Machine Learning Lab.

Ushbu yuqoridagi 👆rasmlar Playground AI platformasida tayyorlangan. Siz ham foydalanib ko'ring va tayyorlagan tasvirlaringizni ushbu postning muhokama qismiga 👇 yuboring. Bu men uchun juda qiziq. P.s: Kimni tasviri eng yaxshi chiqsa kanalga post qilib qo'yamiz 😊 👉 machine_learning_lab

​​Playground AI haqida eshitganmisiz? Playground AI - bu sun'iy idrok algorithmlariga asoslangan tasvirlar yaratishga imkon beradigan bepul online website. Siz undan san'at, ijtimoiy tarmoq postlari, taqdimotlar, plakatlar, videolar, logotiplar va boshqalarni yaratish uchun foydalanishingiz mumkin. 👉 Link bu yerda 👉@machine_learning_lab

Professor David Malan yangilikni bizdan oldi shekilli 😂😂😂 Xabarni joylaganiga 8 soat bo’libdi. Biz kecha bu haqda post qo’ygan edik😂 P.s: Ko’rdilarmi bizni Garvardda ham bilishadiii. #bizda_bunyodkor_stadioni_bor rukunidan! @machine_learning_lab

​​#Roadmap #yol_xaritasi AI muhandisi bo'lish ta'lim, amaliy tajriba va doimiy ravishda o'rganish va sohadagi eng so'nggi yutuqlardan xabardor bo'lishga tayyorlikni talab qiladi. Mana sizga AI muhandisi bo'lishga yordam beradigan batafsil yo'l xaritasi (roadmap) 🗺: 1️⃣ Dasturlash va kompter savodxonligi asoslarini o'rganish ML muhandisi bo'lish uchun dasturlash va kompyuter savodxonligi asoslarini yaxshi tushunish kerak. Siz Python yoki C++ kabi bir yoki bir nechta dasturlash tillarini o'rganishdan boshlashingiz mumkin, so'ngra boshlang'ich informatika kurslarida ishlashingiz mumkin. 2️⃣Matematika va statistika bo'yicha bilimga ega bo'lish Matematika va statistika AI ni o'rganishning asosidir. Chiziqli algebra, ehtimollar nazariyasi va statistika haqida kuchli tushunchaga ega bo'lish muhimdir. Siz ushbu sohalarda mustahkam poydevor yaratish uchun onlayn kurslar yoki darsliklarni olishdan boshlashingiz mumkin. 3️⃣ML tushunchalarini o'rganish Siz nazorat ostida (Supervised Learning) va nazoratsiz o'rganish (Unsupervised Learning), tasniflash (Classification), regressiya (Regression), klasterlash (Clustering) va Deep Learning kabi asoslardan boshlashingiz mumkin. Asoslarni yaxshi tushunganingizdan so'ng, siz AIning ilg'or yo'nalishlaridan Natural Language Processing (NLP) va Computer Vision (CV) kabilarga o'tishingiz mumkin. 4️⃣O'rganganlaringizni amaliyotda qo'llang Real hayotdagi ma'lumotlar to'plamida ishlash orqali o'rgangan narsalaringizni amalda qo'llash muhimdir. Kaggle - qiziqarli ma'lumotlar to'plamini topish va ML musobaqalarida qatnashish uchun ajoyib platforma. Ushbu maʼlumotlar toʻplamini oʻrganish va tahlil qilish va ML modellarini yaratish uchun 1-3-bosqichlarda oʻrganilgan koʻnikmalardan foydalanishingiz mumkin. 5️⃣Ma'lumotlar to'plami bilan ishlash va vizualizatsiya qilish ko'nikmasini rivojlantirish Ma'lumotlar to'plami bilan ishlash va vizualizatsiya har qanday ML muhandisi uchun muhim mahoratdir. Siz ma'lumotlarni tozalash va qayta ishlashni va ma'lumotlarni ML modellari uchun mos formatlarga keltirishni o'rganishingiz kerak. Bundan tashqari, siz ma'lumotlarni tushunish va manfaatdor tomonlarga tushunchalarni etkazishda yordam beradigan vizualizatsiya yaratish uchun Matplotlib va Seaborn kabi ma'lumotlarni vizualizatsiya qilish vositalarida malaka hosil qilishingiz kerak. 6️⃣Maxsus frameworklar va platformalarni o'rganish ML modellarini yaratish uchun ko'plab vositalar va frameworklar mavjud. Ushbu vositalarning bir yoki bir nechtasida malakali bo'lish muhimdir. Mashhur vositalar va frameworklar qatoriga TensorFlow, PyTorch, Keras, Scikit-learn va Pandas kiradi. Shuningdek, AWS, Google Cloud Platform va Microsoft Azure kabi bulutga asoslangan platformalar haqida ham maʼlumot olishingiz kerak boʻlib, ular ML modellarini yaratish, oʻqitish va amaliyotga tadbiq etish xizmatlarini taqdim etadi. 7️⃣Real ML loyihalarini amalga oshirish Malakali ML muhandisi bo'lishning eng yaxshi usuli bu haqiqiy loyihalar ustida ishlashdir. Image classification, sentiment analysis yoki customer segmentation kabi kichik o'lchamdagi loyihalarni qurishdan boshlashingiz mumkin. Yetarli tajribaga ega bo'lganingizdan so'ng, siz kattaroq va murakkabroq loyihalar ustida ishlashingiz mumkin. 8️⃣Eng so'nggi AI sohasidagi yangiliklardan xabardor bo'lish AI jadal rivojlanayotgan soha bo'lib, eng so'nggi ishlanmalardan xabardor bo'lish muhimdir. Siz tadqiqot maqolalarini o'qishingiz, konferentsiyalar va uchrashuvlarda qatnashishingiz, so'nggi tendentsiyalar va texnikalar haqida xabardor bo'lish uchun onlayn forumlar qatnashishingiz kerak. Usbu ma'lumot ko'pchilikka manfatli bo'lishi uchun yaqinlaringizga ham ulashing! 👉@machine_learning_lab

