Komiljon Mukhammadiev

95% accuracy — yaxshi natijami? Confusion matrix'dan ROC-AUC va PR-AUC'gacha barcha klassifikatsiya metrikalari bitta bank misolida hisoblab ko'rsatilgan. 4 sahifa, barcha raqamlar tekshirilgan. Saqlab qo'ying 📌
@uzbrainai

Vector database qanday ishlaydi? Embedding, o'xshashlik metrikalari, HNSW/IVF/PQ indekslari va RAG — hisoblangan misollar va haqiqiy tajriba bilan bitta cheatsheet'da. 5 sahifa. Saqlab qo'ying 📌
@uzbrainai

hisoblash ketma-ketligi video orqali....
@uzbrainai

Neyron tarmoq qanday o'rganadi? Backpropagation'ni kichik tarmoqda bosqichma-bosqich hisob bilan ko'rsatdik: forward pass, zanjir qoidasi, δ tenglamalari va og'irliklarni yangilash. 5 sahifa, barcha raqamlar tekshirilgan. Saqlab qo'ying 📌
@uzbrainai

Self-attention qanday ishlaydi? Query, Key, Value'dan Multi-Head va FlashAttention'gacha — o'zbekcha misolda bosqichma-bosqich hisob bilan bitta cheatsheet'da. 4 sahifa, barcha raqamlar tekshirilgan. Saqlab qo'ying 📌
@uzbrainai

LLM javobini qanday baholash kerak? Perplexity'dan LLM-hakamgacha — formulalar, o'zbekcha misollar va benchmarklar bitta cheatsheet'da. 5 sahifa, barcha hisoblar tekshirilgan. Saqlab qo'ying 📌
@uzbrainai

CNN qanday ishlaydi? Konvolyutsiya, pooling, receptive field, ResNet va MobileNet g'oyalari, o'qitish jarayoni — formulalar va tekshirilgan misollar bilan bitta cheatsheet'da. O'zbek tilida, 3 sahifa. Saqlab qo'ying 📌
@uzbrainai

ReLU, GELU, SiLU, Softmax — qaysi birini, qayerda va nega ishlatish kerak? 9 ta aktivatsiya funksiyasi: formulalar, hosilalar, grafiklar va PyTorch misollari bitta cheatsheet'da. O'zbek tilida, 3 sahifa. Saqlab qo'ying 📌
@uzbrainai

Qaysi regressiya algoritmini tanlash kerak? 10 ta algoritm: formulalar, grafiklar, giperparametrlar va amaliy tavsiyalar — bitta cheatsheet'da. O'zbek tilida, 3 sahifa. Saqlab qo'ying 📌
@uzbrainai

LLM qanday ishlaydi? Arxitektura, formulalar, o‘qitish bosqichlari, cheklovlar va amaliy tavsiyalar — hammasi bitta cheatsheet’da. O‘zbek tilida, 4 sahifa. Saqlab qo‘ying 📌
@uzbrainai

AI (generated content)qanchalik mukammal ko'rinmasin, fizika va geometriya qonunlari oldida ojiz. Tarmoqdagi rasmlar haqiqiymi yoki sun'iy intellekt mahsulotimi — buni aniqlashning ikkita oddiy, ammo samarali usuli bor.

Soyalar chalkashligi

Fizika qonuniga ko'ra, agar rasmda yagona yorug'lik manbasi (masalan, Quyosh) bo'lsa, barcha obyektlarning soyalari bir xil qonuniyat bo'yicha teskari tomonga tushishi kerak. Sun'iy intellekt esa obyektlarni rasmga alohida-alohida joylashtirgani sababli ko'pincha adashadi. Masalan, rasmda insonning soyasi chapga, uning yonidagi daraxtning soyasi esa o'ngga qarab ketgan bo'lishi mumkin. Yoki obyektning shakli bilan uning yerga tushgan soyasi geometrik jihatdan bir-biriga mutlaqo mos kelmaydi.

