<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Nasantogtokh Amarsaikhan on Medium]]></title>
        <description><![CDATA[Stories by Nasantogtokh Amarsaikhan on Medium]]></description>
        <link>https://medium.com/@minerva2991?source=rss-e7c389965587------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*7ZjMzkCzUCznGrIf.</url>
            <title>Stories by Nasantogtokh Amarsaikhan on Medium</title>
            <link>https://medium.com/@minerva2991?source=rss-e7c389965587------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 08:19:04 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@minerva2991/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[python2 is removed from macOS Monterey (version: 12.3.1)]]></title>
            <link>https://medium.com/@minerva2991/python-2-is-removed-from-macos-monterey-version-12-3-1-e3d84f9e1bd7?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/e3d84f9e1bd7</guid>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Thu, 07 Apr 2022 07:30:54 GMT</pubDate>
            <atom:updated>2022-04-07T07:44:41.649Z</atom:updated>
            <content:encoded><![CDATA[<p>Мак үйлдлийн системээ Monterey version: 12.3.1 хувилбар луу шилжүүлэх үед</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jKSULigKs9jZP2uHuxEh0Q.png" /></figure><p>Terminal маань python binary-гаа олохгүй байна гээд гомдоллоод унав.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/335/1*U5yMgQQMu7-McvUQv1xblg.png" /></figure><p><strong><em>Шалтгаан</em></strong></p><p>macOS-ийн шинэ хувилбарт пайтон2 python@2 хувилбар устгагдсан бөгөөд суулгах шаардлагатай бол brew ашиглан шинээр суулгах шаардлагатай. Гэхдээ brew-ээр python суулгахад brew нь зөвхөн python3 хувилбарыг суулгах тул та ямар нэгэн аргаар ажиллаж буй python2 хувилбарыг системийнхээ $PATH руу зааж өгөх шаардлагатай.</p><p>Хэрэв brew ашигладаг бол дараах аргаар засаж болно.</p><blockquote>$: brew updagte</blockquote><blockquote>$: brew upgrade</blockquote><blockquote>$: brew install python</blockquote><blockquote>$: ln -s “$(brew — prefix)/bin/python”{3,}</blockquote><p>эхний 3 мөр нь brew-ийг шинэчлээд python суулгана. Сүүлийн мөр нь /opt/homebrew/bin/python гэсэн зам руу таны python3-ийг symbolic link үүсэж өгнө.</p><p>Then your new macOS will be happy again!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e3d84f9e1bd7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Системийн аюулгүй байдал (Цуврал-1)]]></title>
            <link>https://medium.com/@minerva2991/%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B8%D0%B9%D0%BD-%D0%B0%D1%8E%D1%83%D0%BB%D0%B3%D2%AF%D0%B9-%D0%B1%D0%B0%D0%B9%D0%B4%D0%B0%D0%BB-%D1%86%D1%83%D0%B2%D1%80%D0%B0%D0%BB-1-a79f84d7fa24?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/a79f84d7fa24</guid>
            <category><![CDATA[мэдээллийн-аюулгүй-байдал]]></category>
            <category><![CDATA[аюулгүй-байдал]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Wed, 21 Apr 2021 17:09:18 GMT</pubDate>
            <atom:updated>2021-04-21T17:16:41.755Z</atom:updated>
            <content:encoded><![CDATA[<p>Энэ удаад систем хамгаалахын тулд хэрхэх ёстойг цувралаар авч үзэцгээе.</p><p>Компьютерын систем нь бидний амьдралын бүхий л хэсэгт хүрч, амьдралыг хөнгөвчилж, бүтээмжийг нэмж байна. Компьютерын системийн хамрах цар хүрээ маш өргөн тул түүний аюулгүй байдлыг хангахын тулд онол, практикийн маш олон зүйлийг хамруулан ойлгох, хэрэглэх, мэдэх шаардлагатай байдаг. Компьютерын системийн хамгаалалтад ашиглагдах зүйлсийг нэг өгүүлбэрт багтаан хэл гэвэл магадгүй, <strong>криптографик</strong>-ын мэдлэгээс эхлээд <strong>Сошиал Инженеринг </strong>хүртэл олон сэдвийн талаар ойлголттой байх хэрэгтэй гэж хэлж болох юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*jLon8lgx7J74tEE5" /><figcaption>Эх сурвалж: <a href="https://unsplash.com/photos/63Sg6s3EocE">F</a>LY:D Unsplash</figcaption></figure><p><em>Хэрвээ та эдгээр үгсийг өмнө нь сонсож байгаагүй бол:</em></p><p><strong><em>Криптографик</em></strong><em> (Cryptographic) гэж математикын функцийг ашиглан мэдээллийг нууцлах арга, механизмыг хэлнэ. Бусдад шууд уншуулахыг хүсэхгүй байгаа мэдээллээ бид ихэвчлэн криптографикын функц ашиглан нууцалж, шаардлагатай үедээ түүнийгээ буцаан задалж уншдаг. Жишээлбэл та онлайн банкаар нэвтрэн найз руугаа мөнгө илгээх үед таны нэвтрэх нэр, нууц үг, данс болон таны найзын данс, овог нэр гэх мэт эмзэг мэдээллүүдийг криптографикын функц ашиглан нууцалж илгээдэг. Хэрвээ энэ арга байхгүй байсан бол таны дансны мэдээллийг интернетийн сүлжээн дээрээс дурын этгээд барьж авч, унших боломжтой байна гэсэн үг.</em></p><p><strong><em>Сошиал Инженеринг </em></strong><em>(Social Engineering) гэж хүн хоорондын харилцааг ашиглан эмзэг нууц мэдээллийг олж авахыг хэлнэ. Жишээлбэл, банкны систем хариуцдаг админ залуутай нийлж архидаад түүнийг ятгаж байгаад серверийнх нь нэр, нууц үгийг хэлүүлээд халдлага үйлдэж болно.</em></p><p>Товчхондоо бол компьютерын системийг хамгаалах асуудал нь мэдээллийг нууцлах, шифрлэх математикын функцээс эхлээд хүн хоорондын харилцаа хүртэлх олон зүйлийг мэдэж, ойлгодог байхыг биднээс шаарддаг.</p><p>Интернет анх зохиогдож байх үед интернетийг зөвхөн цөөн тооны судлаачид эсвэл цэргийн мэргэжилтнүүд л ашигладаг байжээ. Энэ үед интернет ашиглаж байсан хүмүүс ихэвчлэн өндөр ёс зүйтэй байсан учраас интернетийн сүлжээг ашиглан халдлага үйлдэх явдал бараг гардаггүй байсан. Иймд, анх интернетийг хөгжүүлэхдээ бүх хүмүүс өндөр ёс зүйтэй, дандаа зөв зүйлийг хийдэг байна хэмээн төсөөлөн хөгжүүлж ирсэн байна. Өөрөөр хэлбэл интернетийн шийдлийг зохиохдоо хэн нэгэн нь хакерын үйл ажиллагаа хийх болов уу гэж бодолгүй зөвхөн шийдлээ боддог байжээ (ай сайхан цаг…). Үнэндээ 1980-аад оны эхэн үе хүртэл интернетэд ямар нэгэн халдлага гарахгүй явж ирсэн байна. Гэвч түүнээс хойш, хувийн компьютерын болон интернетийн хэрэглээ нэмэгдэх тутам кибер халдлага, гэмт хэргийн тоо өсөж эхэлсэн байна. Харамсалтай нь өнөөдрийн бидний ашиглаж буй интернет орчин ч гэсэн анхны үеийн хөгжүүлэлтийн шинж чанараа хадгалсаар байгаа юм. Энэ нь өнөөдрийн интернет орчин дахь гэмт хэрэг, халдлага өсөн нэмэгдэж буй хамгийн гол шалтгаануудыг нэг нь юм.</p><p>Компьютерын системд халдахдаа тухайн системийн цоорхой, эмзэг байдлыг нь ашигладаг. Эмзэг байдал нь хэр ноцтой эсэхээс хамааран системээс файл хулгайлах эсвэл системийг бүрэн удирдах хүртэл олон зүйлийг хийх боломж бүрддэг.</p><p>Тэгэхээр системийг хамгаалахын тулд яах ёстой вэ? Бидний ашиглаж буй системийн эмзэг байдлыг хакер мэдчихвэл бидний систем ямар төрлийн халдлагад өртөх боломжтой вэ? гэсэн үндсэн 2 асуулт урган гарч ирж байгаа байх.</p><p>Аливаа системийг хамгаалахын тулд нэн түрүүнд бид системд байгаа эмзэг байдлуудыг илрүүлж, эдгээр эмзэг байдлыг ашиглан халдлага үйлдэгдэх магадлалыг мөн эмзэг байдлыг ашиглан халдлага үйлдэгдэхэд учрах хор хохирлыг бууруулах үйлдэл хийдэг. Товчоор хэлбэл эмзэг байдал байгаа юу? байгаа бол түүнээс үүдэх эрсдэлийн <strong>магадлал</strong>, <strong>нөлөөлөл</strong>-ийг бууруулах тухай юм. Хэрвээ систем халдлагад өртсөн бол түүнийг илрүүлж тухайн компьютерээс хортой програм (өт, вирус гэх мэт)-ийг устгаж, системийн цоорхой, эмзэг байдлын нөхөөсийг тавьдаг.</p><p>Энэ хүртэл уншсаны дараа магадгүй танд анхнаасаа халдлагад өртөхгүй сайн систем зохиож болдоггүй юм уу гэсэн асуулт төрөх байх. Гярхай уншигч бол ийм асуултыг аль хэдийн асуугаад эхэлж байгаа нь ойлгомжтой. Онолын хувьд бол интернетэд холбоотой байгаа компьютер хэзээ ч халдлагад өртөхгүй байх магадлал тун бага.</p><p>Нэг сонирхолтой жишээ дурдахад, Програмын чанарын тухай ойлголтын эцэг гэж хэлж болохуйц Ваттс Хампрэйн илтгэлд дурдсанаар:</p><blockquote>Туршлагатай программист бичиж буй 10 мөр код тутамдаа дунджаар нэг алдаа гаргадаг бөгөөд эдгээр алдааны 50 орчим хувь нь програмыг тестлэх үед засагддаг байна. Программистын гаргаж буй нийт алдааны 15 орчим хувь нь засагдахгүй эцсийн бүтээгдэхүүнд байсаар байдаг.</blockquote><p>гэжээ. Эндээс харвал туршлагатай программисттай мөн тест орчинтой байлаа ч гэсэн бидний ашиглаж буй программ маш их алдаатай гардаг байх нь. Үүн дээр нэмээд техник хангамжийн болон бусад бүрэлдэхүүн хэсгүүдийн алдааг бодоод үзвэл бүр ч их тоо гарна. Жижиг компаниудын хувьд тестийн орчин ч тогтвортой хөгжиж амжаагүй байх тохиолдол олон бий. Тиймээс товчхондоо бидний ашиглаж буй интернет орчин болон түүн дээр ажиллаж буй программууд маш их алдаатай байдаг гээд ойлгочиход нэг их хилсдэхгүй.</p><p><strong>Системийн загварчлал ашиглан эмзэг байдлыг бууруулах</strong></p><p>Гэхдээ, системийн эмзэг байдлын тоог боломжит бага хэмжээнд байлгах арга байдаг. Системийг анх зохиохдоо системийн зохиомжийг маш нарийн тооцоолж, туршиж, тестлэж гаргах хэрэгтэй болдог. Өөрөөр хэлбэл маш сайн загварын дагуу хийгдсэн систем халдлагад өртөх магадлал багатай байдаг гэсэн үг. Яагаад сайн загварын дагуу зохиогдсон систем халдлагад өртөх магадлал багатай байдаг вэ? Шалтгаан нь загварыг анх гаргахдаа тухайн систем рүү чиглэн хийгдэж болохуйц халдлагуудыг урьдчилан тооцоолж тэдгээрийн эсрэг хариу арга хэмжээг загварчлалынх нь түвшинд оруулж өгсөн байх ба түүнээс гадна сайн загвар бүхий систем сайн тестлэгдэж, сайн туршигдсан байдаг тул алдаа багатай байдаг. Мөн сайн загварчлагдсан систем хэрэглэхэд хялбар байдаг бөгөөд энэ нь системийн эмзэг байдлыг бууруулахад эерэгээр нөлөөлдөг. Яагаад гэвэл төвөгтэй системийг хамгаалах тохиргоо бүр илүү төвөгтэй байх нь олон, улмаар хэрэглэгч системийг хамгаалах тохиргоог огт хийхгүй байх тохиолдол гардаг. Өөрөөр хэлбэл хэрэглэгч санаатайгаар хамгаалах механизмыг ашиглахгүй байгаа гэсэн үг. Жишээлбэл имэйлийг тоон гарын үсгээр баталгаажуулах функц байдаг боловч түүнийг тохируулах процесс нь төвөгтэй учраас тэр бүр хүмүүс ашигладаггүй.</p><p><strong>Тестлэх болон хянах</strong></p><p>Түүнчлэн системийн техник хангамж болон програм хангамжийг маш сайн тестлэх шаардлагатай бөгөөд системийг ашиглаж эхэлсний дараа ч гэсэн системийн ажиллагааг тогтмол хянаж алдаа илэрсэн даруй засах арга хэмжээг авч байх хэрэгтэй. Тогтмол хянаснаар халдлагад өртсөн системийг цаг алдалгүй мэдэж түүнд хариу үзүүлэх боломж олгодог. Түүнчлсэн системийн цоорхойг засах нөхөөс бэлэн болмогц суулгаж, системийг нөхөж байх шаардлагатай байдаг.</p><p>Системийн аюулгүй байдал нь системийн олон шийдлийн гинжин хэлхээс учир аюулгүй байдлыг илүү өргөн цар хүрээнд харж байж илүү ойлгомжтой болно. Тиймээс бид дараа дараагийн цувралаар аюулгүй байдлыг тал бүрээс нь авч үзэх болно.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a79f84d7fa24" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Кибер аюулгүй байдлын үндсэн зарчмууд]]></title>
            <link>https://medium.com/@minerva2991/%D0%BA%D0%B8%D0%B1%D0%B5%D1%80-%D0%B0%D1%8E%D1%83%D0%BB%D0%B3%D2%AF%D0%B9-%D0%B1%D0%B0%D0%B9%D0%B4%D0%BB%D1%8B%D0%BD-%D2%AF%D0%BD%D0%B4%D1%81%D1%8D%D0%BD-%D0%B7%D0%B0%D1%80%D1%87%D0%BC%D1%83%D1%83%D0%B4-d7fe82a3b0b?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/d7fe82a3b0b</guid>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Sun, 04 Apr 2021 07:05:03 GMT</pubDate>
            <atom:updated>2021-04-04T07:05:03.677Z</atom:updated>
            <content:encoded><![CDATA[<p>Энэхүү нийтлэлээрээ бид 1975 онд Салтзер болон Шродер нарын хэвлүүлсэн аюулгүй байдлын үндсэн 10 зарчмуудыг товчхон авч үзнэ. Хэдийгээр хэвлэгдээд удсан боловч эдгээр зарчмууд нь өнөөгийн компьютерын сүлжээ болон системийн аюулгүй байдлыг хангахад чухал үүрэг гүйцэтгэсээр байна.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*Ovnp5SCy55ZgIYtb3OxjdA.png" /><figcaption>Эх сурвалж — <a href="https://l.facebook.com/l.php?u=https%3A%2F%2Fwww.javatpoint.com%2Fcyber-security-principles%2F%3Ffbclid%3DIwAR3Xg63CHNV1gTN5wMzYjKwcdkgcLkIGd295mrTDGm-3EtqQWee0yIc7Zu8&amp;h=AT3bxyFJT060vt_rJUCJO4khhlE2ZeLweDbMVMG0l3VopKLgi_47-Eaw4YTke5FAoWR-oREI9d6xjz-WuQfH4bsdh5JXtAIAvRWC1-llh2rxBYL-EkMRLYKR92V3QiaPbhPXgwJw&amp;__tn__=-UK-R&amp;c[0]=AT3T6BRIHWV4dfnDziOvvI1PkLra3rzm0jFhTnSK-e85FxPkHenEaYIFDPXppZIQ_XpBFJZipjeaU8Tt99Xa4UpEytqRr_Gci2W_NJbsr6vgz59147XsMoDav0PPjqieYJCcABcCnwWOdd-PZbvqBjRoOIbijisAR8cEcbigWRvCGXvktlc">https://www.javatpoint.com/cyber-security-principles</a></figcaption></figure><ol><li><strong>Аюулгүй байдлын системийг энгийн байлгах (Economy of Mechanism)<br></strong>Системийн аюулгүй байдлын загварчлал болон хэрэгжүүлэлт нь байж болох хамгийн энгийн байх ёстой. Загварчлал болон хэрэгжүүлэлт нь энгийн байснаар алдаа гарах магадлал багасдаг. Илүү цөөн тооны бүрэлдэхүүн болон тест кэйстэй байснаар тухайн системийг шалгах, тестлэх процесс хялбар болно. Мөн хэрэглэгч болон хөгжүүлэгчийн хувьд энгийн ойлгомжтой байх нь аюулгүй байдлын механизм хэр үр дүнтэй байгааг хялбар хянах боломжийг олгодог.</li><li><strong>Аюулгүй байдлыг хангасан өгөгдмөл тохиргоотой байх (Fail-Safe defaults)<br></strong>Энэхүү зарчмын дагуу системийн өгөгдмөл тохиргоо (default configurations) нь хэрэглэгчид зөвхөн хамгийн энгийн хандах эрхүүдийг өгөхөөр тохируулагдсан байх хэрэгтэй гэж үздэг. Жишээлбэл, үйлдлийн системд шинэ хэрэглэгч нэмэхдээ, тухайн хэрэглэгчийн файл болон сервист хандах эрх (Access Permission)-ийг боломжит хамгийн бага байлгах ба ингэснээр хэрэглэгчийн хийж чадах алдаатай үйлдлийг багасгах мөн тухайн хэрэглэгч рүү халдах магадлалыг бууруулна. Ихэнх аппликэшн, үйлдлийн системүүдийн өгөгдмөл тохиргоо (default configurations) нь хэрэглэхэд хялбар байхаар бодолцож шаардлагагүй олон хандах эрхийг нээсэн байдаг. Эдгээр шаардлагагүй хандах эрхүүд (access permission) нь систем рүү халдлага хийх эмзэг байдлын тоог нэмэгдүүлж байдаг.</li><li><strong>Хандах хүсэлт бүрийг хянах (Complete mediation)<br></strong>Систем дэх нөөц рүү хандах хүсэлт бүр аюулгүй байдлын шаардлагын дагуу шалгагдах ёстой. Тиймээс системийн ажиллах хурдыг нэмэх зорилгоор хандах эрхийн мэдээллийг нэг удаа шалгаад, түүнийгээ хадгалдаг механизмыг ашиглахдаа маш болгоомжтой байх хэрэгтэй. Жишээлбэл, онлайн банкны аппликэшн тодорхой хугацааны дараа (жишээлбэл 15 минутын дараа) хэрэглэгчийг дахин нэвтрэхийг шаарддаг байх ёстой.</li><li><strong>Нээлттэй дизайн (Open design)<br></strong>Аюулгүй байдлыг хангаж буй системийн архитектур, дизайн нийтэд нээлттэй байх хэрэгтэй. Өөрөөр хэлбэл, криптографикын түлхүүр файлаа л өөртөө авч үлдээд бусад мэдээллийг нийтэд нээлттэй болгоно. Ингэснээр системийг олон оролцогч талаас шинжих боломж бүрдэж, дизайны алдаанаас үүссэн аливаа эмзэг байдлыг эрт илрүүлж, засах боломжтой болдог. Системийн эх код болон хөгжүүлэлтийг нээлттэй эхийн программ хөгжүүлэлт шиг хүссэн бүх хүнд хянах боломжийг өгснөөр аюулгүй байдлын бүрэлдэхүүн хэсгүүдийг илүү нарийвчлан шалгаж, программын цоорхойг засах процессыг илүү шуурхай болдог. Нээлттэй дизайны эсрэг хандлага буюу криптографик алгоритмыг нууцлах замаар хамгаалах (Security by Obscurity) нь тийм ч үр дүнтэй байдаггүй. Өөрөөр хэлбэл, алдагдсан криптографикын түлхүүр файлаа өөрчлөх нь маш хялбархан бол, системийн өөрийнх нь загварчлал тухайн системдээ аюул, занал учруулж байгаа тохиолдолд түүнийг засах нь бараг бүтэшгүй байдаг. Криптографик алгоритмаа нууцлах замаар аюулгүй байдлаа хангахаар (security by obscurity) оролдсон маш олон байгууллага бүтэлгүйтсэн жишээ бий.