Mashinali o'qitishda modellashtirish jarayoni

Mashinali o'qitishda modellashtirish jarayoni.

Mashinali o’qitishda modellashtirish jarayoni odatda quyidagi asosiy bosqichlardan iborat:

1. 
   Ma'lumotlarni dastlabki qayta ishlash (Data Preprocessing):
   

Ma'lumot to'plash: Ushbu bosqichda modelni o'qitish uchun zarur bo'lgan ma'lumotlar manbalari to'planadi. Bu xususiyatlar (features) va maqsadli o'zgaruvchi (target) haqidagi ma'lumotlarni o'z ichiga olishi mumkin.

Ma'lumotlarni tozalash: yetishmayotgan qiymatlarni yo'q qilish yoki to'ldirish, chet va anomaliyalarni qayta ishlash.
Masshtablash va normallashtirish: xususiyatlarni bir xil shkalaga olib kelish, bu model ish faoliyatini yaxshilashi mumkin.
Kategorik o'zgaruvchan kodlash: kategorik ma'lumotlarni raqamli formatga aylantirish.

2. 
   Model tanlash (Model Selection):
   

Model turini tanlash: vazifa uchun qaysi turdagi mashinali o’qitish modeli (masalan, chiziqli regressiya, qarorlar daraxtlari, neyron tarmoqlar) ishlatilishini aniqlash.

Ma'lumotlarni taqsimlash: Model unumdorligini baholash uchun ma'lumotlarni o'quv to’plami va sinov to'plamlariga bo'lish.

3. 
   Model tayyorlash (Model Training):
   

Trening jarayoni: bashorat qilish xatosini minimallashtirish maqsadida model parametrlarini sozlash uchun o'quv ma'lumotlar to'plamidan foydalanish.

Modelni tekshirish: Modelning umumlashtirish qobiliyatini sinab ko'rish uchun kechiktirilgan ma'lumotlar namunasi (validatsiya to'plami) bo'yicha modelning unumdorligini baholash.

4. 
   Modelni baholash (Model Evaluation):
   

Ko'rsatkichlardan foydalanish: O'rtacha kvadrat xatolik (MSE), aniqlik, F1 o'lchovi va boshqalar kabi ko'rsatkichlar yordamida model unumdorligini baholash.

Haddan tashqari moslashishni baholash: Modelning haddan tashqari mos kelishi yoki mos kelmasligini tekshirish.

5. 
   Modelni sozlash (Model Tuning):
   

Giperparametrlarni optimallashtirish: Yaxshiroq natijalarga erishish uchun modelning giperparametrlarini sozlash.

O'zaro tekshirish: model unumdorligini yanada ishonchli baholash uchun o'zaro tekshirish usullaridan foydalanish.

6. 
   Modelni joylashtirish (Model Deployment):
   

Modelni joylashtirish: o'qitilgan modelni amaliy foydalanish uchun haqiqiy dastur yoki tizimga integratsiya qilish.

Ishlash monitoringi: Modelning unumdorligini kuzatib borish va agar talab qilinsa, uni muntazam yangilab turish.

7. 
   Iterativ jarayon (Iterative Process):
   

Mashinali o’qitish asosan takrorlanuvchi jarayon bo'lib, u yangi ma'lumotlar va fikr-mulohazalar asosida modelni o'qitish, baholash va takomillashtirishning takroriy sikllarini o'z ichiga oladi.

Bu bosqichlar mashinali o’qitishda umumiy modellashtirish jarayonini ifodalaydi, bu aniq vazifa va o'qitish usuliga qarab farq qilishi mumkin. Ma'lumotlarni to'g'ri tayyorlash, mos modelni tanlash va uning unumdorligini baholash mashinali o’qitish modelini muvaffaqiyatli yaratishda muhim rol o'ynaydi.

