+
+Bu şəkil bizə biraz korrelyasiyaya ehtiyac olduğuna işarə edir. Biz `Month` və `Price`, və yaxud `DayOfYear` və `Price` arasındakı əlaqəni təxmin etmək üçün reqressiya modellərimizi öyrədə bilərik. İkinci əlaqəni göstərən paylanma qrafiki:
+
+
+
+Gəlin `corr` funksiyasından istifadə etməklə korrelyasiyanın mövcud olub olmadığına baxaq:
+
+```python
+print(new_pumpkins['Month'].corr(new_pumpkins['Price']))
+print(new_pumpkins['DayOfYear'].corr(new_pumpkins['Price']))
+```
+
+Belə görünür ki, `Month` üzrə korrelyasiya -0.15, `DayOfMonth` üzrə isə -0.17 olmaqla çox kiçik dəyərə malikdir. Amma burada daha mühüm əlaqə ola bilər. Görünən odur ki, fərqli balqabaq növləri üzrə fərqli qiymət yığınları mövcuddur. Bu hipotezisi isbat etmək üçün, gəlin hər balqabaq kateqoriyasının qrafikini fərqli bir rənglə çəkək. `ax`-i `scatter` adlı qrafik çəkən funksiyaya ötürməklə biz eyni qrafik üzərində bütün nöqtələri göstərə bilərik:
+
+```python
+ax=None
+colors = ['red','blue','green','yellow']
+for i,var in enumerate(new_pumpkins['Variety'].unique()):
+ df = new_pumpkins[new_pumpkins['Variety']==var]
+ ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var)
+```
+
+
+
+Gəlin bir müddət yalnız 'yeməli növ' balqabaq sortuna fokuslanaq and tarixin onun qiyməti üzərindəki təsirinə baxaq:
+
+```python
+pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE']
+pie_pumpkins.plot.scatter('DayOfYear','Price')
+```
+
+
+
+Əgər indiki halda `corr` funksiyasında istifadə edərək `Price` və `DayOfYear` arasındakı korrelyasiyanı hesablasaq, təxminən `-0.27`-ə bərabər olan bir qiymət alarıq. Bu da o deməkdir ki, bizim təxminedici model daha məntiqli təxminlər verməyə başlayır.
+
+> Xətti reqressiyanı öyrətməzdən öncə datamızın təmiz olduğundan əmin olmalıyıq. Xətti reqressiya boş qiymətlərlə o qədər də yaxşı işləmədəyi üçün boş xanalardan qurtulmağımızda fayda var:
+
+```python
+pie_pumpkins.dropna(inplace=True)
+pie_pumpkins.info()
+```
+
+Başqa bir yanaşma, həmin boş dəyərləri müvafiq sütundakı orta qiymətlərlə doldurmaq olardı.
+
+## Sadə xətti reqressiya
+
+[](https://youtu.be/e4c_UP2fSjg "Yeni başlayanlar üçün maşın öyrənməsi - Scikit-learn ilə Xətti və Polinom Reqressiyalar")
+
+> 🎥 Xətti və polinom reqresiyyaların qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+Xətti Reqressiya modelimizi öyrətmək üçün **Scikit-learn** kitabxanasından istifadə edəcəyik.
+
+```python
+from sklearn.linear_model import LinearRegression
+from sklearn.metrics import mean_squared_error
+from sklearn.model_selection import train_test_split
+```
+
+İlkin olaraq giriş(özəlliklər) və çıxış(label) dəyərlərini fərqli setlərə ayıraraq başlayırıq:
+
+```python
+X = pie_pumpkins['DayOfYear'].to_numpy().reshape(-1,1)
+y = pie_pumpkins['Price']
+```
+
+Diqqət edin ki, Xətti Reqressiya paketinin giriş datasını düzgün başa düşməsi üçün onu `reshape`(yenidən formalaşdırmaq) etməli olduq. Xətti reqressiya giriş parametri olaraq hər sırasının giriş özəlliklərindən ibarət vektora uyğun olduğu 2 ölüçülü set gözləyir. Bizim situasiyada yalnız bir giriş olduğu üçün N×1 formalı setə ehtiyacımız olacaq. Buradakı N data setinin ölçüsünü bildirir.
+
+Öyrətmədən sonra modelimizi validasiya etməyimiz üçün datanı öyrətmə və test data setlərinə ayırmağa ehtiyacımız var:
+
+```python
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+```
+
+Yekunda Xətti Reqressiya modelini öyrətmək 2 sətirlik kod tələb etmiş olur. `LinearRegression` adlı bir obyekt yaradaraq onu `fit` metodundan istifadə etməklə öz datamıza uyğunlaşdırırıq:
+
+```python
+lin_reg = LinearRegression()
+lin_reg.fit(X_train,y_train)
+```
+
+`.coef_` istifadə edərək `LinearRegression` obyektinin `fit` ilə uyğunlaşdırılandan sonra özündə saxladığı bütün reqressiya əmsallarına baxa bilərsiniz. Bizim situasiyada yalnız bir əmsal var ki, o da `-0.017` civarında olmalıdır. Bu da o deməkdir ki, qiymətlər zamanla düşsə də, bu düşüş çox yox, təxminən günə 2 sent civarında dəyişir. Həmçinin reqressiyanın Y oxu ilə kəsişmə nöqtəsinə `lin_reg.intercept` ilə baxa bilərik. O isə bizim situasiyada `21` aralığında olacaq ki, bu da ilin əvvəlindəki qiyməti göstərir.
+
+Modelimizin nə dərəcə dəqiq olduğunu görmək üçün test data setində qiymətləri təxmin edib, daha sonra onların gözlənilən qiymətlərə nə dərəcə yaxın olduğunu ölçə bilərik. Bunu orta kvadratik xəta (OKX), daha aydın formada desək, bütün gözlənilən və təxmin olunan dəyərlər arasındakı fərqin kvadratları cəminin ədədi ortası ölçümü ilə həll edə bilərik.
+
+```python
+pred = lin_reg.predict(X_test)
+
+mse = np.sqrt(mean_squared_error(y_test,pred))
+print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)')
+```
+
+Görünür ki, xətamız 2 xal civarındadır, bu da ~17%-dir. O qədər də yaxşı deyil. Modelin keyfiyyət göstəricilərindən biri olan **determinasiya əmsalı** isə bu formada əldə olunur:
+
+```python
+score = lin_reg.score(X_train,y_train)
+print('Model determination: ', score)
+```
+
+Əgər qiymət 0-a bərabərdirsə, bu o deməkdir ki, model giriş datalarını nəzərə almır və *ən pis xətti təxminedici* rolunu oynayaraq, nəticənin orta qiymətinə bərabər olur. 1 dəyəri isə bizim bütün gözlənilən dəyərləri mükəmməl bir şəkildə təxmin edə biləcəyimiz mənasına gəlir. Bizim situasiyada əmsal kifayət qədər aşağı, 0.06 civarındadır.
+
+Reqressiyanın necə işlədiyini görmək üçün reqressiya xətti ilə birgə test datasını da qrafikləşdirə bilərik:
+
+```python
+plt.scatter(X_test,y_test)
+plt.plot(X_test,pred)
+```
+
+
+
+## Polinom Reqressiya
+
+Xətti Reqressiyanın digər bir növü Polinom Reqressiyadır. Bəzən dəyişənlər arasındakı əlaqə xətti(balqabaq nə qədər böyük olarsa, qiyməti də o qədər yüksək olacaq) olsa da, bəzən düz xətt və ya müstəvi formasında qrafikləşdirilə bilinməyən əlaqələr də olur.
+
+✅ [Burada olan data nümunələrində](https://online.stat.psu.edu/stat501/lesson/9/9.8) Polinom Reqressiyadan istifadə oluna bilər.
+
+Date və Price arasındakı əlaqəyə fərqli bucaqdan baxmağa çalışın. Sizcə bu paylanma qrafiki mütləq şəkildə hansısa bir düz xətt ilə analiz olunmalıdırmı? Qiymətlər dəyişə bilməzmi? Bu durumda polinom reqressiyanı yoxlaya bilərsiniz.
+
+✅ Polinomlar bir və ya bir neçə dəyişən və əmsallardan ibarət olan riyazi ifadələrə deyilir.
+
+Polinom reqressiya qeyri-xətti datalara daha yaxşı uyğunlaşmaq üçün əyri xətt yaradır. İndiki situasiyada, `DayOfYear` dəyişəninin kvadratını giriş datasına daxil etsək, datamızı parabolik əyriyə uyğunlaşdıra bilərik. Bunun sayəsində il ərzindəki hansısa nöqtədə minimum dəyərə malik olacağıq.
+
+Scikit-learn-də data emalının müxtəlif addımlarını birləşdirmək üçün [payplayn API](https://scikit-learn.org/stable/modules/generated/sklearn.pipeline.make_pipeline.html?highlight=pipeline#sklearn.pipeline.make_pipeline) mövcuddur. **Payplayn**, **təxminedicilərdən** formalaşan bir zəncirdir. Bizim situasiyada ilk öncə polinom özəllikləri modelimizə əlavə edən payplaynı yaradacayıq və daha sonra reqressiyanı öyrədəcəyik:
+
+```python
+from sklearn.preprocessing import PolynomialFeatures
+from sklearn.pipeline import make_pipeline
+
+pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression())
+
+pipeline.fit(X_train,y_train)
+```
+
+`PolynomialFeatures(2)` istifadə edilməsi, bizim giriş datasındakı bütün ikinci dərəcəli polinomları daxil edəcəyimizi bildirir. Bizim vəziyyətimizdə bu, sadəcə `DayOfYear`2 mənasını verəcək, amma iki giriş dəyişəni, X və Y verildikdə isə, bu, X2, XY və Y2-ni əlavə edəcək. İstəyə bağlı olaraq daha yüksək dərəcəli polinom da istifadə edə bilərik.
+
+Payplaynlar orijinal `LinearRegression` obyektində olduğu kimi, eyni üsulla istifadə oluna bilər. Məsələn, payplaynı `fit` ilə uyğunlaşdıra, daha sonra isə təxmin nəticələrini əldə etmək üçün `predict` istifadə edə bilərik. Aşağıdakı qrafikdə test datası və təxmin əyrisi göstərilmişdir:
+
+
+
+Polinom Reqressiyadan istifadə etməklə biz nəzərəçarpacaq qədər olmasa da, nisbətən daha aşağı OKX(orta kvadratik xəta) və yüksək dəqiqlik əldə edə bilərik. Unutmayın ki, digər özəllikləri də nəzərə almalıyıq!
+
+> Artıq balqabağın Hellouin ərəfəsində minimum qiymətə düşdüyünü müşahidə edə bilərsiniz. Bunu necə izah edə bilərsiniz?
+
+🎃 Təbrik edirik, siz indicə yeməli növ balqabaqların qiymətini proqnozlaşdırmağa kömək edə biləcək bir model yaratdınız. Böyük ehtimalla eyni prosedurları digər balqabaq növləri üçün də təkrarlaya bilərsiniz. Amma bu yorucu olacaq. Gəlin balqabaq növünü modelimizdə necə nəzərə alacağımızı öyrənək!
+
+## Kateqorik Xüsusiyyətlər
+
+İdeal şəraitdə eyni modeldən istifadə edərək fərqli balqabaq növləri üçün təxminlər istəyə bilərik. Amma `Variety` sütunu qeyri-ədədi dəyərlərdən ibarət olduğu üçün `Month` sütunundan fərqlənir. Bu tip sütunlar **kateqorik** adlandırılır.
+
+[](https://youtu.be/DYGliioIAE0 "Yeni başlayanlar üçün maşın öyrənməsi - Xətti Reqressiya ilə Kateqorik Xüsusiyyətlərin Təxmini")
+
+> 🎥 Kateqorik xüsusiyyətlərdən istifadəsi barədə qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+Burada ortalama qiymətin növdən asılılığını görə bilərsiniz:
+
+
+
+Növləri nəzərə alsaq, ilk olaraq biz onu ədədi formaya çevirməli və yaxud **kodlaşdırmalıyıq**. Bunu etməyimiz üçün müxtəlif yollar vardır:
+
+* Sadə **ədədi kodlaşdırma** müxtəlif növlərdən ibarət bir cədvəl quracaq və növün adını həmin cədvəldəki indeksi ilə əvəzləyəcək. Bu xətti reqressiya üçün yaxşı fikir deyil, çünki xətti reqressiya indeksin cari qiymətini alaraq onu hansısa əmsala vurub, nəticəyə əlavə edir. Bizim situasiyada isə indeks və qiymət arasındakı əlaqə elementlərin hansısa bir yol ilə sıralansa belə, bariz şəkildə qeyri-xəttidir.
+
+* **Tək-aktiv kodlaşdırma** `Variety` sütununu, hər növ üçün bir ədəd olmaqla 4 fərqli sütunla əvəz edəcək. Hər sütun əgər müvafiq sıra verilən növə uyğundursa `1`-dən, deyilsə `0`-dan ibarət olacaq. Bu da o deməkdir ki, xətti reqressiyada hər balqabaq növü üçün həmin növün "başlanğıc qiymətindən" (və ya "əlavə qiymət") məsul olan 4 əmsal olacaq.
+
+Aşağıdakı kodda növü necə tək-aktiv kodlaşdıra biləcəyimiz göstərilmişdir:
+
+```python
+pd.get_dummies(new_pumpkins['Variety'])
+```
+
+ ID | FAIRYTALE | MINIATURE | MIXED HEIRLOOM VARIETIES | PIE TYPE
+----|-----------|-----------|--------------------------|----------
+70 | 0 | 0 | 0 | 1
+71 | 0 | 0 | 0 | 1
+... | ... | ... | ... | ...
+1738 | 0 | 1 | 0 | 0
+1739 | 0 | 1 | 0 | 0
+1740 | 0 | 1 | 0 | 0
+1741 | 0 | 1 | 0 | 0
+1742 | 0 | 1 | 0 | 0
+
+Xətti reqressiyanı tək aktiv kodlaşdırmanın giriş olaraq istifadə edərək öyrətmək üçün `X` və `y` datalarını düzgün formada başlatmalıyıq:
+
+```python
+X = pd.get_dummies(new_pumpkins['Variety'])
+y = new_pumpkins['Price']
+```
+
+Kodun qalan hissəsi yuxarıda Xətti Reqressiyanı öyrətməyimiz üçün istifadə olunan kodlarla eynidir. Əgər yoxlasanız, orta kvadratik xətanın eyni olduğunu, amma determinasiya əmsalının çox daha yüksək(~77%) olduğunu görəcəksiniz. Daha da dəqiq təxminlər əldə etmək üçün, `Month` və ya `DayOfYear` tipli ədədi özəllikləri də nəzərə ala bilərik. Özəlliklərdən ibarət böyük bir set əldə etmək üçün `join` istifadə edə bilərik:
+
+```python
+X = pd.get_dummies(new_pumpkins['Variety']) \
+ .join(new_pumpkins['Month']) \
+ .join(pd.get_dummies(new_pumpkins['City'])) \
+ .join(pd.get_dummies(new_pumpkins['Package']))
+y = new_pumpkins['Price']
+```
+
+Burada bizə 2.84 (10%) OKX (orta kvadratik xəta), 0.94 determinasiya qaytaran `City` və `Package` tiplərini də nəzərə alırıq!
+
+## Hamısını bir araya gətirərək
+
+Ən yaxşı modeli qurmaq üçün, biz mürəkkəb (tək-aktiv kodlaşdırılmış kateqorik + ədədi) dataları Polinom Reqressiya ilə birlikdə istifadə edə bilərik. İşinizi asanlaşdırmaq üçün kod nümunəsini aşağıda yerləşdirmişik:
+
+```python
+# set up training data
+X = pd.get_dummies(new_pumpkins['Variety']) \
+ .join(new_pumpkins['Month']) \
+ .join(pd.get_dummies(new_pumpkins['City'])) \
+ .join(pd.get_dummies(new_pumpkins['Package']))
+y = new_pumpkins['Price']
+
+# make train-test split
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+
+# setup and train the pipeline
+pipeline = make_pipeline(PolynomialFeatures(2), LinearRegression())
+pipeline.fit(X_train,y_train)
+
+# predict results for test data
+pred = pipeline.predict(X_test)
+
+# calculate MSE and determination
+mse = np.sqrt(mean_squared_error(y_test,pred))
+print(f'Mean error: {mse:3.3} ({mse/np.mean(pred)*100:3.3}%)')
+
+score = pipeline.score(X_train,y_train)
+print('Model determination: ', score)
+```
+
+Bu bizə 97%-lə ən yaxşı determinasiya əmsalını, və OKX=2.23 (~8% təxmin xətası) verəcək.
+
+| Model | MSE | Determination |
+|-------|-----|---------------|
+| `DayOfYear` Linear | 2.77 (17.2%) | 0.07 |
+| `DayOfYear` Polynomial | 2.73 (17.0%) | 0.08 |
+| `Variety` Linear | 5.24 (19.7%) | 0.77 |
+| All features Linear | 2.84 (10.5%) | 0.94 |
+| All features Polynomial | 2.23 (8.25%) | 0.97 |
+
+🏆 Əla! Siz bir dərsdə 4 Reqressiya modeli yaratdınız və modelin keyfiyyətini 97%-ə qədər artırdınız. Reqressiyanın final bölməsində kateqoriyaları müəyyənləşdirmək üçün olan Logistik Reqressiya haqqında öyrənəcəksiniz.
+
+## 🚀 Məşğələ
+
+Bu notbukda bir neçə fərqli dəyişəni test edərək korrelyasiyanın modelin dəqiqliyinə necə təsir etdiyini izləyin.
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/14/?loc=az)
+
+## Təkrarlayın və özünüz öyrənin
+
+Bu dərsdə Xətti Reqressiya haqqında öyrəndiniz. Reqressiyanın başqa vacib növləri də mövcuddur. Stepwise, Ridge, Lasso və Elasticnet texnikaları barədə oxuyun. Daha ətraflı öyrənə biləcəyiniz yaxşı kurs [Stenford Statistik Öyrənmə kursudur.](https://online.stanford.edu/courses/sohs-ystatslearning-statistical-learning)
+
+## Tapşırıq
+
+[Model qurun](assignment.az.md)
\ No newline at end of file
diff --git a/2-Regression/3-Linear/translations/assignment.az.md b/2-Regression/3-Linear/translations/assignment.az.md
new file mode 100644
index 0000000000..a6be8c94e8
--- /dev/null
+++ b/2-Regression/3-Linear/translations/assignment.az.md
@@ -0,0 +1,11 @@
+# Reqressiya Modeli yaradın
+
+## Təlimatlar
+
+Bu dərsdə sizə Xətti və Polinom Reqressiyalardan istifadə olunaraq model qurulması göstərildi. Bu məlumatlardan istifadə etməklə Scikit-learn hazır setlərindən və ya başqa bir data seti tapmaqla yeni bir model qurun. Notbukunuzda istifadə etdiyiniz texnikadan istifadə səbəbinizi əsaslandırın və modelinizin dəqiqliyini göstərin. Əgər o dəqiq deyilsə, səbəbini izah edin.
+
+## Qiymətləndirmə
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | əla formada sənədləşdirilmiş notbuk təqdim edilib | həll yarımçıqdır | həll qüsurlu və ya səhvdir |
\ No newline at end of file
diff --git a/2-Regression/4-Logistic/translations/README.az.md b/2-Regression/4-Logistic/translations/README.az.md
new file mode 100644
index 0000000000..4fde37a096
--- /dev/null
+++ b/2-Regression/4-Logistic/translations/README.az.md
@@ -0,0 +1,397 @@
+# Kateqoriyaları təxmin etmək üçün logistik reqressiya
+
+
+
+## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/?loc=az)
+
+> ### [Bu dərs R proqramlaşdırma dili ilə də mövcuddur!](../solution/R/lesson_4.html)
+
+## Giriş
+
+Reqressiyanın bu final hissəsində, _klassik_ maşın öyrənmə texnikası olan Xətti Reqressiyaya nəzər salacayıq. Bu texnikadan ikili kateqoriyalardakı şablonları kəşf etmək üçün istifadə edə bilərsiniz. Bu qənnadı məmulatı şokoladdırmı? Bu xəstəlik yoluxucudurmu? Müştəri bu məhsulu seçəcəkmi?
+
+Bu dərsdə siz:
+
+- Məlumatların vizuallaşdırılması üçün yeni kitabxananı
+- Logistik reqressiya texnikalarını
+
+öyrənəcəksiniz.
+
+✅ Bu [öyrənmə modulunda](https://docs.microsoft.com/learn/modules/train-evaluate-classification-models?WT.mc_id=academic-77952-leestott) olan reqressiya tipləri ilə işləyərək öz biliklərinizi təkmilləşdirin.
+
+### İlkin Şərt
+
+Balqabaq məlumatları ilə işlədikdən sonra artıq tanış olduq ki, onunla işləyə biləcəyimiz yalnız bir ədəd ikili kateqoriya-`Color` mövcuddur.
+
+Gəlin bir neçə dəyişən verilməklə _balqabağın hansı rəngdə(narıncı 🎃 və ya ağ 👻) olacağını_ təxmin edən logistik reqressiya modeli quraq.
+
+> Reqressiya barəsində olan dərsdə nə üçün ikili klassifikasiya haqqında danışırıq? Logistik reqressiya əslində, xətti əsaslı olsa da bir [klassifikasiya metodudur](https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression). Növbəti bölmədə məlumatları təsnifləndirməyin yollarını öyrənəcəksiniz.
+
+## Sualı müəyyənləşdirin
+
+İstəklərimiz üzərindən gedərək bunu ikili formasında ifadə edəcəyik: 'Ağ' və ya 'Ağ olmayan'. Data dəstimizdə "zolaqlı" kateqoriya olsa da, bu tip bir neçə nümunə olduğu üçün ondan istifadə etməyəcəyik. Hər bir halda data setimizdən boş dəyərləri sildikdən sonra yox olacaqlar.
+
+> 🎃 Maraqlı fakt. Bəzən ağ balqabaqlara 'ruh' balqabaqlar da deyirlər. Onları çərtmək o qədər də asan olmadığı üçün narıncı balqabaqlar qədər məşhur deyillər. Amma çox gözəl görünürlər! Ona görə də biz sualımızı bir balaca yenidən formalaşdıra bilərik: 'Ruh olan' or 'Ruh olmayan'. 👻
+
+## Logistik reqressiya haqqında
+
+Logistik reqressiya keçən dərslərdə haqqında öyrəndiyiniz xətti reqressiyadan bir neçə vacib yolla fərqlənir.
+
+[](https://youtu.be/KpeCT6nEpBY "Yeni başlayanlar üçün maşın öyrənməsi - Maşın Öyrənməsində Klassifikasiya üçün Logistik Reqressiyanın başa düşülməsi")
+
+> 🎥 Logistik reqressiyanın qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+### İkili klassifikasiya
+
+Logistik reqressiya xətti reqressiyanın təklif etdiyi özəllikləri təklif etmir. Biri ikili kateqoriya ("narıncı olan və ya olmayan") haqqında təxminlər irəli sürsə də, digəri balqabağın mənşəyi və yığılma vaxtını nəzərə alsaq, _qiymətinin nə qədər yüksələcəyi_ tipli davamedici dəyərləri təxmin etmək potensialındadır.
+
+
+> [Dasani Madipalli](https://twitter.com/dasani_decoded) tərəfindən çəkilmiş infoqrafik
+
+### Digər klassifikasiya
+
+Multinomial və ordinal daxil olmaqla logistik reqressiyanın digər növləri də mövcuddur:
+
+- **Multinomial** özündə daha çox kateqoriyanı ehtiva edir. Məsələn, "Narıncı, Ağ, and Zolaqlı".
+- Sıralanmış kateqoriyalardan ibarət olan **Ordinal** isə limitli ölçülərə (mini,sm,med,lg,xl,xxl) görə sıralanmış balqabaqlarımız kimi nəticələrimizi məntiqi olaraq sıralamaq istədikdə faydalıdır.
+
+
+
+### Dəyişənlər korrelyasiya etməli deyil
+
+Xətti reqressiyanın daha çox korrelyasiyalı dəyişənlərlə necə daha rahat işlədiyini xatırlayırsınızmı? Logistik reqressiyada bunun əksi baş verir. Belə ki, dəyişənlər uyğunlaşmasına ehtiyac yoxdur. Ona görə də, zəif korrelyasiyaları olan bu datamız üçün işə yarayır.
+
+### Çoxlu təmiz dataya ehtiyacınız var
+
+Xətti reqressiya daha çox data istifadə etdikcə daha dəqiq nəticələr verəcək. Bizim balaca data dəstimizin bu tapşırıq üçün o qədər də optimal olmadığını unutmayın.
+
+[](https://youtu.be/B2X4H9vcXTs "Yeni başlayanlar üçün maşın öyrənməsi - Datanın Analizi və Logistik Reqressiya üçün hazırlanması")
+
+> 🎥 Logistik reqressiya üçün datanın hazırlanması barədə qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+✅ Logistik reqressiya üçün tam uyğun olan data tipləri haqqında düşünün
+
+## Tapşırıq - datanı səliqəyə salın
+
+İlkin olaraq datanı biraz təmizləyək, boş dəyərləri kənarlaşdıraq və bəzi sütunları seçək:
+
+1. Aşağıdakı kodu əlavə edin:
+
+ ```python
+
+ columns_to_select = ['City Name','Package','Variety', 'Origin','Item Size', 'Color']
+ pumpkins = full_pumpkins.loc[:, columns_to_select]
+
+ pumpkins.dropna(inplace=True)
+ ```
+
+ Hər zaman öz datafreyminizə nəzər yetirə bilərsiniz:
+
+ ```python
+ pumpkins.info
+ ```
+
+### Vizuallaşdırma - kateqorik qrafik
+
+Artıq bir neçə dəfə [başlanğıc dəftərçəsini](../notebook.ipynb) yükləmiş və `Color` dəyişəni də daxil olmaqla bir neçə dəyişən qalacaq şəkildə onu təmizləmisiniz. Gəlin dəftərçədə datafreymimizi fərqli kitabxanadan - [Seaborn](https://seaborn.pydata.org/index.html)-dan istifadə edərək vizuallaşdıraq. Bu kitabxana əvvəlki dərslərdə istifadə etmiş olduğumuz Matplotlib kitabxanası üzərinə qurulmuşdur.
+
+1. `catplot` funksiyasından `pumpkins` adlı balqabaq datamızdan istifadə etməklə və hər balqabaq kateqoriyası (narıncı və ya ağ) üçün rəng xəritəsini təyin etməklə belə bir qrafik yaradın:
+
+ ```python
+ import seaborn as sns
+
+ palette = {
+ 'ORANGE': 'orange',
+ 'WHITE': 'wheat',
+ }
+
+ sns.catplot(
+ data=pumpkins, y="Variety", hue="Color", kind="count",
+ palette=palette,
+ )
+ ```
+
+ 
+
+ Bu datanı müşahidə edərək rənglərlə növlərin bir birinə necə təsir etdiyini görə bilərsiniz.
+
+ ✅ Bu kateqorik qrafikə nəzər yetirdikdə ağlınıza hansı maraqlı yeni fikirlər gəlir?
+
+### Datanın ön-emalı özəllik və etiket kodlaşdırılması
+Bizim balqabaq datalarımızdakı bütün sütunlar mətni dəyərlərdən ibarətdir. Kateqorik datalarla işləmək insanlar üçün intuitiv olsa da, maşınlar üçün bu belə deyil. Maşın öyrənmə alqoritmləri rəqəmlərlə yaxşı işləyir. Buna görə də kodlaşdırma bizə kateqoriyalı məlumatları heç bir məlumatı itirmədən ədədi məlumatlara çevirməyə imkan verdiyi üçün dataların önemalı mərhələsində çox vacib bir addımdır. Yaxşı kodlaşdırma yaxşı bir model yaratmağa səbəb olur.
+
+Özəlliklərin kodlaşdırılması üçün kodlaşdırıcıların 2 əsas tipi var:
+
+1. Ordinal şifrələyicilər data dəstimizdəki `Item Size` sütununda olduğu kimi müəyyən məntiqi sıralamanı izləyən ordinal dəyişənlər üçün uyğundur. Bu şifrələyici hər kateqoriyanı aid olduğu sütun sırasına uyğun ədədlə ifadə edən bir əlaqə yaradır.
+
+ ```python
+ from sklearn.preprocessing import OrdinalEncoder
+
+ item_size_categories = [['sml', 'med', 'med-lge', 'lge', 'xlge', 'jbo', 'exjbo']]
+ ordinal_features = ['Item Size']
+ ordinal_encoder = OrdinalEncoder(categories=item_size_categories)
+ ```
+2. Kateqorik şifrələyicilər isə date dəstimizdə `Item Size` çıxmaq şərtilə digər özəlliklər kimi heç bir məntiqi qanunauyğunluğu izləməyən kateqorik dəyişlənlər üçün uyğundur. Bu tək-aktiv növ şifrələmədir. Bu növ şifrələmədə hər kateqoriya ikili sütunla ifadə olunur. Əgər balqabaq həmin növə aiddirsə 1, deyilsə şifrələnmiş dəyişən 0-a bərabər olur.
+
+ ```python
+ from sklearn.preprocessing import OneHotEncoder
+
+ categorical_features = ['City Name', 'Package', 'Variety', 'Origin']
+ categorical_encoder = OneHotEncoder(sparse_output=False)
+ ```
+
+Daha sonra bir neçə şifrələyicini 1 addımda birləşdirmək və müvafiq sütuna tətbiq etmək üçün `ColumnTransformer`-dən istifadə olunur.
+
+```python
+ from sklearn.compose import ColumnTransformer
+
+ ct = ColumnTransformer(transformers=[
+ ('ord', ordinal_encoder, ordinal_features),
+ ('cat', categorical_encoder, categorical_features)
+ ])
+
+ ct.set_output(transform='pandas')
+ encoded_features = ct.fit_transform(pumpkins)
+```
+Digər tərəfdən etiketi kodlaşdırmaq üçün onları yalnız 0 və siniflərin_sayı-1 (burada 0 və 1-dir) arasında olan dəyərlərlə normallaşdıran scikit-learn-ün `LabelEncoder` sinifindən istifadə edəcəyik.
+
+```python
+ from sklearn.preprocessing import LabelEncoder
+
+ label_encoder = LabelEncoder()
+ encoded_label = label_encoder.fit_transform(pumpkins['Color'])
+```
+
+Özəllikləri və etikətləri kodlaşdırdıqdan sonra onları yeni `encoded_pumpkins` adlı datafreymə birləşdirə bilərik.
+
+```python
+ encoded_pumpkins = encoded_features.assign(Color=encoded_label)
+```
+
+`Item Size` sütunu üçün ordinal şifrələyicilərdən istifadə etməyin üstünlükləri nədir?
+
+### Dəyişənlər arasındakı əlaqəni analiz edin
+
+Artıq dəyişənlərimizi öncədən emal etdiyimizə görə modelin verilən özəlliklərə uyğun etiketi nə qədər düzgün təxmin edə biləcəyi barədə fikir sahibi ola bilərik. Bunun üçün özəlliklərlə etiketlər arasındakı əlaqələri analiz edə bilərik.
+Bu tip analizləri aparmağın ən yaxşı yolu onları qrafikləşdirməkdir. Bu dəfə də kateqorik qrafikdə `Item Size`, `Variety` və `Color` arasındakı əlaqəni vizuallaşdırmaq üçün Seaborn-un `catplot` funksiyasından istifadə edəcəyik. Datanı daha yaxşı vizuallaşdırmaq üçün şifrələnmiş `Item Size` və şifrələnməmiş `Variety` sütunlarını istifadə edirik.
+
+```python
+ palette = {
+ 'ORANGE': 'orange',
+ 'WHITE': 'wheat',
+ }
+ pumpkins['Item Size'] = encoded_pumpkins['ord__Item Size']
+
+ g = sns.catplot(
+ data=pumpkins,
+ x="Item Size", y="Color", row='Variety',
+ kind="box", orient="h",
+ sharex=False, margin_titles=True,
+ height=1.8, aspect=4, palette=palette,
+ )
+ g.set(xlabel="Item Size", ylabel="").set(xlim=(0,6))
+ g.set_titles(row_template="{row_name}")
+```
+
+
+
+### Sürü qrafikindən istifadə edin
+
+`Color` ikili kateqoriya(Ağ və ya Ağ olmayan) olduğu üçün vizuallaşdırma üçün [xüsusi yanaşmaya](https://seaborn.pydata.org/tutorial/categorical.html?highlight=bar) ehtiyacı var. Bu kateqoriyanın digər dəyişənlərlə olan əlaqəsini vizuallaşdırmaq üçün başqa yollar da mövcuddur.
+
+Dəyişənləri yanaşı formada Seaborn qrafikləri ilə vizuallaşdıra bilərsiniz.
+
+1. Dəyərlərin paylanmasını göstərmək üçün 'swarm' qrafikini yoxlayın:
+
+ ```python
+ palette = {
+ 0: 'orange',
+ 1: 'wheat'
+ }
+ sns.swarmplot(x="Color", y="ord__Item Size", data=encoded_pumpkins, palette=palette)
+ ```
+
+ 
+
+**Diqqət edin**: Seaborn bu qədər çox məlumat nöqtəsini sürü qrafiki ilə göstərməyi bacara bilmədiyi üçün yuxarıdakı kod bir xəbərdarlıq göstərə bilər. Problemin potensial həlli, 'size' parametrindən istifadə edərək işarələyicinin ölçüsünü azaltmaqdır. Amma nəzərə alın ki, bu qrafikin oxunaqlılığını aşağı salacaq.
+
+> **🧮 Mənə riyaziyyatı göstərin**
+>
+> Logistik reqressiya [siqmoid funksiyalarından](https://wikipedia.org/wiki/Sigmoid_function) istifadə edilən 'maksimum bənzərlik' konseptinə əsaslanır. Qrafiki formada 'Siqmoid Funksiyası' 'S' hərfinə oxşayır. Bu funksiya bir dəyər götürür və onu 0 və 1 arasındakı bir qiymətə köçürür. Qrafiki əyrisi isə 'logistik əyri' də adlanır. Düsturu isə bu formadadır:
+>
+> 
+>
+> siqmoidin orta nöqtəsi x-in 0 nöqtəsində olduğu nöqtədə L əyrinin maksimum dəyəri, k isə əyrinin dikliyidir. Əgər funksiyanın nəticəsi 0.5-dən çoxdursa, etiketə ikili seçimin '1' sinifi veriləcək, əks halda '0' olaraq sinifləndiriləcəkdir.
+
+## Modelinizi qurun
+
+Həmin ikili klassifikasiyanı tapmaq üçün bir model qurmaq Scikit-learn-də təəccüblü dərəcədə sadədir.
+
+[](https://youtu.be/MmZS2otPrQ8 "Yeni başlayanlar üçün maşın öyrənməsi - Datanın Klassifikasiyası üçün Logistik Reqressiya")
+
+> 🎥 Logistik reqressiya modelinin qurulmasını göstərən qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+1. Təsnifat modelində istifadə istifadə etmək istədiyiniz dəyişənləri seçin və `train_test_split()`-i çağıraraq onları öyrənmə və test dəstlərinə ayırın.
+
+ ```python
+ from sklearn.model_selection import train_test_split
+
+ X = encoded_pumpkins[encoded_pumpkins.columns.difference(['Color'])]
+ y = encoded_pumpkins['Color']
+
+ X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
+
+ ```
+
+2. Artıq `fit()`-i öyrənmə dataları ilə çağıraraq modelinizi öyrədə və nəticəni ekrana çap edə bilərsiniz:
+
+ ```python
+ from sklearn.metrics import f1_score, classification_report
+ from sklearn.linear_model import LogisticRegression
+
+ model = LogisticRegression()
+ model.fit(X_train, y_train)
+ predictions = model.predict(X_test)
+
+ print(classification_report(y_test, predictions))
+ print('Predicted labels: ', predictions)
+ print('F1-score: ', f1_score(y_test, predictions))
+ ```
+
+ Qiymətlər tablosuna nəzər yetirin. Yalnız 1000 sətirlik datanızın olduğunu nəzərə alsaq, o qədər də pis görünmür:
+
+ ```output
+ precision recall f1-score support
+
+ 0 0.94 0.98 0.96 166
+ 1 0.85 0.67 0.75 33
+
+ accuracy 0.92 199
+ macro avg 0.89 0.82 0.85 199
+ weighted avg 0.92 0.92 0.92 199
+
+ Predicted labels: [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0
+ 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
+ 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0
+ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0
+ 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
+ 0 0 0 1 0 0 0 0 0 0 0 0 1 1]
+ F1-score: 0.7457627118644068
+ ```
+
+## Xəta matrisi vasitəsilə daha yaxşı başa düşmə
+
+Yuxarıdakıları ekrana çap edərək bir xal tablosu [reportu](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html?highlight=classification_report#sklearn.metrics.classification_report) əldə edə bilsəniz də, modelinizin necə bir performans göstərməsini [xəta matrisi](https://scikit-learn.org/stable/modules/model_evaluation.html#confusion-matrix) istifadə edərək daha rahat başa düşə bilərsiniz.
+
+> 🎓 '[Xəta matrisi](https://wikipedia.org/wiki/Confusion_matrix)' təxminlərin dəqiqliyini ölçən, modelinizin pozitiv və neqativ olmaqla, doğru və yanlışları göstərən bir cədvəldir.
+
+1. Xəta matirisini işlətmək üçün `confusion_matrix()`-i çağırın:
+
+ ```python
+ from sklearn.metrics import confusion_matrix
+ confusion_matrix(y_test, predictions)
+ ```
+
+ Modelinizin xəta matrisinə baxın:
+
+ ```output
+ array([[162, 4],
+ [ 11, 22]])
+ ```
+
+Scikit-learn-də xəta matrisində Cərgələr (0 oxu) əsl etiketlər, sütunlar (1 oxu) isə təxmin edilənləri göstərir.
+
+| | 0 | 1 |
+| :---: | :---: | :---: |
+| 0 | TN | FP |
+| 1 | FN | TP |
+
+Burada nə baş verir? Misal üçün modelimizdən balqabaqları 2 ikili kateqoriya- 'ağ' və 'ağ olmayan' üzrə qruplaşdırmağı istəmişik.
+
+- Modeliniz balqabağın ağ olmadığını təxmin edirsə və o reallıqda 'ağ olmayan' kateqoriyasına aiddirsə, biz onu yuxarı sol rəqəmlə göstərilən doğru neqativ (True Negative) adlandırırıq.
+- Modeliniz balqabağı ağ kimi təxmin edirsə və o reallıqda 'ağ olmayan' kateqoriyasına aiddirsə, biz onu aşağı sol nömrə ilə göstərilən yanlış neqativ (False Negative) adlandırırıq.
+- Modeliniz balqabağın ağ olmadığını təxmin edirsə və o reallıqda 'ağ' kateqoriyasına aiddirsə, biz onu yuxarı sağ nömrə ilə göstərilən yanlış pozitiv (False Positive) adlandırırıq.
+- Modeliniz balqabağı ağ kimi təxmin edirsə və o reallıqda 'ağ' kateqoriyasına aiddirsə, biz onu aşağı sağ rəqəmlə göstərilən doğru pozitiv (True Positive) adlandırırıq.
+
+Təxmin etdiyiniz kimi, daha çox sayda doğru pozitiv və doğru neqativlərə və daha az sayda yanlış pozitiv və yanlış neqativlərə üstünlük verilir. Bu da modelin daha yaxşı performans göstərdiyini göstərir.
+
+Xəta matrisinin dəqiqlik və xatırlatma ilə necə bir əlaqəsi var? Yuxarıda çap edilmiş təsnifat hesabatın dəqiqliyini (0,85) və xatırlamanı isə (0,67) olaraq göstərdiyini unutmayın.
+
+Dəqiqlik = tp / (tp + fp) = 22 / (22 + 4) = 0.8461538461538461
+
+Xatırlama = tp / (tp + fn) = 22 / (22 + 11) = 0.6666666666666666
+
+✅ Sual: Xəta matrisinə əsasən bizim modelimiz necə işlədi? Cavab: O qədər də pis deyildi. Nəzərəçarpacaq qədər doğru neqativlər olmasına baxmayaraq, az da olsa yanlış neqativlər var.
+
+TP/TN və FP/FN-nin xəta matrisinin xəritələşdirilməsinin köməyi ilə əvvəllər gördüyümüz şərtlərə yenidən baxaq:
+
+🎓 Dəqiqlik: TP/(TP + FP) Alınmış nümunələr arasında müvafiq nümunələrin payı (məsələn, hansı etiketlər düzgün etiketlənib)
+
+🎓 Xatırlama: TP/(TP + FN) Yaxşı etiketlənmiş və ya etiketlənməmiş fərqi olmadan, əldə edilmiş müvafiq nümunələrin bir hissəsi
+
+🎓 f1-balı: (2 * dəqiqlik * xatırlama)/(dəqiqlik + xatırlatma) Ən yaxşısı 1, ən pisi isə 0 olmaqla dəqiqlik və xatırlatmanın çəkili ortalaması
+
+🎓 Dəstək: Alınan hər bir etiketin təkrarlanma sayı
+
+🎓 Dəqiqlik: (TP + TN)/(TP + TN + FP + FN) Nümunə üçün dəqiq proqnozlaşdırılmış etiketlərin faizi.
+
+🎓 Makro Ortalama: Etiket balanssızlığını nəzərə almadan hər bir etiket üçün ölçülməmiş orta göstəricilərin hesablanması.
+
+🎓 Çəkili Ortalama: Hər bir etiket üçün orta göstəricilərin hesablanması, etiket balanssızlığının hesaba qatılması və dəstəklərinə (hər etiket üçün doğru nümunələrin sayı) görə çəkiləndirilməsidir.
+
+✅ Modelinizin yanlış neqativlərinin sayını azaltmaq istədikdə hansı ölçümü izləməli olduğunuzu düşünürsünüz?
+
+## Bu modelin ROC əyrisini vizuallaşdırın
+
+[](https://youtu.be/GApO575jTA0 "Yeni başlayanlar üçün maşın öyrənməsi - ROC əyriləri ilə Logistik Reqressiyanın Performans Analizi")
+
+> 🎥 ROC əyrilərinin qısa icmal videosu üçün yuxarıdakı şəkilin üzərinə klikləyin.
+
+'ROC' adlandırılan əyrini görmək üçün gəlin daha bir vizuallaşdırma edək:
+
+```python
+from sklearn.metrics import roc_curve, roc_auc_score
+import matplotlib
+import matplotlib.pyplot as plt
+%matplotlib inline
+
+y_scores = model.predict_proba(X_test)
+fpr, tpr, thresholds = roc_curve(y_test, y_scores[:,1])
+
+fig = plt.figure(figsize=(6, 6))
+plt.plot([0, 1], [0, 1], 'k--')
+plt.plot(fpr, tpr)
+plt.xlabel('False Positive Rate')
+plt.ylabel('True Positive Rate')
+plt.title('ROC Curve')
+plt.show()
+```
+
+Matplotlib-dən istifadə edərək modelin [Receiving Operating Characteristic (Qəbul Əməliyyatlarının Xarakteristikası)](https://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html?highlight=roc) və ya ROC əyrisini qrafikləşdirək. ROC əyriləri daha çox bir klassifikatorun nəticəsinin doğru və ya yanlış pozitivləri baxımından bir təsvirini yaratmaq üçün istifadə olunur. "ROC əyrilərində doğru pozitivlərin nisbəti Y oxu üzrə, yanlış pozitivlərin nisbəti isə X oxu üzrə göstərilir." Əyrinin dikliyi və qrafikin orta xətti ilə əyri arasındakı məsafə önəm daşıdığına görə sürətlə yuxarı doğru çıxan və xətti keçən bir əyri istəyirsiniz. Bizim situasiyada, başlanğıcda yanlış pozitivlər var və daha sonra əyri düzgün bir şəkildə yuxarı və aşağı doğru gedir.
+
+
+
+Yekun olaraq 'Əyrinin Aşağısındakı Sahə'-ni (ƏAS) hesablamaq üçün Scikit-learn-ün [`roc_auc_score` metodundan](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html?highlight=roc_auc#sklearn.metrics.roc_auc_score) istifadə edin:
+
+```python
+auc = roc_auc_score(y_test,y_scores[:,1])
+print(auc)
+```
+
+Nəticə `0.9749908725812341`-ə bərabərdir. ƏAS əmsalının 0 ilə 1 arasında dəyişdiyini və 100% düzgün işləyən modelin ƏAS əmsalının 1-ə bərabər olduğunu nəzərə alsaq, daha yüksək xal istəməyiniz normaldır. İndiki durumda modelimiz _çox yaxşıdır_.
