1.2-dars: Muhit va vositalar

1-QISM — KIRISH: DATA SCIENCE · 2-dars

1. Kirish va motivatsiya

Har hunarmandning ustaxonasi bor — Data Scientist uchun bu ish muhiti. To'g'ri sozlangan muhit ishni tez, tartibli va takrorlanadigan qiladi; noto'g'ri muhit esa "menda ishlaydi, sizda ishlamaydi" degan koshmarga olib keladi. Data Science'da asosiy vosita — Jupyter Notebook (kod, natija, izoh, grafik bir joyda — interaktiv), Google Colab (bepul, bulutda, GPU bilan — o'rnatishsiz), va virtual muhit (har loyiha o'z kutubxonalari bilan — chalkashliksiz). Bu dars Data Science ish muhitini tushuntiradi: qaysi vosita, nega, qanday sozlash. To'g'ri muhit — samarali ishning poydevori. Kod yozishdan oldin, qayerda yozishni bilish kerak.

Data Science muhiti — ma'lumot bilan ishlash uchun vositalar to'plami: Jupyter Notebook (interaktiv — kod, natija, grafik, izoh bir hujjatda, hujayralar), Google Colab (bulut Jupyter — bepul, o'rnatishsiz, GPU), virtual muhit (venv/conda — har loyiha o'z kutubxonalari, izolyatsiya), paket menejeri (pip — kutubxona o'rnatish), asosiy kutubxonalar (numpy, pandas, matplotlib, sklearn). Foydalanish: ma'lumot tahlili, model qurish, reproduksiya. Bu 1.1 (Data Science) ni amaliyotga tayyorlaydi. Bu 1.1, 3-qism (NumPy) bilan bog'liq. Muhit — Jupyter, Colab, venv. Interaktiv. Izolyatsiya.

Real vaziyat. Talaba Data Science'ni o'rgana boshladi. Avval oddiy .py fayllar bilan ishladi — har o'zgarishda butun skriptni qayta ishga tushirdi (sekin, grafik alohida oynada). Keyin Jupyter Notebook'ga o'tdi: hujayra-hujayra kod yozdi, natija darhol pastda (grafik ham), izohlar bilan tushuntirdi — interaktiv eksperiment. Kuchli noutbuk yo'q edi — Google Colab ishlatdi (bepul GPU, brauzerda). Har loyiha uchun virtual muhit yaratdi (kutubxonalar chalkashmasin). Ish tez, tartibli bo'ldi. Muhit — interaktiv, izolyatsiyalangan, bepul.

Bu darsda Data Science muhitini o'rganamiz.

Bu darsda:

• Jupyter Notebook (interaktiv)
• Google Colab (bulut, bepul)
• Virtual muhit (venv/conda)
• Paketlar (pip) va kutubxonalar
• Reproduksiya (takrorlanadigan ish)
• Muhit amaliyoti
• Muhit tuzoqlari
• Amaliy: muhit modeli

ℹ Bu kirish dars — misollar muhit tushunchalarini (deterministik) modellashtiradi.

2. Nazariya — chuqur tushuntirish

2.1. Jupyter Notebook (interaktiv)

Kod, natija, izoh bir joyda:

# Jupyter hujayrasi (cell) — alohida ishga tushiriladi
import pandas as pd
df = pd.DataFrame({"son": [1, 2, 3]})
df                      # natija DARHOL pastda ko'rinadi (print kerak emas)

Jupyter Notebook tuzilishi:
   [hujayra 1] kod → natija pastda
   [hujayra 2] matn (Markdown — izoh, sarlavha)
   [hujayra 3] kod → grafik pastda
   → interaktiv: hujayrani alohida ishga tushir

Jupyter Notebook — Data Science'ning asosiy interaktiv vositasi: kod, natija, grafik va izoh bir hujjatda (.ipynb), hujayralar (cell) ga bo'lingan — har hujayra alohida ishga tushiriladi. Sabab: ma'lumot tahlili eksperimental (sinab ko'rish, natijani ko'rish, o'zgartirish); Jupyter buni oson qiladi (hujayra ishga tush → natija darhol pastda, keyin keyingisi — sikl yo'q). Grafik ham inline (pastda), Markdown hujayra (izoh, sarlavha — hikoya). .py fayldan farqi: .py butun ishga tushadi, Jupyter hujayra-hujayra (interaktiv). Data Science'da standart. Jupyter — kod+natija+izoh bir joyda. Hujayra. Interaktiv.

