[1]. Ocr tizimlari haqida gapirib bering?

]. Qaysi mashinalarni o'rganish kutubxonalari haqida bilasiz va ular 
haqida ma'lumot berasiz? 
Mashinani o'rganish bo'yicha ko'plab kutubxonalar mavjud, ba'zi misollar: 
TensorFlow: TensorFlow - bu Google tomonidan ishlab chiqilgan ochiq 
manbali mashina o'rganish kutubxonasi. U chuqur o'rganish, neyron 
tarmoqlar va boshqa mashina o'rganish vazifalari uchun keng qo'llaniladi. 
TensorFlow moslashuvchan va keng ko'lamli vazifalar, jumladan tasvir va 
nutqni aniqlash, tabiiy tilni qayta ishlash va vaqt seriyalarini tahlil qilish 
uchun ishlatilishi mumkin.PyTorch: PyTorch - bu Facebook tomonidan 
ishlab chiqilgan ochiq manbali mashina o'rganish kutubxonasi. U 
TensorFlow-ga o'xshaydi va chuqur o'rganish vazifalari uchun ham keng 
qo'llaniladi. PyTorch oʻzining dinamik hisoblash grafigi bilan mashhur 
boʻlib, u tezroq tajriba oʻtkazish va ishlab chiqish imkonini beradi.Scikit-
Learn: Scikit-learn Python uchun ochiq manbali mashina oʻrganish 
kutubxonasidir. U Python ilmiy hisoblash kutubxonalari NumPy va SciPy 
ustiga qurilgan va tasniflash, regressiya va klasterlash kabi mashinalarni 
oʻrganish vazifalari uchun keng koʻlamli vositalarni taqdim etadi. Keras: 
Keras Pythonda yozilgan ochiq manbali neyron tarmoq kutubxonasidir. . 
U foydalanuvchilar uchun qulay va modulli bo'lib ishlab chiqilgan bo'lib, 
chuqur o'rganish vazifalari uchun foydalanishni osonlashtiradi. Keras 
TensorFlow, Theano va CNTK backends ustida ishlashi mumkin.XGBoost: 
XGBoost gradientni oshirish uchun ochiq manbali kutubxonadir. U 
tasniflash va regressiya kabi nazorat ostidagi o'quv vazifalari uchun 
ishlatiladi. U o'zining tezligi va ishlashi bilan mashhur va u mashinani 
o'rganish bo'yicha ko'plab musobaqalarda g'alaba qozonish uchun 
ishlatilgan.LightGBM: LightGBM gradientni oshirish uchun yana bir ochiq 
manba kutubxonasidir. U XGBoost-ga o'xshaydi, lekin samaradorlik va 
yuqori ishlashga, ayniqsa katta ma'lumotlar to'plamlari yoki kategorik 
xususiyatlarga ega ma'lumotlar to'plamiga qaratilgan. U kategorik 
xususiyatlarni boshqarish uchun gradientga asoslangan bir tomonlama 
namuna olish deb ataladigan texnikadan foydalanadi va xotiradan 
foydalanish va mashg'ulot vaqtini qisqartiradi. LightGBM sanoatda keng 
qo'llaniladi, chunki u katta ma'lumotlar to'plamlarini boshqarishi mumkin, 
u yuqori samarali va tezdir.