O‘ZBEKISTON RESPUBLIKASI
OLIY TA’LIM, FAN VA INNOVATSIYALAR VAZIRLIGI
MUHAMMAD AL-XORAZMIY NOMIDAGI
TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
“TASDIQLAYMAN”
Muhammad al-Xorazmiy nomidagi Toshkent
axborot texnologiyalari universiteti
O‘quv ishlari bo‘yicha prorektor
___________Dj Sultanov
2023-yil “___” _________
“MASHINALI O‘QITISH” FANI BO‘YICHA
SILLABUS
Kunduzgi bo‘lim uchun
Bilim sohasi:
Ta’lim sohalari:
Ta’lim yo‘nalishlari:
–
600 000
–
610 000
60711500 –
Axborot-kommunikatsiya texnologiyalari
Axborot-kommunikatsiya texnologiyalari
Mexatronika va robototexnika
Toshkent – 2023
Modul / FAN SILLABUSI
Kompyuter injiniringi fakulteti
60610700 – Sun’iy intellekt
ta’lim yo‘nalishi
Mashinali o‘qitish
Majburiy
Fan nomi:
Fan turi:
Fan kodi:
Bosqich:
Semestr:
Ta’lim shakli:
Mashg‘ulotlar shakli va semestrga
ajratilgan soatlar:
Ma’ruza
Amaliy mashg‘ulotlar
Laboratoriya mashg‘ulotlari
Seminar
Mustaqil ta’lim
Sinov birligi miqdori:
Baholash shakli:
Fan tili:
MCL1552
3
5
Kunduzgi
180
44
30
106
6
Imtixon
O‘zbek
Fanni maqsadi (FM)
FM1
Ushbu kurs har bir talaba mashinali o‘qitish haqida bilishi kerak bo‘lgan
bilimlarni o‘rgatadi. Mashinali o‘qitish - bu bizning shaxsiy hayotimiz va jamiyat
uchun ta'sir ko‘rsatadigan tez rivojlanib borayotgan texnologiyalardan biri
hisoblanadi. Mazkur fan sun’iy intellekt sohasining bloklari hamda
komponentlarini qurish, algoritmlar, faollashtiruvchi funksiyalar, mashinani
o‘qitish va neyron tarmoqlar haqida asosiy tushunchalarni o‘z ichiga oladi. Bunda
talabalar mashinali o‘qitish algoritmlarining sohalarga tadbiqi, mavjud ish
o‘rinlariga ta’siri, shuningdek, kelajakda yangi va qiziqarli soha yo‘nalishlarini
yaratish potensialini muvozanatli ko‘rib chiqish hamda sun’iy neyron tarmoq
algoritmlarini qo‘llash sohalari va texnologiyalari haqida to‘liq tushunchaga ega
bo‘ladi.
Fanni o‘zlasahtirish uchun zarur boshlang‘ich bilimlar
1.
2.
3.
- dasturlash tillaridan foydalanishning boshlang’ich ko‘nikmalarga ega bo‘lishi;
- chiziqli algebra nazariyasini amaliyotda qo‘llash tajribasiga ega bo‘lishi;
- mexatronika va robotatexnika qurilmalarini ishlata olish hamda amaliyotda
qo‘llash tajribasiga ega bo‘lishi
2
TN1
TN2
TN3
TN4
TN5
TN6
TN7
TN8
TN9
TN10
TN11
М1
Ta’lim natijalari (TN)
Mashinali o‘qitish asosiy tushunchalari. Statistik usullar va ularning mashinali
o‘qitishdagi o‘rni. Mashinali o‘qitishning sun’iy intellektda qo‘llanilishi haqida
umumiy tushunchalarga ega bo‘ladi.
Mashinali o‘qitish turlari bilan tanishish. O‘qituvchili va o‘qituvchisiz o‘qitish
algoritmlari. Mashinali o‘qitish uchun kerakli instrumental vositalar
(Octave/Matlab/Python/) tahlili va imkoniyatlari bilan tanishib chiqadi.
