~Mashinali o'qitish va uni qo'llanilish sohalari "Mashinali o'kitysh bu kompyuter odamlarni o'rganishga harakat qilish va vaqt o'tishi bilan o'z bilimlarini mustakil ravnaq topishi, real duneda kuzatuvlar va o'zaro ta'sirlar ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti. ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar va eti ma'lumotlar" Machinada o'qitish (ML) - bu suny intellect nazariyasining bir bwlimi, computer suny intellect yordamida hal qilish zharayoni va usullarini izlashdan iborat. Machinada o'qitish (ML) - bu berilganlar va chikish ma'lumotlariga asosan computerdaa dastur uchun tayinlangan bo'lib, u an'anaviy dasturda foydalanilishi mumkin. Mashinali o'qitish orkali komputerlar milliy photosuratlar va chizmalardagi yuzlarni, beams landscapelar, objectlar, matn va raqamlarni hom tanib olishga Hrgandilar. Matn haqida gap ketganda, computerda o'rganish hom muhim narsa ega: grammar yetarli funktsiyasi andi har qanday matn muxarrida va xattoki telefonlarda mavzhud. Bundan tashqari, tabiiy suzlarning imlosi, beams context, mano soyalari va boshka nozik linguist zhihatlar hham hisobga mahsulot. Bundan tashqari, inson aralashuvisiz (iqtisodiy va muammosi, sport ofda mavzusi) yangiliklar makolalarini olish mumkin bulgan dastury ta'minot mavjud. ~Chuqur o'qitish va uni katta malumotlarni qayta ishlashdagi o'rni Chuqur o'rganish (Deep learning)ML texnikasi sinfiga tegishli bo'lib, bu erda ierarxik arxitekturada ma'lumotlarni qayta ishlash bosqichlarining ko'p qatlamlari nazoratsiz xususiyatlarni o'rganish va naqsh tasnifi uchun ishlatiladi. U neyron tarmog'i, grafik modellashtirish, optimallashtirish, naqshni aniqlash va signalni qayta ishlashning tadqiqot yo'nalishlari orasidagi kesishmalarda joylashgan.Deep learning(chuqur o'qitish) - yanada murakkab va yanada mustaqil bo'lgan o'zi o'qidigan dasturlar yaratadigan mashinali o'qitish turi. Oddiy mashinali o'qitish hollarida boshqariladigan malaka yordamida kompyuter bilimlarni aniqlab oladi: dasturchi algoritmga ma'lum misollarni ko'rsatadi, xatolarni qo'lda to'g'rilaydi. Deep learningda esa, tizim o'zi o'z funksiyalarini loyihalaydi, ko'p darajali hisob-kitoblar amalga oshiradi va atrofmuhit haqida xulosalar qiladi. Odatda chuqur o'qitishni neyron tarmoqlarga tadbiq qilishadi. Bu texnologiya asosan rasmlarni qayta ishlashda, nutqni tanishda, neyromashina tarjima, farmatsevtikadagi hisoblashlarda va boshqa zamonaviy texnologiyalarda qo'llaniladi. Asosan Google, facebook va Baidu tomonidan loyihalarga tadbir qilinadi. Chuqur o'rganish algoritmlari video ma'lumotlarini teglash kabi qiyin vazifalarni bajaradi. Bu video ma'lumotlarning katta oqimlarida asosiy sahnalarni topish jarayoni. Chuqur o'rganish ilovalari mustaqil tahlil orqali ma'lumotlar bilan bog'liq muhim xususiyatlarni o'rganadi. Tasvir va video ma'lumotlari tez tarqaladi, shuning uchun asosiy tasvirlar va sahnalarni tezda tanlash qobiliyati foydalidir. ~Sinflarga ajratish masalasi va uni uchun o'qitish algortmlari Sinflarga ajratish masalasi mashinali oʻqitishda supervizor oʻqitishning bir turi boʻlib, maqsad sinflarga ajratish uchun koʻplab algoritmalarni oʻrganish va ularga oʻqitish umumiy hisoblanadi. Quyidagi sinflash algoritmlari bir nechta odatda qo'llaniladigan sinflash masalalarini hal qilishda yordam beradi. K-NN (Koʻp Kichik Kompaniyalar): K-NN, har bir sinfni koʻrib, eng yaqin xuddi shu sinfga