[1]. Ocr tizimlari haqida gapirib bering?optik belgilarni aniqlash (ocr) bu kompyuterlarga tasvirlar va skanerlangan hujjatlardan matnni tanib olish va chiqarish imkonini beruvchi texnologiya

[1].Ocr tizimlari haqida gapirib bering?optik belgilarni aniqlash (ocr) - bu kompyuterlarga tasvirlar va skanerlangan hujjatlardan matnni tanib olish va chiqarish imkonini beruvchi texnologiya. Ocr tizimlari tasvirdagi individual belgilarni aniqlash va tanib olish uchun tasvirni qayta ishlash usullaridan foydalanadi va keyin ularni mashinada kodlangan matnga aylantiradi.ocr tizimlarining har xil turlari mavjud, ularning har biri o'zining kuchli va zaif tomonlariga ega. Mana bir nechta misollar:qoidalarga asoslangan ocr: ushbu turdagi ocr tasvirdagi belgilarni tanib olish uchun oldindan belgilangan qoidalar to'plamidan foydalanadi. U odatda shakllar va hisob-fakturalar kabi sodda tuzilgan hujjatlar uchun ishlatiladi, bu erda tartib va formatlash izchil statistik ocr: bu turdagi ocr tasvirdagi belgilarni o'rganish va tanib olish uchun statistik modellardan foydalanadi. U odatda kitoblar va maqolalar kabi murakkabroq hujjatlar uchun ishlatiladi, bu erda tartib va formatlash turlicha bo'lishi mumkin. Gibrid ocr: ushbu turdagi ocr ham qoidaga asoslangan, ham statistik ocrning kuchli tomonlarini birlashtiradi. Tasvirdagi belgilarni aniqlash uchun oldindan belgilangan qoidalardan foydalanadi va keyin tanib olishning aniqligini oshirish uchun statistik modellarni qo'llaydi. Chuqur o'rganishga asoslangan ocr : bu turdagi ocr tasvirdagi belgilarni tanib olish uchun konvolyutsion neyron tarmoqlar (cnn) kabi chuqur o'rganish algoritmlaridan foydalanadi. . U bosma va qo'lda yozilgan matnni tanib olish uchun ishlatilishi mumkin va u juda aniq, ammo modelni o'rgatish uchun katta hajmdagi ma'lumotlar talab qilinadi.ocr tizimlari hujjatlarni skanerlash, raqamli arxivlash va matndan nutqqa oʻtkazish tizimlari kabi turli ilovalarda keng qoʻllaniladi. Ba'zi ocr tizimlari, shuningdek, hujjat tuzilishini tanib olish va tilni aniqlashni o'z ichiga olgan tartib tahlili kabi qo'shimcha vazifalarni ham bajarishi mumkin.yodda tutingki, ocr 100% aniq emas va tanib olishda xatolar, ayniqsa past sifatli tasvirlar yoki qoʻl yozuvi bilan ishlashda yuzaga kelishi mumkin. Bundan tashqari, ocr tizimlariga tasvir o'lchamlari, yorug'lik sharoitlari va egrilik kabi omillar ta'sir qilishi mumkin.
[2]. Barmoq izini aniqlash uchun qancha turdagi skanerlar qo'llaniladi?barmoq izini aniqlash uchun ishlatiladigan bir necha turdagi skanerlar mavjud, ularning har biri o'zining kuchli va zaif tomonlariga ega. Eng keng tarqalgan turlaridan ba'zilari:optik skanerlar: bu skanerlar barmoq izini suratga olish uchun yorug'lik manbai va zaryad bilan bog'langan qurilma (ccd) yoki qo'shimcha metall-oksid-yarim o'tkazgich (cmos) sensoridan foydalanadi. Ular nisbatan arzon va ulardan foydalanish oson, biroq ular muayyan yorug‘lik sharoitida yoki barmoq izi quruq yoki iflos bo‘lsa, yuqori sifatli tasvirlarni olishda muammolarga duch kelishi mumkin.ultrasonik skanerlar: bu skanerlar barmoq izi tasvirini olish uchun yuqori chastotali tovush to‘lqinlaridan foydalanadi. . Ular optik skanerlarga qaraganda aniqroq, lekin ular odatda qimmatroq va ulardan foydalanish kamroq qulay bo‘lishi mumkin. Kapasitiv skanerlar: bu skanerlar barmoq izi tasvirini olish uchun elektrodlar panjarasidan foydalanadi. Ular optik skanerlarga qaraganda aniqroq va quruq yoki iflos barmoq izlari bilan ishlatilishi mumkin.termal skanerlar: bu skanerlar barmoq izi tasvirini olish uchun infraqizil texnologiyadan foydalanadi. Ular iflos yoki ho'l barmoq izlari bilan va kam yorug'lik sharoitida ishlatilishi mumkin, lekin ular kamroq tarqalgan va qimmatroq. Rf (radiochastota) skanerlari: bu skanerlar terining elektr sig'imini o'lchash orqali ishlaydi, bu esa terining elektr sig'imiga ta'sir qiladi. Barmoq izi tizmalari va vodiylari. Ular juda aniq, lekin ayni paytda ancha qimmat. 3d skanerlar: bu skanerlar barmoq izining 3d tasvirini olish uchun lazer yoki tuzilgan yorug'likdan foydalanadi. Ular juda aniq, lekin ayni paytda juda qimmat va kamroq tarqalgan.
[3]. Belgi tushunchasini aniqlang?ramz - bu g'oya, tushuncha yoki narsaning ifodasidir. Bu tasvir yoki logotip kabi vizual tasvir bo'lishi mumkin yoki so'z yoki ibora kabi yozma tasvir bo'lishi mumkin. Belgilar ma'noni etkazish yoki ma'lumotni etkazish uchun ishlatilishi mumkin. Dasturlash kontekstida belgi, masalan, o'zgaruvchi, doimiy yoki funktsiya nomi bo'lishi mumkin. Belgilar ko'pincha dasturlash tillarida qiymatlarni yoki operatsiyalarni ifodalash uchun ishlatiladi. Ushbu ramziy tasvirlar kodni yanada o'qilishi va dasturchiga yuqori darajadagi abstraktsiyada ishlash imkonini berish uchun ishlatiladi. Belgilar tushunchalar va g'oyalarni ifodalash uchun matematika, fan va san'at kabi boshqa sohalarda ham qo'llaniladi.
[4]. Belgi, sinf, ob'ekt va belgi so'zlari sinonim yoki antonimmi?belgi, sinf, ob'ekt so'zlari sinonim ham, antonim ham emas. Ular ob'ektga yo'naltirilgan dasturlash paradigmasidagi o'zaro bog'liq tushunchalardir.ramz - bu g'oya, tushuncha yoki narsaning ifodasidir. Dasturlashda, masalan, o'zgaruvchan yoki doimiy bo'lishi mumkin.sinf - bu ob'ektlarni yaratish rejasi. U sinfdan yaratilgan ob'ektlarning xossalari va usullarini belgilaydi.ob'ekt - bu sinfning namunasi. U sinf tomonidan belgilangan xususiyatlar va usullarga ega va u sinfdan yaratilgan.ob'ektga yo'naltirilgan dasturlash (oop) - bu real dunyo ob'ektlari, ularning xatti-harakatlari va munosabatlarini modellashtirish uchun sinflar va ob'ektlar tushunchasidan foydalanadigan dasturlash paradigmasi. Bu ishlab chiquvchilarga o'z kodlarini tushunish va saqlashni osonlashtiradigan tarzda tartibga solish va tuzish imkonini beradi.xulosa qilib aytadigan bo'lsak, symbol - bu turli kontekstlarda ishlatilishi mumkin bo'lgan umumiy atama, sinf va ob'ekt oopda o'zaro bog'liq tushunchalar bo'lib, haqiqiy dunyo ob'ektlari, ularning xatti-harakatlari va munosabatlarini modellashtirish uchun ishlatiladi.
[5]. Belgilar maydoni qanday shakllanadi va misol keltiring?belgilar to'plami yoki belgilar maydoni - bu ma'lum bir qurilma yoki tizim tanib ko'rsatishi mumkin bo'lgan belgilar to'plami. Bu belgilar harflar, raqamlar, tinish belgilari va boshqa belgilarni o'z ichiga olishi mumkin.belgilarni kodlash - bu kompyuterda saqlanishi va qayta ishlanishi mumkin bo'lgan bit yoki baytlarning ma'lum bir naqshiga belgilar to'plamidagi belgilarni xaritalash. Har bir belgiga o'ziga xos raqamli kod beriladi, bu kod yordamida kompyuter xotirasida belgini ifodalash mumkin.misol uchun, ascii (american standard code for information interchange) belgilar to'plami keng qo'llaniladigan belgilar to'plami bo'lib, harflar, raqamlar va asosiy tinish belgilari kabi 128 ta belgidan iborat. U har bir belgi uchun noyob raqamli kodni belgilaydi, masalan, "a" harfiga 65 kodi va "a" harfiga 97 kodi beriladi. Boshqa mashhur belgilar to'plamiga juda kattaroq belgilar to'plamini o'z ichiga olgan unicode kiradi. Va bir nechta tillarni qo'llab-quvvatlaydi.yana bir misol, utf-8 - bu unicode standartidagi har qanday belgini ifodalashi mumkin bo'lgan belgilar kodlash, lekin eng keng tarqalgan ascii belgilar uchun bir baytdan va kamroq tarqalgan belgilar uchun to'rt baytgacha foydalanadi.xulosa qilib aytganda, belgilar to'plami qurilma yoki tizim tanib ko'rsatishi mumkin bo'lgan belgilar to'plamidir va belgilarni kodlash - bu belgilar to'plamidagi belgilarning ma'lum bir bit yoki bayt namunasi bilan saqlanishi va qayta ishlanishi mumkin bo'lgan xaritalashidir. Kompyuter.
[6]. Belgilar qaysi alifbolarda berilgan?belgilar kontekstga yoki ulardan foydalanadigan tizimga qarab turli alifbolarda taqdim etilishi mumkin.Lotin alifbosida belgilar harflar, raqamlar, tinish belgilari va @, #, $, & va hokazo kabi boshqa maxsus belgilarni o'z ichiga olishi mumkin. Yunon alifbosida belgilar alfa, beta, gamma va boshqalar kabi harflarni o'z ichiga olishi mumkin. Arab alifbosida belgilar ạlạ̉lf, ạlbạyt, ạljym va boshqalarni o'z ichiga olishi mumkin. Xitoy, yapon va koreys tillarida belgilarga yÿ, rì, han va hokazo belgilar kiradi. Matematik yozuvda belgilar o'z ichiga olishi mumkin. Raqamlar, operatorlar (+, -, *, /) va ∑, √, ≠ va boshqalar kabi turli matematik belgilar. Fizika sohasida belgilarga a, b, g va boshqalar kabi yunoncha harflar kirishi mumkin. Kimyo sohasida ramzlar kimyoviy elementlarning h, c, o va hokazo belgilarini o'z ichiga olishi mumkin.xulosa qilib aytganda, ramzlar kontekst, tizim yoki tadqiqot sohasiga qarab turli alifbolarda taqdim etilishi mumkin.
[7]. Nominal tasvir maydoniga misol keltiring?nominal tasvir maydoni - bu ma'lum bir xususiyat yoki atribut asosida guruhlangan tasvirlar to'plami.Bo'sh joydagi har bir tasvirga yorliq yoki toifa beriladi, u tasvirni ifodalovchi atribut yoki xarakteristikani tavsiflaydi.nominal tasvir maydoniga misol turli xil mevalarning tasvirlari ma'lumotlar to'plamidir. Ma'lumotlar to'plamidagi tasvirlar "olma", "banan", "apelsin" kabi mevalar nomlari bilan belgilanishi mumkin. Ular tasvirlangan meva turi.nominal tasvir maydonining yana bir misoli har xil turdagi hayvonlar tasvirlarining ma'lumotlar to'plamidir. Ma'lumotlar to'plamidagi tasvirlar "it", "mushuk", "sher" kabi hayvonlarning nomlari bilan belgilanishi mumkin. Bu teglar tasvirlarning nominal toifalarini ifodalaydi va tasvirlar quyidagi belgilar asosida guruhlangan. Ular tasvirlangan hayvon turi.ikkala misolda ham tasvirlar ma'lum bir xususiyat yoki atribut asosida guruhlangan va har bir tasvirga yorliq yoki toifa berilgan. Tasvirlarni tavsiflash uchun ishlatiladigan teglar nominal bo'lib, ular kategorik bo'lib, hech qanday tartib yoki raqamli qiymatlarga ega emas.
[8]. Qanday tanib olish tizimlari inson organlari deb ataladi?inson organlari odatda tanib olish tizimlari deb nomlanmaydi. Tanib olish tizimlari odatda tasvirlar, audio yoki matn kabi ma'lumotlardagi muayyan ob'ektlar, naqshlar yoki xususiyatlarni aniqlash va tasniflash uchun mo'ljallangan kompyuter algoritmlari yoki dasturiy ta'minotdir. Boshqa tomondan, inson organlari yurak, o'pka, jigar va buyraklar kabi tanadagi o'ziga xos funktsiyalarni bajaradigan jismoniy tuzilmalardir.biroq, inson organlarining tanib olish bilan bog'liq bo'lgan ba'zi misollari mavjud, masalan, ko'rish uchun javob beradigan organ bo'lgan ko'z. Ko'z yorug'likni ushlaydi va uni miyaga yuboriladigan elektr signallariga aylantiradi va ular tasvir sifatida talqin etiladi. Ko'z ko'zning turli qismlarini, masalan, retina, shox parda va ob'ektivni tahlil qilish uchun foydalanadigan tasvirni aniqlash tizimi sifatida qaraladi.yana bir misol - eshitishni tanib olish uchun mas'ul organ bo'lgan quloq. Quloq tovush to'lqinlarini ushlaydi va ularni miyaga yuboriladigan elektr signallariga aylantiradi, bu erda ular tovush sifatida talqin etiladi. Quloq ovozni aniqlash tizimi sifatida ko'rib chiqiladi, u quloqning turli qismlaridan tovushni tahlil qilish uchun foydalanadi, masalan, koklea, evstaki naychasi va timpanik membrana.xulosa qilib aytadigan bo'lsak, inson organlari odatda tanib olish tizimlari deb nomlanmaydi, lekin ularning ba'zilari ko'z va quloq kabi tanib olish bilan bog'liq funktsiyalarga ega.
[9]. Internetda tasvirni tanish ma'lumotlar bazasiga misol keltiring?internetda tasvirni aniqlash ma'lumotlar bazasiga misol imagenet. Imagenet - bu tasvirlarni aniqlash algoritmlarini o'rgatish va sinab ko'rish uchun keng qo'llaniladigan tasvirlarning katta ma'lumotlar to'plami. Ma'lumotlar to'plamidagi tasvirlar 22 000 dan ortiq toifalarga ajratilgan, ularning har birida bir necha yuz tasvirlar mavjud. Tasvirlar noyob identifikator va tavsiflovchi yorliqlar ierarxiyasi bilan etiketlanadi, bu ularning mazmuni asosida aniq tasvirlarni qidirish va topishni osonlashtiradi.yana bir misol google open images. Bu "odam", "avtomobil", "it" kabi yorliqlar bilan etiketlangan rasmlarning katta ma'lumotlar to'plami. Ma'lumotlar to'plami 9 milliondan ortiq tasvirni o'z ichiga oladi va u tasvirni aniqlash algoritmlarini o'rgatish va baholash uchun ishlatiladi.yana bir misol - microsoft common objects in context (coco) - ob'ektlarni aniqlash, segmentatsiyalash va sarlavhalar qo'yish uchun keng ko'lamli ma'lumotlar to'plami. Unda 330k tasvir, 1,5 million ob'ekt namunasi, 80 ob'ekt toifasi va har bir tasvir uchun 90 ta oldindan belgilangan taglavhalar mavjud
[10]. Qanday zamonaviy tasvirni aniqlash tizimlarini bilasiz?ko'plab zamonaviy tasvirni aniqlash tizimlari mavjud, ba'zi misollar:konvolyutsion neyron tarmoqlari (cnn): cnn tasvirni aniqlashda keng qo'llaniladigan chuqur o'rganish usulidir. Cnnlar insonning vizual tizimi tasvirlarni qayta ishlash usulini taqlid qilish uchun mo'ljallangan va ular tasvirni tasniflash, ob'ektlarni aniqlash va boshqa vazifalarda eng so'nggi natijalarga erishish uchun ishlatilgan.ob'ektni aniqlash algoritmlari: ob'ektni aniqlash algoritmlari tasvir ichidagi ob'ektlarni aniqlash va joylashtirish. Ular odatda oʻzi boshqariladigan avtomobillar, xavfsizlik tizimlari va kuzatuv kameralari kabi vazifalarda qoʻllaniladi. Chuqur oʻrganishga asoslangan yuzni tanish: bu shaxslarni yuz xususiyatlariga qarab aniqlash va tekshirish uchun chuqur oʻrganish usullaridan foydalanadigan tizim. U xavfsizlik tizimlarida, kirishni boshqarishda va boshqa ilovalarda keng qoʻllaniladi. Avtomatik rasm taglavhalari: bu tasvirning matnli tavsifini yaratuvchi tizim boʻlib, tasvirlarni qayta ishlash va sarlavhalar yaratish uchun cnn va takroriy neyron tarmoqlar (rnn) kabi usullardan foydalanadi. .generative adversarial networks (gans): gans - bu ma'lum bir o'quv tasvirlari to'plami asosida yangi tasvirlarni yaratishi mumkin bo'lgan generativ model. U tasvir yaratish, tasvirni tahrirlash va uslublarni uzatish kabi vazifalarda qoʻllaniladi.yolo (you only look bir marta boʻlasiz): yolo – bu real vaqt rejimida obyektlarni aniqlash tizimi boʻlib, tasvirdagi obyektlarni aniqlash va tasniflash uchun yagona konvolyutsion neyron tarmogʻidan foydalanadi. U oʻzining tezligi va samaradorligi bilan mashhur boʻlib, uni real vaqt rejimidagi ilovalar uchun juda mos keladi.retinanet: retinanet bir bosqichli obʼyektlarni aniqlash tarmogʻi boʻlib, u bir necha masshtabdagi obyektlarni aniqlash uchun xususiyat piramida tarmogʻidan (fpn) foydalanadi. U oʻzining yuqori aniqligi bilan mashhur va oʻzi boshqariladigan avtomobillar, robototexnika va kuzatuv tizimlari kabi turli ilovalarda keng qoʻllanilgan. Modelning imkoniyatlarini oshirish va hisoblash talablarini kamaytirish uchun u chuqurlikdagi konvolyutsiya va nuqtali konvolyutsiya kombinatsiyasidan foydalanadi. U tasvirni tasniflash, ob'ektlarni aniqlash va boshqa vazifalarda keng qo'llaniladi va o'zining yuqori ishlashi va aniqligi bilan mashhur.

[11]. Qaysi mashinalarni o'rganish kutubxonalari haqida bilasiz va ular haqida ma'lumot berasiz?mashinani o'rganish bo'yicha ko'plab kutubxonalar mavjud, ba'zi misollar:tensorflow: tensorflow - bu google tomonidan ishlab chiqilgan ochiq manbali mashina o'rganish kutubxonasi. U chuqur o'rganish, neyron tarmoqlar va boshqa mashina o'rganish vazifalari uchun keng qo'llaniladi. Tensorflow moslashuvchan va keng ko'lamli vazifalar, jumladan tasvir va nutqni aniqlash, tabiiy tilni qayta ishlash va vaqt seriyalarini tahlil qilish uchun ishlatilishi mumkin.pytorch: pytorch - bu facebook tomonidan ishlab chiqilgan ochiq manbali mashina o'rganish kutubxonasi. U tensorflow-ga o'xshaydi va chuqur o'rganish vazifalari uchun ham keng qo'llaniladi. Pytorch oʻzining dinamik hisoblash grafigi bilan mashhur boʻlib, u tezroq tajriba oʻtkazish va ishlab chiqish imkonini beradi.scikit-learn: scikit-learn python uchun ochiq manbali mashina oʻrganish kutubxonasidir. U python ilmiy hisoblash kutubxonalari numpy va scipy ustiga qurilgan va tasniflash, regressiya va klasterlash kabi mashinalarni oʻrganish vazifalari uchun keng koʻlamli vositalarni taqdim etadi. Keras: keras pythonda yozilgan ochiq manbali neyron tarmoq kutubxonasidir. . U foydalanuvchilar uchun qulay va modulli bo'lib ishlab chiqilgan bo'lib, chuqur o'rganish vazifalari uchun foydalanishni osonlashtiradi. Keras tensorflow, theano va cntk backends ustida ishlashi mumkin.xgboost: xgboost gradientni oshirish uchun ochiq manbali kutubxonadir. U tasniflash va regressiya kabi nazorat ostidagi o'quv vazifalari uchun ishlatiladi. U o'zining tezligi va ishlashi bilan mashhur va u mashinani o'rganish bo'yicha ko'plab musobaqalarda g'alaba qozonish uchun ishlatilgan.lightgbm: lightgbm gradientni oshirish uchun yana bir ochiq manba kutubxonasidir. U xgboost-ga o'xshaydi, lekin samaradorlik va yuqori ishlashga, ayniqsa katta ma'lumotlar to'plamlari yoki kategorik xususiyatlarga ega ma'lumotlar to'plamiga qaratilgan. U kategorik xususiyatlarni boshqarish uchun gradientga asoslangan bir tomonlama namuna olish deb ataladigan texnikadan foydalanadi va xotiradan foydalanish va mashg'ulot vaqtini qisqartiradi. Lightgbm sanoatda keng qo'llaniladi, chunki u katta ma'lumotlar to'plamlarini boshqarishi mumkin, u yuqori samarali va tezdir.

