Mashinali o‘qitish quyidagi masalalarni echishda qo’llaniladi:
sinflashtirish;
haqiqiy javobni berish (regressiya);
bashoratlsh;
tartiblash;
filtrlash;
muhim ko’rsatkichlarni topish;
ko’rsatmalar berish va boshqalar.
Misol.
Yo'l qoplamasining holatini 6 va 24 soat davomida bashorat qilish
2.1-rasm. MO’Tni sinflashtirish.
MO’ning uchta turini ko'rib chiqamiz
o’qituvchili o‘qitish (boshqariladigan),
o’qituvchisiz o‘qitish (nazoratsiz yoki o'z-o'zidan)
chuqur (mustaxkam) o‘qitish.
Mashinali o’qitish usullari
2-rasm.
Mashinali o’qitishni tashkil qilishning modeli 2.3-rasmda keltirilgan.
3-rasm. Mashinali o’qitishni tashkil qilishning modeli.
4-rasm. Mashinali o’qitishga misol.
O’qituvchili o’qitish (Supervised learning) - bu modelni xususiyatlari aniq bo’lgan ma’lumotlar bilan o’qitish. Oʻqituvchili MO’Tlarda obyektlar to’plami (OT) va ularning belgilari hamda bu belgilarning qanday sinfga qarashli ekanligi, ya’ni sinflarning nomi berilgan boʻladi. Bunday turdagi o’qitish usullariga regressiya (2.5-rasm) va sinflashtirish (2.3-rasm) masalalarini misol keltirish mumkin. Bunda xususiyatlari aniq deganda kiruvchi va chiquvchi parametrlar mavjud bo’lishi nazarda tutiladi.
7-rasm. Regressiya va sinflashga misol.
Modelni o’qitishda foydalaniladigan ma’lumotlar odatda ikkita qismga ajratiladi va ular 80:20 nisbatda olinadi. Ya’ni ma’lumotlarning 80% o’qitiluvchi ma’lumot va qolgan 20% esa modelni testlovchi ma’lumot bo’lib xizmat qiladi.
O’qitish jarayonida model kiruvchi va chiquvchi ma’lumotlarning 80% dan foydalanadi va modelni o’qitish faqat ushbu ma’lumot orqali amalga oshiriladi (2.8-rasm).
8-rasm. O’qituvchili o’qitish masalalari.
O’qituvchisiz o’qitish (unsupervised learning) - bu mashinani o’qitish usulidan biri bo’lib, bunda modelni oldindan aniq bo’lgan ma’lumotlar bilan o’qitish amalga oshirilmaydi, aksincha obyekt parametrlarini (ma'lumotlarni) topish uchun modelga o'z ustida ishlashga imkon yaratib beriladi. Oʻqituvchisiz MO’Tlarda faqat OT va ularning BT berilgan boʻlib, obyektlarning qaysi sinfga qarashli ekanligi berilmaydi. Bunday tizimlar koʻp hollarda taksonomik tizimlar deyiladi, ya’ni taksonlarga qarab, obyektlar sun’iy ravishda sinflarga ajratiladi.
10-rasm. O’qituvchisiz o’qitish sxemasi.
O’qituvchisiz o’qitish usuliga qaraganda murakkab usul hisoblanadi va bashoratlash jarayoni avtomatik lekin noaniqroq bo’lishi mumkin.
O’qituvchisiz o’qitish usulida asosan “klasterlash” masalasi yechiladi.
a) Namuna. B) Klasterlar.
11-rasm. Klasterlashga misol.
Chuqur o’qitish - bu ko'p qatlamli neyron tarmoqlarini tadqiq qilinayotgan obyektga tegishli juda katta miqdordagi ma'lumotlardan foydalanib, ularning tuzilishi va xususiyatlarini tushunishga qaratilgan jarayondir. Chuqur o’qitish – bu ko'p pog’onali taqdimotni o'rganishga asoslangan mashinali o'qitish algoritmlari to'plamidir. Bir nechta taqdimot pog’nalari abstraktsiyaning bir nechta pog’onasini anglatadi (2.12-rasm).
12-rasm.
Chuqur o’qitish asosan neyron tarmoqlari asosida amalga oshiriladi va bunda quriladigan neyron tarmog’i xususiyatlari va o’qitish jarayoni muhim hisoblanadi hamda neyron tarmog’i aniqligini oshirishga xizmat qiladi.
Chuqur o’qtitishda quyidagi mashinani o’qitish usullaridan foydalaniladi:
regressiya - o’qituvchili (supervised) o’qitish usuli hisoblanib, o’qitish natijasida qurilgan model doimiy qiymatlar qabul qiladi
sinflashtirish - o’qituvchili (supervised) o’qitish usuli hisoblanib, o’qitish natijasida qurilgan model biron sinfga tegishli yoki tegishli emaslik haqidagi qiymat qabul qiladi
Mashinani chuqur o'qitish
klasterlash (Segmentlash) - o’qituvchisiz (unsupervised) o’qitish usuli
hisoblanib, o’qitish natijasida model oxshash xususiyatlarni aniqlashga oid qiymatlarni hisoblaydi.
13-rasm. Chuqur o’qtitish.
14-rasm. Chuqur o’qtitish bosqichlari.
Chuqur o’qitishda kuzatiladigan kamchiliklar. Ma’lumotlar nishoni (Data label)ning - ko'pincha zamonaviy AI modellari "nazorat ostida o'rganish“ - o’qituvchili o’qitish orqali o'qitiladi. Bu shuni anglatadiki, odamlar katta hajmdagi va xatolarga olib keladishi mumkin bo'lgan asosiy ma'lumotlarni belgilashi va toifalashlari kerak.
O’qitish uchun katta ma'lumotlar to'plamlari (Obtain huge training datasets) - CNN kabi chuqur o’qitish usullari ba'zi hollarda tibbiyot va boshqa sohalardagi mutaxassislarning bilimlariga mos ishlaydi. Hozirgi vaqtda mashina o'qitish jarayoni nafaqat ma’lumotar aniq bo’lishini, balki yetarlicha keng va universal bo'lgan o'quv ma'lumot to'plamlarini talab qiladi.
Muammoni tushuntirish(Explain a problem) - katta va murakkab modellarni tushuntirish va unig xususiyatlarini aniqlash qiyin hisoblanadi. Bunday holatlarda aniq qarorlarni qabul qilishda xatoliklarga yo’l qo’yilishi mumkin.
