“Ma'lumotlarning intellektual tahlili” Fanidan

---

Muhammad al-Xorazmiy nomidagi Toshkent Axborot 
Texnologiyalari Universiteti Farg’ona filiali 
“Kompyuter Injiniringgi”
fakulteti 
 “Ma'lumotlarning intellektual tahlili” 
Fanidan 
 
 
 
 
BAJARDI: 710-19 guruh 
O.O.Orifjonov 
 
QABUL QILDI: D.B.Sotvoldiyeva 
 
 
 
 
 
 
 

---

REJA: 
1.
Vizualizatsiya nima? 
2.
Vizualizatsiya texnikasi
3.
Python kutubxonalari haqida 
4.
Dengizda tug'ilgan(Seaborn) 

---

Vizualizatsiya, tasvirlash (psixologiyada) — aqliy, ogʻzaki tasvirlarni vizual 
tasvirlarga oʻgirish jarayoni
[1]
. Bu ongli ravishda tasvirlash, vaziyatlarni faol 
tasavvur qilish, xotiralar, gʻoyalarni boshqarish. Koʻpincha ommabop 
psixologiyada kelajakdagi muvaffaqiyatning aqliy ifodasi sifatida ishlatiladi. 
Psixologiyada vizualizatsiya aqliy, og'zaki tasvirlarni vizual (vizual) tasvirlarga 
aylantirish jarayonidir. Bu ongli ravishda tasvirlash, vaziyatlarni, xotiralarni, 
g'oyalarni faol tasavvur qilish va ularga botirish (jismoniy holatni o'zgartirish, 
tananing himoya kuchlarini oshirish va h.k.), ularni boshqarish mumkin. Ko'pincha 
ommabop psixologiyada kelajakdagi muvaffaqiyatning aqliy ifodasi sifatida 
ishlatiladi. 
Vizualizatsiya texnikasi 
Olimlar miya tasavvurdagi va haqiqatda sodir bo‘layotgan narsalarning farqiga 
bormasligini aniqlashgan. Biror narsani eslaganda yoki kelajakdagi harakatlarni 
tasavvur qilganda miyamizda haqiqiy vaziyatda bo‘lgandagi kabi kimyoviy 
moddalar ajraladi. 
Umumiy psixoterapiyada vizualizatsiya salbiy tasvirlarni oʻzgartirish uchun 
ishlatiladi. Psixolog mijozning tasavvurini boshqaradi, u doimiy ravishda yangi 
ijobiy tasvirni tasavvur qiladi va uni mantiqiy xulosaga aylantiradi
[2]
. 
Tizimli desensitizatsiya texnikasidan foydalanganda, aksincha, mushaklarning 
boʻshashtirish fonida qoʻrqinchli tasvirlar taqdim etiladi. Xulq-atvor 
psixoterapiyasida 
vizualizatsiya portlash texnikasida 
qoʻllaniladi. Klassik 
gipnoz bilan maʼlum bir terapevtik maʼnoga ega boʻlgan kerakli vizual tasvirlar 
taklif etiladi. Vizualizatsiya NLD (neyro lingvistik dasturlash) da ham keng 
qoʻllaniladi
[3]
. 
Ommabop psixologiya va ezoterik amaliyotda vizualizatsiya koʻpincha yordam, 
maqsadga erishish, muvaffaqiyatga erishishda oʻrgatish sifatida ishlatiladi; Istalgan 
natijani maksimal ishonchlilik, energiya, ishonch, nekbinlik, shubhalarga eʼtibor 
bermaslik va koʻp marta tasvirlarni oʻynash bilan tasavvur qilish taklif etiladi
[4]
. 
Shubhasiz, har birimiz fikrlar sodir bo'lgan daqiqalarni eslay olamiz. Bu qanday 
sodir bo'ladi, o'zingizdan so'ragansiz. Shunchaki tasodifmi va sirli narsami? Ammo 
biz tasavvur qilgan narsaning o'z nomi bor - vizualizatsiya. Bu maqsadingizga 
erishish uchun foydalanishingiz mumkin bo'lgan vositadir. Ko'pchilik allaqachon 
ushbu vositadan foydalangan. Nega buni siz uchun ham sinab ko'rmaysiz? Biz 
nimanidir tasavvur qila boshlaganimizda, ongsiz javob beradi. Bizda bo'lmasligi 
mumkin bu daqiqa pul, qobiliyat, vaqt, istaklarni amalga oshirish uchun 
imkoniyatlar, lekin ish allaqachon boshlangan va bilinçaltı allaqachon maqsadga 
erishish yo'llarini qidirmoqda. Vizualizatsiya bizning ichki mexanizmlarimiz va 
energiyamizning ishiga asoslanadi, unda g'ayritabiiy narsa yo'q. Hamma narsa 
bizning boshimizda. Va bizning miya barcha rejalarimizni amalga oshirishning 
kalitidir. Inson qanday maqsadlarga ega bo'lishidan qat'i nazar, u o'z voqeligini 

