diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.br.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.br.png
new file mode 100644
index 00000000..e13cd38f
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.br.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.mr.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.mr.png
new file mode 100644
index 00000000..e3bc5bbd
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.mr.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ne.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ne.png
new file mode 100644
index 00000000..7da4d32f
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ne.png differ
diff --git a/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.pa.png b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.pa.png
new file mode 100644
index 00000000..281a1f10
Binary files /dev/null and b/translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.pa.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.br.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.br.png
new file mode 100644
index 00000000..c55b74d3
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.br.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.mr.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.mr.png
new file mode 100644
index 00000000..296852d8
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.mr.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ne.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ne.png
new file mode 100644
index 00000000..10fe6f25
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.ne.png differ
diff --git a/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.pa.png b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.pa.png
new file mode 100644
index 00000000..bd8e68f6
Binary files /dev/null and b/translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.pa.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.br.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.br.png
new file mode 100644
index 00000000..cd5f91a3
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.br.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.mr.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.mr.png
new file mode 100644
index 00000000..dad3a42e
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.mr.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ne.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ne.png
new file mode 100644
index 00000000..1ba89c96
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.ne.png differ
diff --git a/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.pa.png b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.pa.png
new file mode 100644
index 00000000..8c76b41a
Binary files /dev/null and b/translated_images/01-Definitions.1b14ddc9525dc0d9416a2f500f30e8652d21622f4e184100d405bd874ecbc17d.pa.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.br.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.br.png
new file mode 100644
index 00000000..5bbb331d
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.br.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.mr.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.mr.png
new file mode 100644
index 00000000..747a66ce
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.mr.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ne.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ne.png
new file mode 100644
index 00000000..3770e108
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.ne.png differ
diff --git a/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.pa.png b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.pa.png
new file mode 100644
index 00000000..a6b6391b
Binary files /dev/null and b/translated_images/02-Ethics.728d166895302ab09c726c2a8385abbf7c3e36752f0ee933bba7ea8f78f5cdca.pa.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.br.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.br.png
new file mode 100644
index 00000000..cb6df6c1
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.br.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.mr.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.mr.png
new file mode 100644
index 00000000..ed8c3188
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.mr.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ne.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ne.png
new file mode 100644
index 00000000..396c344f
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.ne.png differ
diff --git a/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.pa.png b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.pa.png
new file mode 100644
index 00000000..907be526
Binary files /dev/null and b/translated_images/03-DefiningData.f800817186949e078a81e7d5fdf9bb83834e561316bf790d4645c970ed4ff9ae.pa.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.br.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.br.png
new file mode 100644
index 00000000..2d004a2c
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.br.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.mr.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.mr.png
new file mode 100644
index 00000000..3562d21a
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.mr.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ne.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ne.png
new file mode 100644
index 00000000..e0295725
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.ne.png differ
diff --git a/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.pa.png b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.pa.png
new file mode 100644
index 00000000..5d632b57
Binary files /dev/null and b/translated_images/04-Statistics-Probability.cfc569d84a9f186748b69af7fdac3fa560329ccfc0e28994bfa65450ed78bdde.pa.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.br.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.br.png
new file mode 100644
index 00000000..5fbb8fc6
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.br.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.mr.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.mr.png
new file mode 100644
index 00000000..336b7ecb
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.mr.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ne.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ne.png
new file mode 100644
index 00000000..8e5c8ec8
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.ne.png differ
diff --git a/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.pa.png b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.pa.png
new file mode 100644
index 00000000..0674dc1e
Binary files /dev/null and b/translated_images/05-RelationalData.af50f5a3e50f7456f1d895326b489d3b3f608a09abc28933d5dc6ba6ac191565.pa.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.br.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.br.png
new file mode 100644
index 00000000..634cebed
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.br.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.mr.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.mr.png
new file mode 100644
index 00000000..bd74b785
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.mr.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ne.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ne.png
new file mode 100644
index 00000000..81ba8b3f
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.ne.png differ
diff --git a/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.pa.png b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.pa.png
new file mode 100644
index 00000000..6d22de15
Binary files /dev/null and b/translated_images/06-NoSQL.42a91ea0cd5769fe43e3c21554eb6d308b1fdf1435a6ae7c47b1a9dedab2da84.pa.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.br.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.br.png
new file mode 100644
index 00000000..1a070fce
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.br.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.mr.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.mr.png
new file mode 100644
index 00000000..783f9078
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.mr.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ne.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ne.png
new file mode 100644
index 00000000..e83d8713
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.ne.png differ
diff --git a/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.pa.png b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.pa.png
new file mode 100644
index 00000000..7a1e39cf
Binary files /dev/null and b/translated_images/07-WorkWithPython.8bf4a5013718bef90cb3887355e158974494de38d2ad420b6cdce2fcd982cd89.pa.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.br.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.br.png
new file mode 100644
index 00000000..4f8bd211
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.br.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.mr.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.mr.png
new file mode 100644
index 00000000..5804755e
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.mr.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ne.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ne.png
new file mode 100644
index 00000000..e21cd18a
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.ne.png differ
diff --git a/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.pa.png b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.pa.png
new file mode 100644
index 00000000..baa52114
Binary files /dev/null and b/translated_images/08-DataPreparation.e3b185c37958e96435267555edc6e54f2eb0f2d18745cfd550d3f9ba34877072.pa.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.br.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.br.png
new file mode 100644
index 00000000..6151a9ba
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.br.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.mr.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.mr.png
new file mode 100644
index 00000000..c22aa2da
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.mr.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ne.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ne.png
new file mode 100644
index 00000000..45d60f17
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.ne.png differ
diff --git a/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.pa.png b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.pa.png
new file mode 100644
index 00000000..22dd86a6
Binary files /dev/null and b/translated_images/09-Visualizing-Quantities.5c846edd805a5238789865f960b1e2615b6889c715852f02a20a722484d97fbb.pa.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.br.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.br.png
new file mode 100644
index 00000000..d369349a
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.br.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.mr.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.mr.png
new file mode 100644
index 00000000..fa26dd95
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.mr.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ne.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ne.png
new file mode 100644
index 00000000..abdcb22b
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.ne.png differ
diff --git a/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.pa.png b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.pa.png
new file mode 100644
index 00000000..4669f38b
Binary files /dev/null and b/translated_images/10-Visualizing-Distributions.8097fd8abd7221a1da63a156aaca497d844697e6a0ef0bbf8795e0f6a0bf7309.pa.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.br.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.br.png
new file mode 100644
index 00000000..3431b293
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.br.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.mr.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.mr.png
new file mode 100644
index 00000000..8a5e28bf
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.mr.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ne.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ne.png
new file mode 100644
index 00000000..7703bae7
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.ne.png differ
diff --git a/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.pa.png b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.pa.png
new file mode 100644
index 00000000..a1b2972a
Binary files /dev/null and b/translated_images/11-Visualizing-Proportions.3e82f24af94d206e51faf9aff1b454a52c8e69887296ac549d6286450cc64d1f.pa.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.br.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.br.png
new file mode 100644
index 00000000..37f48d3a
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.br.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.mr.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.mr.png
new file mode 100644
index 00000000..92c39ab1
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.mr.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ne.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ne.png
new file mode 100644
index 00000000..1fc80740
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.ne.png differ
diff --git a/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.pa.png b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.pa.png
new file mode 100644
index 00000000..28a3d053
Binary files /dev/null and b/translated_images/12-Visualizing-Relationships.4466f9bd260f03dd29dc04933456ade8466d7ed2a37a98b78ed47f061488d57a.pa.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.br.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.br.png
new file mode 100644
index 00000000..97301ace
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.br.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.mr.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.mr.png
new file mode 100644
index 00000000..5c0971c3
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.mr.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ne.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ne.png
new file mode 100644
index 00000000..54eed6da
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.ne.png differ
diff --git a/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.pa.png b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.pa.png
new file mode 100644
index 00000000..fbc5de73
Binary files /dev/null and b/translated_images/13-MeaningfulViz.4db6f1997e519908c85e4b9b3b54609b2e9e90a27be9423a9b956ab9a7329c80.pa.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.br.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.br.png
new file mode 100644
index 00000000..57128dee
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.br.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.mr.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.mr.png
new file mode 100644
index 00000000..ad675a0a
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.mr.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ne.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ne.png
new file mode 100644
index 00000000..42b907da
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.ne.png differ
diff --git a/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.pa.png b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.pa.png
new file mode 100644
index 00000000..84b420fb
Binary files /dev/null and b/translated_images/14-DataScience-Lifecycle.2c9f277e4d69fbaadc814c2b295be5e2df8f006b80543a974d109324f0897b7b.pa.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.br.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.br.png
new file mode 100644
index 00000000..45d9705c
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.br.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.mr.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.mr.png
new file mode 100644
index 00000000..e6a6c1d6
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.mr.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ne.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ne.png
new file mode 100644
index 00000000..b22a6e2a
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.ne.png differ
diff --git a/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.pa.png b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.pa.png
new file mode 100644
index 00000000..3ef74f84
Binary files /dev/null and b/translated_images/15-Analyzing.b501f3dbdc958f6fab0a507e307381c29e76707c3c41e174977e380a8b4063a9.pa.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.br.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.br.png
new file mode 100644
index 00000000..05326264
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.br.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.mr.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.mr.png
new file mode 100644
index 00000000..c3101dc8
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.mr.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ne.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ne.png
new file mode 100644
index 00000000..92a785b8
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.ne.png differ
diff --git a/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.pa.png b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.pa.png
new file mode 100644
index 00000000..db80b9d7
Binary files /dev/null and b/translated_images/16-Communicating.f1d29cd7984442a4804d0df8b7e8438b1abc7c1fcf5b3471e89eaf2e9ba087d9.pa.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.br.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.br.png
new file mode 100644
index 00000000..7b8b77a8
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.br.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.mr.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.mr.png
new file mode 100644
index 00000000..7096c34a
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.mr.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ne.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ne.png
new file mode 100644
index 00000000..56133964
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.ne.png differ
diff --git a/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.pa.png b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.pa.png
new file mode 100644
index 00000000..ef2578bc
Binary files /dev/null and b/translated_images/17-DataScience-Cloud.0df76ac874805c141082935ca07e8eca7d3790b83df25d641a807495e4f19de2.pa.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.br.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.br.png
new file mode 100644
index 00000000..d210feb5
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.br.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.mr.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.mr.png
new file mode 100644
index 00000000..8c2ae515
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.mr.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ne.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ne.png
new file mode 100644
index 00000000..9fc144ac
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.ne.png differ
diff --git a/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.pa.png b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.pa.png
new file mode 100644
index 00000000..ab665683
Binary files /dev/null and b/translated_images/18-DataScience-Cloud.3a7292e8182b74ebfe5b246c0193c42592164aef625fe66e44194c19b2971f1a.pa.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.br.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.br.png
new file mode 100644
index 00000000..59303123
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.br.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.mr.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.mr.png
new file mode 100644
index 00000000..f301be73
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.mr.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ne.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ne.png
new file mode 100644
index 00000000..af882b73
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.ne.png differ
diff --git a/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.pa.png b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.pa.png
new file mode 100644
index 00000000..97fe87a4
Binary files /dev/null and b/translated_images/19-DataScience-Cloud.177b38fb86301fc6f06dea5b25a58f8abe1aa762d3a815d811c83ee22d8a8d6a.pa.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.br.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.br.png
new file mode 100644
index 00000000..5c5edbd9
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.br.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.mr.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.mr.png
new file mode 100644
index 00000000..c5f0717e
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.mr.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ne.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ne.png
new file mode 100644
index 00000000..703e15a9
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.ne.png differ
diff --git a/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.pa.png b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.pa.png
new file mode 100644
index 00000000..43e61061
Binary files /dev/null and b/translated_images/20-DataScience-Humanities.1d1a155f4d12a6679eb4f2be1074a456957f00affe8137c9cb22dedd6e7337e7.pa.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.br.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.br.png
new file mode 100644
index 00000000..81c6910f
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.br.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.mr.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.mr.png
new file mode 100644
index 00000000..50c3004f
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.mr.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ne.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ne.png
new file mode 100644
index 00000000..85392655
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.ne.png differ
diff --git a/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.pa.png b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.pa.png
new file mode 100644
index 00000000..76c761d2
Binary files /dev/null and b/translated_images/20-DataScience-RealWorld.976976229ee113426d617ef7a1a8cb8f80f7b7bca6860a167b1ca155b891415b.pa.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.br.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.br.png
new file mode 100644
index 00000000..4c6117a6
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.br.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.mr.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.mr.png
new file mode 100644
index 00000000..9f5478a1
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.mr.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ne.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ne.png
new file mode 100644
index 00000000..068a8a60
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.ne.png differ
diff --git a/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.pa.png b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.pa.png
new file mode 100644
index 00000000..64a613b4
Binary files /dev/null and b/translated_images/20-DataScience-Research.da434814c51b4ef8cd15a8efa161d066eff282b59286a2ab33b834434df96db9.pa.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.br.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.br.png
new file mode 100644
index 00000000..3175d8e1
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.br.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.mr.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.mr.png
new file mode 100644
index 00000000..25aacfbf
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.mr.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ne.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ne.png
new file mode 100644
index 00000000..e3649fee
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.ne.png differ
diff --git a/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.pa.png b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.pa.png
new file mode 100644
index 00000000..e5dc00f8
Binary files /dev/null and b/translated_images/20-DataScience-Sustainability.d4097bc684431da6b8f4b5f60896b6db7ca915f2366774416b2cd9939609a0c4.pa.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.br.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.br.png
new file mode 100644
index 00000000..9876f25c
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.br.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.mr.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.mr.png
new file mode 100644
index 00000000..4d3fd0ed
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.mr.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ne.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ne.png
new file mode 100644
index 00000000..4d3fd0ed
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ne.png differ
diff --git a/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.pa.png b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.pa.png
new file mode 100644
index 00000000..21486900
Binary files /dev/null and b/translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.pa.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.br.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.br.png
new file mode 100644
index 00000000..3a85f737
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.br.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.mr.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.mr.png
new file mode 100644
index 00000000..8ccda86c
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.mr.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ne.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ne.png
new file mode 100644
index 00000000..8ccda86c
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.ne.png differ
diff --git a/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.pa.png b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.pa.png
new file mode 100644
index 00000000..c9260e59
Binary files /dev/null and b/translated_images/2D.b3342157139dd804f8fb5adc58721f77e59273fc980175b4ef735ec18686713c.pa.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.br.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.br.png
new file mode 100644
index 00000000..6acde119
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.br.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.mr.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.mr.png
new file mode 100644
index 00000000..fb09bfab
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.mr.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ne.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ne.png
new file mode 100644
index 00000000..4c8736cf
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ne.png differ
diff --git a/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.pa.png b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.pa.png
new file mode 100644
index 00000000..5234f826
Binary files /dev/null and b/translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.pa.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.br.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.br.png
new file mode 100644
index 00000000..f3c88464
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.br.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.mr.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.mr.png
new file mode 100644
index 00000000..ab9eb045
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.mr.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ne.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ne.png
new file mode 100644
index 00000000..21ad0be1
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ne.png differ
diff --git a/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.pa.png b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.pa.png
new file mode 100644
index 00000000..cb08cce9
Binary files /dev/null and b/translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.pa.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.br.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.br.png
new file mode 100644
index 00000000..f3c88464
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.br.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.mr.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.mr.png
new file mode 100644
index 00000000..ab9eb045
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.mr.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ne.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ne.png
new file mode 100644
index 00000000..fee345f3
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ne.png differ
diff --git a/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.pa.png b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.pa.png
new file mode 100644
index 00000000..cb08cce9
Binary files /dev/null and b/translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.pa.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.br.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.br.png
new file mode 100644
index 00000000..4944c7f4
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.br.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.mr.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.mr.png
new file mode 100644
index 00000000..ca58ea64
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.mr.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ne.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ne.png
new file mode 100644
index 00000000..f3156e60
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ne.png differ
diff --git a/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.pa.png b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.pa.png
new file mode 100644
index 00000000..a741d650
Binary files /dev/null and b/translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.pa.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.br.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.br.png
new file mode 100644
index 00000000..17d4b680
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.br.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.mr.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.mr.png
new file mode 100644
index 00000000..21a132ef
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.mr.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ne.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ne.png
new file mode 100644
index 00000000..f86bae61
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ne.png differ
diff --git a/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.pa.png b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.pa.png
new file mode 100644
index 00000000..4199f9e9
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.pa.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.br.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.br.png
new file mode 100644
index 00000000..6f45219a
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.br.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.mr.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.mr.png
new file mode 100644
index 00000000..17f46372
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.mr.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ne.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ne.png
new file mode 100644
index 00000000..dc392ae1
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ne.png differ
diff --git a/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.pa.png b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.pa.png
new file mode 100644
index 00000000..5c8c9438
Binary files /dev/null and b/translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.pa.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.br.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.br.png
new file mode 100644
index 00000000..da0908de
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.br.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.mr.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.mr.png
new file mode 100644
index 00000000..2d1ffdf4
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.mr.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ne.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ne.png
new file mode 100644
index 00000000..99bc7778
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ne.png differ
diff --git a/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.pa.png b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.pa.png
new file mode 100644
index 00000000..95a349a7
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.pa.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.br.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.br.png
new file mode 100644
index 00000000..45586c86
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.br.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.mr.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.mr.png
new file mode 100644
index 00000000..56247e00
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.mr.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ne.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ne.png
new file mode 100644
index 00000000..aebe0c73
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ne.png differ
diff --git a/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.pa.png b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.pa.png
new file mode 100644
index 00000000..0ea52b0e
Binary files /dev/null and b/translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.pa.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.br.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.br.png
new file mode 100644
index 00000000..18a3bfbc
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.br.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.mr.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.mr.png
new file mode 100644
index 00000000..12283ff2
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.mr.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ne.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ne.png
new file mode 100644
index 00000000..cd82376c
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ne.png differ
diff --git a/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.pa.png b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.pa.png
new file mode 100644
index 00000000..8f5870c5
Binary files /dev/null and b/translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.pa.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.br.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.br.png
new file mode 100644
index 00000000..3b0891ae
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.br.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.mr.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.mr.png
new file mode 100644
index 00000000..145fbcac
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.mr.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ne.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ne.png
new file mode 100644
index 00000000..44521782
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ne.png differ
diff --git a/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.pa.png b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.pa.png
new file mode 100644
index 00000000..ae412a7d
Binary files /dev/null and b/translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.pa.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.br.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.br.png
new file mode 100644
index 00000000..59aad9ed
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.br.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.mr.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.mr.png
new file mode 100644
index 00000000..0c2eff04
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.mr.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ne.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ne.png
new file mode 100644
index 00000000..aad58cc1
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ne.png differ
diff --git a/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.pa.png b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.pa.png
new file mode 100644
index 00000000..478434f0
Binary files /dev/null and b/translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.pa.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.br.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.br.png
new file mode 100644
index 00000000..fc840fce
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.br.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.mr.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.mr.png
new file mode 100644
index 00000000..13792d73
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.mr.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ne.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ne.png
new file mode 100644
index 00000000..352cf4eb
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ne.png differ
diff --git a/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.pa.png b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.pa.png
new file mode 100644
index 00000000..206962d7
Binary files /dev/null and b/translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.pa.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.br.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.br.png
new file mode 100644
index 00000000..7ef183cf
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.br.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.mr.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.mr.png
new file mode 100644
index 00000000..6fa9a8d6
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.mr.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ne.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ne.png
new file mode 100644
index 00000000..0d57b2f1
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ne.png differ
diff --git a/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.pa.png b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.pa.png
new file mode 100644
index 00000000..1c385e53
Binary files /dev/null and b/translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.pa.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.br.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.br.png
new file mode 100644
index 00000000..7ef183cf
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.br.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.mr.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.mr.png
new file mode 100644
index 00000000..1080f11a
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.mr.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ne.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ne.png
new file mode 100644
index 00000000..6a484c12
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ne.png differ
diff --git a/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.pa.png b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.pa.png
new file mode 100644
index 00000000..27ac9e01
Binary files /dev/null and b/translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.pa.png differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.br.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.br.jpg
new file mode 100644
index 00000000..aca639ab
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.br.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.mr.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.mr.jpg
new file mode 100644
index 00000000..cb6c6f48
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.mr.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ne.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ne.jpg
new file mode 100644
index 00000000..a03f00ac
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ne.jpg differ
diff --git a/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.pa.jpg b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.pa.jpg
new file mode 100644
index 00000000..3b699aff
Binary files /dev/null and b/translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.pa.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.br.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.br.jpg
new file mode 100644
index 00000000..aca639ab
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.br.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.mr.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.mr.jpg
new file mode 100644
index 00000000..cb6c6f48
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.mr.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ne.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ne.jpg
new file mode 100644
index 00000000..7fe5e999
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ne.jpg differ
diff --git a/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.pa.jpg b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.pa.jpg
new file mode 100644
index 00000000..b195e0e7
Binary files /dev/null and b/translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.pa.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.br.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.br.jpg
new file mode 100644
index 00000000..c3bad158
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.br.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.mr.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.mr.jpg
new file mode 100644
index 00000000..f24c9d87
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.mr.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ne.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ne.jpg
new file mode 100644
index 00000000..da47f69a
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ne.jpg differ
diff --git a/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.pa.jpg b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.pa.jpg
new file mode 100644
index 00000000..8b4eeb09
Binary files /dev/null and b/translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.pa.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.br.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.br.jpg
new file mode 100644
index 00000000..c3bad158
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.br.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.mr.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.mr.jpg
new file mode 100644
index 00000000..024c8d7f
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.mr.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ne.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ne.jpg
new file mode 100644
index 00000000..da47f69a
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ne.jpg differ
diff --git a/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.pa.jpg b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.pa.jpg
new file mode 100644
index 00000000..57e6cee7
Binary files /dev/null and b/translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.pa.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.br.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.br.jpg
new file mode 100644
index 00000000..e5c907c2
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.br.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.mr.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.mr.jpg
new file mode 100644
index 00000000..8a9e1338
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.mr.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ne.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ne.jpg
new file mode 100644
index 00000000..eb81e6a9
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ne.jpg differ
diff --git a/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.pa.jpg b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.pa.jpg
new file mode 100644
index 00000000..8722bb61
Binary files /dev/null and b/translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.pa.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.br.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.br.jpg
new file mode 100644
index 00000000..e5c907c2
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.br.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.mr.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.mr.jpg
new file mode 100644
index 00000000..0dd57056
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.mr.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ne.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ne.jpg
new file mode 100644
index 00000000..8755fe5c
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ne.jpg differ
diff --git a/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.pa.jpg b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.pa.jpg
new file mode 100644
index 00000000..98f73013
Binary files /dev/null and b/translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.pa.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.br.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.br.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.br.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.mr.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.mr.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.mr.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ne.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ne.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ne.jpg differ
diff --git a/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.pa.jpg b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.pa.jpg
new file mode 100644
index 00000000..032326e9
Binary files /dev/null and b/translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.pa.jpg differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.br.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.br.png
new file mode 100644
index 00000000..5c36230d
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.br.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.mr.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.mr.png
new file mode 100644
index 00000000..55c2ff87
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.mr.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ne.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ne.png
new file mode 100644
index 00000000..8e91b6f9
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ne.png differ
diff --git a/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.pa.png b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.pa.png
new file mode 100644
index 00000000..27abe6d2
Binary files /dev/null and b/translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.pa.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.br.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.br.png
new file mode 100644
index 00000000..b215ee25
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.br.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.mr.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.mr.png
new file mode 100644
index 00000000..f8945aa6
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.mr.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ne.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ne.png
new file mode 100644
index 00000000..2434de0c
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ne.png differ
diff --git a/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.pa.png b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.pa.png
new file mode 100644
index 00000000..f0da4b9e
Binary files /dev/null and b/translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.pa.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.br.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.br.png
new file mode 100644
index 00000000..935acf30
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.br.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.mr.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.mr.png
new file mode 100644
index 00000000..18d23025
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.mr.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ne.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ne.png
new file mode 100644
index 00000000..1496b433
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ne.png differ
diff --git a/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.pa.png b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.pa.png
new file mode 100644
index 00000000..fee2fd6e
Binary files /dev/null and b/translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.pa.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.br.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.br.png
new file mode 100644
index 00000000..f87329eb
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.br.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.mr.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.mr.png
new file mode 100644
index 00000000..82688818
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.mr.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ne.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ne.png
new file mode 100644
index 00000000..c1498fbb
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.ne.png differ
diff --git a/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.pa.png b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.pa.png
new file mode 100644
index 00000000..d009dec4
Binary files /dev/null and b/translated_images/boxplot_explanation.4039b7de08780fd493ef798b41f7291d753f1f84de8955645f00c586e65f16a3.pa.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.br.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.br.png
new file mode 100644
index 00000000..bc7fa29e
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.br.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.mr.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.mr.png
new file mode 100644
index 00000000..b1d5365e
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.mr.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ne.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ne.png
new file mode 100644
index 00000000..f118f4ee
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ne.png differ
diff --git a/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.pa.png b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.pa.png
new file mode 100644
index 00000000..a24f1df5
Binary files /dev/null and b/translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.pa.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.br.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.br.png
new file mode 100644
index 00000000..bc7fa29e
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.br.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.mr.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.mr.png
new file mode 100644
index 00000000..f26fa8f1
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.mr.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ne.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ne.png
new file mode 100644
index 00000000..f118f4ee
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ne.png differ
diff --git a/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.pa.png b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.pa.png
new file mode 100644
index 00000000..a24f1df5
Binary files /dev/null and b/translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.pa.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.br.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.br.png
new file mode 100644
index 00000000..e1f22160
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.br.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.mr.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.mr.png
new file mode 100644
index 00000000..6b03c6f3
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.mr.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ne.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ne.png
new file mode 100644
index 00000000..87f22a51
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ne.png differ
diff --git a/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.pa.png b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.pa.png
new file mode 100644
index 00000000..9bfe75be
Binary files /dev/null and b/translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.pa.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.br.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.br.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.br.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.mr.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.mr.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.mr.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ne.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ne.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.ne.png differ
diff --git a/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.pa.png b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.pa.png
new file mode 100644
index 00000000..6132710f
Binary files /dev/null and b/translated_images/category-counts.abee8188c4c9b6f0b4e13e2920039c9fa5cc151031a5c28e5a5ff6fb8c072ab4.pa.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.br.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.br.png
new file mode 100644
index 00000000..1b2a006f
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.br.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.mr.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.mr.png
new file mode 100644
index 00000000..9e705f00
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.mr.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ne.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ne.png
new file mode 100644
index 00000000..7f71b3e2
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ne.png differ
diff --git a/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.pa.png b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.pa.png
new file mode 100644
index 00000000..5412087e
Binary files /dev/null and b/translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.pa.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.br.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.br.png
new file mode 100644
index 00000000..acacae1c
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.br.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.mr.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.mr.png
new file mode 100644
index 00000000..d039ff2f
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.mr.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ne.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ne.png
new file mode 100644
index 00000000..7c87eef4
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ne.png differ
diff --git a/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.pa.png b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.pa.png
new file mode 100644
index 00000000..c4efc1d0
Binary files /dev/null and b/translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.pa.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.br.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.br.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.br.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.mr.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.mr.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.mr.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ne.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ne.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.ne.png differ
diff --git a/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.pa.png b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.pa.png
new file mode 100644
index 00000000..bea2b83a
Binary files /dev/null and b/translated_images/category-length.b0d9a0208a7b37136bed52d3abd90190543fbca94bde6f51652313cc6d017187.pa.png differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.br.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.br.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.br.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.mr.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.mr.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.mr.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ne.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ne.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ne.jpg differ
diff --git a/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.pa.jpg b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.pa.jpg
new file mode 100644
index 00000000..30a2ba6e
Binary files /dev/null and b/translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.pa.jpg differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.br.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.br.png
new file mode 100644
index 00000000..c12bc355
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.br.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.mr.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.mr.png
new file mode 100644
index 00000000..eb0c8146
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.mr.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ne.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ne.png
new file mode 100644
index 00000000..e0f2efab
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ne.png differ
diff --git a/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.pa.png b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.pa.png
new file mode 100644
index 00000000..89ba2b25
Binary files /dev/null and b/translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.pa.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.br.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.br.png
new file mode 100644
index 00000000..dc918e9a
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.br.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.mr.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.mr.png
new file mode 100644
index 00000000..f1548f73
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.mr.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ne.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ne.png
new file mode 100644
index 00000000..eb19fb94
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ne.png differ
diff --git a/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.pa.png b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.pa.png
new file mode 100644
index 00000000..cf1efca8
Binary files /dev/null and b/translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.pa.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.br.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.br.png
new file mode 100644
index 00000000..551c0091
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.br.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.mr.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.mr.png
new file mode 100644
index 00000000..860f744e
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.mr.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ne.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ne.png
new file mode 100644
index 00000000..446b1695
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ne.png differ
diff --git a/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.pa.png b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.pa.png
new file mode 100644
index 00000000..6f16b3f7
Binary files /dev/null and b/translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.pa.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.br.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.br.png
new file mode 100644
index 00000000..2b44427a
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.br.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.mr.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.mr.png
new file mode 100644
index 00000000..42c58d79
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.mr.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ne.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ne.png
new file mode 100644
index 00000000..f83eee27
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ne.png differ
diff --git a/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.pa.png b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.pa.png
new file mode 100644
index 00000000..1af2f441
Binary files /dev/null and b/translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.pa.png differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.br.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.br.jpg
new file mode 100644
index 00000000..59186b72
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.br.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.mr.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.mr.jpg
new file mode 100644
index 00000000..b1bc45d0
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.mr.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ne.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ne.jpg
new file mode 100644
index 00000000..b1bc45d0
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ne.jpg differ
diff --git a/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.pa.jpg b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.pa.jpg
new file mode 100644
index 00000000..7b451692
Binary files /dev/null and b/translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.pa.jpg differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.br.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.br.png
new file mode 100644
index 00000000..b3a4d3ae
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.br.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.mr.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.mr.png
new file mode 100644
index 00000000..b1d35df1
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.mr.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ne.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ne.png
new file mode 100644
index 00000000..d3904c6e
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ne.png differ
diff --git a/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.pa.png b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.pa.png
new file mode 100644
index 00000000..08f2ac20
Binary files /dev/null and b/translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.pa.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.br.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.br.png
new file mode 100644
index 00000000..80266527
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.br.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.mr.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.mr.png
new file mode 100644
index 00000000..2d6de64f
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.mr.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ne.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ne.png
new file mode 100644
index 00000000..cba9f99f
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ne.png differ
diff --git a/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.pa.png b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.pa.png
new file mode 100644
index 00000000..5d08c372
Binary files /dev/null and b/translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.pa.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.br.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.br.png
new file mode 100644
index 00000000..7bb91a84
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.br.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.mr.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.mr.png
new file mode 100644
index 00000000..4e6cc8f6
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.mr.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ne.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ne.png
new file mode 100644
index 00000000..73347bac
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ne.png differ
diff --git a/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.pa.png b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.pa.png
new file mode 100644
index 00000000..0c7d2a16
Binary files /dev/null and b/translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.pa.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.br.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.br.png
new file mode 100644
index 00000000..8838b09b
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.br.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.mr.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.mr.png
new file mode 100644
index 00000000..4f7830d7
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.mr.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ne.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ne.png
new file mode 100644
index 00000000..61c2ee52
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ne.png differ
diff --git a/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.pa.png b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.pa.png
new file mode 100644
index 00000000..c3d7f838
Binary files /dev/null and b/translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.pa.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.br.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.br.png
new file mode 100644
index 00000000..95658ce8
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.br.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.mr.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.mr.png
new file mode 100644
index 00000000..3f5f0b5a
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.mr.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ne.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ne.png
new file mode 100644
index 00000000..f31a010d
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ne.png differ
diff --git a/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.pa.png b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.pa.png
new file mode 100644
index 00000000..356952bc
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.pa.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.br.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.br.png
new file mode 100644
index 00000000..7caf10b9
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.br.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.mr.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.mr.png
new file mode 100644
index 00000000..fc309f6b
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.mr.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ne.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ne.png
new file mode 100644
index 00000000..12b3383f
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ne.png differ
diff --git a/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.pa.png b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.pa.png
new file mode 100644
index 00000000..07fa670d
Binary files /dev/null and b/translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.pa.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.br.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.br.png
new file mode 100644
index 00000000..1f465b49
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.br.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.mr.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.mr.png
new file mode 100644
index 00000000..67c87582
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.mr.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ne.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ne.png
new file mode 100644
index 00000000..96a203b0
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ne.png differ
diff --git a/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.pa.png b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.pa.png
new file mode 100644
index 00000000..9c76eec8
Binary files /dev/null and b/translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.pa.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.br.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.br.png
new file mode 100644
index 00000000..c1f01995
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.br.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.mr.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.mr.png
new file mode 100644
index 00000000..35aec090
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.mr.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ne.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ne.png
new file mode 100644
index 00000000..7843d6ae
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ne.png differ
diff --git a/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.pa.png b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.pa.png
new file mode 100644
index 00000000..2391109c
Binary files /dev/null and b/translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.pa.png differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.br.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.br.jpg
new file mode 100644
index 00000000..54145b36
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.br.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.mr.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.mr.jpg
new file mode 100644
index 00000000..4bd47ba6
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.mr.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ne.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ne.jpg
new file mode 100644
index 00000000..df56f3c8
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ne.jpg differ
diff --git a/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.pa.jpg b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.pa.jpg
new file mode 100644
index 00000000..69ba2d96
Binary files /dev/null and b/translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.pa.jpg differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.br.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.br.png
new file mode 100644
index 00000000..2ae09658
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.br.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.mr.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.mr.png
new file mode 100644
index 00000000..57f74f08
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.mr.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ne.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ne.png
new file mode 100644
index 00000000..93558748
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ne.png differ
diff --git a/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.pa.png b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.pa.png
new file mode 100644
index 00000000..f02cab35
Binary files /dev/null and b/translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.pa.png differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.br.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.br.jpg
new file mode 100644
index 00000000..78758bc5
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.br.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.mr.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.mr.jpg
new file mode 100644
index 00000000..3e5dc045
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.mr.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ne.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ne.jpg
new file mode 100644
index 00000000..3a91bcf4
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ne.jpg differ
diff --git a/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.pa.jpg b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.pa.jpg
new file mode 100644
index 00000000..d75b91ef
Binary files /dev/null and b/translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.pa.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.br.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.br.jpg
new file mode 100644
index 00000000..5c9dc6f1
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.br.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.mr.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.mr.jpg
new file mode 100644
index 00000000..c5803386
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.mr.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ne.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ne.jpg
new file mode 100644
index 00000000..78ee60fe
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ne.jpg differ
diff --git a/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.pa.jpg b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.pa.jpg
new file mode 100644
index 00000000..e4db4358
Binary files /dev/null and b/translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.pa.jpg differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.br.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.br.png
new file mode 100644
index 00000000..98fb2bfd
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.br.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.mr.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.mr.png
new file mode 100644
index 00000000..1df80e14
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.mr.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ne.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ne.png
new file mode 100644
index 00000000..56fd9cb0
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.ne.png differ
diff --git a/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.pa.png b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.pa.png
new file mode 100644
index 00000000..552b93c3
Binary files /dev/null and b/translated_images/dataframe-1.caf409f0c688e84c85b793998b945f3cb66554e13dbb490d4a52f37909a41eb4.pa.png differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.br.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.br.jpg
new file mode 100644
index 00000000..92dff388
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.br.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.mr.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.mr.jpg
new file mode 100644
index 00000000..160fa021
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.mr.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ne.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ne.jpg
new file mode 100644
index 00000000..973e9f77
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.ne.jpg differ
diff --git a/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.pa.jpg b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.pa.jpg
new file mode 100644
index 00000000..769c3827
Binary files /dev/null and b/translated_images/datascienceinthecloud.59ffb059a670fb0a68fee3f0f2906239b25240a57c3990b8c0809c9c7703eabd.pa.jpg differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.br.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.br.png
new file mode 100644
index 00000000..de51e9dd
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.br.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.mr.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.mr.png
new file mode 100644
index 00000000..894ef836
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.mr.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ne.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ne.png
new file mode 100644
index 00000000..7c6686a6
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ne.png differ
diff --git a/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.pa.png b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.pa.png
new file mode 100644
index 00000000..2746f2e3
Binary files /dev/null and b/translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.pa.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.br.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.br.png
new file mode 100644
index 00000000..354f76f4
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.br.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.mr.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.mr.png
new file mode 100644
index 00000000..2fd4540a
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.mr.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ne.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ne.png
new file mode 100644
index 00000000..238053ae
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ne.png differ
diff --git a/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.pa.png b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.pa.png
new file mode 100644
index 00000000..d7353991
Binary files /dev/null and b/translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.pa.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.br.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.br.png
new file mode 100644
index 00000000..3377fe60
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.br.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.mr.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.mr.png
new file mode 100644
index 00000000..5f2270f3
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.mr.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ne.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ne.png
new file mode 100644
index 00000000..454254e7
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ne.png differ
diff --git a/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.pa.png b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.pa.png
new file mode 100644
index 00000000..564215aa
Binary files /dev/null and b/translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.pa.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.br.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.br.png
new file mode 100644
index 00000000..69a19815
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.br.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.mr.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.mr.png
new file mode 100644
index 00000000..abc05cc4
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.mr.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ne.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ne.png
new file mode 100644
index 00000000..51c1c7d4
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ne.png differ
diff --git a/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.pa.png b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.pa.png
new file mode 100644
index 00000000..d446234c
Binary files /dev/null and b/translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.pa.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.br.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.br.png
new file mode 100644
index 00000000..c7cd1d67
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.br.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.mr.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.mr.png
new file mode 100644
index 00000000..d1be81fc
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.mr.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ne.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ne.png
new file mode 100644
index 00000000..8db2a89b
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ne.png differ
diff --git a/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.pa.png b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.pa.png
new file mode 100644
index 00000000..4523a9d2
Binary files /dev/null and b/translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.pa.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.br.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.br.png
new file mode 100644
index 00000000..9d48db79
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.br.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.mr.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.mr.png
new file mode 100644
index 00000000..7c40b17a
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.mr.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ne.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ne.png
new file mode 100644
index 00000000..6ca5dc28
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ne.png differ
diff --git a/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.pa.png b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.pa.png
new file mode 100644
index 00000000..e242ef2d
Binary files /dev/null and b/translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.pa.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.br.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.br.png
new file mode 100644
index 00000000..44372093
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.br.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.mr.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.mr.png
new file mode 100644
index 00000000..99a03b5d
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.mr.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ne.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ne.png
new file mode 100644
index 00000000..db821008
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ne.png differ
diff --git a/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.pa.png b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.pa.png
new file mode 100644
index 00000000..88cafe4e
Binary files /dev/null and b/translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.pa.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.br.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.br.png
new file mode 100644
index 00000000..77d747b4
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.br.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.mr.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.mr.png
new file mode 100644
index 00000000..0967759c
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.mr.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ne.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ne.png
new file mode 100644
index 00000000..e639664e
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ne.png differ
diff --git a/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.pa.png b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.pa.png
new file mode 100644
index 00000000..d5223c4a
Binary files /dev/null and b/translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.pa.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.br.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.br.png
new file mode 100644
index 00000000..ae0a2f96
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.br.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.mr.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.mr.png
new file mode 100644
index 00000000..a5dc2c8b
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.mr.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ne.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ne.png
new file mode 100644
index 00000000..0faa71c8
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ne.png differ
diff --git a/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.pa.png b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.pa.png
new file mode 100644
index 00000000..d435cb05
Binary files /dev/null and b/translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.pa.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.br.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.br.png
new file mode 100644
index 00000000..117975b1
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.br.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.mr.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.mr.png
new file mode 100644
index 00000000..466002af
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.mr.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ne.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ne.png
new file mode 100644
index 00000000..0f36c974
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ne.png differ
diff --git a/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.pa.png b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.pa.png
new file mode 100644
index 00000000..c74fed87
Binary files /dev/null and b/translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.pa.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.br.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.br.png
new file mode 100644
index 00000000..673300ac
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.br.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.mr.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.mr.png
new file mode 100644
index 00000000..120b3c9f
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.mr.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ne.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ne.png
new file mode 100644
index 00000000..a112d9da
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ne.png differ
diff --git a/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.pa.png b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.pa.png
new file mode 100644
index 00000000..26d28443
Binary files /dev/null and b/translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.pa.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.br.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.br.png
new file mode 100644
index 00000000..4b03806a
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.br.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.mr.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.mr.png
new file mode 100644
index 00000000..3cf9a285
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.mr.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ne.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ne.png
new file mode 100644
index 00000000..27f27806
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ne.png differ
diff --git a/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.pa.png b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.pa.png
new file mode 100644
index 00000000..65658242
Binary files /dev/null and b/translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.pa.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.br.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.br.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.br.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.mr.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.mr.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.mr.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ne.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ne.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.ne.png differ
diff --git a/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.pa.png b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.pa.png
new file mode 100644
index 00000000..ccc99767
Binary files /dev/null and b/translated_images/dist1.0010100b00231819be7540ba60a4909cbda8a1a83c1cc1ceb4d4e8a5bcb325f4.pa.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.br.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.br.png
new file mode 100644
index 00000000..2a6b83ec
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.br.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.mr.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.mr.png
new file mode 100644
index 00000000..c062ee79
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.mr.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ne.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ne.png
new file mode 100644
index 00000000..16d3dab8
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ne.png differ
diff --git a/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.pa.png b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.pa.png
new file mode 100644
index 00000000..b417b037
Binary files /dev/null and b/translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.pa.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.br.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.br.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.br.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.mr.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.mr.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.mr.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ne.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ne.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.ne.png differ
diff --git a/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.pa.png b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.pa.png
new file mode 100644
index 00000000..f2d0f317
Binary files /dev/null and b/translated_images/dist2.c398bfd5320401b924305d2cc20a6c0f6670455e61abaf827a359d07b4248969.pa.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.br.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.br.png
new file mode 100644
index 00000000..08fc743e
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.br.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.mr.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.mr.png
new file mode 100644
index 00000000..8c64e7bb
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.mr.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ne.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ne.png
new file mode 100644
index 00000000..70e785a4
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ne.png differ
diff --git a/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.pa.png b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.pa.png
new file mode 100644
index 00000000..1712ba29
Binary files /dev/null and b/translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.pa.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.br.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.br.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.br.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.mr.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.mr.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.mr.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ne.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ne.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.ne.png differ
diff --git a/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.pa.png b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.pa.png
new file mode 100644
index 00000000..e48b0151
Binary files /dev/null and b/translated_images/dist3.ad4d9658559690f561d0ac76bfee5843cce918f9c83805be66e0790ac824ef07.pa.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.br.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.br.png
new file mode 100644
index 00000000..c9320de9
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.br.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.mr.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.mr.png
new file mode 100644
index 00000000..b3cdfc94
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.mr.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ne.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ne.png
new file mode 100644
index 00000000..f55efb7d
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ne.png differ
diff --git a/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.pa.png b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.pa.png
new file mode 100644
index 00000000..07019c2f
Binary files /dev/null and b/translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.pa.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.br.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.br.png
new file mode 100644
index 00000000..167559a6
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.br.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.mr.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.mr.png
new file mode 100644
index 00000000..8bc8c29a
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.mr.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ne.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ne.png
new file mode 100644
index 00000000..7ccab12c
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ne.png differ
diff --git a/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.pa.png b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.pa.png
new file mode 100644
index 00000000..2755c1bb
Binary files /dev/null and b/translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.pa.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.br.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.br.png
new file mode 100644
index 00000000..82f15de1
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.br.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.mr.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.mr.png
new file mode 100644
index 00000000..02b66868
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.mr.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ne.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ne.png
new file mode 100644
index 00000000..9211ef0d
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.ne.png differ
diff --git a/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.pa.png b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.pa.png
new file mode 100644
index 00000000..f530132f
Binary files /dev/null and b/translated_images/document-db.ddeec48c6dc9e5fd1c905a6de302537f57a2e74c82753baeaa27e992512282b9.pa.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.br.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.br.png
new file mode 100644
index 00000000..086396d2
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.br.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.mr.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.mr.png
new file mode 100644
index 00000000..e1bbd7bc
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.mr.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ne.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ne.png
new file mode 100644
index 00000000..164f75d9
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ne.png differ
diff --git a/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.pa.png b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.pa.png
new file mode 100644
index 00000000..c31e0556
Binary files /dev/null and b/translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.pa.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.br.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.br.png
new file mode 100644
index 00000000..6b03d3c3
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.br.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.mr.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.mr.png
new file mode 100644
index 00000000..7da472d2
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.mr.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ne.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ne.png
new file mode 100644
index 00000000..8aafe733
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ne.png differ
diff --git a/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.pa.png b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.pa.png
new file mode 100644
index 00000000..e93999b7
Binary files /dev/null and b/translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.pa.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.br.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.br.png
new file mode 100644
index 00000000..e109b4c9
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.br.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.mr.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.mr.png
new file mode 100644
index 00000000..8ea22879
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.mr.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ne.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ne.png
new file mode 100644
index 00000000..8ea22879
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.ne.png differ
diff --git a/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.pa.png b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.pa.png
new file mode 100644
index 00000000..a12ab186
Binary files /dev/null and b/translated_images/donut.f016d7be7f08c8f8c49e9217b2ee05e952ecd1bd8c6f5c49466080f4991ad790.pa.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.br.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.br.png
new file mode 100644
index 00000000..f8926670
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.br.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.mr.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.mr.png
new file mode 100644
index 00000000..49166403
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.mr.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ne.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ne.png
new file mode 100644
index 00000000..4ad8f5ff
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.ne.png differ
diff --git a/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.pa.png b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.pa.png
new file mode 100644
index 00000000..2d9167ef
Binary files /dev/null and b/translated_images/ds-for-beginners.d01930c9193ef5228caf620d5462a4189dc1a551e34d121eb777e0463889d7a5.pa.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.br.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.br.png
new file mode 100644
index 00000000..bbbb0313
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.br.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.mr.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.mr.png
new file mode 100644
index 00000000..9cb232b1
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.mr.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ne.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ne.png
new file mode 100644
index 00000000..68d7eb02
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ne.png differ
diff --git a/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.pa.png b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.pa.png
new file mode 100644
index 00000000..79d8024f
Binary files /dev/null and b/translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.pa.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.br.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.br.png
new file mode 100644
index 00000000..f82bc6b5
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.br.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.mr.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.mr.png
new file mode 100644
index 00000000..30fadda6
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.mr.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ne.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ne.png
new file mode 100644
index 00000000..bf9ae76c
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ne.png differ
diff --git a/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.pa.png b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.pa.png
new file mode 100644
index 00000000..02faf0bc
Binary files /dev/null and b/translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.pa.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.br.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.br.png
new file mode 100644
index 00000000..ea6fde89
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.br.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.mr.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.mr.png
new file mode 100644
index 00000000..bdfab4b6
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.mr.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ne.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ne.png
new file mode 100644
index 00000000..3836d8bf
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ne.png differ
diff --git a/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.pa.png b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.pa.png
new file mode 100644
index 00000000..164f17e7
Binary files /dev/null and b/translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.pa.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.br.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.br.png
new file mode 100644
index 00000000..9773f440
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.br.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.mr.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.mr.png
new file mode 100644
index 00000000..df77c32c
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.mr.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ne.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ne.png
new file mode 100644
index 00000000..df77c32c
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ne.png differ
diff --git a/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.pa.png b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.pa.png
new file mode 100644
index 00000000..48affb85
Binary files /dev/null and b/translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.pa.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.br.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.br.png
new file mode 100644
index 00000000..49b6f81b
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.br.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.mr.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.mr.png
new file mode 100644
index 00000000..066f1239
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.mr.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ne.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ne.png
new file mode 100644
index 00000000..73190d15
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ne.png differ
diff --git a/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.pa.png b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.pa.png
new file mode 100644
index 00000000..5b6c5f7c
Binary files /dev/null and b/translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.pa.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.br.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.br.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.br.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.mr.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.mr.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.mr.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ne.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ne.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.ne.png differ
diff --git a/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.pa.png b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.pa.png
new file mode 100644
index 00000000..26e0ae43
Binary files /dev/null and b/translated_images/favicon.37b561214b36d454f9fd1f725d77f310fe256eb88f2a0ae08b9cb18aeb30650c.pa.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.br.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.br.png
new file mode 100644
index 00000000..36efb285
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.br.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.mr.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.mr.png
new file mode 100644
index 00000000..062813d9
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.mr.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ne.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ne.png
new file mode 100644
index 00000000..b4427787
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ne.png differ
diff --git a/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.pa.png b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.pa.png
new file mode 100644
index 00000000..b2bd3735
Binary files /dev/null and b/translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.pa.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.br.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.br.png
new file mode 100644
index 00000000..d560419f
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.br.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.mr.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.mr.png
new file mode 100644
index 00000000..4352a5ab
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.mr.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ne.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ne.png
new file mode 100644
index 00000000..fece584f
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ne.png differ
diff --git a/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.pa.png b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.pa.png
new file mode 100644
index 00000000..302294f4
Binary files /dev/null and b/translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.pa.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.br.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.br.png
new file mode 100644
index 00000000..8397f5d9
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.br.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.mr.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.mr.png
new file mode 100644
index 00000000..e6978e2f
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.mr.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ne.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ne.png
new file mode 100644
index 00000000..1662a2e2
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ne.png differ
diff --git a/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.pa.png b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.pa.png
new file mode 100644
index 00000000..e058fddf
Binary files /dev/null and b/translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.pa.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.br.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.br.png
new file mode 100644
index 00000000..9b3fd3e0
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.br.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.mr.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.mr.png
new file mode 100644
index 00000000..6169530c
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.mr.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ne.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ne.png
new file mode 100644
index 00000000..b6ab226e
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.ne.png differ
diff --git a/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.pa.png b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.pa.png
new file mode 100644
index 00000000..7ea546e0
Binary files /dev/null and b/translated_images/full-data-bar.a0b37da71a6cd23610c83d1e737c4f0aff0524724ed527b9bed12c0bac5f2f07.pa.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.br.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.br.png
new file mode 100644
index 00000000..eba4422e
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.br.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.mr.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.mr.png
new file mode 100644
index 00000000..6ec3843f
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.mr.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ne.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ne.png
new file mode 100644
index 00000000..e24b3a2b
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ne.png differ
diff --git a/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.pa.png b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.pa.png
new file mode 100644
index 00000000..2e146db8
Binary files /dev/null and b/translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.pa.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.br.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.br.png
new file mode 100644
index 00000000..1fded8ad
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.br.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.mr.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.mr.png
new file mode 100644
index 00000000..93df9596
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.mr.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ne.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ne.png
new file mode 100644
index 00000000..5b9ca3e1
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ne.png differ
diff --git a/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.pa.png b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.pa.png
new file mode 100644
index 00000000..ef83577a
Binary files /dev/null and b/translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.pa.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.br.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.br.png
new file mode 100644
index 00000000..09dcc959
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.br.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.mr.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.mr.png
new file mode 100644
index 00000000..ffacba95
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.mr.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ne.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ne.png
new file mode 100644
index 00000000..ffacba95
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.ne.png differ
diff --git a/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.pa.png b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.pa.png
new file mode 100644
index 00000000..ac9d2343
Binary files /dev/null and b/translated_images/height-boxplot.ccb66b2848b5f51cd28e3acf89512ac7101ad36d0c07fc7b93762c9dcf368d7d.pa.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.br.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.br.png
new file mode 100644
index 00000000..895ac437
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.br.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.mr.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.mr.png
new file mode 100644
index 00000000..93f286e7
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.mr.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ne.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ne.png
new file mode 100644
index 00000000..c5ff3bc5
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ne.png differ
diff --git a/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.pa.png b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.pa.png
new file mode 100644
index 00000000..bc855090
Binary files /dev/null and b/translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.pa.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.br.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.br.png
new file mode 100644
index 00000000..97407783
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.br.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.mr.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.mr.png
new file mode 100644
index 00000000..fa70abca
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.mr.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ne.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ne.png
new file mode 100644
index 00000000..fe3d6ef9
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.ne.png differ
diff --git a/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.pa.png b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.pa.png
new file mode 100644
index 00000000..b7eadfa2
Binary files /dev/null and b/translated_images/histogram-conservation.13b3542e7784e41585a3763ba6dfbfaa2a372bcd9edae90675ad18f7b13fa7e3.pa.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.br.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.br.png
new file mode 100644
index 00000000..64bd2f4b
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.br.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.mr.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.mr.png
new file mode 100644
index 00000000..a2cdd985
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.mr.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ne.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ne.png
new file mode 100644
index 00000000..18b01c76
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ne.png differ
diff --git a/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.pa.png b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.pa.png
new file mode 100644
index 00000000..5f285f03
Binary files /dev/null and b/translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.pa.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.br.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.br.png
new file mode 100644
index 00000000..7595583b
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.br.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.mr.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.mr.png
new file mode 100644
index 00000000..959d22c6
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.mr.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ne.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ne.png
new file mode 100644
index 00000000..f657c734
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ne.png differ
diff --git a/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.pa.png b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.pa.png
new file mode 100644
index 00000000..3b6086b2
Binary files /dev/null and b/translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.pa.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.br.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.br.png
new file mode 100644
index 00000000..a27f814a
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.br.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.mr.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.mr.png
new file mode 100644
index 00000000..c72f16e5
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.mr.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ne.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ne.png
new file mode 100644
index 00000000..02abd8a7
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.ne.png differ
diff --git a/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.pa.png b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.pa.png
new file mode 100644
index 00000000..a4b21c52
Binary files /dev/null and b/translated_images/labeled-wingspan.900ffedd7e3ec6de17070dac63c1cf624cb083fb5b6a157bbb1d60f327f331aa.pa.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.br.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.br.png
new file mode 100644
index 00000000..1f9f984c
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.br.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.mr.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.mr.png
new file mode 100644
index 00000000..4662e7b5
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.mr.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ne.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ne.png
new file mode 100644
index 00000000..0d89f673
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ne.png differ
diff --git a/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.pa.png b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.pa.png
new file mode 100644
index 00000000..1e2b5249
Binary files /dev/null and b/translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.pa.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.br.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.br.png
new file mode 100644
index 00000000..b85b5df7
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.br.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.mr.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.mr.png
new file mode 100644
index 00000000..eefb5b44
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.mr.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ne.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ne.png
new file mode 100644
index 00000000..a50f3d7d
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ne.png differ
diff --git a/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.pa.png b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.pa.png
new file mode 100644
index 00000000..65c0cb41
Binary files /dev/null and b/translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.pa.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.br.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.br.png
new file mode 100644
index 00000000..bb880adc
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.br.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.mr.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.mr.png
new file mode 100644
index 00000000..628cea4d
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.mr.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ne.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ne.png
new file mode 100644
index 00000000..bbd8303e
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ne.png differ
diff --git a/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.pa.png b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.pa.png
new file mode 100644
index 00000000..2f276fc7
Binary files /dev/null and b/translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.pa.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.br.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.br.png
new file mode 100644
index 00000000..56a4b9f2
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.br.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.mr.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.mr.png
new file mode 100644
index 00000000..2f52a69d
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.mr.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ne.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ne.png
new file mode 100644
index 00000000..8a47eee3
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ne.png differ
diff --git a/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.pa.png b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.pa.png
new file mode 100644
index 00000000..a8ab0e56
Binary files /dev/null and b/translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.pa.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.br.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.br.png
new file mode 100644
index 00000000..1b4fd51d
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.br.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.mr.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.mr.png
new file mode 100644
index 00000000..6fe8d69e
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.mr.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ne.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ne.png
new file mode 100644
index 00000000..73894592
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ne.png differ
diff --git a/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.pa.png b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.pa.png
new file mode 100644
index 00000000..17c9fd0a
Binary files /dev/null and b/translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.pa.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.br.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.br.png
new file mode 100644
index 00000000..8e0d9ad7
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.br.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.mr.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.mr.png
new file mode 100644
index 00000000..8395cec8
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.mr.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ne.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ne.png
new file mode 100644
index 00000000..8ee25a44
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ne.png differ
diff --git a/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.pa.png b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.pa.png
new file mode 100644
index 00000000..2920c1d6
Binary files /dev/null and b/translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.pa.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.br.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.br.png
new file mode 100644
index 00000000..8f28f22f
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.br.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.mr.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.mr.png
new file mode 100644
index 00000000..ad4f3eae
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.mr.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ne.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ne.png
new file mode 100644
index 00000000..35aa5334
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ne.png differ
diff --git a/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.pa.png b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.pa.png
new file mode 100644
index 00000000..db3f4d8c
Binary files /dev/null and b/translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.pa.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.br.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.br.png
new file mode 100644
index 00000000..ce1898da
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.br.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.mr.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.mr.png
new file mode 100644
index 00000000..eb35eb74
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.mr.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ne.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ne.png
new file mode 100644
index 00000000..fcb2a962
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ne.png differ
diff --git a/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.pa.png b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.pa.png
new file mode 100644
index 00000000..9719de5a
Binary files /dev/null and b/translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.pa.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.br.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.br.png
new file mode 100644
index 00000000..96713a66
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.br.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.mr.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.mr.png
new file mode 100644
index 00000000..4ca87a6e
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.mr.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ne.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ne.png
new file mode 100644
index 00000000..4ca87a6e
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ne.png differ
diff --git a/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.pa.png b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.pa.png
new file mode 100644
index 00000000..049a9c43
Binary files /dev/null and b/translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.pa.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.br.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.br.png
new file mode 100644
index 00000000..51b9419e
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.br.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.mr.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.mr.png
new file mode 100644
index 00000000..e18b3c22
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.mr.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ne.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ne.png
new file mode 100644
index 00000000..e77bf6c4
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ne.png differ
diff --git a/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.pa.png b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.pa.png
new file mode 100644
index 00000000..469df2c2
Binary files /dev/null and b/translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.pa.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.br.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.br.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.br.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.mr.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.mr.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.mr.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ne.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ne.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.ne.png differ
diff --git a/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.pa.png b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.pa.png
new file mode 100644
index 00000000..0c37ab05
Binary files /dev/null and b/translated_images/max-wingspan-labels.46f0cc3c48edd4e00e6ab6d8797e2717a33b4b94d97af3539c5442a1299d03c1.pa.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.br.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.br.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.br.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.mr.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.mr.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.mr.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ne.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ne.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.ne.png differ
diff --git a/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.pa.png b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.pa.png
new file mode 100644
index 00000000..72f5a3e4
Binary files /dev/null and b/translated_images/max-wingspan.0b8d0858436414aa1c53556bfd07e7d4267120782d236abe10e0473252de0760.pa.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.br.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.br.png
new file mode 100644
index 00000000..774fd54a
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.br.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.mr.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.mr.png
new file mode 100644
index 00000000..a6542173
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.mr.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ne.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ne.png
new file mode 100644
index 00000000..f8cb759d
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ne.png differ
diff --git a/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.pa.png b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.pa.png
new file mode 100644
index 00000000..161d5965
Binary files /dev/null and b/translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.pa.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.br.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.br.png
new file mode 100644
index 00000000..272632e6
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.br.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.mr.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.mr.png
new file mode 100644
index 00000000..97735575
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.mr.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ne.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ne.png
new file mode 100644
index 00000000..ff2b4504
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.ne.png differ
diff --git a/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.pa.png b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.pa.png
new file mode 100644
index 00000000..7af096cd
Binary files /dev/null and b/translated_images/new-container.650e10c7a20a5f83824264bfaa0f818d8c203f98136f4647385bd0c369b5035b.pa.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.br.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.br.png
new file mode 100644
index 00000000..3e9ab8ac
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.br.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.mr.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.mr.png
new file mode 100644
index 00000000..42b34faf
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.mr.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ne.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ne.png
new file mode 100644
index 00000000..42b34faf
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ne.png differ
diff --git a/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.pa.png b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.pa.png
new file mode 100644
index 00000000..dd960e0d
Binary files /dev/null and b/translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.pa.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.br.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.br.png
new file mode 100644
index 00000000..3ba5c8e3
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.br.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.mr.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.mr.png
new file mode 100644
index 00000000..69457f54
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.mr.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ne.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ne.png
new file mode 100644
index 00000000..00bd5cbd
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ne.png differ
diff --git a/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.pa.png b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.pa.png
new file mode 100644
index 00000000..d43d95d3
Binary files /dev/null and b/translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.pa.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.br.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.br.png
new file mode 100644
index 00000000..ea08e267
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.br.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.mr.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.mr.png
new file mode 100644
index 00000000..858996f4
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.mr.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ne.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ne.png
new file mode 100644
index 00000000..8bce5251
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ne.png differ
diff --git a/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.pa.png b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.pa.png
new file mode 100644
index 00000000..df7e29c1
Binary files /dev/null and b/translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.pa.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.br.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.br.png
new file mode 100644
index 00000000..64e29a1c
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.br.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.mr.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.mr.png
new file mode 100644
index 00000000..4de6f650
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.mr.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ne.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ne.png
new file mode 100644
index 00000000..8af899e3
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ne.png differ
diff --git a/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.pa.png b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.pa.png
new file mode 100644
index 00000000..c6b4738b
Binary files /dev/null and b/translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.pa.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.br.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.br.png
new file mode 100644
index 00000000..51932651
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.br.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.mr.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.mr.png
new file mode 100644
index 00000000..f82a8368
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.mr.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ne.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ne.png
new file mode 100644
index 00000000..1b903939
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ne.png differ
diff --git a/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.pa.png b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.pa.png
new file mode 100644
index 00000000..e4bcc857
Binary files /dev/null and b/translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.pa.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.br.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.br.png
new file mode 100644
index 00000000..1cfcb792
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.br.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.mr.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.mr.png
new file mode 100644
index 00000000..9a3eac0b
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.mr.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ne.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ne.png
new file mode 100644
index 00000000..39d9bb3e
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ne.png differ
diff --git a/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.pa.png b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.pa.png
new file mode 100644
index 00000000..98c91b8b
Binary files /dev/null and b/translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.pa.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.br.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.br.png
new file mode 100644
index 00000000..9ba0eece
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.br.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.mr.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.mr.png
new file mode 100644
index 00000000..182b047e
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.mr.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ne.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ne.png
new file mode 100644
index 00000000..33e0c45d
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.ne.png differ
diff --git a/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.pa.png b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.pa.png
new file mode 100644
index 00000000..f9bd63e3
Binary files /dev/null and b/translated_images/pie1.8f6a8bfac96de60e38ced1a1ac39fd9caafa95142b3bbcb65d540bcad678806f.pa.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.br.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.br.png
new file mode 100644
index 00000000..233b8af7
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.br.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.mr.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.mr.png
new file mode 100644
index 00000000..cfeeeb30
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.mr.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ne.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ne.png
new file mode 100644
index 00000000..acb5c8e7
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ne.png differ
diff --git a/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.pa.png b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.pa.png
new file mode 100644
index 00000000..38333944
Binary files /dev/null and b/translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.pa.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.br.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.br.png
new file mode 100644
index 00000000..276636a0
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.br.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.mr.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.mr.png
new file mode 100644
index 00000000..b96e2a55
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.mr.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ne.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ne.png
new file mode 100644
index 00000000..b96e2a55
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ne.png differ
diff --git a/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.pa.png b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.pa.png
new file mode 100644
index 00000000..311df667
Binary files /dev/null and b/translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.pa.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.br.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.br.png
new file mode 100644
index 00000000..978a8c46
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.br.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.mr.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.mr.png
new file mode 100644
index 00000000..b1ff851c
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.mr.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ne.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ne.png
new file mode 100644
index 00000000..06c62557
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ne.png differ
diff --git a/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.pa.png b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.pa.png
new file mode 100644
index 00000000..f09d7940
Binary files /dev/null and b/translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.pa.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.br.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.br.png
new file mode 100644
index 00000000..978a8c46
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.br.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.mr.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.mr.png
new file mode 100644
index 00000000..bf607e1c
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.mr.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ne.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ne.png
new file mode 100644
index 00000000..005e825a
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ne.png differ
diff --git a/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.pa.png b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.pa.png
new file mode 100644
index 00000000..ec4e378a
Binary files /dev/null and b/translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.pa.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.br.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.br.png
new file mode 100644
index 00000000..7cc97a01
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.br.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.mr.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.mr.png
new file mode 100644
index 00000000..d96b1dca
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.mr.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ne.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ne.png
new file mode 100644
index 00000000..998faff1
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ne.png differ
diff --git a/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.pa.png b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.pa.png
new file mode 100644
index 00000000..6c08e185
Binary files /dev/null and b/translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.pa.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.br.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.br.png
new file mode 100644
index 00000000..4b96709c
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.br.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.mr.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.mr.png
new file mode 100644
index 00000000..562d1e8f
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.mr.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ne.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ne.png
new file mode 100644
index 00000000..562d1e8f
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.ne.png differ
diff --git a/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.pa.png b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.pa.png
new file mode 100644
index 00000000..562d1e8f
Binary files /dev/null and b/translated_images/scatter.520a43eceb46dbcb96899da0f580f3f3615cf9dba38c9c84e52ebc6b4b48e3ff.pa.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.br.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.br.png
new file mode 100644
index 00000000..2b886e6a
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.br.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.mr.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.mr.png
new file mode 100644
index 00000000..2b886e6a
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.mr.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ne.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ne.png
new file mode 100644
index 00000000..2b886e6a
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ne.png differ
diff --git a/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.pa.png b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.pa.png
new file mode 100644
index 00000000..0b238333
Binary files /dev/null and b/translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.pa.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.br.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.br.png
new file mode 100644
index 00000000..249f0256
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.br.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.mr.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.mr.png
new file mode 100644
index 00000000..6dbf22a0
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.mr.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ne.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ne.png
new file mode 100644
index 00000000..099c81e5
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ne.png differ
diff --git a/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.pa.png b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.pa.png
new file mode 100644
index 00000000..f8562fbb
Binary files /dev/null and b/translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.pa.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.br.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.br.png
new file mode 100644
index 00000000..55c0a782
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.br.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.mr.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.mr.png
new file mode 100644
index 00000000..219d35ea
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.mr.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ne.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ne.png
new file mode 100644
index 00000000..8e5da22e
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ne.png differ
diff --git a/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.pa.png b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.pa.png
new file mode 100644
index 00000000..9caade28
Binary files /dev/null and b/translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.pa.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.br.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.br.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.br.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.mr.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.mr.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.mr.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ne.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ne.png
new file mode 100644
index 00000000..dbc8eb5a
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ne.png differ
diff --git a/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.pa.png b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.pa.png
new file mode 100644
index 00000000..2f905a48
Binary files /dev/null and b/translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.pa.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.br.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.br.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.br.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.mr.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.mr.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.mr.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ne.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ne.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ne.png differ
diff --git a/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.pa.png b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.pa.png
new file mode 100644
index 00000000..eb86e1f3
Binary files /dev/null and b/translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.pa.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.br.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.br.png
new file mode 100644
index 00000000..04968140
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.br.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.mr.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.mr.png
new file mode 100644
index 00000000..fa7425a9
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.mr.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ne.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ne.png
new file mode 100644
index 00000000..1c5fbc32
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ne.png differ
diff --git a/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.pa.png b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.pa.png
new file mode 100644
index 00000000..c0c7c9b7
Binary files /dev/null and b/translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.pa.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.br.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.br.png
new file mode 100644
index 00000000..d327b572
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.br.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.mr.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.mr.png
new file mode 100644
index 00000000..669dbc59
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.mr.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ne.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ne.png
new file mode 100644
index 00000000..b777bbe6
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ne.png differ
diff --git a/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.pa.png b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.pa.png
new file mode 100644
index 00000000..156b83dc
Binary files /dev/null and b/translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.pa.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.br.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.br.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.br.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.mr.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.mr.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.mr.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ne.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ne.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.ne.png differ
diff --git a/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.pa.png b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.pa.png
new file mode 100644
index 00000000..420674b6
Binary files /dev/null and b/translated_images/scatterplot-wingspan.bdab448702939bb32a0d3522a9fcd8aa36d5f428aca5e8655a677eb6d0597111.pa.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.br.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.br.png
new file mode 100644
index 00000000..893f0e6a
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.br.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.mr.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.mr.png
new file mode 100644
index 00000000..5140a686
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.mr.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ne.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ne.png
new file mode 100644
index 00000000..438528b4
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ne.png differ
diff --git a/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.pa.png b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.pa.png
new file mode 100644
index 00000000..d539f038
Binary files /dev/null and b/translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.pa.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.br.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.br.png
new file mode 100644
index 00000000..68df5f3e
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.br.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.mr.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.mr.png
new file mode 100644
index 00000000..40e344d0
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.mr.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ne.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ne.png
new file mode 100644
index 00000000..11097d86
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ne.png differ
diff --git a/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.pa.png b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.pa.png
new file mode 100644
index 00000000..f5490ccb
Binary files /dev/null and b/translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.pa.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.br.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.br.png
new file mode 100644
index 00000000..150571c0
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.br.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.mr.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.mr.png
new file mode 100644
index 00000000..02a8c2a4
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.mr.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ne.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ne.png
new file mode 100644
index 00000000..4e3b70eb
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ne.png differ
diff --git a/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.pa.png b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.pa.png
new file mode 100644
index 00000000..ecd6a64b
Binary files /dev/null and b/translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.pa.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.br.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.br.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.br.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.mr.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.mr.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.mr.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ne.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ne.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.ne.png differ
diff --git a/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.pa.png b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.pa.png
new file mode 100644
index 00000000..462346a6
Binary files /dev/null and b/translated_images/superimposed.8b5bd0e8825d9c5c06e2b15d61e3f7ebdd36678f2bdfa1e74c57e24e4486885a.pa.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.br.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.br.png
new file mode 100644
index 00000000..278f9344
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.br.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.mr.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.mr.png
new file mode 100644
index 00000000..dc049d13
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.mr.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ne.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ne.png
new file mode 100644
index 00000000..43234927
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ne.png differ
diff --git a/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.pa.png b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.pa.png
new file mode 100644
index 00000000..a61c59a4
Binary files /dev/null and b/translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.pa.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.br.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.br.png
new file mode 100644
index 00000000..9508200c
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.br.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.mr.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.mr.png
new file mode 100644
index 00000000..99db9f6a
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.mr.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ne.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ne.png
new file mode 100644
index 00000000..763bdebe
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ne.png differ
diff --git a/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.pa.png b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.pa.png
new file mode 100644
index 00000000..0d2d868b
Binary files /dev/null and b/translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.pa.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.br.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.br.png
new file mode 100644
index 00000000..eb59345c
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.br.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.mr.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.mr.png
new file mode 100644
index 00000000..56b38aae
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.mr.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ne.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ne.png
new file mode 100644
index 00000000..b3c3e58a
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ne.png differ
diff --git a/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.pa.png b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.pa.png
new file mode 100644
index 00000000..ef5248de
Binary files /dev/null and b/translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.pa.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.br.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.br.png
new file mode 100644
index 00000000..d1c2f6ac
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.br.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.mr.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.mr.png
new file mode 100644
index 00000000..34c193ac
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.mr.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ne.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ne.png
new file mode 100644
index 00000000..9db8fa1e
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ne.png differ
diff --git a/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.pa.png b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.pa.png
new file mode 100644
index 00000000..020d6be5
Binary files /dev/null and b/translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.pa.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.br.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.br.png
new file mode 100644
index 00000000..151351ae
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.br.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.mr.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.mr.png
new file mode 100644
index 00000000..7b65930c
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.mr.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ne.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ne.png
new file mode 100644
index 00000000..c8a70e39
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ne.png differ
diff --git a/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.pa.png b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.pa.png
new file mode 100644
index 00000000..6689f237
Binary files /dev/null and b/translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.pa.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.br.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.br.png
new file mode 100644
index 00000000..fb594ab9
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.br.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.mr.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.mr.png
new file mode 100644
index 00000000..3688a65b
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.mr.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ne.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ne.png
new file mode 100644
index 00000000..b78e9892
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ne.png differ
diff --git a/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.pa.png b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.pa.png
new file mode 100644
index 00000000..547e5368
Binary files /dev/null and b/translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.pa.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.br.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.br.png
new file mode 100644
index 00000000..cd167159
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.br.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.mr.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.mr.png
new file mode 100644
index 00000000..d1a55fbd
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.mr.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ne.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ne.png
new file mode 100644
index 00000000..65a9a2ca
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ne.png differ
diff --git a/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.pa.png b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.pa.png
new file mode 100644
index 00000000..8cb39206
Binary files /dev/null and b/translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.pa.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.br.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.br.png
new file mode 100644
index 00000000..45243743
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.br.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.mr.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.mr.png
new file mode 100644
index 00000000..68b56947
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.mr.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ne.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ne.png
new file mode 100644
index 00000000..d06cce85
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ne.png differ
diff --git a/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.pa.png b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.pa.png
new file mode 100644
index 00000000..bfafdf1c
Binary files /dev/null and b/translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.pa.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.br.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.br.png
new file mode 100644
index 00000000..76efbdcf
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.br.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.mr.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.mr.png
new file mode 100644
index 00000000..a075d047
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.mr.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ne.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ne.png
new file mode 100644
index 00000000..a5ceb39b
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ne.png differ
diff --git a/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.pa.png b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.pa.png
new file mode 100644
index 00000000..028e2d9b
Binary files /dev/null and b/translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.pa.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.br.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.br.png
new file mode 100644
index 00000000..78e5d835
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.br.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.mr.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.mr.png
new file mode 100644
index 00000000..e74a483a
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.mr.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ne.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ne.png
new file mode 100644
index 00000000..55ae5039
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ne.png differ
diff --git a/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.pa.png b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.pa.png
new file mode 100644
index 00000000..5e800149
Binary files /dev/null and b/translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.pa.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.br.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.br.png
new file mode 100644
index 00000000..3b767649
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.br.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.mr.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.mr.png
new file mode 100644
index 00000000..a901092a
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.mr.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ne.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ne.png
new file mode 100644
index 00000000..eefa4d66
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ne.png differ
diff --git a/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.pa.png b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.pa.png
new file mode 100644
index 00000000..c0ec5217
Binary files /dev/null and b/translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.pa.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.br.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.br.png
new file mode 100644
index 00000000..c3128ec7
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.br.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.mr.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.mr.png
new file mode 100644
index 00000000..239db1b2
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.mr.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ne.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ne.png
new file mode 100644
index 00000000..239db1b2
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ne.png differ
diff --git a/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.pa.png b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.pa.png
new file mode 100644
index 00000000..b601dd39
Binary files /dev/null and b/translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.pa.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.br.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.br.png
new file mode 100644
index 00000000..0a3971f0
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.br.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.mr.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.mr.png
new file mode 100644
index 00000000..8e34da9d
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.mr.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ne.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ne.png
new file mode 100644
index 00000000..19d7994e
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ne.png differ
diff --git a/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.pa.png b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.pa.png
new file mode 100644
index 00000000..54d2452b
Binary files /dev/null and b/translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.pa.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.br.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.br.png
new file mode 100644
index 00000000..7d3e1eb2
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.br.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.mr.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.mr.png
new file mode 100644
index 00000000..0efbe408
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.mr.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ne.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ne.png
new file mode 100644
index 00000000..6a0f3c36
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ne.png differ
diff --git a/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.pa.png b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.pa.png
new file mode 100644
index 00000000..9f427655
Binary files /dev/null and b/translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.pa.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.br.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.br.png
new file mode 100644
index 00000000..076cc00b
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.br.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.mr.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.mr.png
new file mode 100644
index 00000000..0e66c940
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.mr.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ne.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ne.png
new file mode 100644
index 00000000..16151e36
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ne.png differ
diff --git a/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.pa.png b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.pa.png
new file mode 100644
index 00000000..e3871028
Binary files /dev/null and b/translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.pa.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.br.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.br.png
new file mode 100644
index 00000000..33dcd8dd
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.br.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.mr.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.mr.png
new file mode 100644
index 00000000..dfc6152c
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.mr.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ne.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ne.png
new file mode 100644
index 00000000..69fac062
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ne.png differ
diff --git a/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.pa.png b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.pa.png
new file mode 100644
index 00000000..6d5ccebb
Binary files /dev/null and b/translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.pa.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.br.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.br.png
new file mode 100644
index 00000000..9476cd4c
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.br.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.mr.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.mr.png
new file mode 100644
index 00000000..20d2dc4f
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.mr.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ne.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ne.png
new file mode 100644
index 00000000..d9e9e80f
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ne.png differ
diff --git a/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.pa.png b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.pa.png
new file mode 100644
index 00000000..792ceca4
Binary files /dev/null and b/translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.pa.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.br.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.br.png
new file mode 100644
index 00000000..9a07b5b2
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.br.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.mr.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.mr.png
new file mode 100644
index 00000000..d7288104
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.mr.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ne.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ne.png
new file mode 100644
index 00000000..ae73f9f0
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ne.png differ
diff --git a/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.pa.png b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.pa.png
new file mode 100644
index 00000000..e482a619
Binary files /dev/null and b/translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.pa.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.br.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.br.png
new file mode 100644
index 00000000..20eb6ece
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.br.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.mr.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.mr.png
new file mode 100644
index 00000000..d71b1670
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.mr.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ne.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ne.png
new file mode 100644
index 00000000..08ef49e4
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ne.png differ
diff --git a/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.pa.png b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.pa.png
new file mode 100644
index 00000000..d5b92927
Binary files /dev/null and b/translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.pa.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.br.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.br.png
new file mode 100644
index 00000000..1eed813c
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.br.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.mr.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.mr.png
new file mode 100644
index 00000000..d57e9443
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.mr.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ne.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ne.png
new file mode 100644
index 00000000..16a5aed8
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ne.png differ
diff --git a/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.pa.png b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.pa.png
new file mode 100644
index 00000000..36f16468
Binary files /dev/null and b/translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.pa.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.br.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.br.png
new file mode 100644
index 00000000..afdee9b6
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.br.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.mr.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.mr.png
new file mode 100644
index 00000000..d5b5fea2
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.mr.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ne.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ne.png
new file mode 100644
index 00000000..bd602c9e
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ne.png differ
diff --git a/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.pa.png b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.pa.png
new file mode 100644
index 00000000..3223fd86
Binary files /dev/null and b/translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.pa.png differ
diff --git a/translations/br/1-Introduction/01-defining-data-science/README.md b/translations/br/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..a244f0cc
--- /dev/null
+++ b/translations/br/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,80 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-27T17:16:27+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "br"
+}
+-->
+## Tipos de Dados
+
+Como já mencionamos, os dados estão em toda parte. Só precisamos capturá-los da maneira certa! É útil distinguir entre **dados estruturados** e **não estruturados**. Os primeiros geralmente são representados em uma forma bem organizada, frequentemente como uma tabela ou várias tabelas, enquanto os últimos são apenas uma coleção de arquivos. Às vezes, também podemos falar sobre **dados semiestruturados**, que possuem algum tipo de estrutura que pode variar bastante.
+
+| Estruturados                                                                | Semiestruturados                                                                               | Não estruturados                        |
+| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
+| Lista de pessoas com seus números de telefone                               | Páginas da Wikipedia com links                                                                | Texto da Enciclopédia Britannica        |
+| Temperatura em todos os cômodos de um prédio a cada minuto nos últimos 20 anos | Coleção de artigos científicos em formato JSON com autores, data de publicação e resumo       | Compartilhamento de arquivos com documentos corporativos |
+| Dados de idade e gênero de todas as pessoas entrando no prédio              | Páginas da Internet                                                                            | Vídeo bruto de uma câmera de vigilância |
+
+## Onde obter Dados
+
+Existem muitas fontes possíveis de dados, e seria impossível listar todas elas! No entanto, vamos mencionar alguns dos lugares típicos onde você pode obter dados:
+
+* **Estruturados**
+  - **Internet das Coisas** (IoT), incluindo dados de diferentes sensores, como sensores de temperatura ou pressão, fornece muitos dados úteis. Por exemplo, se um prédio comercial estiver equipado com sensores IoT, podemos controlar automaticamente o aquecimento e a iluminação para minimizar custos.
+  - **Pesquisas** que pedimos aos usuários para preencherem após uma compra ou após visitar um site.
+  - **Análise de comportamento** pode, por exemplo, nos ajudar a entender até que ponto um usuário navega em um site e qual é o motivo típico para sair do site.
+* **Não estruturados**
+  - **Textos** podem ser uma rica fonte de insights, como uma pontuação geral de **sentimento**, ou extração de palavras-chave e significado semântico.
+  - **Imagens** ou **Vídeos**. Um vídeo de uma câmera de vigilância pode ser usado para estimar o tráfego na estrada e informar as pessoas sobre possíveis congestionamentos.
+  - **Logs** de servidores web podem ser usados para entender quais páginas do nosso site são mais visitadas e por quanto tempo.
+* **Semiestruturados**
+  - **Grafos de Redes Sociais** podem ser ótimas fontes de dados sobre personalidades de usuários e eficácia potencial na disseminação de informações.
+  - Quando temos um monte de fotografias de uma festa, podemos tentar extrair dados de **Dinâmica de Grupo** construindo um grafo de pessoas tirando fotos umas com as outras.
+
+Ao conhecer diferentes fontes possíveis de dados, você pode tentar pensar em diferentes cenários onde técnicas de ciência de dados podem ser aplicadas para entender melhor a situação e melhorar os processos de negócios.
+
+## O que você pode fazer com Dados
+
+Na Ciência de Dados, focamos nas seguintes etapas da jornada dos dados:
+
+Claro, dependendo dos dados reais, algumas etapas podem estar ausentes (por exemplo, quando já temos os dados no banco de dados ou quando não precisamos de treinamento de modelo), ou algumas etapas podem ser repetidas várias vezes (como o processamento de dados).
+
+## Digitalização e Transformação Digital
+
+Na última década, muitas empresas começaram a entender a importância dos dados na tomada de decisões de negócios. Para aplicar os princípios da ciência de dados na gestão de um negócio, primeiro é necessário coletar alguns dados, ou seja, traduzir os processos de negócios para uma forma digital. Isso é conhecido como **digitalização**. Aplicar técnicas de ciência de dados a esses dados para orientar decisões pode levar a aumentos significativos na produtividade (ou até mesmo a uma mudança de direção nos negócios), chamado de **transformação digital**.
+
+Vamos considerar um exemplo. Suponha que temos um curso de ciência de dados (como este) que oferecemos online para estudantes, e queremos usar ciência de dados para melhorá-lo. Como podemos fazer isso?
+
+Podemos começar perguntando "O que pode ser digitalizado?" A maneira mais simples seria medir o tempo que cada aluno leva para completar cada módulo e medir o conhecimento adquirido dando um teste de múltipla escolha ao final de cada módulo. Ao calcular a média do tempo de conclusão entre todos os alunos, podemos descobrir quais módulos causam mais dificuldades e trabalhar para simplificá-los.
+Você pode argumentar que essa abordagem não é ideal, porque os módulos podem ter comprimentos diferentes. Provavelmente seria mais justo dividir o tempo pelo comprimento do módulo (em número de caracteres) e comparar esses valores em vez disso.
+Quando começamos a analisar os resultados de testes de múltipla escolha, podemos tentar determinar quais conceitos os alunos têm dificuldade em entender e usar essas informações para melhorar o conteúdo. Para isso, precisamos projetar os testes de forma que cada pergunta esteja vinculada a um determinado conceito ou bloco de conhecimento.
+
+Se quisermos ir ainda mais longe, podemos traçar o tempo gasto em cada módulo em relação à faixa etária dos alunos. Podemos descobrir que, para algumas faixas etárias, leva um tempo excessivamente longo para concluir o módulo ou que os alunos abandonam antes de terminá-lo. Isso pode nos ajudar a fornecer recomendações de idade para o módulo e minimizar a insatisfação das pessoas devido a expectativas equivocadas.
+
+## 🚀 Desafio
+
+Neste desafio, tentaremos encontrar conceitos relevantes para o campo de Ciência de Dados analisando textos. Vamos pegar um artigo da Wikipedia sobre Ciência de Dados, baixar e processar o texto, e então construir uma nuvem de palavras como esta:
+
+![Nuvem de Palavras para Ciência de Dados](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.br.png)
+
+Visite [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') para ler o código. Você também pode executar o código e ver como ele realiza todas as transformações de dados em tempo real.
+
+> Se você não sabe como executar código em um Jupyter Notebook, confira [este artigo](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## Tarefas
+
+* **Tarefa 1**: Modifique o código acima para descobrir conceitos relacionados aos campos de **Big Data** e **Machine Learning**  
+* **Tarefa 2**: [Pense em Cenários de Ciência de Dados](assignment.md)
+
+## Créditos
+
+Esta lição foi criada com ♥️ por [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/01-defining-data-science/assignment.md b/translations/br/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..a84880a8
--- /dev/null
+++ b/translations/br/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-27T17:17:23+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "br"
+}
+-->
+# Tarefa: Cenários de Ciência de Dados
+
+Nesta primeira tarefa, pedimos que você pense sobre algum processo ou problema da vida real em diferentes domínios de problemas e como você pode melhorá-lo utilizando o processo de Ciência de Dados. Pense no seguinte:
+
+1. Quais dados você pode coletar?
