1. Sun'iy intellektning asosiy tushuncha va ta'riflari, sun'iy intellekt sohasidagi tadqiqot yo'nalishlari, qanday tizimlar intellektual tizimlar toifasiga kiradi

11.O'qituvchisiz o'qitish, klasterlash algoritmini tavsiflash, k-means (k-o'rtacha) algoritmiga misol.
**O'qituvchisiz O'qitish:**

O'qituvchisiz o'qitish yoki unsupervised learning, ma'lumotlar to'plamidagi o'zgaruvchilarni aniqlash va ularga mos ravishda bog'liq bo'lgan biror belgi yoki sinf (klass) tushunilmasa-da, o'zgaruvchilarning jamlanishini aniqlashni maqsad qiladi. O'qituvchisiz o'qitishda modellarning boshlang'ich ma'lumotlardan o'zaro bog'liqni topish va o'rganish uchun foydalaniladi.

**Klasterlash Algoritmi:**

Klasterlash algoritmi, ma'lumotlar to'plamini o'zgaruvchilariga ko'ra bir nechta guruhlarga bo'lish uchun ishlatiladi. Ushbu algoritm ma'lumotlarni o'rganib, ularga mos ravishda guruhlarni yaratadi.

**K-Means (K-o'rtacha) Algoritmi:**

K-means algoritmi, klasterlashda juda mashhur bo'lgan va o'qituvchisiz o'qitish uchun keng qo'llaniladigan algoritm hisoblanadi. Bu algoritm quyidagi bosqichlardan iborat:

1. **Klaster Markazlarni Tanlash:** Belgilangan \(k\) ta klaster markazini tanlash.

2. **Uzluksizlikni Taqqoslash:** Har bir obyektni eng yaqin markazga bog'lash orqali uzluksizlikni hisoblash.

3. **Klasterlarni Yangilash:** Har bir obyektni eng yaqin klasterga qo'shish orqali klasterlarni yangilash.

4. **Markazlarni Yangilash:** Yangi klasterlarga asosan markazlarni yangilash.

5. **Qadamni Takkoslash:** 2-qadamdan 4-qadama qadar shartlarni tekshirish va algoritmani takrorlash.

**K-Means Algoritmi Misoli:**

Ma'lum bo'lishi kerak bo'lgan ikki o'zgaruvchili datani o'rganish uchun quyidagi misolni o'zlashtiramiz:

```python

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Ma'lumotlar

X = np.array([[1, 2], [5, 8], [1.5, 1.8], [8, 8], [1, 0.6], [9, 11]])

# K-means modelini yaratish

kmeans = KMeans(n_clusters=2)
kmeans.fit(X)

# Klaster markazlari va obyektlarning klasterlari

centroids = kmeans.cluster_centers_
labels = kmeans.labels_

# Natijalarni vizualizatsiya qilish

colors = ["g.", "r."]
for i in range(len(X)):
plt.plot(X[i][0], X[i][1], colors[labels[i]], markersize=10)

plt.scatter(centroids[:, 0], centroids[:, 1], marker="x", s=150, linewidths=5, zorder=10)

plt.show()
```

Ushbu misol ikki klasterga bo'lgan obyektlarni aniqlash uchun K-means algoritmini ishlatadi. Natijalarni vizualizatsiya qilishda klaster markazlari "x" belgisi bilan, har bir obyekt klasteriga qarashli rang bilan belgilanadi.

12.Ekspert tizimlarining asosiy qoida(shart)lari, ekspert tizimlarining tuzilishi va xossalari, ekspert tizimlarining funktsional komponentlari, amaliy ekspert tizimlarining turlari.
**Ekspert Tizimlarining Asosiy Qoidalari (Shartlari):**

1. **Ma'lumotni Tahlil Qilish:** Ekspert tizimlar, mavjud ma'lumotlarni tahlil qilish, ma'lumotlarni o'rganish va ma'lumotlarni qo'shish imkoniyatiga ega bo'lishi kerak.

2. **Tajribali Ekspertlar:** Ekspert tizimlari, mavjud ma'lumotlarni tahlil qilishda tajribali ekspertlarning fikrlarini ishlatadi. Ular mavjud bilimlarini va tajribalarini tizimga kiritish orqali tizimni yuqori sifatli qilish uchun ishlatiladi.

