Mashinali o’qitish turlari. Mashinali o’qitish uchun instrumental
vositalari
Reja:
1.
Mashinali o’qitish turlari bilan tanishish.
2.
O’qituvchili va o’qituvchisiz o’qitish algoritmlari.
3.
Mashinali o’qitish uchun kerakli vositalar (Octave/Matlab/Python)
tahlili va imkoniyatlari bilan tanishish.
Mashinali o’qitish- bu AIning kichik to'plami bo'lib, u mashinaga
ma'lumotlardan
avtomatik
ravishda
o'rganish,
o'tgan
tajribalardan
unumdorlikni oshirish va bashorat qilish imkonini beradi . Mashinali o’qitish juda
katta hajmdagi ma'lumotlar ustida ishlaydigan algoritmlar to'plamini o'z ichiga oladi.
Ma'lumotlar ushbu algoritmlarga ularni o'rgatish uchun beriladi va o'qitish asosida ular
modelni yaratadilar va muayyan vazifani bajaradilar.
Ushbu ML algoritmlari turli xil biznes muammolarini hal qilishga yordam beradi,
masalan, regressiya, tasniflash, prognozlash, klasterlash va assotsiatsiyalar va
boshqalar.
O'rganish usullari va usullariga ko'ra, mashinali o’qitish asosan to'rt turga
bo'linadi, ular:
1.
Supervised Mashinali o’qitish
2.
Unsupervised Mashinali o’qitish
3.
Semi-Supervised Mashinali o’qitish
4.
Reinforcement o’qitish
1.
Supervised Mashinali o’qitish
Supervised Mashinali o’qitish nazorat ostidagi mashinali o’qitish nazoratga
asoslangan. Bu nazorat ostidagi o'rganish texnikasida biz "yorliqlangan" ma'lumotlar
to'plamidan foydalangan holda mashinalarni o'rgatamiz va treningga asoslanib,
mashina natijani bashorat qiladi. Bu erda etiketli ma'lumotlar ba'zi kirishlar allaqachon
chiqish bilan taqqoslanganligini bildiradi. Qimmatliroq qilib aytishimiz mumkin;
birinchidan, biz mashinani kirish va mos keladigan chiqish bilan o'rgatamiz, so'ngra
test ma'lumotlar to'plamidan foydalanib, mashinadan chiqishni taxmin qilishni
so'raymiz.
Keling, Supervised Mashinali o’qitishni misol bilan tushunaylik. Aytaylik, bizda
mushuklar va itlar tasvirlarining kirish ma'lumotlar to'plami mavjud. Shunday qilib,
birinchi navbatda, biz mashinaga mushuk va itning dumining shakli va o'lchami, ko'z
shakli, rangi, bo'yi (itlar balandroq, mushuklar kichikroq) va boshqalar kabi tasvirlarni
