Mustaqil ishi Mavzu: Mashinali o’qitishda sinflashtirish masalalari. O’qitish jarayonida regulyarizatsiyalash Topshirdi : Sultanov I qabul qildi: Bekniyazova n nukus 2023 Mundarija

Mashinada o'qitish algoritmlarining turlari
Mashinada o'qitish algoritmlarining turlari yondashuvi, ular kiritadigan va chiqaradigan ma'lumotlar turi, echishga mo'ljallangan vazifa yoki muammo turlari bilan farq qiladi.
Nazorat ostida o'rganish
Asosiy maqola: Nazorat ostida o'rganish

A qo'llab-quvvatlash vektor mashinasi bu ma'lumotni a bilan ajratilgan mintaqalarga ajratadigan nazorat ostida o'qitish modeli chiziqli chegara. Bu erda chiziqli chegara qora doiralarni oqdan ajratadi.
Nazorat ostidagi o'qitish algoritmlari ma'lumotlar va kerakli natijalarni o'z ichiga olgan ma'lumotlar to'plamining matematik modelini tuzadi. Ma'lumotlar sifatida tanilgan o'quv ma'lumotlari, va o'quv misollari to'plamidan iborat. Har bir o'quv namunasi bir yoki bir nechta ma'lumotlarga ega va kerakli signal, shuningdek nazorat signallari deb nomlanadi. Matematik modelda har bir o'quv misoli an bilan ifodalanadi qator yoki vektor, ba'zan xususiyat vektori deb ataladi va o'qitish ma'lumotlari a bilan ifodalanadi matritsa. Orqali takroriy optimallashtirish ning ob'ektiv funktsiya, boshqariladigan o'quv algoritmlari yangi kirishlar bilan bog'liq natijalarni bashorat qilish uchun ishlatilishi mumkin bo'lgan funktsiyani o'rganadi. Optimal funktsiya algoritm o'quv ma'lumotlarining bir qismi bo'lmagan ma'lumotlar uchun chiqishni to'g'ri aniqlashga imkon beradi. Vaqt o'tishi bilan uning chiqishi yoki prognozlarining aniqligini yaxshilaydigan algoritm ushbu vazifani bajarishga o'rgangan deb aytiladi.
Nazorat ostidagi o'qitish algoritmlari turlari kiradi faol o'rganish, tasnif va regressiya. Chiqishlar cheklangan qiymatlar to'plami bilan cheklangan bo'lsa, tasniflash algoritmlari, natijalar oralig'ida har qanday sonli qiymat bo'lishi mumkin bo'lgan hollarda regressiya algoritmlari qo'llaniladi.
Misol tariqasida, elektron pochta xabarlarini filtrlaydigan tasniflash algoritmi uchun kirish kiruvchi elektron pochta, natijada elektron pochta manzilini yuboradigan papkaning nomi bo'ladi.
O'xshashlikni o'rganish regressiya va tasniflash bilan chambarchas bog'liq bo'lgan boshqariladigan mashinani o'rganish sohasidir, ammo maqsad ikkita ob'ektning o'xshash yoki bog'liqligini o'lchaydigan o'xshashlik funktsiyasidan foydalangan holda misollardan o'rganishdir. Uning dasturlari mavjud reyting, tavsiya tizimlari, vizual identifikatsiyani kuzatish, yuzni tekshirish va karnayni tekshirish.
Nazorat qilinmagan o'rganish
Asosiy maqola: Nazorat qilinmagan o'rganish
Shuningdek qarang: Klaster tahlili
Nazorat qilinmagan o'qitish algoritmlari faqat ma'lumotni o'z ichiga olgan ma'lumotlar to'plamini oladi va ma'lumotlar nuqtalarini guruhlash yoki klasterlash kabi ma'lumotlar tarkibida tuzilmani topadi. Shuning uchun algoritmlar yorliqlanmagan, tasniflanmagan yoki tasniflanmagan test ma'lumotlaridan o'rganadi. Fikr-mulohazalarga javob berish o'rniga, nazoratsiz o'qitish algoritmlari ma'lumotlarning umumiy tomonlarini aniqlaydi va har bir yangi ma'lumotlar tarkibida bunday umumiylik bor yoki yo'qligiga qarab reaksiyaga kirishadi. Nazorat qilinmagan ta'limning markaziy qo'llanilishi ushbu sohada zichlikni baholash yilda statistika, kabi topish ehtimollik zichligi funktsiyasi.Garchi nazoratsiz o'rganish ma'lumotlar xususiyatlarini umumlashtirish va tushuntirish bilan bog'liq boshqa sohalarni qamrab olsa ham.
Klaster tahlili - bu kuzatuvlar to'plamini kichik guruhlarga belgilash (deyiladi klasterlar) bitta klaster ichidagi kuzatuvlar bir yoki bir nechta oldindan belgilangan mezonlarga ko'ra o'xshash bo'lishi uchun, turli xil klasterlardan olingan kuzatuvlar esa bir-biriga o'xshamaydi. Klasterlashning turli uslublari ma'lumotlar tuzilishi bo'yicha har xil taxminlarni keltirib chiqaradi, ko'pincha ba'zilar tomonidan aniqlanadi o'xshashlik metrikasi va masalan, tomonidan baholandi ichki ixchamlik, yoki bitta klaster a'zolari o'rtasidagi o'xshashlik va ajratish, klasterlar orasidagi farq. Boshqa usullar asoslanadi taxminiy zichlik va grafik aloqasi.

