Data Science'ga yo'l xaritasi: noldan reja

Data Science haqida gapirilganda ko’pincha murakkab formulalar, sun’iy intellekt va “faqat matematiklar uchun” degan tasavvur paydo bo’ladi. Aslida bu soha bosqichma-bosqich o’rganiladi va har bir bosqichning o’zi ham foydali ko’nikma beradi: jadval bilan ishlashni bilgan odam hisobot tuzadi, SQL bilgan odam bazadan kerakli ma’lumotni oladi, Python bilgan odam takroriy ishni avtomatlashtiradi. Bu maqolada data analyst, data scientist va ML engineer kasblari qanday farq qilishini, matematika aslida qancha kerakligini, Excel va statistikadan boshlab mashinali o’qitishgacha qaysi tartibda o’rganish mantiqiyligini, ochiq datasetlardan qanday foydalanishni va portfolio uchun qanday loyihalar qilishni ko’rib chiqamiz. Oxirida oylarga bo’lingan namunaviy reja, keng tarqalgan xatolar, amaliy mashq va checklist bor.

Data analyst, data scientist va ML engineer: farqi nimada

Uchala kasb ham ma’lumot bilan ishlaydi, lekin savollari va natijalari har xil. Ish e’lonlarida bu nomlar ba’zan aralashib ketadi, shuning uchun nomga emas, vazifalar ro’yxatiga qarang.

• Data analyst (ma’lumotlar tahlilchisi) — “nima bo’ldi va nega?” degan savolga javob beradi. U jadval, SQL va vizualizatsiya vositalari bilan ishlaydi, hisobot va panellar tayyorlaydi, rahbariyatga tushunarli xulosa beradi. Masalan, savdo tarmog’ida qaysi filialda sotuv pasayganini va buning sababini aniqlaydi.
• Data scientist (ma’lumotlar olimi) — “nima bo’lishi mumkin?” degan savol bilan ham shug’ullanadi. U statistik usullar va mashinali o’qitish modellarini qo’llaydi: talabni bashorat qiladi, mijozlarni guruhlaydi, tajriba natijalarini baholaydi.
• ML engineer (mashinali o’qitish muhandisi) — tayyor modelni ishlaydigan tizimga aylantiradi. U ko’proq dasturchiga yaqin: kod sifati, serverlar, model tezligi va barqarorligi bilan ishlaydi.

Oddiy taqqoslash: Dilshod do’konlar tarmog’ida tahlilchi bo’lib, har hafta sotuv hisobotini tayyorlaydi. Uning hamkasbi Zarina keyingi oy qaysi mahsulotga talab oshishini bashorat qiluvchi model quradi. Uchinchi hamkasb Bekzod esa shu modelni ombor dasturiga ulaydi, toki u har kuni o’zi ishlab tursin.

Yangi boshlovchilar uchun eng realistik kirish nuqtasi — data analyst yo’nalishi. U kamroq matematika talab qiladi, natijasi tez ko’rinadi va keyinchalik data science’ga o’tish uchun mustahkam poydevor bo’ladi. Ma’lumotlar tahlili nima ekanini oddiy misollarda bilmoqchi bo’lsangiz, avval ma’lumotlar tahlili haqidagi maqolani o’qing.

Matematika qancha kerak: realistik baho

Ko’pchilik “matematikani yaxshi bilmayman” deb bu sohaga kirishdan qo’rqadi. Realistik javob: boshlash uchun maktab matematikasi va asosiy statistika yetarli, chuqur matematika esa keyinroq, kerak bo’lganda o’rganiladi.

Data analyst uchun:

• foiz, nisbat, o’rtacha qiymat bilan erkin ishlash;
• o’rtacha, mediana, moda, minimum va maksimum farqini tushunish;
• tarqoqlik (standart og’ish) nimani ko’rsatishini bilish;
• korrelyatsiya va sabab-oqibat bir xil narsa emasligini anglash.

Data scientist uchun qo’shimcha:

• ehtimollik nazariyasi asoslari;
• chiziqli algebra elementlari: vektor, matritsa, ularni ko’paytirish g’oyasi;
• hosila va gradient tushunchasi — model qanday “o’rganishini” tushunish uchun.

Muhim fikr: kutubxonalar hisob-kitobni o’zi bajaradi, sizdan formulani qo’lda yechish emas, natijani to’g’ri talqin qilish talab qilinadi. Masalan, model “aniqligi yuqori” deb ko’rsatsa ham, bu ma’lumotdagi nomutanosiblik tufayli aldamchi bo’lishi mumkinligini sezish — matematik fikrlash shu. Statistikani noldan boshlamoqchi bo’lsangiz, statistika asoslari maqolasi yordam beradi.

