Mashinali o‘rganish (Machine Learning – ML) ham hayratlanarli darajada shunga o‘xshash ishlaydi. Bu — kompyuterlarga har bir qoidani alohida dasturlamasdan turib, qonuniyatlarni qanday aniqlashni o‘rgatish uchun foydalanadigan maxsus usulimizdir.
Ma’lumotlar — bu Tajriba
Mashinali o‘rganish olamida “tajriba” ma’lumotlar ko‘rinishida keladi. Biz bu ulkan ma’lumotlar to‘plamini “ma’lumotlar bazasi” (datasets) deb ataymiz. Agar sun’iy intellekt mushukni tanib olishini xohlasak, biz uning yungi va panjalarini tasvirlovchi minglab qator kod yozmaymiz. Buning o‘rniga, biz kompyuterga minglab mushuklar rasmini va mushuk bo‘lmagan narsalar (kuchuklar, mashinalar va daraxtlar kabi)ning minglab rasmlarini kiritamiz.
“O‘rganish” qanday sodir bo‘ladi?
Haqiqiy “o‘rganish” aynan shu yerda sodir bo‘ladi. Mashinali o‘rganish algoritmi — bu kompyuterga shuncha ma’lumotni qanday tahlil qilishni ko‘rsatadigan matematik ko‘rsatmalar to‘plamidir. Algoritm rasmlardagi piksellarni tahlil qiladi va umumiy matematik qonuniyatlarni topishni boshlaydi. Boshida u shunchaki tavakkal qilib topishga urinishi mumkin. Lekin har safar to‘g‘ri yoki noto‘g‘ri javob berganda, u o‘zining ichki matematikasini moslashtirib boradi. Vaqt o‘tishi bilan, minglab moslashuvlardan so‘ng, algoritm mushukning o‘ziga xos shaklini aniqlashda aqlbovar qilmas darajada aniq bo‘lib boradi.
Nazorat ostida va Nazoratsiz o‘rganish
Bu jarayonni boshqarishning bir necha xil usullari bor. Ba’zida biz o‘qituvchi kabi yo‘l tutamiz va kompyuter uchun ma’lumotlarni aniq belgilab beramiz (masalan, “Bu rasmda mushuk” yoki “Bu elektron xat — spam”). Bu nazorat ostida o‘rganish (supervised learning) deb ataladi.
Boshqa paytlarda esa, biz kompyuterga ulkan hajmdagi xom, belgilanmagan ma’lumotlarni beramiz va undan o‘zining yashirin tuzilmalarini topishni so‘raymiz, bu esa nazoratsiz o‘rganish (unsupervised learning) deb ataladi. Striming xizmatlari siz uchun shaxsiy pley-list yaratishda o‘xshash qo‘shiqlarni aynan shunday guruhlaydi.
Boshqa sohalardagi ahamiyati
Bu tushuncha deyarli har qanday sohaga taalluqli. Moliyaviy yozuvlarni tahlil qilishni o‘ylab ko‘ring. Dasturchilar har bir ehtimoliy firibgarlik tranzaksiyasi uchun qo‘lda qoida yozishlari shart emas. Buning o‘rniga, ular algoritmga “oddiy” yoki “firibgarlik” deb belgilangan minglab buxgalteriya hisobotlarini kiritishlari mumkin. Algoritm g‘ayritabiiy vaqtlarda xarajatlarning birdaniga oshib ketishi kabi noodatiy holatlar ko‘pincha firibgarlik ekanligini o‘rganadi. Xuddi shunday, fizikada ham ML modellari inson ko‘zidan osongina qochishi mumkin bo‘lgan yashirin qonuniyatlarni topish uchun zarrachalar to‘qnashuvidan olingan ulkan ma’lumotlarni tahlil qila oladi.
Asosiy Qoida: “Axlat kirsa, axlat chiqadi”
Mashinali o‘rganishdagi eng muhim qoida shuki, sun’iy intellekt u o‘rganayotgan ma’lumotlar qanchalik yaxshi bo‘lsa, shunchalik yaxshi ishlaydi. Agar siz kompyuterga faqat malla mushuklarning rasmini ko‘rsatsangiz, u keyinchalik qora mushukni tanimay qolishi mumkin. Texnologiyalar olamida bu “Axlat kirsa, axlat chiqadi” (Garbage in, garbage out) deb ataladi. Aqlli, foydali va aniq SI tizimlarini yaratish uchun bizga yuqori sifatli va xilma-xil ma’lumotlar kerak.
Foydalanilgan Adabiyotlar
Wikipedia contributors. “Machine learning.” Wikipedia, The Free Encyclopedia. Available under the Creative Commons Attribution-ShareAlike (CC BY-SA 4.0) License.
Ault, S. V., Liao, S. N., & Musolino, L. “Principles of Data Science.” OpenStax. Chapter 6: Decision-Making Using Machine Learning Basics. Licensed under the Creative Commons Attribution 4.0 International (CC BY 4.0) License.
Massachusetts Institute of Technology (MIT). “Introduction to Machine Learning.” MIT OpenCourseWare. Available under the Creative Commons Attribution-NonCommercial-ShareAlike (CC BY-NC-SA 4.0) License.
Boblar
**Eslatma**
Ushbu maqola AI vositalari yordamida yaratilgan, lekin barcha mazmun inson tomonidan ko’rib chiqildi va tasdiqlandi. Ma’lumotlar faqat o’quv maqsadlarida taqdim etiladi.