БІЛІМ СЕКТОРЫНДАҒЫ МАШИНАЛЫҚ ОҚЫТУДЫ ТАЛДАУ

Жұмыс түрі: Материал
Тегін: Антиплагиат
Көлемі: 4 бет
Таңдаулыға:

ӘОЖ 004.03

Т.Қ. Қойшиева - техн.ғ.к., доцент - (k.tur@mail.ru)
Қожа Ахмет Ясауи атындағы Халықаралық қазақ-түрік университеті,
Түркістан қаласы. Қазақстан

А.Н. Урматова - PhD, аға оқытушы - (aurmatova@bk.ru)
М. Әуезов атындағы Оңтүстік Қазақстан университеті,
Шымкент қаласы. Қазақстан

Уразалиев К. М. - магистрант
Х.А.Ясауи атындағы Халықаралық қазақ-түрік университеті,
Түркістан қаласы. Қазақстан

БІЛІМ СЕКТОРЫНДАҒЫ МАШИНАЛЫҚ ОҚЫТУДЫ ТАЛДАУ

АННОТАЦИЯ
В эпоху пандемий дистанционное обучение было единственным и правильным решением в сфере образования. Методы машинного обучения дали новый импульс современной системе образования.
Ключевые слова: Алгоритмы машинного обучения, Искусственный интеллект, База данных, Глубокое обучение.
ABSTRACT
In the era of pandemics, distance learning was the only and correct solution in the field of education. The methods of machine learning have given a new impetus to the modern education system.
Key words: Machine learning algorithms, Artificial intelligence, Database, Deep learning.

Өңделмеген деректерді пайдаланып, компьютерге түсінікті инструкциялар құрастыру процессі машиналық оқыту деп аталады. Бұл жұмыстың негізгі мақсаты - машиналық оқытудың білім беру жүйесін қалай өзгерткенін талдау. Машиналық оқыту алгоритмдерін қолданатын болжамды аналитика қазіргі заманның жаңа құралына айналды, себебі ол академиялық институттарға оқушылардың тұрақтылығы мен үлгерімін жоғарылатуға және емтихан алдында сәтсіздік қаупін азайту үшін өнімділікке талдау жасауға көмектеседі. Мақаланың негізгі мақсаты - машиналық оқыту алгоритмдері көмегімен оқушының жұмысын тексеру және оқушының нәтижеге жету және сәтсіздіктің алдын алу үшін қалай қолданылғанын білу [1].
Машиналық оқыту - бұл жүйеге нақты нұсқаусыз автоматты түрде үйренуге және тәжірибені жетілдіруге икемділік беретін Жасанды Интеллект (AI) қосымшаларының бірі. Машиналық оқыту ақпаратқа қол жеткізе алатын және оны өз бетінше іздей алатын компьютерлік зерттеулер жағдайына шоғырланған.
Машиналық оқыту көмегімен сценарий негізінде өз бетінше шешім қабылдай алатын интеллектуалды жүйелерді дамытуға болады. Статистикалық талдауды қолдану арқылы кейбір алгоритмдер бұрынғы нәтижерден үйренеді. Осы алынған мәліметтерді қорыта келе ол бізге нақты болжам жасауға көмек береді. Деректер қорының машиналық оқытуда рөлі өте маңызды, өйткені ол негізгі компонент болып табылады. Бұрын сақталған мәліметтерді пайдаланып машиналық оқыту алгоритмінің көмегімен қажетті болжам құруға болады [2].
Машиналық оқыту түрлері:
1. Бақыланатын оқыту
2. Бақыланбайтын оқыту
3. Бекіту арқылы оқыту
Бақыланатын оқыту - бұл машиналық оқытудың негізгі түрі. Ол дұрыс жағдайда қолданылған кезде нақтылығы жоғары нәтижеге жетуге болады. Бақыланатын оқыту екі түрге бөлінеді:
Жіктеу: ол алаяқтықты анықтау, диагностика, кескінді тану үшін қолданылады.
Регрессия: ол тәуекелді бағалау үшін және оқушы үлгерімін болжау үшін қолданылады.
Бақыланатын оқытуда қолданылатын алгоритмдер:
Сызықтық регрессия: 2 немесе одан да көп айнымалылар арасындағы сызықтық байланыс сызықтық регрессияда өлшенеді. Осы байланыс негізінде сызықтық заңдылық бойынша болжамдарды орындауға болады.
Кездейсоқ орман: бөлу үшін қолданылатын машиналық оқыту әдістерінің бірі, шешім ағаштарын құру арқылы регрессия тапсырма ретінде орындалады және класс (class) ретінде нәтижені қайтарады.
Градиентті күшейту: ол күшті жіктеуішке шешім қабылдауға көмектесетін пайдалы бірнеше әлсіз шешім ағаштарын жинау үшін қолданылады.
Қолдау векторлық машинасы (SVM): гипержазбаны қолдану арқылы екілік деректер жиынтығы екі классқа жіктеледі.
Жасанды нейрондық желілер адамның миына негізделген және олар сақталған мәліметтерден түсінеді. Мұны Терең оқыту сияқты машиналық оқыту модельдері арқылы жасауға болады.
Бақыланбайтын оқыту адамдардың араласуынсыз жұмыс істей алады. Бақыланбайтын оқытудың екі түрі бар: өлшемділікті төмендету, кластерлеу.
Өлшемділікті азайту мәтінді өндіруде, бетті тануда, үлкен деректерді визуализациялауда, кескінді тануда қолданылады.
Кластерлеуді биологияда, қаланы жоспарлауда, мақсатты маркетингте қолдануға болады.
Бақыланбайтын оқытуды қолданатын алгоритмдер келесідей:
K-means: әр кластер ең жақын орта мәнге ... жалғасы

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.