Berilganlarni intellektual tahlili, modellar va tizimlari ishlash prinsiplari, foydalanish sohalarini tahlil qilish

MUNDARIJA
KIRISH .......................................................................................................................................................... 2
I-BOB. INTELLEKTUAL TAHLIL VA UNING ASOSIY NAZARIY ASOSLARI .......................................................... 5
1.1. Berilganlarni intellektual tahlili tushunchasi va mohiyati ..................................................................... 5
1.2. Intellektual tahlil texnologiyalari va modellar ....................................................................................... 7
II-BOB. INTELLEKTUAL TAHLIL TIZIMLARI VA FOYDALANISH SOHALARI ..................................................... 13
2.1. Intellektual tahlil tizimlari va dasturiy vositalar .................................................................................. 13
2.2. Tahlil texnologiyalarining amaliy qo‘llanilishi ...................................................................................... 16
III-BOB. Amaliy qism: Intellektual model yaratish va tahlil qilish ............................................................... 20
3.1. Ma’lumotlar asosida model qurish jarayoni ....................................................................................... 20
3.2. Modelni sinovdan o‘tkazish va natijalarni tahlil qilish ......................................................................... 23
XULOSA ...................................................................................................................................................... 25
FOYDALANILGAN ADABIYOTLAR ................................................................................................................ 26
FOYDALANILGAN INTERNET MANBALARI .................................................................................................. 26
ILOVA ......................................................................................................................................................... 28 KIRISH
Insoniyat   tarixining   ko‘p   asrlik   tajribasi   ezgu   g‘oyalardan   va   sog‘lom
mafkuradan mahrum biron-bir jamiyatning uzoqqa bora olmasligini ko‘rsatdi. Shu
bois,   mustaqillik   tufayli   mamlakatimiz   o‘z   oldiga   ozod   va   obod   Vatan,   erkin   va
farovon   hayot   barpo   etish,   rivojlangan   mamlakatlar   qatoridan   o‘rin   olish,
demokratik jamiyat qurish kabi ezgu maqsadlarni qo‘ydi.
Bu   esa   kelajagimizni   yaqqol   tasavvur   etish,   jamiyatimizning   ijtimoiy-
ma’naviy   poydevorini   mustahkamlash   ehtiyojini   tug‘diradi.   Demak,   galdagi   eng
asosiy   vazifa:   yosh   avlodni   Vatan   ravnaqi,   yurt   tinchligi,   xalq   farovonligi   kabi  
olijanob tuyg‘ular ruhida tarbiyalash, yuksak fazilatlarga ega, ezgu g‘oyalar  bilan
qurollangan   komil   insonlarni   voyaga   etkazish,   jahon   andozalariga   mos,   kuchli
bilimli, raqobatbardosh kadrlar tayyorlashdir.
Mustaqillikka erishganimizdan so‘ng yurtimizning barcha sohalari qatorida
axborot   texnologiyalari   sohasi   ham   tubdan   o‘zgarib,   rivojlanishga   yuz   tutdi.
Hozirgi kunda yurtimizda biz yoshlarga keng imkoniyatlar eshigi ochilmoqda. 
Hozirgi   texnika  va texnologiyalarning jadallik  bilan rivojlanib borayotgan
zamonida inson faktoriga bo‘lgan talab kundan kunga kamayib bormoqda. Buning
asosiy   sababi   —   zamonaviy   texnologiyalarning   inson   og‘irini
yengillatayotganligida. 
Hozirgi   kunda   hayotimizning   barcha   jabhalariga   texnik   va   texnologik
qurilmalar, avtomatlashgan tizimlar, kompyuter texnologiyalari kirib kelib ulgirdi.
Kimdir   bu   texnika   va   texnologiyalardan   unumli   vasamarali   oydalanmoqda,   unga
yanada qo‘shimcha yangilik va qo‘shimchalar kiritmoqda, aksincha yana kimlardir
ularni boricha o‘z holatida ishlatmoqda.
XXI   asr   —   “Axborot   asri”.   Ushbu   asrda   texnika   va   texnologiyalar   shu
darajada rivojlanib kettiki, hatto inson aqli bovar qilmas dajaga yetib ulgirdi.
Hozirgi   kunda   juda   ham   ko‘plab   yordamchi   dasturlar   ishlab   chiqaruvchi
kompaniyalar   mavjud.   Bularning   ichida   foydalanuvchiga   yordam   beradigan   va
bevosita   o‘zining   dastur   yaratishiga   imkon   beruvchi   dasturlarni   ham   ishlab
chiqaruvchi kompaniyalar mavjud. 
2 Kurs ishining vazifalari : Berilganlarni intellektual tahlili haqida umumiy
tushuncha   shakllantirish,  intellektual  tahlil   nima,  u  qanday  ishlaydi,   boshqa  tahlil
turlaridan farqlari nimalardan iborat ekanligini o‘rganish.
Tahlil   modellarining   asosiy   turlarini   o‘rganish   va   ularni   solishtirish ,
k lassifikatsiya, klasterlash, regressiya, neyron tarmoqlar kabi modellarning ishlash
prinsiplari bilan tanishish.
Intellektual   tahlil   texnologiyalarining   amaliy   sohalardagi   qo‘llanilishini
tahlil qilish, sog‘liqni saqlash, ta’lim, moliya, sanoat  va boshqa sohalarda qanday
foyda berayotgani haqida misollar keltirish.
Ma’lumotlar   asosida   oddiy   intellektual   model   yaratish   va   uni   testdan
o‘tkazish ,   r eal   yoki   sintez   qilingan   ma’lumotlar   asosida   amaliy   model   yaratish,
undan natijalarni olish va baholash.
Model natijalariga asoslanib xulosalar chiqarish va foydali tavsiyalar ishlab
chiqish,   amaliy   natijalarni   tahlil   qilib,   tahlilning   foydasini   ko‘rsatish   va   amaliy
foydalanish bo‘yicha fikrlar berishda iborat.
Kurs ishining tuzilishi : Kurs ishi  kirish qismi, uch bob, 6 bo‘lim, xulosa
va ilmiy-amaliy tavsiyalar hamda foydalangan adabiyotlar ro‘yxatidan iborat.
Kurs   ishi   tuzilmasining   tavsifi :   Mazkur   kurs   ishi   kirish,   tanlangan
ob’ektlar   va   tadqiqot   usullari,   asosiy   boblar,   xulosa   hamda   foydalanilgan
adabiyotlar ro‘yxatidan iboratdir.
Kurs   ishining   kirish   qismida   ushbu   ishning   dolzarbligi,   asosiy   maqsad   va
vazifalari,   ishning   nazariy   va   amaliy   ahamiyati,   tadqiqot   usullari   hamda   ishning
tuzilishi haqida umumiy ma’lumotlar keltirilgan.
Tanlangan ob’ektlar va tadqiqot usullari bo‘limida berilganlarni intellektual
tahlil   qilish   uchun   tanlangan   usullar,   vositalar   va   dasturiy   ta’minotlar   (masalan,
Python,  Excel  va  boshqa  AI   vositalari)  haqida   ma’lumotlar   beriladi.  Shuningdek,
ma’lumotlarni yig‘ish, tozalash, modellashtirish va tahlil qilish bosqichlari hamda
bu bosqichlarda qo‘llaniladigan algoritmlar va metodlar bayon etiladi.
Kurs ishining birinchi bobida intellektual tahlil tushunchasi, uning nazariy
asoslari,   asosiy   modellar   (klassifikatsiya,   klasterlash,   regressiya   va   boshqalar)   va
3 bu   texnologiyalarning   ishlash   prinsiplari   yoritilgan.   Bundan   tashqari,   zamonaviy
intellektual   tahlil   tizimlari   va   ularning   afzalliklari   haqida   ham   ma’lumotlar
keltirilgan.
Ikkinchi   bobda   intellektual   tahlil   texnologiyalarining   real   sohalardagi
qo‘llanilishi, ularning foydalari, konkret misollar (ta’lim, sog‘liqni saqlash, moliya
va   boshqalar)   asosida   tahlil   qilinadi.   Turli   dasturiy   vositalar   yordamida   qanday
amaliy natijalarga erishish mumkinligi yoritiladi.
Uchinchi   bobda   kurs   ishi   doirasida   bajarilgan   amaliy   loyiha   tavsifi
berilgan. Tanlangan ma’lumotlar bazasidan foydalangan holda, intellektual model
yaratish,   uni   tahlil   qilish   va   yakuniy   natijalarni   olish   bosqichlari   bosqichma-
bosqich   ko‘rib   chiqiladi.   Shuningdek,   model   ishlashini   sinash,   grafik   natijalarni
ko‘rsatish va tahliliy xulosa chiqarishlar keltiriladi.
Kurs   ishining   xulosa   qismida   bajarilgan   ishlar   bo‘yicha   umumiy   yakuniy
natijalar,   tahlil   natijasi   asosida   chiqarilgan   xulosalar   va   kelgusida   bajarilishi
mumkin bo‘lgan takliflar berilgan.
Ish yakunida foydalanilgan adabiyotlar ro‘yxati keltirilib, mavzu doirasida
foydalanilgan kitoblar, maqolalar va internet manbalari ko‘rsatilgan.
4 I-BOB. INTELLEKTUAL TAHLIL VA UNING ASOSIY NAZARIY
ASOSLARI
1.1. Berilganlarni intellektual tahlili tushunchasi va mohiyati
Axborot   texnologiyalarining   jadal   rivojlanishi   natijasida   bugungi
kunda   turli   sohalarda   to‘planayotgan   ma’lumotlar   hajmi   keskin   ortmoqda.
Kompyuter   texnologiyalari,   mobil   qurilmalar,   internet   xizmatlari,   sanoat
jarayonlari,   sog‘liqni   saqlash   tizimlari,   ijtimoiy   tarmoqlar   va   boshqa   ko‘plab
manbalar orqali kunlik ravishda ulkan hajmdagi ma’lumotlar yaratilmoqda. Ushbu
ma’lumotlar   ichida   esa   insoniyat   uchun   muhim   bo‘lgan   qarorlar   qabul   qilish,
bashoratlar   tuzish   va   strategik   rejalashtirish   uchun   foydalanish   mumkin   bo‘lgan
yashirin   naqshlar,   bog‘liqliklar   va   bilimlar   mavjud.   Ana   shu   yashirin   bilimlarni
aniqlash, ularni strukturaviy tahlil qilish va foydali ma’lumotga aylantirish jarayoni
berilganlarni intellektual tahlil qilish deb ataladi.
Berilganlarni   intellektual   tahlili   (BIТ   –   ingl.   Data   Mining)   –   bu   katta
hajmdagi ma’lumotlar bazasi ichidan ilgari noma’lum bo‘lgan, foydali va qo‘llash
mumkin   bo‘lgan   bilimlarni   aniqlash   jarayoni   hisoblanadi.   Bu   soha   kompyuter
fanining   bir   necha   yo‘nalishlari,   jumladan,   sun’iy   intellekt,   mashinaviy   o‘rganish
(Machine Learning), statistik tahlil, ma’lumotlar bazasi texnologiyalari, algoritmik
modellashtirish va vizualizatsiya bilan bevosita bog‘liqdir.
Intellektual   tahlilning   asosiy   maqsadi   –   ko‘p   sonli   ma’lumotlar   orasidan
tahliliy   qarorlar   qabul   qilishga   yordam   beradigan   tendensiyalar,   naqshlar,
anomaliyalar   va   qoidalarni   aniqlashdir.   Bu   usul   insonning   mantiqiy   xulosalar
chiqarish   jarayonini   avtomatlashtirishga   imkon   beradi.   Misol   uchun,   bir   internet
do‘koni   foydalanuvchilarning   xarid   qilish   odatlarini   o‘rganib,   ularning   ehtimoliy
xaridlarini oldindan bashorat qilishi mumkin. Shu kabi tahliliy yondashuvlar orqali
savdo   hajmini   oshirish,   xizmat   sifatini   yaxshilash   va   biznes   strategiyalarini
optimallashtirish mumkin.
Berilganlarni   intellektual   tahlil   qilishning   dastlabki   bosqichlaridan   biri   bu
ma’lumotlarni   tayyorlash   hisoblanadi.   Bunga   ma’lumotlarni   yig‘ish,   birlashtirish,
tozalash, normalizatsiya qilish va kerakli formatga keltirish kiradi. Ushbu bosqich
5 sifatli tahlil uchun poydevor hisoblanadi. Shundan so‘ng, asosiy intellektual tahlil
metodlari   qo‘llaniladi,   ya’ni:   klassifikatsiya,   regressiya,   klasterlash,   assotsiatsiya
qoidalari,   anomaliya   aniqlash,   neyron   tarmoqlar   asosidagi   modellashtirish   va
boshqalar.
Klassifikatsiya   usuli   yordamida   berilganlar   oldindan   belgilangan   sinflarga
ajratiladi.   Masalan,   tibbiyotda   bemorlarning   kasallik   toifalariga   ajratilishi   yoki
bank   sohasida   kredit   olish   ehtimoli   bo‘lgan   mijozlarni   tahlil   qilishda   ishlatiladi.
Regressiya   esa   o‘zgaruvchi   qiymatlarni   bashorat   qilishda   qo‘llaniladi,   ya’ni   biror
parametr (masalan, narx, temperatura yoki sotuv darajasi) bo‘yicha bashorat qilish.
Klasterlash   esa   oldindan   belgilab   qo‘yilmagan   guruhlarni   avtomatik   aniqlashga
yordam   beradi.   Bu   usul   marketing,   demografik   tahlil,   ijtimoiy   tarmoqlardagi
foydalanuvchi guruhlarini ajratishda keng qo‘llaniladi.
Intellektual   tahlil   jarayoni   KDD   (Knowledge   Discovery   in   Databases   –
Ma’lumotlar   bazasida   bilimlarni   aniqlash)   deb   ataladigan   umumiy   model   asosida
amalga oshiriladi. Ushbu model quyidagi asosiy bosqichlarni o‘z ichiga oladi:
 Ma’lumotlarni yig‘ish va birlashtirish
 Ma’lumotlarni tozalash va tayyorlash
 Ma’lumotlarni o‘rganish va modellash
 Olingan natijalarni baholash
Foydali bilimlarni aniqlab, ularni qaror qabul qilishda qo‘llash
Bu jarayon interaktiv va takrorlanuvchi bo‘lib, har bir bosqichdagi natijalar
asosida  tahlil  strategiyasini  moslashtirish mumkin. Shu sababli, BIТ – bu nafaqat
texnik, balki analitik fikrlashni talab qiladigan jarayon hisoblanadi.
Yana   bir   muhim   jihat   shundaki,   BIТ   jarayonida   mashinalarni   o‘rganish
algoritmlari   asosiy   rol   o‘ynaydi.   Masalan,   qaror   daraxtlari,   K   yaqin   qo‘shnilar
algoritmi, qo‘llab-quvvatlovchi vektor mashinalari (SVM), Naive Bayes va chuqur
o‘rganishga   asoslangan   neyron   tarmoqlar.   Bu   algoritmlar   yordamida   ma’lumotlar
ichidagi noaniqliklar, murakkab bog‘liqliklar va yashirin naqshlar aniqlanadi.
Berilganlarni   intellektual   tahlil   qilishning   dolzarbligi   ayniqsa   bugungi
raqamli   davrda   juda   yuqoridir.   Ko‘plab   tashkilotlar,   xususan,   banklar,   sug‘urta
6 kompaniyalari,   chakana   savdo   tarmoqlari,   davlat   organlari,   sog‘liqni   saqlash
muassasalari,   internet   xizmat   ko‘rsatuvchi   kompaniyalar   aynan   intellektual   tahlil
yordamida o‘z faoliyatini optimallashtirmoqda. Bu usul orqali ular mijozlar xatti-
harakatini   o‘rganadi,   xavflarni   oldindan   aniqlaydi,   firibgarlik   holatlarini
prognozlaydi va samarali marketing strategiyalarini ishlab chiqadi.
Yakuniy   qilib   aytganda,   berilganlarni   intellektual   tahlili   bu   –   zamonaviy
axborot   dunyosida   bilim   olishning   yangi   bosqichidir.   U   inson   bilimlarini
to‘ldiruvchi,   ma’lumotlarni   mantiqiy,   tizimli   va   avtomatlashtirilgan   tarzda   tahlil
qilish   imkonini   beruvchi   kuchli   vositadir.   Kelgusida   sun’iy   intellekt,   katta
ma’lumotlar   (Big   Data)   va   chuqur   o‘rganish   texnologiyalari   bilan
integratsiyalashgan   holda,   BIТ   yanada   kengroq   sohalarda   qo‘llanilishi   va   muhim
strategik vositaga aylanishi kutilmoqda.
1.2. Intellektual tahlil texnologiyalari va modellar
Zamonaviy   axborot   texnologiyalari   taraqqiyoti   bilan   jamiyatda
ma’lumotlar   oqimi   keskin   oshdi.   Har   bir   tashkilot,   tizim   yoki   foydalanuvchi
faoliyati doirasida katta hajmdagi berilganlar (data) hosil bo‘ladi. Bu berilganlarni
tahlil   qilish,   tartibga   solish   va   ulardan   foydali   bilimlar   ajratib   olish   bugungi
raqamli   transformatsiya   sharoitida   juda   dolzarb   masalaga   aylangan.   Ana   shu
ehtiyojni   qondiruvchi   muhim   yo‘nalishlardan   biri   bu   —   berilganlarni   intellektual
tahlil qilish, ya’ni Data Mining hisoblanadi.
Intellektual   tahlil   –   bu   avtomatik   yoki   yarim   avtomatik   tarzda   katta
hajmdagi   murakkab   berilganlardan   foydali   va   ilgari   noma’lum   bo‘lgan   naqshlar,
bog‘lanishlar,   tendensiyalar   va   qonuniyatlarni   aniqlashga   qaratilgan   ilmiy-amaliy
faoliyatdir.   Bu   faoliyat   turli   texnologiyalar,   matematik   modellar,   algoritmlar   va
dasturiy vositalar  asosida  amalga oshiriladi.   Intellektual  tahlil texnologiyalarining
mohiyati   shundaki   u,   Data   Mining   texnologiyalari   ko‘pincha   ma’lumotlar
omborlari   (Data   Warehouse)   yoki   Big   Data   platformalari   asosida   ishlaydi.   Ular
ma’lumotlarni   faqat   saqlash   bilan   cheklanmaydi,   balki   ularni   qayta   ishlash,
filtrlash,   tozalash,   tahlil   qilish   va   foydali   bilimlarni   ajratib   olish   imkonini   beradi.
Bu   texnologiyalar   foydalanuvchilarga   strategik   qarorlar   qabul   qilishda   yordam
7 beradi.   Intellektual   tahlil   texnologiyalari   quyidagi   asosiy   bosqichlarni   o‘z   ichiga
oladi:
1. Ma’lumotlarni   yig‘ish   va   tozalash   –   Ma’lumotlar   turli   manbalardan
(sensorlar,   veb-saytlar,   foydalanuvchi   tizimlari)   olinadi.   Keyin   bu   ma’lumotlar
tozalanadi:   yo‘qolgan   qiymatlar   to‘ldiriladi,   takroriy   yozuvlar   olib   tashlanadi,
formatlar birxillashtiriladi.