Xulosa oddiy: rasmning chiroyli ranglariga emas, soyalar va ko'zgudagi akslarga e'tibor bering. Fizika yolg'on gapirmaydi.
@uzbrainai

fikrlarimizni yozmaguncha, sayoz tafakkurimizni ko‘rmaymiz.

taymer bilan hisoblamaguncha, bekor yurganimizni bilmaymiz.

eski rasmlarimizga qaramaguncha, qariganimizni sezmaymiz.

xarajatlarimizni kiritmaguncha, o‘zimizni tejamkor hisoblaymiz.

niyatlarimizni tahlil qilmaguncha, “yaxshi odamman” deb o‘ylaymiz.

o'zgarish "o'lchash"dan boshlanadi.

Energiya - maqsadlaring hajmiga qarab beriladi.
@uzbrainai

Yechilmagan yana misollar bor kimdir try qilib ko'radimi ?

Tasavvur qiling, insoniyat naq 90 yildan beri, ya'ni qariyb bir asr davomida yecha olmayotgan, yechgan odamga 1 000 000 dollar mukofot va'da qilingan dahshatli matematika masalasi bor. Bu - gidrodinamikadagi mashhur "Navier-Stokes tenglamalari". Yaqinda OpenAI kompaniyasi butun ilmiy dunyoni shokka tushirgan rasmiy bayonot bilan chiqdi.Xo'sh, nima sodir bo'ldi? OpenAI olimlari o'zlarining super-kuchli tizimini ishga tushirishdi va unga roppa-rosa 10 000 ta sun'iy intellekt agentlarini bir vaqtda safarbar qilishdi. Bu raqamli armiya xuddi kecha-yu kunduz ishlaydigan ulkan laboratoriyadek o'zaro 2.7 milliondan ortiq xabar almashdi va mislsiz hisob-kitoblarni amalga oshirdi. Natija esa aqlbovar qilmas bo'ldi: tizim ishga tushganidan keyin atigi 88 soat ichida, ya'ni 4 sutkaga ham yetmay o'sha asrlik muammoning yechimini topdi. Keyin esa OpenAI GPT-6 Astra modeli yana 17 soat davomida ushbu yechimning xatosiz ekanligini matematik dastur kodida to'liq tekshirib, tasdiqlab berdi. Bu nega muhim? Bu tenglamalar samolyotlar dizayni, ob-havo prognozi va hatto qon aylanishini hisoblashda ishlatiladi. Sun'iy intellekt bizga bu qonuniyatlar qayerda va qanday buzilishini, ya'ni singulyarlikni isbotlab berdi.Garchi hozirda matematiklar hamjamiyati bu yechimni qizg'in muhokama qilayotgan va tekshirayotgan bo'lsa-da, bir narsa aniq: AI endi shunchaki matn yozadigan o'yinchoq emas, u dunyodagi eng qiyin ilmiy muammolarni bir necha kunda tor-mor qiluvchi daho agentga aylandi.Kelajak biz o'ylagandan ham tezroq kelmoqda. Tayyor turing.
@uzbrainai

DINOv3 va SigLIP 2: Kompyuter ko‘rishi olamidagi ikki xil dunyoqarash haqida gaplashsak...

So‘nggi paytlarda sun’iy intellekt va kompyuter ko‘rishi (Computer Vision) sohasida ikkita yangi model juda katta shov-shuvga sabab bo‘lmoqda. Bular Meta kompaniyasining DINOv3 va Google DeepMind taqdim etgan SigLIP 2 modellari. Tashqi ko‘rinishdan ikkalasi ham vizual ma’lumotlar bilan ishlasa-da, ularning ishlash mantig‘i va dunyoni "ko‘rish" falsafasi butunlay boshqacha.

Keling, ularning asosiy farqini juda oddiy misolda ko‘rib chiqamiz.

DINOv3 modelini mukammal chizmachiga yoki muhandisga o‘xshatish mumkin. U rasmdagi har bir detalning qayerda joylashgani, obektlarning shakli, chuqurligi va bir-biriga nisbatan masofasini piksellar darajasigacha aniq hisoblay oladi. Meta buni o‘rgatishda matnlardan foydalanmagan, ya’ni model faqat vizual qonuniyatlarga tayanadi. Shuning warningsiz u robototexnika, tibbiy tasvirlarni tahlil qilish yoki avtopilot tizimlar kabi yuqori geometrik aniqlik talab qilinadigan joylarda tengsizdir.

