|
O‘z - o‘zini tekshirish uchun savollar
|
| bet | 24/182 | | Sana | 19.05.2024 | | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024O‘z - o‘zini tekshirish uchun savollar:
1.Sun’iy intellekt (AI) tushunchasi nima va uning zamonaviy ilovalardagi roli qanday?
2. Ilovalar kontekstida sun’iy intellekt qanday asosiy vazifalarni hal qiladi va bu vazifalar foydalanuvchilar uchun qanday foydali bo‘lishi mumkin?
3.Python ilovalarida sun’iy intellektni birlashtirish uchun qanday kutubxonalar va ramkalarni foydalanishning ba’zi misollarini keltiring.
4. Python loyihasini ishlab chiqishda sun’iy intellektni ilovaga integratsiya qilish uchun kutubxona yoki ramkani tanlash mezonlari qanday?
5. Python dasturida sun’iy intellektni birlashtirishning asosiy bosqichlari?
6. Python loyihalarida sun’iy intellektni muvaffaqiyatli amalga oshirishning qanday amaliy misollar va natija qanday bo‘ldi?
7. Sun’iy intellektni Python ilovalariga integratsiyalashda qanday qiyinchiliklar paydo bo‘lishi mumkin va ularni qanday engish mumkin?
8. Yaqin kelajak uchun Python dasturlarida sun’iy intellekt integratsiyasini rivojlantirish uchun qanday istiqbollarni ko‘rasiz?
9. Python dasturlarida sun’iy intellektning ishlashini optimallashtirish bo‘yicha qanday tavsiyalar mavjud?
10. Python dasturlarida integratsiyalashgan sun’iy intellekt algoritmlarining muvaffaqiyatli ishlashi uchun qanday ma’lumotlar talablari zarur?
II.BOB. ILOVALAR FUNKSIONALLIGINI TAKOMILLASHTIRISH UCHUN PYTHON-DA MASHINALI O‘QITISH KUTUBXONALARIDAN FOYDALANISH 2.1. Mashinali o‘qitish asoslariga kirish va ulardan Python-ilovalarda foydalanish
Kalit so‘zlar: SciKit Learn, GPU, SciPy, regressiya, NLTK, Text, Model, Trening, setosa, versicolor, virginica, Dialog.
C, Java va boshqalar kabi boshqa kompyuter tillaridan farqli o‘laroq, Python o‘zining o‘qilishi va kam murakkabligi bilan mashhur. Ma’lumotlar bo‘yicha olimlar katta hajmdagi ma’lumotlarni tahlil qilish va kamroq harakat bilan foydali ma’lumotlarni ishlab chiqarish uchun mashinali o‘qitishdan foydalanishlari mumkin. Python ko‘plab mashhur o‘rnatilgan kutubxonalarni qo‘llab-quvvatlaydi, ulardan mashinali o‘qitish funksiyasini ta’minlash uchun osongina foydalanish mumkin.
Ushbu kutubxonalar o‘qitishni talab qilmaydi. Eng yaxshi tomoni shundaki, bu paketlar GNU litsenziyasi ostida Python-da bepul. Bu o‘qitish va foydalanishni osonlashtiradi. Shunday qilib, Kerasdan foydalanish oson va tez prototiplash uchun ideal tanlovdir. Siz boshqa ilovalarda foydalanish uchun modellarni osongina joylashtirishingiz mumkin. Keras, shuningdek, bir nechta backendlarni qo‘llab-quvvatlaydi va ular o‘rtasida ko‘chirishni ta’minlaydi, ya’ni siz bitta backend yordamida mashq qilishingiz va uni boshqasiga yuklashingiz mumkin. Keras bir nechta GPU uchun mahalliy yordamni ta’minlaydi va taqsimlangan treningni qo‘llab-quvvatlaydi.Python-da SciKit Learn kutubxonasi.
Python-da SciKit Learn kutubxonasi Scikit-learn loyihasi Devid Kurnapening Google Summer of Code (aka GSoC) loyihasi sifatida scikits.learn sifatida boshlangan. U o‘z nomini SciPy uchun alohida uchinchi tomon kengaytmasi bo‘lgan “Scikit” dan oldi. Scikit Python-da yozilgan (uning ko‘p qismi) va uning ba’zi asosiy algoritmlari yanada yaxshi ishlashi uchun Cython-da yozilgan.
Scikit-learn modellarni yaratish uchun ishlatiladi va ma’lumotlarni o‘qish, qayta ishlash va umumlashtirish uchun tavsiya etilmaydi, chunki bu maqsad uchun mosroq ramkalar mavjud. Bu ochiq manba va BSD litsenziyasi ostida chiqarilgan.