[12]. Ko'rsatkichlar haqida ma'lumot beringko'rsatkichlar - bu muayyan tizim, jarayon yoki natijalarning ishlashi, holati yoki tendentsiyalarini baholash uchun qo'llaniladigan statistik ko'rsatkichlar. Ko'rsatkichlar taraqqiyotni kuzatish va yaxshilash yo'nalishlarini aniqlash uchun iqtisodiyot, sog'liqni saqlash, ta'lim va atrof-muhit fanlari kabi keng sohalarda qo'llanilishi mumkin.ko'rsatkichlarning bir nechta turlari mavjud, jumladan:miqdoriy ko'rsatkichlar: bu o'lchash yoki hisoblash mumkin bo'lgan ko'rsatkichlar va odatda raqamlar yoki foizlar bilan ifodalanadi. Masalan, yaim o'sish sur'ati, ishsizlik darajasi yoki chaqaloqlar o'limi darajasi. Sifat ko'rsatkichlari: bular ko'proq sub'ektiv ko'rsatkichlar bo'lib, odatda tavsif yoki kuzatish sifatida ifodalanadi. Misollar, hayot sifati, mijozlar ehtiyojini qondirish yoki jamiyatning ishtirokini o'z ichiga oladi.etakchi ko'rsatkichlar: bu kelajakdagi natijalar yoki tendentsiyalarni bashorat qilish uchun ishlatilishi mumkin bo'lgan ko'rsatkichlar. Masalan, iste'molchilar ishonchi, uy-joy boshlanishi yoki fond bozori ko'rsatkichlari. Kechikuvchi ko'rsatkichlar: bular o'tgan voqealarning natijalari yoki tendentsiyalarini aks ettiruvchi ko'rsatkichlardir. Masalan, yaim, inflyatsiya yoki ishsizlik darajasi. Kompozit ko'rsatkichlar: bular bir nechta kichik ko'rsatkichlardan tashkil topgan ko'rsatkichlardir. Masalan, inson taraqqiyoti indeksi (hdi) o'rtacha umr ko'rish davomiyligi, ta'lim va aholi jon boshiga daromad kabi ko'rsatkichlar yig'indisidan iborat. Ishlash ko'rsatkichlari: bular muayyan tizim yoki jarayonning samaradorligini o'lchaydigan ko'rsatkichlardir. Masalan, samaradorlik, samaradorlik yoki mijozlar ehtiyojini qondirish.ko'rsatkichlar taraqqiyotni kuzatish, takomillashtirish sohalarini aniqlash va ma'lumotlarga asoslangan qarorlar qabul qilish uchun foydali vositadir. Biroq, kontekstda ko'rsatkichlardan foydalanish va ma'lum bir ko'rsatkichning cheklovlarini hisobga olish muhimdir, chunki bitta ko'rsatkich murakkab hodisa haqida to'liq tasavvurni bera olmaydi.
[13]. Muhim tasvirlar to'plami haqida ma'lumot bering?muhim tasvirlar to'plami - bu qaysidir ma'noda muhim yoki mazmunli deb hisoblangani uchun tanlangan tasvirlar to'plami. Kichik toʻplamdagi tasvirlar mavzu, sifat yoki tarixiy ahamiyatga egalik kabi muayyan mezonlar asosida tanlanishi mumkin.masalan, muhim tasvirlar to'plami ma'lum bir tarixiy voqea yoki davrni aks ettiruvchi fotosuratlar to'plami bo'lishi mumkin. Ushbu tasvirlar tanlangan bo'lishi mumkin, chunki ular ko'rib chiqilayotgan voqea yoki davr haqida tushuncha beradigan muhim asosiy manbalar hisoblanadi.yana bir misol, san'atdagi muhim tasvirlar to'plami, masalan, ma'lum bir rassom yoki davrning durdona asarlari to'plami. Bu tasvirlar rassom uslubining vakili sifatida yoki san'at tarixi rivojiga ta'sir ko'rsatganligi uchun tanlangan bo'lishi mumkin.mikroskop yoki teleskopdan olingan tasvirlar to'plami kabi ilmiy tadqiqotlardagi muhim tasvirlar to'plami tanlangan bo'lishi mumkin, chunki ular hujayra tuzilishi yoki uzoq sayyoraning xususiyatlari kabi ma'lum bir mavzu haqida muhim ma'lumot beradi.xulosa qilib aytadigan bo'lsak, muhim tasvirlar to'plami - bu qaysidir ma'noda muhim yoki mazmunli deb hisoblangani uchun tanlangan tasvirlar to'plami. Tanlov mezonlari kontekstga qarab farq qilishi mumkin va tasvirlar tarixiy, badiiy, ilmiy yoki boshqa qadriyatlariga qarab tanlanishi mumkin.
[14]. Nazoratni tanlash deganda nimani tushunasiz?boshqaruvni tanlash deganda tizim yoki jarayonni boshqarish uchun foydalaniladigan boshqaruv mexanizmi yoki strategiyasining muayyan turini tanlash tushuniladi. Boshqarish mexanizmi - bu tizimning harakatini tartibga solish yoki ta'sir qilish uchun ishlatiladigan qurilma yoki usul.
Tajribalar kontekstida nazoratni tanlash nazorat guruhini yoki nazorat o'zgaruvchisini tanlashni anglatadi. Nazorat guruhi - bu eksperimental muolajaga duchor bo'lmagan va taqqoslash uchun bazani ta'minlash uchun foydalaniladigan sub'ektlar guruhi. Boshqa tomondan, nazorat o'zgaruvchisi mustaqil o'zgaruvchining ta'sirini ajratish uchun tajriba davomida doimiy ravishda saqlanadigan o'zgaruvchidir.tizimlarni boshqarish kontekstida boshqaruvni tanlash qo'llaniladigan boshqaruv tizimining turini tanlash qarorini anglatadi. Boshqarish tizimlarining bir necha turlari mavjud, masalan, ochiq tsikl, yopiq tsikl va qayta aloqa nazorat qilish tizimlari. Ochiq tsiklli boshqaruv tizimlari tizimning chiqishiga javob bermaydi va chiqish asosida tuzatishlar kiritmaydi. Yopiq tizimli tizimlar esa tizimning chiqishiga javob beradi va chiqishdan kelib chiqqan holda kirishga tuzatishlar kiritadi. Teskari aloqani boshqarish tizimlari - kirishni boshqarish uchun tizimning chiqishidan foydalanadigan yopiq tsiklli boshqaruv turi.xulosa qilib aytganda, boshqaruvni tanlash tizim yoki jarayonni boshqarish uchun foydalaniladigan boshqaruv mexanizmi yoki strategiyasining muayyan turini tanlashni anglatadi. Boshqarishni tanlash tizim yoki jarayonning o'ziga xos talablariga va eksperiment yoki nazorat strategiyasining maqsadlariga bog'liq bo'ladi.
[15]. Ob'ekt va belgi (tasvir) tushunchalari o'rtasida farq bormi?n naqshni aniqlash kontekstida ob'ekt va belgi (tasvir) tushunchalari biroz boshqacha ma'noga ega bo'lishi mumkin.naqshni aniqlashdagi ob'ekt tan olinayotgan ma'lum bir sinf yoki toifaning namunasiga ishora qiladi. Misol uchun, tasvirni aniqlashda ob'ekt tasvirdagi "it" yoki "mushuk" ning o'ziga xos namunasi bo'lishi mumkin. Naqshni aniqlashdagi ob'ektlar odatda ularning jismoniy xususiyatlari va atrofdagi kontekstga munosabati bilan belgilanadi.boshqa tomondan, ramz ma'lum bir tushuncha, g'oya yoki ma'noni ifodalovchi tasvir yoki vizual tasvirni anglatadi. Belgi ob'ektni yoki butun tasvirni ifodalovchi tasvirning bir qismi bo'lishi mumkin. Belgi so'z yoki tovush kabi vizual bo'lmagan tasvir ham bo'lishi mumkin. Tasvirni tanib olishda ramzlar ob'ektlarni ifodalash uchun ishlatilishi mumkin, masalan, it kontseptsiyasini ifodalovchi it belgisi.
[16]. Ob'ekt deganda nimani tushunasiz?shaklni aniqlashda ob'ekt tan olinayotgan ma'lum bir sinf yoki toifaning namunasiga ishora qiladi. Misol uchun, tasvirni aniqlashda ob'ekt tasvirdagi "it" yoki "mushuk" ning o'ziga xos namunasi bo'lishi mumkin. Shu nuqtai nazardan, ob'ekt shakli, o'lchami, rangi, tuzilishi va atrofdagi kontekstga aloqasi kabi jismoniy xususiyatlari bilan belgilanadi.naqshni aniqlashdagi ob'ektlar ob'ekt xususiyatlarini tavsiflovchi ko'p o'lchovli massivlar bo'lgan xususiyat vektorlari bilan ifodalanishi mumkin. Ushbu xususiyat vektorlari ob'ektni tanib olish uchun mashinani o'rganish algoritmlarini o'rgatish uchun ishlatiladi.masalan, tasvirni aniqlashda ob'ekt rang gistogrammasi, chekka ma'lumotlari va ob'ektning tekstura ma'lumotlarini tavsiflovchi xususiyat vektori bilan ifodalanishi mumkin. Ushbu xususiyat vektorlari ob'ektni tanib olish uchun tasvirni aniqlash algoritmlarini o'rgatish uchun ishlatiladi.
[17]. Ob'ektlarni taqqoslashda kombinatorika usullari qo'llaniladimi? Agar foydalanilsa, qanday guruhlash amalga oshiriladi?ob'ektlarni taqqoslashda emblemani aniqlashda kombinatorika usullaridan foydalanish mumkin. Kombinatorika - matematikaning ob'ektlarni sanash va tartibga solish bilan shug'ullanadigan bo'limi bo'lib, u emblema belgilarining turli xil birikmalarini tahlil qilish va solishtirish uchun ishlatilishi mumkin.emblemlarni tanib olishda kombinatorik usullardan foydalanishning bir misoli kichik guruhlarni aniqlash algoritmlaridan foydalanishdir. Bu algoritmlar turli emblema sinflarini ajratib turuvchi xususiyatlarning eng tegishli kichik guruhlarini topish uchun ishlatiladi. Algoritm xususiyatlarning barcha mumkin bo'lgan kichik guruhlarini yaratadi va sinf belgilari bilan eng yuqori korrelyatsiyaga ega bo'lganlarni tanlaydi.yana bir misol, turli emblema elementlari orasidagi strukturaviy munosabatlarni solishtirish uchun ishlatiladigan grafiklarni moslashtirish algoritmlaridan foydalanishdir. Bu algoritmlardan emblem topologiyasi va simmetriyasini solishtirish, turli emblemalar orasidagi o‘xshashlik va farqlarni aniqlash uchun foydalanish mumkin
[18]. Ob'ektlarning tasnifi haqida ma'lumot bering?ob'ektni tasniflash - bu ob'ektga uning xususiyatlari yoki xususiyatlaridan kelib chiqqan holda sinf belgisini berish jarayoni. Bu naqshni aniqlash va kompyuterni ko'rishda asosiy vazifa bo'lib, u tasvirni aniqlash, ob'ektni aniqlash va yuzni tanib olish kabi keng ko'lamli ilovalarda qo'llaniladi.tasniflash usullarining bir necha turlari mavjud, jumladan:nazorat qilinadigan tasnif: nazorat qilinadigan tasniflash - bu o'quv ma'lumotlarining sinf belgilari oldindan ma'lum bo'lgan tasniflash turi. Tasniflagich etiketlangan ma'lumotlardan foydalangan holda o'qitiladi va keyinchalik u yangi, etiketlanmagan ma'lumotlarni tasniflash uchun ishlatiladi. Nazorat qilinadigan tasniflash algoritmlariga misollar k-eng yaqin qo'shni, qarorlar daraxti va tayanch vektorli mashinalarni o'z ichiga oladi.nazorat qilinmagan tasnif: nazorat qilinmagan klassifikatsiya ma'lumotlarning sinf belgilari oldindan ma'lum bo'lmagan tasniflash turidir. Nazoratsiz tasniflashning maqsadi ma'lumotlarni xususiyatlari yoki xususiyatlariga ko'ra sinflarga guruhlashdir. Nazorat qilinmagan tasniflash uchun k-vosita va ierarxik klasterlash kabi klasterlash algoritmlari odatda qo'llaniladi.yarim nazorat ostida tasniflash: yarim nazorat ostida tasniflash nazorat qilinadigan va nazoratsiz tasniflash xususiyatlarini birlashtirgan tasniflash turidir. Ma'lumotlarning ba'zilari etiketlangan, qolganlari esa etiketlanmagan. Maqsad etiketlanmagan ma'lumotlarni tasniflash uchun etiketli ma'lumotlardan foydalanishdir. Ko'p sinfli tasniflash: ko'p sinfli tasniflash - ob'ekt bir nechta sinflarga tegishli bo'lishi mumkin bo'lgan tasniflash turi. Ko'p toifali tasnifga misol sifatida hayvonlarning har xil turlarini tanib olish mumkin, bunda ob'ekt it, mushuk yoki boshqa har qanday hayvon bo'lishi mumkin. Ko'p yorliqli tasniflash: ko'p yorliqli tasniflash - bu ob'ektga bir nechta belgilanishi mumkin bo'lgan tasnif turi. Yorliqlar. Ko'p yorliqli tasnifga misol sifatida tasvirning turli atributlarini tanib olish mumkin, bunda tasvirni mushuk, it va divan bor deb belgilash mumkin
[19]. Ob'ektlarni tavsiflovchi ma'lumotlar jadvali qanday nomlanadi?ob'ektlarni tavsiflovchi ma'lumotlar jadvalining nomi ko'pincha xususiyatlar matritsasi yoki xususiyatlar to'plami deb ataladi. Bu har bir ob'ektning xarakteristikalari yoki xususiyatlarini o'z ichiga olgan jadval bo'lib, odatda raqamli qiymatlar sifatida ifodalanadi. Jadvalning satrlari ob'ektlarga, ustunlari esa xususiyatlarga mos keladi. Jadvaldagi qiymatlar har bir ob'ektning xususiyat qiymatlari. Har bir ob'ekt xususiyat qiymatlari vektori bilan ifodalanadi va bu vektorlar ob'ektlarni tasniflash yoki tanib olish uchun mashinani o'rganish modellarini o'rgatish uchun ishlatiladi.shuningdek, kontekst yoki tadqiqot sohasiga qarab jadval ma'lumotlar to'plami, namunalar to'plami, ma'lumotlar to'plami yoki xususiyatlar ma'lumotlar to'plami deb nomlanishi mumkin

[20]. Ob'ektni aniqlash maydoni haqida ma'lumot bering?ob'ektni aniqlash - bu tasvir yoki video ichidagi ob'ektlarni aniqlash va joylashtirishga qaratilgan kompyuter ko'rish va tasvirni qayta ishlash sohasi. Bu tasvirni tasniflashdan ko'ra murakkabroq vazifa bo'lib, u faqat tasvir ichidagi ob'ektlarni aniqlashni talab qiladi va u kuzatuv, robototexnika, avtonom transport vositalari va kengaytirilgan haqiqat kabi keng ko'lamli ilovalar uchun foydalidir.ob'ektni aniqlashning bir necha usullari mavjud, jumladan:xususiyatlarga asoslangan usullar: bu usullar tasvirdagi ob'ektlarni aniqlash uchun qirralar yoki burchaklar kabi qo'lda tayyorlangan xususiyatlardan foydalanadi. Bu usullar odatda murakkabroq usullarga qaraganda tezroq, lekin unchalik aniq boʻlmasligi mumkin. Mintaqaga asoslangan usullar: bu usullar tasvirdagi obʼyektlarni aniqlash uchun hududlar yoki chegaralovchi qutilardan foydalanadi. Bu usullar odatda xususiyatga asoslangan usullarga qaraganda aniqroq, lekin sekinroq bo'lishi mumkin. Chuqur o'rganishga asoslangan usullar: bu usullar tasvirdagi ob'ektlarni aniqlash uchun chuqur neyron tarmoqlardan foydalanadi. Bu usullar odatda boshqa usullarga qaraganda aniqroq, lekin koʻproq hisoblash resurslarini talab qilishi mumkin.ikki bosqichli usullar: bu usullar potentsial obʼyektlar joylashuvi toʻplamini yaratish uchun mintaqaviy taklif tarmogʻidan foydalanadi, keyinchalik ular tasniflash uchun ikkinchi tarmoqqa uzatiladi. Bu usullar odatda bir bosqichli usullarga qaraganda aniqroq, lekin hisoblash jihatidan ham qimmatroqdir.bir bosqichli usullar: bu usullar obyekt joylashuvi va sinf yorliqlarini bashorat qilish uchun yagona tarmoqdan foydalanadi. Bu usullar odatda ikki bosqichli usullardan tezroq, lekin unchalik aniq bo'lmasligi mumkin.so'nggi yillarda chuqur o'rganishga asoslangan usullar, xususan, yolo (you only look bir marta) kabi bir bosqichli usullar va r-cnn (regional cnn) kabi ikki bosqichli usullar va uning faster r-cnn kabi variantlari davlatga aylandi. -ob'ektni aniqlash uchun zamonaviy. Ushbu usullar yuqori aniqlik va yuqori ishlov berish tezligiga erishishni ko'rsatdi, bu ularni real vaqtda ilovalar uchun mos qiladi

[21]. Klass, klaster, takson atamalari sinonim bo‘la oladimi?sinf, klaster va takson atamalari oʻxshash yoki oʻxshash obʼyektlar guruhiga ishora qilish maʼnosiga koʻra oʻxshashdir, lekin ular kontekstga qarab bir oz boshqacha maʼnoga ega.tasniflash kontekstida sinf o'xshash xususiyatlar yoki xususiyatlarga ega bo'lgan ob'ektlar guruhiga ishora qiladi. Masalan, tasvirni aniqlashda sinf "itlar" yoki "mushuklar" bo'lishi mumkin. Sinflar ob'ektlarni turli xil turdagi ob'ektlarni tanib olish yoki farqlash uchun mashinani o'rganish algoritmini o'rgatish imkonini beradigan tarzda guruhlash uchun ishlatiladi.klasterlash kontekstida klaster bir-biriga o'xshash yoki bog'liq bo'lgan ob'ektlar guruhiga ishora qiladi. Klasterlar ob'ektlarning o'xshashligi asosida tuziladi va o'xshash ob'ektlarni birgalikda guruhlash uchun ishlatiladi.biologiya kontekstida takson (ko'plik: takson) o'zlarining xususiyatlari yoki xususiyatlariga ko'ra birgalikda tasniflangan organizmlar guruhiga ishora qiladi. Taksonlar tirik organizmlarni tur, jins va oila kabi turli guruhlarga ajratish uchun ishlatiladi
[22]. Tasniflash va klasterlash o'rtasidagi farq nima?tasniflash va klasterlash o'xshash yoki o'xshash narsalarni birgalikda guruhlash uchun naqshni aniqlash va mashinani o'rganishda qo'llaniladigan usullardir, ammo ularning maqsadlari va yondashuvlari biroz farq qiladi.tasniflash - ob'ektga uning xususiyatlari yoki xususiyatlariga qarab sinf belgisini belgilash jarayoni. Tasniflashning maqsadi yangi, ko'rinmas ob'ektlarning sinf yorlig'ini bashorat qilish uchun modelni o'rgatishdir. Model etiketli ma'lumotlardan foydalangan holda o'qitiladi va keyinchalik u yangi, etiketlanmagan ma'lumotlarni tasniflash uchun ishlatiladi. Tasniflash uchun odatda k-eng yaqin qo'shni, qarorlar daraxti va qo'llab-quvvatlovchi vektor mashinalari kabi nazorat ostida o'rganish algoritmlari qo'llaniladi.boshqa tomondan, klasterlash - bu o'xshash yoki bog'liq ob'ektlarni oldindan belgilangan sinf belgilaridan foydalanmasdan guruhlash jarayoni. Klasterlashning maqsadi ma'lumotlardagi tabiiy guruhlar yoki naqshlarni topishdir. Klasterlash odatda nazoratsiz o'rganish uchun ishlatiladi, bu erda ma'lumotlarning sinf belgilari oldindan ma'lum emas. Klasterlash uchun odatda k-o'rtacha, ierarxik klaster va zichlikka asoslangan klasterlash kabi klaster algoritmlari qo'llaniladi.
[23]. Tasniflash jarayoni qanday?tasniflash jarayoni - bu ob'ektga uning xususiyatlari yoki xususiyatlaridan kelib chiqqan holda sinf belgisini belgilash usuli. Bu naqshni aniqlash va mashinani o'rganishda asosiy vazifa bo'lib, tasvirni aniqlash, tabiiy tilni qayta ishlash va hissiyotlarni tahlil qilish kabi keng ko'lamli dasturlarda qo'llaniladi.tasniflash jarayoni odatda quyidagi bosqichlarni o'z ichiga oladi:ma'lumotlarni to'plash va tayyorlash: klassifikatorni o'rgatish uchun ishlatiladigan etiketli ma'lumotlarni to'plang va tayyorlang. Bu ma'lumotlar klassifikator tasniflash uchun foydalaniladigan ob'ektlar va sinflarning vakili bo'lishi kerak. Xususiyatlarni ajratib olish: klassifikatorni o'rgatish uchun foydalaniladigan ob'ektlardan tegishli xususiyatlar yoki xususiyatlarni ajratib oling. Bu xususiyatlar ob'ektlarning turli sinflarini ajrata olishi kerak.model o'rgatish: belgilangan ma'lumotlar va ajratilgan xususiyatlardan foydalangan holda klassifikatorni o'rgating. Bu qadam xususiyatlar va sinf yorliqlari o'rtasidagi munosabatni o'rganish uchun mashinani o'rganish algoritmidan foydalanishni o'z ichiga oladi.model baholash: ta'lim jarayonida foydalanilmaydigan alohida ma'lumotlar to'plami (sinov ma'lumotlari) yordamida tasniflagichning ishlashini baholang. Ushbu qadam klassifikatorning aniqligi va mustahkamligini o'lchash uchun ishlatiladi.modelni joylashtirish: yangi, ko'rinmaydigan ob'ektlarni tasniflash uchun o'qitilgan klassifikatorni joylashtiring. Bu bosqich klassifikatordan yangi ob'ektlarning xususiyatlariga qarab sinf belgilarini bashorat qilish uchun foydalanishni o'z ichiga oladi.
[24]. Qanday tanib olish algoritmlarini bilasiz?naqshlarni aniqlash va mashinani o'rganishda ishlatiladigan juda ko'p turli xil tanib olish algoritmlari mavjud, ulardan ba'zilari eng mashhur va keng qo'llaniladi:k-yaqin qo'shnilar (knn): bu oddiy va intuitiv algoritm bo'lib, u o'quv ma'lumotlaridagi boshqa ob'ektlarga o'xshashligi asosida ob'ektni tasniflaydi. Qaror daraxtlari: bu algoritm qarorlar va ularning mumkin bo'lgan oqibatlarini ifodalash uchun daraxtga o'xshash tuzilma yaratadi. Qaror daraxtlari ham tasniflash, ham regressiya vazifalari uchun ishlatilishi mumkin. Vektorli mashinalarni qo'llab-quvvatlash (svm): bu algoritm ma'lumotlarni turli sinflarga eng yaxshi ajratadigan giperplanni topadi. Bu, ayniqsa, ko'p funksiyali yoki ko'p sonli namunalarga ega ma'lumotlar to'plamlari uchun foydalidir. Naive bayes: bu bayes teoremasi asosida tasniflarni amalga oshiradigan ehtimolli algoritm. U, ayniqsa, matnlarni tasniflash va tabiiy tilni qayta ishlash vazifalari uchun juda mos keladi. Neyron tarmoqlar: bu inson miyasining ishlash usulidan ilhomlangan algoritmlar to‘plami bo‘lib, u oldinga uzatiladigan neyron tarmoqlari, konvolyutsion neyron tarmoqlari (cnn) va takroriy neyron tarmoqlarini o‘z ichiga oladi. Neyron tarmoqlari (rnn) tasodifiy oʻrmon: bu algoritm qarorlar daraxtlari ansamblini yaratadi, bu yaxshi darajadagi mustahkamlikka ega boʻlgan juda aniq algoritm hisoblanadi. Gradientni kuchaytirish: bu algoritm zaif oʻquvchilar ansamblini yaratuvchi ansambl usulidir, u tasniflash va regressiya vazifalari uchun ham foydalanish mumkin.k-means clustering: bu nazoratsiz oʻrganish algoritmi boʻlib, klaster markazlarini topish orqali oʻxshash obʼyektlarni birlashtiradi.ierarxik klasterlash: bu oʻxshash maʼlumotlar obyektlarini klasterlar deb ataladigan guruhlarga guruhlash uchun foydalaniladigan usul. U har bir klaster kichikroq klasterlarga bo'lingan klasterlar ierarxiyasini quradi.bu mavjud bo'lgan ko'plab tanib olish algoritmlarining bir nechta misollari. Algoritmni tanlash vazifaning o'ziga xos talablariga va ma'lumotlarning xususiyatlariga bog'liq bo'ladi.
[25]. Naqshlarni aniqlash mavzusida qanday vazifalarni hal qilish kerak?naqshlarni tanib olish sohasi keng va keng ko'lamli vazifalarni o'z ichiga oladi. Naqshlarni aniqlashda hal qilinishi kerak bo'lgan eng keng tarqalgan vazifalardan ba'zilari:tasniflash: ob'ektga uning xususiyatlari yoki xususiyatlariga qarab sinf belgisini belgilash. Bu vazifa tasvirni aniqlash, tabiiy tilni qayta ishlash va his-tuyg'ularni tahlil qilish kabi keng ko'lamli ilovalarda qo'llaniladi.klasterlash: o'xshash yoki o'xshash ob'ektlarni oldindan belgilangan sinf belgilaridan foydalanmasdan guruhlash. Bu vazifa odatda nazoratsiz o'rganish uchun ishlatiladi va ma'lumotlardagi tabiiy guruhlar yoki naqshlarni topish uchun ishlatiladi.ob'ektni aniqlash: rasm yoki video ichidagi ob'ektlarni aniqlash va joylashtirish. Bu vazifa tasvirni tasniflashdan koʻra murakkabroq va kuzatuv, robototexnika, avtonom transport vositalari va kengaytirilgan reallik kabi keng koʻlamli ilovalar uchun foydalidir.tasvirni segmentatsiyalash: tasvirni bir nechta segment yoki hududlarga boʻlish. U tasvir ichidagi ob'ektlar yoki qiziqish hududlarini ajratish uchun ishlatiladi.nutq, qo'l yozuvi va imzoni tan olish: nutq va yozma tilni, shu jumladan qo'l yozuvi va imzoni tanib olish naqshni aniqlash algoritmlari yordamida hal qilinishi mumkin bo'lgan vazifadir.anomaliyalarni aniqlash: naqsh yoki xatti-harakatlarni aniqlash normal yoki kutilgan naqshlardan chetga chiqadigan. Bu vazifa firibgarlikni aniqlash, bosqinni aniqlash va nosozlik diagnostikasi kabi keng koʻlamli ilovalar uchun ishlatilishi mumkin.yuzni aniqlash va tanib olish: yuz tasvirlaridan shaxslarni aniqlash va tekshirish. Bu vazifa xavfsizlik tizimlari va inson-kompyuter o'zaro ta'siri kabi keng ko'lamli ilovalar uchun ishlatilishi mumkin. Vaqt seriyasini tahlil qilish: mazmunli tushunchalarni olish uchun ketma-ket ma'lumotlarni tahlil qilish. Bu vazifani bashorat qilish, prognozlash va anomaliyalarni aniqlash kabi keng doiradagi ilovalar uchun foydalanish mumkin.bu topshiriqning o'ziga xos talablari va ma'lumotlarning xususiyatlariga qarab, naqshni aniqlash sohasida hal qilinishi mumkin bo'lgan ko'plab vazifalarning bir nechta misollari, turli xil algoritmlar va yondashuvlar qo'llaniladi.
[26]. Naqshlarni aniqlash tizimlari fani nimani o'rganadi?naqshlarni aniqlash tizimlari fani ma'lumotlardagi naqshlarni tanib olish algoritmlari va usullarini ishlab chiqishni o'rganadi. Bu mashinani o'rganish va sun'iy intellektning kichik sohasi bo'lib, u ma'lumotlardagi naqshlarni avtomatik aniqlashga qaratilgan. Shaklni aniqlash tizimlarining maqsadi ma'lumotlardan mazmunli ma'lumotlarni avtomatik ravishda ajratib oladigan modellar va usullarni ishlab chiqishdir.naqshlarni aniqlash tizimlari sohasi quyidagi tadqiqot yo'nalishlarini o'z ichiga oladi:xususiyatlarni ajratib olish: ob'ektlar yoki naqshlarni ifodalash uchun ishlatilishi mumkin bo'lgan ma'lumotlardan tegishli xususiyatlar yoki xususiyatlarni ajratib olish jarayoni. Tasniflash: ob'ektga uning xususiyatlari yoki xususiyatlariga qarab sinf belgisini belgilash jarayoni. Klasterlash: guruhlash jarayoni. O'xshash yoki o'xshash ob'ektlarni oldindan belgilangan sinf belgilaridan foydalanmasdan. Ob'ektni aniqlash: tasvir yoki video ichidagi ob'ektlarni aniqlash va joylashtirish jarayoni. Tasvirni segmentatsiyalash: tasvirni bir nechta segmentlar yoki hududlarga bo'lish jarayoni. Nutq va qo'l yozuvini tanib olish: nutq va yozma tilni, shu jumladan qo‘l yozuvi va imzoni tanib olish jarayoni. Anomaliyani aniqlash: oddiy yoki kutilgan namunalardan chetga chiqadigan naqsh yoki xatti-harakatlarni aniqlash jarayoni. Yuzni aniqlash va tanib olish: yuz tasvirlaridan shaxslarni aniqlash va tekshirish jarayoni. Vaqt seriyasi tahlil: mazmunli tushunchalarni olish uchun ketma-ket ma'lumotlarni tahlil qilish jarayoni.naqshlarni aniqlash tizimlari sohasi, shuningdek, ehtimollik nazariyasi, statistik qarorlar nazariyasi va axborot nazariyasini o'z ichiga olgan naqshni tanib olishning nazariy asoslarini o'rganadi. Ushbu soha yangi algoritmlar va usullarni ishlab chiqish, shuningdek, ularning ishlashini baholash va turli usullarni taqqoslashni o'z ichiga oladi.
[27]. Qoliplarni aniqlash tizimlarida "perseptron" tushunchasi?perseptron - bu sun'iy neyron tarmog'ining bir turi bo'lib, u birinchi marta 1950-yillarda kiritilgan. Bu ikkilik tasniflash vazifalari uchun ishlatilishi mumkin bo'lgan oddiy algoritm. U biologik neyronning oddiy matematik modeliga asoslangan neyron tarmoqlarning birinchi avlodi hisoblanadi.perseptron ikkilik kirish (0 yoki 1) va ikkilik chiqish (0 yoki 1) bo'lgan sun'iy neyronlarning bir qatlamidan iborat. Har bir kirish og'irlik bilan bog'lanadi va perseptron kirishlarning vaznli yig'indisini hisoblab chiqadi, keyin esa chiqishni ishlab chiqarish uchun chegara funktsiyasidan o'tadi. Perseptron algoritmi prognoz qilingan chiqish va haqiqiy chiqish o'rtasidagi xatolikni minimallashtirish uchun kirishlarning og'irligini sozlash uchun o'rgatilgan.perseptron algoritmi nazorat ostidagi o'rganish algoritmidir, ya'ni u o'rganish uchun etiketli o'quv ma'lumotlari to'plamini talab qiladi. U chiziqli bo'linadigan ma'lumotlarni tasniflash uchun ishlatilishi mumkin, ya'ni ma'lumotlarni chiziqli chegara bilan ajratish mumkin. Perseptron algoritmi oddiy va samarali algoritm bo'lib, undan murakkabroq neyron tarmoqlar uchun qurilish bloki sifatida foydalanilgan4

[28]. Statistik usullar naqshni aniqlash tizimlarida qo'llaniladimi yoki mantiqiy algebra usullari?naqshlarni aniqlash tizimlarida statistik usullar ham, mantiqiy algebra usullari ham qo'llaniladi.statistik usullar ma'lumotlarning ehtimollik taqsimotini modellashtirish va ushbu model asosida ma'lumotlar haqida xulosa chiqarish uchun ishlatiladi. Ushbu usullar, ayniqsa, ma'lumotlar shovqinli yoki noaniq bo'lsa foydalidir. Namunalarni aniqlashda keng qo'llaniladigan statistik usullarga bayes usullari, maksimal ehtimollikni baholash va qarorlar nazariyasi kiradi.mantiqiy algebra usullari esa matematik mantiq va to‘plamlar nazariyasiga asoslanadi. Ushbu usullar mantiqiy ifodalar yordamida ma'lumotlardagi naqsh va munosabatlarni ifodalash va ushbu mantiqiy ifodalar asosida ma'lumotlar haqida xulosa chiqarish uchun ishlatiladi. Naqshlarni aniqlashda keng qo'llaniladigan mantiqiy algebra usullariga qarorlar daraxtlari, qoidalarga asoslangan tizimlar va loyqa mantiq kiradi.ba'zi naqshlarni aniqlash usullari statistik va mantiqiy algebra usullarining kombinatsiyasidan foydalanadi, masalan, vektorni qo'llab-quvvatlash mashinasi (svms) qarorlar chegarasini optimallashtirish uchun statistik o'rganish nazariyasidan foydalanadigan usul va u shuningdek, bashorat qilish uchun mantiqiy algebra usullaridan foydalanadi. Qaror chegarasixulosa qilib aytganda, naqshni aniqlash tizimlarida statistik usullar ham, mantiqiy algebra usullari ham qo'llaniladi. Statistik usullar ma'lumotlarning ehtimollik taqsimotini modellashtirish va ushbu model asosida ma'lumotlar haqida xulosa chiqarish uchun ishlatiladi. Mantiqiy algebra usullari matematik mantiq va to'plamlar nazariyasiga asoslanadi va mantiqiy ifodalar yordamida ma'lumotlardagi naqsh va munosabatlarni ifodalash va ushbu mantiqiy ifodalar asosida ma'lumotlar haqida xulosa chiqarish uchun ishlatiladi. Ba'zi naqshlarni aniqlash usullari statistik va mantiqiy algebra usullarining kombinatsiyasidan foydalanadi.

