Оптимизация базы правил системы нечеткого вывода с помощью генетических алгоритмов

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

332

Список литературы

1.

Carrasco-García, Patricia-María, Dolores María Frías-Jamilena, and Ana Isabel Polo-

Peña. "Virtual tours: the effect of artificial intelligence and intelligent virtual environments on
behavioral intention toward the tour and the tourist destination." Current Issues in Tourism (2025):
1-26.

2.

Florido-Benítez, Lázaro. "The role of cybersecurity as a preventive measure in digital

tourism and travel: a systematic literature review." Discover Computing 28, no. 1 (2025): 28.

3.

Mihajlović, Iris. "Experiences and Technologies Of Smart Tourism: An Analytical

Approach To Literature Review." In Book of Proceedings–Selected Papers of the 122nd
International Scientific Conference on Economic and Social Development–„Advances in Tourism,
Digital Technologies and Economic Strategies “, 2025 pp. 1-14.

4.

Stankov, Uglješa, Ulrike Gretzel, and Miroslav D. Vujičić. "AI-powered smartphones

and phygital tourism experiences: implications and future research directions." Information
Technology & Tourism (2025): 1-10.

5.

Balula, Ana, Gillian Moreira, António Moreira, Elisabeth Kastenholz, Celeste Eusébio,

and Zélia Breda. "Digital transformation in tourism education." Tourism in Southern and Eastern
Europe 5 (2019): 61-72.

6.

Snyder, Hannah. "Literature review as a research methodology: An overview and

guidelines." Journal of business research 104 (2019): 333-339.

7.

Torres-Carrión, Pablo Vicente, Carina Soledad González-González, Silvana Aciar, and

Germania Rodríguez-Morales. "Methodology for systematic literature review applied to
engineering and education." In 2018 IEEE Global engineering education conference (EDUCON),
pp. 1364-1373. IEEE, 2018.

8.

Thilakaratne, Menasha, Katrina Falkner, and Thushari Atapattu. "A systematic review on

literature-based discovery: general overview, methodology, & statistical analysis." ACM
Computing Surveys (CSUR) 52, no. 6 (2019): 1-34.

9.

Filieri, Raffaele, Elettra D’Amico, Alessandro Destefanis, Emilio Paolucci, and

Elisabetta Raguseo. "Artificial intelligence (AI) for tourism: an European-based study on
successful AI tourism start-ups." International Journal of Contemporary Hospitality Management
33, no. 11 (2021): 4099-4125.

10.

Tuo, Yanzheng, Jiankai Wu, Jingke Zhao, and Xuyang Si. "Artificial intelligence in

tourism: insights and future research agenda." Tourism Review 80, no. 4 (2025): 793-812.

11.

Doborjeh, Zohreh, Nigel Hemmington, Maryam Doborjeh, and Nikola Kasabov.

"Artificial intelligence: a systematic review of methods and applications in hospitality and
tourism." International Journal of Contemporary Hospitality Management 34, no. 3 (2022): 1154-
1176.

NORAVSHAN XULOSA TIZIMLARI QOIDALAR BAZASINI GENETIK

ALGORITMLAR BILAN OPTIMALLASHTIRISH

Egamberdiyev Elyor Hayitmamatovich

Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, Axborot

texnologiyalarining dasturiy ta’minoti kafedrasi katta o‘qituvchisi

elyor.egamberdiyev88@gmail.com

Annotatsiya:

Ushbu tadqiqot tabiiy tanlanishdan ilhomlangan kuchli evolyutsion usul

bo‘lgan genetik algoritmlar (GA) yordamida Noravshan xulosa tizimlarini (FIS)

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

333

optimallashtirishning ilg‘or yondashuvini taqdim etadi. An’anaviy FISni ishlab chiqish qoidalar
bazasi va tegishlilik funksiyalarini evristik sozlashga asoslanadi, bu esa samarasiz bo‘lishi
mumkin. ushbu tadqiqot FISning qoidalar bazasini tizimli optimallashtirish imkonini beradi, bu
esa qaror qabul qilish tizimlarining aniqligi, moslashuvchanligi va mustahkamligini oshiradi.
Tajriba natijalari shuni ko‘rsatadiki, tizimning ishlashini saqlab qolgan holda qoidalar bazasining
murakkabligi sezilarli darajada kamayadi. Shuningdek, tadqiqotda global optimallikka erishishda
seleksiya, krossover va mutatsiya kabi GA operatorlarining ahamiyati yoritilgan. Ushbu
integratsiya real vaziyatlarga moslasha oladigan intellektual tizimlarni ishlab chiqishga yordam
beradi, bu esa ekspert tizimlari, avtomatlashtirish va boshqaruv ilovalari uchun istiqbolli
natijalarni taqdim etadi.

