Kompyuter injineringgi fakulteti

Mashinalarni o'rganish modellari uchun asosiy algoritmlar
Qaror daraxti
Bu daraxtga o'xshash grafikadan foydalanishga asoslangan qarorlarni qo'llab-quvvatlash usuli: ularning yuzaga kelishi mumkin bo'lgan oqibatlarini (voqea sodir bo'lishi ehtimolini hisoblash bilan), samaradorlik, resurs sarfini hisobga oladigan qaror qabul qilish modeli.
Biznes-jarayonlar uchun ushbu daraxt minimal savollarga - "ha" yoki "yo'q" javobni talab qiladi. Bu savollarning barchasiga izchil javob berib, biz to'g'ri tanlovga o'tmoqdamiz. Qaror daraxtining uslubiy afzalliklari shundaki, u muammoni tuzadi va tizimlashtiradi va yakuniy qaror mantiqiy xulosalar asosida qabul qilinadi.
Naiv Bayesian tasnifi
Naive Bayesian tasniflagichlari oddiy ehtimollik klassifikatorlari oilasiga tegishli bo'lib, Bayes teoremasidan kelib chiqadi, bu holda funktsiyalarni mustaqil deb biladi (bu qat'iy yoki sodda, taxmin deb ataladi). Amaliyotda u mashinani o'qitishning quyidagi sohalarida qo'llaniladi:
elektron pochtaga kelgan spamni aniqlash;
yangiliklar maqolalarini tematik sarlavhalarga avtomatik ulash;
matnning hissiy rangini aniqlash;
tasvirlardagi yuzlar va boshqa naqshlarni tanib olish.
Eng past kvadratlar usuli
Statistikani ozgina o'rgangan har bir kishi, chiziqli regressiya tushunchasi bilan tanish. Eng kam kvadratlar, shuningdek, uni amalga oshirish variantlariga tegishli. Odatda, ko'p nuqtalardan o'tadigan to'g'ri chiziqni o'rnatish muammolarini hal qilish uchun chiziqli regressiya qo'llaniladi. Bu eng kam kvadratchalar yordamida amalga oshiriladi: to'g'ri chiziq torting, undan har bir nuqtaga masofani o'lchang (nuqtalar va chiziq vertikal segmentlar bilan bog'langan), natijada olingan natijani yuqoriga ko'taring. Natijada, masofalar yig'indisi eng kichik bo'lgan egri chiziq eng kichik bo'ladi (bu chiziq haqiqiy qiymatdan normal taqsimlangan og'ish bilan nuqtalardan o'tadi).
Mashinani o'rganish uchun ma'lumotlarga moslashda odatda chiziqli funktsiya ishlatiladi va xato metrikasini yaratish orqali xatolarni minimallashtirish uchun eng kam kvadrat usul ishlatiladi.
Logistik regressiya
Logistik regressiya - bu o'zgaruvchilar orasidagi bog'liqlikni aniqlash usuli bo'lib, ulardan biri butunlay bog'liq, boshqalari esa mustaqil. Buning uchun logistika funktsiyasi (to'plangan logistik taqsimot) ishlatiladi. Logistik regressiyaning amaliy ahamiyati shundaki, u bir yoki bir nechta mustaqil o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilish uchun kuchli statistik usul. Bu quyidagi holatlarda foydalidir:
Kredit skoringi;
reklama kampaniyalarining muvaffaqiyatini o'lchash;
ma'lum bir mahsulotdan keladigan foyda prognozi;
ma'lum bir kunda zilzila ehtimolini baholash.
Ansambl usuli mustaqil prognozlash modellariga qaraganda ancha kuchli, chunki:
• har bir tayanch tasniflagichning xatolarini ko'paytirish orqali tasodifning ta'sirini kamaytiradi;
• tafovutni kamaytiradi, chunki turli xil gipotezalarga asoslangan bir nechta modellar alohida olinganlarga qaraganda to'g'ri natijaga erishishi ehtimoli ko'proq;
• belgilangan rejadan tashqariga chiqishni istisno qiladi: agar yig'ilgan faraz asosiy gipotezalar to'plamidan tashqarida bo'lsa, u holda u birlashtirilgan farazni shakllantirish bosqichida u yoki boshqa usul yordamida kengayadi va gipoteza unga kiritilgan bo'ladi.
7. Klasterlash algoritmlari
Klasterlashtirish ob'ektlarning to'plamini toifalarga taqsimlashni o'z ichiga oladi, shunda har bir toifada - klaster - bir-biriga juda o'xshash elementlar mavjud.
Ob'ektlarni turli xil algoritmlar yordamida klasterlash mumkin. Eng ko'p ishlatiladiganlar quyidagilar:
• uchburchakning tortishish markazi asosida;
• ulanish asosida;
• o'lchamlarni kamaytirish;
• zichlik (fazoviy klasterlash asosida)
• ehtimoliy;
• neyron tarmoqlarini o'z ichiga olgan holda mashinani o'rganish.
Klasterlash algoritmlari biologiyada (genlarning bir necha mingtagacha elementlari bilan o'zaro ta'sirini o'rganish), sotsiologiyada (minimal o'zgaruvchanlik va taxminan bir xil o'lchamdagi klasterlarni beradigan Vard usulidagi sotsiologik tadqiqotlar natijalarini qayta ishlash) va axborot texnologiyalarida qo'llaniladi.