CV muhandis kundaligi

ggwp

AI/ML intervyularga tayyorgarlik ko'ryapsizmi? Quyida amalda eng ko‘p yordam beradigan 9 ta GitHub repo: All algorithms implemented in Python (217k ⭐️) https://github.com/TheAlgorithms/Python Awesome Machine Learning (71.2k ⭐️) https://github.com/josephmisiti/awesome-machine-learning Machine Learning interviews from FAANG (11.9k ⭐️) https://github.com/khangich/machine-learning-interview Tech interview handbook (137k ⭐️) https://github.com/yangshun/tech-interview-handbook System Design Primer (322k ⭐️) https://github.com/donnemartin/system-design-primer Machine Learning interview questions (4.3k ⭐️) https://github.com/andrewekhalel/MLQuestions Machine Learning cheat sheet (8k ⭐️) https://github.com/soulmachine/machine-learning-cheat-sheet Guide for ML / AI technical interviews (7.4k ⭐️) https://github.com/alirezadir/Machine-Learning-Interviews Mathematics for Machine Learning (14.9k ⭐️) https://github.com/mml-book/mml-book.github.io

⚡️Ultralytics YOLO26 rasman chiqdi (2026-01-14)! Bu relizning markazida bitta g‘oya : edge va low-power qurilmalarda ham production’ga tez va og‘riqsiz chiqish. Men kutgan reliz😁 Nimalar o‘zgardi, asosiy yangiliklar - End-to-end, NMS-free inference: endi klassik NMS post-processing bosqichi yo‘q. Natija: latency kamroq, export va deploy jarayoni soddaroq. - CPU’da 43% gacha tezroq inference: ayniqsa edge senariylar uchun juda katta sakrash. - DFL (Distribution Focal Loss) olib tashlandi: arxitektura soddalashdi, exportability va low-power hardware bilan moslashuvchanlik yaxshilandi. - ProgLoss + STAL: trening barqarorroq, ayniqsa small object’larda aniqlikni oshirishga e'tibor qaratilgan. - MuSGD optimizer: SGD + Muon gibrid yondashuv, treningni barqaror va samaraliroq qilish uchun. - Task-specific yaxshilanishlar: - Segmentation: semantic loss + multi-scale protos - Pose: keypoint’lar uchun yuqori aniqlikda RLE - OBB: angle loss bilan boundary discontinuity muammosi ustida ishlangan. - YOLOE-26 (Open-Vocabulary): text prompt yoki visual prompt bilan zero-shot detect/segment qilish. Hatto prompt-free variantlar ham bor. YOLO26 qaysi tasklarni qamrab oladi? - Object Detection - Instance Segmentation - Image Classification - Pose Estimation - Oriented Object Detection (OBB) GitHub, YOLO26 @learncvuz

"Dasturiy ta'minot muhandisining maqsadi — mavjud muammolarni hal qilish va yangi yechim talab etadigan muammolarni topishdir. Kod yozish (coding) esa bu vazifalardan biri, xolos. Shunday ekan, agar maqsadingiz muammoni hal qilish emas, shunchaki kod yozish bo‘lsa — ya'ni kimdir sizga nima qilishni aytadi va siz uni kodga aylantirsangiz... Unday holda, ha, sizning o‘rningizni Sun'iy Intellekt egallashi mumkin. Ammo bizning barcha muhandislarimizning asosiy maqsadi — muammolarga yechim topishdir. Ma'lum bo‘lishicha, kompaniyada hali yechimini kutayotgan va hatto hali aniqlanmagan son-sanoqsiz muammolar mavjud. Muhandislar qancha ko‘p vaqtini hali aniqlanmagan muammolarni o‘rganishga sarflasa, kompaniyamiz uchun shunchalik yaxshi bo‘ladi. Hech narsa menga ularning umuman kod yozmasliklaridan ko‘ra ko‘proq quvonch bag‘ishlamagan bo‘lar edi, agar ular faqat muammolarni hal qilish bilan band bo‘lishsa. Menimcha, 'Maqsad' va 'Vazifa' o‘rtasidagi farqni anglash tamoyili hamma uchun qo‘llashga arziydigan foydali yondashuvdir." — Jensen Huang

