« Жасанды интеллект және машиналық оқыту негіздері»

«Садыр атындағы орта мектеп» КММ

Оқу әдістемелік құрлар тақырыбы:

« Жасанды интеллект және машиналық оқыту негіздері»

Дайындаған: Хурметхан Салтанат

1. КІРІСПЕ

• Жасанды интеллект (ЖИ) және оның анықтамасы

• Машиналық оқыту (МО) ұғымы

• ЖИ мен МО-ның қазіргі қоғамдағы рөлі мен қолдану салалары

• ЖИ-дің даму тарихы және болашағы

• ЖИ мен дәстүрлі бағдарламалау арасындағы айырмашылық

2. ЖАСАНДЫ ИНТЕЛЛЕКТТІҢ НЕГІЗГІ ҚАҒИДАЛАРЫ

• ЖИ жүйелерінің негізгі түрлері

• Сараптамалық жүйелер және нейрондық желілер

• Деректердің жасанды интеллект үшін маңызы

• ЖИ жұмыс істеу принциптері

• Қолдану салалары (медицина, қаржы, өндіріс, ойын индустриясы)

• ЖИ-дің адам өміріне әсері мен болашағы

3. МАШИНАЛЫҚ ОҚЫТУ НЕГІЗДЕРІ

• Машиналық оқытудың түрлері:

  • Бақылаулы оқыту (Supervised Learning)

  • Бақылаусыз оқыту (Unsupervised Learning)

  • Күшейтілген оқыту (Reinforcement Learning)

• Деректерді өңдеу және оларды модельге дайындау

• Машиналық оқыту алгоритмдері:

  • Decision Trees (Шешім ағаштары)

  • k-Nearest Neighbors (kNN)

  • Naïve Bayes

  • Neural Networks (Нейрондық желілер)

  • Regression (Логистикалық және сызықтық регрессия)

• Шынайы өмірдегі машиналық оқыту модельдері

4. PYTHON ТІЛІНДЕ МАШИНАЛЫҚ ОҚЫТУ

• Python кітапханалары:

  • NumPy, Pandas, Matplotlib

  • Scikit-learn көмегімен негізгі модель құру

  • TensorFlow және Keras негіздері

• Код мысалы: қарапайым сызықтық регрессия

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

# Деректер дайындау

X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)

y = np.array([2, 4, 6, 8, 10])

# Модель құру

model = LinearRegression()

model.fit(X, y)

# Болжам жасау

y_pred = model.predict(X)

# График салу

plt.scatter(X, y, color='blue')

plt.plot(X, y_pred, color='red')

plt.show()

• Нейрондық желі құрудың негіздері

• Практикалық мысал: бейне мен дыбысты тану

5. ЖИ-дің ЭТИКАЛЫҚ ЖӘНЕ ҚАУІПСІЗДІК МӘСЕЛЕЛЕРІ

• Жасанды интеллекттің қоғамға әсері

• Деректер құпиялығы мен қауіпсіздігі

• ЖИ этикасы және болашақ мәселелері

• Deepfake және ЖИ-ді қателесуге итермелеу мәселелері

• Автоматтандырудың еңбек нарығына әсері

6. ПРАКТИКАЛЫҚ ТАПСЫРМАЛАР

• Теориялық сұрақтар мен тест тапсырмалары

• Шағын жобалар (мысалы, қарапайым деректерді өңдеу немесе классификация)

• Kaggle платформасында жарыстарға қатысу

• Python-да қарапайым ЖИ моделін жасау

Қолданылған әдебиттер тізімі мен қосымшалар

КІРІСПЕ

1. Жасанды интеллект (ЖИ) және оның анықтамасы

Жасанды интеллект (ЖИ) — компьютерлік жүйелердің адам тәрізді интеллектуалды әрекеттерді орындау қабілетін білдіретін ғылым мен технологияның саласы. ЖИ-дің басты мақсаты — машиналарға адам сияқты ойлау, үйрену, проблемаларды шешу, сөйлеу, көру және т.б. қабілеттерін беру.

ЖИ-дің екі негізгі бағыты бар:

• Нарративтік ЖИ: Бұл ЖИ-дің кеңінен танымал түрі, ол адамның интеллектуалды әрекеттерін имитациялауға тырысады. Мысалы, шахмат ойнау, табиғи тілдерді түсіну.

• Кеңейтілген ЖИ: Бұл ЖИ-дің адамдардың қабілеттерін толықтыруға бағытталған, яғни, адамның шешім қабылдау процесін жақсарту үшін қолданылады. Мысалы, медициналық диагностикада.

2. Машиналық оқыту (МО) ұғымы

Машиналық оқыту (МО) — ЖИ-дің бір тармағы, ол компьютерлердің деректерден автоматты түрде үйренуін қамтамасыз етеді. МО-ның негізі — алгоритмдер мен статистикалық модельдерді пайдалану арқылы деректерді талдау және олардан үлгілерді анықтау.

Машиналық оқытудың үш негізгі түрі бар:

• Бақыланатын оқыту: Бұл әдісте модельге енгізу және шығу мәндері бар деректер беріледі. Модель осы деректерді пайдаланып, жаңа деректер үшін болжам жасауға үйренеді. Мысалы, электрондық поштадағы спамды анықтау.

• Бақыланбайтын оқыту: Бұл әдісте тек енгізу деректері беріледі, ал модель деректердің ішкі құрылымын немесе үлгілерін анықтауға тырысады. Мысалы, кластеризация — деректерді топтарға бөлу.

• Жартылай бақыланатын оқыту: Бұл әдісте деректердің бір бөлігі белгіленген, ал қалғаны белгіленбеген. Мұндай әдіс, мысалы, үлкен деректер жиынтығында қолданылады, мұнда тек кейбір деректер ғана белгіленген.

