarni baholash mse = mean_squared_error(y_test, y_pred) print(f"Mean Squared Error: {mse}") 26 Logistik regressiya (Logistic Regression): Logistik regressiya, ikkita sinflar (masalan, "to'g'ri" va "noto'g'ri") o'rtasidagi bog'lanishni aniqlash uchun ishlatiladi. U sinflar orasidagi bog'lanishni log odds orqali ifodalaydi va maqsad funksiyasini log-oddslar yig'indisi sifatida qo'llaydi. from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # Ma'lumotlarni tayyorlash X, y = prepare_data() # Sizning ma'lumotlar tayyorlangan funksiyangizda bo'lishi kerak X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Modelni yaratish va o'rgatish model = LogisticRegression() model.fit(X_train, y_train) # Taxmin qilish y_pred = model.predict(X_test) # Natijalarni baholash accuracy = accuracy_score(y_test, y_pred) print(f"Accuracy: {accuracy}") 27 FOYDALANILGAN ADABIYOTLAR 1. Cybenko, G. 1989. Approximation by superpositions of a sigmoidal function Mathematics of Control, Signals, and Systems, 2(4), 303–314. 2. Linnainmaa, Seppo (1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors (Masters) (in Finnish). University of Helsinki. pp. 6–7. 3. Kelley, Henry J. (1960). "Gradient theory of optimal flight paths". ARS Journal. 30 (10): 947–954. doi:10.2514/8.5282. 4. Rosenblatt, Frank. x. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Spartan Books, Washington DC, 1961 5. Werbos, Paul (1982). "Applications of advances in nonlinear sensitivity analysis" (PDF). System modeling and optimization. Springer. pp. 762– 770. Archived (PDF) from the original on 14 April 2016. Retrieved 2 July 2017. 6. Rumelhart, David E., Geoffrey E. Hinton, and R. J. Williams. "Learning Internal Representations by Error Propagation". David E. Rumelhart, James L. McClelland, and the PDP research group. (editors), Parallel distributed processing: Explorations in the microstructure of cognition, Volume 1: Foundation. MIT Press, 1986. 7. Hastie, Trevor. Tibshirani, Robert. Friedman, Jerome. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, New York, NY, 2009. 8. Rosenblatt, Frank (1958). "The Perceptron: A Probabilistic Model For Information Storage And Organization in the Brain". Psychological Review. 65 (6): 386–408. CiteSeerX 10.1.1.588.3775. doi:10.1037/h0042519. PMID 13602029. S2CID 12781225. 9. Rosenblatt, Frank (1962). Principles of Neurodynamics. Spartan, New York. 10. Schmidhuber, Juergen (2022). "Annotated History of Modern AI and Deep Learning". arXiv:2212.11279 [cs.NE]. 28

 KLASSIK MASHINANI O'RGANISH ALGORITMLARI-CHIZIQLI VA LOGISTIK REGRESSIYA, MOS YOZUVLAR VEKTORLARI USULI, QAROR QILUVCHI DARAXTLARGA ASOSLANGAN ALGORITMLAR.docx

Купить