Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
323
различные ошибки, недостатки, превышения. в них использование систем обработки,
рациональное использование ресурсов, расходов — лучший способ добиться сокращения.
Исследования
систематического
анализа
показали
возможность
разработки
многовариантных
инструментов
вместо
имеющихся
в
настоящее
время
моноинструментальных механизмов.
Список литературы
1.
Obinwanne, Tobechi, et al. "Data Preprocessing in Supply Chain Management Analytics-
A Review of Methods, the Operations They Fulfill, and the Tasks They Accomplish. Data
Preprocessing in Supply Chain Management Analytics."
Proceedings of the 2023 6th
International Conference on Computers in Management and Business
. 2023.
2.
Al-Taie, Mohammed Zuhair, Seifedine Kadry, and Joel Pinho Lucas. "Online data
preprocessing: A case study approach."
International Journal of Electrical and Computer
Engineering
9.4 (2019): 2620.
3.
I. Hemalatha, et al
.
, “Preprocessing the informal text for efficient sentiment analysis,”
International Journal of Emerging Trends & Technology in Computer Science (IJETTCS)
,
vol/issue: 1(2), pp. 58-61, 2012.
4.
L. Wenxue and G. Sun, “A trust-based information propagation model in online social
networks,” vol.issue: 8(8), pp. 1767, 2013.
5.
P. Gupta and V. Bhatnagar, “Data preprocessing for dynamic social network analysis,”
Data Mining in Dynamic Social Networks and Fuzzy Systems,
pp. 25-39, 2013.
6.
N. Agarwal, et al., “Clustering of blog sites using collective wisdom,”
Computational
Social Network Analysis
, Springer, pp. 107-134, 2010.
7.
C. C. Aggarwal and C. K. Reddy, “Data clustering: algorithms and applications,” CRC
press, 2013.
8.
Yıldız M. Ş., Doğanşahin K., Kekezoğlu B. Data Preprocessing in Electrical Energy
Consumption Profile Clustering Studies.
TASNIFLASH MASALASINI HAL ETISHDA BIRINCHI TARTIBLI MANTIQ
PREDIKATLARI YORDAMIDA QOIDALARNI BOYITISH
Raximov Nodir Odilovich
t.f.d., dotsent, Muhammad al-Xorazmiy noimdagi Toshkent axborot texnologiyalari
universiteti
Xasanov Dilmurod Rasul o‘g‘li
tayanch doktorant, Muhammad al-Xorazmiy noimdagi Toshkent axborot texnologiyalari
universiteti
Primqulov Oybek Dilmurot o‘g‘li
tayanch doktorant, Muhammad al-Xorazmiy noimdagi Toshkent axborot texnologiyalari
universiteti
Annotatsiya:
Mazkur tadqiqot ishida intellektual tizimlarda qaror qabul qilishga
ko‘maklashish jarayonlarida keng qo‘llaniluvchi bilimlar bazasi elementlari, ularni hosil qilish
bosqichlari va shu bilan birga mantiqiy qoidalarni predikatlar bilan boyitish ketma-ket bosqichalri
qisman keltirib o‘tilgan. Bundan tashqari, tadqiqot bilimlar bazasiga asoslangan intellektual
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
324
tizimlar umumiy arxitekturasini hamda qoidalar turlari va xususiyatlari haqida nazariy
ma’lumotlarni o‘z ichiga oladi. Shu bilan birga, birinchi tartibli mantiqning tushuncha va
tamoyillaridan foydalangan holda qoidalarni qurish va ularni boyitish bo‘yicha asosiy adabiyotlar
tahlili ham ushbu maqoladan o‘rin egallagan.
Kalit so‘zlar:
bilimlar bazasi (BB), predikatlar, birinchi tartibli mantiq (BTM), sonli
predikat, bilimlar grafi, ekspert tizimlar (ET), qisman to‘liqlik farazi (QTF).
ENRICHMENT OF RULES USING FIRST-ORDER LOGIC PREDICATES FOR
SOLUTION OF THE CLASSIFICATION PROBLEM
Abstract:
This research work partially describes the elements of the knowledge base, which
are widely used in decision-making processes in intelligent systems, the stages of their formation,
and at the same time the sequences of enriching logical rules with predicates. In addition, the
research includes the general architecture of intellectual systems based on the knowledge base and
theoretical information about the types and properties of rules. At the same time, the article also
includes an analysis of the main literature on the construction and enrichment of rules using the
concepts and principles of first-order logic.
