> [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən eskiz
> [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən eskiz
Bu kurikulumda, sən öyrətmə datasının bir neçə hazırlama üsulunu və maşın öyrənməsi modelini qurmağı öyrənmisən. Sən bir neçə klassik reqressiya, klasterləşdirmə, təsnifatlandırma, təbii dil emalı və zaman seriyası modelləri qurmusan. Təbriklər! İndi sənə maraqlı gələ bilər ki, bu modellərin hamısı real həyatda necə tətbiq olunurlar?
Bu kurikulumda, sən öyrətmə datasının bir neçə hazırlama üsulunu və maşın öyrənməsi modelini qurmağı öyrənmisən. Sən bir neçə klassik reqressiya, klasterləşdirmə, qruplaşdırma, təbii dil emalı və zaman seriyası modelləri qurmusan. Təbriklər! İndi sənə maraqlı gələ bilər ki, bu modellərin hamısı real həyatda necə tətbiq olunurlar?
Sənayedə daha çox maraq AI, dərin öyrənmə ətrafında çox maraq toplansa da, hələ də klassik maşın öyrənmə modelləri üçün çoxlu dəyərli tətbiqlər var. Sən bu tətbiqlərin hətta bəzilərini bugün istifadə etmisən! Bu dərsdə sən 8 fərqli sənayədə və ixtisaslaşmış sahədə bu modelləri istifadə etməklə tətbiqləri istifadəçilərə necə daha məhsuldar, etibarlı, ağıllı və dəyərli edildiyini kəşf edəcəksən.
Sənayedə daha çox maraq AI, dərin öyrənmə ətrafında toplansa da, hələ də klassik maşın öyrənmə modelləri üçün çoxlu dəyərli tətbiqlər var. Sən bu tətbiqlərin hətta bəzilərini bugün istifadə etmisən! Bu dərsdə sən 8 fərqli sənayədə və ixtisaslaşmış sahədə bu modelləri istifadə etməklə tətbiqləri istifadəçilərə necə daha məhsuldar, etibarlı, ağıllı və dəyərli edildiyini kəşf edəcəksən.
## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/49/)
## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/49/?loc=az)
## 💰 Maliyyə
## 💰 Maliyyə
Maliyyə sektory maşın öyrənməsi üçün çox fürsətlər verir. Bu sahədəki çox problemlər özləri modelləşdirilib və ML vasitəsilə həll olunmağa meyillidir.
Maliyyə sektoru maşın öyrənməsi üçün çox fürsətlər verir. Bu sahədəki çox problemlər özləri modelləşdirilib ML vasitəsilə həll olunmağa meyillidir.
### Bank kartlarında fırıldaqçılığıq təyini
### Bank kartlarında fırıldaqçılığıq təyini
@ -24,14 +24,14 @@ K-ortalama klasterləşməsi bank kartı fırıldaqçılığını təyin edilmə
Sərvətin idarə edilməsində fərd və ya şirkət müştərilərinin adından sərmayələrin icrasında cavabdehdirlər. Onların işi şərvəti qorumaq və uzun müddətdə inkişaf etdirməkdir, buna görə də onlara sərmayəni düzgün seçərək məhsuldar nəticə göstərmək çox vacibdir.
Sərvətin idarə edilməsində fərd və ya şirkət müştərilərinin adından sərmayələrin icrasında cavabdehdirlər. Onların işi şərvəti qorumaq və uzun müddətdə inkişaf etdirməkdir, buna görə də onlara sərmayəni düzgün seçərək məhsuldar nəticə göstərmək çox vacibdir.
Müəyyən bir sərmayənin necə işlədiyini ölçməyin yollarından biri statistik reqressiyadır. [Xətti reqressiya](../../../2-Regression/1-Tools/translations/README.az.md) fondun başqa etalonlarla müqayisədə necə işlədiyini başa düşmək üçün dəyərli bir alətdir. Biz həmçinin reqressiyanın nəticəsinin statistik olaraq nə qədər təsirli olduğunu və ya müştərinin sərmayəsinə nə qədər təsir edə biləcəyini öyrənə bilərik. Sən analizini əlavə olaraq risk faktorlarının nəzərə alan müxtəlif reqressiya üsulları ilə genişləndirə bilərsən. Misal üçün bu müəyyən fonda necə təsir edə biləcəyini və onu necə ölçə biləcəyini aşağıdakı məqalədən öyrənə bilərsən.
Müəyyən bir sərmayənin necə işlədiyini ölçməyin yollarından biri statistik reqressiyadır. [Xətti reqressiya](../../../2-Regression/1-Tools/translations/README.az.md) fondun başqa etalonlarla müqayisədə necə işlədiyini başa düşmək üçün dəyərli bir alətdir. Biz həmçinin reqressiyanın nəticəsinin statistik olaraq nə qədər təsirli olduğunu və ya müştərinin sərmayəsinə nə qədər təsir edə biləcəyini öyrənə bilərik. Analizini əlavə olaraq risk faktorlarının nəzərə alan müxtəlif reqressiya üsulları ilə genişləndirə bilərsən. Misal üçün bunun müəyyən fonda necə təsir edə biləcəyini və onu necə ölçə biləcəyini aşağıdakı məqalədən öyrənə bilərsən.
Təhsil sektoru da ML tətbiq oluna biləcək çox maraqlı sahədir. Burada imtahan və ya esselərdə fırıldağın, hansısa tərəfin şüurlu və ya şüursuz tutulmasını təyin olunması kimi maraqlı problemlər var.
Təhsil sektoru da ML tətbiq oluna biləcək çox maraqlı sahədir. Burada imtahan və ya esselərdə fırıldağın, hansısa tərəfin şüurlu və ya şüursuz tutulmasını təyin olunması kimi maraqlı problemlər var.
### Tələbələrin davranışınının proqnozlaşdırılması
### Tələbələrin davranışının proqnozlaşdırılması
[Coursera](https://coursera.com) online açıq kurs təminatçısıdır və onların çoxlu mühəndislik qərarlarının müzakirə olunduğu möhtəşəm bloqları var. Bir araşdırmada onlar aşağı NPS (Başqasına Tövsiyyə Dərəcəsi) ilə kursun baxılma və ya yarımçıq qoyulma halları arasında əlaqəni öyrənmək üçün reqressiya xətti çəkərək öyrənmək istəyiblər.
[Coursera](https://coursera.com) online açıq kurs təminatçısıdır və onların çoxlu mühəndislik qərarlarının müzakirə olunduğu möhtəşəm bloqları var. Bir araşdırmada onlar aşağı NPS (Başqasına Tövsiyyə Dərəcəsi) ilə kursun baxılma və ya yarımçıq qoyulma halları arasında əlaqəni öyrənmək üçün reqressiya xətti çəkərək öyrənmək istəyiblər.
@ -47,7 +47,7 @@ Pərakəndə satış sektoru yaxşı müştəri təcrübəsi yaratmaqdan inventa
### Müştəri təcrübəsini fərdiləşdirmək
### Müştəri təcrübəsini fərdiləşdirmək
Ev əşyaları və mebellər satışı edən Wayfair şirkəsi müştərilərinin zövqlərinə və ehtiyaclarına uyğun doğru məhsulu tapmaqda kömək edir. Bu məqalədə şirkətin mühəndisləri MI və NPL istifadə etməklə "müştərilərə doğru nəticələrin çıxardılması" necə etdiklərini paylaşıblar. Onlar məlumatın filtrlənməsi, təsnifatlandırılması, məhsul və fikrin müştəri rəylərindən təyin olunmasını istifadə edərək Sorğuların məqsədi təyin edən mühərrik (Query Intent Engine) hazırlayıblar. Bu NLP-nin onlayn pərakəndə sahəsində istifadə olunan klassik tətbiqidir.
