Python kursi25.1-dars: Machine learning nima
Python kursi · ML va AI

25.1-dars: Machine learning nima

16 daqiqa1/12-dars

25-QISM — ML VA AI · 1-dars


1. Kirish va motivatsiya

24-qismda ma'lumotni tahlil qildik — o'tmishni tushunish. Endi keyingi qadam: ma'lumotdan kelajakni bashorat qilish yoki naqshlarni avtomatik topish. Masalan: uy narxini (maydon, joylashuv bo'yicha) bashorat qilish, elektron xatni spam/spam emas deb ajratish, mijozlarni o'xshash guruhlarga bo'lish. Bularni qoida yozmasdan (agar-unda) — ma'lumotdan o'rganib qilish.

Machine learning (mashinaviy o'qitish) — kompyuterni aniq dasturlamasdan, ma'lumotdan o'rganishga o'rgatish. An'anaviy dasturda: qoidani siz yozasiz (if narx > 100). ML'da: ma'lumot berasiz, model qoidani o'zi topadi. Uch asosiy tur: nazoratli (labeled ma'lumot — narx bashorati, spam), nazoratsiz (labelsiz — guruhlash), mustahkamlovchi (mukofot — o'yin, robot). ML — AI (sun'iy intellekt) ning asosiy usuli. scikit-learn 25.2-bob — Python'ning ML kutubxonasi.

Real vaziyat. Bir kompaniya spam filtrni qoida bilan yozdi — "agar 'lotereya' so'zi bor bo'lsa spam". Spamerlar so'zni o'zgartirdi (l0tereya), qoida ishlamay qoldi. ML modelga o'tdi: minglab spam/oddiy xat berildi, model o'zi naqshni o'rgandi (so'zlar, tuzilma). Yangi spam turini ham tanidi (o'rgangani uchun). Qoida o'rniga o'rganish — moslashuvchan va kuchli. ML — murakkab naqshlar uchun.

Bu darsda machine learning nimaligini o'rganamiz.

Bu darsda:

  • Machine learning nima
  • ML vs an'anaviy dasturlash
  • ML turlari (nazoratli, nazoratsiz)
  • Asosiy tushunchalar (feature, label, model)
  • O'qitish va bashorat (fit, predict)
  • Regressiya va klassifikatsiya
  • ML qachon kerak (va kerak emas)
  • Amaliy: birinchi model

ℹ Misollarda scikit-learn bilan sinaladi.


2. Nazariya — chuqur tushuntirish

2.1. Machine learning nima

ML — ma'lumotdan o'rganish:

An'anaviy: qoida + ma'lumot → javob
   (siz qoidani yozasiz)
ML: ma'lumot + javob → qoida (model)
   (model qoidani o'rganadi)

Machine learning — kompyuterni ma'lumotdan o'rganishga o'rgatish (aniq dasturlamasdan). An'anaviy dasturda qoidani siz yozasiz (if); ML'da ma'lumot (kirish + to'g'ri javob) berasiz, model qoidani o'zi topadi. Keyin yangi ma'lumotga bashorat qiladi. "Misollardan o'rganish" — inson kabi (ko'p mushuk rasmi ko'rib, mushukni tanish). ML — AI ning asosi.

2.2. ML vs an'anaviy dasturlash

Ikki yondashuv:

An'anaviy ML
Qoidani inson yozadi Model o'rganadi
if narx > 100 Ma'lumotdan naqsh
Aniq mantiq Statistik naqsh
Oddiy qoida uchun Murakkab naqsh uchun

An'anaviy dasturlash — inson qoidani yozadi (aniq mantiq — if/else); ML — model ma'lumotdan qoidani o'rganadi (statistik naqsh). An'anaviy oddiy, aniq qoida uchun (soliq hisobi); ML murakkab, ko'p omilli naqsh uchun (rasm tanish — qoida yozib bo'lmaydi). ML kerak emas holatda an'anaviy afzal (sodda, tushunarli). Muammoga qarab tanla.

2.3. ML turlari

Uch asosiy tur:

Tur Ma'lumot Misol
Nazoratli Labeled (kirish + javob) Narx bashorati, spam
Nazoratsiz Labelsiz (faqat kirish) Guruhlash, anomaliya
Mustahkamlovchi Mukofot/jazo O'yin, robot

ML turlari: nazoratli (supervised — labeled ma'lumot: kirish + to'g'ri javob; narx bashorati, spam tasnifi — eng keng tarqalgan), nazoratsiz (unsupervised — labelsiz: faqat kirish; guruhlash — o'xshash mijozlar, anomaliya), mustahkamlovchi (reinforcement — mukofot/jazo orqali; o'yin, robot). Ko'p amaliy ML — nazoratli (25.2–25.6). Ma'lumot turiga qarab tanla.

2.4. Asosiy tushunchalar

ML atamalari:

python
# Feature (xususiyat): kirish (maydon, xonalar soni)
X = [[50, 2], [70, 3], [100, 4]]     # xususiyatlar
# Label (target): to'g'ri javob (narx)
y = [100, 150, 200]                   # javoblar
# Model: o'rganilgan qoida
model.fit(X, y)                       # o'qitish

Asosiy tushunchalar: feature (xususiyat — kirish o'zgaruvchi: uy maydoni, xonalar soni — X), label/target (javob — bashorat qilinadigan: narx — y), model (o'rganilgan qoida/funksiya), fit (o'qitish — ma'lumotdan o'rganish), predict (bashorat — yangi ma'lumotga). X (ko'plik — ko'p namuna, ko'p xususiyat), y (javoblar). Bu ML ning umumiy tili.

2.5. O'qitish va bashorat (fit, predict)

ML ish oqimi:

python
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)      # o'qitish (o'rganish)
model.predict(X_new)             # bashorat (yangi ma'lumot)
model.score(X_test, y_test)      # baholash (aniqlik)

ML ish oqimi (scikit-learn): fit(X, y) (o'qitish — model ma'lumotdan o'rganadi), predict(X_new) (bashorat — yangi kirish uchun javob), score(X, y) (baholash — model qancha aniq). Barcha scikit-learn modellari shu API (fit/predict/score — bir xil). Bu ML ning asosiy siklli: o'rgan → bashorat qil → bahola. Oddiy va izchil.

2.6. Regressiya va klassifikatsiya

Nazoratli ML ikki turi:

python
# Regressiya: son bashorat (narx, harorat)
LinearRegression().fit(X, narxlar)     # 100, 150, 200...

# Klassifikatsiya: toifa bashorat (spam/oddiy, kcategory)
DecisionTreeClassifier().fit(X, teglar)  # 0/1, "spam"/"oddiy"

Nazoratli ML ikki turi: regressiya (son bashorat — narx, harorat, sotuv: uzluksiz qiymat), klassifikatsiya (toifa bashorat — spam/oddiy, kasal/sog'lom, raqam tanish: diskret sinf). Farq: javob sonmi (regressiya) yoki toifami (klassifikatsiya). Model tanlovi shunga bog'liq (LinearRegression vs Classifier). Savolga qarab (nima bashorat — son yoki toifa).

2.7. ML qachon kerak (va kerak emas)

ML kerak ML kerak emas
Murakkab naqsh (rasm, matn) Oddiy qoida (if)
Ko'p omil Aniq mantiq (soliq)
Qoida yozib bo'lmaydi Qoida oson
Ko'p ma'lumot bor Kam ma'lumot

ML kerak: murakkab naqsh (rasm tanish, matn tushunish — qoida yozib bo'lmaydi), ko'p omil, ko'p ma'lumot. ML kerak emas: oddiy aniq qoida (if yosh > 18), kam ma'lumot, tushunarli mantiq kerak. ML — "oxirgi chora" emas, lekin har muammoga ham emas. Ko'p muammo oddiy kod bilan yaxshiroq (sodda, tushunarli, ishonchli). "ML — bolg'a, lekin hamma narsa mix emas".

2.8. ML — sehr emas

ML sehr emas — statistik naqsh topish: ma'lumot sifati hal qiladi (iflos ma'lumot → yomon model — "garbage in, garbage out", 24.6), ko'p ma'lumot kerak (kam ma'lumotda o'rganmaydi), xato qiladi (100% aniq emas — ehtimolli), tushuntirish qiyin (ba'zi model — "qora quti"). ML kuchli, lekin cheklovlari bor: ma'lumotga bog'liq, xato mumkin, ba'zan noaniq. Halol ML: cheklovlarni tan olish, ma'lumotni tekshirish, natijani baholash. ML — vosita, sehr emas.


3. Tez ma'lumotnoma

python
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeClassifier

# ma'lumot:
X = [[50, 2], [70, 3], [100, 4]]     # feature (xususiyat)
y = [100, 150, 200]                   # label (javob)

# regressiya (son bashorat):
model = LinearRegression()
model.fit(X, y)                       # o'qitish
model.predict([[80, 3]])              # bashorat
model.score(X, y)                     # baholash

# klassifikatsiya (toifa bashorat):
clf = DecisionTreeClassifier()
clf.fit(X, teglar)                    # 0/1
clf.predict(X_new)

# ML turlari:
# nazoratli (labeled) · nazoratsiz (labelsiz) · mustahkamlovchi

ML xulosasi

ML: ma'lumotdan o'rganish (qoida yozmasdan) · fit/predict/score
Nazoratli (label) / nazoratsiz / mustahkamlovchi
Regressiya (son) / klassifikatsiya (toifa) · ML sehr emas (ma'lumot, xato)

4. Batafsil misollar

Misollarda scikit-learn bilan sinaladi.

Misol 1 — Regressiya (son bashorat)

python
"""LinearRegression: ma'lumotdan o'rganish (fit); bashorat (predict); baholash (score)."""

import warnings
warnings.filterwarnings("ignore")

import numpy as np
from sklearn.linear_model import LinearRegression


def main() -> None:
    # y = 2x + 1 naqshi (model buni o'rganishi kerak)
    X = np.array([[1], [2], [3], [4], [5]])
    y = np.array([3, 5, 7, 9, 11])

    print("=== 1. Model yaratish va o'qitish (fit) ===")
    model = LinearRegression()
    model.fit(X, y)
    print(f"  o'rganilgan koeffitsient: {round(model.coef_[0], 2)}")
    print(f"  o'rganilgan kesim (intercept): {round(model.intercept_, 2)}")

    print("\n=== 2. Model naqshni topdi ===")
    print(f"  y = {round(model.coef_[0], 1)}x + {round(model.intercept_, 1)}")

    print("\n=== 3. Bashorat (predict) ===")
    print(f"  x=6 uchun: {round(model.predict([[6]])[0], 1)}")
    print(f"  x=10 uchun: {round(model.predict([[10]])[0], 1)}")

    print("\n=== 4. Baholash (score) ===")
    print(f"  aniqlik (R^2): {round(model.score(X, y), 3)}")
    print("  ⭐ regressiya — son bashorat (fit → predict → score)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Model yaratish va o'qitish (fit) ===
  o'rganilgan koeffitsient: 2.0
  o'rganilgan kesim (intercept): 1.0

=== 2. Model naqshni topdi ===
  y = 2.0x + 1.0

=== 3. Bashorat (predict) ===
  x=6 uchun: 13.0
  x=10 uchun: 21.0

=== 4. Baholash (score) ===
  aniqlik (R^2): 1.0
  ⭐ regressiya — son bashorat (fit → predict → score)

Nima ko'rsatdi: 2.4, 2.5, 2.6-bo'limlar.

Misol 2 — Klassifikatsiya (toifa bashorat)

python
"""DecisionTreeClassifier: toifa bashorat (0/1); fit/predict; toifalarni ajratish."""

import warnings
warnings.filterwarnings("ignore")

import numpy as np
from sklearn.tree import DecisionTreeClassifier


def main() -> None:
    # kichik sonlar → 0, katta sonlar → 1
    X = np.array([[1], [2], [3], [10], [11], [12]])
    y = np.array([0, 0, 0, 1, 1, 1])

    print("=== 1. Klassifikator o'qitish ===")
    clf = DecisionTreeClassifier(random_state=42)
    clf.fit(X, y)
    print("  model kichik/katta farqini o'rgandi")

    print("\n=== 2. Bashorat (toifa) ===")
    print(f"  x=2 → sinf: {clf.predict([[2]])[0]} (kichik)")
    print(f"  x=11 → sinf: {clf.predict([[11]])[0]} (katta)")

    print("\n=== 3. Yangi qiymatlar ===")
    print(f"  x=5 → {clf.predict([[5]])[0]}, x=20 → {clf.predict([[20]])[0]}")

    print("\n=== 4. Baholash ===")
    print(f"  aniqlik: {clf.score(X, y)}")
    print("  ⭐ klassifikatsiya — toifa bashorat (0/1, spam/oddiy)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Klassifikator o'qitish ===
  model kichik/katta farqini o'rgandi

=== 2. Bashorat (toifa) ===
  x=2 → sinf: 0 (kichik)
  x=11 → sinf: 1 (katta)

=== 3. Yangi qiymatlar ===
  x=5 → 0, x=20 → 1

=== 4. Baholash ===
  aniqlik: 1.0
  ⭐ klassifikatsiya — toifa bashorat (0/1, spam/oddiy)

Nima ko'rsatdi: 2.6-bo'lim.

Misol 3 — Ko'p xususiyat (feature)

python
"""ko'p feature: uy narxi (maydon + xonalar) — bir necha kirish o'zgaruvchi bilan bashorat."""

import warnings
warnings.filterwarnings("ignore")

import numpy as np
from sklearn.linear_model import LinearRegression


def main() -> None:
    # X: [maydon, xonalar], y: narx
    X = np.array([[50, 2], [70, 3], [100, 4], [60, 2], [90, 3]])
    y = np.array([100, 150, 220, 120, 190])

    print("=== 1. Ko'p xususiyat (feature) ===")
    print(f"  har namuna: [maydon, xonalar]")
    print(f"  namunalar soni: {X.shape[0]}, xususiyatlar: {X.shape[1]}")

    print("\n=== 2. Model o'qitish ===")
    model = LinearRegression()
    model.fit(X, y)
    print(f"  koeffitsientlar: {[round(c, 2) for c in model.coef_]}")

    print("\n=== 3. Bashorat (yangi uy) ===")
    yangi_uy = [[80, 3]]     # 80 m2, 3 xona
    narx = model.predict(yangi_uy)[0]
    print(f"  80m2, 3 xona → narx: {round(narx, 1)}")

    print("\n=== 4. Baholash ===")
    print(f"  aniqlik (R^2): {round(model.score(X, y), 3)}")
    print("  ⭐ ko'p feature — bir necha omil bilan bashorat")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Ko'p xususiyat (feature) ===
  har namuna: [maydon, xonalar]
  namunalar soni: 5, xususiyatlar: 2

=== 2. Model o'qitish ===
  koeffitsientlar: [np.float64(2.0), np.float64(10.0)]

=== 3. Bashorat (yangi uy) ===
  80m2, 3 xona → narx: 170.0

=== 4. Baholash ===
  aniqlik (R^2): 1.0
  ⭐ ko'p feature — bir necha omil bilan bashorat

Nima ko'rsatdi: 2.4-bo'lim.

Misol 4 — Amaliy: ML jarayoni (o'rgan → bashorat → bahola)

Real ML: ma'lumot, o'qitish, bashorat, baholash — to'liq jarayon. Bu — birinchi ML modelining namunasi.

python
"""to'liq ML jarayon: ma'lumot, fit (o'rgan), predict (bashorat), score (bahola), talqin."""

import warnings
warnings.filterwarnings("ignore")

import numpy as np
from sklearn.linear_model import LinearRegression


def main() -> None:
    # Ish tajribasi (yil) → maosh (mln)
    tajriba = np.array([[1], [2], [3], [5], [7], [10]])
    maosh = np.array([3, 4, 5, 7, 9, 12])

    print("=== 1. Ma'lumot (feature va label) ===")
    print(f"  tajriba (yil): {tajriba.flatten().tolist()}")
    print(f"  maosh (mln): {maosh.tolist()}")

    print("\n=== 2. Model o'qitish (fit) ===")
    model = LinearRegression()
    model.fit(tajriba, maosh)
    print(f"  har yil tajriba ≈ +{round(model.coef_[0], 2)} mln maosh")

