Рассмотрены задачи фильтрации спам-сообщений и адресации спам-сообщений, байесовские теоремы на основе искусственного интеллекта, алгоритмы LVQ (learning vector quantization) и схема фильтрации для систем на основе нейронных сетей. Рассмотрено прямое построение эффективной нейросетевой модели фильтрации спама, осуществляемой с использованием технологии распознавания баз данных. Приведены параметры доступа к нейронной сети как включать предопределенные статистические и нестатистические атрибуты сообщений. Рассмотрена структура нейросетевой технологии классификации электронных писем. Описана процедура анализа поступающих данных с использованием инструмента, входящего в аналитическую платформу Deductor Studio 5.3, которое в результате получается в виде тренировочного комплекта, пригодного для использования.

Спам хабарни фильтрлаш масаласи ва бу масалани ҳал қилиш учун спам хабарларнинг сигнатуралари, сунъий интелект асосида қурилган Байес теоремалари ва LVQ (LVQ- learning vector quantization) алгоритмлари таҳлил қилиниб, нейрон тармоқ асосида спам хабарларни фильтрлаш тизимининг схемаси кўриб чиқилган. Маълумотлар базасини, таниб олиш технологиясидан фойдаланиб, амалга ошириладиган спамни фильтрлашни самарали нейрон тармоқли тўгридан-тўғри қурилиши кўриб чиқилган. Хабарларнинг маълум статистик ва ностатистик атрибутларини киритиш каби нейрон тармоқларга рухсат параметрлари келтирилган. Яна элекрон хатларни таснифлашнинг нейрон тармоқли технологиялари тузилмаси кўриб чиқилган. Фойдаланиш учун яроқли бўлган натижавий синов комплект олинадиган Дедуcтор Студио 5.3 аналитик платформасига кирувчи иструментдан фойдаланиб, кирувчи маълумотларни таҳлиллаш амали тавсифланган.

This article analyzes the problem of filtering spam messages and addressing spam messages, Bayesian theorems based on artificial intelligence, LVQ algorithms (LVQ learning vector quantization) and a filtering scheme for systems based on neural networks. The direct construction of an effective neural network model of spam filtering using database recognition technology is considered. The parameters of access to the neural network how to include predefined statistical and non-statistical attributes of messages are given. The structure of neural network technology for classifying emails is also considered. The procedure for analyzing incoming data using the tool included in the analytical platform Deductor Studio 5.3 is described. as a result, a training kit is obtained that is suitable for use