logo

Mashinaviy o’qitish. Mashinaviy o’qitish turlari. Bilimlarni namoyish etish modellari

Yuklangan vaqt:

08.08.2023

Ko'chirishlar soni:

0

Hajmi:

277.7822265625 KB
   Mashinaviy o’qitish. Mashinaviy o’qitish turlari.  Bilimlarni namoyish 
etish modellari
Reja
1. Mashinaviy o`qitish haqida tushuncha.
2. Mashinaviy o`qitish turlari.
3. Obrazni tanish Mashinaviy o`qitish  (Machine Learning)  amaliy matematikaning keng
qamrovli   bo'limi   bo'lib,   matematik   statistika,   optimallashtirish,   sun'iy
intellekt, empirik (amaliy qonunlar) ma'lumotlarini o'rganish mumkin bo'lgan
algoritmlarni tuzish usullarini o'rganadi.
Obrazni   aniqlash   ( Распознавание         образов    ) ,   tasvirni   tahlil   qilish,
kompyuterni ko'rish ( компьютерное        зрение    ), qayta ishlash va matnni tahlil
qilish metod sifatida mashina o'qitish usullaridan faol foydalanadi, ammo ular
shuningdek,   Mashinaviy   o`qitish   (Machine   Learning)   doirasida   umuman
ko'rib chiqilmaydigan o'ziga xos yondashuvlar, usullar va algoritmlarga ega.
Ushbu   va   boshqa   ilmiy   sohalarni   keng   ma'noda   ma'lumotlarni   intelektual
tahlil qilish bilan bog'lash mumkin. 
Quyida yo'nalishlarning namunaviy ro'yxati keltirilgan:
-   Mashinaviy   o`qitish   (machine   learning)   -   nazariya,   yondoshuvlar   va
o'qitish usullari: 
    - tasniflash (classification); 
    - klasterlash (klasterlash);  
    - regressiya (regression);  
    - bashorat qilish (forecasting).
   - Obrazni aniqlash (Pattern recognition):
        -   rasmlarni   tahlil   qilish,   tanib   olish   va   tushunish   (image   analysis,
recognition & understanding);
    - kompyuterni ko'rish (computer vision);
        -   tahlil   qilish,   nutqni   aniqlash   va   tushunish   (speach   analysis,
recognition & understanding);
             -  Ma'lumotlarni intelektual tahlil qilish (data mining):
    - bilimlarni ochish (knowledge discovery in databases);
        -   matnlarni   qayta   ishlash   va   tahlil   qilish,   matnlarni   tushunish   (text
mining);     - Internetdagi ma'lumotlarni tahlil qilish (web mining).
Mashinaviy   o`qitish   -   bu   empirik   ma'lumotlar   asosida   o'qitilishi
mumkin   bo'lgan   algoritmlarni   qurish   usullarini   o'rganadigan   sun'iy   intellekt
va matematik statistikaning keng qamrovli qismi.
Machine   Learning   -   bu   o'qishga   asoslangan   algoritmlarni   tuzish
usullarini o'rganadigan sun'iy intellektning keng qamrovli bo'limi. Ta'limning
ikki   turi   mavjud.   Amaliy-huquqiy   mashg'ulotlar   yoki   induktiv   trening
muayyan empirik ma'lumotlardan umumiy naqshlarni aniqlashga asoslangan.
Deduktiv   o'rganish   mutaxassis   bilimlarini   rasmiylashtirish   va   bilim   bazasi
sifatida   uni   kompyuterga   o'tkazishni   o'z   ichiga   oladi.   Deduktiv   o'rganish
odatda   ekspert   tizimlari   sohasiga   taalluqlidir,   shuning   uchun   "mashina
o'rganish" va "case study" atamalarini sinonim deb hisoblash mumkin.
Mashinaviy   o'qitish   matematik   statistika,   optimallashtirish   usullari   va
klassik   matematik   fanlar   birlashmasida,   lekin   hisoblash   samaradorligi   va
qayta   tayyorlash   muammolari   bilan   bog'liq   o'ziga   xos   xususiyatlarga   ega.