Scikit Learn qanday o‘rnatiladi? Scikit sizning qurilmangiz NumPY (1.8.2 va undan yuqori) va SciPY (0.13.3 va undan yuqori) paketlari bilan Python 2.7 yoki undan yuqori versiyada ishlayotganini taxmin qiladi. Ushbu paketlarni o‘rnatganimizdan so‘ng, biz o‘rnatishni davom ettirishimiz mumkin. Pipni o‘rnatish uchun terminalda quyidagi buyruqni bajarish:
pip install scikit-learn
Agar sizga konda yoqsa, uni ham ishlatishingiz mumkin paketni o‘rnatish uchun quyidagi buyruqni bajarish:
conda install scikit-learn
Scikit-Learn-dan foydalanish o‘rnatishni tugatganingizdan so‘ng, Python kodingizda scikit-learn-ni quyidagi tarzda import qilish orqali osongina foydalanishingiz mumkin:
import sklearn
Maʼlumotlar toʻplami yuklanmoqda o‘yin uchun ma’lumotlar to‘plamini yuklashdan boshlaylik. Iris deb nomlangan oddiy ma’lumotlar to‘plamini yuklaymiz. Bu gullar ma’lumotlar to‘plami, unda turli o‘lchamdagi 150 ta kuzatuv mavjud. Ushbu scikit-learn yordamida ma’lumotlar to‘plamini qanday yuklashni ko‘rib chiqaylik.
# Import scikit learn from sklearn import datasets
# Load data iris= datasets.load_iris()
# Print shape of data to confirm data is loaded print(iris.data.shape)
Biz qulaylik uchun ma’lumotlar shaklini chop etmoqdamiz, agar xohlasangiz, butun ma’lumotlarni chop etishingiz mumkin, kodlarni ishga tushirish quyidagi natijani beradi:
O‘qitish va bashorat qilish Endi biz ma’lumotlarni yukladik, keling, undan o‘rganishga va yangi ma’lumotlarni bashorat qilishga harakat qilaylik. Buning uchun biz baholovchini yaratishimiz va keyin uning moslik usulini chaqirishimiz kerak.
from sklearn import svm from sklearn import datasets
# Load dataset iris = datasets.load_iris() clf = svm.LinearSVC()
# learn from the data clf.fit(iris.data, iris.target)
# predict for unseen data clf.predict([[ 5.0, 3.6, 1.3, 0.25]])
# Parameters of model can be changed by using the attributes ending with an underscore print(clf.coef_ )
Ushbu skriptni ishga tushirganimizda biz quyidagilarni olamiz:
2.1.1-rasm. Dastur natijasi
Chiziqli regressiya Scikit-learn yordamida turli modellarni yaratish juda oson. Oddiy regressiya misolidan boshlaylik.
#import the model from sklearn import linear_model reg = linear_model.LinearRegression()
# use it to fit a data reg.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
# Let’s look into the fitted data print(reg.coef_)
Modelni ishga tushirish bir xil chiziqda chizilishi mumkin bo‘lgan nuqtani qaytarishi kerak:
2.1.2-rasm. Dastur oynasi
Oddiy tasniflash algoritmini sinab ko‘raylik. Ushbu tasniflagich trening namunalarini ko‘rsatish uchun algoritmdan foydalanadi.
from sklearn import datasets
# Load dataset iris = datasets.load_iris()
# Create and fit a nearest-neighbor classifier from sklearn import neighbors knn = neighbors.KNeighborsClassifier() knn.fit(iris.data, iris.target)
# Predict and print the result result=knn.predict([[0.1, 0.2, 0.3, 0.4]]) print(result)
To‘plam » k’ klasterlarga bo‘linadi va har bir kuzatish klasterga biriktiriladi. Bu klasterlar birlashmaguncha takroriy bajariladi. Biz quyidagi dasturda shunday klasterlash modelini yaratamiz:
from sklearn import cluster, datasets
# load data iris = datasets.load_iris()
# create clusters for k=3 k=3 k_means = cluster.KMeans(k)
# fit data k_means.fit(iris.data)
# print results print( k_means.labels_[::10]) print( iris.target[::10])
Dasturni ishga tushirganimizda, biz ro‘yxatda alohida klasterlarni ko‘ramiz. Mana yuqoridagi kod parchasi uchun natija
2.1.3-rasm.K-meanspy oynasi
Python-da mashinali o‘qitish kutubxonalarini qo‘llash turli sohalardagi ilovalarning funksionalligini sezilarli darajada yaxshilashi mumkin. Ilovalarning funksionalligini yaxshilash uchun mashinali o‘qitishni qo‘llashning ba’zi misollari:
|
| |
