#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
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
Medium
How to solve 90% of NLP problems: a step-by-step guide
Using Machine Learning to understand and leverage text.
👍4🔥4
#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 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
👍10🔥4
Machine Learning Lab. pinned «#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)…»
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
👆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
👍11👏1
#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
🐍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
👍9🔥1
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
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
👍6🔥2
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
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
👍8🔥1
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
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
👍6
#tensorflow #pytorch
Tensorflow vs Pytorch
💻ML engineerlari DL modellarini qurishda turli xil maxsus Framework-lardan foydalanishadi. Bulardan eng keng tarqalgani Tensorflow va Pytorch lardir.
❓O'z-o'zidan savol tug'iladi: Qaysi biri yaxshi? Yoki Qaysi birini tanlash kerak yangi o'rganuvchilar?
Ushbu postda yuqoridagi savolga javob topishga harakat qilamiz.
TensorFlow va PyTorch DL bilan bog'liq bir xil muhim vazifalarni bajaradi: ular ma'lumotlarni olishni, modellarni o'qitishni va bashorat qilishni osonlashtiradi. Yuzni tanib olishdan tortib katta til modellarigacha (Large Language Models (LLMs)) ko'plab neyron tarmoqlar TensorFlow yoki PyTorch yordamida kodlangan.
Shunga qaramay, AI hamjamiyatida qaysi biri eng yaxshisiligi haqida hanuzgacha munozaralar davom etadi. 2015 yilda chiqarilgan TensorFlow birinchi bo'lib foydalanishga chiqarildi. U tijorat AI va mahsulotni ishlab chiqishda ustunlik qiladi, ammo ko'p foydalanuvchilar uning murakkabligidan shikoyat qiladilar.
2016-yilda chiqarilgan PyTorch ham o‘rganishga osonroq, ham amalga oshirish tezroq deb hisoblanadi. Bu akademiklar orasida sevimli va sanoatda tobora ommalashib bormoqda. Biroq, masshtablashda kurashayotgani ma'lum.
Qaysi bibini tanlash kerak?
TensorFlow hali ham sanoatda DL kutubxonasi hisoblanadi. Bu qisman inertsiyaga va qisman TensorFlow katta loyihalar va murakkab ish oqimlarini boshqarishda PyTorchga qaraganda yaxshiroq ekanligi bilan bog'liq. Tijoriy foydalanish uchun mo'ljallangan sun'iy intellekt mahsulotlari bilan ishlash qobiliyati uni mahsulotni ishlab chiqish uchun eng ommabob kutubxona qiladi.
Agar siz DL-ni endigina o'rganishga kirishayotgan bo'lsangiz va tezda modellarni yaratish va prototiplashga e'tibor qaratmoqchi bo'lsangiz, PyTorch, ehtimol, yaxshiroq tanlovdir. Shuni yodda tutingki, ish talablaringiz va kompaniyangiz texnologiyasiga qarab bir kun TensorFlow-ni o'rganishingiz kerak bo'lishi mumkin (ayniqsa, orzuingizdagi ish TensorFlow uyi Googleda bo'lsa 😊😎).
P.s: Xulosa o'zingizdan hohlaganingizni tanlashingiz mumkin 😊👍.
@machine_learning_lab
Tensorflow vs Pytorch
💻ML engineerlari DL modellarini qurishda turli xil maxsus Framework-lardan foydalanishadi. Bulardan eng keng tarqalgani Tensorflow va Pytorch lardir.
❓O'z-o'zidan savol tug'iladi: Qaysi biri yaxshi? Yoki Qaysi birini tanlash kerak yangi o'rganuvchilar?
Ushbu postda yuqoridagi savolga javob topishga harakat qilamiz.
TensorFlow va PyTorch DL bilan bog'liq bir xil muhim vazifalarni bajaradi: ular ma'lumotlarni olishni, modellarni o'qitishni va bashorat qilishni osonlashtiradi. Yuzni tanib olishdan tortib katta til modellarigacha (Large Language Models (LLMs)) ko'plab neyron tarmoqlar TensorFlow yoki PyTorch yordamida kodlangan.