tushunish uchun o'rgatamiz . Treningni tugatgandan so'ng, biz mushukning rasmini
kiritamiz va mashinadan ob'ektni aniqlashni va natijani bashorat qilishni so'raymiz.
Endi mashina yaxshi oʻqitilgan, shuning uchun u obʼyektning balandligi, shakli, rangi,
koʻzlari, quloqlari, dumi va boshqalar kabi barcha xususiyatlarini tekshiradi va uning
mushuk ekanligini aniqlaydi. Shunday qilib, u uni mushuk toifasiga kiritadi. Supervised
mashinali o’qitish mashinaning ob'ektlarni qanday aniqlash jarayonidir. Supervised
mashinali o’qitish texnikasining asosiy maqsadi kirish o‘zgaruvchisi (x) ni chiqish
o‘zgaruvchisi (y) bilan taqqoslashdan iborat. Supervised Mashinali o’qitishning ba'zi
real dunyo ilovalari xavflarni baholash, firibgarlikni aniqlash, spamni filtrlash va
boshqalar .
Supervised mashinali o’qitish toifalari
Nazorat ostidagi mashinalarni o'rganishni ikkita turdagi muammolarga ajratish
mumkin, ular quyida keltirilgan:
o
Klassifikatsiya
o
Regression
a) Klassifikatsiya
Klassifikatsiya-tasniflash algoritmlari chiqish o'zgaruvchisi kategorik bo'lgan
tasniflash muammolarini hal qilish uchun ishlatiladi, masalan, " Ha" yoki Yo'q, Erkak
yoki Ayol, Qizil yoki Ko'k va boshqalar . Tasniflash algoritmlari ma'lumotlar
to'plamida mavjud bo'lgan toifalarni bashorat qiladi. Tasniflash algoritmlarining ba'zi
haqiqiy misollari spamni aniqlash, elektron pochtani filtrlash va boshqalar.
Ba'zi mashhur tasniflash algoritmlari quyida keltirilgan:
o
Tasodifiy o'rmon algoritmi
o
Qaror daraxti algoritmi
o
Logistik regressiya algoritmi
o
Vektorli mashina algoritmini qo'llab-quvvatlash
b) regressiya
Regressiya algoritmlari kirish va chiqish o'zgaruvchilari o'rtasida chiziqli
bog'liqlik mavjud bo'lgan regressiya muammolarini hal qilish uchun ishlatiladi. Ular
bozor tendentsiyalari, ob-havo bashorati va boshqalar kabi doimiy ishlab chiqarish
o'zgaruvchilarini bashorat qilish uchun ishlatiladi.
Ba'zi mashhur regressiya algoritmlari quyida keltirilgan:
o
Oddiy chiziqli regressiya algoritmi
o
Ko'p o'lchovli regressiya algoritmi
o
Qaror daraxti algoritmi
o
Lasso regressiyasi
Nazorat ostida o'qitishning afzalliklari va kamchiliklari
Afzalliklari:

Nazorat ostidagi o'quv yorliqli ma'lumotlar to'plami bilan ishlaganligi sababli,
biz ob'ektlar sinflari haqida aniq tasavvurga ega bo'lishimiz mumkin.

Ushbu algoritmlar oldingi tajriba asosida natijani bashorat qilishda yordam
beradi.
Kamchiliklari:

Bu algoritmlar murakkab vazifalarni hal qilishga qodir emas.

Agar test ma'lumotlari o'quv ma'lumotlaridan farq qilsa, u noto'g'ri natijani
taxmin qilishi mumkin.

Algoritmni o'rgatish uchun ko'p hisoblash vaqtini talab qiladi.
Nazorat ostidagi ta'limning qo'llanilishi
Nazorat ostidagi taʼlimning baʼzi keng tarqalgan ilovalari quyida keltirilgan:
Tasvir segmentatsiyasi: Tasvir segmentatsiyasida nazorat ostida o'rganish
algoritmlari qo'llaniladi. Ushbu jarayonda tasvirni tasniflash oldindan belgilangan
teglar bilan turli tasvir ma'lumotlarida amalga oshiriladi.
Tibbiy diagnostika: Nazorat qilinadigan algoritmlar tibbiy sohada tashxis
qo'yish uchun ham qo'llaniladi. Bu kasallik holatlari uchun yorliqlar bilan tibbiy
tasvirlar va o'tgan etiketli ma'lumotlardan foydalanish orqali amalga oshiriladi. Bunday
jarayon bilan mashina yangi bemorlar uchun kasallikni aniqlay oladi.
Firibgarlikni aniqlash - Nazorat ostidagi o‘rganish tasniflash algoritmlari
firibgarlik operatsiyalari, firibgarlik mijozlari va boshqalarni aniqlash uchun ishlatiladi.
Bu firibgarlikka olib kelishi mumkin bo‘lgan naqshlarni aniqlash uchun tarixiy
ma’lumotlardan foydalanish orqali amalga oshiriladi.
Spamni aniqlash - Spamni aniqlash va filtrlashda tasniflash algoritmlari
qo'llaniladi. Ushbu algoritmlar elektron pochtani spam yoki spam emas deb tasniflaydi.
Spam xatlar spam jildiga yuboriladi.
Nutqni aniqlash - nazorat ostida o'rganish algoritmlari nutqni aniqlashda ham
qo'llaniladi. Algoritm ovozli ma'lumotlar bilan o'qitiladi va turli xil identifikatsiyalar
xuddi shu yordamida amalga oshirilishi mumkin, masalan, ovozli parollar, ovozli
buyruqlar va boshqalar.
2. Unsupervised Mashinali o’qitish
Unsupervised o’qitish g'ayrioddiy ta'lim texnikasidan farq qiladi; Nomidan
ko'rinib turibdiki, nazoratga ehtiyoj yo'q. Bu shuni anglatadiki, unsupervised Mashinali
o’qitishda mashina yorliqsiz ma'lumotlar to'plamidan foydalangan holda o'qitiladi va
mashina hech qanday nazoratsiz chiqishni bashorat qiladi.
