Eldor’s AI Lab

📌 3.7-dars: Uncertainty va Information — Noaniqlikni Baholash, Axborotni Siqish va MI 🎯 Deep Learning Mathematics — @EldorML Bu darsda ML modellarida juda muhim bo‘lgan uchta tushunchani o‘rganamiz: uncertainty estimation (noaniqlikni baholash), information bottleneck, va mutual information. Ular modelning qanchalik ishonchli javob berishini, qanday axborotni saqlab qolishini va o‘zgaruvchilar o‘rtasida qanday bog‘liqlik borligini tushunishga yordam beradi. 💠 1) Uncertainty Estimation — Model ishonchliligini o‘lchash ML modeli faqat javob qaytarmaydi — u qanchalik ishonch bilan javob berayotganini ham bilishimiz kerak. Ikki turdagi noaniqlik mavjud: - Aleatoric uncertainty — ma’lumotning o‘zidagi noodatiy holatlar (tuman, past sifatli rasm, yomon yorug‘lik). - Epistemic uncertainty — modelning bilmagan holati (ML o’qitishda ko‘rmagan obyekt, yangi sharoit, yangi manzara). Bu tibbiy diagnostika, avtonom haydash va xavfsiz ML tizimlarida juda muhim. 💠 2) Information Bottleneck — Keraksiz axborotni siqish Information Bottleneck shuni aytadi: > "Modelga kiruvchi ma’lumotdan faqat kerakli qismini saqlasin, ortiqchasini siqib tashlasin." Bu tushuncha quyidagicha ishlaydi: * X → Z: Kirish ma’lumot siqiladi * Z → Y: Faqat foydali axborot orqali natija chiqadi Natijada model: ✔ soddalashadi ✔ yaxshi umumiylashtiroladi ✔ keraksiz noodatiy ma’lumotdan qutuladi Hayotiy o‘xshatish: Talaba imtihonga tayyorlanayotganda katta kitobdan faqat kerakli ma’lumotlarni daftarga yozadi, qolganiga e’tibor bermaydi. Model ham xuddi shunday qiladi. 💠 3) Mutual Information — O‘zaro Axborot Bog‘liqligi Mutual Information (MI) shuni o‘lchaydi: > “Bir o‘zgaruvchini bilsak, ikkinchisi haqida qanchalik ma’lumot olamiz?” Hayotiy misol: Kimdir soyabon ko‘targan bo‘lsa, siz "Ehtimol yomg‘ir yog‘ayapti" deb o‘ylaysiz. Bu Soyabon ↔ Yomg‘ir o‘rtasida axborot bog‘liqligi mavjudligini bildiradi. MI qanchalik katta bo‘lsa — bog‘liqlik shunchalik kuchli. MI kichik bo‘lsa — aloqa deyarli yo‘q. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab misol: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 3.6-dars: Bayesian Intuitsiya — Prior, Likelihood, Posterior va Bayesian Neural Networks 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz Bayes fikrlashi, prior–likelihood–posterior munosabati va Bayesian Neural Networks (BNN) asoslarini sodda va hayotiy misollar bilan o‘rganamiz. 💠 1) Bayesian fikrlashning mohiyati Bayes shunday deydi: Yangi ma’lumot kelsa → eski fikringni yangilagin. Bayes formulasi:

Posterior = Likelihood × Prior / Evidence

Bu uch tushuncha juda muhim: * Prior — oldingi bilim (masalan, xatlar 20% spam bo‘lishi). * Likelihood — ma’lumot farazga qanchalik mos (masalan, "free" so‘zi spamlarda ko‘p uchrashi). * Posterior — yangilangan ishonch. * Evidence — maʼlumotning umumiy ehtimoli (normalizator). Evidence shuni bildiradiki: "bu ma’lumot umuman olganda qanchalik ehtimolli?" U Posteriorni 0–1 oralig‘ida to‘g‘ri taqsimlashga xizmat qiladi. 💠 2) Hayotiy misol — Tibbiy test Kasallik ehtimoli 1% bo‘lsa (prior), test esa 90% aniqlikka ega bo‘lsa (likelihood), test ijobiy chiqsa ham odamning kasal bo‘lish ehtimoli atigi ~8% bo‘ladi. Sababi: prior kichik. Bayesian yondashuv aynan shuni aniqlab beradi. 💠 3) Spam filtri misoli — eng intuitiv tushuntirish Tasavvur qiling, xatda “tekin” so‘zi bor. Agar spamlarda “tekin” ko‘p uchrasa → likelihood yuqori. Bayes algoritmi shunday ishlaydi:

Prior = xatlarning umumiy spam foizi
Likelihood = so‘zning spamdagi uchrash foizi
Posterior = yangi xatning spam bo‘lish ehtimoli

Har safar yangi xat kelganda prior va likelihoodlar yangilanadi. 👉 Shu sababli Bayesian filtr vaqt o‘tishi bilan professional bo‘lib boradi. 💠 4) Bayesian Neural Network — sodda tushuntirish Oddiy neural networkda parametrlar — bitta son:

w1 = 0.42
w2 = -0.87

Bayesian Neural Networkda har bir parametr — taqsimot:

w1 ~ "taxminan 0.4 ± noaniqlik"
w2 ~ "taxminan -0.8 ± noaniqlik"

