29.8-dars: Rezyume va ish qidirish

                 ASOSIY SAVOL                     NATIJA (mahsulot)
DATA ANALYST     "nima bo'ldi va nega?"           hisobot, dashboard, tavsiya
DATA SCIENTIST   "nima bo'ladi? nima qilsak       model, tajriba natijasi,
                  nima o'zgaradi?"                 sababiy tahlil
ML ENGINEER      "modelni qanday ishonchli         xizmat (API), quvur,
                  ishlatamiz?"                     ishlab chiqarishdagi model
MLOPS            "modellar hayot siklini qanday   platforma: CI/CD, registr,
                  avtomatlashtiramiz?"             monitoring, infratuzilma
RESEARCH         "qanday yangi usul ishlaydi?"    maqola, yangi arxitektura,
                                                   prototip, benchmark

Chegaralar qat'iy emas: kichik jamoada bitta odam 2-3 rolni bajaradi,
katta tashkilotda har rol yana bo'linadi (masalan, "Product Analyst",
"Decision Scientist", "NLP Engineer", "Data Engineer").

1. 20-50 ta vakansiya matnini yig'ing (bitta shahar/bozor, bitta rol nomi)
2. talablarni ajrating: har vakansiyada qaysi ko'nikmalar so'ralgan
3. chastota: har ko'nikma vakansiyalarning qancha ulushida?
4. shaxsiy ro'yxat: qaysilari sizda bor - DALIL bilan (loyiha, ish)
5. bo'shliq: tez-tez so'raladigan, lekin sizda yo'q ko'nikmalar
6. tartib: qaysi ko'nikma eng ko'p vakansiyani "mos" holatga o'tkazadi?
   (chastota bilan bir xil bo'lishi SHART EMAS - 3-misol)

HALOL ESLATMA: 20-50 ta vakansiya - kichik namuna; ulushlar uchun
ishonch oralig'ini ko'ring 11.4-bob. Bir oylik e'lonlar butun bozor emas.

+--------------------------------------------------------------+
| ISM FAMILIYA                                                  |
| Rol (masalan: Data Scientist) | shahar | email | telefon      |
| GitHub | portfolio | LinkedIn yoki boshqa kasbiy profil       |
+--------------------------------------------------------------+
| QISQA XULOSA (2-3 qator): kim, nimada kuchli, nimani izlaydi  |
+--------------------------------------------------------------+
| KO'NIKMALAR: guruhlab (Til / ML / Ma'lumot / Vositalar)       |
+--------------------------------------------------------------+
| TAJRIBA (teskari xronologik): lavozim, tashkilot turi, davr   |
|   - punkt: fe'l + nima + qanday + natija                      |
|   - 2-4 punkt har joyda                                       |
+--------------------------------------------------------------+
| LOYIHALAR (tajriba kam bo'lsa - tajribadan OLDIN):            |
|   nom - 1 qator mazmun - natija - havola                      |
+--------------------------------------------------------------+
| TA'LIM, SERTIFIKATLAR, TILLAR                                 |
+--------------------------------------------------------------+

QOIDALAR:
  1 sahifa (tajriba 10 yildan kam bo'lsa)
  eng kuchli narsa - yuqorida (tajriba yoki loyihalar)
  bir xil format: sanalar, tinish belgilari, shrift
  fayl: PDF, nomi "Ism_Familiya_Data_Scientist.pdf"
  foto, yosh, oilaviy holat - odatda KERAK EMAS (bozorga qarab farq qiladi)

YOMON (vazifa):   "Kredit modeli ustida ishladim"
YAXSHI (natija):  "Kredit to'lovi kechikishini bashorat qiluvchi gradient
                   boosting modelini qurdim, ROC-AUC 0.71 dan 0.78 ga oshdi"
                   \______________ NIMA ______________/ \_ QANDAY _/
                   FE'L: qurdim                          NATIJA: 0.71 -> 0.78

INGLIZCHA (fe'l BOSHIDA):
  "Built a churn model in scikit-learn, reducing monthly churn by 1.5 p.p."
O'ZBEKCHA (fe'l odatda OXIRIDA yoki ikki nuqtadan oldin):
  "... modelini qurdim: ROC-AUC 0.71 dan 0.78 ga oshdi"

NATIJA TURLARI:
  sifat      ROC-AUC 0.71 -> 0.78, MAE 12% ga kamaydi
  vaqt       hisobot 6 soatdan 20 daqiqaga
  pul/biznes to'lov ulushi +2.1 foiz punkt (A/B test bilan)
  miqyos     1.2 mln qator, 12 menejer foydalanadi, kuniga 50 ming so'rov
  sifatiy    "birinchi marta avtomatlashtirildi" - raqam bo'lmasa ham aniq

VAKANSIYA MATNIDA         NIMANI ANGLATADI (odatda)
"Majburiy / Talablar"     filtr: ko'pchiligi bo'lishi kerak, lekin HAMMASI
                          shart emas - ko'p vakansiya "orzu ro'yxati"
"Afzallik / Plus"         bo'lsa yaxshi; yo'qligi rad sababi emas
"Vazifalar"               ENG MUHIM qism - kundalik ish qanday
                          (sarlavhadan ko'ra ishonchliroq)
takrorlangan so'zlar      muhim ko'nikma (masalan, SQL 3 marta)
"tez o'zgaruvchan muhit"  jarayonlar kam, mustaqillik kutiladi
"biznes bilan muloqot"    tushuntirish ko'nikmasi tekshiriladi 29.4-bob

YASHIRIN TALABLAR:
  "kredit riski" -> domen: skoring, nomutanosib sinflar 14.9-bob, kalibrlash 14.10-bob
  "ishlab chiqarishga chiqarish" -> 27-qism: API, Docker, monitoring
  "mahsulot metrikalari" -> A/B test (11-qism, 27.13), kohort tahlili (29.10)

MA'LUM (umumiy tamoyil):
  - ko'p tashkilot arizalarni shunday tizimda yig'adi
  - tizim fayldan MATN ajratadi; murakkab dizayn (jadval, ustunlar,
    rasm ichidagi matn) ajratishda xato berishi mumkin
  - HR mutaxassisi ko'pincha kalit so'z bo'yicha qidiradi yoki filtrlaydi
    ("SQL" va "Python" bor rezyumelar)
  - ba'zi tizimlarda avtomatik savollar ("tajriba necha yil?") bor

NOMA'LUM (va har tizimda har xil):
  - aniq saralash algoritmi, og'irliklar, "ball" formulasi
  - sinonimlarni tushunadimi (sklearn = scikit-learn?)
  - rezyume avtomatik RAD etiladimi yoki faqat tartiblanadimi
  Shuning uchun "ATS ni aldash" maslahatlariga ishonmang.