Shunga qaramay, AI hamjamiyatida qaysi biri eng yaxshisiligi haqida hanuzgacha munozaralar davom etadi. 2015 yilda chiqarilgan TensorFlow birinchi bo'lib foydalanishga chiqarildi. U tijorat AI va mahsulotni ishlab chiqishda ustunlik qiladi, ammo ko'p foydalanuvchilar uning murakkabligidan shikoyat qiladilar.
2016-yilda chiqarilgan PyTorch ham o‘rganishga osonroq, ham amalga oshirish tezroq deb hisoblanadi. Bu akademiklar orasida sevimli va sanoatda tobora ommalashib bormoqda. Biroq, masshtablashda kurashayotgani ma'lum.
Qaysi bibini tanlash kerak?
TensorFlow hali ham sanoatda DL kutubxonasi hisoblanadi. Bu qisman inertsiyaga va qisman TensorFlow katta loyihalar va murakkab ish oqimlarini boshqarishda PyTorchga qaraganda yaxshiroq ekanligi bilan bog'liq. Tijoriy foydalanish uchun mo'ljallangan sun'iy intellekt mahsulotlari bilan ishlash qobiliyati uni mahsulotni ishlab chiqish uchun eng ommabob kutubxona qiladi.
Agar siz DL-ni endigina o'rganishga kirishayotgan bo'lsangiz va tezda modellarni yaratish va prototiplashga e'tibor qaratmoqchi bo'lsangiz, PyTorch, ehtimol, yaxshiroq tanlovdir. Shuni yodda tutingki, ish talablaringiz va kompaniyangiz texnologiyasiga qarab bir kun TensorFlow-ni o'rganishingiz kerak bo'lishi mumkin (ayniqsa, orzuingizdagi ish TensorFlow uyi Googleda bo'lsa 😊😎).
P.s: Xulosa o'zingizdan hohlaganingizni tanlashingiz mumkin 😊👍.
@machine_learning_lab
👍5🤔1
Siz ko'proq qaysi Framework dan foydalanasiz?
Anonymous Poll
30%
Tensorflow
47%
Pytorch
23%
Boshqa framework
#ML_darslari #youtube
Qadri baland qadrdonlar! Youtubedagi kanalimizda ML online darslarining navbatdagisi chiqdi. Vaqtingiz bo'lganida ko'rib qo'ysangiz manfaatli bo'ladi Insha Alloh.
@machine_learning_lab
Qadri baland qadrdonlar! Youtubedagi kanalimizda ML online darslarining navbatdagisi chiqdi. Vaqtingiz bo'lganida ko'rib qo'ysangiz manfaatli bo'ladi Insha Alloh.
@machine_learning_lab
YouTube
4.2 Linear Algebra Matrix and Vectors ustida amallar | Machine Learning darslari
Usbu vido darsda Chiziqli Algebra ning matritsa va vectorlar bo'limiga oid ma'lumotlar berdik va ular ustida matematik amallarni ko'rib chiqdik.
*Xatolik: Videoning 10:33 daqiqasidan boshlangan slide da B12 = A21 = 0 bo'lishi kerak videoda 2 soni ko'rsatilgan.…
*Xatolik: Videoning 10:33 daqiqasidan boshlangan slide da B12 = A21 = 0 bo'lishi kerak videoda 2 soni ko'rsatilgan.…
👍8🔥3
4️⃣ SciPY: Matematik hamda Data Science amallari uchun.
Nima u: SciPy ilmiy hisoblash uchun Python kutubxonasi. Unda olimlarga tajriba o'tkazish yoki tahlil qilishda yordam beradigan hisob-kitoblarni amalga oshirish uchun paketlar va modullar mavjud.
Tarixi: 1990-yillarning oxiri va 2000-yillarning boshlarida Python ochiq manbalar hamjamiyati ilmiy hamjamiyat ehtiyojlarini qondirish uchun vositalar to‘plami ustida ishlay boshladi. 2001 yilda ular ushbu vositalarni SciPy kutibxonasi sifatida chiqardilar. Hozirgacha hamjamiyat (comunity) faol bo'lib doimo kutubxonani yangilab va yangi xususiyatlar qo'shib boradilar.
