DATA MINING VA MACHINE LEARNING TEXNOLOGIYALARI ASOSIDA ILMIY TADQIQOTDA MA’LUMOT YIG‘ISH VA TAHLIL QILISH

SUN'IY INTELLEKTNI PEDAGOGIK TA'LIMGA INTEGRATSIYA

QILISH:MUAMMO VA YECHIMLAR mavzusida xalqaro ilmiy-amaliy

anjuman materiallari. Andijon. 23-25 aprel 2025-yil

adpi.uz

universaljurnal.uz

834

DATA MINING VA MACHINE LEARNING TEXNOLOGIYALARI ASOSIDA

ILMIY TADQIQOTDA MA’LUMOT YIG‘ISH VA TAHLIL QILISH

Xasanova Gulsanam Xusanovna

– Pedagogika fanlari doktori (DSc),

dotsent O‘zbekiston jurnalistika

va ommaviy kommunikatsiyalar universiteti

Doi:

https://doi.org/10.5281/zenodo.15367502

Annotatsiya.

Ilmiy tadqiqotlarning asosiy bosqichi sifatida ma’lumot yig‘ish va tahlil qilish

jarayoni bugungi kunda katta hajmdagi ma’lumotlar (big data) bilan ishlashni talab qiladi. Ushbu
maqolada Data mining va Machine learning texnologiyalarining ilmiy tadqiqot jarayoniga
integratsiyasi, ularning metodologiyasi va amaliy qo‘llanilish holatlari atroflicha yoritiladi.

Kalit so‘zlar:

sun’iy intellekt texnologiyalari, Data mining, Machine learning, katta

ma’lumotlar, ma’lumotlarni qayta ishlash, ma’lumotlarni tahlil qilish.

Аннотация

.

Процесс

сбора

и

анализа

данных

,

являющийся

ключевым

этапом

научного

исследования

,

сегодня

требует

работы

с

большими

объемами

данных

(big data).

В

данной

статье

представлен

подробный

обзор

интеграции

технологий

интеллектуального

анализа

данных

и

машинного

обучения

в

процесс

научных

исследований

,

их

методологии

и

практических

примеров

применения

.

Ключевые

слова

:

технологии

искусственного

интеллекта

, Data mining, Machine

learning,

большие

данные

,

обработка

данных

,

анализ

данных

.

Abstract.

The process of data collection and analysis, which is a key stage of scientific

research, today requires working with large volumes of data (big data). This article provides a
detailed overview of the integration of data mining and machine learning technologies into the
process of scientific research, their methodology and practical examples of application.

Keywords:

artificial intelligence technologies, Data mining, machine Learning, big data,

data processing, data analysis.

XXI asrda ilmiy tadqiqot jarayonlari keskin o‘zgarishlarga yuz tutmoqda. An’anaviy usullar

bilan olib borilgan ilmiy izlanishlar o‘rnini bugungi kunda zamonaviy texnologiyalar, xususan,
Data mining (ma’lumotlarni qazib olish) va Machine Learning (mashinali o‘qitish) texnologiyalari
egallamoqda. Ushbu texnologiyalar ilmiy tadqiqotda katta hajmdagi ma’lumotlarni tahlil qilish,
yangi bilimlar hosil qilish va ilmiy qarorlar qabul qilishda muhim vositaga aylanmoqda.

Tadqiqotlarning samaradorligini oshirish, xatoliklarni kamaytirish va natijalarni yanada

chuqurroq o‘rganish uchun sun’iy intellekt texnologiyalari keng ko‘lamda qo‘llanilmoqda.
Ayniqsa, ilmiy maqolalarni bibliometrik tahlil qilish, ilmiy yo‘nalishlar bo‘yicha trendlarni
aniqlash, ma’lumotlar orasidagi bog‘liqlikni topish singari jarayonlarda bu yondashuvlar muhim
ahamiyat kasb etadi.