Klassik  statistik yondashuvlarga alternativa sifatida ko'plab induktiv o'qitish
usullari   ishlab   chiqilgan.   Ko'pgina   usullar   ma'lumotlar   qidirish   va
ma'lumotlarni qidirish bilan chambarchas bog'liq(Data mining). Mashinaviy   o'qitish   nafaqat   matematik,   balki   amaliy,   muhandislik
fanidir.   Sof   nazariya,   qoida   tariqasida,   amalda   qo'llaniladigan   usul   va
algoritmlarni   darhol   olib   kelmaydi.     Ularni   yaxshi   ishlashi   uchun   taxminlar
nazariyasida   yuzaga   kelgan   nomuvofiqlikni   haqiqiy   muammolar   sharoitlari
bilan   qoplash   uchun   qo'shimcha   evristik   ixtiro   qilish   kerak.   Mashinada
o'qitish   bo'yicha   deyarli   har   qanday   tadqiqot   usulning   amaliyligini
tasdiqlovchi model yoki haqiqiy ma'lumotlarga nisbatan eksperimentsiz to'liq
bo'lmaydi.
Mashinaviy   o'qitish   -   bu   sun'iy   intellekt   metodlar   sinfidir,   uning
xarakterli   xususiyati   muammoni   to'g'ridan-to'g'ri   hal   qilish   emas,   balki
shunga o'xshash ko'plab muammolarga echimlarni qo'llash jarayonida ta`lim
olishdir.   Bunday   usullarni   qurish   uchun   matematik   statistika,   sonli   usullar,
optimallash   usullari,   ehtimollik   nazariyasi,   graflar   nazariyasi,   ma'lumotlar
bilan raqamli shaklda ishlashning turli xil usullari qo'llaniladi.
Mashinasozlik   bo'limi,   bir   tomondan,   neyron   tarmoqlari   fanini
tarmoqlarni   o'qitish   usullari   va   ularning   arxitekturasining   topologiyalari
turlariga   bo'linishi   natijasida   shakllangan,   ikkinchi   tomondan,   matematik
statistika usullarini o'zida mujassam etgan.  Garchi   o'quv   namunasi
kontseptsiyasidan   foydalanadigan   boshqa   usullar   mavjud   bo`lsada mashinaviy   o'qitishning   quyidagi   usullari   neyron   tarmoqlardan   foydalanishi
bilan   bog'liq   -   masalan,   diskriminatsion   tahlil,   Bayes   klassifikatorlari,   yoki
kuzatilgan   statistikaning   dispersiyasi   va   kovariyatsiyasi   bilan   ishlaydigan
klassifikatorlar.
Neyron   tarmoqlarning   asosiy   turlarini,   masalan,   perseptron   va   ko'p
qatlamli   perseptron   (shuningdek,   ularning   modifikatsiyalarini),   o'qituvchi
yordamida   yoki   o'qituvchi   qatnashmagan   holda   o'qitilishi,   yoki   o`z   ustida
ishlash,   izlanishlar   olib   borish   orqali   o`rganishni   tashkil   etish   va
mustahkamlash mumkin.
Ammo ba'zi neyron tarmoqlari va ko'pgina statistik usullarni faqatgina
o`rganishning muayyan uslubi bilangina bog`lagan holda o`rganish mumkin.
Shuning   uchun,   agar   mashinaviy   o'qitishni   o'rganish   usuliga   qarab   uning
usullarini   tasniflash   zarur   bo'lganda,   neyron   tarmoqlarni   o'ziga   xos   turga
ajratish   to'g'ri   bo'lmaydi,   neyron   tarmoqlarini   o'qitish   algoritmlarini   tiplash
yanada to'g'ri bo'ladi.
1. Tasvirni aniqlash. (Image recognation)
Bu   eng   keng   tarqalgan   mashinaviy   o'rganish   dasturlaridan   biridir.
