Muxammad al-xorazmiy nomidagi toshkent axborot texnologiyalari

---

MUXAMMAD AL-XORAZMIY NOMIDAGI 
TOSHKENT AXBOROT TEXNOLOGIYALARI 
UNIVERSITETI 
SAMARQAND FILIALI 
5330300 - Axborot xavfsizligi (sohalar bo’yicha) yo’nalishi 
307- gurux 
“Mashinali o’qitish” fanidan 
MUSTAQIL ISH-1 
Bajardi; Haydarov Sh. 
Qabul qildi: Kubayev S. 

---

Reja: 
1.
Mashinada o'qitish 
2.
Mashinada o'qitish yondashuvlari 
3.
Sun'iy intellekt 
4.
Algoritmlarni o'rganish turlari 
5.
Sun'iy neyron tarmoqlari 

---

Mashinali o‘qitishning (MO’) turlari 
Mashinada o'qitish (ML) bu tajriba orqali avtomatik ravishda 
takomillashadigan kompyuter algoritmlarini o'rganishdir.[1] 
Ning pastki qismi sifatida qaraladi sun'iy intellekt. Mashinada 
o'qitish algoritmlari namunaviy ma'lumotlarga asoslanib, 
"o'quv ma'lumotlari ", bashorat qilish yoki aniq dasturlashsiz 
qaror qabul qilish uchun.[2] Mashinali o'qitish algoritmlari 
kabi turli xil dasturlarda qo'llaniladi elektron pochta orqali 
filtrlash va kompyuterni ko'rish, kerakli vazifalarni bajarish 
uchun an'anaviy algoritmlarni ishlab chiqish qiyin yoki 
maqsadga muvofiq emas. 
Mashinada o'qitishning bir qismi bilan chambarchas bog'liq 
hisoblash statistikasi, bu kompyuterlar yordamida bashorat 
qilishga qaratilgan; ammo hamma mashinada o'rganish 
statistik 
o'rganish 
emas. 
O'rganish 
matematik 
optimallashtirish mashinasozlik sohasiga metodlar, nazariya 
va dastur sohalarini etkazib beradi. Ma'lumotlarni qazib olish 
e'tiborini qaratish bilan bog'liq bo'lgan ta'lim sohasidir 
kashfiyot ma'lumotlarini tahlil qilish orqali nazoratsiz 
o'rganish.[4][5] Ishbilarmonlik muammolari bo'yicha uni 
qo'llashda mashinasozlik deb ham ataladi bashoratli tahlil. 
Umumiy nuqtai 
Mashinada o'qitish, kompyuterlar qanday qilib aniq 
dasturlashtirilmagan holda qanday qilib vazifalarni bajara 
olishlarini aniqlashni o'z ichiga oladi. Bu ma'lum bir 
vazifalarni bajarish uchun taqdim etilgan ma'lumotlardan 

---

kompyuterlarni o'rganishni o'z ichiga oladi. Kompyuterlarga 
berilgan sodda vazifalar uchun mashinaga qo'yilgan 
muammoni hal qilish uchun zarur bo'lgan barcha bosqichlarni 
qanday bajarishni aytib beradigan algoritmlarni dasturlash 
mumkin; kompyuter tomonidan hech qanday o'rganish kerak 
emas. Ilg'or vazifalar uchun kerakli algoritmlarni qo'lda 
yaratish inson uchun qiyin bo'lishi mumkin. Amalda, inson 
dasturchilariga kerakli har bir qadamni belgilashdan ko'ra, 
mashinaga o'z algoritmini ishlab chiqishda yordam berish 
samaraliroq bo'lishi mumkin. 
Mashinada 
o'qitish 
intizomi 
kompyuterlarni 
to'liq 
qondiradigan 
algoritm 
mavjud 
bo'lmagan 
vazifalarni 
bajarishga o'rgatish uchun turli xil yondashuvlardan 
foydalanadi. Ko'p sonli potentsial javoblar mavjud bo'lgan 
hollarda, bitta yondashuv to'g'ri javoblarning bir qismini 
haqiqiy deb belgilashdir. Keyinchalik bu to'g'ri javoblarni 
aniqlash 
uchun 
foydalanadigan 
algoritm 
(lar) 
ni 
takomillashtirish uchun kompyuter uchun o'quv ma'lumotlari 
sifatida ishlatilishi mumkin. Masalan, raqamli belgilarni 
aniqlash vazifasini bajarish uchun tizimni tayyorlash MNIST 
qo'lda yozilgan raqamlar to'plami ko'pincha ishlatilgan.[6] 
Mashinada o'qitish yondashuvlari 
Mashinada o'qitish yondashuvlari an'anaviy ravishda o'quv 
tizimida mavjud bo'lgan "signal" yoki "teskari aloqa" 
xususiyatiga qarab uchta keng toifaga bo'linadi: 

