Chuqur o’qitishda mashinani o’qitish usullaridan foydalanish Reja

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.


Xulosa
Machine learning mashinani o‘qitish degani amalda ko‘p ishlatiladi , ayniqsa sun’iy intellekt sohasi asoslaridan biri hozirgi paytda barcha texnologiyalar kabi mashinani o‘qitish texnologiyasini o‘qish o‘rganish shart.

Mashinani o'rganishning beshta qabilasi:

1. 
   Symbolists: Mashina o'rganish amaliyotchilarining ushbu guruhi teskari deduksiya asosiga e'tibor qaratadi. Oldindan boshlash va xulosalar izlashning klassik modeli o'rniga, teskari chegirma binolar va xulosalar to'plamidan boshlanadi va bo'shliqlarni to'ldirish uchun orqaga qarab ishlaydi.
   
2. 
   Aloqachilar: Mashinani o'rganishning ushbu kichik to'plami miyani qayta qurishga qaratilgan eng mashhurlaridan biridir. Konnektsion yondashuvning eng mashhur namunasi bugungi kunda biz "chuqur o'rganish" deb ataydigan narsadir. Yuqori darajada, bu yondashuv neyron tarmoqdagi sun'iy neyronlarni ulashga asoslangan. Ulanish usullari tasvirni aniqlash yoki mashina tarjimasi kabi sohalarda juda samarali.
   
3. 
   Evolyutsionerlar: Mashinani o'rganish bo'yicha ushbu intizom ma'lumotlarni qayta ishlashda evolyutsiya jarayonida genomlar va DNK g'oyalarini qo'llashga qaratilgan. Aslini olganda, evolyutsion algoritmlar doimo rivojlanib boradi va noma'lum sharoit va jarayonlarga moslashadi.
   
4. 
   Bayeschilar: Mashinani o'rganish bo'yicha yana bir taniqli guruh, Bayeschilar noaniqlikni ehtimollik xulosasi kabi usullardan foydalangan holda hal qilishga e'tibor qaratadilar. Vizyonni o'rganish va spamni filtrlash Bayes yondashuvi tomonidan hal qilinadigan klassik muammolardan biridir. Odatda, Bayes modellari gipotezani qabul qiladi va ba'zi natijalar ehtimoli yuqori bo'lishiga ishonib, "apriori" fikrlash turini qo'llaydi. Keyin ular ko'proq ma'lumotlarni ko'rganlari uchun gipotezani yangilaydilar.
   
5. 
   Analogizatorlar: Ushbu mashinani o'rganish intizomi ma'lumotlar bitlarini bir-biriga moslashtirish usullariga qaratilgan. Eng mashhur analogizator modeli neyron tarmoq modellariga natijalar berishi mumkin bo'lgan "eng yaqin qo'shni" algoritmidir.