</li><li><strong>Системийн хандах эрхийг зааглах (Separation of privilege)<br></strong>Программ нь гүйцэтгэх үүргийнхээ дагуу тусдаа хэсгүүдэд хуваагдаж, хэсэг бүр нь өөрийн хандах эрхтэй байхыг хэлнэ. Ингэснээр программын нэг хэсэгт үүссэн эрдэл, заналхийлэл бусад хэсэгтээ нөлөөлөх нөлөөлөл багасдаг.</li><li><strong>Хамгийн бага хандах эрхтэй байх (Least privilege)<br></strong>Компьютерт ажиллах программ эсвэл хэрэглэгч бүр зөвхөн өөрийн хийх үйлдэлд л шаардлагатай хандах эрхээр хангагдсан байх хэрэгтэй. Цэргийн байгууллагад ашигладаг зөвхөн мэдэх шаардлагатай мэдээллээр (need-to-know) л хангах арга нь энэ зарчмын жишээ юм. Энэ зарчмыг үл тоомсорлосноор, халдлагын нөлөөллийг ихээр нэмэгдүүлдэг. Жишээлбэл, админ эрхтэй ажиллаж буй веб серверийн программ руу хакер халдаж, хортой код ажиллуулснаар систем дээр админ эрхтэйгээр үйлдэл хийх боломж нээгдэнэ. Хэрвээ веб сервер зөвхөн веб ажиллуулахад л шаардагдах эрхтэй ажиллаж байсан бол хакерын халдлагын нөлөө асар бага байна.</li><li><strong>Нийтийн хандах эрхийг хамгийн бага байлгах (Least Common Mechanism)<br></strong>Олон хэрэглэгчтэй системд, аливаа нөөцийг нэгээс дээш хэрэглэгч хуваан ашиглахыг зөвшөөрдөг шийдэл хамгийн цөөн байх ёстой. Хэрвээ файл эсвэл аппликэшнд олон хэрэглэгч хандах хэрэгтэй бол хэрэглэгч тус бүр өөрийн сувгаар нөөцөд хандах хэрэгтэй. Ингэснээр, тооцоолоогүй аюулгүй байдлын эрсдэлүүдээс зайлсхийнэ.</li><li><strong>Сэтгэлзүйн хувьд хүлээн зөвшөөрөгдөхүйц байх (Psychological acceptability)<br></strong>Энэ зарчмын дагуу, программын хэрэглэгчийн интерфейс болон хамгаалалтын тохиргоонууд нь хэрэглэхэд хялбар, энгийн мөн хэрэглэгчийн хүлээлтэд нийцэхүйц загвартай байх хэрэгтэй. Программын ажиллах горим ба түүний хийх үйлдлийн талаарх хэрэглэгчийн хүлээлт зөрүүтэй байх нь тухайн программын хамгаалалтын тохиргоог хэрэглэгч буруу тохируулах гэх мэт нөхцөлийг үүсгэдэг. Энэ зарчим нь энэхүү зөрүүг бага байлгахад чиглэдэг. Имэйл программ дээр өөрийн имэйлийг нууцлах, тоон гарын үсгээр баталгаажуулах боломж байдаг боловч энэ функцийг хэрэглэгчид бараг ашигладаггүй бөгөөд үүний гол шалтгаан нь түүнийг тохируулахад хялбар биш байдгаас юм.</li><li><strong>Ажлын хүчин зүйл (Work factor)<br></strong>Аюулгүй байдлын схемийг зохиохдоо хакерын нөөц бололцоог харгалзан үзэх хэрэгтэй. Жишээлбэл, оюутнуудын дүнг хадгалдаг их сургуулийн өгөгдлийн сангийн хувьд хакер нь дийлэнхдээ дүнгээ өөрчлөхийг хүссэн оюутан байх тул ийм системд цэргийн нууцыг хадгалдаг системтэй ижил хэмжээний хамгаалалт хэрэггүй юм. Яагаад гэвэл цэргийн систем рүү халдах хакер нь засгийн газрын дэмжлэгтэй байгууллага байх магадлал өндөр. Электрон төхөөрөмжийн хувьд ажлын хүчин зүйл нь тогтвортой байдаггүй. Үүний шалтгаан нь электрон төхөөрөмж асар богино хугацаанд сайжирч, үнэ нь буурч байдаг тул электрон төхөөрөмж ашиглан системийг эвдэх ажлын хүчин зүйлийг нарийн тооцоолох боломж бага байдаг. Жишээлбэл, нууц үг таахдаа боломжит бүх хувилбарыг туршиж үздэг брүт-форс халдлагыг хуучин компьютер дээр олон цаг (магадгүй сар, жил) ажиллуулах шаардлагатай байсан бол энгийн персонал компьютерын хурд, хүч нэмэгдсэнээр хэдхэн жилийн дотор брүт-форсыг асар хурдан ажиллуулж, нууц үгийг таах боломж бүрдэж болно.</li><li><strong>Халдлагыг бүртгэх (Compromise recording)<br></strong>Зарим тохиолдолд халдлагаас хамгаалах үнэтэй шийдэл хэрэгжүүлэхийн оронд халдлага хэрхэн болж буйг бичиж авах аргыг хэрэглэх нь илүү үр дүнтэй байдаг. Энэ төрлийн хамгаалалтын хамгийн түгээмэл жишээ нь байгууламжийн хаалга, цонхыг илүү сайн хамгаалахаар оролдохын оронд байгууламжид зүгээр л камерын систем суурилуулдаг арга юм. Сервер дээр хэн, ямар файлд хандаж, хаашаа ямар имэйл илгээж байгаа гэх мэт бүх үйлдлийг лог файлд хадгалж авч болно. Системийн лог файлаас халдлагыг ялгаж харах нь хэцүү, мөн чадварлаг хакерууд халдсан системийнхээ лог файлыг устгах замаар өөрийн ул мөрийг баллаж чаддаг тул компьютерын системд энэ арга үр дүнгүй байх тохиолдол байдаг.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d7fe82a3b0b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Excel дээр макро ашиглан автоматжуулалт хийх]]></title>
            <link>https://medium.com/@minerva2991/excel-%D0%B4%D1%8D%D1%8D%D1%80-%D0%BC%D0%B0%D0%BA%D1%80%D0%BE-%D0%B0%D1%88%D0%B8%D0%B3%D0%BB%D0%B0%D0%BD-%D0%B0%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B6%D1%83%D1%83%D0%BB%D0%B0%D0%BB%D1%82-%D1%85%D0%B8%D0%B9%D1%85-e4ac77df609a?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/e4ac77df609a</guid>
            <category><![CDATA[excel-macro]]></category>
            <category><![CDATA[макро]]></category>
            <category><![CDATA[vba]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Mon, 13 Jul 2020 23:10:32 GMT</pubDate>
            <atom:updated>2020-07-13T23:10:32.891Z</atom:updated>
            <content:encoded><![CDATA[<p>Мөр, баганаар бүтэцлэгдсэн өгөгдөлтэй ажиллах шаардлага бараг хүн бүрт тохиолддог. Зарим тохиолдолд олон алхам шаардсан, урт үйлдлийг бүх мөр дээр гүйцэтгэх шаардлага тохиолддог. Ийм тохиолдолд эдгээр залхуутай үйлдлийг дахин дахин хийх нь залхуутай бөгөөд маш их цаг хугацаа зарцуулдаг билээ. Тиймээс энэ удаагийн нийтлэлээрээ компьютер ашиглан өөрийн хийх үйлдлийг автоматжуулах талаар авч үзье.</p><p>Энэхүү нийтлэл нь миний youtube суваг дээрх дараах видеоны нэмэлт мэдээлэл байх учраас та бүхэн шаардлагатай тохиолдолд видеог мөн үзээд, эдгээр үйлдлийг хэрхэн хийж байгааг бодит жишээн дээр харах боломжтой юм.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fly4DBXj9jz8%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dly4DBXj9jz8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fly4DBXj9jz8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/5990cac4ad35a24527ec7a50a8113f3e/href">https://medium.com/media/5990cac4ad35a24527ec7a50a8113f3e/href</a></iframe><p>Их хэмжээний өгөгдөл дээрх үйлдлийг автоматжуулахад, бид ихэвчлэн Excel-ийн макро ашиглах эсвэл шууд өгөгдлөө програмчлалын хэлээс (R, Python etc.) дуудаж програм бичих замаар тухайн үйлдлээ автоматжуулдаг. Excel-ийн макро ашиглах болон ерөнхий зориулалтын програмчлалын хэл ашиглах гол ялгаа нь эдгээр аргуудын хэрэгжүүлэхэд хялбар байдал болон боловсруулж чадах өгөгдлийн хэмжээ 2-н ялгаа юм. Жишээлбэл, жижиг хэмжээний (10 мянган мөрөөс, хэдэн зуун мянган мөр бүхий) өгөгдөл дээр ажиллах бол таны хэрэгцээг Excel програмын VBA буюу Visual Basic for Applications шийдэл бүрэн хангаж чадна. Хэрвээ та хэдэн саяар яригдах өгөгдөлтэй ажиллах шаардлагатай бол R эсвэл Python гэх мэт програмууд илүү танд илүү уян хатан байдал болоод хурдыг санал болгоно. Гэхдээ мэдээж хэрэгжүүлэлтийн хувьд VBA үүсгэж явах нь илүү хялбархан байх нь эргэлзээгүй юм.</p><p><strong>Excel Macro | VBA</strong> гэж юу вэ?</p><p><strong><em>VBA</em></strong> <strong><em>(Visual Basic for Applications)</em></strong> нь Excel болон бусад оффисын програмд ашиглагддаг програмчлалын хэл юм. Excel дээрээс та VBA бичсэнээр үйлдлүүдээ автоматжуулж болно. Харин бичигдсэн VBA-г нь <strong><em>Макро (Macro)</em></strong>гэж нэрлэдэг. Хэрвээ дэлгэрүүлэн судалбал, VBA нь маш олон боломжийг хэрэглэгчид олгоно. Хэрвээ та мэргэжлийн түвшний Макро хөгжүүлэгч болох зорилготой бол, энэ нийтлэл танд тийм ч тохиромжтой биш байж магадгүй. Учир нь энгийн хүмүүсийн хувьд Макро хэрхэн үүсгэх болон энгийн алдааг засах гэх мэт багахан хэмжээний мэдлэгтэй байхад л өөрт шаардлагатай үйлдлээ автоматжуулаад өөрийнхөө цагийг хэмнээд байх боломжтой юм. Үнэндээ энэ нийтлэл болон бичлэг нь Макро гэж юу болох энгийн ойлголтыг аваад, энгийн макро үүсгээд ажиллаад сурчих зорилготой хүмүүсд зориулагдсан болно.</p><p>Мэдээж та програмчлал мэддэг бол танд агуулга ойлгоход ойрхон байна байх. Гэхдээ програмын ямар ч мэдлэггүй байлаа ч гэсэн айх шаардлагагүй бөгөөд шаардлагатай гэж үзсэн хэсгүүдийг бүгдийг нь тайлбарлаж оруулахыг хичээсэн болно.</p><p>Дээрх бичлэг болон энэхүү нийтлэлийг уншсанаар та дараах чадваруудыг олж авах болно:</p><ol><li>Developer Ribbon-г ашиглаж сурах</li><li>Record Macro-г ашиглан Макро үүсгэх, түүнийгээ ажиллуулах</li><li>Record Macro-г ашиглан үүсгэсэн кодоо унших, засах</li><li>Visual Basic цэсийг ашиглан Maкро кодоо эхнээс нь бичих. Ингэснээр та интернэтээс өөрт хэрэгтэй Макрог Англиар нь хайгаад, хэрвээ хэн нэгэн нь таны хийх гэж байгааг аль хэдийн хийчихсэн байвал, тэрхүү кодыг хуулж аваад шууд ажиллуулах боломж бүрдэх юм.</li><li>Түгээмэл ашиглагдах VBA кодууд</li><li>Энгийн VBA кодыг хараад уншиж ойлгож сурах</li></ol><p>Энэхүү бичлэг болон нийтлэлийг бичихдээ, MacOS Catalina болон Microsoft <strong>Excel</strong> for Mac (Version 16.38) with office 365 subscription License-ийг ашигласан болно. Энэхүү хувилбар нь Windows үйлдлийн систем дээрх Microsoft Excel-ээс бараг ялгаагүй. Тиймээс зарим жижиг ялгааг эс тооцвол бараг хүндрэл тулгарахгүй байх гэж найдаж байна.</p><h4>1. Developer Ribbon -г идэвхижүүлэх</h4><p>VBA үүсгэх, засварлах, устгах гэх мэт бүхий л үйлдлийг хийхийн тулд бидний Excel програмд <strong><em>Developer</em></strong> цэс хэрэгтэй. Developer цэс нь өгөгдмөл тохиргоогоор шууд нээлттэй байхгүй тохиолдол байх тул түүнийг бид идэвхижүүлэх ёстой. Ингэхдээ Mac үйлдлийн систем дэх Excel програмын хувьд дараах алхмыг хийх шаардлагатай.</p><p>Excel -&gt; Preferences … -&gt; Ribbon &amp; Toolbar</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6O10wVTTtawNKRTzDArgRw.png" /><figcaption>Mac OS <em>Developer</em> цэс идэвхижүүлэх</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*_13UDNQx7Lk0FYj6phIA4g.gif" /><figcaption>Windows OS Developer цэс идэвхижүүлэх. (Source: <a href="https://www.techonthenet.com/excel/questions/images/developer_tab2013_002.gif">https://www.techonthenet.com/excel/questions/images/developer_tab2013_002.gif</a>)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kk_B2TTY1mWSGr8nVNWzVQ.jpeg" /><figcaption>Developer цэс идэвхижсэн байдал</figcaption></figure><h4>2. Record Macro -г ашиглах</h4><p><em>Record Macro</em> нь дуу хураагууртай төстэй үйлдлийг хийнэ. Гэхдээ энэ нь дуу хураахын оронд Excel програм дээр таны хийж байгаа бүх үйлдлийг (Record Macro дарснаас хойш, Stop Recording хийх хүртэл) бичиж авах бөгөөд, улмаар бичиж авсан Макрогоо дараа нь дахин дахин дуудаж ажиллуулах боломжтой болно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*z5kGePNeLRSiloCOw32O8g.png" /><figcaption>Developer Ribbon</figcaption></figure><p>Дээрх зурагт Developer цэс харагдаж байна. Эндээс бид дараах 2 цэсийг анхааралдаа авах хэрэгтэй.</p><p>2. Record Macro — Excel -г бидний хийх үйлдлийг бичиж авах заавар өгөх. Өөрөөр хэлбэл энэ товч дээр дарснаас, Макро бичих процессыг зогсоох хүртэл энэхүү Макро бичих үйлдэл хийгдэнэ.</p><p>3. Use Relative References — хэсэг нь макрог бичихдээ, Excel програм таны зааж өгч буй аливаа нүд, багана, мөр зэргийн индексийг шууд код руу бичих үү эсвэл тухайн үед сонгогдсон байгаа тохиргооноос хамааран харьцангуй байдлаар кодоо үүсгэх үү гэдгийг тодорхойлдог. Энэхүү товчийг идэвхижүүлснээр Relative Reference буюу макро бичих үед идэвхитэй байгаа хэсгээс хамааран (жишээлбэл, сонгогдсон нүдээс урд талынх нь нүдэнд гэх мэт) кодоо үүсгэдэг. Харин энэ товч идэвхижээгүй байгаа үед Excel маань VBA код үүсгэхдээ, идэвхижүүлж буй нүдүүдийг шууд A1, B1 гэх мэт хатуу индексээр нь бичдэг.</p><p><strong>ҮҮНЭЭС ГАДНА НҮДЭЭ ИДЭВХИЖҮҮЛЖ БАЙГАА МАКРО БИЧИЖ ЭХЛЭХ эсвэл БИЧИЖ ЭХЭЛСНИЙХЭЭ ДАРАА НҮДЭЭ ИДЭВХИЖҮҮЛЭЭД ҮЙЛДЛЭЭ БИЧИХ нь маш том ялгааг үүсгэдэг. </strong>Эхлээд идэвхижүүлчихээд шууд үйлдлээ хийгээд явах үед Макро код үүсэхдээ Selection буюу макро ажиллахаас өмнө идэвхитэй байсан нүд, мөр эсвэл багана зэрэг дээр үйлдэл хийгдэх бол макро бичиж эхэлснээс хойш нүдээ дахин сонгох нь кодын хэсэгт тухайн нүд, мөр, баганыг хатуу кодоор бичүүлэх, эсвэл харьцангуй (Relative Reference) ашиглан үйлдэл хийгдэх нөхцөлийг бүрэлдүүлдэг. Үр дүнд таны хүсээгүй мөр, эсвэл багана дээр үйлдэл хийгдээд байх магадлалтай. Энэ тохиолдолд кодын хэсгийг нээж, нүд, мөр, багана зэргийг хэрхэн хаягласан байгааг харах шаардлага үүсч магадгүй.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B26SdY2NRt8r-5MRX1nBrQ.gif" /><figcaption>Macro Recording жишээ (Дээр дурдсан бичлэгээс бүрэн эхийг үзнэ үү)</figcaption></figure><p>Дээрх видео дээр хэрхэн макро бичиж байгаа нь тодорхой харагдаж учир энд зөвхөн цэсүүдтэй хамаарах хэсгийг дэлгэрүүлэн тайлбарлая.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*pc97riTyWBRreU_hym6iAA.png" /><figcaption>Record Macro тохиргоо</figcaption></figure><p>Дээрх зургаас,</p><ul><li><em>Macro name: </em>хэсэг нь мэдээж шинээр бичих Макрогийн нэрийг зааж өгөх хэсэг юм.</li><li><em>Store macro in:</em> хэсгийг сонгох үед дээрх зураг шиг Personal Macro Workbook, New Workbook, This Workbook гэсэн сонголтууд харагдана. Шинээр үүсгэж буй Макро-гоо хаана хадгалахыг зааж буй хэсэг юм. Personal Macro Workbook -хэсгийг сонгосноор та өөрийн Макронуудыг хадгалах хувийн орчин үүсгэж тэндээ үүсгэж буй макрогоо хадгалах тохиргоог өгч байна гэсэн үг. Ингэснээр өөр ямар ч Excel файл нээсэн та энэ хэсэгт хадгалсан Макрогоо дуудаж ажиллуулах боломж бүрдэнэ. Харин нөгөө 2 сонголтын хувьд New Workbook нь шинэ Workbook үүсгэж түүндээ Макрог хадгалах бол, хамгийн сүүлийнх нь яг одоо идэвхитэй байгаа файлтай Макрог уяж хадгалдаг. Ингэснээр тухайн макрогоо зөвхөн харгалзах Workbook буюу Excel файлд л ашиглах боломжтой байх юм.</li><li><em>Shortcut key:</em> Гараас үсгийн комбинац ашиглан Макрог хурдан дуудаж ажиллуулах тохиргоо хийх хэсэг. Жишээлбэл, “<em>Ctrl+Shift+R</em>” гэсэн комбинац тохируулсан бол эдгээр товчийг зэрэг дарах үед бидний бичиж өгсөн Макро шууд ажиллана.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Lf9m1cpkjT3bWg7_RQvrbA.jpeg" /><figcaption>Macros, Stop Recording товчууд</figcaption></figure><p>Улмаар та Макро-д хийх үйлдлээ бичиж дууссан бол Stop Recording товчийг ашиглан бичих процессыг зогсооно.</p><p>Эцэст нь бид Macros товчийг дарж өөрсдийн үүсгэсэн бүх Макрог харах, ажиллуулах, устгах боломжтой.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/866/1*v_K2uHY3LlFAshCxHImWbg.png" /><figcaption>Macros цонх</figcaption></figure><p>1 — Идэвхитэй байгаа Макрогийн нэр, (6) буюу Run товчийг дарвал энэ хэсэгт нэр нь харагдах Макро ажиллана.</p><p>2 — Хадгалаатай байгаа Макронуудыг жагсаалт</p><p>3 —Сонгосон макрог устгах</p><p>4 — Аль хэсэгт хадгалагдсан Макронуудыг харахыг тохируулна. Өгөгдмөл тохиргоогоор нээлттэй байгаа бүх Excel файлуудын Макронуудыг харуулна.</p><p>5 — Тохиргооны хэсэг. Эндээс макрод тайлбар бичих, гараас <em>Shortcut</em> тохируулах боломжтой.</p><p>6 — Идэвхитэй байгаа макрог ажиллуулах</p><p>7 — Макро дахь кодыг мөр мөрөөр нь ажиллуулах тохиргоо. Үүнийг ашиглан макрог debug хийх буюу алдааг засах үйлдлийг хийх хэсэг.</p><p><strong>АНХААР: Макро ашигласны дараа та тухайн үйлдлийн Restore буюу буцаах үйлдэл хийх боломжгүй болдог. Тиймээс Макро туршиж үзэх гэж байгаа бол өгөгдлөө дахин хуулах замаар нөөцөлж авахыг зөвлөж байна.