Yaʼni BNN shuni deydi: “Menda javob bor, lekin unga qanchalik ishonishimni ham aytib beraman.” Bu tibbiyot, moliya, xavfsizlik va noaniqlik yuqori bo‘lgan sohalarda juda muhim. 💠 5) Sodda hayotiy o‘xshatish Bayesian NN — haqiqiy inson fikrlashiga eng yaqin model. Oddiy NN: > "Men 0.42 parametr qiymati orqali ishonch bilan ishlayman." Bayesian NN: > "Menimcha parametrim 0.4 atrofida, lekin 0.1 noaniqligim bor. Xato qilish ehtimolim bor." 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab misol: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 3.5-dars: Maximum Likelihood (MLE) va Maximum A Posteriori (MAP) 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz ML va statistikadagi eng muhim baholash usullarini o‘rganamiz: MLE va MAP. Ular klassifikatsiya, regressiya, regularizatsiya va Bayes modellarining matematik asosidir. 💠 1) MLE — faqat maʼlumotga tayanadigan baholash MLE shunday parametrni tanlaydiki, kuzatilgan maʼlumotlarning ehtimolligi maksimal bo‘ladi. Formula: MLE loss = - log P(x | theta) Klassifikatsiyada bu aynan Cross-Entropy bilan bir xil. Misol: Haqiqiy label: class 3 Model ehtimoli: [0.1, 0.3, 0.6] NLL = - log(0.6) → Cross-Entropy bilan aynan bir xil qiymat. MLE quyidagiga mos keladi: * Softmax + Cross-Entropy * Logistic Regression * MSE (Gaussian regressiyada) 💠 2) MAP — maʼlumot + oldingi bilim asosida baholash MAP parametrlarni nafaqat maʼlumot, balki prior (oldingi bilim) bilan birga tanlaydi. Formula: MAP loss = - log P(x | theta) - log P(theta) Agar prior Gaussian bo‘lsa (ko‘p modellar bunday bo’ladi): → MAP = Cross-Entropy + L2 penalty Yaʼni L2 regularizatsiya aslida MAP usulidan kelib chiqadi. Misol: MAP loss = CE + lambda * ||W||² Prior model parametrlarni kattalashishdan saqlaydi. 💠 3) MLE va MAP farqi * MLE → faqat maʼlumotga ishonadi * MAP → maʼlumot + prior (oldingi bilim) * MLE → overfittingga moyil * MAP → barqarorroq, regularizatsiyalangan Kichik datasetlarda MAP afzal. Katta datasetlarda MLE yetarli. 💠 4) Kod bilan bog‘liqlik (intuitiv) MLE training: Loss = Cross-Entropy MAP training: Loss = Cross-Entropy + L2 Yaʼni ML model parametrlari MLE ishlatilganda faqat gradient orqali o‘zgaradi, MAP ishlatilganda esa “penalty” bilan birga o‘zgaradi. 💡 Hayotiy o‘xshatish MLE — “Faqat test natijasiga qarab baho berish.” MAP — “Test natijasi + oldingi baholarni hisobga olish.” 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📢 Hurmatli obunachilar Bugun YouTube platformasida bir anonim foydalanuvchi kursim haqida plagiat bo‘yicha asossiz izoh qoldirganiga duch keldim. Ushbu holatni barcha obunachilarim uchun ochiq va aniq tushuntirib qo‘ymoqchiman. 1️⃣ Plagiat bo‘yicha ayblov jiddiy yondashuvni talab qiladi Kimdir plagiatda ayblamoqchi bo‘lsa, u dalil bilan aytishi lozim. Aniq bir havola, manba, solishtirish uchun faktlar bo‘lishi kerak. Aks holda bu faqat o‘quvchilarni chalg‘itadigan va ularda noto‘g‘ri tasavvur uyg‘otadigan gap bo‘lib qoladi. 2️⃣ Men yaratgan kurslar o‘zbek auditoriyasi uchun noldan yozilgan mualliflik kontenti Mavzular ilmiy tamoyillar asosida bo‘lsa ham, izohlar, topshiriqlar, misollar, izohlash uslubi, qo‘llanmalar va audio yoki video materiallar to‘liq mualliflik ishlanmasi hisoblanadi. 3️⃣ Muhit sozlash mavzusi plagiat bo‘lishi mumkin bo‘lmagan yo‘nalish Python loyihalari uchun butun dunyo bo‘yicha faqat ikki xil standart usul mavjud. Bular python venv va conda. Shuning uchun buyruqlar bir xil bo‘lishi tabiiy, bu plagiat emas balki dasturlash standartidir. 4️⃣ Fikr bildirmoqchi bo‘lganlarga murojaat Men konstruktiv tanqidni hurmat qilaman. Taklif bo‘lsa yoki xato topsangiz bemalol yozishingiz mumkin. Lekin ayblov bo‘lsa u dalil bilan birga bo‘lishi shart. Dalilsiz ayblovlar esa o‘quvchilarni chalg‘itadi. 5️⃣ Maqsadim sifatli va puxta o‘quv materiallari yaratish Men barcha kontentni o‘zbek tilida tekin, tushunarli, interaktiv va foydali ko‘rinishda yaratishga intilaman. Bu jarayon mehnat, vaqt va tajribani talab qiladi. Shuning uchun noto‘g‘ri ma’lumot tarqatilganida, avvalo fakt so‘rash muhim. Maqsad - bilim hammaga yetib borishi kerak. E’tiboringiz uchun rahmat! @EldorML

📌 3.4-dars: Cross-Entropy va KL-Divergence 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz ikki ehtimollik taqsimoti bir-biridan qanchalik farq qilishini o‘lchaydigan ikkita asosiy matematik tushunchani o‘rganamiz: Cross-Entropy va KL-Divergence. Ular ML, statistika, ehtimollik va axborot nazariyasida juda muhim. 💠 1) Cross-Entropy — moslik (yoki xatolik) o‘lchovi Cross-Entropy P va Q taqsimotlari qanchalik bir-biriga yaqinligini o‘lchaydi. Formula: H(P, Q) = - Σ ( P(x) * log2(Q(x)) ) Mazmuni: * Q(x) → P(x) ga yaqin bo‘lsa → qiymat kichik * Q(x) → P(x) dan uzoq bo‘lsa → qiymat katta Misol: P = [1, 0, 0] Q = [0.7, 0.2, 0.1] H(P,Q) = -log2(0.7) ≈ 0.51 (yaxshi) Agar Q = [0.1, 0.7, 0.2] bo‘lsa: H(P,Q) = -log2(0.1) ≈ 3.32 (yomon) 💠 2) KL-Divergence — taqsimotlar orasidagi informatsion masofa KL ikki ehtimollik taqsimoti orasidagi farqni o‘lchaydi. Formula: KL(P || Q) = Σ( P(x) * log2( P(x) / Q(x) ) ) Intuitiv ma’nosi: * P(x)/Q(x) → biror hodisa P’da qanchalik ehtimolli, Q’da qancha ehtimolli * log2(P/Q) → farqni bitlarda o‘lchaydi * KL → haqiqiy taqsimot P bo‘yicha o‘rtacha “yo‘qotilgan axborot” Misol: P = [0.8, 0.2] Q = [0.6, 0.4] KL(P||Q) ≈ 0.091 bit → Ular juda yaqin. Agar Q = [0.1, 0.9] → KL juda katta chiqadi. 💠 3) Ular o‘rtasidagi bog‘liqlik Eng muhim bog‘lanish: H(P, Q) = H(P) + KL(P || Q) Bu shuni anglatadi: * Cross-Entropy = Entropy (tizimdagi noaniqlik) + KL (farq miqdori) * Agar P va Q bir xil bo‘lsa → KL = 0 → Cross-Entropy = Entropy 💠 4) Oddiy ehtimollik bilan tushuntirish Agar biror hodisa Pda 0.8, Qda 0.6 bo‘lsa: P/Q = 1.33 → Bu hodisa Pda Qdagidan 33% ko‘proq ehtimolga ega. KL — mana shu nisbatlarning logarifmlari bo‘yicha o‘rtacha qiymat. 💡 Hayotiy o‘xshatish Cross-Entropy — ikki odamning fikri qanchalik mos tushishini o‘lchash. KL-Divergence — “bitta odamning tasavvuri haqiqatdan qancha uzoqda?” degan savolning javobi. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

