suniy intellekt va machine learning savollari va javoblari

PDF 23 sahifa 71,4 KB Bepul yuklash

23 sahifa

FaylHub.uz

Telegram orqali yuklab olish

Hajm 71,4 KB

Fayl turi PDF

Sahifalar 23

Yangilangan Dek 2025

Sahifa ko'rinishi (5 sahifa)

Pastga aylantiring 👇

1 / 23

suniy intellekt va machine learning savollari va javoblari savollar va javoblar 1. gradient descent algoritmi nima uchun ishlatiladi va uning asosiy maqsadi nima? javob: gradient descent (gd) — optimallashtirish algoritmi bo‘lib, yo‘qotish funksiyasining minimal qiymatini topish uchun ishlatiladi. machine learning va deep learning’da model parametrlarini (og‘irliklar, bias) sozlash uchun qo‘llaniladi, shunda xatolik min- imallashtiriladi. asosiy maqsad: yo‘qotish funksiyasini minimallashtirib, modelning bashorat aniqligini oshirish. misol: chiziqli regressiyada mean squared error (mse) ni kamaytirish. 2. pytorchda forward va backward hisoblash jarayoni qanday amalga oshiriladi? javob: • forward hisoblash: kirish ma’lumotlari model qatlamlari orqali o‘tib, bashorat hosil qiladi. pytorch’da model.forward(input) yoki model(input) orqali amalga oshiriladi. misol: output = model ( input_tensor ) • backward hisoblash: yo‘qotish funksiyasining gradientlari hisoblanadi va parametr- lar yangilanadi. pytorch’da autograd gradientlarni avtomatik hisoblaydi: 1. yo‘qotish hisoblanadi: loss = criterion(output, target). 2. gradientlar: loss.backward(). 3. parametrlar yangilanadi: optimizer.step(). misol: neyron tarmoqda nn.mseloss bilan xatolik hisoblanadi va sgd optimizer bilan …

2 / 23

machine learningning maqsadi — ma’lumotlardan naqshlarni aniqlab, yangi ma’lumotlar uchun bashorat qilish yoki qaror qabul qilish qobiliyatiga ega modellar yaratish. misollar: • regressiya: narxlarni bashorat qilish. • klassifikatsiya: spam xatlarni aniqlash. • klasterlash: mijozlarni guruhlarga ajratish. umumiy maqsad: modelning umumlashtirish qobiliyatini oshirish. 5. gradient descentda learning rate (o’rganish qadami) qanday rol o’ynaydi? javob: learning rate (α) — gradient descentda parametrlarning yangilanish qadamining ha- jmini belgilovchi giperparametr. roli: • kichik α: sekin, lekin barqaror konvergensiya. • katta α: tez, lekin minimal nuqtadan o‘tib ketish yoki tebranish xavfi. misol: α = 0.01 kichik qadamlar bilan barqaror o‘rganish. tanlash: sinov-yanlish, adaptiv usullar (adam). 2 6. gradient descentda global minimal xatolik nima? javob: global minimal xatolik — yo‘qotish funksiyasining eng past nuqtasi, unda model parametr- larining kombinatsiyasi xatolikni minimal darajaga tushiradi. tushuncha: loss funksiyasi ko‘p o‘lchovli sirt sifatida tasavvur qilinadi, global minimum esa eng past nuqta. qiyinchilik: konveks bo‘lmagan funksiyalarda lokal minimumga tushish xavfi. …

3 / 23

orch’da: model(input). 4. natijani talqin qilish: bashorat (raqam, sinf) qaytariladi. misol: uy narxlari bashorati uchun xususiyatlar kiritilib, narx chiqariladi. 9. gradient descent algoritmining asosiy maqsadi nima va u qanday ish- laydi? javob: asosiy maqsad: yo‘qotish funksiyasini minimallashtirib, optimal parametrlar topish. ishlash tartibi: 1. parametrlarga tasodifiy qiymatlar beriladi. 2. yo‘qotish funksiyasi (j(θ)) hisoblanadi. 3 3. gradient hisoblanadi: ∇j(θ). 4. parametrlar yangilanadi: θ = θ − α · ∇j(θ) 5. takrorlanadi, yo‘qotish kichik bo‘lguncha. 10. training jarayonida epochlar soni model sifatiga qanday ta’sir qiladi? javob: • kam epochlar: underfitting, yuqori xatolar. • optimal epochlar: yaxshi umumlashtirish, past xatolar. • ko‘p epochlar: overfitting, test xatolari oshadi. maslahatlar: early stopping, learning curve tahlili, kross-validatsiya. 11. regressiya modellari gradient descent yordamida qanday o‘qitiladi? javob: 1. model: ŷ = θ0 + θ1x1 + · · ·+ θnxn. 2. yo‘qotish funksiyasi: mse: j(θ) = 1 m m∑ i=1 (ŷi − yi) 2 3. gradient: ∂j ∂θj = …

4 / 23

. ahamiyati: • konveks funksiyalar: gd global minimumga yetadi. • konveks bo‘lmaganlar: lokal minimum yoki saddle point xavfi. maslahat: momentum, adaptiv optimizers. 15. gradient descentda koeffitsiyentlarni yangilash formulasi qanday shak- llanadi? javob: θj = θj − α · ∂j ∂θj tarkib: • θj: parametr. • α: learning rate. • ∂j ∂θj : gradient. misol: mse uchun: ∂j ∂θj = 2 m m∑ i=1 (ŷi − yi) · xi,j 5 16. gradient descent algoritmining cheklovlari qanday? javob: • lokal minimumga tushish. • learning rate’ga bog‘liqlik. • shovqinli gradientlar (sgd). • katta ma’lumotlarda resurs talabi. • konveks bo‘lmagan funksiyalarda global minimum kafolati yo‘q. yechimlar: momentum, adaptiv optimizers, normallashtirish. 17. regressiyada kvadrat xatolik loss funksiyasi qanday ishlaydi? javob: mean squared error (mse): j(θ) = 1 m m∑ i=1 (ŷi − yi) 2 ishlash: • xatolik kvadratga ko‘tariladi, katta xatolar jazolanadi. • konveks, gd uchun qulay. misol: ŷ = [2.1, 3.2], y = [2, …

5 / 23

ahamiyati: tez konvergensiya, lok‘al minimumdan chiqish. 22. regressiyada xatolikni minimallashtirish qanday amalga oshiriladi? javob: 1. mse hisoblanadi. 2. gradientlar hisoblanadi. 3. parametrlar yangilanadi: θj = θj − α · ∂j ∂θj . 4. takrorlanadi. qo‘shimcha: normallashtirish, regularizatsiya. 7 23. gradient descentda adaptiv learning rate nima uchun ishlatiladi? javob: adaptiv learning rate α’ni dinamik sozlaydi. ahamiyati: • tez konvergensiya. • barqarorlik. • moslashuvchanlik. misollar: adam, rmsprop, adagrad. 24. loss funksiyasining turli turlari qanday vazifalarni hal qiladi? javob: • mse: regressiya, katta xatolarni jazolaydi. • cross-entropy: klassifikatsiya, ehtimolliklar. • hinge loss: svm, margin maksimallashtirish. • log loss: ehtimollik modellari. ahamiyati: vazifaga mos tanlash. 25. gradient descentda global minimumga yetish kafolati bormi? javob: kafolat faqat konveks funksiyalarda. xavflar: • konveks bo‘lmagan funksiyalarda lok‘al minimum. • noto‘g‘ri dastlab qiymatlar. yechim: momentum, bir necha sinov. 26. gradient descentning tezligini oshirish usullari qanday? javob: • momentum. • adaptiv optimizers (adam, rmsprop). • mini-batch gd. • ma’lumotlar …

Ko'proq o'qimoqchimisiz?

Barcha 23 sahifani Telegram orqali bepul yuklab oling.

To'liq faylni yuklab olish

"suniy intellekt va machine learning savollari va javoblari" haqida

suniy intellekt va machine learning savollari va javoblari savollar va javoblar 1. gradient descent algoritmi nima uchun ishlatiladi va uning asosiy maqsadi nima? javob: gradient descent (gd) — optimallashtirish algoritmi bo‘lib, yo‘qotish funksiyasining minimal qiymatini topish uchun ishlatiladi. machine learning va deep learning’da model parametrlarini (og‘irliklar, bias) sozlash uchun qo‘llaniladi, shunda xatolik min- imallashtiriladi. asosiy maqsad: yo‘qotish funksiyasini minimallashtirib, modelning bashorat aniqligini oshirish. misol: chiziqli regressiyada mean squared error (mse) ni kamaytirish. 2. pytorchda forward va backward hisoblash jarayoni qanday amalga oshiriladi? javob: • forward hisoblash: kirish ma’lumotlari model qatlamlari orqali o‘tib, bashorat hosil qiladi. pytorch’da ...

Bu fayl PDF formatida 23 sahifadan iborat (71,4 KB). "suniy intellekt va machine learning savollari va javoblari"ni yuklab olish uchun chap tomondagi Telegram tugmasini bosing.

Teglar: suniy intellekt va machine lear… PDF 23 sahifa Bepul yuklash Telegram