tegishli ma'lumotlarni koʻradi va xuddi shu sinfni qoʻyadi. Misol uchun, K-NN algoritmi rasmni sinflarga ajratishda koʻplab qo'llaniladi. Naive Bayes: Bu algoritm xuddi shu nomdan koʻrinadi - "Nuqtaviy Bayes". Ushbu algoritm sinflarga ajratish uchun bir nechta masalalarda qoʻllaniladi va bayes teoremasini qo'llab-quvvatlaydi. Decision Trees: Bu algoritm maqsad sinfni aniqlash uchun boʻlimlashlar yaratadi. Yozuvli oʻqitish modeli bilan foydalanib, bu algoritm maqsad sinfni aniqlashning oson boʻlgan yollaridan biri hisoblanadi. Logistic Regression: Bu algoritm koʻplab sinflash masalalariga yordam beradi. Shuningdek, undan mahsulotlar xarid qilish, yaxshi-axirlik qilish va boshqa koʻplab masalalar uchun foydalaniladi. Support Vector Machines (SVM): Bu algoritm sinfni aniqlash uchun ikki sinfga boʻlgan masofani maksimal qilish uchun yordam beradi. Bu algoritm koʻplab sinflash masalalarini hal qilishda foydalaniladi. ~O'qituvchi yordamida o'qitish- O‘qituvchi yordamida o‘qitish (Supervised learning) - Bu ma’lumotlarni tasniflash yoki natijalarni aniq bashorat qilish uchun algoritmlarni o‘rgatish uchun etiketli ma’lumotlar to‘plami hisoblanadi. Kirish ma’lumotlari modelga kiritilganligi sababli, model mos ravishda o‘qitgunga qadar uning vaznlarini moslashtiradi va bu o‘zaro tekshirish jarayonining bir qismi sifatida sodir bo‘ladi. Bu o‘qitish asosan spamni elektron pochtalarda alohida papkada tasniflash kabi turli xil real muammolarni hal qilishda yordam beradi. Bu o‘qitish ma’lumotlarni saralab olishda ikkita masala turiga ajratish mumkin - tasniflash va regressiya. Har bir foydalanish uchun “vaziyat, kerakli yechim” juftligi belgilanadi. *xatolarni tuzatish usuli. *backpropagation usuli. ~O'qituvchisiz o'qitish- bu mashinani o'rganish texnikasi, bu erda siz modelni nazorat qilishingiz shart emas. Buning o'rniga, siz ma'lumotni topish uchun modelga o'z-o'zidan ishlashiga ruxsat berishingiz kerak. Bu asosan noma'lum ma'lumotlar bilan shug'ullanadi.O’qituvchili o’qitish algoritmlari O’qituvchisiz o’qitishga nisbatan murakkabroq ishlov berish vazifalarini bajarishga imkon beradi. Shu bilan bir qatorda, O’qituvchisiz o’qitish boshqa tabiiy o'rganish, chuqur o'rganish va mustahkamlashni o'rganish usullari bilan taqqoslaganda oldindan aytib bo'lmaydigan natijalarga ham ega. ~Mustaxkamlangan o'qitish Mashinali o'qitishda mustahkamlangan o'qitish (inglizcha: "reinforcement learning") - bu ma'lumotlarni o'rganish uchun bir necha narsalardan iborat bo'lgan o'qitish usuli. Bu usul, bir nechta muammolarni hal qilish uchun eng yaxshi yo'nalishni topishga harakat qiladi. Mustahkamlangan o'qitish, hali hal qilinmagan muammolar yechishda, masalan, robot boshqaruvini o'rganishda, o'yinlarni o'rganishda va boshqa ko'plab sohalarda qo'llaniladi. Mustahkamlangan o'qitishning asosiy tarkibi - bu "agent" (agentlik) va "environment" (muhit) hisoblanadi. Agentlik, qarorlar va harakatlar qabul qiladigan tizimni ifodalaydi, muhit esa agentlik faoliyatini o'z ichiga olgan muhitni anglatadi. Agentlik, muhit bilan aloqada bo'lish uchun "reward" (mukofot) oladi, masalan, muhitning bitta qismi ustida ishlarining javobgarligi uchun yaxshi natija oladi, yoki shunchaki yaxshi natija uchun mukofot olish uchun harakatlar amalga oshiradi.Mustahkamlangan o'qitish, ko'plab qo'llanishlari bor, masalan, "Q-learning", "SARSA" va "Deep Q-network" (DQN). Bu qo'llanishlar, mustahkamlangan