~Mashinali o'qitish va uni qo'llanilish sohalari Mashinali o'kitysh

~Mashinali o'qitish va uni qo'llanilish sohalari
"Mashinali o'kitysh
-
bu kompyuter odamlarni o'rganishga harakat qilish va vaqt o'tishi
bilan o'z bilimlarini mustakil ravnaq topishi, real duneda kuzatuvlar
va o'zaro ta'sirlar ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar
va eti ma'lumotlar va eti ma
'lumotlar va
eti. ma'lumotlar va eti
ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar"
Machinada
o'qitish (ML)
-
bu suny intellect nazariyasining bir bwlimi,
computer suny intellect yordamida hal qilish zharayoni va usullarini
izlashdan iborat.
Machinada
o'qitish (ML)
-
bu berilganlar va
chikish ma'lumotlariga asosan computerdaa dastur uchun
tayinlangan bo'lib, u an'anaviy dasturda foydalanilishi mumkin.
Mashinali o'qitish orkali komputerlar milliy photosuratlar va
chizmalardagi yuzlarni, beams landscapela
r, objectlar, matn va
raqamlarni hom tanib olishga Hrgandilar. Matn haqida gap
ketganda, computerda o'rganish hom muhim narsa ega: grammar
yetarli funktsiyasi andi har qanday matn muxarrida va xattoki
telefonlarda mavzhud. Bundan tashqari, tabiiy suzlarnin
g imlosi,
beams context, mano soyalari va boshka nozik linguist zhihatlar
hham hisobga mahsulot. Bundan tashqari, inson aralashuvisiz
(iqtisodiy va muammosi, sport ofda mavzusi) yangiliklar
makolalarini olish mumkin bulgan dastury ta'minot mavjud.

~Chuqur o'qitish va uni katta malumotlarni qayta ishlashdagi o'rni

Chuqur o'rganish (Deep learning)ML texnikasi sinfiga tegishli
bo'lib, bu erda ierarxik arxitekturada ma'lumotlarni qayta ishlash
bosqichlarining ko'p qatlamlari nazoratsiz xususiyatlarni o'
rganish
va naqsh tasnifi uchun ishlatiladi. U neyron tarmog'i, grafik
modellashtirish, optimallashtirish, naqshni aniqlash va signalni
qayta ishlashning tadqiqot yo'nalishlari orasidagi kesishmalarda
joylashgan
.
Deep learning(chuqur o'qitish)
-
yanada murak
kab va
yanada mustaqil bo'lgan o'zi o'qidigan dasturlar yaratadigan
mashinali o'qitish turi.
Oddiy mashinali o'qitish hollarida
boshqariladigan malaka yordamida kompyuter bilimlarni aniqlab
oladi: dasturchi algoritmga ma'lum misollarni ko'rsatadi, xatolarn
i
qo'lda to'g'rilaydi. Deep learningda esa, tizim o'zi o'z funksiyalarini
loyihalaydi, ko'p darajali hisob
-
kitoblar amalga oshiradi va atrof
-
muhit haqida xulosalar qiladi. Odatda chuqur o'qitishni neyron
tarmoqlarga tadbiq qilishadi. Bu texnologiya asosan
rasmlarni qayta
ishlashda, nutqni tanishda, neyromashina tarjima, farmatsevtikadagi
hisoblashlarda va boshqa zamonaviy texnologiyalarda qo'llaniladi.
Asosan Google, facebook va Baidu tomonidan loyihalarga tadbir
qilinadi.
Chuqur o'rganish algoritmlari vide
o ma'lumotlarini teglash
kabi qiyin vazifalarni bajaradi. Bu video ma'lumotlarning katta
oqimlarida asosiy sahnalarni topish jarayoni. Chuqur o'rganish
ilovalari mustaqil tahlil orqali ma'lumotlar bilan bog'liq muhim
xususiyatlarni o'rganadi. Tasvir va vid
eo ma'lumotlari tez tarqaladi,
shuning uchun asosiy tasvirlar va sahnalarni tezda tanlash qobiliyati
foydalidir.

