• GURUH: 730-21 BAJARDI: RAJABOVA XURSHID TEKSHIRDI: NORMURODOV JAVOHIR
  • Quyidagi qismlarda mashinali oqitishda malumotlarni grafik tasvirlash asosida chiqadigan muammo va xatoliklarni baholash usullari keltirilgan
  • Yechim: Malumotlar bazasini rivojlantirish va toliq malumot toplash uchun qulay usullarni qollash. Malumotlarni Tahlil Qilish (Data Analysis)
  • Malumotlarni Tasniflash (Data Labeling): Muammo: Tasniflashda yolgon malumotlar, notogri tasniflanmagan malumotlar.
  • Malumotlarni Grafik Tasvirlash (Data Visualization): Muammo: Grafiklarni tuzatishda notogri malumotlar yoki yoqotilgan malumotlar.
  • Muammo: Modelning orqaga otqazish qismida notogri malumotlar yoki xato malumotlar.
  • Yechim: Modelni togri baholash metrikalari bilan, yuqori aniqlik va ishlab chiqarish darajasiga ega bolgan metodiologiyalar qollash. Modelni Tuzatish (Fine-Tuning)
  • Modelni Integrlash (Integration): Muammo: Modelni boshqa tizimlar bilan integratsiya qilishda yuzaga keladigan muammo.
  • 4. Malumotlar toplash va tahlil qilish: Malumotlarni olish data = pd.read_csv("malumotlar.csv") Malumotlarni tasniflash
  • X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) Malumotlarni normalizatsiya qilish scaler = StandardScaler()
  • Bajardi: rajabova xurshid tekshirdi: normurodov javohir




    Download 231.83 Kb.
    Sana01.12.2023
    Hajmi231.83 Kb.
    #109463
    Bog'liq
    mo\'q-2
    o-zbek-tilshunosligida-o-zlashma-so-zlarning-roli-va-ahamiyati (1), Files Payments kafil PaymentReport 638337463239672885, boburnoma-asaridagi-tilga-oid-ilmiy-badiiy-topilmalar







    MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT
    TEXNOLOGIYALAR UNIVERSITETI KIBERXAVFSIZLIK
    FAKULTETI KIBERXAVFSIZLIK YO’NALISHI 730-21-GURUH TALABASI RAJABOV XURSHIDNING MASHINALI O’QITISHGA KIRISH FANIDAN BAJARGAN MUSTAQIL ISHI

    2-Amaliy ish


    GURUH: 730-21
    BAJARDI: RAJABOVA XURSHID
    TEKSHIRDI: NORMURODOV JAVOHIR


    Mashinali o'qitish (yoki Machine Learning) jarayonida ma'lumotlarni grafik tasvirlash va bu tasvirlardan foydalanib modelni o'qitish uchun ma'lumotlarni tahlil qilish jarayoni keyingi qadam hisoblanadi. Ushbu jarayonning har bir bosqichida muammo va xatoliklar paydo bo'lishi mumkin. Bu xatoliklarni baholash va tuzatish o'qituvchilar va tadqiqotchilar uchun muhimdir.

    Quyidagi qismlarda mashinali o'qitishda ma'lumotlarni grafik tasvirlash asosida chiqadigan muammo va xatoliklarni baholash usullari keltirilgan:

    Ma'lumotlarni To'plash (Data Collection):

    Muammo: Aniq va to'liq ma'lumot to'plashning qiyinchiligi.
    Yechim: Ma'lumotlar bazasini rivojlantirish va to'liq ma'lumot to'plash uchun qulay usullarni qo'llash.
    Ma'lumotlarni Tahlil Qilish (Data Analysis):

    Muammo: Ma'lumotlarni tahlil qilishda qanday ma'lumotlarni qanday yo'nalishda ishlash kerakligi.
    Yechim: Ma'lumotlarni qanday ko'rsatish, qaysi featuralar bilan ishlashning foydali bo'lishi, ma'lumotlarni qanday normalizatsiya qilish kerakligi.
    Ma'lumotlarni Tasniflash (Data Labeling):

    Muammo: Tasniflashda yolg'on ma'lumotlar, noto'g'ri tasniflanmagan ma'lumotlar.
    Yechim: Aniq va to'g'ri tasniflovchi ma'lumotlarni tayyorlash, qulaylik va yuqori aniqlik darajasiga ega bo'lgan yordamchi algoritm tuzatish.
    Ma'lumotlarni Grafik Tasvirlash (Data Visualization):

    Muammo: Grafiklarni tuzatishda noto'g'ri ma'lumotlar yoki yo'qotilgan ma'lumotlar.
    Yechim: Ma'lumotlarni to'g'ri va sodda ko'rinishda tasvirlash, qo'llanuvchi osonlik bilan tahlil qilish imkoniyatini berish.
    Modelni O'qitish (Training the Model):

    Muammo: Modelning orqaga o'tqazish qismida noto'g'ri ma'lumotlar yoki xato ma'lumotlar.
    Yechim: O'qitish jarayonida muammo yuzaga kelganda, modelni qayta o'qitish va har tomonlama hisoblashni yaxshilash.
    Natijalarni Baholash (Evaluation):

    Muammo: Modelning amaliyotda qanday ishlashini tekshirish uchun ma'lumotlarni baholashda xatoliklar.
    Yechim: Modelni to'g'ri baholash metrikalari bilan, yuqori aniqlik va ishlab chiqarish darajasiga ega bo'lgan metodiologiyalar qo'llash.
    Modelni Tuzatish (Fine-Tuning):

    Muammo: Modelning qanday ishlashini yaxshilash uchun kerakli bo'lgan qo'shimcha o'qitishlar.
    Yechim: Qo'shimcha ma'lumotlar va yaxshi hisoblash uchun modelni qayta o'qitish.
    Modelni Integrlash (Integration):

    Muammo: Modelni boshqa tizimlar bilan integratsiya qilishda yuzaga keladigan muammo.
    Yechim: Modelni boshqa tizimlar bilan moslashtirish va uni iste'mol qilishda xatoliklarni aniqlash.






    4. Ma'lumotlar to'plash va tahlil qilish:
    # Ma'lumotlarni olish
    data = pd.read_csv("ma'lumotlar.csv")

    # Ma'lumotlarni tasniflash
    X = data.drop("target", axis=1)
    y = data["target"]

    # Ma'lumotlarni taqsimlash
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # Ma'lumotlarni normalizatsiya qilish
    scaler = StandardScaler()
    X_train = scaler.fit_transform(X_train)
    X_test = scaler.transform(X_test)




    # Natijalarni grafiklarga joylash
    sns.heatmap(confusion_mat, annot=True, fmt="d")
    plt.xlabel("Tasvirlovchi")
    plt.ylabel("Haqiqiy qiymat")
    plt.title("Confusion Matrix")
    plt.show()





    Download 231.83 Kb.




    Download 231.83 Kb.

    Bosh sahifa
    Aloqalar

        Bosh sahifa



    Bajardi: rajabova xurshid tekshirdi: normurodov javohir

    Download 231.83 Kb.