Obyektni   raqamli   rasm   sifatida   tasniflashingiz   mumkin   bo'lgan   ko'plab
holatlar   mavjud.   Raqamli   tasvirlar   uchun   o'lchovlar   rasmdagi   har   bir
pikselning natijalarini tavsiflaydi. Qora va oq rasm bo'lsa, har bir pikselning
intensivligi bitta o'lchov sifatida xizmat qiladi. Shunday qilib, agar qora va oq
rasmda   N   *   N   piksel   bo'lsa,   piksellarning   umumiy   soni   va   shuning   uchun o'lchov N2 bo'ladi. Machine Learning-da ANN-ni muhokama qilaylik. Rangli
rasmda   har   bir   piksel   3   ta   asosiy   rang   tarkibiy   qismlarining   intensivligini   3
o'lchashni   ta'minlovchi   deb   hisoblanadi,   ya'ni   RGB.   Shunday   qilib,   N   *   N
rangli rasmda 3 N2 o'lchov mavjud.  Yuzni   aniqlash   uchun   -
kategoriyalar   yuzsiz   bo'lishi   mumkin   va   yuz   yo'q.   Bir   nechta   shaxslarning
ma'lumotlar bazasida har bir kishi uchun alohida toifalar bo'lishi mumkin. 
Belgilarni   aniqlash   uchun   -   biz   har   bir   yozuvni   bitta   belgidan   iborat
kichik   qismlarga   ajratishimiz   mumkin.   Ushbu   toifalar   ingliz   alifbosining   26
harfidan, 10 ta raqamdan va ba'zi maxsus belgilardan iborat bo'lishi mumkin.
2. Nutqni aniqlash. (Speech recognition)
Nutqni   aniqlash   ( Speech   recognition   -   SR )   -   bu   og'zaki   so'zlarning
matnga   tarjimasi.   U   "avtomatik   nutqni   aniqlash"   ( Automatic   Speech
recognition-ASR ),   "kompyuterda   nutqni   aniqlash"   yoki   "matndan   nutqqa
o'tish"   sifatida   ham   tanilgan.   Nutqni   aniqlashda   dasturiy   ta'minot   og'zaki
so'zlarni   taniydi.   Ushbu   Machine   Learning   dasturidagi   o'lchovlar   nutq
signalini   aks   ettiradigan   raqamlar   to'plami   bo'lishi   mumkin.   Signalni   aniq
so'zlar yoki fonemalarni o'z ichiga olgan qismlarga bo'lishimiz mumkin. Har
bir   segmentda   biz   turli   vaqt   chastotalari   diapazonidagi   intensivlik   yoki
energiya   orqali   nutq   signalini   namoyish   etishimiz   mumkin.   Signalning
namoyishi   tafsilotlari   ushbu   dastur   doirasidan   tashqarida   bo'lsa   ham,   biz
haqiqiy qiymatlar to'plami bilan signalni taqdim etishimiz mumkin.  3. Tibbiy diagnostika (Medical Diagnosis)
  Mashinaviy o'qitish turli xil tibbiy sohalarda diagnostika va prognostik
muammolarni   hal   qilishga   yordam   beradigan   usullar,   texnik   vositalar   va
vositalarni taqdim etadi. U klinik parametrlar va ularning kombinatsiyasining
prognoz   uchun   ahamiyatini   tahlil   qilish   uchun   ishlatiladi,   masalan.   kasallik
rivojlanishini bashorat qilish, natijalarni tadqiq qilish, terapiyani rejalashtirish
va qo'llab-quvvatlash va bemorni umumiy boshqarish uchun tibbiy bilimlarni
to'plash   uchun.   Mashinaviy   o'qitish   ma'lumotni   tahlil   qilishda,   masalan,
ma'lumotlarning   nomukammalligi   bilan   tegishli   ravishda   muomala   qilish
orqali reanimatsiyani aniqlash, reanimatsiya bo'limida ishlatiladigan uzluksiz
ma'lumotlarni izohlash va samarali va samarali kuzatuvga olib keladigan aqlli
signal berish uchun ham ishlatiladi.
Mashinaviy   o'qitish   usullarini   muvaffaqiyatli   joriy   etish   sog'liqni
saqlash   sohasida   kompyuterga   asoslangan   tizimlarni   integratsiyalashuviga
yordam   berishi   mumkinligi   ta'kidlanadi,   bu   esa   tibbiy   mutaxassislarning
ishini yengillashtirish va takomillashtirish va pirovardida tibbiy yordamning
samaradorligi va sifatini oshirishga imkon beradi. 
