#video_darslik #ML_darslari

🆕 Qadrlilar Youtubedagi kanalimizga Machine Learningga bag'shlangan video darslarimizning navbatdagisini joyladik.

Qiziqqanlar ko'rsa bo'ladi va fikr mulohazalaringizni bildirsangizlar bu men uchun foydali bo'lar edi (o'zimni ustimda ishlashim uchun).

Ko'rish uchun link: https://www.youtube.com/watch?v=eRxxn3T5KHc

Tashrif buyuring 🔗 Telegram | Youtube

​​Data science da ma’lumotlar to’plami bilan ishlash eng muhim qismlardan biri hisoblanadi. Data science va ML engineerlari asosan ma’lumotlar bilan ishlashda Pandas 🐼 kutubxonasidan foydalanishadi. Quyidagi rasmda ma’lumotlar to’plami bilan ishlashdagi 3 ta asosiy bosqishlarda (ma’lumotlar toplamini o’qish, tozalash va statistik analis qilish) ishlatiladigan command lar keltirilgan.

Tashrif buyuring 🔗 Telegram | Youtube

​​#K_Nearest_Neighbour #KNN

K Nearest Neighbour haqida qisqacha:

👍 Train (o'qitish) qilmasdan ham bashorat qila oladi.
👍 Training time kiruchi ma'lumotlar (input data) o'lchami bilan chiziqli bog'liq. Yani agar kiruchi ma'lumotimiz kattalashgani sayin training time o'sib boradi va aksincha.
👍 Classification hamda Regression masalalari uchun ham ishlatish mumkin.


👎 Katta o'lchamli malumotlar to'plami bilan ishlashda samarasiz.
👎 Ma'lumotlar to'plamidagi shovqunga (noise) va overfitting muammosiga hamda Outliers larga juda ta'sirchan.
👎 Ma'lumotlar to'plamidagi kiruvchi xususiyatlarni masshtablash (feature scaling) talab etiladi.
👎To'g'ri K parametrni tanlash muhim.


Tashrif buyuring 🔗 Telegram | Youtube

​​#Naive_Bayes

Naive Bayes haqida qisqacha:

👍 Train (o'qitish) qilish uchun kam vaqt sarflaydi.
👍 Toifalanadigan kiruvchi (inputs) ma'lumotlar uchun juda yaxshi mos keladi.
👍 Amaliyotda qo'llash juda oson.


👎 Ma'lumotlar to'plamini mustaqil deb hisoblaydi, bu real hayotda kam uchraydi.
👎 Baholash bazi hollarda notog'ri chiqadi


Tashrif buyuring 🔗 Telegram | Youtube

​​#Adaboost

Adaboost haqida qisqacha:

👍 Overfitting muammosiga nisbatan ishonchliroq.
👍 Yuqori aniqlik.
👍 Tushunishga va grafik ko'rinishida tasvirlash oson.


👎 Ma'lumotlar to'plamidagi shovqinga (noise) ta'sirchan.
👎Outlier lar natijaga ta'sir qilishi mumkin.
👎 Training qilishga ko'proq vaqt talab qiladi.


Tashrif buyuring 🔗 Telegram | Youtube

​​#set #list #dictionary

AI loyihalari bilan ishlaganda albatda asosiy dasturlash tillaridan biri bu Python 🐍. Shuday ekan Python dasturlash tili haqida ham ma'lumot berilsa menimcha maqsaddan tashqariga chiqmagan bo'lamiz (out of topic) 😉.

Va ushbu postda Python ning uch qismiga (Set, List va Dictionary) tegishli methodlar haqida qisqacha ma'lumot beriladi.

👉 Quyidagi rasmda yuqorida aytilgan uch qismga ga tegishli eng ko'p ishlatiladigan methodlar keltirilgan.

Tashrif buyuring 🔗 Telegram | Youtube

Navbatdagi video darsga tayyorgarlik 😊😎.

@machine_learning_lab

#yangilik

Geoffrey Hinton (Godfather of AI ML engineerlari tilida shunday deb yuritiladi) o'n yildan ortiq vaqt davomida ishlagan Google kompaniyasidagi ishini tark etdi, shuning uchun u sun'iy intellekt yaratadigan xavflar haqida erkin gapira oladi. Shunday ekan U insoniyatni AI tomonidan kelishi mumkin bo'lgan xavf-haratlardan ogohlantirdi.

Sun'iy intellekt jamiyat va iqtisodiyotga chuqur va ijobiy ta'sir ko'rsatayotganiga shubha yo'q. Biroq, biz AI jamiyatimiz va biz yashayotgan dunyo uchun mumkin bo'lgan xavf-xatarlardan xabardor bo'lishimiz kerak.

AI haqida xabardorlikni oshirishimiz kerak bo'lgan ko'plab sabablar mavjud. AI bilan birga keladigan yaxshilik va yomonliklar haqida o'z fikringizni shakllantirishingiz uchun ushbu maqolani o'qib chiqishingizni tavsiya qilaman.

P/s: Maqolani o'qish pulli ekan 😂 (The New York Times nashiryoti).

👉 @machine_learning_lab

​​#foydali #models

Umumiy qilib DL modellarini Sun’iy neyron tarmoqlari (Artificial Neural Networks) deb yuritiladi. Ammo har bir neyron tarmoqlarini o’zini “ota-onasi” qo’ygan nomi bor. 😂😊

Keling bir necha neyron tarmoqlarini nomlari bilan quyidagi rasm orqali tanishib olamiz!

Ma’lumot qiziq va foydali bo’lsa MLchilarga ulashib qo’ying 😉

Tashrif buyuring 🔗 Telegram | Youtube

#ML_darslari

❗️Hurmatli channel a'zolari youtubedadi Machine Learning deb nomlangan darslarimizni navbatdagisi chiqdi.

✍️ Uchbu videoda Chiziqli algebrani Matritsalar va Vectorlar bo'limi haqida qisqacha ma'lumot berdik va matritsalar va vektorlar ustida ayrim matematik amallarni bajarishni o'rgandik.

👉Bu video asosan ML uchun boshlang'ich bilimlari bo'lmagan tolibi ilimlarga mos keladi.

👉 Videoga havola

Tashrif buyuring 🔗 Telegram | Youtube

Yuqoridagi postga qo'shimcha 👆

@machine_learning_lab

​​#tavsiya #python

🐍Python dasturlash tilini o'rganishda boshlangich ko'nikmalarga ega bo'lgandan keyin quyidagi kitobni bir qator ko'rib chiqishni tavsiya qilaman.

Ushbu kitob 20 ta chapterga bo'linadi. Kitob nomi: Automated the Boring Stuff With Python

Link: Book

👉 @machine_learning_lab

#NLP #maqola #tavsiya

Bir maqola o’qib qoldim. Maqolada, taxminan 90% NLP loyihalariga mos keluvchi muhim bosqichlar birinma-ketin misollar bilan tushuntirib o'tilgan.

Agar maqolani oq'isangiz nimalarni o'rganasiz:

✅Text datani tozalashni, standart holatga keltirishni;
✅Text datani ML algoritimi tushunadidan ko'rinishga yani raqamlar ko'rinishiga keltirishni (bag of words);
✅Logistic Regression modelini train qilishni;
✅(Data visualization) datani grafik ko'rinishda PCA yordamida tasvirlashni;
✅Word embedding qilishni (using Vord2Vec technique) bu ham text datani raqamli ko'rinishga keltirish;
✅Convolutional Neural Network (CNN) modelini qanday train qilishni;
✅Model natijalarni tahlil qilishni;
✅Model aniqligiga nimalar ta'sir etayotganini aniqlashni;

Tashrif buyuring 🔗 Telegram | Youtube

​​#Roadmap #yol_xaritasi

AI muhandisi bo'lish ta'lim, amaliy tajriba va doimiy ravishda o'rganish va sohadagi eng so'nggi yutuqlardan xabardor bo'lishga tayyorlikni talab qiladi. Mana sizga AI muhandisi bo'lishga yordam beradigan batafsil yo'l xaritasi (roadmap) 🗺:

1️⃣ Dasturlash va kompter savodxonligi asoslarini o'rganish
ML muhandisi bo'lish uchun dasturlash va kompyuter savodxonligi asoslarini yaxshi tushunish kerak. Siz Python yoki C++ kabi bir yoki bir nechta dasturlash tillarini o'rganishdan boshlashingiz mumkin, so'ngra boshlang'ich informatika kurslarida ishlashingiz mumkin.

