11. Noravshan to‘plamlar. To‘plamlar ustida amallar va ularning xossalari, Noravshan mantiqda tegishlilik funksiyasi

11. Noravshan to‘plamlar. To‘plamlar ustida amallar va ularning xossalari, Noravshan mantiqda tegishlilik funksiyasi

11. Noravshan to‘plamlar. To‘plamlar ustida amallar va ularning xossalari, Noravshan mantiqda tegishlilik funksiyasi.


Noravshanlik tushunchasi.
Noravshan mantiq 1965 yilda Lotfi Zoda tomonidan taklif qilingan. Noravshanlik (ing. fuzzy) tushunchasi aniq qiymatga ega bo’lmagan parametrlar miqdorini aniqlash uchun ishlatiladigan qiymat birligi hisoblanadi. Ba’zi obyektga tegishli bo’lgan qiymat aniq miqdor bilan belgilanmaydi, misol uchun biror insonning bo’yining balandligi, unga nisbatan “term” lar ishlatiladi (bo’yi “baland” yoki “past”) …
Noravshan to’plam (fuzzy set) tushunchalari
Term – bu noravshan qiymatni belgilash uchun ishlatiladigan ekspertlar tomonidan belgilanadigan lingvistik ma’lumotlardir. Misol uchun: pandimiya holati T = {kritik, kritik holatga yaqin, qoniqarli, yaxshi} termlar vositasida lingvistik baholanadi. Noravshan mantiq – ushbu tushuncha insonning qaror qabul qilish uslubiga o’xshash jarayon hisoblanadi. Bunda rostlik yoki yolg’onlik darajasini aniq qiymat bilan belgilash imkonini beradi. Mantiqiy bool qiymati esa faqat 0 yoli 1 qiymatdan iborat . Tegishlilik funksiyasi – mazkur funksiya noravshanlik (fuzziness) darajasini [0;1] qiymat oralig’ida hisoblash imkonini beradi.
Noravshan mantiqning xarakteristikalari
*Moslashuvchan va oson amalga oshiriladigan mashinani o’rganish texnikasi
* Inson tafakkurining mantiqiga taqlid qilishga yordam beradi
* Noaniq yoki taxminiy fikrlash uchun juda mos usul
* Noravshan mantiq xulosani elastik cheklovlarni targ'ib qilish jarayoni sifatida ko'radi
* Noravshan mantiq ixtiyoriy murakkablikning chiziqli bo'lmagan funksiyalarini qurish imkonini beradi.
* Noravshan mantiq mutaxassislarning to'liq rahbarligi bilan tuzilishi kerak
Noravshan to’plam xususiyatlari
• Tegishlilik funksiyasi noravshan to'plamdagi elementlarning diskret yoki uzluksiz bo'lishidan qat'iy nazar, ularning noravshanlik holati (ya'ni, noravshan to'plamdagi barcha ma'lumotlar) ni tavsiflaydi.
• Tegishlilik funksiyasi grafik ifodalanishi mumkin: – Uchburchak grafik usulida – Trapetsiyagrafik usulida
• Noravshanlikni belgilovchi qoidalar to’plami ham noravshan hisoblanadi.
Noravshan to’plam ustida amallar bajarish
• Noravshan to’plamlar ustida quyidagicha mantiqiy amallar bajarilishi mumkin:
• OR (mantiqiyyokiamali) – union(birlashtirish)
• AND (mantiqiyvaamali) – intersection(kesishish)
• NOT(mantiqiy inkor amali) – complement.
Noravshan mantiq komponentlari
* Fuzzification. Muayyan kirish qiymatlarini ular qanchalik mos kelishiga qarab noravshan to'plamlar a'zoligiga aylantirish jarayoni.
* Fuzzy rules / knowledge base. Bular ko'pincha ekspert xulosalari yoki ko'proq miqdoriy yondashuvlar orqali olingan “if- then" qoidalariga amal qilish kerak.
* Inference method. Kirish o'zgaruvchilarining noravshan to'plamlarga a'zolik darajasi va batafsil noravshan qoidalarga ko'ra yakuniy noaniq xulosani olish usuli
* Defuzzification. Noravshan xulosalarni batafsil chiqish qiymatlariga aylantirish jarayoni.
Noravshan mantiq tizimining afzalliklari
*Ushbu tizim noaniq, buzilgan yoki shovqinli kirish ma'lumotlari bo'ladimi, har qanday turdagi kirishlar bilan ishlashi mumkin.
* Noravshan mantiq tizimlarini qurish oson va tushunarli.
* Noravshan mantiq to'plamlar nazariyasining matematik tushunchalari bilan birga keladi va buni asoslash juda oddiy.
* U hayotning barcha sohalaridagi murakkab muammolarni juda samarali hal qiladi, chunki u insoniy fikrlash va qaror qabul qilishga o'xshaydi.
* Algoritmlarni kichik ma'lumotlar bilan tasvirlash mumkin, shuning uchun kam xotira talab qilinadi.
Noravshan mantiq tizimining kamchiliklari
-Ko'pgina tadqiqotchilar noaniqlikka olib keladigan noravshan mantiq orqali berilgan muammoni hal qilishning turli usullarini taklif qilishdi. Berilgan muammoni hal qilish uchun tizimli yondashuv mavjud emas.
- Uning xususiyatlarini isbotlash ko'p hollarda qiyin yoki imkonsizdir, chunki biz har safar yondashuvimizning matematik tavsifini olmaymiz.
- Noravshan mantiq aniq va noaniq ma'lumotlar ustida ishlaganligi sababli, ko'pincha aniqlik buziladi.