~Sinflarga ajratish masalasi va uni uchun o'qitish algortmlari

Sinflarga ajratish masalasi mashinali oʻqitishda supervizor
oʻqitishning bir
turi boʻlib, maqsad sinflarga ajratish uchun koʻplab
algoritmalarni oʻrganish va ularga oʻqitish umumiy hisoblanadi.
Quyidagi sinflash algoritmlari bir nechta odatda qo'llaniladigan
sinflash masalalarini hal qilishda yordam beradi
.
K
-
NN (Koʻp
Kichik Kompan
iyalar): K
-
NN, har bir sinfni koʻrib, eng yaqin xuddi
shu sinfga tegishli ma'lumotlarni koʻradi va xuddi shu sinfni
qoʻyadi. Misol uchun, K
-
NN algoritmi rasmni sinflarga ajratishda
koʻplab qo'llaniladi.
Naive Bayes: Bu algoritm xuddi shu nomdan
koʻrinadi
-
"Nuqtaviy Bayes". Ushbu algoritm sinflarga ajratish
uchun bir nechta masalalarda qoʻllaniladi va bayes teoremasini
qo'llab
-
quvvatlaydi.
Decision Trees: Bu algoritm maqsad sinfni
aniqlash uchun boʻlimlashlar yaratadi. Yozuvli oʻqitish modeli bilan
foydalan
ib, bu algoritm maqsad sinfni aniqlashning oson boʻlgan
yollaridan biri hisoblanadi.
Logistic Regression: Bu algoritm
koʻplab sinflash masalalariga yordam beradi. Shuningdek, undan
mahsulotlar xarid qilish, yaxshi
-
axirlik qilish va boshqa koʻplab
masalalar
uchun foydalaniladi.
Support Vector Machines (SVM):
Bu algoritm sinfni aniqlash uchun ikki sinfga boʻlgan masofani
maksimal qilish uchun yordam beradi. Bu algoritm koʻplab sinflash
masalalarini hal qilishda foydalaniladi.

~O'qituvchi yordamida o'qitish

-
O‘qituvchi yordamida o‘qitish
(Supervised learning)
-
Bu ma’lumotlarni tasniflash yoki natijalarni
aniq bashorat qilish uchun algoritmlarni o‘rgatish uchun etiketli
ma’lumotlar to‘plami hisoblanadi. Kirish ma’lumotlari modelga
kiritilganligi sababli,
model mos ravishda o‘qitgunga qadar uning
vaznlarini moslashtiradi va bu o‘zaro tekshirish jarayonining bir
qismi sifatida sodir bo‘ladi. Bu o‘qitish asosan spamni elektron
pochtalarda alohida papkada tasniflash kabi turli xil real
muammolarni hal qilishda
yordam beradi. Bu o‘qitish ma’lumotlarni
saralab olishda ikkita masala turiga ajratish mumkin
-
tasniflash va
regressiya.
Har bir foydalanish uchun “vaziyat, kerakli yechim”
juftligi belgilanadi.
*xatolarni tuzatish usuli.
*backpropagation
usuli.

~O'qituvchisiz o'qitish

-
bu mashinani o'rganish texnikasi, bu erda
siz modelni nazorat qilishingiz shart emas.
Buning o'rniga, siz
ma'lumotni topish uchun modelga o'z
-
o'zidan ishlashiga ruxsat
berishingiz kerak.
Bu asosan noma'lum ma'lumotlar bilan
shug'ullanadi.O
’qituvchili o’qitish algoritmlari O’qituvchisiz
o’qitishga nisbatan murakkabroq ishlov berish vazifalarini
bajarishga imkon beradi.
Shu bilan bir qatorda, O’qituvchisiz
o’qitish boshqa tabiiy o'rganish, chuqur o'rganish va
mustahkamlashni o'rganish usullar
i bilan taqqoslaganda oldindan
aytib bo'lmaydigan natijalarga ham ega.

