O‘zbekiston respublikasi raqamli texnologiyalar vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti farg‘ona filiali

“SIRTQI BO‘LIM” fakulteti

“MASHINALI O’QITISHGA KIRISH”

Nazorat savollari.

1. 
   Mashionali o’qituchning qanday turlari mavjud ?
   
2. 
   O’qituvchisiz o’qitish (unsupervised learning) haqida ma’lumot bering?
   
3. 
   Mashinada o'qitish va chuqurlashtirib o'qitish tushuntiring?
   
4. 
   Neyron tarmoqlari, mashinani o’qitish qanday amalga oshiriladi?
   
5. 
   NumPy kutubhonasining o’ziga xosliklari.
   
6. 
   Neyron tarmoqni o’qitish qanday amalga oshiriladi?
   
7. 
   Teskari tarqatish algoritmining vazifasini tushuntiring?
   
8. 
   backpropagation funktsiyasi qanday ishlaydi?
   
9. 
   Logistik regressiya bilan bashorat qilish nima?
   
10. 
    Chiziqli regressiya nima?
    

Mashionali o'qituchilari quyidagi turdagi kurslar va ma'ruzalar tashkil etishlari mumkin:

Moda Dizayni: Moda dizayni kurslari, mashinali o'qituchilar uchun zamonaviy modaning so'nggi tendensiyalarini o'rganish va talabalariga moda dizayni bo'yicha malakalar o'rgatishga yordam bera olishadi.

Mashinali Biznes va Marketing: Moda biznesi va marketingi bo'yicha kurslar, mashionali o'qituchilar uchun modaning savdo-strategetiyasini o'rganishni ta'minlaydi. Bu kurslar moda mahsulotlarini sotish va bozorlash bo'yicha tajribaga ega bo'lishni ta'minlaydigan bilimlarni o'rgatishga yordam bera olishadi.

Xalqaro Moda Mahsulotlarini O'rganish: Bu turdagi kurslar xalqaro modaning tajribasini o'rganishni ta'minlaydi. Bu, turli xil modadagi to'plamalar, tarixiy modalar va xalqaro bozor tajribasini o'rganishni o'z ichiga oladi.

Mashinali Dizayn va Texnologiyalar: Bu kurslar, mashinali o'qituchilar uchun modaning dizayn va texnologik asoslarini o'rganishga yordam bera olishadi. Bu texnologiyalar, modadagi yangi innovatsion texnologiyalar va 3D-printerlar kabi imkoniyatlar bilan bog'liq bo'lishi mumkin.

Moda Kommunikatsiyasi va PR: Moda kommunikatsiyasi va PR kurslari, mashinali o'qituchilar uchun modaning reklama, marka bilan aloqalar va media kommunikatsiyasi bo'yicha bo'lakay savollariga javob bera olishni o'rganishga yordam bera olishadi.

Mashinali Moda Tendensiyalari: Bu turdagi kurslar, mashinali o'qituchilarni so'nggi moda tendensiyalarini va modaning kelajagini o'rganishga tayyorlashga yordam bera olishadi.

Mashionali o'qituchilar uchun bu turdagi kurslar va ma'ruzalar, o'qitish sohasida yangiliklarni kuzatib borish, so'nggi tendensiyalarni o'rganish va talabalarga modaning turli xil aspektlarini o'rganishlari uchun keng foydalaniladigan bo'lishi mumkin.

O’qituvchisiz o’qitish (unsupervised learning) – bu, algoritmni dataning o’ziga xos xususiyatlariga asosan ta’minlashga intilishni yoritadi. Bu turiy xususiyatlarni topish uchun ma’lum bir natijaga yetishishga hajm chegaralanadi. Bu turdagi algoritm datalarni tahlil qiladi va ulardagi o’zaro bog’lanishlarni aniqlaydi, shunday qilib yangi vaqtincha talabalarni o’rganishni o’rganish uchun yaxshi bo’ladi.

O’qituvchisiz O’qitishning Asosiy Xususiyatlari:

Tanashuv: O’qituvchisiz o’qitishda, algoritm dataning o’ziga xos xususiyatlarini aniqlash uchun tanashuvga intiladi. Bu tanashuv, dataning o’zini ichiga olishi mumkin bo’lgan xususiyatlar, qanday qilib ularga bog’liq bo’lganligi va ulardagi o’zaro farqliliklar.