Yarim nazorat ostida o'rganish

Asosiy maqola: Yarim nazorat ostida o'rganish
Yarim nazorat ostida o'rganish o'rtasida tushadi nazoratsiz o'rganish (har qanday belgilangan o'quv ma'lumotisiz) va nazorat ostida o'rganish (to'liq belgilangan o'quv ma'lumotlari bilan). Ba'zi o'quv misollarida o'quv yorliqlari etishmayapti, ammo ko'plab mashinasozlik tadqiqotchilari shuni ko'rsatdilarki, yorliqsiz ma'lumotlar oz miqdordagi etiketlangan ma'lumotlar bilan birgalikda foydalanilganda, o'rganish aniqligini sezilarli darajada yaxshilaydi.
Yilda zaif nazorat ostida o'qish, o'quv yorliqlari shovqinli, cheklangan yoki noaniq; ammo, ushbu yorliqlarni olish ko'pincha arzonroq bo'ladi, natijada katta o'quv mashg'ulotlari olib boriladi.
Kuchaytirishni o'rganish
Asosiy maqola: Kuchaytirishni o'rganish
Kuchaytirishni o'rganish - bu qanday qilib mashg'ulotlarni o'rganish sohasi dasturiy ta'minot agentlari olish kerak harakatlar kümülatif mukofotning ba'zi tushunchalarini maksimal darajada oshirish uchun muhitda. Umumiyligi tufayli ushbu soha ko'plab boshqa fanlarda o'rganiladi, masalan o'yin nazariyasi, boshqaruv nazariyasi, operatsiyalarni o'rganish, axborot nazariyasi, simulyatsiya asosida optimallashtirish, ko'p agentli tizimlar, to'da razvedka, statistika va genetik algoritmlar. Mashinada o'qitishda atrof muhit odatda a sifatida ifodalanadi Markovning qaror qabul qilish jarayoni (MDP). Ko'plab mustahkamlash algoritmlaridan foydalaniladi dinamik dasturlash texnikasi.Kuchaytirishni o'rganish algoritmlari MDPning aniq matematik modeli haqida bilimga ega emas va aniq modellar mavjud bo'lmaganda qo'llaniladi. Kuchaytirishni o'rganish algoritmlari avtonom transport vositalarida yoki inson raqibiga qarshi o'yin o'ynashni o'rganishda qo'llaniladi.
O'z-o'zini o'rganish
Mashinada o'qitish paradigmasi sifatida o'z-o'zini o'rganish 1982 yilda nomlangan o'z-o'zini o'rganishga qodir bo'lgan neyron tarmoq bilan birga joriy qilingan ko'ndalang moslashtiruvchi qator (CAA). Bu tashqi mukofotlarsiz va tashqi o'qituvchilar maslahatisiz o'rganishdir. CAA o'z-o'zini o'rganish algoritmi shpal shaklida har ikkala qaror va natijalar vaziyatlari to'g'risidagi his-tuyg'ular (his-tuyg'ular) ni hisoblab chiqadi. Tizim idrok va hissiyotlarning o'zaro ta'siridan kelib chiqadi.O'z-o'zini o'rganish algoritmi W = || w (a, s) || xotira matritsasini yangilaydi har bir iteratsiyada quyidagi mashina o'qitish tartibi bajariladi:
Vaziyatda s harakatni bajaradi a; Oqibatlarga olib keladigan vaziyatni oling; V (lar) holatida bo'lish hissiyotini hisoblash; W '(a, s) = w (a, s) + v (s ’) xoch xotirasini yangilang.
Bu faqat bitta kirish, vaziyat s va faqat bitta chiqish, harakat (yoki xatti-harakatlar) ga ega bo'lgan tizim. Atrof-muhitdan alohida armatura ham, maslahat ham mavjud emas. Backpropagated qiymati (ikkilamchi mustahkamlash) oqibat vaziyatiga nisbatan hissiyotdir. CAA ikki muhitda mavjud bo'lib, ulardan biri o'zini tutadigan xulq-atvor muhiti, ikkinchisi genetik muhit bo'lib, u dastlab va faqat bir marta xulq-atvor muhitida yuzaga keladigan vaziyatlar to'g'risida dastlabki hissiyotlarni oladi. Genetika muhitidan genom (tur) vektorini olgandan so'ng, CAA kerakli va kiruvchi holatlarni o'z ichiga olgan muhitda maqsadga intilishni o'rganadi.
Xususiyatlarni o'rganish
Asosiy maqola: Xususiyatlarni o'rganish
Bir nechta o'quv algoritmlari mashg'ulotlar davomida taqdim etilgan ma'lumotlarning yaxshiroq ko'rinishini aniqlashga qaratilgan.Klassik misollarga quyidagilar kiradi asosiy tarkibiy qismlarni tahlil qilish va klaster tahlili. Xususiyatlarni o'rganish algoritmlari, shuningdek, vakillik qilishni o'rganish algoritmlari deb nomlanadi, ko'pincha o'zlarining ma'lumotlarini saqlashga harakat qilishadi, lekin ularni foydali bo'ladigan tarzda o'zgartiradilar, ko'pincha tasniflash yoki bashorat qilishdan oldin oldindan ishlov berish bosqichi sifatida. Ushbu uslub noma'lum ma'lumotlarni ishlab chiqaruvchi tarqatishdan kelib chiqadigan kirishni qayta tiklashga imkon beradi, shu bilan birga ushbu tarqatish uchun aql bovar qilmaydigan konfiguratsiyalarga sodiq qolmaydi. Bu qo'llanmaning o'rnini bosadi xususiyati muhandislik, va mashinaga funktsiyalarni o'rganishga va ulardan ma'lum bir vazifani bajarish uchun foydalanishga imkon beradi.
Xususiyatlarni o'rganish, mashinasozlik vazifalari, masalan, tasniflash, ko'pincha ishlov berish uchun matematik va hisoblash uchun qulay bo'lgan ma'lumotni talab qiladi. Biroq, tasvirlar, video va sensorli ma'lumotlar kabi real ma'lumotlar, o'ziga xos xususiyatlarni algoritmik ravishda aniqlashga urinishlarga olib kelmadi. Shu kabi xususiyatlarni yoki tavsiflarni aniq algoritmlarga tayanmasdan sinchkovlik bilan tekshirish uchun alternativa mavjud.
Robotlarni o'rganish
Yilda rivojlanayotgan robototexnika, robotlarni o'rganish algoritmlar o'z-o'zini boshqarish va odamlar bilan ijtimoiy aloqalar orqali yangi ko'nikmalarni kümülatif ravishda egallash uchun o'quv dasturi sifatida ham tanilgan o'zlarining tajribalarini ketma-ketligini yaratadi. Ushbu robotlar faol o'rganish, etuklik, motor sinergiyasi taqlid.