​​Oldinda qiziqarli voqealar kutmoqda. Garvard universiteti talabalarni samarali o'qitish tizimini yaxshilash uchun o'zining mashhur darsida (CS50) sun'iy intellektdan (AI) foydalanishni rejalashtirmoqda. Ular ChatGPT-ga o'xshash "CS50 bot" ni joriy etish umumiy savollarga javob berish va kod dizayni va xatolar haqida fikr-mulohazalarni taqdim etish orqali professor va talabalarga yordam berishga qaratilgan. "Bizning umidimiz shuki, Al orqali biz CS50 da har bir talaba uchun 1:1 o'qituvchi: talaba nisbatga erishamiz, va ularga dasturiy ta'minotga asoslangan vositalar bilan ta'minlash orqali talabalarga eng qulay usulga 24/7 uslubida o'qishni qo'llab-quvvatlaymiz.” dedi CS50 professori Devid J. Malan gazetaga bergan intervyusida. CS50 boti o'quvchilarni javoblar sari yo'naltirsa-da, u oddiy yechimlarni taqdim etishdan ko'ra muammoni hal qilish ko'nikmalarini rivojlantirishga ustuvor ahamiyat beradi. Garvardning Alni qo’llashi shu o’quv yili boshida kutilmoqda. @machine_learning_lab

​​2023 yilda ML dunyosida yana bir shov-shuvga sabab bo'lgan DragGAN modelining code lari ommaga taqdim etildi. Quyidagi qisqa videoda DragGAN modelini ishlash jarayoni tasvirlangan. Maqola: 👉 bu yerda GitHub code: 👉 bu yerda HuggingFace: 👉 bu yerda P.s: HuggingFace ga kirib o'zingiz tekshirib ko'rsangiz bo'ladi. Juda qiziq ekan ☺️. @machine_Learning_lab

​​#kitob_tafsiya 📚 2023 yilda NLP mutaxasislari o'qishi uchun tavsiya etiladigan 5 ta bepul kitob. 1. Speech and Language Processing Mualliflar: Dan Jurafsky and James H. Martin Stenford universitetining ikki professori tomonidan yozilgan Nutq va tilni qayta ishlash NLP dunyosiga keng qamrovli kirishni taqdim etadi. U 3 bo'limga bo'lingan: NLP uchun asosiy algoritmlar, NLP ilovalari va lingvistik tuzilmaning izohlari. 2. Foundations of Statistical Natural Language Processing Mualliflar: Christopher D. Manning and Hinrich Schütze Ushbu kitob NLP asoslari bilan boshlanadi va sizni tabiiy tilni qayta ishlash uchun zarur bo'lgan matematik jihatlarga, masalan, ehtimollar nazariyasi, Bayes teoremasi, dispersiya va boshqalarga asta-sekinlik bilan kirib boradi. 3. Pattern Recognition and Machine Learning Mualliflar: Christopher M. Bishop Bu machine learning sohasiga batafsil kirish. Har bir bobning oxirida har bir tushunchani o'quvchiga yaxshiroq tushuntirish uchun tanlangan mashq mavjud. 4. Neural Network Methods in Natural Language Processing Mualliflar: Yoav Goldberg Kitob chiziqli modellar, perseptronlar, oldinga uzatish, neyron tarmoqlarni o'rgatish va hokazolar kabi asoslarni o'rganishdan boshlanadi. Muallif ushbu fundamental elementlarni amaliy misollar bilan birga tushuntirish uchun matematik yondashuvdan foydalangan. 5. Practical Natural Language Processing Muallfilar: Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, and Harshit Surana Ushbu kitob NLP real dunyoda qanday qo'llanilishi, NLP modellari va matn ma'lumotlari va ChatGPT kabi chatbotlardan foydalanish holatlarini qamrab oladi. Ushbu kitobda siz NLP dan chakana savdo, sog'liqni saqlash, moliya va boshqalar kabi turli sohalarda qanday foydalanish mumkinligini bilib olasiz.NLP har bir sohada qanday ishlashini bilib olasiz va uni ishingizda qanday ishlatishni tushunasiz. @machine_learning_lab

