Intervyu savollari

import pandas as pd

def savollar(royxat):
    show(pd.DataFrame(royxat))

savollar([
    {"Savol": "Overfitting nima?",
     "Kuchsiz javob": "Model train da yaxshi, test da yomon",
     "Kuchli javob": "Shu + 'uni o'quv egri chizig'i bilan aniqlayman: train va validation orasidagi farq kengaysa — overfitting, ikkisi ham past bo'lsa — underfitting'",
     "Bob": "10"},
    {"Savol": "Bias va variance farqi?",
     "Kuchsiz javob": "Bias — siljish, variance — tarqoqlik",
     "Kuchli javob": "Shu + 'bir xil modelni boshqa train bo'laklarida o'qitib, bashoratlar qanchalik farq qilishini o'lchayman'",
     "Bob": "10, 18"},
    {"Savol": "Qancha ma'lumot kerak?",
     "Kuchsiz javob": "Qanchalik ko'p bo'lsa, shunchalik yaxshi",
     "Kuchli javob": "'O'quv egri chizig'ini quraman: egri yassilansa, yangi ma'lumot foyda bermaydi — model yoki featureni o'zgartirish kerak'",
     "Bob": "10"},
    {"Savol": "Train/val/test nega uchta?",
     "Kuchsiz javob": "Shunday qabul qilingan",
     "Kuchli javob": "'Val da giperparametr tanlayman, test ga BIR MARTA qarayman. Test ga qarab qaror qilsam, u val ga aylanadi va menda halol baho qolmaydi'",
     "Bob": "5"},
])

savollar([
    {"Savol": "Accuracy qachon yaroqsiz?",
     "Kuchsiz javob": "Nomutanosib ma'lumotda",
     "Kuchli javob": "'99% salbiy bo'lsa, hammaga yo'q deydigan model 99% accuracy oladi va foydasiz. Shuning uchun avval baza accuracy ni hisoblayman — model undan oshmasa, model yo'q'",
     "Bob": "6, 7"},
    {"Savol": "Precision va recall orasida qanday tanlaysiz?",
     "Kuchsiz javob": "Vazifaga qarab",
     "Kuchli javob": "'Xato NARXIga qarab. Kasallik skriningida FN qimmat — recall. Spam filtrida FP qimmat (muhim xat yo'qoladi) — precision'",
     "Bob": "7, 8"},
    {"Savol": "ROC-AUC va PR-AUC?",
     "Kuchsiz javob": "Ikkisi ham egri chiziq ostidagi maydon",
     "Kuchli javob": "'Kuchli nomutanosiblikda ROC-AUC optimistik ko'rinadi, chunki TN soni katta. Kam uchraydigan sinf muhim bo'lsa, PR-AUC ni olaman'",
     "Bob": "8"},
    {"Savol": "Threshold 0.5 bo'lishi shartmi?",
     "Kuchsiz javob": "Ha, standart",
     "Kuchli javob": "'Yo'q. U shunchaki predict() ning standart qiymati. Men uni validation da biznes maqsadiga qarab tanlayman'",
     "Bob": "8"},
])

savollar([
    {"Savol": "Data leakage nima?",
     "Kuchsiz javob": "Test ma'lumoti train ga tushib qolishi",
     "Kuchli javob": "'Modelga bashorat paytida MAVJUD BO'LMAYDIGAN ma'lumot tushishi. U bir necha shaklda keladi — eng xavflisi ustun nomidan bilinmaydigani'",
     "Bob": "5"},
    {"Savol": "Leakage ning qanday turlarini bilasiz?",
     "Kuchsiz javob": "Test ni train ga qo'shib yuborish",
     "Kuchli javob": "'Scaler ni split dan oldin fit qilish; target encoding ni butun ma'lumotda hisoblash; feature selection ni Pipeline tashqarisida qilish; vaqt qatorini tasodifiy bo'lish; bitta obyektning ikki qatori train va test ga tushishi'",
     "Bob": "5, 22, 34, 37"},
    {"Savol": "Leakage borligini qanday aniqlaysiz?",
     "Kuchsiz javob": "Natija juda yaxshi bo'lsa",
     "Kuchli javob": "'Natija kutilganidan yuqori chiqsa, feature importance ga qarayman. Bitta ustun hukmron bo'lsa, o'zimdan so'rayman: bu ustun bashorat paytida mavjudmi? Keyin uni olib tashlab, natija qanchalik tushishini o'lchayman'",
     "Bob": "5, 25, 44"},
])

savollar([
    {"Savol": "Random Forest va Gradient Boosting farqi?",
     "Kuchsiz javob": "Ikkisi ham daraxtlar ansambli",
     "Kuchli javob": "'RF — parallel, mustaqil daraxtlar, variance ni kamaytiradi. Boosting — ketma-ket, har biri oldingining xatosini tuzatadi, bias ni kamaytiradi va overfitting ga moyilroq'",
     "Bob": "18, 19"},
    {"Savol": "Qaysi modeldan boshlaysiz?",
     "Kuchsiz javob": "XGBoost, u eng kuchli",
     "Kuchli javob": "'Avval baza (DummyClassifier), keyin logistic regression yoki bitta daraxt. Ular tez va tushunarli. Murakkab model faqat oddiy model yetmaganda'",
     "Bob": "6"},
    {"Savol": "Deep learning qachon kerak?",
     "Kuchsiz javob": "Hozir hamma shuni ishlatadi",
     "Kuchli javob": "'Rasm, matn, audio, ketma-ketlikda. Jadval ma'lumotida gradient boosting odatda yutadi. Bu kitobda jadval ma'lumotida neyron tarmoq oddiy modellardan ustun kelmagani O'LCHANGAN'",
     "Bob": "29-35"},
    {"Savol": "Scaling qaysi modellarga kerak?",
     "Kuchsiz javob": "Hammasiga",
     "Kuchli javob": "'Masofaga va gradientga tayanadiganlarga: KNN, SVM, neyron tarmoq, regularizatsiyali chiziqli modellar. Daraxtlarga kerak emas — ular chegara bo'yicha bo'ladi'",
     "Bob": "16, 20, 21"},
])

savollar([
    {"Savol": "Bo'sh qiymatlar bilan nima qilasiz?",
     "Kuchsiz javob": "Median bilan to'ldiraman",
     "Kuchli javob": "'Avval NEGA bo'sh ekanini tekshiraman — tasodifanmi yoki tizimlimi. Bo'shligi o'zi signal bo'lsa, bayroq ustun qo'shaman. Imputer Pipeline ICHIDA bo'ladi, aks holda leakage'",
     "Bob": "4"},
    {"Savol": "Kategorik ustunni qanday kodlaysiz?",
     "Kuchsiz javob": "LabelEncoder bilan",
     "Kuchli javob": "'Kam toifali bo'lsa OneHot. Ko'p toifali bo'lsa target encoding — lekin u faqat train da hisoblanishi SHART. LabelEncoder tartib yaratadi va tartibsiz toifada xato'",
     "Bob": "4, 22"},
    {"Savol": "Nomutanosib sinflarni qanday hal qilasiz?",
     "Kuchsiz javob": "SMOTE bilan",
     "Kuchli javob": "'Avval metrikani to'g'rilayman (F1, PR-AUC). Keyin class_weight. SMOTE ni faqat train da, Pipeline ichida va natijani o'lchab — u har doim ham yordam bermaydi'",
     "Bob": "8"},
    {"Savol": "Model ishlab chiqarishda yomonlashdi. Nega?",
     "Kuchsiz javob": "Qayta o'qitish kerak",
     "Kuchli javob": "'Avval sababni topaman: kirish taqsimoti o'zgardimi (drift), tayyorlash zanjiri bir xilmi, offline baho leakagesiz edimi. Qayta o'qitish — sabab aniqlangandan KEYIN'",
     "Bob": "10, 39, 40"},
])

savollar([
    {"Savol": "Modelni qanday saqlaysiz?",
     "Kuchsiz javob": "joblib.dump(model)",
     "Kuchli javob": "'Butun Pipeline ni saqlayman, faqat modelni emas. Yoniga manifest qo'yaman: versiyalar, kutilgan ustunlar, metrikalar. Va saqlash-yuklash aylanma sinovini o'tkazaman'",
     "Bob": "39"},
    {"Savol": "pickle xavfsizmi?",
     "Kuchsiz javob": "Ha, standart kutubxona",
     "Kuchli javob": "'Yo'q. pickle yuklash KOD BAJARADI. Foydalanuvchi yuborgan faylni hech qachon yuklamayman. Nazoratsiz muhitda ONNX ishlataman — u ma'lumot, kod emas'",
     "Bob": "39"},
    {"Savol": "API da modelni qayerda yuklaysiz?",
     "Kuchsiz javob": "View ichida",
     "Kuchli javob": "'Modul darajasida, bir marta. View ichida yuklash har so'rovda diskdan o'qiydi va xotirani ko'paytiradi. Bu kitobda farq o'lchangan'",
     "Bob": "40"},
    {"Savol": "Kirishni qayerda tekshirasiz?",
     "Kuchsiz javob": "Model o'zi xato beradi",
     "Kuchli javob": "'Chegarada, model ko'rmasdan oldin. Tip, diapazon, ruxsat etilgan qiymatlar. Chunki model noto'g'ri kirishda xato bermasligi ham mumkin — JIM noto'g'ri javob beradi'",
     "Bob": "37, 39, 40"},
])

savollar([
    {"Savol": "Modelim 99% accuracy berdi. Nima deysiz?",
     "Kuchsiz javob": "Juda yaxshi natija",
     "Kuchli javob": "'Avval ikkita savol: sinflar taqsimoti qanday va baza nima beradi? Keyin uchinchisi: leakage yo'qmi? 99% ko'pincha xato belgisi, muvaffaqiyat emas'",
     "Bob": "5, 6, 7"},
    {"Savol": "Feature importance ustunni muhim deb ko'rsatdi. Demak u sabab?",
     "Kuchsiz javob": "Ha",
     "Kuchli javob": "'Yo'q. Muhimlik — model shu ustundan foydalanganini bildiradi, sababni emas. Sabab uchun tajriba kerak'",
     "Bob": "25, 45"},
    {"Savol": "Cross-validation natijasi 0.85. Test da ham shunday bo'ladimi?",
     "Kuchsiz javob": "Ha",
     "Kuchli javob": "'Agar CV to'g'ri qurilgan bo'lsa — taxminan. Lekin CV ni ko'p marta ishlatib model tanlagan bo'lsam, CV natijasi optimistik bo'ladi'",
     "Bob": "9, 23"},
    {"Savol": "Qaysi algoritm eng yaxshi?",
     "Kuchsiz javob": "XGBoost / neyron tarmoq",
     "Kuchli javob": "'Ma'lumotga bog'liq, oldindan aytib bo'lmaydi. Shuning uchun bazani qo'yaman va bir nechta modelni bir xil sharoitda o'lchayman'",
     "Bob": "6, 19, 24"},
])

savollar([
    {"Savol": "Bizga nima savolingiz bor?",
     "Kuchsiz javob": "Yo'q, hammasi tushunarli",
     "Kuchli javob": "'Modellaringizni qanday baholaysiz va ishlab chiqarishda qanday kuzatasiz?' — bu savol sizning tajribangizni ko'rsatadi",
     "Bob": "-"},
])
print("Intervyuda eng kuchli javob — 'men buni O'LCHAB ko'rganman' deb aytib,")
print("qanday o'lchaganini tushuntirish. Shuning uchun bu kitobdagi har bob")
print("o'lchov bilan tugaydi: sizda aytadigan gap bo'lsin.")