Maşın öyrənməsi — verilənlər bazasından və ya sensorlardan giriş olaraq empirik verilənləri alıb, əldə edilən verilənlərin arxasında duran mexanizmin xüsusiyyətlərinə bənzər nümunələrə və ya proqnozlara gətirib çıxaran alqoritmləri dizayn edən və yaradan, süni intellektin bir sahəsidir.
Tom Mitçellin tərifi: 'Əgər səmərəlilik T-dəki tapşırıqlarda P ölçüldüyü kimi E təcrübəsi ilə yaxşılaşırsa, onda kompüter proqramı E təcrübəsindən T tapşırıqlar sinifinə və P səmərəlik ölçüsünə görə öyrəndiyi deyilir.'
Deduktiv öyrənmə ümumiyyətlə ekspert sistemləri adlandırılır, buna görə də maşın öyrənmə və istifadə öyrənmə terminləri sinonim sayıla bilər.
Klassik statistik yanaşmalara alternativ olaraq bir çox induktiv öyrənmə metodu hazırlanmışdır. Bir çox metod, məlumatların çıxarılması (məlumatların alınması), məlumatların çıxarılması ilə sıx bağlıdır.
Əvvəlcədən öyrətmə probleminin ümumi ifadəsi
Bir çox obyekt (vəziyyət) və mümkün cavablar (cavablar, reaksiyalar) var. Cavablar və obyektlər arasında müəyyən əlaqə var, amma bilinmir. Yalnız son dərəcə əvvəlcədən bilinən bir dəstə məlumdur - təlim obyekti adlanan "obyekt, cavab" cütləri. Bu məlumatlara əsasən gizli asılılığı bərpa etmək, yəni mümkün olan hər bir giriş obyekti üçün kifayət qədər dəqiq təsnifat cavabı verə bilən bir alqoritm qurmaq tələb olunur. Bu asılılıq mütləq analitik şəkildə ifadə edilmir və burada neyron şəbəkələr empirik şəkildə yaradılan həll prinsipini tətbiq edirlər. Bu vəziyyətdə əhəmiyyətli bir xüsusiyyət, təlim sisteminin ümumiləşdirmə, yəni mövcud təlim nümunəsindən kənara çıxan məlumatlara adekvat cavab vermək bacarığıdır. Cavabların düzgünlüyünü ölçmək üçün qiymətləndirici keyfiyyət funksiyası tətbiq olunur.
Bu parametr funksiyaların yaxınlaşmasının klassik problemlərinin ümumiləşdirilməsidir. Yaxınlaşmanın klassik problemlərində obyektlər həqiqi ədədlər və ya vektorlardır. Həqiqi tətbiq olunan problemlərdə obyektlər haqqında giriş məlumatları natamam, qeyri-saylı və heterojen ola bilər. Bu xüsusiyyətlər maşın öyrənmə üsullarının müxtəlifliyinə səbəb olur.
Maşın öyrənmə texnikası
Maşın öyrənmə bölməsi, bir tərəfdən, neyron şəbəkələri elminin təlim şəbəkələri metodlarına və onların memarlığının topologiyalarının növlərinə bölünməsi nəticəsində yaranmışdı, digər tərəfdən isə riyazi statistikanın metodlarını özündə cəmləşdirmişdir. Aşağıdakı maşın öyrənmə metodları neyron şəbəkələrin istifadəsi vəziyyətinə əsaslanır, baxmayaraq ki, təlim nümunəsi anlayışını istifadə edən digər metodlar mövcuddur - məsələn, müşahidə olunan statistikanın ümumiləşdirilmiş dəyişməsi və kovaransı ilə işləyən diskriminant təhlil və ya Bayesiya təsnifatçıları. Neyron şəbəkələrinin əsas növləri, məsələn, qavrayış və çox qatlı qavrayış (eləcə də onların modifikasiyası), müəllimlə və ya olmadan, möhkəmləndirmə və özünü təşkili ilə öyrədilə bilər. Ancaq bəzi neyron şəbəkələri və əksər statistik metodlar yalnız təlim metodlarından birinə aid edilə bilər. Buna görə də, təlim metodundan asılı olaraq maşın öyrənmə metodlarını təsnifləşdirmək lazımdırsa, sinir şəbəkələrini müəyyən bir növə təsnif etmək düzgün olmazdı, sinir şəbəkələri üçün təlim alqoritmlərini yazmaq daha düzgün olardı.