2. Tahlil   va   modellashtirish   –   Tahlil   bosqichida   mashinaviy   o‘rganish
algoritmlari,   statistik   modellar   va   ehtimollar   nazariyasi   asosida   ma’lumotlardan
bilim   ajratib  olinadi.   Bu  bosqichda   tanlov  algoritmlari,   bashoratlash   modellari   va
klasifikatsiya usullari ishlatiladi.
3. Vizualizatsiya   –   Tahlil   natijalarini   grafik,   diagramma   yoki   interaktiv
vositalar   yordamida   taqdim   qilish   orqali   foydalanuvchiga   qulay   ko‘rinishda
tushuntiriladi.
Berilganlarni   intellektual   tahlil   qilishda   turli   modellar   qo‘llaniladi.
Ularning   har   biri   ma’lumotlar   xarakteri   va   tahlil   maqsadiga   qarab   tanlanadi .
Intellektual   tahlil   modellarining   asosiy   turlari   sifatida   quyidagilari   olishimiz
mumkin:
Klassifikatsiya   (Classification)   –   bu   ma’lumotlar   to‘plamini   oldindan
belgilangan sinflarga ajratish jarayonidir. Bu modelda algoritm o‘quv ma’lumotlar
to‘plamidan o‘rganadi va keyinchalik yangi ma’lumotlarni to‘g‘ri sinfga ajratishni
o‘rganadi. Misollar:
 Bankda   kredit   so‘rovchilarni   “ishonchli”   va   “ishonchsiz”   guruhga
ajratish.
 Tibbiy ma’lumotlar asosida bemorlarni xavf guruhlariga ajratish.
 E-pochta xabarlari ichidan spamlarni aniqlash.
Mashhur   klassifikatsiya   algoritmlari ga   misol   qilib   Decision   Tree,   Naive
Bayes,   K-Nearest   Neighbors   (KNN),   Random   Forest,   Support   Vector   Machines
(SVM)  larni olishimiz mumkin.
8 Regressiya   (Regression)   –   uzluksiz   qiymatlarni   bashorat   qilishda
ishlatiladi.   U   orqali   bog‘liqliklar   aniqlanadi   va   kelgusidagi   qiymatlar   taxmin
qilinadi. Misollar:
 Uy narxini joylashuv, maydon va holatiga qarab aniqlash.
 Aholining energiya sarfini bashorat qilish.
Eng   ko‘p   ishlatiladigan   usullar dan   Linear   Regression,   Ridge/Lasso
Regression, Polynomial Regression  algoritmlarini olishimiz mumkin. 
Klasterlash (Clustering)   – ma’lumotlar orasida tabiiy guruhlarni aniqlash
texnikasi bo‘lib, sinflar oldindan belgilanmagan bo‘ladi. Misollar:
 Mijozlarni xarid qilish xatti-harakatiga ko‘ra guruhlarga ajratish.
 Tibbiyotda bemor simptomlari asosida guruhlash.
Klasterlash algoritmlari ga esa  K-Means, Hierarchical Clustering, DBSCAN
algoritmlari misol bo‘la oladi.
Assotsiatsiya   qoidalari   (Association   Rule   Mining)   –   u shbu   model
yordamida   biror   voqea   sodir   bo‘lishi   boshqa   voqealar   bilan   qanday   bog‘liqligini
aniqlash mumkin. Misollar:
 Savdo analizida, “Kim sut sotib olgan bo‘lsa, ko‘pincha non ham sotib
olgan”.
 Internet   savdoda   tovarlar   o‘zaro   qanday   to‘plamda   xarid   qilinishini
aniqlash.
Assotsiatsiya   qoidalari   uchun   mashxur   a lgoritmlar   sifatida   Apriori,   Eclat,
FP-Growth lani olishimiz mumkin .
Anomaliya aniqlash (Anomaly Detection)   – b u model me’yordan chetga
chiqqan holatlarni aniqlaydi. Misollar:
 Bankdagi firibgarliklarni aniqlash.
 Sanoatda qurilma nosozliklarini erta aniqlash.
Chuqur   o‘rganish   (Deep   Learning)   –   b u   yondashuv   sun’iy   neyron
tarmoqlari   asosida   ishlaydi.   U   ko‘p   qatlamli   tarmoqlar   orqali   murakkab   naqshlar
va bog‘liqliklarni o‘rganadi. Asosan tasvirlar, audio, tabiiy til va katta miqdordagi
strukturasiz ma’lumotlar bilan ishlashda qo‘llaniladi.
9 Asosiy   texnologiyalar   sifatida   Convolutional   Neural   Networks   (CNN),
Recurrent   Neural   Networks   (RNN),   Long   Short-Term   Memory   (LSTM)   lani
olishimiz mumkin .
Intellektual   tahlil   texnologiyalarining   samaradorligi   ularga   mos   dasturiy
vositalar mavjudligiga bog‘liq. Eng mashhur vositalar quyidagilar:
Python   –   Pandas,   NumPy,   scikit-learn,   TensorFlow,   Keras,   Matplotlib   va
Seaborn kabi kutubxonalar orqali keng imkoniyat yaratadi.
R – Statistik tahlil va vizualizatsiyada kuchli hisoblanadi.
RapidMiner   –   Vizual   interfeys   orqali   murakkab   tahlillarni   dasturlashsiz
amalga oshirishga imkon beradi.
KNIME   –   Ma’lumotlar   oqimini   bloklar   orqali   boshqarish   va
modellashtirish imkonini beradi.
Weka – Intellektual tahlil modellarini tezda sinovdan o‘tkazish uchun qulay
grafik interfeysga ega.
Tableau, Power BI – Ma’lumotlarni interaktiv tahlil qilish va vizualizatsiya
qilishda ishlatiladi.
Intellektual   tahlil   (analitika)   jarayonida   model   yaratish   —   bu   faqat
boshlang‘ich bosqich bo‘lib, real qiymat va amaliy ahamiyatga ega bo‘lishi uchun
ushbu   modelning   sifatini   baholash   zarurati   yuzaga   keladi.   Modelni   baholash
(evaluation)   bosqichi   uning   haqiqiy   ma’lumotlar   ustida   qanday   ishlashini,
bashoratlarning   qanchalik   aniq   ekanligini   va   umumiy   holda   modelning   foydalilik
darajasini   aniqlashga   qaratilgan.   Mazkur   bosqichda   bir   nechta   statistik
metrikalardan foydalaniladi, ular turli turdagi modellarga mos holda tanlanadi.
Eng keng tarqalgan metrikalardan biri bu aniqlik (Accuracy) hisoblanadi. U
model tomonidan to‘g‘ri bashorat qilingan holatlarning umumiy bashoratlar soniga
nisbati   orqali   aniqlanadi.   Ammo   bu   ko‘rsatkich   muvozanatsiz   ma’lumotlar
to‘plamida   (masalan,   klasslar   soni   teng   bo‘lmagan   holatlarda)   noto‘g‘ri
xulosalarga olib kelishi mumkin.
Shuning   uchun   klassifikatsiya   vazifalarida   Precision   (aniqlik)   va   Recall
(qamrov)   kabi   ko‘rsatkichlar   alohida   ahamiyat   kasb   etadi.   Precision   —   model
10 tomonidan   ijobiy   deb   bashorat   qilingan   holatlarning   nechta   haqiqatan   ham   ijobiy
bo‘lganligini   ko‘rsatadi.   Recall   esa   —   mavjud   ijobiy   holatlarning   nechta   model
tomonidan   to‘g‘ri   aniqlanganini   bildiradi.   Bu   ikki   metrika   ayniqsa   tibbiyot,
xavfsizlik, moliya sohalaridagi muhim klassifikatsiyalarda juda zarur. Mazkur ikki
metrika   o‘rtasidagi   muvozanatni   F1-score   ko‘rsatkichi   baholaydi.   F1-score   bu
precision va recall’ning garmonik o‘rtachasi bo‘lib, ayniqsa muvozanatsiz klasslar
mavjud bo‘lsa, model bahosini yanada aniqroq beradi.
Shuningdek,   Confusion   Matrix   (Chalg‘ituvchi   matritsa)   —   modelning
bashoratlari va haqiqiy natijalari o‘rtasidagi tafovutlarni vizual ko‘rinishda taqdim
etadi.   Bu   matritsa   orqali   True   Positive,   True   Negative,   False   Positive   va   False
Negative ko‘rsatkichlarini aniq ko‘rish mumkin bo‘ladi.   Modelning barcha klasslar
bo‘yicha   ishlashini   baholashda   esa   ROC   (Receiver   Operating   Characteristic)   egri
chizig‘i va AUC (Area Under Curve) kabi vositalar keng qo‘llaniladi. ROC AUC
modelning   turli   threshold   (chegaraviy)   qiymatlaridagi   sezgirlik   (sensitivity)   va
specifiklik   (specificity)   o‘rtasidagi   muvozanatni   baholash   imkonini   beradi.   Agar
model   kutilgan   natijani   bermasa,   u   holda   modelning   parametrlarini
Hyperparameter   Tuning   (gipertanlov   parametrlarini   sozlash)   orqali
optimallashtirish   tavsiya   etiladi.   Bu   jarayon   Grid   Search,   Random   Search   yoki
zamonaviy bayes usullari yordamida amalga oshiriladi.
