Mashinali o‘qitishga kirish fanining maqsadi, vazifalari va kutiladigan natijalari

Yo'l qoplamasining holatini 6 va 24 soat davomida bashorat qilish

1.6-rasm. MO’Tni sinflashtirish.
MO’ning uchta turini ko'rib chiqamiz [30,43]:

• 
  o’qituvchili o‘qitish (boshqariladigan),
  
• 
  o’qituvchisiz o‘qitish (nazoratsiz yoki o'z-o'zidan)
  
• 
  chuqur (mustaxkam) o‘qitish.
  

Biz ular orasidagi tub farqlarni bilib olamiz va kontseptual misollarga asoslanib, ular amaliy qo'llanilislhini aniqlaydigan intuitiv tushunchalarni rivojlantiramiz (1.7-rasm)

Mashinali o’qitish usullari

1.7-rasm.
Mashinali o’qitishni tashkil qilishning modeli 1.8-rasmda keltirilgan.





1.8-rasm. Mashinali o’qitishni tashkil qilishning modeli.





1.9-rasm. Mashinali o’qitishga misol.
O’qituvchili o’qitish (Supervised learning) - bu modelni xususiyatlari aniq bo’lgan ma’lumotlar bilan o’qitish. Oʻqituvchili MO’Tlarda obyektlar to’plami (OT) va ularning belgilari hamda bu belgilarning qanday sinfga qarashli ekanligi, ya’ni sinflarning nomi berilgan boʻladi. Bunday turdagi o’qitish usullariga regressiya (1.10-rasm) va sinflashtirish (1.8-rasm) masalalarini misol keltirish mumkin. Bunda xususiyatlari aniq deganda kiruvchi va chiquvchi parametrlar mavjud bo’lishi nazarda tutiladi.

1.10-rasm. Regressiyaga misol.

1.11-rasm. Sinflashga misol.

F : X -> Y											Tanlanma
Belgilar (Х)								(Y) o’zgaruvchining maqad funksiyasi
Bo’yi	Og’irligi	Harorati	Jinsi	Yo’tal	So’lak	Bosh og’riq	Yoshi	UFanlardan o’r. ball	Covid?
170	128	0	E	1	1	1	45	4.4	Yo’q	O’qituvchi tanlama
195	90	40	A	1	0	0	50	3.1	Ha
160	111	2	A	0	1	1	60	3.9	Yo’q
183	143	0	E	0	1	1	65	4.7	Ha
158	118	25	A	1	0	1	70	?	?	Test tanlanma
178	132	10	E	0	1	0	75	?	?
170	120	4	A	1	1	0	65	?	?
165	100	20	E	1	1	0	55	?	?
Obyektlar								Regres-siya	Sinflash

1.12-rasm. Regressiya va sinflashga misol.
Modelni o’qitishda foydalaniladigan ma’lumotlar odatda ikkita qismga ajratiladi va ular 80:20 nisbatda olinadi. Ya’ni ma’lumotlarning 80% o’qitiluvchi ma’lumot va qolgan 20% esa modelni testlovchi ma’lumot bo’lib xizmat qiladi.
O’qitish jarayonida model kiruvchi va chiquvchi ma’lumotlarning 80% dan foydalanadi va modelni o’qitish faqat ushbu ma’lumot orqali amalga oshiriladi (1.13-rasm).

1.13-rasm. O’qituvchili o’qitish masalalari.

1.14-rasm. O’qituvchili o’qitish (Supervised learning) sxemasi.
O’qituvchili o’qitish algoritmlariga misollar:
• chiziqli regressiya (Linear Regression);
• eng yaqin qo'shni (Nearest Neighbor);
• Gauss soddaligi Bayesiyalik (Gaussian Naive Bayes);
• qaror daraxtlari (Decision Trees);
• vektorli mashinani qo'llab-quvvatlash (Support Vector Machine (SVM));
• tasodifiy o'rmon (Random Forest).
O’qituvchisiz o’qitish (unsupervised learning) - bu mashinani o’qitish usulidan biri bo’lib, bunda modelni oldindan aniq bo’lgan ma’lumotlar bilan o’qitish amalga oshirilmaydi, aksincha obyekt parametrlarini (ma'lumotlarni) topish uchun modelga o'z ustida ishlashga imkon yaratib beriladi. Oʻqituvchisiz MO’Tlarda faqat OT va ularning BT berilgan boʻlib, obyektlarning qaysi sinfga qarashli ekanligi berilmaydi. Bunday tizimlar koʻp hollarda taksonomik tizimlar deyiladi, ya’ni taksonlarga qarab, obyektlar sun’iy ravishda sinflarga ajratiladi.

1.15-rasm. O’qituvchisiz o’qitish sxemasi.
O’qituvchisiz o’qitish usuliga qaraganda murakkab usul hisoblanadi va bashoratlash jarayoni avtomatik lekin noaniqroq bo’lishi mumkin.
O’qituvchisiz o’qitish usulida asosan “klasterlash” masalasi yechiladi.

a) Namuna. B) Klasterlar.
1.16-rasm. Klasterlashga misol.
Klasterlash usullari:

• 
  Ierarxik klasterlash (Hierarchical clustering);
  

• 
  K-klasterlash vositasi (K-means clustering);
  
• 
  K eng yaqin qo'shnilar (K-NN (k nearest neighbors));
  
• 
  asosiy tarkibiy qismlarni tahlil qilish (Principal Component Analysis);
  
• 
  bitta qiymat bo'yicha parchalanish (Singular Value Decomposition);
  
• 
  komponentlarning mustaqil tahlili (Independent Component Analysis).
  

Chuqur o’qitish - bu ko'p qatlamli neyron tarmoqlarini tadqiq qilinayotgan obyektga tegishli juda katta miqdordagi ma'lumotlardan foydalanib, ularning tuzilishi va xususiyatlarini tushunishga qaratilgan jarayondir.
Chuqur o’qitish – bu ko'p pog’onali taqdimotni o'rganishga asoslangan mashinali o'qitish algoritmlari to'plamidir. Bir nechta taqdimot pog’nalari abstraktsiyaning bir nechta pog’onasini anglatadi (1.17-rasm).





1.17-rasm.
Chuqur o’qitish asosan neyron tarmoqlari asosida amalga oshiriladi va bunda quriladigan neyron tarmog’i xususiyatlari va o’qitish jarayoni muhim hisoblanadi hamda neyron tarmog’i aniqligini oshirishga xizmat qiladi.
Chuqur o’qtitishda quyidagi mashinani o’qitish usullaridan foydalaniladi:

• 
  regressiya - o’qituvchili (supervised) o’qitish usuli hisoblanib, o’qitish natijasida qurilgan model doimiy qiymatlar qabul qiladi
  
• 
  sinflashtirish - o’qituvchili (supervised) o’qitish usuli hisoblanib, o’qitish natijasida qurilgan model biron sinfga tegishli yoki tegishli emaslik haqidagi qiymat qabul qiladi
  
•