Qo’shimcha Tahlil va Taxminlar: O’qituvchisiz o’qitish algoritmi datani tahlil qilish uchun ishlatilishi mumkin. Bu algoritm datadagi o’zaro bog’lanishlarni tahlil qiladi va dataning o’ziga xos xususiyatlarni aniqlash uchun ularga asoslanadi.

Clusterizatsiya: O’qituvchisiz o’qitishda eng ko’p ishlatiladigan usul – bu clusterizatsiya. Bu usulda algoritm datani tanasiy xususiyatlariga ko’ra guruhlab chiqish uchun ishlatiladi. Shu bilan birga, o’qituvchisiz o’qitishda dataning ichki strukturasi va tartibini aniqlash mumkin.

Taqsimlash (Dimensionality Reduction): O’qituvchisiz o’qitishda dataning miqdorli xususiyatlarini qisqartirish uchun taqsimlashni ishlatish mumkin. Bu, dataning o’zini tahlil qilishga va o’zaro bog’lanishlarni aniqlashga yordam beradi.

O’qituvchisiz O’qitishning Foydalari:

Miqdorli Xususiyatlarni O’rganish: O’qituvchisiz o’qitish yordamida dataning miqdorli xususiyatlari aniqlanishi mumkin bo’ladi.

O’zaro Bog’lanishlarni Tahlil Qilish: Bu usul o’qituvchiga datadagi o’zaro bog’lanishlarni aniqlashda yordam beradi.

Taxminlash va Aniqlash: O’qituvchisiz o’qitish yordamida yangi datalar uchun taxminlar aniqlash va ma’lumotlar o’zining xususiyatlari haqida ma’lumotlar olish uchun ishlatiladi.

Clusterizatsiya: O’qituvchisiz o’qitishda dataning guruhlab chiqilishi va ulardagi o’zaro farqliliklar aniqlanishi mumkin bo’ladi.

O’qituvchisiz o’qitish, ma’lumotlar tahlili sohasidagi eng mashhur turdagi o’qitish usullaridan biridir va mahsulotlar, xizmatlar, ijtimoiy tarmoqlar va boshqa sohalar uchun qadrli va foydali bo’ladi.
3. Mashinada O'qitish (Machine Learning) va Chuqurlashtirib O'qitish (Deep Learning) Tushunuvlar:

1. Mashinada O'qitish (Machine Learning):

Mashinada o'qitish, kompyuter algoritmalariga ma'lumotlardan o'ziga xos qoidalarni o'rganish, tahlil qilish va ma'lumotlarni ishlashni o'rganishni o'rgatadi. Bu usul ma'lumotlar ustida tahlil qilish va xabar olishga asoslangan bo'lib, algoritma o'zini o'rganish uchun ma'lumotlarni ishlatadi. O'qituvchilar, o'zgaruvchanlar (variables), algoritmalar va ma'lumotlar orasidagi ta'siratlarini o'rganishga yordam beradi.

Mashinada o'qitishning turli turdagi algoritmalari mavjud, masalan, ikkita sinflandirish (classification), numbrlik taxminlash (regression), tahlil (clustering), vaqtincha (temporary) ketma-ketliklar va boshqa ko'plab usullar. Bu usullar turli xil mashg'ulotlar va sohalarda o'rganish va o'zlashtirish uchun ishlatiladi.

2. Chuqurlashtirib O'qitish (Deep Learning):

Chuqurlashtirib o'qitish (deep learning) esa, tahlil qilish uchun chuqur o'zlashtirilgan neyron tarmoqlarni ishlatadi. Bu usul ma'lumotlarni o'rganish va tahlil qilish uchun o'zaro bog'lanishlarni aniqlashga yordam beradi. Chuqurlashtirib o'qitishda neyron tarmoqlarining chuqur qatlamli strukturasini o'rganish uchun katta miqdordagi ma'lumotlardan foydalaniladi. Deep learningda ko'p neyronlardan tashkil topgan neyron tarmoqlari, masalan, konvolyutsion (convolutional) va qo'shma tomonlama (recurrent) neyron tarmoqlariga o'xshaydi.

