MASHINAVIY O'QITISH ALGORITMLARIASOSIDA MAKTAB BITIRUVHILARINING YO'NALISHLARINI ANIQLASH MODELI
Litsenziya: cc-by
Annotatsiya
Ushbu maqolaning maqsadi mashinaviy o‘qitish (machine learning) usullaridan foydalanganholda maktab o‘quvchilarini fanlardan olgan baholari va softskills ko‘nikmalari bo‘yicha ularning yo‘nalishlarinianiqlashdir. Maqolada ko‘p o‘zgaruvchili chiziqli regressiya yordamida sigmoid funksiya qurish murakkabliklariko‘rib chiqildi hamda o‘quvchilarni 10 yil davomida ta’lim yo’nalishi bo‘yicha tanlangan fanlardan olingan baholariva ularni turli parametrlari, sabablari hamda o‘quvchining imkoniyatlari raqamlashtirildi. Ushu raqamlar yordamidatrening ma’lumotlar top‘lami tashkil qilindi. Natijada maktab o‘quvchilarini 10 yil davomida o‘qigan fanlari vaulardan oligan baholarining klassifikatsiyasi ishlab chiqildi. Neyron tarmoq arxitekturalari, modullari, mashinaviyo‘qitish algoritmlarida eng ko‘p qo‘llanilayotgan aktivlashtirish funksiyalari, o‘qitish usullari hamda chiziqli valogistik regressiya qurish usullari, kamchiliklari va imkoniyatlari tahlil qilingan. Ko‘p o‘zgaruvchili chiziqli regressiyauchun gradiyent tusish funksiyasini vektorlangan hisoblash orqali qulaylashtirish yo‘llari o‘rganib chiqildi. Chiziqliregressiyaning bu turida juda ko‘p o‘zgaruvchilar qatnashganligi uchun vektor hisob-kitoblar ancha qulayli isbotlangan.Vektor hisoblashlar yordamida gradiyent tushish jarayonlarini parallel hisoblash yo‘llari ham ko‘rib o‘tilgan. Hususan,trening ma’lumotlar jadvalining ustunlarini qo‘shish, koeffitsiyentlarni transpozitsiyalash - AT, chiziqli funksiyaningvektorlangan ko‘rinishlari, gradiyent tushish uchun giperparametrlar (o‘rganish darajasi - , qadamlar soni) aniqlabolindi.