---

Nazorat 
ostida 
o'rganish: 
Kompyuterda 
"o'qituvchi" 
tomonidan berilgan misollar va ularning kerakli natijalari 
keltirilgan va maqsad umumiy qoidalarni o'rganishdir. 
xaritalar natijalarga kirishlar. 
Nazorat qilinmagan o'rganish: O'qitish algoritmiga hech 
qanday yorliq berilmaydi, uni kiritishda tuzilmani topish 
uchun uni o'zi qoldiradi. Nazorat qilinmagan o'rganish o'zi 
maqsad bo'lishi mumkin (ma'lumotlardagi yashirin naqshlarni 
aniqlash) yoki maqsadga erishish vositasi (xususiyatlarni 
o'rganish ). 
Kuchaytirishni o'rganish: Kompyuter dasturi ma'lum bir 
maqsadni amalga oshirishi kerak bo'lgan dinamik muhit bilan 
o'zaro ta'sir qiladi (masalan.) transport vositasini boshqarish 
yoki raqibga qarshi o'yin o'ynash). Muammoli maydonda 
harakatlanayotganda, 
dastur 
mukofotlarga 
o'xshash 
geribildirim beradi va uni maksimal darajada oshirishga 
harakat qiladi. 
Sun'iy intellekt 

---

Mashinalarni o'rganish sun'iy intellektning subfiligi sifatida 
Mashinali o'qitishning bir qismi sun'iy intellektning 
subfediyali yoki sun'iy intellektning bir qismini mashina 
o'rganish subfilmasi sifatida[16] 
Ilmiy ish sifatida, mashinada o'rganish sun'iy intellektni izlash 
natijasida o'sdi. AI ning dastlabki kunlarida o'quv intizomi, 
ba'zi 
tadqiqotchilar 
mashinalarning 
ma'lumotlardan 
o'rganishiga qiziqishgan. Ular muammoga turli xil ramziy 
usullar bilan yondashishga harakat qilishdi, shuningdek 
keyinchalik "asab tarmoqlari "; asosan ular edi perceptronlar 
va boshqa modellar keyinchalik ixtirolari deb topilgan 
umumlashtirilgan chiziqli modellar statistika.[17] Ehtimolli 
fikrlash, ayniqsa, avtomatlashtirilgan holda ham ishlatilgan 
tibbiy diagnostika.[18]:488 
Biroq, tobora ortib borayotgan e'tibor mantiqiy, bilimga 
asoslangan yondashuv sun'iy intellekt va kompyuterni 
o'rganish o'rtasida ziddiyatga olib keldi. Ehtimollik tizimlari 
ma'lumot to'plash va namoyish qilishning nazariy va amaliy 
muammolari bilan qiynalgan.[18]:488 1980 yilga kelib, 

---

ekspert tizimlari sun'iy intellektda hukmronlik qilgan va 
statistika foydasiz edi.[19] Ramziy / bilimga asoslangan 
o'rganish bo'yicha ishlar sun'iy intellekt doirasida davom etdi 
va natijada induktiv mantiqiy dasturlash, ammo tadqiqotning 
statistik yo'nalishi endi sun'iy intellekt sohasidan tashqarida 
edi naqshni aniqlash va ma'lumot olish.[18]:708–710; 755 
Neytral tarmoqlarni tadqiq qilish A.I.dan voz kechgan edi 
Kompyuter fanlari bir vaqtning o'zida. Ushbu yo'nalish ham 
sun'iy intellekt / CS maydonidan tashqarida davom etdi 
"ulanish ", boshqa fanlarning tadqiqotchilari tomonidan, shu 
jumladan Xopfild, Rumelxart va Xinton. Ularning asosiy 
muvaffaqiyati 1980-yillarning o'rtalarida qayta kashf etilishi 
bilan sodir bo'ldi orqaga surish.[18]:25 
Alohida soha sifatida qayta tashkil etilgan mashinasozlik 
(ML) 1990 yillarda rivojlana boshladi. Bu soha o'z maqsadini 
sun'iy intellektga erishishdan amaliy xarakterdagi hal 
qilinadigan muammolarni hal qilishga o'zgartirdi. Bu diqqat 
markazidan uzoqlashdi ramziy yondashuvlar u sun'iy 
intellektdan 
meros 
bo'lib, 
statistika 
va 
ehtimollik 
nazariyasi.[19] 
2020 yildan boshlab, ko'plab manbalar mashinani o'rganish 
AIning 
subfediyasi 
bo'lib 
qolmoqda 
deb 
ta'kidlamoqda.[20][21][22] Asosiy kelishmovchilik, barcha 
ML AI ning bir qismi bo'ladimi, chunki bu ML dan 

---

foydalanadigan har kim AIdan foydalanayotganligini da'vo 
qilishi mumkin. Boshqalar fikricha, MLning hammasi ham 
AIning bir qismi emas[23][24][25] bu erda faqat MLning 
"aqlli" to'plami sun'iy intellektning bir qismidir.[26] 
ML va AI o'rtasidagi farq nimada degan savolga javob 
beriladi Yahudiya marvaridi yilda Nima uchun kitob.[27] 
Shunga ko'ra ML passiv kuzatuvlar asosida o'rganadi va 
bashorat qiladi, AI esa o'z maqsadlariga muvaffaqiyatli 
erishish imkoniyatini maksimal darajada oshiradigan, 
o'rganish va harakatlar qilish uchun atrof-muhit bilan o'zaro 
aloqada bo'lgan agentni nazarda tutadi. 
Statistika 
Mashinada o'qitish va statistika usullari jihatidan bir-biri bilan 
chambarchas bog'liq bo'lgan sohalardir, ammo ularning 
asosiy maqsadi alohida: statistika aholi sonini jalb qiladi 
xulosalar 
dan 
namuna, 
mashinasozlik 
esa 
umumlashtiriladigan bashoratli naqshlarni topadi.[32] Ga 
binoan Maykl I. Jordan, uslubiy printsiplardan nazariy 
vositalarga qadar mashinasozlik g'oyalari statistikada uzoq 
tarixga ega bo'lgan.[33] Shuningdek, u ushbu atamani taklif 
qildi ma'lumotlar fani umumiy maydonni chaqirish uchun joy 
egasi sifatida.[33] 

---

Leo Breiman ikkita statistik modellashtirish paradigmalarini 
ajratib ko'rsatdi: ma'lumotlar modeli va algoritmik model,[34] 
bunda "algoritmik model" mashinani o'rganish algoritmlari 
ko'pmi yoki ko'pmi degan ma'noni anglatadi Tasodifiy 
o'rmon. 
Ba'zi statistik mutaxassislar mashinasozlik usullaridan 
foydalanib, o'zlari chaqiradigan birlashtirilgan sohaga olib 
kelishdi statistik o'rganish 
Algoritmlarni o'rganish turlari 
Mashinada o'qitish algoritmlarining turlari yondashuvi, ular 
kiritadigan va chiqaradigan ma'lumotlar turi, echishga 
mo'ljallangan vazifa yoki muammo turlari bilan farq qiladi. 
Nazorat ostida o'rganish 
Asosiy maqola: Nazorat ostida o'rganish 
A qo'llab-quvvatlash vektor mashinasi bu ma'lumotni a bilan 
ajratilgan mintaqalarga ajratadigan nazorat ostida o'qitish 
modeli chiziqli chegara. Bu erda chiziqli chegara qora 
doiralarni oqdan ajratadi. 