Ev əşyaları və mebellər satışı edən Wayfair şirkəsi müştərilərinin zövqlərinə və ehtiyaclarına uyğun doğru məhsulu tapmaqda kömək edir. Bu məqalədə şirkətin mühəndisləri ML və NPL istifadə etməklə "müştərilərə doğru nəticələrin çıxardılması" necə etdiklərini paylaşıblar. Onlar məlumatın filtrlənməsi, qruplaşdırılması, məhsul və fikrin müştəri rəylərindən təyin olunmasını istifadə edərək sorğuların məqsədini təyin edən mühərrik (Query Intent Engine) hazırlayıblar. Bu NLP-nin onlayn pərakəndə sahəsində istifadə olunan klassik tətbiqidir.
@ -61,17 +61,17 @@ Səhiyyə sektorunda araşdırmaları optimallaşdırılması, xəstələrin yen
### Tibbi təcrübələrin idarə edilməsi
### Tibbi təcrübələrin idarə edilməsi
Dərman hazırlayanlar üçün tibbi təcrübələrdəki zəhərlənmə halları ən narahat olduqları məqamdır. Nə qədər zəhərlənmə qəbul oluna bilər? Bu araşdırmada tibbi təcrübələrin nəticələrinin proqnozlaşdırılması üçün yeni üsulların yaradılmasında müxtəlif üsullar analiz olunub. Onlar xüsusi olaraq təsadüfi parametrlər istifadə edərək [təsnifatlandırıcının](../../../4-Classification/translations/README.az.md) köməyi ilə dərman qruplarını ayırd edə biliblər.
Dərman hazırlayanlar üçün tibbi təcrübələrdəki zəhərlənmə halları ən narahat olduqları məqamdır. Nə qədər zəhərlənmə qəbul oluna bilər? Bu araşdırmada tibbi təcrübələrin nəticələrinin proqnozlaşdırılması üçün yeni üsulların yaradılmasında müxtəlif üsullar analiz olunub. Onlar xüsusi olaraq təsadüfi parametrlər istifadə edərək [qruplaşdırıcının](../../../4-Classification/translations/README.az.md) köməyi ilə dərman qruplarını ayırd edə biliblər.
Xəstəxana xidmədi çox bahalıdır, xüsusən də xəstələrin yenidən yerləşdirilməsi lazım olduqda. Bu araşdırmada ML [klasterləşdirmə](../../5-Clustering/README.md) alqoritmləri istifadə etməklə yenidən yerləşdirilməsi lazım olacaq xəstələrin təxmin edən şirkət haqqında danışılır. Bu klasterlər "yenidən yerləşdirilməsi lazım olan qruplarda oxşar xüsusiyyətləri" analiz etməkdə kömək edir.
Xəstəxana xidmədi çox bahalıdır, xüsusən də xəstələrin yenidən yerləşdirilməsi lazım olduqda. Bu araşdırmada ML [klasterləşdirmə](../../../5-Clustering/translations/README.az.md) alqoritmləri istifadə etməklə yenidən yerləşdirilməsi lazım olacaq xəstələri təxmin edən şirkət haqqında danışılır. Bu klasterlər "yenidən yerləşdirilməsi lazım olan qruplarda oxşar xüsusiyyətləri" analiz etməkdə kömək edir.
Ən son pandemiya bizə maşın öyrənməsinin köməyi ilə xəstəliyin yayılmasının qarşısı alınması üsullarını aydınlatdı. Bu məqalədə ARIMA-nın, logistika əyrilərinin, xətti reqressiyanın və SARIMA-nın istifadəsini görəcəksən. "Bu araşdırma virusun yayılma sürətini hesablamağa, ölüm və sağalma ehtimallarını proqnozlaşdrmağa çalışıb və bizim gələcəyə daha yaxşı hazırlıqlı olmağa və sağ qalmağa kömək edəcək."
Ən son pandemiya bizə maşın öyrənməsinin köməyi ilə xəstəliyin yayılmasının qarşısı alınması üsullarını aydınlatdı. Bu məqalədə ARIMA-nın, logistika əyrilərinin, xətti reqressiyanın və SARIMA-nın istifadəsini görəcəksən. "Bu araşdırma virusun yayılma sürətini hesablamağa, ölüm və sağalma ehtimallarını proqnozlaşdrmağa çalışıb bizim gələcəyə daha yaxşı hazırlıqlı olmağa və sağ qalmağa kömək edəcək."
@ -80,7 +80,7 @@ Təbiət və ekologiya heyvanlar və təbiət arasında əlaqədə olan bir çox
### Meşələrin idarə edilməsi
### Meşələrin idarə edilməsi
Əvvəlki dərslərdə [Gücləndirilmiş öyrənmə (RL)](../../../8-Reinforcement/translations/README.az.md) haqqında öyrənmisən. Bu üsul təbiətdəki hərəkərləri proqnozlaşdırmaqda çox faydalıdır. Xüsusi ilə meşə yanğınları və ziyanverici həşaratlar kimi ekoloji problemləri izləməkdə istifadə oluna bilinir. Kanadada bir qrup tədqiqatçı Gücləndirilmiş öyrənmə üsulu tətbiq edərək peyk şəkillərindən meşə yanğınlarının dinamika modelini qurublar. Onlar innovativ "məkanda yayılma prosesini(SSP)" istifadə etməklə meşə yanğınını "müstəvi üzərində istənilən mövqedə olan agentə" bənzədiblər. "Yanğının olduğu məkandan verilən zamandan sonra edə biləcəyi hərəkətlər yalnız şimala, cənuba, şərqə və qərbə yayılmaq və ya heç yayılmamaqdır.
Əvvəlki dərslərdə [Gücləndirici öyrənmə (RL)](../../../8-Reinforcement/translations/README.az.md) haqqında öyrənmisən. Bu üsul təbiətdəki hərəkətləri proqnozlaşdırmaqda çox faydalıdır. Xüsusi ilə meşə yanğınları və ziyanverici həşaratlar kimi ekoloji problemləri izləməkdə istifadə oluna bilinir. Kanadada bir qrup tədqiqatçı Gücləndirici öyrənmə üsulu tətbiq edərək peyk şəkillərindən meşə yanğınlarının dinamika modelini qurublar. Onlar innovativ "məkanda yayılma prosesini(SSP)" istifadə etməklə meşə yanğınını "müstəvi üzərində istənilən mövqedə olan agentə" bənzədiblər. "Yanğının olduğu məkandan verilən zamandan sonra edə biləcəyi hərəkətlər yalnız şimala, cənuba, şərqə və qərbə yayılmaq və ya heç yayılmamaqdır.
Bu yanaşma sadə RL tətbiqini yanğının ani yayılmasının dinamikasına daha uyğun olan məşhur Markov Qərarvermə Prosesinə (MDP) çevirir." Aşağıdakı linkdən klassik alqoritmlərin bu qrupa aid problemlərdə necə istifadə olunması barədə oxuya bilərsiniz.
Bu yanaşma sadə RL tətbiqini yanğının ani yayılmasının dinamikasına daha uyğun olan məşhur Markov Qərarvermə Prosesinə (MDP) çevirir." Aşağıdakı linkdən klassik alqoritmlərin bu qrupa aid problemlərdə necə istifadə olunması barədə oxuya bilərsiniz.
@ -89,12 +89,12 @@ Bu yanaşma sadə RL tətbiqini yanğının ani yayılmasının dinamikasına da
Dərin öyrənmə heyvanların hərəkətinin vizual olaraq izlənməsində inqilab yaratsa da (qütb ayısını izləmək üçün proqramı [burada](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) hazırlaya bilərsən), klassik ML-in bu tapşırıqda hələ də yeri var.
Dərin öyrənmə heyvanların hərəkətinin vizual olaraq izlənməsində inqilab yaratsa da (qütb ayısını izləmək üçün proqramı [burada](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) hazırlaya bilərsən), klassik ML-in bu tapşırıqda hələ də yeri var.
Ferma heyvanlarının hərəkətlərini izləyən sensorlar və IoT (Əşyaların interneti) cihazları vizual emal üçün istifadə olunur, lakin datanın əvvəldən emal olunması üçün sadə ML texnikalarını istifadə etmək daha faydalıdır. Misal üçün bu məqalədə qoyunların duruşları müxtəlif təsnifatlandırı alqoritmlərlə müşahidə və analiz olunur. 335-ci səhifədə ROC əyrisini tanıyacaqsan.
