From 2a97d9e2347e13499fe0b65fbfb439afd76e771d Mon Sep 17 00:00:00 2001 From: Karim Karimov Date: Wed, 6 Nov 2024 22:12:04 +0400 Subject: [PATCH] TRANS: reviewed az translation 4.3 --- .../3-Classifiers-2/translations/README.az.md | 82 +++++++++---------- .../translations/assignment.az.md | 10 +-- 2 files changed, 46 insertions(+), 46 deletions(-) diff --git a/4-Classification/3-Classifiers-2/translations/README.az.md b/4-Classification/3-Classifiers-2/translations/README.az.md index 013917312..67f45df09 100644 --- a/4-Classification/3-Classifiers-2/translations/README.az.md +++ b/4-Classification/3-Classifiers-2/translations/README.az.md @@ -2,22 +2,22 @@ İkinci qruplaşdırma dərsində siz, ədədi dataları qruplaşdırmaq üçün olan əlavə yolları kəşf edəcəksiniz. Bundan əlavə olaraq isə bir qruplaşdırıcını digəri ilə əvəz etməyin nəticələri haqqında öyrənəcəksiniz. -## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/23/) +## [Mühazirədən əvvəl quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/23/?loc=az) ### İlkin şərt -Əvvəlki dərsi bitirdiyinizi və 4-cü dərsin ana qovluğunda yerləşən `data` qovluğunda, _cleaned_cuisines.csv_ adlı data setinizin olduğunu güman edirik. +Əvvəlki dərsi bitirdiyinizi və 4-cü dərsin ana qovluğunda yerləşən `data` qovluğunda _cleaned_cuisines.csv_ adlı datasetinizin olduğunu güman edirik. ### Hazırlıq -_notebook.ipynb_ faylınızı təmizlənmiş data set ilə yükləyib, X və y datafreymlərinə bölərək model qurulması prosesi üçün hazır vəziyyətə gətirmişik. +_notebook.ipynb_ faylınızı təmizlənmiş dataset ilə yükləyib X və y datafreymlərinə bölərək model qurulması prosesi üçün hazır vəziyyətə gətirmişik. ## Qruplaşdırma xəritəsi Öncədən, Microsoft-un yaddaş vərəqindən datanın qruplaşdırmağın müxtəlif növləri haqqında öyrənmisiniz. Scikit-learn də buna oxşar, amma təxminedicilərinizi(qruplaşdırıcıların digər adı) daha dəqiq təyin etmənizdə sizə yardım edəcək bir yaddaş vərəqəsi təklif edir: -![Scikit-learn-dən MÖ Xəritəsi](../images/map.png) -> Tövsiyyə: [Bu xəritəyə onlayn formada](https://scikit-learn.org/stable/tutorial/machine_learning_map/) baxaraq, cığırlar üzrə hərəkət edərkən üzərlərinə klik edərək dokumentasiyaları oxuya bilərsiniz. +![Scikit-learn-dən ML Xəritəsi](../images/map.png) +> Tövsiyyə: [Bu xəritəyə onlayn formada](https://scikit-learn.org/stable/tutorial/machine_learning_map/) baxaraq cığırlar üzrə hərəkət edərkən üzərlərinə klik edərək sənədləri oxuya bilərsiniz. ### Plan @@ -27,18 +27,18 @@ Datanız haqqında aydın fikirləriniz olduğu zaman bu xəritə sizə çox kö - Kateqoriyanı təxmin etmək istəyirik - Etiketlənmiş datamız var - 100 mindən daha az nümunəmiz var -- ✨ Xətti DVQ(Dəstək-Vektor Qruplaşdırıcı)-i seçə bilərik -- Ədədi datamız olduğuna görə, əgər işinizə yaramazsa +- ✨ Xətti SVC (Dəstək-Vektor Qruplaşdırıcı) seçə bilərik +- Ədədi datamız olduğuna görə əgər işinizə yaramazsa - ✨ K-Qonşu Qruplaşdırıcını yoxlaya bilərik - - Əgər bu da işinizə yaramazsa, ✨ DVQ və ✨ Ansambl Qruplaşdırıcılarını yoxlayın. + - Əgər bu da işinizə yaramazsa, ✨ SVC və ✨ Ansambl Qruplaşdırıcılarını yoxlayın. Bu izləyə biləcəyiniz çox faydalı bir yoldur. ## Tapşırıq - datanı ayırmaq -Həmin cığırı izləyərək, istifadə etmək üçün bəzi kitabxanaları idxal edərək başlamalıyıq. +Həmin cığırı izləyərək istifadə etmək üçün bəzi kitabxanaları daxil edərək başlamalıyıq. -1. Tələb olunan kitabxanaları idxal edin: +1. Tələb olunan kitabxanaları daxil edin: ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.linear_model import LogisticRegression @@ -49,21 +49,21 @@ Həmin cığırı izləyərək, istifadə etmək üçün bəzi kitabxanaları id import numpy as np ``` -2. Öyrədilmə və test datalarını ayırın: +2. Öyrətmə və test datalarını ayırın: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` -## Xətti DVQ(Dəstək-Vektor Qruplaşdırıcı) +## Xətti SVC (Dəstək-Vektor Qruplaşdırıcı) -Dəstək-Vektor klasterləşmə, MÖ texnikalarından(aşağıda bu haqda ətraflı öyrənə bilərsiniz) olan Dəstək-Vektor maşınları ailəsinin bir üzvüdür. Bu metodda siz etiketləri klasterləşdirmək üçün 'kernel(özək)' seçə bilərsiniz. 'C' parametri, parametrlərin təsirini nizamlayan 'regularization(nizamlama)'-ı bildirir. Özək [bunlardan](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC) biri ola bilər. Burada biz xətti DVQ-ı istifadə edəcəyimizə görə onun da 'xətti' olaraq təyin etmişik. Ehtimalın öz standart olaraq təyin olunmuş dəyəri 'false(yanlış)'-dur. Amma burada ehtimal haqqında təxminlər toplamağımız üçün onu 'true(doğru)'-a dəyişmişik. Random state-i(Random vəziyyəti) isə, ehtimalları datanı qarışdıraraq əldə etmək üçün '0'-a bərabər etmişik. +Dəstək-Vektor klasterləşmə ML texnikalarından(aşağıda bu haqda ətraflı öyrənə bilərsiniz) olan Dəstək-Vektor maşınları ailəsinin bir üzvüdür. Bu metodda siz etiketləri klasterləşdirmək üçün 'kernel(özək)' seçə bilərsiniz. 'C' parametri, parametrlərin təsirini nizamlayan 'regularization(nizamlama)'-ı bildirir. Özək [bunlardan](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC) biri ola bilər. Burada biz xətti SVC istifadə edəcəyimizə görə onu da 'xətti' olaraq təyin etmişik. Ehtimalın özü standart olaraq təyin olunmuş dəyəri 'false(yanlış)'-dur. Amma burada ehtimal haqqında təxminlər toplamağımız üçün onu 'true(doğru)'-a dəyişmişik. Random state (Təsadüfi vəziyyəti) isə ehtimalları datanı qarışdıraraq əldə etmək üçün '0'-a bərabər etmişik. -### Tapşırıq - xətti DVQ-i tətbiq edin +### Tapşırıq - xətti SVC tətbiq edin Qruplaşdırıcılardan ibarət bir massiv yaratmaqla başlayın. Testlər apardıqca, bu massivə əlavələr edəcəksiniz. -1. Xətti DVQ ilə başlayın: +1. Xətti SVC ilə başlayın: ```python C = 10 @@ -73,14 +73,14 @@ Qruplaşdırıcılardan ibarət bir massiv yaratmaqla başlayın. Testlər apard } ``` -2. Xətti DVQ istifadə edərək modeli öyrədin və reportu ekrana çap edin: +2. Xətti SVC istifadə edərək modeli öyrədin və reportu ekrana çap edin: ```python n_classifiers = len(classifiers) - + for index, (name, classifier) in enumerate(classifiers.items()): classifier.fit(X_train, np.ravel(y_train)) - + y_pred = classifier.