Tibbiy  tashxisda   asosiy  qiziqish   kasallikning  mavjudligini   aniqlash   va
undan keyin uni aniq aniqlashdir. Ko'rib chiqilayotgan har bir kasallik uchun alohida toifali va kasallik mavjud bo'lmagan holatlar uchun bitta toifaga ega.
Bu yerda mashinaviy o’qitish bemorlarning ma'lumotlarini tahlil qilish orqali
tibbiy tashxisning aniqligini oshiradi. Ushbu Machine Learning dasturlaridagi
o'lchovlar   odatda   ma'lum   tibbiy   sinovlar   (masalan,   qon   bosimi,   harorat   va
turli   xil   qon   sinovlari)   yoki   tibbiy   diagnostika   (tibbiy   rasmlar   kabi),   turli
alomatlarning   mavjudligi   /   yo'qligi   /   intensivligi   va   asosiy   jismoniy
ma'lumotlarning   natijalari.   bemor   (yoshi,   jinsi,   vazni   va   boshqalar).   Ushbu
o'lchovlarning   natijalari   asosida   shifokorlar   bemorni   yuqtirgan   kasallikni
toraytiradi.
4. Statistik arbitraj (Statistical Arbitrage)
Moliya   sohasida   statistik   arbitraj   qisqa   muddatli   tipik   va   ko'p   sonli
qimmatli   qog'ozlarni   o'z   ichiga   olgan   avtomatlashtirilgan   savdo
strategiyalariga   ishora   qiladi.   Bunday   strategiyalarda   foydalanuvchi   tarixiy
korrelyatsiyalar   va   umumiy   iqtisodiy   o'zgaruvchilar   kabi   miqdorlar   asosida
bir   qator   qimmatli   qog'ozlar   uchun   savdo   algoritmini   amalga   oshirishga
harakat   qiladi.   Ushbu   o'lchovlarni   tasniflash   yoki   baholash   muammosi
sifatida   tashlash   mumkin.   Asosiy   taxmin   shundaki,   narxlar   tarixiy   o'rtacha
ko'rsatkichga o'tadi.
Indeksli   arbitraj   strategiyasini   olish   uchun   biz   mashinaviy   o’qitish
usullarini qo'llaymiz. Xususan, biz birja savdosi fondlari va aktsiyalar oqimi
narxlarida   chiziqli   regressiya   va   qo'llab-quvvatlovchi   vektor   regressiyasini
(SVR)   qo'llaymiz.     Xususiyat   maydoni   o'lchamini   kamaytirishda   printsipial
tarkibiy   tahlil   (PCA)   yordamida   biz   foyda   ko'ramiz   va   SVR-ning
qo'llanilishidagi   muammolarni   qayd   etamiz.   Savdo   signallarini   yaratish
uchun biz oldingi regressiyadan qolgan qoldiqlarni o'rtacha qaytarish jarayoni
sifatida   modellashtiramiz.   Tasniflashda   har   bir   qimmatli   qog'oz   uchun
toifalar   sotilishi,   sotib   olinishi   yoki   hech   narsa   qilinmasligi   mumkin.   Men taxmin   qiladigan   bo'lsam,   kelajakda   ufqda   har   bir   qimmatli   qog'ozning
kutilayotgan   qaytarilishini   bashorat   qilishga   urinishim   mumkin.   Bu   holda,
odatda,   savdo   to'g'risida   qaror   qabul   qilish   uchun   kutilayotgan   daromadni
hisoblash kerak bo'ladi
5. O'quv uyushmalari (Learning Associations)
O'quv   uyushmasi   -   bu   mahsulotlar   o'rtasidagi   turli   xil   uyushmalar
haqida   tushunchalarni   shakllantirish   jarayoni.   Bir-biriga   bog'liq   bo'lmagan
ko'rinadigan   mahsulotlar   bir-birlariga   qanday   qilib   assotsiatsiyani   ochib
berishiga   yaxshi   misol.   Mijozlarning   sotib   olish   xatti-harakatlari   tahlil
qilinganda:   Mashinaviy   o'qitishning   bitta   qo'llanmasi   -   ko'pincha   odamlar
xarid qiladigan mahsulotlar o'rtasidagi bog'liqlikni o'rganish, bu ham savatni
tahlil qilish deb nomlanadi.   Agar xaridor 'X' ni sotib oladigan bo'lsa, u har
ikkalasini   aniqlay   oladigan   munosabatlar   tufayli   'Y'   ni   sotib   olishga   majbur
qiladimi?  Bu bozorda yangi mahsulotlar paydo bo'lganda baliq va chiplar va
boshqalar   o'rtasidagi   munosabatlarga   olib   keladi.     Bu   munosabatlarni   bilib,
yangi   munosabatlar   paydo   bo'ladi.   Ushbu   munosabatlarni   bilish   mijozga
bog'liq   mahsulotni   taklif   qilishda   yordam   berishi   mumkin.   Mijozning   uni
sotib olish ehtimoli ko'proq bo'lsa, u mahsulotni yanada yaxshi to'plam uchun
to'plamda yordam berishi mumkin.