[29].Sun'iy nerv to'plari naqshni aniqlash tizimlarida qo'llaniladimi yoki ular tabiiymi?shaklni aniqlash tizimlarida sun'iy neyron tarmoqlari (ann) qo'llaniladi. Ular inson miyasining ishlashidan ilhomlangan mashinani o'rganish modelining bir turi. Ann bir-biriga bog'langan sun'iy neyronlardan iborat bo'lib, ular biologik neyronlardan keyin modellashtirilgan. Neyronlar sinaps deb ataladigan yo'llar orqali bog'lanadi va ular bir-biri bilan elektr yoki kimyoviy signallar orqali aloqa qiladilar.sun'iy neyron tarmoqlar tasvirni aniqlash, nutqni aniqlash, tabiiy tilni qayta ishlash va ob'ektni aniqlash kabi naqshlarni aniqlashning keng doiradagi vazifalarida qo'llaniladi. Ular, ayniqsa, ma'lumotlar murakkab yoki chiziqli bo'lmagan va an'anaviy usullar aniq natijalarni bera olmaydigan vazifalar uchun foydalidir. Ann neyronlar orasidagi bog'lanishlarning og'irligini sozlash orqali ma'lumotlardagi naqshlarni tan olishni o'rganishi mumkin.boshqa tomondan, tabiiy neyron tarmoqlari inson miyasi kabi tirik organizmlarda joylashgan biologik neyron tarmoqlariga ishora qiladi. Ushbu tarmoqlar biologik neyronlar va sinapslardan iborat bo'lib, ular bir-biri bilan elektr va kimyoviy signallar orqali bog'lanadi.xulosa qilib aytganda, sun'iy neyron tarmoqlar naqshni aniqlash tizimlarida qo'llaniladi, ular inson miyasining ishlash usulidan ilhomlangan mashinani o'rganish modelining bir turi. Ular bir-biriga bog'langan sun'iy neyronlardan iborat bo'lib, naqshni aniqlash bo'yicha keng ko'lamli vazifalarda qo'llaniladi. Boshqa tomondan, tabiiy neyron tarmoqlari inson miyasi kabi tirik organizmlarda joylashgan biologik neyron tarmoqlariga ishora qiladi.

[30-31]. Qaror qoidasi naqshni aniqlash tizimlariga o'rnatilganmi va u qanday ko'rinishga ega?ha, qaror qoidasi odatda naqshni aniqlash tizimlariga o'rnatiladi. Qaror qabul qilish qoidasi - bu tizim tomonidan kiritilgan ma'lumotlar asosida bashorat qilish yoki tasniflash uchun ishlatiladigan ko'rsatmalar to'plami yoki usuli. Qaror qoidasi naqshni aniqlash tizimining asosiy qismidir va kirish ma'lumotlarini tegishli chiqish yoki sinf yorlig'iga solishtirish uchun ishlatiladi.qaror qabul qilish qoidasining shakli va tuzilishi aniq namunani aniqlash vazifasiga va ishlatiladigan algoritm turiga bog'liq bo'ladi. Misol uchun, nazorat ostida tasniflash topshirig'ida qaror qoidasi kirish xususiyatlarini sinf belgilariga moslashtiradigan matematik funktsiya shaklida bo'lishi mumkin. Bunday holda, qaror qabul qilish qoidasi yorliqli ma'lumotlar to'plami va o'rganish algoritmidan foydalangan holda o'quv bosqichida quriladi.qoidalarga asoslangan tizimda qaror qabul qilish qoidasi agar-keyin iboralari to'plami shaklini oladi, ularning har biri kirish ma'lumotlarini chiqish yoki sinf yorlig'i bilan taqqoslaydigan qoidani ifodalaydi. Bunday holda, qaror qoidasi bilimga asoslangan yondashuv yordamida tuziladi, bu erda qoidalar domen mutaxassislari tomonidan belgilanadi.nazoratsiz ta'limda qaror qabul qilish qoidasi ma'lumotlarni qandaydir o'xshashlik o'lchovi asosida guruhlaydigan klasterlash algoritmi bo'lib, qaror qoidasi yorliqsiz ma'lumotlar to'plami va klasterlash algoritmidan foydalangan holda o'quv bosqichida quriladi.

[32]. Tasvirni aniqlash tizimlarini qo'llash sohalari?tasvirni aniqlash tizimlari keng ko'lamli ilovalarda qo'llaniladi. Qo'llashning asosiy sohalaridan ba'zilari quyidagilardan iborat:kompyuterni ko'rish: tasvirni aniqlash tizimlari kompyuterni ko'rishda haqiqiy dunyodan vizual ma'lumotni sharhlash va tushunish uchun ishlatiladi. Ilovalar ob'ektni aniqlash va kuzatish, yuzni tanish va sahnani tushunishni o'z ichiga oladi. Robototexnika: tasvirni aniqlash tizimlari robotlarga o'z atrofini idrok etish va tushunish imkonini berish uchun robototexnikada qo'llaniladi, bu navigatsiya va manipulyatsiya kabi vazifalar uchun juda muhimdir. Kuzatuv: tasvirni aniqlash tizimlari real vaqt rejimida odamlarni, transport vositalarini va boshqa ob'ektlarni aniqlash va kuzatish uchun kuzatuv tizimlarida qo'llaniladi. Sog'liqni saqlash: tasvirni aniqlash tizimlari sog'liqni saqlash sohasida o'smalarni aniqlash, organlar segmentatsiyasi va surunkali kasalliklar monitoringi kabi tibbiy tasvirlarni tahlil qilish uchun qo'llaniladi. Qishloq xo'jaligi: tasvirni aniqlash tizimlari zararkunandalar, kasalliklar va hosildorlikka taʼsir qilishi mumkin boʻlgan boshqa muammolarni aniqlash uchun ekinlar tasvirlarini tahlil qilish uchun ishlatiladi.oʻz-oʻzidan boshqariladigan avtomobillar: tasvirni aniqlash tizimlari oʻzi boshqariladigan avtomobillarda boshqa transport vositalari, piyodalar va harakatlanuvchilarni aniqlash va kuzatish uchun ishlatiladi. Avtomobilga atrof-muhit haqida qaror qabul qilish imkonini beruvchi yoʻl belgilari. Kengaytirilgan haqiqat: tasvirni aniqlash tizimlari avgust oyida qoʻllaniladi real dunyo ob'ektlarini aniqlash va kuzatish uchun zikr qilingan voqelik virtual ob'ektlarni real dunyoga qo'yish imkonini beradi. Chakana savdo: tasvirni aniqlash tizimlari chakana savdoda mahsulotni tanib olish va kuzatish, mijozlarni kuzatish va inventarni boshqarish kabi vazifalar uchun ishlatiladi. Marketing: rasm tanib olish tizimlari marketingda mahsulotlar, qadoqlash va brending tasvirlarini tahlil qilish, reklama kampaniyalari samaradorligini kuzatish va ijtimoiy tarmoqlarning vizual mazmunini kuzatish uchun ishlatiladi.sanoatni avtomatlashtirish: tasvirni aniqlash tizimlari sanoat avtomatizatsiyasida sifat nazorati kabi vazifalar uchun ishlatiladi. , monitoring va tekshirish.bu bir nechta misollar, ammo qo'llanilish sohasi tez sur'atlar bilan o'sib bormoqda, badiiy tahlil, yovvoyi tabiat monitoringi va yovvoyi tabiatni muhofaza qilish kabi yangi sohalar ham paydo bo'lmoqda.
[33]. Tasvirni aniqlash tizimlarining funksional vazifalari haqida ma'lumot bering?tasvirni aniqlash tizimlari turli funktsional vazifalarni bajarish uchun mo'ljallangan. Asosiy funktsional vazifalarga quyidagilar kiradi:ob'ektni tanib olish: tasvirni aniqlash tizimlari tasvir ichidagi odamlar, transport vositalari va boshqa ob'ektlar kabi ob'ektlarni aniqlash va tasniflash uchun ishlatiladi.tasvirni segmentatsiyalash: tasvirni aniqlash tizimlari tasvirni bir nechta segmentlar yoki mintaqalarga bo'lish uchun ishlatiladi, bu esa turli ob'ektlar yoki hududlarga ruxsat beradi. Tasvirni alohida identifikatsiyalash va tahlil qilish. Ob'ektni aniqlash: tasvirni aniqlash tizimlari tasvir yoki video ichidagi ob'ektlarni vaqt o'tishi bilan kuzatish imkonini beradigan joyni aniqlash va aniqlash uchun ishlatiladi. Xavfsizlik va kuzatuv kabi ilovalar uchun ishlatiladigan yuz tasvirlari. Tasvirni tahlil qilish: tasvirni aniqlash tizimlari rang, tekstura va shakl kabi tasvirlardan xususiyatlarni ajratib olish va tahlil qilish, ob'ektlarni tasniflash va aniqlash uchun ishlatiladi. Tasvirni tiklash: tasvirni aniqlash tizimlar buzilgan yoki buzilgan tasvirlarni tiklash uchun ishlatiladi, masalan, shovqin yoki loyqalikni olib tashlash.obyektni kuzatish: tasvir e tanib olish tizimlari tasvir yoki video ichidagi ob'ektlarni kuzatish uchun ishlatiladi, bu ularni vaqt o'tishi bilan kuzatish imkonini beradi.rasmni ro'yxatga olish: tasvirni aniqlash tizimlari bir xil sahnaning bir nechta tasvirlarini tekislash uchun ishlatiladi, ularni birlashtirish yoki solishtirish imkonini beradi.tasvirga asoslangan. Qidiruv: tasvirni aniqlash tizimlari ularning mazmuni asosida rasmlarni qidirish uchun ishlatiladi, bu foydalanuvchilarga ma'lum bir so'rovga mos keladigan rasmlarni topishga imkon beradi.sahnani tushunish: rasmni aniqlash tizimlari tasvirning konteksti va ma'nosini tushunish uchun ishlatiladi, masalan, buni tan olish. Tasvirda velosipedda ketayotgan odam tasvirlangan.ushbu funktsional vazifalar ob'ektni aniqlash, yuzni aniqlash, tibbiy tasvirlash, sifat nazorati va boshqalar kabi turli ilovalarda o'z rolini bajarishi uchun tasvirni aniqlash tizimlari uchun juda muhimdir. Funktsional vazifalar dastur sohasi va tizim ishlayotgan ma'lumotlar turi bilan chambarchas bog'liq.
[34]. Ovozni aniqlash qaysi sohalarda qo'llaniladi?ovozni aniqlash, shuningdek, nutqni aniqlash sifatida ham tanilgan, keng doiradagi sohalarda qo'llaniladi, jumladan:telekommunikatsiyalar: ovozni aniqlash telefonlar uchun interaktiv ovozli javob (ivr) tizimlarida qo'llaniladi, bu mijozlarga kompyuterlashtirilgan tizim bilan gaplashish orqali o'zaro aloqada bo'lish imkonini beradi. Avtomobil sanoati: ovozni aniqlash texnologiyasi avtomobillarda qo'ng'iroqlarsiz qo'ng'iroq qilish, navigatsiya va musiqa va musiqani boshqarish uchun ishlatiladi. Boshqa funksiyalar.virtual yordamchilar: ovozni aniqlash amazonning alexa, google assistant va apple siri kabi shaxsiy yordamchilarida qo‘llaniladi, bu foydalanuvchilarga aqlli uy qurilmalarini boshqarish va o‘z qurilmasi bilan gaplashish orqali ma’lumotlarga kirish imkonini beradi.sog‘liqni saqlash: ovozni aniqlash texnologiyasi tibbiyotda qo‘llaniladi. Diktant, shifokorlar va hamshiralarga bemor yozuvlari va boshqa tibbiy maʼlumotlarni aytib berish imkonini beradi. Mavjudlik: ovozni tanib olish imkoniyati cheklangan shaxslar uchun yordamchi texnologiyada qoʻllaniladi, bu ularga oʻz ovozi bilan kompyuterlar, smartfonlar va boshqa qurilmalarni boshqarish imkonini beradi. Oʻyin: ovozni tanishdan foydalaniladi. O'yinlarda, o'yinchilarga o'yinlarni boshqarish va belgilarga buyruqlar berish imkonini beradi gapirish.uyda avtomatlashtirish: ovozni aniqlash texnologiyasi aqlli uylarda yorug‘lik, harorat va boshqa jihozlarni boshqarish uchun ishlatiladi. Xavfsizlik: ovozni aniqlash biometrik autentifikatsiya va kirishni boshqarish uchun ishlatiladi, bu foydalanuvchilarga o‘z ovozi bilan qurilmalar yoki xavfsiz hududlarga kirish imkonini beradi. Language translation : ovozni tanish real vaqtda og‘zaki so‘zlarni bir tildan ikkinchi tilga tarjima qilish uchun ishlatiladi.biznes: ovozni aniqlash texnologiyasi mijozlarga xizmat ko‘rsatishda qo‘llaniladi, bu kompaniyalarga o‘z qo‘ng‘iroq markazlarini avtomatlashtirish va mijozlar tajribasini yaxshilash imkonini beradi.
[35-36]. To'plam va metrik fazo tushunchalari o'rtasidagi farq nima?to'plam - bu alohida elementlar yoki ob'ektlar to'plami. To'plamni ko'p jihatdan aniqlash mumkin, masalan, raqamlar to'plami, bo'shliqdagi nuqtalar to'plami, so'zlar to'plami va boshqalar. To'plamdagi elementlar har qanday bo'lishi mumkin va ular hech qanday maxsus bo'lishi shart emas. Tuzilishi yoki tartibi. To'plam cheksiz yoki chekli bo'lishi mumkin va u bo'sh yoki bo'sh bo'lishi mumkin.metrik fazo esa, ular orasidagi masofa tushunchasiga ega bo'lgan elementlar (nuqtalar) to'plamidir. Metrik fazo metrik bilan belgilanadi, bu fazodagi istalgan juft nuqtaga manfiy bo'lmagan haqiqiy sonni belgilaydigan funktsiyadir. Bu funktsiya masofa funksiyasi deb ataladi va u manfiy bo'lmaganlik, simmetriya va uchburchak tengsizligi kabi ma'lum xususiyatlarni qondirishi kerak. Oddiy so'zlar bilan aytganda, metrik fazo to'plamning istalgan ikkita nuqtasi orasidagi masofani o'lchash usuliga ega bo'lgan to'plamdir.to'plamga misol sifatida barcha natural sonlar to'plami, boshqa misol - ingliz tilidagi barcha so'zlar to'plamidir. Metrik fazoga misol sifatida standart evklid masofa funksiyasi bilan 2 o‘lchovli evklid fazosining barcha nuqtalari to‘plamini keltirish mumkin. 2 o'lchovli evklid fazosining barcha nuqtalari to'plami to'plamdir, lekin u evklid masofasi funksiyasi bilan jihozlanganida metrik fazoga aylanadi.
[37]. O`qituvchi yordamida dars berish deganda nimani tushunasiz?o'qituvchi yordamida o'qitish an'anaviy ta'lim usulini anglatadi, bunda shaxs, o'qituvchi sinfda yoki boshqa o'quv muhitida talabalarga bilim beradi. O‘qituvchi o‘quv dasturini yaratish va yetkazish, o‘quvchilarga yo‘l-yo‘riq va fikr-mulohaza berish hamda ularning muvaffaqiyatini baholash uchun javobgardir. O'qituvchi talabalar uchun asosiy ma'lumot va bilim manbai hisoblanadi.o‘qitishning bu usulida o‘quvchilarning darsda faol ishtirok etishlari, savollar berishlari, bahs-munozaralar va boshqa tadbirlarda qatnashishlari kutiladi. O'qituvchi o'quvchilarga materialni o'rganish va tushunishga yordam berish uchun ma'ruzalar, muhokamalar, amaliy mashg'ulotlar va baholash kabi turli xil o'qitish usullaridan foydalanishi mumkin.o'qitishning bu usuli samarali deb hisoblanadi, chunki u o'qituvchi va talabalar o'rtasida shaxsiy o'zaro munosabatlarni amalga oshirishga imkon beradi va u individual talabalarning ehtiyojlari va o'rganish uslublariga moslashtirilishi mumkin. Bu, shuningdek, o'qituvchidan darhol fikr-mulohaza va qo'llab-quvvatlash imkonini beradi, bu esa o'quvchilarga yo'lda
[38]. Nazoratsiz ta'lim deganda nimani tushunasiz?nazoratsiz o'rganish - bu algoritm etiketli yoki nazorat qilinadigan ma'lumotlar bilan ta'minlanmagan mashinani o'rganishning bir turi. Algoritm yorliqlangan ma'lumotlarga o'rgatilgan va bashorat qilish uchun aniq maqsadli o'zgaruvchi bilan ta'minlangan nazorat ostida o'rganishdan farqli o'laroq, nazoratsiz o'rganishda algoritm faqat kirish ma'lumotlari bilan ta'minlanadi va ma'lumotlarda naqsh yoki tuzilmani o'zi topishi kerak.nazoratsiz ta'lim klasterlash, o'lchamlarni kamaytirish va anomaliyalarni aniqlash kabi vazifalar uchun ishlatiladi.klasterlash - bu o'xshash ma'lumotlar nuqtalarini birgalikda guruhlash vazifasi. Masalan, xaridorlarni xarid qilish odatlariga ko‘ra guruhlash, so‘zlarni ma’nosiga qarab guruhlash va h.k.o'lchovni qisqartirish - bu eng muhim ma'lumotlarni saqlab qolish bilan birga, ma'lumotlarning funktsiyalari sonini kamaytirish vazifasi. Bu ma'lumotlarning murakkabligini kamaytirishga va uni yanada tushunarliroq ko'rsatishga yordam beradi.anomaliyalarni aniqlash - bu ma'lumotlarning ko'p qismidan sezilarli darajada farq qiladigan ma'lumotlar nuqtalarini aniqlash vazifasi. Masalan, moliyaviy operatsiyalar ma'lumotlar to'plamida firibgarlik operatsiyalarini aniqlash.nazoratsiz o'rganish rasmlar, matn va vaqt seriyalari kabi keng ko'lamli ma'lumotlarda qo'llanilishi mumkin. Belgilangan ma'lumotlar mavjud bo'lmagan yoki olish qiyin bo'lgan hollarda foydalidir.
[39]. Ta'lim namunasi qanday shakllantiriladi?ta'lim namunasi - o'rganish va o'rganish maqsadida tanlangan populyatsiyaning kichik to'plami. Ta'lim namunasini shakllantirish tadqiqot dizayni, tadqiqot maqsadlari va aholining xususiyatlariga bog'liq. Ta'lim namunasini shakllantirishning bir necha usullari mavjud, jumladan:tasodifiy tanlab olish: bu usul populyatsiyadan ma'lum miqdordagi shaxslarni tasodifiy tanlashni o'z ichiga oladi. Bu usul eng xolis deb hisoblanadi va ko'pincha miqdoriy tadqiqotlarda qo'llaniladi.tabaqalashtirilgan tanlama: bu usul populyatsiyani turli kichik guruhlar yoki qatlamlarga bo'lish, so'ngra har bir qatlamdan ma'lum miqdordagi shaxslarni tasodifiy tanlashni o'z ichiga oladi. Bu usul populyatsiya turlicha bo'lganda va tadqiqotchi tanlama turli kichik guruhlar vakili bo'lishini ta'minlashni xohlasa qo'llaniladi.klaster tanlash: bu usul populyatsiyani guruhlarga yoki klasterlarga bo'lish, so'ngra klasterlarning tasodifiy tanlanishini o'z ichiga oladi. Tanlangan klasterlardagi barcha shaxslar namunaga kiritilgan. Bu usul ko'pincha populyatsiya katta geografik hududga tarqalganda va to'g'ridan-to'g'ri shaxslarni tanlab olish qiyin bo'lganida qo'llaniladi.qulay tanlov: bu usul populyatsiyadan tadqiqotchiga oson kirish mumkin bo'lgan shaxslarni tanlashni o'z ichiga oladi. Bu usul ko'pincha vaqt va resurslar cheklangan hollarda qo'llaniladi.maqsadli tanlab olish: bu usul populyatsiyadan ma'lum mezonlar yoki xususiyatlar asosida shaxslarni tanlashni o'z ichiga oladi. Ushbu usul ko'pincha tadqiqot savoli aholining ma'lum bir kichik guruhiga qaratilgan bo'lsa qo'llaniladi.har bir usulning o'ziga xos afzalliklari va kamchiliklari mavjud va usulni tanlash tadqiqot maqsadlari va aholining xususiyatlariga bog'liq bo'ladi. Umuman olganda, tanlanma aholining vakili bo'lishi va tanlovni shakllantirishda qo'llaniladigan usul xolis bo'lishi muhimdir.
[40]. Ta'lim namunasi jadval yoki massiv sifatida taqdim etilganmi?ta'lim namunasi tadqiqot dizayni, tadqiqot maqsadlari va to'plangan ma'lumotlar turiga qarab turli xil usullarda taqdim etilishi mumkin.o'quv namunasini taqdim etishning bir usuli - jadval shaklida. Bu miqdoriy tadqiqotda qo'llaniladigan keng tarqalgan usul bo'lib, unda namunaviy ma'lumotlar qatorlar va ustunlar bilan jadval shaklida tashkil etilgan. Qatorlar alohida kuzatishlarni, ustunlar esa ma'lumotlarning o'zgaruvchilari yoki atributlarini ifodalaydi. Jadval ishtirokchilarning xususiyatlari, demografik ma'lumotlari va so'rovnoma savollariga javoblar kabi ma'lumotlarni o'z ichiga olishi mumkin.ta'lim namunasini taqdim etishning yana bir usuli - massiv ko'rinishida. Massiv - bu ma'lum bir tarzda, masalan, to'r yoki matritsada tashkil etilgan ma'lumotlar elementlari to'plami. Massiv katta hajmdagi raqamli ma'lumotlarni, masalan, tasvir ma'lumotlari yoki vaqt seriyalari ma'lumotlarini saqlash va boshqarish uchun ishlatilishi mumkin. Massiv ma'lumotlarning ikki o'lchovli tasviri sifatida ko'rsatilishi mumkin, bu erda satrlar va ustunlar ma'lumotlarning o'lchamlarini ifodalaydi.bundan tashqari, ma'lumotlar turli usullarda taqdim etilishi mumkin, masalan, grafikalar, diagrammalar, gistogrammalar va boshqalar. Talqin qilish.
[41]. Ta'lim tanlovi deganda nimani tushunasiz?ta'lim tanlovi o'quvchi yoki oilaning ehtiyojlari va afzalliklariga eng mos keladigan maktab yoki ta'lim dasturini tanlash jarayonini anglatadi. Bu inson qanday ta'lim olishni xohlayotgani va ushbu maqsadlarga eng mos keladigan muassasa yoki dastur haqida qaror qabul qilish jarayonidir.ta'lim tanlovi odatda an'anaviy davlat maktablari, charter maktablari, xususiy maktablar, virtual maktablar, uyda o'qitish va boshqalar kabi bir qator variantlarni o'z ichiga oladi. Maktab yoki dasturni tanlashga joylashuv, akademik obro', xarajat, o'quv rejasi, darsdan tashqari mashg'ulotlar va boshqalar kabi omillar ta'sir qiladi.ko'pgina mamlakatlarda ta'limni tanlash ota-onalar va o'quvchilarning asosiy huquqidir va hukumatlar ta'lim tanlash imkoniyatlarini qo'llab-quvvatlash va kengaytirish siyosatini amalga oshirmoqda. Ta'lim tanlovini ta'limda raqobat va innovatsiyalarni rag'batlantirish usuli sifatida ham ko'rish mumkin.
[42]. Insonni tanib olishda organlarning qaysi biri informativ hisoblanadi?inson miyasi insonni tanib olishda eng ko'p ma'lumot beruvchi organdir. Miya ko'zlar tomonidan qabul qilingan vizual ma'lumotni, shuningdek teginish, hid va tovush kabi boshqa hissiy ma'lumotlarni tanib olish va izohlash uchun javobgardir.insonni tanib olish jarayoni ko'zlardan boshlanadi, u odamning tasvirini oladi va vizual ma'lumotni miyaga yuboradi. Keyin miya ma'lumotni qayta ishlaydi va uni saqlangan tasvirlar va ilgari duch kelgan odamlarning xotiralari bilan taqqoslaydi. Ushbu taqqoslashga asoslanib, miya odamni taniydimi yoki yo'qmi, qaror qabul qiladi.miya, shuningdek, odamni tanib olishda yordam berish uchun odamning ovozi, uning o'ziga xos hidi va hatto yurishi yoki harakati kabi boshqa hissiy ma'lumotlardan ham foydalanadi. Bu ma'lumotlarning barchasi miya tomonidan insonning shaxsi to'g'risida qaror qabul qilish uchun birlashtiriladi va qayta ishlanadi.insonni tanib olishda miyadan tashqari ko‘z, quloq, burun kabi boshqa organlar ham muhim rol o‘ynaydi. Ko'zlar odamning tasvirini, quloqlar ovozining tovushini, burun esa odamning o'ziga xos hidini sezishi mumkin. Ammo miya barcha ma'lumotlarni birlashtiradigan va tan olish to'g'risida yakuniy qaror qabul qiladigan organdir.xulosa qilib aytganda, inson miyasi insonni tanib olishda eng ko'p ma'lumot beruvchi organdir. U vizual, eshitish va hid bilish ma'lumotlarini qayta ishlaydi, ularni saqlangan tasvirlar va ilgari duch kelgan odamlarning xotiralari bilan taqqoslaydi va odamni taniydimi yoki yo'qmi, qaror qabul qiladi. Ko'zlar, quloqlar va burun kabi boshqa organlar ham odamni tanib olishda rol o'ynaydi, ammo miya yakuniy qarorni qabul qiladigan organdir.
[43]. Naqshlarni aniqlash fani nimani o'rgatadi?naqshlarni aniqlash fani ma'lumotlardagi naqshlar, qonuniyatlar va muntazam tuzilmalarni avtomatik ravishda aniqlash uchun ishlatiladigan usullar, usullar va algoritmlarni o'rgatadi. U katta hajmdagi ma'lumotlarni tahlil qiladigan va ma'nosini anglatadigan, ularni tasniflay oladigan va bashorat qila oladigan tizimlarni loyihalash va ishlab chiqishni o'rgatadi.u tasvirni tahlil qilish, nutqni aniqlash, tabiiy tilni qayta ishlash, bioinformatika va boshqalar kabi keng doiradagi mavzularni qamrab oladi. Shuningdek, u ehtimollik nazariyasi, chiziqli algebra, optimallashtirish va mashinani o'rganish kabi matematik va statistik usullarni o'z ichiga oladi.u ma'lumotlardan xususiyatlarni qanday ajratib olishni va ularni qanday qilib mazmunli ko'rsatishni o'rgatadi. Shuningdek, u ma'lumotlarni tasniflash uchun qaror qabul qilish qoidalarini ishlab chiqish va amalga oshirishni, shuningdek, tasniflagichlarning ishlashini qanday baholashni o'rgatadi.bundan tashqari, u naqshni aniqlash va mashinani o'rganishning matematik asoslarini, jumladan, baholash nazariyasini, qarorlar nazariyasini va bayes qarorlari nazariyasini o'rganishni ham qamrab oladi.
[44]. Shaklni tanib olishdan maqsad nima?shaklni tanib olishning maqsadi ma'lumotlardan mazmunli ma'lumot olish va undan qarorlar yoki bashorat qilish uchun foydalanishdir. Shaklni aniqlash tizimlari ma'lumotlarni tasniflash yoki klasterlash yoki yangi ma'lumotlar haqida bashorat qilish uchun ishlatilishi mumkin bo'lgan naqsh va qonuniyatlarni aniqlash uchun ma'lumotlarni tahlil qiladi.shaklni aniqlashning asosiy maqsadi ma'lumotlardan ma'lumotlarni avtomatik ravishda ajratib olish va undan qarorlar yoki bashorat qilish uchun foydalanishi mumkin bo'lgan modellar, algoritmlar va tizimlarni ishlab chiqishdir. Naqshlarni tanib olish tasvirni qayta ishlash, nutqni aniqlash, tabiiy tilni qayta ishlash, bioinformatika va boshqalar kabi keng sohalarda qo'llanilishi mumkin.tasvirga ishlov berishda naqshni aniqlashdan rasmlar yoki videolardagi ob'ektlar, odamlar yoki matnni aniqlash uchun foydalanish mumkin. Nutqni aniqlashda qolipni tanib olish og'zaki so'zlarni matnga ko'chirish uchun ishlatilishi mumkin. Tabiiy tilni qayta ishlashda matn yoki nutqning ma'nosini tushunish uchun naqshni aniqlashdan foydalanish mumkin. Bioinformatikada naqshni aniqlash genetik ma'lumotlarni tahlil qilish uchun ishlatilishi mumkin.umuman olganda, namunani aniqlash tizimlari qarorlar qabul qilish va bashorat qilishni avtomatlashtirish, katta ma'lumotlar to'plamidan foydali ma'lumotlarni olish, insoniy qarorlar qabul qilish samaradorligini oshirish va inson tajribasi kam yoki qimmat bo'lgan holatlarda qaror qabul qilishni qo'llab-quvvatlash uchun ishlatiladi..
[45]. Tasvirlarni identifikatsiyalashda ob'ektlarni tasniflash asosida nimalar yotadi?tasvirlarni identifikatsiyalashda ob'ektlarning tasnifi tasvirlardan xususiyatlarni ajratib olish va mashinani o'rganish algoritmlaridan foydalanishga asoslangan. Jarayonni bir necha bosqichlarga bo'lish mumkin:xususiyatlarni ajratib olish: ushbu bosqichda tizim tasvirdan tasniflash vazifasiga tegishli bo'lgan xususiyatlar to'plamini chiqaradi. Bu xususiyatlar rang, tekstura, shakl yoki boshqa xususiyatlarni o'z ichiga olishi mumkin. Maqsad ob'ektni ifodalovchi va uni boshqa ob'ektlardan ajratish uchun ishlatilishi mumkin bo'lgan xususiyatlar to'plamini ajratib olishdir. Xususiyatlar namoyishi: ushbu bosqichda tizim xususiyatlarni mashinani o'rganish tomonidan ishlatilishi mumkin bo'lgan tarzda ifodalaydi. Algoritm. Bu funksiyalarni vektorlashtirish, ularni normallashtirish yoki qandaydir tarzda o'zgartirishni o'z ichiga olishi mumkin. Trening: ushbu bosqichda tizim etiketli ma'lumotlar to'plamida o'qitiladi. Ma'lumotlar to'plami tasniflanishi kerak bo'lgan ob'ektlarning rasmlarini va ularning tegishli teglarini o'z ichiga oladi. Mashinani o'rganish algoritmi har bir yorliqga mos keladigan xususiyatlardagi naqshlarni tan olishni o'rganadi. Tasniflash: ushbu bosqichda tizim yangi tasvirlarni tasniflash uchun o'qitilgan modeldan foydalanadi. Yangi tasvir berilganda, tizim xususiyatlarni ajratib oladi, o'rganilgan modelni qo'llaydi va o'rganilgan naqshlarga eng yaqin mos keladigan rasmga yorliq qo'yadi.tasvirlarni identifikatsiyalashda ob'ektlarning tasnifi tasvirdan xususiyatlarni ajratib olishga, ularni mashinani o'rganish algoritmlari tomonidan ishlatilishi mumkin bo'lgan tarzda ifodalashga va modelni etiketlangan ma'lumotlar to'plamiga o'rgatish va o'rgatilgan model yordamida yangi tasvirlarni tasniflashga asoslangan. Tasniflash jarayonining aniqligi va samaradorligi xususiyatlar sifatiga va mashinani o'rganish algoritmini tanlashga bog'liq.
[46]. Nega pretsedent tushunchasi tasvirlarni aniqlash uchun ishlatiladi?pretsedent tushunchasi tasvirlarni aniqlash va tasniflash tizimlari kontekstida tasvirlarni aniqlash uchun ishlatiladi. Pretsedent - bu ilgari ko'rilgan yoki o'rganilgan tasvir bo'lib, u yangi tasvirlarni tanib olish va tasniflash uchun mos yozuvlar yoki model bo'lib xizmat qiladi.tasvirni aniqlash tizimlarida tizim har bir tasvir ma'lum bir sinf yoki yorliq bilan bog'langan etiketli tasvirlar ma'lumotlar to'plamida o'qitiladi. Tizim o'quv ma'lumotlar to'plamini tahlil qilish orqali har bir sinfga xos xususiyatlar va naqshlarni "o'rganadi".tizimga yangi rasm taqdim etilganda, u eng yaqin moslikni aniqlash uchun o'quv ma'lumotlar to'plamidagi pretsedentlar yoki ilgari ko'rilgan rasmlar bilan taqqoslanadi. Keyin tizim yangi rasmga eng yaqin mos keladigan yorliqni tayinlaydi.pretsedentdan foydalanish tizimga o'quv bosqichida ko'rgan tasvirlardan ilgari ko'rmagan yangi tasvirlarni umumlashtirishga yordam beradi. Yangi tasvirlarni pretsedentlar bilan solishtirib, tizim yangi tasvirlar sinfi yoki yorlig'i haqida bashorat qilishi mumkin, hatto ular o'quv bosqichida ko'rilgan rasmlardan biroz farq qilsa ham.

