1.1-dars: Data Science nima

1-QISM — KIRISH: DATA SCIENCE · 1-dars

1. Kirish va motivatsiya

Har kuni dunyo ulkan miqdorda ma'lumot ishlab chiqaradi — har bosilgan tugma, har xarid, har xabar, har sensor o'lchovi. Bu ma'lumot ichida qimmatli bilim yashiringan: qaysi mahsulot sotiladi, qaysi bemor xavf ostida, qaysi tranzaksiya firibgarlik. Lekin xom ma'lumot o'zi hech narsa aytmaydi — uni tushunish, tahlil qilish va bashorat qilish kerak. Aynan shu — Data Science (ma'lumot ilmi). Bu kasb so'nggi o'n yillikda dunyodagi eng talab qilinadigan va eng yuqori maoshli sohalardan biriga aylandi: kompaniyalar ma'lumotdan qaror chiqaradigan mutaxassislarni izlaydi. Bu birinchi dars Data Science nima ekanini, u qanday ishlashini va bu kurs sizni qayerga olib borishini ko'rsatadi — noldan boshlab.

Data Science — ma'lumotdan bilim va qiymat chiqarish fani va amaliyoti: ma'lumot (xom faktlar — raqamlar, matn, rasm), tahlil (tozalash, o'rganish, tushunish), statistika/matematika (nega naqshlar bor), machine learning (ma'lumotdan model o'rganish, bashorat), qaror (natijani biznes/ilm uchun foydali qilish). Bosqichlar: savol → ma'lumot yig'ish → tozalash → tahlil → model → baholash → qaror. Bu ma'lumotga asoslangan qaror qabul qilish kasbi. Bu 1.2 (muhit), 14-qism (ML) bilan bog'liq. Data Science — ma'lumot → bilim → qaror. Fan + amaliyot. Bashorat.

Real vaziyat. Onlayn do'kon savdosi pasaydi. Ular Data Scientist yolladi: u xarid tarixini oldi (ma'lumot), tozaladi (dublikat, xato), tahlil qildi (qaysi mahsulot, qaysi vaqt, qaysi mijoz), model qurdi (kim keyingi oy xarid qiladi — bashorat), natija: "shu 5000 mijoz ketish arafasida — ularga chegirma yuboring". Kompaniya chegirma yubordi, mijozlar qoldi, savdo tiklandi. Ma'lumot qarorga aylandi — taxmin emas, dalil bilan. Data Science — ma'lumotdan real qaror.

Bu darsda Data Science nima ekanini o'rganamiz.

Bu darsda:

• Data Science nima
• Data Science ish oqimi (bosqichlar)
• Kasblar: Analyst, Scientist, ML Engineer
• AI, ML, DL farqi
• Qayerda ishlatiladi
• Nega bugun muhim
• Data Science etikasi
• Amaliy: DS tushuncha modeli

ℹ Bu kirish dars — misollar Data Science tushunchalarini (deterministik) modellashtiradi. Real numpy/pandas 3-qismdan boshlanadi.

2. Nazariya — chuqur tushuntirish

2.1. Data Science nima

Ma'lumotdan qiymat:

XOM MA'LUMOT          →   DATA SCIENCE   →   QIYMAT
   xaridlar               tozalash            "kim ketadi?"
   sensorlar              tahlil              "qachon buziladi?"
   matnlar                model               "bu ijobiymi?"
   rasmlar                bashorat            "bu kasallikmi?"

   faktlar (o'zi jim)  →→→→→→→→→→→→→→→→→→   qaror (foydali)

Data Science — ma'lumotdan bilim va qiymat chiqarish fani va amaliyoti: xom ma'lumot (faktlar — o'zi hech narsa aytmaydi) ni tushunarli, foydali qilish (tahlil, model, bashorat, qaror). Sabab: dunyoda ma'lumot ko'p (har amal — ma'lumot), lekin xom ma'lumot jim (raqamlar o'zi qaror bermaydi); Data Science uni qarorga aylantiradi (naqsh top, bashorat qil, tushuntir). Bu ko'p soha birlashmasi: statistika (matematika), dasturlash (Python), soha bilimi (biznes/tibbiyot). Data Scientist "ma'lumotdan hikoya aytadi" (nima bo'ldi, nega, keyin nima). Data Science — ma'lumot → qiymat. Fan + amaliyot. Qaror.