Ferma heyvanlarının hərəkətlərini izləyən sensorlar və IoT (Əşyaların interneti) cihazları vizual emal üçün istifadə olunur, lakin datanın əvvəldən emal olunması üçün sadə ML texnikalarını istifadə etmək daha faydalıdır. Misal üçün bu məqalədə qoyunların duruşları müxtəlif qruplaşdırıcı alqoritmlərlə müşahidə və analiz olunur. 335-ci səhifədə ROC əyrisini tanıyacaqsan.
[Zaman seriyasının proqnoqlaşdırılması](../../../7-TimeSeries/translations/README.az.md) dərsimizdə tələb və təklifi başa düşərək kəndə gəlir gətirəsək ağıllı parklama sayğacı konseptini qurmuşduq. Bu məqalədə ağıllı sayğaclar istifadə edərək klasterləşmə, reqressiya və zaman seriyasının proqnozlaşdırılmasının birgə tətbiqi ilə gələcəkdə İrlandiyada enerji istehlakını proqnozlaşdırılmasına necə kömək etdiyindən danışılır.
[Zaman seriyasının proqnoqlaşdırılması](../../../7-TimeSeries/translations/README.az.md) dərsimizdə tələb və təklifi başa düşərək kəndə gəlir gətirəcək ağıllı parklama sayğacı konseptini qurmuşduq. Bu məqalədə ağıllı sayğaclar istifadə edərək klasterləşmə, reqressiya və zaman seriyasının proqnozlaşdırılmasının birgə tətbiqi ilə gələcəkdə İrlandiyada enerji istehlakını proqnozlaşdırılmasına necə kömək etdiyindən danışılır.
@ -103,39 +103,39 @@ Sığorta sektoru ML istifadə etməklə sərfəli maliyyə və risk modellərin
### Dəyişkənliyin idarə edilməsi
### Dəyişkənliyin idarə edilməsi
Həyat sığortası təklif edən şirkət Metlife öz maliyyə modellərində dəyişkənlik risklərinin qarşısını almaq üçün istifadə etdiyi üsullardan bəhs etməyə dəyər. Bu məqalədə ikili və çoxsaylıtəsnifatlandırı vizuallardan istifadə olunduğunu görəcəksən. Sən həmçinin proqnozlaşdırma qrafiklərini də kəşf edəcəksən.
Həyat sığortası təklif edən şirkət Metlife öz maliyyə modellərində dəyişkənlik risklərinin qarşısını almaq üçün istifadə etdiyi üsullardan bəhs etməyə dəyər. Bu məqalədə ikili və çoxsaylıqruplaşdırıcı vizuallardan istifadə olunduğunu görəcəksən. Sən həmçinin proqnozlaşdırma qrafiklərini də kəşf edəcəksən.
İncəsənət sahəsində, misal olaraq jurnalistikada çoxlu saytda maraqlı problemlər var. Saxta xəbərlərin insanların fikirlərinə təsir etməsi, hətta demokratiyanın pozulmasına yol açması çox böyük bir problemdir. Muzeylər də həmçinin ML istifadə etməklə artefaktlar arasında əlaqələr tapmaqdan resurs planlamasına kimi çox şeydə faydalana bilirlər.
İncəsənət sahəsində, misal olaraq jurnalistikada çoxlu sayda maraqlı problemlər var. Saxta xəbərlərin insanların fikirlərinə təsir etməsi, hətta demokratiyanın pozulmasına yol açması çox böyük bir problemdir. Muzeylər də həmçinin ML istifadə etməklə artefaktlar arasında əlaqələr tapmaqdan resurs planlamasına kimi çox şeydə faydalana bilirlər.
### Saxta xəbərlərin aşkarlanması
### Saxta xəbərlərin aşkarlanması
İndiki mediyada saxta xəbərlərin aşkarlanması siçan və pişik oynununa çevrilib. Bu məqalədə tədqiqatçılar yoxlamalarına əsasən bir neçə fərqli ML texnikalarını birləşdirərək ən yaxşı modeli yaratdıqlarını düşünürlər: "Bu sistem təbii dil emalı istifadə edərək datadan faktları çıxarır və həmin faktlar Naive Bayes, Dəstək Vektor Maşını (SVM), Təsadüfi Meşə (RF), Stokastik Qradient Enişi (SGD) və Logistika Reqressiyası (LR) kimi maşın öyrənməsi alqoritmlərində öyrətmə datası kimi istifadə olunur".
İndiki mediyada saxta xəbərlərin aşkarlanması siçan və pişik oynununa çevrilib. Bu məqalədə tədqiqatçılar yoxlamalarına əsasən bir neçə fərqli ML texnikalarını birləşdirərək ən yaxşı modeli yaratdıqlarını düşünürlər: "Bu sistem təbii dil emalı istifadə edərək datadan faktları çıxarır və həmin faktlar Naive Bayes, Dəstək Vektor Maşını (SVM), Random Forest (RF), Stokastik Qradient Enişi (SGD) və Logistik Reqressiyası (LR) kimi maşın öyrənməsi alqoritmlərində öyrətmə datası kimi istifadə olunur".
Bu məqalə müxtəlif ML sahələrini birləşdirməklə saxta xəbərlərin yayılmasının və həqiqi ziyan verməsini dayandırmaqda kömək edən maraqlı nəticələrin əldə olunduğunu göstərir, misal üçün COVID müalicəsi ilə bağlı xəbərlərin yayılmasında təkan insanlar arasında izdihama və zorakılığa səbəb ola bilər.
Bu məqalə müxtəlif ML sahələrini birləşdirməklə saxta xəbərlərin yayılmasını və həqiqi ziyan verməsini dayandırmaqda kömək edən maraqlı nəticələrin əldə olunduğunu göstərir, misal üçün COVID müalicəsi ilə bağlı xəbərlərin yayılmasında təkan insanlar arasında izdihama və zorakılığa səbəb ola bilər.
### Muzeylərdə ML
### Muzeylərdə ML
Muzeylər AI inqilabı ilə tarixi zirvəyə qalxıb, belə ki kolleksiyaların rəqəmsallaşdırılması, kataloqlaşdırılması və artefaktların arasında əlaqələrin tapılması texnologiyanın köməyi ilə çox asanlaşıb. [In Codice Ratio](https://www.sciencedirect.com/science/article/abs/pii/S0306457321001035#:~:text=1.,studies%20over%20large%20historical%20sources) kimi layihələr Vatikan Arxivləri kimi əlçatmaz kolleksiyaların sirrlərini açmaqda kömək ediblər. Muzeylər ML modelləri ilə həmçinin biznes tərəfdən də faydalanırlar.
Muzeylər AI inqilabı ilə tarixi zirvəyə qalxıb, belə ki kolleksiyaların rəqəmsallaşdırılması, kataloqlaşdırılması və artefaktların arasında əlaqələrin tapılması texnologiyanın köməyi ilə çox asanlaşıb. [In Codice Ratio](https://www.sciencedirect.com/science/article/abs/pii/S0306457321001035#:~:text=1.,studies%20over%20large%20historical%20sources) kimi layihələr Vatikan Arxivləri kimi əlçatmaz kolleksiyaların sirrlərini açmaqda kömək ediblər. Muzeylər ML modelləridən həmçinin biznes tərəfdən də faydalanırlar.
Misal üçün Çikaqo İncəsənət İnstitutu modellər qurmaqla onun proqnozları əsasında tamaşaçıların olan marağına və iştirakın əsaslanan sərgilər hazırlayırlar. Burada əsas məqsəd muzeyi ziyarət edən qonaqlara hər dəfə fərdiləşdirilmiş və optimallaşdırılmış təcrübə yaşatmaqdır. "İncəsənət İnstitutunun böyük vitse prezidenti Andryu Siminkin sözlərinə görə 2017-ci ildə model dəqiqlikdə 1 faiz xəta ilə iştirak və satışları proqnozlaşdırmışdır".
