O’zbekiston respublikasi aborot texnologiyalari va kommunikatsiyalarini rivojlantirish vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti

O’ZBEKISTON RESPUBLIKASI ABOROT TEXNOLOGIYALARI VA KOMMUNIKATSIYALARINI RIVOJLANTIRISH VAZIRLIGI
MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI

“ Sun’iy intellekt va neyron tarmoqlari ” fanidan

mustaqil ish mavzusi
Mashinani o’qitish modellari.Chiziqli va polynomial modellardan foydalanish.



O’quvchi: O’zbekov M
O’qituvchi: Ochilov M

2022-yil
Mashinani o’qitish modellari.Chiziqli va polynomial modellardan foydalanish.

Reja:
1.Mashinani o’qitish modellari nima.
2. Mashinada o'qitish yondashuvlari va Tarix va boshqa sohalar bilan aloqalari.
3. Sun'iy intellekt yordamida mashinani o’qitishga bo’lgan munosabat.
4. Chiziqli va polynomial modellardan foydalanish.
1. Mashinada o'qitish (ML) bu tajriba orqali avtomatik ravishda takomillashadigan kompyuter algoritmlarini o'rganishdir. Mashinada o'qitish algoritmlari namunaviy ma'lumotlarga asoslanib, "o'quv ma'lumotlari ", bashorat qilish yoki aniq dasturlashsiz qaror qabul qilish uchun. 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. Ishbilarmonlik muammolari bo'yicha uni qo'llashda mashinasozlik deb ham ataladi bashoratli tahlil.
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.


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 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.

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.

2. 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.
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.
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. Ushbu uch qavatli toifaga to'g'ri kelmaydigan boshqa yondashuvlar ishlab chiqilgan va ba'zida bir xil mashinani o'rganish tizimi tomonidan bir nechta foydalaniladi. Masalan mavzuni modellashtirish, o'lchovni kamaytirish yoki meta o'rganish.
2020 yildan boshlab, chuqur o'rganish mashinasozlik sohasida olib borilayotgan doimiy ishlarning ustun yondashuviga aylandi.

Atama mashinada o'rganish tomonidan 1959 yilda ishlab chiqarilgan Artur Samuel, amerikalik IBMer va sohasida kashshof kompyuter o'yinlari va sun'iy intellekt. 1960 yillar davomida mashinalarni o'rganish bo'yicha tadqiqotlarning vakili kitobi Nilssonning "Mashinalarni o'rganish to'g'risida" kitobi bo'lib, asosan naqshlarni tasniflash uchun mashinalarni o'rganish bilan shug'ullanadi. 1973 yilda Duda va Xart tomonidan ta'riflanganidek, naqshni tanib olish bilan bog'liq qiziqish 1970-yillarda davom etdi. 1981 yilda o'qitish strategiyasidan foydalanish to'g'risida hisobot berildi, shunda neyron tarmoq kompyuter terminalidan 40 ta belgini (26 ta harf, 10 ta raqam va 4 ta maxsus belgi) tanib olishni o'rganadi.