Birinchi bosqich: Excel, statistika va SQL

Excel va elektron jadvallar

Jadval — ma’lumot bilan ishlashning eng qulay “laboratoriyasi”. Unda ma’lumotni ko’z bilan ko’rasiz, xatoni darhol sezasiz. Bu bosqichda quyidagilarni o’rganing:

1. Toza jadval tuzish: bitta katakda bitta qiymat, bitta ustunda bir turdagi ma’lumot.
2. Formulalar: SUM, AVERAGE, COUNTIF, IF, XLOOKUP (yoki VLOOKUP).
3. Saralash va filtrlash: Data → Sort, Data → Filter.
4. Yig’ma jadval: Insert → PivotTable — guruhlab sanash va yig’ish uchun.
5. Diagrammalar: Insert → Chart.

Bu ko’nikmalar keyingi barcha bosqichlar uchun poydevor bo’ladi.

Statistika asoslari

Statistikani jadval bilan birga o’rganing. Masalan, bir mahalladagi oilalarning oylik elektr iste’moli ma’lumotini kilovatt-soatlarda (shartli, o’ylab topilgan raqamlar bilan) jadvalga kiriting va o’rtacha hamda mediana qiymatini solishtiring. Bitta juda katta qiymat o’rtachani qanchalik “tortib ketishini” ko’rasiz — bu statistikaning eng muhim saboqlaridan biri.

SQL

Kompaniyalarda ma’lumot odatda jadvalda emas, ma’lumotlar bazasida saqlanadi va undan ma’lumot SQL so’rovlari bilan olinadi. Data analyst ish e’lonlarining ko’pchiligida SQL talab qilinadi. O’rganish tartibi:

1. SELECT, FROM, WHERE — kerakli ustun va qatorlarni tanlash.
2. ORDER BY va LIMIT — saralash va cheklash.
3. GROUP BY va agregat funksiyalar (COUNT, SUM, AVG).
4. JOIN — bir nechta jadvalni bog’lash.
5. Ichki so’rovlar va oyna funksiyalari — keyingi daraja.

Oddiy so’rov namunasi:

SELECT region, COUNT(*) AS buyurtmalar
FROM orders
GROUP BY region
ORDER BY buyurtmalar DESC;

Bu so’rov har bir viloyat bo’yicha buyurtmalar sonini sanaydi va eng ko’pidan boshlab chiqaradi. SQL’ni noldan o’rganish uchun SQL asoslari maqolasini ko’ring.

Ikkinchi bosqich: Python, pandas va vizualizatsiya

Jadval va SQL bilan ishlashni o’rgangach, Python’ga o’ting. U takroriy ishni avtomatlashtiradi, katta hajmdagi ma’lumot bilan ishlaydi va mashinali o’qitishga yo’l ochadi. Agar dasturlash umuman yangi bo’lsa, avval Python’da birinchi qadam maqolasidagi asoslarni o’zlashtiring: o’zgaruvchilar, ro’yxatlar, shartlar, sikllar va funksiyalar.

O’rganish uchun qulay muhit — Jupyter Notebook yoki Google Colab. Colab brauzerda ishlaydi va kompyuterga hech narsa o’rnatish talab qilinmaydi: File → New notebook ni bosing va kod yozishni boshlang.

pandas

pandas — jadval ko’rinishidagi ma’lumot bilan ishlash uchun asosiy kutubxona. Uning yordamida Excel’da qo’lda qiladigan ko’p ishni bir necha qator kod bilan bajarasiz:

import pandas as pd

df = pd.read_csv("savdo.csv")
print(df.head())
print(df.describe())
print(df.groupby("viloyat")["miqdor"].sum())

Bu yerda read_csv faylni o’qiydi, head birinchi qatorlarni ko’rsatadi, describe asosiy statistikani chiqaradi, groupby esa ma’lumotni viloyat bo’yicha guruhlab yig’adi. O’rganiladigan asosiy amallar: ustun tanlash, filtrlash, bo’sh qiymatlarni topish va to’ldirish, ustun turini o’zgartirish, jadvallarni birlashtirish.

Vizualizatsiya

Ma’lumotlar vizualizatsiyasi — topilgan xulosani boshqalarga tushunarli qilib ko’rsatish san’ati. Python’da matplotlib eng asosiy kutubxona, seaborn esa uning ustiga qurilgan va chiroyliroq grafiklarni osonroq chizadi. Asosiy grafiklar: ustunli (toifalarni solishtirish), chiziqli (vaqt bo’yicha o’zgarish), gistogramma (taqsimot) va nuqtali (ikki o’zgaruvchi orasidagi bog’liqlik).

Yaxshi grafik qoidalari: aniq sarlavha, nomlangan o’qlar, o’lchov birligi, ortiqcha ranglarsiz. Bitta grafik — bitta fikr. Grafikka qarab xulosani bir gapda aytib bo’lmasa, uni soddalashtiring.