AMALIY VA XAVFSIZ QOIDALAR (odam uchun ham foydali):
  - oddiy bir ustunli tuzilma, standart bo'lim nomlari
  - vakansiyadagi atamani ishlating (agar u sizda BOR bo'lsa):
    "scikit-learn (sklearn)", "gradient boosting (XGBoost)"
  - matnli PDF (skanerlangan rasm emas)
  - kalit so'zni punktda DALIL bilan: "SQL bilan ... ni avtomatlashtirdim"

kutilgan takliflar = ariza soni * p(javob) * p(intervyu) * p(taklif)

MUHIM XULOSALAR (4-misol, faraziy raqamlar bilan):
  1. har qanday bosqichni x1.5 qilish natijani x1.5 qiladi
     -> savol: qaysi bosqichni ARZONROQ yaxshilash mumkin?
  2. bir xil +5 foiz punkt eng PAST konversiyali bosqichda eng ko'p beradi
  3. o'z voronkangizni o'lchang: 70 ta arizada 1 javob - birinchi bosqich
     muammosi; 1 ta intervyudan xulosa chiqarib bo'lmaydi

KANAL              AFZALLIGI                        E'TIBOR
ochiq e'lonlar     ko'p, tez                        raqobat katta, javob kam
tavsiya (referral) ishonch "qarzga" olinadi         tanishlar tarmog'i kerak
kasbiy tarmoq      yashirin vakansiyalar, maslahat  vaqt talab qiladi, halol
                   (meetup, konferensiya, onlayn    bo'ling - faqat "ish so'rash"
                    hamjamiyatlar)                  uchun tanishmang
stajirovka         tajriba + keyin ishga o'tish     ko'pincha qisqa muddatli
                   imkoniyati
freelance          haqiqiy buyurtmachi, portfolio   shartnoma, to'lov, soliq -
                                                    mahalliy qonunni tekshiring
ochiq manba        kodingizni hamma ko'radi,        kichik boshlang: hujjat,
                   tavsiya manbai                   test, kichik xato tuzatish
musobaqalar        ko'nikma isboti 29.5-bob           reyting o'zi ish emas -
                                                    yechimni tushuntiring

                   MAHALLIY BOZOR                  XALQARO (masofaviy)
til                o'zbek va/yoki rus, ba'zan      ingliz - rezyume, intervyu,
                   ingliz (hujjatlar)              kundalik muloqot
rezyume            mahalliy odatlar farq qilishi   1 sahifa, natijaga
                   mumkin (masalan, foto)          yo'naltirilgan, foto yo'q
domen              bank, telekom, chakana savdo,   mahsulot kompaniyalari,
                   davlat xizmatlari, logistika    SaaS, konsalting
intervyu           ko'pincha suhbat + test vazifa  bir necha bosqich: HR,
                                                   texnik, jonli kodlash, case
huquqiy            mehnat shartnomasi              shartnoma turi, soliq,
                                                   to'lov usuli, vaqt zonasi -
                                                   rasmiy manbadan tekshiring
raqobat            mahalliy nomzodlar              butun dunyo nomzodlari

# [ISM FAMILIYA] — NAMUNA (to'qima shaxs)
Data Scientist · Toshkent · namuna@example.com · github.com/namuna · namuna.github.io

## Qisqa xulosa
Kredit riski va mijoz ketishi bo'yicha 1.5 yillik tahlil tajribasi. Gradient boosting,
A/B test va SQL bilan biznes metrikasini o'lchab yaxshilashga yo'naltirilgan.
Modelni FastAPI xizmati sifatida ishga tushirish tajribasi bor.

## Ko'nikmalar
- **Til:** Python (pandas, NumPy, scikit-learn), SQL (PostgreSQL)
- **ML:** gradient boosting (XGBoost, LightGBM), logistik regressiya, kalibrlash, permutation importance
- **Statistika:** A/B test, bootstrap, gipoteza testlari, quvvat tahlili
- **Vositalar:** Git, Docker, FastAPI, matplotlib
- **Tillar:** o'zbek (ona tili), rus (erkin), ingliz (B2)

## Tajriba
**Junior Data Analyst** — bank (chakana kredit bo'limi) · 2025.03 — hozirgacha
- Kredit to'lovi kechikishini bashorat qiluvchi gradient boosting modelini qurdim,
  ROC-AUC 0.71 dan 0.78 ga oshdi (vaqt bo'yicha validatsiya, 6 oy)
- Haftalik portfel hisobotini SQL va pandas bilan avtomatlashtirdim,
  tayyorlash vaqti 6 soatdan 20 daqiqaga qisqardi
- SMS eslatma matni uchun A/B test dizaynini tuzdim va natijani tahlil qildim:
  o'z vaqtida to'lov ulushi 2.1 foiz punkt oshdi (p = 0.01, oldindan hisoblangan namuna hajmi)

**Stajyor tahlilchi** — telekom kompaniyasi · 2024.06 — 2024.09
- Mijoz ketishi bo'yicha kohort tahlili qildim va 3 ta xavf segmentini aniqladim;
  saqlash bo'limi ulardan ikkitasi uchun taklif ishga tushirdi

## Loyihalar
- **Talab bashorati va zaxira qarori** — 40 do'kon, rolling-origin backtest;
  bazaviy modelga nisbatan MAE 14% ga past · github.com/namuna/talab
- **Mijoz ketishi xizmati** — scikit-learn + FastAPI + Docker, drift monitoringi
  va avtomatik qayta o'qitish darvozasi · github.com/namuna/churn-service

## Ta'lim
Iqtisodiyot bakalavri — universitet · 2020-2024
Data Science kursi (29 qism) — to'liq, 12 ta amaliy loyiha

import re

from sklearn.feature_extraction.text import TfidfVectorizer

# 1) vakansiya talablari qamrovi (sinonimlar bilan)
LUGAT = {"scikit-learn": r"scikit-learn|\bsklearn\b", "sql": r"\bsql\b|postgres"}
bor = {k for k, p in LUGAT.items() if re.search(p, rezyume.lower())}
qamrov = sum(k in bor for k in majburiy) / len(majburiy)

# 2) TF-IDF o'xshashligi (so'z va harf n-gramlari - o'zbekcha qo'shimchalar uchun)
vek = TfidfVectorizer(analyzer="char_wb", ngram_range=(3, 5)).fit(korpus)
m = vek.transform([vakansiya, rezyume])
oxshash = (m[0] @ m[1].T).toarray()[0, 0]

# 3) punkt tekshiruvi: raqamli natija bormi?
RAQAM = r"\d[\d.,]*\s*(%|foiz|marta|soat|kun|mln|ming)|dan\s+[\d.,]+\s*ga\b"
natijali = bool(re.search(RAQAM, punkt.lower()))

# 4) voronka: kutilgan takliflar
kutilgan = ariza * p_javob * p_intervyu * p_taklif

Analyst - "nima bo'ldi, nega?"          SQL, BI, statistika, A/B
Scientist - "nima bo'ladi, nima qilsak?" ML, statistika, tajriba, tushuntirish
ML Engineer - "qanday ishlatamiz?"      Python, PyTorch, API, Docker, test
MLOps - "hayot siklini avtomatlashtirish" CI/CD, registr, monitoring, bulut
Research - "yangi usul"                 matematika, PyTorch, maqolalar
punkt: fe'l + nima + qanday + natija (bazaga nisbatan, to'qimasdan)
voronka: ko'paytma -> eng past va eng arzon yaxshilanadigan bosqich

"""Rezyume va vakansiyani moslash: TF-IDF o'xshashligi va talablar qamrovi."""

import re

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

# kanonik ko'nikma -> sinonimlar (regex); kichik harfda qidiriladi
LUGAT = {
    "python": r"\bpython\b",
    "pandas": r"\bpandas\b",
    "numpy": r"\bnumpy\b",
    "sql": r"\bsql\b|postgres|sqlite|mysql",
    "scikit-learn": r"scikit-learn|\bsklearn\b",
    "gradient boosting": r"gradient boosting|xgboost|lightgbm|catboost|histgradient",
    "a/b test": r"\ba/b\b|\bab test",
    "statistika": r"statistik|gipoteza",
    "vizualizatsiya": r"vizualizatsiya|matplotlib|seaborn|plotly|dashboard",
    "docker": r"\bdocker",
    "git": r"\bgit\b|github",
    "fastapi": r"fastapi",
    "airflow": r"airflow",
    "ingliz tili": r"ingliz|english|ielts",
    "pytorch": r"pytorch|\btorch\b",
}

VAKANSIYA = """Data Scientist (bank, kredit riski bo'limi).
Majburiy: Python (pandas, NumPy), SQL, scikit-learn, gradient boosting modellari,
statistika va A/B test, natijalarni vizualizatsiya qilish, Git.
Afzallik: Docker, FastAPI, Airflow, ingliz tili (texnik hujjatlarni o'qish).
Vazifalar: kredit riskini bashorat qiluvchi modellarni qurish va monitoring,
biznes bo'limlari bilan ishlash, modellarni ishlab chiqarishga chiqarish."""