Ilmiy tadqiqotlarning asosiy bosqichi sifatida ma’lumot yig‘ish va tahlil qilish jarayoni

bugungi kunda katta hajmdagi ma’lumotlar (big data) bilan ishlashni talab qiladi. An’anaviy
statistik usullar ba’zan murakkab va hajmli ma’lumotlarga nisbatan yetarli samaradorlikni ko‘rsata
olmaydi. Shu sababli, data mining — ma’lumotlarni qazib olish usullari va machine learning —
mashinada o‘qitish texnologiyalari tadqiqotchilarga murakkab ma’lumotlar to‘plamlaridan foydali
bilimlarni avtomatlashtirilgan tarzda ajratib olish imkonini beradi.

Data Mining

(ma'lumotlarni qazib olish) — bu katta hajmdagi ma'lumotlar ichidan yashirin,

ilgari noma'lum bo'lgan, noaniq va amaliy ahamiyatga ega bo'lgan naqshlar, munosabatlar yoki
bilimlarni aniqlash jarayonidir. Ushbu jarayon turli sohalarda, jumladan, biznes, tibbiyot, moliya
va marketingda qo'llaniladi.

Data Mining jarayonining asosiy bosqichlari:

SUN'IY INTELLEKTNI PEDAGOGIK TA'LIMGA INTEGRATSIYA

QILISH:MUAMMO VA YECHIMLAR mavzusida xalqaro ilmiy-amaliy

anjuman materiallari. Andijon. 23-25 aprel 2025-yil

adpi.uz

universaljurnal.uz

835

Ma'lumotlarni yig'ish va tayyorlash

: Tahlil uchun zarur bo'lgan ma'lumotlar yig'iladi,

tozalanadi va formatlanadi. Bu bosqichda ma'lumotlardagi kamchiliklar bartaraf etiladi va ular
tahlilga tayyorlanadi.

Ma'lumotlarni tahlil qilish

: Turli statistika va sun'iy intellekt usullari yordamida ma'lumotlar

ichidan yashirin naqshlar va munosabatlar aniqlanadi.

Natijalarni talqin qilish va taqdim etish

: Aniqlangan naqshlar va munosabatlar tahlil

qilinadi, ularning amaliy ahamiyati baholanadi va foydalanuvchilarga tushunarli tarzda taqdim
etiladi.

Machine learning

esa sun’iy intellektning bir bo‘lagi bo‘lib, mashinaga ma’lumotlardan

o‘rganish va o‘zini takomillashtirish imkonini beradi. Bu kompyuter tizimlariga aniq dasturlashsiz,
tajriba asosida o‘z faoliyatini yaxshilash imkonini beruvchi sun’iy intellekt sohasi.

U uch turga bo‘linadi: nazoratli (supervised), nazoratsiz (unsupervised) va mustahkamlash

(reinforcement) learning.

1.

Nazoratli o‘qitish (Supervised Learning): Bu usulda model oldindan belgilangan va

teglar bilan ta’minlangan (labeled) ma’lumotlar ustida o‘qitiladi. Model kiritilgan ma’lumotlar va
ularning mos javoblari (output) o‘rtasidagi bog‘liqlikni o‘rganadi, so‘ngra yangi, noma’lum
ma’lumotlar uchun prognozlar beradi.

2.

Nazoratsiz o‘qitish (Unsupervised Learning): Bu yondashuvda model teglar bilan

ta’minlanmagan (unlabeled) ma’lumotlar ustida o‘qitiladi. Model ma’lumotlardagi yashirin
naqshlar yoki tuzilmalarni aniqlashga harakat qiladi.

3.

Mustahkamlash orqali o‘qitish (Reinforcement Learning): Bu usulda agent (model)

muhit bilan o‘zaro ta’sirda bo‘lib, harakatlari natijasida mukofot yoki jazo oladi. Agentning
maqsadi — vaqt o‘tishi bilan eng yuqori umumiy mukofotni olish uchun optimal strategiyani
o‘rganish.