+
+Klassifikasiya ilə bağlı gələcək dərslərdə, modelin balını yüksəltmək üçün necə iterasiyalar etməyi öyrənəcəksiniz. Amma indilik bu qədər bəsdir. Reqressiya dərslərini bitirdiyinizə görə sizi təbrik edirik!
+
+## 🚀 Məşğələ
+
+Logistik reqressiya mövzusunda öyrəniləsi hələ çox şey var. Amma ən yaxşı öyrənmə təcrübə etməkdir. Bunun üçün dərsdəki analizə bənzər bir dataset tapın və onunla bir model qurun. Nə öyrəndiniz? Maraqlı datasetlər üçün [Kaggle](https://www.kaggle.com/search?q=logistic+regression+datasets) yoxlaya bilərsiniz.
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/16/?loc=az)
+
+## Təkrarlayın və özünüz öyrənin
+
+Logistik reqressiyanın praktiki istifadələri haqqında olan [bu məqalənin](https://web.stanford.edu/~jurafsky/slp3/5.pdf) ilk bir neçə səhifəsini oxuyun. İndiyə qədər öyrəndiyimiz bu və ya digər növ reqressiya tapşırıqları üçün daha uyğun olan istifadə halları haqqında düşünün. Ən yaxşısı hansı olardı?
+
+## Tapşırıq
+
+[Bəzi Reqressiyaların yenidən sınanması](assignment.az.md)
\ No newline at end of file
diff --git a/2-Regression/4-Logistic/translations/assignment.az.md b/2-Regression/4-Logistic/translations/assignment.az.md
new file mode 100644
index 0000000000..98e43e5ff9
--- /dev/null
+++ b/2-Regression/4-Logistic/translations/assignment.az.md
@@ -0,0 +1,11 @@
+# Bəzi Reqressiyaların yenidən sınanması
+
+## Təlimatlar
+
+Bu dərsdə siz balqabaqlarla bağlı olan məlumatların alt setindən istifadə etdiniz. İndi ilkin məlumatlara qayıdın və həmin dataların hamısının təmizlənmiş, standartlaşdırılmış formasından istifadə edərək Logistik Reqressiya modeli qurun.
+
+## Qiymətləndirmə
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | əla formada izah edilmiş və performansı güclü olan model təqdim edilib | minimal funksionallıqda bir model təqdim edilib | aşağı və ya qeyri funskionallıqlı model təqdim edilmişdir |
\ No newline at end of file
diff --git a/2-Regression/translations/README.az.md b/2-Regression/translations/README.az.md
new file mode 100644
index 0000000000..44d9f817d9
--- /dev/null
+++ b/2-Regression/translations/README.az.md
@@ -0,0 +1,39 @@
+# Maşın Öyrənməsi üçün reqressiya modelləri
+## Regional mövzu: Şimali Amerikada balqabaq qiymətləri üçün reqressiya modelləri 🎃
+
+Şimali Amerikada balqabaqlar tez-tez Hellouin bayramı üçün qorxunc üz formasında çərtilirlər. Gəlin bu tərəvəz haqqında maraqlı faktları öyrənək!
+
+
+>Soyuducuya bax. Nə bişirə bilərsən?
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ ```
+
+ Qeyd edək ki, hər bir xanaya dəyər verilir. Bu, verilənlər bazasına uyğun olaraq tərkib hissəsinin tapıldığı indeksi əks etdirir. Məsələn, 'Alma' əlifba siyahısında beşinci sütundadır, ona görə də biz 0-dan saymağa başladığımız zaman verilmiş tərkib indeksinə görə onun dəyəri '4'dür. [inqrediyentlər cədvəli](../../data/ingredient_indexes.csv)ni nəzərdən keçirməklə verilmiş tərkib hissələrini görə bilərsiniz.
+
+ index.html faylında işi davam etdirərək, `` yekunlaşdırıcı bağlandıqdan sonra modelin çağrıldığı skript blokunu əlavə edin.
+
+1. İlk öncə, [Onnx Runtime](https://www.onnxruntime.ai/) əlavə edək:
+
+ ```html
+
+ ```
+
+ > Onnx Runtime, Onnx modelləri optimallaşdırmaq və istifadə edə bilmək üçün API daxil olmaqla geniş çeşidli platformalarda işləməyə imkan vermək üçün istifadə olunur.
+
+1. Runtime yerini aldıqdan sonra işə sala bilərik:
+
+ ```html
+
+ ```
+
+Bu kodda eyni anda bir neçə prosses baş verir:
+
+1. Mümkün 380 dəyərdən (1 və ya 0) ibarət massiv yaratdıq və inqrediyentin işarələnib göstərilməsindən asılı olaraq nəticə çıxarmaq üçün modelə göndəriləcək.
+2. Qeyd qutuları massivinin proqram başlayanda çağırılan `init` funksiyasında yoxlanılıb-yoxlanılmadığını müəyyən etmək üçün bir üsul yaratdıq. Yoxlama qutusu işarələndikdə, `ingredients` massivi seçilmiş inqrediyenti əks etdirmək üçün yenilənir.
+3. `testCheckboxes` funksiyası yaradaraq hansısa qeyd qutusunun işarələnib-işarələnmədiyini yoxlanılır.
+4. `startInference` funksiyasını istifadə edərək hansısa düymə basılanda və ya hər hansı işarə qutusu seçiləndə hərəkətə keçilir.
+5. Nəticə çıxarma ardıcıllığı aşağıdakıları əhatə edir:
+ 1. Modelin asinxron yükünün qurulması
+ 2. Modelə göndərmək üçün Tensor strukturunun yaradılması
+ 3. Modeli öyrədərkən yaratdığımız `float_input` daxiletməsini əks etdirən `feeds` datasının yaradılması (bu adı yoxlamaq üçün Netron-dan istifadə edə bilərsiniz)
+ 4. `feeds` məlumatını modelə göndərmək və ondan cavab gözləmək
+
+## Proqramı test edək
+
+index.html faylının yerləşdiyi qovluqda Visual Studio-da yeni terminal açaq və qlobalda quraşdırılmış [http-server](https://www.npmjs.com/package/http-server) mövcud olduğundan əmin olaq. Sorğuda `http-server` yazdıqdan sonra Localhost açılacaq. Beləliklə Veb tətbiqə nəzər yetirə bilərik. Müxtəlif inqrediyentlər əsasında hansı mətbəxin tövsiyə olunduğunu yoxlayaq:
+
+
+
+Təbriklər, 'tövsiyyə edən' veb tətbiq yaratdıq. İndi isə sistemi qurmaq üçün daha çox vaxt ayıraq!
+
+## 🚀 Məşğələ
+
+Hazırki veb tətbiq minimal səviyyədədir. Bu səbəbdən inqrediyentlər və onların indekslərinə əsasən [ingredient_indexes](../../data/ingredient_indexes.csv) datasından istifadə etməklə davam etmək lazımdır. Verilmiş milli yeməyi hazırlamaq üçün hansı dadlardan istifadə edilməlidir, müəyyən edək.
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/26/?loc=az)
+
+## Təkrarlayın və özünüz öyrənin
+
+Biz bu dərsdə qida maddələri üçün tövsiyə sisteminin yaradılmasına səthi toxunsaq da, ML tətbiqlərinin bu sahədə töhvələri çox zəngindir. Bu sistemlərin necə qurulduğu haqqında daha ətraflı oxuyun:
+
+- https://www.sciencedirect.com/topics/computer-science/recommendation-engine
+- https://www.technologyreview.com/2014/08/25/171547/the-ultimate-challenge-for-recommendation-engines/
+- https://www.technologyreview.com/2015/03/23/168831/everything-is-a-recommendation/
+
+## Tapşırıq
+
+[Yeni tövsiyyə sistemi yaradın](assignment.az.md)
diff --git a/4-Classification/4-Applied/translations/assignment.az.md b/4-Classification/4-Applied/translations/assignment.az.md
new file mode 100644
index 0000000000..261228abaa
--- /dev/null
+++ b/4-Classification/4-Applied/translations/assignment.az.md
@@ -0,0 +1,11 @@
+# Yeni tövsiyə sistemi yaradın
+
+## Təlimatlar
+
+Bu dərslərdəki təcrübələrə əsasən Onnx Runtime və ya çevrilmiş bir Onnx modeli istifadə edərək JavaScript əsaslı veb tətbiqi necə yaratmağı artıq bilirik. Bu dərsdəki məlumatlardan və ya başqa mənbədən (zəhmət olmazsa, mənbəni göstərməklə) məlumatları istifadə edərək yeni bir tövsiyə sistemi yaratmaqda təcrübələr aparın. Fərqli şəxsiyyət xüsusiyyətlərinə görə müəyyən bir ev heyvanı tövsiyəçisi və ya şəxsin əhvalına uyğun musiqi janrı tövsiyə edən bir sistem yarada bilərsiniz. Yaradıcı olun!
+
+## Rubrika
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | Veb tətbiq və ya notbuk verilib. Hər ikisi istifadəyə hazırdır. | İkisindən biri əskikdir və ya qüsurludur. | Hər ikisi ya əskikdir, ya da qüsurludur. |
diff --git a/4-Classification/translations/README.az.md b/4-Classification/translations/README.az.md
new file mode 100644
index 0000000000..fb6665f832
--- /dev/null
+++ b/4-Classification/translations/README.az.md
@@ -0,0 +1,27 @@
+# Qruplaşdırma bölməsinə başlayırıq
+
+## Regional mövzu: Ləzzətli Asiya və Hindistan Mətbəxləri 🍜
+
+Asiyada və Hindistanda yeməklərlə bağlı olan adət-ənənələr son dərəcə çeşidli və çox ləzzətlidir! Gəlin regional mətbəxlər üçün olan dataya baxaraq hansı inqrediyentlərin istifadə olunduğunu başa düşməyə çalışaq.
+
+
+> Unsplash platformasında Lisheng Chang tərəfindən çəkilmiş şəkil
+
+## Nə öyrənəcəksiniz?
+
+Bu bölmədə siz Reqressiya haqqında əvvəlki bölmələrdən öyrəndiklərinizi təkmilləşdirəcək və datanı daha yaxşı başa düşmək üçün istifadə edə biləcəyiniz digər qruplaşdırıcılar haqqında öyrənəcəksiniz.
+
+> Qruplaşdırıcı modelləri ilə işləmək haqqında məlumat almanıza kömək olacaq az-kod yanaşmalı alətlər də mövcuddur. Bu tapşırıq üçün olan [Azure ML](https://docs.microsoft.com/learn/modules/create-classification-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) sınaqdan keçirin.
+
+## Dərslər
+
+1. [Qruplaşdırıcı bölməsinə giriş](../1-Introduction/translations/README.az.md)
+2. [Daha çox qruplaşdırıcılar](../2-Classifiers-1/translations/README.az.md)
+3. [Bir başqa qruplaşdırıcı](../3-Classifiers-2/translations/README.az.md)
+4. [Tətbiqi ML: veb tətbiq qur](../4-Applied/translations/README.az.md)
+
+## Təşəkkürlər
+
+"Qruplaşdırıcı bölməsinə giriş" [Cassie Breviu](https://www.twitter.com/cassiebreviu) və [Jen Looper](https://www.twitter.com/jenlooper) tərəfindən ♥️-lə yazılmışdır
+
+Ləzzətli mətbəxlər data massivi [Kaggle](https://www.kaggle.com/hoandan/asian-and-indian-cuisines) platformasından götürülmüşdür.
diff --git a/5-Clustering/1-Visualize/translations/README.az.md b/5-Clustering/1-Visualize/translations/README.az.md
new file mode 100644
index 0000000000..a4ec4624cf
--- /dev/null
+++ b/5-Clustering/1-Visualize/translations/README.az.md
@@ -0,0 +1,333 @@
+# Klasterləşdirmə bölməsinə giriş
+
+Klasterləşdirmə verilən datasetin etiketlənməmiş olduğunu və ya giriş dəyərlərinin öncədən müəyyən olunmuş çıxış dəyərləri ilə uyğunlaşdırılmış olmadığını fərz edən [nəzarətsiz öyrənmə](https://wikipedia.org/wiki/Unsupervised_learning)nin bir formasıdır. Klasterləşdirmə etiketlənməmiş datanı çeşidləmək və datada tapdığı təkrarlanan nümunələri təmin etmək üçün müxtəlif alqoritmlərdən istifadə edir.
+
+[](https://youtu.be/ty2advRiWJM "P-Square - No One Like You")
+
+> 🎥 Videoya keçid üçün yuxarıdakı təsvirə klikləyin. Maşın öyrənməsində klasterləşdirmə bölməsini öyrənərkən Dance Hall janrında olan Nigeriya treklərindən zövq alın - bu mahnı 2014-cü ilin bəyənilən mahnısı olub, P-Square adlı musiqi ikilisinə aiddir.
+
+## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/27/?loc=az)
+
+### Giriş
+
+[Klasterləşdirmə](https://link.springer.com/referenceworkentry/10.1007%2F978-0-387-30164-8_124) datanın tədqiqi üçün çox faydalıdır. Gəlin bu üsulun Nigeriyalı auditoriyanın üstünlük verdiyi musiqidə tendensiyanı və təkrarlanan nümunələri kəşf etməyə kömək edə bilib-bilməyəcəyinə baxaq.
+
+✅ Bir az dayanıb klasterləşdirmənin hansı hallarda istifadə olunduğu haqqında düşünün. Real həyatda bir yığın paltardan ailə üzvlərinizin geyimlərini çeşidlədiyiniz zaman klasterləşdirmə etmiş olursunuz 🧦👕👖🩲. Data elmində klasterləşdirməyə nümunə olaraq istifadəçinin üstünlük verdiyi seçimləri analiz etməyi və ya etiketlənməmiş datasetin xarakteristikalarını müəyyən etməyi göstərmək olar. Klasterləşdirmə bir növ corab çəkməcəsi kimi qarmaqarışıqlığı anlamağa kömək edir.
+
+[](https://youtu.be/esmzYhuFnds "Klasterləşdirmə bölməsinə giriş")
+
+> 🎥 Yuxarıdakı təsvirə klikləməklə videoya baxın: John Guttag MIT-də klasterləşdirməni təqdim edir
+
+Klasterləşdirmənin daha professional istifadəsinə bazar seqmentasiyasının müəyyən edilməsini, məsələn, hansı yaş qrupunun daha çox nələri aldığını müəyyən etməyi aid etmək olar. Bundan başqa, kredit kartı transaksiyalarının datasetində dələduzluq və bu kimi başqa anomaliyaların aşkarlanmasında klasterləşdirmə faydalı ola bilər. Həmçinin, tibbi təsvirlərdə bədxassəli şişlərin aşkar olunmasında da klasterləşdirməni istifadə etmək mümkündür.
+
+✅ Bir az dayanıb real həyatda, bankçılıqda, elektron ticarətdə ya da biznes şəraitində klasterləşdirmənin istifadəsinə rast gəlmiş ola biləcəyiniz haqqında düşünün.
+
+> 🎓 Maraqlıdır ki, klaster analizi 1930-cu illərdə Antropologiya və Psixologiya sahələrində meydana çıxmağa başlamışdır. Necə istifadə olunduğunu xəyalınızda canlandıra bilərsinizmi?
+
+Alternativ olaraq, klasterləşdirmədən axtarış nəticələrini qruplaşdırmaq üçün istifadə edə bilərsiniz - məsələn, alış-veriş linkləri, şəkillər ya da rəylər ilə qruplaşdıraraq. Klasterləşdirmə böyük dataseti kiçiltmək və kiçildilmiş massivi detallı analiz etmək istədiyiniz zaman köməyə çatır, ona görə də bu üsul başqa modellər yaratmazdan öncə datanın tədqiqi üçün istifadə oluna bilər.
+
+✅ Datanı klasterlərə yerləşdirdikdən sonra onlara klaster identifikator təyin olunur və bu üsul datanın məxfiliyini qorumaq üçün də istifadə oluna bilər; hər hansı bir verilənə aşkarlana və müəyyən edilə bilən data ilə istinad etməkdənsə klaster identifikator vasitəsilə istinad edə bilərsiniz. Sizcə, başqa hansı səbəblərə görə klasteri fərqləndirmək üçün klaster identifikator istifadə etmək klasterin digər elementlərini istifadə etməkdən üstün tutula bilər?
+
+Bu [öyrənmə modulunda](https://docs.microsoft.com/learn/modules/train-evaluate-cluster-models?WT.mc_id=academic-77952-leestott) klasterləşdirmə üsulları haqqında bildiklərinizi inkişaf etdirin.
+
+## Klasterləşdirmə bölməsinə başlayırıq
+
+[Scikit-learn](https://scikit-learn.org/stable/modules/clustering.html) klasterləşdirməni icra etmək üçün müxtəlif üsullardan ibarət geniş spektr təklif edir. Seçəcəyiniz tip istifadə şərtlərindən asılı olacaq. Dokumentasiyaya əsasən hər bir metodun müxtəlif faydaları var. Scikit-learn tərəfindən dəstəklənən metodlar və onların müvafiq istifadə ssenariləri aşağıdakı sadələşdirilmiş cədvəldə verilib:
+
+| Metodun adı | Ssenari |
+| :----------------------------| :------------------------------------------------------------------------- |
+| K-Means | ümumi məqsəd, induktiv |
+| Affinity propagation | çox, cüt olmayan klasterlər, induktiv |
+| Mean-shift | çox, cüt olmayan klasterlər, induktiv |
+| Spectral clustering | az, cüt klasterlər, transduktiv |
+| Ward hierarchical clustering | çox, məhdudlaşdırılmış klasterlər, transduktiv |
+| Agglomerative clustering | çox, məhdudlaşdırılmış, qeyri-Evklid məsafələr, transduktiv |
+| DBSCAN | düz olmayan həndəsə, cüt olmayan klasterlər, transduktiv |
+| OPTICS | düz olmayan həndəsə, cüt olmayan müxtəlif sıxlıqlı klasterlər, transduktiv |
+| Gaussian mixtures | düz həndəsə, induktiv |
+| BIRCH | istisnaları olan böyük dataset, induktiv |
+
+> 🎓 Klasterləri necə yaratmağımız data nöqtələrini qruplara necə ayırdığımızla çox bağlıdır. Gəlin bəzi terminlərə baxaq:
+>
+> 🎓 ['Transduktiv' və 'induktiv'](https://wikipedia.org/wiki/Transduction_(machine_learning))
+>
+> Transduktiv nəticə xüsusi test nümunələrinə uyğunlaşdırılan, müşahidə edilən təlim nümunələrindən əldə edilir. İnduktiv nəticə yalnız sonradan test nümunələrinə tətbiq edilən ümumi qaydalara uyğun gələn təlim nümunələrindən əldə edilir.
+>
+> Nümunə: Təsəvvür edin ki, sizdə yalnız qismən etiketlənmiş dataset var. Bəzi şeylər 'qeydlər', bəziləri 'cdlər' olaraq etiketlənmişdir, bəziləri isə boşdur. Öhdəliyiniz qalan hissəni də etiketləməkdir. Əgər induktiv yanaşmanı seçsəniz, modelinizə 'qeydləri' və 'cdləri' axtarmağı öyrədərdiniz və bu etiketləri etiketlənməmiş dataya tətbiq edərdiniz. Bu yanaşma əslində 'kaset' olan şeyləri təsnif etməkdə işə yaramayacaq. Digər tərəfdən transduktiv yanaşma isə bu naməlum məlumatları daha effektiv idarə edir, çünki o oxşar elementləri birlikdə qruplaşdırmağı hədəfləyir və sonra hər bir qrupa etiket tətbiq edir. Bu halda, klasterlər 'dəyirmi musiqi əşyaları' və 'kvadrat musiqi əşyaları'nı əks etdirə bilər.
+>
+> 🎓 ['Qeyri-Evklid' və 'Evklid' həndəsələri](https://datascience.stackexchange.com/questions/52260/terminology-flat-geometry-in-the-context-of-clustering)
+>
+> Riyazi terminlər olan qeyri-Evklid və Evklid həndəsələr nöqtələr arasındakı məsafələrin 'Evklid' ([Evklid](https://wikipedia.org/wiki/Euclidean_geometry)) və ya 'qeyri-Evklid' (qeyri-Evklid) həndəsi üsullarla ölçülməsinə aiddir.
+>
+> Bu kontekstdə 'düz' Evklid həndəsəsinə (hissələri 'müstəvi' həndəsə kimi də bilinir), 'düz olmayan' isə qeyri-Evklid həndəsəsinə aid edilir. Həndəsənin maşın öyrənməsi ilə nə əlaqəsi var? Riyaziyyatda kök salan iki sahə kimi, klasterlərdəki nöqtələr arasındakı məsafələri ölçmək üçün ümumi bir yol olmalıdır və bu, məlumatların xarakterindən asılı olaraq 'düz' və ya 'düz olmayan' şəkildə edilə bilər. [Evklid məsafələr](https://wikipedia.org/wiki/Euclidean_distance) iki nöqtə arasındakı xəttin uzunluğu ilə ölçülür. [Qeyri-Evklid məsafələr](https://wikipedia.org/wiki/Non-Euclidean_geometry) əyri vasitəsilə ölçülür. Əgər vizuallaşdırılmış data müstəvidə mövcud deyilsə, onun üçün xüsusi alqoritmdən istifadə etməli ola bilərsiniz.
+>
+
+> [Dasani Madipalli](https://twitter.com/dasani_decoded) tərəfindən təsvir
+>
+> 🎓 ['Məsafələr'](https://web.stanford.edu/class/cs345a/slides/12-clustering.pdf)
+>
+> Klasterlər onların məsafə matrisi ilə müəyyən edilir, məs. nöqtələr arasındakı məsafələr. Bu məsafəni bir neçə yolla ölçmək olar. Evklid klasterləri nöqtə dəyərlərinin ortalaması ilə müəyyən edilir və onlara 'mərkəz' və ya mərkəz nöqtəsi daxildir. Beləliklə, məsafələr həmin mərkəzə olan məsafə ilə ölçülür. Qeyri-Evklid məsafələri digər nöqtələrə ən yaxın nöqtə olan 'klastroidlərə' aiddir. Klastroidlər öz növbəsində müxtəlif yollarla müəyyən oluna bilər.
+>
+> 🎓 ['Məhdudlaşdırılmış'](https://wikipedia.org/wiki/Constrained_clustering)
+>
+> [Məhdudlaşdırılmış Klasterləşdirmə](https://web.cs.ucdavis.edu/~davidson/Publications/ICDMTutorial.pdf) nəzarətsiz üsula 'qismən nəzarətli' öyrənməni tətbiq edir. Nöqtələr arasındakı əlaqələr 'bağlana bilməz' və ya 'bağlanmalıdır' kimi işarələnir, buna görə də bəzi qaydalar datasetdə məcburi olaraq tətbiq olunur.
+>
+> Nümunə: Əgər alqoritm etiketsiz və ya qismən etiketli verilənlər toplusunda sərbəst buraxılıbsa, onun yaratdığı klasterlər keyfiyyətsiz ola bilər. Yuxarıdakı nümunədə klasterlər 'dəyirmi musiqi əşyaları', 'kvadrat musiqi əşyaları', 'üçbucaqlı şeylər' və 'külçələri' qruplaşdıra bilər. Bəzi məhdudiyyətlər və ya riayət edilməli qaydalar ('əşya plastikdən hazırlanmalıdır', 'əşya musiqi səsi çıxara bilməlidir') verilərsə, bu daha yaxşı seçim etmək üçün alqoritmi 'məhdudlaşdırmağa' kömək edə bilər.
+>
+> 🎓 'Sıxlıq'
+>
+> 'Səs-küylü' olan data həmçinin 'sıx' hesab olunur. Belə klasterlərin hər birindəki nöqtələr arasındakı məsafələr yoxlama zamanı az və ya çox sıx və ya 'izdihamlı' ola bilər və buna görə də bu məlumatların müvafiq klasterləşdirmə metodu ilə təhlil edilməsi lazımdır. [Bu məqalə](https://www.kdnuggets.com/2020/02/understanding-density-based-clustering.html) qeyri-bərabər klaster sıxlığı ilə səs-küylü verilənlər toplusunu araşdırmaq üçün K-Ortalama klasterləşdirmə ilə HDBSCAN alqoritmlərindən istifadə arasındakı fərqi izah edir.
+
+## Klasterləşdirmə alqoritmləri
+
+100-dən çox klasterləşdirmə alqoritmi mövcuddur və onlardan hansının hansı halda istifadə olunması verilən datanın təbiətindən asılıdır. Gəlin ən vacib olanlarının üzərindən keçək:
+
+- **İyerarxik klasterləşdirmə**. Əgər obyekt daha uzaqda olan obyektə deyil, yaxınlıqdakı obyektə yaxınlığına görə təsnif edilirsə, klasterlər onların üzvlərindən başqa obyektlərə və başqa obyektlərdən onlara məsafəsinə görə formalaşır. Scikit-learn-ün aqlomerativ klasterləşməsi iyerarxikdir.
+
+ 
+ > [Dasani Madipalli](https://twitter.com/dasani_decoded) tərəfindən təsvir
+
+- **Mərkəzi klasterləşdirmə**. Bu məşhur alqoritm 'k' seçimini və ya formalaşacaq klasterlərin sayını tələb edir, bundan sonra alqoritm klasterin mərkəz nöqtəsini təyin edir və həmin nöqtə ətrafında datanı toplayır. [K-Ortalama klasterləşdirmə](https://wikipedia.org/wiki/K-means_clustering) mərkəzi klasterləşdirmənin məşhur növüdür. Mərkəz ən yaxın orta ilə müəyyən edilir, adını da elə buradan götürmüşdür. Klasterdən kvadratik məsafə minimuma endirilir.
+
+ 
+ > [Dasani Madipalli](https://twitter.com/dasani_decoded) tərəfindən təsvir
+
+- **Paylanmaya əsaslanan klasterləşdirmə**. Statistik modelləşdirməyə əsaslanaraq, paylama əsaslı klasterləşmə məlumat nöqtəsinin çoxluğa aid olma ehtimalını müəyyən etmək və müvafiq olaraq təyin etmək üçün mərkəzlər yaradır. 'Gaussian mixture' metodları bu tipə aiddir.
+
+- **Sıxlığa əsaslanan klasterləşdirmə**. Data nöqtələri sıxlığına və ya bir-birinin ətrafında qruplaşmasına görə klasterlərə təyin edilir. Qrupdan uzaq olan data nöqtələri kənar və ya səs-küy hesab olunur. 'DBSCAN', 'Mean-shift' və 'OPTICS' bu növ klasterləşdirməyə aiddir.
+
+- **Şəbəkəyə əsaslanan klasterləşmə**. Çoxölçülü verilənlər dəstləri üçün şəbəkə yaradılır və məlumatlar şəbəkənin hüceyrələri arasında bölünür və bununla da klasterlər yaradılır.
+
+## Tapşırıq - datanızı klasterləşdirin
+
+Bir texnika olaraq klasterləşdirmə düzgün vizuallaşdırma olduqda çox daha dəqiq işləyir, ona görə də gəlin musiqi üçün olan datanı vizuallaşdırmaqla başlayaq. Bu tapşırıq datanın təbiətinə görə klasterləşdirmə üsullarından hansını istifadə etməyin daha səmərəli olduğunu qərar verməyə kömək edəcək.
+
+1. Hazırkı qovluqda olan [_notebook.ipynb_](https://github.com/microsoft/ML-For-Beginners/blob/main/5-Clustering/1-Visualize/notebook.ipynb) faylını açın.
+
+2. Datanı vizuallaşdırmaq üçün `Seaborn` komponentini əlavə edin.
+
+ ```python
+ !pip install seaborn
+ ```
+
+3. [_nigerian-songs.csv_](https://github.com/microsoft/ML-For-Beginners/blob/main/5-Clustering/data/nigerian-songs.csv) faylından mahnı datasını köçürün. Mahnılar haqqında məlumatlar olan datafreymi yükləyin. Kitabxanaları köçürərək və məlumatları silməklə bu datanı araşdırmağa hazır olun:
+
+ ```python
+ import matplotlib.pyplot as plt
+ import pandas as pd
+
+ df = pd.read_csv("../data/nigerian-songs.csv")
+ df.head()
+ ```
+
+ Datanın bir hissəsinı nəzər salın:
+
+ | | name | album | artist | artist_top_genre | release_date | length | popularity | danceability | acousticness | energy | instrumentalness | liveness | loudness | speechiness | tempo | time_signature |
+ | --- | ------------------------ | ---------------------------- | ------------------- | ---------------- | ------------ | ------ | ---------- | ------------ | ------------ | ------ | ---------------- | -------- | -------- | ----------- | ------- | -------------- |
+ | 0 | Sparky | Mandy & The Jungle | Cruel Santino | alternative r&b | 2019 | 144000 | 48 | 0.666 | 0.851 | 0.42 | 0.534 | 0.11 | -6.699 | 0.0829 | 133.015 | 5 |
+ | 1 | shuga rush | EVERYTHING YOU HEARD IS TRUE | Odunsi (The Engine) | afropop | 2020 | 89488 | 30 | 0.71 | 0.0822 | 0.683 | 0.000169 | 0.101 | -5.64 | 0.36 | 129.993 | 3 |
+ | 2 | LITT! | LITT! | AYLØ | indie r&b | 2018 | 207758 | 40 | 0.836 | 0.272 | 0.564 | 0.000537 | 0.11 | -7.127 | 0.0424 | 130.005 | 4 |
+ | 3 | Confident / Feeling Cool | Enjoy Your Life | Lady Donli | nigerian pop | 2019 | 175135 | 14 | 0.894 | 0.798 | 0.611 | 0.000187 | 0.0964 | -4.961 | 0.113 | 111.087 | 4 |
+ | 4 | wanted you | rare. | Odunsi (The Engine) | afropop | 2018 | 152049 | 25 | 0.702 | 0.116 | 0.833 | 0.91 | 0.348 | -6.044 | 0.0447 | 105.115 | 4 |
+
+4. `info()` metodunu çağıraraq datafreym haqqında məlumat əldə edin:
+
+ ```python
+ df.info()
+ ```
+
+ Məlumat aşağıdakı kimi görünəcək:
+
+ ```output
+ Rəy | Müsbət Rəy | Teqlər | +| -------------- | ---------------------- | ---------------- | :------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------- | ----------------------------------------------------------------------------------------- | +| 7.8 | 1945 | 2.5 | Bu hazırda otel deyil, tikinti sahəsidir. Uzun bir səfərdən sonra istirahət edərkən və otaqda işləyərkən səhər tezdən və bütün günü qəbuledilməz bina səs-küyü ilə dəhşətə gəldim. İnsanlar bütün günü bitişik otaqlarda çəkiclərlə işləyirdilər. Mən otağı dəyişmək istədim, amma səssiz otaq yox idi. Bütün bunların üzərinə məndən əlavə ödəniş də tutuldu. Növbəti gün uçuşum erkən olduğu üçün oteli gecədən tərk etdim və bunun üçün müvafiq ödəməni aldım. Bir gün sonra otel mənim razılığım olmadan rezervasiya edilmiş qiymətdən artıq ödəniş tutdu. Çox pis yerdir. Burada otaq bron etməklə özünüzə pislik etməyin | Söz yoxdur Çox pis yerdir Uzaq durun | İşgüzar səyahət Cütlük Standart İkili Otaq 2 gecə | + +Gördüyünüz kimi bu qonaq bu oteldən razı qalmayıb. Otelin yaxşı orta balı (7,8) və haqqında 1945 rəy var, lakin bu qonaq otelə 2,5 qiymət verib və onların qonaqlamasının nə qədər mənfi olduğuna dair 115 söz yazıb. Əgər onlar Positive_Review sütununda heç nə yazmasaydılar, pozitiv heç nə olmadığını təxmin etmək olardı, amma təəssüf ki, xəbərdarlıq üçün 7 söz yazıblar. Əgər sözlərin mənası və ya duyğusu əvəzinə sadəcə sözləri saysaq, rəy sahibinin niyyəti ilə bağlı yanlış istiqamətdə fikirlərə sahib ola bilərdik. Qəribədir ki, onların verdiyi 2,5 bal çaşqınlıq yaradır, çünki əgər o oteldə qalmaq belə pis idisə, niyə ümumiyyətlə, ona xal verirsiniz? Verilənlər toplusunu daha diqqətlə araşdırdıqda, mümkün olan ən aşağı balın 0 deyil, 2,5 olduğunu görəcəksiniz. Mümkün olan ən yüksək bal isə 10-dur. + +##### Teqlər + +Yuxarıda qeyd edildiyi kimi, ilk baxışdan məlumatları kateqoriyalara ayırmaq üçün `Teqlər`dən istifadə etmək fikri məntiqlidir. Təəssüf ki, bu etiketlər standartlaşdırılmayıb, yəni müəyyən bir oteldə seçimlər *Single room*, *Twin room*, və *Double room*, amma digər bir oteldə eyni otaqlar *Deluxe Single Room*, *Classic Queen Room*, və *Executive King Room* kimi fərqli adlandırılıb. Bunlar eyni şeylər ola bilər, lakin o qədər çox variasiya var ki, seçim belə olur: + +1. Bütün şərtləri vahid standarta dəyişdirməyə cəhd etmək, lakin bu çox çətindir, çünki bu halda müxtəlif növlər arasında uyğunluq bəlli deyil. (məs. *Classic single room*, *Single room* seçiminə uyğun gəlir, lakin *Superior Queen Room with Courtyard Garden or City View* seçimini standartlaşdırmaq çox daha çətindir) + +2. Biz NLP yanaşması ilə başlaya və *Solo*, *Business Traveller*, ya da *Family with young kids* kimi bəzi ifadələrin istifadə tezliyini ölçə bilər və onları tövsiyyə modelində amil olaraq nəzərə ala bilərik, çünki bunlar bütün otellər üçün uyğundur. + +Teqlər adətən (lakin həmişə deyil) *Səyahətin növü*, *Qonaqların növü*, *Otaq növü*, *Gecə sayı* və *Rəyin təqdim olunduğu cihazın növü* kimi kateqoriyalara uyğunlaşdırılan 5-6 vergüllə ayrılmış dəyərlərin siyahısından ibarət sahədir. Bununla belə bəzi rəy sahibləri hər bir sahəni doldurmadığına görə (bəzilərini doldurmaya bilirlər) dəyərlər həmişə eyni ardıcıllıqla olmur. + +Nümunə olaraq *Qrupun növü* kateqoriyasını götürək. `Teqlər` sütununda bu kateqoriya üçün 1025 unikal dəyər var və təəssüf ki, onlardan yalnız bəziləri qrup növünə istinad edir (bəziləri otaq növüdür və s.). Qrup növü olaraq yalnız ailə qeyd edənləri filtrləsəniz, nəticələrdə çoxlu *Ailə otağı* tipli otaq növü dəyərləri də olacaq. Əgər ailənin növünü də filtrə daxil etsəniz, bu zaman nəticə daha yaxşı olacaq, çünki 515 000 nəticədən 80 000-dən çoxunda "Gənc uşaqlı ailə" və ya "Yaşlı uşaqlı ailə" ifadəsi var. + +Bu o deməkdir ki, teqlər sütunu bizim üçün tamamilə yararsız deyil, lakin onu faydalı etmək üçün bir az iş lazımdır. + +##### Otelin ortalama balı + +Dataset ilə bağlı bir sıra qəribəliklər və ya uyğunsuzluqlar var ki, mən onları anlaya bilmirəm, lakin modellərinizi qurarkən onlardan xəbərdar olmanız üçün burada təsvir edilmişdir. Əgər başa düşsəniz, zəhmət olmasa müzakirə bölməsində bizə bildirin! + +Datasetdə ortalama bal və rəylərin sayı ilə bağlı aşağıdakı sütunlar var: + +1. Hotel_Name +2. Additional_Number_of_Scoring +3. Average_Score +4. Total_Number_of_Reviews +5. Reviewer_Score + +Bu datasetdə ən çox rəyi olan tək otel 515.000 rəydən 4789 rəylə *Britannia International Hotel Canary Wharf*-dır. Amma bu otel üçün `Total_Number_of_Reviews` dəyərinə baxsaq görərik ki, bu 9086-dır. Güman edə bilərsiniz ki, rəyi olmayan çoxlu qiymətləndirmə var, ona görə də bəlkə də `Additional_Number_of_Scoring` sütunundakı dəyəri bu dəyərə əlavə etmək lazımdır. Bu dəyər 2682-dir və onu 4789-a əlavə etməklə 7,471 əldə edirik ki, bu da hələ də `Total_Number_of_Reviews` sütun dəyərindən 1615 azdır. + +Əgər `Average_Score` sütun dəyərlərinə baxsaq, bunun datasetdəki balların ortalaması olduğunu güman edə bilərsiniz, lakin Kaggle-da verilən təsvir "*Otelin son bir ildəki ən son şərhə əsasən hesablanmış orta balı*" şəklindədir. Bu, o qədər də faydalı görünmür, lakin biz datasetdəki ballara əsaslanaraq öz ortalamamızı hesablaya bilərik. Nümunə olaraq eyni oteldən istifadə edərək orta otel balı 7,1 kimi verilir, lakin hesablanmış bal (datasetdə rəy sahibinin ortalama qiymətləndirməsi) 6,8-dir. Bu yaxındır, lakin eyni dəyər deyil və biz yalnız təxmin edə bilərik ki, `Additional_Number_of_Scoring` sütununda olan bal dəyərləri ortalama göstəricisini 7.1-ə yüksəldib. Təəssüf ki, bu iddianı sınamaq və ya sübut etmək üçün heç bir yol olmadığından `Average_Score`, `Additional_Number_of_Scoring` və `Total_Number_of_Reviews` sütun dəyərləri bizdə olmayan dataya əsaslandıqda və ya onlara istinad etdikdə onlardan istifadə etmək və ya onların doğruluğuna inanmaq çətindir. + +Bütün bunların üzərinə, ən çox rəy alan ikinci otelin hesablanmış orta balı 8,12 və datasetdəki `Average_Score` sütun dəyəri isə 8.1-dir. Bu düzgün hesab təsadüfdür yoxsa ilk otel datası doğru deyil? + +Bu otellərin istisna olmaları ehtimalı və bəlkə də dəyərlərin əksəriyyətinin üst-üstə düşməsi (niyəsə bəziləri üst-üstə düşmür) ehtimalı üzərinə datasetdəki dəyərlərin düzgün istifadə edilməsini (və ya edilməməsini) araşdırmaq üçün qısa proqram yazacağıq. + +> 🚨 Qeyd +> +> Bu verilənlər toplusu ilə işləyərkən siz mətni özünüz oxumadan və ya təhlil etmədən mətndən nəyisə hesablayan kod yazacaqsınız. NLP-nin mahiyyəti də elə bundan ibarətdir, insandan asılı olmadan məna və ya duyğuları analiz və şərh edir. Bununla belə, bəzi mənfi rəyləri oxumağınız mümkündür. Mən oxumamağınızın tərəfdarıyam, çünki buna məcbur deyilsiniz. Onlardan bəziləri mənasız və ya aidiyyatı olmayan mənfi otel rəyləridir, məsələn, "Hava əla deyildi", hansı ki, oteldən və ya həqiqətən də hər hansı birindən asılı olmadan baş verən bir şeydir. Ancaq bəzi rəylərin qaranlıq tərəfi də var. Bəzən mənfi rəylər irqçi, cinsiyyətçi və ya yaş ilə bağlı ayrı-seçkilik etməyə yönəlib. Bu təəssüf doğurur, lakin ictimai vebsaytdan əldə edilmiş verilənlər bazasında gözləniləndir. Bəzi rəy sahibləri xoşagəlməz, narahat və ya əsəbi hesab edə biləcəyiniz rəylər yazırlar. Kodunuzun duyğu analizi etməsinə icazə vermək, onları özünüz oxuyub üzülməkdən daha yaxşıdır. Bununla belə, bu tip rəylər azlıq təşkil edir, lakin həmişə mövcud olduğunu bilməkdə fayda var. + +## Məşğələ - Datanın təhlili +### Datanı yükləyin + +Datanı vizual olaraq bu qədər yoxlamaq kifayətdir, artıq biraz kod yazacaq və bəzi cavablar alacaqsınız! Bu hissə pandas kitabxanasını istifadə edir. İlk tapşırığınız CSV məlumatlarını yükləyə və oxuya bildiyinizə əmin olmaqdır. Pandas kitabxanasının sürətli CSV yükləyicisi var və əvvəlki dərslərdə olduğu kimi nəticə datafreymə yerləşdiriləcək. Yüklədiyimiz CSV-də yarım milyondan çox sətir, lakin cəmi 17 sütun var. Pandas sizə datafreym ilə qarşılıqlı əməliyyatlar aparmaq üçün çoxlu faydalı metodlar, o cümlədən hər sətirdə əməliyyatlar yerinə yetirmək imkanı verir. + +Bu hissədən etibarən bu dərs koddan fraqmentlər, kodun ümumi analizi və nəticələrin nə mənaya gəldiyi üzərinə aparılan müzəkirələrdən ibarət olacaq. Kodunuz üçün _notebook.ipynb_ noutbukunu istifadə edin. + +İstifadə edəcəyiniz data faylını yükləməklə başlayaq: + +```python +# Load the hotel reviews from CSV +import pandas as pd +import time +# importing time so the start and end time can be used to calculate file loading time +print("Loading data file now, this could take a while depending on file size") +start = time.time() +# df is 'DataFrame' - make sure you downloaded the file to the data folder +df = pd.read_csv('../../data/Hotel_Reviews.csv') +end = time.time() +print("Loading took " + str(round(end - start, 2)) + " seconds") +``` + +Artıq data yükləndiyinə görə biz onun üzərində bəzi əməliyyatları yerinə yetirə bilərik. Növbəti hissə üçün bu kodu proqramınızın yuxarı hissəsində saxlayın. + +## Datanı təhlil edin + +Artıq data *təmizdir*, bu isə o deməkdir ki, data onunla işlənilməyə hazırdır və yalnız ingilis simvollarını gözləyən alqoritmləri poza biləcək başqa simvollar yoxdur. + +✅ NLP üsullarını tətbiq etməzdən əvvəl onu formatlaşdırmaq üçün bəzi ilkin emal tələb edən data ilə işləməli ola bilərdiniz, lakin bu dəfə buna ehtiyac yoxdur. Əgər olsaydı, ingiliscədə istifadə olunmayan simvolların öhdəsindən necə gələrdiniz? + +Data yükləndikdən sonra onu yazdığınız kodu istifadə edərək araşdıra biləcəyinizdən əmin olun. İlk baxışdan `Negative_Review` və `Positive_Review` sütunlarına diqqəti cəmləmək daha asan görünür. Həmin sütunlar sizin NLP alqoritmlərinizin rahatlıqla işləyə biləcəyi, təbii dildə yazılmış mətnlərdən ibarətdir. Lakin gözləyin! NLP və duyğu analizinə başlamazdan əvvəl, ilk addım kimi, aşağıdakı kodu istifadə edərək datasetdəki dəyərlər ilə pandas kitabxanasını istifadə edərək hesabladığınız dəyərlərin uyğunlaşdığına əmin olun. + +## Datafreym əməliyyatları + +Bu dərsdəki ilk tapşırıq datafreymi (dəyişdirmədən) yoxlayan kod yazaraq aşağıdakı iddiaların düzgün olub-olmadığını yoxlamaqdır. + +> Bir çox proqramlaşdırma tapşırıqları kimi bu tapşırığı da başa çatdırmağın bir neçə yolu var, lakin məsləhət odur ki, bunu edə biləcəyiniz ən sadə, ən asan şəkildə edəsiniz, çünki gələcəkdə bu koda qayıtdığınız zaman onu başa düşmək daha asan olacaq. Burda istədiyinizə bir çox hallarda səmərəli şəkildə nail olmağınıza kömək ola biləcək datafreym üçün olan API-lar var. + +Aşağıdakı suallara kodlaşdırma tapşırıqları kimi baxın və həllinə baxmadan onlara cavab verməyə çalışın. + +1. İndicə yüklədiyiniz datafreymin *formasını* çap edin (burada forma deyəndə sətir və sütunların sayı nəzərdə tutulur) +2. Müxtəlif milliyətlərdən olan rəy sahibləri üçün tezliyi hesablayın: + 1. `Reviewer_Nationality` sütunu üçün neçə fərqli dəyər var və hansılardır? + 2. Datasetdə ən çox hansı milliyyətdən olan rəy sahibi var (ölkəni və rəylərin sayını çap edin)? + 3. Növbəti 10 milliyət hansıdır və tezlikləri nə qədərdir? +3. Bu 10 milliyyətdən olan rəy sahiblərinin ən çox qiymətləndirdiyi otel hansıdır? +4. Datasetdə hər bir otel üçün neçə rəy var (otellərin rəy sıxlığı necədir)? +5. Baxmayaraq ki, datasetdə hər bir otel üçün `Average_Score` sütunu var, siz də ortalama balı hesablaya bilərsiniz (bunun üçün hər bir otelin datasetdəki rəy qiymətləndirmələrinin ortalamasını hesablamaq lazımdır). Datafreymə `Calc_Average_Score` başlıqlı və hesablanmış ortalamanı göstərən yeni sütun əlavə edin. +6. Hansısa otelin eyni `Average_Score` və `Calc_Average_Score` (kəsr hissəsi onluqlara yuvarlaqlaşdırılmış) dəyəri varmı? + 1. Giriş olaraq sətir götürən və dəyərləri müqayisə edən bir Python funksiyası yazmağa çalışın və dəyərlər eyni olmadıqda mesaj çap edin. Daha sonra isə `.apply()` funksiyasını istifadə edərək yazdığınız funksiyanı digər sətirlərə də tətbiq edin. +7. `Negative_Review` sütununda neçə sətrin "No Negative" dəyəri olduğunu hesablayın və nəticəni çap edin. +8. `Positive_Review` sütununda neçə sətrin "No Positive" dəyəri olduğunu hesablayın və nəticəni çap edin. +9. Neçə sətrin `Positive_Review` sütun və "No Positive" dəyəri, **və** neçəsinin `Negative_Review` sütun və "No Negative" dəyəri olduğunu hesablayın və nəticəni çap edin. + +### Kodlaşdırma tapşırıqlarına cavablar + +1. İndicə yüklədiyiniz datafreymin *formasını* çap edin (burada forma deyəndə sətir və sütunların sayı nəzərdə tutulur) + + ```python + print("The shape of the data (rows, cols) is " + str(df.shape)) + > The shape of the data (rows, cols) is (515738, 17) + ``` + +2. Müxtəlif milliyətlərdən olan rəy sahibləri üçün tezliyi hesablayın: + + 1. `Reviewer_Nationality` sütunu üçün neçə fərqli dəyər var və hansılardır? + 2. Datasetdə ən çox hansı milliyyətdən olan rəy sahibi var (ölkəni və rəylərin sayını çap edin)? + + ```python + # value_counts() creates a Series object that has index and values in this case, the country and the frequency they occur in reviewer nationality + nationality_freq = df["Reviewer_Nationality"].value_counts() + print("There are " + str(nationality_freq.size) + " different nationalities") + # print first and last rows of the Series. Change to nationality_freq.to_string() to print all of the data + print(nationality_freq) + + There are 227 different nationalities + United Kingdom 245246 + United States of America 35437 + Australia 21686 + Ireland 14827 + United Arab Emirates 10235 + ... + Comoros 1 + Palau 1 + Northern Mariana Islands 1 + Cape Verde 1 + Guinea 1 + Name: Reviewer_Nationality, Length: 227, dtype: int64 + ``` + + 3. Növbəti 10 milliyət hansıdır və tezlikləri nə qədərdir? + + ```python + print("The highest frequency reviewer nationality is " + str(nationality_freq.index[0]).strip() + " with " + str(nationality_freq[0]) + " reviews.") + # Notice there is a leading space on the values, strip() removes that for printing + # What is the top 10 most common nationalities and their frequencies? + print("The next 10 highest frequency reviewer nationalities are:") + print(nationality_freq[1:11].to_string()) + + The highest frequency reviewer nationality is United Kingdom with 245246 reviews. + The next 10 highest frequency reviewer nationalities are: + United States of America 35437 + Australia 21686 + Ireland 14827 + United Arab Emirates 10235 + Saudi Arabia 8951 + Netherlands 8772 + Switzerland 8678 + Germany 7941 + Canada 7894 + France 7296 + ``` + +3. Bu 10 milliyyətdən olan rəy sahiblərinin ən çox qiymətləndirdiyi otel hansıdır? + + ```python + # What was the most frequently reviewed hotel for the top 10 nationalities + # Normally with pandas you will avoid an explicit loop, but wanted to show creating a new dataframe using criteria (don't do this with large amounts of data because it could be very slow) + for nat in nationality_freq[:10].index: + # First, extract all the rows that match the criteria into a new dataframe + nat_df = df[df["Reviewer_Nationality"] == nat] + # Now get the hotel freq + freq = nat_df["Hotel_Name"].value_counts() + print("The most reviewed hotel for " + str(nat).strip() + " was " + str(freq.index[0]) + " with " + str(freq[0]) + " reviews.") + + The most reviewed hotel for United Kingdom was Britannia International Hotel Canary Wharf with 3833 reviews. + The most reviewed hotel for United States of America was Hotel Esther a with 423 reviews. + The most reviewed hotel for Australia was Park Plaza Westminster Bridge London with 167 reviews. + The most reviewed hotel for Ireland was Copthorne Tara Hotel London Kensington with 239 reviews. + The most reviewed hotel for United Arab Emirates was Millennium Hotel London Knightsbridge with 129 reviews. + The most reviewed hotel for Saudi Arabia was The Cumberland A Guoman Hotel with 142 reviews. + The most reviewed hotel for Netherlands was Jaz Amsterdam with 97 reviews. + The most reviewed hotel for Switzerland was Hotel Da Vinci with 97 reviews. + The most reviewed hotel for Germany was Hotel Da Vinci with 86 reviews. + The most reviewed hotel for Canada was St James Court A Taj Hotel London with 61 reviews. + ``` + +4. Datasetdə hər bir otel üçün neçə rəy var (otellərin rəy sıxlığı necədir)? + + ```python + # First create a new dataframe based on the old one, removing the uneeded columns + hotel_freq_df = df.drop(["Hotel_Address", "Additional_Number_of_Scoring", "Review_Date", "Average_Score", "Reviewer_Nationality", "Negative_Review", "Review_Total_Negative_Word_Counts", "Positive_Review", "Review_Total_Positive_Word_Counts", "Total_Number_of_Reviews_Reviewer_Has_Given", "Reviewer_Score", "Tags", "days_since_review", "lat", "lng"], axis = 1) + + # Group the rows by Hotel_Name, count them and put the result in a new column Total_Reviews_Found + hotel_freq_df['Total_Reviews_Found'] = hotel_freq_df.groupby('Hotel_Name').transform('count') + + # Get rid of all the duplicated rows + hotel_freq_df = hotel_freq_df.drop_duplicates(subset = ["Hotel_Name"]) + display(hotel_freq_df) + ``` + | Hotel_Name | Total_Number_of_Reviews | Total_Reviews_Found | + | :----------------------------------------: | :---------------------: | :-----------------: | + | Britannia International Hotel Canary Wharf | 9086 | 4789 | + | Park Plaza Westminster Bridge London | 12158 | 4169 | + | Copthorne Tara Hotel London Kensington | 7105 | 3578 | + | ... | ... | ... | + | Mercure Paris Porte d Orleans | 110 | 10 | + | Hotel Wagner | 135 | 10 | + | Hotel Gallitzinberg | 173 | 8 | + + `Total_Number_of_Reviews` sütunundakı dəyərlərin *datasetdə tapılan* nəticələr ilə uyğunlaşmadığını görə bilərsiniz. Bizə məlum deyil ki, bu dəyər otelə aid olan bütün rəylərin sayını göstərir (lakin bütün rəylər saytdan əldə edilməmişdir), yoxsa başqa hesablamanın nəticəsidir. Bu qeyri-müəyyənliyə görə `Total_Number_of_Reviews` sütunu modeldə istifadə edilməmişdir. + +5. Baxmayaraq ki datasetdə hər bir otel üçün `Average_Score` sütunu var, siz də ortalama balı hesablaya bilərsiniz (bunun üçün hər bir otelin datasetdəki rəy qiymətləndirmələrinin ortalamasını hesablamaq lazımdır). Datafreymə `Calc_Average_Score` başlıqlı və hesablanmış ortalamanı göstərən yeni sütun əlavə edin. `Hotel_Name`, `Average_Score` və `Calc_Average_Score` sütunlarını çap edin. + + ```python + # define a function that takes a row and performs some calculation with it + def get_difference_review_avg(row): + return row["Average_Score"] - row["Calc_Average_Score"] + + # 'mean' is mathematical word for 'average' + df['Calc_Average_Score'] = round(df.groupby('Hotel_Name').Reviewer_Score.transform('mean'), 1) + + # Add a new column with the difference between the two average scores + df["Average_Score_Difference"] = df.apply(get_difference_review_avg, axis = 1) + + # Create a df without all the duplicates of Hotel_Name (so only 1 row per hotel) + review_scores_df = df.drop_duplicates(subset = ["Hotel_Name"]) + + # Sort the dataframe to find the lowest and highest average score difference + review_scores_df = review_scores_df.sort_values(by=["Average_Score_Difference"]) + + display(review_scores_df[["Average_Score_Difference", "Average_Score", "Calc_Average_Score", "Hotel_Name"]]) + ``` + + Sizə `Average_Score` sütunundakı dəyər və bu dəyərin bəzən niyə hesablanmış ortalama baldan fərqli olduğu maraqlı ola bilər. Niyə bəzi dəyərlərin üst-üstə düşüb, digərlərinin isə fərqləndiyini bilmədiyimiz üçün ortalama balını özümüzün hesablamalı olduğumuz rəy qiymətləndirmələrini istifadə etmək ən doğrusudur. Bununla belə, fərqliliklər adətən çox kiçikdir və aşağıda datasetdəki ortalama rəy dəyəri ilə hesablanmış ortalama rəy dəyəri ən çox fərqlənən otellər göstərilib: + + | Average_Score_Difference | Average_Score | Calc_Average_Score | Hotel_Name | + | :----------------------: | :-----------: | :----------------: | ------------------------------------------: | + | -0.8 | 7.7 | 8.5 | Best Western Hotel Astoria | + | -0.7 | 8.8 | 9.5 | Hotel Stendhal Place Vend me Paris MGallery | + | -0.7 | 7.5 | 8.2 | Mercure Paris Porte d Orleans | + | -0.7 | 7.9 | 8.6 | Renaissance Paris Vendome Hotel | + | -0.5 | 7.0 | 7.5 | Hotel Royal Elys es | + | ... | ... | ... | ... | + | 0.7 | 7.5 | 6.8 | Mercure Paris Op ra Faubourg Montmartre | + | 0.8 | 7.1 | 6.3 | Holiday Inn Paris Montparnasse Pasteur | + | 0.9 | 6.8 | 5.9 | Villa Eugenie | + | 0.9 | 8.6 | 7.7 | MARQUIS Faubourg St Honor Relais Ch teaux | + | 1.3 | 7.2 | 5.9 | Kube Hotel Ice Bar | + + Sadəcə bir oteldə bu fərq 1-dən böyük olduğundan fərqi nəzərə almayıb hesablanmış ortalama qiymətləndirməni istifadə edə bilərik. + +6. `Negative_Review` sütununda neçə sətrin "No Negative" dəyəri olduğunu hesablayın və nəticəni çap edin. + +7. `Positive_Review` sütununda neçə sətrin "No Positive" dəyəri olduğunu hesablayın və nəticəni çap edin. + +8. Neçə sətrin `Positive_Review` sütun və "No Positive" dəyəri, **və** neçəsinin `Negative_Review` sütun və "No Negative" dəyəri olduğunu hesablayın və nəticəni çap edin. + + ```python + # with lambdas: + start = time.time() + no_negative_reviews = df.apply(lambda x: True if x['Negative_Review'] == "No Negative" else False , axis=1) + print("Number of No Negative reviews: " + str(len(no_negative_reviews[no_negative_reviews == True].index))) + + no_positive_reviews = df.apply(lambda x: True if x['Positive_Review'] == "No Positive" else False , axis=1) + print("Number of No Positive reviews: " + str(len(no_positive_reviews[no_positive_reviews == True].index))) + + both_no_reviews = df.apply(lambda x: True if x['Negative_Review'] == "No Negative" and x['Positive_Review'] == "No Positive" else False , axis=1) + print("Number of both No Negative and No Positive reviews: " + str(len(both_no_reviews[both_no_reviews == True].index))) + end = time.time() + print("Lambdas took " + str(round(end - start, 2)) + " seconds") + + Number of No Negative reviews: 127890 + Number of No Positive reviews: 35946 + Number of both No Negative and No Positive reviews: 127 + Lambdas took 9.64 seconds + ``` + +## Başqa üsul + +Digər bir üsul Lambdas istifadə etmədən sözügedən dəyərləri saymaq və cəmləməklə sətirləri saymaqdır: + + ```python + # without lambdas (using a mixture of notations to show you can use both) + start = time.time() + no_negative_reviews = sum(df.Negative_Review == "No Negative") + print("Number of No Negative reviews: " + str(no_negative_reviews)) + + no_positive_reviews = sum(df["Positive_Review"] == "No Positive") + print("Number of No Positive reviews: " + str(no_positive_reviews)) + + both_no_reviews = sum((df.Negative_Review == "No Negative") & (df.Positive_Review == "No Positive")) + print("Number of both No Negative and No Positive reviews: " + str(both_no_reviews)) + + end = time.time() + print("Sum took " + str(round(end - start, 2)) + " seconds") + + Number of No Negative reviews: 127890 + Number of No Positive reviews: 35946 + Number of both No Negative and No Positive reviews: 127 + Sum took 0.19 seconds + ``` + + 127 sətr üçün `Negative_Review` və `Positive_Review` sütunlarında müvafiq olaraq həm "No Negative", həm də "No Positive" dəyərlərinin olduğunu görmüş ola bilərsiniz. Bu o deməkdir ki, qonaq oteli ədədi olaraq qiymətləndirib, lakin nə mənfi nə də müsbət rəy yazıb. Xoşbəxtlikdən belə sətirlərin sayı azdır (127/515738, hansı ki 0.02% təşkil edir), ona görə də böyük ehtimalla bu sətirlər bizim modeli hansısa yanlış istiqamətdə yönləndirməyəcək. Bununla belə, rəylərin datasetində rəy olmayan sətirlərin olması təbii olaraq gözlənilməz olduğundan, datanı təhlil etmək həmişə vacibdir. + +Datasetin təhlilini bitirdiyinizə görə artıq növbəti dərsdə datanı filtrləyəcək və data üzərində duyğu analizi aparacaqsınız. + +--- +## 🚀 Məşğələ + +Bu dərs, əvvəlki dərslərdə də gördüyümüz kimi data üzərində əməliyyatlar etməzdən əvvəl onun özünü və çatışmazlıqlarını başa düşməyin nə qədər vacib olduğunu nümayiş etdirir. Xüsusilə də mətnə əsaslanan data diqqətlə araşdırılır. Müxtəlif mətn ağırlıqlı datasetləri araşdırın və modeldə qərəzli və ya başqa istiqamətə yönəldən duyğu yarada biləcək hissələri aşkar edə bilib-bilmədiyinizə baxın. + +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/38/?loc=az) + +## Təkrarlayın və özünüz öyrənin + +Nitq və mətn ağırlıqlı modellər yaradarkən müxtəlif alətlərlə tanış olmaq üçün [NLP üzrə olan bu təlim toplusunu](https://docs.microsoft.com/learn/paths/explore-natural-language-processing/?WT.mc_id=academic-77952-leestott) sınayın. + +## Tapşırıq + +[NLTK](assignment.az.md) diff --git a/6-NLP/4-Hotel-Reviews-1/translations/assignment.az.md b/6-NLP/4-Hotel-Reviews-1/translations/assignment.az.md new file mode 100644 index 0000000000..d76dc377ef --- /dev/null +++ b/6-NLP/4-Hotel-Reviews-1/translations/assignment.az.md @@ -0,0 +1,5 @@ +# NLTK + +## Təlimatlar + +NLTK kompüter dilçiliyi və NLP üçün olan məşhur kitabxanadır. Fürsətdən istifadə edərək '[NLTK kitabını](https://www.nltk.org/book/)' oxuyun və məşğələləri nəzərdən keçirin. Bu tapşırıq qiymətləndirilməyəcək, lakin siz bu kitabxananı daha dərindən öyrənə biləcəksiniz. diff --git a/6-NLP/5-Hotel-Reviews-2/translations/README.az.md b/6-NLP/5-Hotel-Reviews-2/translations/README.az.md new file mode 100644 index 0000000000..d7f18383d8 --- /dev/null +++ b/6-NLP/5-Hotel-Reviews-2/translations/README.az.md @@ -0,0 +1,375 @@ +# Otel rəyləri ilə fikir analizi + +Sən artıq dataseti ətraflı kəşf etmisən və indi sütunları filtrasiya edərək yeni məlumatlar toplamaq üçün NLP texnikalarını tətbiq edəcəksən. + +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/39/?loc=az) + +### Filtrasiya və fikir analizi əməliyyatları + +Sən yəqin datasetin bəzi problemləri olduğuna şahid olmusan. Bəzi sütunlar mənasız və düzgün olmayan məlumatlarla doldurulub. Əgər onlar doğrudurlarsa, onları necə hesablamalı olduğumuz aydın deyil və azad şəkildə öz hesablamalarımızla cavab əldə edə bilməyəcəyik. + +## Tapşırıq: datanı biraz emal et + +Datanı biraz təmizlə. Sonradan faydalı ola biləcək sütunlar əlavə et, digər sütunlardakı məlumatları dəyiş və bəzi sütunları ümumiyyətlə ləğv et. + +1. İlkin sütun emalı + + 1. `lat` və `lng` sütunlarını silin + + 2. `Hotel_Address` dəyərlərini aşağıdakı dəyərlərlə dəyiş (əgər ünvanda seçilmiş şəhər və ölkə adından biri varsa, onları sadəcə şəhər və ölkə adı birləşməsinə dəyiş). + + Datasetdə yalnız bu şəhər və ölkələr vardır: + + Amsterdam, Netherlands + + Barcelona, Spain + + London, United Kingdom + + Milan, Italy + + Paris, France + + Vienna, Austria + + ```python + def replace_address(row): + if "Netherlands" in row["Hotel_Address"]: + return "Amsterdam, Netherlands" + elif "Barcelona" in row["Hotel_Address"]: + return "Barcelona, Spain" + elif "United Kingdom" in row["Hotel_Address"]: + return "London, United Kingdom" + elif "Milan" in row["Hotel_Address"]: + return "Milan, Italy" + elif "France" in row["Hotel_Address"]: + return "Paris, France" + elif "Vienna" in row["Hotel_Address"]: + return "Vienna, Austria" + + # Bütün ünvanları daha qısa və yararlı dəyərlərlə əvəzlə + df["Hotel_Address"] = df.apply(replace_address, axis = 1) + # value_counts() cəmi yekun rəy sayına bərabər olmalıdır + print(df["Hotel_Address"].value_counts()) + ``` + + Artıq ölkə səviyyəsində sorğu yarada bilərsən: + + ```python + display(df.groupby("Hotel_Address").agg({"Hotel_Name": "nunique"})) + ``` + + | Hotel_Address | Hotel_Name | + | :--------------------- | :--------: | + | Amsterdam, Netherlands | 105 | + | Barcelona, Spain | 211 | + | London, United Kingdom | 400 | + | Milan, Italy | 162 | + | Paris, France | 458 | + | Vienna, Austria | 158 | + +2. Otel rəyləri ilə əlaqəli sütunları emal et + + 1. `Additional_Number_of_Scoring` sütununu sil + + 1. `Total_Number_of_Reviews` sütunundakı dəyərləri otelin cari datasetdəki rəylərin ümumi sayı ilə əvəz et + + 1. `Average_Score` öz hesabladığımız orta bal ilə əvəz et + + ```python + # `Additional_Number_of_Scoring` sil + df.drop(["Additional_Number_of_Scoring"], axis = 1, inplace=True) + # `Total_Number_of_Reviews` və `Average_Score` öz hesabladığımız dəyərlə əvəzlə + df.Total_Number_of_Reviews = df.groupby('Hotel_Name').transform('count') + df.Average_Score = round(df.groupby('Hotel_Name').Reviewer_Score.transform('mean'), 1) + ``` + +3. Rəy sütunlarını emal et + + 1. `Review_Total_Negative_Word_Counts`, `Review_Total_Positive_Word_Counts`, `Review_Date` və `days_since_review` sütunlarını sil + + 2. `Reviewer_Score`, `Negative_Review`, və `Positive_Review` olduğu kimi saxla, + + 3. `Tags` hələlik saxla + + - Biz növbəti fikirədə tqqlar üzərində bəzi filtrasiya əməliyyatları aparacağıq və spnra tqqları siləcəyik + +4. Rəybildirən sütununu sil + + 1. `Total_Number_of_Reviews_Reviewer_Has_Given` sil + + 2. `Reviewer_Nationality` saxla + +### Teq sütunları + +`Tag` sütunu daxilində mətnləri siyahı kimi saxladığı üçün problemlidir. Təəssüf ki, bu sütun daxilindəki dəyərlərin sırası və sayı həmişə eyni olmur. Bu halda insan tərəfindən ona maraqlı olan və düzgün sözü tapmaq çətinləşir, çünki burada 515,000 sətir, 1427 otel və hər birində rəybildirənin seçimləri çox az fərqlənir. Burada NLP öz sözünü deyir. Sən mətnləri skan edə və ən çox istifadə olunan sözləri seçə və saya bilərsən. + +Təəssüf ki, biz 1 söz yerinə çoxlu söz birləşməsi ilə maraqlanırıq (misal üçün, *Biznes səyahəti*). Çoxlu söz birləşmələrinin istifadə tezliyinin paylanma alqoritmini bu qədər böyük data (6762646 söz) üzərində icra etmək ağlasığmaz qədər vaxt aparar, lakin bütün data üzərindən keçmədən bunu etmək də mümkün deyil. Burada kəşfiyyatçı data analizi köməyimizə çata bilər, çünki bizim əlimizdə artıq `[' Biznes səyahəti ', ' Yalnız səyahətçi ', ' Tək otaq ', ' 5 günlük qalmaq ', ' Mobil cihazdan sorğulanıb ']` kimi nümunə teqlər var və bunlar bizim emal üçün lazım olan zamanı kifayət qədər aşağı salacaq. Bunu bildiyimiz üçün şanslıyıq, lakin bizə maraqlı olan teqlərı təyin etmək üçün bəzi addımları izləməliyik. + +### Teqlərin filtrasiyası + +Yadda saxlayaq ki, datasetin məqsədi sənin ən yaxşı oteli seçməyinə kömək etməsi üçün fikir və sütunlar əlavə etməkdir (özün və ya müştərin üçün otel tövsiyyəsi edəcək bot hazırlamaq kimi tapşırığın var). Özünə hansı teqlərin yekun datasetdə mənalı olub-olmayacağı barədə sual ver. Nümunə bir ssenari (əgər sənə başqa məqsəqlər üçün dataset lazımdırsa, hansı teqləri əlavə edə və ya çıxarmağın öz əlindədir): + +1. Hansı növ səyahət uyğundursa, onlar qalmalıdır +2. Qonaq qrupunun tipi vacibdirsə, onlar qalmalıdır +3. Qonağın qaldığı məkanın növü (otaq, ev, studio) maraqlı deyil (bütün otellərdə, demək olar ki, eyni otaqlar var) +4. Hansı cihazdan rəy bildirməsi maraqlı deyil +5. Əgər uzun müddətli səyahətlə maraqlanırsansa, rəybildirənin neçə gecə qaldığı maraqlı *ola bilər*, lakin bu əlavə məsələlərdir, çox güman ki, uyğun olmayacaq + +Yekun olaraq **2 teq növünü saxla və digərlərini sil**. + +İlkin olaraq teqlərin daha yaxşı formata salmamış saymaq istəməyəcəksən, yəni mötərizələri və dırnaq işarələrini silməyin lazımdır. Bunu bir neçə üsulla edə bilərsən, lakin sənə bu qədər çox datanı çox vaxt sərf etmədən sürətli həll etmək lazımdır. Pandas kitabxanasında bu addımların hər birini icra etmək üçün asan yollar var. + +```Python +# Açılan və bağlanan mötərizələri sil +df.Tags = df.Tags.str.strip("[']") +# Həmçinin dırnaqları da sil +df.Tags = df.Tags.str.replace(" ', '", ",", regex = False) +``` + +Hər teq buna bənzər bir hala çevriləcək: `Business trip, Solo traveler, Single Room, Stayed 5 nights, Submitted from a mobile device`. + +İndi başqa bir bir problemlə üzləşirik. Rəylərin (sətirlərin) bəzilərində 5, bəzilərində 3, digərlərində 6 sütun var. Dataset özü belə yaradılıb və bunu həll etmək çətindir. Hər bir sözün istifadə tezliyini saymaq istəyirsən, lakin onlar hər rəydə fərqli sıradadır. Sıralamanın standart olmaması otellərə daha layiqli olduğu teqləri mənsub etməkdə çətinlik yaradır. + +Bunun yerinə biz sıralamanı özümüzə sərf edən vəziyyətə çevirə bilərik. Belə ki, hər teq söz birləşməsindən ibarət olsa da vergüllə ayrılır! Ən sadə yolu müvəqqəti olaraq 6 sütun yaradıb hər birinə teq əlavə edə bilərik. Bundan sonra biz 6 sütunu böyük bir sütun içinə birləşdirə və `value_counts()` funksiyası ilə saya bilərik. Bunu icra etdikdən sonra 2428 vahid teq olduğunu görəcəksən. Kiçik nümunə: + +| Tag | Count | +| ------------------------------ | ------ | +| Leisure trip | 417778 | +| Submitted from a mobile device | 307640 | +| Couple | 252294 | +| Stayed 1 night | 193645 | +| Stayed 2 nights | 133937 | +| Solo traveler | 108545 | +| Stayed 3 nights | 95821 | +| Business trip | 82939 | +| Group | 65392 | +| Family with young children | 61015 | +| Stayed 4 nights | 47817 | +| Double Room | 35207 | +| Standard Double Room | 32248 | +| Superior Double Room | 31393 | +| Family with older children | 26349 | +| Deluxe Double Room | 24823 | +| Double or Twin Room | 22393 | +| Stayed 5 nights | 20845 | +| Standard Double or Twin Room | 17483 | +| Classic Double Room | 16989 | +| Superior Double or Twin Room | 13570 | +| 2 rooms | 12393 | + +`Submitted from a mobile device` kimi ümumi teqlərin bəziləri bizə əhəmiyyətli deyil. Belə teqləri silmək daha ağıllı bir addım kimi görünsə də, əməlliyyatlarımızın sürətinin çox olması bunu etməyi gərəksiz edir. + +### Qonaqlama günlərini silmək + +Bu teqləri silmək birinci addımdır və bizə lazım olan teqlərin sayını azaltmaqda kömək edəcək. Diqqətdə saxlamaq lazımdır ki, biz bu məlumatlarını datasetdən silmirik, sadəcə emal etdiyimiz rəylər datasetində ancaq saymaq üçün lazım olanları saxlayırıq. + +| Length of stay | Count | +| ---------------- | ------ | +| Stayed 1 night | 193645 | +| Stayed 2 nights | 133937 | +| Stayed 3 nights | 95821 | +| Stayed 4 nights | 47817 | +| Stayed 5 nights | 20845 | +| Stayed 6 nights | 9776 | +| Stayed 7 nights | 7399 | +| Stayed 8 nights | 2502 | +| Stayed 9 nights | 1293 | +| ... | ... | + +Burada müxtəlif sayda otaqlar, suitlər, evlər, studiyalar və s. var. Bunların hamısı demək olar ki, eyni məna daşıyırlar, buna görə onları da silək. + +| Type of room | Count | +| ----------------------------- | ----- | +| Double Room | 35207 | +| Standard Double Room | 32248 | +| Superior Double Room | 31393 | +| Deluxe Double Room | 24823 | +| Double or Twin Room | 22393 | +| Standard Double or Twin Room | 17483 | +| Classic Double Room | 16989 | +| Superior Double or Twin Room | 13570 | + +Yekun olaraq bu zövqlü emaldan sonra bizə aşağıdakı *faydalı* teqlər qaldı: + +| Tag | Count | +| --------------------------------------------- | ------ | +| Leisure trip | 417778 | +| Couple | 252294 | +| Solo traveler | 108545 | +| Business trip | 82939 | +| Group (combined with Travellers with friends) | 67535 | +| Family with young children | 61015 | +| Family with older children | 26349 | +| With a pet | 1405 | + +`Travellers with friends` və `Group` teqləri bir-birinə çox yaxındır düşünə və ədalətli olması üçün bunları birləşdirə də bilərsən. Düzgün teqlərin təyin olması üçün yazılmış kodu [Teqlər notbukundan](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) əldə edə bilərsən. + +Son addımımız hər teq üçün yeni sütunun yaradılması olacaq. Bundan sonra hər bir rəy sətirində `Tag` sütununa uyğun gəldiyi halda 1 əlavə edəcəksən, gəlmədiyi zaman isə 0. Yekun nəticədə bu saylar istifadəçilərə otelin hansı məqsəd üçün daha uyğun olduğunu təyin etməyə faydalı olacaq, misal üçün daha işgüzar yoxsa istirahət səfərləri üçün uyğun olduğunu və ya ev heyvanına icazə verildiyini biləcəklər. + +```python +# Process the Tags into new columns +# The file Hotel_Reviews_Tags.py, identifies the most important tags +# Leisure trip, Couple, Solo traveler, Business trip, Group combined with Travelers with friends, +# Family with young children, Family with older children, With a pet +df["Leisure_trip"] = df.Tags.apply(lambda tag: 1 if "Leisure trip" in tag else 0) +df["Couple"] = df.Tags.apply(lambda tag: 1 if "Couple" in tag else 0) +df["Solo_traveler"] = df.Tags.apply(lambda tag: 1 if "Solo traveler" in tag else 0) +df["Business_trip"] = df.Tags.apply(lambda tag: 1 if "Business trip" in tag else 0) +df["Group"] = df.Tags.apply(lambda tag: 1 if "Group" in tag or "Travelers with friends" in tag else 0) +df["Family_with_young_children"] = df.Tags.apply(lambda tag: 1 if "Family with young children" in tag else 0) +df["Family_with_older_children"] = df.Tags.apply(lambda tag: 1 if "Family with older children" in tag else 0) +df["With_a_pet"] = df.Tags.apply(lambda tag: 1 if "With a pet" in tag else 0) + +``` + +### Faylı yadda saxla + +Nəhayət ki, dataseti yadda saxlayıb yeni oyuna başlaya bilərsən + +```python +df.drop(["Review_Total_Negative_Word_Counts", "Review_Total_Positive_Word_Counts", "days_since_review", "Total_Number_of_Reviews_Reviewer_Has_Given"], axis = 1, inplace=True) + +# yeni datanın hesablanmış sütunlarla yadda saxlanılması +print("Saving results to Hotel_Reviews_Filtered.csv") +df.to_csv(r'../data/Hotel_Reviews_Filtered.csv', index = False) +``` + +## Fikir analizi əməliyyatları + +Bu son bölmədə rəy sütunlarına fikir analizi tətbiq edib nəticələri datasetdə saxlayacağıq. + +## Tapşırıq: filtrlənmiş datanı yüklə və yadda saxla + +Nəzərə al ki, sən indi son bölmədən əldə olunmuş filtrlənmiş dataseti yükləyirsən, orijinal dataseti **yox**. + +```python +import time +import pandas as pd +import nltk as nltk +from nltk.corpus import stopwords +from nltk.sentiment.vader import SentimentIntensityAnalyzer +nltk.download('vader_lexicon') + +# CSV faylından filtlənmiş otel rəylərini yüklə +df = pd.read_csv('../../data/Hotel_Reviews_Filtered.csv') + +# Sənin kodun bura daxil edilməlidir + + +# Son olaraq xatırla ki, otel rəylərini yeni NLP data əlavə edib yadda saxlamalısan +print("Saving results to Hotel_Reviews_NLP.csv") +df.to_csv(r'../data/Hotel_Reviews_NLP.csv', index = False) +``` + +### Stop sözlərin silinməsi + +Əgər sən Mənfi və Müsbət rəy sütunları üzərində Fikir Analizi aparırsansa, bu çox çəkə bilər. Güclü notbukların sürətli CPU komponenti ilə test edilib ki, istifadə olunan fikir analizi kitabxanasından asılı olaraq bu 12-14 dəqiqə çəkə bilir. Bu (nisbətən) çox zamandır, buna görə əməliyyatları necə sürətləndirə biləcəyimiz barədə düşünməyə dəyər. + +Stop sözləri və ya cümlənin məqsədini dəyişdirməyən ümumi İnglis sözlərini silmək birinci addım olacaq. Bunları yığışdırmaqla fikir analizimiz daha sürətli icra olunacaq və dəqiqlikdə geri qalmayacaq (stop sözlər cümlənin əsas fikrini dəyişmir, sadəcə analizin sürətini yavaşladır). + +Ən uzun mənfi rəy 395 sözdür, lakin stop sözləri yığışdırdıqdan sonra bu 195 oldu. + +Stop sözləri silmək özü sürətli əməliyyatdır, 515,000 sətirlik data içində 2 rəy sütunundan stop sözlərin silinməsi test komputerində 3.3 saniyə çəkdi. Bu sənin cihazının CPU sürətindən, RAM və SSD olub-olmamasından və digər faktorlardan asılı olaraq aşağı-yuxarı cüzi olaraq fərq edə bilər. Əməliyyatın nisbi qısalığı fikir analizinin daha da yaxşılaşdırdığını və bunu etməyə dəydiyini göstərir. + +```python +from nltk.corpus import stopwords + +# CSV fayldan otel rəylərini yüklə +df = pd.read_csv("../../data/Hotel_Reviews_Filtered.csv") + +# Stop sözləri sil - çox sözlərə görə yavaş ola bilər! +# Ryan Xanın (ryanxjhan Kaggle-da) stop sözlərin silinməsində müxtəlif yanaşmaların performans fərqləri barədə dəyərli məqaləsi vardır +# https://www.kaggle.com/ryanxjhan/fast-stop-words-removal # Ryanın tövsiyyəsinə uyğun olaraq bu yanaşmanı tətbiq edirik +start = time.time() +cache = set(stopwords.words("english")) +def remove_stopwords(review): + text = " ".join([word for word in review.split() if word not in cache]) + return text + +# Stop sözləri hər iki sütundan sil +df.Negative_Review = df.Negative_Review.apply(remove_stopwords) +df.Positive_Review = df.Positive_Review.apply(remove_stopwords) +``` + +### Fikir analizinin aparılması + +Artıq sən həm mənfi, həm də müsbət rəylərdə fikir analizi apara və nəticələri 2 yeni sütunda saxlaya bilərsən. Fikirlərin yoxlanılması rəy verənin həmin rəyə verdiyi bala uyğunluğunu müqayisə üçün istifadə olunacaq. Misal üçün, əgər fikir analizi nəticəsində mənfi rəyin fikrini 1 kimi qiymətləndirsə (çox müsbət fikir kimi) və ya müsbət rəyin fikrini 1 kimi qiymətləndirsə, lakin rəy verən otelə mümkün ən aşağı balı veribsə, deməli ya rəy verənin mətni verdiyi bala uyğun gəlmir, ya da bizim fikir analizimiz düzgün icra olunmayıb. Sən fikir analizindən çıxan nəticənin tam səhv ola biləcəyi ehtimalını qəbul etməlisən və bunu izah da etmək mümkündür. Misal üçün, rəyin özü çox kinayəli ola bilər - "Təbii ki mən istilik sistemi olmayan otaqda yatmağı ÇOX sevdim" və fikir analizimiz bunu təcrübəli insandan fərqli olaraq müsbət rəy kimi qəbul edə bilər. + +NLTK müxtəlif fikir analizi edən funksiyalar təmin edir və sən onların nəticələnin nə qədər yaxşı və ya pis olduğunuz yoxlayaraq öyrənə bilərsən. Burada VADER fikir analiz üsulu istifadə olunmuşdur. + +> Hutto, C.J. & Gilbert, E.E. (2014). VADER: Sosial Media Mətninin Fikir Təhlili üçün Parsimon Qaydaya əsaslanan Model. Vebloqlar və Sosial Media üzrə Səkkizinci Beynəlxalq Konfrans (ICWSM-14). Ann Arbor, MI, İyun 2014. + +```python +from nltk.sentiment.vader import SentimentIntensityAnalyzer + +# Create the vader sentiment analyser (there are others in NLTK you can try too) +vader_sentiment = SentimentIntensityAnalyzer() +# Hutto, C.J. & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Eighth International Conference on Weblogs and Social Media (ICWSM-14). Ann Arbor, MI, June 2014. + +# There are 3 possibilities of input for a review: +# It could be "No Negative", in which case, return 0 +# It could be "No Positive", in which case, return 0 +# It could be a review, in which case calculate the sentiment +def calc_sentiment(review): + if review == "No Negative" or review == "No Positive": + return 0 + return vader_sentiment.polarity_scores(review)["compound"] +``` +Daha sonra fikir analizi hesablamasını hər rəy üçün aşağıdakı kimi tətbiq edə bilərsən: + +```python +# Add a negative sentiment and positive sentiment column +print("Calculating sentiment columns for both positive and negative reviews") +start = time.time() +df["Negative_Sentiment"] = df.Negative_Review.apply(calc_sentiment) +df["Positive_Sentiment"] = df.Positive_Review.apply(calc_sentiment) +end = time.time() +print("Calculating sentiment took " + str(round(end - start, 2)) + " seconds") +``` + +Bu bizim kompüterimizdə təxmini 120 saniyə çəkdi, lakin bu hər cihaza uyğun dəyişə bilər. Əgər nəticələri çap edib rəylərin fikirlərlə uyğunlaşmasını yoxlamaq istəyirsənsə, aşağıdakı kodu tətbiq edə bilərsən: + +```python +df = df.sort_values(by=["Negative_Sentiment"], ascending=True) +print(df[["Negative_Review", "Negative_Sentiment"]]) +df = df.sort_values(by=["Positive_Sentiment"], ascending=True) +print(df[["Positive_Review", "Positive_Sentiment"]]) +``` +Bu faylı tapşırıqda istifadə etməzdən əvvəl ediləcək ən son şey bunun yadda saxlamaqdır! Sən həmçinin bütün yeni sütunları daha rahat istifadə edilə bilməsi üçün yerlərini dəyişə bilərsən (bu yalnız insanlar üçün olan kosmetik dəyişiklikdir). + +```python +# Reorder the columns (This is cosmetic, but to make it easier to explore the data later) +df = df.reindex(["Hotel_Name", "Hotel_Address", "Total_Number_of_Reviews", "Average_Score", "Reviewer_Score", "Negative_Sentiment", "Positive_Sentiment", "Reviewer_Nationality", "Leisure_trip", "Couple", "Solo_traveler", "Business_trip", "Group", "Family_with_young_children", "Family_with_older_children", "With_a_pet", "Negative_Review", "Positive_Review"], axis=1) + +print("Saving results to Hotel_Reviews_NLP.csv") +df.to_csv(r"../data/Hotel_Reviews_NLP.csv", index = False) +``` + +Sən bütün kodu [analiz notbukunda](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) icra etməlisən (yalnız [filtrasiya notbukunu](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) Hotel_Reviews_Filtered.csv faylını yaratmaq üçün icra etdikdən sonra). + +İzləmək üçün düzgün sıralanmış addımlar aşağıdakı kimidir: + +1. Original dataset faylı **Hotel_Reviews.csv** əvvəlki dərsdə [kəşfetmə notbukunda](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/4-Hotel-Reviews-1/solution/notebook.ipynb) analiz olunub +2. Hotel_Reviews.csv faylı [filtrasiya notbuku](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) ilə filtrlənib və nəticə **Hotel_Reviews_Filtered.csv** faylına yazılıb +3. Hotel_Reviews_Filtered.csv faylı [fikir analizi notbuku](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) ilə emal olunub və nəticə **Hotel_Reviews_NLP.csv** faylına yazılıb +4. Hotel_Reviews_NLP.csv faylını aşağldakı NLP məşğələsində istifadə olunacaq + +### Nəticə + +Başlayanda sənin sütunlarla datasetin var idi və onların hamısının nə doğruluğunu yoxlamaq mümkün idi, nə də istifadəsi. Sən datanı kəşf etdin, lazımsız hissələri filtrlədin, taqları faydalı formaya saldın, ortalama nəticəni hesabladın, fikirlərin analizini bəzi sütunlara yazdın və ümid edirik ki, təbii mətnləri emal etməklə bağlı maraqlı nələrsə öyrəndin. + +--- +## 🚀 Məşğələ + +Artıq sən bu datasetdə fikir analizini yerinə yetirdin, indi isə fikir ətrafında oxşarlıqları (modelləri) təyin etmək üçün bu kursda öyrəndiyin başqa hansı strategiyaları (klasterləşdirmə bəlkə?) tətbiq edə biləcəyini düşün. + +## [Müharizə sonrası quiz](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/40/?loc=az) + +## Təkrarlayın və özünüz öyrənin + +[Bu öyrənmə modulunu](https://docs.microsoft.com/en-us/learn/modules/classify-user-feedback-with-the-text-analytics-api/?WT.mc_id=academic-77952-leestott) götür və mətnlərdə fikir analizi üçün istifadə olunan müxtəlif alətləri öyrən. + +## Tapşırıq + +[Başqa dataset yoxla](assignment.az.md) diff --git a/6-NLP/5-Hotel-Reviews-2/translations/assignment.az.md b/6-NLP/5-Hotel-Reviews-2/translations/assignment.az.md new file mode 100644 index 0000000000..8a1d44a3bf --- /dev/null +++ b/6-NLP/5-Hotel-Reviews-2/translations/assignment.az.md @@ -0,0 +1,11 @@ +# Başqa dataset yoxla + +## Təlimatlar + +Sənin artıq NLTK istifadə etməklə mətndən fikirləri təyin etməyi öyrəndiyini nəzərə alaraq indi başqa dataset üzərində tətbiq edək. Sən, çox güman ki, bunun üzərində bəzi data emalı edəcəksən, notbuk yaracaqsan və fikirlərindəki prosesləri sənədləşdirəcəksən. Nəyi kəşf etdiyini paylaş. + +## Rubrika + +| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | +| -------- | ------------ | -------------- | -------------- | +| | Tamamlanmış notbuk və dataset təqdim olunub. Fikirlərin təyin olunması və sütunların məqsədi yaxşı sənədləşdirilmişdir | Notbukda izahlar yaxşı verilməyib | Notbuk işlək və ya yararlı deyil | diff --git a/6-NLP/translations/README.az.md b/6-NLP/translations/README.az.md new file mode 100644 index 0000000000..4de0bc0d3b --- /dev/null +++ b/6-NLP/translations/README.az.md @@ -0,0 +1,24 @@ +# Təbii dil emalı ilə ilkin tanışlıq + +Təbii dil emalı(NLP-Natural Language Processing) kompüter proqramının insan dilini danışıq və yazılı şəkildə başa düşmə qabiliyyətidir. O, süni intellektin(AI) tərkib hissəsidir. NLP 50 ildən artıqdır ki, mövcuddur və kökləri dilçilik sahəsinə gedib çatır. Bu sahə maşınlara insan dilini anlamağa və emal etməyə yönəlib. Bu da daha sonra orfoqrafik yoxlama və ya maşın tərcüməsi kimi tapşırıqları yerinə yetirmək üçün istifadə edilə bilər. Əlavə olaraq tibbi tədqiqatlar, axtarış motorları və biznes kəşfiyyatı kimi bir sıra real həyati tətbiqlərə də malikdir. + +## Regional mövzu: Avropa dilləri, onların ədəbiyyatı və Avropanın romantik otelləri ❤️ + +Dərs proqramının bu bölməsində siz maşın öyrənməsinin ən geniş yayılmış istifadələrindən biri ilə tanış olacaqsınız: təbii dil emalı (NLP). Hesablama dilçiliyindən irəli gələn bu süni intellekt kateqoriyası səs və ya mətn rabitəsi vasitəsilə insanlar və maşınlar arasında körpüdür. + +Bu