Muxammad al xorazmiy nomidagi toshkent axborot texnologiyalari universiteti

Foydalanilgan adabiyotlar

Aurelian Geron, Hands on Machine Learning with Scikit-Learn Keras&Tensorflow // Second edition Concepts, Tools, and Techniques to Build Intelligent Systems, 2019, 510 pages

А.В. Гаврилов. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. - Новосибирск: Изд-во НГТУ, 2001. - Ч. 1. - 67 с.

А.В. Гаврилов. Лабораторный практикум по нейронным сетям. Ч. 1. - Новосибирск:Изд-во НГТУ, 1999.

Т.А. Гаврилова, В.Ф. Хорошевский. Базы знаний интеллектуальных систем.-СпБ,Питер,2000.

Павлов С. Н. Системы искусственного интеллекта : учеб. пособие. В 2-х частях. / С. Н. Павлов. - Томск: Эль Контент, 2011. - Ч. 1. - 176 c. ISBN 978-5-4332-0013-5.

Russell S. L. Artificial intelligence: a modern approach / S. L. Russell, P. Norvig. - Upper Saddle River, New Jersey: Prentice- Hall Inc., 1995. -905 p.

[15] Allen J. AI Growing up / J. Allen // AI MAGAZINE. - 1998. - V. 19. - №4. - Р. 13–23.

Искусственный интеллект : справочник: в трех кн. / под ред. Э. В. Попова. - М. : Радио и связь, 1990.

Гаскаров Д. В. Интеллектуальные информационные системы: учебник для вузов / Д. В. Гаскаров.- М. : Высш. шк., 2003. - 431 с.

Андрейчиков А. В. Интеллектуальные информационные системы : учебник / А. В. Андрейчиков, О. Н. Андречикова. - М. : Финансы и статистика, 2006.- 424 с.- №12.

Ларичев О. И. Системы основанные на экспертных знаниях: история, совершенное состояние и некоторые перспективы // Труды Седьмой национальной конференции по искусственному интеллекту с международным участием. - М. : Изд-во физико-математической литературы, 2000.

https://www.geeksforgeeks.org/ml-machine-learning/

https://www.geeksforgeeks.org/ml-types-learning-supervised-learning/

https://www.guru99.com/unsupervised-machine-learning.html

Ilova:

K-toifali klasterlash pythonda o’qituvchisiz o’qitish algoritmi:

K-Means Clustering in Python¶

In [1]:

import matplotlib.pyplot as plt

from kneed import KneeLocator

from sklearn.datasets import make_blobs

from sklearn.cluster import KMeans

from sklearn.metrics import silhouette_score

from sklearn.preprocessing import StandardScaler

In [2]:

features, true_labels = make_blobs(

n_samples=200, centers=3, cluster_std=2.75, random_state=42)

In [3]:

features[:5]

Out[3]:

array([[ 9.77075874, 3.27621022],

[ -9.71349666, 11.27451802],

[ -6.91330582, -9.34755911],

[-10.86185913, -10.75063497],

[ -8.50038027, -4.54370383]])

In [4]:

true_labels[:5]

Out[4]:

array([1, 0, 2, 2, 2])

In [5]:

scaler = StandardScaler()

scaled_features = scaler.fit_transform(features)

In [6]:

scaled_features[:5]

Out[6]:

array([[ 2.13082109, 0.25604351],

[-1.52698523, 1.41036744],

[-1.00130152, -1.56583175],

[-1.74256891, -1.76832509],

[-1.29924521, -0.87253446]])

In [7]:

kmeans = KMeans(

init="random",

n_clusters=3,

n_init=10,

max_iter=300,

random_state=42)

In [8]:

kmeans.fit(scaled_features)

Out[8]:

KMeans(init='random', n_clusters=3, random_state=42)

In [9]: