|
Mustaqil ishlari
|
| bet | 9/15 | | Sana | 14.07.2023 | | Hajmi | 7.63 Mb. | | #76719 |
Bog'liq Intellektual tizimlar to\'liq Xakimova Shaxlo, VIRTUAL OYINLAR, 1-2-3-4 ta chorak 25 ta j b-n 11 SINF TEST(1) (1)
Kuzatishlarga ta'sir qiluvchi iqlimni (yashirin holatlarni) ko'rib chiqsak, ketma-ket kunlar quyoshli yoki muqobil kunlar yomg'irli bo'lishi o'rtasida bog'liqlik mavjud. Quyoshli iqlim ketma-ket kunlarda 80% bo'lsa, ketma-ket kunlarda yomg'irli bo'lish ehtimoli 60%. Yashirin holatlarga/yashirin holatlarga o'tishni tushuntiruvchi ehtimollar O'tish ehtimolidir.
XULOSA
Xulosa qiladigan bo’lsak nazoratsiz o’qitish mashinani o'rganish usuli bo'lib, unda foydalanuvchilar modelni nazorat qilishlari shart emas. Buning o'rniga, u ilgari aniqlanmagan naqshlar va ma'lumotlarni kashf qilish uchun modelning o'zi ishlashiga imkon beradi. U asosan etiketlanmagan ma'lumotlar bilan shug'ullanadi. Demak struktura shunday shakllanganki u dastlabki birlamchi ma’lumotlarni oladi va shu ma’lumotlarga asoslanib, avval ro’y bermagan hodisalarni chiqorib berishga yo’naltirilgan turdir. Hidden Markov Modeli ham nazoratsiz o’qitish turiga misol bo’ladi.HMM vaqt o'tishi bilan kuzatuvlar ketma-ketligi sifatida ifodalanishi mumkin bo'lgan ma'lumotlarni qayta ishlash uchun ishlab chiqilgan.
Nazorat ostida o’qitish algoritmlari. Ridge Regression
Reja;
Nazorat ostida o’qitish
Nazorat ostida o’qitish algoritmlari.
. Ridge Regression
Nazorat qilinadigan o'rganish algoritmlari maqsadli bashorat natijasi va kirish xususiyatlari o'rtasidagi munosabatlar va bog'liqliklarni modellashtirishga harakat qiladi, shunda biz oldingi ma'lumotlar to'plamidan o'rgangan munosabatlarga asoslangan yangi ma'lumotlar uchun chiqish qiymatlarini taxmin qilishimiz mumkin.
Nazorat ostida o'rganish (SL) - bu mavjud ma'lumotlar yorliqlangan misollardan iborat bo'lgan muammolar uchun mashinani o'rganish paradigmasi bo'lib, har bir ma'lumot nuqtasi xususiyatlar (kovariatlar) va tegishli tegni o'z ichiga oladi. Nazorat ostidagi oʻrganish algoritmlarining maqsadi kirish-chiqish juftliklari misoli asosida xususiyat vektorlarini (kirishlarni) teglar (chiqish) bilan taqqoslaydigan funksiyani oʻrganishdir. U o'quv misollari to'plamidan iborat etiketli trening ma'lumotlaridan funktsiyani chiqaradi. Nazorat ostidagi ta'limda har bir misol kirish ob'ekti (odatda vektor) va kerakli chiqish qiymatidan (nazorat signali deb ham ataladi) iborat juftlikdir.
Nazorat qilinadigan o'rganish algoritmi o'quv ma'lumotlarini tahlil qiladi va yangi misollarni xaritalash uchun ishlatilishi mumkin bo'lgan xulosa qilingan funktsiyani ishlab chiqaradi. Optimal stsenariy algoritmga ko'rinmaydigan holatlar uchun sinf belgilarini to'g'ri aniqlash imkonini beradi. Bu o'rganish algoritmini o'quv ma'lumotlaridan ko'rinmaydigan vaziyatlarga "oqilona" tarzda umumlashtirishni talab qiladi (qarang: induktiv tarafkashlik). Algoritmning bu statistik sifati umumlashtirish xatosi orqali o'lchanadi.
|
| |