Yakuniy   baholash   bosqichida   modelning   umumiylashganligi   va   turli
ma’lumotlar to‘plamlariga nisbatan barqarorligini aniqlash uchun Cross-validation
(kross-valitatsiya)   metodidan   foydalaniladi.   Bu   metod   modelni   turli   kichik
bo‘laklarda   sinab   ko‘rish   orqali   baholashni   ta’minlaydi   va   overfitting   (ortiqcha
moslashuv)   yoki   underfitting   (etarsiz   moslashuv)   holatlarini   aniqlashda   muhim
vosita   bo‘ladi.   Shu   tariqa,   modelni   yaratish   va   uni   baholash   o‘zaro   chambarchas
bog‘liq   bo‘lib,   intellektual   tahlilning   muvaffaqiyatli   yakunlanishi   ko‘p   jihatdan
to‘g‘ri baholash bosqichiga bog‘liqdir.
Intellektual   tahlil   texnologiyalari   va   modellar   zamonaviy   axborot
dunyosining   ajralmas   qismiga   aylangan.   Ular   orqali   nafaqat   mavjud   ma’lumotlar
tahlil   qilinadi,   balki   yangi   bilimlar   yaratiladi,   bashoratlar   qilinadi,   samarali
11 strategiyalar   ishlab   chiqiladi.   Bu   texnologiyalar   yordami   bilan   tashkilotlar   o‘z
faoliyatini optimallashtiradi, foydalanuvchilarga individual xizmatlar taqdim etadi
va   raqobatda   ustunlikka   erishadi.   Intellektual   tahlil   texnologiyalarini   o‘zlashtirish
zamonaviy dasturchi va analitik mutaxassislar uchun muhim ko‘nikma sanaladi.
12 II-BOB. INTELLEKTUAL TAHLIL TIZIMLARI VA
FOYDALANISH SOHALARI
2.1. Intellektual tahlil tizimlari va dasturiy vositalar  
Intellektual   tahlil   tizimlari   zamonaviy   axborot   texnologiyalari   rivoji   bilan
uzviy   bog liq   holda   shakllangan   murakkab   dasturiy   muhit   hisoblanadi.ʻ
Ma’lumotlar hajmining keskin ortishi, ularning murakkabligi, xilma-xilligi va real
vaqt   rejimida   yangilanib   borishi   natijasida   an’anaviy   statistik   usullar   o‘z
samarasini yo‘qotmoqda. Shunday sharoitda ma’lumotlar asosida asoslangan holda
tahliliy   xulosalar   chiqarish,   tendensiyalarni   aniqlash,   bashorat   qilish   va   qarorlar
qabul   qilishda   intellektual   tahlil   tizimlarining   o‘rni   beqiyosdir.   Mazkur   tizimlar
katta   hajmdagi   tuzilgan   yoki   tuzilmagan   ma’lumotlarni   avtomatik   tahlil   qilib,
ulardan yashirin bilimlarni ajratib olish imkonini beradi.
Intellektual   tahlil   tizimlari   –   bu  bir   necha   texnologik   qatlamlardan   tashkil
topgan dasturiy-texnik kompleks bo‘lib, u quyidagi asosiy vazifalarni bajaradi:
 ma’lumotlarni to‘plash va saqlash;
 tozalash, transformatsiya va normalizatsiya qilish;
 tahlil qilish va modellash;
 vizualizatsiya va hisobotlar tayyorlash;
 foydalanuvchi bilan interaktiv aloqa.
Bu   tizimlar   Business   Intelligence   (BI),   Data   Mining,   Machine   Learning,
Deep Learning, Predictive Analytics kabi texnologiyalarga asoslanadi.
IBM SPSS Modeler  – b u dasturiy vosita asosan statistik tahlil va bashoratli
modellash   uchun   ishlatiladi.   U   ko‘plab   foydalanuvchilarga   qulay   interfeys,   tortib
tashlash   (drag-and-drop)   imkoniyati   bilan   mashhur.   SPSS   Modeler   yordamida
regression, klasterlash, klassifikatsiya, assotsiatsiya  qoidalari va neyron tarmoqlar
asosida modellash amalga oshiriladi.
RapidMiner   –   b u   ochiq   manbali   platforma   bo‘lib,   ko‘plab   tahliliy
amaliyotlar   uchun   qulay   hisoblanadi.   Uning   interfeysi   modulli   bo‘lib,
foydalanuvchi   vizual   ravishda   tahlil   jarayonini   yaratishi   mumkin.   RapidMiner
13 mashinaviy   o‘rganish,   ma’lumotlarni   qazib   olish   (data   mining)   va   bashoratli
modellashtirish sohalarida keng qo‘llaniladi.
KNIME   –   ma’lumotlar   oqimlarini   tahlil   qilish   va   avtomatlashtirilgan
bashoratli   modellar   yaratish   uchun   ishlatiladigan   dasturiy   platformadir.   Uning
afzalligi   shundaki,   u   R,   Python,   TensorFlow   kabi   boshqa   dasturlar   bilan
integratsiyalasha oladi.
Weka   (Waikato   Environment   for   Knowledge   Analysis)   –   bu   ham   ochiq
manbali   platforma   bo‘lib,   asosan   ilmiy   tadqiqotlar   va   ta’lim   sohasida   mashhur.
Weka’da   bir   nechta   klassifikatorlar,   klasterlash   algoritmlari   va   vizualizatsiya
imkoniyatlari mavjud.
Orange   –   foydalanuvchiga   qulay   interfeysga   ega   bo‘lgan   vizual   tahlil
platformasidir.   Bu   vosita   ham   statistik   modellash,   tasniflash,   klasterlash,
o‘rgatiladigan   va   o‘rgatilmaydigan   o‘rganish   algoritmlarini   o‘z   ichiga   oladi.
Ayniqsa, o‘quv maqsadida samarali qo‘llaniladi.
Microsoft   Power   BI   –   bu   vosita   BI   imkoniyatlariga   ega   bo‘lib,   korxona
miqyosida   ma’lumotlarni   ko‘rish,   tahlil   qilish   va   hisobot   tayyorlash   uchun
ishlatiladi.   Power   BI   real   vaqtda   tahlil   qilish,   bulutli   texnologiyalar   bilan
integratsiya qilish kabi zamonaviy imkoniyatlarni taqdim etadi.
Google   Cloud   AutoML,   Azure   ML   Studio,   Amazon   SageMaker   –   b u
vositalar   bulut   muhitida   ishlaydi   va   katta  hajmdagi   ma’lumotlar   ustida   murakkab
modellar   yaratish   imkonini   beradi.   Ularda   AutoML   texnologiyasi   orqali
mashinaviy o‘rganish modellarini kod yozmasdan yaratish mumkin.
Intellektual   tahlil   jarayoni   ma’lumotlarni   yig‘ish,   ularni   tayyorlash
(tozalash,   formatlash,   normallashtirish),   mos   modellar   tanlash,   mashinaviy
o‘rganish   algoritmlarini   qo‘llash,   natijalarni   vizual   ko‘rsatish   va  tahlil   qilish   kabi
bir   necha   asosiy   bosqichlardan   iborat   bo‘ladi.   Bunday   tizimlarda   ko‘pincha
bashoratli   tahlil   (predictive   analytics),   tasniflash   (classification),   klasterlash
(clustering),   assotsiatsiya   qoidalarini   aniqlash   (association   rules)   kabi   intellektual
usullar   qo‘llaniladi.   Bu   jarayonlar   o‘z-o‘zidan   mavjud   bo‘lmagan   bilimlarni
14 yaratishga   xizmat   qiladi,   ya’ni   tahlil   natijasida   ilgari   noma’lum   bo‘lgan
bog‘liqliklar, sababliliklar yoki o‘xshashliklar aniqlanadi.
Intellektual   tahlil   tizimlarining   samarali   ishlashi   uchun   turli   dasturiy
vositalar   yaratilgan   bo‘lib,   ular   foydalanuvchilarga   turli   darajadagi   funksiyalarni
taqdim   etadi.   Bu   dasturiy   vositalarning   asosiy   vazifasi   —   katta   hajmdagi
ma’lumotlar   bilan   ishlashni   yengillashtirish,   mashinaviy   o‘rganish   modellarini
qurish, ma’lumotlarni vizual ko‘rinishda tahlil qilish va foydalanuvchi uchun qulay
interfeysda   ishlash   imkonini   yaratishdan   iborat.   Ko‘plab   dasturlar
foydalanuvchidan   murakkab   dasturlashni   talab   qilmaydi,   ya’ni   “vizual
modellashtirish muhiti” orqali tahlil jarayonini intuitiv tarzda tuzish mumkin.
Hozirda   amaliyotda   keng   qo‘llaniladigan   dasturiy   vositalardan   biri   bu
RapidMiner bo‘lib, u intuitiv interfeysi va kuchli tahliliy imkoniyatlari bilan ajralib
turadi.   Shuningdek,   IBM   SPSS   Modeler   —   statistik   tahlil   va   bashoratli
modellashtirish   uchun   kuchli   vosita   hisoblanadi.   Weka   va   Orange   esa   ilmiy
tadqiqotlarda   va   o‘quv   jarayonida   keng   qo‘llanilmoqda.   Ularning   ochiq   kodli
ekotizimi   foydalanuvchilarga   yangi   algoritmlarni   sinovdan   o‘tkazish   va
qo‘shimcha  modullarni  yaratish  imkonini  beradi. Tableau va Microsoft  Power  BI
kabi vositalar esa tahlil natijalarini vizual tarzda samarali yetkazib berish imkonini
yaratadi,   ya’ni   ular   orqali   grafiklar,   jadvallar   va   interaktiv   hisobotlar   yaratish
osonlashadi.
So‘nggi   yillarda  Google Cloud  AutoML,  Azure Machine   Learning  Studio
va   Amazon   SageMaker   kabi   bulut   asosidagi   platformalar   ham   mashhurlikka
erishdi.   Bunday   platformalarda   murakkab   mashinaviy   o‘rganish   modellarini
yaratish   uchun   maxsus   dasturlash   bilimlari   talab   qilinmaydi,   ya’ni
avtomatlashtirilgan   modellashtirish   (AutoML)   orqali   foydalanuvchi   ma’lumotni
yuklaydi,   maqsadli   o‘zgaruvchini   belgilaydi   va   tayyor   modelni   oladi.   Bu   esa
intellektual tahlilni yanada ommalashtirishga xizmat qilmoqda.
Intellektual tahlil vositalarining samaradorligi ko‘p jihatdan ularning texnik
imkoniyatlari,   foydalanuvchiga   qulayligi,   funksional   kengligi   va   boshqa   tizimlar
bilan   integratsiyalasha   olishiga   bog‘liq.   Masalan,   ko‘plab   zamonaviy   tizimlar
15 Python   yoki   R   dasturlash   tillarini   qo‘llab-quvvatlashi   tufayli   foydalanuvchi
xohlagancha   o‘zining   moslashtirilgan   algoritmlarini   qo‘llashi   mumkin.   Ayniqsa,
Scikit-learn,   TensorFlow,   Keras,   PyTorch   kabi   mashhur   kutubxonalar   yordamida
murakkab   neyron   tarmoqlar   va   bashoratli   modellar   qurish   imkoniyati
kengaymoqda.
Intellektual   tahlil   tizimlari   va   dasturiy   vositalari   orqali   tashkilotlar
ma’lumotlardan   chuqur   tahliliy   bilimlar   hosil   qilishi,   strategik   qarorlar   qabul
qilishi   va   raqobatda   ustunlikka   erishishi   mumkin.   Bu   vositalar   yordamida   ilgari
faqat   taxmin   sifatida   qaralgan   holatlarni   ilmiy   asosda   tasdiqlash,   zamonaviy
modellar   orqali   real   prognozlar   qilish,   natijalarni   vizual   tarzda   taqdim   etish
imkoniyati   yaratiladi.   Shunday   ekan,   ushbu   sohadagi   bilim   va   ko‘nikmalarning
egallanishi   zamonaviy   informatika   va   tahlil   sohalarida   faoliyat   yurituvchi
mutaxassislar uchun dolzarb ahamiyat kasb etadi.
2.2. Tahlil texnologiyalarining amaliy qo‘llanilishi
Bugungi   kunda   intellektual   tahlil   texnologiyalari   jamiyatning   turli
sohalarida   samarali   qo‘llanilib,   muhim   natijalarga   erishilmoqda.   Ma’lumotlar
asosida   qaror   qabul   qilish   zarurati   ortib   borayotgani   sababli,   turli   tashkilotlar,
korxonalar   va   davlat   muassasalari   intellektual   tahlil   vositalaridan   foydalangan
holda   jarayonlarni   optimallashtirish,   samaradorlikni   oshirish   va   xarajatlarni
kamaytirish   yo‘llarini   izlamoqda.   Intellektual   tahlilning   asosiy   ustunligi   —   u
mavjud   katta   hajmdagi   ma’lumotlar   orasida   yashirin   qonuniyatlarni   aniqlash,
bo‘lajak   holatlarni   bashorat   qilish   va   muqobil   qarorlar   ishlab   chiqishda
qo‘llanilishi mumkin.
Eng   avvalo,   biznes   va   marketing   sohasida   intellektual   tahlil   keng
qo‘llaniladi.   Kompaniyalar   xaridorlar   haqidagi   ma’lumotlarni   yig‘ib,   ularning
xarid   qilish   odatlarini,   ehtiyojlarini   va   xatti-harakatlarini   tahlil   qilish   orqali   mos
reklama   strategiyalarini   ishlab   chiqadilar.   Masalan,   xaridorlarni   segmentlarga
ajratish   (klasterlash),   sotuvni   bashorat   qilish,   mijozlarni   yo‘qotish   ehtimolini
aniqlash (churn analysis)  kabi jarayonlar biznesdagi raqobatbardoshlikni oshiradi.
Shu bilan birga, tavsiyaviy tizimlar (recommendation systems) orqali har bir mijoz
16 uchun individual  takliflar ishlab chiqilishi  ham  aynan intellektual  tahlil modellari
orqali amalga oshiriladi.
Tibbiyot   sohasida  esa   intellektual  tahlil  kasalliklarni  erta aniqlash,   tashxis
qo‘yish,   davolash   strategiyalarini   takomillashtirish   va   sog‘liqni   saqlash
xizmatlarini   shaxsiylashtirishda   qo‘llaniladi.   Masalan,   bemorlar   haqidagi   tarixiy
ma’lumotlar   asosida   yurak   xurujini   bashorat   qilish,   onkologik   kasalliklarning
xavfini   oldindan   aniqlash,   davolash   natijalarini   taxmin   qilish   mumkin.   Shu   bilan
birga,   tasviriy   diagnostika   (masalan,   rentgen   yoki   MRT   natijalarini   tahlil   qilish)
sohasida sun’iy intellekt asosidagi modellar yuqori aniqlikda natijalar bermoqda.
Moliyaviy sektorda intellektual tahlil firibgarlik holatlarini aniqlash, kredit
reytingini  baholash, investitsiya risklarini tahlil  qilish va bozordagi o‘zgarishlarni
bashorat   qilishda   keng   foydalaniladi.   Masalan,   banklar   mijozlarning   to‘lov
qobiliyatini   aniqlashda,   shubhali   operatsiyalarni   avtomatik   aniqlashda   (fraud
detection)   yoki   portfel   investitsiyalarni   boshqarishda   tahlil   modellari   asosida
harakat qilmoqda.
Ta’lim sohasida esa intellektual tahlil talabalarning o‘zlashtirish darajasini
baholash,   individual   ta’lim   yo‘llarini   ishlab   chiqish,   baholash   tizimlarini
avtomatlashtirish   va   pedagogik   jarayonni   takomillashtirishda   qo‘llaniladi.
Masalan, talabaning faoliyatiga qarab uning muvaffaqiyati prognoz qilinadi, o‘quv
dasturi   samaradorligi   tahlil   qilinadi   yoki   qiyinchiliklarga   duch   kelayotgan
o‘quvchilar   aniqlanadi.   Shuningdek,   masofaviy   ta’lim   tizimlarida
foydalanuvchilarning faoliyat loglari asosida ularning qiziqishlari va bilim darajasi
avtomatik aniqlanadi.
Ijtimoiy   sohada   ham   intellektual   tahlil   kuchli   qurolga   aylanmoqda.
Aholining ijtimoiy kayfiyatini tahlil qilish, demografik o‘zgarishlarni bashoratlash,
bandlik   darajasi   yoki   urbanizatsiya   jarayonlari   haqida   qaror   qabul   qilishda   turli
ma’lumotlar manbalaridan foydalaniladi. Masalan, ijtimoiy tarmoqlarda yuritilgan
tahlil   orqali   jamoaviy   fikr   va   kayfiyatlarni   aniqlash,   aholining   ehtiyojlarini
tushunish yoki muayyan hududlarda muammoli sohalarni aniqlash mumkin.
17 Bundan   tashqari,   sanoat   va   ishlab   chiqarish   sohalarida   ham   intellektual
tahlil   ishlab   chiqarish   samaradorligini   oshirish,   nosozliklarni   oldindan   aniqlash
(predictive   maintenance),   logistika   jarayonlarini   optimallashtirish   kabi
maqsadlarda   qo‘llaniladi.   Masalan,   aqlli   sensorlar   yordamida   yig‘ilgan
ma’lumotlar   asosida   uskunalarning   texnik   holati   nazorat   qilinadi   va   zarur   chora-
tadbirlar   avtomatik   tarzda   tavsiya   qilinadi.   Bu   esa   nosozliklar   tufayli   yuzaga
keladigan to‘xtalishlar sonini kamaytiradi.
Shuningdek,   hukumat   va   davlat   boshqaruvi   tizimlarida   ham   intellektual
tahlil   vositalari   orqali   soliq   tushumlarini   prognoz   qilish,   jinoyatlarni   oldindan
aniqlash,   fuqarolarning   murojaatlarini   avtomatik   tahlil   qilish   va   qarorlar   qabul
qilishda ilmiy yondashuvlar tatbiq qilinmoqda. Bunday tizimlar davlat xizmatlarini
raqamlashtirishda,   byudjet   sarfini   monitoring   qilishda,   transport   oqimlarini
boshqarishda muhim vosita bo‘lib xizmat qilmoqda.
Bunday   tizimlarning   asosiy   afzalliklaridan   biri   —   ularning
moslashuvchanligi   va   shkala   bo‘yicha   kengayish   imkoniyatidir.   Masalan,   dastlab
kichik   hajmdagi   ma’lumotlar   bilan   ishlashga   moslangan   model,   kerak   bo‘lganda,
katta hajmdagi real vaqtda oqib kelayotgan ma’lumotlar bilan ham samarali ishlay
oladi.   Shuningdek,   bulutli   texnologiyalar   asosida   yaratilgan   intellektual   tahlil
tizimlari — masalan, Google Cloud AI, Amazon SageMaker, Microsoft Azure ML
kabi   platformalar   —   foydalanuvchilarga   o‘zlarining   texnik   infratuzilmasini
kengaytirmasdan   turib   katta   hajmdagi   ma’lumotlar   ustida   murakkab   modellarni
yaratish, o‘qitish va baholash imkonini beradi.