[47]. Kamera yordamida tasvirni olish va uning tavsifini ramziy shaklda tuzish uchun mo'ljallangan tizimlar.bunday tizimlar tasvirni aniqlash tizimlari deb ataladi. Ular kamera yordamida tasvirni olish va keyin mazmunli ma'lumot olish va uni ramziy shaklga aylantirish uchun tasvirni qayta ishlash uchun mo'ljallangan. Ushbu ramziy shakl matn, raqamlar yoki teglar shaklida bo'lishi mumkin.rasmni aniqlash jarayoni odatda bir necha bosqichlarni o'z ichiga oladi:tasvirni olish: birinchi qadam kamera yordamida tasvirni olishdir. Tasvirni raqamli kamera, veb-kamera yoki smartfon kamerasidan foydalanish kabi turli usullar bilan olish mumkin.tasvirga ishlov berish: ushbu bosqichda tasvir tanib olish vazifasiga tegishli xususiyatlarni chiqarish uchun qayta ishlanadi. Bunga tasvirning oʻlchamini oʻzgartirish, uni kulrang rangga aylantirish va shovqinni olib tashlash kiradi. Xususiyatlarni ajratib olish: keyin tizim rasmdan tanib olish vazifasiga tegishli boʻlgan xususiyatlar toʻplamini chiqaradi. Bu xususiyatlar rang, tekstura, shakl yoki boshqa xususiyatlarni o'z ichiga olishi mumkin. Xususiyatlarni ko'rsatish: keyin tizim xususiyatlarni tanib olish algoritmi tomonidan ishlatilishi mumkin bo'lgan tarzda ifodalaydi. Bu funksiyalarni vektorlashtirish, ularni normallashtirish yoki qandaydir tarzda o‘zgartirishni o‘z ichiga olishi mumkin. Tanib olish: keyin tizim tasvirga tanib olish algoritmini qo‘llaydi. Algoritm tasvirni oldindan ko'rilgan tasvirlar to'plami bilan taqqoslaydi, ular pretsedentlar deb ataladi va eng yaqin moslik asosida tasvirga yorliq yoki sinf tayinlaydi.ushbu tizimlar ob'ektni aniqlash, yuzni tanish, davlat raqamini aniqlash va boshqalar kabi turli xil ilovalarda keng qo'llaniladi. Ular xavfsizlik, sog'liqni saqlash, transport, chakana savdo va boshqa ko'plab sohalarda qo'llaniladi.

[48]. Mashinani ko'rish tizimlari qanday texnologiyalardan foydalanadi?mashina ko'rish tizimlari tasvirlarni qayta ishlash va tahlil qilish uchun texnologiyalar kombinatsiyasidan foydalanadi. Mashinani ko'rish tizimlarida qo'llaniladigan asosiy texnologiyalardan ba'zilari:tasvir sensorlari: ccd (zaryadga ulangan qurilma) yoki cmos (qo'shimcha metall-oksid-yarim o'tkazgich) sensorlari kabi tasvirni oladigan qurilmalar. Tasvirni qayta ishlash: bu texnologiya yorqinlikni sozlash va tasvirlarni oldindan qayta ishlash uchun ishlatiladi. Kontrast, shovqinni olib tashlash va tasvir hajmini oʻzgartirish. Xususiyatlarni ajratib olish: bu texnologiya tasvirdan rang, tekstura, shakl yoki boshqa xususiyatlar kabi tegishli xususiyatlarni olish uchun ishlatiladi. Mashinani oʻrganish: bu texnologiya tizimni tanib olishga oʻrgatish uchun ishlatiladi. Rasmdagi naqshlar. U nazorat ostida o'rganish, nazoratsiz o'rganish yoki chuqur o'rganish kabi usullarni o'z ichiga olishi mumkin.kompyuterni ko'rish: bu texnologiya tasvirni tahlil qilish va ob'ektlarni aniqlash, naqshlarni tan olish va harakatni kuzatish kabi ma'lumotlarni olish uchun ishlatiladi.robotexnika: ushbu texnologiya tasvirdan olingan ma'lumotlarga javoban robot qurilmalarning harakatini boshqarish.aloqa: bu texnologiya tasvir ma'lumotlarini uzatish va mashinani ko'rish tizimi va boshqa qurilmalar o'rtasida signallarni boshqarish uchun ishlatiladi. Yoritish: bu texnologiya ob'ektni yoritish va yaratish uchun ishlatiladi. Mumkin bo'lgan eng yaxshi tasvir.optika: ushbu texnologiya linzalar va kameralar kabi tasvirni olish va qayta ishlash uchun ishlatiladi.
[49]. Tasvirlarni aniqlash fanning qaysi sohalariga tegishli?tasvirlarni identifikatsiya qilish sun'iy intellekt (ai) va kompyuter fanining kichik sohasi bo'lgan kompyuterni ko'rish sohasiga tegishli. Kompyuterni ko'rish - bu odamlar vizual dunyoni qanday idrok qilishiga o'xshash raqamli tasvirlar va videolarni talqin qilish va tushunish uchun kompyuterlarga qanday imkon berishni o'rganishdir.kompyuterni ko'rish fanning boshqa sohalari bilan chambarchas bog'liq, masalan, tasvirni qayta ishlash, naqshni aniqlash, mashinani o'rganish va robototexnika.tasvirni qayta ishlash - bu tasvirlarni tahlil qilish, manipulyatsiya qilish va tushunish texnikasi. U tasvir sifatini yaxshilash, tasvirlardan ma'lumot olish va yangi tasvirlarni yaratish uchun ishlatiladi.naqshni aniqlash - bu ma'lumotlardagi naqshlarni, masalan, tasvirlarni qanday aniqlashni o'rganishdir. U tasvirlarni yuzlar, binolar yoki mashinalar kabi turli toifalarga ajratish uchun ishlatiladi.mashinani o'rganish - bu kompyuterlarni ma'lumotlardan, masalan, tasvirlardan o'rganishni o'rganishdir. U tizimni tasvirlardagi naqshlarni tan olishga va shu ma'lumotlar asosida qaror qabul qilishga o'rgatish uchun ishlatiladi.robototexnika - bu robotlarni loyihalash, qurish va boshqarishni o'rganadigan fan. U tasvirlardan olingan ma'lumotlarga javoban robot qurilmalarning harakatini boshqarish uchun ishlatiladi.
[50]. Bitta ob'ektga tegishli xususiyatlar to'plami qanday aniqlanadi?rasm yoki videodagi bitta ob'ektga tegishli xususiyatlar to'plamini aniqlash bir necha bosqichlarni o'z ichiga olgan jarayondir:tasvirni olish: birinchi qadam kamera yoki boshqa tasvirlash moslamasi yordamida ob'ektning tasviri yoki videosini olishdir. Tasvirga ishlov berish: keyin yorqinlik va kontrastni sozlash, shovqinni olib tashlash va tasvir hajmini o'zgartirish uchun tasvir oldindan qayta ishlanadi. Chiqarish: keyin tizim rasm yoki videodan tanib olish vazifasiga tegishli boʻlgan xususiyatlar toʻplamini ajratib oladi. Bu xususiyatlar rang, tekstura, shakl yoki boshqa xususiyatlarni o'z ichiga olishi mumkin. Segmentatsiya: keyin tizim tasvir yoki videoni turli ob'ektlarga mos keladigan hududlarga ajratadi. Bu chekka aniqlash, blobni aniqlash yoki ulangan komponent tahlili kabi usullar yordamida amalga oshirilishi mumkin. Ob'ektni identifikatsiyalash: keyin tizim ajratilgan xususiyatlar asosida har bir segmentlangan hududga yorliq yoki sinf tayinlaydi. Buni shablonni moslashtirish, k-yaqin qo‘shni yoki mashinani o‘rganish algoritmlari kabi texnikalar yordamida amalga oshirish mumkin.obyekt xossalari: ob’ektlar aniqlangandan so‘ng tizim ob’ektlar haqida ularning joylashuvi, o‘lchami, yo‘nalishi yoki boshqa xususiyatlar.bitta ob'ektga tegishli xususiyatlar to'plami ilovaga qarab farq qilishi mumkin, lekin u odatda tanib olish vazifasiga tegishli bo'lgan xususiyatlarni o'z ichiga oladi, masalan, shakli, o'lchami, rangi, tuzilishi va boshqalar.
[51]. Tasvirlar vektori asosida belgining sinflardan biriga tegishli ekanligini aniqlash qoidasi qanday amalga oshiriladi?belgining tasvirlar vektoriga asoslangan sinflardan biriga tegishli ekanligini aniqlash qoidasi odatda mashinani o'rganish algoritmi yordamida amalga oshiriladi. Jarayon quyidagi bosqichlarni o'z ichiga oladi:ma'lumotlar yig'ish: har bir tasvir ma'lum sinf yoki yorliq bilan bog'langan etiketli tasvirlar ma'lumotlar to'plami yig'iladi. Xususiyatlarni ajratib olish: tizim ma'lumotlar to'plamidagi har bir tasvirdan xususiyatlar to'plamini ajratib oladi. Bu xususiyatlar rang, tekstura, shakl yoki tanib olish vazifasiga tegishli boʻlgan boshqa xususiyatlarni oʻz ichiga olishi mumkin. Maʼlumotlarni tayyorlash: keyin xususiyat vektorlari ularni normallashtirish, masshtablash yoki qandaydir tarzda oʻzgartirish orqali mashina oʻrganish algoritmi uchun tayyorlanadi. : tayyorlangan ma'lumotlar bo'yicha mashinani o'rganish algoritmi o'qitiladi. Algoritm xususiyat vektorlarida naqshlarni tan olishni o'rganadi va bashorat qilish uchun ishlatilishi mumkin bo'lgan modelni yaratadi. Sinov: keyin o'qitilgan model tasvirlarning alohida ma'lumotlar to'plamida sinovdan o'tkaziladi. Model yangi tasvirlar sinfi yoki yorlig'i haqida bashorat qilish uchun ishlatiladi. Baholash: modelning ishlashi prognoz qilingan sinf yoki yorliqni test ma'lumotlar to'plamidagi tasvirlarning haqiqiy sinfi yoki yorlig'i bilan solishtirish orqali baholanadi. Qaror qoidasi: keyin yangi belgini xususiyat vektoriga qarab tasniflash uchun qaror qabul qilish qoidasi amalga oshiriladi. Qoida oddiy chegara yoki bir nechta xususiyatlarni va ularning o'zaro ta'sirini hisobga oladigan murakkabroq funktsiya bo'lishi mumkin.xulosa qilib aytganda, tasvirlar vektoriga asoslangan belgining sinflardan biriga tegishli ekanligini aniqlash qoidasi mashinani o'rganish algoritmi yordamida amalga oshiriladi. Jarayon ma'lumotlarni yig'ish, xususiyatlarni ajratib olish, ma'lumotlarni tayyorlash, o'qitish, sinovdan o'tkazish, baholash va qaror qabul qilish qoidalari kabi bosqichlarni o'z ichiga oladi. Qaror qoidasi yangi belgini xususiyat vektoriga qarab tasniflaydi, u oddiy chegara yoki bir nechta xususiyatlar va ularning o'zaro ta'sirini hisobga oladigan murakkabroq funktsiya bo'lishi mumkin.
[52]. Belgini tavsiflovchi tasvirlar maydonibelgini tavsiflovchi tasvirlar maydoni ma'lum bir belgini ifodalash uchun ishlatilishi mumkin bo'lgan barcha mumkin bo'lgan tasvirlar to'plamini anglatadi. Buni har bir o'lcham tasvirning boshqa xususiyatiga mos keladigan ko'p o'lchovli makon deb hisoblash mumkin.masalan, kulrang rangdagi tasvirda belgini tavsiflovchi tasvirlar maydoni har bir piksel uchun yorqinlik qiymatlarining barcha mumkin bo'lgan kombinatsiyalarini o'z ichiga olishi mumkin. Rangli tasvirda belgini tavsiflovchi tasvirlar maydoni har bir piksel uchun qizil, yashil va ko'k qiymatlarning barcha mumkin bo'lgan kombinatsiyalarini o'z ichiga olishi mumkin.belgini tavsiflovchi tasvirlar maydonining o'lchami tasvirni ifodalash uchun ishlatiladigan xususiyatlar soniga va har bir xususiyat uchun mumkin bo'lgan qiymatlar soniga bog'liq. Misol uchun, 8-bitli kul rangdagi tasvir har bir piksel uchun 256 ta mumkin yorqinlik qiymatiga ega va belgini tavsiflovchi tasvirlar maydoni 2^(256^n) mumkin bo'lgan tasvirga ega bo'ladi, bu erda n - piksellar soni.naqshni aniqlash va kompyuterni ko'rishda maqsad ko'pincha ramzni tavsiflovchi tasvirlar maydonining ixcham tasvirini topishdir. Bu, odatda, tanib olish vazifasiga eng mos bo'lgan xususiyatlar to'plamini tanlash va bo'shliqning o'lchamini kamaytirish orqali amalga oshiriladi.
[53]. Tasniflashda ma'lumot beruvchi tasvirlar to'plamini tanlashtasniflash vazifasida ma'lumot beruvchi tasvirlar to'plamini tanlash naqshni aniqlash va kompyuterni ko'rishda muhim qadamdir. Maqsad, ko'rib chiqilayotgan sinflar yoki toifalarning vakili bo'lgan va aniq bashorat qilish uchun etarli ma'lumotni o'z ichiga olgan tasvirlar to'plamini tanlashdir.ma'lumot beruvchi tasvirlar to'plamini tanlashning bir necha usullari mavjud:tasodifiy namuna olish: tasodifiy ravishda har bir sinfdan ma'lum miqdordagi rasmlarni tanlang. Bu usul sodda va amalga oshirish oson, lekin u har doim ham tasvirlarning vakillik toʻplamini bermasligi mumkin. Tabakalangan namuna olish: tasodifiy ravishda har bir sinfdan maʼlum sonli tasvirlarni tanlab, lekin har bir sinfdagi tasvirlar nisbati bir xil boʻlishini taʼminlash. Butun ma'lumotlar to'plamidagi sinflar nisbati. Tanlangan tasvirlar toʻplami butun maʼlumotlar toʻplamini ifodalashini taʼminlashda bu usul tasodifiy tanlab olishdan koʻra samaraliroq boʻlishi mumkin. Faol oʻrganish: klassifikatorning ishlashi asosida tasvirlarni takroriy tanlang. Klassifikator dastlab kichik tasvirlar to‘plamiga o‘rgatiladi, so‘ngra klassifikatorning ishlashini yaxshilash qobiliyatidan kelib chiqqan holda qo‘shimcha tasvirlar tanlanadi.klasterlash: o‘xshash tasvirlarni guruhlash va har bir guruhdan reprezentativ tasvirni tanlash.axborot-nazariy usullar: yuqori miqdorda ma'lumot yoki entropiyani o'z ichiga olgan rasmlarni tanlang.tanlangan usul maxsus dastur va mavjud resurslarga bog'liq bo'ladi. Umuman olganda, informatsion tasvirlarni tanlash iterativ jarayon bo'lib, tanlangan tasvirlar butun ma'lumotlar to'plamini ifodalashi va to'g'ri bashorat qilish uchun etarli ma'lumotga ega bo'lishini ta'minlash uchun klassifikatorning ishlashi test ma'lumotlar to'plamida baholanishi kerak.
[54]. Pretsedentlar to'plamiga asoslangan tan olish masalasipretsedentlar to'plamiga asoslangan tan olish masalasi ob'ekt yoki belgini oldindan ma'lum bo'lgan misollar yoki pretsedentlar to'plami bilan solishtirish orqali aniqlash jarayonini anglatadi. Ushbu yondashuv odatda naqshni aniqlash va kompyuterni ko'rish tizimlarida qo'llaniladi.tan olish jarayoni odatda quyidagi bosqichlarni o'z ichiga oladi:xususiyatlarni ajratib olish: tizim tan olinishi kerak bo'lgan rasm yoki belgidan xususiyatlar to'plamini chiqaradi. Bu xususiyatlar rang, tekstura, shakl yoki boshqa xususiyatlarni o'z ichiga olishi mumkin.taqqoslash: keyin olingan xususiyatlar to'plamdagi pretsedentlarning xususiyatlari bilan taqqoslanadi. Bu shablonni moslashtirish, eng yaqin qo'shni yoki boshqa o'xshashlik o'lchovlari kabi texnikalar yordamida amalga oshirilishi mumkin. Qaror: taqqoslash asosida ob'ekt yoki belgining identifikatori haqida qaror qabul qilinadi. Qaror bir nechta xususiyatlarni va ularning o'zaro ta'sirini hisobga oladigan pol yoki murakkabroq funktsiyaga asoslangan bo'lishi mumkin.ushbu yondashuvda ishlatiladigan pretsedentlar to'plami bir necha usul bilan yaratilishi mumkin. Mutaxassislar tomonidan qo'lda yaratilishi mumkin, u o'xshash tasvirlarni bir joyga to'plash orqali yaratilishi mumkin, uni faol o'rganish orqali yaratish mumkin yoki oldindan tayyorlangan model yordamida yaratilishi mumkin.ushbu yondashuvning afzalligi shundaki, uni amalga oshirish oson va agar pretsedentlar to'plami to'g'ri tanlangan bo'lsa va duch kelishi mumkin bo'lgan ob'ektlar yoki belgilarning vakili bo'lsa, juda aniq bo'lishi mumkin. Biroq, u pretsedentlar to'plamining hajmi bilan cheklanishi mumkin va u yangi yoki ilgari ko'rilmagan ob'ektlar yoki belgilarni taniy olmaydi.