# rezyumelar: "kon" - ko'nikmalar qatori, "punkt" - tajriba/loyiha punktlari
REZYUMELAR = {
    "A: boshlang'ich": {
        "kon": "Python, sklearn, XGBoost, Excel, PostgreSQL, matplotlib",
        "punkt": [
            "Kredit to'lovlarini kechiktirish bo'yicha model ustida ishladim",
            "Hisobotlar tayyorlashda yordam berdim",
            "Ma'lumotlarni tozalash vazifalari menga yuklatilgan edi",
        ],
    },
    "B: tahrirlangan": {
        "kon": ("Python (pandas, NumPy), SQL (PostgreSQL), scikit-learn, "
                "gradient boosting (XGBoost), statistika, matplotlib, Git, "
                "ingliz tili B2"),
        "punkt": [
            "Kredit to'lovi kechikishini bashorat qiluvchi gradient boosting "
            "modelini qurdim: ROC-AUC 0.71 dan 0.78 ga oshdi",
            "SQL va pandas bilan 1.2 mln qatorli tranzaksiyalardan 40 ta belgi "
            "yaratdim, hisobot tayyorlash vaqti 3 kundan 4 soatga qisqardi",
            "Eslatma SMS matni uchun A/B test o'tkazdim (statistika: 2 ta "
            "proporsiya testi), to'lov ulushi 2.1 foiz punkt oshdi",
            "Loyiha kodini Git da yuritdim, matplotlib bilan dashboard yasadim",
        ],
    },
    "C: kalit so'z to'ldirilgan": {
        "kon": ("Python, pandas, NumPy, SQL, scikit-learn, gradient boosting, "
                "statistika, A/B test, vizualizatsiya, Git, Docker, FastAPI, "
                "Airflow, ingliz tili, kredit riski, monitoring, bank"),
        "punkt": [
            "Kredit riskini bashorat qiluvchi modellarni qurish va monitoring, "
            "biznes bo'limlari bilan ishlash",
            "Modellarni ishlab chiqarishga chiqarish, Docker, FastAPI, Airflow",
        ],
    },
}

# TF-IDF uchun fon korpusi (sintetik vakansiyalar) - IDF ma'noli bo'lishi uchun
FON = [
    "Data Analyst: SQL, Excel, Power BI dashboard, hisobotlar, biznes bilan ishlash",
    "ML Engineer: Python, PyTorch, Docker, Kubernetes, modelni ishlab chiqarishga chiqarish",
    "Data Scientist: Python, statistika, A/B test, mahsulot metrikalari, SQL",
    "MLOps: Docker, Airflow, CI/CD, monitoring, Git, bulut",
    "Junior Data Analyst: pandas, vizualizatsiya, SQL, statistika asoslari",
    "NLP Engineer: PyTorch, transformerlar, matn klassifikatsiyasi, ingliz tili",
]


def konlar(matn):
    """Matnda topilgan kanonik ko'nikmalar (tartiblangan)."""
    t = matn.lower()
    return sorted(k for k, p in LUGAT.items() if re.search(p, t))


def talablar(vak):
    """Vakansiyadan majburiy va afzallik ko'nikmalarini ajratish."""
    maj = vak.split("Majburiy:")[1].split("Afzallik:")[0]
    afz = vak.split("Afzallik:")[1].split("Vazifalar:")[0]
    return konlar(maj), konlar(afz)


def dalil_bor(punktlar, kon):
    """Ko'nikma raqamli natijasi bor punktda tilga olinganmi?"""
    p = LUGAT[kon]
    return any(re.search(p, s.lower()) and re.search(r"\d", s) for s in punktlar)


def main() -> None:
    maj, afz = talablar(VAKANSIYA)
    print("=== 1. Vakansiya talablari (lug'at bo'yicha) ===")
    print(f"  majburiy ({len(maj)}): {', '.join(maj)}")
    print(f"  afzallik ({len(afz)}): {', '.join(afz)}")

    matnlar = {n: r["kon"] + ". " + ". ".join(r["punkt"])
               for n, r in REZYUMELAR.items()}
    korpus = [VAKANSIYA] + FON + list(matnlar.values())
    sozli = TfidfVectorizer(sublinear_tf=True).fit(korpus)
    harfli = TfidfVectorizer(analyzer="char_wb", ngram_range=(3, 5),
                             sublinear_tf=True).fit(korpus)

    def kos(vek, a, b):
        m = vek.transform([a, b])
        return float((m[0] @ m[1].T).toarray()[0, 0])

    print("\n=== 2. Rezyume va vakansiya: o'xshashlik va qamrov ===")
    print(f"  {'rezyume':<27} {'soz TF-IDF':>10} {'harf TF-IDF':>11} "
          f"{'majburiy':>9} {'afzallik':>9} {'dalilli':>8}")
    natija = {}
    for nom, r in REZYUMELAR.items():
        bor = set(konlar(matnlar[nom]))
        qm = sum(k in bor for k in maj) / len(maj)
        qa = sum(k in bor for k in afz) / len(afz)
        dl = sum(dalil_bor(r["punkt"], k) for k in maj) / len(maj)
        s1, s2 = kos(sozli, VAKANSIYA, matnlar[nom]), kos(harfli, VAKANSIYA, matnlar[nom])
        natija[nom] = (s1, s2, qm, qa, dl, bor)
        print(f"  {nom:<27} {s1:>10.3f} {s2:>11.3f} {qm:>9.2f} {qa:>9.2f} {dl:>8.2f}")

    print("\n=== 3. Qoplanmagan talablar ===")
    for nom, (_, _, _, _, _, bor) in natija.items():
        yoq_m = [k for k in maj if k not in bor]
        yoq_a = [k for k in afz if k not in bor]
        dalilsiz = [k for k in maj if k in bor
                    and not dalil_bor(REZYUMELAR[nom]["punkt"], k)]
        print(f"  {nom}")
        print(f"    majburiy yo'q: {', '.join(yoq_m) if yoq_m else '-'}")
        print(f"    afzallik yo'q: {', '.join(yoq_a) if yoq_a else '-'}")
        print(f"    bor, lekin natijali punktda yo'q: "
              f"{', '.join(dalilsiz) if dalilsiz else '-'}")

    print("\n=== 4. Sinonimsiz (aniq so'z) qidiruv nimani yo'qotadi? ===")
    a_matn = matnlar["A: boshlang'ich"].lower()
    for kon in maj:
        aniq = kon in a_matn
        sinonim = bool(re.search(LUGAT[kon], a_matn))
        if aniq != sinonim:
            print(f"  A rezyumesida '{kon}': aniq so'z {aniq}, sinonim bilan {sinonim}")

    print("\n=== 5. Xulosa (natijadan hisoblangan) ===")
    a, b, c = (natija[k] for k in REZYUMELAR)
    if c[0] > b[0]:
        print(f"  C ning so'z o'xshashligi B dan yuqori ({c[0]:.3f} > {b[0]:.3f}),")
        print(f"  lekin dalilli qamrov past ({c[4]:.2f} < {b[4]:.2f}) - "
              "o'xshashlik sifat emas")
    else:
        print(f"  B ning so'z o'xshashligi C dan yuqori yoki teng ({b[0]:.3f})")
    print(f"  A -> B: majburiy qamrov {a[2]:.2f} -> {b[2]:.2f}, "
          f"dalilli {a[4]:.2f} -> {b[4]:.2f}")
    print("  ⭐ Moslash = haqiqiy tajribani vakansiya tilida yozish, to'qish emas")


if __name__ == "__main__":
    main()

=== 1. Vakansiya talablari (lug'at bo'yicha) ===
  majburiy (10): a/b test, git, gradient boosting, numpy, pandas, python, scikit-learn, sql, statistika, vizualizatsiya
  afzallik (4): airflow, docker, fastapi, ingliz tili

=== 2. Rezyume va vakansiya: o'xshashlik va qamrov ===
  rezyume                     soz TF-IDF harf TF-IDF  majburiy  afzallik  dalilli
  A: boshlang'ich                  0.071       0.174      0.50      0.00     0.00
  B: tahrirlangan                  0.237       0.263      1.00      0.25     0.50
  C: kalit so'z to'ldirilgan       0.795       0.732      1.00      1.00     0.00

=== 3. Qoplanmagan talablar ===
  A: boshlang'ich
    majburiy yo'q: a/b test, git, numpy, pandas, statistika
    afzallik yo'q: airflow, docker, fastapi, ingliz tili
    bor, lekin natijali punktda yo'q: gradient boosting, python, scikit-learn, sql, vizualizatsiya
  B: tahrirlangan
    majburiy yo'q: -
    afzallik yo'q: airflow, docker, fastapi
    bor, lekin natijali punktda yo'q: git, numpy, python, scikit-learn, vizualizatsiya
  C: kalit so'z to'ldirilgan
    majburiy yo'q: -
    afzallik yo'q: -
    bor, lekin natijali punktda yo'q: a/b test, git, gradient boosting, numpy, pandas, python, scikit-learn, sql, statistika, vizualizatsiya

=== 4. Sinonimsiz (aniq so'z) qidiruv nimani yo'qotadi? ===
  A rezyumesida 'gradient boosting': aniq so'z False, sinonim bilan True
  A rezyumesida 'scikit-learn': aniq so'z False, sinonim bilan True
  A rezyumesida 'vizualizatsiya': aniq so'z False, sinonim bilan True

=== 5. Xulosa (natijadan hisoblangan) ===
  C ning so'z o'xshashligi B dan yuqori (0.795 > 0.237),
  lekin dalilli qamrov past (0.00 < 0.50) - o'xshashlik sifat emas
  A -> B: majburiy qamrov 0.50 -> 1.00, dalilli 0.00 -> 0.50
  ⭐ Moslash = haqiqiy tajribani vakansiya tilida yozish, to'qish emas

"""Rezyume punktlarini qoidaviy tahlil: fe'l, raqamli natija, vosita, uzunlik, passiv."""

import re

import numpy as np

FEL_UZ = ["qurdim", "ishlab chiqdim", "kamaytirdim", "oshirdim", "yaratdim",
          "avtomatlashtirdim", "joriy qildim", "tahlil qildim", "o'tkazdim",
          "optimallashtirdim", "qisqartirdim", "chiqardim", "tayyorladim",
          "boshqardim", "yozdim"]
FEL_EN = ["built", "reduced", "designed", "automated", "deployed", "increased",
          "analyzed", "led", "developed", "cut", "improved", "created"]
PASSIV = ["yordam berdim", "ishtirok etdim", "mas'ul edim", "yuklatilgan",
          "ustida ishladim", "shug'ullandim", "tanishman", "vazifalarimga",
          "responsible for", "worked on", "helped", "assisted", "involved in",
          "duties included"]
VOSITA = r"python|sql|pandas|sklearn|scikit|xgboost|lightgbm|docker|fastapi|" \
         r"airflow|pytorch|a/b|gradient boosting|logistik|tf-idf|dashboard|" \
         r"bootstrap|random forest"
RAQAM = (r"\d[\d.,]*\s*(%|foiz|marta|soat|kun|daqiqa|mln|ming|ta\b|x\b)"
         r"|dan\s+[\d.,]+\s*(%|foiz|soat|kun|daqiqa|mln|ming)?\s*ga\b"
         r"|from\s+[\d.,]+\s*\S*\s+to\s+[\d.,]+|by\s+\d")

# (yomon, yaxshi) juftlari - bir xil tajriba, ikki xil yozuv
JUFTLAR = [
    ("Kredit modeli ustida ishladim",
     "Kredit to'lovi kechikishini bashorat qiluvchi gradient boosting modelini "
     "qurdim, ROC-AUC 0.71 dan 0.78 ga oshdi"),
    ("Hisobotlar tayyorlashda yordam berdim",
     "Haftalik savdo hisobotini SQL va pandas bilan avtomatlashtirdim, "
     "tayyorlash vaqti 6 soatdan 20 daqiqaga qisqardi"),
    ("Ma'lumotlarni tozalash vazifalari menga yuklatilgan edi",
     "Tranzaksiyalar jadvalidagi takror va xato yozuvlarni topuvchi pandas "
     "skriptini yozdim, xato yozuvlar ulushi 4.2% dan 0.3% ga tushdi"),
    ("Jamoa bilan A/B test o'tkazdik va natijalarni ko'rib chiqdik",
     "SMS eslatma matni uchun A/B test dizaynini tuzdim va natijani "
     "tahlil qildim: to'lov ulushi 2.1 foiz punkt oshdi (p = 0.01)"),
    ("Responsible for machine learning models and data pipelines",
     "Built a churn model in scikit-learn and deployed it with FastAPI, "
     "reducing monthly churn by 1.5 percentage points"),
    ("Worked on dashboards",
     "Designed a sales dashboard in Python used by 12 regional managers, "
     "cutting ad-hoc report requests from 30 to 8 per month"),
]
# shakli "mukammal", mazmuni noaniq - qoidalar chegarasini ko'rsatish uchun
TOZA = "muammo yo'q"
BOSH = "Python bilan samaradorlikni 10 marta oshirdim va 100% natijaga erishdim"


def tahlil(s):
    t = s.lower()
    en = bool(re.match(r"[a-z]", t)) and any(w in t.split() for w in ["the", "a", "in", "with", "and", "on", "for"])
    if en:
        fel = t.split()[0] in FEL_EN
    else:
        fel = any(f in t for f in FEL_UZ)
    raqam = bool(re.search(RAQAM, t))
    vosita = bool(re.search(VOSITA, t))
    n = len(s.split())
    passiv = [p for p in PASSIV if p in t]
    biz = bool(re.search(r"\b\w+(dik|dikmi)\b", t)) or " we " in f" {t} "
    ball = (2 * fel + 2 * raqam + vosita + (10 <= n <= 35)
            + (not passiv) - biz)
    belgi = []
    if not fel:
        belgi.append("faol fe'l yo'q")
    if not raqam:
        belgi.append("natija raqamsiz")
    if not vosita:
        belgi.append("vosita/usul yo'q")
    if not 10 <= n <= 35:
        belgi.append(f"uzunlik {n} so'z")
    if passiv:
        belgi.append("passiv: " + passiv[0])
    if biz:
        belgi.append("'biz' - shaxsiy hissa noaniq")
    return int(ball), belgi, n


