Ma’lumotlarning intellektual tahlili fanidan yakuniy nazoratda tushadigan savollar mazmunini akslantirgan savollar banki

71Support Vector Machines (SVM) usulida sinflashtrish jarayonini bayon eting.
Yordam vektor mashinalari (SVMs) tasniflash , regressiya va chegaralarni aniqlash uchun foydalaniladigan nazorat qilinadigan o'rganish usullari to'plamidir .
Yordam vektor mashinalarining afzalliklari quyidagilardan iborat:

• 
  Yuqori o'lchamli bo'shliqlarda samarali.
  
• 
  Hali ham o'lchamlar soni namunalar sonidan ko'p bo'lgan hollarda samarali.
  
• 
  Qaror qabul qilish funktsiyasida (qo'llab-quvvatlash vektorlari deb ataladigan) o'quv nuqtalarining kichik to'plamidan foydalanadi, shuning uchun u xotiradan ham samaralidir.
  
• 
  Ko'p qirrali: qaror funktsiyasi uchun turli yadro funktsiyalari belgilanishi mumkin. Umumiy yadrolar taqdim etiladi, lekin maxsus yadrolarni ham belgilash mumkin.
  

Yordam vektor mashinalarining kamchiliklari quyidagilarni o'z ichiga oladi:

• 
  Agar funksiyalar soni namunalar sonidan ko'p bo'lsa, yadro funksiyalarini tanlashda haddan tashqari moslashishdan saqlaning va tartibga solish muddati juda muhimdir.
  
• 
  SVMlar to'g'ridan-to'g'ri ehtimollik taxminlarini taqdim etmaydi, ular qimmat besh marta o'zaro tekshirish yordamida hisoblanadi (quyida Ballar va ehtimollar ga qarang).
  

72.K-NN (K Nearest Neighbors) algoritmining asosiy afzalliklarini misllar orqali tushuntirib bering. Tasniflash muammolari uchun sinf yorlig'i ko'pchilik ovozi asosida tayinlanadi, ya'ni ma'lum bir ma'lumot nuqtasi atrofida eng ko'p ifodalanadigan yorliq ishlatiladi. Bu texnik jihatdan "ko'p ovoz berish" deb hisoblansa-da, adabiyotda "ko'pchilik ovoz" atamasi ko'proq qo'llaniladi. Ushbu terminologiyalar orasidagi farq shundaki, "ko'pchilik ovoz berish" texnik jihatdan 50% dan ortiq ko'pchilikni talab qiladi, bu asosan faqat ikkita toifa mavjud bo'lganda ishlaydi. Agar siz bir nechta sinflarga ega bo'lsangiz, masalan, to'rtta toifaga ega bo'lsangiz, sinf haqida xulosa chiqarish uchun sizga 50% ovoz kerak emas; 25% dan ortiq ovoz bilan sinf yorlig'ini belgilashingiz mumkin. Viskonsin-Madison universiteti buni misol bilan yaxshi umumlashtiradi
73Ma’lumotlarning intellektual tahlilida sun’iy neyron tarmoqlarining o’rni qanday? Sunʼiy neyron tarmoqlari (SNT), odatda oddiygina neyron tarmoqlari (NT) deb ataladi, hayvonlar miyasini tashkil etuvchi biologik neyron tarmoqlardan ilhomlangan hisoblash tizimlari.
SNT imkoniyatlari quyidagi keng toifalarga kiradi: 

• 
  Funksiyani yaqinlashtirish yoki regressiya tahlili, jumladan, vaqt seriyasini bashorat qilish, fitnesga yaqinlashtirish va modellashtirish.
  
• 
  Tasniflash, shu jumladan naqsh va ketma-ketlikni aniqlash, yangilikni aniqlash va ketma-ket qaror qabul qilish.^[85]
  
• 
  Maʼlumotlarni qayta ishlash, jumladan, filtrlash, klasterlash, koʻr manbalarni ajratish va siqish.
  

74. 
    Ma’lumotlarning intellektual tahlilida sun’iy neyron tarmoqlari yordamida qanday qilib sinflashtirish masalalari yechiladi?
    

Oldinga yo'naltirilgan neyron tarmoqlari hozirda tasniflash muammolarida keng qo'llaniladi, statistik sohada ishlab chiqilgan nochiziqli diskriminatsiya usullari esa kamroq ma'lum. Tasniflash uchun umumiy asos yaratilgan bo'lib, unda statistika, neyron tarmoqlar, naqshlarni aniqlash va mashinani o'rganish usullarini solishtirish mumkin. Neyron tarmoqlar regressiya orqali tasniflash uchun ishlatilishi mumkin bo'lgan moslashuvchan chiziqli bo'lmagan regressiya usullari sinfidan biri sifatida paydo bo'ladi. Parametrlarni baholash, tasniflagichlarni baholash va algoritmlarni ishlab chiqishda ko'plab qiziqarli masalalar saqlanib qolmoqda..