Mashinaviy o‘qitishda klassifikatsiya(tasniflash) algoritmi

Информация о документе

Цена	2000UZS
Размер	37.7KB
Покупки	0
Дата загрузки	07 Ноябрь 2026
Расширение	docx
Раздел	Рефераты
Предмет	Информатика и ИТ

Mashinaviy o‘qitishda klassifikatsiya(tasniflash) algoritmi

Купить

Mashinav iy oʻqit ishda k lassifi k at siy a(t asnifl ash) algorit mi
MUNDARIJA
Kirish ................................................................................................................................................................. 2
2. Unsupervizzatsiya asosidagi metodlar ................................................................................................ 7
Farqlar va o‘xshashliklar: ........................................................................................................................ 8
Logistik regressiya ............................................................................................................................................. 9
Logistik regressiyaning umumiy ko‘rinishi: ............................................................................................. 9
Logistik regressiyaning qo‘llanilishi: ........................................................................................................ 9
Asosiy G‘oya: ........................................................................................................................................ 10
Yadro mashinasining ishlash prinsiplar: ................................................................................................ 10
Yadro funksiyalari (Kernel Functions): .................................................................................................. 10
SVM ning afzalliklari: ............................................................................................................................ 11
SVM ning kamchiliklari: ........................................................................................................................ 11
SVMni qo‘llash: ..................................................................................................................................... 11
Xulosa ............................................................................................................................................................ 12
........................................................................................................................................................................ 13

Kirish
Mashinaviy o qitish (machine learning) — bu kompyuter tizimlarining tajriba asosidaʻ
o‘rganish va o‘z xatti-harakatlarini yaxshilashga qodir bo‘lishi jarayonidir. Bu
jarayon, ma'lumotlar asosida modellarning shakllanishi va yangi, ko‘rinmas
ma'lumotlardan foydalangan holda qarorlar qabul qilishga imkon yaratadi.
Mashinaviy o qitishning bir nechta turli metodlari mavjud bo‘lib, ularning eng
ʻ
mashhur turlaridan biri klassifikatsiya (tasniflash) algoritmlaridir.
Klassifikatsiya — bu ma'lumotlarni biror bir kategoriya yoki toifaga ajratish
jarayonidir. Masalan, elektron pochta xabarlarini spam yoki spam emas deb ajratish,
tibbiy tasvirlarni kasallik turlari bo`yicha tasniflash, yoki foydalanuvchilarni har xil
guruhlarga ajratish kabi amaliy misollarni keltirish mumkin. Klassifikatsiya
algoritmlari, berilgan ma'lumotlar asosida, yangi, ilgari ko‘rilmagan ma'lumotlarni
to‘g‘ri toifalashga yordam beradi.
Klassifikatsiya algoritmlari, odatda, supervizzatsiya (supervised learning) metodiga
asoslanadi. Bu metodda, model o‘rgatish uchun etiketlangan ma'lumotlardan
foydalaniladi, ya'ni har bir ma'lumot nuqtasi oldindan belgilangan biror toifaga (yoki
kategoriya) tegishli bo‘ladi. Model o`rgatilib bo‘lganidan keyin, yangi ma'lumotlar
kiritilganda, ularni to‘g‘ri toifaga ajratadi.
Klassifikatsiya algoritmlarining rivojlanishi va ularning turli amaliy sohalarda
qo‘llanilishi, masalan, sog‘liqni saqlash, marketing, tabiiy tilni qayta ishlash (NLP),
va tasvirlarni qayta ishlash sohalarida katta ahamiyatga ega. Bugungi kunda,
mashinaviy o qitish yordamida yaratilgan klassifikatsiya modellari, katta hajmdagi
ʻ
ma'lumotlarni tahlil qilishda, vaqtni tejashda va kutilmagan xatoliklarni
kamaytirishda samarali vositalar bo`lib xizmat qiladi.
2