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 neyron tarmoqlari
Asosiy maqola: Sun'iy neyron tarmoq
Shuningdek qarang: Chuqur o'rganish

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.
Qaror daraxtlari
Asosiy maqola: Qarorlar daraxtini o'rganish
Qarorlar daraxtini o'rganish a dan foydalanadi qaror daraxti kabi bashorat qiluvchi model buyum haqida kuzatuvlardan (filiallarda ko'rsatilgan) buyumning maqsad qiymati (barglarda ko'rsatilgan) haqida xulosalarga o'tish. Bu statistika, ma'lumotlarni qazib olish va mashinalarni o'rganishda qo'llaniladigan taxminiy modellashtirish usullaridan biridir. Maqsadli o'zgaruvchining alohida qiymatlar to'plamini qabul qilishi mumkin bo'lgan daraxt modellari tasnif daraxtlari deb ataladi; ushbu daraxt tuzilmalarida, barglar sinf yorliqlarini va filiallarni ifodalaydi bog`lovchilar o'sha sinf belgilariga olib keladigan xususiyatlar. Maqsadli o'zgaruvchining doimiy qiymatlarni qabul qilishi mumkin bo'lgan qaror daraxtlari (odatda haqiqiy raqamlar) regressiya daraxtlari deyiladi. Qarorlarni tahlil qilishda qarorlar daraxti qarorlarni vizual va aniq ifodalash uchun ishlatilishi mumkin Qaror qabul qilish. Ma'lumotlarni qazib olishda qaror daraxti ma'lumotlarni tavsiflaydi, ammo natijada olingan tasnif daraxti qaror qabul qilish uchun kirish bo'lishi mumkin.
Vektorli mashinalarni qo'llab-quvvatlash
Asosiy maqola: Vektorli mashinalarni qo'llab-quvvatlash
Qo'llab-quvvatlovchi vektorli mashinalar (SVM), shuningdek, qo'llab-quvvatlovchi vektorli tarmoqlar deb ham ataladi, ular bilan bog'liq bo'lgan to'plamdir nazorat ostida o'rganish tasniflash va regressiya uchun ishlatiladigan usullar.

