Eldor’s AI Lab

📢 3.3 Association Rule Mining — Apriori va FP-Growth algoritmlari — @EldorML 📡 🧠 Association Rule Mining — bu ML texnikasi bo‘lib, ma’lumotlar bazasida yashirin bog‘liqliklarni topadi. Ayniqsa market basket analysis (savat tahlili) uchun muhim. 🛒 Misol: "Agar mijoz non olgan bo‘lsa, u odatda sariyog‘ ham oladi." ➤ Bunday qoida orqali mahsulotlar joylashuvi, aksiyalar, tavsiya tizimlari optimallashtiriladi. 📌 Qayerda qo‘llaniladi? 🔹 E-commerce (Amazon, AliExpress) → “bu mahsulot bilan birga bu ham sotib olingan” 🔹 Food delivery (Zomato, Swiggy) → mashhur combo setlar 🔹 Tavsiya tizimlari (Netflix, Spotify) → kontent bog‘liqliklari 🔹 Fintech (bank ilovalari) → xarajatlar asosida xizmatlar tavsiyasi 🔄 Apriori algoritmi — klassik va intuitiv yondashuv 🧩 Ishlash bosqichlari: 1️⃣ Har bir mahsulot necha marta uchraganini aniqlaydi (support) 2️⃣ Kam uchraydigan mahsulotlarni olib tashlaydi 3️⃣ Faqat ko‘p uchraydiganlardan juftliklar hosil qiladi 4️⃣ Kichik to‘plam kam uchrasa, undan yasalgan katta to‘plamni ham olib tashlaydi 5️⃣ Uchlik, to‘rtliklar kabi katta kombinatsiyalar hosil qiladi 6️⃣ Har bir kombinatsiyadan "A bo‘lsa, B ham bo‘ladi" qoidasi chiqariladi 🧠 Metrikalar: ✔️ Support — mahsulot necha marta uchradi ✔️ Confidence — A bo‘lsa, B qanchalik ehtimol bilan chiqadi ✔️ Lift — A va B tasodifan emas, bog‘liq holda uchrash ehtimoli 📉 Kamchiligi: katta ma’lumotlar uchun juda sekin, chunki kombinatsiyalar ko‘p va ma’lumotlar bazasini bir necha marta ko‘zdan kechiradi. 🌲 FP-Growth algoritmi — tezroq va samaraliroq alternativ ⚡ Farqli jihatlari: ✅ Mahsulotlar FP-Tree nomli daraxt tuzilmasida siqilgan holda saqlanadi ✅ Kombinatsiyalar hosil qilinmaydi — daraxt ichidan tezda olinadi ✅ Ma’lumotlar bazasi faqat 1 marta ko‘riladi 🎯 Daraxt orqali "shartli o’xshashliklar” ajratiladi ➤ Har bir mahsulot uchun uning yo‘li (Conditional Pattern Base) olinadi ➤ Bu yo‘llardan yangi, faqat tegishli mahsulotlardan iborat daraxt (Conditional FP-Tree) quriladi ➤ Har bir daraxtdan foydali qoidalar chiqariladi (K → Y, Y → K va h.k.) 📊 FP-Growth orqali ko‘p skanersiz, kam resurs bilan yuqori natija olinadi. 🎯 Qachon qaysi biri? 🔹 Dataset kichik, tushunarlilik muhim → Apriori 🔹 Dataset katta, tezlik muhim → FP-Growth ✅ Xulosa: Har ikki algoritm — tavsiya tizimlari, bozor tahlili, foydalanuvchi xatti-harakatini o‘rganishda kuchli vositadir. FP-Growth — katta ma’lumotlar uchun ancha tez va samarali, ammo Apriori o‘rganish uchun juda yaxshi. 📖 To‘liq maqola: EldorML blogida @EldorML

📢 [Foydali] AI Engineerlar uchun foydali kutubxona alternativalari! @EldorML Quyidagi zamonaviy kutubxonalar an’anaviy kutubxonalarga kuchli muqobil bo‘la oladi: 🐼 Pandas → 🧊 Polars Polars Rustda yozilgan va multithreaded hisoblashni qo‘llab-quvvatlaydi. Katta ma’lumotlar bilan ishlashda tezroq va xotira sarfi kamroq. 🔢 NumPy → ⚡ Numba Numba – Python kodlarini just-in-time kompilyatsiya qiladi. Bu ayniqsa ko‘p siklli vazifalar uchun tez ishlaydi. GPU bilan ham ishlay oladi! 🧠 TensorFlow → 🧮 JAX JAX – tez, moslashuvchan va avtomatik hosila olish imkoniyatiga ega. XLA ustida qurilgan va ML loyihalari uchun juda qulay. 📊 Matplotlib → 🌐 Bokeh Bokeh – interaktiv, webga tayyor grafikalar yaratadi. JavaScript asosida ishlaydi va real vaqt rejimida chiroyli vizualizatsiyalar beradi. 🌲 XGBoost → 🍃 LightGBM LightGBM – xotira sarfi kam, katta datasetlar bilan samarali ishlaydi va histogramma asosidagi o‘qitishni taklif etadi. 🔥 PyTorch → ✅ Faqat PyTorch! Bu yerda hech nima o‘zgartirmang – PyTorch eng zo‘ri! @EldorML

📢 [Foydali] Data, AI va ML sohalaridagi kasblar! @EldorML Qaysi biri sizga mos? 👇 📊 Data Analyst – mavjud ma’lumotlarni tahlil qilib, qarorlar qabul qilishga yordam beradi. 🔧 Ko‘nikmalar: SQL, Excel, Vizualizatsiya 🛠 Vositalar: Tableau, Power BI, Qlik Sense, Excel, SQL, ba'zan Python (Pandas kutubxonasi bilan) 📈 Data Scientist – ML va statistik modellardan foydalangan holda bashoratlar qiladi. 🔧 Ko‘nikmalar: Python, ML, Statistika 🛠 Vositalar: Python (Pandas, NumPy, Scikit-learn, TensorFlow, PyTorch), R, Jupyter Notebooks, SQL, Apache Spark (katta ma'lumotlar uchun). 💼 Business Analyst – kompaniyaning biznes jarayonlarini chuqur tahlil qilib, samaradorlikni oshirish bo‘yicha taklif va yechimlar ishlab chiqadi. 🔧 Ko‘nikmalar: Modellash, Aloqa, Muammolarni hal qilish 🛠 Vositalar: MS Office Suite (Excel, Word, PowerPoint, Visio), Jira, Confluence, Diagramma vositalari (masalan, Lucidchart, Draw.io) 🤖 ML Engineer – ML modellarini ishlab chiqadi va ishlab chiqarishga joriy qiladi. 🔧 Ko‘nikmalar: ML, ETL, Dasturlash (Python/Java), MLOps, AWS/GCP/Azure 🛠 Vositalar: Python, Docker, Kubernetes, Apache Spark, Hadoop ekotizimi, MLFlow, Kubeflow, Cloud ML xizmatlari (AWS SageMaker, Google Vertex AI, Azure ML), CI/CD vositalari (Jenkins, GitLab CI) 🧠 GenAI Engineer – generativ AI modellarni yaratadi va avtomatlashtirish uchun xizmat qiladi. 🔧 Ko‘nikmalar: Python, HuggingFace, LangChain, NLP, LLM, Prompt Engineering 🛠 Vositalar: Python, PyTorch/TensorFlow, HuggingFace Transformers, LangChain, Vector Databases (masalan, Pinecone, Chroma, Weaviate), Bulutli AI platformalari, turli LLMlar (GPT, Claude, LLaMA va hk). @EldorML

📢 Principal Component Analysis – Amaliy Dars! @EldorML 📡 📊 PCA tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: PCA 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 [Yangilik] DeepSeek-Prover-V2: Rasmiy matematik isbotlashda yangi davr! 📄 DeepSeek AI jamoasi Lean 4 asosida ishlaydigan DeepSeek-Prover-V2 modelini ochiq manba sifatida e'lon qildi. U subgoal decomposition (kichik maqsadlarga ajratish) va reinforcement learning orqali murakkab teoremalarning isbotini avtomatlashtiradi. 🧠 Asosiy yangiliklar: 🔸 Prover modeli 671B parametrga ega 🔸 ProverBench nomli yangi benchmark – 325 ta rasmiylashtirilgan AIME, algebra, analiz va ehtimollar nazariyasiga oid masalalar bilan 🔸 Model Lean 4 tilida formal proof yaratadi va model HuggingFace orqali mavjud ⚙️ Kodni qanday ishlatish:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "deepseek-ai/DeepSeek-Prover-V2-7B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True)

📦 Modelni ishlatish: 🔗 Model: DeepSeek-Prover-V2-671B P.S: Bu model matematika, rasmiy isbot va AI sohasidagi tadqiqotchilar uchun foydali! @EldorML

📢 3.2 O‘lchamlarni qisqartirish: PCA, t-SNE, Autoencoder — @EldorML 📡 🧠 Dimensionality Reduction — bu ko‘p o‘lchamli ma’lumotlardagi eng muhim xususiyatlarni ajratib olish va qolganlarini tashlab yuborish orqali soddalashtirish texnikasi. 🚨 O‘lchamlar la’nati (Curse of Dimensionality): ➤ Juda ko‘p xususiyatlar → ⏳ Model sekinlashadi 💾 Saqlash hajmi ortadi 🎯 Overfitting xavfi kuchayadi 🎯 Dimensionality Reduction (O’lchamlarni qisqartirish) nima beradi? 📌 Tezroq va yengillashtirilgan ishlov 📌 Vizualizatsiyani soddalashtirish 📌 Model sifatini oshirish 📌 Klaster va strukturani ko‘rish 1️⃣ PCA (Principal Component Analysis) 📈 Chiziqli, tez va variansni maksimal darajada saqlab qoluvchi usul. ✅ Asosiy komponentlarni topib, eng muhim yo‘nalishlarga proyeksiya qiladi. 💡 Oddiy ma’lumotlar uchun ideal. 2️⃣ t-SNE (T-distributed Stochastic Neighbor Embedding) 🌌 Nonlinear (notekis) usul bo‘lib, lokal yaqinliklarni saqlaydi. 🎨 Klaster va ichki tuzilmani 2D/3D ko‘rinishda ko‘rsatadi. 💡 Vizualizatsiya uchun juda foydali. 3️⃣ Autoencoder 🧬 Neyron tarmoq asosidagi moslashuvchan usul. 🔁 Encoder → siqish 🔁 Decoder → qayta tiklash 🎯 O‘z-o‘zini o‘rganadi va shovqinni kamaytiradi. 💡 Murakkab va katta hajmdagi ma’lumotlar uchun zo‘r. ⚖️ Qachon qaysi biri kerak? 🔹 Oddiy va chiziqli ma’lumotmi? → PCA 🔹 Klasterlar va strukturani vizual ko‘rmoqchimisiz? → t-SNE 🔹 Shovqinli yoki murakkab ma’lumotlarmi? → Autoencoder 📖 To‘liq maqola: EldorML blogida 📡 @EldorML

📢 [Yangilik] NVIDIA, HPE va OpenACC — End-to-End LLM Bootcampga start beradi! 🎯 Maqsad: NVIDIA texnologiyalari yordamida real loyihalar asosida katta til modellari (LLM)ni yaratish, o‘rgatish va joylashtirishni o‘rganish. 💡 Bootcamp quyidagilarni taklif qiladi: 🧹 SQuAD ma’lumotlarini LLM uchun tayyorlash 🧠 BERT modelida fine-tuning 📝 NVIDIA NeMo va Megatron bilan prompt learning ⚙️ TensorRT bilan LLM optimizatsiyasi 🛡️ NeMo Guardrails bilan xavfsiz javoblar boshqaruvi 🚀 Triton Inference Server bilan AI pipeline deployment ✨ GTC 2025 yangiliklari: Llama Nemotron, Dynamo va TensorRT-LLM deep-dive sessiyalari 📅 Sana: 🗓 1-kun: 2025-yil 21-may, 13:00-17:00 (KST) 🗓 2-kun: 2025-yil 22-may, 10:00-17:00 (KST) ⏳ Ariza topshirish muddati: 2025-yil 6-may 💻 Format: Onlayn (Zoom va Slack orqali) ⚡️ NVIDIA GPU klasteriga kirish imkoniyati taqdim etiladi 🔗 Batafsil va ro‘yxatdan o‘tish: NVIDIA HPE Korea End-to-End LLM Bootcamp @EldorML

📢 K-means Clustering – Amaliy Dars! @EldorML 📡 📊 K-means Clustering tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: K-means modeli 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 3.1 Klasterlash algoritmlari: K-Means, GMM, DBSCAN – @EldorML 📡 🧠 Unsupervised Learning — bu ML usuli bo‘lib, model labelsiz (y qiymati mavjud emas) ma’lumotlar bilan ishlaydi. Bu yo‘nalishda klasterlash eng asosiy texnikalardan biridir. Maqsad: ma’lumotlar ichidagi yashirin guruhlarni, o’xshashliklarni aniqlash. 🚀 Klasterlash nima qiladi? 📌 O‘xshash obyektlarni guruhlaydi 📌 Anomaliyalarni aniqlaydi 📌 Ma’lumotni vizual va tahliliy jihatdan soddalashtiradi 1️⃣ K-Means Clustering 🎯 Har bir nuqta eng yaqin centroid ga biriktiriladi 🔁 Centroidlar iteratsiya orqali yangilanadi 📦 Sferik va teng tarqalgan klasterlar uchun juda samarali ✅ Afzalliklari: - Juda tez va oson - Katta datasetlar bilan yaxshi ishlaydi ❌ Kamchiliklari: - Klaster sonini oldindan tanlash kerak - Shovqinli ma’lumotlarga sezgir 2️⃣ GMM (Gaussian Mixture Model) 🧬 Har bir nuqta bir nechta klasterga ehtimol asosida tegishli bo‘ladi 📐 Klasterlar eliptik shaklda bo‘lishi mumkin ✅ Afzalliklari: - Yumshoq (soft) ajratish: har bir nuqta uchun ehtimollar - Statistika asosidagi yondashuv ❌ Kamchiliklari: - Hisoblash murakkab - Klaster soni kiritilishi shart 3️⃣ DBSCAN (Density-Based Spatial Clustering) 🧱 Zichlik asosida guruhlaydi 🚫 Outlierlar avtomatik shovqin (noise) deb belgilanadi 📦 Klasterlar erkin shaklga ega bo‘lishi mumkin ✅ Afzalliklari: - Klaster sonini kiritish shart emas - Shovqin va murakkab shakllarda yaxshi ishlaydi ❌ Kamchiliklari: - eps va MinPts qiymatlari sezgir - Turli zichlikdagi klasterlarda xatolik bo‘lishi mumkin ⚖️ Qachon qaysi biri kerak? 🔹 Tezlik va oddiylik kerakmi? → K-Means 🔹 Ma’lumot murakkab va qamrab olinganmi? → GMM 🔹 Shakllar erkin va outlierlar ko‘pmi? → DBSCAN 📖 To‘liq maqola: Maqolaning to‘liq shakli @EldorML

📢 Gradient Boosting – Amaliy Dars! @EldorML 📡 📊 Gradient Boosting tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: Gradient Boosting modeli 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 [Sharh] Eng mashhur sun’iy intellekt vositalari nimalarga qodir? ⭐️ – Eng kuchli ✅ – Bor ❌ – Yo‘q 📌 Qaysi AI vositasi sizga mosligini aniqlash uchun ushbu jadvaldan foydalanishingiz mumkin! @EldorML

📢 2.4.2 Boosting: GradientBoosting, XGBoost, LightGBM, CatBoost – @EldorML 📡 🤖 Boosting — bir nechta oddiy modellarni (weak learners) birlashtirib, kuchli model yaratadigan mashhur ML usuli! Bu usulda har bir keyingi model oldingi modelning xatolarini tuzatishga harakat qiladi. Shuning uchun Boosting algoritmlari ketma-ket o‘rganadi. Bu orqali modelning aniqligi bosqichma-bosqich ortib boradi. Boosting ayniqsa klassifikatsiya va regressiya muammolarida zo‘r natijalar beradi. ⚙️ Mashhur Boosting turlari: 1️⃣ Gradient Boosting 📌 Asosiy va klassik usul 📌 Soddaligi bilan oson sozlanadi 2️⃣ XGBoost ⚡ eXtreme Gradient Boosting ⚡ Regularization, pruning va GPU bilan kuchli ishlaydi 3️⃣ LightGBM 🚀 Juda tez, xotiradan samarali foydalanadi 🚀 Katta datasetlar uchun ajoyib tanlov 4️⃣ CatBoost 🐱 Kategorik xususiyatlar uchun maxsus 🐱 Preprocessing talab qilmaydi, SHAP bilan tushunarli 📊 Taqqoslash (qisqacha): 🔹 Tezlik kerakmi? → LightGBM 🔹 Kategorik ustun ko‘pmi? → CatBoost 🔹 Aniqlik muhimmi? → XGBoost 🔹 Soddalik izlayapsizmi? → Gradient Boosting 🏁 Xulosa: Boosting algoritmlari MLdagi eng samarali usullardan biri. Har birining o‘ziga xos kuchli jihatlari bor — vazifangizga qarab eng to‘g‘ri variantni tanlang! 📖 To‘liq maqola: Maqolaning to’liq shakli @EldorML

📢 Random Forest (RF) – Amaliy Dars! @EldorML 📡 📊 RF tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: RF modeli 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 2.4.1 Bagging – @EldorML 📡 👥 Ensemble Learning – bu bir nechta modelni birlashtirib, kuchli natijaga erishish strategiyasi! Bagging (Bootstrap Aggregating) esa ushbu yondashuvning eng mashhur usullaridan biri 💪 🌱 Bagging nima? Bagging — bu tasodifiy tanlangan ma’lumot bo‘laklarida bir xil modelni (masalan, decision tree) mustaqil o‘qitib, ularning natijalarini ko‘pchilik ovozi orqali birlashtirish usuli. 🎯 🔄 Bagging qanday ishlaydi? 1️⃣ O’qitish ma’lumotlaridan tasodifiy namunalar olinadi (bootstrap sampling) 2️⃣ Har bir namunada model (masalan, daraxt) alohida o‘qitiladi 3️⃣ Har bir model mustaqil bashorat qiladi 4️⃣ Klassifikatsiyada — ko‘pchilik ovozi 🗳 5️⃣ Regressiyada — o‘rtacha qiymat 📉 6️⃣ Natijalar birlashtirilib yakuniy bashorat chiqadi 🌲 Random Forest nima aloqasi bor? Random Forest — bu Bagging + Decision Trees + Tasodifiy xususiyat tanlash kombinatsiyasi. Har bir daraxt o‘z “fikrini” bildiradi, natija esa “ko‘pchilikning fikri” bilan belgilanadi 🧠 🧪 Misol: Do‘stlaringizdan sayohat joyi haqida so‘rayapsiz. Kimdir Seul, kimdir Toshkent, kimdir Tokio deydi. Siz esa ko‘pchilik aytgan joyga borasiz ✈️ Bagging ham aynan shunday ishlaydi. 🏆 Afzalliklari: ✅ Overfittingni kamaytiradi ✅ O‘zgaruvchanlikni pasaytiradi ✅ Noodatiy ma’lumotlarga chidamli ✅ Parallel o‘qitish mumkin ✅ Oddiy, tushunarli va kuchli 📖 To‘liq maqola: Maqolaning to‘liq shakli ⚙️ Pythonda Bagging (sklearn bilan):

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# Ma'lumotlarni yuklash
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Modelni yaratish va o'qitish
base_model = DecisionTreeClassifier()
bagging = BaggingClassifier(base_estimator=base_model, n_estimators=10, random_state=42)
bagging.fit(X_train, y_train)

# Natija
print("Model aniqligi:", accuracy_score(y_test, bagging.predict(X_test)))

@EldorML

📢 Naive Bayes (NB) – Amaliy Dars! @EldorML 📡 📊 NB tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: NB modeli 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 [Yangilik] Anthropic — Claude for Education dasturini ishga tushirdi! 🎓 Anthropic kompaniyasi Claudeni universitetlarga mas'uliyat bilan joriy etishda yordam beradi. 💡 Dastur quyidagilarni o‘z ichiga oladi: 👨‍🎓 Talabalar uchun: - 🎓 Claude Campus Ambassador – universitetda Claudeni targ‘ib qiling, tadbirlar tashkil qiling va sovg’alar qo’lga kiriting. 🔗 Ariza: Claude Campus Ambassador dasturi - 🛠 Student Builder – Claude asosida loyiha yaratayotgan talabalar uchun bepul API kreditlari. 🔗 Ariza: Student Builder dasturi 👩‍🏫 O‘qituvchilar va xodimlar uchun: - Akademik va ma’muriy xodimlar uchun kengaytirilgan kirish - 🧪 Tadqiqotchilar uchun maxsus API kreditlari - 📚 Trening va texnik yordam 🧠 Learning Mode – talabalarni chuqur o‘rganishga undaydigan, javob bermasdan yo‘naltiruvchi AI yordamchi. 🎯 Maqsad – tanqidiy fikrlashni rivojlantirish va AIni ta’limda xavfsiz tarzda qo‘llash. 🔗 Batafsil: Claude for Education @EldorML

📢 [Yangilik] OpenAI — OpenAI Academyni ishga tushirdi! 🎯 Maqsad: past va o‘rta daromadli mamlakatlardagi dasturchilar va tashkilotlarga AI orqali jamoaviy muammolarni hal qilishda yordam berish. 💡 Dastur quyidagilarni taklif qiladi: 🔧 Trening va texnik ko‘mak 💰 $1M API krediti 🌐 Global hamjamiyat 🚀 Tanlov va inkubatorlar 🌍 AIni sog‘liqni saqlash, ta’lim, qishloq xo‘jaligi kabi sohalarda qo‘llab, barqaror rivojlanishga xizmat qilish! 🔗 Batafsil: OpenAI Academy @EldorML

📢 2.3.5 Naive Bayes – @EldorML 📡 🤖 ML algoritmlarining eng sodda va samarali usullaridan biri – Naive Bayes! Naive Bayes — bu Bayes teoremasiga asoslangan ehtimollik modeli bo‘lib, sinflarni ehtimollar orqali aniqlaydi. Soddaligi va samaradorligi bilan u spam filtrlashdan tortib tibbiy tashxisgacha keng qo‘llaniladi. 🧠 Asosiy tushunchalar: 🔹 “Naive” faraz: Har bir xususiyat boshqalardan mustaqil deb qabul qilinadi 🔹 Bayes teoremasi: P(y | X) ≈ P(y) * P(X | y) 🔹 Ehtimollar: Prior (P(y)), likelihood (P(X | y)) va posterior (P(y | X)) orqali qaror qilinadi ⚙️ Naive Bayes qanday ishlaydi? 1️⃣ Sinflar uchun umumiy ehtimollar (prior) hisoblanadi: P(Ha), P(Yo‘q) 2️⃣ Har bir xususiyat uchun shartli ehtimollar (likelihood) aniqlanadi: P(xᵢ | y) 3️⃣ Har bir sinf uchun barcha ehtimollar ko‘paytiriladi 4️⃣ Eng katta ehtimollikdagi sinf natija sifatida tanlanadi ✅ 🔬 Naive Bayes turlari: 1️⃣ Gaussian Naive Bayes – Uzluksiz ma’lumotlar uchun (normal taqsimot) 2️⃣ Multinomial Naive Bayes – So‘z takrorlanish darajasi asosida (matn tasnifi uchun) 3️⃣ Bernoulli Naive Bayes – Ikkilik (bor/yo‘q) xususiyatlar uchun 4️⃣ Complement Naive Bayes – Muvozanatsiz datasetlar uchun 🏆 Afzalliklari: ✅ Juda sodda va tez ishlaydi ✅ Kichik datasetlar bilan ham yaxshi natijalar beradi ✅ Matn tasnifi (spam, sentiment) uchun ideal ⚠️ Kamchiliklari: ❌ Xususiyatlar mustaqil bo‘lishi haqiqiy holatlarda har doim ham to‘g‘ri emas ❌ “Zero probability” muammosi yuzaga kelishi mumkin ❌ Murakkab bog‘liqliklarni aniqlashda unchalik kuchli emas 💡 Maslahatlar: 🔹 Zero probabilitydan saqlanish uchun Laplace smoothing qo‘llang 🔹 Complement NB – muvozanatsiz datasetlar uchun 🔹 Multinomial yoki Bernoulli NB – matn asosidagi tasnif uchun 📖 To‘liq maqola: Maqolaning to‘liq shakli @EldorML

