Tabiiy va aniq fanlar rivojlanishining dolzarb muammolari

TABIIY VA ANIQ FANLAR RIVOJLANISHINING DOLZARB MUAMMOLARI
Mo’minova M.M. (2023). Yosh olimlar, doktorantlar va tadqiqotchilarning onlayn ilmiy forumi. Mashinali o’qitish
tushunchasi va mashinali o’qitish jarayonining umumiy qadamlari, 63-64. TATUFF-EPAI.
63
MASHINALI O’QITISH TUSHUNCHASI VA MASHINALI O’QITISH
JARAYONINING UMUMIY QADAMLARI
Sultonov Sarvarjon Mahammadodilovich.
TATU Farg’ona filiali, Axborot ta’lim texnologiyasi kafedrasi o’qituvchisi
Annotatsiya: Ushbu maqolada mashinani o'rganish - bu ma'lumotlarni o'rganish va vaqt
o'tishi bilan ularning ishlashini yaxshilash mumkin bo'lgan kompyuter algoritmlarini ishlab
chiqishga qaratilgan sun'iy intellekt sohasi haqida ma’lumotlar keltirilgan.
Klait so’zlar: Chiziqli regressiya, logistik regressiya, chiziqli diskriminant tahlili, NLP,
sun'iy neyron tarmoqlari (ANN),
Mashinani o'rganish (ML) - bu ma'lumotlardan o'rganish va vaqt o'tishi bilan ularning
ishlashini yaxshilash mumkin bo'lgan kompyuter algoritmlarini ishlab chiqishga qaratilgan sun'iy
intellektning bir tarmog'i. U ma'lumotlar fanlari sohasida tobora muhim vositaga aylandi va
elektron pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi ilovalarda
qo'llaniladi. Mashinani o'rganish algoritmlari an'anaviy dasturlash usullari amaliy bo'lmagan yoki
samarasiz bo'lgan hollarda qo'llaniladi va ular bashorat qilish, jarayonlarni avtomatlashtirish va
katta ma'lumotlar to'plamlarida naqshlarni aniqlash uchun ishlatilishi mumkin. Ushbu maqola
mashinani o'rganish asoslari, jumladan ishlatiladigan algoritmlar turlari va ularning qo'llanilishiga
kirishni ta'minlaydi.
Mashinani o'rganish maqsadi aniq dasturlashni talab qilmasdan ma'lumotlardagi naqshlarni
aniqlay oladigan va bashorat qila oladigan algoritmlarni ishlab chiqishdir. Mashinani o'rganish
algoritmlari elektron pochtani filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi
ilovalarda qo'llaniladi.
Mashinada o'rganish algoritmlarining turlari.
Mashinani o'rganish algoritmlarining bir nechta turlari mavjud, ularning har biri o'zining
kuchli va zaif tomonlariga ega. Mashinani o'rganish algoritmlarining eng keng tarqalgan turlaridan
ba'zilari nazorat ostida o'rganish, nazoratsiz o'rganish, yarim nazorat ostida o'rganish va
mustahkamlovchi o'rganishni o'z ichiga oladi.
Mashina o’qitish (ML) bo’yicha algaritimlar.
 Chiziqli Regressiya
 Logistik Regressiya
 Chiziqli Diskriminant Tahlil
 Tasniflash va regressiya daraxtlari
 Sodda Bayes
 K-Eng Yaqin Qo'shnilar
 Vektorlarni Kvantlashni O'rganish
 Vektorli Mashinalarni Qo'llab-Quvvatlash
 Bagging va tasodifiy o'rmon
 Boosting va AdaBoost
Nazorat qilinadigan o'rganish algoritmlari bashorat qilish uchun etiketli ma'lumotlardan
foydalanadi. Nazorat ostidagi o'rganish algoritmlariga misollar qatoriga chiziqli regressiya,
logistik regressiya va chiziqli diskriminant tahlili (LDA) kiradi.
Nazorat qilinmagan o'rganish algoritmlari ma'lumotlardagi naqshlarni aniqlash uchun
etiketlanmagan ma'lumotlardan foydalanadi. Nazoratsiz o'rganish algoritmlariga misollar
klasterlash algoritmlari va asosiy komponentlar tahlilini (PCA) o'z ichiga oladi.