Keywords:
knowledge base (KB), predicates, first-order logic (FOL), numerical predicate,
knowledge graph, expert systems (ES), partial completeness assumption (PCA).
РАСШИРЕНИЕ ПРАВИЛ С ИСПОЛЬЗОВАНИЕМ ЛОГИЧЕСКИХ
ПРЕДСКАЗАНИЙ ПЕРВОГО ПОРЯДКА ПРИ РЕШЕНИИ ЗАДАЧ
КЛАССИФИКАЦИИ
Аннотация:
В данной исследовательской работе частично описаны элементы базы
знаний, которые широко используются в процессах принятия решений в интеллектуальных
системах, этапы их формирования, а также последовательности обогащения логических
правил предикатами. Кроме того, исследование включает общую архитектуру
интеллектуальных систем на основе базы знаний и теоретические сведения о типах и
свойствах правил. В то же время статья также включает анализ основной литературы по
построению и обогащению правил с использованием концепций и принципов логики
первого порядка.
Ключевые слова:
база знаний (БЗ), предикаты, логика первого порядка (БПП),
числовой предикат, граф знаний, экспертные системы (ЭТ), гипотеза частичной полноты
(ГЧП).
Intellektual tizimlarda bilimlar bazasi yordamida tasniflash muammosini hal etish mantiqiy,
produksion qoidalarga asoslanadi. Ushbu qoidalarni hosil qilish bilimlar bazasini aks ettirishning
maxsus modellari yordamida amalga oshiriladi. Hosil qilingan qoidalarni boyitish esa intellektual
tizimlarda samaradorlikni hamda aniqlikni oshirishga imkon yaratadi. Ushbu maqsadda BB uchun
eng sodda qoidalar to‘plamini ishlab chiqishda bilimlarni ifodalashning mantiqiy va evristik
modellarini birlashtirgan holda qo‘llanishi hamda zarur parametrlarni sozlash belgilab olindi.
Tadqiqotlar va tajribalar shuni ko‘rsatadiki, predikatlar mantig‘i asosida ishlab chiqilgan qoidalar
to‘plami yagona semantik tarmoq yoki produksion modellarga asoslangan BB bilan integratsiya
qilinsa samaradorlik yagona model negiziga qurilgan BBga nisbatan 12-15% ga yuqoriroq bo‘ladi
[1]. Bilimlar bazasining elementi sifatida qaraluvchi qoidalarni kognitologlar (bilimlar muhandisi)
tomonidan to‘g‘ri shakllantirilishi borasida turli xil yondoshuvlar yaratilgan [2].
Modellashtirilayotgan tizim to‘g‘risidagi asosiy metama’lumot yoki boshqacha aytganda
“intellekt” qoidalar bazasida saqlanganligi uchun uni to‘g‘ri shakllantirish eng muhim shartlardan
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
325
biri hisoblanadi. Bu mantiqiy model uchun qoidalar bazasining muhimligidan kelib chiqqan holda
turli xil darajadagi xatoliklarni bartaraf etish imkoniyatini beradi. Quyida ushbu yondashuvlarga
kirititilgan eng asosiy xususiyatlar keltirilgan:
Qoidalarning yoki mantiqiy modelga asoslangan bilimlarning asosiy xususiyatlari
quyidagilardan iborat bo‘ladi [3]:
• qoidalarning lokal xususiyatga egaligi,
• qoidalar miqdorini predikatlar mantig‘i orqali aks ettira olish,
• modelning to‘liqligi,
• qoidalarning bir-biriga zid bo‘lmasligi,
• qoidalarning o‘zaro bog‘liqligi,
• qoidalarning ortiqcha emasliligi.
Modelning murakkablashishi (qoida yoki predikatlarda o‘zgaruvchilar miqdorining oshishi)
real tizimni tasvirlash imkoniyatini kengaytiradi. Biroq murakkablikning oshishi bilan
modellashtirilayotgan tizimni ifodalovchi axborot hajmining sezilarli darajada oshishiga olib
keladi (masalan, barcha mulohazalar to‘plamlaridagi Dampster-Shafer funksiyasi parametrlari).