3. ЖИ мен МО-ның қазіргі қоғамдағы рөлі мен қолдану салалары

ЖИ мен МО қазіргі қоғамда әртүрлі салаларда кеңінен қолданылады:

• Денсаулық сақтау: ЖИ медициналық диагностикада, ауруларды анықтауда, пациенттердің деректерін талдауда және дәрі-дәрмектерді дамытуда маңызды рөл атқарады. Мысалы, радиологиялық суреттерді автоматты түрде талдау.

• Көлік: Автономды көліктер, жол қозғалысын басқару жүйелері, жолаушыларды бағыттау — осының бәрі ЖИ технологияларын пайдаланады.

• Қаржы: ЖИ қаржы саласында алаяқтықты анықтау, несие беру, нарықтық трендтерді болжау үшін қолданылады.

• Маркетинг: Тұтынушылардың мінез-құлқын талдау, мақсатты жарнама жасау, өнім ұсыныстарын жеке түрде жасау — ЖИ көмегімен жүзеге асырылады.

• Киберқауіпсіздік: ЖИ жүйелері кибершабуылдарды алдын ала болжау және жүйелердегі ақауларды анықтау үшін қолданылады.

4. ЖИ-дің даму тарихы және болашағы

ЖИ-дің тарихы 1950 жылдардың ортасынан басталады. 1956 жылы Дартмут конференциясы ЖИ-дің ресми туындауына себеп болды. Алғашқы ЖИ жүйелері қарапайым логика мен ережелерге негізделді.

1980 жылдары нейрондық желілер мен генетикалық алгоритмдер сияқты жаңа әдістер енгізілді. 2000 жылдардың басында үлкен деректер мен есептеу қуатының артуы ЖИ мен МО-ның қарқынды дамуына ықпал етті.

Болашақта ЖИ-дің дамуы этикалық және әлеуметтік мәселелермен байланысты болуы мүмкін. Мысалы, ЖИ-дің адам жұмысын алмастыруы, деректердің құпиялылығы, алгоритмдердің әділдігі сияқты мәселелер үлкен назар аударады. Сонымен қатар, ЖИ технологиялары білім беру, ауыл шаруашылығы, экология сияқты жаңа салаларда да кеңінен қолданылуы мүмкін.

5. ЖИ мен дәстүрлі бағдарламалау арасындағы айырмашылық

Дәстүрлі бағдарламалау — бұл нақты алгоритмдер мен ережелерге негізделген, яғни бағдарламашы кез-келген есепті шешу үшін нақты қадамдарды анықтайды. Мысалы, егер біз математикалық есепті шешу үшін бағдарламаны жазсақ, онда біз барлық қадамдарды нақты көрсетеміз.

ЖИ болса, деректерден үйренеді және болжамдар жасайды. Бұл жерде модельдер үлкен деректер жиынтығынан ақпаратты алып, өздігінен шешімдер қабылдайды.

Негізгі айырмашылықтар:

• Алгоритмдер: Дәстүрлі бағдарламалауда алгоритмдер алдын-ала анықталған, ал ЖИ деректерге негізделген.

• Деректер: Дәстүрлі бағдарламалауда деректер алдын-ала белгіленген, ал ЖИ-да деректердің үлкен көлемі модельдің үйренуіне негіз болады.

• Шешім қабылдау: Дәстүрлі бағдарламалауда шешімдер алдын-ала есептеледі, ал ЖИ динамикалық түрде шешімдер қабылдай алады.

2. ЖАСАНДЫ ИНТЕЛЛЕКТТІҢ НЕГІЗГІ ҚАҒИДАЛАРЫ

Жасанды Интеллект (ЖИ) туралы толық мәлімет

1. ЖИ жүйелерінің негізгі түрлері

Жасанды интеллект жүйелері бірнеше түрге бөлінеді:

• Сараптамалық жүйелер (Expert Systems) – нақты бір салада адам маманының білімін модельдеу арқылы шешім қабылдайтын жүйелер.

• Нейрондық желілер (Neural Networks) – адамның ми жұмысын модельдеу арқылы күрделі мәселелерді шешетін жүйелер.

• Машиналық оқыту (Machine Learning, ML) – деректер негізінде өздігінен үйренетін алгоритмдер.

• Тереңдетілген оқыту (Deep Learning, DL) – көп қабатты нейрондық желілерге негізделген жоғары деңгейлі машиналық оқыту әдісі.

• Табиғи тілдерді өңдеу (Natural Language Processing, NLP) – мәтіндер мен сөйлеуді түсініп, өңдейтін технология.

2. Сараптамалық жүйелер және нейрондық желілер

• Сараптамалық жүйелер – белгілі бір сала бойынша маманның білімін компьютерлік бағдарлама түрінде бейнелейтін жүйелер. Мысалы, медицинадағы диагностикалық жүйелер.

• Нейрондық желілер – адамның ми нейрондары тәрізді жұмыс істейтін, үлкен көлемдегі деректерді өңдей алатын математикалық модельдер. Бұл желілер бейне, мәтін, дыбыс тану, автоматтандырылған шешім қабылдау процестерінде қолданылады.

3. Деректердің жасанды интеллект үшін маңызы

ЖИ тиімді жұмыс істеуі үшін үлкен көлемдегі деректер қажет. Деректер:

• Машиналық оқыту алгоритмдерін үйрету үшін қолданылады.

• Жаңа ақпараттарға бейімделу және дәл шешім қабылдауға көмектеседі.

• Болжау жасауға және үрдістерді анықтауға мүмкіндік береді.
  Деректердің сапасы мен көлемі ЖИ жүйелерінің тиімділігін анықтайды.

