Machine Learning

Eng yaxshi 9 ta mashinaviy o`qitish bo'yicha amaliy dasturlar :
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.

XULOSA

Xulosa qilib aytganda, mashinaviy o’qitish - bu sun'iy intellekt sohasidagi ajoyib yutuq. Garchi bu haqda o'ylaganingizda dahshatli oqibatlarga olib keladigan bo'lsa-da, ushbu mashinaviy o'qitish ilovalari ushbu texnologiya bizning hayotimizni yaxshilashga yordam beradigan ko'plab usullardir.

Foydalanilgan adabiyotlar:

1. 
   http://www.machinelearning.ru/wiki/index.php?title=MachineLearning:%D0%9A%D0%BE%D0%BD%D1%86%D0%B5%D0%BF%D1%86%D0%B8%D1%8F_%D1%80%D0%B5%D1%81%D1%83%D1%80%D1%81%D0%B0
   
2. 
   https://data-flair.training/blogs/machine-learning-applications/
   
3. 
   https://data-flair.training/blogs/machine-learning-tutorial/
   
4. 
   http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5
   
5. 
   https://youtu.be/GwIo3gDZCVQ