2.2. Data Science ish oqimi

Bosqichma-bosqich jarayon:

1. SAVOL       — nima bilmoqchimiz? (aniq maqsad)
2. YIG'ISH     — ma'lumot topish (baza, API, fayl)
3. TOZALASH    — xato/dublikat/yetishmayotgan (80% ish!)
4. TAHLIL      — o'rganish (EDA — naqsh, korrelyatsiya)
5. MODEL       — machine learning (o'rganish, bashorat)
6. BAHOLASH    — model qanchalik yaxshi? (metrikalar)
7. QAROR       — natijani foydali qilish (deploy, hisobot)

Data Science ish oqimi — tuzilgan bosqichlar: savol (nima bilmoqchimiz — aniq maqsad), yig'ish (ma'lumot — baza/API/fayl), tozalash (xato/dublikat/yetishmayotgan — 80% ish!), tahlil (EDA — o'rganish, naqsh, korrelyatsiya), model (machine learning — o'rganish, bashorat), baholash (model qanchalik yaxshi — metrikalar), qaror (natija — deploy, hisobot). Sabab: Data Science tartibli jarayon (tasodifiy emas — savoldan qarorgacha); tozalash eng ko'p vaqt (xom ma'lumot iflos — modeldan oldin tozalash). Bu CRISP-DM kabi standart. Boshlovchilar "model" ni o'ylaydi, lekin 80% — ma'lumot (yig'ish, tozalash). Ish oqimi — savol, yig'ish, tozalash, tahlil, model, baholash, qaror. 80% ma'lumot. Tartibli.

2.3. Kasblar (Analyst, Scientist, ML Engineer)

Ma'lumot dunyosidagi rollar:

DATA ANALYST — o'tmishni tushunish
   tahlil, hisobot, vizualizatsiya (SQL, Excel, dashboard)
   "nima bo'ldi?"

DATA SCIENTIST — bashorat va model
   statistika + ML (Python, model qurish)
   "nima bo'ladi? nega?"

ML ENGINEER — modelni ishlab chiqarishga
   model deploy, API, miqyos (muhandislik)
   "modelni real dunyoda ishlatish"

Kasblar — ma'lumot dunyosida uch asosiy rol: Data Analyst (o'tmishni tushunish — tahlil, hisobot, vizualizatsiya; SQL/Excel/dashboard; "nima bo'ldi?"), Data Scientist (bashorat va model — statistika + ML; Python, model qurish; "nima bo'ladi? nega?"), ML Engineer (modelni ishlab chiqarishga — deploy, API, miqyos; muhandislik; "real dunyoda ishlatish"). Sabab: ma'lumot ishi keng (tahlildan deploygacha) — turli mahorat; rollar bir-birini to'ldiradi (Analyst tushunadi, Scientist bashorat qiladi, Engineer ishlatadi). Chegaralar suyuq (kichik kompaniyada bir kishi hammasi). Bu kurs sizni Scientist/Engineer darajasiga olib boradi (tahlil + model + deploy). Kasblar — Analyst (o'tmish), Scientist (bashorat), Engineer (ishlab chiqarish). To'ldiruvchi.

2.4. AI, ML, DL farqi

Ichma-ich doiralar:

┌─────────────────────────────────────────┐
│ AI (Sun'iy intellekt)                    │
│  aqlli xatti-harakat (keng tushuncha)    │
│  ┌───────────────────────────────────┐   │
│  │ ML (Machine Learning)             │   │
│  │  ma'lumotdan o'rganish (qoidasiz) │   │
│  │  ┌─────────────────────────────┐  │   │
│  │  │ DL (Deep Learning)          │  │   │
│  │  │  neyron tarmoqlar (chuqur)  │  │   │
│  │  └─────────────────────────────┘  │   │
│  └───────────────────────────────────┘   │
└─────────────────────────────────────────┘