2.2. Google Colab (bulut, bepul)

O'rnatishsiz, brauzerda:

Google Colab (colab.research.google.com):
   bulut Jupyter — brauzerda ishlaydi (o'rnatish YO'Q)
   bepul GPU/TPU (chuqur o'rganish uchun)
   Google Drive bilan (fayl saqlash)
   ulashish (havola — hamkorlik)

   → kuchli noutbuk kerak emas (bulut hisoblaydi)

Google Colab — Google'ning bepul bulut Jupyter'i: brauzerda ishlaydi (o'rnatish yo'q — kutubxonalar oldindan bor), bepul GPU/TPU (chuqur o'rganish — 22-qism), Google Drive bilan (fayl), ulashish (havola — hamkorlik). Sabab: Data Science ba'zan kuchli hisoblash talab qiladi (GPU — neyron tarmoq); hamma noutbuk kuchli emas; Colab bulutda hisoblaydi (foydalanuvchi brauzer — arzon/bepul). Boshlovchi uchun ideal (o'rnatish muammosi yo'q — darhol boshlash). Cheklov: internet kerak, sessiya vaqti cheklangan (bepul), fayl saqlash (Drive). Colab — bulut Jupyter (bepul, GPU). O'rnatishsiz. Boshlash oson.

2.3. Virtual muhit (venv/conda)

Har loyiha o'z kutubxonalari bilan:

# venv — virtual muhit yaratish (loyiha izolyatsiyasi)
python -m venv muhit          # muhit yaratish
# faollashtirish (Windows): muhit\Scripts\activate
# faollashtirish (Linux/Mac): source muhit/bin/activate
pip install pandas numpy       # faqat shu muhitga o'rnatiladi

# har loyiha alohida muhit → kutubxonalar chalkashmaydi

Virtual muhit (venv/conda) — har loyiha uchun alohida, izolyatsiyalangan kutubxona to'plami: python -m venv (muhit yaratish), faollashtirish, pip install (faqat shu muhitga). Sabab: turli loyiha turli kutubxona versiyasini talab qiladi (loyiha A — pandas 1.5, loyiha B — pandas 2.0); global o'rnatish chalkashish (versiyalar to'qnashadi — "dependency hell"); virtual muhit izolyatsiya (har loyiha o'z muhiti — mustaqil). venv (Python standart), conda (Anaconda — DS uchun mashhur, ilmiy paketlar oson). requirements.txt (kutubxonalar ro'yxati — reproduksiya). Virtual muhit — izolyatsiya (har loyiha alohida). Chalkashlik yo'q. venv/conda.

2.4. Paketlar (pip) va kutubxonalar

Data Science asosiy kutubxonalari:

# pip — kutubxona o'rnatish (Python paket menejeri)
# pip install numpy pandas matplotlib scikit-learn

# ASOSIY KUTUBXONALAR:
import numpy as np           # sonli hisoblash (massiv)
import pandas as pd          # ma'lumot (DataFrame)
import matplotlib.pyplot as plt  # vizualizatsiya (grafik)
from sklearn import ...      # machine learning

Paketlar va kutubxonalar — pip (Python paket menejeri — pip install) bilan o'rnatiladigan Data Science asosiy kutubxonalari: numpy (sonli hisoblash — massiv, 3-qism), pandas (ma'lumot — DataFrame, 4-qism), matplotlib/seaborn (vizualizatsiya — 8-qism), scikit-learn (machine learning — 14-qism), scipy (ilmiy), torch/tensorflow (chuqur o'rganish — 22-qism). Sabab: Data Science kutubxonalar ustiga qurilgan (noldan yozmaydi — tayyor, sinovdan o'tgan); pip install bilan o'rnatiladi (yoki Colab'da tayyor). Standart nomlar (np, pd, plt — konvensiya, hamma biladi). Bu kutubxonalar Data Science yadrosi (har kunlik). Paketlar — pip install. numpy/pandas/sklearn. Yadro. Konvensiya.

2.5. Reproduksiya (takrorlanadigan ish)

Boshqa ham ishga tushira olsin:

# REPRODUKSIYA — ish takrorlanadigan bo'lsin:
import numpy as np
np.random.seed(42)          # urug' — tasodif takrorlanadi

# requirements.txt — kutubxona versiyalari
# pandas==2.0.0
# numpy==1.24.0

# → boshqa kishi bir xil natija oladi (versiya + urug')

Reproduksiya (takrorlanadigan ish) — boshqa kishi (yoki kelajakdagi siz) bir xil natija olishi: urug' (np.random.seed(42) — tasodif takrorlanadi, model bir xil), requirements.txt (kutubxona versiyalari — bir xil muhit), Git (kod versiyasi), ma'lumot versiyasi. Sabab: Data Science tasodifiy elementlar bor (train/test split, model init — 14-qism); versiya farqi turli natija (pandas 1 vs 2); reproduksiya bo'lmasa — natija takrorlab bo'lmaydi (ilm/biznes uchun yomon — ishonchsiz). Yaxshi Data Scientist reproduksiya ta'minlaydi (urug', versiya, kod). Bu ilmiy usul (takrorlanish — ishonch). Reproduksiya — urug', versiya, kod. Bir xil natija. Ishonch.

2.6. Muhit amaliyoti

Data Science muhit amaliyotlari: Jupyter/Colab (interaktiv — tahlil, eksperiment); Colab boshlovchiga (o'rnatishsiz — tez boshlash); virtual muhit (har loyiha — izolyatsiya, venv/conda); requirements.txt (kutubxonalar — reproduksiya); urug' (seed — tasodif takrorlanadi); standart nomlar (np, pd, plt — konvensiya); Markdown izoh (Jupyter — hikoya, tushuntirish); Git (kod versiyasi, ma'lumot alohida). Tuzoqlar: global o'rnatish (chalkashish — virtual muhit), reproduksiyasiz (urug'/versiya yo'q — takrorlab bo'lmaydi), hamma kodni bir hujayrada (Jupyter — hujayralarga bo'l), katta ma'lumot Git'ga (alohida saqlash). Amaliyot — Jupyter, virtual muhit, reproduksiya. Interaktiv, izolyatsiyalangan.

2.7. Muhit tuzoqlari

Data Science muhit asosiy tuzoqlari: global o'rnatish (barcha kutubxona global — versiyalar to'qnashadi, "menda ishlaydi" muammosi; virtual muhit); reproduksiyasiz (urug'/versiya yo'q — natija takrorlab bo'lmaydi, ishonchsiz); hujayra tartibi (Jupyter — hujayralar tartibsiz ishga tushirilsa, holat chalkashadi; yuqoridan pastga); katta ma'lumot Git'ga (ma'lumot fayllari Git'ga — repo shishadi; ma'lumot alohida, .gitignore); Colab sessiyasi (bepul — vaqt cheklangan, uzilsa ish yo'qoladi; saqlash); kutubxona versiyasi (kod eski versiyaga — yangida ishlamaydi; requirements.txt). Sabab: muhit poydevor (noto'g'ri — ish chalkashadi, takrorlanmaydi). Yechim: virtual muhit, reproduksiya, tartibli. Tuzoqlar — global, reproduksiyasiz, tartibsiz. Izolyatsiya, reproduksiya.

2.8. Muhit — samarali va takrorlanadigan ishning poydevori

Data Science muhit asosiy g'oyasi — samarali va takrorlanadigan ishning poydevori: to'g'ri muhit ishni tez (interaktiv — Jupyter/Colab), tartibli (izolyatsiya — virtual muhit) va takrorlanadigan (reproduksiya — urug'/versiya) qiladi. Kod yozishdan oldin qayerda yozish muhim (muhit — ustaxona). Jupyter (interaktiv eksperiment), Colab (bepul, GPU), virtual muhit (izolyatsiya), reproduksiya (ishonch) — bularning barchasi Data Science ishini professional qiladi (skript emas — tartibli, takrorlanadigan). Bu 1.1 (Data Science) ni amaliyotga tayyorlaydi va butun kurs (3-qismdan) shu muhitda ishlaydi. Yomon muhit — chalkashish, takrorlanmas; yaxshi muhit — samarali, ishonchli. Muhit — poydevor. Tez, tartibli, takrorlanadigan. Professional.

3. Tez ma'lumotnoma

JUPYTER NOTEBOOK (interaktiv):
   .ipynb · hujayralar (cell) · kod+natija+grafik+izoh bir joyda
   df                      # natija darhol (print kerak emas)

GOOGLE COLAB (bepul bulut):
   colab.research.google.com · o'rnatishsiz · GPU bepul · Drive

VIRTUAL MUHIT (izolyatsiya):
   python -m venv muhit
   pip install pandas numpy    # faqat shu muhitga
   # har loyiha alohida → chalkashlik yo'q

ASOSIY KUTUBXONALAR:
   numpy (np) · pandas (pd) · matplotlib (plt) · sklearn

REPRODUKSIYA:
   np.random.seed(42)          # urug' (tasodif takrorlanadi)
   requirements.txt            # kutubxona versiyalari

QOIDA: Jupyter/Colab · virtual muhit · urug' + versiya (reproduksiya)

Muhit xulosasi

Muhit — samarali/takrorlanadigan ishning poydevori
Jupyter — interaktiv (kod+natija+izoh, hujayralar)
Colab — bepul bulut Jupyter (o'rnatishsiz, GPU)
Virtual muhit — izolyatsiya (har loyiha alohida, venv/conda)
Reproduksiya — urug' + versiya (boshqa ham bir xil natija)

4. Batafsil misollar

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

Misol 1 — Reproduksiya (urug' ta'siri)

"""Reproduksiya: urug' bir xil natija beradi (real numpy)."""

import numpy as np


def main() -> None:
    print("=== 1. Urug'siz (har safar boshqa) ===")
    print("  (urug' bo'lmasa natija takrorlanmaydi)")

    print("\n=== 2. Urug' bilan (42) — birinchi ===")
    np.random.seed(42)
    a = np.random.randint(0, 100, 5)
    print(f"  {a.tolist()}")

    print("\n=== 3. Urug' bilan (42) — qayta ===")
    np.random.seed(42)
    b = np.random.randint(0, 100, 5)
    print(f"  {b.tolist()}")

    print("\n=== 4. Bir xilmi? ===")
    print(f"  teng: {np.array_equal(a, b)}")
    print("  ⭐ Urug' — tasodif takrorlanadi (reproduksiya)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Urug'siz (har safar boshqa) ===
  (urug' bo'lmasa natija takrorlanmaydi)

=== 2. Urug' bilan (42) — birinchi ===
  [51, 92, 14, 71, 60]

=== 3. Urug' bilan (42) — qayta ===
  [51, 92, 14, 71, 60]

=== 4. Bir xilmi? ===
  teng: True
  ⭐ Urug' — tasodif takrorlanadi (reproduksiya)

Nima ko'rsatdi: 2.5-bo'lim.

Misol 2 — Virtual muhit (izolyatsiya modeli)

"""Virtual muhit: har loyiha alohida kutubxona (model)."""


class Muhit:
    def __init__(self, nom: str) -> None:
        self.nom = nom
        self.paketlar = {}

    def ornat(self, paket: str, versiya: str) -> None:
        self.paketlar[paket] = versiya


def main() -> None:
    print("=== 1. Loyiha A muhiti ===")
    a = Muhit("loyiha_a")
    a.ornat("pandas", "1.5.0")
    print(f"  {a.nom}: {a.paketlar}")

    print("\n=== 2. Loyiha B muhiti ===")
    b = Muhit("loyiha_b")
    b.ornat("pandas", "2.0.0")
    print(f"  {b.nom}: {b.paketlar}")

    print("\n=== 3. Chalkashlik yo'q ===")
    print(f"  A pandas: {a.paketlar['pandas']}, B pandas: {b.paketlar['pandas']}")
    print("  har loyiha o'z versiyasi (izolyatsiya)")

    print("\n=== 4. Global bo'lsa ===")
    print("  bir pandas — ikki loyiha to'qnashadi (chalkashlik)")
    print("  ⭐ Virtual muhit — izolyatsiya (har loyiha alohida)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Loyiha A muhiti ===
  loyiha_a: {'pandas': '1.5.0'}

=== 2. Loyiha B muhiti ===
  loyiha_b: {'pandas': '2.0.0'}

=== 3. Chalkashlik yo'q ===
  A pandas: 1.5.0, B pandas: 2.0.0
  har loyiha o'z versiyasi (izolyatsiya)

=== 4. Global bo'lsa ===
  bir pandas — ikki loyiha to'qnashadi (chalkashlik)
  ⭐ Virtual muhit — izolyatsiya (har loyiha alohida)

Nima ko'rsatdi: 2.3-bo'lim.

Misol 3 — Jupyter vs .py (ish uslubi)

"""Jupyter vs .py: interaktiv vs to'liq ishga tushirish (model)."""


def ish_uslubi(vosita: str) -> dict:
    if vosita == "Jupyter":
        return {"birlik": "hujayra (cell)", "natija": "darhol pastda", "grafik": "inline"}
    return {"birlik": "butun fayl", "natija": "terminalda", "grafik": "alohida oyna"}


def main() -> None:
    print("=== 1. Jupyter Notebook ===")
    j = ish_uslubi("Jupyter")
    print(f"  birlik: {j['birlik']}")
    print(f"  natija: {j['natija']}, grafik: {j['grafik']}")

    print("\n=== 2. Oddiy .py skript ===")
    p = ish_uslubi(".py")
    print(f"  birlik: {p['birlik']}")
    print(f"  natija: {p['natija']}, grafik: {p['grafik']}")

    print("\n=== 3. Data Science uchun ===")
    print("  eksperiment → Jupyter (interaktiv, tez)")

    print("\n=== 4. Ishlab chiqarish uchun ===")
    print("  tayyor kod → .py (avtomatlashtirish)")
    print("  ⭐ Jupyter — interaktiv eksperiment (DS uchun)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Jupyter Notebook ===
  birlik: hujayra (cell)
  natija: darhol pastda, grafik: inline

=== 2. Oddiy .py skript ===
  birlik: butun fayl
  natija: terminalda, grafik: alohida oyna

=== 3. Data Science uchun ===
  eksperiment → Jupyter (interaktiv, tez)

=== 4. Ishlab chiqarish uchun ===
  tayyor kod → .py (avtomatlashtirish)
  ⭐ Jupyter — interaktiv eksperiment (DS uchun)

Nima ko'rsatdi: 2.1-bo'lim.

Misol 4 — Asosiy kutubxonalar (tekshirish)

"""Asosiy kutubxonalar: mavjudligi va vazifasi (real import)."""


def main() -> None:
    kutubxonalar = [
        ("numpy", "sonli hisoblash (massiv)"),
        ("pandas", "ma'lumot (DataFrame)"),
        ("sklearn", "machine learning"),
    ]

    print("=== Data Science asosiy kutubxonalari ===")
    for nom, vazifa in kutubxonalar:
        try:
            mod = __import__(nom)
            v = getattr(mod, "__version__", "?")
            print(f"  BOR   {nom:10} v{v} — {vazifa}")
        except ImportError:
            print(f"  YO'Q  {nom:10} — {vazifa}")

    print("\n  standart nomlar: np, pd, plt (konvensiya)")
    print("  ⭐ Kutubxonalar — Data Science yadrosi")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== Data Science asosiy kutubxonalari ===
  BOR   numpy      v2.5.3 — sonli hisoblash (massiv)
  BOR   pandas     v3.0.6 — ma'lumot (DataFrame)
  BOR   sklearn    v1.9.1 — machine learning

  standart nomlar: np, pd, plt (konvensiya)
  ⭐ Kutubxonalar — Data Science yadrosi

Nima ko'rsatdi: 2.4-bo'lim.

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

6. Keng tarqalgan xatolar va yechimlari

1. Global o'rnatish (chalkashlik)

pip install pandas   # global (loyihalar to'qnashadi)         # ⚠️
python -m venv muhit; pip install pandas   # izolyatsiya       # ✅

2. Reproduksiyasiz

np.random.rand()   # har safar boshqa (takrorlanmaydi)         # ⚠️
np.random.seed(42); np.random.rand()   # urug' (takrorlanadi)  # ✅

3. Hamma kod bir hujayrada

# 100 qator bir hujayrada (interaktivlik yo'qoladi)            # ⚠️
# mantiqiy hujayralarga bo'l (tahlil, model — alohida)          # ✅

4. Katta ma'lumot Git'ga

git add data.csv   # 2GB fayl (repo shishadi)                  # ⚠️
# .gitignore: *.csv (ma'lumot alohida saqlanadi)                # ✅

5. Versiya belgilanmagan

# requirements.txt yo'q (boshqa muhitda ishlamaydi)            # ⚠️
# pip freeze > requirements.txt (versiyalar)                    # ✅

6. Hujayralarni tartibsiz ishga tushirish

# hujayra 5 → hujayra 2 → hujayra 8 (holat chalkashadi)        # ⚠️
# yuqoridan pastga (Restart & Run All — tekshir)                # ✅

7. Colab sessiyasini saqlamaslik

# uzoq ish, saqlanmagan (sessiya uzildi — yo'qoldi)            # ⚠️
# Drive'ga saqlash (natija, model)                              # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

• 1.1-dars (o'tilgan): Data Science nima
• 3-qism: NumPy — birinchi kutubxona
• 4-qism: Pandas — ma'lumot bilan ishlash
• 8-qism: Vizualizatsiya (matplotlib)
• 29-qism: MLOps — reproduksiya, deploy

8. Eng yaxshi amaliyotlar

1. Jupyter/Colab (interaktiv eksperiment).

2. Colab boshlovchiga (o'rnatishsiz, bepul).

3. Virtual muhit (har loyiha — izolyatsiya).

4. requirements.txt (kutubxona versiyalari).

5. Urug' (seed — reproduksiya).

6. Standart nomlar (np, pd, plt).

7. Ma'lumot Git'dan alohida (.gitignore).

8. Hujayralarga bo'l (Restart & Run All tekshir).

9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

1.  # Jupyter Notebook nima?
2.  # hujayra (cell) nima?
3.  # Jupyter afzalligi?
4.  # Colab nima?
5.  # Colab bepulmi?
6.  # virtual muhit nima?
7.  # nega virtual muhit?
8.  # venv vs conda?
9.  # pip nima?
10. # asosiy kutubxonalar?
11. # reproduksiya nima?
12. # urug' (seed) nima?

Vazifa 2: Xatolarni tuzating

1.  pip install pandas   # global

2.  np.random.rand()   # urug'siz

3.  # 100 qator bir hujayrada

4.  git add data.csv   # 2GB

5.  # requirements.txt yo'q

1.  venv (izolyatsiya)

2.  np.random.seed(42)

3.  hujayralarga bo'l

4.  .gitignore (ma'lumot alohida)

5.  pip freeze > requirements.txt

Vazifa 3: Jupyter

Modellang:

1. Hujayra
2. Natija
3. Interaktiv
4. Markdown

Vazifa 4: Virtual muhit

Modellang:

1. Loyiha A
2. Loyiha B
3. Izolyatsiya
4. Chalkashlik yo'q

Vazifa 5: Reproduksiya

Modellang:

1. Urug'
2. Versiya
3. Takrorlash
4. Ishonch

Vazifa 6: Kutubxonalar

Modellang:

1. numpy
2. pandas
3. sklearn
4. Yadro

Vazifa 7: O'ylash

Data Science'da "reproduksiya" (boshqa kishi bir xil natija olishi) muhim — urug', versiya, kod belgilanadi. Nima uchun "takrorlanadigan ish" ilm va muhandislikda ishonchning asosi, va nega "menda ishlaydi" (works on my machine) yolg'iz o'zi yetarli emas?

Nimani mustahkamlaydi: 2.5, 2.8-bo'limlar.

Xulosa

Bu darsda Data Science muhitini o'rgandik.

Eng muhim uch fikr:

1. Jupyter va Colab. Jupyter Notebook — Data Science'ning asosiy interaktiv vositasi: kod, natija, grafik, izoh bir hujjatda (.ipynb), hujayralarga bo'lingan (har biri alohida ishga tushiriladi); ma'lumot tahlili eksperimental (hujayra ishga tush → natija darhol → keyingisi), grafik inline, Markdown izoh. Google Colab — bepul bulut Jupyter (brauzerda, o'rnatishsiz, GPU/TPU bepul, Drive); kuchli noutbuk kerak emas (bulut hisoblaydi), boshlovchiga ideal.

2. Virtual muhit va kutubxonalar. Virtual muhit (venv/conda) — har loyiha uchun izolyatsiyalangan kutubxona to'plami (python -m venv); turli loyiha turli versiya talab qiladi, global o'rnatish chalkashish ("dependency hell"), virtual muhit izolyatsiya. Paketlar (pip install) va asosiy kutubxonalar: numpy (np — massiv), pandas (pd — DataFrame), matplotlib (plt — grafik), scikit-learn (ML), torch (DL); standart nomlar (konvensiya), Data Science yadrosi.

3. Reproduksiya va poydevor. Reproduksiya — boshqa kishi bir xil natija olishi: urug' (np.random.seed(42) — tasodif takrorlanadi), requirements.txt (versiyalar), Git (kod); Data Science tasodifiy elementlar/versiya farqi tufayli reproduksiya zarur (ishonch — ilmiy usul). Muhit — samarali va takrorlanadigan ishning poydevori: to'g'ri muhit ishni tez (interaktiv), tartibli (izolyatsiya), takrorlanadigan (reproduksiya) qiladi. "Menda ishlaydi" yolg'iz yetarli emas (yashirin bog'liqlik, tekshirib bo'lmas) — takrorlanadigan ish ilm/muhandislik ishonchining asosi.

Keyingi darsda NumPy ni o'rganamiz: Data Science'ning sonli poydevori — massiv (ndarray), vektorlashtirilgan amallar va tez hisoblash. Bu birinchi real kutubxona.