Lineer tasniflashni amalga oshirish bilan bir qatorda, SVM-lar chiziqli bo'lmagan tasnifni yadro hiyla-nayrang, ularning ma'lumotlarini yuqori o'lchovli bo'shliqlarga bilvosita xaritalash.

Ma'lumotlar to'plamida chiziqli regressiyani tasvirlash.
Asosiy maqola: Regressiya tahlili
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. Bayes tarmoqlari
Asosiy maqola: Bayes tarmog'i

Oddiy Bayes tarmog'i. Yomg'ir purkagichning faollashishiga, yomg'ir ham, purkagich ham o'tning nam bo'lishiga ta'sir qiladi.
Bayes tarmog'i, e'tiqod tarmog'i yoki yo'naltirilgan asiklik grafik model bu ehtimollikdir grafik model to'plamini ifodalovchi tasodifiy o'zgaruvchilar va ularning shartli mustaqillik bilan yo'naltirilgan asiklik grafik(DAG). Masalan, Bayes tarmog'i kasallik va alomatlar o'rtasidagi ehtimollik munosabatlarini aks ettirishi mumkin. Belgilangan belgilarga ko'ra, tarmoq turli xil kasalliklarning mavjudligini hisoblash uchun ishlatilishi mumkin. Amalga oshiradigan samarali algoritmlar mavjud xulosa va o'rganish. Kabi o'zgaruvchilar ketma-ketligini modellashtiradigan Bayes tarmoqlari nutq signallari yoki oqsillar ketma-ketligi, deyiladi dinamik Bayes tarmoqlari. Belgilanmagan holda qaror muammolarini ifodalaydigan va hal qila oladigan Bayes tarmoqlarining umumlashtirilishi deyiladi ta'sir diagrammasi.
Xulosa
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.

Foydalangan adabiyotlar

1. O‘zbekiston Respublikasi Konstitutsiyasi. - T.: O‘zbekiston, 1992. 2. O‘zbekiston Respublikasining Soliq Kodeksi. Rasmiy nashr. O‘zbekiston Respublikasi Adliya vazirligi – T.: «Adolat». 2010, 400-b. 3. O‘zbekiston Respublikasining «Davlat tasarrufidan chiqarish va xususiylashtirish to‘g‘risida»gi qonuni 1991-yil 19-noyabr. 4. O‘zbekiston Respublikasining «Aksiyadorlik jamiyatlari va aksiyadorlarning huquqlarini himoya qilish to‘g‘risida»gi qonuni 1996-yil 20-aprel. 5. O‘zbekiston Respublikasining «Bankrotlik to‘g‘risida»gi qonuni, 1994-yil 5-may. 6. O‘zbekiston Respublikasining «Buxgalteriya hisobi to‘g‘risida»gi qonuni, 1996-yil 30-avgust. 7. O‘zbekiston Respublikasining «Tabiiy monopoliyalar to‘g‘risida»gi qonuni 1997-yil 24-aprel. 8. O‘zbekiston Respublikasining «Mas’uliyati cheklangan hamda qo‘shimcha mas’uliyatli jamiyatlar to‘g‘risida»gi qonuni 2001-yil 6-dekabr. 9. O‘zbekiston Respublikasining «Qimmatli qog‘ozlar bozori to‘g‘risida»gi qonuni 2008-yil 22-iyul. 10. O‘zbekiston Respublikasining «Raqobat to‘g‘risida»gi qonuni 2012 yil 6 yanvar. 11. Karimov I. A. Ozod va obod Vatan, erkin va farovon hayot – pirovard maqsadimiz. - T.: O‘zbekiston, 2000, 8-tom. 12. Karimov I.A. Bank tizimi, pul muomalasi, kredit, investitsiya va barqarorlik to‘g‘risida. – T.: O‘zbekiston, 2005.