Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

 
TIJORIY VA BIZNES MA’LUMOTLARINI PYTHON DASTURLASH 
TILIDAGI KERAS ALGORITMIDAN FOYDALANIB, CHUQUR O’RGANIB 
NEYRON TARMOQ MODELINI YARATISH 
N.S. Mamatov (professor, Muhammad al-Xorazmiy nomidagi TATU) 
M.I. Muhiddinov (magistr, Muhammad al-Xorazmiy nomidagi TATU) 
Tijoriy maqsadlardagi foydalanuvchi ma’lumotlarini tahlil qilish berilgan qat’iy 
ma’lumotlar asosida keying hodislarni bashorat qilishni nazarda tutadi. Hozirgi kunda 
bu borada Neyron tarmoqlari keng qo’llanilmoqda va samarali yechimlarga ega 
bo’lib kelinmoqda. Mazkur tadqiqiotda bu turdagi tadqiqotlarni o’tkazishga algoritm 
va dasturiy vosita yordamida namuna keltirilgan.
Maqsadli tijoriy va biznes harakati mijozlarni qanchalik ko’p jalb qilsa, sotuvchi 
kompaniya shunchalik muvaffaqiyatli bo’ladi. Sun’iy intelekt sizga bozorni iqtisodiy 
13
Мамадияров З.Т. Пандемия: банкларни трансформация қилишни янада жадаллаштирмоқда. “ЛОГИСТИКА 
ВА ИҚТИСОДИЁТ” илмий электрон журнали, 2021 йил I сон, 192-201 б. 

---

129 
holati, sotib olish shakli va hokazolar bo’yicha segmentlarga ajratishga yordam 
beradi. 
Tijoriy maqsadlarda foydalanuvchi ma’lumotlarini tahlil qilish bo’yicha 
ishlanma tahlili.

1-qadam:
ma’lumotlarni import qilish. Panda DataFrame ma’lumotlar ustida 
ishlash uchun katta funktsional imkoniyatni beradi, shu sababli biz ma’lumotlarni 
import qilish uchun ulardan foydalanamiz. 
# Importing the libraries 
import numpy as np 
import matplotlib.pyplot as plt 
import pandas as pd 
# Importing the dataset
dataset = pd.read_csv(‘Tahliliy_Model.csv’)
2-qadam:
Maqsadli o’zgaruvchining funksiyalari va matritsalarini yarating. 
Bu holda biz keraksiz ma’lumotlar saqlangan ustunlarni olib tashlaymiz, chunki ular 
bizning tahlilimizda foydali emas.
X = dataset.iloc[:,3:13].values 
Y = dataset.iloc[:, 13].value 
1-rasm 
Ma’lumotlarning dastlabki ko’rinishi 
3-qadam
: Qator o’zgaruvchilarini kodlash orqali tahlilni soddalashtiraylik. 
Mamlakat nomlari "Frantsiya, Ispaniya, Germaniya" kabi belgilarga ega, jinsi esa 
"Erkak, ayol". Biz bu satrlarni raqamli qilib kodlashimiz kerak va biz buni panda 
frameworkdan foydalanib amalga oshirishimiz mumkin, lekin men bu yerda 
pythonda eng kuchli kompyuterlarni o’qitish kutubxonasi bo’lgan "ScikitLearn" 
yangi kutubxonasini taqdim qilaman. Biz "LabelEncoder" dan foydalanamiz. 
Nomidan ko’rinib turibdiki, qachonki biron bir o’zgaruvchini ushbu funktsiyaga 
topshirsak, ushbu funktsiya avtomatik ravishda 0 dan n_classes-1 gacha bo’lgan 
qiymatlarga ega bo’lgan turli xil yorliqlarni kodlaydi. 
from sklearn.preprocessing import LabelEncoder, OneHotEncoder 
labelencoder_X_1 = LabelEncoder() 
X[:, 1] = labelencoder_X_1.fit_transform(X[:, 1]) 
labelencoder_X_2 = LabelEncoder() 
X[:, 2] = labelencoder_X_2.fit_transform(X[:, 2]) 

---

130 
Endi siz mamlakat nomlari 0,1 va 2, erkaklar va ayollar 0 va 1 bilan 
almashtirilganligini ko’rasiz. 
2-rasm 
O’zingizning modelingizni sinov ma’lumotlari bo’yicha sinab ko’rish faqatgina 
modelning samaradorligini baholashga yordam beradi. 
4-qadam
: Biz o’lchovni standartlashtirishimiz kerak, shunda biz test 
ma’lumotlarini o’zgartirish / o’lchash uchun bir xil o’rnatilgan usuldan foydalanamiz. 
# Feature Scalingfrom sklearn.preprocessing import StandardScaler 
sc = StandardScaler() 
X_train = sc.fit_transform(X_train) 
X_test = sc.transform(X_test) 
3-rasm 
Va nihoyat, biz ma’lumotlarni oldindan qayta ishlash orqali bajaramiz, endi biz 
o’z modelimizdan boshlaymiz. Bu erda biz to’g’ridan-to’g’ri Neural Network-ni 
yaratishga o’tamiz. 
5-qadam
: Kerakli modullarni import qilish. Yashirin qatlamlarni qo’shish uchun 
bizga NNni boshlash uchun zich modul va zich modul kerak. 
# Importing the Keras libraries and packages 
import keras 
from keras.models import Sequential 
from keras.layers import Dense 
6-qadam
: Men Model nomini Klassifikator sifatida beryapman, chunki bizning 
biznesdagi muammolarimiz - mijozlar tanasini tasniflash.
#Initializing Neural Network 
classifier = Sequential() 

---

131 
7-qadam
: Bir nechta yashirin qatlamni qo’shish biroz kuch sarflaydi. Yashirin 
qatlamlarni zich funktsiyadan foydalanib birma-bir qo’shamiz. Quyidagi kodda siz 
ko’plab dalillarni ko’rasiz.
Bizning birinchi parametrimiz chiqish_dim. Bu qavatga qo’shmoqchi bo’lgan 
tugunlar soni shunchaki .init bu Stochastic Gradient Decent-ning boshlanishi. Neyron 
tarmog’ida biz har bir rejimga og’irlikni belgilashimiz kerak, bu tugunning 
ahamiyatidan boshqa narsa emas. Inisializatsiya paytida og’irliklar 0 ga yaqin bo’lishi 
kerak va biz tasodifiy ravishda bitta funktsiyani ishlatib tasodifiy ravishda tuzamiz. 
input_dim parametri faqat birinchi qavat uchun kerak, chunki model bizning kirish 
o’zgaruvchilarimiz sonini bilmaydi.