Python-la maşın öyrənməsiSillabus

Fənn kodu

İFS-31110yd

Kredit

6

Tələbənin iş yükü

180

Semestr

Payız semestri

Akademik il

2025-2026

Fənnin tipi

Seçmə

Təhsil forması

Əyani

Tədris dili

Azərbaycan

Auditoriyadaxili saatlar

a) 30 saat - mühazirə b) 30 saat - seminar

Auditoriyadan kənar saatlar

a) 72 saat - sərbəst iş b) 48 saat - hazırlıq

“Maşın öyrənməsi” fənni maşın öyrənməsinin nəzəri əsaslarını, alqoritmlərini və Python mühitində tətbiqini öyrədir. Fənn çərçivəsində NumPy, Pandas, SciPy, Matplotlib və Seaborn kitabxanaları, verilənlərin statistik təhlili, ilkin emalı (Data Preprocessing) və vizuallaşdırılması, Scikit-learn mühitində nəzarətli və nəzarətsiz öyrənmə alqoritmləri, o cümlədən Decision Tree, Random Forest, KNN, SVM, Naive Bayes, reqressiya, K-Means və DBSCAN metodları öyrənilir. Kursun sonunda tələbələr maşın öyrənməsi modellərini qurmaq, qiymətləndirmək və real verilənlər üzərində tətbiq etmək, həmçinin generativ süni intellekt alətlərindən istifadə etməklə analitik problemlərin həllinə praktik yanaşmalar formalaşdırırlar.

• seminar
• təqdimatlar
• interaktiv müzakirə
• mühazirə
• layihə əsaslı öyrənmə

1. 1

   CLO 1: Maşın öyrənməsinin əsas anlayışlarını, növlərini, inkişaf mərhələlərini və tətbiq sahələrini izah edir.

2. 2

   CLO 2: NumPy, Pandas, SciPy, Matplotlib və Seaborn kitabxanalarından istifadə etməklə verilənləri emal edir, təhlil edir və vizuallaşdırır.

3. 3

   CLO 3: Verilənlərin ilkin emalı (Data Preprocessing) və statistik təhlili üsullarını tətbiq edərək maşın öyrənməsi üçün verilənləri hazırlayır.

4. 4

   CLO 4: Nəzarətli öyrənmə alqoritmlərini (Decision Tree, Random Forest, KNN, SVM, Naive Bayes və Reqressiya) tətbiq edərək proqnozlaşdırma və təsnifat məsələlərini həll edir.

5. 5

   CLO 5: Nəzarətsiz öyrənmə alqoritmlərini (K-Means, DBSCAN) tətbiq edərək verilənlərin klasterləşdirilməsini həyata keçirir və nəticələri qiymətləndirir.

6. 6

   CLO 6: Maşın öyrənməsi modellərini qurur, qiymətləndirir və generativ süni intellekt alətlərindən istifadə etməklə əldə olunan nəticələri şərh edir və praktik məsələlərin həllində tətbiq edir.

1. 1.
   NumPy moduluMühazirə

   Mövzuda Python-da maşın öyrənməsi və yüksək performanslı elmi hesablamaların təməl daşı sayılan NumPy kitabxanası öyrənilir. Tələbələr standart Python siyahılarından fərqli olaraq yaddaşda daha az yer tutan və vektorlaşdırılmış hesablamaları anında yerinə yetirən çoxölçülü massiv strukturlarını təhlil edirlər. Dərsin gedişatında fərqli ölçülü massivlərin yaradılması, indekslənməsi, kəsiklərin götürülməsi, riyazi və statistik operatorların tətbiqi, eləcə də fərqli ölçülü massivlərin bir-biri ilə riyazi əməliyyatlara girməsini təmin edən translyasiya mexanizmi araşdırılır.

   • NumPy, Pandas, SciPy, Matplotlib və Seaborn kitabxanalarından istifadə etməklə verilənləri emal edir, təhlil edir və vizuallaşdırır.
2. 2.
   Pandas moduluMühazirə

   Mövzuda Python ekosistemində maşın öyrənməsi modelləri üçün verilənlərin manipulyasiyası, təmizlənməsi və strukturlaşdırılması işlərində ən çox istifadə olunan Pandas kitabxanası öyrənilir. Tələbələr kitabxananın əsasını təşkil edən birölçülü Series və ikiölçülü cədvəl strukturu olan DataFrame anlayışlarını təhlil edirlər. Dərsin gedişatında fərqli formatlı fayllardan datanın oxunması, sətir və sütunların seçilməsi, şərtə görə filtrlənməsi, çatışmayan verilənlərin idarə edilməsi, həmçinin verilənlərin qruplaşdırılaraq aqreqat hesablamalarının aparılması prinsipləri araşdırılır.

