Please use this identifier to cite or link to this item:
https://openscience.ge/handle/1/1601
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | ბესიაშვილი, გელა | ka |
dc.contributor.author | პაპუნაშვილი, ზაზა | ka |
dc.date.accessioned | 2020-01-27T10:47:33Z | - |
dc.date.available | 2020-01-27T10:47:33Z | - |
dc.date.issued | 2019 | - |
dc.identifier.uri | https://openscience.ge/handle/1/1601 | - |
dc.description.abstract | Machine Learning (ML) is a sub-area of artificial intelligence, whereby the term refers to the ability of IT systems to independently find solutions to problems by recognizing patterns in databases. In other words: Machine Learning enables IT systems to recognize patterns on the basis of existing algorithms and data sets and to develop adequate solution concepts. Therefore, in Machine Learning, artificial knowledge is generated on the basis of experience. Artificial Intelligence (AI) is a branch of Computer Science that focuses on creating intelligent machines which thus works as in the form of human beings or simply human beings. Artificial intelligence makes it possible for machines to learn from experience, adjust to new inputs and perform human-like tasks. One of the main tasks of Machine Learning is to automate human tasks. Some of these tasks are simple and repetitive, gets far more interesting when the computer has to make decisions about problems that are far more difficult to formalize. When approaching machine learning problems, these are the steps you will need to go through: Setting acceptance criteria, Cleaning your data and maximizing ist information content, Choosing the most optimal inference approach, test and repeat. The most common problems of Artificial Intelligence implementation: Different development approach, a system is only as good as the data it learns from, no clear view on how insight is generated. One thing that is necessary to optimize the result is a skilled team that can write or adapt publicly available algorithms, select the right algorithm for the desired result and combine algorithms as needed to optimize the result. | en |
dc.description.abstract | მანქანური სწავლება არის ხელოვნური ინტელექტის ქვე-სივრცე, რომლის დროსაც საქმე ეხება IT სისტემების შესაძლებლობას, მონაცემთა ბაზაში არსებულ ნიმუშებზე დაყრდნობით დამოუკიდებლად მოძებნოს პრობლემის გადაწყვეტის გზები. სხვა სიტყვებით რომ ვთქვათ, მანქანური სწავლება საშუალებას აძლევს IT სისტემებს, შეიმუშავონ ნიმუშები არსებული ალგორითმებისა და მონაცემთა ბაზების საფუძველზე და განსაზღვრონ პრობლემის ადექვატური გადაწყვეტის კონცეფციები. ამგვარად მანქანურ სწავლებაში ცოდნა გამომუშავებულია გამოცდილების საფუძველზე. ხელოვნური ინტელექტი კომპიუტერული მეცნიერების ერთ-ერთი დარგია, რომელიც ყურადღებას ამახვილებს ადამიანის მსგავსი ინტელექტუალური მანქანების შექმანზე. ხელოვნური ინტელექტი საშუალებას იძლევა, მანქანებმა გამოიყენონ გამოცდილება, მიიღონ ახალი ინფომრაცია და ამოცანები ადამიანის მსგავსად შეასრულონ. მანქანური სწავლების ერთ-ერთი ძირითადი ამოცანაა ადამიანის ამოცანების ავტომატიზირება. ამ ამოცანებიდან ზოგიერთი მარტივია და განმეორებადი. ბევრად უფრო საინტერესო ხდება, როდესაც კომპიუტერი იღებს გადაწყვეტილებებს პრობლემების შესახებ, რაც გაცილებით რთულია ფორმალიზაციისთვის. მანქანური სწავლების პრობლემების მოახლოვებასთან ერთად, არსებობს ნაბიჯები, რომლებიც გვეხმარება მის გადასაჭრელად: მისაღები მონაცემების საწყისი კრიტერიუმების შერჩევა, მონაცემების გასუფთავება და ინფომაციის მაქსიმალურად გზრდა, ამოცანის სირთულის შეფასებისთვის ყველაზე ოპტიმალური მიდგომის შერჩევა, ტესტირება და განმეორებითი ცდები. ხელოვნური ინტელექტის იმპლემენტაციის ყველაზე გავრცელებული პრობლემებია: განვითარების სხვადასხვა მიდგომა, სისტემის შესაბამისობა მონაცემების შესწავლის სირთულეებთან, მკაფიო ხედვის არარსებობა რა მიზნითაც ის გენერირდება. ერთი რამ, რაც აუცილებელია შედეგის ოპტიმიზაციისთვის, არის გამოცდილი გუნდი, რომელსაც შეუძლია საჯაროდ ხელმისაწვდომი ალგორითმების დაწერა ან ადაპტირება, სწორი ალგორითმის შერჩევა სასურველი შედეგის მისაღწევად და ალგორითმის გაერთიანება ოპტიმალური შედეგის მისაღებად. | ka |
dc.language.iso | ka | en |
dc.publisher | Ivane Javakhishvili Tbilisi State University | en |
dc.publisher | ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი | ka |
dc.subject | DeepMind | en |
dc.subject | Amazon Alexa | en |
dc.subject | ხელოვნური ინტელექტი | ka |
dc.title | მანქანური სწავლება და ხელოვნური ინტელექტი | ka |
dc.type | master thesis | en |
dc.type | სამაგისტრო ნაშრომი | ka |
thesis.degree.name | Master of Information Technology | en |
thesis.degree.name | მაგისტრი ინფორმაციულ ტექნოლოგიებში | ka |
thesis.degree.level | 1 | - |
thesis.degree.discipline | ინფორმაციული ტექნოლოგიები. Information Technology | ka |
dc.contributor.institution | Ivane Javakhishvili Tbilisi State University | en |
dc.contributor.institution | ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო უნივერსიტეტი | ka |
dc.contributor.faculty | Faculty of Exact and Natural Sciences | en |
dc.contributor.faculty | ზუსტ და საბუნებისმეტყველო მეცნიერებათა ფაკულტეტი | ka |
item.fulltext | With Fulltext | - |
item.cerifentitytype | Publications | - |
item.cerifentitytype | Publications | - |
item.openairetype | master thesis | - |
item.openairetype | სამაგისტრო ნაშრომი | - |
item.languageiso639-1 | ka | - |
item.openairecristype | http://purl.org/coar/resource_type/c_bdcc | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.grantfulltext | open | - |
Appears in Collections: | ზუსტ და საბუნებისმეტყველო მეცნიერებათა ფაკულტეტი (დისერტაციები, სამაგისტრო ნაშრომები) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MA Thesis Papunasvhvili Zaza.pdf | მანქანური სწავლება და ხელოვნური ინტელექტი | 441.8 kB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
863
checked on Aug 24, 2024
Download(s)
647
checked on Aug 24, 2024
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.