Mashinaviy o‘rganish nima

Mashinaviy o‘rganish (ingl. machine learning, ML) — sun’iy intellekt usullari sinfi bo‘lib, ularning asosiy xususiyati masalani to‘g‘ridan to‘g‘ri yechish emas, balki ko‘plab o‘xshash masalalarning yechimlarini qo‘llab o‘rganishdan iborat. Bunday usullarni ishlab chiqishda matematik statistika, sonli usullar, matematik analiz, optimallashtirish usullari, ehtimollar nazariyasi, graflar nazariyasi, shuningdek, raqamli shakldagi ma’lumotlar bilan ishlashning turli usullari.

Klassik ta’rifga binoan, Tom Mitchell (1997), «kompyuter dasturi E tajribasi orqali muayyan T turidagi masalalar va P sifat mezoniga nisbatan o‘rganadi, agar uning T masalalarni yechishdagi natijasi P bo‘yicha baholanganda, E tajribasi ortishi bilan yaxshilansa».

O‘rganishning ikki turi farqlanadi:

  1. Misollar asosida o‘rganish, ya’ni induktiv o‘rganish, empirik qonuniyatlarni mavjud ma’lumotlardan aniqlashga asoslanadi.
  2. Deduktiv o‘rganish mutaxassislar bilimini formallashtirish va uni kompyuterga bilimlar bazasi ko‘rinishida kiritishni nazarda tutadi.

Deduktiv o‘rganish odatda ekspert tizimlari sohasiga kiritiladi, shu sababli mashinaviy o‘rganish va misollar asosida o‘rganish atamalarini sinonim deb hisoblash mumkin.

Induktiv o‘rganishning ko‘plab usullari klassik statistik yondashuvlarga muqobil sifatida ishlab chiqilgan. Ko‘plab usullar quyidagi yo‘nalishlar bilan chambarchas bog‘liq: axborotni ajratib olish (ingl. information extraction, information retrieval), ma’lumotlarni intellektual tahlil qilish (data mining).

Misollar asosida o‘rganish masalasining umumiy qo‘yilishi

Muayyan obyektlar (vaziyatlar) to‘plami va mumkin bo‘lgan javoblar (reaksiyalar) to‘plami mavjud. Javoblar bilan obyektlar o‘rtasida qandaydir bog‘liqlik bor, ammo u noma’lum. Faqat cheklangan miqdordagi misollar — «obyekt — javob» juftliklari ma’lum bo‘lib, ular o‘rgatuvchi tanlanma deb ataladi. Bu ma’lumotlar asosida yashirin bog‘liqlikni aniqlash, ya’ni istalgan kiruvchi obyekt uchun yetarlicha aniq tasniflovchi javob bera oladigan algoritm yaratish talab etiladi. Bu bog‘liqlikni analitik ifodalash shart emas; bunda neyron tarmoqlar tajribaga asoslanib yechim shakllantirish tamoyilini amalga oshiradi. Bunday tizimning muhim xususiyati umumlashtirish qobiliyati, ya’ni mavjud o‘rgatuvchi tanlanmadan tashqaridagi ma’lumotlarga ham mos javob bera olishidir. Javoblarning aniqligini o‘lchash uchun baholovchi sifat funksionali kiritiladi.

Masalaning bunday qo‘yilishi klassik approksimatsiya masalalarining umumlashmasidir. Klassik funksiyalar approksimatsiyasida obyektlar haqiqiy sonlar yoki vektorlardan iborat bo‘ladi. Amaliy masalalarda obyektlar haqidagi kiruvchi ma’lumotlar to‘liq bo‘lmasligi, noaniq, sonli bo‘lmagan yoki turli xil shaklda bo‘lishi mumkin. Bu xususiyatlar mashinaviy o‘rganish usullarining juda xilma-xil bo‘lishiga sabab bo‘ladi.

