IQTISODIY MA’LUMOTLAR BAZASINI SHAKLLANTIRISH VA NEYRON TARMOQLAR UCHUN TAYYORLASH
Keywords:
Kalit so‘zlar: iqtisodiy ma’lumotlar bazasi, neyron tarmoqlar, data preprocessing, normalizatsiya, Min-Max normalization, feature engineering, LSTM, iqtisodiy prognozlash, vaqt qatorlari, ma’lumotlarni tozalash., Ключевые слова: экономическая база данных, нейронные сети, подготовка данных, нормализация, Min-Max нормализация, feature engineering, LSTM, экономическое прогнозирование, временные ряды, очистка данных., Keywords: economic database, neural networks, data preprocessing, normalization, Min-Max normalization, feature engineering, LSTM, economic forecasting, time series, data cleaning.Abstract
Annotatsiya: Mazkur maqolada iqtisodiy ko‘rsatkichlarni neyron tarmoqlar asosida prognozlash uchun ma’lumotlar bazasini shakllantirish va tayyorlash jarayonlari tadqiq etilgan. Iqtisodiy ma’lumotlarni yig‘ish, integratsiya qilish, tozalash, normallashtirish va feature engineering bosqichlarining nazariy hamda amaliy jihatlari yoritilgan. Tadqiqotda O‘zbekiston Respublikasi Statistika agentligi, Markaziy bank, World Bank va International Monetary Fund ma’lumotlari asosida iqtisodiy ma’lumotlar bazasini yaratish metodikasi ko‘rib chiqilgan. Shuningdek, Min-Max normalizatsiya usuli, anomal qiymatlarni filtrlash, yetishmayotgan qiymatlarni tiklash hamda training va testing datasetlarini shakllantirish jarayonlari tahlil qilingan. Natijalar iqtisodiy ma’lumotlarni sifatli tayyorlash neyron tarmoq modellarining aniqligi va barqarorligini oshirishda muhim omil ekanligini ko‘rsatdi.
Аннотация: статье исследуются процессы формирования и подготовки экономической базы данных для прогнозирования экономических показателей на основе нейронных сетей. Рассмотрены теоретические и практические аспекты сбора, интеграции, очистки, нормализации данных и feature engineering. В качестве источников данных использованы материалы Агентства статистики Республики Узбекистан, Центрального банка, Всемирного банка и Международного валютного фонда. Проанализированы методы Min-Max нормализации, обработки пропущенных значений, фильтрации аномалий и формирования обучающих и тестовых выборок. Результаты исследования показывают, что качественная подготовка данных является одним из ключевых факторов повышения точности и устойчивости нейросетевых моделей прогнозирования.
Abstract: This article examines the processes of building and preparing economic databases for forecasting economic indicators using neural networks. Theoretical and practical aspects of data collection, integration, cleaning, normalization, and feature engineering are discussed. The study utilizes data from the Statistics Agency of the Republic of Uzbekistan, the Central Bank, the World Bank, and the International Monetary Fund. Methods such as Min-Max normalization, missing value imputation, anomaly detection, and the creation of training and testing datasets are analyzed. The findings demonstrate that high-quality data preparation significantly improves the accuracy, reliability, and stability of neural network forecasting models.
