Mashinali o’qitish. Mashinali o’qitish algoritmlari

x: bu avtomobilning kilometraj 

ko’rsatkichi

y: avtomobil narxi

y = g(x|θ)

bu yerda g() – model

θ

0

va θ

1

– model parametrlari

---

Regressiyaga misol (Python muhitida)

---

Regressiyaga misol (nochiziqli)

1. x – obyekt parametri

Model ko’rinishi:

2. obyekt parametri

Model ko’rinishi:

---

O’qituvchili o’qitish algoritmlari



Linear Regression



Nearest Neighbor



Gaussian Naive Bayes



Decision Trees



Support Vector Machine (SVM)



Random Forest

---

Ma’lumotlar to’plami (Data set)

Data set - bu o’qitish uchun kerakli bo’lgan ma'lumotlar to'plamidir. Boshqacha

aytganda, ma'lumotlar to'plami ma'lumotlar bazasi jadvalining yoki bitta

statistik ma'lumotlar matritsasining qiymatlarini hisoblanib, bunda jadvalning

har bir ustuni ma'lum o'zgaruvchini yoki parametr (x1,x2,....,xn) qiymatini

ifodalasa, har bir satr esa berilgan parametrlar asosidagi obyekt qiymatiga (X1,

X2,....,XN) to'g'ri keladi.

Machine Learning loyihalarida biz o'quv ma'lumotlari to'plamidan (training data

set) foydalanamiz. Bu turli xil harakatlarni bajarish uchun modelni o’qitish uchun

ishlatiladigan haqiqiy ma'lumotlar to'plami hisoblanadi.

---

Ma’lumot to’plamlari (data set) turlari

Mashinani o’qitish jarayonida va modelning to’liq ishlashini ta’minlash

maqsadida quyidagi ma’lumotlar to’plami turlaridan foydalaniladi:



o’qituvchi to’plam, o’quv tanlanma (training set);



validatsiya to’plami (validation set);



testlash to’plami (testing set).

---

Ma’lumotlarga dastlabki ishlov berish

Ma’lumotlar turini belgilash (Format): O’qituvchi to’plamdagi ma’lumotlar

turi va toifasini moslashtirish (Misol uchun, o’qitiluvchi to’plam sifatida 100 t

rasm olingan bo’lsin, rasmlar har xil o’lchamda yoki har xil fayl formatida

bo’lishi mumkin).

Ma’lumotlarni tozalash (Data Cleaning): Ushbu bosqichda ma’lumotlar

orasidan ortiqcha yoki ahamiyati past bo’lgan (masalan, sifati juda past bo’lgan

tasvirlar, o’lchami juda kichik bo’lgan rasmlar), model turg’unligiga ta’sir

qiluvchi ma’lumotlar olib tashlanadi.

Xususiyatlarni ajratib olish (Feature Extraction): Ushbu bosqichda o’qituvchi

to’plamdagi ma’lumotlar xususiyatlari o’rganib chiqiladi va bashoratlash,

tashxislash, sinflashtirish, qaror qabul qilish uchun kerakli xususiyatlar ajratib

olinadi. (Misol uchun rasmda “olma” tasvirlanganligini belgilab beruvchi

xusisyatlar).

---

Ma’lumotlarga dastlabki ishlov berish

---

Unsupervised learning

O’qituvchisiz o’qitish (unsupervised learning) – bu mashinani o’qitish usulidan

biri bo’lib, bunda modelni oldindan aniq bo’lgan ma’lumotlar bilan o’qitish

amalga oshirilmaydi, aksincha obyekt parametrlarini (ma'lumotlarni) topish

uchun modelga o'z ustida ishlashga imkon yaratib beriladi.

Supervised

learning

usuliga

qaraganda

murakkab

usul

hisoblanadi

va

bashoratlash jarayoni avtomatik lekin noaniqroq bo’lishi mumkin.

Unsupervised learning usulida asosan “klasterlash” masalasi yechiladi.

---

Unsupervised learning

---

Unsupervised learning: “Klasterlash”

---

Unsupervised learning turlari

Clustering

◦

Hierarchical clustering

◦

K-means clustering

◦

K-NN (k nearest neighbors)

◦

Principal Component Analysis

◦

Singular Value Decomposition

◦

Independent Component Analysis

---

Artificial intelligance with ML

---

Foydalanilgan adabiyotlar

Aurelian Geron, Hands on Machine Learning with Scikit-Learn 

Keras&Tensorflow // Second edition Concepts, Tools, and Techniques to Build 

Intelligent Systems, 2019, 510 pages

https://www.geeksforgeeks.org/ml-machine-learning/ 

https://www.geeksforgeeks.org/ml-types-learning-supervised-learning/ 

https://www.guru99.com/unsupervised-machine-learning.html