/50

📌 3.3-dars: Entropy va Information Miqdori (Tartib va Noaniqlik) 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz ma’lumotdagi noaniqlik (entropy) va axborot miqdori (information) tushunchalarini o‘rganamiz. Ular AI modellarida ishonchlilik, tartib va ma’lumotning kutilmaganlik darajasini tushunishda muhim rol o‘ynaydi. 💠 Oddiy so‘zlar bilan aytganda: Entropy — tizimdagi noaniqlik yoki tasodifiylik miqdori. Information — kutilmagan hodisadan olinadigan yangi bilim miqdori. Kam ehtimolli hodisa → ko‘proq ma’lumot. Katta ehtimollikdagi hodisa → kam ma’lumot. 💠 Asosiy tushunchalar: 1️⃣ Information (I) — Ma’lumot miqdori Formula: I(x) = -log₂(P(x)) Bu yerda P(x) — hodisaning ehtimoli. Misol: Tanga tashlashda P=0.5 → I = -log₂(0.5) = 1 bit. Zarda 1 chiqish ehtimoli P=1/6 → I = -log₂(1/6) ≈ 2.585 bit. Kam uchraydigan hodisa → ko‘proq axborot beradi. 2️⃣ Entropy (H) — O‘rtacha noaniqlik miqdori Formula: H(X) = -Σ(P(x) × log₂(P(x))) Misol 1: Tanga tashlash P(bosh)=0.5, P(gerb)=0.5 H(X) = -[0.5×log₂(0.5) + 0.5×log₂(0.5)] = 1 bit ✅ Maksimal noaniqlik — natija teng ehtimollikda. Misol 2: Noaniqlik kamaygan holat P(bosh)=0.99, P(gerb)=0.01 H(X) = -(0.99×log₂(0.99) + 0.01×log₂(0.01)) ≈ 0.08 bit ✅ Entropiya past — tanga deyarli har safar bosh chiqadi → noaniqlik kamaygan. Misol 3: 4 teng ehtimolli natija (A, B, C, D) H(X) = -4×(0.25×log₂(0.25)) = 2 bit ✅ Har biri teng ehtimollikda → maksimal noaniqlik. 3️⃣ Shannon Entropy Claude Shannon (1948) tomonidan ishlab chiqilgan formula: H(X) = -Σ(P(x) × log₂(P(x))) Bu formula axborotni bitlarda o‘lchaydi — 1 bit bitta “ha/yo‘q” savol uchun kerak bo‘lgan minimal ma’lumot. 4️⃣ Tartib va Noaniqlik - Juda tartibli holat: har doim bir xil natija chiqadi → entropiya = 0 bit. Ya’ni, siz natijani oldindan bilasiz, hech qanday noaniqlik yo‘q. - Aralash holat: natijalar 50%/50% ehtimol bilan chiqadi → entropiya = 1 bit. Tanga tashlash misolida: bosh yoki gerb chiqish ehtimoli teng, noaniqlik o‘rtacha. - Juda tartibsiz holat: barcha natijalar teng ehtimol bilan chiqadi → entropiya yuqori. Bu holatda tizim eng ko‘p noaniqlikka ega, chunki barcha natijalar bir xil imkoniyatga ega. 👉 Tartib oshsa — entropiya kamayadi. 👉 Noaniqlik oshsa — entropiya ortadi. 💠 AI bilan bog‘liq tushuncha: AI modellarida entropiya modelning natijalari qanchalik ishonchsiz yoki noaniq ekanini o‘lchaydi. Misollar: * [0.9, 0.1] → past entropiya → model ishonchli. * [0.5, 0.5] → yuqori entropiya → model noaniq. Softmax yordamida chiqishlar ehtimollikka aylantiriladi, keyin entropiya yoki cross-entropy hisoblanadi. ✅ Kam bit → model ishonchli. ✅ Ko‘p bit → modelda noaniqlik yuqori. 💡 Hayotiy o‘xshatish: Xonangizda hamma narsa joyida → tartib (entropiya past). Hamma narsa aralashib ketgan → chalkashlik (entropiya yuqori). Yoki matn misoli: "aaaaaa" → kam ma’lumot (entropiya past). "x7q!k2" → kutilmagan belgilar (entropiya yuqori). 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 3.2-dars: Expectation, Variance va Covariance (O‘rtacha qiymat, tarqoqlik va bog‘liqlik) 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz ma’lumotlarning o‘rtacha qiymati (Expectation), tarqoqligi (Variance) va o‘zaro bog‘liqligini (Covariance, Correlation) o‘rganamiz. Ular AI modellarida barqarorlik, xususiyatlar o‘zaro ta’siri va ma’lumotlarning tuzilishini tushunishda juda muhim. 💠 Oddiy so‘zlar bilan aytganda: Expectation — o‘rtacha qiymat. Variance — ma’lumotlar o‘rtachadan qanchalik uzoqda. Covariance — ikki o‘zgaruvchi birga qanday o‘zgaradi. Correlation — bu aloqa kuchini ko‘rsatuvchi normallashtirilgan qiymat. 💠 Asosiy tushunchalar: 1️⃣ Expectation (E[X]) — Kutilgan qiymat O‘rtacha natijani bildiradi. Formula: E[X] = Σ (x × P(x)) Misol: Tanga tashlashda: E[X] = 1×0.5 + 0×0.5 = 0.5 AI misol: Regression model chiqishining o‘rtacha qiymati — E[X] ≈ 72 → modelning umumiy tendensiyasi. 2️⃣ Variance (Var[X]) — Tarqoqlik Ma’lumotlarning o‘rtachadan qanchalik farq qilishini o‘lchaydi. Formula: Var(X) = E[(X − E[X])²] yoki Var(X) = E[X²] − (E[X])² Misol: {2, 4, 6, 8} → E[X]=5 → Var(X)=5 Katta variance → qiymatlar o‘rtachadan uzoq. Kichik variance → barqarorlik yuqori. AI misol: Agar model bir xil suratlar uchun turli chiqishlar bersa → variance yuqori → model beqaror. 3️⃣ Covariance — O‘zaro bog‘liqlik Ikki o‘zgaruvchi birgalikda qanday o‘zgarishini ko‘rsatadi. Formula: Cov(X, Y) = E[(X − E[X]) × (Y − E[Y])] Misol: O‘qish soati oshsa → test balli ham oshsa → Cov > 0 Hech aloqa bo‘lmasa → Cov ≈ 0 AI misol: Modeldagi o‘xshash xususiyatlar (masalan, “house_size” va “num_rooms”) yuqori covariance keltirib chiqaradi. 4️⃣ Correlation — O‘zaro bog‘liqlik kuchi Covariance’ning normallashtirilgan shakli (−1 ≤ Corr ≤ +1) Formula: Corr(X, Y) = Cov(X, Y) / (σₓ × σᵧ) Misol: Corr(X, Y) = +1 → mukammal ijobiy aloqa Corr(X, Y) = 0 → aloqa yo‘q Corr(X, Y) = −1 → salbiy aloqa AI misol: Correlation feature selectionda ishlatiladi — ya’ni o‘xshash xususiyatlarni olib tashlash uchun. 5️⃣ Correlation ≠ Causation Bog‘liqlik mavjud bo‘lishi sabab degani emas. Misol: Muzqaymoq savdosi va cho‘milishdagi odamlar soni — correlation bor, lekin sabab harorat. AI misol: AI correlationni topadi, lekin nima sabab ekanini bilmaydi. Model “nimani bog‘liq” deb biladi, lekin “nega”ni bilmaydi. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 3.1-dars: Random Variable va Distributions (Tasodifiy o‘zgaruvchilar va taqsimotlar) 🎯 Deep Learning Mathematics — @EldorML Bu darsda biz tasodifiy o‘zgaruvchi nima ekanligini, u qanday qiymatlar olishini va AI modellarida ehtimollik qanday hisoblanishini o‘rganamiz. 💠 Oddiy so‘zlar bilan aytganda: Tasodifiy o‘zgaruvchi — bu har safar turli natija beruvchi jarayon. Masalan, tanga tashlashda bosh yoki gerb chiqishi, yoki AI modelining “mushuk” yoki “it” deb aytishi — bularning barchasi ehtimollikka asoslanadi. 💠 Asosiy tushunchalar: 1️⃣ Bernoulli taqsimoti — faqat 2 ta natija: muvaffaqiyat (1) yoki muvaffaqiyatsizlik (0). * P(X=1) = p * P(X=0) = 1 - p * Bu yerda p — muvaffaqiyat ehtimoli (masalan, tanga tashlaganda bosh chiqish ehtimoli 0.5). 2️⃣ Binomial taqsimoti — bir necha Bernoulli tajribalari natijasidagi umumiy ehtimollar. * Formula: P(X = k) = C(n, k) × p^k × (1−p)^(n−k) * Kombinatsiya: C(n, k) = n! / (k! × (n−k)!) * Bu yerda n — tajriba soni, k — muvaffaqiyatlar soni, p — har bir tajribadagi muvaffaqiyat ehtimoli. 