Xususiyatlari:
✔️SciPy to'plamlari hisob, chiziqli algebra, statistika, ehtimollar nazariyadi va boshqalardan matematik usullarning to'liq to'plamini o'z ichiga olgan.
✔️Data Science engineer-lari uchun uning eng mashhur paketlaridan ba'zilari: interpolyatsiya, K-mens testing, raqamli integratsiya, Furye o'zgarishlari (Fourier transforms), ortogonal masofa regressiyasi va optimallashtirish.
✔️SciPy shuningdek, tasvirni qayta ishlash va signallarni qayta ishlash uchun paketlarni o'z ichiga oladi.
✔️Weave xususiyati foydalanuvchilarga Python ichida C/C++ da kod yozish imkonini beradi.
Afzalliklari: SciPy - Data Science engineer-larining eng yaxshi do'sti.
Kamchiliklari: Ba'zi foydalanuvchilar SciPy hujjatlarida (documentation) kamchiliklar bor deyishadi va uning bir nechta paketlarini MatLab-da topilgan shunga o'xshash paketlardan pastroq deb tanqid qilishdi. Yani Matlab-dagi paketlar yaxshiroq ishlaydi deyishadi.
@machine_learning_lab
Nima u: SciPy ilmiy hisoblash uchun Python kutubxonasi. Unda olimlarga tajriba o'tkazish yoki tahlil qilishda yordam beradigan hisob-kitoblarni amalga oshirish uchun paketlar va modullar mavjud.
Tarixi: 1990-yillarning oxiri va 2000-yillarning boshlarida Python ochiq manbalar hamjamiyati ilmiy hamjamiyat ehtiyojlarini qondirish uchun vositalar to‘plami ustida ishlay boshladi. 2001 yilda ular ushbu vositalarni SciPy kutibxonasi sifatida chiqardilar. Hozirgacha hamjamiyat (comunity) faol bo'lib doimo kutubxonani yangilab va yangi xususiyatlar qo'shib boradilar.
Xususiyatlari:
✔️SciPy to'plamlari hisob, chiziqli algebra, statistika, ehtimollar nazariyadi va boshqalardan matematik usullarning to'liq to'plamini o'z ichiga olgan.
✔️Data Science engineer-lari uchun uning eng mashhur paketlaridan ba'zilari: interpolyatsiya, K-mens testing, raqamli integratsiya, Furye o'zgarishlari (Fourier transforms), ortogonal masofa regressiyasi va optimallashtirish.
✔️SciPy shuningdek, tasvirni qayta ishlash va signallarni qayta ishlash uchun paketlarni o'z ichiga oladi.
✔️Weave xususiyati foydalanuvchilarga Python ichida C/C++ da kod yozish imkonini beradi.
Afzalliklari: SciPy - Data Science engineer-larining eng yaxshi do'sti.
Kamchiliklari: Ba'zi foydalanuvchilar SciPy hujjatlarida (documentation) kamchiliklar bor deyishadi va uning bir nechta paketlarini MatLab-da topilgan shunga o'xshash paketlardan pastroq deb tanqid qilishdi. Yani Matlab-dagi paketlar yaxshiroq ishlaydi deyishadi.
@machine_learning_lab
👍10
5️⃣ Tensorflow
Nima u: TensorFlow - bu Deep Learning (DL) modellarini qurish, o'rgatish va qo'llash uchun ochiq manbali kutubxona.
Tarixi: TensorFlow dastlab 2015 yilda Google Brain tomonidan chiqarilgan. Dastlab, uning front-end qismi foydalanuvchilarga qulay emas edi va u modellarni yaratish va amalga oshirishni qiyinlashtirgan ortiqcha API-larga ega edi. Ushbu muammolarning aksariyati vaqt o'tishi bilan yangilandi, shuningdek, Keras-ni (keyingi postda) front-end qism sifatida integratsiyalash orqali hal qilindi.
Xususiyatlari:
✔️TensorFlow DL modellarini yaratish va ularni tijorat maqsadlarida qo'llash uchun, kengaytirish uchun ko'plab paketlarga ega.
✔️TensorFlow foydalanuvchilari Dev Hub va Model Garden-da oldindan o'qitilgan (pre-trained) yuzlab modellarga murojat qilishlari mumkin. Dev Hub o'z ichiga plagin va ishga tushirish modellarini o'z ichiga oladi, Model Garden esa moslashtirishni qulayroq bo'lgan ilg'or foydalanuvchilar uchun mo'ljallangan.
✔️U xotiradan foydalanishda samarali bo'lib, bir nechta neyron tarmoqlarni parallel ravishda training qilish imkonini beradi.
✔️TensorFlow ilovalari turli xil apparat tizimlarida (hardware), jumladan CPU, GPU, TPU va boshqalarda ishlashi mumkin.
✔️TensorFlow Lite mobil va embedded DL modellari uchun optimallashtirilgan.
✔️Foydalanuvchilar Tensorboard.dev saytida ML tajribalarini bepul yuklashlari va baham ko‘rishlari mumkin.
Afzalligi: Ishlab chiqarishga tayyor DL modellarini keng miqyosda yaratish.
Kamchiliklari: Ba'zi foydalanuvchilar hali ham front-end juda murakkab ekanligidan shikoyat qiladilar. TensorFlow 1.0 va TensorFlow 2.0 versiyalari mavjud. TensorFlow 1.0 nisbatan sekinroq.
👉@machine_learning_lab
Nima u: TensorFlow - bu Deep Learning (DL) modellarini qurish, o'rgatish va qo'llash uchun ochiq manbali kutubxona.
Tarixi: TensorFlow dastlab 2015 yilda Google Brain tomonidan chiqarilgan. Dastlab, uning front-end qismi foydalanuvchilarga qulay emas edi va u modellarni yaratish va amalga oshirishni qiyinlashtirgan ortiqcha API-larga ega edi. Ushbu muammolarning aksariyati vaqt o'tishi bilan yangilandi, shuningdek, Keras-ni (keyingi postda) front-end qism sifatida integratsiyalash orqali hal qilindi.
Xususiyatlari:
✔️TensorFlow DL modellarini yaratish va ularni tijorat maqsadlarida qo'llash uchun, kengaytirish uchun ko'plab paketlarga ega.
✔️TensorFlow foydalanuvchilari Dev Hub va Model Garden-da oldindan o'qitilgan (pre-trained) yuzlab modellarga murojat qilishlari mumkin. Dev Hub o'z ichiga plagin va ishga tushirish modellarini o'z ichiga oladi, Model Garden esa moslashtirishni qulayroq bo'lgan ilg'or foydalanuvchilar uchun mo'ljallangan.
✔️U xotiradan foydalanishda samarali bo'lib, bir nechta neyron tarmoqlarni parallel ravishda training qilish imkonini beradi.
✔️TensorFlow ilovalari turli xil apparat tizimlarida (hardware), jumladan CPU, GPU, TPU va boshqalarda ishlashi mumkin.
✔️TensorFlow Lite mobil va embedded DL modellari uchun optimallashtirilgan.
✔️Foydalanuvchilar Tensorboard.dev saytida ML tajribalarini bepul yuklashlari va baham ko‘rishlari mumkin.
Afzalligi: Ishlab chiqarishga tayyor DL modellarini keng miqyosda yaratish.
Kamchiliklari: Ba'zi foydalanuvchilar hali ham front-end juda murakkab ekanligidan shikoyat qiladilar. TensorFlow 1.0 va TensorFlow 2.0 versiyalari mavjud. TensorFlow 1.0 nisbatan sekinroq.
👉@machine_learning_lab
🔥4👍2👏1
6️⃣ Keras
Nima u: Keras - bu neyron tarmoqlar bilan ishlash uchun yangi o'rganuvchilar uchun qulay vositalar to'plami. Bu TensorFlow uchun front-end qismi.
Tarixi: Google muhandisi Francois Choillet 2015 yilda Kerasni bir qator DL kutubxonalari uchun API sifatida ishlash uchun chiqardi. 2020 yildan boshlab Keras TensorFlow uchun eksklyuziv hisoblanadi.