2️⃣Matematika va statistika bo'yicha bilimga ega bo'lish
Matematika va statistika AI ni o'rganishning asosidir. Chiziqli algebra, ehtimollar nazariyasi va statistika haqida kuchli tushunchaga ega bo'lish muhimdir. Siz ushbu sohalarda mustahkam poydevor yaratish uchun onlayn kurslar yoki darsliklarni olishdan boshlashingiz mumkin.

3️⃣ML tushunchalarini o'rganish
Siz nazorat ostida (Supervised Learning) va nazoratsiz o'rganish (Unsupervised Learning), tasniflash (Classification), regressiya (Regression), klasterlash (Clustering) va Deep Learning kabi asoslardan boshlashingiz mumkin. Asoslarni yaxshi tushunganingizdan so'ng, siz AIning ilg'or yo'nalishlaridan Natural Language Processing (NLP) va Computer Vision (CV) kabilarga o'tishingiz mumkin.

4️⃣O'rganganlaringizni amaliyotda qo'llang
Real hayotdagi ma'lumotlar to'plamida ishlash orqali o'rgangan narsalaringizni amalda qo'llash muhimdir. Kaggle - qiziqarli ma'lumotlar to'plamini topish va ML musobaqalarida qatnashish uchun ajoyib platforma. Ushbu maʼlumotlar toʻplamini oʻrganish va tahlil qilish va ML modellarini yaratish uchun 1-3-bosqichlarda oʻrganilgan koʻnikmalardan foydalanishingiz mumkin.

5️⃣Ma'lumotlar to'plami bilan ishlash va vizualizatsiya qilish ko'nikmasini rivojlantirish
Ma'lumotlar to'plami bilan ishlash va vizualizatsiya har qanday ML muhandisi uchun muhim mahoratdir. Siz ma'lumotlarni tozalash va qayta ishlashni va ma'lumotlarni ML modellari uchun mos formatlarga keltirishni o'rganishingiz kerak. Bundan tashqari, siz ma'lumotlarni tushunish va manfaatdor tomonlarga tushunchalarni etkazishda yordam beradigan vizualizatsiya yaratish uchun Matplotlib va Seaborn kabi ma'lumotlarni vizualizatsiya qilish vositalarida malaka hosil qilishingiz kerak.

6️⃣Maxsus frameworklar va platformalarni o'rganish
ML modellarini yaratish uchun ko'plab vositalar va frameworklar mavjud. Ushbu vositalarning bir yoki bir nechtasida malakali bo'lish muhimdir. Mashhur vositalar va frameworklar qatoriga TensorFlow, PyTorch, Keras, Scikit-learn va Pandas kiradi. Shuningdek, AWS, Google Cloud Platform va Microsoft Azure kabi bulutga asoslangan platformalar haqida ham maʼlumot olishingiz kerak boʻlib, ular ML modellarini yaratish, oʻqitish va amaliyotga tadbiq etish xizmatlarini taqdim etadi.

7️⃣Real ML loyihalarini amalga oshirish
Malakali ML muhandisi bo'lishning eng yaxshi usuli bu haqiqiy loyihalar ustida ishlashdir. Image classification, sentiment analysis yoki customer segmentation kabi kichik o'lchamdagi loyihalarni qurishdan boshlashingiz mumkin. Yetarli tajribaga ega bo'lganingizdan so'ng, siz kattaroq va murakkabroq loyihalar ustida ishlashingiz mumkin.

8️⃣Eng so'nggi AI sohasidagi yangiliklardan xabardor bo'lish
AI jadal rivojlanayotgan soha bo'lib, eng so'nggi ishlanmalardan xabardor bo'lish muhimdir. Siz tadqiqot maqolalarini o'qishingiz, konferentsiyalar va uchrashuvlarda qatnashishingiz, so'nggi tendentsiyalar va texnikalar haqida xabardor bo'lish uchun onlayn forumlar qatnashishingiz kerak.


Usbu ma'lumot ko'pchilikka manfatli bo'lishi uchun yaqinlaringizga ham ulashing!


👉@machine_learning_lab

AI sohasiga yangi kirib kelgan insonda tabiiy ravishda tug'iladigan savollardan biri bu ML engineer bilan Data Science kasblarini bir biridan nima farqi bor?

👆Yuqoridagi rasmga bir qarashda Data Engineer, ML Engineer, Data Science va Data Analyst kasb egalarini bir biridan ajratish mumkin.