AI, ML, DL farqi — ichma-ich doiralar (biri ikkinchisining qismi): AI (Artificial Intelligence — sun'iy intellekt, eng keng — aqlli xatti-harakat, qoidaga asoslangan ham), ML (Machine Learning — AI ning qismi, ma'lumotdan o'rganish — qo'lda qoida emas, misollardan naqsh), DL (Deep Learning — ML ning qismi, neyron tarmoqlar — chuqur qatlamlar, rasm/matn/ovoz). Sabab: bu atamalar chalkashadi (ko'pincha bir-biri o'rniga ishlatiladi); farq: AI (maqsad — aql), ML (usul — o'rganish), DL (aniq usul — chuqur tarmoq). Hozirgi "AI inqilobi" — asosan DL (LLM, rasm generatsiya). Bu kurs ML dan boshlab DL gacha (LLM) olib boradi. AI ⊃ ML ⊃ DL. Keng → aniq. O'rganish → neyron.

2.5. Qayerda ishlatiladi

Data Science hamma joyda:

TIBBIYOT     — kasallik aniqlash, dori kashfiyoti
MOLIYA       — firibgarlik, kredit skoring, savdo
SAVDO        — tavsiya (Amazon, Netflix), narx
TRANSPORT    — marshrut, avtonom mashina
IJTIMOIY     — tavsiya (TikTok), qidiruv (Google)
SANOAT       — nosozlikni oldindan aniqlash
QISHLOQ      — hosil bashorati, ob-havo

Qayerda ishlatiladi — Data Science deyarli har sohada: tibbiyot (kasallik aniqlash — rasm/tahlil, dori kashfiyoti), moliya (firibgarlik aniqlash, kredit skoring, algoritmik savdo), savdo (tavsiya — Amazon/Netflix, narx optimizatsiya), transport (marshrut, avtonom mashina), ijtimoiy (tavsiya — TikTok/YouTube, qidiruv — Google), sanoat (nosozlikni oldindan — predictive maintenance), qishloq (hosil/ob-havo bashorati). Sabab: har soha ma'lumot ishlab chiqaradi; Data Science undan qiymat chiqaradi (bashorat, optimizatsiya, avtomatlashtirish). Shuning uchun talab keng (har sanoat — Data Scientist kerak). Qayerda — hamma joyda (tibbiyot, moliya, savdo, transport). Keng talab. Har soha.

2.6. Nega bugun muhim

Nega bugun Data Science muhim: (1) ma'lumot portlashi — internet, telefon, sensorlar ulkan ma'lumot ishlab chiqaradi (har kun eksabaytlar); (2) hisoblash quvvati — GPU/bulut arzon va kuchli (katta modellar mumkin); (3) vositalar — Python, kutubxonalar (pandas, sklearn, torch) — hamma foydalanadi, oson; (4) biznes ehtiyoji — kompaniyalar ma'lumotga asoslangan qaror istaydi (taxmin emas — dalil); (5) AI inqilobi — LLM, generativ AI (ChatGPT) — yangi imkoniyat. Sabab: bu omillar birlashdi (ma'lumot + quvvat + vosita + ehtiyoj); Data Science eng talab qilinadigan kasb bo'ldi (yuqori maosh, keng imkoniyat). O'n yil oldin nish edi, bugun markaziy. Nega bugun — ma'lumot, quvvat, vosita, ehtiyoj. Talab yuqori. Trend.

2.7. Data Science etikasi

Data Science etikasi — ma'lumot kuchli, lekin mas'uliyat bilan: maxfiylik (shaxsiy ma'lumot — GDPR, ruxsat, anonimlashtirish); tarafkashlik (bias — model ma'lumotdagi adolatsizlikni o'rganadi, masalan ishga qabul modeli kamsitishi mumkin); shaffoflik (model nega shunday qaror qildi — tushuntirish); manipulyatsiya (tavsiya tizimi — foydali yoki qaram qiluvchi?); xato oqibati (tibbiyot/moliya modeli xatosi — real zarar). Sabab: Data Science real hayotga ta'sir qiladi (kredit, ishga qabul, tibbiyot); noto'g'ri/adolatsiz model zarar yetkazadi (kamsitish, xato qaror). Yaxshi Data Scientist etikani o'ylaydi (maxfiylik, adolat, shaffoflik). Bu texnik emas — mas'uliyat. Etika — maxfiylik, adolat, shaffoflik. Real ta'sir. Mas'uliyat.