Kalit so‘zlar:

Noravshan xulosalar tizimi (FIS), Genetik algoritm (GA), Qoidalar bazasini

optimallashtirish, A’zolik funksiyalarini sozlash, Evolyutsion hisoblash, Intellektual tizimlar,
Qaror qabul qilish, Nochiziqli tizimlar, Boshqaruv tizimlari, Sun’iy intellekt (SI)

ОПТИМИЗАЦИЯ БАЗЫ ПРАВИЛ СИСТЕМЫ НЕЧЕТКОГО ВЫВОДА С

ПОМОЩЬЮ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Аннотация

: В данном исследовании представлен передовой подход к оптимизации

систем нечеткого вывода (СНВ) с использованием генетических алгоритмов (ГА) -
мощного эволюционного метода, вдохновленного естественным отбором. Традиционная
разработка FIS основана на эвристической настройке базы правил и функций
релевантности, что может быть неэффективным. Это исследование позволяет
систематически оптимизировать базу правил СНВ, что повышает точность, гибкость и
надежность систем принятия решений. Экспериментальные результаты показывают, что
сложность базы правил значительно снижается при сохранении производительности
системы. В исследовании также подчеркивается важность таких операторов ГА, как отбор,
кроссинговер и мутация, для достижения глобальной оптимальности. Такая интеграция
помогает разрабатывать интеллектуальные системы, способные адаптироваться к реальным
ситуациям, обеспечивая многообещающие результаты для экспертных систем, приложений
автоматизации и управления.

Ключевые слова:

Система нечетких выводов (СНВ), Генетический алгоритм (ГА),

Оптимизация базы правил, Настройка функций членства, Эволюционное исчисление,
Интеллектуальные системы, Принятие решений, Нелинейные системы, Системы
управления, Искусственный интеллект (ИИ)

OPTIMIZATION OF THE FUZZY INFERENCE SYSTEM RULE BASE USING

GENETIC ALGORITHMS

Annotation:

This study presents a state-of-the-art approach to optimize fuzzy inference

systems (FIS) using genetic algorithms (GA), a powerful evolutionary method inspired by natural
selection. Traditional FIS development relies on heuristic tuning of the rule base and relevance
functions, which can be inefficient. This study systematically optimizes the FIS rule base, which
improves the accuracy, flexibility, and robustness of decision systems. Experimental results show
that the complexity of the rule base is significantly reduced while maintaining the system
performance. The study also highlights the importance of GA operators such as selection,
crossover, and mutation to achieve global optimality. Such integration helps develop intelligent
systems that can adapt to real-world situations, yielding promising results for expert systems,
automation, and control applications.

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

334

Keywords:

Fuzzy inference system (FIS), Genetic algorithm (GA), Rule base optimization,

Member function settings, Evolutionary calculus, Intelligent systems, Decision making, Nonlinear
systems, Control systems, Artificial intelligence (AI)

Kirish.

Ushbu tadqiqotning maqsadi Noravshan xulosa chiqarish tizimlarini (FIS) qoidalar

bazasini optimallashtirishga qaratilgan bo‘lib, genetik algoritmlar (GA) asosiy optimallashtirish
usuli hisoblanadi. GAlar tabiiy tanlanish jarayoniga taqlid qiladi, shuning uchun ular murakkab,
ko‘p modalli, chiziqli bo‘lmagan va stoxastik masalalarni optimallashtirish uchun juda samarali.
Qolaversa genetic algoritmlar mutatsiya bosqichida ANFIS modeli taqdim qilmagan qiodalar
bazasini ham ishlab chiqilishi ko‘zda tutilgan. Odatdagi FISni ishlab chiqishda qoidalar bazasi,
tegishlilik funksiyalari va tizim natijalari o‘rtasidagi munosabatlar ko‘pincha noma’lum bo‘ladi.
Anfis qoidalar ishlab chiqish uchun sinov va xato usullari qo‘llaniladi, ammo GAlar yanada tizimli
va samarali muqobil variantni taklif etadi.

GAlardan foydalangan holda, Anfis global optimal yechimlarga erishishi, ularning

ishonchliligi, funksionalligi va umumiy samaradorligini oshirishi mumkin. Genetik algoritmlar
ANFIS modelining fitness funksiyasidan foydalangan holda optimallashtiradi. Ushbu
optimallashtirish yondashuvi ANFISga qoidalar bazasini samaraliroq qayta ishlash va murakkab
real vaziyatlarga moslashish imkonini beradi.

Noravshan ma’lumotlar mashinalarga inson tajribasini qo‘shish va kirish ma’lumotlarga

asoslanib o‘z qoidalar bazasini yaratadi. Odatda kirish parametrlarining tegishlilik qiymatlaridan
kelib chiqib qoidalar sonini oldindan taxmin qilish mumkin. Ammo katta ma’lumotlar bilan
ishlanganda qoidalar soni cheksiz oshib ketadi. Bu esa o‘z navbatida tizimning sekin ishlashiga
sabab bo‘ladi. GA optimallashtirilishi bilan ANFIS qoidalarini teng kuchli bo‘lgan qoidalar yoki
kuchsiz bo‘lgan qoidalar olib tashlanadi[1].

Matematik modellarning murakkabligi va inson tafakkuri o‘rtasidagi tafovutni bartaraf etish

uchun Noravshan mantiq muhim yechim sifatida paydo bo‘ldi. 1965-yilda professor Lotfi A.Zade
tomonidan ishlab chiqilgan ushbu innovatsion nazariya inson bilimlarini lingvistik o‘zgaruvchilar
yordamida qamrab oladi. Aniq to‘g‘ri/noto‘g‘ri qiymatlar bilan shug‘ullanadigan an’anaviy ikkilik
mantiqdan farqli o‘laroq, Noravshan mantiq Noravshan to‘plamdagi har bir elementga tegishlilik
darajasini tayinlaydigan tegishlilik funksiyalarini aniqlash orqali noravshanlikni modellashtiradi.

Α𝑈𝜇

Α

(𝑥)𝑥𝑈𝑥𝐴

Fazodagi noravshan to‘plam har bir elementni 0 va 1 orasidagi qiymatga

akslantiruvchi tegishlilik funksiyasi bilan aniqlanadi, bu to‘plamga tegishli bo‘lgan darajani
ifodalaydi:

𝜇

𝐴

(𝑥): 𝑈 → [0,1]

𝜇

𝑇𝑒𝑚𝑝𝑟𝑎𝑡𝑢𝑟𝑒

(𝑥)𝒙

Masalan, tegishlilik funksiyasi ma’lum bir haroratning qanchalik "iliq"

ekanligini aniqlashi mumkin, bunda 1 ga yaqin qiymatlar "iliq" to‘plamga kuchliroq tegishlilikni
ko‘rsatadi.

Noravshanlik qabul qilgan holda, Noravshan mantiq tizimlarga ha yo‘q bilan emas balki ular

o‘rtasidagi qiymatlar bilan ham ishlash imkonini beradi. Fuzzifikatsiya jarayoni uchburchak yoki
Gauss tegishlilik funksiyalari kabi tegishlilik funksiyalari yordamida aniq kiruvchi ma’lumotlarni
Noravshan qiymatlarga aylantiradi:

𝜇

𝐺𝑎𝑢𝑠𝑠𝑖𝑎𝑛

(𝑥; 𝑐, 𝜎) = exp (−

(𝑥 − 𝑐)

2

2𝜎

2

)

𝒄𝜎

bu yerda - funksiyaning markazi, sigma σ esa uning kengligini aniqlaydi. Ushbu

o‘zgartirish tizimga Noravshan yoki taxminiy kirishlarni yanada moslashuvchan tarzda talqin
qilish imkonini beradi.

