11-ma’ruza o’qituvchisiz (Unsupervised) o’qitish algoritmlari Reja: O’qituvchisiz o’qitish tushunchasi va uning usullari

Machine Learningning 4 ta yo’nalishi bor:

Supervised Learning

• 
  “Supervised Learning atamasi Machine Learning tizimiga nima qilish kerakligini ko’rsatuvchi o’qituvchi yoki o’rgatuvchi tomonidan taqdim etilgan maqsad y nuqtai nazaridan kelib chiqadi.”
  
• 
  Modelga kiritilgan ma’lumotlar, asosiy farq va munosabatlar aniq bo’lmaguncha o’qitiladi, bu unga hech qachon ko’rilmagan ma’lumotlar taqdim etilganda aniq yorliqlash natijalarini berishga imkon beradi.
  
• 
  Supervised Leaning, tasniflash va regressiya muammolarida yaxshi. Masalan, yangilik maqolasi qaysi toifaga tegishli ekanligini aniqlash yoki kelajakdagi ma’lum bir sana uchun sotish hajmini bashorat qilish. Supervised Leaning’ning vazifasi savolga eng optimal javobni topib bera olishdan iborat.
  

Supervised Leaning qanday ishlaydi?

• 
  Barcha Machine Learning algoritmlari singari, Supervised Learning mashg’ulotlarga asoslangan. O’qitish bosqichida tizim etiketli (label’langan) ma’lumotlar to’plamlari bilan oziqlanadi, ular tizimga har bir muayyan kirish qiymatiga qanday chiqish bog’liqligini ko’rsatadi. Keyin o’qitilgan model sinov ma’lumotlari bilan taqdim etiladi: Bu etiketlangan (label’langan) ma’lumotlar, ammo yorliqlar algoritmga oshkor etilmagan. Sinov ma’lumotlarining maqsadi etiketsiz (label’lanmagan) ma’lumotlarda algoritm qanchalik aniq ishlashini o’lchashdir.
  

Unsupervised Learning

• 
  “Unsupervised Learning’’ da o’qituvchi yoki o’rgatuvchiga hojat yo’q! Algoritm ushbu qo’llanmasiz ma’lumotlarni tushuna olishi kerak.”
  
• 
  Unsupervised Learning’ni regressiya yoki tasniflash muammosiga to‘g‘ridan-to‘g‘ri qo‘llash mumkin emas, chunki Supervised Learning’dan farqli o‘laroq, bizda kirish ma’lumotlari mavjud, lekin tegishli chiqish ma’lumotlari yo‘q. Unsupervised Learning’ning maqsadi ma’lumotlar to’plamining asosiy tuzilishini topish, ma’lumotlarni o’xshashliklari bo’yicha guruhlash va ushbu ma’lumotlar to’plamini tartiblangan formatda taqdim etishdir.
  

Unsupervised Learning qanday ishlaydi?

Tegishli algoritmni qo’llaganidan so’ng, algoritm ma’lumotlar ob’ektlarini ob’ektlar orasidagi o’xshashlik va farqlarga ko’ra guruhlarga ajratadi.

Unsupervised Learning

• 
  Bu erda biz yorliqsiz kirish ma’lumotlarini oldik, ya’ni u toifalarga ajratilmagan va tegishli chiqishlar ham berilmagan. Endi ushbu yorliqsiz kirish ma’lumotlari uni o’qitish uchun Machine Learning modeliga beriladi. Birinchidan, u ma’lumotlardan yashirin belgilarni topish uchun xom ma’lumotlarni sharhlaydi va keyin K-means clustering, Anomaly detection va boshqalar kabi mos algoritmlarni qo’llaydi.
  

Semi – Sepervised Learning(SSL)

• 
  “Semi – Sepervised Learning(SSL) nazorat ostida va nazoratsiz o’rganish o’rtasidagi yarmidir. Belgilanmagan ma’lumotlarga qo’shimcha ravishda, algoritm ba’zi nazorat ma’lumotlari bilan ta’minlangan — lekin barcha misollar uchun shart emas. Ko’pincha, bu ma’lumotlar ba’zi misollar bilan bog’liq bo’lgan maqsadlar bo’ladi.”
  

Semi – Sepervised Learning(SSL) misollar:

• 
  Nutqni tahlil qilish: Ovozli fayllarni etiketlash (label’lash) juda intensiv ish bo’lganligi sababli, Semi – Supervised Learning bu muammoni hal qilish uchun juda tabiiy yondashuvdir.
  
• 
  Internet-kontent tasnifi: Har bir veb-sahifani belgilash amaliy va amalga oshirib bo’lmaydigan jarayondir va shuning uchun Semi – Supervised Learning ostida o’rganish algoritmlaridan foydalanadi. Hatto Google qidiruv algoritmi ham berilgan soʻrov uchun veb-sahifaning dolzarbligini baholash uchun Semi – Supervised Learning variantidan foydalanadi.
  

Reinforement Learning (RL)

• 
  Reinforement Learning (RL) qaror qabul qilishga qaratilgan bo’limdir. Bu maksimal mukofot olish uchun muhitda maqbul vaziyatni o’rganishdir. Bu optimal darajada atrof-muhit bilan o’zaro ta’sir qilish va uning qanday munosabatda bo’lishini kuzatish orqali o’rganiladi, xuddi bolalar atrofdagi dunyoni o’rganishlari va maqsadga erishishga yordam beradigan harakatlarni o’rganishlari kabi.
  
• 
  Aytaylik, musobaqada nazoratchi yo’q bo’lganda, Reinforcement Learning mukofotni maksimal darajada oshiradigan harakatlar ketma-ketligini mustaqil ravishda kashf qilishi kerak. Ushbu kashfiyot jarayoni sinov va xato qidiruviga o’xshaydi.
  

Reinforement Learning (RL)

• 
  Harakatlarning sifati nafaqat ular qaytaradigan darhol mukofot, balki ular olishi mumkin bo’lgan kechiktirilgan mukofot bilan ham o’lchanadi. Nazoratchining yordamisiz ko’rinmas muhitda yakuniy muvaffaqiyatga olib keladigan harakatlarni o’rganishi mumkinligi sababli, mustahkamlashni o’rganish juda kuchli algoritmdir. U qabul qilayotgan barcha ma’lumotlarini saqlaydi va eslab qoladi. Keyin eng optimal variantlarni taqdim etadi. Misol uchun AIchatbot’lari yoki yaqindagina Instagram tarmog’iga qo’shilgan taxminiy javob berish xizmati: