Modelim 99.9% aniqlik berdi. Bitta ham firibgarni topmadi.

Men buni o'z vaqtimda bilmaganim uchun bir hafta yo'qotganman. Kitoblar shu xil narsalar haqida: qaysi raqam aldaydi, qachon va nega.

Oltita kitob, 174 bob, hammasi ochiq. Har bir grafik va har bir raqam bajarilgan koddan olingan.

Kitoblarni ochish Kurs haqida

Bitta model uchun ikkita grafik: chapda ROC chizig'i AUC 0.955, o'ngda precision-recall chizig'i AP 0.234. — Bitta model, bitta ma'lumot. ROC chizig'i AUC 0.955 ko'rsatadi, PR chizig'i esa AP 0.234. Ikkisi ham to'g'ri — lekin faqat bittasi sizga modelning foydasizligini aytadi.
ML Kitob · 8-bob · figures/08_roc_pr.png

O'lchov mening taxminimni bir necha marta rad etdi. O'chirmadim.

Darslikda hamma narsa ishlaydi. Haqiqiy ishda ishlamaydi. Quyidagilar kitob yozilayotganda men adashgan joylar — sabab va raqam bilan qoldirilgan.

Taxmin 01

CNN rasmda dense tarmoqdan har doim ustun chiqadi

0.9778 vs 0.9759

Ikki qator raqam rasmlari: yuqori qatorda asl markazlashgan raqamlar, quyi qatorda bir necha piksel siljitilgan holati.

Markazlashgan raqamlarda ikkala model deyarli teng chiqdi — farq 0.2%. CNN faqat yuqoridagidek rasm siljiganda ustun keldi. Demak CNN ning kuchi "chuqurroq" bo'lgani emas, siljishga bardoshliligida.

ML Kitob · 33-bob figures/33_siljish.png yuqori qator: asl quyi qator: siljitilgan

Taxmin 02

Transformer TF-IDF dan kuchli

Mijoz xabarlarini tasniflashda oddiy TF-IDF yuqori natija berdi. Matn qisqa va lug'at tor bo'lsa, katta model foyda bermaydi.

0.9920 vs 0.9040

Taxmin 03

Ustun tartibi natijaga ta'sir qiladi

ColumnTransformer ustunni nomi bo'yicha oladi. Tartibni to'rt marta aralashtirdim, natija to'rttasida ham bir xil.

1.0000 mos keldi

O'qib ishonmang. O'zingiz ishga tushiring.

Kitobdagi har bir kod bloki nusxa olinadi, ma'lumot fayllari esa yuklab olinadi. Kodni o'z kompyuteringizda ishga tushiring — kitobdagi raqam chiqmasa, menga yozing.

Pastdagi model 99.9% aniqlik oladi va hech kimni firibgar demaydi. Shuning uchun accuracy ga qarab qaror qilinmaydi.

metrikalar.py

import numpy as np
from sklearn.metrics import accuracy_score, recall_score

y = np.zeros(10000, dtype=int)
y[:10] = 1                    # 10 000 dan 10 tasi firibgarlik
bashorat = np.zeros(10000, dtype=int)   # hammaga "toza"

print("accuracy :", round(accuracy_score(y, bashorat), 3))
print("recall   :", round(recall_score(y, bashorat), 3))

accuracy : 0.999 recall : 0.0

Oltita kitob. 174 bob. Login ham, to'lov ham yo'q.

O'ngda — kitob kodi bilan birga yuklab olinadigan ma'lumot fayllari.

ML Kitob Baseline, leakage, metrikalar, Decision Tree, Neural Networks 48 bob6 ta ma'lumot fayli SQL va Seaborn SELECT dan window functions gacha, vizualizatsiya bilan 25 bobschool.db MLOps va Data Engineering Docker, Kafka, Spark, MLflow, CI/CD, monitoring 39 bob2 ta ma'lumot fayli YOLO va Tracking Object detection, Kalman filter, ByteTrack, ReID 26 bobkod o’zi yuklaydi OpenCV Piksel, filtr, kontur, hujjat skaneri loyihasi 18 bobkod o’zi hosil qiladi Python Muhandisligi venv, mypy, pytest, logging, CI. Skript emas, loyiha 18 bobma’lumot kerak emas

Kitob nega ishlamaganini ayta olmaydi. Men aytaman.

Kitoblar bepul va bepul qoladi. Kurs boshqa narsa: har bob uchun video, tekshiriladigan uy vazifasi va savolingizga javob beradigan odam.

Telegramda yozish Narxlar

Kursda nima bor

Har bob uchun video va jonli dars
Uy vazifangiz tekshiriladi va izohlanadi
Savolingizga to'g'ridan-to'g'ri javob

To'lov oylik. Shartnoma yo'q, istalgan oyda to'xtatasiz.