---

Nazorat ostidagi o'qitish algoritmlari ma'lumotlar va kerakli 
natijalarni o'z ichiga olgan ma'lumotlar to'plamining 
matematik modelini tuzadi.[38] Ma'lumotlar sifatida tanilgan 
o'quv ma'lumotlari, va o'quv misollari to'plamidan iborat. Har 
bir o'quv namunasi bir yoki bir nechta ma'lumotlarga ega va 
kerakli signal, shuningdek nazorat signallari deb nomlanadi. 
Matematik modelda har bir o'quv misoli an bilan ifodalanadi 
qator yoki vektor, ba'zan xususiyat vektori deb ataladi va 
o'qitish ma'lumotlari a bilan ifodalanadi matritsa. Orqali 
takroriy 
optimallashtirish 
ning 
ob'ektiv 
funktsiya, 
boshqariladigan o'quv algoritmlari yangi kirishlar bilan 
bog'liq natijalarni bashorat qilish uchun ishlatilishi mumkin 
bo'lgan funktsiyani o'rganadi.[39] Optimal funktsiya algoritm 
o'quv ma'lumotlarining bir qismi bo'lmagan ma'lumotlar 
uchun chiqishni to'g'ri aniqlashga imkon beradi. Vaqt o'tishi 
bilan uning chiqishi yoki prognozlarining aniqligini 
yaxshilaydigan algoritm ushbu vazifani bajarishga o'rgangan 
deb aytiladi.[13] 
Nazorat ostidagi o'qitish algoritmlari turlari kiradi faol 
o'rganish, tasnif va regressiya.[40] Chiqishlar cheklangan 
qiymatlar to'plami bilan cheklangan bo'lsa, tasniflash 
algoritmlari, natijalar oralig'ida har qanday sonli qiymat 
bo'lishi mumkin bo'lgan hollarda regressiya algoritmlari 
qo'llaniladi. Misol tariqasida, elektron pochta xabarlarini 
filtrlaydigan tasniflash algoritmi uchun kirish kiruvchi 

---

elektron 
pochta, 
natijada 
elektron 
pochta 
manzilini 
yuboradigan papkaning nomi bo'ladi. 
Mashinada o'qishni amalga oshirish a yaratishni o'z ichiga 
oladi model, ba'zi ta'lim ma'lumotlari bo'yicha o'qitiladi va 
keyin bashorat qilish uchun qo'shimcha ma'lumotlarni qayta 
ishlashi mumkin. Mashinalarni o'rganish tizimlari uchun har 
xil turdagi modellar ishlatilgan va o'rganilgan. 
Sun'iy neyron tarmoqlari 
Asosiy maqola: Sun'iy neyron tarmoq 
Shuningdek qarang: Chuqur o'rganish 
Sun'iy asab tarmog'i - bu keng tarmoqqa o'xshash o'zaro 
bog'liq tugunlar guruhi neyronlar a miya. Bu erda har bir 
dumaloq tugun an sun'iy neyron strelka esa bitta sun'iy 
neyronning 
chiqishi 
bilan 
ikkinchisining 
kirishiga 
bog'lanishni anglatadi. 

