3-6 Vaqt qatorlari va aksiya narxlari — avval bazaviy darajadan oʻtib koʻrish

1Oyna va maqsadli qiymat

Oyna, normallashtirish, maqsadli qiymat — raqamlar qatorini masalaga aylantirish

Bitta narxlar qatorining oʻzidan oʻrganib boʻlmaydi. Uni „oxirgi L kunga qarab keyingi kunni topish“ masalasiga aylantirish kerak. Oynani bir katakka sursak, bitta (kirish, toʻgʻri javob) jufti hosil boʻladi.

Koʻriladigan qiymat

Oyna uzunligi

Nega narx emas, daromadlilik? Normallashtirish qay darajada?

Narx davrdan davrga turli darajada boʻladi (2015-yilda taxminan 120 dollar, 2016-yilda taxminan 90 dollar), shu sababli oʻqitishda koʻrilmagan oraliq testda paydo boʻladi. Shuning uchun uni kunlik oʻzgarish surʼatiga (logarifmik daromadlilik = log(bugun/kecha) × 100%) aylantiramiz. Normallashtirish (oʻrtachani ayirib, standart chetlanishga boʻlish) mezonini faqat oʻqitish davrida hisoblaymiz. Butun davr oʻrtachasidan foydalansak, test davri maʼlumoti oʻqitishga sizib kiradi (4-boʻlimdagi sizib chiqish). Maqsadli qiymatni ham — „keyingi kun daromadliligi (son)“, „oshadimi yoki tushadimi (yoʻnalish)“, „oʻzgarish kattaligi“ — qaysi birini topishni avval belgilash kerak.

2Kutish va haqiqat

Chuqur oʻrganishdan nega koʻp narsa kutiladi — va maʼlumotlar avval nima deydi

Neyron tarmoq koʻplab signallar orasidagi nochiziqli bogʻliqliklarni oʻzi topadi. Shuning uchun aksiya narxi kabi koʻp omillar chigallashgan masalalarda undan koʻp narsa kutiladi. Ammo avval maʼlumotlardan soʻrash kerak boʻlgan savol bor: „Kechagi daromadlilik bugungi daromadlilik bilan bogʻliqmi?“

Nimaning avtokorrelyatsiyasi

3Tadqiqot misollari

Yaxshilangan va yaxshilanmagan misollar

Ikki yirik tadqiqotning xulosalari bir-biridan farq qiladi. Qaysi sharoitda yaxshilangani va qaysi sharoitda yaxshilanmaganini birga koʻrish kerak.

Misol

4Tuzoqlar

Toʻrt tuzoq — sizib chiqish, ortiqcha moslashish, tarkibiy oʻzgarish, tranzaksiya xarajati

Aksiya narxini bashorat qilishdagi „ajoyib natijalar“ning aksariyati shu toʻrttasidan biridan kelib chiqadi. Har birini haqiqiy maʼlumotlar raqamlarida koʻramiz.

Tuzoq

Tranzaksiya xarajati (har bir almashtirishda)

5Walk-forward

Walk-forward tekshiruvi — faqat oʻtmishdan oʻrganib, bir qadamdan oldinga

Real foydalanishdagi kabi baholaymiz. Faqat oʻsha kungacha boʻlgan oʻtmishdan oʻrganamiz, keyingi bir necha kunni bashorat qilamiz, u kunlar oʻtgach ularni ham qoʻshib qaytadan oʻqitamiz. Test davri har doim oʻqitish davridan keyin turishi kerak.

Ajratish usuli

6Taqqoslash

Bazaviy daraja → chiziqli model → LSTM — bir xil test, bir xil oʻlchov

Oxirgi 200 savdo kunini (2016-05-04 ~ 2017-02-16) walk-forward bilan bashorat qildik. Strategiya: „oshadi deb hisoblasak — saqlaymiz, tushadi deb hisoblasak — naqd pul“; aksiyani saqlash va naqd pul oʻrtasida har safar almashtirganda 0.1% ayiriladi.

