Jizzax filiali amaliy matematika fakulteti «kompyuter ilmlari va dasturlashtirish»

Download 394.89 Kb.
bet	4/4
Sana	12.05.2023
Hajmi	394.89 Kb.
	#58925

Bog'liq
yangi intellekt
Axborot xati konf. ADU, Mayers- Briggs qo\'shimcha, 36-qo\'shma qaror, 27.04.2022, Oila tushunchasi, uning turlari va shakillari, fHy1I56Pj1m1Sqci4f9q3e28B9S0AiBM, dars ishlanma, 11-21-ALGORITMIK TILLAR VA DASTURLASH, Мустақил ишни ташкиллаштириш, Иқтибослик учун, Документ Microsoft Word, Calendar plan-RAQAMLI VA AXBOROT TEXNOLOGIYALARI (2), статья, Исмаилова Н С , Шагазатов У У Жахон иқтисодиёти ва халқаро (1), A5

Bu sahifa navigatsiya:

• Foydalanilgan adabiyotlar

Xo'sh, SVMlar nima? Bu, asosan, yadrolar deb nomlanuvchi funktsiyalardan foydalanish orqali xususiyatlar maydonini kengaytirish natijasida paydo bo'lgan SVC-larning kengaytmasidir. Yadrolarni tushunish uchun biz yuqorida ko'rsatilgan SVC optimallashtirish muammosini hal qilishning ba'zi jihatlarini qisqacha muhokama qilishimiz kerak. SVM asosiy funktsiyalari (SVM asosiy funktsiyalari) SVM algoritmlari yadro sifatida belgilangan matematik funktsiyalar to'plamidan foydalanadi. Yadroning vazifasi ma'lumotlarni kirish sifatida qabul qilish va kerakli shaklga aylantirishdir. Turli xil SVM algoritmlari yadro funktsiyalarining har xil turlaridan foydalanadi. Bu funktsiyalar turli xil bo'lishi mumkin. Masalan, chiziqli, chiziqli bo'lmagan, polinom, radial asosli funktsiya (RBF) va sigmasimon . Biz yadro funksiyalaridan massiv ma'lumotlari, grafikalar, matnlar, tasvirlar va vektor operatsiyalari uchun foydalanishimiz mumkin. Eng ko'p ishlatiladigan yadro funktsiyasi turi (Radial Basis Function) RBF hisoblanadi. Chunki u butun x o'qi bo'ylab lokalizatsiya qilingan va cheklangan javoblarga ega. Yadro funktsiyalari mos xususiyat maydonidagi ikkita nuqta o'rtasida bola mahsulotini qaytaradi. Shunday qilib, u juda katta o'lchamli bo'shliqlarda ham juda kam hisoblash xarajatlari bilan o'xshashlik tushunchasini aniqlash orqali eng tezkor tasniflash imkonini beradi. Endi, SVM haqida juda ko'p tushuntirishlardan so'ng, keling, maqolamizni R tili bilan amaliy tadqiqot qilish orqali yakunlaylik. SVM (Yordam vektor mashinasi) R da vektor mashinasini qo'llab-quvvatlash misolini o'rganish; Vektor mashinasini qo'llab-quvvatlash - regressiya (SVR) Qo'llab-quvvatlash vektor mashinasi algoritmni tavsiflovchi barcha asosiy xususiyatlarni (maksimal chegara) saqlagan holda regressiya usuli sifatida ham ishlatilishi mumkin. Vektorli regressiyani qo'llab-quvvatlash (SVR) tasniflash uchun SVM bilan bir xil printsiplardan foydalanadi, faqat bir nechta kichik farqlar bilan. Avvalo, chiqish haqiqiy son bo'lganligi sababli, cheksiz imkoniyatlarga ega bo'lgan mavjud ma'lumotlarni oldindan aytish juda qiyin bo'ladi. Regressiya holatida, SVMga taxminan tolerantlik chegarasi (epsilon) o'rnatiladi, u allaqachon muammodan da'vo qilishi mumkin. Ammo bu haqiqatdan tashqari, yanada murakkab sabab ham bor. Biroq, asosiy g'oya har doim bir xil bo'ladi: xatoni minimallashtirish, chegarani maksimal darajada oshiradigan giperplanni moslashtiring va xatolarning bir qismiga yo'l qo'yilishini hisobgaoling.Keling, 2D o'yin ma'lumotlar to'plamini yaratamiz va uni SVM bilan qanday o'rgatish va sinab ko'rishni tekshiramiz; Regressiya holatida, SVMga taxminan tolerantlik chegarasi (epsilon) o'rnatiladi, u allaqachon muammodan da'vo qilishi mumkin. Ammo bu haqiqatdan tashqari, yanada murakkab sabab ham bor. Biroq, asosiy g'oya har doim bir xil bo'ladi: xatoni minimallashtirish, chegarani maksimal darajada oshiradigan giperplanni moslashtiring va xatolarning bir qismiga yo'l qo'yilishini hisobga oling. Vektorli mashinalarni (SVM) qo'llab-quvvatlashni nazarda tutgansiz deb o'ylayman. SVMs - bu tasniflash, regressiya va chegaralarni aniqlash ilovalarida ishlatiladigan mashhur mashinani o'rganish algoritmi..U kirish ma'lumotlarini turli sinflarga ajratuvchi giperplan yaratish orqali ishlaydi. Giper tekislik shunday tanlanadiki, u chegarani maksimal darajada oshiradi, ya'ni giper tekislik va ikkala sinfning eng yaqin nuqtalari orasidagi masofa.SVMlar yuqori o'lchamli bo'shliqlarda samarali bo'lish va xotirada samarali bo'lish kabi bir qator afzalliklarga ega, chunki giperplanni aniqlash uchun faqat qo'llab-quvvatlovchi vektorlardan foydalaniladi. Biroq, algoritm parametrlarini sozlash qiyin bo'lishi mumkin va SVMlar shovqin va ma'lumotlardagi o'zgarishlarga sezgir bo'lishi mumkin. Umuman olganda, SVMlar mashinani oʻrganishdagi eng kuchli algoritmlardan biri hisoblanadi va turli ilovalarda, jumladan matn tasnifi, tasvirlarni tasniflash va bioinformatikada keng qoʻllaniladi. Asosiy vektor mashinalari (BVM) - bu tasniflash va regressiya vazifalari uchun ishlatiladigan mashinani o'rganish algoritmi. Bu matematik model bo'lib, ishlashi uchun biron bir aniq tasvir yoki vizual tasvirni talab qilmaydi. Biroq, agar siz BVM vizualizatsiyasi yoki diagrammasini qidirsangiz, ularni tez qidiruv orqali osongina onlayn topishingiz mumkin. BVM bilan bog'liq aniq biror narsa bormi, sizga yordam kerakmi? Asosiy vektor mashinalari (BVMs) - bu tasniflash va regressiya vazifalari uchun ishlatiladigan mashinani o'rganish algoritmi. U kirish ma'lumotlarini yuqori o'lchamli xususiyat maydoniga aylantirish orqali ishlaydi, bu erda chiziqli bo'lmagan munosabatlar chiziqli ravishda ajratilishi mumkin. Boshqacha qilib aytganda, algoritm ma'lumotlar nuqtalarini oldindan belgilangan sinflarga eng yaxshi ajratadigan qaror chegarasini topishga harakat qiladi. Buni amalga oshirish uchun BVMlar yuqori o'lchamli xususiyat maydonidagi ma'lumotlar nuqtalari orasidagi o'xshashlikni hisoblaydigan yadro funktsiyasidan foydalanadi. Eng ko'p ishlatiladigan yadro funktsiyalari chiziqli, polinom, radial asosli funktsiya (RBF) va sigmasimondir.BVMlar chiziqli bo'lmagan ma'lumotlar chegaralari bilan tasniflash muammolarini hal qilishda ayniqsa foydalidir. Ular, shuningdek, yuqori o'lchamli katta ma'lumotlar to'plamlarini boshqarish qobiliyatiga ega. Biroq, ular yadro funktsiyasi va tartibga solish parametri kabi giperparametrlarni sinchkovlik bilan tanlashni talab qiladi. Xulosa: Xulosa qilib aytadigan bo‘lsak sun’iy intellekt intellektning hisoblash modellarini aks yetadi. Intellektni muammolarni hal qilish, xulosalar chiqarish, tilni qayta ishlash va hokazolar uchun dasturlashtirilishi mumkin bo‘lgan tuzilmalar, modellar va operatsion funksiyalar sifatida ta’riflash mumkin. Sun’iy intellektdan foydalanishning afzalliklari ko‘plab sohalarda allaqachon olingan. Sun’iy intellektni qo‘llaydigan tashkilotlar noto‘g‘ri va xatolarni bartaraf etish uchun relizdan oldin sinovlarni o‘tkazishi kerak. Dizayn, modellar mustahkam bo‘lishi kerak. Sun’iy tizimlarni chiqargandan so‘ng, korxonalar turli ssenariylarda doimiy ravishda monitoring qilishlari kerak. Tashkilotlar standartlarni yaratishi va qo‘llab-quvvatlashi va yaxshiroq qaror qabul qilish uchun turli fanlardan mutaxassislarni yollashi kerak. Sun’iy intellektning ob’yektiv va kelajakdagi maqsadlari insonning barcha murakkab faoliyatini avtomatlashtirish orqali xatolar va noto‘g‘ri qarashlarni bartaraf etishdan iborat. Foydalanilgan adabiyotlar: adhttps://cs.adelaide.edu.au/~chhshen/teaching/ML_SVR.pdf https://jakevdp.github.io/PythonDataScienceHandbook/05.07-support-vector-machines.html https://stackabuse.com/implementing-svm-and-kernel-svm-with-pythons-scikit-learn/ https://scikit-learn.org/stable/modules/svm.htm Download 394.89 Kb.

Download 394.89 Kb.