Misal üçün Çikaqo İncəsənət İnstitutu modellər qurmaqla onun proqnozları əsasında tamaşaçıların marağına və iştirakına əsaslanan sərgilər hazırlayırlar. Burada əsas məqsəd muzeyi ziyarət edən qonaqlara hər dəfə fərdiləşdirilmiş və optimallaşdırılmış təcrübə yaşatmaqdır. "İncəsənət İnstitutunun böyük vitse prezidenti Andryu Siminkin sözlərinə görə 2017-ci ildə model dəqiqlikdə 1 faiz xəta ilə iştirak və satışları proqnozlaşdırmışdır".
Marketingin ən effektiv strategiyası müştəriləri fərqli qruplar halında hədəfləməkdir. Bu məqalədə klasterləşmə alqoritmi tətbiq olunmaqla fərqləndirilən marketinqə necə dəstək olunması barədə danışılır. Fərqləndirilən marketinq şirlətlərə brendlərinin daha yaxşı tanıtmağa, daha çox müştəriyə çıxmağa və daha çox pul qazanmağa kömək edir.
Marketingin ən effektiv strategiyası müştəriləri fərqli qruplar halında hədəfləməkdir. Bu məqalədə klasterləşmə alqoritmi tətbiq olunmaqla fərqləndirilən marketinqə necə dəstək olunması barədə danışılır. Fərqləndirilən marketinq şirlətlərə brendlərini daha yaxşı tanıtmağa, daha çox müştəriyə çıxmağa və daha çox pul qazanmağa kömək edir.
Bu dərsdə klassik ML istifadə etməklər bir çox real həyat problemlərini necə həll olunduğunu öyrəndin. Dərin öyrənmənin, AI alətlərinin və texnikalarının istifadəsi, neyron şəbəkələrin köməyi ilə yaradılan alətlər də bu sahələrdə çox faydalı olub, lakin bu kurikulumndakı klassik ML texnikalarının tətbiqi hələ də böyük dəyərə sahibdir.
Bu dərsdə klassik ML istifadə etməklə bir çox real həyat problemlərini necə həll olunduğunu öyrəndin. Dərin öyrənmənin, AI alətlərinin və texnikalarının istifadəsi, neyron şəbəkələrin köməyi ilə yaradılan alətlər də bu sahələrdə çox faydalı olub, lakin bu kurikulumndakı klassik ML texnikalarının tətbiqi hələ də böyük dəyərə sahibdir.
Bu tapşırıqda özünü hakatonda istirakçı kimi təsəvvür et. Bu kurikulumnda öyrəndiyin və istədiyin klassik ML istifadə etməklə adı çəkilmiş sahələrdə hansısa problemi həll etməyə çalış. Öz ideyanı necə tətbiq edəcəyinlə bağlı bir təqdimat hazırla. Öz konseptin üçün nümunə data yığıb ML modeli qursan, əlavə bonus xallar da toplaya bilərsən!
Bu tapşırıqda özünü hakatonda istirakçı kimi təsəvvür et. Bu kurikulumnda öyrəndiyin və istədiyin klassik ML istifadə etməklə adı çəkilmiş sahələrdə hansısa problemi həll etməyə çalış. Öz ideyanı necə tətbiq edəcəyinlə bağlı bir təqdimat hazırla. Öz konseptin üçün nümunə data yığıb ML modeli qursan, əlavə bonus xallar da toplaya bilərsən!
## Rubrika
## Rubrika
| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
# Postskipt: Maşın öyrənməsində Məsul AI idarə paneli komponentləri ilə model analizi
# Postskipt: Maşın öyrənməsində Məsul AI idarə paneli komponentləri ilə model analizi
## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/5/)
## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/5/?loc=az)
## Giriş
## Giriş
Maşın öyrənməsi günlük həyatımıza təsir edir. AI bizə fərd kimi, həmçinin cəmiyyətimizə, səhiyyəyə, maliyyəyəy, təhsilə və işimizə təsir edən əsas sistemlərə öz yolunu tapır. Misal olaraq sistemlər və modellər sağlamlığa dair diaqnozlar və ya fırıldaqçılığın tapılması kimi gündəlik qərarvermə tapşırıqlarında iştirak edirlər. Nəticə etibarı ilə AI-də olan inkişaf və paralel sürətli adoptasiyaya cavab olaraq cəmiyyətimizin gözləntiləri və genişlənən tənzimləmələr də artır. Biz daim AI sistemlərinin bəzi sahələrdə gözləntiləri ödəmədiyini görürük, yeni çağırışlar yaradır və hökümətlər AI həllərini tənzimləməyə başlayırlar. Buna görə də modellərin analizindən hər kəsə ədalətli, etibarlı, inkluziv, şəffaf və cavabdeh olacağı nəticələr çıxarması vacibdir.
Maşın öyrənməsi günlük həyatımıza təsir edir. AI bizə fərd kimi, həmçinin cəmiyyətimizə, səhiyyəyə, maliyyəyə, təhsilə və işimizə təsir edən əsas sistemlərə öz yolunu tapır. Misal olaraq, sistemlər və modellər sağlamlığa dair diaqnozlarda və ya fırıldaqçılığın tapılması kimi gündəlik qərarvermə tapşırıqlarında iştirak edirlər. Nəticə etibarı ilə AI-də olan inkişaf və paralel sürətli adoptasiyaya cavab olaraq cəmiyyətimizin gözləntiləri və genişlənən tənzimləmələr də artır. Biz daim AI sistemlərinin bəzi sahələrdə gözləntiləri ödəmədiyini görürük, yeni çağırışlar yaradır və hökümətlər AI həllərini tənzimləməyə başlayırlar. Buna görə də modellərin analizindən hər kəsə ədalətli, etibarlı, inkluziv, şəffaf və cavabdeh olacağı nəticələr çıxarması vacibdir.
Bu kurikulumda biz məsul AI problemləri olan modelləri praktik hansı alətlərlə yoxlaya biləcəyimizi öyrənəcəyik. Ənənəvi maşın öyrənməsi analizi texnikaları toplanmış dəqiqlik və ya orta xəta itkisi kimi kəmiyyət hesablamalarına əsaslanırlar. Təsəvvür et ki, model qurmaq üçün istifadə etdiyin datada bəzi demoqrafik məlumatlar əksikdir, misal üçün irqi, cinsi, siyasi görüşü, dini inanc kimi demoqrafiyaları normalara uyğun paylanmayıb. Modelin nəticəsinin yalnız bəzi demoqrafiyaya uyğun olsa necə olacaq? Bunun nəticəsində modeldən azlıq təşkil edən həssas qruplar üçün ədalətlilik, inklusivlik və ya etibarlılıq problemləri ortaya çıxacaq. Başqa məqam isə budur ki, maşın öyrənməsi modelləri qara qutu kimi hesab olunur, bu onların proqnozlarının nəyə əsaslanıb verdiyini izah etməyi daha da çətinləşdirir. Bunların hamısı data mühəndislərinin və AI developerlərinin modeli analiz etmək, ədalətliliyini və ya etibarlılığını yoxlamaq üçün lazımi alətlərinin olmamasına görə rastlaşdıqları problemlərdir.
Bu kurikulumda biz məsul AI problemləri olan modelləri praktik hansı alətlərlə yoxlaya biləcəyimizi öyrənəcəyik. Ənənəvi maşın öyrənməsi analizi texnikaları toplanmış dəqiqlik və ya orta xəta itkisi kimi kəmiyyət hesablamalarına əsaslanırlar. Təsəvvür et ki, model qurmaq üçün istifadə etdiyin datada bəzi demoqrafik məlumatlar əksikdir, misal üçün irqi, cinsi, siyasi görüş, dini inanc kimi demoqrafiyaları normalara uyğun paylanmayıb. Modelin nəticəsinin yalnız bəzi demoqrafiyaya uyğun olsa necə olacaq? Bunun nəticəsində modeldə azlıq təşkil edən həssas qruplar üçün ədalətlilik, inklusivlik və ya etibarlılıq problemləri ortaya çıxacaq. Başqa məqam isə budur ki, maşın öyrənməsi modelləri qara qutu kimi hesab olunur, bu onların proqnozlarının nəyə əsaslanıb verdiyini izah etməyi daha da çətinləşdirir. Bunların hamısı data mühəndislərinin və AI developerlərinin modeli analiz etmək, ədalətliliyini və ya etibarlılığını yoxlamaq üçün lazımi alətlərinin olmamasına görə rastlaşdıqları problemlərdir.