</strong></p><h4>3. Record Macro-г ашиглан үүсгэсэн кодоо унших, засах</h4><p>Ингээд хэрвээ та дээрх алхмын дагуу Макрогоо үүсгэж чадсан бол таны дараагийн даалгавар үүсгэсэн Макрогынхоо кодыг харах, түүнийг засах үйлдэл юм. Таны макро таны хүссэн зүйлийг хийхгүй байх, Макрогоо багахан өөрчлөөд, төстэй үйлдэл хийх, эсвэл хуучин макро дээрээ нэмэлт үйлдэл хийх гэх мэт олон шалтгаанаар бид кодын хэсгийг нээж харах шаардлага үүсдэг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o5ZYuDN8r2nEUL2UuwLdJA.png" /><figcaption>Visual Basic товч</figcaption></figure><p>Visual Basic -г дарснаар бид Visual Basic код бичих, засварлах, алдааг нь засах, Immediate window хэсэг дээр кодын мөрийг шууд ажиллуулж үзэх гэх мэт үйлдлийг хийх боломжтой юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TMWi0BT4x1oUNb6f9su6-g.png" /><figcaption>Visual Basic Window</figcaption></figure><p>Дээрх зурагт Visual Basic цонхыг харууллаа. Эдгээр цонхууд нь бүгд чухал мэдээллийг агуулна.</p><p>Хэрвээ та Обьект хандлагат програмчлалын онол мэддэг бол, Excel-ийн бүх зүйл обьект ба таны дуудаж буй функцүүд тухайн Обьектын гишүүн функцээр, харин шинж чанар (үсгийн фонт, өнгө будаг зэрэг) нь Обьектийн гишүүн өгөгдөлөөр зохион байгуулагдсан байдаг. <em>(Хэрвээ та Обьект хандлагат програмчлал мэдэхгүй бол энэ хэсгийг тоолгүй орхиж болно)</em></p><p>1 — Харгалзах Excel file-г нээх.</p><p>2 — (7) хэсэгт харагдах кодыг мөр мөрөөр нь ажиллуулж үр дүнг нь харах</p><p>3 — Макрог ажиллуулах, түр зогсоох, зогсоох үйлдлүүдийг хийнэ.</p><p>4 — Project хэсэг буюу тухайн Excel file дээр байгаа бүх файлуудыг харуулна. Эндээс бид бүх Sheet-үүдийг харах боломжтойгоос гадна бидэнд <strong><em>Modules</em></strong> <em>(хэрвээ макро үүсгээгүй бол Modules хэсэг үүсээгүй байна)</em>— хэсэг байх ба энд бидний үүсгэсэн Макро буюу VBA кодууд хадгалагддаг.</p><p>5 — Properties хэсэг буюу сонгосон обьектын шинж чанар болох properties-ийг харуулна.</p><p>6 — Immediate Window буюу Visual Basic програмын кодыг бичээд шууд үр дүнг нь харах боломжтой хэсэг. Хэрвээ та кодоо бүгдийг нь эхнээс нь бичиж байгаа үед таны бичсэн код яг таны хүссэн зүйлсийг хийх эсэхийг туршиж үзэхдээ Immediate хэсэг дээр бичээд, ажиллуулж туршиж үзэх боломжтой. Хэрвээ та компьютерын <em>interactive shell</em>-г юу байдгийг мэддэг бол энэ хэсэг нь ерөнхийдөө Visual Basic — ийн <em>interactive shell</em> юм.</p><p>7 — Макрогийн кодын хэсгийг харуулах хэсэг. Энэ хэсэгт өмнө нь бидний <em>Record</em> хийсэн макро буюу <strong><em>A1:M1</em></strong> хүртэлх хэсгийг Bold, Italic, Underlined болгох код харагдаж байна. Хэрвээ бид энэ кодын хамгийн эхний мөр болох Range(“A1:M1”).Select -г устгавал, бидний макро зөвхөн тухайн үед сонгогдсон байгаа (Selection) хэсгийг Bold, Italic, Underlined болгож өөрчлөнө. Бид түгээмэл хэрэглэгддэг функцүүдийг сүүлийн хэсэгт авч үзнэ. Тиймээс одоо хэрхэн кодоо харах, түүнийгээ хаана өөрчлөх гэдгээ л ойлгож авахад болох юм. Өөрөөр хэлбэл, хэрвээ та Макрогоо Record хийгээд бичсэн хэдий ч таны макро, таны хүлээлтээс зөрөөд байвал та кодоо шалгахдаа энэ хэсгээс кодоо харж, улмаар кодоо засах боломжтой. Улмаар Play товч буюу (3) хэсэгт харагдах тоглуулах товчийг ашиглан макрогоо ажиллуулж турших боломжтой.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PJt_APA6ciZ3pAkxO5W3BQ.png" /><figcaption>Immediate цонх</figcaption></figure><p>Дээрх зургаас Immediate цонх дээр VBA код бичээд үр дүнг нь харсан байдлыг харуулж байна. Жишээлбэл,</p><p>Workbook.Count — нь workbook-үүдийн тоог хэвлэх комманд юм.</p><p>Range(“A1”).Value — нь A1 нүдэн дэх утгыг хэвлэнэ.</p><p>Cells(10,1).Value нь 10 дахь мөрийн эхний утгыг буюу A10 хэсгийг бидэнд харуулж байна. Дээрх тохиолдолд Range болон Cells хэсэг нь ижил үйлдлийг хийж байна гэсэн үг. Үүнтэй ижлээр та Visual Basic-ийн жишээ код эсвэл коммандыг юу хийж буйг нь мэдэхийг хүсвэл энэ хэсэгт ажиллуулж үр дүнг нь шууд харах боломжтой гэсэн үг.</p><h4>4. Макрог эхнээс нь үүсгэх</h4><p>Шинэ макро үүсгэхдээ та Visual Basic хэсэг дэх, Module хэсгийг идэвхижүүлээд улмаар <em>Insert -&gt; Procedure…</em> хэсгийг сонгоно. Хэрвээ танд Module байхгүй байгаа бол та эхлээд<em> Insert -&gt; Module</em> хэсгийг ашиглан Module-г үүсгэх ёстой. Яагаад гэвэл Procedure нь Module дотор хадгалагддаг.</p><p>Энд яагаад Procedure үүсгээд байна гэж эргэлзэх шаардлагагүй бөгөөд, procedure үүсгэх явцдаа бид энгийн Макро эсвэл Функц үүсгэх, түүнийгээ нээлттэй байлгах, эсвэл хаалттай байлгах зэрэг тохиргоог бүгдийг нь тохируулна.</p><p>Миний жишээний хувьд, би аль хэдийн Module үүсгэчихсэн учраас шууд Procedure үүсгэх цэсийг сонгоод явсан болно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*S3eV8ceaiGsmejqY7iKGXQ.png" /><figcaption>Шинэ procedure үүсгэх</figcaption></figure><p>1 — Процедур эсвэл функцийн нэрийг өгөх</p><p>2 — Ямар төрлийн функц эсвэл процедур үүсгэх эсэхийг тохируулах. <strong><em>Sub </em></strong>—<em> Subprocedure буюу дэд процедур. Энэ нь энгийн Макро гэсэн үг. <br></em><strong><em>Function </em></strong><em>— Функц буюу ийм төрлийн функц зохиосон бол бид энэхүү функцээ яг энгийн Excel-ийн функц шиг дуудаж ажиллуулах боломжтой болдог. Өөрөөр хэлбэл бид өөрсдөө хүссэн функцээ бичиж өгөх боломжтой гэсэн үг.</em></p><p>3 — Бидний үүсгэж буй Макро эсвэл функцийг хаанаас дуудаж ажиллуулах боломжтой эсэхийг тохируулна. Өөрөөр хэлбэл, Public процедурт бүгд хандах боломжтой бол, Private процедурын хувьд гаднаас шууд хандах боломж хаалттай байдаг.</p><p>Энгийн Макро үүсгэх үед бол <strong><em>Sub болон public </em></strong>тохиргоотойгоор үүсгэхэд хангалттай байдаг.</p><p>Шинэ Public Sub үүсгээд түүндээ makeBold гэсэн нэр өгвөл бидэнд</p><pre>Public Sub makeBold()</pre><pre>End Sub</pre><p>дээрх хоосон процедур үүсгэх хэсгийг бэлдэж өгөх ба хэрвээ бид энэхүү 2 мөр кодын дунд доор харагдах кодыг нэмж бичвэл</p><pre>Public Sub makeBold()<br>    Selection.Font.Bold = True      &#39; идэвхитэй байгаа хэсгийг bold болгох<br>    Selection.Font.Italic = True    &#39; идэвхитэй байгаа хэсгийг italic болгох<br>    Selection.Interior.Color = 65356 &#39; идэвхитэй байгаа нүдийн доторхын ногоон өнгөтэй болгох. <br>End Sub</pre><p>бид бүрэн ажилладаг Макро биччихлээ гэсэн үг. Хэрвээ бид A131 гэсэн нүдийг идэвхижүүлээд энэхүү макрог ажиллуулбал, бид A131 гэсэн нүдийн өнгийг ногоон болгоод, улмаар түүн доторх текстийг Bold болон Italic болгож хувиргана гэсэн үг.</p><h4>5. Түгээмэл ашиглагдах VBA кодууд</h4><p>Дээр оруулж өгсөн бичлэг дээр би хэд хэдэн VBA кодуудыг туршиж үзсэн бөгөөд эдгээр кодууд нь бүгд дор дурдсан холбоос дээр хадгалагдсан байгаа. Тиймээс та бүхэн кодуудыг харахыг хүсвэл доорх холбоосоор ороод код болон excel файлыг татаж аваад VBA -үүдийг туршиж үзэх боломжтой юм.</p><p><a href="https://github.com/nasaa0528/dumpDataGeneration/tree/master/vbaCodes">nasaa0528/dumpDataGeneration</a></p><p>За одоо эдгээрээс зарим кодуудыг тусгайлан авч үзээд юу хийж байгааг нь тайлбарлая.</p><ol><li><em>Formula-г энгийн утга болгох</em></li></ol><pre>&#39; Subprocedure эхлүүлэх<br>Sub ConvertToValues() <br>  &#39;Идэвхитэй байгаа sheet-ийг with-тэй нээх         <br>  With ActiveSheet.UsedRange <br>    &#39; Бүх нүдүүдийн утгыг нь авч түүний утгыг нь өөрт нь буцаан онооно.<br>    .Value = .Value   <br>  &#39; Идэвхитэй байгаа sheet-ийг with-тэй хаах     <br>  End With    <br>&#39; Subprocedure дуусгах               <br>End Sub</pre><p>Дээрх кодын хувьд хэдийгээр cell -д formula байгаа хэдий ч бид түүний утгыг .Value -г ашиглан авах боломжтой бөгөөд, улмаар утгыг нь Formula-гийнх нь оронд дарж бичиж байна. Өөрөөр хэлбэл дээрх код нь Formula бүхий бүх хэсгийг энгийн (Paste value шиг) утгаар нь дарж бичих үйлдлийг хийж байна.</p><pre>With something.something<br>    &#39; Кодоо энд бичих<br>End With </pre><p>Дээрх шиг With болон End With бичиглэл нь нэг обьектын олон property буюу шинж чанарыг өөрчлөхөд ихэвчлэн хэгэргэгддэг бичиглэл юм. Үнэндээ</p><pre><em>ActiveSheet.UsedRange.Value = ActiveSheet.UsedRange.Value</em> </pre><p>гэж бичих ба</p><pre><em>With ActiveSheet.UsedRange <br>   .Value = .Value <br>End With</em></pre><p>ийм байдлаар бичих хоёр нь ямар ч ялгаагүй юм. Тиймээс хэрвээ та код бичиж байгаа бол аль болох өөрт эвтэйхэх болоод уншихад эвтэйхэн байдлаар кодоо бичиж явах нь зүйтэй юм. Хэдий тийм боловч, хэрвээ та нэг обьектын маш олон зүйлийг нэг доор өөрчлөх гэж буй бол мэдээж <em>With</em> түлхүүр үгийг ашиглах нь зүйтэй сонголт юм. Нөгөө талаас та тухайн обьектын зөвхөн ганцхан хэсгийг л өөрчлөх гэж буй тохиолдолд (Дээрх жишээ код шиг) <em>With</em> түлхүүр үг ашиглах нь илүү зардал байж магадгүй юм.</p><p><em>2. Sheet-ээс дүрсүүдийг устгах</em></p><pre>Sub DeleteAllShapes()</pre><pre>  &#39; Shape буюу дүрс төрөлтэй хувьсагч зарлах<br>  Dim GetShape As Shape                    </pre><pre>  &#39; Тухайн sheet дээрх дүрс бүрээр давтах<br>  For Each GetShape In ActiveSheet.Shapes  <br>    &#39; Дүрсийг устгах<br>    GetShape.Delete                        <br>  &#39; Дараагийн дүрсийг аваад давталтыг үргэлжлүүлэх<br>  Next                                     </pre><pre>End Sub</pre><p><em>3. Хоосон мөрүүдийг олж устгах</em></p><pre>Sub DeleteBlankRows()<br>  &#39; Long төрөлтэй тоон хувьсагч зарлах<br>  Dim x As Long     <br>  &#39; Sheet-г нээх <br>  With ActiveSheet<br>    &#39; Sheet-ийн хамгийн сүүлийн мөрөөс эхлэл хүртэл давтах <br>    For x = .Cells.SpecialCells(xlCellTypeLastCell).Row To 1 Step -1<br>      &#39; Хэрвээ тухайн мөрийн хоосон биш мөрийн тоо 0 тэй тэнцүү байвал<br>      If WorksheetFunction.CountA(.Rows(x)) = 0 Then<br>        &#39; Тухайн мөрийг устга<br>        ActiveSheet.Rows(x).Delete <br>      End If <br>    Next <br>  End With <br>End Sub</pre><p>Дээрх кодуудыг бүгдийг нь тайлбарлаж бичих нь цаг их зарцуулах тул та бүхэн дээрх хэдээс жишээ аваад өөрсдөө кодоо татаж аваад юу хийж байгааг нь унших гээд оролдоод үзээрэй.</p><p>Дараагийн хэсэгт танд хэрэгтэй байж болох, түгээмэл хэрэглэгддэг VBA түлхүүр үгс болон тэдгээрийн юу хийдгийг орууллаа.</p><h4>6. Энгийн VBA кодыг хараад уншиж ойлгож сурах</h4><p>Өмнөх хэсэгт дурдсан git repository дотор Excel VBA-н cheat sheet байгаа бөгөөд та тэндээс Cheat sheet-г татаж аваад функцүүдээ мөн харах боломжтой.</p><p>Дараах зургаас мөн VBA кодын юу хийж байгаа тайлбарыг уншина уу.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zTq7zjUPbQBixKB6bYJEVA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q7Qk2sRdQR4wB5WUgRUjZA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e4ac77df609a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Юникс Философи]]></title>
            <link>https://medium.com/@minerva2991/%D1%8E%D0%BD%D0%B8%D0%BA%D1%81-%D1%84%D0%B8%D0%BB%D0%BE%D1%81%D0%BE%D1%84%D0%B8-5a1ce17c9c37?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/5a1ce17c9c37</guid>
            <category><![CDATA[unix-philosophy]]></category>
            <category><![CDATA[development]]></category>
            <category><![CDATA[programming]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Tue, 21 Apr 2020 20:31:11 GMT</pubDate>
            <atom:updated>2020-04-21T20:31:11.276Z</atom:updated>
            <content:encoded><![CDATA[<p><em>“Жижигхэн хэдий ч, хүчирхэг, цэвэрхэн интерфейс бүхий үйлдлийн системийг хэрхэн загварчлах вэ?”</em> гэсэн асуудлыг <a href="https://en.wikipedia.org/wiki/Ken_Thompson"><em>Кен Томпсен</em></a><em> </em>гэх этгээд анх бодож эхэлснээр “<a href="https://en.wikipedia.org/wiki/Unix_philosophy">Юникс Философи</a>” үүссэн гэж үздэг. Цаашлаад, компьютерын салбарынхан Томпсен-ий зохиосон загварыг хэрхэн үр ашигтай ашиглах аргууд нэмж суралцаж эхэлсэн ба ийнхүү Юникс Философи улам тэлж, өргөжсөн байна. Ийнхүү хөгжих явцдаа, өөр өөр эх сурвалжаас өөрт хэрэгтэй зарчмуудыг өөртөө нэмж, шингээн авчээ.</p><p>Юникс философи ямар нэгэн <a href="https://en.wikipedia.org/wiki/Formal_methods">формаль загварчлалын арга</a> <strong>БИШ </strong>юм. Эсвэл, онолын Компьютерын шинжлэх ухааны эрдэмтдийн судалгааны үр дүнд шинээр нээгдсэн, төгс төгөлдөр үйлдлийн систем зохиох арга ч <strong>БИШ</strong> юм. Энэхүү философи нь, аливаа нэгэн менежерийн бодоод олчихсон “инновацилаг, найдвартай ажиллагаатай програмыг богино хугацаанд, нохойн баас шиг цалинтай программистын багаар, ямар ч сэдэлжүүлэлт хийлгүй бичүүлж авах” шинэ төрлийн менежмент ч <strong>БИШ</strong> юм.</p><p>Юникс философи нь доороос дээшээ (bottom-up) чиглэлтэй процесс болон олон жилийн практик туршлагад суурилан тогтсон соёл, зарчмууд юм. Өөрөөр хэлбэл, Юникс философи гэсэн албан ёсны стандарт эсвэл арга зүй байхгүй бөгөөд Юникс орчинд ажиллаж буй экспертүүд өөр хоорондоо мэдлэгээ дамжуулах явцад үүссэн ажиллах соёл, зарчим юм. Энэхүү философийн хүрээнд ажиллах нь аливаа зүйлийн зохистой хэмжээг зөв мэдрэхийг шаардахаас гадна хийж байгаа арга зүйдээ эргэлзэх хандлагаар хандах зан төлөвийг суулгадаг юм. Ийм үр дүнд хүрэхдээ, хошин мэдрэмж бүхий үйлдлээр хийдэг. Энэхүү хошин мэдрэмж бүхий үйлдэл нь ихэвчлэн тухайн зүйлээ эвдэн сүйтгэх сэдлийг өөртөө агуулдаг.</p><p>Unix Pipe-н зохиогч бөгөөд Юникс уламжлалыг үүсгэгчдийн нэг болох <a href="https://en.wikipedia.org/wiki/Douglas_McIlroy">Дауглас Мклрой</a> хэлснээр Юникс философи нь:</p><ol><li>Програм бүрийг нэг л даалгаврыг сайн хийдэг болго. Шинэ асуудлыг шийдэхдээ, хуучин програм дээрээ шинэ функц нэмэхээс илүүтэйгээр шинэ програм зохио.</li><li>Програм бүрийн гаралтыг өөр програмын (магадгүй ямар гэдэг нь үл мэдэгдэх) оролт байна гэж бод. Их хэмжээний илүү мэдээлэл хэрэггүй. Олон багана бүхий оролтын формат эсвэл бинари (binary) оролтоос зайлсхий. Хэрэглэгчийн гараас өгөгдөл авах хэсгийг заавал интерактив (interactive) байлгах гэж зүтгэх хэрэггүй.</li><li>Програмыг түргэн хугацаанд туршиж үзэхээр загварчилж, програмчлах хэрэгтэй. Хамгийн ихдээ хэдэн долоо хоногийн дотор туршиж үзэх боломжтой демо програм гарсан байх хэрэгтэй. Болхи шийдэл бүхий кодоо хаяад дахин шинээр бичихдээ бүү эргэлз.</li><li>Програмын даалгаврыг хөнгөвчлөх зорилгоор ямар нэгэн хэрэглүүр (tool) ашиглаж бай. Хэдийгээр та тухайн хэрэглүүр (tool)-ийг бичихийн тулд цаг хугацаа алдах эрсдэлтэй эсвэл хэрэглэж дууссаныхаа дараа тухайн хэрэглүүрийнхээ зарим хэсгийг хэрэглэхгүй орхих магадлалтай байлаа ч гэсэн хэрэглүүр (tool) ашигла.</li></ol><p>Улмаар дээрх дөрвөн зарчмаа нэгтгэн дараах байдлаар дүгнэж хэлсэн байна.</p><blockquote><strong>Юникс Философи</strong>: Ганцхан зүйлийг сайн хийдэг програм бич. Програмуудыг өөр хоорондоо нийцтэй ажиллахаар бич. Програмаа текст урсгал хүлээн авдаг байхаар бич, яагаад гэвэл текст бол нэгдсэн интерфейс юм.</blockquote><p>Cи програмын хэлний мастер, мөн Go хэлний зохиогчдын нэг болох <a href="https://en.wikipedia.org/wiki/Rob_Pike">Роб Пайк</a>, Си програмын талаар дараах зүйлсийг хэлсэн (Юникс систем Си хэл дээр бичигдсэн).</p><blockquote><strong>Дүрэм 1.</strong> Програмын чинь аль хэсэг гүйцэтгэлийн хурдыг удаашруулж буйг чи урьдчилан хэлж мэдэхгүй. Програмыг удааж буй хэсэг таны төсөөлөөгүй хэсэгт (мөр кодуудад) байдаг. Тиймээс програмыг удааж буй хэсгийг баттай мэдтэлээ хурд нэмэх зорилготой өөрчлөлтийг таамгаар хийх хэрэггүй.</blockquote><blockquote><strong>Дүрэм 2.</strong> Хэмж. Хэмжилт хийлгүйгээр хурд нэмэх өөрчлөлт бүү хий. Хэмжилт хийсний дараа ч гэсэн, програмын гүйцэтгэлийн хурдад нөлөөлөөгүй мөр кодуудыг битгий оролд</blockquote><blockquote><strong>Дүрэм 3.