Shu   bilan   birga,   ochiq   kodli   vositalar   orqali   ham   kuchli   intellektual   tahlil
tizimlarini   yaratish   mumkin.   Masalan,   Python   dasturlash   tili   asosidagi   pandas,
NumPy,   Scikit-learn,   TensorFlow,   PyTorch,   Keras   kabi   kutubxonalar
foydalanuvchilarga katta hajmdagi ma’lumotlar ustida tezkor va chuqur tahlillarni
amalga   oshirish   imkonini   beradi.   Bular   oddiy   statistik   tahlildan   tortib   chuqur
o‘rganish   (deep   learning),   tabiiy   tilni   qayta   ishlash   (NLP),   tasvirni   tahlil   qilish,
vaqt qatorlari tahlili kabi ko‘plab sohalarni qamrab oladi.
18 Bundan tashqari, foydalanuvchi uchun qulay vizual interfeysga ega bo‘lgan
vositalar   —   masalan,   KNIME,   RapidMiner,   Orange   Data   Mining,   IBM   Watson
Studio, Power BI, Tableau va Qlik kabi platformalar — dasturlashni bilmaydigan
foydalanuvchilar   uchun   ham   intellektual   tahlilni   amalda   qo‘llash   imkonini
yaratmoqda.   Ushbu   tizimlar   turli   manbalardan   ma’lumotlarni   yig‘ish,
vizualizatsiya   qilish,   mashinaviy   o‘rganish   modellarini   qurish   va   natijalarni
baholashni bir tizimda amalga oshirishga imkon beradi.
Zamonaviy intellektual tahlil  tizimlarida ko‘p hollarda avtomatlashtirilgan
mashinaviy   o‘rganish   (AutoML)   vositalari   qo‘llaniladi.   Bu   texnologiyalar
foydalanuvchining ishtirokini minimal darajaga tushirib, avtomatik ravishda model
tanlash,   parametrlarni   sozlash,   baholash   va   natijalarni   optimallashtirish
jarayonlarini   bajaradi.   AutoML   vositalari,   ayniqsa,   biznes   foydalanuvchilari   yoki
no-texnik   mutaxassislar   uchun   katta   qulaylik   yaratadi.   Google   AutoML,   H2O.ai,
Amazon   SageMaker   Autopilot,   Microsoft   Azure   AutoML   kabi   platformalar   bu
borada yetakchilardir.
E’tiborga   molik   jihat   shundaki,   intellektual   tahlil   tizimlari   ma’lumotlar
xavfsizligi va shaxsiy hayotni himoya qilish kabi masalalarga ham alohida e’tibor
beradi.   Tahlil   qilinayotgan   ma’lumotlar   tarkibida   shaxsiy   yoki   maxfiy   axborot
bo‘lishi  ehtimoli tufayli, axborotlarni shifrlash, anonimlashtirish (anonymization),
differensial maxfiylik (differential privacy) kabi usullar keng qo‘llanilmoqda.
19 III-BOB. Amaliy qism: Intellektual model yaratish va tahlil qilish
3.1. Ma’lumotlar asosida model qurish jarayoni
Bugungi   raqamli   iqtisodiyot   sharoitida   intellektual   tahlil   tizimlari
iqtisodiyotning   deyarli   barcha   tarmoqlarida   keng   qo‘llanilmoqda.   Ma’lumotlar
hajmining keskin oshishi, real vaqt rejimida yangilanib borishi, ularning murakkab
va   ko‘p   qatlamli   tuzilmasi   an’anaviy   tahlil   usullarining   imkoniyatlarini   cheklab
qo‘ydi. Aynan shunday muammolarni hal etish uchun intellektual tahlil tizimlari –
Business   Intelligence   (BI),   Data   Mining,   Predictive   Analytics   va   Machine
Learning   kabi   texnologiyalar   asosida   ishlab   chiqilgan   platformalar   amaliyotga
joriy qilinmoqda.
Iqtisodiy   sohalarda   bu   tizimlarning   asosiy   vazifasi   –   biznes   faoliyatida
yuzaga   kelayotgan   katta   hajmdagi   ma’lumotlarni   chuqur   tahlil   qilish,   ilgari
sezilmagan   tendensiyalarni   aniqlash,   foydalanuvchilarning   xatti-harakatlarini
taxmin   qilish,   bozordagi   o‘zgarishlarga   moslashuvchan   javob   berish   va   samarali
qarorlar qabul qilishni ta’minlashdan iborat.
Bank   va   moliya   sektorida   intellektual   tahlil   tizimlari   quyidagi
yo‘nalishlarda qo‘llaniladi:
 mijozlar segmentatsiyasi (klasterlash orqali),
 kredit xavfini baholash (klassifikatsiya modellar yordamida),
 firibgarlik   holatlarini   aniqlash   (anomaliyalarni   aniqlash   algoritmlari
bilan),
 investitsiya   strategiyalarini   optimallashtirish   (bashoratli   modellash
orqali).
Masalan,   banklar   IBM   SPSS   Modeler   yoki   Python   asosidagi   Scikit-learn
kutubxonasidan foydalangan holda mijozlar kredit tarixi asosida ularning to‘lovga
layoqatlilik darajasini baholovchi modellarni ishlab chiqishmoqda.
Savdo   va   marketing   sohasida   esa   intellektual   tahlil   tizimlari   mahsulot
tavsiyalarini   yaratish,   xaridorlarning   xarid   qilish   odatlarini   o‘rganish,   aksiyalar
samaradorligini tahlil qilish, dinamik narx belgilash kabi jarayonlarda qo‘llaniladi.
20 RapidMiner va Power BI kabi platformalar ma’lumotlar asosida real vaqt rejimida
hisobotlar tayyorlash, reklama strategiyalarini tahlil qilish imkonini beradi.
Sanoat   tarmoqlarida   (masalan,   ishlab   chiqarishda)   intellektual   tahlil
tizimlari   asbob-uskunalarning   ishlash   samaradorligini   monitoring   qilish,   texnik
xizmat   ko‘rsatish   vaqti   kelganini   bashorat   qilish,   ishlab   chiqarish   jarayonlarining
optimallashuvi   kabi   sohalarda   joriy   qilinmoqda.   Amazon   SageMaker   yoki   Azure
ML   Studio   orqali   sensorlardan   olingan   real   vaqtli   ma’lumotlar   asosida   prognozli
texnik xizmat modellarini yaratish mumkin.
Qishloq xo‘jaligida esa intellektual tahlil texnologiyalari tuproq holati, ob-
havo   ma’lumotlari,   hosildorlik   prognozlari   asosida   resurslardan   oqilona
foydalanish,   ekinlar   uchun   optimal   sharoitlarni   aniqlash,   hosilni   ko‘paytirish   va
chiqindilarni kamaytirishga xizmat qilmoqda.
Davlat   boshqaruvi   va   ijtimoiy   xizmatlar   sohasida   esa   bu   tizimlar   aholi
to‘g‘risidagi   ma’lumotlarni   tahlil   qilish,   soliq   to‘lovchilarni   segmentlashtirish,
jinoyatlarning   bashorati,   sog‘liqni   saqlash   xizmatlarini   rejalashtirishda   keng
qo‘llanilmoqda.   Masalan,   Open   Data   portallari   orqali   yig‘ilgan   ma’lumotlar
asosida tahliliy xulosalar chiqariladi va davlat siyosati shakllantiriladi.
Intellektual   tahlil  tizimlari  iqtisodiyotning  deyarli   barcha  tarmoqlarida o‘z
o‘rnini topgan:
Moliya   va   bank   sohasi   Banklar   sun’iy   intellekt   tizimlari   yordamida
mijozlar   kreditga   layoqatini   aniqlash,   xavfli   operatsiyalarni   (fraud   detection)
oldindan   aniqlash,   investitsiya   portfellari   samaradorligini   oshirish   va   mijozlarga
personal  xizmat  ko‘rsatish  imkoniyatlariga ega bo‘ldilar. Misol  uchun, JPMorgan
Chase banki har yili 12 milliondan ortiq hujjatni intellektual tizim orqali avtomatik
tahlil qiladi.
Savdo   va   marketing   .   Intellektual   tizimlar   xaridor   xatti-harakatini
o‘rganish,   sotuvlarni   bashorat   qilish,   marketing   kampaniyalarini   optimallashtirish
va   mahsulotlarni   tavsiya   qilish   algoritmlarini   yaratishda   keng   qo‘llaniladi.
Amazon,   Netflix   va   Alibaba   kabi   yirik   kompaniyalar   ushbu   tizimlar   orqali
21 foydalanuvchilarga   individual   takliflar   yuboradi   va   bu   orqali   savdolar   hajmini
sezilarli darajada oshiradi.
Qishloq xo‘jaligi.  Sun’iy intellekt va intellektual tahlil tizimlari yordamida
iqlim o‘zgarishlari, hosil yetishtirish uchun optimal vaqtlar, o‘g‘it miqdori va suv
resurslaridan   foydalanishning   eng   maqbul   uslublari   aniqlanmoqda.   “Precision
Agriculture”   (aniq   dehqonchilik)   usullari   aynan   intellektual   tahlil   tizimlariga
tayanadi.
Logistika va transport.   Yo‘llarni yukga qarab optimallashtirish, transport
oqimini   nazorat   qilish,   yetkazib   berish   tizimlarini   real   vaqtda   boshqarish   kabi
funksiyalar intellektual tizimlar yordamida avtomatlashtirilmoqda. Masalan, FedEx
va DHL kabi kompaniyalar yuk yetkazishda GPS va AI modellarini qo‘llab, vaqt
va xarajatlarni kamaytirishga erishmoqda.