Xususiyatlari:
✔️Keras TensorFlow-da neyron tarmoqlarni qurish bo'yicha yuqori darajadagi vazifalarni bajaradi va shu sababli faollashtirish funktsiyalari, qatlamlar, optimallashtiruvchilar va boshqalar kabi fundamental modullarni o'z ichiga oladi.
✔️Keras vanilla neural network, convolutional neural network, va recurrent neural network, shuningdek utility qatlamlari ya'ni batch normalization, dropout, va pooling kabilarni o'z ichiga olgan yordamchi qatlamlarni qo'llab-quvvatlaydi.
✔️U neyron tarmoqlarni kodlashni soddalashtirish uchun mo'ljallangan.
Afzalliklari: Neyron tarmoqlarini rivojlantirishda juda qulay.
Kamchiliklari: Bu faqat TensorFlow foydalanuvchilari uchun mavjud. Agar siz TensorFlow-dan foydalansangiz, Keras eshiklari sizga ochiq.
👉@machine_learning_lab
Nima u: Keras - bu neyron tarmoqlar bilan ishlash uchun yangi o'rganuvchilar uchun qulay vositalar to'plami. Bu TensorFlow uchun front-end qismi.
Tarixi: Google muhandisi Francois Choillet 2015 yilda Kerasni bir qator DL kutubxonalari uchun API sifatida ishlash uchun chiqardi. 2020 yildan boshlab Keras TensorFlow uchun eksklyuziv hisoblanadi.
Xususiyatlari:
✔️Keras TensorFlow-da neyron tarmoqlarni qurish bo'yicha yuqori darajadagi vazifalarni bajaradi va shu sababli faollashtirish funktsiyalari, qatlamlar, optimallashtiruvchilar va boshqalar kabi fundamental modullarni o'z ichiga oladi.
✔️Keras vanilla neural network, convolutional neural network, va recurrent neural network, shuningdek utility qatlamlari ya'ni batch normalization, dropout, va pooling kabilarni o'z ichiga olgan yordamchi qatlamlarni qo'llab-quvvatlaydi.
✔️U neyron tarmoqlarni kodlashni soddalashtirish uchun mo'ljallangan.
Afzalliklari: Neyron tarmoqlarini rivojlantirishda juda qulay.
Kamchiliklari: Bu faqat TensorFlow foydalanuvchilari uchun mavjud. Agar siz TensorFlow-dan foydalansangiz, Keras eshiklari sizga ochiq.
👉@machine_learning_lab
👍7
Ushbu yuqoridagi postimda python NumPy kutubxonasi haqida umumiy ma'lumotlar va uning kuchli tomonlari haqida yozgan edim. 👆
Ushbu kutubxona nafaqat ML engineerlari uchun balki barcha insonlarga qaysiki ko'plam ma'lumotlar va hisob-kitob ishlari bilan shug'ullanadigan.
Youtube platformasini qarab chiqsam ushbu kutubxona haqida o'zbek tilidagi darslar deyarli yo'q ekan. Shundan kelib chiqib NumPy kutubxonasi haqida ham video darslik qilishni niyat qildim va birinchi qismi Youtue kanalimizga joylandi. 😎😊
P.s: Videoni ko'rib izohlar bo'limida fikringizni qoldiring. Agar fikringiz bo'lmasa fikrim yo'q deb qoldiring 😂
Telegram | Youtube
Ushbu kutubxona nafaqat ML engineerlari uchun balki barcha insonlarga qaysiki ko'plam ma'lumotlar va hisob-kitob ishlari bilan shug'ullanadigan.
Youtube platformasini qarab chiqsam ushbu kutubxona haqida o'zbek tilidagi darslar deyarli yo'q ekan. Shundan kelib chiqib NumPy kutubxonasi haqida ham video darslik qilishni niyat qildim va birinchi qismi Youtue kanalimizga joylandi. 😎😊
👍9❤1
7️⃣PyTorch
Nima u: PyTorch - bu Facebook AI tadqiqot laboratoriyasining TensorFlow-ga javobi. Bu ML va Data Science fanlari, xususan, DL uchun ochiq manbali, umumiy maqsadli kutubxona.