Koʻrinish

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colabda oldindan oʻrnatilgan kutubxonalardan foydalanadi. “Notebook (.ipynb) yuklab olish” tugmasini bosib, Colabda Fayl → Notebookni yuklash orqali oching yoki nusxalab, yangi notebook katagiga joylashtiring.

Kod 1 · Bazaviy daraja va chiziqli modelni walk-forward bilan baholash1·4·5·6-boʻlimlarga bogʻliq · numpy, matplotlib · CPU 1 soniya · internet kerak (maʼlumotlarni yuklab olish)

Ochiq CSV faylni yuklab olib, 2 ta bazaviy daraja va ridge chiziqli modelini walk-forward bilan baholaydi hamda tranzaksiya xarajati ayirilgan strategiyani sotib olib saqlash bilan solishtiradi. Sizib chiqish va ortiqcha moslashish tuzoqlarini ham raqamlarda koʻrsatadi. Oʻz maʼlumotlaringizga almashtirish uchun PRICE ni oʻzgartiring.

Ishga tushirish natijasi (2026-10-03 da ishga tushirilgan, numpy 2.4 · CPU). Maʼlumotlar bir xil boʻlsa, qachon ishga tushirilmasin natija bir xil (ortiqcha moslashish tajribasida seed 0 ga qotirilgan).

Kod 2 · Keras LSTM ni oʻsha walk-forward bilan baholash6-boʻlimga bogʻliq · tensorflow(Keras), numpy · CPU taxminan 2~4 daqiqa

Oxirgi 20 kunlik daromadlilikdan keyingi kunni bashorat qiladigan LSTM har 50 kunda qayta oʻqitiladi. 2 ta seed natijalari alohida keltiriladi. 6-boʻlimdagi jadval aynan shu chiqishdan tuziladi.

Ishga tushirish natijasi (2026-10-03 da ishga tushirilgan, TensorFlow 2.21 · Keras 3.15 · CPU). Seed va versiyaga qarab raqamlar farq qilishi mumkin.

AI uchun amaliy promptlar — bu kodni boshlangʻich nuqta qilib olish

ChatGPT, Qwen, Claude kabi AI yordamchilarga joylashtiriladigan promptlar. “Nusxalash” tugmasi bosilganda prompt ortidan tanlangan kod ham qoʻshiladi. 〔〕 ichidagini oʻz vaziyatingizga moslab yozsangiz boʻladi.

Birga qoʻshiladigan kod

AI javobi faqat boshlangʻich nuqta. Taklif qilingan maqolalar, raqamlar va kutubxona funksiyalarini albatta asl manba va rasmiy hujjatlar orqali tekshiring. Tanlov yoki maqola uchun AI yordamidan foydalangan boʻlsangiz, tashkilotchilar va jurnal qoidalariga koʻra foydalanish faktini va koʻlamini maʼlum qiling.

Atamalar lugʻati

Bu matndagi sariq punktir tagchiziqlar bilan bir xil lugʻat. Butun turkumda bir xil yozuv ishlatiladi. Boʻlim nomini bossangiz, atama birinchi uchragan joyga oʻtasiz.

Oʻxshatishlar toʻplami — va oʻxshatish xato boʻladigan joylar

Oʻxshatish tushunishning birinchi qadami, lekin notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Drozofila va miya oʻxshatishlariga kuch darajasi belgilangan. Bevosita haqiqatan ham bir xil ishni bajarishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshash · Yoʻq mos keladigan narsa maʼlum emas