Nazoratsiz o’qitishda modellar tasniflanmagan yoki etiketlanmagan ma'lumotlar
bilan o'qitiladi va model ushbu ma'lumotlarga hech qanday nazoratsiz ishlaydi.
Nazoratsiz
o'rganish
algoritmining
asosiy
maqsadi
saralanmagan
ma'lumotlar to'plamini o'xshashliklari, naqshlari va farqlari bo'yicha guruhlash
yoki toifalarga ajratishdir. Mashinalarga kirish ma'lumotlar to'plamidan yashirin
naqshlarni topish buyuriladi.
Buni qimmatroq tushunish uchun misol keltiramiz; deylik, meva tasvirlari savati
bor va biz uni Mashinali o’qitishmodeliga kiritamiz. Tasvirlar modelga mutlaqo
noma'lum va mashinaning vazifasi ob'ektlarning naqshlari va toifalarini topishdir.
Shunday qilib, endi mashina rang farqi, shakl farqi kabi naqsh va farqlarni topadi
va sinov ma'lumotlar to'plami bilan sinovdan o'tkazilganda chiqishni bashorat qiladi.
Nazoratsiz mashinalarni o'rganish toifalari
Nazoratsiz ta'lim yana ikki turga bo'linishi mumkin, ular quyida keltirilgan:
o
Klasterlash
o
Uyushma
1) Klasterlash
Klasterlash usuli biz ma'lumotlardan o'ziga xos guruhlarni topmoqchi
bo'lganimizda qo'llaniladi. Bu ob'ektlarni klasterga guruhlash usuli bo'lib, eng ko'p
o'xshash narsalar bitta guruhda qoladi va boshqa guruhlar ob'ektlari bilan kamroq yoki
umuman o'xshashlikka ega bo'lmaydi. Klasterlash algoritmiga misol qilib, xaridorlarni
xarid qilish xatti-harakatlari bo'yicha guruhlash mumkin.
Ba'zi mashhur klasterlash algoritmlari quyida keltirilgan:
o
K-Means Klasterlash algoritmi
o
O'rtacha siljish algoritmi
o
DBSCAN algoritmi
o
Asosiy komponentlar tahlili
o
Komponentlarni mustaqil tahlil qilish
2) Uyushma
Assotsiatsiya qoidalarini o'rganish - bu katta ma'lumotlar to'plamidagi
o'zgaruvchilar o'rtasidagi qiziqarli munosabatlarni topadigan nazoratsiz o'rganish usuli.
Ushbu o'rganish algoritmining asosiy maqsadi bitta ma'lumot elementining boshqa
ma'lumotlar elementiga bog'liqligini topish va maksimal foyda keltirishi uchun ushbu
o'zgaruvchilarni mos ravishda xaritalashdir. Ushbu algoritm asosan bozor savatini
tahlil qilish, Internetdan foydalanishni qazib olish, uzluksiz ishlab chiqarish va
hokazolarda qo'llaniladi.
Assotsiatsiya qoidalarini o'rganishning ba'zi mashhur algoritmlari: Apriori
algoritmi, Eclat, FP-o'sish algoritmi.
Nazoratsiz o'qitish algoritmining afzalliklari va kamchiliklari
Afzalliklari:

Ushbu algoritmlar nazorat qilinadiganlarga nisbatan murakkab vazifalar uchun
ishlatilishi mumkin, chunki bu algoritmlar etiketlanmagan ma'lumotlar
to'plamida ishlaydi.

Nazorat qilinmagan algoritmlar turli vazifalar uchun afzalroqdir, chunki
etiketlanmagan ma'lumotlar to'plamini olish etiketli ma'lumotlar to'plamiga
qaraganda osonroq.
Kamchiliklari:

Nazorat qilinmagan algoritmning chiqishi aniqroq bo'lishi mumkin, chunki
ma'lumotlar to'plami yorliqlanmagan va algoritmlar oldingi aniq chiqish bilan
o'rganilmagan.

Nazorat qilinmagan ta'lim bilan ishlash qiyinroq, chunki u chiqish bilan
taqqoslanmaydigan yorliqsiz ma'lumotlar to'plami bilan ishlaydi.

Nazoratsiz ta'limning qo'llanilishi
Tarmoq tahlili: Nazoratsiz o'rganish ilmiy maqolalar uchun matn ma'lumotlarini
hujjat tarmog'ini tahlil qilishda plagiat va mualliflik huquqini aniqlash uchun ishlatiladi.
Tavsiya tizimlari: Tavsiya qilish tizimlari turli veb-ilovalar va elektron tijorat
veb-saytlari uchun tavsiya ilovalarini yaratish uchun nazoratsiz o'rganish usullaridan
keng foydalanadi.
Anomaliyalarni aniqlash: Anomaliyalarni aniqlash - bu nazoratsiz o'rganishning
mashhur ilovasi bo'lib, u ma'lumotlar to'plamidagi noodatiy ma'lumotlar nuqtalarini
aniqlay oladi. U firibgarlik operatsiyalarini aniqlash uchun ishlatiladi.
Singular Value Decomposition: Singular Value Decomposition yoki SVD
ma'lumotlar bazasidan ma'lum ma'lumotlarni olish uchun ishlatiladi. Masalan, ma'lum
bir joyda joylashgan har bir foydalanuvchining ma'lumotlarini olish.
3. Yarim nazorat ostida o‘qitish
Yarim nazorat ostida o'rganish - bu Mashinali o’qitishalgoritmining bir turi
bo'lib, u nazorat ostidagi va nazoratsiz mashinalarni o'rganish o'rtasida
joylashgan . U Nazorat qilinadigan (yorliqli oʻquv maʼlumotlari bilan) va Nazorat
qilinmagan oʻrganish (yorliqlangan oʻquv maʼlumotlarisiz) algoritmlari oʻrtasidagi
oraliq asosni ifodalaydi va oʻquv davrida yorliqli va yorliqsiz maʼlumotlar
toʻplamlarining kombinatsiyasidan foydalanadi.
Yarim nazorat ostidagi ta'lim nazorat ostidagi va nazoratsiz ta'lim o'rtasidagi o'rta
asos bo'lib, bir nechta yorliqlardan iborat ma'lumotlarga asoslangan bo'lsa-da, u asosan
yorliqsiz ma'lumotlardan iborat. Yorliqlar qimmat bo'lgani uchun, lekin korporativ
maqsadlarda ular bir nechta teglarga ega bo'lishi mumkin. Bu nazorat ostidagi va
nazoratsiz ta'limdan butunlay farq qiladi, chunki ular yorliqlarning mavjudligi va
yo'qligiga asoslanadi.
Nazorat
ostidagi
ta'lim
va
nazoratsiz
ta'lim
algoritmlarining
kamchiliklarini bartaraf etish uchun Yarim nazorat ostida o'qitish tushunchasi
kiritildi . Yarim nazorat ostida o'qitishning asosiy maqsadi nazorat ostidagi ta'limdagi
kabi etiketli ma'lumotlardan ko'ra, barcha mavjud ma'lumotlardan samarali
foydalanishdir. Dastlab, shunga o'xshash ma'lumotlar nazoratsiz o'rganish algoritmi
bilan birga klasterlanadi va keyinchalik etiketlanmagan ma'lumotlarni etiketli
ma'lumotlarga yorliqlashga yordam beradi. Buning sababi, etiketlangan ma'lumotlar
yorliqsiz ma'lumotlarga qaraganda nisbatan qimmatroq sotib olishdir.
Biz bu algoritmlarni misol bilan tasavvur qilishimiz mumkin. Nazorat ostidagi
ta'lim - bu talabaning uyda va kollejda o'qituvchi nazorati ostida bo'lishi. Bundan
tashqari, agar talaba o'qituvchining yordamisiz xuddi shu kontseptsiyani o'z-o'zidan
tahlil qilsa, u nazoratsiz o'rganiladi. Yarim nazorat ostida o'qitishda talaba kollejda
o'qituvchi rahbarligida xuddi shu kontseptsiyani tahlil qilgandan so'ng o'zini qayta
ko'rib chiqishi kerak.
Yarim nazorat ostida o'qitishning afzalliklari va kamchiliklari
Afzalliklari:

Algoritmni tushunish oson va sodda.

Bu yuqori samarali.

U nazorat ostida va nazoratsiz o'rganish algoritmlarining kamchiliklarini hal
qilish uchun ishlatiladi.
Kamchiliklari:

Takrorlash natijalari barqaror bo'lmasligi mumkin.

Biz ushbu algoritmlarni tarmoq darajasidagi ma'lumotlarga qo'llay olmaymiz.

Aniqlik past.
4. O‘qitishni mustahkamlash
O'qitishni kuchaytirish fikr-mulohazalarga asoslangan jarayonda ishlaydi,
bunda AI agenti (dasturiy ta'minot komponenti) urish va kuzatish, harakat qilish,
tajribadan o'rganish va ish faoliyatini yaxshilash orqali uning atrofini avtomatik
ravishda o'rganadi. Agent har bir yaxshi ish uchun mukofot oladi va har bir yomon
ish uchun jazo oladi; shuning uchun mustahkamlovchi o'quv agentining maqsadi
mukofotlarni maksimal darajada oshirishdir.
Mustahkamlovchi ta'limda nazorat ostidagi ta'lim kabi yorliqli ma'lumotlar yo'q
va agentlar faqat ularning tajribalaridan o'rganadilar.
Mustahkamlash o'quv jarayoni insonga o'xshaydi; masalan, bola kundalik
hayotidagi tajribalar orqali turli narsalarni o'rganadi. Mustahkamlovchi o'rganishga
misol sifatida o'yin o'ynashni keltirish mumkin, bunda O'yin muhit bo'lib, agentning
har bir qadamdagi harakatlari holatlarni belgilaydi va agentning maqsadi yuqori ball
olishdir. Agent jazo va mukofotlar bo'yicha fikr-mulohazalarni oladi.
Ishlash usuli tufayli mustahkamlash o'rganish turli sohalarda qo'llaniladi: O'yin
nazariyasi, Operatsion tadqiqotlar, Axborot nazariyasi, ko'p agentli tizimlar.
Markov Decision Process (MDP) yordamida rasmiylashtirilishi mumkin .
MDPda agent doimiy ravishda atrof-muhit bilan o'zaro ta'sir qiladi va harakatlarni
amalga oshiradi; Har bir harakatda atrof-muhit javob beradi va yangi holatni yaratadi.
Mustahkamlovchi ta’limning toifalari
Mustahkamlovchi ta'lim asosan ikki turdagi usullar/algoritmlarga bo'linadi:
Ijobiy mustahkamlashni o'rganish: Ijobiy mustahkamlashni o'rganish biror
narsa qo'shish orqali kerakli xatti-harakatlarning yana paydo bo'lishi tendentsiyasini
oshiradi. Bu agentning xatti-harakatlarining kuchini oshiradi va unga ijobiy ta'sir qiladi.
Salbiy mustahkamlashni o'rganish: Salbiy mustahkamlashni o'rganish ijobiy
RL ga to'liq qarama-qarshi ishlaydi. Salbiy holatdan qochish orqali o'ziga xos xattiharakatlarning yana paydo bo'lishi tendentsiyasini oshiradi.
Ta'limni mustahkamlashning real hayotiy holatlari
Video o'yinlar: RL algoritmlari o'yin ilovalarida juda mashhur. U super-insoniy
ishlashga erishish uchun ishlatiladi. RL algoritmlarini ishlatadigan ba'zi mashhur
o'yinlar AlphaGO va AlphaGO Zero hisoblanadi .
Resurslarni boshqarish: "Resurslarni chuqur o'rganish bilan resurslarni
boshqarish" maqolasi o'rtacha ish sekinlashuvini minimallashtirish uchun turli ishlarni
kutish uchun resurslarni avtomatik o'rganish va rejalashtirish uchun kompyuterda RL
dan qanday foydalanishni ko'rsatdi.
Robototexnika: RL robototexnika dasturlarida keng qo'llaniladi. Robotlar
sanoat va ishlab chiqarish sohasida qo'llaniladi va bu robotlar mustahkamlangan
o'rganish bilan yanada kuchliroq bo'ladi. AI va Mashinali o’qitishtexnologiyalaridan
foydalangan holda aqlli robotlarni yaratish bo'yicha o'z qarashlariga ega bo'lgan turli
sohalar mavjud.
Text Mining: NLP ning ajoyib ilovalaridan biri bo'lgan matnni qazib olish
hozirda Salesforce kompaniyasi tomonidan Reinforcement Learning yordamida amalga
oshirilmoqda.
Mustahkamlash ta’limining afzalliklari va kamchiliklari
Afzalliklar

Bu umumiy usullar bilan hal qilish qiyin bo'lgan murakkab real muammolarni
hal qilishda yordam beradi.

RL ning o'rganish modeli insonni o'rganishga o'xshaydi; shuning uchun eng aniq
natijalarni topish mumkin.

Uzoq muddatli natijalarga erishishga yordam beradi.
Kamchiliklar

RL algoritmlari oddiy masalalar uchun afzal emas.

RL algoritmlari katta ma'lumotlar va hisob-kitoblarni talab qiladi.

Haddan tashqari mustahkamlashni o'rganish natijalarni zaiflashtirishi mumkin
bo'lgan holatlarning haddan tashqari yuklanishiga olib kelishi mumkin.