o'qitish usulini bajarish uchun qo'llaniladigan algoritmlardir.Mustahkamlangan o'qitish, mashinali o'qitish sohasidagi eng qiziqarli va qiziqchi o'qitish usullaridan biridir, chunki bu usul yordamida mashinalar muhit bilan aloqada bo'lish, muhitni o'rganish va eng yaxshi natijaga erishishni o'rganishadi. ~Regresiiya masalasi Mashinali o'qitishda regressiya masalalari ko'p talablarga ega bo'lgan bir qisim masalalardan biridir. Mashinali o'qitish modellari, regressiya masalalarini hal qilish uchun odatda turli algoritmlarni ishlatadi. Mashinali o'qitishda regressiya masalalari, xususan, ma'lumotlar yig'indisining tarqatilishi, ma'lumotlar tahlili va tasvirlovchi modellar yaratishda keng ishlatiladi. Regression modellari, ma'lumotlar tahlilining o'rtasidagi aloqni aniqlash uchun o'zaro taqqoslanishni osonlashtirish uchun kerakli ko'rsatuvlarni yaxshi aniqlashni talab qiladi.Mashinali o'qitish algoritmida regressiya modellari, o'qitish ma'lumotlarini va kiritilayotgan natijalarni aniqlash uchun birinchi harakatda kerakli parametrlarni aniqlashga harakat qiladi. Bu modellar, odatda Gradient Descent, Stochastic Gradient Descent, Regularization, Ridge Regression va Lasso Regression kabi algoritmlarni ishlatadi.Regression modellari mashinali o'qitishda ko'plab sohalarda qo'llaniladi, masalan, sanoat, iqtisod, tibbiyot va boshqa sohalarda. Ushbu modellar, qadimgi statistik metodlari va keng tashkil qilingan qo'shimcha modellar bilan birgalikda ishlatiladi, va ularga aloqador natijalar olish uchun kerakli parametrlar beriladi. ~Chiziqli regressiya Chiziqli regressiya amhaqiqiy qiymatlarni aniqlash uchun foydalaniladigan keng tarqalgan model, masalan: uylarning narxi, qo'ng'iroqlar soni, jami savdo boshiga, va doimiy o'zgaruvchilar mezoniga mos keladi: kvadrat metr, joriy hisob qaydnomasiga obuna bo'lish, shaxsni tarbiyalash Chiziqli regressiyada mustaqil o'zgaruvchilar va bog'liq bo'lgan o'zgaruvchilar o'rtasidagi munosabatlar odatda ikkita o'zgaruvchilar o'rtasidagi munosabatni bildiradigan chiziq orqali amalga oshiriladi. Mos keladigan chiziq regressiya chizig'i deb nomlanadi va Y = a * X + b tipidagi chiziqli tenglama bilan ifodalanadi. Formul ikki yoki undan ko'p xarakteristikalarni bir-biri bilan bog'lash uchun interpolating ma'lumotlarga asoslanadi. Algoritmga kirish xarakteristikasini berganingizda, regress boshqa xarakteristikani qaytaradi.Agar bir nechta mustaqil o'zgaruvchiga ega bo'lsak, unda quyidagicha modelni olsak, ko'p chiziqli regressiya haqida gaplashamiz: y=b0 + b1x1 + b2x2 +… + Bnxn y - qiymatlarga javob, ya'ni u model tomonidan taxmin qilingan natijani anglatadi; b0 kesishish, bu x ning y bo'lgan qiymatii ularning barchasi 0 ga teng; birinchi belgi b1 x koeffitsienti1; yana bir xususiyat bn x koeffitsientin; x1,x2,…, Xn modelning mustaqil o'zgaruvchilari. Asosan tenglama doimiy bog'liq o'zgaruvchi (y) va ikki yoki undan ko'p mustaqil o'zgaruvchilar (x1, x2, x3 ...) o'rtasidagi munosabatni tushuntiradi. ~Polinomial regressiya Polinomial regressiya, ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi o'zaro bog'lanishni aniqlash uchun ishlatiladigan mashinali o'qitish algoritmidir. Bu algoritm, chiziqli regressiya modelidan farqli ravishda, ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi o'zaro bog'lanishni linearning o'rniga, polinomial (kuchli oqimli) o'zgaruvchilar o'rtasidagi o'zaro bog'lanishni