Amaliy ish 2

---

Amaliy ish 2 
2023 
MANSUROV SHAROF 
MASHINALI O’QITISHGA KIRISH 
QARSHI 2023 

---

Mashinali o‘qitish turlari. Mashinali o‘qitish jarayonining umumiy qadamlari. 
1.
Mashinali o‘qitish turlari 
2.
Mashinali o‘qitish jarayonining umumiy qadamlari. 
3.
Logistik regressiya 

---

Mashinani o'rganish (ML) - bu ma'lumotlardan o'rganish va vaqt o'tishi bilan 
ularning ishlashini yaxshilash mumkin bo'lgan kompyuter algoritmlarini ishlab 
chiqishga qaratilgan sun'iy intellektning bir tarmog'i. U ma'lumotlar fanlari sohasida 
tobora muhim vositaga aylandi va elektron pochtani filtrlashdan tortib, kompyuterni 
ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi. Mashinani o'rganish 
algoritmlari an'anaviy dasturlash usullari amaliy bo'lmagan yoki samarasiz bo'lgan 
hollarda qo'llaniladi va ular bashorat qilish, jarayonlarni avtomatlashtirish va katta 
ma'lumotlar to'plamlarida naqshlarni aniqlash uchun ishlatilishi mumkin. Ushbu 
maqola mashinani o'rganish asoslari, jumladan ishlatiladigan algoritmlar turlari va 
ularning qo'llanilishiga kirishni ta'minlaydi. Mashinani o'rganish maqsadi aniq 
dasturlashni talab qilmasdan ma'lumotlardagi naqshlarni aniqlay oladigan va 
bashorat qila oladigan algoritmlarni ishlab chiqishdir. Mashinani o'rganish 
algoritmlari elektron pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan 
keng doiradagi ilovalarda qo'llaniladi.
Mashinada o'rganish algoritmlarining turlari.
Mashinani o'rganish algoritmlarining bir nechta turlari mavjud, ularning har biri 
o'zining kuchli va zaif tomonlariga ega. Mashinani o'rganish algoritmlarining eng 
keng tarqalgan turlaridan ba'zilari nazorat ostida o'rganish, nazoratsiz o'rganish, 
yarim nazorat ostida o'rganish va mustahkamlovchi o'rganishni o'z ichiga oladi. 
Mashina o’qitish (ML) bo’yicha algaritimlar.
Chiziqli Regressiya
Logistik Regressiya

---

 Chiziqli Diskriminant Tahlil
Tasniflash va regressiya daraxtlari
Sodda Bayes
K-Eng Yaqin Qo'shnilar
Vektorlarni Kvantlashni O'rganish
Vektorli Mashinalarni Qo'llab-Quvvatlash
Bagging va tasodifiy o'rmon
Boosting va AdaBoost
Nazorat qilinadigan o'rganish algoritmlari bashorat qilish uchun etiketli 
ma'lumotlardan foydalanadi. Nazorat ostidagi o'rganish algoritmlariga misollar 
qatoriga chiziqli regressiya, logistik regressiya va chiziqli diskriminant tahlili (LDA) 
kiradi. Nazorat qilinmagan o'rganish algoritmlari ma'lumotlardagi naqshlarni 
aniqlash uchun etiketlanmagan ma'lumotlardan foydalanadi. Nazoratsiz o'rganish 
algoritmlariga misollar klasterlash algoritmlari va asosiy komponentlar tahlilini 
(PCA) o'z ichiga oladi.
Yarim nazorat ostida o'rganish algoritmlari bashorat qilish uchun etiketli va yorliqsiz 
ma'lumotlarning kombinatsiyasidan foydalanadi. Yarim nazorat ostida o'rganish 
algoritmlariga misollar vektorli mashinalar (SVM) va sun'iy neyron tarmoqlari 
(ANN). O'rganishni kuchaytirish algoritmlari o'z muhitidan o'rganish uchun 
mukofot va jazolardan foydalanadi. Mustahkamlovchi o'rganish algoritmlariga 

---

misollar Q-o'rganish va chuqur Qo'rganishni o'z ichiga oladi. Mashina o'rganish 
uchun dasturlash tillari. Python foydalanish qulayligi va kutubxonalar va 
ramkalarning keng doirasi tufayli mashinani o'rganish uchun eng mashhur 
dasturlash tilidir. Mashinani o'rganish va sun'iy intellekt uchun eng yaxshi Python 
kutubxonasi. Tensor Flow - TensorFlow yordamida siz qo'l yozuvi uchun chuqur 
neyron tarmoqlarni va NLP (tabiiy tilni qayta ishlash) uchun takroriy neyron 
tarmoqlarni qurishingiz mumkin.
Keras -
Theano
Scikit-learn
PyTorch
NumPy
Pandas
Seaborn
Mashinani o'rganish uchun boshqa mashhur dasturlash tillari orasida R va Java 
mavjud. Mashina o'rganishning ilovalari. Mashinani o'rganish algoritmlari elektron 
pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi 
ilovalarda qo'llaniladi. Mashinani o'rganishning eng keng tarqalgan ilovalariga 
bashoratli tahlil, tabiiy tilni qayta ishlash (NLP), tasvirni aniqlash va avtonom 
transport vositalari kiradi. Ushbu maqola mashinani o'rganish asoslari, jumladan 
ishlatiladigan algoritmlar turlari va ularning qo'llanilishiga kirishni taqdim etdi. 

