1-variant 1, Fanning maqsad va vazifalari, predmeti va metodlari

15-variant
1.Mashinaviy oqitish (Machine Learning) amaliy matematikaning keng qamrovli bo'limi bo'lib, matematik statistika, optimallashtirish, sun'iy intellekt, empirik (amaliy qonunlar) ma'lumotlarini o'rganish mumkin bo'lgan algoritmlarni tuzish usullarini o'rganadi.Obrazni aniqlash (Распознавание образов), tasvirni tahlil qilish, kompyuterni ko'rish (компьютерное зрение), qayta ishlash va matnni tahlil qilish metod sifatida mashina o'qitish usullaridan faol foydalanadi, ammo ular shuningdek, Mashinaviy oqitish (Machine Learning) doirasida umuman ko'rib chiqilmaydigan o'ziga xos yondashuvlar, usullar va algoritmlarga ega. Ushbu va boshqa ilmiy sohalarni keng ma'noda ma'lumotlarni intelektual tahlil qilish bilan bog'lash mumkin.Quyida yo'nalishlarning namunaviy ro'yxati keltirilgan:- Mashinaviy oqitish (machine learning) - nazariya, yondoshuvlar va o'qitish usullari: - tasniflash (classification);- klasterlash (klasterlash); - regressiya (regression); - bashorat qilish (forecasting).- Obrazni aniqlash (Pattern recognition):- rasmlarni tahlil qilish, tanib olish va tushunish (image analysis, recognition & understanding); - kompyuterni ko'rish (computer vision); - tahlil qilish, nutqni aniqlash va tushunish (speach analysis, recognition & understanding);-Ma'lumotlarni intelektual tahlil qilish (data mining): - bilimlarni ochish (knowledge discovery in databases); - matnlarni qayta ishlash va tahlil qilish, matnlarni tushunish (text mining); - Internetdagi ma'lumotlarni tahlil qilish (web mining). Mashinaviy oqitish - bu empirik ma'lumotlar asosida o'qitilishi mumkin bo'lgan algoritmlarni qurish usullarini o'rganadigan sun'iy intellekt va matematik statistikaning keng qamrovli qismi. Machine Learning - bu o'qishga asoslangan algoritmlarni tuzish usullarini o'rganadigan sun'iy intellektning keng qamrovli bo'limi. Ta'limning ikki turi mavjud. Amaliy-huquqiy mashg'ulotlar yoki induktiv trening muayyan empirik ma'lumotlardan umumiy naqshlarni aniqlashga asoslangan. Deduktiv o'rganish mutaxassis bilimlarini rasmiylashtirish va bilim bazasi sifatida uni kompyuterga o'tkazishni o'z ichiga oladi. Deduktiv o'rganish odatda ekspert tizimlari sohasiga taalluqlidir, shuning uchun "mashina o'rganish" va "case study" atamalarini sinonim deb hisoblash mumkin. Mashinaviy o'qitish matematik statistika, optimallashtirish usullari va klassik matematik fanlar birlashmasida, lekin hisoblash samaradorligi va qayta tayyorlash muammolari bilan bog'liq o'ziga
15.2
xos xususiyatlarga ega. Klassik statistik yondashuvlarga alternativa sifatida ko'plab induktiv o'qitish usullari ishlab chiqilgan. Ko'pgina usullar ma'lumotlar qidirish va ma'lumotlarni qidirish bilan chambarchas bog'liq(Data mining). Mashinaviy o'qitish nafaqat matematik, balki amaliy, muhandislik fanidir. Sof nazariya, qoida tariqasida, amalda qo'llaniladigan usul va algoritmlarni darhol olib kelmaydi. Ularni yaxshi ishlashi uchun taxminlar nazariyasida yuzaga kelgan nomuvofiqlikni haqiqiy muammolar sharoitlari bilan qoplash uchun qo'shimcha evristik ixtiro qilish kerak. Mashinada o'qitish bo'yicha deyarli har qanday tadqiqot usulning