    print("\n=== 3. Bashorat (predict) ===")
    for yil in [4, 8, 15]:
        b = model.predict([[yil]])[0]
        print(f"  {yil} yil tajriba → {round(b, 1)} mln")

    print("\n=== 4. Baholash va talqin ===")
    print(f"  aniqlik (R^2): {round(model.score(tajriba, maosh), 3)}")
    print(f"  yuqori R^2 → model ma'lumotga mos")
    print(f"  eslatma: bashorat ma'lumot oraligida ishonchli (ekstrapolyatsiya ehtiyot)")
    print("  ⭐ ML jarayon — o'rgan (fit) → bashorat (predict) → bahola (score)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

text
=== 1. Ma'lumot (feature va label) ===
  tajriba (yil): [1, 2, 3, 5, 7, 10]
  maosh (mln): [3, 4, 5, 7, 9, 12]

=== 2. Model o'qitish (fit) ===
  har yil tajriba ≈ +1.0 mln maosh

=== 3. Bashorat (predict) ===
  4 yil tajriba → 6.0 mln
  8 yil tajriba → 10.0 mln
  15 yil tajriba → 17.0 mln

=== 4. Baholash va talqin ===
  aniqlik (R^2): 1.0
  yuqori R^2 → model ma'lumotga mos
  eslatma: bashorat ma'lumot oraligida ishonchli (ekstrapolyatsiya ehtiyot)
  ⭐ ML jarayon — o'rgan (fit) → bashorat (predict) → bahola (score)

Nima ko'rsatdi: 2.1–2.8-bo'limlar.


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

Noto'g'ri fikr To'g'risi
"ML — sehr" Statistik naqsh (ma'lumotga bog'liq)
"ML har muammoga" Oddiy qoida — an'anaviy
"Model qoidani aytadi" Ma'lumotdan o'rganadi
"ML 100% aniq" Xato qiladi (ehtimolli)
"Kam ma'lumot yetarli" Ko'p ma'lumot kerak
"feature = label" feature kirish, label javob
"Regressiya = klassifikatsiya" son vs toifa
"ML dasturlash o'rniga" To'ldiruvchi (mos joyda)

6. Keng tarqalgan xatolar va yechimlari

1. Oddiy qoidaga ML

python
# yosh > 18 ni ML bilan                    # ⚠️ ortiqcha
if yosh > 18: ...                          # ✅ oddiy qoida

2. Kam ma'lumot bilan o'qitish

python
# 5 namuna bilan model                     # ⚠️ ishonchsiz
# yetarli ma'lumot (yuzlab+)                # ✅

3. Regressiya/klassifikatsiya chalkashtirish

python
LinearRegression().fit(X, teglar)   # toifa   # ⚠️
DecisionTreeClassifier().fit(X, teglar)       # ✅

4. X shakli noto'g'ri

python
model.fit([1, 2, 3], y)   # 1D               # ⚠️
model.fit([[1], [2], [3]], y)   # 2D          # ✅

5. Ekstrapolyatsiya (oraliqdan tashqari)

python
# 1-10 yilda o'qitib, 50 yilga bashorat      # ⚠️ ishonchsiz
# ma'lumot oraligida bashorat                 # ✅

6. Iflos ma'lumotda o'qitish

python
# tozalamasdan o'qitish                       # ⚠️ yomon model
# avval tozala 24.8-bob                         # ✅

7. ML natijasiga ko'r-ko'rona ishonish

python
# model aytdi — to'g'ri                       # ⚠️
# bahola (score), tekshir                     # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

  • 24-qism (o'tilgan): Ma'lumot tahlili — ML asosi
  • 25.2-dars: scikit-learn — birinchi model
  • 25.3-dars: Ma'lumot tayyorlash — ML uchun
  • 25.4-dars: Model baholash
  • 25.10-dars: LLM API — zamonaviy AI

8. Eng yaxshi amaliyotlar

  1. Muammoga qarab — ML yoki an'anaviy.

  2. Toza, yetarli ma'lumot 24.8-bob.

  3. Son → regressiya, toifa → klassifikatsiya.

  4. X 2D shakl (namuna × feature).

  5. fit → predict → score (jarayon).