</strong> Хэрвээ N-ийн хэмжээ бага бол алдартай алгоритмууд удаан байдаг. Ихэнх тохиолдолд N-ийн хэмжээ бага байдаг. Тиймээс N-ийн хэмжээ их байх нь баттай болтол алдартай, том алгоритмуудыг бүү ашигла. (Хэдийгээр N-ийн хэмжээ их байлаа ч гэсэн эхлээд Дүрэм 2-г тушр, дараа нь дүрэм 3-г хий)</blockquote><blockquote><strong>Дүрэм 4.</strong> Алдартай, том алгоритмууд энгийнээсээ шийдлээс илүү их цоорхойтой (bug)-тай байхаас магадлалыг нэмэхээс гадна хэрэгжүүлэхэд хэцүү байдаг. Тиймээс боломжтой бол энгийн алгоритм, энгийн өгөгдлийн бүтэц ашигла.</blockquote><blockquote><strong>Дүрэм 5.</strong> Дата ноёрхоно. Хэрвээ чи зөв өгөгдлийн бүтцээ сонгож, зөв зохион байгуулсан бол Алгоритм маш ойлгомжтой болдог. Алгоритм биш, өгөгдлийн бүтэц (data structures) нь програмын цөм юм.</blockquote><blockquote><strong>Дүрэм 6.</strong> Дүрэм 6 гэж байхгүй.</blockquote><p>Анхны Юниксийг загварчилж, зохиосон Кен Томпсен, Пайкын хэлсэн дүрмүүдийг Зэнгийн багшийн мэргэн үгээр хүч нэмэн ийнхүү хэлсэн.</p><blockquote>Хэрвээ эргэлзэж байгаа бол, боломжит бүх хувилбарыг туршиж үз. (When in doubt, use brute force)</blockquote><p>Юникс философийн дийлэнх хэсэг нь түүнийг зохиосон анхдагчдын хэлсэн үгээр бус, тэдний бүтээсэн зүйлс мөн Юниксийг хэрэглэх, хөгжүүлэх үед үүссэн жишиг стандартаас үүссэн юм. Эдгээрийг нэгтгээд харвал, бид дараах санаануудыг харах боломжтой.</p><ol><li><em>Модультой байх дүрэм</em>: Цэвэрхэн интерфейсээр холбогдсон энгийн хэсгүүдийг бич.</li><li><em>Ойлгомжтой, тодорхой байх дүрэм:</em> Ухаалаг байхаас илүү ойлгомжтой цэвэрхэн байх нь чухал.</li><li><em>Зохицон ажиллах дүрэм</em>: Өөр бусад програмуудтай нийцтэй ажиллах боломжтой програмыг зохио</li><li><em>Тусгаарлах дүрэм</em>: Дүрмийг механизмаас салгах; интерфейсийг програмын цөмөөс (engine) салгах хэрэгтэй.</li><li><em>Энгийн байх дүрэм</em>: Маш энгийн байхаар загварчил. Нарийн төвөгтэй хэсгийг зөвхөн <strong>зайлшгүй</strong> шаардлагатай үед л нэм.</li><li><em>Хямгач байх дүрэм (Том програм зохиохдоо нарийлах)</em>: Шийдэх асуудал нь зөвхөн том програм бичихгүй л бол шийдэх боломжгүй болох нь батлагдсан тохиолдолд том програм бич.</li><li><em>Ил тод байх дүрэм</em>: Програмыг шалгах, дебаг (debug) хийх үйлдлийг хялбар байхаар бодолцож програмыг зохио.</li><li><em>Тогтвортой байх дүрэм</em>: Ил тод байдал болон Энгийн ойлгомжтой байдлын дундаас үүссэн хүүхэд нь тогтвортой байдал юм.</li><li><em>Дүрслэх дүрэм</em>: Мэдлэгийг датад нэгтгэх хэрэгтэй. Ингэснээр програмын логик тэнэг, мөн бат бөх болно.</li><li><em>Сюрпризийг хамгийн байлгах дүрэм</em>: Интерфейс зохиохдоо, сюрприз хамгийн цөөн байхаар хий.</li><li><em>Чимээгүй байх дүрэм</em>: Програмд хэлэх сюрприз байхгүй л бол програм юу ч хэлэх шаардлагагүй.</li><li><em>Сэргээн засварлах дүрэм</em>: Програм эвдэрч, алдаа өгөх зайлшгүй шаардлагатай бол алдааг чимээ сүр ихтэй байдлаар алдаа гаргах боломжтой үе бүрд өг.</li><li><em>Эдийн засгийн дүрэм</em>: Программистын цаг үнэтэй; Тиймээс машин цагийг нэмж, программистын цагийг бууруул</li><li><em>Ерөнхийлөх дүрэм</em>: Гараар өөрчлөх үйлдлээс зайлсхий; Програм бичдэг програмыг бич (тэгэх боломжтой бол)</li><li><em>Оновчтой болгох дүрэм</em>: Зүлгэж эхлэхээсээ өмнө загварчилж үз. Сайжруулахаасаа өмнө зөв ажилладаг болго.</li><li><em>Олон талт байдлын дүрэм</em>: “Цор ганц зөв зам” гэж батлан хэлж байгаа бүхэнд эргэлз.</li><li><em>Өргөтгөх дүрэм</em>: Ирээдүйд зориулж загварчил, Учир нь ирээдүй чиний бодсоноос хурдан бодит байдал болсон байна.</li></ol><p>Хэрвээ чи Юникс системтэй танилцаад удаагүй бол, эдгээр зарчмуудыг бага зэрэг тунгаан бодоход илүүдэхгүй байх. Програм хангамжийн номуудад эдгээрийн дийлэнхийг нь зөвлөмж хэлбэрээр оруулсан байдаг. Гэвч ихэнх Үйлдлийн Системд эдгээр зарчмуудыг хэрэгжүүлэх зохистой багаж хэрэгсэл (tools), уламжлал байдаггүй. Тиймээс ихэнх програм хөгжүүлэгчид эдгээрийг авцалдаатай, нийцтэй байдлаар хэрэгжүүлж чаддаггүй юм. Тэд бүдүүлэг багаж, хэрэгслүүд, муу загварчлал, ачаалалтай ажиллах, хэт их код бичихийг энгийн үзэгдэл гэж хүлээн авдаг болчихсон байх ба улмаар Юниксийн фенүүд яагаад тэдний ажиллаж буй орчинд тэгтлээ бухимдаад байдгийг ойлгодоггүй.</p><p>Эх сурвалж: <a href="https://homepage.cs.uri.edu/~thenry/resources/unix_art/ch01s06.html">https://homepage.cs.uri.edu/~thenry/resources/unix_art/ch01s06.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5a1ce17c9c37" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Үндсэн бүрэлдэхүүн хэсгийн анализ — Principal Component Analysis-PCA]]></title>
            <link>https://medium.com/@minerva2991/%D2%AF%D0%BD%D0%B4%D1%81%D1%8D%D0%BD-%D0%B1%D2%AF%D1%80%D1%8D%D0%BB%D0%B4%D1%8D%D1%85%D2%AF%D2%AF%D0%BD-%D1%85%D1%8D%D1%81%D0%B3%D0%B8%D0%B9%D0%BD-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7-principal-component-analysis-pca-bc2116beec92?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/bc2116beec92</guid>
            <category><![CDATA[apc]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Sat, 05 Oct 2019 21:53:57 GMT</pubDate>
            <atom:updated>2019-10-05T21:53:57.084Z</atom:updated>
            <content:encoded><![CDATA[<h3>Үндсэн бүрэлдэхүүн хэсгийн анализ — Principal Component Analysis-PCA</h3><p><strong><em>Гарчиг</em></strong></p><ol><li><strong>Тодорхойлолт</strong></li><li><strong>Machine Learning-д РСА-г хэрхэн ашигладаг вэ?</strong></li><li>РСА-н түүх, түүний өөр салбарууд дахь нэршил</li><li>Олон хувьсагчтай өгөгдөл</li><li>PCA-н математик тодорхойлолт</li><li><strong>Scikit-Learn ашиглан PCA-г хэрэгжүүлэх нь</strong></li></ol><p><em>Хэрвээ та PCA-н зөвхөн хэрэглээг сонирхож буй бол гарчиг хэсэгт тод хараар бичсэн 1, 2 болон 6-р хэсгүүдийг түүвэрлэн уншихыг зөвлөж байна.</em></p><blockquote><strong><em>1.</em></strong> <strong><em>Тодорхойлолт:<br></em></strong>PCA буюу Principal Component Analysis гэдэг нь статистикт хэрэглэгддэг процедур арга юм. Энэхүү арга нь ажиглалтын утгууд (data science-д оролтын өгөгдөл, статистикт хараат бус хувьсагчууд)-ыг тэгш өнцөгт хувиргалтын арга (orthogonal transformation) ашиглан хоорондоо шугаман хамааралгүй, үндсэн бүрэлдэхүүн (principal components) хэсгүүдэд нь хувиргадаг.</blockquote><p><strong><em>(Optional) Тэгш өнцөгт хувиргалm Orthogonal transformation<br></em></strong>T: V --&gt; V хувиргалтыг дотоод үржвэрийн утга өөрчлөгдөхгүй байхаар хийдэг. Векторууд хэмжээ ба өнцөг нь дотоод үржвэрээс хамаардаг тул шинээр үүсгэсэн вектор нь өнцөг болон хэмжээгээ хадгална гэсэн үг.</p><p><strong><em>Тайлбар:<br></em></strong>Дээр дурдсан тодорхойлолтыг арай өөрөөр тайлбарлая. Бидэнд <em>Х</em> матриц байгаа бөгөөд энэхүү матриц нь <strong><em>дата матриц</em></strong> гэж үзье. Тэгвэл <strong><em>PCA</em></strong> нь Х матрицыг <em>Т</em> болон <em>Р’</em> гэсэн 2 жижиг матрицын үржвэрээр ойролцоолон тооцох үйлдлийг хийнэ.</p><p>Хэрвээ бид <em>Т</em> матрицын багана дахь утгуудын графикийг зурж харвал энэ нь бидэнд <em>Х</em> матрицад хадгалагдах объектууд (мөр эсвэл sample)-ийн бүтцийг харуулах бол, харин <em>P’</em> матрицын мөр дэхь утгуудын графикийг зурж харвал гүйцээвэр утга буюу <em>Х</em> матрицын хувьсагчуудын (features) бүтцийг бидэнд харуулна.<br><strong><em>Жишээ:</em></strong><em> <br></em>Бидэнд <strong><em>Iris dataset</em></strong> байгаа гэж төсөөлье. Энэ дата нь цэцгийн дэлбээний хэмжээнээс хамааран цэцгийн төрлийг харуулсан өгөгдөл юм.<br>Энэхүү өгөгдлийн датаг хэрэв бид X гэж нэрлэвэл.</p><pre>import pandas as pd<br>import numpy as np<br>from sklearn import datasets<br>from sklearn.decomposition import PCA<br>iris = datasets.load_iris()<br>iris_df = iris_df = pd.DataFrame(data=np.c_[iris[‘data’], iris[‘target’]], columns=iris[‘feature_names’] + [‘target’])<br>print(iris_df.shape)</pre><pre><strong>Output:</strong><br>(150, 5)</pre><p><em>X</em> матриц маань 150 объект (sample), 5 хувьсагчтай байна гэсэн үг. Энэхүү матрицыг утгыг <em>Т</em> болон <em>P’</em> матрицуудын үржвэр ойролцоогоор илэрхийлнэ. Хэрвээ бид <em>Т</em> матрицын багана дахь утгаар график зурж харвал, бид 150 объектын шинж чанар, бүтцийн график тайлбарыг харна. <em>Бидний авч үзсэн жишээн дээр 3 өөр төрлийн цэцэг байгаа талаар мэдээлэл өгнө.</em></p><p>Харин <em>Р’</em> -н мөр дэхь утгаар график зурвал энэхүү график маань хувьсагчийн бүтцийг харуулна. Бидний жишээний хувьд, навчны урт өргөн зэрэг зэрэг өгөгдлийн тайлбарыг харуулна гэсэн үг.</p><p>Олон хувьсагчтай өгөгдлийн мөрийн хамаарал, өгөгдлийн шинж чанарыг тайлбарлах, графикыг зурах боломж өгдөг учраас PCA-г нь олон хувьсагч бүхий анализын суурь болох тохиолдол олон байдаг.</p><p><strong><em>2.</em></strong> <strong><em>Machine Learning-д PCA-г хэрхэн ашигладаг вэ?<br>(Short)</em></strong></p><p><strong><em>PCA</em></strong> нь <strong><em>unsupervised learning</em></strong> төрөлд хамаарах маш түгээмэл хэрэглэгддэг алгоритмын нэг юм. Энэхүү алгоритмыг ихэвчлэн өгөгдлийн хэмжээсийг бууруулах (<em>dimensionality reduction</em>) болон олон хувьсагч бүхий дата графикийг (<em>3-аас дээш хэмжээс</em>) дүрслэх зэрэгт ашигладаг. Мөн PCA-г шуугиан ялгах (noise filtering), хувьсагч ялгаж авах (feature extraction), инженерчлэх (feature engineering) гээд олон зүйлд ашиглах боломжтой.</p><p><strong><em>3.</em></strong> <strong><em>PCA-ийн түүх, түүний өөр салбарууд дахь нэршил</em></strong></p><p>Пиерсон анх “3-н хэмжээст огторгуйн систем дэхь шулуун, хавтгайг олох анализ”-даа ашигласан байна. Түүний дараа, PCA-г Фишер болон МакКензи нарын судлаач хариу өгөгдөл (response data нь ямар нэгэн эх сурвалжаас хариу хэлүүлэх байдлаар авсан мэдээллүүд юм. Үндсэн шинж чанар нь хариулсан хүмүүс/агентаас шалтгаалан ялгаатай шинж чанар илэрхийлдэг)-г загварчлахад илүү тохиромжтой арга хэмээсэн байдаг. Улмаар тэд NIPALS алгоритмын ерөнхий шинж чанарыг тодорхойлсон бөгөөд сүүлд энэхүү алгоритмыг төгөлдөржүүлэх ажлыг Волд хийсэн байна. Харин, Хотелинг PCA-г цааш нь хөгжүүлж өнөөгийн түвшинд авч ирсэн. 1930-д оны үед сэтгэл зүйн шинжлэх ухаанд Хүчин зүйлийн анализ (Factor analysis) зохиогдсон ба энэхүү анализ нь PCA-тэй төстэй бөгөөд зарим тохиолдолд тэдгээрийг хольж солих тохиолдол байдаг.</p><p>РСА үүссэнээс хойш өөр өөр шинжлэх ухаанд түүнийг дахин нээн илрүүлж ашиглаж ирсэн ба ингэхдээ өөр өөр нэршлүүдийг мөн өгсөөр ирсэн байна. Жишээлбэл,</p><ul><li>Математик тооцолол (Алгебра)-д Singular Value Decomposition буюу SVD хэмээн нэрлэдэг. <strong><em>Бидний ихэвчлэн ашигладаг python Scikit learn library дахь PCA функц нь SVD үйлдлийг хийдэг</em></strong>.</li><li>Электроникийн инженерийн салбарт <strong>Кархюнен-ЛоКве-н өргөжилт (Karhunen-LoCve expansion)</strong> гэж нэрлэдэг.</li><li>Физик, одон орон судлал гэх мэт шинжлэх ухаанд <strong>Eigenvector анализ </strong>болон<strong> Characteristic vector анализ </strong>гэдэг.</li><li>Зураг анализ хийхэд Хотелийн хувиргалт (Hotelling Transformation) гэж нэрлэгддэг.</li><li>Корреспонденс анализ (Correspondence analysis) гэдэг мөн double scale бүхий PCA-н төрөл юм.</li><li>Химийн шинжлэх ухаанд, 1960-д оны үед PCA-г Хүчин зүйлийн анализ (Factor analysis) нэрээр Малиновски танилцуулсан. Түүнээс хойш гарсан олон судалгааны ажил болон аппликэшнд Factor analysis нэрээр ашиглагдаж байгаа.</li></ul><p>Дээрх нэршлүүд нь ялгаатай хэдий боловч хийж буй үйлдэл нь ижил юм.</p><p><strong><em>4. Олон хувьсагчтай өгөгдөл</em></strong></p><p>Олон хувьсагчтай өгөгдөл гэж ихэвчлэн гурваас олон багана бүхий дата матрицаар илэрхийлэгдсэн өгөгдлийг хэлнэ. Энэхүү өгөгдлийн мөр ажиглалтын утгууд (sample) бол баганад харгалзах утгууд нь хувьсагчууд (features) болж өгдөг. Ийм төрлийн өгөгдлийн графикийг зурах боломжгүй тул, бид ойлгомжтойгоор дүрсэлж харж чаддаггүй.</p><p><strong><em>Олон хувьсагчтай өгөгдөлд анализ хийх</em></strong></p><p>Бидэнд дата матриц байгаа гэж төсөөлье. Түүнийг <em>Х </em>-ээр тэмдэглэе. Х матрицад хийж болох анализ/үйлдлүүдийг дор зурагт үзүүлэв.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/939/1*OQA_AreVE-KNfvFFjNHo3w.png" /><figcaption>PCA-ийн хэрэглээ</figcaption></figure><p>Харин энэхүү анализын ард хийгдэж буй гол үйлдлийг дараах зургаар үзүүллээ.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*eqL84bdzK1g0mlWCBO-F1Q.png" /><figcaption>РСА анализ матриц үйлдэл (visualization). Энэхүү зурагт <em>Х матрицын эхний 2 principal component-г үзүүлсэн. Харин E матрицын хувьд энэ нь үлдэгдэл хэсэг юм. Өөрөөр хэлбэл E матриц нь PCA model-оор тайлбарлагддаггүй хэсэг нь гэсэн үг.</em></figcaption></figure><p>PCA нь <em>Т</em> болон <em>Р’</em> гэсэн 2 жижиг матрицын үржвэрийг ашиглан <em>Х</em> матрицыг ойролцоогоор тооцоолсон тэгшитгэлийг өгдөг гэдгийг өмнө нь дурдсан. Дээрх зурагт үүнийг дүрсэн үзүүлсэн байна.</p><p>Өмнө нь бид PCA-г ямар зорилгоор ашиглаж болох талаар зургаар тоймлон харсан. Харин одоо үүнийг бага зэрэг дэлгэрүүлэн ярьцгаая.</p><p>Хамгийн гол хэрэглээ нь өгөгдлийн хэмжээсийг бууруулах юм. Энэхүү аргыг ашиглан өгөгдлийг боловсруулахад хялбархан болгодог. Ямар ч дата матрицыг РСА ашиглан хялбарчлах, хэмжээсийг нь бууруулах боломжтой.</p><p>Түүнээс гадна хэрвээ бидний цуглуулсан дата маань ач холбогдол өндөртэй утгаас бүрдсэн байвал, РСА-г ашиглан ийм төрлийн дата үүсгэх системийг загварчлах боломжтой, улмаар тухайн системд таамаг дэвшүүлэх (prediction) хүртэл болно.</p><p>Хэрвээ матриц бүхий өгөгдөлд тогтмол утгууд холилдсон нийлбэр байдлаар хадгалагдаж байгаа бол РСА-г ашиглан эдгээр тогтмол утгуудыг ялгаж болно. Энэ салбарыг <strong><em>curve resolution</em></strong> гэж нэрлэдэг.</p><p>PCA нь хувьсагчуудын хоорондын корреляц хамаарлыг тооцоолдог. PC (Principal Components) model хэр чухал эсэх нь түүний үүсгэх матрицын хазайлтын (вариац) хэмжээгээр тодорхойлогддог. Өөрөөр хэлбэл, дата матрицаас хэрэггүй мэдээлэл (noise-г) ялган авч, улмаар зөвхөн ач холбогдол бүхий хувьсагчуудыг сонгон авах үйлдлийг хийх боломжтой гэсэн үг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_JLqt6mex8DTpL8eJ0LykA.png" /><figcaption>Дата матрицаас Noise-г ялгах</figcaption></figure><p>Харин дараах зурагт РСА-ийн проекцлох шинж чанарыг харууллаа. Энэхүү проекцыг зөв тайлбарласнаар, оролтод өгөгдсөн өгөгдлийн (дата матрицын) үндсэн шинж чанарыг илрүүлэх боломжтой.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O08-vs9zoVEE9WVd6IQCCQ.png" /></figure><p>X матрицыг <em>p’ </em>векторт проекцлох нь, Х матрицын багана бүрд харгалзах скаляр утга олгохтой ижил үйлдэл юм. Харин X матрицыг <em>t </em>векторт проекцлох нь, Х матрицын мөр бүрд харгалзах скаляр утга олгохтой ижил үйлдэл юм. Проекц хийгээд гаргаж авч буй утгууд нь үндсэн матрицын вариацад хамгийн бага нөлөөг үзүүлж байхаар сонгогддог. Ийм байдлаар хамгийн чухал шинж чанарыг хадгалж үлддэг гэсэн үг.</p><p><strong><em>5. PCA-н математик тодорхойлолт</em></strong></p><p>Өмнө нь хэлсэнчлэн, PCA нь unsupervised learning төрлийн алгоритм юм. Үүнийг математик талаас нь хэрхэн хийж байгааг дараах зургаан хэсэгт хуваан авч үзэж болно.