12. Mashinali o’qitish va suniy intellekt.


SI uchun statistik usullar
• Hozirgi kunda sun’iy intellekt algoritmlari va dasturlarini ishlab chiqishda an’anaviy-statistik usullardan foydalanilmoqda. Berilgan to’plamlar qiymatlari asosida regressiya va chiqizli interpolyatsiya usullaridan foydalanib kelingan.
• Quyida mavjud statistik usullar keltirilgan bo’lib, bular hozirgi kunda SI algoritmlari va dasturlarini ishlab chiqishda keng foydalanib kelinmoqda:
Regressiya
Sinflashtirish
Klasterlash
Ehtimollar nazariyasi
Qoidalar daraxti
Mashinani o’qitish
• Mashinani o’qitish (Machine Learning) – bu kompyuterni dasturlashning yangi yo’nalishi bo’lib, ma’lumotlarni o’qib olish va shu ma’lumotlar asosida o’rganish xususiyatiga ega bo’lishidir.
• Mashinani o’qitish – kompyuterning ma’lumotlarni o’qib olish asosida xususiyatlarni o’rganish qobiliyatidir !
Mashinali oʼqitish (Machine learning)
Mashinali oʼqitish (ML) - bu tajriba va maʼlumotlardan foydalanish orqali avtomatik ravishda yaxshilanishi mumkin boʼlgan kompyuter algoritmlarini yaratish sohasi. Mashinali oʼqitish algoritmlari aniq dasturlashtirilmagan holda bashorat qilish yoki qaror qabul qilish uchun oʼquv maʼlumotlari (Dataset) deb nomlanuvchi namunaviy maʼlumotlarga asoslangan modelni yaratadi.
Mashinani o’qitish jarayoni bosqichlari
Mashinani o’qitish jarayoni chiziqli yoki nochiziqli bo’lishiga qaramasdan quyidag ibosqichlarda amalga oshiriladi:
Muammoni aniqlash
Ma’lumotlarni tayyorlash
Algoritmni ishlab chiqish va baholash
Natijaviy ma’lumotlar aniqligini oshirish
Yakuniy natijani taqdim qilish.
Mashinani o’qitish usullari
Supervised - O’qituvchili o’qitish (Supervised learning) – bu model xususiyatlari aniq bo’lgan ma’lumotlar bilan o’qitish (Regressiya, sinflashtirish).
Unsupervised - O’qituvchisiz o’qitish (Unsupervised learning) – bu model xususiyatlari aniq bo’lmagan ma’lumotlar bilan o’qitish (klasterlash).
Semi-supervised - Semi-supervised learning – bu model ham aniq, ham aniq bo’lmagan xususiyatli ma’lumotlar bilan o’qitish.
Reinforcement – bu o’qitishning mukammal usuli bo’lib, bundamodel o’zini – o’zi qayta o’qitish vanatijalarni yaxshilash imkoniyatlariga ega bo’ladi.
13. Mashinali o’qitish algoritmlarini qo’llanish sohalari.
1. Qaror daraxti