3️⃣ Categorical taqsimoti — 3 yoki undan ortiq sinflar uchun ehtimollar. * Misol: AI model natijasi — mushuk (0.6), it (0.3), quyon (0.1) 4️⃣ Normal taqsimot (Gaussian) — uzluksiz o‘zgaruvchilar uchun asosiy taqsimot. * Formula: f(x) = 1 / (σ√(2π)) × e^(-(x−μ)² / (2σ²)) * Masalan, inson bo‘yi yoki imtihon ballari shu taqsimotga amal qiladi. 💠 PDF (Probability Density Function) PDF — bu uzluksiz o‘zgaruvchilar uchun ehtimollik zichligini ko‘rsatadi. Ya’ni, biz aniq bitta qiymatni emas, oraliqdagi qiymatlar ehtimolini topamiz. Masalan: Harorat X ~ Normal(μ=25, σ=2) bo‘lsa, P(24 ≤ X ≤ 26) ≈ 0.38 → 38% ehtimol bilan harorat shu oraliqda bo‘ladi. PDF formulasi: f(x) = 1 / (σ√(2π)) × e^(-(x−μ)² / (2σ²)) Bu formula Normal taqsimot grafigining egri chizig‘ini (bell curve/qo’ng’iroq shakli) hosil qiladi. Lekin PDF faqat Normal uchun emas — boshqa taqsimotlarda ham mavjud (masalan, Exponential yoki Uniform). 👉 Xulosa: Har bir Normal taqsimot — PDF hisoblanadi, ammo har bir PDF — Normal taqsimot emas. 💠 AI bilan bog‘liq tushuncha: AI modellarining chiqishlari ham ehtimollikka asoslanadi. Masalan, model “mushuk” deyish ehtimoli 0.8 bo‘lsa — bu aslida PDF (Probability Density Function) grafigidagi maydon orqali aniqlanadi. Model shu maydonni integral yordamida hisoblaydi, Z-jadvaldan emas. 💠 Boshqacha qilib aytganda: Normal taqsimot — qo’ng’iroq shaklidagi egri chiziq. Uning o‘rtasi (μ) eng ko‘p uchraydigan qiymat, yonlari esa kamroq ehtimollikdagi qiymatlar. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.6-dars: Loss Landscapes (Xatolik landshafti) 🎯 Deep Learning Mathematics — @EldorML Loss Landscape — bu model xatoligi qanday o‘zgarishini ko‘rsatadigan manzara. Model parametrlarini (weights) o‘zgartirganda, bu manzara orqali xatolikning pasayishini yoki oshishini kuzatamiz. 💠 Oddiy so‘zlar bilan aytganda: Tasavvur qiling, siz tog‘li hududdasiz. Har bir joy — modelning bir konfiguratsiyasi. Balandlik — model xatosi. Maqsad — eng past joyga (minimumga) tushish. 💠 Asosiy tushunchalar 1️⃣ Global minimum — butun manzaradagi eng past nuqta. 2️⃣ Lokal minimum — atrofida pastroq joy yo‘q, lekin globaldan balandroq nuqta. 3️⃣ Saddle point (egar nuqta) — bir yo‘nalishda pastga, boshqasida tepaga qarab egilgan nuqta. 4️⃣ Overfitting — model o‘rgangan ma’lumotlarga haddan tashqari moslashib, yangi ma’lumotlarda yomon natija berishi 5️⃣ Log-Sum-Exp Trick — katta sonlarda log(sum(exp(x))) hisoblashda cheksizlik (overflow)ni oldini oladigan usul: log(sum(exp(x))) = a + log(sum(exp(x - a))), bu yerda a = max(x) 💠 Hayotiy o‘xshatishlar Global minimum — eng chuqur vodiy. Lokal minimum — kichik vodiy, lekin pastroq joylar ham bor. Saddle point — ot egariga o’xshash landshaft. Overfitting — eski testni yodlab olib, yangi savolda chalkashish. Log-sum-exp — juda katta sonlarni o‘zaro taqqoslashda markazga olib kelib, balansni saqlash. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.5-dars: Optimization Algorithms (Optimallashtirish algoritmlari) 🎯 Deep Learning Mathematics — @EldorML Optimallashtirish — bu AI modellarining o‘rganish yuragi. Model xatolik funksiyasini minimallashtirish orqali yanada aniqroq natijaga yaqinlashadi. Ushbu darsda biz birinchi va ikkinchi tartibli algoritmlarni o‘rganamiz. 💠 Oddiy so‘zlar bilan aytganda Tasavvur qiling, siz tog‘dan pastga tushmoqchisiz. Siz pastlik yo‘nalishini bilasiz (gradient), lekin tog‘ning qanchalik tik yoki tekis ekanligini bilmay turibsiz. Shu sababli siz qadamni taxminiy o’zingiz tanlaysiz — bu birinchi tartibli usul. Agar siz tog‘ning shaklini — ya’ni qayer tik, qayer tekis ekanini bilsangiz, siz har bir joyda to‘g‘ri uzunlikdagi qadamni tanlaysiz. Bu ikkinchi tartibli usul. 💠 Asosiy turlar 1️⃣ SGD (Stochastic Gradient Descent) — har qadamda gradient yo‘nalishida yuradi. 2️⃣ Momentum — avvalgi yo‘nalish tezligini ham hisobga oladi. 3️⃣ RMSProp — har parametr uchun alohida qadam uzunligi tanlaydi. 4️⃣ Adam — Momentum va RMSProp kombinatsiyasi. 5️⃣ Second-Order Methods (Newton, L-BFGS) — egri chiziqlikni (curvature) ham hisobga oladi. 💠 Misol Faraz qilaylik L(w) = (w - 3)². * SGD: w = w - η * 2(w - 3) → sekin yaqinlashadi. * Momentum: avvalgi harakatni hisobga olib tezroq yaqinlashadi. * Newton Method: w = w - (1/H)*∇L(w) → bitta qadamda 3 ga, ya’ni minimumga yetadi! 💠 Hayotiy o‘xshatish SGD — qorong‘uda past joyni sezib yurish. Momentum — Futbol to’pi tezligi bilan tushishga o’xshaydi. Newton — tog‘ning shaklini bilib, eng to‘g‘ri yo‘ldan tushish. 💡 Xulosa Birinchi tartibli usullar amalda eng ko‘p ishlatiladi (Adam, RMSProp), ikkinchi tartibli usullar esa aniqroq, lekin hisoblash jihatdan og‘irroq. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.4-dars: Gradient Descent (Gradiyent bo‘yicha tushish) 🎯 Deep Learning Mathematics — @EldorML Gradient Descent — bu AI modellarida xatolikni kamaytirish uchun ishlatiladigan asosiy optimallashtirish algoritmi. U modelni xatolik tog‘idan eng past nuqtaga — global minimumga olib tushadi. 💠 Oddiy so‘zlar bilan tushuntirish Tasavvur qiling, siz qorong‘uda tog‘ tepasidasiz va pastga tushmoqchisiz. Har bir qadamda siz qiyalikni his qilasiz va pastga qarab yurishni tanlaysiz. AI model ham xuddi shunday: har bir roundda xatolik funksiyasi gradientini hisoblab, eng katta xato kamayadigan yo‘nalishda qadam tashlaydi. 👉 Formulasi: w_new = w_old - η * gradient(L(w)) Bu yerda: * w — model parametrlari * η (eta) — learning rate (o‘rganish tezligi) * gradient(L(w)) — xatolikning yo‘nalishi 💠 Amaliy misol Agar xatolik funksiyasi L = (w - 3)² bo‘lsa, model xatoni kamaytirish uchun w ni 3 ga yaqinlashtiradi. Har safar gradientni hisoblab, qadam tashlaydi. Agar learning rate juda kichik bo‘lsa — model sekin o‘rganadi, agar juda katta bo‘lsa — xatolik minimumdan “sakrab o‘tadi”. 💠 Learning Rate (η) haqida * Juda kichik η → sekin o‘rganish (sekin yurish) * Juda katta η → noturg‘unlik, overshooting * Optimal η → barqaror va tez o‘rganish 💠 Learning Rate Scheduling O‘rganish tezligini vaqt davomida o‘zgartirish usullari: 1️⃣ Warmup — dastlab sekin o‘rganish, keyin tezlashish 2️⃣ Decay — vaqt o‘tishi bilan sekinlashish 3️⃣ Cyclic — o‘sish va kamayish davriy ravishda takrorlanadi 💠 Hayotiy o’xshatish 🌡️ Xona harorati boshqaruvi — haroratni 25°C atrofida ushlab turish uchun sekin tuzatishlar. 