Mashinaviy o qitishga umumiy tushunchaʻ
Mashinaviy o qitish (Machine Learning, ML) — bu sun'iy intellektning bir tarmog`i
ʻ
bo‘lib, kompyuter tizimlariga ma'lumotlar orqali o‘rganish va tajriba asosida qarorlar
qabul qilish imkoniyatini beradi. Mashinaviy o qitish kompyuterlarga ma'lum bir
ʻ
vazifani bajarish uchun aniq dasturlash kerak bo`lmasdan, faqatgina mavjud
ma'lumotlar asosida o‘rganishni ta'minlaydi. Bu texnologiya, odamlarning ko`p vaqt
va kuch sarflovchi murakkab tahlil ishlarini avtomatlashtirish, shuningdek, yangi va
ilgari ko‘rilmagan holatlarda samarali qarorlar qabul qilish imkoniyatini yaratadi.
Mashinaviy o qitishning asosiy maqsadi, ma'lumotlar orqali modellarga o‘rgatish va
ʻ
ular orqali yangi, ko‘rinmas ma'lumotlarni tahlil qilishdir. Misol uchun, mashinaviy
o qitish yordamida kompyuter tizimi o‘zining o‘rgangan tajribasi asosida, yangi
ʻ
rasmni tasniflash, yangi xatni spam yoki spam emas deb ajratish, yoki mijozlarga
mos mahsulotlarni tavsiya qilish kabi vazifalarni bajarishi mumkin.
Mashinaviy o qitishning turlari odatda ikki asosiy toifaga bo‘linadi:
ʻ
 Supervizzatsiya (supervised learning) — Bu metodda ma'lumotlar oldindan
belgilangan etiketlarga ega bo‘ladi, ya'ni har bir ma'lumot nuqtasining toifasi
aniq bo‘ladi. Model bu etiketlar yordamida o`rganadi va yangi, etiketlanmagan
ma'lumotlarga asoslangan qarorlar qabul qiladi. Klassifikatsiya va regressiya
masalalari supervizzatsiya asosida amalga oshiriladi.
 Unsopervizzatsiya (unsupervised learning) — Bu metodda ma'lumotlar
etiketlanmagan bo‘ladi. Model, o`zi yangi ma'lumotlarni tahlil qilib, ularni
o`xshashliklar asosida guruhlashga harakat qiladi. Klasterlash (clustering) va
o`lchamni kamaytirish (dimensionality reduction) kabi vazifalar
unsupervizzatsiya metodlari orqali amalga oshiriladi.
Shuningdek, mashinaviy o qitishda
ʻ mustahkamlash o‘qitish (reinforcement
learning) kabi boshqa metodlar ham mavjud bo‘lib, bu metodda model muhit bilan
3

o`zaro aloqada bo‘lgan holda tajriba orttiradi va mukofotlar yoki jazolar asosida
o‘rganadi.
Mashinaviy o qitish texnologiyasi bugungi kunda turli sohalarda keng ʻ
qo`llanilmoqda. Ularning ba'zilari quyidagilar:
 Sog‘liqni saqlash — kasalliklarni tashxislash, dori-darmonlarni tavsiya qilish
 Marketing — mijozlarga mahsulotlarni tavsiya qilish, foydalanuvchi xatti-
harakatlarini tahlil qilish
 Moliyaviy texnologiyalar — kreditni tasniflash, firibgarlikni aniqlash
 Transport — o‘z-o‘zini boshqaradigan avtomobillar, yo‘l harakati tahlili
 Tabiiy tilni qayta ishlash — matnni tahlil qilish, chat-botlar, tilni tarjima
qilish
Klassifikatsiyaning asosiy tushunchalari
Klassifikatsiya — bu ma'lumotlarni belgilangan toifalarga ajratish jarayoni bo‘lib,
mashinaviy o qitishning eng asosiy va keng qo‘llaniladigan metodlaridan biridir.
ʻ
Klassifikatsiya yordamida kompyuter tizimlari berilgan ma'lumotlar asosida yangi,
ilgari ko‘rilmagan ma'lumotlarni to‘g‘ri toifaga ajratish vazifasini bajaradi.
Klassifikatsiyaning asosiy tushunchalariga quyidagilar kiradi:
1. Toifa (Class) : Toifa — bu klassifikatsiya jarayonida ma'lumotlar ajratiladigan
kategoriyadir. Masalan, elektron pochta xabarlarini spam va spam emas
toifalariga ajratish, rasmni yo‘lovchi yoki hayvon toifalariga ajratish. Har bir
toifa ma'lum bir guruhni yoki xususiyatni ifodalaydi.
2. Etiket (Label) : Etiket — bu ma'lumotlar nuqtasining unga tegishli bo‘lgan
toifani bildiruvchi belgi. Etiketlangan ma'lumotlar yordamida model o‘rganadi
va keyinchalik yangi ma'lumotlarga mos etiketni tayinlashga harakat qiladi.
Masalan, har bir tasvirning etiketida yo‘lovchi yoki hayvon degan belgi bo‘lishi
mumkin.
4