Ma'lumotlarni dastlabki qayta ishlash bosqichi

1. Ma'lumotlarni yig'ish: Birinchidan, modelni o'rgatish va sinab ko'rish uchun foydalaniladigan ma'lumotlarni to'plash kerak. Bu savdo ma'lumotlari, mijozlar ma'lumotlari, tibbiy yozuvlar, tasvirlar va boshqalar bo'lishi mumkin. Ma'lumotlar bazalari, CSV fayllari, sensorlar va Internet kabi turli manbalardan to'planishi mumkin.

2. Ma'lumotlarni tozalash: Ma'lumot to'plagandan so'ng, xato va noaniqliklarni tekshirish kerak. Bunda quyidagilar bajariladi:

Bo'sh qiymatlarni olib tashlash: Agar ma'lumotlardagi ba'zi yacheykalar bo'sh bo'lsa, ularni o'chirish yoki to'ldirish kerak (masalan, o'rtacha qiymat bilan).

Cheklangan qiymatlarni qayta ishlash: Agar o’rtachadan tashqarida bo'lgan anomal qiymatlar mavjud bo'lsa (masalan, haqiqiy bo'lmagan yuqori yoki past qiymat), ularni olib tashlash yoki sozlash mumkin.
Kategorik o'zgaruvchilarni kodlash: Agar ma'lumotlarda kategorik o'zgaruvchilar mavjud bo'lsa (masalan, "Qizil", "Ko'k", "Yashil"), modelda foydalanish uchun ularni raqamlar bilan kodlash kerak.
3. Masshtablash va normallashtirish: Ba'zi hollarda ma'lumotlardagi xususiyatlar turli qiymat oralig'iga ega bo'lishi mumkin. Xususiyatlarni adolatli taqqoslashni ta'minlash uchun ularni masshtablash yoki normallashtirish mumkin. Masalan, xususiyatlarni 0 dan 1 gacha qisqartirish mumkin.

4. Ma'lumotlarni ajratish: Modelni o'rgatish va sinab ko'rish uchun ma'lumotlarni ikki qismga bo'lish kerak: o'quv to'plami va test to'plami. O'quv majmuasi modelni o'rgatish uchun ishlatiladi va test majmuasi uning unumdorligini tekshirish uchun ishlatiladi. Bu model yangi ma'lumotlarda qanchalik yaxshi ishlashini baholashga yordam beradi.

5. Vaqtinchalik ma'lumotlarini qayta ishlash: Agar ma'lumotlar vaqt seriyasini o'z ichiga olsa (masalan, kunlik savdo ma'lumotlari), qo'shimcha ishlov berishni amalga oshirish mumkin, masalan, harakatlanuvchi o'rtacha ko'rsatkichlarni yaratish yoki vaqt xususiyatlarini (hafta kuni, oy va boshqalar) inobatga olish.

6. Sinfni muvozanatlash (agar kerak bo'lsa): Tasniflash muammolarida, agar sinflar muvozanatsiz bo'lsa (bir sinf boshqasiga qaraganda ancha keng tarqalgan bo’lsa), statistik darajadagi modelning bir sinfga ustunlik berishiga yo'l qo'ymaslik uchun muvozanatlash usullari qo'llanilishi mumkin.

7. Xususiyat muhandisligi: Ba'zi hollarda, mavjud ma'lumotlarga asoslanib, model unumdorligini yaxshilashi mumkin bo'lgan yangi xususiyatlarni yaratish foydali bo'ladi.

Bu ketma-ketlikni bajargandan so'ng, modelni o'rgatish uchun toza, foydalanishga tayyor ma'lumotlarga ega bo'linadi. Bu modelga qonuniyatlarni yaxshiroq aniqlash va aniq bashorat qilish imkonini beradi.
Mashinali o’qitishda Modelni tanlash bosqichi

Bu bosqich ma'lum bir muammoni hal qilish uchun qanday turdagi model ishlatilishini aniqlashdan iborat.

