Belgilarni Yaratish (Feature Engineering): Ma’lumotlarga Dastlabki Ishlov Berish San’ati

Mashinaviy ta’lim va ma’lumotlar fani sohasida xom ma’lumotlar ko‘pincha ishlov berilmagan olmosga o‘xshaydi. U ulkan salohiyatga ega, ammo uning asl qiymati puxta takomillashtirilmaguncha yashirin qoladi. Aynan shu yerda belgilarni yaratish (feature engineering), ya’ni xom ma’lumotlarni mazmunli belgilarga aylantirish san’ati ajralmas ahamiyat kasb etadi. Ushbu keng qamrovli qo‘llanma belgilarni yaratishning nozik jihatlariga chuqur kirib boradi, uning ahamiyati, usullari va global miqyosda model samaradorligini optimallashtirish uchun eng yaxshi amaliyotlarni o‘rganadi.

Belgilarni Yaratish (Feature Engineering) nima?

Belgilarni yaratish mashinaviy ta’lim modellarining samaradorligini oshirish uchun xom ma’lumotlardan yangi belgilarni tanlash, o‘zgartirish va yaratishning butun jarayonini o‘z ichiga oladi. Bu shunchaki ma’lumotlarni tozalash emas; bu foydali ma’lumotlarni ajratib olish va uni algoritmlar osongina tushunishi va foydalanishi mumkin bo‘lgan tarzda taqdim etishdir. Maqsad ma’lumotlar ichidagi asosiy naqshlar va munosabatlarni samarali aks ettiradigan, yanada aniq va mustahkam bashoratlarga olib keladigan belgilarni yaratishdir.

Buni pazandalik shoh asari uchun mukammal masalliqlarni tayyorlash deb o‘ylang. Siz shunchaki xom masalliqlarni qozonga tashlab, mazali taom kutmaysiz. Aksincha, uyg‘un ta’m profilini yaratish uchun masalliqlarni ehtiyotkorlik bilan tanlaysiz, tayyorlaysiz va birlashtirasiz. Xuddi shunday, belgilarni yaratish ham mashinaviy ta’lim modellarining bashorat qilish quvvatini oshiradigan belgilarni yaratish uchun ma’lumotlar elementlarini ehtiyotkorlik bilan tanlash, o‘zgartirish va birlashtirishni o‘z ichiga oladi.

Nima uchun Belgilarni Yaratish muhim?

Belgilarni yaratishning ahamiyatini e’tibordan chetda qoldirib bo‘lmaydi. U mashinaviy ta’lim modellarining aniqligi, samaradorligi va tushunarliligiga bevosita ta’sir qiladi. Mana nima uchun u juda muhim:

Model aniqligining oshishi: Yaxshi yaratilgan belgilar modellarga tegishli ma'lumotlarni taqdim etadi, bu ularga samaraliroq o'rganish va aniqroq bashorat qilish imkonini beradi.
Tezroq o'qitish vaqtlari: Shovqin va keraksiz ma'lumotlarni kamaytirish orqali belgilarni yaratish o'qitish jarayonini sezilarli darajada tezlashtirishi mumkin.
Modelning tushunarliligini oshirish: Mazmunli belgilar modelning o'z bashoratlariga qanday erishishini tushunishni osonlashtiradi, bu esa yaxshiroq tushunchalar va qarorlar qabul qilishga imkon beradi.
Yaxshiroq umumlashtirish: Belgilarni yaratish modellarga ko'rilmagan ma'lumotlarga yaxshiroq umumlashtirishga yordam beradi, bu esa real dunyo stsenariylarida yanada mustahkam va ishonchli ishlashga olib keladi.

Belgilarni Yaratishdagi Asosiy Usullar

Belgilarni yaratish har biri ma'lum ma'lumotlar turlariga va muammo sohalariga moslashtirilgan keng ko'lamli usullarni o'z ichiga oladi. Mana eng ko'p qo'llaniladigan usullardan ba'zilari:

1. Ma'lumotlarni Tozalash

Har qanday belgilarni yaratish ishiga kirishishdan oldin, ma'lumotlarning toza va xatolardan xoli ekanligiga ishonch hosil qilish zarur. Bu quyidagi kabi muammolarni hal qilishni o'z ichiga oladi:

Yetishmayotgan Qiymatlar: Yetishmayotgan ma'lumotlar bilan ishlash noto'g'ri yoki noaniq natijalarning oldini olish uchun juda muhimdir. Umumiy usullar quyidagilarni o'z ichiga oladi:
Imputatsiya: Yetishmayotgan qiymatlarni taxminiy qiymatlar (masalan, o'rtacha, mediana, moda) bilan almashtirish yoki k-Eng Yaqin Qo'shnilar (k-NN) kabi murakkabroq imputatsiya usullaridan foydalanish. Masalan, agar siz turli mamlakatlardagi mijozlar ma'lumotlari bilan ishlayotgan bo'lsangiz va ba'zi yozuvlarda yosh yetishmayotgan bo'lsa, siz yetishmayotgan yoshni o'sha mamlakatdagi mijozlarning o'rtacha yoshiga qarab to'ldirishingiz mumkin.
O'chirish: Ko'p sonli yetishmayotgan qiymatlarga ega satrlar yoki ustunlarni olib tashlash. Buni ehtiyotkorlik bilan qilish kerak, chunki bu ma'lumot yo'qotilishiga olib kelishi mumkin.
Anomal Qiymatlar (Outliers): Anomal qiymatlarni aniqlash va ularga ishlov berish ularning natijalarni buzishini oldini olish uchun muhimdir. Usullar quyidagilarni o'z ichiga oladi:
Kesish (Trimming): Oldindan belgilangan diapazondan tashqariga chiqadigan haddan tashqari qiymatlarni olib tashlash.
Winsorizatsiya (Winsorizing): Haddan tashqari qiymatlarni kamroq ekstremal qiymatlar bilan almashtirish (masalan, 99-persentildan yuqori qiymatlarni 99-persentil qiymati bilan almashtirish).
Transformatsiya: Anomal qiymatlarning ta'sirini kamaytirish uchun matematik transformatsiyalarni (masalan, logarifmik transformatsiya) qo'llash.
Nomuvofiq Formatlash: Ma'lumotlarning bir xil formatda bo'lishini ta'minlash aniq tahlil uchun juda muhimdir. Bu quyidagi kabi muammolarni hal qilishni o'z ichiga oladi:
Sana Formatlash: Sana formatlarini standartlashtirish (masalan, barcha sanalarni YYYY-MM-DD formatiga o'tkazish).
Matn Registri: Barcha matnlarni kichik yoki katta harflarga o'tkazish.
O'lchov Birliklari: Barcha qiymatlarning bir xil birliklarda ifodalanishini ta'minlash (masalan, barcha valyutalarni USD kabi umumiy valyutaga o'tkazish).
Takroriy Ma'lumotlar: Noto'g'ri natijalarning oldini olish uchun takroriy yozuvlarni olib tashlash.

2. Belgilarni Masshtablash

Belgilarni masshtablash turli belgilardagi qiymatlar diapazonini o'xshash masshtabga o'zgartirishni o'z ichiga oladi. Bu muhim, chunki ko'plab mashinaviy ta'lim algoritmlari kirish belgilarining masshtabiga sezgir. Umumiy masshtablash usullari quyidagilarni o'z ichiga oladi:

Min-Max Masshtablash: Belgilarni 0 va 1 oralig'idagi diapazonga masshtablaydi. Bu asl ma'lumotlar nuqtalari orasidagi munosabatlarni saqlab qolish kerak bo'lganda foydalidir. Formula: (X - X_min) / (X_max - X_min)
Standartlashtirish (Z-o'lchovli Masshtablash): Belgilarni o'rtacha qiymati 0 va standart chetlanishi 1 bo'lishi uchun masshtablaydi. Bu turli taqsimotlardan olingan ma'lumotlar nuqtalarini solishtirishni istaganingizda foydalidir. Formula: (X - μ) / σ, bu yerda μ - o'rtacha qiymat va σ - standart chetlanish.
Mustahkam Masshtablash (Robust Scaling): Standartlashtirishga o'xshaydi, lekin o'rtacha qiymat va standart chetlanish o'rniga mediana va kvartillararo diapazondan (IQR) foydalanadi. Bu anomal qiymatlarga kamroq sezgir.

Misol: Ikki belgiga ega ma'lumotlar to'plamini ko'rib chiqing: daromad ($20,000 dan $200,000 gacha) va yosh (20 dan 80 gacha). Masshtablashsiz, daromad belgisi k-NN kabi algoritmlarda masofa hisob-kitoblarida ustunlik qiladi va noto'g'ri natijalarga olib keladi. Ikkala belgini ham o'xshash diapazonga masshtablash ularning modelga teng hissa qo'shishini ta'minlaydi.