Uchinchi bosqich: mashinali o’qitish asoslari

Mashinali o’qitish — kompyuterga aniq qoidalarni yozib bermasdan, misollardan qonuniyat topishni o’rgatish. Bu sun’iy intellekt sohasining eng amaliy qismi. Boshlovchi uchun ikki asosiy g’oyani tushunish muhim.

Nazoratli o’qitish (supervised learning). Modelga savol va to’g’ri javobi bor misollar beriladi. Masalan, o’tgan yillardagi o’quvchilarning darsga qatnashishi, uy vazifasiga sarflagan soatlari va yakuniy imtihon ballari. Model ular orasidagi bog’liqlikni o’rganadi va yangi o’quvchi uchun ballni taxmin qiladi. Bu yerda ikki turdagi masala bor: regressiya (son bashorat qilish) va klassifikatsiya (toifani aniqlash, masalan, xat spammi yoki yo’qmi).

Nazoratsiz o’qitish (unsupervised learning). To’g’ri javoblar yo’q, model ma’lumotdagi tabiiy guruhlarni o’zi topadi. Masalan, onlayn do’kon xaridorlarini xarid odatlariga qarab bir necha guruhga ajratish (klasterlash).

Python’da boshlash uchun asosiy kutubxona — scikit-learn. Unda deyarli har bir model bir xil tartibda ishlatiladi:

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LinearRegression()
model.fit(X_train, y_train)
print(model.score(X_test, y_test))

Asosiy tushunchalar: ma’lumotni o’quv va test qismlariga ajratish (model test qismini o’qish paytida ko’rmasligi kerak), modelni o’rgatish (fit), bashorat qilish (predict) va sifatini baholash. Eng xavfli xato — model o’quv ma’lumotini yodlab olib, yangi ma’lumotda yomon ishlashi. Buni “ortiqcha moslashish” (overfitting) deyishadi.

Bu bosqichda chiziqli regressiya, logistik regressiya, qaror daraxti va k-means klasterlash kabi oddiy modellar bilan cheklaning. Neyron tarmoqlar va chuqur o’qitishga asoslar mustahkam bo’lgandan keyin o’ting.

Loyihalar, portfolio va ochiq datasetlar

Ish beruvchi sertifikatlar ro’yxatidan ko’ra, siz haqiqatan nima qila olishingizni ko’rmoqchi. Shuning uchun har bir bosqich oxirida kichik loyiha qiling va ularni portfolioga yig’ing.

Datasetni qayerdan olish

Dataset — tahlil uchun tayyorlangan ma’lumotlar to’plami. Mashq uchun ochiq manbalar bor:

• Kaggle — dunyo bo’ylab foydalanuvchilar joylagan minglab datasetlar, ularga yozilgan tahlillar va o’quv musobaqalari bor. Boshqalarning ishini o’qish ham yaxshi o’rganish usuli.
• data.gov.uz — O’zbekistonning ochiq ma’lumotlar portali. Unda turli idoralar e’lon qilgan ma’lumotlar joylashtiriladi. Mahalliy ma’lumot bilan qilingan loyiha portfolioda ayniqsa qiziqarli ko’rinadi.
• O’z ma’lumotingiz — oilaviy xarajatlar, kitob o’qish kundaligi, mahalla futbol jamoasining o’yin natijalari. Shaxsiy ma’lumotlarni ochiq joylashtirishdan oldin ism va telefon kabi ma’lumotlarni olib tashlang.

Yaxshi loyiha qanday bo’ladi

1. Aniq savol. “Datasetni tahlil qildim” emas, “Qaysi oylarda kutubxonaga tashrif kamayadi va nega?”
2. Ma’lumotni tozalash. Bo’sh qiymatlar, takrorlar, noto’g’ri formatlar bilan qanday ishlaganingizni yozing.
3. Tahlil va grafiklar. 3–5 ta mazmunli grafik yetarli.
4. Xulosa. Oddiy tilda: nima topildi, qanday cheklovlar bor, keyin nima qilish mumkin.
5. Joylashtirish. Kodni GitHub’ga qo’ying, README faylida loyihani qisqa tushuntiring.

Portfolio tuzish haqida batafsil portfolio yaratish maqolasida yozganmiz.

Ingliz tili nega muhim

Bu sohadagi hujjatlar, kutubxonalar qo’llanmalari, savol-javob forumlari va yangi kurslarning katta qismi ingliz tilida. Xato xabarini qidirib topish uchun ham uni ingliz tilida o’qish va yozish kerak bo’ladi. Erkin gapirish shart emas, lekin texnik matnni o’qib tushunish darajasi juda katta afzallik beradi. Har kuni 15–20 daqiqa texnik matn o’qish ham sezilarli natija beradi.