---

Mashinani o'rganish algoritmlari elektron pochtani filtrlashdan tortib, kompyuterni 
ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi. Python foydalanish 
qulayligi va kutubxonalar va ramkalarning keng doirasi tufayli mashinani o'rganish 
uchun eng mashhur dasturlash tilidir. Mashinani o'rganish ma'lumotlar fanida tobora 
muhim vosita bo'lib, keng ko'lamli ilovalarda qo'llaniladi. 
Mashinali o'qtish suny intelligence asosiy sohalaridan biri bo'lib, kuyidagicha 
tariflanishi mumkin: 
"Mashinali o'kitysh - bu kompyuter odamlarni o'rganishga harakat qilish va vaqt 
o'tishi bilan o'z bilimlarini mustakil ravnaq topishi, real duneda kuzatuvlar va o'zaro 
ta'sirlar ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti 
ma'lumotlar va eti. ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti 
ma'lumotlar" 
Machinada o'qitish (ML) - bu suny intellect nazariyasining bir bwlimi, computer 
suny intellect yordamida hal qilish zharayoni va usullarini izlashdan iborat. 
Machinada o'qitish (ML) - bu berilganlar va chikish ma'lumotlariga asosan 
computerdaa dastur uchun tayinlangan bo'lib, u an'anaviy dasturda foydalanilishi 
mumkin. 
Machinada o'rganish dehqonchilik yoki bg'dorchilikka o'xshaidi. Uruglar algorithm, 
ozuka algori ma'lumotlar, bogbon siz, o'simliklar esa dasturdir. 
Machinada o'rganishni rivojlantirishi nazarat ostida va nazaratsiz o'qishga bo'linishi 
mumkin. "O'qituvchi" deganda, odamlarning ma'lumotlarni qayta ishlashga 

---

aralashuvi goyasi tushunilady. Nazorat ostida o'kityshda bizda biror narsa va bazi 
farazlarni bashorat qilish kerak bulgan ma'lumotlar mavzhud bwlsa o'qituvchining 
zaruriyati mavzhud. 
O'qituvchiz o'qiyotganimizda, bizda faqat ma'lumotlar, biz topmoqchi bulgan goya, 
boshorat va karorlarga yaroqlilar bo’ladi. Mashinali o'qitish modellari uchun asosiy 
algoritmlar 
Qaror daraxti. Bu daraxtga o'xshash grafikadan foydalanishga asoslangan qarorlarni 
qo'llab-quvvatlash usuli bo’lib, ularning yuzaga kelishi mumkin bo'lgan oqibatlarini 
hisobga olgan holda qaror qabul qilish modeli (hodisa yuzaga kelishi ehtimolini 
hisoblash bilan), samaradorlik, resurslarni sarflashdan iborat bo’ladi. 
Biznes-jarayonlar uchun ushbu daraxt minimal miqdordagi savollardan iborat bo'lib, 
ular aniq javobni talab qiladi - "ha" yoki "yo'q". Bu savollarning barchasiga doimiy 
ravishda javob berib, to'g'ri tanlovga kelamiz. Qaror daraxtining uslubiy afzalliklari 
shundaki, u masalani tuzadi va tizimga soladi va yakuniy qaror mantiqiy xulosalar 
asosida qabul qilinadi. 
Bayesning sodda sinfi, Bayescha sodda sinflagichlar oddiy ehtimollik 
klassifikatorlari oilasiga mansub va Bayes teoremasidan kelib chiqadi, bu holda 
funksiyalarni mustaqil deb hisoblaydi (bu qat'iy yoki sodda, taxmin deb ataladi). 
Amalda, u mashinasozlikning quyidagi yo'nalishlarida qo'llaniladi: 
• elektron pochtaga keladigan spam-spam ta'rifi; 
• yangiliklar maqolalarini tematik sarlavhalar bilan avtomatik ravishda bog'lash; 

