From 94bd543569bd8b805ad29c1a54c5356b540097c5 Mon Sep 17 00:00:00 2001 From: Karim Karimov Date: Tue, 13 Feb 2024 18:37:52 +0400 Subject: [PATCH] Update 4-Classification/2-Classifiers-1/translations/README.az.md Co-authored-by: Aliyeva Khalida <105045412+aliyevakhalida@users.noreply.github.com> --- .../2-Classifiers-1/translations/README.az.md | 28 +++++++++---------- .../translations/assignment.az.md | 2 +- 2 files changed, 15 insertions(+), 15 deletions(-) diff --git a/4-Classification/2-Classifiers-1/translations/README.az.md b/4-Classification/2-Classifiers-1/translations/README.az.md index 521947d2..ad0a1679 100644 --- a/4-Classification/2-Classifiers-1/translations/README.az.md +++ b/4-Classification/2-Classifiers-1/translations/README.az.md @@ -2,16 +2,16 @@ Bu dərsdə əvvəlki dərsdən əldə etdiyimiz balanslı və təmizlənmiş mətbəx data massivindən istifadə edəcəksiniz. -Bu data massivini müxtəlix təsnifatlandıcılarda istifadə edərək _inqredientlər əsasında milli mətbəxləri təxmin edəcəksiniz_. Bunu edərkən alqoritmi başqa hansı təsnifatlandırma tapşırıqlarında istifadə edə biləcəyinizi də öyrənəcəksiniz. +Bu data massivini müxtəlif qruplaşdırıcılarda istifadə edərək _inqrediyentlər əsasında milli mətbəxləri təxmin edəcəksiniz_. Bunu edərkən alqoritmi başqa hansı qruplaşdırma tapşırıqlarında istifadə edə biləcəyinizi də öyrənəcəksiniz. ## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/21/) # Hazırlıq -Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiyinizi təxmin edirik. Əlavə olaraq bu 4 dərsdə istifadə edəcəyimiz _cleaned_cuisines.csv_ sənədinin `/data` qovluğunda mövcud olduğuna əmin olun. +Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiyinizi güman edirik. Əlavə olaraq isə bu 4 dərsdə istifadə edəcəyimiz _cleaned_cuisines.csv_ faylının `/data` qovluğunda olduğundan əmin olun. ## Tapşırıq - milli mətbəxi təxmin et -1. Bu dərsin qovluğunda olan _notebook.ipynb_ sənədini açın və aşağıdakı kodu (Pandas kitabxanasını) daxil edin: +1. Bu dərsin qovluğunda olan _notebook.ipynb_ faylını açın və aşağıdakı kodu (Pandas kitabxanasını) daxil edin: ```python import pandas as pd @@ -19,7 +19,7 @@ Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiy cuisines_df.head() ``` - Yuxarıdakı kod məlumatları belə çap edəcəkdir: + Yuxarıdakı kod, məlumatları belə çap edəcəkdir: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | --- | ---------- | ------- | ------ | -------- | ----- | ---------- | ----- | ------------ | ------- | -------- | --- | ------- | ----------- | ---------- | ----------------------- | ---- | ---- | --- | ----- | ------ | -------- | @@ -30,7 +30,7 @@ Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiy | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | -1. İndi isə əlavə kitabxanaları da əlavə edin: +1. İndi isə digər kitabxanaları da əlavə edin: ```python from sklearn.linear_model import LogisticRegression @@ -40,14 +40,14 @@ Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiy import numpy as np ``` -1. X və y kordinatlarını öyrənmə üçün iki data qrupuna ayırın. `cuisine` data qrupunun adı ola bilər: +1. X və y koordinatlarını öyrənmək üçün iki data qrupuna ayırın. `cuisine` data qrupunun adı ola bilər: ```python cuisines_label_df = cuisines_df['cuisine'] cuisines_label_df.head() ``` - Nəticə belə görünəcəkdir: + Nəticə belə görünəcək: ```output 0 indian @@ -75,7 +75,7 @@ Sizin [1-ci dərsi](../../1-Introduction/translations/assignment.az.md) bitirdiy | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | -Artıq modelimizi öyrətməyə hazırıq! +Modelimizi öyrətməyə hazır sayılırıq! ## Təsnifatlandırıcı seçimi @@ -84,7 +84,7 @@ Artıq datanız təmizlənib və öyrədilmək üçün hazırdır. İndi siz bu **Scikit-learn** kitabxanası təsnifatlandırmanı "Supervised Learning (Nəzarətli öyrənmə)" adı altında qruplaşdırır və siz burada çoxlu təsnifatlandırma üsullarını tapa bilərsiniz. [Seçimlər](https://scikit-learn.org/stable/supervised_learning.html) ilk baxışdan həddindən artıq çox görünəcəkdir. Aşağıdakı metodların hamısı təsnifatlandırma texnikalarıdır: - **Linear Models** (Xətti modellər) -- **Support Vector Machines** (Dəstəkli vektor maşınları) +- **Support Vector Machines** (Dəstək Vektor Maşını) - **Stochastic Gradient Descent** (Stokastik qradient eniş) - **Nearest Neighbors** (Yaxın qonşular) - **Gaussian Processes** (Qauss emalları) @@ -96,7 +96,7 @@ Artıq datanız təmizlənib və öyrədilmək üçün hazırdır. İndi siz bu ### Hansı təsnifatlandırıcı