|
Matn donalligini tahlil qilish
|
| bet | 33/182 | | Sana | 19.05.2024 | | Hajmi | 5,69 Mb. | | #244351 |
Bog'liq Python sun\'iy intellekt texnologiyasi Dasrlik 2024Matn donalligini tahlil qilish:
Vazifa: matnning ohangini aniqlash funktsiyasini amalga oshirish (ijobiy, neytral, salbiy).
Amaldagi kutubxona: Mashinali o‘qitish modelidan foydalangan holda NLTK.
import nltk
from nltk.sentiment import SentimentIntensityAnalyzer
nltk.download('vader_lexicon’)
def analyze_sentiment(text):
sid = SentimentIntensityAnalyzer()
sentiment_score = sid.polarity_scores(text)['compound']
if sentiment_score >= 0.05:
return " Ijobiy tonallik "
elif sentiment_score <= -0.05:
return " Salbiy kalit "
else:
return " Neytral tonallik "
# Foydalanish misoli
text_to_analyze = " Bu ajoyib dastur!"
sentiment = analyze_sentiment(text_to_analyze)
print(sentiment)
Tavsiya tizimi:
Vazifa: foydalanuvchi afzalliklari asosida tavsiya funktsiyasini ishlab chiqish.
Foydalanilgan kutubxona: hamkorlikdagi filtrlashga asoslangan oddiy tavsiya tizimi uchun surprise.
from surprise import Dataset, Reader, KNNBasic
from surprise.model_selection import train_test_split
# Ma’lumotlarni tayyorlash
data = Dataset.load_builtin('ml-100k')
reader = Reader(line_format='user item rating timestamp', sep='\t’)
trainset, testset = train_test_split(data, test_size=0.2, random_state=42)
# Modelni o‘qitish
algo = KNNBasic()
algo.fit(trainset)
# Foydalanuvchi va element uchun reyting prognozi
user_id = str(196)
item_id = str(302)
prediction = algo.predict(user_id, item_id)
print(f" Foydalanuvchi uchun reyting prognozi {user_id} va element {item_id}: {prediction.est}")
Ushbu misollar Python ilovalaringizga aqlli funksiyalarni qo‘shish uchun Mashinali o‘qitishdan qanday foydalanishni ko‘rsatadi.
Xulosa
Python-da mashinali o‘qitish kutubxonalaridan foydalanish dasturlarning ishlashini yaxshilash uchun muhim imkoniyatlarni taqdim etadi. Ushbu tadqiqot davomida mashinali o‘qitish asoslari va uning kundalik dasturlarda amaliy qo‘llanilishi ko‘rib chiqildi.
Ushbu ishda ko‘rib chiqilgan asosiy kutubxonalar scikit-learn kabi vositalar bo‘lib, ular turli xil mashinalarni o‘rganish usullarini amalga oshirish uchun keng funktsional imkoniyatlarni taqdim etadi. Ularni ko‘rib chiqish ishlab chiquvchilar va tahlilchilarga berilgan vazifalarga qarab optimal vositalarni tanlash imkonini beradi.
Ushbu usullarning qo‘llanilishi va samaradorligini namoyish etish maqsadida dasturlarda mashinali o‘qitishdan foydalanishning amaliy misollari keltirilgan. Ushbu misollar tasniflash, regressiya va klasterlash muammolarini o‘z ichiga olgan bo‘lib, turli xil muammolarni hal qilishda mashinali o‘qitishning keng qo‘llanilishini ta’kidlaydi.
Tadqiqot natijasida Python-dagi mashinali o‘qitish kutubxonalarini ilovalarga integratsiya qilish ularning funksionalligini sezilarli darajada yaxshilaydi, bu esa ularni yanada aqlli va o‘zgaruvchan sharoitlarga moslashuvchan qiladi degan xulosaga kelish mumkin. Bu foydalanuvchilarning ehtiyojlariga aniqroq moslasha oladigan va turli xil muammolarni hal qila oladigan innovatsion va samarali dasturlarni ishlab chiqish uchun yangi imkoniyatlar ochadi.
|
| |