---

• matnning emotsional rangini aniqlash; 
• tasvirlardagi yuzlar va boshqa shablonlarni tanib olish. 
Eng kichik kvadratlar usuli. Statistikani ozgina bo'lsa ham o'rgangan kishi 
chiziqli regressiya tushunchasini yaxshi biladi. Eng kichik kvadratlar ham uni 
amalga oshirish variantlariga tegishli. Odatda, chiziqli regressiya ko'plab 
nuqtalardan o'tgan to'g'ri chiziqni o'rnatish masalalarini hal qilish uchun ishlatiladi. 
Bu eng kichik kvadratlar usuli yordamida amalga oshiriladi: to'g'ri chiziqni torting, 
undan har bir nuqtagacha bo'lgan masofani o'lchang (nuqtalar va chiziq vertikal 
segmentlar bilan bog'langan), natijada olingan yig’indini ko'chiring. Natijada, 
masofalar yig'indisi eng kichik bo'ladigan egri chiziq kerakli (bu chiziq haqiqiy 
qiymatdan normal taqsimlangan og'ish bilan nuqtalar orqali o'tadi). 
Ma'lumotlarni mashinada o'rganish uchun moslashtirishda chiziqli funksiya odatda 
qo'llaniladi va xato metrikasini yaratish orqali xatolarni minimallashtirish uchun eng 
kichik kvadratchalar usuli qo'llaniladi. 
Logistik regressiya. Logistik regressiya bu o'zgaruvchilardan o'zaro 
bog'liqlikni aniqlash usulidir, ulardan biri qat'iyan bog'liq, boshqalari esa mustaqil. 
Buning uchun logistik funksiyadan (akkumulyativ logistik taqsimot) foydalaniladi. 
Logistik regressiyaning amaliy qiymati shundaki, u bir yoki bir nechta mustaqil 
o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilishning kuchli statistik usuli 
hisoblanadi. Bu quyidagi holatlarda foydalidir: 

---

Mashinali o'qitishda instrumental vositalardan foydalanish Matlab/Python dasturiy 
muhiti bilan ishlash. 
Mashinani o'rganish uchun afzal vositalar - Python–MatLab–R 
AI bo'yicha so'rov -javoblar saytlari va Data Science forumi mushtarak so'rovlar 
bilan takroriy -takroriy mu’rajat etmoqda. Men ma’lumotlar -fanida yangiman, qaysi 
tildi o'rganishim zarur? Mashinada o'rganish uchun eng yaxshi til qaysi? 
Mashinali o’qitish 
Hozirgi kun talabalari axborot texnologiyalari bo’yicha zamonaviy dasturlash 
tizimlari bilan ishlashni bilishlari davr talabidir. 
Bunda dars darayonida foydalaniladigan o’quv, o’quv-uslubiy qo’llanmalarning 
mavjud bo’lishi, o’quv jarayoni samaradorligini oshirishga xizmat qiladi. 
Kompyuter yordamida matematik, fizik masalalarni yechish uchun ko’pincha 
foydalanuvchi biron bir dasturlash tilida dastur tuzishni bilishi talab qilanadi. 
MatLab, Python va R kollej o'quvchilariga matematika va statistika asoslarini 
o'qitishda muvaffaqiyatli ishlatiladi Bu matumotlarga asoslangan muhitda 
ma'lumotlarni katta tahlillar orqali o'rganish juda kuchli, ayniqsa qaror qabul qilish 
va bu matumotlarga boy muhitda ma'lumotlarni statistik ishlatish uchun. 
MatLab yordamida hisoblash va statistik abi boshlang'ich matematikani o'qitish 
uchun foydalanish mumkin. 

---

“Mashinali o’qitishga kirish” fanini ham o’qitishda Matlab asturidan foydalanish 
keng imkoniyatlarni ochib beradi. Menyu buyruqlarining vazifalari, matematik 
belgilar vositalari bilan ishlash, Matlabda oddiy matеmatik ifodalarni hisoblash, 
tеnglamalarni sonli va simvolli yеchish, hosila, integral, limitlarni hisoblash, 
grafiklar qurish bo’yicha barcha mavzular misollar bilan bayon etilgan.

---

Foydalanilgan adabiyotlar
1. Абдурахмонов, С. М., Билолов, И. У., & Ибрагимов, Ш. М. (2019). Об
организации самостоятельной работы студентов в цикле дистанционного 
образования.
2. Билолов, И. У. Методика проведения лабораторных заниятий в процессе
обучения физике с применением персональных ЭВМ (Doctoral dissertation, –
Т.: УзНИИПН,
1992).
3. Абдуллажонова, Н. Н. (2018). НА УРОКАХ ЛЕГОКОНСТРУИРОВАНИЯ
ИСПОЛЬЗОВАНИЕ МУЛЬТИМЕДИА ТЕХНОЛОГИЙ. Теория и практика 
современной
науки, (6), 727-730.
4. Абдуллажонова, Н. Н. (2016). Портфолио в качестве инструмента для 
оценки
совокупного воздействия. Современная система образования: опыт прошлого, 
взгляд в
будущее, (5), 30-33.
5. Абдуллажонова, Н. Н. (2017). Современные образовательные

---

технологии. European Journal of Technical and Natural Sciences, (2), 44-47.