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("Accuracy (train) for %s: %0.1f%% " % (name, accuracy * 100)) @@ -90,28 +90,28 @@ Qruplaşdırıcılardan ibarət bir massiv yaratmaqla başlayın. Testlər apard Nəticə kifayət qədər yaxşıdır: ```output - Accuracy (train) for Linear SVC: 78.6% + Accuracy (train) for Linear SVC: 78.6% precision recall f1-score support - + chinese 0.71 0.67 0.69 242 indian 0.88 0.86 0.87 234 japanese 0.79 0.74 0.76 254 korean 0.85 0.81 0.83 242 thai 0.71 0.86 0.78 227 - + accuracy 0.79 1199 macro avg 0.79 0.79 0.79 1199 weighted avg 0.79 0.79 0.79 1199 ``` ## K-Qonşu qruplaşdırıcısı -K-Qonşu, MÖ metodlarının həm nəzarətli, həm də nəzarətsiz öyrənmə üçün istifadə edilən "qonşular" ailəsinin bir hissəsidir. Bu metodda, öncədən təyin olunan sayda data nöqtələri yaradılır və datalar bu nöqtələr ətrafında məlumatlar üçün ümumiləşdirilmiş etiketlər proqnozlaşdırıla bilinəcəyi formada toplanılır. +K-Qonşu ML metodlarının həm nəzarətli, həm də nəzarətsiz öyrənmə üçün istifadə edilən "qonşular" ailəsinin bir hissəsidir. Bu metodda öncədən təyin olunan sayda data nöqtələri yaradılır və datalar bu nöqtələr ətrafında məlumatlar üçün ümumiləşdirilmiş etiketlərin proqnozlaşdırıla bilinəcəyi formada toplanılır. ### Tapşırıq - K-Qonşu qruplaşdırıcısını tətbiq edin Öncəki qruplaşdırıcı yaxşı idi və data ilə əla işlədi. Amma daha yuxarı dəqiqlik əldə edə bilərik. K-Qonşu qruplaşdırıcısını yoxlayın. -1. Qruplaşdırıcı massivinizə yeni sətir əlavə edin (Xətti DVQ-dən sonra vergül qoyun): +1. Qruplaşdırıcı massivinizə yeni sətir əlavə edin (Xətti SVC-dən sonra vergül qoyun): ```python 'KNN classifier': KNeighborsClassifier(C), @@ -120,15 +120,15 @@ K-Qonşu, MÖ metodlarının həm nəzarətli, həm də nəzarətsiz öyrənmə Nəticə bir az pisdir: ```output - Accuracy (train) for KNN classifier: 73.8% + Accuracy (train) for KNN classifier: 73.8% precision recall f1-score support - + chinese 0.64 0.67 0.66 242 indian 0.86 0.78 0.82 234 japanese 0.66 0.83 0.74 254 korean 0.94 0.58 0.72 242 thai 0.71 0.82 0.76 227 - + accuracy 0.74 1199 macro avg 0.76 0.74 0.74 1199 weighted avg 0.76 0.74 0.74 1199 @@ -138,7 +138,7 @@ K-Qonşu, MÖ metodlarının həm nəzarətli, həm də nəzarətsiz öyrənmə ## Dəstək-Vektor Qruplaşdırıcısı -Dəstək-Vektor qruplaşdırıcıları, MÖ metodlarının qruplaşdırma və reqressiya tapşırıqları üçün istifadə edilən [Dəstək-Vektor Maşını](https://wikipedia.org/wiki/Support-vector_machine) ailəsinin bir hissəsidir. DVM-lər iki kateqoriya arasındakı məsafəni maksimallaşdırmaq üçün "öyrətmə nümunələrini fəzadakı nöqtələrə köçürür". Sonrakı datalar kateqoriyalarının müəyyən olunması üçün bu fəzaya köçürülür. +Dəstək-Vektor qruplaşdırıcıları ML metodlarının qruplaşdırma və reqressiya tapşırıqları üçün istifadə edilən [Dəstək-Vektor Maşını](https://wikipedia.org/wiki/Support-vector_machine) ailəsinin bir hissəsidir. SCM-lər iki kateqoriya arasındakı məsafəni maksimallaşdırmaq üçün "öyrətmə nümunələrini fəzadakı nöqtələrə köçürür". Sonrakı datalar kateqoriyalarının müəyyən olunması üçün bu fəzaya köçürülür. ### Dəstək Vektor Qruplaşdırıcısını tətbiq edin @@ -153,25 +153,25 @@ Gəlin Dəstək Vektor Qruplaşdırıcı ilə daha dəqiq nəticə əldə etməy Nəticə kifayət qədər yaxşıdır! ```output - Accuracy (train) for SVC: 83.2% + Accuracy (train) for SVC: 83.2% precision recall f1-score support - + chinese 0.79 0.74 0.76 242 indian 0.88 0.90 0.89 