Klassik problemlər maşın öyrənməsi ilə həll olunur
Təsnifat ümumiyyətlə həqiqi təlim mərhələsində nəzarət olunan təlim vasitəsilə aparılır.
Klasterləşdirmə adətən nəzarətsiz öyrənmə ilə aparılır
Reqressiya, bir qayda olaraq, test mərhələsində nəzarət olunan təlimlərdən istifadə olunmaqla proqnozlaşdırılan problemlər üçün xüsusi haldır.
Məlumatların azaldılması və vizuallaşdırılması nəzarətsiz öyrənmədən istifadə edilir
Bir verilənlər bazasından ehtimal sıxlığı paylanmasının yenidən qurulması
Bir sinif təsnifat və yeniliyin aşkarlanması
Rütbə asılılığı
Təlim üçün giriş məlumatlarının növləri
Obyektlərin atribut təsviri və ya obyekt-atributların matrisi ən çox yayılmış haldır. Hər bir obyekt bir sıra xüsusiyyətlərlə təsvir edilmişdir.
Cisimlər arasındakı məsafə matrixi. Hər bir obyekt təlim dəstinin digər bütün obyektlərinə olan məsafələr, əksər hallarda cüt bənzərlik münasibətləri ilə təsvir olunur.
Vaxt seriyası və ya siqnal. Zamanla ölçü ardıcıllığı, bir sıra, bir vektor və ümumi vəziyyətdə təmsil oluna bilər - müəyyən bir anda bir xüsusiyyət təsviri.
Айвазян, Сергей Арутюнович, Енюков И. С., Мешалкин Л. Д. Прикладная статистика: основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983.
Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: исследование зависимостей. — М.: Финансы и статистика, 1985.
Айвазян С. А., Бухштабер, Виктор Матвеевич, Енюков И. С., Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989.
Вапник, Владимир Наумович Восстановление зависимостей по эмпирическим данным. — М.: Наука (издательство), 1979.
Журавлёв, Юрий Иванович (математик)., Рязанов В. В., Сенько О. В. "Распознавание". Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. ISBN 5–7036-0108–8.
Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999. ISBN 5–86134-060–9.
Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. ISBN 966–00-0341–2.
Hastie, T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — 2nd ed. — Springer-Verlag, 2009. — 746 p. — ISBN 978-0-387-84857-0.
Mitchell T. Machine Learning. — McGraw-Hill Science/Engineering/Math, 1997. ISBN 0–07-042807–7.
Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 0–935382-05–4 (Machine Learning: An Artificial Intelligence Approach Google kitablar).
Vapnik V. N. Statistical learning theory. — N.Y.: John Wiley & Sons, Inc., 1998. [1]
Bernhard Schölkopf, Alexander J. Smola Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, Cambridge, MA, 2002 ISBN 978–0-262–19475-4 [2]
I. H. Witten, E. Frank Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). — Morgan Kaufmann, 2005 ISBN 0–12-088407–0 [3]
Liang Wang, Li Cheng, Guoying Zhao (2009). Machine Learning for Human Motion Analysis. IGI Global. ISBN978-1-60566-900-7.
