JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
Tursunbek Sadriddinovich Jalolov
Osiyo xalqaro universiteti Dotsenti p.f.f.d.(PhD)
PYTHON YORDAMIDA SUN’IY INTELLEKT ORQALI DIAGRAMMALARINI
QAYTA ISHLASH
Annotatsiya:
Ushbu maqolada sun’iy intellektning Python dasturlash tili orqali grafik va
diagramma shaklidagi ma’lumotlarni qayta ishlashdagi o‘rni yoritiladi. Diagrammalar
ko‘rinishidagi vizual axborotlarni avtomatik tarzda tahlil qilish va ularni semantik jihatdan
sharhlash hozirgi texnologik rivojlanish davrida muhim ahamiyat kasb etmoqda. Pythonning
kutubxonalari yordamida tasviriy ma’lumotlarni qayta ishlash, ular asosida tushuncha hosil qilish,
statistik va semantik yechimlar ishlab chiqish imkoniyatlari ko‘rib chiqilgan. Bu borada
mashinaviy o‘rganish (Machine Learning), chuqur o‘rganish (Deep Learning) va tasvirni qayta
ishlash (Image Processing) kabi texnologiyalar tahlil qilinadi.
Kalit so‘zlar:
Python, sun’iy intellekt, diagramma, tasvirni qayta ishlash, mashinaviy o‘rganish,
tahlil, semantik interpretatsiya, OpenCV, matplotlib, AI.
Kirish
Hozirgi zamon texnologik muhitida vizual ma’lumotlar — grafiklar, diagrammalar, jadvallar —
informatsiyaning muhim shakli sifatida e’tirof etiladi. Ayniqsa, tibbiyot, iqtisodiyot, muhandislik
va ta’lim sohalarida diagramma va grafiklar muhim axborot manbai hisoblanadi.
Diagrammalarni avtomatik tarzda tanib olish va ularni mazmunan tahlil qilish sun’iy intellekt
vositalari orqali tobora ommalashib bormoqda. Python tili esa bu jarayonda asosiy vosita bo‘lib
xizmat qilmoqda. Uning ochiq manbali kutubxonalari orqali AI modellarini yaratish, tasvirni
qayta ishlash va semantik tushunchalarga asoslangan tahlilni amalga oshirish mumkin. Hozirgi
zamon ma’lumotlar asrida diagrammalar va grafiklar murakkab ma’lumotlarni tushunarli
ko‘rinishda taqdim etishning muhim vositasidir. Sun’iy intellekt (AI) va Python dasturlash tili
yordamida diagrammalarni avtomatik qayta ishlash, tahlil qilish va yaratish jarayonlari sezilarli
darajada osonlashgan. Ushbu maqolada Python va AI texnologiyalari orqali diagrammalar bilan
ishlashning asosiy afzalliklari va qo‘llanilishi ko‘rib chiqiladi.
Asosiy qism
Hozirgi kunda ma’lumotlar bilan ishlashda diagrammalar va grafiklar muhim rol o‘ynaydi.
Sun’iy intellekt (AI) va Python dasturlash tili yordamida diagrammalarni qayta ishlash
jarayonlari sezilarli darajada osonlashgan. Pythonning kuchli kutubxonalari va AI
texnologiyalari orqali diagrammalarni avtomatik tahlil qilish, tahrirlash va vizualizatsiya qilish
imkoniyatlari yanada kengaymoqda. Avvalo, Python yordamida diagrammalarni avtomatik qayta
ishlash jarayonlari sezilarli darajada tezlashadi. OpenCV, Pillow (PIL) kabi kutubxonalar
kompyuter ko‘ruvi (computer vision) asosida diagrammalardagi elementlarni aniqlash, matnlarni
o‘qish (OCR – Tesseract kabi texnologiyalar orqali) va ma’lumotlarni tizimlashtirish imkonini
beradi. Bu esa qo‘lda diagramma tuzish jarayonini avtomatlashtirib, vaqtni tejashga olib keladi.
Sun’iy intellekt, ayniqsa machine learning (ML) va tabiiy tilni qayta ishlash (NLP)
texnologiyalari diagrammalardagi ma’lumotlarni aniqroq tahlil qilish imkonini beradi. Masalan,
TensorFlow yoki PyTorch kabi frameworklar yordamida diagrammalardagi tendentsiyalarni
aniqlash, bog‘liqliklarni topish yoki xatolarni tuzatish mumkin. NLP vositalari (spaCy, NLTK)
esa grafiklardagi matnli ma’lumotlarni tushunish va saralashda yordam beradi. Pythonning
vizualizatsiya kutubxonalari (Matplotlib, Seaborn, Plotly) interaktiv va dinamik diagrammalar
yaratishda ayniqsa qulay. Real vaqtda yangilanuvchi grafiklar, 3D modellar yoki harakatli
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
vizualizatsiyalar yaratish mumkin. Bokeh yoki Dash kabi kutubxonalar esa foydalanuvchilarga
murakkab ma’lumotlarni oddiy va tushunarli tarzda ko‘rish imkonini beradi.