def main() -> None:
    print("=== 1. Juftlar: yomon va yaxshi yozuv (maks ball 7) ===")
    yomon, yaxshi = [], []
    sabablar = {}
    for i, (a, b) in enumerate(JUFTLAR, 1):
        ba, fa, _ = tahlil(a)
        bb, fb, _ = tahlil(b)
        yomon.append(ba)
        yaxshi.append(bb)
        for f in fa:
            k = "uzunlik" if f.startswith("uzunlik") else f.split(":")[0]
            sabablar[k] = sabablar.get(k, 0) + 1
        print(f"  {i}. yomon  {ba}/7  {'; '.join(fa) if fa else TOZA}")
        print(f"     yaxshi {bb}/7  {'; '.join(fb) if fb else TOZA}")

    print("\n=== 2. Juftlashgan farq ===")
    d = np.array(yaxshi) - np.array(yomon)
    se = d.std(ddof=1) / np.sqrt(len(d))
    print(f"  o'rtacha ball: yomon {np.mean(yomon):.2f}, yaxshi {np.mean(yaxshi):.2f}")
    print(f"  farq {d.mean():+.2f} (SE {se:.2f}), sezilarli: {d.mean() > 2 * se}")

    print("\n=== 3. Yomon punktlarda eng ko'p uchragan muammolar ===")
    for k, v in sorted(sabablar.items(), key=lambda x: (-x[1], x[0])):
        print(f"  {k:<30} {v}/{len(JUFTLAR)}")

    print("\n=== 4. Qoidalar chegarasi: shakli to'g'ri, mazmuni bo'sh ===")
    b, f, n = tahlil(BOSH)
    print(f"  '{BOSH}'")
    print(f"  ball {b}/7, belgilar: {'; '.join(f) if f else TOZA}")
    if b >= np.mean(yaxshi):
        print("  qoidalar buni 'yaxshi' deb baholadi - lekin nima, qaysi")
        print("  metrika, qanday bazaga nisbatan? Qoida shaklni, odam mazmunni tekshiradi")

    print("\n=== 5. Xulosa ===")
    if d.mean() > 2 * se:
        print(f"  qayta yozish har juftda ballni oshirdi: min farq {d.min():+d}, "
              f"maks {d.max():+d}")
    print("  ⭐ Formula: fe'l + nima + qanday + o'lchanadigan natija (bazaga nisbatan)")


if __name__ == "__main__":
    main()

=== 1. Juftlar: yomon va yaxshi yozuv (maks ball 7) ===
  1. yomon  0/7  faol fe'l yo'q; natija raqamsiz; vosita/usul yo'q; uzunlik 4 so'z; passiv: ustida ishladim
     yaxshi 7/7  muammo yo'q
  2. yomon  0/7  faol fe'l yo'q; natija raqamsiz; vosita/usul yo'q; uzunlik 4 so'z; passiv: yordam berdim
     yaxshi 7/7  muammo yo'q
  3. yomon  0/7  faol fe'l yo'q; natija raqamsiz; vosita/usul yo'q; uzunlik 6 so'z; passiv: yuklatilgan
     yaxshi 7/7  muammo yo'q
  4. yomon  1/7  faol fe'l yo'q; natija raqamsiz; uzunlik 9 so'z; 'biz' - shaxsiy hissa noaniq
     yaxshi 7/7  muammo yo'q
  5. yomon  0/7  faol fe'l yo'q; natija raqamsiz; vosita/usul yo'q; uzunlik 8 so'z; passiv: responsible for
     yaxshi 7/7  muammo yo'q
  6. yomon  1/7  faol fe'l yo'q; natija raqamsiz; uzunlik 3 so'z; passiv: worked on
     yaxshi 7/7  muammo yo'q

=== 2. Juftlashgan farq ===
  o'rtacha ball: yomon 0.33, yaxshi 7.00
  farq +6.67 (SE 0.21), sezilarli: True

=== 3. Yomon punktlarda eng ko'p uchragan muammolar ===
  faol fe'l yo'q                 6/6
  natija raqamsiz                6/6
  uzunlik                        6/6
  passiv                         5/6
  vosita/usul yo'q               4/6
  'biz' - shaxsiy hissa noaniq   1/6

=== 4. Qoidalar chegarasi: shakli to'g'ri, mazmuni bo'sh ===
  'Python bilan samaradorlikni 10 marta oshirdim va 100% natijaga erishdim'
  ball 7/7, belgilar: muammo yo'q
  qoidalar buni 'yaxshi' deb baholadi - lekin nima, qaysi
  metrika, qanday bazaga nisbatan? Qoida shaklni, odam mazmunni tekshiradi

=== 5. Xulosa ===
  qayta yozish har juftda ballni oshirdi: min farq +6, maks +7
  ⭐ Formula: fe'l + nima + qanday + o'lchanadigan natija (bazaga nisbatan)

"""Ko'nikmalar bo'shlig'i: sintetik vakansiyalar to'plamidan talab va shaxsiy farq."""

import re

import numpy as np

# ko'nikma -> matnda yozilish variantlari (generator ishlatadi)
VARIANT = {
    "python": ["Python", "Python 3"],
    "sql": ["SQL", "PostgreSQL", "murakkab SQL so'rovlari"],
    "pandas": ["pandas"],
    "numpy": ["NumPy"],
    "excel": ["Excel", "MS Excel"],
    "bi": ["Power BI", "Tableau", "BI vositalari"],
    "statistika": ["statistika", "matematik statistika", "gipoteza testlari"],
    "a/b test": ["A/B test", "A/B testlar"],
    "vizualizatsiya": ["vizualizatsiya", "matplotlib", "grafiklar bilan ishlash"],
    "scikit-learn": ["scikit-learn", "sklearn"],
    "gradient boosting": ["gradient boosting", "XGBoost", "LightGBM", "CatBoost"],
    "pytorch": ["PyTorch", "torch"],
    "nlp": ["NLP", "matn bilan ishlash"],
    "docker": ["Docker"],
    "kubernetes": ["Kubernetes", "k8s"],
    "airflow": ["Airflow"],
    "git": ["Git", "GitHub"],
    "fastapi": ["FastAPI", "REST API"],
    "bulut": ["bulut platformalari", "cloud"],
    "spark": ["Spark", "PySpark"],
    "ingliz tili": ["ingliz tili", "English"],
}
# ajratuvchi lug'at (tahlilchi yozadi) - ataylab to'liq emas: "k8s",
# "REST API", "grafiklar bilan ishlash", "cloud" yo'q
LUGAT = {
    "python": r"\bpython\b", "sql": r"\bsql\b|postgres", "pandas": r"pandas",
    "numpy": r"numpy", "excel": r"excel", "bi": r"power bi|tableau|\bbi\b",
    "statistika": r"statistik|gipoteza", "a/b test": r"a/b",
    "vizualizatsiya": r"vizualizatsiya|matplotlib",
    "scikit-learn": r"scikit|sklearn",
    "gradient boosting": r"gradient boosting|xgboost|lightgbm|catboost",
    "pytorch": r"pytorch|\btorch\b", "nlp": r"\bnlp\b|matn bilan",
    "docker": r"docker", "kubernetes": r"kubernetes", "airflow": r"airflow",
    "git": r"\bgit\b|github", "fastapi": r"fastapi", "bulut": r"bulut",
    "spark": r"spark", "ingliz tili": r"ingliz|english",
}
# rol -> (ulush, {ko'nikma: talab ehtimoli}) - FARAZIY, biz belgilaganmiz
ROLLAR = {
    "Data Analyst": (0.40, {"sql": 0.9, "excel": 0.7, "bi": 0.6, "python": 0.6,
                            "pandas": 0.4, "statistika": 0.5, "a/b test": 0.3,
                            "vizualizatsiya": 0.6, "ingliz tili": 0.3, "git": 0.1}),
    "Data Scientist": (0.30, {"python": 0.95, "sql": 0.8, "pandas": 0.7,
                              "numpy": 0.4, "statistika": 0.7, "a/b test": 0.4,
                              "scikit-learn": 0.7, "gradient boosting": 0.5,
                              "pytorch": 0.3, "nlp": 0.2, "git": 0.5,
                              "docker": 0.3, "vizualizatsiya": 0.4,
                              "ingliz tili": 0.5, "spark": 0.15}),
    "ML Engineer": (0.20, {"python": 0.95, "pytorch": 0.6, "docker": 0.7,
                           "kubernetes": 0.4, "git": 0.8, "fastapi": 0.5,
                           "sql": 0.5, "scikit-learn": 0.4, "bulut": 0.5,
                           "nlp": 0.3, "ingliz tili": 0.6, "airflow": 0.2}),
    "MLOps": (0.10, {"python": 0.8, "docker": 0.9, "kubernetes": 0.7,
                     "airflow": 0.5, "git": 0.9, "bulut": 0.7, "fastapi": 0.3,
                     "spark": 0.2, "ingliz tili": 0.6}),
}
KON = "ko'nikma"
MENIKI = {"python", "sql", "pandas", "numpy", "statistika", "scikit-learn",
          "vizualizatsiya", "git"}