Xarici keçidlər
Bəynəlxalq Machine Learning Cəmiyyəti
Avqust 05, 2021
maşın, öyrənməsi, verilənlər, bazasından, sensorlardan, giriş, olaraq, empirik, verilənləri, alıb, əldə, edilən, verilənlərin, arxasında, duran, mexanizmin, xüsusiyyətlərinə, bənzər, nümunələrə, proqnozlara, gətirib, çıxaran, alqoritmləri, dizayn, edən, yarada. Masin oyrenmesi verilenler bazasindan ve ya sensorlardan giris olaraq empirik verilenleri alib elde edilen verilenlerin arxasinda duran mexanizmin xususiyyetlerine benzer numunelere ve ya proqnozlara getirib cixaran alqoritmleri dizayn eden ve yaradan suni intellektin bir sahesidir Tom Mitcellin terifi Eger semerelilik T deki tapsiriqlarda P olculduyu kimi E tecrubesi ile yaxsilasirsa onda komputer proqrami E tecrubesinden T tapsiriqlar sinifine ve P semerelik olcusune gore oyrendiyi deyilir Deduktiv oyrenme umumiyyetle ekspert sistemleri adlandirilir buna gore de masin oyrenme ve istifade oyrenme terminleri sinonim sayila biler Klassik statistik yanasmalara alternativ olaraq bir cox induktiv oyrenme metodu hazirlanmisdir Bir cox metod melumatlarin cixarilmasi melumatlarin alinmasi melumatlarin cixarilmasi ile six baglidir Mundericat 1 Evvelceden oyretme probleminin umumi ifadesi 2 Masin oyrenme texnikasi 3 Klassik problemler masin oyrenmesi ile hell olunur 4 Telim ucun giris melumatlarinin novleri 5 Alqoritm tipleri 6 Tetbiqleri 7 Edebiyyat 8 Xarici kecidlerEvvelceden oyretme probleminin umumi ifadesi RedakteBir cox obyekt veziyyet ve mumkun cavablar cavablar reaksiyalar var Cavablar ve obyektler arasinda mueyyen elaqe var amma bilinmir Yalniz son derece evvelceden bilinen bir deste melumdur telim obyekti adlanan obyekt cavab cutleri Bu melumatlara esasen gizli asililigi berpa etmek yeni mumkun olan her bir giris obyekti ucun kifayet qeder deqiq tesnifat cavabi vere bilen bir alqoritm qurmaq teleb olunur Bu asililiq mutleq analitik sekilde ifade edilmir ve burada neyron sebekeler empirik sekilde yaradilan hell prinsipini tetbiq edirler Bu veziyyetde ehemiyyetli bir xususiyyet telim sisteminin umumilesdirme yeni movcud telim numunesinden kenara cixan melumatlara adekvat cavab vermek bacarigidir Cavablarin duzgunluyunu olcmek ucun qiymetlendirici keyfiyyet funksiyasi tetbiq olunur Bu parametr funksiyalarin yaxinlasmasinin klassik problemlerinin umumilesdirilmesidir Yaxinlasmanin klassik problemlerinde obyektler heqiqi ededler ve ya vektorlardir Heqiqi tetbiq olunan problemlerde obyektler haqqinda giris melumatlari natamam qeyri sayli ve heterojen ola biler Bu xususiyyetler masin oyrenme usullarinin muxtelifliyine sebeb olur Masin oyrenme texnikasi RedakteMasin oyrenme bolmesi bir terefden neyron sebekeleri elminin telim sebekeleri metodlarina ve onlarin memarliginin topologiyalarinin novlerine bolunmesi neticesinde yaranmisdi diger terefden ise riyazi statistikanin metodlarini ozunde cemlesdirmisdir Asagidaki masin oyrenme metodlari neyron sebekelerin istifadesi veziyyetine esaslanir baxmayaraq ki telim numunesi anlayisini istifade eden diger metodlar movcuddur meselen musahide olunan statistikanin umumilesdirilmis deyismesi ve kovaransi ile isleyen diskriminant tehlil ve ya Bayesiya tesnifatcilari Neyron sebekelerinin esas novleri meselen qavrayis ve cox qatli qavrayis elece de onlarin modifikasiyasi muellimle ve ya olmadan mohkemlendirme ve ozunu teskili ile oyredile biler Ancaq bezi neyron sebekeleri ve ekser statistik metodlar yalniz telim metodlarindan birine aid edile biler Buna gore de telim metodundan asili olaraq masin oyrenme metodlarini tesniflesdirmek lazimdirsa sinir sebekelerini mueyyen bir nove tesnif etmek duzgun olmazdi sinir sebekeleri ucun telim alqoritmlerini yazmaq daha duzgun olardi Klassik problemler masin oyrenmesi ile hell olunur RedakteTesnifat umumiyyetle heqiqi telim merhelesinde nezaret olunan telim vasitesile aparilir Klasterlesdirme adeten nezaretsiz