Tushuncha	Kundalik hayotdan oʻxshatish	Drozofila va miya oʻxshatishi	Oʻxshatish xato boʻladigan joy
Oyna	Oʻtgan bir haftalik ob-havoga qarab ertangi ob-havoni topish	Qisman Drozofila ham soʻnggi bir necha soniyadagi hid oʻzgarishiga qarab yoʻnalishini tanlaydi	Ob-havoda fizika qonunlari bor, aksiya narxida esa odamlarning bashoratining oʻzi narxni oʻzgartiradi
Bazaviy daraja	„Ertaga ham bugungidek boʻladi“ deydigan sinoptik	Yoʻq	Oddiy koʻrinsa ham, undan oʻtish qiyin. Har qanday model avval shundan oʻtishi kerak
Maʼlumotlar sizib chiqishi	Imtihondan oldin javoblar varagʻini koʻrgan talabaning bahosi	Yoʻq	Koʻpincha javoblar varagʻini koʻrganini bilmay turib koʻradi. Normallashtirish va belgilarni hisoblashga yashirinib kiradi
Ortiqcha moslashish (tanlov siljishi)	100 ta tanga tashlab, gerbi koʻp tushganini „omadli tanga“ deb atash	Yoʻq	„Omad“ keyingi tashlashda yoʻqoladi. Ammo haqiqiy strategiyada buni ajratib olish ancha qiyin
Tarkibiy oʻzgarish	Yozgi kiyim sotuvi yozuvlari bilan qishki savdoni bashorat qilish	Qisman Muhit oʻzgarsa, drozofilaning oʻrganilgan xotirasi ham yangilanadi	Fasllarni oldindan bilish mumkin, lekin bozor xususiyati qachon oʻzgarishini bilib boʻlmaydi
Walk-forward	Har hafta faqat oʻtgan yozuvlarga qarab keyingi haftani bashorat qiladigan sinov imtihoni	Yoʻq	Sinov imtihonidan farqli oʻlaroq, bozor bashoratingiz toʻgʻri chiqadimi yoki notoʻgʻrimi — kutib turmaydi

Muallif haqida va manbalar

E-1 Muallif haqida · E-2 Ilmiy manbalar · E-3 Rasmlar uchun manbalar

E-1 Muallif haqida

Sangsun Ahn (M-Robo MChJ rahbari)

Koreya elektr xavfsizligi korporatsiyasi va Maeil Business Newspaper gazetasida ishlagan, hozirda Maeil Business Newspaperning tashqi venchur kompaniyasi M-Robo MChJni tashkil etib, uning rahbari lavozimida ishlamoqda. M-Robo MChJ ommaviy axborot vositasi ichidagi venchur loyiha sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan, Koreya internet va xavfsizlik agentligi, Koreya matbuot fondi, Koreya radiochastota agentligi va boshqa tashkilotlarda koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining A.I yangiliklar gazetasi Money-Roboni yuritmoqda. Rahbarlik davrida Osiyo ochiq maʼlumotlar xakatonida gʻolib boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Ichki ishlar va xavfsizlik vazirining mukofotini 2 marta olgan, sunʼiy intellekt va blokcheyn sohalarida 5 ta patentning ixtirochisi va egasi. “AI jinoyatlari va oʻzini himoya qilish” kitobining muallifi, Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim institutida fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentini ishlab chiqqan. Eng yuqori ilmiy darajasi — iqtisodiyot fanlari doktori (Dongguk universiteti, mikro-matematik iqtisodiyot). Kukmin universiteti, Hoseo universiteti va boshqa koʻplab universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars bermoqda. Batafsil profil

Maʼruzalar

Sangsun Ahn (2025). «Biznes uchun maʼlumotlar fani» maʼruzalar matni. Koreya ochiq kiberuniversiteti, sunʼiy intellekt integratsiyasi kafedrasi.
Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash. STEP (aqlli kasbiy taʼlim platformasi), Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim instituti.
Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari. STEP (aqlli kasbiy taʼlim platformasi), Koreya texnologiya va taʼlim universiteti onlayn uzluksiz taʼlim instituti.

STEP maʼruzalariga havolalar: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Sayt yangilanishi sababli ochilishda muammo boʻlsa, www.step.or.kr orqali kiring.