$3. Trening (Training) va Test Ma'lumotlari : Klassifikatsiya modelini o‘rgatish uchun ma'lumotlarni ikkiga bo‘lishadi: o Trening ma'lumotlari — modelni o‘rgatish uchun ishlatiladigan ma'lumotlar. Trening ma'lumotlari yordamida model etiketlarni o‘rganadi. o Test ma'lumotlari — modelni baholash uchun ishlatiladigan ma'lumotlar. Model o‘rganganidan keyin, test ma'lumotlari yordamida uning samaradorligi va aniqligi tekshiriladi. 4. Model (Model) : Model — bu mashinaviy o qitish jarayonida o‘rganilgan ʻ matematik yoki statistik model bo‘lib, u ma'lumotlarni toifalash uchun ishlatiladi. Model, trening ma'lumotlari asosida o‘rganadi va yangi ma'lumotlarga to‘g‘ri etiket tayinlashga harakat qiladi. Model o‘rganish jarayonida statistik va matematik metodlarni qo‘llaydi. 5. Klassifikatsiya Algoritmi (Classification Algorithm) : Klassifikatsiya algoritmi — bu ma'lumotlarni o‘rganish va yangi ma'lumotlarni to‘g‘ri toifalash uchun ishlatiladigan matematik usul yoki metod. Misol uchun, qaror daraxtlari , k-eng yaqin qo‘shnilar (KNN) , naiv Bayes , logistik regressiya , va yadro mashinalari (SVM) kabi algoritmlar klassifikatsiya uchun keng qo‘llaniladi. 6. To‘g‘rilik (Accuracy) : To‘g‘rilik — bu klassifikatsiya modelining umumiy samaradorligini o‘lchash uchun ishlatiladigan metrikadir. To‘g‘rilik, to‘g‘ri tasniflangan ma'lumotlar sonini umumiy ma'lumotlar soniga bo‘lish orqali hisoblanadi. To‘g‘rilikni quyidagi formulada ifodalash mumkin: Accuracy=True Positives+True NegativesTotal Samples\text{Accuracy} = \ frac{\text{True Positives} + \text{True Negatives}}{\text{Total Samples}}Accuracy=Total SamplesTrue Positives+True Negatives Bunda, True Positives — to‘g‘ri topilgan ijobiy tasniflar, True Negatives — to‘g‘ri topilgan salbiy tasniflar, va Total Samples — jami ma'lumotlar soni. 5$ $7. Confusion Matrix (Xato tasnifi matritsasi) : Confusion matrix — bu modelning to‘g‘ri va noto‘g‘ri tasniflangan natijalarini ko‘rsatadigan matritsa. U quyidagi elementlarni o‘z ichiga oladi: o True Positives (TP) : To‘g‘ri tasniflangan ijobiy holatlar. o True Negatives (TN) : To‘g‘ri tasniflangan salbiy holatlar. o False Positives (FP) : Salbiy holatni ijobiy deb noto‘g‘ri tasniflash. o False Negatives (FN) : Ijobiy holatni salbiy deb noto‘g‘ri tasniflash. 8. Precision, Recall va F1-score : o Precision (Aniqlik) : Ijobiy tasniflangan ma'lumotlarning qanchalik to‘g‘ri ekanligini o‘lchaydi. Ushbu metrikani yuqori qilish modelning noto‘g‘ri ijobiy tasniflarni kamaytirishga yordam beradi. Precision=True PositivesTrue Positives+False Positives\text{Precision} = \frac{\text{True Positives}}{\text{True Positives} + \text{False Positives}}Precision=True Positives+False PositivesTrue Positives o Recall (To‘g‘rilik) : Modelning haqiqiy ijobiy holatlarni qanchalik yaxshi topayotganini o‘lchaydi. Recall=True PositivesTrue Positives+False Negatives\text{Recall} = \ frac{\text{True Positives}}{\text{True Positives} + \text{False Negatives}}Recall=True Positives+False NegativesTrue Positives o F1-score : Precision va Recall o‘rtasidagi muvozanatni o‘lchaydi va ikkala metrikani optimallashtirishga yordam beradi. F1-score quyidagicha hisoblanadi: F1- score=2×Precision×RecallPrecision+Recall\text{F1-score} = 2 \times \ frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \ text{Recall}}F1-score=2×Precision+RecallPrecision×Recall 9. Overfitting va Underfitting : o Overfitting (Ortiqcha moslashuv) — bu modelning trening ma'lumotlariga juda moslashib ketishi holatidir. Natijada, model yangi ma'lumotlarga yomon natijalar beradi. 6$