Tarixi: Facebook PyTorch-ni 2016 yilda – TensorFlowdan bir yil o‘tib – chiqardi va u tez prototip yaratishga qiziqqan akademiklar va boshqa tadqiqotchilar orasida tezda mashhur bo‘ldi. Bu uning soddalashtirilgan Front-end tomoni va standart rejimi operatsiyalarni darhol bajarishi (TensorFlow singari ularni keyinchalik qayta ishlash uchun grafikaga qo'shishdan farqli o'laroq) bilan bog'liq edi.
Xususiyatlari:
✔️PyTorch TensorFlow-ga o'xshash ko'plab xususiyatlarga ega. Haqiqatan ham, ular ishga tushirilgandan so'ng, har bir kutubxona foydalanuvchilarga boshqasidan ko'proq yoqadigan xususiyatlarni o'z ichiga olgan holda yangilandi.
✔️PyTorch oldindan tayyorlangan modellar (pre-trained) uchun o'z kutubxonalariga ega. PyTorch Hub model dizayni bilan tajriba o'tkazmoqchi bo'lgan akademik foydalanuvchilarga mo'ljallangan va Ekotizim vositalarida oldindan o'qitilgan modellar mavjud.
✔️PyTorch xotirada tejamkor va bir nechta modellarni parallel ravishda o'rgatish imkonini beradi.
✔️U turli xil apparat turlarini qo'llab-quvvatlaydi.
Afzalliklari: DL modellarini tezkor prototiplash. Pytorch kodi tez va samarali ishlaydi.
Kamchiliklari: Ba'zi foydalanuvchilar PyTorch kattaroq loyihalar, katta ma'lumotlar to'plami va murakkab ish oqimlari bilan ishlashda kamchiliklar sezishgani haqida fikrlar bildirishadi.
👉@machine_learning_lab
Nima u: PyTorch - bu Facebook AI tadqiqot laboratoriyasining TensorFlow-ga javobi. Bu ML va Data Science fanlari, xususan, DL uchun ochiq manbali, umumiy maqsadli kutubxona.
Tarixi: Facebook PyTorch-ni 2016 yilda – TensorFlowdan bir yil o‘tib – chiqardi va u tez prototip yaratishga qiziqqan akademiklar va boshqa tadqiqotchilar orasida tezda mashhur bo‘ldi. Bu uning soddalashtirilgan Front-end tomoni va standart rejimi operatsiyalarni darhol bajarishi (TensorFlow singari ularni keyinchalik qayta ishlash uchun grafikaga qo'shishdan farqli o'laroq) bilan bog'liq edi.
Xususiyatlari:
✔️PyTorch TensorFlow-ga o'xshash ko'plab xususiyatlarga ega. Haqiqatan ham, ular ishga tushirilgandan so'ng, har bir kutubxona foydalanuvchilarga boshqasidan ko'proq yoqadigan xususiyatlarni o'z ichiga olgan holda yangilandi.
✔️PyTorch oldindan tayyorlangan modellar (pre-trained) uchun o'z kutubxonalariga ega. PyTorch Hub model dizayni bilan tajriba o'tkazmoqchi bo'lgan akademik foydalanuvchilarga mo'ljallangan va Ekotizim vositalarida oldindan o'qitilgan modellar mavjud.
✔️PyTorch xotirada tejamkor va bir nechta modellarni parallel ravishda o'rgatish imkonini beradi.
✔️U turli xil apparat turlarini qo'llab-quvvatlaydi.
Afzalliklari: DL modellarini tezkor prototiplash. Pytorch kodi tez va samarali ishlaydi.
Kamchiliklari: Ba'zi foydalanuvchilar PyTorch kattaroq loyihalar, katta ma'lumotlar to'plami va murakkab ish oqimlari bilan ishlashda kamchiliklar sezishgani haqida fikrlar bildirishadi.