Chuqurlashtirib o'qitish, masalan, rasmni aniqlash, soz o'rganish, ovozni tanish va boshqa kompleks vazifalar uchun foydalaniladi. Masalan, rasmlardagi obyektlarni aniqlash uchun konvolyutsion neyron tarmoqlari ishlatiladi, va matnlar tarkibi va tilini o'rganish uchun rekurrent neyron tarmoqlari foydalaniladi.

Ikki tushuncha ham mashinada o'qitishning turli turdagi usullarini ifodalaydi, ammo chuqurlashtirib o'qitish, xususan, juda ko'p miqdordagi va kompleks ma'lumotlar bilan ishlash uchun ishlatiladi va mashhurliki internet platformalarida, rasmni aniqlash va tahlil qilishda, ovoz va matn o'rganishda keng qo'llaniladi.

Perseptronlar: Perseptronlar, ikkita sinflandirish uchun o'rgatilgan boshlang'ich neyron tarmoqdir. U, kiritilgan ma'lumotlarni boshqarish uchun o'rgatiladi va sinflandirish uchun o'zgaruvchanlar (features) orasidagi o'zaro bog'lanishni o'rganish uchun ishlatiladi.

Konvolyutsion Neyron Tarmoqlari (Convolutional Neural Networks - CNN): Konvolyutsion neyron tarmoqlari, ko'p o'lchovli ma'lumotlar, masalan, rasm va video, uchun eng mashhur bo'lib chiqdi. Ular rasmning belgilangan chiziqli qismalarini va xossalarni aniqlash uchun ishlatiladi. CNNlar, o'qitish va testlash jarayonida kompyuter o'zini o'rganish uchun ishlatiladi.

Qo'shma Tomonlama Neyron Tarmoqlari (Recurrent Neural Networks - RNN): RNNlar, ketma-ketlikdagi (sequential) ma'lumotlar, masalan, matnlar va ovozni aniqlash uchun foydalaniladi. Ular o'ng kattalashtirilgan o'qitish jarayonlarini va ketma-ketlikdagi o'zgaruvchanlarning bog'lanishlarini o'rganishga yordam beradi. Bu tarmoqlar o'qitish va tahlil qilish uchun kerakli mazmunni o'rganishga erishilishini ta'minlaydi.

Long Short-Term Memory (LSTM) va Gated Recurrent Unit (GRU): Bu, RNN turlaridir, ammo ular o'zgaruvchanlarning boshqarilishi va o'zaro bog'lanishlarni yaxshi o'rganish uchun ishlatiladi. LSTM va GRU, o'zgaruvchanlarning muddatli o'zgarishlarini o'rganishda yordam beradi.

Generativ Adversarial Networks (GAN): GANlar ikki neyron tarmoqni o'z ichiga oladi - biri generator, ikkinchisi esa diskriminator. Generator, ma'lumotlarni yaratadi, diskriminator esa asl ma'lumotlarni boshqa generatordan farq qiladi. Ular boshqa ma'lumotlarni yaratish, rasm yaratish va turli xil kreativ vazifalarni bajarish uchun ishlatiladi.

Neyron tarmoqlari, tarmoqning o'zini o'rganib chiqish, sinflandirish, tahlil qilish, sanoat, tibbiyot, matn va ovozni tahlil qilish kabi turli sohalarda o'z vazifalarini bajarish uchun qo'llaniladi. Ular, ko'p xil vazifalar uchun o'rganish va o'zlashtirishni osonlashtirish uchun mashinali o'qitishda muhim alat bo'lib chiqmoqda.
5. NumPy, "Numerical Python"ning qisqartmasi bo'lib, Python dasturlash tilida amaliy ma'lumotlar va ko'paytirilgan o'lchamli ma'lumotlar (arrays) bilan ishlash uchun mo'ljallangan kuchli va yuqori tezlikdagi bir kutubxona (library)dir. NumPy o'ziga xosliklarga ega bo'lgani sababli dasturchilar va ma'lumot-analitik sanoatchilar o'rtasida keng tarqalgan popularlikka ega. Quyidagi NumPy kutubxonasining eng muhim xususiyatlarini ko'rib chiqamiz:

O'lchamli Ma'lumotlar (Arrays): NumPy ma'lumotlarni o'lchamli massivlar (arrays) shaklida tahlil qilish uchun kuchli vosita taqdim etadi. Bu massivlar odatda bir xil turi va hajmi bo'lgan ma'lumotlar bilan ishlaydi. Ular sonlar, matnlarni o'z ichiga oladi va ularga qulay amaliyotlar bajarish uchun yaxshi imkoniyatlar ta'minlaydi.

Bir va Ko'p O'lchamli Massivlar: NumPy ma'lumotlarni bitta yoki ko'p o'lchamli massivlar (arrays) ko'rinishida saqlaydi. Shu bilan birga, ma'lumotlarni sodda va yuqori tezlikda birlashtirish, tahlil qilish va tahrirlash imkoniyatlarini yaratadi.

Matematik Amaliyotlar: NumPy kutubxona matematik amaliyotlar, matritsalar va arifmetik operatsiyalarni tez, kuchli va to'liq ko'rib chiqish imkoniyatlarini ta'minlaydi.

Tahlil va Statistika: NumPy statistik ma'lumotlarni tahlil qilish uchun turli statistik amaliyotlarni (o'rtacha, dispersiya, variatsiya, korelyatsiya, vaqtincha ketma-ketliklar) o'z ichiga olgan bo'lib, ma'lumotlarning tahlilini sodda qiladi.

Asosiy Lineyka Algebra Operatsiyalari: NumPy massivlar orasida arifmetik va lineyka algebra amaliyotlarini o'rganish va aniqlash uchun moslashtirilgan funksiyalar taqdim etadi.

Hisoblash Modeli Uchun Ma'lumotlarni Tayyorlash: NumPy kutubxonasi, mashinaviy o'qitish algoritmalariga o'z tayyorgarlik qilgan ma'lumotlar tayyorlash, ularni qayta ishlash va ulardan foydalanishda yordam bera olish uchun foydalaniladi.

Optimizatsiya: NumPy massivlarda yuzaga kelgan amaliyotlarni optimallashtirib, tezlik va effektivlikni ta'minlaydi.

NumPy kutubxonasi, datalar bilan ishlashda yuqori tezlik, amaliyotlarni sodda yozish va sodda tahlil qilish imkoniyatlarini ta'minlaydi. Bu xususiyatlar NumPyni ma'lumot-analitik, matematika, statistika, hisoblash va o'qitish sohalari uchun mustahkam kutubxona qiladi.
6. NumPy, "Numerical Python"ning qisqartmasi bo'lib, Python dasturlash tilida amaliy ma'lumotlar va ko'paytirilgan o'lchamli ma'lumotlar (arrays) bilan ishlash uchun mo'ljallangan kuchli va yuqori tezlikdagi bir kutubxona (library)dir. NumPy o'ziga xosliklarga ega bo'lgani sababli dasturchilar va ma'lumot-analitik sanoatchilar o'rtasida keng tarqalgan popularlikka ega. Quyidagi NumPy kutubxonasining eng muhim xususiyatlarini ko'rib chiqamiz:

O'lchamli Ma'lumotlar (Arrays): NumPy ma'lumotlarni o'lchamli massivlar (arrays) shaklida tahlil qilish uchun kuchli vosita taqdim etadi. Bu massivlar odatda bir xil turi va hajmi bo'lgan ma'lumotlar bilan ishlaydi. Ular sonlar, matnlarni o'z ichiga oladi va ularga qulay amaliyotlar bajarish uchun yaxshi imkoniyatlar ta'minlaydi.

Bir va Ko'p O'lchamli Massivlar: NumPy ma'lumotlarni bitta yoki ko'p o'lchamli massivlar (arrays) ko'rinishida saqlaydi. Shu bilan birga, ma'lumotlarni sodda va yuqori tezlikda birlashtirish, tahlil qilish va tahrirlash imkoniyatlarini yaratadi.