def yarat(rng, n):
    nomlar = list(ROLLAR)
    ulush = np.array([ROLLAR[r][0] for r in nomlar])
    vak = []
    for _ in range(n):
        rol = nomlar[rng.choice(len(nomlar), p=ulush)]
        talab = sorted(k for k, p in ROLLAR[rol][1].items() if rng.random() < p)
        qism = [VARIANT[k][rng.integers(len(VARIANT[k]))] for k in talab]
        rng.shuffle(qism)
        matn = f"{rol}. Talablar: " + ", ".join(qism) + "."
        vak.append((rol, set(talab), matn))
    return vak


def ajrat(matn):
    t = matn.lower()
    return {k for k, p in LUGAT.items() if re.search(p, t)}


def mos_ulush(vak, konlar, chegara=0.8):
    """Vakansiya talablarining kamida 80% i bor bo'lgan vakansiyalar ulushi."""
    ok = [len(t & konlar) / len(t) >= chegara for t in vak if t]
    return float(np.mean(ok))


def main() -> None:
    rng = np.random.default_rng(29)
    vak = yarat(rng, 600)
    print("=== 1. Sintetik vakansiyalar (ehtimollar faraziy, real bozor EMAS) ===")
    for rol in ROLLAR:
        print(f"  {rol:<15} {sum(v[0] == rol for v in vak):>4} ta")
    print(f"  namuna: {vak[0][2]}")

    print("\n=== 2. Ajratuvchi sifati (haqiqiy talablar ma'lum) ===")
    tp = fp = fn = 0
    otkazdi = {}
    for _, haq, matn in vak:
        top = ajrat(matn)
        tp += len(top & haq)
        fp += len(top - haq)
        fn += len(haq - top)
        for k in haq - top:
            otkazdi[k] = otkazdi.get(k, 0) + 1
    print(f"  precision {tp / (tp + fp):.3f}, recall {tp / (tp + fn):.3f}")
    for k, v in sorted(otkazdi.items(), key=lambda x: (-x[1], x[0])):
        print(f"  o'tkazib yuborilgan: {k:<15} {v:>4} marta")

    ds = [ajrat(m) for r, _, m in vak if r == "Data Scientist"]
    ds_haq = [h for r, h, _ in vak if r == "Data Scientist"]
    n = len(ds)
    print(f"\n=== 3. Data Scientist vakansiyalari (n={n}): talab va shaxsiy farq ===")
    print(f"  {KON:<18} {'ulush':>6} {'95% CI':>13} {'haqiqiy':>8} {'menda':>6}")
    chastota = {}
    for k in LUGAT:
        p = np.mean([k in s for s in ds])
        chastota[k] = p
    for k, p in sorted(chastota.items(), key=lambda x: (-x[1], x[0])):
        if p < 0.1:
            continue
        se = np.sqrt(p * (1 - p) / n)
        h = np.mean([k in s for s in ds_haq])
        print(f"  {k:<18} {p:>6.2f} [{max(0, p - 2 * se):.2f}, {min(1, p + 2 * se):.2f}]"
              f" {h:>8.2f} {'ha' if k in MENIKI else '-':>6}")

    print("\n=== 4. Qaysi ko'nikmani keyin o'rganish kerak? ===")
    boshi = mos_ulush(ds, MENIKI)
    print(f"  hozir mos (talablarning >=80% i bor) vakansiyalar: {boshi:.3f}")
    nomzod = sorted(k for k in LUGAT if k not in MENIKI)
    chast_tartib = sorted(nomzod, key=lambda k: (-chastota[k], k))[:3]
    kon, ochko = set(MENIKI), boshi
    ochko_ch = []
    for k in chast_tartib:
        kon.add(k)
        ochko_ch.append(mos_ulush(ds, kon))
    kon, ochko_g, tanlov_g = set(MENIKI), [], []
    for _ in range(3):
        eng = max(nomzod, key=lambda k: (mos_ulush(ds, kon | {k}), -nomzod.index(k))
                  if k not in kon else (-1, 0))
        kon.add(eng)
        tanlov_g.append(eng)
        ochko_g.append(mos_ulush(ds, kon))
    print(f"  chastota bo'yicha: {' -> '.join(chast_tartib)}")
    print(f"    mos ulush: {' -> '.join(f'{x:.3f}' for x in ochko_ch)}")
    print(f"  qamrov bo'yicha (ochko'z): {' -> '.join(tanlov_g)}")
    print(f"    mos ulush: {' -> '.join(f'{x:.3f}' for x in ochko_g)}")

    print("\n=== 5. Xulosa (natijadan hisoblangan) ===")
    birinchi = tanlov_g[0]
    print(f"  birinchi o'rganiladigan: {birinchi} "
          f"(mos ulush {boshi:.3f} -> {ochko_g[0]:.3f})")
    if tanlov_g != chast_tartib:
        print("  chastota va qamrov tartibi farq qiladi - 'eng ko'p so'raladigan'")
        print("  har doim 'eng ko'p eshik ochadigan' emas")
    else:
        print("  bu ma'lumotda chastota va qamrov tartibi bir xil")
    print("  ⭐ Ma'lumot sintetik: xulosa biz bergan ehtimollarni aks ettiradi")


if __name__ == "__main__":
    main()

=== 1. Sintetik vakansiyalar (ehtimollar faraziy, real bozor EMAS) ===
  Data Analyst     242 ta
  Data Scientist   191 ta
  ML Engineer      110 ta
  MLOps             57 ta
  namuna: Data Analyst. Talablar: SQL, grafiklar bilan ishlash, Power BI, English, Python 3, MS Excel, gipoteza testlari, pandas.