Siz qay birida ekansiz izohlarda qoldiring?

👉@machine_learning_lab

#python

🐍Python - bu AI muhandislarining de-fakto dasturlash tili. Bu dasturlash tilini o'rganish oson va dasturni yozib bo'lganingizdan so'ng run qilish tez.

Ko'plab ochiq manba kutubxonalaridan foydalangan holda Python foydalanuvchilari ma'lumotlarni manipulyatsiya qilishlari, modellarni prototip qilishlari, natijalarni tahlil qilishlari va boshqa ko'plab ML va Data Science loyihalarini bajarishlari mumkin.

Navbatdagi bir necha post AI uchun Python-dan endigina foydalana boshlagan, shuningdek, tajribaga ega bo'lgan, lekin keyin nima o'rganish kerakligi haqida savollari bo'lganlar uchun mo'ljallangan.

Ushbu navbatdagi postlar AI uchun eng muhim Python kutubxonalari va paketlarini tushuntirishga harakat qilamiz va ulardan qanday foydalanishni, ularning kuchli va zaif tomonlarini Alloh qodir qilgancha ko'rib chiqamiz.

👉@machine_learning_lab

AI va ML uchun eng keng tarqalgan Python kutubxonalari

Ishlash muhitingizga to'gri kutubxonalar kombinatsiyasidan foydalanish ish samaradorligida juda muhim ro'l o'ynaydi. Quyidagi frameworklar va kutubxonalar ko'pchilik AI muhandislari uchun juda muhim. Ular ochiq manba, sifatli va bepul.

1️⃣ Scikit-learn: Agar siz ML o'rganishingiz kerak bo'lsa

Nima u 😉: Scikit-learn bu Python kutubxonasi ML algorithmlarini o'z ichiga olgan va u bilan algoritimlarni qo'llash oson.

Tarixi: David Cournapeau ismli dasturchi dastlab 2007 yilda talabalik vaqtida scikit-learn-ni ommaga taklif etdi. Ochiq manbalar hamjamiyati orasida u tez ommalashib ketdi va yillar davomida bir necha bor yangilandi.

XUSUSIYATLARI:
✔️Scikit-learn har bir asosiy ML algoritmini o'z ichiga oladi, jumladan support vector machines, random forests, gradient boosting, k-means clustering, DBSCAN va boshqalar.
✔️U ma'lumotlarni tozalash, tayyorlash va hisoblash uchun NumPy va SciPy (ikkalasi ham quyida tavsiflanadi) bilan uzluksiz ishlashga mo'ljallangan.
✔️Unda ma'lumotlarni yuklash hamda ularni training va test to'plamlariga bo'lish uchun modullar mavjud.
✔️Matn va rasm ma'lumotlari uchun xususiyatlarni ajratib olishni qo'llab-quvvatlaydi (feature extraction).

Eng yaxshisi: Scikit-learn - bu ML bilan ishlaydigan har bir kishi uchun bilishi kerak bo'lgan kutubxona (must-have). Agar siz Classification, regression, clustering, model tanlash (model selection) va boshqalar uchun algoritmlarni amalga oshirishingiz kerak bo'lsa, u mavjud bo'lgan eng yaxshi kutubxonalardan biri hisoblanadi.

Kamchiliklari: Scikit-learn DL rivojlanishidan oldin qurilgan kutubxona. Shuning uchun ML fanining asosiy ishlari uchun juda yaxshi ishlayotgan bo'lsa-da, neyron tarmoqlarni qurishda muammoga duch kelishingiz mumkin. Agar siz neyron tarmoqlarni qurmoqchi bo'lsangiz, sizga TensorFlow yoki Pytorch kerak bo'ladi (quyida).

@machine_learning_lab

​​2️⃣NumPy: Agar siz matritsalar va vektorlar bilan ishlashingiz kerak bo'lsa

Nima u: NumPy - massivlar (arrays) yoki bir hil ma'lumotlarning katta to'plamlari bilan ishlash uchun Python kutubxonasi. Siz raqamlar ustun va satrlarda saqlanadigan elektron jadval kabi massiv ma'lumotlar to'plami bilan ishlashingiz mumkin.