Chiziqli regressiya tushunchasi. Chiziqli regressiya uchun model qurish. Regression
model koeffitsentlari aniqlash. Model aniqligini tekshirish bo‘yicha ko‘nikmalari
oladi.
Regression tahlilning ko‘p o‘zgaruvchili ko‘rinishi. Ko‘p o‘zgaruvchili chiziqli
regression modelini qurish. Ko‘p hadli regression model. Gradiyentli tushish usuli.
Stoxastik gradiyentli tushish tushunchalarini tushinib oladi.
Logistik regressiya tushunchasi. Logistik regressiya modelini qurish.
Optimizatsiyalash masalalari. Sinflashtirish jarayonida ehtimollik qiymatlarini
hisoblash va qarorlar chegaralarini aniqlash (decision boundry). Softmax regressiya
funksiyasi haqida bilib oladi.
Sinflashtirish tushunchasi. Sinflashtirish mashinali o‘qitishning asosiy
yondashuvlaridan biri sifatida. O‘qitish masalasi. MNIST o‘quv tanlanma tuzilishi.
Sinflashtirish masalasi uchun logistik va softmax regressiya funksiyalaridan
foydalanish. Samaradorlikni baholash usullari. Tartibsizlik matritsasi (confusion
matrix) hadiqa tushunchalarga ega bo‘ladi.
Mashinali o‘qitishda tanlanmani yaratish usullari. Tanlanma tushunchasi.
O‘rgatuvchi tanlanmani yaratish, yig‘ish va dastlabki ishlov berish usullari.
O‘rgatuvchi tanlanmani generatsiya qilish funksiyalari (pandas paketi). Mavjud
o‘rgatuvchi tanlanmalar (open datasets) bilan ishlash usullarini o‘rganadi.
O‘qituvchisiz o‘qitish tushunchasi va uning usullari. Klasterlash masalasini yechish.
Klasterlash usullaridan foydalanish, iyerarxik klasterlash, K-means klasterlash, KNN (nearest neighbors) klasterlash va boshqa usullardan foydalanish bo‘yicha
ko‘nikmaga ega bo‘ladi
Biologik va sun’iy neyron tushunchasi. Neyron tarmoq tushunchasi. Neyronlar
ustida mantiqiy amallar bajarish. Perseptron tushunchasi va vazifasi. Sodda neyron
tarmog‘ini qurish. Og‘irlik koeffitsentlari va ularni hisblash. Neyron tarmoq sathlari
bo‘yicha tushuncha va ko‘nikmalarga ega bo‘ladi.
Ko‘p sathli neyron tarmoqlarini qurish. Ko‘p sathli neyron tarmog‘ida kiruvchi,
chiquvchi va yashirin sathlar. Ko‘p sathli neyron tarmog‘ida og‘irlik koeffitsentlari
qiymatlarini yangilash amallari (backpropogation). Ko‘p sathli perseptron orqali
regressiya va sinflashtirish masalasini yechish malakasiga ega bo‘ladi.
Chuqur o‘qitish tushunchasi. Chuqur o‘qitish orqali sun’iy intellekt masalalarini
yechish bilim va malakasiga ega bo‘ladi.
Mashg‘ulotlar shakli: ma’ruza (M)
Mashinali o‘qitishga kirish. Sun’iy intellekt. Sun’iy intellekt tarixi va
asoslari. Mashinali o‘qitish tushunchasi. Asosiy tushunchalari. Mashinali
o‘qitishning sun’iy intellektda qo‘llanilishi. Turli sohalarda qo‘llanilishi,
mavjud ilovalar va ularning imkoniyatlari. Robototexnika sohasida mashinali
o‘qitish algoritmlari o‘rni.
3
soat
2
М2
М3
М4
М5
М6
М7
M8
M9
M10
M11
Chiziqli algebra asoslari. Chiziqli algebraning asosiy tushunchalari.