4. ЖИ жұмыс істеу принциптері

ЖИ келесі негізгі принциптер бойынша жұмыс істейді:

• Деректерді жинау және өңдеу – ЖИ алгоритмдері үлкен көлемдегі деректерді өңдейді.

• Үлгілерді тану – Нейрондық желілер үлгілерді танып, оларды жіктейді.

• Болжау және шешім қабылдау – Өткен тәжірибелерге сүйене отырып, жаңа жағдайларға бейімделеді.

• Өзін-өзі жетілдіру – Жаңа мәліметтер алған сайын алгоритмдер дәлдікті арттырады.

5. Қолдану салалары

ЖИ әртүрлі салаларда қолданылады:

• Медицина – ауруларды анықтау, медициналық кескіндерді талдау, емдеу жоспарын ұсыну (мысалы, IBM Watson).

• Қаржы – несиелік тәуекелдерді бағалау, қаржы алаяқтықтарын анықтау, инвестициялық стратегиялар жасау.

• Өндіріс – роботтандырылған өндіріс желілері, жабдықтың ақауларын алдын ала анықтау.

• Ойын индустриясы – компьютерлік ойындардағы жасанды интеллект (NPC), ойын механикасын дамыту.

6. ЖИ-дің адам өміріне әсері мен болашағы

ЖИ технологиялары адам өмірін жеңілдетіп, көптеген салаларда тиімділікті арттырады. Бірақ, қауіптері де бар:

• Жұмыс орындарының қысқаруы – көптеген мамандықтар автоматтандырылады.

• Этикалық мәселелер – ЖИ шешімдерінің әділеттілігі мен объективтілігі мәселесі.

• Қауіпсіздік – ЖИ-ді зиянды мақсатта пайдалану қаупі бар.

ЖИ болашағы – адамның өмір сүру сапасын жақсарту, денсаулық сақтау, білім беру, көлік салаларында озық технологиялар енгізу. Бірақ, ЖИ-дің этикалық және әлеуметтік аспектілерін ескеру маңызды.

3. МАШИНАЛЫҚ ОҚЫТУ НЕГІЗДЕРІ

1. Машиналық оқытудың түрлері

Машиналық оқыту (ML) – жасанды интеллекттің негізгі бағыттарының бірі. Ол алгоритмдердің тәжірибеден үйреніп, болашақта дұрыс шешім қабылдауын қамтамасыз етеді. ML үш негізгі түрге бөлінеді:

1.1. Бақылаулы оқыту (Supervised Learning)

• Бұл әдісте алгоритмге кіру деректері (input) мен дұрыс жауаптары (output) беріледі.

• Жүйе осы деректер негізінде үлгілерді үйреніп, жаңа деректер үшін болжам жасайды.

• Қолдану мысалдары:

  • Электрондық поштадағы спам-фильтрлер (хаттың спам немесе емес екенін анықтау).

  • Несие алушының қарыз төлеу қабілетін болжау.

• Танымал алгоритмдер: Decision Trees, kNN, Naïve Bayes, Regression, Neural Networks.

1.2. Бақылаусыз оқыту (Unsupervised Learning)

• Бұл әдісте алгоритмге тек кіру деректері (input) беріледі, бірақ дұрыс жауаптары (output) жоқ.

• Жүйе деректер арасындағы байланыстарды тауып, оларды топтастырады (кластерлейді).

• Қолдану мысалдары:

  • Клиенттерді сегментациялау (мысалы, банктер клиенттерін кіріс деңгейіне байланысты топтау).

  • Қылмыстық белсенділікті анықтау (тосын әрекеттерді байқау).

• Танымал алгоритмдер: K-means кластерлеу, Principal Component Analysis (PCA), Hidden Markov Models (HMM).

1.3. Күшейтілген оқыту (Reinforcement Learning)

• Жүйе қоршаған ортадан кері байланыс алып, дұрыс әрекетті үйренеді.

• Жасанды интеллект сынау және қателесу (trial and error) әдісі арқылы тиімді шешім табады.

• Қолдану мысалдары:

  • Ойындардағы жасанды интеллект (мысалы, AlphaGo).

  • Өздігінен жүретін көліктер (машинаның жол ережелерін үйренуі).

• Негізгі элементтері:

  • Агент (Agent) – шешім қабылдайтын алгоритм.

  • Қоршаған орта (Environment) – агент әрекет ететін орын.

  • Марапаттау (Reward) – агент дұрыс шешім қабылдағанда алатын ұпайы.

2. Деректерді өңдеу және оларды модельге дайындау

Машиналық оқыту алгоритмдері деректердің сапасына тәуелді. Деректерді модельге дайындау үшін келесі қадамдар орындалады:

1. Деректерді жинау – мәліметтерді сенімді көздерден алу (мысалы, SQL базасы, интернет, сенсорлар).

2. Деректерді тазарту – қателерді түзету, жетіспейтін мәндерді толтыру.

3. Деректерді масштабтау және нормализациялау – барлық көрсеткіштерді бірыңғай шкалаға келтіру.

4. Ерекшеліктерді (фича) таңдау – тек маңызды белгілерді қалдырып, қажетсіздерін алып тастау.

5. Деректерді оқыту және тест жиындарына бөлу – модельді бағалау үшін 80%-ын оқытуға, 20%-ын тестке бөлу.

3. Машиналық оқыту алгоритмдері

3.1. Decision Trees (Шешім ағаштары)

• Бұл алгоритм иерархиялық ережелер жиынтығына негізделген.

• Әрбір түйін (node) сұрақ қойып, шешім қабылдайды.