aniqlashda ishlatiladi. Polinomial regressiya modellari, ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi polinomial o'zaro bog'lanishni aniqlash uchun kerakli parametrlarni aniqlaydi. Bu modellar, chiziqli regressiya modellari kabi, ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi o'zaro bog'lanishni aniqlash uchun mos keladi. Polinomial regressiya modeli, natijalar o'rtasidagi o'zgaruvchilar o'rtasidagi polinomial o'zaro bog'lanishni aniqlaydi. Model, o'zgaruvchilarning natijalarga o'tishini hisoblashda yordam beradi va hujjatlar tafsilotli tahlil qilinishi uchun mos keladi. Polinomial regressiya modellari, ma'lumotlarni ko'rib chiqish, tahlil va natijalarni tushuntirish uchun ko'plab tahlil usullaridan foydalanadi. Mashinali o'qitishda polinomial regressiya modelini o'rganish uchun, o'qitish datalari (ma'lumotlar yig'indisi) yaratiladi va model tayyorlanadi. Ma'lumotlar yig'indisidagi o'zgaruvchilar va natijalar o'rtasidagi polinomial o'zaro bog'lanishni aniqlash uchun, polinomial regressiya modeli, ma'lumotlarni taqqoslovchi hisoblash uchun kerakli parametrlarni aniqlaydi. ~Mashinali o'qitish uchun instrumental vositalar Mashinali oqitish (MO) uchun kerakli instrumental vositalar (Octave/ Matlab/Python/) tahlili va imkoniyatlari bilan tanishish 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). ~Chuqur o'qitish Chuqur o'rganish (Deep learning)ML texnikasi sinfiga tegishli bo'lib, bu erda ierarxik arxitekturada ma'lumotlarni qayta ishlash bosqichlarining ko'p qatlamlari nazoratsiz xususiyatlarni o'rganish va naqsh tasnifi uchun ishlatiladi. U neyron tarmog'i, grafik modellashtirish, optimallashtirish, naqshni aniqlash va signalni qayta ishlashning tadqiqot yo'nalishlari orasidagi kesishmalarda joylashgan. ~mashinali o'qitish Machinada o'qitish (ML) - bu suny intellect nazariyasining bir bwlimi, computer suny intellect yordamida hal qilish zharayoni va usullarini izlashdan iborat. Machinada o'qitish (ML) - bu berilganlar va chikish ma'lumotlariga asosan computerdaa dastur uchun tayinlangan bo'lib, u an'anaviy dasturda foydalanilishi mumkin ~Python 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 ScikitLearn to'plami taqdim etiladi. ~Java Mashinani o'rganish uchun dasturlash tili. Java qati’y va statik tipizatsiyaga ega boʻlgan va obyektga yoʻnaltirilgan umumiy maqsaddagi dasturlash tilidir. Java kod yozilgan fayllar (*.java bilan nihoyalanuvchi) kompilatsiyadan keyin bayt kod (inglizcha: bytecode) ga oʻtadi va bu bayt kod Java Virtual Mashinasi JVM tomonidan oʻqib yurgizdiriladi. Java-da mashina o'rganish kutubxonalari: Weka, Apache Mahout, Deepplearning4j, Mallet, Spark Mllib, Encog Machine Learning Framework, MOA ~Sensor Datchik (ruscha), birlamchi oʻzgartirgich — oʻlchanayotgan fizik kattalik (bosim, temperatura, elektr kuchlanish, siljish va b.)ni uzatish, unga ishlov berish va qayd qilish uchun signal (odatda, elektr signal)ga aylantirib beradigan vosita. Oʻlchash, signal yoki rostlash qurilmalari tizimining muhim qismi; sezgir elementi tekshirilayotgan miqdorlar (bosim, temperatura, tezlik, yorugʻlik kuchi, elektr toki, kuchlanish va b.) taʼsirini sezadi. Ma’lumotlar to’plami(data set). Bu o’qish uchun kerak bo’ladigan ma’lumotlar to’plamidir. Malumotlar to’plami ma’lumotlar bazasi jadvalining yoki bitta statistik ma’lumotlar matritsasining qiymatlari hisoblanadi. Bunda jadvalning har bir ustuni ma’lum