o Underfitting (Kam moslashuv) — bu modelning ma'lumotlarni
yetarlicha o‘rganmasligi holatidir. Bu holatda model ma'lumotlarni
yaxshi tasniflashni amalga oshirolmaydi.
Supervizzatsiya asosidagi metodlar:
1. Klassifikatsiya :
o Ma'lumotlarni bir yoki bir nechta toifaga ajratish vazifasini bajaradi.
o Misol: Rasmni yo‘lovchi yoki hayvon toifasiga ajratish.
o Algoritmlar : Qaror daraxtlari, Naiv Bayes, KNN, Yadro mashinalari
(SVM), Logistik regressiya.
2. Regressiya :
o Model ma'lumotlarni belgilangan raqamli qiymatga prognoz qilishga
harakat qiladi.
o Misol: Uy narxini oldingi ma'lumotlarga asoslanib bashorat qilish.
o Algoritmlar : Lineer regressiya, Polinomial regressiya, K-eng yaqin
qo‘shnilar (KNN).
3. Modelni baholash :
o Supervizzatsiya asosidagi metodlar modelning samaradorligini
o‘lchashda to‘g‘rilik (accuracy) , precision , recall , F1-score kabi
metrikalardan foydalanadi.
2. Unsupervizzatsiya asosidagi metodlar
Unsupervizzatsiya asosidagi metodlar esa etiketlanmagan ma'lumotlardan
foydalanadi. Bu metodlar ma'lumotlar ichidagi o‘xshashliklarni yoki strukturaviy
tuzilmalarning aniqlanishini ta'minlaydi. Bunday metodlar yordamida kompyuter
ma'lumotlardagi yashirin strukturalar va o‘xshashliklarni topishga harakat qiladi.
Unsupervizzatsiya asosidagi metodlar:
1. Klasterlash (Clustering):
7

o Ma'lumotlarni o‘xshashlikka qarab guruhlash (klasterlarga ajratish).
o Misol: Mijozlarni xarid qilish xulq-atvori asosida segmentlarga ajratish.
o Algoritmlar : K-means, Agglomerative clustering, DBSCAN, Gaussian
Mixture Models (GMM).
2. O‘lchamni kamaytirish (Dimensionality Reduction):
o Katta hajmdagi ma'lumotlardan faqat zarur bo‘lgan xususiyatlarni tanlab
olish, bu esa ma'lumotni sodda va tahlil qilishni osonlashtiradi.
o Misol: Tasvirni siqish, so‘zlar vektorini siqish.
o Algoritmlar : Principal Component Analysis (PCA), t-Distributed
Stochastic Neighbor Embedding (t-SNE), Autoencoders.
3. Anomaliyalarni aniqlash (Anomaly Detection):
o Ma'lumotlarda o‘zgacha va noan'anaviy namunalarni aniqlash. Bu,
odatda, yomon ma'lumotlar yoki firibgarlikni aniqlashda ishlatiladi.
o Misol: Kredit kartalaridagi firibgarlikni aniqlash.
o Algoritmlar : K-means, DBSCAN, One-Class SVM.
4. Yashirin xususiyatlarni aniqlash (Feature Learning):
o Ma'lumotlar ichidagi muhim xususiyatlarni o‘rganish va ularni yanada
samarali tahlil qilish uchun yangi xususiyatlar yaratish.
o Misol: Avtomatik xususiyatlar ishlab chiqarish va ularni tahlil qilish.
o Algoritmlar : Autoencoders, Restricted Boltzmann Machines (RBM).
Farqlar va o‘xshashliklar :
 Supervizzatsiya metodlari uchun ma'lumotlar to‘g‘ri etiketlangan bo‘ladi, ya'ni
har bir ma'lumot nuqtasining toifasi yoki qiymati ma'lum. Bu metodlar yangi
ma'lumotlar asosida qarorlar qabul qilishga imkon beradi.
 Unsopervizzatsiya metodlari esa etiketlanmagan ma'lumotlardan foydalanadi,
va ma'lumotlarni to‘g‘ri tasniflash uchun yashirin o‘xshashliklar yoki
strukturalar asosida guruhlash yoki boshqa ma'lumotlarni olishga intiladi.
8