• Қолдану мысалдары: несие беру, ауруды диагностикалау.

• Артықшылықтары: түсінікті, тез жұмыс істейді.

• Кемшіліктері: шамадан тыс үйреніп кетуі (overfitting).

3.2. k-Nearest Neighbors (kNN)

• Бұл алгоритм жаңа деректі ең жақын көршілермен салыстырады.

• Егер k = 3 болса, онда жаңа объект 3 ең жақын көршімен салыстырылып, қай топқа жататыны анықталады.

• Қолдану мысалдары: бет тану, медициналық диагноз.

• Артықшылықтары: қарапайым, түсінікті.

• Кемшіліктері: үлкен деректер үшін баяу жұмыс істейді.

3.3. Naïve Bayes (Байес классификаторы)

• Бұл алгоритм ықтималдықтар теориясына негізделген.

• Ол әр белгі (feature) тәуелсіз деп болжайды.

• Қолдану мысалдары: спам-фильтрлер, ауруды болжау.

• Артықшылықтары: тез жұмыс істейді, аз деректермен де нәтижелі.

• Кемшіліктері: барлық белгілердің бір-біріне тәуелсіз екенін болжайды.

3.4. Neural Networks (Нейрондық желілер)

• Бұл алгоритм адам миының жұмысын модельдеу негізінде жасалған.

• Ол қабаттардан тұрады:

  • Кіріс қабаты (Input layer) – бастапқы деректер.

  • Жасырын қабаттар (Hidden layers) – мәліметтерді өңдейді.

  • Шығыс қабаты (Output layer) – қорытынды шығарады.

• Қолдану мысалдары: бейне тану, дауысты тану.

• Артықшылықтары: күрделі паттерндерді үйренеді.

• Кемшіліктері: көп есептеу ресурстарын қажет етеді.

3.5. Regression (Логистикалық және сызықтық регрессия)

• Сызықтық регрессия – екі айнымалы арасындағы сызықтық байланысты анықтайды.

• Логистикалық регрессия – екі классқа бөлінетін деректер үшін қолданылады.

• Қолдану мысалдары: бағалар мен сатылымдарды болжау.

• Артықшылықтары: түсінікті, интерпретациясы оңай.

• Кемшіліктері: күрделі деректер үшін жеткіліксіз.

4. Шынайы өмірдегі машиналық оқыту модельдері

1. Google Search – іздеу нәтижелерін жақсарту үшін ML қолданады.

2. Netflix ұсыныстары – сіздің таңдауыңызға байланысты фильмдерді болжайды.

3. Медициналық диагностика – ауруларды ерте анықтауға көмектеседі.

4. Автономды көліктер (Tesla, Waymo) – күшейтілген оқыту арқылы жол ережелерін үйренеді.

5. Қаржы саласы – алаяқтықты анықтау, несие рейтингісін болжау.

Машиналық оқыту – заманауи технологиялардың ажырамас бөлігі. Ол бизнес, медицина, қаржы, ойын индустриясы, көлік саласында белсенді қолданылады. Алгоритмдер мен деректерді дұрыс өңдеу арқылы тиімді модельдер жасауға болады.

4. PYTHON ТІЛІНДЕ МАШИНАЛЫҚ ОҚЫТУ

Python және машиналық оқыту: Толық мәлімет

Бұл бөлімде Python-ның машиналық оқытуға арналған кітапханалары, Scikit-learn көмегімен негізгі модель құру, TensorFlow және Keras негіздері, нейрондық желі құру, сондай-ақ бейне мен дыбысты тануға арналған практикалық мысалдар қарастырылады.

1. Python кітапханалары

Python-да машиналық оқытуға арналған негізгі кітапханалар:

1.1. NumPy

• Сандық массивтермен жұмыс істеуге арналған кітапхана.

• Көпөлшемді массивтер (ndarray) құру және өңдеу үшін қолданылады.

• Жылдамдықты арттыру үшін C және Fortran негізінде жасалған.

Мысал:

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

print(arr * 2) # [2 4 6 8 10]

1.2. Pandas

• Кестелік (DataFrame) деректермен жұмыс істеуге арналған.

• CSV, Excel, SQL файлдарымен оңай жұмыс істеуге мүмкіндік береді.

Мысал:

import pandas as pd

data = {'Аты': ['Али', 'Айжан'], 'Жасы': [20, 25]}

df = pd.DataFrame(data)

print(df)

1.3. Matplotlib

• Графиктер салуға арналған кітапхана.

• Координаталар, диаграммалар жасауға мүмкіндік береді.

Мысал:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]

y = [10, 20, 25, 30]

plt.plot(x, y, marker='o')

plt.show()

2. Scikit-learn көмегімен негізгі модель құру

Scikit-learn — машиналық оқытуға арналған ең танымал кітапхана.

Қарапайым сызықтық регрессия (Linear Regression) мысалы:

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression

# Деректер дайындау

X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)

y = np.array([2, 4, 6, 8, 10])

# Модель құру

model = LinearRegression()

model.fit(X, y)

# Болжам жасау

y_pred = model.predict(X)

# График салу

plt.scatter(X, y, color='blue')

plt.plot(X, y_pred, color='red')

plt.show()

Бұл кодта сызықтық регрессия қолданылады: $y = mx + b$

3. TensorFlow және Keras негіздері

TensorFlow — Google жасаған нейрондық желілер құруға арналған кітапхана.
Keras — TensorFlow негізінде қарапайым API ұсынатын жоғары деңгейлі кітапхана.