+1. Como você os coletaria?
+1. Como você armazenaria os dados? Qual seria o provável tamanho dos dados?
+1. Quais insights você poderia obter desses dados? Quais decisões poderíamos tomar com base nos dados?
+
+Tente pensar em 3 problemas/processos diferentes e descreva cada um dos pontos acima para cada domínio de problema.
+
+Aqui estão alguns domínios de problemas e questões que podem ajudá-lo a começar a pensar:
+
+1. Como você pode usar dados para melhorar o processo educacional de crianças nas escolas?
+1. Como você pode usar dados para controlar a vacinação durante a pandemia?
+1. Como você pode usar dados para garantir que está sendo produtivo no trabalho?
+
+## Instruções
+
+Preencha a tabela a seguir (substitua os domínios de problemas sugeridos pelos seus próprios, se necessário):
+
+| Domínio do Problema | Problema | Quais dados coletar | Como armazenar os dados | Quais insights/decisões podemos tomar | 
+|----------------------|----------|---------------------|--------------------------|---------------------------------------|
+| Educação            |          |                     |                          |                                       |
+| Vacinação           |          |                     |                          |                                       |
+| Produtividade       |          |                     |                          |                                       |
+
+## Rubrica
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | --- |
+Foi capaz de identificar fontes de dados razoáveis, formas de armazenar os dados e possíveis decisões/insights para todos os domínios de problemas | Alguns aspectos da solução não estão detalhados, o armazenamento de dados não é discutido, pelo menos 2 domínios de problemas são descritos | Apenas partes da solução de dados são descritas, apenas um domínio de problema é considerado.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/br/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..6fde1d37
--- /dev/null
+++ b/translations/br/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-27T17:18:23+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "br"
+}
+-->
+# Tarefa: Cenários de Ciência de Dados
+
+Nesta primeira tarefa, pedimos que você pense em algum processo ou problema da vida real em diferentes domínios de problemas e como você pode melhorá-lo usando o processo de Ciência de Dados. Pense no seguinte:
+
+1. Quais dados você pode coletar?
+1. Como você os coletaria?
+1. Como você armazenaria os dados? Qual seria o tamanho provável dos dados?
+1. Quais insights você poderia obter desses dados? Quais decisões poderíamos tomar com base nos dados?
+
+Tente pensar em 3 problemas/processos diferentes e descreva cada um dos pontos acima para cada domínio de problema.
+
+Aqui estão alguns domínios de problemas e questões que podem ajudá-lo a começar a pensar:
+
+1. Como você pode usar dados para melhorar o processo educacional de crianças nas escolas?
+1. Como você pode usar dados para controlar a vacinação durante a pandemia?
+1. Como você pode usar dados para garantir que está sendo produtivo no trabalho?
+
+## Instruções
+
+Preencha a tabela a seguir (substitua os domínios de problemas sugeridos pelos seus próprios, se necessário):
+
+| Domínio do Problema | Problema | Quais dados coletar | Como armazenar os dados | Quais insights/decisões podemos tomar | 
+|----------------------|----------|---------------------|-------------------------|---------------------------------------|
+| Educação | Na universidade, normalmente temos baixa frequência às aulas, e temos a hipótese de que estudantes que frequentam as aulas, em média, têm melhor desempenho nos exames. Queremos estimular a frequência e testar a hipótese. | Podemos rastrear a frequência por meio de fotos tiradas pela câmera de segurança na sala de aula ou rastreando os endereços bluetooth/wifi dos celulares dos estudantes na sala. Os dados dos exames já estão disponíveis no banco de dados da universidade. | Caso rastreemos imagens da câmera de segurança, precisamos armazenar algumas (5-10) fotografias durante a aula (dados não estruturados) e, em seguida, usar IA para identificar os rostos dos estudantes (converter os dados para formato estruturado). | Podemos calcular a frequência média de cada estudante e verificar se há alguma correlação com as notas dos exames. Falaremos mais sobre correlação na seção de [probabilidade e estatística](../../04-stats-and-probability/README.md). Para estimular a frequência dos estudantes, podemos publicar a classificação semanal de frequência no portal da escola e sortear prêmios entre os que tiverem maior frequência. |
+| Vacinação | | | | |
+| Produtividade | | | | |
+
+> *Fornecemos apenas uma resposta como exemplo, para que você tenha uma ideia do que é esperado nesta tarefa.*
+
+## Rubrica
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | -- |
+Foi capaz de identificar fontes de dados razoáveis, formas de armazenar os dados e possíveis decisões/insights para todos os domínios de problemas | Alguns aspectos da solução não estão detalhados, o armazenamento de dados não é discutido, pelo menos 2 domínios de problemas são descritos | Apenas partes da solução de dados são descritas, apenas um domínio de problema é considerado.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/02-ethics/README.md b/translations/br/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..74d4eb7d
--- /dev/null
+++ b/translations/br/1-Introduction/02-ethics/README.md
@@ -0,0 +1,267 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-27T17:10:40+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "br"
+}
+-->
+# Introdução à Ética de Dados
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| Ética em Ciência de Dados - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+---
+
+Somos todos cidadãos de dados vivendo em um mundo dataficado.
+
+Tendências de mercado indicam que, até 2022, 1 em cada 3 grandes organizações comprará e venderá seus dados por meio de [Mercados e Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) online. Como **Desenvolvedores de Aplicativos**, será mais fácil e barato integrar insights baseados em dados e automação orientada por algoritmos nas experiências diárias dos usuários. Mas, à medida que a IA se torna onipresente, também precisaremos entender os potenciais danos causados pela [armazenização](https://www.youtube.com/watch?v=TQHs8SA1qpk) desses algoritmos em larga escala.
+
+As tendências também indicam que criaremos e consumiremos mais de [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) de dados até 2025. Como **Cientistas de Dados**, isso nos dá níveis sem precedentes de acesso a dados pessoais. Isso significa que podemos construir perfis comportamentais de usuários e influenciar a tomada de decisões de maneiras que criam uma [ilusão de livre arbítrio](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice), enquanto potencialmente direcionamos os usuários para resultados que preferimos. Isso também levanta questões mais amplas sobre privacidade de dados e proteção dos usuários.
+
+A ética de dados agora é um _guarda-corpo necessário_ para a ciência e engenharia de dados, ajudando-nos a minimizar danos potenciais e consequências não intencionais de nossas ações orientadas por dados. O [Ciclo de Hype da Gartner para IA](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) identifica tendências relevantes em ética digital, IA responsável e governança de IA como principais impulsionadores de megatendências maiores em torno da _democratização_ e _industrialização_ da IA.
+
+![Ciclo de Hype da Gartner para IA - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+Nesta lição, exploraremos a fascinante área da ética de dados - desde conceitos e desafios fundamentais até estudos de caso e conceitos aplicados de IA, como governança - que ajudam a estabelecer uma cultura ética em equipes e organizações que trabalham com dados e IA.
+
+## [Questionário pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## Definições Básicas
+
+Vamos começar entendendo a terminologia básica.
+
+A palavra "ética" vem da [palavra grega "ethikos"](https://en.wikipedia.org/wiki/Ethics) (e sua raiz "ethos"), que significa _caráter ou natureza moral_.
+
+**Ética** trata dos valores compartilhados e princípios morais que governam nosso comportamento na sociedade. A ética não se baseia em leis, mas em normas amplamente aceitas do que é "certo versus errado". No entanto, considerações éticas podem influenciar iniciativas de governança corporativa e regulamentações governamentais que criam mais incentivos para conformidade.
+
+**Ética de Dados** é um [novo ramo da ética](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) que "estuda e avalia problemas morais relacionados a _dados, algoritmos e práticas correspondentes_". Aqui, **"dados"** foca em ações relacionadas à geração, registro, curadoria, processamento, disseminação, compartilhamento e uso; **"algoritmos"** foca em IA, agentes, aprendizado de máquina e robôs; e **"práticas"** foca em tópicos como inovação responsável, programação, hacking e códigos de ética.
+
+**Ética Aplicada** é a [aplicação prática de considerações morais](https://en.wikipedia.org/wiki/Applied_ethics). É o processo de investigar ativamente questões éticas no contexto de _ações, produtos e processos do mundo real_ e tomar medidas corretivas para garantir que permaneçam alinhados com nossos valores éticos definidos.
+
+**Cultura Ética** trata de [_operacionalizar_ a ética aplicada](https://hbr.org/2019/05/how-to-design-an-ethical-organization) para garantir que nossos princípios e práticas éticos sejam adotados de maneira consistente e escalável em toda a organização. Culturas éticas bem-sucedidas definem princípios éticos em toda a organização, fornecem incentivos significativos para conformidade e reforçam normas éticas, incentivando e amplificando comportamentos desejados em todos os níveis da organização.
+
+## Conceitos de Ética
+
+Nesta seção, discutiremos conceitos como **valores compartilhados** (princípios) e **desafios éticos** (problemas) para ética de dados - e exploraremos **estudos de caso** que ajudam a entender esses conceitos em contextos do mundo real.
+
+### 1. Princípios Éticos
+
+Toda estratégia de ética de dados começa definindo _princípios éticos_ - os "valores compartilhados" que descrevem comportamentos aceitáveis e orientam ações em conformidade em nossos projetos de dados e IA. Você pode defini-los em nível individual ou de equipe. No entanto, a maioria das grandes organizações os delineia em uma declaração de missão ou estrutura de _IA ética_ definida em níveis corporativos e aplicada consistentemente em todas as equipes.
+
+**Exemplo:** A declaração de missão de [IA Responsável](https://www.microsoft.com/en-us/ai/responsible-ai) da Microsoft diz: _"Estamos comprometidos com o avanço da IA orientada por princípios éticos que colocam as pessoas em primeiro lugar"_ - identificando 6 princípios éticos na estrutura abaixo:
+
+![IA Responsável na Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+Vamos explorar brevemente esses princípios. _Transparência_ e _responsabilidade_ são valores fundamentais sobre os quais outros princípios são construídos - então vamos começar por eles:
+
+* [**Responsabilidade**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) torna os profissionais _responsáveis_ por suas operações de dados e IA e pela conformidade com esses princípios éticos.
+* [**Transparência**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) garante que as ações de dados e IA sejam _compreensíveis_ (interpretáveis) para os usuários, explicando o quê e o porquê por trás das decisões.
+* [**Justiça**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - foca em garantir que a IA trate _todas as pessoas_ de forma justa, abordando quaisquer preconceitos sociotécnicos sistêmicos ou implícitos em dados e sistemas.
+* [**Confiabilidade e Segurança**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - garante que a IA se comporte _consistentemente_ com os valores definidos, minimizando danos potenciais ou consequências não intencionais.
+* [**Privacidade e Segurança**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - trata de entender a linhagem dos dados e fornecer _privacidade de dados e proteções relacionadas_ aos usuários.
+* [**Inclusividade**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - trata de projetar soluções de IA com intenção, adaptando-as para atender a uma _ampla gama de necessidades e capacidades humanas_.
+
+> 🚨 Pense em qual poderia ser sua declaração de missão de ética de dados. Explore estruturas de IA ética de outras organizações - aqui estão exemplos da [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles) e [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Quais valores compartilhados eles têm em comum? Como esses princípios se relacionam com o produto de IA ou setor em que operam?
+
+### 2. Desafios Éticos
+
+Depois de definir os princípios éticos, o próximo passo é avaliar nossas ações de dados e IA para ver se elas estão alinhadas com esses valores compartilhados. Pense em suas ações em duas categorias: _coleta de dados_ e _design de algoritmos_.
+
+Na coleta de dados, as ações provavelmente envolverão **dados pessoais** ou informações pessoalmente identificáveis (PII) de indivíduos identificáveis. Isso inclui [diversos itens de dados não pessoais](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) que, _coletivamente_, identificam um indivíduo. Os desafios éticos podem estar relacionados à _privacidade de dados_, _propriedade de dados_ e tópicos relacionados, como _consentimento informado_ e _direitos de propriedade intelectual_ dos usuários.
+
+No design de algoritmos, as ações envolverão a coleta e curadoria de **conjuntos de dados**, e o uso deles para treinar e implantar **modelos de dados** que preveem resultados ou automatizam decisões em contextos do mundo real. Os desafios éticos podem surgir de _viés nos conjuntos de dados_, problemas de _qualidade dos dados_, _injustiças_ e _distorções_ nos algoritmos - incluindo algumas questões que são sistêmicas por natureza.
+
+Em ambos os casos, os desafios éticos destacam áreas onde nossas ações podem entrar em conflito com nossos valores compartilhados. Para detectar, mitigar, minimizar ou eliminar essas preocupações, precisamos fazer perguntas morais de "sim/não" relacionadas às nossas ações e, em seguida, tomar medidas corretivas conforme necessário. Vamos dar uma olhada em alguns desafios éticos e nas questões morais que eles levantam:
+
+#### 2.1 Propriedade de Dados
+
+A coleta de dados muitas vezes envolve dados pessoais que podem identificar os sujeitos dos dados. [Propriedade de dados](https://permission.io/blog/data-ownership) trata do _controle_ e dos [_direitos dos usuários_](https://permission.io/blog/data-ownership) relacionados à criação, processamento e disseminação de dados.
+
+As questões morais que precisamos fazer são:
+ * Quem é o proprietário dos dados? (usuário ou organização)
+ * Quais direitos os sujeitos dos dados possuem? (ex: acesso, exclusão, portabilidade)
+ * Quais direitos as organizações possuem? (ex: retificar avaliações maliciosas de usuários)
+
+#### 2.2 Consentimento Informado
+
+[Consentimento informado](https://legaldictionary.net/informed-consent/) define o ato de os usuários concordarem com uma ação (como coleta de dados) com um _entendimento completo_ dos fatos relevantes, incluindo o propósito, os riscos potenciais e as alternativas.
+
+Questões a explorar aqui são:
+ * O usuário (sujeito dos dados) deu permissão para a captura e uso dos dados?
+ * O usuário entendeu o propósito para o qual os dados foram capturados?
+ * O usuário compreendeu os riscos potenciais de sua participação?
+
+#### 2.3 Propriedade Intelectual
+
+[Propriedade intelectual](https://en.wikipedia.org/wiki/Intellectual_property) refere-se a criações intangíveis resultantes da iniciativa humana, que podem _ter valor econômico_ para indivíduos ou empresas.
+
+Questões a explorar aqui são:
+ * Os dados coletados têm valor econômico para um usuário ou empresa?
+ * O **usuário** possui propriedade intelectual aqui?
+ * A **organização** possui propriedade intelectual aqui?
+ * Se esses direitos existem, como estamos protegendo-os?
+
+#### 2.4 Privacidade de Dados
+
+[Privacidade de dados](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ou privacidade da informação refere-se à preservação da privacidade do usuário e à proteção da identidade do usuário em relação a informações pessoalmente identificáveis.
+
+Questões a explorar aqui são:
+ * Os dados (pessoais) dos usuários estão protegidos contra invasões e vazamentos?
+ * Os dados dos usuários estão acessíveis apenas a usuários e contextos autorizados?
+ * O anonimato dos usuários é preservado quando os dados são compartilhados ou disseminados?
+ * Um usuário pode ser desidentificado de conjuntos de dados anonimizados?
+
+#### 2.5 Direito ao Esquecimento
+
+O [Direito ao Esquecimento](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ou [Direito à Exclusão](https://www.gdpreu.org/right-to-be-forgotten/) fornece proteção adicional de dados pessoais aos usuários. Especificamente, dá aos usuários o direito de solicitar a exclusão ou remoção de dados pessoais de buscas na Internet e outros locais, _sob circunstâncias específicas_ - permitindo-lhes um novo começo online sem que ações passadas sejam usadas contra eles.
+
+Questões a explorar aqui são:
+ * O sistema permite que os sujeitos dos dados solicitem a exclusão?
+ * A retirada do consentimento do usuário deve acionar a exclusão automática?
+ * Os dados foram coletados sem consentimento ou por meios ilegais?
+ * Estamos em conformidade com as regulamentações governamentais para privacidade de dados?
+
+#### 2.6 Viés nos Conjuntos de Dados
+
+Viés nos conjuntos de dados ou [Viés de Coleta](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) trata da seleção de um subconjunto _não representativo_ de dados para o desenvolvimento de algoritmos, criando potencial injustiça nos resultados para grupos diversos. Tipos de viés incluem viés de seleção ou amostragem, viés de voluntariado e viés de instrumento.
+
+Questões a explorar aqui são:
+ * Recrutamos um conjunto representativo de sujeitos dos dados?
+ * Testamos nosso conjunto de dados coletado ou curado para diversos vieses?
+ * Podemos mitigar ou remover quaisquer vieses descobertos?
+
+#### 2.7 Qualidade dos Dados
+
+[Qualidade dos Dados](https://lakefs.io/data-quality-testing/) analisa a validade do conjunto de dados curado usado para desenvolver nossos algoritmos, verificando se os recursos e registros atendem aos requisitos para o nível de precisão e consistência necessários para nosso propósito de IA.
+
+Questões a explorar aqui são:
+ * Capturamos _recursos_ válidos para nosso caso de uso?
+ * Os dados foram capturados _consistentemente_ em diversas fontes de dados?
+ * O conjunto de dados está _completo_ para condições ou cenários diversos?
+ * As informações capturadas refletem a realidade com _precisão_?
+
+#### 2.8 Justiça nos Algoritmos
+[Verificação de Justiça Algorítmica](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) analisa se o design do algoritmo discrimina sistematicamente subgrupos específicos de sujeitos de dados, levando a [danos potenciais](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) na _alocação_ (onde recursos são negados ou retidos desse grupo) e na _qualidade do serviço_ (onde a IA não é tão precisa para alguns subgrupos quanto é para outros).
+
+Perguntas para explorar aqui são:
+ * Avaliamos a precisão do modelo para diversos subgrupos e condições?
+ * Examinamos o sistema para identificar possíveis danos (ex.: estereotipagem)?
+ * Podemos revisar os dados ou re-treinar os modelos para mitigar os danos identificados?
+
+Explore recursos como [checklists de Justiça em IA](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) para aprender mais.
+
+#### 2.9 Representação Errada
+
+[Representação Errada de Dados](https://www.sciencedirect.com/topics/computer-science/misrepresentation) trata de questionar se estamos comunicando insights de dados relatados de forma honesta, mas de maneira enganosa, para sustentar uma narrativa desejada.
+
+Perguntas para explorar aqui são:
+ * Estamos reportando dados incompletos ou imprecisos?
+ * Estamos visualizando dados de forma que induza conclusões enganosas?
+ * Estamos usando técnicas estatísticas seletivas para manipular resultados?
+ * Existem explicações alternativas que possam oferecer uma conclusão diferente?
+
+#### 2.10 Livre Escolha
+A [Ilusão de Livre Escolha](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ocorre quando "arquiteturas de escolha" do sistema utilizam algoritmos de tomada de decisão para influenciar pessoas a tomarem um resultado preferido, enquanto aparentam dar opções e controle. Esses [padrões obscuros](https://www.darkpatterns.org/) podem causar danos sociais e econômicos aos usuários. Como as decisões dos usuários impactam perfis de comportamento, essas ações podem potencialmente impulsionar escolhas futuras que amplificam ou estendem o impacto desses danos.
+
+Perguntas para explorar aqui são:
+ * O usuário compreendeu as implicações de fazer essa escolha?
+ * O usuário estava ciente das (alternativas) opções e dos prós e contras de cada uma?
+ * O usuário pode reverter uma escolha automatizada ou influenciada posteriormente?
+
+### 3. Estudos de Caso
+
+Para colocar esses desafios éticos em contextos do mundo real, é útil observar estudos de caso que destacam os danos e consequências potenciais para indivíduos e a sociedade, quando essas violações éticas são ignoradas.
+
+Aqui estão alguns exemplos:
+
+| Desafio Ético | Estudo de Caso  | 
+|--- |--- |
+| **Consentimento Informado** | 1972 - [Estudo de Sífilis de Tuskegee](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Homens afro-americanos que participaram do estudo foram prometidos cuidados médicos gratuitos, _mas foram enganados_ por pesquisadores que não informaram os sujeitos sobre seu diagnóstico ou sobre a disponibilidade de tratamento. Muitos morreram e parceiros ou filhos foram afetados; o estudo durou 40 anos. | 
+| **Privacidade de Dados** |  2007 - O [prêmio de dados da Netflix](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) forneceu aos pesquisadores _10 milhões de classificações de filmes anonimizadas de 50 mil clientes_ para ajudar a melhorar algoritmos de recomendação. No entanto, os pesquisadores conseguiram correlacionar dados anonimizados com dados pessoalmente identificáveis em _conjuntos de dados externos_ (ex.: comentários no IMDb), efetivamente "desanonimizando" alguns assinantes da Netflix.|
+| **Viés na Coleta**  | 2013 - A cidade de Boston [desenvolveu o Street Bump](https://www.boston.gov/transportation/street-bump), um aplicativo que permitia aos cidadãos reportar buracos, fornecendo à cidade melhores dados sobre as vias para encontrar e corrigir problemas. No entanto, [pessoas de grupos de baixa renda tinham menos acesso a carros e telefones](https://hbr.org/2013/04/the-hidden-biases-in-big-data), tornando seus problemas nas vias invisíveis no aplicativo. Os desenvolvedores trabalharam com acadêmicos para abordar questões de _acesso equitativo e divisões digitais_ para garantir justiça. |
+| **Justiça Algorítmica**  | 2018 - O MIT [Estudo Gender Shades](http://gendershades.org/overview.html) avaliou a precisão de produtos de IA para classificação de gênero, expondo lacunas na precisão para mulheres e pessoas de cor. Um [Apple Card de 2019](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) parecia oferecer menos crédito para mulheres do que para homens. Ambos ilustraram problemas de viés algorítmico levando a danos socioeconômicos.|
+| **Representação Errada de Dados** | 2020 - O [Departamento de Saúde Pública da Geórgia divulgou gráficos de COVID-19](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) que pareciam enganar os cidadãos sobre tendências de casos confirmados com ordenação não cronológica no eixo x. Isso ilustra representação errada por meio de truques de visualização. |
+| **Ilusão de Livre Escolha** | 2020 - O aplicativo de aprendizado [ABCmouse pagou US$ 10 milhões para resolver uma reclamação da FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) onde pais foram presos em assinaturas que não podiam cancelar. Isso ilustra padrões obscuros em arquiteturas de escolha, onde os usuários foram influenciados a tomar decisões potencialmente prejudiciais. |
+| **Privacidade de Dados e Direitos dos Usuários** | 2021 - O [Vazamento de Dados do Facebook](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) expôs dados de 530 milhões de usuários, resultando em um acordo de US$ 5 bilhões com a FTC. No entanto, a empresa se recusou a notificar os usuários sobre o vazamento, violando os direitos dos usuários em relação à transparência e acesso aos dados. |
+
+Quer explorar mais estudos de caso? Confira esses recursos:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - dilemas éticos em diversas indústrias. 
+* [Curso de Ética em Ciência de Dados](https://www.coursera.org/learn/data-science-ethics#syllabus) - estudos de caso marcantes explorados.
+* [Onde as coisas deram errado](https://deon.drivendata.org/examples/) - checklist de Deon com exemplos.
+
+> 🚨 Pense nos estudos de caso que você viu - você já experimentou ou foi afetado por um desafio ético semelhante em sua vida? Consegue pensar em pelo menos um outro estudo de caso que ilustre um dos desafios éticos discutidos nesta seção?
+
+## Ética Aplicada
+
+Falamos sobre conceitos éticos, desafios e estudos de caso em contextos do mundo real. Mas como começar a _aplicar_ princípios e práticas éticas em nossos projetos? E como _operacionalizar_ essas práticas para uma melhor governança? Vamos explorar algumas soluções do mundo real:
+
+### 1. Códigos Profissionais
+
+Códigos Profissionais oferecem uma opção para organizações "incentivarem" membros a apoiar seus princípios éticos e declaração de missão. Códigos são _diretrizes morais_ para o comportamento profissional, ajudando funcionários ou membros a tomarem decisões que estejam alinhadas com os princípios da organização. Eles são tão eficazes quanto a adesão voluntária dos membros; no entanto, muitas organizações oferecem recompensas e penalidades adicionais para motivar a conformidade.
+
+Exemplos incluem:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Código de Ética
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Código de Conduta (criado em 2013)
+ * [ACM Código de Ética e Conduta Profissional](https://www.acm.org/code-of-ethics) (desde 1993)
+
+> 🚨 Você pertence a uma organização profissional de engenharia ou ciência de dados? Explore o site deles para ver se definem um código de ética profissional. O que isso diz sobre seus princípios éticos? Como estão "incentivando" os membros a seguir o código?
+
+### 2. Checklists de Ética
+
+Enquanto os códigos profissionais definem o _comportamento ético_ exigido dos profissionais, eles [têm limitações conhecidas](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) na aplicação, particularmente em projetos de grande escala. Em vez disso, muitos especialistas em ciência de dados [defendem checklists](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), que podem **conectar princípios a práticas** de maneira mais determinística e acionável.
+
+Checklists convertem perguntas em tarefas de "sim/não" que podem ser operacionalizadas, permitindo que sejam rastreadas como parte dos fluxos de trabalho padrão de lançamento de produtos.
+
+Exemplos incluem:
+ * [Deon](https://deon.drivendata.org/) - um checklist de ética em dados de uso geral criado a partir de [recomendações da indústria](https://deon.drivendata.org/#checklist-citations) com uma ferramenta de linha de comando para fácil integração.
+ * [Checklist de Auditoria de Privacidade](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - fornece orientações gerais para práticas de manuseio de informações sob perspectivas legais e sociais.
+ * [Checklist de Justiça em IA](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - criado por profissionais de IA para apoiar a adoção e integração de verificações de justiça nos ciclos de desenvolvimento de IA.
+ * [22 perguntas para ética em dados e IA](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - estrutura mais aberta, projetada para exploração inicial de questões éticas em design, implementação e contextos organizacionais.
+
+### 3. Regulamentações Éticas
+
+Ética trata de definir valores compartilhados e fazer a coisa certa _voluntariamente_. **Conformidade** trata de _seguir a lei_ onde e quando definida. **Governança** abrange amplamente todas as formas pelas quais as organizações operam para aplicar princípios éticos e cumprir leis estabelecidas.
+
+Hoje, a governança assume duas formas dentro das organizações. Primeiro, trata-se de definir princípios de **IA ética** e estabelecer práticas para operacionalizar a adoção em todos os projetos relacionados à IA na organização. Segundo, trata-se de cumprir todas as regulamentações de **proteção de dados** exigidas pelo governo nas regiões em que opera.
+
+Exemplos de regulamentações de proteção e privacidade de dados:
+
+ * `1974`, [Lei de Privacidade dos EUA](https://www.justice.gov/opcl/privacy-act-1974) - regula a coleta, uso e divulgação de informações pessoais pelo _governo federal_.
+ * `1996`, [Lei de Portabilidade e Responsabilidade de Seguro de Saúde dos EUA (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - protege dados pessoais de saúde.
+ * `1998`, [Lei de Proteção à Privacidade Online das Crianças dos EUA (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - protege a privacidade de dados de crianças menores de 13 anos.
+ * `2018`, [Regulamento Geral de Proteção de Dados (GDPR)](https://gdpr-info.eu/) - fornece direitos aos usuários, proteção de dados e privacidade.
+ * `2018`, [Lei de Privacidade do Consumidor da Califórnia (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - dá aos consumidores mais _direitos_ sobre seus dados pessoais.
+ * `2021`, [Lei de Proteção de Informações Pessoais da China](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - recentemente aprovada, criando uma das regulamentações de privacidade de dados online mais fortes do mundo.
+
+> 🚨 A União Europeia definiu o GDPR (Regulamento Geral de Proteção de Dados), que continua sendo uma das regulamentações de privacidade de dados mais influentes hoje. Você sabia que ele também define [8 direitos dos usuários](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) para proteger a privacidade digital e os dados pessoais dos cidadãos? Aprenda quais são esses direitos e por que eles são importantes.
+
+### 4. Cultura Ética
+
+Note que ainda existe uma lacuna intangível entre _conformidade_ (fazer o suficiente para atender "à letra da lei") e abordar [questões sistêmicas](https://www.coursera.org/learn/data-science-ethics/home/week/4) (como ossificação, assimetria de informações e injustiça distributiva) que podem acelerar a armação da IA.
+
+O último requer [abordagens colaborativas para definir culturas éticas](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) que construam conexões emocionais e valores compartilhados consistentes _entre organizações_ na indústria. Isso exige mais [culturas éticas formalizadas de dados](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) nas organizações - permitindo que _qualquer pessoa_ [puxe o cordão Andon](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (para levantar preocupações éticas cedo no processo) e tornando _avaliações éticas_ (ex.: na contratação) um critério central na formação de equipes em projetos de IA.
+
+---
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## Revisão e Autoestudo 
+
+Cursos e livros ajudam a entender os conceitos e desafios éticos fundamentais, enquanto estudos de caso e ferramentas ajudam com práticas éticas aplicadas em contextos do mundo real. Aqui estão alguns recursos para começar:
+
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - lição sobre Justiça, da Microsoft.
+* [Princípios de IA Responsável](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - trilha de aprendizado gratuita da Microsoft Learn.  
+* [Ética e Ciência de Dados](https://resources.oreilly.com/examples/0636920203964) - EBook da O'Reilly (M. Loukides, H. Mason et. al)  
+* [Ética na Ciência de Dados](https://www.coursera.org/learn/data-science-ethics#syllabus) - curso online da Universidade de Michigan.  
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - estudos de caso da Universidade do Texas.  
+
+# Tarefa  
+
+[Escreva um Estudo de Caso sobre Ética em Dados](assignment.md)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/02-ethics/assignment.md b/translations/br/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..7558a761
--- /dev/null
+++ b/translations/br/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-27T17:12:58+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "br"
+}
+-->
+## Escreva um Estudo de Caso sobre Ética em Dados
+
+## Instruções
+
+Você aprendeu sobre vários [Desafios de Ética em Dados](README.md#2-ethics-challenges) e viu alguns exemplos de [Estudos de Caso](README.md#3-case-studies) que refletem desafios de ética em dados em contextos do mundo real.
+
+Nesta tarefa, você escreverá seu próprio estudo de caso refletindo um desafio de ética em dados baseado em sua própria experiência ou em um contexto relevante do mundo real com o qual você esteja familiarizado. Basta seguir estas etapas:
+
+1. `Escolha um Desafio de Ética em Dados`. Consulte [os exemplos da lição](README.md#2-ethics-challenges) ou explore exemplos online como [a Checklist Deon](https://deon.drivendata.org/examples/) para se inspirar.
+
+2. `Descreva um Exemplo do Mundo Real`. Pense em uma situação que você ouviu falar (notícias, estudo de pesquisa, etc.) ou vivenciou (comunidade local), onde esse desafio específico ocorreu. Reflita sobre as questões éticas relacionadas ao desafio e discuta os potenciais danos ou consequências não intencionais que surgem devido a esse problema. Pontos extras: pense em soluções ou processos potenciais que possam ser aplicados aqui para ajudar a eliminar ou mitigar o impacto adverso desse desafio.
+
+3. `Forneça uma Lista de Recursos Relacionados`. Compartilhe um ou mais recursos (links para um artigo, uma postagem pessoal em blog ou imagem, artigo de pesquisa online, etc.) para comprovar que isso foi uma ocorrência do mundo real. Pontos extras: compartilhe recursos que também mostrem os potenciais danos e consequências do incidente ou destaquem passos positivos tomados para evitar sua recorrência.
+
+
+
+## Rubrica
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | -- |
+Um ou mais desafios de ética em dados são identificados. <br/> <br/> O estudo de caso descreve claramente um incidente do mundo real que reflete esse desafio e destaca as consequências ou danos indesejáveis que ele causou. <br/><br/> Há pelo menos um recurso vinculado para comprovar que isso ocorreu. | Um desafio de ética em dados é identificado. <br/><br/> Pelo menos um dano ou consequência relevante é discutido brevemente. <br/><br/> No entanto, a discussão é limitada ou carece de comprovação de ocorrência no mundo real. | Um desafio de dados é identificado. <br/><br/> No entanto, a descrição ou os recursos não refletem adequadamente o desafio ou não comprovam sua ocorrência no mundo real. |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/03-defining-data/README.md b/translations/br/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..815d6d0d
--- /dev/null
+++ b/translations/br/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-27T17:20:31+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "br"
+}
+-->
+# Definindo Dados
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|Definindo Dados - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Dados são fatos, informações, observações e medições que são usados para fazer descobertas e apoiar decisões informadas. Um ponto de dado é uma unidade única de dados dentro de um conjunto de dados, que é uma coleção de pontos de dados. Conjuntos de dados podem vir em diferentes formatos e estruturas, geralmente baseados em sua origem ou de onde os dados vieram. Por exemplo, os ganhos mensais de uma empresa podem estar em uma planilha, enquanto os dados de frequência cardíaca por hora de um smartwatch podem estar no formato [JSON](https://stackoverflow.com/a/383699). É comum que cientistas de dados trabalhem com diferentes tipos de dados dentro de um conjunto de dados.
+
+Esta lição foca em identificar e classificar dados por suas características e suas fontes.
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## Como os Dados são Descritos
+
+### Dados Brutos
+Dados brutos são dados que vêm de sua fonte em seu estado inicial e não foram analisados ou organizados. Para entender o que está acontecendo com um conjunto de dados, ele precisa ser organizado em um formato que possa ser compreendido por humanos, bem como pela tecnologia que pode ser usada para analisá-lo mais profundamente. A estrutura de um conjunto de dados descreve como ele está organizado e pode ser classificada como estruturada, não estruturada e semiestruturada. Esses tipos de estrutura variam dependendo da fonte, mas geralmente se encaixam nessas três categorias.
+
+### Dados Quantitativos
+Dados quantitativos são observações numéricas dentro de um conjunto de dados e podem ser analisados, medidos e usados matematicamente. Alguns exemplos de dados quantitativos são: a população de um país, a altura de uma pessoa ou os ganhos trimestrais de uma empresa. Com alguma análise adicional, dados quantitativos podem ser usados para descobrir tendências sazonais do Índice de Qualidade do Ar (AQI) ou estimar a probabilidade de tráfego no horário de pico em um dia típico de trabalho.
+
+### Dados Qualitativos
+Dados qualitativos, também conhecidos como dados categóricos, são dados que não podem ser medidos objetivamente como observações de dados quantitativos. Geralmente são formatos variados de dados subjetivos que capturam a qualidade de algo, como um produto ou processo. Às vezes, dados qualitativos são numéricos, mas não seriam usados matematicamente, como números de telefone ou marcas de tempo. Alguns exemplos de dados qualitativos são: comentários em vídeos, a marca e modelo de um carro ou a cor favorita dos seus amigos mais próximos. Dados qualitativos podem ser usados para entender quais produtos os consumidores mais gostam ou identificar palavras-chave populares em currículos de candidatos a emprego.
+
+### Dados Estruturados
+Dados estruturados são organizados em linhas e colunas, onde cada linha terá o mesmo conjunto de colunas. As colunas representam um valor de um tipo específico e serão identificadas com um nome que descreve o que o valor representa, enquanto as linhas contêm os valores reais. As colunas frequentemente têm um conjunto específico de regras ou restrições sobre os valores, para garantir que os valores representem com precisão a coluna. Por exemplo, imagine uma planilha de clientes onde cada linha deve ter um número de telefone e os números de telefone nunca contêm caracteres alfabéticos. Podem haver regras aplicadas na coluna de número de telefone para garantir que ela nunca esteja vazia e contenha apenas números.
+
+Um benefício dos dados estruturados é que eles podem ser organizados de forma que possam ser relacionados a outros dados estruturados. No entanto, como os dados são projetados para serem organizados de uma maneira específica, fazer alterações em sua estrutura geral pode exigir muito esforço. Por exemplo, adicionar uma coluna de e-mail à planilha de clientes que não pode estar vazia significa que você precisará descobrir como adicionar esses valores às linhas existentes de clientes no conjunto de dados.
+
+Exemplos de dados estruturados: planilhas, bancos de dados relacionais, números de telefone, extratos bancários.
+
+### Dados Não Estruturados
+Dados não estruturados geralmente não podem ser categorizados em linhas ou colunas e não contêm um formato ou conjunto de regras a seguir. Como os dados não estruturados têm menos restrições em sua estrutura, é mais fácil adicionar novas informações em comparação a um conjunto de dados estruturado. Se um sensor que captura dados de pressão barométrica a cada 2 minutos recebeu uma atualização que agora permite medir e registrar temperatura, isso não exige alteração nos dados existentes se forem não estruturados. No entanto, isso pode tornar a análise ou investigação desse tipo de dado mais demorada. Por exemplo, um cientista que deseja encontrar a temperatura média do mês anterior nos dados do sensor, mas descobre que o sensor registrou um "e" em alguns de seus dados para indicar que estava quebrado, em vez de um número típico, o que significa que os dados estão incompletos.
+
+Exemplos de dados não estruturados: arquivos de texto, mensagens de texto, arquivos de vídeo.
+
+### Dados Semiestruturados
+Dados semiestruturados têm características que os tornam uma combinação de dados estruturados e não estruturados. Eles geralmente não seguem um formato de linhas e colunas, mas são organizados de uma maneira considerada estruturada e podem seguir um formato fixo ou conjunto de regras. A estrutura varia entre as fontes, como uma hierarquia bem definida ou algo mais flexível que permite fácil integração de novas informações. Metadados são indicadores que ajudam a decidir como os dados são organizados e armazenados e terão vários nomes, dependendo do tipo de dado. Alguns nomes comuns para metadados são tags, elementos, entidades e atributos. Por exemplo, uma mensagem de e-mail típica terá um assunto, corpo e um conjunto de destinatários e pode ser organizada por quem ou quando foi enviada.
+
+Exemplos de dados semiestruturados: HTML, arquivos CSV, JavaScript Object Notation (JSON).
+
+## Fontes de Dados
+
+Uma fonte de dados é o local inicial de onde os dados foram gerados ou onde "vivem" e varia com base em como e quando foram coletados. Dados gerados por seus usuários são conhecidos como dados primários, enquanto dados secundários vêm de uma fonte que coletou dados para uso geral. Por exemplo, um grupo de cientistas coletando observações em uma floresta tropical seria considerado primário, e se decidirem compartilhá-lo com outros cientistas, seria considerado secundário para aqueles que o utilizam.
+
+Bancos de dados são uma fonte comum e dependem de um sistema de gerenciamento de banco de dados para hospedar e manter os dados, onde os usuários utilizam comandos chamados consultas para explorar os dados. Arquivos como fontes de dados podem ser arquivos de áudio, imagem e vídeo, bem como planilhas como Excel. Fontes da internet são um local comum para hospedar dados, onde bancos de dados e arquivos podem ser encontrados. Interfaces de programação de aplicativos, também conhecidas como APIs, permitem que programadores criem maneiras de compartilhar dados com usuários externos pela internet, enquanto o processo de web scraping extrai dados de uma página da web. As [lições em Trabalhando com Dados](../../../../../../../../../2-Working-With-Data) focam em como usar várias fontes de dados.
+
+## Conclusão
+
+Nesta lição, aprendemos:
+
+- O que são dados
+- Como os dados são descritos
+- Como os dados são classificados e categorizados
+- Onde os dados podem ser encontrados
+
+## 🚀 Desafio
+
+O Kaggle é uma excelente fonte de conjuntos de dados abertos. Use a [ferramenta de busca de conjuntos de dados](https://www.kaggle.com/datasets) para encontrar alguns conjuntos de dados interessantes e classifique de 3 a 5 conjuntos de dados com os seguintes critérios:
+
+- Os dados são quantitativos ou qualitativos?
+- Os dados são estruturados, não estruturados ou semiestruturados?
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## Revisão & Autoestudo
+
+- Esta unidade do Microsoft Learn, intitulada [Classifique seus Dados](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), tem uma explicação detalhada sobre dados estruturados, semiestruturados e não estruturados.
+
+## Tarefa
+
+[Classificando Conjuntos de Dados](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/03-defining-data/assignment.md b/translations/br/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..f29f17bf
--- /dev/null
+++ b/translations/br/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-27T17:21:28+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "br"
+}
+-->
+# Classificando Conjuntos de Dados
+
+## Instruções
+
+Siga as instruções desta tarefa para identificar e classificar os dados com um de cada um dos seguintes tipos de dados:
+
+**Tipos de Estrutura**: Estruturado, Semi-Estruturado ou Não Estruturado
+
+**Tipos de Valor**: Qualitativo ou Quantitativo 
+
+**Tipos de Fonte**: Primária ou Secundária
+
+1. Uma empresa foi adquirida e agora possui uma empresa-mãe. Os cientistas de dados receberam uma planilha com números de telefone de clientes da empresa-mãe.
+
+Tipo de Estrutura:
+
+Tipo de Valor:
+
+Tipo de Fonte:
+
+---
+
+2. Um relógio inteligente tem coletado dados de frequência cardíaca de seu usuário, e os dados brutos estão no formato JSON.
+
+Tipo de Estrutura:
+
+Tipo de Valor:
+
+Tipo de Fonte:
+
+---
+
+3. Uma pesquisa de clima organizacional com os funcionários que está armazenada em um arquivo CSV.
+
+Tipo de Estrutura:
+
+Tipo de Valor:
+
+Tipo de Fonte:
+
+---
+
+4. Astrofísicos estão acessando um banco de dados de galáxias que foi coletado por uma sonda espacial. Os dados contêm o número de planetas em cada galáxia.
+
+Tipo de Estrutura:
+
+Tipo de Valor:
+
+Tipo de Fonte:
+
+---
+
+5. Um aplicativo de finanças pessoais usa APIs para se conectar às contas financeiras de um usuário a fim de calcular seu patrimônio líquido. Eles podem ver todas as suas transações em um formato de linhas e colunas que se assemelha a uma planilha.
+
+Tipo de Estrutura:
+
+Tipo de Valor:
+
+Tipo de Fonte:
+
+## Rubrica
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | --- |
+Identifica corretamente todos os tipos de estrutura, valor e fonte | Identifica corretamente 3 tipos de estrutura, valor e fonte | Identifica corretamente 2 ou menos tipos de estrutura, valor e fonte |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/04-stats-and-probability/README.md b/translations/br/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..b313e6fd
--- /dev/null
+++ b/translations/br/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-27T17:27:28+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "br"
+}
+-->
+# Uma Breve Introdução à Estatística e Probabilidade
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| Estatística e Probabilidade - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+A Teoria da Estatística e Probabilidade são duas áreas altamente relacionadas da Matemática que têm grande relevância para a Ciência de Dados. É possível trabalhar com dados sem um conhecimento profundo de matemática, mas ainda assim é melhor conhecer pelo menos alguns conceitos básicos. Aqui apresentaremos uma breve introdução que ajudará você a começar.
+
+[![Vídeo de Introdução](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.br.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## Probabilidade e Variáveis Aleatórias
+
+**Probabilidade** é um número entre 0 e 1 que expressa o quão provável é um **evento**. Ela é definida como o número de resultados positivos (que levam ao evento), dividido pelo número total de resultados, dado que todos os resultados são igualmente prováveis. Por exemplo, ao lançar um dado, a probabilidade de obter um número par é 3/6 = 0.5.
+
+Quando falamos de eventos, usamos **variáveis aleatórias**. Por exemplo, a variável aleatória que representa o número obtido ao lançar um dado assumiria valores de 1 a 6. O conjunto de números de 1 a 6 é chamado de **espaço amostral**. Podemos falar sobre a probabilidade de uma variável aleatória assumir um determinado valor, por exemplo P(X=3)=1/6.
+
+A variável aleatória no exemplo anterior é chamada de **discreta**, porque possui um espaço amostral contável, ou seja, há valores separados que podem ser enumerados. Existem casos em que o espaço amostral é um intervalo de números reais ou o conjunto completo de números reais. Essas variáveis são chamadas de **contínuas**. Um bom exemplo é o horário de chegada de um ônibus.
+
+## Distribuição de Probabilidade
+
+No caso de variáveis aleatórias discretas, é fácil descrever a probabilidade de cada evento por uma função P(X). Para cada valor *s* do espaço amostral *S*, ela fornecerá um número entre 0 e 1, de forma que a soma de todos os valores de P(X=s) para todos os eventos seja 1.
+
+A distribuição discreta mais conhecida é a **distribuição uniforme**, na qual há um espaço amostral de N elementos, com probabilidade igual de 1/N para cada um deles.
+
+É mais difícil descrever a distribuição de probabilidade de uma variável contínua, com valores retirados de algum intervalo [a,b], ou do conjunto completo de números reais ℝ. Considere o caso do horário de chegada de um ônibus. Na verdade, para cada horário exato de chegada *t*, a probabilidade de o ônibus chegar exatamente nesse horário é 0!
+
+> Agora você sabe que eventos com probabilidade 0 acontecem, e com muita frequência! Pelo menos toda vez que o ônibus chega!
+
+Só podemos falar sobre a probabilidade de uma variável cair em um determinado intervalo de valores, por exemplo, P(t<sub>1</sub>≤X<t<sub>2</sub>). Nesse caso, a distribuição de probabilidade é descrita por uma **função densidade de probabilidade** p(x), tal que
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.br.png)
+
+Um análogo contínuo da distribuição uniforme é chamado de **uniforme contínua**, que é definido em um intervalo finito. A probabilidade de o valor X cair em um intervalo de comprimento l é proporcional a l, e aumenta até 1.
+
+Outra distribuição importante é a **distribuição normal**, sobre a qual falaremos mais detalhadamente abaixo.
+
+## Média, Variância e Desvio Padrão
+
+Suponha que extraímos uma sequência de n amostras de uma variável aleatória X: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. Podemos definir o valor **médio** (ou **média aritmética**) da sequência da maneira tradicional como (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n. À medida que aumentamos o tamanho da amostra (ou seja, tomamos o limite com n→∞), obteremos a média (também chamada de **expectativa**) da distribuição. Denotaremos a expectativa por **E**(x).
+
+> Pode-se demonstrar que, para qualquer distribuição discreta com valores {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} e probabilidades correspondentes p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub>, a expectativa seria igual a E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub>.
+
+Para identificar o quão dispersos os valores estão, podemos calcular a variância σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n, onde μ é a média da sequência. O valor σ é chamado de **desvio padrão**, e σ<sup>2</sup> é chamado de **variância**.
+
+## Moda, Mediana e Quartis
+
+Às vezes, a média não representa adequadamente o valor "típico" dos dados. Por exemplo, quando há alguns valores extremos completamente fora do intervalo, eles podem afetar a média. Outra boa indicação é a **mediana**, um valor tal que metade dos pontos de dados são menores que ele, e a outra metade - maiores.
+
+Para nos ajudar a entender a distribuição dos dados, é útil falar sobre **quartis**:
+
+* Primeiro quartil, ou Q1, é um valor tal que 25% dos dados estão abaixo dele
+* Terceiro quartil, ou Q3, é um valor tal que 75% dos dados estão abaixo dele
+
+Graficamente, podemos representar a relação entre mediana e quartis em um diagrama chamado **box plot**:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+Aqui também calculamos o **intervalo interquartil** IQR=Q3-Q1, e os chamados **outliers** - valores que estão fora dos limites [Q1-1.5*IQR,Q3+1.5*IQR].
+
+Para uma distribuição finita que contém um pequeno número de valores possíveis, um bom valor "típico" é aquele que aparece com mais frequência, chamado de **moda**. Ele é frequentemente aplicado a dados categóricos, como cores. Considere uma situação em que temos dois grupos de pessoas - algumas que preferem fortemente vermelho, e outras que preferem azul. Se codificarmos as cores por números, o valor médio para uma cor favorita estaria em algum lugar no espectro laranja-verde, o que não indica a preferência real de nenhum dos grupos. No entanto, a moda seria uma das cores ou ambas, se o número de pessoas votando por elas for igual (nesse caso, chamamos a amostra de **multimodal**).
+
+## Dados do Mundo Real
+
+Quando analisamos dados da vida real, eles frequentemente não são variáveis aleatórias propriamente ditas, no sentido de que não realizamos experimentos com resultados desconhecidos. Por exemplo, considere um time de jogadores de beisebol e seus dados corporais, como altura, peso e idade. Esses números não são exatamente aleatórios, mas ainda podemos aplicar os mesmos conceitos matemáticos. Por exemplo, uma sequência de pesos de pessoas pode ser considerada uma sequência de valores retirados de alguma variável aleatória. Abaixo está a sequência de pesos de jogadores reais de beisebol da [Major League Baseball](http://mlb.mlb.com/index.jsp), retirada deste [conjunto de dados](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (para sua conveniência, apenas os primeiros 20 valores são mostrados):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Nota**: Para ver o exemplo de trabalho com este conjunto de dados, dê uma olhada no [notebook complementar](notebook.ipynb). Há também vários desafios ao longo desta lição, e você pode completá-los adicionando algum código a esse notebook. Se você não tem certeza de como operar com dados, não se preocupe - voltaremos a trabalhar com dados usando Python mais tarde. Se você não sabe como executar código em Jupyter Notebook, confira [este artigo](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+Aqui está o box plot mostrando média, mediana e quartis para nossos dados:
+
+![Box Plot de Peso](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.br.png)
+
+Como nossos dados contêm informações sobre diferentes **funções** de jogadores, também podemos fazer o box plot por função - isso nos permitirá ter uma ideia de como os valores dos parâmetros diferem entre as funções. Desta vez, consideraremos a altura:
+
+![Box plot por função](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.br.png)
+
+Este diagrama sugere que, em média, a altura dos jogadores de primeira base é maior que a altura dos jogadores de segunda base. Mais tarde nesta lição, aprenderemos como podemos testar essa hipótese de forma mais formal e como demonstrar que nossos dados são estatisticamente significativos para mostrar isso.
+
+> Ao trabalhar com dados do mundo real, assumimos que todos os pontos de dados são amostras retiradas de alguma distribuição de probabilidade. Essa suposição nos permite aplicar técnicas de aprendizado de máquina e construir modelos preditivos funcionais.
+
+Para ver qual é a distribuição de nossos dados, podemos plotar um gráfico chamado **histograma**. O eixo X conteria um número de diferentes intervalos de peso (os chamados **bins**), e o eixo vertical mostraria o número de vezes que a amostra da variável aleatória esteve dentro de um determinado intervalo.
+
+![Histograma de dados do mundo real](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.br.png)
+
+A partir deste histograma, você pode ver que todos os valores estão centrados em torno de um certo peso médio, e quanto mais nos afastamos desse peso - menos pesos desse valor são encontrados. Ou seja, é muito improvável que o peso de um jogador de beisebol seja muito diferente do peso médio. A variância dos pesos mostra a extensão em que os pesos provavelmente diferem da média.
+
+> Se pegarmos pesos de outras pessoas, não da liga de beisebol, a distribuição provavelmente será diferente. No entanto, o formato da distribuição será o mesmo, mas a média e a variância mudariam. Assim, se treinarmos nosso modelo com jogadores de beisebol, é provável que ele forneça resultados errados quando aplicado a estudantes de uma universidade, porque a distribuição subjacente é diferente.
+
+## Distribuição Normal
+
+A distribuição de pesos que vimos acima é muito típica, e muitas medições do mundo real seguem o mesmo tipo de distribuição, mas com diferentes médias e variâncias. Essa distribuição é chamada de **distribuição normal**, e ela desempenha um papel muito importante na estatística.
+
+Usar a distribuição normal é uma maneira correta de gerar pesos aleatórios de potenciais jogadores de beisebol. Uma vez que sabemos o peso médio `mean` e o desvio padrão `std`, podemos gerar 1000 amostras de peso da seguinte forma:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+Se plotarmos o histograma das amostras geradas, veremos uma imagem muito semelhante à mostrada acima. E se aumentarmos o número de amostras e o número de bins, podemos gerar uma imagem de uma distribuição normal mais próxima do ideal:
+
+![Distribuição Normal com média=0 e desvio padrão=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.br.png)
+
+*Distribuição Normal com média=0 e desvio padrão=1*
+
+## Intervalos de Confiança
+
+Quando falamos sobre os pesos dos jogadores de beisebol, assumimos que existe uma **variável aleatória W** que corresponde à distribuição de probabilidade ideal dos pesos de todos os jogadores de beisebol (o chamado **população**). Nossa sequência de pesos corresponde a um subconjunto de todos os jogadores de beisebol que chamamos de **amostra**. Uma pergunta interessante é: podemos conhecer os parâmetros da distribuição de W, ou seja, a média e a variância da população?
+
+A resposta mais simples seria calcular a média e a variância de nossa amostra. No entanto, pode acontecer que nossa amostra aleatória não represente com precisão a população completa. Assim, faz sentido falar sobre **intervalo de confiança**.
+> **Intervalo de confiança** é a estimativa da média verdadeira de uma população com base na nossa amostra, que é precisa dentro de uma determinada probabilidade (ou **nível de confiança**).
+Suponha que temos uma amostra X<sub>1</sub>, ..., X<sub>n</sub> da nossa distribuição. Cada vez que extraímos uma amostra da nossa distribuição, acabamos com um valor médio diferente μ. Assim, μ pode ser considerado uma variável aleatória. Um **intervalo de confiança** com confiança p é um par de valores (L<sub>p</sub>,R<sub>p</sub>), tal que **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, ou seja, a probabilidade de o valor médio medido estar dentro do intervalo é igual a p.
+
+Vai além da nossa breve introdução discutir em detalhes como esses intervalos de confiança são calculados. Mais detalhes podem ser encontrados [na Wikipedia](https://en.wikipedia.org/wiki/Confidence_interval). Em resumo, definimos a distribuição da média amostral calculada em relação à média verdadeira da população, que é chamada de **distribuição t de Student**.
+
+> **Fato interessante**: A distribuição t de Student foi nomeada em homenagem ao matemático William Sealy Gosset, que publicou seu artigo sob o pseudônimo "Student". Ele trabalhava na cervejaria Guinness e, segundo uma das versões, seu empregador não queria que o público soubesse que eles estavam usando testes estatísticos para determinar a qualidade das matérias-primas.
+
+Se quisermos estimar a média μ da nossa população com confiança p, precisamos pegar o *(1-p)/2-ésimo percentil* de uma distribuição t de Student A, que pode ser obtido em tabelas ou calculado usando algumas funções integradas de softwares estatísticos (por exemplo, Python, R, etc.). Então, o intervalo para μ seria dado por X±A*D/√n, onde X é a média obtida da amostra e D é o desvio padrão.
+
+> **Nota**: Também omitimos a discussão de um conceito importante de [graus de liberdade](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), que é relevante em relação à distribuição t de Student. Você pode consultar livros mais completos sobre estatística para entender esse conceito mais profundamente.
+
+Um exemplo de cálculo de intervalo de confiança para pesos e alturas é dado nos [notebooks complementares](notebook.ipynb).
+
+| p    | Média do peso |
+|------|---------------|
+| 0.85 | 201.73±0.94   |
+| 0.90 | 201.73±1.08   |
+| 0.95 | 201.73±1.28   |
+
+Observe que quanto maior a probabilidade de confiança, mais amplo é o intervalo de confiança.
+
+## Teste de Hipóteses
+
+No nosso conjunto de dados de jogadores de beisebol, existem diferentes funções de jogadores, que podem ser resumidas abaixo (veja o [notebook complementar](notebook.ipynb) para ver como esta tabela pode ser calculada):
+
+| Função             | Altura     | Peso       | Contagem |
+|--------------------|------------|------------|----------|
+| Catcher           | 72.723684  | 204.328947 | 76       |
+| Designated_Hitter | 74.222222  | 220.888889 | 18       |
+| First_Baseman     | 74.000000  | 213.109091 | 55       |
+| Outfielder        | 73.010309  | 199.113402 | 194      |
+| Relief_Pitcher    | 74.374603  | 203.517460 | 315      |
+| Second_Baseman    | 71.362069  | 184.344828 | 58       |
+| Shortstop         | 71.903846  | 182.923077 | 52       |
+| Starting_Pitcher  | 74.719457  | 205.163636 | 221      |
+| Third_Baseman     | 73.044444  | 200.955556 | 45       |
+
+Podemos notar que a média das alturas dos jogadores de primeira base é maior do que a dos jogadores de segunda base. Assim, podemos ser tentados a concluir que **jogadores de primeira base são mais altos do que jogadores de segunda base**.
+
+> Essa afirmação é chamada de **hipótese**, porque não sabemos se o fato é realmente verdadeiro ou não.
+
+No entanto, nem sempre é óbvio se podemos fazer essa conclusão. Pela discussão acima, sabemos que cada média tem um intervalo de confiança associado e, portanto, essa diferença pode ser apenas um erro estatístico. Precisamos de uma maneira mais formal de testar nossa hipótese.
+
+Vamos calcular os intervalos de confiança separadamente para as alturas dos jogadores de primeira e segunda base:
+
+| Confiança | Primeira Base | Segunda Base |
+|-----------|---------------|--------------|
+| 0.85      | 73.62..74.38  | 71.04..71.69 |
+| 0.90      | 73.56..74.44  | 70.99..71.73 |
+| 0.95      | 73.47..74.53  | 70.92..71.81 |
+
+Podemos ver que, sob nenhuma confiança, os intervalos se sobrepõem. Isso prova nossa hipótese de que jogadores de primeira base são mais altos do que jogadores de segunda base.
+
+Mais formalmente, o problema que estamos resolvendo é verificar se **duas distribuições de probabilidade são iguais**, ou pelo menos têm os mesmos parâmetros. Dependendo da distribuição, precisamos usar diferentes testes para isso. Se sabemos que nossas distribuições são normais, podemos aplicar o **[teste t de Student](https://en.wikipedia.org/wiki/Student%27s_t-test)**.
+
+No teste t de Student, calculamos o chamado **valor t**, que indica a diferença entre as médias, levando em conta a variância. É demonstrado que o valor t segue a **distribuição t de Student**, o que nos permite obter o valor limite para um nível de confiança **p** (isso pode ser calculado ou consultado em tabelas numéricas). Em seguida, comparamos o valor t com esse limite para aprovar ou rejeitar a hipótese.
+
+No Python, podemos usar o pacote **SciPy**, que inclui a função `ttest_ind` (além de muitas outras funções estatísticas úteis!). Ela calcula o valor t para nós e também faz a busca reversa do valor de confiança p, para que possamos apenas olhar para a confiança e tirar a conclusão.
+
+Por exemplo, nossa comparação entre as alturas dos jogadores de primeira e segunda base nos dá os seguintes resultados: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+No nosso caso, o valor p é muito baixo, o que significa que há evidências fortes de que os jogadores de primeira base são mais altos.
+
+Existem também outros tipos de hipóteses que podemos querer testar, por exemplo:
+* Provar que uma amostra segue alguma distribuição. No nosso caso, assumimos que as alturas são distribuídas normalmente, mas isso precisa de verificação estatística formal.
+* Provar que o valor médio de uma amostra corresponde a algum valor pré-definido.
+* Comparar as médias de várias amostras (por exemplo, qual é a diferença nos níveis de felicidade entre diferentes faixas etárias).
+
+## Lei dos Grandes Números e Teorema Central do Limite
+
+Uma das razões pelas quais a distribuição normal é tão importante é o chamado **teorema central do limite**. Suponha que temos uma grande amostra de N valores independentes X<sub>1</sub>, ..., X<sub>N</sub>, amostrados de qualquer distribuição com média μ e variância σ<sup>2</sup>. Então, para N suficientemente grande (em outras palavras, quando N→∞), a média Σ<sub>i</sub>X<sub>i</sub> seria normalmente distribuída, com média μ e variância σ<sup>2</sup>/N.
+
+> Outra maneira de interpretar o teorema central do limite é dizer que, independentemente da distribuição, ao calcular a média de uma soma de valores de variáveis aleatórias, você acaba com uma distribuição normal.
+
+Do teorema central do limite também segue que, quando N→∞, a probabilidade de a média da amostra ser igual a μ torna-se 1. Isso é conhecido como **a lei dos grandes números**.
+
+## Covariância e Correlação
+
+Uma das coisas que a Ciência de Dados faz é encontrar relações entre dados. Dizemos que duas sequências **correlacionam** quando exibem comportamento semelhante ao mesmo tempo, ou seja, elas sobem/descem simultaneamente, ou uma sequência sobe quando outra cai e vice-versa. Em outras palavras, parece haver alguma relação entre duas sequências.
+
+> Correlação não indica necessariamente uma relação causal entre duas sequências; às vezes, ambas as variáveis podem depender de alguma causa externa, ou pode ser puramente por acaso que as duas sequências se correlacionam. No entanto, uma correlação matemática forte é uma boa indicação de que duas variáveis estão de alguma forma conectadas.
+
+Matematicamente, o principal conceito que mostra a relação entre duas variáveis aleatórias é a **covariância**, que é calculada assim: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Calculamos o desvio de ambas as variáveis em relação aos seus valores médios e, em seguida, o produto desses desvios. Se ambas as variáveis se desviam juntas, o produto será sempre um valor positivo, que se somará a uma covariância positiva. Se ambas as variáveis se desviam fora de sincronia (ou seja, uma cai abaixo da média quando outra sobe acima da média), sempre obteremos números negativos, que se somarão a uma covariância negativa. Se os desvios não forem dependentes, eles se somarão a aproximadamente zero.
+
+O valor absoluto da covariância não nos diz muito sobre o quão grande é a correlação, porque depende da magnitude dos valores reais. Para normalizá-lo, podemos dividir a covariância pelo desvio padrão de ambas as variáveis, para obter a **correlação**. A vantagem é que a correlação está sempre no intervalo de [-1,1], onde 1 indica forte correlação positiva entre os valores, -1 - forte correlação negativa, e 0 - nenhuma correlação (variáveis independentes).
+
+**Exemplo**: Podemos calcular a correlação entre pesos e alturas dos jogadores de beisebol do conjunto de dados mencionado acima:
+```python
+print(np.corrcoef(weights,heights))
+```
+Como resultado, obtemos uma **matriz de correlação** como esta:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> A matriz de correlação C pode ser calculada para qualquer número de sequências de entrada S<sub>1</sub>, ..., S<sub>n</sub>. O valor de C<sub>ij</sub> é a correlação entre S<sub>i</sub> e S<sub>j</sub>, e os elementos diagonais são sempre 1 (que também é a autocorrelação de S<sub>i</sub>).
+
+No nosso caso, o valor 0.53 indica que há alguma correlação entre o peso e a altura de uma pessoa. Também podemos fazer o gráfico de dispersão de um valor contra o outro para ver a relação visualmente:
+
+![Relação entre peso e altura](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.br.png)
+
+> Mais exemplos de correlação e covariância podem ser encontrados no [notebook complementar](notebook.ipynb).
+
+## Conclusão
+
+Nesta seção, aprendemos:
+
+* propriedades estatísticas básicas dos dados, como média, variância, moda e quartis
+* diferentes distribuições de variáveis aleatórias, incluindo a distribuição normal
+* como encontrar correlação entre diferentes propriedades
+* como usar o aparato matemático e estatístico para provar algumas hipóteses
+* como calcular intervalos de confiança para variáveis aleatórias com base em amostras de dados
+
+Embora esta lista definitivamente não seja exaustiva dos tópicos que existem dentro de probabilidade e estatística, ela deve ser suficiente para dar um bom início neste curso.
+
+## 🚀 Desafio
+
+Use o código de exemplo no notebook para testar outras hipóteses:
+1. Jogadores de primeira base são mais velhos do que jogadores de segunda base.
+2. Jogadores de primeira base são mais altos do que jogadores de terceira base.
+3. Shortstops são mais altos do que jogadores de segunda base.
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## Revisão e Autoestudo
+
+Probabilidade e estatística é um tópico tão amplo que merece seu próprio curso. Se você estiver interessado em aprofundar na teoria, pode querer continuar lendo alguns dos seguintes livros:
+
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) da Universidade de Nova York tem ótimos apontamentos [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (disponível online).
+1. [Peter e Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[código de exemplo em R](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[código de exemplo em R](https://github.com/PacktPublishing/Statistics-for-Data-Science)].
+
+## Tarefa
+
+[Pequeno Estudo sobre Diabetes](assignment.md)
+
+## Créditos
+
+Esta lição foi criada com ♥️ por [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/04-stats-and-probability/assignment.md b/translations/br/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..1186fc8e
--- /dev/null
+++ b/translations/br/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-27T17:29:21+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "br"
+}
+-->
+# Pequeno Estudo sobre Diabetes
+
+Nesta tarefa, trabalharemos com um pequeno conjunto de dados de pacientes com diabetes retirado de [aqui](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html).
+
+|   | IDADE | SEXO | IMC | PA | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-------|------|-----|----|----|----|----|----|----|----|----|
+| 0 | 59    | 2    | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48    | 1    | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72    | 2    | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## Instruções
+
+* Abra o [notebook da tarefa](assignment.ipynb) em um ambiente de jupyter notebook
+* Complete todas as tarefas listadas no notebook, a saber:
+   * [ ] Calcular os valores médios e a variância de todos os valores
+   * [ ] Plotar boxplots para IMC, PA e Y dependendo do gênero
+   * [ ] Qual é a distribuição das variáveis Idade, Sexo, IMC e Y?
+   * [ ] Testar a correlação entre diferentes variáveis e a progressão da doença (Y)
+   * [ ] Testar a hipótese de que o grau de progressão do diabetes é diferente entre homens e mulheres
+   
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+Todas as tarefas requeridas estão completas, ilustradas graficamente e explicadas | A maioria das tarefas está completa, explicações ou conclusões dos gráficos e/ou valores obtidos estão ausentes | Apenas tarefas básicas como cálculo de média/variância e gráficos básicos estão completas, nenhuma conclusão é feita a partir dos dados
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/1-Introduction/README.md b/translations/br/1-Introduction/README.md
new file mode 100644
index 00000000..c7d4ba5c
--- /dev/null
+++ b/translations/br/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-27T17:02:33+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "br"
+}
+-->
+# Introdução à Ciência de Dados
+
+![dados em ação](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.br.jpg)  
+> Foto por <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> no <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Nestes módulos, você descobrirá como a Ciência de Dados é definida e aprenderá sobre as considerações éticas que devem ser levadas em conta por um cientista de dados. Você também aprenderá como os dados são definidos e terá uma introdução a estatística e probabilidade, os principais domínios acadêmicos da Ciência de Dados.
+
+### Tópicos
+
+1. [Definindo Ciência de Dados](01-defining-data-science/README.md)  
+2. [Ética na Ciência de Dados](02-ethics/README.md)  
+3. [Definindo Dados](03-defining-data/README.md)  
+4. [Introdução à Estatística e Probabilidade](04-stats-and-probability/README.md)  
+
+### Créditos
+
+Esses módulos foram escritos com ❤️ por [Nitya Narasimhan](https://twitter.com/nitya) e [Dmitry Soshnikov](https://twitter.com/shwars).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/05-relational-databases/README.md b/translations/br/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..d398e52a
--- /dev/null
+++ b/translations/br/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-27T16:43:41+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "br"
+}
+-->
+# Trabalhando com Dados: Bancos de Dados Relacionais
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| Trabalhando com Dados: Bancos de Dados Relacionais - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+É bem provável que você já tenha usado uma planilha para armazenar informações. Você tinha um conjunto de linhas e colunas, onde as linhas continham as informações (ou dados) e as colunas descreviam essas informações (às vezes chamadas de metadados). Um banco de dados relacional é construído com base nesse princípio central de colunas e linhas em tabelas, permitindo que você distribua informações por várias tabelas. Isso possibilita trabalhar com dados mais complexos, evitar duplicação e ter flexibilidade na forma como explora os dados. Vamos explorar os conceitos de um banco de dados relacional.
+
+## [Questionário pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## Tudo começa com tabelas
+
+Um banco de dados relacional tem como base as tabelas. Assim como em uma planilha, uma tabela é uma coleção de colunas e linhas. A linha contém os dados ou informações com as quais queremos trabalhar, como o nome de uma cidade ou a quantidade de chuva. As colunas descrevem os dados que armazenam.
+
+Vamos começar nossa exploração criando uma tabela para armazenar informações sobre cidades. Podemos começar com o nome e o país delas. Você poderia armazenar isso em uma tabela como a seguinte:
+
+| Cidade   | País           |
+| -------- | -------------- |
+| Tóquio   | Japão          |
+| Atlanta  | Estados Unidos |
+| Auckland | Nova Zelândia  |
+
+Observe que os nomes das colunas **cidade**, **país** e **população** descrevem os dados armazenados, e cada linha contém informações sobre uma cidade.
+
+## As limitações de uma abordagem com uma única tabela
+
+Provavelmente, a tabela acima parece bastante familiar para você. Vamos começar a adicionar alguns dados adicionais ao nosso banco de dados em crescimento - a precipitação anual (em milímetros). Vamos focar nos anos de 2018, 2019 e 2020. Se fôssemos adicionar isso para Tóquio, poderia ficar algo assim:
+
+| Cidade  | País   | Ano  | Quantidade |
+| ------- | ------ | ---- | ---------- |
+| Tóquio  | Japão  | 2020 | 1690       |
+| Tóquio  | Japão  | 2019 | 1874       |
+| Tóquio  | Japão  | 2018 | 1445       |
+
+O que você percebe sobre nossa tabela? Você pode notar que estamos duplicando o nome e o país da cidade várias vezes. Isso pode ocupar bastante espaço de armazenamento e é amplamente desnecessário ter várias cópias. Afinal, Tóquio tem apenas um nome que nos interessa.
+
+OK, vamos tentar outra abordagem. Vamos adicionar novas colunas para cada ano:
+
+| Cidade   | País           | 2018 | 2019 | 2020 |
+| -------- | -------------- | ---- | ---- | ---- |
+| Tóquio   | Japão          | 1445 | 1874 | 1690 |
+| Atlanta  | Estados Unidos | 1779 | 1111 | 1683 |
+| Auckland | Nova Zelândia  | 1386 | 942  | 1176 |
+
+Embora isso evite a duplicação de linhas, adiciona outros desafios. Precisaríamos modificar a estrutura da tabela toda vez que houvesse um novo ano. Além disso, à medida que nossos dados crescem, ter os anos como colunas tornará mais difícil recuperar e calcular valores.
+
+É por isso que precisamos de múltiplas tabelas e relacionamentos. Dividindo nossos dados, podemos evitar duplicação e ter mais flexibilidade na forma como trabalhamos com eles.
+
+## Os conceitos de relacionamentos
+
+Vamos voltar aos nossos dados e determinar como queremos dividi-los. Sabemos que queremos armazenar o nome e o país das nossas cidades, então isso provavelmente funcionará melhor em uma tabela.
+
+| Cidade   | País           |
+| -------- | -------------- |
+| Tóquio   | Japão          |
+| Atlanta  | Estados Unidos |
+| Auckland | Nova Zelândia  |
+
+Mas antes de criarmos a próxima tabela, precisamos descobrir como referenciar cada cidade. Precisamos de algum tipo de identificador, ID ou (em termos técnicos de banco de dados) uma chave primária. Uma chave primária é um valor usado para identificar uma linha específica em uma tabela. Embora isso possa ser baseado em um valor em si (poderíamos usar o nome da cidade, por exemplo), quase sempre deve ser um número ou outro identificador. Não queremos que o ID mude, pois isso quebraria o relacionamento. Na maioria dos casos, a chave primária ou ID será um número gerado automaticamente.
+
+> ✅ Chave primária é frequentemente abreviada como PK
+
+### cidades
+
+| city_id | Cidade   | País           |
+| ------- | -------- | -------------- |
+| 1       | Tóquio   | Japão          |
+| 2       | Atlanta  | Estados Unidos |
+| 3       | Auckland | Nova Zelândia  |
+
+> ✅ Você notará que usamos os termos "id" e "chave primária" de forma intercambiável durante esta lição. Os conceitos aqui se aplicam a DataFrames, que você explorará mais tarde. DataFrames não usam a terminologia de "chave primária", mas você notará que eles se comportam de maneira muito semelhante.
+
+Com nossa tabela de cidades criada, vamos armazenar os dados de precipitação. Em vez de duplicar as informações completas sobre a cidade, podemos usar o ID. Também devemos garantir que a tabela recém-criada tenha uma coluna *id*, já que todas as tabelas devem ter um ID ou chave primária.
+
+### precipitação
+
+| rainfall_id | city_id | Ano  | Quantidade |
+| ----------- | ------- | ---- | ---------- |
+| 1           | 1       | 2018 | 1445       |
+| 2           | 1       | 2019 | 1874       |
+| 3           | 1       | 2020 | 1690       |
+| 4           | 2       | 2018 | 1779       |
+| 5           | 2       | 2019 | 1111       |
+| 6           | 2       | 2020 | 1683       |
+| 7           | 3       | 2018 | 1386       |
+| 8           | 3       | 2019 | 942        |
+| 9           | 3       | 2020 | 1176       |
+
+Observe a coluna **city_id** dentro da tabela recém-criada **precipitação**. Essa coluna contém valores que referenciam os IDs na tabela **cidades**. Em termos técnicos de dados relacionais, isso é chamado de **chave estrangeira**; é uma chave primária de outra tabela. Você pode pensar nisso como uma referência ou um ponteiro. O **city_id** 1 referencia Tóquio.
+
+> [!NOTE] Chave estrangeira é frequentemente abreviada como FK
+
+## Recuperando os dados
+
+Com nossos dados separados em duas tabelas, você pode estar se perguntando como recuperá-los. Se estivermos usando um banco de dados relacional como MySQL, SQL Server ou Oracle, podemos usar uma linguagem chamada Structured Query Language ou SQL. SQL (às vezes pronunciado como "sequel") é uma linguagem padrão usada para recuperar e modificar dados em um banco de dados relacional.
+
+Para recuperar dados, você usa o comando `SELECT`. Em sua essência, você **seleciona** as colunas que deseja ver **de** (FROM) a tabela onde elas estão contidas. Se você quisesse exibir apenas os nomes das cidades, poderia usar o seguinte:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` é onde você lista as colunas, e `FROM` é onde você lista as tabelas.
+
+> [NOTE] A sintaxe do SQL não diferencia maiúsculas de minúsculas, o que significa que `select` e `SELECT` são a mesma coisa. No entanto, dependendo do tipo de banco de dados que você está usando, as colunas e tabelas podem ser sensíveis a maiúsculas e minúsculas. Como resultado, é uma boa prática sempre tratar tudo em programação como se fosse sensível a maiúsculas e minúsculas. Ao escrever consultas SQL, a convenção comum é colocar as palavras-chave em letras maiúsculas.
+
+A consulta acima exibirá todas as cidades. Vamos imaginar que queremos exibir apenas as cidades da Nova Zelândia. Precisamos de algum tipo de filtro. A palavra-chave SQL para isso é `WHERE`, ou "onde algo é verdadeiro".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## Unindo dados
+
+Até agora, recuperamos dados de uma única tabela. Agora queremos juntar os dados das tabelas **cidades** e **precipitação**. Isso é feito por meio de um *join*. Você efetivamente cria uma ligação entre as duas tabelas e combina os valores de uma coluna de cada tabela.
+
+Em nosso exemplo, combinaremos a coluna **city_id** em **precipitação** com a coluna **city_id** em **cidades**. Isso combinará o valor de precipitação com sua respectiva cidade. O tipo de join que realizaremos é chamado de *inner join*, o que significa que, se alguma linha não corresponder a nada na outra tabela, ela não será exibida. No nosso caso, todas as cidades têm dados de precipitação, então tudo será exibido.
+
+Vamos recuperar os dados de precipitação de 2019 para todas as nossas cidades.
+
+Faremos isso em etapas. O primeiro passo é unir os dados indicando as colunas para a ligação - **city_id**, como destacado anteriormente.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+Destacamos as duas colunas que queremos e o fato de que queremos unir as tabelas pela **city_id**. Agora podemos adicionar a cláusula `WHERE` para filtrar apenas o ano de 2019.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## Resumo
+
+Bancos de dados relacionais são centrados em dividir informações entre várias tabelas, que são então reunidas para exibição e análise. Isso oferece um alto grau de flexibilidade para realizar cálculos e manipular dados. Você viu os conceitos centrais de um banco de dados relacional e como realizar um join entre duas tabelas.
+
+## 🚀 Desafio
+
+Existem inúmeros bancos de dados relacionais disponíveis na internet. Você pode explorar os dados usando as habilidades que aprendeu acima.
+
+## Questionário pós-aula
+
+## [Questionário pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## Revisão e Autoestudo
+
+Há vários recursos disponíveis no [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) para você continuar sua exploração de conceitos de SQL e bancos de dados relacionais.
+
+- [Descrever conceitos de dados relacionais](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Introdução à consulta com Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL é uma versão do SQL)
+- [Conteúdo de SQL no Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## Tarefa
+
+[Título da Tarefa](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/05-relational-databases/assignment.md b/translations/br/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..a86b993c
--- /dev/null
+++ b/translations/br/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-27T16:45:11+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "br"
+}
+-->
+# Exibindo dados de aeroportos
+
+Você recebeu um [banco de dados](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) baseado em [SQLite](https://sqlite.org/index.html) que contém informações sobre aeroportos. O esquema está exibido abaixo. Você usará a [extensão SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) no [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) para exibir informações sobre os aeroportos de diferentes cidades.
+
+## Instruções
+
+Para começar a tarefa, você precisará realizar algumas etapas. Será necessário instalar algumas ferramentas e baixar o banco de dados de exemplo.
+
+### Configure seu sistema
+
+Você pode usar o Visual Studio Code e a extensão SQLite para interagir com o banco de dados.
+
+1. Acesse [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) e siga as instruções para instalar o Visual Studio Code
+1. Instale a [extensão SQLite](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) conforme instruído na página do Marketplace
+
+### Baixe e abra o banco de dados
+
+Em seguida, você fará o download e abrirá o banco de dados.
+
+1. Baixe o [arquivo do banco de dados no GitHub](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) e salve-o em um diretório
+1. Abra o Visual Studio Code
+1. Abra o banco de dados na extensão SQLite selecionando **Ctrl-Shift-P** (ou **Cmd-Shift-P** em um Mac) e digitando `SQLite: Open database`
+1. Selecione **Choose database from file** e abra o arquivo **airports.db** que você baixou anteriormente
+1. Após abrir o banco de dados (você não verá uma atualização na tela), crie uma nova janela de consulta selecionando **Ctrl-Shift-P** (ou **Cmd-Shift-P** em um Mac) e digitando `SQLite: New query`
+
+Depois de aberto, a nova janela de consulta pode ser usada para executar instruções SQL no banco de dados. Você pode usar o comando **Ctrl-Shift-Q** (ou **Cmd-Shift-Q** em um Mac) para executar consultas no banco de dados.
+
+> [!NOTE] Para mais informações sobre a extensão SQLite, você pode consultar a [documentação](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum)
+
+## Esquema do banco de dados
+
+O esquema de um banco de dados é o design e a estrutura de suas tabelas. O banco de dados **airports** possui duas tabelas: `cities`, que contém uma lista de cidades no Reino Unido e na Irlanda, e `airports`, que contém a lista de todos os aeroportos. Como algumas cidades podem ter vários aeroportos, foram criadas duas tabelas para armazenar as informações. Neste exercício, você usará joins para exibir informações de diferentes cidades.
+
+| Cidades          |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Aeroportos                      |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK para id em **Cidades**) |
+
+## Tarefa
+
+Crie consultas para retornar as seguintes informações:
+
+1. todos os nomes de cidades na tabela `Cities`
+1. todas as cidades na Irlanda na tabela `Cities`
+1. todos os nomes de aeroportos com suas respectivas cidades e países
+1. todos os aeroportos em Londres, Reino Unido
+
+## Rubrica
+
+| Exemplary | Adequate | Needs Improvement |
+| --------- | -------- | ----------------- |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/06-non-relational/README.md b/translations/br/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..12e36fe2
--- /dev/null
+++ b/translations/br/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-27T16:59:52+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "br"
+}
+-->
+# Trabalhando com Dados: Dados Não-Relacionais
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|Trabalhando com Dados NoSQL - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+Os dados não estão limitados a bancos de dados relacionais. Esta lição foca em dados não-relacionais e abordará os fundamentos de planilhas e NoSQL.
+
+## Planilhas
+
+Planilhas são uma forma popular de armazenar e explorar dados porque exigem menos trabalho para configurar e começar. Nesta lição, você aprenderá os componentes básicos de uma planilha, bem como fórmulas e funções. Os exemplos serão ilustrados com o Microsoft Excel, mas a maioria das partes e tópicos terá nomes e etapas semelhantes em comparação com outros softwares de planilhas.
+
+![Uma planilha vazia do Microsoft Excel com duas abas](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.br.png)
+
+Uma planilha é um arquivo e estará acessível no sistema de arquivos de um computador, dispositivo ou sistema de arquivos baseado em nuvem. O software em si pode ser baseado em navegador ou um aplicativo que deve ser instalado em um computador ou baixado como um app. No Excel, esses arquivos também são definidos como **workbooks** (pastas de trabalho), e essa terminologia será usada pelo restante desta lição.
+
+Um workbook contém uma ou mais **worksheets** (planilhas), onde cada planilha é identificada por abas. Dentro de uma planilha, há retângulos chamados **células**, que contêm os dados reais. Uma célula é a interseção de uma linha e uma coluna, onde as colunas são identificadas por caracteres alfabéticos e as linhas por números. Algumas planilhas contêm cabeçalhos nas primeiras linhas para descrever os dados em uma célula.
+
+Com esses elementos básicos de um workbook do Excel, usaremos um exemplo dos [Modelos da Microsoft](https://templates.office.com/) focado em um inventário para explorar algumas partes adicionais de uma planilha.
+
+### Gerenciando um Inventário
+
+O arquivo de planilha chamado "InventoryExample" é uma planilha formatada de itens dentro de um inventário que contém três abas, onde as abas são identificadas como "Inventory List", "Inventory Pick List" e "Bin Lookup". A linha 4 da aba Inventory List é o cabeçalho, que descreve o valor de cada célula na coluna do cabeçalho.
+
+![Uma fórmula destacada de um exemplo de lista de inventário no Microsoft Excel](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.br.png)
+
+Existem casos em que uma célula depende dos valores de outras células para gerar seu valor. A planilha Inventory List acompanha o custo de cada item em seu inventário, mas e se precisarmos saber o valor total de tudo no inventário? [**Fórmulas**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) realizam ações nos dados das células e são usadas para calcular o custo do inventário neste exemplo. Esta planilha usou uma fórmula na coluna Inventory Value para calcular o valor de cada item multiplicando a quantidade sob o cabeçalho QTY e seus custos pelas células sob o cabeçalho COST. Ao clicar duas vezes ou destacar uma célula, a fórmula será exibida. Você notará que as fórmulas começam com um sinal de igual, seguido pelo cálculo ou operação.
+
+![Uma função destacada de um exemplo de lista de inventário no Microsoft Excel](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.br.png)
+
+Podemos usar outra fórmula para somar todos os valores de Inventory Value e obter seu valor total. Isso poderia ser calculado somando cada célula para gerar a soma, mas isso pode ser uma tarefa tediosa. O Excel possui [**funções**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), ou fórmulas predefinidas para realizar cálculos nos valores das células. Funções exigem argumentos, que são os valores necessários para realizar esses cálculos. Quando funções exigem mais de um argumento, eles precisam ser listados em uma ordem específica ou a função pode não calcular o valor correto. Este exemplo usa a função SUM e utiliza os valores de Inventory Value como argumento para gerar o total listado na linha 3, coluna B (também referida como B3).
+
+## NoSQL
+
+NoSQL é um termo abrangente para as diferentes formas de armazenar dados não-relacionais e pode ser interpretado como "não-SQL", "não-relacional" ou "não apenas SQL". Esses tipos de sistemas de banco de dados podem ser categorizados em 4 tipos.
+
+![Representação gráfica de um banco de dados chave-valor mostrando 4 chaves numéricas únicas associadas a 4 valores variados](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.br.png)
+> Fonte: [Blog de Michał Białecki](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+Bancos de dados [chave-valor](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) associam chaves únicas, que são identificadores únicos associados a um valor. Esses pares são armazenados usando uma [tabela de hash](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) com uma função de hash apropriada.
+
+![Representação gráfica de um banco de dados gráfico mostrando as relações entre pessoas, seus interesses e locais](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.br.png)
+> Fonte: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+Bancos de dados [gráficos](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) descrevem relações nos dados e são representados como uma coleção de nós e arestas. Um nó representa uma entidade, algo que existe no mundo real, como um estudante ou extrato bancário. Arestas representam a relação entre duas entidades. Cada nó e aresta possuem propriedades que fornecem informações adicionais sobre eles.
+
+![Representação gráfica de um banco de dados colunar mostrando um banco de dados de clientes com duas famílias de colunas chamadas Identidade e Informações de Contato](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.br.png)
+
+Bancos de dados [colunares](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) organizam dados em colunas e linhas, como uma estrutura de dados relacional, mas cada coluna é dividida em grupos chamados famílias de colunas, onde todos os dados sob uma coluna estão relacionados e podem ser recuperados e alterados em uma única unidade.