Bu dərsdə modelləri aşağıdakı üsullarla analiz etməyi öyrənəcəksən:
Bu dərsdə modelləri aşağıdakı üsullarla analiz etməyi öyrənəcəksən:
- **Xəta analizi**: data paylanmasının hansı hissəsində modelin daha çox xətası olduğunu aşkar edəcək.
- **Xəta analizi**: data paylanmasının hansı hissəsində modelin daha çox xətası olduğunu aşkar edəcək.
- **Modelə baxış**: modelin performans dəyərlərində bərabərsizliklərini aşkarlamaq üçün datanın müxtəlif seqmentlərində müqayisəli analizlər aparacaq.
- **Modelə baxış**: modelin performans dəyərlərində bərabərsizliklərini aşkarlamaq üçün datanın müxtəlif seqmentlərində müqayisəli analizlər aparacaq.
- **Data anlizi**: modelini korlayan, bir demoqrafiyanı digərindən daha üstün tuta biləcək hallarda datanın hansı hissəsində iştirakın həddindən artıq və ya əksik olduğunu araşdıracaq.
- **Data analizi**: modeli korlayan, bir demoqrafiyanı digərindən daha üstün tuta biləcək hallarda datanın hansı hissəsində iştirakın həddindən artıq və ya əksik olduğunu araşdıracaq.
- **Parametr önəmi**: hansı parametlərin modelin qlobal və ya lokal səviyyədə proqnazlarına təsir edəcəyini anlayacaq.
- **Parametr önəmi**: hansı parametlərin modelin qlobal və ya lokal səviyyədə proqnazlarına təsir edəcəyini anlayacaq.
## İlkin tələblər
## İlkin tələblər
@ -23,12 +23,12 @@ Bu dərsdə modelləri aşağıdakı üsullarla analiz etməyi öyrənəcəksən
## Xəta analizi
## Xəta analizi
Dəqiqliyi ölçmək üçün istifadə olunan ənənəvi model performans metrikaların əksəriyyəti düzgün və səhv təxminlərin nisbətinin hesablamasına əsaslanır. Misal üçün modelin 89% dəqiqliyə malik olması və eyni zamanda xəta itkisi 0.001-dirsə, bu yaxşı performans sayılır. Xətalar çox vaxt dataset boyunca bərabər paylanmış olmur. Sən modeldə 89% dəqiqlik qiyməti ala bilərsən və eyni zamanda datanın fərqli hissələrində modelin 42% xətalı olduğunu da görə bilərsən. Bəzi data qruplarında olan xəta naxışlarının nəticəsində ədalətlilik və ya etibarlılıq problemləri yarana bilər. Buna görə modelin harada daha yaxşı və pis işlədiyini anlamaq vacibdir. Çox sayda qeyridəqiq məlumatlar olan data hissələri modelində vacib data demoqrafiyaya çevrilə bilər.
Dəqiqliyi ölçmək üçün istifadə olunan ənənəvi model performans metrikaların əksəriyyəti düzgün və səhv təxminlərin nisbətinin hesablamasına əsaslanır. Misal üçün modelin 89% dəqiqliyə malik olması və eyni zamanda xəta itkisi 0.001-dirsə, bu yaxşı performans sayılır. Xətalar çox vaxt dataset boyunca bərabər paylanmış olmur. Sən modeldə 89% dəqiqlik qiyməti ala bilərsən və eyni zamanda datanın fərqli hissələrində modelin 42% xətalı olduğunu da görə bilərsən. Bəzi data qruplarında olan xəta naxışlarının nəticəsində ədalətlilik və ya etibarlılıq problemləri yarana bilər. Buna görə modelin harada daha yaxşı və pis işlədiyini anlamaq vacibdir. Çox sayda qeyri-dəqiq məlumatlar olan data hissələri modelində vacib data demoqrafiyaya çevrilə bilər.
RAI idarə panelində Xəta analizi komponenti model xətalarının müxtəlif hissələr üzərində necə paylanıldığını ağac sxemi şəklində vizuallaşdırır. Bu hansı parametrin və datasetin hansı hissəsində yuxarı dərəcədə xətaların olduğunu aşkarlamağa köməkçi olur. Modelin qeyri-dəqiqliklərinin haradan gəldiyini görməklə problemin kökünü araşdırmağa başlaya bilərsiniz. Həmçinin data qrupları üzərində də analizlər apara bilərsən. Bu daha qrupları araşdırma prosesində modelin performansının bir qrupda yaxşı, lakin digərində xətalı olduğunu bilməyə kömək edə bilər.
RAI idarə panelində Xəta analizi komponenti model xətalarının müxtəlif hissələr üzərində necə paylanıldığını ağac sxemi şəklində vizuallaşdırır. Bu hansı parametrin və datasetin hansı hissəsində yuxarı dərəcədə xətaların olduğunu aşkarlamağa köməkçi olur. Modelin qeyri-dəqiqliklərinin haradan gəldiyini görməklə problemin kökünü araşdırmağa başlaya bilərsiniz. Həmçinin data qrupları üzərində də analizlər apara bilərsən. Bu data qrupları araşdırma prosesində modelin performansının bir qrupda yaxşı, lakin digərində xətalı olduğunu bilməyə kömək edə bilər.
@ -41,11 +41,11 @@ Ağac sxemindəki vizual göstəricilər xətanın yerini sürətli təyin etmə
Xəta analizini bu hallarda istifadə edin:
Xəta analizini bu hallarda istifadə edin:
* Model xətalarının datasetlər üzərində və fərqli giriş dəyələrləri, parametr ölçülərində dərin anlayış əldə etmək istəyəndə.
* Model xətalarının datasetlər üzərində və fərqli giriş dəyələrləri, parametr ölçülərində dərin anlayış əldə etmək istəyəndə.
* Toplanmış performans metrikasını hissələrə bölməklə xətalı data qruplarınını kəşf etmək və növbəti miqrasiya addımlarında xəbərdar olmaq.
* Toplanmış performans metrikasını hissələrə bölməklə xətalı data qruplarınını kəşf etmək və növbəti miqrasiya addımlarından xəbərdar olmaq istəyəndə.
## Modelə baxış
## Modelə baxış
Maşın öyrənmə modelinin performansını dəyərləndirmək üçün onun davranışlarını vahid sistem kimi anlamaq lazımdır. Bunu birdən çox metrikanı analiz etməkdə əldə etmək olar, misal üçün xəta dərəcəsi, dəqiqlik, yenidən çağrılma və ya MAE (Orta mütləq xəta) istifadə olunmaqla performans metrikaları arasındakı fərqlilikləri tapmaq olar. Bir performans metrikası əla görünə bilər, lakin qeyri-dəqiqliklər digər metrikada üzə çıxa bilər. Əlavə olaraq bütün datasetin və ya hissələrin üzərində metrikaların fərqliliklərini müqayisə etməklə modelin harada yaxşı və ya pis nəticələr göstərdiyini üzə çıxarmağa kömək edəcək. Bu xüsusi olaraq modelin performansının həssas və ya qeyri-həssas xüsusiyyətlər arasında (misal üçün irq, cins və ya yaş fərqləri) ədalətliliyin pozulma hallarını aşkarlamaq üçün vacibdir. Misal üçün modelin müəyyən data qrupunda həssas xüsusiyyətlərdə daha çox xəta verməsi modelin ədalətsizliyə səbəb olacağını bildirir.