3. Kategorik O'zgaruvchilarni Kodlash

Mashinaviy ta'lim algoritmlari odatda raqamli kirishni talab qiladi. Shuning uchun, kategorik o'zgaruvchilarni (masalan, ranglar, mamlakatlar, mahsulot toifalari) raqamli ko'rinishlarga aylantirish kerak. Umumiy kodlash usullari quyidagilarni o'z ichiga oladi:

One-Hot Kodlash: Har bir kategoriya uchun ikkilik ustun yaratadi. Bu nisbatan kam sonli kategoriyalarga ega bo'lgan kategorik o'zgaruvchilar uchun mos keladi.
Yorliqli Kodlash (Label Encoding): Har bir kategoriyaga noyob butun sonni belgilaydi. Bu kategoriyalarning tartibi muhim bo'lgan tartibli kategorik o'zgaruvchilar (masalan, past, o'rta, yuqori) uchun mos keladi.
Tartibli Kodlash (Ordinal Encoding): Yorliqli kodlashga o'xshaydi, lekin kategoriyalarning tartibini belgilashga imkon beradi.
Maqsadli Kodlash (Target Encoding): Har bir kategoriyani ushbu kategoriya uchun maqsadli o'zgaruvchining o'rtacha qiymati bilan almashtiradi. Bu kategorik o'zgaruvchi va maqsadli o'zgaruvchi o'rtasida kuchli bog'liqlik mavjud bo'lganda samarali bo'lishi mumkin. Maqsadli kodlashni qo'llashda maqsadli oqishdan ehtiyot bo'ling va to'g'ri kross-validatsiya usullaridan foydalaning.
Chastotali Kodlash (Frequency Encoding): Har bir kategoriyani ma'lumotlar to'plamidagi chastotasi bilan almashtiradi. Bu turli kategoriyalarning tarqalishini aniqlash uchun foydali bo'lishi mumkin.

Misol: "Mamlakat" ustunida "AQSh", "Kanada", "Buyuk Britaniya" va "Yaponiya" kabi qiymatlarni o'z ichiga olgan ma'lumotlar to'plamini ko'rib chiqing. One-hot kodlash to'rtta yangi ustun yaratadi: "Mamlakat_AQSh", "Mamlakat_Kanada", "Mamlakat_Buyuk_Britaniya" va "Mamlakat_Yaponiya". Har bir satr o'z mamlakatiga mos keladigan ustunda 1 qiymatiga va boshqa ustunlarda 0 qiymatiga ega bo'ladi.

4. Belgilarni Transformatsiyasi

Belgilarni transformatsiyasi ularning taqsimotini yoki maqsadli o'zgaruvchi bilan munosabatini yaxshilash uchun belgilarga matematik funktsiyalarni qo'llashni o'z ichiga oladi. Umumiy transformatsiya usullari quyidagilarni o'z ichiga oladi:

Logarifmik Transformatsiya: Uzun dumli ma'lumotlarda assimetriyani kamaytirish uchun logarifm funktsiyasini qo'llaydi. Bu daromad, aholi soni yoki sotuv ko'rsatkichlari kabi belgilar uchun foydalidir.
Kvadrat Ildiz Transformatsiyasi: Logarifmik transformatsiyaga o'xshaydi, lekin assimetriyani kamaytirishda unchalik agressiv emas.
Boks-Koks Transformatsiyasi: Ham ijobiy, ham salbiy assimetriyani boshqara oladigan umumiyroq transformatsiya.
Polinomial Belgilar: Mavjud belgilarni turli darajalarga ko'tarish (masalan, kvadratga, kubga) yoki ularni birlashtirish (masalan, ikki belgini bir-biriga ko'paytirish) orqali yangi belgilar yaratadi. Bu belgilar va maqsadli o'zgaruvchi o'rtasidagi chiziqli bo'lmagan munosabatlarni aniqlashga yordam beradi.
Quvvat Transformatori (Power Transformer): Ma'lumotlarni Gaussga o'xshashroq qilish uchun quvvat transformatsiyasini qo'llaydi. scikit-learn bu maqsadda `PowerTransformer` sinfini taqdim etadi, u Yeo-Johnson va Box-Cox usullarini qo'llab-quvvatlaydi.

