Mashinali o‘qitishga kirish
Mashinaviy o‘qitish (ML) - bu kompyuterlarga aniq dasturlashsiz o‘rganish
imkonini beruvchi soha. ML zamonaviy texnologiyalarda muhim rol
o‘ynaydi. U tavsiya tizimlari, firibgarlikni aniqlash va tibbiy tashxis kabi
sohalarda qo‘llaniladi. 2029 yilga borib ML bozori $209 milliardga yetishi
kutilmoqda, yillik o‘sish sur’ati 38% (Grand View Research).
LS
Mashinali o‘qitish atamasini oddiy misollar bilan tushuntirish.
📌 Misol:
Tasavvur qiling, siz mushuk va itni farqlashni o‘rganmoqchisiz. Avval siz ko‘plab mushuk va it
rasmlarini ko‘rasiz va ularni xotirada saqlaysiz. Keyin yangi rasm ko‘rsatilganda, siz oldin o‘rgangan
ma’lumotlaringiz asosida mushuk yoki it ekanligini aniqlay olasiz.
➡ Bu jarayon mashinali o‘qitishning mohiyati!
Mashinali o‘qitish – bu kompyuterning oldindan aniq dasturlanmasdan, ma’lumotlardan o‘rganish qobiliyatidir.
📌 Hayotiy misollar:
•YouTube sizga yoqadigan videolarni tavsiya qiladi.
•Google siz yozayotgan so‘zlarni taxmin qiladi.
•Telefoningiz yuzingizni tanib ochiladi (Face ID)
Mashinaviy o‘qitish turlari: Nazorat ostida
o‘qitish (Supervised Learning)
Bu usulda modelga o‘qitish uchun belgilangan (yorliqlangan) ma’lumotlar beriladi. Model oldindan berilgan kiritish
(input) va chiqish (output) ma’lumotlari orasidagi bog‘liqlikni o‘rganadi.
Ta'rif
Misollar
Algoritmlar
Belgilangan ma'lumotlardan o'rganish.
Tasniflash va Regressiya.
Chiziqli Regressiya, Logistik Regressiya,
Support Vector Machines (SVM).
Mijozlarning tarixiy ma'lumotlari asosida ketishini bashorat qilish. Optimallashtirilgan algoritmlar bilan aniqlik darajasi 95% gacha
yetishi mumkin (McKinsey).
Mashinaviy o‘qitish turlari: Nazoratsiz o‘qitish
(Unsupervised Learning)
Bu usulda modelga faqat kiritish ma’lumotlari beriladi, lekin ularni ajratish yoki guruhlash bo‘yicha oldindan belgilangan
natijalar yo‘q. Model mustaqil ravishda ma’lumotlar ichidagi yashirin strukturalarni o‘rganadi.
Ta'rif
Misollar
Belgilanmagan ma'lumotlardan
Klasterlash va O'lchamlilikni
o'rganish.
kamaytirish.
Algoritmlar
K-Means Klasterlash, Principal
Component Analysis (PCA).
Hierarchical Clustering
Maqsadli marketing uchun mijozlarni segmentlash. K-Means kampaniya ROI ni 20-30% ga yaxshilashi mumkin (Bain & Company).
Savdo markazi o‘z mijozlarini ularning xarid qilish odatlariga qarab guruhlaydi.
Spotify siz eshitgan qo‘shiqlarga asoslanib yangi musiqa tavsiya qiladi.
Mashinaviy o‘qitish turlari:
Mustahkamlash orqali o‘qitish
(Reinforcement Learning, RL)
Bu usulda model atrof-muhit bilan o‘zaro ta’sir qiladi va harakatlar natijasida mukofot yoki
jazoga ega bo‘ladi. Modelning maqsadi – eng yaxshi qarorlarni topish va maksimal mukofotni
qo‘lga kiritish. Kompyuter xatolar qilib, tajribasi orqali mukofot yoki jazoga asoslanib
o‘rganadi.
