O‘ZBEKISTON RESPUBLIKASI RAQAMLI TEXNOLOGIYLAR VAZIRLIGI HUZURIDAGI
MUHAMMAD AL-XORAZMIY NOMIDAGI TOSHKENT AXBOROT TEXNOLOGIYALARI
UNIVERSITETI

Sun’iy intellekt asoslari (M)
4-Amaliy ish

Bajardi: Najimov Baxtiyor
Tekshirdi: Boytemirov Asror

Toshkent-2026

Ishning maqsadi:
Ushbu amaliy ishning asosiy maqsadi sun’iy neyron tarmoqlar yordamida
regressiya masalalarini yechish jarayonini amaliy jihatdan o‘rganishdan iborat. Ish
davomida ma’lumotlarni tayyorlash, model yaratish, uni o‘qitish, baholash hamda
natijalarni vizual tahlil qilish bosqichlari ketma-ket bajariladi. Natijada
foydalanuvchi real ma’lumotlar asosida bashorat qiluvchi model qurish, uning

aniqligini baholash va natijalarni grafik ko‘rinishda tahlil qilish ko‘nikmalariga ega
bo‘ladi.

1-kod: Ma’lumotlarni tayyorlash
Bu bosqichda dastlab California Housing ma’lumotlar to‘plami yuklab
olindi va pandas kutubxonasi yordamida jadval ko‘rinishiga keltirildi. Ma’lumotlar
tarkibidan mustaqil o‘zgaruvchilar va bog‘liq o‘zgaruvchi ajratildi, bunda mustaqil
o‘zgaruvchilar modelga kirish sifatida, bog‘liq o‘zgaruvchi esa bashorat qilinuvchi
qiymat sifatida belgilandi.
Keyingi bosqichda train_test_split funksiyasi yordamida ma’lumotlar
o‘qitish va test to‘plamlariga ajratildi, bu esa modelni o‘qitish va uning aniqligini
tekshirish jarayonlarini alohida amalga oshirish imkonini berdi. Shundan so‘ng
StandardScaler yordamida ma’lumotlar standartlashtirildi, natijada barcha belgilar
bir xil masshtabga keltirildi va modelning barqaror ishlashi ta’minlandi.
Natijada model uchun tayyorlangan X_train, X_test, y_train va y_test to‘plamlari
hosil qilindi hamda ma’lumotlar keyingi bosqichlarga tayyor holga keltirildi.

2-kod: Neyron tarmoq modelini yaratish

Bu bosqichda TensorFlow va Keras kutubxonalari yordamida regressiya
masalasini yechishga mo‘ljallangan neyron tarmoq modeli yaratildi. Model
Sequential arxitekturasi asosida qurildi va unda kirish qatlami, bir nechta yashirin
qatlamlar hamda chiqish qatlami belgilandi. Yashirin qatlamlarda ReLU
aktivatsiya funksiyasi qo‘llanildi, chiqish qatlamida esa bitta neyron orqali
uzluksiz qiymatni bashorat qilish amalga oshirildi.
Model adam optimizatori va mse yo‘qotish funksiyasi yordamida
kompilyatsiya qilindi, bu regressiya masalalari uchun mos hisoblanadi. Shu bilan
model o‘qitish jarayoniga tayyor holga keltirildi.

3-kod: Modelni o‘qitish va baholash
Ushbu bosqichda model o‘qitish ma’lumotlari asosida .fit() funksiyasi
yordamida o‘qitildi. O‘qitish jarayonida overfittingni oldini olish maqsadida
EarlyStopping mexanizmi qo‘llanildi, bu esa modelning ortiqcha moslashib
ketishini kamaytirishga yordam berdi.
Model o‘qitilgandan so‘ng test ma’lumotlar asosida bashoratlar olindi va
natijalar mean_squared_error hamda r2_score metrikalari yordamida baholandi.
MSE modeli xatolik darajasini ko‘rsatgan bo‘lsa, R² koeffitsienti modelning
qanchalik yaxshi tushuntira olayotganini ifodaladi.
Shuningdek, modelni yaratish jarayonida kichik ogohlantirish (warning) yuzaga
keldi, ammo bu model ishlashiga salbiy ta’sir ko‘rsatmadi

4-kod: Natijalarni vizualizatsiya qilish
Bu bosqichda model natijalari grafik ko‘rinishda tahlil qilindi. Matplotlib
kutubxonasi yordamida haqiqiy va bashorat qilingan qiymatlar scatter plot orqali
tasvirlandi, bu esa modelning aniqligini vizual tarzda baholash imkonini berdi.
Shuningdek, o‘qitish jarayonidagi yo‘qotish funksiyasi qiymatlari grafik
ko‘rinishda chizildi, bunda train va validation loss o‘zgarishi kuzatildi. Ushbu
grafik modelning o‘qitilish jarayonidagi holatini, ya’ni uning yaxshilanib borishini
yoki ortiqcha moslashuv holatlarini aniqlashga yordam berdi.

Xulosa:
Ushbu amaliy ish davomida neyron tarmoqlar yordamida regressiya
masalalarini yechish jarayoni to‘liq o‘rganildi. Dastlab ma’lumotlarni tayyorlash
bosqichi bajarildi, bunda dataset yuklab olinib, kerakli shaklga keltirildi va o‘qitish
hamda test qismlarga ajratildi.
Keyingi bosqichda neyron tarmoq modeli yaratildi va uning tuzilishi hamda
ishlash prinsipi amaliy jihatdan tushunildi. Modelni o‘qitish jarayonida
EarlyStopping kabi usullar orqali model sifatini yaxshilash mumkinligi ko‘rildi.
Model baholanish jarayonida MSE va R² kabi metrikalar yordamida uning aniqligi
aniqlandi hamda natijalar grafiklar orqali tahlil qilindi. Vizualizatsiya orqali
modelning qanchalik to‘g‘ri ishlayotgani aniqroq tushunildi.
Umuman olganda, bu amaliy ish orqali ma’lumotlarni tayyorlash, neyron
tarmoq modelini yaratish, uni o‘qitish, baholash va natijalarni tahlil qilish bo‘yicha
muhim ko‘nikmalar hosil qilindi va regressiya masalalarini sun’iy intellekt
yordamida yechish jarayoni amaliy tarzda o‘zlashtirildi.