💡 Xulosa Gradient Descent — bu AI modellarining “o‘rganish yuragi”. Har bir qadamda xatolik kamayadi, model esa tobora mukammallikka yaqinlashadi. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda yoki kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.3-dars: Chain Rule (Zanjirli Hosila) va Backpropagation 🎯 Deep Learning Mathematics — @EldorML Chain Rule — bu matematik hosila olishda ishlatiladigan eng muhim qoidalardan biri. U murakkab, ya’ni ichma-ich joylashgan funksiyalar uchun hosilani topish imkonini beradi. Masalan, funksiya bir nechta bosqich orqali o‘tib natija bersa, Chain Rule bizga har bir bosqichdagi o‘zgarish yakuniy natijaga qanday ta’sir qilishini hisoblashga yordam beradi. 💠 Oddiy so‘zlar bilan tushuntirish Tasavvur qiling, sizda bir jarayon bor: avval x qiymat g(x) orqali o‘zgaradi, keyin f(g(x)) orqali yana o‘zgaradi. Demak, yakuniy natija f(g(x)) bo‘ladi. Agar siz natijaning x ga nisbatan o‘zgarishini (ya’ni hosilasini) bilmoqchi bo‘lsangiz, avval tashqi funksiya (f) qanchalik o‘zgaradi, so‘ng ichki funksiya (g) qanchalik o‘zgarishini aniqlaysiz. Bu ikkisi ko‘paytiriladi. 👉 Formulasi: dy/dx = f'(g(x)) × g'(x) 💠 Amaliy misol Faraz qilaylik, y = (3x + 2)^5. Bu yerda ichki funksiya g(x) = 3x + 2, tashqi funksiya f(u) = u⁵. Hosilani topamiz: 1️⃣ Tashqi funksiya hosilasi: f'(u) = 5u⁴ 2️⃣ Ichki funksiya hosilasi: g'(x) = 3 3️⃣ Chain Rule bo‘yicha: dy/dx = 5(3x + 2)^4 × 3 = 15(3x + 2)^4 Bu degani, har safar x ozgina o‘zgarsa, y qiymat bu o‘zgarishdan 15 marta tezroq o‘sadi. 💠 Backpropagation — AI model qanday o‘rganadi? AI modelda har bir qatlam oldingisidan ma’lumot olib, yakunda natija beradi. Agar model xato qilsa, u bu xatoni orqaga uzatib, har bir qatlam qanchalik xato uchun “javobgar” ekanini hisoblaydi. Bu hisoblash aynan Chain Rule orqali amalga oshadi. Masalan: L = f(a), a = g(z), z = h(x) bo‘lsa, xatolik hosilasi: dL/dx = (dL/da) × (da/dz) × (dz/dx) Ya’ni, har bir bosqichdagi hosila keyingisiga zanjir kabi ulanadi — shu sababli bu “Chain Rule” deyiladi. 💠 Hayotiy analogiya — Tog‘da yurish 🏔️ Tog‘ tepasida turganingizni tasavvur qiling. Siz pastga tushmoqchisiz. Qaysi yo‘l bilan tezroq tushishni bilish uchun, sizga sirtning eng tik qiyaligi kerak bo‘ladi. Shu tik yo‘l — bu gradient. AI modeli ham xuddi shunday: u xatolik “tog‘ida” turib, eng tez pasayish yo‘lini tanlaydi. Bu jarayon Gradient Descent deb ataladi. 💠 Geometrik tushuncha Chain Rule orqali hosila — bu sirtning har bir nuqtasidagi qiyalikni ko‘rsatadi. Bu qiyalik qayerda yuqori bo‘lsa, u yerda funksiya tez o‘zgaradi. AI model bu ma’lumotdan foydalanib, “qayerga qarab yurish”ni, ya’ni xatoni kamaytirish yo‘nalishini topadi. 💡 Chain Rule — bu hosilalar o‘rtasidagi bog‘lanish, Backpropagation esa shu bog‘lanish orqali modelni o‘qituvchi mexanizm. Agar hosila o‘sishni bildirsa, Chain Rule — o‘sishning qanday tarqalishini ko‘rsatuvchi matematik vositadir. 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda va code qismlarida xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.2-dars: Qisman Hosila va Gradient 🎯 Deep Learning Mathematics — @EldorML Ko‘p o‘lchovli funksiyalarda o‘zgarish faqat bitta yo‘nalishda emas — har tomondan bo‘ladi. Qisman/Xususiy hosila — har bir o‘zgaruvchi bo‘yicha o‘sish tezligini o‘lchaydi, Gradient esa — funksiya eng tez o‘sadigan yo‘nalishni ko‘rsatadi. 💠 Qisman/Xususiy hosila (Partial Derivative) Bu har bir o‘zgaruvchining alohida ta’sirini o‘lchaydi: f(x, y) = x² + y² → ∂f/∂x = 2x, ∂f/∂y = 2y Shunday qilib, x bo‘yicha o‘zgarish va y bo‘yicha o‘zgarish alohida ko‘riladi. 💠 Gradient vektori (∇f) ∇f(x, y) = [2x, 2y] Bu vektor — eng tik yo‘lga yo‘naltiruvchi kompas. Agar siz tog‘da tursangiz, gradient sizga “qaysi yo‘l eng tik yuqoriga olib chiqadi” deb ko‘rsatadi. 💠 AIdagi ma’nosi Mashina o‘rganishda model xatolikni kamaytirish uchun gradientga qarama-qarshi yo‘nalishda yuradi — bu Gradient Descent deb ataladi. Shunday qilib, model har safar “pastga qarab” yurib, minimal xato nuqtasini topadi. 📘 Nimalarni o‘rganasiz: 1️⃣ Qisman/Xususiy hosila va gradient o‘rtasidagi farq 2️⃣ Gradientning geometrik va intuitiv ma’nosi 3️⃣ AIda loss function qanday kamaytiriladi 4️⃣ Pythonda f(x,y)=x²+y² sirtida gradient maydonini chizamiz 💡 Gradient — bu o‘sish va o‘rganish yo‘nalishini ko‘rsatuvchi matematik kompas. 🤝 Video dars: YouTube havola 🖥️ Colab kod: Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tabiiy yozilgan, nutq va kodda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 2.1-dars: Funksiya va Hosila (Derivative) 🎯 Deep Learning Mathematics — @EldorML Hosila — bu o‘zgarish tezligini o‘lchovchi matematik usul. U funksiya qanday o‘sayotganini yoki kamayayotganini ko‘rsatadi. AI modellarida esa hosila (gradient) — xatoni kamaytirish yo‘nalishini bildiradi. 💠 Funksiya (Function) Har bir funksiya kiruvchi qiymat (x) va chiqish natijasi (f(x)) orasidagi bog‘lanishdir. Misol: f(x) = x² Bu funksiya x ortishi bilan kvadrat tarzda o‘sadi. 💠 Hosila (Derivative) Hosila — f(x) ning o‘zgarish tezligi: | Hosila qiymati | Ma’nosi | | ——————— | ————————————— | | f'(x) > 0 | Funksiya o‘smoqda | | f'(x) < 0 | Funksiya kamaymoqda | | f'(x) = 0 | Barqaror nuqta (max/min) | 💡 Hosila bu faqat matematik formula emas — u harakatning, o‘sishning va o‘zgarishning o‘lchovidir. 📉 Geometrik Ma’nosi (Slope Interpretation) Hosila — bu funksiya grafigidagi urinma chiziqning qiyaligi. Masalan: f(x) = x² → f'(x) = 2x * x = -1 → slope = -2 → pastga yo‘nalgan * x = 0 → slope = 0 → tekis * x = 1 → slope = 2 → yuqoriga yo‘nalgan 💠 AIdagi qo‘llanilishi Neyron tarmoqlarda hosila (gradient) — bu yo‘l ko‘rsatuvchi kompas. Model xatoni o‘lchaydi (loss), hosilasini hisoblaydi va gradient descent orqali teskari yo‘nalishda yurib xatoni kamaytiradi. 📘 Qayerda ishlatiladi: * 🏎 Fizika — tezlik va tezlanish hisobida * 💸 Iqtisodiyot — foyda o‘sish tezligi * 🤖 AI — Yo’qotish (loss) funksiyasini minimallashtirish 🎯 Xulosa: ✅ Hosila — o‘zgarish tezligi va yo‘nalishini ifodalaydi ✅ AIda hosila — o‘rganish va optimallashtirish asosi ✅ Har bir gradient — modelga “qayerga yurish kerak”ni aytadi 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda va code qismlarida xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