dərslərdə biz maşın öyrənməsinin bu söhbətləri getdikcə daha "ağıllı" etməkdə necə kömək etdiyini öyrənmək üçün kiçik danışıq botları yaratmaqla NLP-nin əsaslarını öyrənəcəyik. Ceyn Ostinin 1813-cü ildə nəşr olunmuş klassik romanı **Qürur və Qərəz**-dən Elizabet Bennett və cənab Darsi ilə söhbət edərək keçmişə səyahət edəcəksiniz. Sonra isə Avropada otel rəyləri vasitəsilə təəssüratların təhlili haqqında öyrənərək biliklərinizi artıracaqsınız. + + +> Foto Unsplash platformasında Elaine Howlin tərəfindən çəkilmişdir. + +## Dərslər + +1. [Təbii dil emalına giriş](../1-Introduction-to-NLP/translations/README.az.md) +2. [Ümumi NLP tapşırıqları və texnikaları](../2-Tasks/translations/README.az.md) +3. [Maşın öyrənməsi ilə tərcümə və hisslərin təhlili](../3-Translation-Sentiment/translations/README.az.md) +4. [Məlumatlarınız hazırlanır](../4-Hotel-Reviews-1/translations/README.az.md) +5. [Sentiment Analizi üçün NLTK](../5-Hotel-Reviews-2/translations/README.az.md) + +## Tövhə verənlər + +Təbii dil emalı dərsləri [Stephen Howell](https://twitter.com/Howell_MSFT) tərəfindən ☕ ilə yazılmışdır. diff --git a/7-TimeSeries/1-Introduction/translations/README.az.md b/7-TimeSeries/1-Introduction/translations/README.az.md new file mode 100644 index 0000000000..6ac7a6de43 --- /dev/null +++ b/7-TimeSeries/1-Introduction/translations/README.az.md @@ -0,0 +1,185 @@ +# Zaman seriyalarının proqnozlaşdırılmasına giriş + + + +> [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən çəkilmiş eskiz + +Bu və sonrakı dərsdə siz ML mühəndisinin repertuarının digər mövzulardan bir qədər az tanınan maraqlı və dəyərli hissəsi olan zaman seriyalarının proqnozlaşdırılması haqqında öyrənəcəksiniz. Bu proqnozlaşdırma bir növ 'kristal kürə'-yə bənzəyir: məsələn, qiymət dəyişəninin keçmiş performansına əsaslanaraq, onun gələcək potensial dəyərini təxmin edə bilərsiniz. + +[](https://youtu.be/cBojo1hsHiI "Zaman seriyalarının proqnozlaşdırılmasına giriş") + +> 🎥 Zaman seriyalarının proqnozlaşdırılması haqqında olan video üçün yuxarıdakı şəkilə klikləyin. + +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/41/?loc=az) + +Zaman seriyalarının proqnozlaşdırılması qiymət, inventar və təchizat zənciri problemlərinə birbaşa tətbiqi nəzərə alınmaqla biznes üçün real dəyərə malik faydalı və maraqlı sahədir. Gələcək performansı daha yaxşı proqnozlaşdırmaq üçün daha çox məlumat əldə etmək üçün dərin öyrənmə üsullarından istifadə edilməyə başlansa da, zaman seriyalarının proqnozlaşdırılması klassik ML texnikalarına əsaslanan bir sahə olaraq qalır. + +> Penn State-in faydalı zaman seriyası kurrikulumuna [burada](https://online.stat.psu.edu/stat510/lesson/1) baxa bilərsiniz. + +# Giriş + +Tutaq ki, siz onların nə qədər tez-tez istifadə edildiyi və zamanla nə qədər müddətə istifadə edildiyi barədə məlumat verən bir seriya ağıllı parkomatlara sahibsiniz. + +> Əgər tələb və təklif qaydalarına uyğun olaraq sayğacın keçmiş performansına əsaslanıb onun gələcək dəyərini proqnozlaşdıra bilsəydiniz, bunanla nə edərdiniz? + +Məqsədinizə çatmaq üçün nə vaxt hərəkət edəcəyinizi dəqiq proqnozlaşdırmaq zaman seriyalarının proqnozlaşdırılması ilə həll edilə bilən bir problemdir. Pik saatlarda dayanacaq yeri axtaran insanlardan daha çox ödəniş almaq onları sevindirməz, lakin bu, küçələri təmizləmək üçün gəlir əldə etməyin etibarlı yolu olardı! + +Gəlin zaman seriyaları alqoritmlərinin bəzi növlərini araşdıraq və notbuk yaratmaqla bəzi məlumatları təmizləmək və hazırlamağa başlayaq. Təhlil edəcəyiniz data GEFCom2014 proqnozlaşdırma müsabiqəsindən götürülmüşdür. Həmin data, 2012 və 2014-cü illər arasında 3 illik, saatlıq elektrik yükü və temperatur dəyərlərindən ibarətdir. Elektrik yükünün və temperaturun tarixi nümunələrini nəzərə alaraq elektrik yükünün gələcək dəyərlərini proqnozlaşdıra bilərsiniz. + +Bu nümunədə siz yalnız keçmiş yükləmə datasından istifadə edərək bir addım irəlini proqnozlaşdırmağı öyrənəcəksiniz. Başlamazdan əvvəl ekran arxasında nələrin baş verdiyini anlamaqda fayda var. + +## Bəzi təriflər + +"Zaman seriyaları" termini ilə qarşılaşarkən onun bir neçə fərqli kontekstdə istifadəsini başa düşməlisiniz. + +🎓 **Zaman seriyaları** + +Riyaziyyatda "zaman seriyası vaxt sırasına görə indeksləşdirilmiş(və ya siyahıya alınmış, yaxud da qrafikləşdirilmiş) data nöqtələrinin sırasıdır. Ən çox yayılmış zaman seriyası zamanın ardıcıl bərabər məsafəli nöqtələrində götürülən ardıcıllıqdır." Zaman seriyasına misal olaraq [Dow Jones Sənaye Ortalamasının](https://wikipedia.org/wiki/Time_series) gündəlik bağlanış dəyərini göstərmək olar. Zaman seriyalarının qrafiklərindən və statistik modelləşdirməsindən istifadəyə tez-tez siqnalların işlənməsi, hava proqnozu, zəlzələnin proqnozlaşdırılması və hadisələrin baş verdiyi müddətdə məlumat nöqtələrinin zamanla tərtib oluna biləcəyi digər sahələrdə rast gəlinir. + +🎓 **Zaman seriyalarının təhlili** + +Zaman seriyalarının təhlili yuxarıda qeyd olunan zaman seriyası məlumatlarının təhlilidir. Zaman seriyası dataları müxtəlif formalarda ola bilər. Onlardan biri fasilə verən hadisədən əvvəl və sonra bir zaman seriyasındakı qanunauyğunluqları aşkarlayan "kəsintili (diskret) zaman seriyası"-dır. Zaman seriyası üçün lazım olan analiz növü məlumatların xarakterindən asılıdır. Məlumatların özü isə nömrələr və ya simvollar seriyası formasında ola bilər. + +İcrası nəzərdə tutulan təhlildə tezlik-domen və zaman-domen, xətti və qeyri-xətti və s. daxil olmaqla müxtəlif üsullardan istifadə edilir. Bu tip dataların analiz üsulları barədə ətraflı məlumatı [buradan](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc4.htm) öyrənə bilərsiniz. + +🎓 **Zaman seriyaları proqnozu** + +Zaman seriyalarının proqnozlaşdırılması, keçmişdə toplanmış dataların yaratdığı qanunauyğunluğa əsasən gələcək dəyərləri proqnozlaşdırmaq üçün hansısa bir modeldən istifadə etməkdir. Zaman seriyası datalarını tədqiq etmək üçün reqressiya modellərindən istifadə etmək mümkün olsa da, belə məlumatlar xüsusi model tiplərindən istifadə etməklə ən yaxşı şəkildə təhlil edilir. + +Zaman seriyası datası xətti reqressiya ilə təhlil edilə bilən məlumatlardan fərqli olaraq ardıcıl müşahidələrin siyahısıdır. Ən çox yayılmışı ARIMA-dır, açılışı "Autoregressive Integrated Moving Average" deməkdir. + +[ARIMA modelləri](https://online.stat.psu.edu/stat510/lesson/1/1.1) "seriyanın indiki dəyərini keçmiş dəyərlər və keçmiş proqnoz xətaları ilə əlaqələndirir." Onlar məlumatların zamanla seriyalandığı zaman-domen məlumatlarını təhlil etmək üçün ən uyğun variantdırlar. + +> ARIMA modellərinin bir neçə növü var ki, onlar haqqında [burada](https://people.duke.edu/~rnau/411arim.htm) öyrənə bilərsiniz. Növbəti dərsdə onlar barədə öyrənəcəksiniz. + +Növbəti dərsdə siz dəyərini zamanla yenilənən bir dəyişənə fokuslanan [Univariate Time Series](https://itl.nist.gov/div898/handbook/pmc/section4/pmc44.htm) istifadə edərək ARIMA modeli quracaqsınız. Bu tip məlumatlara misal olaraq Mauna Loa Rəsədxanasında aylıq karbon qazı konsentrasiyasını qeyd edən [bu verilənlər bazası](https://itl.nist.gov/div898/handbook/pmc/section4/pmc4411.htm) ola bilər: + +| CO2 | YearMonth | Year | Month | +| :----: | :-------: | :---: | :---: | +| 330.62 | 1975.04 | 1975 | 1 | +| 331.40 | 1975.13 | 1975 | 2 | +| 331.87 | 1975.21 | 1975 | 3 | +| 333.18 | 1975.29 | 1975 | 4 | +| 333.92 | 1975.38 | 1975 | 5 | +| 333.43 | 1975.46 | 1975 | 6 | +| 331.85 | 1975.54 | 1975 | 7 | +| 330.01 | 1975.63 | 1975 | 8 | +| 328.51 | 1975.71 | 1975 | 9 | +| 328.41 | 1975.79 | 1975 | 10 | +| 329.25 | 1975.88 | 1975 | 11 | +| 330.97 | 1975.96 | 1975 | 12 | + +✅ Bu data setində zamanla yenilənən dəyişəni müəyyən edin. + +## Nəzərə alınmalı Zaman seriyası data xarakteristikaları + +Zaman seriyası məlumatlarına baxarkən onların daha yaxşı başa düşmək üçün nəzərə almalı və azaltmalı olduğunuz [müəyyən xüsusiyyətlərə](https://online.stat.psu.edu/stat510/lesson/1/1.1) malik olduğunu görə bilərsiniz. Əgər siz zaman seriyası datalarını analiz etmək istədiyiniz potensial 'sinqal' ötürücüsü olaraq görürsünüzə, bu xüsusiyyətlər “səs-küy” kimi düşünülə bilər. Siz tez-tez müxtəlif statistik üsullardan istifadə edərək həmin xüsusiyyətlərin bəzilərini əvəz etməklə 'səs-küyü' azaltmalı olacaqsınız. + +Zaman seriyaları ilə işləyə bilmək üçün bilməli olduğunuz bəzi anlayışlar bunlardır: + +🎓 **Trendlər** + +Trendlər zamanla ölçülə bilən artımlar və azalmalar kimi tərif edilir. [Ətraflı oxu](https://machinelearningmastery.com/time-series-trends-in-python). Zaman seriyaları kontekstində isə trendlər, onları necə istifadə etmək və lazım gələrsə, zaman seriyalarınızdan silmək haqqındadır. + +🎓 **[Mövsümilik](https://machinelearningmastery.com/time-series-seasonality-with-python/)** + +Mövsümilik dedikdə, məsələn, satışlara təsir edə biləcək bayram ərəfəsi kimi dövri dalğalanmalar nəzərdə tutulur. Fərqli qrafiklərin datada mövsümiliyi necə göstərdiyinə [diqqət yetirin](https://itl.nist.gov/div898/handbook/pmc/section4/pmc443.htm). + +🎓 **Kənar göstəricilər** + +Kənar göstəricilər standart məlumat fərqindən çox uzaqdır. + +🎓 **Uzun müddətli dövr** + +Mövsümilikdən asılı olmayaraq məlumatlar bir ildən çox davam edən iqtisadi tənəzzül kimi uzunmüddətli dövrü göstərə bilər. + +🎓 **Daimi fərq** + +Zaman keçdikcə bəzi məlumatlar gecə və gündüz enerji istifadəsi kimi daimi dalğalanmaları göstərir. + +🎓 **Kəskin dəyişikliklər** + +Verilənlər əlavə təhlilə ehtiyac duyan qəfil dəyişikliklər göstərə bilər. Məsələn, COVID səbəbiylə müəssisələrin qəfil bağlanması məlumatların dəyişməsinə səbəb oldu. + +✅ Burada bir neçə il ərzində, günlük oyundaxili satışları göstərən bir [nümunə zaman seriyası qrafiki](https://www.kaggle.com/kashnitsky/topic-9-part-1-time-series-analysis-in-python) verilmişdir. Göstərilən datada yuxarıda sadalanan xüsusiyyətlərdən hansılarını sezə bilərsiniz? + + + +## Tapşırıq - enerji istifadəsi datasının istifadəsinə başlamaq + +Keçmiş istifadəni nəzərə alaraq gələcək enerji istifadəsini proqnozlaşdırmaq üçün zaman seriyası modelini yaratmağa başlayaq. + +> Bu nümunədəki datalar GEFCom2014 proqnozlaşdırma müsabiqəsindən götürülmüşdür. 2012-2014-cü illər arasında 3 illik, saatlıq elektrik yükü və temperatur dəyərlərindən ibarətdir. +> +> Tao Hong, Pierre Pinson, Shu Fan, Hamidreza Zareipour, Alberto Troccoli və Rob J. Hyndman, "Ehtimallı enerji proqnozlaşdırılması: Qlobal Enerji Proqnozlaşdırma Müsabiqəsi 2014 və sonrası", Beynəlxalq Proqnozlaşdırma Jurnalı, cild 32, №3, səh 896 -913, iyul-sentyabr, 2016. + +1. Bu dərsin `working` qovluğundakı _notebook.ipynb_ faylını açın. Dataları yükləməyə və vizuallaşdırmağa kömək edəcək kitabxanalar əlavə etməklə başlayın + + ```python + import os + import matplotlib.pyplot as plt + from common.utils import load_data + %matplotlib inline + ``` + + Nəzərə alın ki, sizin tərtibat mühitinizi quran və məlumatların endirilməsini idarə edən `common` qovluğundakı fayllardan istifadə edirsiniz. + +2. Növbəti addım olaraq, `load_data()` və `head()` funksiyalarını çağıraraq dataları datafreym olaraq yoxlayın: + + ```python + data_dir = './data' + energy = load_data(data_dir)[['load']] + energy.head() + ``` + + Tarixi və yükü təmsil edən iki sütun olduğunu görə bilərsiniz: + + | | load | + | :-----------------: | :----: | + | 2012-01-01 00:00:00 | 2698.0 | + | 2012-01-01 01:00:00 | 2558.0 | + | 2012-01-01 02:00:00 | 2444.0 | + | 2012-01-01 03:00:00 | 2402.0 | + | 2012-01-01 04:00:00 | 2403.0 | + +3. İndi isə `plot()` funksiyasını çağıraraq datanın qrafikini qurun: + + ```python + energy.plot(y='load', subplots=True, figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + +4. İndi 2014-cü ilin iyul ayının ilk həftəsini, `[tarixdən]: [tarixə]` formasında `energy`-ə giriş dəyişəni formasında təqdim edərək qrafiki qurun: + + ```python + energy['2014-07-01':'2014-07-07'].plot(y='load', subplots=True, figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + + Gözəl qrafik alındı! Bu qrafiklərə nəzər yetirin və yuxarıda sadalanan xüsusiyyətlərdən hər hansı birini müəyyən edə bildiyinizə baxın. Verilənləri vizuallaşdırmaqla nəyi təxmin edə bilərik? + +Növbəti dərsdə bəzi proqnozlar yaratmaq üçün ARIMA modeli yaradacaqsınız. + +--- + +## 🚀 Məşğələ + +Zaman seriyalarının proqnozlaşdırılmasından faydalanacağını düşünə biləcəyiniz bütün sənaye və araşdırma sahələrinin siyahısını tərtib edin. Bu texnikaların incəsənətdə tətbiqi barədə düşünə bilərsinizmi? Ekonometrikada? Ekologiya? Pərakəndə satış? Sənaye? Maliyyə? Başqa harada? + +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/42/?loc=az) + +## Təkrarlayın və özünüz öyrənin + +Onları burada əhatə etməsək də, neyroşəbəkələr bəzən zaman seriyalarının proqnozlaşdırılmasının klassik üsullarını təkmilləşdirmək üçün istifadə olunur. Onlar haqqında daha ətraflı [bu məqalədə](https://medium.com/microsoftazure/neural-networks-for-forecasting-financial-and-economic-time-series-6aca370ff412) oxuyun. + +## Tapşırıq + +[Daha bir neçə zaman seriyasını vizuallaşdırın](assignment.az.md) \ No newline at end of file diff --git a/7-TimeSeries/1-Introduction/translations/assignment.az.md b/7-TimeSeries/1-Introduction/translations/assignment.az.md new file mode 100644 index 0000000000..b7229a2a3b --- /dev/null +++ b/7-TimeSeries/1-Introduction/translations/assignment.az.md @@ -0,0 +1,11 @@ +# Daha bir neçə Zaman Seriyasını vizuallaşdırın + +## Təlimatlar + +Bu xüsusi modelləşdirməni tələb edən data tiplərinə baxaraq Zaman Seriyasının Proqnozlaşdırılması haqqında öyrənməyə başlamısınız. Enerji ilə bağlı bəzi dataları artıq vizuallaşdırmısınız. İndi isə Zaman Seriyasının Proqnozlaşdırılmasından faydalana biləcək bəzi digər datalar baxın. Üç nümunə tapın ([Kaggle](https://kaggle.com) və [Azure Open Datasets](https://azure.microsoft.com/en-us/services/open-datasets/catalog/?WT.mc_id=academic-77952-leestott)-i yoxlayın) və onları vizuallaşdırmaq üçün notbuk yaradın. Onların hər hansı xüsusi xüsusiyyətlərini (mövsümilik, qəfil dəyişikliklər və ya digər tendensiyalar) qeyd dəftərinizdə qeyd edin. + +## Rubrika + +| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | +| -------- | -------- | ------- | ------------------------ | +| | Üç datasetin qrafiki çəkilmiş və notbukda izah edilmişdir | İki datasetin qrafiki çəkilmiş və notbukda izah edilmişdir | Notbukda çox az datasetin qrafiki çəkilmiş və ya izah edilmiş, yaxud da təqdim olunan datalar kifayət qədər deyil | \ No newline at end of file diff --git a/7-TimeSeries/2-ARIMA/translations/README.az.md b/7-TimeSeries/2-ARIMA/translations/README.az.md new file mode 100644 index 0000000000..b6598034ab --- /dev/null +++ b/7-TimeSeries/2-ARIMA/translations/README.az.md @@ -0,0 +1,394 @@ +# ARIMA ilə zaman seriyalarının proqnozlaşdırılması + +Əvvəlki dərsdə siz zaman seriyalarının proqnozlaşdırılması haqqında öyrəndiniz. Əlavə olaraq isə zamanla elektrik yükünün dalğalanmalarını göstərən verilənlər toplusunu yüklədiniz. + +[](https://youtu.be/IUSk-YDau10 "ARIMA-a giriş") + +> 🎥 Video üçün yuxarıdakı şəkilə klikləyin: ARIMA modellərinə qısa giriş. Nümunə R dilində olsa da, anlayışlar universaldır. + +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/43/?loc=az) + +## Giriş + +Bu dərsdə siz [ARIMA: *A*uto*R*egressive *I*ntegrated *M*oving *A*verage](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average) ilə modellər qurmağın xüsusi üsulunu kəşf edəcəksiniz. ARIMA modelləri [qeyri-stasionarlığı](https://wikipedia.org/wiki/Stationary_process) göstərən datalara uyğunlaşdırılmışdır. + +## Ümumi anlayışlar + +ARIMA ilə işləyə bilmək üçün bilməli olduğunuz bəzi anlayışlar var: + +- 🎓 **Stasionarlıq**. Statistik kontekstdən götürsək, stasionarlıq zaman dəyişsə də paylanması dəyişməyən datalara aid bir anlayışdır. Beləliklə, qeyri-stasionar data təhlil edilmək üçün transformasiya edilməli olan tendensiyalara görə dalğalanmaları göstərir. Məsələn, mövsümilik məlumatlarda dalğalanmalar yarada bilər və “mövsümi fərqləndirmə” prosesi ilə aradan qaldırıla bilər. + +- 🎓 **[Fərqləndirmə](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average#Differencing)**. Fərqləndirmə, yenə də statistik kontekstdən götürsək, qeyri-stasionar məlumatların qeyri-sabit tendensiyasını aradan qaldıraraq stasionar hala gətirmək üçün çevrilməsi prosesinə deyilir. "Fərqləndirmə zaman seriyasının səviyyəsindəki dəyişiklikləri, trend və mövsümiliyi aradan qaldırır və nəticədə zaman seriyasının orta dəyərini sabitləşdirir." [Shixiong və digərlərinin müəllifi olduğu məqalə](https://arxiv.org/abs/1904.07632) + +## ARIMA zaman seriyası kontekstində + +ARIMA-nın vaxt seriyalarını modelləşdirməyə və ona qarşı proqnozlar verməyə necə kömək etdiyini araşdıraq. + +- **AR - AvtoReqressiv**. Avtoreqressiv modellər, adından da göründüyü kimi, məlumatlarınızdakı əvvəlki dəyərləri təhlil etmək və onlar haqqında fərziyyələr irəli sürmək üçün zamanda "geriyə" baxır. Həmin əvvəlki dəyərlər “geriləmiş” adlanır. Məsələn, qələmlərin aylıq satışını göstərən məlumatlar. Hər ayın ümumi satışları datasetdə "inkişaf edən dəyişən" hesab olunacaq. Bu model "inkişaf edən maraq dəyişəninin öz geridə qalmış (yəni əvvəlki) dəyərlərinə dönməsi" kimi qurulmuşdur. [wikipedia](https://wikipedia.org/wiki/Autoregressive_integrated_moving_average) + +- **I - İnteqrasiya**. Oxşar "ARMA" modellərindən fərqli olaraq, ARIMA-dakı "I" onun *[inteqrasiya edilmiş](https://wikipedia.org/wiki/Order_of_integration)* olmasına işarə edir. Qeyri-stasionarlığı aradan qaldırmaq üçün fərqli addımlar tətbiq edildikdə məlumatlar “inteqrasiya olunur”. + +- **MA - Moving Average(Dəyişkən Orta Dəyər)**. Bu modelin [dəyişkən orta dəyər](https://wikipedia.org/wiki/Moving-average_model) aspekti geriləmiş dəyərlərin cari və keçmiş qiymətlərini müşahidə etməklə müəyyən edilən çıxış dəyişəninə aiddir. + +Qeyd: ARIMA modeli zaman seriyası datalarının xüsusi formasına mümkün qədər yaxından uyğunlaşdırmaq üçün istifadə olunur. + +## Tapşırıq - ARIMA modelini qurun + +Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/working) qovluğunu açın və [_notebook.ipynb_](https://github.com/microsoft/ML-For-Beginners/blob/main/7-TimeSeries/2-ARIMA/working/notebook.ipynb) faylını tapın . + +1. ARIMA modellərində sizə lazım olacaq `statsmodels` Python kitabxanasını yükləmək üçün notbuku işə salın. + +1. Lazımi kitabxanaları yükləyin + +1. İndi verilənlərin planlaşdırılması üçün faydalı olan daha bir neçə kitabxana yükləyin: + + ```python + import os + import warnings + import matplotlib.pyplot as plt + import numpy as np + import pandas as pd + import datetime as dt + import math + + from pandas.plotting import autocorrelation_plot + from statsmodels.tsa.statespace.sarimax import SARIMAX + from sklearn.preprocessing import MinMaxScaler + from common.utils import load_data, mape + from IPython.display import Image + + %matplotlib inline + pd.options.display.float_format = '{:,.2f}'.format + np.set_printoptions(precision=2) + warnings.filterwarnings("ignore") # specify to ignore warning messages + ``` + +1. `/data/energy.csv` faylından məlumatları Pandas datafreyminə yükləyin və nəzər salın: + + ```python + energy = load_data('./data')[['load']] + energy.head(10) + ``` + +1. 2012-ci ilin yanvarından 2014-cü ilin dekabrına qədər mövcud olan bütün enerji məlumatlarının qrafikini tərtib edin. Son dərsdə bu dataları gördüyümüz üçün heç bir qaranlıq məqam olmamalıdır: + + ```python + energy.plot(y='load', subplots=True, figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + + İndi, modeli quraq! + +### Öyrətmə və test datasetlərini yaradın + +İndi datalarımız yükləndi, beləliklə siz onları öyrətmə və test setlərinə ayıra bilərsiniz. Modelinizi öyrətmə dəstində öyrədəcəksiniz. Həmişə olduğu kimi modelin öyrədilməsini bitirdikdən sonra siz test setindən istifadə edərək onun düzgünlüyünü qiymətləndirəcəksiniz. Modelin gələcək zaman dilimlərindən məlumat əldə etməməsini təmin etmək üçün test setinin öyrətmə setindən sonrakı dövrü əhatə etdiyinə əmin olmalısınız. + +1. Öyrətmə setinə 2014-cü il sentyabrın 1-dən oktyabrın 31-dək iki aylıq müddət ayırın. Data setinə 2014-cü il noyabrın 1-dən dekabrın 31-dək olan iki aylıq dövr daxildir: + + ```python + train_start_dt = '2014-11-01 00:00:00' + test_start_dt = '2014-12-30 00:00:00' + ``` + + Bu məlumatlar gündəlik enerji istehlakını əks etdirdiyi üçün güclü mövsümi model var, lakin istehlak son günlərdəki istehlakla daha çox oxşardır. + +1. Fərqləri vizuallaşdırın: + + ```python + energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)][['load']].rename(columns={'load':'train'}) \ + .join(energy[test_start_dt:][['load']].rename(columns={'load':'test'}), how='outer') \ + .plot(y=['train', 'test'], figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + + Buna görə də öyrətmə dataları üçün nisbətən kiçik bir zaman pəncərəsindən istifadə etmək bizə kifayət edəcək. + + > Qeyd: ARIMA modelinə uyğunlaşdırmaq üçün istifadə etdiyimiz funksiya uyğunlaşdırma zamanı nümunədaxili yoxlamadan istifadə etdiyi üçün təsdiqləmə məlumatlarını ortadan qaldıracağıq. + +### Dataları öyrədilmək üçün hazırlayın + +İndi siz datalarınızı filterləyərək və miqyasını dəyişdirərək onları öyrədilmək üçün hazırlamalısınız. Yalnız sizə lazım olan vaxt dövrləri və sütunları daxil etmək üçün data dəstinizi filtrləyin və məlumatların 0,1 intervalında proqnozlaşdırılmasını təmin etmək üçün miqyaslayın. + +1. Dataseti hər birində yalnız yuxarıda qeyd olunan vaxt dövrlərini və yalnız lazım olan "yük" sütununu özündə saxlayacaq şəkildə filtrləyin: + + ```python + train = energy.copy()[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']] + test = energy.copy()[energy.index >= test_start_dt][['load']] + + print('Training data shape: ', train.shape) + print('Test data shape: ', test.shape) + ``` + + Datanın formasını görə bilərsiniz: + + ```output + Training data shape: (1416, 1) + Test data shape: (48, 1) + ``` + +1. Dataları (0, 1) intervalında miqyaslandırın. + + ```python + scaler = MinMaxScaler() + train['load'] = scaler.fit_transform(train) + train.head(10) + ``` + +1. Orijinal və miqyaslı dataları vizuallaşdırın: + + ```python + energy[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']].rename(columns={'load':'original load'}).plot.hist(bins=100, fontsize=12) + train.rename(columns={'load':'scaled load'}).plot.hist(bins=100, fontsize=12) + plt.show() + ``` + +  + + > Orijinal data + +  + + > Miqyaslanmış data + +1. Artıq miqyaslanmış datanı kalibrasiya etdiyimiz üçün test dalarını miqyaslaya bilərik: + + ```python + test['load'] = scaler.transform(test) + test.head() + ``` + +### ARIMA-ın icrası + +ARIMA-nı icra etməyin vaxtı gəlib çatdı! İndi siz bir az əvvəl yüklədiyiniz `statsmodels` kitabxanasından istifadə edəcəksiniz. + +İzləməli olduğumuz bir neçə addım var + + 1. `SARIMAX()` çağırmaqla və p, d, q, P, D və Q parametrlərini daxil etməklə modeli təyin edin. + 2. fit() funksiyasını çağıraraq modeli öyrətmə dataları üçün hazırlayın. + 3. `forecast()` funksiyasını çağıraraq və təxmin etmək üçün addımların sayını (`horizon`) müəyyən etməklə proqnozlaşdırmanı icra edin. + +> 🎓 Bütün bu parametrlər nə üçündür? ARIMA modelində zaman seriyasının əsas aspektlərini modelləşdirməyə kömək etmək üçün istifadə olunan 3 parametr var: mövsümilik, trend və küy. Bu parametrlər bunlardır: + +`p`: *keçmiş* dəyərləri özündə birləşdirən modelin avtoreqressiv aspekti ilə əlaqəli parametr. +`d`: zaman seriyasına tətbiq etmək üçün *fərqlənmənin* (🎓fərqlənməni xatırlayırsınız 👆?) miqdarına təsir edən modelin inteqrasiya olunmuş hissəsi ilə əlaqəli parametr. +`q`: modelin orta hərəkətli hissəsi ilə əlaqəli parametr. + +> Qeyd: Əgər məlumatınızın mövsümi aspekti varsa - indi istifadə etdiyimiz mövsümi ARIMA modeli(SARIMA) bunu edir. Bu halda siz başqa parametrlər dəstindən istifadə etməlisiniz: `p`, `d` və `q` ilə eyni assosiasiyaları təsvir edən, lakin modelin mövsümi komponentlərə uyğun gələn `P`, `D` və `Q` dəsti. + +1. Üstün bildiyiniz üfüq dəyərini təyin etməklə başlayın. Gəlin saat 3-ü üfüq dəyəri olaraq yoxlayaq: + + ```python + # Specify the number of steps to forecast ahead + HORIZON = 3 + print('Forecasting horizon:', HORIZON, 'hours') + ``` + + ARIMA modelinin parametrləri üçün ən yaxşı dəyərləri seçmək bir qədər subyektiv olduğu və vaxt tələb etdiyi üçün çətin ola bilər. Bu hallarda [`pyramid`](https://alkaline-ml.com/pmdarima/0.9.0/modules/generated/pyramid.arima.auto_arima.html) kitabxanasının `auto_arima()` funksiyasından istifadə edə bilərsiniz. + +1. Yaxşı model tapmaq üçün hələlik əl ilə seçimləri yoxlayın. + + ```python + order = (4, 1, 0) + seasonal_order = (1, 1, 0, 24) + + model = SARIMAX(endog=train, order=order, seasonal_order=seasonal_order) + results = model.fit() + + print(results.summary()) + ``` + + Nəticələrin cədvəli ekranda çap olunur. + +İlk modelinizi yaratdınız! İndi biz bunu qiymətləndirməyin yolunu tapmalıyıq. + +### Modelinizi qiymətləndirin + +Modelinizi qiymətləndirmək üçün siz `irəli gəzinti` deyilən yoxlamanı həyata keçirə bilərsiniz. Praktikada zaman seriyası modelləri hər təzə məlumat əldə edildikdə yenidən öyrədilir. Bu, modelə hər zaman addımında ən yaxşı proqnozu verməyə imkan verir. + +Həmin texnikadan istifadə edərək zaman seriyasının əvvəlindən başlayaraq öyrətmə datasetində modeli öyrədin. Sonra növbəti addım üçün proqnoz verin. Proqnoz bilinən dəyərlə qiymətləndirilir. Daha sonra öyrətmə seti məlum dəyəri daxil etmək üçün genişləndirilir və proses təkrarlanır. + +> Qeyd: Daha səmərəli öyrədilmə üçün siz öyrətmə setinin pəncərə ölçüsünü sabit saxlamalısınız ki, hər dəfə təlim setinə yeni müşahidə əlavə etdikdə müşahidəni setin əvvəlindən siləsiniz. + +Bu proses modelin praktikada necə işləyəcəyinə dair daha etibarlı təxmin verir. Bununla belə, bu qədər model yaratmağın hesablama xərcləri də var. Data kiçikdirsə və ya model sadədirsə, bu məqbuldur, lakin daha böyük miqyaslarda bu problemə səbəb ola bilər. + +İrəli gəzinti üsulu vaxt seriyası modelinin qiymətləndirilməsinin qızıl standartıdır və öz layihələriniz üçün də tövsiyə olunur. + +1. Əvvəlcə hər HORIZON addımı üçün test məlumat nöqtəsi yaradın. + + ```python + test_shifted = test.copy() + + for t in range(1, HORIZON+1): + test_shifted['load+'+str(t)] = test_shifted['load'].shift(-t, freq='H') + + test_shifted = test_shifted.dropna(how='any') + test_shifted.head(5) + ``` + + | | | load | load+1 | load+2 | + | ---------- | -------- | ---- | ------ | ------ | + | 2014-12-30 | 00:00:00 | 0.33 | 0.29 | 0.27 | + | 2014-12-30 | 01:00:00 | 0.29 | 0.27 | 0.27 | + | 2014-12-30 | 02:00:00 | 0.27 | 0.27 | 0.30 | + | 2014-12-30 | 03:00:00 | 0.27 | 0.30 | 0.41 | + | 2014-12-30 | 04:00:00 | 0.30 | 0.41 | 0.57 | + + Məlumatlar üfüq nöqtəsinə uyğun olaraq üfüqi olaraq sürüşdürülür. + +1. Test datasının uzunluğunun döngü ölçüsündə sürüşən pəncərə yanaşmasından istifadə edərək test datalarınızla bağlı proqnozlar verin: + + ```python + %%time + training_window = 720 # dedicate 30 days (720 hours) for training + + train_ts = train['load'] + test_ts = test_shifted + + history = [x for x in train_ts] + history = history[(-training_window):] + + predictions = list() + + order = (2, 1, 0) + seasonal_order = (1, 1, 0, 24) + + for t in range(test_ts.shape[0]): + model = SARIMAX(endog=history, order=order, seasonal_order=seasonal_order) + model_fit = model.fit() + yhat = model_fit.forecast(steps = HORIZON) + predictions.append(yhat) + obs = list(test_ts.iloc[t]) + # move the training window + history.append(obs[0]) + history.pop(0) + print(test_ts.index[t]) + print(t+1, ': predicted =', yhat, 'expected =', obs) + ``` + + Baş verən öyrədilməni izləyə bilərsiniz: + + ```output + 2014-12-30 00:00:00 + 1 : predicted = [0.32 0.29 0.28] expected = [0.32945389435989236, 0.2900626678603402, 0.2739480752014323] + + 2014-12-30 01:00:00 + 2 : predicted = [0.3 0.29 0.3 ] expected = [0.2900626678603402, 0.2739480752014323, 0.26812891674127126] + + 2014-12-30 02:00:00 + 3 : predicted = [0.27 0.28 0.32] expected = [0.2739480752014323, 0.26812891674127126, 0.3025962399283795] + ``` + +1. Proqnozları faktiki yüklə müqayisə edin: + + ```python + eval_df = pd.DataFrame(predictions, columns=['t+'+str(t) for t in range(1, HORIZON+1)]) + eval_df['timestamp'] = test.index[0:len(test.index)-HORIZON+1] + eval_df = pd.melt(eval_df, id_vars='timestamp', value_name='prediction', var_name='h') + eval_df['actual'] = np.array(np.transpose(test_ts)).ravel() + eval_df[['prediction', 'actual']] = scaler.inverse_transform(eval_df[['prediction', 'actual']]) + eval_df.head() + ``` + + Output + | | | timestamp | h | prediction | actual | + | --- | ---------- | --------- | --- | ---------- | -------- | + | 0 | 2014-12-30 | 00:00:00 | t+1 | 3,008.74 | 3,023.00 | + | 1 | 2014-12-30 | 01:00:00 | t+1 | 2,955.53 | 2,935.00 | + | 2 | 2014-12-30 | 02:00:00 | t+1 | 2,900.17 | 2,899.00 | + | 3 | 2014-12-30 | 03:00:00 | t+1 | 2,917.69 | 2,886.00 | + | 4 | 2014-12-30 | 04:00:00 | t+1 | 2,946.99 | 2,963.00 | + + + Faktiki yüklə müqayisədə saatlıq məlumatın proqnozunu müşahidə edin. Nə dərəcədə dəqiqlik var? + +### Modelin düzgünlüyünü yoxlayın + +Bütün proqnozlar üzərində ortalama mütləq faiz xətasını (MAPE) tapmaqla modelinizin düzgünlüyünü yoxlayın. + +> **🧮 İşin riyazi tərəfini göstərin** +> +>  +> +> [MAPE](https://www.linkedin.com/pulse/what-mape-mad-msd-time-series-allameh-statistics/) yuxarıdakı düsturla tapılmış proqnoz dəqiqliyini nisbət formasında göstərmək üçün istifadə olunur. Actualt(cari) ilə predictedt(proqnozlaşdırılan) arasındakı fərq actualt-ə bölünür. "Bu hesablamada mütləq dəyər hər bir proqnozlaşdırılan vaxt üçün cəmlənir və uyğunlaşdırılmış n nöqtələrinin sayına bölünür." [wikipedia](https://wikipedia.org/wiki/Mean_absolute_percentage_error) + +1. Tənliyi kodla ifadə edək: + + ```python + if(HORIZON > 1): + eval_df['APE'] = (eval_df['prediction'] - eval_df['actual']).abs() / eval_df['actual'] + print(eval_df.groupby('h')['APE'].mean()) + ``` + +1. Bir addımın MAPE-i hesablayın: + + ```python + print('One step forecast MAPE: ', (mape(eval_df[eval_df['h'] == 't+1']['prediction'], eval_df[eval_df['h'] == 't+1']['actual']))*100, '%') + ``` + + Bir addımlı proqnoz MAPE: 0.5570581332313952 % + +1. Çox mərhələli MAPE proqnozunu ekrana çap edin: + + ```python + print('Multi-step forecast MAPE: ', mape(eval_df['prediction'], eval_df['actual'])*100, '%') + ``` + + ```output + Multi-step forecast MAPE: 1.1460048657704118 % + ``` + + Aşağı rəqəm ən yaxşısıdır: 10 MAPE olan bir proqnozun 10% azaldığını düşünün. + +1. Ancaq həmişə olduğu kimi, bu cür ölçmə dəqiqliyini vizual olaraq görmək daha asandır deyə qrafikini çəkək: + + ```python + if(HORIZON == 1): + ## Plotting single step forecast + eval_df.plot(x='timestamp', y=['actual', 'prediction'], style=['r', 'b'], figsize=(15, 8)) + + else: + ## Plotting multi step forecast + plot_df = eval_df[(eval_df.h=='t+1')][['timestamp', 'actual']] + for t in range(1, HORIZON+1): + plot_df['t+'+str(t)] = eval_df[(eval_df.h=='t+'+str(t))]['prediction'].values + + fig = plt.figure(figsize=(15, 8)) + ax = plt.plot(plot_df['timestamp'], plot_df['actual'], color='red', linewidth=4.0) + ax = fig.add_subplot(111) + for t in range(1, HORIZON+1): + x = plot_df['timestamp'][(t-1):] + y = plot_df['t+'+str(t)][0:len(x)] + ax.plot(x, y, color='blue', linewidth=4*math.pow(.9,t), alpha=math.pow(0.8,t)) + + ax.legend(loc='best') + + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + +🏆 Yuxarı dəqiqlik göstərən gözəl qrafik alındı. Əla! + +--- + +## 🚀 Məşğələ + +Zaman Seriyası Modelinin düzgünlüyünü yoxlamaq yollarını araşdırın. Bu dərsdə MAPE-ə toxunduq, amma istifadə edə biləcəyiniz başqa üsullar varmı? Onları araşdırın və şərh edin. Yardımçı sənədi [burada](https://otexts.com/fpp2/accuracy.html) tapa bilərsiniz. + +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/44/?loc=az) + +## Təkrarlayın və özünüz öyrənin + +Bu dərs yalnız ARIMA ilə Zaman Seriyasının Proqnozlaşdırılmasının əsaslarına toxunur. Zaman seriyaları modellərini qurmağın digər yollarını öyrənmək və bilikləriniz dərinləşdirmək üçün [bu reponu](https://microsoft.github.io/forecasting/) və onun müxtəlif model növlərini araşdırmağa vaxtınızı ayırın. + +## Tapşırıq + +[Yeni ARIMA modeli](assignment.az.md) \ No newline at end of file diff --git a/7-TimeSeries/2-ARIMA/translations/assignment.az.md b/7-TimeSeries/2-ARIMA/translations/assignment.az.md new file mode 100644 index 0000000000..14d476b208 --- /dev/null +++ b/7-TimeSeries/2-ARIMA/translations/assignment.az.md @@ -0,0 +1,11 @@ +# Yeni ARIMA modeli + +## Təlimatlar + +Artıq ARIMA modelini qurduğunuza görə yeni data ilə modelin yenisini yaradın.([Duke-un datasetlərindən](http://www2.stat.duke.edu/~mw/ts_data_sets.html) birini sınayın). Notbukdakı işinizə şərhlər əlavə edin, məlumatları və modelinizi vizuallaşdırın və MAPE-dən istifadə edərək onun düzgünlüyünü yoxlayın. + +## Rubrika + +| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | +| -------- | -------- | ------- | ------------------------ | +| | Notbuk qurulmuş, sınaqdan keçirilmiş, vizuallaşdırma və dəqiqliyi göstərilməklə izah edilmiş yeni ARIMA modeli ilə təqdim edilib. | Təqdim olunan notbukda şərhlər yoxdur və ya problemlər mövcuddur. | Yarımçıq notbuk təqdim edilib. | \ No newline at end of file diff --git a/7-TimeSeries/3-SVR/translations/README.az.md b/7-TimeSeries/3-SVR/translations/README.az.md new file mode 100644 index 0000000000..e0a43f9164 --- /dev/null +++ b/7-TimeSeries/3-SVR/translations/README.az.md @@ -0,0 +1,381 @@ +# Dəstək vektor reqressoru ilə zaman seriyalarının proqnozlaşdırılması + +Əvvəlki dərsdə ARIMA modeli istifadə etməklə necə zaman seriyalarını proqnozlaşdıra biləcəyini öyrəndin. İndi isə Dəstək vektor reqressor modeli ilə davamlı datanın gələcəyini təxmin etməyə baxacaqsan. + +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/51/?loc=az) + +## Giriş + +Bu dərsdə sən **DVM**: **D**əstək **V**ektor **M**aşını([**SVM**: **S**upport **V**ector **M**achine](https://en.wikipedia.org/wiki/Support-vector_machine)) istifadə etməklə reqressiya və ya **SVR: Dəstək Vektor Reqressiyası** üçün xüsusi modellər qurmağı öyrənəcəksən. + +### Zaman seriyası məsələlərində SVR [^1] + +SVR-ın zaman seriyaları proqnozlarında vacibliyini başa düşməzdən əvvəl bəzi vacib anlayışları bilməyin lazımdır: + +- **Reqressiya:** Verilmiş dəyərlər toplusundan davamlı dəyərlərin proqnozlaşdırılması üçün nəzarətli öyrənmə texnikasıdır. Burda əsas məqsəd maksimum sayda data nöqtələrinin uyğunluq əyrisinə (və ya xəttinə) yaxın olmasıdır. Daha ətraflı məlumat üçün [bura klikləyin](https://en.wikipedia.org/wiki/Regression_analysis). + +- **Dəstək Vektor Maşını (SVM):** Bu qruplaşdırma, reqressiya və uyğunsuzluqların təyin olunması üçün istifadə olunan nəzarətli maşın öyrənmə modellərindən biridir. Bu model funksiya fəzasında hiperplandır, hansı ki, qruplaşdırma tətbiqində sərhəd kimi? reqressiyada isə ən uyğun xətt kimi rol oynayır. SVM-də Kernel funksiyası əsasən dataseti çox ölçülü fəzaya çevirmək üçün istifadə olunur, beləliklə onları bölmək daha asan olur. SVM-lər barədə daha ətralı məlumat üçün bura [bura klikləyin](https://en.wikipedia.org/wiki/Support-vector_machine). + +- **Dəstək Vektor Reqressoru (SVR):** Maksimum sayda data nöqtəsinin ən uyğun gələn xətti (SVM halında hiperplan) tapmaq üçün istifadə olunan SVM tiplərindən biridir. + +### Nə üçün SVR? [^1] + +Son dərsdə zaman seriya datalarının proqnozlaşdırılması üçün tətbiq olunan uğurlu statistik xətti üsul ARIMA barədə öyrəndin. Lakin bir çox hallarda zaman seriya dataları *qeyri-xətti* olurlar və onları xətti modellərlə uyğunlaşdırmaq olmur Bu hallarda SVM-in qeyri-xətti dataların reqressiya tapşırıqlarda bacarıqlarını nəzərə alaraq SVR-i zaman seriyası proqnozlaşdırılmasında da uğurla istifadə etmək olar. + +## Tapşırıq - SVR modeli qur + +Data hazırlanmasında ilk addımlar əvvəlki [ARIMA](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA) dərsindəki kimidir. + +Bu dərsin [_/working_](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/3-SVR/working) qovluğunu açın və [_notebook.ipynb_](https://github.com/microsoft/ML-For-Beginners/blob/main/7-TimeSeries/3-SVR/working/notebook.ipynb) faylını tapın.