---

qurishi va vizualizatsiya yoki aqliy vakillik yordamida unga faol ta'sir qilishi 
mumkin. Hali sodir bo'lmagan ma'lum bir vaziyatni aqlan takrorlash, o'zini barcha 
tafsilotlari bilan tasavvur qilish, o'zini orzu qilgan narsasini amalga oshirishni 
tasavvur qilish orqali odam kuchli signal yuboradi. Koinot, kim tinglaydi va yordam 
beradi. Va u allaqachon mavjud. Bu vaziyatning amalga oshishi uchungina qoladi. 
Ammo, avvalo, siz koinotga so'rov yuborishingiz kerak va vizualizatsiyani mashq 
qilib, biz maqsadga erishish jarayonini tezlashtiramiz. Vizualizatsiya - bu doimiy 
amaliyotdir.. Biror narsani bir yoki ikki marta taqdim etishning o'zi etarli emas. 
Maqsadga erishilgunga qadar haftalar va hatto oylar davomida istalgan tasvir ongga 
qayta-qayta muhrlanganida natijalar paydo bo'ladi. Muntazam vizualizatsiya 
yordamida siz miya o'zingiz xohlagan tarzda aqliy rasmlarni yaratishni qanday 
o'rganayotganini sezasiz. Vaqti-vaqti bilan shubhalar paydo bo'lsa, ularni qayd qilib, 
maqsadingizga qayting. Shubhalar bilan kurashishga urinmang, ular sizning 
fikringizga to'sqinliksiz kelishi va ketishiga yo'l qo'ying. Vizualizatsiya yo'lida 
qoling. Tasvirlar va aqliy rasmlarni batafsil yarating, o'zingizni, o'zingizni tasavvur 
qiling yuz ifodalari, ularning His. Ko'ngilda mustahkamlangan har qanday fikr 
hayotingizga albatta ta'sir qiladi. Bir nechta bor muvaffaqiyatli vizualizatsiya sirlari: 
nimaga erishmoqchi ekanligingizni shakllantirish; dam oling va barcha ishlardan 
chalg'iting, bir necha chuqur nafas oling va nafas oling, qulay bo'shashgan holatni 
oling; 10-15 daqiqa davomida nimani xohlayotganingizni aqlan tasavvur qiling. Bu 
siz bilan sodir bo'layotgandek, o'z fikrlaringizda yashashingiz va vaqti-vaqti bilan 
o'zingizning ichingizdagi videoni aylanib chiqishingiz kerak. Tasavvurimizda 
chizilgan barcha ruhiy rasmlarimiz o'zimiz energiya bilan to'ldiradigan shaklga 
aylanadi. Va biz energiya bilan to'ldiradigan hamma narsa ertami-kechmi amalga 
oshadi. Har qanday faoliyatning mukammal bo'lishi bevosita o'z harakatlarining aniq 
aqliy qiyofasini yaratish qobiliyatiga bog'liq. Har qanday inson uchun zarur sifat - 
qat'iyat, iste'dod, jasorat, qat'iyat, ishonch haqiqatga aylanishi mumkin. Tasavvur - 
bu ajoyib sovg'a odamga berilgan tug'ilgandan boshlab. Buni ishlat. Bu qanday 
ishlashi muhim emas. U ishlaydi va natija beradi. Vizualizatsiya - bu hayotning 
barcha jabhalarida g'oliblar tomonidan qo'llaniladigan texnikadir. Agar siz haqiqatan 
ham biror narsa amalga oshishini istasangiz, unda siz ijodiy fikringizni ishga 
solishingiz kerak. Oldingizda yakunlangan natijani ko'ring, o'ynashingiz kerak 
bo'lgan o'yinni o'ylab ko'ring yoki universitetda qanday diplom olganingizni 
tomosha qiling. Yagona chegara - bu sizning tasavvuringiz. 
Python hech qachon ma'lumotlar fanidagi qiyinchiliklarni yengishda o'z dasturchilarini 
hayratda qoldirishdan to'xtamaydi. Bu keng qo'llaniladigan, ob'ektga yo'naltirilgan, ochiq 
manbali, turli xil qo'shimcha funktsiyalarga ega yuqori samarali dasturlash tili.

---

Python ma'lumotlar fani uchun ajoyib kutubxonalar bilan yaratilgan bo'lib, dasturchilar har 
kuni qiyinchiliklarni hal qilish uchun foydalanadilar.
Bu erda ko'rib chiqilishi kerak bo'lgan eng yaxshi Python kutubxonalari
: 
. Dengiz Tug'ilishi
 
Seaborn - bu matplotlib backend-da yozilgan statistik vizualizatsiya uchun tayyor 
shablonlarning mashhur kutubxonasi. O'tmaslikning ikkita asosiy sababi: 
Ekspressiv yuqori darajadagi interfeys: eng oddiy grafiklar kodning bir qatorida 
yaratilgan. 
Estetik jihatdan yoqimli grafikalar: ko'pincha dengiz tug'ilganda o'rnatilgan uslublar 
sizning aralashuvingizsiz etarli darajada yaxshi. 
Dengizda tug'ilganlar muallifi Maykl Vaskom, PhD, Neyron tadqiqotlar markazi 
(Nyu-York) xodimi, Stenford bitiruvchisi. Dengiz tug'ilishining rivojlanishi uning 
sevimli mashg'ulotidir, bu minglab odamlarning hayotini biroz yaxshilaydi. 
Kam ma'lum bo'lgan fakt: Kutubxona "Times jurnali ma'lumotlariga ko'ra tarixdagi 
eng muhim teleseriallardan biri" "The West Wing" qahramoni Samuel Norman 
Seaborn (S.N.S. - shuning uchun dengizda tug'ilganlar sns sifatida import qilinadi) 
sharafiga nomlangan. Shunday qilib, muallif o'zining sevimli seriyasiga hurmat 
ko'rsatdi. Buning isbotini loyiha omboridagi masalalarda topish mumkin. 

---

2. Asosiy parametrlar 
2.1. Uslublar 
Chizmalarning estetik parametrlarini o'rnatish: 

---

Turli xil uslubdagi diagrammalarning ko'rinishi 
Seabornda siz rasm atrofidagi ramkani va to'rt tomonning istalgan qismini olib 
tashlashingiz mumkin. Bu matplotlibda ahamiyatsiz emas. 
Yuqoridagi yondashuvning katta kamchiliklari sns.set dan foydalanishdir. Gap 
shundaki, bu funktsiya global o'zgaruvchilarni o'zgartiradi: barcha keyingi grafiklar 
bir xil uslubda chiziladi. Ba'zan bu o'rinli: siz sns.set-ga noutbukning boshida bir 
marta qo'ng'iroq qilishingiz va minimal harakat bilan stilize qilingan grafiklarni 
olishingiz mumkin. Boshqa barcha holatlarda siz kontekst menejerlaridan 
foydalanishingiz kerak 

---

2.2. Ranglar 
Amaldagi palitrani sns.palplot funksiyasi yordamida tasvirlash mumkin. Palitralar 
quyidagi bir necha turlarga bo'linadi. 
Ketma-ket 
Bu yerda bir chetga chiqishga arziydi, chunki... Bu odamlar tez-tez duch keladigan 
palitraning turi. Dengizda tug'ilganlarning standart ketma-ket palitralari - viridis, 
inferno, magma va boshqalar - rang intensivligining silliq o'zgarishi uchun yaxshi. 
Ular idrokni buzmaydi va rang ko'rlari uchun ham mos keladi. Scipy kutubxonasi 

---

ishqibozlarining yillik global konferentsiyasi SciPy 2015 video ma'ruzasida sanoat 
o'z palitralari bilan qanday paydo bo'lganini bilib olishingiz mumkin. 
Diversiya 
Ilgari, kamalakga juda o'xshash jet palitrasi juda mashhur edi. Bundan tashqari, uzoq 
vaqt davomida bu matplotlib-da standart palitra edi. Biroq, reaktivdan voz kechildi: 
ma'lum bo'lishicha, u palitradagi individual ranglarning notekis intensivligi tufayli 
rasmni idrok etishni buzadi. Ushbu qarorning sabablarini batafsil tushuntirib 
beradigan qiziqarli maqola mavjud. 
Qiziqarli fakt: agar siz shunchaki chizishga harakat qilsangiz ham, dengizda 
tug'ilganlar aniq "Yo'q" deyishadi. 
Kategorik 

---

Maxsus 
Dengizda siz o'zingizning palitrangizni qilishingiz mumkin: mavjud bo'lganlar 
asosida yoki butunlay noldan. Misol uchun, to'q sariq rangning o'nta rangidan 
palitrani yarataylik 
Diqqatli o'quvchi g'alati rang formatini sezadi. 2010 yilda mashhur onlayn komiks 
xkcd so'rov o'tkazdi, uning natijalariga ko'ra u 954 ta eng ko'p ishlatiladigan RGB 
ranglari uchun nomlarni tanladi. Bu dizaynerlardan tortib tahlilchilargacha, 
olimlargacha bo'lgan juda ko'p odamlarning hayotini osonlashtiradi. 
Bonus: chiziqlar guruhidan foydalanib, kamalakni chizish 

---

Seaborn kutubxonasi Matplotlibda qurilgan. Seaborn Matplotlibga qaraganda 
jozibali va ma'lumot beruvchi statistik grafiklarni yaratish uchun ishlatilishi 
mumkin.
Seaborn ma'lumotlar vizualizatsiyasini to'liq qo'llab-quvvatlashdan tashqari, ko'plab 
o'zgaruvchilar o'rtasidagi o'zaro ta'sirlarni tekshirish uchun integratsiyalangan 
ma'lumotlar to'plamiga yo'naltirilgan APIni o'z ichiga oladi.
Seaborn ma'lumotlarni vizualizatsiya qilish uchun juda ko'p variantlarni taklif etadi, 
jumladan, vaqt seriyali vizualizatsiya, qo'shma syujetlar, skripka diagrammalari va 
boshqalar.
U chuqur tushunchalar bilan ma'lumot beruvchi vizualizatsiyani ta'minlash uchun 
semantik xaritalash va statistik yig'ilishdan foydalanadi. U butun ma'lumotlar 
to'plamini o'z ichiga olgan ma'lumotlar ramkalari va massivlari bilan ishlaydigan bir 
qator ma'lumotlar to'plamiga yo'naltirilgan diagramma tartiblarini o'z ichiga oladi.

---

Uning 
ma'lumotlar 
vizualizatsiyasiga 
shtrixli 
diagrammalar, 
dumaloq 
diagrammalar, gistogrammalar, tarqalish diagrammalari, xatolar diagrammalari va 
boshqa grafikalar kirishi mumkin. Ushbu Python ma'lumotlarini vizualizatsiya qilish 
kutubxonasi, shuningdek, ma'lumotlar to'plamidagi tendentsiyalarni aniqlashga 
yordam beradigan ranglar palitrasini tanlash vositalarini o'z ichiga oladi. 
Pandas
 
Pandas - bu ishlab chiquvchilarga "yorliqlangan" va "aloqaviy" ma'lumotlar bilan 
tabiiy ravishda ishlashda yordam berish uchun mo'ljallangan paket. U ikkita asosiy 
ma'lumotlar tuzilmasi asosida qurilgan: "Seriya" (bir o'lchovli, ob'ektlar ro'yxatiga 
o'xshash) va "Ma'lumotlar ramkalari" (ikki o'lchovli, bir nechta ustunli jadval kabi).
Pandalar 
ma'lumotlar 
tuzilmalarini 
DataFrame 
ob'ektlariga 
aylantirish, 
etishmayotgan ma'lumotlar bilan ishlash, DataFrame-dan ustunlar qo'shish/o'chirish, 
etishmayotgan 
fayllarni 
kiritish 
va ma'lumotlarni 
vizualizatsiya 
qilish gistogrammalar yoki chizma qutilari yordamida.

