sunniy intelekt asoslari

PDF 6 sahifa 325,1 KB Bepul yuklash

6 sahifa

FaylHub.uz

Telegram orqali yuklab olish

Hajm 325,1 KB

Fayl turi PDF

Sahifalar 6

Yangilangan Dek 2025

Sahifa ko'rinishi (5 sahifa)

Pastga aylantiring 👇

1 / 6

o’zbekiston respublikasi raqamli texnologiyalar vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti sunniy intelekt asoslari 2-amaliy ish guruh: 030-23 bajardi: shavkatov bexruz toshkent 2025 2-topshiriq mavzu: mashinali o‘qitishda ma’lumotlarni grafik tasvirlash asosida loss xatoliklarini baholash ishdan maqsad: talabalarda mashinali o‘qitishda ma’lumotlarni grafiklar usulida tasvirlash orqali loss xatoliklarni baholash bilimlarini shakllantirish. mavzuning nazariy asoslari mashinali o‘qitishda loss funksiyasi modelning xatolarini o‘lchaydi. model ma’lumotlarni o‘rgangan sayin loss qiymati kamayadi. loss funksiyasining kamayishi modelning yaxshi o‘rganganidan dalolat beradi. eng ko‘p ishlatiladigan loss funksiyalaridan biri — mse (mean squared error) va u quyidagi formula asosida topiladi: mse = 1 𝑛 ∑(𝑦𝑖 − �̂�𝑖)2 𝑛 𝑖=1 bu yerda: 𝑦𝑖 − haqiqiy qiymat �̂�𝑖 − model tomonidan bashorat qilingan qiymat 𝑛 − umumiy ma’lumotlar soni ushbu formuladan maqsad har bir iteratsiyada mse ning o‘zgarishini kuzatish va uni grafik tasvir orqali baholash. ishni amalga oshirish uchun quyidagi kutubxonalardan foydalaniladi: • numpy – hisob kitoblar uchun. • matplotlib …

2 / 6

$e=42) 3. chiziqli regressiya modelini o‘qitish va mse hisoblash: chiziqli regressiya modeli yordamida o‘qitish va natijalarni baholash: # chiziqli regressiya modelini yaratish model = linearregression() # modelni o‘qitish model.fit(x_train, y_train) # test to‘plami yordamida modelni baholash y_pred = model.predict(x_test) mse = mean_squared_error(y_test, y_pred) print(f"mean squared error (mse): {mse}") 4. xatolik baholanishi va grafik chizish (100 epoch uchun): modelni o‘rganish jarayonidagi mse qiymatini har bir epoch uchun hisoblash va tasvirlash: # 100 epochda trening jarayonini o‘rganish va mse qiymatini hisoblash epochs = list(range(1, 101)) loss_values = [] for i in epochs: model.fit(x_train, y_train) y_train_pred = model.predict(x_train) loss = mean_squared_error(y_train, y_train_pred) loss_values.append(loss) # grafikni chizish plt.plot(epochs, loss_values, color='blue', label='training loss (mse)') plt.title('loss function progression over epochs') plt.xlabel('epochs') plt.ylabel('mean squared error') plt.legend() plt.show() 5. tasodifiy gradient descent (sgd) usulida sinash: shuningdek, sgdregressor yordamida o‘rganish va loss o‘zgarishini tasvirlash: # sgd usulida modelni yaratish model_sgd = sgdregressor(max_iter=1, tol=none, warm_start=true) # 100 epochda mse ni …$

3 / 6

ni kuzatdik va grafik tasvirlarni yaratdik. har bir modelni o‘rgatish jarayonida, asosan mean squared error (mse) xatolik funksiyasining qanday o‘zgarishini baholadik.

4 / 6

5 / 6

Ko'proq o'qimoqchimisiz?

Barcha 6 sahifani Telegram orqali bepul yuklab oling.

To'liq faylni yuklab olish

"sunniy intelekt asoslari" haqida

o’zbekiston respublikasi raqamli texnologiyalar vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti sunniy intelekt asoslari 2-amaliy ish guruh: 030-23 bajardi: shavkatov bexruz toshkent 2025 2-topshiriq mavzu: mashinali o‘qitishda ma’lumotlarni grafik tasvirlash asosida loss xatoliklarini baholash ishdan maqsad: talabalarda mashinali o‘qitishda ma’lumotlarni grafiklar usulida tasvirlash orqali loss xatoliklarni baholash bilimlarini shakllantirish. mavzuning nazariy asoslari mashinali o‘qitishda loss funksiyasi modelning xatolarini o‘lchaydi. model ma’lumotlarni o‘rgangan sayin loss qiymati kamayadi. loss funksiyasining kamayishi modelning yaxshi o‘rganganidan dalolat beradi. eng ko‘p ishlatiladigan loss funksiyalaridan biri — mse (mean squared error) va u...

Bu fayl PDF formatida 6 sahifadan iborat (325,1 KB). "sunniy intelekt asoslari"ni yuklab olish uchun chap tomondagi Telegram tugmasini bosing.

Teglar: sunniy intelekt asoslari PDF 6 sahifa Bepul yuklash Telegram