TABIIY VA ANIQ FANLAR RIVOJLANISHINING DOLZARB MUAMMOLARI
Mo’minova M.M. (2023). Yosh olimlar, doktorantlar va tadqiqotchilarning onlayn ilmiy forumi. Mashinali o’qitish
tushunchasi va mashinali o’qitish jarayonining umumiy qadamlari, 63-64. TATUFF-EPAI.
64
Yarim nazorat ostida o'rganish algoritmlari bashorat qilish uchun etiketli va yorliqsiz
ma'lumotlarning kombinatsiyasidan foydalanadi. Yarim nazorat ostida o'rganish algoritmlariga
misollar vektorli mashinalar (SVM) va sun'iy neyron tarmoqlari (ANN).
O'rganishni kuchaytirish algoritmlari o'z muhitidan o'rganish uchun mukofot va jazolardan
foydalanadi. Mustahkamlovchi o'rganish algoritmlariga misollar Q-o'rganish va chuqur Qo'rganishni o'z ichiga oladi.
Mashina o'rganish uchun dasturlash tillari.
Python foydalanish qulayligi va kutubxonalar va ramkalarning keng doirasi tufayli
mashinani o'rganish uchun eng mashhur dasturlash tilidir.
Mashinani o'rganish va sun'iy intellekt uchun eng yaxshi Python kutubxonasi.
Tensor Flow - TensorFlow yordamida siz qo'l yozuvi uchun chuqur neyron tarmoqlarni va
NLP (tabiiy tilni qayta ishlash) uchun takroriy neyron tarmoqlarni qurishingiz mumkin.
 Keras -
 Theano
 Scikit-learn
 PyTorch
 NumPy
 Pandas
 Seaborn
Mashinani o'rganish uchun boshqa mashhur dasturlash tillari orasida R va Java mavjud.
Mashina o'rganishning ilovalari.
Mashinani o'rganish algoritmlari elektron pochtani filtrlashdan tortib, kompyuterni
ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi. Mashinani o'rganishning eng keng
tarqalgan ilovalariga bashoratli tahlil, tabiiy tilni qayta ishlash (NLP), tasvirni aniqlash va avtonom
transport vositalari kiradi.
Ushbu maqola mashinani o'rganish asoslari, jumladan ishlatiladigan algoritmlar turlari va
ularning qo'llanilishiga kirishni taqdim etdi. Mashinani o'rganish algoritmlari elektron pochtani
filtrlashdan tortib, kompyuterni ko'rishgacha bo'lgan keng doiradagi ilovalarda qo'llaniladi. Python
foydalanish qulayligi va kutubxonalar va ramkalarning keng doirasi tufayli mashinani o'rganish
uchun eng mashhur dasturlash tilidir. Mashinani o'rganish ma'lumotlar fanida tobora muhim vosita
bo'lib, keng ko'lamli ilovalarda qo'llaniladi.
Foydalanilgan adabiyotlar
1. Абдурахмонов, С. М., Билолов, И. У., & Ибрагимов, Ш. М. (2019). Об
организации самостоятельной работы студентов в цикле дистанционного образования.
2. Билолов, И. У. Методика проведения лабораторных заниятий в процессе
обучения физике с применением персональных ЭВМ (Doctoral dissertation, –Т.: УзНИИПН,
1992).
3. Абдуллажонова, Н. Н. (2018). НА УРОКАХ ЛЕГОКОНСТРУИРОВАНИЯ
ИСПОЛЬЗОВАНИЕ МУЛЬТИМЕДИА ТЕХНОЛОГИЙ. Теория и практика современной
науки, (6), 727-730.
4. Абдуллажонова, Н. Н. (2016). Портфолио в качестве инструмента для оценки
совокупного воздействия. Современная система образования: опыт прошлого, взгляд в
будущее, (5), 30-33.
5. Абдуллажонова, Н. Н. (2017). Современные образовательные
технологии. European Journal of Technical and Natural Sciences, (2), 44-47.