Misol: Agar sizda veb-saytga tashriflar sonini ifodalovchi belgi bo'lsa, u o'ngga kuchli qiyshaygan bo'lsa (ya'ni, ko'pchilik foydalanuvchilar kam sonli tashriflarga ega, bir nechta foydalanuvchilar esa juda ko'p tashriflarga ega bo'lsa), logarifmik transformatsiya taqsimotni normallashtirishga va chiziqli modellarning ish faoliyatini yaxshilashga yordam beradi.

5. Belgilarni Yaratish

Belgilarni yaratish mavjud belgilar asosida yangilarini yaratishni o'z ichiga oladi. Buni belgilarni birlashtirish, ulardan ma'lumot olish yoki soha bilimlariga asoslangan holda butunlay yangi belgilar yaratish orqali amalga oshirish mumkin. Umumiy belgi yaratish usullari quyidagilarni o'z ichiga oladi:

Belgilarni Birlashtirish: Ikki yoki undan ortiq mavjud belgilarni birlashtirish orqali yangi belgilar yaratish. Masalan, siz odamning vaznini uning bo'yining kvadratiga bo'lish orqali "TVI" (Tana Vazn Indeksi) belgisini yaratishingiz mumkin.
Ma'lumotlarni Chiqarib Olish: Mavjud belgilardan tegishli ma'lumotlarni chiqarib olish. Masalan, siz sana belgisidan hafta kunini yoki telefon raqamidan hudud kodini chiqarib olishingiz mumkin.
O'zaro Ta'sir Belgilarini Yaratish: Ikki yoki undan ortiq mavjud belgilar o'rtasidagi o'zaro ta'sirni ifodalovchi yangi belgilar yaratish. Masalan, siz mijozning yoshi va uning daromadi o'rtasidagi o'zaro ta'sirni ifodalovchi belgi yaratishingiz mumkin.
Sohaga Xos Belgilar: Soha bilimlariga asoslangan belgilar yaratish. Masalan, moliya sohasida siz moliyaviy nisbatlar yoki iqtisodiy ko'rsatkichlarga asoslangan belgilar yaratishingiz mumkin.
Vaqtga Asoslangan Belgilar: Sana-vaqt obyektlaridan hafta kuni, oy, chorak, yil, bayram belgilari kabi vaqtga bog'liq belgilar yaratish.

Misol: Chakana savdo ma'lumotlar to'plamida siz mijozning xarid tarixi, xaridlar chastotasi va o'rtacha buyurtma qiymati haqidagi ma'lumotlarni birlashtirib, "Mijozning Hayotiy Qiymati" (CLTV) belgisini yaratishingiz mumkin. Bu yangi belgi kelajakdagi sotuvlarning kuchli bashoratchisi bo'lishi mumkin.

6. Belgilarni Tanlash

Belgilarni tanlash asl to'plamdan eng muhim belgilarning quyi to'plamini tanlashni o'z ichiga oladi. Bu model ish faoliyatini yaxshilash, murakkablikni kamaytirish va overfitting (haddan tashqari moslashish) ning oldini olishga yordam beradi. Umumiy belgi tanlash usullari quyidagilarni o'z ichiga oladi:

Bir O'zgaruvchili Belgilarni Tanlash: Belgilarni bir o'zgaruvchili statistik testlar (masalan, chi-kvadrat testi, ANOVA) asosida tanlaydi.
Rekursiv Belgilarni Yo'qotish (RFE): Belgilarni rekursiv ravishda olib tashlaydi va modelning ish faoliyatini baholaydi.
Daraxtsimon Modellardan Belgilarning Muhimligi: Eng muhim belgilarni tanlash uchun daraxtsimon modellardan (masalan, Random Forest, Gradient Boosting) olingan belgilari muhimligi ko'rsatkichlaridan foydalanadi.
SelectFromModel: Belgilarni ularning muhimligiga qarab tanlash uchun oldindan o'qitilgan modeldan foydalanadi.
Korrelyatsiyaga Asoslangan Belgilarni Tanlash: Ko'pkollinearlikni kamaytirish uchun yuqori darajada korrelyatsiyalangan belgilarni aniqlaydi va olib tashlaydi.