~Mustaxkamlangan o'qitish

Mashinali o'qitishda mustahkamlangan
o'qitish (inglizcha: "reinforcement learning")
-
bu ma'lumotlarni
o'rganish uchun bir necha narsalardan iborat bo'lgan o'
qitish usuli.
Bu usul, bir nechta muammolarni hal qilish uchun eng yaxshi
yo'nalishni topishga harakat qiladi. Mustahkamlangan o'qitish, hali
hal qilinmagan muammolar yechishda, masalan, robot boshqaruvini
o'rganishda, o'yinlarni o'rganishda va boshqa ko'p
lab sohalarda
qo'llaniladi.
Mustahkamlangan o'qitishning asosiy tarkibi
-
bu
"agent" (agentlik) va "environment" (muhit) hisoblanadi. Agentlik,
qarorlar va harakatlar qabul qiladigan tizimni ifodalaydi, muhit esa
agentlik faoliyatini o'z ichiga olgan
muhitni anglatadi. Agentlik,
muhit bilan aloqada bo'lish uchun "reward" (mukofot) oladi,
masalan, muhitning bitta qismi ustida ishlarining javobgarligi uchun
yaxshi natija oladi, yoki shunchaki yaxshi natija uchun mukofot
olish uchun harakatlar amalga oshi
radi.Mustahkamlangan o'qitish,
ko'plab qo'llanishlari bor, masalan, "Q
-
learning", "SARSA" va
"Deep Q
-
network" (DQN). Bu qo'llanishlar, mustahkamlangan
o'qitish usulini bajarish uchun qo'llaniladigan
algoritmlardir.Mustahkamlangan o'qitish, mashinali o'qiti
sh
sohasidagi eng qiziqarli va qiziqchi o'qitish usullaridan biridir,
chunki bu usul yordamida mashinalar muhit bilan aloqada bo'lish,
muhitni o'rganish va eng yaxshi natijaga erishishni o'rganishadi.

~Regresiiya masalasi

Mashinali o'qitishda regressiya
masalalari ko'p
talablarga ega bo'lgan bir qisim masalalardan biridir. Mashinali
o'qitish modellari, regressiya masalalarini hal qilish uchun odatda
turli algoritmlarni ishlatadi.
Mashinali o'qitishda regressiya
masalalari, xususan, ma'lumotlar yig'indisin
ing tarqatilishi,
ma'lumotlar tahlili va tasvirlovchi modellar yaratishda keng
ishlatiladi. Regression modellari, ma'lumotlar tahlilining o'rtasidagi
aloqni aniqlash uchun o'zaro taqqoslanishni osonlashtirish uchun
kerakli ko'rsatuvlarni yaxshi aniqlashni
talab qiladi.Mashinali
o'qitish algoritmida regressiya modellari, o'qitish ma'lumotlarini va
kiritilayotgan natijalarni aniqlash uchun birinchi harakatda kerakli
parametrlarni aniqlashga harakat qiladi. Bu modellar, odatda
Gradient Descent, Stochastic Grad
ient Descent, Regularization,
Ridge Regression va Lasso Regression kabi algoritmlarni
ishlatadi.Regression modellari mashinali o'qitishda ko'plab
sohalarda qo'llaniladi, masalan, sanoat, iqtisod, tibbiyot va boshqa
sohalarda. Ushbu modellar, qadimgi statis
tik metodlari va keng
tashkil qilingan qo'shimcha modellar bilan birgalikda ishlatiladi, va
ularga aloqador natijalar olish uchun kerakli parametrlar beriladi.

~Chiziqli regressiya

Chiziqli regressiya amhaqiqiy qiymatlarni
aniqlash uchun foydalaniladigan
keng tarqalgan model, masalan
:
uylarning narxi,
qo'ng'iroqlar soni,
jami savdo boshiga,
va doimiy
o'zgaruvchilar mezoniga mos keladi:
kvadrat metr,
joriy hisob
qaydnomasiga obuna bo'lish,
shaxsni tarbiyalash
Chiziqli
regressiyada mustaqil o'zgaruvchilar v
a bog'liq bo'lgan
o'zgaruvchilar o'rtasidagi munosabatlar odatda ikkita o'zgaruvchilar
o'rtasidagi munosabatni bildiradigan chiziq orqali amalga oshiriladi.
Mos keladigan chiziq regressiya chizig'i deb nomlanadi va Y = a *
X + b tipidagi chiziqli tenglama
bilan ifodalanadi.
Formul ikki yoki
undan ko'p xarakteristikalarni bir
-
biri bilan bog'lash uchun
interpolating ma'lumotlarga asoslanadi. Algoritmga kirish
xarakteristikasini berganingizda, regress boshqa xarakteristikani
qaytaradi.Agar bir nechta mustaqil
o'zgaruvchiga ega bo'lsak, unda
quyidagicha modelni olsak, ko'p chiziqli regressiya haqida
gaplashamiz:
y=b
0
+ b
1
x
1
+ b
2
x
2
+... + B
n
x
n
y
-
qiymatlarga
javob, ya'ni u model tomonidan taxmin qilingan natijani anglatadi;
b
0
kesishish, bu x ning y
bo'lgan qiymati
i
ularning barchasi 0 ga
teng;
birinchi belgi b
1
x koeffitsienti
1
;
yana bir xususiyat b
n
x
koeffitsienti
n
;
x
1
,x
2
,..., X
n
modelning mustaqil o'zgaruvchilari.
Asosan tenglama doimiy bog'liq o'zgaruvchi (y) va ikki yoki undan
ko'p mustaqil o
'zgaruvchilar (x1, x2, x3 ...) o'rtasidagi munosabatni
tushuntiradi.