2.8. Data Science — ma'lumotga asoslangan qaror

Data Science asosiy g'oyasi — ma'lumotga asoslangan qaror (data-driven): taxmin/tuyg'u o'rniga dalil (ma'lumot) bilan qaror qabul qilish. An'anaviy qaror — tajriba/intuitsiya (ba'zan noto'g'ri, tarafkash); Data Science — o'lchangan, tekshiriladigan (ma'lumot ko'rsatadi). Bu ish oqimi (2.2 — savol → ma'lumot → tahlil → model → qaror) orqali amalga oshadi. Kasblar (Analyst/Scientist/Engineer — 2.3) turli bosqichni qoplaydi; AI/ML/DL 2.4-bob usullar; etika 2.7-bob mas'uliyat. Bu kurs sizni noldan (ma'lumot nima) ekspertgacha (model qurib, deploy qilish) olib boradi — real vositalar (numpy, pandas, sklearn, torch), real misollar. Data Science — dalil bilan qaror. O'lchangan. Bu kurs — noldan ekspertgacha.

3. Tez ma'lumotnoma

DATA SCIENCE — ma'lumotdan bilim/qiymat (fan + amaliyot)

ISH OQIMI:
   savol → yig'ish → tozalash (80%) → tahlil (EDA)
   → model (ML) → baholash → qaror

KASBLAR:
   Data Analyst   — o'tmish (tahlil, hisobot) — "nima bo'ldi?"
   Data Scientist — bashorat (statistika + ML) — "nima bo'ladi?"
   ML Engineer    — deploy (muhandislik) — "ishlab chiqarish"

AI ⊃ ML ⊃ DL:
   AI  — aqlli xatti-harakat (keng)
   ML  — ma'lumotdan o'rganish
   DL  — neyron tarmoqlar (chuqur)

QAYERDA: tibbiyot, moliya, savdo, transport, ijtimoiy — hamma joyda
ETIKA: maxfiylik, adolat (bias), shaffoflik — mas'uliyat

QOIDA: ma'lumotga asoslangan qaror (taxmin emas — dalil)

Data Science xulosasi

Data Science — ma'lumot → bilim → qaror (dalil bilan)
Ish oqimi — savol, yig'ish, tozalash (80%), tahlil, model, baholash, qaror
Kasblar — Analyst (o'tmish), Scientist (bashorat), Engineer (deploy)
AI ⊃ ML ⊃ DL — keng → o'rganish → neyron tarmoq
Etika — maxfiylik, adolat, shaffoflik (real ta'sir, mas'uliyat)

4. Batafsil misollar

Bu kirish dars — misollar DS tushunchalarini (deterministik) modellashtiradi.

Misol 1 — Data Science ish oqimi

"""Data Science ish oqimi: bosqichlar va vaqt ulushi (model)."""


ISH_OQIMI = [
    ("Savol", 5, "nima bilmoqchimiz"),
    ("Yig'ish", 15, "ma'lumot topish"),
    ("Tozalash", 40, "xato/dublikat/yetishmayotgan"),
    ("Tahlil (EDA)", 20, "naqsh, korrelyatsiya"),
    ("Model", 10, "machine learning"),
    ("Baholash", 5, "metrikalar"),
    ("Qaror", 5, "deploy, hisobot"),
]


def main() -> None:
    print("=== Data Science ish oqimi (vaqt %) ===")
    for bosqich, foiz, izoh in ISH_OQIMI:
        chiziq = "#" * (foiz // 2)
        print(f"  {bosqich:14} {foiz:2}% {chiziq} {izoh}")

    malumot = sum(f for b, f, i in ISH_OQIMI if b in ("Yig'ish", "Tozalash"))
    print(f"\n  Ma'lumot ishi (yig'ish+tozalash): {malumot}%")
    print("  Model faqat: 10% (ko'pchilik o'ylaganidan kam)")
    print("  ⭐ 80% ish — ma'lumot (model emas)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== Data Science ish oqimi (vaqt %) ===
  Savol           5% ## nima bilmoqchimiz
  Yig'ish        15% ####### ma'lumot topish
  Tozalash       40% #################### xato/dublikat/yetishmayotgan
  Tahlil (EDA)   20% ########## naqsh, korrelyatsiya
  Model          10% ##### machine learning
  Baholash        5% ## metrikalar
  Qaror           5% ## deploy, hisobot

  Ma'lumot ishi (yig'ish+tozalash): 55%
  Model faqat: 10% (ko'pchilik o'ylaganidan kam)
  ⭐ 80% ish — ma'lumot (model emas)

Nima ko'rsatdi: 2.2-bo'lim.