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

335

Anfis noravshan kirishlardan qarorlarni chiqarish uchun "agar-unda" qoidalaridan

foydalanadi. Odatiy Noravshan qoida quyidagicha bo‘lishi mumkin:

𝐼𝐹 𝑥

1

𝑖𝑠 𝐴

1

𝐴𝑁𝐷 𝑥

2

𝑖𝑠 𝐴

2

𝑇𝐻𝐸𝑁 𝑦 = 𝐵

𝐴

1

𝐴

2

𝑥

1

𝑥

2

𝐵

bu yerda va - va kirishlarni ifodalovchi Noravshan to‘plamlar, va - Noravshan

chiqish.

Noravshan kirishlarga ishlov berilgandan so‘ng, defazzifikatsiya jarayoni ko‘pincha og‘irlik

markazi usulidan foydalangan holda noravshan chiqishni aniq qiymatga aylantiradi:

𝑦 =

∫ 𝜇

𝐵

(𝑦) ∗ 𝑦𝑑𝑦

𝜕

∫ 𝜇

𝐵

(𝑦)𝑑𝑦

𝜕

𝜇

𝐵

(𝑦)𝐵𝜕

Bu yerda - chiquvchi noravshan to‘plamning tegishlilik funksiyasi, va - mumkin

bo‘lgan chiqishlar sohasi.

Professor Zadening ishi boshqaruv tizimlari, qaror qabul qilish va sun’iy intellekt kabi

sohalarda inqilob qildi. Uning nazariyalari tizimlarga murakkab, real dunyo sharoitlariga
moslashuvchan, insoniy fikrlash yondashuvi bilan moslashish imkonini berdi [2-4].

Genetik algoritmlar (GA) katta yechim maydonlarini o‘rganish uchun samarali qidiruv

mexanizmini ta’minlash orqali Noravshan xulosa chiqarish tizimlarini optimallashtirishda muhim
rol o‘ynaydi. GA tizimning ishlashini yaxshilash uchun Anfis qoidalar bazasini populatsiya qiladi.
Undan keyin tanlash, krossover va mutatsiya kabi asosiy operatorlarni o‘z ichiga oladi[5].

𝑓(𝑥)𝑦

𝑒𝑥𝑝𝑒𝑐𝑡𝑒𝑑

𝑦

𝑎𝑐𝑡𝑢𝑎𝑙

Populyatsiyani initsializatsiya qilish qadami har biri Noravshan

qoidalar turli konfiguratsiyalarini ifodalovchi yechimlarning tasodifiy to‘plamini yaratadi. Anfis
tizimining fitnes funksiyasi har bir yechimning qanchalik yaxshi ishlashini baholash uchun
ishlatiladi. Odatda, bu funksiya kutilgan va amaldagi ishlab chiqarish o‘rtasidagi farqni
minimallashtirishi mumkin.

𝑓(𝑥) = ∑(𝑦

𝑖

𝑒𝑥𝑝𝑒𝑐𝑡𝑒𝑑

− 𝑦

𝑖

𝑎𝑐𝑡𝑢𝑎𝑙

)

2

𝑛

𝑖=1

Tanlash operatori eng yaxshi ko‘rsatkichlar bo‘yicha eng yaxshi ko‘rsatkichlarni aniqlaydi

va keyingi avlodga o‘tkazadi.

Krossover operatori nasl qoldirish uchun ikkita ota-ona eritmasining genetik ma’lumotlarini

birlashtiradi:

𝐶

𝑛𝑒𝑤

= 𝛼𝑃

1

+ (1 − 𝛼)𝑃

2

Bu yerda

𝑃

1

𝑃

2

𝛼

va - boshlang‘ich papulatsiya va krossover tezligi.

Mutatsiya avlodlarga tasodifiy o‘zgarishlarni kiritadi, bu esa GAga qidiruv maydonining

yangi qiymatlarni o‘rganish va erta konvergensiyadan qochish imkonini beradi. Mutatsiya odatda
quyidagicha ifodalanadi:

𝑀

𝑛𝑒𝑤

= 𝑃 + 𝛿𝑁(0,1)

𝑃𝛿𝑁(0,1)

bu yerda - yechim, mutatsiya qadami va normal taqsimlangan tasodifiy miqdor.