Katta hajmdagi ma’lumotlar bilan ishlashda Python va AI ning ahamiyati yanada oshadi. Pandas,
NumPy kabi kutubxonalar yordamida millionlab qatorlardan iborat ma’lumotlarni tezda qayta
ishlab, diagrammalarga aylantirish mumkin. Dask yoki Apache Spark kabi frameworklar esa
katta miqdordagi ma’lumotlarni parallel ravishda qayta ishlash imkonini beradi.
Diagrammalarni sun’iy intellekt orqali tahlil qilish ikki asosiy yo‘nalishda amalga oshiriladi:
1.
Tasvir sifatida qayta ishlash
– bu bosqichda diagramma rasm ko‘rinishida olinib, uni
segmentatsiya qilish, elementlarini aniqlash, matnlarni ajratib olish amalga oshiriladi.
2.
Semantik tahlil
– bu jarayonda diagramma elementlari orasidagi aloqalar aniqlanadi,
ularning ma’nosi avtomatik tarzda sharhlanadi.
Python tilida bu jarayonni amalga oshirish uchun quyidagi asosiy kutubxonalar ishlatiladi:
OpenCV
– tasvirni tahlil qilish, filtrlar, konturlarni aniqlash, elementlarni ajratish.
Tesseract-OCR
– diagrammadagi matnli elementlarni ajratib olish va matnga aylantirish.
matplotlib / seaborn
– diagrammalarni avtomatik hosil qilish va ular bilan ishlash.
TensorFlow / PyTorch
– chuqur o‘rganish modellarini diagramma tahliliga moslashtirish.
Misol sifatida, quyidagi jarayonni tasavvur qilamiz: foydalanuvchi PDF yoki rasm shaklidagi
diagramma yuklaydi. Ushbu diagramma OpenCV orqali segmentatsiya qilinadi, so‘ng Tesseract
yordamida matn elementlari aniqlanadi. Keyin bu matn va grafik komponentlar asosida model
diagramma mazmunini tahlil qiladi. Bu usuldan tibbiy grafiklar (masalan, EKG, qon bosimi
grafigi) yoki iqtisodiy ko‘rsatkichlar grafiklarida foydalanish mumkin.
Yana bir dolzarb yo‘nalish —
diagrammadan ma’lumotlar bazasi yaratish
. Diagrammadagi
chiziq yoki ustunlar o‘rganilib, ular asosida sonli qiymatlar aniqlanadi va strukturalangan
formatga (CSV, JSON) o‘tkaziladi. Ushbu ma’lumotlar keyinchalik vizualizatsiya, statistik tahlil
yoki prognozlashda qo‘llaniladi.
Sun’iy intellekt yordamida ishlov berilgan diagrammalar quyidagi afzalliklarga ega:
Diagrammadan ma’lumotni avtomatik chiqarish;
Foydalanuvchining og‘ir yukini yengillashtirish;
Diagramma mazmunini ko‘r va zaif ko‘ruvchilar uchun matnga aylantirish;
Ma’lumotlar bo‘yicha avtomatik tahlil va xulosa chiqarish imkoniyati.
Amaliy dastur namunasi:
import cv2
import pytesseract
image = cv2.imread('diagram.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
text = pytesseract.image_to_string(thresh)
print("Diagrammadagi matn:", text)
Yuqoridagi kod orqali diagrammadagi matn elementlari avtomatik ajratib olinadi. Bunday
yondashuvni rivojlantirib, matnlar joylashuvi, diagramma elementlari (chiziq, ustun) bilan
bog‘liq tahlillarni ham avtomatlashtirish mumkin.
Xulosa
Diagrammalarni sun’iy intellekt yordamida tahlil qilish hozirgi vaqtda keng imkoniyatlar
ochmoqda. Python dasturlash tili bu borada asosiy vositalardan biri bo‘lib, uning yordamida
tasviriy ma’lumotlarni samarali tarzda tahlil qilish mumkin. Diagrammalarni avtomatik o‘rganish,
semantik tahlil qilish, ularni strukturaviy ko‘rinishga keltirish orqali ko‘plab sohalarda axborot
oqimini optimallashtirish mumkin. Kelajakda bu texnologiyalar raqamli tahlil, sun’iy ko‘rish,
avtomatlashtirilgan axborot tizimlari va ta’lim texnologiyalarida keng qo‘llaniladi.