[^2] + +1. Notbuku icra edin və lazımi kitabxanaları daxil edin: [^2] + + ```python + import sys + sys.path.append('../../') + ``` + + ```python + import os + import warnings + import matplotlib.pyplot as plt + import numpy as np + import pandas as pd + import datetime as dt + import math + + from sklearn.svm import SVR + from sklearn.preprocessing import MinMaxScaler + from common.utils import load_data, mape + ``` + +2. `/data/energy.csv` faylından dataları Pandas datafreyminə yığın və nəticəyə baxın: [^2] + + ```python + energy = load_data('../../data')[['load']] + ``` + +3. 2012-ci il yanvar ayından 2014-ci il dekabr ayına kimi olan bütün enerji datalarının qrafikini çəkin: [^2] + + ```python + energy.plot(y='load', subplots=True, figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + + İndi isə SVR modelini quraq. + +### Öyrətmə və test datasetlərini yaradın + +İndi data yüklənib və sən onu öyrətmə və test setlərinə ayıra bilərsən. Sonra sənin datanı SVR üçün lazım olan zaman addımları ilə ayrılmış datasetə çevirməyin lazım olacaq. Modelini öyrətmə seti ilə öyrədəcəksən. Model öyrənməsi bitdikdən sonra onun dəqiqliyini əvvəlcə öyrənmə və test seti ilə, sonra isə bütün dataset ilə yoxlayıb ümumi performansını ölçəcəksən. Sən əmin olmalısan ki, test setin öyrənmə setin əhatə etdiyi zaman periodundan sonrakı gələcəyi də əhatə edir və modelin gələcək zamandan informasiya almır [^2] (bu vəziyyətə *Overfitting* deyilir). + +1. 2014-cü il sentabrın 1-dən oktyabrın 31-ə kimi 2 aylıq periodu öyrənmə seti kimi ayır. Test seti isə növbəti iki ayı, noyabrın 1-dən dekabrın 31-ə kimi olan dataları əhatə edəcək: [^2] + + ```python + train_start_dt = '2014-11-01 00:00:00' + test_start_dt = '2014-12-30 00:00:00' + ``` + +2. Fərqi göstər: [^2] + + ```python + energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)][['load']].rename(columns={'load':'train'}) \ + .join(energy[test_start_dt:][['load']].rename(columns={'load':'test'}), how='outer') \ + .plot(y=['train', 'test'], figsize=(15, 8), fontsize=12) + plt.xlabel('timestamp', fontsize=12) + plt.ylabel('load', fontsize=12) + plt.show() + ``` + +  + +### Öyrətmə üçün data hazırla + +İndi sənin datanı filtrasiya və miqyasını dəyişmə əməliyyatları tətbiq etməklə öyrətmə üçün hazırlamağın lazımdır. Dataseti filtrasiya edərək yalnız lazım olan zaman periodları və sütunlarını saxla və datanın 0 ilə 1 arasında yerləşdiyinə əmin olacaq şəkildə miqyasını dəyiş. + +1. Verilən dataseti əvvəl nəzərdə tutulan zaman periodlarına əsasən filtr et və lazım olan 'load' və tarix sütunlarını saxla: [^2] + + ```python + train = energy.copy()[(energy.index >= train_start_dt) & (energy.index < test_start_dt)][['load']] + test = energy.copy()[energy.index >= test_start_dt][['load']] + + print('Training data shape: ', train.shape) + print('Test data shape: ', test.shape) + ``` + + ```output + Training data shape: (1416, 1) + Test data shape: (48, 1) + ``` + +2. Öyrətmə datasetini (0, 1) miqyasına çevir: [^2] + + ```python + scaler = MinMaxScaler() + train['load'] = scaler.fit_transform(train) + ``` + +4. İndi isə test datasetinin miqyasını dəyiş: [^2] + + ```python + test['load'] = scaler.transform(test) + ``` + +### Zaman addımları ilə data yarat [^1] + +SVR üçün verilən datanı `[batch, timesteps]` formatına çevirməyin lazımdır. İndi sən mövcud olan `train_data` və `test_data` datasetlərinin formasını yeni ölçüdə - zaman addımları ilə bölünmüş formaya çevirməyin lazımdır. + +```python +# Converting to numpy arrays +train_data = train.values +test_data = test.values +``` + +Bu nümunədə biz `timesteps = 5` parametrini istifadə edirik. Yəni verilən dataların ilk 4 zaman addımındakı datalar modelə giriş kimi istifadə olunacaq və nəticə 5-cü addım üçün data olacaq. + +```python +timesteps=5 +``` +Öyrətmə datasını iç-içə yığılmış siyahıdan istifadə etməklə 2D tensor formasına çeviririk: + +```python +train_data_timesteps=np.array([[j for j in train_data[i:i+timesteps]] for i in range(0,len(train_data)-timesteps+1)])[:,:,0] +train_data_timesteps.shape +``` + +```output +(1412, 5) +``` + +Test datasını 2D tensora çevirik: + +```python +test_data_timesteps=np.array([[j for j in test_data[i:i+timesteps]] for i in range(0,len(test_data)-timesteps+1)])[:,:,0] +test_data_timesteps.shape +``` + +```output +(44, 5) +``` + +Öyrətmə və test datalarından giriş və çıxış dəyərlərini seçirik: + +```python +x_train, y_train = train_data_timesteps[:,:timesteps-1],train_data_timesteps[:,[timesteps-1]] +x_test, y_test = test_data_timesteps[:,:timesteps-1],test_data_timesteps[:,[timesteps-1]] + +print(x_train.shape, y_train.shape) +print(x_test.shape, y_test.shape) +``` + +```output +(1412, 4) (1412, 1) +(44, 4) (44, 1) +``` + +### SVR tətbiq et [^1] + +İndi SVR tətbiq etmək zamanıdır. Bu tətbiq barədə daha ətraflı məlumat üçün [bu sənədə](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVR.html) baxa bilərsiniz. Bizim tətbiq üçün bu addımları izləmək lazımdır: + + 1. `SVR()` çağıraraq modeli təyin et və modelə bu hiperparametrləri ötür: kernel, gamma, c və epsilon + 2. `fit()` funksiyası ilə modeli öyrətmə datası üçün hazırla + 3. Proqnozları `predict()` funksiyasını çağırmaqla əldə edə bilərsən + +Biz artıq SVR modeli hazırladıq. Burada biz [RBF kerneli](https://scikit-learn.org/stable/modules/svm.html#parameters-of-the-rbf-kernel) istifadə etdik, gamma, C və epsilon hiperparametrlərinə 0.5, 10 və 0.05 dəyərlərini verdik. + +```python +model = SVR(kernel='rbf',gamma=0.5, C=10, epsilon = 0.05) +``` + +#### Öyrətmə datasına modeli uyğunlaşdırmaq [^1] + +```python +model.fit(x_train, y_train[:,0]) +``` + +```output +SVR(C=10, cache_size=200, coef0=0.0, degree=3, epsilon=0.05, gamma=0.5, + kernel='rbf', max_iter=-1, shrinking=True, tol=0.001, verbose=False) +``` + +#### Modeldən proqnozlar əldə edin [^1] + +```python +y_train_pred = model.predict(x_train).reshape(-1,1) +y_test_pred = model.predict(x_test).reshape(-1,1) + +print(y_train_pred.shape, y_test_pred.shape) +``` + +```output +(1412, 1) (44, 1) +``` + +Sən SVR modeli yaratdın! Bizə onun dəqiqliyini ölçmək lazımdır. + +### Modelin dəqiqliyini ölç [^1] + +Yoxlama üçün biz birinci olaraq datanı əvvəlki miqyasına geri qaytarmalıyıq. Sonra, performansı yoxlamaq üçün biz əsl və proqnozlaşdırılan zaman seriyalarının qrafikini çəkəcəyik və MAPE nəticələrini konsola yazacağıq. + +Proqnozlaşdırılmış və orijinal datanın miqyasını dəyiş: + +```python +# proqnozların miqyasının dəyişdirilməsi +y_train_pred = scaler.inverse_transform(y_train_pred) +y_test_pred = scaler.inverse_transform(y_test_pred) + +print(len(y_train_pred), len(y_test_pred)) +``` + +```python +# orijinal dəyərlərin miqyasının dəyişdirilməsi +y_train = scaler.inverse_transform(y_train) +y_test = scaler.inverse_transform(y_test) + +print(len(y_train), len(y_test)) +``` + +#### Modelin performansını öyrətmə və test datası ilə yoxla [^1] + +Biz datasetdən zaman məlumatlarını qrafikin x xəttində göstərmək üçün götürmüşük. Nəzərə al ki, biz birinci `timesteps-1` dəyərlərini birinci çıxış dəyərlərini hesablamağa giriş kimi istifadə etmişik, yəni bundan sonrakı zaman dəyərləri əsas çıxış dəyərləri üçün istifadə olunacaq. + +```python +train_timestamps = energy[(energy.index < test_start_dt) & (energy.index >= train_start_dt)].index[timesteps-1:] +test_timestamps = energy[test_start_dt:].index[timesteps-1:] + +print(len(train_timestamps), len(test_timestamps)) +``` + +```output +1412 44 +``` + +Öyrətmə datası üzərindən proqnozları qrafikdə çək: + +```python +plt.figure(figsize=(25,6)) +plt.plot(train_timestamps, y_train, color = 'red', linewidth=2.0, alpha = 0.6) +plt.plot(train_timestamps, y_train_pred, color = 'blue', linewidth=0.8) +plt.legend(['Actual','Predicted']) +plt.xlabel('Timestamp') +plt.title("Training data prediction") +plt.show() +``` + + + +Öyrətmə datası üçün MAPE dəyərini çap et: + +```python +print('MAPE for training data: ', mape(y_train_pred, y_train)*100, '%') +``` + +```output +MAPE for training data: 1.7195710200875551 % +``` + +Yoxlama datası üçün proqnozları qrafikdə çək: + +```python +plt.figure(figsize=(10,3)) +plt.plot(test_timestamps, y_test, color = 'red', linewidth=2.0, alpha = 0.6) +plt.plot(test_timestamps, y_test_pred, color = 'blue', linewidth=0.8) +plt.legend(['Actual','Predicted']) +plt.xlabel('Timestamp') +plt.show() +``` + + + +Yoxlama datası üçün MAPE dəyərini çap et: + +```python +print('MAPE for testing data: ', mape(y_test_pred, y_test)*100, '%') +``` + +```output +MAPE for testing data: 1.2623790187854018 % +``` + +🏆 Sən yoxlama dataseti üçün çox yaxşı nəticə əldə etmisən! + +### Modelin performansını bütün dataset üzərindən yoxla [^1] + +```python +# yüklənmiş datanı numpy array-ə çevrilməsi +data = energy.copy().values + +# miqyasın dəyişdirilməsi +data = scaler.transform(data) + +# modelin giriş tələblərinə uyğun 2D tensora çevirmək +data_timesteps=np.array([[j for j in data[i:i+timesteps]] for i in range(0,len(data)-timesteps+1)])[:,:,0] +print("Tensor shape: ", data_timesteps.shape) + +# datadan giriş və çıxış dəyərlərinin seçilməsi +X, Y = data_timesteps[:,:timesteps-1],data_timesteps[:,[timesteps-1]] +print("X shape: ", X.shape,"\nY shape: ", Y.shape) +``` + +```output +Tensor shape: (26300, 5) +X shape: (26300, 4) +Y shape: (26300, 1) +``` + +```python +# model proqnozları hesabla +Y_pred = model.predict(X).reshape(-1,1) + +# miqyası geri qaytar və formasını dəyiş +Y_pred = scaler.inverse_transform(Y_pred) +Y = scaler.inverse_transform(Y) +``` + +```python +plt.figure(figsize=(30,8)) +plt.plot(Y, color = 'red', linewidth=2.0, alpha = 0.6) +plt.plot(Y_pred, color = 'blue', linewidth=0.8) +plt.legend(['Actual','Predicted']) +plt.xlabel('Timestamp') +plt.show() +``` + + + +```python +print('MAPE: ', mape(Y_pred, Y)*100, '%') +``` + +```output +MAPE: 2.0572089029888656 % +``` + + +🏆 Bu gözəl qrafiklər modelin yaxşı dəqiqlikdə olduğunu göstərir. Əla! + +--- + +## 🚀 Məşğələ + +- Model yaradarkən və data üzərində yoxlayarkən hiperparameterləri (gamma, C, epsilon) dəyişməyi yoxla və hansı dəyərlər çoxluğunun yoxlama datası ilə daha yaxşı nəticə əldə etdiyini gör. Bu hiperparametrlər barədə daha çox öyrənmək üçün [bu sənədə](https://scikit-learn.org/stable/modules/svm.html#parameters-of-the-rbf-kernel) baxa bilərsən. +- Model üçün fərqli kernel funksiyalarını yoxla və onların dataset üzərində performanslarını analiz et. [Bu sənəd]((https://scikit-learn.org/stable/modules/svm.html#kernel-functions)) çox faydalı ola bilər. +- `timesteps` üçün fərqli dəyərlər yoxla və modelin proqnozlarına diqqət et. + +## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/52/?loc=az) + +## Təkrarlayın və özünüz öyrənin + +Bu dərs zaman seriyalarında proqnozlaşdırma üçün SVR modelinin tətbiqinə giriş idi. SVR haqqında daha çox oxumaq üçün [bu bloqa](https://www.analyticsvidhya.com/blog/2020/03/support-vector-regression-tutorial-for-machine-learning/) baxa bilərsən. [scikit-learn-də bu texniki sənəd](https://scikit-learn.org/stable/modules/svm.html) SVM-lər barədə ümumi olaraq çox detallı məlumatlar verir. Əlavə olaraq [SVR-lar](https://scikit-learn.org/stable/modules/svm.html#regression) və fərqli [kernel funksiyalarının](https://scikit-learn.org/stable/modules/svm.html#kernel-functions) başqa tətbiqləri və parametrləri barədə ətraflı məlumatı da əldə edə bilərsiniz. + +## Tapşırıq + +[Yeni SVR modeli](assignment.az.md) + +## İstinadlar + +[^1]: Bu bölmənin mətni, kodu və nəticələri[@AnirbanMukherjeeXD](https://github.com/AnirbanMukherjeeXD) tərəfindən töhfə verilib +[^2]: Bu bölmənin mətni, kodu və nəticələri [ARIMA](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA)-dan götürülüb \ No newline at end of file diff --git a/7-TimeSeries/3-SVR/translations/assignment.az.md b/7-TimeSeries/3-SVR/translations/assignment.az.md new file mode 100644 index 0000000000..701334d113 --- /dev/null +++ b/7-TimeSeries/3-SVR/translations/assignment.az.md @@ -0,0 +1,14 @@ +# Yeni SVR modeli + +## Təlimatlar [^1] + +Sən yeni data ([Duke tərəfindən təqdim olunmuş datasetlərdən](http://www2.stat.duke.edu/~mw/ts_data_sets.html) birini yoxla) ilə SVR modeli qurmalısan. Öz işini notbukda lazımi qeydlərlə işarələ, datanın və modelinin qrafiklərini çək və onun dəqiqliyini müvafiq qrafik və MAPE dəyəri ilə yoxla. Həmçinin fərqli hiperparametrlər və zaman aralıqları istifadə edərək də modelini yoxla. + +## Rubrika [^1] + +| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan | +| -------- | -------- | ------- | ------------------------ | +| | Notbuk təqdim olunub, SVR modeli qurulub, qrafiki üsulla yoxlanılıb, izah və dəqiqlik qeyd olunub. | Notbuk təqdim olunub lakin bəzi xətala var. | Natamam notbuk təqdim olunub. | + + +[^1]: Bu bölmədəki mətn [ARIMA-dan tapşırığa](https://github.com/microsoft/ML-For-Beginners/tree/main/7-TimeSeries/2-ARIMA/assignment.md) əsasən yaradılıb. diff --git a/7-TimeSeries/translations/README.az.md b/7-TimeSeries/translations/README.az.md new file mode 100644 index 0000000000..7aaaae4072 --- /dev/null +++ b/7-TimeSeries/translations/README.az.md @@ -0,0 +1,27 @@ +# Zaman seriyalarının proqnozlaşdırılmasına giriş + +Zaman seriyalarının proqnozlaşdırılması nədir? Burada keçmiş trendləri təhlil edərək gələcək hadisələrin proqnozlaşdırılması nəzərdə tutulur. + +## Regional mövzu: dünya miqyasında elektrik enerjisindən istifadə ✨ + +Bu iki dərsdə siz, digər sahələr arasında sənaye və biznes tətbiqləri üçün son dərəcə dəyərli olan, maşın öyrənməsinin bir qədər az tanınan sahəsi sayılan zaman sıralarının proqnozlaşdırılması ilə tanış olacaqsınız. Bu modellərin faydalılığını artırmaq üçün neyron şəbəkələrdən istifadə oluna bilsə də, biz onları klassik maşın öyrənməsi kontekstində araşdıracağıq. Çünki modellər keçmişə əsaslanaraq gələcək performansı proqnozlaşdırmağa kömək edir. + +Bizim regional diqqətimiz dünya elektrik istifadəsi ilə bağlı olan keçmiş istifadə yükü əsasında gələcək enerji istifadəsini proqnozlaşdırmaq üçün maraqlı məlumat toplusuna yönəlib. Bu tip proqnozların biznes mühitində nə qədər faydalı ola biləcəyini görə bilərsiniz. + + + +[Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText)-də Racastan yolundakı elektrik qüllələrinin [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) tərəfindən çəkilmiş fotosu. + +## Dərslər + +1. [Zaman seriyalarının proqnozlaşdırılmasına giriş](../1-Introduction/translations/README.az.md) +2. [ARIMA zaman seriyası modellərinin yaradılması](../2-ARIMA/translations/README.az.md) +3. [Zaman seriyalarının bölünməsi üçün Dəstək Vektor Reqressorunun yaradılması](../3-SVR/translations/README.az.md) + +## Təşəkkürlər + +"Zaman seriyalarının proqnozlaşdırılmasına giriş" [Francesca Lazzeri](https://twitter.com/frlazzeri) və [Jen Looper](https://twitter.com/jenlooper) tərəfindən ⚡️ ilə yazılmışdır. + +İlk dəfə [Azure "Deep Learning For Time Series" reposunda](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) yerləşdirilən dəftərçənin əsli Francesca Lazzeri tərəfindən yazılmışdır. + +SVR dərsi [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) tərəfindən yazılmışdır. \ No newline at end of file diff --git a/8-Reinforcement/1-QLearning/translations/README.az.md b/8-Reinforcement/1-QLearning/translations/README.az.md new file mode 100644 index 0000000000..2f254c0cb7 --- /dev/null +++ b/8-Reinforcement/1-QLearning/translations/README.az.md @@ -0,0 +1,320 @@ +# Gücləndirici Öyrənmə və Q-Öyrənməsinə Giriş + + +> [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən çəkilmiş eskiz + +Gücləndirici öyrənmə üç mühüm anlayışı özündə birləşdirir: agent, vəziyyətlər və hər vəziyyət üçün icra yığını. Müəyyən edilmiş vəziyyətdə hərəkəti icra etməklə agentə mükafat verilir. Super Mario oyununu yadınıza salın. Təsəvvür edin ki, siz Mariosunuz və hansısa mərhələdə uçurum kənarında dayanmısınız. Sizin üstünüzdə isə qəpik var. Hansısa bir mərhələdə Mario olmağınız sizin vəziyyətinizdir. Bir addım ataraq sağa hərəkət etmək sizi uçuruma aparacaq və aşağı xal toplayacaqsınız. Amma atlamaq düyməsinə basmağınız xal toplamanıza və sağ qalmanıza səbəb olacaqdı. Dediyimiz müsbət nəticə olduğuna görə sizə müsbət xal verilməlidir. + +Oyunda sağ qalaraq və mümkün olduğu qədər yuxarı xal toplamaqla mükafatı maksimuma çatdırmağı gücləndirici öyrənmədən və simulyator(oyun) istifadə edərək öyrənə bilərsiniz. + +[](https://www.youtube.com/watch?v=lDq_en8RNOo) + +> 🎥 Dmitrinin Gücləndirici Öyrənmə barədə olan müzakirəsini dinləmək üçün yuxarıdakı şəkilə klikləyin + +## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/45/?loc=az) + +## İlkin şərtlər və quraşdırma + +Bu gün Python-da bəzi kodları sınaqdan keçirəcəyik. Dərsə aid olan Jupyter Notebook kodunu həm kompüterinizdə, həm də buludda işlədə bilməlisiniz. + +Siz [dərs notbukunu](https://github.com/microsoft/ML-For-Beginners/blob/main/8-Reinforcement/1-QLearning/notebook.ipynb) aça və mühiti qurmaq üçün bu dərsi izləyə bilərsiniz. + +> **Qeyd:** Bu kodu buludda açırsınızsa, [`rlboard.py`](https://github.com/microsoft/ML-For-Beginners/blob/main/8-Reinforcement/1-QLearning/rlboard.py) faylını da notbuk kodunda istifadə olunduğuna görə yükləməyiniz lazımdır. Onu notbuk faylı ilə eyni qovluğa əlavə edin. + +## Giriş + +Bu dərsdə biz rus bəstəkarı [Sergei Prokofyevin](https://en.wikipedia.org/wiki/Sergei_Prokofiev) musiqili nağılından ilhamlanaraq **[Piter və Canavar](https://en.wikipedia.org/wiki/Peter_and_the_Wolf)** dünyasını araşdıracağıq. Peterə ətrafını araşdırmaq, dadlı alma toplamaq və canavarla görüşməmək üçün **Gücləndirici Öyrənmədən** istifadə edəcəyik. + +**Gücləndirici Öyrənmə** (RL – Reinforcement Learning) çoxlu təcrübələr keçirərək, **mühit** daxilində **agentin** optimal davranışını öyrənməyə imkan verən öyrənmə texnikasıdır. Bu mühitdəki agentin **mükafat funksiyası** ilə müəyyən edilmiş **hədəfi** olmalıdır. + +## Mühit + +Sadəlik üçün hesab edək ki, Peterin dünyası `en` x `hündürlük` ölçülü kvadrat bir lövhədir: + + + +Bu lövhədəki hər bir xana aşağıdakılardan biri ola bilər: + +* **torpaq** – üzərində Piter və digər canlılar gəzə bilər. +* **su** – üstündə gəzə bilməyəcəksiniz. +* **ağac** və ya **ot** – istirahət edə biləcəyiniz yer. +* **alma** – Piterin özünü qidalandırmaq üçün tapmaqdan məmnun qalacağı bir şeyi təmsil edir. +* **canvar** – bu təhlükəlidir və ondan qaçınmaq lazımdır. + +Bu mühitlə işləmək üçün içərisində kodlar olan, [`rlboard.py`](https://github.com/microsoft/ML-For-Beginners/blob/main/8-Reinforcement/1-QLearning/rlboard.py) adlı ayrıca Python modulu mövcuddur. Bu kodlar indiki konseptləri başa düşmək üçün o qədər də vacib olmadığından, həmin moduldan nümunə lövhəsini yaratmaq üçün istifadə edəcəyik (1. kod bloku): + +```python +from rlboard import * + +width, height = 8,8 +m = Board(width,height) +m.randomize(seed=13) +m.plot() +``` + +Bu kod yuxarıdakı şəkil kimi ətraf mühitin görüntüsünü ekrana çap etməlidir. + +## Addımlar və Taktika + +Bizim nümunəmizdə Peterin məqsədi canavardan və digər maneələrdən qaçaraq bir alma tapmaq olardı. Bunu etmək üçün, o, alma tapana qədər gəzə bilər. + +Buna görə də, istənilən mövqedə o, yuxarı, aşağı, sola və sağa hərəkətlərindən birini seçə bilər. + +Biz bu hərəkətləri lüğət kimi müəyyənləşdirəcəyik və onları müvafiq koordinat dəyişiklikləri cütlərinə uyğunlaşdıracağıq. Məsələn, sağa hərəkət etmək (`R`) `(1,0)` cütünə uyğun olacaq. (2. kod bloku): + +```python +actions = { "U" : (0,-1), "D" : (0,1), "L" : (-1,0), "R" : (1,0) } +action_idx = { a : i for i,a in enumerate(actions.keys()) } +``` + +Ümumiləşdirsək, bu ssenarinin strategiyası və hədəfi aşağıdakılardır: + +- **Agentimizin(Piter) strategiyası**, "**taktika**" ilə müəyyən edilir. Taktika hər hansı bir vəziyyətdə atılmalı olan addımı qaytaran funksiyadır. Bizim vəziyyətimizdə problemin vəziyyəti oyunçunun hazırkı mövqeyi də daxil olmaqla lövhə ilə təmsil olunur. + +- **Gücləndirici öyrənmənin məqsədi** problemi səmərəli şəkildə həll etməyə imkan verəcək yaxşı bir taktika öyrənməkdir. Amma indilik, başlanğıc olaraq **təsadüfi gediş** adlı ən sadə strategiyanı nəzərdən keçirək. + +## Təsadüfi gəzinti + +Gəlin əvvəlcə təsadüfi gediş strategiyasını həyata keçirərək problemimizi həll edək. Təsadüfi gedişlə almaya çatana qədər icazə verilən addımlar arasından növbəti addımımızı təsadüfi seçəcəyik (3. kod bloku). + +1. Aşağıdakı kodla təsadüfi gedişi həyata keçirin: + + ```python + def random_policy(m): + return random.choice(list(actions)) + + def walk(m,policy,start_position=None): + n = 0 # number of steps + # set initial position + if start_position: + m.human = start_position + else: + m.random_start() + while True: + if m.at() == Board.Cell.apple: + return n # success! + if m.at() in [Board.Cell.wolf, Board.Cell.water]: + return -1 # eaten by wolf or drowned + while True: + a = actions[policy(m)] + new_pos = m.move_pos(m.human,a) + if m.is_valid(new_pos) and m.at(new_pos)!=Board.Cell.water: + m.move(a) # do the actual move + break + n+=1 + + walk(m,random_policy) + ``` + `walk` müvafiq yolun uzunluğunu qaytarmalıdır. Amma təsadüfi olduğu üçün hər çağrılma zamanı fərqli uzunluq qaytara bilər. + +1. Gəzinti təcrübəsini bir neçə dəfə yerinə yetirin(məsələn, 100) və nəticədə əldə edilən statistikanı çap edin (4. kod bloku): + + ```python + def print_statistics(policy): + s,w,n = 0,0,0 + for _ in range(100): + z = walk(m,policy) + if z<0: + w+=1 + else: + s += z + n += 1 + print(f"Average path length = {s/n}, eaten by wolf: {w} times") + + print_statistics(random_policy) + ``` + + Diqqət etsək görərik ki, yolun orta uzunluğu təxminən 30-40 addımdır, ən yaxın almaya qədər orta məsafənin 5-6 addım civarında olduğunu nəzərə alsaq, bu, kifayət qədər çoxdur. + + Siz həmçinin təsadüfi gəzinti zamanı Peterin hərəkətinin necə göründüyünü görə bilərsiniz: + +  + +## Mükafat funksiyası + +Taktikamızı daha ağıllı etmək üçün hansı hərəkətlərin digərlərindən “daha yaxşı” olduğunu başa düşməliyik. Bunun üçün hədəfimizi müəyyən etməliyik. + +Məqsəd **mükafat funksiyası** ilə müəyyən edilə bilər ki, bu da hər bir vəziyyət üçün müəyyən xal dəyərini qaytaracaq. Sayı nə qədər çox olarsa, mükafat funksiyası bir o qədər yaxşı olar.(5. kod bloku) + +```python +move_reward = -0.1 +goal_reward = 10 +end_reward = -10 + +def reward(m,pos=None): + pos = pos or m.human + if not m.is_valid(pos): + return end_reward + x = m.at(pos) + if x==Board.Cell.water or x == Board.Cell.wolf: + return end_reward + if x==Board.Cell.apple: + return goal_reward + return move_reward +``` + +Mükafat funksiyaları ilə bağlı maraqlı məqam ondan ibarətdir ki, əksər hallarda *bizə yalnız oyunun sonunda əhəmiyyətli bir mükafat verilir*. Bu o deməkdir ki, alqoritmimiz sonda müsbət mükafata səbəb olan “yaxşı” addımları birtəhər yadda saxlamalı və onların əhəmiyyətini artırmalıdır. Eyni qayda ilə, pis nəticələrə səbəb olan bütün hərəkətlərdən də çəkinməsi lazımdır. + +## Q-Öyrənməsi + +Burada müzakirə edəcəyimiz alqoritm **Q-Öyrənməsi** adlanır. Bu alqoritmdəki taktika **Q-Cədvəl** adlı funksiya(və ya data strukturu) ilə müəyyən edilir. O, verilmiş vəziyyət üçün hər bir addımın "yaxşılığını" qeyd edir. + +Bu məlumatı, cədvəl və ya çoxölçülü massiv kimi təqdim etmək əksər hallarda rahat olduğu üçün Q-Cədvəli deyə adlanır. Lövhəmizin `en` x `hündürlük` ölçüləri olduğundan, biz Q-Cədvəlini `en` x `hündürlük` x `len(actions)` formalı numpy massivdən istifadə etməklə təmsil edə bilərik: (6. kod bloku) + +```python +Q = np.ones((width,height,len(actions)),dtype=np.float)*1.0/len(actions) +``` + +Diqqət edin ki, biz Q-Cədvəlinin bütün dəyərlərini eyni dəyərlə işə salırıq, indiki halda - 0,25. Hər bir vəziyyətdə bütün hərəkətlər eyni dərəcədə yaxşı olduğu üçün "təsadüfi gəzinti" taktikasına uyğundur. Lövhədə cədvəli vizuallaşdırmaq üçün Q-Cədvəlini `plot` funksiyasına ötürə bilərik: `m.plot(Q)`. + + + +Hər bir hüceyrənin mərkəzində üstünlük verilən hərəkət istiqamətini göstərən "ox" var. Bütün istiqamətlər bərabər olduğundan, nöqtə ilə göstərilmişdir. + +İndi biz, almaya gedən yolu daha tez tapmaq üçün simulyasiyanı işə salmalı, ətrafımızı araşdırmalı və Q-Cədvəl dəyərlərinin daha yaxşı paylanmasını öyrənməliyik. + +## Q-öyrənməsinin mahiyyəti: Bellman tənliyi + +Hərəkət etməyə başladıqdan sonra hər bir gedişin müvafiq mükafatı olacaq. Nəzəri olaraq ən yüksək ani mükafat əsasında növbəti addımı seçə bilərik. Bununla belə, əksər vəziyyətlərdə, atılan addım almaya çatmaq hədəfimizə nail olmayacaq və buna görə də hansı istiqamətin daha yaxşı olduğuna dərhal qərar verə bilməyəcəyik. + +> Unutmayın ki, vacib olan ani nəticə deyil, simulyasiyanın sonunda əldə edəcəyimiz son nəticədir. + +Bu gecikmiş mükafatı hesablamaq üçün problemi rekursiv şəkildə düşünməyə imkan verən **[dinamik proqramlaşdırma](https://en.wikipedia.org/wiki/Dynamic_programming)** prinsiplərindən istifadə etməliyik. + +Tutaq ki, biz indi *s* vəziyyətindəyik və növbəti *s'* vəziyyətinə keçmək istəyirik. Bunu etməklə, biz mükafat funksiyası ilə müəyyən edilən ani mükafatı(*r(s,a)*), və gələcək mükafatı alacağıq. Q-Cədvəlimizin hər bir hərəkətin "cəlbediciliyini" düzgün əks etdirdiyini fərz etsək, *s'* vəziyyətində *Q(s',a')*-in maksimum dəyərinə uyğun gələn *a* addımını seçəcəyik. Beləliklə, *s* vəziyyətində əldə edə biləcəyimiz ən yaxşı gələcək mükafat `max`a'*Q(s',a')* kimi müəyyən ediləcək(burada maksimum *s'* vəziyyətindəki bütün mümkün *a'* addımlarının üzərində hesablanır). + +Bu da bizə, verilmiş *a* addımı üçün Q-Cədvəlinin *s* vəziyyətində dəyərinin hesablanması üçün olan **Bellman düsturunu** vermiş olur: + +
+
+Burada γ **endirim faktoru** adlanır və cari mükafata və ya bunun əksinə, gələcək mükafata nə dərəcədə üstünlük verməli olduğunuzu müəyyən edir.
+
+## Öyrənmə Alqoritmi
+
+Yuxarıdakı tənliyi nəzərə alaraq indi öyrənmə alqoritmimiz üçün psevdokod yaza bilərik:
+
+* Q-Cədvəli Q-ü bütün vəziyyət və gedişlər üçün bərabər ədədlərlə yaradın
+* Öyrənmə dərəcəsini α ← 1 təyin edin
+* Simulyasiyanı dəfələrlə təkrarlayın
+ 1. Təsadüfi mövqedən başlayın
+ 1. Təkrar edin
+ 1. *s* vəziyyətində *a* addımını seçin
+ 2. Yeni vəziyyətə keçərək gedişi yerinə yetirin *s'*
+ 3. Oyunun sonu vəziyyəti ilə qarşılaşsaq və ya ümumi mükafat çox kiçik olarsa - simulyasiyadan çıxın
+ 4. Yeni vəziyyətdə *r* mükafatını hesablayın
+ 5. Q-Funksiyasını Bellman tənliyinə uyğun yeniləyin: *Q(s,a)* ← *(1-α)Q(s,a)+α(r+γ maxa'Q( s',a'))*
+ 6. *s* ← *s'*
+ 7. Ümumi mükafatı yeniləyin və α-nı azaldın.
+
+## İstifadə ilə Kəşf qarşı-qarşıya
+
+Yuxarıdakı alqoritmdə 2.1-ci addımda gedişi necə dəqiq seçməli olduğumuzu müəyyənləşdirməmişik. Addımı təsadüfi seçsək, ətrafı təsadüfi formada **tədqiq edəcəyimiz** üçün tez-tez ölmək, eləcə də normalda getmədiyimiz əraziləri araşdırmaq kimi ehtimallarımız var. Alternativ yanaşma isə artıq bildiyimiz Q-Cədvəl dəyərlərini **istifadə etmək** və bununla da, *s* vəziyyətində ən yaxşı hərəkəti(daha yüksək Q-Cədvəl dəyəri ilə) seçmək olardı. Amma, belə etmək digər vəziyyətləri araşdırmağımıza mane olacaq və çox güman ki optimal həlli tapa bilməyəcəyik.
+
+Beləliklə, ən yaxşı yanaşma kəşfiyyat və istifadə arasında balansı qorumaqdır. Bu, Q-Cədvəlindəki dəyərlərə mütənasib ehtimallarla *s* vəziyyətində hərəkəti seçməklə edilə bilər. Başlanğıcda Q-Cədvəl dəyərləri eyni olduqda bu, təsadüfi seçimə uyğun olacaq, lakin ətrafımız haqqında daha çox öyrəndikcə arabir agentə araşdırılmamış yolu seçməyə icazə verərkən optimal marşrutu izləmək ehtimalımız daha yüksək olacaq.
+
+## Python üzərindən icrası
+
+İndi biz öyrənmə alqoritmini həyata keçirməyə hazırıq. Bunu etməzdən əvvəl bizə Q-Cədvəlindəki ixtiyari ədədləri müvafiq hərəkətlər üçün ehtimallar vektoruna çevirəcək bəzi funksiyalar da lazımdır.
+
+1. `probs()` funksiyası yaradın:
+
+ ```python
+ def probs(v,eps=1e-4):
+ v = v-v.min()+eps
+ v = v/v.sum()
+ return v
+ ```
+
+ İlkin halda vektorun bütün komponentləri eyni olduqda 0-a bölünmədən yayınmaq üçün orijinal vektora bir neçə `eps` əlavə edirik.
+
+5000 təcrübə və ya **dövr** vasitəsilə öyrənmə alqoritmini işə salın: (8. kod bloku)
+
+ ```python
+ for epoch in range(5000):
+
+ # Pick initial point
+ m.random_start()
+
+ # Start travelling
+ n=0
+ cum_reward = 0
+ while True:
+ x,y = m.human
+ v = probs(Q[x,y])
+ a = random.choices(list(actions),weights=v)[0]
+ dpos = actions[a]
+ m.move(dpos,check_correctness=False) # we allow player to move outside the board, which terminates episode
+ r = reward(m)
+ cum_reward += r
+ if r==end_reward or cum_reward < -1000:
+ lpath.append(n)
+ break
+ alpha = np.exp(-n / 10e5)
+ gamma = 0.5
+ ai = action_idx[a]
+ Q[x,y,ai] = (1 - alpha) * Q[x,y,ai] + alpha * (r + gamma * Q[x+dpos[0], y+dpos[1]].max())
+ n+=1
+ ```
+
+Bu alqoritmi yerinə yetirdikdən sonra Q-Cədvəli hər addımda müxtəlif hərəkətlərin cəlbediciliyini müəyyən edən dəyərlərlə yenilənməlidir. İstənilən hərəkət istiqamətini göstərəcək hər bir hüceyrədə bir vektor çəkərək Q-Cədvəlini vizuallaşdırmağa cəhd edə bilərik. Sadəlik üçün ox ucluğu əvəzinə kiçik bir dairə çəkirik.
+
+
+
+## Taktikanın yoxlanılması
+
+Q-Cədvəli hər bir vəziyyətdə hər bir addımın "cəlbediciliyini" saxladığı üçün dünyamızda səmərəli naviqasiyanı müəyyən etmək üçün ondan istifadə etmək olduqca asandır. Ən sadə halda, ən yüksək Q-Cədvəl dəyərinə uyğun hərəkəti seçə bilərik: (9. kod bloku)
+
+```python
+def qpolicy_strict(m):
+ x,y = m.human
+ v = probs(Q[x,y])
+ a = list(actions)[np.argmax(v)]
+ return a
+
+walk(m,qpolicy_strict)
+```
+
+> Yuxarıdakı kodu bir neçə dəfə sınasanız, onun bəzən "donduğunu" görə bilərsiniz. Belə olduqda onu dayandırmaq üçün noutbukda STOP düyməsini sıxmalısınız. Bu hal iki vəziyyətin optimal Q-Dəyəri baxımından bir-birinə "işarə etdiyi" zaman yarana bilər. Həmin durumda agentlər bu vəziyyətlər arasında qeyri-müəyyən müddətə qədər hərəkət etmiş olur.
+
+## 🚀 Məşğələ
+
+> **Tapşırıq 1:** Yolun maksimum uzunluğunu müəyyən sayda addımlarla (məsələn, 100) məhdudlaşdırmaq üçün `walk` funksiyasını dəyişdirin və yuxarıdakı kodun vaxtaşırı bu dəyəri qaytarmasına baxın.
+
+> **Tapşırıq 2:** `walk` funksiyasını elə dəyişdirin ki, o, əvvəllər olduğu yerlərə qayıtmasın. Belə etmək `walk`-un dövrə girməsinin qarşısını alsa da, agent yenə də qaça bilməyəcəyi yerdə "tələyə" düşə bilər.
+
+## Naviqasiya
+
+Daha yaxşı naviqasiya taktikası təlim zamanı istifadə etdiyimiz istismar və kəşfiyyatın birləşdirmiş olan versiyası olardı. Bu taktikada biz hər bir hərəkəti Q-Cədvəlindəki dəyərlərə mütənasib olaraq müəyyən bir ehtimalla seçəcəyik. Bu strategiya hələ də agentin artıq tədqiq etdiyi mövqeyə qayıtması ilə nəticələnə bilər, lakin, aşağıdakı koddan da göründüyü kimi bu sizə istədiyiniz məkana olan çox qısa orta yolu verir(unutmayın ki, `print_statistics` simulyasiyanı 100 dəfə həyata keçirir): (10. kod bloku)
+
+```python
+def qpolicy(m):
+ x,y = m.human
+ v = probs(Q[x,y])
+ a = random.choices(list(actions),weights=v)[0]
+ return a
+
+print_statistics(qpolicy)
+```
+
+Bu kodu işlətdikdən sonra əvvəlkindən daha kiçik, 3-6 aralığında dəyişən orta yol uzunluğu əldə etməlisiniz.
+
+## Öyrənmə prosesinin tədqiqi
+
+Qeyd etdiyimiz kimi, təlim prosesi problem məkanının strukturu haqqında əldə edilmiş biliklərin tədqiqi və ümumi kəşfi arasındakı balansdır. Öyrənmənin nəticələrinin(agentə hədəfə olan qısa yolu tapmaqda kömək etmək qabiliyyəti) yaxşılaşdığını görmüş olsaq da, öyrənmə prosesi zamanı orta yol uzunluğunun necə davrandığını müşahidə etmək də bir o qədər maraqlı olardı:
+
+
+
+Öyrənilənləri belə ümumiləşdirmək olar:
+
+- **Orta yol uzunluğu artır**. Burada gördüyümüz odur ki, əvvəlcə orta yol uzunluğu artır. Bu, yəqin ki, ətraf mühit haqqında heç nə bilmədiyimiz zaman pis vəziyyətlərdə, suda və ya canavarda tələyə düşmək ehtimalımızla bağlıdır. Daha çox öyrəndikcə və bu biliklərdən istifadə etməyə başladıqda ətraf mühiti daha uzun müddət araşdıra bilərik. Bununla belə, almaların harada daha çox olduğunu hələ də bilmiş olmuruq.
+
+- **Daha çox öyrəndikcə yol uzunluğu azalır**. Kifayət qədər öyrəndikdən sonra agentin hədəfə çatması asanlaşır və yol uzunluğu azalmağa başlayır. Amma, biz hələ də kəşfiyyata açığıq, ona görə də biz tez-tez ən yaxşı yoldan uzaqlaşırıq və yeni variantları araşdıraraq yolu optimaldan daha uzun edirik.
+
+- **Uzunluğun kəskin artması**. Bu qrafikdə də müşahidə etdiyimiz odur ki, müəyyən bir nöqtədə uzunluq kəskin şəkildə artır. Bu, prosesin stoxastik xarakterini göstərir və biz nə vaxtsa Q-Cədvəl əmsallarını yeni dəyərlərlə əvəz etməklə onları "korlaya" bilərik. İdeal olaraq, bu, öyrənmə sürətini azaltmaqla minimuma endirilməlidir(məsələn, təlimin sonuna doğru biz Q-Cədvəl dəyərlərini yalnız kiçik bir dəyərlə tənzimləyirik).
+
+Ümumiyyətlə, yadda saxlamaq lazımdır ki, təlim prosesinin uğuru və keyfiyyəti öyrənmə sürəti, öyrənmə sürətinin azalması və endirim faktoru kimi parametrlərdən əhəmiyyətli dərəcədə asılıdır. Təlim zamanı optimallaşdırdığımız(məsələn, Q-Cədvəl əmsalları) **parametrlərdən** fərqləndirmək üçün onları tez-tez **hiperparametrlər** adlandırırlar. Ən yaxşı hiperparametr dəyərlərinin tapılması prosesi **hiperparametrlərin optimallaşdırılması** adlanır və bu ayrıca mövzu səviyyəsindədir.
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/46/?loc=az)
+
+## Tapşırıq
+[Daha Real Dünya](assignment.az.md)
\ No newline at end of file
diff --git a/8-Reinforcement/1-QLearning/translations/assignment.az.md b/8-Reinforcement/1-QLearning/translations/assignment.az.md
new file mode 100644
index 0000000000..e3f08e35cf
--- /dev/null
+++ b/8-Reinforcement/1-QLearning/translations/assignment.az.md
@@ -0,0 +1,27 @@
+# Daha Real Dünya
+
+Bizim vəziyyətimizdə Piter, demək olar ki, yorulmadan və ac qalmadan hərəkət edə bilirdi. Daha realist bir dünyada isə vaxt aşırı oturub dincəlməli, həm də qidalanmalı oluruq. Aşağıdakı qaydaları həyata keçirməklə dünyamızı daha real edək:
+
+1. Bir yerdən başqa yerə köçməklə Piter **enerjisini** itirir və bir qədər **yorğunluq** qazanır.
+2. Piter alma yeməklə daha çox enerji qazana bilər.
+3. Piter ağacın altında və ya çəmənlikdə dincəlməklə yorğunluqdan qurtula bilər (yəni ağac və ya ot olan bir xanaya getmək - yaşıl sahə)
+4. Piter canavarı tapıb öldürməlidir
+5. Canavarı öldürmək üçün Piterin müəyyən enerji və yorğunluq səviyyəsinə malik olması lazımdır, əks halda o, döyüşü uduzur.
+
+## Təlimatlar
+
+Həlliniz üçün başlanğıc nöqtəsi kimi orijinal [notebook.ipynb](../notebook.ipynb) notbukundan istifadə edin.