#loyiha Ko’chatlarni greenhouse ga o’tkazganimizdan keyin 10 kun o’tib natija ushbu rasmda! Hozircha bizni AI modelimiz tadbiq qilingani yo’q. Tadbiqdan keyin alohida tahlil qilamiz! P.s: E’tibor bergan bo’lsangizlar 3 xil turdagi ko’chat o’tkazgan edik bir turdagisi (Kale) ko’karmadi. Nimaga bilmayman. Lekin loyihaning maqsadi bu emas 😊. @machine_learning_lab

#loyiha Greenhouse imizga camera buyurma qilgan edik. Bugun yetib keldi. Endi uni Greenhouse ga o’rnatib tajriba o’tkazishni boshlaymiz! Bir necha kundan beri ushbu loyihamizni bir qismi bo’lgan website ustida ishlayapman bu haqda keyinroq batafsil ☺️. @machine_learning_lab

Aziz dindoshlar! Barchangizga Hayit bayrami muborak bo’lsin! @machine_learning_lab

​​Assalomu alaykum hurmatli ML engineerlar! Yana bir yaxshi yangilikni sizlar bilan ulashmoqchiman. Bizni navbatdagi ilmiy maqolamiz yana bir xalqaro nufuzli jurnallardan (IEEE Access) birida chop etildi. Agar maqolaga qiziqsangiz ushbu link orqali o'qishingiz mumkin. 👉 @machine_learning_lab

​​So'ngi 10 yillik sun'iy itellektning (AI) tahlili 7-qism. GPT-1 va Graph Neural Network (2018) Transformer arxitekturasini ilgari surgan olim Vaswani va uning hamkasblari bir necha oy o'tib, 2018 yilda OpenAI tomonidan taqdim etilgan Generative Pretrained Transformer yoki GPT-1 ni asosi bo'lgan ilmiy maqolasini nashr etishdi. U matndagi keng kontekstdagi matnlar so'zlarini o'zaro bog'liqliklarni samarali o'rganish uchun transformer arxitekturasidan foydalangan. GPT-1 NLP vazifalarida eng samarodorli natija ko'rsatadigan birinchi modellardan biri edi. 2018 yil oxirlariga kelib Google kompaniyasi GPT-1 yutuqlaridan ilhomlangan holda yangi transformer arxitexturasini (Bidirectional Encoder Representations from Transformers yoki BERT) ilgari surdi. O'sha yili GPT-1 va BERTdan tashqari, Grafik Neural Networks yoki GNNlar ham "to'palang" qildi. Ular grafik ma'lumotlar bilan ishlash uchun maxsus ishlab chiqilgan neyron tarmoqlar toifasiga kiradi. GNNlar ma'lumotni grafikning tugunlari va qirralari bo'ylab tarqatish uchun xabarlarni uzatish algoritmidan foydalanadilar. Bu tarmoqqa ma'lumotlarning tuzilishi va munosabatlarini ancha intuitiv tarzda o'rganish imkonini beradi. (GNN arxitekturasi quyidagi rasmda tasvirlangan 👇) Bu yo'l ma'lumotlardan ancha chuqurroq tushunchalarni olish imkonini berdi va natijada DLni qo'llash mumkin bo'lgan muammolar doirasini kengaytirdi. GNN yordamida ijtimoiy tarmoqlarni tahlil qilish, tavsiyalar berish tizimlari va giyohvand moddalarni topish kabi sohalarda katta yutuqlarga erishildi. GNN haqida batafsil bu yerda o'qishingiz mumkin. (in English language) @machine_learning_lab