Ilmiy tadqiqotda ushbu yondashuvlar ma’lumotlardan yangi bilimlarni avtomatik hosil

qilish, bashorat modellari qurish va ilmiy xulosalarni yanada aniqlik bilan shakllantirishda muhim
ahamiyat kasb etadi.

Ilmiy tadqiqotlarda ma’lumot yig‘ish va tahlil qilish jarayonlari muhim bosqichlar

hisoblanadi. Ushbu jarayonlar quyidagi bosqichlarni o‘z ichiga oladi:

1. Tadqiqot mavzusini aniqlash va muammoni belgilash: tadqiqotning birinchi bosqichi

dolzarb mavzuni tanlash va muammoni aniq shakllantirishdan iborat. Bu bosqichda tadqiqotning
maqsadi va vazifalari belgilanadi.

2. Gipoteza ishlab chiqish: muammoni tahlil qilgandan so‘ng, uni yechish bo‘yicha taxminiy

gipotezalar ilgari suriladi. Ushbu gipotezalar tadqiqot davomida tekshiriladi va isbotlanadi yoki
rad etiladi.

3. Ma’lumot yig‘ish: tadqiqot uchun zarur bo‘lgan ma’lumotlar yig‘iladi. Bu bosqichda

quyidagi usullardan foydalanish mumkin:

Kuzatish:

tabiiy sharoitda hodisalarni bevosita kuzatish orqali ma’lumot to‘plash.

So‘rovlar:

respondentlar bilan intervyu yoki anketalar orqali ma’lumot olish.

Eksperimentlar:

maxsus sharoitlarda tajribalar o‘tkazish orqali ma’lumot yig‘ish.

Hujjatlar tahlili:

oldingi tadqiqotlar, hisobotlar va boshqa yozma manbalarni o‘rganish.

4. Ma’lumotlarni tahlil qilish: Yig‘ilgan ma’lumotlar statistik va mantiqiy usullar yordamida

tahlil qilinadi. Bu bosqichda ma’lumotlarning ishonchliligi tekshiriladi va ular asosida xulosalar
chiqariladi.

5. Natijalarni taqdim etish: Tahlil natijalari ilmiy maqola, hisobot yoki dissertatsiya shaklida

yozma ravishda taqdim etiladi. Bu bosqichda tadqiqotning xulosalari, tavsiyalari va kelgusidagi
tadqiqot yo‘nalishlari ko‘rsatiladi.

Har bir bosqichda tanlangan usul va vositalar tadqiqot mavzusiga va ma’lumot turiga qarab

moslashtiriladi.

SUN'IY INTELLEKTNI PEDAGOGIK TA'LIMGA INTEGRATSIYA

QILISH:MUAMMO VA YECHIMLAR mavzusida xalqaro ilmiy-amaliy

anjuman materiallari. Andijon. 23-25 aprel 2025-yil

adpi.uz

universaljurnal.uz

836

Data mining usullari yordamida ilmiy maqolalarning sitatalari tahlil qilinib, mavzular

bo‘yicha trendlar aniqlanadi. Masalan, bibliometrik tahlil orqali muayyan ilmiy yo‘nalishdagi
yetakchi mualliflar va tadqiqot markazlarini aniqlash mumkin.

Machine learning modellari yordamida ilmiy yo‘nalishlardagi o‘sish sur’atlari va yangi

mavzular yuzaga kelish dinamikasi bashorat qilinadi. Masalan, neyron tarmoqlar asosida kimyo,
biologiya yoki iqlimshunoslik sohalaridagi trendlar tahlil qilinishi mumkin.

Ilmiy maqolalarning annotatsiyalarini sentiment analysis yordamida tahlil qilish yoki plagiat

aniqlash jarayonlarini avtomatlashtirish machine learning modellarining yana bir amaliy
qo‘llanilishi hisoblanadi.

