Raqamli texnologiyalarni rivojlantirish vazirligi muhammad al – xorazmiy nomidagi toshkent axborot texnologiyalari universiteti

Taklif (bir tasniflovchi yoki kompyuter tushunadigan til) 

Baholash (ob'ektiv / skoring funktsiyasi sifatida ham tanilgan) 

Optimallashtirish (qidirish uslubi, odatda eng yaxshi balli tasniflovchi, off-
the-shelf va maxsus optimallash usullari qo'llaniladi) 
Machine 
Learning 
algoritmlarining 
asosiy 
maqsadi 
bundan oldin 
umumlashtirish, ya'ni ilgari hech qachon taqdim qilinmagan ma'lumotlarni 
muvaffaqiyatli talqin qilishdir. 
Eng ko'p boshlang'ich xatolaridan biri - mashq ma'lumotlarini muvaffaqiyatli 
sinovdan o'tgan illuzey bilan muvaffaqiyatli sinab ko'rishdir. Ma'lumot yig'ishning 
bir qismi barcha ma'lumotlar to'plami haqida hech narsa aytmaydi. 
Agar o'rganish algoritmi (ya'ni o'quvchi) ishlamasa, ba'zan mashinaga qo'shimcha 
ma'lumot etkazib berish muvaffaqiyatli bo'ladi. Shu bilan birga, bu o'rganilayotgan 

---

vaqtdan ko'ra bizda ko'proq ma'lumotlarga ega bo'lgan o'lchamdagi muammolarga 
olib kelishi mumkin. 
Mashinada o'qitish o'z-o'zidan maqsad emas. Bundan tashqari, uni umumiy echim 
sifatida ishlatish foydali emas
. 
Mashinada o'qitish algoritmlarining turlari yondashuvi, ular kiritadigan va 
chiqaradigan ma'lumotlar turi, echishga mo'ljallangan vazifa yoki muammo turlari 
bilan farq qiladi. 
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.
[45]
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. 

---

Asosiy adabiyotlar: 
1. 
Aurelian Geron, Hands on Machine Learning with Scikit-Learn 
Keras&Tensorflow // Second edition Concepts, Tools, and Techniques 
to Build Intelligent Systems, 2019, 510 pages 
2. 
Oliver Theobald, “Machine Learning for Absolute Beginners”, second 
edition, 2017, 128 pages 
3. 
Жуков Л.А., Решетникова Н.В. Приложения нейронных сетей: 
Учебное пособие для студентов, учащихся лицея и ЗПШНИ / Л. 
А. Жуков, Н. В. Решетникова. Красноярск: ИПЦ КГТУ, 2007. 154с.