mashinali o‘qitishning chiziqli regressiya usullari asosida bashoratlash masalalarini yechish

DOCX 16 pages 176.8 KB Free download

16 pages

FaylHub.uz

Download via Telegram

Size 176.8 KB

File type DOCX

Pages 16

Updated Dec 2025

Page preview (5 pages)

Scroll down 👇

1 / 16

muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti kompyuter injiniringi fakulteti suniy intelekt fanidan 1-mustaqil ish guruh: ___________ bajardi: ____________ qabul qildi: _____________ 2025 📑 mundarija 1. kirish 1.1. mashinali o‘qitish tushunchasi va yo‘nalishlari 1.2. regressiya vazifasi: klassifikatsiyadan farqlari 1.3. bashoratlash muammosining dolzarbligi 1.4. tadqiqot maqsadi va vazifalari 2. chiziqli regressiya nazariy asoslari 2.1. chiziqli regressiya modeli: formulasi va elementlari 2.2. model parametrlari: β₀, β₁, ε 2.3. farazlar: linearlik, homoskedastiklik, no multikolinearlik 2.4. oddiy va ko‘p o‘lchovli regressiya 3. eng kichik kvadratlar usuli (ols) 3.1. ols usulining mohiyati 3.2. matematik formulalar 3.3. gradient descent bilan solishtirish 3.4. afzalliklar va cheklovlar 4. model qurish jarayoni 4.1. ma’lumotlarni tayyorlash va tozalash 4.2. trening va testga bo‘lish 4.3. modelni qurish va o‘qitish 4.4. python kutubxonalaridan foydalanish 5. bashoratlash va tahlil qilish 5.1. yangi qiymatlar uchun bashorat 5.2. model aniqligini baholash 5.3. vizualizatsiya usullari 5.4. natijalarni tahlil qilish 6. regressiyaning cheklovlari va yechimlari 6.1. outlier …

2 / 16

indan aniqlash vazifasi, turli sohalarda muhim ahamiyat kasb etmoqda: iqtisodiyot, sog‘liqni saqlash, ta’lim, savdo va boshqa ko‘plab yo‘nalishlarda. chiziqli regressiya — mashinali o‘qitishdagi eng sodda va eng ko‘p ishlatiladigan modellardan biridir. u mustaqil o‘zgaruvchilar (kirish) bilan bog‘liq o‘zgaruvchilar (chiqish) o‘rtasidagi chiziqli munosabatni aniqlash orqali yangi qiymatlar uchun bashoratlar beradi. ushbu mustaqil ishda chiziqli regressiya modellarining nazariy asoslari, python dasturlash tilida amaliy qo‘llanilishi, modelni baholash, cheklovlar va yechimlar, hamda real misollar orqali chuqur tahlil qilinadi. 1.1. mashinali o‘qitish tushunchasi va yo‘nalishlari mashinali o‘qitish (machine learning) — bu kompyuter tizimlarining o‘z tajribasidan o‘rganish, takomillashish va yangi holatlar bo‘yicha mustaqil qarorlar chiqarish qobiliyatidir. mashinali o‘qitish sun’iy intellektning asosiy bo‘limidir va uchta asosiy yo‘nalishga ega: · supervised learning (nazorat ostidagi o‘qitish): modelga kirish (x) va chiqish (y) ma’lumotlari beriladi. model shu asosda o‘rganadi. regressiya va klassifikatsiya bu yo‘nalish ichida. · unsupervised learning (nazoratsiz o‘qitish): faqat kirish ma’lumotlari mavjud. model o‘zi ma’lumotlar strukturasini aniqlaydi (klasterlash, …

3 / 16

$nf (kategoriya) bo‘ladi. 1.3. bashoratlash muammosining dolzarbligi bugungi kunda qaror qabul qilish, rejalashtirish va strategiyani ishlab chiqish uchun kelajakdagi holatlarni oldindan bilish muhim. bashoratlash quyidagi sohalarda qo‘llaniladi: · tibbiyot: kasallik rivojlanishini taxmin qilish · iqtisodiyot: bozor o‘zgarishlarini oldindan ko‘rish · marketing: xaridorlar xatti-harakatini tahlil qilish · ta’lim: o‘quvchilar natijalarini oldindan baholash chiziqli regressiya ushbu muammolarning ko‘pida tez, tushunarli va samarali yechim taklif etadi. 1.4. tadqiqot maqsadi va vazifalari ushbu ishning asosiy maqsadi — mashinali o‘qitishdagi chiziqli regressiya modellari yordamida real ma’lumotlar asosida bashorat qilish mexanizmlarini o‘rganishdir. vazifalar: · chiziqli regressiya nazariyasini tushuntirish · pythonda amaliy model yaratish · ma’lumotlar tayyorlash va tozalash · modelni o‘rgatish va testdan o‘tkazish · natijalarni tahlil qilish · cheklov va yechimlar bilan tanishish 2. chiziqli regressiya nazariy asoslari chiziqli regressiya — bu bog‘liq o‘zgaruvchi (y) va mustaqil o‘zgaruvchilar (x) o‘rtasidagi chiziqli bog‘liqlikni ifodalaydigan matematik model. u quyidagicha yoziladi: y=β0+β1x+εy = \beta_0 + \beta_1 x + …$

4 / 16

$β₁ ni aniqlash va ular yordamida y ni aniqlash. 2.2. model parametrlari: β₀, β₁, ε · β₀ (intersept): x = 0 bo‘lsa, y ning boshlang‘ich qiymati. · β₁ (koeffitsiyent): x qiymati 1 birlikka o‘zgarsa, y qanday o‘zgaradi. · ε (xatolik): har bir kuzatuvda modelning qanchalik farq qilganini ko‘rsatadi. bu parametrlar grafikda chiziqning holatini va egilishini aniqlaydi. 2.3. farazlar: linearlik, homoskedastiklik, no multikolinearlik chiziqli regressiya modeli quyidagi asosiy statistik shartlar (farazlar) asosida ishlaydi: linearlik: x va y o‘rtasidagi bog‘liqlik chiziqli bo‘lishi kerak. homoskedastiklik: xatoliklarning tarqalishi har doim bir xil bo‘lishi kerak. multikolinearlik yo‘qligi: x’lar o‘zaro kuchli bog‘liq bo‘lmasligi kerak. xatoliklar normal taqsimlangan bo‘lishi kerak. agar bu farazlar buzilsa, model ishonchli bo‘lmaydi yoki noto‘g‘ri natijalar beradi. 2.4. oddiy va ko‘p o‘lchovli regressiya oddiy regressiya — bitta x orqali y ni bashorat qiladi. masalan: y=β0+β1xy = \beta_0 + \beta_1 xy=β0+β1x ko‘p o‘lchovli (multiple linear regression) — bir nechta x’lar yordamida y ni bashorat …$

5 / 16

$y β₀ va β₁ ni tanlaydiki, natijadagi xatoliklar kvadratlari minimal bo‘ladi. 3.2. matematik formulalar oddiy chiziqli regressiyada quyidagi formulalar orqali koeffitsiyentlar aniqlanadi: β1=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2\beta_1 = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sum (x_i - \bar{x})^2}β1=∑(xi−xˉ)2∑(xi−xˉ)(yi−yˉ) β0=yˉ−β1xˉ\beta_0 = \bar{y} - \beta_1 \bar{x}β0=yˉ−β1xˉ agar model ko‘p o‘lchovli bo‘lsa, ya’ni bir nechta x mavjud bo‘lsa, quyidagi matritsali yechim ishlatiladi: β=(xtx)−1xty\beta = (x^t x)^{-1} x^t yβ=(xtx)−1xty bu formulalar modelni optimal parametrlar bilan ta’minlaydi. 3.3. gradient descent bilan solishtirish ols — analitik (matematik) yechim beradi. ammo juda katta o‘lchamli ma’lumotlar bazasida bu hisoblash qimmatga tushadi. shunda gradient descent kabi algoritmlar qo‘llaniladi. gradient descent — bu xatolik funksiyasining gradientini hisoblab, parametrlarni asta-sekin yangilashga asoslangan iterativ usuldir: θ:=θ−α⋅∇j(θ)\theta := \theta - \alpha \cdot \nabla j(\theta)θ:=θ−α⋅∇j(θ) bu yerda: · α\alphaα — o‘rganish tezligi · ∇j(θ)\nabla j(\theta)∇j(θ) — xatolik funksiyasining gradienti gradient descent yordamida regressiyani hatto real vaqtda o‘rgatish mumkin. 3.4. afzalliklar va cheklovlar afzalliklar: · oddiy va tushunarli · tez …$

Want to read more?

Download all 16 pages for free via Telegram.

Download full file

About "mashinali o‘qitishning chiziqli regressiya usullari asosida bashoratlash masalalarini yechish"

muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti kompyuter injiniringi fakulteti suniy intelekt fanidan 1-mustaqil ish guruh: ___________ bajardi: ____________ qabul qildi: _____________ 2025 📑 mundarija 1. kirish 1.1. mashinali o‘qitish tushunchasi va yo‘nalishlari 1.2. regressiya vazifasi: klassifikatsiyadan farqlari 1.3. bashoratlash muammosining dolzarbligi 1.4. tadqiqot maqsadi va vazifalari 2. chiziqli regressiya nazariy asoslari 2.1. chiziqli regressiya modeli: formulasi va elementlari 2.2. model parametrlari: β₀, β₁, ε 2.3. farazlar: linearlik, homoskedastiklik, no multikolinearlik 2.4. oddiy va ko‘p o‘lchovli regressiya 3. eng kichik kvadratlar usuli (ols) 3.1. ols usulining mohiyati 3.2. matematik formulalar 3.3. gradient descent bilan solishtirish 3.4....

This file contains 16 pages in DOCX format (176.8 KB). To download "mashinali o‘qitishning chiziqli regressiya usullari asosida bashoratlash masalalarini yechish", click the Telegram button on the left.

Tags: mashinali o‘qitishning chiziqli… DOCX 16 pages Free download Telegram