6. Tasniflash (Classification)
Tasniflash  - bu har bir odamni o'rganilayotgan aholidan ko'p sinflarga
joylashtirish   jarayoni.   Bu   mustaqil   o'zgaruvchilar   sifatida   belgilanadi.
Tasniflash   tahlilchilarga   ushbu   ob'ektga   tegishli   bo'lgan   toifani   aniqlash
uchun   ob'ekt   o'lchovlaridan   foydalanishda   yordam   beradi.   Samarali   qoida
o'rnatish   uchun   tahlilchilar   ma'lumotlardan   foydalanadilar.   Ma'lumotlar
ob'ektlarning   to'g'ri   tasnifi   bilan   ko'plab   misollaridan   iborat.   Masalan,   bank
kredit   berishga   qaror   qilishidan   oldin,   mijozlar   kreditni   to'lash   qobiliyatiga baho berishadi. Mijozning daromadi, yoshi, omonati va moliyaviy tarixi kabi
omillarni   hisobga   olib,   biz   buni   amalga   oshirishimiz   mumkin.   Ushbu
ma'lumot   kreditning   o'tmishdagi   ma'lumotlaridan   olingan.   Demak,   Seeker
mijozning   xususiyatlari   va   ular   bilan   bog'liq   bo'lgan   xatarlar   o'rtasidagi
munosabatlarni yaratishda foydalanadi. 
Masalan, bank kredit berishga qaror qilishidan oldin, mijozlar kreditni
to'lash   qobiliyatiga   baho   berishadi.   Mijozning   daromadi,   yoshi,   omonati   va
moliyaviy   tarixi   kabi   omillarni   hisobga   olib,   biz   buni   amalga   oshirishimiz
mumkin.   Ushbu   ma'lumot   kreditning   o'tmishdagi   ma'lumotlaridan   olingan.
Demak, izlovchi mijozning xususiyatlari va ular bilan bog'liq bo'lgan xatarlar
o'rtasidagi munosabatlarni yaratishda foydalanadi.
7. Bashorat qilish (Prediction)
Kredit   olish   uchun   ariza   beruvchilardan   biri   qarzni   to'lashda
aybdorligini   hisoblash   uchun   bankning   misolini   ko'rib   chiqing.   Nosozlik
ehtimolini   hisoblash   uchun   tizim   avval   ma'lum   guruhlarda   mavjud
ma'lumotlarni   tasniflashi   kerak.   Bu   tahlilchilar   tomonidan   belgilangan
qoidalar to'plami bilan tavsiflanadi.  Tasniflashni   amalga   oshirgandan
so'ng, ehtiyojga qarab, ehtimollikni hisoblashimiz mumkin. Ushbu ehtimoliy
hisoblashlar   turli   maqsadlar   uchun   barcha   sektorlar   bo'yicha   hisoblashi
mumkinHozirgi   bashorat   eng   mashina   o'rganish   algoritmlaridan   biridir.