Maqolalar va maʼruzalar

Sangsun Ahn (2025). Milliy keksalik taʼminoti panel maʼlumotlaridan foydalanib uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt modellariga asoslangan yondashuv. «Kelajak jamiyati», 16(2). Asl matn
Sangsun Ahn (2025). Milliy keksalik taʼminoti panel maʼlumotlaridan foydalanib uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt yondashuvi. Milliy keksalik taʼminoti paneli ilmiy konferensiyasi maʼruza materiallari (2025.05.13), Milliy pensiya xizmati, Milliy pensiya tadqiqot instituti. Maʼruza materiallari
Sangsun Ahn (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi tadqiqoti: naqsh va kontekst tahlili asosida. «Kelajak jamiyati», 16(1). Asl matn
Sangsun Ahn (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan raqib maʼlumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari. «Kelajak jamiyati», 15(3). Asl matn
Sangsun Ahn (2024). Sunʼiy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi. 2024 Summer Newmedia Party poster maʼruzasi (2024.06.19), Seul media oliy maktabi universiteti.
Sangsun Ahn (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel maʼlumotlaridan foydalangan mashinali oʻrganish modeli. 10-ishlab chiqarishdagi baxtsiz hodisalar sugʻurtasi paneli ilmiy konferensiyasi poster maʼruzasi (2024.05.17), Koreya mehnat farovonligi korporatsiyasi, Mehnat farovonligi tadqiqot instituti.
Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatorlari modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari. «Kelajak jamiyati», 15(1). Asl matn

E-2 Ilmiy manbalar

[R1] Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. doi:10.1093/rfs/hhaa009 — 3-boʻlim (daraxtlar va neyron tarmoqlar eng yaxshi natija bergan; neyron tarmoq long-short portfelining tanlanmadan tashqari Sharp koeffitsiyenti 1.35)
[R2] Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74. — 3-boʻlim (6 ta sof mashinali oʻrganish usulining barchasi sust natija koʻrsatgan; gʻolib — statistika va mashinali oʻrganish aralashmasi)

E-3 Maʼlumotlar va rasmlar uchun manbalar

Aksiya narxi maʼlumotlari: Plotly namunaviy maʼlumotlar toʻplami finance-charts-apple.csv (GitHub plotly/datasets). Dividendlar hisobga olingan yopilish narxi (AAPL.Adjusted) ishlatildi

Oʻqituvchilar uchun maslahatlar

Bu oʻqituvchilar, amaliy OJT masʼullari va tyutorlar uchun dars tashkil etish boʻyicha qoʻllanma. Vaqtlar taxminiy, shuning uchun haqiqiy darsga moslab oʻzgartiring. Bu qism investitsiyaga daʼvat deb qabul qilinmasligi uchun dars boshida va oxirida „bu taʼlimiy misol, investitsiya maslahati emas“ ekanini aniq ayting.

Auditoriya	Talab, savdo hajmi, sensor, narx kabi vaqt qatorlarini bashorat qilmoqchi boʻlgan talabalar va amaliyotchilar, fintexga yangi kirganlar
Talab qilinadigan bilimlar	Oʻrtacha va standart chetlanish, 3-2 dagi ortiqcha moslashish va tekshiruv, 3-7 dagi LSTM
Oʻquv maqsadlari	① Vaqt qatorini oyna, normallashtirish va maqsadli qiymat orqali oʻqitish masalasiga aylantiradi ② Sizib chiqish, ortiqcha moslashish, tarkibiy oʻzgarish va tranzaksiya xarajatini raqamlar bilan tushuntiradi ③ Walk-forward bilan bazaviy daraja va modelni bir xil oʻlchov bilan taqqoslaydi
Taxminiy vaqt	Oʻqish 40~50 daqiqa · namoyish 20 daqiqa · Colab amaliyoti 30 daqiqa (Kod 1 — 10 daqiqa, Kod 2 ni ishga tushirish 4 daqiqa + tahlil 15 daqiqa)

Uch xil mashgʻulot rejasi

Maʼruza shakli, 50 daqiqa

Tushunchalarga yoʻnaltirilgan

Kirish 5 daqiqa (bosh qismdagi „LSTM bazaviy darajadan yomonroq“) → 1·2-boʻlimlar 15 daqiqa → 4-boʻlimdagi toʻrt tuzoq 15 daqiqa → 5·6-boʻlimlar 10 daqiqa → tekshiruv savollari 5 daqiqa.