</p><ul><li>Нийт<em> d+1</em> хэмжээс бүхий dataset-ээс эхэлнэ. Энэхүү dataset нь <em>d+1</em> багана бүхий матриц байна. Улмаар, label хэсгийн баганыг орхино. (Матрицаас ялгаж хасна. Жишээлбэл, өндөр, жин, нас гэсэн үл хамаарах хувьсагчаас хүний хүйсийг тодорхойлж байна гэж төсөөлбөл, хүний хүйс гэсэн хамаарах хувьсагч нь label болж хувирах бөгөөд хамгийн эхний алхамд label хэсгийг матрицаас ялгах юм). Үр дүнд нь <em>d</em> багана бүхий шинэ матриц үүснэ.</li><li>Багана бүрд харгалзах дундаж (mean) утгыг олох.</li><li>Матрицын багана бүр дэх хос утгад хамаарах ковариацыг (covariance) олох.</li><li>Шинээр үүссэн матрицынхаа eigenvector болон түүнд харгалзах eigenvalue-уудыг олох</li><li>Өмнөх алхмаас үүссэн eigenvalue-г буурах дарааллаар, түүнд харгалзах eigenvector-г энэхүү дарааллаар эрэмбэлнэ. Улмаар k тоог сонгон авч (<em>d, k) </em>хэмжээс бүхий матрицыг үүсгэх ба энэхүү матриц нь хамгийн их eigenvalue утгуудад харгалзах eigenvector-уудаас бүрдэнэ.</li><li>Энэхүү шинээр үүссэн (d, x) хэмжээс бүхий eigenvector-оос бүтсэн матрицыг ашиглан анхны өгөгдөл (dataset)-г шинэ дэд огторгуй руу хувиргах үйлдэл хийнэ.</li></ul><p>Одоо энэхүү үйлдлүүдээ тус тусад дэлгэрүүлэн, жишээтэй хамт авч үзье.</p><p><strong><em>5.1. d+1</em> хэмжээс бүхий дата (dataset)-г авч түүний label хэсгийг ялгах. Улмаар <em>d</em> хэмжээстэй дата (dataset) үүсгэх</strong></p><p>Тэгэхээр бидэнд d+1 хэмжээс бүхий өгөгдөл (dataset) байгаа гэж төсөөлье. Энэхүү өгөгдөл нь үл хамаарах хувьсагч буюу X_train мөн хамаарах хувьсагч буюу Y_train (labels) гэсэн 2 хэсгээс бүрдэнэ гэж үзье. X_train, Y_train гэх нэр томьёо нь машин сургалтад түгээмэл хэрэглэгддэг нэр томьёо юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/560/1*tiMfGU0h4S3CQj1NgZiiRg.png" /><figcaption>Data matrix</figcaption></figure><p>Дээрх зурагт үзүүлсэнчлэн бидэнд 3 багана бүхий X_train, харин 1 багана бүхий Y_train (label) өгөгдөл байна. Y_label хэсгийг эрэгтэй хүнийг 1 гэсэн бүхэл тоогоор, эмэгтэй хүнийг 0 гэсэн бүхэл тоогоор тус тус илэрхийлсэн. Эдгээр утгыг rand функц ашиглан үүсгэсэн бөгөөд үүн дээрээ РСА хийж, ямар үр дүн өгөхийг харцгаая.</p><pre>import numpy as np<br>dataset = np.zeros((5,4))<br>print(&quot;--- Empty matrix ---\n&quot;, dataset)<br>dataset = np.array([[178, 64, 53, 1], [164, 52, 35, 0], [160, 74, 49, 1], [195, 76, 27, 0], [168, 67, 40, 1]])<br>print(&quot;\n\n--- Dataset (5x4) ---\n&quot;, dataset)<br>X_train = dataset[:,:-1]<br>Y_train = dataset[:,-1]<br>print(&quot;\n\n--- X columns (5x3) ---\n&quot;, X_train)<br>print(&quot;\n\n--- Y column (label) ---\n&quot;, Y_train)</pre><pre><strong>Output: </strong><br>--- Empty matrix ---  <br>[[0. 0. 0. 0.]  <br>[0. 0. 0. 0.]  <br>[0. 0. 0. 0.]  <br>[0. 0. 0. 0.]  <br>[0. 0. 0. 0.]]</pre><pre>--- Dataset (5x4) ---  <br>[[178  64  53   1]  <br>[164  52  35   0]  <br>[160  74  49   1]  <br>[195  76  27   0]  <br>[168  67  40   1]]   </pre><pre>--- X columns (5x3) --- <br>&#39;undur&#39;  &#39;jin&#39; &#39;nas&#39;  <br>[[178     64    53]  <br>[164      52    35]  <br>[160      74    49]  <br>[195      76    27]  <br>[168      67    40]]</pre><pre>--- Y column (label) ---  <br>[1 0 1 0 1]</pre><p><strong><em>5.2. X_train матрицын багануудад харгалзах дундаж (mean) утгыг олох</em></strong></p><p>Ингээд дээр дурдсан X_train матрицын багана бүрийнх нь дундаж (mean) утгыг олцгооё.</p><pre>mean_vals = np.mean(X_train, axis=0)<br>print(mean_vals)</pre><pre><strong>Output:</strong><br>[173.   66.6  40.8]</pre><p><strong>5.3. <em>X_train матрицын ковариацыг (covariance) олох</em></strong></p><p>Бид хэрвээ Х, Ү гэсэн 2 хувьсагчийн ковариацыг тооцох шаардлагатай болбол дараах томьёогоор боддог.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/616/1*tWv0rLzfmKmymFJnffL6mQ.png" /><figcaption>Ковариац олох томьёо</figcaption></figure><p>X_train матрицын ковариацыг дээрх томьёог ашиглан олбол бид <em>(d, d)</em> хэмжээс бүхий матрицыг гарган авна. Энэ нь манай тохиолдолд (3,3) хэмжээс бүхий матриц үүснэ.</p><pre>cov = np.cov(X_train.T)<br>print(cov)</pre><pre><strong>Output:</strong><br>       <strong>    &#39;undur&#39;  &#39;jin&#39;   &#39;nas&#39;</strong><br><strong>&#39;undur&#39;</strong>: [[<strong>196.</strong>      56.75   -73.25]  <br><strong>&#39;jin&#39;</strong>  : [ 56.75     <strong>90.8</strong>    -4.1 ]  <br><strong>&#39;nas&#39;</strong>  : [-73.25     -4.1    <strong>110.2</strong> ]]</pre><p>Дээрх утгыг хэрхэн унших вэ?</p><ul><li>Диагональ хэсгээс харвал ‘Өндөр’-ийн үзүүлэлт хамгийн их вариац 196 гэсэн утгыг үзүүлсэн байна. Үүний дараа ‘Нас’ нь 110.2 бөгөөд хамгийн бага нь ‘Жин’ 90.8 гэсэн утгыг тус тус харуулжээ. Энэ нь Өндөр гэсэн үзүүлэлт нь вариац хамгийн өндөртэй (Хамгийн их ач холбогдолтой), үүний дараа Нас дунд зэргийн вариацтай, харин Жин нь хамгийн бага вариацтай (хамгийн бага ач холбогдолтой) байна гэсэн үг.</li><li>Өндөр болон Жин гэсэн үзүүлэлтүүдийн хоорондох ковариац нь эерэг утгатай байгаа нь өндөр болон жин нь нэг нэгээсээ хамааран эерэг хамааралтай өөрчлөгдөх хандлагатай байгааг илтгэж байна.</li><li>Харин Нас болон Өндөр нь сөрөг ковариацтай байгаа бөгөөд энэ нь нас нэмэгдэхэд өндөр буурдаг гэсэн утгыг буюу сөрөг хамааралтай өөрчлөгдөж буйг илэрхийлж байна. (Санамсаргүй байдлаар үүсгэсэн өгөгдөл гэхэд дажгүй үр дүнг өгч байна)</li></ul><p><strong><em>5.4. Eigenvector болон түүнд харгалзах Eigenvalue-уудыг бодох</em></strong></p><blockquote>Матриц дээр шугаман хувиргалт хийхэд чиглэлээ өөрчилдөггүй векторыг <strong>Eigenvector</strong> гэж нэрлэдэг.</blockquote><p>Бид одоо ковариац матрицаасаа eigenvalue болон eigenvector-уудыг бодож гаргая.</p><p><strong>Eigenvalue болон Eigenvector:</strong></p><p>Бидэнд дараах зүйлс байгаа гэж төсөөлье.</p><ul><li><strong><em>A</em></strong> — квадрат матриц,</li><li><strong><em>ν</em></strong> — вектор,</li><li><strong><em>λ </em></strong>— скаляр утга тус тус байгаа бөгөөд хэрвээ <strong><em>ν вектор</em></strong><em> болон</em><strong><em> λ скаляр</em></strong><em> </em>утга нь<em> </em><strong><em>Aν = λν </em></strong>гэсэн нөхцөлийг хангаж байвал<strong><em> ν вектор</em>-</strong>ыг <strong><em>А матрицын</em></strong> <strong><em>eigenvector, </em></strong>түүнд харгалзах <strong><em>λ-</em></strong>г тухайн<strong><em> eigenvector</em></strong>-т харгалзах<strong><em> eigenvalue</em></strong><em> </em>гэж тус тус нэрлэдэг.</li></ul><p>Өөрөөр хэлбэл, хэрвээ бид А матриц дээр characteristic equation бодвол гарсан хариу нь eigenvalue-утгууд байх юм.</p><p><strong><em>det(A — λ*I) = 0</em></strong></p><p>За тэгэхээр өмнөх алхам дээр олсон ковариац матриц дээрээ <em>det(A — λ*I)</em>-г бодож ольё. Энд дурдагдаж буй <em>I -</em>нь identity матриц юм</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/664/1*yVkx7HwCT-JFx6IA7GnHKA.png" /></figure><p>Хэрвээ бид энэхүү матрицыг эмхэтгэх үйлдэл хийвэл бидэнд дараах матриц үүснэ.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/664/1*TiFclXmYvhajTctlNrRgvw.png" /></figure><p>Энэхүү үүссэн матрицаасаа бид детерминантыг нь олохын тулд дараах тэгшитгэлийг бодох хэрэгтэй болно.</p><p>Хэрвээ мартсан байвал бид детерминантыг дараах аргаар олдог.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*V2GdSG3XQ4tiyUNkVoUYnw.png" /><figcaption>2x2 хэмжээстэй матрицын детерминант олох</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TDOIsiB7qm5K0IgncaLNjQ.png" /><figcaption>3x3 хэмжээстэй матрицын детерминант олох</figcaption></figure><p>Дээрх аргын дагуу детерминантыг олбол, бид дараах тэгшитгэлтэй үлдэнэ.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*lD7m1kWXKg4dWp6Ax359Gw.png" /></figure><p>Харин энэхүү тэгшитгэлийг бодоод <strong><em>λ — </em></strong>н утгыг олбол,</p><p><strong><em>λ = 47.55046807; λ = 95.06293288; λ =254.38659906; </em></strong>гэсэн eigenvalue тус тус олдоно.</p><pre>from numpy import linalg as LA<br>w, v = LA.eig(cov)<br>print(str(w[0]) + &quot;: &quot; + str(v[:,0]))<br>print(str(w[1]) + &quot;: &quot; + str(v[:,1]))<br>print(str(w[2]) + &quot;: &quot; + str(v[:,2]))</pre><pre><strong>Output: </strong><br>254.38659905609103: [ 0.84572302  0.30437589 -0.43830115] 47.55046806568426: [ 0.52345731 -0.63276223  0.57061756] 95.06293287822447: [0.10365819 0.71201634 0.69446937]</pre><p>Дээрх кодоос бид eigenvalue болон түүнд харгалзах eigenvector-уудыг харж байна.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/1*84QzeqKqIAYCe_Ay4Q_7kw.png" /><figcaption>Eigenvector-ууд</figcaption></figure><p><strong>5.5. Eigenvalue-г буурах дарааллаар, түүнд харгалзах Eigenvector-уудыг эрэмбэлэх, цаашлаад хамгийн их eigenvalue-ууд хамаарах eigenvector-уудыг сонгон авч <em>(d, k)</em> хэмжээс бүхий <em>W</em> матриц үүсгэх</strong></p><p>Бидний анхны зорилго маань оролтын матрицын хэмжээсийг бууруулах буюу оролтын матрицын проекцыг PCA ашиглан жижиг дэд огторгуй руу буулгах байсан. Энэхүү дэд огторгуйн тэнхлэгүүд нь бидний олсон eigenvector-ууд байх юм. Гэхдээ eigenvector-ууд нь зөвхөн чиглэлийг хадгалдаг бөгөөд бүгд ижилхэн нэгж урттай байна.</p><p>Тиймээс бид цөөн хэмжээстэй огторгуйд проекц хийхдээ аль eigenvector-ыг хэрэглэх, алийг нь орхих вэ гэдгээ сонгохын тулд eigenvector болоод eigenvalue утгуудыг харах хэрэгтэй. Энгийнээр хэлбэл, бага утга бүхий eigenvector-т харгалзах eigenvector-ууд нь оролтын өгөгдлийн тархалтын талаар хамгийн бага мэдээллийг өөртөө агуулдаг учраас бид эдгээр бага утга бүхий eigenvalue-д харгалзах утгуудыг орхих юм.</p><p>Энэ зорилгод хүрэхийн тулд бид eigenvalue-н буурах дарааллаар эрэмбэлж тэдгээрт харгалзах векторуудыг жагсаавал, дараах векторууд үүснэ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/1*FSgFZkcVpLMbXejPYndMgQ.png" /><figcaption>Eigenvalue нь буурах дарааллаар эрэмбэлж үүсгэсэн eigenvector-ууд</figcaption></figure><p>Ингээд бид хэдэн хэмжээс бүхий огторгуй руу буулгахыг хүсч буйгаасаа хамааруулан эхний <strong><em>k</em></strong> ширхэг eigenvector-уудыг сонгон авна.</p><p>Хэрвээ бид 3 хэмжээс бүхий өгөгдлийг 2 хэмжээс рүү проекц хийж хэмжээсийг бууруулах гэж байгаа гэж үзвэл, бид хамгийн их eigenvalue утгуудад харгалзах эхний 2 eigenvector-уудыг нэгтгэн дараах <strong><em>W</em></strong> матрицыг үүсгэнэ.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/1*hNAdKlBqVqa4C6yK0fSC-g.png" /><figcaption>W матриц үүсгэсэн байдал</figcaption></figure><p>Өөрөөр хэлбэл дээрх эрэмбэлсэн eigenvector-уудаас эхний утгуудыг авч шинэ матриц үүсгэж байна гэсэн үг.</p><p><strong>5.6. Оролтын утгыг шинэ дэд огторгуй руу шилжүүлэх (проекцлох)</strong></p><p>Эцэст нь бид өмнөх алхамд үүсгэсэн <strong><em>W</em></strong> матрицыг ашиглан өөрсдийн өгөгдлийг шинэ дэд огторгуй руу хөрвүүлнэ. Ингэхдээ <strong><em>y = W’ * x</em></strong> тэгшитгэлийг ашиглана. Энд <strong><em>W’</em></strong> нь <strong><em>W</em></strong> матрицын transpose хөрвүүлэлт хийсэн үр дүн юм.</p><pre>print(&quot;--- Old dataset: ---\n&quot;, X_train)<br>new_dataset = np.matmul(X_train, w_arranged)<br>print(&quot;\n\n--- New dataset ---\n&quot;, new_dataset)</pre><pre><strong>Output: </strong><br>--- Old dataset: ---  <br>[[178  64  53]  <br>[164  52  35]  <br>[160  74  49]  <br>[195  76  27]  <br>[168  67  40]]   </pre><pre>--- New dataset ---  <br>[[193.24871547 100.82708019]  <br>[169.86666181  78.33122079]  <br>[179.31625541 103.30351869]  <br>[199.88268759  93.07726188]  <br>[180.00669799  92.8984455 ]]</pre><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9a5757632c23dd9a1a9102dd28263b84/href">https://medium.com/media/9a5757632c23dd9a1a9102dd28263b84/href</a></iframe><p><strong>6. Scikit-Learn ашиглан PCA-г хэрэгжүүлэх нь</strong></p><p><strong><em>6.1. Principal Component-уудыг олох, түүнийг анхны утгатай харьцуулан харах.</em></strong></p><pre>import numpy as np<br>import matplotlib.pyplot as plt<br>import seaborn as sns; sns.set()</pre><pre>rng = np.random.RandomState(3) <br>X = np.dot(rng.rand(2, 2), rng.randn(2, 200)).T <br>print(X.shape) <br>print(X[:10,:]) <br>plt.scatter(X[:, 0], X[:, 1]) <br>plt.axis(&#39;equal&#39;); <br><strong>Output: </strong><br>(200, 2) <br>[[ 0.39175616  0.31211509]  <br>[ 0.77210139  0.59471349]  <br>[ 0.76685923  0.56198464]  <br>[-0.42340919 -0.23870556]  <br>[ 0.25080373  0.18558212]  <br>[-0.53699396 -0.33658024]  <br>[-1.13951274 -0.68217783]  <br>[ 1.84039603  1.23344395]  <br>[ 0.15978908  0.02147749]  <br>[ 2.3513659   1.51424673]]</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KeyBRpqsjcdON14GLy9VDg.png" /><figcaption>Санамсаргүй тоо үүсгэх зарчмаар үүсгэсэн өгөгдлийн scatter график</figcaption></figure><p>X[0] өсөхөд X[1] мөн өсөж байгаа учраас энэ графикаас бид энэхүү 2 хувьсагч маань хоорондоо шугаман хамааралтай болохыг харж байна. Энэхүү 2 хувьсагчийн хоорондын хамаарлыг PCA ашиглан олцгооё.</p><p>РСА нь шугаман хувиргалтыг хийж шинээр үүсэх тэнхлэгүүдийг (axes) олно. Ингээд Scikit-Learn ашиглан PCA-г тооцож үзэцгээе.</p><pre>from sklearn.decomposition import PCA<br>pca = PCA(n_components=2)<br>pca.fit(X)<br>print(&quot;\n--- PCA output ---&quot;)<br>print(pca)<br>print(&quot;\n--- PCA components ---&quot;)<br>print(pca.components_)<br>print(&quot;\n--- PCA explained Variance ---&quot;)<br>print(pca.explained_variance_)<br><strong>Output</strong>: </pre><pre>--- PCA output --- <br>PCA(copy=True, iterated_power=&#39;auto&#39;, n_components=2, random_state=None,     svd_solver=&#39;auto&#39;, tol=0.0, whiten=False)  </pre><pre>--- PCA components --- <br>[[-0.94446029 -0.32862557]  <br>[-0.32862557  0.94446029]]  </pre><pre>--- PCA explained Variance --- <br>[0.7625315 0.0184779]</pre><p><em>PCA(n_components=2)</em> гэсэн функцээр PCA-г зарлаж өгөх ба улмаар <em>pca.fit функц нь </em>principal components буюу бүрэлдэхүүн хэсгүүд ба explained variance буюу тухайн бүрэлдэхүүн хэсэг нь анхны өгөгдлийн хазайлтын хэр их хэсгийг тайлбарлаж буйг илэрхийлсэн утгуудыг суралцах үйлдлийг хийнэ.</p><p>PCA component болон explained Variance-г дараах графикт хэрхэн дүрсэлснийг харцгаая. Ингэхдээ дор үзүүлсэн функцийг ашиглан векторыг зурав.</p><pre>def draw_vector(v0, v1, ax=None):<br>    ax = ax or plt.gca()<br>    arrowprops=dict(arrowstyle=&#39;-&gt;&#39;,<br>                linewidth=2,<br>                color=&quot;0&quot;,<br>                shrinkA=0, <br>                shrinkB=0)<br>    ax.annotate(&#39;&#39;, v1, v0, arrowprops=arrowprops)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9GVv37gAasXnKUtPB8iyLQ.png" /><figcaption>Principal Components and explained variances as vector</figcaption></figure><p>Дээрх зурагт 2 вектор дүрслэгдсэн байгааг анзаарч байгаа байх эдгээр вектор нь components хэсгээс гарч ирсэн утгууд бөгөөд эдгээр component-ууд нь векторын чиглэлийг заадаг. Харин explained variance нь векторын уртыг тодорхойлно.</p><p>Өөрөөр хэлбэл, дээрх векторууд нь шинээр үүссэн чухал бүрэлдэхүүн хэсгүүдийг илтгэх тэнхлэг болдог бол, энэхүү векторын урт нь тухайн бүрэлдэхүүн хэсэг нь хэр их ач холбогдолтой эсэхийг нь илэрхийлдэг. Энэхүү векторын урт нь РСА хөрвүүлэлт хийсний дараах утга нь анхны өгөгдлийн вариацын хэр их хэсгийг тайлбарлаж байгааг харуулна. Өмнөх математик загвараас харж байсан бидний Eigenvector-ууд болон тэдгээрт харгалзах eigenvalue-тай харьцуулж бодвол, эдгээр векторууд нь eigenvector харин уртыг нь илэрхийлэх explained variance нь eigenvalue-г нь илтгэнэ гэсэн үг.