Misol: Agar sizda yuzlab belgilar mavjud bo'lsa, ularning ko'pchiligi ahamiyatsiz yoki ortiqcha bo'lsa, belgilarni tanlash eng muhim belgilarni aniqlashga va modelning ish faoliyatini va tushunarliligini yaxshilashga yordam beradi.

Belgilarni Yaratish bo'yicha Eng Yaxshi Amaliyotlar

Belgilarni yaratish bo'yicha harakatlaringiz samarali bo'lishini ta'minlash uchun ushbu eng yaxshi amaliyotlarga rioya qilish muhim:

Ma'lumotlaringizni Tushuning: Belgilarni yaratishni boshlashdan oldin, ma'lumotlaringizni yaxshilab tushunishga vaqt ajrating. Bu ma'lumotlar turlarini, taqsimotlarini va belgilar o'rtasidagi munosabatlarni tushunishni o'z ichiga oladi.
Soha Bilimi Kalitdir: Ma'lumotlarning o'zidan darhol ko'rinmaydigan potentsial foydali belgilarni aniqlash uchun soha mutaxassislari bilan hamkorlik qiling.
Takrorlang va Tajriba O'tkazing: Belgilarni yaratish takrorlanuvchan jarayondir. Turli usullarni sinab ko'rishdan va ularning model ish faoliyatiga ta'sirini baholashdan qo'rqmang.
Belgilaringizni Tasdiqlang: Belgilaringiz haqiqatan ham model ish faoliyatini yaxshilayotganiga ishonch hosil qilish uchun ularni doimo tasdiqlang. Tegishli baholash metrikalari va kross-validatsiya usullaridan foydalaning.
Ishingizni Hujjatlashtiring: Siz yaratgan belgilar, qo'llagan transformatsiyalar va tanlovlaringiz ortidagi sabablarni batafsil yozib boring. Bu sizning belgilarni yaratish konveyeringizni tushunish va saqlashni osonlashtiradi.
Belgilar O'zaro Ta'sirini Ko'rib Chiqing: Yangi o'zaro ta'sir belgilarini yaratish model ish faoliyatini yaxshilashi mumkinligini ko'rish uchun belgilar o'rtasidagi potentsial o'zaro ta'sirlarni o'rganing.
Ma'lumotlar Oqishidan Ehtiyot Bo'ling: Ma'lumotlar oqishidan (data leakage) ehtiyot bo'ling. Bu holat test to'plamidagi ma'lumotlar belgilarni yaratish yoki tanlash uchun ishlatilganda yuzaga keladi. Bu haddan tashqari optimistik ish faoliyati taxminlariga va yomon umumlashtirishga olib kelishi mumkin.
Avtomatlashtirilgan Belgilarni Yaratish Vositalaridan Ehtiyotkorlik bilan Foydalaning: Avtomatlashtirilgan belgilarni yaratish vositalari foydali bo'lishi mumkin bo'lsa-da, ularning qanday ishlashini tushunish va ular yaratgan belgilarni diqqat bilan baholash muhimdir. Soha bilimisiz avtomatlashtirilgan vositalarga haddan tashqari ishonish optimal bo'lmagan natijalarga olib kelishi mumkin.

Belgilarni Yaratishda Global Jihatlar

Turli global manbalardan olingan ma'lumotlar bilan ishlaganda, quyidagilarni hisobga olish muhim:

Madaniy Farqlar: Ma'lumotlarning talqiniga ta'sir qilishi mumkin bo'lgan madaniy farqlardan xabardor bo'ling. Masalan, sana formatlari, valyuta belgilari va manzil formatlari mamlakatlar bo'ylab farq qilishi mumkin.
Til To'siqlari: Agar siz matnli ma'lumotlar bilan ishlayotgan bo'lsangiz, turli tillarni boshqarish uchun til tarjimasi yoki tabiiy tilni qayta ishlash (NLP) usullarini bajarishingiz kerak bo'lishi mumkin.
Ma'lumotlar Maxfiyligi Qoidalari: GDPR, CCPA va boshqa mintaqaviy qoidalar kabi ma'lumotlar maxfiyligi qoidalaridan xabardor bo'ling, ular shaxsiy ma'lumotlarni qanday to'plashingiz, qayta ishlashingiz va ishlatishingizni cheklashi mumkin.
Vaqt Mintaqalari: Vaqt qatorlari ma'lumotlari bilan ishlaganda, vaqt mintaqalari farqlarini hisobga olishingizga ishonch hosil qiling.
Valyuta Konvertatsiyasi: Agar siz moliyaviy ma'lumotlar bilan ishlayotgan bo'lsangiz, valyutalarni umumiy valyutaga aylantirishingiz kerak bo'lishi mumkin.
Manzilni Normallashtirish: Manzil formatlari mamlakatlar bo'ylab juda farq qiladi. Manzil ma'lumotlarini standartlashtirish uchun manzilni normallashtirish usullaridan foydalanishni ko'rib chiqing.