amaliyligini tasdiqlovchi model yoki haqiqiy ma'lumotlarga nisbatan eksperimentsiz to'liq bo'lmaydi. Mashinaviy o'qitish - bu sun'iy intellekt metodlar sinfidir, uning xarakterli xususiyati muammoni to'g'ridan-to'g'ri hal qilish emas, balki shunga o'xshash ko'plab muammolarga echimlarni qo'llash jarayonida talim olishdir. Bunday usullarni qurish uchun matematik statistika, sonli usullar, optimallash usullari, ehtimollik nazariyasi, graflar nazariyasi, ma'lumotlar bilan raqamli shaklda ishlashning turli xil usullari qo'llaniladi. Mashinasozlik bo'limi, bir tomondan, neyron tarmoqlari fanini tarmoqlarni o'qitish usullari va ularning arxitekturasining topologiyalari turlariga bo'linishi natijasida shakllangan, ikkinchi tomondan, matematik statistika usullarini o'zida mujassam etgan. Garchi o'quv namunasi kontseptsiyasidan foydalanadigan boshqa usullar mavjud bolsada mashinaviy o'qitishning quyidagi usullari neyron tarmoqlardan foydalanishi bilan bog'liq - masalan, diskriminatsion tahlil, Bayes klassifikatorlari, yoki kuzatilgan statistikaning dispersiyasi va kovariyatsiyasi bilan ishlaydigan klassifikatorlar.Neyron tarmoqlarning asosiy turlarini, masalan, perseptron va ko'p qatlamli perseptron (shuningdek, ularning modifikatsiyalarini), o'qituvchi yordamida yoki o'qituvchi qatnashmagan holda o'qitilishi, yoki oz ustida ishlash, izlanishlar olib borish orqali organishni tashkil etish va mustahkamlash mumkin. Ammo ba'zi neyron tarmoqlari va ko'pgina statistik usullarni faqatgina organishning muayyan uslubi bilangina boglagan holda organish mumkin. Shuning uchun, agar mashinaviy o'qitishni o'rganish usuliga qarab uning usullarini tasniflash zarur bo'lganda, neyron tarmoqlarni o'ziga xos turga ajratish to'g'ri bo'lmaydi, neyron tarmoqlarini o'qitish algoritmlarini tiplash yanada to'g'ri bo'ladi.O'qituvchi bilan organish:Sun'iy neyron tarmog'i:1. Chuqur o'rganish 2. Xato tuzatish usuli 3.Bokni ko'paytirish usuli 4.Qo'llab-quvvatlovchi vektorlar usuli O'qituvchisiz o'rganish: 1. Alfa mustahkamlash tizimi 2. Gamma mustahkamlash tizimi 3. Yaqin qo'shnilar usuli.
2. Mashinali oqitish-Mashinali oqitish - bu kompyuter tomonidan harakatlarni yartuvchi, unga oldindan joylashtirilmagan bilim va malumotlarni avtomat hosil qilishni tashkil etuvchi tadqiaot muhiti hisoblanadi. Mashinali oitish tushunchasi Artur Semyuel tomonidan kiritilgan va u unga yuqiridagi kabi tarif bergan. Mashinali oqitish - bu ma'lumot olish va ulardan axborotlarni chiqrib olish jarayonida kompyuterning aniqligi yaxshilanadigan jarayondir – deb Mayk Robert tarif bergan.Masalan, foydalanuvchilar ozlarini telefonlarida qancha kop matnli xabarlarni yozsa, telefon shuncha kop sozlarni lugatga kiritadi va kiritilayotgan tezda aniqlab avtomat tarzda yakunlash imkonini beradi. Mashinali oitish va uning qollanish maqsadlari-Regressiya va tasniflash vazifalari Data Science mutaxassisi uchun juda muhim rol o'ynaydi. Ushbu maqsadlarga erishish uchun Data Science mutaxassislari foydalanadigan asosiy vositalardan biri bu mashinani o'rganishdir. Regressiya va avtomatik tasniflashning amaliy qo'llanilishi quyidagilardan iborat: Mavjud ob'ektlar haqidagi ma'lumotlar asosida neft konlari, oltin