Machine Learning Lab.

Navbatdagi video darsga tayyorgarlik 😊😎. @machine_learning_lab

​​#set #list #dictionary AI loyihalari bilan ishlaganda albatda asosiy dasturlash tillaridan biri bu Python 🐍. Shuday ekan Python dasturlash tili haqida ham ma'lumot berilsa menimcha maqsaddan tashqariga chiqmagan bo'lamiz (out of topic) 😉. Va ushbu postda Python ning uch qismiga (Set, List va Dictionary) tegishli methodlar haqida qisqacha ma'lumot beriladi. 👉 Quyidagi rasmda yuqorida aytilgan uch qismga ga tegishli eng ko'p ishlatiladigan methodlar keltirilgan. Tashrif buyuring 🔗 Telegram | Youtube

​​#Adaboost Adaboost haqida qisqacha: 👍 Overfitting muammosiga nisbatan ishonchliroq. 👍 Yuqori aniqlik. 👍 Tushunishga va grafik ko'rinishida tasvirlash oson. 👎 Ma'lumotlar to'plamidagi shovqinga (noise) ta'sirchan. 👎Outlier lar natijaga ta'sir qilishi mumkin. 👎 Training qilishga ko'proq vaqt talab qiladi. Tashrif buyuring 🔗 Telegram | Youtube

​​#Naive_Bayes Naive Bayes haqida qisqacha: 👍 Train (o'qitish) qilish uchun kam vaqt sarflaydi. 👍 Toifalanadigan kiruvchi (inputs) ma'lumotlar uchun juda yaxshi mos keladi. 👍 Amaliyotda qo'llash juda oson. 👎 Ma'lumotlar to'plamini mustaqil deb hisoblaydi, bu real hayotda kam uchraydi. 👎 Baholash bazi hollarda notog'ri chiqadi Tashrif buyuring 🔗 Telegram | Youtube

​​#K_Nearest_Neighbour #KNN K Nearest Neighbour haqida qisqacha: 👍 Train (o'qitish) qilmasdan ham bashorat qila oladi. 👍 Training time kiruchi ma'lumotlar (input data) o'lchami bilan chiziqli bog'liq. Yani agar kiruchi ma'lumotimiz kattalashgani sayin training time o'sib boradi va aksincha. 👍 Classification hamda Regression masalalari uchun ham ishlatish mumkin. 👎 Katta o'lchamli malumotlar to'plami bilan ishlashda samarasiz. 👎 Ma'lumotlar to'plamidagi shovqunga (noise) va overfitting muammosiga hamda Outliers larga juda ta'sirchan. 👎 Ma'lumotlar to'plamidagi kiruvchi xususiyatlarni masshtablash (feature scaling) talab etiladi. 👎To'g'ri K parametrni tanlash muhim. Tashrif buyuring 🔗 Telegram | Youtube

​​Data science da ma’lumotlar to’plami bilan ishlash eng muhim qismlardan biri hisoblanadi. Data science va ML engineerlari asosan ma’lumotlar bilan ishlashda Pandas 🐼 kutubxonasidan foydalanishadi. Quyidagi rasmda ma’lumotlar to’plami bilan ishlashdagi 3 ta asosiy bosqishlarda (ma’lumotlar toplamini o’qish, tozalash va statistik analis qilish) ishlatiladigan command lar keltirilgan. Tashrif buyuring 🔗 Telegram | Youtube

#video_darslik #ML_darslari 🆕 Qadrlilar Youtubedagi kanalimizga Machine Learningga bag'shlangan video darslarimizning navbatdagisini joyladik. Qiziqqanlar ko'rsa bo'ladi va fikr mulohazalaringizni bildirsangizlar bu men uchun foydali bo'lar edi (o'zimni ustimda ishlashim uchun). Ko'rish uchun link: https://www.youtube.com/watch?v=eRxxn3T5KHc Tashrif buyuring 🔗 Telegram | Youtube

​​#foydali Hammaga ma'lumki Deep Learning (DL) juda ko'p jabhalarda keng qo'llanilib kelinmoqda. DL ni ham ko'plab modellari bor masalan: 👉Recurrent Neural Network (RNN) 👉Convolutional Neural Network (CNN) 👉Autoencoders (AE) 👉Generative Adversarial Network (GAN) Bu modellar ham qaysi jabhalarda faol ishlatilishi quyidagi rasmda keltirilgan. Ammo bu degani CNN ni ob-havo bashorati uchun ishlatilinmaydi degani emas. Yani CNNni ishlatsa bo'ladi lekin RNN ko'proq samarali ☺️😎😊 Tashrif buyuring 🔗 Telegram | Youtube

#Tavsiya #Lirik_chekinish Yutubdagi Uzbekistan's club kanalida O'zbekistonlik deb nomlangan loyihaning navbatdagi (Episode 3) soni taqdim etildi. Shu loyihani ko'rishni tavsiya etaman! Nimaga ko'proq va yaxshiroq o'qish kerakligini hayotiy misollarda keltirilgan! Biz qanday sohada o'qishimizdan, nima ish qilishimizdan qatiy nazar maromiga yetkazib qilishga harakat qilishimiz kerak. Ps. Menga juda yoqdi shuning uchun sizlarga ham ilindim! Tashrif buyuring 🔗 Telegram | Youtube