234 japanese 0.87 0.81 0.84 254 korean 0.91 0.82 0.86 242 thai 0.74 0.90 0.81 227 - + accuracy 0.83 1199 macro avg 0.84 0.83 0.83 1199 weighted avg 0.84 0.83 0.83 1199 ``` - ✅ [Support-Vectors](https://scikit-learn.org/stable/modules/svm.html#svm) haqqında ətraflı öyrənin + ✅ [Dəstək-Vektorları](https://scikit-learn.org/stable/modules/svm.html#svm) haqqında ətraflı öyrənin ## Ansambl Qruplaşdrıcıları -Gəlin cığırı əvvəlki testimiz kifayət qədər yaxşı olsa da axıra qədər izləyək. 'Ansambl Qruplaşdırıcılarını, xüsusilə Random Meşə və AdaBoost-u' yoxlayaq: +Gəlin cığırı əvvəlki testimiz kifayət qədər yaxşı olsa da axıra qədər izləyək. 'Ansambl Qruplaşdırıcılarını, xüsusilə Random Forest və AdaBoost-u' yoxlayaq: ```python 'RFST': RandomForestClassifier(n_estimators=100), @@ -181,7 +181,7 @@ Gəlin cığırı əvvəlki testimiz kifayət qədər yaxşı olsa da axıra qə Nəticələr kifayət qədər yaxşıdır. Xüsusilə Random Forest üçün: ```output -Accuracy (train) for RFST: 84.5% +Accuracy (train) for RFST: 84.5% precision recall f1-score support chinese 0.80 0.77 0.78 242 @@ -194,7 +194,7 @@ Accuracy (train) for RFST: 84.5% macro avg 0.85 0.85 0.84 1199 weighted avg 0.85 0.84 0.84 1199 -Accuracy (train) for ADA: 72.4% +Accuracy (train) for ADA: 72.4% precision recall f1-score support chinese 0.64 0.49 0.56 242 @@ -210,24 +210,24 @@ weighted avg 0.73 0.72 0.72 1199 ✅ [Ansambl Qruplaşdırıcıları](https://scikit-learn.org/stable/modules/ensemble.html) haqqında ətraflı öyrənin -Maşın Öyrənməsinin bu metodu, modelin keyfiyyətini artırmaq üçün 'bir neçə təxminedicilərin təxminlərini özündə birləşdirir'. Nümunəmizdə, Random Ağacları və AdaBoost-u istifadə etdik. +Maşın Öyrənməsinin bu metodu modelin keyfiyyətini artırmaq üçün 'bir neçə təxminedicilərin təxminlərini özündə birləşdirir'. Nümunəmizdə, Random Forest və AdaBoost-u istifadə etdik. -- [Random Forest](https://scikit-learn.org/stable/modules/ensemble.html#forest), ortalama hesablayan bir metod olaraq, həddən artıq uyğunlaşmamaq üçün təsadüfiliklə doldurulmuş 'qərarvermə ağaclarından' təşkil olunmuş 'meşə' yaradır. n_estimators parametri, ağacların sayını bildirir. +- [Random Forest](https://scikit-learn.org/stable/modules/ensemble.html#forest) ortalama hesablayan bir metod olaraq həddən artıq uyğunlaşmamaq üçün təsadüfiliklə doldurulmuş 'qərarvermə ağaclarından' təşkil olunmuş 'meşə' yaradır. n_estimators parametri ağacların sayını bildirir. -- [AdaBoost](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html) isə qruplaşdırıcını data setə uyğunlaşdırır və daha sonra öz surətlərini həmin datasetə uyğunlaşdırır. O yanlış qruplaşdırılmış qruplaşdırıcıların çəkilərinə fokuslanır və bir sonrakı qruplaşdırıcının düzəltməsi üçün uyğunluğa düzəlişlər edir. +- [AdaBoost](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html) isə qruplaşdırıcını datasetə uyğunlaşdırır və daha sonra öz surətlərini həmin datasetə uyğunlaşdırır. O, yanlış qruplaşdırılmış qruplaşdırıcıların çəkilərinə fokuslanır və bir sonrakı qruplaşdırıcının düzəltməsi üçün uyğunluğa düzəlişlər edir. --- -## 🚀Məşğələ +## 🚀 Məşğələ Bu texnikaların hər birinin dəyişiklər edə biləcəyiniz çox sayda