Из научных исследований, проводимых в мире, мы видим, что операции искусственного интеллекта осуществляются с использованием различных методов, среди которых наиболее распространенным является метод машинного обучения. Сегодня существуют категории машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением. Линейная регрессия, многомерная линейная регрессия и полиномиальная регрессия — широко используемые методы регрессии в машинном обучении. В этой статье используются модели полигармонических сплайнов, используемые в машинном обучении. Сначала было проведено сравнение полиномиальных и неполиномиальных сплайнов. Приведены примеры процессов интерполяции полигармонических сплайнов. Представлены основные преимущества и недостатки полигармонической интерполяции пролетов.
Цель данной статьи – определить ориентацию школьников с точки зрения оценок по предметам и softskills с помощью методов машинного обучения. В статье были рассмотрены сложности построения сигмовидной функции с использованием многомерной линейной регрессии, а также оцифрованы оценки, полученные по выбранным предметам в области образования студентов за 10 лет и их различные параметры, причины и возможности студента. Используя эти числа, был создан набор обучающих данных. В результате была разработана классификация предметов, изучаемых школьниками за 10 лет, и их оценки. Проанализированы архитектуры нейронных сетей, модули, наиболее часто используемые функции активации в алгоритмах машинного обучения, методы обучения и методы построения линейной и логистической регрессии, недостатки и возможности. Изучены пути упрощения функции градиентного спуска для многомерной линейной регрессии путем векторного расчета. Поскольку в этом типе линейной регрессии участвует множество переменных, векторные вычисления оказались более удобными. Также рассмотрены способы параллельного расчета процессов градиентного спуска с использованием векторных вычислений. В частности, были определены добавление столбцов таблицы обучающих данных, транспонирование коэффициентов - AT, векторизованное представление линейной функции, гиперпараметры для градиентного спуска (скорость обучения - , количество ш
Sign language recognition has gained significant attention due to its potential to bridge communication gaps between the deaf and hearing communities. This article presents a comprehensive review of machine learning methods employed for the recognition of Uzbek Sign Language (UzSL). The unique visual and spatial nature of sign languages poses challenges that necessitate specialized techniques for accurate recognition. This review surveys various approaches, ranging from traditional techniques to modern deep learning methods, used to recognize UzSL gestures. The article begins by introducing the significance of UzSL recognition and its impact on facilitating effective communication for the Uzbek deaf community. It outlines the complexities involved in sign language recognition, including variations in hand shapes, movements, and facial expressions. The challenges of limited training data, real-time recognition, and capturing dynamic features are discussed in depth. A survey of traditional machine learning methods such as Hidden Markov Models (HMMs), Support Vector Machines (SVMs), and k-Nearest Neighbors (k-NN) is presented, along with their applications and limitations in UzSL recognition. The evolution of these methods into more sophisticated approaches like Dynamic Time Warping (DTW) and Conditional Random Fields (CRFs) is also explored.
The remarkable development of accessible data sources has enormously impacted the admittance to useable wellbeing data. As an outcome, restoratively one-sided data has become hard to use for navigation. In this paper, we consider these outcomes and present an improved technique for getting to wellbeing data continuously. The methodology includes the utilization of the vapnik Backing Vector Machine process for text grouping. The proposed technique was frameworked on php/mysql for web client. Trial arrangement shows that the strategy outflanks the pattern in the Accuracy, Review and F1 measures. An expansion utilizing the Gaussian portion is suggested in the paper.
Машиностроение лидирует среди других отраслей промышленности в использовании высоких технологий и имеет большой мультипликативный эффект в экономике. Именно машиностроению принадлежит ключевая роль в распространении передовых машин, оборудования и технологических процессов в других отраслях экономики. В статье анализируются современные тенденции развития машиностроения в мировой экономике в государствах Восточной Азии (Японии, КНР), а также рассматриваются перспективы развития отрасли в Узбекистане с учетом опыта новых индустриальных стран.
This article aims to provide algorithmic insights into the evaluation of human emotions, highlighting the progress that has been made and the challenges that still exist. By utilizing machine learning algorithms and sentiment analysis, researchers have been able to uncover valuable information about the emotions that robots can express and how they impact consumers. This cross-disciplinary study paves the way for next-level social, design, and creative experiences in artificial intelligence research, particularly in the realms of consumer service and experience contexts.
The Jima drum replaceable multi-crop thresher which was produced at Jima agricultural engineering research center was evaluated in Fedis agricultural research center for threshing performance of the crops wheat and barley. During evaluation the basic variables that given-attention were feed rates (kg/min), machine speeds (rpm) and crop types. The performance evaluation was done for wheat and barley crops at their average temperature 21oC, average moisture content 12.25 % and at constant inlet 20mm, central-beneath 50mm and out-let 20mm drum-concave clearance of the machine. The results obtained were threshing efficiency varied in the range of 99.03% to 99.82% for wheat crop and 97.10% to 100% for barley. Its output capacity was 2.25 to 2.5qt/h and 2.2 to 2.86 qt/h for wheat and barley respectively.
Kvant kompyuterlarida hisoblash jarayonining aksariyati standart yoki “klassik” kompyuterlar yordamida hal qilib bo‘lmaydigan muammolarni hal qilish uchun kvant algoritmlaridan foydalanish imkoniyati bilan bog’liq. Kvant jarayoni tezligini oshirishning bir qancha yorqin misollari, xususan kriptografiyada va fizik jarayonlarda, magnetizm hodisalarida va sun’iy intellektga oid ilovalarda muhim ahamiyatga egadir. Ushbu murakkab jarayonlarda, kvant kompyuterlari hisoblash uchun sehrli jarayon emas, balki ba’zi muammolar bilan kvant algoritmlari bilan ham hal qilishmumkin, bu holat ba’zida faqat kichik afzalliklarni beradi. Biroq, kvant kompyuterlarini simulyatsiya qilish va tahlil qilish juda qiyin bo‘lganligi sababli, ko‘plab muammolar va algoritmlar uchun tadqiqotchilar kvant algoritmlari qanday ishlashini bilishi talab etiladi. Ushbu tadqiqotda kattaroq kvant qurilmalari va kompyuterlar internetga kirishi bilan ularda kvant algoritmlarini sinab ko‘rish va kvant kompyuterlari afzallik beruvchi sun’iy intellekt orqali yangi muammolarni aniqlash mumkin bo‘ladi.