o’zgaruvchi yoki parametr qiymatini ifodalaydi, har bir satir esa berilgan porometrlar asosida obyekt qiymatiga to’g’ri keladi ~O'qitiliuvchi tanlanma-O'qitiluvchi tanlanma, kompyuterli matematik modellar yordamida o'qituvchini tanlash usuli hisoblanadi. Bu usul o'qituvchini tanlashda o'quvchilarning ma'lumotlaridan foydalanadi va o'qituvchining o'ziga xos talablari bilan mos keladigan o'quvchi profili yaratadi. ~Testlanuvchi tanlanma-Testlanuvchi tanlanma, kompyuterli matematik modellar yordamida testlar yaratish va tahlil qilish usulidir. Bu usul, testlarni yaratish va tahlil qilish jarayonini avtomatlashtiradi va o'quvchilarning yutuqlarini va kamchiliklarini aniqlashga yordam beradi. ~O'qituvchi yordamida o'qitish- Bu ma’lumotlarni tasniflash yoki natijalarni aniq bashorat qilish uchun algoritmlarni o‘rgatish uchun etiketli ma’lumotlar to‘plami hisoblanadi. Kirish ma’lumotlari modelga kiritilganligi sababli, model mos ravishda o‘qitgunga qadar uning vaznlarini moslashtiradi va bu o‘zaro tekshirish jarayonining bir qismi sifatida sodir bo‘ladi. Bu o‘qitish asosan spamni elektron pochtalarda alohida papkada tasniflash kabi turli xil real muammolarni hal qilishda yordam beradi. Bu o‘qitish ma’lumotlarni saralab olishda ikkita masala turiga ajratish mumkin - tasniflash va regressiya. ~O'qituvchisiz o'qitish-har bir foydalanish uchun faqat “vaziyat” o’rnatiladi, ob’ektlarning juft o’xshashligi to’g’risidagi ma’lumotlar yordamida ob’ektlarn guruhlarga yordamida ob’ektlarni guruhlarga birlashtirish va/yoki ma’lumotlarning hajmini kamaytirish talab qilinadi. Regressiya — (matematikada) biror (u) tasodifiy miqdor oʻrta qiymatining boshqa bir tasodifiy miqdoriga bogʻlikligi. Funksional bogʻlanishda miqdorning har bir qiymatiga u miqdorning bitta qiymati mos kelsa, regressiv bogʻlanishda x ning x qiymatiga turli hollarda turli qiymatlar mos keladi. ~Chiziqli regressiya Chiziqli regressiya chiziqlar bo'ylab ajratilishi mumkin bo'lgan ma'lumotlar uchun ajoyib ishlaydi. U tartibga solish, o'zaro tekshirish va o'lchamlarni kamaytirish usullaridan foydalangan holda ortiqcha moslamani boshqarishi mumkin. ~Polinomal regressiya Statistikada polinomal regressiya regressiya tahlilining bir shakli bo‘lib, unda x mustaqil o‘zgaruvchisi va y bog‘liq o‘zgaruvchisi o‘rtasidagi bog‘liqlik x da n-darajali ko‘phad sifatida modellashtiriladi. ~Logistik regresiiya . Logistik regressiya bu o'zgaruvchilardan o'zaro bog'liqlikni aniqlash usulidir, ulardan biri qat'iyan bog'liq, boshqalari esa mustaqil. Buning uchun logistik funksiyadan (akkumulyativ logistik taqsimot) foydalaniladi. Logistik regressiyaning amaliy qiymati shundaki, u bir yoki bir nechta mustaqil o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilishning kuchli statistik usuli hisoblanadi. ~Sinflarga ajratish masalasi Klassifikatsiya algoritmi - bu nazorat ostida o'qitish usuli bo'lib, u o'quv ma'lumotlari asosida yangi kuzatuvlar toifasini aniqlash uchun ishlatiladi. Klassifikatsiyada dastur berilgan ma'lumotlar to'plami yoki kuzatuvlardan o'rganadi va keyin yangi kuzatishni bir qator sinflar yoki guruhlarga tasniflaydi. Masalan, Ha yoki Yoʻq, 0 yoki 1, Spam yoki Spam emas, mushuk yoki it va hokazo. Sinflarni maqsad/yorliq yoki toifalar deb atash mumkin. ~Mustaxkamlangan o'qitish Mustahkamlovchi o'rganish ma'lum bir kichik to'plamini anglatadi kompyuterni o'rganish bu kerakli xatti-harakatlarni