Misol: Tasavvur qiling, siz global elektron tijorat kompaniyasi uchun mijozlarning ketishini bashorat qiluvchi model yaratmoqdasiz. Mijozlar turli mamlakatlarda joylashgan va ularning xarid tarixi turli valyutalarda qayd etilgan. Modelning turli mamlakatlar bo'yicha xarid qiymatlarini to'g'ri solishtira olishini ta'minlash uchun barcha valyutalarni umumiy valyutaga (masalan, USD) aylantirishingiz kerak bo'ladi. Bundan tashqari, siz ma'lum mintaqalarda xarid qilish xatti-harakatlariga ta'sir qilishi mumkin bo'lgan mintaqaviy bayramlar yoki madaniy tadbirlarni hisobga olishingiz kerak.

Belgilarni Yaratish uchun Vositalar va Texnologiyalar

Belgilarni yaratish jarayonida bir nechta vositalar va texnologiyalar yordam berishi mumkin:

Python Kutubxonalari:
Pandas: Ma'lumotlarni manipulyatsiya qilish va tahlil qilish uchun kuchli kutubxona.
Scikit-learn: Mashinaviy ta'lim uchun keng qamrovli kutubxona, jumladan, belgilarni masshtablash, kodlash va tanlash usullari.
NumPy: Raqamli hisoblash uchun asosiy kutubxona.
Featuretools: Avtomatlashtirilgan belgilarni yaratish kutubxonasi.
Category Encoders: Kategorik kodlash uchun maxsus mo'ljallangan kutubxona.
Bulutli Platformalar:
Amazon SageMaker: Belgilarni yaratish va model qurish uchun vositalarni taqdim etadigan to'liq boshqariladigan mashinaviy ta'lim xizmati.
Google Cloud AI Platform: Mashinaviy ta'lim modellarini ishlab chiqish va joylashtirish uchun bulutli platforma.
Microsoft Azure Machine Learning: Mashinaviy ta'lim modellarini qurish, joylashtirish va boshqarish uchun bulutli platforma.
SQL: Ma'lumotlar bazalaridan ma'lumotlarni chiqarish va o'zgartirish uchun.

Xulosa

Belgilarni yaratish mashinaviy ta'lim konveyerining hal qiluvchi bosqichidir. Belgilarni diqqat bilan tanlash, o'zgartirish va yaratish orqali siz modellaringizning aniqligini, samaradorligini va tushunarliligini sezilarli darajada yaxshilashingiz mumkin. Ma'lumotlaringizni yaxshilab tushunishni, soha mutaxassislari bilan hamkorlik qilishni va turli usullarni takrorlash va sinab ko'rishni unutmang. Ushbu eng yaxshi amaliyotlarga rioya qilish orqali siz ma'lumotlaringizning to'liq salohiyatini ochishingiz va real dunyoga ta'sir ko'rsatadigan yuqori samarali mashinaviy ta'lim modellarini yaratishingiz mumkin. Ma'lumotlarning global landshaftida harakatlanar ekansiz, belgilarni yaratish bo'yicha harakatlaringiz ham samarali, ham axloqiy bo'lishini ta'minlash uchun madaniy farqlarni, til to'siqlarini va ma'lumotlar maxfiyligi qoidalarini hisobga olishni unutmang.

Belgilarni yaratish sayohati doimiy kashfiyot va takomillashtirish jarayonidir. Tajriba orttirganingiz sari, siz ma'lumotlaringizning nozikliklarini va qimmatli tushunchalarni chiqarib olishning eng samarali usullarini chuqurroq tushunib borasiz. Qiyinchilikni qabul qiling, qiziquvchan bo'ling va mashinaviy ta'limning kuchini ochish uchun ma'lumotlarga dastlabki ishlov berish san'atini o'rganishda davom eting.