3.1. TensorFlow орнату

pip install tensorflow

3.2. Қарапайым нейрондық желі құру (Keras)

import tensorflow as tf

from tensorflow import keras

import numpy as np

# Деректер дайындау

X = np.array([1, 2, 3, 4, 5])

y = np.array([2, 4, 6, 8, 10])

# Нейрондық желі құру

model = keras.Sequential([

keras.layers.Dense(units=1, input_shape=[1])

])

# Компиляция

model.compile(optimizer='sgd', loss='mean_squared_error')

# Оқыту

model.fit(X, y, epochs=500)

# Болжам жасау

print(model.predict([6]))

Бұл бір қабатты нейрондық желі сызықтық функцияны үйренеді.

4. Нейрондық желі құрудың негіздері

Нейрондық желілер қабаттардан (layers) тұрады:

• Кіріс қабаты (Input layer) – мәліметтерді қабылдайды.

• Жасырын қабаттар (Hidden layers) – деректерді өңдейді.

• Шығыс қабаты (Output layer) – нәтижені шығарады.

Қарапайым жасанды нейрондық желі құру (2 қабатты)

model = keras.Sequential([

keras.layers.Dense(64, activation='relu', input_shape=[10]),

keras.layers.Dense(32, activation='relu'),

keras.layers.Dense(1)

])

5. Практикалық мысал: бейне мен дыбысты тану

5.1. Бейне тану (MNIST қолжазба цифрлары)

import tensorflow as tf

from tensorflow import keras

# Деректер жүктеу

mnist = keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Деректерді нормализациялау

x_train, x_test = x_train / 255.0, x_test / 255.0

# Модель құру

model = keras.Sequential([

keras.layers.Flatten(input_shape=(28, 28)),

keras.layers.Dense(128, activation='relu'),

keras.layers.Dense(10, activation='softmax')

])

# Компиляция

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

# Оқыту

model.fit(x_train, y_train, epochs=5)

# Тест

test_loss, test_acc = model.evaluate(x_test, y_test)

print("Тест дәлдігі:", test_acc)

Бұл код қолжазба цифрларды тануға арналған нейрондық желі жасайды.

5.2. Дыбысты тану (Speech Recognition)

import tensorflow as tf

import tensorflow_io as tfio

# Аудио файлды оқу

audio = tf.io.read_file('audio.wav')

audio, sample_rate = tf.audio.decode_wav(audio)

# Жиілік спектрін алу

spectrogram = tf.signal.stft(audio[:, 0], frame_length=256, frame_step=128)

magnitude_spectrogram = tf.abs(spectrogram)

print(magnitude_spectrogram.shape)

Бұл код аудионы өңдеп, оның спектрлік көрінісін жасайды.

✔ NumPy, Pandas, Matplotlib – деректерді өңдеу және визуализациялау.
✔ Scikit-learn – классикалық машиналық оқыту модельдерін құру.
✔ TensorFlow, Keras – нейрондық желілерді оңай жасау.
✔ Бейне және дыбыс тану – машиналық оқытудың негізгі бағыттарының бірі.

Егер Python-да ML және нейрондық желілермен жұмыс істегіңіз келсе, Scikit-learn, TensorFlow, Keras кітапханаларын үйрену маңызды.

5. ЖИ-дің ЭТИКАЛЫҚ ЖӘНЕ ҚАУІПСІЗДІК МӘСЕЛЕЛЕРІ

Жасанды интеллект және оның қоғамға әсері

Жасанды интеллект (ЖИ) – технологиялар әлемінде төңкеріс жасаған инновация. Оның қоғамға ықпалы экономика, қауіпсіздік, этика, заңнама және еңбек нарығы секілді көптеген салаларда байқалады.

1. Жасанды интеллекттің қоғамға әсері

1.1. Артықшылықтары:

✅ Өнімділікті арттыру – автоматтандыру арқылы уақыт пен ресурстар үнемделеді.
✅ Медицинадағы жетістіктер – ЖИ көмегімен ауруларды ерте анықтау, диагноз қою жақсаруда.
✅ Көлік индустриясы – автономды көліктер жол қауіпсіздігін жақсартады.
✅ Қаржы секторындағы жаңашылдық – алаяқтықты анықтау, несие рейтингін бағалау.

1.2. Қауіптері:

⚠ Жұмыс орындарын қысқарту – автоматтандыру кейбір мамандықтарды ығыстырады.
⚠ Жасанды сананы бақылау мәселесі – ЖИ шешімдерінің түсініксіздігі.
⚠ Deepfake және жалған ақпарат тарату – қоғамда алаяқтық пен манипуляцияның артуы.

2. Деректер құпиялығы мен қауіпсіздігі

ЖИ жүйелері үлкен көлемдегі деректерді өңдейді. Бірақ деректерді сақтау мен қорғау – үлкен мәселе.

2.1. Қауіпсіздікке қатысты негізгі мәселелер:

? Жеке деректердің ұрлануы – әлеуметтік желілердегі мәліметтердің сыртқа тарауы.
? Кибершабуылдар – хакерлер ЖИ жүйелерін бұзып, зиян келтіруі мүмкін.
? Бақылау және цензура – кейбір мемлекеттер ЖИ арқылы халықты толық бақылауға алуы мүмкін.

2.2. Деректерді қорғау тәсілдері:

✅ Шифрлау (Encryption) – деректерді қауіпсіз сақтау.
✅ Аутентификация және көпфакторлы қорғау – рұқсатсыз кірудің алдын алу.
✅ Әділетті алгоритмдер жасау – AI жүйелерін ашық және әділ бағдарламалау.

3. ЖИ этикасы және болашақ мәселелері

3.1. ЖИ этикасының негізгі қағидалары:

? Ашықтық (Transparency) – ЖИ шешімдерінің түсінікті болуы.
? Әділеттілік (Fairness) – алгоритмдер дискриминация жасамауы керек.
? Жауапкершілік (Accountability) – ЖИ жасаушылар жүйенің қателіктеріне жауап беруі тиіс.