+
+### Bancos de Dados Documentais com o Azure Cosmos DB
+
+Bancos de dados [documentais](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) baseiam-se no conceito de banco de dados chave-valor e são compostos por uma série de campos e objetos. Esta seção explorará bancos de dados documentais com o emulador do Cosmos DB.
+
+Um banco de dados Cosmos DB se encaixa na definição de "Não Apenas SQL", onde o banco de dados documental do Cosmos DB depende de SQL para consultar os dados. A [lição anterior](../05-relational-databases/README.md) sobre SQL aborda os fundamentos da linguagem, e poderemos aplicar algumas das mesmas consultas a um banco de dados documental aqui. Usaremos o Emulador do Cosmos DB, que nos permite criar e explorar um banco de dados documental localmente em um computador. Leia mais sobre o Emulador [aqui](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+Um documento é uma coleção de campos e valores de objetos, onde os campos descrevem o que o valor do objeto representa. Abaixo está um exemplo de um documento.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+Os campos de interesse neste documento são: `firstname`, `id` e `age`. Os demais campos com sublinhados foram gerados pelo Cosmos DB.
+
+#### Explorando Dados com o Emulador do Cosmos DB
+
+Você pode baixar e instalar o emulador [para Windows aqui](https://aka.ms/cosmosdb-emulator). Consulte esta [documentação](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) para opções sobre como executar o Emulador no macOS e Linux.
+
+O Emulador abre uma janela no navegador, onde a visualização Explorer permite explorar documentos.
+
+![A visualização Explorer do Emulador do Cosmos DB](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.br.png)
+
+Se você estiver acompanhando, clique em "Start with Sample" para gerar um banco de dados de exemplo chamado SampleDB. Ao expandir o SampleDB clicando na seta, você encontrará um contêiner chamado `Persons`. Um contêiner contém uma coleção de itens, que são os documentos dentro do contêiner. Você pode explorar os quatro documentos individuais em `Items`.
+
+![Explorando dados de exemplo no Emulador do Cosmos DB](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.br.png)
+
+#### Consultando Dados Documentais com o Emulador do Cosmos DB
+
+Também podemos consultar os dados de exemplo clicando no botão de nova consulta SQL (segundo botão da esquerda para a direita).
+
+`SELECT * FROM c` retorna todos os documentos no contêiner. Vamos adicionar uma cláusula where e encontrar todos com menos de 40 anos.
+
+`SELECT * FROM c where c.age < 40`
+
+![Executando uma consulta SELECT em dados de exemplo no Emulador do Cosmos DB para encontrar documentos que possuem um campo de idade com valor menor que 40](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.br.png)
+
+A consulta retorna dois documentos, observe que o valor de idade para cada documento é menor que 40.
+
+#### JSON e Documentos
+
+Se você está familiarizado com JavaScript Object Notation (JSON), notará que os documentos se parecem com JSON. Há um arquivo `PersonsData.json` neste diretório com mais dados que você pode carregar no contêiner `Persons` no Emulador via o botão `Upload Item`.
+
+Na maioria dos casos, APIs que retornam dados em JSON podem ser diretamente transferidas e armazenadas em bancos de dados documentais. Abaixo está outro documento, que representa tweets da conta do Twitter da Microsoft, recuperados usando a API do Twitter e inseridos no Cosmos DB.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+Os campos de interesse neste documento são: `created_at`, `id` e `text`.
+
+## 🚀 Desafio
+
+Há um arquivo `TwitterData.json` que você pode carregar no banco de dados SampleDB. Recomenda-se adicioná-lo a um contêiner separado. Isso pode ser feito por:
+
+1. Clicar no botão de novo contêiner no canto superior direito
+1. Selecionar o banco de dados existente (SampleDB) e criar um id para o contêiner
+1. Definir a chave de partição como `/id`
+1. Clicar em OK (você pode ignorar o restante das informações nesta visualização, pois este é um pequeno conjunto de dados rodando localmente em sua máquina)
+1. Abrir seu novo contêiner e carregar o arquivo de dados do Twitter com o botão `Upload Item`
+
+Tente executar algumas consultas SELECT para encontrar os documentos que possuem "Microsoft" no campo de texto. Dica: tente usar a [palavra-chave LIKE](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character).
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## Revisão e Autoestudo
+
+- Há algumas formatações e recursos adicionais adicionados a esta planilha que esta lição não aborda. A Microsoft possui uma [grande biblioteca de documentação e vídeos](https://support.microsoft.com/excel) sobre Excel, caso você esteja interessado em aprender mais.
+
+- Esta documentação arquitetural detalha as características dos diferentes tipos de dados não-relacionais: [Dados Não-Relacionais e NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- O Cosmos DB é um banco de dados não-relacional baseado em nuvem que também pode armazenar os diferentes tipos de NoSQL mencionados nesta lição. Saiba mais sobre esses tipos neste [Módulo de Aprendizado da Microsoft sobre Cosmos DB](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/).
+
+## Tarefa
+
+[Soda Profits](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/06-non-relational/assignment.md b/translations/br/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..8548902d
--- /dev/null
+++ b/translations/br/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-27T17:00:53+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "br"
+}
+-->
+# Lucros da Soda
+
+## Instruções
+
+A planilha [Coca Cola Co](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) está faltando alguns cálculos. Sua tarefa é:
+
+1. Calcular os lucros brutos dos anos fiscais de '15, '16, '17 e '18
+    - Lucro Bruto = Receitas Operacionais Líquidas - Custo dos bens vendidos
+1. Calcular a média de todos os lucros brutos. Tente fazer isso com uma função.
+    - Média = Soma dos lucros brutos dividida pelo número de anos fiscais (10)
+    - Documentação sobre a [função MÉDIA](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6)
+1. Este é um arquivo Excel, mas deve ser editável em qualquer plataforma de planilhas
+
+[Crédito da fonte de dados para Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/07-python/README.md b/translations/br/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..a9b3e6a3
--- /dev/null
+++ b/translations/br/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-27T16:55:20+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "br"
+}
+-->
+# Trabalhando com Dados: Python e a Biblioteca Pandas
+
+| ![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Trabalhando com Python - _Sketchnote por [@nitya](https://twitter.com/nitya)_             |
+
+[![Vídeo de Introdução](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.br.png)](https://youtu.be/dZjWOGbsN4Y)
+
+Embora bancos de dados ofereçam maneiras muito eficientes de armazenar e consultar dados usando linguagens de consulta, a forma mais flexível de processar dados é escrevendo seu próprio programa para manipulá-los. Em muitos casos, realizar uma consulta em banco de dados seria mais eficaz. No entanto, em alguns casos, quando é necessário um processamento de dados mais complexo, isso não pode ser feito facilmente usando SQL.  
+O processamento de dados pode ser programado em qualquer linguagem de programação, mas existem certas linguagens que são mais adequadas para trabalhar com dados. Cientistas de dados geralmente preferem uma das seguintes linguagens:
+
+* **[Python](https://www.python.org/)**, uma linguagem de programação de propósito geral, frequentemente considerada uma das melhores opções para iniciantes devido à sua simplicidade. Python possui muitas bibliotecas adicionais que podem ajudá-lo a resolver diversos problemas práticos, como extrair dados de um arquivo ZIP ou converter uma imagem para tons de cinza. Além da ciência de dados, Python também é amplamente utilizado para desenvolvimento web.  
+* **[R](https://www.r-project.org/)** é uma ferramenta tradicional desenvolvida com foco no processamento estatístico de dados. Ela também contém um grande repositório de bibliotecas (CRAN), tornando-a uma boa escolha para processamento de dados. No entanto, R não é uma linguagem de programação de propósito geral e raramente é usada fora do domínio da ciência de dados.  
+* **[Julia](https://julialang.org/)** é outra linguagem desenvolvida especificamente para ciência de dados. Ela foi projetada para oferecer melhor desempenho do que Python, tornando-se uma ótima ferramenta para experimentação científica.
+
+Nesta lição, focaremos no uso do Python para processamento simples de dados. Assumiremos um conhecimento básico da linguagem. Se você quiser um tour mais aprofundado sobre Python, pode consultar um dos seguintes recursos:
+
+* [Aprenda Python de Forma Divertida com Turtle Graphics e Fractais](https://github.com/shwars/pycourse) - Curso introdutório rápido baseado no GitHub sobre Programação em Python  
+* [Dê seus Primeiros Passos com Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) - Trilha de Aprendizado no [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+Os dados podem vir em muitas formas. Nesta lição, consideraremos três formas de dados - **dados tabulares**, **texto** e **imagens**.
+
+Focaremos em alguns exemplos de processamento de dados, em vez de fornecer uma visão geral completa de todas as bibliotecas relacionadas. Isso permitirá que você entenda o que é possível e saiba onde encontrar soluções para seus problemas quando necessário.
+
+> **Conselho mais útil**. Quando precisar realizar uma operação específica em dados e não souber como fazer, tente pesquisar na internet. O [Stackoverflow](https://stackoverflow.com/) geralmente contém muitos exemplos úteis de código em Python para várias tarefas típicas.
+
+## [Questionário pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## Dados Tabulares e Dataframes
+
+Você já encontrou dados tabulares quando falamos sobre bancos de dados relacionais. Quando você tem muitos dados contidos em várias tabelas vinculadas, definitivamente faz sentido usar SQL para trabalhar com eles. No entanto, há muitos casos em que temos uma tabela de dados e precisamos obter algum **entendimento** ou **insights** sobre esses dados, como a distribuição, correlação entre valores, etc. Na ciência de dados, há muitos casos em que precisamos realizar algumas transformações nos dados originais, seguidas de visualização. Ambas as etapas podem ser facilmente realizadas usando Python.
+
+Existem duas bibliotecas mais úteis em Python que podem ajudá-lo a lidar com dados tabulares:
+* **[Pandas](https://pandas.pydata.org/)** permite manipular os chamados **Dataframes**, que são análogos às tabelas relacionais. Você pode ter colunas nomeadas e realizar diferentes operações em linhas, colunas e dataframes em geral.  
+* **[Numpy](https://numpy.org/)** é uma biblioteca para trabalhar com **tensores**, ou seja, **arrays** multidimensionais. Um array possui valores do mesmo tipo subjacente e é mais simples que um dataframe, mas oferece mais operações matemáticas e cria menos sobrecarga.
+
+Existem também algumas outras bibliotecas que você deve conhecer:
+* **[Matplotlib](https://matplotlib.org/)** é uma biblioteca usada para visualização de dados e criação de gráficos  
+* **[SciPy](https://www.scipy.org/)** é uma biblioteca com algumas funções científicas adicionais. Já nos deparamos com essa biblioteca ao falar sobre probabilidade e estatística  
+
+Aqui está um trecho de código que você normalmente usaria para importar essas bibliotecas no início do seu programa Python:  
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+```  
+
+Pandas é centrado em alguns conceitos básicos.
+
+### Series
+
+**Series** é uma sequência de valores, semelhante a uma lista ou array do numpy. A principal diferença é que uma série também possui um **índice**, e quando operamos em séries (por exemplo, somamos), o índice é levado em consideração. O índice pode ser tão simples quanto o número inteiro da linha (é o índice usado por padrão ao criar uma série a partir de uma lista ou array) ou pode ter uma estrutura complexa, como um intervalo de datas.
+
+> **Nota**: Há algum código introdutório de Pandas no notebook associado [`notebook.ipynb`](notebook.ipynb). Aqui, apenas esboçamos alguns exemplos, mas você está definitivamente convidado a conferir o notebook completo.
+
+Considere um exemplo: queremos analisar as vendas de nossa sorveteria. Vamos gerar uma série de números de vendas (número de itens vendidos a cada dia) para um determinado período de tempo:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+print(f"Length of index is {len(idx)}")
+items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
+items_sold.plot()
+```  
+![Gráfico de Série Temporal](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.br.png)
+
+Agora suponha que, a cada semana, organizamos uma festa para amigos e levamos 10 pacotes adicionais de sorvete para a festa. Podemos criar outra série, indexada por semana, para demonstrar isso:  
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```  
+Quando somamos duas séries, obtemos o número total:  
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```  
+![Gráfico de Série Temporal](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.br.png)
+
+> **Nota** que não estamos usando a sintaxe simples `total_items+additional_items`. Se fizéssemos isso, receberíamos muitos valores `NaN` (*Not a Number*) na série resultante. Isso ocorre porque há valores ausentes para alguns dos pontos de índice na série `additional_items`, e somar `NaN` a qualquer coisa resulta em `NaN`. Assim, precisamos especificar o parâmetro `fill_value` durante a soma.
+
+Com séries temporais, também podemos **reestruturar** a série com diferentes intervalos de tempo. Por exemplo, suponha que queremos calcular o volume médio de vendas mensalmente. Podemos usar o seguinte código:  
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```  
+![Médias Mensais de Séries Temporais](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.br.png)
+
+### DataFrame
+
+Um DataFrame é essencialmente uma coleção de séries com o mesmo índice. Podemos combinar várias séries em um DataFrame:  
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```  
+Isso criará uma tabela horizontal como esta:  
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+Também podemos usar Series como colunas e especificar nomes de colunas usando um dicionário:  
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```  
+Isso nos dará uma tabela como esta:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Nota** que também podemos obter esse layout de tabela transpondo a tabela anterior, por exemplo, escrevendo  
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```  
+Aqui `.T` significa a operação de transposição do DataFrame, ou seja, trocar linhas e colunas, e a operação `rename` nos permite renomear colunas para corresponder ao exemplo anterior.
+
+Aqui estão algumas das operações mais importantes que podemos realizar em DataFrames:
+
+**Seleção de colunas**. Podemos selecionar colunas individuais escrevendo `df['A']` - essa operação retorna uma Série. Também podemos selecionar um subconjunto de colunas em outro DataFrame escrevendo `df[['B','A']]` - isso retorna outro DataFrame.
+
+**Filtragem** de certas linhas por critérios. Por exemplo, para manter apenas as linhas com a coluna `A` maior que 5, podemos escrever `df[df['A']>5]`.
+
+> **Nota**: A forma como a filtragem funciona é a seguinte. A expressão `df['A']<5` retorna uma série booleana, que indica se a expressão é `True` ou `False` para cada elemento da série original `df['A']`. Quando a série booleana é usada como índice, ela retorna um subconjunto de linhas no DataFrame. Assim, não é possível usar expressões booleanas arbitrárias do Python, por exemplo, escrever `df[df['A']>5 and df['A']<7]` estaria errado. Em vez disso, você deve usar a operação especial `&` em séries booleanas, escrevendo `df[(df['A']>5) & (df['A']<7)]` (*os parênteses são importantes aqui*).
+
+**Criação de novas colunas computáveis**. Podemos facilmente criar novas colunas computáveis para nosso DataFrame usando expressões intuitivas como esta:  
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+```  
+Este exemplo calcula a divergência de A em relação ao seu valor médio. O que realmente acontece aqui é que estamos computando uma série e, em seguida, atribuindo essa série ao lado esquerdo, criando outra coluna. Assim, não podemos usar operações que não sejam compatíveis com séries, por exemplo, o código abaixo está errado:  
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+```  
+O último exemplo, embora sintaticamente correto, nos dá um resultado errado, porque atribui o comprimento da série `B` a todos os valores na coluna, e não o comprimento dos elementos individuais como pretendíamos.
+
+Se precisarmos calcular expressões complexas como esta, podemos usar a função `apply`. O último exemplo pode ser escrito da seguinte forma:  
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```  
+
+Após as operações acima, terminaremos com o seguinte DataFrame:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**Selecionar linhas com base em números** pode ser feito usando a construção `iloc`. Por exemplo, para selecionar as primeiras 5 linhas do DataFrame:  
+```python
+df.iloc[:5]
+```  
+
+**Agrupamento** é frequentemente usado para obter um resultado semelhante às *tabelas dinâmicas* no Excel. Suponha que queremos calcular o valor médio da coluna `A` para cada número dado de `LenB`. Então podemos agrupar nosso DataFrame por `LenB` e chamar `mean`:  
+```python
+df.groupby(by='LenB').mean()
+```  
+Se precisarmos calcular a média e o número de elementos no grupo, podemos usar a função mais complexa `aggregate`:  
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```  
+Isso nos dá a seguinte tabela:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### Obtendo Dados
+Vimos como é fácil construir Series e DataFrames a partir de objetos Python. No entanto, os dados geralmente vêm na forma de um arquivo de texto ou uma tabela do Excel. Felizmente, o Pandas nos oferece uma maneira simples de carregar dados do disco. Por exemplo, ler um arquivo CSV é tão simples quanto isso:  
+```python
+df = pd.read_csv('file.csv')
+```  
+Veremos mais exemplos de como carregar dados, incluindo a obtenção de dados de sites externos, na seção "Desafio".
+
+### Imprimindo e Plotando
+
+Um Cientista de Dados frequentemente precisa explorar os dados, por isso é importante ser capaz de visualizá-los. Quando o DataFrame é grande, muitas vezes queremos apenas garantir que estamos fazendo tudo corretamente imprimindo as primeiras linhas. Isso pode ser feito chamando `df.head()`. Se você estiver executando isso no Jupyter Notebook, ele imprimirá o DataFrame em uma forma tabular agradável.
+
+Também vimos o uso da função `plot` para visualizar algumas colunas. Embora `plot` seja muito útil para muitas tarefas e suporte diferentes tipos de gráficos por meio do parâmetro `kind=`, você sempre pode usar a biblioteca `matplotlib` diretamente para criar algo mais complexo. Cobriremos a visualização de dados em detalhes em lições separadas do curso.
+
+Este resumo cobre os conceitos mais importantes do Pandas, no entanto, a biblioteca é muito rica e não há limites para o que você pode fazer com ela! Agora, vamos aplicar esse conhecimento para resolver um problema específico.
+
+## 🚀 Desafio 1: Analisando a Propagação da COVID
+
+O primeiro problema em que vamos nos concentrar é o modelamento da propagação epidêmica da COVID-19. Para isso, usaremos os dados sobre o número de indivíduos infectados em diferentes países, fornecidos pelo [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) da [Johns Hopkins University](https://jhu.edu/). O conjunto de dados está disponível neste [repositório do GitHub](https://github.com/CSSEGISandData/COVID-19).
+
+Como queremos demonstrar como lidar com dados, convidamos você a abrir o arquivo [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) e lê-lo de cima a baixo. Você também pode executar as células e realizar alguns desafios que deixamos para você no final.
+
+![Propagação da COVID](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.br.png)
+
+> Se você não sabe como executar código no Jupyter Notebook, confira [este artigo](https://soshnikov.com/education/how-to-execute-notebooks-from-github/).
+
+## Trabalhando com Dados Não Estruturados
+
+Embora os dados frequentemente venham em formato tabular, em alguns casos precisamos lidar com dados menos estruturados, como texto ou imagens. Nesse caso, para aplicar as técnicas de processamento de dados que vimos acima, precisamos de alguma forma **extrair** dados estruturados. Aqui estão alguns exemplos:
+
+* Extrair palavras-chave de um texto e verificar com que frequência essas palavras aparecem
+* Usar redes neurais para extrair informações sobre objetos em uma imagem
+* Obter informações sobre as emoções das pessoas em um feed de câmera de vídeo
+
+## 🚀 Desafio 2: Analisando Artigos sobre COVID
+
+Neste desafio, continuaremos com o tema da pandemia de COVID e nos concentraremos no processamento de artigos científicos sobre o assunto. Existe o [Conjunto de Dados CORD-19](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) com mais de 7.000 (na época da escrita) artigos sobre COVID, disponível com metadados e resumos (e para cerca de metade deles, também há o texto completo disponível).
+
+Um exemplo completo de análise deste conjunto de dados usando o serviço cognitivo [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) é descrito [neste post do blog](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/). Discutiremos uma versão simplificada dessa análise.
+
+> **NOTE**: Não fornecemos uma cópia do conjunto de dados como parte deste repositório. Você pode precisar primeiro baixar o arquivo [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) deste [conjunto de dados no Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge). Pode ser necessário se registrar no Kaggle. Você também pode baixar o conjunto de dados sem registro [aqui](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html), mas ele incluirá todos os textos completos além do arquivo de metadados.
+
+Abra o arquivo [`notebook-papers.ipynb`](notebook-papers.ipynb) e leia-o de cima a baixo. Você também pode executar as células e realizar alguns desafios que deixamos para você no final.
+
+![Tratamento Médico para COVID](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.br.png)
+
+## Processando Dados de Imagem
+
+Recentemente, modelos de IA muito poderosos foram desenvolvidos, permitindo-nos entender imagens. Existem muitas tarefas que podem ser resolvidas usando redes neurais pré-treinadas ou serviços em nuvem. Alguns exemplos incluem:
+
+* **Classificação de Imagens**, que pode ajudar a categorizar a imagem em uma das classes predefinidas. Você pode facilmente treinar seus próprios classificadores de imagem usando serviços como [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum)
+* **Detecção de Objetos** para identificar diferentes objetos na imagem. Serviços como [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) podem detectar vários objetos comuns, e você pode treinar um modelo [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) para detectar objetos específicos de interesse.
+* **Detecção Facial**, incluindo idade, gênero e emoções. Isso pode ser feito via [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum).
+
+Todos esses serviços em nuvem podem ser chamados usando [SDKs Python](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum), e assim podem ser facilmente incorporados ao seu fluxo de trabalho de exploração de dados.
+
+Aqui estão alguns exemplos de exploração de dados a partir de fontes de dados de imagem:
+* No post do blog [Como Aprender Ciência de Dados sem Programação](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/), exploramos fotos do Instagram, tentando entender o que faz as pessoas darem mais curtidas em uma foto. Primeiro, extraímos o máximo de informações possíveis das imagens usando [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) e, em seguida, usamos o [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) para construir um modelo interpretável.
+* No [Workshop de Estudos Faciais](https://github.com/CloudAdvocacy/FaceStudies), usamos o [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) para extrair emoções de pessoas em fotografias de eventos, a fim de tentar entender o que as faz felizes.
+
+## Conclusão
+
+Seja com dados estruturados ou não estruturados, usando Python você pode realizar todas as etapas relacionadas ao processamento e entendimento de dados. É provavelmente a maneira mais flexível de processar dados, e é por isso que a maioria dos cientistas de dados usa Python como sua principal ferramenta. Aprender Python em profundidade é provavelmente uma boa ideia se você está sério sobre sua jornada em ciência de dados!
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## Revisão e Autoestudo
+
+**Livros**  
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**Recursos Online**  
+* Tutorial oficial [10 minutos para Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html)  
+* [Documentação sobre Visualização no Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Aprendendo Python**  
+* [Aprenda Python de Forma Divertida com Turtle Graphics e Fractais](https://github.com/shwars/pycourse)  
+* [Dê seus Primeiros Passos com Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) no [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum)
+
+## Tarefa
+
+[Realize um estudo mais detalhado dos dados para os desafios acima](assignment.md)
+
+## Créditos
+
+Esta lição foi criada com ♥️ por [Dmitry Soshnikov](http://soshnikov.com)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/07-python/assignment.md b/translations/br/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..23f1811b
--- /dev/null
+++ b/translations/br/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-27T16:57:13+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "br"
+}
+-->
+# Tarefa de Processamento de Dados em Python
+
+Nesta tarefa, pediremos que você desenvolva o código que começamos a criar em nossos desafios. A tarefa consiste em duas partes:
+
+## Modelagem da Propagação da COVID-19
+
+ - [ ] Plote gráficos de *R* para 5-6 países diferentes em um único gráfico para comparação, ou usando vários gráficos lado a lado.
+ - [ ] Veja como o número de mortes e recuperações se correlaciona com o número de casos infectados.
+ - [ ] Descubra quanto tempo uma doença típica dura, correlacionando visualmente a taxa de infecção e a taxa de mortes e procurando por algumas anomalias. Pode ser necessário observar diferentes países para descobrir isso.
+ - [ ] Calcule a taxa de fatalidade e como ela muda ao longo do tempo. *Você pode querer levar em conta a duração da doença em dias para deslocar uma série temporal antes de fazer os cálculos.*
+
+## Análise de Artigos sobre COVID-19
+
+- [ ] Construa uma matriz de co-ocorrência de diferentes medicamentos e veja quais medicamentos frequentemente aparecem juntos (ou seja, mencionados em um mesmo resumo). Você pode modificar o código para construir a matriz de co-ocorrência de medicamentos e diagnósticos.
+- [ ] Visualize essa matriz usando um mapa de calor.
+- [ ] Como um objetivo adicional, visualize a co-ocorrência de medicamentos usando [diagrama de cordas](https://en.wikipedia.org/wiki/Chord_diagram). [Esta biblioteca](https://pypi.org/project/chord/) pode ajudar você a desenhar um diagrama de cordas.
+- [ ] Como outro objetivo adicional, extraia as dosagens de diferentes medicamentos (como **400mg** em *tomar 400mg de cloroquina diariamente*) usando expressões regulares e construa um dataframe que mostre diferentes dosagens para diferentes medicamentos. **Nota**: considere valores numéricos que estejam em proximidade textual ao nome do medicamento.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | -- |
+Todas as tarefas estão completas, ilustradas graficamente e explicadas, incluindo pelo menos um dos dois objetivos adicionais | Mais de 5 tarefas estão completas, nenhum objetivo adicional foi tentado, ou os resultados não estão claros | Menos de 5 (mas mais de 3) tarefas estão completas, as visualizações não ajudam a demonstrar o ponto
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/08-data-preparation/README.md b/translations/br/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..480d6930
--- /dev/null
+++ b/translations/br/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,342 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-27T16:48:59+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "br"
+}
+-->
+# Trabalhando com Dados: Preparação de Dados
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|Preparação de Dados - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+Dependendo de sua origem, os dados brutos podem conter algumas inconsistências que dificultam a análise e modelagem. Em outras palavras, esses dados podem ser categorizados como "sujos" e precisarão ser limpos. Esta lição foca em técnicas para limpar e transformar os dados, lidando com desafios como dados ausentes, imprecisos ou incompletos. Os tópicos abordados nesta lição utilizam Python e a biblioteca Pandas e serão [demonstrados no notebook](notebook.ipynb) dentro deste diretório.
+
+## A importância de limpar os dados
+
+- **Facilidade de uso e reutilização**: Quando os dados estão devidamente organizados e normalizados, é mais fácil pesquisá-los, utilizá-los e compartilhá-los com outras pessoas.
+
+- **Consistência**: A ciência de dados frequentemente exige trabalhar com mais de um conjunto de dados, onde conjuntos de diferentes fontes precisam ser combinados. Garantir que cada conjunto de dados individual tenha uma padronização comum assegura que os dados ainda sejam úteis quando todos forem mesclados em um único conjunto.
+
+- **Precisão do modelo**: Dados que foram limpos melhoram a precisão dos modelos que dependem deles.
+
+## Objetivos e estratégias comuns de limpeza
+
+- **Explorar um conjunto de dados**: A exploração de dados, que será abordada em uma [lição futura](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing), pode ajudar a identificar dados que precisam ser limpos. Observar visualmente os valores dentro de um conjunto de dados pode estabelecer expectativas sobre o restante ou fornecer uma ideia dos problemas que podem ser resolvidos. A exploração pode envolver consultas básicas, visualizações e amostragem.
+
+- **Formatação**: Dependendo da origem, os dados podem ter inconsistências na forma como são apresentados. Isso pode causar problemas na busca e representação dos valores, onde eles são vistos no conjunto de dados, mas não são devidamente representados em visualizações ou resultados de consultas. Problemas comuns de formatação envolvem resolver espaços em branco, datas e tipos de dados. Resolver problemas de formatação geralmente cabe às pessoas que estão utilizando os dados. Por exemplo, os padrões de apresentação de datas e números podem variar de país para país.
+
+- **Duplicações**: Dados que possuem mais de uma ocorrência podem produzir resultados imprecisos e geralmente devem ser removidos. Isso pode ocorrer frequentemente ao combinar dois ou mais conjuntos de dados. No entanto, há casos em que duplicações em conjuntos combinados contêm informações adicionais que podem precisar ser preservadas.
+
+- **Dados ausentes**: Dados ausentes podem causar imprecisões, bem como resultados fracos ou tendenciosos. Às vezes, isso pode ser resolvido com um "recarregamento" dos dados, preenchendo os valores ausentes com cálculos e código, como Python, ou simplesmente removendo o valor e os dados correspondentes. Existem várias razões para os dados estarem ausentes, e as ações tomadas para resolver esses valores podem depender de como e por que eles ficaram ausentes.
+
+## Explorando informações de DataFrame
+> **Objetivo de aprendizado:** Ao final desta subseção, você deve estar confortável em encontrar informações gerais sobre os dados armazenados em DataFrames do pandas.
+
+Depois de carregar seus dados no pandas, eles provavelmente estarão em um DataFrame (consulte a [lição anterior](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) para uma visão detalhada). No entanto, se o conjunto de dados no seu DataFrame tiver 60.000 linhas e 400 colunas, como começar a entender com o que você está lidando? Felizmente, o [pandas](https://pandas.pydata.org/) fornece ferramentas convenientes para rapidamente visualizar informações gerais sobre um DataFrame, além das primeiras e últimas linhas.
+
+Para explorar essa funcionalidade, importaremos a biblioteca Python scikit-learn e usaremos um conjunto de dados icônico: o **conjunto de dados Iris**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: Para começar, o método `info()` é usado para imprimir um resumo do conteúdo presente em um `DataFrame`. Vamos dar uma olhada neste conjunto de dados para ver o que temos:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+A partir disso, sabemos que o conjunto de dados *Iris* tem 150 entradas em quatro colunas sem valores nulos. Todos os dados estão armazenados como números de ponto flutuante de 64 bits.
+
+- **DataFrame.head()**: Em seguida, para verificar o conteúdo real do `DataFrame`, usamos o método `head()`. Vamos ver como as primeiras linhas do nosso `iris_df` se parecem:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: Por outro lado, para verificar as últimas linhas do `DataFrame`, usamos o método `tail()`:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **Conclusão:** Apenas ao observar os metadados sobre as informações em um DataFrame ou os primeiros e últimos valores, você pode ter uma ideia imediata sobre o tamanho, formato e conteúdo dos dados com os quais está lidando.
+
+## Lidando com Dados Ausentes
+> **Objetivo de aprendizado:** Ao final desta subseção, você deve saber como substituir ou remover valores nulos de DataFrames.
+
+Na maioria das vezes, os conjuntos de dados que você deseja usar (ou precisa usar) têm valores ausentes. Como os dados ausentes são tratados envolve sutis compensações que podem afetar sua análise final e os resultados no mundo real.
+
+O pandas lida com valores ausentes de duas maneiras. A primeira, que você já viu em seções anteriores, é `NaN`, ou Not a Number. Este é, na verdade, um valor especial que faz parte da especificação IEEE de ponto flutuante e é usado apenas para indicar valores ausentes de ponto flutuante.
+
+Para valores ausentes que não sejam de ponto flutuante, o pandas usa o objeto `None` do Python. Embora possa parecer confuso encontrar dois tipos diferentes de valores que essencialmente dizem a mesma coisa, há razões programáticas sólidas para essa escolha de design e, na prática, isso permite que o pandas ofereça um bom compromisso para a grande maioria dos casos. Apesar disso, tanto `None` quanto `NaN` possuem restrições que você precisa ter em mente em relação ao uso deles.
+
+Confira mais sobre `NaN` e `None` no [notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+
+- **Detectando valores nulos**: No `pandas`, os métodos `isnull()` e `notnull()` são suas principais ferramentas para detectar dados nulos. Ambos retornam máscaras booleanas sobre seus dados. Usaremos `numpy` para valores `NaN`:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+Observe atentamente a saída. Alguma coisa te surpreende? Embora `0` seja um nulo aritmético, ele é, no entanto, um número inteiro perfeitamente válido, e o pandas o trata como tal. `''` é um pouco mais sutil. Embora o tenhamos usado na Seção 1 para representar um valor de string vazio, ele é, no entanto, um objeto de string e não uma representação de nulo para o pandas.
+
+Agora, vamos inverter isso e usar esses métodos de uma maneira mais parecida com a prática. Você pode usar máscaras booleanas diretamente como um índice de ``Series`` ou ``DataFrame``, o que pode ser útil ao tentar trabalhar com valores ausentes (ou presentes) isolados.
+
+> **Conclusão**: Os métodos `isnull()` e `notnull()` produzem resultados semelhantes quando usados em `DataFrame`s: eles mostram os resultados e o índice desses resultados, o que será extremamente útil ao lidar com seus dados.
+
+- **Removendo valores nulos**: Além de identificar valores ausentes, o pandas fornece um meio conveniente de remover valores nulos de `Series` e `DataFrame`s. (Particularmente em conjuntos de dados grandes, muitas vezes é mais aconselhável simplesmente remover valores ausentes [NA] da sua análise do que lidar com eles de outras maneiras.) Para ver isso em ação, vamos voltar ao `example1`:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+Observe que isso deve se parecer com sua saída de `example3[example3.notnull()]`. A diferença aqui é que, em vez de apenas indexar os valores mascarados, `dropna` removeu esses valores ausentes da `Series` `example1`.
+
+Como `DataFrame`s têm duas dimensões, eles oferecem mais opções para remover dados.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(Você percebeu que o pandas converteu duas das colunas para ponto flutuante para acomodar os `NaN`s?)
+
+Você não pode remover um único valor de um `DataFrame`, então precisa remover linhas ou colunas inteiras. Dependendo do que você está fazendo, pode querer fazer uma coisa ou outra, e o pandas oferece opções para ambas. Como na ciência de dados as colunas geralmente representam variáveis e as linhas representam observações, é mais provável que você remova linhas de dados; a configuração padrão para `dropna()` é remover todas as linhas que contêm quaisquer valores nulos:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+Se necessário, você pode remover valores NA de colunas. Use `axis=1` para fazer isso:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+Observe que isso pode remover muitos dados que você pode querer manter, especialmente em conjuntos de dados menores. E se você quiser apenas remover linhas ou colunas que contenham vários ou até mesmo todos os valores nulos? Você especifica essas configurações em `dropna` com os parâmetros `how` e `thresh`.
+
+Por padrão, `how='any'` (se você quiser verificar por si mesmo ou ver quais outros parâmetros o método possui, execute `example4.dropna?` em uma célula de código). Você poderia, alternativamente, especificar `how='all'` para remover apenas linhas ou colunas que contenham todos os valores nulos. Vamos expandir nosso exemplo de `DataFrame` para ver isso em ação.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+O parâmetro `thresh` oferece controle mais refinado: você define o número de valores *não nulos* que uma linha ou coluna precisa ter para ser mantida:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+Aqui, a primeira e última linha foram removidas, porque contêm apenas dois valores não nulos.
+
+- **Preenchendo valores nulos**: Dependendo do seu conjunto de dados, às vezes faz mais sentido preencher valores nulos com valores válidos do que removê-los. Você poderia usar `isnull` para fazer isso diretamente, mas isso pode ser trabalhoso, especialmente se você tiver muitos valores para preencher. Como essa é uma tarefa comum na ciência de dados, o pandas fornece `fillna`, que retorna uma cópia da `Series` ou `DataFrame` com os valores ausentes substituídos por um de sua escolha. Vamos criar outra `Series` de exemplo para ver como isso funciona na prática.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+Você pode preencher todas as entradas nulas com um único valor, como `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+Você pode **preencher para frente** valores nulos, ou seja, usar o último valor válido para preencher um nulo:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+Você também pode **preencher para trás** para propagar o próximo valor válido para trás e preencher um nulo:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+Como você pode imaginar, isso funciona da mesma forma com `DataFrame`s, mas você também pode especificar um `axis` ao longo do qual preencher valores nulos. Usando novamente o `example2` anteriormente utilizado:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+Observe que, quando um valor anterior não está disponível para preenchimento para frente, o valor nulo permanece.
+> **Conclusão:** Existem várias maneiras de lidar com valores ausentes em seus conjuntos de dados. A estratégia específica que você utiliza (removê-los, substituí-los ou até mesmo como substituí-los) deve ser ditada pelas particularidades desses dados. Você desenvolverá uma melhor noção de como lidar com valores ausentes à medida que trabalhar e interagir mais com conjuntos de dados.
+
+## Removendo dados duplicados
+
+> **Objetivo de aprendizado:** Ao final desta subseção, você deve se sentir confortável em identificar e remover valores duplicados de DataFrames.
+
+Além de dados ausentes, você frequentemente encontrará dados duplicados em conjuntos de dados do mundo real. Felizmente, o `pandas` oferece um meio fácil de detectar e remover entradas duplicadas.
+
+- **Identificando duplicados: `duplicated`**: Você pode identificar facilmente valores duplicados usando o método `duplicated` no pandas, que retorna uma máscara booleana indicando se uma entrada em um `DataFrame` é um duplicado de uma anterior. Vamos criar outro exemplo de `DataFrame` para ver isso em ação.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **Removendo duplicados: `drop_duplicates`:** simplesmente retorna uma cópia dos dados para os quais todos os valores `duplicated` são `False`:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+Tanto `duplicated` quanto `drop_duplicates` consideram por padrão todas as colunas, mas você pode especificar que eles examinem apenas um subconjunto de colunas no seu `DataFrame`:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **Conclusão:** Remover dados duplicados é uma parte essencial de quase todos os projetos de ciência de dados. Dados duplicados podem alterar os resultados de suas análises e fornecer resultados imprecisos!
+
+## 🚀 Desafio
+
+Todo o material discutido está disponível como um [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb). Além disso, há exercícios presentes após cada seção, experimente resolvê-los!
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+## Revisão e Autoestudo
+
+Existem muitas maneiras de descobrir e abordar a preparação de seus dados para análise e modelagem, e a limpeza dos dados é uma etapa importante que exige uma experiência prática. Experimente esses desafios do Kaggle para explorar técnicas que esta lição não abordou.
+
+- [Desafio de Limpeza de Dados: Analisando Datas](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [Desafio de Limpeza de Dados: Escalar e Normalizar Dados](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+## Tarefa
+
+[Avaliando Dados de um Formulário](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/08-data-preparation/assignment.md b/translations/br/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..b6952394
--- /dev/null
+++ b/translations/br/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-27T16:50:05+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "br"
+}
+-->
+# Avaliando Dados de um Formulário
+
+Um cliente tem testado um [formulário simples](../../../../2-Working-With-Data/08-data-preparation/index.html) para coletar alguns dados básicos sobre sua base de clientes. Eles trouxeram os resultados para você validar os dados que foram coletados. Você pode abrir a página `index.html` no navegador para dar uma olhada no formulário.
+
+Foi fornecido a você um [conjunto de dados em formato csv](../../../../data/form.csv) que contém entradas do formulário, bem como algumas visualizações básicas. O cliente apontou que algumas das visualizações parecem incorretas, mas não sabem como resolvê-las. Você pode explorá-las no [notebook da tarefa](assignment.ipynb).
+
+## Instruções
+
+Use as técnicas desta lição para fazer recomendações sobre o formulário, garantindo que ele capture informações precisas e consistentes.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/2-Working-With-Data/README.md b/translations/br/2-Working-With-Data/README.md
new file mode 100644
index 00000000..104ebc48
--- /dev/null
+++ b/translations/br/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-27T16:41:24+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "br"
+}
+-->
+# Trabalhando com Dados
+
+![amor por dados](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.br.jpg)
+> Foto por <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> no <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+Nestas lições, você aprenderá algumas das maneiras de gerenciar, manipular e usar dados em aplicações. Você aprenderá sobre bancos de dados relacionais e não relacionais e como os dados podem ser armazenados neles. Aprenderá os fundamentos de trabalhar com Python para gerenciar dados e descobrirá algumas das muitas formas de usar Python para gerenciar e explorar dados. 
+
+### Tópicos
+
+1. [Bancos de dados relacionais](05-relational-databases/README.md)
+2. [Bancos de dados não relacionais](06-non-relational/README.md)
+3. [Trabalhando com Python](07-python/README.md)
+4. [Preparando dados](08-data-preparation/README.md)
+
+### Créditos
+
+Estas lições foram escritas com ❤️ por [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) e [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/09-visualization-quantities/README.md b/translations/br/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..1adbf871
--- /dev/null
+++ b/translations/br/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-27T18:41:38+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Quantidades
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Visualizando Quantidades - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Nesta lição, você explorará como usar uma das muitas bibliotecas disponíveis em Python para aprender a criar visualizações interessantes em torno do conceito de quantidade. Usando um conjunto de dados limpo sobre os pássaros de Minnesota, você pode aprender muitos fatos interessantes sobre a vida selvagem local.  
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Observe a envergadura com Matplotlib
+
+Uma excelente biblioteca para criar gráficos e diagramas, tanto simples quanto sofisticados, é o [Matplotlib](https://matplotlib.org/stable/index.html). De forma geral, o processo de plotar dados usando essas bibliotecas inclui identificar as partes do seu dataframe que você deseja usar, realizar as transformações necessárias nesses dados, atribuir valores aos eixos x e y, decidir o tipo de gráfico a ser exibido e, por fim, mostrar o gráfico. O Matplotlib oferece uma grande variedade de visualizações, mas para esta lição, vamos focar nas mais apropriadas para visualizar quantidades: gráficos de linha, gráficos de dispersão e gráficos de barras.
+
+> ✅ Use o melhor gráfico para se adequar à estrutura dos seus dados e à história que você deseja contar.  
+> - Para analisar tendências ao longo do tempo: linha  
+> - Para comparar valores: barra, coluna, pizza, dispersão  
+> - Para mostrar como as partes se relacionam com o todo: pizza  
+> - Para mostrar a distribuição dos dados: dispersão, barra  
+> - Para mostrar tendências: linha, coluna  
+> - Para mostrar relações entre valores: linha, dispersão, bolha  
+
+Se você tem um conjunto de dados e precisa descobrir a quantidade de um determinado item, uma das primeiras tarefas será inspecionar seus valores.
+
+✅ Existem ótimos 'cheat sheets' disponíveis para Matplotlib [aqui](https://matplotlib.org/cheatsheets/cheatsheets.pdf).
+
+## Construa um gráfico de linha sobre os valores de envergadura das aves
+
+Abra o arquivo `notebook.ipynb` na raiz desta pasta de lição e adicione uma célula.
+
+> Nota: os dados estão armazenados na raiz deste repositório na pasta `/data`.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+Esses dados são uma mistura de texto e números:
+
+|      | Nome                         | NomeCientífico         | Categoria             | Ordem        | Família  | Gênero      | StatusConservação  | ComprMin | ComprMax | PesoMin | PesoMax | EnvergMin | EnvergMax |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Pato-assobiador-de-barriga-preta | Dendrocygna autumnalis | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Pato-assobiador-fulvo       | Dendrocygna bicolor    | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Ganso-das-neves             | Anser caerulescens     | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ganso-de-Ross               | Anser rossii           | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Ganso-de-testa-branca-maior | Anser albifrons        | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+Vamos começar plotando alguns dos dados numéricos usando um gráfico de linha básico. Suponha que você queira visualizar a envergadura máxima dessas aves interessantes.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Envergadura Máxima](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.br.png)
+
+O que você percebe imediatamente? Parece haver pelo menos um valor discrepante - que envergadura impressionante! Uma envergadura de 2300 centímetros equivale a 23 metros - será que há Pterodáctilos em Minnesota? Vamos investigar.
+
+Embora você possa fazer uma classificação rápida no Excel para encontrar esses valores discrepantes, que provavelmente são erros de digitação, continue o processo de visualização trabalhando diretamente no gráfico.
+
+Adicione rótulos ao eixo x para mostrar quais tipos de aves estão em questão:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![envergadura com rótulos](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.br.png)
+
+Mesmo com a rotação dos rótulos ajustada para 45 graus, há muitos para serem lidos. Vamos tentar uma estratégia diferente: rotular apenas os valores discrepantes e posicionar os rótulos dentro do gráfico. Você pode usar um gráfico de dispersão para criar mais espaço para os rótulos:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+O que está acontecendo aqui? Você usou `tick_params` para ocultar os rótulos inferiores e, em seguida, criou um loop sobre o conjunto de dados das aves. Plotando o gráfico com pequenos pontos azuis redondos usando `bo`, você verificou se alguma ave tinha uma envergadura máxima acima de 500 e exibiu o rótulo ao lado do ponto, se fosse o caso. Você deslocou os rótulos um pouco no eixo y (`y * (1 - 0.05)`) e usou o nome da ave como rótulo.
+
+O que você descobriu?
+
+![valores discrepantes](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.br.png)  
+## Filtre seus dados
+
+Tanto a Águia-careca quanto o Falcão-das-pradarias, embora provavelmente sejam aves muito grandes, parecem estar rotulados incorretamente, com um `0` extra adicionado à sua envergadura máxima. É improvável que você encontre uma Águia-careca com uma envergadura de 25 metros, mas, se encontrar, por favor, nos avise! Vamos criar um novo dataframe sem esses dois valores discrepantes:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+Ao filtrar os valores discrepantes, seus dados agora estão mais coesos e compreensíveis.
+
+![gráfico de dispersão das envergaduras](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.br.png)  
+
+Agora que temos um conjunto de dados mais limpo, pelo menos em termos de envergadura, vamos descobrir mais sobre essas aves.
+
+Embora gráficos de linha e dispersão possam exibir informações sobre valores de dados e suas distribuições, queremos pensar nos valores inerentes a este conjunto de dados. Você poderia criar visualizações para responder às seguintes perguntas sobre quantidade:
+
+> Quantas categorias de aves existem e quais são seus números?  
+> Quantas aves estão extintas, ameaçadas, raras ou comuns?  
+> Quantas existem dos vários gêneros e ordens na terminologia de Linnaeus?  
+## Explore gráficos de barras
+
+Gráficos de barras são práticos quando você precisa mostrar agrupamentos de dados. Vamos explorar as categorias de aves que existem neste conjunto de dados para ver qual é a mais comum em número.
+
+No arquivo do notebook, crie um gráfico de barras básico.
+
+✅ Nota: você pode filtrar as duas aves discrepantes identificadas na seção anterior, corrigir o erro de digitação em sua envergadura ou deixá-las para esses exercícios, que não dependem dos valores de envergadura.
+
+Se você quiser criar um gráfico de barras, pode selecionar os dados nos quais deseja focar. Gráficos de barras podem ser criados a partir de dados brutos:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![dados completos como gráfico de barras](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.br.png)  
+
+Este gráfico de barras, no entanto, é ilegível porque há muitos dados não agrupados. Você precisa selecionar apenas os dados que deseja plotar, então vamos observar o comprimento das aves com base em sua categoria.
+
+Filtre seus dados para incluir apenas a categoria da ave.
+
+✅ Observe que você usa o Pandas para gerenciar os dados e, em seguida, deixa o Matplotlib fazer o gráfico.
+
+Como há muitas categorias, você pode exibir este gráfico verticalmente e ajustar sua altura para acomodar todos os dados:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![categoria e comprimento](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.br.png)  
+
+Este gráfico de barras mostra uma boa visão do número de aves em cada categoria. Em um piscar de olhos, você vê que o maior número de aves nesta região está na categoria Patos/Gansos/AvesAquáticas. Minnesota é a 'terra de 10.000 lagos', então isso não é surpreendente!
+
+✅ Experimente outras contagens neste conjunto de dados. Algo te surpreende?
+
+## Comparando dados
+
+Você pode tentar diferentes comparações de dados agrupados criando novos eixos. Experimente uma comparação do ComprimentoMáximo de uma ave, com base em sua categoria:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![comparando dados](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.br.png)  
+
+Nada surpreendente aqui: beija-flores têm o menor ComprimentoMáximo em comparação com Pelicanos ou Gansos. É bom quando os dados fazem sentido lógico!
+
+Você pode criar visualizações mais interessantes de gráficos de barras sobrepondo dados. Vamos sobrepor ComprimentoMínimo e ComprimentoMáximo em uma determinada categoria de ave:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+Neste gráfico, você pode ver o intervalo por categoria de ave do ComprimentoMínimo e ComprimentoMáximo. Você pode dizer com segurança que, dados esses dados, quanto maior a ave, maior seu intervalo de comprimento. Fascinante!
+
+![valores sobrepostos](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.br.png)  
+
+## 🚀 Desafio
+
+Este conjunto de dados de aves oferece uma riqueza de informações sobre diferentes tipos de aves dentro de um ecossistema específico. Pesquise na internet e veja se consegue encontrar outros conjuntos de dados relacionados a aves. Pratique a construção de gráficos e diagramas sobre essas aves para descobrir fatos que você não conhecia.  
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Revisão e Autoestudo
+
+Esta primeira lição deu a você algumas informações sobre como usar o Matplotlib para visualizar quantidades. Pesquise outras maneiras de trabalhar com conjuntos de dados para visualização. [Plotly](https://github.com/plotly/plotly.py) é uma que não abordaremos nessas lições, então dê uma olhada no que ela pode oferecer.  
+## Tarefa
+
+[Linhas, Dispersões e Barras](assignment.md)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/br/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..81d0af7d
--- /dev/null
+++ b/translations/br/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-27T18:42:37+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "br"
+}
+-->
+# Linhas, Dispersões e Barras
+
+## Instruções
+
+Nesta lição, você trabalhou com gráficos de linha, dispersões e gráficos de barras para mostrar fatos interessantes sobre este conjunto de dados. Nesta tarefa, aprofunde-se no conjunto de dados para descobrir um fato sobre um tipo específico de pássaro. Por exemplo, crie um notebook visualizando todos os dados interessantes que você puder encontrar sobre Gansos-da-neve. Use os três tipos de gráficos mencionados acima para contar uma história no seu notebook.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | -- |
+Um notebook é apresentado com boas anotações, narrativa sólida e gráficos atraentes | O notebook está faltando um desses elementos | O notebook está faltando dois desses elementos
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/10-visualization-distributions/README.md b/translations/br/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..61e6d64e
--- /dev/null
+++ b/translations/br/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,218 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-27T18:18:30+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Distribuições
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Visualizando Distribuições - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Na lição anterior, você aprendeu alguns fatos interessantes sobre um conjunto de dados sobre as aves de Minnesota. Você encontrou alguns dados errôneos ao visualizar outliers e analisou as diferenças entre categorias de aves com base no comprimento máximo.
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Explore o conjunto de dados das aves
+
+Outra maneira de explorar os dados é analisando sua distribuição, ou como os dados estão organizados ao longo de um eixo. Talvez, por exemplo, você queira aprender sobre a distribuição geral, neste conjunto de dados, da envergadura máxima ou da massa corporal máxima das aves de Minnesota.
+
+Vamos descobrir alguns fatos sobre as distribuições de dados neste conjunto de dados. No arquivo _notebook.ipynb_ na raiz desta pasta de lição, importe Pandas, Matplotlib e seus dados:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | Nome                        | NomeCientífico         | Categoria             | Ordem        | Família  | Gênero      | StatusConservação  | ComprMin | ComprMax | MassaMin | MassaMax | EnvergMin | EnvergMax |
+| ---: | :-------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Pato-assobiador-de-barriga-preta | Dendrocygna autumnalis | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Pato-assobiador-fulvo       | Dendrocygna bicolor    | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Ganso-das-neves             | Anser caerulescens     | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ganso-de-Ross               | Anser rossii           | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Ganso-de-testa-branca-maior | Anser albifrons        | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+De forma geral, você pode rapidamente observar como os dados estão distribuídos usando um gráfico de dispersão, como fizemos na lição anterior:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![comprimento máximo por ordem](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.br.png)
+
+Isso fornece uma visão geral da distribuição do comprimento corporal por Ordem de aves, mas não é a maneira ideal de exibir distribuições reais. Essa tarefa geralmente é realizada criando um Histograma.
+
+## Trabalhando com histogramas
+
+O Matplotlib oferece ótimas maneiras de visualizar a distribuição de dados usando Histogramas. Esse tipo de gráfico é semelhante a um gráfico de barras, onde a distribuição pode ser vista pelo aumento e diminuição das barras. Para construir um histograma, você precisa de dados numéricos. Para criar um Histograma, você pode traçar um gráfico definindo o tipo como 'hist' para Histograma. Este gráfico mostra a distribuição de MaxBodyMass para o intervalo de dados numéricos de todo o conjunto de dados. Dividindo o array de dados em pequenos intervalos (bins), ele pode exibir a distribuição dos valores dos dados:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![distribuição em todo o conjunto de dados](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.br.png)
+
+Como você pode ver, a maioria das 400+ aves neste conjunto de dados está na faixa abaixo de 2000 para sua Massa Corporal Máxima. Obtenha mais insights sobre os dados alterando o parâmetro `bins` para um número maior, como 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![distribuição em todo o conjunto de dados com bins maiores](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.br.png)
+
+Este gráfico mostra a distribuição de forma um pouco mais detalhada. Um gráfico menos inclinado para a esquerda poderia ser criado garantindo que você selecione apenas dados dentro de um intervalo específico:
+
+Filtre seus dados para obter apenas as aves cuja massa corporal seja inferior a 60 e mostre 40 `bins`:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![histograma filtrado](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.br.png)
+
+✅ Experimente outros filtros e pontos de dados. Para ver a distribuição completa dos dados, remova o filtro `['MaxBodyMass']` para mostrar distribuições rotuladas.
+
+O histograma oferece algumas melhorias interessantes de cor e rotulagem para experimentar também:
+
+Crie um histograma 2D para comparar a relação entre duas distribuições. Vamos comparar `MaxBodyMass` com `MaxLength`. O Matplotlib oferece uma maneira integrada de mostrar convergência usando cores mais brilhantes:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+Parece haver uma correlação esperada entre esses dois elementos ao longo de um eixo esperado, com um ponto de convergência particularmente forte:
+
+![gráfico 2D](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.br.png)
+
+Os histogramas funcionam bem por padrão para dados numéricos. E se você precisar ver distribuições de acordo com dados textuais? 
+
+## Explore o conjunto de dados para distribuições usando dados textuais 
+
+Este conjunto de dados também inclui boas informações sobre a categoria da ave, seu gênero, espécie e família, bem como seu status de conservação. Vamos explorar essas informações de conservação. Qual é a distribuição das aves de acordo com seu status de conservação?
+
+> ✅ No conjunto de dados, vários acrônimos são usados para descrever o status de conservação. Esses acrônimos vêm das [Categorias da Lista Vermelha da IUCN](https://www.iucnredlist.org/), uma organização que cataloga o status das espécies.
+> 
+> - CR: Criticamente em Perigo
+> - EN: Em Perigo
+> - EX: Extinto
+> - LC: Menor Preocupação
+> - NT: Quase Ameaçado
+> - VU: Vulnerável
+
+Esses são valores baseados em texto, então você precisará fazer uma transformação para criar um histograma. Usando o dataframe filteredBirds, exiba seu status de conservação ao lado de sua Envergadura Mínima. O que você observa?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![colagem de envergadura e conservação](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.br.png)
+
+Não parece haver uma boa correlação entre a envergadura mínima e o status de conservação. Teste outros elementos do conjunto de dados usando este método. Você encontra alguma correlação?
+
+## Gráficos de densidade
+
+Você pode ter notado que os histogramas que analisamos até agora são 'escalonados' e não fluem suavemente em um arco. Para mostrar um gráfico de densidade mais suave, você pode tentar um gráfico de densidade.
+
+Para trabalhar com gráficos de densidade, familiarize-se com uma nova biblioteca de gráficos, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html). 
+
+Carregando o Seaborn, experimente um gráfico de densidade básico:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![Gráfico de densidade](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.br.png)
+
+Você pode ver como o gráfico reflete o anterior para os dados de Envergadura Mínima; ele é apenas um pouco mais suave. De acordo com a documentação do Seaborn, "Em relação a um histograma, o KDE pode produzir um gráfico menos confuso e mais interpretável, especialmente ao desenhar várias distribuições. Mas ele tem o potencial de introduzir distorções se a distribuição subjacente for limitada ou não for suave. Como um histograma, a qualidade da representação também depende da seleção de bons parâmetros de suavização." [fonte](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) Em outras palavras, outliers, como sempre, farão com que seus gráficos se comportem mal.
+
+Se você quisesse revisitar aquela linha irregular de MaxBodyMass no segundo gráfico que você criou, poderia suavizá-la muito bem recriando-a usando este método:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![linha de massa corporal suavizada](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.br.png)
+
+Se você quisesse uma linha suave, mas não muito suave, edite o parâmetro `bw_adjust`: 
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![linha de massa corporal menos suave](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.br.png)
+
+✅ Leia sobre os parâmetros disponíveis para este tipo de gráfico e experimente!
+
+Este tipo de gráfico oferece visualizações explicativas e bonitas. Com algumas linhas de código, por exemplo, você pode mostrar a densidade da massa corporal máxima por Ordem de aves:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![massa corporal por ordem](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.br.png)
+
+Você também pode mapear a densidade de várias variáveis em um único gráfico. Teste o Comprimento Máximo e o Comprimento Mínimo de uma ave em comparação com seu status de conservação:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![múltiplas densidades, sobrepostas](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.br.png)
+
+Talvez valha a pena pesquisar se o agrupamento de aves 'Vulneráveis' de acordo com seus comprimentos é significativo ou não.
+
+## 🚀 Desafio
+
+Os histogramas são um tipo de gráfico mais sofisticado do que gráficos de dispersão, gráficos de barras ou gráficos de linhas básicos. Faça uma busca na internet para encontrar bons exemplos do uso de histogramas. Como eles são usados, o que demonstram e em quais campos ou áreas de estudo tendem a ser utilizados?
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Revisão e Autoestudo
+
+Nesta lição, você usou o Matplotlib e começou a trabalhar com o Seaborn para criar gráficos mais sofisticados. Pesquise sobre `kdeplot` no Seaborn, uma "curva de densidade de probabilidade contínua em uma ou mais dimensões". Leia a [documentação](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) para entender como funciona.
+
+## Tarefa
+
+[Coloque suas habilidades em prática](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/br/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..d5d6510f
--- /dev/null
+++ b/translations/br/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-27T18:19:25+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "br"
+}
+-->
+# Aplique suas habilidades
+
+## Instruções
+
+Até agora, você trabalhou com o conjunto de dados de aves de Minnesota para descobrir informações sobre quantidades de aves e densidade populacional. Pratique a aplicação dessas técnicas experimentando um conjunto de dados diferente, talvez obtido no [Kaggle](https://www.kaggle.com/). Construa um notebook para contar uma história sobre esse conjunto de dados e certifique-se de usar histogramas ao discuti-lo.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+Um notebook é apresentado com anotações sobre este conjunto de dados, incluindo sua fonte, e utiliza pelo menos 5 histogramas para descobrir fatos sobre os dados. | Um notebook é apresentado com anotações incompletas ou erros. | Um notebook é apresentado sem anotações e inclui erros.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/11-visualization-proportions/README.md b/translations/br/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..a6e8de9d
--- /dev/null
+++ b/translations/br/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-27T18:44:22+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Proporções
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Visualizando Proporções - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Nesta lição, você usará um conjunto de dados com foco na natureza para visualizar proporções, como a quantidade de diferentes tipos de fungos presentes em um conjunto de dados sobre cogumelos. Vamos explorar esses fascinantes fungos usando um conjunto de dados obtido da Audubon, que lista detalhes sobre 23 espécies de cogumelos com lamelas das famílias Agaricus e Lepiota. Você experimentará visualizações interessantes como:
+
+- Gráficos de pizza 🥧
+- Gráficos de rosca 🍩
+- Gráficos de waffle 🧇
+
+> 💡 Um projeto muito interessante chamado [Charticulator](https://charticulator.com) da Microsoft Research oferece uma interface gratuita de arrastar e soltar para visualizações de dados. Em um de seus tutoriais, eles também utilizam este conjunto de dados de cogumelos! Assim, você pode explorar os dados e aprender a biblioteca ao mesmo tempo: [Tutorial do Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Conheça seus cogumelos 🍄
+
+Cogumelos são muito interessantes. Vamos importar um conjunto de dados para estudá-los:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+Uma tabela é exibida com ótimos dados para análise:
+
+| classe    | formato do chapéu | superfície do chapéu | cor do chapéu | machucados | odor    | fixação das lamelas | espaçamento das lamelas | tamanho das lamelas | cor das lamelas | formato do caule | raiz do caule | superfície acima do anel | superfície abaixo do anel | cor acima do anel | cor abaixo do anel | tipo de véu | cor do véu | número de anéis | tipo de anel | cor do esporo | população | habitat |
+| --------- | ----------------- | -------------------- | ------------- | ---------- | ------- | ------------------- | ----------------------- | ------------------- | --------------- | --------------- | ------------ | ------------------------ | ------------------------ | ----------------- | ----------------- | ----------- | ---------- | -------------- | ------------ | ------------- | ---------- | ------- |
+| Venenoso  | Convexo           | Liso                | Marrom        | Machucado  | Pungente | Livre              | Fechado                | Estreito           | Preto           | Alargado         | Igual         | Liso                     | Liso                     | Branco            | Branco            | Parcial     | Branco      | Um              | Pendente     | Preto         | Espalhado  | Urbano  |
+| Comestível| Convexo           | Liso                | Amarelo       | Machucado  | Amêndoa | Livre              | Fechado                | Largo             | Preto           | Alargado         | Club          | Liso                     | Liso                     | Branco            | Branco            | Parcial     | Branco      | Um              | Pendente     | Marrom        | Numeroso   | Grama   |
+| Comestível| Sino             | Liso                | Branco        | Machucado  | Anis    | Livre              | Fechado                | Largo             | Marrom          | Alargado         | Club          | Liso                     | Liso                     | Branco            | Branco            | Parcial     | Branco      | Um              | Pendente     | Marrom        | Numeroso   | Campos  |
+| Venenoso  | Convexo           | Escamoso            | Branco        | Machucado  | Pungente | Livre              | Fechado                | Estreito           | Marrom          | Alargado         | Igual         | Liso                     | Liso                     | Branco            | Branco            | Parcial     | Branco      | Um              | Pendente     | Preto         | Espalhado  | Urbano  |
+
+Logo de cara, você percebe que todos os dados são textuais. Será necessário converter esses dados para poder utilizá-los em um gráfico. Na verdade, a maioria dos dados está representada como um objeto:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+O resultado é:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+Pegue esses dados e converta a coluna 'classe' em uma categoria:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+Agora, se você imprimir os dados dos cogumelos, verá que eles foram agrupados em categorias de acordo com a classe venenoso/comestível:
+
+|           | formato do chapéu | superfície do chapéu | cor do chapéu | machucados | odor | fixação das lamelas | espaçamento das lamelas | tamanho das lamelas | cor das lamelas | formato do caule | ... | superfície abaixo do anel | cor acima do anel | cor abaixo do anel | tipo de véu | cor do véu | número de anéis | tipo de anel | cor do esporo | população | habitat |
+| --------- | ----------------- | -------------------- | ------------- | ---------- | ---- | ------------------- | ----------------------- | ------------------- | --------------- | --------------- | --- | ------------------------ | ----------------- | ----------------- | ----------- | ---------- | -------------- | ------------ | ------------- | ---------- | ------- |
+| classe    |                   |                      |               |            |      |                     |                        |                     |                 |                 |     |                          |                   |                   |             |            |                |              |               |            |         |
+| Comestível| 4208              | 4208                | 4208          | 4208       | 4208 | 4208                | 4208                   | 4208                | 4208            | 4208            | ... | 4208                     | 4208             | 4208             | 4208        | 4208       | 4208            | 4208        | 4208          | 4208       | 4208    |
+| Venenoso  | 3916              | 3916                | 3916          | 3916       | 3916 | 3916                | 3916                   | 3916                | 3916            | 3916            | ... | 3916                     | 3916             | 3916             | 3916        | 3916       | 3916            | 3916        | 3916          | 3916       | 3916    |
+
+Se você seguir a ordem apresentada nesta tabela para criar os rótulos da categoria classe, poderá construir um gráfico de pizza:
+
+## Pizza!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+Voilá, um gráfico de pizza mostrando as proporções desses dados de acordo com essas duas classes de cogumelos. É muito importante obter a ordem dos rótulos correta, especialmente aqui, então certifique-se de verificar a ordem com a qual o array de rótulos foi construído!
+
+![gráfico de pizza](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.br.png)
+
+## Roscas!
+
+Um gráfico de rosca é uma variação visualmente mais interessante do gráfico de pizza, com um buraco no meio. Vamos observar nossos dados usando este método.
+
+Veja os diversos habitats onde os cogumelos crescem:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+Aqui, você está agrupando seus dados por habitat. Existem 7 listados, então use esses como rótulos para seu gráfico de rosca:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![gráfico de rosca](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.br.png)
+
+Este código desenha um gráfico e um círculo central, depois adiciona esse círculo ao gráfico. Edite a largura do círculo central alterando `0.40` para outro valor.
+
+Gráficos de rosca podem ser ajustados de várias maneiras para alterar os rótulos. Os rótulos, em particular, podem ser destacados para melhorar a legibilidade. Saiba mais nos [documentos](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
+
+Agora que você sabe como agrupar seus dados e exibi-los como pizza ou rosca, pode explorar outros tipos de gráficos. Experimente um gráfico de waffle, que é apenas uma maneira diferente de explorar quantidades.
+
+## Waffles!
+
+Um gráfico do tipo 'waffle' é uma maneira diferente de visualizar quantidades como uma matriz 2D de quadrados. Experimente visualizar as diferentes quantidades de cores de chapéus de cogumelos neste conjunto de dados. Para isso, você precisa instalar uma biblioteca auxiliar chamada [PyWaffle](https://pypi.org/project/pywaffle/) e usar o Matplotlib:
+
+```python
+pip install pywaffle
+```
+
+Selecione um segmento de seus dados para agrupar:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+Crie um gráfico de waffle criando rótulos e agrupando seus dados:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+Usando um gráfico de waffle, você pode ver claramente as proporções das cores dos chapéus neste conjunto de dados de cogumelos. Curiosamente, há muitos cogumelos com chapéus verdes!
+
+![gráfico de waffle](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.br.png)
+
+✅ O PyWaffle suporta ícones dentro dos gráficos que utilizam qualquer ícone disponível no [Font Awesome](https://fontawesome.com/). Faça alguns experimentos para criar um gráfico de waffle ainda mais interessante usando ícones em vez de quadrados.
+
+Nesta lição, você aprendeu três maneiras de visualizar proporções. Primeiro, você precisa agrupar seus dados em categorias e depois decidir qual é a melhor maneira de exibir os dados - pizza, rosca ou waffle. Todos são deliciosos e proporcionam ao usuário uma visão instantânea de um conjunto de dados.
+
+## 🚀 Desafio
+
+Tente recriar esses gráficos saborosos no [Charticulator](https://charticulator.com).
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Revisão e Autoestudo
+
+Às vezes, não é óbvio quando usar um gráfico de pizza, rosca ou waffle. Aqui estão alguns artigos para ler sobre este tópico:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+Pesquise mais informações sobre essa decisão difícil.
+
+## Tarefa
+
+[Tente no Excel](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/br/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..d4bbfce2
--- /dev/null
+++ b/translations/br/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-27T18:45:14+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "br"
+}
+-->
+# Experimente no Excel
+
+## Instruções
+
+Você sabia que é possível criar gráficos de rosca, pizza e waffle no Excel? Usando um conjunto de dados à sua escolha, crie esses três tipos de gráficos diretamente em uma planilha do Excel.
+
+## Critérios de Avaliação
+
+| Exemplar                                               | Adequado                                          | Precisa Melhorar                                      |
+| ------------------------------------------------------- | ------------------------------------------------- | ----------------------------------------------------- |
+| Uma planilha do Excel é apresentada com todos os três gráficos | Uma planilha do Excel é apresentada com dois gráficos | Uma planilha do Excel é apresentada com apenas um gráfico |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/12-visualization-relationships/README.md b/translations/br/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..c78e36ad
--- /dev/null
+++ b/translations/br/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-27T18:21:40+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Relações: Tudo Sobre Mel 🍯
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Visualizando Relações - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Continuando com o foco na natureza em nossa pesquisa, vamos descobrir visualizações interessantes para mostrar as relações entre vários tipos de mel, de acordo com um conjunto de dados derivado do [Departamento de Agricultura dos Estados Unidos](https://www.nass.usda.gov/About_NASS/index.php).
+
+Este conjunto de dados, com cerca de 600 itens, exibe a produção de mel em muitos estados dos EUA. Por exemplo, você pode observar o número de colônias, rendimento por colônia, produção total, estoques, preço por libra e valor do mel produzido em um determinado estado de 1998 a 2012, com uma linha por ano para cada estado.
+
+Será interessante visualizar a relação entre a produção anual de um estado e, por exemplo, o preço do mel nesse estado. Alternativamente, você poderia visualizar a relação entre o rendimento de mel por colônia nos estados. Este período cobre o devastador 'CCD' ou 'Colony Collapse Disorder' (Desordem do Colapso das Colônias), observado pela primeira vez em 2006 (http://npic.orst.edu/envir/ccd.html), tornando este conjunto de dados especialmente relevante para estudo. 🐝
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Nesta lição, você pode usar o Seaborn, que já utilizou antes, como uma boa biblioteca para visualizar relações entre variáveis. Particularmente interessante é o uso da função `relplot` do Seaborn, que permite criar gráficos de dispersão e gráficos de linha para visualizar rapidamente '[relações estatísticas](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', ajudando o cientista de dados a entender melhor como as variáveis se relacionam.
+
+## Gráficos de dispersão
+
+Use um gráfico de dispersão para mostrar como o preço do mel evoluiu, ano após ano, por estado. O Seaborn, usando `relplot`, agrupa convenientemente os dados dos estados e exibe pontos de dados para dados categóricos e numéricos.
+
+Vamos começar importando os dados e o Seaborn:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+Você percebe que os dados de mel possuem várias colunas interessantes, incluindo ano e preço por libra. Vamos explorar esses dados, agrupados por estado dos EUA:
+
+| estado | numcol | yieldpercol | totalprod | estoques | priceperlb | prodvalue | ano |
+| ------ | ------ | ----------- | --------- | -------- | ---------- | --------- | --- |
+| AL     | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ     | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR     | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA     | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO     | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+Crie um gráfico de dispersão básico para mostrar a relação entre o preço por libra de mel e seu estado de origem nos EUA. Ajuste o eixo `y` para ser alto o suficiente para exibir todos os estados:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.br.png)
+
+Agora, mostre os mesmos dados com um esquema de cores de mel para ilustrar como o preço evolui ao longo dos anos. Você pode fazer isso adicionando um parâmetro 'hue' para mostrar a mudança, ano após ano:
+
+> ✅ Saiba mais sobre as [paletas de cores que você pode usar no Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - experimente um esquema de cores de arco-íris!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.br.png)
+
+Com essa mudança de esquema de cores, você pode ver claramente uma forte progressão ao longo dos anos no preço do mel por libra. De fato, ao verificar um conjunto de amostra nos dados (escolha um estado, como o Arizona, por exemplo), é possível observar um padrão de aumento de preço ano após ano, com poucas exceções:
+
+| estado | numcol | yieldpercol | totalprod | estoques | priceperlb | prodvalue | ano |
+| ------ | ------ | ----------- | --------- | -------- | ---------- | --------- | --- |
+| AZ     | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AZ     | 52000  | 62          | 3224000   | 1548000  | 0.62       | 1999000   | 1999 |
+| AZ     | 40000  | 59          | 2360000   | 1322000  | 0.73       | 1723000   | 2000 |
+| AZ     | 43000  | 59          | 2537000   | 1142000  | 0.72       | 1827000   | 2001 |
+| AZ     | 38000  | 63          | 2394000   | 1197000  | 1.08       | 2586000   | 2002 |
+| AZ     | 35000  | 72          | 2520000   | 983000   | 1.34       | 3377000   | 2003 |
+| AZ     | 32000  | 55          | 1760000   | 774000   | 1.11       | 1954000   | 2004 |
+| AZ     | 36000  | 50          | 1800000   | 720000   | 1.04       | 1872000   | 2005 |
+| AZ     | 30000  | 65          | 1950000   | 839000   | 0.91       | 1775000   | 2006 |
+| AZ     | 30000  | 64          | 1920000   | 902000   | 1.26       | 2419000   | 2007 |
+| AZ     | 25000  | 64          | 1600000   | 336000   | 1.26       | 2016000   | 2008 |
+| AZ     | 20000  | 52          | 1040000   | 562000   | 1.45       | 1508000   | 2009 |
+| AZ     | 24000  | 77          | 1848000   | 665000   | 1.52       | 2809000   | 2010 |
+| AZ     | 23000  | 53          | 1219000   | 427000   | 1.55       | 1889000   | 2011 |
+| AZ     | 22000  | 46          | 1012000   | 253000   | 1.79       | 1811000   | 2012 |
+
+Outra maneira de visualizar essa progressão é usar tamanho, em vez de cor. Para usuários com daltonismo, isso pode ser uma opção melhor. Edite sua visualização para mostrar o aumento do preço por meio do aumento na circunferência dos pontos:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+Você pode ver o tamanho dos pontos aumentando gradualmente.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.br.png)
+
+Isso é um caso simples de oferta e demanda? Devido a fatores como mudanças climáticas e colapso das colônias, há menos mel disponível para compra ano após ano, e, portanto, o preço aumenta?
+
+Para descobrir uma correlação entre algumas das variáveis neste conjunto de dados, vamos explorar alguns gráficos de linha.
+
+## Gráficos de linha
+
+Pergunta: Há um aumento claro no preço do mel por libra ano após ano? Você pode descobrir isso mais facilmente criando um único gráfico de linha:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+Resposta: Sim, com algumas exceções por volta do ano de 2003:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.br.png)
+
+✅ Como o Seaborn está agregando dados em torno de uma linha, ele exibe "as múltiplas medições em cada valor de x, plotando a média e o intervalo de confiança de 95% em torno da média". [Fonte](https://seaborn.pydata.org/tutorial/relational.html). Esse comportamento demorado pode ser desativado adicionando `ci=None`.
+
+Pergunta: Bem, em 2003 também podemos ver um aumento na oferta de mel? E se você observar a produção total ano após ano?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.br.png)
+
+Resposta: Não exatamente. Se você observar a produção total, parece que ela realmente aumentou naquele ano específico, embora, de forma geral, a quantidade de mel produzido esteja em declínio durante esses anos.
+
+Pergunta: Nesse caso, o que poderia ter causado o aumento no preço do mel por volta de 2003?
+
+Para descobrir isso, você pode explorar uma grade de facetas.
+
+## Grades de facetas
+
+Grades de facetas pegam um aspecto do seu conjunto de dados (neste caso, você pode escolher 'ano' para evitar produzir muitas facetas). O Seaborn pode então criar um gráfico para cada uma dessas facetas de suas coordenadas x e y escolhidas, facilitando a comparação visual. O ano de 2003 se destaca nesse tipo de comparação?
+
+Crie uma grade de facetas continuando a usar `relplot`, conforme recomendado pela [documentação do Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid).
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+Nesta visualização, você pode comparar o rendimento por colônia e o número de colônias ano após ano, lado a lado, com um wrap definido em 3 para as colunas:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.br.png)
+
+Para este conjunto de dados, nada particularmente se destaca em relação ao número de colônias e seu rendimento, ano após ano e estado por estado. Existe uma maneira diferente de encontrar uma correlação entre essas duas variáveis?
+
+## Gráficos de linha dupla
+
+Experimente um gráfico de linha múltipla superpondo dois gráficos de linha um sobre o outro, usando o 'despine' do Seaborn para remover as bordas superior e direita, e usando `ax.twinx` [derivado do Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx permite que um gráfico compartilhe o eixo x e exiba dois eixos y. Então, exiba o rendimento por colônia e o número de colônias, superpostos:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.br.png)
+
+Embora nada salte aos olhos em torno do ano de 2003, isso nos permite terminar esta lição com uma nota um pouco mais feliz: embora o número de colônias esteja em declínio geral, ele está se estabilizando, mesmo que o rendimento por colônia esteja diminuindo.
+
+Vai, abelhas, vai!
+
+🐝❤️
+## 🚀 Desafio
+
+Nesta lição, você aprendeu um pouco mais sobre outros usos de gráficos de dispersão e grades de linha, incluindo grades de facetas. Desafie-se a criar uma grade de facetas usando um conjunto de dados diferente, talvez um que você tenha usado antes dessas lições. Observe quanto tempo leva para criar e como você precisa ter cuidado com a quantidade de grades que deseja desenhar usando essas técnicas.
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Revisão & Autoestudo
+
+Gráficos de linha podem ser simples ou bastante complexos. Leia um pouco mais na [documentação do Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) sobre as várias maneiras de construí-los. Tente aprimorar os gráficos de linha que você criou nesta lição com outros métodos listados na documentação.
+## Tarefa
+
+[Explore a colmeia](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/br/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..79c7fe6c
--- /dev/null
+++ b/translations/br/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-27T18:22:32+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "br"
+}
+-->
+# Mergulhe na colmeia
+
+## Instruções
+
+Nesta lição, você começou a analisar um conjunto de dados sobre abelhas e sua produção de mel ao longo de um período que registrou perdas na população geral das colônias de abelhas. Explore mais profundamente este conjunto de dados e construa um notebook que conte a história da saúde da população de abelhas, estado por estado e ano por ano. Você descobre algo interessante sobre este conjunto de dados?
+
+## Rubrica
+
+| Exemplar                                                                                                                                               | Adequado                                 | Precisa de Melhorias                     |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| Um notebook é apresentado com uma história anotada com pelo menos três gráficos diferentes mostrando aspectos do conjunto de dados, estado por estado e ano por ano | O notebook carece de um desses elementos | O notebook carece de dois desses elementos |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/br/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..38efa13d
--- /dev/null
+++ b/translations/br/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-27T18:14:29+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "br"
+}
+-->
+# Criando Visualizações Significativas
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Visualizações Significativas - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+> "Se você torturar os dados por tempo suficiente, eles confessarão qualquer coisa" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Uma das habilidades básicas de um cientista de dados é a capacidade de criar uma visualização de dados significativa que ajude a responder às perguntas que você possa ter. Antes de visualizar seus dados, é necessário garantir que eles foram limpos e preparados, como você fez em lições anteriores. Depois disso, você pode começar a decidir a melhor forma de apresentar os dados.
+
+Nesta lição, você revisará:
+
+1. Como escolher o tipo de gráfico certo
+2. Como evitar gráficos enganosos
+3. Como trabalhar com cores
+4. Como estilizar seus gráficos para melhor legibilidade
+5. Como criar soluções de gráficos animados ou em 3D
+6. Como construir uma visualização criativa
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Escolha o tipo de gráfico certo
+
+Em lições anteriores, você experimentou criar vários tipos interessantes de visualizações de dados usando Matplotlib e Seaborn. Em geral, você pode selecionar o [tipo certo de gráfico](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) para a pergunta que está fazendo usando esta tabela:
+
+| Você precisa:              | Você deve usar:                 |
+| -------------------------- | ------------------------------- |
+| Mostrar tendências ao longo do tempo | Linha                          |
+| Comparar categorias         | Barra, Pizza                    |
+| Comparar totais             | Pizza, Barra Empilhada          |
+| Mostrar relações            | Dispersão, Linha, Faceta, Linha Dupla |
+| Mostrar distribuições       | Dispersão, Histograma, Caixa    |
+| Mostrar proporções          | Pizza, Donut, Waffle            |
+
+> ✅ Dependendo da composição dos seus dados, pode ser necessário convertê-los de texto para numérico para que um determinado gráfico os suporte.
+
+## Evite enganos
+
+Mesmo que um cientista de dados seja cuidadoso ao escolher o gráfico certo para os dados certos, existem muitas maneiras de exibir dados de forma a provar um ponto, muitas vezes às custas de comprometer os próprios dados. Há muitos exemplos de gráficos e infográficos enganosos!
+
+[![Como os Gráficos Enganam por Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.br.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Como os gráficos enganam")
+
+> 🎥 Clique na imagem acima para assistir a uma palestra sobre gráficos enganosos
+
+Este gráfico inverte o eixo X para mostrar o oposto da verdade, com base na data:
+
+![gráfico ruim 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.br.png)
+
+[Este gráfico](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) é ainda mais enganoso, pois o olhar é atraído para a direita, levando à conclusão de que, ao longo do tempo, os casos de COVID diminuíram nos vários condados. Na verdade, se você olhar atentamente as datas, verá que elas foram reorganizadas para criar essa tendência enganosa de queda.
+
+![gráfico ruim 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.br.jpg)
+
+Este exemplo notório usa cor E um eixo Y invertido para enganar: em vez de concluir que as mortes por armas aumentaram após a aprovação de uma legislação favorável às armas, o olhar é enganado para pensar que o oposto é verdadeiro:
+
+![gráfico ruim 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.br.jpg)
+
+Este gráfico estranho mostra como a proporção pode ser manipulada, de forma hilária:
+
+![gráfico ruim 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.br.jpg)
+
+Comparar o incomparável é outro truque duvidoso. Existe um [site maravilhoso](https://tylervigen.com/spurious-correlations) dedicado a 'correlações espúrias', exibindo 'fatos' que correlacionam coisas como a taxa de divórcio no Maine e o consumo de margarina. Um grupo no Reddit também coleta os [usos feios](https://www.reddit.com/r/dataisugly/top/?t=all) de dados.
+
+É importante entender como o olhar pode ser facilmente enganado por gráficos enganosos. Mesmo que a intenção do cientista de dados seja boa, a escolha de um tipo ruim de gráfico, como um gráfico de pizza mostrando muitas categorias, pode ser enganosa.
+
+## Cor
+
+Você viu no gráfico de 'violência armada na Flórida' acima como a cor pode fornecer uma camada adicional de significado aos gráficos, especialmente aqueles não projetados usando bibliotecas como Matplotlib e Seaborn, que vêm com várias bibliotecas e paletas de cores validadas. Se você estiver criando um gráfico manualmente, estude um pouco sobre [teoria das cores](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Esteja ciente, ao projetar gráficos, que acessibilidade é um aspecto importante da visualização. Alguns dos seus usuários podem ser daltônicos - seu gráfico é exibido bem para usuários com deficiências visuais?
+
+Tenha cuidado ao escolher cores para seu gráfico, pois elas podem transmitir significados que você não pretende. As 'senhoras de rosa' no gráfico de 'altura' acima transmitem um significado distintamente 'feminino', que adiciona ao caráter bizarro do próprio gráfico.
+
+Embora o [significado das cores](https://colormatters.com/color-symbolism/the-meanings-of-colors) possa variar em diferentes partes do mundo e tende a mudar de acordo com sua tonalidade, de forma geral, os significados incluem:
+
+| Cor    | Significado         |
+| ------ | ------------------- |
+| vermelho | poder              |
+| azul    | confiança, lealdade |
+| amarelo | felicidade, cautela |
+| verde   | ecologia, sorte, inveja |
+| roxo    | felicidade          |
+| laranja | vivacidade          |
+
+Se você for encarregado de criar um gráfico com cores personalizadas, certifique-se de que seus gráficos sejam acessíveis e que as cores escolhidas coincidam com o significado que você está tentando transmitir.
+
+## Estilizando seus gráficos para legibilidade
+
+Gráficos não são significativos se não forem legíveis! Reserve um momento para considerar o estilo da largura e altura do seu gráfico para que ele se ajuste bem aos seus dados. Se uma variável (como todos os 50 estados) precisar ser exibida, mostre-os verticalmente no eixo Y, se possível, para evitar um gráfico com rolagem horizontal.
+
+Rotule seus eixos, forneça uma legenda, se necessário, e ofereça tooltips para melhor compreensão dos dados.
+
+Se seus dados forem textuais e extensos no eixo X, você pode inclinar o texto para melhorar a legibilidade. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) oferece gráficos em 3D, se seus dados suportarem. Visualizações de dados sofisticadas podem ser produzidas usando `mpl_toolkits.mplot3d`.
+
+![gráficos 3D](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.br.png)
+
+## Exibição de gráficos animados e em 3D
+
+Algumas das melhores visualizações de dados hoje em dia são animadas. Shirley Wu tem exemplos incríveis feitos com D3, como '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', onde cada flor é uma visualização de um filme. Outro exemplo para o Guardian é 'bussed out', uma experiência interativa que combina visualizações com Greensock e D3, além de um formato de artigo com narrativa para mostrar como NYC lida com seu problema de moradores de rua, enviando pessoas para fora da cidade.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.br.png)
+
+> "Bussed Out: Como os EUA Movem seus Moradores de Rua" do [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Visualizações por Nadieh Bremer & Shirley Wu
+
+Embora esta lição não seja suficiente para ensinar essas poderosas bibliotecas de visualização em profundidade, experimente usar D3 em um aplicativo Vue.js com uma biblioteca para exibir uma visualização do livro "Ligações Perigosas" como uma rede social animada.
+
+> "Les Liaisons Dangereuses" é um romance epistolar, ou seja, um romance apresentado como uma série de cartas. Escrito em 1782 por Choderlos de Laclos, conta a história das manobras sociais cruéis e moralmente corruptas de dois protagonistas rivais da aristocracia francesa no final do século XVIII, o Visconde de Valmont e a Marquesa de Merteuil. Ambos encontram seu fim trágico, mas não sem causar um grande dano social. O romance se desenrola como uma série de cartas escritas para várias pessoas em seus círculos, tramando vingança ou simplesmente causando problemas. Crie uma visualização dessas cartas para descobrir os principais personagens da narrativa, visualmente.
