1-ma’ruza. Berilganlarni intellektual tahliliga kirish

2-ma’ruza. Pretsendent asosida o'rganish
Mashinani o'rganish (Machine Learning) - sun'iy intellektning katta bo'limlaridan biri bo’lib, u o'rganish qobiliyatiga ega algoritmlarni yaratish usullarini o'rganadi. O'rganishning ikki turi mavjud. Bular pretsedent asosida o’rganish yoki induktiv o’rganish bo’lib, xususiy holdagi empirik berilganlardan umumiy qoununiyatlar aniqlashga asoslanadi. Deduktiv o’rganish mutaxassislarning bilimlarini rasmiylashtirish va ularni bilimlar bazasi shaklida kompyuterga o'tkazishni o'z ichiga oladi. Deduktiv o’rganish odatda ekspert tizimlari sohasiga taalluqlidir, shuning uchun mashinani o'rganish va pretsendent asosida o'rganish atamalarini sinonim deb hisoblash mumkin.
Mashinani o'rganish matematik statistika, optimizatsiya usullari va an’anaviy matematik fanlar keshishmasida shakklangan bo’lib, biroq hisoblash samaradorligi va ortiqcha o’rganish muammolari bilan o'ziga xosligi bor. Aksariyat induktiv o’ragish usullari an’anaviy statistik yondashuvlarga muqobil sifatida ishlab chiqilgan. Ko'pgina usullar ma'lumot olish va berilganlarning inellektual tahlili usullari bilan chambarchas bog'langan.
Mashinani o'rganish nafaqat matematik, balki amaliy, muhandislik predmetidir. Odatda sof nazariya darhol amaliyotda qo'llaniladigan usullar va algoritmlarga olib kelmaydi. Ularning amalda yaxshi ishlashi uchun nazariyadagi taxminlar va real muammolar o’rtasidagi nomutonosiblikni ma’lum bir ma’noda qoplaydigan qo'shimcha evristikani ixtiro qilish kerak bo’ladi. Mashinani o'rganish bo'yicha deyarli hech qanday tadqiqot usulning amaliy samaradorligini tasdiqlovchi model yoki haqiqiy ma'lumotlar bo'yicha eksperimentsiz bo’lmaydi.
Pretsedentlarning chekli to'plami (ob'ektlar, vaziyatlar) berilgan, ularning har biri uchun ba'zi ma'lumotlar yig'iladi (o'lchanadi). Pretsedent haqidagi ma'lumotlar uning tavsifi deb ham ataladi. Mavjud bo'lgan barcha holatlar tavsiflari to'plami o’rgatuvchi tanlanma deb nomlanadi. Ushbu aniq ma'lumotlarga asoslanib, nafaqat ushbu namunaga, balki umuman barcha pretsedentlarga, shu jumladan hali kuzatilmaganlarga ham xos bo'lgan umumiy bog'liqliklarni, qonuniyatlarni, munosabatlarni aniqlash kerak bo’ladi. Bu holatga, shuningdek, empirik berilganlar bo’yicha bog’liklarni tiklash deyiladi.
Pretsedentlarni tavsiflashning eng keng tarqalgan usuli - bu alomatlar orqali tavsiflashdir. Barcha pretsedentlar uchun o'lchanadigan n ta ko'rsatkichlar to'plami belgilanadi. Agar barcha n ko'rsatkichlar sonli bo'lsa, u holda xususiyat tavsiflari n o'lchamdagi sonli vektorlardir bo’ladi. Pretsedentlar vaqt qatorlari yoki signallar, tasvirlar, video ketma-ketliklar, matnlar, o'xshashlik yoki o'zaro ta'sir intensivligining juftlik munosabatlari va boshqalar bilan tavsiflanganda yanada murakkab holatlar ham mumkin.
Pretsedentlar bo'yicha o'rganish muammosini hal qilish uchun, birinchi navbatda, tiklanadigan bog'liqlik modeli fiksirlanishi zarur bo’ladi. Keyin sifat funksiyasi kiritiladi, uning qiymati model kuzatilgan berilganlarni qanchalik yaxshi tavsiflanishini ko'rsatadi. O'rganish algoritmi model parametrlarining shunday to'plamini qidiradiki, bunda berilgan o’raguvchi tanlanmadagi sifat funksionali optimal qiymatini qabul qiladi. Berilganlar tanlanmasi asosida modelni sozlash jarayoni (fitting) ko'p hollarda raqamli optimallashtirish usullaridan foydalanishga to'g'ri keladi.