O'lchovlilikning la'nati haqiqiy jismoniy tizimlar uchun mustahkamlashni
o'rganishni cheklaydi.
Mashinali oqitish (MO) uchun kerakli instrumental vositalar (Octave/
Matlab/Python/) tahlili va imkoniyatlari bilan tanishish
Mashinani o’qitish (MO’)
uchun
asosiy instrumenta vositalar, bu
Python
MatLab
–
R
dasturiy muhitlari hisoblanadi.
MatLab
,
Python
va
R
dasturiy muhitlari
matematika va statistika asoslarini o'qitishda
samarali
ish
latiladi
.
Bu
dasturiy
muhitlar
ma
l
umotlarga asoslangan muhitda
gi
katta
hajmli
ma'lumotlarni
statistik
tahlillar orqali o'rganish
da,
ayniqsa qaror qabul qilish
da juda qulay hisoblanadi.
Python.
Python
dasturlash tilining bitta turi.
Python
ma’lumotlarga boy
muhitda kir
uvchi ma’lumotlar
statistikasini
tahlil qilishni
o'qitish uchun júda
qulay
dir.
Bu dasturlash tilida eng keng tarqalgan dastur bu C (CPython
deb
nomlanadi). Python faqatgina dasturlash tili
bo’libgina qolmasdan,
balki u katta
s
tandart kutubxona
lar
dan iborat. Bu kutubxona
lar
umumiy dasturlashga e'tibor
berish uchun tuzilgan va
operatsion sistema (
OS
)
uchun maxsus, ish yuritish, tarmoq
va matumotlar omborlari uchun modullarni qamrab ol
gan
.
MatLab.
MatLab
dan matematik hisoblashlar
va statistik
tahlil qilish
kabi
masalalarni echishda
foydalanish mumkin. Katta
hajmli
ma’lumotlar bilan aloqador
qarorlarni qabul qilish uchun
Python
va
R
dan foydalanish
samarali hisoblanadi.
MatLab nafaqat tijorat raqamli hisoblash muhiti, balki dasturla
sh tili sifatidada
ham
yuqori baholanadi. MatLab
ham
standart kutubxona
lar
ga ega, biroq uning
ishlatilishida matri
tsali
algebra va ma'lumotlar
ga
ishlov berish va chizish uchun
katta tarmoq
mavjud
. Shu bilan birga, u ilg'or o'quvchi uchun vositalar
majmuini
qamrab ol
gan
, lekin bu foydalanuvchiga qo'shimcha xarajatlarni keltirib
chiqaradi.
R
dasturi.
R
bu statistik tahlillar va grafikalarni chiqarish uchun
mo’ljallangan dasturiy ta'minot
hisoblanadi
.
R
avvaldan paketlangan, avvaldan
dasturlashtırılgan statistik tahlil sharoitida belgil
ar asosida
qarorlar qabul qilishi
mumkin bo'lgan ko'plab moslashtirilgan dasturlar
ga ega.
R
bepul, shaffof manbali
statistik dastur
dur.
Yangi Zelandiyadagi Oklend Univer
sitetining hamkasblari
Robert Gentleman va Ross Ihaka 1993 yilda dasturiy ta'minotnı
yaratdi, sababi ular
o'zlarining
sinflash masalalari
uchun yaxshi dasturiy ta'minot muhitiga ehtiyoj sezdi.
GNU Octave
bu MATLAB bilan mos keladigan yuqori darajadagi ti
lni
ishlatadigan bepul matematik hisoblash tizimi. Bu chiziqli va
chiziqli bo'lmagan
matematik masalalarni echish hamda boshqa raqamli
tajribalarni bajarish uchun
interaktiv buyruq interfeysini taqdim etadi. Bundan tashqari,
Oktav partiyani qayta
ishlash u
chun ishlatilishi mumkin.
Oktav
tili haqiqiy va murakkab skalar va matritsalar arifmetikasi
bilan
ishlaydi, chiziqli algebraik masalalarni echish, chiziqli
bo'lmagan algebraik
tenglamalar tizimining ildizlarini topish, polinomlar bilan
ishlash, har xil
dif
ferentsial tenglamalarni echish, differentsial va differentsialalgebraik tizimlarni birlashtirish uchun kengaytmalarga ega.
funktsiyalarni cheklangan va cheksiz intervallarga birlashtirgan
birinchi darajadagi tenglamalar. Ushbu ro'yxat Oktav tili