=== 2. Ajratuvchi sifati (haqiqiy talablar ma'lum) ===
  precision 1.000, recall 0.943
  o'tkazib yuborilgan: vizualizatsiya    74 marta
  o'tkazib yuborilgan: kubernetes        48 marta
  o'tkazib yuborilgan: bulut             47 marta
  o'tkazib yuborilgan: fastapi           40 marta

=== 3. Data Scientist vakansiyalari (n=191): talab va shaxsiy farq ===
  ko'nikma            ulush        95% CI  haqiqiy  menda
  python               0.97 [0.95, 1.00]     0.97     ha
  sql                  0.83 [0.77, 0.88]     0.83     ha
  scikit-learn         0.73 [0.67, 0.80]     0.73     ha
  pandas               0.71 [0.64, 0.77]     0.71     ha
  statistika           0.69 [0.62, 0.75]     0.69     ha
  ingliz tili          0.55 [0.48, 0.63]     0.55      -
  git                  0.47 [0.40, 0.54]     0.47     ha
  gradient boosting    0.47 [0.39, 0.54]     0.47      -
  a/b test             0.42 [0.35, 0.49]     0.42      -
  numpy                0.39 [0.32, 0.46]     0.39     ha
  vizualizatsiya       0.28 [0.22, 0.35]     0.42     ha
  docker               0.28 [0.21, 0.34]     0.28      -
  pytorch              0.23 [0.17, 0.29]     0.23      -
  nlp                  0.19 [0.13, 0.25]     0.19      -
  spark                0.15 [0.10, 0.20]     0.15      -

=== 4. Qaysi ko'nikmani keyin o'rganish kerak? ===
  hozir mos (talablarning >=80% i bor) vakansiyalar: 0.225
  chastota bo'yicha: ingliz tili -> gradient boosting -> a/b test
    mos ulush: 0.424 -> 0.613 -> 0.817
  qamrov bo'yicha (ochko'z): ingliz tili -> a/b test -> gradient boosting
    mos ulush: 0.424 -> 0.644 -> 0.817

=== 5. Xulosa (natijadan hisoblangan) ===
  birinchi o'rganiladigan: ingliz tili (mos ulush 0.225 -> 0.424)
  chastota va qamrov tartibi farq qiladi - 'eng ko'p so'raladigan'
  har doim 'eng ko'p eshik ochadigan' emas
  ⭐ Ma'lumot sintetik: xulosa biz bergan ehtimollarni aks ettiradi

"""Ariza voronkasi: faraziy konversiyalar bilan simulyatsiya va tor joyni topish."""

import numpy as np
from scipy import stats

HAFTA = 8
N_SIM = 20_000
# FARAZIY konversiyalar - real bozor raqamlari emas, faqat mexanizmni ko'rsatish uchun
BAZA = {"ariza": 16, "javob": 0.06, "intervyu": 0.50, "taklif": 0.20}
STSENARIY = {
    "baza": {},
    "ariza soni x1.5": {"ariza": 24},
    "javob x1.5 (moslangan rezyume)": {"javob": 0.09},
    "intervyu x1.5 (HR suhbatiga tayyorgarlik)": {"intervyu": 0.75},
    "taklif x1.5 (texnik tayyorgarlik)": {"taklif": 0.30},
    "javob +5 p.p.": {"javob": 0.11},
    "intervyu +5 p.p.": {"intervyu": 0.55},
    "taklif +5 p.p.": {"taklif": 0.25},
    "ommaviy: 48 ariza, javob 0.025": {"ariza": 48, "javob": 0.025},
    "maqsadli: 8 ariza, javob 0.18": {"ariza": 8, "javob": 0.18},
}


def simulyatsiya(rng, par):
    """Har hafta: ariza -> javob -> intervyu -> taklif (binomial zanjir)."""
    a = np.full((N_SIM, HAFTA), par["ariza"])
    j = rng.binomial(a, par["javob"])
    i = rng.binomial(j, par["intervyu"])
    t = rng.binomial(i, par["taklif"])
    kum = t.cumsum(axis=1)
    bor = kum[:, -1] > 0
    birinchi = np.where(bor, (kum > 0).argmax(axis=1) + 1, HAFTA + 1)
    return bor, birinchi, t.sum(axis=1), i.sum(axis=1)


def main() -> None:
    rng = np.random.default_rng(8)
    print(f"=== 1. Stsenariylar ({HAFTA} hafta, {N_SIM} simulyatsiya, FARAZIY) ===")
    print(f"  {'stsenariy':<42} {'kutilgan':>8} {'P(>=1)':>7} {'SE':>6} "
          f"{'intervyu':>8}")
    nat = {}
    for nom, o in STSENARIY.items():
        par = {**BAZA, **o}
        kut = HAFTA * par["ariza"] * par["javob"] * par["intervyu"] * par["taklif"]
        bor, birinchi, _, iv = simulyatsiya(rng, par)
        p = bor.mean()
        se = np.sqrt(p * (1 - p) / N_SIM)
        nat[nom] = (kut, p, se, bor)
        print(f"  {nom:<42} {kut:>8.2f} {p:>7.3f} {se:>6.3f} {iv.mean():>8.1f}")

    print("\n=== 2. Bir xil NISBIY yaxshilanish (x1.5) - qaysi bosqich? ===")
    nisbiy = [k for k in STSENARIY if "x1.5" in k]
    kut = [nat[k][0] for k in nisbiy]
    print(f"  kutilgan takliflar: {', '.join(f'{x:.2f}' for x in kut)}")
    if max(kut) - min(kut) < 1e-9:
        print("  hammasi bir xil: voronka ko'paytma, x1.5 qayerda bo'lmasin - x1.5")
        print("  demak savol 'qaysi bosqich' emas, 'qaysi bosqichni ARZONROQ x1.5 qilish'")

    print("\n=== 3. Bir xil MUTLAQ yaxshilanish (+5 p.p.) ===")
    baza_p = nat["baza"][1]
    for k in [k for k in STSENARIY if "p.p." in k]:
        kut_k, p, se, _ = nat[k]
        d = p - baza_p
        se_d = np.sqrt(se ** 2 + nat["baza"][2] ** 2)
        print(f"  {k:<18} kutilgan x{kut_k / nat['baza'][0]:.2f}, P(>=1) "
              f"{p:.3f} (farq {d:+.3f}, SE {se_d:.3f}, sezilarli {d > 2 * se_d})")
    eng = max([k for k in STSENARIY if "p.p." in k], key=lambda k: nat[k][0])
    print(f"  eng katta foyda: {eng} - eng past konversiyali bosqichda nisbiy o'sish katta")

    print("\n=== 4. Ommaviy va maqsadli strategiya ===")
    for k in ["baza", "ommaviy: 48 ariza, javob 0.025", "maqsadli: 8 ariza, javob 0.18"]:
        kut_k, p, se, _ = nat[k]
        ish = BAZA["ariza"] if k == "baza" else STSENARIY[k]["ariza"]
        print(f"  {k:<32} haftasiga {ish:>2} ariza, kutilgan {kut_k:.2f}, "
              f"P(>=1) {p:.3f}")
    om, mq = nat["ommaviy: 48 ariza, javob 0.025"], nat["maqsadli: 8 ariza, javob 0.18"]
    if mq[0] >= om[0]:
        print(f"  maqsadli strategiya 6 barobar kam ariza bilan kutilgan "
              f"{mq[0]:.2f} >= {om[0]:.2f}")
    else:
        print("  bu faraziy raqamlarda ommaviy strategiya ko'proq taklif beradi")