Misollar: O‘yinlar (AlphaGo, Dota 2 AI), Robototexnika, Avtomatlashtirilgan savdo tizimlari
Ta'rif
Sinov va xato orqali
o'rganish.
Komponentlar
Algoritmlar
Agent, Muhit,
Q-Learning, Deep Q-
Harakatlar, Mukofotlar.
Network (DQN).
Sun'iy intellekt agentlarini Go yoki shaxmat kabi o'yinlarni o'ynashga o'rgatish, yoki avtonom
haydash tizimlari. AlphaGo jahon chempioni Lee Sedolni 92% g'alaba bilan mag'lub etdi
(Nature). Bola velosiped minishni o‘rganayotganda yiqiladi, lekin har safar yaxshiroq minishni
o‘rganadi.
Mashina o'rganish ilovalari
ML sanoatni o'zgartirmoqda. U murakkab muammolarni hal qiladi va
innovatsiyalarni rivojlantiradi.
Sog'liqni saqlash
Moliya
Avtomobilsozlik
Takomillashtirilgan
Firibgarlikni aniqlash
O'z-o'zidan
diagnostika va
va algoritmik savdo.
boshqariladigan
shaxsiylashtirilgan
Xatarlarni baholash va
avtomobillar va
davolash rejalari.
mijozlarga xizmat
bashoratli texnik xizmat
Mashinani o'rganish
ko'rsatish chatbotlari.
ko'rsatish.
tahlili bilan giyohvand
Kengaytirilgan
moddalarni topish
xavfsizlik xususiyatlari.
tezlashadi.
Ma'lumotlarni normallashtirish:
Nima uchun va Qanday?
Nima uchun Normallashtirish?
Xususiyatlar bir xil masshtabda bo'lishini ta'minlash, algoritmlarning ishlashini
yaxshilash.
Usullar
Min-Max Masshtablash, Z-Score Standartlashtirish.
Misol
Ikkita xususiyatni ko'rib chiqing: yosh (20-80) va daromad ($20k-$200k).
Normallashtirishsiz daromad masofaga asoslangan algoritmlarda ustunlik qiladi.
Har xil valyutadagi narxlarni bir xil birlikka o‘tkazish (masalan, so‘mni dollarga
aylantirish).
Python ning Scikit-learn kutubxonasi MinMaxScaler va StandardScaler ni taqdim etadi.
Konvergensiya tezligida 40% gacha ishlash o'sishi mumkin (Journal of Machine Learning
Research).
Min-Max Masshtablash
1
Ta'rif
Ma'lumotlarni 0 va 1 oralig'ida masshtablaydi.
2
Formula
3
Misol
Imtihon ballarini masshtablash, ular 0 dan 100 gacha.
0 va 1 oralig'ida qiymatlar kerak bo'lganda, masalan, tasvirni qayta ishlash
yoki ba'zi neyron tarmoq faollashuvlari.
Z-Score Standartlashtirish
Formula
Zscaled = (X - μ) / σ
2
Ta'rif
Ma'lumotlarni 0 ga teng o'rtacha va 1
bu yerda:
μ – o‘rtacha qiymat,
𝜎 – standart og‘ish.
1
ga teng standart og'ishga ega bo'lish
uchun masshtablaydi.
Misol
Taqqoslash tahlili uchun aktsiya
3
narxlarini standartlashtirish.
Ma'lumotlar normal taqsimotga rioya qilganda yoki algoritm ma'lumotlar masshtabiga sezgir bo'lganda, masalan, SVM yoki chiziqli
regressiya.
Xulosa
1
Mashinaviy o'qitish
2
Turlarni tushunish
Ma'lumotlarni tahlil qilish va
ML va ma'lumotlarni
bashorat qilish uchun kuchli
oldindan ishlash usullari,
vositalarni taklif qiladi.
masalan, normallashtirish
juda muhim.
3
Kelajak
ML innovatsion ilovalar va yutuqlarni va'da qiladi.
Doimo etik masalalarni va ma'lumotlaringiz va algoritmlaringizdagi
potentsial xatoliklarni hisobga oling.