SigLIP 2 esa ko‘proq tilshunos yoki san’atshunosga o‘xshaydi. Google uni tasvirlarni matnli tavsiflar bilan bog‘lagan holda tarbiyalagan. Natijada u rasmda nima sodir bo‘layotganini so‘zlar bilan tushuntirib bera oladi, rasmning umumiy ma’nosini anglaydi. Agar sizga rasmlarni matn orqali qidirish tizimi yoki ChatGPT kabi vizual ma’lumotni ham matnli tushunadigan multimodal loyihalar kerak bo‘lsa, SigLIP 2 eng to‘g‘ri tanlov bo‘ladi.

Xulosa o‘rnida aytish mumkinki, agar siz uchun tasvirning geometriyasi va piksellar aniqligi muhim bo‘lsa, DINOv3 modelini tanlagan ma’qul. Agar maqsad tasvirning ma’nosini tushunish va uni til bilan bog‘lash bo‘lsa, SigLIP 2 o‘zini yaxshiroq ko‘rsatadi. Hozirda esa ko‘plab ishlab chiquvchilar bu ikkala modelning kuchli jihatlarini birlashtirib, gibrid tizimlar yaratish ustida ish olib borishmoqda.
@uzbrainai

zero_grad() nima qiladi?

PyTorch’da model train qilayotganda gradientlar avtomatik ravishda yig‘ilib boradi.

Shuning uchun har bir batchdan oldin:

optimizer.zero_grad()

deb eski gradientlarni tozalaymiz.

Jarayon juda oddiy:

zero_grad() → eski gradientni tozalaydi
backward() → yangi gradientni hisoblaydi
step() → weightlarni yangilaydi

Agar zero_grad() bo‘lmasa, yangi gradient oldingisiga qo‘shilib ketadi va model noto‘g‘ri update bo‘lishi mumkin.

Qisqasi: `zero_grad()` — modelga “oldingi xatoni unut, yangi batchdan boshlaymiz” deyish.
@uzbrainai

Zamon tezlashmoqda. AI dagi yangiliklarni aytmasa ham bo’ladi. Bir uxlab tursam, OpenAI gpt-6 astra modelini chiqarishibdi. Hozircha ba’zi tashkilotlar uchun ochishibdi, yaqinda Plus va undan yuqori ta’rifidagilar uchun ham ochilar ekan.


https://openai.com/index/gpt-6-astra/

Bugun Object Tracking haqida qiziq bir paper o‘qidim — BoT-SORT: Robust Associations Multi-Pedestrian Tracking.

Object Detection:

“Bu yerda odam bor.”

Object Tracking esa:

“Bu avvalgi kadrdagi aynan o‘sha odam.”

deyishga harakat qiladi.

Muammo shundaki, odamlar bir-birini to‘sib qo‘yishi, kamera harakatlanishi yoki odam bir muddat ko‘rinmay qolishi mumkin. Natijada tizim odamlarning ID'sini almashtirib yuborishi mumkin.

BoT-SORT buni kamaytirish uchun odamning harakati, joylashuvi, tashqi ko‘rinishi va kamera harakatini birgalikda hisobga oladi.

Menga eng yoqqan insight:

Tracking — obyektni topish emas, uning identity'sini vaqt davomida saqlash.

Yana bir qiziq jihat: har doim muammoni kattaroq model bilan hal qilish shart emas. Ba'zan mavjud algoritmlarni to‘g‘ri birlashtirishning o‘zi katta natija beradi.

@uzbrainai

Deep learning’da optimization - model parametrlarini shunday o‘zgartirish jarayoniki, modelning xatosi (loss) imkon qadar kamayadi.


Input → Model → Prediction → Loss → Optimization → Parameters yangilanadi → yana takrorlanadi

Masalan, model mushukni 60% ishonch bilan mushuk deb topdi. Optimization jarayoni modelga “qayerda xato qilding va parametrlarni qaysi tomonga o‘zgartirish kerak?” degan yo‘lni ko‘rsatadi.

Shuning uchun rasmdagi asosiy formula:

θₜ₊₁ = θₜ − η∇θL(θₜ)

Bu yerda:

• θ — model parametrlari/weights
• L — loss, ya’ni xato
• ∇L — xato qaysi yo‘nalishda oshayotganini ko‘rsatuvchi gradient
• η — learning rate, qadam kattaligi

Optimization = modelni xatosidan foydalanib, har qadamda yaxshiroq qilish degani.
@uzbrainai