Ish joyidagi OJT, 90 daqiqa

Ishga tatbiq etishga yoʻnaltirilgan

Jamoamizning bashorat obyekti (talab, savdo hajmi va h.k.) uchun bazaviy darajani belgilash 15 daqiqa → 4-boʻlimni oʻz maʼlumotlarimiz uchun sizib chiqishni tekshirish roʻyxatiga aylantirish 25 daqiqa → Kod 1 ga oʻz vaqt qatorimizni berish 35 daqiqa → natijalarni hisobot qilish usulini muhokama qilish 15 daqiqa.

1:1 tyutorlik

Darajaga qarab suʼrat

Boshlovchilar uchun faqat 1·4·6-boʻlimlar. Oʻrta darajadagilarga Kod 1 dagi walk-forward siklini qoʻlda kuzatib chiqishni va standartlashtirish mezonini butun davrga oʻzgartirganda raqamlar qanday oʻzgarishini oʻzlari tekshirib koʻrishni topshiring.

Boʻlimlar boʻyicha asosiy jihatlar

Boʻlim	Toʻxtab beriladigan savol	Boshqaruv boʻyicha maslahat
1 Oyna va maqsadli qiymat	„Narxni oʻzicha bersak, qanday muammo boʻladi?“	Narx → daromadlilik tartibida bosiladi
2 Kutish va haqiqat	„Yoʻnalish va oʻzgarish kattaligidan qaysi birini bashorat qilish osonroq?“	Daromadlilik → mutlaq qiymat tartibida bosib, tasmadan chiqqan ustunlar sonini solishtiring
3 Tadqiqot misollari	„Nega ikki tadqiqotning xulosalari farq qiladi?“	Maʼlumotlar hajmi va masala turi qatorlarini yonma-yon solishtiring
4 Tuzoqlar	„100 tasini sinab, bittasini tanlasak, uning natijasiga ishonsa boʻladimi?“	Ortiqcha moslashish → tranzaksiya xarajati (0 → 0.3%) tartibida koʻring
5 Walk-forward	„Nega tasodifiy aralashtirib ajratish mumkin emas?“	Ikki usulni navbatma-navbat bosing
6 Taqqoslash	„LSTM bazaviy darajadan yomonroq chiqdi. Nimani oʻzgartirib koʻrish mumkin?“	RMSE → strategiya daromadi tartibida koʻring

Eng koʻp uchraydigan 5 ta notoʻgʻri tushuncha

Notoʻgʻri tushuncha	Toʻgʻri tushuntirish	Koʻrsatiladigan sahna
LSTM vaqt qatorlariga ixtisoslashgan, shuning uchun bazaviy darajadan yaxshiroq	Ishoralar kam boʻlgan masalada bazaviy darajadan oʻtish qiyin. Bu tajribada LSTM bazaviy darajadan yomonroq chiqdi	6-boʻlim
Yoʻnalishni topish ulushi 55% boʻlsa, pul topiladi	Xato qilganda koʻp yoʻqotsangiz, zarar koʻrasiz. Tranzaksiya xarajatini hisobga olish va saqlab turish bilan solishtirish ham kerak	6-boʻlimdagi bazaviy daraja qatori (55.0%)
Bektestda yaxshi boʻlsa, real savdoda ham yaxshi boʻladi	Koʻp marta sinab tanlansa, tasodif aralashadi. Bozor xususiyati ham oʻzgaradi	4-boʻlim: ortiqcha moslashish va tarkibiy oʻzgarish
Normallashtirishni butun maʼlumotlar boʻyicha bir marta qilish kifoya	Mezonni faqat oʻqitish davrida hisoblash kerak. Aks holda kelajak maʼlumoti sizib chiqadi	1-boʻlim, 4-boʻlim: sizib chiqish
Neyron tarmoqlar aksiya narxini bashorat qilishda foydasiz	Katta maʼlumotlar, koʻp signal va kesma masalalarida yaxshilanish koʻrsatgan tadqiqotlar bor. Sharoit muhim	3-boʻlim

Tekshiruv savollari (izohni ochish uchun bosing)

Q1. 505 ta daromadlilik qiymatiga 5 kunlik oyna qoʻllansa, (kirish, toʻgʻri javob) juftlari nechta boʻladi?