   • NumPy, Pandas, SciPy, Matplotlib və Seaborn kitabxanalarından istifadə etməklə verilənləri emal edir, təhlil edir və vizuallaşdırır.
3. 3.
   Verilənlərin statistik analiziMühazirə

   Mövzuda maşın öyrənməsi modellərinin qurulmasından əvvəl datanın daxili strukturunu, paylanmasını və xüsusiyyətlərini anlamaq üçün tətbiq olunan statistik analiz metodları öyrənilir. Tələbələr verilənlər çoxluğunun təməl xarakteristikalarını üzə çıxaran təsviri statistika üsullarını, mərkəzi meyllənmə ölçülərini və dəyişənlərin səpələnmə dərəcələrini təhlil edirlər. Dərsin əsas hissəsində Python-un Pandas, NumPy və statistik modulları vasitəsilə xam datanın dispersiyası, standart meyllənməsi, kvartilləri, eləcə də asılılıqları müəyyən edən korrelyasiya matrislərinin hesablanması və interpretasiyası praktiki olaraq araşdırılır.

   • Verilənlərin ilkin emalı (Data Preprocessing) və statistik təhlili üsullarını tətbiq edərək maşın öyrənməsi üçün verilənləri hazırlayır.
4. 4.
   Giriş. Dövlətəqədərki dövr və ibtidai insan münasibətlərinin formalaşması.Məşğələ

   Dövlətəqədərki dövrün əsas xüsusiyyətləri, ibtidai insan cəmiyyətinin yaranması və formalaşması, eyni zamanda qədim insanların həyat tərzi, əmək vərdişləri, ictimai münasibətlərin təşəkkülü, qəbilə və tayfa quruluşunun formalaşması, eləcə də dövlətin yaranmasına təsir edən sosial-iqtisadi proseslərdən bəhs edir.

   • • FTN2: Azərbaycan tarixi üzrə bəzi mübahisəli məsələlərə aydınlıq gətirilir.
   • • FTN1: Azərbaycan tarixinin dövrlərinin əsas mahiyyəti izah edilir.
   • • FTN3: Tələbələrin bu və ya digər məsələlərlə bağlı obyektiv mövqeyini formalaşmasına nail olunur.
   • • FTN4: Tələbələrin ən azından minimum məlumat əldə etməsi, mövzular ətrafında öz fikrinin formalaşmasının səviyyəsi yoxlanılır.
   • • FTN5: Tələbələrə qədim tariximizin müasir dövrlə uzlaşdırılması vərdişləri aşılanır.
5. 5.
   Verilənlərin vizuallaşdırılması: SeaBorn və Matplotlib modullarıMühazirə

   Mövzuda Python mühitində verilənlərin vizual təhlili, qrafiklərin qurulması və effektiv data hekayəçiliyi üçün istifadə olunan iki əsas kitabxana — Matplotlib və Seaborn öyrənilir. Tələbələr Matplotlib-in aşağı səviyyəli elastik strukturunu, qrafik elementlərinin fərdiləşdirilməsini və Seaborn-un Pandas DataFrame strukturu ilə birbaşa inteqrasiya edən yüksək səviyyəli statistik vizuallaşdırma imkanlarını təhlil edirlər. Dərsin gedişatında trendləri göstərən xətti qrafiklər, paylanmanı əks etdirən histoqramlar, korrelyasiyanı göstərən istilik xəritələri və xüsusiyyətlərin səpələnməsini təyin edən diaqramların qurulması praktiki olaraq araşdırılır.

   • NumPy, Pandas, SciPy, Matplotlib və Seaborn kitabxanalarından istifadə etməklə verilənləri emal edir, təhlil edir və vizuallaşdırır.
6. 6.
   Verilənlərin vizuallaşdırılması: MatplotLib moduluMühazirə

   Mövzuda Python ekosistemində məlumatların vizual analizi və qrafiklərin qurulması üçün təməl daşı hesab olunan Matplotlib kitabxanası öyrənilir. Tələbələr kitabxananın aşağı səviyyəli elastik arxitekturasını, obyekt yönümlü qrafik strukturunu və qrafik elementlərinin fərdiləşdirilməsi imkanlarını təhlil edirlər. Dərsin gedişatında kəsilməz trendləri izləmək üçün xətti qrafiklər, kateqoriyalararası müqayisə üçün sütunlu diaqramlar, verilənlərin səpələnməsini və korrelyasiyasını görmək üçün nöqtəvi qrafiklər (scatter plot) və paylanmanı analiz etmək üçün histoqramların proqramlaşdırılması praktiki olaraq araşdırılır.