[55]. O'qituvchisiz tan olish masalasio'qituvchisiz tanib olish masalasi yorliqli misollar yoki nazoratsiz ob'ektlar yoki belgilarni tanib olish jarayonini anglatadi. Ushbu yondashuv odatda nazoratsiz o'rganishda qo'llaniladi, bu tizim etiketli misollar bilan ta'minlanmagan, lekin o'z-o'zidan kirish ma'lumotlarida strukturani topishi kerak bo'lgan mashinani o'rganish turi.tan olish jarayoni odatda quyidagi bosqichlarni o'z ichiga oladi:xususiyatlarni ajratib olish: tizim tan olinishi kerak bo'lgan rasm yoki belgidan xususiyatlar to'plamini chiqaradi. Bu xususiyatlar rang, tekstura, shakl yoki boshqa xususiyatlarni o'z ichiga olishi mumkin.klasterlash: so'ngra xususiyat vektorlari o'xshashligiga qarab klasterlarga birlashtiriladi. Buni k-vositalari, ierarxik klasterlash yoki boshqa klasterlash algoritmlari kabi texnikalar yordamida amalga oshirish mumkin.qaror: ob'ekt yoki belgining identifikatori haqida u tegishli bo'lgan klaster asosida qaror qabul qilinadi.ushbu yondashuvning afzalligi shundaki, undan ma'lumotlardagi yashirin naqsh va tuzilmalarni aniqlash uchun foydalanish mumkin, hatto tan olingan ob'ektlar yoki belgilar ilgari hech qachon ko'rilmagan bo'lsa ham. Biroq, u xususiyatni ajratib olish sifati va ishlatiladigan klasterlash algoritmining sifati bilan cheklanishi mumkin. Bundan tashqari, u barcha holatlarda aniq qarorni taqdim eta olmasligi mumkin va bu insonning keyingi aralashuvini talab qilishi mumkin.