3. **O'rganish va Qo'shish:** Ekspert tizimlari yangi ma'lumotlarni o'rganib, o'rganilgan ma'lumotlarni qo'shish va tizimni rivojlantirish imkoniyatiga ega bo'lishi kerak.

4. **Avtomatlashtirish:** Ekspert tizimlarining bir qismini avtomatlashtirilgan usullar, algoritmlar va modellar orqali bajarish imkoniyatiga ega bo'lishi kerak.

**Ekspert Tizimlarining Tuzilishi va Xossalari:**

1. **Mavjud Ma'lumotlar Bazasi:** Ekspert tizimlari o'z ichiga ekspertlar tomonidan kiritilgan ma'lumotlar bazasini saqlaydi.

2. **Ma'lumotni Tahlil Qilish:** Ekspert tizimlari ma'lumotlarni tahlil qilish, o'rganish va uni qo'shish imkoniyatiga ega bo'lishi kerak.

3. **Ishlov Komponentlari:** Ekspert tizimi bir nechta ishlov komponentlardan iborat bo'lishi mumkin, masalan, ma'lumotlar bazasi, tahlil qiluvchi komponent, ma'lumot qo'shuvchi komponent va boshqa komponentlar.

4. **Yuqori Darajada Ishlovchilik:** Ekspert tizimi so'rovni tahlil qilishda yuqori darajada ishlovchilik va yaxshi aniqlikka erishish imkoniyatiga ega bo'lishi kerak.

**Ekspert Tizimlarining Funktsional Komponentlari:**

1. **Ma'lumotlar Bazasi:** Ma'lumotlar bazasi ekspert tizimi uchun aniq malumotlar to'plash va saqlashda ishlatiladi.

2. **Tahlil Qiluvchi Komponent:** Tizim ma'lumotlarni o'rganib, ularni tahlil qilish uchun ishlatiladigan komponent.

3. **Ma'lumot Qo'shuvchi Komponent:** Ekspert tizimi o'rganilgan ma'lumotlarni bazaga qo'shish uchun ishlatiladigan komponent.

4. **Natijalarni Taqdim Qilish Komponenti:** Tizimning natijalarini foydalanuvchiga taqdim qilishda ishlatiladigan komponent.

5. **Interfeys Komponenti:** Foydalanuvchilar bilan tizim orasidagi murojaatlarni boshqarish uchun ishlatiladigan komponent.

**Amaliy Ekspert Tizimlarining Turlari:**

1. **Ko'rsatkichlarni Tasniflash (Classification):** Ma'lumotlarni belgilangan sinflarga joylash uchun ishlatiladi. Misol uchun, bir rasming obrazlarini qo'yish va ularni turlicha sinflarga (avtomobillar, hayvonlar, odamlar, jinlar) taqsimlash.

2. **Aniqlovchi (Clustering):** Ma'lumotlarni avtomatik ravishda guruhlarga bo'lish uchun ishlatiladi. Misol uchun, boshqa ma'lumotlar bilan bir qadamda o'xshash ma'lumotlarni qo'shish.

3. **Prognostika (Prediction):** Ma'lumotlarni o'rganib, kelajakdagi hodisalarni bashorat qilish uchun ishlatiladi. Misol uchun, har bir muallifning keyingi yilda nechta kitob yozishi mumkinligini baholash.

4. **Rekomendatsiyalar:** Foydalanuvchilar uchun maslahatlar, to'lov tizimlari uchun maslahatlar va boshqa sohalar uchun ma'lumotlarni o'rganib chiqish uchun ishlatiladi.

5. **Optimizatsiya:** Biror operatsiyani yaxshi yoki eng yaxshi natijalarga olib borish uchun ishlatiladi. Misol uchun, korxonalarda ishchi jadvallarini tuzish uchun.

Amaliy ekspert tizimlari, foydalanuvchilar va so'rovlariga bog'liq holda turli sohalar uchun yaxshi natijalarni olishda va tahlil qilishda keng qo'llaniladi.