  6. Ma'lumot oraligida bashorat.

  7. Modelni bahola (ko'r-ko'rona ishonma).

  8. ML cheklovlarini tan ol (sehr emas).


9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

python
1.  # machine learning nima?
2.  # ML vs an'anaviy?
3.  # feature nima?
4.  # label nima?
5.  # model nima?
6.  # fit nima?
7.  # predict nima?
8.  # nazoratli ML nima?
9.  # regressiya nima?
10. # klassifikatsiya nima?
11. # ML qachon kerak emas?
12. # ML sehrmi?
Javoblar
  1. Ma'lumotdan o'rganish (qoida yozmasdan)
  2. ML o'rganadi, an'anaviy qoidani inson yozadi
  3. Xususiyat (kirish)
  4. Javob (bashorat qilinadigan)
  5. O'rganilgan qoida
  6. O'qitish (o'rganish)
  7. Bashorat (yangi ma'lumot)
  8. Labeled (kirish + javob)
  9. Son bashorat
  10. Toifa bashorat
  11. Oddiy qoida, kam ma'lumot
  12. Yo'q (statistik naqsh, cheklovlar)

Vazifa 2: Xatolarni tuzating

python
1.  # yosh > 18 ni ML bilan              # oddiy qoida

2.  LinearRegression().fit(X, teglar)    # Classifier

3.  model.fit([1,2,3], y)                # 2D

4.  # 5 namuna bilan model               # ko'p ma'lumot

5.  # 50 yilga bashorat (1-10 o'qitib)   # oraliqda
Javoblar
python
1.  if yosh > 18: ...

2.  DecisionTreeClassifier().fit(X, teglar)

3.  model.fit([[1],[2],[3]], y)

4.  # yetarli ma'lumot

5.  # ma'lumot oraligida bashorat

Vazifa 3: Regressiya

Son bashorat:

  1. Ma'lumot
  2. fit
  3. predict
  4. score

Vazifa 4: Klassifikatsiya

Toifa:

  1. Labeled ma'lumot
  2. Classifier
  3. predict
  4. Baholash

Vazifa 5: Ko'p feature

Model:

  1. 2D X
  2. fit
  3. Bashorat
  4. Koeffitsient

Vazifa 6: To'liq jarayon

ML:

  1. Ma'lumot
  2. O'rgan
  3. Bashorat
  4. Bahola

Vazifa 7: O'ylash

Machine learning an'anaviy dasturlashdan tubdan farq qiladi: qoidani inson yozmaydi, model ma'lumotdan o'rganadi. Bu kuchli, lekin ML sehr emas — cheklovlari bor (ma'lumot sifati, xato, ko'p ma'lumot kerak). Nima uchun "ML — vosita, sehr emas" tushunish muhim, va nega yaxshi muhandis ML'ni kerak joyda ishlatadi (har muammoga emas) — "to'g'ri vosita to'g'ri muammoga" tamoyili ML'da qanday amal qiladi?

Javob

Qisqa javob: ML kuchli (murakkab naqsh — rasm, matn), lekin sehr emas: statistik naqsh topish — ma'lumotga bog'liq (iflos ma'lumot → yomon model), ko'p ma'lumot kerak, xato qiladi (ehtimolli, 100% emas), tushuntirish qiyin (qora quti). "ML — vosita, sehr emas" tushunish muhim, chunki: ML'ni noto'g'ri joyda ishlatish (oddiy qoidaga) — ortiqcha murakkablik (sodda if yetarli), ishonchsizlik (ML xato mumkin, qoida aniq), tushuntirish qiyin. Yaxshi muhandis ML'ni kerak joyda: murakkab naqsh (qoida yozib bo'lmaydi), ko'p omil, ko'p ma'lumot. Oddiy, aniq qoida → an'anaviy kod (sodda, ishonchli). "To'g'ri vosita to'g'ri muammoga" — ML bolg'a, lekin hamma narsa mix emas (23.11 SQL/NoSQL, 24.12 pandas/Polars kabi).