mukofotlash va istalmagan xatti-harakatlarni jazolash orqali echimlarni topishga qaratilgan. ~Freymwork-"Framework" dasturlashda ishlatiladigan bir katta platforma yoki asosiy dasturlash markazi hisoblanadi. Bu, bir necha qadamdan iborat dasturlash va ijro jarayonlarini yuzaga keltirishni osonlashtiruvchi standartlar va imkoniyatlar jamlanmasidir. ~TensorFlow-TensorFlow Google tomonidan yaratilgan maxsus bir masofaviy ma'lumotlar tahlil va matematik jamlanmasidir. TensorFlow, dasturchilarga axborot oʻqish va tahlil qilishni osonlashtiradigan maxsus bir tahlil kitobxonasi hisoblanadi. Keras — Pythonda yozilgan va sunʼiy neyron tarmoqlar bilan oʻzaro aloqani taʼminlaydigan ochiq kutubxona. Bu TensorFlow ramkasi uchun qoʻshimcha. KNIME ( / n aɪ m / ), Konstanz Information Miner , — bepul va ochiq manbali maʼlumotlarni tahlil qilish, hisobot berish va integratsiya platformasi. KNIME o'zining modulli ma'lumotlar quvurlari "Analitikaning qurilish bloklari" kontseptsiyasi orqali mashinani o'rganish va ma'lumotlarni qazib olish uchun turli komponentlarni birlashtiradi . Grafik foydalanuvchi interfeysi va JDBC- dan foydalanish turli xil ma'lumotlar manbalarini, jumladan, oldindan ishlov berish ( ETL: Extraction, Transformation, Loading ) ni aralashtirish, modellashtirish, ma'lumotlarni tahlil qilish va vizualizatsiya qilish uchun dasturlashsiz yoki faqat minimal bo'lgan holda tugunlarni yig'ish imkonini beradi . PyTorch - bu Torch ustiga qurilgan Python uchun ochiq kodli mashinani oʻrganish tizimi . Turli vazifalar uchun ishlatiladi: kompyuterni ko'rish , tabiiy tilni qayta ishlash . [5] Asosan Facebook sun'iy intellekt guruhi tomonidan ishlab chiqilgan ~Darknet-Darknet, yadrovi, yondashuvchili, open-source freymwork hisoblanadi va tizimlar orqali ma'lumotlar ustida tahlil va sinflashni osonlashtirish uchun ishlatiladi. Darknet oson oʻrganiladigan, yuqori samarali va qulay interfeysi bilan ajratilgan. ~XGBooSt-XGBoost, "Extreme Gradient Boosting" deb ataladigan oʻqitish algoritmidir. Bu freymwork, qulay interfeysi, yuqori samaralilik va barcha turdagi maʼlumotlar ustida mashinali oʻqitish uchun yuqori samarali model hisoblanadi. ~Microsoft Azure ML-Microsoft Azure ML, ma'lumotlar ustida mashinali oʻqitish (ML) va toʻgʻridan-toʻgʻri muhokama (AI) yaratishda ishlatiladigan platforma hisoblanadi. Bu platforma orqali, ML va AI modeli yaratish va ularga obyektiv yoki sinf boʻyicha ajratish mumkin. ~Rapid Miner-RapidMiner, ma'lumotlar ustida mashinali oʻqitish va ma'lumot analizini osonlashtirish uchun yuqori samarali freymworkdir. ~Apache Mahout-Apache Mahout, massiv ma'lumotlar ustida mashinali oʻqitish va ma'lumot tahlilini osonlashtirish uchun Apache Hadoop va Apache Spark kabi platformalarda ishlaydigan açik sumber kodli bir freymworkdir. ~Anaconda-Anaconda, datalarni muvaffaqiyatli tahlil qilish va maʼlumotlar ustida mashinali oʻqitish uchun yuqori samarali Python freymworki hisoblanadi. ~PyCharm-PyCharm, JetBrains kompaniyasining yaratgan Python dasturlash tarkibiy muharriri hisoblanadi. Bu dastur, Python uchun foydali texnologiyalarni jamlab beradi, tahrir qilish, sintaksis aniqlash, toʻgʻri qoʻyish va Python dasturlari yaratishni osonlashtiradi ~Bilim nima?-bu taxmin qilingan natija bilan harakat qilishga imkon beradigan malumot. ~Axborot nima?-noaniqlikni kamaytirish uchun yangi dalillar. ~Malumot nima?-qayt etilgan faktlar to’plami.