+
+Você completará um aplicativo web que exibirá uma visão animada dessa rede social. Ele usa uma biblioteca criada para gerar uma [visualização de uma rede](https://github.com/emiliorizzo/vue-d3-network) usando Vue.js e D3. Quando o aplicativo estiver em execução, você pode mover os nós na tela para reorganizar os dados.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.br.png)
+
+## Projeto: Crie um gráfico para mostrar uma rede usando D3.js
+
+> Esta pasta de lição inclui uma pasta `solution` onde você pode encontrar o projeto concluído, para sua referência.
+
+1. Siga as instruções no arquivo README.md na pasta raiz do starter. Certifique-se de que você tenha NPM e Node.js instalados em sua máquina antes de instalar as dependências do projeto.
+
+2. Abra a pasta `starter/src`. Você encontrará uma pasta `assets` onde há um arquivo .json com todas as cartas do romance, numeradas, com uma anotação 'to' e 'from'.
+
+3. Complete o código em `components/Nodes.vue` para habilitar a visualização. Procure o método chamado `createLinks()` e adicione o seguinte loop aninhado.
+
+Percorra o objeto .json para capturar os dados 'to' e 'from' das cartas e construa o objeto `links` para que a biblioteca de visualização possa consumi-lo:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Execute seu aplicativo a partir do terminal (npm run serve) e aproveite a visualização!
+
+## 🚀 Desafio
+
+Faça um tour pela internet para descobrir visualizações enganosas. Como o autor engana o usuário, e isso é intencional? Tente corrigir as visualizações para mostrar como elas deveriam ser.
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Revisão & Autoestudo
+
+Aqui estão alguns artigos para ler sobre visualizações de dados enganosas:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Confira estas visualizações interessantes de ativos e artefatos históricos:
+
+https://handbook.pubpub.org/
+
+Leia este artigo sobre como animações podem melhorar suas visualizações:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Tarefa
+
+[Crie sua própria visualização personalizada](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/br/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..422be55f
--- /dev/null
+++ b/translations/br/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-27T18:15:28+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "br"
+}
+-->
+# Crie sua própria visualização personalizada
+
+## Instruções
+
+Usando o exemplo de código neste projeto para criar uma rede social, modele dados das suas próprias interações sociais. Você pode mapear seu uso de redes sociais ou criar um diagrama dos membros da sua família. Desenvolva um aplicativo web interessante que mostre uma visualização única de uma rede social.
+
+## Critérios de Avaliação
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | --- |
+Um repositório no GitHub é apresentado com código que funciona corretamente (tente implantá-lo como um aplicativo web estático) e possui um README anotado explicando o projeto | O repositório não funciona corretamente ou não está bem documentado | O repositório não funciona corretamente e não está bem documentado
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/br/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..4dec9e0a
--- /dev/null
+++ b/translations/br/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:16:24+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "br"
+}
+-->
+# Projeto de visualização de dados Dangerous Liaisons
+
+Para começar, certifique-se de que você tem o NPM e o Node instalados e funcionando na sua máquina. Instale as dependências (npm install) e, em seguida, execute o projeto localmente (npm run serve):
+
+## Configuração do projeto
+```
+npm install
+```
+
+### Compila e recarrega automaticamente para desenvolvimento
+```
+npm run serve
+```
+
+### Compila e minimiza para produção
+```
+npm run build
+```
+
+### Verifica e corrige arquivos
+```
+npm run lint
+```
+
+### Personalizar configuração
+Veja [Referência de Configuração](https://cli.vuejs.org/config/).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/br/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..5d14b0b2
--- /dev/null
+++ b/translations/br/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:15:57+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "br"
+}
+-->
+# Projeto de visualização de dados Dangerous Liaisons
+
+Para começar, você precisa garantir que o NPM e o Node estejam funcionando na sua máquina. Instale as dependências (npm install) e, em seguida, execute o projeto localmente (npm run serve):
+
+## Configuração do projeto
+```
+npm install
+```
+
+### Compila e recarrega automaticamente para desenvolvimento
+```
+npm run serve
+```
+
+### Compila e minimiza para produção
+```
+npm run build
+```
+
+### Verifica e corrige arquivos
+```
+npm run lint
+```
+
+### Personalizar configuração
+Veja [Referência de Configuração](https://cli.vuejs.org/config/).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/br/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..e173390d
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,231 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-27T18:33:01+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Quantidades
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| Visualizando Quantidades - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Nesta lição, você explorará como usar algumas das muitas bibliotecas de pacotes disponíveis no R para aprender a criar visualizações interessantes em torno do conceito de quantidade. Usando um conjunto de dados limpo sobre os pássaros de Minnesota, você pode aprender muitos fatos interessantes sobre a vida selvagem local.  
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Observe a envergadura com ggplot2
+Uma excelente biblioteca para criar gráficos e diagramas simples e sofisticados de vários tipos é o [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). Em termos gerais, o processo de plotar dados usando essas bibliotecas inclui identificar as partes do seu dataframe que você deseja analisar, realizar as transformações necessárias nesses dados, atribuir valores aos eixos x e y, decidir o tipo de gráfico a ser exibido e, por fim, exibir o gráfico.
+
+O `ggplot2` é um sistema para criar gráficos de forma declarativa, baseado na Gramática dos Gráficos. A [Gramática dos Gráficos](https://en.wikipedia.org/wiki/Ggplot2) é um esquema geral para visualização de dados que divide os gráficos em componentes semânticos, como escalas e camadas. Em outras palavras, a facilidade de criar gráficos para dados univariados ou multivariados com pouco código torna o `ggplot2` o pacote mais popular para visualizações no R. O usuário informa ao `ggplot2` como mapear as variáveis para os elementos visuais, os elementos gráficos a serem usados, e o `ggplot2` cuida do restante.
+
+> ✅ Gráfico = Dados + Estética + Geometria  
+> - Dados referem-se ao conjunto de dados  
+> - Estética indica as variáveis a serem estudadas (variáveis x e y)  
+> - Geometria refere-se ao tipo de gráfico (gráfico de linha, gráfico de barras, etc.)  
+
+Escolha a melhor geometria (tipo de gráfico) de acordo com seus dados e a história que você deseja contar por meio do gráfico.
+
+> - Para analisar tendências: linha, coluna  
+> - Para comparar valores: barra, coluna, pizza, dispersão  
+> - Para mostrar como as partes se relacionam com o todo: pizza  
+> - Para mostrar a distribuição dos dados: dispersão, barra  
+> - Para mostrar relações entre valores: linha, dispersão, bolha  
+
+✅ Você também pode conferir este [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) descritivo para ggplot2.
+
+## Construa um gráfico de linha sobre os valores de envergadura de pássaros
+
+Abra o console do R e importe o conjunto de dados.  
+> Nota: O conjunto de dados está armazenado na raiz deste repositório na pasta `/data`.
+
+Vamos importar o conjunto de dados e observar as primeiras linhas (topo) dos dados.
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+O início dos dados contém uma mistura de texto e números:
+
+|      | Nome                         | NomeCientífico         | Categoria             | Ordem        | Família  | Gênero      | StatusConservação | ComprimentoMín | ComprimentoMáx | MassaCorporalMín | MassaCorporalMáx | EnvergaduraMín | EnvergaduraMáx |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :---------------- | --------------: | --------------: | ----------------: | ----------------: | --------------: | --------------: |
+|    0 | Pato-assobiador-de-barriga-preta | Dendrocygna autumnalis | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        47       |        56       |         652       |        1020       |          76     |          94     |
+|    1 | Pato-assobiador-fulvo         | Dendrocygna bicolor    | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Dendrocygna | LC                 |        45       |        53       |         712       |        1050       |          85     |          93     |
+|    2 | Ganso-das-neves              | Anser caerulescens     | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64       |        79       |        2050       |        4050       |         135     |         165     |
+|    3 | Ganso-de-Ross                | Anser rossii           | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |      57.3       |        64       |        1066       |        1567       |         113     |         116     |
+|    4 | Ganso-de-testa-branca-maior  | Anser albifrons        | Patos/Gansos/AvesAquáticas | Anseriformes | Anatidae | Anser       | LC                 |        64       |        81       |        1930       |        3310       |         130     |         165     |
+
+Vamos começar plotando alguns dos dados numéricos usando um gráfico de linha básico. Suponha que você queira visualizar a envergadura máxima desses pássaros interessantes.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+Aqui, você instala o pacote `ggplot2` e o importa para o ambiente de trabalho usando o comando `library("ggplot2")`. Para plotar qualquer gráfico no ggplot, a função `ggplot()` é usada, e você especifica o conjunto de dados, as variáveis x e y como atributos. Neste caso, usamos a função `geom_line()` porque queremos plotar um gráfico de linha.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.br.png)
+
+O que você percebe imediatamente? Parece haver pelo menos um outlier - que envergadura impressionante! Uma envergadura de mais de 2000 centímetros equivale a mais de 20 metros - será que há Pterodáctilos em Minnesota? Vamos investigar.
+
+Embora você possa fazer uma classificação rápida no Excel para encontrar esses outliers, que provavelmente são erros de digitação, continue o processo de visualização trabalhando diretamente no gráfico.
+
+Adicione rótulos ao eixo x para mostrar quais tipos de pássaros estão em questão:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+Especificamos o ângulo no `theme` e definimos os rótulos dos eixos x e y em `xlab()` e `ylab()`, respectivamente. O `ggtitle()` dá um nome ao gráfico.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.br.png)
+
+Mesmo com a rotação dos rótulos ajustada para 45 graus, ainda há muitos para ler. Vamos tentar uma estratégia diferente: rotular apenas os outliers e definir os rótulos dentro do gráfico. Você pode usar um gráfico de dispersão para criar mais espaço para os rótulos:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+O que está acontecendo aqui? Você usou a função `geom_point()` para plotar pontos de dispersão. Com isso, você adicionou rótulos para os pássaros cuja `MaxWingspan > 500` e também ocultou os rótulos no eixo x para desobstruir o gráfico.
+
+O que você descobre?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.br.png)
+
+## Filtre seus dados
+
+Tanto a Águia-careca quanto o Falcão-das-pradarias, embora provavelmente sejam pássaros muito grandes, parecem estar rotulados incorretamente, com um zero extra adicionado à sua envergadura máxima. É improvável que você encontre uma Águia-careca com uma envergadura de 25 metros, mas, se encontrar, por favor, nos avise! Vamos criar um novo dataframe sem esses dois outliers:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+Criamos um novo dataframe `birds_filtered` e, em seguida, plotamos um gráfico de dispersão. Ao filtrar os outliers, seus dados agora estão mais coesos e compreensíveis.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.br.png)
+
+Agora que temos um conjunto de dados mais limpo, pelo menos em termos de envergadura, vamos descobrir mais sobre esses pássaros.
+
+Embora gráficos de linha e dispersão possam exibir informações sobre valores de dados e suas distribuições, queremos pensar nos valores inerentes a este conjunto de dados. Você poderia criar visualizações para responder às seguintes perguntas sobre quantidade:
+
+> Quantas categorias de pássaros existem e quais são seus números?  
+> Quantos pássaros estão extintos, ameaçados, raros ou comuns?  
+> Quantos existem dos vários gêneros e ordens na terminologia de Lineu?  
+
+## Explore gráficos de barras
+
+Gráficos de barras são práticos quando você precisa mostrar agrupamentos de dados. Vamos explorar as categorias de pássaros que existem neste conjunto de dados para ver qual é a mais comum em número.  
+Vamos criar um gráfico de barras com os dados filtrados.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+No trecho a seguir, instalamos os pacotes [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) e [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) para ajudar a manipular e agrupar dados a fim de plotar um gráfico de barras empilhadas. Primeiro, agrupamos os dados pela `Categoria` do pássaro e, em seguida, resumimos as colunas `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan`. Depois, plotamos o gráfico de barras usando o pacote `ggplot2`, especificando as cores para as diferentes categorias e os rótulos.
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.br.png)
+
+Este gráfico de barras, no entanto, é ilegível porque há muitos dados não agrupados. Você precisa selecionar apenas os dados que deseja plotar, então vamos observar o comprimento dos pássaros com base em sua categoria.
+
+Filtre seus dados para incluir apenas a categoria do pássaro.
+
+Como há muitas categorias, você pode exibir este gráfico verticalmente e ajustar sua altura para acomodar todos os dados:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+Primeiro, contamos os valores únicos na coluna `Categoria` e, em seguida, os classificamos em um novo dataframe `birds_count`. Esses dados classificados são então organizados no mesmo nível para que sejam plotados de forma ordenada. Usando o `ggplot2`, você então plota os dados em um gráfico de barras. O `coord_flip()` plota barras horizontais.
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.br.png)
+
+Este gráfico de barras mostra uma boa visão do número de pássaros em cada categoria. Em um piscar de olhos, você vê que o maior número de pássaros nesta região está na categoria Patos/Gansos/AvesAquáticas. Minnesota é a "terra dos 10.000 lagos", então isso não é surpreendente!
+
+✅ Experimente outras contagens neste conjunto de dados. Algo te surpreende?
+
+## Comparando dados
+
+Você pode tentar diferentes comparações de dados agrupados criando novos eixos. Experimente uma comparação do ComprimentoMáximo de um pássaro, com base em sua categoria:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+Agrupamos os dados `birds_filtered` por `Categoria` e, em seguida, plotamos um gráfico de barras.
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.br.png)
+
+Nada surpreendente aqui: beija-flores têm o menor ComprimentoMáximo em comparação com Pelicanos ou Gansos. É bom quando os dados fazem sentido lógico!
+
+Você pode criar visualizações mais interessantes de gráficos de barras sobrepondo dados. Vamos sobrepor os valores de ComprimentoMínimo e ComprimentoMáximo em uma determinada categoria de pássaro:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.br.png)
+
+## 🚀 Desafio
+
+Este conjunto de dados de pássaros oferece uma riqueza de informações sobre diferentes tipos de pássaros dentro de um ecossistema específico. Pesquise na internet e veja se consegue encontrar outros conjuntos de dados relacionados a pássaros. Pratique a construção de gráficos e diagramas sobre esses pássaros para descobrir fatos que você não conhecia.  
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## Revisão e Autoestudo
+
+Esta primeira lição forneceu algumas informações sobre como usar o `ggplot2` para visualizar quantidades. Pesquise outras maneiras de trabalhar com conjuntos de dados para visualização. Pesquise e procure por conjuntos de dados que você possa visualizar usando outros pacotes como [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) e [Plotly](https://github.com/plotly/plotly.R#readme).
+
+## Tarefa  
+[Linhas, Dispersões e Barras](assignment.md)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/br/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..8ff7bde7
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-27T18:34:06+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "br"
+}
+-->
+# Linhas, Dispersões e Barras
+
+## Instruções
+
+Nesta lição, você trabalhou com gráficos de linha, gráficos de dispersão e gráficos de barras para mostrar fatos interessantes sobre este conjunto de dados. Nesta tarefa, aprofunde-se no conjunto de dados para descobrir um fato sobre um tipo específico de pássaro. Por exemplo, crie um script visualizando todos os dados interessantes que você puder encontrar sobre Gansos-da-neve. Use os três tipos de gráficos mencionados acima para contar uma história em seu notebook.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | -- |
+Um script é apresentado com boas anotações, narrativa sólida e gráficos atraentes | O script está faltando um desses elementos | O script está faltando dois desses elementos
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/br/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..745b532c
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-27T18:24:34+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Distribuições
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| Visualizando Distribuições - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Na lição anterior, você aprendeu alguns fatos interessantes sobre um conjunto de dados sobre os pássaros de Minnesota. Você encontrou alguns dados errôneos ao visualizar outliers e analisou as diferenças entre categorias de pássaros com base no comprimento máximo.
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## Explore o conjunto de dados dos pássaros
+
+Outra maneira de explorar os dados é analisando sua distribuição, ou como os dados estão organizados ao longo de um eixo. Talvez, por exemplo, você queira aprender sobre a distribuição geral, neste conjunto de dados, da envergadura máxima ou da massa corporal máxima dos pássaros de Minnesota.
+
+Vamos descobrir alguns fatos sobre as distribuições de dados neste conjunto de dados. No seu console R, importe `ggplot2` e o banco de dados. Remova os outliers do banco de dados, assim como no tópico anterior.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | Nome                        | NomeCientífico         | Categoria             | Ordem        | Família  | Gênero      | StatusConservação   | MinComprimento | MaxComprimento | MinMassaCorporal | MaxMassaCorporal | MinEnvergadura | MaxEnvergadura |
+| ---: | :-------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------------: | --------------: | ----------------: | ----------------: | --------------: | --------------: |
+|    0 | Pato-silvo-de-barriga-preta | Dendrocygna autumnalis | Patos/Gansos/Aquáticos| Anseriformes | Anatidae | Dendrocygna | LC                 |              47 |              56 |               652 |              1020 |              76 |              94 |
+|    1 | Pato-silvo-fulvo            | Dendrocygna bicolor    | Patos/Gansos/Aquáticos| Anseriformes | Anatidae | Dendrocygna | LC                 |              45 |              53 |               712 |              1050 |              85 |              93 |
+|    2 | Ganso-da-neve               | Anser caerulescens     | Patos/Gansos/Aquáticos| Anseriformes | Anatidae | Anser       | LC                 |              64 |              79 |              2050 |              4050 |             135 |             165 |
+|    3 | Ganso-de-Ross               | Anser rossii           | Patos/Gansos/Aquáticos| Anseriformes | Anatidae | Anser       | LC                 |            57.3 |              64 |              1066 |              1567 |             113 |             116 |
+|    4 | Ganso-de-testa-branca-maior | Anser albifrons        | Patos/Gansos/Aquáticos| Anseriformes | Anatidae | Anser       | LC                 |              64 |              81 |              1930 |              3310 |             130 |             165 |
+
+Em geral, você pode rapidamente observar como os dados estão distribuídos usando um gráfico de dispersão, como fizemos na lição anterior:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![comprimento máximo por ordem](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.br.png)
+
+Isso fornece uma visão geral da distribuição do comprimento corporal por ordem de pássaros, mas não é a maneira ideal de exibir distribuições reais. Essa tarefa geralmente é realizada criando um histograma.
+
+## Trabalhando com histogramas
+
+O `ggplot2` oferece ótimas maneiras de visualizar a distribuição de dados usando histogramas. Esse tipo de gráfico é semelhante a um gráfico de barras, onde a distribuição pode ser vista pelo aumento e diminuição das barras. Para construir um histograma, você precisa de dados numéricos. Para criar um histograma, você pode plotar um gráfico definindo o tipo como 'hist' para histograma. Este gráfico mostra a distribuição de MaxBodyMass para o intervalo de dados numéricos do conjunto de dados. Dividindo o conjunto de dados em pequenos intervalos, ele pode exibir a distribuição dos valores dos dados:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![distribuição em todo o conjunto de dados](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.br.png)
+
+Como você pode ver, a maioria dos 400+ pássaros neste conjunto de dados está na faixa de menos de 2000 para sua massa corporal máxima. Obtenha mais informações sobre os dados alterando o parâmetro `bins` para um número maior, algo como 30:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![distribuição-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.br.png)
+
+Este gráfico mostra a distribuição de forma um pouco mais detalhada. Um gráfico menos inclinado para a esquerda poderia ser criado garantindo que você selecione apenas dados dentro de um determinado intervalo:
+
+Filtre seus dados para obter apenas os pássaros cuja massa corporal seja inferior a 60 e mostre 30 `bins`:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![histograma filtrado](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.br.png)
+
+✅ Experimente outros filtros e pontos de dados. Para ver a distribuição completa dos dados, remova o filtro `['MaxBodyMass']` para mostrar distribuições rotuladas.
+
+O histograma oferece algumas melhorias interessantes de cor e rotulagem para experimentar também:
+
+Crie um histograma 2D para comparar a relação entre duas distribuições. Vamos comparar `MaxBodyMass` vs. `MaxLength`. O `ggplot2` oferece uma maneira integrada de mostrar convergência usando cores mais brilhantes:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+Parece haver uma correlação esperada entre esses dois elementos ao longo de um eixo esperado, com um ponto de convergência particularmente forte:
+
+![gráfico 2d](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.br.png)
+
+Os histogramas funcionam bem por padrão para dados numéricos. E se você precisar ver distribuições de acordo com dados textuais? 
+## Explore o conjunto de dados para distribuições usando dados textuais 
+
+Este conjunto de dados também inclui boas informações sobre a categoria dos pássaros, seu gênero, espécie e família, bem como seu status de conservação. Vamos explorar essas informações de conservação. Qual é a distribuição dos pássaros de acordo com seu status de conservação?
+
+> ✅ No conjunto de dados, vários acrônimos são usados para descrever o status de conservação. Esses acrônimos vêm das [Categorias da Lista Vermelha da IUCN](https://www.iucnredlist.org/), uma organização que cataloga o status das espécies.
+> 
+> - CR: Criticamente Ameaçado
+> - EN: Ameaçado
+> - EX: Extinto
+> - LC: Pouco Preocupante
+> - NT: Quase Ameaçado
+> - VU: Vulnerável
+
+Esses são valores baseados em texto, então você precisará fazer uma transformação para criar um histograma. Usando o dataframe filteredBirds, exiba seu status de conservação junto com sua envergadura mínima. O que você observa?
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![envergadura e status de conservação](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.br.png)
+
+Não parece haver uma boa correlação entre envergadura mínima e status de conservação. Teste outros elementos do conjunto de dados usando este método. Você encontra alguma correlação?
+
+## Gráficos de densidade
+
+Você pode ter notado que os histogramas que analisamos até agora são 'escalonados' e não fluem suavemente em um arco. Para mostrar um gráfico de densidade mais suave, você pode tentar um gráfico de densidade.
+
+Vamos trabalhar com gráficos de densidade agora!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![gráfico de densidade](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.br.png)
+
+Você pode ver como o gráfico reflete o anterior para os dados de envergadura mínima; é apenas um pouco mais suave. Se você quisesse revisitar aquela linha irregular de MaxBodyMass no segundo gráfico que construiu, poderia suavizá-la muito bem recriando-a usando este método:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![densidade de massa corporal](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.br.png)
+
+Se você quisesse uma linha suave, mas não muito suave, edite o parâmetro `adjust`: 
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![massa corporal menos suave](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.br.png)
+
+✅ Leia sobre os parâmetros disponíveis para este tipo de gráfico e experimente!
+
+Este tipo de gráfico oferece visualizações explicativas muito bonitas. Com algumas linhas de código, por exemplo, você pode mostrar a densidade de massa corporal máxima por ordem de pássaros:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![massa corporal por ordem](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.br.png)
+
+## 🚀 Desafio
+
+Os histogramas são um tipo de gráfico mais sofisticado do que gráficos de dispersão, gráficos de barras ou gráficos de linhas básicos. Faça uma busca na internet para encontrar bons exemplos do uso de histogramas. Como eles são usados, o que demonstram e em quais campos ou áreas de estudo tendem a ser utilizados?
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## Revisão e Autoestudo
+
+Nesta lição, você usou `ggplot2` e começou a trabalhar para mostrar gráficos mais sofisticados. Pesquise sobre `geom_density_2d()`, uma "curva de densidade de probabilidade contínua em uma ou mais dimensões". Leia a [documentação](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) para entender como funciona.
+
+## Tarefa
+
+[Coloque suas habilidades em prática](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/br/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..7768f385
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-27T18:25:21+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "br"
+}
+-->
+# Aplique suas habilidades
+
+## Instruções
+
+Até agora, você trabalhou com o conjunto de dados de aves de Minnesota para descobrir informações sobre quantidades de aves e densidade populacional. Pratique a aplicação dessas técnicas experimentando um conjunto de dados diferente, talvez obtido no [Kaggle](https://www.kaggle.com/). Crie um script em R para contar uma história sobre esse conjunto de dados e certifique-se de usar histogramas ao discuti-lo.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+Um script é apresentado com anotações sobre este conjunto de dados, incluindo sua fonte, e utiliza pelo menos 5 histogramas para descobrir fatos sobre os dados. | Um script é apresentado com anotações incompletas ou erros. | Um script é apresentado sem anotações e inclui erros.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/br/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..3f2613c3
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,197 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-27T18:38:56+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Proporções
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|Visualizando Proporções - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Nesta lição, você usará um conjunto de dados com foco na natureza para visualizar proporções, como a quantidade de diferentes tipos de fungos presentes em um conjunto de dados sobre cogumelos. Vamos explorar esses fascinantes fungos usando um conjunto de dados da Audubon que lista detalhes sobre 23 espécies de cogumelos com lamelas das famílias Agaricus e Lepiota. Você experimentará visualizações interessantes como:
+
+- Gráficos de pizza 🥧  
+- Gráficos de rosca 🍩  
+- Gráficos de waffle 🧇  
+
+> 💡 Um projeto muito interessante chamado [Charticulator](https://charticulator.com) da Microsoft Research oferece uma interface gratuita de arrastar e soltar para visualizações de dados. Em um de seus tutoriais, eles também usam este conjunto de dados de cogumelos! Assim, você pode explorar os dados e aprender a biblioteca ao mesmo tempo: [Tutorial do Charticulator](https://charticulator.com/tutorials/tutorial4.html).
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## Conheça seus cogumelos 🍄
+
+Cogumelos são muito interessantes. Vamos importar um conjunto de dados para estudá-los:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```  
+Uma tabela é exibida com alguns dados excelentes para análise:
+
+| classe     | formato do chapéu | superfície do chapéu | cor do chapéu | machucados | odor    | fixação das lamelas | espaçamento das lamelas | tamanho das lamelas | cor das lamelas | formato do caule | raiz do caule | superfície acima do anel | superfície abaixo do anel | cor acima do anel | cor abaixo do anel | tipo de véu | cor do véu | número de anéis | tipo de anel | cor do esporo | população | habitat |
+| --------- | ----------------- | -------------------- | ------------- | ---------- | ------- | ------------------- | ----------------------- | ------------------- | --------------- | --------------- | ------------ | ------------------------ | ------------------------ | ----------------- | ----------------- | ---------- | ---------- | -------------- | ------------ | ------------- | ---------- | ------- |
+| Venenoso  | Convexo           | Liso                | Marrom        | Machucado  | Pungente | Livre              | Fechado                | Estreito           | Preto           | Alargado         | Igual        | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Pendente     | Preto         | Espalhado  | Urbano  |
+| Comestível| Convexo           | Liso                | Amarelo       | Machucado  | Amêndoa | Livre              | Fechado                | Largo              | Preto           | Alargado         | Club         | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Pendente     | Marrom        | Numeroso   | Gramíneas |
+| Comestível| Sino              | Liso                | Branco        | Machucado  | Anis    | Livre              | Fechado                | Largo              | Marrom          | Alargado         | Club         | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Pendente     | Marrom        | Numeroso   | Prados   |
+| Venenoso  | Convexo           | Escamoso            | Branco        | Machucado  | Pungente | Livre              | Fechado                | Estreito           | Marrom          | Alargado         | Igual        | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Pendente     | Preto         | Espalhado  | Urbano   |
+| Comestível| Convexo           | Liso                | Verde         | Sem machucados | Nenhum | Livre              | Aglomerado             | Largo              | Preto           | Afunilado        | Igual        | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Evanescente  | Marrom        | Abundante  | Gramíneas |
+| Comestível| Convexo           | Escamoso            | Amarelo       | Machucado  | Amêndoa | Livre              | Fechado                | Largo              | Marrom          | Alargado         | Club         | Liso                     | Liso                     | Branco            | Branco            | Parcial    | Branco     | Um              | Pendente     | Preto         | Numeroso   | Gramíneas |
+
+Logo de cara, você percebe que todos os dados são textuais. Será necessário converter esses dados para poder usá-los em um gráfico. Na verdade, a maior parte dos dados está representada como um objeto:
+
+```r
+names(mushrooms)
+```  
+
+A saída é:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```  
+Pegue esses dados e converta a coluna 'class' para uma categoria:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```  
+
+Agora, se você imprimir os dados dos cogumelos, verá que eles foram agrupados em categorias de acordo com a classe venenoso/comestível:  
+```r
+View(grouped)
+```  
+
+| classe    | contagem |
+| --------- | -------- |
+| Comestível| 4208     |
+| Venenoso  | 3916     |
+
+Se você seguir a ordem apresentada nesta tabela para criar os rótulos da categoria 'class', poderá construir um gráfico de pizza.
+
+## Pizza!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```  
+Voilá, um gráfico de pizza mostrando as proporções desses dados de acordo com essas duas classes de cogumelos. É muito importante obter a ordem correta dos rótulos, especialmente aqui, então certifique-se de verificar a ordem com a qual o array de rótulos foi construído!
+
+![gráfico de pizza](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.br.png)
+
+## Roscas!
+
+Um gráfico de pizza um pouco mais visualmente interessante é o gráfico de rosca, que é um gráfico de pizza com um buraco no meio. Vamos observar nossos dados usando este método.
+
+Veja os diversos habitats onde os cogumelos crescem:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```  
+A saída é:  
+| habitat   | contagem |
+| --------- | -------- |
+| Gramíneas | 2148     |
+| Folhas    | 832      |
+| Prados    | 292      |
+| Trilhas   | 1144     |
+| Urbano    | 368      |
+| Resíduos  | 192      |
+| Madeira   | 3148     |
+
+Aqui, você está agrupando seus dados por habitat. Existem 7 listados, então use-os como rótulos para seu gráfico de rosca:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```  
+
+![gráfico de rosca](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.br.png)
+
+Este código usa duas bibliotecas - ggplot2 e webr. Usando a função PieDonut da biblioteca webr, podemos criar um gráfico de rosca facilmente!
+
+Gráficos de rosca no R também podem ser feitos usando apenas a biblioteca ggplot2. Você pode aprender mais sobre isso [aqui](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) e experimentar por conta própria.
+
+Agora que você sabe como agrupar seus dados e exibi-los como pizza ou rosca, pode explorar outros tipos de gráficos. Experimente um gráfico de waffle, que é apenas uma maneira diferente de explorar quantidades.
+
+## Waffles!
+
+Um gráfico do tipo 'waffle' é uma maneira diferente de visualizar quantidades como uma matriz 2D de quadrados. Experimente visualizar as diferentes quantidades de cores de chapéus de cogumelos neste conjunto de dados. Para isso, você precisa instalar uma biblioteca auxiliar chamada [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) e usá-la para gerar sua visualização:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```  
+
+Selecione um segmento de seus dados para agrupar:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```  
+
+Crie um gráfico de waffle criando rótulos e agrupando seus dados:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```  
+
+Usando um gráfico de waffle, você pode ver claramente as proporções das cores dos chapéus neste conjunto de dados de cogumelos. Curiosamente, há muitos cogumelos com chapéus verdes!
+
+![gráfico de waffle](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.br.png)
+
+Nesta lição, você aprendeu três maneiras de visualizar proporções. Primeiro, você precisa agrupar seus dados em categorias e, em seguida, decidir qual é a melhor maneira de exibir os dados - pizza, rosca ou waffle. Todas são deliciosas e proporcionam ao usuário uma visão instantânea de um conjunto de dados.
+
+## 🚀 Desafio
+
+Tente recriar esses gráficos saborosos no [Charticulator](https://charticulator.com).  
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## Revisão e Autoestudo
+
+Às vezes, não é óbvio quando usar um gráfico de pizza, rosca ou waffle. Aqui estão alguns artigos para ler sobre este tópico:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+Pesquise mais informações sobre essa decisão difícil.  
+
+## Tarefa
+
+[Tente no Excel](assignment.md)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/br/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..e625244a
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-27T18:27:31+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizando Relações: Tudo Sobre o Mel 🍯
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|Visualizando Relações - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Continuando com o foco na natureza em nossa pesquisa, vamos descobrir visualizações interessantes para mostrar as relações entre vários tipos de mel, de acordo com um conjunto de dados derivado do [Departamento de Agricultura dos Estados Unidos](https://www.nass.usda.gov/About_NASS/index.php).
+
+Este conjunto de dados, com cerca de 600 itens, exibe a produção de mel em muitos estados dos EUA. Por exemplo, você pode observar o número de colônias, rendimento por colônia, produção total, estoques, preço por libra e valor do mel produzido em um determinado estado de 1998 a 2012, com uma linha por ano para cada estado.
+
+Será interessante visualizar a relação entre a produção anual de um estado e, por exemplo, o preço do mel nesse estado. Alternativamente, você poderia visualizar a relação entre o rendimento de mel por colônia em diferentes estados. Este período cobre o devastador 'CCD' ou 'Desordem do Colapso das Colônias', observado pela primeira vez em 2006 (http://npic.orst.edu/envir/ccd.html), tornando este um conjunto de dados significativo para estudo. 🐝
+
+## [Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+Nesta lição, você pode usar o ggplot2, que já utilizou antes, como uma boa biblioteca para visualizar relações entre variáveis. Particularmente interessante é o uso das funções `geom_point` e `qplot` do ggplot2, que permitem criar gráficos de dispersão e gráficos de linha para visualizar rapidamente '[relações estatísticas](https://ggplot2.tidyverse.org/)', ajudando o cientista de dados a entender melhor como as variáveis se relacionam.
+
+## Gráficos de Dispersão
+
+Use um gráfico de dispersão para mostrar como o preço do mel evoluiu, ano após ano, por estado. O ggplot2, usando `ggplot` e `geom_point`, agrupa convenientemente os dados por estado e exibe pontos de dados para dados categóricos e numéricos.
+
+Vamos começar importando os dados e o Seaborn:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+Você notará que os dados de mel possuem várias colunas interessantes, incluindo ano e preço por libra. Vamos explorar esses dados, agrupados por estado dos EUA:
+
+| estado | numcol | rendimento_por_col | produção_total | estoques | preço_por_libra | valor_prod | ano |
+| ------ | ------ | ------------------ | -------------- | -------- | ---------------- | ---------- | --- |
+| AL     | 16000  | 71                 | 1136000        | 159000   | 0.72             | 818000     | 1998 |
+| AZ     | 55000  | 60                 | 3300000        | 1485000  | 0.64             | 2112000    | 1998 |
+| AR     | 53000  | 65                 | 3445000        | 1688000  | 0.59             | 2033000    | 1998 |
+| CA     | 450000 | 83                 | 37350000       | 12326000 | 0.62             | 23157000   | 1998 |
+| CO     | 27000  | 72                 | 1944000        | 1594000  | 0.7              | 1361000    | 1998 |
+| FL     | 230000 | 98                 | 22540000       | 4508000  | 0.64             | 14426000   | 1998 |
+
+Crie um gráfico de dispersão básico para mostrar a relação entre o preço por libra do mel e seu estado de origem nos EUA. Ajuste o eixo `y` para ser alto o suficiente para exibir todos os estados:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.br.png)
+
+Agora, mostre os mesmos dados com um esquema de cores de mel para ilustrar como o preço evolui ao longo dos anos. Você pode fazer isso adicionando um parâmetro 'scale_color_gradientn' para mostrar a mudança, ano após ano:
+
+> ✅ Saiba mais sobre o [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) - experimente um esquema de cores em arco-íris!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.br.png)
+
+Com essa mudança no esquema de cores, você pode ver claramente uma forte progressão ao longo dos anos no preço do mel por libra. De fato, se você observar um conjunto de amostra nos dados para verificar (escolha um estado, como o Arizona, por exemplo), verá um padrão de aumento de preços ano após ano, com poucas exceções:
+
+| estado | numcol | rendimento_por_col | produção_total | estoques | preço_por_libra | valor_prod | ano |
+| ------ | ------ | ------------------ | -------------- | -------- | ---------------- | ---------- | --- |
+| AZ     | 55000  | 60                 | 3300000        | 1485000  | 0.64             | 2112000    | 1998 |
+| AZ     | 52000  | 62                 | 3224000        | 1548000  | 0.62             | 1999000    | 1999 |
+| AZ     | 40000  | 59                 | 2360000        | 1322000  | 0.73             | 1723000    | 2000 |
+| AZ     | 43000  | 59                 | 2537000        | 1142000  | 0.72             | 1827000    | 2001 |
+| AZ     | 38000  | 63                 | 2394000        | 1197000  | 1.08             | 2586000    | 2002 |
+| AZ     | 35000  | 72                 | 2520000        | 983000   | 1.34             | 3377000    | 2003 |
+| AZ     | 32000  | 55                 | 1760000        | 774000   | 1.11             | 1954000    | 2004 |
+| AZ     | 36000  | 50                 | 1800000        | 720000   | 1.04             | 1872000    | 2005 |
+| AZ     | 30000  | 65                 | 1950000        | 839000   | 0.91             | 1775000    | 2006 |
+| AZ     | 30000  | 64                 | 1920000        | 902000   | 1.26             | 2419000    | 2007 |
+| AZ     | 25000  | 64                 | 1600000        | 336000   | 1.26             | 2016000    | 2008 |
+| AZ     | 20000  | 52                 | 1040000        | 562000   | 1.45             | 1508000    | 2009 |
+| AZ     | 24000  | 77                 | 1848000        | 665000   | 1.52             | 2809000    | 2010 |
+| AZ     | 23000  | 53                 | 1219000        | 427000   | 1.55             | 1889000    | 2011 |
+| AZ     | 22000  | 46                 | 1012000        | 253000   | 1.79             | 1811000    | 2012 |
+
+Outra forma de visualizar essa progressão é usar o tamanho, em vez da cor. Para usuários daltônicos, isso pode ser uma opção melhor. Edite sua visualização para mostrar o aumento do preço por meio de um aumento no tamanho dos pontos:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+Você pode ver o tamanho dos pontos aumentando gradualmente.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.br.png)
+
+Isso é um caso simples de oferta e demanda? Devido a fatores como mudanças climáticas e colapso das colônias, há menos mel disponível para compra ano após ano, e, portanto, o preço aumenta?
+
+Para descobrir uma correlação entre algumas das variáveis neste conjunto de dados, vamos explorar alguns gráficos de linha.
+
+## Gráficos de Linha
+
+Pergunta: Há um aumento claro no preço do mel por libra ano após ano? Você pode descobrir isso mais facilmente criando um único gráfico de linha:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+Resposta: Sim, com algumas exceções por volta do ano de 2003:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.br.png)
+
+Pergunta: Bem, em 2003 também podemos ver um aumento na oferta de mel? E se você observar a produção total ano após ano?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.br.png)
+
+Resposta: Não exatamente. Se você observar a produção total, parece que ela realmente aumentou naquele ano específico, embora, de forma geral, a quantidade de mel produzida esteja em declínio durante esses anos.
+
+Pergunta: Nesse caso, o que poderia ter causado o aumento no preço do mel por volta de 2003?
+
+Para descobrir isso, você pode explorar uma grade de facetas.
+
+## Grades de Facetas
+
+Grades de facetas pegam um aspecto do seu conjunto de dados (neste caso, você pode escolher 'ano' para evitar produzir muitas facetas). O Seaborn pode então criar um gráfico para cada uma dessas facetas de suas coordenadas x e y escolhidas, facilitando a comparação visual. O ano de 2003 se destaca nesse tipo de comparação?
+
+Crie uma grade de facetas usando `facet_wrap`, conforme recomendado pela [documentação do ggplot2](https://ggplot2.tidyverse.org/reference/facet_wrap.html).
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+Nesta visualização, você pode comparar o rendimento por colônia e o número de colônias ano após ano, lado a lado, com um wrap configurado para 3 colunas:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.br.png)
+
+Para este conjunto de dados, nada particularmente se destaca em relação ao número de colônias e seu rendimento, ano após ano e estado por estado. Existe uma maneira diferente de encontrar uma correlação entre essas duas variáveis?
+
+## Gráficos de Linha Dupla
+
+Experimente um gráfico de múltiplas linhas sobrepondo dois gráficos de linha um sobre o outro, usando as funções `par` e `plot` do R. Vamos plotar o ano no eixo x e exibir dois eixos y. Assim, exibiremos o rendimento por colônia e o número de colônias, sobrepostos:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.br.png)
+
+Embora nada salte aos olhos em torno do ano de 2003, isso nos permite terminar esta lição com uma nota um pouco mais feliz: embora o número de colônias esteja em declínio geral, ele está se estabilizando, mesmo que o rendimento por colônia esteja diminuindo.
+
+Vai, abelhas, vai!
+
+🐝❤️
+## 🚀 Desafio
+
+Nesta lição, você aprendeu um pouco mais sobre outros usos de gráficos de dispersão e grades de linha, incluindo grades de facetas. Desafie-se a criar uma grade de facetas usando um conjunto de dados diferente, talvez um que você tenha usado antes destas lições. Observe quanto tempo leva para criá-las e como você precisa ter cuidado com a quantidade de grades que deseja desenhar usando essas técnicas.
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## Revisão e Autoestudo
+
+Gráficos de linha podem ser simples ou bastante complexos. Faça uma leitura na [documentação do ggplot2](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) sobre as várias maneiras de construí-los. Tente aprimorar os gráficos de linha que você criou nesta lição com outros métodos listados na documentação.
+## Tarefa
+
+[Explore a colmeia](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/br/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..46328a0f
--- /dev/null
+++ b/translations/br/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-27T18:36:31+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "br"
+}
+-->
+# Criando Visualizações Significativas
+
+|![Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev)](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| Visualizações Significativas - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+> "Se você torturar os dados por tempo suficiente, eles confessarão qualquer coisa" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+Uma das habilidades básicas de um cientista de dados é a capacidade de criar uma visualização de dados significativa que ajude a responder às perguntas que você possa ter. Antes de visualizar seus dados, é necessário garantir que eles foram limpos e preparados, como você fez em lições anteriores. Depois disso, você pode começar a decidir como apresentar os dados da melhor forma.
+
+Nesta lição, você revisará:
+
+1. Como escolher o tipo de gráfico certo
+2. Como evitar gráficos enganosos
+3. Como trabalhar com cores
+4. Como estilizar seus gráficos para melhor legibilidade
+5. Como criar soluções de gráficos animados ou em 3D
+6. Como construir uma visualização criativa
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## Escolha o tipo de gráfico certo
+
+Em lições anteriores, você experimentou criar vários tipos interessantes de visualizações de dados usando Matplotlib e Seaborn. Em geral, você pode selecionar o [tipo certo de gráfico](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) para a pergunta que está fazendo usando esta tabela:
+
+| Você precisa:              | Você deve usar:                 |
+| -------------------------- | ------------------------------- |
+| Mostrar tendências ao longo do tempo | Linha                          |
+| Comparar categorias         | Barra, Pizza                    |
+| Comparar totais             | Pizza, Barra Empilhada          |
+| Mostrar relações            | Dispersão, Linha, Faceta, Linha Dupla |
+| Mostrar distribuições       | Dispersão, Histograma, Caixa    |
+| Mostrar proporções          | Pizza, Donut, Waffle            |
+
+> ✅ Dependendo da composição dos seus dados, pode ser necessário convertê-los de texto para numérico para que um determinado gráfico os suporte.
+
+## Evite enganos
+
+Mesmo que um cientista de dados seja cuidadoso ao escolher o gráfico certo para os dados certos, há muitas maneiras de exibir dados de forma a provar um ponto, muitas vezes às custas de comprometer os próprios dados. Existem muitos exemplos de gráficos e infográficos enganosos!
+
+[![Como os Gráficos Mentem por Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.br.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "Como os gráficos mentem")
+
+> 🎥 Clique na imagem acima para assistir a uma palestra sobre gráficos enganosos
+
+Este gráfico inverte o eixo X para mostrar o oposto da verdade, com base na data:
+
+![gráfico ruim 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.br.png)
+
+[Este gráfico](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) é ainda mais enganoso, pois o olhar é atraído para a direita, levando à conclusão de que, ao longo do tempo, os casos de COVID diminuíram nos vários condados. Na verdade, se você olhar atentamente para as datas, verá que elas foram reorganizadas para criar essa tendência enganosa de queda.
+
+![gráfico ruim 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.br.jpg)
+
+Este exemplo notório usa cor E um eixo Y invertido para enganar: em vez de concluir que as mortes por armas aumentaram após a aprovação de uma legislação favorável às armas, o olhar é enganado para pensar que o oposto é verdadeiro:
+
+![gráfico ruim 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.br.jpg)
+
+Este gráfico estranho mostra como a proporção pode ser manipulada, de forma hilária:
+
+![gráfico ruim 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.br.jpg)
+
+Comparar o incomparável é mais um truque duvidoso. Existe um [site maravilhoso](https://tylervigen.com/spurious-correlations) dedicado a 'correlações espúrias', exibindo 'fatos' que correlacionam coisas como a taxa de divórcio no Maine e o consumo de margarina. Um grupo no Reddit também coleta os [usos feios](https://www.reddit.com/r/dataisugly/top/?t=all) de dados.
+
+É importante entender como o olhar pode ser facilmente enganado por gráficos enganosos. Mesmo que a intenção do cientista de dados seja boa, a escolha de um tipo ruim de gráfico, como um gráfico de pizza com muitas categorias, pode ser enganosa.
+
+## Cor
+
+Você viu no gráfico de 'violência armada na Flórida' acima como a cor pode fornecer uma camada adicional de significado aos gráficos, especialmente aqueles que não foram projetados usando bibliotecas como ggplot2 e RColorBrewer, que vêm com várias bibliotecas e paletas de cores validadas. Se você estiver criando um gráfico manualmente, estude um pouco sobre [teoria das cores](https://colormatters.com/color-and-design/basic-color-theory).
+
+> ✅ Esteja ciente, ao projetar gráficos, que acessibilidade é um aspecto importante da visualização. Alguns dos seus usuários podem ser daltônicos - seu gráfico é exibido bem para usuários com deficiências visuais?
+
+Tenha cuidado ao escolher cores para seu gráfico, pois elas podem transmitir significados que você não pretende. As 'senhoras de rosa' no gráfico de 'altura' acima transmitem um significado distintamente 'feminino' que aumenta a estranheza do próprio gráfico.
+
+Embora o [significado das cores](https://colormatters.com/color-symbolism/the-meanings-of-colors) possa ser diferente em diferentes partes do mundo e tenda a mudar de acordo com sua tonalidade, de forma geral, os significados incluem:
+
+| Cor    | Significado         |
+| ------ | ------------------- |
+| vermelho | poder              |
+| azul    | confiança, lealdade |
+| amarelo | felicidade, cautela |
+| verde   | ecologia, sorte, inveja |
+| roxo    | felicidade          |
+| laranja | vivacidade          |
+
+Se você for encarregado de criar um gráfico com cores personalizadas, certifique-se de que seus gráficos sejam acessíveis e que a cor escolhida coincida com o significado que você está tentando transmitir.
+
+## Estilizando seus gráficos para legibilidade
+
+Gráficos não são significativos se não forem legíveis! Reserve um momento para considerar o estilo da largura e altura do seu gráfico para que ele se ajuste bem aos seus dados. Se uma variável (como todos os 50 estados) precisar ser exibida, mostre-os verticalmente no eixo Y, se possível, para evitar um gráfico com rolagem horizontal.
+
+Rotule seus eixos, forneça uma legenda, se necessário, e ofereça tooltips para melhor compreensão dos dados.
+
+Se seus dados forem textuais e extensos no eixo X, você pode inclinar o texto para melhorar a legibilidade. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) oferece gráficos em 3D, se seus dados suportarem. Visualizações de dados sofisticadas podem ser produzidas usando essa ferramenta.
+
+![gráficos 3D](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.br.png)
+
+## Exibição de gráficos animados e em 3D
+
+Algumas das melhores visualizações de dados hoje em dia são animadas. Shirley Wu tem exemplos incríveis feitos com D3, como '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', onde cada flor é uma visualização de um filme. Outro exemplo para o Guardian é 'bussed out', uma experiência interativa que combina visualizações com Greensock e D3, além de um formato de artigo com narrativa para mostrar como NYC lida com seu problema de moradores de rua, enviando pessoas para fora da cidade.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.br.png)
+
+> "Bussed Out: Como os EUA Movem seus Moradores de Rua" do [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study). Visualizações por Nadieh Bremer & Shirley Wu
+
+Embora esta lição não seja suficiente para ensinar essas poderosas bibliotecas de visualização em profundidade, experimente usar D3 em um aplicativo Vue.js para exibir uma visualização do livro "Ligações Perigosas" como uma rede social animada.
+
+> "Les Liaisons Dangereuses" é um romance epistolar, ou seja, um romance apresentado como uma série de cartas. Escrito em 1782 por Choderlos de Laclos, conta a história das manobras sociais imorais e vingativas de dois protagonistas da aristocracia francesa do final do século XVIII, o Visconde de Valmont e a Marquesa de Merteuil. Ambos encontram seu fim trágico, mas não sem causar muitos danos sociais. O romance se desenrola como uma série de cartas escritas para várias pessoas em seus círculos, tramando vingança ou simplesmente causando problemas. Crie uma visualização dessas cartas para descobrir os principais personagens da narrativa, visualmente.
+
+Você completará um aplicativo web que exibirá uma visão animada dessa rede social. Ele usa uma biblioteca criada para gerar uma [visualização de uma rede](https://github.com/emiliorizzo/vue-d3-network) usando Vue.js e D3. Quando o aplicativo estiver em execução, você poderá mover os nós na tela para reorganizar os dados.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.br.png)
+
+## Projeto: Crie um gráfico para mostrar uma rede usando D3.js
+
+> Esta pasta de lição inclui uma pasta `solution` onde você pode encontrar o projeto concluído, para sua referência.
+
+1. Siga as instruções no arquivo README.md na pasta raiz do starter. Certifique-se de que você tenha NPM e Node.js instalados em sua máquina antes de instalar as dependências do projeto.
+
+2. Abra a pasta `starter/src`. Você encontrará uma pasta `assets` onde há um arquivo .json com todas as cartas do romance, numeradas, com anotações de 'para' e 'de'.
+
+3. Complete o código em `components/Nodes.vue` para habilitar a visualização. Procure pelo método chamado `createLinks()` e adicione o seguinte loop aninhado.
+
+Percorra o objeto .json para capturar os dados de 'para' e 'de' das cartas e construa o objeto `links` para que a biblioteca de visualização possa consumi-lo:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+Execute seu aplicativo a partir do terminal (npm run serve) e aproveite a visualização!
+
+## 🚀 Desafio
+
+Faça um tour pela internet para descobrir visualizações enganosas. Como o autor engana o usuário, e isso é intencional? Tente corrigir as visualizações para mostrar como elas deveriam ser.
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## Revisão & Autoestudo
+
+Aqui estão alguns artigos para ler sobre visualizações de dados enganosas:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+Confira estas visualizações interessantes de ativos e artefatos históricos:
+
+https://handbook.pubpub.org/
+
+Leia este artigo sobre como animações podem melhorar suas visualizações:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## Tarefa
+
+[Crie sua própria visualização personalizada](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/3-Data-Visualization/README.md b/translations/br/3-Data-Visualization/README.md
new file mode 100644
index 00000000..ca11a320
--- /dev/null
+++ b/translations/br/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-27T18:11:08+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "br"
+}
+-->
+# Visualizações
+
+![uma abelha em uma flor de lavanda](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.br.jpg)  
+> Foto por <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Jenna Lee</a> no <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+Visualizar dados é uma das tarefas mais importantes de um cientista de dados. Imagens valem mais que mil palavras, e uma visualização pode ajudar você a identificar diversos aspectos interessantes dos seus dados, como picos, valores atípicos, agrupamentos, tendências e muito mais, que podem ajudar a entender a história que seus dados estão tentando contar.
+
+Nestas cinco lições, você explorará dados provenientes da natureza e criará visualizações interessantes e bonitas usando várias técnicas.
+
+| Número do Tópico | Tópico | Aula Vinculada | Autor |
+| :--------------: | :----: | :------------: | :----: |
+| 1. | Visualizando quantidades | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 2. | Visualizando distribuição | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 3. | Visualizando proporções | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 4. | Visualizando relações | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+| 5. | Criando Visualizações Significativas | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [Jen Looper](https://twitter.com/jenlooper)</li><li> [Vidushi Gupta](https://github.com/Vidushi-Gupta)</li> <li>[Jasleen Sondhi](https://github.com/jasleen101010)</li></ul> |
+
+### Créditos
+
+Essas lições de visualização foram escritas com 🌸 por [Jen Looper](https://twitter.com/jenlooper), [Jasleen Sondhi](https://github.com/jasleen101010) e [Vidushi Gupta](https://github.com/Vidushi-Gupta).
+
+🍯 Os dados sobre Produção de Mel nos EUA foram obtidos do projeto de Jessica Li no [Kaggle](https://www.kaggle.com/jessicali9530/honey-production). Os [dados](https://usda.library.cornell.edu/concern/publications/rn301137d) são derivados do [Departamento de Agricultura dos Estados Unidos](https://www.nass.usda.gov/About_NASS/index.php).
+
+🍄 Os dados sobre cogumelos também foram obtidos do [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset), revisados por Hatteras Dunton. Este conjunto de dados inclui descrições de amostras hipotéticas correspondentes a 23 espécies de cogumelos com lamelas das famílias Agaricus e Lepiota. Os cogumelos foram descritos no livro The Audubon Society Field Guide to North American Mushrooms (1981). Este conjunto de dados foi doado ao UCI ML 27 em 1987.
+
+🦆 Os dados sobre pássaros de Minnesota foram obtidos do [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds), extraídos do [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) por Hannah Collins.
+
+Todos esses conjuntos de dados estão licenciados como [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/br/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..514478a1
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-27T17:59:45+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "br"
+}
+-->
+# Introdução ao Ciclo de Vida da Ciência de Dados
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| Introdução ao Ciclo de Vida da Ciência de Dados - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## [Pré-Questionário](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+Neste ponto, você provavelmente já percebeu que a ciência de dados é um processo. Esse processo pode ser dividido em 5 etapas:
+
+- Captura
+- Processamento
+- Análise
+- Comunicação
+- Manutenção
+
+Esta lição foca em 3 partes do ciclo de vida: captura, processamento e manutenção.
+
+![Diagrama do ciclo de vida da ciência de dados](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.br.jpg)
+> Foto por [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/)
+
+## Captura
+
+A primeira etapa do ciclo de vida é muito importante, pois as próximas etapas dependem dela. É praticamente duas etapas combinadas em uma: adquirir os dados e definir o propósito e os problemas que precisam ser resolvidos.  
+Definir os objetivos do projeto exigirá um entendimento mais profundo do problema ou da questão. Primeiro, precisamos identificar e envolver aqueles que precisam de uma solução para seus problemas. Esses podem ser stakeholders de uma empresa ou patrocinadores do projeto, que podem ajudar a identificar quem ou o que se beneficiará do projeto, bem como o que e por que precisam disso. Um objetivo bem definido deve ser mensurável e quantificável para determinar um resultado aceitável.
+
+Perguntas que um cientista de dados pode fazer:
+- Esse problema já foi abordado antes? O que foi descoberto?
+- O propósito e o objetivo são compreendidos por todos os envolvidos?
+- Há ambiguidades e como reduzi-las?
+- Quais são as restrições?
+- Como será o resultado final?
+- Quais recursos (tempo, pessoas, computação) estão disponíveis?
+
+A próxima etapa é identificar, coletar e, finalmente, explorar os dados necessários para alcançar esses objetivos definidos. Nesta etapa de aquisição, os cientistas de dados também devem avaliar a quantidade e a qualidade dos dados. Isso exige alguma exploração dos dados para confirmar se o que foi adquirido ajudará a alcançar o resultado desejado.
+
+Perguntas que um cientista de dados pode fazer sobre os dados:
+- Quais dados já estão disponíveis para mim?
+- Quem é o proprietário desses dados?
+- Quais são as preocupações com privacidade?
+- Tenho dados suficientes para resolver este problema?
+- Os dados têm qualidade aceitável para este problema?
+- Se eu descobrir informações adicionais por meio desses dados, devemos considerar alterar ou redefinir os objetivos?
+
+## Processamento
+
+A etapa de processamento do ciclo de vida foca em descobrir padrões nos dados, bem como na modelagem. Algumas técnicas usadas nesta etapa exigem métodos estatísticos para identificar padrões. Normalmente, essa seria uma tarefa tediosa para um humano realizar com um grande conjunto de dados, então confiamos nos computadores para acelerar o processo. Esta etapa também é onde a ciência de dados e o aprendizado de máquina se cruzam. Como você aprendeu na primeira lição, aprendizado de máquina é o processo de construir modelos para entender os dados. Modelos são representações das relações entre variáveis nos dados que ajudam a prever resultados.
+
+Técnicas comuns usadas nesta etapa são abordadas no currículo de ML para Iniciantes. Siga os links para saber mais sobre elas:
+
+- [Classificação](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): Organizar dados em categorias para uso mais eficiente.
+- [Agrupamento (Clustering)](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): Agrupar dados em grupos semelhantes.
+- [Regressão](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): Determinar as relações entre variáveis para prever ou estimar valores.
+
+## Manutenção
+
+No diagrama do ciclo de vida, você pode ter notado que a manutenção está entre captura e processamento. A manutenção é um processo contínuo de gerenciar, armazenar e proteger os dados ao longo do projeto e deve ser considerada durante toda a duração do projeto.
+
+### Armazenamento de Dados
+
+As decisões sobre como e onde os dados são armazenados podem influenciar o custo de armazenamento, bem como o desempenho de acesso aos dados. Decisões como essas provavelmente não serão tomadas apenas pelo cientista de dados, mas ele pode precisar fazer escolhas sobre como trabalhar com os dados com base em como eles estão armazenados.
+
+Aqui estão alguns aspectos dos sistemas modernos de armazenamento de dados que podem afetar essas escolhas:
+
+**No local (on premise) vs fora do local (off premise) vs nuvem pública ou privada**
+
+No local refere-se a hospedar e gerenciar os dados em seus próprios equipamentos, como possuir um servidor com discos rígidos que armazenam os dados, enquanto fora do local depende de equipamentos que você não possui, como um data center. A nuvem pública é uma escolha popular para armazenar dados, pois não exige conhecimento sobre como ou onde exatamente os dados estão armazenados, enquanto "pública" refere-se a uma infraestrutura unificada compartilhada por todos que usam a nuvem. Algumas organizações têm políticas de segurança rigorosas que exigem acesso completo ao equipamento onde os dados estão hospedados e, por isso, optam por uma nuvem privada que oferece seus próprios serviços de nuvem. Você aprenderá mais sobre dados na nuvem em [lições futuras](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud).
+
+**Dados frios vs dados quentes**
+
+Ao treinar seus modelos, você pode precisar de mais dados de treinamento. Se estiver satisfeito com seu modelo, mais dados chegarão para que ele cumpra seu propósito. Em qualquer caso, o custo de armazenar e acessar dados aumentará à medida que você acumular mais. Separar dados raramente usados, conhecidos como dados frios, de dados frequentemente acessados, conhecidos como dados quentes, pode ser uma opção mais barata de armazenamento por meio de hardware ou serviços de software. Se os dados frios precisarem ser acessados, pode levar um pouco mais de tempo para recuperá-los em comparação com os dados quentes.
+
+### Gerenciamento de Dados
+
+Ao trabalhar com dados, você pode descobrir que alguns deles precisam ser limpos usando algumas das técnicas abordadas na lição sobre [preparação de dados](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) para construir modelos precisos. Quando novos dados chegam, eles precisarão das mesmas aplicações para manter a consistência na qualidade. Alguns projetos envolvem o uso de uma ferramenta automatizada para limpeza, agregação e compressão antes que os dados sejam movidos para seu local final. O Azure Data Factory é um exemplo de uma dessas ferramentas.
+
+### Segurança dos Dados
+
+Um dos principais objetivos de proteger os dados é garantir que aqueles que trabalham com eles estejam no controle do que é coletado e em que contexto está sendo usado. Manter os dados seguros envolve limitar o acesso apenas àqueles que precisam deles, aderir às leis e regulamentações locais, bem como manter padrões éticos, como abordado na [lição sobre ética](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics).
+
+Aqui estão algumas ações que uma equipe pode tomar com a segurança em mente:
+- Confirmar que todos os dados estão criptografados
+- Fornecer informações aos clientes sobre como seus dados são usados
+- Remover o acesso aos dados de pessoas que saíram do projeto
+- Permitir que apenas certos membros do projeto alterem os dados
+
+## 🚀 Desafio
+
+Existem muitas versões do Ciclo de Vida da Ciência de Dados, onde cada etapa pode ter nomes diferentes e um número distinto de estágios, mas conterá os mesmos processos mencionados nesta lição.
+
+Explore o [Ciclo de Vida do Processo de Ciência de Dados em Equipe](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) e o [Processo Padrão da Indústria para Mineração de Dados](https://www.datascience-pm.com/crisp-dm-2/). Nomeie 3 semelhanças e diferenças entre os dois.
+
+|Processo de Ciência de Dados em Equipe (TDSP)|Processo Padrão da Indústria para Mineração de Dados (CRISP-DM)|
+|--|--|
+|![Ciclo de Vida do TDSP](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.br.png) | ![Imagem do CRISP-DM](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.br.png) |
+| Imagem por [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | Imagem por [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) |
+
+## [Pós-Questionário](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## Revisão e Autoestudo
+
+Aplicar o Ciclo de Vida da Ciência de Dados envolve múltiplos papéis e tarefas, onde alguns podem se concentrar em partes específicas de cada etapa. O Processo de Ciência de Dados em Equipe fornece alguns recursos que explicam os tipos de papéis e tarefas que alguém pode ter em um projeto.
+
+* [Papéis e tarefas no Processo de Ciência de Dados em Equipe](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
+* [Executar tarefas de ciência de dados: exploração, modelagem e implantação](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## Tarefa
+
+[Avaliando um Conjunto de Dados](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/br/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..2114bdad
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-27T18:01:00+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "br"
+}
+-->
+# Avaliando um Conjunto de Dados
+
+Um cliente procurou sua equipe para ajudar a investigar os hábitos sazonais de gastos de clientes de táxi em Nova York.
+
+Eles querem saber: **Os passageiros de táxi amarelo em Nova York dão gorjetas maiores aos motoristas no inverno ou no verão?**
+
+Sua equipe está na etapa de [Captura](Readme.md#Capturing) do Ciclo de Vida de Ciência de Dados e você está encarregado de lidar com o conjunto de dados. Foi fornecido a você um notebook e [dados](../../../../data/taxi.csv) para explorar.
+
+Neste diretório há um [notebook](notebook.ipynb) que utiliza Python para carregar dados de viagens de táxi amarelo da [Comissão de Táxi e Limusine de Nova York](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets).
+Você também pode abrir o arquivo de dados de táxi em um editor de texto ou software de planilhas como o Excel.
+
+## Instruções
+
+- Avalie se os dados deste conjunto podem ajudar a responder à pergunta.
+- Explore o [catálogo de Dados Abertos de Nova York](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93). Identifique um conjunto de dados adicional que poderia ser útil para responder à pergunta do cliente.
+- Escreva 3 perguntas que você faria ao cliente para obter mais esclarecimentos e melhor compreensão do problema.
+
+Consulte o [dicionário do conjunto de dados](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) e o [guia do usuário](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) para mais informações sobre os dados.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/br/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..cd164663
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,61 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-27T18:02:24+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "br"
+}
+-->
+# O Ciclo de Vida da Ciência de Dados: Analisando
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| Ciclo de Vida da Ciência de Dados: Analisando - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## Questionário Pré-Aula
+
+## [Questionário Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+A etapa de análise no ciclo de vida dos dados confirma se os dados podem responder às perguntas propostas ou resolver um problema específico. Essa etapa também pode se concentrar em confirmar se um modelo está abordando corretamente essas questões e problemas. Esta lição é focada na Análise Exploratória de Dados (ou EDA, na sigla em inglês), que consiste em técnicas para definir características e relações dentro dos dados, podendo ser usada para preparar os dados para a modelagem.
+
+Usaremos um conjunto de dados de exemplo do [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) para demonstrar como isso pode ser aplicado com Python e a biblioteca Pandas. Este conjunto de dados contém uma contagem de algumas palavras comuns encontradas em e-mails, sendo que as fontes desses e-mails são anônimas. Use o [notebook](notebook.ipynb) neste diretório para acompanhar.
+
+## Análise Exploratória de Dados
+
+A fase de captura do ciclo de vida é onde os dados são adquiridos, assim como os problemas e questões em questão, mas como sabemos se os dados podem ajudar a alcançar o resultado final? 
+Lembre-se de que um cientista de dados pode fazer as seguintes perguntas ao adquirir os dados:
+- Tenho dados suficientes para resolver este problema?
+- Os dados têm qualidade aceitável para este problema?
+- Se eu descobrir informações adicionais por meio desses dados, devemos considerar mudar ou redefinir os objetivos?
+
+A Análise Exploratória de Dados é o processo de conhecer os dados e pode ser usada para responder a essas perguntas, além de identificar os desafios de trabalhar com o conjunto de dados. Vamos nos concentrar em algumas das técnicas usadas para alcançar isso.
+
+## Perfilamento de Dados, Estatísticas Descritivas e Pandas
+Como avaliamos se temos dados suficientes para resolver este problema? O perfilamento de dados pode resumir e reunir algumas informações gerais sobre nosso conjunto de dados por meio de técnicas de estatísticas descritivas. O perfilamento de dados nos ajuda a entender o que está disponível para nós, e as estatísticas descritivas nos ajudam a entender quantas coisas estão disponíveis para nós.
+
+Em algumas das lições anteriores, usamos o Pandas para fornecer algumas estatísticas descritivas com a função [`describe()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html). Ela fornece a contagem, valores máximos e mínimos, média, desvio padrão e quantis nos dados numéricos. Usar estatísticas descritivas como a função `describe()` pode ajudar você a avaliar quanto você tem e se precisa de mais.
+
+## Amostragem e Consultas
+Explorar tudo em um grande conjunto de dados pode ser muito demorado e geralmente é uma tarefa deixada para o computador. No entanto, a amostragem é uma ferramenta útil para entender os dados e nos permite ter uma melhor compreensão do que está no conjunto de dados e o que ele representa. Com uma amostra, você pode aplicar probabilidade e estatísticas para chegar a algumas conclusões gerais sobre seus dados. Embora não haja uma regra definida sobre a quantidade de dados que você deve amostrar, é importante notar que quanto mais dados você amostrar, mais precisa será a generalização que você pode fazer sobre os dados. 
+O Pandas possui a função [`sample()` em sua biblioteca](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html), onde você pode passar um argumento indicando quantas amostras aleatórias deseja receber e usar.
+
+Consultas gerais aos dados podem ajudar você a responder a algumas perguntas e teorias gerais que possa ter. Em contraste com a amostragem, as consultas permitem que você tenha controle e se concentre em partes específicas dos dados sobre as quais tem perguntas. 
+A função [`query()`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) na biblioteca Pandas permite selecionar colunas e obter respostas simples sobre os dados por meio das linhas recuperadas.
+
+## Explorando com Visualizações
+Você não precisa esperar até que os dados estejam completamente limpos e analisados para começar a criar visualizações. Na verdade, ter uma representação visual enquanto explora pode ajudar a identificar padrões, relações e problemas nos dados. Além disso, as visualizações fornecem um meio de comunicação com aqueles que não estão envolvidos no gerenciamento dos dados e podem ser uma oportunidade para compartilhar e esclarecer questões adicionais que não foram abordadas na etapa de captura. Consulte a [seção sobre Visualizações](../../../../../../../../../3-Data-Visualization) para aprender mais sobre algumas maneiras populares de explorar visualmente.
+
+## Explorando para identificar inconsistências
+Todos os tópicos desta lição podem ajudar a identificar valores ausentes ou inconsistentes, mas o Pandas fornece funções para verificar alguns deles. [isna() ou isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) podem verificar valores ausentes. Uma parte importante da exploração desses valores dentro dos seus dados é investigar por que eles acabaram assim em primeiro lugar. Isso pode ajudar você a decidir quais [ações tomar para resolvê-los](/2-Working-With-Data/08-data-preparation/notebook.ipynb).
+
+## [Questionário Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## Tarefa
+
+[Explorando para respostas](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/br/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..6503e56b
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-27T18:03:19+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "br"
+}
+-->
+# Explorando respostas
+
+Esta é uma continuação da [atividade](../14-Introduction/assignment.md) da lição anterior, onde examinamos brevemente o conjunto de dados. Agora, vamos analisar o conjunto de dados de forma mais aprofundada.
+
+Novamente, a pergunta que o cliente quer responder é: **Os passageiros de táxi amarelo na cidade de Nova York dão gorjetas maiores aos motoristas no inverno ou no verão?**
+
+Sua equipe está na etapa de [Análise](README.md) do Ciclo de Vida de Ciência de Dados, onde vocês são responsáveis por realizar a análise exploratória de dados no conjunto de dados. Foi fornecido a vocês um notebook e um conjunto de dados contendo 200 transações de táxi de janeiro e julho de 2019.
+
+## Instruções
+
+Neste diretório há um [notebook](assignment.ipynb) e dados da [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets). Consulte o [dicionário do conjunto de dados](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) e o [guia do usuário](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) para mais informações sobre os dados.
+
+Utilize algumas das técnicas desta lição para realizar sua própria análise exploratória de dados no notebook (adicione células, se necessário) e responda às seguintes perguntas:
+
+- Quais outros fatores nos dados podem influenciar o valor da gorjeta?
+- Quais colunas provavelmente não serão necessárias para responder às perguntas do cliente?
+- Com base no que foi fornecido até agora, os dados parecem fornecer alguma evidência de comportamento sazonal nas gorjetas?
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/16-communication/README.md b/translations/br/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..cbc5d205
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,227 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-27T18:08:36+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "br"
+}
+-->
+# O Ciclo de Vida da Ciência de Dados: Comunicação
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| Ciclo de Vida da Ciência de Dados: Comunicação - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+Teste seus conhecimentos sobre o que está por vir com o Quiz Pré-Aula acima!
+
+# Introdução
+
+### O que é Comunicação?
+Vamos começar esta lição definindo o que significa comunicar. **Comunicar é transmitir ou trocar informações.** Informações podem ser ideias, pensamentos, sentimentos, mensagens, sinais ocultos, dados – qualquer coisa que um **_emissor_** (alguém que envia informações) queira que um **_receptor_** (alguém que recebe informações) entenda. Nesta lição, nos referiremos aos emissores como comunicadores e aos receptores como o público.
+
+### Comunicação de Dados e Contação de Histórias
+Entendemos que, ao comunicar, o objetivo é transmitir ou trocar informações. Mas ao comunicar dados, seu objetivo não deve ser simplesmente passar números para o público. Seu objetivo deve ser contar uma história informada pelos seus dados – comunicação eficaz de dados e contação de histórias andam de mãos dadas. Seu público tem mais chances de lembrar de uma história que você conta do que de um número que você apresenta. Mais adiante nesta lição, abordaremos algumas maneiras de usar a contação de histórias para comunicar seus dados de forma mais eficaz.
+
+### Tipos de Comunicação
+Ao longo desta lição, dois tipos diferentes de comunicação serão discutidos: Comunicação Unidirecional e Comunicação Bidirecional.
+
+**Comunicação unidirecional** ocorre quando um emissor envia informações a um receptor, sem receber feedback ou resposta. Vemos exemplos de comunicação unidirecional todos os dias – em e-mails em massa, quando as notícias apresentam as histórias mais recentes ou até mesmo quando um comercial de TV aparece e informa por que seu produto é ótimo. Em cada um desses casos, o emissor não busca uma troca de informações, apenas transmitir ou entregar informações.
+
+**Comunicação bidirecional** ocorre quando todas as partes envolvidas atuam como emissores e receptores. Um emissor começa comunicando-se com um receptor, e o receptor fornece feedback ou uma resposta. Comunicação bidirecional é o que tradicionalmente pensamos quando falamos sobre comunicação. Geralmente imaginamos pessoas engajadas em uma conversa – seja pessoalmente, por telefone, redes sociais ou mensagem de texto.
+
+Ao comunicar dados, haverá casos em que você usará comunicação unidirecional (pense em apresentar em uma conferência ou para um grande grupo onde perguntas não serão feitas diretamente após) e casos em que você usará comunicação bidirecional (pense em usar dados para persuadir alguns stakeholders a apoiar uma ideia ou convencer um colega de equipe de que vale a pena investir tempo e esforço em algo novo).
+
+# Comunicação Eficaz
+
+### Suas Responsabilidades como Comunicador
+Ao comunicar, é sua responsabilidade garantir que o(s) receptor(es) absorvam as informações que você deseja transmitir. Ao comunicar dados, você não quer que seus receptores apenas absorvam números, mas sim uma história informada pelos seus dados. Um bom comunicador de dados é um bom contador de histórias.
+
+Como contar uma história com dados? Existem infinitas maneiras – mas abaixo estão 6 que discutiremos nesta lição:
+1.	Entenda Seu Público, Seu Canal e Seu Método de Comunicação
+2.	Comece com o Fim em Mente
+3.	Aborde Como uma História Real
+4.	Use Palavras e Frases Significativas
+5.	Use Emoção
+
+Cada uma dessas estratégias será explicada em mais detalhes abaixo.
+
+### 1. Entenda Seu Público, Seu Canal e Seu Método de Comunicação
+A forma como você se comunica com membros da família provavelmente é diferente da forma como você se comunica com amigos. Você provavelmente usa palavras e frases diferentes que as pessoas com quem está falando têm mais chances de entender. Você deve adotar a mesma abordagem ao comunicar dados. Pense em quem você está comunicando. Pense nos objetivos e no contexto que eles têm sobre a situação que você está explicando.
+
+Você provavelmente pode agrupar a maioria do seu público em uma categoria. Em um artigo da _Harvard Business Review_, “[How to Tell a Story with Data](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)” (Como Contar uma História com Dados), o estrategista executivo da Dell, Jim Stikeleather, identifica cinco categorias de público:
+
+ - **Novato**: primeira exposição ao assunto, mas não quer simplificação
+   excessiva.
+ - **Generalista**: ciente do tópico, mas busca uma visão geral e temas
+   principais.
+ - **Gerencial**: compreensão detalhada e acionável das complexidades e
+   inter-relações com acesso aos detalhes.
+ - **Especialista**: mais exploração e descoberta e menos contação de
+   histórias, com grande nível de detalhe.
+ - **Executivo**: só tem tempo para captar a relevância e as conclusões de
+   probabilidades ponderadas.
+
+Essas categorias podem informar a maneira como você apresenta dados ao seu público.
+
+Além de pensar na categoria do seu público, você também deve considerar o canal que está usando para se comunicar com ele. Sua abordagem deve ser ligeiramente diferente se você estiver escrevendo um memorando ou e-mail, em comparação a uma reunião ou apresentação em uma conferência.
+
+Além de entender seu público, saber como você se comunicará com ele (usando comunicação unidirecional ou bidirecional) também é fundamental.
+
+Se você estiver se comunicando com um público majoritariamente novato e usando comunicação unidirecional, primeiro deve educar o público e fornecer o contexto adequado. Depois, deve apresentar seus dados e explicar o que eles significam e por que são importantes. Nesse caso, você pode querer ser extremamente claro, pois seu público não poderá fazer perguntas diretas.
+
+Se você estiver se comunicando com um público majoritariamente gerencial e usando comunicação bidirecional, provavelmente não precisará educar seu público ou fornecer muito contexto. Você pode ir direto ao ponto, discutindo os dados que coletou e por que eles são importantes. Nesse cenário, no entanto, você deve se concentrar no tempo e no controle da sua apresentação. Ao usar comunicação bidirecional (especialmente com um público gerencial que busca uma “compreensão acionável das complexidades e inter-relações com acesso aos detalhes”), perguntas podem surgir durante a interação que podem desviar a discussão da história que você está tentando contar. Quando isso acontecer, você pode tomar medidas para trazer a discussão de volta ao foco da sua história.
+
+### 2. Comece com o Fim em Mente
+Começar com o fim em mente significa entender os resultados pretendidos para seu público antes de começar a se comunicar com ele. Ser cuidadoso sobre o que você quer que seu público absorva antecipadamente pode ajudá-lo a criar uma história que ele possa seguir. Começar com o fim em mente é apropriado tanto para comunicação unidirecional quanto bidirecional.
+
+Como começar com o fim em mente? Antes de comunicar seus dados, escreva os principais pontos que deseja transmitir. Então, a cada passo enquanto prepara a história que deseja contar com seus dados, pergunte-se: "Como isso se integra à história que estou contando?"
+
+Esteja atento – embora começar com o fim em mente seja ideal, você não deve comunicar apenas os dados que apoiam os resultados pretendidos. Fazer isso é chamado de "Cherry-Picking", que ocorre quando um comunicador apresenta apenas os dados que apoiam o ponto que está tentando fazer e ignora todos os outros.
+
+Se todos os dados que você coletou claramente apoiam os resultados pretendidos, ótimo. Mas se houver dados que não apoiam seus resultados ou até mesmo sustentam um argumento contrário, você deve comunicar esses dados também. Se isso acontecer, seja transparente com seu público e explique por que está escolhendo seguir com sua história, mesmo que todos os dados não a apoiem completamente.
+
+### 3. Aborde Como uma História Real
+Uma história tradicional ocorre em 5 fases. Você pode ter ouvido essas fases descritas como Exposição, Ação Crescente, Clímax, Ação Decrescente e Desfecho. Ou, de forma mais fácil de lembrar: Contexto, Conflito, Clímax, Encerramento e Conclusão. Ao comunicar seus dados e sua história, você pode adotar uma abordagem semelhante.
+
+Você pode começar com o contexto, estabelecendo o cenário e garantindo que seu público esteja na mesma página. Depois, introduza o conflito. Por que você precisou coletar esses dados? Que problemas estava tentando resolver? Em seguida, o clímax. Quais são os dados? O que eles significam? Que soluções os dados indicam que precisamos? Depois, o encerramento, onde você pode reiterar o problema e as soluções propostas. Por fim, chegamos à conclusão, onde você pode resumir os principais pontos e os próximos passos que recomenda à equipe.
+
+### 4. Use Palavras e Frases Significativas
+Se estivéssemos trabalhando juntos em um produto e eu dissesse: "Nossos usuários demoram muito para se cadastrar na nossa plataforma", quanto tempo você estimaria que "muito tempo" significa? Uma hora? Uma semana? É difícil saber. E se eu dissesse isso para um público inteiro? Cada pessoa no público poderia acabar com uma ideia diferente de quanto tempo os usuários levam para se cadastrar na nossa plataforma.
+
+Agora, e se eu dissesse: "Nossos usuários levam, em média, 3 minutos para se cadastrar e começar a usar nossa plataforma."
+
+Essa mensagem é mais clara. Ao comunicar dados, pode ser fácil pensar que todos no público estão pensando como você. Mas isso nem sempre é o caso. Garantir clareza sobre seus dados e o que eles significam é uma das suas responsabilidades como comunicador. Se os dados ou sua história não forem claros, seu público terá dificuldade em acompanhar e será menos provável que entenda seus principais pontos.
+
+Você pode comunicar dados de forma mais clara ao usar palavras e frases significativas, em vez de vagas. Abaixo estão alguns exemplos:
+
+ - Tivemos um ano *impressionante*!
+	 - Uma pessoa pode pensar que "impressionante" significa um aumento de 2% - 3% na receita, enquanto outra pode pensar que significa um aumento de 50% - 60%.
+ - As taxas de sucesso dos nossos usuários aumentaram *dramaticamente*.
+	 - Qual é o tamanho de um aumento "dramático"?
+ - Este projeto exigirá um esforço *significativo*.
+	 - Quanto esforço é "significativo"?
+
+Usar palavras vagas pode ser útil como introdução a mais dados que estão por vir ou como um resumo da história que você acabou de contar. Mas considere garantir que cada parte da sua apresentação seja clara para seu público.
+
+### 5. Use Emoção
+A emoção é essencial na contação de histórias. É ainda mais importante quando você está contando uma história com dados. Ao comunicar dados, tudo se concentra nos resultados que você deseja que seu público absorva. Evocar uma emoção no público ajuda a criar empatia e aumenta a probabilidade de que ele tome uma ação. A emoção também aumenta a chance de que o público se lembre da sua mensagem.
+
+Você pode ter encontrado isso antes em comerciais de TV. Alguns comerciais são muito sombrios e usam uma emoção triste para se conectar com o público e destacar os dados que estão apresentando. Outros comerciais são muito animados e felizes, fazendo você associar os dados apresentados a um sentimento positivo.
+
+Como usar emoção ao comunicar dados? Abaixo estão algumas maneiras:
+
+ - Use Depoimentos e Histórias Pessoais
+	- Ao coletar dados, tente reunir tanto dados quantitativos quanto qualitativos e integre ambos ao comunicar. Se seus dados forem principalmente quantitativos, busque histórias de indivíduos para aprender mais sobre suas experiências relacionadas ao que seus dados estão dizendo.
+ - Use Imagens
+	 - Imagens ajudam o público a se imaginar em uma situação. Ao usar imagens, você pode direcionar o público para a emoção que acredita que ele deve sentir em relação aos seus dados.
+ - Use Cores
+	 - Cores diferentes evocam emoções diferentes. Cores populares e as emoções que elas evocam estão abaixo. Esteja atento, pois as cores podem ter significados diferentes em culturas diferentes.
+		 - Azul geralmente evoca emoções de paz e confiança.
+		 - Verde geralmente está relacionado à natureza e ao meio ambiente.
+		 - Vermelho geralmente representa paixão e entusiasmo.
+		 - Amarelo geralmente transmite otimismo e felicidade.
+
+# Estudo de Caso de Comunicação
+Emerson é gerente de produto de um aplicativo móvel. Emerson percebeu que os clientes enviam 42% mais reclamações e relatórios de bugs nos finais de semana. Emerson também notou que clientes que enviam uma reclamação que não é respondida após 48 horas têm 32% mais chances de dar ao aplicativo uma avaliação de 1 ou 2 na loja de aplicativos.
+
+Após realizar pesquisas, Emerson tem algumas soluções para resolver o problema. Emerson agenda uma reunião de 30 minutos com os 3 líderes da empresa para comunicar os dados e as soluções propostas.
+
+Durante essa reunião, o objetivo de Emerson é fazer com que os líderes da empresa entendam que as 2 soluções abaixo podem melhorar a avaliação do aplicativo, o que provavelmente se traduzirá em maior receita.
+
+**Solução 1.** Contratar representantes de atendimento ao cliente para trabalhar nos finais de semana.
+
+**Solução 2.** Comprar um novo sistema de gerenciamento de tickets de atendimento ao cliente, onde os representantes podem identificar facilmente quais reclamações estão na fila há mais tempo – para que saibam quais devem ser tratadas com maior prioridade.
+Na reunião, Emerson passa 5 minutos explicando por que ter uma baixa avaliação na loja de aplicativos é ruim, 10 minutos explicando o processo de pesquisa e como as tendências foram identificadas, 10 minutos analisando algumas das reclamações recentes de clientes e os últimos 5 minutos passando rapidamente pelas 2 soluções potenciais.
+
+Essa foi uma maneira eficaz de Emerson se comunicar durante a reunião?
+
+Durante a reunião, um dos líderes da empresa fixou-se nos 10 minutos de reclamações de clientes que Emerson apresentou. Após a reunião, essas reclamações foram a única coisa que esse líder lembrou. Outro líder da empresa concentrou-se principalmente na descrição do processo de pesquisa feita por Emerson. O terceiro líder da empresa lembrou-se das soluções propostas por Emerson, mas não tinha certeza de como essas soluções poderiam ser implementadas.
+
+Na situação acima, é possível perceber que houve uma lacuna significativa entre o que Emerson queria que os líderes da equipe absorvessem e o que eles realmente absorveram da reunião. Abaixo está outra abordagem que Emerson poderia considerar.
+
+Como Emerson poderia melhorar essa abordagem?  
+Contexto, Conflito, Clímax, Fechamento, Conclusão  
+**Contexto** - Emerson poderia gastar os primeiros 5 minutos introduzindo toda a situação e garantindo que os líderes da equipe entendam como os problemas afetam métricas críticas para a empresa, como receita.
+
+Poderia ser apresentado desta forma: "Atualmente, a avaliação do nosso aplicativo na loja de aplicativos é 2,5. As avaliações na loja de aplicativos são críticas para a Otimização da Loja de Aplicativos, o que impacta quantos usuários veem nosso aplicativo nas buscas e como nosso aplicativo é percebido por potenciais usuários. E, claro, o número de usuários que temos está diretamente ligado à receita."
+
+**Conflito** Emerson poderia então passar os próximos 5 minutos ou mais falando sobre o conflito.
+
+Poderia ser algo assim: “Os usuários enviam 42% mais reclamações e relatórios de bugs nos finais de semana. Clientes que enviam uma reclamação que não é respondida em até 48 horas têm 32% menos probabilidade de dar ao nosso aplicativo uma avaliação acima de 2 na loja de aplicativos. Melhorar a avaliação do nosso aplicativo na loja para 4 aumentaria nossa visibilidade em 20-30%, o que eu projeto que aumentaria a receita em 10%." Claro, Emerson deve estar preparado para justificar esses números.
+
+**Clímax** Depois de estabelecer o contexto, Emerson poderia então passar para o Clímax por cerca de 5 minutos.