Mashinaviy o‘rganish usullari

Mashinaviy o‘rganish sohasi, bir tomondan, neyron tarmoqlar haqidagi fanning tarmoqlarni o‘qitish usullari va ularning arxitekturaviy topologiyalari turlariga ajralishi natijasida yuzaga kelgan; ikkinchi tomondan esa, matematik statistika usullarini ham o‘z ichiga olgan. Quyida sanab o‘tilgan mashinaviy o‘rganish usullari neyron tarmoqlardan foydalanishga asoslangan, biroq o‘rgatuvchi tanlanmaga asoslangan boshqa usullar ham mavjud. Masalan, diskriminant tahlil kuzatilgan statistik ma’lumotlarning umumlashtirilgan dispersiyasi va kovariatsiyasidan foydalanadi; Bayes tasniflagichlari ham shunday usullar jumlasiga kiradi. Neyron tarmoqlarning asosiy turlari, masalan, perseptron va ko‘p qatlamli perseptron (shuningdek, ularning o‘zgartirilgan shakllari) nazorat ostida ham, nazoratsiz ham, mustahkamlash va o‘zini o‘zi tashkil etish orqali ham o‘rganishi mumkin. Biroq ayrim neyron tarmoqlar hamda statistik usullarning aksariyati faqat bitta o‘rganish usuliga mansub bo‘ladi. Shu sababli mashinaviy o‘rganish usullarini o‘rganish yo‘liga ko‘ra tasniflashda neyron tarmoqlarni muayyan turga kiritish noto‘g‘ri; buning o‘rniga neyron tarmoqlarni o‘qitish algoritmlarini turlarga ajratish maqsadga muvofiq.

  1. Sun’iy neyron tarmoq
    1. Chuqur o‘rganish
  2. Xatoni tuzatish usuli
  3. Xatoni teskari tarqatish usuli
  4. Tayanch vektorlar usuli
  • Nazoratsiz o‘rganish — obyektlar o‘rtasidagi juftlik o‘xshashligi haqidagi ma’lumotlardan foydalanib, obyektlarni klasterlarga guruhlash va/yoki ma’lumotlarning o‘lchamliligini kamaytirish talab etilganda:
  1. Alfa-mustahkamlash tizimi
  2. Gamma-mustahkamlash tizimi
  3. Eng yaqin qo‘shnilar usuli
  1. Genetik algoritm.
  • Faol o‘rganish — bunda o‘rganayotgan algoritm to‘g‘ri javobi keyinchalik ma’lum bo‘ladigan navbatdagi tekshiriluvchi vaziyatni mustaqil tanlay olishi bilan ajralib turadi
  • Yarim nazoratli o‘rganish (ingl. semi-supervised learning) — ayrim misollarda «vaziyat — talab etiladigan yechim» juftligi, boshqalarida esa faqat «vaziyat» beriladi
  • Transduktiv o‘rganish — yarim nazoratli o‘rganish turi bo‘lib, bunda prognoz faqat sinov tanlanmasidagi misollar uchun tuziladi
  • Ko‘p vazifali o‘rganish (ingl. multi-task learning) — o‘zaro bog‘liq bir nechta vazifani bir vaqtda o‘rganish bo‘lib, ularning har biri uchun o‘ziga xos «vaziyat — talab etiladigan yechim» juftliklari beriladi
  • Ko‘p nusxali o‘rganish (ingl. multiple-instance learning) — misollar guruhlarga birlashtirilishi mumkin bo‘lgan o‘rganish turi. Har bir guruhdagi barcha misollar uchun «vaziyat» ma’lum, lekin faqat bittasi (qaysi biri ekani noma’lum) uchun «vaziyat — talab etiladigan yechim» juftligi mavjud bo‘ladi
  • Busting (ingl. boosting — «kuchaytirish») — mashinaviy o‘rganish algoritmlarining kompozitsiyasini ketma-ket tuzish jarayoni bo‘lib, har bir navbatdagi algoritm oldingi algoritmlarning umumiy kamchiliklarini bartaraf etishga intiladi
  • Bayes tarmog‘i

Mashinaviy o‘rganish yordamida yechiladigan klassik masalalar

O‘rganishda kiruvchi ma’lumotlar turlari

Sifat funksionallari turlari

  • Agar nazorat ostida o‘rganish qo‘llanilsa, sifat funksionali javoblardagi o‘rtacha xato sifatida belgilanishi mumkin. Izlanayotgan algoritm bu xatoni kamaytirishi kerak deb hisoblanadi. Haddan tashqari moslashib ketishning oldini olish uchun minimallashtiriladigan sifat funksionaliga ko‘pincha oshkora yoki yashirin tarzda regulyarizator qo‘shiladi.
  • Agar nazoratsiz o‘rganish qo‘llanilsa, sifat funksionallari turlicha aniqlanishi mumkin, masalan, klasterlararo o‘rtacha masofaning klaster ichidagi o‘rtacha masofaga nisbati sifatida.
  • Agar mustahkamlash orqali o‘rganish qo‘llanilsa, sifat funksionallari agentning moslashuv darajasini ko‘rsatuvchi fizik muhit tomonidan belgilanadi.