</p><p>Анхны өгөгдөл болон PCA хийсний дараах өгөгдлийн scatter графикыг харьцуулан дараах зурагт үзүүллээ.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jrAoNZWk5VfV5M5pdQzvJQ.png" /><figcaption>Зүүн. Анхны өгөгдлийн scatter, Баруун. PCA хийсний дараах componentуудын утгууд.</figcaption></figure><p>Дээрх зургаас PCA хийсний дараа үүссэн бүрэлдэхүүн хэсгүүд нь шугаман хамааралгүй байгааг харж болно.</p><p><strong>6.2. PCA ашиглан өгөгдлийн хэмжээсийг бууруулах (Dimension Reduction)</strong></p><p>PCA хэмжээс бууруулах үйлдэл гэж хамгийн бага ач холбогдол бүхий Principal Component-ыг нь хасах замаар анхны өгөгдлийн хэмжээсийг цөөн тэнхлэг рүү проекцлох үйлдлийг ойлгоно. Ингэхдээ, анхны өгөгдлийг вариацыг хадгалахыг гол шалгуур үзүүлэлтээ болгодог (explained variance or eigenvalues)</p><pre>rng = np.random.RandomState(3) # random number generation with seed being = 3<br>X = np.dot(rng.rand(2, 2), rng.randn(2, 200)).T # Generating data<br>pca = PCA(n_components=1)<br>pca.fit(X)<br>X_pca = pca.transform(X)<br>print(&quot;Анхны хэмжээс:   &quot;, X.shape)<br>print(&quot;Хувиргасан хэмжээс:&quot;, X_pca.shape)<br><strong>Output: </strong><br>Анхны хэмжээс:    (200, 2) <br>Хувиргасан хэмжээс: (200, 1)</pre><p>Дээрх код нь 2 хэмжээс бүхий өгөгдлийг нэг хэмжээс бүхий өгөгдөл болгон хувиргаж байна.</p><p>Харин одоо нэг хэмжээс бүхий өгөгдлөөсөө анхны өгөгдлөө буцаан хувиргаж үзэцгээе.</p><pre>X_new = pca.inverse_transform(X_pca)<br>plt.scatter(X[:, 0], X[:, 1], alpha=0.2)<br>plt.scatter(X_new[:, 0], X_new[:, 1], alpha=0.8)<br>plt.axis(&#39;equal&#39;);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vmFJMH0dfG_cKWnMC2eBgQ.png" /><figcaption>PCA-с анхны өгөгдлийг гаргаж авсан байдал</figcaption></figure><p>Бүдэг цэнхрээр дүрслэгдсэн өгөгдөл нь сэргээж авсан анхны өгөгдөл, харин улбар шар нь хувиргаж гаргаж авсан бага хэмжээс бүхий утга маань юм. Эндээс PCA юу хийж байгаа нь тодорхой харагдаж байгаа байх. РСА нь ач холбогдол багатай, анхны өгөгдлийн вариацад хамгийн бага нөлөө бүхий тэнхлэгийг хасах үйлдлийг хийж, улмаар цөөн хэмжээс бүхий өгөгдлийг үүсгэдэг гэсэн үг.</p><p>Энэхүү бага хэмжээс дээр дүрслэгдсэн өгөгдөл хамгийн чухал ач холбогдол бүхий мэдээллээ агуулж байгаа учраас, ихэнх тохиолдолд, machine learning алгоритм ажиллуулах чанарын шаардлага хангадаг учраас data science-н application-ууд PCA-г түгээмэл ашигладаг. Өөрөөр хэлбэл, бид PCA хувиргалт хийсний дараа, анхны өгөгдлийн хамгийн чухал шинж чанарыг хадгалсан, гэхдээ багахан хэмжээний мэдээлэл нь алдагдсан, анхны өгөгдлөөс цөөн хэмжээс бүхий шинэ мэдээлэлтэй үлдэж байна гэсэн үг. Мэдээж энэхүү хэмжээс бууруулах үйлдэл нь 2 хэмжээс бүхий өгөгдөл дээр тийм ч том өөрчлөлт гаргахгүй хэдий ч томоохон хэмжээний өгөгдөл дээр бидэнд маш хэрэгтэй байдаг. Жишээлбэл, миний ажиллаж буй 1 даалгавар дээр, 128x128 харьцаа бүхий зургийг 1x16 хэмжээс болгон бууруулах үйлдэл хийж туршиж байсан бөгөөд энэ тохиолдолд бидний оролтын өгөгдлийн асар бага хэмжээтэй болгож өгч байна.</p><p><strong>6.3. PCA ашиглан өгөгдлийг график хэлбэрээр харах (Data visualization):</strong></p><p>Энд бид <strong><em>sklearn (scikit-learn)</em></strong>сангаас гараар бичсэн тоон өгөгдлийг ашиглах бөгөөд эдгээр зураг нь 8х8 хэмжээс бүхий зургууд юм.</p><pre>from sklearn.datasets import load_digits<br>from sklearn.decomposition import PCA<br>digits = load_digits()<br>digits.data.shape<br><strong>Output: </strong><br>(1797, 64)</pre><p>Дээрх кодын гаралтаас бид энэхүү зураг нь 64 хэмжээс бүхий өгөгдөл (8х8) болохыг харж байна.</p><p>Одоо энэхүү өгөгдлийг зураг хэлбэрээр хэвлэж үзээд дараа нь 64 хэмжээснээс 2 хэмжээст өгөгдөл болгон хэмжээсийг буулгаж улмаар графикийг нь зурж үзэцгээе.</p><pre>first_instance = digits[&#39;data&#39;][0,:].reshape(8,8)<br>first_instance.shape<br>print(type(first_instance))<br>plt.imshow(first_instance, cmap=&quot;gray&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/580/1*yAQgMwl2qM8Hxt-yj9YPPw.png" /><figcaption>Хамгийн эхний гараар бичсэн тоон өгөгдөл</figcaption></figure><pre>pca = PCA(2)  # project from 64 to 2 dimensions<br>projected = pca.fit_transform(digits.data)<br>print(digits.data.shape)<br>print(projected.shape)<br><strong>Output: <br></strong>(1797, 2)</pre><p>Дээрх код нь 64 хэмжээс бүхий анхны өгөгдлийг 2 хэмжээс болгон хувиргаж буйг үзүүлж байна. Өөрөөр хэлбэл анх байсан 64 хэмжээс бүхий өгөгдлийг бид 2 хэмжээс хүртэл бууруулсан гэсэн үг. Одоо тэгвэл энэхүү 2 хэмжээст өгөгдөл маань бидний гараар бичсэн тоон өгөгдлийг харуулж чадаж байгаа эсэхийг харцгаая.</p><pre>plt.scatter(projected[:, 0], <br>            projected[:, 1],<br>            c=digits.target, <br>            edgecolor=&#39;none&#39;,  <br>            alpha=0.5,<br>            cmap=plt.cm.get_cmap(&#39;Spectral&#39;, 10))<br>plt.xlabel(&#39;component 1&#39;)<br>plt.ylabel(&#39;component 2&#39;)<br>plt.colorbar();</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*n-P91O_jvrkPYErw_ISUwg.png" /><figcaption>64 хэмжээст өгөгдлийн PCA(n_components=2) байдлаар хэмжээсийг бууруулсан график</figcaption></figure><p><strong>6.3. PCA component-н тоог хэрхэн сонгох вэ?</strong></p><p>Тэгэхээр одоо танд өгөгдлийн хэмжээсийг хэд хүртэл нь бууруулж болдог бол гэсэн асуулт гарч ирж байгаа байх. Энэ асуултад хариулахын тулд бид нийт component-уудын тоо болон нийт хуримтлагдсан explained variance-н харьцааг харах шаардлагатай болно.</p><p>Ингээд дээрх тоон өгөгдөлд харгалзах component-ууд болон түүний хуримтлагдсан explained variance-г харцгаая.</p><pre>pca = PCA().fit(digits.data)<br>plt.plot(np.cumsum(pca.explained_variance_ratio_))<br>plt.xlabel(&#39;component-н тоо&#39;)<br>plt.ylabel(&#39;Хуримтлагдсан explained variance&#39;);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V0V0u4jm26aIgHHEP_f-4Q.png" /><figcaption>Component-н тоо болон Хуримтлагдсан explained variance -н харьцаа</figcaption></figure><p>Дээрх графикаас эхний хэдэн component /хувьсагч/ нь хэр их хэмжээний вариацыг агуулж байгааг харж болно. Жишээлбэл, хэрвээ бид анхны өгөгдлийн 80 хувийн вариацыг хадгалахыг хүсвэл бидэнд ойролцоогоор ~13 орчим component хэрэгтэй байгаа нь харагдаж байна. (Хуримтлагдсан explained variance нь 0.8-д харгалзах component-ын тоо). Хэрэв ойролцоогоор 100 орчим хувь вариацыг хадгалах бол бид эхний 50 component-г авахад мэдээллийг алдагдал бараг байхгүйгээр хэмжээсийг нь бууруулж чадахаар байна.</p><p>Энэхүү графикийг харснаар зөвхөн хэрэгтэй component-уудын тоог ялгаж аваад зогсохгүй, бидний өгөгдөлд хэр их хэмжээний noise /шуугиан/ буюу хадгалах шаардлагагүй мэдээлэл байгааг ч мөн харах боломжтой юм.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d32f5e2d540888834db6c8fb49484fb4/href">https://medium.com/media/d32f5e2d540888834db6c8fb49484fb4/href</a></iframe><p><strong><em>Ашигласан материалууд (Credits for those authors)</em></strong></p><ol><li><a href="https://towardsdatascience.com/the-mathematics-behind-principal-component-analysis-fff2d7f4b643">https://towardsdatascience.com/the-mathematics-behind-principal-component-analysis-fff2d7f4b643</a></li><li><a href="http://pzs.dstu.dp.ua/DataMining/pca/bibl/Principal%20components%20analysis.pdf">http://pzs.dstu.dp.ua/DataMining/pca/bibl/Principal%20components%20analysis.pdf</a></li><li><a href="https://jakevdp.github.io/PythonDataScienceHandbook/05.09-principal-component-analysis.html">https://jakevdp.github.io/PythonDataScienceHandbook/05.09-principal-component-analysis.html</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bc2116beec92" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python програмчлалын хэлийг Machine Learning-д яагаад ашигладаг вэ?]]></title>
            <link>https://medium.com/@minerva2991/python-%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D1%87%D0%BB%D0%B0%D0%BB%D1%8B%D0%BD-%D1%85%D1%8D%D0%BB%D0%B8%D0%B9%D0%B3-machine-learning-%D0%B4-%D1%8F%D0%B0%D0%B3%D0%B0%D0%B0%D0%B4-%D0%B0%D1%88%D0%B8%D0%B3%D0%BB%D0%B0%D0%B4%D0%B0%D0%B3-%D0%B2%D1%8D-8ede1a79c0d0?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/8ede1a79c0d0</guid>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Sat, 14 Sep 2019 21:48:27 GMT</pubDate>
            <atom:updated>2019-09-14T21:48:27.867Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Яагаад хүн бүр python -г ашиглаад байна вэ?</strong></h3><p>Маш энгийнээр хэлэхэд python нь data scientist/data analyst мэргэжилтэй хүмүүсийн хэрэгцээг хамгийн хялбараар, хямд өртгөөр (мөнгөний болоод цаг хугацааны) мөн хурднаар шийдэж байгаа юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iTdAcCbn7d6XyFYxjnPW8w.png" /><figcaption>Дата мэргэжилтэн юу хийдэг вэ?</figcaption></figure><p>Харин нөгөө талд нь Python нь ерөнхий зориулалтын програмчлалын хэл юм. Түүнээс гадна python нь дараах давуу талуудтай юм.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p7BxZ7DJ-I_9OcTgqiE_9A.png" /><figcaption>Python properties</figcaption></figure><p>Дээрх зургаас мэдээллээс харахад python нь дата судлаач/аналистын хэрэгцээг хангах маш олон сангууд (libraries)-тай, маш олон хүн ашигладаг идэвхтэй коммунити(community)-тай. Түүнээс гадна сүүлийн үед гарч ирж буй сангууд нь GPU optimization буюу өгөгдлийг унших, боловсруулах, machine learning алгоритмыг сургах үйлдэлдээ GPU ашиглан параллель тооцоолол хийх боломж олгож байна. Эдгээр шалтгаанаас үүдэн python нь data science-д ашиглагддаг хамгийн түгээмэл програмчлалын хэл болоод байна.</p><h3><strong>Хэрхэн python-г machine learning -д ашиглах вэ?</strong></h3><p>Хэрвээ боломжтой бол GPU optimization ашиглах хэрэгтэй. Яагаад гэвэл GPU optimization ашиглах нь энгийн CPU ашигласнаас хэдэн арав дахин хурдан байдаг. Үүний шалтгаан нь их machine learning алгоритмууд нь маш олон матриц дээр шугаман үржүүлэх үйлдэл хийдэг. Үүнийг GPU нь параллель програмчлал ашиглан маш зөвхөн 1 CPU clock ашиглан хийдэг бол харин CPU элемент бүрийг нь үржүүлэхийн тулд маш олон давталт ажиллуулах шаардлагатай байдаг. Маш энгийнээр дүгнэвэл GPU нь матрицын үржих үйлдлийг CPU-ээс маш хурдан хийдэг бөгөөд machine learning алгоритмууд нь маш олон матрицын үржих үйлдэл хийдэг тиймээс GPU-г ашиглан machine learning алгоритмаа сургавал маш хурдан гүйцэтгэдэг гэсэн үг.</p><p>Өөр олон төрлийн IDE эсвэл text editor ашиглан machine learning алгоритм бичих сургах боломжтой боловч хүмүүс маш түгээмэл ашигладаг гэдгийг нь бодолцон үзэж зөвхөн jupyter notebook-г хэрхэн ашиглах талаар авч үзье.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SvcuHf2J-l9nM8O3iB-O-g.png" /><figcaption>Jupyter Notebook ашиглах шийдлүүд</figcaption></figure><h3><strong><em>Анаконда (Anaconda)</em></strong></h3><p>Anaconda нь Python/R програмчлалын хэл ашиглан Windows, Linux, Mac үйлдлийн систем дээр data Science -н алгоритмыг хөгжүүлэх, турших боломж олгодог нээлттэй эх (open-source)-д суурилсан багц шийдэл юм. Үүнийг суулгаснаар Conda гэх орчин ашиглан library-г удирдах боломжтой болох ба түүнээс гадна machine learning-д шаардлагатай түгээмэл сангууд цаанаасаа суучихсан ирдэг. Тиймээс өөрийн компьютер дээр туршилт хийж үзэх гэж байгаа хүмүүс ямар үйлдлийн систем ашиглаж байгаагаасаа үл хамаараад татаж аван суулгах, турших боломжтой юм. Anaconda-г ашигласнаар хэрвээ таны компьютер GPU байхгүй бол эсвэл бага хүчин чадал бүхий GPU-тэй бол machine learning алгоритмын сургах процесс удаан байх магадлалтай.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F5mDYijMfSzs%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D5mDYijMfSzs&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F5mDYijMfSzs%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/d9ede49e1612433bf721056541a52658/href">https://medium.com/media/d9ede49e1612433bf721056541a52658/href</a></iframe><p>Дээр оруулсан видеоноос anaconda-г хэрхэн суулгах, системд ачаалах мөн ашиглаж эхлэх талаар үзнэ үү. Windows болон Mac үйлдлийн систем дээр инсталл файлыг татаж аваад визардыг ажиллуулахад л инсталл амжилттай болох учраас нэмэлт тайлбар илүүц биз. Хэрвээ та linux ашиглаж байгаа бол надаар хэлүүлэлтгүй хэрхэн install хийхээ мэднэ гэж найдаж байна.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3G9LOktypxvSbBwfBHit1A.gif" /><figcaption>Mac үйлдлийн систем дээрээс jupyter-notebook ачаалах</figcaption></figure><h3><strong>Google Colab</strong></h3><p>Google Colab-ыг ашиглахын тулд танд google имэйл хаяг хэрэгтэй болно. Хэрвээ та google имэйл хаягтай бол <a href="https://colab.research.google.com/">https://colab.research.google.com</a> хаягаар хандаж google colab -руу хандах боломжтой. Ингэснээр бид jupyter notebook-д хандах боломжтой болох ба улмаар энэхүү платформ дээр python код хөгжүүлэх, GPU optimization ашиглах боломжтой болно. Энэ шийдэл нь хамгийн хялбар бөгөөд хүчин чадал сайтай шийдэл учраас цаашдын код хөгжүүлэлтэд google colab ашиглаж явах болно. Түүнээс гадна та өөрийн хүссэн санг энэ платформ дээр суулгаж ажиллуулах боломжтой. Ингэхдээ jupyter notebook дээрээсээ linux command line tool-үүдийг ашиглах командыг өгч ажиллуулах шаардлагатай.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FinN8seMm7UI%3Fstart%3D61%26feature%3Doembed%26start%3D61&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DinN8seMm7UI&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FinN8seMm7UI%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/ab220f3cb05976ccd31a5bf8e12c217f/href">https://medium.com/media/ab220f3cb05976ccd31a5bf8e12c217f/href</a></iframe><p>Таны бичсэн код тань google drive хавтаст чинь хадгалагдах болно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/835/1*q5qGtRCPmjbeuh7XdpWrdg.gif" /><figcaption>Colab create New jupyter Notebook</figcaption></figure><h3><strong>Amazon SageMaker</strong></h3><p>SageMake нь AWS-н багцад хамаарах клауд machine-learning платформ юм. Энэхүү шийдлийг ашиглан та Machine Learning model-оо клауд системд үүсгэх, сургах мөн deploy (ажиллагаанд оруулах) боломжтой юм.</p><p>AWS SageMaker-г хэрэглэхийн тулд танд amazon AWS хаяг хэрэгтэй болно. Энэхүү шийдлийг ашигласнаар 2 том давуу тал нээгдэнэ. 1-р танд Machine Learning алгоритм сургах бэлэн орчинг өгнө. Өөрөөр хэлбэл нийтлэг хэрэглэгддэг сангууд (libraries) бүгд инсталл хийгдчихсэн байгаа гэсэн үг. Түүнээс гадна та GPU ашиглах боломжтой бөгөөд шаардлагатай тохиолдолд GPU-нийхээ хэмжээг scale up эсвэл scale down хийх боломжтой. Энгийнээр хэлбэл та GPU-нийхээ хэмжээ, санах ой зэргээ ихэсгэх, багасгах боломжтой юм.</p><p>Гэхдээ энэхүү шийдэл нь free-tier багцад хамаарахгүй учраас та энэ шийдлийг ашиглахын тулд pay-as-use зарчмаар төлбөрөө төрөх шаардлагатай болно. Түүнээс гадна AWS орчин маань өөрөө тийм ч хялбархан бүтэц биш учраас анхлан суралцагчдыг няцааж магадгүй юм. Ямар ч байсан та томоохон төсөл хийх гэж байгаа бол AWS-г судлаад үзэхэд гэмгүй байх.</p><p>Аан тийм энэхүү шийдэл маань ч гэсэн танд jupyter notebook веб интерфейс өгөх бөгөөд та өөрийн кодыг тухайн веб интерфейс дээрээс бичих боломжтой. Хэрвээ их хэмжээний файл хадгалах гэж байгаа бол S3 bucket ашиглаад түүнийгээ мөн холбож өгөх боломжтой юм.