machine learning va deep learning asoslari

DOCX 16 стр. 1,5 МБ Бесплатная загрузка

16 стр.

FaylHub.uz

Скачать через Telegram

Размер 1,5 МБ

Тип файла DOCX

Страницы 16

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 16

24 - ma’ruza machine learning (mashinali o‘qitish) va deep learning (chuqur o‘qitish) asoslari. mashinani o‘qitishning asosiy muammolari. mashinani o‘qitish usullari va algoritmi. freym modeli. qaror qabul qilish tizimlarning xususiyatlari. reja: o'rganish - bu hodisalarni oqibatlar bilan bog'lash jarayoni. shunday qilib, asosan o'rganish sabab va ta'sir tamoyilini asoslash usulidir. aqlli mashinani loyihalash fani mashinani o'rganish deb ataladi va bunday aqlli mashinani loyihalash uchun ishlatiladigan vosita neyron tarmoqlardir. neyron tarmog'i berilgan kirish uchun kerakli natijani beruvchi qora quti sifatida ko'rib chiqilishi mumkin. bunga trening deb ataladigan jarayon orqali erishiladi. sayoz tuzilgan oʻrganish arxitekturasidan foydalangan holda koʻrib chiqiladigan koʻpgina anʼanaviy oʻrganish usullaridan farqli oʻlaroq, chuqur oʻrganish tasniflash uchun chuqur arxitekturadagi ierarxik tasvirlarni avtomatik ravishda oʻrganish uchun boshqariladigan va/yoki nazoratsiz strategiyalardan foydalanadigan mashinani oʻrganish usullarini nazarda tutadi. inson miyasining tabiiy signallarni qayta ishlash mexanizmlari bo'yicha biologik kuzatishlardan ilhomlangan chuqur o'rganish so'nggi yillarda nutqni aniqlash, hamkorlikda filtrlash kabi ko'plab tadqiqot sohalarida eng zamonaviy ishlashi tufayli …

2 / 16

llashtirish, naqshni aniqlash va signalni qayta ishlashning tadqiqot yo'nalishlari orasidagi kesishmalarda joylashgan. bugungi kunda chuqur o'rganish mashhurligining ikkita muhim sababi - bu hisoblash texnikasining sezilarli darajada arzonlashgani va chiplarni qayta ishlash qobiliyatining keskin ortishi (masalan, gpu birliklari). turli xil mashinalarni o'rganish paradigmasi bilan batafsil tanishishdan oldin bu erda qisqacha tasniflash mavjud. mashinani o'rganish paradigmasini tasniflash uchun biz to'rtta asosiy atributdan foydalanamiz. generativ learning va diskriminativ learning - bu asr (avtomatik nutqni aniqlash) da ishlab chiqilgan va o'rnatilgan ikkita eng keng tarqalgan, qarama-qarshi juftlashgan ml paradigmalari. generativ ta'limni diskriminativ ta'limdan ajratib turadigan ikkita asosiy omil mavjud: modelning tabiati (shuning uchun qaror funktsiyasi) va yo'qotish funktsiyasi (ya'ni, o'quv maqsadidagi asosiy atama). qisqacha aytganda, generativ ta'lim quyidagilardan iborat: generativ modeldan foydalanish va generativ modelda aniqlangan qo'shma ehtimollikning yo'qolishiga asoslangan o'quv maqsadi funktsiyasini qabul qilish. diskriminativ ta'lim esa diskriminativ modeldan foydalanishni yoki diskriminativ ta'lim maqsadi funktsiyasini generativ modelga qo'llashni talab qiladi diskriminativ learning yuqorida …

3 / 16

dan foydalanadi. ushbu bo'limda biz turli xil atributlar to'plamidan foydalanamiz, ya'ni ularning sinf belgilariga nisbatan o'quv ma'lumotlarining tabiati. o'quv namunalari yorlig'i yoki boshqacha tarzda belgilanishiga qarab, biz ko'plab mavjud ml texnikasini bir nechta alohida paradigmalarga tasniflashimiz mumkin, ularning aksariyati asr amaliyotida qo'llaniladi. nazorat ostidagi ta'lim barcha ta'lim namunalari yorliqlangan deb taxmin qiladi, nazoratsiz o'rganish esa hech kimni nazarda tutmaydi. yarim nazorat ostida o'qitish, nomidan ko'rinib turibdiki, yorliqli va yorliqsiz o'quv namunalari mavjudligini nazarda tutadi. nazorat ostidagi, nazoratsiz va yarim nazorat ostidagi ta'lim odatda passiv ta'lim sozlamasiga taalluqli bo'lib, unda noma'lum ehtimollik taqsimotiga ko'ra yorliqli o'quv namunalari tasodifiy hosil qilinadi. bundan farqli o'laroq, faol o'rganish - bu o'quvchi qaysi namunalarni belgilashni oqilona tanlashi mumkin bo'lgan sharoitdir, biz ushbu bo'lim oxirida muhokama qilamiz. ushbu bo'limda biz asosan yarim nazorat ostida va faol o'rganish paradigmalariga e'tibor qaratamiz. buning sababi shundaki, nazorat ostida o'rganish juda yaxshi tushuniladi va nazoratsiz o'rganish to'g'ridan-to'g'ri kirish natijalarini bashorat …