~Polinomial regressiya

P
olinomial regressiya, ma'lumotlar
yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi o'zaro
bog'lanishni aniqlash uchun ishlatiladigan mashinali o'qitish
algoritmidir. Bu algoritm, chiziqli regressiya modelidan farqli
ravishda, ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar
o'rtasidagi o'zaro bog'lanishni linearning o'rniga, polinomial (kuchli
oqimli) o'zgaruvchilar o'rtasidagi o'zaro bog'lanishni a
niqlashda
ishlatiladi.
Polinomial regressiya modellari, ma'lumotlar
yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi polinomial
o'zaro bog'lanishni aniqlash uchun kerakli parametrlarni aniqlaydi.
Bu modellar, chiziqli regressiya modellari kabi, ma'lu
motlar
yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi o'zaro
bog'lanishni aniqlash uchun mos keladi.
Polinomial regressiya
modeli, natijalar o'rtasidagi o'zgaruvchilar o'rtasidagi polinomial
o'zaro bog'lanishni aniqlaydi. Model, o'zgaruvchilarning
natijalarga
o'tishini hisoblashda yordam beradi va hujjatlar tafsilotli tahlil
qilinishi uchun mos keladi. Polinomial regressiya modellari,
ma'lumotlarni ko'rib chiqish, tahlil va natijalarni tushuntirish uchun
ko'plab tahlil usullaridan foydalanadi.
Mashi
nali o'qitishda
polinomial regressiya modelini o'rganish uchun, o'qitish datalari
(ma'lumotlar yig'indisi) yaratiladi va model tayyorlanadi.
Ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi
polinomial o'zaro bog'lanishni aniqlash uchun, p
olinomial regressiya
modeli, ma'lumotlarni taqqoslovchi hisoblash uchun kerakli
parametrlarni aniqlaydi.

~Mashinali o'qitish uchun instrumental vositalar

Mashinali oqitish
(MO) uchun kerakli instrumental vositalar (Octave/ Matlab/Python/)
tahlili va
imkoniyatlari bilan tanishish GNU Octave
-
bu MATLAB
bilan mos keladigan yuqori darajadagi tilni ishlatadigan bepul
matematik hisoblash tizimi. Bu chiziqli va chiziqli bo'lmagan
matematik masalalarni echish hamda boshqa raqamli tajribalarni
bajarish uchun
interaktiv buyruq interfeysini taqdim etadi. Bundan
tashqari, Oktav partiyani qayta ishlash uchun ishlatilishi mumkin.
Oktav tili haqiqiy va murakkab skalar va matritsalar arifmetikasi
bilan ishlaydi, chiziqli algebraik masalalarni echish, chiziqli
bo'lmag
an algebraik tenglamalar tizimining ildizlarini topish,
polinomlar bilan ishlash, har xil differentsial tenglamalarni echish,
differentsial va differentsial
-
algebraik tizimlarni birlashtirish uchun
kengaytmalarga ega. funktsiyalarni cheklangan va cheksiz
i
ntervallarga birlashtirgan birinchi darajadagi tenglamalar. Ushbu
ro'yxat Oktav tili yordamida osonlikcha kengaytirilishi mumkin
(yoki C, C ++, Fortran va boshqalarda yaratilgan dinamik ravishda
yuklanadigan modullar yordamida).