---

Shuningdek, u xotiradagi ma'lumotlar tuzilmalari va bir nechta fayl formatlari 
o'rtasida ma'lumotlarni o'qish va yozish uchun bir qator vositalarni taqdim etadi.
Xulosa qilib aytganda, u tez va oddiy ma'lumotlarni qayta ishlash, ma'lumotlarni 
yig'ish, ma'lumotlarni o'qish va yozish va ma'lumotlarni vizualizatsiya qilish uchun 
idealdir. Ma'lumotlar fanini yaratish loyihasini yaratishda siz har doim 
ma'lumotlaringizni qayta ishlash va tahlil qilish uchun Pandas hayvon 
kutubxonasidan foydalanasiz. 
Yomon 
NumPy (Numerical Python) ilmiy hisob-kitoblar va asosiy va murakkab massiv 
operatsiyalarini bajarish uchun ajoyib vositadir.
Kutubxona Pythonda n-massivlar va matritsalar bilan ishlash uchun bir qator foydali 
funksiyalarni taqdim etadi.

---

Bu bir xil turdagi ma'lumotlar qiymatlarini o'z ichiga olgan massivlarni qayta 
ishlashni va massivlar ustida arifmetik amallarni bajarishni osonlashtiradi 
(jumladan, vektorlashtirish). Aslida, matematik operatsiyalarni vektorlashtirish 
uchun NumPy massiv turidan foydalanish unumdorlikni yaxshilaydi va bajarish 
vaqtini qisqartiradi.
Matematik va mantiqiy operatsiyalar uchun ko'p o'lchovli massivlarni qo'llab-
quvvatlash kutubxonaning asosiy xususiyati hisoblanadi. NumPy funktsiyalari ko'p 
o'lchovli haqiqiy raqamlar qatori sifatida vizual va tovush to'lqinlarini indekslash, 
saralash, qayta shakllantirish va aloqa qilish uchun ishlatilishi mumkin. 
 Matplotlib
 
Python dunyosida Matplotlib eng ko'p ishlatiladigan kutubxonalardan biridir. U 
statik, jonlantirilgan va interaktiv ma'lumotlar vizualizatsiyasini yaratish uchun 
ishlatiladi. Matplotlib juda ko'p diagramma va sozlash imkoniyatlariga ega.
Gistogrammalardan foydalanib, dasturchilar grafiklarni tarqatishlari, sozlashlari va 
tahrirlashlari mumkin. Ochiq manbali kutubxona dasturlarga uchastkalarni qo'shish 
uchun ob'ektga yo'naltirilgan APIni taqdim etadi.
Murakkab vizualizatsiya yaratish uchun ushbu kutubxonadan foydalanganda, ishlab 
chiquvchilar odatdagidan ko'proq kod yozishlari kerak.
Shuni ta'kidlash kerakki, mashhur diagramma kutubxonalari Matplotlib bilan 
muammosiz birga mavjud.
Boshqa narsalar qatorida, u Python skriptlarida, Python va IPython qobiqlarida, 
Jupyter noutbuklarida va veb-ilovasi serverlari.

---

U bilan chizmalar, shtrixli diagrammalar, dumaloq diagrammalar, gistogrammalar, 
scatterplots, xatolar diagrammalari, quvvat spektrlari, stemplotlar va boshqa har 
qanday vizualizatsiya diagrammalarini yaratish mumkin. 
Scikit-O'rganing
 
Scikit-learn - bu ma'lumotlarni modellashtirish va modelni baholash uchun eng katta 
Python kutubxonasi. Bu eng foydali Python kutubxonalaridan biridir. U faqat 
modellashtirish uchun mo'ljallangan ko'plab imkoniyatlarga ega.
U barcha nazorat qilinadigan va nazoratsiz mashinalarni o'rganish algoritmlarini, 
shuningdek, to'liq aniqlangan Ansamblni o'rganish va Boosting Machine Learning 
funktsiyalarini o'z ichiga oladi.
U ma'lumotlar olimlari tomonidan muntazam ishlarni bajarish uchun 
ishlatiladi kompyuterni o'rganish va klasterlash, regressiya, model tanlash, 
o'lchamlarni kamaytirish va tasniflash kabi ma'lumotlarni qidirish faoliyati. 
Shuningdek, u keng qamrovli hujjatlar bilan birga keladi va ajoyib ishlaydi.
Scikit-learn-dan klassifikatsiya, regressiya, qo'llab-quvvatlash vektor mashinalari, 
tasodifiy o'rmonlar, eng yaqin qo'shnilar, sodda Bayes, qaror daraxtlari, klasterlash 
va boshqalar kabi boshqariladigan va nazoratsiz mashinalarni o'rganish modellarini 
yaratish uchun foydalanish mumkin.
Python mashinasini o'rganish kutubxonasi ma'lumotlarni tahlil qilish va qazib olish 
vazifalarini bajarish uchun turli xil sodda, ammo samarali vositalarni o'z ichiga 
oladi. 
Qo'shimcha o'qish uchun bu erda bizning qo'llanmamiz Scikit - o'rganing. 