Shu qatorda modellashtirilayotgan tizim haqidagi axborot hajmi yanada murakkabroq modelni
qurish uchun yetarli bo‘lmay qolishi mumkin. Bu holatda modelning murakkabliligi uning
kamchiligiga aylanadi. BBning asosiy qo‘llanilish sohasi ekspert tizimlari hisoblanib, bunday
turdagi tizimlarda qoidalarni muttassil yangilab borish hamda bilimlarni o‘zlashtirish muhitini
tashkil etish muhim vazifalardan biri hisoblanadi. D.Makarovning ta’kidlashicha: - “Ekspert
tizimlarida bilimlarni o‘zlashtirish muhiti quyidagi funksional xususiyatlarga ega bo‘lishi zarur
[3] :
1) Bilimlar bazasini yaratish va tahrirlash qobiliyati.
2) Bilimlar bazasini shakllantirish uchun soha mutaxassislar bilan bevosita ishlash
imkoniyati. Mutaxassislardan bilimlarni kognitolog to‘g‘ridan-to‘g‘ri o‘zlashtirishi ishlab
chiqiladigan bilimlarning subyektivligini kamaytiradi.
3) Turli (bir nechta) soha mutaxassislar tomonidan yaratilgan bilimlar bazalarini birlashtirish
imkoniyati. Ushbu xususiyat ilgari olingan bilimlar bazasidan foydalanish orqali individual
mutaxassisning to‘liq bo‘lmagan bilimlari muammosini bartaraf etish uchun mo‘ljallangan.
Bundan tashqari, bir vaqtning o‘zida bir nechta mutaxassislardan bilim olish va keyin ularni
birlashtirish mumkin, bu esa amaliy ekspert tizimlari ni (ET) yaratish vaqtini qisqartirishga olib
keladi. Birlashtirishda ma’lumotlarning ortiqchaligini bartaraf etish, izchillikni ta’minlash va
yaxlitlikni saqlash muhimdir. Qoidalarning ortiqchaligi ularning takrorlanishidan kelib chiqadi.
Ortiqchalikning mavjudligi bilimlar bazasi qoidalarining unikalligi va metama’lumotlar yaxlitligi
buzilishiga olib kelishi mumkin. BBda ortiqchalik va takrorlanishning mavjud emasligi
Konsistentlik deb yuritiladi. Masalan, bir sinf ob’yektlarida atributlar soni har xil bo‘lishi hamda
shartlarning takrorlanishi BB sifatiga ta’sir o‘tkazadi. Metama’lumotlar yaxlitligi esa obyekt
nomlari, havolalar turlari, bo‘limlari va o‘zgaruvchilar turlarining o‘ziga xosligi sharti va havola
yaxlitligini bajarish sharti sifatida tushuniladi. Integratsiya jarayonida yuzaga keladigan
muammolar esa kognitolog tomonidan hal qilinadi.
4) BBga kiritilgan o‘zgarishlarni bekor qilish imkoniyati. Predmet sohasi bilan ishlashda
mutaxassisning ortiqcha ish hajmini kamaytirishga imkon beradi.
5) Yuqori samarali bilimlar bazasi. Bunga dasturlash tillarida amalga oshirilgan manbaa kodi
darajasida oʻzaro BBBT (Bilimlar bazasini boshqarish tizimi) foydalanish yordamida erishiladi.
Bundan tashqari, kompilyatsiya qilingan bilimlar bazasidagi protseduralarni saqlaydigan fayl
yordamida ETning yuqori mahsuldorligiga erishiladi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
326
6) Bilimlarni o‘zlashtirish muhitining tavsiflanishi potentsial qo‘llanilishi doirasini
kengaytiruvchi yangi turdagi qoidalar zanjirini yaratish imkoniyati [34;11-16-b.].
1-rasm. Bilimlar bazasiga asoslangan intellektual tizimi arxitekturasi
Ma’lumki, bilimlar bazasiga asoslangan intellektual tizimlarda regression tahlil qilish
jarayonida statistik ma’lumotlar bilan ishlash samaradorligi pastligi uning asosiy kamchiligi
sanaladi. Ammo, qishloq xo‘jaligida ekinlarni tanlashga ko‘maklashuvchi tizimning asosiy
ma’lumotlar manbai statistik ko‘rsatkichlarga asoslangan bo‘lib, bunda BB yordamida
xususiyatlar o‘zaro bog‘liqliklarida yuzaga keladigan masalani bartaraf etishga qaratilgan
“qoidalar generatori” modelini ishlab chiqish zaruriyati paydo bo‘ladi.