Maşın öyrənmə modelinin performansını dəyərləndirmək üçün onun davranışlarını vahid sistem kimi anlamaq lazımdır. Bunu birdən çox metrikanı analiz etməklə əldə etmək olar, misal üçün xəta dərəcəsi, dəqiqlik, yenidən çağrılma və ya MAE (Orta mütləq xəta) istifadə olunmaqla performans metrikaları arasındakı fərqlilikləri tapmaq olar. Bir performans metrikası əla görünə bilər, lakin qeyri-dəqiqliklər digər metrikada üzə çıxa bilər. Əlavə olaraq bütün datasetin və ya hissələrin üzərində metrikaların fərqliliklərini müqayisə etməklə modelin harada yaxşı və ya pis nəticələr göstərdiyini üzə çıxarmağa kömək edəcək. Bu xüsusi olaraq modelin performansının həssas və ya qeyri-həssas xüsusiyyətlər arasında (misal üçün irq, cins və ya yaş fərqləri) ədalətliliyin pozulma hallarını aşkarlamaq üçün vacibdir. Misal üçün modelin müəyyən data qrupunda həssas xüsusiyyətlərdə daha çox xəta verməsi modelin ədalətsizliyə səbəb olacağını bildirir.
RAI idarə panelinin Modelə baxış komponenti sadəcə data qruplarının performans metrikalarını analiz etməyə kömək etmir, həmçinin istifadəçilərə modelin nəticələrini digər data qrupları arasında da müqayisə etməyə imkan yaradır.
RAI idarə panelinin Modelə baxış komponenti sadəcə data qruplarının performans metrikalarını analiz etməyə kömək etmir, həmçinin istifadəçilərə modelin nəticələrini digər data qrupları arasında da müqayisə etməyə imkan yaradır.
**Seçilmiş dərəcələrdə fərq**: Bu metrika gözlənilən proqnoz dərəcələrinin alt-qruplar arasında fərqlərini hesablayır. Buna nümunə olaraq kreditlərə təsdiq dərəcələrində fərqləri göstərmək olar. Seçilmiş dərəcə ikili təsnifatlandırma tətbiqində 1 kimi qiymətləndirilən data nöqtələrinin tutduğu hissə, reqressiyada isə proqnozlaşdıran dəyərlərinin paylanılması nəzərdə tutulur.
**Seçilmiş dərəcələrdə fərq**: Bu metrika gözlənilən proqnoz dərəcələrinin alt-qruplar arasında fərqlərini hesablayır. Buna nümunə olaraq kreditlərə təsdiq dərəcələrində fərqləri göstərmək olar. Seçilmiş dərəcə ikili qruplaşdırma tətbiqində 1 kimi qiymətləndirilən data nöqtələrinin tutduğu hissə, reqressiyada isə proqnozlaşdıran dəyərlərinin paylanılması nəzərdə tutulur.
## Data analizi
## Data analizi
> "Dataya lazımi qədər işgəncə etsən, o hər şeyi çaşdıracaq" - Ronald Koas
> "Dataya lazımi qədər işgəncə etsən, o hər şeyi çaşdıracaq" - Ronald Koas
Bu fikir ekstremal səslənsə də, datanın istənilən fikri dəskləyə biləcək dərəcədə manipulasiya edilə bilməsi doğrudur. Belə manipulasiyalar bəzən qeyri-ixtiyari olur. İnsan olaraq bizim də bəzi tərəf tutduğumuz məqamlar var və dataya tərəfkeşliyi gətirdiyimizi şüurlu olaraq bilməyimiz çox zaman çətin olur. AI-də və maşın öyrənməsində ədalətliliyi sığortalanması hələ də qəliz problem kimi qalır.
Bu fikir ekstremal səslənsə də, datanın istənilən fikri dəstəkləyə biləcək dərəcədə manipulasiya edilə bilməsi doğrudur. Belə manipulasiyalar bəzən qeyri-ixtiyari olur. İnsan olaraq bizim də bəzi tərəf tutduğumuz məqamlar var və dataya tərəfkeşliyi gətirdiyimizi şüurlu olaraq bilməyimiz çox zaman çətin olur. AI-də və maşın öyrənməsində ədalətliliyin sığortalanması hələ də qəliz problem kimi qalır.
Data ənənəvi model performans metrikaları üçün böyük bir kor nöqtədir. Sən yüksək dəqiqlik qiyməti əldə edə bilərsən, lakin bu sənin datasetinin tərəf tutduğu ehtimalını həmişə əks etdirməyəcək. Misal üçün şirkətdə idarəedici pozisiyada işçilərin 27%-i qadın, 73%-u kişi olan dataseti ilə öyrədilən iş reklamı AI modeli tətbiqdə yuxarı vəzifəli işlər üçün adədən kişiləri hədəfləyəcək. Datakı belə disbalans modelin proqnozlarını bir cinsə tərəf çox yönəldə bilər. Bu AI modelində harada cinsi ayrı-seçkilik problemi olduğunu üzə çıxarır.
Data ənənəvi model performans metrikaları üçün böyük bir kor nöqtədir. Sən yüksək dəqiqlik qiyməti əldə edə bilərsən, lakin bu sənin datasetinin tərəf tutduğu ehtimalını həmişə əks etdirməyəcək. Misal üçün şirkətdə idarəedici pozisiyada işçilərin 27%-i qadın, 73%-u kişi olan dataseti ilə öyrədilən iş reklamı AI modeli tətbiqdə yuxarı vəzifəli işlər üçün adədən kişiləri hədəfləyəcək. Datakı belə disbalans modelin proqnozlarını bir cinsə tərəf çox yönəldə bilər. Bu AI modelində harada cinsi ayrı-seçkilik problemi olduğunu üzə çıxarır.
RAI idarə panelində Data analizi komponenti datasetin hansı hissəsində həddindən artıq çox və ya az iştirakın olduğunu təyin etməyə kömək edir. Biz istifadəçilərə datanın balans pozuntularından və ya müəyyən data qrupunun az təmsil edilməsinə görə yaranan xəta və ədalətlilik problelərinin kökündəki səbəbi analiz etməyə kömək edir. Bu istifadəçilərə proqnozlaşdırılan və həqiqi nəticələr, xəta qrupları və xüsusi parametrlərə əsasən vizualizasiya imkanları verir. Bəzən az təmsil təmsil olunan data qrupunun kəşfi modelin yaxşı öyrənmədiyini və nəticədə yüksək qeyri-dəqiqliyin olduğunu üzə çıxarır. Data ayrı-seçkiliyi olan modelə sahib olmaq sadəcə ədalətlilik problemi deyil, bu həmçinin modelin inkluziv və etibarlı olmadığını da göstərir.
RAI idarə panelində Data analizi komponenti datasetin hansı hissəsində həddindən artıq çox və ya az iştirakın olduğunu təyin etməyə kömək edir. Biz istifadəçilərə datanın balans pozuntularından və ya müəyyən data qrupunun az təmsil edilməsinə görə yaranan xəta və ədalətlilik problemlərinin kökündəki səbəbi analiz etməyə kömək edir. Bu, istifadəçilərə proqnozlaşdırılan və həqiqi nəticələr, xəta qrupları və xüsusi parametrlərə əsasən vizualizasiya imkanları verir. Bəzən az təmsil olunan data qrupunun kəşfi modelin yaxşı öyrənmədiyini və nəticədə yüksək qeyri-dəqiqliyin olduğunu üzə çıxarır. Data ayrı-seçkiliyi olan modelə sahib olmaq sadəcə ədalətlilik problemi deyil, həmçinin modelin inkluziv və etibarlı olmadığını da göstərir.
Aşağıdakı hallarda data analizini istifadə et:
Aşağıdakı hallarda data analizini istifadə et:
* Datasetin statistikasını müxtəlif filterlər tətbiq edərək fərqli ölçüdə hissələrə bölərək kəşf et (həmçinin data qrupu kimi kimi də tanınır).
* Datasetin statistikasını müxtəlif filtrlər tətbiq edərək fərqli ölçüdə hissələrə bölərək kəşf et (həmçinin data qrupu kimi də tanınır).
* Datasetin müxtəlif qruplarda və parametr qruplarında paylanılmasını başa düş.
* Datasetin müxtəlif qruplarda və parametr qruplarında paylanılmasını başa düş.
* Ədalətlilik, xəta analizi və səbəbiyyət (başqa idarə paneli komponentindən əldə olunur) ilə bağlı tapıntılarının datasetin paylanılması ilə əlaqəli olduğunu təyin et.
* Ədalətlilik, xəta analizi və səbəbiyyət (başqa idarə paneli komponentindən əldə olunur) ilə bağlı tapıntılarının datasetin paylanılması ilə əlaqəli olduğunu təyin et.