📢 K-Nearest Neighbors (KNN) – Amaliy Dars! @EldorML 📡 📊 KNN tushunchasini kod yordamida o‘rganamiz! 📌 Python va Google Colab yordamida amaliy darsni bajaramiz! 📺 🎥 Video darsni tomosha qiling: 👉 YouTube: KNN modeli 📜 Google Colabda ishlash uchun kod 🔗 Kodga havola: Google Colab ⚡ Agar tushunarsiz joylar yoki savollaringiz bo‘lsa, izohda qoldiring! 😊 🚨 Videolar hech qanday tayyorgarliksiz qilinmoqda. Shuning uchun nutqda tutilishlar ko'p uchraydi. Buning uchun uzr so'rayman. @EldorML

📢 2.3.4 K-Nearest Neighbors (KNN) – @EldorML 📡 📚 ML algoritmlarining eng oddiy va eng tushunarli usullaridan biri – KNN! K-Nearest Neighbors — bu yangi nuqtani unga eng yaqin K ta qo‘shnining sinfiga qarab tasniflaydigan algoritm. 🔍 KNN asosiy tushunchalari 🔹 “Neighbors” – yangi nuqtaga eng yaqin ma’lumotlar (qo’shnilar) 🔹 “K” – eng yaqin nechta nuqtaga qaraladi 🔹 Masofa – nuqtalar orasidagi yaqinlikni aniqlaydi (odatda Euclidean distance ishlatiladi) ⚙️ KNN qanday ishlaydi? 1️⃣ “K” qiymati belgilanadi (masalan, K=3) 2️⃣ Yangi nuqta va barcha ma’lumotlar orasidagi masofa hisoblanadi 3️⃣ Eng yaqin K ta qo‘shni tanlanadi 4️⃣ Ko‘pchilik ovozi asosida tasniflanadi (classification) yoki o‘rtacha qiymat olinadi (regression) 🧱 Qaror chegaralari (Decision Boundaries) 📍 Qaror chegaralari – sinflar o‘rtasidagi ajratuvchi chiziqlar 📈 KNNda bu chiziqlar ma’lumotlar joylashuvi va K qiymatiga qarab shakllanadi 📉 K=1 bo‘lsa – chegaralar murakkab va taa’sirchan 🧽 K katta bo‘lsa – chegaralar silliq va umumlashtirilgan 🏆 KNN afzalliklari ✅ Oson tushuniladi va tez ishlaydi ✅ Model qurish talab qilinmaydi (lazy learner) ✅ Klassifikatsiya va regressiyada ishlaydi ⚠️ Kamchiliklari ❌ Katta datasetlarda sekinlashadi ❌ “Curse of dimensionality” ta’sir qiladi ❌ Overfitting va underfitting muammolari K ga bog‘liq 📌 Maslahat: K ni to‘g‘ri tanlang! 🔹 K=1 → haddan tashqari moslashish (overfitting) 🔹 K juda katta → umumiylashuv, ammo aniqlik yo‘qoladi (underfitting) 📖 Mavzu bo‘yicha to‘liq maqola: Maqolaning to’liq shakli 👉 @EldorML