Bu daraxtga o'xshash grafikadan foydalanishga asoslangan qarorlarni qo'llab-quvvatlash usuli: ularning potentsial oqibatlarini hisobga olgan holda qaror qabul qilish modeli (hodisa yuzaga kelishi ehtimolini hisoblash bilan), samaradorlik, resurslarni sarflash.

Biznes-jarayonlar uchun ushbu daraxt minimal miqdordagi savollardan iborat bo'lib, ular aniq javobni talab qiladi - "ha" yoki "yo'q". Bu savollarning barchasiga doimiy ravishda javob berib, to'g'ri tanlovga kelamiz. Qaror daraxtining uslubiy afzalliklari shundaki, u muammoni tuzadi va tizimga soladi va yakuniy qaror mantiqiy xulosalar asosida qabul qilinadi.
2. Bayeslarning sodda tasnifi
Bayescha sodda tasniflagichlar oddiy ehtimollik klassifikatorlari oilasiga kiradi va Bayes teoremasidan kelib chiqadi, bu holda funktsiyalarni mustaqil deb hisoblaydi (bu qat'iy yoki sodda, taxmin deb ataladi). Amalda, u mashinasozlikning quyidagi yo'nalishlarida qo'llaniladi:
elektron pochtaga yuborilgan spamni aniqlash;
yangiliklar maqolalarini tematik sarlavhalarga avtomatik ravishda bog'lash;
matnning hissiy ranglarini ochib berish;
tasvirlardagi yuzlar va boshqa naqshlarni tanib olish.
3. Eng kam kvadratchalar usuli
Statistikani kamida ozgina o'rgangan har bir kishi chiziqli regressiya tushunchasini yaxshi biladi. Eng kichik kvadratchalar ham uni amalga oshirish variantlariga tegishli. Odatda, chiziqli regressiya ko'plab nuqtalardan o'tgan to'g'ri chiziqni o'rnatish masalalarini hal qilish uchun ishlatiladi. Bu eng kichik kvadratlar usuli yordamida amalga oshiriladi: to'g'ri chiziqni torting, undan har bir nuqtaga qadar masofani o'lchang (nuqtalar va chiziq vertikal segmentlar bilan bog'langan), natijada olingan summani ko'chiring. Natijada, masofalar yig'indisi eng kichik bo'ladigan egri chiziq kerakli bo'ladi (bu chiziq haqiqiy qiymatdan normal taqsimlangan og'ish bilan nuqtalar orqali o'tadi).
Ma'lumotlarni mashinada o'rganish uchun moslashtirishda chiziqli funktsiya odatda qo'llaniladi va xato metrikasini yaratish orqali xatolarni minimallashtirish uchun eng kichik kvadratchalar usuli qo'llaniladi.
4. Logistik regressiya
Logistik regressiya bu o'zgaruvchilardan o'zaro bog'liqlikni aniqlash usulidir, ulardan biri qat'iyan bog'liq, boshqalari esa mustaqil. Buning uchun logistik funktsiyadan (akkumulyativ logistik taqsimot) foydalaniladi. Logistik regressiyaning amaliy qiymati shundaki, u bir yoki bir nechta mustaqil o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilishning kuchli statistik usuli hisoblanadi. Bu quyidagi holatlarda foydalidir:
kredit skoringi;
reklama kampaniyalarining muvaffaqiyatini o'lchash;
ma'lum bir mahsulot uchun foyda prognozi;
ma'lum bir sanada zilzila ehtimolini taxmin qilish.
5. Vektorli mashinani qo'llab-quvvatlash (SVM)
Bu tasniflash va regressiya tahlili masalalarini hal qilish uchun zarur bo'lgan algoritmlarning butun to'plamidir. N o'lchovli kosmosdagi ob'ekt ikki sinfdan biriga tegishli ekanligiga asoslanib, qo'llab-quvvatlovchi vektor mashinasi barcha ob'ektlar ikki guruhdan birida bo'lishi uchun (N - 1) o'lchovli giperplan tuzadi. Qog'ozda uni quyidagicha ifodalash mumkin: ikki xil nuqtalar mavjud va ularni chiziqli ajratish mumkin. Ushbu usul nuqtalarni ajratishdan tashqari, har bir guruhning eng yaqin nuqtasidan iloji boricha giperplane hosil qiladi.
SVM va uning modifikatsiyalari DNKning birikishi, fotosuratdan odamning jinsini aniqlash, veb-saytlarda reklama bannerlarini namoyish qilish kabi murakkab mashina o'rganish muammolarini hal qilishga yordam beradi.
6. Ansambllar usuli
Bu tasniflagichlar to'plamini yaratadigan va ularning o'rtacha yoki ovoz berish natijalariga ko'ra barcha olingan ob'ektlardan yangi ob'ektlarni ajratib turadigan mashinalarni o'rganish algoritmlariga asoslanadi. Dastlab ansambl usuli Bayesning o'rtacha ko'rsatkichi bo'lgan, ammo keyinchalik u yanada murakkablashdi va qo'shimcha algoritmlar bilan to'lib toshdi:
kuchaytirish - klassifikatorlar ansamblini shakllantirish orqali zaif modellarni kuchli modellarga aylantiradi (matematik nuqtai nazardan, bu yaxshilanadigan kesishma);
sumkalash - murakkab klassifikatorlarni yig'adi, shu bilan bir vaqtda asosiylarini tayyorlash (kasaba uyushmasini takomillashtirish);
chiqishni kodlash xatolarini tuzatish.
Ansambl usuli mustaqil prognozlash modellariga qaraganda kuchliroqdir, chunki:
har bir tayanch tasniflagichining xatolarini o'rtacha hisoblash orqali tasodif ta'sirini minimallashtiradi;
farqni kamaytiradi, chunki har xil farazlarga asoslangan bir nechta turli xil modellar alohida olingan natijalarga qaraganda to'g'ri natijaga erishish ehtimoli ko'proq;
to'plamdan tashqariga chiqishni istisno qiladi: agar jamlangan gipoteza asosiy farazlar to'plamidan tashqariga chiqsa, u holda birlashtirilgan gipotezani shakllantirish bosqichida u u yoki bu usul yordamida kengayadi va gipoteza allaqachon unga kiritilgan.