* Təmsiletmə, etiket, parametr problemlərindən, etiket ayrı-seçkiliyindən və oxşar faktorlardan əmələ gələn xətaları azaltmaq üçün hansı sahədə daha çox data yığmalı olduğuna qərar ver.
* Təmsiletmə, etiket, parametr problemlərindən, etiket ayrı-seçkiliyindən və oxşar faktorlardan əmələ gələn xətaları azaltmaq üçün hansı sahədə daha çox data yığmalı olduğuna qərar ver.
@ -94,7 +94,7 @@ Maşın öyrənmə modelləri qara qutulara bənzəyirlər. Hansı açar data pa
* İnsan-AI əməkdaşlığı: Modelin qərarlarını necə anlaya və güvənə bilərəm?
* İnsan-AI əməkdaşlığı: Modelin qərarlarını necə anlaya və güvənə bilərəm?
RAI idarə panelinin Parametr vacibliyi komponenti modelin proqnozlarını necə etdiyini analiz etməyə və dərindən anlamağa kömək edir. Bu alət həmçinin maşın öyrənməsi peşəkarlarına və qərar verənlərə modelin davranışlarının qanunlara uyğunluğunu göstərmək üçün hansı parametrlərin təsir etdiyini izah və isbat etməyə kömək edir. Əlavə olaraq istifadəçilər hansı parametlərin modelin proqnozlarına təsir etdiyini həm qlobal, həm də local izahlarla araşdıra bilərlər. Qlobal izahlar modelin ümumi proqnozlarına təsir edən baş parametrləri siyahı kimi verir. Local izahlar isə modelin fərdi hallarda proqnozlarına səbəb olan parametləri göstərir. Local izahları araşdırmaq imkanı xüsusi hallarda modelin dəqiq və ya qeyri-dəqiq proqnozlarının səbəbini analiz etmək, daha yaxşı başa düşmək və şərh etmək üçün də faydalıdır.
RAI idarə panelinin Parametr vacibliyi komponenti modelin proqnozlarını necə etdiyini analiz etməyə və dərindən anlamağa kömək edir. Bu alət həmçinin maşın öyrənməsi peşəkarlarına və qərar verənlərə modelin davranışlarının qanunlara uyğunluğunu göstərmək üçün hansı parametrlərin təsir etdiyini izah və isbat etməyə kömək edir. Əlavə olaraq, istifadəçilər hansı parametlərin modelin proqnozlarına təsir etdiyini həm qlobal, həm də local izahlarla araşdıra bilərlər. Qlobal izahlar modelin ümumi proqnozlarına təsir edən baş parametrləri siyahı kimi verir. Local izahlar isə modelin fərdi hallarda proqnozlarına səbəb olan parametləri göstərir. Local izahları araşdırmaq imkanı xüsusi hallarda modelin dəqiq və ya qeyri-dəqiq proqnozlarının səbəbini analiz etmək, daha yaxşı başa düşmək və şərh etmək üçün də faydalıdır.
@ -108,24 +108,24 @@ Modelin müxtəlif data qrupları üzərində performans yoxlamasının analiz p
Şərh edilməni bu hallarda istifadə et:
Şərh edilməni bu hallarda istifadə et:
* Hansı parametrlərin proqnozlar üçün daha vacib olduğunu başa düşərək AI sistemin proqnozlarının nə qədər güvənli olduğuna əmin ol.
* Hansı parametrlərin proqnozlar üçün daha vacib olduğunu başa düşərək AI sistemin proqnozlarının nə qədər güvənli olduğuna əmin ol.
* Modelini analiz etmək üçün ilk olaraq onu başa düşməyə çalış və modelin saxlam parameteləri istifadə etdiyini və cüzi yalnız korrelasiya verdiyini təyin et.
* Modelini analiz etmək üçün ilk olaraq onu başa düşməyə çalış və modelin sağlam parameteləri istifadə etdiyini və cüzi yanlış korrelasiya verdiyini təyin et.
* Modelin həssas və ya onunla çox korrelasiya olan parametrlər üzərində ayrı-seçkilik etdiyini anlamaqla mümkün qeyri-ədalətliliyin mənbəsini üzə çıxar.
* Modelin həssas və ya onunla çox korrelasiya olan parametrlər üzərində ayrı-seçkilik etdiyini anlamaqla mümkün qeyri-ədalətliliyin mənbəsini üzə çıxar.
* Modelin lokal izahlarını yaradaraq və nəticələri vizuallaşdıraraq istifadəçinin güvənini qazan.
* Modelin lokal izahlarını yaradaraq və nəticələri vizuallaşdıraraq istifadəçinin güvənini qazan.
* Modelləri təsdiqləyərək və qərarlarının insanlar üzərində təsirini izləyərək AI sistemlər üzərində tənzimləyici audit işlərini icra et.
* Modelləri təsdiqləyərək və qərarlarının insanlar üzərində təsirini izləyərək AI sistemlər üzərində tənzimləyici audit işlərini icra et.
## Nəticə
## Nəticə
RAI idarə panelinin bütün komponentlərin hamısı sənə cəmiyyət üzəün az zərərli və daha güvənli maşın öyrətməsi modeli yaratmağa kömək edəcək praktik alətlərdir. Bu diskriminasiya və ya müəyyən qrupları fürsətlərdən kənarlaşdırmaq, fiziki və psixoloji zərər kimi insan haqqlarına qarşı olan təhdidlərin qarşısını almağa kömək edəcək. Bu həmçinin sənin modelinə olan güvəni qərarlarını lokal izahlar yaratmaqla və nəticələri vizuallaşdırmaqla kömək edəcək. Mümkün ola biləcək ziyanları belə təsnifləşdirilə bilər:
RAI idarə panelinin bütün komponentlərin hamısı sənə cəmiyyət üçün az zərərli və daha güvənli maşın öyrətməsi modeli yaratmağa kömək edəcək praktik alətlərdir. Bu, diskriminasiya və ya müəyyən qrupları fürsətlərdən kənarlaşdırmaq, fiziki və psixoloji zərər kimi insan haqqlarına qarşı olan təhdidlərin qarşısını almağa kömək edəcək. Bu həmçinin sənin modelinə olan güvəni qərarlarını lokal izahlar yaratmaqla və nəticələri vizuallaşdırmaqla kömək edəcək. Mümkün ola biləcək ziyanları belə təsnifləşdirilə bilər:
- **Yerləşdirmə**, müəyyən cinsin və ya irqin digəri üzərində daha çox seçilməsi.
- **Yerləşdirmə**, müəyyən cinsin və ya irqin digəri üzərində daha çox seçilməsi.
- **Xidmət keyfiyyəti**. Əgər bir ssenariyə uyğun data ilə öyrətmə etsən, bu reallıqda daha qəliz vəziyyətlərdə zəif xidmət göstərməyə gətirib çıxaracaq.
- **Xidmət keyfiyyəti**. Əgər bir ssenariyə uyğun data ilə öyrətmə etsən, bu reallıqda daha qəliz vəziyyətlərdə zəif xidmət göstərməyə gətirib çıxaracaq.
- **Stereotiplər**. Bəzi qrupları əvvəldən təyin olunmuş parametrlərlə əlaqələndirmək.
- **Stereotiplər**. Bəzi qrupları əvvəldən təyin olunmuş parametrlərlə əlaqələndirmək.
- **Böhtan**. Ədalətsiz şəkildə nəyisə və ya kimisə etiketləmək və mühakimə etmək.
- **Böhtan**. Ədalətsiz şəkildə nəyisə və ya kimisə etiketləmək və mühakimə etmək.
- **Çox- və ya az- təmsil**. İdeya budur ki, bəzi qrupların bəzi peşələrdə, xidmətlərdə və ya funksiyalarda görünməməsi onların əleyhinə qərarlara dəstək verir.
- **Çox- və ya az- təmsil**. İdeya budur ki, bəzi qrupların bəzi peşələrdə, xidmətlərdə və ya funksiyalarda görülməməsi onların əleyhinə qərarlara dəstək verir.