7. 7.
   Scikit learn ilə Verilənlərin ilkin emalı (Data Preprocessing)Mühazirə

   Mövzuda xam verilənlərin maşın öyrənməsi alqoritmlərinin qəbul edə biləcəyi təmiz və optimal formata gətirilməsi üçün Scikit-learn kitabxanasının təqdim etdiyi ilkin emal metodları öyrənilir. Tələbələr fərqli miqyaslı xüsusiyyətlərin modelə mənfi təsirini aradan qaldırmaq üçün min-max skalinqi və standartlaşdırma üsullarını təhlil edirlər. Dərsin gedişatında kateqorial dəyişənlərin ədədi formata çevrilməsi üçün LabelEncoder və OneHotEncoder alətləri, eləcə də datadakı boşluqların doldurulması üçün SimpleImputer sinfinin praktiki tətbiqi araşdırılır.

   • Verilənlərin ilkin emalı (Data Preprocessing) və statistik təhlili üsullarını tətbiq edərək maşın öyrənməsi üçün verilənləri hazırlayır.
8. 8.
   K-Ən Yaxın Qonşu (KNN) alqoritmiMühazirə

   Mövzuda nəzarətli öyrənmənin ən sadə, instansiyaya əsaslanan (instance-based) və tənbəl öyrənən alqoritmlərindən biri olan K-Ən Yaxın Qonşu alqoritmi öyrənilir. Tələbələr modelin təlim mərhələsində heç bir riyazi tənlik qurmadığını, sadəcə verilənləri yaddaşda saxlayaraq yeni gələn məlumat nöqtəsini mövqe baxımından ona ən yaxın olan "K" sayda qonşusunun kateqoriyasına əsasən qiymətləndirdiyini təhlil edirlər. Dərsin gedişatında nöqtələr arasındakı məsafəni ölçmək üçün istifadə olunan Evklid, Manhetten və Minkovski metrikaları, eləcə də modelin performansına birbaşa təsir edən optimal "K" parametrinin seçilməsi prinsipləri araşdırılır.

   • Nəzarətli öyrənmə alqoritmlərini (Decision Tree, Random Forest, KNN, SVM, Naive Bayes və Reqressiya) tətbiq edərək proqnozlaşdırma və təsnifat məsələlərini həll edir.
9. 9.
   Support Vector Machine (SVM) və Naive Bayes alqoritmləriMühazirə

   Mövzuda nəzarətli öyrənmə modelinin iki güclü və fərqli riyazi yanaşmaya əsaslanan təsnifat alqoritmi — Support Vector Machine və Naive Bayes öyrənilir. Tələbələr verilənlər qrupunu optimal şəkildə ayıran ən doğru sərhədi tapan SVM alqoritminin, eləcə də xətti ayrılmayan datanı yuxarı ölçüyə keçirən nüvə fəndinin iş prinsipini təhlil edirlər. Dərsin ikinci hissəsində isə ehtimal nəzəriyyəsinə və Bayes teoreminə əsaslanan, xüsusiyyətlərin bir-birindən asılı olmadığını fərz edən və mətn təsnifatı tapşırıqlarında yüksək sürətlə işləyən Naive Bayes alqoritminin məntiqi araşdırılır.

   • Nəzarətli öyrənmə alqoritmlərini (Decision Tree, Random Forest, KNN, SVM, Naive Bayes və Reqressiya) tətbiq edərək proqnozlaşdırma və təsnifat məsələlərini həll edir.
10. 10.
    Reqressiya analizi və maşın öyrənmədə onun istifadəsi.Mühazirə

    Mövzuda həm klassik statistikanın, həm də nəzarətli maşın öyrənməsinin təməl sütunlarından biri olan reqressiya analizi öyrənilir. Tələbələr asılı dəyişən ilə bir və ya bir neçə müstəqil dəyişən arasındakı riyazi əlaqələrin qurulması mexanizmini təhlil edirlər. Dərsin gedişatında xətti və qeyri-xətti reqressiya modellərinin fərqləri, xətaların kvadratları cəminin minimumlaşdırılması, modelin performansını qiymətləndirmək üçün istifadə olunan MSE, RMSE və MAE kimi metrikalar, həmçinin qiymət proqnozlaşdırılması, trend analizi və risk qiymətləndirilməsi kimi sənaye tətbiqləri araşdırılır.