oyrenme ile aparilir Reqressiya bir qayda olaraq test merhelesinde nezaret olunan telimlerden istifade olunmaqla proqnozlasdirilan problemler ucun xususi haldir Melumatlarin azaldilmasi ve vizuallasdirilmasi nezaretsiz oyrenmeden istifade edilir Bir verilenler bazasindan ehtimal sixligi paylanmasinin yeniden qurulmasi Bir sinif tesnifat ve yeniliyin askarlanmasi Rutbe asililigiTelim ucun giris melumatlarinin novleri RedakteObyektlerin atribut tesviri ve ya obyekt atributlarin matrisi en cox yayilmis haldir Her bir obyekt bir sira xususiyyetlerle tesvir edilmisdir Cisimler arasindaki mesafe matrixi Her bir obyekt telim destinin diger butun obyektlerine olan mesafeler ekser hallarda cut benzerlik munasibetleri ile tesvir olunur Vaxt seriyasi ve ya siqnal Zamanla olcu ardicilligi bir sira bir vektor ve umumi veziyyetde temsil oluna biler mueyyen bir anda bir xususiyyet tesviri Sekil ve ya video ardicilligi Alqoritm tipleri RedakteRehberle supervised oyrenme Rehbersiz unsupervised oyrenme Reinforcement oyrenme Suni neyron sebekeler Genetik proqralasdirmaTetbiqleri RedakteProqram teminati muhendisliyi Bioinformatika Sekil tanima Axtaris muherikleri RobotqayirmaEdebiyyat RedakteAjvazyan Sergej Arutyunovich Enyukov I S Meshalkin L D Prikladnaya statistika osnovy modelirovaniya i pervichnaya obrabotka dannyh M Finansy i statistika 1983 Ajvazyan S A Enyukov I S Meshalkin L D Prikladnaya statistika issledovanie zavisimostej M Finansy i statistika 1985 Ajvazyan S A Buhshtaber Viktor Matveevich Enyukov I S Meshalkin L D Prikladnaya statistika klassifikaciya i snizhenie razmernosti M Finansy i statistika 1989 Vapnik Vladimir Naumovich Vosstanovlenie zavisimostej po empiricheskim dannym M Nauka izdatelstvo 1979 Zhuravlyov Yurij Ivanovich matematik Ryazanov V V Senko O V Raspoznavanie Matematicheskie metody Programmnaya sistema Prakticheskie primeneniya M Fazis 2006 ISBN 5 7036 0108 8 Zagorujko N G Prikladnye metody analiza dannyh i znanij Novosibirsk IM SO RAN 1999 ISBN 5 86134 060 9 Flah P 2015 Mashinnoe obuchenie M DMK Press ISBN 978 5 97060 273 7 Shlezinger M Glavach V Desyat lekcij po statisticheskomu i strukturnomu raspoznavaniyu Kiev Naukova dumka 2004 ISBN 966 00 0341 2 Hastie T Tibshirani R Friedman J The Elements of Statistical Learning Data Mining Inference and Prediction 2nd ed Springer Verlag 2009 746 p ISBN 978 0 387 84857 0 Mitchell T Machine Learning McGraw Hill Science Engineering Math 1997 ISBN 0 07 042807 7 Ryszard S Michalski Jaime G Carbonell Tom M Mitchell 1983 Machine Learning An Artificial Intelligence Approach Tioga Publishing Company ISBN 0 935382 05 4 Machine Learning An Artificial Intelligence Approach Google kitablar Vapnik V N Statistical learning theory N Y John Wiley amp Sons Inc 1998 1 Bernhard Scholkopf Alexander J Smola Learning with Kernels Support Vector Machines Regularization Optimization and Beyond MIT Press Cambridge MA 2002 ISBN 978 0 262 19475 4 2 I H Witten E Frank Data Mining Practical Machine Learning Tools and Techniques Second Edition Morgan Kaufmann 2005 ISBN 0 12 088407 0 3 Liang Wang Li Cheng Guoying Zhao 2009 Machine Learning for Human Motion Analysis IGI Global ISBN 978 1 60566 900 7 Xarici kecidler RedakteBeynelxalq Machine Learning CemiyyetiMenbe https az wikipedia org w index php title Masin oyrenmesi amp oldid 5318691, wikipedia, oxu, kitab, kitabxana, axtar, tap, hersey,
ne axtarsan burda
, en yaxsi meqale sayti, meqaleler, kitablar, oyrenmek, wiki, bilgi, tarix, seks, porno, indir, yukle, sex, azeri sex, azeri, seks yukle, sex yukle, izle, seks izle, porno izle, mobil seks, telefon ucun, chat, azeri chat, tanisliq, tanishliq, azeri tanishliq, sayt, medeni, medeni saytlar, chatlar, mekan, tanisliq mekani, mekanlari, yüklə, pulsuz, pulsuz yüklə, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, şəkil, muisiqi, mahnı, kino, film, kitab, oyun, oyunlar.