3.2. Болашақ мәселелері:

? Жасанды интеллекттің саналы болуы мүмкін бе?
? ЖИ-дың адам құқықтарына әсері қандай болмақ?
? Жаппай жұмыссыздық және жаңа мамандықтар

4. Deepfake және ЖИ-ді қателесуге итермелеу мәселелері

4.1. Deepfake дегеніміз не?

Deepfake – ЖИ көмегімен адамның дауысын немесе бейнесін өзгерту арқылы жалған контент жасау технологиясы.

? Қауіптілігі:

• Саяси манипуляция

• Жалған жаңалықтар

• Киберқылмыс

Deepfake бейнені қалай анықтауға болады?
✔ Көздің табиғи жыпылықтауы
✔ Жасанды бет қозғалысы
✔ Бейне мен дыбыстың үйлесімсіздігі

4.2. ЖИ-ді қателесуге итермелеу (Adversarial Attacks)

ЖИ жүйелеріне арнайы қате ақпарат беру арқылы олардың дұрыс шешім қабылдауына кедергі жасау мүмкін.

Мысал:
? Автокөлік жүйесін алдау – жол белгілеріне шағын өзгеріс енгізіп, ЖИ-ды қателестіру.
? Бет-әлпетті тану жүйесін алдау – арнайы үлгідегі көзілдірік киіп, адамды танудан жасыру.

5. Автоматтандырудың еңбек нарығына әсері

5.1. Автоматтандырудың пайдасы:

Жаңа жұмыс орындарының ашылуы – ЖИ жүйелерін басқару, дамыту, бағдарламалау.
Робототехника мен инженерияның дамуы – заманауи кәсіптердің көбеюі.

5.2. Жұмыссыздық қаупі:

⚠ Қарапайым жұмыстарды роботтардың алмастыруы:

• Қойма қызметкерлері

• Деректер енгізу операторлары

• Кассирлер

⚠ Адамдарға қажетті жаңа дағдылар:
? Бағдарламалау, деректер ғылымы, нейрондық желілермен жұмыс істеу маңызды болмақ.

Жасанды интеллект қоғамға үлкен ықпал етуде. Оның артықшылықтары да, кемшіліктері де бар. Жұмыс орындарының өзгеруі, қауіпсіздік, этика мәселелері – бұл технологияның алдағы жылдардағы басты тақырыптары.

? Егер ЖИ дұрыс реттелсе, ол адамзатқа үлкен пайда әкеледі. Бірақ оны бақылаусыз дамыту қауіпті салдарға алып келуі мүмкін.

6. ПРАКТИКАЛЫҚ ТАПСЫРМАЛАР

Практикалық және тест тапсырмалары

Бұл бөлімде ЖИ және машиналық оқыту бойынша теориялық сұрақтар, тест тапсырмалары, шағын жобалар, Kaggle жарыстарына қатысу тәсілдері және Python-да қарапайым ЖИ моделін жасау қарастырылады.

1. Теориялық сұрақтар мен тест тапсырмалары

1.1. Теориялық сұрақтар:

1. Жасанды интеллект пен машиналық оқытудың айырмашылығы қандай?

2. Машиналық оқытуда бақылаулы (Supervised Learning) және бақылаусыз (Unsupervised Learning) оқытудың негізгі айырмашылығы неде?

3. Нейрондық желілерде активация функциялары қандай қызмет атқарады?

4. Overfitting (шамадан тыс үйрену) деген не, оны қалай болдырмауға болады?

5. Gradient Descent алгоритмі қалай жұмыс істейді?

6. Decision Tree және Random Forest алгоритмдерінің айырмашылығы қандай?

7. K-means кластерлеу алгоритмі қалай жұмыс істейді?

1.2. Тест тапсырмалары:

1. Қайсысы бақылаулы оқыту әдісіне жатады?
A) K-means
B) Decision Tree
C) Principal Component Analysis (PCA)
D) DBSCAN

2. Логистикалық регрессия қандай мәселені шешуге қолданылады?
A) Регрессия
B) Классификация
C) Кластерлеу
D) Өмірлік циклді болжау

3. Бір өлшемді массив (NumPy) қалай құрылады?

A) np.array([1, 2, 3])

B) array[1, 2, 3]

C) list([1, 2, 3])

D) np.array{1, 2, 3}

4. Машиналық оқытуда “Loss Function” қандай рөл атқарады?
A) Деректерді визуализациялау
B) Деректерді нормализациялау
C) Алгоритмнің қатесін өлшеу
D) Гиперпараметрлерді баптау

5. Scikit-learn кітапханасы не үшін қолданылады?
A) Деректерді сақтау
B) Машиналық оқыту модельдерін құру
C) График салу
D) Веб-қосымшалар жасау

(Жауаптар: 1-B, 2-B, 3-A, 4-C, 5-B)

2. Шағын жобалар

2.1. Қарапайым деректерді өңдеу (Pandas)

import pandas as pd

# Деректерді жүктеу

df = pd.read_csv("data.csv")

# Алғашқы 5 жолды шығару

print(df.head())

# Қайталанатын мәндерді жою

df = df.drop_duplicates()

# Бос мәндерді толтыру

df.fillna(df.mean(), inplace=True)

print(df.describe())

Міндет: Деректер жиынын (CSV) жүктеп, оның негізгі сипаттамаларын анықтау.