👉@machine_learning_lab
👍5🔥3
Hammaga ma'lum Apple har yili o'zining yangiliklari va yangi mahsulotlari bilan tanishtirib boradi. Kuni kecha yarm tunda navbatdagi Apple event (WWDC 2023) bo'lib o'tdi.
Ushbu ko'rgazmada bir necha yangilangan mahsulotlarini taqdimot qildi jumladan: IOS-17 Macbook Air-16 (M2 chip), Airpods va bir necha updated app-lari.
Eng asosiy yangiligi bu VisionPro mahsuloti bo'libdi. Ushbu mahsulotda Digital va Physical dunyoni mohirona uyg'unlashtirishibdi. Mana ML ning yana bir kuchi bizni hayotimizga kirib kelganiga isbot. Bundan tashqari Apple juda ko'p applarida Machine Learning-dan foydalanmoqda. Quyidagi rasmda ushbu mahsulot ko'rinishi. Ushbu mahsulot haqida ba'tafsil malumotlarni ushbu event-ni ko'rish orqali olishingiz mumkin.
Aytgancha ushbu mahsulot hozirda sotuvga chiqarilmagan. Malum qilinishicha, kelasi yilning boshlaridan sotuvga chiqarilar ekan. To'ydan oldin nog'ora chalib qo'yishibdi 😂.
P.s. Apple mahsulotlari narxi arzon bo'lmaganidek VisionPro-ning narxi $3499 😊
👉@machine_learning_lab
Ushbu ko'rgazmada bir necha yangilangan mahsulotlarini taqdimot qildi jumladan: IOS-17 Macbook Air-16 (M2 chip), Airpods va bir necha updated app-lari.
Eng asosiy yangiligi bu VisionPro mahsuloti bo'libdi. Ushbu mahsulotda Digital va Physical dunyoni mohirona uyg'unlashtirishibdi. Mana ML ning yana bir kuchi bizni hayotimizga kirib kelganiga isbot. Bundan tashqari Apple juda ko'p applarida Machine Learning-dan foydalanmoqda. Quyidagi rasmda ushbu mahsulot ko'rinishi. Ushbu mahsulot haqida ba'tafsil malumotlarni ushbu event-ni ko'rish orqali olishingiz mumkin.
Aytgancha ushbu mahsulot hozirda sotuvga chiqarilmagan. Malum qilinishicha, kelasi yilning boshlaridan sotuvga chiqarilar ekan. To'ydan oldin nog'ora chalib qo'yishibdi 😂.
P.s. Apple mahsulotlari narxi arzon bo'lmaganidek VisionPro-ning narxi $3499 😊
👉@machine_learning_lab
👍9
So'ngi 10 yillik sun'iy itellektning (AI) tahlili
1-qism. Kirish
So'nggi o'n yillik sun'iy intellekt (AI) uchun hayajonli va voqealarga boy bo'ldi. Deep Learning sohasidagi kamtarona izlanishlar elektron tijoratdagi tavsiya tizimlaridan tortib avtonom transport vositalari uchun ob'ektlarni aniqlash va real tasvirlardan tortib izchil matngacha hamma narsani yarata oladigan generativ modellarni yaratilishiga olib keldi va bugungi kunda ularsiz kundalik hayotimizni tasavvur qilishimiz qiyin.
Navbatdagi bir nechta postlarda biz Deep Learning tarixi bo'ylab sayr qilamiz va bizni bugungi kunga olib kelgan ba'zi muhim yutuqlarni qayta ko'rib chiqamiz. Siz AI bo'yicha tajribali mutaxassis bo'lasizmi yoki bu sohadagi so'nggi ishlanmalarga qiziqasizmi, ushbu postlar yordamida sizga sun'iy intellektning mashhur bo'lishiga olib kelgan ajoyib yutuqlar haqida ma'lumot berishga harakat qilamiz.
Quyidagi rasmda siz AI ning so'ngi 10 yillikdagi asosiy yutuqlarini ko'rishingiz mumkin.