Chakana savdoni misol qilib olaylik, ilgari biz o'tgan oy / yil / 5-yil / Diwali /
Rojdestvo   haqidagi   hisobot   kabi   ma'lumotlarga   ega   bo'ldik.   Ushbu   turdagi
hisobot   tarixiy   hisobot   deb   nomlanadi.   Ammo   hozirgi   vaqtda   mening
biznesim kelgusi oy / yil / Diwali va boshqalar nima bo'lishimni aniqlashga
ko'proq qiziqadi.Shunday qilib, biznes kerakli qarorni (xaridlar, zaxiralar va
boshqalar bilan bog'liq) o'z vaqtida qabul qilishi mumkin.
8. Ekstraktsiya (Extraction) Informatsion   ekstratsiya   ( Information   Extraction   IE )   -   bu
mashinalarni   o'qitishning   yana   bir   qo'llanmasi.   Bu   struktura   qilinmagan
ma'lumotlardan tarkibiy ma'lumotlarni olish jarayoni. Masalan veb-sahifalar,
maqolalar, bloglar, biznes hisobotlari va elektron pochta xabarlari. Nisbatan
ma'lumotlar   bazasi   ma'lumot   olish   natijasida   hosil   bo'lgan   ma'lumotlarni
saqlab   turadi.   Ekstraksiya   jarayoni   hujjatlar   to'plami   sifatida   kiritishni   talab
qiladi   va   tarkibiy   ma'lumotlarni   ishlab   chiqaradi.   Ushbu   natija   relelatsion
ma'lumotlar   bazasidagi   Excel   jadvali   va   jadval   kabi   umumlashtirilgan
shaklda mavjud. Hozirgi vaqtda ekstraktsiya katta ma'lumot sanoatida muhim
kalitga   aylanmoqda.   Ma'lumki,   katta   hajmdagi   ma'lumotlar   ishlab
chiqarilmoqda,   ularning   aksariyati   struktura   qilinmagan.   Birinchi   muhim
vazifa   -   bu   tuzilmagan   ma'lumotlarga   ishlov   berish.   Endilikda   RDBMS-da
saqlanishi   mumkin   bo'lgan   tuzilishga   ega   bo'lmagan   ma'lumotlarni   ma'lum
bir   naqsh   asosida   tuzilgan   shaklga   o'tkazish.Bundan   tashqari,   hozirgi
kunlarda   ma'lumotlarni   yig'ish   mexanizmi   ham   o'zgarmoqda.   Ilgari   biz
ma'lumotni   End-of-Day   (EOD)   kabi   to'plamlarda   yig'ardik,   ammo   endi
biznes ma'lumotni u yaratilishi bilanoq, ya'ni real vaqtda istaydi.
9. Regresiya (Regression)
Mashinasozlikni   o'rganishni   regressiyaga   ham   qo'llashimiz   mumkin.
Faraz   qilaylik,   x   =   x1,   x2,   x3,   ...   xn   kirish   o'zgaruvchisi,   y   esa   natija
o'zgaruvchisi.   Bunday   holda,   kirish   parametrlari   (x)   asosida   mahsulotni   (y)
ishlab   chiqarish   uchun   biz   mashinaviy   o’qitish   texnologiyasidan
foydalanishimiz mumkin.  Quyidagi   kabi   turli   xil   parametrlar   o'rtasidagi
munosabatni ifodalash uchun siz modeldan foydalanishingiz mumkin: 
Y   =   g   (x)   bu   erda   g   -   modelning   o'ziga   xos   xususiyatlariga   bog'liq
bo'lgan funktsiya.   Regressiyada   biz   parametrlarni   optimallashtirish   uchun   mashinaviy
o’qitish   printsipidan   foydalanishimiz   mumkin.   Taxminiy   xatoni   qisqartirish
va eng yaqin natijani hisoblash uchun.
Shuningdek, biz funktsiyani optimallashtirish uchun Machine learning-
dan   foydalanishimiz   mumkin.   Biz   yaxshiroq   modelga   ega   bo'lish   uchun
kirishlarni o'zgartirishni tanlashimiz mumkin. Bu yangi va takomillashtirilgan
model   bilan   ishlashga   imkon   beradi.   Bu   javob   sirtining   dizayni   sifatida
tanilgan. Foydalanilgan adabiyotlar
1. Wolfgang   Ertel.   “Introduction   to   Artificial   Intelligence”.   Germany-
2017.