🎯 Eldor’s AI Labdan yangilik yaqinlashmoqda! Salom, do‘stlar! Tez orada startap bo‘yicha yangi turdagi kurs boshlanadi — bu O‘zbekistonda ilgari bo‘lmagan eksperimental formatda o‘tadi. 🎯 Kursning maqsadi — sizni startap jarayoniga yaqinlashtirish. Natijasi kafolatlanmagan😁: bu tajriba muvaffaqiyatli yakunlanishi ham, kutilmagan burilishlar bo‘lishi ham mumkin. Lekin eng muhimi — yo‘qotadigan hech narsa yo‘q, chunki muvaffaqiyat bo‘ladimi yoki yo‘qmi, har holda biz birgalikda o‘rganamiz. 💡 Eng faol ishtirokchilar uchun esa amaliyot yoki ish imkoniyatlari ham bo‘ladi. Albatta bu kursimizning qanday ketishiga bog’liq! 📘 Hozircha tafsilotlar sir bo‘lib qoladi va hammasi noyabrda (o’rtalarida) oshkor qilinadi. Bu vaqtda men sizlarga Deep Learning Mathematicsni o‘rgatishda davom etaman. Bu bilimlar sizning ushbu kursdagi rolingizga bevosita ta’sir qiladi. O‘rganishda davom eting va yangi bosqichga tayyor turing! @EldorML

