ADAPTIV KUCHAYTIRISH USULI
Keywords:
Adaptiv kuchaytirish, AdaBoost, ansembllash, zaif o'rganuvchilar, og'irliklar, tasniflash, mashinaviy o'qitish, kuchaytirish.Abstract
Mazkur ilmiy tezisda Adaptiv Kuchaytirish Usuli (Adaptive Boosting yoki AdaBoost) ning nazariy asoslari, uning mashinaviy o'qitishdagi fundamental ahamiyati va turli xil tasniflash muammolarini hal qilishdagi samaradorligi tizimli tahlil qilinadi. Tadqiqotda AdaBoost ning asosiy mexanizmi – zaif o'rganuvchilarni (weak learners) ketma-ket o'qitish va ularni og'irliklar (weights) asosida birlashtirish orqali kuchli o'rganuvchiga aylantirish prinsiplari yoritiladi. Usulning har bir iteratsiyada noto'g'ri tasniflangan misollarning og'irligini oshirish orqali modelning diqqatini murakkab ma'lumotlarga qaratishi ilmiy jihatdan asoslab beriladi. Shuningdek, AdaBoost ning chegara bo'ylab tasniflash (boundary classification) va o'lchamning yuqori darajasidagi ma'lumotlar (high-dimensional data) bilan ishlashdagi beqiyos ustunliklari ko'rib chiqiladi.
References
1. Freund, Y., & Schapire, R. E. (Bir Ming To'qqiz Yuz To'qson Besh). A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. European Conference on Computational Learning Theory konferensiyasi materiallari. (AdaBoost algoritmining asosiy nazariyasi va uning ansembllashdagi dastlabki ilmiy yoritilishi.)
2. Schapire, R. E., & Freund, Y. (Ikkki Ming Yil). Boosting: Foundations and Algorithms. MIT Press nashriyoti. (Kuchaytirish usullari, shu jumladan AdaBoost ning fundamental nazariy asoslari, isbotlari va chuqur tahlilini o'z ichiga olgan keng qamrovli monografiya.)
3. Hastie, T., Tibshirani, R., & Friedman, J. (Ikkki Ming Yetti). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Ikkinchi Nashr, Springer nashriyoti. (Statistik o'rganish va ansembllash usullari, AdaBoost ning matematik asoslari va boshqa kuchaytirish usullari bilan qiyosiy tahlili.)
4. Viola, P., & Jones, M. J. (Ikkki Ming Ikki). Robust Real-time Face Detection. International Journal of Computer Vision ilmiy jurnali. (AdaBoost ning yuzni aniqlash kabi yuqori amaliy ahamiyatga ega bo'lgan sohalarda muvaffaqiyatli qo'llanilishi bo'yicha ilmiy ish.)
5. Zhou, Z. H. (Ikkki Ming O'n Yetti). Ensemble Methods: Foundations and Algorithms. Chapman and Hall/CRC nashriyoti. (Ansembllash usullari nazariyasini keng yorituvchi manba, unda AdaBoost ning umumiy ansembllash doirasidagi o'rni belgilangan.)
6. Tojimamatov, I. N., Topvoldiyeva, H., Karimova, N., & Inomova, G. (2023). GRAFIK MA’LUMOTLAR BAZASI. Евразийский журнал технологий и инноваций, 1(4), 75–84.
7. Tojimamatov, I. N., & Saidjamolova, B. M. (2023). BIZNESDA «BIG DATA» TEXNOLOGIYALARI VA ULARNING AHAMIYATI. Лучшие интеллектуальные исследования, 11(4), 56–63.
8. Tojimamatov, I. N., & Azizjon o‘g‘li, N. A. Z. (2024). The SQL server language and its structure. American Journal of Open University Education, 1(1), 11–15.