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FtBRHh_V8vjc%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DtBRHh_V8vjc&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FtBRHh_V8vjc%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/bc09a32f8856623179cc9a8bede8cbae/href">https://medium.com/media/bc09a32f8856623179cc9a8bede8cbae/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3PqTOauzlBnheDkpqil25g.gif" /><figcaption>SageMaker Jupyter notebook нээж байгаа байдал</figcaption></figure><h3><strong>Machine Learning Libraries</strong></h3><p>Machine Learning эсвэл Data science -д ашиглагддаг маш олон сангууд байгаа бөгөөд магадгүй таныг үүнийг уншаад сууж байх үед ч гэсэн шинэ library хөгжүүлэгдэж байхыг үгүйсгэхгүй юм. Дор дурдах сангууд нь Data Science болон Machine Learning-д python-г ашиглахад маш түгээмэл ашиглагддаг сангууд бөгөөд эдгээрийн талаар товчхон судалцгаая. Эдгээр сангуудын талаар дэлгэрэнгүй үзэх нь хүсэлтэй байвал харгалзах сангийн documentation буюу зааврыг нь дэлгэрэнгүй уншиж, туршиж үзэх хэрэгтэй юм.</p><p>(<em>Optional: Module, Library, Package -н ялгаа</em></p><p><strong><em>Модуль (Module)</em></strong> — нь таны кодоос тусдаа байрлах .py өргөтгөл бүхий python код юм. Үүнийг импорт хийж оруулж өгснөөр та тухайн module-д зарлагдсан хувьсагч, функц зэргийг ашиглах боломжтой болно. <br><strong><em>Сан (Library)</em></strong> — нь олон module -уудыг өөртөө агуулсан module-уудын цуглуулга юм. Зорилго нь мөн л тухайн сан дотор байх функцүүдийг ашиглах боломжийг олгож өгнө. <br><strong><em>Багц (package) </em></strong>— нь python доторх module-ууд, тэдгээрт ашиглагдах функц, хувьсагчуудын нэрийн давхардлаас зайлсхийхийн тулд ашигладаг python module-уудыг удирдах арга юм. Энгийнээр бол энэ нь нэг ижил нэрийн доор харьяалагдах олон python module-ууд байна гэсэн үг.)</p><p>Хэрвээ дээрх module, Library, Package-н ялгааг уншаагүй бол эсвэл ойлгомжгүй байвал, энэ нь ердөө л тусдаа хадгалагдсан python файлыг импорт хийж оруулаад улмаар импорт хийсэн файл дээрх функц, хувьсагч зэргийг ашиглах боломжийг л олгож байгаа арга гэж ойлгох хэрэгтэй.</p><h3><strong>MATPLOTLIB</strong></h3><p>Энэхүү санг python програмыг ашиглан өгөгдлийг графикаар харуулах хэрэглэдэг. Жишээлбэл аливаа өгөгдлийн шугаман график (Line graph), бялуун график (pie chart), гистограмм (histograms) зэргийг дэлгэцэд харуулах, түүнээс гадна хэрвээ та зурган файлтай ажиллаж байгаа бол зургийг дэлгэцэд хэвлэж харуулахад мөн энэ санг ашиглаж болдог. Мөн эдгээр үүсгэсэн графикуудаа экспорт хийж хуулж авах боломжтой.</p><h3><strong>NUMPY</strong></h3><p>NumPy — буюу “Numerical Python”: нь нэмэлт python багц (package) бөгөөд энэхүү багцад математикийн тооцооллуудыг хурдан, хялбархан гүйцэтгэх зориулалт бүхий функцүүд агуулагддаг. Өөрөөр хэлбэл энэхүү module-г дуудаж оруулж ирснээр олон хэмжээс бүхий array эсвэл матрицуудтай ажиллахад илүү хялбархан болно. Гэхдээ энэхүү сан нь зөвхөн математик тооцооллыг л хийдэг болохоос ямар нэгэн аналитик давуу талыг олгохгүй. Ямар математик үйлдэл хийж түүнийгээ хэрхэн уншихаа та өөрөө мэдэж байх ёстой болно.</p><h3><strong>SCIPY</strong></h3><p>SciPy нь scientific зорилгоор математик тооцоолол хийхэд ашиглагддаг сан юм. Энэхүү санг импорт хийж өгснөөр дараах үйлдлүүдийг хялбархан хийх боломжтой болдог.</p><ul><li>Интеграл бодох</li><li>Интерполяц хийх — дискрет өгөгдлийг хялбарчлах зорилгоор өгөгдлийг хувиргаж шинэ өгөгдөл (data point) үүсгэх арга зүй. Жишээлбэл: Бидэнд ажиглалтын утга болон түүний функц мэдэгдэж байгаа гэж үзье. Хэрвээ бид интерполяц хийвэл тухайн функц дээр бидний хийх үйлдэл маань хялбархан болж байна гэвэл энэ тохиолдолд бид энэ аргыг ашигладаг.</li><li>Оптимаци хийх (optimization) — Монгол орчуулга нь уул нь оновчтой болгох, гэхдээ яг хийж байгаа үйлдэл нь хийх үйлдэл эсвэл сонголтоос хамгийн тохиромжтойг нь сонгох эсвэл хийх үйлдлийг хэлнэ. Энэ тохиолдолд математикт өөр өөр арга ашиглан ижил үр дүнд хүрч болдог. Тэгэхээр энэ сан маань өөрөө оптимаци хийж буюу хамгийн оновчтой, хялбар, хурдан, алдаа багатай аргыг сонгож өгч чаддаг гэсэн үг юм.</li><li>Шугаман алгебрын үйлдлүүд хийх (Linear Algebra): Ихэвчлэн матриц дээр хийгдэх үйлдлүүдийг хамруулан ойлгож болно.</li><li>Статистикийн тооцоолол хийх</li></ul><p>Энэхүү library нь NumPy library дээр суурилсан учраас матриц, вектор дээрх үйлдлийн ихэнх нь NumPy-г ашиглаж байгаа гэж ойлгож болно.</p><h3><strong>PANDAS</strong></h3><p>Pandas — нь өгөгдлийн бүтцийг өөрчлөх зориулалт бүхий package юм. Үүнийг ашиглан түүхий өгөгдөл (raw data)-г хүлээн авч хувиргах, өөрчлөх байдлаар анализ хийх эсвэл машинд сургахад бэлэн data гаргах боломжтой. Өөрөөр хэлбэл, энэ package нь хурдан, хялбархан байдлаар data анализ хийх, data-г хувиргах, нэгтгэх, графикийг нь зурах үйлдлүүдийг хийх хэрэгслүүдээр хангаж өгдөг.</p><p>Pandas нь мөн л NumPy дээр суурилсан.</p><h3>PYTORCH</h3><p>PyTorch нь Torch дээр суурилсан, нээлттэй эхийн Machine Learning library юм. Анх зохиогдохдоо Фэйсбүүкийн хиймэл оюуны судалгааны баг өөрсдийн хэрэгцээнд зориулан гаргасан. Энэхүү санг ашиглан бид Natural Language Processing, Deep Learning -н model-уудыг хялбархан сургах, үр дүнг нь харах боломжтой ба түүнээс гадна data science-д ашиглагдах маш олон функцүүдийг өөртөө агуулсан байдаг. Өгөгдлийн бүтэц нь NumPy-тай төстэй tensor-той бөгөөд Numpy ndarray руу хялбархан хөрвөх буцаад NumPy ndarray-аас Pytorch Tensor луу хөрвүүлэлт хийхэд маш хялбархан юм.</p><h3>SEABORN</h3><p>Seaborn нь Matplotlib дээр суурилсан бөгөөд өгөгдлийн статистик моделийг харуулах, графикийг зурах зэргийг хялбархан хийх зориулалттай. Pandas -н dataframe -г дэмжин ажилладаг.</p><h3>SCIKIT-LEARN</h3><p>SciKit-Learn нь Machine Learning -н model хөгжүүлэхэд зориулагдсан library бөгөөд SciPy сан дээр суурилсан. Энэхүү library-г ашиглан та хурдан хугацаанд түгээмэл хэрэглэгддэг Machine Learning алгоритмуудыг хэрэгжүүлэх, туршиж үзэх боломжтой. (Гэхдээ ижил төстэй үйлдэл сангууд олон байдаг. Жишээлбэл Keras, PyTorch гэх мэт)</p><h3>TENSORFLOW</h3><p>Google Brain -ынхны бүтээсэн энэхүү нээлттэй эхийн library нь томоохон хэмжээний machine learning алгоритмын тооцоолол хийх зориулалттай. Энэхүү library-г ашиглаад machine learning болон deep learning (neural networks)-н model-уудыг хөгжүүлэх, сургах, турших үйлдлийг хялбархан болгож өгч байгаа юм. Front-End талдаа python програмчлалын хэлийг ашигладаг бол яг тооцоолол хийх үйлдэл нь C++ дээр хийгддэг учраас харьцангуй хурдан ажилладаг.</p><h3>Pandas жишээ</h3><p>Pandas library-г google Colab дээрээс хэрхэн ашиглах жишээг орууллаа.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9453e75542bfd8e3d4aefb5c46c580d5/href">https://medium.com/media/9453e75542bfd8e3d4aefb5c46c580d5/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8ede1a79c0d0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Машин Сургалт (Machine Learning)]]></title>
            <link>https://medium.com/@minerva2991/%D0%BC%D0%B0%D1%88%D0%B8%D0%BD-%D1%81%D1%83%D1%80%D0%B3%D0%B0%D0%BB%D1%82-machine-learning-e628d8c9e287?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/e628d8c9e287</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[mls]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Wed, 11 Sep 2019 01:35:52 GMT</pubDate>
            <atom:updated>2019-09-13T18:35:12.834Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Нэр томьёог Монгол хэл рүү буулгахаар утгын хувьд цаашдаа үл ойлгогдох нөхцөл үүсгэх боломжтой тул тодорхойлолтоос бусад газарт аль болох Англиар нь шууд ашиглан бичив. Гэвч зарим тохиолдолд тодорхойлолт хэсэгт ашигласан Монгол нэрийг ашигласан байх магадлалтайг анхаарна уу</em></p><p><strong><em>Машин сургалт</em></strong> гэдэг нь компьютерыг өөрөө туршлагаасаа сурах боломжийг олгож буй аргачлал юм. Өөрөөр хэлбэл, компьютер өөрт өгөгдсөн асуудлыг шийдэхдээ өөрийн туршлага дээр үндэслэн өөрөө тухайн асуудлыг шийдэж сурах юм (хүн/программист тухайн асуудлыг шийдэх зааврыг хатуугаар зааж өгөхгүй гэсэн үг). Энгийн хүмүүст ойлгомжтойгоор хэлбэл, machine learning нь аливаа компьютерт юу хийхийг нь детальчилж програмчлалгүйгээр мөн ямар нэгэн хүний туслалцаа оролцоогүйгээр аливаа үйлдлийг автоматжуулах, суралцах процессыг машины өөрийнх нь туршлага дээр үндэслэн сайжруулж байгааг хэлнэ гэсэн үг. Сургах процесс нь ямар ч тохиолдолд Машиныг сургах өгөгдөл (data)-аар эхлэх бөгөөд улмаар энэхүү өгөгдлөө машин (компьютерт)-н оролтод өгсөөр машин маань model үүсгэж эхэлдэг. Ийнхүү model үүсгэхдээ өөр өөр төрлийн өгөгдөл (data) болон алгоритм ашигладаг. Ямар алгоритм ашиглах нь бидэнд ямар төрлийн data байгаа мөн бид ямар үр дүнд хүрэхийг зорьж байна гэдгээс хамааран өөр өөр байдаг. <br><strong>Энгийн жишээ авч үзье:</strong></p><p>Шалгалтад бэлдэж буй оюутан бүх материалаа харанхуйгаар цээжлэх гэж оролддоггүй ба тэд тухайн агуулгыг бүрэн дүүрэн ойлгохыг хичээдэг. Шалгалт болохоос өмнө тэд өөрсдийн тархи (машин)-нд их хэмжээний сайн чанар бүхий өгөгдөл (Асуулт, хариулт, лекцийн тэмдэглэл, видео хичээл гэх мэт) (data)-г оруулж өгдөг. Энд болж буй процесс нь оюутан өөрийн тархийг оролт болон гаралтын мэдээллээр зэрэг цэнэглэж байгаа юм. Өөрөөр хэлбэл ийм ямар төрлийн логик холбоо хамаарал оролт болон гаралтын хооронд байна гэдгийг илрүүлэхийн тулд хийж байгаа үйлдэл юм. Жишээ тест хийж үзэх бүрдээ тэд өөрсдийн гүйцэтгэлийг (accuracy/score)- өгөгдсөн үнэн хариутай нь тулгаж үзнэ. Улмаар тэдний алдаа багасах бөгөөд өөртөө итгэх итгэл нь нэмэгдэж ямар логик байгааг ойлгож эхэлдэг. Үүнтэй яг ижилхэн процесс model сургахад хийгддэг бөгөөд model-г шалгах үед зөвхөн оролтын (input) data-г оруулах байдлаар шалгадаг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*EG_5pdX6IjJDsPcyzVKvQw.png" /><figcaption>Компьютерын уламжлалт програм болон machine learning програмын ялгаа</figcaption></figure><p>Уламжлалт програм болон Macine Learning програмын ялгаа</p><ul><li>Уламжлалт програм: Бид машинд оролт өгөгдлийг (INPUT) оруулах ба машин дээр ажиллаж буй програм (логик) ажиллаж бид гаралтыг хүлээн авна.</li><li>Machine Learning: Машиныг (data - Оролт, гаралт) гэсэн мэдээллээр хангана. Улмаар машин дээр machine learning алгоритм ажиллаж машин өөрийн логикийг үүсгэнэ. Үүний дараа энэхүү үүссэн логик нь өгөгдсөн даалгаврыг автоматаар гүйцэтгэх чадвартай байна.</li></ul><p>Компьютерын хувьд machine learning гэж юу гэсэн вэ?</p><p>Хэрвээ компьютер нь ямар нэгэн даалгавар биелүүлэх үедээ тухайн үйлдлийг гүйцэтгэх гүйцэтгэлээ өөрийн өмнөх туршлагаас хамааран сайжруулж байвал тухайн компьютер суралцаж байна гэж үзнэ.</p><p>Илүү тодорхой бичвэл, Компьютер <strong>Т (task) </strong>үйлдлийг гүйцэтгэх гүйцэтгэл <strong>Р (performance)</strong> нь түүний өмнөх туршлага болох <strong>Е (Experience)</strong>-ээс үүдэн сайжирч байвал энэхүү компьютер суралцаж байна гэсэн үг.</p><p>Жишээ нь: Шатар тоглох machine learning</p><p><strong>Е (Туршлага)</strong>— Маш олон удаа шатар тоглоод гарах үр дүн</p><p><strong>Т (Даалгавар)</strong>— Шатар тоглоод хожих</p><p><strong>Р (Гүйцэтгэл)</strong> — Дараагийн тоглолтод machine learning алгоритм хожих магадлал</p><p>Машин сургалтыг суралцаж буй систем маань өөрийн гаралтыг хэрхэн ашиглаж буй байдлаас нь хамааруулан дараах байдлаар ангилж болно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fz1jUF3byJssxZ-1P-gm2Q.png" /><figcaption>Машин сургалтын төрлүүд (Гаралттай хэрхэн ажиллаж байгаас хамаарсан)</figcaption></figure><p><strong><em>Хяналттай сургалт (Supervised Learning)</em></strong></p><p>Энэхүү сургалтын үед бид компьютерт жишээ оролтыг оруулах бөгөөд мөн түүнчлэн түүнд хамаарах үнэн зөв үр дүнг машинд оруулж өгдөг. Ингэснээр машин ерөнхий байдлаар оролтод орж буй өгөгдлийг гаралтыг өгөгдөлтэй холбож сурдаг. Тухайн модель (хяналттай сургалтаар сурч байгаа) зорилтот үйлдлийг тодорхой түвшинд алдаа багатайгаар гүйцэтгэдэг болтол нь сургах процессыг үргэлжлүүлдэг. Өдөр тутам хэрэглэгдэж буй жишээнүүдээс дурдвал.</p><ul><li><em>Зураг ангилах модель (Image Classification)</em>: Өөрийн моделийг сургахдаа зураг/тэмдэглэгээ гэсэх хос мэдээллийг оруулж өгнө. Жишээлбэл, маш түгээмэл хэрэглэгддэг жишээ бол <em>(Нохойн зураг, “Нохой”)</em>, <em>(Муурын зураг, “Муур”) </em>гэсэн мэдээллийг модельд өгч сургалт хийсний дараа, та системд нохойн зураг үзүүлэхэд систем түүнд нохой гэсэн ангиллыг өгч сурна гэсэн үг.</li><li><em>Зах зээлийн таамаглал/Регресс (Prediction/Regression)</em>: Зах зээлийн түүхэн өгөгдлөөр машиныг сургасны дараа машинаас ирээдүйд үнэ ямар байхыг асуухад машин таамаг дэвшүүлэх чадвартай болж суралцсан байна.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*6MOy78m23A0rigKBstqkTQ.gif" /><figcaption>Supervised Learning, Source: <a href="http://techcarpenter.blogspot.com/2017/07/machine-learning-explained.html">http://techcarpenter.blogspot.com/2017/07/machine-learning-explained.html</a></figcaption></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/6a757d0a2546a936d53ed392d165db5e/href">https://medium.com/media/6a757d0a2546a936d53ed392d165db5e/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/495/1*cM7-rHPU-3bRuwWVmccOuw.png" /><figcaption>Labeled Dataset in Scatter plot using PCA.</figcaption></figure><p>Дээрх jupyter-notebook болон scatter plot графикаас бид supervised learning algorithm ямар өгөгдөлтэй хэрхэн ажилладаг жишээг харж болно.</p><p><strong><em>Хяналтгүй сургалт (Unsupervised Learning)</em></strong></p><p>Оролтын өгөгдөл нь ямар нэгэн гаралтын утгатай харгалзан холбогдоогүй байх ба оролтыг өгөгдлийг шууд модель руу өгөхөд модель маань тухайн өгөгдөл дотроос ямар нэгэн логик хамаарал бүхий бүтцийг олж илрүүлэх ёстой болдог. Энэ төрлийн алгоритмыг ихэвчлэн бүлэглэн ангилах (clustering) зорилгоор ашигладаг. Гэхдээ хяналтгүй сургалт нь өгөгдсөн мэдээлэл дотроос хүн харах боломжгүй байгаа шинж чанарыг илрүүлэх зорилготой ч ашиглагдаж болно.</p><ul><li><em>Бүлэглэн ангилах (Clustering): </em>Компьютер ижил төстэй өгөгдлүүдийг тус тусад нь бүлэглэн ангилна.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*X5PfKRl0NF9MMT32mqtb7w.gif" /><figcaption>Unsupervised Learning. Source: <a href="https://medium.com/datadriveninvestor/an-introduction-to-clustering-61f6930e3e0b">https://medium.com/datadriveninvestor/an-introduction-to-clustering-61f6930e3e0b</a></figcaption></figure><ul><li><em>Олон Хэмжээст өгөгдлийг Дүрслэх (High Dimension Visualization): </em>Олон хэмжээст өгөгдлийн графикийг зурах боломжгүй байдаг. Тиймээс unsupervised learning ашиглан олон хэмжээст өгөгдлийг хэмжээс бүрийг нь бүлэглэх байдлаар дүрслэн харуулах боломжтой юм.</li><li>Үүсгэгч Моделиуд (Generative Models): Оролтын өгөгдлийн тархалтын функцийг суралцсаны дараа, ижил төстэй өгөгдлийг энэхүү модель үүсгэж чаддаг.</li></ul><p>Харин Unsupervised Learning аргад өгч буй өгөгдөл нь ямар нэгэн эцсийн үр дүн (label) байхгүй.