Sog‘liqni  saqlash va farmatsevtika.   Dastlab  iqtisodiy  faoliyat  sohalariga
tegishli   bo‘lmasa-da,   sog‘liqni   saqlashda   ishlatilayotgan   AI   asosidagi   tahlil
tizimlari   tibbiy   sug‘urta   kompaniyalariga   bemorlarning   ehtimoliy   xarajatlarini
bashorat qilishda yordam bermoqda. Bu esa, moliyaviy barqarorlikni ta’minlashda
katta ahamiyatga ega.
Davlat   boshqaruvi   va   fiskal   siyosat.   Byudjet   mablag‘larini   maqsadli
taqsimlash,   soliq   tushumlarini   prognozlash,   davlat   dasturlarining   samaradorligini
baholashda   ham   intellektual   tahlil   vositalaridan   keng   foydalanilmoqda.   Estoniya,
Singapur va AQSh kabi  davlatlar raqamli boshqaruv tizimlarini sun’iy intellektga
integratsiya qilishda yetakchilik qilmoqda.
Shunday   qilib,   intellektual   tahlil   tizimlari   iqtisodiyotning   har   bir   sohasi
uchun   individual   tarzda   moslashtirilgan   tahlil   usullarini   qo‘llash   orqali   strategik
qaror   qabul   qilish   jarayonini   tubdan   o‘zgartirmoqda.   Bu   texnologiyalar   nafaqat
operatsion   samaradorlikni   oshiradi,   balki   uzoq   muddatli   prognozlar   asosida
raqobatbardoshlikni ham ta’minlaydi.
22 3.2. Modelni sinovdan o‘tkazish va natijalarni tahlil qilish
Zamonaviy   iqtisodiyot   ko‘p   omilli,   o‘zgaruvchan   va   murakkab   tizim
bo‘lib,   uni   tahlil   qilish,   boshqarish   va   kelajakdagi   holatlarni   oldindan   baholash
an’anaviy   yondashuvlar   doirasidan   chiqib   ketmoqda.   Bugungi   raqamli   davrda
iqtisodiy jarayonlarni chuqurroq anglash va ular asosida ilmiy asoslangan qarorlar
qabul   qilish   uchun   sun’iy   intellekt,   mashinaviy   o‘rganish   va   intellektual   tahlil
tizimlari tobora keng qo‘llanilmoqda.
Modellashtirish   va   prognozlashning   yangi   paradigmalari.   An’anaviy
iqtisodiy   modellar   ko‘pincha   soddalashtirilgan,   nazariy   asosdagi   tenglamalarga
tayanadi.   Intellektual   tahlil   tizimlari   esa   real   dunyodagi   murakkablikni   hisobga
olgan holda:
 tarixiy ma’lumotlarni chuqur tahlil qiladi;
 noaniqlik va xavflarni baholash imkonini beradi;
 tashqi omillarning (geosiyosiy, texnologik, ekologik) ta’sirini inobatga
oladi;
 qaror qabul qilishni avtomatlashtirish va individuallashtirishga imkon
yaratadi.
Intellektual   modellar   qanday   ishlaydi?   Intellektual   tahlil   tizimlari
iqtisodiy   tizimlar   ichidagi   bog‘liqliklarni   aniqlash,   o‘zgarishlarni   kuzatish   va
ularning   oqibatlarini   oldindan   hisoblash   uchun   bir   nechta   texnologiyalarni
uyg‘unlashtiradi:
Neyron   tarmoqlar   –   murakkab   nisbiy   aloqalarni   va   tendensiyalarni
aniqlaydi;
Bayes tarmoqlari – ehtimolliklar asosida qaror variantlarini ishlab chiqadi;
Agentga   asoslangan   modellashtirish   (ABM)   –   bozor   ishtirokchilari   xatti-
harakatlarini taqlid qiladi;
Gibrid   modellar   –   iqtisodiy   nazariyani   sun’iy   intellekt   algoritmlari   bilan
birlashtiradi.
23 Intellektual   tizimlar   yordamida   modellashtirish   quyidagi   darajalarda
amalga oshiriladi:
Strategik   tahlil,   milliy   yoki   mintaqaviy   darajada   iqtisodiy   rivojlanish
yo‘nalishlarini aniqlash, alternativ ssenariylarni ishlab chiqish.
Siyosat   samaradorligini   baholash,   turli   iqtisodiy   qarorlar   (subsidiya,
bojxona   stavkalari,   monetar   choralar)ning   kutilayotgan   ijtimoiy-iqtisodiy   ta’sirini
oldindan baholash.
Sektorlararo   muvozanatni   o‘rganish,   iqtisodiyot   tarmoqlari   o‘rtasidagi
bog‘liqliklar tahlili orqali optimal resurs taqsimotini aniqlash.
Makrosimulyatsiya,   inflyatsiya,   bandlik,   ishlab   chiqarish   hajmi   kabi
umumiy ko‘rsatkichlarni prognozlash.
Intellektual  prognozlashning ustunliklari.   Dinamika va adaptivlik ya’ni
modellar   vaqt   o‘tishi   bilan   o‘zgaruvchan   sharoitlarga   moslasha   oladi,   katta
hajmdagi   ma’lumotlar   asosida   ishlash   –   “Big   Data”ni   qayta   ishlash   imkoniyati
yuqori   aniqlik   beradi,   haqiqiy   vaqt   rejimidagi   tahlilda   esa   real   vaqt   ma’lumotlari
asosida   tezkor   bashoratlar,   ilmiy   asoslangan   qaror   qabul   qilishda   subyektiv
qarorlarni minimumga tushirish kabilar ko’rib chiqiladi.
Iqtisodiy   modellashtirish   va   prognozlashda   intellektual   tahlil   tizimlaridan
foydalanish bugungi kunda zaruriyatga aylangan. Ular orqali iqtisodiy muvozanat,
xavflar,   qarorlar   va   investitsiya   oqibatlarini   aniq   va   asosli   baholash   mumkin.
Kelajak iqtisodiy siyosatida sun’iy intellekt yordamida qurilgan modellar strategik
ustunlik manbai bo‘lib xizmat qiladi.
24 XULOSA
Zamonaviy   iqtisodiy   taraqqiyot   sharoitida   tahlil   va   boshqaruvning
an’anaviy uslublari   o‘z  samarasini  yo‘qota  boshlagan  bir   davrda, sun’iy  intellekt,
intellektual   tahlil   tizimlari   hamda   raqamli   texnologiyalarga   asoslangan
yondashuvlar  yangi  imkoniyatlar   eshigini  ochmoqda.  Ushbu   kurs  ishida   iqtisodiy
jarayonlarni   modellashtirish,   tahlil   qilish   va   prognozlashda   sun’iy   intellekt
texnologiyalarining o‘rni, ahamiyati va qo‘llanilish istiqbollari chuqur o‘rganildi.
Ish   davomida   iqtisodiy   tizimlar   qanday   omillarga   asoslanib   shakllanishi,
ularni   qanday   algoritmlar   asosida   modellashtirish   mumkinligi   hamda   turli
intellektual tizimlar (neyron tarmoqlar, mashinaviy o‘rganish algoritmlari, agentga
asoslangan   modellar   va   h.k.)   orqali   qanday   yuqori   aniqlikdagi   prognozlar   olish
mumkinligi   ko‘rsatib   o‘tildi.   Ayniqsa,   real   vaqt   rejimida   ma’lumotlar   oqimini
qayta   ishlash,   iqtisodiy   ko‘rsatkichlar   dinamikasini   baholash   hamda   strategik
qarorlarni   ilmiy   asosda   qabul   qilish   imkoniyati   ushbu   texnologiyalarning   muhim
ustunligidir.
Amaliy   misollar   orqali   esa   intellektual   modellar   yordamida   iqtisodiy
samaradorlikni   oshirish,   tavakkalchiliklarni   kamaytirish   va   resurslarni   oqilona
taqsimlash kabi masalalarda yuqori natijalarga erishish mumkinligi isbotlandi.
Umuman olganda, kurs ishi davomida olingan natijalar shuni ko‘rsatadiki,
intellektual tahlil va prognozlash texnologiyalari kelajak iqtisodiy boshqaruvining
ajralmas   qismi   bo‘lib,   ularni   to‘g‘ri   va   samarali   joriy   etish   har   bir   iqtisodiy
tizimning raqobatbardoshligini oshirishga xizmat qiladi.
25 FOYDALANILGAN ADABIYOTLAR
1. Қурбонов   А .,   Абдуллаев   Б .   " Санъатли   маълумотларни   таҳлил
қилиш   асослари ". –  Тошкент : Fan va texnologiya, 2020.
2. Hasanov U., Qodirov A. "Ma’lumotlar tahlili va intellektual tizimlar".
– Toshkent: TDYU nashriyoti, 2021.
3. Jorayev A. "Sun’iy intellekt asoslari". – Samarqand: SamDU, 2019.
4. Митчелл Т. "Машинное обучение". – Москва: Вильямс, 2006.
5. Han J., Kamber M., Pei J. "Data Mining: Concepts and Techniques". –
Morgan Kaufmann, 2011.
6. James   G.,   Witten   D.,   Hastie   T.,   Tibshirani   R.   "An   Introduction   to
Statistical Learning". – Springer, 2013.
7. Provost F., Fawcett T. "Data Science for Business". – O'Reilly Media,
2013.
8. Russell S., Norvig P. "Artificial Intelligence: A Modern Approach". –
Pearson, 2016.