4 / 16

horat qilish. nazorat ostidagi ta'limda maqsad ma'lum bir savol kontekstida ma'lumotlarni tushunishdir. unsupervised learning mlda umuman nazoratsiz o'rganish faqat kiritilgan ma'lumotlar bilan o'rganishni anglatadi. ushbu o'rganish paradigmasi ko'pincha bashorat qilish, qaror qabul qilish yoki tasniflash va ma'lumotlarni siqish uchun ishlatilishi mumkin bo'lgan ma'lumotlar taqdimotini yaratishga qaratilgan. masalan, zichlikni baholash, klasterlash, printsipial komponentlar tahlili va mustaqil komponentlar tahlili nazoratsiz ta'limning muhim shakllaridir. asr ga diskret kirishlarni ta'minlash uchun vektor kvantlash (vq) dan foydalanish asr ni nazoratsiz o'rganishning dastlabki muvaffaqiyatli qo'llanilishidir . yaqinda nazoratsiz ta'lim mlda bosqichli gibrid generativ-diskriminativ paradigmaning tarkibiy qismi sifatida ishlab chiqildi. chuqur o'rganish tizimiga asoslangan ushbu rivojlanayotgan texnika asrga ta'sir qila boshladi. nutqning siyrak tasvirlarini o'rganish, shuningdek, tasniflash belgilari bo'lmasa, nazoratsiz xususiyatlarni o'rganish yoki o'rganish xususiyatlarining namoyishi sifatida ko'rib chiqilishi mumkin. mashinani oʻqitishning uch turi mavjud: nazorat ostidagi oʻqitish. oʻqitish boshlanishidan oldin “oʻqituvchi”, yaʼni odam toʻgʻri javobni biladi. faqat mashinani toʻgʻri javobni tanlash mantigʻini tushunishga oʻrgatish kerak boʻladi. …

5 / 16

a-ketlikni davom ettirish kerak boʻlgan matematika boʻyicha oddiy maktab testlarini eslaysizmi? masalan: 2, 4, 6, 8, x. intuitiv ravishda x oʻrnida 10 boʻlishi kerakligini bilasiz. chiziqli regressiya mashinani oʻzgaruvchilar oʻrtasidagi mana shunday bogʻlanishlarni izlashga oʻrgatadi. bu usul bir oʻzgaruvchining boshqasiga qanday taʼsir qilishini taxmin qilish kerak boʻlgan iqtisodiyot, moliya, marketing va boshqa sohalarda keng qoʻllanadi. bu model bir yoki ikki oddiy bogʻlanishni hisobga oladigan sodda usul ekanini tushunish muhim. qaysi maqsadlarda foydalaniladi: uy-joy narxlari, aksiyalarni baholash, sotishni prognozlashda. mnist ma'lumotlar to'plami yordamida oddiy sun'iy neyron tarmog'ini (ann) yaratish: # keras va boshqa kerakli kutubxonalarni import qilish import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import sequential from tensorflow.keras.layers import dense, flatten from tensorflow.keras.utils import to_categorical # mnist ma'lumotlar to'plamini yuklash (x_train, y_train), (x_test, y_test) = mnist.load_data() # ma'lumotlarni oldindan ishlov berish x_train = x_train / 255.0 x_test = x_test / 255.0 # yorliqlarni to_categorical formatiga o'tkazish y_train = …

Хотите читать дальше?

Скачайте все 16 страниц бесплатно через Telegram.

Скачать полный файл

О "machine learning va deep learning asoslari"

24 - ma’ruza machine learning (mashinali o‘qitish) va deep learning (chuqur o‘qitish) asoslari. mashinani o‘qitishning asosiy muammolari. mashinani o‘qitish usullari va algoritmi. freym modeli. qaror qabul qilish tizimlarning xususiyatlari. reja: o'rganish - bu hodisalarni oqibatlar bilan bog'lash jarayoni. shunday qilib, asosan o'rganish sabab va ta'sir tamoyilini asoslash usulidir. aqlli mashinani loyihalash fani mashinani o'rganish deb ataladi va bunday aqlli mashinani loyihalash uchun ishlatiladigan vosita neyron tarmoqlardir. neyron tarmog'i berilgan kirish uchun kerakli natijani beruvchi qora quti sifatida ko'rib chiqilishi mumkin. bunga trening deb ataladigan jarayon orqali erishiladi. sayoz tuzilgan oʻrganish arxitekturasidan foydalangan holda koʻrib chiqiladigan koʻpgina anʼanaviy...

Этот файл содержит 16 стр. в формате DOCX (1,5 МБ). Чтобы скачать "machine learning va deep learning asoslari", нажмите кнопку Telegram слева.

Теги: machine learning va deep learni… DOCX 16 стр. Бесплатная загрузка Telegram