+
+Emerson poderia apresentar as soluções propostas, explicar como essas soluções resolveriam os problemas apresentados, como essas soluções poderiam ser implementadas nos fluxos de trabalho existentes, quanto custariam, qual seria o ROI das soluções e talvez até mostrar algumas capturas de tela ou wireframes de como as soluções ficariam se implementadas. Emerson também poderia compartilhar depoimentos de usuários que tiveram suas reclamações resolvidas após mais de 48 horas, e até mesmo um depoimento de um representante atual de atendimento ao cliente da empresa comentando sobre o sistema de tickets atual.
+
+**Fechamento** Agora Emerson pode gastar 5 minutos recapitulando os problemas enfrentados pela empresa, revisitando as soluções propostas e revisando por que essas soluções são as mais adequadas.
+
+**Conclusão** Como esta é uma reunião com alguns stakeholders onde haverá comunicação bidirecional, Emerson poderia então planejar deixar 10 minutos para perguntas, para garantir que qualquer coisa que tenha ficado confusa para os líderes da equipe seja esclarecida antes do término da reunião.
+
+Se Emerson adotasse a abordagem #2, é muito mais provável que os líderes da equipe absorvessem exatamente o que Emerson pretendia que eles absorvessem da reunião – que a forma como as reclamações e bugs são tratadas poderia ser melhorada, e que existem 2 soluções que poderiam ser implementadas para que essa melhoria aconteça. Essa abordagem seria muito mais eficaz para comunicar os dados e a história que Emerson deseja transmitir.
+
+# Conclusão  
+### Resumo dos principais pontos  
+- Comunicar é transmitir ou trocar informações.  
+- Ao comunicar dados, seu objetivo não deve ser simplesmente passar números para o público. Seu objetivo deve ser comunicar uma história informada pelos seus dados.  
+- Existem 2 tipos de comunicação: Comunicação Unidirecional (informação é comunicada sem intenção de resposta) e Comunicação Bidirecional (informação é comunicada de forma interativa).  
+- Existem muitas estratégias que você pode usar para contar uma história com seus dados. As 5 estratégias que abordamos são:  
+  - Entenda Seu Público, Seu Meio e Seu Método de Comunicação  
+  - Comece com o Fim em Mente  
+  - Aborde Como uma História Real  
+  - Use Palavras e Frases Significativas  
+  - Use Emoção  
+
+### Recursos Recomendados para Autoestudo  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+Revise o que você acabou de aprender com o Quiz Pós-Aula acima!  
+
+## Tarefa  
+
+[Pesquisa de Mercado](assignment.md)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/br/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..b844d982
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-27T18:09:58+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "br"
+}
+-->
+# Conte uma história
+
+## Instruções
+
+Ciência de Dados é, acima de tudo, sobre contar histórias. Escolha qualquer conjunto de dados e escreva um pequeno artigo sobre uma história que você poderia contar com ele. O que você espera que seu conjunto de dados revele? O que você fará se as revelações forem problemáticas? E se seus dados não revelarem seus segredos facilmente? Pense nos cenários que seu conjunto de dados pode apresentar e escreva sobre eles.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa de Melhorias
+--- | --- | -- |
+
+Um ensaio de uma página é apresentado em formato .doc com o conjunto de dados explicado, documentado, creditado, e uma história coerente é apresentada sobre ele com exemplos detalhados dos dados. | Um ensaio mais curto é apresentado em um formato menos detalhado | O ensaio apresenta falhas em um dos detalhes acima.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/4-Data-Science-Lifecycle/README.md b/translations/br/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..0e856a5f
--- /dev/null
+++ b/translations/br/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-27T17:56:04+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "br"
+}
+-->
+# O Ciclo de Vida da Ciência de Dados
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.br.jpg)
+> Foto por <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> no <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+  
+Nestes módulos, você explorará alguns aspectos do ciclo de vida da Ciência de Dados, incluindo análise e comunicação de dados.
+
+### Tópicos
+
+1. [Introdução](14-Introduction/README.md)
+2. [Análise](15-analyzing/README.md)
+3. [Comunicação](16-communication/README.md)
+
+### Créditos
+
+Esses módulos foram escritos com ❤️ por [Jalen McGee](https://twitter.com/JalenMCG) e [Jasmine Greenaway](https://twitter.com/paladique)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/br/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..94f89311
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,116 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-27T17:47:05+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "br"
+}
+-->
+# Introdução à Ciência de Dados na Nuvem
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| Ciência de Dados na Nuvem: Introdução - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Nesta lição, você aprenderá os princípios fundamentais da Nuvem, verá por que pode ser interessante usar serviços de Nuvem para executar seus projetos de ciência de dados e analisará alguns exemplos de projetos de ciência de dados realizados na Nuvem.
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## O que é a Nuvem?
+
+A Nuvem, ou Computação em Nuvem, é a entrega de uma ampla gama de serviços de computação sob demanda, hospedados em uma infraestrutura pela internet. Os serviços incluem soluções como armazenamento, bancos de dados, redes, software, análises e serviços inteligentes.
+
+Normalmente, diferenciamos as Nuvens Pública, Privada e Híbrida da seguinte forma:
+
+* Nuvem pública: uma nuvem pública é propriedade e operada por um provedor de serviços de nuvem terceirizado que entrega seus recursos de computação pela Internet ao público.
+* Nuvem privada: refere-se aos recursos de computação em nuvem usados exclusivamente por uma única empresa ou organização, com serviços e infraestrutura mantidos em uma rede privada.
+* Nuvem híbrida: a nuvem híbrida é um sistema que combina nuvens públicas e privadas. Os usuários optam por um datacenter local, enquanto permitem que dados e aplicativos sejam executados em uma ou mais nuvens públicas.
+
+A maioria dos serviços de computação em nuvem se enquadra em três categorias: Infraestrutura como Serviço (IaaS), Plataforma como Serviço (PaaS) e Software como Serviço (SaaS).
+
+* Infraestrutura como Serviço (IaaS): os usuários alugam uma infraestrutura de TI, como servidores e máquinas virtuais (VMs), armazenamento, redes, sistemas operacionais.
+* Plataforma como Serviço (PaaS): os usuários alugam um ambiente para desenvolver, testar, entregar e gerenciar aplicativos de software. Os usuários não precisam se preocupar em configurar ou gerenciar a infraestrutura subjacente de servidores, armazenamento, rede e bancos de dados necessários para o desenvolvimento.
+* Software como Serviço (SaaS): os usuários têm acesso a aplicativos de software pela Internet, sob demanda e, geralmente, com base em assinatura. Os usuários não precisam se preocupar em hospedar e gerenciar o aplicativo de software, a infraestrutura subjacente ou a manutenção, como atualizações de software e correções de segurança.
+
+Alguns dos maiores provedores de Nuvem são Amazon Web Services, Google Cloud Platform e Microsoft Azure.
+
+## Por que escolher a Nuvem para Ciência de Dados?
+
+Desenvolvedores e profissionais de TI escolhem trabalhar com a Nuvem por vários motivos, incluindo os seguintes:
+
+* Inovação: você pode potencializar seus aplicativos integrando serviços inovadores criados pelos provedores de Nuvem diretamente em seus aplicativos.
+* Flexibilidade: você paga apenas pelos serviços que precisa e pode escolher entre uma ampla gama de serviços. Normalmente, você paga conforme usa e adapta seus serviços de acordo com suas necessidades em evolução.
+* Orçamento: você não precisa fazer investimentos iniciais para comprar hardware e software, configurar e operar datacenters locais, e pode simplesmente pagar pelo que usar.
+* Escalabilidade: seus recursos podem ser escalados de acordo com as necessidades do seu projeto, o que significa que seus aplicativos podem usar mais ou menos poder de computação, armazenamento e largura de banda, adaptando-se a fatores externos a qualquer momento.
+* Produtividade: você pode se concentrar no seu negócio em vez de gastar tempo em tarefas que podem ser gerenciadas por outra pessoa, como administrar datacenters.
+* Confiabilidade: a Computação em Nuvem oferece várias maneiras de fazer backup contínuo de seus dados e você pode configurar planos de recuperação de desastres para manter seu negócio e serviços funcionando, mesmo em tempos de crise.
+* Segurança: você pode se beneficiar de políticas, tecnologias e controles que fortalecem a segurança do seu projeto.
+
+Esses são alguns dos motivos mais comuns pelos quais as pessoas escolhem usar serviços de Nuvem. Agora que temos uma melhor compreensão do que é a Nuvem e quais são seus principais benefícios, vamos analisar mais especificamente o trabalho de cientistas de dados e desenvolvedores que trabalham com dados, e como a Nuvem pode ajudá-los com vários desafios que podem enfrentar:
+
+* Armazenar grandes volumes de dados: em vez de comprar, gerenciar e proteger grandes servidores, você pode armazenar seus dados diretamente na nuvem, com soluções como Azure Cosmos DB, Azure SQL Database e Azure Data Lake Storage.
+* Realizar integração de dados: a integração de dados é uma parte essencial da Ciência de Dados, que permite fazer a transição da coleta de dados para a tomada de ações. Com os serviços de integração de dados oferecidos na nuvem, você pode coletar, transformar e integrar dados de várias fontes em um único data warehouse, com o Data Factory.
+* Processar dados: processar grandes volumes de dados requer muito poder de computação, e nem todos têm acesso a máquinas poderosas o suficiente para isso, razão pela qual muitas pessoas escolhem aproveitar diretamente o enorme poder de computação da nuvem para executar e implantar suas soluções.
+* Usar serviços de análise de dados: serviços de nuvem como Azure Synapse Analytics, Azure Stream Analytics e Azure Databricks ajudam você a transformar seus dados em insights acionáveis.
+* Usar serviços de aprendizado de máquina e inteligência de dados: em vez de começar do zero, você pode usar algoritmos de aprendizado de máquina oferecidos pelo provedor de nuvem, com serviços como AzureML. Você também pode usar serviços cognitivos, como conversão de fala para texto, texto para fala, visão computacional e mais.
+
+## Exemplos de Ciência de Dados na Nuvem
+
+Vamos tornar isso mais tangível analisando alguns cenários.
+
+### Análise de sentimento em redes sociais em tempo real
+
+Começaremos com um cenário comumente estudado por pessoas que iniciam no aprendizado de máquina: análise de sentimento em redes sociais em tempo real.
+
+Digamos que você gerencie um site de notícias e queira aproveitar dados ao vivo para entender quais conteúdos podem interessar aos seus leitores. Para saber mais sobre isso, você pode criar um programa que realiza análise de sentimento em tempo real de dados de publicações no Twitter, sobre tópicos relevantes para seus leitores.
+
+Os indicadores-chave que você analisará são o volume de tweets sobre tópicos específicos (hashtags) e o sentimento, que é estabelecido usando ferramentas de análise que realizam análise de sentimento em torno dos tópicos especificados.
+
+Os passos necessários para criar este projeto são os seguintes:
+
+* Criar um hub de eventos para entrada de streaming, que coletará dados do Twitter.
+* Configurar e iniciar um aplicativo cliente do Twitter, que chamará as APIs de Streaming do Twitter.
+* Criar um trabalho de Stream Analytics.
+* Especificar a entrada e a consulta do trabalho.
+* Criar um destino de saída e especificar a saída do trabalho.
+* Iniciar o trabalho.
+
+Para ver o processo completo, confira a [documentação](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099).
+
+### Análise de artigos científicos
+
+Vamos analisar outro exemplo de um projeto criado por [Dmitry Soshnikov](http://soshnikov.com), um dos autores deste currículo.
+
+Dmitry criou uma ferramenta que analisa artigos sobre COVID. Ao revisar este projeto, você verá como pode criar uma ferramenta que extrai conhecimento de artigos científicos, obtém insights e ajuda pesquisadores a navegar por grandes coleções de artigos de forma eficiente.
+
+Vamos ver os diferentes passos usados para isso:
+
+* Extrair e pré-processar informações com [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Usar [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) para paralelizar o processamento.
+* Armazenar e consultar informações com [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+* Criar um painel interativo para exploração e visualização de dados usando Power BI.
+
+Para ver o processo completo, visite o [blog de Dmitry](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/).
+
+Como você pode ver, podemos aproveitar os serviços de Nuvem de várias maneiras para realizar Ciência de Dados.
+
+## Nota de Rodapé
+
+Fontes:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## Quiz Pós-Aula
+
+[Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## Tarefa
+
+[Pesquisa de Mercado](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/br/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..ce81399b
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-27T17:47:53+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "br"
+}
+-->
+# Pesquisa de Mercado
+
+## Instruções
+
+Nesta lição, você aprendeu que existem vários provedores de nuvem importantes. Faça uma pesquisa de mercado para descobrir o que cada um pode oferecer ao Cientista de Dados. As ofertas são comparáveis? Escreva um artigo descrevendo as ofertas de três ou mais desses provedores de nuvem.
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | -- |
+Um artigo de uma página descreve as ofertas de ciência de dados de três provedores de nuvem e diferencia entre elas. | Um artigo mais curto é apresentado. | Um artigo é apresentado sem concluir a análise.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/br/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..6661e1db
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,349 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-27T17:43:02+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados na Nuvem: O caminho "Low code/No code"
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| Ciência de Dados na Nuvem: Low Code - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Índice:
+
+- [Ciência de Dados na Nuvem: O caminho "Low code/No code"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Quiz Pré-Aula](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. Introdução](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 O que é o Azure Machine Learning?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 O Projeto de Previsão de Insuficiência Cardíaca:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 O Conjunto de Dados de Insuficiência Cardíaca:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Treinamento Low code/No code de um modelo no Azure ML Studio](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Criar um workspace no Azure ML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 Recursos de Computação](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 Escolhendo as opções certas para seus recursos de computação](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 Criando um cluster de computação](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 Carregando o Conjunto de Dados](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 Treinamento Low code/No code com AutoML](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. Implantação Low code/No code do modelo e consumo do endpoint](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 Implantação do modelo](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 Consumo do endpoint](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 Desafio](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Quiz Pós-Aula](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Revisão e Autoestudo](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [Tarefa](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+## 1. Introdução
+### 1.1 O que é o Azure Machine Learning?
+
+A plataforma de nuvem Azure oferece mais de 200 produtos e serviços projetados para ajudar você a criar novas soluções. Cientistas de dados gastam muito esforço explorando e pré-processando dados, além de testar vários tipos de algoritmos de treinamento de modelos para produzir modelos precisos. Essas tarefas consomem tempo e frequentemente utilizam de forma ineficiente hardware de computação caro.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) é uma plataforma baseada em nuvem para construir e operar soluções de aprendizado de máquina no Azure. Ela inclui uma ampla gama de recursos e capacidades que ajudam cientistas de dados a preparar dados, treinar modelos, publicar serviços preditivos e monitorar seu uso. Mais importante, ela aumenta a eficiência ao automatizar muitas das tarefas demoradas associadas ao treinamento de modelos; e permite o uso de recursos de computação baseados na nuvem que escalam de forma eficaz para lidar com grandes volumes de dados, incorrendo em custos apenas quando realmente utilizados.
+
+O Azure ML fornece todas as ferramentas que desenvolvedores e cientistas de dados precisam para seus fluxos de trabalho de aprendizado de máquina. Isso inclui:
+
+- **Azure Machine Learning Studio**: um portal web no Azure Machine Learning para opções de treinamento, implantação, automação, rastreamento e gerenciamento de ativos com pouco ou nenhum código. O estúdio se integra ao SDK do Azure Machine Learning para uma experiência contínua.
+- **Jupyter Notebooks**: prototipagem rápida e teste de modelos de aprendizado de máquina.
+- **Azure Machine Learning Designer**: permite arrastar e soltar módulos para construir experimentos e, em seguida, implantar pipelines em um ambiente de baixo código.
+- **Interface de AutoML**: automatiza tarefas iterativas de desenvolvimento de modelos de aprendizado de máquina, permitindo construir modelos com alta escala, eficiência e produtividade, mantendo a qualidade do modelo.
+- **Rotulagem de Dados**: uma ferramenta assistida de aprendizado de máquina para rotular dados automaticamente.
+- **Extensão de aprendizado de máquina para o Visual Studio Code**: fornece um ambiente de desenvolvimento completo para construir e gerenciar projetos de aprendizado de máquina.
+- **CLI de aprendizado de máquina**: fornece comandos para gerenciar recursos do Azure ML a partir da linha de comando.
+- **Integração com frameworks de código aberto** como PyTorch, TensorFlow, Scikit-learn e muitos outros para treinar, implantar e gerenciar o processo de aprendizado de máquina de ponta a ponta.
+- **MLflow**: uma biblioteca de código aberto para gerenciar o ciclo de vida de seus experimentos de aprendizado de máquina. **MLFlow Tracking** é um componente do MLflow que registra e rastreia métricas de execução de treinamento e artefatos de modelo, independentemente do ambiente do experimento.
+
+### 1.2 O Projeto de Previsão de Insuficiência Cardíaca:
+
+Não há dúvida de que criar e construir projetos é a melhor maneira de testar suas habilidades e conhecimentos. Nesta lição, vamos explorar duas maneiras diferentes de construir um projeto de ciência de dados para a previsão de ataques de insuficiência cardíaca no Azure ML Studio, através de Low code/No code e do Azure ML SDK, conforme mostrado no esquema a seguir:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.br.png)
+
+Cada abordagem tem seus próprios prós e contras. O método Low code/No code é mais fácil para começar, pois envolve a interação com uma interface gráfica (GUI), sem necessidade de conhecimento prévio de código. Esse método permite testar rapidamente a viabilidade do projeto e criar um POC (Prova de Conceito). No entanto, à medida que o projeto cresce e precisa estar pronto para produção, não é viável criar recursos por meio de GUI. É necessário automatizar programaticamente tudo, desde a criação de recursos até a implantação de um modelo. É aqui que o conhecimento do uso do Azure ML SDK se torna crucial.
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| Conhecimento de código | Não necessário  | Necessário                |
+| Tempo de desenvolvimento | Rápido e fácil  | Depende da experiência com código |
+| Pronto para produção | Não               | Sim                       |
+
+### 1.3 O Conjunto de Dados de Insuficiência Cardíaca:
+
+As doenças cardiovasculares (DCVs) são a principal causa de morte no mundo, representando 31% de todas as mortes globalmente. Fatores de risco ambientais e comportamentais, como uso de tabaco, dieta não saudável e obesidade, inatividade física e uso nocivo de álcool, podem ser usados como características para modelos de estimativa. Ser capaz de estimar a probabilidade de desenvolvimento de uma DCV pode ser muito útil para prevenir ataques em pessoas de alto risco.
+
+O Kaggle disponibilizou publicamente um [conjunto de dados de insuficiência cardíaca](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data), que usaremos neste projeto. Você pode baixar o conjunto de dados agora. Este é um conjunto de dados tabular com 13 colunas (12 características e 1 variável alvo) e 299 linhas.
+
+|    | Nome da variável          | Tipo            | Descrição                                               | Exemplo           |
+|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
+| 1  | age                       | numérico        | Idade do paciente                                       | 25                |
+| 2  | anaemia                   | booleano        | Redução de glóbulos vermelhos ou hemoglobina           | 0 ou 1            |
+| 3  | creatinine_phosphokinase  | numérico        | Nível da enzima CPK no sangue                          | 542               |
+| 4  | diabetes                  | booleano        | Se o paciente tem diabetes                             | 0 ou 1            |
+| 5  | ejection_fraction         | numérico        | Percentual de sangue que sai do coração a cada contração | 45                |
+| 6  | high_blood_pressure       | booleano        | Se o paciente tem hipertensão                          | 0 ou 1            |
+| 7  | platelets                 | numérico        | Plaquetas no sangue                                    | 149000            |
+| 8  | serum_creatinine          | numérico        | Nível de creatinina sérica no sangue                   | 0.5               |
+| 9  | serum_sodium              | numérico        | Nível de sódio sérico no sangue                        | jun               |
+| 10 | sex                       | booleano        | Mulher ou homem                                        | 0 ou 1            |
+| 11 | smoking                   | booleano        | Se o paciente fuma                                     | 0 ou 1            |
+| 12 | time                      | numérico        | Período de acompanhamento (dias)                       | 4                 |
+|----|---------------------------|-----------------|---------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Alvo]        | booleano        | Se o paciente morre durante o período de acompanhamento | 0 ou 1            |
+
+Depois de obter o conjunto de dados, podemos começar o projeto no Azure.
+
+## 2. Treinamento Low code/No code de um modelo no Azure ML Studio
+### 2.1 Criar um workspace no Azure ML
+Para treinar um modelo no Azure ML, você precisa primeiro criar um workspace no Azure ML. O workspace é o recurso de nível superior para o Azure Machine Learning, fornecendo um local centralizado para trabalhar com todos os artefatos que você cria ao usar o Azure Machine Learning. O workspace mantém um histórico de todas as execuções de treinamento, incluindo logs, métricas, saídas e um instantâneo de seus scripts. Você usa essas informações para determinar qual execução de treinamento produz o melhor modelo. [Saiba mais](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Recomenda-se usar o navegador mais atualizado compatível com seu sistema operacional. Os seguintes navegadores são suportados:
+
+- Microsoft Edge (O novo Microsoft Edge, versão mais recente. Não o Microsoft Edge legado)
+- Safari (versão mais recente, apenas para Mac)
+- Chrome (versão mais recente)
+- Firefox (versão mais recente)
+
+Para usar o Azure Machine Learning, crie um workspace em sua assinatura do Azure. Você pode então usar este workspace para gerenciar dados, recursos de computação, código, modelos e outros artefatos relacionados às suas cargas de trabalho de aprendizado de máquina.
+
+> **_NOTA:_** Sua assinatura do Azure será cobrada por uma pequena quantidade de armazenamento de dados enquanto o workspace do Azure Machine Learning existir em sua assinatura, então recomendamos que você exclua o workspace do Azure Machine Learning quando não estiver mais usando.
+
+1. Faça login no [portal do Azure](https://ms.portal.azure.com/) usando as credenciais da Microsoft associadas à sua assinatura do Azure.
+2. Selecione **＋Criar um recurso**
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.br.png)
+
+   Pesquise por Machine Learning e selecione o tile Machine Learning.
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.br.png)
+
+   Clique no botão criar.
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.br.png)
+
+   Preencha as configurações da seguinte forma:
+   - Assinatura: Sua assinatura do Azure
+   - Grupo de recursos: Crie ou selecione um grupo de recursos
+   - Nome do workspace: Insira um nome único para seu workspace
+   - Região: Selecione a região geográfica mais próxima de você
+   - Conta de armazenamento: Observe a nova conta de armazenamento padrão que será criada para seu workspace
+   - Cofre de chaves: Observe o novo cofre de chaves padrão que será criado para seu workspace
+   - Application Insights: Observe o novo recurso Application Insights padrão que será criado para seu workspace
+   - Registro de contêiner: Nenhum (um será criado automaticamente na primeira vez que você implantar um modelo em um contêiner)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.br.png)
+
+   - Clique em criar + revisar e, em seguida, no botão criar.
+3. Aguarde a criação do seu workspace (isso pode levar alguns minutos). Depois, acesse-o no portal. Você pode encontrá-lo através do serviço Azure Machine Learning.
+4. Na página de visão geral do seu workspace, inicie o Azure Machine Learning Studio (ou abra uma nova aba do navegador e navegue para https://ml.azure.com), e faça login no Azure Machine Learning Studio usando sua conta Microsoft. Se solicitado, selecione seu diretório e assinatura do Azure, e seu workspace do Azure Machine Learning.
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.br.png)
+
+5. No Azure Machine Learning Studio, alterne o ícone ☰ no canto superior esquerdo para visualizar as várias páginas da interface. Você pode usar essas páginas para gerenciar os recursos do seu workspace.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.br.png)
+
+Você pode gerenciar seu workspace usando o portal do Azure, mas para cientistas de dados e engenheiros de operações de aprendizado de máquina, o Azure Machine Learning Studio fornece uma interface de usuário mais focada para gerenciar os recursos do workspace.
+
+### 2.2 Recursos de Computação
+
+Recursos de Computação são recursos baseados na nuvem nos quais você pode executar processos de treinamento de modelos e exploração de dados. Existem quatro tipos de recursos de computação que você pode criar:
+
+- **Instâncias de Computação**: Estações de trabalho de desenvolvimento que cientistas de dados podem usar para trabalhar com dados e modelos. Isso envolve a criação de uma Máquina Virtual (VM) e o lançamento de uma instância de notebook. Você pode então treinar um modelo chamando um cluster de computação a partir do notebook.
+- **Clusters de Computação**: Clusters escaláveis de VMs para processamento sob demanda de código de experimentos. Você precisará disso ao treinar um modelo. Clusters de computação também podem empregar recursos especializados de GPU ou CPU.
+- **Clusters de Inferência**: Alvos de implantação para serviços preditivos que usam seus modelos treinados.
+- **Attached Compute**: Links para recursos de computação existentes no Azure, como Máquinas Virtuais ou clusters do Azure Databricks.
+
+#### 2.2.1 Escolhendo as opções certas para seus recursos de computação
+
+Alguns fatores-chave devem ser considerados ao criar um recurso de computação, e essas escolhas podem ser decisões críticas.
+
+**Você precisa de CPU ou GPU?**
+
+Uma CPU (Unidade Central de Processamento) é o circuito eletrônico que executa instruções de um programa de computador. Uma GPU (Unidade de Processamento Gráfico) é um circuito eletrônico especializado que pode executar código relacionado a gráficos em uma taxa muito alta.
+
+A principal diferença entre a arquitetura de CPU e GPU é que uma CPU é projetada para lidar com uma ampla gama de tarefas rapidamente (medida pela velocidade do clock da CPU), mas é limitada na simultaneidade das tarefas que podem estar em execução. GPUs são projetadas para computação paralela e, portanto, são muito melhores em tarefas de aprendizado profundo.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| Menos caro                              | Mais caro                  |
+| Nível mais baixo de simultaneidade      | Nível mais alto de simultaneidade |
+| Mais lento no treinamento de modelos de aprendizado profundo | Ótimo para aprendizado profundo |
+
+**Tamanho do Cluster**
+
+Clusters maiores são mais caros, mas resultarão em melhor capacidade de resposta. Portanto, se você tem tempo, mas não muito dinheiro, deve começar com um cluster pequeno. Por outro lado, se você tem dinheiro, mas pouco tempo, deve começar com um cluster maior.
+
+**Tamanho da VM**
+
+Dependendo das suas restrições de tempo e orçamento, você pode variar o tamanho da RAM, disco, número de núcleos e velocidade do clock. Aumentar todos esses parâmetros será mais caro, mas resultará em melhor desempenho.
+
+**Instâncias Dedicadas ou de Baixa Prioridade?**
+
+Uma instância de baixa prioridade significa que ela é interrompível: essencialmente, a Microsoft Azure pode pegar esses recursos e atribuí-los a outra tarefa, interrompendo um trabalho. Uma instância dedicada, ou não interrompível, significa que o trabalho nunca será encerrado sem sua permissão. 
+Esta é outra consideração de tempo versus dinheiro, já que instâncias interrompíveis são menos caras do que dedicadas.
+
+#### 2.2.2 Criando um cluster de computação
+
+No [workspace do Azure ML](https://ml.azure.com/) que criamos anteriormente, vá para computação e você poderá ver os diferentes recursos de computação que acabamos de discutir (ou seja, instâncias de computação, clusters de computação, clusters de inferência e computação vinculada). Para este projeto, precisaremos de um cluster de computação para o treinamento do modelo. No Studio, clique no menu "Compute", depois na aba "Compute cluster" e clique no botão "+ New" para criar um cluster de computação.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.br.png)
+
+1. Escolha suas opções: Dedicado vs Baixa prioridade, CPU ou GPU, tamanho da VM e número de núcleos (você pode manter as configurações padrão para este projeto).
+2. Clique no botão Next.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.br.png)
+
+3. Dê ao cluster um nome de computação.
+4. Escolha suas opções: Número mínimo/máximo de nós, segundos ociosos antes de reduzir, acesso SSH. Note que, se o número mínimo de nós for 0, você economizará dinheiro quando o cluster estiver ocioso. Note que quanto maior o número de nós máximos, mais curto será o treinamento. O número máximo de nós recomendado é 3.  
+5. Clique no botão "Create". Este passo pode levar alguns minutos.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.br.png)
+
+Incrível! Agora que temos um cluster de computação, precisamos carregar os dados no Azure ML Studio.
+
+### 2.3 Carregando o Conjunto de Dados
+
+1. No [workspace do Azure ML](https://ml.azure.com/) que criamos anteriormente, clique em "Datasets" no menu à esquerda e clique no botão "+ Create dataset" para criar um conjunto de dados. Escolha a opção "From local files" e selecione o conjunto de dados do Kaggle que baixamos anteriormente.
+   
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.br.png)
+
+2. Dê ao seu conjunto de dados um nome, um tipo e uma descrição. Clique em Next. Faça o upload dos dados a partir dos arquivos. Clique em Next.
+   
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.br.png)
+
+3. No Schema, altere o tipo de dados para Boolean para os seguintes recursos: anaemia, diabetes, high blood pressure, sex, smoking e DEATH_EVENT. Clique em Next e clique em Create.
+   
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.br.png)
+
+Ótimo! Agora que o conjunto de dados está no lugar e o cluster de computação foi criado, podemos começar o treinamento do modelo!
+
+### 2.4 Treinamento com pouco ou nenhum código usando AutoML
+
+O desenvolvimento tradicional de modelos de aprendizado de máquina é intensivo em recursos, requer conhecimento significativo do domínio e tempo para produzir e comparar dezenas de modelos. 
+O aprendizado de máquina automatizado (AutoML) é o processo de automatizar as tarefas iterativas e demoradas do desenvolvimento de modelos de aprendizado de máquina. Ele permite que cientistas de dados, analistas e desenvolvedores construam modelos de aprendizado de máquina com alta escala, eficiência e produtividade, mantendo a qualidade do modelo. Isso reduz o tempo necessário para obter modelos de aprendizado de máquina prontos para produção, com grande facilidade e eficiência. [Saiba mais](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. No [workspace do Azure ML](https://ml.azure.com/) que criamos anteriormente, clique em "Automated ML" no menu à esquerda e selecione o conjunto de dados que você acabou de carregar. Clique em Next.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.br.png)
+
+2. Insira um novo nome de experimento, a coluna alvo (DEATH_EVENT) e o cluster de computação que criamos. Clique em Next.
+   
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.br.png)
+
+3. Escolha "Classification" e clique em Finish. Este passo pode levar entre 30 minutos e 1 hora, dependendo do tamanho do seu cluster de computação.
+    
+    ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.br.png)
+
+4. Quando a execução estiver concluída, clique na aba "Automated ML", clique na sua execução e clique no Algoritmo no cartão "Best model summary".
+    
+    ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.br.png)
+
+Aqui você pode ver uma descrição detalhada do melhor modelo que o AutoML gerou. Você também pode explorar outros modelos gerados na aba Models. Reserve alguns minutos para explorar os modelos na aba Explanations (preview). Depois de escolher o modelo que deseja usar (aqui escolheremos o melhor modelo selecionado pelo AutoML), veremos como podemos implantá-lo.
+
+## 3. Implantação do modelo com pouco ou nenhum código e consumo do endpoint
+### 3.1 Implantação do modelo
+
+A interface de aprendizado de máquina automatizado permite que você implante o melhor modelo como um serviço web em alguns passos. A implantação é a integração do modelo para que ele possa fazer previsões com base em novos dados e identificar áreas potenciais de oportunidade. Para este projeto, a implantação em um serviço web significa que aplicativos médicos poderão consumir o modelo para fazer previsões ao vivo sobre o risco de seus pacientes terem um ataque cardíaco.
+
+Na descrição do melhor modelo, clique no botão "Deploy".
+    
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.br.png)
+
+15. Dê um nome, uma descrição, tipo de computação (Azure Container Instance), habilite a autenticação e clique em Deploy. Este passo pode levar cerca de 20 minutos para ser concluído. O processo de implantação envolve várias etapas, incluindo registrar o modelo, gerar recursos e configurá-los para o serviço web. Uma mensagem de status aparece em Deploy status. Selecione Refresh periodicamente para verificar o status da implantação. Ele estará implantado e funcionando quando o status for "Healthy".
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.br.png)
+
+16. Depois de implantado, clique na aba Endpoint e clique no endpoint que você acabou de implantar. Aqui você pode encontrar todos os detalhes que precisa saber sobre o endpoint.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.br.png)
+
+Incrível! Agora que temos um modelo implantado, podemos começar o consumo do endpoint.
+
+### 3.2 Consumo do endpoint
+
+Clique na aba "Consume". Aqui você pode encontrar o endpoint REST e um script Python na opção de consumo. Reserve um tempo para ler o código Python.
+
+Este script pode ser executado diretamente da sua máquina local e consumirá seu endpoint.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.br.png)
+
+Reserve um momento para verificar estas 2 linhas de código:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+A variável `url` é o endpoint REST encontrado na aba de consumo e a variável `api_key` é a chave primária também encontrada na aba de consumo (somente no caso de você ter habilitado a autenticação). É assim que o script pode consumir o endpoint.
+
+18. Executando o script, você deve ver a seguinte saída:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+Isso significa que a previsão de falha cardíaca para os dados fornecidos é verdadeira. Isso faz sentido porque, se você olhar mais de perto os dados gerados automaticamente no script, tudo está em 0 e falso por padrão. Você pode alterar os dados com o seguinte exemplo de entrada:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+O script deve retornar:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+Parabéns! Você acabou de consumir o modelo implantado e treinado no Azure ML!
+
+> **_NOTA:_** Quando terminar o projeto, não se esqueça de excluir todos os recursos.
+## 🚀 Desafio
+
+Observe atentamente as explicações e os detalhes do modelo que o AutoML gerou para os melhores modelos. Tente entender por que o melhor modelo é melhor do que os outros. Quais algoritmos foram comparados? Quais são as diferenças entre eles? Por que o melhor está tendo um desempenho superior neste caso?
+
+## [Quiz Pós-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## Revisão e Autoestudo
+
+Nesta lição, você aprendeu como treinar, implantar e consumir um modelo para prever o risco de falha cardíaca de forma Low code/No code na nuvem. Se ainda não fez isso, aprofunde-se nas explicações do modelo que o AutoML gerou para os melhores modelos e tente entender por que o melhor modelo é superior aos outros.
+
+Você pode explorar mais sobre AutoML com pouco ou nenhum código lendo esta [documentação](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Tarefa
+
+[Projeto de Ciência de Dados com pouco ou nenhum código no Azure ML](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/br/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..c670f70f
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-27T17:44:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "br"
+}
+-->
+# Projeto de Ciência de Dados com Baixo Código/Sem Código no Azure ML
+
+## Instruções
+
+Vimos como usar a plataforma Azure ML para treinar, implantar e consumir um modelo de forma com baixo código/sem código. Agora procure por alguns dados que você possa usar para treinar outro modelo, implantá-lo e consumi-lo. Você pode buscar conjuntos de dados no [Kaggle](https://kaggle.com) e [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Critérios de Avaliação
+
+| Exemplar | Adequado | Precisa Melhorar |
+|----------|----------|------------------|
+|Ao carregar os dados, você se certificou de alterar o tipo das características, se necessário. Você também limpou os dados, caso fosse necessário. Você realizou um treinamento em um conjunto de dados usando AutoML e verificou as explicações do modelo. Você implantou o melhor modelo e conseguiu consumi-lo. | Ao carregar os dados, você se certificou de alterar o tipo das características, se necessário. Você realizou um treinamento em um conjunto de dados usando AutoML, implantou o melhor modelo e conseguiu consumi-lo. | Você implantou o melhor modelo treinado pelo AutoML e conseguiu consumi-lo. |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/br/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..e117ad89
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,312 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-27T17:53:04+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados na Nuvem: O caminho do "Azure ML SDK"
+
+|![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| Ciência de Dados na Nuvem: Azure ML SDK - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+Índice:
+
+- [Ciência de Dados na Nuvem: O caminho do "Azure ML SDK"](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Quiz Pré-Aula](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. Introdução](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 O que é o Azure ML SDK?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 Introdução ao projeto de previsão de insuficiência cardíaca e ao conjunto de dados](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Treinando um modelo com o Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Criar um workspace do Azure ML](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Criar uma instância de computação](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 Carregando o conjunto de dados](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 Criando Notebooks](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 Treinando um modelo](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Configurar Workspace, experimento, cluster de computação e conjunto de dados](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 Configuração e treinamento com AutoML](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Implantação do modelo e consumo de endpoint com o Azure ML SDK](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 Salvando o melhor modelo](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 Implantação do modelo](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 Consumo do endpoint](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 Desafio](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Quiz Pós-Aula](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Revisão e Autoestudo](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [Tarefa](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [Quiz Pré-Aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. Introdução
+
+### 1.1 O que é o Azure ML SDK?
+
+Cientistas de dados e desenvolvedores de IA utilizam o Azure Machine Learning SDK para construir e executar fluxos de trabalho de aprendizado de máquina com o serviço Azure Machine Learning. Você pode interagir com o serviço em qualquer ambiente Python, incluindo Jupyter Notebooks, Visual Studio Code ou seu IDE Python favorito.
+
+Áreas principais do SDK incluem:
+
+- Explorar, preparar e gerenciar o ciclo de vida dos conjuntos de dados usados em experimentos de aprendizado de máquina.
+- Gerenciar recursos na nuvem para monitoramento, registro e organização de seus experimentos de aprendizado de máquina.
+- Treinar modelos localmente ou utilizando recursos na nuvem, incluindo treinamento acelerado por GPU.
+- Usar aprendizado de máquina automatizado, que aceita parâmetros de configuração e dados de treinamento. Ele itera automaticamente por algoritmos e configurações de hiperparâmetros para encontrar o melhor modelo para realizar previsões.
+- Implantar serviços web para converter seus modelos treinados em serviços RESTful que podem ser consumidos em qualquer aplicação.
+
+[Saiba mais sobre o Azure Machine Learning SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+Na [lição anterior](../18-Low-Code/README.md), vimos como treinar, implantar e consumir um modelo de forma Low code/No code. Utilizamos o conjunto de dados de insuficiência cardíaca para gerar um modelo de previsão de insuficiência cardíaca. Nesta lição, faremos exatamente a mesma coisa, mas utilizando o Azure Machine Learning SDK.
+
+![esquema-do-projeto](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.br.png)
+
+### 1.2 Introdução ao projeto de previsão de insuficiência cardíaca e ao conjunto de dados
+
+Confira [aqui](../18-Low-Code/README.md) a introdução ao projeto de previsão de insuficiência cardíaca e ao conjunto de dados.
+
+## 2. Treinando um modelo com o Azure ML SDK
+### 2.1 Criar um workspace do Azure ML
+
+Para simplificar, vamos trabalhar em um jupyter notebook. Isso implica que você já possui um Workspace e uma instância de computação. Se você já tem um Workspace, pode pular diretamente para a seção 2.3 Criação de Notebook.
+
+Caso contrário, siga as instruções na seção **2.1 Criar um workspace do Azure ML** na [lição anterior](../18-Low-Code/README.md) para criar um workspace.
+
+### 2.2 Criar uma instância de computação
+
+No [workspace do Azure ML](https://ml.azure.com/) que criamos anteriormente, vá ao menu de computação e você verá os diferentes recursos de computação disponíveis.
+
+![instância-de-computação-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.br.png)
+
+Vamos criar uma instância de computação para provisionar um jupyter notebook. 
+1. Clique no botão + Novo. 
+2. Dê um nome à sua instância de computação.
+3. Escolha suas opções: CPU ou GPU, tamanho da VM e número de núcleos.
+4. Clique no botão Criar.
+
+Parabéns, você acabou de criar uma instância de computação! Usaremos essa instância de computação para criar um Notebook na [seção de Criação de Notebooks](../../../../5-Data-Science-In-Cloud/19-Azure).
+
+### 2.3 Carregando o conjunto de dados
+Consulte a [lição anterior](../18-Low-Code/README.md) na seção **2.3 Carregando o conjunto de dados** caso ainda não tenha carregado o conjunto de dados.
+
+### 2.4 Criando Notebooks
+
+> **_NOTA:_** Para o próximo passo, você pode criar um novo notebook do zero ou carregar o [notebook que criamos](notebook.ipynb) no seu Azure ML Studio. Para carregá-lo, basta clicar no menu "Notebook" e fazer o upload do notebook.
+
+Notebooks são uma parte muito importante do processo de ciência de dados. Eles podem ser usados para realizar Análise Exploratória de Dados (EDA), chamar um cluster de computação para treinar um modelo ou chamar um cluster de inferência para implantar um endpoint. 
+
+Para criar um Notebook, precisamos de um nó de computação que esteja servindo a instância do jupyter notebook. Volte ao [workspace do Azure ML](https://ml.azure.com/) e clique em Instâncias de computação. Na lista de instâncias de computação, você deve ver a [instância de computação que criamos anteriormente](../../../../5-Data-Science-In-Cloud/19-Azure). 
+
+1. Na seção Aplicativos, clique na opção Jupyter. 
+2. Marque a caixa "Sim, eu entendo" e clique no botão Continuar.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.br.png)
+3. Isso deve abrir uma nova aba no navegador com sua instância do jupyter notebook como mostrado abaixo. Clique no botão "Novo" para criar um notebook.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.br.png)
+
+Agora que temos um Notebook, podemos começar a treinar o modelo com o Azure ML SDK.
+
+### 2.5 Treinando um modelo
+
+Primeiramente, se você tiver alguma dúvida, consulte a [documentação do Azure ML SDK](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Ela contém todas as informações necessárias para entender os módulos que veremos nesta lição.
+
+#### 2.5.1 Configurar Workspace, experimento, cluster de computação e conjunto de dados
+
+Você precisa carregar o `workspace` a partir do arquivo de configuração usando o seguinte código:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+Isso retorna um objeto do tipo `Workspace` que representa o workspace. Em seguida, você precisa criar um `experimento` usando o seguinte código:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Para obter ou criar um experimento a partir de um workspace, você solicita o experimento usando o nome do experimento. O nome do experimento deve ter entre 3 e 36 caracteres, começar com uma letra ou número e conter apenas letras, números, sublinhados e traços. Se o experimento não for encontrado no workspace, um novo experimento será criado.
+
+Agora você precisa criar um cluster de computação para o treinamento usando o seguinte código. Note que esta etapa pode levar alguns minutos. 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+Você pode obter o conjunto de dados do workspace usando o nome do conjunto de dados da seguinte forma:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 Configuração e treinamento com AutoML
+
+Para configurar o AutoML, use a classe [AutoMLConfig](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+Conforme descrito na documentação, há muitos parâmetros com os quais você pode trabalhar. Para este projeto, usaremos os seguintes parâmetros:
+
+- `experiment_timeout_minutes`: O tempo máximo (em minutos) que o experimento pode ser executado antes de ser automaticamente interrompido e os resultados disponibilizados.
+- `max_concurrent_iterations`: O número máximo de iterações de treinamento simultâneas permitidas para o experimento.
+- `primary_metric`: A métrica principal usada para determinar o status do experimento.
+- `compute_target`: O recurso de computação do Azure Machine Learning para executar o experimento de aprendizado de máquina automatizado.
+- `task`: O tipo de tarefa a ser executada. Os valores podem ser 'classification', 'regression' ou 'forecasting', dependendo do tipo de problema de aprendizado de máquina automatizado a ser resolvido.
+- `training_data`: Os dados de treinamento a serem usados no experimento. Deve conter tanto as características de treinamento quanto uma coluna de rótulo (opcionalmente uma coluna de pesos de amostra).
+- `label_column_name`: O nome da coluna de rótulo.
+- `path`: O caminho completo para a pasta do projeto do Azure Machine Learning.
+- `enable_early_stopping`: Indica se a interrupção antecipada deve ser habilitada caso a pontuação não esteja melhorando no curto prazo.
+- `featurization`: Indicador para determinar se a etapa de featurização deve ser feita automaticamente ou não, ou se uma featurização personalizada deve ser usada.
+- `debug_log`: O arquivo de log para gravar informações de depuração.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+Agora que você configurou, pode treinar o modelo usando o seguinte código. Esta etapa pode levar até uma hora, dependendo do tamanho do cluster.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+Você pode executar o widget RunDetails para mostrar os diferentes experimentos.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## 3. Implantação do modelo e consumo de endpoint com o Azure ML SDK
+
+### 3.1 Salvando o melhor modelo
+
+O `remote_run` é um objeto do tipo [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109). Este objeto contém o método `get_output()` que retorna a melhor execução e o modelo ajustado correspondente.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+Você pode ver os parâmetros usados para o melhor modelo apenas imprimindo o fitted_model e ver as propriedades do melhor modelo usando o método [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+best_run.get_properties()
+```
+
+Agora registre o modelo com o método [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### 3.2 Implantação do modelo
+
+Depois de salvar o melhor modelo, podemos implantá-lo com a classe [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109). InferenceConfig representa as configurações de configuração para um ambiente personalizado usado para implantação. A classe [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) representa um modelo de aprendizado de máquina implantado como um endpoint de serviço web em Azure Container Instances. Um serviço implantado é criado a partir de um modelo, script e arquivos associados. O serviço web resultante é um endpoint HTTP balanceado com uma API REST. Você pode enviar dados para essa API e receber a previsão retornada pelo modelo.
+
+O modelo é implantado usando o método [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+Esta etapa deve levar alguns minutos.
+
+### 3.3 Consumo do endpoint
+
+Você consome seu endpoint criando uma entrada de exemplo:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+E então pode enviar essa entrada para seu modelo para obter a previsão:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```  
+Isso deve gerar `'{"result": [false]}'`. Isso significa que o input do paciente que enviamos para o endpoint gerou a previsão `false`, o que indica que essa pessoa provavelmente não terá um ataque cardíaco.
+
+Parabéns! Você acabou de consumir o modelo implantado e treinado no Azure ML com o Azure ML SDK!
+
+> **_NOTE:_** Quando terminar o projeto, não se esqueça de excluir todos os recursos.
+
+## 🚀 Desafio
+
+Há muitas outras coisas que você pode fazer com o SDK, infelizmente, não podemos abordar todas nesta lição. Mas uma boa notícia: aprender a navegar pela documentação do SDK pode te levar muito longe por conta própria. Dê uma olhada na documentação do Azure ML SDK e encontre a classe `Pipeline`, que permite criar pipelines. Um Pipeline é uma coleção de etapas que podem ser executadas como um fluxo de trabalho.
+
+**DICA:** Acesse a [documentação do SDK](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) e digite palavras-chave na barra de pesquisa, como "Pipeline". Você deve encontrar a classe `azureml.pipeline.core.Pipeline` nos resultados da pesquisa.
+
+## [Quiz pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## Revisão e Estudo Individual
+
+Nesta lição, você aprendeu como treinar, implantar e consumir um modelo para prever o risco de insuficiência cardíaca com o Azure ML SDK na nuvem. Confira esta [documentação](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) para mais informações sobre o Azure ML SDK. Tente criar seu próprio modelo com o Azure ML SDK.
+
+## Tarefa
+
+[Projeto de Ciência de Dados usando Azure ML SDK](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/br/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..c5d08e08
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-27T17:54:15+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "br"
+}
+-->
+# Projeto de Ciência de Dados usando Azure ML SDK
+
+## Instruções
+
+Vimos como usar a plataforma Azure ML para treinar, implantar e consumir um modelo com o Azure ML SDK. Agora procure por alguns dados que você possa usar para treinar outro modelo, implantá-lo e consumi-lo. Você pode procurar conjuntos de dados no [Kaggle](https://kaggle.com) e no [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109).
+
+## Critérios de Avaliação
+
+| Exemplar | Adequado | Precisa de Melhorias |
+|----------|----------|----------------------|
+|Ao configurar o AutoML, você consultou a documentação do SDK para ver quais parâmetros poderia usar. Você realizou um treinamento em um conjunto de dados usando AutoML com o Azure ML SDK e verificou as explicações do modelo. Você implantou o melhor modelo e conseguiu consumi-lo através do Azure ML SDK. | Você realizou um treinamento em um conjunto de dados usando AutoML com o Azure ML SDK e verificou as explicações do modelo. Você implantou o melhor modelo e conseguiu consumi-lo através do Azure ML SDK. | Você realizou um treinamento em um conjunto de dados usando AutoML com o Azure ML SDK. Você implantou o melhor modelo e conseguiu consumi-lo através do Azure ML SDK. |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/5-Data-Science-In-Cloud/README.md b/translations/br/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..340fa584
--- /dev/null
+++ b/translations/br/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-27T17:37:24+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados na Nuvem
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.br.jpg)
+
+> Foto de [Jelleke Vanooteghem](https://unsplash.com/@ilumire) no [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
+
+Quando se trata de fazer ciência de dados com big data, a nuvem pode ser um divisor de águas. Nas próximas três lições, vamos entender o que é a nuvem e por que ela pode ser tão útil. Também vamos explorar um conjunto de dados sobre insuficiência cardíaca e construir um modelo para ajudar a avaliar a probabilidade de alguém sofrer uma insuficiência cardíaca. Usaremos o poder da nuvem para treinar, implantar e consumir um modelo de duas maneiras diferentes. Uma delas utilizando apenas a interface do usuário em um formato de Baixo Código/Sem Código, e a outra utilizando o Azure Machine Learning Software Developer Kit (Azure ML SDK).
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.br.png)
+
+### Tópicos
+
+1. [Por que usar a Nuvem para Ciência de Dados?](17-Introduction/README.md)
+2. [Ciência de Dados na Nuvem: O jeito "Baixo Código/Sem Código"](18-Low-Code/README.md)
+3. [Ciência de Dados na Nuvem: O jeito "Azure ML SDK"](19-Azure/README.md)
+
+### Créditos
+Estas lições foram escritas com ☁️ e 💕 por [Maud Levy](https://twitter.com/maudstweets) e [Tiffany Souterre](https://twitter.com/TiffanySouterre)
+
+Os dados para o projeto de Previsão de Insuficiência Cardíaca foram obtidos de [
+Larxel](https://www.kaggle.com/andrewmvd) no [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data). Eles estão licenciados sob a [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..f7a3eb28
--- /dev/null
+++ b/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,155 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-27T17:35:00+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados no Mundo Real
+
+| ![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               Ciência de Dados no Mundo Real - _Sketchnote por [@nitya](https://twitter.com/nitya)_               |
+
+Estamos quase no fim desta jornada de aprendizado!
+
+Começamos com definições de ciência de dados e ética, exploramos várias ferramentas e técnicas para análise e visualização de dados, revisamos o ciclo de vida da ciência de dados e analisamos como escalar e automatizar fluxos de trabalho de ciência de dados com serviços de computação em nuvem. Então, você provavelmente está se perguntando: _"Como exatamente posso aplicar todo esse aprendizado em contextos do mundo real?"_
+
+Nesta lição, vamos explorar aplicações reais da ciência de dados em diferentes indústrias e mergulhar em exemplos específicos nos contextos de pesquisa, humanidades digitais e sustentabilidade. Também veremos oportunidades de projetos para estudantes e concluiremos com recursos úteis para ajudar você a continuar sua jornada de aprendizado!
+
+## Quiz Pré-Aula
+
+[Quiz pré-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## Ciência de Dados + Indústria
+
+Graças à democratização da IA, os desenvolvedores estão encontrando mais facilidade para projetar e integrar tomadas de decisão baseadas em IA e insights orientados por dados em experiências de usuário e fluxos de trabalho de desenvolvimento. Aqui estão alguns exemplos de como a ciência de dados é "aplicada" em contextos reais na indústria:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) utilizou ciência de dados para correlacionar termos de busca com tendências de gripe. Embora a abordagem tenha tido falhas, ela trouxe à tona as possibilidades (e desafios) de previsões de saúde baseadas em dados.
+
+ * [Previsões de Rotas da UPS](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - explica como a UPS usa ciência de dados e aprendizado de máquina para prever rotas ideais de entrega, considerando condições climáticas, padrões de tráfego, prazos de entrega e mais.
+
+ * [Visualização de Rotas de Táxi em NYC](http://chriswhong.github.io/nyctaxi/) - dados obtidos por meio das [Leis de Liberdade de Informação](https://chriswhong.com/open-data/foil_nyc_taxi/) ajudaram a visualizar um dia na vida dos táxis de NYC, permitindo entender como eles navegam pela cidade movimentada, o dinheiro que ganham e a duração das viagens ao longo de um período de 24 horas.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - utiliza dados (sobre locais de embarque e desembarque, duração das viagens, rotas preferidas etc.) coletados de milhões de viagens diárias para construir uma ferramenta de análise de dados que ajuda em decisões de preços, segurança, detecção de fraudes e navegação.
+
+ * [Análise Esportiva](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - foca em _análise preditiva_ (análise de equipes e jogadores - pense em [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - e gestão de fãs) e _visualização de dados_ (painéis de equipes e fãs, jogos etc.) com aplicações como recrutamento de talentos, apostas esportivas e gestão de inventário/locais.
+
+ * [Ciência de Dados no Setor Bancário](https://data-flair.training/blogs/data-science-in-banking/) - destaca o valor da ciência de dados na indústria financeira com aplicações que vão desde modelagem de risco e detecção de fraudes até segmentação de clientes, previsão em tempo real e sistemas de recomendação. A análise preditiva também impulsiona medidas críticas como [pontuação de crédito](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit).
+
+ * [Ciência de Dados na Saúde](https://data-flair.training/blogs/data-science-in-healthcare/) - destaca aplicações como imagem médica (por exemplo, ressonância magnética, raio-X, tomografia), genômica (sequenciamento de DNA), desenvolvimento de medicamentos (avaliação de risco, previsão de sucesso), análise preditiva (cuidados com pacientes e logística de suprimentos), rastreamento e prevenção de doenças etc.
+
+![Aplicações de Ciência de Dados no Mundo Real](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.br.png) Crédito da Imagem: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+A figura mostra outros domínios e exemplos de aplicação de técnicas de ciência de dados. Quer explorar outras aplicações? Confira a seção [Revisão e Autoestudo](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) abaixo.
+
+## Ciência de Dados + Pesquisa
+
+| ![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Ciência de Dados & Pesquisa - _Sketchnote por [@nitya](https://twitter.com/nitya)_              |
+
+Embora as aplicações do mundo real frequentemente se concentrem em casos de uso na indústria em larga escala, as aplicações e projetos de _pesquisa_ podem ser úteis sob duas perspectivas:
+
+* _oportunidades de inovação_ - explorar prototipagem rápida de conceitos avançados e testar experiências de usuário para aplicações de próxima geração.
+* _desafios de implementação_ - investigar possíveis danos ou consequências não intencionais das tecnologias de ciência de dados em contextos reais.
+
+Para estudantes, esses projetos de pesquisa podem oferecer oportunidades de aprendizado e colaboração que melhoram sua compreensão do tema e ampliam sua conscientização e engajamento com pessoas ou equipes relevantes que trabalham em áreas de interesse. Então, como são os projetos de pesquisa e como eles podem causar impacto?
+
+Vamos analisar um exemplo - o [Estudo MIT Gender Shades](http://gendershades.org/overview.html) de Joy Buolamwini (MIT Media Labs) com um [artigo de pesquisa de destaque](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) coautorado com Timnit Gebru (então na Microsoft Research), que focou em:
+
+ * **O que:** O objetivo do projeto de pesquisa era _avaliar o viés presente em algoritmos e conjuntos de dados de análise facial automatizada_ com base em gênero e tipo de pele. 
+ * **Por que:** A análise facial é usada em áreas como aplicação da lei, segurança em aeroportos, sistemas de contratação e mais - contextos onde classificações imprecisas (por exemplo, devido a viés) podem causar danos econômicos e sociais potenciais a indivíduos ou grupos afetados. Entender (e eliminar ou mitigar) esses vieses é essencial para a equidade no uso.
+ * **Como:** Os pesquisadores perceberam que os benchmarks existentes usavam predominantemente sujeitos de pele mais clara e criaram um novo conjunto de dados (mais de 1000 imagens) que era _mais equilibrado_ por gênero e tipo de pele. O conjunto de dados foi usado para avaliar a precisão de três produtos de classificação de gênero (da Microsoft, IBM e Face++). 
+
+Os resultados mostraram que, embora a precisão geral da classificação fosse boa, havia uma diferença perceptível nas taxas de erro entre vários subgrupos - com **erros de classificação de gênero** sendo mais altos para mulheres ou pessoas com pele mais escura, indicativo de viés.
+
+**Principais Resultados:** Aumentou a conscientização de que a ciência de dados precisa de mais _conjuntos de dados representativos_ (subgrupos equilibrados) e mais _equipes inclusivas_ (diversidade de origens) para reconhecer e eliminar ou mitigar esses vieses mais cedo em soluções de IA. Esforços de pesquisa como este também são fundamentais para muitas organizações definirem princípios e práticas para _IA responsável_ visando melhorar a equidade em seus produtos e processos de IA.
+
+**Quer saber mais sobre esforços de pesquisa relevantes na Microsoft?**
+
+* Confira [Projetos de Pesquisa da Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) em Inteligência Artificial.
+* Explore projetos de estudantes da [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/).
+* Confira o projeto [Fairlearn](https://fairlearn.org/) e as iniciativas de [IA Responsável](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6).
+
+## Ciência de Dados + Humanidades
+
+| ![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Ciência de Dados & Humanidades Digitais - _Sketchnote por [@nitya](https://twitter.com/nitya)_              |
+
+Humanidades Digitais [são definidas](https://digitalhumanities.stanford.edu/about-dh-stanford) como "uma coleção de práticas e abordagens que combinam métodos computacionais com investigação humanística". Projetos da [Stanford](https://digitalhumanities.stanford.edu/projects) como _"rebooting history"_ e _"poetic thinking"_ ilustram a ligação entre [Humanidades Digitais e Ciência de Dados](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - enfatizando técnicas como análise de redes, visualização de informações, análise espacial e textual que podem nos ajudar a revisitar conjuntos de dados históricos e literários para obter novos insights e perspectivas.
+
+*Quer explorar e expandir um projeto nesta área?*
+
+Confira ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - um ótimo exemplo de [Jen Looper](https://twitter.com/jenlooper) que pergunta como podemos usar ciência de dados para revisitar poesias familiares e reavaliar seu significado e as contribuições de seu autor em novos contextos. Por exemplo, _podemos prever a estação do ano em que um poema foi escrito analisando seu tom ou sentimento_ - e o que isso nos diz sobre o estado de espírito do autor durante o período relevante?
+
+Para responder a essa pergunta, seguimos os passos do ciclo de vida da ciência de dados:
+ * [`Aquisição de Dados`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - para coletar um conjunto de dados relevante para análise. As opções incluem usar uma API (por exemplo, [Poetry DB API](https://poetrydb.org/index.html)) ou fazer scraping de páginas da web (por exemplo, [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) usando ferramentas como [Scrapy](https://scrapy.org/).
+ * [`Limpeza de Dados`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - explica como o texto pode ser formatado, sanitizado e simplificado usando ferramentas básicas como Visual Studio Code e Microsoft Excel.
+ * [`Análise de Dados`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - explica como podemos importar o conjunto de dados para "Notebooks" para análise usando pacotes Python (como pandas, numpy e matplotlib) para organizar e visualizar os dados.
+ * [`Análise de Sentimento`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - explica como podemos integrar serviços em nuvem como Text Analytics, usando ferramentas de baixo código como [Power Automate](https://flow.microsoft.com/en-us/) para fluxos de trabalho automatizados de processamento de dados.
+
+Usando esse fluxo de trabalho, podemos explorar os impactos sazonais no sentimento dos poemas e nos ajudar a formar nossas próprias perspectivas sobre o autor. Experimente você mesmo - depois expanda o notebook para fazer outras perguntas ou visualizar os dados de novas maneiras!
+
+> Você pode usar algumas das ferramentas no [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) para seguir essas linhas de investigação.
+
+## Ciência de Dados + Sustentabilidade
+
+| ![ Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              Ciência de Dados & Sustentabilidade - _Sketchnote por [@nitya](https://twitter.com/nitya)_              |
+
+A [Agenda 2030 para o Desenvolvimento Sustentável](https://sdgs.un.org/2030agenda) - adotada por todos os membros das Nações Unidas em 2015 - identifica 17 objetivos, incluindo aqueles que focam em **Proteger o Planeta** contra a degradação e os impactos das mudanças climáticas. A iniciativa [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) apoia esses objetivos explorando maneiras pelas quais soluções tecnológicas podem promover e construir futuros mais sustentáveis com um [foco em 4 metas](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - ser carbono negativo, positivo em água, zero desperdício e biodiverso até 2030.
+
+Enfrentar esses desafios de forma escalável e oportuna requer pensamento em escala de nuvem - e grandes volumes de dados. A iniciativa [Planetary Computer](https://planetarycomputer.microsoft.com/) fornece 4 componentes para ajudar cientistas de dados e desenvolvedores nesse esforço:
+
+ * [Catálogo de Dados](https://planetarycomputer.microsoft.com/catalog) - com petabytes de dados de sistemas terrestres (gratuitos e hospedados no Azure).
+ * [API Planetária](https://planetarycomputer.microsoft.com/docs/reference/stac/) - para ajudar os usuários a buscar dados relevantes no espaço e no tempo.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - ambiente gerenciado para cientistas processarem grandes conjuntos de dados geoespaciais.
+ * [Aplicações](https://planetarycomputer.microsoft.com/applications) - mostram casos de uso e ferramentas para insights de sustentabilidade.
+**O Projeto Planetary Computer está atualmente em fase de pré-visualização (a partir de setembro de 2021)** - veja como você pode começar a contribuir para soluções de sustentabilidade usando ciência de dados.
+
+* [Solicite acesso](https://planetarycomputer.microsoft.com/account/request) para iniciar a exploração e se conectar com outros profissionais.
+* [Explore a documentação](https://planetarycomputer.microsoft.com/docs/overview/about) para entender os conjuntos de dados e APIs suportados.
+* Explore aplicações como [Monitoramento de Ecossistemas](https://analytics-lab.org/ecosystemmonitoring/) para se inspirar em ideias de aplicações.
+
+Pense em como você pode usar visualização de dados para expor ou amplificar insights relevantes em áreas como mudanças climáticas e desmatamento. Ou reflita sobre como esses insights podem ser usados para criar novas experiências de usuário que motivem mudanças comportamentais para uma vida mais sustentável.
+
+## Ciência de Dados + Estudantes
+
+Já falamos sobre aplicações do mundo real na indústria e na pesquisa, e exploramos exemplos de aplicações de ciência de dados em humanidades digitais e sustentabilidade. Então, como você pode desenvolver suas habilidades e compartilhar sua expertise como iniciante em ciência de dados?
+
+Aqui estão alguns exemplos de projetos de ciência de dados para estudantes que podem te inspirar.
+
+ * [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) com [projetos](https://github.com/msr-ds3) no GitHub explorando tópicos como:
+    - [Viés racial no uso da força policial](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+    - [Confiabilidade do sistema de metrô de Nova York](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+ * [Digitalizando a Cultura Material: Explorando distribuições socioeconômicas em Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - de [Ornella Altunyan](https://twitter.com/ornelladotcom) e equipe em Claremont, usando [ArcGIS StoryMaps](https://storymaps.arcgis.com/).
+
+## 🚀 Desafio
+
+Procure artigos que recomendem projetos de ciência de dados amigáveis para iniciantes - como [essas 50 áreas temáticas](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/), [essas 21 ideias de projetos](https://www.intellspot.com/data-science-project-ideas) ou [esses 16 projetos com código-fonte](https://data-flair.training/blogs/data-science-project-ideas/) que você pode desconstruir e remixar. E não se esqueça de blogar sobre suas jornadas de aprendizado e compartilhar seus insights com todos nós.
+
+## Questionário Pós-Aula
+
+[Questionário pós-aula](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## Revisão e Autoestudo
+
+Quer explorar mais casos de uso? Aqui estão alguns artigos relevantes:
+ * [17 Aplicações e Exemplos de Ciência de Dados](https://builtin.com/data-science/data-science-applications-examples) - Jul 2021
+ * [11 Aplicações de Ciência de Dados Impressionantes no Mundo Real](https://myblindbird.com/data-science-applications-real-world/) - Mai 2021
+ * [Ciência de Dados no Mundo Real](https://towardsdatascience.com/data-science-in-the-real-world/home) - Coleção de Artigos
+ * Ciência de Dados em: [Educação](https://data-flair.training/blogs/data-science-in-education/), [Agricultura](https://data-flair.training/blogs/data-science-in-agriculture/), [Finanças](https://data-flair.training/blogs/data-science-in-finance/), [Filmes](https://data-flair.training/blogs/data-science-at-movies/) e mais.
+
+## Tarefa
+
+[Explore um Conjunto de Dados do Planetary Computer](assignment.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..114363eb
--- /dev/null
+++ b/translations/br/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-27T17:36:38+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "br"
+}
+-->
+# Explore um Conjunto de Dados do Planetary Computer
+
+## Instruções
+
+Nesta lição, discutimos vários domínios de aplicação da ciência de dados - com análises aprofundadas de exemplos relacionados à pesquisa, sustentabilidade e humanidades digitais. Nesta tarefa, você explorará um desses exemplos em mais detalhes e aplicará alguns dos seus aprendizados sobre visualizações e análises de dados para obter insights sobre dados de sustentabilidade.
+
+O projeto [Planetary Computer](https://planetarycomputer.microsoft.com/) possui conjuntos de dados e APIs que podem ser acessados com uma conta - solicite uma para acessar se quiser tentar a etapa bônus da tarefa. O site também oferece um recurso chamado [Explorer](https://planetarycomputer.microsoft.com/explore), que pode ser usado sem criar uma conta.
+
+`Passos:`
+A interface do Explorer (mostrada na captura de tela abaixo) permite que você selecione um conjunto de dados (das opções fornecidas), uma consulta predefinida (para filtrar os dados) e uma opção de renderização (para criar uma visualização relevante). Nesta tarefa, sua missão é:
+
+ 1. Ler a [documentação do Explorer](https://planetarycomputer.microsoft.com/docs/overview/explorer/) - entender as opções disponíveis.
+ 2. Explorar o [Catálogo de conjuntos de dados](https://planetarycomputer.microsoft.com/catalog) - aprender o propósito de cada conjunto de dados.
+ 3. Usar o Explorer - escolher um conjunto de dados de interesse, selecionar uma consulta relevante e uma opção de renderização.
+
+![O Explorer do Planetary Computer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.br.png)
+
+`Sua Tarefa:`
+Agora, estude a visualização que foi gerada no navegador e responda às seguintes perguntas:
+ * Quais _características_ o conjunto de dados possui?
+ * Quais _insights_ ou resultados a visualização fornece?
+ * Quais são as _implicações_ desses insights para os objetivos de sustentabilidade do projeto?
+ * Quais são as _limitações_ da visualização (ou seja, quais insights você não conseguiu obter)?
+ * Se você pudesse acessar os dados brutos, quais _visualizações alternativas_ você criaria e por quê?
+
+`Pontos Bônus:`
+Solicite uma conta - e faça login quando for aceito.
+ * Use a opção _Launch Hub_ para abrir os dados brutos em um Notebook.
+ * Explore os dados de forma interativa e implemente as visualizações alternativas que você pensou.
+ * Agora analise suas visualizações personalizadas - você conseguiu obter os insights que faltaram anteriormente?
+
+## Rubrica
+
+Exemplar | Adequado | Precisa Melhorar
+--- | --- | --- |
+Todas as cinco perguntas principais foram respondidas. O aluno identificou claramente como as visualizações atuais e alternativas poderiam fornecer insights sobre os objetivos ou resultados de sustentabilidade. | O aluno respondeu pelo menos às 3 primeiras perguntas com grande detalhe, mostrando que teve experiência prática com o Explorer. | O aluno não respondeu a várias perguntas ou forneceu detalhes insuficientes - indicando que não houve uma tentativa significativa de realizar o projeto. |
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/6-Data-Science-In-Wild/README.md b/translations/br/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..2669373d
--- /dev/null
+++ b/translations/br/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-27T17:30:11+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados na Prática
+
+Aplicações reais de ciência de dados em diferentes indústrias.
+
+### Tópicos
+
+1. [Ciência de Dados no Mundo Real](20-Real-World-Examples/README.md)
+
+### Créditos
+
+Escrito com ❤️ por [Nitya Narasimhan](https://twitter.com/nitya)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/CODE_OF_CONDUCT.md b/translations/br/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..da534ae2
--- /dev/null
+++ b/translations/br/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-27T16:39:24+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "br"
+}
+-->
+# Código de Conduta de Código Aberto da Microsoft
+
+Este projeto adotou o [Código de Conduta de Código Aberto da Microsoft](https://opensource.microsoft.com/codeofconduct/).
+
+Recursos:
+
+- [Código de Conduta de Código Aberto da Microsoft](https://opensource.microsoft.com/codeofconduct/)
+- [Perguntas Frequentes sobre o Código de Conduta](https://opensource.microsoft.com/codeofconduct/faq/)
+- Entre em contato com [opencode@microsoft.com](mailto:opencode@microsoft.com) para dúvidas ou preocupações
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/CONTRIBUTING.md b/translations/br/CONTRIBUTING.md
new file mode 100644
index 00000000..d94015b6
--- /dev/null
+++ b/translations/br/CONTRIBUTING.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-27T16:40:49+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "br"
+}
+-->
+# Contribuindo
+
+Este projeto aceita contribuições e sugestões. A maioria das contribuições exige que você concorde com um Acordo de Licença de Contribuidor (CLA), declarando que você tem o direito de, e realmente concede a nós, os direitos de usar sua contribuição. Para mais detalhes, visite https://cla.microsoft.com.
+
+Ao enviar um pull request, um CLA-bot determinará automaticamente se você precisa fornecer um CLA e marcará o PR de forma apropriada (por exemplo, com etiqueta ou comentário). Basta seguir as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios que utilizam nosso CLA.
+
+Este projeto adotou o [Código de Conduta de Código Aberto da Microsoft](https://opensource.microsoft.com/codeofconduct/).  
+Para mais informações, veja as [Perguntas Frequentes sobre o Código de Conduta](https://opensource.microsoft.com/codeofconduct/faq/)  
+ou entre em contato com [opencode@microsoft.com](mailto:opencode@microsoft.com) para quaisquer dúvidas ou comentários adicionais.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/README.md b/translations/br/README.md
new file mode 100644
index 00000000..d82888db
--- /dev/null
+++ b/translations/br/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-27T16:36:22+00:00",
+  "source_file": "README.md",
+  "language_code": "br"
+}
+-->
+# Ciência de Dados para Iniciantes - Um Currículo
+
+Azure Cloud Advocates na Microsoft têm o prazer de oferecer um currículo de 10 semanas e 20 lições sobre Ciência de Dados. Cada lição inclui questionários antes e depois da aula, instruções escritas para completar a lição, uma solução e uma tarefa. Nossa abordagem baseada em projetos permite que você aprenda enquanto constrói, uma maneira comprovada de fixar novas habilidades.
+
+**Agradecimentos especiais aos nossos autores:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
+
+**🙏 Agradecimentos especiais 🙏 aos nossos [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) autores, revisores e colaboradores de conteúdo,** incluindo Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar, [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
+
+|![Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev)](./sketchnotes/00-Title.png)|
+|:---:|
+| Ciência de Dados para Iniciantes - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+## Anúncio - Novo Currículo sobre IA Generativa foi lançado!
+
+Acabamos de lançar um currículo de 12 lições sobre IA generativa. Venha aprender coisas como:
+
+- criação de prompts e engenharia de prompts
+- geração de aplicativos de texto e imagem
+- aplicativos de busca
+
+Como de costume, há uma lição, tarefas para completar, verificações de conhecimento e desafios.
+
+Confira:
+
+> https://aka.ms/genai-beginners
+
+# Você é estudante?
+
+Comece com os seguintes recursos:
+
+- [Página do Hub de Estudantes](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) Nesta página, você encontrará recursos para iniciantes, pacotes para estudantes e até maneiras de obter um voucher de certificação gratuito. Esta é uma página que você deve marcar e verificar de tempos em tempos, pois trocamos o conteúdo pelo menos mensalmente.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) Junte-se a uma comunidade global de embaixadores estudantis, isso pode ser sua porta de entrada para a Microsoft.
+
+# Começando
+
+> **Professores**: incluímos [algumas sugestões](for-teachers.md) sobre como usar este currículo. Adoraríamos receber seu feedback [em nosso fórum de discussão](https://github.com/microsoft/Data-Science-For-Beginners/discussions)!
+
+> **[Estudantes](https://aka.ms/student-page)**: para usar este currículo por conta própria, faça um fork do repositório inteiro e complete os exercícios por conta própria, começando com um questionário pré-aula. Em seguida, leia a aula e complete o restante das atividades. Tente criar os projetos compreendendo as lições em vez de copiar o código da solução; no entanto, esse código está disponível nas pastas /solutions em cada lição orientada a projetos. Outra ideia seria formar um grupo de estudo com amigos e passar pelo conteúdo juntos. Para estudos adicionais, recomendamos [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum).
+
+## Conheça a Equipe
+
+[![Vídeo promocional](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Vídeo promocional")
+
+**Gif por** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 Clique na imagem acima para assistir a um vídeo sobre o projeto e as pessoas que o criaram!
+
+## Pedagogia
+
+Escolhemos dois princípios pedagógicos ao construir este currículo: garantir que ele seja baseado em projetos e que inclua questionários frequentes. Ao final desta série, os estudantes terão aprendido os princípios básicos da ciência de dados, incluindo conceitos éticos, preparação de dados, diferentes formas de trabalhar com dados, visualização de dados, análise de dados, casos de uso reais de ciência de dados e muito mais.
+
+Além disso, um questionário de baixa pressão antes da aula define a intenção do estudante em aprender um tópico, enquanto um segundo questionário após a aula garante maior retenção. Este currículo foi projetado para ser flexível e divertido e pode ser realizado em sua totalidade ou em partes. Os projetos começam pequenos e se tornam cada vez mais complexos ao final do ciclo de 10 semanas.
+
+> Encontre nosso [Código de Conduta](CODE_OF_CONDUCT.md), [Contribuição](CONTRIBUTING.md), [Diretrizes de Tradução](TRANSLATIONS.md). Agradecemos seu feedback construtivo!
+
+## Cada lição inclui:
+
+- Sketchnote opcional
+- Vídeo suplementar opcional
+- Questionário de aquecimento antes da aula
+- Lição escrita
+- Para lições baseadas em projetos, guias passo a passo sobre como construir o projeto
+- Verificações de conhecimento
+- Um desafio
+- Leitura suplementar
+- Tarefa
+- Questionário pós-aula
+
+> **Uma nota sobre os questionários**: Todos os questionários estão contidos na pasta Quiz-App, totalizando 40 questionários com três perguntas cada. Eles estão vinculados dentro das lições, mas o aplicativo de questionários pode ser executado localmente ou implantado no Azure; siga as instruções na pasta `quiz-app`. Eles estão sendo gradualmente localizados.
+
+## Lições
+
+|![Sketchnote por [(@sketchthedocs)](https://sketchthedocs.dev)](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| Ciência de Dados para Iniciantes: Roteiro - _Sketchnote por [@nitya](https://twitter.com/nitya)_ |
+
+| Número da Lição | Tópico | Agrupamento de Lições | Objetivos de Aprendizagem | Lição Vinculada | Autor |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | Definindo Ciência de Dados | [Introdução](1-Introduction/README.md) | Aprenda os conceitos básicos por trás da ciência de dados e como ela está relacionada à inteligência artificial, aprendizado de máquina e big data. | [lição](1-Introduction/01-defining-data-science/README.md) [vídeo](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | Ética na Ciência de Dados | [Introdução](1-Introduction/README.md) | Conceitos, desafios e frameworks de ética em dados. | [lição](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | Definindo Dados | [Introdução](1-Introduction/README.md) | Como os dados são classificados e suas fontes comuns. | [lição](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | Introdução à Estatística e Probabilidade | [Introdução](1-Introduction/README.md) | As técnicas matemáticas de probabilidade e estatística para entender dados. | [lição](1-Introduction/04-stats-and-probability/README.md) [vídeo](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | Trabalhando com Dados Relacionais | [Trabalhando com Dados](2-Working-With-Data/README.md) | Introdução aos dados relacionais e os fundamentos de exploração e análise de dados relacionais com a Structured Query Language, também conhecida como SQL (pronunciado “sequel”). | [lição](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | Trabalhando com Dados NoSQL | [Trabalhando com Dados](2-Working-With-Data/README.md) | Introdução aos dados não relacionais, seus vários tipos e os fundamentos de exploração e análise de bancos de dados de documentos. | [lição](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Trabalhando com Python | [Trabalhando com Dados](2-Working-With-Data/README.md) | Fundamentos de uso do Python para exploração de dados com bibliotecas como Pandas. É recomendável ter uma compreensão básica de programação em Python. | [lição](2-Working-With-Data/07-python/README.md) [vídeo](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | Preparação de Dados | [Trabalhando com Dados](2-Working-With-Data/README.md) | Tópicos sobre técnicas de dados para limpar e transformar os dados, lidando com desafios como dados ausentes, imprecisos ou incompletos. | [lição](2-Working-With-Data/08-data-preparation/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 09 | Visualizando Quantidades | [Visualização de Dados](3-Data-Visualization/README.md) | Aprenda a usar Matplotlib para visualizar dados de pássaros 🦆 | [lição](3-Data-Visualization/09-visualization-quantities/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 10 | Visualizando Distribuições de Dados | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando observações e tendências dentro de um intervalo. | [lição](3-Data-Visualization/10-visualization-distributions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 11 | Visualizando Proporções | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando porcentagens discretas e agrupadas. | [lição](3-Data-Visualization/11-visualization-proportions/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 12 | Visualizando Relações | [Visualização de Dados](3-Data-Visualization/README.md) | Visualizando conexões e correlações entre conjuntos de dados e suas variáveis. | [lição](3-Data-Visualization/12-visualization-relationships/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 13 | Visualizações Significativas | [Visualização de Dados](3-Data-Visualization/README.md) | Técnicas e orientações para tornar suas visualizações valiosas para a resolução eficaz de problemas e obtenção de insights. | [lição](3-Data-Visualization/13-meaningful-visualizations/README.md) | [Jen](https://twitter.com/jenlooper) |
+| 14 | Introdução ao Ciclo de Vida da Ciência de Dados | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Introdução ao ciclo de vida da ciência de dados e sua primeira etapa de aquisição e extração de dados. | [lição](4-Data-Science-Lifecycle/14-Introduction/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 15 | Análise | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Esta fase do ciclo de vida da ciência de dados foca em técnicas para analisar dados. | [lição](4-Data-Science-Lifecycle/15-analyzing/README.md) | [Jasmine](https://twitter.com/paladique) | | |
+| 16 | Comunicação | [Ciclo de Vida](4-Data-Science-Lifecycle/README.md) | Esta fase do ciclo de vida da ciência de dados foca em apresentar os insights dos dados de forma que facilite a compreensão pelos tomadores de decisão. | [lição](4-Data-Science-Lifecycle/16-communication/README.md) | [Jalen](https://twitter.com/JalenMcG) | | |
+| 17 | Ciência de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Esta série de lições introduz a ciência de dados na nuvem e seus benefícios. | [lição](5-Data-Science-In-Cloud/17-Introduction/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
+| 18 | Ciência de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Treinando modelos usando ferramentas de baixo código. | [lição](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
+| 19 | Ciência de Dados na Nuvem | [Dados na Nuvem](5-Data-Science-In-Cloud/README.md) | Implantando modelos com o Azure Machine Learning Studio. | [lição](5-Data-Science-In-Cloud/19-Azure/README.md) | [Tiffany](https://twitter.com/TiffanySouterre) e [Maud](https://twitter.com/maudstweets) |
+| 20 | Ciência de Dados no Mundo Real | [No Mundo Real](6-Data-Science-In-Wild/README.md) | Projetos impulsionados por ciência de dados no mundo real. | [lição](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [Nitya](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+Siga estas etapas para abrir este exemplo em um Codespace:
+1. Clique no menu suspenso Code e selecione a opção Open with Codespaces.
+2. Selecione + New codespace na parte inferior do painel.
+Para mais informações, confira a [documentação do GitHub](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace).
+
+## VSCode Remote - Containers
+Siga estas etapas para abrir este repositório em um container usando sua máquina local e o VSCode com a extensão VS Code Remote - Containers:
+
+1. Se esta for sua primeira vez usando um container de desenvolvimento, certifique-se de que seu sistema atende aos pré-requisitos (ex.: ter o Docker instalado) na [documentação de introdução](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+Para usar este repositório, você pode abrir o repositório em um volume isolado do Docker:
+
+**Nota**: Por trás dos panos, isso usará o comando Remote-Containers: **Clone Repository in Container Volume...** para clonar o código-fonte em um volume do Docker em vez do sistema de arquivos local. [Volumes](https://docs.docker.com/storage/volumes/) são o mecanismo preferido para persistir dados de containers.
+
+Ou abrir uma versão clonada ou baixada localmente do repositório:
+
+- Clone este repositório para seu sistema de arquivos local.
+- Pressione F1 e selecione o comando **Remote-Containers: Open Folder in Container...**.
+- Selecione a cópia clonada desta pasta, aguarde o container iniciar e experimente.
+
+## Acesso Offline
+
+Você pode executar esta documentação offline usando [Docsify](https://docsify.js.org/#/). Faça um fork deste repositório, [instale o Docsify](https://docsify.js.org/#/quickstart) em sua máquina local, e então, na pasta raiz deste repositório, digite `docsify serve`. O site será servido na porta 3000 do seu localhost: `localhost:3000`.
+
+> Nota: os notebooks não serão renderizados via Docsify, então, quando precisar executar um notebook, faça isso separadamente no VS Code executando um kernel Python.
+
+## Ajuda Necessária!
+
+Se você gostaria de traduzir todo ou parte do currículo, siga nosso guia de [Traduções](TRANSLATIONS.md).
+
+## Outros Currículos
+
+Nossa equipe produz outros currículos! Confira:
+
+- [Generative AI for Beginners](https://aka.ms/genai-beginners)
+- [Generative AI for Beginners .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [Generative AI with JavaScript](https://github.com/microsoft/generative-ai-with-javascript)
+- [Generative AI with Java](https://aka.ms/genaijava)
+- [AI for Beginners](https://aka.ms/ai-beginners)
+- [Data Science for Beginners](https://aka.ms/datascience-beginners)
+- [ML for Beginners](https://aka.ms/ml-beginners)
+- [Cybersecurity for Beginners](https://github.com/microsoft/Security-101) 
+- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
+- [IoT for Beginners](https://aka.ms/iot-beginners)
+- [XR Development for Beginners](https://github.com/microsoft/xr-development-for-beginners)
+- [Mastering GitHub Copilot for Paired Programming](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [Mastering GitHub Copilot for C#/.NET Developers](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [Choose Your Own Copilot Adventure](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/SECURITY.md b/translations/br/SECURITY.md
new file mode 100644
index 00000000..c80a8c0b
--- /dev/null
+++ b/translations/br/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-27T16:40:14+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "br"
+}
+-->
+## Segurança
+
+A Microsoft leva a segurança de seus produtos e serviços de software muito a sério, o que inclui todos os repositórios de código-fonte gerenciados por meio de nossas organizações no GitHub, que incluem [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) e [nossas organizações no GitHub](https://opensource.microsoft.com/).
+
+Se você acredita ter encontrado uma vulnerabilidade de segurança em qualquer repositório de propriedade da Microsoft que atenda à [definição de vulnerabilidade de segurança da Microsoft](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)), por favor, relate-a conforme descrito abaixo.
+
+## Relatando Problemas de Segurança
+
+**Por favor, não relate vulnerabilidades de segurança por meio de issues públicas no GitHub.**
+
+Em vez disso, relate-as ao Microsoft Security Response Center (MSRC) em [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report).
+
+Se preferir enviar sem fazer login, envie um e-mail para [secure@microsoft.com](mailto:secure@microsoft.com). Se possível, criptografe sua mensagem com nossa chave PGP; faça o download na [página da Chave PGP do Microsoft Security Response Center](https://www.microsoft.com/en-us/msrc/pgp-key-msrc).
+
+Você deve receber uma resposta dentro de 24 horas. Se, por algum motivo, não receber, envie um e-mail de acompanhamento para garantir que recebemos sua mensagem original. Informações adicionais podem ser encontradas em [microsoft.com/msrc](https://www.microsoft.com/msrc).
+
+Inclua as informações solicitadas abaixo (tanto quanto possível) para nos ajudar a entender melhor a natureza e o escopo do possível problema:
+
+  * Tipo de problema (por exemplo, buffer overflow, SQL injection, cross-site scripting, etc.)
+  * Caminhos completos dos arquivos de código-fonte relacionados à manifestação do problema
+  * A localização do código-fonte afetado (tag/branch/commit ou URL direto)
+  * Qualquer configuração especial necessária para reproduzir o problema
+  * Instruções passo a passo para reproduzir o problema
+  * Código de prova de conceito ou de exploração (se possível)
+  * Impacto do problema, incluindo como um invasor poderia explorar o problema
+
+Essas informações nos ajudarão a priorizar seu relatório mais rapidamente.