Ushbu operatorlar birgalikda ishlaydi, bu esa GAlarga qidiruv va ekspluatatsiyani

muvozanatlash, Noravshan qoidalar optimal to‘plamini samarali izlash imkonini beradi. Bu
yondashuv GAlarning mahalliy optimallarga tushib qolishining oldini olishga yordam beradi va
ularni murakkab, ko‘p modalli optimallashtirish vazifalariga mos keladi. Bundan tashqari, GAlar
bir nechta vazifalarni hal qiladi, masalan, maksimal aniqlikni ta’minlagan holda hisoblash
murakkabligini minimallashtirish va tizim cheklovlariga moslashishi mumkin, bu esa real
amaliyotda tizimning optimal ishlashini ta’minlaydi[6-16]

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

336

Grafik genetik algoritm yordamida ANFIS qoidalari soni avloddan avlodga qanday

kamayishini ko‘rsatadi. Dastlab, pasayish tez, keyin asta-sekin barqarorlashadi.

Tadqiqot natijalari Noravshan xulosa chiqarish tizimlarini optimallashtirishda, xususan,

qaror qabul qilish jarayonlarining aniqligi va samaradorligini oshirishda genetik algoritmlarning
ta’sirini ko‘rsatadi. Shuningdek, ular ushbu algoritmlarning turli sohalardagi murakkab va ko‘p
qirrali muammolarni hal qilish imkoniyatlarini ko‘rsatadi. Tadqiqot natijalari yana shuni
ko‘rsatadiki, genetik algoritmlarni Noravshan xulosa tizimlari bilan integratsiyalash qaror qabul
qilish jarayonlarining umumiy samaradorligi va aniqligini oshirishi mumkin. Shuningdek, olingan
natijalar Noravshan xulosa tizimlarini optimallashtirish uchun genetik algoritm parametrlarining
eng samarali kombinatsiyasini aniqlash uchun chuqur tajriba va tahlil o‘tkazish muhimligini
ta’kidlaydi[30] [36]. Natijalar shuni ko‘rsatadiki, parallel hisoblash usullari va ilg‘or qidiruv
strategiyalarini joriy etish Noravshan xulosa tizimlari uchun optimallashtirish algoritmlarining
samaradorligi va natijadorligini oshirishi mumkin[37] [13] [23].

Adabiyotlar ro‘yxati

[1] M. E. A. Ben Seghier, H. Carvalho, "Novel hybridized adaptive neuro‐fuzzy inference

system models based on particle swarm optimization and genetic algorithms for accurate
prediction of stress intensity...," Wiley Online Library, 2020.HTML

[2] Muminov B., Egamberdiyev E. GENETIK ALGORITMLAR BILAN NORAVSHAN

XULOSA CHIQARISH TIZIMLARINI OPTIMALLASHTIRISH //DTAI-2024. - 2024. - T. 1. -
Yo‘q. DTAI. - S. 250-252.

[3] I. Dzitac, "Zodaning yuz yilligi," Xalqaro kompyuter kommunikatsiyalari va nazorati

jurnali, 2021-yil. [Onlayn]. Mavjud: fsja.univagora.rounivagora.ro

[4] S. Chitra va S. Jekson, "Sharh: Noravshan mantiq bo‘yicha ba’zi ilovalar," "Matematik

statistika va muhandislik...," 2022-yil.filstat.org

[5] K. M. Hamdia, X. Zhuang va T. Rabczuk, "Genetik algoritmga asoslangan mashinali

o‘rganish modellarini loyihalash uchun samarali optimallashtirish yondashuvi," Neyron hisoblash
va ilovalar, 2021-yil.springer.com

[6] K. Govindan, H. Mina va B. Alavi, "Epidemiya o‘choqlarini hisobga olgan holda

sog‘liqni saqlash ta’minoti zanjirlarida talabni boshqarish bo‘yicha qaror qabul qilishni qo‘llab-

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

337

quvvatlash tizimi: Koronavirus kasalligining holatini o‘rganish," Transport tadqiqotlari E qismida:
Logistika va transport sharhi, jild. Elsevier, 2020.sciencedirect.com

[7] X. Ren, C. Li, X. Ma, F. Chen, H. Vang, A. Sharma va boshqalar, "Yashil binolar uchun

ko‘p ma’lumotli sintezga asoslangan intellektual elektr yong‘inni aniqlash tizimini loyihalash,"
Barqarorlik, 2021-yil. [Onlayn]. Mavjud: mdpi.com.mdpi.com