---

XGBoost
 
XGBoost - bu tezlik, moslashuvchanlik va portativlik uchun mo'ljallangan, 
taqsimlangan gradientni oshirish asboblar to'plami. ML algoritmlarini ishlab chiqish 
uchun u Gradient Boosting ramkasidan foydalanadi. XGBoost - bu ma'lumotlar 
fanining keng doiradagi muammolarini hal qila oladigan tez va aniq parallel daraxtni 
kuchaytirish usuli.
Gradient Boosting ramkasidan foydalanib, ushbu kutubxonadan mashinani o'rganish 
algoritmlarini yaratish uchun foydalanish mumkin.
U jamoalarga ma'lumotlar fanining turli muammolarini hal qilishda yordam 
beradigan parallel daraxtlarni kuchaytirishni o'z ichiga oladi. Yana bir afzallik 
shundaki, ishlab chiquvchilar Hadoop, SGE va MPI uchun bir xil koddan 
foydalanishlari mumkin.
U taqsimlangan va xotira cheklangan vaziyatlarda ham ishonchli. 
Tensor Oqimi
 
TensorFlow - bu keng ko'lamli vositalar, kutubxonalar va resurslarga ega bo'lgan 
ochiq manbali AI platformasi. TensorFlow ishlayotgan har bir kishiga tanish bo'lishi 
kerak mashinani o'rganish loyihalari Pythonda.
Bu Google tomonidan ishlab chiqilgan ma'lumotlar oqimi grafiklaridan foydalangan 
holda raqamli hisoblash uchun ochiq manbali ramziy matematik vositalar to'plami. 
Grafik tugunlari odatiy TensorFlow ma'lumotlar oqimi grafigidagi matematik 
jarayonlarni aks ettiradi.
Boshqa tomondan, grafik qirralari tarmoq tugunlari o'rtasida oqadigan ko'p o'lchovli 
ma'lumotlar massivlari bo'lib, ular tensorlar deb ham ataladi. Bu dasturchilarga 

---

kodni o'zgartirmasdan ish stoli, mobil qurilma yoki serverdagi bir yoki bir nechta 
CPU yoki GPU o'rtasida ishlov berishni taqsimlash imkonini beradi.
TensorFlow C va C++ tillarida ishlab chiqilgan. TensorFlow yordamida siz 
shunchaki loyihalashingiz va Mashinani o'rganishni o'rgatish Keras kabi yuqori 
darajadagi API-lardan foydalanadigan modellar.
Shuningdek, u sizning modelingiz uchun eng yaxshi echimni tanlash imkonini 
beruvchi ko'plab mavhumlik darajalariga ega. TensorFlow shuningdek, Machine 
Learning modellarini bulutga, brauzerga yoki shaxsiy qurilmangizga joylashtirish 
imkonini beradi.
Bu ob'ektni aniqlash, nutqni aniqlash va boshqalar kabi ishlar uchun eng samarali 
vositadir. Bu sun'iy rivojlanishga yordam beradi neyron tarmoqlari Bu ko'plab 
ma'lumotlar manbalari bilan shug'ullanishi kerak. 
Qo'shimcha o'qish uchun TensorFlow bo'yicha tezkor qo'llanmamiz. 
Keras
 
Keras bepul va ochiq manba hisoblanadi Python-ga asoslangan neyron 
tarmoq sun'iy intellekt, chuqur o'rganish va ma'lumotlar fanlari faoliyati uchun 
asboblar to'plami. Neyron tarmoqlar kuzatuv ma'lumotlarini (fotosuratlar yoki 
audio) sharhlash uchun Data Science-da ham qo'llaniladi.
Bu modellarni yaratish, ma'lumotlarning grafiklarini yaratish va ma'lumotlarni 
baholash uchun vositalar to'plami. Shuningdek, u tezda import qilinadigan va 
yuklanishi mumkin bo'lgan oldindan etiketlangan ma'lumotlar to'plamini o'z ichiga 
oladi.

