Машинали ўқитиш фани бўйича саволлар (узб)

Машинали ўқитиш фани бўйича саволлар (узб)

1. 
   Машинали ўқитиш вазифаларининг турлари.
   
2. 
   Машинали ўқитиш усуллари билан ҳал қилинган вазифалар ва муаммолар.
   
3. 
   Машинали ўқитиш учун қайси дастурлаш тили маъқул? Унинг хусусиятлари.
   
4. 
   Машинали ўқитиш муаммоларини ҳал қилишнинг асосий босқичлари
   
5. 
   Маълумотларга бошланғич ишлов бериш.
   
6. 
   Маълумотларни кириш параметрлари тўпламини аниқлаш.
   
7. 
   Маълумотларни визуаллаштириш.
   
8. 
   Машинали моделлаштириш асослари.
   
9. 
   Машинали ўқитиш моделлари.
   
10. 
    Машинали ўқитишда ўқитиш турлари.
    
11. 
    Машинали ўқитишда ўқитувчи билан ўқитиш (обучение с учителем).
    
12. 
    Машинали ўқитишда ўқитувчисиз ўқитиш (обучение без учителя).
    
13. 
    Регрессия: рақамли қийматларни башорат қилиш.
    
14. 
    Регрессион таҳлил усуллари.
    
15. 
    Машинали ўқитишда бир ўлчовли чизиқли регрессия.
    
16. 
    Кўп ўлчовли регрессия, параметрлар бўйича чизиқли регрессия, полином регрессия.
    
17. 
    Машинали ўқитишда кўп ўлчовли регрессия.
    
18. 
    Машинали ўқитишда чизиқсиз параметрик регрессия. Нопараметрик регрессия.
    
19. 
    Кичик квадратлар усули. Регрессия вазифаларида хатоликни ўлчаш.
    
20. 
    Таснифлаш: синф бўйича тақсимланиш.
    
21. 
    Таснифлаш вазифасини белгилаш. Таснифлаш муаммосини ҳал қилиш усуллари.
    
22. 
    Энг яқин қўшнилар усули ва уни умумлаштириш.
    
23. 
    Чизиқли таснифлаш модели. Таянч векторлар усули.
    
24. 
    Дарахтсимон моделлар. Ечимлар дарахти.
    
25. 
    Ечимлар дарахтини қуриш босқичлари, башоратнинг аниқлик мезонини ва далланма (ветвление) турини танлаш.
    
26. 
    Нейрон тармоқлари. Персептронларни синфланиши.
    
27. 
    Персептронларни ўқитиш. Ўралган (сверточные) нейрон тармоқлари.
    
28. 
    Нейрон тармоқларнинг афзаллик ва камчиликлари.
    
29. 
    Байес таснифлаш усуллари.
    
30. 
    Оптимал байес классификатори.
    

Машинали ўқитиш фани бўйича саволлар (рус)

1. 
   Какой язык программирования лучше всего подходит для машинного обучения? Его характеристики.
   
2. 
   Виды задач машинного обучения.
   
3. 
   Задачи и проблемы, решаемые методами машинного обучения.
   
4. 
   Основные этапы решения задач машинного обучения
   
5. 
   Первичная обработка данных.
   
6. 
   Определение набора входных параметров данных.
   
7. 
   Визуализация данных.
   
8. 
   Основы машинного моделирования.
   
9. 
   Модели машинного обучения.
   
10. 
    Виды обучения в машинном обучении.
    
11. 
    Обучение с учителем в машинном обучении.
    
12. 
    Обучение без учителя в машинном обучении.
    
13. 
    Регрессия: прогнозированеи чивловых данных.
    
14. 
    Методы регрессионного анализа.
    
15. 
    Одномерная регрессия в машинном обучении.
    
16. 
    Многомерная регрессия, параметрическая линейная регрессия, полиномиальная регрессия.
    
17. 
    Многомерная регрессия в машинном обучении.
    
18. 
    Нелинейная параметрическая регрессия. Непараметрическая регрессия.
    
19. 
    Метод наименьших квадратов. Измерение ошибки в задачах регрессии.
    
20. 
    Классификация: распределение по классам.
    
21. 
    Постановка задачи классификации. Методы решения задачи классификации.
    
22. 
    Метод ближайших соседей и его обобщения.
    
23. 
    Линейная модель классификации. Метод опорных векторов.
    
24. 
    Древовидные модели. Деревья решений.
    
25. 
    Этапы построения дерева решений, выбор критерия точности прогноза, типа ветвления.
    
26. 
    Нейронные сети. Классификация персептронов.
    
27. 
    Обучение персептронов. Сверточные нейронные сети.
    
28. 
    Положительные и отрицательные стороны нейронных сетей.
    
29. 
    Байесовские методы классификации.
    
30. 
    Оптимальный байесовский классификатор.