[8] M. Shariati, M. S. Mafipour, P. Mehrabi, A. Shariati va boshqalar, "Sun’iy intellekt

usullaridan foydalangan holda qiya burchakli konnektorlarning siljish kuchini bashorat qilish
uchun yangi yondashuv," Kompyuterlar bilan muhandislik, jild. 2021-yil, Springer, 2021-yil
HTML

[9] M. Shariati, S.M. Davoodnabi, A. Toghroli, Z. Kong va boshqalar, "Yuqori haroratlarda

burchak siljish konnektorlarining yuklanish-siljish xatti-harakatlarini bashorat qilish uchun
moslashuvchan neyro-Noravshan xulosa tizimi bilan metaevristik algoritmlarni gibridizatsiya
qilish," Composite Structures, jild. 255, Elsevier, 2021. HTML

[10] P.A. Adedeji, S. Akinlabi, N. Madushele va boshqalar, "Shamol turbinasi quvvatining

juda qisqa muddatli prognozi: PSO-ANFIS modelida ma’lumotlarni klasterlash usullarini qiyosiy
o‘rganish," Cleaner Production jurnali, Elsevier, 2020.uj.ac.za

[11] B. Rader, S. V. Scarpino, A. Nande, A. L. Xill, B. Adlam va boshqalar, "To‘planish va

COVID-19 epidemiyalarining shakli," Tabiiy tibbiyot, jild. 26, str. 1829-1834, 2020.nature.com

[12] S. L. Zubaidi, H. Al-Bugharbee, S. Ortega-Martorell va boshqalar, "Veyvlet denoizing

va adaptiv neyro-Noravshan xulosa tizimi yondashuvi orqali shahar suv talabini bashorat qilish
uchun yangi metodologiya," Suv, jild. 2020-yil, mdpi.com, 2020-yilmdpi.com

[13] J. Saini, M. Dutta va G. Marques, "Zarrachalar to‘dasini optimallashtirish va genetik

algoritmli Noravshan xulosa tizimi daraxti: PM10 prognozlash uchun yangi yondashuv,"
Ilovalarga ega ekspert tizimlari, 2021-yil.HTML

[14] S. Chhabra va H. Singx, "Genetik algoritmlar yordamida Noravshan modelga

asoslangan kokomolarning dizayn parametrlarini optimallashtirish," Xalqaro axborot
texnologiyalari jurnali, 2020.HTML

[15] F. Prado, M. C. Minutolo va W. Kristjanpoller, "Ansambl avtoregressiv harakatlanuvchi

o‘rtacha-moslashuvchan neyro-Noravshan xulosa tizimi-neyron tarmoq-genetik algoritm
freymvorkiga asoslangan prognozlash," Energiya, 2020.HTML

[16] M. Abd Elaziz, A. A. Ewees va Z. Alameer, "Xom neft narxini bashorat qilish uchun

genetik algoritmdan foydalangan holda o‘zgartirilgan salp to‘dasi algoritmiga asoslangan adaptiv
neyro-Noravshan

xulosa

tizimini

takomillashtirish,"

Tabiiy

resurslar

tadqiqotlari,

2020.academia.edu

[17] Y. Morales, M. Querales, H. Rosas, H. Allende-Cid, "Chili suv ayirg‘ichida yomg‘ir-

oqimni modellashtirish uchun o‘z-o‘zini aniqlash neyro-Noravshan xulosa tizimi," Journal of...,
j...., no...., pp...., 2021, Elsevier.uv.cl

[18] S. Abdollahizad, M.A. Balafar, B. Feizizade va boshqalar, "Sharqiy Ozarbayjonda

ko‘chkiga moyillikni modellashtirish uchun neyro-Noravshan tizim va evolyutsion algoritmlarga
asoslangan gibrid sun’iy intellekt yondashuvidan foydalanish," Earth Science Informatics, jild. 14,
No 2, pp. 555-565, 2021-yil, Springer.HTML

[19] D. Kalibatiyene va J. Miliauskaitė, "Ma’lumotlarga asoslangan Noravshan xulosa

tizimlarini ishlab chiqishda murakkablik masalalari bo‘yicha gibrid tizimli ko‘rib chiqish
yondashuvi," Informatica, 2021-yil.iospress.com

[20] M. Nureldin, A. Ali, MSE Nasab, "Neyron tarmoq va Noravshan xulosa tizimidan

foydalangan holda seysmik energiyani tarqatish qurilmalarini optimal taqsimlash," Kompyuter

Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.