+
+Yuxarıdakı mükafat funksiyasını oyunun qaydalarına uyğun olaraq dəyişdirin. Oyunda qalib gəlmək üçün lazım olan ən yaxşı strategiyanı öyrənmək üçün isə gücləndirici öyrənmə alqoritmini işlədin və təsadüfi gedişin nəticələrini qazandığınız və itirdiyiniz oyunların sayına görə alqoritminizlə müqayisə edin.
+
+> **Qeyd**: Yeni dünyanızda insanın mövqeyindən əlavə yorğunluq və enerji səviyyələri də olduğuna görə vəziyyət daha mürəkkəbdir. Siz vəziyyəti bir qrup kimi təqdim etməyi seçə bilərsiniz(Board, enerji, yorğunluq) və ya vəziyyət üçün bir sinif yarada bilə(onu `Board`-dan da alt sinif olaraq yaratmağınız mümkündür) və ya [rlboard.py](../rlboard.py) içərisindəki orijinal `Board` sinfini dəyişdirə bilərsiniz.
+
+Həllinizdə, lütfən, kodu təsadüfi gediş strategiyasına cavab verəcək formada saxlayın və ən sonda alqoritminizin nəticələrini təsadüfi gedişlə müqayisə edin.
+
+> **Qeyd**: Onun işləməsi üçün hiperparametrləri, xüsusən də dövrlərin sayını tənzimləməlisiniz. Oyunun uğuru(canavarla mübarizə) nadir bir hadisə olduğundan daha uzun məşq vaxtı gözləmək olar.
+
+## Rubrika
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | Yeni dünya qaydalarının tərifi, Q-Öyrənməsi alqoritmi və bəzi mətn izahatları ilə notebook təqdim olunub. Q-Öyrənməsi təsadüfi gedişlə müqayisədə nəticələri əhəmiyyətli dərəcədə yaxşılaşdıra bilib. | Notbuk təqdim olunub, Q-Öyrənməsi həyata keçirilib və təsadüfi gedişlə müqayisədə nəticələri yaxşılaşdırsa, əhəmiyyətli dərəcədə deyil; və ya notbuk zəif sənədləşdirilib və kod yaxşı strukturlaşdırılmayıb. | Dünyanın qaydalarını yenidən müəyyən etmək üçün bəzi cəhdlər edilib, lakin Q-Öyrənməsi alqoritmi işləmir və ya mükafat funksiyası tam müəyyən edilməyib. |
\ No newline at end of file
diff --git a/8-Reinforcement/2-Gym/translations/README.az.md b/8-Reinforcement/2-Gym/translations/README.az.md
new file mode 100644
index 0000000000..1032d9d5af
--- /dev/null
+++ b/8-Reinforcement/2-Gym/translations/README.az.md
@@ -0,0 +1,343 @@
+# CartPole(Sürgülü Araba) Sürüşü
+
+Əvvəlki dərsdə həll etdiyimiz problem əslində real həyat ssenariləri üçün uyğun olmadığı üçün oyuncaq problem kimi görünə bilər. Amma bu belə deyil, çünki Şahmat və ya Go oynamaq kimi bir çox real dünya problemləri də bu ssenarini bölüşür. Onlar arasındakı oxşarlığın səbəbi bizdə də verilmiş qaydalar və **diskret vəziyyəti** göstərən lövhəmizin olmasıdır.
+
+## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/47/?loc=az)
+
+## Giriş
+
+Bu dərsdə biz Q-Öyrənməsinin eyni prinsiplərini **davamlı vəziyyət** probleminə, yəni bir və ya bir neçə həqiqi ədədlə verilən vəziyyətə tətbiq edəcəyik. Aşağıdakı problemlə məşğul olacağıq:
+
+> **Problem**: Piter canavardan qaçmaq istəyirsə, daha sürətli hərəkət edə bilməlidir. Biz Piterin Q-Öyrənməsindən istifadə edərək konki sürməyi, xüsusən də tarazlığı saxlamağı necə öyrənə biləcəyini görəcəyik.
+
+
+
+> Piter və dostları canavardan qaçmaq üçün yaradıcı olurlar! [Jen Looper](https://twitter.com/jenlooper) tərəfindən çəkilmiş şəkil
+
+Biz tarazlamanın **CartPole** problemi kimi tanınan sadələşdirilmiş versiyasından istifadə edəcəyik. CartPole dünyasında sola və ya sağa hərəkət edə bilən üfüqi sürgümüz var və məqsəd həmin sürgünün üstündəki şaquli dirəyi tarazlıqda saxlamaqdır.
+
+
+
+## İlkin şərtlər
+
+Bu dərsdə biz müxtəlif **mühitləri** simulyasiya etmək üçün **OpenAI Gym** adlı kitabxanadan istifadə edəcəyik. Siz bu dərsin kodunu öz kompüterinizdə(məsələn, Visual Studio Code-dan istifadə edərək) işlədə bilərsiniz. Amma nəzərə alın ki, simulyasiya yeni pəncərədə açılacaq. Kodu onlayn işlədərkən [burada](https://towardsdatascience.com/rendering-openai-gym-envs-on-binder-and-google-colab-536f99391cc7) təsvir olunduğu kimi koda bəzi düzəlişlər etməli ola bilərsiniz.
+
+## OpenAI Gym
+
+Əvvəlki dərsdə oyunun qaydalarını və vəziyyəti özümüz yaratdığımız `Board` sinifi təyin edirdi. Burada isə biz balans dirəyinin arxasındakı fizikanı simulyasiya edəcək xüsusi **simulyasiya mühitindən** istifadə edəcəyik. Gücləndirici öyrənmə alqoritmlərini öyrətmək üçün ən məşhur simulyasiya mühitlərindən biri [OpenAI](https://openai.com/) tərəfindən idarə olunan [Gym](https://gym.openai.com/)-dir. Bu gym-dən istifadə etməklə biz cartpole simulyasiyasından Atari oyunlarına qədər fərqli **mühitlər** yarada bilərik.
+
+> **Qeyd**: OpenAI Gym-də mövcud olan digər mühitlərə [burada](https://gym.openai.com/envs/#classic_control) baxa bilərsiniz.
+
+Əvvəlcə gym-i quraşdıraq və tələb olunan kitabxanaları əlavə edək (1. kod bloku):
+
+```python
+import sys
+!{sys.executable} -m pip install gym
+
+import gym
+import matplotlib.pyplot as plt
+import numpy as np
+import random
+```
+
+## Tapşırıq - cartpole mühitini işə salın
+
+Kartpol balans problemi ilə işləmək üçün müvafiq mühiti işə salmalıyıq. Hər bir mühit aşağıdakılarla əlaqələndirilir:
+
+- **Müşahidə məkanı** mühitdən aldığımız məlumatların strukturunu müəyyən edir. Kartpol problemi üçün biz qütbün mövqeyini, sürəti və bəzi digər dəyərləri alırıq.
+
+- Mümkün hərəkətləri müəyyən edən **fəaliyyət sahəsi**. Bizim vəziyyətimizdə fəaliyyət sahəsi diskretdir və iki hərəkətdən ibarətdir - **sol** və **sağ**. (2. kod bloku)
+
+1. İlkin olaraq aşağıdakı kodu daxil edin:
+
+ ```python
+ env = gym.make("CartPole-v1")
+ print(env.action_space)
+ print(env.observation_space)
+ print(env.action_space.sample())
+ ```
+
+Ətraf mühitin necə işlədiyini görmək üçün gəlin 100 addım üçün qısa bir simulyasiya keçirək. Hər addımda biz gediləcək gedişlərdən birini təqdim edirik - bu simulyasiyada biz sadəcə olaraq `action_space`-dən təsadüfi bir gediş seçirik.
+
+1. Aşağıdakı kodu icra edin və nəticəsini izləyin.
+
+ ✅ Nəzərə alın ki, bu kodu lokalda icra etməyiniz daha məqsədəuyğundur! (3. kod bloku)
+
+ ```python
+ env.reset()
+
+ for i in range(100):
+ env.render()
+ env.step(env.action_space.sample())
+ env.close()
+ ```
+
+ Bu şəkilə bənzər bir şey görməlisiniz:
+
+ 
+
+1. Simulyasiya zamanı necə hərəkət edəcəyimizə qərar vermək üçün müşahidələr aparmalıyıq. Əslində `step` funksiyası bizə cari müşahidələri, mükafat funksiyasını və simulyasiyanı davam etdirməyin mənalı olub-olmadığını göstərən indiqatoru qaytarır: (4. kod bloku)
+
+ ```python
+ env.reset()
+
+ done = False
+ while not done:
+ env.render()
+ obs, rew, done, info = env.step(env.action_space.sample())
+ print(f"{obs} -> {rew}")
+ env.close()
+ ```
+
+ Ekranda belə bir nəticə çap olunacaq:
+
+ ```text
+ [ 0.03403272 -0.24301182 0.02669811 0.2895829 ] -> 1.0
+ [ 0.02917248 -0.04828055 0.03248977 0.00543839] -> 1.0
+ [ 0.02820687 0.14636075 0.03259854 -0.27681916] -> 1.0
+ [ 0.03113408 0.34100283 0.02706215 -0.55904489] -> 1.0
+ [ 0.03795414 0.53573468 0.01588125 -0.84308041] -> 1.0
+ ...
+ [ 0.17299878 0.15868546 -0.20754175 -0.55975453] -> 1.0
+ [ 0.17617249 0.35602306 -0.21873684 -0.90998894] -> 1.0
+ ```
+
+ Simulyasiyanın hər addımında qaytarılan müşahidə vektoru aşağıdakı dəyərləri ehtiva edir:
+ - Arabanın pozisiyası
+ - Arabanın sürəti
+ - Dirəyin bucağı
+ - Dirəyin fırlanma dərəcəsi
+
+1. Həmin nömrələrin minimum və maksimum dəyərini əldə edin: (5. kod bloku)
+
+ ```python
+ print(env.observation_space.low)
+ print(env.observation_space.high)
+ ```
+
+ Diqqət etsəniz, hər bir simulyasiya addımında mükafat dəyəri həmişə 1 olduğunu görə bilərsiniz. Bunun səbəbi odur ki, bizim məqsədimiz mümkün qədər uzun müddət sağ qalmaqdır. Başqa cürə ifadə etsək, dirəyi ən uzun müddətə şaquli vəziyyətdə saxlamaqdır.
+
+ ✅ Əslində ardıcıl 100 sınaq üzərindən 195-lik orta mükafat əldə edə bilsək, CartPole simulyasiyası həll edilmiş sayılacaq.
+
+## Vəziyyətin diskretləşməsi
+
+Q-Öyrənməsində biz hər bir vəziyyətdə nə edəcəyimizi müəyyən edən Q-Cədvəli qurmalıyıq. Bunu edə bilmək üçün vəziyyətin **diskret** olması lazımdır, daha dəqiq desək, sonlu sayda diskret dəyərləri ehtiva etməlidir. Bu da o deməkdir ki, bizim hansısa formada müşahidələrimizi sonlu vəziyyətlər toplusuna uyğunlaşdıraraq **diskretləşdirməyə** ehtiyacımız var.
+
+Bunu edə biləcəyimiz bir neçə yol var:
+
+- **Hissələrə bölün**. Müəyyən bir dəyərin intervalını bilsək, bu intervalı bir neçə ** hissəyə** bölə və sonra həmin dəyəri onun aid olduğu hissənin nömrəsi ilə əvəz edə bilərik. Bunu numpy-ın [`digitize`](https://numpy.org/doc/stable/reference/generated/numpy.digitize.html)(rəqəmsallaşdırmaq) metodundan istifadə etməklə edə bilərik. Vəziyyətin rəqəmsallaşdırma üçün seçdiyimiz hissələrin sayından asılı olacağından, onun ölçüsünü dəqiq biləcəyik.
+
+✅ Xətti interpolyasiyadan istifadə edərək dəyərləri sonlu intervala(məsələn, -20-dən 20-yə) yerləşdirə bilərik və sonra onları yuvarlaqlaşdırmaqla ədədləri tam ədədlərə çevirə bilərik. Belə etmək, xüsusən də giriş dəyərlərinin dəqiq diapazonlarını bilməmək bizə vəziyyətin ölçüsünə bir az daha az nəzarət imkanı verir. Məsələn, bizim vəziyyətimizdə 4 dəyərdən 2-in öz dəyərlərində yuxarı/aşağı sərhədləri olmadığı üçün bu, sonsuz sayda vəziyyətlə nəticələnə bilər.
+
+Nümunəmizdə ikinci yanaşma ilə gedəcəyik. Beləliklə müşahidə edəcəksiniz ki, qeyri-müəyyən yuxarı/aşağı sərhədlərə baxmayaraq bu dəyər nadir hallarda müəyyən sonlu intervallardan kənarda dəyərlər qəbul edir. Buna görə də ekstremal dəyərlərə malik vəziyyətlər çox nadir hallarda olacaq.
+
+1. Modelimizdən müşahidələri toplayacaq və 4 tam dəyərdən ibarət qrup çıxaracaq funksiya budur: (6. kod bloku)
+
+ ```python
+ def discretize(x):
+ return tuple((x/np.array([0.25, 0.25, 0.01, 0.1])).astype(np.int))
+ ```
+
+1. Gəlin ayırdığımız hissələrdən istifadə edərək başqa diskretləşdirmə üsulunu da araşdıraq: (7. kod bloku)
+
+ ```python
+ def create_bins(i,num):
+ return np.arange(num+1)*(i[1]-i[0])/num+i[0]
+
+ print("Sample bins for interval (-5,5) with 10 bins\n",create_bins((-5,5),10))
+
+ ints = [(-5,5),(-2,2),(-0.5,0.5),(-2,2)] # intervals of values for each parameter
+ nbins = [20,20,10,10] # number of bins for each parameter
+ bins = [create_bins(ints[i],nbins[i]) for i in range(4)]
+
+ def discretize_bins(x):
+ return tuple(np.digitize(x[i],bins[i]) for i in range(4))
+ ```
+
+1. İndi qısa bir simulyasiya aparaq və həmin diskret mühit dəyərlərini müşahidə edək. Fərqin olub-olmadığını görmək üçün həm `discretize`, həm də `discretize_bins` seçimlərini sınayın.
+
+ ✅ discretize_bins 0-a əsaslı hissənin nömrəsini qaytarır. Yəni, giriş dəyişəninin 0-a yaxın qiymətləri üçün o, intervalın(10) ortasındakı rəqəmi qaytarır. Diskretləşdirmədə biz çıxış dəyərlərinin diapazonuna əhəmiyyət vermədik, onların mənfi olmasına imkan verdik. Bununla da vəziyyət dəyərləri dəyişdirilmir və 0, 0-a uyğun olmuş olur.(8. kod bloku)
+
+ ```python
+ env.reset()
+
+ done = False
+ while not done:
+ #env.render()
+ obs, rew, done, info = env.step(env.action_space.sample())
+ #print(discretize_bins(obs))
+ print(discretize(obs))
+ env.close()
+ ```
+
+ ✅ Mühitin necə işlədiyini görmək istəyirsinizsə, env.render ilə başlayan sətri şərhdən çıxarın. Onu arxa planda daha sürətli icra etməyiniz də mümkündür. Q-Öyrənməsi prosesimiz zamanı bu "görünməz" icradan istifadə edəcəyik.
+
+## Q-Cədvəlinin strukturu
+
+Əvvəlki dərsimizdə vəziyyət 0-dan 8-ə qədər sadə ədədlər cütü olduğu üçün Q-Cədvəlini 8x8x2 formalı numpy tensoru ilə təmsil etmək rahat idi. Vəziyyət vektorumuzun ölçüsü məlum olduğu üçün hissələrin diskretləşdirilməsini tətbiq etsək, bu zaman eyni yanaşmadan istifadə edə və vəziyyəti 20x20x10x10x2 formalı massiv ilə təqdim edə bilərik(buradakı 2 fəaliyyət sahəsinin ölçüsüdür və ilk ölçülər müşahidə məkanındakı hər bir parametr üçün seçdiyimiz hissələrin sayına uyğundur).
+
+Lakin bəzən müşahidə məkanının dəqiq ölçüləri məlum olmur. `discretize` funksiyasında heç vaxt vəziyyətin bəzi orijinal dəyərlərin bağlı olmamasından dolayı müəyyən sərhədlər daxilində qalacağından əmin olmaya bilərik. Buna görə də bir qədər fərqli yanaşmadan istifadə edəcəyik və Q-Cədvəlini lüğətlə təmsil edəcəyik.
+
+1. Lüğət açarı kimi *(vəziyyət, fəaliyyət)* cütündən istifadə edin. Dəyər isə Q-Cədvəlinin giriş dəyərinə uyğun olacaq. (9. kod bloku)
+
+ ```python
+ Q = {}
+ actions = (0,1)
+
+ def qvalues(state):
+ return [Q.get((state,a),0) for a in actions]
+ ```
+
+ Burada biz həmçinin bütün mümkün hərəkətlərə uyğun gələn verilmiş vəziyyət üçün Q-Cədvəl qiymətlərinin siyahısını qaytaran `qvalues()` funksiyasını təyin edirik. Giriş Q-Cədvəlində yoxdursa, biz standart olaraq 0-ı qaytaracağıq.
+
+## Q-Öyrənməsinə başlayaq
+
+Artıq Piterə tarazlığı öyrətməyə hazırıq!
+
+1. Əvvəlcə bəzi hiperparametrləri təyin edək: (10. kod bloku)
+
+ ```python
+ # hyperparameters
+ alpha = 0.3
+ gamma = 0.9
+ epsilon = 0.90
+ ```
+
+ Burada `alfa` hər addımda Q-Cədvəlinin cari dəyərlərini nə dərəcədə tənzimləməli olduğumuzu müəyyən edən **öyrənmə dərəcəsidir**. Əvvəlki dərsdə biz 1 ilə başladıq, sonra isə təlim zamanı `alpha`-nı aşağı qiymətlərə endirdik. Bu nümunədə biz onu sadəlik üçün sabit saxlayacağıq və daha sonra siz `alpha` dəyərlərini tənzimləməklə təcrübələr apara biləcəksiniz.
+
+ `gamma` **endirim faktorudur** və gələcək mükafatı cari mükafatdan nə dərəcədə daha prioritetləşdirməli olduğumuzu göstərir.
+
+ `epsilon` **kəşfiyyat/istifadə faktorudur**. Bizim istifadədən daha çox kəşfiyyata və ya əksinə üstünlük verməli olduğumuzu müəyyən edir. Alqoritmimizdə halların `epsilon` faizində Q-Cədvəl qiymətlərinə uyğun növbəti hərəkəti seçəcəyik, qalan hallarda isə təsadüfi hərəkəti yerinə yetirəcəyik. Bu, axtarış məkanında əvvəllər heç görmədiyimiz sahələri araşdırmağımıza təkan verəcək.
+
+ ✅ Balanslaşdırma baxımından - təsadüfi hərəkətin(kəşfiyyatın) seçilməsi yanlış istiqamətdə təsadüfi bir zərbə rolunu oynayacaq və birbaşa həmin "səhvlərdən" tarazlığı necə bərpa edəcəyini öyrənməli olacaq.
+
+### Alqoritmi təkmilləşdirin
+
+Biz həmçinin əvvəlki dərsdən olan alqoritmimizi iki formada təkmilləşdirə bilərik:
+
+- **Bir sıra simulyasiyalar üzrə orta məcmu mükafatını hesablayın**. Hər 5000 iterasiyada nə qədər irəlilədiyimizi ekrana çap edəcəyik və bu müddət ərzində ümumi mükafatımızın orta qiymətini çıxaracağıq. Bu o deməkdir ki, 195-dən çox bal toplasaq, tələb olunandan daha yüksək keyfiyyətlə problemi həll edilmiş hesab edə bilərik.
+
+- **Maksimum orta məcmu nəticəni hesablayın**. Bi` `Qmax` və həmin nəticəyə uyğun olan Q-Cədvəlini yadda saxlayacağıq. Təlimi icra edən zaman görəcəksiniz ki, bəzən orta məcmunun qiyməti aşağı düşməyə başlayır və biz Q-Cədvəlinin təlim zamanı müşahidə edilən ən yaxşı modelə uyğun olan dəyərlərini saxlamaq istəyirik.
+
+1. Sonrakı planlar üçün `rewards` vektorunda hər simulyasiyada bütün məcmu mükafatları toplayın. (11. kod bloku)
+
+ ```python
+ def probs(v,eps=1e-4):
+ v = v-v.min()+eps
+ v = v/v.sum()
+ return v
+
+ Qmax = 0
+ cum_rewards = []
+ rewards = []
+ for epoch in range(100000):
+ obs = env.reset()
+ done = False
+ cum_reward=0
+ # == do the simulation ==
+ while not done:
+ s = discretize(obs)
+ if random.random()
+
+Məqsəd hər addımda aşağıdakı hərəkətlərdən birini icra edərək vadidən çıxmaq və bayrağı tutmaqdır:
+
+| Dəyər | Mənası |
+| ----- | ------------------------- |
+| 0 | Sola doğru sürəti artırın |
+| 1 | Sürətlənməyin |
+| 2 | Sağa doğru sürəti artırın |
+
+Bu problemin əsas hiyləsi avtomobilin mühərrikinin bir təkanda təpəni aşmaq üçün kifayət qədər güclü olmamasıdır. Buna görə də müvəffəq olmağın yeganə yolu təcil yaratmaq üçün geri və irəli sürməkdir.
+
+Müşahidə məkanı yalnız iki dəyərdən ibarətdir:
+
+| Nömrə | Müşahidə | Min | Max |
+| ----- | --------------------| ------| ---- |
+| 0 | Avtomobilin mövqeyi | -1.2 | 0.6 |
+| 1 | Avtomobilin sürəti | -0.07 | 0.07 |
+
+Dağ avtomobili üçün mükafat sistemi olduqca çətindir:
+
+ * Agentə dağın üstündəki bayrağa(mövqeyi = 0.5) çatdığı təqdirdə 0 mükafat verilir.
+ * Agentin mövqeyi 0,5-dən az olduqda -1 ilə mükafatlandırılır.
+
+Gedişat avtomobil mövqeyi 0,5-dən çox olduqda və ya icra uzunluğu 200-dən çox olarsa, sona çatır.
+
+## Təlimat
+
+Dağ avtomobil problemini həll etmək üçün gücləndirmə öyrənməsi alqoritmimizi indiki problemə uyğunlaşdırın. Mövcud [notebook.ipynb](../notebook.ipynb) kodu ilə başlayın, cari mühiti yeni mühitlə əvəz edin, vəziyyətin diskretləşdirilməsi funksiyalarını dəyişdirin və minimal kod dəyişiklikləri ilə təlim keçmək üçün lazım olan alqoritmi qurmağa çalışın. Hiperparameterləri tənzimləməklə nəticəni optimallaşdırın.
+
+> **Qeyd**: Alqoritmin yaxınlaşmasını təmin etmək üçün hiperparametrləri sazlamaq lazım ola bilər.
+
+## Rubrika
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | Q-Learning alqoritmi minimal kod dəyişiklikləri ilə CartPole nümunəsi uğurla uyğunlaşdırılıb və 200-dən az addımla bayrağın tutulması problemi həll edilib. | Q-Öyrənməsi alqoritmi internetdən götürülüb, amma yaxşı sənədləşdirilib; və ya mövcud alqoritm qəbul edilmişdir, amma istənilən nəticələr əldə edilməmişdir. | Tələbə heç bir alqoritmi uğurla uyğunlaşdıra bilməyib, amma həlli istiqamətində əhəmiyyətli addımlar atıb(vəziyyətin diskretləşməsini tətbiq edib, Q-Cədvəl data strukturunu qurub və s.) |
\ No newline at end of file
diff --git a/8-Reinforcement/translations/README.az.md b/8-Reinforcement/translations/README.az.md
new file mode 100644
index 0000000000..63d6cf7aff
--- /dev/null
+++ b/8-Reinforcement/translations/README.az.md
@@ -0,0 +1,53 @@
+# Gücləndirici öyrənməyə giriş
+
+Gücləndirici öyrənmə, RL(Reinforcement Learning), nəzarətli və nəzarətsiz öyrənmənin yanında əsas maşın öyrənmə paradiqmalarından biri kimi qeyd olunur. RL qərarlar haqqındadır: düzgün qərarları vermək və ya ən azı onlardan öyrənmək.
+
+Təsəvvür edin ki, birja kimi simulyasiya edilmiş bir mühitiniz var. Müəyyən bir tənzimləmə tətbiq etsəniz nə baş verər? Bunun müsbət və ya mənfi təsirləri varmı? Mənfi bir şey baş verərsə, bu _mənfi gücləndirməni_ götürməli, ondan dərs almalı və kursu dəyişməlisiniz. Əgər bu müsbət nəticədirsə, siz həmin _müsbət gücləndirməyə_ əsaslanmalısınız.
+
+
+
+> Piter və onun dostları ac canavardan qaçmalıdırlar! Şəkili [Jen Looper](https://twitter.com/jenlooper) çəkmişdir.
+
+## Regional mövzu: Piter və Qurd (Rusiya)
+
+[Piter və Qurd](https://en.wikipedia.org/wiki/Peter_and_the_Wolf) — rus bəstəkarı [Sergei Prokofyev](https://en.wikipedia.org/wiki/Sergei_Prokofiev) tərəfindən yazılmış musiqili nağıldır. O, canavarı qovmaq üçün cəsarətlə evindən çıxaraq meşənin təmizlənməsinə gedən gənc pioner Piter haqqındadır. Bu bölmədə biz Piterə kömək edəcək maşın öyrənmə alqoritmlərini öyrədəcəyik:
+
+- Ətrafı **araşdırın** və optimal naviqasiya xəritəsi qurun
+- Daha sürətli hərəkət etmək üçün skeytborddan necə istifadə etməyi və onun üzərində tarazlığı qorumağı **öyrənin**.
+
+[](https://www.youtube.com/watch?v=Fmi5zHg4QSM)
+
+> 🎥 Prokofyevin Piter və Qurd musiqisini dinləmək üçün yuxarıdakı şəkilə klikləyin
+
+## Gücləndirici öyrənmə
+
+Əvvəlki bölmələrdə siz maşın öyrənmə problemlərinin iki nümunəsini görmüsünüz:
+
+- **Nəzarət edilən** öyrənmədə həll etmək istədiyimiz problemə nümunə həllər təklif edən verilənlər bazamız var idi. [Qruplaşdırma](../../4-Classification/translations/README.az.md) və [reqressiya](../../2-Regression/translations/README.az.md) nəzarət edilən öyrənmə tapşırıqlarıdır.
+- **Nəzarətsiz** öyrənmədə isə bizim etiketli təlim datalarımız yoxdur. Nəzarətsiz öyrənmənin əsas nümunəsi [Klasterləşdirmə](../../5-Clustering/translations/README.az.md)-dir.
+
+Bu bölmədə biz sizi etiketli təlim məlumatı tələb etməyən yeni tip öyrənmə problemi ilə tanış edəcəyik. Belə problemlərin bir neçə növü var:
+
+- **[Yarı nəzarətli öyrənmədə](https://wikipedia.org/wiki/Semi-supervised_learning)** modeli əvvəlcədən öyrətmək üçün istifadə edilə bilən çoxlu etiketlənməmiş datamız var.
+- **[Gücləndirici öyrənmədə](https://wikipedia.org/wiki/Reinforcement_learning)** isə agent simulyasiya edilmiş mühitdə eksperimentlər həyata keçirərək özünü necə aparmağı öyrənir.
+
+### Nümunə - kompüter oyunu
+
+Tutaq ki, siz kompüterə şahmat və ya [Super Mario](https://wikipedia.org/wiki/Super_Mario) kimi oyun oynamağı öyrətmək istəyirsiniz. Kompüterin oyun oynaması üçün ona oyun vəziyyətlərinin hər birində hansı hərəkəti edəcəyini proqnozlaşdırmaq lazımdır. Bu qruplaşdırma problemi kimi görünsə də, belə deyil - çünki bizdə vəziyyətlər və müvafiq hərəkətlər olan verilənlər bazası yoxdur. Mövcud şahmat matçları və ya Super Mario oynayan oyunçuların qeydə alınması kimi bəzi məlumatlarımız olsa da, çox güman ki, bu məlumatlar kifayət qədər çox sayda mümkün vəziyyəti əhatə etməyəcək.
+
+Mövcud oyun datalarını axtarmaq əvəzinə, **Gücləndirici Öyrənmə** (RL) *kompüteri dəfələrlə oynatmaq* və nəticəni müşahidə etmək ideyasına əsaslanır. Beləliklə, Gücləndirici Öyrənmə tətbiq etmək üçün bizə iki şey lazımdır:
+
+- **Bir mühit** və **bir simulyator** bizə dəfələrlə oyun oynamağa imkan verir. Bu simulyator bütün oyun qaydalarını, eləcə də mümkün vəziyyətləri və hərəkətləri müəyyən edəcək.
+
+- **Mükafat funksiyası**, bu bizə hər bir hərəkət və ya oyun zamanı nə qədər yaxşı etdiyimizi bildirir.
+
+Maşın öyrənmənin digər növləri ilə RL arasındakı əsas fərq ondan ibarətdir ki, RL-də biz adətən oyunu bitirənə qədər qalib və ya məğlub olduğumuzu bilmirik. Buna görə də hansısa bir hərəkətin yaxşı olub olmadığını deyə bilmərik. Çünki yalnız oyunun sonunda mükafat alırıq və bizim məqsədimiz qeyri-müəyyən şəraitdə modeli öyrətməyə imkan verəcək alqoritmləri qurmaqdır. Biz **Q-öyrənməsi** adlı bir RL alqoritmini öyrənəcəyik.
+
+## Dərslər
+
+1. [Gücləndirici öyrənmə və Q-Öyrənməsinə Giriş](../1-QLearning/translations/README.az.md)
+2. [Gym simulyasiya mühitindən istifadə](../2-Gym/translations/README.az.md)
+
+## Tövhə verənlər
+
+"Gücləndirici öyrənməyə giriş" [Dmitri Soşnikov](http://soshnikov.com) tərəfindən ♥️ ilə yazılmışdır.
diff --git a/9-Real-World/1-Applications/translations/README.az.md b/9-Real-World/1-Applications/translations/README.az.md
new file mode 100644
index 0000000000..1605715a12
--- /dev/null
+++ b/9-Real-World/1-Applications/translations/README.az.md
@@ -0,0 +1,146 @@
+# Postskript: Real həyatda maşın öyrənməsi
+
+
+> [Tomomi Imura](https://www.twitter.com/girlie_mac) tərəfindən eskiz
+
+Bu kurikulumda, sən öyrətmə datasının bir neçə hazırlama üsulunu və maşın öyrənməsi modelini qurmağı öyrənmisən. Sən bir neçə klassik reqressiya, klasterləşdirmə, qruplaşdırma, təbii dil emalı və zaman seriyası modelləri qurmusan. Təbriklər! İndi sənə maraqlı gələ bilər ki, bu modellərin hamısı real həyatda necə tətbiq olunurlar?
+
+Sənayedə daha çox maraq AI, dərin öyrənmə ətrafında toplansa da, hələ də klassik maşın öyrənmə modelləri üçün çoxlu dəyərli tətbiqlər var. Sən bu tətbiqlərin hətta bəzilərini bugün istifadə etmisən! Bu dərsdə sən 8 fərqli sənayədə və ixtisaslaşmış sahədə bu modelləri istifadə etməklə tətbiqləri istifadəçilərə necə daha məhsuldar, etibarlı, ağıllı və dəyərli edildiyini kəşf edəcəksən.
+
+## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/49/?loc=az)
+
+## 💰 Maliyyə
+
+Maliyyə sektoru maşın öyrənməsi üçün çox fürsətlər verir. Bu sahədəki çox problemlər özləri modelləşdirilib ML vasitəsilə həll olunmağa meyillidir.
+
+### Bank kartlarında fırıldaqçılığıq təyini
+
+Biz əvvəlki dərslərdə [k-ortalama klasterləşməsi](../../../5-Clustering/2-K-Means/translations/README.az.md) barədə öyrənmişik, bəs bunu bank kartı fırıldaqçılığı problemini həll etmək üçün necə istifadə edə bilərik?
+
+K-ortalama klasterləşməsi bank kartı fırıldaqçılığını təyin edilməsi üçün **kənarlaşmanın təyini** adlanan texnikanın istifadəsində çox yararlı olur. Kənarlaşanlar və ya müşahidə olunan data qrupundan fərqlənənlər bizə bank kartının normal şəraitdə istifadə olunduğunu və ya şübhəli bir əməliyyatın icra olunduğunu deyə bilir. Aşağıdakı məqalədə göstərildiyi kimi siz bank kartı datalarını k-ortalama klasterləşməsi alqoritmi ilə sıralaya bilər və hər əməliyyatı bir klasterə aid edərək onun nə qədər kənarlaşdığını təyin edə bilərsiniz. Sonra siz fırıldaqçılığa yaxın ən riskli klasterləri normal əməliyyatlarla müqayisədə fərqləndirə bilərsiniz.
+[İstinad](https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.680.1195&rep=rep1&type=pdf)
+
+### Sərvətin idarə olunması
+
+Sərvətin idarə edilməsində fərd və ya şirkət müştərilərinin adından sərmayələrin icrasında cavabdehdirlər. Onların işi şərvəti qorumaq və uzun müddətdə inkişaf etdirməkdir, buna görə də onlara sərmayəni düzgün seçərək məhsuldar nəticə göstərmək çox vacibdir.
+
+Müəyyən bir sərmayənin necə işlədiyini ölçməyin yollarından biri statistik reqressiyadır. [Xətti reqressiya](../../../2-Regression/1-Tools/translations/README.az.md) fondun başqa etalonlarla müqayisədə necə işlədiyini başa düşmək üçün dəyərli bir alətdir. Biz həmçinin reqressiyanın nəticəsinin statistik olaraq nə qədər təsirli olduğunu və ya müştərinin sərmayəsinə nə qədər təsir edə biləcəyini öyrənə bilərik. Analizini əlavə olaraq risk faktorlarının nəzərə alan müxtəlif reqressiya üsulları ilə genişləndirə bilərsən. Misal üçün bunun müəyyən fonda necə təsir edə biləcəyini və onu necə ölçə biləcəyini aşağıdakı məqalədən öyrənə bilərsən.
+[İstinad](http://www.brightwoodventures.com/evaluating-fund-performance-using-regression/)
+
+## 🎓 Təhsil
+
+Təhsil sektoru da ML tətbiq oluna biləcək çox maraqlı sahədir. Burada imtahan və ya esselərdə fırıldağın, hansısa tərəfin şüurlu və ya şüursuz tutulmasını təyin olunması kimi maraqlı problemlər var.
+
+### Tələbələrin davranışının proqnozlaşdırılması
+
+[Coursera](https://coursera.com) online açıq kurs təminatçısıdır və onların çoxlu mühəndislik qərarlarının müzakirə olunduğu möhtəşəm bloqları var. Bir araşdırmada onlar aşağı NPS (Başqasına Tövsiyyə Dərəcəsi) ilə kursun baxılma və ya yarımçıq qoyulma halları arasında əlaqəni öyrənmək üçün reqressiya xətti çəkərək öyrənmək istəyiblər.
+[İstinad](https://medium.com/coursera-engineering/controlled-regression-quantifying-the-impact-of-course-quality-on-learner-retention-31f956bd592a)
+
+### Tərəf tutmanın qarşısının alınması
+
+[Grammarly](https://grammarly.com) yazmaq üçün köməkçidir və öz məhsullarında xüsusi [təbii dil emalı sistemi](../../../6-NLP/translations/README.az.md) istifadə edərək yazı və qrammatika xətalarını tapır. Onlar texnoloji bloqlarında bizim [ədalətli sistemlərə giriş dərsimizdə](../../../1-Introduction/3-fairness/translations/README.az.md) öyrəndiyimiz kimi genderlər arasında tərəf tutmanın maşın öyrənməsi ilə necə həll etdikləri ilə bağlı maraqlı bir araşdırma paylaşıblar.
+[İstinad](https://www.grammarly.com/blog/engineering/mitigating-gender-bias-in-autocorrect/)
+
+## 👜 Pərakəndə satış
+
+Pərakəndə satış sektoru yaxşı müştəri təcrübəsi yaratmaqdan inventarda məhsulların optimal sayda stoklanmasına kimi ML istifadəsindən çox faydalar götürür.
+
+### Müştəri təcrübəsini fərdiləşdirmək
+
+Ev əşyaları və mebellər satışı edən Wayfair şirkəsi müştərilərinin zövqlərinə və ehtiyaclarına uyğun doğru məhsulu tapmaqda kömək edir. Bu məqalədə şirkətin mühəndisləri ML və NPL istifadə etməklə "müştərilərə doğru nəticələrin çıxardılması" necə etdiklərini paylaşıblar. Onlar məlumatın filtrlənməsi, qruplaşdırılması, məhsul və fikrin müştəri rəylərindən təyin olunmasını istifadə edərək sorğuların məqsədini təyin edən mühərrik (Query Intent Engine) hazırlayıblar. Bu NLP-nin onlayn pərakəndə sahəsində istifadə olunan klassik tətbiqidir.
+[İstinad](https://www.aboutwayfair.com/tech-innovation/how-we-use-machine-learning-and-natural-language-processing-to-empower-search)
+
+### İnventarın idarə edilməsi
+
+İstehlakçılara geyin qutularının çatdırılması ilə məşğul olan [StitchFix](https://stitchfix.com) kimi innovativ və çevik şirkətlər məhsul tövsiyyəsi və inventarın idarə olunmasında ML-dən çox asılıdırlar. Onların moda komandaları ticarət komandaları ilə birlikdə çalışaraq belə bir nəticəyə gəliblər: "bizim data mühəndislərimizdən biri paltarlar üzərində genetika algoritmi tətbiq edərək indiyə kimi mövcud olmayan və uğurlu olacaq paltar nümunələri proqnozlaşdırmışdır. Biz bunu ticarət komandasına gətirdik və onu artıq alət kimi işlərində istifadə edirlər."
+[İstinad](https://www.zdnet.com/article/how-stitch-fix-uses-machine-learning-to-master-the-science-of-styling/)
+
+## 🏥 Səhiyyə
+
+Səhiyyə sektorunda araşdırmaları optimallaşdırılması, xəstələrin yenidən qəbulu zamanı logistika problemlərini həll etməyə və ya xəstəliyin yayılmasının qarşısını almaq üçün ML-dən istifadə oluna bilər.
+
+### Tibbi təcrübələrin idarə edilməsi
+
+Dərman hazırlayanlar üçün tibbi təcrübələrdəki zəhərlənmə halları ən narahat olduqları məqamdır. Nə qədər zəhərlənmə qəbul oluna bilər? Bu araşdırmada tibbi təcrübələrin nəticələrinin proqnozlaşdırılması üçün yeni üsulların yaradılmasında müxtəlif üsullar analiz olunub. Onlar xüsusi olaraq təsadüfi parametrlər istifadə edərək [qruplaşdırıcının](../../../4-Classification/translations/README.az.md) köməyi ilə dərman qruplarını ayırd edə biliblər.
+[İstinad](https://www.sciencedirect.com/science/article/pii/S2451945616302914)
+
+### Xəstəxanada yenidən qəbulunun idarə edilməsi
+
+Xəstəxana xidmədi çox bahalıdır, xüsusən də xəstələrin yenidən yerləşdirilməsi lazım olduqda. Bu araşdırmada ML [klasterləşdirmə](../../../5-Clustering/translations/README.az.md) alqoritmləri istifadə etməklə yenidən yerləşdirilməsi lazım olacaq xəstələri təxmin edən şirkət haqqında danışılır. Bu klasterlər "yenidən yerləşdirilməsi lazım olan qruplarda oxşar xüsusiyyətləri" analiz etməkdə kömək edir.
+[İstinad](https://healthmanagement.org/c/healthmanagement/issuearticle/hospital-readmissions-and-machine-learning)
+
+### Xəstəliklərin idarə olunması
+
+Ən son pandemiya bizə maşın öyrənməsinin köməyi ilə xəstəliyin yayılmasının qarşısı alınması üsullarını aydınlatdı. Bu məqalədə ARIMA-nın, logistika əyrilərinin, xətti reqressiyanın və SARIMA-nın istifadəsini görəcəksən. "Bu araşdırma virusun yayılma sürətini hesablamağa, ölüm və sağalma ehtimallarını proqnozlaşdrmağa çalışıb bizim gələcəyə daha yaxşı hazırlıqlı olmağa və sağ qalmağa kömək edəcək."
+[İstinad](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7979218/)
+
+## 🌲 Ekologiya və yaşıl texnologiya
+
+Təbiət və ekologiya heyvanlar və təbiət arasında əlaqədə olan bir çox həssas sistemlərdən ibarətdir və daim diqqəti özünə cəlb edir. Bu sistemləri dəqiq ölçə bilmək çox vacibdir və meşə yanğınları və ya heyvanların artımında ani dəyişikləri analiz edib edib müvafiq addımlar atılmalıdır.
+
+### Meşələrin idarə edilməsi
+
+Əvvəlki dərslərdə [Gücləndirici öyrənmə (RL)](../../../8-Reinforcement/translations/README.az.md) haqqında öyrənmisən. Bu üsul təbiətdəki hərəkətləri proqnozlaşdırmaqda çox faydalıdır. Xüsusi ilə meşə yanğınları və ziyanverici həşaratlar kimi ekoloji problemləri izləməkdə istifadə oluna bilinir. Kanadada bir qrup tədqiqatçı Gücləndirici öyrənmə üsulu tətbiq edərək peyk şəkillərindən meşə yanğınlarının dinamika modelini qurublar. Onlar innovativ "məkanda yayılma prosesini(SSP)" istifadə etməklə meşə yanğınını "müstəvi üzərində istənilən mövqedə olan agentə" bənzədiblər. "Yanğının olduğu məkandan verilən zamandan sonra edə biləcəyi hərəkətlər yalnız şimala, cənuba, şərqə və qərbə yayılmaq və ya heç yayılmamaqdır.
+
+Bu yanaşma sadə RL tətbiqini yanğının ani yayılmasının dinamikasına daha uyğun olan məşhur Markov Qərarvermə Prosesinə (MDP) çevirir." Aşağıdakı linkdən klassik alqoritmlərin bu qrupa aid problemlərdə necə istifadə olunması barədə oxuya bilərsiniz.
+[İstinad](https://www.frontiersin.org/articles/10.3389/fict.2018.00006/full)
+
+### Heyvanların hərəkətini hiss etmək
+
+Dərin öyrənmə heyvanların hərəkətinin vizual olaraq izlənməsində inqilab yaratsa da (qütb ayısını izləmək üçün proqramı [burada](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) hazırlaya bilərsən), klassik ML-in bu tapşırıqda hələ də yeri var.
+
+Ferma heyvanlarının hərəkətlərini izləyən sensorlar və IoT (Əşyaların interneti) cihazları vizual emal üçün istifadə olunur, lakin datanın əvvəldən emal olunması üçün sadə ML texnikalarını istifadə etmək daha faydalıdır. Misal üçün bu məqalədə qoyunların duruşları müxtəlif qruplaşdırıcı alqoritmlərlə müşahidə və analiz olunur. 335-ci səhifədə ROC əyrisini tanıyacaqsan.
+[İstinat](https://druckhaus-hofmann.de/gallery/31-wj-feb-2020.pdf)
+
+### ⚡️ Enerjinin idarə edilməsi
+
+[Zaman seriyasının proqnoqlaşdırılması](../../../7-TimeSeries/translations/README.az.md) dərsimizdə tələb və təklifi başa düşərək kəndə gəlir gətirəcək ağıllı parklama sayğacı konseptini qurmuşduq. Bu məqalədə ağıllı sayğaclar istifadə edərək klasterləşmə, reqressiya və zaman seriyasının proqnozlaşdırılmasının birgə tətbiqi ilə gələcəkdə İrlandiyada enerji istehlakını proqnozlaşdırılmasına necə kömək etdiyindən danışılır.
+[İstinad](https://www-cdn.knime.com/sites/default/files/inline-images/knime_bigdata_energy_timeseries_whitepaper.pdf)
+
+## 💼 Sığorta
+
+Sığorta sektoru ML istifadə etməklə sərfəli maliyyə və risk modellərinin qurulmasının tətbiq olunduğu başqa bir sahədir.
+
+### Dəyişkənliyin idarə edilməsi
+
+Həyat sığortası təklif edən şirkət Metlife öz maliyyə modellərində dəyişkənlik risklərinin qarşısını almaq üçün istifadə etdiyi üsullardan bəhs etməyə dəyər. Bu məqalədə ikili və çoxsaylı qruplaşdırıcı vizuallardan istifadə olunduğunu görəcəksən. Sən həmçinin proqnozlaşdırma qrafiklərini də kəşf edəcəksən.