Matematik Amaliyotlar: NumPy kutubxona matematik amaliyotlar, matritsalar va arifmetik operatsiyalarni tez, kuchli va to'liq ko'rib chiqish imkoniyatlarini ta'minlaydi.

Tahlil va Statistika: NumPy statistik ma'lumotlarni tahlil qilish uchun turli statistik amaliyotlarni (o'rtacha, dispersiya, variatsiya, korelyatsiya, vaqtincha ketma-ketliklar) o'z ichiga olgan bo'lib, ma'lumotlarning tahlilini sodda qiladi.

Asosiy Lineyka Algebra Operatsiyalari: NumPy massivlar orasida arifmetik va lineyka algebra amaliyotlarini o'rganish va aniqlash uchun moslashtirilgan funksiyalar taqdim etadi.

Hisoblash Modeli Uchun Ma'lumotlarni Tayyorlash: NumPy kutubxonasi, mashinaviy o'qitish algoritmalariga o'z tayyorgarlik qilgan ma'lumotlar tayyorlash, ularni qayta ishlash va ulardan foydalanishda yordam bera olish uchun foydalaniladi.

Optimizatsiya: NumPy massivlarda yuzaga kelgan amaliyotlarni optimallashtirib, tezlik va effektivlikni ta'minlaydi.

NumPy kutubxonasi, datalar bilan ishlashda yuqori tezlik, amaliyotlarni sodda yozish va sodda tahlil qilish imkoniyatlarini ta'minlaydi. Bu xususiyatlar NumPyni ma'lumot-analitik, matematika, statistika, hisoblash va o'qitish sohalari uchun mustahkam kutubxona qiladi.
7. Teskari tarqatish (reverse engineering) algoritmi, asl ma'lumotlardan yoki amalga oshirilgan nazoratlan modelidan olinmagan qo'shimcha ma'lumotlar olinib, avvalgi tahlil ma'lumotlarini aniqlash uchun ishlatiladi. Bu algoritm, asl ma'lumotlardan olinmagan ma'lumotlarni aniqlash, shuningdek, asl algoritmlar va tizimlar haqida tushuntirish uchun ishlatiladi. Teskari tarqatishning keyingi vazifasi shu ma'lumotlardan foydalanib, asl algoritmlar va modelni yaratishdir. Teskari tarqatish algoritmi quyidagi vazifalarni bajaradi:

Ma'lumot Topish: Teskari tarqatish, asl tarmoq yoki modelni o'rganishda ishlatilishi mumkin bo'lgan qo'shimcha ma'lumotlarni olishni o'z ichiga oladi.

Algoritmlar va Modelni O'rganish: Teskari tarqatish, asl tarmoqning yoki modelning ishlashini va strukturasi, shuningdek, o'sishi va qanchalik to'g'ri natijalarni hosil qilish uchun ishlatilgan algoritm va parametrlarni aniqlaydi.

Ilmiy Tadqiqot va Klonlashtirish: Teskari tarqatish, asl algoritmlarni o'rganish va tahlil qilish orqali yangi tadqiqotlar va model tuzishga yordam beradi. Bu, ilmiy tadqiqotchilar va ishlab chiqaruvchilar uchun muhim bo'lib chiqadi.

Muhim Malakalar va Algoritmni Tuzatish: Teskari tarqatish asl algoritmlardagi muhim qismlarni aniqlash va bu muhitni tushuntirishga yordam beradi. Bu, o'zingizning o'z modelingizni tuzatishga va rivojlantirishga imkon yaratadi.

Xavfsizlikni Kuzatib Borish: Teskari tarqatish algoritmi, dasturlar va tizimlar o'rtasidagi xavfsizlik farqlarini aniqlash va mashxur algoritmlar, platformalar va tizimlar uchun xavfsizlik tuzatishni ta'minlashga yordam beradi.

Teskari tarqatish, ma'lumot-analitika sohasidagi tadqiqotchilar, dasturchilar va xavfsizlik sohasidagi mutaxassislar uchun keng tarqalgan bo'lgan bir usuldir. Ushbu algoritmlar mashhur algoritmlar va ilmiy tadqiqotlar asosida ishlatiladi va kompyuter dunyosining tubdan yangi ravishda tushuntirilishiga olib keladi.