4-yanvardan singulyarlik erasi boshlandi, buni Elon aka aytapti😁 AGI yaqinmi yoki Grok katta "update" bilan chiqadimi, nima deb o'ylaysizlar? Singularity (texnologik singulyarlik): AI va boshqa texnologiyalar juda tez, eksponent sur’atda rivojlanib ketadi, natijada yaqin kelajakdagi o‘zgarishlarni oldindan aniq bashorat qilish (expertlar uchun ham) qiyin bo‘lib qoladi. https://t.me/learncvuz

AI/ML o'rganuvchilar uchun mashhur YouTube kanallar📚. 1️⃣Andrey Karapty – Learn deep learning straight from a legend 2️⃣Sebastian Raschka – Clear explanations on ML, PyTorch & research 3️⃣sentdex – Hands-on Python, ML & practical coding 4️⃣StatQuest with Josh Starmer – ML & stats made ridiculously simple 5️⃣Jeremy Howard – Practical deep learning & fast. ai insights 6️⃣Krish Naik – End-to-end AI, ML & career-focused content 7️⃣CampusX – Structured data science & ML learning paths 8️⃣3Blue1Brown – Math intuition behind ML like never before 9️⃣MIT OpenCourseWare – World-class AI & ML courses for free 🔟Stanford Online – Learn AI from the pioneers shaping the field 💡Istalgan birini tanlang, o'rganing! Davomiy o'rganish, muvaffaqiyat kaliti! @learncvuz

FEATURE DESCRIPTION: Kompyuter ko‘radigan “belgilar tili” 👁📌 Kompyuterlar tasvirni, raqmlar, matritsalar shaklda "ko'rishini" oldingi postlarda gaplashgan edik. Tasvir va undagi obektlarni tanib olish uchun unga ishonchli "ishoralar" kerak. Ana shu ishoralar: features (xususiyatlar, atributlar) deyilad. Model avval feature’larni o‘rganadi, keyin yangi rasmlarda ham shu belgilar orqali tanib oladi. 1) Feature’larni data structure’larda qanday saqlaymiz? Feature’lar turlicha: son, kategoriya, rasm, matn va hokazo. Ularni to‘g‘ri ko‘rinishda saqlash keyingi ishlov (processing) uchun juda muhim. Numerical features (sonli feature’lar): • Array/List: eng sodda ko‘rinish. Har bir element alohida feature. • Tensor: ko‘p o‘lchovli massiv. Katta data bilan ML framework’larda juda ko‘p ishlatiladi. Categorical features (kategoriya feature’lar): • Dictionary/List: kategoriyani label qilib saqlash (yoki bevosita qiymat sifatida). • One-hot encoding: kategoriya uchun binary vektor, har bir bit alohida kategoriyani bildiradi. Image features (tasvir feature’lar): • Pixel values: rasmni matritsa yoki multi-dimensional array sifatida saqlash. • CNN features: pre-trained CNN orqali “tayyor” feature’larni ajratib olish. 2) Yaxshi descriptor nimasi bilan “yaxshi”? Descriptor: Tasvir ichidagi obyekt yoki sahnaning muhim axborotini siqilgan, ammo mazmunli ko‘rinishda ifodalovchi feature to‘plami. Yaxshi descriptor quyidagilarga ega bo‘ladi: • Transformatsiyalarga moslashuvchan: rotation, translation, scaling, illumination o‘zgarsa ham “xulqini” yo‘qotmaydi. • Distinctiveness: obyektni boshqasidan ajratib bera oladi. • Dimensionality: juda katta bo‘lmasdan, yetarli axborotni saqlaydi. • Locality: lokal nuqtalar yoki kichik regionlarni yaxshi tasvirlaydi. • Repeatability: shovqin yoki kichik farqlarda ham barqaror chiqadi. • Matching algoritmlariga mos: masofa metric’lari yoki ML asosidagi matching bilan yaxshi ishlaydi. • Computational efficiency: tez hisoblanadi, real-time uchun muhim. • Adaptability: data o‘zgarishlariga moslasha oladi. 3) Feature descriptor’lar: SIFT va SURF Quyida 2ta klassik Descriptor lar bilan tanishamiz • SIFT: aniqlik va robustlik tarafdori • SURF: tezlik va samaradorlik tarafdori Ikkalasi ham tasvirdan keypoint topadi va ularni taqqoslash uchun descriptor yaratadi. 🔹 SIFT (Scale-Invariant Feature Transform) SIFT tasvirda turli scale’larda barqaror keypoint’larni topib, har biri uchun descriptor beradi. Qanday ishlashi to'liqroq tushuntirilgan manbalar: manba1, manba2. 🔸 SURF (Speeded Up Robust Features) SURF ham lokal feature topadi, lekin tezlik uchun optimizatsiya qilingan. Uning asosiy “quroli”: integral image va Haar wavelet’lar. Qanday ishlashi to'liqroq tushuntirilgan manbalar: manba1, manba2 Qo‘llanishlari: object recognition, image stitching, 3D reconstruction. ✅ Yakuniy takeaway Feature descriptor: modelning “ko‘rish lug‘ati”. Lug‘at qanchalik aniq va barqaror bo‘lsa, tanib olish va matching shunchalik ishonchli bo‘ladi. #fundamentals#computer_vision