konlari va arxeologik yodgorliklarni qidirish (tasniflash va regressiya).Matnda odamlarning ismlarini yoki joy nomlarini topish (tasniflash).Fotosuratlar yoki ovozli yozuvlar bo'yicha odamlarni aniqlash (tasniflash).Qushlarni ovozlari bo'yicha tanib olish (tasniflash).Foydali mijozlarni aniqlash (regressiya va tasniflash).Avtomobilning eng ko'p buziladigan qismlarini (regressiya) faol ravishda aniqlang.Shishlar va kasalliklarni aniqlash (klassifikatsiyasi).Biror kishi X mahsulotiga sarflaydigan miqdorni bashorat qilish (regressiya).Muayyan vaqt oralig'ida vulqon otilishi sonini bashorat qilish (regressiya). Kompaniyaning yillik daromadini prognoz qilish (regressiya).Futbol bo'yicha Chempionlar ligasida g'olib chiqadigan jamoaning bashorati (tasnifi).Haddan tashqari tafsilotlarga berilmasdan, mashinani o'rganishga turli yondashuvlar ularni muvofiqlashtirish uchun zarur bo'lgan inson mehnati miqdori va etiketli ma'lumotlardan foydalanish usuli bo'yicha tasniflanishi mumkin (ya'ni, toifa berilgan ma'lumotlar yoki oldingi kuzatishlar natijasini ifodalovchi haqiqiy raqam). Mashinali oqitish 3-tipga bolinadi. 1-Oqituvchi bilan oqitish (supervised learning); 2- Oqituvchisiz oqitish (unsupervised learning);3- Qisman boshqarish orqali o`qitish (reinforcement learning)
3. Bir kompyuterda katta malumotlar bilan ishlash- Katta hajimli malumotlar bilan ishlashda mavjud muammolar Katta hajimli malumotlar quyidagi muammolarni keltirib chiqaradi: 1-Xotirani yetishmasligi.2-Tugallanmayd bigan jarayonlar.3-Bir komponentning “tor joyda” joylashuvi boshqa komponentning ishlamasligiga olib keladi.3-Yetarli bolmagan tezlik. Katta hajimli malumotlarni qayta ishlashni umumiy metodlari- Cheksiz hisob-kitoblar, xotiradan tashqari xatolar va tezlik bilan bog'liq muammolar katta ma'lumotlar bilan ishlashda yuzaga keladigan eng keng tarqalgan
15.3
muammolardir. Ushbu bo'limda biz ushbu muammolarni bartaraf etish yoki yumshatish uchun echimlarni o'rganamiz.Qarorlarni uchta toifaga bo'lish mumkin: to'g'ri algoritmlarni tanlash, to'g'ri ma'lumotlar tuzilmalarini tanlash va to'g'ri vositalardan foydalanish. Algoritmni to'g'ri tanlash- To'g'ri algoritmni tanlash apparatni qo'shish yoki yangilashdan ko'ra ko'proq muammolarni hal qiladi. Katta ma'lumotlar bilan ishlash uchun mos bo'lgan algoritm bashorat qilish uchun butun ma'lumotlar to'plamini xotiraga yuklashi shart emas. Ideal holda, algoritm parallel hisoblashni ham qo'llab- quvvatlashi kerak. Ushbu bo'limda biz ushbu xususiyatga ega bo'lgan uchta turdagi algoritmlarni ko'rib chiqamiz: onlayn algoritmlar, blok algoritmlari va MapRaduce algoritmlari. Malumotlat tarkibini togri tanlash-Algoritmlar sizning dasturlaringizning muvaffaqiyati yoki muvaffaqiyatsizligida hal qiluvchi omil bo'lishi mumkin, ammo ma'lumotlarning qanday saqlanishi ham muhimdir. Ma'lumotlar tuzilmalari turli xil saqlash talablariga ega, ammo ular yaratish/o'qish/yangilash/o'chirish(Crud/create/read/update/delete) va boshqa ma'lumotlar to'plami operatsiyalarining ishlashiga ham ta'sir qiladi.Instrumentlarni tog`ri tanlash- Algoritmlar va ma'lumotlar tuzilmalarining to'g'ri sinfini tanlaganingizdan so'ng, to'g'ri vositani tanlashingiz kerak.