Mashinali o‘qitishda chiziqli algebra amallaridan foydalanish. Vektor va
matritsalar ustida turli xil amallarni (skalyar qo‘shish, ko‘paytirish, matritsa
teskarisi, normasi, rangini hisoblash, transpanerlash va h.k.) bajarish.
Mashinali o‘qitish turlari Nazorat ostida bo‘lgan (supervised) o‘qitish.
Nazorat ostida bo‘lmagan (Unsupervised) o‘qitish. Yarim nazorat ostida (semisupervised) o‘qitish. Mustahkamlangan (Reinforcement) o‘qitish algoritmlari.
O‘zini o‘zi o‘qitish (self-supervised) algoritmlari. Ko‘chirilgan (transfer)
o‘qitish. Onlayn o‘qitish. Batch o‘qitish.
Mashinali o‘qitishda instrumental vositalardan foydalanish. Kerakli
instrumental vositalar. Python dasturiy muhitida asosiy amallar operatorlari.
Python dasturiy muhitida asosiy amallar operatorlari. Vektor va matritsalarni
e’lon qilish va ular ustida amallar bajarish. Boshqaruv va sikl operatorlari.
Vektorizatsiyalash amallari bilan ishlash. Funksiyalar bilan ishlash. Funksiya
tushunchasi. Funksiyalar bilan ishlash. Model uchun ma’lumotlarni o‘qib olish
funksiyalari bilan ishlash.
Ma’lumotlarni grafik tasvirlash. Ma’lumotlarni grafik tasvirlash usullari.
Mashinali o‘qitishda grafik tasvirlashning ahamiyati. Python tilida mavjud
grafik hosil qiluvchi kutubxonalar (Matplotlib, Pandas Plotting, Plotly) tavsifi
va funksiyalari haqida tushunchalar.
O‘rgatuvchi tanlanma (Dataset). Mashinali o‘qitishda tanlanmani yaratish
usullari. O‘rgatuvchi tanlanmani yaratish, yig‘ish va dastlabki ishlov berish
usullari. O‘rgatuvchi tanlanmani generatsiya qilish. O‘rgatuvchi tanlanmani
generatsiya qilish funksiyalari (pandas paketi). Mavjud o‘rgatuvchi
tanlanmalar (open datasets) bilan ishlash. OpenSource o‘quv tanlanmalar.
Mashinali o‘qitishda chiziqli regressiya masalasi. Chiziqli regressiya
tushunchasi. Chiziqli regressiya uchun model qurish. Regression model
koeffitsentlari. Cost funksiyasini hisoblash. Model aniqligini tekshirish. Ko‘p
o‘zgaruvchili chiziqli regressiya. Regression tahlilning ko‘p o‘zgaruvchili
ko‘rinishi. Ko‘p o‘zgaruvchili chiziqli regression modelini qurish. Ko‘p hadli
regression model. Gradientli tushish usuli. Stoxastik gradientli tushish
Mashinali o‘qitishda sinflashtirish masalalari. Sinflashtirish tushunchasi.
Sinflashtirish mashinali o‘qitishning asosiy yondashuvlaridan biri sifatida.
O‘qitish masalasi. Logistik regressiya tushunchasi. Logistik regressiya
tushunchasi. Logistik regressiya modelini qurish. Sinflashtirish jarayonida
ehtimollik qiymatlarini hisoblash va qarorlar chegaralarini aniqlash (decision
boundry). Softmax regressiya funksiyasi.
Sinflashtirishni klassik algoritmlari. Mashinali o‘qitishda sinflashtirish
Naive Bayes va K-Neirest Neighbor algortimlari tavsifi. Random Forest va
Decision Tree algortimlari. Support Vektor Machine algoritmi sinflashtirish
prinsipi. Mashinali o‘qitishning sinflashtirish algoritmlarining afzalliklari va
kamchiliklari.