+
+Se você estiver relatando para um programa de recompensa por bugs, relatórios mais completos podem contribuir para uma recompensa maior. Visite a página do [Programa de Recompensas por Bugs da Microsoft](https://microsoft.com/msrc/bounty) para mais detalhes sobre nossos programas ativos.
+
+## Idiomas Preferidos
+
+Preferimos que todas as comunicações sejam feitas em inglês.
+
+## Política
+
+A Microsoft segue o princípio de [Divulgação Coordenada de Vulnerabilidades](https://www.microsoft.com/en-us/msrc/cvd).
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/SUPPORT.md b/translations/br/SUPPORT.md
new file mode 100644
index 00000000..9705b54a
--- /dev/null
+++ b/translations/br/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-27T16:37:34+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "br"
+}
+-->
+# Suporte
+## Como registrar problemas e obter ajuda  
+
+Este projeto utiliza o GitHub Issues para rastrear bugs e solicitações de recursos. Por favor, pesquise os problemas existentes antes de registrar novos para evitar duplicações. Para novos problemas, registre seu bug ou solicitação de recurso como um novo Issue.
+
+Para obter ajuda e esclarecer dúvidas sobre o uso deste projeto, registre um Issue.
+
+## Política de Suporte da Microsoft  
+
+O suporte para este repositório é limitado aos recursos listados acima.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/docs/_sidebar.md b/translations/br/docs/_sidebar.md
new file mode 100644
index 00000000..1b8726c1
--- /dev/null
+++ b/translations/br/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-27T17:01:58+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "br"
+}
+-->
+- Introdução
+  - [Definindo Ciência de Dados](../1-Introduction/01-defining-data-science/README.md)
+  - [Ética na Ciência de Dados](../1-Introduction/02-ethics/README.md)
+  - [Definindo Dados](../1-Introduction/03-defining-data/README.md)
+  - [Probabilidade e Estatística](../1-Introduction/04-stats-and-probability/README.md)
+- Trabalhando com Dados
+  - [Bancos de Dados Relacionais](../2-Working-With-Data/05-relational-databases/README.md)
+  - [Bancos de Dados Não Relacionais](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [Preparação de Dados](../2-Working-With-Data/08-data-preparation/README.md)
+- Visualização de Dados
+  - [Visualizando Quantidades](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [Visualizando Distribuições](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [Visualizando Proporções](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [Visualizando Relações](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [Visualizações Significativas](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- Ciclo de Vida da Ciência de Dados
+  - [Introdução](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [Análise](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [Comunicação](../4-Data-Science-Lifecycle/16-communication/README.md)
+- Ciência de Dados na Nuvem
+  - [Introdução](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [Low Code](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- Ciência de Dados na Prática
+  - [Ciência de Dados na Prática](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/for-teachers.md b/translations/br/for-teachers.md
new file mode 100644
index 00000000..166e878a
--- /dev/null
+++ b/translations/br/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-27T16:38:53+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "br"
+}
+-->
+## Para Educadores
+
+Gostaria de usar este currículo em sua sala de aula? Fique à vontade!
+
+Na verdade, você pode utilizá-lo diretamente no GitHub, usando o GitHub Classroom.
+
+Para isso, faça um fork deste repositório. Você precisará criar um repositório para cada aula, então será necessário extrair cada pasta em um repositório separado. Dessa forma, [GitHub Classroom](https://classroom.github.com/classrooms) poderá identificar cada aula individualmente.
+
+Estas [instruções completas](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) vão te ajudar a configurar sua sala de aula.
+
+## Usando o repositório como está
+
+Se você preferir usar este repositório no formato atual, sem utilizar o GitHub Classroom, isso também é possível. Você precisará comunicar aos seus alunos qual aula trabalhar juntos.
+
+Em um formato online (Zoom, Teams ou outro), você pode criar salas de grupo para os quizzes e orientar os alunos para ajudá-los a se preparar para aprender. Depois, convide os alunos para os quizzes e peça que enviem suas respostas como 'issues' em um horário específico. Você pode fazer o mesmo com as tarefas, caso queira que os alunos trabalhem colaborativamente de forma aberta.
+
+Se preferir um formato mais privado, peça aos seus alunos para fazerem fork do currículo, aula por aula, para seus próprios repositórios privados no GitHub e concederem acesso a você. Assim, eles podem completar quizzes e tarefas de forma privada e enviá-los para você via issues no repositório da sua sala de aula.
+
+Existem várias maneiras de fazer isso funcionar em um formato de sala de aula online. Por favor, nos informe o que funciona melhor para você!
+
+## Incluído neste currículo:
+
+20 aulas, 40 quizzes e 20 tarefas. Sketchnotes acompanham as aulas para alunos visuais. Muitas aulas estão disponíveis tanto em Python quanto em R e podem ser concluídas usando Jupyter notebooks no VS Code. Saiba mais sobre como configurar sua sala de aula para usar essa tecnologia: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+Todos os sketchnotes, incluindo um pôster em formato grande, estão nesta [pasta](../../sketchnotes).
+
+O currículo completo está disponível [como PDF](../../pdf/readme.pdf).
+
+Você também pode executar este currículo como um site independente e acessível offline usando [Docsify](https://docsify.js.org/#/). [Instale o Docsify](https://docsify.js.org/#/quickstart) em sua máquina local, depois, na pasta raiz da cópia local deste repositório, digite `docsify serve`. O site será servido na porta 3000 do seu localhost: `localhost:3000`.
+
+Uma versão acessível offline do currículo será aberta como uma página web independente: https://localhost:3000
+
+As aulas estão agrupadas em 6 partes:
+
+- 1: Introdução
+    - 1: Definindo Ciência de Dados
+    - 2: Ética
+    - 3: Definindo Dados
+    - 4: Visão Geral de Probabilidade e Estatística
+- 2: Trabalhando com Dados
+    - 5: Bancos de Dados Relacionais
+    - 6: Bancos de Dados Não Relacionais
+    - 7: Python
+    - 8: Preparação de Dados
+- 3: Visualização de Dados
+    - 9: Visualização de Quantidades
+    - 10: Visualização de Distribuições
+    - 11: Visualização de Proporções
+    - 12: Visualização de Relações
+    - 13: Visualizações Significativas
+- 4: Ciclo de Vida da Ciência de Dados
+    - 14: Introdução
+    - 15: Análise
+    - 16: Comunicação
+- 5: Ciência de Dados na Nuvem
+    - 17: Introdução
+    - 18: Opções de Baixo Código
+    - 19: Azure
+- 6: Ciência de Dados na Prática
+    - 20: Visão Geral
+
+## Por favor, nos dê sua opinião!
+
+Queremos que este currículo funcione para você e seus alunos. Por favor, nos dê feedback nos fóruns de discussão! Fique à vontade para criar uma área de sala de aula nos fóruns de discussão para seus alunos.
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/quiz-app/README.md b/translations/br/quiz-app/README.md
new file mode 100644
index 00000000..e36fcc84
--- /dev/null
+++ b/translations/br/quiz-app/README.md
@@ -0,0 +1,139 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-27T17:55:27+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "br"
+}
+-->
+# Questionários
+
+Esses questionários são os questionários pré e pós-aula para o currículo de ciência de dados em https://aka.ms/datascience-beginners
+
+## Adicionando um conjunto de questionários traduzidos
+
+Adicione uma tradução de questionário criando estruturas de questionários correspondentes nas pastas `assets/translations`. Os questionários originais estão em `assets/translations/en`. Os questionários estão divididos em vários agrupamentos. Certifique-se de alinhar a numeração com a seção correta do questionário. Há um total de 40 questionários neste currículo, começando a contagem em 0.
+
+Após editar as traduções, edite o arquivo index.js na pasta de tradução para importar todos os arquivos seguindo as convenções em `en`.
+
+Edite o arquivo `index.js` em `assets/translations` para importar os novos arquivos traduzidos.
+
+Depois, edite o menu suspenso em `App.vue` neste aplicativo para adicionar seu idioma. Combine a abreviação localizada com o nome da pasta do seu idioma.
+
+Por fim, edite todos os links dos questionários nas lições traduzidas, se existirem, para incluir essa localização como um parâmetro de consulta: `?loc=fr`, por exemplo.
+
+## Configuração do projeto
+
+```
+npm install
+```
+
+### Compila e recarrega automaticamente para desenvolvimento
+
+```
+npm run serve
+```
+
+### Compila e minimiza para produção
+
+```
+npm run build
+```
+
+### Verifica e corrige arquivos
+
+```
+npm run lint
+```
+
+### Personalizar configuração
+
+Veja [Referência de Configuração](https://cli.vuejs.org/config/).
+
+Créditos: Agradecimentos à versão original deste aplicativo de questionário: https://github.com/arpan45/simple-quiz-vue
+
+## Implantando no Azure
+
+Aqui está um guia passo a passo para ajudá-lo a começar:
+
+1. Faça um fork do repositório GitHub  
+Certifique-se de que o código do seu aplicativo web estático esteja no seu repositório GitHub. Faça um fork deste repositório.
+
+2. Crie um aplicativo web estático no Azure  
+- Crie uma [conta no Azure](http://azure.microsoft.com)  
+- Acesse o [portal do Azure](https://portal.azure.com)  
+- Clique em “Criar um recurso” e procure por “Aplicativo Web Estático”.  
+- Clique em “Criar”.
+
+3. Configure o aplicativo web estático  
+- Básico:  
+  - Assinatura: Selecione sua assinatura do Azure.  
+  - Grupo de Recursos: Crie um novo grupo de recursos ou use um existente.  
+  - Nome: Forneça um nome para seu aplicativo web estático.  
+  - Região: Escolha a região mais próxima dos seus usuários.  
+
+- #### Detalhes de Implantação:  
+  - Fonte: Selecione “GitHub”.  
+  - Conta do GitHub: Autorize o Azure a acessar sua conta do GitHub.  
+  - Organização: Selecione sua organização no GitHub.  
+  - Repositório: Escolha o repositório que contém seu aplicativo web estático.  
+  - Branch: Selecione o branch do qual deseja implantar.  
+
+- #### Detalhes de Build:  
+  - Presets de Build: Escolha o framework com o qual seu aplicativo foi construído (por exemplo, React, Angular, Vue, etc.).  
+  - Localização do Aplicativo: Especifique a pasta que contém o código do seu aplicativo (por exemplo, / se estiver na raiz).  
+  - Localização da API: Se você tiver uma API, especifique sua localização (opcional).  
+  - Localização de Saída: Especifique a pasta onde a saída do build é gerada (por exemplo, build ou dist).  
+
+4. Revisar e Criar  
+Revise suas configurações e clique em “Criar”. O Azure configurará os recursos necessários e criará um arquivo de workflow do GitHub Actions no seu repositório.
+
+5. Workflow do GitHub Actions  
+O Azure criará automaticamente um arquivo de workflow do GitHub Actions no seu repositório (.github/workflows/azure-static-web-apps-<nome>.yml). Este workflow lidará com o processo de build e implantação.
+
+6. Monitorar a Implantação  
+Acesse a aba “Actions” no seu repositório GitHub.  
+Você deverá ver um workflow em execução. Este workflow irá construir e implantar seu aplicativo web estático no Azure.  
+Assim que o workflow for concluído, seu aplicativo estará ativo no URL fornecido pelo Azure.
+
+### Exemplo de Arquivo de Workflow
+
+Aqui está um exemplo de como o arquivo de workflow do GitHub Actions pode ser:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### Recursos Adicionais  
+- [Documentação de Aplicativos Web Estáticos no Azure](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [Documentação do GitHub Actions](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/br/sketchnotes/README.md b/translations/br/sketchnotes/README.md
new file mode 100644
index 00000000..3a44a964
--- /dev/null
+++ b/translations/br/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-27T17:29:48+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "br"
+}
+-->
+Encontre todos os sketchnotes aqui!
+
+## Créditos
+
+Nitya Narasimhan, artista
+
+![sketchnote do roadmap](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.br.png)
+
+---
+
+**Aviso Legal**:  
+Este documento foi traduzido utilizando o serviço de tradução por IA [Co-op Translator](https://github.com/Azure/co-op-translator). Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/01-defining-data-science/README.md b/translations/mr/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..8c0a31d2
--- /dev/null
+++ b/translations/mr/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-27T17:13:35+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "mr"
+}
+-->
+
+आपण असा युक्तिवाद करू शकता की हा दृष्टिकोन आदर्श नाही, कारण मॉड्यूल्सची लांबी वेगवेगळी असू शकते. कदाचित मॉड्यूलच्या लांबीने (अक्षरांच्या संख्येने) वेळ विभागणे आणि त्या मूल्यांची तुलना करणे अधिक न्याय्य ठरेल.
+जेव्हा आपण बहुपर्यायी प्रश्नांच्या चाचण्यांचे निकाल विश्लेषित करण्यास सुरुवात करतो, तेव्हा आपण ठरवू शकतो की विद्यार्थ्यांना कोणत्या संकल्पना समजण्यात अडचण येते आणि त्या माहितीचा उपयोग सामग्री सुधारण्यासाठी करू शकतो. हे करण्यासाठी, आपल्याला चाचण्या अशा प्रकारे डिझाइन कराव्या लागतील की प्रत्येक प्रश्न विशिष्ट संकल्पना किंवा ज्ञानाच्या तुकड्याशी जोडलेला असेल.
+
+जर आपण आणखी गुंतागुंतीचे व्हायचे असेल, तर आपण प्रत्येक मॉड्यूलसाठी घेतलेला वेळ विद्यार्थ्यांच्या वयोगटाच्या विरोधात प्लॉट करू शकतो. आपल्याला कदाचित असे आढळेल की काही वयोगटांसाठी मॉड्यूल पूर्ण करण्यासाठी अत्याधिक वेळ लागतो किंवा विद्यार्थी ते पूर्ण करण्यापूर्वीच सोडून देतात. हे आपल्याला मॉड्यूलसाठी वयोमर्यादा शिफारसी देण्यास मदत करू शकते आणि चुकीच्या अपेक्षांमुळे होणारा असमाधान कमी करू शकते.
+
+## 🚀 आव्हान
+
+या आव्हानात, आपण डेटा सायन्स क्षेत्राशी संबंधित संकल्पना शोधण्याचा प्रयत्न करू, ते मजकूर पाहून. आपण डेटा सायन्सवरील विकिपीडिया लेख घेऊ, मजकूर डाउनलोड आणि प्रक्रिया करू, आणि नंतर खालीलप्रमाणे एक वर्ड क्लाउड तयार करू:
+
+![डेटा सायन्ससाठी वर्ड क्लाउड](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.mr.png)
+
+[`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') येथे भेट द्या आणि कोड वाचा. तुम्ही कोड चालवू शकता आणि तो डेटा ट्रान्सफॉर्मेशन कसे प्रत्यक्षात करतो ते पाहू शकता.
+
+> जर तुम्हाला जुपिटर नोटबुकमध्ये कोड कसा चालवायचा माहित नसेल, तर [हा लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) वाचा.
+
+## [व्याख्यानानंतरची क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## असाइनमेंट्स
+
+* **कार्य 1**: वरील कोड बदलून **Big Data** आणि **Machine Learning** क्षेत्रांसाठी संबंधित संकल्पना शोधा.
+* **कार्य 2**: [डेटा सायन्स परिदृश्यांबद्दल विचार करा](assignment.md)
+
+## क्रेडिट्स
+
+ही शिकवण [Dmitry Soshnikov](http://soshnikov.com) यांनी ♥️ सह तयार केली आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/01-defining-data-science/assignment.md b/translations/mr/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..c001af51
--- /dev/null
+++ b/translations/mr/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-27T17:16:48+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "mr"
+}
+-->
+# असाइनमेंट: डेटा सायन्स परिदृश्य
+
+या पहिल्या असाइनमेंटमध्ये, तुम्हाला वेगवेगळ्या समस्या क्षेत्रांमधील काही वास्तविक जीवनातील प्रक्रिया किंवा समस्या विचारात घ्यायच्या आहेत आणि डेटा सायन्स प्रक्रियेचा वापर करून त्यात सुधारणा कशी करता येईल याचा विचार करायचा आहे. खालील गोष्टींचा विचार करा:
+
+1. तुम्ही कोणता डेटा गोळा करू शकता?
+1. तो डेटा कसा गोळा कराल?
+1. डेटा कसा साठवायचा? डेटा किती मोठा असण्याची शक्यता आहे?
+1. या डेटामधून तुम्हाला कोणती अंतर्दृष्टी मिळू शकते? या डेटाच्या आधारे आपण कोणते निर्णय घेऊ शकतो?
+
+3 वेगवेगळ्या समस्या/प्रक्रियांचा विचार करा आणि प्रत्येक समस्या क्षेत्रासाठी वरील प्रत्येक मुद्द्याचे वर्णन करा.
+
+खालील समस्या क्षेत्रे आणि समस्या तुम्हाला विचार करण्यास सुरुवात करण्यासाठी मदत करू शकतात:
+
+1. शाळांमधील मुलांसाठी शिक्षण प्रक्रियेत सुधारणा करण्यासाठी तुम्ही डेटा कसा वापरू शकता?
+1. महामारीदरम्यान लसीकरण नियंत्रित करण्यासाठी तुम्ही डेटा कसा वापरू शकता?
+1. तुम्ही कामावर उत्पादक राहण्यासाठी डेटा कसा वापरू शकता?
+
+## सूचना
+
+खालील तक्ता भरा (आवश्यक असल्यास सुचवलेल्या समस्या क्षेत्रांऐवजी तुमच्या स्वतःच्या समस्या क्षेत्रांचा वापर करा):
+
+| समस्या क्षेत्र | समस्या | कोणता डेटा गोळा करायचा | डेटा कसा साठवायचा | कोणती अंतर्दृष्टी/निर्णय घेऊ शकतो | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| शिक्षण | | | | |
+| लसीकरण | | | | |
+| उत्पादकता | | | | |
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+सर्व समस्या क्षेत्रांसाठी वाजवी डेटा स्रोत, डेटा साठवण्याचे मार्ग आणि संभाव्य निर्णय/अंतर्दृष्टी ओळखण्यात यशस्वी | उपायाच्या काही पैलूंचे तपशीलवार वर्णन नाही, डेटा साठवण्याबद्दल चर्चा नाही, किमान 2 समस्या क्षेत्रांचे वर्णन केले आहे | उपायाचे केवळ काही भाग वर्णन केले आहेत, फक्त एका समस्या क्षेत्राचा विचार केला आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/mr/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..feb272cf
--- /dev/null
+++ b/translations/mr/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-27T17:17:33+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "mr"
+}
+-->
+# असाइनमेंट: डेटा सायन्स परिदृश्य
+
+या पहिल्या असाइनमेंटमध्ये, तुम्हाला वेगवेगळ्या समस्या क्षेत्रांमधील काही वास्तविक जीवनातील प्रक्रिया किंवा समस्या विचारात घ्यायच्या आहेत आणि डेटा सायन्स प्रक्रियेचा वापर करून त्यात सुधारणा कशी करता येईल याचा विचार करायचा आहे. खालील गोष्टींचा विचार करा:
+
+1. कोणते डेटा तुम्ही गोळा करू शकता?
+1. तुम्ही तो डेटा कसा गोळा कराल?
+1. तुम्ही डेटा कसा साठवाल? डेटा किती मोठा असण्याची शक्यता आहे?
+1. या डेटामधून तुम्हाला कोणती अंतर्दृष्टी मिळू शकते? या डेटाच्या आधारे आपण कोणते निर्णय घेऊ शकतो?
+
+3 वेगवेगळ्या समस्या/प्रक्रियांचा विचार करा आणि प्रत्येक समस्या क्षेत्रासाठी वरील प्रत्येक मुद्द्याचे वर्णन करा.
+
+खालील समस्या क्षेत्रे आणि समस्या तुम्हाला विचार करण्यास सुरुवात करण्यासाठी दिल्या आहेत:
+
+1. शाळांमधील मुलांसाठी शिक्षण प्रक्रियेत सुधारणा करण्यासाठी तुम्ही डेटा कसा वापरू शकता?
+1. महामारीदरम्यान लसीकरण नियंत्रित करण्यासाठी तुम्ही डेटा कसा वापरू शकता?
+1. तुम्ही कामावर उत्पादक राहण्यासाठी डेटा कसा वापरू शकता?
+
+## सूचना
+
+खालील तक्ता भरा (गरज असल्यास सुचवलेल्या समस्या क्षेत्रांऐवजी तुमच्या स्वतःच्या समस्या क्षेत्रांचा वापर करा):
+
+| समस्या क्षेत्र | समस्या | कोणता डेटा गोळा करायचा | डेटा कसा साठवायचा | कोणती अंतर्दृष्टी/निर्णय घेता येतील | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| शिक्षण | विद्यापीठात, व्याख्यानांना उपस्थिती कमी असते, आणि आमची अशी गृहीतके आहे की व्याख्यानांना उपस्थित राहणारे विद्यार्थी परीक्षांमध्ये चांगले गुण मिळवतात. आम्हाला उपस्थिती वाढवायची आहे आणि गृहीतकाची चाचणी घ्यायची आहे. | आम्ही वर्गातील सुरक्षा कॅमेऱ्याने घेतलेल्या छायाचित्रांद्वारे उपस्थिती ट्रॅक करू शकतो, किंवा वर्गातील विद्यार्थ्यांच्या मोबाइल फोनच्या ब्लूटूथ/वायफाय पत्त्यांद्वारे ट्रॅक करू शकतो. परीक्षा डेटा आधीच विद्यापीठाच्या डेटाबेसमध्ये उपलब्ध आहे. | जर आम्ही सुरक्षा कॅमेऱ्याचे फोटो ट्रॅक केले, तर वर्गादरम्यान काही (५-१०) छायाचित्रे साठवावी लागतील (असंरचित डेटा), आणि नंतर एआयचा वापर करून विद्यार्थ्यांचे चेहरे ओळखावे लागतील (डेटा संरचित स्वरूपात रूपांतरित करणे). | आम्ही प्रत्येक विद्यार्थ्याची सरासरी उपस्थिती डेटा मोजू शकतो आणि परीक्षेतील गुणांशी काही संबंध आहे का ते पाहू शकतो. [प्रायिकता आणि सांख्यिकी](../../04-stats-and-probability/README.md) विभागात आपण सहसंबंधाबद्दल अधिक बोलू. विद्यार्थ्यांची उपस्थिती वाढवण्यासाठी, आम्ही शाळेच्या पोर्टलवर साप्ताहिक उपस्थिती रेटिंग प्रकाशित करू शकतो आणि सर्वाधिक उपस्थिती असलेल्या विद्यार्थ्यांमध्ये बक्षिसे वाटू शकतो. |
+| लसीकरण | | | | |
+| उत्पादकता | | | | |
+
+> *आम्ही फक्त एक उत्तर उदाहरण म्हणून दिले आहे, जेणेकरून तुम्हाला या असाइनमेंटमध्ये काय अपेक्षित आहे याची कल्पना येईल.*
+
+## मूल्यमापन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+सर्व समस्या क्षेत्रांसाठी वाजवी डेटा स्रोत, डेटा साठवण्याचे मार्ग आणि संभाव्य निर्णय/अंतर्दृष्टी ओळखण्यात यशस्वी | उपायाच्या काही पैलूंचे तपशीलवार वर्णन नाही, डेटा साठवण्याबद्दल चर्चा नाही, किमान २ समस्या क्षेत्रांचे वर्णन केले आहे | फक्त डेटा उपायाचे काही भाग वर्णन केले आहेत, फक्त एका समस्या क्षेत्राचा विचार केला आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/02-ethics/README.md b/translations/mr/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..cfdd0320
--- /dev/null
+++ b/translations/mr/1-Introduction/02-ethics/README.md
@@ -0,0 +1,241 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-27T17:04:33+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा नीतिशास्त्राची ओळख
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| डेटा सायन्स नीतिशास्त्र - _[@nitya](https://twitter.com/nitya) यांचे स्केच_ |
+
+---
+
+आपण सर्वजण डेटा-आधारित जगात राहणारे डेटा नागरिक आहोत.
+
+मार्केट ट्रेंड्स सांगतात की 2022 पर्यंत, प्रत्येक 3 मोठ्या संस्थांपैकी 1 संस्था आपला डेटा ऑनलाइन [Marketplaces आणि Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) द्वारे खरेदी आणि विक्री करेल. **अ‍ॅप डेव्हलपर्स** म्हणून, डेटा-आधारित अंतर्दृष्टी आणि अल्गोरिदम-आधारित ऑटोमेशन आपल्या दैनंदिन वापरकर्ता अनुभवांमध्ये समाविष्ट करणे सोपे आणि स्वस्त होईल. परंतु जेव्हा AI सर्वव्यापी होतो, तेव्हा आपल्याला अशा अल्गोरिदमच्या [weaponization](https://www.youtube.com/watch?v=TQHs8SA1qpk) मुळे होणाऱ्या संभाव्य हानींचेही आकलन करणे आवश्यक आहे.
+
+ट्रेंड्स असेही सूचित करतात की 2025 पर्यंत आपण [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) पेक्षा जास्त डेटा तयार करू आणि वापरू. **डेटा सायंटिस्ट्स** म्हणून, यामुळे आपल्याला वैयक्तिक डेटावर अभूतपूर्व प्रवेश मिळतो. याचा अर्थ असा की आपण वापरकर्त्यांचे वर्तनात्मक प्रोफाइल तयार करू शकतो आणि निर्णय घेण्यावर प्रभाव टाकू शकतो, ज्यामुळे [स्वतंत्र निवडीचा आभास](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) निर्माण होतो, परंतु वापरकर्त्यांना आपल्या पसंतीच्या परिणामांकडे ढकलले जाऊ शकते. यामुळे डेटा गोपनीयता आणि वापरकर्ता संरक्षण यासारख्या व्यापक प्रश्नांनाही वाचा फोडली जाते.
+
+डेटा नीतिशास्त्र आता डेटा सायन्स आणि अभियांत्रिकीसाठी _आवश्यक मार्गदर्शक_ बनले आहे, ज्यामुळे आपल्या डेटा-आधारित कृतींमुळे होणाऱ्या संभाव्य हानी आणि अनपेक्षित परिणाम कमी होतात. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) डिजिटल नीतिशास्त्र, जबाबदार AI, आणि AI गव्हर्नन्समधील संबंधित ट्रेंड्स ओळखतो, जे AI च्या _लोकशाहीकरण_ आणि _औद्योगिकीकरण_ यासारख्या मोठ्या प्रवाहांना चालना देतात.
+
+![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+या धड्यात, आपण डेटा नीतिशास्त्राच्या आकर्षक क्षेत्राचा अभ्यास करू - मूलभूत संकल्पना आणि आव्हानांपासून ते केस स्टडीज आणि गव्हर्नन्ससारख्या लागू AI संकल्पनांपर्यंत - ज्यामुळे डेटा आणि AI सह काम करणाऱ्या संघ आणि संस्थांमध्ये नीतिशास्त्र संस्कृती प्रस्थापित होण्यास मदत होते.
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## मूलभूत परिभाषा
+
+चला, मूलभूत परिभाषा समजून घेऊन सुरुवात करूया.
+
+"नीतिशास्त्र" हा शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (आणि त्याचा मूळ "ethos") पासून आला आहे, ज्याचा अर्थ _स्वभाव किंवा नैतिक स्वरूप_ असा होतो.
+
+**नीतिशास्त्र** म्हणजे समाजातील आपल्या वर्तनावर नियंत्रण ठेवणाऱ्या सामायिक मूल्ये आणि नैतिक तत्त्वे. नीतिशास्त्र कायद्यांवर आधारित नसून "योग्य विरुद्ध अयोग्य" याबद्दलच्या व्यापकपणे स्वीकारल्या गेलेल्या मानकांवर आधारित आहे. तथापि, नैतिक विचार कॉर्पोरेट गव्हर्नन्स उपक्रमांवर आणि अनुपालनासाठी अधिक प्रोत्साहन निर्माण करणाऱ्या सरकारी नियमांवर प्रभाव टाकू शकतात.
+
+**डेटा नीतिशास्त्र** हे एक [नवीन नीतिशास्त्र शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) आहे, जे "_डेटा, अल्गोरिदम आणि संबंधित पद्धती_" यांच्याशी संबंधित नैतिक समस्यांचा अभ्यास आणि मूल्यांकन करते. येथे, **"डेटा"** म्हणजे निर्मिती, नोंद, व्यवस्थापन, प्रक्रिया, प्रसार, सामायिकरण आणि वापराशी संबंधित क्रिया, **"अल्गोरिदम"** म्हणजे AI, एजंट्स, मशीन लर्निंग आणि रोबोट्स, आणि **"पद्धती"** म्हणजे जबाबदार नवकल्पना, प्रोग्रामिंग, हॅकिंग आणि नीतिशास्त्र कोड्स यासारख्या विषयांवर लक्ष केंद्रित करते.
+
+**लागू नीतिशास्त्र** म्हणजे [नैतिक विचारांचा व्यावहारिक उपयोग](https://en.wikipedia.org/wiki/Applied_ethics). हे _वास्तविक-जगातील कृती, उत्पादने आणि प्रक्रिया_ यांच्या संदर्भात नैतिक मुद्द्यांचा सक्रियपणे तपास करण्याची प्रक्रिया आहे आणि आपल्या परिभाषित नैतिक मूल्यांशी सुसंगत राहण्यासाठी सुधारात्मक उपाययोजना करणे.
+
+**नीतिशास्त्र संस्कृती** म्हणजे [_लागू नीतिशास्त्राचे_ कार्यान्वयन](https://hbr.org/2019/05/how-to-design-an-ethical-organization) सुनिश्चित करणे, जेणेकरून आपल्या नैतिक तत्त्वे आणि पद्धती संपूर्ण संस्थेमध्ये सातत्यपूर्ण आणि स्केलेबल पद्धतीने स्वीकारल्या जातील. यशस्वी नीतिशास्त्र संस्कृती संस्थात्मक स्तरावर नैतिक तत्त्वे परिभाषित करतात, अनुपालनासाठी अर्थपूर्ण प्रोत्साहन प्रदान करतात आणि प्रत्येक स्तरावर इच्छित वर्तन प्रोत्साहित करून आणि वाढवून नीतिशास्त्र मानकांना बळकट करतात.
+
+## नीतिशास्त्र संकल्पना
+
+या विभागात, आपण **सामायिक मूल्ये** (तत्त्वे) आणि **नीतिक आव्हाने** (समस्या) यासारख्या संकल्पनांवर चर्चा करू - आणि **केस स्टडीज**चा अभ्यास करू, ज्यामुळे तुम्हाला या संकल्पना वास्तविक-जगातील संदर्भात समजण्यास मदत होईल.
+
+### 1. नीतिशास्त्र तत्त्वे
+
+प्रत्येक डेटा नीतिशास्त्र धोरणाची सुरुवात _नीतिक तत्त्वे_ परिभाषित करून होते - "सामायिक मूल्ये" जी स्वीकारार्ह वर्तनांचे वर्णन करतात आणि आपल्या डेटा आणि AI प्रकल्पांमध्ये अनुपालन कृतींना मार्गदर्शन करतात. तुम्ही ही तत्त्वे वैयक्तिक किंवा संघ स्तरावर परिभाषित करू शकता. तथापि, बहुतेक मोठ्या संस्था कॉर्पोरेट स्तरावर परिभाषित आणि सर्व संघांमध्ये सातत्याने लागू केलेल्या _नीतिक AI_ मिशन स्टेटमेंट किंवा फ्रेमवर्कमध्ये ही तत्त्वे रेखाटतात.
+
+**उदाहरण:** Microsoft च्या [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन स्टेटमेंटमध्ये असे म्हटले आहे: _"आम्ही अशा नैतिक तत्त्वांनी प्रेरित AI च्या प्रगतीसाठी वचनबद्ध आहोत जी लोकांना प्रथम स्थान देतात"_ - खालील फ्रेमवर्कमध्ये 6 नैतिक तत्त्वे ओळखली आहेत:
+
+![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+चला या तत्त्वांचा थोडक्यात अभ्यास करूया. _पारदर्शकता_ आणि _जबाबदारी_ ही मूलभूत मूल्ये आहेत ज्यावर इतर तत्त्वे आधारित आहेत - त्यामुळे तिथून सुरुवात करूया:
+
+* [**जबाबदारी**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) डेटा आणि AI ऑपरेशन्ससाठी, तसेच या नैतिक तत्त्वांचे पालन करण्यासाठी व्यावसायिकांना _जबाबदार_ बनवते.
+* [**पारदर्शकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) सुनिश्चित करते की डेटा आणि AI क्रिया वापरकर्त्यांसाठी _समजण्यासारख्या_ (स्पष्ट) असतील, निर्णयांच्या मागील काय आणि का याचे स्पष्टीकरण देते.
+* [**न्याय**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI सर्व लोकांशी _न्यायाने_ वागेल याची खात्री करण्यावर लक्ष केंद्रित करते, डेटा आणि प्रणालींमधील कोणत्याही प्रणालीगत किंवा अप्रत्यक्ष सामाजिक-तांत्रिक पूर्वग्रहांना संबोधित करते.
+* [**विश्वसनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI _सुसंगतपणे_ परिभाषित मूल्यांसह वागते याची खात्री करते, संभाव्य हानी किंवा अनपेक्षित परिणाम कमी करते.
+* [**गोपनीयता आणि सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डेटा वंशावळ समजून घेणे आणि वापरकर्त्यांना _डेटा गोपनीयता आणि संबंधित संरक्षण_ प्रदान करणे याबद्दल आहे.
+* [**समावेशकता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - हेतूपूर्वक AI सोल्यूशन्स डिझाइन करण्याबद्दल आहे, त्यांना _विविध मानवी गरजा_ आणि क्षमता पूर्ण करण्यासाठी अनुकूल बनवणे.
+
+> 🚨 तुमचे डेटा नीतिशास्त्र मिशन स्टेटमेंट काय असू शकते याचा विचार करा. इतर संस्थांकडून नैतिक AI फ्रेमवर्क एक्सप्लोर करा - येथे [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), आणि [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) यांचे उदाहरणे आहेत. त्यांच्यात कोणती सामायिक मूल्ये आहेत? ही तत्त्वे त्यांच्या AI उत्पादन किंवा उद्योगाशी कशी संबंधित आहेत?
+
+### 2. नीतिशास्त्र आव्हाने
+
+एकदा नैतिक तत्त्वे परिभाषित झाल्यानंतर, पुढील पाऊल म्हणजे आपल्या डेटा आणि AI कृतींचे मूल्यांकन करणे, त्या सामायिक मूल्यांशी सुसंगत आहेत का हे पाहणे. तुमच्या कृतींचा विचार दोन श्रेणींमध्ये करा: _डेटा संकलन_ आणि _अल्गोरिदम डिझाइन_.
+
+डेटा संकलनासह, कृतींमध्ये **वैयक्तिक डेटा** किंवा ओळखण्यायोग्य जिवंत व्यक्तींसाठी वैयक्तिक ओळखण्यायोग्य माहिती (PII) समाविष्ट असण्याची शक्यता आहे. यामध्ये [विविध प्रकारचे गैर-वैयक्तिक डेटा](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) समाविष्ट आहेत जे _एकत्रितपणे_ एखाद्या व्यक्तीला ओळखतात. नैतिक आव्हाने _डेटा गोपनीयता_, _डेटा मालकी_, आणि _माहितीपूर्ण संमती_ आणि _बौद्धिक मालमत्ता हक्क_ यासारख्या संबंधित विषयांशी संबंधित असू शकतात.
+
+अल्गोरिदम डिझाइनसह, कृतींमध्ये **डेटासेट्स** गोळा करणे आणि व्यवस्थापित करणे, नंतर त्यांचा वापर करून **डेटा मॉडेल्स** तयार करणे आणि तैनात करणे समाविष्ट असेल, जे वास्तविक-जगातील संदर्भांमध्ये परिणामांची भविष्यवाणी करतात किंवा निर्णय स्वयंचलित करतात. नैतिक आव्हाने _डेटासेट पूर्वग्रह_, _डेटा गुणवत्ता_ समस्या, _अन्याय_ आणि अल्गोरिदममधील _चुकीचे प्रतिनिधित्व_ यामुळे उद्भवू शकतात - ज्यामध्ये काही समस्या प्रणालीगत असू शकतात.
+
+दोन्ही प्रकरणांमध्ये, नीतिशास्त्र आव्हाने अशा क्षेत्रांना अधोरेखित करतात जिथे आपल्या कृतींना सामायिक मूल्यांशी संघर्ष होण्याची शक्यता असते. या चिंतांचा शोध घेण्यासाठी, कमी करण्यासाठी, कमी करण्यासाठी किंवा दूर करण्यासाठी - आपल्याला आपल्या कृतींशी संबंधित नैतिक "होय/नाही" प्रश्न विचारण्याची आवश्यकता आहे आणि नंतर आवश्यकतेनुसार सुधारात्मक कृती करणे आवश्यक आहे. चला काही नैतिक आव्हाने आणि त्यांनी उपस्थित केलेल्या नैतिक प्रश्नांचा अभ्यास करूया:
+
+#### 2.1 डेटा मालकी
+
+डेटा संकलनात अनेकदा डेटा विषयांना ओळखणारा वैयक्तिक डेटा समाविष्ट असतो. [डेटा मालकी](https://permission.io/blog/data-ownership) म्हणजे डेटा निर्मिती, प्रक्रिया आणि प्रसाराशी संबंधित _नियंत्रण_ आणि [_वापरकर्ता हक्क_](https://permission.io/blog/data-ownership).
+
+आपल्याला विचारायचे नैतिक प्रश्न:
+ * डेटा कोणाचा आहे? (वापरकर्ता की संस्था)
+ * डेटा विषयांना कोणते हक्क आहेत? (उदा: प्रवेश, विलोपन, पोर्टेबिलिटी)
+ * संस्थांना कोणते हक्क आहेत? (उदा: खोट्या वापरकर्ता पुनरावलोकनांचे सुधारणा)
+
+#### 2.2 माहितीपूर्ण संमती
+
+[माहितीपूर्ण संमती](https://legaldictionary.net/informed-consent/) म्हणजे वापरकर्त्यांनी (डेटा विषयांनी) कृतीसाठी (जसे की डेटा संकलन) _संपूर्ण समज_ सह परवानगी देणे, ज्यामध्ये उद्देश, संभाव्य धोके आणि पर्याय यांचा समावेश आहे.
+
+येथे विचारायचे प्रश्न:
+ * वापरकर्त्याने (डेटा विषयाने) डेटा कॅप्चर आणि वापरासाठी परवानगी दिली का?
+ * वापरकर्त्याला डेटा कॅप्चर करण्याचा उद्देश समजला का?
+ * वापरकर्त्याला त्यांच्या सहभागामुळे होणाऱ्या संभाव्य धोके समजले का?
+
+#### 2.3 बौद्धिक मालमत्ता
+
+[बौद्धिक मालमत्ता](https://en.wikipedia.org/wiki/Intellectual_property) म्हणजे मानवी उपक्रमातून निर्माण झालेली अमूर्त निर्मिती, ज्याला व्यक्ती किंवा व्यवसायांसाठी _आर्थिक मूल्य_ असू शकते.
+
+येथे विचारायचे प्रश्न:
+ * गोळा केलेल्या डेटाला वापरकर्ता किंवा व्यवसायासाठी आर्थिक मूल्य होते का?
+ * येथे **वापरकर्त्याला** बौद्धिक मालमत्ता आहे का?
+ * येथे **संस्थेला** बौद्धिक मालमत्ता आहे का?
+ * जर हे हक्क अस्तित्वात असतील, तर आपण त्यांचे संरक्षण कसे करत आहोत?
+
+#### 2.4 डेटा गोपनीयता
+
+[डेटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) किंवा माहिती गोपनीयता म्हणजे वैयक्तिक ओळखण्यायोग्य माहितीच्या संदर्भात वापरकर्त्याच्या गोपनीयतेचे जतन आणि ओळख संरक्षित करणे.
+
+येथे विचारायचे प्रश्न:
+ * वापरकर्त्यांचा (वैयक्तिक) डेटा हॅक आणि गळतीपासून सुरक्षित आहे का?
+ * वापरकर्त्यांचा डेटा फक्त अधिकृत वापरकर्त्यांना आणि संदर्भांनाच उपलब्ध आहे का?
+ * डेटा सामायिक किंवा प्रसारित केल्यावर वापरकर्त्यांची अज्ञातता जपली जाते का?
+ * अज्ञात डेटासेट्समधून वापरकर्त्याला पुन्हा ओळखता येऊ शकते का?
+
+#### 2.5 विस्मरणाचा अधिकार
+
+[विस्मरणाचा अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) किंवा [विलोपनाचा अधिकार](https://www.gdpreu.org/right-to-be-forgotten/) वापरकर्त्यांना अतिरिक्त वैयक्तिक डेटा संरक्षण प्रदान करतो. विशेषतः, हे वापरकर्त्यांना इंटरनेट शोधांमधून आणि इतर ठिकाणांहून वैयक्तिक डेटा हटविण्याची किंवा काढून टाकण्याची विनंती करण्याचा अधिकार देते, _विशिष्ट परिस्थितीत_ - त्यांना ऑनलाइन नवीन सुरुवात करण्याची परवानगी देते, त्यांच्या भूतकाळातील कृती त्यांच्याविरुद्ध धरल्या जात नाहीत.
+
+येथे विचारायचे प्रश्न:
+ * प्रणाली डेटा विषयांना विलोपनाची विनंती करण्याची परवानगी देते का?
+ * वापरकर्त्याच्या संमतीच्या माघारीने स्वयंचलित विलोपन ट्रिगर करावे का?
+ * डेटा संमतीशिवाय किंवा बेकायदेशीर मार्गाने गोळा केला गेला होता का?
+ * डेटा गोपनीयतेसाठी सरकारी नियमांचे पालन केले आहे का?
+
+#### 2.6 डेटासेट पूर्वग्रह
+
+डेटासेट किंवा [संकलन पूर्वग्रह](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) म्हणजे अल्गोरिदम विकासासाठी _अप्रतिनिधिक_ डेटाचा उपसमुच्चय
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) तपासते की अल्गोरिदम डिझाइन विशिष्ट उपसमूहांवर प्रणालीगत भेदभाव करते का, ज्यामुळे _वाटप_ (जिथे संसाधने त्या गटाला नाकारली जातात किंवा रोखली जातात) आणि _सेवेची गुणवत्ता_ (जिथे काही उपसमूहांसाठी AI इतरांइतकी अचूक नसते) यामध्ये [संभाव्य हानी](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) होऊ शकते.
+
+येथे विचार करण्यासाठी काही प्रश्न:
+ * विविध उपसमूह आणि परिस्थितींसाठी मॉडेल अचूकतेचे मूल्यांकन केले का?
+ * संभाव्य हानींसाठी (उदा., स्टीरिओटायपिंग) प्रणालीचे बारकाईने परीक्षण केले का?
+ * ओळखलेल्या हानी कमी करण्यासाठी डेटा सुधारित किंवा मॉडेल पुन्हा प्रशिक्षित करू शकतो का?
+
+[AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) सारख्या संसाधनांचा अभ्यास करा.
+
+#### 2.9 चुकीचे प्रतिनिधित्व
+
+[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) म्हणजे आपण प्रामाणिकपणे नोंदवलेल्या डेटामधून मिळालेल्या अंतर्दृष्टींचा वापर करून इच्छित कथानकाला पाठिंबा देण्यासाठी फसवणूक करत आहोत का, हे विचारणे.
+
+येथे विचार करण्यासाठी काही प्रश्न:
+ * आपण अपूर्ण किंवा अचूक नसलेला डेटा नोंदवत आहोत का?
+ * आपण डेटा अशा प्रकारे व्हिज्युअलाइज करत आहोत का ज्यामुळे चुकीचे निष्कर्ष काढले जातात?
+ * आपण निवडक सांख्यिकीय तंत्रांचा वापर करून परिणामांमध्ये फेरफार करत आहोत का?
+ * वेगळे निष्कर्ष देऊ शकणाऱ्या पर्यायी स्पष्टीकरणांचा विचार केला आहे का?
+
+#### 2.10 स्वातंत्र्याची निवड
+[Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तेव्हा होते जेव्हा प्रणाली "निवड आर्किटेक्चर" निर्णय घेणाऱ्या अल्गोरिदमचा वापर करून लोकांना प्राधान्य दिलेल्या परिणामाकडे वळवते, परंतु त्यांना पर्याय आणि नियंत्रण असल्याचे भासवते. हे [dark patterns](https://www.darkpatterns.org/) वापरकर्त्यांना सामाजिक आणि आर्थिक हानी पोहोचवू शकतात. कारण वापरकर्त्यांच्या निर्णयांचा वर्तन प्रोफाइलवर परिणाम होतो, त्यामुळे हे कृती भविष्यातील निवडींवर प्रभाव टाकू शकतात आणि हानी वाढवू शकतात.
+
+येथे विचार करण्यासाठी काही प्रश्न:
+ * वापरकर्त्याला त्या निवडीचे परिणाम समजले का?
+ * वापरकर्त्याला (पर्यायी) निवडी आणि त्यांचे फायदे व तोटे माहीत होते का?
+ * वापरकर्ता नंतर स्वयंचलित किंवा प्रभावित निवड उलटवू शकतो का?
+
+### 3. केस स्टडीज
+
+या नैतिक आव्हानांना वास्तव जीवनातील संदर्भात समजून घेण्यासाठी, अशा केस स्टडीजकडे पाहणे उपयुक्त ठरते ज्या व्यक्ती आणि समाजावर होणाऱ्या संभाव्य हानी आणि परिणाम दाखवतात, जेव्हा अशा नैतिक उल्लंघनांकडे दुर्लक्ष केले जाते.
+
+उदाहरणे खाली दिली आहेत:
+
+| नैतिक आव्हान | केस स्टडी  | 
+|--- |--- |
+| **सजग संमती** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - आफ्रिकन अमेरिकन पुरुषांना मोफत वैद्यकीय उपचार देण्याचे आश्वासन दिले गेले _पण फसवले गेले_, संशोधकांनी त्यांना त्यांच्या निदानाबद्दल किंवा उपचारांच्या उपलब्धतेबद्दल माहिती दिली नाही. अनेकांचा मृत्यू झाला आणि त्यांच्या जोडीदारांवर किंवा मुलांवर परिणाम झाला; हा अभ्यास 40 वर्षे चालला. | 
+| **डेटा गोपनीयता** |  2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) संशोधकांना _50K ग्राहकांच्या 10M अज्ञात चित्रपट रेटिंग_ प्रदान केले गेले, परंतु संशोधकांनी बाह्य डेटासेट्स (उदा., IMDb टिप्पण्या) मध्ये वैयक्तिकरित्या ओळखण्यायोग्य डेटा जोडून काही Netflix सदस्यांना "डीनॉनिमाइझ" केले.|
+| **संकलन पूर्वग्रह**  | 2013 - बोस्टन शहराने [Street Bump](https://www.boston.gov/transportation/street-bump) नावाचे अॅप विकसित केले, ज्यामुळे नागरिकांना खड्ड्यांची माहिती देण्याची परवानगी मिळाली. परंतु [कमी उत्पन्न गटातील लोकांना कार आणि फोनचा कमी प्रवेश होता](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ज्यामुळे त्यांच्या रस्त्याच्या समस्या या अॅपमध्ये अदृश्य झाल्या. विकासकांनी न्याय्यतेसाठी _समान प्रवेश आणि डिजिटल विभाग_ समस्यांवर काम केले. |
+| **अल्गोरिदम निष्पक्षता**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ने लिंग वर्गीकरण AI उत्पादनांच्या अचूकतेचे मूल्यांकन केले, महिलांसाठी आणि रंगाच्या व्यक्तींसाठी अचूकतेतील अंतर उघड केले. [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ने पुरुषांपेक्षा महिलांना कमी क्रेडिट दिले. दोन्ही उदाहरणे अल्गोरिदम पूर्वग्रहांमुळे सामाजिक-आर्थिक हानी दर्शवतात.|
+| **डेटा चुकीचे प्रतिनिधित्व** | 2020 - [Georgia Department of Public Health ने COVID-19 चार्ट्स](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) प्रसिद्ध केले ज्यामुळे नागरिकांना प्रकरणांतील ट्रेंडबद्दल चुकीचे दिशाभूल होईल असे वाटले. हे व्हिज्युअलायझेशन युक्त्यांद्वारे चुकीचे प्रतिनिधित्व दाखवते. |
+| **स्वातंत्र्याची निवड** | 2020 - शिक्षण अॅप [ABCmouse ने FTC तक्रारीचे $10M देऊन सेटलमेंट केले](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जिथे पालकांना सदस्यता रद्द करता येत नव्हती. हे निवड आर्किटेक्चरमधील dark patterns दाखवते, जिथे वापरकर्त्यांना संभाव्य हानिकारक निवडींकडे वळवले गेले. |
+| **डेटा गोपनीयता आणि वापरकर्ता हक्क** | 2021 - Facebook [डेटा उल्लंघन](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ज्यामुळे 530M वापरकर्त्यांचा डेटा उघड झाला, ज्यामुळे FTC ला $5B सेटलमेंट मिळाले. परंतु वापरकर्त्यांना उल्लंघनाबद्दल सूचित करण्यास नकार दिला, डेटा पारदर्शकता आणि प्रवेशाबाबत वापरकर्त्यांच्या हक्कांचे उल्लंघन केले. |
+
+अधिक केस स्टडीज शोधायच्या आहेत? या संसाधनांचा अभ्यास करा:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विविध उद्योगांतील नैतिक दुविधा.
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - महत्त्वाच्या केस स्टडीजचा अभ्यास.
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - Deon चेकलिस्टसह उदाहरणे.
+
+> 🚨 तुम्ही पाहिलेल्या केस स्टडीजबद्दल विचार करा - तुम्हाला तुमच्या जीवनात अशाच प्रकारच्या नैतिक आव्हानाचा अनुभव आला आहे का? आपण चर्चा केलेल्या नैतिक आव्हानांपैकी एकाचे उदाहरण देणारी आणखी एक केस स्टडी तुम्हाला आठवते का?
+
+## लागू नैतिकता
+
+आम्ही नैतिकतेच्या संकल्पना, आव्हाने आणि वास्तव जीवनातील संदर्भातील केस स्टडीजबद्दल चर्चा केली. पण प्रकल्पांमध्ये नैतिक तत्त्वे आणि पद्धती _लागू_ करण्यास कसे सुरुवात करायची? आणि चांगल्या प्रशासनासाठी या पद्धती _ऑपरेशनलाइज_ कशा करायच्या? चला काही वास्तव उपाय शोधूया:
+
+### 1. व्यावसायिक कोड्स
+
+व्यावसायिक कोड्स हे सदस्यांना त्यांच्या नैतिक तत्त्वांचे पालन करण्यासाठी "प्रोत्साहन" देण्यासाठी संस्थांसाठी एक पर्याय प्रदान करतात. कोड्स हे व्यावसायिक वर्तनासाठी _नैतिक मार्गदर्शक_ आहेत, ज्यामुळे कर्मचारी किंवा सदस्य त्यांच्या संस्थेच्या तत्त्वांशी सुसंगत निर्णय घेऊ शकतात. 
+
+उदाहरणे:
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Code of Ethics
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Code of Conduct (2013 मध्ये तयार)
+ * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 पासून)
+
+> 🚨 तुम्ही व्यावसायिक अभियांत्रिकी किंवा डेटा सायन्स संस्थेचे सदस्य आहात का? त्यांच्या साइटवर शोधा की त्यांनी व्यावसायिक नैतिकतेचा कोड परिभाषित केला आहे का. यामध्ये त्यांच्या नैतिक तत्त्वांबद्दल काय म्हटले आहे? ते सदस्यांना कोडचे पालन करण्यासाठी कसे "प्रोत्साहित" करत आहेत?
+
+### 2. नैतिकता चेकलिस्ट
+
+व्यावसायिक कोड्स व्यावसायिकांकडून अपेक्षित _नैतिक वर्तन_ परिभाषित करतात, परंतु त्यांना मोठ्या प्रमाणावर प्रकल्पांमध्ये अंमलबजावणीसाठी [मर्यादा आहेत](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md). त्याऐवजी, अनेक डेटा सायन्स तज्ञ [चेकलिस्टसाठी वकिली करतात](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md), ज्यामुळे तत्त्वे पद्धतींशी जोडता येतात.
+
+उदाहरणे:
+ * [Deon](https://deon.drivendata.org/) - उद्योगाच्या शिफारशींवर आधारित सामान्य-उद्देश डेटा नैतिकता चेकलिस्ट.
+ * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - माहिती हाताळणी पद्धतींसाठी मार्गदर्शन.
+ * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास चक्रांमध्ये न्याय्यतेच्या तपासणीसाठी तयार.
+ * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - नैतिक मुद्द्यांच्या प्राथमिक अन्वेषणासाठी फ्रेमवर्क.
+
+### 3. नैतिकता नियम
+
+नैतिकता म्हणजे सामायिक मूल्ये परिभाषित करणे आणि _स्वेच्छेने_ योग्य गोष्ट करणे. **अनुपालन** म्हणजे _कायद्याचे पालन करणे_ जिथे परिभाषित केले आहे. **प्रशासन** म्हणजे संस्थांमध्ये नैतिक तत्त्वे अंमलात आणण्यासाठी आणि कायद्याचे पालन करण्यासाठी सर्व मार्ग.
+
+उदाहरणे:
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - वैयक्तिक माहितीच्या वापरावर नियंत्रण.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - वैयक्तिक आरोग्य डेटा संरक्षित करते.
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - वापरकर्ता हक्क, डेटा संरक्षण आणि गोपनीयता प्रदान करते.
+
+> 🚨 युरोपियन युनियनने परिभाषित केलेले GDPR (General Data Protection Regulation) आज सर्वात प्रभावी डेटा गोपनीयता नियमांपैकी एक आहे. तुम्हाला माहित आहे का की ते नागरिकांच्या डिजिटल गोपनीयता आणि वैयक्तिक डेटाचे संरक्षण करण्यासाठी [8 वापरकर्ता हक्क](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) देखील परिभाषित करते? 
+
+### 4. नैतिकता संस्कृती
+
+_अनुपालन_ (कायद्याचे पालन करणे) आणि [प्रणालीगत मुद्द्यांना](https://www.coursera.org/learn/data-science-ethics/home/week/4) संबोधित करणे यामध्ये एक अमूर्त अंतर आहे. 
+
+हे [नैतिकता संस्कृती परिभाषित करण्यासाठी सहकार्यात्मक दृष्टिकोन](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) आवश्यक आहे, जे भावनिक कनेक्शन आणि उद्योगातील _सुसंगत सामायिक मूल्ये_ तयार करतात. 
+
+---
+## [पाठानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## पुनरावलोकन आणि स्व-अभ्यास 
+
+कोर्सेस आणि पुस्तके नैतिकतेच्या मुख्य संकल्पना आणि आव्हान समजून घेण्यास मदत करतात, तर केस स्टडीज आणि साधने वास्तव जीवनातील नैतिकता पद्धतींमध्ये मदत करतात. 
+
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft कडून न्याय्यतेवर धडा.
+* [जवाबदार AI चे तत्त्वे](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn कडून मोफत शिकण्याचा मार्ग.
+* [नैतिकता आणि डेटा सायन्स](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ईबुक (M. Loukides, H. Mason इ.)
+* [डेटा सायन्स नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विद्यापीठाचा ऑनलाइन कोर्स.
+* [एथिक्स अनरॅप्ड](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विद्यापीठातील केस स्टडीज.
+
+# असाइनमेंट
+
+[डेटा नैतिकतेवरील केस स्टडी लिहा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/02-ethics/assignment.md b/translations/mr/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..206b6c70
--- /dev/null
+++ b/translations/mr/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-27T17:12:12+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "mr"
+}
+-->
+## डेटा नीतिमत्ता प्रकरण अभ्यास लिहा
+
+## सूचना
+
+तुम्ही विविध [डेटा नीतिमत्ता आव्हाने](README.md#2-ethics-challenges) शिकला आहात आणि वास्तविक जगातील संदर्भांमध्ये डेटा नीतिमत्ता आव्हानांचे प्रतिबिंब दाखवणाऱ्या [प्रकरण अभ्यासांचे](README.md#3-case-studies) काही उदाहरणे पाहिली आहेत.
+
+या असाइनमेंटमध्ये, तुम्हाला तुमच्या स्वतःच्या अनुभवातून किंवा तुम्हाला परिचित असलेल्या संबंधित वास्तविक जगातील संदर्भातून डेटा नीतिमत्ता आव्हान प्रतिबिंबित करणारा तुमचा स्वतःचा प्रकरण अभ्यास लिहायचा आहे. फक्त खालील चरणांचे अनुसरण करा:
+
+1. `डेटा नीतिमत्ता आव्हान निवडा`. [पाठातील उदाहरणे](README.md#2-ethics-challenges) पाहा किंवा [Deon Checklist](https://deon.drivendata.org/examples/) सारख्या ऑनलाइन उदाहरणांचा शोध घ्या आणि प्रेरणा घ्या.
+
+2. `वास्तविक जगातील उदाहरणाचे वर्णन करा`. तुम्ही ऐकलेली एखादी परिस्थिती (मथळे, संशोधन अभ्यास इ.) किंवा अनुभवलेली (स्थानिक समुदाय) विचार करा, जिथे हे विशिष्ट आव्हान घडले. या आव्हानाशी संबंधित डेटा नीतिमत्ता प्रश्नांचा विचार करा - आणि या समस्येमुळे उद्भवणाऱ्या संभाव्य हानी किंवा अनपेक्षित परिणामांवर चर्चा करा. बोनस गुण: या आव्हानाचा प्रतिकूल परिणाम कमी करण्यासाठी किंवा टाळण्यासाठी येथे लागू करता येणाऱ्या संभाव्य उपाय किंवा प्रक्रियांबद्दल विचार करा.
+
+3. `संबंधित संसाधनांची यादी द्या`. हे वास्तविक जगातील घटना असल्याचे सिद्ध करण्यासाठी एक किंवा अधिक संसाधने (लेखाचा दुवा, वैयक्तिक ब्लॉग पोस्ट किंवा प्रतिमा, ऑनलाइन संशोधन पेपर इ.) सामायिक करा. बोनस गुण: संसाधने सामायिक करा जी घटनेमुळे होणाऱ्या संभाव्य हानी आणि परिणामांवर देखील प्रकाश टाकतात किंवा त्याची पुनरावृत्ती टाळण्यासाठी उचललेल्या सकारात्मक पावलांवर भर देतात.
+
+
+
+## मूल्यमापन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+एक किंवा अधिक डेटा नीतिमत्ता आव्हाने ओळखली आहेत. <br/> <br/> प्रकरण अभ्यास स्पष्टपणे त्या आव्हानाचे प्रतिबिंब दाखवणारी वास्तविक जगातील घटना वर्णन करतो आणि त्याने झालेल्या अवांछित परिणामांवर किंवा हानीवर प्रकाश टाकतो. <br/><br/> किमान एक लिंक केलेले संसाधन आहे जे हे घडले असल्याचे सिद्ध करते. | एक डेटा नीतिमत्ता आव्हान ओळखले आहे. <br/><br/> किमान एक संबंधित हानी किंवा परिणाम थोडक्यात चर्चिला आहे. <br/><br/> मात्र चर्चा मर्यादित आहे किंवा वास्तविक जगातील घटनेचा पुरावा नाही. | एक डेटा आव्हान ओळखले आहे. <br/><br/> मात्र वर्णन किंवा संसाधने आव्हानाचे योग्य प्रतिबिंब दाखवत नाहीत किंवा त्याच्या वास्तविक जगातील घटनेचा पुरावा देत नाहीत. |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/03-defining-data/README.md b/translations/mr/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..8efac7fd
--- /dev/null
+++ b/translations/mr/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-27T17:18:36+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा परिभाषित करणे
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|डेटा परिभाषित करणे - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+डेटा म्हणजे तथ्ये, माहिती, निरीक्षणे आणि मोजमापे, जी शोध लावण्यासाठी आणि माहितीपूर्ण निर्णय घेण्यासाठी वापरली जातात. डेटा पॉईंट म्हणजे डेटासेटमधील डेटा युनिट, जो डेटा पॉईंट्सच्या संग्रहाचा भाग असतो. डेटासेट्स वेगवेगळ्या स्वरूपात आणि संरचनेत असू शकतात आणि सहसा त्याच्या स्रोतावर आधारित असतात, म्हणजे डेटा कुठून आला आहे. उदाहरणार्थ, एखाद्या कंपनीचे मासिक उत्पन्न स्प्रेडशीटमध्ये असू शकते, तर स्मार्टवॉचमधून मिळणारा तासागणिक हृदय गती डेटा [JSON](https://stackoverflow.com/a/383699) स्वरूपात असू शकतो. डेटा वैज्ञानिकांना सहसा एका डेटासेटमध्ये वेगवेगळ्या प्रकारच्या डेटासोबत काम करावे लागते.
+
+या धड्यात डेटाच्या वैशिष्ट्यांनुसार आणि स्रोतांनुसार त्याला ओळखणे आणि वर्गीकरण करणे शिकवले जाईल.
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## डेटा कसा वर्णन केला जातो
+
+### कच्चा डेटा
+कच्चा डेटा म्हणजे त्याच्या मूळ स्रोतातून आलेला डेटा, जो त्याच्या सुरुवातीच्या अवस्थेत असतो आणि त्याचे विश्लेषण किंवा आयोजन केलेले नसते. डेटासेटमधील घडामोडी समजून घेण्यासाठी, तो अशा स्वरूपात आयोजित करणे आवश्यक आहे, जो माणसांसाठी तसेच तंत्रज्ञानासाठी समजण्यास सोपा असेल. डेटासेटची रचना त्याचे आयोजन कसे केले गेले आहे हे वर्णन करते आणि ती संरचित, असंरचित आणि अर्ध-संरचित अशा प्रकारांमध्ये वर्गीकृत केली जाऊ शकते. ही रचना स्रोतावर अवलंबून बदलते, परंतु शेवटी या तीन श्रेणींमध्ये बसते.
+
+### परिमाणात्मक डेटा
+परिमाणात्मक डेटा म्हणजे डेटासेटमधील संख्यात्मक निरीक्षणे, जी विश्लेषित, मोजली जाऊ शकतात आणि गणितीय पद्धतीने वापरली जाऊ शकतात. परिमाणात्मक डेटाचे काही उदाहरणे म्हणजे: एखाद्या देशाची लोकसंख्या, एखाद्या व्यक्तीची उंची किंवा एखाद्या कंपनीचे तिमाही उत्पन्न. काही अतिरिक्त विश्लेषणासह, परिमाणात्मक डेटा हवेच्या गुणवत्तेच्या निर्देशांकाचे (AQI) हंगामी ट्रेंड शोधण्यासाठी किंवा कामाच्या दिवशी ट्रॅफिकची शक्यता अंदाजण्यासाठी वापरला जाऊ शकतो.
+
+### गुणात्मक डेटा
+गुणात्मक डेटा, ज्याला श्रेणीबद्ध डेटा असेही म्हणतात, हा डेटा परिमाणात्मक डेटासारखा वस्तुनिष्ठपणे मोजता येत नाही. हा सामान्यतः व्यक्तिनिष्ठ स्वरूपाचा डेटा असतो, जो एखाद्या उत्पादनाची किंवा प्रक्रियेची गुणवत्ता टिपतो. कधीकधी, गुणात्मक डेटा संख्यात्मक असतो, परंतु तो गणितीय पद्धतीने वापरला जात नाही, जसे की फोन नंबर किंवा टाइमस्टॅम्प. गुणात्मक डेटाची काही उदाहरणे म्हणजे: व्हिडिओवरील टिप्पण्या, कारचे मॉडेल किंवा तुमच्या जवळच्या मित्रांचा आवडता रंग. गुणात्मक डेटा ग्राहकांना कोणती उत्पादने जास्त आवडतात हे समजण्यासाठी किंवा नोकरी अर्जांमधील लोकप्रिय कीवर्ड ओळखण्यासाठी वापरला जाऊ शकतो.
+
+### संरचित डेटा
+संरचित डेटा म्हणजे पंक्ती आणि स्तंभांमध्ये व्यवस्थित केलेला डेटा, जिथे प्रत्येक पंक्तीमध्ये समान प्रकारचे स्तंभ असतात. स्तंभ विशिष्ट प्रकाराच्या मूल्याचे प्रतिनिधित्व करतात आणि त्या मूल्याचे वर्णन करणारे नाव असते, तर पंक्ती वास्तविक मूल्ये असतात. स्तंभांवर विशिष्ट नियम किंवा निर्बंध लागू असतात, जेणेकरून मूल्ये अचूकपणे स्तंभाचे प्रतिनिधित्व करतील. उदाहरणार्थ, ग्राहकांच्या स्प्रेडशीटमध्ये प्रत्येक पंक्तीमध्ये फोन नंबर असणे आवश्यक आहे आणि फोन नंबरमध्ये कधीही अक्षरे नसावीत. 
+
+संरचित डेटाचा एक फायदा म्हणजे तो अशा प्रकारे आयोजित केला जाऊ शकतो की तो इतर संरचित डेटाशी संबंधित असू शकतो. परंतु, डेटा विशिष्ट पद्धतीने आयोजित करण्यासाठी डिझाइन केलेला असल्यामुळे, त्याच्या एकूण संरचनेत बदल करणे कठीण होऊ शकते. उदाहरणार्थ, ग्राहकांच्या स्प्रेडशीटमध्ये ईमेल स्तंभ जोडणे, जो रिकामा असू शकत नाही, याचा अर्थ तुम्हाला विद्यमान पंक्तींमध्ये ही मूल्ये कशी जोडायची हे शोधावे लागेल.
+
+संरचित डेटाची उदाहरणे: स्प्रेडशीट्स, रिलेशनल डेटाबेस, फोन नंबर, बँक स्टेटमेंट्स
+
+### असंरचित डेटा
+असंरचित डेटा सहसा पंक्ती किंवा स्तंभांमध्ये वर्गीकृत केला जाऊ शकत नाही आणि त्यात कोणतेही स्वरूप किंवा नियम नसतात. असंरचित डेटावर कमी निर्बंध असल्यामुळे, संरचित डेटासेटच्या तुलनेत नवीन माहिती जोडणे सोपे असते. उदाहरणार्थ, जर एखाद्या सेन्सरने दर 2 मिनिटांनी वायुमंडलीय दाब मोजण्याचा डेटा कॅप्चर केला आणि त्याला आता तापमान मोजण्याची क्षमता मिळाली, तर असंरचित डेटामध्ये विद्यमान डेटामध्ये बदल करण्याची गरज नाही. परंतु, अशा प्रकारच्या डेटाचे विश्लेषण करणे किंवा तपासणे अधिक वेळखाऊ होऊ शकते.
+
+असंरचित डेटाची उदाहरणे: मजकूर फायली, मजकूर संदेश, व्हिडिओ फायली
+
+### अर्ध-संरचित डेटा
+अर्ध-संरचित डेटामध्ये संरचित आणि असंरचित डेटाचे गुणधर्म असतात. तो सहसा पंक्ती आणि स्तंभांच्या स्वरूपात नसतो, परंतु तो अशा प्रकारे आयोजित केला जातो, जो संरचित मानला जातो आणि कधीकधी निश्चित स्वरूप किंवा नियमांचे पालन करतो. अर्ध-संरचित डेटामध्ये मेटाडेटा असते, जी डेटा कसा आयोजित आणि संग्रहित केला जातो हे ठरवण्यास मदत करते. उदाहरणार्थ, ईमेल संदेशामध्ये विषय, मजकूर आणि प्राप्तकर्त्यांचा संच असतो आणि तो कोणाकडून किंवा कधी पाठवला गेला यावर आधारित आयोजित केला जाऊ शकतो.
+
+अर्ध-संरचित डेटाची उदाहरणे: HTML, CSV फायली, JavaScript Object Notation (JSON)
+
+## डेटाचे स्रोत
+
+डेटाचा स्रोत म्हणजे डेटा जिथे तयार झाला किंवा "राहतो" आणि तो कसा आणि कधी गोळा केला गेला यावर आधारित बदलतो. वापरकर्त्यांनी तयार केलेला डेटा प्राथमिक डेटा म्हणून ओळखला जातो, तर सामान्य वापरासाठी गोळा केलेला डेटा दुय्यम डेटा म्हणून ओळखला जातो. उदाहरणार्थ, जर वैज्ञानिकांचा गट जंगलातील निरीक्षणे गोळा करत असेल, तर तो प्राथमिक डेटा मानला जाईल, आणि जर त्यांनी तो इतर वैज्ञानिकांसोबत शेअर केला, तर तो इतरांसाठी दुय्यम डेटा ठरेल.
+
+डेटाबेस हे सामान्य स्रोत आहेत, जे डेटाबेस व्यवस्थापन प्रणालीवर अवलंबून असतात. फायली डेटा स्रोत म्हणून ऑडिओ, प्रतिमा, व्हिडिओ फायली तसेच Excel सारख्या स्प्रेडशीट्स असू शकतात. इंटरनेट स्रोत डेटासाठी सामान्य स्थान आहे, जिथे डेटाबेस तसेच फायली सापडू शकतात. API (Application Programming Interfaces) प्रोग्रामरना इंटरनेटद्वारे डेटा शेअर करण्याचे मार्ग तयार करण्यास अनुमती देतात, तर वेब स्क्रॅपिंग प्रक्रियेद्वारे वेब पृष्ठांवरून डेटा काढला जातो. [Working with Data](../../../../../../../../../2-Working-With-Data) धडे विविध डेटा स्रोतांचा वापर कसा करायचा यावर लक्ष केंद्रित करतात.
+
+## निष्कर्ष
+
+या धड्यात आपण शिकलो:
+
+- डेटा म्हणजे काय
+- डेटा कसा वर्णन केला जातो
+- डेटा कसा वर्गीकृत आणि श्रेणीबद्ध केला जातो
+- डेटा कुठे सापडतो
+
+## 🚀 आव्हान
+
+Kaggle हा खुले डेटासेट्स शोधण्यासाठी उत्कृष्ट स्रोत आहे. [डेटासेट शोध साधन](https://www.kaggle.com/datasets) वापरून काही मनोरंजक डेटासेट्स शोधा आणि 3-5 डेटासेट्स खालील निकषांनुसार वर्गीकृत करा:
+
+- डेटा परिमाणात्मक आहे का गुणात्मक?  
+- डेटा संरचित, असंरचित, की अर्ध-संरचित आहे?
+
+## [व्याख्यानानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+- Microsoft Learn युनिट [Classify your Data](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) मध्ये संरचित, अर्ध-संरचित, आणि असंरचित डेटाचे तपशीलवार वर्णन आहे.
+
+## असाइनमेंट
+
+[डेटासेट्सचे वर्गीकरण](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/03-defining-data/assignment.md b/translations/mr/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..97a660e3
--- /dev/null
+++ b/translations/mr/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-27T17:20:52+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "mr"
+}
+-->
+# डेटासेट वर्गीकरण
+
+## सूचना
+
+या असाइनमेंटमधील सूचनांचे अनुसरण करा आणि खालील प्रत्येक डेटा प्रकारांपैकी एकासह डेटा ओळखा आणि वर्गीकृत करा:
+
+**रचना प्रकार**: संरचित, अर्ध-संरचित, किंवा असंरचित
+
+**मूल्य प्रकार**: गुणात्मक किंवा परिमाणात्मक
+
+**स्रोत प्रकार**: प्राथमिक किंवा दुय्यम
+
+1. एका कंपनीचे अधिग्रहण झाले आहे आणि आता ती एका पालक कंपनीच्या अंतर्गत आहे. डेटा सायंटिस्ट्सना पालक कंपनीकडून ग्राहकांचे फोन नंबर असलेली एक स्प्रेडशीट मिळाली आहे.
+
+रचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+2. एका स्मार्ट वॉचने त्याच्या वापरकर्त्याचा हृदय गती डेटा गोळा केला आहे, आणि कच्चा डेटा JSON स्वरूपात आहे.
+
+रचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+3. कर्मचाऱ्यांच्या मनोवृत्तीवर आधारित एक कार्यस्थळ सर्वेक्षण CSV फाईलमध्ये संग्रहित केले आहे.
+
+रचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+4. खगोलशास्त्रज्ञ एका स्पेस प्रोबद्वारे गोळा केलेल्या आकाशगंगांच्या डेटाबेसमध्ये प्रवेश करत आहेत. या डेटामध्ये प्रत्येक आकाशगंगेमधील ग्रहांची संख्या समाविष्ट आहे.
+
+रचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+5. एक वैयक्तिक वित्तीय अॅप वापरकर्त्याच्या आर्थिक खात्यांशी कनेक्ट होण्यासाठी API चा वापर करते, ज्यामुळे त्यांचे निव्वळ मूल्य मोजले जाते. त्यांना त्यांच्या सर्व व्यवहारांची रचना पंक्ती आणि स्तंभ स्वरूपात दिसते, जी स्प्रेडशीटसारखी दिसते.
+
+रचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+## मूल्यमापन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+सर्व रचना, मूल्य, आणि स्रोत अचूकपणे ओळखले आहेत | 3 रचना, मूल्य, आणि स्रोत अचूकपणे ओळखले आहेत | 2 किंवा त्यापेक्षा कमी रचना, मूल्य, आणि स्रोत अचूकपणे ओळखले आहेत |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/04-stats-and-probability/README.md b/translations/mr/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..d12335eb
--- /dev/null
+++ b/translations/mr/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-27T17:21:40+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "mr"
+}
+-->
+# सांख्यिकी आणि संभाव्यता यांचे थोडक्यात परिचय
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| सांख्यिकी आणि संभाव्यता - _[@nitya](https://twitter.com/nitya) यांचे स्केच_ |
+
+सांख्यिकी आणि संभाव्यता सिद्धांत हे गणिताचे दोन परस्पर संबंधित क्षेत्र आहेत, जे डेटा सायन्ससाठी अत्यंत महत्त्वाचे आहेत. गणिताचे सखोल ज्ञान नसतानाही डेटावर काम करणे शक्य आहे, परंतु किमान काही मूलभूत संकल्पना जाणून घेणे चांगले आहे. येथे आम्ही तुम्हाला सुरुवात करण्यासाठी मदत करणारा एक छोटासा परिचय सादर करू.
+
+[![परिचय व्हिडिओ](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.mr.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## संभाव्यता आणि रँडम व्हेरिएबल्स
+
+**संभाव्यता** ही 0 आणि 1 दरम्यानची संख्या आहे, जी एखाद्या **घटनेची** शक्यता व्यक्त करते. ती सकारात्मक परिणामांची संख्या (जे घटनेला कारणीभूत ठरतात) एकूण परिणामांच्या संख्येने विभागून परिभाषित केली जाते, असे गृहीत धरले जाते की सर्व परिणाम समान शक्यतेचे आहेत. उदाहरणार्थ, जर आपण एक पासा फेकला, तर सम संख्या येण्याची शक्यता 3/6 = 0.5 आहे.
+
+जेव्हा आपण घटनांबद्दल बोलतो, तेव्हा आपण **रँडम व्हेरिएबल्स** वापरतो. उदाहरणार्थ, पासा फेकल्यावर मिळालेली संख्या दर्शवणारा रँडम व्हेरिएबल 1 ते 6 पर्यंतच्या मूल्ये घेईल. 1 ते 6 पर्यंतच्या संख्यांचा संच **नमुना जागा** (sample space) म्हणून ओळखला जातो. आपण रँडम व्हेरिएबलने विशिष्ट मूल्य घेण्याची शक्यता व्यक्त करू शकतो, उदाहरणार्थ P(X=3)=1/6.
+
+वरील उदाहरणातील रँडम व्हेरिएबलला **विभक्त (discrete)** म्हणतात, कारण त्याची नमुना जागा मोजता येण्याजोगी आहे, म्हणजेच वेगवेगळ्या मूल्यांची गणना करता येते. काही वेळा नमुना जागा वास्तविक संख्यांच्या श्रेणीमध्ये किंवा संपूर्ण वास्तविक संख्यांच्या संचामध्ये असते. अशा व्हेरिएबल्सना **सातत्यपूर्ण (continuous)** म्हणतात. बस येण्याच्या वेळेचे उदाहरण यासाठी योग्य आहे.
+
+## संभाव्यता वितरण
+
+विभक्त रँडम व्हेरिएबल्सच्या बाबतीत, प्रत्येक घटनेची संभाव्यता P(X) फंक्शनद्वारे वर्णन करणे सोपे आहे. नमुना जागेतील *S* मधील प्रत्येक मूल्यासाठी, ते 0 ते 1 दरम्यानची संख्या देते, अशी की सर्व घटनांसाठी P(X=s) च्या सर्व मूल्यांची बेरीज 1 असेल.
+
+सर्वात प्रसिद्ध विभक्त वितरण म्हणजे **समान वितरण (uniform distribution)**, ज्यामध्ये N घटकांची नमुना जागा असते, आणि प्रत्येक घटकासाठी समान 1/N संभाव्यता असते.
+
+सातत्यपूर्ण व्हेरिएबलच्या संभाव्यता वितरणाचे वर्णन करणे अधिक कठीण आहे, ज्याची मूल्ये [a,b] या अंतरालातून किंवा संपूर्ण वास्तविक संख्यांच्या संच ℝ मधून घेतली जातात. बस येण्याच्या वेळेचा विचार करा. प्रत्यक्षात, विशिष्ट वेळ *t* वर बस येण्याची संभाव्यता 0 आहे!
+
+> आता तुम्हाला कळले असेल की 0 संभाव्यता असलेल्या घटना घडतात, आणि त्या खूप वेळा घडतात! किमान प्रत्येक वेळी जेव्हा बस येते!
+
+आपण फक्त एखाद्या व्हेरिएबलने विशिष्ट मूल्यांच्या अंतरालात येण्याची शक्यता व्यक्त करू शकतो, उदा. P(t<sub>1</sub>≤X<t<sub>2</sub>). अशा वेळी, संभाव्यता वितरण **संभाव्यता घनता फंक्शन (probability density function)** p(x) ने वर्णन केले जाते, ज्यासाठी:
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.mr.png)
+
+सातत्यपूर्ण समान वितरणाचा सातत्यपूर्ण समकक्ष **सातत्यपूर्ण समान वितरण (continuous uniform distribution)** म्हणून ओळखला जातो, जो एका मर्यादित अंतरालावर परिभाषित केला जातो. व्हेरिएबल X ने लांबी l च्या अंतरालात येण्याची संभाव्यता l शी प्रमाणबद्ध असते, आणि ती 1 पर्यंत वाढते.
+
+आणखी एक महत्त्वाचे वितरण म्हणजे **सामान्य वितरण (normal distribution)**, ज्याबद्दल आपण खाली अधिक तपशीलवार चर्चा करू.
+
+## सरासरी, विचलन आणि मानक विचलन
+
+समजा आपण रँडम व्हेरिएबल X चे n नमुने घेतो: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. आपण पारंपरिक पद्धतीने या अनुक्रमाची **सरासरी (mean)** (किंवा **गुणोत्तर सरासरी**) काढू शकतो: (x<sub>1</sub>+x<sub>2</sub>+...+x<sub>n</sub>)/n. जर आपण नमुन्याचा आकार वाढवला (म्हणजे n→∞ घेतले), तर आपल्याला वितरणाची सरासरी (जिला **अपेक्षा (expectation)** म्हणतात) मिळेल. आपण अपेक्षेला **E**(x) ने दर्शवू.
+
+> हे दाखवता येते की कोणत्याही विभक्त वितरणासाठी, ज्यामध्ये मूल्ये {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} आणि त्यासंबंधित संभाव्यता p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub> असतात, अपेक्षा E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub> असेल.
+
+मूल्ये किती प्रमाणात पसरलेली आहेत हे ओळखण्यासाठी, आपण विचलन σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n काढू शकतो, जिथे μ हा अनुक्रमाचा सरासरी आहे. σ ला **मानक विचलन (standard deviation)** म्हणतात, आणि σ<sup>2</sup> ला **विचलन (variance)** म्हणतात.
+
+## मोड, माध्यिका आणि चतुर्थांश
+
+कधी कधी, सरासरी डेटा साठी "सामान्य" मूल्य योग्य प्रकारे दर्शवत नाही. उदाहरणार्थ, जर काही अत्यंत मूल्ये असतील जी पूर्णपणे श्रेणीबाहेर असतील, तर ती सरासरीवर परिणाम करू शकतात. अशा वेळी **माध्यिका (median)** हा चांगला निर्देशक ठरतो, जो असा मूल्य आहे की ज्या खाली 50% डेटा पॉइंट्स असतात आणि ज्या वर 50% डेटा पॉइंट्स असतात.
+
+डेटाच्या वितरणाला समजून घेण्यासाठी, **चतुर्थांश (quartiles)** बद्दल बोलणे उपयुक्त ठरते:
+
+* पहिला चतुर्थांश, किंवा Q1, असा मूल्य आहे की 25% डेटा त्याखाली येतो
+* तिसरा चतुर्थांश, किंवा Q3, असा मूल्य आहे की 75% डेटा त्याखाली येतो
+
+ग्राफिकदृष्ट्या, आपण माध्यिका आणि चतुर्थांश यांचे नाते **बॉक्स प्लॉट** मध्ये दर्शवू शकतो:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+येथे आपण **आंतर-चतुर्थांश श्रेणी (inter-quartile range)** IQR=Q3-Q1 काढतो, आणि तथाकथित **आउटलायर्स (outliers)** - जी मूल्ये [Q1-1.5*IQR,Q3+1.5*IQR] च्या बाहेर असतात.
+
+लहान संख्येच्या वितरणासाठी, एक चांगले "सामान्य" मूल्य म्हणजे ते जे सर्वाधिक वेळा दिसते, ज्याला **मोड (mode)** म्हणतात. हे सहसा श्रेणीबद्ध डेटावर लागू होते, जसे की रंग. उदाहरणार्थ, जर दोन गट असतील - एक ज्यांना लाल रंग आवडतो आणि दुसरा ज्यांना निळा रंग आवडतो, तर मोड लाल किंवा निळा असेल, किंवा दोन्ही रंग असतील (जर दोन्ही गटांची संख्या समान असेल, तर नमुना **मल्टीमोडल** म्हणतात).
+
+## वास्तविक जीवनातील डेटा
+
+जेव्हा आपण वास्तविक जीवनातील डेटाचे विश्लेषण करतो, तेव्हा ते नेहमी रँडम व्हेरिएबल्स नसतात, कारण आपण अज्ञात परिणामांसह प्रयोग करत नाही. उदाहरणार्थ, बेसबॉल खेळाडूंच्या संघाचा विचार करा, आणि त्यांची उंची, वजन आणि वय यासारखी शारीरिक माहिती. ही संख्या अचूकपणे रँडम नसली तरी, आपण त्याच गणितीय संकल्पना लागू करू शकतो. उदाहरणार्थ, लोकांच्या वजनाचा अनुक्रम हा काही रँडम व्हेरिएबलमधून घेतलेल्या मूल्यांचा अनुक्रम मानला जाऊ शकतो. खाली [मेजर लीग बेसबॉल](http://mlb.mlb.com/index.jsp) मधील वास्तविक बेसबॉल खेळाडूंच्या वजनांचा अनुक्रम दिला आहे, जो [या डेटासेट](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) मधून घेतला आहे (तुमच्या सोयीसाठी, फक्त पहिले 20 मूल्ये दाखवली आहेत):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **टीप**: या डेटासेटसह काम करण्याचे उदाहरण पाहण्यासाठी, [संबंधित नोटबुक](notebook.ipynb) पहा. या धड्यात अनेक आव्हाने आहेत, आणि तुम्ही त्या नोटबुकमध्ये काही कोड जोडून पूर्ण करू शकता. जर तुम्हाला डेटावर कसे काम करायचे हे माहित नसेल, तर काळजी करू नका - आपण नंतर पायथन वापरून डेटावर काम करण्याकडे परत येऊ. जर तुम्हाला जुपिटर नोटबुकमध्ये कोड कसा चालवायचा हे माहित नसेल, तर [हा लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) पहा.
+
+खालील बॉक्स प्लॉटमध्ये आपल्या डेटासाठी सरासरी, माध्यिका आणि चतुर्थांश दाखवले आहेत:
+
+![वजन बॉक्स प्लॉट](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.mr.png)
+
+आपल्या डेटामध्ये वेगवेगळ्या खेळाडूंच्या **भूमिकांबद्दल** माहिती असल्यामुळे, आपण भूमिकेनुसार बॉक्स प्लॉट तयार करू शकतो - यामुळे आपल्याला समजेल की भूमिकांनुसार मापदंड कसे बदलतात. यावेळी आपण उंचीचा विचार करू:
+
+![भूमिकेनुसार बॉक्स प्लॉट](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.mr.png)
+
+हा आकृती सूचित करतो की, सरासरीने पहिले बेसमनची उंची दुसऱ्या बेसमनच्या उंचीपेक्षा जास्त आहे. या धड्याच्या पुढील भागात आपण अधिक औपचारिकपणे ही गृहीतके कशी तपासायची आणि आपला डेटा सांख्यिकदृष्ट्या महत्त्वाचा आहे का हे कसे सिद्ध करायचे ते शिकू.