---

Sun'iy neyron tarmoqlar (ANN), yoki ulanishchi tizimlari, 
noma'lum tarzda ilhomlangan hisoblash tizimlari biologik 
neyron tarmoqlari hayvonlarni tashkil qiladi miyalar. Bunday 
tizimlar, odatda, biron bir vazifaga xos qoidalar bilan 
dasturlashtirilmasdan, misollarni ko'rib chiqish orqali 
vazifalarni bajarishni "o'rganadi". 
ANN - bu "bog'langan birliklar yoki tugunlar to'plamiga 
asoslangan model"sun'iy neyronlar ", bu erkin tarzda 
modellashtirilgan neyronlar biologik miya. Kabi har bir 
ulanish sinapslar biologik miya, bir sun'iy neyrondan 
ikkinchisiga ma'lumot, "signal" uzatishi mumkin. Signalni 
qabul qiladigan sun'iy neyron uni qayta ishlashi va keyin 
unga bog'langan qo'shimcha sun'iy neyronlarga signal berishi 
mumkin. Umumiy ANN dasturlarida sun'iy neyronlar 
orasidagi aloqa a haqiqiy raqam va har bir sun'iy neyronning 
chiqishi uning kirishlari yig'indisining ba'zi bir chiziqli 
bo'lmagan funktsiyalari bilan hisoblab chiqiladi. Sun'iy 
neyronlar orasidagi bog'lanishlar "qirralar" deb nomlanadi. 
Sun'iy neyronlar va qirralar odatda a ga ega vazn bu 
o'rganishni davom ettirishga moslashtiradigan narsa. Og'irligi 
ulanish paytida signal kuchini oshiradi yoki kamaytiradi. 
Sun'iy neyronlarning chegarasi bo'lishi mumkin, shunda 
signal faqat yig'ilgan signal ushbu chegarani kesib o'tgan 
taqdirda yuboriladi. Odatda, sun'iy neyronlar qatlamlarga 
birlashtiriladi. Turli qatlamlar o'zlarining kirishlarida har xil 
o'zgarishlarni amalga oshirishi mumkin. Signallar birinchi 
qatlamdan (kirish qatlamidan) oxirgi qatlamga (chiqish 

---

qatlamiga), ehtimol qatlamlarni bir necha marta bosib 
o'tgandan keyin o'tadi. 
ANN yondashuvining asl maqsadi muammolarni a inson 
miyasi bo'lardi. Biroq, vaqt o'tishi bilan, e'tibor og'ishlariga 
olib keladigan aniq vazifalarni bajarishga o'tdi biologiya. 
Sun'iy neyron tarmoqlari turli xil vazifalarda, shu jumladan 
ishlatilgan kompyuterni ko'rish, nutqni aniqlash, mashina 
tarjimasi, ijtimoiy tarmoq filtrlash, stol va video o'yinlarni 
o'ynash va tibbiy diagnostika. 
Chuqur o'rganish sun'iy asab tarmog'idagi bir nechta yashirin 
qatlamlardan iborat. Ushbu yondashuv inson miyasining 
yorug'lik va tovushni qayta ishlashini ko'rish va eshitish 
usulini 
modellashtirishga 
harakat 
qiladi. 
Chuqur 
o'rganishning ba'zi muvaffaqiyatli dasturlari kompyuterni 
ko'rish va nutqni aniqlash.[68] 
Qaror daraxtlari 
Asosiy maqola: Qarorlar daraxtini o'rganish 
Qarorlar daraxtini o'rganish a dan foydalanadi qaror daraxti 
kabi bashorat qiluvchi model buyum haqida kuzatuvlardan 
(filiallarda 
ko'rsatilgan) 
buyumning 
maqsad 
qiymati 
(barglarda ko'rsatilgan) haqida xulosalarga o'tish. Bu 
statistika, ma'lumotlarni qazib olish va mashinalarni 

---

o'rganishda 
qo'llaniladigan 
taxminiy 
modellashtirish 
usullaridan 
biridir. 
Maqsadli 
o'zgaruvchining 
alohida 
qiymatlar to'plamini qabul qilishi mumkin bo'lgan daraxt 
modellari tasnif daraxtlari deb ataladi; ushbu daraxt 
tuzilmalarida, barglar sinf yorliqlarini va filiallarni ifodalaydi 
bog`lovchilar 
o'sha 
sinf 
belgilariga 
olib 
keladigan 
xususiyatlar. Maqsadli o'zgaruvchining doimiy qiymatlarni 
qabul qilishi mumkin bo'lgan qaror daraxtlari (odatda haqiqiy 
raqamlar ) regressiya daraxtlari deyiladi. Qarorlarni tahlil 
qilishda qarorlar daraxti qarorlarni vizual va aniq ifodalash 
uchun ishlatilishi mumkin Qaror qabul qilish. Ma'lumotlarni 
qazib olishda qaror daraxti ma'lumotlarni tavsiflaydi, ammo 
natijada olingan tasnif daraxti qaror qabul qilish uchun kirish 
bo'lishi mumkin.