Davomi bor... 👇
@machine_learning_lab
1-qism. Kirish
So'nggi o'n yillik sun'iy intellekt (AI) uchun hayajonli va voqealarga boy bo'ldi. Deep Learning sohasidagi kamtarona izlanishlar elektron tijoratdagi tavsiya tizimlaridan tortib avtonom transport vositalari uchun ob'ektlarni aniqlash va real tasvirlardan tortib izchil matngacha hamma narsani yarata oladigan generativ modellarni yaratilishiga olib keldi va bugungi kunda ularsiz kundalik hayotimizni tasavvur qilishimiz qiyin.
Navbatdagi bir nechta postlarda biz Deep Learning tarixi bo'ylab sayr qilamiz va bizni bugungi kunga olib kelgan ba'zi muhim yutuqlarni qayta ko'rib chiqamiz. Siz AI bo'yicha tajribali mutaxassis bo'lasizmi yoki bu sohadagi so'nggi ishlanmalarga qiziqasizmi, ushbu postlar yordamida sizga sun'iy intellektning mashhur bo'lishiga olib kelgan ajoyib yutuqlar haqida ma'lumot berishga harakat qilamiz.
Quyidagi rasmda siz AI ning so'ngi 10 yillikdagi asosiy yutuqlarini ko'rishingiz mumkin.
Davomi bor... 👇
@machine_learning_lab
👍7👏3
So'ngi 10 yillik sun'iy itellektning (AI) tahlili
2-qism. AlexNet va Variational Autoencoders
2013 yil Computer Vision sohasidagi katta yutuqlar tufayli Deep Learning-ning 'portlash davri' sifatida keng e'tirof etiladi. Jeffri Xintonning yaqinda bergan intervyusiga ko'ra, 2013 yilga kelib "Computer Vision bo'yicha deyarli barcha tadqiqotlar neyron tarmoqlarga o'tdi". Bu bum, birinchi navbatda, bir yil avval tasvirni aniqlashda (image recognition) juda hayratlanarli yutuqqa erishilgan edi.
2012-yil sentabr oyida chuqur konvolyutsion neyron tarmog‘i (Deep Convolutional Neural Network - CNN) AlexNet ImageNet Large Scale Visual Recognition Challenge (ILSVRC) da tasvirni aniqlash vazifalarida DL imkoniyatlarini namoyish qilib, rekord darajadagi natijaga erishdi. U eng yaqin raqobatchisidan 10,9% past bo'lgan 15,3% ni tashkil etgan eng yaxshi beshlik xatosiga erishdi (Quyidagi rasmda tasvirlangan).
Ushbu muvaffaqiyat ortidagi texnik yaxshilanishlar AI-ning kelajakdagi traektoriyasi uchun muhim rol o'ynadi va DL-ni amaliyotga tadbiqini tubdan o'zgartirdi.
👉@machine_learning_lab
2-qism. AlexNet va Variational Autoencoders
2013 yil Computer Vision sohasidagi katta yutuqlar tufayli Deep Learning-ning 'portlash davri' sifatida keng e'tirof etiladi. Jeffri Xintonning yaqinda bergan intervyusiga ko'ra, 2013 yilga kelib "Computer Vision bo'yicha deyarli barcha tadqiqotlar neyron tarmoqlarga o'tdi". Bu bum, birinchi navbatda, bir yil avval tasvirni aniqlashda (image recognition) juda hayratlanarli yutuqqa erishilgan edi.
2012-yil sentabr oyida chuqur konvolyutsion neyron tarmog‘i (Deep Convolutional Neural Network - CNN) AlexNet ImageNet Large Scale Visual Recognition Challenge (ILSVRC) da tasvirni aniqlash vazifalarida DL imkoniyatlarini namoyish qilib, rekord darajadagi natijaga erishdi. U eng yaqin raqobatchisidan 10,9% past bo'lgan 15,3% ni tashkil etgan eng yaxshi beshlik xatosiga erishdi (Quyidagi rasmda tasvirlangan).
Ushbu muvaffaqiyat ortidagi texnik yaxshilanishlar AI-ning kelajakdagi traektoriyasi uchun muhim rol o'ynadi va DL-ni amaliyotga tadbiqini tubdan o'zgartirdi.
👉@machine_learning_lab
🔥5👍3👏2