Misol 2 — AI, ML, DL munosabati

"""AI, ML, DL: ichma-ich doiralar (model)."""


QATLAMLAR = {
    "AI": {"tarif": "aqlli xatti-harakat (keng)", "misol": "shaxmat bot (qoidali)"},
    "ML": {"tarif": "ma'lumotdan o'rganish", "misol": "spam filtri"},
    "DL": {"tarif": "neyron tarmoqlar (chuqur)", "misol": "rasm tanish, ChatGPT"},
}


def qamrov(atama: str) -> str:
    ichida = {"AI": "eng keng (ML va DL ni o'z ichiga)", "ML": "AI ichida (DL ni o'z ichiga)", "DL": "ML ichida (eng aniq)"}
    return ichida[atama]


def main() -> None:
    print("=== AI ⊃ ML ⊃ DL ===")
    for atama, info in QATLAMLAR.items():
        print(f"  {atama}: {info['tarif']}")
        print(f"     misol: {info['misol']}")
        print(f"     qamrov: {qamrov(atama)}")

    print("\n=== Xulosa ===")
    print("  AI — maqsad (aql), ML — usul (o'rganish), DL — aniq usul (tarmoq)")
    print("  ⭐ Hozirgi AI inqilobi — asosan DL (LLM)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== AI ⊃ ML ⊃ DL ===
  AI: aqlli xatti-harakat (keng)
     misol: shaxmat bot (qoidali)
     qamrov: eng keng (ML va DL ni o'z ichiga)
  ML: ma'lumotdan o'rganish
     misol: spam filtri
     qamrov: AI ichida (DL ni o'z ichiga)
  DL: neyron tarmoqlar (chuqur)
     misol: rasm tanish, ChatGPT
     qamrov: ML ichida (eng aniq)

=== Xulosa ===
  AI — maqsad (aql), ML — usul (o'rganish), DL — aniq usul (tarmoq)
  ⭐ Hozirgi AI inqilobi — asosan DL (LLM)

Nima ko'rsatdi: 2.4-bo'lim.

Misol 3 — Kasblar va rollari

"""Kasblar: Analyst / Scientist / Engineer (model)."""


KASBLAR = {
    "Data Analyst": {"savol": "nima bo'ldi?", "vosita": "SQL, Excel, dashboard", "bosqich": "tahlil"},
    "Data Scientist": {"savol": "nima bo'ladi? nega?", "vosita": "Python, statistika, ML", "bosqich": "model"},
    "ML Engineer": {"savol": "qanday ishlatish?", "vosita": "deploy, API, Docker", "bosqich": "ishlab chiqarish"},
}


def main() -> None:
    print("=== Ma'lumot kasblari ===")
    for kasb, info in KASBLAR.items():
        print(f"  {kasb}")
        print(f"     savol: {info['savol']}")
        print(f"     vosita: {info['vosita']}")
        print(f"     bosqich: {info['bosqich']}")

    print("\n=== Munosabat ===")
    print("  Analyst → Scientist → Engineer (o'tmish → bashorat → deploy)")
    print("  ⭐ Bir-birini to'ldiradi (suyuq chegara)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== Ma'lumot kasblari ===
  Data Analyst
     savol: nima bo'ldi?
     vosita: SQL, Excel, dashboard
     bosqich: tahlil
  Data Scientist
     savol: nima bo'ladi? nega?
     vosita: Python, statistika, ML
     bosqich: model
  ML Engineer
     savol: qanday ishlatish?
     vosita: deploy, API, Docker
     bosqich: ishlab chiqarish

=== Munosabat ===
  Analyst → Scientist → Engineer (o'tmish → bashorat → deploy)
  ⭐ Bir-birini to'ldiradi (suyuq chegara)

Nima ko'rsatdi: 2.3-bo'lim.

Misol 4 — Ma'lumotdan qarorga (mini namuna)

"""Ma'lumotdan qaror: mijoz ketishi (churn) mini misol (model)."""


MIJOZLAR = [
    {"id": 1, "xaridlar": 12, "oxirgi_kun": 5},
    {"id": 2, "xaridlar": 1, "oxirgi_kun": 90},
    {"id": 3, "xaridlar": 8, "oxirgi_kun": 60},
    {"id": 4, "xaridlar": 2, "oxirgi_kun": 120},
]


def ketish_xavfi(mijoz: dict) -> str:
    # oddiy qoida: uzoq vaqt xarid yo'q + kam xarid → xavf
    if mijoz["oxirgi_kun"] > 60 and mijoz["xaridlar"] < 5:
        return "YUQORI (chegirma yubor)"
    return "past"


def main() -> None:
    print("=== Mijoz ketish xavfi (ma'lumotdan qaror) ===")
    xavfli = []
    for m in MIJOZLAR:
        xavf = ketish_xavfi(m)
        print(f"  Mijoz {m['id']}: {m['xaridlar']} xarid, {m['oxirgi_kun']} kun → {xavf}")
        if "YUQORI" in xavf:
            xavfli.append(m["id"])

    print(f"\n  Xavfli mijozlar: {xavfli}")
    print("  Qaror: ularga chegirma → ketishni oldini olish")
    print("  ⭐ Ma'lumot → qaror (taxmin emas, dalil)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== Mijoz ketish xavfi (ma'lumotdan qaror) ===
  Mijoz 1: 12 xarid, 5 kun → past
  Mijoz 2: 1 xarid, 90 kun → YUQORI (chegirma yubor)
  Mijoz 3: 8 xarid, 60 kun → past
  Mijoz 4: 2 xarid, 120 kun → YUQORI (chegirma yubor)

  Xavfli mijozlar: [2, 4]
  Qaror: ularga chegirma → ketishni oldini olish
  ⭐ Ma'lumot → qaror (taxmin emas, dalil)

Nima ko'rsatdi: 2.1, 2.8-bo'limlar.

5. To'g'ri va noto'g'ri tushunishlar

6. Keng tarqalgan xatolar va yechimlari

1. Model bilan boshlash (ma'lumotsiz)

# darhol ML model (ma'lumot iflos, tushunilmagan)             # ⚠️
# avval: savol → ma'lumot → tozalash → tahlil                  # ✅

2. Korrelyatsiyani sababiyat deb

# "muzqaymoq sotuvi ↑ = cho'kish ↑ → muzqaymoq cho'ktiradi"   # ⚠️
# korrelyatsiya ≠ sababiyat (yashirin omil — yoz)              # ✅

3. Tozalashsiz tahlil

# iflos ma'lumot (dublikat, xato) → noto'g'ri natija          # ⚠️
# avval tozalash (80% ish — 6-qism)                            # ✅

4. Model = mukammal deb

# model 100% to'g'ri deb ishonish                             # ⚠️
# model — taxmin (baholash, xatoni bil)                        # ✅

5. Etikani e'tiborsiz

# model bias/maxfiylikni o'ylamaslik                          # ⚠️
# adolat, maxfiylik tekshir (real ta'sir)                      # ✅

6. Miqdor > sifat deb

# ko'p iflos ma'lumot > oz toza deb                           # ⚠️
# toza, mos ma'lumot muhim (sifat)                             # ✅

7. Muloqotni unutish

# faqat model, natijani tushuntirmaslik                       # ⚠️
# hikoya (natija → biznes qaror — muloqot)                     # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

• 1.2-dars: Muhit va vositalar (Jupyter, Colab)
• 3-4-qism: NumPy, Pandas — ma'lumot bilan ishlash
• 6-qism: Ma'lumotni tozalash (80% ish)
• 14-qism: Machine Learning — model qurish
• 31-qism: Karyera — Data Scientist bo'lish

8. Eng yaxshi amaliyotlar

1. Savoldan boshla (model emas — aniq maqsad).

2. Ma'lumotga vaqt ajrat (80% — tozalash muhim).

3. Korrelyatsiya ≠ sababiyat (ehtiyot).

4. Modelga ishonma (baholash, xato).

5. Etikani o'yla (bias, maxfiylik).

6. Natijani tushuntir (muloqot — hikoya).

7. Toza ma'lumot (sifat > miqdor).

8. Doimiy o'rgan (soha tez rivojlanadi).

9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

1.  # Data Science nima?
2.  # ish oqimi bosqichlari?
3.  # qaysi bosqich eng ko'p vaqt?
4.  # necha % ma'lumot ishi?
5.  # Data Analyst savoli?
6.  # Data Scientist savoli?
7.  # ML Engineer ishi?
8.  # AI, ML, DL munosabati?
9.  # DL nima?
10. # korrelyatsiya = sababiyatmi?
11. # etika nima uchun?
12. # asosiy g'oya?

