18. Mashinali o`qitish



Yüklə 1,42 Mb.
səhifə1/9
tarix15.06.2023
ölçüsü1,42 Mb.
#130656
  1   2   3   4   5   6   7   8   9
Mashinali o`qitish.


18. Mashinali o`qitish.
Mashinali o`qitish tushunchasi, mashinali o`qitishni Data science va Data science jarayonlarga qo`llash, mashinali o`qitishda dasturlash tillarini instrumentlari, mashinali o`qitish tiplari.


MASHINAVIY O`QITISH BO'YICHA ENG YAXSHI AMALIY DASTURLAR
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.

O'qituvchi bilan o`rganish:
Sun'iy neyron tarmog'i:
1. Chuqur o'rganish
2. Xato tuzatish usuli
3.Bokni ko'paytirish usuli
4.Qo'llab-quvvatlovchi vektorlar usuli
O'qituvchisiz o'rganish:
1. Alfa mustahkamlash tizimi
2. Gamma mustahkamlash tizimi
3. Yaqin qo'shnilar usuli





Yüklə 1,42 Mb.

Dostları ilə paylaş:
  1   2   3   4   5   6   7   8   9




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©azkurs.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin