machine learning kutubxonalarini tanishish python dasturi

PPTX 23 стр. 3,2 МБ Бесплатная загрузка

23 стр.

FaylHub.uz

Скачать через Telegram

Размер 3,2 МБ

Тип файла PPTX

Страницы 23

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 23

$презентация powerpoint sun’iy intellektga kirish. python daturi kutubxonalari bilan tanishish. python kutubxonalarini sun’iy intellekt sohalarida tadbiq qilish. tashkent 2024 python kutubxonalari numpy scipy scikit-learn theano tensorflow keras pytorch pandas matplotlib google colab numpy - bu yuqori darajadagi matematik funktsiyalarning katta to'plami yordamida ko'p o'lchovli massiv va matritsalarni qayta ishlash uchun juda mashhur python kutubxonasi. bu mashinani o'rganishda fundamental ilmiy hisob-kitoblar uchun juda foydali. bu, ayniqsa, chiziqli algebra, furye transformatsiyasi va tasodifiy son imkoniyatlari uchun foydalidir. tensorflow kabi yuqori darajadagi kutubxonalar tensorlarni manipulyatsiya qilish uchun ichki numpy-dan foydalanadi. import numpy as np # creating two arrays of rank 2 x = np.array([[1, 2], [3, 4]]) y = np.array([[5, 6], [7, 8]]) # creating two arrays of rank 1 v = np.array([9, 10]) w = np.array([11, 12]) # inner product of vectors print(np.dot(v, w), "\n") # matrix and vector product print(np.dot(x, v), "\n") # matrix and matrix product print(np.dot(x, y)) ba'zi asosiy …$

2 / 23

ized tinted image imsave('d:/programs / cat_tinted_resized.jpg', img_tint_resize) python script using scipy for image manipulation for more details refer to documentation. scikit-learn klassik ml algoritmlari uchun eng mashhur ml kutubxonalaridan biridir. u ikkita asosiy python kutubxonasi, ya'ni numpy va scipy ustiga qurilgan. scikit-learn nazorat ostidagi va nazoratsiz o'rganish algoritmlarining aksariyat qismini qo'llab-quvvatlaydi. scikit-learn ma'lumotlarni qazib olish va ma'lumotlarni tahlil qilish uchun ham ishlatilishi mumkin, bu esa uni ml bilan boshlaganlar uchun ajoyib vositaga aylantiradi. from sklearn import datasets from sklearn import metrics from sklearn.tree import decisiontreeclassifier # load the iris datasets dataset = datasets.load_iris() # fit a cart model to the data model = decisiontreeclassifier() model.fit(dataset.data, dataset.target) print(model) # make predictions expected = dataset.target predicted = model.predict(dataset.data) # summarize the fit of the model print (metrics.classification_report(expected, predicted)) print (metrics.confusion_matrix(expected, predicted)) for more details refer to documentation. mashinani o'rganish asosan matematika va statistika ekanligini hammamiz bilamiz. theano mashhur python kutubxonasi bo'lib, u …

3 / 23

ydalanadigan python dasturi tensorflow - bu google'dagi google brain jamoasi tomonidan ishlab chiqilgan yuqori samarali raqamli hisoblash uchun juda mashhur ochiq manbali kutubxona. nomidan ko'rinib turibdiki, tensorflow - bu tensorlarni o'z ichiga olgan hisob-kitoblarni aniqlash va ishga tushirishni o'z ichiga olgan ramka. u bir nechta ai ilovalarini ishlab chiqish uchun ishlatilishi mumkin bo'lgan chuqur neyron tarmoqlarni o'rgatishi va ishga tushirishi mumkin. tensorflow chuqur o'rganish tadqiqot va qo'llash sohasida keng qo'llaniladi. import tensorflow as tf x1 = tf.constant([1, 2, 3, 4]) x2 = tf.constant([5, 6, 7, 8]) result = tf.multiply(x1, x2) # initialize the session sess = tf.session() print (sess.run(result)) sess.close() ikki massivni ko'paytirish uchun tensorflow-dan foydalanadigan python dasturi - ma'lumotlarni qidirish, birlashtirish va filtrlash uchun ko'plab o'rnatilgan usullarni taqdim etadi. keras python uchun juda mashhur machine learning kutubxonasidir. bu tensorflow, cntk yoki theano ustida ishlashga qodir yuqori darajadagi neyron tarmoqlar api. u protsessorda ham, gpuda ham muammosiz ishlashi mumkin. keras …