1. Muammoni tushunish: Birinchi qadam, yechimi qidirilayotgan muammoni to'liq tushunishdir. Muammo tasniflash (ob'ektlarni toifalarga bo'lish), regressiya (raqamli qiymatni bashorat qilish), klasterlash (o'xshash ob'ektlarni guruhlash) yoki boshqa turdagi muammo ekanligini aniqlash zarur.

2. Ma'lumotlarni o'rganish: Qaysi xususiyatlar mavjudligi va ularning maqsadli o'zgaruvchiga qanday aloqasi borligini tushunish uchun dastlabki ma'lumotlarni tahlilini o'tkazish lozim. Bu qaysi modellar eng mos kelishi mumkinligini aniqlashga yordam beradi.

3. Modelni tanlash: Bunda muammoni hal qilish uchun ishlatilishi mumkin bo'lgan potentsial modellar ro'yxati tuziladi. Masalan, tasniflash muammosi uchun logistik regressiya, qaror daraxtlari, tasodifiy o'rmon, vektor mashinasini qo'llab-quvvatlash va boshqalarni ko'rib chiqish mumkin.

4. Modellarni baholash: Bunda har bir modelni o'quv ma'lumotlar to'plamidan foydalangan holda dastlabki darajada baholash kerak. Bu muammo turiga qarab aniqlik, o'rtacha kvadrat xato (MSE) yoki boshqalar kabi ko'rsatkichlar yordamida amalga oshirilishi mumkin.

5. Modellarni solishtirish: Har bir modelning ishlashini solishtirib va o'quv ma'lumotlar to'plamida eng unumdorini tanlash lozim. Modelning test ma'lumotlari bo'yicha unumdorligi (test jarayonidagi natijalari) ham juda muhim.

6. Giperparametrlarni optimallashtirish: Modelni tanlagandan keyin ham yaxshi unumdorlikka erishish uchun uning giperparametrlarini (masalan, tasodifiy o'rmondagi daraxt chuqurligi yoki logistik regressiyada tartibga solish koeffitsienti) sozlash kerak bo'lishi mumkin.

7. Sinov ma'lumotlarini sinovdan o'tkazish: Modelni tanlagandan va sozlagandan so'ng, uning unumdorligini dastlabki o'qitish uchun ishlatilmagan test ma'lumotlari to'plamida tekshirish kerak. Bu model ma'lumotlarni qanchalik umumlashtirishini baholash imkonini beradi.

8. Takrorlash (Iteratsiya) va takomillashtirish: Model tanlash iterativ jarayon bo'lishi mumkinligini tushunish muhim. Agar tanlangan model talablarga javob bermasa, uni tanlash bosqichiga qaytish yoki boshqa modellarni sinab ko'rish kerak bo'ladi.

To'g'ri (mos) modelni tanlash mashinali o’qitish muammosini muvaffaqiyatli hal qilishda muhim rol o'ynaydi. Eng yaxshi natijalarga erishish uchun u ma'lumotlar turiga va muammoning tabiatiga moslashtirilgan bo'lishi kerak.

Modelni o'qitish (Model Training) bosqichi.
Bu bosqich yangi ma'lumotlar bo'yicha bashorat qilish uchun o'quv ma'lumotlaridan foydalangan holda model parametrlarini sozlashdan iborat.

1. Modelni tanlash: Bunda avvalgi Modelni tanlash bosqichiga asoslanib o'rgatmoqchi bo'lgan modelni tanlanadi. Masalan, bu chiziqli regressiya, qarorlar daraxti, neyron tarmoq yoki boshqa turdagi model bo'lishi mumkin.

2. O’rgatiladigan ma'lumotlarini tayyorlash: O’quv ma'lumotlari foydalanishga tayyor bo'lishi kerak. Ular ma'lumotlarni tayyorlash bosqichida, jumladan yetishmayotgan qiymatlarni olib tashlash, kategorik o'zgaruvchilarni kodlash va hokazolarni oldindan qayta ishlanishi kerak.