seçilməlidir? -İndi siz hansı təsnifatlandırıcı seçməlisiniz? Adətən bunun cavabını bir çox üsulu yoxlamaq və daha yaxşı nəticə göstərəni seçməklə tapmaq olur. Yaratdığınız data qruplarını **Scikit-learn** kitabxanasıda [yanbayan müqayisə](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) edə bilərsiniz. Aşağıda nümunə kimi KNeighbors, SVC two ways, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB and QuadraticDiscrinationAnalysis alqoritmləri müqayisəsi göstərilib: +İndi siz hansı təsnifatlandırıcı seçməlisiniz? Adətən bunun cavabını bir çox üsulu yoxlamaq və daha yaxşı nəticə göstərəni seçməklə tapmaq olur. Yaratdığınız data qruplarını **Scikit-learn** kitabxanasında [yanbayan müqayisə](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) edə bilərsiniz. Aşağıda nümunə kimi KNeighbors, SVC two ways, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB and QuadraticDiscrinationAnalysis alqoritmləri müqayisəsi göstərilib: ![təsnifatlandırıcıların müqayisəsi](../images/comparison.png) > Qrafiklər Scikit-learn sənədlərindən yaradılmışdır @@ -136,7 +136,7 @@ Sənədlərə əsasən `multi_class` seçimində aşağıdakı öyrənmə alqori > 🎓 'solver' parametri "optimizasiya üçün istifadə olunacaq alqoritmi" nəzərdə tutur. [mənbə](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). -Aşağıdakı cədvəldə Scikit-learn kitabxanasındakı alqoritmlərlə müxtəlif növ tapşırıqları və data strukturlarını necə idarə edə biləcəyininiz göstərilib: +Aşağıdakı cədvəldə Scikit-learn kitabxanasındakı alqoritmlərlə müxtəlif növ tapşırıqları və data strukturlarını necə idarə edə biləcəyiniz göstərilib: ![alqoritmlər](../images/solvers.png) @@ -166,7 +166,7 @@ Biz çoxsaylı etiket məsələsinə baxdığımız üçün _scheme_ və _solver > Qeyd. Pandas kitabxanasında [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) funksiyasını istifadə edərək data modelinizi daha səthi (az-ölçülü) formaya keçirə bilərsiniz. - Dəqiqlik **80%**-dən yuxarı olması yaxşıdır! + Dəqiqliyin **80%**-dən yuxarı olması yaxşıdır! 1. Siz bu modelin işlədiyini bir sətir data (#50-ci sıra) ilə yoxlaya bilərsiniz: @@ -184,7 +184,7 @@ Biz çoxsaylı etiket məsələsinə baxdığımız üçün _scheme_ və _solver ✅ Fərqli sıra nömrələrini yoxla və nəticəyə bax. -1. Daha dərinə getsək təsnifat modelinin dəqiqliyini belə yoxlaya bilərsiniz: +1. Daha dərinə getsək, təsnifat modelinin dəqiqliyini belə yoxlaya bilərsiniz: ```python test= X_test.iloc[50].values.reshape(-1, 1).T @@ -228,7 +228,7 @@ Biz çoxsaylı etiket məsələsinə baxdığımız üçün _scheme_ və _solver ## 🚀Məşğələ -Bu dərsdə siz təmizlənmiş data istifadə edərək inqredientlər əsasında milli mətbəxi təxmin edə biləcək maşın öyrənmə modelini qurdunuz. Scikit-learn kitabxanası istifadə etməklə daha hansı üsullarla təsnifatlandırma etmək mümkün olduğunu oxuyun. "Solver (alqoritm)" anlayışı üzərində daha dərinə gedərək arxa planda necə işlədiyini öyrənin. +Bu dərsdə siz təmizlənmiş data istifadə edərək inqrediyentlər əsasında milli mətbəxi təxmin edə biləcək maşın öyrənməsi modelini qurdunuz. Scikit-learn kitabxanası istifadə etməklə daha hansı üsullarla təsnifatlandırma etmək mümkün olduğunu oxuyun. "Solver (alqoritm)" anlayışı üzərində daha dərinə gedərək arxa planda necə işlədiyini öyrənin. ## [Mühazirə sonrası quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/22/) diff --git a/4-Classification/2-Classifiers-1/translations/assignment.az.md b/4-Classification/2-Classifiers-1/translations/assignment.az.md index 457b5506..6089a554 100644 --- a/4-Classification/2-Classifiers-1/translations/assignment.az.md +++ b/4-Classification/2-Classifiers-1/translations/assignment.az.md @@ -2,7 +2,7 @@ ## Təlimatlar -Bu dərsdə siz təsnifatlandırıcı alqoritmlərinin maşın öyrənmə alqoritmləri ilə necə birlikdə dəqiq modellər qurulmasını öyrəndiniz. Təsnifatlandırma alqoritmləri üzərindən keçin və ikisini seçin. Öz sözlərinizlə bu alqoritmləri bir-biri ilə müqayisə edin. Hansı növ problemləri həll etməyə nəzərdə tutulublar? Müxtəlif data strukturları ilə necə işləyirlər? Birini digəri əvəzinə nə üçün seçərsən? +Bu dərsdə siz təsnifatlandırıcı alqoritmlərinin maşın öyrənməsi alqoritmləri ilə necə birlikdə dəqiq modellər qurulmasını öyrəndiniz. Təsnifatlandırma alqoritmləri üzərindən keçin və ikisini seçin. Öz sözlərinizlə bu alqoritmləri bir-biri ilə müqayisə edin. Hansı növ problemləri həll etməyə nəzərdə tutulublar? Müxtəlif data strukturları ilə necə işləyirlər? Birini digəri əvəzinə nə üçün seçərsən? ## Rubrika