Amaliy qo‘llanish sohalari

Mashinaviy o‘rganishning maqsadi inson faoliyatining turli sohalaridagi murakkab kasbiy masalalarni yechishni qisman yoki to‘liq avtomatlashtirishdir.

Mashinaviy o‘rganish keng qo‘llanadi:

Mashinaviy o‘rganishning qo‘llanish sohasi muntazam kengayib bormoqda. Axborotlashtirishning keng tarqalishi fan, ishlab chiqarish, biznes, transport va sog‘liqni saqlashda ulkan hajmdagi ma’lumotlar to‘planishiga olib kelmoqda. Shu munosabat bilan yuzaga kelayotgan prognozlash, boshqarish va qaror qabul qilish vazifalari ko‘pincha misollar asosida o‘rganish masalasiga keltiriladi. Ilgari, bunday ma’lumotlar mavjud bo‘lmagan paytda, bu vazifalar umuman qo‘yilmagan yoki mutlaqo boshqa usullar bilan hal qilingan.

Adabiyotlar

Klassik adabiyotlar

Zamonaviy adabiyotlar

  • Saymon J. Prins. Chuqur o‘rganishni tushunish (ingl.). UDL Book (2025). — Ushbu kitob Chuqur o‘rganish (Gudfellou va boshqalar, 2016) asarining g‘oyaviy davomi sifatida mo‘ljallangan. U ajoyib manba, biroq keyingi yillardagi yutuqlarni qamrab olmaydi. Kitob yozilayotgan paytda chuqur neyron tarmoqlar eng kuchli va amaliy mashinaviy o‘rganish modellari bo‘lib, kundalik hayotda ham tez-tez uchraydi. Murojaat qilingan sana: 20-avgust 2025-yil.
  • Burkov, Andrey. Ortiqcha gaplarsiz mashinaviy o‘rganish. — Sankt-Peterburg: Piter, 2020. — b. 192. — (Dasturchi kutubxonasi). — ISBN 978-5-4461-1560-0. — Mashinaviy o‘rganishga oid odatiy kitoblar an’anaviy, akademik uslubda yozilgan va minglab sahifalarga cho‘zilgan. Bu kitobda esa atigi bir necha yuz sahifada kundalik ishda foydali algoritm va usullarga asosiy e’tibor qaratilgan..
  • Lekun, Yan. Mashina qanday o‘rganadi. Neyron tarmoqlar va chuqur o‘rganish sohasidagi inqilob. («Sber kutubxonasi: Sun’iy intellekt»). — Moskva: Alpina non-fikshn, 2021. — 348 b. — ISBN 978-5-907394-29-2.
  • Nikolenko, Sergey. Mashinaviy o‘rganish: asoslari. — Sankt-Peterburg: Piter, 2025. — 608 b. — ISBN 978-5-4461-4191-3.
  • Prins, Saymon. Mashinaviy o‘rganish. Asoslardan ilg‘or modellargacha. — Eksmo, 2025. — ISBN 978-5-04-192658-8. — Mashinaviy va chuqur o‘rganish bo‘yicha ishonchli, tushunarli va zamonaviy kirish qo‘llanmasi; unda Python (PyTorch) orqali misollar keltirilgan. Kitob «Chuqur o‘rganish» (DMK, Moskva, 2018) kitobidan ilhomlangan davom sifatida ( Gudfellou va boshqalar, 2016) yozilgan. Mazkur kitob ko‘plab beqiyos afzalliklarga ega bo‘lsa-da, unda eng yangi yutuqlar yoritilmagan».
  • Serrano, Luis. Mashinaviy o‘rganishni chuqur anglash = Grokking Machine Learning. — Piter, 2024. — b. 512. — (Dasturchi kutubxonasi). — ISBN 978-5-4461-1923-3. — Kitob mashinaviy o‘rganishning asosiy tushunchalarini akademik murakkab iboralarsiz, sodda tilda va rasmlar yordamida tushuntiradi. Unda quyidagi dasturlash vositalaridan ham foydalaniladi: Python (scikit-learn, keras (TensorFlow)).
  • Flax P. Mashinaviy o‘rganish. — Moskva: DMK Press, 2015. — 400 b. — ISBN 978-5-97060-273-7.

Havolalar