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/56a62b91d93ed84edb99939106248c95/href">https://medium.com/media/56a62b91d93ed84edb99939106248c95/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/389/1*EudhMHfFGQR30HXNrvHj3w.png" /><figcaption>Random Unlabeled Data generation and visualization</figcaption></figure><p><strong>Хэсэгчилсэн Хяналттай сургалт (Semi-Supervised Learning)</strong></p><p>Машин сургалтын алгоритмын оролтын мэдээллийн зарим хэсэг нь ямар гаралт гаргах нь мэдэгдэж байх боловч үлдсэн хэсгийн оролт нь хяналтгүй сургалтын оролтын өгөгдөл шиг ямар гаралт гаргах нь тодорхойгүй үеийн сургалт юм. Өөрөөр хэлбэл, энэ төрлийн машин сургалтын алгоритмын оролт нь supervised болон unsupervised сургалтад ашиглагддаг оролтууд байна гэсэн үг бөгөөд сургалт нь supervised болон unsupervised -д аль алинд нь хамаарах тул хэсэгчилсэн хяналттай гэж нэрлэгдэж байгаа юм. Жишээлбэл, бидэнд маш их зурган мэдээлэл байгаа гэж төсөөлье. Эдгээр зургууд дотор хүний, машины, нохойн гэх зургууд байгаа бөгөөд зарим зураг нь гар аргаар энэ зураг бол хүний зураг, энэ зураг бол машины зураг гэх мэт label-г өөртөө агуулсан байгаа гэж үзье. Харин үлдсэн хэсэг нь зөвхөн зураг бөгөөд ямар нэгэн байдлаар ангилж ялгаагүй гэж үзвэл энэ өгөгдөл дээр ажиллаж буй машин сургалт нь Semi-supervised learning болно гэсэн үг</p><p><strong>Урамшуулалд суурилсан машин сургалт (Reinforcement learning)</strong></p><p>Машин сургалтын алгоритм маань хүрээлэн буй орчноос динамик мэдээллийг хүлээн авч улмаар ямар нэгэн үр дүнд хүрэхийг зорин ажиллана. Жишээлбэл: Тоглоомын агент нь хүний эсрэг тоглох эсвэл автомат жолоодлого бүхий автомашин гэх мэт. Хүрээлэн буй орчноос ирэх динамик мэдээллийг ашиглан тухайн машин сургалтын алгоритм нь зорилгодоо хүрэхийн тулд системийн урамшуулах шаардлагатай юу (зөв чиглэл рүү явж байна) эсвэл шийтгэх (буруу чиглэл рүү явж байна) шаардлагатай юу гэдгээ шийддэг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*1qBauAy9xWzNFt1N_mmfEw.gif" /><figcaption>Reinforcement Learning Source</figcaption></figure><p>Машин сургалтын гаралтаас хүлээгдэж буй үр дүнд нь суурилан дараах байдлаар ангилж болно.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JbT7pGvAdqxxTaiWOzOI-w.png" /><figcaption>Машин сургалтын алгоритмын гаралтаас нь хамааруулан ангилах нь</figcaption></figure><p><strong>Ангилах (Classification)</strong></p><p>Оролтын мэдээллийг 2 болон түүнээс дээш бүлэгт ангилах үйлдлийг суралцдаг. Суралцаж буй алгоритм маань өмнө нь харж байгаагүй мэдээллийг өөрийн туршлага дээр үндэслэн ямар нэгэн ангилалд хамруулж сурна гэсэн үг. Энэ төрлийн алгоритм нь ихэвчлэн supervised learning төрөлд хамаардаг. Имэйлээс спам ялгах алгоритм нь энэ төрлийн алгоритм юм.</p><p><strong>Регресс (Regression)</strong></p><p>Регресс нь мөн л supervised learning төрөл юм. Гэхдээ регресс загвараас гарч байгаа гаралт нь тасралтгүй байна. (өмнөх Ангилах моделийн гаралт нь бүхэл тоо буюу дискрет тоо байна). Жишээлбэл, түүхэн мэдээлэл ашиглан байшингийн үнэ таамаглах алгоритм энэ бүлэгт хамаарна.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/615/1*Ge0CvXc9RcADoa_AaaYx9Q.png" /></figure><p><strong>Бүлэглэх (Clustering)</strong></p><p>Өмнө нь ямар ангилалд оруулах нь мэдэгдэхгүй байсан оролтын мэдээллийг олон бүлэгт ангилахад суралцдаг. Machine Learning өөрөө хэрхэн ангилахаа суралцаж байгаа учраас unsupervised learning төрөлд хамаарна.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/260/1*ujbAAT3O589_pA9Rx_4R1A.png" /><figcaption>Clustering</figcaption></figure><p><strong>Нягтын тооцоолол (Density estimation)</strong></p><p>Model руу орж буй data-гийн тархалтын функцийг олох зорилготой ажиллана. <br>Жишээлбэл: <br>Зоос шидэх үед зоос тоо эсвэл сүлдээрээ буух магадлалын тархалтыг хэмжиж үзье.</p><p><strong>Сүлд буух магадлал</strong> — <em>Theta </em>гэж үзье.</p><p>Бидэнд 25 удаагийн зоос шидсэн туршилт байгаа ба үүнээс 15 удаа нь сүлд 10 удаа нь тоо буусан байна гэж үзье. Тэгвэл энэхүү зоосыг ашиглан сүлд буух магадлал хэд вэ?</p><p><em>Theta = 15/25 = 0.6 (энд ашиглагдаж буй Theta нь Maximum Likelihood Estimation -ийн Theta параметер юм.)</em></p><p>Density Estimation нь регресс, ангилал (classification), бүлэглэл (clustering) мөн unsupervised prediction зэрэг machine learning task-уудад ашиглагддаг.</p><p><strong>Хэмжээс цөөлөх (Dimensionality Reduction)</strong></p><p>Оролтын мэдээллийг хялбаршуулахын тулд хэмжээсийг цөөлдөг. Энэ төрлийн алгоритм ижил төстэй текстийг олох гэх мэт зорилгоор ашиглагддаг.</p><p>Machine Learning-ийн хүрээнд бидний хэрэглэх олон алгоритм байдаг бөгөөд эдгээрээс хамгийн түгээмэл хэрэглэгддэг алгоритмууд нь Шугаман Регресс (Linear Regression), Ложистик Регресс (Logistic Regression), Шийдвэрийн мод (Decision Tree), SVM (Support Vector Machine), Naive Bayes, KNN (K Nearest Neighbors), K-Means зэрэг юм.</p><p>Машин сургалтын алгоритмд хэрэглэгддэг нэр томьёонууд</p><ul><li><strong>Model</strong><br>Machine Learning алгоритмд оролтын өгөгдлийг өгч сургаснаар гарган авч буй тодорхой бүтэц бүхий програмын тохиргоог Model гэж нэрлэдэг. Түүнчлэн зарим тохиолдолд <strong>hypothesis</strong> гэж нэрлэгдэх тохиолдол байдаг.</li><li><strong>Feature</strong><br>Оролтын мэдээллийн багана бүрийг эсвэл оролтод ашиглагдаж буй бие даасан шинж чанартай мэдээллийг хэлнэ. Feature нь хэмжигдэх боломжтой байх ёстой. Тоон хэлбэрт бичигдсэн олон feature-уудыг нэгтгээд feature vector хэмээн нэрлэдэг (Яагаад гэвэл энэ нь вектор үүсгэнэ). Жишээлбэл, бид жимсийг тодорхойлох гэж байна гэж үзье, тэгвэл бидэнд өнгө, үнэр, амт гэх мэт feature (оролтын мэдээлэл)-үүд байна гэсэн үг. Feature set -ээс чухал мэдээлэл агуулсан, ялгагдах боломжтой, бие даасан feature-уудыг сонгон авах шаардлагатай байдаг. raw data-аас feature-г сонгон авахдаа ихэвчлэн feature extractor ашигладаг (Хэрвээ яг аль feature-г сонгохоо мэдэхгүй эсвэл хэдэн маш олон feature байгаа тохиолдолд).</li><li><strong>Target (Label)</strong><br>Target variable эсвэл label нь бидний model-н гаралт дээр таамаглагдан эсвэл ангилал болон гарч ирэх тэрхүү мэдээллийг хэлнэ. Өмнөх жимстэй жишээг дахин дурдвал түүний model нь жимсний нэрс байх боломжтой юм.</li><li><strong>Training</strong><br>Оролтын мэдээллийг (features) (хэрвээ supervised learning бол label мөн өгөгддөг) маш ихээр нь machine learning алгоритмд өгөх ба улмаар model (hypothesis)-г үүсгэн авна. Ингэснээр шинэ оролтыг model-д өгөх үед тэрхүү шинэ оролтод тохирох үйлдлийг model маань хийж суралцсан байна</li><li><strong>Prediction</strong><br>Бидний model бэлэн болсноор бид шинэ оролтын мэдээллийг (model өмнө нь харж байгаагүй) model-д өгөх боломжтой болно. Улмаар model маань бидэнд таамаг буюу (prediction) гаргаж өгөх юм.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/576/1*o99DnGHSeKx-SZHvCwyK5g.png" /><figcaption>Training and prediction</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e628d8c9e287" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Хиймэл оюун (Artificial Intelligence)]]></title>
            <link>https://medium.com/@minerva2991/%D1%85%D0%B8%D0%B9%D0%BC%D1%8D%D0%BB-%D0%BE%D1%8E%D1%83%D0%BD-artificial-intelligence-5447d570f582?source=rss-e7c389965587------2</link>
            <guid isPermaLink="false">https://medium.com/p/5447d570f582</guid>
            <category><![CDATA[хиймэл-оюун]]></category>
            <category><![CDATA[машин-сур]]></category>
            <dc:creator><![CDATA[Nasantogtokh Amarsaikhan]]></dc:creator>
            <pubDate>Tue, 10 Sep 2019 00:35:27 GMT</pubDate>
            <atom:updated>2019-09-10T00:35:27.648Z</atom:updated>
            <content:encoded><![CDATA[<p><strong><em>Оюун ухаан</em></strong> гэдэг нь аливаа мэдлэгийг суралцах мөн тухайн мэдлэгээ ашиглахыг хэлнэ.</p><p>Өмнө нь олж авсан туршлага, мэдээлэл дээрээ үндэслэн аливаа асуудалд хэрхэн шийдвэр гаргахаа шийдэж буйг бид <strong><em>мэдлэг</em> </strong>гэж нэрлэдэг.</p><p>Аливаа зүйлийг хийж үзэх (суралцах) байдлаар олж авч буй мэдээлэл/мэдлэгийг бид <strong><em>туршлага</em></strong> гэж нэрлэдэг.</p><p>Оюун ухаан гэдэг ойлголтод:</p><ul><li>Учир шалтгаан хайх</li><li>Суралцах</li><li>Асуудал шийдвэрлэх</li><li>Ойлгох</li><li>Хэл зүйн мэдлэг зэрэг хамрагддаг.</li></ul><p><strong><em>Хиймэл оюун</em></strong> гэдэг нэр томьёонд байж болох хамгийн энгийн тайлбар бол аливаа машиныг оюун ухаантай болгож байгаа юм. Өөрөөр хэлбэл, тухайн машин маань өөрөө аливаа нөхцөл байдалд өөрийн цуглуулсан мэдээлэл, мэдлэг, туршлагыг ашиглан ухаалаг шийдвэр гаргах чадвартай болно гэсэн үг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*C2uU4doukeIVHrw5iKaiow.png" /><figcaption>Source: <a href="https://www.embedded-vision.com/industry-analysis/blog/artificial-intelligence-machine-learning-deep-learning-and-computer-visionwha">https://www.embedded-vision.com/</a></figcaption></figure><p>Өнөөдрийн байдлаар (2019 он), аливаа компьютер өөрт өгөгдсөн асуудлыг шийдвэрлэхдээ, өөрийн өмнөх туршлагаа ашиглан гүйцэтгэлээ сайжруулж байвал түүнийг бид ухаалаг систем буюу хиймэл оюун бүхий систем гэж нэрлэж байна. Жишээлбэл, таны iPhone утасны siri програм нь <em>hello</em> гэдэг үгийг хэдэн мянган удаа сонссон (сургах процесс/training) бөгөөд тэрхүү туршлага дээрээ үндэслээд тухайн ямар ч хүн siri програмд <em>hello</em> хэмээн хэлэхэд таньж байна гэсэн үг.</p><p>Дээр дурдсан ойлголтуудаас үүдэн Хиймэл оюун<strong> </strong>гэдэг ойлголтыг тодорхойлбол, энэ нь хүний оюун ухааны хуулбарлах гэж оролдсон програм бөгөөд энэхүү оюун нь мэдээлэл, туршлагыг олж авах замаар өөрийнхөө хийх үйлдлийг сайжруулдаг програм байна гэсэн үг.</p><p>Хиймэл оюун нь өөр өөр салбарын ололт, нээлтүүдийг хэрэгсэл байдлаар ашиглан байж өнөөгийн түвшинд хүрээд байна. Жишээлбэл, хайлтын алгоритм, математик сайжруулалт (mathematic optimization), логик, магадлалын онол, статистик, экономик гэх мэт. Цаашилбал, хиймэл оюун нь Компьютерын шинжлэх ухаан, Математик, Сэтгэл судлал, Хэл шинжлэл, Философи, Мэдрэлийн эс судлал (neuro-science) зэрэг олон шинжлэх ухаан дээр суурилж хөгжиж байна. Түүнчлэн бодит амьдрал дээр амжилттай хэрэгжсэн хиймэл оюун бүхий олон системүүд тухайн салбарын нарийн мэргэшил, мэдлэгийг өөртөө зайлшгүй агуулсан байдаг.</p><p>Хиймэл оюун ухааныг бид хүний яриаг ойлгоод түүнд ухаалаг хариу үзүүлэх <em>NLP — Natural Language Processing</em>, <em>Тоглоомын Ухаалаг Агент бүтээх</em>, <em>Хүний дууг таньж хариу өгөх</em>, <em>Дүрс таних системүүд</em>, <em>Эрүүл мэндийн салбарын шийдвэр гаргалтыг дэмжих системүүд</em>, <em>Автомашиныг өөрөө удирдлагатай болгох</em> зэрэгт өргөнөөр ашиглаж байна.</p><p>Хиймэл Оюун бүхий систем нь Агент болон Хүрээлэн буй орчин гэсэн 2 хэсгээс бүрддэг. Агент нь мэдрэгчээр дамжуулан хүрээлэн буй орчноос мэдээлэл хүлээн авах ба хүлээн авсан мэдээлэл дээрээ үндэслэн хариу үйлдэл үзүүлдэг. Ухаалаг агент (Хиймэл оюун бүхий систем эсвэл хүн) нь ямар нэгэн зорилго тодорхойлж түүндээ хүрдэг. <em>Классик Төлөвлөлтийн Проблем (Classical Planning Problem)</em>-д агентыг авч үзэхдээ хорвоо дээр цор ганц агент байгаа гэж тооцдог. Ингэснээр тухайн агентын үйлдлээс хамааран үүсэх үр дүнг маш тодорхой хэлэх боломж бүрддэг. Гэвч, хэрвээ хорвоо дээр маш олон агентууд үйлдэл хийж байгаа бол аливаа нэг агент үйлдэл хийхдээ тодорхойгүй нөхцөл байдлыг үнэлж, түүнд хариу үйлдэл үзүүлэх шаардлагатай болдог. Ийм нөхцөлд ажиллаж буй агент хүрээлэн буй орчныг үнэлээд зогсохгүй, ирээдүйд болох нөхцөлийн талаар таамаг дэвшүүлэх, тухайн дэвшүүлсэн таамгаа буцааж үнэлэх шаардлагатай болдог. Ингэснээр тухайн үнэлгээ дээрээ суурилан нөхцөл байдалд дасан зохицох хэрэгтэй болдог. NLP нь системүүд нь машинуудад хүний хэлийг ойлгох, унших боломжийг олгож байна. Жишээлбэл, мэдээлэл цуглуулах, текст өгөгдөл олборлолт (text mining), асуултад хариулах, машин орчуулга зэрэг нь NLP системийн үр дүн юм. Машины ойлгох чадамж гэж мэдрэгч (sensor)-ээр дамжуулан гадаад орчныг танихыг хэлнэ. Жишээлбэл, Компьютерын Дүрс таних систем (Computer Vision) -д камераар дамжуулан дүрс компьютерт өгөгдөх ба улмаар эдгээр дүрсийг боловсруулан компьютер маань гадаад орчинг ойлгох юм. Тоглоомын онол болон шийдвэр гаргалтын онол (decision theory) зэрэгт агент нь заавал хүний сэтгэлзүйн төлөв байдлыг мэдэрдэг мөн загварчилсан байх ёстой гэж үздэг.</p><p>Машин сургалт ба Хиймэл оюун гэсэн 2 нэр томьёог хүмүүс хооронд нь их андуурдаг. Гэхдээ Машин сургалт нь Хиймэл оюуны нэг чухал ойлголт юм. Өөрөөр хэлбэл Хиймэл оюун нь хүний оюун ухааныг хиймлээр дуурайх боломжийг судалдаг шинжлэх ухааны салбар судлагдахууны ерөнхий нэр гэсэн үг. Хиймлээр ухаалаг зүйлийг бүтээх гэж байгаа судлагдахуун бүр энэ ангилалд ордог. Харин Машин сургалт (Machine Learning) нь хиймэл оюуны салбарт хамрагдах маш чухал дэд ойлголт бөгөөд өөрийнхөө өмнөх туршлагад тулгуурлан суралцдаг маш алгоритмыг машин сургалт гэж нэрлэдэг.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tGe-OV89iSqPKeW3ArSVwQ.png" /><figcaption>Хиймэл оюун болон Машин сургалтын харилцан хамаарал. Source: <a href="https://www.edureka.co/blog/ai-vs-machine-learning-vs-deep-learning/">https://www.edureka.co/blog/ai-vs-machine-learning-vs-deep-learning/</a></figcaption></figure><p>Энгийнээр хэлбэл хиймэл оюун гэдэг нь хиймлээр зохион бүтээсэн бүхий л оюун ухааныг бүгдийг нь хамруулан ойлгох ба харин машин сургалт нь хиймэл оюуны нэг хэсэг бөгөөд аливаа автомат машин (компьютер/гар утас/авто машин гэх мэт) -г өмнөх туршлагаас нь суралцуулах боломжийг олгож буй алгоритм эсвэл арга зүйг хэлж байна гэсэн үг. Машин сургалтын алгоритмын математик анализ, гүйцэтгэл зэргийг Компьютерын шинжлэх ухааны салбар шинжлэх ухаан болох Компьютерын Суралцах Онол (Computational Learning theory) судалдаг.</p><p>Стуард Шапиро-гийн хэлснээр Хиймэл Оюуны судалгаа нь Компьютерын сэтгэлзүй, Компьютерын философи, Компьютерын шинжлэх ухаан гэсэн гурван шинжлэх ухаанд хуваагдана. Компьютерын сэтгэлзүй нь компьютерын програмыг хүний зан үйлдлийг дуурайлгахад хэрэглэх бол Компьютерын философи нь аливаа асуудалд дасан зохицох чадвартай, чөлөөтэй сэтгэх компьютер дахь тархи (оюун санаа)-г үүсгэхэд ашигладаг. Харин компьютерын шинжлэх ухаан нь өмнө нь зөвхөн хүн л гүйцэтгэх боломжтой байсан зүйлсийг компьютероор хийлгэх, тэдгээр компьютерыг зохиох, сайжруулах үйлдлийг нь хийж өгдөг байна.</p><p>Хиймэл Оюун нь компьютерын шинжлэх ухаанд дараах ойлголт, онолуудыг хөгжүүлэх гол хүчин зүйл нь болж өгсөн:</p><ul><li>Хайлт болон сайжруулалт (Search and optimization)</li><li>Логик (Logic)</li><li>Тодорхойгүй нөхцөлийг үнэлэх магадлалын аргачлал (Probabilistic methods for uncertain reasoning)</li><li>Ангилан ялгагч болон статистик сургалтын арга зүй (Classifiers and statistical learning methods)</li><li>Нейрол сүлжээ (Neural Networks)</li><li>Удирдлагын онол (Control Theory)</li><li>Хэлүүдийн хөгжил (Languages)</li></ul><p>Өнөөдөр өргөнөөр хэрэглэгдэж байгаа жишээнүүдээс дурдвал өөрөө явагч тээврийн хэрэгсэл (өөрөө явагч автомашин, эсвэл Дрон), Эрүүл мэндийн системд ашиглагдаж буй оношлох системүүд, Урлагийн бүтээл үүсгэдэг системүүд (Шүлэг зохиодог эсвэл зураг зурдаг системүүд), Математикийн теорем, баталгаа хийдэг системүүд, Тоглоомын агентууд (шатар), хайлтын системүүд (google хайлтын систем), Онлайн туслагч (Siri), Фото зургаас объект таних систем, имэйлийн спам шүүх систем, онлайн худалдааны зөвхөн тухайн хэрэглэгчид чиглэсэн реклам сурталчилгаа эсвэл фэйсбүүк дээр та найз байж магадгүй хүмүүсийг зөвлөх гээд маш олон зорилгоор хиймэл оюуныг ашигласаар байна.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5447d570f582" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>