2.2. Қарапайым классификация (Iris Dataset)

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score

# Деректерді жүктеу

iris = load_iris()

X, y = iris.data, iris.target

# Мәліметтерді бөлу (80% - оқу, 20% - тест)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Random Forest классификациясы

model = RandomForestClassifier(n_estimators=100)

model.fit(X_train, y_train)

# Болжам жасау

y_pred = model.predict(X_test)

# Дәлдік өлшеу

print("Модель дәлдігі:", accuracy_score(y_test, y_pred))

Міндет: Iris Dataset көмегімен өсімдіктердің түрлерін анықтайтын классификация моделі құру.

3. Kaggle платформасында жарыстарға қатысу

3.1. Kaggle дегеніміз не?

Kaggle – деректер ғылымы мен машиналық оқыту бойынша жарыстар өтетін платформа.

3.2. Kaggle-ге тіркелу және алғашқы жарысқа қатысу:

1. Kaggle-ге тіркеліңіз: https://www.kaggle.com

2. Жаңадан бастаушыларға арналған жарысты таңдаңыз: Titanic - Machine Learning from Disaster

3. Jupyter Notebook немесе Google Colab пайдаланып, код жазыңыз

4. Мәліметтерді жүктеп, модель құрыңыз

5. Нәтижені жіберіп, рейтингті көріңіз

Titanic жарысы үшін қарапайым модель:

import pandas as pd

from sklearn.ensemble import RandomForestClassifier

# Деректерді жүктеу

train = pd.read_csv("train.csv")

test = pd.read_csv("test.csv")

# Қажет бағандарды таңдау

features = ["Pclass", "Sex", "SibSp", "Parch"]

X_train = pd.get_dummies(train[features])

y_train = train["Survived"]

X_test = pd.get_dummies(test[features])

# Модель құру

model = RandomForestClassifier(n_estimators=100)

model.fit(X_train, y_train)

# Болжам жасау

predictions = model.predict(X_test)

# Нәтижені сақтау

submission = pd.DataFrame({"PassengerId": test["PassengerId"], "Survived": predictions})

submission.to_csv("submission.csv", index=False)

Міндет: Kaggle-ге Titanic жобасы бойынша нәтижені жіберіп, рейтингке қатысу.

4. Python-да қарапайым ЖИ моделін жасау

4.1. Жасанды нейрондық желі (Keras, TensorFlow)

import tensorflow as tf

from tensorflow import keras

import numpy as np

# Деректер дайындау

X = np.array([1, 2, 3, 4, 5], dtype=float)

y = np.array([2, 4, 6, 8, 10], dtype=float)

# Модель құру

model = keras.Sequential([

keras.layers.Dense(units=1, input_shape=[1])

])

# Компиляция

model.compile(optimizer='sgd', loss='mean_squared_error')

# Оқыту

model.fit(X, y, epochs=500)

# Болжам жасау

print(model.predict([6]))

Міндет: X пен y арасындағы тәуелділікті үйренетін қарапайым нейрондық желі құру.

Теориялық сұрақтар мен тесттер – ЖИ-ді жақсы түсіну үшін қажет.
Шағын жобалар – тәжірибе жинақтауға көмектеседі.
Kaggle жарыстары – нақты мәліметтермен жұмыс істеуге мүмкіндік береді.
Python-да ЖИ моделін құру – машиналық оқыту негіздерін практикада қолдану.

ҚОРЫТЫНДЫ

7.1 Жасанды интеллекттің болашағы

Жасанды интеллект (ЖИ) – бүгінгі таңда ғылым мен технологиядағы ең қарқынды дамып келе жатқан салалардың бірі. Оның болашағы көптеген аспектілерден тұрады, соның ішінде автоматтандыру, медицина, өндіріс, қаржы және білім беру салаларына тигізетін әсері бар.

1. Автоматтандыру және робототехника

ЖИ технологиялары зауыттар мен өндірістердегі автоматтандырылған жүйелерді жетілдіруде. Роботтар мен ЖИ көмегімен жұмысшылардың кейбір міндеттерін алмастыру – өндіріс тиімділігін арттырады. Мысалы, Tesla және Boston Dynamics компаниялары ақылды роботтарды дамытуда.

2. Денсаулық сақтау саласындағы ЖИ

• ЖИ диагноз қоюда, емдеу әдістерін таңдауда және дәрілерді зерттеуде қолданылады.

• IBM Watson жүйесі онкологиялық ауруларды ерте анықтауға көмектеседі.

• Генетикалық зерттеулер мен жеке медицинаны дамыту үшін ЖИ қолданылады.

3. Білім беру және жеке оқыту жүйелері

• ЖИ көмегімен оқушылардың білім деңгейін бағалап, оларға жеке оқу бағдарламаларын ұсынуға болады.

• Coursera, Khan Academy, Udacity сияқты платформалар ЖИ-ді пайдаланатын интерактивті оқыту жүйелерін әзірлеуде.

• ChatGPT және басқа да ЖИ модельдері оқушыларға онлайн көмек көрсетеді.

4. Қаржы саласында қолдану

• ЖИ банк саласында алаяқтықты анықтауға көмектеседі.

• Қаржы нарықтарында автоматтандырылған трейдинг алгоритмдері кеңінен қолданылады.

• Несие беру кезінде клиенттің төлем қабілеттілігін болжау үшін ЖИ модельдері пайдаланылады.

5. Киберқауіпсіздік және ЖИ

• ЖИ желідегі күдікті әрекеттерді анықтап, кибершабуылдардың алдын алу үшін қолданылады.

• Үлкен көлемдегі мәліметтерді өңдеу арқылы кибершабуылдарға жылдам жауап беру мүмкіндігі артады.

6. ЖИ-дің болашақ этикалық мәселелері

• ЖИ адам өміріне қауіп төндірмеуі керек.