Vazifa 2: Xatolarni tuzating

1.  # darhol model (ma'lumotsiz)

2.  # korrelyatsiya = sababiyat

3.  # tozalashsiz tahlil

4.  # model 100% to'g'ri

5.  # etikani e'tiborsiz

1.  avval savol → ma'lumot → tozalash

2.  korrelyatsiya ≠ sababiyat

3.  avval tozalash (80%)

4.  model — taxmin (baholash)

5.  adolat, maxfiylik tekshir

Vazifa 3: Ish oqimi

Modellang:

1. Savol
2. Tozalash
3. Model
4. Qaror

Vazifa 4: AI/ML/DL

Modellang:

1. AI
2. ML
3. DL
4. Munosabat

Vazifa 5: Kasblar

Modellang:

1. Analyst
2. Scientist
3. Engineer
4. Farq

Vazifa 6: Qaror

Modellang:

1. Ma'lumot
2. Tahlil
3. Xavf
4. Qaror

Vazifa 7: O'ylash

Data Science ish oqimida "tozalash" (data cleaning) eng ko'p vaqt oladi (~80%), lekin "model" (glamurli qism) eng oz. Nima uchun "zerikarli, ko'rinmas ish" (ma'lumot tozalash) ko'pincha "qiziqarli, ko'rinadigan ish" (model)dan muhimroq, va nega yangi boshlovchilar buni doim past baholaydi?

Nimani mustahkamlaydi: 2.2, 2.8-bo'limlar.

Xulosa

Bu darsda Data Science nima ekanini o'rgandik.

Eng muhim uch fikr:

1. Data Science va ish oqimi. Data Science — ma'lumotdan bilim va qiymat chiqarish fani va amaliyoti: xom ma'lumot (o'zi jim) ni tahlil, model, bashorat orqali qarorga aylantirish; statistika + dasturlash + soha bilimi birlashmasi. Ish oqimi: savol → yig'ish → tozalash (80% ish!) → tahlil (EDA) → model (ML) → baholash → qaror; boshlovchilar model o'ylaydi, lekin 80% — ma'lumot (yig'ish, tozalash).

2. Kasblar va AI/ML/DL. Kasblar: Data Analyst (o'tmish — tahlil, "nima bo'ldi?"), Data Scientist (bashorat — statistika+ML, "nima bo'ladi?"), ML Engineer (deploy — muhandislik, "ishlab chiqarish"); bir-birini to'ldiradi. AI ⊃ ML ⊃ DL: AI (aqlli xatti-harakat — keng), ML (ma'lumotdan o'rganish), DL (neyron tarmoqlar — chuqur); hozirgi AI inqilobi asosan DL (LLM). Data Science hamma sohada (tibbiyot, moliya, savdo, transport) — keng talab.

3. Etika va ma'lumotga asoslangan qaror. Etika — maxfiylik (shaxsiy ma'lumot), tarafkashlik (bias — model adolatsizlikni o'rganadi), shaffoflik (nega bu qaror); Data Science real hayotga ta'sir qiladi (kredit, ishga qabul, tibbiyot) — mas'uliyat. Data Science — ma'lumotga asoslangan qaror (taxmin emas — dalil, o'lchangan); bu kurs sizni noldan (ma'lumot nima) ekspertgacha (model qurib, deploy) olib boradi. Tozalash (ko'rinmas, zerikarli) modeldan (glamurli) muhimroq — garbage in, garbage out (iflos ma'lumot → iflos model).

Keyingi darsda muhit va vositalarni o'rganamiz: Data Science uchun ish muhitini sozlash — Jupyter Notebook, Google Colab, virtual muhit va kerakli kutubxonalar (numpy, pandas) ni o'rnatish.