Tarixi: Python 1991-yilda ishga tushirilganda dastlab raqamli hisoblash uchun mo‘ljallanmagan. Shunga qaramay, uning qulayligi ilmiy jamoatchilik e’tiborini erta o‘ziga tortgan. Yillar davomida ochiq manbalar hamjamiyati (open source community) raqamli hisoblash uchun ketma-ket paketlarni ishlab chiqdi. 2005 yilda dasturchi Travis Oliphant o'n yillik ochiq manbali ishlanmalarni NumPy deb nomlagan raqamli hisoblash uchun yagona kutubxonaga birlashtirdi.

Xususiyatlari:
✔️NumPy-ning asosiy xususiyati massivlarni (arrays) qo'llab-quvvatlashdir, bu sizga katta ma'lumotlar to'plamini tezda qayta ishlash va manipulyatsiya qilish imkonini beradi.
✔️NumPy-dagi massivlar n o'lchovli bo'lishi mumkin. Bu shuni anglatadiki, ma'lumotlar to'plami bitta ustun va qator yoki ko'p sonli ustunlar va qatorlardan iborat bo'lishi mumkin.
✔️NumPy-da ba'zi chiziqli algebra funktsiyalarini bajarish uchun modullar mavjud.
✔️Shuningdek, unda raqamli massivlarni grafikalash va chizish uchun modullar mavjud.
✔️NumPy massivlaridagi ma'lumotlar bir hildir, ya'ni ularning barchasi bir xil turdagi (raqamlar (numbers), satrlar (strings), mantiqiy qiymatlar (booleans) va boshqalar) ma'lumot bo'lishi kerak. Bu ma'lumotlarni samarali qayta ishlash imkonini beradi.

Afzalliklari: Data Science yoki ML operatsiyalari uchun ma'lumotlarni manipulyatsiya qilish va qayta ishlash. Raqamli ma'lumotlar bilan ishlashdagi eng zo'r kutubxona.

Kamchiliklari: NumPy massivlari bir xil bo'lgani uchun ular aralash ma'lumotlarga mos kelmaydi. Python ro'yxatlaridan (lists) foydalanganingiz ma'qul. Bundan tashqari, 500 000 dan ortiq ustunlar bilan ishlashda NumPy-ning ishlashi pasayadi.

@machine_learning_lab

​​3️⃣Pandas: Agar siz ma'lumotlarni manipulyatsiya qilishingiz kerak bo'lsa

Nima u: Pandas bir vaqtning o'zida har xil turdagi labeled ma'lumotlar bilan ishlash uchun kutubxonadir. Masalan, agar siz raqamli, text va bir qator ma'lumotlarini o'z ichiga olgan CSV faylini tahlil qilishingiz kerak bo'lsa, Pandas eng yaxshi kutubxona.

Tarixi: Wes McKinney 2008 yilda Pandas kutubxonasini ishlab chiqardi. U NumPy-ga asoslanadi (va aslida Pandas-dan foydalanish uchun sizda NumPy o'rnatilgan bo'lishi kerak) va bu kutubxonani turli xil ma'lumotlar bilan ishlash uchun kengaytiradi.

Xususiyatlari:
✔️Pandas-ning asosiy xususiyati uning turli xil ma'lumotlar tuzilmalari bo'lib, foydalanuvchilarga tahlil operatsiyalari assortimentini bajarishga imkon beradi.
✔️Pandas ma'lumotlarni manipulyatsiya qilish uchun turli xil modullarga ega, jumladan, o'zgartirish, birlashtirish va aylantirish.
✔️Pandas ma'lumotlarni vizualizatsiya qilish qobiliyatiga ega.
✔️Foydalanuvchilar tashqi kutubxonalarga murojat qilmasdan matematik operatsiyalarni, jumladan, hisob va statistik amallarni bajarishlari mumkin.
✔️Unda yetishmayotgan ma'lumotlar (missing data) bilan ishlashga yordam beruvchi modullar mavjud.

Afzalliklari: Data Analysis

Kamchiliklari: Pandas, ayniqsa katta ma'lumotlar to'plamlari bilan ishlashda xotirani ko'p talab qilishi mumkin. Buning sababi, Pandas ma'lumotlarni xotirada DataFrame sifatida saqlaydi, bu esa mavjud operativ xotiradan kattaroq bo'lgan ma'lumotlar to'plamlari bilan ishlashda xotira cheklovlariga olib kelishi mumkin.

👉@machine_learning_lab