[56]. Klasterlash muammosiklaster tahlili yoki klasterlash deb ham ataladigan klasterlash muammosi bir xil guruhdagi (klaster deb ataladigan) ob'ektlar boshqa guruhlardagi (klasterlar)dagi ob'ektlarga qaraganda bir-biriga ko'proq o'xshash bo'lishi uchun ob'ektlar to'plamini guruhlash vazifasidir. ). Klasterlash - bu nazoratsiz o'rganish usuli bo'lib, u etiketli misollardan foydalanmasdan ma'lumotlardagi naqsh yoki tuzilmani topish uchun ishlatiladi.klasterlash algoritmlarining bir nechta turlari mavjud, jumladan:centroid-ga asoslangan: ushbu algoritmlar har bir klaster uchun markazni belgilash va so'ngra markazni ob'ektga eng yaqin bo'lgan klasterga ob'ektlarni belgilash orqali klasterlarni yaratadi. K-means algoritmi markazlashgan klaster algoritmiga misol bo'ladi.ierarxik: bu algoritmlar kichikroq klasterlarni ketma-ket birlashtirish yoki kattaroqlarini hosil qilish uchun bo'lish orqali klasterlarni yaratadi. Aglomerativ va bo'linuvchi algoritmlar ierarxik klasterlash usullariga misoldir. Zichlikka asoslangan: bu algoritmlar zichlik chegarasini aniqlash va xususiyat maydonida bir-biriga yaqin bo'lgan ob'ektlarni guruhlash orqali klasterlarni yaratadi. Dbscan (shovqinli ilovalarni zichlikka asoslangan fazoviy klasterlash) algoritmi zichlikka asoslangan klasterlash usuliga misol bo'ladi.subpace klasterlash: bu algoritmlar klasterlarni yaratish uchun faqat ma'lumotlar xususiyatlarining kichik to'plamini ko'rib chiqadi.klasterlash algoritmini tanlash maxsus dastur va ma'lumotlarning xususiyatlariga bog'liq. Klasterlash sifati siluet balli, devis-bouldin indeksi va kalinski-harabas indeksi kabi turli baholash ko'rsatkichlari bilan o'lchanadi.
[57]. Naqshni aniqlash uchun qaror qabul qilish qoidasishaklni identifikatsiya qilish uchun qaror qabul qilish qoidasi namunani aniqlash tizimi berilgan kirishning sinfini yoki toifasini aniqlash uchun foydalanadigan ko'rsatmalar to'plamidir. U tizim kirishdan olingan xususiyatlar asosida naqshning identifikatori haqida qanday qaror qabul qilishini belgilaydi.shaklni aniqlash tizimlarida foydalanish mumkin bo'lgan qaror qoidalarining bir necha turlari mavjud, jumladan:eshik chegarasi: chegaraviy qaror qoidasi olingan xususiyatlarni belgilangan qiymat bilan solishtirishga asoslanadi. Agar xususiyatlar chegaradan oshib ketgan bo'lsa, kirish bir sinfga tegishli deb tasniflanadi, aks holda u boshqa sinfga tegishli deb tasniflanadi.bayesian: bayes qaror qoidasi bayes teoremasiga asoslanadi, u ehtimollikni hisoblash usulini beradi. Muayyan shartlar bilan sodir bo'lgan voqea. Undan olingan xususiyatlar va sinflar haqidagi oldingi bilimlar asosida kirishning har bir sinfga tegishli boʻlish ehtimolini baholash uchun foydalanish mumkin. Minimal masofa: minimal masofani aniqlash qoidasi chiqarilgan xususiyatlarni har bir sinfning xususiyatlari bilan solishtiradi va kirishni tayinlaydi. Xususiyatlari eng yaqin boʻlgan sinf.parzen oynasi: parzen oynasi qaror qoidasi parametrik boʻlmagan usul boʻlib, u maʼlumotlarning ehtimollik zichligi funksiyasini baholaydi va undan yangi maʼlumotlarni tasniflashda foydalanadi.neyron tarmoqlar: neyron tarmoqlarga asoslangan qaror qoidasi olingan xususiyatlar asosida kirishlarni tasniflash uchun ko'p qatlamli perseptron yoki boshqa neyron tarmoq arxitekturasidan foydalanadigan nazorat ostida o'rganish usuli.qaror qabul qilish qoidasini tanlash maxsus dasturga, ma'lumotlarning xususiyatlariga va mavjud hisoblash resurslariga bog'liq. Qaror qabul qilish qoidasining ishlashi aniqlik, aniqlik, eslab qolish va f1 balli kabi turli baholash ko'rsatkichlari yordamida baholanishi mumkin.
[58]. Finereader dasturining ishlash printsipifinereader skanerlangan hujjatlar, pdf va tasvirlarni tahrirlanadigan matnga aylantirish uchun foydalaniladigan belgilarni optik aniqlash (ocr) dasturidir. Dastur tasvirni tanib olish va undan matn chiqarish uchun ilg'or tasvirni tahlil qilish algoritmlaridan foydalanadi va keyin uni microsoft word yoki excel kabi tahrirlanadigan formatga o'zgartiradi.finereader-ning ishlash printsipini bir necha asosiy bosqichlarga bo'lish mumkin:tasvirga oldindan ishlov berish: dastur tasvirni tahlil qilish va matnning toʻgʻri tekislanganligi va oʻqilishi mumkin boʻlishini taʼminlash uchun tasvirni aylantirish yoki kesish kabi kerakli oʻzgarishlarni amalga oshirishdan boshlanadi. Matnni aniqlash: finereader matnni tanib olish va undan chiqarish uchun ocr texnologiyasidan foydalanadi. Tasvir. Bu jarayon tasvir piksellarini tahlil qilish va alohida belgilarni aniqlash uchun ularni oldindan belgilangan belgilar shablonlari to‘plami bilan solishtirishni o‘z ichiga oladi. Matnni formatlash: matn chiqarilgandan so‘ng, finereader matnning joylashuvi va ko‘rinishini yaxshilash uchun turli formatlash opsiyalarini qo‘llaydi, masalan. Qator oralig'ini, shrift o'lchamini va asoslashni sozlash. Xatoni tuzatish: finereader tan olingan matndagi xatolarni aniqlash va tuzatish uchun ilg'or algoritmlardan foydalanadi. Bunga imlo xatolarini tuzatish, bir nechta tillardagi matnni tanib olish va turli shrift uslublari va oʻlchamlari bilan ishlash kiradi. Chiqish: keyin dastur tan olingan matnni microsoft word yoki excel kabi tahrirlanadigan formatga oʻzgartirib, foydalanuvchiga matnni tahrirlash va boshqarish imkonini beradi. Kerak bo'lganda.finereader, shuningdek, ommaviy ishlov berishni qo'llab-quvvatlaydi, ya'ni bir vaqtning o'zida bir nechta rasm yoki fayllarni qayta ishlash va keng tillarni taniy olish mumkin.
[59]. Tasvirni alohida qismlarga bo'lish jarayonitasvirni alohida qismlarga bo'lish jarayoni tasvirni segmentatsiyalash deyiladi. Bu tasvirni qayta ishlash va kompyuterni ko'rishda asosiy vazifa bo'lib, tasvir ichidagi turli ob'ektlar yoki qiziqish hududlarini ajratish uchun ishlatiladi.tasvirni segmentatsiyalashning eng keng tarqalgan yondashuvi tasvirni turli hududlarga ajratish uchun chegarani belgilash, chekka aniqlash va hududni o'stirish kabi tasvirni qayta ishlash usullari to'plamidan foydalanishdir.eshik qo'yish: chegaralash - bu piksellarning intensivlik qiymatlari asosida tasvirni ikki yoki undan ortiq segmentlarga ajratadigan usul. Bu usul qiziqish ob'ektlari va fon o'rtasidagi aniq chegaraga ega tasvirlarga qo'llanilishi mumkin. Chetlarni aniqlash: chetlarni aniqlash - tasvirdagi ob'ektlarning chetlarini topish uchun tasvir gradienti yoki laplas operatorlaridan foydalanadigan usul. Bu usul ob'ektlarning chetlarini aniqlash orqali ob'ektlarni fondan ajratish uchun ishlatilishi mumkin. Mintaqa o'sishi: hududni o'stirish - bu urug'lik nuqtasidan boshlab, so'ngra urug'ga o'xshash qo'shni piksellarni qo'shish orqali mintaqani o'stirishni o'z ichiga olgan usul. Nuqta.suv havzasi algoritmi: suv havzasi algoritmi tasvirni topografik sirt sifatida, balandlikni ifodalovchi piksellar intensivligi bilan ishlovchi texnikadir. U morfologik operatorlardan foydalanib, tasvirni tasvirdagi turli mintaqalarga mos keladigan turli suv havzalariga bo'ladi.klasterlash: klasterlash - bu tasvirdagi piksellarni o'xshashligiga qarab guruhlash usuli. U piksellarni rangi, teksturasi yoki boshqa xususiyatlariga ko'ra klasterlash orqali tasvirning turli hududlarini ajratish uchun ishlatilishi mumkin.texnikani tanlash maxsus dasturga, ma'lumotlarning xususiyatlariga va mavjud hisoblash resurslariga bog'liq. Texnikaning ishlashi aniqlik, aniqlik, eslab qolish va f1 balli kabi turli baholash ko'rsatkichlari yordamida baholanishi mumkin.
[60]. Berilgan namunaning ma'lum bir belgiga mosligini aniqlash masalasiberilgan namunaning ma'lum bir belgiga mosligini aniqlash masalasi naqshni tanib olishning asosiy vazifasidir. U tasniflash muammosi sifatida ham tanilgan.namunaning ma'lum bir belgiga mosligini aniqlash uchun bir necha xil usullardan foydalanish mumkin, jumladan:eng yaqin qo'shni: eng yaqin qo'shni usuli namunani ma'lum belgilar to'plami bilan solishtiradi va uni eng o'xshash belgi bilan belgilaydi.bayescha: bayes usuli namunaning ma'lum bir belgiga tegishli bo'lish ehtimolini hisoblash uchun bayes teoremasidan foydalanadi. Belgilar va namunaning xarakteristikalari haqida oldindan ma'lumot. Qarorlar daraxti usuli: qarorlar daraxtiga o'xshash qarorlar modeli va ularning mumkin bo'lgan oqibatlari, shu jumladan tasodifiy hodisalar natijalari, resurslar xarajatlari va foydalilik, namunani ma'lum bir darajaga belgilash uchun foydalanadi. Simvol.neyron tarmoqlar: neyron tarmoqlar - bu koʻp qatlamli perseptron yoki boshqa neyron tarmoq arxitekturalaridan foydalanib, kirishlarni olingan xususiyatlar asosida tasniflash uchun boshqariladigan oʻrganish usuli. Xususiyat maydonidagi turli belgilar va namunani eng yaqin belgiga tayinlang.usulni tanlash maxsus dasturga, ma'lumotlarning xususiyatlariga va mavjud hisoblash resurslariga bog'liq. Usulning samaradorligi aniqlik, aniqlik, eslab qolish va f1 balli kabi turli baholash ko'rsatkichlari yordamida baholanishi mumkin.
[61]. Matnni aniqlash dasturlarimatnni aniqlash dasturlari, shuningdek, optik belgilarni aniqlash (ocr) dasturlari sifatida ham tanilgan, skanerlangan hujjatlar, tasvirlar va pdf-fayllarni tahrirlanadigan matnga aylantiradigan dasturdir. Ular tasvirni tanib olish va undan matn ajratib olish, so‘ngra uni microsoft word yoki excel kabi tahrirlanadigan formatga aylantirish uchun ilg‘or tasvirni tahlil qilish algoritmlaridan foydalanadilar.matnni aniqlash uchun mashhur dasturlarning bir nechta misollari:Adobe acrobat: adobe acrobat foydalanuvchilarga pdf-fayllarni tahrirlanadigan matnga aylantirish imkonini beruvchi keng tarqalgan dastur hisoblanadi. Shuningdek, u tahrirlash, sharhlash va pdf-fayllarni boshqa formatlarga eksport qilish kabi funksiyalarni o‘z ichiga oladi.abbyy finereader: abbyy finereader 190 dan ortiq tildagi matnni taniy oladigan kuchli ocr dasturidir. Shuningdek, u ommaviy ishlov berishni qo‘llab-quvvatlaydi, ya’ni bir vaqtning o‘zida bir nechta tasvir yoki fayllarni qayta ishlash mumkin. Tesseract: tesseract 100 dan ortiq tillarni qo‘llab-quvvatlaydigan ochiq manbali ocr dvigatelidir. U akademik tadqiqotlarda keng qoʻllaniladi va oʻzining yuqori aniqligi va turli shrift uslublari va oʻlchamlarini boshqarish qobiliyati bilan mashhur. Omnipage: omnipage ommaviy ishlov berishni qoʻllab-quvvatlaydigan va 120 dan ortiq tildagi matnni taniy oladigan yana bir mashhur ocr dasturidir. Google drive: google drive foydalanuvchilarga rasmlar va pdf-fayllarni yuklash va ularni tahrirlanadigan matnga aylantirish imkonini beruvchi ocr funksiyasini o'z ichiga oladi.ushbu dasturlar turli xil xususiyatlarga, narxlarga va imkoniyatlarga ega bo'lib, ular turli sohalarda, masalan, ta'lim, biznes, hukumat va boshqa ko'plab sohalarda qo'llanilishi mumkin.
[62]. Tasvirni shovqindan tozalash vazifasi?tasvirni shovqindan tozalash vazifasi tasvirni qayta ishlashning muhim bosqichidir, chunki shovqin tasvirdan foydali ma'lumotlarni ajratib olishni qiyinlashtiradi yoki imkonsiz qiladi. Shovqinga kamera sensorlari, tasvirlarni uzatish yoki siqish yoki atrof-muhit sharoitlari kabi turli omillar sabab bo'lishi mumkin.tasvirni shovqindan tozalashning bir necha xil usullari mavjud, jumladan:median filtrlash: median filtrlash - bu tasvirdagi har bir pikselni uning atrofidagi kichik mahalladagi piksellarning median qiymati bilan almashtiradigan usul. Bu usul tasvirda tasodifiy ko'rinadigan kichik oq yoki qora piksellar bo'lgan tuz va qalampir shovqinini olib tashlashda samaralidir.gauss filtrlash: gauss filtrlash - bu tasvirdagi har bir pikselni kichik piksellardagi piksellarning o'rtacha og'irligi bilan almashtiradigan usul. Uning atrofidagi mahalla. Bu usul gauss shovqinini olib tashlashda samarali bo'ladi, bu shovqin oddiy taqsimot bilan tasodifiy taqsimlanadi. Mahalliy bo'lmagan vositalarni filtrlash: mahalliy bo'lmagan vositalarni filtrlash - bu tasvirdagi har bir pikselni piksellarning o'rtacha og'irligi bilan almashtiradigan usul. Butun tasvir. Bu usul butun tasvir boʻylab oʻxshash shovqinni olib tashlashda samarali. Toʻlqinli denoising: toʻlqinli denoising tasvirga toʻlqinli konvertatsiyani qoʻllaydigan, tasvirni turli chastota diapazonlariga ajratadigan texnikadir. Keyinchalik texnika yuqori chastotali diapazonlardagi tafsilotlarni saqlab qolgan holda past chastotali diapazonlardan shovqinni olib tashlash uchun chegara usulini qo'llaydi.chuqur o'rganishga asoslangan denoising: chuqur o'rganishga asoslangan denoising shovqinni olib tashlash uchun chuqur neyron tarmoqlardan foydalanadigan texnikadir. Tasvirlardan. Bu har xil turdagi shovqinlarga bardosh bera oladigan va muayyan shovqin namunalarini boshqarishga o'rgatilgan kuchli usuldir.usulni tanlash maxsus dasturga, shovqinning xususiyatlariga va mavjud hisoblash resurslariga bog'liq. Usulning ishlashi psnr (peak signal-to-shovqin nisbati) yoki ssim (tuzilishviy o'xshashlik indeksi) kabi turli baholash ko'rsatkichlari yordamida baholanishi mumkin.
[63]. Rangli tasvirni ikkilik tasvirga aylantiringrangli tasvirni ikkilik tasvirga aylantirish - bu bir nechta rangdagi tasvirni faqat ikkita rang, odatda qora va oq rangli tasvirga aylantirish jarayonidir. U chegara sifatida ham tanilgan. Rangli tasvirni ikkilik tasvirga aylantirishning bir necha xil usullari mavjud, jumladan:global chegaralash: global chegara - bu bitta chegara qiymatidan foydalanib, butun tasvirni oq-qora rangga o'zgartiradigan usul. Chegara qiymati odatda tasvir piksel qiymatlarining gistogrammasidan foydalanish va fon piksellarini ob'ekt piksellaridan ajratib turuvchi chegarani topish yo'li bilan aniqlanadi. Moslashuvchan chegara: moslashuvchan chegara - bu turli chegara qiymatlari yordamida tasvirni qora va oq rangga o'zgartiruvchi usul. Tasvirning turli hududlari. Bu usul tasvir bir xilda yoritilmaganda yoki ob'ekt va fon o'xshash piksel qiymatlariga ega bo'lsa foydali bo'ladi.otsu usuli: otsu usuli - ob'ekt va fon piksellarining ajratilishini maksimal darajada oshiradigan optimal chegara qiymatini avtomatik ravishda topadigan texnika. U chegara qiymatini aniqlash uchun piksel qiymatlarining dispersiyasidan foydalanadi.k-klasterlash vositalarini bildiradi: k-ko‘rsatkichlarni klasterlash bu tasvirni k klasterga bo‘lish va so‘ngra har bir pikselni eng yaqin klasterga belgilash uchun k-o‘rtacha algoritmidan foydalanadigan texnikadir. Algoritm bir klasterdagi piksellarni qora rangga, ikkinchi klasterdagi piksellarni oq rangga belgilash orqali tasvirni ikkilik formatga aylantirish uchun ishlatilishi mumkin. Tasvirni binarga aylantiring. U aniq tasvirlarni qayta ishlashga o'rgatilgan bo'lishi mumkin va tasvirdagi muayyan ob'ektlarni segmentlarga ajratish uchun ishlatilishi mumkin.usulni tanlash maxsus dasturga, tasvirning xususiyatlariga va mavjud hisoblash resurslariga bog'liq. Usulning samaradorligi aniqlik yoki f1 balli kabi turli baholash ko'rsatkichlari yordamida baholanishi mumkin.
[64]. Sun'iy neyron tarmoqlarning nazariy asoslari tarixisun’iy neyron tarmoqlarning (ann) nazariy asoslari 1940-yillarga borib taqaladigan uzoq va boy tarixga ega. Ann kontseptsiyasi ma'lumotni uzatuvchi va qayta ishlaydigan o'zaro bog'langan neyronlar tarmog'i bilan inson miyasining ishlashidan ilhomlangan.annning nazariy asoslari tarixidagi asosiy bosqichlarning qisqacha ko'rinishi:1940-yillar: uorren makkaloch va uolter pitts neyron tarmoqning birinchi matematik modelini taklif qilishdi, ular buni chegara mantiq birligi (tlu) deb atashgan. Tlu modeli mantiqiy amallarni bajara oladigan neyronning oddiy matematik tasviri edi. 1950-yillar: donald xebb hebbian qoidasini taklif qildi, ya'ni o'rganish qoidasi bo'lib, bir-biriga yonayotgan neyronlar bir-biriga bog'lanishini bildiradi. Ushbu tamoyil bugungi kunda ham ann uchun ko'plab o'rganish algoritmlarida qo'llaniladi. 1960-yillar: frank rosenblatt naqshlarni tasniflash uchun o'qitilishi mumkin bo'lgan bir qatlamli oldinga uzatiladigan neyron tarmog'i perceptronni taklif qildi. Perseptron algoritmi ann uchun birinchi oʻrganish algoritmi boʻlib, murakkabroq tarmoqlarni rivojlantirish uchun asos boʻldi. 1970-yillar: orqa tarqalish algoritmi pol verbos tomonidan taqdim etilgan boʻlib, u koʻp qatlamli oldinga uzatiladigan neyron tarmoqlariga misollardan oʻrganish imkonini beruvchi nazorat ostidagi oʻrganish algoritmidir. . Ushbu algoritm bugungi kunda ham chuqur neyron tarmoqlarni o'qitishda keng qo'llaniladi. 1980-yillar: hopfield tarmog'ining rivojlanishi, naqshlarni saqlash va ularni keyinchalik olish uchun ishlatilishi mumkin bo'lgan takrorlanuvchi neyron tarmoq. Tasvirlardagi naqshlarni tanib olishda ayniqsa yaxshi bo'lgan neyron tarmoq turi bo'lgan yann lekun. 2000-yillar: recurrent neural networks (rnn) ning rivojlanishi. Vaqt seriyasi, nutq va matn. 2010-yillar: ian gudfellow tomonidan generative adversarial networks (gans) ning rivojlanishi, ular o'rganilgan ma'lumotlarga o'xshash yangi ma'lumotlarni yaratishi mumkin bo'lgan neyron tarmoqlardir.hozirgi vaqtda ann tasvirlarni qayta ishlash, tabiiy tilni qayta ishlash, nutqni aniqlash, o'zini o'zi boshqaradigan avtomobillar va boshqa ko'plab sohalarda keng qo'llaniladi.
[65]. Neyron tarmoq modellarineyron tarmoq modellari - bu inson miyasining tuzilishi va funktsiyasidan ilhomlangan matematik modellar. Ular axborotni qayta ishlaydigan va uzatuvchi bir-biriga bog'langan sun'iy neyronlar qatlamlaridan iborat. Neyron tarmoq modellarining bir necha xil turlari mavjud bo'lib, ularning har biri o'ziga xos xususiyat va imkoniyatlarga ega.oldinga qaytariladigan neyron tarmoqlari: bu neyron tarmoq turi boʻlib, unda axborot kirish qatlamidan chiqish qatlamiga bir yoʻnalishda, hech qanday halqalarsiz oqadi. U ko'p qatlamli perseptron (mlp) deb ham ataladi. Takrorlanuvchi neyron tarmoqlari (rnn): takrorlanuvchi neyron tarmoq - bu neyron tarmoq turi bo'lib, unda ma'lumotlar har ikki yo'nalishda oqib, halqa hosil qilishi mumkin. Bu tarmoqqa vaqt seriyasi, nutq va matn kabi ketma-ket ma'lumotlarni qayta ishlash imkonini beradi.konvolyutsion neyron tarmoqlari (cnn): konvolyutsion neyron tarmoq tasvirlarni qayta ishlash va tahlil qilish uchun mo'ljallangan neyron tarmoq turidir. U bir nechta qatlamlardan iborat bo'lib, ularning har biri kiritilgan tasvir ustida konvolyutsiya operatsiyasini amalga oshiradi, keyin esa birlashma operatsiyasini bajaradi.generativ raqib tarmoqlari (gan): generativ raqib tarmoq ikki qismdan iborat bo'lgan neyron tarmoq turidir: generator va diskriminator. Generator o'zi o'rganilgan ma'lumotlarga o'xshash yangi ma'lumotlarni yaratadi, diskriminator esa yaratilgan ma'lumotlar va dastlabki ma'lumotlar o'rtasidagi farqni aniqlashga harakat qiladi.avtokoderlar: avtokoderlar - uning kiritilishini qayta tiklashga o'rgatilgan neyron tarmoq turi. U kodlovchi va dekoderdan iborat bo'lib, bu erda kodlovchi kirishni kichikroq o'lchamli tasvirga siqib chiqaradi va dekoder bu tasvirdan kirishni qayta tiklaydi.transformator: transformator qayta ishlash uchun o'z-o'ziga e'tibor berish mexanizmlaridan foydalanadigan neyron tarmoq turidir. Matn va nutq kabi ketma-ket ma'lumotlar. Vaswani va boshqalar tomonidan kiritilgan ushbu arxitektura. 2017 yilda mashina tarjimasi, tilni modellashtirish va matnni umumlashtirish kabi tabiiy tillarni qayta ishlash vazifalarida koʻplab zamonaviy modellarda qoʻllanilgan.bu ishlab chiqilgan neyron tarmoq modellarining ko'p turlariga bir nechta misollar. Tarmoqning har bir turi o'zining kuchli va zaif tomonlariga ega va qaysi birini tanlash maxsus dastur va ma'lumotlarning xususiyatlariga bog'liq.
[66]. Oddiy va murakkab neyron tarmoqlar.oddiy neyron tarmoq odatda kam sonli qatlamlarga ega, murakkab neyron tarmoq esa ko'p sonli qatlamlarga ega.oddiy neyron tarmoq faqat bitta yoki ikkita qatlamga ega bo'lishi mumkin, murakkab neyron tarmoq esa o'nlab va hatto yuzlab qatlamlarga ega bo'lishi mumkin. Neyron tarmoqdagi qatlamlar soni uning chuqurligi deb ham ataladi.oddiy neyron tarmoqlar odatda oddiy tasniflash yoki regressiya vazifalari kabi oddiy muammolarni hal qilish uchun ishlatiladi, murakkab neyron tarmoqlar esa tasvirni aniqlash yoki tabiiy tilni qayta ishlash kabi murakkabroq muammolarni hal qilish uchun ishlatiladi.oddiy neyron tarmoqlar sayoz neyron tarmoqlari sifatida ham tanilgan. Ular bir necha qatlamli neyronlarga ega va hisoblash nisbatan sodda, bu ularni o'rgatish va tushunishni osonlashtiradi. Oddiy neyron tarmoqlar odatda oddiy tasniflash yoki regressiya vazifalari kabi oddiyroq muammolarni hal qilish uchun ishlatiladi.boshqa tomondan, murakkab neyron tarmoqlar chuqur neyron tarmoqlari sifatida ham tanilgan, ular ko'p qatlamli neyronlarga ega va hisoblash murakkab. Ular odatda tasvirni aniqlash yoki tabiiy tilni qayta ishlash kabi murakkabroq muammolarni hal qilish uchun ishlatiladi, chunki ular bir nechta abstraksiya darajasida kirish ma'lumotlaridan xususiyatlarni ajratib olishlari mumkin.neyron tarmog'ining arxitekturasi, masalan, qatlamlar soni, har bir qatlamdagi neyronlar soni va ishlatiladigan faollashtirish funktsiyalari turi tarmoqning ishlashiga ta'sir qiladi. Oddiy neyron tarmoq juda murakkab masalalarni, murakkab neyron tarmoq esa oddiy muammolarni hal qila olmasligi mumkin. Shuning uchun hal qilinishi kerak bo'lgan muammodan kelib chiqqan holda neyron tarmoqning to'g'ri arxitekturasini tanlash muhimdir.
[67]. Ko'p qatlamli neyron tarmoqlar.ko'p qatlamli neyron tarmoqlari, shuningdek, ko'p qatlamli perseptronlar (mlps) sifatida ham tanilgan, o'zaro bog'langan sun'iy neyronlarning bir nechta qatlamlaridan tashkil topgan oldinga yo'naltirilgan neyron tarmog'ining bir turi. Ushbu tarmoqlar kirish qatlami va chiqish qatlami o'rtasida kamida bitta yashirin qatlamga ega.kirish qatlami kirish ma'lumotlarini oladi va chiqish qatlami yakuniy natija beradi. Kirish qatlami va chiqish qatlami o'rtasida joylashgan yashirin qatlamlar kirish ma'lumotlarini qayta ishlash va undan xususiyatlarni olish uchun javobgardir. Har bir yashirin qatlam bir nechta neyronlardan iborat bo'lib, har bir neyron avvalgi va keyingi qatlamdagi barcha neyronlar bilan bog'langan.yashirin qatlamlardagi neyronlar odatda sigmasimon, relu yoki tanh kabi chiziqli bo'lmagan faollashtirish funktsiyalaridan foydalanadilar. Ushbu funktsiyalar tarmoqqa kirish va chiqish ma'lumotlari o'rtasidagi murakkab chiziqli bo'lmagan munosabatlarni o'rganish imkonini beradi.tarmoq arxitekturasini o'zgartirish uchun qatlamlar soni va har bir qatlamdagi neyronlar soni o'zgarishi mumkin. Qatlamlar sonini va har bir qatlamdagi neyronlar sonini ko'paytirish tarmoq sig'imini oshirishi mumkin, bu esa uni yanada kuchliroq va murakkabroq muammolarni hal qilishga qodir. Shu bilan birga, u tarmoqni haddan tashqari moslashishga ko'proq moyil qilishi mumkin, ya'ni tarmoq o'quv ma'lumotlari bo'yicha yaxshi ishlaydi, lekin yangi ko'rinmas ma'lumotlarda yomon ishlaydi.ko'p qatlamli neyron tarmoqlar tasvirni tasniflash, tabiiy tilni qayta ishlash, nutqni aniqlash va boshqalar kabi keng ko'lamli vazifalar uchun foydalidir. Ular kompyuterni ko'rish, tasvirni qayta ishlash, tabiiy tilni qayta ishlash, nutqni aniqlash, o'zini o'zi boshqaradigan avtomobillar va boshqa ko'plab sohalarda keng qo'llaniladi.
[68]. Neyron tarmoqlarga asoslangan kutubxonalar haqida fikringizni bildiring.menimcha, neyron tarmoqlarga asoslangan kutubxonalar ishlab chiquvchilar va tadqiqotchilarga har xil turdagi neyron tarmoqlarni osongina amalga oshirish va tajriba o'tkazishda yordam beradigan kuchli vositadir. Ular oldindan amalga oshirilgan neyron tarmoqlari arxitekturalari va optimallashtirish algoritmlari to‘plamini taqdim etadi, bu esa chuqur o‘rganish sohasida mutaxassis bo‘lmaganlar uchun ko‘p vaqt va kuchni tejash imkonini beradi.bu kutubxonalarning asosiy afzalliklaridan biri shundaki, ular oson tajriba va prototip yaratish imkonini beradi. Ular ishlab chiquvchilarga turli neyron tarmoq arxitekturalari va konfiguratsiyalarini tezda qurish va sinab ko'rish imkonini beruvchi yuqori darajadagi interfeysni ta'minlaydi, bu ularga berilgan muammo uchun eng yaxshi echimni topishga yordam beradi.ushbu kutubxonalarning yana bir afzalligi shundaki, ular ko'pincha ochiq manba bo'lib, ishlab chiquvchilar va foydalanuvchilarning katta jamoasiga ega. Demak, bu sohaga yangi kelganlar uchun boy bilim va ko‘mak mavjud, kutubxonalar doimiy ravishda yangilanib, takomillashtirilmoqda.bundan tashqari, neyron tarmoqlarga asoslangan kutubxonalar ko'pincha ishlash uchun optimallashtiriladi, bu ularga turli xil apparat platformalarida, jumladan gpu va tpularda ishlash imkonini beradi, bu esa keng ko'lamli tajribalarni o'tkazish va ishlab chiqarishda modellarni joylashtirishni osonlashtiradi.
[69]. Neyron tarmoqlarning asosiy maqsadi nima?neyron tarmoqlarning asosiy maqsadi kirish va chiqishlar o'rtasidagi murakkab munosabatlarni modellashtirishdir. Ular tasvirni aniqlash, tabiiy tilni qayta ishlash, nutqni aniqlash, o'zini o'zi boshqaradigan avtomobillar va boshqa ko'plab sohalarda keng ko'lamli muammolarni hal qilish uchun ishlatiladi.neyron tarmoqlarning asosiy qoʻllanilishidan biri nazorat ostidagi oʻquv vazifalari uchundir, bunda maqsad etiketli oʻquv maʼlumotlar toʻplamidan foydalangan holda kirishdan chiqishgacha boʻlgan xaritalashni oʻrganishdir. Neyron tarmoq kirish ma'lumotlarini oladi va xatoni hisoblash uchun haqiqiy chiqish (yorliq) bilan taqqoslanadi. Keyinchalik, bu xato tarmoqning og'irligi va ish faoliyatini yaxshilash uchun noto'g'riligini yangilash uchun ishlatiladi.neyron tarmoqlarning yana bir qo'llanilishi nazoratsiz o'quv vazifalari bo'lib, maqsad yorliqli misollardan foydalanmasdan kirish ma'lumotlaridagi naqsh yoki xususiyatlarni topishdir. Klasterlash va o'lchamlarni kamaytirish neyron tarmoqlardan foydalaniladigan nazoratsiz o'quv vazifalariga misoldir.neyron tarmoqlar, shuningdek, mustahkamlashni o'rganish vazifalarida ham qo'llaniladi, bu erda maqsad mukofot signalini maksimal darajada oshiradigan siyosatni o'rganishdir. Bunday holda, neyron tarmoq o'z harakatlari haqida fikr-mulohazalarni oladi va vaqt o'tishi bilan ish faoliyatini yaxshilash uchun parametrlarini yangilaydi.
[70].naqshni aniqlash uchun texnik qurilmalarnaqshni aniqlash uchun ishlatilishi mumkin bo'lgan turli xil texnik qurilmalar mavjud, ba'zi misollar:kameralar: kameralar tasvir va videoni aniqlash uchun ishlatiladigan eng keng tarqalgan sensor turidir. Ulardan ob'ektlar, sahnalar yoki odamlarning tasvirlari yoki videolarini olish va keyin ma'lumotlarni naqshni aniqlash tizimiga kiritish uchun foydalanish mumkin.lidar: lidar - ob'ektgacha bo'lgan masofani o'lchash uchun lazer nuridan foydalanadigan sensor. U oʻzi boshqariladigan avtomobillar, robototexnika va 3d xaritalash kabi ilovalarda naqshni aniqlash uchun ishlatilishi mumkin.radar: radar obʼyektlarni aniqlash va joylashishni aniqlash uchun radiotoʻlqinlardan foydalanadigan sensordir. U ob'ektni kuzatish, imo-ishoralarni aniqlash va xavfsizlik tizimlari kabi ilovalarda naqshni aniqlash uchun ishlatilishi mumkin.ultratovush: ultratovush - bu ichki tana tuzilmalari tasvirlarini yaratish uchun yuqori chastotali tovush to'lqinlaridan foydalanadigan sensor. U tug'ruqdan oldin tasvirlash va saraton kasalligini aniqlash kabi tibbiy ilovalarda naqshni aniqlash uchun ishlatilishi mumkin. Infraqizil: infraqizil sensorlar barcha issiq ob'ektlar tomonidan chiqariladigan infraqizil nurlanishni aniqlaydi. Ular termal tasvir, ob'ektni aniqlash va kuzatish va tungi ko'rish kabi ilovalarda naqshni aniqlash uchun ishlatilishi mumkin.biometrik sensorlar: biometrik sensorlar barmoq izlari, yuz xususiyatlari yoki iris naqshlari kabi odamning noyob jismoniy xususiyatlarini o'lchash uchun ishlatiladi. Ular xavfsizlik tizimlari, kirishni boshqarish va identifikatsiya qilish kabi ilovalarda naqshni aniqlash uchun ishlatilishi mumkin.
[71]. Elementar mantiqiy klassifikatorelementar mantiqiy klassifikator - berilgan kirishning sinfga a'zoligini aniqlash uchun mantiqiy qoidalar to'plamidan foydalanadigan klassifikatorning oddiy turi. Asosiy g'oya ma'lum bir sinfga kiritilishi uchun bajarilishi kerak bo'lgan shartlar to'plamini aniqlashdir. Ushbu shartlar ko'pincha kirishning ma'lum xususiyatlarining qiymatlariga asoslanadi va "va", "yoki" va "yo'q" kabi mantiqiy operatorlar yordamida birlashtirilishi mumkin.masalan, mevalarni tasniflash uchun oddiy mantiqiy tasniflagich quyidagi qoidalardan foydalanishi mumkin:agar meva dumaloq va qizil bo'lsa, u olma. Agar meva uzun va yashil bo'lsa, u banan. Agar meva yumaloq va sariq bo'lsa, u limondir.ushbu misolda har bir qoida ma'lum bir meva sifatida tasniflanishi uchun kiritilishi kerak bo'lgan shartlar to'plamini belgilaydi. Tasniflagich har bir qoidani tartibda tekshiradi va kirishni barcha shartlar bajarilgan birinchi sinfga belgilaydi.elementar mantiqiy klassifikatorlarni amalga oshirish va tushunish oson va ular kichik sonli sinflar va kirish xususiyatlari va sinflar o'rtasidagi aniq belgilangan mantiqiy munosabatlarga ega bo'lgan oddiy tasniflash muammolarini hal qilish uchun foydali bo'lishi mumkin. Biroq, ular haddan tashqari moslashishga moyil bo'lishi mumkin va ko'plab sinflar va/yoki kirish xususiyatlari va sinflar o'rtasidagi chiziqli bo'lmagan munosabatlar bilan murakkabroq muammolar uchun mos kelmasligi mumkin.
[72]. Pretsedent tushunchasinaqshni aniqlashda pretsedent boshqa o'xshash ob'ektlar yoki hodisalarni ifodalash yoki tasniflash uchun ishlatiladigan ob'ekt yoki hodisaning namunasidir. Pretsedent jismoniy ob'ekt, tasvir, tovush, matn yoki ob'ektlar yoki hodisalar sinfi yoki toifasini tavsiflash yoki aniqlash uchun ishlatilishi mumkin bo'lgan boshqa turdagi ma'lumotlar bo'lishi mumkin.pretsedentlar klassifikatorni o'qitish uchun asos sifatida ishlatiladi, bu yangi kirish namunalarini pretsedentlarga o'xshashligi asosida to'g'ri sinf yoki toifaga belgilashi mumkin bo'lgan tizimdir. Tasniflagich kirish namunasining xususiyatlarini pretsedentlarning xususiyatlari bilan taqqoslaydi va kirish namunasini eng o'xshash sinf yoki toifaga belgilaydi.misol uchun, tasvirni aniqlashda qo'lda yozilgan raqamlarning rasmlari to'plami qo'lda yozilgan raqamlarning yangi tasvirlarini taniy oladigan tasniflagichni o'rgatish uchun pretsedent sifatida ishlatilishi mumkin. Tasniflagich pretsedentlar uchun umumiy bo'lgan naqsh va xususiyatlarni, masalan, zarbalarning shakli va holatini tan olishni o'rganadi va bu bilimlardan raqamlarning yangi tasvirlarini tasniflash uchun foydalanadi.pretsedent tushunchasi naqshni aniqlashda muhim ahamiyatga ega, chunki u ob'ektlar va hodisalarni oldindan belgilangan toifalarning qat'iy to'plamiga tayanmasdan, ularning xususiyatlariga qarab tavsiflash va tasniflash usulini beradi. Bu yangi va ko'rinmaydigan ma'lumotlarni tanib olish va tasniflashda ko'proq moslashuvchanlik va moslashuvchanlikni ta'minlaydi.
[73]. Qisman presedent tushunchasiqisman pretsedent tushunchasi boshqa shunga o'xshash ob'ektlar yoki hodisalarni ifodalash yoki tasniflash uchun ishlatiladigan xususiyatlar yoki xususiyatlarning faqat bir qismini o'z ichiga olgan ob'ekt yoki hodisaning namunasini anglatadi.qisman pretsedent yangi kirish namunalarini hatto ular to'liq bo'lmagan yoki etishmayotgan ma'lumotlarga ega bo'lsa ham taniy oladigan yoki tasniflay oladigan tasniflagichni o'rgatish uchun ishlatilishi mumkin. Bu kirish ma'lumotlari shovqinli, to'liq bo'lmagan yoki buzilgan holatlarda foydalidir. Misol uchun, tasvirni tanib olishda qisman qo'lda yozilgan raqamning qisman xiralashgan yoki bulg'angan tasviri qisman presedent bo'lishi mumkin.klassifikator hali ham mavjud ma'lumotlardan qaror qabul qilish uchun, qisman pretsedentda mavjud bo'lgan xususiyatlarni kirish namunasi xususiyatlari bilan solishtirish orqali foydalanishi mumkin.qisman pretsedentdan foydalanish usullaridan biri bitta sinfli tasniflashda bo'lib, bunda maqsad bitta sinfga tegishli bo'lgan yangi kirish namunalarini tan olish yoki tasniflash, shu bilan birga ushbu sinfga tegishli bo'lmagan namunalarni rad etishdir. Bu qiziqish sinfi haqida cheklangan miqdordagi ma'lumot mavjud bo'lgan yoki boshqa sinflar aniq belgilanmagan holatlarda foydalidir.
[74]. Statistik tan olish usullaristatistik tan olish usullari - bu ma'lumotlarning statistik xususiyatlariga asoslanib, naqshlarni tanib olish yoki ob'ektlarni tasniflash uchun ishlatiladigan texnikalar sinfidir. Ushbu usullar ma'lumotlardan ma'lumot olish va bashorat qilish yoki qaror qabul qilish uchun matematik modellar va algoritmlardan foydalanadi.statistik tan olish usullariga ba'zi misollar quyidagilarni o'z ichiga oladi:bayes usullari: bu usullar bayes teoremasidan ba'zi kuzatilgan ma'lumotlar berilgan gipoteza ehtimolini baholash uchun foydalanadi. Ular odatda tasvir va nutqni aniqlash kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning xususiyatlariga ko'ra eng ko'p bo'lgan sinf yoki toifani aniqlashdir. Qaror nazariyasi: bu usullar xarajatlarga asoslangan optimal qarorni aniqlash uchun qaror nazariyasidan foydalanadi. Va har bir mumkin bo'lgan natija bilan bog'liq imtiyozlar. Ular odatda tasvir va nutqni aniqlash kabi ilovalarda qoʻllaniladi, bunda maqsad obʼyektning xususiyatlariga koʻra eng ehtimoliy klassi yoki toifasini aniqlashdan iborat. Maksimal ehtimollik bahosi: bu usullar statistik maʼlumotlarning parametrlarini baholash uchun maksimal ehtimollik bahosidan foydalanadi. Kuzatilgan ma'lumotlarga eng mos keladigan model. Ular odatda tasvir va nutqni aniqlash kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning xususiyatlariga ko'ra eng ehtimolli sinf yoki toifasini aniqlashdir.yashirin markov modellari (hmm): bu modellar ehtimollik holatlari va o'tishlar to'plamidan foydalanadi. Kuzatishlar ketma-ketligini modellashtirish. Ular odatda nutqni aniqlash va bioinformatika kabi ilovalarda qo'llaniladi, bu erda maqsad kuzatuvlar ketma-ketligi berilgan holatlarning eng ehtimoliy ketma-ketligini aniqlashdir.gauss aralashmasi modellari (gmm) : bu modellar zichlikni baholash uchun ishlatiladi, u ehtimollikni ifodalaydi. Ko'p o'zgaruvchan normal taqsimotning zichlik funksiyasi. Gmm odatda nutq va tasvirni aniqlash kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning xususiyatlariga ko'ra eng ehtimoliy sinf yoki toifasini aniqlashdir.
[75]. Deterministik tan olish usullarideterministik tan olish usullari - bu deterministik qoidalar yoki algoritmlar asosida naqshlarni tan olish yoki ob'ektlarni tasniflash uchun foydalaniladigan texnikalar sinfidir. Ushbu usullar tasodifiy yoki ehtimollikni o'z ichiga olmaydi va natija ma'lum ma'lumotlar to'plamini hisobga olgan holda aniq bo'ladi.deterministik tan olish usullarining ba'zi misollari quyidagilarni o'z ichiga oladi:geometrik usullar: bu usullar ob'ektlarni tasniflash uchun masofa, burchak va shakl o'lchovlari kabi geometrik usullardan foydalanadi. Ular odatda tasvirni tanib olish kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning shakli va o'lchamiga ko'ra eng ehtimoliy sinf yoki toifani aniqlashdir. Strukturaviy usullar: bu usullar grafik nazariyasi va daraxtga asoslangan algoritmlar kabi tizimli usullardan foydalanadi. Ob'ektlarni tasniflash uchun. Ular odatda tasvirni aniqlash va tabiiy tilni qayta ishlash kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning tuzilishi va boshqa ob'ektlar bilan aloqalari asosida eng ko'p ehtimoliy sinf yoki toifani aniqlashdir.sintaktik usullar: bu usullarda sintaktik usullar qo'llaniladi, masalan. Ob'ektlarni tasniflash uchun rasmiy grammatika va muntazam iboralar. Ular odatda tabiiy tilni qayta ishlash va tasvirni aniqlash kabi ilovalarda qo'llaniladi, bu erda maqsad sintaksisi va grammatikasi asosida ob'ektning eng ehtimoliy sinfi yoki toifasini aniqlashdir. Mantiqiy usullar: bu usullar taklif mantiqi va ob'ektlarni tasniflash uchun predikatlar mantiqi. Ular odatda tabiiy tilni qayta ishlash va tasvirni tanib olish kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning mantiqiy xususiyatlari va munosabatlariga asoslanib, uning eng ehtimoliy klassi yoki toifasini aniqlashdir. Qoidalarga asoslangan usullar: bu usullar oldindan belgilangan ma'lumotlar to'plamidan foydalanadi. Ob'ektlarni tasniflash qoidalari. Ular odatda tabiiy tilni qayta ishlash va tasvirni aniqlash kabi ilovalarda qo'llaniladi, bu erda maqsad ob'ektning xususiyatlariga asoslanib, eng ehtimolli sinf yoki toifani aniqlashdir.
[76]. Oddiy bayes usuli.oddiy bayes usuli - bu bayes teoremasiga asoslangan tasniflashning ehtimollik usuli. Bu matnni tasniflash va spamni filtrlash uchun tez-tez ishlatiladigan oddiy va samarali usul. Usul ob'ekt xususiyatlarining bir-biridan mustaqil ekanligi haqidagi taxminga asoslanadi, shuning uchun u "sodda" deb ataladi.naive bayesian usulining asosiy g'oyasi shundan iboratki, kuzatuvlar to'plamini hisobga olgan holda, biz gipoteza (masalan, sinf yoki toifa) ehtimolini kuzatishlar ehtimoli va gipotezaning oldingi ehtimoli asosida baholashimiz mumkin. Misol uchun, matn tasnifida bizda elektron pochta xabarlari to'plami bo'lishi mumkin va biz ularning spam yoki yo'qligini aniqlashni xohlaymiz. Biz elektron pochta xabarlarida ma'lum so'z yoki iboralarning chastotasini kuzatishimiz sifatida va elektron pochta spam bo'lish ehtimolini faraz sifatida ishlatishimiz mumkin.naive bayesian usuli quyidagicha amalga oshiriladi:birinchidan, biz gipotezaning oldingi ehtimolini aniqlashimiz kerak, ya'ni har qanday kuzatishlar amalga oshirilgunga qadar gipotezaning to'g'ri bo'lish ehtimoli.keyin, biz gipoteza berilgan kuzatishlar ehtimolini hisoblaymiz.nihoyat, hisoblash uchun bayes teoremasidan foydalanamiz. Kuzatishlar berilgan gipotezaning orqa ehtimoli.har bir gipotezaning orqa ehtimolini solishtiramiz va ob'ektning sinfi yoki toifasi sifatida eng yuqori ehtimolga ega bo'lganini tanlaymiz.naive bayesian usuli tasniflashning sodda va samarali usuli bo'lib, uni amalga oshirish oson. Biroq, uning aniqligiga xususiyatlarning mustaqilligi ta'sir qilishi mumkin. Shuning uchun uni qaror daraxtlari, tasodifiy o'rmon va svm kabi ilg'or modellardan foydalanish orqali yaxshilash mumkin.
[77]. Tadqiqot namunasining sifatini tekshirisho'rganilayotgan namunaning sifatini tekshirish naqshni aniqlash jarayonida muhim qadamdir. Namuna sifati natijalarning aniqligi va ishonchliligiga ta'sir qiladi. Yaxshi namuna populyatsiyaning vakili bo'lishi kerak, noaniq bo'lishi va statistik ahamiyatga ega bo'lishi uchun etarli hajmga ega bo'lishi kerak.tadqiqot namunasi sifatini tekshirishning bir necha yo'li:vakillik: namuna o'rganmoqchi bo'lgan aholining vakili bo'lishi kerak. Bu shuni anglatadiki, tanlov yoshi, jinsi, irqi, ijtimoiy-iqtisodiy holati va boshqalar bo'yicha populyatsiyaga o'xshash xususiyatlarga ega bo'lishi kerak. Tasodifiylik: tanlanma har qanday muayyan kichik guruhga nisbatan noxolis bo'lmasligini ta'minlash uchun populyatsiyadan tasodifiy tanlanishi kerak. Hajmi: namuna hajmi statistik ahamiyatga ega bo'lishi uchun etarlicha katta bo'lishi kerak. Bu shuni anglatadiki, namunada natijalar tasodifiy emasligini ta'minlash uchun etarli kuzatuvlar bo'lishi kerak. Yaroqlilik: namuna o'lchov xatolari, kodlash xatolari va etishmayotgan ma'lumotlar kabi xatolardan xoli bo'lishi kerak. Ishonchlilik: namuna izchil bo'lishi kerak. Vaqt, shuning uchun namuna qayta o'lchanganda bir xil natijalar olinadi.ma'lumotlar sifati: ma'lumotlar tozalanishi kerak, ya'ni chetdagilar, etishmayotgan ma'lumotlar va ahamiyatsiz ma'lumotlar olib tashlanishi kerak.ma'lumotlarni tahlil qilishdan oldin namunaning sifatini tekshirish muhim, chunki sifatsiz namuna noto'g'ri va ishonchsiz natijalarga olib kelishi mumkin.
[78]. Sinflarning bog'liqligini nima aniqlaydi?mashinani o'rganishda sinflarning bog'liqligi ob'ekt tegishli bo'lishi mumkin bo'lgan turli sinflar yoki toifalar o'rtasidagi munosabatni bildiradi. Sinflarning bog'liqligi bir necha omillar bilan belgilanishi mumkin, jumladan:korrelyatsiya: turli sinflardagi ob'ektlarning xususiyatlari o'rtasidagi bog'liqlik sinflar o'rtasidagi bog'liqlikni ko'rsatishi mumkin. Misol uchun, agar a sinfidagi ob'ektlarning xususiyatlari b sinfidagi ob'ektlarning xususiyatlari bilan yuqori darajada bog'liq bo'lsa, u holda sinflar o'rtasida bog'liqlik bo'lishi mumkin.oddiylik: sinflar orasidagi o'zaro bog'liqlik sinflar orasidagi bog'liqlikni ko'rsatishi mumkin. Misol uchun, agar a sinfidagi ob'ektlarning xususiyatlari b sinfidagi ob'ektlarning xususiyatlari bilan bir-biriga to'g'ri keladigan bo'lsa, u holda sinflar o'rtasida bog'liqlik bo'lishi mumkin. Sinf muvozanati: sinf nomutanosibligi sinflar o'rtasidagi bog'liqlikni ko'rsatishi mumkin. Misol uchun, agar bir sinf boshqa sinfga qaraganda ob'ektlar soni sezilarli darajada ko'p bo'lsa, u holda sinflar o'rtasida bog'liqlik mavjud bo'lishi mumkin.shartli ehtimollik: boshqa sinfga berilgan bir sinfning shartli ehtimoli sinflar orasidagi bog'liqlikni ko'rsatishi mumkin. Masalan, agar ob'ektning a sinfiga mansub bo'lish ehtimoli yuqori bo'lsa, u b sinfiga tegishli bo'lsa, u holda sinflar o'rtasida bog'liqlik mavjud bo'lishi mumkin.o'zaro ma'lumot: o'zaro ma'lumotlar sinflar orasidagi bog'liqlikni ko'rsatishi mumkin. Masalan, agar a sinfidagi ob'ektlarning xususiyatlari va b sinfidagi ob'ektlarning xususiyatlari o'rtasidagi o'zaro ma'lumot yuqori bo'lsa, u holda sinflar o'rtasida bog'liqlik bo'lishi mumkin.