---

Foydalanish oson, ko'p qirrali va tadqiqot uchun ideal. Bundan tashqari, u neyron 
tarmoqlarning toʻliq bogʻlangan, konvolyutsion, birlashma, takroriy, oʻrnatish va 
boshqa shakllarini yaratishga imkon beradi.
Ushbu modellar katta ma'lumotlar to'plamlari va muammolari uchun to'liq neyron 
tarmog'ini qurish uchun birlashtirilishi mumkin. Bu neyron tarmoqlarni 
modellashtirish va yaratish uchun ajoyib kutubxona.
Foydalanish oson va ishlab chiquvchilarga katta moslashuvchanlikni beradi. Keras 
boshqa Python mashina o'rganish paketlariga nisbatan sust.
Buning sababi shundaki, u birinchi navbatda backend infratuzilmasidan foydalangan 
holda hisoblash grafikini yaratadi va undan keyin operatsiyalarni bajarish uchun 
foydalanadi. Keras yangi tadqiqotlar olib borishga kelganda ajoyib darajada ifodali 
va moslashuvchan. 
PyTorch
 
PyTorch mashhur Python paketidir chuqur o'rganish va mashinani o'rganish. Bu 
katta ma'lumotlar to'plamlarida Deep Learning va Neyron tarmoqlarini amalga 
oshirish uchun Python-ga asoslangan ochiq manbali ilmiy hisoblash dasturi.
Facebook ushbu asboblar to'plamidan yuzni aniqlash va avtomatik teglash kabi 
faoliyatlarda yordam beruvchi neyron tarmoqlarni yaratish uchun keng foydalanadi.
PyTorch - bu chuqur o'rganish ishlarini tezda bajarishni xohlaydigan ma'lumotlar 
olimlari uchun platforma. Asbob tensor hisoblarini GPU tezlashuvi bilan bajarishga 
imkon beradi.

---

Bundan tashqari, u dinamik hisoblash tarmoqlarini qurish va gradientlarni avtomatik 
hisoblash kabi boshqa narsalar uchun ham qo'llaniladi.
Yaxshiyamki, PyTorch - bu maksimal moslashuvchanlik va tezlikni ta'minlash 
uchun mashinani o'rganish va chuqur o'rganish bo'yicha tadqiqotlar haqida gap 
ketganda, ishlab chiquvchilarga nazariya va tadqiqotdan ta'lim va rivojlanishga 
osongina o'tishga imkon beradigan ajoyib paket. 
NLTK
 
NLTK (Natural Language Toolkit) maʼlumotlar olimlari uchun mashhur Python 
toʻplamidir. Matnni teglash, tokenizatsiya, semantik fikrlash va tabiiy tilni qayta 
ishlash bilan bog'liq boshqa vazifalarni NLTK bilan bajarish mumkin.
NLTK yanada murakkab AIni bajarish uchun ham ishlatilishi mumkin (Sun'iy 
intellekt) ish o'rinlari. NLTK dastlab lingvistik model va kognitiv nazariya kabi turli 
xil sun'iy intellekt va mashinani o'rganishni o'qitish paradigmalarini qo'llab-
quvvatlash uchun yaratilgan.
Hozirda u AI algoritmini va haqiqiy dunyoda modellarni ishlab chiqishni 
boshqarmoqda. U tadqiqot tizimlarini prototiplash va rivojlantirish platformasi 
sifatida foydalanishdan tashqari, o'quv vositasi va individual o'rganish vositasi 
sifatida foydalanish uchun keng qo'llanilgan.
Tasniflash, tahlil qilish, semantik mulohaza yuritish, stemming, teglash va 
tokenizatsiya qo'llab-quvvatlanadi. 

---

Xulosa
 
Bu ma'lumotlar faniga oid eng yaxshi o'nta Python kutubxonasini yakunlaydi. 
Python ma'lumotlar fanlari kutubxonalari muntazam ravishda yangilanadi, chunki 
ma'lumotlar fanlari va mashinalarni o'rganish yanada ommalashmoqda. 
Data Science uchun bir nechta Python kutubxonalari mavjud va foydalanuvchining 
tanlovi asosan ular ustida ishlayotgan loyiha turiga qarab belgilanadi.