Regulyarizatsiyalash tushunchasi. Optimizatsiyalash masalalari. O‘qitish
jarayonida L1 va L2 darajadagi regulyarizatsiyalash. Optimizatsiyalash
masalalari. O‘qitish jarayonida regulyarizatsiyalash. Ma’lumotlarni tartibga
solishning chiziqli usullari (Regularized linear models). Chiziqli va logistik
regressiyani tartibga solish.
O‘qituvchisiz (Unsupervised) o‘qitish algoritmlari. O‘qituvchisiz o‘qitish
tushunchasi. O‘qituvchisiz o‘qitish algoritmlari yordamida yechiladigan
masalalar. O‘qituvchisiz o‘qitish klassik algortimlari. O‘qituvchisiz o‘qitish
algoritmlari uchun ma’lumotlar to‘plami xususiyatlari.
4
2
2
2
2
2
2
2
2
4
2
M12
M13
M14
M15
M16
M17
Klasterlash masalasini yechish. Bazaviy klasterlash usullari va algoritmlari
asosiy tushunchalari. Ierarxik klasterlash, K-means va boshqa usullardan
foydalanib ma’lumotlar to‘plamini klasterlash masalasini yechish
Sun’iy neyron tarmoqlari.Biologik va sun’iy neyron tushunchasi. Neyron
tarmoq tushunchasi. Neyronlar ustida mantiqiy amallar bajarish. Perceptron
tushunchasi va vazifasi. Sun’iy neyron tarmoq ishlash prinsipini sxematik
ifodalash. Sodda neyron tarmog‘ini qurish. Og‘irlik koeffitsientlari va ularni
hisoblash. Neyron tarmoq sathlari. Faollashtirish funksiyalari. Sodda neyron
taqmog‘i yordamida binar sinflashtirish masalasini yechish.
Ko‘p sathli neyron tarmoqlari. Ko‘p sathli neyron tarmoqlarini qurish. Ko‘p
sathli neyron tarmog‘ida kiruvchi, chiquvchi va yashirin sathlar. Ko‘p sathli
neyron tarmog‘ida og‘irlik koeffitsentlari qiymatlarini yangilash amallari
(backpropogation). Ko‘p sathli perseptron orqali regressiya va sinflashtirish
masalasini yechish.
Instrumental dasturiy vositalar asosida neyron tarmog‘ini qurish. Python
muhitida neyron tarmog‘ini qurish funksiyalari va mavjud kutubxonalardan
foydalanish. Neyron tarmoq modelini yaratish va chop qilish. Neyron tarmoqni
o‘qitish masalasi. Sodda va murakkab neyron tarmoqlarida o‘qitish masalasi.
Neyron tarmoqini o‘qitish uchun o‘rgatuvchi tanlanmani tanlash. O‘rgatuvchi
tanlanmaga dastlabki ishlov berish.
Neyron tarmoq asosida sinflashtirish masalasini yechish. Neyron
tarmog‘ida yo‘qotish funksiyasi (loss function) va gradientli tushish (gradient
descent) funksiyalarini hisoblash. Sinflashtirish uchun model aniqligi oshirish.
Chuqur o‘qitish tushunchasi va turlari.Chuqur o‘qitish tushunchasi. Chuqur
o‘qitish orqali sun’iy intellekt masalalarini yechish.
Chuqur o‘qitish
bosqichlari. Chuqur o‘qitish turlari. Chuqur o‘qitish turlari. CNN, RNN,
LSTM, DFF va boshqa chuqur o‘qitish algoritmlari imkoniyatlari.
Jami
2
2
4
4
4
4
44
Mashg‘ulotlar shakli: Amaliyot (A)
A1
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
A12
A13
Mashinali o‘qitish va uning asosiy tushunchalari, algoritmlari. Mashinali o‘qitish
turlari. Mashinali o‘qitish jarayonining umumiy qadamlari.
