|
Mashinali o’qitishda Vizualizatsiyaning o’rni va grafik turlari
|
| bet | 6/10 | | Sana | 26.04.2023 | | Hajmi | 237.88 Kb. | | #53913 |
Bog'liq machine learing exam Temir yol tr menejm DARSLIK (1), 1111111111, Nazorat ishi, flyer, HOZIRGI 0‘ZBEK ADABIY TILI, Shablonbek, ., 12 Восстановлен автовосстановление 87Ma’lumotlarni o’rganish Korrelyatsya?
Korrelyatsiya
Korrelyatsiya ikki o'zgaruvchi o'rtasidagi munosabatni o'lchaydi.
Biz funktsiya kirish (x) ni chiqish (f(x)) ga aylantirish orqali qiymatni bashorat qilish maqsadiga ega ekanligini aytib o'tdik. Aytishimiz mumkinki, funktsiya ikki o'zgaruvchi o'rtasidagi munosabatni bashorat qilish uchun ishlatadi.
Korrelyatsiya koeffitsienti ikki o'zgaruvchi o'rtasidagi munosabatni o'lchaydi.
Korrelyatsiya koeffitsienti hech qachon -1 dan kam yoki 1 dan yuqori bo'lishi mumkin emas.
1 = o'zgaruvchilar o'rtasida mukammal chiziqli munosabatlar mavjud (masalan, Kaloriya_burnagega qarshi o'rtacha_puls)
0 = o'zgaruvchilar o'rtasida chiziqli bog'liqlik yo'q
-1 = o'zgaruvchilar o'rtasida mukammal salbiy chiziqli bog'liqlik mavjud (masalan, kamroq ishlagan soatlar, mashg'ulot paytida kaloriyalarning ko'payishiga olib keladi)
Mukammal chiziqli munosabatlarga misol (korrelyatsiya koeffitsienti = 1)
Average_Pulse va Calorie_burnage o'rtasidagi munosabatni tasavvur qilish uchun biz scatterplotdan foydalanamiz (biz 10 ta kuzatuv bilan sport soatlarining kichik ma'lumotlar to'plamidan foydalandik).
Bu safar biz tarqalish chizmalarini xohlaymiz, shuning uchun biz "tarqalish" ga o'zgartiramiz:
Misol
import matplotlib.pyplot as plt
health_data.plot(x ='Average_Pulse', y='Calorie_Burnage', kind='scatter')
plt.show()
Reinforcement learning algoritmlari va ishlash tamoyili
Mustahkamlashni o'rganish nima?
Kuchaytiruvchi oʻrganish (RL) mashinani oʻrganishning kichik sohasini nazarda tutadi, bu AIga asoslangan tizimlarga individual faoliyat uchun yaratilgan fikr-mulohazalarga asoslangan jamoaviy mukofotlarni maksimal darajada oshirish uchun sinov va xato orqali dinamik muhitda harakatlarni amalga oshirishga imkon beradi. RL kontekstida fikr-mulohaza mukofotlar yoki jazolar orqali aks ettirilgan ijobiy yoki salbiy tushunchaga ishora qiladi.
RL inson idrokiga taqlid qiluvchi tabiiy intellektga taqlid qilish orqali AI tomonidan boshqariladigan tizimlarni optimallashtiradi. Bunday o'rganish yondashuvi kompyuter agentlariga inson ishtirokisiz yoki AI tizimlarini aniq dasturlash zaruratisiz mo'ljallangan vazifalarda hayratlanarli natijalarga erishadigan muhim qarorlar qabul qilishga yordam beradi.
An'anaviy ML usullariga nozik dinamik element qo'shgan ba'zi ma'lum RL usullari orasida Monte Karlo, davlat-harakat-mukofot-davlat-harakat (SARSA) va Q-o'rganish kiradi . Kuchli o'rganish algoritmlari bo'yicha o'qitilgan AI modellari bir nechta video o'yinlar va stol o'yinlarida, jumladan shaxmat va Go o'yinlarida hamkasblarini mag'lub etdi.
Texnik jihatdan, RL ilovalarini uch turga bo'lish mumkin:
|
| |