Namunaviy o’rganish rejasi: oyma-oy

Quyidagi jadval shartli. U haftasiga taxminan 8–10 soat shug’ullanadigan, dasturlashni noldan boshlayotgan odam uchun mo’ljallangan. Kim ko’proq vaqt ajratsa — tezroq, kim kamroq — sekinroq o’tadi. Muhimi tezlik emas, muntazamlik.

Har oy oxirida o’zingizga savol bering: “Shu oy o’rganganimni boshqaga tushuntira olamanmi va kichik vazifada qo’llay olamanmi?” Javob “yo’q” bo’lsa, keyingi mavzuga shoshilmang.

Keng tarqalgan xatolar

• Faqat kurs ko’rish. Video ko’rish tushunish hissini beradi, lekin ko’nikma faqat o’zingiz kod yozganda shakllanadi. Har bir darsdan keyin o’rganganingizni o’z misolingizda takrorlang.
• Loyihasiz o’rganish. O’nta kurs tugatib, bitta mustaqil loyiha qilmaslik. Ish beruvchi sertifikatni emas, natijani ko’radi.
• Asoslarni o’tkazib yuborish. To’g’ridan-to’g’ri neyron tarmoqlardan boshlash. Excel, SQL va statistikasiz modelni to’g’ri baholash qiyin.
• Bir vaqtda hamma narsa. Python, R, beshta kutubxona va uchta kursni parallel boshlash. Bitta yo’lni tanlang va oxirigacha boring.
• Ma’lumotni tekshirmaslik. Tozalanmagan ma’lumotga model qurish. Tajribali mutaxassislar vaqtining katta qismini ma’lumotni tushunish va tozalashga sarflaydi.
• Natijani tushuntira olmaslik. “Model aniqligi yuqori” deyish yetarli emas. Bu natija biznes yoki odamlar uchun nimani anglatishini oddiy tilda ayta bilish kerak.
• Tez natija kutish. Bu soha bir necha oy yoki undan ko’proq muntazam mehnat talab qiladi. Hech bir kurs ishga joylashishni kafolatlamaydi — natija sizning amaliy ishingizga bog’liq.

Amaliy mashq va checklist

Mashq: mahalla kutubxonasi tahlili

Tasavvur qiling, Nilufar mahalla kutubxonasida ishlaydi va qaysi kitoblar ko’proq o’qilishini bilmoqchi. Ma’lumot shartli, uni o’zingiz tuzasiz.

1. Jadvalda 30–40 qatorlik ma’lumot yarating: sana, kitob nomi, janr, o’quvchi yoshi guruhi, qaytarilgan kun.
2. Excel’da PivotTable bilan har bir janr bo’yicha olingan kitoblar sonini hisoblang.
3. Har janr uchun kitobni qaytarishgacha o’tgan kunlarning o’rtacha va median qiymatini solishtiring.
4. Jadvalni CSV formatida saqlang (File → Save As → CSV).
5. Google Colab’da pandas bilan faylni o’qing va 2–3-qadamlarni kod bilan takrorlang.
6. matplotlib bilan janrlar bo’yicha ustunli grafik chizing.
7. Uch gapdan iborat xulosa yozing: nima topildi, qanday cheklov bor, kutubxonaga nima tavsiya qilasiz.
8. Hammasini GitHub’ga joylang va README yozing.

Checklist

• Data analyst, data scientist va ML engineer farqini o’z so’zlarim bilan tushuntira olaman.
• O’rtacha, mediana va standart og’ishni hisoblay va talqin qila olaman.
• Excel’da PivotTable va diagramma tuza olaman.
• SQL’da GROUP BY va JOIN bilan so’rov yoza olaman.
• pandas bilan CSV faylni o’qib, tozalab, guruhlay olaman.
• Nazoratli va nazoratsiz o’qitish farqini misol bilan ayta olaman.
• Kamida bitta loyiham GitHub’da README bilan joylashgan.
• Texnik matnni ingliz tilida o’qib tushuna olaman.

Data Science — bir kunda emas, bosqichma-bosqich quriladigan yo’l. Har bir bosqich o’zi foydali ko’nikma beradi, shuning uchun hatto birinchi oylardayoq o’rganganingizni ishda yoki kundalik hayotda qo’llay boshlaysiz.

Agar bu yo’lni o’qituvchi bilan tizimli o’tmoqchi bo’lsangiz, assotsiatsiyamizning bepul data analitika va data science dasturlari hamda boshqa o’quv dasturlari bilan tanishing. Tayyor bo’lsangiz, ariza qoldiring — mutaxassislarimiz siz bilan bog’lanadi.