+[İstinad](https://investments.metlife.com/content/dam/metlifecom/us/investments/insights/research-topics/macro-strategy/pdf/MetLifeInvestmentManagement_MachineLearnedRanking_070920.pdf)
+
+## 🎨 İncəsənət, Mədəniyyət, və Ədəbiyyat
+
+İncəsənət sahəsində, misal olaraq jurnalistikada çoxlu sayda maraqlı problemlər var. Saxta xəbərlərin insanların fikirlərinə təsir etməsi, hətta demokratiyanın pozulmasına yol açması çox böyük bir problemdir. Muzeylər də həmçinin ML istifadə etməklə artefaktlar arasında əlaqələr tapmaqdan resurs planlamasına kimi çox şeydə faydalana bilirlər.
+
+### Saxta xəbərlərin aşkarlanması
+
+İndiki mediyada saxta xəbərlərin aşkarlanması siçan və pişik oynununa çevrilib. Bu məqalədə tədqiqatçılar yoxlamalarına əsasən bir neçə fərqli ML texnikalarını birləşdirərək ən yaxşı modeli yaratdıqlarını düşünürlər: "Bu sistem təbii dil emalı istifadə edərək datadan faktları çıxarır və həmin faktlar Naive Bayes, Dəstək Vektor Maşını (SVM), Random Forest (RF), Stokastik Qradient Enişi (SGD) və Logistik Reqressiyası (LR) kimi maşın öyrənməsi alqoritmlərində öyrətmə datası kimi istifadə olunur".
+[İstinad](https://www.irjet.net/archives/V7/i6/IRJET-V7I6688.pdf)
+
+Bu məqalə müxtəlif ML sahələrini birləşdirməklə saxta xəbərlərin yayılmasını və həqiqi ziyan verməsini dayandırmaqda kömək edən maraqlı nəticələrin əldə olunduğunu göstərir, misal üçün COVID müalicəsi ilə bağlı xəbərlərin yayılmasında təkan insanlar arasında izdihama və zorakılığa səbəb ola bilər.
+
+### Muzeylərdə ML
+
+Muzeylər AI inqilabı ilə tarixi zirvəyə qalxıb, belə ki kolleksiyaların rəqəmsallaşdırılması, kataloqlaşdırılması və artefaktların arasında əlaqələrin tapılması texnologiyanın köməyi ilə çox asanlaşıb. [In Codice Ratio](https://www.sciencedirect.com/science/article/abs/pii/S0306457321001035#:~:text=1.,studies%20over%20large%20historical%20sources) kimi layihələr Vatikan Arxivləri kimi əlçatmaz kolleksiyaların sirrlərini açmaqda kömək ediblər. Muzeylər ML modelləridən həmçinin biznes tərəfdən də faydalanırlar.
+
+Misal üçün Çikaqo İncəsənət İnstitutu modellər qurmaqla onun proqnozları əsasında tamaşaçıların marağına və iştirakına əsaslanan sərgilər hazırlayırlar. Burada əsas məqsəd muzeyi ziyarət edən qonaqlara hər dəfə fərdiləşdirilmiş və optimallaşdırılmış təcrübə yaşatmaqdır. "İncəsənət İnstitutunun böyük vitse prezidenti Andryu Siminkin sözlərinə görə 2017-ci ildə model dəqiqlikdə 1 faiz xəta ilə iştirak və satışları proqnozlaşdırmışdır".
+[İstinad](https://www.chicagobusiness.com/article/20180518/ISSUE01/180519840/art-institute-of-chicago-uses-data-to-make-exhibit-choices)
+
+## 🏷 Marketinq
+
+### Müştəri seqmentasiyası
+
+Marketingin ən effektiv strategiyası müştəriləri fərqli qruplar halında hədəfləməkdir. Bu məqalədə klasterləşmə alqoritmi tətbiq olunmaqla fərqləndirilən marketinqə necə dəstək olunması barədə danışılır. Fərqləndirilən marketinq şirlətlərə brendlərini daha yaxşı tanıtmağa, daha çox müştəriyə çıxmağa və daha çox pul qazanmağa kömək edir.
+[İstinad](https://ai.inqline.com/machine-learning-for-marketing-customer-segmentation/)
+
+## 🚀 Məşğələ
+
+Bu kurikulumda öyrəndiyin texnikaların istifadə oluna biləcəyi başqa bir sahəni tap və ML-in necə istifadə olunmasını araşdır.
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/50/?loc=az)
+
+## Təkrarlayın və özünüz öyrənin
+
+Wayfair data elmi komandasının öz şirkətlərində ML-in necə istifadə etdikləri ilə bağlı çoxlu maraqlı videoları var. [Onlara baxmağa](https://www.youtube.com/channel/UCe2PjkQXqOuwkW1gw6Ameuw/videos) dəyər!
+
+## Tapşırıq
+
+[ML iməcliyi](assignment.az.md)
diff --git a/9-Real-World/1-Applications/translations/assignment.az.md b/9-Real-World/1-Applications/translations/assignment.az.md
new file mode 100644
index 0000000000..169aba6edb
--- /dev/null
+++ b/9-Real-World/1-Applications/translations/assignment.az.md
@@ -0,0 +1,13 @@
+# ML iməcliyi
+
+## Təlimatlar
+
+Bu dərsdə klassik ML istifadə etməklə bir çox real həyat problemlərini necə həll olunduğunu öyrəndin. Dərin öyrənmənin, AI alətlərinin və texnikalarının istifadəsi, neyron şəbəkələrin köməyi ilə yaradılan alətlər də bu sahələrdə çox faydalı olub, lakin bu kurikulumndakı klassik ML texnikalarının tətbiqi hələ də böyük dəyərə sahibdir.
+
+Bu tapşırıqda özünü hakatonda istirakçı kimi təsəvvür et. Bu kurikulumnda öyrəndiyin və istədiyin klassik ML istifadə etməklə adı çəkilmiş sahələrdə hansısa problemi həll etməyə çalış. Öz ideyanı necə tətbiq edəcəyinlə bağlı bir təqdimat hazırla. Öz konseptin üçün nümunə data yığıb ML modeli qursan, əlavə bonus xallar da toplaya bilərsən!
+
+## Rubrika
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | PowerPoint təqdimatı hazırdır - modelin qurulmasına görə bonus xal tətbiq olunur | İnnovativ olmayan, sadə təqdimat hazırlandı | İş yarımçıqdır |
diff --git a/9-Real-World/2-Debugging-ML-Models/translations/README.az.md b/9-Real-World/2-Debugging-ML-Models/translations/README.az.md
new file mode 100644
index 0000000000..033e3c59d3
--- /dev/null
+++ b/9-Real-World/2-Debugging-ML-Models/translations/README.az.md
@@ -0,0 +1,173 @@
+# Postskipt: Maşın öyrənməsində Məsul AI idarə paneli komponentləri ilə model analizi
+
+## [Mühazirədən əvvəl test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/5/?loc=az)
+
+## Giriş
+
+Maşın öyrənməsi günlük həyatımıza təsir edir. AI bizə fərd kimi, həmçinin cəmiyyətimizə, səhiyyəyə, maliyyəyə, təhsilə və işimizə təsir edən əsas sistemlərə öz yolunu tapır. Misal olaraq, sistemlər və modellər sağlamlığa dair diaqnozlarda və ya fırıldaqçılığın tapılması kimi gündəlik qərarvermə tapşırıqlarında iştirak edirlər. Nəticə etibarı ilə AI-də olan inkişaf və paralel sürətli adoptasiyaya cavab olaraq cəmiyyətimizin gözləntiləri və genişlənən tənzimləmələr də artır. Biz daim AI sistemlərinin bəzi sahələrdə gözləntiləri ödəmədiyini görürük, yeni çağırışlar yaradır və hökümətlər AI həllərini tənzimləməyə başlayırlar. Buna görə də modellərin analizindən hər kəsə ədalətli, etibarlı, inkluziv, şəffaf və cavabdeh olacağı nəticələr çıxarması vacibdir.
+
+Bu kurikulumda biz məsul AI problemləri olan modelləri praktik hansı alətlərlə yoxlaya biləcəyimizi öyrənəcəyik. Ənənəvi maşın öyrənməsi analizi texnikaları toplanmış dəqiqlik və ya orta xəta itkisi kimi kəmiyyət hesablamalarına əsaslanırlar. Təsəvvür et ki, model qurmaq üçün istifadə etdiyin datada bəzi demoqrafik məlumatlar əksikdir, misal üçün irqi, cinsi, siyasi görüş, dini inanc kimi demoqrafiyaları normalara uyğun paylanmayıb. Modelin nəticəsinin yalnız bəzi demoqrafiyaya uyğun olsa necə olacaq? Bunun nəticəsində modeldə azlıq təşkil edən həssas qruplar üçün ədalətlilik, inklusivlik və ya etibarlılıq problemləri ortaya çıxacaq. Başqa məqam isə budur ki, maşın öyrənməsi modelləri qara qutu kimi hesab olunur, bu onların proqnozlarının nəyə əsaslanıb verdiyini izah etməyi daha da çətinləşdirir. Bunların hamısı data mühəndislərinin və AI developerlərinin modeli analiz etmək, ədalətliliyini və ya etibarlılığını yoxlamaq üçün lazımi alətlərinin olmamasına görə rastlaşdıqları problemlərdir.
+
+Bu dərsdə modelləri aşağıdakı üsullarla analiz etməyi öyrənəcəksən:
+
+- **Xəta analizi**: data paylanmasının hansı hissəsində modelin daha çox xətası olduğunu aşkar edəcək.
+- **Modelə baxış**: modelin performans dəyərlərində bərabərsizliklərini aşkarlamaq üçün datanın müxtəlif seqmentlərində müqayisəli analizlər aparacaq.
+- **Data analizi**: modeli korlayan, bir demoqrafiyanı digərindən daha üstün tuta biləcək hallarda datanın hansı hissəsində iştirakın həddindən artıq və ya əksik olduğunu araşdıracaq.
+- **Parametr önəmi**: hansı parametlərin modelin qlobal və ya lokal səviyyədə proqnazlarına təsir edəcəyini anlayacaq.
+
+## İlkin tələblər
+
+İlkin tələblərə uyğun olaraq [mühəndislər üçün Məsul AI alətlərini](https://www.microsoft.com/ai/ai-lab-responsible-ai-dashboard) təkrarlayın.
+
+> 
+
+## Xəta analizi
+
+Dəqiqliyi ölçmək üçün istifadə olunan ənənəvi model performans metrikaların əksəriyyəti düzgün və səhv təxminlərin nisbətinin hesablamasına əsaslanır. Misal üçün modelin 89% dəqiqliyə malik olması və eyni zamanda xəta itkisi 0.001-dirsə, bu yaxşı performans sayılır. Xətalar çox vaxt dataset boyunca bərabər paylanmış olmur. Sən modeldə 89% dəqiqlik qiyməti ala bilərsən və eyni zamanda datanın fərqli hissələrində modelin 42% xətalı olduğunu da görə bilərsən. Bəzi data qruplarında olan xəta naxışlarının nəticəsində ədalətlilik və ya etibarlılıq problemləri yarana bilər. Buna görə modelin harada daha yaxşı və pis işlədiyini anlamaq vacibdir. Çox sayda qeyri-dəqiq məlumatlar olan data hissələri modelində vacib data demoqrafiyaya çevrilə bilər.
+
+
+
+
+RAI idarə panelində Xəta analizi komponenti model xətalarının müxtəlif hissələr üzərində necə paylanıldığını ağac sxemi şəklində vizuallaşdırır. Bu hansı parametrin və datasetin hansı hissəsində yuxarı dərəcədə xətaların olduğunu aşkarlamağa köməkçi olur. Modelin qeyri-dəqiqliklərinin haradan gəldiyini görməklə problemin kökünü araşdırmağa başlaya bilərsiniz. Həmçinin data qrupları üzərində də analizlər apara bilərsən. Bu data qrupları araşdırma prosesində modelin performansının bir qrupda yaxşı, lakin digərində xətalı olduğunu bilməyə kömək edə bilər.
+
+
+
+Ağac sxemindəki vizual göstəricilər xətanın yerini sürətli təyin etməyə kömək edir. Misal üçün qırmızının daha tünd olduğu düyündə daha çox xəta dərəcəsi var.
+
+İstilik xəritələnməsi başqa bir vizuallaşdırma funksiyasıdır və burada istifadəçilər modelin ümumi və ya data qrupları üzərində xəta dərəcəsini artırmaqda rol oynayan bir və ya iki parametri aşkar edə bilərlər.
+
+
+
+Xəta analizini bu hallarda istifadə edin:
+
+* Model xətalarının datasetlər üzərində və fərqli giriş dəyələrləri, parametr ölçülərində dərin anlayış əldə etmək istəyəndə.
+* Toplanmış performans metrikasını hissələrə bölməklə xətalı data qruplarınını kəşf etmək və növbəti miqrasiya addımlarından xəbərdar olmaq istəyəndə.
+
+## Modelə baxış
+
+Maşın öyrənmə modelinin performansını dəyərləndirmək üçün onun davranışlarını vahid sistem kimi anlamaq lazımdır. Bunu birdən çox metrikanı analiz etməklə əldə etmək olar, misal üçün xəta dərəcəsi, dəqiqlik, yenidən çağrılma və ya MAE (Orta mütləq xəta) istifadə olunmaqla performans metrikaları arasındakı fərqlilikləri tapmaq olar. Bir performans metrikası əla görünə bilər, lakin qeyri-dəqiqliklər digər metrikada üzə çıxa bilər. Əlavə olaraq bütün datasetin və ya hissələrin üzərində metrikaların fərqliliklərini müqayisə etməklə modelin harada yaxşı və ya pis nəticələr göstərdiyini üzə çıxarmağa kömək edəcək. Bu xüsusi olaraq modelin performansının həssas və ya qeyri-həssas xüsusiyyətlər arasında (misal üçün irq, cins və ya yaş fərqləri) ədalətliliyin pozulma hallarını aşkarlamaq üçün vacibdir. Misal üçün modelin müəyyən data qrupunda həssas xüsusiyyətlərdə daha çox xəta verməsi modelin ədalətsizliyə səbəb olacağını bildirir.
+
+RAI idarə panelinin Modelə baxış komponenti sadəcə data qruplarının performans metrikalarını analiz etməyə kömək etmir, həmçinin istifadəçilərə modelin nəticələrini digər data qrupları arasında da müqayisə etməyə imkan yaradır.
+
+
+
+Komponentin parametr üzərində analiz funksionallığı istifadəçilərin bəzi parametrlərdə anomaliyaları aşkar etmək üçün aşağı səviyyəyə kimi alt-qruplara düşməyə imkan verir. Misal üçün idarə panelində istifadəçi tərəfindən seçilmiş parametrə əsasən avtomatik alt-qruplar yaradan məntiqi var (misal üçün *"time_in_hospital < 3"* or *"time_in_hospital >= 7"*). Bu istifadəçinin bəzi parametrləri böyük data qrupundan ayırmağa və modelin xətalı nəticələrinə əsas hansıların təsir etdiyini görməyə imkan yaradır.
+
+
+
+Modelə baxış komponenti 2 növ metrikaların fərqlərini dəstəkləyir:
+
+**Model performansında fərqlilik**: Bu qrupa aid metrikalar seçilmiş parametrlərin datanın alt-qrupları arasında fərqlərini hesablayır. Bəzi nümunələr:
+
+* Dəqiqlik dərəcəsində fərq
+* Xəta dərəcəsində fərq
+* Dəqiqlikdə fərq
+* Yenidən çağrılmada fərq
+* Orta mütləq xətalarda fərq (MAE)
+
+**Seçilmiş dərəcələrdə fərq**: Bu metrika gözlənilən proqnoz dərəcələrinin alt-qruplar arasında fərqlərini hesablayır. Buna nümunə olaraq kreditlərə təsdiq dərəcələrində fərqləri göstərmək olar. Seçilmiş dərəcə ikili qruplaşdırma tətbiqində 1 kimi qiymətləndirilən data nöqtələrinin tutduğu hissə, reqressiyada isə proqnozlaşdıran dəyərlərinin paylanılması nəzərdə tutulur.
+
+## Data analizi
+
+> "Dataya lazımi qədər işgəncə etsən, o hər şeyi çaşdıracaq" - Ronald Koas
+
+Bu fikir ekstremal səslənsə də, datanın istənilən fikri dəstəkləyə biləcək dərəcədə manipulasiya edilə bilməsi doğrudur. Belə manipulasiyalar bəzən qeyri-ixtiyari olur. İnsan olaraq bizim də bəzi tərəf tutduğumuz məqamlar var və dataya tərəfkeşliyi gətirdiyimizi şüurlu olaraq bilməyimiz çox zaman çətin olur. AI-də və maşın öyrənməsində ədalətliliyin sığortalanması hələ də qəliz problem kimi qalır.
+
+Data ənənəvi model performans metrikaları üçün böyük bir kor nöqtədir. Sən yüksək dəqiqlik qiyməti əldə edə bilərsən, lakin bu sənin datasetinin tərəf tutduğu ehtimalını həmişə əks etdirməyəcək. Misal üçün şirkətdə idarəedici pozisiyada işçilərin 27%-i qadın, 73%-u kişi olan dataseti ilə öyrədilən iş reklamı AI modeli tətbiqdə yuxarı vəzifəli işlər üçün adədən kişiləri hədəfləyəcək. Datakı belə disbalans modelin proqnozlarını bir cinsə tərəf çox yönəldə bilər. Bu AI modelində harada cinsi ayrı-seçkilik problemi olduğunu üzə çıxarır.
+
+RAI idarə panelində Data analizi komponenti datasetin hansı hissəsində həddindən artıq çox və ya az iştirakın olduğunu təyin etməyə kömək edir. Biz istifadəçilərə datanın balans pozuntularından və ya müəyyən data qrupunun az təmsil edilməsinə görə yaranan xəta və ədalətlilik problemlərinin kökündəki səbəbi analiz etməyə kömək edir. Bu, istifadəçilərə proqnozlaşdırılan və həqiqi nəticələr, xəta qrupları və xüsusi parametrlərə əsasən vizualizasiya imkanları verir. Bəzən az təmsil olunan data qrupunun kəşfi modelin yaxşı öyrənmədiyini və nəticədə yüksək qeyri-dəqiqliyin olduğunu üzə çıxarır. Data ayrı-seçkiliyi olan modelə sahib olmaq sadəcə ədalətlilik problemi deyil, həmçinin modelin inkluziv və etibarlı olmadığını da göstərir.
+
+
+
+Aşağıdakı hallarda data analizini istifadə et:
+
+* Datasetin statistikasını müxtəlif filtrlər tətbiq edərək fərqli ölçüdə hissələrə bölərək kəşf et (həmçinin data qrupu kimi də tanınır).
+* Datasetin müxtəlif qruplarda və parametr qruplarında paylanılmasını başa düş.
+* Ədalətlilik, xəta analizi və səbəbiyyət (başqa idarə paneli komponentindən əldə olunur) ilə bağlı tapıntılarının datasetin paylanılması ilə əlaqəli olduğunu təyin et.
+* Təmsiletmə, etiket, parametr problemlərindən, etiket ayrı-seçkiliyindən və oxşar faktorlardan əmələ gələn xətaları azaltmaq üçün hansı sahədə daha çox data yığmalı olduğuna qərar ver.
+
+## Modelin şərh edilməsi
+
+Maşın öyrənmə modelləri qara qutulara bənzəyirlər. Hansı açar data parametri modelin proqnozlarını idarə etdiyini başa düşmək çətindir. Modelin verdiyi proqnozların səbəbinin şəffaflığını təmin etmək vacibdir. Məsələn, əgər AI sistemi diabet xəstəsinin 30 gündən daha tez xəstəxanaya yenidən qayıdacağını təxmin edirsə, bunun hansı datalara əsasən proqnozlaşdırdığını təmin etməlidir. Dəstəkləyici data göstəriciləri xəstəxana işçilərinə və xəstəxanalara daha şüurlu qərarlar verməsi üçün şəffaflıq gətirir. Əlavə olaraq modelin fərdi xəstəyə verdiyi proqnozu izah edə bilməsi həmçinin səhiyyə qaydalarına cavabdehliyini də mümkün edir. Sən insanların həyatına təsir edəcək maşın öyrənməsi modelləri istifadə edirsənsə, modelin qərarlarına təsir edən amilləri başa düşməyin və izah edə bilməyin vacibdir. Modelin izah olunması və şərh edilə bilməsi aşağıdakı ssenarilərdə suallara cavab verməyə kömək edir:
+
+* Model analizi: Mənim modelim niyə belə səhv etdi? Modelimi necə təkmilləşdirə bilərəm?
+* İnsan-AI əməkdaşlığı: Modelin qərarlarını necə anlaya və güvənə bilərəm?
+* Qaydalara uyğunluq: Modelim qanunlarını tələblərini ödəyirmi?
+
+RAI idarə panelinin Parametr vacibliyi komponenti modelin proqnozlarını necə etdiyini analiz etməyə və dərindən anlamağa kömək edir. Bu alət həmçinin maşın öyrənməsi peşəkarlarına və qərar verənlərə modelin davranışlarının qanunlara uyğunluğunu göstərmək üçün hansı parametrlərin təsir etdiyini izah və isbat etməyə kömək edir. Əlavə olaraq, istifadəçilər hansı parametlərin modelin proqnozlarına təsir etdiyini həm qlobal, həm də local izahlarla araşdıra bilərlər. Qlobal izahlar modelin ümumi proqnozlarına təsir edən baş parametrləri siyahı kimi verir. Local izahlar isə modelin fərdi hallarda proqnozlarına səbəb olan parametləri göstərir. Local izahları araşdırmaq imkanı xüsusi hallarda modelin dəqiq və ya qeyri-dəqiq proqnozlarının səbəbini analiz etmək, daha yaxşı başa düşmək və şərh etmək üçün də faydalıdır.
+
+
+
+* Qlobal izahlar: Məsələn, hansı parametlər diabet xəstələrinin xəstəxanaya geri qayıdış modelinin ümumi davranışına təsir edir?
+* Local izahlar: Məsələn, xəstəxanaya düşmüş 60 yaşdan yuxarı diabet xəstəsi növbəti 30 gün ərzində yenidən xəstəxanaya geri qaydıdıb-qayıtmayacağını proqnozu nəyə əsasən verilir?
+
+Modelin müxtəlif data qrupları üzərində performans yoxlamasının analiz prosesində Parametr vacibliyi komponenti qruplar üzərində parametrlərin hansı dərəcədə təsiri olduğunu göstərir. Bu, modelin xətalı proqnozlarına səbəb olan parametrin təsir səviyyəsini müqayisə etməklə anomaliyaları aşkar etməyə kömək edir. Parametr vacibliyi komponenti parametrin hansı dəyərinin modelin nəticəsinə müsbət və ya mənfi təsiri olduğunu göstərə bilir. Məsələn, əgər model qeyri-dəqiq proqnoz verirsə, koponent sənə hansı parametrin və ya parametrin hansı dəyərinin proqnoza təsir etdiyini tapmaq üçün dərinə enməyə imkan yaradır. Bu səviyyədə məlumat sadəcə analiz etməyə kömək etmir, həmçinin audit hallarında şəffaflıq və cavabdehliyi də təmin edir. Son olaraq komponent sənə ədalətlilik problemlərini müəyyən etməyə də kömək edə bilər. Fərz edək ki, əgər etnik və ya cins kimi həssas parametr modelin proqnozunda çox təsir qüvvəsi varsa, bu modeldə irqi və cinsi ayrı-seçkiliyin ola bilməsinə dair bir işarədir.
+
+
+
+Şərh edilməni bu hallarda istifadə et:
+
+* Hansı parametrlərin proqnozlar üçün daha vacib olduğunu başa düşərək AI sistemin proqnozlarının nə qədər güvənli olduğuna əmin ol.
+* Modelini analiz etmək üçün ilk olaraq onu başa düşməyə çalış və modelin sağlam parameteləri istifadə etdiyini və cüzi yanlış korrelasiya verdiyini təyin et.
+* Modelin həssas və ya onunla çox korrelasiya olan parametrlər üzərində ayrı-seçkilik etdiyini anlamaqla mümkün qeyri-ədalətliliyin mənbəsini üzə çıxar.
+* Modelin lokal izahlarını yaradaraq və nəticələri vizuallaşdıraraq istifadəçinin güvənini qazan.
+* Modelləri təsdiqləyərək və qərarlarının insanlar üzərində təsirini izləyərək AI sistemlər üzərində tənzimləyici audit işlərini icra et.
+
+## Nəticə
+
+RAI idarə panelinin bütün komponentlərin hamısı sənə cəmiyyət üçün az zərərli və daha güvənli maşın öyrətməsi modeli yaratmağa kömək edəcək praktik alətlərdir. Bu, diskriminasiya və ya müəyyən qrupları fürsətlərdən kənarlaşdırmaq, fiziki və psixoloji zərər kimi insan haqqlarına qarşı olan təhdidlərin qarşısını almağa kömək edəcək. Bu həmçinin sənin modelinə olan güvəni qərarlarını lokal izahlar yaratmaqla və nəticələri vizuallaşdırmaqla kömək edəcək. Mümkün ola biləcək ziyanları belə təsnifləşdirilə bilər:
+
+- **Yerləşdirmə**, müəyyən cinsin və ya irqin digəri üzərində daha çox seçilməsi.
+- **Xidmət keyfiyyəti**. Əgər bir ssenariyə uyğun data ilə öyrətmə etsən, bu reallıqda daha qəliz vəziyyətlərdə zəif xidmət göstərməyə gətirib çıxaracaq.
+- **Stereotiplər**. Bəzi qrupları əvvəldən təyin olunmuş parametrlərlə əlaqələndirmək.
+- **Böhtan**. Ədalətsiz şəkildə nəyisə və ya kimisə etiketləmək və mühakimə etmək.
+- **Çox- və ya az- təmsil**. İdeya budur ki, bəzi qrupların bəzi peşələrdə, xidmətlərdə və ya funksiyalarda görülməməsi onların əleyhinə qərarlara dəstək verir.
+
+### Azure RAI idarə paneli
+
+[Azure RAI idarə paneli](https://learn.microsoft.com/en-us/azure/machine-learning/concept-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) data və AI mühəndislərinin modelin davranışlarını daha yaxşı başa düşməyə, kəşf etməyə və AI modellərinin arzuolunmaz xətalarının qarşısını almaq üçün aparıcı akademik institutlar və Microsoft kimi təşkilatlar tərəfindən hazırlanmış açıq mənbə alətləri üzərində qurulub.
+
+- RAI idarə panelində müxtəlif komponentləri necə istifadə edə biləcəyini [bu sənədlərdən](https://learn.microsoft.com/en-us/azure/machine-learning/how-to-responsible-ai-dashboard?WT.mc_id=aiml-90525-ruyakubu) öyrən.
+
+- RAI idarə panelində Azure Maşın öyrənməsi ilə daha çox məsul AI ssenarilərini analiz etmək üçün [nümunə notbukları](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) yoxla.
+
+---
+## 🚀 Məşğələ
+
+Statistik və data ayrı-seçkiliyinin qarşısını almaq üçün biz ilk növbətə bunları etməliyik:
+
+- sistemlərdə işləyən insanlar arasında müxtəlif təcrübələrə və perspektivlərə malik olmaq
+- bizim cəmiyyətimizin fərqliliklərini əks etdirən datasetlərə sərmayə qoymaq
+- ayrı-seçkiliyin baş verdiyi yerləri təyin etməyə və düzəltməyə daha yaxşı üsullar inkişaf etdirmək
+
+Model yaradılmasında ədalətsizliyin aşkar olduğu və istidadə olunduğu real həyat ssenariləri barədə düşün. Biz başqa nələri nəzərə almalıyıq?
+
+## [Mühazirə sonrası test](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/6/?loc=az)
+
+## Təkrarlayın və özünüz öyrənin
+
+Bu dərsdə sən maşın öyrənməsində məsul AI ilə birlikdə istifadə oluna biləcək praktik alətləri öyrəndin.
+
+Aşağıdakı məşğələlərə baxaraq mözvuları daha dərindən mənimsə:
+
+- Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə, Besmira Nuşi və Mehrnuş Sameki tərəfindən.
+
+[](https://www.youtube.com/watch?v=f1oaDNl3djg "Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə")
+
+> 🎥 Video üçün yuxarıdakı şəkilə klikləyin: Məsul AI idarə paneli: RAI-ni praktikada istifadə etmək üçün vahid pəncərə, Besmira Nuşi və Mehrnuş Sameki tərəfindən.
+
+Aşağıdakı materiallara istinad edərək məsul AI və daha güvənli modelləri necə qura biləcəyin barədə öyrən:
+
+- ML modellərini analiz etmək üçün Microsoft-un RAI idarə panel alətləri: [Məsul AI alətləri resursu](https://aka.ms/rai-dashboard)
+
+- Məsul AI alətlərini araşdır: [Github](https://github.com/microsoft/responsible-ai-toolbox)
+
+- Microsoft-un RAI resurs mərkəzi: [Məsul AI resursləri – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
+
+- Microsoft-un RAI resurs mərkəzi: [Məsul AI resursları – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
+
+- Microsoft-un FATE araşdırma qrupu: [FATE: AI-da Ədalətlilik, Cavabdehlik, Şəffaflıq, və Etika - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
+
+## Tapşırıq
+
+[RAI idarə panelini kəşf et](assignment.az.md)
diff --git a/9-Real-World/2-Debugging-ML-Models/translations/assignment.az.md b/9-Real-World/2-Debugging-ML-Models/translations/assignment.az.md
new file mode 100644
index 0000000000..7bea85d8f4
--- /dev/null
+++ b/9-Real-World/2-Debugging-ML-Models/translations/assignment.az.md
@@ -0,0 +1,11 @@
+# Məsul AI (RAI) idarə panelini kəşf et
+
+## Təlimatlar
+
+Bu dərsdə sən RAI idarə paneli barədə öyrənmisən, harada ki, data mühəndislərinə xəta analizi, data araşdırması, ədalətliliyin yoxlanması, modelin şərh edilməsi, əks əlaqəli və ya şərtlərlə yoxlamalar və AI sistemləri üzərində gündəlik analizləri etməyə kömək edən "açıq mənbəli" alətlər üzərində qurulmuş komponentlər mövcuddur. Bu tapşırıqda RAI idarə panelini nümunə [notbuklar](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) üzərində kəşf etmək və öyrəndiklərini yazılı və ya təqdimat şəklində təqdim etməyin tələb olunur.
+
+## Rubric
+
+| Meyarlar | Nümunəvi | Adekvat | İnkişaf Etdirilməli Olan |
+| -------- | -------- | ------- | ------------------------ |
+| | Yazı və ya təqdimat RAI idarə panelinin komponentlərini əhatə edir, notbuk icra oluna bilir və bu işlərdən nəticə çıxarılıb | Nəticəsiz bir yazı təqdim olunub | Heç bir yazı təqdim olunmayıb |
diff --git a/9-Real-World/translations/README.az.md b/9-Real-World/translations/README.az.md
new file mode 100644
index 0000000000..393c172eaa
--- /dev/null
+++ b/9-Real-World/translations/README.az.md
@@ -0,0 +1,18 @@
+# Postskript: Klassik maşın öyrənməsinin real həyatda tətbiqləri
+
+Kurikulumun bu bölməsində klassik ML-in real həyatda bəzi tətbiqləri ilə tanış olacaqsan. Biz internetdə çox sayda elmi məqalə və yazıları analiz etmişik və neyron şəbəkələrini, dərin öyrənməni, süni intelleki bacardığımız qədər filtr edərək yalnız əhatə etdiyimiz strategiyaların istifadə olunduğu tətbiqləri seçmişik. ML-in biznes sistemlərində, ekologiya tətbiqlərində, maliyyə, sənət və mədəniyyətdə necə tətbiq olunduqlarını öyrən.
+
+
+
+>Alexis Fauvet tərəfindən foto, Unsplash plaformasında
+
+## Dərslər
+
+1. [ML-in real həyat tətbiqləri](../1-Applications/translations/README.az.md)
+2. [Məsuliyyətli AI idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi](../2-Debugging-ML-Models/translations/README.az.md)
+
+## Təşəkkürlər
+
+"Real həyat tətbiqləri" [Jen Looper](https://twitter.com/jenlooper) və [Ornella Altunyan](https://twitter.com/ornelladotcom) daxil olmaqla digər komanda üzvləri tərəfindən yazılıb.
+
+"Məsuliyyətli AI idarə panelinin komponentlərini istifadə edərək Maşın Öyrənməsi modelinin analizi" [Ruth Yakubu](https://twitter.com/ruthieyakubu) tərəfindən yazılıb.
