25.1-dars: Machine learning nima
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:
# 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:
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:
# 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
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) · mustahkamlovchiML 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)
"""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:
=== 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)
"""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:
=== 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)
"""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:
=== 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 bashoratNima 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.
"""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:
=== 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
# yosh > 18 ni ML bilan # ⚠️ ortiqcha
if yosh > 18: ... # ✅ oddiy qoida2. Kam ma'lumot bilan o'qitish
# 5 namuna bilan model # ⚠️ ishonchsiz
# yetarli ma'lumot (yuzlab+) # ✅3. Regressiya/klassifikatsiya chalkashtirish
LinearRegression().fit(X, teglar) # toifa # ⚠️
DecisionTreeClassifier().fit(X, teglar) # ✅4. X shakli noto'g'ri
model.fit([1, 2, 3], y) # 1D # ⚠️
model.fit([[1], [2], [3]], y) # 2D # ✅5. Ekstrapolyatsiya (oraliqdan tashqari)
# 1-10 yilda o'qitib, 50 yilga bashorat # ⚠️ ishonchsiz
# ma'lumot oraligida bashorat # ✅6. Iflos ma'lumotda o'qitish
# tozalamasdan o'qitish # ⚠️ yomon model
# avval tozala 24.8-bob # ✅7. ML natijasiga ko'r-ko'rona ishonish
# 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
Muammoga qarab — ML yoki an'anaviy.
Toza, yetarli ma'lumot 24.8-bob.
Son → regressiya, toifa → klassifikatsiya.
X2D shakl (namuna × feature).fit → predict → score (jarayon).
Ma'lumot oraligida bashorat.
Modelni bahola (ko'r-ko'rona ishonma).
ML cheklovlarini tan ol (sehr emas).
9. Amaliy topshiriq
Vazifa 1: Bashorat qiling
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
- Ma'lumotdan o'rganish (qoida yozmasdan)
- ML o'rganadi, an'anaviy qoidani inson yozadi
- Xususiyat (kirish)
- Javob (bashorat qilinadigan)
- O'rganilgan qoida
- O'qitish (o'rganish)
- Bashorat (yangi ma'lumot)
- Labeled (kirish + javob)
- Son bashorat
- Toifa bashorat
- Oddiy qoida, kam ma'lumot
- Yo'q (statistik naqsh, cheklovlar)
Vazifa 2: Xatolarni tuzating
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) # oraliqdaJavoblar
1. if yosh > 18: ...
2. DecisionTreeClassifier().fit(X, teglar)
3. model.fit([[1],[2],[3]], y)
4. # yetarli ma'lumot
5. # ma'lumot oraligida bashoratVazifa 3: Regressiya
Son bashorat:
- Ma'lumot
fitpredictscore
Vazifa 4: Klassifikatsiya
Toifa:
- Labeled ma'lumot
Classifierpredict- Baholash
Vazifa 5: Ko'p feature
Model:
- 2D
X fit- Bashorat
- Koeffitsient
Vazifa 6: To'liq jarayon
ML:
- Ma'lumot
- O'rgan
- Bashorat
- 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
- ML — vosita, sehr emas (cheklovlar)
- Kerak joyda ishlat (har muammoga emas)
- Oddiy qoida → an'anaviy kod
- To'g'ri vosita to'g'ri muammoga
6. Xulosa
- ML kuchli, lekin cheklovlari bor
- Sehr emas (ma'lumot, xato)
- Kerak joyda ishlat (murakkab naqsh)
- 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:
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.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).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.
Izohlar · 0
Izoh yozish uchun kiring.