Mantiqiy-evristik bilimlarni ifodalash modeli predikatlar nazariyasi hamda graflar
nazariyasiga asoslangan bo‘lib, mantiqiy qoidalarni shakllantirish va ularning ishonchlilik
darajasini aniqlash kabi vazifalarning matematik ta’minoti matematik mantiqqa (sonli predikatlar)
yoki formal aksiomatik nazariyasiga bog‘liq. Bilimlar grafida mantiqiy qoidalarni topishdagi
qiyinchiliklardan biri bu qidiruv maydonining eksponensial o‘lchamida bo‘ladi. Ushbu masalani
hal etish uchun so‘nggi yillarda bir nechta yondashuvlar dunyo tadqiqotchilari tomonidan taklif
etilgan [4], [5] va [6]. Induktiv mantiqiy dasturlash nazariyasi (Inductive Logic Programming)
yuqorida ta’kidlangan usullardan biri hisoblanib, bunda barcha qoidalarni emas, balki yetarli
darajadagi to‘g‘ri qoidalarni ishlab chiqish hisoblanadi.
Assotsiativ qoidalarini ajratib olish - bu minimal kuzatuvlar soniga asoslangan obyektlar va
ma’lumotlar o‘rtasida tez-tez uchraydigan qonuniyatlarni aniqlaydigan keng qo‘llaniluvchi MIT
usullaridan biri hisoblanadi. Odatda
X → Y
assotsiyativ qoidalari bilan ifodalangan
IF-THEN
(produksion) qoidalarini hosil qiladi, bunda
X
ning mavjudligi
Y
mavjudligini ifodalaydi. Biroq,
raqamli atributlar bilan ishlashda qiyinchiliklarga duch kelishi ushbu usulning kamchiliklaridan
biri hisoblanadi. Bu muammoni yechimi sifatida miqdoriy assotsiativ qoidalar ishlab chiqiladi
hamda qoida tarkibi kamida bitta sonli atributni o‘z ichiga oladi (masalan, (5 < o‘rtacha harorat
< 38)
∧
(0.2 < sho‘rlanganlik darajasi < 0.53) → (0.62< loviya < 0.83) ). Miqdoriy assotsiativ
qoidalar shakllantirilishi diskretlash, statistik tahlillash va optimallashtirishga asoslangan turli
yondashuvlar asosida amalga oshiriladi [8]. Biroq, bunday qoidalarda sonli ma’lumotlar
cheklanganligi saqlanib qolinadi, bu esa graflarda mantiqiy qoidalarni ifodalash uchun yetarli
emas deb hisoblanadi[9].
Ma’lumotlar to‘plamidagi dalillarni qoidalarga aylantirish quyidagi munosabat amallari
r
∈
{<, ≤, = , ≠ , ≥, >} yordamida ( masalan,
R
1
: p
1
(x, v
0
)
∧
p
2
(y, v
1
)
∧
v
0
> v
1
→
p
3
(x, y)
) amalga
oshiriladi. Tasniflash masalalarida qoidalarda sonli predikatlarni sigmoid funksiya orqali ma’lum
bir intervalga keltirish mumkin. Masalan,
f{ y
1
, y
2
: p
1
(X, y
1
), p
2
(X, y
2
)} > 0.5
∧
p
3
(X, Z)
→
p
4
(X, Z)
bu yerda,
f -
sigmoid funksiya
, p
1,
p
2,
p
3,
p
4
- raqamli predikatlar.
Quyida BBda qoidalarni sonli predikatlar bilan boyitish algoritmida qo‘llaniluvchi BTMga
tegishli tushuncha va tamoyillar keltirib o‘tamiz:
•
BBning bilim grafida
G
dalillar toʻplami {(subyekt, predikat, obyekt) | subyekt
∈
I
, predikat
∈
P
, obyekt
∈
I
∪
L
} uchlik koʻrinishda ifodalanadi, bunda obyektlar toʻplami
I
sifatida
belgilanadi, predikatlar to‘plami
P
, literallar to‘plami (raqamlar va satrlar)
L
bilan belgilanadi.
Bundan tashqari,
P
son
diapazoni faqat sonli qiymatlardan iborat bo‘lgan predikatlarning kichik
to‘plami sifatida belgilaymiz.