"Xarita.ai" loyihasi... Bu shunchaki kurs emas. Sun'iy intellekt olamida o'z yo'lingizni topish uchun interaktiv yo'l xaritasi. Platformada 2 ta asosiy yo'nalish bor: - Dasturchilar uchun - Oddiy Foydalanuvchilar uchun Eng muhimi — bu Community (Hamjamiyat) loyihasi va BEPUL! Hozir kirib, o'z yo'lingizni tanlang va kelajak kasbini egallashni boshlang. 👇 Saytga o'tish: https://xarita.ai Intro Video: https://www.youtube.com/watch?v=mowRFviNXDU Postni ilmga chanqoq do'stlaringiz bilan ulashing! (P.S. Sayt haqida fikringizni izohlarda kutaman, bu beta versiya!) @adkham_zokhirov

Tasvirni modelga berishdan oldin nima qilish kerak? Ko‘p hollarda “pre-processing” va “data augmentation” model natijasini bevosita hal qiladi. 1) Digital Image Processing: tasvir ustidagi amallar nimalar? Raqamli tasvir aslida sonlardan iborat matritsa. Demak biz uni turli yo‘llar bilan o‘zgartira olamiz: • Mantiqiy (Logical): AND/OR/XOR, NOT (invert) masalan: mask bilan obyektni ajratish • Statistik (Statistical): o‘rtacha (mean) filtrlash, median filtri, standart og‘ish (std) hisoblash • Geometrik (Geometrical): aylantirish (rotate), masshtablash (resize/scale), ko‘chirish (translate), kesish (crop) • Matematik (Mathematical): qo‘shish/ayirish (image add/subtract), ko‘paytirish (gain), bo‘lish (normalize) • Transform (o‘zgartirish) amallari: Fourier transform (FFT), DCT, Wavelet transform, Hough transform va hk. Amallar ham ikki xil: • Element-wise amallar: har bir piksel ustida amal bajariladi (masalan: darajaga ko‘tarish). • Matrix amallar: matritsa nazariyasiga tayangan holda tasvir manipulyatsiya qilinadi (konvolyutsiya, filterlash) 2) Data augmentation: Model train/validation/test dataset’da yaxshi natija berishiga qaramay, real muhitda ko‘pincha performance tushib ketadi. Sabab: real data xilma-xil, dataset esa yetarlicha turfa bo‘lmasligi mumkin. Data augmentation nima beradi? • Dataset’ni qo‘shimcha data yig‘masdan kattalashtiradi. • Variativlik kiritadi, generalization kuchayadi. • Overfitting kamayadi. • Labeling va cleaning xarajatlarini qisqartiradi. Bu yerda ham ikki usuldan foydalanishimiz mumkin: • Augmented data: mavjud tasvirlardan transform bilan yangi variantlar hosil qilish (geometric va color space transformatsiyalar). • Synthetic data: noldan generatsiya qilingan data, masalan DNNs va GANs orqali. Demak, pre-processing va data augmentation, real loyihada modelning amaliy natijasini ko‘taradigan asosiy tayanchlardan hisoblanar ekan. #fundamentals#computer_vision

Vibe coding bilan 0 dan 1000$ gacha Natija kafolatlanmaydi, vibe kafolatlangan 😎 Kurs dasturi: 📌 Hech narsa o‘rgatilmaydi 📌 Faqat vibe 📌 Natija — noma’lum 📌 Narx — 1000$ ⏰Shoshiling! Joylar cheklanmagan ✍️ Ro‘yxatdan o‘tish uchun izohga + qoldiring ⚠️Barchasi reklama huquqi asosida.

https://www.youtube.com/watch?v=DiQlpiZT-go

https://www.youtube.com/watch?v=DiQlpiZT-go