4. Ob'ektning geometrik modeli deganda uning konfiguratsiyasi va geometrik parametrlarini yagona aniqlovchi ma'lumotlar to'plami tushuniladi.Hozirgi vaqtda kompyuter texnologiyalaridan foydalangan holda geometrik modellarni avtomatlashtirilgan tarzda yaratishga ikkita yondashuv mavjud.Grafik tasvirlarni yaratishning an'anaviy texnologiyasini ifodalovchi birinchi yondashuv asoslanadi Ikki o'lchovli geometrik modelda va kompyuterdan elektron chizma taxtasi sifatida haqiqiy foydalanish, bu ob'ektni chizish jarayonini tezlashtirish va loyiha hujjatlari sifatini oshirish imkonini beradi. Bu holda markaziy o'rin mahsulotni tekislikda ortogonal proyeksiyalar, ko'rinishlar, kesmalar va bo'limlar shaklida tasvirlash vositasi bo'lib xizmat qiladigan va ishlab chiqarishning texnologik jarayonini ishlab chiqish uchun barcha zarur ma'lumotlarni o'z ichiga olgan chizma hisoblanadi. mahsulot. Ikki o'lchovli modelda mahsulot geometriyasi kompyuterda tekis ob'ekt sifatida ko'rsatiladi, uning har bir nuqtasi ikkita koordinata yordamida ifodalanadi: X va Y.Kompyuter yordamida loyihalashda ikki o'lchovli modellardan foydalanishning asosiy kamchiliklari aniq: Yaratilgan ob'ekt dizayni aqliy ravishda chizmaning alohida elementlari (ortogonal proyeksiyalar, ko'rinishlar, bo'limlar va bo'limlar) shaklida ifodalanishi kerak, bu hatto tajribali ishlab chiquvchilar uchun ham qiyin jarayon bo'lib, ko'pincha mahsulotni loyihalashda xatolarga olib keladi; Chizmadagi barcha grafik tasvirlar (ortogonal proyeksiyalar, ko'rinishlar, bo'limlar, bo'limlar) bir-biridan mustaqil ravishda yaratilgan va shuning uchun assotsiativ bog'liq emas, ya'ni dizayn ob'ektidagi har bir o'zgarish har birida o'zgartirish (tahrir) qilish zaruriyatiga olib keladi. chizmaning mos keladigan grafik tasviri, bu ko'p vaqt talab qiladigan jarayon va mahsulot dizaynini o'zgartirishda katta miqdordagi xatolarning sababi; Olingan chizmalardan tarkibiy qismlardan (agregatlar, yig'ilishlar va qismlar) ob'ektlarni boshqarish moslamalarining kompyuter modellarini yaratish uchun foydalanishning mumkin emasligi; Mahsulotlarni yig'ish birliklarining aksonometrik tasvirlarini, ularning kataloglari va ularni ishlatish bo'yicha qo'llanmalarini yaratishning murakkabligi va yuqori mehnat zichligi; Ikki o'lchovli modellarni ishlab chiqarish tsiklining keyingi bosqichlarida (mahsulot dizayni yaratilgandan keyin) qo'llash samarasizdir. Dizayn ob'ektlarining grafik tasvirlarini ishlab chiqishga ikkinchi yondashuv asoslanadi ob'ektlarning uch o'lchovli geometrik modellaridan foydalanish, avtomatlashtirilgan 3D modellashtirish tizimlarida yaratilgan. Bunday kompyuter modellari dizayn ob'ektlarini tasvirlashning vizual usuli bo'lib, bu ikki o'lchovli modellashtirishning sanab o'tilgan kamchiliklarini bartaraf etish va mahsulot ishlab chiqarishning turli bosqichlarida uch o'lchovli modellarning samaradorligi va ko'lamini sezilarli darajada kengaytirish imkonini beradi. Mahsulot modellarini kompyuterda uch o‘lchamda tasvirlash uchun uch o‘lchovli modellar qo‘llaniladi, ya’ni ob’ektning geometriyasi kompyuterda uchta koordinatadan foydalangan holda tasvirlanadi: X, Y va Z. Bu ob’ekt modellarining aksonometrik proyeksiyalarini qayta qurish imkonini beradi. turli xil foydalanuvchi koordinata tizimlari, shuningdek, ularning aksonometrik ko'rinishlarini istalgan nuqtai nazardan olish yoki