Teskari tarqatish, ma'lumot-analitika sohasidagi tadqiqotchilar, dasturchilar va xavfsizlik sohasidagi mutaxassislar uchun keng tarqalgan bo'lgan bir usuldir. Ushbu algoritmlar mashhur algoritmlar va ilmiy tadqiqotlar asosida ishlatiladi va kompyuter dunyosining tubdan yangi ravishda tushuntirilishiga olib keladi.

Backpropagation algoritmi quyidagi bosqichlardan iborat:

Oldingi Bosqich: Chiqish qiymatlarini Olish (Forward Pass)
Tarmoqning har bir neyroni uchun, har bir o'zgaruvchanni (weight) e'tiroz etib, chiqish qiymatini aniqlayamiz. Bu o'zgaruvchalar va chiqish qiymatlari tizimni tuzish jarayonida aniqlanadi.

O'zgaruvchalar va Chiqish Qiymatlari Asosida Xatolikni Olish (Compute Loss)

Ortga Yo'naltirish (Backward Pass)

Gradient Descent: O'zgaruvchalar O'zgartirish (Update Weights)

Qaytadan Bosqich (Repeat):

Backpropagation algoritmi, neyron tarmoqlarini o'qitishda keng ishlatiladi va gradient descent algoritmi yordamida xatolikni kamaytirib, neyron tarmoqni o'qitishni amalga oshiradi. Bu usul, masalan, sinpoziumlar va tuzilishlar uchun amaliyotda bajariladigan yuzaga chiqqan masalalar uchun ishlatiladi.

Logistik regressiyada, kirish o'zgaruvchilari (features) lineyka o'zgaruvchilari bo'lishi mumkin. Bu kirish o'zgaruvchilari, ularning boshqa sinflarga bo'lgan ta'siri yoki ta'siratlarini ifodalaydi. Logistik regressiya asosan ikkita sinf (masalan, 0 va 1) uchun ishlatiladi. Bunday sinflandirishdagi ikkita sinfning masalan, "pozitiv" va "negativ" bo'lishi mumkin.

Logistik regressiya modelini yaratishda, kirish o'zgaruvchilari va ularga mos keladigan boshqa sinflarni ifodalovchi o'zgaruvchilarni tanlash uchun amaliy ma'lumotlar ishlatiladi. Logistik regressiya modeli bularni boshqa sinflardan farq qilib, sinflar orasidagi "ayirma chiziq"ni (decision boundary) aniqlab beradi.

Bashorat (prediction) jarayoni, berilgan kirish o'zgaruvchilariga qarab, modellarning baholash natijalaridan kelib chiqadi. Misol uchun, agar logistik regressiya modeli foydalanuvchining onlayn platformaga kirib kirish uchun rozi bo'lishini vaqti kelib chiqsa, model foydalanuvchi uchun "1" sinfini tushunar ekan. Aksincha, agar foydalanuvchi rozi bo'lmasa, model "0" sinfini aniqlaydi.

Logistik regressiya, sinflandirish, ro'yxatlash, sanoatchilik va boshqa ko'plab vazifalar uchun mashhur bo'lgan o'rganiladigan algoritmadir. U statistika, ma'lumot-analitika, hisobotlar, va iste'mol sanoati va boshqa sohalarda keng tarqalgan bo'lgan.
10.
Chiziqli regressiya (linear regression) statistikada ikkita o'zgaruvchilar (variables) o'rtasidagi aloqani va u faqatgina o'zgaruvchilarning ikkisining lineyka (chiziqli) tarzda bog'lanishini tushuntiradi. Bu bog'lanish modeli, bir o'zgaruvchining boshqa o'zgaruvchiga qanday ta'sir ko'rsatishini hisoblashga yordam beradi. Chiziqli regressiya modeli matematik formulalar yordamida bajariladi va ma'lumotlardan kelib chiqadigan kelishiqqa mos keladi.

Chiziqli regressiya modeli quyidagi formulaga ega:

y - o'zgaruvchi (o'limlar, narx, sotib olish miqdori yoki boshqa amaliyotlar bo'lishi mumkin),

x o'zgaruvchisining