3. Modelni o'rgatish: Modelni o'qitish jarayoni uning parametrlarini ma'lumotlardagi bog’liqliklarni "tushunishi" uchun sozlashdir. Bu o’quv ma'lumotlarida bashorat qilish xatosini minimallashtiradigan model parametrlarini tanlash orqali amalga oshiriladi. Model qaysi kirishlar qaysi chiqishlarga mos kelishini "o'rganadi".

4. Faoliyatni baholash: Modelni o'rgatishda uning unumdorligini o'quv ma'lumotlari bo'yicha baholash muhimdir. Regressiya muammolari uchun bu o'rtacha kvadrat xato (MSE), tasniflash muammolari uchun esa aniqlik kabi usullar bo'lishi mumkin. Unumdorlikni baholash modelning ma'lumotlarga qanchalik mos kelishini aniqlashga yordam beradi.

5. Takrorlashlar (Iteratsiyalar): samaradorlikni baholash natijalariga ko'ra, modelni o'qitishning bir necha iteratsiyasini o'tkazish kerak bo'lishi mumkin. Yaxshiroq natijalarga erishish uchun model parametrlari yoki maʼlumotlarini oʻzgartirish kerak boʻlishi mumkin.

6. Qayta o’qitishni nazorat qilish: Modelni o'qitishning asosiy jihatlaridan biri bu ortiqcha moslikni nazorat qilishdir. Bu model o'quv ma'lumotlarini "eslab qolish"da juda yaxshi bo'lsa, lekin yangi ma'lumotlar bo'yicha yaxshi bashorat qila olmaganida sodir bo'ladi. Haddan tashqari moslashishga qarshi kurashish uchun tartibga solish usullari va modelni tekshirish qo'llaniladi.

7. Modelni saqlash: Modelni muvaffaqiyatli o'rgatgandan va o'quv ma'lumotlari bo'yicha yaxshi natijalarga erishgandan so'ng, model yangi ma'lumotlarda keyingi foydalanish uchun saqlanishi mumkin.

Shuni esda tutish kerakki, modelni o'qitish bu modelga ma'lumotlardagi bog’liqliklarni aniqlash imkonini beruvchi sozlash jarayonidir. Maqsad - bilimlarni o'quv ma'lumotlaridan yangi, ilgari ko'rilmagan ma'lumotlarga umumlashtirishga qodir bo'lgan modelni yaratish.

Mashinali o'qitishning Modelni baholash (Model Evaluation) bosqichi

Bu modelning yangi ma'lumotlar bo'yicha bashorat qilish qobiliyatini aniqlash uchun mo'ljallangan.

1. Sinov ma'lumotlarini tayyorlash: Modelning ishlatishdan oldin test ma'lumotlarini tayyorlash kerak. Ushbu ma'lumotlar model real dunyoda qo'llaniladigan ma'lumotlarga o'xshash bo'lishi kerak. Model ilgari ushbu ma'lumotlarni ko'rmaganligini ta'minlash uchun test ma'lumotlar to'plami o'quv to'plami bilan mos kelmasligi kerak.

2. Bashorat: O'qitilgan modeldan foydalanib, test ma'lumotlari bo'yicha bashorat qilish. Model test to'plamidan kiritilgan ma'lumotlarga asoslangan qiymatlarni (masalan, tasniflash muammosidagi sinflar yoki regressiya muammosidagi raqamli qiymatlar) bashorat qiladi.

3. Ko'rsatkichlarni hisoblash: Modelning bashoratlarini olgandan so'ng, ularni test ma'lumotlaridagi haqiqiy qiymatlar bilan solishtirish. Bu model unumdorligining turli ko'rsatkichlarini hisoblash imkonini beradi. Mana ulardan ba'zilari:

Tasniflash masalalari uchun: aniqlik, F1-o'lchov, xato matritsasi va boshqalar.