505 − 5 = 500 ta.

Q2. 200 kunlik testda har 20 kunda qayta oʻqitilsa, oʻqitish necha marta bajariladi? Birinchi oʻqitishdagi juftlar soni qancha?

10 marta. Birinchi oʻqitishda 500 − 200 = 300 juft, oxirgisida 480 juft.

Q3. Strategiya 40 marta sotib olib-sotgan va tranzaksiya xarajati har safar 0.1% boʻlsa, xarajat tufayli daromad qanchaga kamaygan?

40 × 0.1 = 4%p (logarifmik daromad asosida taxminiy).

Q4. 100 ta tasodifiy qoidadan oʻqitish davrida eng yaxshisini tanlaganda, oʻqitish davridagi ortiqcha daromad +43.7%p, test davrida esa −22.4%p boʻldi. Bu nimani koʻrsatadi?

Koʻp sinab tanlangan natija tasodifga moslashgan boʻladi, shuning uchun yangi davrda takrorlanmaydi (ortiqcha moslashish, tanlov siljishi). Test davridan oxirida faqat bir marta foydalanish kerak.

Q5. „Ertaga = bugun“ bazaviy darajasining bashorat xatosi LSTM nikidan kichikroq chiqdi. Hisobotda buni qanday yozish kerak?

Natijani boricha yozing: „Ushbu maʼlumotlar (1 ta aksiya, 506 kun, signal — oʻtgan daromadlilik) va ushbu sozlamalarda (20 kunlik oyna, har 50 kunda qayta oʻqitish, 40 epoxa) LSTM bazaviy darajadan oʻta olmadi (RMSE 1.462%·1.550% ga qarshi 1.209%).“ Soʻng oʻzgartirib koʻrish mumkin boʻlgan shartlarni va umumlashtirish chegaralarini koʻrsating.

Colab topshiriqlari

Asosiy

Kod 1 dagi ridge_fit da standartlashtirish mezonini (mu, sd) butun davrga (X ning hammasiga) oʻzgartirib, qayta ishga tushiring. RMSE va strategiya daromadi qanday oʻzgarganini yozib oling va nega bu sizib chiqish ekanini ikki gapda yozing.

Murakkab

Kod 2 dagi maqsadni „keyingi kun daromadliligi“dan „keyingi kun daromadliligining mutlaq qiymati (oʻzgarish kattaligi)“ga oʻzgartiring. Bazaviy daraja sifatida „oxirgi 20 kunlik mutlaq qiymatlar oʻrtachasi“ni oling. 2-boʻlimdagi avtokorrelyatsiya bilan bogʻlab, oʻzgarishni bashorat qilishda LSTM bazaviy darajadan oʻta oladimi — kamida 3 ta seed bilan hisobot bering.

Qiyinlikni moslashtirish va qoʻshimcha oʻrganish

Yangi boshlovchilar	2·3-boʻlimlarni oʻtkazib yuborsa ham mavzu izchilligi buzilmaydi. 4-boʻlimdagi ortiqcha moslashish va 6-boʻlimdagi jadvalni albatta koʻring
Chuqurlashtirilgan	Koʻp marta sinalgan bektest natijalarini qanday tuzatish kerakligini (koʻp karrali tekshiruv) oʻrganishni topshiring. Topilgan maqolalarni asl manbada tekshiring
Qoʻshimcha oʻrganish	Sangsun Ahn, «Biznes uchun maʼlumotlar fani» maʼruzalar toʻplami (maʼlumotlar fani umuman) · STEP [K-Digital] Fintex maʼlumotlar tahlili asoslari (bu qism bilan bevosita bogʻliq) · STEP [K-Digital] Sunʼiy intellekt va tabiiy tilni qayta ishlash (3-5·3-8 bilan bogʻliq)
Oʻqituvchilar uchun materiallar	Tekshiruv savollarini baholash mezonlari va topshiriqlarning namunaviy javoblarini Oʻqituvchilar uchun javoblar sahifasi (3-6)da koʻrish mumkin