yordamid
a osonlikcha kengaytirilishi mumkin (yoki C, C ++, Fortran va
boshqalarda
yaratilgan dinamik ravishda yuklanadigan modullar yordamida).
GNU Octave - bu MATLAB bilan mos keladigan yuqori darajadagi tilni
ishlatadigan bepul matematik hisoblash tizimi. Bu chiziqli va chiziqli bo'lmagan
matematik masalalarni echish hamda boshqa raqamli tajribalarni bajarish uchun
interaktiv buyruq interfeysini taqdim etadi. Bundan tashqari, Oktav partiyani qayta
ishlash uchun ishlatilishi mumkin. Oktav tili haqiqiy va murakkab skalar va matritsalar
arifmetikasi bilan ishlaydi, chiziqli algebraik masalalarni echish, chiziqli bo'lmagan
algebraik tenglamalar tizimining ildizlarini topish, polinomlar bilan ishlash, har xil
differentsial tenglamalarni echish, differentsial va differentsial-algebraik tizimlarni
birlashtirish uchun kengaytmalarga ega. funktsiyalarni cheklangan va cheksiz
intervallarga birlashtirgan birinchi darajadagi tenglamalar. Ushbu ro'yxat Oktav tili
yordamida osonlikcha kengaytirilishi mumkin (yoki C, C ++, Fortran va boshqalarda
yaratilgan dinamik ravishda yuklanadigan modullar yordamida).
Oktav MATLAB muvofiqligini hisobga olgan holda yozilgan va uning ko'plab
xususiyatlarini amalga oshiradi:
 Matritsalar ma'lumotlarning asosiy turlari sifatida;
 Kompleks raqamlar uchun o'rnatilgan qo'llab-quvvatlash;
 Kuchli o'rnatilgan matematik funktsiyalar va katta funktsiyalar kutubxonalari;
 Kengaytirilganlik, maxsus funktsiyalarni yaratish qobiliyati tufayli.
 Ammo farqlar ham mavjud: Sharhlar # va% bilan boshlanishi mumkin;
 C kabi operatorlar ++, -, + =, * =, / = qo'llab-quvvatlanadi;
 Elementlarga yangi o'zgaruvchini yaratmasdan murojaat qilish mumkin, masalan
[1:10];
 Qatorlar "" "va" "" belgilar bilan belgilanishi mumkin.
Python hozirda eng keng qo'llaniladigan dasturlash tillaridan biridir. Uning
afzalliklaridan biri bu turli xil vazifalarni hal qiladigan ko'plab to'plamlardir. Ushbu
o'quv qo'llanma uchun biz ma'lumotlarni o'qish, saqlash va qayta ishlashni ancha
osonlashtiradigan Pandas, NumPy va SciPy kutubxonalaridan foydalanishni tavsiya
etamiz. Shuningdek, sizga ko'plab mashinalarni o'rganish algoritmlarini amalga
oshiradigan Scikit-Learn to'plami taqdim etiladi.
Shuni ta'kidlash kerakki, Pythondagi asosiy farqlar:

Satr oxirida izlarning yo'qligi (nuqta, vergul va hk), bu yozishni chiziqli
konstruksiyalarni juda "yoqimli" va tezkor qiladi (va ko'pgina kompyuter dasturlari hali
ham chiziqli matematik, ammo murakkab ko'p darajali tizimlar emas).

Bo'shashmasdan terish. O'zgaruvchini e'lon qilishda ma'lumotlar turini
e'lon qilishning hojati yo'q, bu yana modelni yaratish jarayonini tezlashtiradi.

Python talqin qilingan, o'zaro faoliyat platforma va yaxshi disk
raskadrovka vositalariga ega.

Ilovalarni ishlab chiqish uchun bizga quyidagilar kerak:

Til, kod ishlab chiqish muhiti (IDE) va ishlash vaqti. Bizning
holatlarimizda bu Anaconda va PyCharm.

Asosiy kutubxonalar to'plami: Scikit-learn, Numpy, Pandas, Matplotlib,
Theano, Keras.

Muhim nuqta shundaki, asl holatida ishlash uchun barcha komponentlar
Windows tizimiga xos emas, shuning uchun ushbu ko'rsatmalar birinchi navbatda
Windows foydalanuvchilari uchun amal qiladi.