Regressiya masalalari uchun: o'rtacha kvadrat xato (MSE), aniqlash koeffitsienti (R^2) va boshqalar.
4. Natijalarni sharhlash: Modelning unumdorlik ko'rsatkichlarini tushunish uning qanchalik yaxshi unumdorligini baholashga yordam beradi. Masalan, model qancha to'g'ri bashorat qilganligini (tasniflash muammosida) yoki bashorat qilingan qiymatlar haqiqiy qiymatlarga qanchalik yaqinligini aniqlashingiz mumkin (regressiya muammosida).

5. Asosiy model bilan taqqoslash: Ba'zida modelingizning unumdorligini tasodifiy taxmin yoki doimiy qiymat kabi asosiy model bilan solishtirish foydali bo'ladi. Bu modelni haqiqatda bashoratlarini yaxshilayaptimi yoki yo'qligini tushunishga imkon beradi.

6. Qaror qabul qilish: Modelni baholash natijalariga ko'ra, uning haqiqiy qo'llanilishiga muvofiqligi to'g'risida qaror qabul qilish mumkin. Model talablarga javob bermasa, o'quv bosqichiga qaytish yoki qo'shimcha tuzatishlar kiritish kerak bo'lishi mumkin.

7. Natijalarni hujjatlashtirish: Modelni baholash natijalarini, shu jumladan tanlangan ko'rsatkichlarni va qanday xulosalar chiqarilganligini tushuntirishni hujjatlashtirish muhim. Bu esa modelning unumdorligini tushunishga yordam beradi.

Modelni baholash mashinali o'qitishda muhim qadamdir, chunki u modelning yangi ma'lumotlarda qanchalik yaxshi unumdorligini va uning maqsadga muvofiqligini aniqlash imkonini beradi.

Mashinali o’qitishda Modelni sozlash (Model Tuning) bosqichi.
Bu bosqich modelning parametrlari va giperparametrlarini sozlash orqali uning unumdorligini yaxshilashga qaratilgan.

1. Parametrlar va giperparametrlar: Mashinali o’qitishda model ikki xil sozlanishi parametrlarga ega:

Model parametrlari: Ushbu parametrlar o’qitish davomida aniqlanadi va modelning ma'lumotlardagi bog’liqliklarni aniqlash qobiliyatiga bevosita ta'sir qiladi. Parametrning misoli chiziqli regressiyadagi og'irlik qiymati bo'lishi mumkin.

Giperparametrlar: Bular o'quv jarayonidan tashqarida sozlangan va modelning umumiy xatti-harakatiga ta'sir qiluvchi parametrlardir. Giperparametrlarga misollar tasodifiy o'rmonlardagi daraxtlarning chuqurligini yoki neyron tarmoqlarni o'rganish tezligini o'z ichiga oladi.
2. Modelni sozlashning ahamiyati: barcha muammolarga mos keladigan universal parametr qiymatlari va giperparametrlar mavjud emas. Har bir vazifa va ma'lumotlar to'plami unikaldir, shuning uchun modelni sozlash optimal unumdorlikga erishish imkonini beradi.

3. Modelni sozlash usullari: Modelni sozlashning bir necha yo'li mavjud:

Giperparametrlarni o'zgartirish: Turli xil giperparametr qiymatlari bilan tajriba o'tkazish mumkin, masalan, daraxtlarning chuqurligini yoki o'rganish tezligini oshirish yoki kamaytirish.