ularni istiqbol sifatida tasavvur qilish. Shu sababli, uch o'lchamli geometrik modellar ikki o'lchovli modellarga nisbatan sezilarli afzalliklarga ega va dizayn samaradorligini sezilarli darajada oshirishi mumkin. Uch o'lchovli modellarning asosiy afzalliklari: Tasvir dizayner tomonidan aniq va sodda tarzda qabul qilinadi; Tafsilotli chizmalar avtomatik ravishda olingan proyeksiyalar, ko'rinishlar, uch o'lchovli ob'ekt modelining bo'limlari va bo'limlari yordamida yaratiladi, bu esa chizmalarni ishlab chiqish samaradorligini sezilarli darajada oshiradi; Uch o'lchovli modeldagi o'zgarishlar avtomatik ravishda ob'ekt chizmasining assotsiativ grafik tasvirlarida mos keladigan o'zgarishlarni keltirib chiqaradi, bu sizga chizmalarni tezda o'zgartirish imkonini beradi; Virtual boshqaruv agregatlarining uch o'lchamli modellarini va mahsulot kataloglarini yaratish mumkin; Operatsion eskizlarni yaratish uchun 3D modellardan foydalaniladi texnologik jarayonlar texnologik asbob-uskunalarning qismlari
15.4
va shakllantirish elementlarini tayyorlash: shtamplar, qoliplar, quyma qoliplar; Uch o'lchovli modellar yordamida ishlab chiqarishdan oldin ularning ishlashini aniqlash uchun mahsulotlarning ishlashini simulyatsiya qilish mumkin; Uch o'lchovli modellar raqamli boshqaruvga ega ko'p koordinatali dastgohlar ishchi organlarining harakat traektoriyalarini avtomatik dasturlash uchun avtomatlashtirilgan dasturlarni tayyorlash tizimlarida qo'llaniladi; Ushbu afzalliklar avtomatlashtirilgan boshqaruv tizimlarida 3D modellardan samarali foydalanish imkonini beradi. hayot davrasi mahsulotlar. 3D modellarning uchta asosiy turi mavjud: - ramka (sim), unda tasvirlar cho'qqilarning koordinatalari va ularni bog'laydigan qirralar bilan ifodalanadi; - yuzaki , yaratilgan ob'ekt modelini chegaralovchi sirtlar bilan ifodalanadi; - qattiq holat , qattiq jismlar modellaridan hosil bo'lgan; - gibrid .Uch o'lchovli grafik modellar uch o'lchovli fazoda joylashgan ob'ektning barcha grafik ibtidoiylari haqida ma'lumotni o'z ichiga oladi, ya'ni har bir nuqtasi uchta koordinata (X, Y, Z) bo'lgan uch o'lchovli ob'ektning raqamli modeli qurilgan. simli ramka modeli ob'ektning uch o'lchamli tasvirini ob'ekt yuzlarining kesishish chiziqlari shaklida ifodalaydi. Misol tariqasida, 10.1-rasmda tetraedrning ichki hisob-kitoblarining kompyuter modelining sim ramkasi va ma'lumotlar strukturasi ko'rsatilgan.Yuzaki odellarda ob'ektning uch o'lchovli tasviri alohida sirtlar to'plami sifatida ifodalanadi.Uch o'lchovli sirt modellarini yaratishda analitik va spline sirtlari qo'llaniladi.Analitik yuzalar(tekislik, silindr, konus, shar va boshqalar) matematik tenglamalar bilan tavsiflanadi. Yuzaki modellarning kamchiliklari: Ob'ektning kesimida tekisliklar faqat ob'ekt sirtlarining kesish tekisliklari bilan kesishish chiziqlari bo'ladi;Ob'ektlarni qo'shish, ayirish va kesishning mantiqiy amallarini bajarish mumkin emas.Yuzaki modellarning afzalliklari:Ob'ektning aniq ifodalanishi;Murakkab sirtli ob'ektlarning modellarini yaratish imkoniyati.Uch o'lchovli sirt modellari nisbiy qalinligi yaratilgan ob'ekt modellarining o'lchamlaridan (kema korpusi, samolyot fyuzelyaji, avtomobil tanasi va boshqalar) ancha kichik bo'lgan sirtlardan tashkil topgan murakkab ob'ektlar modellarini yaratishda keng qo'llanilishini topdi.Bundan tashqari, sirt modellari sirt