#tavsiya AI yoki boshqa har qanday sohada nazariy bilimga ega bo'lishni o'zi kifoya qilmaydi albatda. Shu bilan birga amaliy bilimga ega bo'lish juda muhimdir va bu kelajakda kasb egallashda asosiy kalit bo'lib ro'l o'ynashi ham mumkin. AI/DL/ML/DS sohada o'qiyotgan yoki qiziquvchilarning aksariyati "Qanday loyihalarni qilish mumkin?" degan umumiy savolga duch kelishadi. Shunday qilib, ushbu repo sizga kod bilan birga ML, DL, NLP, AI bo'yicha 500 dan ortiq loyihalarni o'z ichiga olgan eng muhim ro'yxatlardan birini taqdim etadi. Bu amaliy bilimga ega bo'lishni xohlaydigan yoki o'z rezyumelari uchun loyihalar yaratmoqchi bo'lganlar uchun juda foydali. 👉 @machine_learning_lab

Ushbu maqolada Issiqxonaning havo parametrlarini yani temperaturasi, hamligi va karbonat angedrid gazlarini darajasini keyingi turli vaqt oraliqlarida bashorat qilishda optimal AI modellari tahlili muhokama qilingan. Yuqoridagi video o'sha issiqxonamiz haqidagi loyiha haqida qisqacha edi. P.s. Agar qiziq bo'lsa reaksiya qoldiringlar ( 👍 ) ushbu mini issiqxona haqida batafsil video qilaman. 👉 @machine_learning_lab

​​So'ngi 10 yillik sun'iy itellektning (AI) tahlili 6-qism. Transformer va Til (Language) Modellari (2017) Aytish mumkinki, 2017 yil biz guvohi bo'layotgan generativ AI sohasidagi yutuqlar uchun poydevor qo'ygan eng muhim yil bo'ldi. 2017-yil dekabr oyida Vaswani va uning hamkasblari “Attention is all you need” nomli asosiy ilmiy maqolani nashr etishdi, unda encoder va decoder qismlarini o'z ichiga oluvchi transformer arxitekturasi taqdim etildi (Quyidagi rasm 👇). Bu ilgari an'anaviy RNN arxitekturalari uchun qiyin bo'lgan ayrim muammolarni yanada samarali qayta ishlash imkonini berdi. Bu ilgari surilgan model avvalgi modellardan RNN, LSTM lardan ko'ra jumladagi so'zlarni o'zaro bog'liqligini o'rganishda sezilarli darajada samarali ekani ushbu maqolada isbotlandi. O'shandan beri transformer arxitekturasi LLMni rivojlantirishning asosiy komponentiga aylandi va NLP sohasida tarjimonlik, tilni modellashtirish va savollarga javob berish kabi yo'nalishlarida sezilarli o'sishlarga olib keldi. 👉 @machine_learning_lab

​​So'ngi 10 yillik sun'iy itellektning (AI) tahlili 5-qism. AlphaGo (2016) 1997-yilda Garri Kasparov IBMning Deep Blue kompaniyasi tomonidan mag‘lubiyatga uchraganidan so‘ng, 2016-yilda yana bir inson va mashina jangi o‘yin dunyosini hayratda qoldirdi: Google’ning AlphaGo kompaniyasi Go bo‘yicha jahon chempioni Li Sedolni mag‘lub etdi. Go o'yinining taxtasi va toshlarini quyidagi rasmda tasvirlangan 👇. Sedolning mag'lubiyati sun'iy intellekt taraqqiyoti traektoriyasidagi yana bir muhim bosqich bo'ldi: bu mashinalar bir paytlar kompyuterlar uchun juda murakkab hisoblangan o'yinda hatto eng malakali inson o'yinchilarni ham ortda qoldirishi mumkinligini ko'rsatdi. Deep Reinforcement Learning va Monte-Karlo (tree search) metodi kombinatsiyasidan foydalangan holda, AlphaGo oldingi o'yinlardagi millionlab pozitsiyalarni tahlil qiladi va mumkin bo'lgan eng yaxshi harakatlarni baholaydi - bu strategiya bu kontekstda inson qarorlarini qabul qilishdan ancha ustundir. 👉 @machine_learning_lab

​​#researchpaper #ilmiy_maqola Hurmatli ML engineerlar! Sizlarga shuni mamnuniyat bilan ma'lum qilamanki bizni navbatdagi ilmiy maqolamiz xalqaro nufuzli ilmiy jurnallardan birida chop etildi. Alhamdulillah. Bunda meni qo'llab quvvatlagan barchaga o'z minnatdorchiligimni bildiraman jumladan google, google scholar, youtube, ChatCPT va hakozolar (ALbatda hazil 😉😂) Maqola nomi: "Performance Analysis of Time Series Deep Learning Models for Climate Prediction in Indoor Hydroponic Greenhouses at Different Time Intervals" Ilmiy Journal: Plants (SCIE, IF:4.66) 👉 @machine_learning_lab