# Sun'iy neyron tarmog'ini yaratish uchun TensorFlow kutubxonasidan foydalanamiz.
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
# 1. Ma'lumotlar tayyorlash
# "make_moons" funksiyasi sun'iy ma'lumotlar to'plamini yaratadi
X, y = make_moons(n_samples=1000, noise=0.2, random_state=42)
# Ma'lumotlarni trening va test to'plamlariga ajratish
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Ma'lumotlarni standartlashtirish
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 2. Model yaratish
model = Sequential([
Dense(16, activation='relu', input_shape=(2,)), # 1-qavat: 16 neyron, ReLU faollashtirish funksiyasi
Dense(16, activation='relu'), # 2-qavat: 16 neyron, ReLU
Dense(1, activation='sigmoid') # 3-qavat (chiqish qavati): 1 neyron, Sigmoid funksiyasi
])
# Modelni kompilyatsiya qilish
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
# 3. Modelni o'qitish
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2, verbose=1)
# 4. Modelni baholash
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f"Test to'plamidagi aniqlik: {test_accuracy:.2f}")
# 5. Natijalarni vizualizatsiya qilish
# O'qitish jarayonidagi yo'qotish va aniqlikni chizish
plt.figure(figsize=(12, 5))
# Yo'qotish grafigi
plt.subplot(1, 2, 1)
plt.plot(history.history['loss'], label='Trening yo\'qotish')
plt.plot(history.history['val_loss'], label='Validatsiya yo\'qotish')
plt.title('Yo\'qotish')
plt.xlabel('Epochs')
plt.ylabel('Yo\'qotish')
plt.legend()
# Aniqlik grafigi
plt.subplot(1, 2, 2)
plt.plot(history.history['accura… Read in full →
Endi freelancerlikni boshlaganlarga maslahat😁(o'zimning qovunchilik tajribdan kelib chiqib)
- Klientga hech qachon 1-bo'lib narxni aytmang, aytsangiz ham siz qancha summaga qilib bera olsangiz anashunda 10 marta katta summa ayting keyin uni budgetiga qarab ozaytiring.Avansni ham unitmang o'rtacha 30-40% oling. Agar proyekt atmen bo'b ketsayu siz bitirgan bo'lsangiz sizga 50% pulni tashlashini ayting
- Deadline ni iloji boricha soring lekin o'ta uzoq vaqtga emas. Shunda siz projectni ancha erta topshirasiz va mijozni sizga bo'lgan ishonchi ortadi(koproq pul berishi ham mumkun)
- Qilayotga ishlaringizni mijozga tez-tez tashlab turing(ishonch uchun)
- Agar proyektni olib yoki olmasdan turib yasay olmasligingizni bilsangiz qimmatroq narxga oling va boshqa developer topib anashu ishlarni qildiring(va bitkizgandan so'ng shu postni unga jo'nating )
Shu mani olgan tajribam sizlarga ham ulashay dedim. Omad hammaga
#oqishkerak #python #roadmap #coding #python@pythonNews_Uzbekistan
6 · 1.2K · 👋 Assalomu alaykum!
Ushbu kanalni yaratishdan maqsadimiz O‘zbekistonda hackathonlar uchun hali to‘liq shakllanmagan jamiyatni birlashtirish, dasturlash sohasiga qiziqishni yanada oshirish va yangi, foydali g‘oyalarni qo‘llab-quvvatlashdir.
Biz bu orqali mamlakatimizda dasturchilar uchun faol hamjamiyat barpo etishni niyat qildik.
Agar siz ham ushbu harakatning bir qismi bo‘lishni xohlasangiz, dasturlashga qiziqadigan do‘stlaringizni taklif qiling va o‘zingiz ham bizga qo‘shiling!
Kelajakdagi rejalarimiz:
• Hackathonlar uchun zamonaviy platforma ishlab chiqish va dasturchilarni ushbu platformaga jalb qilish.
• Doimiy ravishda yangi hackathonlar tashkil etish hamda innovatsion g‘oyalarni qo‘llab-quvvatlash.
Siz qanday hissa qo‘shishingiz mumkin?
Agar siz backend, frontend yoki grafik dizayn sohasida tajribaga ega bo‘lsangiz, bizning non-profit (foyda ko‘zlamaydigan) loyihamizga qo‘shiling va o‘z bilimlaringiz bilan jamiyatga foyda keltiring. Bizning jamoamiz har doim ochiq – xohlagan vaqtingizda biz bilan bog‘lanishingiz mumkin!
📲Bog'lanish uchun: @chill_guy777
5 · 1K ·