• Жасанды интеллект шешімдерінде әділдік пен бейтараптық маңызды.

• Адамдардың жеке мәліметтерін қорғау – басты міндеттердің бірі.

7.2 Қосымша оқу материалдары

Ұсынылатын кітаптар

1. "Artificial Intelligence: A Guide for Thinking Humans" – Melanie Mitchell

   • Жасанды интеллекттің қазіргі жағдайы мен болашағы туралы қарапайым тілмен жазылған.

2. "Pattern Recognition and Machine Learning" – Christopher M. Bishop

   • Машиналық оқытудың негізгі алгоритмдерін терең түсіндіреді.

3. "Deep Learning" – Ian Goodfellow, Yoshua Bengio, Aaron Courville

   • Терең нейрондық желілер туралы маңызды оқулық.

4. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – Aurélien Géron

   • Python негізінде машиналық оқыту мен терең оқыту әдістерін тәжірибеде қолдану.

5. "Superintelligence: Paths, Dangers, Strategies" – Nick Bostrom

   • Жасанды интеллекттің болашақ даму қаупі мен мүмкіндіктерін талдайды.

Онлайн курстар мен ресурстар

1. Coursera – "Machine Learning" (Andrew Ng)

   • Машиналық оқытудың негізгі принциптері мен алгоритмдерін түсіндіретін танымал курс.

2. Fast.ai – "Practical Deep Learning for Coders"

   • Терең оқыту әдістерін практикалық тұрғыдан үйрететін курс.

3. MIT OpenCourseWare – "Introduction to Deep Learning"

   • MIT ұсынған терең оқыту бойынша тегін курс.

4. Kaggle – Машиналық оқыту жарыстары мен деректер жиынтықтары

   • Машиналық оқыту бойынша нақты жобалар жасауға мүмкіндік береді.

5. Google AI – Тегін AI курстары

   • Жасанды интеллект негіздерін түсіндіретін Google ұсынған интерактивті курстар.

? YouTube бейнематериалдар

1. 3Blue1Brown – Neural Networks

   • Жасанды нейрондық желілердің қалай жұмыс істейтінін визуалды түсіндіретін керемет видео.

2. Sentdex – Machine Learning with Python

   • Python көмегімен машиналық оқыту бойынша толық курс.

3. Stanford CS229 – Machine Learning (Andrew Ng)

   • Стэнфорд университетінің машиналық оқыту курсы.

4. MIT 6.S191 – Deep Learning

   • MIT профессоры түсіндірген терең оқыту бойынша толық лекциялар.

Жасанды интеллект – болашақта адамзат өмірінің барлық саласына әсер ететін технология. Ол денсаулық сақтау, білім беру, өндіріс, қаржы сияқты көптеген салаларда қолданылады. Алайда, этикалық мәселелер мен қауіпсіздік сұрақтары шешілуі қажет. ЖИ-ді тиімді әрі жауапкершілікпен қолдану – болашақтың басты міндеттерінің бірі.

Бұл материал жасанды интеллект пен машиналық оқыту негіздерін үйренуге көмектеседі. Егер сіз тереңірек зерттеуді қаласаңыз, жоғарыда ұсынылған курстар мен кітаптарды пайдалануға болады.

Қолданылған әдебиттер тізімі мен қосымшалар

Жасанды интеллект (ЖИ) және машиналық оқыту (МО) бойынша білімді тереңдету үшін кітаптар, курстар, веб-сайттар мен қосымшалар ұсынамын.

1. Кітаптар

? Жасанды интеллект және машиналық оқыту негіздері:

1. "Artificial Intelligence: A Guide for Thinking Humans" – Melanie Mitchell

2. "Artificial Intelligence: A Modern Approach" – Stuart Russell, Peter Norvig (ЖИ бойынша ең танымал кітап)

3. "Pattern Recognition and Machine Learning" – Christopher M. Bishop

4. "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" – Aurélien Géron (MO бойынша Python-мен жұмыс істеу)

5. "Deep Learning" – Ian Goodfellow, Yoshua Bengio, Aaron Courville

? Python және деректер ғылымы:
6. "Python Machine Learning" – Sebastian Raschka
7. "Data Science from Scratch" – Joel Grus
8. "Python for Data Analysis" – Wes McKinney (Pandas авторының кітабы)

2. Онлайн курстар мен видеолар

? MO және ЖИ бойынша үздік курстар:

1. Coursera – Machine Learning (Andrew Ng, Stanford University)

2. Deep Learning Specialization (Andrew Ng, Coursera)

3. Harvard CS50’s Introduction to Artificial Intelligence with Python

4. Fast.ai – Practical Deep Learning for Coders

? YouTube арналар:

• 3Blue1Brown – ЖИ және МО алгоритмдерін түсіндіру

• Sentdex – Python, TensorFlow, нейрондық желілер

• Stanford Online – ЖИ курстары мен лекциялар

3. Веб-сайттар мен ресурстар

? Теория және практика:

1. Kaggle – деректер жиынтықтары, жарыстар, ноутбуктар

2. Google AI & TensorFlow

3. Scikit-learn құжаттамасы

4. TensorFlow ресми сайты

5. PyTorch құжаттамасы

6. Towards Data Science (Medium)

4. Мобильді қосымшалар

? ЖИ мен МО үйренуге арналған қосымшалар:

1. Kaggle – Python кодын жазуға және жарыстарға қатысуға мүмкіндік береді.

2. DataCamp – Python және деректер ғылымын үйрену.

3. SoloLearn Python – Python негіздерін үйрену.

4. Coursera және Udacity – онлайн курстарға қатысу.

5. Learn AI & ML with Google – ЖИ мен МО бойынша Google-дың ресми қосымшасы.