O'zaro tekshirishdan foydalanish: Bu ma'lumotlar bir nechta kichik to'plamlarga bo'lingan va model turli ma'lumotlar to'plamlarida bir necha marta o'qitiladigan va sinovdan o'tkaziladigan usul. Bu model yangi ma'lumotlarda qanday ishlashini baholashga va optimal giperparametrlarni tanlashga yordam beradi.
Muntazamlashtirish (tizimlashtirish): Ba'zi modellar tartibga solishni qo'llab-quvvatlaydi, bu haddan tashqari moslashishni nazorat qilish va modelni umumlashtirish qobiliyatini yaxshilashga yordam beradi.
4. Tyuningni baholash: Modelni sozlash qanchalik muvaffaqiyatli bo'lganligini baholash muhim. Bu aniqlik, o'rtacha kvadrat xato va muammo turiga mos keladigan boshqa ko'rsatkichlar yordamida modelning sozlashdan oldin va keyin unumdorligini solishtirish orqali amalga oshiriladi.

5. Takrorlashlar (Iteratsiyalar) va tajribalar: Modelni sozlash giperparametrlarni o'zgartirish, modelni o'rgatish, natijalarni baholash va o'zgartirishlar kiritish uchun bir nechta takrorlashni talab qilishi mumkin.

6. Optimal modelni saqlash: Modelni muvaffaqiyatli sozlagandan so'ng, real hayot muammolarida foydalanish uchun sozlangan modelni saqlash.

Modelni sozlash - bu muayyan muammoni hal qilishda muvaffaqiyatli bo'lishi uchun uni sozlash jarayoni. To'g'ri sozlangan model uning ish faoliyatini va to'g'ri bashorat qilish qobiliyatini sezilarli darajada yaxshilashi mumkin.

Mashinali o'qitishning Modelni joylashtirish (Model Deployment) bosqichi.

Bu real sharoitda yangi ma'lumotlar bo'yicha bashorat qilish uchun o'qitilgan modeldan foydalanishni o'z ichiga oladi.

1. Trening va sinov tugallanishi: O'qitish, baholash va modelni sozlash bosqichlaridan o'tgandan keyin model o'qitilgan va foydalanishga tayyor.

2. Ishlab chiqarish muhitiga integratsiya qilish: Model real hayotda ishlatilishi uchun u ishlab chiqarish muhiti yoki ilovaga integratsiyalangan bo'lishi kerak. Bu modelga boshqa ilovalardan kirish uchun API yaratish yoki modelni to‘g‘ridan-to‘g‘ri veb-xizmatga joylashtirishni o‘z ichiga olishi mumkin.

3. Kirish ma'lumotlarini qayta ishlash: Ma'lumotni bashorat qilish uchun modelga o'tkazishdan oldin, kirish ma'lumotlari model kutgan formatga mos kelishiga ishonch hosil qilish. Masshtablash yoki kategorik xususiyatlarni kodlash kabi ma'lumotlarni oldindan qayta ishlashni amalga oshirish kerak bo'lishi mumkin.

4. Prognozlarni olish: Ilova yoki xizmat modelga ma'lumot yuborishi mumkin va model bashorat qilingan natijani qaytaradi. Misol uchun, agar spam-xatlarni aniqlash uchun model mavjud bo'lsa, dastur xabar matnini modelga yuboradi va u xabar spam yoki yo'qligi haqida bashoratni qaytaradi.

5. Chiquvchi ma’lumotlarni qayta ishlash: Model bashoratlari ularni ilovada yoki qaror qabul qilishda ishlatilishi mumkin bo'lgan formatga kiritish uchun qo'shimcha ishlov berishni talab qilishi mumkin.

6. Jarayonlarga integratsiya: bashoratlar olingandan so'ng, ular jarayonlarga qo'shilishi mumkin. Misol uchun, savdo bashorati inventarizatsiyani boshqarish uchun ishlatilishi mumkin va mijozlarning hatti-harakatlarini bashorat qilish marketing kampaniyalarini shaxsiylashtirish uchun ishlatilishi mumkin.