Ilmiy tadqiqotlarda data mining va machine learning texnologiyalarining joriy etilishi

tadqiqot samaradorligini sezilarli darajada oshiradi:

·

Tezlik

: katta hajmdagi ma’lumotlarni qisqa vaqt ichida tahlil qilish.

·

Aniqlik

: yashirin naqshlar va munosabatlarni aniqlash orqali yangi ilmiy xulosalar olish.

·

Avtomatlashtirish

: inson omilidan kelib chiqadigan xatoliklarni kamaytirish.

Biroq, cheklovlar ham mavjud:

Ma’lumot sifati

: noto‘g‘ri yoki kam to‘ldirilgan ma’lumotlar natijalar ishonchliligini

pasaytiradi.

Modelni interpretatsiya qilish

: chuqur neyron tarmoqlarning “qora quti” tabiati xulosalarni

tushuntirishni qiyinlashtiradi.

Hisoblash resurslari

: katta modellarni o‘qitish uchun kuchli apparat va vaqt talab qilinadi

Data mining va machine learning ilmiy tadqiqot jarayonlarini yangi bosqichga ko‘taradi.

Ular yordamida ma’lumot yig‘ish, tozalash, tahlil va bashorat jarayonlari avtomatlashtiriladi
hamda ilmiy xulosalarning aniqligi oshadi. Kelgusida ushbu texnologiyalar asosida ilmiy
kashfiyotlar soni va sifatini yanada oshirish uchun quyidagilar tavsiya etiladi:

·

Ma’lumot sifatini yaxshilashga qaratilgan protokollar ishlab chiqish.

·

Model interpretatsiyasini osonlashtiruvchi yondashuvlar (Explainable AI) qo‘llash.

·

Hisoblash infratuzilmasini rivojlantirish va ochiq ilmiy platformalarni yaratish.

FOYDALANILGAN ADABIYOTLAR:

1.

Bock FE, Aydin RC, Cyron CJ,Huber N, Kalidindi SR andKlusemann B (2019) A

Review of the Application of Machine Learning and Data Mining Approaches in Continuum
Materials Mechanics. Front. Mater. 6:110.

2.

Li, H., & Zhang, X. (2022). Applications of data mining and machine learning

framework in aquaculture and fisheries datasets. Aquaculture Data Science, 1(1), 1–15.

3.

Mardiyeva H.D., & Sadinov Ma'ruf. (2025). ILMIY ISH YOZISH USULLARI .

TADQIQOTLAR.UZ, 54(2), 148-151.

4.

Onarkulov, M., Tojimamatov, I., Yusupov, M., & Abdumalikov , A. (2024). DATA

MINING TEXNOLOGIYALARI, METODLARI VA BOSQICHLARI . International Conference
on

Education

and

Social

Science,

2(4),

15–17.

Retrieved

from

https://aidlix.org/index.php/ua/article/view/901

5.

Jones DE, Ghandehari H, Facelli JC. (2016). A review of the applications of data

mining and machine learning for the prediction of biomedical properties of nanoparticles. Comput
Methods Programs Biomed. Aug; 132:93-103. doi: 10.1016/j.cmpb.2016.04.025. Epub 2016 Apr
28. PMID: 27282231; PMCID: PMC4902872.

6.

Sarker, I.H. Machine Learning: Algorithms, Real-World Applications and Research

Directions. SN COMPUT. SCI. 2, 160 (2021). https://doi.org/10.1007/s42979-021-00592-x

7.

Xia, J. C., Xie, F., Zhang, Y., & Caulfield, C. (2013). Artificial intelligence and data

mining: algorithms and applications. In Abstract and Applied Analysis (Vol. 2013). Hindawi

8.

Wang, L., & Zhao, Y. (2023). Research on Data Mining Technology Based on Machine

Learning Algorithm. Journal of Data Science and Engineering, 8 (3), 45–60.