cheklangan modellar yordamida gibrid qattiq modellarni yaratishda, ob'ektning murakkab sirtlari tufayli qattiq modelni yaratish juda qiyin yoki imkonsiz bo'lganda qo'llaniladi. Geometrik model mahsulot mos kelishi kerak bo'lgan ideal shaklni o'rnatish uchun zarur va jismoniy tananing modeli mahsulot ishlab chiqarilgan materialni va haqiqiy mahsulotlarning ideal shakldan ruxsat etilgan og'ishlarini tavsiflashi kerak.Geometrik modellar geometrik modellashtirish dasturlari yordamida, jismoniy tana modellari esa ma'lumotlar bazasini yaratish va texnik xizmat ko'rsatish vositalaridan foydalangan holda yaratiladi. Geometrik model o'ziga xos matematik model sifatida mavhum geometrik jismlarning ma'lum bir sinfini va ular orasidagi munosabatlarni qamrab oladi. Matematik munosabat - bu mavhum ob'ektlarni bog'laydigan qoida. Ular operandlar deb ataladigan bir (unar operatsiya), ikkita (ikkilik operatsiya) yoki undan ortiq ob'ektlarni boshqa ob'ekt yoki ob'ektlar to'plami (operatsiya natijasi) bilan bog'laydigan matematik amallar yordamida tasvirlangan.Geometrik modellar, qoida tariqasida, to'g'ri to'rtburchaklar koordinatalar tizimida yaratiladi. Geometrik ob'ektlarni aniqlash va parametrlashda bir xil koordinatalar tizimlari mahalliy kabi ishlatiladi.
5. ACID relyatsion ma’lumotlar bazasini bazaviy prinsplari Bu g'oya o'z-o'zidan chiqqan yangi g'oya emas. Dastabki kompyuterlardayoq norelyatsion ma'lumotlar omborlaridan foydalanish boshlangan. Norelyatsion ma'lumotlar bazasi meynfreymlar davrida rivojlandi. 2000 yillarning boshida Google o'zining keng miqyosli va izchil izlash tizimini va ilovalarini yaratdi. Ular GMail, Google Maps, Google Earth tizimlari bo'lib, miqyoslilik va katta hajmdagi ma'lumotni parallel qayta ishlashga asoslangan. Relyatsion ma'lumotlar bazasi tranzaksion tizimning ACID talablari asosida tashkil etilgan. Bu atama atomicity(atomar), consistency(izchillik), isolation(izolyatsiya), durability(ishonchlilik) so'zlaridan olingan. Shunga o'xshash NoSQL ma'lumotlar bazalari ham BASE talablariga tayanadi. Bu talablar quyidagilar. basic availability (bazaviy yaroqlilik)-har bir so'rov kafolatgan bo'lishi kerak. soft state (moslashuvchan holat) - ma'lumotlar mosligini ta'minlash uchun tizim holati vaqti-vaqti bilan ma'lumot kiritilmasa ham o'zgarib turishi mumkin. eventual consistency (oxir-oqibatda muvofiqlashish) - ma'lumotlar ma'lum bir vaqt uchun nomuvofiq bo'lishi mumkin, lekin bir muncha vaqt o'tgach muvofiqlashadi. NoSQL qisqartmasi 1998-yilda yaratilgan. Ba'zilar NoSQLni SQLni siqib chiqarish uchun yaratilgan kamsitish atamasi deb hisoblashadi. Aslida, atama faqat SQL emas. Ushbu g'oya shundan iboratki, har ikkala texnologiya ham birlashishi mumkin va ularning har biri o'z o'mini egallaydi. NoSQL-harakati so'nggi bir necha yil ichida yangiliklar bo'ldi, chunki Web 2.0 rahbarlarining ko'pchiligi NoSQL texnologiyasini qabul qildilar. Facebook, Twitter, Digg, Amazon, Linkedln va Google kabi kompaniyalar NoSQL-dan foydalana boshlashdi.ACID qisqartma boʻlib, tranzaksiyani belgilaydigan 4 ta asosiy xususiyat toʻplamini bildiradi: Atomlik, Konsistentlik, Izolyatsiya va Chidamlilik. Agar ma'lumotlar bazasi operatsiyasi ushbu ACID xususiyatlariga ega bo'lsa, uni ACID tranzaksiyasi deb atash mumkin va bu operatsiyalarni qo'llaydigan ma'lumotlarni saqlash tizimlari tranzaksiya tizimlari deb ataladi.