$Logistik regressiya Logistik regressiya — bu tasniflash (klassifikatsiya) muammolarini hal qilishda ishlatiladigan statistika va mashinani o‘rganish usuli. Bu metod, natijada chiqadigan o'zgaruvchi ikkita yoki undan ortiq kategoriyaga ajratilgan (masalan, "ha" yoki "yo‘q", "1" yoki "0") bo‘lishi kerak bo‘lganda qo‘llaniladi. Logistik regressiyaning asosiy g‘oyasi, kirish (mustaqil) o‘zgaruvchilari bilan chiqish (qaram) o‘zgaruvchisi o‘rtasidagi munosabatni modellashdan iborat. Biroq, logistik regressiyaning asosiy farqi shundaki, u natijalarni chiziqli bo‘lmagan (logit) shaklda tavsiflaydi. Bu, ko‘pincha, ehtimollarni prognoz qilish uchun ishlatiladi. Logistik regressiyaning umumiy ko‘rinishi:  Model formulasi quyidagicha bo‘ladi: P(Y=1 ∣ X)=11+e−( β 0+ β 1X1+ β 2X2+ ⋯ + β nXn)P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \ beta_1X_1 + \beta_2X_2 + \dots + \beta_nX_n)}} P ( Y = 1 ∣ X ) = 1 + e− ( β 0 + β 1 X1 + β 2 X2 + ⋯ + β n Xn ) 1 Bu yerda:  P(Y=1 ∣ X)P(Y=1|X) P ( Y = 1 ∣ X ) — chiqish o‘zgaruvchisining 1 bo‘lish ehtimoli.  ee e — Euler soni.  β 0, β 1,…, β n\beta_0, \beta_1, \dots, \beta_n β 0 , β 1 , … , β n — parametrlar (yoki koeffitsiyentlar).  X1,X2,…,XnX_1, X_2, \dots, X_n X1 , X2 , … , Xn — kirish o‘zgaruvchilari. Logistik regressiyaning qo‘llanilishi: 1. Tasniflash : Masalan, spam email yoki non-spam emailni tasniflash. 2. Ehtimollarni hisoblash : Tibbiyotda kasallik xavfini aniqlash (masalan, yurak xastaligi bor yoki yo‘qligini prognoz qilish). 9$

