Guruh talabasi Salohiddinova Mahliyo Mashinali asosiy tushunchalari, o‘qitish turlari va algoritmlari

120-20-guruh talabasi Salohiddinova Mahliyo


Mashinali asosiy tushunchalari, o‘qitish turlari va algoritmlari

Mashinani o'rganish (ML) - bu ma'lumotlardan o'rganish va vaqt o'tishi bilan ularning ishlashini yaxshilash mumkin bo'lgan kompyuter algoritmlarini ishlab chiqishga qaratilgan sun'iy intellektning bir tarmog'i. U ma'lumotlar fanlari sohasida tobora muhim vositaga aylandi va elektron pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi. Mashinani o'rganish algoritmlari an'anaviy dasturlash usullari amaliy bo'lmagan yoki samarasiz bo'lgan hollarda qo'llaniladi va ular bashorat qilish, jarayonlarni avtomatlashtirish va katta ma'lumotlar to'plamlarida naqshlarni aniqlash uchun ishlatilishi mumkin. Ushbu maqola mashinani o'rganish asoslari, jumladan ishlatiladigan algoritmlar turlari va ularning qo'llanilishiga kirishni ta'minlaydi.

Mashinani o'rganish maqsadi aniq dasturlashni talab qilmasdan ma'lumotlardagi naqshlarni aniqlay oladigan va bashorat qila oladigan algoritmlarni ishlab chiqishdir. Mashinani o'rganish algoritmlari elektron pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi.
Mashinada o'rganish algoritmlarining turlari.
Mashinani o'rganish algoritmlarining bir nechta turlari mavjud, ularning har biri o'zining kuchli va zaif tomonlariga ega. Mashinani o'rganish algoritmlarining eng keng tarqalgan turlaridan ba'zilari nazorat ostida o'rganish, nazoratsiz o'rganish, yarim nazorat ostida o'rganish va mustahkamlovchi o'rganishni o'z ichiga oladi.
Mashina o’qitish (ML) bo’yicha algaritimlar.
 Chiziqli Regressiya
 Logistik Regressiya
 Chiziqli Diskriminant Tahlil
 Tasniflash va regressiya daraxtlari
 Sodda Bayes
 K-Eng Yaqin Qo'shnilar
 Vektorlarni Kvantlashni O'rganish
 Vektorli Mashinalarni Qo'llab-Quvvatlash
 Bagging va tasodifiy o'rmon
 Boosting va AdaBoost


2 Mashinali o‘qitishda instrumental vositalardan foydalanish Google colab dasturiy muhiti bilan ishlash

Mashinani o'rganish uchun afzal vositalar - Python–MatLab–R

AI bo'yicha so'rov -javoblar saytlari va Data Science forumi mushtarak so'rovlar bilan takroriy -takroriy mu’rajat etmoqda. Men ma’lumotlar -fanida yangiman, qaysi tildi o'rganishim zarur? Mashinada o'rganish uchun eng yaxshi til qaysi?
Mashinali o’qitish
Hozirgi kun talabalari axborot texnologiyalari bo’yicha zamonaviy dasturlash tizimlari bilan ishlashni bilishlari davr talabidir.
Bunda dars darayonida foydalaniladigan o’quv, o’quv-uslubiy qo’llanmalarning mavjud bo’lishi, o’quv jarayoni samaradorligini oshirishga xizmat qiladi. Kompyuter yordamida matematik, fizik masalalarni yechish uchun ko’pincha foydalanuvchi biron bir dasturlash tilida dastur tuzishni bilishi talab qilanadi.
MatLab, Python va R kollej o'quvchilariga matematika va statistika asoslarini o'qitishda muvaffaqiyatli ishlatiladi Bu matumotlarga asoslangan muhitda ma'lumotlarni katta tahlillar orqali o'rganish juda kuchli, ayniqsa qaror qabul qilish va bu matumotlarga boy muhitda ma'lumotlarni statistik ishlatish uchun.
MatLab yordamida hisoblash va statistik abi boshlang'ich matematikani o'qitish uchun foydalanish mumkin.
“Mashinali o’qitishga kirish” fanini ham o’qitishda Matlab asturidan foydalanish keng imkoniyatlarni ochib beradi. Menyu buyruqlarining vazifalari, matematik belgilar vositalari bilan ishlash, Matlabda oddiy matеmatik ifodalarni hisoblash, tеnglamalarni sonli va simvolli yеchish, hosila, integral, limitlarni hisoblash, grafiklar qurish bo’yicha barcha mavzular misollar bilan bayon etilgan

3 Bir o‘zgaruvchili va ko‘p o‘zgaruvchili chiziqli regressiya masalalari va ularni dasturlash

Pythonda chiziqli regressiyaga qisqacha kirish - Chiziqli regressiya ikki (oddiy chiziqli regressiya) yoki undan ortiq (ko‘p chiziqli regressiya) o‘zgaruvchilar o‘rtasidagi chiziqli munosabatni o‘rganuvchi statistik model bo‘lib, bog‘liq bo‘lgan o‘zgaruvchilardir. o'zgaruvchi va mustaqil o'zgaruvchi (lar).

ko'rib turganingizdek chiziqli regressiya birtamonlama tepaga va bir tamonlama pastga qarab chizilgan. Pythonda regressiya modellarini amalga oshirishga e'tibor qarataman, shuning uchun regressiya chegarasi ostida matematikaga chuqur bog'lanadi.
Pythonda chiziqli regressiya - Pythonda chiziqli regressiyani amalga oshirishning ikkita asosiy usuli bor - Statsmodels va scikit bilan o'rganish. Siz Scikit kutubxonasidan ham foydalanishingiz mumkin. Keling, ikkalasida ham chiziqli regressiyani amalga oshirishni ko'rib chiqaylik:
Statsmodelsda chiziqli regressiya - Statsmodels "Ko'p turli statistik modellarni baholash, shuningdek, statistik testlarni o'tkazish va statistikani o'rganish uchun sinflar va funktsiyalarni ta'minlovchi Python moduli." Pandas va NumPy-da bo'lgani kabi, Statsmodels-ni olish yoki o'rnatishning eng oson yo'li Anaconda paketi orqali amalga oshiriladi.
import statsmodels.api as sm
Chiziqli regressiya uchun Statsmodelsdan qanday foydalanishni ko'rib chiqaylik. Data Science sinfidan misol keltirgan. Birinchidan, biz ma'lumotlar to'plamini sklearn dan import qilamiz.
from sklearn import datasets ## imports datasets from scikit-learn
data = datasets.load_boston() ## loads Boston dataset from datasets library
Data.feature_names va data.target ishga tushirilsa, mos ravishda mustaqil o'zgaruvchilar va bog'liq o'zgaruvchilar ustun nomlari chop etiladi. Ya'ni, Scikit-learn allaqachon qiymati va narx ma'lumotlarini maqsadli o'zgaruvchi sifatida va boshqa 13 o'zgaruvchini bashorat qiluvchi sifatida belgilab qo'ygan.