Mashinali o‘qitishda instrumental vositalardan foydalanish. Python dasturiy
muhiti bilan ishlash.
Mashinali o‘qitish uchun chiziqli algebra. Chiziqli algebra masalalarini
dasturlash.
O‘rgatuvchi tanlanma shakllantirish (pandas kutubxonasi)
Mashinali o‘qitishda ma’lumotlarni grafik tasvirlash usullari.
Bir o‘zgaruvchili va ko‘p o‘zgaruvchili chiziqli regressiya masalalari va ularni
dasturlash
Logistik regressiya tushunchasi va ularning mashinali o‘qitishda qo‘llanilishi.
Mashinali o‘qitishda sinflashtirish algoritmlari (SVM, KNN, RF, DT) va ularni
dasturlash.
Mashinali o‘qitishda o‘qituvchisiz o‘qitish algoritmlarini
(K-means va iearxik klasterlash) o‘rganish va ularni dasturlash.
Python dasturlash tilidan foydalanib sodda neyron tarmog‘ini qurish.
Regressiya masalalari uchun mo‘ljallangan neyron tarmoq modelini yaratish.
Sinflashtirish masalalarini neyron tarmoqlari orqali yechish.
5
2
2
2
2
2
2
2
2
2
2
2
2
2
A14
A15
Overfitting va underfitting muammolari va ularni yechish usullari. L1 va L2
darajadagi optimallashtirish
Chuqur o‘qitishga asoslangan neyron tarmoqlar. Svertkali neyron tarmoqlar
(CNN), Rekurrent neyron tarmoqlari, Avtoenkoderlar va boshqa chuqur
o‘qitishsha asoslangan algoritmlar arxitekturalari va ularning imkoniyatlari.
Jami
Mustaqil ta’lim(MT)
MI 1
MI 2
MI 3
MI 4
Python dasturlash tilining maxsus kutubxonalaridan foydalangan holda, uyni
xarakterlovchi ko‘p sondagi xususiyatlari asosida uning narxini va sinf(biznes,
ekanom)ini bashorat qiluvchi regression modelni qurish va model aniqligini
baholash.
Inson va robot o‘rtasidagi munosabatni tashkil etish uchun mashinali o‘qitish
usullari va algoritmlarini ishlab chiqish.
Qo‘lda yozilgan arab raqamlarini tanib olish tizimini ko‘p sathli neyron
tarmoqlari asosida Tenserflow va Keras kutubxonasidan foydalangan holda
to‘liq loyihasini tayyorlash va Python dasturlash tili yoramida amalga
oshirishda tegishli o‘rgatuchi tanlanmani shakllantirish va tanuvchi modelni
o‘qitish.
Sklearn va Keras kutubxonalaridan foydalangan holda ovoz yordamida
insonni audintifikatsiya qilish dasturini mashinali o‘qitish algoritmlari asosida
ishlab chiqish(o‘zbek tili misolida). Natijalarini mavjud dasturlar bilan
solishtirma natijalarni shakllantirish.
Tensorflow
va Keras kutubxonalaridan foydalangan holda
foydalanuvchini yuz tasviri orqali audintifikatsiya qilish dasturini
MI 5
mashinali o‘qitish algoritmlari asosida ishlab chiqish. Natijalarini
mavjud dasturlar bilan solishtirma natijalarni shakllantirish.
Robototexnik qurilmalarga obyektlarni aniqlash algoritmlarini qo‘llash
MI 5
natijasida yuzni tanish tizimini tashkil etish(face recognition).
Jami:
2
2
30
Ajratilgan
soatlar
15
15
20
20
20
16
106
Mustaqil ish ma’ruza va amaliy mashg‘ulotlardan berilgan vazifa bo‘yicha referat, mustaqil
ish va taqdimot shaklida talabaning individual bajaradigan ishi hisoblanadi.
1.
2.