+
+> जेव्हा आपण वास्तविक जीवनातील डेटावर काम करतो, तेव्हा आपण गृहीत धरतो की सर्व डेटा पॉइंट्स काही संभाव्यता वितरणातून घेतलेले नमुने आहेत. ही गृहीतके आपल्याला मशीन लर्निंग तंत्र लागू करण्यास आणि कार्यक्षम भविष्यवाणी मॉडेल तयार करण्यास अनुमती देतात.
+
+आपल्या डेटाचे वितरण काय आहे हे पाहण्यासाठी, आपण **हिस्टोग्राम** नावाचा ग्राफ तयार करू शकतो. X-अक्षावर विविध वजनाच्या अंतरालांची संख्या (ज्याला **बिन्स** म्हणतात) असेल, आणि Y-अक्षावर त्या अंतरालात आमचा रँडम व्हेरिएबल किती वेळा आला हे दर्शवले जाईल.
+
+![वास्तविक डेटाचा हिस्टोग्राम](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.mr.png)
+
+या हिस्टोग्रामवरून तुम्हाला दिसते की सर्व मूल्ये एका विशिष्ट सरासरी वजनाभोवती केंद्रित आहेत, आणि त्या वजनापासून जितके दूर जाऊ, तितके कमी वजनाचे मूल्य दिसते. म्हणजेच, बेसबॉल खेळाडूचे वजन सरासरी वजनापासून खूप वेगळे असण्याची शक्यता खूप कमी आहे. वजनांचे विचलन हे दर्शवते की वजन सरासरीपासून किती प्रमाणात वेगळे असण्याची शक्यता आहे.
+
+> जर आपण बेसबॉल लीगच्या बाहेरील लोकांचे वजन घेतले, तर वितरण वेगळे असण्याची शक्यता आहे. तथापि, वितरणाचा आकार समान असेल, परंतु सरासरी आणि विचलन बदलतील. त्यामुळे, जर आपण बेसबॉल खेळाडूंवर आधारित मॉडेल तयार केले, तर ते विद्यापीठातील विद्यार्थ्यांवर लागू केल्यास चुकीचे परिणाम देण्याची शक्यता आहे, कारण अंतर्निहित वितरण वेगळे आहे.
+
+## सामान्य वितरण
+
+आपण वर पाहिलेले वजनांचे वितरण खूप सामान्य आहे, आणि वास्तविक जीवनातील अनेक मोजमापे याच प्रकारच्या वितरणाचे अनुसरण करतात, परंतु वेगवेगळ्या सरासरी आणि विचलनासह. या वितरणाला **सामान्य वितरण (normal distribution)** म्हणतात, आणि याला सांख्यिकीमध्ये खूप महत्त्व आहे.
+
+सामान्य वितरणाचा वापर करून संभाव्य बेसबॉल खेळाडूंच्या वजनाचे यादृच्छिक नमुने तयार करणे योग्य आहे. एकदा आपल्याला `mean` (सरासरी वजन) आणि `std` (मानक विचलन) माहित झाले की, आपण 1000 वजन नमुने खालीलप्रमाणे तयार करू शकतो:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+जर आपण तयार केलेल्या नमुन्यांचा हिस्टोग्राम तयार केला, तर आपल्याला वरीलप्रमाणेच चित्र दिसेल. आणि जर आपण नमुन्यांची संख्या आणि बिन्सची संख्या वाढवली, तर आपण आदर्श सामान्य वितरणासारखे चित्र तयार करू शकतो:
+
+![सरासरी=0 आणि मानक विचलन=1 असलेले सामान्य वितरण](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.mr.png)
+
+*सरासरी=0 आणि मानक विचलन=1 असलेले सामान्य वितरण*
+
+## विश्वास अंतर (Confidence Intervals)
+
+जेव्हा आपण बेसबॉल खेळाडूंच्या वजनाबद्दल बोलतो, तेव्हा आपण गृहीत धरतो की **W** नावाचा एक रँडम व्हेरिएबल आहे, जो सर्व बेसबॉल खेळाडूंच्या वजनाच्या आदर्श संभाव्यता वितरणाशी संबंधित आहे (ज्याला **लोकसंख्या (population)** म्हणतात). आपल्या वजनांचा अनुक्रम हा सर्व बेसबॉल खेळाडूंच्या एका उपसंचाशी संबंधित आहे, ज्याला **नमुना (sample)** म्हणतात. एक मनोरंजक प्रश्न असा आहे की, W च्या वितरणाचे मापदंड, म्हणजेच लोकसंख्येची सरासरी आणि विचलन, आपण ओळखू शकतो का?
+
+सर्वात सोपा उत्तर म्हणजे आपल्या नमुन्याची सरासरी आणि विचलन काढणे. तथापि, असे होऊ शकते की आपला यादृच्छिक नमुना संपूर्ण लोकसंख्येचे अचूक प्रतिनिधित्व करत नाही. त्यामुळे **विश्वास अंतर (confidence interval)** बद्दल बोलणे योग्य ठरेल.
+> **विश्वास अंतराल** म्हणजे आपल्या नमुन्याच्या आधारे लोकसंख्येच्या खऱ्या सरासरीचा अंदाज, जो एका विशिष्ट संभाव्यतेने (किंवा **विश्वास स्तर**) अचूक असतो.
+समजा आपल्याकडे आपल्या वितरणातून घेतलेले नमुने X<sub>1</sub>, ..., X<sub>n</sub> आहेत. प्रत्येक वेळी आपण वितरणातून नमुना घेतो, तेव्हा आपल्याला भिन्न सरासरी मूल्य μ मिळते. त्यामुळे μ ला एक यादृच्छिक चल मानले जाऊ शकते. **विश्वास अंतर** (confidence interval) हे विश्वास p सह दोन मूल्यांचा संच (L<sub>p</sub>, R<sub>p</sub>) असतो, ज्यामध्ये **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, म्हणजेच मोजलेल्या सरासरी मूल्याच्या त्या अंतरात येण्याची शक्यता p इतकी असते.
+
+विश्वास अंतर कसे मोजले जातात याबद्दल सविस्तर चर्चा करणे या छोट्या परिचयाच्या पलीकडे जाते. याबद्दल अधिक तपशील [विकिपीडियावर](https://en.wikipedia.org/wiki/Confidence_interval) सापडू शकतो. थोडक्यात सांगायचे तर, आपण लोकसंख्येच्या खऱ्या सरासरीच्या संदर्भात मोजलेल्या नमुन्याच्या सरासरीचे वितरण परिभाषित करतो, ज्याला **स्टुडंट वितरण** (student distribution) म्हणतात.
+
+> **रोचक तथ्य**: स्टुडंट वितरणाचे नाव गणितज्ञ विल्यम सीली गॉसेट यांच्या नावावरून ठेवले गेले आहे, ज्यांनी "स्टुडंट" या टोपणनावाने आपले संशोधन प्रकाशित केले. ते गिनीज ब्रुअरीमध्ये काम करत होते, आणि एका कथेनुसार, त्यांच्या नियोक्त्याला सामान्य लोकांना हे कळू द्यायचे नव्हते की ते कच्च्या मालाच्या गुणवत्तेचे परीक्षण करण्यासाठी सांख्यिकी चाचण्या वापरत होते.
+
+जर आपल्याला विश्वास p सह आपल्या लोकसंख्येची सरासरी μ मोजायची असेल, तर आपल्याला स्टुडंट वितरण A च्या *(1-p)/2-थ टक्केवारी* घ्यावी लागेल, जी टेबल्समधून किंवा सांख्यिकी सॉफ्टवेअरच्या अंगभूत फंक्शन्सद्वारे (उदा. Python, R, इ.) काढता येते. मग μ साठीचे अंतर असेल X±A*D/√n, जिथे X हा नमुन्याची मिळालेली सरासरी आहे, D हा मानक विचलन आहे.
+
+> **टीप**: स्टुडंट वितरणाशी संबंधित [स्वातंत्र्य अंश](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) या महत्त्वाच्या संकल्पनेची चर्चा येथे वगळली आहे. या संकल्पनेचा सखोल अभ्यास करण्यासाठी सांख्यिकीवरील अधिक सविस्तर पुस्तके वाचा.
+
+वजन आणि उंचींसाठी विश्वास अंतर कसे मोजायचे याचे उदाहरण [सोबतच्या नोटबुकमध्ये](notebook.ipynb) दिले आहे.
+
+| p | वजनाची सरासरी |
+|-----|-----------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+लक्षात घ्या की विश्वासाची शक्यता जशी जास्त होते, तशी विश्वास अंतराची रुंदी वाढते.
+
+## गृहीतक चाचणी 
+
+आपल्या बेसबॉल खेळाडूंच्या डेटासेटमध्ये विविध खेळाडूंच्या भूमिका आहेत, ज्याचा सारांश खालीलप्रमाणे दिला आहे (हे टेबल कसे मोजले जाते हे पाहण्यासाठी [सोबतच्या नोटबुकमध्ये](notebook.ipynb) पहा):
+
+| भूमिका | उंची | वजन | संख्या |
+|------|--------|--------|-------|
+| कॅचर | 72.723684 | 204.328947 | 76 |
+| डिझिग्नेटेड हिटर | 74.222222 | 220.888889 | 18 |
+| फर्स्ट बेसमन | 74.000000 | 213.109091 | 55 |
+| आऊटफिल्डर | 73.010309 | 199.113402 | 194 |
+| रिलीफ पिचर | 74.374603 | 203.517460 | 315 |
+| सेकंड बेसमन | 71.362069 | 184.344828 | 58 |
+| शॉर्टस्टॉप | 71.903846 | 182.923077 | 52 |
+| स्टार्टिंग पिचर | 74.719457 | 205.163636 | 221 |
+| थर्ड बेसमन | 73.044444 | 200.955556 | 45 |
+
+आपण पाहतो की फर्स्ट बेसमनची सरासरी उंची सेकंड बेसमनपेक्षा जास्त आहे. त्यामुळे आपण असा निष्कर्ष काढण्याचा मोह होतो की **फर्स्ट बेसमन हे सेकंड बेसमनपेक्षा उंच आहेत**.
+
+> या विधानाला **गृहीतक** म्हणतात, कारण आपल्याला हे खरे आहे की नाही हे माहित नाही.
+
+तथापि, हा निष्कर्ष काढणे नेहमीच स्पष्ट नसते. वरील चर्चेतून आपल्याला माहित आहे की प्रत्येक सरासरीला संबंधित विश्वास अंतर असते, आणि त्यामुळे हा फरक केवळ सांख्यिकी त्रुटी असू शकतो. आपल्याला आपल्या गृहीतकाची चाचणी घेण्यासाठी अधिक औपचारिक पद्धतीची आवश्यकता आहे.
+
+चला फर्स्ट आणि सेकंड बेसमनच्या उंचींसाठी विश्वास अंतर वेगवेगळे मोजूया:
+
+| विश्वास | फर्स्ट बेसमन | सेकंड बेसमन |
+|------------|---------------|----------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+आपण पाहतो की कोणत्याही विश्वास पातळीवर ही अंतरे ओव्हरलॅप होत नाहीत. यामुळे आपले गृहीतक सिद्ध होते की फर्स्ट बेसमन हे सेकंड बेसमनपेक्षा उंच आहेत.
+
+अधिक औपचारिकपणे, आपण सोडवत असलेली समस्या म्हणजे **दोन संभाव्यता वितरण सारखी आहेत का**, किंवा किमान त्यांचे पॅरामीटर्स सारखे आहेत का हे पाहणे. वितरणाच्या प्रकारावर अवलंबून, आपल्याला त्यासाठी वेगवेगळ्या चाचण्या वापराव्या लागतात. जर आपल्याला माहित असेल की आपली वितरणे सामान्य आहेत, तर आपण **[स्टुडंट टी-चाचणी](https://en.wikipedia.org/wiki/Student%27s_t-test)** लागू करू शकतो.
+
+स्टुडंट टी-चाचणीत, आपण तथाकथित **टी-मूल्य** (t-value) मोजतो, जे सरासरीतील फरक दर्शवते, विचलन लक्षात घेऊन. हे सिद्ध झाले आहे की टी-मूल्य **स्टुडंट वितरणाचे** अनुसरण करते, ज्यामुळे आपल्याला दिलेल्या विश्वास पातळी **p** साठी थ्रेशोल्ड मूल्य मिळते (हे संगणित केले जाऊ शकते किंवा संख्यात्मक टेबल्समध्ये पाहिले जाऊ शकते). मग आपण टी-मूल्य थ्रेशोल्डशी तुलना करून गृहीतक मान्य किंवा नाकारतो.
+
+Python मध्ये, आपण **SciPy** पॅकेज वापरू शकतो, ज्यामध्ये `ttest_ind` फंक्शन समाविष्ट आहे (इतर अनेक उपयुक्त सांख्यिकी फंक्शन्ससह!). हे आपल्यासाठी टी-मूल्य मोजते आणि विश्वास पातळीचा उलट शोधही करते, ज्यामुळे आपण फक्त विश्वास पाहून निष्कर्ष काढू शकतो.
+
+उदाहरणार्थ, फर्स्ट आणि सेकंड बेसमनच्या उंचींच्या तुलनेत आपल्याला खालील निकाल मिळतात: 
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+आपल्या बाबतीत, p-मूल्य खूपच कमी आहे, याचा अर्थ फर्स्ट बेसमन उंच असल्याचे समर्थन करणारे ठोस पुरावे आहेत.
+
+तसेच, आपण इतर प्रकारची गृहीतके चाचणी करू इच्छितो, उदाहरणार्थ:
+* एखादा नमुना विशिष्ट वितरणाचे अनुसरण करतो हे सिद्ध करणे. आपल्या बाबतीत आपण गृहीत धरले आहे की उंची सामान्य वितरणाचे अनुसरण करते, परंतु त्यासाठी औपचारिक सांख्यिकी पडताळणी आवश्यक आहे.
+* एखाद्या नमुन्याचे सरासरी मूल्य पूर्वनिर्धारित मूल्याशी जुळते हे सिद्ध करणे
+* अनेक नमुन्यांच्या सरासरींची तुलना करणे (उदा. वेगवेगळ्या वयोगटांमधील आनंदाच्या पातळीतील फरक काय आहे)
+
+## मोठ्या संख्यांचा नियम आणि केंद्रीय मर्यादा प्रमेय
+
+सामान्य वितरण इतके महत्त्वाचे का आहे याचे एक कारण म्हणजे **केंद्रीय मर्यादा प्रमेय**. समजा आपल्याकडे N स्वतंत्र मूल्यांचा मोठा नमुना X<sub>1</sub>, ..., X<sub>N</sub> आहे, जो कोणत्याही वितरणातून घेतला गेला आहे, ज्याची सरासरी μ आणि विचलन σ<sup>2</sup> आहे. मग, N पुरेसे मोठे असल्यास (म्हणजे N→∞), Σ<sub>i</sub>X<sub>i</sub> ची सरासरी सामान्य वितरणाचे अनुसरण करेल, ज्याची सरासरी μ आणि विचलन σ<sup>2</sup>/N असेल.
+
+> केंद्रीय मर्यादा प्रमेयाचा दुसरा अर्थ असा आहे की कोणत्याही वितरणाच्या यादृच्छिक मूल्यांच्या बेरजाची सरासरी मोजल्यास, आपण नेहमीच सामान्य वितरणाकडे पोहोचतो.
+
+केंद्रीय मर्यादा प्रमेयावरून असेही दिसून येते की, जेव्हा N→∞, तेव्हा नमुन्याच्या सरासरीचे μ बरोबर असण्याची शक्यता 1 होते. याला **मोठ्या संख्यांचा नियम** म्हणतात.
+
+## सहसंबंध आणि सहप्रसरण
+
+डेटा सायन्समध्ये एक महत्त्वाचे काम म्हणजे डेटामधील संबंध शोधणे. दोन अनुक्रम **सहसंबंधित** आहेत असे म्हणतो जेव्हा ते एकाच वेळी समान वर्तन प्रदर्शित करतात, म्हणजेच ते एकत्र वाढतात/घटतात, किंवा एक अनुक्रम वाढतो तेव्हा दुसरा घटतो आणि उलट. 
+
+> सहसंबंध नेहमीच दोन अनुक्रमांमधील कारणात्मक संबंध दर्शवतो असे नाही; कधी कधी दोन्ही चल बाह्य कारणावर अवलंबून असू शकतात, किंवा केवळ योगायोगाने दोन अनुक्रम सहसंबंधित असू शकतात. तथापि, मजबूत गणितीय सहसंबंध हे सूचक असते की दोन चल कसेतरी जोडलेले आहेत.
+
+गणितीयदृष्ट्या, दोन यादृच्छिक चलांमधील संबंध दर्शवणारी मुख्य संकल्पना म्हणजे **सहप्रसरण** (covariance), जी अशा प्रकारे मोजली जाते: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. आपण दोन्ही चलांच्या सरासरी मूल्यांपासून विचलन मोजतो आणि नंतर त्या विचलनांचे गुणाकार करतो. जर दोन्ही चल एकत्र विचलित झाले, तर गुणाकार नेहमीच सकारात्मक मूल्य असेल, ज्यामुळे सकारात्मक सहप्रसरण मिळेल. जर दोन्ही चल असमकालिकपणे विचलित झाले (म्हणजे एक सरासरीखाली जात असताना दुसरा सरासरीच्या वर जात असेल), तर आपल्याला नेहमीच नकारात्मक संख्या मिळतील, ज्यामुळे नकारात्मक सहप्रसरण मिळेल. जर विचलने स्वतंत्र असतील, तर ती साधारणतः शून्याच्या आसपास असतील.
+
+सहप्रसरणाचे परिमाण आपल्याला सहसंबंध किती मोठा आहे हे फारसे सांगत नाही, कारण ते वास्तविक मूल्यांच्या परिमाणावर अवलंबून असते. ते सामान्यीकृत करण्यासाठी, आपण सहप्रसरणाला दोन्ही चलांच्या मानक विचलनाने विभागतो, ज्यामुळे **सहसंबंध** मिळतो. सहसंबंध नेहमीच [-1,1] च्या श्रेणीत असतो, जिथे 1 मजबूत सकारात्मक सहसंबंध दर्शवतो, -1 मजबूत नकारात्मक सहसंबंध दर्शवतो, आणि 0 म्हणजे कोणताही सहसंबंध नाही (चल स्वतंत्र आहेत).
+
+**उदाहरण**: आपण वरील डेटासेटमधील बेसबॉल खेळाडूंच्या वजन आणि उंची यांच्यातील सहसंबंध मोजू शकतो:
+```python
+print(np.corrcoef(weights,heights))
+```
+यामुळे आपल्याला **सहसंबंध मॅट्रिक्स** मिळतो, जो असा दिसतो:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> सहसंबंध मॅट्रिक्स C कोणत्याही संख्येच्या इनपुट अनुक्रमांसाठी S<sub>1</sub>, ..., S<sub>n</sub> साठी मोजला जाऊ शकतो. C<sub>ij</sub> चे मूल्य S<sub>i</sub> आणि S<sub>j</sub> यांच्यातील सहसंबंध आहे, आणि कर्णरेषेवरील घटक नेहमीच 1 असतात (जे S<sub>i</sub> चे स्व-सहसंबंध आहे).
+
+आपल्या बाबतीत, 0.53 हे मूल्य सूचित करते की व्यक्तीच्या वजन आणि उंचीमध्ये काही प्रमाणात सहसंबंध आहे. आपण एकमेकांच्या विरोधात एक मूल्याचे स्कॅटर प्लॉट देखील तयार करू शकतो, जेणेकरून संबंध दृश्यमान होईल:
+
+![वजन आणि उंची यांच्यातील संबंध](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.mr.png)
+
+> सहसंबंध आणि सहप्रसरण यांचे अधिक उदाहरणे [सोबतच्या नोटबुकमध्ये](notebook.ipynb) सापडतील.
+
+## निष्कर्ष
+
+या विभागात, आपण शिकलो:
+
+* डेटाच्या मूलभूत सांख्यिकी गुणधर्म, जसे की सरासरी, विचलन, मोड आणि चतुर्थांश
+* यादृच्छिक चलांचे विविध वितरण, ज्यामध्ये सामान्य वितरण समाविष्ट आहे
+* विविध गुणधर्मांमधील सहसंबंध कसा शोधायचा
+* काही गृहीतके सिद्ध करण्यासाठी गणित आणि सांख्यिकीचा योग्य वापर कसा करायचा
+* दिलेल्या डेटासेटसाठी यादृच्छिक चलाचे विश्वास अंतर कसे मोजायचे
+
+जरी हे संभाव्यता आणि सांख्यिकीतील सर्व विषयांचा समावेश करणारे नसले तरी, या कोर्समध्ये सुरुवात करण्यासाठी हे पुरेसे आहे.
+
+## 🚀 आव्हान
+
+नोटबुकमधील नमुना कोड वापरून खालील गृहीतकांची चाचणी घ्या:
+1. फर्स्ट बेसमन हे सेकंड बेसमनपेक्षा वयाने मोठे आहेत.
+2. फर्स्ट बेसमन हे थर्ड बेसमनपेक्षा उंच आहेत.
+3. शॉर्टस्टॉप हे सेकंड बेसमनपेक्षा उंच आहेत.
+
+## [पाठानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+संभाव्यता आणि सांख्यिकी हा इतका विस्तृत विषय आहे की त्यासाठी स्वतंत्र कोर्स आवश्यक आहे. जर तुम्हाला सिद्धांतात अधिक खोलवर जायचे असेल, तर तुम्ही खालील पुस्तके वाचू शकता:
+
+1. [कार्लोस फर्नांडीज-ग्रांडा](https://cims.nyu.edu/~cfgranda/) (न्यूयॉर्क विद्यापीठ) यांचे [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (ऑनलाइन उपलब्ध).
+2. [पीटर आणि अँड्र्यू ब्रूस. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[R मध्ये नमुना कोड](https://github.com/andrewgbruce/statistics-for-data-scientists)].
+3. [जेम्स डी. मिलर. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[R मध्ये नमुना कोड](https://github.com/PacktPublishing/Statistics-for-Data-Science)].
+
+## असाइनमेंट
+
+[लहान मधुमेह अभ्यास](assignment.md)
+
+## क्रेडिट्स
+
+हा धडा [दिमित्री सोश्निकोव्ह](http://soshnikov.com) यांनी ♥️ सह तयार केला आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/04-stats-and-probability/assignment.md b/translations/mr/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..a6375dce
--- /dev/null
+++ b/translations/mr/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-27T17:28:44+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "mr"
+}
+-->
+# लहान मधुमेह अभ्यास
+
+या असाइनमेंटमध्ये, आपण [येथून](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html) घेतलेल्या मधुमेह रुग्णांच्या एका लहान डेटासेटसह काम करू.
+
+|   | वय | लिंग | BMI | BP | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|-----|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## सूचना
+
+* [असाइनमेंट नोटबुक](assignment.ipynb) जुपिटर नोटबुक वातावरणात उघडा
+* नोटबुकमध्ये नमूद केलेली सर्व कामे पूर्ण करा, त्यामध्ये:
+   * [ ] सर्व मूल्यांसाठी सरासरी आणि विचलन (variance) काढा
+   * [ ] BMI, BP आणि Y साठी लिंगानुसार बॉक्सप्लॉट्स तयार करा
+   * [ ] वय, लिंग, BMI आणि Y या व्हेरिएबल्सचे वितरण काय आहे?
+   * [ ] विविध व्हेरिएबल्स आणि आजाराच्या प्रगती (Y) यांच्यातील सहसंबंध तपासा
+   * [ ] मधुमेह प्रगतीची पातळी पुरुष आणि महिलांमध्ये वेगळी आहे का हे तपासण्यासाठी गृहितक चाचणी करा
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+सर्व आवश्यक कामे पूर्ण, ग्राफिक स्वरूपात सादर आणि स्पष्ट केलेली | बहुतेक कामे पूर्ण, ग्राफ्समधून किंवा प्राप्त मूल्यांमधून स्पष्टीकरण किंवा निष्कर्ष गहाळ | फक्त मूलभूत कामे जसे की सरासरी/विचलन काढणे आणि साधे ग्राफ्स तयार करणे पूर्ण, डेटामधून कोणतेही निष्कर्ष काढलेले नाहीत
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/1-Introduction/README.md b/translations/mr/1-Introduction/README.md
new file mode 100644
index 00000000..ffc4c990
--- /dev/null
+++ b/translations/mr/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-27T17:02:07+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्सची ओळख
+
+![डेटा अॅक्शनमध्ये](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.mr.jpg)
+> फोटो <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">स्टीफन डॉसन</a> यांनी Unsplash वर <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">प्रकाशित केला</a>.
+
+या धड्यांमध्ये, तुम्हाला डेटा सायन्स कसे परिभाषित केले जाते हे समजेल आणि डेटा सायंटिस्टने विचारात घ्याव्या लागणाऱ्या नैतिक बाबींबद्दल शिकायला मिळेल. तुम्हाला डेटा कसा परिभाषित केला जातो हे समजेल आणि डेटा सायन्सच्या मुख्य शैक्षणिक शाखा असलेल्या सांख्यिकी आणि संभाव्यता याबद्दल थोडेसे शिकायला मिळेल.
+
+### विषय
+
+1. [डेटा सायन्सची व्याख्या](01-defining-data-science/README.md)
+2. [डेटा सायन्स नैतिकता](02-ethics/README.md)
+3. [डेटाची व्याख्या](03-defining-data/README.md)
+4. [सांख्यिकी आणि संभाव्यतेची ओळख](04-stats-and-probability/README.md)
+
+### श्रेय
+
+हे धडे ❤️ सह [नित्या नरसिंहन](https://twitter.com/nitya) आणि [दिमित्री सोश्निकोव्ह](https://twitter.com/shwars) यांनी लिहिले आहेत.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/05-relational-databases/README.md b/translations/mr/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..bf93b875
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-27T16:41:30+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटासह काम करणे: रिलेशनल डेटाबेस
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| डेटासह काम करणे: रिलेशनल डेटाबेस - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+संभावना आहे की तुम्ही पूर्वी माहिती साठवण्यासाठी स्प्रेडशीट वापरले असेल. तुमच्याकडे रकाने आणि स्तंभांचा संच असेल, जिथे रकाने माहिती (किंवा डेटा) असते आणि स्तंभ माहितीचे वर्णन करतात (कधीकधी याला मेटाडेटा म्हणतात). रिलेशनल डेटाबेस हा टेबल्समधील रकाने आणि स्तंभांच्या या मुख्य तत्त्वावर आधारित असतो, ज्यामुळे तुम्हाला माहिती अनेक टेबल्समध्ये पसरवता येते. यामुळे तुम्हाला अधिक जटिल डेटासह काम करता येते, पुनरावृत्ती टाळता येते आणि डेटाचा शोध घेण्याच्या पद्धतींमध्ये लवचिकता मिळते. चला रिलेशनल डेटाबेसच्या संकल्पना समजून घेऊया.
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## सर्व काही टेबल्सपासून सुरू होते
+
+रिलेशनल डेटाबेसच्या केंद्रस्थानी टेबल्स असतात. स्प्रेडशीटप्रमाणेच, टेबल म्हणजे स्तंभ आणि रकान्यांचा संग्रह असतो. रकानेमध्ये आपण ज्या डेटासह काम करू इच्छितो ती माहिती असते, जसे की शहराचे नाव किंवा पावसाचे प्रमाण. स्तंभ साठवलेल्या डेटाचे वर्णन करतात.
+
+चला शहरांबद्दल माहिती साठवण्यासाठी टेबल तयार करून आपला अभ्यास सुरू करूया. आपण त्यांच्या नावाने आणि देशाने सुरुवात करू शकतो. तुम्ही हे टेबलमध्ये खालीलप्रमाणे साठवू शकता:
+
+| शहर     | देश            |
+| -------- | ------------- |
+| टोकियो   | जपान          |
+| अटलांटा  | युनायटेड स्टेट्स |
+| ऑकलंड    | न्यूझीलंड      |
+
+लक्षात घ्या की **शहर**, **देश** आणि **लोकसंख्या** या स्तंभांची नावे साठवलेल्या डेटाचे वर्णन करतात, आणि प्रत्येक रकान्यात एका शहराची माहिती आहे.
+
+## एका टेबलच्या दृष्टिकोनातील मर्यादा
+
+वरील टेबल तुम्हाला परिचित वाटत असेल. चला आपल्या डेटाबेसमध्ये वार्षिक पावसाची (मिलीमीटरमध्ये) अतिरिक्त माहिती जोडूया. आपण 2018, 2019 आणि 2020 या वर्षांवर लक्ष केंद्रित करू. जर आपण टोकियोसाठी ही माहिती जोडली, तर ती काहीशी अशी दिसेल:
+
+| शहर  | देश    | वर्ष | प्रमाण |
+| ----- | ------- | ---- | ------ |
+| टोकियो | जपान   | 2020 | 1690   |
+| टोकियो | जपान   | 2019 | 1874   |
+| टोकियो | जपान   | 2018 | 1445   |
+
+तुम्हाला आपल्या टेबलमध्ये काय दिसते? तुम्हाला कदाचित लक्षात येईल की आपण शहराचे नाव आणि देश पुन्हा पुन्हा डुप्लिकेट करत आहोत. यामुळे बरीच स्टोरेज लागेल आणि एकाच गोष्टीच्या अनेक प्रती ठेवणे अनावश्यक आहे. शेवटी, टोकियोसाठी आपल्याला फक्त एकच नाव हवे आहे.
+
+ठीक आहे, काहीतरी वेगळे करून पाहूया. प्रत्येक वर्षासाठी नवीन स्तंभ जोडूया:
+
+| शहर     | देश            | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| टोकियो   | जपान          | 1445 | 1874 | 1690 |
+| अटलांटा  | युनायटेड स्टेट्स | 1779 | 1111 | 1683 |
+| ऑकलंड    | न्यूझीलंड      | 1386 | 942  | 1176 |
+
+यामुळे रकान्यांची पुनरावृत्ती टळते, परंतु यामुळे इतर काही अडचणी निर्माण होतात. प्रत्येक वेळी नवीन वर्ष आल्यावर आपल्याला टेबलची रचना बदलावी लागेल. याशिवाय, आपला डेटा वाढल्यावर वर्षे स्तंभांमध्ये असल्याने मूल्ये शोधणे आणि गणना करणे कठीण होईल.
+
+म्हणूनच आपल्याला एकापेक्षा जास्त टेबल्स आणि नातेसंबंधांची गरज आहे. आपला डेटा वेगळा करून आपण पुनरावृत्ती टाळू शकतो आणि डेटासह काम करण्याच्या पद्धतींमध्ये अधिक लवचिकता मिळवू शकतो.
+
+## नातेसंबंधांची संकल्पना
+
+चला आपल्या डेटाकडे परत जाऊया आणि ते कसे विभाजित करायचे ते ठरवूया. आपल्याला माहित आहे की आपल्याला शहरांची नावे आणि देश साठवायचे आहेत, त्यामुळे हे एका टेबलमध्ये चांगले काम करेल.
+
+| शहर     | देश            |
+| -------- | ------------- |
+| टोकियो   | जपान          |
+| अटलांटा  | युनायटेड स्टेट्स |
+| ऑकलंड    | न्यूझीलंड      |
+
+पण पुढील टेबल तयार करण्यापूर्वी, आपल्याला प्रत्येक शहराचा संदर्भ कसा द्यायचा ते ठरवावे लागेल. आपल्याला ओळखण्यासाठी काहीतरी, आयडी किंवा (तांत्रिक डेटाबेस संज्ञेत) प्राथमिक कीची आवश्यकता आहे. प्राथमिक की म्हणजे टेबलमधील एका विशिष्ट रकान्याला ओळखण्यासाठी वापरलेले मूल्य. हे स्वतःच्या मूल्यावर आधारित असू शकते (उदाहरणार्थ, आपण शहराचे नाव वापरू शकतो), परंतु ते जवळजवळ नेहमीच एक संख्या किंवा इतर ओळखकर्ता असावा. आपण आयडी कधीही बदलू इच्छित नाही कारण त्यामुळे नातेसंबंध बिघडतील. बहुतेक प्रकरणांमध्ये प्राथमिक की किंवा आयडी ही स्वयंचलितपणे तयार केलेली संख्या असेल.
+
+> ✅ प्राथमिक कीला अनेकदा PK असे संक्षेपित केले जाते
+
+### शहर
+
+| city_id | शहर     | देश            |
+| ------- | -------- | ------------- |
+| 1       | टोकियो   | जपान          |
+| 2       | अटलांटा  | युनायटेड स्टेट्स |
+| 3       | ऑकलंड    | न्यूझीलंड      |
+
+> ✅ तुम्हाला लक्षात येईल की या धड्यात आपण "आयडी" आणि "प्राथमिक की" या संज्ञा परस्परविनिमयाने वापरतो. येथे दिलेल्या संकल्पना DataFrames वर लागू होतात, ज्याचा तुम्ही नंतर अभ्यास कराल. DataFrames "प्राथमिक की" ही संज्ञा वापरत नाहीत, परंतु तुम्हाला दिसेल की ते जवळजवळ त्याच प्रकारे वागतात.
+
+आपले शहरांचे टेबल तयार झाल्यावर, चला पावसाची माहिती साठवूया. शहराबद्दलची संपूर्ण माहिती डुप्लिकेट करण्याऐवजी, आपण आयडी वापरू शकतो. आपण तयार केलेल्या नवीन टेबलमध्ये *आयडी* स्तंभ देखील असावा याची खात्री करणे आवश्यक आहे, कारण सर्व टेबल्समध्ये आयडी किंवा प्राथमिक की असावी.
+
+### पाऊस
+
+| rainfall_id | city_id | वर्ष | प्रमाण |
+| ----------- | ------- | ---- | ------ |
+| 1           | 1       | 2018 | 1445   |
+| 2           | 1       | 2019 | 1874   |
+| 3           | 1       | 2020 | 1690   |
+| 4           | 2       | 2018 | 1779   |
+| 5           | 2       | 2019 | 1111   |
+| 6           | 2       | 2020 | 1683   |
+| 7           | 3       | 2018 | 1386   |
+| 8           | 3       | 2019 | 942    |
+| 9           | 3       | 2020 | 1176   |
+
+लक्षात घ्या की **city_id** स्तंभ नव्याने तयार केलेल्या **rainfall** टेबलमध्ये आहे. या स्तंभात **शहर** टेबलमधील आयडींचा संदर्भ असलेली मूल्ये आहेत. तांत्रिक रिलेशनल डेटाच्या भाषेत, याला **foreign key** म्हणतात; हे दुसऱ्या टेबलमधील प्राथमिक की आहे. तुम्ही याला फक्त संदर्भ किंवा पॉइंटर म्हणून विचार करू शकता. **city_id** 1 टोकियोचा संदर्भ देते.
+
+> [!NOTE] Foreign key ला अनेकदा FK असे संक्षेपित केले जाते
+
+## डेटा मिळवणे
+
+आपला डेटा दोन टेबल्समध्ये विभाजित केल्यावर, तुम्हाला कदाचित आश्चर्य वाटेल की आपण तो कसा मिळवतो. जर आपण MySQL, SQL Server किंवा Oracle सारखा रिलेशनल डेटाबेस वापरत असू, तर आपण Structured Query Language किंवा SQL नावाची भाषा वापरू शकतो. SQL (कधीकधी sequel असे उच्चारले जाते) ही रिलेशनल डेटाबेसमधील डेटा मिळवण्यासाठी आणि बदलण्यासाठी वापरली जाणारी मानक भाषा आहे.
+
+डेटा मिळवण्यासाठी तुम्ही `SELECT` कमांड वापरता. त्याच्या मूळ स्वरूपात, तुम्ही **select** करू इच्छित असलेले स्तंभ **from** टेबलमध्ये सूचीबद्ध करता. जर तुम्हाला फक्त शहरांची नावे प्रदर्शित करायची असतील, तर तुम्ही खालीलप्रमाणे वापरू शकता:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` म्हणजे तुम्ही स्तंभांची यादी करता, आणि `FROM` म्हणजे तुम्ही टेबलची यादी करता.
+
+> [NOTE] SQL सिंटॅक्स केस-इन्सेन्सिटिव्ह आहे, म्हणजे `select` आणि `SELECT` याचा अर्थ समान आहे. तथापि, तुम्ही वापरत असलेल्या डेटाबेसच्या प्रकारावर अवलंबून स्तंभ आणि टेबल्स केस सेंसिटिव्ह असू शकतात. परिणामी, प्रोग्रामिंगमध्ये सर्वकाही केस सेंसिटिव्ह असल्यासारखे वागवणे ही सर्वोत्तम पद्धत आहे. SQL क्वेरी लिहिताना कीवर्ड्स सर्व अपर-केस अक्षरांमध्ये लिहिण्याचा प्रघात आहे.
+
+वरील क्वेरी सर्व शहरांचे प्रदर्शन करेल. कल्पना करा की आपल्याला फक्त न्यूझीलंडमधील शहरांचे प्रदर्शन करायचे आहे. आपल्याला काहीतरी फिल्टर करण्याची गरज आहे. यासाठी SQL कीवर्ड `WHERE` आहे, म्हणजे "जिथे काहीतरी खरे आहे".
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## डेटा जोडणे
+
+आत्तापर्यंत आपण एका टेबलमधून डेटा मिळवला आहे. आता आपल्याला **शहर** आणि **पाऊस** या दोन्ही टेबल्समधील डेटा एकत्र आणायचा आहे. हे त्यांना *जोडून* केले जाते. तुम्ही मूलत: दोन टेबल्समध्ये सीम तयार कराल आणि प्रत्येक टेबलमधील एका स्तंभातील मूल्ये जुळवाल.
+
+आपल्या उदाहरणात, आपण **rainfall** मधील **city_id** स्तंभ **cities** मधील **city_id** स्तंभाशी जुळवू. यामुळे पावसाचे मूल्य त्याच्या संबंधित शहराशी जुळेल. आपण करणार असलेला जोड *inner* join म्हणतो, म्हणजे जर कोणत्याही रकान्यांचे दुसऱ्या टेबलमधील कोणत्याही गोष्टीशी जुळत नसेल, तर ते प्रदर्शित होणार नाही. आपल्या प्रकरणात प्रत्येक शहराला पाऊस आहे, त्यामुळे सर्व काही प्रदर्शित होईल.
+
+चला 2019 साठी सर्व शहरांचा पाऊस मिळवूया.
+
+आपण हे टप्प्याटप्प्याने करू. पहिला टप्पा म्हणजे **city_id** स्तंभाद्वारे डेटा जोडणे.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+आता आपण हवे असलेले दोन स्तंभ हायलाइट केले आहेत, आणि **city_id** द्वारे टेबल्स जोडायचे आहेत हे नमूद केले आहे. आता आपण `WHERE` स्टेटमेंट जोडून फक्त 2019 वर्ष फिल्टर करू शकतो.
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## सारांश
+
+रिलेशनल डेटाबेस ही माहिती अनेक टेबल्समध्ये विभागण्यावर केंद्रित असते, जी नंतर प्रदर्शन आणि विश्लेषणासाठी पुन्हा एकत्र आणली जाते. यामुळे गणना करण्यासाठी आणि अन्यथा डेटा हाताळण्यासाठी उच्च स्तराची लवचिकता मिळते. तुम्ही रिलेशनल डेटाबेसच्या मुख्य संकल्पना पाहिल्या आहेत आणि दोन टेबल्समधील जोड कसा करायचा हे शिकले आहे.
+
+## 🚀 आव्हान
+
+इंटरनेटवर अनेक रिलेशनल डेटाबेस उपलब्ध आहेत. तुम्ही वरील कौशल्यांचा वापर करून डेटा एक्सप्लोर करू शकता.
+
+## व्याख्यानानंतरचा क्विझ
+
+## [व्याख्यानानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+SQL आणि रिलेशनल डेटाबेस संकल्पनांचा अभ्यास सुरू ठेवण्यासाठी [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) वर अनेक संसाधने उपलब्ध आहेत.
+
+- [रिलेशनल डेटाच्या संकल्पना वर्णन करा](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Transact-SQL सह क्वेरी करणे सुरू करा](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL ही SQL ची आवृत्ती आहे)
+- [Microsoft Learn वरील SQL सामग्री](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## असाइनमेंट
+
+[असाइनमेंट शीर्षक](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/05-relational-databases/assignment.md b/translations/mr/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..714b5a7f
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-27T16:44:17+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "mr"
+}
+-->
+# विमानतळ डेटा प्रदर्शित करणे
+
+तुम्हाला [SQLite](https://sqlite.org/index.html) वर आधारित एक [डेटाबेस](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) प्रदान करण्यात आला आहे, ज्यामध्ये विमानतळांची माहिती आहे. त्याची स्कीमा खाली दर्शविली आहे. तुम्ही [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) मधील [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) चा वापर करून विविध शहरांच्या विमानतळांची माहिती प्रदर्शित कराल.
+
+## सूचना
+
+असाइनमेंट सुरू करण्यासाठी, तुम्हाला काही पायऱ्या पार पाडाव्या लागतील. तुम्हाला काही साधने स्थापित करावी लागतील आणि नमुना डेटाबेस डाउनलोड करावा लागेल.
+
+### तुमची प्रणाली सेटअप करा
+
+डेटाबेसशी संवाद साधण्यासाठी तुम्ही Visual Studio Code आणि SQLite extension चा वापर करू शकता.
+
+1. [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) वर जा आणि Visual Studio Code स्थापित करण्यासाठी दिलेल्या सूचनांचे पालन करा
+1. [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) स्थापित करा, जसे की मार्केटप्लेस पृष्ठावर दिले आहे
+
+### डेटाबेस डाउनलोड करा आणि उघडा
+
+पुढे, तुम्ही डेटाबेस डाउनलोड करून उघडाल.
+
+1. [GitHub वरून डेटाबेस फाइल](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) डाउनलोड करा आणि ती एका डिरेक्टरीमध्ये सेव्ह करा
+1. Visual Studio Code उघडा
+1. SQLite extension मध्ये डेटाबेस उघडण्यासाठी **Ctl-Shift-P** (किंवा Mac वर **Cmd-Shift-P**) निवडा आणि `SQLite: Open database` टाइप करा
+1. **Choose database from file** निवडा आणि तुम्ही पूर्वी डाउनलोड केलेली **airports.db** फाइल उघडा
+1. डेटाबेस उघडल्यानंतर (स्क्रीनवर कोणताही बदल दिसणार नाही), **Ctl-Shift-P** (किंवा Mac वर **Cmd-Shift-P**) निवडून आणि `SQLite: New query` टाइप करून एक नवीन क्वेरी विंडो तयार करा
+
+एकदा उघडल्यानंतर, नवीन क्वेरी विंडो डेटाबेसवर SQL स्टेटमेंट्स चालवण्यासाठी वापरली जाऊ शकते. डेटाबेसवर क्वेरी चालवण्यासाठी तुम्ही **Ctl-Shift-Q** (किंवा Mac वर **Cmd-Shift-Q**) कमांड वापरू शकता.
+
+> [!NOTE] SQLite extension बद्दल अधिक माहितीसाठी, तुम्ही [डॉक्युमेंटेशन](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) पाहू शकता
+
+## डेटाबेस स्कीमा
+
+डेटाबेसची स्कीमा म्हणजे त्याची टेबल डिझाइन आणि रचना. **airports** डेटाबेसमध्ये दोन टेबल्स आहेत, `cities`, ज्यामध्ये युनायटेड किंगडम आणि आयर्लंडमधील शहरांची यादी आहे, आणि `airports`, ज्यामध्ये सर्व विमानतळांची यादी आहे. काही शहरांमध्ये एकापेक्षा जास्त विमानतळ असू शकतात, म्हणून माहिती साठवण्यासाठी दोन टेबल्स तयार करण्यात आले आहेत. या सरावामध्ये तुम्ही विविध शहरांसाठी माहिती प्रदर्शित करण्यासाठी जोइन्सचा वापर कराल.
+
+| Cities           |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Airports                         |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## असाइनमेंट
+
+खालील माहिती परत करण्यासाठी क्वेरी तयार करा:
+
+1. `Cities` टेबलमधील सर्व शहरांची नावे
+1. `Cities` टेबलमधील आयर्लंडमधील सर्व शहरे
+1. त्यांच्या शहर आणि देशासह सर्व विमानतळांची नावे
+1. लंडन, युनायटेड किंगडममधील सर्व विमानतळ
+
+## मूल्यांकन निकष
+
+| उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक |
+| -------- | ----------- | --------------- |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/06-non-relational/README.md b/translations/mr/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..dbaf22d2
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-27T16:57:22+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सोबत काम करणे: नॉन-रिलेशनल डेटा
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|NoSQL डेटा सोबत काम करणे - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+डेटा केवळ रिलेशनल डेटाबेसपुरता मर्यादित नाही. या धड्यात नॉन-रिलेशनल डेटावर लक्ष केंद्रित केले जाईल आणि स्प्रेडशीट्स व NoSQL च्या मूलभूत गोष्टींचा अभ्यास केला जाईल.
+
+## स्प्रेडशीट्स
+
+स्प्रेडशीट्स डेटा साठवण्यासाठी आणि एक्सप्लोर करण्यासाठी लोकप्रिय पद्धत आहे कारण त्यासाठी सेटअप करणे आणि सुरुवात करणे सोपे असते. या धड्यात तुम्ही स्प्रेडशीटच्या मूलभूत घटकांबद्दल शिकाल, तसेच फॉर्म्युला आणि फंक्शन्सबद्दलही माहिती मिळेल. उदाहरणे Microsoft Excel वापरून दिली जातील, परंतु इतर स्प्रेडशीट सॉफ्टवेअरच्या तुलनेत बहुतेक भाग आणि टॉपिक्स समान नाव आणि पद्धती असतील.
+
+![Microsoft Excel वर्कबुकचे दोन वर्कशीट्स असलेले रिक्त दृश्य](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.mr.png)
+
+स्प्रेडशीट हा एक फाइल प्रकार आहे आणि तो संगणक, डिव्हाइस किंवा क्लाउड आधारित फाइल सिस्टममध्ये उपलब्ध असतो. सॉफ्टवेअर ब्राउझर आधारित असू शकते किंवा संगणकावर इन्स्टॉल करावे लागणारे अॅप्लिकेशन किंवा अॅप म्हणून डाउनलोड करावे लागते. Excel मध्ये या फाइल्सला **वर्कबुक्स** म्हणून परिभाषित केले जाते आणि उर्वरित धड्यात ही टर्मिनोलॉजी वापरली जाईल.
+
+वर्कबुकमध्ये एक किंवा अधिक **वर्कशीट्स** असतात, जिथे प्रत्येक वर्कशीट टॅबद्वारे लेबल केलेले असते. वर्कशीटमध्ये **सेल्स** नावाचे आयत असतात, ज्यामध्ये वास्तविक डेटा असतो. सेल म्हणजे रो आणि कॉलमचा इंटरसेक्शन, जिथे कॉलम्स अल्फाबेटिकल अक्षरे वापरून लेबल केले जातात आणि रोस न्यूमेरिकल लेबल असते. काही स्प्रेडशीट्समध्ये पहिल्या काही रोमध्ये हेडर्स असतात, जे सेलमधील डेटाचे वर्णन करतात.
+
+Excel वर्कबुकच्या या मूलभूत घटकांसह, आपण [Microsoft Templates](https://templates.office.com/) मधील इन्व्हेंटरीवर आधारित एक उदाहरण वापरून स्प्रेडशीटच्या काही अतिरिक्त भागांवर चर्चा करू.
+
+### इन्व्हेंटरी व्यवस्थापन
+
+"InventoryExample" नावाची स्प्रेडशीट फाइल इन्व्हेंटरीमधील आयटम्सचे स्वरूपित स्प्रेडशीट आहे ज्यामध्ये तीन वर्कशीट्स आहेत, जिथे टॅब्स "Inventory List", "Inventory Pick List" आणि "Bin Lookup" असे लेबल केलेले आहेत. Inventory List वर्कशीटमधील चौथ्या रोमध्ये हेडर आहे, जो हेडर कॉलममधील प्रत्येक सेलच्या मूल्याचे वर्णन करतो.
+
+![Microsoft Excel मधील इन्व्हेंटरी लिस्टमधील उदाहरण फॉर्म्युला हायलाइट केलेला](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.mr.png)
+
+काही वेळा सेलचे मूल्य इतर सेल्सच्या मूल्यांवर अवलंबून असते. Inventory List स्प्रेडशीट प्रत्येक आयटमच्या खर्चाचा मागोवा ठेवते, परंतु जर आपल्याला संपूर्ण इन्व्हेंटरीचे मूल्य जाणून घ्यायचे असेल तर काय करावे? [**फॉर्म्युला**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) सेल डेटा वर क्रिया करतो आणि या उदाहरणात इन्व्हेंटरीचा खर्च मोजण्यासाठी वापरला जातो. या स्प्रेडशीटमध्ये Inventory Value कॉलममध्ये फॉर्म्युला वापरून QTY हेडरखालील प्रमाण आणि COST हेडरखालील खर्च गुणाकार करून प्रत्येक आयटमचे मूल्य मोजले जाते. डबल क्लिक करून किंवा सेल हायलाइट करून फॉर्म्युला पाहता येतो. तुम्हाला लक्षात येईल की फॉर्म्युला "=" चिन्हाने सुरू होतो, त्यानंतर गणना किंवा ऑपरेशन असते.
+
+![Microsoft Excel मधील इन्व्हेंटरी लिस्टमधील उदाहरण फंक्शन हायलाइट केलेले](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.mr.png)
+
+आपण Inventory Value च्या सर्व मूल्यांना एकत्र करून त्याचे एकूण मूल्य मिळवण्यासाठी आणखी एक फॉर्म्युला वापरू शकतो. हे प्रत्येक सेल जोडून मोजले जाऊ शकते, परंतु ते एक कंटाळवाणे काम होऊ शकते. Excel मध्ये [**फंक्शन्स**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89) म्हणजे पूर्वनिर्धारित फॉर्म्युला असतो जो सेल्सच्या मूल्यांवर गणना करतो. फंक्शन्ससाठी arguments आवश्यक असतात, जे गणना करण्यासाठी लागणारे मूल्य असते. जर फंक्शन्ससाठी एकापेक्षा जास्त arguments आवश्यक असतील, तर त्यांना विशिष्ट क्रमाने सूचीबद्ध करणे आवश्यक आहे, अन्यथा फंक्शन योग्य मूल्य मोजू शकत नाही. या उदाहरणात SUM फंक्शन वापरले जाते आणि Inventory Value च्या मूल्यांना arguments म्हणून वापरून एकूण मूल्य तयार केले जाते, जे रो 3, कॉलम B (B3) मध्ये सूचीबद्ध आहे.
+
+## NoSQL
+
+NoSQL हा नॉन-रिलेशनल डेटा साठवण्याच्या विविध पद्धतींसाठी एक छत्री शब्द आहे आणि "non-SQL", "non-relational" किंवा "not only SQL" म्हणून समजला जाऊ शकतो. या प्रकारच्या डेटाबेस सिस्टम्स चार प्रकारांमध्ये वर्गीकृत केल्या जाऊ शकतात.
+
+![Key-value डेटा स्टोअरचे ग्राफिकल प्रतिनिधित्व, ज्यामध्ये 4 अद्वितीय संख्यात्मक की आहेत आणि त्या 4 विविध मूल्यांशी संबंधित आहेत](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.mr.png)
+> स्रोत: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[Key-value](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) डेटाबेस अद्वितीय कीज आणि त्यांच्याशी संबंधित मूल्यांच्या जोड्या तयार करतो. या जोड्या [hash table](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) वापरून साठवल्या जातात, ज्यामध्ये योग्य hashing function असते.
+
+![Graph डेटा स्टोअरचे ग्राफिकल प्रतिनिधित्व, ज्यामध्ये लोक, त्यांचे आवडी आणि स्थान यांच्यातील संबंध दाखवले आहेत](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.mr.png)
+> स्रोत: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[Graph](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) डेटाबेस डेटा मधील संबंधांचे वर्णन करतो आणि नोड्स व एजेसच्या संग्रहासारखे सादर केले जातात. नोड म्हणजे एखादी वस्तू, जी वास्तविक जगात अस्तित्वात असते, जसे की विद्यार्थी किंवा बँक स्टेटमेंट. एजेस दोन वस्तूंमधील संबंध दर्शवतात. प्रत्येक नोड आणि एजेसकडे अतिरिक्त माहिती देणारे गुणधर्म असतात.
+
+![Columnar डेटा स्टोअरचे ग्राफिकल प्रतिनिधित्व, ज्यामध्ये दोन कॉलम फॅमिली असलेला ग्राहक डेटाबेस आहे: Identity आणि Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.mr.png)
+
+[Columnar](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) डेटा स्टोर्स डेटा कॉलम्स आणि रोमध्ये आयोजित करतो, जसे रिलेशनल डेटा स्ट्रक्चरमध्ये असते, परंतु प्रत्येक कॉलम कॉलम फॅमिलीमध्ये विभागले जाते, जिथे एका कॉलममधील सर्व डेटा संबंधित असतो आणि एक युनिट म्हणून पुनर्प्राप्त व बदलले जाऊ शकते.
+
+### Azure Cosmos DB सह डॉक्युमेंट डेटा स्टोर्स
+
+[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) डेटा स्टोर्स key-value डेटा स्टोअरच्या संकल्पनेवर आधारित असतो आणि फील्ड्स व ऑब्जेक्ट्सच्या मालिकेने बनलेला असतो. या विभागात Cosmos DB एम्युलेटरसह डॉक्युमेंट डेटाबेस एक्सप्लोर केला जाईल.
+
+Cosmos DB डेटाबेस "Not Only SQL" च्या व्याख्येत बसतो, जिथे Cosmos DB चा डॉक्युमेंट डेटाबेस SQL वर आधारित असतो. SQL च्या [मागील धड्यात](../05-relational-databases/README.md) या भाषेच्या मूलभूत गोष्टींचा अभ्यास केला आहे, आणि आपण येथे डॉक्युमेंट डेटाबेसवर काही समान क्वेरी लागू करू शकतो. आपण Cosmos DB Emulator वापरणार आहोत, जो आपल्याला स्थानिक संगणकावर डॉक्युमेंट डेटाबेस तयार करण्याची आणि एक्सप्लोर करण्याची परवानगी देतो. Emulator बद्दल अधिक वाचा [येथे](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21).
+
+डॉक्युमेंट म्हणजे फील्ड्स आणि ऑब्जेक्ट्सच्या मूल्यांचा संग्रह, जिथे फील्ड्स ऑब्जेक्ट्सच्या मूल्यांचे प्रतिनिधित्व करतात. खाली डॉक्युमेंटचे एक उदाहरण दिले आहे.
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+या डॉक्युमेंटमधील महत्त्वाचे फील्ड्स आहेत: `firstname`, `id`, आणि `age`. उर्वरित फील्ड्स underscores सह Cosmos DB ने तयार केले आहेत.
+
+#### Cosmos DB Emulator सह डेटा एक्सप्लोर करणे
+
+आपण Emulator [Windows साठी येथे](https://aka.ms/cosmosdb-emulator) डाउनलोड आणि इंस्टॉल करू शकता. macOS आणि Linux साठी Emulator कसे चालवायचे यासाठी [या दस्तऐवजाचा](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) संदर्भ घ्या.
+
+Emulator एक ब्राउझर विंडो लॉन्च करतो, जिथे Explorer दृश्य आपल्याला डॉक्युमेंट्स एक्सप्लोर करण्याची परवानगी देते.
+
+![Cosmos DB Emulator चा Explorer दृश्य](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.mr.png)
+
+जर तुम्ही फॉलो करत असाल, तर "Start with Sample" वर क्लिक करा, ज्यामुळे SampleDB नावाचा एक नमुना डेटाबेस तयार होईल. SampleDB विस्तारण्यासाठी त्याच्या बाणावर क्लिक करा, तुम्हाला `Persons` नावाचा कंटेनर सापडेल. कंटेनर म्हणजे आयटम्सचा संग्रह असतो, जे कंटेनरमधील डॉक्युमेंट्स असतात. तुम्ही `Items` अंतर्गत चार वैयक्तिक डॉक्युमेंट्स एक्सप्लोर करू शकता.
+
+![Cosmos DB Emulator मध्ये नमुना डेटाचा अभ्यास](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.mr.png)
+
+#### Cosmos DB Emulator सह डॉक्युमेंट डेटा क्वेरी करणे
+
+आपण नवीन SQL Query बटणावर क्लिक करून नमुना डेटावर क्वेरी करू शकतो (डावीकडून दुसरे बटण).
+
+`SELECT * FROM c` कंटेनरमधील सर्व डॉक्युमेंट्स परत करते. चला एक where clause जोडू आणि 40 पेक्षा कमी वय असलेल्या व्यक्ती शोधू.
+
+`SELECT * FROM c where c.age < 40`
+
+![Cosmos DB Emulator मध्ये नमुना डेटावर SELECT क्वेरी चालवणे, ज्यामुळे वय फील्डचे मूल्य 40 पेक्षा कमी असलेले डॉक्युमेंट्स परत मिळतात](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.mr.png)
+
+क्वेरी दोन डॉक्युमेंट्स परत करते, लक्षात घ्या की प्रत्येक डॉक्युमेंटसाठी वयाचे मूल्य 40 पेक्षा कमी आहे.
+
+#### JSON आणि डॉक्युमेंट्स
+
+जर तुम्ही JavaScript Object Notation (JSON) शी परिचित असाल, तर तुम्हाला डॉक्युमेंट्स JSON सारखे दिसतील. या डिरेक्टरीमध्ये `PersonsData.json` नावाची फाइल आहे ज्यामध्ये अधिक डेटा आहे, जो तुम्ही Emulator मधील Persons कंटेनरमध्ये `Upload Item` बटणाद्वारे अपलोड करू शकता.
+
+बहुतेक वेळा, JSON डेटा परत करणारे APIs थेट ट्रान्सफर करून डॉक्युमेंट डेटाबेसमध्ये साठवले जाऊ शकतात. खाली आणखी एक डॉक्युमेंट आहे, ज्यामध्ये Microsoft Twitter अकाउंटमधील ट्वीट्स Twitter API वापरून मिळवले गेले आणि नंतर Cosmos DB मध्ये टाकले गेले.
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+या डॉक्युमेंटमधील महत्त्वाचे फील्ड्स आहेत: `created_at`, `id`, आणि `text`.
+
+## 🚀 आव्हान
+
+`TwitterData.json` नावाची फाइल आहे जी तुम्ही SampleDB डेटाबेसमध्ये अपलोड करू शकता. हे वेगळ्या कंटेनरमध्ये जोडणे शिफारसीय आहे. हे खालीलप्रमाणे करता येईल:
+
+1. वरच्या उजव्या बाजूला नवीन कंटेनर बटणावर क्लिक करा
+1. विद्यमान डेटाबेस (SampleDB) निवडा आणि कंटेनरसाठी कंटेनर आयडी तयार करा
+1. पार्टिशन की `/id` सेट करा
+1. OK वर क्लिक करा (तुम्ही या दृश्यातील उर्वरित माहिती दुर्लक्षित करू शकता कारण हा एक छोटा डेटासेट आहे जो तुमच्या संगणकावर स्थानिक पातळीवर चालतो)
+1. तुमचा नवीन कंटेनर उघडा आणि `Upload Item` बटणाद्वारे Twitter Data फाइल अपलोड करा
+
+`text` फील्डमध्ये Microsoft असलेले डॉक्युमेंट्स शोधण्यासाठी काही SELECT क्वेरी चालवण्याचा प्रयत्न करा. सूचना: [LIKE keyword](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character) वापरण्याचा प्रयत्न करा.
+
+## [व्याख्यानानंतरची प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+- या स्प्रेडशीटमध्ये काही अतिरिक्त स्वरूपन आणि वैशिष्ट्ये आहेत ज्यांचा या धड्यात समावेश नाही. Excel बद्दल अधिक जाणून घेण्यासाठी Microsoft कडे [दस्तऐवज आणि व्हिडिओंची मोठी लायब्ररी](https://support.microsoft.com/excel) आहे.
+
+- नॉन-रिलेशनल डेटाच्या विविध प्रकारांमध्ये वैशिष्ट्ये तपशीलवार सांगणारे हे आर्किटेक्चरल दस्तऐवज: [Non-relational Data and NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- Cosmos DB हा क्लाउड आधारित नॉन-रिलेशनल डेटाबेस आहे जो या धड्यात नमूद केलेल्या विविध NoSQL प्रकारांना साठवू शकतो. या प्रकारांबद्दल अधिक जाणून घ्या [Cosmos DB Microsoft Learn Module](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/) मध्ये.
+
+## असाइनमेंट
+
+[Soda Profits](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/06-non-relational/assignment.md b/translations/mr/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..fcd79ec0
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-27T17:00:24+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "mr"
+}
+-->
+# सोडा नफा
+
+## सूचना
+
+[Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) मध्ये काही गणना गायब आहेत. तुमचे काम म्हणजे:
+
+1. FY '15, '16, '17, आणि '18 च्या एकूण नफ्याची गणना करा
+   - एकूण नफा = निव्वळ ऑपरेटिंग महसूल - विक्रीसाठी लागणारा खर्च
+1. सर्व एकूण नफ्यांचा सरासरी काढा. हे एका फंक्शनसह करण्याचा प्रयत्न करा.
+   - सरासरी = एकूण नफ्यांची बेरीज विभागले आर्थिक वर्षांच्या संख्येने (10)
+   - [AVERAGE function](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) वर दस्तऐवज
+1. हे एक Excel फाइल आहे, परंतु ते कोणत्याही स्प्रेडशीट प्लॅटफॉर्मवर संपादित करण्यायोग्य असावे
+
+[डेटा स्रोत श्रेय Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/07-python/README.md b/translations/mr/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..3d166bc8
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-27T16:50:11+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सोबत काम करणे: Python आणि Pandas लायब्ररी
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 Python सोबत काम करणे - _Sketchnote by [@nitya](https://twitter.com/nitya)_                 |
+
+[![Intro Video](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.mr.png)](https://youtu.be/dZjWOGbsN4Y)
+
+डेटाबेस डेटा साठवण्यासाठी आणि क्वेरी भाषांचा वापर करून त्यावर क्वेरी करण्यासाठी अत्यंत कार्यक्षम पद्धती प्रदान करतात, परंतु डेटा प्रक्रिया करण्याचा सर्वात लवचिक मार्ग म्हणजे स्वतःचा प्रोग्राम लिहून डेटा हाताळणे. अनेक वेळा, डेटाबेस क्वेरी करणे अधिक प्रभावी ठरते. परंतु काही वेळा जेव्हा अधिक जटिल डेटा प्रक्रिया आवश्यक असते, तेव्हा ती SQL वापरून सहज करता येत नाही. 
+डेटा प्रक्रिया कोणत्याही प्रोग्रामिंग भाषेत प्रोग्राम केली जाऊ शकते, परंतु काही भाषा डेटा सोबत काम करण्यासाठी उच्च-स्तरीय मानल्या जातात. डेटा सायंटिस्ट्स सामान्यतः खालील भाषांपैकी एक निवडतात:
+
+* **[Python](https://www.python.org/)**, एक सर्वसामान्य प्रोग्रामिंग भाषा, जी तिच्या साधेपणामुळे सुरुवातीसाठी सर्वोत्तम पर्याय मानली जाते. Python मध्ये अनेक अतिरिक्त लायब्ररी आहेत ज्या तुम्हाला अनेक व्यावहारिक समस्या सोडवण्यास मदत करू शकतात, जसे की ZIP आर्काइव्हमधून डेटा काढणे किंवा चित्र ग्रेस्केलमध्ये रूपांतरित करणे. डेटा सायन्स व्यतिरिक्त, Python वेब डेव्हलपमेंटसाठी देखील मोठ्या प्रमाणावर वापरली जाते. 
+* **[R](https://www.r-project.org/)** ही सांख्यिकीय डेटा प्रक्रियेसाठी विकसित केलेली पारंपरिक टूलबॉक्स आहे. यात मोठ्या प्रमाणावर लायब्ररींचे संग्रह (CRAN) आहे, ज्यामुळे ती डेटा प्रक्रियेसाठी चांगला पर्याय ठरते. मात्र, R ही सर्वसामान्य प्रोग्रामिंग भाषा नाही आणि ती डेटा सायन्सच्या क्षेत्राबाहेर क्वचितच वापरली जाते.
+* **[Julia](https://julialang.org/)** ही आणखी एक भाषा आहे जी विशेषतः डेटा सायन्ससाठी विकसित केली गेली आहे. Python पेक्षा चांगली कार्यक्षमता देण्यासाठी ती डिझाइन केली गेली आहे, ज्यामुळे ती वैज्ञानिक प्रयोगांसाठी एक उत्कृष्ट साधन बनते.
+
+या धड्यात, आपण साध्या डेटा प्रक्रियेसाठी Python वापरण्यावर लक्ष केंद्रित करू. आम्ही भाषेची प्राथमिक ओळख असल्याचे गृहीत धरतो. जर तुम्हाला Python चा सखोल अभ्यास करायचा असेल, तर तुम्ही खालील संसाधनांचा संदर्भ घेऊ शकता:
+
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - Python प्रोग्रामिंगसाठी GitHub-आधारित जलद परिचय कोर्स
+* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) वरील लर्निंग पाथ
+
+डेटा अनेक स्वरूपात येऊ शकतो. या धड्यात, आपण तीन प्रकारच्या डेटाचा विचार करू - **सारणीबद्ध डेटा**, **मजकूर** आणि **प्रतिमा**.
+
+आपण संबंधित सर्व लायब्ररींचा संपूर्ण आढावा देण्याऐवजी डेटा प्रक्रियेच्या काही उदाहरणांवर लक्ष केंद्रित करू. यामुळे तुम्हाला काय शक्य आहे याची मुख्य कल्पना मिळेल आणि जेव्हा गरज असेल तेव्हा तुमच्या समस्यांचे निराकरण कुठे शोधायचे याचे समज मिळेल.
+
+> **सर्वात उपयुक्त सल्ला**. जेव्हा तुम्हाला डेटावर विशिष्ट ऑपरेशन करायचे असेल आणि ते कसे करायचे हे माहित नसेल, तेव्हा इंटरनेटवर शोधण्याचा प्रयत्न करा. [Stackoverflow](https://stackoverflow.com/) वर अनेक सामान्य कार्यांसाठी Python मधील उपयुक्त कोड नमुने असतात.
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## सारणीबद्ध डेटा आणि डेटा फ्रेम्स
+
+तुम्ही आधीच सारणीबद्ध डेटाशी परिचित आहात जेव्हा आपण रिलेशनल डेटाबेसबद्दल बोललो होतो. जेव्हा तुमच्याकडे खूप डेटा असतो आणि तो अनेक वेगवेगळ्या लिंक केलेल्या टेबल्समध्ये असतो, तेव्हा त्यावर काम करण्यासाठी SQL वापरणे नक्कीच योग्य ठरते. परंतु अनेक वेळा असे होते की आपल्याकडे डेटा टेबल स्वरूपात असतो आणि आपल्याला या डेटाबद्दल काही **समज** किंवा **अंतर्दृष्टी** मिळवायची असते, जसे की वितरण, मूल्यांमधील परस्परसंबंध इत्यादी. डेटा सायन्समध्ये, अनेक वेळा आपल्याला मूळ डेटाचे काही रूपांतरण करावे लागते, त्यानंतर व्हिज्युअलायझेशन करावे लागते. हे दोन्ही टप्पे Python वापरून सहज करता येतात.
+
+Python मध्ये सारणीबद्ध डेटा हाताळण्यासाठी दोन सर्वात उपयुक्त लायब्ररी आहेत:
+* **[Pandas](https://pandas.pydata.org/)** तुम्हाला **Dataframes** हाताळण्याची परवानगी देते, जी रिलेशनल टेबल्ससारखीच असतात. तुम्ही नाव दिलेल्या कॉलम्स असू शकता आणि रो, कॉलम्स आणि डेटा फ्रेम्सवर विविध ऑपरेशन्स करू शकता.
+* **[Numpy](https://numpy.org/)** ही **tensors**, म्हणजेच बहु-आयामी **arrays** सोबत काम करण्यासाठी लायब्ररी आहे. Array मध्ये समान प्रकाराच्या मूल्यांचा समावेश असतो, आणि तो डेटा फ्रेमपेक्षा सोपा असतो, परंतु तो अधिक गणितीय ऑपरेशन्स प्रदान करतो आणि कमी ओव्हरहेड निर्माण करतो.
+
+तुम्हाला खालील इतर काही लायब्ररींबद्दल देखील माहिती असणे आवश्यक आहे:
+* **[Matplotlib](https://matplotlib.org/)** ही डेटा व्हिज्युअलायझेशन आणि ग्राफ्स प्लॉट करण्यासाठी वापरली जाणारी लायब्ररी आहे
+* **[SciPy](https://www.scipy.org/)** ही काही अतिरिक्त वैज्ञानिक फंक्शन्ससाठी लायब्ररी आहे. आपण आधीच संभाव्यता आणि सांख्यिकीबद्दल बोलताना या लायब्ररीचा उल्लेख केला आहे.
+
+खालील कोडचा तुकडा तुम्ही तुमच्या Python प्रोग्रामच्या सुरुवातीला या लायब्ररी आयात करण्यासाठी वापरू शकता:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+Pandas काही मूलभूत संकल्पनांवर केंद्रित आहे.
+
+### Series 
+
+**Series** ही मूल्यांची एक अनुक्रम आहे, जी सूची किंवा numpy array सारखीच आहे. मुख्य फरक असा आहे की series मध्ये **index** देखील असतो, आणि जेव्हा आपण series वर ऑपरेशन करतो (उदा., त्यांना जोडतो), तेव्हा index विचारात घेतला जातो. Index साधा पूर्णांक रो क्रमांक असू शकतो (जेव्हा सूची किंवा array पासून series तयार केली जाते तेव्हा तो डीफॉल्ट index असतो), किंवा त्यात जटिल रचना असू शकते, जसे की तारीख अंतर.
+
+> **Note**: Pandas चा काही परिचयात्मक कोड सोबतच्या नोटबुकमध्ये [`notebook.ipynb`](notebook.ipynb) मध्ये आहे. येथे आपण काही उदाहरणे रेखाटतो, आणि तुम्ही पूर्ण नोटबुक तपासण्यासाठी नक्कीच स्वागत आहे.
+
+उदाहरण विचार करा: आपण आपल्या आईस्क्रीम विक्रीचे विश्लेषण करू इच्छितो. काही कालावधीसाठी विक्रीच्या संख्यांची (प्रत्येक दिवशी विकल्या गेलेल्या वस्तूंची संख्या) series तयार करूया:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+print(f"Length of index is {len(idx)}")
+items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
+items_sold.plot()
+```
+![Time Series Plot](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.mr.png)
+
+आता समजा प्रत्येक आठवड्यात आपण मित्रांसाठी पार्टी आयोजित करतो आणि पार्टीसाठी 10 अतिरिक्त आईस्क्रीम पॅक्स घेतो. आपण हे दाखवण्यासाठी आठवड्याच्या index ने आणखी एक series तयार करू शकतो:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+जेव्हा आपण दोन series एकत्र जोडतो, तेव्हा आपल्याला एकूण संख्या मिळते:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![Time Series Plot](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.mr.png)
+
+> **Note** की आपण साधा `total_items+additional_items` सिंटॅक्स वापरत नाही. जर आपण तसे केले असते, तर आपल्याला resulting series मध्ये अनेक `NaN` (*Not a Number*) मूल्ये मिळाली असती. याचे कारण असे की `additional_items` series मध्ये काही index पॉइंटसाठी मूल्ये गहाळ आहेत, आणि `NaN` कशालाही जोडल्यास `NaN` मिळते. म्हणूनच, जोडणी दरम्यान `fill_value` पॅरामीटर निर्दिष्ट करणे आवश्यक आहे.
+
+Time series सह, आपण वेगवेगळ्या वेळ अंतरांसह series **resample** देखील करू शकतो. उदाहरणार्थ, समजा आपल्याला मासिक सरासरी विक्री खंडाची गणना करायची आहे. आपण खालील कोड वापरू शकतो:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![Monthly Time Series Averages](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.mr.png)
+
+### DataFrame
+
+DataFrame मूलत: समान index असलेल्या series चा संग्रह आहे. आपण अनेक series एकत्र करून DataFrame तयार करू शकतो:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+यामुळे खालीलप्रमाणे आडव्या स्वरूपातील टेबल तयार होईल:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+आपण series कॉलम्स म्हणून वापरू शकतो आणि डिक्शनरी वापरून कॉलम नावे निर्दिष्ट करू शकतो:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+यामुळे खालीलप्रमाणे टेबल तयार होईल:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**Note** की आपण `.T` वापरून मागील टेबल transpose करून देखील हे टेबल लेआउट मिळवू शकतो, उदा. 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+येथे `.T` म्हणजे DataFrame चे transpose ऑपरेशन, म्हणजेच रो आणि कॉलम बदलणे, आणि `rename` ऑपरेशन आपल्याला कॉलम्सचे नावे मागील उदाहरणाशी जुळण्यासाठी बदलण्याची परवानगी देते.
+
+DataFrames वर आपण काही महत्त्वाच्या ऑपरेशन्स करू शकतो:
+
+**कॉलम निवडणे**. आपण `df['A']` लिहून वैयक्तिक कॉलम्स निवडू शकतो - ही ऑपरेशन Series परत करते. आपण `df[['B','A']]` लिहून दुसऱ्या DataFrame मध्ये कॉलम्सचा उपसंच निवडू शकतो - हे दुसरे DataFrame परत करते.
+
+**फिल्टरिंग** विशिष्ट निकषांनुसार फक्त काही रांगा. उदाहरणार्थ, कॉलम `A` 5 पेक्षा जास्त असलेल्या रांगा ठेवण्यासाठी आपण `df[df['A']>5]` लिहू शकतो.
+
+> **Note**: फिल्टरिंग कसे कार्य करते ते असे आहे. `df['A']<5` अभिव्यक्ती एक बूलियन series परत करते, जी मूळ series `df['A']` च्या प्रत्येक घटकासाठी अभिव्यक्ती `True` किंवा `False` आहे की नाही हे दर्शवते. जेव्हा बूलियन series index म्हणून वापरली जाते, तेव्हा ती DataFrame मधील रांगांचा उपसंच परत करते. त्यामुळे यादृच्छिक Python बूलियन अभिव्यक्ती वापरणे शक्य नाही, उदाहरणार्थ, `df[df['A']>5 and df['A']<7]` लिहिणे चुकीचे ठरेल. त्याऐवजी, तुम्ही बूलियन series वर विशेष `&` ऑपरेशन वापरावे, उदा. `df[(df['A']>5) & (df['A']<7)]` (*येथे कंस महत्त्वाचे आहेत*).
+
+**नवीन गणनायोग्य कॉलम तयार करणे**. आपण सहजपणे खालीलप्रमाणे अंतर्ज्ञानी अभिव्यक्ती वापरून DataFrame साठी नवीन गणनायोग्य कॉलम तयार करू शकतो:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+हे उदाहरण A च्या mean मूल्यापासून त्याचे विचलन मोजते. येथे प्रत्यक्षात काय घडते ते म्हणजे आपण series ची गणना करतो आणि नंतर या series ला डाव्या बाजूला असाइन करतो, नवीन कॉलम तयार करतो. त्यामुळे, आपण series सोबत सुसंगत नसलेल्या कोणत्याही ऑपरेशन्सचा वापर करू शकत नाही, उदाहरणार्थ, खालील कोड चुकीचा आहे:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+शेवटचे उदाहरण, व्याकरणदृष्ट्या योग्य असले तरी, आपल्याला चुकीचा परिणाम देते, कारण ते series `B` च्या लांबीला कॉलममधील सर्व मूल्यांना असाइन करते, आणि आपण इच्छित असलेल्या वैयक्तिक घटकांच्या लांबीला नाही.
+
+जर आपल्याला अशा जटिल अभिव्यक्तींची गणना करायची असेल, तर आपण `apply` फंक्शन वापरू शकतो. शेवटचे उदाहरण खालीलप्रमाणे लिहिले जाऊ शकते:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+वरील ऑपरेशन्सनंतर, आपल्याला खालील DataFrame मिळेल:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**संख्यांवर आधारित रांगा निवडणे** `iloc` संरचनेचा वापर करून केले जाऊ शकते. उदाहरणार्थ, DataFrame मधील पहिल्या 5 रांगा निवडण्यासाठी:
+```python
+df.iloc[:5]
+```
+
+**Grouping** अनेकदा Excel मधील *pivot tables* सारखा परिणाम मिळवण्यासाठी वापरले जाते. समजा आपल्याला `LenB` च्या प्रत्येक दिलेल्या संख्येसाठी कॉलम `A` चे mean मूल्य मोजायचे आहे. मग आपण `LenB` द्वारे आपला DataFrame गटबद्ध करू शकतो आणि `mean` कॉल करू शकतो:
+```python
+df.groupby(by='LenB').mean()
+```
+जर आपल्याला mean आणि गटातील घटकांची संख्या मोजायची असेल, तर आपण अधिक जटिल `aggregate` फंक्शन वापरू शकतो:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+यामुळे आपल्याला खालीलप्रमाणे टेबल मिळेल:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### डेटा मिळवणे
+आम्ही पाहिले आहे की, Python ऑब्जेक्ट्समधून Series आणि DataFrames तयार करणे किती सोपे आहे. मात्र, डेटा सहसा टेक्स्ट फाइल किंवा Excel टेबलच्या स्वरूपात येतो. सुदैवाने, Pandas आपल्याला डिस्कवरून डेटा लोड करण्याचा सोपा मार्ग प्रदान करते. उदाहरणार्थ, CSV फाइल वाचणे इतके सोपे आहे:
+```python
+df = pd.read_csv('file.csv')
+```
+आम्ही डेटा लोड करण्याचे अधिक उदाहरणे पाहू, ज्यामध्ये बाह्य वेबसाइट्सवरून डेटा मिळवणे याचाही समावेश आहे, "Challenge" विभागात.
+
+### डेटा प्रिंट करणे आणि प्लॉट करणे
+
+डेटा सायंटिस्टला अनेकदा डेटाचा शोध घ्यावा लागतो, त्यामुळे डेटा व्हिज्युअलाइझ करणे महत्त्वाचे ठरते. जेव्हा DataFrame मोठा असतो, तेव्हा अनेकदा आपण फक्त पहिल्या काही रकाने प्रिंट करून सर्वकाही योग्यरित्या होत आहे याची खात्री करतो. हे `df.head()` कॉल करून करता येते. जर तुम्ही Jupyter Notebook वरून हे चालवत असाल, तर DataFrame एक छान टेबल स्वरूपात प्रिंट होईल.
+
+आम्ही `plot` फंक्शनचा वापर करून काही कॉलम्स व्हिज्युअलाइझ करण्याचा उपयोगही पाहिला आहे. `plot` अनेक कामांसाठी उपयुक्त आहे आणि `kind=` पॅरामीटरद्वारे विविध प्रकारचे ग्राफ्स सपोर्ट करते. मात्र, तुम्ही नेहमीच अधिक जटिल गोष्टी प्लॉट करण्यासाठी raw `matplotlib` लायब्ररी वापरू शकता. डेटा व्हिज्युअलायझेशनचा सविस्तर अभ्यास आम्ही स्वतंत्र कोर्स लेसनमध्ये करू.
+
+ही ओळख Pandas च्या महत्त्वाच्या संकल्पनांचा समावेश करते, मात्र, ही लायब्ररी खूप समृद्ध आहे आणि तुम्ही याचा वापर करून काय करू शकता याला मर्यादा नाही! चला आता या ज्ञानाचा उपयोग विशिष्ट समस्येचे निराकरण करण्यासाठी करूया.
+
+## 🚀 Challenge 1: COVID प्रसाराचे विश्लेषण
+
+आपण लक्ष केंद्रित करणार असलेली पहिली समस्या म्हणजे COVID-19 च्या साथीचा प्रसार मॉडेल करणे. यासाठी, आम्ही विविध देशांतील संक्रमित व्यक्तींच्या संख्येवरील डेटा वापरणार आहोत, जो [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) ने [Johns Hopkins University](https://jhu.edu/) येथे प्रदान केला आहे. हा डेटासेट [या GitHub Repository](https://github.com/CSSEGISandData/COVID-19) मध्ये उपलब्ध आहे.
+
+आम्ही डेटा कसा हाताळायचा हे दाखवण्यासाठी, तुम्हाला [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) उघडण्याचे आणि वरपासून खालपर्यंत वाचण्याचे आमंत्रण देतो. तुम्ही सेल्स चालवू शकता आणि शेवटी आम्ही तुमच्यासाठी ठेवलेल्या काही आव्हानांवर काम करू शकता.
+
+![COVID Spread](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.mr.png)
+
+> जर तुम्हाला Jupyter Notebook मध्ये कोड कसा चालवायचा हे माहित नसेल, तर [हा लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) वाचा.
+
+## असंरचित डेटासोबत काम करणे
+
+डेटा अनेकदा टेबल स्वरूपात येतो, परंतु काही प्रकरणांमध्ये आपल्याला कमी संरचित डेटासोबत काम करावे लागते, जसे की टेक्स्ट किंवा प्रतिमा. अशा परिस्थितीत, वरील डेटा प्रक्रिया तंत्र लागू करण्यासाठी, आपल्याला काहीतरी **संरचित डेटा काढणे** आवश्यक असते. येथे काही उदाहरणे आहेत:
+
+* टेक्स्टमधून कीवर्ड्स काढणे आणि ते कीवर्ड किती वेळा दिसतात हे पाहणे
+* प्रतिमेतील वस्तूंबद्दल माहिती काढण्यासाठी न्यूरल नेटवर्क्सचा वापर करणे
+* व्हिडिओ कॅमेरा फीडवर लोकांच्या भावना जाणून घेणे
+
+## 🚀 Challenge 2: COVID पेपर्सचे विश्लेषण
+
+या आव्हानात, आपण COVID महामारीच्या विषयावर पुढे जाऊ आणि या विषयावरील वैज्ञानिक पेपर्स प्रक्रिया करण्यावर लक्ष केंद्रित करू. [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) मध्ये 7000 हून अधिक (लेखनाच्या वेळी) COVID संबंधित पेपर्स उपलब्ध आहेत, ज्यामध्ये मेटाडेटा आणि सारांश (आणि त्यापैकी सुमारे निम्म्यांसाठी पूर्ण मजकूर) समाविष्ट आहे.
+
+[Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) कॉग्निटिव्ह सर्व्हिस वापरून या डेटासेटचे विश्लेषण करण्याचे संपूर्ण उदाहरण [या ब्लॉग पोस्टमध्ये](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) वर्णन केले आहे. आम्ही या विश्लेषणाचा सरलीकृत आवृत्ती चर्चा करू.
+
+> **NOTE**: आम्ही या रिपॉझिटरीचा भाग म्हणून डेटासेटची प्रत प्रदान करत नाही. तुम्हाला प्रथम [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) फाइल [या Kaggle डेटासेटवरून](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) डाउनलोड करावी लागेल. Kaggle वर नोंदणी आवश्यक असू शकते. तुम्ही नोंदणीशिवाय [येथून](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html) डेटासेट डाउनलोड करू शकता, परंतु त्यात मेटाडेटा फाइल व्यतिरिक्त सर्व पूर्ण मजकूर समाविष्ट असेल.
+
+[`notebook-papers.ipynb`](notebook-papers.ipynb) उघडा आणि वरपासून खालपर्यंत वाचा. तुम्ही सेल्स चालवू शकता आणि शेवटी आम्ही तुमच्यासाठी ठेवलेल्या काही आव्हानांवर काम करू शकता.
+
+![Covid Medical Treatment](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.mr.png)
+
+## प्रतिमा डेटाचे प्रक्रिया करणे
+
+अलीकडे, खूप शक्तिशाली AI मॉडेल्स विकसित केली गेली आहेत जी प्रतिमा समजून घेण्यास सक्षम आहेत. पूर्व-प्रशिक्षित न्यूरल नेटवर्क्स किंवा क्लाउड सेवांचा वापर करून अनेक कार्ये सोडवता येतात. काही उदाहरणे:
+
+* **प्रतिमा वर्गीकरण**, जे तुम्हाला प्रतिमेला पूर्व-परिभाषित वर्गांपैकी एका वर्गात वर्गीकृत करण्यात मदत करू शकते. तुम्ही [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) सारख्या सेवांचा वापर करून स्वतःचे प्रतिमा वर्गीकरणकर्ता सहजपणे तयार करू शकता.
+* **ऑब्जेक्ट डिटेक्शन**, जे प्रतिमेमध्ये वेगवेगळ्या वस्तू शोधू शकते. [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) सारख्या सेवांचा वापर करून सामान्य वस्तू शोधता येतात, आणि [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) मॉडेल वापरून विशिष्ट वस्तू शोधता येतात.