[79]. Belgilar maydonini qisqartirish muammosimashinani o'rganishda belgilar maydonini qisqartirish muammosi ob'ekt yoki tasvirni ifodalash uchun ishlatiladigan xususiyatlar sonini kamaytirish jarayonini anglatadi. Bu jarayon xususiyat tanlash yoki o'lchamni kamaytirish deb ham ataladi.belgilar maydonini qisqartirishning bir necha sabablari bor:o'lchovlilikning la'nati: xususiyatlar soni ortib borishi bilan modelni o'rgatish uchun zarur bo'lgan ma'lumotlar miqdori ham ortadi, bu haddan tashqari moslashishga yoki yomon umumlashtirishga olib kelishi mumkin. Ortiqchalik: ba'zi xususiyatlar yuqori darajada bog'liq yoki ortiqcha bo'lishi mumkin, ya'ni ular juda kam yoki umuman ta'minlanmaydi. Qo'shimcha ma'lumot. Hisoblash murakkabligi: yuqori o'lchamli ma'lumotlarni qayta ishlash va tahlil qilish uchun hisoblash qimmat bo'lishi mumkin, bu esa modellarni o'rgatish va baholashni sekinlashtirishi mumkin. Haddan tashqari moslashish: ko'p sonli funksiyalar bilan modellar ko'rinmas ma'lumotlarda yomon ishlashi mumkin. Ma'lumotlar.mashinani o'rganishda belgilar maydonini kamaytirish uchun bir nechta usullar qo'llaniladi:xususiyatlarni tanlash: bu asl ma'lumotlar to'plamidan tegishli xususiyatlarning kichik to'plamini tanlash jarayonidir. Xususiyatlarni ajratib olish: bu ko'proq ma'lumot beruvchi va tegishli bo'lgan original xususiyatlardan yangi xususiyatlarni yaratish jarayonidir. Asosiy komponentlar tahlili (pca) va chiziqli diskriminant tahlil (lda) : bu usullar eng muhim xususiyatlarni saqlab qolgan holda maʼlumotlarni past oʻlchamli boʻshliqqa loyihalashtirmoqda. Avtokoderlar: ular kirishni kichik oʻlchamli tasvirga siqish orqali xususiyatlarni ajratib olish va oʻlchamlarni kamaytirish uchun ishlatilishi mumkin boʻlgan neyron tarmoqlardir. Tartibga solish usullari: ushbu usullar modelning yo'qolishi funktsiyasiga jazo muddatini qo'shish orqali haddan tashqari moslashishning oldini olish uchun ishlatiladi.

[80]. Ikki o'lchovli tasvirlarni piksel bilan taqqoslash.ikki o'lchovli tasvirlarni piksel bilan taqqoslash - bu ikki tasvir o'rtasidagi o'xshashlik va farqlarni solishtirish va tahlil qilish uchun tasvirni qayta ishlash va mashinani o'rganishda qo'llaniladigan usul. Jarayon bitta tasvirning har bir pikselini boshqa tasvirning mos keladigan pikseli bilan solishtirishni va ikkita rasm qanchalik o'xshashligini aniqlash uchun o'xshashlik ko'rsatkichini hisoblashni o'z ichiga oladi.ikki o'lchovli tasvirlarni piksel bilan taqqoslashning bir necha usullari mavjud, ba'zi mashhur usullar:o'rtacha kvadrat xatosi (mse): bu usul ikkita tasvirning piksel qiymatlari orasidagi kvadrat farqining o'rtacha qiymatini hisoblab chiqadi. Pastroq mse qiymati tasvirlarning ko'proq o'xshashligini ko'rsatadi. Strukturaviy o'xshashlik indeksi (ssim): bu usul tasvir va inson ko'rish tizimining tizimli ma'lumotlariga asoslanadi. U ikkita tasvir oʻrtasidagi oʻxshashlikni ularning yorqinligi, kontrasti va tuzilishi asosida hisoblab chiqadi.normallashtirilgan oʻzaro bogʻliqlik (ncc): bu usul piksel qiymatlarining standart ogʻishi bilan normallashtirilgan ikki tasvirning piksel qiymatlari oʻrtasidagi korrelyatsiyani hisoblab chiqadi. Yuqori ncc qiymati tasvirlarning oʻxshashligini koʻrsatadi.oʻrtacha mutlaq xato (mae): bu usul ikki tasvirning piksel qiymatlari orasidagi mutlaq farqning oʻrtacha qiymatini hisoblab chiqadi. Pastroq mae qiymati tasvirlarning o'xshashligini ko'rsatadi. Hu moments: bu usul tasvirdagi ob'ekt shaklini tasvirlash uchun ishlatiladigan ettita o'zgarmas momentni hisoblab chiqadi.gistogramma taqqoslash: bu usul tasvirlarning gistogrammalarini solishtiradi. Ular orasidagi o'xshashlikni aniqlash.
[81]. Bayes muammosibayes muammosi ma'lumotlar haqida bashorat qilish va xulosalar chiqarish uchun mashinani o'rganish va naqshni aniqlashda bayes statistikasi va ehtimollik nazariyasidan foydalanishni anglatadi. Bayes yondashuvi ehtimollik tizimning holatiga nisbatan ishonch yoki noaniqlik darajasini ifodalaydi va bu ishonch yangi ma'lumotlar paydo bo'lishi bilan yangilanishi mumkin degan fikrga asoslanadi.bayes muammosida maqsad kuzatilgan ma'lumotlar asosida model yoki ob'ekt sinfining parametrlarining ehtimollik taqsimotini baholashdir. Bu odatda bayes teoremasi yordamida amalga oshiriladi, ya'ni ba'zi ma'lumotlar (d) berilgan gipoteza (h) ehtimoli gipotezada berilgan ma'lumotlarning ehtimoliga (p(d|h)) ko'paytirilgan proportsionaldir. Gipoteza ehtimoli (p(h)).bayes yondashuvining asosiy afzalliklaridan biri shundaki, u avvaldan olingan bilimlarni yoki model parametrlari yoki ob'ekt sinfi haqidagi ma'lumotlarni kiritish imkonini beradi. Bu ma'lumotlar cheklangan yoki shovqinli bo'lgan holatlarda foydali bo'lishi mumkin, chunki bu parametrlar yoki sinfni yanada ishonchli baholash imkonini beradi.bayes muammosi tasvirlarni tasniflash, nutqni aniqlash, tabiiy tilni qayta ishlash va bioinformatika kabi turli xil ilovalarda qo'llaniladi. Bundan tashqari, u bayesian chuqur o'rganishda qo'llaniladi, bu chuqur o'rganish modellarida oldingi bilimlarni kiritish usulidir.
[82]. Qanday aqlli tizimlar naqshni aniqlash vazifasidan foydalanadi?qolipni aniqlash vazifasidan foydalanadigan ntelligent tizimlar tasvirni aniqlash, nutqni aniqlash, tabiiy tilni qayta ishlash va ob'ektni tanib olish kabi turli xil tanib olish vazifalarini bajarishi mumkin bo'lgan keng toifadagi tizimlardir. Shaklni aniqlashdan foydalanadigan aqlli tizimlarning ba'zi misollari:kompyuterni ko'rish tizimlari: bu tizimlar tasvir va videolarni tahlil qilish va sharhlash uchun ishlatiladi va ob'ektni aniqlash, tasvirni segmentatsiyalash va yuzni tanish kabi vazifalar uchun ishlatilishi mumkin. Nutqni aniqlash tizimlari: bu tizimlar nutq signallarini matnga aylantirish uchun ishlatiladi va ovozli buyruqni tanib olish, nutqdan matnga transkripsiya va karnayni identifikatsiya qilish kabi vazifalar uchun ishlatilishi mumkin.biometrik tizimlar: bu tizimlar jismoniy yoki xatti-harakatlariga asoslangan shaxslarni aniqlash va tekshirish uchun ishlatiladi va shu kabi vazifalar uchun ishlatilishi mumkin. Barmoq izini aniqlash, yuzni tanish va ìrísíni tanib olish. Robototexnika: robototexnika tizimlari atrof-muhitni sezish, ob'ektlarning joylashuvini aniqlash va navigatsiya qilish uchun naqshni aniqlashdan foydalanadi. Avtonom transport vositalari: avtonom transport vositalari boshqa transport vositalari kabi atrofdagi ob'ektlarni aniqlash va aniqlash uchun naqshni aniqlashdan foydalanadi. Xavfsiz harakatlanish uchun piyodalar va svetofor signallari. Tavsiya qiluvchi tizimlar: bu tizimlar naqshni aniqlashdan foydalanadi. Foydalanuvchi ma'lumotlarini tahlil qilish va ularning afzalliklari asosida mahsulot yoki xizmatlar uchun tavsiyalar berish. Tabiiy tilni qayta ishlash (nlp) tizimlari: bu tizimlar inson tilini tushunish va talqin qilish uchun naqshni aniqlashdan foydalanadi va ular hissiyot tahlili, matn tasnifi va kabi vazifalar uchun ishlatilishi mumkin. Mashina tarjimasi.
[83]. Kamera orqali tasvirlarni qabul qilish va tanib olish tizimlari.kamera orqali tasvirlarni qabul qilish va tanib olish tizimlari kameralardan tasvirlarni suratga olish va tahlil qilishning asosiy vositasi sifatida foydalanadigan tasvirni aniqlash tizimining bir turi hisoblanadi. Ushbu tizimlar ob'ektni aniqlash, tasvirni tasniflash, yuzni aniqlash va kuzatish kabi turli xil ilovalar uchun ishlatilishi mumkin.kamera orqali tasvirlarni qabul qilish va tanib olish tizimlariga ba'zi misollar:kuzatuv tizimlari: bu tizimlar tasvir va video suratga olish uchun kameralardan foydalanadi va xavfsizlik va monitoring maqsadlarida maʼlumotlarni tahlil qilish uchun tasvirni aniqlash algoritmlaridan foydalanishi mumkin. Kengaytirilgan haqiqat (ar) tizimlari: bu tizimlar real dunyo tasvirlarini olish uchun kameralardan foydalanadi va keyin real vaqt rejimida raqamli maʼlumot yoki grafiklarni tasvir ustiga qoʻyib, kengaytirilgan reallik tajribasini yarating. Avtomatlashtirilgan litsenziya raqamlarini aniqlash (alpr) tizimlari: bu tizimlar raqam belgilari tasvirini olish uchun kameralardan foydalanadi, soʻngra oʻqish va sharhlash uchun tasvirni aniqlash algoritmlaridan foydalanadi. Davlat raqami raqamlari. Sanoat avtomatizatsiyasi: ishlab chiqarish kabi sohalarda bu tizimlar ob'ektlarni aniqlash va kuzatish, ishlab chiqarish liniyalarini kuzatish va ishlab chiqarish jarayonidagi nuqsonlarni aniqlash uchun kameralardan foydalanadi. Intellektual traffic systems: bu tizimlar kameralardan trafikni kuzatish, aniqlash va tanib olish uchun foydalanadi. Transport vositalari, yo‘l harakati naqshlarini tahlil qilish va real vaqt rejimida trafik ma’lumotlarini taqdim etish. Mobil ilovalar: mobil ilovalar, masalan ning kameraga asoslangan shtrix-kod skanerlari, qr-kod skanerlari va hujjat skanerlari olingan tasvirlardan ma'lumotlarni qayta ishlash va chiqarish uchun tasvirni aniqlashdan foydalanadi.
[84]. Kompaktlik haqidagi taxmin.matematikada ixchamlik gipotezasi topologik fazoning kichik to'plami, agar kichik to'plamning har bir ochiq qopqog'ida chekli pastki qoplama bo'lsa, nisbatan ixcham ekanligini bildiruvchi printsipdir. Topologik fazo - ochiq va yopiq to'plamlar tushunchasiga imkon beruvchi topologiya deb ataladigan, aniqlangan tuzilishga ega bo'lgan to'plam.boshqacha qilib aytganda, ixchamlik taxmini shuni ko'rsatadiki, topologik fazoning kichik to'plami ixcham deb hisoblanadi, agar ushbu kichik to'plamning har qanday ochiq qopqog'i uchun ushbu qopqoqda kichik to'plamni to'liq qoplash uchun olinishi mumkin bo'lgan cheklangan miqdordagi ochiq to'plamlar mavjud bo'lsa. Hech qanday bo'shliq qoldirmasdan.kompaktlik haqidagi taxmin matematikaning ko'p sohalarida, xususan topologiya va funktsional tahlilda muhim ahamiyatga ega. U ma'lum turdagi chegaralarning mavjudligini aniqlash uchun ishlatiladi, masalan, bolzano-vayershtrass teoremasi, bu haqiqiy sonlarning har bir cheklangan ketma-ketligi kamida bitta konvergent quyi ketma-ketlikka ega ekanligini ta'kidlaydi.bundan tashqari, ixchamlik taxmini boshqa ko'plab muhim teoremalarning asosini ham tashkil qiladi, masalan, arzela-askoli teoremasi, bir nechta o'zgaruvchilarning funktsiyalarini o'rganishda va differentsial tenglamalarni o'rganishda qo'llaniladi.
[85]. Nutqni matnga tarjima qilish muammosinutqni matnga tarjima qilish muammosi, shuningdek, nutqni aniqlash yoki avtomatik nutqni aniqlash (asr) sifatida ham tanilgan, og'zaki tilni yozma matnga aylantirish vazifasidir. Bu muammo turli xil urg'ularni, dialektlarni va tillarni tanib olish, shuningdek, fon shovqini va nutq uslubidagi o'zgarishlar bilan shug'ullanish kabi bir qancha muammolarni o'z ichiga oladi.ushbu muammoni hal qilish uchun bir nechta yondashuvlar qo'llaniladi, jumladan:akustik modellashtirish: bu yondashuv so‘zlarni tashkil etuvchi asosiy tovush va qoliplarni aniqlash uchun nutq tovushini tahlil qilishni o‘z ichiga oladi.tilni modellashtirish: bu yondashuv nutqning grammatik tuzilishi va kontekstini tahlil qilib, aytilayotgan so‘z va iboralarni aniqlashni o‘z ichiga oladi.fonemani tanib olish: bu yondashuv nutqning unlilar va undoshlar kabi asosiy tovushlarini tanib olish va ulardan so‘zlarni aniqlashda foydalanishni o‘z ichiga oladi.neyron tarmoqlar: bu yondashuv nutq namunalarini tanib olish va ularni qanday qilib aylantirishni o‘rganish uchun nutq namunalarining katta ma’lumotlar to‘plamida sun’iy neyron tarmoqlarni o‘rgatishdan iborat. Text.gibrid tizimlar: bu yondashuv nutqni aniqlashning aniqligini oshirish uchun bir nechta yondashuvlarni birlashtirishni o'z ichiga oladi.nutqni aniqlashning aniqligini oshirish uchun ko'plab tizimlar moslashish va yangi ma'lumotlardan o'rganish uchun mashinani o'rganish usullaridan foydalanadi. Bu tizimga turli urg'u va dialektlarni, shuningdek, turli nutq uslublarini yaxshiroq tushunish imkonini beradi.
[86]. Bir hil ob'ektlar to'plamining tasnif belgilaribir hil ob'ektlar to'plamining tasniflash belgilari o'xshash yoki bir xil ob'ektlar guruhini turkumlash va etiketlash uchun ishlatiladigan tizim yoki usulni anglatadi. Ushbu belgilar ob'ektlarning xususiyatlarini yoki xususiyatlarini aniqlash va ularni muayyan toifalarga guruhlash uchun ishlatiladi.bir hil ob'ektlar to'plamining belgilarini tasniflashning turli usullari mavjud, ba'zi umumiy misollar:alifbo tartibida tasniflash: bu usul ob'ektlarni nomlari yoki yorliqlari bo'yicha tartibga soladi, so'ngra ularni alifbo tartibida tartibga soladi. Raqamli tasniflash: bu usul ob'ektlarni o'lcham, vazn yoki yosh kabi raqamli qiymatlarga asoslangan holda tartibga soladi va ularni raqamli tartibda joylashtiradi. Geografik tasniflash: bu usul ob'ektlarni joylashuviga qarab tartibga soladi va ularni geografik joylashuviga qarab tartibga soladi.vaqtincha tasniflash: bu usul ob'ektlarni ularning vaqtiga qarab tartibga soladi va ularni paydo bo'lish yoki yaratilish vaqtiga qarab tartibga soladi.funktsional tasnif: bu usul ob'ektlarni o'z vazifasi yoki maqsadiga qarab tartibga soladi va ularni bajaradigan vazifasi yoki xizmat maqsadiga qarab tartibga soladi.mavzuiy tasnif: bu usul ob'ektlarni ularning predmeti yoki mavzusiga ko'ra tartibga soladi va ular bilan bog'liq bo'lgan mavzu yoki mavzuga qarab tartibga soladi.

[87]. Tasvirni aniqlash tizimlarini qo'llash sohalarimage tanib olish tizimlari turli sohalarda keng ko'lamli ilovalarga ega, masalan:kompyuter bilan koʻrish: tasvirni aniqlash tizimlari kompyuterda koʻrishda obyektni aniqlash, tasvirni segmentatsiyalash va tasvirni roʻyxatga olish kabi vazifalarni bajarishda qoʻllaniladi.robotexnika: tasvirni aniqlash tizimlari robototexnikada navigatsiya, mahalliylashtirish va obʼyektlarni manipulyatsiya qilish kabi vazifalar uchun ishlatiladi.kuzatuv va xavfsizlik: tasvirni aniqlash tizimlari kuzatuv va xavfsizlik tizimlarida yuzni tanib olish, davlat raqamini aniqlash va ob'ektni kuzatish kabi vazifalar uchun qo'llaniladi.tibbiy tasvirlash: rasmni aniqlash tizimlari tibbiy tasvirlashda o'smalarni aniqlash, lezyon segmentatsiyasi va tasvirni ro'yxatga olish kabi vazifalar uchun ishlatiladi. Avtomobil sanoati: tasvirni aniqlash tizimlari avtomobil sanoatida chiziqdan chiqish haqida ogohlantirish, toʻsiqlarni aniqlash va haydovchi monitoringi kabi vazifalar uchun qoʻllaniladi. Chakana savdo va elektron tijorat: tasvirni aniqlash tizimlari chakana va elektron tijoratda mahsulotni tanib olish kabi vazifalar uchun qoʻllaniladi. , tasvirga asoslangan qidiruv va virtual sinab koʻrish. Qishloq xoʻjaligi: tasvirni aniqlash tizimlari qishloq xoʻjaligida qoʻllaniladi. Hosilni kuzatish, oʻsimliklarni hisoblash va kasalliklarni aniqlash kabi vazifalar uchun. Kengaytirilgan haqiqat: tasvirni aniqlash tizimlari tasvirni kuzatish, markerni aniqlash va obyektni aniqlash kabi vazifalar uchun kengaytirilgan haqiqatda qoʻllaniladi. Sanoat avtomatizatsiyasi: tasvirni aniqlash tizimlari sanoat avtomatizatsiyasida qoʻllaniladi. Ob'ektlar sifatini nazorat qilish, tekshirish va mahalliylashtirish kabi vazifalar uchun.