Tom M. Mitchell mashinalarni o'rganish sohasida o'rganilgan algoritmlarning keng iqtibosli, rasmiyroq ta'rifini taqdim etdi: "Kompyuter dasturi tajribadan o'rganadi deyiladi E ba'zi bir sinf vazifalariga nisbatan T va ishlash o'lchovi P agar uning vazifalaridagi ishlashi T, bilan o'lchanganidek P, tajriba bilan yaxshilanadi E. Mashinali o'qitish bilan bog'liq bo'lgan vazifalarning ushbu ta'rifi tubdan taklif qiladi operatsion ta'rifi maydonni kognitiv jihatdan aniqlashdan ko'ra. Bu quyidagicha Alan Turing uning qog'ozidagi taklif "Hisoblash texnikasi va razvedka ", unda" Mashinalar o'ylay oladimi? "degan savol" Mashinalar biz qila oladigan narsani qila oladimi? "degan savol bilan almashtirildi.
2020 yildan boshlab, ko'plab manbalar mashinani o'rganish AIning subfediyasi bo'lib qolmoqda deb ta'kidlamoqda. 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 bu erda faqat MLning "aqlli" to'plami sun'iy intellektning bir qismidir. 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.
Mashinada o'qitish va ma'lumotlar qazib olish ko'pincha bir xil usullarni qo'llaydi va bir-birining ustiga bir-birini qoplaydi, ammo mashinada o'qitish, bashoratga asoslanadi ma'lum o'quv ma'lumotlaridan o'rganilgan xususiyatlar, ma'lumotlar qazib olish ga e'tibor qaratadi kashfiyot ning (ilgari) noma'lum ma'lumotlardagi xususiyatlar (bu tahlil qadamidir bilim kashfiyoti ma'lumotlar bazalarida). Ma'lumotlarni qazib olishda ko'plab kompyuterlarni o'rganish usullari qo'llaniladi, ammo maqsadlari har xil; boshqa tomondan, mashinasozlik ma'lumotlarini qazib olish usullarini "nazoratsiz o'rganish" yoki o'quvchilar aniqligini oshirish uchun oldindan ishlov berish bosqichi sifatida ham qo'llaydi. Ushbu ikkita tadqiqot jamoalari o'rtasidagi chalkashliklarning aksariyati (ko'pincha alohida konferentsiyalar va alohida jurnallar mavjud) ECML PKDD katta istisno bo'lish) ular bilan ishlaydigan asosiy taxminlardan kelib chiqadi: mashinasozlikda ishlash odatda qobiliyatiga qarab baholanadi ko'payish ma'lum bilimlarni topish va ma'lumotlarni qazib olishda (KDD) asosiy vazifa ilgari kashf etishdir noma'lum bilim. Ma'lum bo'lgan bilimlarga qarab baholanadigan ma'lumotsiz (nazoratsiz) usul boshqa boshqariladigan usullar bilan osonlikcha ustunlikka ega bo'ladi, odatdagi KDD topshirig'ida o'qitish ma'lumotlari mavjud emasligi sababli boshqariladigan usullardan foydalanish mumkin emas.
Mashinada o'qitish ham yaqin aloqalarga ega optimallashtirish: ko'plab o'quv muammolari ba'zilarini minimallashtirish sifatida shakllantiriladi yo'qotish funktsiyasi misollar to'plami bo'yicha. Yo'qotish funktsiyalari o'qitilayotgan modelning prognozlari bilan muammoning dolzarb misollari o'rtasidagi farqni ifodalaydi (masalan, tasniflashda misollarga yorliq berishni xohlaydi va modellar to'plamning oldindan belgilangan yorliqlarini to'g'ri bashorat qilish uchun o'qitiladi) misollar). Ikkala maydon o'rtasidagi farq umumlashtirish maqsadidan kelib chiqadi: optimallashtirish algoritmlari o'quv to'plamidagi yo'qotishlarni minimallashtirishi mumkin bo'lsa, mashinada o'rganish ko'rinmaydigan namunalardagi yo'qotishlarni minimallashtirish bilan bog'liq.
3. 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.

Regressiya tahlili ko'plab o'zgaruvchan statistik usullarni qamrab oladi, bu o'zgaruvchan o'zgaruvchilar va ular bilan bog'liq xususiyatlar o'rtasidagi munosabatni baholashga imkon beradi. Uning eng keng tarqalgan shakli chiziqli regressiya, bu erda matematik mezonga muvofiq berilgan ma'lumotlarga mos kelish uchun bitta chiziq chiziladi oddiy kichkina kvadratchalar. Ikkinchisi ko'pincha tomonidan kengaytiriladi muntazamlik (matematika) kabi, ortiqcha fitnani va xolislikni yumshatish usullari tizma regressiyasi. Lineer bo'lmagan muammolarni hal qilishda o'tish modellariga quyidagilar kiradi polinomial regressiya (masalan, Microsoft Excel-da trendline fitting uchun ishlatiladi), logistik regressiya (ko'pincha ishlatiladi statistik tasnif ) yoki hatto yadro regressiyasi ning afzalliklaridan foydalanib, chiziqli bo'lmaganlikni joriy qiladi yadro hiyla-nayrang kirish o'lchovlarini yuqori o'lchovli maydonga yashirin ravishda xaritalash uchun.

Ma'lumotlar to'plamida chiziqli regressiyani.
4. Polinom funksiya modellari.
Ko'p nomli funktsiya shaklga ega bo'lgan funktsiyadir
{\displaystyle y=a_{n}x^{n}+a_{n-1}x^{n-1}+\cdots +a_{2}x^{2}+a_{1}x+a_{ 0}}
Bu erda n - ko'phadning darajasini belgilaydigan manfiy bo'lmagan butun son . Darajasi 0 bo'lgan polinom oddiygina doimiy funktsiyadir ; 1 darajali chiziq bilan ; 2 darajali - kvadratik ; 3 darajasi bilan kub va hokazo.
Tarixiy jihatdan, polinom modellari egri chiziqni o'rnatish uchun eng ko'p ishlatiladigan empirik modellar qatoriga kiradi.