    print("\n=== 5. O'z voronkangiz: kichik sonlardan tor joyni topish ===")
    kuzat = [("ariza->javob", 70, 1, BAZA["javob"]),
             ("javob->intervyu", 1, 1, BAZA["intervyu"]),
             ("intervyu->taklif", 1, 0, BAZA["taklif"])]
    for nom, n, k, mezon in kuzat:
        post = stats.beta(1 + k, 1 + n - k)       # tekis prior, Bayes (9.4)
        lo, hi = post.ppf([0.05, 0.95])
        p_past = post.cdf(mezon)
        print(f"  {nom:<17} {k:>2}/{n:<3} = {k / n:.3f}, 90% oraliq "
              f"[{lo:.3f}, {hi:.3f}], P(p < {mezon}) = {p_past:.2f}")
    print("  xulosa (P > 0.9 bo'lsa 'tor joy', aks holda 'ma'lumot kam'):")
    for nom, n, k, mezon in kuzat:
        p_past = stats.beta(1 + k, 1 + n - k).cdf(mezon)
        hukm = "tor joy" if p_past > 0.9 else "ma'lumot kam - xulosa qilmang"
        print(f"    {nom:<17} {hukm}")
    print("  ⭐ Voronka - ko'paytma; avval eng past va eng arzon yaxshilanadigan bosqich")


if __name__ == "__main__":
    main()

=== 1. Stsenariylar (8 hafta, 20000 simulyatsiya, FARAZIY) ===
  stsenariy                                  kutilgan  P(>=1)     SE intervyu
  baza                                           0.77   0.541  0.004      3.8
  ariza soni x1.5                                1.15   0.683  0.003      5.8
  javob x1.5 (moslangan rezyume)                 1.15   0.688  0.003      5.8
  intervyu x1.5 (HR suhbatiga tayyorgarlik)      1.15   0.686  0.003      5.8
  taklif x1.5 (texnik tayyorgarlik)              1.15   0.683  0.003      3.8
  javob +5 p.p.                                  1.41   0.757  0.003      7.0
  intervyu +5 p.p.                               0.84   0.572  0.003      4.2
  taklif +5 p.p.                                 0.96   0.623  0.003      3.9
  ommaviy: 48 ariza, javob 0.025                 0.96   0.617  0.003      4.8
  maqsadli: 8 ariza, javob 0.18                  1.15   0.688  0.003      5.8

=== 2. Bir xil NISBIY yaxshilanish (x1.5) - qaysi bosqich? ===
  kutilgan takliflar: 1.15, 1.15, 1.15, 1.15
  hammasi bir xil: voronka ko'paytma, x1.5 qayerda bo'lmasin - x1.5
  demak savol 'qaysi bosqich' emas, 'qaysi bosqichni ARZONROQ x1.5 qilish'

=== 3. Bir xil MUTLAQ yaxshilanish (+5 p.p.) ===
  javob +5 p.p.      kutilgan x1.83, P(>=1) 0.757 (farq +0.216, SE 0.005, sezilarli True)
  intervyu +5 p.p.   kutilgan x1.10, P(>=1) 0.572 (farq +0.032, SE 0.005, sezilarli True)
  taklif +5 p.p.     kutilgan x1.25, P(>=1) 0.623 (farq +0.082, SE 0.005, sezilarli True)
  eng katta foyda: javob +5 p.p. - eng past konversiyali bosqichda nisbiy o'sish katta

=== 4. Ommaviy va maqsadli strategiya ===
  baza                             haftasiga 16 ariza, kutilgan 0.77, P(>=1) 0.541
  ommaviy: 48 ariza, javob 0.025   haftasiga 48 ariza, kutilgan 0.96, P(>=1) 0.617
  maqsadli: 8 ariza, javob 0.18    haftasiga  8 ariza, kutilgan 1.15, P(>=1) 0.688
  maqsadli strategiya 6 barobar kam ariza bilan kutilgan 1.15 >= 0.96

=== 5. O'z voronkangiz: kichik sonlardan tor joyni topish ===
  ariza->javob       1/70  = 0.014, 90% oraliq [0.005, 0.065], P(p < 0.06) = 0.93
  javob->intervyu    1/1   = 1.000, 90% oraliq [0.224, 0.975], P(p < 0.5) = 0.25
  intervyu->taklif   0/1   = 0.000, 90% oraliq [0.025, 0.776], P(p < 0.2) = 0.36
  xulosa (P > 0.9 bo'lsa 'tor joy', aks holda 'ma'lumot kam'):
    ariza->javob      tor joy
    javob->intervyu   ma'lumot kam - xulosa qilmang
    intervyu->taklif  ma'lumot kam - xulosa qilmang
  ⭐ Voronka - ko'paytma; avval eng past va eng arzon yaxshilanadigan bosqich

⚠️ Kredit modeli ustida ishladim
✅ Kredit to'lovi kechikishini bashorat qiluvchi gradient boosting modelini qurdim,
   ROC-AUC 0.71 dan 0.78 ga oshdi

⚠️ Samaradorlikni 10 marta oshirdim
✅ Haftalik hisobotni SQL va pandas bilan avtomatlashtirdim, tayyorlash vaqti
   6 soatdan 20 daqiqaga qisqardi

⚠️ Jamoa bilan A/B test o'tkazdik
✅ A/B test dizaynini (namuna hajmi, metrika) tuzdim va natijani tahlil qildim

konlar = "Python, sklearn, XGBoost"                                        # ⚠️
konlar = "Python, scikit-learn (sklearn), gradient boosting (XGBoost)"     # ✅

⚠️ Ko'nikmalar: ... Docker, FastAPI, Airflow, Kubernetes, Spark ... (loyihada yo'q)
✅ Faqat dalili bor ko'nikmalar; o'rganilayotganini "hozir o'rganyapman" deb ajrating

if takliflar == 0 and intervyular == 1:
    xulosa = "texnik tayyorgarlik yomon"                                   # ⚠️
xulosa = "ma'lumot kam: bosqich oraliq bahosi juda keng"                   # ✅

⚠️ 70 ta vakansiyaga bir xil fayl
✅ Asosiy versiya + har rol uchun (Analyst / Scientist / ML Engineer) moslangan
   versiya; jadvalda qaysi versiya qayerga yuborilgani yoziladi

1.  # vakansiya so'zlari bilan to'ldirilgan rezyumening TF-IDF o'xshashligi - yuqorimi, pastmi?
2.  # "sklearn" va "scikit-learn": aniq so'z qidiruvi nima qiladi?
3.  # "Kredit modeli ustida ishladim" - qaysi qoidalarni buzadi?
4.  # "Samaradorlikni 10 marta oshirdim" - qoidaviy ball qanday? nima yetishmaydi?
5.  # eng ko'p so'raladigan ko'nikma = eng ko'p vakansiyani ochadigan ko'nikmami?
6.  # ajratuvchi lug'at sinonimni bilmasa, ko'nikma ulushi qanday siljiydi?
7.  # javob konversiyasini x1.5 qilish va taklif konversiyasini x1.5 qilish - qaysi yaxshi?
8.  # +5 foiz punkt qaysi bosqichda eng ko'p foyda beradi?
9.  # 70 arizada 1 javob, 1 intervyuda 0 taklif - qaysi bosqich muammo?
10. # ATS ning aniq saralash algoritmi ma'lummi?

1. Ma'lumotlar bazasi bilan ishladim
2. Machine learning modellarini o'rgandim
3. Dashboard yaratishda qatnashdim
4. Worked on NLP tasks
5. Jamoa bilan mijozlar segmentatsiyasini qildik