📌 1.6-dars: Neural Networkdagi Linear Layers 🎯 Deep Learning Mathematics — @EldorML Har bir linear layer — bu fazoda vektorlarni buruvchi, cho‘zuvchi va siljituvchi qatlam. Bu oddiy matematik amal orqali neyron tarmoq ma’lumotlarni yangi fazoda tushunadi va murakkab holatlarni o‘rganadi. 💠 Linear Layer (Chiziqli qatlam) Formulasi: y = Wx + b Bu yerda W — burish va cho‘zish, b esa — siljitish rolini bajaradi. Har bir qatlam ma’lumotni yangi koordinatalar tizimiga o‘tkazadi. 📘 Qayerda ishlatiladi: - 🎨 Computer Vision — tasvir piksel vektorlarini yangi fazoga o‘tkazadi. - 💬 NLP — so‘z embeddinglarini ma’noli bog‘liqlik fazosiga o‘zgartiradi. - 🔊 Audio Processing — signal amplitudasini o‘zgartiradi yoki filtrlab beradi. 💠 Affine Transformation Bu — burish, cho‘zish va siljitishning kombinatsiyasi. Neyron tarmoqlarda har bir qatlam aslida affine transformation bajaradi. 💠 PyTorch bilan qisqa amaliy mashq:

import torch, matplotlib.pyplot as plt

linear = torch.nn.Linear(2, 2)
x = torch.tensor([[1., 0.], [0., 1.]])
y = linear(x)

W = linear.weight.detach().numpy()
b = linear.bias.detach().numpy()
X = x.numpy()
Y = y.detach().numpy()

plt.quiver([0,0],[0,0],X[:,0],X[:,1],color='blue')
plt.quiver([b[0],b[0]],[b[1],b[1]],Y[:,0]-b[0],Y[:,1]-b[1],color='red')
plt.title("Affine Transformation (PyTorch)")
plt.show()

🔵 Asl vektorlar — modelga beriladigan ma’lumot (rasm, audio) 🔴 O‘zgargan vektorlar — Wx + b natijasi 🎯 Xulosa: ✅ Linear layer — fazoda xarita yaratadi ✅ Affine transformation — Wx + b orqali geometrik o‘zgarish ✅ Har bir qatlam — yangi “ko‘z” bo‘lib, ma’noni yaxshiroq ko‘radi 👁️ 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda, code qismlarida xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 1.5-dars: Vector Space va Linear Combination 🎯 Deep Learning Mathematics — @EldorML Vektorlar fazosi, chiziqli kombinatsiya, span, basis va rank — bu butun Deep Learning matematikasining tayanchi. 💠 Vector Space (Fazo) Vektorlar fazosi — bu barcha vektorlar joylashgan dunyo. Har bir vektor bu fazodagi bir nuqta yoki yo‘nalish. Masalan, insonning balandligi va vazni (height, weight) jufti ham vektor bo‘lishi mumkin. Har bir yangi odam bu fazoda yangi nuqtani bildiradi. 📘 Qayerda ishlatiladi: Machine Learning modellari ma’lumotlarni vektor sifatida qabul qiladi. Har bir qatlam (layer) bu fazoda yangi o‘lcham yaratadi.

import numpy as np
v1, v2 = np.array([2, 3]), np.array([4, 1])
print(v1 + v2)   # vektorlarni qo‘shish
print(2 * v1)    # skalyar ko‘paytirish

📘 Natijada yangi vektorlar hosil bo‘ladi — fazo yopiq, ya’ni har bir o‘zgarish yana shu dunyo ichida qoladi. 💠 Linear Combination (Chiziqli kombinatsiya) Vektorlarni turli sonlarga ko‘paytirib, so‘ng qo‘shish orqali yangi vektor hosil qilamiz. Masalan, ikkita yo‘nalishni aralashtirib yangi yo‘nalish yaratish mumkin. 📘 Qayerda ishlatiladi: Regression modelida chiqish y aynan shunday kombinatsiya bilan hosil bo‘ladi — har bir xususiyat model parametri bilan birlashtiriladi.

import numpy as np
a, b = 1.5, 0.5
v1, v2 = np.array([2, 1]), np.array([1, 2])
print(a*v1 + b*v2)

📘 Har bir kombinatsiya modelga yangi yo‘nalish qo‘shadi — bu ma’lumotni boyitadi. 💠 Span (Qamrov) Span — bu berilgan vektorlar yordamida yetib borish mumkin bo‘lgan barcha nuqtalar to‘plami. Agar faqat bitta vektor bo‘lsa — siz faqat shu yo‘nalishda harakatlanasiz. Ikkita mustaqil vektor bo‘lsa — siz butun tekislikni qamrab olasiz. 📘 Qayerda ishlatiladi: Neural networklarda aktivatsiya fazosi (activation space) — bu aynan vektorlar spani. Model qanchalik katta span hosil qilsa, u shunchalik ko‘p ma’noni ifodalay oladi.

