Mlning asosiy vazifalari

Machine Learning (ML) – bu, ma’lumotlardan (data) foydalanib, dasturlarning o'z-o'zini yangilash va o'rganish imkoniyatini yaratadigan vaqtga-qadar o'z-o'zini amalga oshiradigan hususiy jarayon bilan dasturlarni o'rganish va ularning alohida ta'sirli huqumini topishga imkon beruvchi ilmiy uslubdir.
Machine Learning asosida dasturlar avtomatik ravishda o'zini yangilaydi va kelajakdagi ijtimoiy tarmoqlarda ko'plab ishlar uchun foydalaniladi. ML modeli, xususiyatlarni identifikatsiya qilishga yordam beradi va kelajak yozilgan kodlar uchun maydon yaratadi.
MLning asosiy vazifalari:
1. O'rganish: Ma'lumotlar yig'indisining amalga oshirilishi va ko'rsatkichlar tahlili orqali, dasturlarni o'rganish.
2. Taxmin: Ma'lumotlarni aniqlash, ko'rsatlaring taxmin qilish yoki kelajak kimdagi amallarni tasavvur qilish.
3. Tahlil: Ma'lumotlarni tahlil qilish, ma'lumotlardagi bog'liqliklar va nisbalar haqida ma'lumot olish uchun.
MLning amaliyotida quyidagi vazifalar bekor qilinishi mumkin:
1. Tuvshintirish: Ma'lumotlardagi yog'liklarni aniqlash, o'sishini aniqlash va uni oldini olish.
2. Sinf-klassifikatsiya: Ma'lumotlarni turli sinflashingizga bo'lib, otimigini hisoblash.
3. Tahmin: Futbol uyidalari uchun ma’lumotlardan foydalanib futbolchilar bo'lagan yuzaga kelishimiz mumkin yoki nima qilishimiz kerak emas, deb taxmin qilish.
4. Qidiruv: Xabarlarni kategoriyalash, hujjatlar yoki rasmlarni mos litsenziyalangan so'zlar yoki ta'riflarni topish uchun.
Ma'lumotlar ML uchun juda muhimdir. ML modelini ishlatishda ma'lumotlarining xavfsizligi va saqlash kompaniyalar uchun juda muhim ahamiyatga ega.
Deep learning - bu, katta o'lchamdagi axborotlar tahlilining avtomatik ravishda amalga oshirilishi uchun ishlab chiqilgan bir nechta algoritmlarga asoslangan kompyuter texnologiyasi.

Deep learning algoritmlari, bugungi kunda ko'p miqdorda axborot va ma'lumotlar ro'yxatini (masalan, tasvir, matn, ovozli ma'lumotlar va boshqalar) tahlil qilish uchun ishlatiladi. Deep learning algoritmlari, ma'lum bir vazifani o'rganish uchun kuda o'rnatilgan ko'p qatlamli neyron tarmog'i tizimlaridan iboratdir.

Deep learning'in asosiy vazifalari quyidagilardir:

Tasvir tahlilini amalga oshirish (tasvirlarni tuxumlash va ulardagi obyektlarni tanish).

Ma'lumot tahlilini bajarish (o'zbekcha yoki ingliz tilidagi kalit so'zlar bilan kiritilgan ma'lumotlarni tahlil qilish).
Huquqiy tizimlarni yozish (ma'lumotlarni tizimdan o'qish uchun yadro kode va huquqiy tizim yaratish).
Obrazlarni aniqlash (shifrlangan obrazlarni aniqlash).
Yozuvlarni aniqlash (matnlarni tahlil qilish va ularni tanish).
Umumiy ma'nolar va tushunchalar boshqalariga o'rgatish uchun, boshqa jarayonlar orasida matematik va statistikani amalga oshirish.
Bundan tashqari, Deep learning odatda avtomatizatsiya va robototexnikaga loyiq tizimlar yaratishni ham ko'rsatadi.