7. Monitoring va texnik xizmat ko'rsatish: Model doimiy monitoring va texnik xizmat ko'rsatishni talab qiladi. Vaqt o'tishi bilan ma'lumotlar o'zgarishi mumkin va model o’zgarishlarga mos bo'lmasligi mumkin. Shuning uchun, modelning unumdorligini muntazam ravishda tekshirish va kerak bo'lganda uni yangilab turish muhimdir.

8. Xavfsizlik va maxfiylik: Model tomonidan qayta ishlangan ma'lumotlarning maxfiyligini himoya qilish va mumkin bo'lgan hujumlar yoki ma'lumotlar ruxsatsiz chiqishining oldini olish.

9. Masshtablash: Agar modeldan foydalanish soni ko’payib borayotgan bo'lsa va u ko'proq ma'lumotlarni qayta ishlasa, infratuzilma yuqori unumdorlikni saqlab qolish uchun masshtablasha olishiga ishonch hosil qilish.

Modelni qo'llash real sharoitlarda modelni o'qitish natijalaridan foyda olish imkonini beruvchi yakuniy bosqichdir. Bu mashinali o’qitishni jarayonlar va ilovalariga integratsiya qilish uchun muhim qadamdir.

Mashinali o’qitishda iterativ jarayon - bu modelni yaxshilash uchun bir necha marta bajariladigan takroriy qadamlar ketma-ketligidir.

1. Iteratsiya: Iteratsiya jarayonining g'oyasi shundaki, birinchi urinishda mukammal model yaratish qiyin bo'lishi mumkin. Shuning uchun model kerakli natijalarga erishish uchun bir necha marta o'qitiladi, baholanadi va takomillashtiriladi.

2. Modelni dastlabki o'rgatish: Iteratsiya bosqichida modelni o'quv ma'lumotlariga o'rgatishdan boshlanadi. Model bog’liqliklarni tushunish uchun ushbu ma'lumotlar asosida sozlangan va o'qitilgan.

3. Unumdorlikni baholash: Modelni o'rgatgandan so'ng, uning unumdorligini test ma'lumotlari yoki o'zaro tekshirish yordamida baholanadi. Bu model vazifani qanchalik yaxshi bajarayotganini tushunishga yordam beradi.

4. Natijalarni tahlil qilish: Modeldagi zaif tomonlarni aniqlash va qayerda noto'g'ri ketayotganini tushunish uchun unumdorlikni baholash natijalarini tahlil qilish.

5. Takrorlash (iteratsiya) va takomillashtirish: Natijalarni tahlil qilish asosida modelga o'zgartirishlar kiritiladi. Bunga giperparametrlarni o'zgartirish, xususiyatlarni qo'shish yoki o'chirish, boshqa modeldan foydalanish va h.k. kiradi.

6. Siklni takrorlash: Modelni o'rgatish, baholash va takomillashtirish jarayoni kerakli unumdorlik darajasiga erishilgunga qadar bir necha marta takrorlanadi. Har bir iteratsiya yaxshilanishlarni olib keladi va model yanada aniqroq bo'ladi.

7. Tugallangan modelni baholash: Bir necha iteratsiyadan so'ng, model sinov ma'lumotlari bo'yicha qoniqarli unumdorlik darajasiga etganida, uni to'liq deb hisoblash mumkin.

8. Monitoring va texnik xizmat ko'rsatish: Model tugallangandan keyin ham uning unumdorligini kuzatish muhim, chunki ma'lumotlar vaqt o'tishi bilan o'zgarishi mumkin. Agar modelning unumdorligi pasaysa, uni yaxshilash uchun yangi iteratsiyani amalga oshirish kerak.

Takrorlash jarayoni (iteratsiya) muammoning talablariga yaxshiroq javob beradigan modelni yaratishga yordam beradi, chunki har bir iteratsiya oldingi natijalarni hisobga olishga va modelni o'zgaruvchan sharoitlarga yanada aniqroq va moslashishga imkon beradi. Bu jarayon muvaffaqiyatli mashinali o’qitish uchun muhim kalit hisoblanadi.