import itertools, numpy as np
v1, v2 = np.array([1,0]), np.array([0,1])
points = [a*v1 + b*v2 for a,b in itertools.product(range(-2,3), repeat=2)]
print(points[:5])

📘 Masalan, (1,0) va (0,1) vektorlari yordamida siz butun tekislikdagi istalgan nuqtani hosil qilasiz — bu R² fazo. 💠 Basis (Asos) Basis — bu fazoni to‘liq ifodalash uchun zarur bo‘lgan minimal vektorlar to‘plami. Agar fazo R² bo‘lsa, unga ikki mustaqil vektor yetarli. 📘 Qayerda ishlatiladi: PCA (Principal Component Analysis) algoritmida ma’lumot yangi asosiy yo‘nalishlarga o‘tkaziladi. Ya’ni eski basisdan yangi, samaraliroq basisga o‘tamiz. 💠 Linear Independence (Mustaqillik) Vektorlar bir-birining kombinatsiyasi bilan ifodalanmasa — ular mustaqil hisoblanadi. Agar biri boshqasining ko‘paytmasi bo‘lsa, ular bog‘liq. 📘 Qayerda ishlatiladi: Feature selection jarayonida redundant (takroriy) xususiyatlarni aniqlashda. Model faqat mustaqil xususiyatlar bilan yaxshiroq o‘rganadi. 💠 Rank (Daraja) Rank — bu nechta vektor bir-biridan chiziqli mustaqil ekanini bildiradi. Bu matritsaning haqiqiy o‘lchamini aniqlaydi. 📘 Qayerda ishlatiladi: Neural network’larda rank tahlili qatlamning foydali o‘lchamini aniqlashda yordam beradi. Data compression (SVD, PCA) jarayonlarida ham rank asosida ma’lumot siqiladi.

import numpy as np
A = np.array([[1,2,3],[0,1,4],[0,0,0]])
print("Rank:", np.linalg.matrix_rank(A))

📘 Rank modeldagi haqiqiy ma’noli yo‘nalishlar sonini ko‘rsatadi — bu fazoning o‘lchami. 🎯 Xulosa: ✅ Vector Space — vektorlar joylashgan fazo ✅ Linear Combination — vektorlarni aralashtirish ✅ Span — fazoni qamrab olish ✅ Basis — minimal mustaqil yo‘nalishlar ✅ Linear Independence — takrorlanmaydigan yo‘nalishlar ✅ Rank — haqiqiy o‘lcham va foydali yo‘nalishlar soni 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 1.4-dars: Matritsa — o‘zgarish vositasi 🎯 Deep Learning Mathematics @EldorML Bugungi darsda biz matritsa yordamida koordinatalarni va rasmni o‘zgartirish tushunchasini o‘rganamiz. Bu mavzu geometriya va neyron tarmoqlarning matematik asosi hisoblanadi. 💠 Scaling (cho‘zish)

import numpy as np
scale = np.array([[1.3, 0], [0, 1.3]])
print(scale @ np.array([2, 3]))

📘 Rasm yoki vektorni 30% kattalashtiradi. 💠 Rotation (aylantirish)

rotate = np.array([[0, -1], [1, 0]])
print(rotate @ np.array([2, 1]))

📘 90° ga buradi. CNNdagi filtrlar ham shu kabi matritsa o‘zgarishlarga asoslanadi. 💠 Shearing (qiyshatish)

shear = np.array([[1, 0.4], [0, 1]])
print(shear @ np.array([2, 1]))

📘 Shaklni qiya holatga keltiradi. 💠 Formulasi: ( y = Wx + b ) — har bir neyronning asosiy o‘zgarish modeli. 📘 Deep Learning qatlamlari aynan shu matritsa ko‘paytmasi orqali ma’lumotni yangi fazoga o‘tkazadi. 🎯 Xulosa: ✅ Matritsa — o‘zgarish vositasi ✅ CNN — bu matritsa o‘zgarishlarining neyronlardagi versiyasi 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML

📌 1.3-dars: Masofa va O‘xshashlik — Deep Learning Mathematics 📏 Cosine similarity, proyeksiya, embedding va masofa turlari @EldorML Bugungi darsda vektorlar orasidagi masofa va o‘xshashlik tushunchalarini o‘rganamiz. Bu mavzu embeddinglar, matn o‘xshashligi, klasterlash va rekomendatsiya tizimlari uchun asosiy poydevor hisoblanadi. 💠 Euclidean va Manhattan masofalari

import numpy as np
p = np.array([2,3])
q = np.array([5,7])

print('Euclidean:', np.linalg.norm(p-q))
print('Manhattan:', np.sum(np.abs(p-q)))

📘 Euclidean — to‘g‘ri chiziqli masofa. 📘 Manhattan — bloklar bo‘yicha harakat (shahar yo‘li). 💠 Cosine similarity

A = np.array([2,0])
B = np.array([1,1])
cos_sim = np.dot(A,B) / (np.linalg.norm(A)*np.linalg.norm(B))
print('Cosine Similarity:', round(cos_sim,3))

📘 Burchak asosida o‘xshashlikni o‘lchaydi. 🧠 ML va NLPda — ma’nodagi yaqinlikni aniqlash uchun ishlatiladi. 💠 Proyeksiya (Projection)

A = np.array([2,1])
B = np.array([3,0])
proj = (np.dot(A,B)/np.dot(B,B))*B
print('Projection of A on B:', proj)

📘 Bir vektorning boshqasiga “soya”sini hisoblaydi. 🧠 Bu geometrik tushuncha Cosine similarity bilan chambarchas bog‘liq. 💠 Embedding bilan bog‘lanish > “king” − “man” + “woman” ≈ “queen” > 📘 So‘zlar, rasmlar yoki tovushlar embedding sifatida vektorlarga aylantiriladi. > Masofa va o‘xshashlik — ularning ma’nosini tahlil qilishning asosi. 🎯 Xulosa: ✅ Euclidean — to‘g‘ri masofa ✅ Manhattan — blokli masofa ✅ Cosine — yo‘nalish o‘xshashligi ✅ Projection — vektorlarning soya ta’siri ✅ Embedding — ma’noni raqamli fazoda ifodalash 🤝 Video dars: 🎥 YouTube havola 🖥️ Colab kod: 📂 Colab havola 📘 Kursdagi barcha darslar: Kursga havola 🚨 Videolar tayyorgarliksiz yozilgan, nutqda xatolar bo‘lishi mumkin. Uzr so‘rayman 🙏 @EldorML