2. Joshua   Eckroth.   “Python   Artificial   Intelligence   Projects   for
Beginners”.Birmingham 2018.
3. Nigmatov H. “Intellektual tizimlar”. Toshkent-2019.
4. А.В.   Гаврилов.   Системы   искусственного   интеллекта.   Учебное
пособие, ч. 1. - Новосибирск, НГТУ, 2000.  – 115 с.
5. Интеллектуалные системы и их моделирование. - М.: Наука, 1986.
–с. 25-125.
6. Искусственный   интеллект.   Применение   в   интегрированных
производственных   системах.   Под   ред.   Э.Кюсиака.   -   М.:
Машиностроение, 1991.  – с.40-70.
7. Искусственный интеллект. Справочник в 3-х томах. - М.: Радио и
связ, 1990.  – с.30-140.

Mashinaviy o’qitish. Mashinaviy o’qitish turlari. Bilimlarni namoyish etish modellari Reja 1. Mashinaviy o`qitish haqida tushuncha. 2. Mashinaviy o`qitish turlari. 3. Obrazni tanish

Mashinaviy o`qitish (Machine Learning) amaliy matematikaning keng qamrovli bo'limi bo'lib, matematik statistika, optimallashtirish, sun'iy intellekt, empirik (amaliy qonunlar) ma'lumotlarini o'rganish mumkin bo'lgan algoritmlarni tuzish usullarini o'rganadi. Obrazni aniqlash ( Распознавание образов ) , tasvirni tahlil qilish, kompyuterni ko'rish ( компьютерное зрение ), qayta ishlash va matnni tahlil qilish metod sifatida mashina o'qitish usullaridan faol foydalanadi, ammo ular shuningdek, Mashinaviy o`qitish (Machine Learning) doirasida umuman ko'rib chiqilmaydigan o'ziga xos yondashuvlar, usullar va algoritmlarga ega. Ushbu va boshqa ilmiy sohalarni keng ma'noda ma'lumotlarni intelektual tahlil qilish bilan bog'lash mumkin. Quyida yo'nalishlarning namunaviy ro'yxati keltirilgan: - Mashinaviy o`qitish (machine learning) - nazariya, yondoshuvlar va o'qitish usullari: - tasniflash (classification); - klasterlash (klasterlash); - regressiya (regression); - bashorat qilish (forecasting). - Obrazni aniqlash (Pattern recognition): - rasmlarni tahlil qilish, tanib olish va tushunish (image analysis, recognition & understanding); - kompyuterni ko'rish (computer vision); - tahlil qilish, nutqni aniqlash va tushunish (speach analysis, recognition & understanding); - Ma'lumotlarni intelektual tahlil qilish (data mining): - bilimlarni ochish (knowledge discovery in databases); - matnlarni qayta ishlash va tahlil qilish, matnlarni tushunish (text mining);

- Internetdagi ma'lumotlarni tahlil qilish (web mining). Mashinaviy o`qitish - bu empirik ma'lumotlar asosida o'qitilishi mumkin bo'lgan algoritmlarni qurish usullarini o'rganadigan sun'iy intellekt va matematik statistikaning keng qamrovli qismi. Machine Learning - bu o'qishga asoslangan algoritmlarni tuzish usullarini o'rganadigan sun'iy intellektning keng qamrovli bo'limi. Ta'limning ikki turi mavjud. Amaliy-huquqiy mashg'ulotlar yoki induktiv trening muayyan empirik ma'lumotlardan umumiy naqshlarni aniqlashga asoslangan. Deduktiv o'rganish mutaxassis bilimlarini rasmiylashtirish va bilim bazasi sifatida uni kompyuterga o'tkazishni o'z ichiga oladi. Deduktiv o'rganish odatda ekspert tizimlari sohasiga taalluqlidir, shuning uchun "mashina o'rganish" va "case study" atamalarini sinonim deb hisoblash mumkin. Mashinaviy o'qitish matematik statistika, optimallashtirish usullari va klassik matematik fanlar birlashmasida, lekin hisoblash samaradorligi va qayta tayyorlash muammolari bilan bog'liq o'ziga xos xususiyatlarga ega. Klassik statistik yondashuvlarga alternativa sifatida ko'plab induktiv o'qitish usullari ishlab chiqilgan. Ko'pgina usullar ma'lumotlar qidirish va ma'lumotlarni qidirish bilan chambarchas bog'liq(Data mining).

