Terminologiya

Mashinali o‘rganishda bog‘liqliklar

Mashinali o‘rganish tizimlari bashoratlar chiqarish uchun kirishlar orasidagi bog‘liqliklardan foydalanadi.

Algebrada bog‘liqlik ko‘pincha y = ax + b ko‘rinishida yoziladi:

• y — biz bashorat qilmoqchi bo‘lgan yorliq
• a — chiziqning qiyaligi
• x — kirish qiymatlari
• b — kesishma

Mashinali o‘rganishda bog‘liqlik y = b + wx ko‘rinishida yoziladi:

• y — biz bashorat qilmoqchi bo‘lgan yorliq
• w — vazn (qiyalik)
• x — belgilar (kirish qiymatlari)
• b — kesishma

---

Mashinali o‘rganishda yorliqlar

Mashinali o‘rganish terminologiyasida yorliq (label) — biz bashorat qilmoqchi bo‘lgan narsa.

U chiziqli grafikdagi y ga o‘xshaydi:

---

Mashinali o‘rganishda belgilar

Mashinali o‘rganish terminologiyasida belgilar (features) — bu kirish ma’lumotlari.

Ular chiziqli grafikdagi x qiymatlariga o‘xshaydi:

Ba’zan turli vaznlarga ega ko‘plab belgilar (kirish qiymatlari) bo‘lishi mumkin:

y = b + w₁x₁ + w₂x₂ + w₃x₃ + w₄x₄

---

---

---

Mashinali o‘rganish modellari

Model yorliq (y) va belgilar (x) orasidagi bog‘liqlikni belgilaydi.

Model hayotida uchta bosqich bor:

• Ma’lumotlarni yig‘ish
• O‘qitish
• Xulosa chiqarish (inference)

---

Mashinali o‘rganishda o‘qitish

O‘qitishdan maqsad — savolga javob bera oladigan model yaratish. Masalan, uyning kutilayotgan narxi qancha?

---

Mashinali o‘rganishda xulosa chiqarish (inference)

Xulosa chiqarish — o‘qitilgan modeldan real vaqtdagi ma’lumotlar asosida qiymatlarni aniqlash (bashorat qilish) uchun foydalanish. Masalan, modelni amaliy ishga (production) joriy etish.

---

Mashinali o‘rganish bosqichlari

Mashinali o‘rganish ikkita asosiy bosqichdan iborat:

1. O‘qitish:
Kirish ma’lumotlari model parametrlarini hisoblash uchun ishlatiladi.

2. Xulosa chiqarish:
"O‘qitilgan" model istalgan kirish ma’lumotlaridan to‘g‘ri natija chiqaradi.

---

---

Nazoratli o‘rganish (Supervised Learning)

Nazoratli mashinali o‘rganish chiqish o‘zgaruvchisining qiymatini bashorat qilish uchun kirish o‘zgaruvchilari to‘plamidan foydalanadi.

Nazoratli o‘rganish algoritmlarni quyidagi vazifalarga o‘qitish uchun yorliqlangan ma’lumotlardan (javoblari ma’lum bo‘lgan ma’lumotlardan) foydalanadi:

• Ma’lumotlarni klassifikatsiya qilish
• Natijalarni bashorat qilish

Nazoratli o‘rganish ma’lum spam namunalariga asoslanib, "Elektron pochtadagi qaysi xat spam?" kabi ma’lumotlarni klassifikatsiya qila oladi.

Nazoratli o‘rganish, masalan, siz ko‘rgan videolar asosida qanday videolarni yoqtirishingizni bashorat qilish kabi natijalarni bashorat qila oladi.

---

Nazoratsiz o‘rganish (Unsupervised Learning)

Nazoratsiz mashinali o‘rganish istalgan yorliqlanmagan ma’lumotlar to‘plamidagi qonuniyatlardan foydalanib, ma’lumotlardagi qonuniyatlarni (yoki guruhlanishlarni) tushunishga harakat qiladi.

Nazoratsiz o‘rganish ma’lumotlardagi mazmunli qonuniyatlar kabi oldindan aniqlanmagan bog‘liqliklarni bashorat qilish uchun ishlatiladi.

Gap o‘zini o‘zi takomillashtira oladigan kompyuter algoritmlarini yaratish haqida boradi.

Kelajakda mashinali o‘rganish dasturchilarga model yaratmasdan muammolarni hal qilish imkonini beruvchi nazoratsiz o‘rganishga o‘tishi kutilmoqda.

---

Mustahkamlovchi o‘rganish (Reinforcement Learning)

Mustahkamlovchi o‘rganish nazoratsiz o‘rganishga asoslanadi, lekin foydalanuvchidan qaror yaxshi yoki yomonligi haqida qayta aloqa (feedback) oladi. Qayta aloqa modelni yaxshilashga xizmat qiladi.

---

O‘z-o‘zini nazorat qiluvchi o‘rganish (Self-Supervised Learning)

O‘z-o‘zini nazorat qiluvchi o‘rganish nazoratsiz o‘rganishga o‘xshaydi, chunki u inson tomonidan yorliq qo‘yilmagan ma’lumotlar bilan ishlaydi.

Farqi shundaki, nazoratsiz o‘rganish klasterlash, guruhlash va o‘lchamlarni kamaytirishdan foydalanadi, o‘z-o‘zini nazorat qiluvchi o‘rganish esa regressiya va klassifikatsiya vazifalari uchun o‘z xulosalarini mustaqil chiqaradi.