1. ML sehr emas

ML kuchi ML cheklovi
Murakkab naqsh Ma'lumotga bog'liq
Ko'p omil Ko'p ma'lumot kerak
Moslashuvchan Xato qiladi (ehtimolli)
Avtomatik o'rganish Tushuntirish qiyin

2. Noto'g'ri joyda ML

Oddiy qoidaga (yosh > 18) ML — ortiqcha (sodda if yetarli), ishonchsiz (ML xato, qoida aniq), qora quti (tushuntirish qiyin). Murakkablik keraksiz.

3. Kerak joyda ML

  • Murakkab naqsh (rasm, matn — qoida yozib bo'lmaydi)
  • Ko'p omil (ko'p feature)
  • Ko'p ma'lumot bor
  • Aniq qoida yo'q

4. "To'g'ri vosita to'g'ri muammoga"

Muammo Vosita
Oddiy qoida An'anaviy kod (if)
Murakkab naqsh ML
Aniq mantiq Kod (tushunarli)

23.11 (SQL/NoSQL), 24.12 (pandas/Polars) kabi — muammoga qarab.

5. Muhandislik saboqlari

  1. ML — vosita, sehr emas (cheklovlar)
  2. Kerak joyda ishlat (har muammoga emas)
  3. Oddiy qoida → an'anaviy kod
  4. To'g'ri vosita to'g'ri muammoga

6. Xulosa

  1. ML kuchli, lekin cheklovlari bor
  2. Sehr emas (ma'lumot, xato)
  3. Kerak joyda ishlat (murakkab naqsh)
  4. To'g'ri vosita tanla (ML bolg'a, hamma mix emas)

Nimani mustahkamlaydi: 2.1–2.8-bo'limlar.


Xulosa

Bu darsda machine learning nimaligini o'rgandik.

Eng muhim uch fikr:

  1. ML — ma'lumotdan o'rganish. Machine learning — kompyuterni ma'lumotdan o'rganishga o'rgatish (aniq dasturlamasdan). An'anaviy dasturda qoidani inson yozadi (if narx > 100 — aniq mantiq); ML'da ma'lumot (kirish + to'g'ri javob) berasiz, model qoidani o'zi topadi (statistik naqsh). "Misollardan o'rganish" (inson kabi). An'anaviy — oddiy, aniq qoida uchun; ML — murakkab, ko'p omilli naqsh uchun (rasm tanish — qoida yozib bo'lmaydi). ML — AI ning asosiy usuli.

  2. ML turlari va tushunchalari. ML turlari: nazoratli (supervised — labeled: kirish + javob; narx bashorati, spam — eng keng tarqalgan), nazoratsiz (unsupervised — labelsiz; guruhlash, anomaliya), mustahkamlovchi (reinforcement — mukofot). Tushunchalar: feature (xususiyat — kirish X), label (javob — y), model (o'rganilgan qoida), fit (o'qitish), predict (bashorat), score (baholash) — barcha scikit-learn modellari shu API. Nazoratli ikki turi: regressiya (son bashorat — narx) va klassifikatsiya (toifa bashorat — spam/oddiy).

  3. ML — vosita, sehr emas. ML kuchli, lekin sehr emas: statistik naqsh — ma'lumot sifati hal qiladi ("garbage in, garbage out"), ko'p ma'lumot kerak, xato qiladi (ehtimolli, 100% emas), ba'zan tushuntirish qiyin (qora quti). ML kerak: murakkab naqsh, ko'p omil, ko'p ma'lumot; ML kerak emas: oddiy aniq qoida (if), kam ma'lumot. Yaxshi muhandis ML'ni kerak joyda ishlatadi (har muammoga emas — "to'g'ri vosita to'g'ri muammoga", 23.11/24.12 kabi). Halol ML: cheklovlarni tan olish, ma'lumotni tekshirish, natijani baholash. "ML — bolg'a, lekin hamma narsa mix emas".

Keyingi darsda scikit-learn: birinchi model ni o'rganamiz: real ma'lumotda model qurish — o'qitish/test bo'lish, fit/predict, aniqlikni o'lchash — amaliy ML boshi.

ML va AI · 1-dars yakunlandi

25.1-dars: Machine learning nima

16 daqvaqt
0belgi
Keyingi dars: 25.2-dars: scikit-learn — birinchi model
Telegram'da
Darsda xato koʻrdingizmi?

Izohlar · 0