14. Mashinali o’qitishning asosiy turlari.
Mashinada o'qitish usullari yordamida hal qilingan muammolarning asosiy qismi ikki xil: o'qituvchi bilan o'rganish (nazorat ostida o'qitish) yoki u holda (nazoratsiz o'rganish). Biroq, bu o'qituvchi, albatta, kompyuterning ustida turgan va dasturdagi har qanday harakatlarni boshqaradigan dasturchining o'zi emas. Mashinada o'qitish nuqtai nazaridan "o'qituvchi" insonning axborotni qayta ishlash jarayoniga aralashishi hisoblanadi. Ikkala turdagi mashg'ulotlarda ham mashina dastlabki ma'lumotlar bilan ta'minlanadi, ular tahlil qiladi va naqshlarni topadi. Faqatgina farq shundaki, o'qituvchi bilan dars berishda rad etish yoki tasdiqlash kerak bo'lgan bir qator farazlar mavjud. Farqni misollar bilan tushunish oson.

Mashinalarni o'rganish boshqariladi

Bizning qo'limizda o'n mingta Moskvaning kvartiralari: maydoni, qavati, tumani, uy yaqinida to'xtash joyining borligi yoki yo'qligi, metrodan masofa, kvartira narxi va boshqalar haqida ma'lumotlar mavjud deb taxmin qilaylik. Biz uning parametrlariga qarab kvartiraning bozor qiymatini taxmin qiladigan modelni yaratishimiz kerak. Bu avtomatlashtirilgan nazoratni o'rganishning eng yaxshi namunasidir: bizda dastlabki ma'lumotlar (xonadonlar soni va ularning xususiyatlari deb ataladigan xususiyatlar) va kvartiralarning har biri uchun tayyor javob - uning narxi. Dastur regressiya muammosini hal qilishi kerak.
Amaliyotdan yana bir misol: bemorning barcha tibbiy ko'rsatkichlarini bilib, saraton kasalligini tasdiqlash yoki rad etish. Kiruvchi elektron pochta xabarlarini spam ekanligini uning matnini tahlil qilish orqali bilib oling. Bularning barchasi tasniflash vazifalari.
Nazorat qilinmasdan mashinalarni o'rganish
Nazorat qilinmasdan o'rganish holatida, tizimga tayyor "to'g'ri javoblar" berilmaganida, barchasi yanada qiziqroq. Masalan, bizda ma'lum miqdordagi odamlarning vazni va bo'yi haqida ma'lumot bor va bu ma'lumotlarni uch guruhga bo'lish kerak, ularning har biri uchun mos o'lchamdagi ko'ylak tikishimiz kerak. Bu klasterlash vazifasi. Bunday holda, barcha ma'lumotlarni 3 ta klasterga bo'lish kerak bo'ladi (lekin, qoida tariqasida, bunday qat'iy va faqat bo'linish mumkin emas).
Agar biz boshqa vaziyatni olsak, namunadagi har bir ob'ekt yuz xil xususiyatga ega bo'lsa, unda asosiy qiyinchilik bunday namunaning grafik ko'rinishi bo'ladi. Shuning uchun funktsiyalar soni ikkitaga yoki uchtaga qisqartiriladi va ularni tekislikda yoki 3D-da tasavvur qilish mumkin bo'ladi. Bu o'lchovni kamaytirish muammosi.


15. An’anaviy dasturlash va mashinali o’qitish yordamida dasturlash.
An'anaviy dasturlash mashinasini dasturlash usuli joylashtirish mashinasining qo'lda o'qitish rejimidan foydalanadi, elektron kartadagi barcha plitka tarkibiy qismlarining koordinatali holatini, so'ngra boshqa ma'lumotni topish uchun o'qitish qutisidan, ya'ni mobil kameradan foydalanadi. komponentning yorliq raqami kabi komponent. Kod, o'rnatish burchagi va boshqalar kabi ma'lumotlar hisoblagichga qo'lda kiritiladi. Dasturlashni o'rgatish eng sodda asosiy dasturlash usuli hisoblanadi va eskirgan o'rta tezlikda ishlaydigan mashina bu usulni qo'llaydi. Ushbu usul mashinani ishlab chiqarish vaqtini egallashi kerak va ochkolarni topish uchun qo'lda o'qitish usullaridan foydalanish yuzlab yamoq tarkibiy qismlariga ega elektron plataning ko'p vaqt talab qiladigan va mashaqqatli va xatolarga yo'l qo'yadigan ishidir.

1 Qabul qilishni o'rgatish: nozul turini tanlang, o'rash qutisidan yamoq boshini oziqlantiruvchi ustki qismiga o'tkazing, komponentlarni tushiring va oling va markazlashtirish usulini aniqlang. Joylashtirish mashinasining boshqaruv kompyuteri materialni avtomatik ravishda yozib oladi. XYzQ koordinatalari va boshqa qidirishdagi tuzatishlar.

2 SMD o'qitish: O'qitish uchun material chiqarilgandan so'ng, komponentlarni so'rib olish, kalibrlash va burchakni burish tugagandan so'ng, o'rash qutisidan elektron platadagi komponentning lehim naqshidan yuqoriga ko'taring va elektron platadan foydalaning komponentning markazini aniqlash uchun kamerani aniqlang. Keyin komponentni taxtaga tushiring va Enter tugmasini bosing.
3 Elektron plataning uzatilishini, oziqlantiruvchi va shtutserning o'rnatilishini va holatini tugating. O'qitish: Materiallar o'rgatilgandan va yamalganidan so'ng, joylashtirish tartibini dasturlash va o'qitish mumkin. Joylashtirish ketma-ketligini dasturlash o'qituvchi pendant orqali amalga oshirilishi yoki hisoblagich dasturiga kiritilgan avtoprogramma funktsiyalari yordamida avtomatik ravishda optimallashtirilishi mumkin.
Mashinali o'qitish tufayli dasturchi barcha mumkin bo'lgan muammolarni hisobga olgan va barcha echimlarni o'z ichiga olgan ko'rsatmalar yozishi shart emas. Buning o'rniga, kompyuterga (yoki alohida dasturga) statistik ma'lumotlardan kompleks foydalanish orqali mustaqil ravishda echimlarni topish algoritmi yuklanadi, ulardan naqshlar olinadi va ular asosida bashorat qilinadi.
Ma'lumotlarni tahlil qilish asosida mashinalarni o'rganish texnologiyasi 1950 yilda, shashka o'yini uchun birinchi dasturlar ishlab chiqila boshlangandan boshlanadi. So'nggi o'n yilliklarda umumiy tamoyil o'zgarmadi. Ammo kompyuterlarning hisoblash qudratining portlovchi o'sishi tufayli ular yaratgan naqshlar va bashoratlar bir necha bor murakkablashdi va mashinada o'qitish yordamida echilishi mumkin bo'lgan muammolar va vazifalar doirasi kengaytirildi.
Mashinada o'qitish jarayonini boshlash uchun avval kompyuterga ma'lumotlar to'plamini (dastlabki ma'lumotlarning bir qismini) yuklab olish kerak, bu algoritm so'rovlarni qayta ishlashni o'rganadi. Masalan, itlar va mushuklarning fotosuratlari bo'lishi mumkin, ular allaqachon kimga tegishli ekanligini ko'rsatadigan yorliqlarga ega. O'quv jarayonidan so'ng dasturning o'zi it va mushuklarni yangi rasmlarda tegsiz taniy oladi. Prognozlar chiqarilgandan so'ng o'quv jarayoni davom etadi, biz dastur tomonidan qanchalik ko'p ma'lumotlarni tahlil qilsak, u kerakli rasmlarni shunchalik aniqroq taniydi.
Mashinali o'qitish orqali kompyuterlar nafaqat yuzlarni, balki landshaftlar, ob'ektlar, matn va raqamlarni fotosuratlar va chizmalarda ham tanib olishga o'rganadilar. Matn haqida gap ketganda, kompyuterda o'rganish ham muhim ahamiyatga ega: grammatikani tekshirish funktsiyasi endi har qanday matn muharririda va hattoki telefonlarda mavjud. Bundan tashqari, nafaqat so'zlarning imlosi, balki kontekst, ma'no soyalari va boshqa nozik lingvistik jihatlar ham hisobga olinadi. Bundan tashqari, allaqachon odamlarning aralashuvisiz (iqtisodiy va masalan, sport mavzusida) yangiliklar maqolalarini yozish uchun dasturiy ta'minot mavjud.


16. Mashinali o’qitishda o’qituvchili (supervised) o’qitish tushunchasi.
“Supervised Learning atamasi Machine Learning tizimiga nima qilish kerakligini ko’rsatuvchi o’qituvchi yoki o’rgatuvchi tomonidan taqdim etilgan maqsad y nuqtai nazaridan kelib chiqadi.”

Modelga kiritilgan ma’lumotlar, asosiy farq va munosabatlar aniq bo’lmaguncha o’qitiladi, bu unga hech qachon ko’rilmagan ma’lumotlar taqdim etilganda aniq yorliqlash natijalarini berishga imkon beradi.

Supervised Leaning, tasniflash va regressiya muammolarida yaxshi. Masalan, yangilik maqolasi qaysi toifaga tegishli ekanligini aniqlash yoki kelajakdagi ma’lum bir sana uchun sotish hajmini bashorat qilish. Supervised Leaning’ning vazifasi savolga eng optimal javobni topib bera olishdan iborat.
Supervised Leaning qanday ishlaydi?
Barcha Machine Learning algoritmlari singari, Supervised Learning mashg’ulotlarga asoslangan. O’qitish bosqichida tizim etiketli (label’langan) ma’lumotlar to’plamlari bilan oziqlanadi, ular tizimga har bir muayyan kirish qiymatiga qanday chiqish bog’liqligini ko’rsatadi. Keyin o’qitilgan model sinov ma’lumotlari bilan taqdim etiladi: Bu etiketlangan (label’langan) ma’lumotlar, ammo yorliqlar algoritmga oshkor etilmagan. Sinov ma’lumotlarining maqsadi etiketsiz (label’lanmagan) ma’lumotlarda algoritm qanchalik aniq ishlashini o’lchashdir.