Neyron tarmoq ta’rifi bo‘yicha tadqiqotchilar haligacha bir fikrga kelishmagan. Adabiyotda ko‘plab variantlar mavjud. Neyron tarmoq - bu parallel ravishda ishlaydigan ko‘plab oddiy hisoblash elementlaridan tashkil topgan tizim. Tarmoq ishining natijasi tarmoq tuzilishi, ulanishlar kuchi, shuningdek, har bir element tomonidan bajariladigan hisob-kitoblar turi bilan belgilanadi. Neyron tarmoq - bu kiruvchi ma’lumotlardan ma’lumotlarni mustaqil ravishda ajratib olishga qodir bo‘lgan parallel taqsimlangan protsessor. Bunday tarmoqning ishlashi miyaning ishlashiga o‘xshaydi, chunki bilim o‘quv jarayoni orqali olinadi va olingan bilimlar alohida elementda saqlanmaydi, balki butun tarmoq bo‘ylab tarqaladi. Neyron tarmoq - bu juda ko‘p sonli oddiy hisoblash elementlaridan tashkil topgan tizim. Har bir elementning natijasi faqat uning ichki holatiga bog‘liq. Barcha elementlar bir-biridan mustaqil, ya’ni boshqa elementlar bilan sinxronlashmasdan ishlaydi. Sun’iy neyron tarmoqlar - bu bilimlarni qabul qilish, saqlash va ishlatishga qodir tizimlar. Biroq, ko‘pchilik tadqiqotchilar neyron tarmoq ko‘plab oddiy protsessorlardan tashkil topgan tizim ekanligiga qo‘shiladilar, ularning har biri mahalliy xotiraga ega. Bunday xotiraning mazmuni odatda protsessor holati deb ataladi. Protsessorlar bir-biri bilan raqamli ma’lumotlarni almashish imkoniyatiga ega. Protsessor ishining natijasi faqat uning holatiga va kirish sifatida qabul qiladigan ma’lumotlarga bog‘liq. Neyron tarmog‘idan foydalanishdan oldin, o‘rganish deb ataladigan protsedurani bajarish kerak, uning davomida kiruvchi ma’lumotlarga asoslanib, tarmoq to‘g‘ri javobni hisoblashi uchun har bir elementning holati tuzatiladi.

Sun'iy neyron tarmoqlari (SNT) o'qitish Algoritmlari, ma'lumotlar so'raydigan tizimlarni (ma'lumotlar) va ularga mos javoblarni (natijalar) uchun usullar bilan bilishni o'rgatishga yordam beradi. SNT o'qitish algoritmlari, SNT-in boshlanish funksiyasini yakunlash unumdorligini o'rganish, bizga mos javobni topish va qandaydir yolg'iz qaror qabul qilishga imkon berish uchun yordam beradi.

Quyidagi SNT O'qitish Algoritmlari turlari mavjud:

Unsupervised Learning: Bu algortim turi SNT-ni avtomatik ravishda tizimda mavjud bo'lgan ma'lumotlarni boshqarish va tahlil qilishga o'rgatadi. Bu usulda SNT-ni so'nggi natijaga ko'ra boshqa tadbirlarga majbur etish yo'q.
Misol: Clustering.

Supervised Learning: Bu algortim turi Mos javoblar (natijalar) bo'lgan ma'lumotlar bilan ishlaydi, va tizimga xohlagan javobni tayyorlashda yordam beradi. Bu usulda kelsa, tadbirloga ko'ra SNT-ni mos javobni aniqlab olish uchun usullar o'rgatadi.

Misol: Classification.

Reinforcement Learning: Bu turi algortim vaqt ichida yolg'izlik bilan fikrni qayta qabul qiluvchi ma'lumotlar tizimi bilan ishlaydi. Bu usulda, SNT- nI harakat va natijalar yolg'onligini o'rgatishga imkon yaratadi, shuning uchun hammasi yolg'on bahramandligini ko'proq ko'tarish uchun kamdan emas ishlatiladi.

Misol: Game Playing.

Bu xilma-xillik SNT-ni o'qitish algoritmlari SNT-ning sarflangan vaqtni va kompyuterga moslashtirish darchasi ko'pincha o'zaro qandaydir shaklda bog'liq bo'ladi, ammo ular bir-biri bilan uyumli ishlaydilar. Ular tadbirloga ko'ra chalg'onlatirilishi va birtakalik qismlardan iborat bo'lishi mumkin.