Foydalanilgan adabiyotlar
1. Jalolov, T. S. (2024). SUN'IY INTELLEKTNI KIBERXAVFSIZLIK TIZIMLARIDA QO
‘LLASH: TAHDIDLARNI ERTA ANIQLASH USULLARI. Modern digital technologies in
education: problems and prospects, 1(2), 54-59.
2. Jalolov, T. S. (2024). KUCHLI VA ZAIF SUN'IY INTELLEKT MODELLARI:
ULARNING TAQQOSLANISHI VA RIVOJLANISH ISTIQBOLLARI. Modern digital
technologies in education: problems and prospects, 1(2), 91-96.
3. Jalolov,
T.
S.
(2024).
MASHINA
O
‘QITISH
ALGORITMLARINI
OPTIMALLASHTIRISH:
SAMARADORLIK
VA
ANIQLIKNI
OSHIRISH
USULLARI. Modern digital technologies in education: problems and prospects, 1(2), 97-102.
4. Jalolov, T. S. (2024). SUN'IY INTELLEKT YORDAMIDA SOXTA MA'LUMOTLARNI
ANIQLASH USULLARI. Modern digital technologies in education: problems and
prospects, 1(2), 47-53.
5. Jalolov, T. S. (2024). AI ASOSIDA HUJUMLARNI BASHORAT QILISH VA HIMOYA
STRATEGIYALARINI ISHLAB CHIQISH. Modern digital technologies in education:
problems and prospects, 1(2), 66-71.
6. Jalolov, T. S. (2024). KUCHLI AI BILAN JIHOZLANGAN ROBOTOTEXNIKA UCHUN
REJALASHTIRISH VA QAROR QABUL QILISH ALGORITMLARI. Modern digital
technologies in education: problems and prospects, 1(2), 60-65.
7. Jalolov, T. S., & Usmonov, A. U. (2021). “АQLLI ISSIQXONA” BOSHQARISH
TIZIMINI MODELLASHTIRISH VA TADQIQ QILISH. Экономика и социум, (9 (88)), 74-77.
8. Жалолов, Т. (2023). Использование математических методов в психологических
данных (с использованием программного обеспечения SPSS). in Library, 4(4), 359-363.
9. Jalolov, T. S. (2024). ANALYSIS OF PSYCHOLOGICAL DATA USING SPSS
PROGRAM. Multidisciplinary Journal of Science and Technology, 4(4), 477-482.
10. Sadriddinovich, J. T. (2024). BASICS OF PSYCHOLOGICAL SERVICE. PSIXOLOGIYA
VA SOTSIOLOGIYA ILMIY JURNALI, 2(4), 61-67.
11. Jalolov, T. S. (2024). ЭКОЛОГИЧЕСКИЙ СИСТЕМЫ ИСКУССТВЕННЫЙ В
МОНИТОРИНГЕ ИНТЕЛЛЕКТ ТЕХНОЛОГИЙ ПРИЛОЖЕНИЕ. Advanced methods of
ensuring the quality of education: problems and solutions, 1(3), 86-92.
12. Jalolov, T. S. (2024). НА ОСНОВЕ ИИ НАПАДЕНИЯ ПРОРОЧЕСТВО ДЕЛАТЬ И
ЗАЩИЩАТЬ. Advanced methods of ensuring the quality of education: problems and
solutions, 1(3), 60-65.
13. Jalolov, T. S. (2024). ОСНОВО МАШИННОГО ЯЗЫКА. Advanced methods of ensuring
the quality of education: problems and solutions, 1(3), 46-52.
JOURNAL OF IQRO – ЖУРНАЛ ИҚРО – IQRO JURNALI – volume 15, issue 01, 2025
ISSN: 2181-4341, IMPACT FACTOR ( RESEARCH BIB ) – 7,245, SJIF – 5,431
ILMIY METODIK JURNAL
14. Jalolov, T. S. (2024). ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ С ИСПОЛЬЗОВАНИЕМ
ФАЛЬШИВЫЙ ИНФОРМАЦИЯ ОПРЕДЕЛИТЬ МЕТОДЫ. Advanced methods of ensuring
the quality of education: problems and solutions, 1(3), 53-59.
15. Jalolov, T. S. (2024). АЛГОРИТМЫ ПЛАНИРОВАНИЯ И ПРИНЯТИЯ РЕШЕНИЙ
ДЛЯ РОБОТОТЕХНИКИ. Advanced methods of ensuring the quality of education: problems
and solutions, 1(3), 73-79.
