Oʻzbekcha
SUN’IY INTELLEKT TIZIMLARIDA QAROR QABUL QILISH JARAYONINI MODELLASHTIRISH: KLASSIFIKATSIYA ALGORITMLARINING TAQQOSLAMA TAHLILI
Jurnal
Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari
Nashr
Sun'iy intellektni pedagogik ta'limga tadbiq etishning ustivor yo'nalishlari
Annotatsiya
Ushbu tezisda sun’iy intellekt tizimlarida qaror qabul qilish jarayonini modellashtirish va uni amalga oshirishda qo‘llaniladigan klassifikatsiya algoritmlarining samaradorligi tahlil qilinadi. Tadqiqotning asosiy maqsadi — turli algoritmlar (Decision Tree, Logistic Regression va Random Forest) yordamida ma’lumotlar asosida qaror qabul qilish mexanizmini o‘rganish va ularning ishlash samaradorligini taqqoslashdan iborat. Tadqiqot davomida algoritmlarning ishlash prinsiplari, aniqlik darajasi va qo‘llash imkoniyatlari ko‘rib chiqildi. Tahlil natijalari Random Forest algoritmi yuqori aniqlik va barqarorlik ko‘rsatishini, Decision Tree esa tushunarli va interpretatsiyalanuvchi model ekanini ko‘rsatdi. Logistic Regression esa ehtimollik asosida qaror qabul qilishda samarali ekani bilan ajralib turadi. Olingan natijalar sun’iy intellekt tizimlarida optimal algoritm tanlash muhimligini asoslaydi hamda turli amaliy masalalarda qaror qabul qilish jarayonlarini takomillashtirish imkonini beradi.
Kalit so‘zlar
Random Forest
sun’iy intellekt
qaror qabul qilish
klassifikatsiya
Decision Tree
Logistic Regression
Русский
В данной работе рассматривается моделирование процесса принятия решений в системах искусственного интеллекта и проводится сравнительный анализ эффективности классификационных алгоритмов. Основной целью исследования является изучение механизмов принятия решений на основе данных с использованием алгоритмов Decision Tree, Logistic Regression и Random Forest, а также их сравнительная оценка. В ходе исследования проанализированы принципы работы алгоритмов, их точность и возможности применения. Полученные результаты показывают, что алгоритм Random Forest обеспечивает более высокую точность и устойчивость, Decision Tree отличается наглядностью и интерпретируемостью, а Logistic Regression эффективен при вероятностном подходе к классификации. Сделанные выводы подтверждают важность выбора оптимального алгоритма для повышения эффективности систем искусственного интеллекта.
Random Forest
искусственный интеллект
классификация
принятие решений
Decision Tree
Logistic Regression
English
This thesis analyzes the process of decision-making modeling in artificial intelligence systems and evaluates the effectiveness of classification algorithms used for this purpose. The main objective of the study is to investigate the decision-making mechanism based on data using algorithms such as Decision Tree, Logistic Regression, and Random Forest, and to compare their performance. The study examines the working principles, accuracy, and applicability of each algorithm. The results indicate that the Random Forest algorithm demonstrates higher accuracy and robustness, while Decision Tree provides an interpretable model for decision-making processes. Logistic Regression shows effectiveness in probabilistic classification tasks. The findings highlight the importance of selecting appropriate algorithms in AI systems and provide insights for improving decision-making processes in practical applications.
Random Forest
artificial intelligence
classification
decision-making
Decision Tree
Logistic Regression
1. Mitchell T. M. Machine Learning. New York: McGraw-Hill, 1997.
2. Bishop C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
3. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. New York: Springer, 2009.
4. Breiman L. Random Forests. Machine Learning, 2001, Vol. 45, No. 1, pp. 5–32.
5. Quinlan J. R. C4.5: Programs for Machine Learning. San Mateo: Morgan Kaufmann, 1993.
6. Hosmer D. W., Lemeshow S. Applied Logistic Regression. New York: Wiley, 2000.
7. Hybrid Approaches in AI: Combining K-Modes Clustering with Machine Learning for Improved Model Performance. December 2024. DOI: 10.5281/zenodo.14197845.
8. GAT va mashinaviy o‘rganish usullari asosida Orolbo‘yi hududida qurg‘oqchilik riskini baholash. April 2026. DOI: 10.5281/zenodo.19435562.
9. Ellikqal'a tumani misolida 2018–2024-yillar oralig‘ida tuproq sho‘rlanishi va iqlim omillarining o‘zaro bog‘liqligini tahlil qilish. January 2026. DOI: 10.5281/zenodo.18217840.