\ No newline at end of file
diff --git a/quiz-app/src/App.vue b/quiz-app/src/App.vue
index e2a958e5e8..57c4101d76 100644
--- a/quiz-app/src/App.vue
+++ b/quiz-app/src/App.vue
@@ -11,6 +11,7 @@
+
diff --git a/quiz-app/src/assets/translations/az.json b/quiz-app/src/assets/translations/az.json
new file mode 100644
index 0000000000..120c00e140
--- /dev/null
+++ b/quiz-app/src/assets/translations/az.json
@@ -0,0 +1,2930 @@
+[
+ {
+ "title": "Yeni başlayanlar üçün Maşın Öyrənməsi: Quizlər",
+ "complete": "Təbriklər, quizi bitirdiniz!",
+ "error": "Üzrlü sayın, yenidən cəhd edin",
+ "quizzes": [
+ {
+ "id": 1,
+ "title": "Maşın öyrənməsinə giriş: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Ətrafımızda olan maşın öyrənməsinin tətbiqləri",
+ "answerOptions": [
+ {
+ "answerText": "Doğru",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Yanlış",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Klassik ML və dərin öyrənməsi arasında texniki fərq nədir?",
+ "answerOptions": [
+ {
+ "answerText": "klassik ML daha əvvəl kəşf olunub",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "neyron şəbəkələrinin istifadəsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "dərin öyrənmə robotlarda istifadə olunur",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Biznes ML strategiyalarından niyə istifadə etmək istəyə bilər?",
+ "answerOptions": [
+ {
+ "answerText": "çoxölçülü məsələlərin həllini avtomatlaşdırmaq üçün",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "müştərinin növü əsasında alış-veriş təcrübəsini fərdiləşdirmək üçün",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 2,
+ "title": "Maşın öyrənməsinə giriş: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Maşın öyrənmə alqoritmləri bunların simulyasiyası üçün nəzərdə tutulub",
+ "answerOptions": [
+ {
+ "answerText": "ağıllı maşınlar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "insan beyni",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "oranqutanlar",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Klassik ML texnikasının nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "təbii dil emalı",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "dərin öyrənmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "neyron şəbəkələri",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Niyə hər kəs ML-nin əsaslarını öyrənməlidir?",
+ "answerOptions": [
+ {
+ "answerText": "ML öyrənmək əyləncəlidir və hər kəs üçün əlçatandır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "ML strategiyaları bir çox sənaye və domenlərdə istifadə olunur",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 3,
+ "title": "Maşın öyrənməsinin tarixi: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "'Süni intellekt' termini təxminən nə vaxt yaranıb?",
+ "answerOptions": [
+ {
+ "answerText": "1980-lər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "1950-lər",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "1930-lar",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Maşın öyrənməsinin ilk qabaqcıllarından biri kim idi?",
+ "answerOptions": [
+ {
+ "answerText": "Alan Turinq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Bil Qeyts",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Şaki roboti",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "1970-ci illərdə süni intellektdə inkişafın ləngiməsinin səbəblərindən biri nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Limitli kompüter gücü",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Lazımi qədər bacarıqlı mühəndislərin olmaması",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Ölkələr arasında münaqişələr",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 4,
+ "title": "Maşın öyrənməsinin tarixi: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "'Səliqəsiz' AI sisteminin nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "ELIZA",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "HACKML",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "SSYSTEM",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "'Qızıl İllər' zamanı inkişaf etdirilən bir texnologiya nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Bloklar dünyası",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Jibo",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Robot itlər",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Hansı hadisə süni intellekt sahəsinin yaradılmasında və genişlənməsində əsas rol oynadı?",
+ "answerOptions": [
+ {
+ "answerText": "Turing testi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Dartmunt Yay Tədqiqat Layihəsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "AI Qışı",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 5,
+ "title": "Ədalət və maşın öyrənməsi: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Maşın öyrənməsində ədalətsizlik baş verə bilər",
+ "answerOptions": [
+ {
+ "answerText": "qəsdən",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "istəmədən",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "ML-də 'ədalətsizlik' termini aşağıdakıları ifadə edir:",
+ "answerOptions": [
+ {
+ "answerText": "insan qruplarına ziyan vurur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "bir şəxsə ziyan vurur",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "insanların çoxuna ziyan vurur",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Zərərlərin beş əsas növünə daxildir",
+ "answerOptions": [
+ {
+ "answerText": "bölgü, xidmətin keyfiyyəti, stereotipləşdirmə, ləkələmə və həddindən artıq və ya az təmsilçilik",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yerləşdirmə, xidmət keyfiyyəti, stereotipləşdirmə, ləkələmə və həddindən artıq və ya az təmsilçilik",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "bölgü, xidmətin keyfiyyəti, stereofoniklik, ləkələmə və həddindən artıq və ya az təmsilçilik",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 6,
+ "title": "Ədalət və maşın öyrənməsi: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Bir modeldəki ədalətsizliyə səbəb ola bilər",
+ "answerOptions": [
+ {
+ "answerText": "tarixi məlumatlara çox əsaslanmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "tarixi məlumatlara az əsaslanmaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tarixi məlumatlara çox yaxınlaşmaq",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Ədalətsizliyi azaltmaq üçün edə bilərsiniz",
+ "answerOptions": [
+ {
+ "answerText": "zərərləri və təsirlənmiş qrupları müəyyənləşdirin",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "ədalətlilik ölçülərini müəyyənləşdirin",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Fairlearn kitabxanası bunları edə bilər",
+ "answerOptions": [
+ {
+ "answerText": "ədalətlilik və performans göstəricilərindən istifadə edərək bir çox modeli müqayisə edir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "sənin ehtiyaclarına ən uyğun modeli seçir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "nəyin ədalətli və nəyin ədalətli olduğuna qərar verməyə kömək edir",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 7,
+ "title": "Alətlər və texnikalar: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Model qurarkən bunları etməlisən:",
+ "answerOptions": [
+ {
+ "answerText": "datanı hazlırla, sonra modeli öyrət",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "öyrətmə üsulu seç, sonra datanı hazırla",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "parametrləri tənzimlə, sonra modeli öyrət",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Sənin datanın ___ ML modelin keyfiyyətinə təsir edəcək",
+ "answerOptions": [
+ {
+ "answerText": "say",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "forma",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Xüsusiyyət dəyişənidir:",
+ "answerOptions": [
+ {
+ "answerText": "datanın keyfiyyəti",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "danın ölçülə bilən parametri",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "datanın məlumatları",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 8,
+ "title": "Alətlər və texnikalar: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Datanı təhlil edərkən bunları etməlisən:",
+ "answerOptions": [
+ {
+ "answerText": "istisnaları aşkar edə bilərsən",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tərəfkeşliyin potensial səbəbini aşkar edə bilərsiniz",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Datanı bunlara böl:",
+ "answerOptions": [
+ {
+ "answerText": "öyrətmə və turinq dəstləri",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "öyrətmə və test dəstləri",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "doğrulama və qiymətləndirmə dəstləri",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Müxtəlif ML kitabxanalarında öyrətmə prosesini başlamaq üçün ümumi əmr:",
+ "answerOptions": [
+ {
+ "answerText": "model.travel",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "model.train",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "model.fit",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 9,
+ "title": "Reqressiyaya giriş: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Bu dəyişənlərdən hansı ədədi dəyişəndir?",
+ "answerOptions": [
+ {
+ "answerText": "Hündürlük",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Cins",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Saç rəngi",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu dəyişənlərdən hansı kateqoriyalı dəyişəndir?",
+ "answerOptions": [
+ {
+ "answerText": "Ürək döyüntüsü",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Qan qrupu",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Çəki",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu problemlərdən hansı Reqressiya təhlilinə əsaslanan problemdir?",
+ "answerOptions": [
+ {
+ "answerText": "Tələbənin yekun imtahan qiymətlərinin proqnozlaşdırılmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Bir insanın qan qrupunu proqnozlaşdırmaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "E-poçtun spam olub olmadığını təxmin etmək",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 10,
+ "title": "Reqressiyaya giriş: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Əgər Maşın Öyrənmə modelinizin öyrətmə dəqiqliyi 95 % və test dəqiqliyi 30 % təşkil edirsə, o zaman hansı növ vəziyyət adlanır?",
+ "answerOptions": [
+ {
+ "answerText": "Çox uyğunlaşma (Overfitting)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Az uyğunlaşma (Underfitting)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "İkiqat uyğunlaşma (Double Fitting)",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Xüsusiyyətlər toplusundan əhəmiyyətli xüsusiyyətlərin müəyyən edilməsi prosesi adlanır:",
+ "answerOptions": [
+ {
+ "answerText": "Xüsusiyyət Çıxarılması",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Xüsusiyyət Ölçülərinin Azaldılması",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Xüsusiyyət Seçimi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Scikit Learn-in 'train_test_split()' metodu/funksiyasından istifadə edərək verilənlər toplusunun müəyyən nisbətdə öyrətmə və test verilənlər bazasına bölünməsi prosesi adlanır:",
+ "answerOptions": [
+ {
+ "answerText": "Çarpaz-yoxlama (Cross-Validation)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Saxlama yoxlaması (Hold-Out Validation)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Yoxlamadan birini buraxılması (Leave one out Validation)",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 11,
+ "title": "Reqressiya üçün verilənləri hazırlayın və vizuallaşdırın: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Bu Python modullarından hansı məlumatların vizuallaşdırılması üçün istifadə olunur?",
+ "answerOptions": [
+ {
+ "answerText": "Numpy",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Scikit-learn",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Matplotlib",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Əgər məlumat dəstinizin data nöqtələrinin yayılmasını və ya digər xüsusiyyətlərini anlamaq istəyirsinizsə, yerinə yetirin:",
+ "answerOptions": [
+ {
+ "answerText": "Data vizuallaşdırılması",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datanın ön emalı",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Öytərmə Test bölgüsü",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bunlardan hansı Maşın Öyrənmə layihəsində Data vizuallaşdırılması addımının bir hissəsidir?",
+ "answerOptions": [
+ {
+ "answerText": "Müəyyən Maşın Öyrənmə alqoritmini daxil etmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Fərqli planlama metodlarından istifadə edərək məlumatların şəkilli təsvirinin yaradılması",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datasetin dəyərlərinin normalizasiyası",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 12,
+ "title": "Reqressiya üçün verilənləri hazırlayın və vizuallaşdırın: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Datasetinizdə çatışmayan dəyərlərin olub-olmadığını yoxlamaq istəyirsinizsə, bu dərsə əsasən hansı kod parçası düzgündür? Tutaq ki, verilənlər bazası Pandas DataFrame obyekti olaraq 'dataset' adlı dəyişəndə saxlanılır.",
+ "answerOptions": [
+ {
+ "answerText": "dataset.isnull().sum()",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "findMissing(dataset)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sum(null(dataset))",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Datasetinizdən müxtəlif data nöqtələri qruplarının yayılmasını anlamaq istədiyiniz zaman bu vizuallaşdırma üsullarından hansı faydalıdır?",
+ "answerOptions": [
+ {
+ "answerText": "Scatter Plot",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Line Plot",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Bar Plot",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Data Visualization sizə nəyi deyə BİLMƏZ?",
+ "answerOptions": [
+ {
+ "answerText": "data nöqtələri arasındakı əlaqəni",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Datasetin hansı mənbədən yığıldığını",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datasetdə kənar (istisna) göstəricilərin mövcudluğunun tapılması",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 13,
+ "title": "Xətti və Polinom Reqressiya: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Matplotlib nədir?",
+ "answerOptions": [
+ {
+ "answerText": "şəkil çəkən kitabxana",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "data vizuallaşdırma kitabxanası",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "kreditləşmə kitabxanası",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Xətti reqressiya dəyişənlər arasında əlaqə qurmaq üçün aşağıdakılardan istifadə edir",
+ "answerOptions": [
+ {
+ "answerText": "düz xətt",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "çevrə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "əyri xətt",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Yaxşı Xətti Reqressiya modelində ___ Korrelyasiya əmsalı var",
+ "answerOptions": [
+ {
+ "answerText": "aşağı",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarı",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "düz",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 14,
+ "title": "Xətti və Polinom Reqressiya: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Əgər məlumatlarınız qeyri-xəttidirsə, ___ növ reqressiyanı sınayın",
+ "answerOptions": [
+ {
+ "answerText": "xətti",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sferik",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "polinom",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Bunlar Reqressiya metodlarının bütün növləridir",
+ "answerOptions": [
+ {
+ "answerText": "Falsestep, Ridge, Lasso və Elasticnet",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Stepwise, Ridge, Lasso və Elasticnet",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Stepwise, Ridge, Lariat və Elasticnet",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Ən kiçik kvadrat reqressiyası o deməkdir ki, reqressiya xəttini əhatə edən bütün məlumat nöqtələri:",
+ "answerOptions": [
+ {
+ "answerText": "kvadratlaşdırılır və çıxılır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "vurulur",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "kvadratlaşdırılır və cəmlənir",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 15,
+ "title": "Logistik reqressiya: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Bunu proqnozlaşdırmaq üçün Logistik Reqressiyadan istifadə edin",
+ "answerOptions": [
+ {
+ "answerText": "alma yetişib, ya yetişməyib",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "ayda nə qədər bilet satmaq olar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sabah saat 18:00-da səma hansı rəngə çevriləcək",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Logistik reqressiya növlərinə daxildir",
+ "answerOptions": [
+ {
+ "answerText": "multinomial və kardinal",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "multinomial və ordinal",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "əsas və ordinal",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Datanız zəif korrelyasiyaya malikdir. İstifadə ediləcək ən yaxşı reqressiya növü:",
+ "answerOptions": [
+ {
+ "answerText": "Lagistik",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Xətti",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Kardinal",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 16,
+ "title": "Logistik reqressiya: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Seaborn nəyin növüdür?",
+ "answerOptions": [
+ {
+ "answerText": "data vizuallaşdırma kitabxanası",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "xəritələmə kitabxanası",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "riyaziyyat kitabxanası",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Çaşqınlıq matrisi həmçinin aşağıdakı kimi tanınır:",
+ "answerOptions": [
+ {
+ "answerText": "xəta matrisi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "həqiqən matrisi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "dəqiqlik matrisi",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Yaxşı bir model aşağıdakılara sahib olacaq:",
+ "answerOptions": [
+ {
+ "answerText": "çaşqınlıq matrisində çoxlu sayda yanlış müsbət və həqiqi neqativlər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "çaşqınlıq matrisində çoxlu sayda həqiqi müsbət və həqiqi neqativlər",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "çaşqınlıq matrisində çoxlu sayda həqiqi müsbət və yanlış neqativlər",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 17,
+ "title": "Veb Tətbiqi yaratmaq: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "ONNX nə deməkdir?",
+ "answerOptions": [
+ {
+ "answerText": "Over Neural Network Exchange",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Open Neural Network Exchange",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Output Neural Network Exchange",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Flask yaradıcıları tərəfindən necə müəyyən edilir?",
+ "answerOptions": [
+ {
+ "answerText": "mini-framevörk",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "böyük-framevörk",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "mikro-framevörk",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Python-un Pickle modulu nə edir?",
+ "answerOptions": [
+ {
+ "answerText": "Python obyektini seriallaşdırır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Python obyektini de-seriallaşdırır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Python obyektini seriallaşdırır və de-seriallaşdırır",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 18,
+ "title": "Veb Tətbiqi yaratmaq: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Python-dan istifadə edərək öncədən öyrədilmiş modeli internetdə yerləşdirmək üçün hansı vasitələrdən istifadə edə bilərik?",
+ "answerOptions": [
+ {
+ "answerText": "Flask",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "TensorFlow.js",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "onnx.js",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "SaaS nə deməkdir?",
+ "answerOptions": [
+ {
+ "answerText": "System as a Service",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Software as a Service",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Security as a Service",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Scikit-learn's LabelEncoder kitabxanası nə iş görür?",
+ "answerOptions": [
+ {
+ "answerText": "Datanı əlifba sırası ilə enkodlaşdırır",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datanı rəqəm sırası ilə enkodlaşdırır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Datanı öz sırası ilə enkodlaşdırır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 19,
+ "title": "Qruplaşdırma 1: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Qruplaşdırma aşağıdakı ilə bir çox ortaq cəhətləri olan nəzarətli öyrənmə formasıdır",
+ "answerOptions": [
+ {
+ "answerText": "Zaman seriyası",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Reqressiya texnikaları",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "NLP",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Qruplaşdırma hansı suala cavab verməyə kömək edə bilər?",
+ "answerOptions": [
+ {
+ "answerText": "Bu e-poçt spamdır, yoxsa yox?",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Donuzlar uça bilərmi?",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Həyatın mənası nədir?",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Qruplaşdırma üsullarından istifadə etmək üçün ilk addım nədir?",
+ "answerOptions": [
+ {
+ "answerText": "datasetin siniflərinin yaratmaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "datanı təmizləmək və balanslaşdırmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "data nöqtələrini qrupa və ya nəticəyə əlaqələndirmək",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 20,
+ "title": "Qruplaşdırma 1: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Çox sinifli sual nədir?",
+ "answerOptions": [
+ {
+ "answerText": "məlumat nöqtələrini bir neçə qrupa təsnif etmək tapşırığı",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "məlumat nöqtələrini qruplardan birinə təsnif etmək tapşırığı",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "data nöqtələrini müxtəlif üsullarla təmizləmək tapşırığı",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Qruplaşdırıcılara probleminizi həll etməkdə kömək etmək üçün təkrarlanan və ya faydasız məlumatları təmizləmək vacibdir.",
+ "answerOptions": [
+ {
+ "answerText": "düzdür",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Datanı balanslaşdırmaq üçün ən yaxşı səbəb nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Balanssız datalar vizuallaşdırmada pis görünür",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "ML modeli bir sinifə doğru yönəlməyəcəyi üçün datanı balanslaşdırmaq daha yaxşı nəticələr verir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datanı balanslaşdırmaq sənə daha çox data nöqtəsi verir",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 21,
+ "title": "Qruplaşdırma 2: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Balanslaşdırılmış, təmiz data ən yaxşı qruplaşdırma nəticələrini verir",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Doğru qruplaşdırıcını necə seçməli?",
+ "answerOptions": [
+ {
+ "answerText": "Qruplaşdırıcıların hansı ssenarilərdə ən yaxşı işlədiyini anlayaraq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Təcrübəli təxmin və yoxlama",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Qruplaşdırma bunun bir növüdür",
+ "answerOptions": [
+ {
+ "answerText": "NLP",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Nəzarətli Öyrənmə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Proqramlaşdırma dili",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 22,
+ "title": "Qruplaşdırma 2: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "'Həlledici' nədir?",
+ "answerOptions": [
+ {
+ "answerText": "sənin işini yoxlayan şəxs",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "optimallaşdırma problemlərində istifadə olunan alqoritm",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "maşın öyrənməsi texnikası",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu dərsdə hansı qruplaşdırıcı istifadə etdik?",
+ "answerOptions": [
+ {
+ "answerText": "Logistik Reqressiya (Logistic Regression)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Qərar ağacları (Decision Trees)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Biri hamısına qarşı olan çoxlu sinif (One-vs-All Multiclass)",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Qruplaşdırıcı alqoritminin gözlənildiyi kimi işlədiyini necə bilirsiniz?",
+ "answerOptions": [
+ {
+ "answerText": "Proqnozlarının dəqiqliyini yoxlamaqla",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Başqa alqoritmlərə qarşı yoxlamaqla",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Bu alqoritmin oxşar problemləri həll etməkdə nə qədər yaxşı olduğuna dair tarixi məlumatlara baxaraq",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 23,
+ "title": "Qruplaşdırma 3: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Sınamaq üçün yaxşı bir ilkin qruplaşdırıcı:",
+ "answerOptions": [
+ {
+ "answerText": "Xətti SVC (Linear SVC)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "K-qonşu qruplaşdırıcı (K-Means)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Məntiqi SVC (Logical SVC)",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Tənzimləmə idarə edir:",
+ "answerOptions": [
+ {
+ "answerText": "parametrlərin təsirini",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "öyrənmə sürətinin təsirini",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "istisnaların təsiri",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "K-Qonşu qruplaşdırıcı bunun üçün istifadə oluna bilər:",
+ "answerOptions": [
+ {
+ "answerText": "nəzarətli öyrənmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "nəzarətsiz öyrənmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 24,
+ "title": "Qruplaşdırma 3: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Dəstək-Vektor qruplaşdırıcıları bunlar üçün istifadə edilə bilər",
+ "answerOptions": [
+ {
+ "answerText": "Qruplaşdırma",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "reqressiya",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Təsadüfi meşə (Random Forest) ___ növ qruplaşdırıcıdır",
+ "answerOptions": [
+ {
+ "answerText": "Ansambl",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Parçalamaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Yığmaq",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Adaboost bununla tanınır:",
+ "answerOptions": [
+ {
+ "answerText": "yanlış təsnif edilmiş parçaların çəkilərinə diqqət yetirmək",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "istisnalara diqqət yetirmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "səhv datalara diqqət yetirmək",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 25,
+ "title": "Qruplaşdırma 4: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Tövsiyyə sistemləri bunlar üçün istifadə oluna bilər",
+ "answerOptions": [
+ {
+ "answerText": "Yaxşı restoran tövsiyyələri",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Yeni paltarlar yoxlamaq üçün tövsiyyələr",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Modelin veb tətbiqinə daxil edilməsi onun oflayn işləməsinə kömək edir",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Onnx Runtime bunun üçün istifadə oluna bilər",
+ "answerOptions": [
+ {
+ "answerText": "Veb tətbiqlərdə modeli icra etmək",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Modelləri öyrətmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Hiperparametr sazlaması",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 26,
+ "title": "Qruplaşdırma 4: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Netron tətbiqi bu işdə kömək edir:",
+ "answerOptions": [
+ {
+ "answerText": "Data vizuallaşdırmaqda",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Model strukturunu vizuallaşdırmaqda",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Veb tətbiqi yoxlamaqda",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Onnx ilə istifadə etmək üçün Scikit-öyrənmə modelinizi bununla çeviririk:",
+ "answerOptions": [
+ {
+ "answerText": "sklearn-app",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sklearn-web",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sklearn-onnx",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Veb tətbiqdə modelimizi istifadə etmək belə adlanır:",
+ "answerOptions": [
+ {
+ "answerText": "nəticə çıxarmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "müdaxilə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "sığorta",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 27,
+ "title": "Klasterləşdirməyə giriş: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Klasterləşdirməyə real həyatımızdan nümunə ola bilər",
+ "answerOptions": [
+ {
+ "answerText": "Şam yeməyi masası hazırlamaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Yuyulacaq paltarları qruplaşdırmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Meyvə-tərəvəz alış-verişi etmək",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu sənayelərdə klasterləşdirmə üsullarından istifadə edilə bilər",
+ "answerOptions": [
+ {
+ "answerText": "bank",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "e-satış",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Klasterləşdirmə bunun növüdür:",
+ "answerOptions": [
+ {
+ "answerText": "nəzarətli öyrənmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "nəzarətsiz öyrənmə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "gücləndirici öyrənmə",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 28,
+ "title": "Klasterləşdirməyə giriş: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Evklid həndəsəsi buna əsasən düzülmüşdür",
+ "answerOptions": [
+ {
+ "answerText": "müstəvilər",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "əyrilər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "kürələr",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Klaster məlumatlarınızın sıxlığı bununla bağlıdır",
+ "answerOptions": [
+ {
+ "answerText": "küy",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "dərinlik",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "uyğunluq",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Ən yaxşı bilinən klasterləşdirmə alqoritmi budur",
+ "answerOptions": [
+ {
+ "answerText": "k-ortalama",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "k-orta",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "k-hissə",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 29,
+ "title": "K-Ortalama Klasterləşməsi: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "K-Ortalama buradan gəlib:",
+ "answerOptions": [
+ {
+ "answerText": "elektrik mühəndisliyi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "siqnal emalı",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "kompüter dilçiliyi",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Yaxşı Siluilet rəqəmi bunu bildirir:",
+ "answerOptions": [
+ {
+ "answerText": "klasterlər yaxşı ayrılmış və müəyyənləşdirilmişdir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "az sayda klaster vardır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "çox sayda klaster vardır",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Fərqlilik:",
+ "answerOptions": [
+ {
+ "answerText": "ortadan fərqlərin kvadratlarının ortasıdır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "çox yüksək olarsa, qruplaşma problemi yaranır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 30,
+ "title": "K-Ortalama Klasterləşməsi: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Voronoi diaqramı bunu göstərir:",
+ "answerOptions": [
+ {
+ "answerText": "klasterin fərqliliyini",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "klasterin mərkəzini və regionlarını",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "klasterin ətalətini",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Ətalət",
+ "answerOptions": [
+ {
+ "answerText": "klasterlərin nə qədər daxili əlaqəli olduğunun ölçüsüdür",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "klasterlərinin nə qədər hərəkət etdiyinin ölçüsüdür",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "klasterin keyfiyyətinin ölçüsüdür",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "K-Means istifadə edərək, əvvəlcə 'k' dəyərini təyin etməlisiniz",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 31,
+ "title": "NLP-ə giriş: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "NLP bu dərsdə nəyi bildirir?",
+ "answerOptions": [
+ {
+ "answerText": "Neyron Dil Emalı (Neural Language Processing)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Təbii dil emalı (natural language processing)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Təbii Dilçilik Emalı (Natural Linguistic Processing)",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Eliza kompüter kimi fəaliyyət göstərən ilkin _ botu idi",
+ "answerOptions": [
+ {
+ "answerText": "terapist",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "həkim",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tibb bacısı",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Alan Turinqin 'Turing Testi' kompüterin _ olduğunu müəyyən etməyə çalışdı",
+ "answerOptions": [
+ {
+ "answerText": "insandan ayırd edilə bilinməyən",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "düşünən",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 32,
+ "title": "Təbii dil emalına giriş: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Cozef Veyzenbaum bu botu icad etdi",
+ "answerOptions": [
+ {
+ "answerText": "Elisha",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Eliza",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Eloise",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Söhbət botları bunların əsasında cavablar qaytarır",
+ "answerOptions": [
+ {
+ "answerText": "Əvvəlcədən təyin olunmuş seçimlərdən təsadüfi seçim",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Məlumatın təhlili və maşın biliyindən istifadə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Botu necə daha effektiv edərdiniz?",
+ "answerOptions": [
+ {
+ "answerText": "Daha çox suallar verməklə.",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Daha çox data daxil etmək və ona əsasən öyrətməklə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Botlar bacarıqsızdır, onlar öyrənə bilməz :(",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 33,
+ "title": "NLP tapşırıqları: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Tokenizasiya",
+ "answerOptions": [
+ {
+ "answerText": "Durğu işarələri vasitəsi ilə mətni bölür",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Mətni ayrı tokenlərə (sözlərə) bölür",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Mətni ifadələrə bölür",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Yerləşdirmələr",
+ "answerOptions": [
+ {
+ "answerText": "sözlər klasterləşə bilsin deyə mətn datalarını ədədi olaraq çevirir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "sözləri ifadələrə yerləşdirir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "cümlələri paraqraflara yerləşdirir",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Nitq hissələrinin etiketlənməsi",
+ "answerOptions": [
+ {
+ "answerText": "cümlələri nitq hissələrinə görə bölür",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tokenləşdirilmiş sözləri götürür və onları nitq hissəsinə görə etiketləyir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "cümlələrin sxemini qurur",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 34,
+ "title": "NLP tapşırıqları: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Daha çox təkrarlanan sözlərdən lüğət yaratmaq üçün bundan istifadə olunur:",
+ "answerOptions": [
+ {
+ "answerText": "Söz və ifadə lüğəti",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Söz və ifadə tezlikləri",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Söz və ifadə kitabxanası",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "N-qram bunu bildirir",
+ "answerOptions": [
+ {
+ "answerText": "Mətn müəyyən uzunluqdakı sözlər ardıcıllığına bölünə bilər",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Söz müəyyən uzunluqdakı simvol ardıcıllığına bölünə bilər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Mətn müəyyən uzunluqdakı paraqraflara bölünə bilər",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Emosionallıq analizi",
+ "answerOptions": [
+ {
+ "answerText": "ifadənin müsbət və ya mənfi mənada olduğunu analiz edir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "emosionallıq üçün ifadəni analiz edir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "kədərlilik üçün ifadəni analiz edir",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 35,
+ "title": "NLP və tərcümə: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Sadə tərcümə",
+ "answerOptions": [
+ {
+ "answerText": "sadəcə sözləri tərcümə edir",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "cümlənin strukturunu tərcümə edir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "emosiyaları tərcümə edir",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "*Korpus* mətnlər bunu bildirir",
+ "answerOptions": [
+ {
+ "answerText": "Az sayda mətnlər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Çox sayda mətnlər",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Bir vahid mətn",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Əgər ML modelində model qurmaq üçün kifayət qədər insan tərcüməsi varsa, o _ bilər",
+ "answerOptions": [
+ {
+ "answerText": "tərcümələri ixtisar edə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tərcümələri standartlaşdırma",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tərcümələrin dəqiqliyini artıra",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 36,
+ "title": "NLP və tərcümə: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "TextBlob tərcümə kitabxanasının altında bu texnologiya durur:",
+ "answerOptions": [
+ {
+ "answerText": "Google Translate",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Bing",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Xüsusi ML modeli",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "`blob.translate` istifadə edə bilmək üçün bu lazımdır:",
+ "answerOptions": [
+ {
+ "answerText": "internet şəbəkəsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "lüğət",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "JavaScript",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Emosiyanı başa düşmək üçün ML yanaşması belə ola bilər:",
+ "answerOptions": [
+ {
+ "answerText": "Reqressiya üsullarını əl ilə yaradılmış rəylərə və xallara tətbiq etmək və uyğunluqları axtarmaq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "NLP texnikalarını əl ilə yaradılan rəylərə və xallara tətbiq etmək və uyğunluqları axtarmaq",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Əl ilə yaradılan rəylərə və xallara Klasterləşdirmə üsullarını tətbiq etmək və uyğunluqları axtarmaq",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 37,
+ "title": "NLP 4: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "İnsan tərəfindən yazılmış və ya danışılan mətndən hansı məlumatları əldə edə bilərik?",
+ "answerOptions": [
+ {
+ "answerText": "şablonlar və tezliklər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "emosiya və məna",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Emosiya analizi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "bir ailə yadigarının sentimental dəyərə malik olub-olmamasının öyrənilməsi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "təsiredici vəziyyətləri və subyektiv məlumatı sistematik olaraq müəyyən etmək, çıxarmaq, kəmiyyətləndirmək və öyrənmək üsulu",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "kiminsə kədərli və ya xoşbəxt olduğunu söyləmək bacarığı",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Otel rəyləri dataseti, Python və emosiya təhlili istifadə edərək hansı suala cavab vermək olar?",
+ "answerOptions": [
+ {
+ "answerText": "Rəylərdə ən çox istifadə olunan söz və ifadələr hansılardır?",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Hansı kurortda ən yaxşı hovuz var?",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Bu oteldə vale parkinqi var?",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 38,
+ "title": "NLP 4: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "NLP-nin mahiyyəti nədir?",
+ "answerOptions": [
+ {
+ "answerText": "insan dilini xoşbəxt və ya kədərli qruplara bölmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "bir insanın bunu etməsinə ehtiyac olmadan məna və ya hissləri şərh etmək",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "hisslərdə normadan kənar göstəriciləri tapmaq və onları yoxlamaq",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Məlumatları təmizləyərkən nələrə diqqət edə bilərsiniz?",
+ "answerOptions": [
+ {
+ "answerText": "digər dillərdə olan simvollar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "boş sətirlər və ya sütunlar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Data üzərində əməliyyatlar etməzdən əvvəl məlumatlarınızı və onların çatışmazlıqlarını başa düşmək vacibdir.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 39,
+ "title": "NLP 5: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Nə üçün məlumatları təhlil etməzdən əvvəl təmizləmək vacibdir?",
+ "answerOptions": [
+ {
+ "answerText": "Bəzi sütunlarda çatışmayan və ya yanlış məlumatlar ola bilər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Qarışıq məlumatlar dataset haqqında yanlış nəticələrə səbəb ola bilər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Məlumatların təmizlənməsi strategiyasına bir nümunə hansıdır?",
+ "answerOptions": [
+ {
+ "answerText": "xüsusi suala cavab vermək üçün faydalı olmayan sütunların/sətirlərin silinməsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "fərziyyənizə uyğun gəlməyən təsdiqlənmiş dəyərləri silmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "kənar göstəriciləri ayrı bir cədvələ köçürmək və uyğun olub olmadığını görmək üçün həmin cədvəl üçün hesablamaları yerinə yetirmək",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Tag sütunundan istifadə edərək məlumatları təsnif etmək faydalı ola bilər.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 40,
+ "title": "NLP 5: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Datasetin məqsədi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "dünya üzrə mehmanxanalar üçün nə qədər mənfi və müsbət rəylər olduğunu görmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "ən yaxşı oteli seçməyinizə kömək edəcək hisslər və sütunlar əlavə etmək",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "insanların niyə xüsusi rəylər yazdığını analiz etmək",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Stop sözlər nələrdir?",
+ "answerOptions": [
+ {
+ "answerText": "cümlənin hisslərini dəyişdirməyən ümumi ingilis sözləri",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "hiss analizini sürətləndirmək üçün silə biləcəyiniz sözlər",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Sentiment təhlilini yoxlamaq üçün onun rəyçinin xalının eyni rəyə uyğun olduğundan əmin olun.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 41,
+ "title": "Zaman seriyalarına giriş: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Zaman seriyasının proqnozlaşdırılması burada faydalıdır",
+ "answerOptions": [
+ {
+ "answerText": "gələcək xərcləri təyin etməkdə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "gələcək qiymətləri təxmin etmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Zaman seriyası aşağıdakılardan götürülən ardıcıllıqdır:",
+ "answerOptions": [
+ {
+ "answerText": "fəzada ardıcıl bərabər məsafədə yerləşən nöqtələr",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "zamanda bərabər məsafədə yerləşən ardıcıl nöqtələr",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "məkan və zamanda ardıcıl bərabər məsafədə yerləşən nöqtələr",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Zaman sıralarından istifadə edilə bilər:",
+ "answerOptions": [
+ {
+ "answerText": "zəlzələ proqnozu",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "kompüter görmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "rəng analizi",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 42,
+ "title": "Zaman seriyalarına giriş: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Zaman seriyası xəttləri bunu bildirir",
+ "answerOptions": [
+ {
+ "answerText": "Zamanla ölçülə bilən artımlar və azalmalar",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Zamanla kəmiyyət azalır",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Zamanla artım və azalma arasındakı boşluqlar",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Kənara çıxmalar bunlardır",
+ "answerOptions": [
+ {
+ "answerText": "standart məlumat fərqinə yaxın nöqtələr",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "standart məlumat fərqindən uzaq nöqtələr",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "standart məlumat fərqi daxilində xal",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Zaman Seriyasının Proqnozlaşdırılması ən faydalıdır",
+ "answerOptions": [
+ {
+ "answerText": "Ekonometriya",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Tarix",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Kitabxanalar",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 43,
+ "title": "Zaman Seriyası ARIMA: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "ARIMA açılışı",
+ "answerOptions": [
+ {
+ "answerText": "AutoRegressive Integral Moving Average (AvtoReqressiv İnteqral Hərəkətli Orta)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "AutoRegressive Integrated Moving Action (AvtoReqressiv İnteqrasiya edilmiş Hərəkətli Fəaliyyət)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "AutoRegressive Integrated Moving Average (AvtoReqressiv İnteqrasiya edilmiş Hərəkətli Orta)",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Stasionarlıq buna aiddir",
+ "answerOptions": [
+ {
+ "answerText": "atributları zamanla dəyişdirildikdə dəyişməyən məlumatlar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "zamanla yerdəyişdikdə paylanması dəyişməyən məlumatlar",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "zaman keçdikcə paylanması dəyişən məlumatlar",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Fərqləndirmə",
+ "answerOptions": [
+ {
+ "answerText": "trend və mövsümi sabitləşdirir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "tendensiyanı və mövsümi gücləndirir",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "trend və mövsümi aradan qaldırır",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 44,
+ "title": "Zaman Seriyası ARIMA: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "ARIMA modeli zaman seriyası məlumatlarının xüsusi formasına uyğunlaşdırmaq üçün istifadə olunur",
+ "answerOptions": [
+ {
+ "answerText": "mümkün qədər düz",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "mümkün qədər yaxın",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "səpələnmə xətləri vasitəsilə",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "SARIMAX bunun üçün istifadə olunur",
+ "answerOptions": [
+ {
+ "answerText": "mövsümi ARIMA modellərini idarə etməyə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "xüsusi ARIMA modellərini idarə etməyə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "statistik ARIMA modellərini idarə etməyə",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "'İrəli gəzinti' doğrulamaya daxildir",
+ "answerOptions": [
+ {
+ "answerText": "modeli təsdiqləndikcə tədricən yenidən qiymətləndirmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "təsdiq edildikdən sonra modeli tədricən yenidən öyrətmək",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "model təsdiqləndikcə tədricən yenidən konfiqurasiya etmək",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 45,
+ "title": "Gücləndirici öyrənmə 1: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Gücləndirici öyrənmə nədir?",
+ "answerOptions": [
+ {
+ "answerText": "kiməsə nəyisə başa düşənə qədər təkrar-təkrar öyrətmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "bir çox eksperiment keçirərək bəzi mühitlərdə agentin optimal davranışını deşifrə edən öyrənmə texnikası",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "birdən çox eksperimentin necə aparılacağını başa düşmək",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Siyasət nədir?",
+ "answerOptions": [
+ {
+ "answerText": "hər hansı bir vəziyyətdə atıla biləcək addımı qaytaran funksiya",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "bir maddəni geri qaytara bilməyəcəyinizi bildirən sənəd",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "təsadüfi məqsəd üçün istifadə olunan funksiya",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Mükafat funksiyası mühitin hər bir vəziyyəti üçün xal qaytarır.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 46,
+ "title": "Gücləndirici öyrənmə 1: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Q-Learning nədir?",
+ "answerOptions": [
+ {
+ "answerText": "hər bir vəziyyətin “yaxşılığını” qeyd etmək mexanizmi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "siyasətin Q-Cədvəli ilə müəyyən edildiyi alqoritm",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yuxarıdakıların hər ikisi",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Q-Cədvəli təsadüfi gediş siyasətinə hansı dəyərlərə uyğundur?",
+ "answerOptions": [
+ {
+ "answerText": "bütün bərabər dəyərlərə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "-0.25",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "bütün fərqli dəyərlərə",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Dərsimizdə öyrənmə prosesi zamanı istismar əvəzinə kəşfiyyatdan istifadə etmək daha yaxşı idi.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 47,
+ "title": "Gücləndirici öyrənmə 2: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Şahmat and Go davamlı vəziyyətləri olan oyunlardır.",
+ "answerOptions": [
+ {
+ "answerText": "doğrudur",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "yanlışdır",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "CartPole problemi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "kənar göstəricilərin aradan qaldırılması prosesi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "alış səbətinizi optimallaşdırmaq üçün bir üsul",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "balanslaşdırmanın sadələşdirilmiş versiyası",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Oyunda potensial vəziyyətlərin müxtəlif ssenarilərini oynamaq üçün hansı alətdən istifadə edə bilərik?",
+ "answerOptions": [
+ {
+ "answerText": "təxmin edib yoxlayaraq",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "simulyasiya mühitləri",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "vəziyyət dəyişməsi yoxlaması",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 48,
+ "title": "Gücləndirici öyrənmə 2: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Bir mühitdə bütün mümkün hərəkətləri harada müəyyənləşdiririk?",
+ "answerOptions": [
+ {
+ "answerText": "metodlarda",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "əməliyyat fəzasında",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "əməliyyat siyahısında",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Lüğət açar-dəyəri kimi hansı cütdən istifadə etdik?",
+ "answerOptions": [
+ {
+ "answerText": "(vəziyyət, əməliyyar) açar kimi, Q-Cədvəl girişi dəyər kimi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "açar kimi vəziyyət, dəyər kimi əməliyyat",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "q-dəyərləri funksiyasının dəyəri açar kimi, əməliyyat isə dəyər kimi",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Q-Learning zamanı istifadə etdiyimiz hiperparametrlər hansılardır?",
+ "answerOptions": [
+ {
+ "answerText": "q-cədvəl dəyəri, cari mükafat, təsadüfi əməliyyat",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "öyrənmə dərəcəsi, endirim faktoru, kəşfiyyat/istismar faktoru",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "məcmu mükafatlar, öyrənmə dərəcəsi, kəşfiyyat faktoru",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 49,
+ "title": "Real həyat tətbiqləri: Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "Maliyyə sənayesində ML tətbiqi nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "NLP istifadə edərək müştəri təcrübəsini fərdiləşdirmək",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Xətti reqressiyadan istifadə edərək sərvətin idarə edilməsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Zaman seriyası istifadə edərək enerjinin idarə edilməsi",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Xəstəxanalar yenidən qəbulu idarə etmək üçün hansı ML texnikasından istifadə edə bilər?",
+ "answerOptions": [
+ {
+ "answerText": "Klasterləşdirmə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Zaman seriyası",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "NLP",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Enerjinin idarə edilməsi üçün Zaman Seriyasından istifadə nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Hərəkət hiss edən heyvanlar",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Ağıllı parking sayğacları",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Meşə yanğınlarının izlənilməsi",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 50,
+ "title": "Real həyat tətbiqləri: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "Kredit kartı saxtakarlığını aşkar etmək üçün hansı ML texnikasından istifadə edilə bilər?",
+ "answerOptions": [
+ {
+ "answerText": "Reqressiya",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Klasterləşdirmə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "NLP",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Meşə idarəetməsində hansı ML texnikası nümunədir?",
+ "answerOptions": [
+ {
+ "answerText": "Gücləndirici öyrənmə",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Zaman seriyası",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "NLP",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Səhiyyə sənayesində ML tətbiqi nümunəsi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Reqressiyadan istifadə edərək şagird davranışının proqnozlaşdırılması",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Qruplaşdırıcıdan istifadə edərək klinik sınaqların idarə edilməsi",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Qruplaşdırıcıdan istifadə edərək heyvanların hərəkətinin tədqiqi",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 51,
+ "title": "SVR zaman seriyası : Mühazirədən əvvəl test",
+ "quiz": [
+ {
+ "questionText": "SVM bunu bildirir",
+ "answerOptions": [
+ {
+ "answerText": "Statistical Vector Machine (Statistik vektor maşını)",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Support Vector Machine (Dəstək vektor maşını)",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Statistical Vector Model (Statistik vektor modeli)",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu ML texnikalarından hansı davamlı dəyərləri proqnozlaşdırmaq üçün istifadə olunur?",
+ "answerOptions": [
+ {
+ "answerText": "Klasterləşdirmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Qruplaşdırma",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Reqressiya",
+ "isCorrect": "true"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu modellərdən hansı zaman seriyalarının proqnozlaşdırılması üçün geniş istifadə olunur?",
+ "answerOptions": [
+ {
+ "answerText": "ARIMA",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "K-Orta klasterləşdirmə",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Logistik Reqressiya (Logistic Regression)",
+ "isCorrect": "false"
+ }
+ ]
+ }
+ ]
+ },
+ {
+ "id": 52,
+ "title": "SVR zaman seriyası: Mühazirə sonrası test",
+ "quiz": [
+ {
+ "questionText": "SVR bu üsullardan hansı ilə öyrənir?",
+ "answerOptions": [
+ {
+ "answerText": "Data nöqtələrinin maksimum sayına malik olan ən uyğun hiperplanın tapılması",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Verilənlər toplusunun ehtimal paylanmasının öyrənilməsi",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Datasetdə klasterlərin tapılması",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "SVM-lərdə nüvənin məqsədi nədir?",
+ "answerOptions": [
+ {
+ "answerText": "Modelin proqnozlarının dəqiqliyini ölçmək üçün",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "Dataseti daha yüksək ölçülü məkana çevirmək üçün",
+ "isCorrect": "true"
+ },
+ {
+ "answerText": "Datasetin dəyərlərinin normalizasiyası",
+ "isCorrect": "false"
+ }
+ ]
+ },
+ {
+ "questionText": "Bu modellərdən hansı datasetdə qeyri-xəttiliyi nəzərə alır?",
+ "answerOptions": [
+ {
+ "answerText": "Sadə xətti reqressiya",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "ARIMA",
+ "isCorrect": "false"
+ },
+ {
+ "answerText": "RBF nüvəsindən istifadə edən SVR",
+ "isCorrect": "true"
+ }
+ ]
+ }
+ ]
+ }
+ ]
+ }
+]
+
diff --git a/quiz-app/src/assets/translations/index.js b/quiz-app/src/assets/translations/index.js
index 031e66710e..fb00fb01c6 100644
--- a/quiz-app/src/assets/translations/index.js
+++ b/quiz-app/src/assets/translations/index.js
@@ -6,6 +6,7 @@ import ja from './ja.json';
import it from './it.json';
import ptbr from './ptbr.json';
import es from './es.json';
+import az from './az.json';
//export const defaultLocale = 'en';
@@ -16,7 +17,8 @@ const messages = {
ja: ja[0],
it: it[0],
ptbr: ptbr[0],
- es: es[0]
+ es: es[0],
+ az: az[0]
};
export default messages;
diff --git a/translations/README.az.md b/translations/README.az.md
new file mode 100644
index 0000000000..508ab4ef17
--- /dev/null
+++ b/translations/README.az.md
@@ -0,0 +1,147 @@
+[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
+[](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
+[](http://makeapullrequest.com)
+
+[](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/network/)
+[](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
+
+# Yeni Başlayanlar üçün Maşın Öyrənməsi - Dərs Proqramı
+
+> 🌍 Dünya mədəniyyətləri vasitəsilə Maşın Öyrənməsini araşdırarkən dünyanı gəzin 🌍
+
+Microsoft-un Bulud Advokatları, böyük məmnuniyyət hissi ilə sizə Maşın Öyrənməsi haqqında hər şeyi əhatə edən 12 həftəlik, 26 dərsdən ibarət dərs proqramını təqdim edir. Bu proqramda siz Scikit-learn kitabxanasından istifadə edərək və [Yeni başlayanlar üçün AI dərs proqramında](https://aka.ms/ai4beginners) əhatə olunmuş dərin öyrənmədən yan keçərək, **klassik maşın öyrənməsi** haqqında öyrənəcəksiniz. Bu dərsləri ['Başlayanlar üçün Data Elmi' dərs proqramımız](https://aka.ms/ds4beginners) ilə birgə aparamığınızı tövsiyyə edirik!
+
+Bu klassik texnikaları dünyanın bir çox yerindən olan datalara tətbiq etdiyimiz üçün bizimlə dünya üzrə səyahət edin. Hər bir dərsə dərsdən əvvəl və sonra olan quizlər, dərsi başa çatdırmaq üçün yazılı təlimatlar, həll yolu, tapşırıq və s. daxildir. Yeni bacarıqların oturuşması üçün özünü doğrultmuş praktik dərs proqramımız isə sizə tətbiq edərək öyrənməyə imkan yaradır.
+
+**✍️ Müəlliflərimizə qucaq dolusu təşəkkürlər** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu və Amy Boyd
+
+**🎨 İllüstratorlarımıza da təşəkkürlər** Tomomi Imura, Dasani Madipalli və Jen Looper
+
+**Microsoft Tələbə Səfirimizə, müəlliflərə, rəyçilərə və məzmun müəlliflərinə**, xüsusilə Rishit Dagli, Muhammad Sakib Khan İnan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila və Snigdha Agarvalla 🙏 xüsusi təşəkkür 🙏 edirik.
+
+**🤩 Microsoft Tələbə Səfirləri Eric Wanjau, Jasleen Sondhi və Vidushi Guptaya R dərslərimizə görə əlavə təşəkkür edirik!**
+
+# Başlayaq
+
+> [Bu kurs üçün lazım olan bütün əlavə resursları Microsoft Learn kolleksiyamızdan tapa bilərsiniz](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
+
+**[Tələbələr](https://aka.ms/student-page)**, bu kurrikulumdan istifadə etmək üçün reponu öz GitHub hesabınıza kopyalayın və tapşırıqları özünüz tək və ya qrup şəklində tamamlayın:
+
+- Mühazirədən əvvəl test ilə başlayın.
+- Mühazirəni oxuyun və hər bir bilik yoxlamasında olan fəaliyyətləri tamamlayın.
+- Həll kodunu işlətməkdənsə, dərsləri dərk edərək layihələri qurmağa çalışın; lakin bu kodlar hər bir layihə yönümlü dərsin `/solution` qovluğunda mövcuddur.
+- Mühazirədən sonrakı quizdə iştirak edin.
+- Problemi həll edin.
+- Tapşırığı tamamlayın.
+- Dərsi tamamladıqdan sonra [Müzakirə Platformasına](https://github.com/microsoft/ML-For-Beginners/discussions) daxil olun və müvafiq PAT rubrikasını dolduraraq "yüksək səslə öyrənin". 'PAT' öyrənmənizi davam etdirmək üçün doldurduğunuz "Progress Assessment Tool"(Tərəqqi Qiymətləndirmə Aləti)-dir. Birlikdə öyrənməyiniz üçün digər PAT-lara da reaksiya verə bilərsiniz.
+
+> Əlavə oxu üçün isə bu [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) modulları və öyrənmə yollarını izləməyinizi tövsiyyə edirik.
+
+**Müəllimlər**, sizlər üçün bu kurrikulumdan necə istifadə etmək barədə [bəzi təkliflər hazırlamışıq](../for-teachers.md).
+
+---
+
+## Video təlimatlar
+
+Bəzi dərslər qısa formada videoyazı şəklində də mövcuddur. Onları dərslərin daxilində və ya [Microsoft Developer YouTube kanalındakı "ML for Beginners" pleylistində](https://aka.ms/ml-beginners-videos) aşağıdakı şəkilə klikləməklə tapa bilərsiniz.
+
+[](https://aka.ms/ml-beginners-videos)
+
+---
+
+## Komanda ilə tanış olun
+
+[](https://youtu.be/Tj1XWrDSYJU "Promo çarx")
+
+[Mohit Jaisal](https://linkedin.com/in/mohitjaisal) tərəfindən hazırlanmış **Gif**.
+
+> 🎥 Layihə və onu yaradan şəxslər haqqında video üçün yuxarıdakı şəklə klikləyin!
+
+---
+
+## Pedaqogika
+
+Bu dərs proqramını qurarkən iki pedaqoji prinsip seçmişik: praktiki **layihə əsaslı** olmasını və **tez-tez keçirilən quizlərin** olmasını təmin etmək. Bundan əlavə, bu kurrikulum bütünlük təşkil edə bilməsi üçün ortaq bir **mövzuya** malikdir.
+
+Məzmunun layihələrə uyğun olmasını təmin etməklə proses tələbələr üçün daha cəlbedici olacaq və anlayışların yadda qalıcılığı artacaqdır. Bundan əlavə, dərsdən əvvəl az ballı quizlər tələbənin mövzunu öyrənmək istəyini müəyyənləşdirir, dərsdən sonra ikinci quiz isə onun daha da yadda qalmasını təmin etmiş olur. Bu kurikulum çevik və əyləncəli olmaq üçün nəzərdə tutulmuşdur, tam və ya qismən tamamlana bilər. Layihələr sadədən başlayır və 12 həftəlik dövrün sonuna yaxınlaşdıqca mürəkkəbləşir. Bu kurrikuluma həmçinin əlavə kredit kimi və ya müzakirə üçün əsas kimi istifadə edilə bilən ML-in real tətbiqləri üzərinə son söz də daxildir.
+
+> [Davranış Kodeksi](../CODE_OF_CONDUCT.md), [Töhfə vermək](../CONTRIBUTING.md) və [Tərcümə](../TRANSLATIONS.md) təlimatlarımızı tapın. Konstruktiv rəylərinizə açığıq!
+
+## Hər dərsə daxildir
+
+- dərslə bağlı eskiz
+- əlavə video material
+- video təlimatlar (yalnız bəzi dərslər)
+- Mühazirədən əvvəl test
+- yazılı dərs
+- layihə əsaslı dərslər üçün, layihənin necə qurulmasına dair addımlı təlimatlar
+- biliyin yoxlanması
+- məşğələ
+- əlavə oxu
+- tapşırıq
+- Mühazirə sonrası test
+
+> **Dillər haqqında qeyd**: Bu dərslər əsasən Python dilində yazılsalar da, bir çoxları R dilində də mövcuddurlar. R dilində olan dərsləri etmək üçün `/solution` qovluğuna keçməyiniz və R dərslərini axtarmağınız lazımdır. Onlara **R Markdown** faylını təmsil edən .rmd genişləndirilməsi daxildir. Bu tip fayllara, `Markdown sənədində` `kod parçaları`(R və ya digər dillərin) və `YAML başlığının`(çıxışın, məsələn PDF-in formatını müəyyən edir) birləşməsi baxa bilərik. Kodunuzu, onun nəticəsini və fikirlərinizi Markdown formatında yazmağa və bütün bunları bir arada etməyə imkan verdiyinə görə, o, data elmi üçün nümunəvi sənədləşdirmə aləti hesab olunur. Bundan əlavə, R Markdown sənədləri PDF, HTML və ya Word kimi çıxış formatlarına render oluna bilərlər.
+
+> **Quizlər haqqında qeyd**: Hər biri 3 sualdan ibarət olmaqla, ümumilikdə 52 quizdən ibarət olan suallar toplusu, [bu proqramda](https://gray-sand-07a10f403.1.azurestaticapps.net/?loc=az) toplanmışdır. Onlara keçid dərslərin daxilindən olsa da, quiz proqramını `quiz-app` qovluğundakı təlimatları izləyərək öz cihazında da işlədə bilərsiniz.
+
+| Dərsin Nömrəsi | Mövzu | Bölmə | Öyrənilmə Məqsədi | Dərsə Keçid | Müəllif |
+| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
+| 01 | Maşın öyrənməsinə giriş | [Giriş](../1-Introduction/translations/README.az.md) | Maşın öyrənməsinin arxasında dayanan sadə konseptləri öyrənin | [Dərs](../1-Introduction/1-intro-to-ML/translations/README.az.md) | Muhammad |
+| 02 | Maşın öyrənməsinin tarixi | [Giriş](../1-Introduction/translations/README.az.md) | Bu sahənin altında yatan tarixi öyrənin | [Dərs](../1-Introduction/2-history-of-ML/translations/README.az.md) | Jen and Amy |
+| 03 | Ədalətlilik and maşın öyrənməsi | [Giriş](../1-Introduction/translations/README.az.md) | Tələbələrin ML modellərini qurarkən və tətbiq edərkən ədalətlə bağlı nəzərə almalı olduqları vacib fəlsəfi məsələlər hansılardır? | [Dərs](../1-Introduction/3-fairness/translations/README.az.md) | Tomomi |
+| 04 | Maşın öyrənməsi üsulları | [Giriş](../1-Introduction/translations/README.az.md) | ML tədqiqatçıları ML modellərini qurmaq üçün hansı üsullardan istifadə edirlər? | [Dərs](../1-Introduction/4-techniques-of-ML/translations/README.az.md) | Chris and Jen |
+| 05 | Reqressiyaya giriş | [Reqressiya](../2-Regression/translations/README.az.md) | Reqresiyya modelləri üçün Python və Scikit-learn ilə tanış olun |
- [Python](../2-Regression/1-Tools/translations/README.az.md)
- [R](../2-Regression/1-Tools/solution/R/lesson_1.html)
- Jen
- Eric Wanjau
- [Python](../2-Regression/2-Data/translations/README.az.md)
- [R](2-Regression/2-Data/solution/R/lesson_2.html)
- Jen
- Eric Wanjau
- [Python](../2-Regression/3-Linear/translations/README.az.md)
- [R](../2-Regression/3-Linear/solution/R/lesson_3.html)
- Jen and Dmitry
- Eric Wanjau
- [Python](../2-Regression/4-Logistic/translations/README.az.md)
- [R](../2-Regression/4-Logistic/solution/R/lesson_4.html)
- Jen
- Eric Wanjau
- [Python](4-Classification/1-Introduction/translations/README.az.md)
- [R](../4-Classification/1-Introduction/solution/R/lesson_10.html) |
- Jen and Cassie
- Eric Wanjau
- [Python](../4-Classification/2-Classifiers-1/translations/README.az.md)
- [R](../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
- Jen and Cassie
- Eric Wanjau
- [Python](../4-Classification/3-Classifiers-2/translations/README.az.md)
- [R](../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
- Jen and Cassie
- Eric Wanjau
- [Python](../5-Clustering/1-Visualize/translations/README.az.md)
- [R](../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
- Jen
- Eric Wanjau
- [Python](../5-Clustering/2-K-Means/translations/README.az.md)
- [R](../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
- Jen
- Eric Wanjau