3. Risklarni tahlil qilish : Kredit olish imkoniyatlarini baholash.
Yadro mashinalari (Support Vector Machines, SVM)
Yadro mashinalari (Support Vector Machines, SVM) — bu tasniflash va regressiya
muammolarini hal qilishda ishlatiladigan mashinani o‘rganish algoritmidir. Yadro
mashinalari asosan ikki yoki undan ortiq klasslarni ajratib ko‘rsatish uchun ishlatiladi
va ularning kuchli tomoni shundaki, ular murakkab va chiziqli bo‘lmagan
chegaralarni ham samarali ajrata olishadi.
Asosiy G‘oya:
Yadro mashinasining maqsadi – ma'lumotlarni ajratish uchun optimal chegara (yoki
"hyperplane") topishdir. Bu chegara maksimal marj (ya'ni, klasslarning chegarasi
orasidagi eng katta masofa) bilan ajratiladi. SVM, ma'lumotlarni ikkita klassga
ajratish uchun, chiziqli yoki chiziqli bo‘lmagan joylarda "yadro funksiyasi" (kernel
function) orqali yangi o‘lchamli fazoga o‘tkazadi.
Yadro mashinasining ishlash prinsiplar:
1. Chiziqli SVM : Agar ma'lumotlar chiziqli tarzda ajralgan bo‘lsa, SVM bu
klasslarni eng yaxshi tarzda ajratadigan chiziq (yoki hyperplane)ni topadi.
2. Chiziqli bo‘lmagan SVM : Agar ma'lumotlar chiziqli ajralmasa, u holda SVM
ma'lumotlarni yuqori o‘lchamli fazoga "yadro funksiyasi" yordamida o‘tkazadi
va u yerda ma'lumotlarni chiziqli ajratishga imkon beradi.
Yadro funksiyalari (Kernel Functions):
Yadro mashinalarining eng muhim qismlaridan biri bu kernel funksiyasidir. Kernel,
ma'lumotlarni yuqori o‘lchamli fazoga o‘tkazish jarayonini soddalashtiradi va
hisoblashni samarali qiladi. Asosiy yadro funksiyalari quyidagilar:
10

 Lineyar kernel : Agar ma'lumotlar chiziqli ajralgan bo‘lsa, oddiy chiziqli ajratish
amalga oshiriladi.
 Polinomial kernel : Polinomial funksiyalar orqali ma'lumotlarni yuqori
o‘lchamli fazoga o‘tkazadi.
 Radial basis function (RBF) kernel : Bu eng mashhur kernel bo‘lib, ma'lumotlar
murakkab va chiziqli bo‘lmagan tarzda ajratilganda ishlatiladi.
 Sigmoid kernel : Neyron tarmoqdagi sigmoidal funktsiyaga o‘xshash.
SVM ning afzalliklari:
1. Optimal chegara : SVM klasslarni maksimal marj bilan ajratishga harakat qiladi,
bu esa modelni yaxshi generalizatsiya qiladi.
2. Yuqori o‘lchamli fazolar : Yadro funksiyalari yordamida SVM yuqori o‘lchamli
fazolarda ishlash imkoniyatiga ega bo‘ladi, bu esa chiziqli bo‘lmagan
ma'lumotlar uchun ham samarali.
3. Kichik o‘lchamli ma'lumotlar to‘plami uchun yaxshi ishlash : SVM kichik va
o‘rta hajmdagi ma'lumotlar to‘plamlari uchun yaxshi ishlaydi.
SVM ning kamchiliklari:
1. Hisoblash qiyinligi : Katta hajmdagi ma'lumotlar bilan ishlaganda, SVMning
hisoblash va xotira talablari yuqori bo‘lishi mumkin.
2. Yadro parametrlarini tanlash : Yadro va uning parametrlarini to‘g‘ri tanlash
juda muhimdir. Noto‘g‘ri tanlangan parametrlar modelning ishlashini
yomonlashtirishi mumkin.
SVMni qo‘llash:
 Tasniflash : Elektron pochta spamini aniqlash, yuzni tanish, meditsina
diagnostikasi.
11