Mashinaviy o'qitish nafaqat matematik, balki amaliy, muhandislik fanidir. Sof nazariya, qoida tariqasida, amalda qo'llaniladigan usul va algoritmlarni darhol olib kelmaydi. Ularni yaxshi ishlashi uchun taxminlar nazariyasida yuzaga kelgan nomuvofiqlikni haqiqiy muammolar sharoitlari bilan qoplash uchun qo'shimcha evristik ixtiro qilish kerak. Mashinada o'qitish bo'yicha deyarli har qanday tadqiqot usulning amaliyligini tasdiqlovchi model yoki haqiqiy ma'lumotlarga nisbatan eksperimentsiz to'liq bo'lmaydi. Mashinaviy o'qitish - bu sun'iy intellekt metodlar sinfidir, uning xarakterli xususiyati muammoni to'g'ridan-to'g'ri hal qilish emas, balki shunga o'xshash ko'plab muammolarga echimlarni qo'llash jarayonida ta`lim olishdir. Bunday usullarni qurish uchun matematik statistika, sonli usullar, optimallash usullari, ehtimollik nazariyasi, graflar nazariyasi, ma'lumotlar bilan raqamli shaklda ishlashning turli xil usullari qo'llaniladi. Mashinasozlik bo'limi, bir tomondan, neyron tarmoqlari fanini tarmoqlarni o'qitish usullari va ularning arxitekturasining topologiyalari turlariga bo'linishi natijasida shakllangan, ikkinchi tomondan, matematik statistika usullarini o'zida mujassam etgan. Garchi o'quv namunasi kontseptsiyasidan foydalanadigan boshqa usullar mavjud bo`lsada

mashinaviy o'qitishning quyidagi usullari neyron tarmoqlardan foydalanishi bilan bog'liq - masalan, diskriminatsion tahlil, Bayes klassifikatorlari, yoki kuzatilgan statistikaning dispersiyasi va kovariyatsiyasi bilan ishlaydigan klassifikatorlar. Neyron tarmoqlarning asosiy turlarini, masalan, perseptron va ko'p qatlamli perseptron (shuningdek, ularning modifikatsiyalarini), o'qituvchi yordamida yoki o'qituvchi qatnashmagan holda o'qitilishi, yoki o`z ustida ishlash, izlanishlar olib borish orqali o`rganishni tashkil etish va mustahkamlash mumkin. Ammo ba'zi neyron tarmoqlari va ko'pgina statistik usullarni faqatgina o`rganishning muayyan uslubi bilangina bog`lagan holda o`rganish mumkin. Shuning uchun, agar mashinaviy o'qitishni o'rganish usuliga qarab uning usullarini tasniflash zarur bo'lganda, neyron tarmoqlarni o'ziga xos turga ajratish to'g'ri bo'lmaydi, neyron tarmoqlarini o'qitish algoritmlarini tiplash yanada to'g'ri bo'ladi. 1. Tasvirni aniqlash. (Image recognation) Bu eng keng tarqalgan mashinaviy o'rganish dasturlaridan biridir. Obyektni raqamli rasm sifatida tasniflashingiz mumkin bo'lgan ko'plab holatlar mavjud. Raqamli tasvirlar uchun o'lchovlar rasmdagi har bir pikselning natijalarini tavsiflaydi. Qora va oq rasm bo'lsa, har bir pikselning intensivligi bitta o'lchov sifatida xizmat qiladi. Shunday qilib, agar qora va oq rasmda N * N piksel bo'lsa, piksellarning umumiy soni va shuning uchun