9. Ayres   I.   "Super   Crunchers:   Why   Thinking-by-Numbers   is   the   New
Way to be Smart". – Bantam Books, 2007.
10. Энгель   А.   "Интеллектуальный   анализ   данных   и   машинное
обучение". – Санкт-Петербург: Питер, 2019.
FOYDALANILGAN INTERNET MANBALARI
11. https://www.kaggle.com – Ma’lumotlar to‘plamlari, tahlil loyihalari va
AI modellar bazasi
12. https://towardsdatascience.com   –   Data   science   va   tahlilga   oid
maqolalar
13. https://scikit-learn.org   –   Mashinaviy   o‘rganish   kutubxonasi
(dokumentatsiya)
14. https://www.ibm.com/analytics   –   IBM   SPSS   va   boshqa   BI
mahsulotlari haqida
15. https://www.tableau.com   –   Vizual   tahlil   vositalari   haqida   rasmiy
ma’lumotlar
26 16. https://www.analyticsvidhya.com   –   Tahlil   modellar   va   ularni   amalda
qo‘llash
17. https://www.statista.com   –   Jahon   statistik   ma’lumotlar   bazasi   va
iqtisodiy tahlil
27 ILOVA
main.py
import tkinter  as  tk
from db_manager import DatabaseManager
from ui_builder import UIBuilder
from content_manager import ContentManager
from visualization_manager import VisualizationManager
from utils import SearchManager
class   IntellektualTahlilDasturi  :
    def __init__(self, root):
        self.root = root
        self.root.title( "Intellektual Tahlil, Modellar va Tizimlar" )
        self.root.geometry( "1200x800" )
        self.root.configure(bg =  '#f0f2f5' )
         #   Barcha  kerakli modullarni yaratish tartibi muhim
        self.db_manager = DatabaseManager()
        self.ui_builder = UIBuilder(self.root, self)
        self.visualization_manager = VisualizationManager(self.root, self.ui_builder)  # oldinroq
        self.ui_builder.setup_styles()
        self.ui_builder.create_main_content()
        self.content_manager = ContentManager(self.root, self.db_manager, self.ui_builder)
        self.search_manager = SearchManager(self.db_manager, self.ui_builder)
        self.ui_builder.create_header()
        self.ui_builder.create_navigation()
        self.ui_builder.create_footer()
        self.content_manager.show_home()
if  __name__ ==  "__main__" :
    root = tk.Tk()
    app =  IntellektualTahlilDasturi (root)
    root.mainloop()
ui_builder.py
import tkinter  as  tk
from tkinter import ttk
import webbrowser
from PIL import Image, ImageTk
class   UIBuilder  :
    def __init__(self, root, app):
        self.root = root
        self.app = app
        self.content_frames = { }
def setup_styles(self):
28          """Dastur dizayni uchun stillarni sozlash"""
        self.style = ttk.Style()
        self.style.configure( 'TFrame' , background =  '#f0f2f5' )
        self.style.configure( 'TLabel' , background =  '#f0f2f5' , font = ( 'Arial' , 11))
        self.style.configure( 'TButton' , font = ( 'Arial' , 10), padding = 5)
        self.style.configure( 'Title.TLabel' , font = ( 'Arial' , 16,  'bold' ))
        self.style.configure( 'Subtitle.TLabel' , font = ( 'Arial' , 14,  'bold' ))
        self.style.configure( 'TNotebook' , background =  '#f0f2f5' )
        self.style.configure( 'TNotebook.Tab' , font = ( 'Arial' , 10,  'bold' ))
    def create_header(self):
         """Sarlavha qismini yaratish"""
        header_frame = ttk.Frame(self.root, style =  'TFrame' )
        header_frame.pack(fill = tk.X, padx = 10, pady = 10)
         try :
            img = Image.open( "ai_logo.png" ).resize((60, 60))
            self.logo = ImageTk.PhotoImage(img)
            logo_label = ttk.Label(header_frame, image = self.logo)
            logo_label.pack(side = tk.LEFT, padx = 10)
        except:
pass
title_label = ttk.Label(
header_frame,
text =  "Intellektual Tahlil, Modellar va Tizimlar" ,
style =  'Title.TLabel'
)
        title_label.pack(side = tk.LEFT)
        search_frame = ttk.Frame(header_frame, style =  'TFrame' )
        search_frame.pack(side = tk.RIGHT, padx = 10)
        self.search_entry = ttk.Entry(search_frame, width = 30)
        self.search_entry.pack(side = tk.LEFT, padx = 5)
        search_btn = ttk.Button(
            search_frame,
            text =  "Qidirish" ,
            command = self.app.search_manager.search_content
        )
        search_btn.pack(side = tk.LEFT)
    def create_navigation(self):
         """Navigatsiya panelini yaratish"""
        nav_frame = ttk.Frame(self.root, style =  'TFrame' )
        nav_frame.pack(fill = tk.X, padx = 10, pady = 5)
        buttons = [
            ( " ??????  Bosh sahifa" , self.app.content_manager.show_home),
            ( " ??????  Intellektual tahlil" , self.app.content_manager.show_analysis),
            ( " ??????  Modellar" , self.app.content_manager.show_models),
            ( " ⚙   Tizimlar" , self.app.content_manager.show_systems),
            ( " ??????  Prinsiplar" , self.app.content_manager.show_principles),
            ( " ??????  Foydalanish" , self.app.content_manager.show_applications),
            ( " ??????  Vizualizatsiya" , self.app.content_manager.show_visualization)
29         ]
         for  text, command  in  buttons:
            btn = ttk.Button(
                nav_frame,
                text = text,
                command = command,
                style =  'TButton'
            )
            btn.pack(side = tk.LEFT, padx = 5)
    def create_main_content(self):
         """Asosiy kontent qismini yaratish"""
        self.main_frame = ttk.Frame(self.root, style =  'TFrame' )
        self.main_frame.pack(fill = tk.BOTH, expand = True, padx = 10, pady = 10)
    def create_footer(self):
         """Footer qismini yaratish"""
        footer_frame = ttk.Frame(self.root, style =  'TFrame' )
        footer_frame.pack(fill = tk.X, padx = 10, pady = 10)
        author_label = ttk.Label(
            footer_frame,
            text =  "Dastur muallifi: Shoxruza Xojimirzayeva ATI-AU-22" ,
            font = ( 'Arial' , 9)
        )
        author_label.pack(side = tk.LEFT)
        links_frame = ttk.Frame(footer_frame, style =  'TFrame' )
        links_frame.pack(side = tk.RIGHT)
        social_links = [
            ( "GitHub" ,  "https://github.com" ),
            ( "LinkedIn" ,  "https://linkedin.com" ),
            ( "Telegram" ,  "https://telegram.org" )
        ]
         for  text, url  in  social_links:
            link = ttk.Button(
                links_frame,
                text = text,
                style =  'TButton' ,
                command = lambda u = url: webbrowser.open(u)
            )
            link.pack(side = tk.LEFT, padx = 5)
db_manager.py
import sqlite3
class   DatabaseManager  :
    def __init__(self):
        self.conn = sqlite3.connect( 'intellektual_tahlil.db' )
        self.cursor = self.conn.cursor()
        self.init_db()
30     def init_db(self):
         """Ma'lumotlar bazasini ishga tushirish"""
        self.cursor.execute( '''
            CREATE TABLE IF NOT EXISTS mavzular(
                id INTEGER PRIMARY KEY AUTOINCREMENT,
                nomi TEXT NOT NULL,
                tavsifi TEXT,
                turi TEXT,
                misollar TEXT
            )
         ''')
         if  not self.cursor.execute( "SELECT * FROM mavzular" ).fetchall():
            namuna_malumotlar = [
                ( 'Intellektual Tahlil' ,  'Ma\'lumotlarni tahlil qilish usullari' ,  'analysis' ,
                  'Klaster analizi, Regressiya tahlili, Anomaliyalarni aniqlash' ),
                ( 'Statistik Modellar' ,  'Statistik modellar va ularning qo\'llanilishi' ,  'models' ,
                  'Chiziqli regressiya, Logistik regressiya, Bayes tarmoqlari' ),
                ( 'Ekspert Tizimlar' ,  'Ekspert tizimlarining ishlash prinsiplari' ,  'systems' ,
                  'Doktorlik tizimlari, Moliya maslahatchilari' ),
                ( 'Neuron Tarmoqlar' ,  'Sun\'iy neuron tarmoqlari va ularning tuzilishi' ,  'models' ,
                  'CNN, RNN, GAN' ),
                ( 'Qaror Qabul Qilish' ,  'Qaror qabul qilish tizimlari' ,  'systems' ,
                  'Daraxtli modellar, Random Forest' )
            ]
            self.cursor.executemany( '''
                INSERT INTO mavzular(nomi, tavsifi, turi, misollar)
                VALUES(?, ?, ?, ?)
             ''', namuna_malumotlar)
            self.conn.commit()
    def search_content(self, query):
         """Ma'lumotlar bazasidan qidirish"""
         return  self.cursor.execute( '''
            SELECT nomi, tavsifi, turi FROM mavzular
            WHERE nomi LIKE ? OR tavsifi LIKE ?
         ''', (f"%{query}%", f"%{query}%")).fetchall()
    def get_analysis_methods(self):
         """Tahlil usullarini olish"""
         return  self.cursor.execute( '''
            SELECT nomi, tavsifi, misollar FROM mavzular
            WHERE turi =  'analysis'
         ''').fetchall()
    def close(self):
         """Ma'lumotlar bazasini yopish"""
31          self.conn.close()
32 33