•
Atom
p(X, Y )
ko‘rinishdagi shakllangan BTM formula bo‘lib, bu erda
p
- predikat va
X, Y
- konstanta yoki o‘zgaruvchilar. Agar atomning argumentlari konstantalardan iborat bo‘lsa, atom
"turg‘un" deyiladi va uni dalil sifatida ko‘rib chiqiladi
(Atom – bu qoidadagi eng kichik predikat)
.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
327
•
Qoida
r : B
→
H
- BTM formula, bunda
B - B
1
,B
2
,..., B
n
atomlarining konyunksiyasi va
H
yagona atom. Har bir o‘zgaruvchi qoidada kamida ikki marta qo‘llanilsa qoida yakunlanadi. Ikki
atom kamida bitta umumiy o‘zgaruvchiga ega bo‘lsa ular bog‘langan hisoblanadi.
•
σ(B)
ning barcha atomlari G grafga tegishli bo‘lsa,
σ(H) - r : B →H
qoidasi uchun –
bashorat hisoblanadi. Agar
σ (H)
∈
G
bo‘lsa, bashorat to‘g‘ri bo‘ladi. [7] da taʼkidlanganidek, r :
B →H
qoidasi uchun quyidagi sifat koʻrsatkichlari belgilangan. BBda konsistentlik aniqlansa,
Noyob nom taxmini (UNA - Unique Name Assumption) sharti bajarilgan deb hisoblanadi. Keyingi
bosqichda, sifat o‘lchovlari va funksionallik ko‘rsatkichi to‘g‘ri hisoblash uchun dastlabki ishlov
berish amallari talab qilinadi hamda o‘zaro zid qoidalarini hisobga olish uchun qisman to‘liqlik
faraziga (QTF) amal qilinadi.
2– rasm. Uch qatlamli sodda bilimlar grafi
Bilimlar grafida har bir tugun eng qisqa qoidani o‘z ichiga olishiga ishonch hosil qilish
lozim. Bu esa bo‘sag‘aviy qiymatlar bosh tugunning o‘zida allaqachon mavjud hisoblanadi agar
asosiy tugun (root node) pastki tugunlargacha (subnode) bo‘lgan bo‘linish uchun
p(x, y)
atomi
tanlangan bo‘lsa. Shuning uchun, chegaraviy qiymatlarni yangilashning o‘zi yetarlidir (
p(x, y)
atomining diapazon qiymatlari ketma-ket o‘zgartirib boriladi). Bo‘linishni to‘xtatish esa kiritish
mezonlari va istisno qoidalarida
minHC
va
minC
ga asoslangan mezonlardan foydalaniladi.
Buning uchun dastlabki bosqichlarda belgilangan
< X, Y >
ma’lumotlar tuzilmasi hamda
A
va
B
sinf o‘lchamlari asos bo‘lib xizmat qiladi. Agar
A
sinfga tegishli bo‘lgan bosh qoida uchun turli
namunalar soni
minHC
∗
headsize(r)
ko‘paytmadan hamda
B
namunalari soni
𝑏𝑜𝑑𝑦𝑠𝑖𝑧𝑒
𝑄𝑇𝐹
(𝑟
𝑠
) −
𝑆(𝑟
𝑠
)
𝑚𝑖𝑛𝐶
ayirmadan kichik bo‘lsa lokal holatda qoidalar generatsiyasi to‘xtatiladi. Yaratilgan sonli
qoidalar sonining ortib ketishi hamda qoidalar takrorlanishini oldini olish maqsadida asosiy
tugundan (root node) pastki tugunlargacha (leaf node, subnode) bo‘lgan har bir yo‘l bo‘ylab eng
umumiy qoidalarni ajratib olishning o‘xshashlik belgilarini taqqoslash strategiya ishlab chiqiladi.
Adabiyotlar ro‘yxati
1.
V. S.Lenko, V. V. Pasichnyk, Y. M. Shcherbyna. Knowledge representation models / //
Вісник Націоналного університету «Лвівска політехніка». Серія: Комп’ютерні науки та
інформаційні технології. — Лвів: Видавництво Лвівскої політехніки, 2017. — № 864. — С.
157–168.
2.
J.Zhang, W.Zhao, G.Xie, H.Chen. Ontology-based knowledge management system and
application. Procedia Eng. 2011, 15,1021–1029. https://doi.org/10.1016/j.proeng.2011.08.189.
3.
Bekmuratov T. F., Mukhamedieva D. T. Decision-making problem in poorly formalized
processes / / Proc. of the 5th World conf. on intelligent systems for industrial automation, b -
Quadrat Verlag. Tashkent (Uzbekistan), Novemder 25-27, 2008. P. 214-218.