338

yordamida

fuqarolik

va

infratuzilma

muhandisligi,

jild.

2021-yil,

Wiley

onlayn

kutubxonasi.wiley.com

[21] K. Bai, X. Zhu, S. Wen, R. Zhang va boshqalar, "Broad learning based dynamic fuzzy

inference system with adaptive structure and interpretable fuzzy rules," IEEE Transactions on
Fuzzy Systems, 2021.HTML

[22] S. Chopra, G. Ziman, A. Sharma, M. Shabaz, "Zamonaviy muhandislik fanlarida

adaptiv neyro-Noravshan xulosa chiqarish tizimining taksonomiyasi," Hisoblash intellekti va
neyrologiya, 2021, hindawi.com.hindawi.com

[23] Muminov Bahodir, Egamberdiyev Elyor VGG16 MODELI VA K-MEANS

ALGORITMI ASOSIDA TASVIR MA’LUMOTLARINI KLASTERLASH // Universum:
texnicheskiye nauki. 2025. No1 (130). URL: https://cyberleninka.ru/article/n/image-data-
clustering-based-on-the-vgg16-model-and-the-k-means-algorithm

(data

obrasheniya:

09.04.2025).

MA’LUMOTLARNI INTTELLEKTUAL TAHLIL QILISHDA CRISP-DM

METODOLOGIYASINING FAZALARI (MA’LUMOTLARNI TAYYORLASH FAZASI)

Matchonov Shohruh Matkarim o‘g‘li

Jizzax shahridagi Qozon (Vo‘lgabo‘yi) federal universiteti filiali “Raqamli ta’lim

texnologiyalari markazi” rahbari

shohruhmachonov@gmail.com

Annotatsiya:

Mazkur ishda ma’lumotlarni inttellektual tahlil qilishda CRISP-DM

metodologiyasining o‘quv ma’lumotlarini tayyorlash fazasiga etibor qaratilgan. Chunki bu faza
modelni ishlab chiqishda vaqtning 80% gacha bo‘lgan miqdorini o‘z ichiga oladi. O‘quv
ma’lumotlarini tayyorlash fazasi bosqichlari rasmlar orqali tushuntirilgan, ma’lumotlarni modelga
o‘qitish yondoshuvlari ko‘rsatilgan va mashinani o‘qitish injinerlari va ma’lumotlar analitiklari
uchun etibor berishlari kerak bo‘lgan ma’lumotlar aytib o‘tilgan.

Kalit so‘zlar:

CRISP-DM, Anamaliya, Dataset, Mashinali o‘qitish, Ma’lumotlarni

intellektual tahlil qilish, o‘quv ma’lumotlari, ma’lumotlarni tozalash.

ЭТАПЫ ПРИМЕНЕНИЯ МЕТОДОЛОГИИ CRISP-DM В

ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ ДАННЫХ (ЭТАП ПОДГОТОВКИ ДАННЫХ)

Аннотация:

В данной работе внимание уделено этапу подготовки обучающих

данных методологии CRISP-DM при интеллектуальном анализе данных. Потому что этот
этап занимает до 80% времени разработки модели. Шаги этапа подготовки данных для
обучения объясняются с помощью иллюстраций, представлены подходы к обучению
данных в модели, а также упоминаются соображения для инженеров по машинному
обучению и аналитиков данных.

Ключевые слова:

CRISP-DM, Анамалия, Набор данных, Машинное обучение,

Интеллектуальный анализ данных, данные обучения, очистка данных.

STAGES OF APPLICATION OF CRISP-DM METHODOLOGY IN DATA

MINING (DATA PREPARATION STAGE)

Abstract:

This paper focuses on the training data preparation stage of the CRISP-DM

methodology in data mining. Because this stage takes up to 80% of the model development time,
the steps of the training data preparation stage are explained with illustrations, approaches to