 Regressiya : SVM nafaqat tasniflash, balki regressiya masalalarini ham hal
qilishi mumkin, ya'ni davomli qiymatlarni prognoz qilish.
Xulosa
Mashinaviy o‘qitishda klassifikatsiya (tasniflash) algoritmlari — bu ma'lumotlarni
oldindan belgilangan sinflarga ajratishga mo‘ljallangan asosiy texnikalardir. Ular
o‘rganish jarayonida ma'lumotlarning xususiyatlari va strukturalarini tahlil qilib,
yangi, ko‘rilmagan ma'lumotlarni to‘g‘ri sinflarga ajratishga qodir bo‘ladi.
Klassifikatsiya algoritmlari, asosan, quyidagi usullarni o‘z ichiga oladi:
1. Logistik regressiya — ikkita yoki bir nechta sinf bo‘yicha tasniflash uchun
ishlatiladi, ehtimollarni hisoblashga asoslanadi.
2. Yadro mashinalari (SVM) — chiziqli yoki chiziqli bo‘lmagan ajratish
chegaralarini topib, ma'lumotlarni eng yaxshi tarzda ajratishga harakat qiladi.
3. Karar daraxtlari — qarorlarni oddiy qoidalar orqali qabul qiluvchi daraxt
shaklida tasniflashni amalga oshiradi.
4. Naive Bayes — statistik yondashuvga asoslangan, shartli ehtimolliklar
yordamida tasniflashni amalga oshiradi.
5. K-najot o‘rtoq algoritmi (KNN) — eng yaqinni topish orqali tasniflashni
amalga oshiradi, ya'ni yangi ma'lumotning sinfi yaqinidagi mavjud ma'lumotlar
asosida belgilanadi.
Bu algoritmlar ko‘plab amaliy sohalarda, jumladan, moliya, tibbiyot, marketing va
sun'iy intellektning boshqa sohalarida keng qo‘llaniladi. Masalan, spam xabarlarni
tasniflash, mijozlarni segmentlash, kasalliklarni diagnostika qilish, yuzni tanish kabi
vazifalarda ishlatiladi.
Klassifikatsiya algoritmlarining har biri o‘ziga xos afzalliklari va kamchiliklariga
ega. Shuning uchun, muayyan vazifada eng yaxshi natijaga erishish uchun turli
12

metodlarni sinab ko‘rish va to‘g‘ri parametrlarni tanlash juda muhimdir. To‘g‘ri
tanlangan va o‘rgatilgan model, yangi ma'lumotlar bilan ishlashda yuqori aniqlik va
samaradorlikni ta'minlaydi .

13

Foydalanilgan adabiyotlar:
1. Delpech. M. Comparable Corpora and Computer Assisted Translation, 2014
2. Rensburg, A. v. Snyman, C. L. (2012): “Applying Google Translate in a
higher education environment: translation products assessed”. Southern
African Linguistics and Applied Languages Studies 30.4, 511-524.
3. E.M. Delpech. Comparable Corpora and Computer Assisted Translation,
2014
4. Berikov V. S. Klaster tahlilining zamonaviy tendentsiyalari / V. S. Berikov,
G. S. Lbov. - "Axborot va telekommunikatsiya tizimlari" ustuvor yo'nalishi
bo'yicha ko'rib chiqish va tahliliy maqolalarning Butunrossiya tanlovi,
2008. - 26 p.
5. Kotov, A. Ma'lumotlarni klasterlash [Elektron resurs]. – Kirish rejimi:
http://logic.pdmi.ras.ru/~yura/internet/02ia-seminar-note.pdf.
6. Mandel, I. D. Klaster tahlili / I. D. Mandel. - M .: Moliya va statika, 1988. -
176 b.
7. Protasov, C.C. Qanday qilib katta ma'lumotlar IT sanoatining eng qiziqarli
vazifalaridan biriga aylandi [Elektron resurs]. – Kirish rejimi:
http://andrew-- r.github.io/bigdata/.
8. Suslov, S. A. Klaster tahlili: mohiyati, afzalliklari va kamchiliklari / S. A.
Suslov. // Vestnik NGIEI. - 2011. - 1-son. - S. 51-56.
9. Blanko-Silva, F.J. Raqamli va ilmiy hisoblash uchun fanni o'rganish / F. J.
Blanko-Silva. – Packt nashriyoti, 2015. – 150 b.
10. https://www.unite.ai/uz/k-nima-degani-klasterlash-demakdir/
11. https://www.linkedin.com/pulse/k-means-clustering-applications-real-
world-mz4df
14

Mashinaviy o‘qitishda klassifikatsiya(tasniflash) algoritmi

Купить

Похожие документы
3d-max dasturida obektlarni yaratish
Algoritm va ma’lumotlar strukturasi
3D-MAX dasturi haqida
3D Studio MAX dasturiga kirish. 3D Studio MAX dasturi haqida tushuncha
Adobe photoshop dasturida tasvirlarda ishlov berish,taqdimot yaratish

Информация о документе

Продавец

Mashinaviy o‘qitishda klassifikatsiya(tasniflash) algoritmi

Похожие документы