MASHINALI O'QITISHDA MA'LUMOTLAR TO'PLAMINI BO'LISH: O'QUV, VALIDATSIYA VA TEST TO'PLAMLARI
Keywords:
Kalit so'zlar: mashinali o'qitish, ma'lumotlar to'plami, o'quv to'plami, validatsiya, overfitting, model baholashAbstract
Annotatsiya: Mashinali o'qitish modellarini yaratishda ma'lumotlar to'plamini
to'g'ri bo'lish muhim ahamiyatga ega. Ma'lumotlar odatda o'quv, validatsiya va test
to'plamlariga ajratiladi. Ushbu maqolada har bir to'plamning vazifasi, overfitting va
underfitting muammolari hamda ma'lumotlarni bo'lish strategiyalari tahlil qilinadi.
Tasvirlarni klassifikatsiya qilish misoli orqali amaliy tatbiq ko'rsatilgan. Natijalar shuni
isbotlaydiki, to'g'ri bo'lish usullari modelning aniqligini sezilarli oshiradi.
References
Foydalanilgan adabiyotlar
1. Karimov, A. X., & Sattarov, B. M. (2021). Sun'iy intellekt va mashinali o'qitish
asoslari. Toshkent: O'zbekiston Milliy Universiteti nashriyoti.
2. Abdullayev, R. T. (2020). Ma'lumotlar to'plamini tayyorlash va tahlil qilish usullari.
O'zbekiston Axborot Texnologiyalari Jurnali
3. Nematov, S. S., & Tursunov, I. K. (2022). Neyron tarmoqlarni o'qitishda overfitting
muammosi va uning yechimlari. Aniq va Tabiiy Fanlar Jurnali
4. Yusupov, M. A. (2019). Mashinali o'qitishda cross-validation usullarining
qo'llanilishi. Raqamli Texnologiyalar va Innovatsiyalar
5. Rashidov, J. B., & Ismoilov, A. A. (2023). Ma'lumotlarni bo'lish strategiyalari va
ularning samaradorligi. O'zbekiston Ilmiy Tadqiqotlar Jurnali
6. Xolmatov, D. N. (2020). Chuqur o'qitish modellarini baholash metodologiyasi.
Innovatsion Texnologiyalar
7. Mirzayev, O. O., & Sodiqov, N. R. (2021). Sun'iy intellekt tizimlarida validatsiya
jarayonining ahamiyati. Axborot Texnologiyalari va Kommunikatsiyalar
8. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
9. Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy
estimation and model selection. International Joint Conference on Artificial
Intelligence
10. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical
learning: Data mining, inference, and prediction. Springer.