[88]. Biometrik tanib olish tizimlaribiometrik tanib olish tizimlari - bu shaxsning shaxsini tan olish va tekshirish uchun uning noyob fiziologik yoki xulq-atvor xususiyatlaridan foydalanadigan identifikatsiya tizimining bir turi. Ushbu tizimlar kirishni nazorat qilish, vaqt va davomatni kuzatish va jinoyatni aniqlash kabi vazifalar uchun ishlatilishi mumkin.biometrik tanib olish tizimlarining ba'zi keng tarqalgan turlariga quyidagilar kiradi:barmoq izini aniqlash: bu tizim shaxslarni aniqlash uchun barmoq izlaridagi noyob naqshlardan foydalanadi.yuzni tanish: bu tizim ularni aniqlash uchun shaxsning yuzining oʻziga xos xususiyatlaridan foydalanadi.irisni tanib olish: bu tizim shaxslarni aniqlash uchun koʻz ìrísíidagi noyob naqshlardan foydalanadi. .ovozni tanib olish: bu tizim ularni aniqlash uchun shaxs ovozining o‘ziga xos xususiyatlaridan foydalanadi.imzoni aniqlash: bu tizim ularni aniqlash uchun shaxs imzosining noyob naqshlaridan foydalanadi.qo‘l geometriyasini aniqlash: bu tizim shaxsning ovozining o‘ziga xos shakli va o‘lchamidan foydalanadi. Ularni aniqlash uchun qo'l.xulq-atvorni tan olish: bu tizim ularni aniqlash uchun yozish ritmi, sichqoncha harakati yoki yurish kabi shaxsning o'ziga xos xulq-atvor xususiyatlaridan foydalanadi.dnkni aniqlash: bu tizim ularni aniqlash uchun shaxsning noyob genetik kodidan foydalanadi.biometrik tanib olish tizimlari yuqori aniqlik, noyob identifikatsiya va rad etmaslik kabi bir qator afzalliklarga ega. Biroq, ularda maxfiylik muammolari, yuqori xarajatlar va texnik cheklovlar kabi ba'zi kamchiliklar mavjud.
[89]. Naqshlarni aniqlashda pretsedent tushunchasinaqshlarni tanib olishda pretsedent tushunchasi yangi namunalarni aniqlash yoki tasniflash uchun ma'lumotnoma sifatida foydalaniladigan oldindan saqlangan namuna yoki namunalar to'plamini anglatadi. Ushbu saqlangan namunalar odatda "o'quv namunalari" yoki "o'quv ma'lumotlari" deb nomlanadi va keyinchalik yangi naqshlarni tasniflash uchun ishlatilishi mumkin bo'lgan modelni yaratish uchun ishlatiladi.o'quv namunalari odatda ma'lum sinflar yoki toifalar to'plamidan yig'iladi va har bir namuna o'zi tegishli bo'lgan sinf bilan belgilanadi. Ushbu jarayon "nazorat ostidagi o'rganish" deb nomlanadi, chunki model o'quv ma'lumotlari tomonidan "nazorat qilinadi".misol uchun, tasvirni aniqlashda mushuk va itlarning shunday yorliqlangan tasvirlari to'plami yangi tasvirlarda mushuk va itlarni tanib olish uchun modelni o'rgatish uchun o'rgatish ma'lumotlari sifatida ishlatiladi.model o'qitilgandan so'ng, uni saqlangan pretsedentlar bilan taqqoslash orqali yangi naqshlarni tasniflash uchun foydalanish mumkin. Keyin yangi namuna mashg'ulot ma'lumotlari asosida eng o'xshash bo'lgan sinfga tayinlanadi.
[90]. Ballarga asoslangan tanib olish algoritmlariballarga asoslangan tanib olish algoritmlari ma'lum bir kirish namunasi uchun har bir sinf yoki toifaga ball yoki ehtimollik qiymatini belgilaydigan algoritm turidir. Ushbu algoritmlar kirish namunasi va saqlangan pretsedentlar o'rtasidagi o'xshashlik yoki o'xshashlikni hisoblash uchun ball funksiyasidan foydalanadi. Eng yuqori ballga ega bo'lgan sinf yoki toifa eng ko'p mos keladigan deb hisoblanadi.ballarga asoslangan tanib olish algoritmlarining ba'zi misollari quyidagilarni o'z ichiga oladi:eng yaqin qo'shni algoritmi: bu algoritm kirish namunasi va o'quv ma'lumotlaridagi eng yaqin pretsedent o'rtasidagi masofaga qarab har bir sinfga ball beradi. Eng kichik masofaga ega bo'lgan sinf eng ko'p mos keladigan deb hisoblanadi.bayesian klassifikatorlari: bu algoritm har bir sinfga shu sinfga tegishli kirish naqshining ehtimoli asosida ball qo'yadi. Eng yuqori ehtimoli bo'lgan sinf eng ko'p mos keladigan deb hisoblanadi. Vektorli mashinalarni qo'llab-quvvatlash (svms): bu algoritm kirish namunasi va qaror chegarasi orasidagi masofaga qarab har bir sinfga ball belgilaydi. Qaror chegarasiga eng yaqin masofaga ega bo'lgan sinf eng ko'p mos keladigan deb hisoblanadi.neyron tarmoqlari: bu algoritm neyron tarmoqning chiqishi asosida har bir sinfga ball belgilaydi. Eng yuqori chiqish qiymatiga ega bo'lgan sinf eng ko'p mos keladigan sinf hisoblanadi.ballarga asoslangan tanib olish algoritmlari yuqori aniqlik, moslashuvchanlik va murakkab ma'lumotlar bilan ishlash qobiliyati kabi bir qator afzalliklarga ega. Biroq, ular shuningdek, katta hajmdagi o'quv ma'lumotlarini talab qilish va shovqinga sezgir bo'lish kabi ba'zi kamchiliklarga ega
[91]. "o'qituvchi yordamida o'rganish" muammosi."o'qituvchi yordamida o'rganish" muammosi mashinani o'rganishning bir turi bo'lib, unda model yorliqli ma'lumotlardan foydalangan holda o'qitiladi, shuningdek nazorat ostida o'rganish deb ham ataladi. Ushbu turdagi o'rganishda model kirish-chiqish juftliklari to'plami bilan ta'minlanadi va bu ma'lumotlardan kirish va chiqishlar o'rtasidagi xaritalashni o'rganish uchun foydalanadi. Keyin model o'quv ma'lumotlaridan o'rgangan narsalarga asoslanib, yangi, ko'rilmagan ma'lumotlar bo'yicha bashorat qila oladi.nazorat ostidagi ta'limning asosiy afzalligi shundaki, u modelga yorliqli ma'lumotlardan o'rganish imkonini beradi, bu ko'plab real dunyo ilovalarida juda foydali bo'lishi mumkin. Biroq, asosiy kamchilik shundaki, bu modelni o'rgatish uchun katta miqdordagi etiketli ma'lumotlarni talab qiladi, bu esa qimmatga tushishi va olish uchun vaqt talab qilishi mumkin.misol uchun, tasvirni aniqlashda mushuk va itlarning shunday yorliqlangan tasvirlari to'plami yangi tasvirlarda mushuk va itlarni tanib olish uchun modelni o'rgatish uchun o'rgatish ma'lumotlari sifatida ishlatiladi.xulosa qilib aytadigan bo'lsak, "o'qituvchi yordamida o'rganish" muammosi mashinani o'rganishning bir turi bo'lib, unda model etiketli ma'lumotlardan foydalangan holda o'qitiladi. Bu modelga yorliqli ma'lumotlardan o'rganish imkonini beradi, bu ko'plab real dunyo ilovalarida juda foydali bo'lishi mumkin. Biroq, asosiy kamchilik shundaki, bu modelni o'rgatish uchun katta miqdordagi etiketli ma'lumotlarni talab qiladi, bu esa qimmatga tushishi va olish uchun vaqt talab qilishi mumkin.
[92]. Ob'ektni tasvirdagi tanib olish jarayonining bosqichlaritasvirdagi ob'ektni tanib olish jarayoni odatda bir necha bosqichlarni o'z ichiga oladi:tasvirni oldindan qayta ishlash: ushbu bosqich shovqinni kamaytirish, tasvirni yaxshilash va tasvirni segmentatsiyalash kabi vazifalarni o'z ichiga oladi. Ushbu bosqichning maqsadi tasvirni keyingi qayta ishlashga tayyorlash va qiziqish ob'ektini ko'proq ko'rinadigan va aniqroq qilishdir.xususiyatlarni ajratib olish: bu bosqich rasmdan rang, shakl va tekstura kabi tegishli ma'lumotlarni ajratib olishni o'z ichiga oladi. Ushbu bosqichning maqsadi ob'ektni tasvirdagi boshqa ob'ektlardan farqlash uchun ishlatilishi mumkin bo'lgan xususiyatlarni ajratib olishdir. Xususiyatlarni tanlash: bu bosqich tanib olish uchun eng mos keladigan ajratilgan xususiyatlarning kichik to'plamini tanlashni o'z ichiga oladi. Ushbu bosqichning maqsadi xususiyat maydonining o'lchovliligini kamaytirish va tanib olish jarayonining samaradorligi va aniqligini oshirishdir.tasniflash: bu bosqich ob'ektni tasniflash uchun tanlangan xususiyatlardan foydalanishni o'z ichiga oladi. Buni eng yaqin qo'shni, bayesian yoki neyron tarmoqlari kabi turli usullar yordamida amalga oshirish mumkin.post-processing: bu bosqich xatolarni tuzatish va chiqish formatlash kabi vazifalarni o'z ichiga oladi. Ushbu bosqichning maqsadi tan olish jarayonining yakuniy natijasini yaxshilashdir.baholash: bu bosqich tan olish tizimining ish faoliyatini baholashdan iborat. Bu aniqlik, aniqlik, eslab qolish va f1 balli kabi ko'rsatkichlar yordamida amalga oshirilishi mumkin.
[93]. Nutq texnologiyalarinutq texnologiyalari, shuningdek, nutqni qayta ishlash yoki nutqni aniqlash sifatida ham tanilgan, inson nutqini tahlil qilish, tushunish va yaratish uchun turli xil texnika va usullarni o'z ichiga olgan keng sohadir. Nutq texnologiyalarining asosiy yo'nalishlariga quyidagilar kiradi:nutqni aniqlash: nutq texnologiyasining ushbu sohasi og'zaki so'zlarni yozma yoki mashinada o'qiladigan matnga aylantirish qobiliyatini o'z ichiga oladi. Bu texnologiya ovoz bilan boshqariladigan yordamchilar, diktant dasturlari va nutqdan matnga transkripsiya kabi turli ilovalarda qo‘llaniladi.nutq sintezi: nutq texnologiyasining bu sohasi yozma yoki mashinada o‘qiladigan matndan nutq hosil qilish qobiliyatini o‘z ichiga oladi. Bu texnologiya matndan nutqqa oʻtish tizimlari, nutqni qoʻllab-quvvatlaydigan navigatsiya tizimlari va sintetik nutq kabi turli ilovalarda qoʻllaniladi.nutqni tahlil qilish: nutq texnologiyasining bu sohasi nutqning balandligi kabi xususiyatlarini tahlil qilish qobiliyatini oʻz ichiga oladi. , ritm va intonatsiya. Ushbu texnologiya nutqni aniqlash, nutqni sintez qilish va nutqni faollashtiradigan navigatsiya tizimlari kabi turli xil ilovalarda qo'llaniladi.nutqni qayta ishlash: nutq texnologiyasining bu sohasi nutq ma'lumotlarini qayta ishlash va manipulyatsiya qilish qobiliyatini o'z ichiga oladi. Ushbu texnologiya nutqni aniqlash, nutq sintezi va nutqni faollashtiruvchi navigatsiya tizimlari kabi turli xil ilovalarda qo'llaniladi.nutqni aniqlash va tushunish: nutq texnologiyasining bu sohasi og'zaki so'zlarni, iboralarni va buyruqlarni tanib olish va tushunish qobiliyatini o'z ichiga oladi. Ushbu texnologiya ovoz bilan boshqariladigan yordamchilar, diktant dasturlari va nutqdan matnga transkripsiya kabi turli ilovalarda qo'llaniladi. Tabiiy tilni qayta ishlash (nlp) yordamida nutqni aniqlash: nutq texnologiyasining bu sohasi nafaqat transkripsiya qilish qobiliyatini o'z ichiga oladi. Nutq, balki uning ortidagi kontekst va niyatni tushunib, ma'noni ham chiqaradi.nutq texnologiyalari sog'liqni saqlash, moliya, transport va mijozlarga xizmat ko'rsatish kabi ko'plab sohalarda qo'llaniladi. Chuqur o'rganish va tabiiy tilni qayta ishlashning rivojlanishi bilan u virtual yordamchilar, nutqni boshqaradigan qurilmalar va nutqni qo'llab-quvvatlaydigan chatbotlar kabi turli xil ilovalarda tobora keng tarqalgan.
[94]. Zamonaviy tanib olish texnologiyalari (kutubxonalar)tasvir va nutqni aniqlash kabi naqshlarni aniqlash vazifalarining har xil turlari uchun ko'plab zamonaviy tanib olish texnologiyalari (kutubxonalar) mavjud. Ba'zi misollar quyidagilarni o'z ichiga oladi:tensorflow: tensorflow - bu mashinani o'rganish va chuqur o'rganish uchun ochiq manbali kutubxona. U google tomonidan ishlab chiqilgan va u tasvirni aniqlash, nutqni aniqlash va tabiiy tilni qayta ishlash kabi turli vazifalar uchun keng qoʻllaniladi.opencv: opencv ochiq manbali kompyuter koʻrish kutubxonasi boʻlib, tasvirni qayta ishlash va kompyuterni koʻrishning keng doirasini taʼminlaydi. Algoritmlar. U ob'ektni aniqlash, yuzni tanish va tasvirlarni tasniflash kabi vazifalar uchun keng qo'llaniladi.pytorch: pytorch - torch kutubxonasiga asoslangan ochiq manbali mashina o'rganish kutubxonasi. U facebook tomonidan ishlab chiqilgan boʻlib, tasvir va nutqni aniqlash hamda tabiiy tilni qayta ishlash kabi vazifalar uchun keng qoʻllaniladi.caffe: caffe — berkeley vision and learning center tomonidan ishlab chiqilgan chuqur oʻrganish tizimi. U tasvirlarni tasniflash, ob'ektlarni aniqlash va yuzni tanish kabi vazifalar uchun keng qo'llaniladi. Keras: keras yuqori darajadagi neyron tarmoqlar api'si bo'lib, python tilida yozilgan va tensorflow, cntk yoki theano ustida ishlashga qodir. U tasvir va nutqni aniqlash, tabiiy tilni qayta ishlash va matn yaratish kabi vazifalar uchun keng qoʻllaniladi. Theano: theano koʻp oʻlchovli massivlarni oʻz ichiga olgan matematik ifodalarni aniqlash, optimallashtirish va baholash imkonini beruvchi python kutubxonasi. U tasvir va nutqni aniqlash, tabiiy tilni qayta ishlash va matn yaratish kabi vazifalar uchun keng qo'llaniladi.libsvm: libsvm - vektorli mashinalarni yordamlash (svm) kutubxonasi. U tasvir va nutqni aniqlash, tabiiy tilni qayta ishlash va matn yaratish kabi vazifalar uchun keng qo'llaniladi.bular mavjud bo'lgan ko'plab tanib olish texnologiyalariga bir nechta misollar. Har bir kutubxona o'zining kuchli va zaif tomonlariga ega va ulardan foydalanish eng yaxshisi aniq vazifa va siz ishlayotgan ma'lumotlar to'plamiga bog'liq bo'ladi.

[95]. Zamonaviy tanib olish kutubxonasi: tensorflowtensorflow — google tomonidan ishlab chiqilgan mashina oʻrganish va chuqur oʻrganish uchun mashhur ochiq manbali kutubxona. U tasvirni aniqlash, nutqni aniqlash, tabiiy tilni qayta ishlash va boshqalar kabi turli vazifalar uchun ishlatilishi mumkin.tensorflowning asosiy afzalligi uning moslashuvchanligi va kengaytirilishidir. U oddiy chiziqli regressiyadan tortib murakkab chuqur o'rganish modellarigacha bo'lgan keng ko'lamli vazifalar uchun ishlatilishi mumkin. Shuningdek, u ish stoli kompyuterlari, serverlar, mobil qurilmalar va o'rnatilgan tizimlarni o'z ichiga olgan keng doiradagi platformalarni qo'llab-quvvatlaydi.tensorflow-ning asosiy xususiyatlaridan biri uning avtomatik farqlashni amalga oshirish qobiliyatidir, bu kutubxonaga mashinani o'rganish modellari parametrlarini optimallashtirish imkonini beradi. Bu ishlab chiquvchilarga o'z modellarining dizayniga e'tibor qaratish va optimallashtirish jarayonining past darajadagi tafsilotlari haqida qayg'urmaslik imkonini beradi.tensorflow shuningdek, katta va faol hamjamiyatga ega bo'lib, u ko'plab resurslar va foydalanuvchilarni qo'llab-quvvatlaydi. Bunga turli vazifalar uchun ishlatilishi mumkin bo'lgan o'quv qo'llanmalari, hujjatlar va oldindan tayyorlangan modellar kiradi.bundan tashqari, tensorflow tasvirni tasniflash, ob'ektni aniqlash va semantik segmentatsiya kabi tasvirni aniqlash vazifalari uchun bir qator oldindan tuzilgan modellarga ega. Ushbu modellar katta ma'lumotlar to'plamlarida o'qitilgan va yuklab olish va keng ko'lamli ilovalarda foydalanish uchun mavjud.tensorflow tadqiqotda bo'lgani kabi sanoatda ham keng qo'llaniladi, u yangi ma'lumotlarga o'rgatish uchun ishlatilishi mumkin bo'lgan juda ko'p miqdordagi oldindan o'rgatilgan modellarga ega, shuningdek, deyarli har qanday foydalanish holatiga mos keladigan juda ko'p moslashuvchanlik va kengayish qobiliyatiga ega.

[96]. Zamonaviy tanib olish kutubxonasi: opencvopencv (open source computer vision library) - bu kompyuterni ko'rish va tasvirni qayta ishlash vazifalari uchun mashhur ochiq manbali kutubxona. U intel tomonidan ishlab chiqilgan va hozirda ishlab chiquvchilar hamjamiyati tomonidan qo'llab-quvvatlanadi.opencv ning asosiy afzalliklaridan biri uning keng funksiyalari bo'lib, u ob'ektni aniqlash, tasvirni ro'yxatga olish va tasvirni segmentatsiyalash kabi vazifalar uchun yuzlab kompyuter ko'rish algoritmlarini o'z ichiga oladi. Shuningdek, u tasvirni filtrlash, rang maydonini o'zgartirish va xususiyatlarni aniqlashni o'z ichiga olgan ko'plab tasvirni qayta ishlash funktsiyalarini o'z ichiga oladi.opencv, shuningdek, windows, linux va macos, shuningdek, ios va android kabi keng ko'lamli platformalarni qo'llab-quvvatlaydi. Uni python, java va c++ kabi boshqa dasturlash tillari bilan osongina integratsiyalash mumkin.opencv ning yana bir kuchli jihati uning faol hamjamiyatidir, u boy resurslar va foydalanuvchilarni qo‘llab-quvvatlaydi. Bunga turli vazifalar uchun ishlatilishi mumkin bo'lgan o'quv qo'llanmalari, hujjatlar va oldindan tayyorlangan modellar kiradi.opencv robototexnika, kuzatuv, tibbiy tasvirlash va kengaytirilgan reallik kabi ko'plab sohalarda keng qo'llaniladi. U ob'ektni kuzatish, yuzni tanish va imo-ishoralarni aniqlash kabi vazifalar uchun ishlatilishi mumkin.opencv shuningdek, smartfonlar, dronlar va o'rnatilgan tizimlar kabi resurslari cheklangan qurilmalarda ishlashi kerak bo'lgan ilovalar uchun ajoyib tanlovdir. Bu engil va samarali va ma'lum bir platforma uchun osongina optimallashtirilishi mumkin.umuman olganda, opencv kompyuterni ko'rish va tasvirni qayta ishlash vazifalari uchun kuchli vosita bo'lib, keng ko'lamli funktsiyalar va ishlab chiquvchilarning katta hamjamiyatiga ega. U robototexnika, kuzatuv, tibbiy tasvirlash va kengaytirilgan haqiqat kabi turli sohalarda turli ilovalar uchun ishlatilishi mumkin.
[97]. Zamonaviy tanib olish kutubxonasi: facenetfacenet - google tomonidan ishlab chiqilgan yuzni aniqlash uchun chuqur o'rganish modeli. U birinchi marta 2015 yilda google tadqiqotchilari tomonidan chop etilgan maqolada chop etilgan va shundan beri u yuzni aniqlash vazifalari uchun mashhur usulga aylandi.facenet - bu chuqur neyron tarmoq bo'lib, u yuz tasvirini ixcham evklid fazosiga joylashtirishni o'rganadi, bu erda masofalar yuz o'xshashligi o'lchoviga to'g'ridan-to'g'ri mos keladi. Bu yuzlarni oson taqqoslash va aniq bir shaxsni aniqlash imkonini beradi.facenet-ning asosiy xususiyatlaridan biri bu yorug'lik, poza va yuz ifodalarida katta o'zgarishlarni boshqarish qobiliyatidir. Shuningdek, u yuqori darajadagi aniqlikka ega, yuzlarni 99% dan ortiq aniqlik bilan tanib olish qobiliyatiga ega.facenet shuningdek, yuzlarning katta ma'lumotlar to'plamida o'qitiladi, bu unga yangi yuzlar uchun yaxshi umumlashtirish va ko'p sonli sinflarni boshqarish imkonini beradi.facenet triplet yo'qotish kontseptsiyasiga asoslanadi, bu langar tasviri, bir xil sinfning ijobiy tasviri va boshqa sinfning salbiy tasviri o'rtasidagi o'xshashlikni solishtirish orqali yaxshi joylashtirishni o'rganish usulidir.facenet’dan xavfsizlik tizimlari, ijtimoiy media va videokonferensiya kabi turli ilovalarda foydalanish mumkin. Bundan tashqari, yuzni tanish, yuzni tekshirish va yuzni aniqlash kabi vazifalar uchun ham foydalanish mumkin.umuman olganda, facenet yuzni aniqlash vazifalari uchun kuchli vosita boʻlib, yuqori darajadagi aniqlik, yorugʻlik, poza va mimikadagi katta oʻzgarishlarni boshqarish qobiliyatiga ega va u yuzlarning katta maʼlumotlar toʻplamida oʻrganilgan. Undan xavfsizlik tizimlari, ijtimoiy media va videokonferentsiya kabi turli xil ilovalarda foydalanish mumkin.
[98]. Funktsiyalarni solishtirish uchun qanday ko'rsatkichdan foydalanish mumkin?funktsiyalarni solishtirish uchun ishlatilishi mumkin bo'lgan bir nechta ko'rsatkichlar mavjud, jumladan:o'rtacha kvadrat xato (mse): bu ikki funktsiya o'rtasidagi farqni solishtirish uchun tez-tez ishlatiladigan ko'rsatkichdir. U bashorat qilingan qiymatlar va haqiqiy qiymatlar o'rtasidagi kvadratik farqning o'rtacha qiymatini o'lchaydi.o'rtacha mutlaq xato (mae): yana bir mashhur ko'rsatkich, u bashorat qilingan qiymatlar va haqiqiy qiymatlar o'rtasidagi mutlaq farqning o'rtacha qiymatini o'lchaydi.o'rtacha kvadratcha xatosi ( rmse): bu indikator mse ning kvadrat ildizidir, bu uni sharhlashni osonlashtiradi, chunki u asl ma'lumotlar bilan bir xil birliklarga ega. R-kvadrat: determinatsiya koeffitsienti sifatida ham tanilgan, u funktsiyani qanchalik yaxshi tushuntirayotganini o'lchaydi. Ma'lumotlardagi tafovutlar. Chalkashlik matritsasi: bu ko'rsatkich tasniflash modelining ishlashini baholash uchun ishlatiladi, u bashorat qilingan teglarni haqiqiy teglar bilan solishtiradi, u sizga haqiqiy ijobiy, haqiqiy salbiy, noto'g'ri musbat va kabi ma'lumotlarni berishi mumkin. Noto'g'ri negativlar.precision va recall: bu ko'rsatkichlar ikkilik tasniflash modelining ishlashini baholash uchun ishlatiladi. Aniqlik barcha ijobiy bashoratlar orasida haqiqiy ijobiy bashoratlarning ulushini o'lchaydi, eslab qolish esa barcha haqiqiy ijobiy holatlar orasida haqiqiy ijobiy bashoratlarning ulushini o'lchaydi.ushbu ko'rsatkichlar turli funktsiyalarning ishlashini taqqoslash va muayyan vazifa uchun eng yaxshisini tanlash uchun ishlatilishi mumkin. Ko'rsatkichni tanlash aniq vazifa va tahlil maqsadlariga bog'liq.
[99]. K-eng yaqin qo'shni usulik-eng yaqin qo'shni (k-nn) usuli - bu mashinani o'rganishda misolga asoslangan o'rganish algoritmining bir turi. Bu parametrik bo'lmagan usul bo'lib, u ma'lumotlarning asosiy ehtimollik taqsimoti haqida hech qanday taxminlar qilmaydi.k-nn usulining asosiy g'oyasi shundaki, ob'ekt o'zining k eng yaqin qo'shnisining ko'pchilik ovozi bilan tasniflanadi, bu erda k musbat sondir. Ob'ektga k eng yaqin qo'shnilari orasida eng keng tarqalgan sinf yorlig'i beriladi.k-nn algoritmi yorliqli misollar to'plami yordamida o'rgatiladi. Yangi ob'ektni tasniflash uchun algoritm o'quv to'plamidan k eng yaqin misollarni topadi va ular orasida eng keng tarqalgan sinf belgisini yangi ob'ektga belgilaydi.k-nn usulining asosiy afzalliklaridan biri uning soddaligidir. Uni tushunish va amalga oshirish oson va u ma'lumotlarning asosiy ehtimollik taqsimoti haqida hech qanday taxminlarni talab qilmaydi.k-nn usuli tasvirni tasniflash, nutqni aniqlash va anomaliyalarni aniqlash kabi keng ko'lamli ilovalarda qo'llanilgan.biroq, k-nn usulining asosiy kamchiliklaridan biri, ayniqsa, o'quv majmuasi katta bo'lsa, hisoblash qimmat bo'lishi mumkin. Bundan tashqari, k-nn usuli k qiymatini tanlashga sezgir bo'lib, bu tasniflagichning aniqligiga ta'sir qilishi mumkin.umuman olganda, k-yaqin qo'shni usuli oddiy, ammo kuchli, mashinani o'rganish algoritmi bo'lib, u turli ilovalarda keng qo'llaniladi. Uning afzalliklari va kamchiliklari bor, lekin u tasniflash muammolarini hal qilish uchun foydali vosita bo'lishi mumkin.
[100]. Klasterlash muammosini hal qilish bosqichlariklasterlash muammosini hal qilish jarayoni odatda quyidagi bosqichlarni o'z ichiga oladi:ma'lumotlarni oldindan qayta ishlash: bu bosqich ma'lumotlarni klasterlash uchun moslashtirish uchun tozalash va o'zgartirishni o'z ichiga oladi. Bu etishmayotgan yoki ahamiyatsiz ma'lumotlarni olib tashlash, ma'lumotlarni normallashtirish yoki masshtablash va ma'lumotlarning o'lchamini kamaytirishni o'z ichiga olishi mumkin.klasterlash algoritmini tanlash: bu bosqich ma'lumotlarning xususiyatlari va tahlil maqsadlaridan kelib chiqqan holda tegishli klasterlash algoritmini tanlashni o'z ichiga oladi. Keng tarqalgan klasterlash algoritmlari k-o'rtacha, ierarxik klaster va zichlikka asoslangan klasterni o'z ichiga oladi.klasterlar sonini aniqlash: bu bosqich ma'lumotlardagi klasterlar sonini aniqlashni o'z ichiga oladi. Buni tirsak usuli, siluet bahosi yoki devis-bouldin indeksi kabi usullar yordamida amalga oshirish mumkin. Klasterlash algoritmini ishga tushirish: bu bosqich tanlangan klasterlash algoritmini oldindan qayta ishlangan ma'lumotlarga qo'llashni o'z ichiga oladi. Algoritm tanlangan masofa o'lchovi va o'xshashlik o'lchovi asosida ma'lumotlarni klasterlarga guruhlaydi.klasterlar sifatini baholash: bu bosqich algoritmdan olingan klasterlarning sifatini baholashni o'z ichiga oladi. Klasterlash samaradorligi sozlangan rend indeksi, fowlkes-mallows indeksi yoki davies-bouldin indeksi kabi ko'rsatkichlar yordamida o'lchanishi mumkin. Natijalarni sharhlash: bu bosqich klasterlarni vizuallashtirish, tahlil qilishni o'z ichiga olishi mumkin bo'lgan klasterlash tahlili natijalarini sharhlashni o'z ichiga oladi. Klasterlarning xarakteristikalari va klasterlash algoritmining ishlashini baholash.post-qayta ishlash: bu bosqich natijalarni keyingi qayta ishlashni, masalan, kichik klasterlarni birlashtirish va chetdagilarni olib tashlashni va hokazolarni o'z ichiga olishi mumkin.shuni ta'kidlash kerakki, klasterlash jarayoni iterativ jarayondir, agar natijalar qoniqarli bo'lmasa, orqaga qaytib, ba'zi qadamlarni qayta bajarishingiz kerak bo'lishi mumkin. Bundan tashqari, bosqichlar muayyan muammo, ma'lumotlar va tahlil maqsadlariga qarab farq qilishi mumkin.