Asosiy adabiyotlar
Aurelian Geron, Hands on Machine Learning with Scikit-Learn Keras&Tensorflow //
Second edition Concepts, Tools, and Techniques to Build Intelligent Systems, 2019, 510
pages
Monica Bianchini, Milan Simic, Ankush Ghosh, Rabindra Nath Shaw // Machine Learning
for Robotics Applications, Springer, 2020, 175 pages.
6
3.
4.
5.
Oliver Theobald, “Machine Learning for Absolute Beginners”, second edition, 2017, 128
pages
Жуков Л.А., Решетникова Н.В. Приложения нейронных сетей: Учебное пособие
для студентов, учащихся лицея и ЗПШНИ / Л. А. Жуков, Н. В. Решетникова.
Красноярск: ИПЦ КГТУ, 2007. 154 с.
Галушкин А. И. Нейронные сети: основы теории. – М.: Горячая линия–. Телеком,
2012. – 496 с.: ил. ISBN 978-5-9912-0082-0
Tavsiya qilinadigan qo‘shimcha adabiyotlar
Tanqidiy tahlil, Qat’iy tartib-intizom va shaxsiy javobgarlik-har bir rahbar faoliyatining
1.
kundalik qoidasi bo‘lishi kerak. Sh.M.Mirziyoyev, O‘zbekiston, varaq 104, 2017. 5000 s.
2. 2017-2022 Harakatlar strategiyasi. Sh.M.Mirziyoyev, Adolat, varaq 112, 2017. 4000 s.
Heidelberg, S. B. (2005). Introduction to Machine Learning Using Neural Nets. Retrieved
3.
on 9/02/2015 from http://link.springer.com/chapter/10.1007/3-540-27335-2_7
Heskes, Tom and Barber, David. (2014). Neural Networks. Retrieved from
4.
http://www.eolss.net/Eolss-sampleAllChapter.aspx
Mano, C. (2014). Definition of neural network. Retrieved on June, 2014 from
5.
http://www.ehow.com/print/about_5585309_definition-neural-etworks.html
Mano, C. (2014). Examples of artificial neural network. Retrieved on June, 2014 from
6.
http://www.ehow.com/print/about_5585309_definition-neural-networks.html
Mujeeb, R. (2012). Introduction to artificial neural network and machine learning.
7.
Palakkad: Government engineering college, sreekrishnapuram.
Sundal, M. K. et al. (2014). Introduction. Retrieved on 20th Nov., 2014 from
8.
http://nptel.ac.in/courses/102106023/
9. Stanford course CS231n on “Convolutional Neural Networks for Visual Recognition”
Heidelberg, S. B. (2005). Introduction to Machine Learning Using Neural Nets. Retrieved
10.
on 9/02/2015 from http://link.springer.com/chapter/10.1007/3-540-27335-2_7
М. Тим Джонс Программирование искусственного интеллекта в приложениях //
11.
Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312
Elektron manbalar:
1. https://en.wikipedia.org/wiki/Artificial_intelligence.
2. https://icenamor.github.io/files/books/Hands-on-Machine-Learning-with-Scikit-2E.pdf
3. http://cs231n.stanford.edu/
4. https://www.sciencedaily.com/news/computers_math/artificial_intelligence
5. https://en.wikipedia.org/wiki/Artificial_neural_network
6. http://neuralnetworksanddeeplearning.com/;
Talabaning fan bo‘yicha o‘zlashtirish ko‘rsatkichini nazorat qilishda
quyidagi mezonlar tavsiya etiladi
a) 5 baho olish uchun talabaning bilim darajasi quyidagilarga javob
berishi lozim:
fanning mohiyati va mazmunini to‘liq yorita olsa;
fandagi mavzularni bayon qilishda ilmiylik va mantiqiylik saqlanib, ilmiy
xatolik va chalkashliklarga yo‘l qo‘ymasa;
7
fan bo‘yicha mavzu materiallarining nazariy yoki amaliy ahamiyati haqida
aniq tasavvurga ega bo‘lsa;
fan doirasida mustaqil erkin fikrlash qobiliyatini namoyon eta olsa;
berilgan savollarga aniq va lo‘nda javob bera olsa;
konspektga puxta tayyorlangan bo‘lsa;
mustaqil topshiriqlarni to‘liq va aniq bajargan bo‘lsa;
fanga tegishli qonunlar va boshqa me’yoriy-huquqiy hujjatlarni to‘liq
o‘zlashtirgan bo‘lsa;
fanga tegishli mavzulardan biri bo‘yicha ilmiy maqola chop ettirgan bo‘lsa;
tarixiy jarayonlarni sharxlay bilsa.