​​#kitob #kitob_tavsiya 📚 ML engineerlari o'qishi kerak bo'lgan 7 ta kitob bor! Shulardan birining pdf versiyasi quyida keltirilgan. Ushbu kitobni qunt bilan o'qib chiqishni tavsiya etaman. P/s. Men eng yaxshi ko'rgan kitoblarimdan biri 😊📗🔝 Tashrif buyuring 🔗 Telegram | Youtube

​​#Decision_Tree Decision Tree haqida qisqacha: 👍 Ko'p hususiyatli ma'lumotlar to'plami bilan ishlashda juda samarali. 👍 Grafik tasvirlash va tushunturish oson. 👍 Chiziqli bog'liq bo'lmaga masalalarni yechishda ham yaxshi natijaga erisha oladi. 👎 Overfitting muammosi kuzatilishi mumkin. 👎 Malumotlar to'plamidagi kichkina o'zgarish ham model strukturasida katta o'zgarishga sabab bo'lishi mumkin optimal modelni olish uchun. 👎 Modeldagi hisob-kitob operatsiyalari juda ham murakkablashib ketishi mumkin. Tashrif buyuring 🔗 Telegram | Youtube

​​#Support_Vector_Machine Support Vector Machine haqida qisqacha: 👍 Ko'p xususiyatli ma'lumotlar to'plami bilan ishlashda yaxshi. 👍 Kichik hajmli ma'lumotlar to'plami bilan ham yaxshi natijaga erishish mumkin. 👍 Chiziqli bog'liq bo'lmaga masalalarni yechishda ham yaxshi natijaga erisha oladi. 👎 Katta ma'lumotlar to'plamida samarasiz. 👎 To'g'ri kernel tanlashni talab qiladi. Tashrif buyuring 🔗 Telegram | Youtube

​​#Algorithms #models 🔝Eng ko'p ishlatiladigan va sodda ML modellari quyudagi rasmda keltirilgan! 👇 Tashrif buyuring 🔗 Telegram | Youtube

​​#logistic_regression Logistic Regression haqida qisqacha: 👍 Amaliyotga qo’llash anchagina sodda va train qilishda samarali. 👍 Model overfitting muammosiga moyilligi kamroq ammo agar malumotlar to’plami ko'p hususiyatli bo'lsa (high dimensional) bu muammo kuzatiladi. 👍 Ishlashi juda yaxshi agar malumotlar to’plami hususiyatlari (dataset features) chiziqli bo’linadigan bo’lsa. 👎 Ma'lumotlar to'plamini xususiyatlari soni (dataset features) undagi namunalar sonidan katta bo'lganda bu modelni ishlatish tavsiya etilmaydi. 👎 Ma'lumotlar to'plamini mustaqil deb hisoblaydi, bu esa real hayotda kam uchraydi. 👎Model faqat diskret funksiyalarni bashorat qilishda yaxshi ishlaydi. Tashrif buyuring 🔗 Telegram | Youtube

​​#overfitting #underfitting #rightfit ⁉️ Overfitting nima? ML algoritmi training datasetda training qilinganda juda yaxshi natija ko’rsatadi ammo yangi test dataset bilan test qilinganda natija juda past chiqadi. Bunda overfiiting muammosi yuzaga keldi deb aytiladi. ⁉️ Underfitting nima? ML algoritimi training datasetda ham test datasetda ham past natija ko’rsatganda underfitting muammosi yuzaga keldi deb aytiladi. ⁉️Rightfit nima? ML algoritmi training datasetda ham test datatsetda ham deyarli bir xil yaxshi natijaga erishga Rightfit deb aytiladi. Quyidagi rasmda bu terminlarni grafik ko’rinishda tasviri keltirilgan! Tashrif buyuring 🔗 Telegram | Youtube

​​#linear_regression Linear Regression haqida qisqacha: 👍 Amaliyotga qo’llash anchagina sodda va train qilishda samarali. 👍 Modeldagi overfitting muammosi regularization (lambda) qo’shish orqali kamaytirilishi mumkin. 👍 Ishlashi juda yaxshi agar malumotlar to’plami (dataset) chiziqli bo’linadigan bo’lsa. 👎 Ma'lumotlar to'plamini mustaqil deb hisoblaydi, bu real hayotda kam uchraydi. 👎 Ma'lumotlar to'plamidagi shovqunga (noise) va overfitting muammosiga moyil. 👎Outliers ga juda ta'sirchan. Tashrif buyuring 🔗 Telegram | Youtube

Assalomu alaykum aziz dindoshim! Barchangizga Ramazon hayiti muborak bo’lsin! 🤲🤲🤲 Tashrif buyuring 🔗 Telegram | Youtube

​​👆Yuqoridagi savollarga javob tariqasida quyidagi ma'lumotdan bohabar bo'lib qo'ygan yaxshi! ✅ Ya'ni quyidagi rasmda bir nechta ML algoritmlarini sinflanishi tasvirlanga. Qaysi algoritmlar qanday masalalarni ko'radi degan savolga batafsilroq javob. P/s: Natijalar yomon ems 👍☺️😎 Telegram | Youtube

​​Data Science ni o’rganish uchun eng yaxshi YouTube channel lar 👇 Telegram | Youtube