parametrləri mövcuddur. Hər birinin standart olaraq təyin edilmiş parametrlərini araşdırın və bu parametrlərin dəyişdirilməsinin modelin keyfiyyəti üçün önəmi haqqında düşünün. -## [Mühazirə sonrası quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/24/) +## [Mühazirə sonrası quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/24/?loc=az) ## Təkrarlayın və özünüz öyrənin -Bu dərslərdə çoxlu jarqon sözlər mövcuddur. Ona görə də bir dəqiqənizi ayıraraq, praktiki terminologiyaların olduğu [bu siyahıya](https://docs.microsoft.com/dotnet/machine-learning/resources/glossary?WT.mc_id=academic-77952-leestott) nəzər yetirin. +Bu dərslərdə çoxlu jarqon sözlər mövcuddur. Ona görə də bir dəqiqənizi ayıraraq praktiki terminologiyaların olduğu [bu siyahıya](https://docs.microsoft.com/dotnet/machine-learning/resources/glossary?WT.mc_id=academic-77952-leestott) nəzər yetirin. ## Tapşırıq -[Parameter oyunu](assignment.az.md) \ No newline at end of file +[Parametr oyunu](assignment.az.md) \ No newline at end of file diff --git a/4-Classification/3-Classifiers-2/translations/assignment.az.md b/4-Classification/3-Classifiers-2/translations/assignment.az.md index 4935a939c..7afdf7e9c 100644 --- a/4-Classification/3-Classifiers-2/translations/assignment.az.md +++ b/4-Classification/3-Classifiers-2/translations/assignment.az.md @@ -1,11 +1,11 @@ -# Parameter Oyunu +# Parametr oyunu ## Təlimatlar -Bu klassifikatorlarla işləyərkən standart olaraq təyin edilmiş bir çox parametrlər mövcuddur. VS Code-un Intellisense-i onları öyrənməyə kömək edə bilər. Bu dərsdə Maşın Öyrənmə Təsnifat Metodlarından birini seçin və müxtəlif parametrlərin dəyərlərini dəyişdirərək modelləri yenidən öyrədin. Bəzi dəyişikliklərin niyə modelin keyfiyyətini yaxşılaşdırdığını, bəzilərinin isə onu azaltdığını izah edən bir dəftərçə hazırlayın. Cavabınızı ətraflı izah etməyə çalışın. +Bu qruplaşdırıcılarla işləyərkən standart olaraq təyin edilmiş bir çox parametrlər mövcuddur. VS Code-un Intellisense-i onları öyrənməyə kömək edə bilər. Bu dərsdə Maşın Öyrənmə Qruplaşdırma Metodlarından birini seçin və müxtəlif parametrlərin dəyərlərini dəyişdirərək modelləri yenidən öyrədin. Bəzi dəyişikliklərin niyə modelin keyfiyyətini yaxşılaşdırdığını, bəzilərinin isə onu azaltdığını izah edən bir notbuk hazırlayın. Cavabınızı ətraflı izah etməyə çalışın. ## Rubrika -| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | -| -------- | ---------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------- | ----------------------------- | -| | Dəftərçə tam qurulu, parametrləri dəyişdirilmiş və nəticələri paraqraflarda göstərilmiş qruplaşdrıcı ilə təqdim olunub | Dəftərçə yarımçıq formada və natamam şəkildə izahla təqdim olunub | Dəftərçə problemli və qüsurludur | \ No newline at end of file +| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | +| -------- | -------- | ------- | ------------------------ | +| | Notbuk tam qurulu, parametrləri dəyişdirilmiş və nəticələri paraqraflarda göstərilmiş qruplaşdrıcı ilə təqdim olunub | Dəftərçə yarımçıq formada və natamam şəkildə izahla təqdim olunub | Notbuk problemli və qüsurludur | \ No newline at end of file