4 / 23

# n is batch size; d_in is input dimension; # h is hidden dimension; d_out is output dimension. n, d_in, h, d_out = 64, 1000, 100, 10 # create random input and output data x = torch.random(n, d_in, device=device, dtype=dtype) y = torch.random(n, d_out, device=device, dtype=dtype) # randomly initialize weights w1 = torch.random(d_in, h, device=device, dtype=dtype) w2 = torch.random(h, d_out, device=device, dtype=dtype) learning_rate = 1e-6 for t in range (500): # forward pass: compute predicted y h = x.mm(w1) h_relu = h.clamp(min=0) y_pred = h_relu.mm(w2) # compute and print loss loss = (y_pred - y).pow(2).sum().item() print(t, loss) #backprop to compute gradients of w1 and w2 with respect to loss grad_y_pred = 2.0 * (y_pred - y) grad_w2 = h_relu.t().mm(grad_y_pred) grad_h_relu = grad_y_pred.mm(w2.t()) grad_h = grad_h_relu.clone() grad_h[h google colaboratory”ga o‘ting: google colabda ishlash ketma-ketligi u siz uchun yangi google colab daftarini ochadi. yoki siz to'g'ridan-to'g'ri google colab-ga kirishingiz mumkin. siz quyidagi …

5 / 23

ng: keyin, ml loyihangizda ishlatiladigan ma'lumotlar faylini yuklash uchun "upload to session storage" belgisini bosishingiz mumkin: yana bir tavsiya etilgan yondashuv - katta hajmdagi ma'lumotlar fayllarini google drive-ga yuklash va diskingizni colab-ga o'rnatish. buni ko'rsatilganidek, "mount drive" belgisini bosish orqali qilishingiz mumkin: google colab blaknotingizni saqlang: colab faylingizni saqlash uchun sahifaning chap tomonidagi “file” belgisini yana bosing va “download” opsiyasiga oʻting: barcha colab noutbuklari google diskda saqlanadi. colab-ning ko'plab foydali jihatlaridan yana biri shundaki, u ma'lum vaqtdan keyin blaknotingizni avtomatik ravishda saqlaydi, shuning uchun siz ishlaringizni yo'qotmaysiz. ko'rsatilganidek, siz blaknotingizni *.py va *.ipynb formatlarida eksport qilishingiz va saqlashingiz mumkin. shuningdek, siz daftaringiz nusxasini to'g'ridan-to'g'ri github-da saqlashingiz mumkin yoki ko'rsatilganidek, github gist-ni yaratishingiz mumkin: image1.png image2.jfif image3.jpeg image4.png image5.png image6.png image7.png image8.png image9.png image10.png image11.png image12.png image13.png image14.jpg image15.png image16.png image17.png image18.png image19.png image20.png image21.png image22.png image23.png image24.png image25.png image26.png image27.png image28.png image29.png image30.png image31.png image32.png image33.png image34.png image35.png

Хотите читать дальше?

Скачайте все 23 страниц бесплатно через Telegram.

Скачать полный файл

О "machine learning kutubxonalarini tanishish python dasturi"

презентация powerpoint sun’iy intellektga kirish. python daturi kutubxonalari bilan tanishish. python kutubxonalarini sun’iy intellekt sohalarida tadbiq qilish. tashkent 2024 python kutubxonalari numpy scipy scikit-learn theano tensorflow keras pytorch pandas matplotlib google colab numpy - bu yuqori darajadagi matematik funktsiyalarning katta to'plami yordamida ko'p o'lchovli massiv va matritsalarni qayta ishlash uchun juda mashhur python kutubxonasi. bu mashinani o'rganishda fundamental ilmiy hisob-kitoblar uchun juda foydali. bu, ayniqsa, chiziqli algebra, furye transformatsiyasi va tasodifiy son imkoniyatlari uchun foydalidir. tensorflow kabi yuqori darajadagi kutubxonalar tensorlarni manipulyatsiya qilish uchun ichki numpy-dan foydalanadi. import numpy as np # creating two arrays of r...

Этот файл содержит 23 стр. в формате PPTX (3,2 МБ). Чтобы скачать "machine learning kutubxonalarini tanishish python dasturi", нажмите кнопку Telegram слева.

Теги: machine learning kutubxonalarin… PPTX 23 стр. Бесплатная загрузка Telegram