### Azure RAI idarə paneli
### Azure RAI idarə paneli
[Azure RAI idarə paneli](https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) data və AI mühəndislərinin modelin davranışlarını daha yaxşı başa düşməyə, kəşf etməyə və AI modellərinin arzuolunmaz xətalarının qarşısını almaq üçün aparıcı akademik institutları və Microsoft kimi təşkilatlar tərəfindən hazırlanmış açıq mənbə alətləri üzərində qurulub.
[Azure RAI idarə paneli](https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) data və AI mühəndislərinin modelin davranışlarını daha yaxşı başa düşməyə, kəşf etməyə və AI modellərinin arzuolunmaz xətalarının qarşısını almaq üçün aparıcı akademik institutlar və Microsoft kimi təşkilatlar tərəfindən hazırlanmış açıq mənbə alətləri üzərində qurulub.
- RAI idarə panelində müxtəlif komponentləri necə istifadə edə biləcəyini [bu sənədlərdən](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) öyrən.
- RAI idarə panelində müxtəlif komponentləri necə istifadə edə biləcəyini [bu sənədlərdən](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) öyrən.
@ -134,7 +134,7 @@ RAI idarə panelinin bütün komponentlərin hamısı sənə cəmiyyət üzəün
---
---
## 🚀 Məşğələ
## 🚀 Məşğələ
Statistik və data ayr-seçkiliyinin qarşısını almaq üçün biz ilk növbətə bunları etməliyik:
Statistik və data ayrı-seçkiliyinin qarşısını almaq üçün biz ilk növbətə bunları etməliyik:
- sistemlərdə işləyən insanlar arasında müxtəlif təcrübələrə və perspektivlərə malik olmaq
- sistemlərdə işləyən insanlar arasında müxtəlif təcrübələrə və perspektivlərə malik olmaq
- bizim cəmiyyətimizin fərqliliklərini əks etdirən datasetlərə sərmayə qoymaq
- bizim cəmiyyətimizin fərqliliklərini əks etdirən datasetlərə sərmayə qoymaq
@ -142,7 +142,7 @@ Statistik və data ayr-seçkiliyinin qarşısını almaq üçün biz ilk növbə
Model yaradılmasında ədalətsizliyin aşkar olduğu və istidadə olunduğu real həyat ssenariləri barədə düşün. Biz başqa nələri nəzərə almalıyıq?
Model yaradılmasında ədalətsizliyin aşkar olduğu və istidadə olunduğu real həyat ssenariləri barədə düşün. Biz başqa nələri nəzərə almalıyıq?
## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/6/)
## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/6/?loc=az)
## Təkrarlayın və özünüz öyrənin
## Təkrarlayın və özünüz öyrənin
@ -154,7 +154,7 @@ Aşağıdakı məşğələlərə baxaraq mözvuları daha dərindən mənimsə:
[](https://www.youtube.com/watch?v=f1oaDNl3djg "Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə")
[](https://www.youtube.com/watch?v=f1oaDNl3djg "Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə")
> 🎥 Video üçün yuxarıdakı şəkilə toxunun: Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə, Besmira Nuşi və Mehrnuş Sameki tərəfindən.
> 🎥 Video üçün yuxarıdakı şəkilə klikləyin: Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə, Besmira Nuşi və Mehrnuş Sameki tərəfindən.
Aşağıdakı materiallara istinad edərək məsul AI və daha güvənli modelləri necə qura biləcəyin barədə öyrən:
Aşağıdakı materiallara istinad edərək məsul AI və daha güvənli modelləri necə qura biləcəyin barədə öyrən:
Bu dərsdə sən RAI idarə paneli barədə öyrənmisən, harada ki data mühəndislərinə xəta analizi, data araşdırması, ədalətlilik yoxlaması, model şərh edilməsi, əks əlaqəli və ya şərtlərlə yoxlamalar və AI sistemləri üzərində gündəlik analizləri etməyə kömək edən "açıq mənbəli" alətlər üzərində qurulmuş komponentlər mövcuddur. Bu tapşırıqda RAI idarə panelini nümunə [notbuklar](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) üzərində kəşf etmək və öyrəndiklərini yazılı və ya təqdimat şəklində təqdim etməyin tələb olunur.
Bu dərsdə sən RAI idarə paneli barədə öyrənmisən, harada ki, data mühəndislərinə xəta analizi, data araşdırması, ədalətliliyin yoxlanması, modelin şərh edilməsi, əks əlaqəli və ya şərtlərlə yoxlamalar və AI sistemləri üzərində gündəlik analizləri etməyə kömək edən "açıq mənbəli" alətlər üzərində qurulmuş komponentlər mövcuddur. Bu tapşırıqda RAI idarə panelini nümunə [notbuklar](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) üzərində kəşf etmək və öyrəndiklərini yazılı və ya təqdimat şəklində təqdim etməyin tələb olunur.
## Rubric
## Rubric
| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
| | Yazı və ya təqdimat RAI idarə panelinin komponentlərini əhatə edir, notbuk icra oluna bilir və bu işlərdən nəticə çıxarılıb | Nəticəsiz bir yazı təqdim olunub | Heç bir yazı təqdim olunmayıb |
| | Yazı və ya təqdimat RAI idarə panelinin komponentlərini əhatə edir, notbuk icra oluna bilir və bu işlərdən nəticə çıxarılıb | Nəticəsiz bir yazı təqdim olunub | Heç bir yazı təqdim olunmayıb |
# Postskript: Klassik maşın öyrənməsinin real həyatda tətbiqləri
# Postskript: Klassik maşın öyrənməsinin real həyatda tətbiqləri
Kurikulumun bu bölməsində klassik ML-in real həyatda bəzi tətbiqləri ilə tanış olacaqsan. Biz internetdə çox sayda elmi və məqalə və yazıları analiz etmişik və neyron şəbəkələrini, dərin öyrənməni, süni intelleki bacardığımız qədər filtr edərək yalnız əhatə etdiyimiz strategiyaların istifadə olunduğu tətbiqləri seçmişik. ML-in biznes sistemlərində, ekologiya tətbiqlərində, maliyyə, sənət və mədəniyyətdə necə tətbiq olunduqlarını öyrən.
Kurikulumun bu bölməsində klassik ML-in real həyatda bəzi tətbiqləri ilə tanış olacaqsan. Biz internetdə çox sayda elmi məqalə və yazıları analiz etmişik və neyron şəbəkələrini, dərin öyrənməni, süni intelleki bacardığımız qədər filtr edərək yalnız əhatə etdiyimiz strategiyaların istifadə olunduğu tətbiqləri seçmişik. ML-in biznes sistemlərində, ekologiya tətbiqlərində, maliyyə, sənət və mədəniyyətdə necə tətbiq olunduqlarını öyrən.
@ -9,10 +9,10 @@ Kurikulumun bu bölməsində klassik ML-in real həyatda bəzi tətbiqləri ilə
## Dərslər
## Dərslər
1. [ML-in real həyat tətbiqləri](../1-Applications/translations/README.az.md)
1. [ML-in real həyat tətbiqləri](../1-Applications/translations/README.az.md)
2. [Məsuliyyətli Sİ idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi](../2-Debugging-ML-Models/translations/README.az.md)
2. [Məsuliyyətli AI idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi](../2-Debugging-ML-Models/translations/README.az.md)
## Təşəkkürlər
## Təşəkkürlər
"Real həyat tətbiqləri" [Jen Looper](https://twitter.com/jenlooper) və [Ornella Altunyan](https://twitter.com/ornelladotcom) daxil olmaqla digər komanda üzvləri tərəfindən yazılıb.
"Real həyat tətbiqləri" [Jen Looper](https://twitter.com/jenlooper) və [Ornella Altunyan](https://twitter.com/ornelladotcom) daxil olmaqla digər komanda üzvləri tərəfindən yazılıb.
"Məsuliyyətli Sİ idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi" [Ruth Yakubu](https://twitter.com/ruthieyakubu) tərəfindən yazılıb.
"Məsuliyyətli AI idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi" [Ruth Yakubu](https://twitter.com/ruthieyakubu) tərəfindən yazılıb.
Karim Karimov
2 years ago