b) 4 baho olish uchun talabaning bilim darajasi quyidagilarga javob
berishi lozim:
fanning mohiyati va mazmunini tushungan, fandagi mavzularni bayon
qilishda ilmiy va mantiqiy chalkashliklarga yo‘l qo‘ymasa;
fanning mazmunini amaliy ahamiyatini tushungan bo‘lsa;
fan bo‘yicha berilgan savollarga to‘g‘ri javob bera olsa;
fan bo‘yicha berilgan vazifa va topshiriqlarni o‘quv dasturi doirasida
bajarasa;
fan bo‘yicha konspektga puxta shakllantirgan bo‘lsa;
fan bo‘yicha mustaqil topshiriqlarni to‘liq bajargan bo‘lsa;
fanga tegishli qonunlar va boshqa me’yoriy-huquqiy hujjatlarni to‘liq
o‘zlashtirgan bo‘lsa;
c) 3 baho olish uchun talabaning bilim darajasi quyidagilarga javob
berishi lozim:
fan haqida umumiy tushunchaga ega bo‘lsa;
fandagi mavzularni tor doirada yoritib, bayon qilishda ayrim
chalkashliklarga yo‘l qo‘ysa;
bayon qilish ravon bo‘lmasa;
fan bo‘yicha savollarga mujmal va chalkash javoblar olinsa;
fan bo‘yicha matn puhta shakillantirilmagan bo‘lsa.
d) quyidagi hollarda talabaning bilim darajasi qoniqarsiz 2 baho bilan
baholanishi mumkin:
fan bo‘yicha mashg‘ulotlarga tayyorgarlik ko‘rilmagan bo‘lsa;
fan bo‘yicha mashg‘ulotlarga doir hech qanday tasavvurga ega bo‘lmasa;
fan bo‘yicha matnlarni boshqalardan ko‘chirib olganligi sezilib tursa;
fan bo‘yicha matnda jiddiy hato va chalkashliklarga yo‘l qo‘yilgan bo‘lsa;
fanga doir berilgan savollarga javob olinmasa;
fanni bilmasa.
8
Fan o‘qituvchisi to‘g‘risida ma’lumot
Dastur mualliflari:
E-mail:
Tashkilot:
Taqrizchilar:
Muhammad al-Xorazmiy nomidagi Toshkent axborot
texnologiyalari universiteti, “Sun’iy intellekt” kafedrasi
Atadjonov I.R. - Muhammad al-Xorazmiy nomidagi
TATU “Kompyuter tizimlari” kafedrasi professori, DSc.
Xo‘jayarov I.Sh. - Muhammad al-Xorazmiy nomidagi
TATU Samarqand filiali “Axborot texnologiylari”
kafedrasi muduri, Ph.D.
Mazkur Sillabus universitet o‘quv-uslubiy Kengashning 2023-yil
28-avgustdagi 1-sonli bayoni bilan tasdiqlangan.
Mazkur Sillabus, “Sun’iy intellekt” kafedrasining 2023-yil 25-avgustdagi
1-sonli bayoni bilan maqullangan.
O‘quv-uslubiy boshqarama boshlig‘i
A.Ergashev
Fakultet dekani
T.Kuchkorov
Kafedra mudiri
X.Zaynidinov
Tuzuvchi
J.Nurmurodov
9