4.
L.A.Galarraga, N.Preda, F.M.Suchanek. Mining rules to align knowledge bases.
Proceedings of the 2013 workshop on Automated knowledge base construction, AKBC@CIKM
13, San Francisco, California, USA, October 27-28, 2013. pp. 43–48. ACM (2013)
5.
Q.Zeng, J.Patel, D.Page. Quickfoil: Scalable inductive logic programming. Proc.VLDB
Endow. 8(3), -p. 197–208
6.
S.Ortona, V.Meduri, P. Papotti. Robust discovery of positive and negative rules in
knowledge bases. In: 2018 IEEE 34th International Conference on Data Engineering (ICDE). pp.
1168–1179 (2018)
7.
J.Lajus, L.Galarraga, F.Suchanek. Fast and exact rule mining with amie. In: The Semantic
Web. Springer International Publishing, Cham . pp. 36–52, 2020
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
328
8.
M.Bidgoli, R.Barmaki, M.Nasiri. Mining numerical association rules via multi-objective
genetic
algorithms.
Information
Sciences
233,
pg.15–24
(2013).
https://doi.org/https://doi.org/10.1016/j.ins.2013.01.028.
9.
I.Jaramillo, J.Garzas, A.Redchuk. Numerical association rule mining from a defined
schema
using
the
vmo
algorithm.
Applied
Sciences
11(pg.13-16)
(2021).
https://doi.org/10.3390/app11136154
10.
D.R.Xasanov, M.Tojiyev, O.D.Primqulov. Gradient descent in machine learning.//
IEEE International Conference on Information Science and Communications Technologies:
applications, trends and opportunities (ICISCT). – 2021.
11.
Rakhimov N.O., Xasanov D.R. Selection of Crops by Region using Machine Learning
Classification Algorithms. // Ilm-fan va innovatsion rivojlanish jurnali. Volume 7, Issue 2; April
2024, -p. 36-47.
12.
N.Rahimov, D.Khasanov. The Implementation of Machine Learning and Deep Learning
Algorithms for Crop Yield Prediction in Agriculture. // Bulletin of TUIT: Management and
Communication Technologies, Volume 2, No. 2023
13.
N.Rakhimov, D.Khasanov, H.Abdulhakimov. Prediction the Yield of Grain Crops using
Basic Machine Learning Algorithms. // Raqamli transformatsiya va sun’iy intellekt ilmiy jurnali,
Volume 2, Issue 5, Toshkent-2024. –P. 40-46
14.
N.Raximov, J.Kuvandikov, D.Khasanov. // IEEE International Conference on
Information Science and Communications Technologies: applications, trends and opportunities
(ICISCT). – 2021.
15.
Rakhimov N.O., Khasanov D.R., Xafizadinov U.T. Application of the Algorithm for
Enrichment the Knowledge Graph with Numerical Predicates in Decision-Making Support
Systems. // Digital Transformation and Artificial Intelligence: Problems, Innovations and Trends
1st International Scientific-Practical Conference, Tashkent-2024. –P. 55-59
16.
Rakhimov N.O., Khasanov D.R., Shirinboyev R.Sh., Xafizadinov U.T. Evaluating the
Performance of Convolutional Neural Networks and Hybrid CNN-SVM Models for Symbol
Recognition in Complex Datasets. // Digital Transformation and Artificial Intelligence: Problems,
Innovations and Trends 1st International Scientific-Practical Conference, Tashkent-2024. –P. 55-
59
17.
N.O.Rakhimov, D.R.Khasanov. Selection of crops to be planted according to climate
and soil characteristics with the help of machine learning classification algorithms. // The 10th
International Scientific and Practical Conference “Global and Regional Aspects of Suistainable
Development”, Copenhagen-2024. –P. 392-396
ИНТЕРАКТИВНЫЕ ЧАТ-БОТЫ С ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ В
ОБСЛУЖИВАНИИ ТУРИСТОВ
Сорокин Сергей Викторович
Декан факультета информационных технологий и иностранных языков Diplomat
University
Аннотация:
Цифровая трансформация туристической отрасли обусловила рост
потребности
в
интеллектуальных
инструментах,
способных
сопровождать
путешественников на всех этапах их маршрута. Настоящая статья представляет собой обзор
научной литературы, посвящённой применению интерактивных чат-ботов с элементами