17. Mashinali o’qitishda o’qituvchisiz (unsupervised) o’qitish tushunchasi.
“Unsupervised Learning’’ da o’qituvchi yoki o’rgatuvchiga hojat yo’q! Algoritm ushbu qo’llanmasiz ma’lumotlarni tushuna olishi kerak.”

Unsupervised Learning’ni regressiya yoki tasniflash muammosiga to‘g‘ridan-to‘g‘ri qo‘llash mumkin emas, chunki Supervised Learning’dan farqli o‘laroq, bizda kirish ma’lumotlari mavjud, lekin tegishli chiqish ma’lumotlari yo‘q. Unsupervised Learning’ning maqsadi ma’lumotlar to’plamining asosiy tuzilishini topish, ma’lumotlarni o’xshashliklari bo’yicha guruhlash va ushbu ma’lumotlar to’plamini tartiblangan formatda taqdim etishdir.

Unsupervised Learning qanday ishlaydi?
Tegishli algoritmni qo’llaganidan so’ng, algoritm ma’lumotlar ob’ektlarini ob’ektlar orasidagi o’xshashlik va farqlarga ko’ra guruhlarga ajratadi.

Unsupervised Learning

Bu erda biz yorliqsiz kirish ma’lumotlarini oldik, ya’ni u toifalarga ajratilmagan va tegishli chiqishlar ham berilmagan. Endi ushbu yorliqsiz kirish ma’lumotlari uni o’qitish uchun Machine Learning modeliga beriladi. Birinchidan, u ma’lumotlardan yashirin belgilarni topish uchun xom ma’lumotlarni sharhlaydi va keyin K-means clustering, Anomaly detection va boshqalar kabi mos algoritmlarni qo’llaydi.


18. Mashinali o’qitishda yarim nazoratda(semi- supervised) o’qitish tushunchasi.
• Semi-supervised learning – bu modelni ham aniq ham aniq bo’lmagan xususiyatli ma’lumotlar bilan o’qitishdir.

Semi-Supervised Learning - bu o'quv jarayonida kichik hajmdagi etiketli ma'lumotlarni katta hajmdagi yorliqsiz ma'lumotlarni birlashtirgan mashinani o'rganishga yondashuv. Yarim nazorat ostidagi ta'lim nazoratsiz ta'lim (yorliqli ta'lim ma'lumotlarisiz) va nazorat ostidagi o'rganish (faqat belgilangan o'quv ma'lumotlari bilan) o'rtasida bo'ladi. Bu zaif nazoratning alohida misolidir.

“Semi – Sepervised Learning(SSL) nazorat ostida va nazoratsiz o’rganish o’rtasidagi yarmidir. Belgilanmagan ma’lumotlarga qo’shimcha ravishda, algoritm ba’zi nazorat ma’lumotlari bilan ta’minlangan — lekin barcha misollar uchun shart emas. Ko’pincha, bu ma’lumotlar ba’zi misollar bilan bog’liq bo’lgan maqsadlar bo’ladi.”
Semi – Sepervised Learning(SSL) misollar:
Nutqni tahlil qilish: Ovozli fayllarni etiketlash (label’lash) juda intensiv ish bo’lganligi sababli, Semi – Supervised Learning bu muammoni hal qilish uchun juda tabiiy yondashuvdir.
Internet-kontent tasnifi: Har bir veb-sahifani belgilash amaliy va amalga oshirib bo’lmaydigan jarayondir va shuning uchun Semi – Supervised Learning ostida o’rganish algoritmlaridan foydalanadi. Hatto Google qidiruv algoritmi ham berilgan soʻrov uchun veb-sahifaning dolzarbligini baholash uchun Semi – Supervised Learning variantidan foydalanadi.


19. Chiziqli regressiya tushunchasi.