    • Nəzarətli öyrənmə alqoritmlərini (Decision Tree, Random Forest, KNN, SVM, Naive Bayes və Reqressiya) tətbiq edərək proqnozlaşdırma və təsnifat məsələlərini həll edir.
11. 11.
    Nəzarətsiz öyrənməyə giriş. K-mean alqoritmiMühazirə

    Mövzuda maşın öyrənməsinin çıxış etiketləri olmayan, yalnız giriş xüsusiyyətlərinə əsasən datadakı gizli qanunauyğunluqları aşkar edən Nəzarətsiz Öyrənmə sahəsi öyrənilir. Tələbələr verilənlərin daxili strukturlarını tapmaq üçün istifadə olunan ən populyar və fundamental klasterləşdirmə alqoritmi olan K-Means-in iş prinsipini təhlil edirlər. Dərsin gedişatında mərkəz nöqtələrinin təsadüfi təyini, məsafə metrikalarına görə datanın qruplaşdırılması, mərkəzlərin itoperasiya daxilində yenidən hesablanması mexanizmi və optimal klaster sayının tapılması üçün istifadə olunan dirsək metodu araşdırılır.

    • Nəzarətsiz öyrənmə alqoritmlərini (K-Means, DBSCAN) tətbiq edərək verilənlərin klasterləşdirilməsini həyata keçirir və nəticələri qiymətləndirir.
12. 12.
    DBSCAN klasterizasiya alqoritmiMühazirə

    Mövzuda nəzarətsiz öyrənmənin sıxlığa əsaslanan və həndəsi forması mürəkkəb olan məlumat qruplarını aşkar etmək üçün istifadə olunan DBSCAN alqoritmi öyrənilir. Tələbələr mərkəz əsaslı K-Means alqoritmindən fərqli olaraq, DBSCAN-in klaster sayını öncədən tələb etməməsi və kənar səs-küyləri uğurla təyin edə bilməsi xüsusiyyətlərini təhlil edirlər. Dərsin gedişatında alqoritmin təməl parametrləri olan radius və minimum qonşu nöqtə sayı, həmçinin verilənlərin nüvə, sərhəd və səs-küy olaraq təsnif edilməsi mexanizmi praktiki şəkildə araşdırılır.

    • Nəzarətsiz öyrənmə alqoritmlərini (K-Means, DBSCAN) tətbiq edərək verilənlərin klasterləşdirilməsini həyata keçirir və nəticələri qiymətləndirir.
13. 13.
    Generativ süni intellekt: maşın öyrənməsi modellərinin qurulmasında və nəticələrin şərhində istifadəsi.Mühazirə

    Mövzuda maşın öyrənməsi proseslərini sürətləndirmək və avtomatlaşdırmaq üçün Böyük Dil Modelləri və generativ süni intellekt alətlərinin tətbiqi üsulları öyrənilir. Tələbələr verilənlər çoxluğunun balanslaşdırılması üçün sintetik data istehsalı, xüsusiyyətlərin mühəndisliyi mərhələsində kod optimallaşdırılması və model arxitekturalarının qurulmasında generativ alətlərin rolunu təhlil edirlər. Dərsin əsas hissəsində mürəkkəb maşın öyrənməsi modellərinin çıxardığı qərarların, xəta matrislərinin və performans metrikalarının biznes dilinə çevrilərək şərh edilməsində generativ intellektin imkanları araşdırılır.

    • Maşın öyrənməsi modellərini qurur, qiymətləndirir və generativ süni intellekt alətlərindən istifadə etməklə əldə olunan nəticələri şərh edir və praktik məsələlərin həllində tətbiq edir.

1. Andreas C. Müller, Sarah Guido - "Introduction to Machine Learning with Python" (2016)(yeni pəncərədə açılır)
2. Mark E. Fenner - "Machine Learning with Python for Everyone" (2019)(yeni pəncərədə açılır)
3. Andreas C. Müller, Sarah Guido - "Introduction to Machine Learning with Python"(yeni pəncərədə açılır)