МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ КАК ЧАСТЬ ТЕОРЕТИЧЕСКИХ ОСНОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Keywords:
Ключевые слова: машинное обучение, искусственный интеллект, теоретико-статистическая аппроксимация, обобщающая способность, байесовский вывод, ансамбли, глубокие нейросети, вероятностные модели., Kalit so‘zlar: mashinaviy o‘qitish, sun’iy intellekt, teoretik-statistik yaqinlashtirish, umumlashtirish qobiliyati, Bayescha xulosa chiqarish, ansambllar, chuqur neyron tarmoqlar, ehtimollik modellar., Keywords: machine learning, artificial intelligence, statistical approximation theory, generalization ability, Bayesian inference, ensembles, deep neural networks, probabilistic models.Abstract
Аннотация. В статье рассматриваются модели машинного обучения (МО) как ключевой компонент теоретических основ искусственного интеллекта (ИИ). Показано, что математические принципы МО-статистическая аппроксимация, теория обобщающей способности (обобщающая ошибка, смещение–дисперсия, VC- размерность, PAC-границы), регуляризация, байесовский вывод, оптимизация-образуют фундамент для проектирования объяснимых и верифицируемых ИИ-систем.Annotatsiya. Maqolada sun’iy intellekt (SI)ning nazariy asoslarining muhim tarkibiy qismi sifatida mashinaviy o‘qitish (MO) modellari ko‘rib chiqiladi. Unda MOning matematik tamoyillari - statistik aproksimatsiya, umumlashtirish qobiliyati nazariyasi (umumlashtirish xatosi, og‘ish–dispersiya muvozanati, VC o‘lchami, PAC-chegaralar), regulyarizatsiya, Bayescha xulosa chiqarish, optimallashtirish-tushuntiriladigan va verifikatsiya qilinadigan SI tizimlarini loyihalash uchun poydevor bo‘lishi ko‘rsatiladi.
Abstract. The article examines machine learning (ML) models as a key component of the theoretical foundations of artificial intelligence (AI). It shows that the mathematical principles of ML-statistical approximation, the theory of generalization (generalization error, the bias–variance trade-off, VC dimension, PAC bounds), regularization, Bayesian inference, and optimization-form the foundation for designing explainable and verifiable AI systems.
