|
Ma’lumot to’plamlari (data set) turlari
|
| bet | 2/11 | | Sana | 13.05.2024 | | Hajmi | 177,96 Kb. | | #229900 |
Bog'liq Karimov NuraliMa’lumot to’plamlari (data set) turlari. Mashinan io’qitish jarayonida va modelning to’liq ishlashini ta’minlash maqsadida quyidagi ma’lumotlar to’plami turlaridan foydalaniladi:
o'quv tanlanmasi - to'plami (training set);
qvalifikatsiya tanlanmasi - to’plami (qvalidation set);
test tanlanma - to'plami (qtesting set).
Asosiy qisim
I – BOB Mashinali o'qitishga kirish
1. MASHINAVIY O`QITISH BO'YICHA ENG YAXSHI AMALIY DASTURLAR
sinfidir, uning xarakterli xususiyati muammoni to'g'ridan-to'g'ri hal qilish emas, balki shunga o'xshash ko'plab muammolarga echimlarni qo'llash jarayonida ta`lim olishdir. Bunday usullarni qurish uchun matematik statistika, sonli usullar, optimallash usullari, ehtimollik nazariyasi, graflar nazariyasi, ma'lumotlar bilan raqamli shaklda ishlashning turli xil usullari qo'llaniladi.
Mashinasozlik bo'limi, bir tomondan, neyron tarmoqlari Mashinaviy o`qitish (Machine Learning) amaliy matematikaning keng qamrovli bo'limi bo'lib, matematik statistika, optimallashtirish, sun'iy intellekt, empirik (amaliy qonunlar) ma'lumotlarini o'rganish mumkin bo'lgan algoritmlarni tuzish usullarini o'rganadi.
Obrazni aniqlash (Распознаваниеобразов), tasvirni tahlil qilish, kompyuterni ko'rish (компьютерноезрение), qayta ishlash va matnni tahlil qilish metod sifatida mashina o'qitish usullaridan faol foydalanadi, ammo ular shuningdek, Mashinaviy o`qitish (Machine Learning) doirasida umuman ko'rib chiqilmaydigan o'ziga xos yondashuvlar, usullar va algoritmlarga ega. Ushbu va boshqa ilmiy sohalarni keng ma'noda ma'lumotlarni intelektual tahlil qilish bilan bog'lash mumkin.
Quyida yo'nalishlarning namunaviy ro'yxati keltirilgan:
- Mashinaviy o`qitish (machine learning) - nazariya, yondoshuvlar va o'qitish usullari:
-tasniflash (classification);
-klasterlash (klasterlash);
-regressiya (regression);
-bashorat qilish (forecasting).
-Obrazni aniqlash (Pattern recognition):
- rasmlarni tahlil qilish, tanib olish va tushunish (image analysis, recognition & understanding);
- kompyuterni ko'rish (computer vision);
- tahlil qilish, nutqni aniqlash va tushunish (speach analysis, recognition & understanding);
-Ma'lumotlarni intelektual tahlil qilish (data mining):
-bilimlarni ochish (knowledge discovery in databases);
-matnlarni qayta ishlash va tahlil qilish, matnlarni tushunish (text mining);
-Internetdagi ma'lumotlarni tahlil qilish (web mining).
Mashinaviy o`qitish - bu empirik ma'lumotlar asosida o'qitilishi mumkin bo'lgan algoritmlarni qurish usullarini o'rganadigan sun'iy intellekt va matematik statistikaning keng qamrovli qismi.
Machine Learning - bu o'qishga asoslangan algoritmlarni tuzish usullarini o'rganadigan sun'iy intellektning keng qamrovli bo'limi.Ta'limning ikki turi mavjud.Amaliy-huquqiy mashg'ulotlar yoki induktiv trening muayyan empirik ma'lumotlardan umumiy naqshlarni aniqlashga asoslangan. Deduktiv o'rganish mutaxassis bilimlarini rasmiylashtirish va bilim bazasi sifatida uni kompyuterga o'tkazishni o'z ichiga oladi. Deduktiv o'rganish odatda ekspert tizimlari sohasiga taalluqlidir, shuning uchun "mashina o'rganish" va "case study" atamalarini sinonim deb hisoblash mumkin.
Mashinaviy o'qitish matematik statistika, optimallashtirish usullari va klassik matematik fanlar birlashmasida, lekin hisoblash samaradorligi va qayta tayyorlash muammolari bilan bog'liq o'ziga xos xususiyatlarga ega. Klassik statistik yondashuvlarga alternativa sifatida ko'plab induktiv o'qitish usullari ishlab chiqilgan. Ko'pgina usullar ma'lumotlar qidirish va ma'lumotlarni qidirish bilan chambarchas bog'liq (Data mining).
Mashinaviy o'qitish nafaqat matematik, balki amaliy, muhandislik fanidir.Sof nazariya, qoida tariqasida, amalda qo'llaniladigan usul va algoritmlarni darhol olib kelmaydi. Ularni yaxshi ishlashi uchun taxminlar nazariyasida yuzaga kelgan nomuvofiqlikni haqiqiy muammolar sharoitlari bilan qoplash uchun qo'shimcha evristik ixtiro qilish kerak.Mashinada o'qitish bo'yicha deyarli har qanday tadqiqot usulning amaliyligini tasdiqlovchi model yoki haqiqiy ma'lumotlarga nisbatan eksperimentsiz to'liq bo'lmaydi.
|
| |