+* **चेहरा ओळख**, ज्यामध्ये वय, लिंग आणि भावना ओळखणे समाविष्ट आहे. हे [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) च्या मदतीने करता येते.
+
+या सर्व क्लाउड सेवांना [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) चा वापर करून कॉल करता येते, आणि त्यामुळे त्या तुमच्या डेटा एक्सप्लोरेशन वर्कफ्लोमध्ये सहजपणे समाविष्ट करता येतात.
+
+### काही उदाहरणे:
+* [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) या ब्लॉग पोस्टमध्ये, आम्ही Instagram फोटो एक्सप्लोर करतो, आणि कोणत्या गोष्टींमुळे लोक फोटोला जास्त लाईक्स देतात हे समजून घेण्याचा प्रयत्न करतो. आम्ही प्रथम [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) चा वापर करून फोटोमधून शक्य तितकी माहिती काढतो, आणि नंतर [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) चा वापर करून एक मॉडेल तयार करतो.
+* [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) मध्ये, आम्ही [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) चा वापर करून इव्हेंटमधील लोकांच्या फोटोमधून भावना काढतो, आणि लोकांना आनंदी करणाऱ्या गोष्टी समजून घेण्याचा प्रयत्न करतो.
+
+## निष्कर्ष
+
+तुमच्याकडे संरचित किंवा असंरचित डेटा असो, Python चा वापर करून तुम्ही डेटा प्रक्रिया आणि समजून घेण्याशी संबंधित सर्व पायऱ्या पार करू शकता. डेटा प्रक्रिया करण्याचा हा कदाचित सर्वात लवचिक मार्ग आहे, आणि यामुळेच बहुतेक डेटा सायंटिस्ट Python ला त्यांचे प्राथमिक साधन म्हणून वापरतात. जर तुम्ही तुमच्या डेटा सायन्स प्रवासाबद्दल गंभीर असाल, तर Python सखोल शिकणे ही चांगली कल्पना आहे!
+
+## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+**पुस्तके**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**ऑनलाइन संसाधने**
+* अधिकृत [10 minutes to Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) ट्युटोरियल
+* [Pandas Visualization](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) वरचे दस्तऐवज
+
+**Python शिकणे**
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse)
+* [Take your First Steps with Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) वरील लर्निंग पथ
+
+## असाइनमेंट
+
+[वरील आव्हानांसाठी अधिक सविस्तर डेटा अभ्यास करा](assignment.md)
+
+## क्रेडिट्स
+
+हे लेसन [Dmitry Soshnikov](http://soshnikov.com) यांनी ♥️ सह तयार केले आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/07-python/assignment.md b/translations/mr/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..8ababf7c
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-27T16:56:33+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "mr"
+}
+-->
+# डेटा प्रोसेसिंगसाठी Python मध्ये असाइनमेंट
+
+या असाइनमेंटमध्ये, आम्ही तुम्हाला आमच्या चॅलेंजेसमध्ये विकसित केलेल्या कोडवर अधिक सविस्तर माहिती देण्यास सांगणार आहोत. असाइनमेंट दोन भागांमध्ये विभागलेली आहे:
+
+## COVID-19 प्रसार मॉडेलिंग
+
+ - [ ] 5-6 वेगवेगळ्या देशांसाठी *R* ग्राफ्स एकाच प्लॉटवर तुलना करण्यासाठी किंवा बाजू-बाजूने अनेक प्लॉट्स वापरून तयार करा.
+ - [ ] मृत्यू आणि बरे होण्याचे प्रमाण संक्रमित प्रकरणांच्या संख्येशी कसे संबंधित आहे ते पाहा.
+ - [ ] संसर्ग दर आणि मृत्यू दर यांचे व्हिज्युअल संबंध जोडून आणि काही अपवाद शोधून, एक सामान्य आजार किती काळ टिकतो हे शोधा. हे शोधण्यासाठी तुम्हाला वेगवेगळ्या देशांकडे पाहावे लागेल.
+ - [ ] मृत्यू दराची गणना करा आणि तो वेळोवेळी कसा बदलतो ते पाहा. *तुम्हाला आजाराचा कालावधी (दिवसांमध्ये) विचारात घेऊन एक टाइम सिरीज शिफ्ट करण्याची आवश्यकता असू शकते.*
+
+## COVID-19 पेपर्स विश्लेषण
+
+- [ ] वेगवेगळ्या औषधांचा सह-अस्तित्व मॅट्रिक्स तयार करा आणि कोणती औषधे एकत्र येतात (उदा. एका अब्स्ट्रॅक्टमध्ये उल्लेख केलेली) ते पाहा. औषधे आणि निदानांसाठी सह-अस्तित्व मॅट्रिक्स तयार करण्यासाठी कोड बदलू शकता.
+- [ ] ही मॅट्रिक्स हीटमॅप वापरून व्हिज्युअल करा.
+- [ ] अतिरिक्त आव्हान म्हणून, औषधांच्या सह-अस्तित्वाचे व्हिज्युअलायझेशन [chord diagram](https://en.wikipedia.org/wiki/Chord_diagram) वापरून करा. [ही लायब्ररी](https://pypi.org/project/chord/) तुम्हाला chord diagram काढण्यासाठी मदत करू शकते.
+- [ ] आणखी एक आव्हान म्हणून, नियमित अभिव्यक्ती वापरून वेगवेगळ्या औषधांचे डोस काढा (उदा. **400mg** मध्ये *take 400mg of chloroquine daily*) आणि वेगवेगळ्या औषधांसाठी वेगवेगळे डोस दर्शविणारा डेटा फ्रेम तयार करा. **टीप**: औषधाच्या नावाच्या जवळील मजकूरात असलेल्या संख्यात्मक मूल्यांचा विचार करा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+सर्व टास्क पूर्ण, ग्राफिकदृष्ट्या स्पष्ट केलेले आणि समजावून सांगितलेले, किमान दोन अतिरिक्त आव्हानांपैकी एक पूर्ण | 5 पेक्षा जास्त टास्क पूर्ण, अतिरिक्त आव्हान केले नाहीत किंवा निकाल स्पष्ट नाहीत | 5 पेक्षा कमी (पण 3 पेक्षा जास्त) टास्क पूर्ण, व्हिज्युअलायझेशन मुद्दा स्पष्ट करण्यात मदत करत नाही
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/08-data-preparation/README.md b/translations/mr/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..4961c33a
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,342 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-27T16:45:25+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सोबत काम करणे: डेटा तयारी
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|डेटा तयारी - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+डेटाचा स्रोत कोणताही असो, कच्च्या डेटामध्ये काही विसंगती असू शकतात ज्यामुळे विश्लेषण आणि मॉडेलिंगमध्ये अडचणी निर्माण होतात. दुसऱ्या शब्दांत, हा डेटा "गलिच्छ" म्हणून वर्गीकृत केला जाऊ शकतो आणि त्याला स्वच्छ करण्याची गरज असते. या धड्यात हरवलेला, अचूक नसलेला किंवा अपूर्ण डेटा हाताळण्यासाठी डेटा स्वच्छ आणि रूपांतरित करण्याच्या तंत्रांवर लक्ष केंद्रित केले आहे. या धड्यात समाविष्ट विषय Python आणि Pandas लायब्ररीचा वापर करतील आणि [नोटबुकमध्ये दाखवले जातील](notebook.ipynb) या डिरेक्टरीमध्ये.
+
+## डेटा स्वच्छ करण्याचे महत्त्व
+
+- **वापरण्याची आणि पुन्हा वापरण्याची सोय**: जेव्हा डेटा व्यवस्थितपणे आयोजित आणि सामान्यीकृत केला जातो, तेव्हा तो शोधणे, वापरणे आणि इतरांसोबत शेअर करणे सोपे होते.
+
+- **सुसंगतता**: डेटा सायन्समध्ये अनेकदा एकापेक्षा जास्त डेटासेट्ससोबत काम करावे लागते, जिथे वेगवेगळ्या स्रोतांमधील डेटासेट्स एकत्र जोडले जातात. प्रत्येक स्वतंत्र डेटासेटमध्ये सामान्य मानकीकरण सुनिश्चित केल्याने ते सर्व एकत्रित केल्यावर डेटा उपयुक्त राहील.
+
+- **मॉडेल अचूकता**: स्वच्छ केलेला डेटा मॉडेल्सची अचूकता सुधारतो ज्यावर तो अवलंबून असतो.
+
+## सामान्य स्वच्छतेचे उद्दिष्टे आणि धोरणे
+
+- **डेटासेट एक्सप्लोर करणे**: डेटा एक्सप्लोरेशन, ज्यावर [नंतरच्या धड्यात](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) चर्चा केली जाते, तुम्हाला स्वच्छ करण्याची गरज असलेला डेटा शोधण्यात मदत करू शकते. डेटासेटमधील मूल्ये व्हिज्युअली पाहणे उर्वरित डेटा कसा दिसेल याची अपेक्षा सेट करू शकते किंवा सोडवता येणाऱ्या समस्यांची कल्पना देऊ शकते. एक्सप्लोरेशनमध्ये मूलभूत क्वेरी करणे, व्हिज्युअलायझेशन आणि सॅम्पलिंग समाविष्ट असते.
+
+- **फॉरमॅटिंग**: स्रोतावर अवलंबून, डेटामध्ये सादरीकरणाच्या पद्धतीत विसंगती असू शकते. यामुळे डेटासेटमध्ये मूल्य शोधण्यात आणि सादर करण्यात अडचणी येऊ शकतात, जिथे ते दिसते पण व्हिज्युअलायझेशन किंवा क्वेरी परिणामांमध्ये योग्य प्रकारे सादर केले जात नाही. सामान्य फॉरमॅटिंग समस्यांमध्ये व्हाइटस्पेस, तारीख आणि डेटा प्रकार सोडवणे समाविष्ट आहे. फॉरमॅटिंग समस्या सोडवणे हे सामान्यतः डेटा वापरणाऱ्या लोकांवर अवलंबून असते. उदाहरणार्थ, तारीख आणि संख्या कशा सादर केल्या जातात यावर देशानुसार मानक वेगवेगळे असू शकतात.
+
+- **डुप्लिकेशन**: डेटामध्ये एकापेक्षा जास्त वेळा आढळणाऱ्या नोंदी अचूक परिणाम देऊ शकत नाहीत आणि सामान्यतः काढून टाकल्या पाहिजेत. दोन किंवा अधिक डेटासेट्स एकत्र जोडताना हे सामान्यतः घडते. तथापि, काही वेळा जोडलेल्या डेटासेट्समधील डुप्लिकेशनमध्ये अतिरिक्त माहिती असू शकते आणि ती जतन करणे आवश्यक असते.
+
+- **हरवलेला डेटा**: हरवलेला डेटा अचूकतेसह कमकुवत किंवा पक्षपाती परिणाम निर्माण करू शकतो. कधी कधी हे डेटा "पुनःलोड" करून, हरवलेल्या मूल्यांना गणना आणि कोडसह भरून किंवा फक्त मूल्य आणि संबंधित डेटा काढून टाकून सोडवले जाऊ शकते. डेटा का आणि कसा हरवला गेला यावरून हरवलेल्या मूल्यांना सोडवण्यासाठी घेतलेली कृती अवलंबून असते.
+
+## डेटा फ्रेम माहिती एक्सप्लोर करणे
+> **शिकण्याचे उद्दिष्ट:** या उपविभागाच्या शेवटी, तुम्ही pandas DataFrames मध्ये संग्रहित डेटाबद्दल सामान्य माहिती शोधण्यात आरामदायक व्हायला हवे.
+
+तुम्ही तुमचा डेटा pandas मध्ये लोड केल्यानंतर, तो DataFrame मध्ये असेल (मागील [धडा](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) साठी तपशीलवार विहंगावलोकन पहा). तथापि, जर तुमच्या DataFrame मध्ये 60,000 रांगा आणि 400 स्तंभ असतील, तर तुम्ही काम करत असलेल्या गोष्टींची कल्पना कशी कराल? सुदैवाने, [pandas](https://pandas.pydata.org/) काही सोयीस्कर साधने प्रदान करते ज्यामुळे DataFrame मधील एकूण माहिती आणि सुरुवातीच्या काही रांगा तसेच शेवटच्या काही रांगा पटकन पाहता येतात.
+
+या कार्यक्षमता एक्सप्लोर करण्यासाठी, आपण Python scikit-learn लायब्ररी आयात करू आणि एक प्रसिद्ध डेटासेट वापरू: **Iris डेटा सेट**.
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: सुरुवातीला, `info()` पद्धत वापरून `DataFrame` मध्ये असलेल्या सामग्रीचा सारांश प्रिंट केला जातो. चला या डेटासेटकडे पाहूया:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+यावरून, आपल्याला माहित आहे की *Iris* डेटासेटमध्ये चार स्तंभांमध्ये 150 नोंदी आहेत आणि कोणतेही null नोंदी नाहीत. सर्व डेटा 64-बिट फ्लोटिंग-पॉइंट नंबर म्हणून संग्रहित केला जातो.
+
+- **DataFrame.head()**: पुढे, `DataFrame` च्या वास्तविक सामग्रीची तपासणी करण्यासाठी, आपण `head()` पद्धत वापरतो. चला आपल्या `iris_df` च्या सुरुवातीच्या काही रांगा पाहूया:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: उलट, `DataFrame` च्या शेवटच्या काही रांगांची तपासणी करण्यासाठी, आपण `tail()` पद्धत वापरतो:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **महत्त्वाचे:** DataFrame मधील माहितीबद्दल मेटाडेटा पाहून किंवा त्यातील सुरुवातीच्या आणि शेवटच्या काही मूल्यांकडे पाहून, तुम्ही तुमच्या डेटाच्या आकार, स्वरूप आणि सामग्रीबद्दल त्वरित कल्पना करू शकता.
+
+## हरवलेल्या डेटाशी व्यवहार करणे
+> **शिकण्याचे उद्दिष्ट:** या उपविभागाच्या शेवटी, तुम्हाला DataFrames मधून null मूल्ये बदलणे किंवा काढून टाकणे माहित असावे.
+
+बहुतेक वेळा तुम्हाला वापरायचे असलेले (किंवा वापरणे आवश्यक असलेले) डेटासेट्समध्ये हरवलेली मूल्ये असतात. हरवलेल्या डेटाशी कसे व्यवहार करायचे यामध्ये सूक्ष्म व्यापार असतो जो तुमच्या अंतिम विश्लेषणावर आणि वास्तविक जगातील परिणामांवर परिणाम करू शकतो.
+
+Pandas हरवलेल्या मूल्यांशी दोन प्रकारे व्यवहार करते. पहिला तुम्ही मागील विभागांमध्ये पाहिला आहे: `NaN`, किंवा Not a Number. हे प्रत्यक्षात IEEE फ्लोटिंग-पॉइंट स्पेसिफिकेशनचा एक विशेष मूल्य आहे आणि ते फक्त हरवलेल्या फ्लोटिंग-पॉइंट मूल्ये दर्शवण्यासाठी वापरले जाते.
+
+फ्लोट्स व्यतिरिक्त हरवलेल्या मूल्यांसाठी, pandas Python `None` ऑब्जेक्ट वापरतो. जरी तुम्हाला असे वाटू शकते की तुम्हाला दोन वेगवेगळ्या प्रकारच्या मूल्यांचा सामना करावा लागतो जे मूलत: एकच गोष्ट सांगतात, तरीही या डिझाइन निवडीसाठी ध्वनी प्रोग्रामिंग कारणे आहेत आणि प्रत्यक्षात, या मार्गाने जाणे बहुसंख्य प्रकरणांसाठी pandas चांगला तडजोड प्रदान करण्यास सक्षम करते. तथापि, `None` आणि `NaN` दोन्ही निर्बंध घेऊन येतात ज्याबद्दल तुम्हाला जागरूक असणे आवश्यक आहे की ते कसे वापरले जाऊ शकतात.
+
+`NaN` आणि `None` बद्दल अधिक तपशील [नोटबुक](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) मध्ये पहा!
+
+- **null मूल्ये शोधणे**: `pandas` मध्ये, `isnull()` आणि `notnull()` पद्धती तुमच्या डेटामधील null डेटा शोधण्यासाठी प्राथमिक पद्धती आहेत. दोन्ही तुमच्या डेटावर Boolean मास्क परत करतात. आम्ही `NaN` मूल्यांसाठी `numpy` वापरणार आहोत:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+आउटपुटकडे बारकाईने पहा. तुम्हाला काही आश्चर्य वाटते का? जरी `0` एक अंकगणितीय null आहे, तरीही तो एक परिपूर्ण पूर्णांक आहे आणि pandas त्याला तसा मानतो. `''` थोडा अधिक सूक्ष्म आहे. जरी आम्ही सेक्शन 1 मध्ये रिक्त स्ट्रिंग मूल्य दर्शवण्यासाठी वापरला, तरीही तो एक स्ट्रिंग ऑब्जेक्ट आहे आणि pandas च्या दृष्टिकोनातून null चे प्रतिनिधित्व नाही.
+
+आता, चला हे उलट करूया आणि या पद्धती अधिक व्यावहारिक पद्धतीने वापरूया. तुम्ही Boolean मास्क थेट ``Series`` किंवा ``DataFrame`` इंडेक्स म्हणून वापरू शकता, जे हरवलेल्या (किंवा उपस्थित) मूल्यांसोबत काम करताना उपयुक्त ठरू शकते.
+
+> **महत्त्वाचे:** `isnull()` आणि `notnull()` पद्धती `DataFrame`s मध्ये वापरल्यावर समान परिणाम देतात: त्या परिणाम आणि त्या परिणामांचा इंडेक्स दर्शवतात, जे तुम्हाला तुमच्या डेटाशी झगडताना खूप मदत करतील.
+
+- **null मूल्ये काढून टाकणे**: हरवलेल्या मूल्यांची ओळख पटवण्याव्यतिरिक्त, pandas `Series` आणि `DataFrame`s मधून null मूल्ये काढून टाकण्यासाठी सोयीस्कर साधन प्रदान करते. (विशेषतः मोठ्या डेटासेट्सवर, तुमच्या विश्लेषणातून हरवलेल्या [NA] मूल्यांना काढून टाकणे इतर मार्गांनी त्यांना हाताळण्यापेक्षा अधिक सल्ला दिला जातो.) हे कृतीत पाहण्यासाठी, चला `example1` वर परत जाऊया:
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+लक्षात घ्या की हे तुमच्या `example3[example3.notnull()]` च्या आउटपुटसारखे दिसले पाहिजे. येथे फरक असा आहे की, मास्क केलेल्या मूल्यांवर फक्त इंडेक्सिंग करण्याऐवजी, `dropna` ने `Series` `example1` मधून हरवलेली मूल्ये काढून टाकली आहेत.
+
+`DataFrame`s मध्ये दोन परिमाणे असल्यामुळे, ते डेटा काढण्यासाठी अधिक पर्याय देतात.
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+(pandas ने `NaN`s accommodate करण्यासाठी दोन स्तंभ फ्लोट्समध्ये अपकास्ट केले आहेत का?)
+
+तुम्ही `DataFrame` मधून एकच मूल्य काढू शकत नाही, त्यामुळे तुम्हाला संपूर्ण रांगा किंवा स्तंभ काढावे लागतात. तुम्ही काय करत आहात यावर अवलंबून, तुम्हाला एक किंवा दुसरे करायचे असू शकते, आणि त्यामुळे pandas तुम्हाला दोन्ही पर्याय देते. कारण डेटा सायन्समध्ये, स्तंभ सामान्यतः व्हेरिएबल्सचे प्रतिनिधित्व करतात आणि रांगा निरीक्षणांचे प्रतिनिधित्व करतात, तुम्ही डेटा रांगा काढण्याची अधिक शक्यता आहे; `dropna()` साठी डीफॉल्ट सेटिंग म्हणजे null मूल्ये असलेल्या सर्व रांगा काढणे:
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+जर आवश्यक असेल, तर तुम्ही स्तंभांमधून NA मूल्ये काढू शकता. तसे करण्यासाठी `axis=1` वापरा:
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+लक्षात घ्या की हे तुम्हाला ठेवायचा डेटा मोठ्या प्रमाणात काढून टाकू शकते, विशेषतः लहान डेटासेट्समध्ये. जर तुम्हाला फक्त काही किंवा सर्व null मूल्ये असलेल्या रांगा किंवा स्तंभ काढायचे असतील तर काय? तुम्ही `dropna` मध्ये `how` आणि `thresh` पॅरामीटर्ससह ती सेटिंग्ज निर्दिष्ट करता.
+
+डीफॉल्टनुसार, `how='any'` (जर तुम्हाला स्वतः तपासायचे असेल किंवा पद्धतीमध्ये इतर कोणते पॅरामीटर्स आहेत ते पहायचे असेल, तर कोड सेलमध्ये `example4.dropna?` चालवा). तुम्ही `how='all'` निर्दिष्ट करू शकता जेणेकरून फक्त सर्व null मूल्ये असलेल्या रांगा किंवा स्तंभ काढले जातील. हे कृतीत पाहण्यासाठी आपले उदाहरण `DataFrame` विस्तृत करूया.
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+`thresh` पॅरामीटर तुम्हाला अधिक सूक्ष्म नियंत्रण देते: तुम्ही सेट करता की रांगा किंवा स्तंभ ठेवण्यासाठी किती *non-null* मूल्ये असणे आवश्यक आहे:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+येथे, पहिली आणि शेवटची रांग काढून टाकली गेली आहे, कारण त्यामध्ये फक्त दोन non-null मूल्ये आहेत.
+
+- **null मूल्ये भरून काढणे**: तुमच्या डेटासेटवर अवलंबून, कधी कधी null मूल्ये काढून टाकण्याऐवजी वैध मूल्ये भरून काढणे अधिक अर्थपूर्ण असते. तुम्ही `isnull` वापरून हे जागेवर करू शकता, परंतु ते श्रमसाध्य असू शकते, विशेषतः जर तुम्हाला भरायचे मूल्ये खूप असतील. कारण डेटा सायन्समध्ये ही एक सामान्य कार्य आहे, pandas `fillna` प्रदान करते, जे तुमच्या निवडीच्या मूल्याने हरवलेल्या मूल्यांसह `Series` किंवा `DataFrame` ची प्रत परत करते. हे प्रत्यक्षात कसे कार्य करते हे पाहण्यासाठी आणखी एक उदाहरण `Series` तयार करूया.
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+तुम्ही सर्व null नोंदी एका मूल्याने भरू शकता, जसे की `0`:
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+तुम्ही null मूल्ये **फॉरवर्ड-फिल** करू शकता, म्हणजे शेवटचे वैध मूल्य null भरण्यासाठी वापरू शकता:
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+तुम्ही null भरण्यासाठी पुढील वैध मूल्य मागे नेऊन **बॅक-फिल** करू शकता:
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+तुम्ही अंदाज करू शकता, हे `DataFrame`s सोबत समान कार्य करते, परंतु तुम्ही null मूल्ये भरण्यासाठी `axis` निर्दिष्ट करू शकता. पुन्हा वापरलेला `example2` घेत:
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+लक्षात घ्या की जेव्हा फॉरवर्ड-फिलसाठी मागील मूल्य उपलब्ध नसते, तेव्हा null मूल्य तसेच राहते.
+> **महत्त्वाचे:** तुमच्या डेटासेट्समधील हरवलेल्या मूल्यांशी व्यवहार करण्याचे अनेक मार्ग आहेत. तुम्ही कोणती विशिष्ट पद्धत वापरता (त्यांना काढून टाकणे, त्यांची जागा घेणे, किंवा त्यांना कसे बदलायचे हे ठरवणे) हे त्या डेटाच्या वैशिष्ट्यांवर अवलंबून असते. जसे-जसे तुम्ही अधिकाधिक डेटासेट्स हाताळाल आणि त्यांच्याशी संवाद साधाल, तसतसे हरवलेल्या मूल्यांशी कसे व्यवहार करायचे याची चांगली समज विकसित होईल.
+
+## डुप्लिकेट डेटा काढून टाकणे
+
+> **शिकण्याचे उद्दिष्ट:** या उपविभागाच्या शेवटी, तुम्हाला DataFrames मधून डुप्लिकेट मूल्ये ओळखणे आणि काढून टाकणे सोपे वाटेल.
+
+हरवलेल्या डेटाशिवाय, तुम्हाला वास्तविक-जगातील डेटासेट्समध्ये अनेकदा डुप्लिकेट डेटा देखील सापडतो. सुदैवाने, `pandas` डुप्लिकेट नोंदी शोधणे आणि काढून टाकणे यासाठी सोपी पद्धत प्रदान करते.
+
+- **डुप्लिकेट्स ओळखणे: `duplicated`**: `pandas` मधील `duplicated` पद्धतीचा वापर करून तुम्ही सहजपणे डुप्लिकेट मूल्ये शोधू शकता, जी Boolean मास्क परत करते, दर्शवते की `DataFrame` मधील एखादी नोंद यापूर्वीच्या नोंदीची डुप्लिकेट आहे का. हे कृतीत पाहण्यासाठी आणखी एक उदाहरण `DataFrame` तयार करूया.
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **डुप्लिकेट्स काढून टाकणे: `drop_duplicates`:** ही पद्धत अशा डेटाची प्रत परत करते ज्यामध्ये सर्व `duplicated` मूल्ये `False` असतात:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+`duplicated` आणि `drop_duplicates` हे दोन्ही डीफॉल्टने सर्व स्तंभांचा विचार करतात, परंतु तुम्ही त्यांना तुमच्या `DataFrame` मधील फक्त विशिष्ट स्तंभ तपासण्यासाठी निर्दिष्ट करू शकता:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **महत्त्वाचे:** डुप्लिकेट डेटा काढून टाकणे हे जवळजवळ प्रत्येक डेटा-सायन्स प्रकल्पाचा एक महत्त्वाचा भाग आहे. डुप्लिकेट डेटा तुमच्या विश्लेषणाच्या परिणामांमध्ये बदल करू शकतो आणि तुम्हाला चुकीचे परिणाम देऊ शकतो!
+
+## 🚀 आव्हान
+
+सर्व चर्चिलेले साहित्य [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) स्वरूपात उपलब्ध आहे. याशिवाय, प्रत्येक विभागानंतर काही सरावासाठी व्यायाम दिले आहेत, त्यांना नक्की करून पहा!
+
+## [व्याख्यानानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+तुमच्या डेटाचे विश्लेषण आणि मॉडेलिंगसाठी तयारी करण्याचे आणि डेटा स्वच्छ करण्याचे अनेक मार्ग आहेत. डेटा स्वच्छ करणे हा एक "हाताळण्याचा" अनुभव आहे. Kaggle वरील या आव्हानांचा प्रयत्न करा आणि या धड्यात समाविष्ट नसलेल्या तंत्रांचा शोध घ्या.
+
+- [डेटा स्वच्छता आव्हान: तारखा पार्स करणे](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [डेटा स्वच्छता आव्हान: डेटा स्केल आणि सामान्यीकरण](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+## असाइनमेंट
+
+[फॉर्ममधील डेटाचे मूल्यांकन करणे](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/08-data-preparation/assignment.md b/translations/mr/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..a21399f5
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-27T16:49:42+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "mr"
+}
+-->
+# फॉर्ममधून डेटा मूल्यांकन करणे
+
+एक ग्राहक त्यांच्या ग्राहक-आधारित माहिती गोळा करण्यासाठी [लहान फॉर्म](../../../../2-Working-With-Data/08-data-preparation/index.html) चाचणी करत आहे. त्यांनी गोळा केलेला डेटा सत्यापित करण्यासाठी आपल्याकडे आणला आहे. फॉर्म पाहण्यासाठी तुम्ही `index.html` पृष्ठ ब्राउझरमध्ये उघडू शकता.
+
+तुम्हाला [csv रेकॉर्ड्सचा डेटासेट](../../../../data/form.csv) प्रदान करण्यात आला आहे ज्यामध्ये फॉर्ममधील नोंदी तसेच काही मूलभूत व्हिज्युअलायझेशन्स आहेत. ग्राहकाने निदर्शनास आणून दिले आहे की काही व्हिज्युअलायझेशन्स चुकीच्या दिसत आहेत, परंतु त्यांना ते कसे सोडवायचे याची खात्री नाही. तुम्ही [असाइनमेंट नोटबुक](assignment.ipynb) मध्ये याचा अभ्यास करू शकता.
+
+## सूचना
+
+या धड्यातील तंत्रांचा वापर करून फॉर्मबद्दल शिफारसी करा जेणेकरून ते अचूक आणि सुसंगत माहिती गोळा करू शकेल.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | पुरेसे | सुधारणा आवश्यक
+--- | --- | --- |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/2-Working-With-Data/README.md b/translations/mr/2-Working-With-Data/README.md
new file mode 100644
index 00000000..3e5a9118
--- /dev/null
+++ b/translations/mr/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-27T16:40:56+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सोबत काम करणे
+
+![डेटा प्रेम](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.mr.jpg)
+> फोटो <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अलेक्झांडर सिन</a> यांनी Unsplash वर <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> वर दिला आहे
+  
+या धड्यांमध्ये, तुम्ही डेटा व्यवस्थापित करणे, बदलणे आणि अनुप्रयोगांमध्ये वापरण्याचे काही मार्ग शिकाल. तुम्ही रिलेशनल आणि नॉन-रिलेशनल डेटाबेसबद्दल शिकाल आणि त्यामध्ये डेटा कसा संग्रहित केला जाऊ शकतो हे समजून घ्याल. तुम्ही डेटा व्यवस्थापित करण्यासाठी Python सोबत काम करण्याचे मूलभूत तत्त्व शिकाल आणि Python चा वापर करून डेटा व्यवस्थापित आणि शोधण्यासाठी असलेल्या अनेक पद्धती शोधाल. 
+
+### विषय
+
+1. [रिलेशनल डेटाबेस](05-relational-databases/README.md)
+2. [नॉन-रिलेशनल डेटाबेस](06-non-relational/README.md)
+3. [Python सोबत काम करणे](07-python/README.md)
+4. [डेटा तयार करणे](08-data-preparation/README.md)
+
+### श्रेय
+
+हे धडे ❤️ सह [क्रिस्टोफर हॅरिसन](https://twitter.com/geektrainer), [दिमित्री सोश्निकोव](https://twitter.com/shwars) आणि [जॅस्मिन ग्रीनवे](https://twitter.com/paladique) यांनी लिहिले आहेत.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/09-visualization-quantities/README.md b/translations/mr/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..cbc0c1fe
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-27T18:39:25+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "mr"
+}
+-->
+# प्रमाणांचे दृश्यांकन
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| प्रमाणांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+या धड्यात तुम्ही प्रमाणाच्या संकल्पनेभोवती मनोरंजक दृश्यांकन तयार करण्यासाठी उपलब्ध असलेल्या अनेक Python लायब्ररींपैकी एकाचा वापर कसा करायचा हे शिकाल. मिनेसोटाच्या पक्ष्यांबद्दलच्या स्वच्छ डेटासेटचा वापर करून, तुम्ही स्थानिक वन्यजीवांबद्दल अनेक मनोरंजक तथ्ये शिकू शकता.  
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Matplotlib वापरून पंखांचा विस्तार निरीक्षण करा
+
+सोप्या आणि प्रगत प्रकारच्या प्लॉट्स आणि चार्ट्स तयार करण्यासाठी एक उत्कृष्ट लायब्ररी म्हणजे [Matplotlib](https://matplotlib.org/stable/index.html). सामान्यतः, या लायब्ररींचा वापर करून डेटा प्लॉट करण्याची प्रक्रिया तुमच्या डेटा फ्रेममधील लक्ष्यित भाग ओळखणे, आवश्यक असल्यास त्या डेटावर कोणतेही रूपांतरण करणे, त्याचे x आणि y अक्ष मूल्ये नियुक्त करणे, कोणत्या प्रकारचा प्लॉट दाखवायचा ते ठरवणे आणि नंतर प्लॉट दाखवणे यांचा समावेश आहे. Matplotlib विविध प्रकारचे दृश्यांकन ऑफर करते, परंतु या धड्यासाठी, प्रमाणाचे दृश्यांकन करण्यासाठी सर्वात योग्य असलेल्या प्रकारांवर लक्ष केंद्रित करूया: लाइन चार्ट्स, स्कॅटरप्लॉट्स आणि बार प्लॉट्स.
+
+> ✅ तुमच्या डेटाच्या संरचनेसाठी आणि तुम्हाला सांगायच्या गोष्टीसाठी सर्वोत्तम चार्ट वापरा.  
+> - वेळेनुसार ट्रेंड विश्लेषणासाठी: लाइन  
+> - मूल्यांची तुलना करण्यासाठी: बार, कॉलम, पाई, स्कॅटरप्लॉट  
+> - भाग कसे संपूर्णाशी संबंधित आहेत हे दाखवण्यासाठी: पाई  
+> - डेटाचा वितरण दाखवण्यासाठी: स्कॅटरप्लॉट, बार  
+> - ट्रेंड दाखवण्यासाठी: लाइन, कॉलम  
+> - मूल्यांमधील संबंध दाखवण्यासाठी: लाइन, स्कॅटरप्लॉट, बबल  
+
+जर तुमच्याकडे डेटासेट असेल आणि दिलेल्या आयटमचे किती प्रमाण आहे हे शोधायचे असेल, तर तुमच्याकडे असलेले पहिले काम त्याच्या मूल्यांचे निरीक्षण करणे असेल.  
+
+✅ Matplotlib साठी उत्कृष्ट 'चीट शीट्स' [इथे](https://matplotlib.org/cheatsheets/cheatsheets.pdf) उपलब्ध आहेत.
+
+## पक्ष्यांच्या पंखांच्या विस्ताराच्या मूल्यांवर आधारित लाइन प्लॉट तयार करा
+
+या धड्याच्या फोल्डरच्या मूळ भागात `notebook.ipynb` फाइल उघडा आणि एक सेल जोडा.
+
+> लक्षात ठेवा: डेटा या रिपॉजिटरीच्या मूळ भागात `/data` फोल्डरमध्ये संग्रहित आहे.
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+हा डेटा मजकूर आणि संख्यांचा मिश्रण आहे:
+
+|      | नाव                          | वैज्ञानिक नाव          | वर्ग                  | ऑर्डर       | कुटुंब   | वंश        | संवर्धन स्थिती       | किमान लांबी | कमाल लांबी | किमान शरीर वजन | कमाल शरीर वजन | किमान पंख विस्तार | कमाल पंख विस्तार |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ब्लॅक-बेलिड व्हिसलिंग-डक     | Dendrocygna autumnalis | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्व्हस व्हिसलिंग-डक        | Dendrocygna bicolor    | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | स्नो गूज                     | Anser caerulescens     | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रॉसचा हंस                    | Anser rossii           | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ग्रेटर व्हाइट-फ्रंटेड गूज    | Anser albifrons        | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+चला या मनोरंजक पक्ष्यांसाठी कमाल पंख विस्ताराचे दृश्य तयार करण्यासाठी मूलभूत लाइन प्लॉट तयार करूया.
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![कमाल पंख विस्तार](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.mr.png)
+
+तुम्हाला लगेच काय लक्षात येते? किमान एक अपवाद दिसतो - हा पंख विस्तार खूपच मोठा आहे! 2300 सेंटीमीटर पंख विस्तार म्हणजे 23 मीटर - मिनेसोटामध्ये पॅटरोडॅक्टिल्स फिरत आहेत का? चला तपास करूया.
+
+तुम्ही Excel मध्ये जलद क्रमवारी लावून हे अपवाद शोधू शकता, जे कदाचित टायपो असतील, परंतु प्लॉटमधूनच दृश्यांकन प्रक्रिया सुरू ठेवा.
+
+x-अक्षावर लेबल्स जोडा जेणेकरून कोणत्या प्रकारचे पक्षी आहेत ते दाखवता येईल:
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![लेबल्ससह पंख विस्तार](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.mr.png)
+
+लेबल्स 45 अंशांवर फिरवले असले तरी, वाचण्यासाठी खूप जास्त आहेत. चला वेगळ्या रणनीतीचा प्रयत्न करूया: फक्त अपवादांना लेबल करा आणि चार्टमध्येच लेबल्स सेट करा. लेबलिंगसाठी अधिक जागा तयार करण्यासाठी तुम्ही स्कॅटर चार्ट वापरू शकता:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+इथे काय चालले आहे? तुम्ही `tick_params` वापरून तळाशी असलेली लेबल्स लपवली आणि नंतर तुमच्या पक्ष्यांच्या डेटासेटवर लूप तयार केला. `bo` वापरून लहान गोल निळ्या ठिपक्यांसह चार्ट प्लॉट करताना, तुम्ही 500 पेक्षा जास्त कमाल पंख विस्तार असलेल्या कोणत्याही पक्ष्याची तपासणी केली आणि जर तसे असेल तर ठिपक्याजवळ त्यांचे लेबल दाखवले. तुम्ही y अक्षावर लेबल्स थोडेसे ऑफसेट केले (`y * (1 - 0.05)`) आणि पक्ष्याचे नाव लेबल म्हणून वापरले.
+
+तुम्हाला काय सापडले?
+
+![अपवाद](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.mr.png)  
+## तुमचा डेटा फिल्टर करा
+
+बॉल्ड ईगल आणि प्रेरी फाल्कन, कदाचित खूप मोठे पक्षी असले तरी, चुकीचे लेबल केलेले दिसतात, त्यांच्या कमाल पंख विस्तारामध्ये अतिरिक्त `0` जोडले गेले आहे. 25 मीटर पंख विस्तार असलेल्या बॉल्ड ईगलला भेटणे अशक्य आहे, परंतु जर तसे झाले तर कृपया आम्हाला कळवा! चला या दोन अपवादांशिवाय नवीन डेटा फ्रेम तयार करूया:
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+अपवाद काढून टाकल्यामुळे, तुमचा डेटा आता अधिक सुसंगत आणि समजण्यास सोपा झाला आहे.
+
+![पंख विस्ताराचा स्कॅटरप्लॉट](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.mr.png)  
+
+आता आपल्याकडे पंख विस्ताराच्या बाबतीत स्वच्छ डेटासेट आहे, चला या पक्ष्यांबद्दल अधिक शोधूया.
+
+लाइन आणि स्कॅटर प्लॉट्स डेटा मूल्ये आणि त्यांच्या वितरणाबद्दल माहिती दाखवू शकतात, परंतु आपण या डेटासेटमध्ये अंतर्भूत असलेल्या मूल्यांबद्दल विचार करू इच्छितो. तुम्ही प्रमाणाबद्दल खालील प्रश्नांची उत्तरे देण्यासाठी दृश्यांकन तयार करू शकता:
+
+> पक्ष्यांचे किती वर्ग आहेत आणि त्यांची संख्या किती आहे?  
+> किती पक्षी नामशेष, संकटग्रस्त, दुर्मिळ किंवा सामान्य आहेत?  
+> लिनीयसच्या संज्ञेत विविध वंश आणि ऑर्डर किती आहेत?  
+## बार चार्ट्स एक्सप्लोर करा
+
+डेटाचे गट दाखवायचे असल्यास बार चार्ट्स व्यावहारिक असतात. या डेटासेटमध्ये असलेल्या पक्ष्यांच्या वर्गांचे अन्वेषण करूया आणि संख्या किती आहे ते पाहूया.
+
+नोटबुक फाइलमध्ये एक मूलभूत बार चार्ट तयार करा.
+
+✅ लक्षात ठेवा, तुम्ही मागील विभागात ओळखलेल्या दोन अपवाद पक्ष्यांना फिल्टर करू शकता, त्यांच्या पंख विस्तारातील टायपो संपादित करू शकता किंवा त्यांना या व्यायामासाठी ठेवू शकता जे पंख विस्ताराच्या मूल्यांवर अवलंबून नाहीत.
+
+जर तुम्हाला बार चार्ट तयार करायचा असेल, तर तुम्ही लक्ष केंद्रित करायचा डेटा निवडू शकता. बार चार्ट्स कच्च्या डेटावरून तयार केले जाऊ शकतात:
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![पूर्ण डेटा बार चार्ट म्हणून](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.mr.png)  
+
+तथापि, हा बार चार्ट वाचण्यायोग्य नाही कारण खूप जास्त न गटबद्ध डेटा आहे. तुम्हाला प्लॉट करायचा डेटा निवडावा लागेल, म्हणून पक्ष्यांच्या वर्गाच्या आधारावर लांबी पाहूया.
+
+तुमचा डेटा फक्त पक्ष्यांच्या वर्गाचा समावेश करण्यासाठी फिल्टर करा.
+
+✅ लक्षात ठेवा की तुम्ही Pandas वापरून डेटा व्यवस्थापित करता आणि नंतर Matplotlib चार्टिंग करते.
+
+कारण अनेक वर्ग आहेत, तुम्ही हा चार्ट उभा दाखवू शकता आणि सर्व डेटासाठी त्याची उंची समायोजित करू शकता:
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![वर्ग आणि लांबी](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.mr.png)  
+
+हा बार चार्ट पक्ष्यांच्या प्रत्येक वर्गाची संख्या चांगल्या प्रकारे दाखवतो. एका नजरेत, तुम्हाला दिसते की या प्रदेशातील सर्वात मोठ्या संख्येने पक्षी बदके/हंस/पाणपक्षी वर्गात आहेत. मिनेसोटा '10,000 तलावांची भूमी' असल्यामुळे हे आश्चर्यकारक नाही!
+
+✅ या डेटासेटवर काही इतर गणना करून पहा. तुम्हाला काही आश्चर्य वाटते का?
+
+## डेटाची तुलना
+
+तुम्ही गटबद्ध डेटाची वेगवेगळी तुलना नवीन अक्ष तयार करून करू शकता. पक्ष्याच्या वर्गाच्या आधारावर पक्ष्याच्या कमाल लांबीची तुलना करून पहा:
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![डेटाची तुलना](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.mr.png)  
+
+इथे काहीही आश्चर्यकारक नाही: हंबिंगबर्ड्सची कमाल लांबी पेलिकन्स किंवा हंसांच्या तुलनेत सर्वात कमी आहे. जेव्हा डेटा तार्किक अर्थ प्राप्त करतो ते चांगले आहे!
+
+तुम्ही बार चार्ट्सचे अधिक मनोरंजक दृश्य तयार करू शकता डेटा सुपरइम्पोज करून. चला दिलेल्या पक्ष्याच्या वर्गावर किमान आणि कमाल लांबी सुपरइम्पोज करूया:
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+या प्लॉटमध्ये, तुम्ही किमान लांबी आणि कमाल लांबीच्या श्रेणी प्रति पक्षी वर्ग पाहू शकता. तुम्ही सुरक्षितपणे म्हणू शकता की, दिलेल्या डेटानुसार, पक्षी जितका मोठा असेल तितकी त्याची लांबी श्रेणी मोठी असेल. आकर्षक!
+
+![सुपरइम्पोज केलेली मूल्ये](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.mr.png)  
+
+## 🚀 आव्हान
+
+हा पक्षी डेटासेट विशिष्ट परिसंस्थेमधील विविध प्रकारच्या पक्ष्यांबद्दल भरपूर माहिती देतो. इंटरनेटवर शोधा आणि पक्ष्यांशी संबंधित इतर डेटासेट शोधा. या पक्ष्यांभोवती चार्ट्स आणि ग्राफ्स तयार करण्याचा सराव करा आणि तुम्हाला माहित नसलेल्या तथ्यांचा शोध घ्या.  
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या पहिल्या धड्याने तुम्हाला प्रमाणांचे दृश्यांकन करण्यासाठी Matplotlib कसे वापरायचे याबद्दल काही माहिती दिली आहे. दृश्यांकनासाठी डेटासेटसह काम करण्याच्या इतर मार्गांबद्दल संशोधन करा. [Plotly](https://github.com/plotly/plotly.py) ही एक लायब्ररी आहे जी या धड्यांमध्ये कव्हर केली जाणार नाही, त्यामुळे ती काय ऑफर करू शकते ते पाहा.  
+## असाइनमेंट
+
+[लाइन, स्कॅटर्स आणि बार्स](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमजांकरिता किंवा चुकीच्या अर्थ लावण्याकरिता आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/mr/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..7a59d776
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-27T18:42:14+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "mr"
+}
+-->
+# रेषा, विखुरलेले आणि बार
+
+## सूचना
+
+या धड्यात, तुम्ही रेषा चार्ट्स, विखुरलेले प्लॉट्स आणि बार चार्ट्स वापरून या डेटासेटबद्दलचे मनोरंजक तथ्ये दाखवली. या असाइनमेंटमध्ये, डेटासेटचा अधिक सखोल अभ्यास करा आणि दिलेल्या पक्ष्यांच्या प्रकाराबद्दल एक तथ्य शोधा. उदाहरणार्थ, Snow Geese बद्दल तुम्ही शोधू शकणाऱ्या सर्व मनोरंजक डेटाचे दृश्य तयार करा. तुमच्या नोटबुकमध्ये कथा सांगण्यासाठी वरील तीन प्लॉट्स वापरा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+चांगल्या टिपण्या, ठोस कथाकथन आणि आकर्षक ग्राफ्ससह एक नोटबुक सादर केले आहे | नोटबुकमध्ये यापैकी एक घटक गहाळ आहे | नोटबुकमध्ये यापैकी दोन घटक गहाळ आहेत
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/10-visualization-distributions/README.md b/translations/mr/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..47176a4d
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,218 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-27T18:16:29+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "mr"
+}
+-->
+# वितरणांचे दृश्यांकन
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| वितरणांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+मागील धड्यात, तुम्ही मिनेसोटाच्या पक्ष्यांबद्दलच्या डेटासेटमधील काही मनोरंजक तथ्ये शिकली. तुम्ही बाहेरच्या डेटाचा व्हिज्युअलायझेशन करून काही चुकीची डेटा शोधली आणि पक्ष्यांच्या श्रेणींमधील फरक त्यांच्या जास्तीत जास्त लांबीच्या आधारावर पाहिले.
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## पक्ष्यांच्या डेटासेटचा अभ्यास करा
+
+डेटामध्ये खोलवर जाण्याचा आणखी एक मार्ग म्हणजे त्याच्या वितरणाकडे पाहणे, म्हणजे डेटा अक्षावर कसा आयोजित केला आहे. उदाहरणार्थ, तुम्हाला मिनेसोटाच्या पक्ष्यांसाठी जास्तीत जास्त पंखांचा विस्तार किंवा जास्तीत जास्त शरीराच्या वजनाचे सामान्य वितरण जाणून घ्यायचे असेल. 
+
+या डेटासेटमधील डेटाच्या वितरणाबद्दल काही तथ्ये शोधूया. या धड्याच्या फोल्डरच्या मूळ भागातील _notebook.ipynb_ फाइलमध्ये Pandas, Matplotlib आणि तुमचा डेटा आयात करा:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | नाव                          | वैज्ञानिक नाव          | श्रेणी                | ऑर्डर       | कुटुंब   | वंश        | संवर्धन स्थिती       | किमान लांबी | जास्तीत जास्त लांबी | किमान शरीराचे वजन | जास्तीत जास्त शरीराचे वजन | किमान पंखांचा विस्तार | जास्तीत जास्त पंखांचा विस्तार |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ब्लॅक-बेलिड व्हिसलिंग-डक    | Dendrocygna autumnalis | बदके/हंस/जलपक्षी      | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्व्हस व्हिसलिंग-डक        | Dendrocygna bicolor    | बदके/हंस/जलपक्षी      | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | स्नो गूज                     | Anser caerulescens     | बदके/हंस/जलपक्षी      | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रॉसचा गूज                    | Anser rossii           | बदके/हंस/जलपक्षी      | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ग्रेटर व्हाइट-फ्रंटेड गूज    | Anser albifrons        | बदके/हंस/जलपक्षी      | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+सामान्यतः, तुम्ही स्कॅटर प्लॉट वापरून डेटा कसा वितरित केला आहे हे पटकन पाहू शकता, जसे आपण मागील धड्यात केले:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![ऑर्डरनुसार जास्तीत जास्त लांबी](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.mr.png)
+
+हे पक्ष्यांच्या ऑर्डरनुसार शरीराच्या लांबीचे सामान्य वितरणाचे विहंगावलोकन देते, परंतु खऱ्या वितरणाचे प्रदर्शन करण्याचा हा सर्वोत्तम मार्ग नाही. ही जबाबदारी सहसा हिस्टोग्राम तयार करून हाताळली जाते.
+
+## हिस्टोग्रामसह काम करणे
+
+Matplotlib चांगल्या प्रकारे हिस्टोग्राम वापरून डेटा वितरणाचे दृश्यांकन करण्याचे मार्ग प्रदान करते. या प्रकारचा चार्ट बार चार्टसारखा असतो जिथे बारच्या चढ-उतारांद्वारे वितरण पाहिले जाऊ शकते. हिस्टोग्राम तयार करण्यासाठी, तुम्हाला संख्यात्मक डेटा आवश्यक आहे. हिस्टोग्राम तयार करण्यासाठी, तुम्ही 'hist' प्रकार परिभाषित करून चार्ट प्लॉट करू शकता. हा चार्ट संपूर्ण डेटासेटच्या संख्यात्मक डेटाच्या श्रेणीसाठी MaxBodyMass वितरण दर्शवतो. डेटा दिलेल्या अ‍ॅरेला लहान बिन्समध्ये विभागून, तो डेटाच्या मूल्यांचे वितरण प्रदर्शित करू शकतो:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![संपूर्ण डेटासेटवरील वितरण](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.mr.png)
+
+जसे तुम्ही पाहू शकता, या डेटासेटमधील 400+ पक्ष्यांपैकी बहुतेक पक्ष्यांचे जास्तीत जास्त शरीराचे वजन 2000 च्या खाली आहे. `bins` पॅरामीटर उच्च संख्येसाठी बदलून डेटाबद्दल अधिक अंतर्दृष्टी मिळवा, जसे की 30:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![संपूर्ण डेटासेटवरील वितरण मोठ्या बिन्स पॅरामीटरसह](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.mr.png)
+
+हा चार्ट वितरण थोडा अधिक तपशीलवार पद्धतीने दर्शवतो. डावीकडे कमी झुकलेला चार्ट तयार केला जाऊ शकतो जर तुम्ही दिलेल्या श्रेणीतील डेटा निवडण्याची खात्री केली:
+
+तुमचा डेटा फिल्टर करा ज्यामध्ये फक्त अशा पक्ष्यांचा समावेश आहे ज्यांचे शरीराचे वजन 60 च्या खाली आहे आणि 40 `bins` दर्शवा:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![फिल्टर केलेला हिस्टोग्राम](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.mr.png)
+
+✅ काही इतर फिल्टर आणि डेटा पॉइंट्स वापरून पहा. डेटाचे पूर्ण वितरण पाहण्यासाठी, `['MaxBodyMass']` फिल्टर काढा आणि लेबल केलेले वितरण दर्शवा.
+
+हिस्टोग्राममध्ये काही छान रंग आणि लेबलिंग सुधारणा देखील आहेत:
+
+दोन वितरणांमधील संबंधांची तुलना करण्यासाठी 2D हिस्टोग्राम तयार करा. `MaxBodyMass` आणि `MaxLength` ची तुलना करूया. Matplotlib उजळ रंग वापरून अभिसरण दर्शविण्याचा अंगभूत मार्ग प्रदान करते:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+या दोन घटकांमध्ये अपेक्षित अक्षावर अपेक्षित संबंध असल्याचे दिसते, एका ठिकाणी विशेषतः मजबूत अभिसरण बिंदू आहे:
+
+![2D प्लॉट](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.mr.png)
+
+हिस्टोग्राम संख्यात्मक डेटासाठी चांगले कार्य करतात. जर तुम्हाला मजकूर डेटानुसार वितरण पाहायचे असेल तर काय?
+
+## मजकूर डेटाचा वापर करून डेटासेटसाठी वितरणाचा अभ्यास करा
+
+या डेटासेटमध्ये पक्ष्यांची श्रेणी, वंश, प्रजाती, कुटुंब तसेच त्यांची संवर्धन स्थिती याबद्दलची चांगली माहिती समाविष्ट आहे. या संवर्धन माहितीत खोलवर जाऊया. पक्ष्यांचे संवर्धन स्थितीनुसार वितरण काय आहे?
+
+> ✅ डेटासेटमध्ये संवर्धन स्थितीचे वर्णन करण्यासाठी अनेक संक्षेप वापरले जातात. हे संक्षेप [IUCN रेड लिस्ट श्रेणी](https://www.iucnredlist.org/) मधून आले आहेत, एक संस्था जी प्रजातींच्या स्थितीचे वर्गीकरण करते.
+> 
+> - CR: गंभीरपणे संकटग्रस्त
+> - EN: संकटग्रस्त
+> - EX: नामशेष
+> - LC: कमी चिंता
+> - NT: जवळजवळ संकटग्रस्त
+> - VU: असुरक्षित
+
+हे मजकूर-आधारित मूल्ये आहेत त्यामुळे तुम्हाला हिस्टोग्राम तयार करण्यासाठी ट्रान्सफॉर्म करावे लागेल. फिल्टर केलेल्या पक्ष्यांच्या डेटाफ्रेमचा वापर करून त्याची संवर्धन स्थिती आणि त्याचा किमान पंखांचा विस्तार दर्शवा. तुम्हाला काय दिसते?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![पंखांचा विस्तार आणि संवर्धन स्थिती](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.mr.png)
+
+किमान पंखांचा विस्तार आणि संवर्धन स्थिती यामध्ये चांगला संबंध दिसत नाही. या पद्धतीचा वापर करून डेटासेटमधील इतर घटकांची चाचणी करा. तुम्ही वेगवेगळे फिल्टर देखील वापरू शकता. तुम्हाला काही संबंध सापडतो का?
+
+## घनता प्लॉट्स
+
+तुम्ही लक्षात घेतले असेल की आतापर्यंत आपण पाहिलेले हिस्टोग्राम 'स्टेप्ड' आहेत आणि गुळगुळीत वक्रात प्रवाहित होत नाहीत. गुळगुळीत घनता चार्ट दर्शविण्यासाठी, तुम्ही घनता प्लॉट वापरून पाहू शकता.
+
+घनता प्लॉट्ससह काम करण्यासाठी, नवीन प्लॉटिंग लायब्ररीशी परिचित व्हा, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html).
+
+Seaborn लोड करून, एक मूलभूत घनता प्लॉट वापरून पहा:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![घनता प्लॉट](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.mr.png)
+
+तुम्ही पाहू शकता की हा प्लॉट किमान पंखांचा विस्तार डेटासाठी मागील प्लॉटसारखा आहे; तो फक्त थोडा गुळगुळीत आहे. Seaborn च्या दस्तऐवजानुसार, "हिस्टोग्रामच्या तुलनेत, KDE एक प्लॉट तयार करू शकतो जो कमी गोंधळलेला आणि अधिक समजण्यासारखा असतो, विशेषतः एकाधिक वितरण काढताना. परंतु जर अंतर्निहित वितरण बाउंडेड किंवा गुळगुळीत नसेल तर विकृती आणण्याची क्षमता असते. हिस्टोग्रामसारखे, प्रतिनिधित्वाची गुणवत्ता चांगल्या गुळगुळीत पॅरामीटर्सच्या निवडीवर देखील अवलंबून असते." [स्रोत](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) म्हणजेच, नेहमीप्रमाणे बाहेरच्या डेटामुळे तुमचे चार्ट चुकीचे वागतील.
+
+जर तुम्हाला दुसऱ्या चार्टमध्ये तयार केलेल्या जास्तीत जास्त शरीराच्या वजनाच्या खडबडीत रेषेला पुन्हा पाहायचे असेल, तर तुम्ही ही पद्धत वापरून ती खूप चांगली गुळगुळीत करू शकता:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![गुळगुळीत शरीराचे वजन रेषा](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.mr.png)
+
+जर तुम्हाला गुळगुळीत, पण खूप गुळगुळीत रेषा नको असेल, तर `bw_adjust` पॅरामीटर संपादित करा:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![कमी गुळगुळीत शरीराचे वजन रेषा](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.mr.png)
+
+✅ या प्रकारच्या प्लॉटसाठी उपलब्ध असलेल्या पॅरामीटर्सबद्दल वाचा आणि प्रयोग करा!
+
+या प्रकारचा चार्ट सुंदर स्पष्टीकरणात्मक दृश्ये प्रदान करतो. उदाहरणार्थ, काही कोडच्या ओळींसह, तुम्ही पक्ष्यांच्या ऑर्डरनुसार जास्तीत जास्त शरीराचे वजन घनता दर्शवू शकता:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![ऑर्डरनुसार शरीराचे वजन](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.mr.png)
+
+तुम्ही एका चार्टमध्ये अनेक व्हेरिएबल्सची घनता देखील मॅप करू शकता. पक्ष्याची जास्तीत जास्त लांबी आणि किमान लांबी त्यांच्या संवर्धन स्थितीशी तुलना करा:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![अनेक घनता, सुपरइम्पोज केलेले](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.mr.png)
+
+कदाचित 'असुरक्षित' पक्ष्यांच्या लांबींनुसार क्लस्टर अर्थपूर्ण आहे की नाही हे संशोधन करण्यासारखे आहे.
+
+## 🚀 आव्हान
+
+हिस्टोग्राम हे मूलभूत स्कॅटरप्लॉट्स, बार चार्ट्स किंवा लाइन चार्ट्सपेक्षा अधिक प्रगत प्रकारचे चार्ट आहेत. इंटरनेटवर शोधा आणि हिस्टोग्रामच्या चांगल्या उदाहरणांचा शोध घ्या. ते कसे वापरले जातात, ते काय दर्शवतात आणि कोणत्या क्षेत्रांमध्ये किंवा चौकशीच्या क्षेत्रांमध्ये त्यांचा वापर केला जातो?
+
+## [व्याख्यानानंतर प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या धड्यात, तुम्ही Matplotlib वापरले आणि अधिक प्रगत चार्ट्स दर्शवण्यासाठी Seaborn वापरण्यास सुरुवात केली. Seaborn मधील `kdeplot` वर संशोधन करा, एक "एक किंवा अधिक परिमाणांमध्ये सतत संभाव्यता घनता वक्र". [दस्तऐवज](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) वाचा आणि ते कसे कार्य करते ते समजून घ्या.
+
+## असाइनमेंट
+
+[तुमचे कौशल्य लागू करा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/mr/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..8908a86d
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-27T18:19:03+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "mr"
+}
+-->
+# तुमचे कौशल्य वापरा
+
+## सूचना
+
+आतापर्यंत, तुम्ही मिनेसोटा पक्षी डेटासेटसह काम करून पक्ष्यांच्या संख्येची आणि लोकसंख्येच्या घनतेची माहिती शोधली आहे. या तंत्रांचा वापर करून वेगळ्या डेटासेटवर प्रयत्न करा, कदाचित [Kaggle](https://www.kaggle.com/) वरून मिळवलेला. या डेटासेटबद्दल कथा सांगण्यासाठी एक नोटबुक तयार करा आणि त्यावर चर्चा करताना हिस्टोग्राम्सचा वापर करणे सुनिश्चित करा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+डेटासेटबद्दल टिप्पण्या, त्याचा स्रोत यासह सादर केलेले नोटबुक, आणि डेटाबद्दल तथ्य शोधण्यासाठी किमान 5 हिस्टोग्राम्सचा वापर केला आहे. | अपूर्ण टिप्पण्या किंवा बग्ससह सादर केलेले नोटबुक. | टिप्पण्या नसलेले आणि बग्ससह सादर केलेले नोटबुक.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/11-visualization-proportions/README.md b/translations/mr/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..029f6527
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,203 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-27T18:42:43+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "mr"
+}
+-->
+# प्रमाणांचे दृश्यांकन
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|प्रमाणांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+या धड्यात, तुम्ही निसर्गाशी संबंधित वेगळ्या डेटासेटचा वापर करून प्रमाणांचे दृश्यांकन कराल, जसे की मशरूम्सबद्दलच्या डेटासेटमध्ये किती प्रकारचे बुरशी आहेत हे पाहणे. चला, या अद्भुत बुरशींचा अभ्यास करूया, ज्यासाठी ऑडुबॉनकडून घेतलेल्या डेटासेटमध्ये Agaricus आणि Lepiota कुटुंबातील 23 प्रकारच्या गिल्ड मशरूम्सची माहिती आहे. तुम्ही खालील स्वादिष्ट दृश्यांकन प्रकारांचा प्रयोग कराल:
+
+- पाई चार्ट्स 🥧  
+- डोनट चार्ट्स 🍩  
+- वाफल चार्ट्स 🧇  
+
+> 💡 मायक्रोसॉफ्ट रिसर्चने तयार केलेल्या [Charticulator](https://charticulator.com) नावाच्या एका खूपच रोचक प्रकल्पात डेटा दृश्यांकनासाठी फ्री ड्रॅग अँड ड्रॉप इंटरफेस आहे. त्यांच्या एका ट्युटोरियलमध्ये त्यांनी हा मशरूम डेटासेटही वापरला आहे! त्यामुळे तुम्ही डेटा एक्सप्लोर करू शकता आणि त्याच वेळी लायब्ररी शिकू शकता: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## तुमच्या मशरूम्सना ओळखा 🍄
+
+मशरूम्स खूपच रोचक असतात. चला, त्यांचा अभ्यास करण्यासाठी एक डेटासेट आयात करूया:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```  
+एक टेबल तयार होते ज्यामध्ये विश्लेषणासाठी छान डेटा आहे:
+
+| वर्ग      | कॅप-आकार | कॅप-पृष्ठभाग | कॅप-रंग | जखमा | वास      | गिल-जोडणी | गिल-अंतर | गिल-आकार | गिल-रंग | स्टॉक-आकार | स्टॉक-मूळ | स्टॉक-पृष्ठभाग-रिंगच्या-वर | स्टॉक-पृष्ठभाग-रिंगच्या-खाली | स्टॉक-रंग-रिंगच्या-वर | स्टॉक-रंग-रिंगच्या-खाली | पडदा-प्रकार | पडदा-रंग | रिंग-क्रमांक | रिंग-प्रकार | बीज-छपाई-रंग | लोकसंख्या | निवासस्थान |
+| --------- | --------- | ----------- | -------- | ----- | -------- | ---------- | --------- | -------- | --------- | ---------- | --------- | -------------------------- | -------------------------- | ---------------------- | ---------------------- | ----------- | --------- | ------------ | ----------- | ------------- | ---------- | ----------- |
+| विषारी    | उंचवटा    | गुळगुळीत    | तपकिरी   | जखमा  | तीव्र     | मुक्त      | जवळचे     | अरुंद    | काळा      | रुंदावलेला | समान      | गुळगुळीत                 | गुळगुळीत                 | पांढरा                | पांढरा                | अंशतः       | पांढरा   | एक          | लटकणारा     | काळा          | विखुरलेला | शहरी        |
+| खाद्य      | उंचवटा    | गुळगुळीत    | पिवळा    | जखमा  | बदामाचा   | मुक्त      | जवळचे     | रुंद      | काळा      | रुंदावलेला | काठीसारखा | गुळगुळीत                 | गुळगुळीत                 | पांढरा                | पांढरा                | अंशतः       | पांढरा   | एक          | लटकणारा     | तपकिरी       | विपुल      | गवताळ       |
+| खाद्य      | घंटेसारखा | गुळगुळीत    | पांढरा   | जखमा  | बडीशेप   | मुक्त      | जवळचे     | रुंद      | तपकिरी    | रुंदावलेला | काठीसारखा | गुळगुळीत                 | गुळगुळीत                 | पांढरा                | पांढरा                | अंशतः       | पांढरा   | एक          | लटकणारा     | तपकिरी       | विपुल      | कुरण        |
+| विषारी    | उंचवटा    | खडबडीत      | पांढरा   | जखमा  | तीव्र     | मुक्त      | जवळचे     | अरुंद    | तपकिरी    | रुंदावलेला | समान      | गुळगुळीत                 | गुळगुळीत                 | पांढरा                | पांढरा                | अंशतः       | पांढरा   | एक          | लटकणारा     | काळा          | विखुरलेला | शहरी        |
+
+तुम्हाला लगेच लक्षात येईल की सर्व डेटा मजकूर स्वरूपात आहे. चार्टमध्ये वापरण्यासाठी तुम्हाला हा डेटा रूपांतरित करावा लागेल. खरं तर, बहुतेक डेटा ऑब्जेक्ट स्वरूपात दर्शविला जातो:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```  
+
+आउटपुट असेल:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```  
+हा डेटा घ्या आणि 'class' कॉलमला श्रेणीमध्ये रूपांतरित करा:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```  
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```  
+
+आता, जर तुम्ही मशरूम्स डेटा प्रिंट केला, तर तुम्हाला दिसेल की तो विषारी/खाद्य वर्गानुसार श्रेणींमध्ये गटबद्ध केला गेला आहे:
+
+|           | कॅप-आकार | कॅप-पृष्ठभाग | कॅप-रंग | जखमा | वास  | गिल-जोडणी | गिल-अंतर | गिल-आकार | गिल-रंग | स्टॉक-आकार | ... | स्टॉक-पृष्ठभाग-रिंगच्या-खाली | स्टॉक-रंग-रिंगच्या-वर | स्टॉक-रंग-रिंगच्या-खाली | पडदा-प्रकार | पडदा-रंग | रिंग-क्रमांक | रिंग-प्रकार | बीज-छपाई-रंग | लोकसंख्या | निवासस्थान |
+| --------- | --------- | ----------- | -------- | ----- | ---- | ---------- | --------- | -------- | --------- | ---------- | --- | -------------------------- | ---------------------- | ---------------------- | ----------- | --------- | ------------ | ----------- | ------------- | ---------- | ----------- |
+| वर्ग      |           |             |          |       |      |            |           |          |           |            |     |                          |                      |                      |             |           |              |             |               |            |             |
+| खाद्य      | 4208      | 4208        | 4208     | 4208  | 4208 | 4208       | 4208      | 4208     | 4208      | 4208       | ... | 4208                     | 4208                 | 4208                 | 4208        | 4208      | 4208         | 4208        | 4208          | 4208       | 4208        |
+| विषारी    | 3916      | 3916        | 3916     | 3916  | 3916 | 3916       | 3916      | 3916     | 3916      | 3916       | ... | 3916                     | 3916                 | 3916                 | 3916        | 3916      | 3916         | 3916        | 3916          | 3916       | 3916        |
+
+जर तुम्ही या टेबलमध्ये दिलेल्या क्रमाने वर्ग श्रेणी लेबल तयार केले, तर तुम्ही पाई चार्ट तयार करू शकता:
+
+## पाई!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```  
+आणि तयार! पाई चार्ट, जो या डेटाच्या विषारी/खाद्य वर्गांनुसार प्रमाण दाखवतो. लेबल्सचा क्रम योग्य ठेवणे खूप महत्त्वाचे आहे, त्यामुळे लेबल अॅरे तयार करताना क्रम तपासा!
+
+![pie chart](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.mr.png)
+
+## डोनट्स!
+
+पाई चार्टपेक्षा अधिक आकर्षक दिसणारा चार्ट म्हणजे डोनट चार्ट, जो पाई चार्टमध्ये मध्यभागी एक छिद्र असतो. चला, आपल्या डेटाला या पद्धतीने पाहूया.
+
+मशरूम्स ज्या विविध निवासस्थानांमध्ये वाढतात त्यावर एक नजर टाका:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```  
+येथे, तुम्ही तुमचा डेटा निवासस्थानानुसार गटबद्ध करत आहात. 7 निवासस्थानं दिली आहेत, त्यामुळे त्यांचा वापर डोनट चार्टसाठी लेबल्स म्हणून करा:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```  
+
+![donut chart](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.mr.png)
+
+हे कोड एक चार्ट आणि मध्यवर्ती वर्तुळ तयार करतो, नंतर त्या चार्टमध्ये ते वर्तुळ जोडतो. मध्यवर्ती वर्तुळाची रुंदी बदलण्यासाठी `0.40` चे मूल्य बदला.
+
+डोनट चार्ट्समध्ये लेबल्स अधिक वाचनीय करण्यासाठी विविध प्रकारे बदल करता येतात. अधिक जाणून घ्या [डॉक्स](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut) मध्ये.
+
+आता तुम्हाला तुमचा डेटा गटबद्ध करून पाई किंवा डोनट चार्टमध्ये कसा दाखवायचा हे कळले आहे, तुम्ही इतर प्रकारचे चार्ट्सही एक्सप्लोर करू शकता. वाफल चार्ट वापरून पाहा, जो प्रमाणांचे 2D चौकटीत दृश्यांकन करण्याचा वेगळा मार्ग आहे.
+
+## वाफल्स!
+
+'वाफल' प्रकारचा चार्ट प्रमाणांचे 2D चौकटीत चौकोनांच्या स्वरूपात दृश्यांकन करण्याचा वेगळा मार्ग आहे. या डेटासेटमधील मशरूम कॅप रंगांच्या प्रमाणांचे दृश्यांकन करण्याचा प्रयत्न करा. यासाठी, तुम्हाला [PyWaffle](https://pypi.org/project/pywaffle/) नावाची सहाय्यक लायब्ररी आणि Matplotlib वापरावी लागेल:
+
+```python
+pip install pywaffle
+```  
+
+तुमच्या डेटाचा एक विभाग निवडा:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```  
+
+लेबल तयार करून आणि तुमचा डेटा गटबद्ध करून वाफल चार्ट तयार करा:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```  
+
+वाफल चार्ट वापरून, तुम्हाला या मशरूम्स डेटासेटमधील कॅप रंगांचे प्रमाण स्पष्टपणे दिसेल. आश्चर्यकारकपणे, अनेक हिरव्या कॅप असलेल्या मशरूम्स आहेत!
+
+![waffle chart](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.mr.png)
+
+✅ PyWaffle मध्ये [Font Awesome](https://fontawesome.com/) मधील कोणतेही आयकॉन वापरून चार्ट्समध्ये आयकॉन समाविष्ट करण्याचा पर्याय आहे. चौकोनांच्या ऐवजी आयकॉन वापरून आणखी रोचक वाफल चार्ट तयार करण्यासाठी काही प्रयोग करा.
+
+या धड्यात, तुम्ही प्रमाणांचे दृश्यांकन करण्याचे तीन मार्ग शिकलात. प्रथम, तुम्हाला तुमचा डेटा श्रेणींमध्ये गटबद्ध करावा लागतो आणि नंतर डेटा दाखवण्यासाठी कोणता सर्वोत्तम मार्ग आहे ते ठरवावे लागते - पाई, डोनट, किंवा वाफल. हे सर्वच स्वादिष्ट आहेत आणि वापरकर्त्याला डेटासेटचा झटपट आढावा देतात.
+
+## 🚀 आव्हान
+
+[Charticulator](https://charticulator.com) मध्ये हे स्वादिष्ट चार्ट्स पुन्हा तयार करण्याचा प्रयत्न करा.  
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+कधी कधी पाई, डोनट, किंवा वाफल चार्ट कधी वापरायचा हे स्पष्ट नसते. या विषयावर वाचण्यासाठी काही लेख:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+या निर्णयावर अधिक माहिती मिळवण्यासाठी काही संशोधन करा.  
+## असाइनमेंट
+
+[Excel मध्ये प्रयत्न करा](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/mr/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..c1b2dfaa
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-27T18:44:51+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "mr"
+}
+-->
+# एक्सेलमध्ये प्रयत्न करा
+
+## सूचना
+
+तुम्हाला माहीत आहे का की तुम्ही एक्सेलमध्ये डोनट, पाई आणि वाफल चार्ट तयार करू शकता? तुमच्या पसंतीच्या डेटासेटचा वापर करून, हे तीन चार्ट थेट एक्सेल स्प्रेडशीटमध्ये तयार करा.
+
+## मूल्यमापन निकष
+
+| उत्कृष्ट                                               | समाधानकारक                                      | सुधारणा आवश्यक                                      |
+| ------------------------------------------------------- | ------------------------------------------------- | ------------------------------------------------------ |
+| एक्सेल स्प्रेडशीट सादर केली आहे ज्यामध्ये सर्व तीन चार्ट आहेत | एक्सेल स्प्रेडशीट सादर केली आहे ज्यामध्ये दोन चार्ट आहेत | एक्सेल स्प्रेडशीट सादर केली आहे ज्यामध्ये फक्त एक चार्ट आहे |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/12-visualization-relationships/README.md b/translations/mr/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..ff1875d3
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-27T18:19:32+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "mr"
+}
+-->
+# नातेसंबंधांचे दृश्यांकन: मधाबद्दल सर्व काही 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|नातेसंबंधांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+आपल्या संशोधनाच्या निसर्ग-केंद्रित दृष्टिकोनाला पुढे नेत, विविध प्रकारच्या मधामधील नातेसंबंध दाखवण्यासाठी काही मनोरंजक दृश्यांकन शोधूया, जे [United States Department of Agriculture](https://www.nass.usda.gov/About_NASS/index.php) कडून मिळालेल्या डेटासेटवर आधारित आहे.
+
+सुमारे 600 आयटम्सचा हा डेटासेट अनेक अमेरिकन राज्यांमधील मध उत्पादन दाखवतो. उदाहरणार्थ, तुम्ही एखाद्या राज्यातील वसाहतींची संख्या, वसाहतीमागील उत्पादन, एकूण उत्पादन, साठा, प्रति पाउंड किंमत आणि 1998-2012 दरम्यान प्रत्येक राज्यासाठी दरवर्षी उत्पादनाची किंमत पाहू शकता.
+
+एखाद्या राज्याच्या दरवर्षीच्या उत्पादन आणि त्या राज्यातील मधाच्या किंमतीमधील नातेसंबंधाचे दृश्यांकन करणे मनोरंजक ठरेल. पर्यायाने, तुम्ही राज्यांमधील मधाच्या वसाहतीमागील उत्पादनाचे नातेसंबंध देखील दाखवू शकता. या कालावधीत 2006 मध्ये प्रथम दिसलेला 'CCD' किंवा 'Colony Collapse Disorder' (http://npic.orst.edu/envir/ccd.html) चा विनाशकारी प्रभाव समाविष्ट आहे, त्यामुळे हा अभ्यास करण्यासाठी एक भावनिक डेटासेट आहे. 🐝
+
+## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+या धड्यात, तुम्ही Seaborn वापरू शकता, ज्याचा तुम्ही यापूर्वी वापर केला आहे, जो व्हेरिएबल्समधील नातेसंबंधांचे दृश्यांकन करण्यासाठी एक चांगले लायब्ररी आहे. विशेषतः Seaborn च्या `relplot` फंक्शनचा वापर, जो स्कॅटर प्लॉट्स आणि लाइन प्लॉट्सद्वारे '[सांख्यिकीय नातेसंबंध](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)' पटकन दाखवतो, डेटा सायंटिस्टला व्हेरिएबल्समधील नातेसंबंध अधिक चांगल्या प्रकारे समजून घेण्यास मदत करतो.
+
+## स्कॅटरप्लॉट्स
+
+मधाच्या किंमतीने दरवर्षी, प्रत्येक राज्यानुसार कसा बदल केला आहे हे दाखवण्यासाठी स्कॅटरप्लॉट वापरा. Seaborn चा `relplot` वापरून, राज्य डेटा गटबद्ध करतो आणि श्रेणीसंबंधित तसेच संख्यात्मक डेटा पॉइंट्स दाखवतो.
+
+चला डेटा आणि Seaborn आयात करून सुरुवात करूया:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+तुम्हाला लक्षात येईल की मधाच्या डेटामध्ये वर्ष आणि प्रति पाउंड किंमत यासह अनेक मनोरंजक कॉलम्स आहेत. चला हा डेटा, अमेरिकन राज्यांनुसार गटबद्ध करून एक्सप्लोर करूया:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+प्रति पाउंड मधाच्या किंमती आणि त्याच्या अमेरिकन राज्याच्या मूळ स्थानामधील नातेसंबंध दाखवण्यासाठी एक मूलभूत स्कॅटरप्लॉट तयार करा. `y` अक्ष पुरेसा उंच ठेवा जेणेकरून सर्व राज्ये दिसतील:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.mr.png)
+
+आता, मधाच्या रंगसंगतीसह वर्षानुवर्षे किंमत कशी बदलते हे दाखवा. तुम्ही 'hue' पॅरामीटर जोडून वर्षानुवर्षे बदल दाखवू शकता:
+
+> ✅ Seaborn मध्ये वापरू शकणाऱ्या [रंग पॅलेट्सबद्दल अधिक जाणून घ्या](https://seaborn.pydata.org/tutorial/color_palettes.html) - सुंदर इंद्रधनुष्य रंगसंगती वापरून पहा!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.mr.png)
+
+या रंगसंगती बदलासह, तुम्ही पाहू शकता की मधाच्या प्रति पाउंड किंमतीत वर्षानुवर्षे स्पष्टपणे प्रगती होत आहे. खरंच, जर तुम्ही डेटा सेटमधील नमुना सेट तपासला (उदाहरणार्थ, एरिझोना राज्य निवडा) तर तुम्ही वर्षानुवर्षे किंमती वाढण्याचा नमुना पाहू शकता, काही अपवादांसह:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+रंगाऐवजी आकार वापरून हा प्रगतीचा दुसरा मार्ग दाखवा. रंगांबद्दल अडचण असलेल्या वापरकर्त्यांसाठी, हा पर्याय चांगला ठरू शकतो. किंमतीत वाढ दाखवण्यासाठी डॉट्सच्या परिघात वाढ दाखवण्यासाठी तुमचे दृश्यांकन संपादित करा:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+तुम्ही पाहू शकता की डॉट्सचा आकार हळूहळू वाढत आहे.
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.mr.png)
+
+हे साध्या पुरवठा आणि मागणीचे प्रकरण आहे का? हवामान बदल आणि वसाहतींचा नाश यासारख्या घटकांमुळे, वर्षानुवर्षे खरेदीसाठी कमी मध उपलब्ध आहे का, आणि त्यामुळे किंमत वाढते?
+
+या डेटासेटमधील काही व्हेरिएबल्समधील नातेसंबंध शोधण्यासाठी, चला काही लाइन चार्ट्स एक्सप्लोर करूया.
+
+## लाइन चार्ट्स
+
+प्रश्न: मधाच्या प्रति पाउंड किंमतीत दरवर्षी स्पष्ट वाढ आहे का? तुम्ही एकच लाइन चार्ट तयार करून ते सहज शोधू शकता:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+उत्तर: होय, काही अपवादांसह, विशेषतः 2003 च्या सुमारास:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.mr.png)
+
+✅ कारण Seaborn डेटा एका रेषेभोवती एकत्रित करत आहे, तो "प्रत्येक x मूल्यावर एकाधिक मोजमापांचे सरासरी आणि सरासरीभोवती 95% विश्वास अंतर प्लॉट करून" दाखवतो. [Source](https://seaborn.pydata.org/tutorial/relational.html). ही वेळखाऊ प्रक्रिया `ci=None` जोडून अक्षम केली जाऊ शकते.
+
+प्रश्न: बरं, 2003 मध्ये मधाच्या पुरवठ्यातही वाढ दिसते का? जर तुम्ही वर्षानुवर्षे एकूण उत्पादन पाहिले तर काय?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.mr.png)
+
+उत्तर: खरं तर नाही. जर तुम्ही एकूण उत्पादन पाहिले तर, त्या विशिष्ट वर्षात ते प्रत्यक्षात वाढलेले दिसते, जरी सामान्यतः मधाचे उत्पादन या वर्षांमध्ये घटत आहे.
+
+प्रश्न: त्या परिस्थितीत, 2003 च्या सुमारास मधाच्या किंमतीत वाढीचे कारण काय असू शकते?
+
+हे शोधण्यासाठी, तुम्ही फॅसेट ग्रिड एक्सप्लोर करू शकता.
+
+## फॅसेट ग्रिड्स
+
+फॅसेट ग्रिड्स तुमच्या डेटासेटचा एक फॅसेट घेतात (आपल्या बाबतीत, तुम्ही 'वर्ष' निवडू शकता जेणेकरून खूप जास्त फॅसेट्स तयार होऊ नयेत). Seaborn नंतर तुमच्या निवडलेल्या x आणि y समन्वयांसाठी प्रत्येक फॅसेटसाठी प्लॉट तयार करू शकतो, ज्यामुळे तुलना करणे सोपे होते. या प्रकारच्या तुलनेत 2003 वेगळे दिसते का?
+
+Seaborn च्या [डॉक्युमेंटेशन](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid) च्या शिफारशीनुसार `relplot` वापरणे सुरू ठेवून फॅसेट ग्रिड तयार करा.
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+या दृश्यांकनात, तुम्ही वसाहतीमागील उत्पादन आणि वसाहतींची संख्या वर्षानुवर्षे, राज्यानुसार बाजूने तुलना करू शकता, स्तंभांसाठी रॅप 3 वर सेट करून:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.mr.png)
+
+या डेटासेटसाठी, वसाहतींची संख्या आणि त्यांचे उत्पादन, वर्षानुवर्षे आणि राज्यानुसार, काहीही विशेषतः वेगळे दिसत नाही. या दोन व्हेरिएबल्समधील नातेसंबंध शोधण्यासाठी वेगळ्या प्रकारे पाहण्याचा प्रयत्न करता येईल का?
+
+## ड्युअल-लाइन प्लॉट्स
+
+Seaborn च्या 'despine' वापरून त्यांच्या वरच्या आणि उजव्या स्पाइन्स काढून टाकून, आणि `ax.twinx` [Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html) मधून घेतलेला वापरून दोन लाइनप्लॉट्स एकमेकांवर सुपरइम्पोज करून मल्टीलाइन प्लॉट तयार करा. Twinx चार्टला x अक्ष सामायिक करण्यास आणि दोन y अक्ष दाखवण्यास अनुमती देते. त्यामुळे, वसाहतीमागील उत्पादन आणि वसाहतींची संख्या, सुपरइम्पोज करून दाखवा:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.mr.png)
+
+2003 च्या सुमारास डोळ्याला काहीही वेगळे दिसत नाही, परंतु हे आपल्याला या धड्याचा शेवट थोड्या आनंददायक नोटवर करण्यास अनुमती देते: जरी वसाहतींची संख्या एकूण घटत आहे, तरीही वसाहतींची संख्या स्थिर होत आहे, जरी त्यांचे वसाहतीमागील उत्पादन कमी होत आहे.
+
+जा, मधमाश्या, जा!
+
+🐝❤️
+## 🚀 आव्हान
+
+या धड्यात, तुम्ही स्कॅटरप्लॉट्स आणि लाइन ग्रिड्सच्या इतर उपयोगांबद्दल थोडे अधिक शिकले, ज्यामध्ये फॅसेट ग्रिड्स समाविष्ट आहेत. या तंत्रांचा वापर करून वेगळ्या डेटासेटसह फॅसेट ग्रिड तयार करण्याचे आव्हान स्वतःला द्या, कदाचित तुम्ही या धड्यांपूर्वी वापरलेला डेटासेट वापरा. ते तयार करण्यासाठी किती वेळ लागतो आणि तुम्हाला किती ग्रिड्स तयार करायचे आहेत याबद्दल काळजी घेणे आवश्यक आहे हे लक्षात ठेवा.
+## [व्याख्यानानंतर प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+लाइन प्लॉट्स साधे किंवा खूप जटिल असू शकतात. [Seaborn डॉक्युमेंटेशन](https://seaborn.pydata.org/generated/seaborn.lineplot.html) मध्ये तुम्ही त्यांना तयार करण्याच्या विविध मार्गांबद्दल थोडे वाचन करा. तुम्ही या धड्यात तयार केलेल्या लाइन चार्ट्सना डॉक्युमेंटेशनमध्ये सूचीबद्ध केलेल्या इतर पद्धतींसह सुधारण्याचा प्रयत्न करा.
+## असाइनमेंट
+
+[Dive into the beehive](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/mr/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..5c8ad511
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-27T18:22:09+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "mr"
+}
+-->
+# मधमाशांच्या पोळ्यात डोकावून पाहा
+
+## सूचना
+
+या धड्यात तुम्ही मधमाशा आणि त्यांच्या मध उत्पादनासंबंधीच्या डेटासेटचा अभ्यास सुरू केला, ज्यामध्ये मधमाशांच्या वसाहतींच्या लोकसंख्येत एकूण घट दिसून आली. या डेटासेटचा अधिक सखोल अभ्यास करा आणि एक नोटबुक तयार करा जे राज्यवार आणि वर्षवार मधमाशांच्या लोकसंख्येच्या आरोग्याची कथा सांगू शकेल. तुम्हाला या डेटासेटबद्दल काही मनोरंजक गोष्टी सापडतात का?
+
+## मूल्यांकन निकष
+
+| उत्कृष्ट                                                                                                                                               | समाधानकारक                              | सुधारणा आवश्यक                          |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| किमान तीन वेगवेगळ्या चार्टसह डेटासेटचे विविध पैलू, राज्यवार आणि वर्षवार दाखवणारी कथा असलेले नोटबुक सादर केले आहे | नोटबुकमध्ये या घटकांपैकी एकाचा अभाव आहे | नोटबुकमध्ये या घटकांपैकी दोनचा अभाव आहे |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..fdee4382
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-27T18:11:26+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "mr"
+}
+-->
+# अर्थपूर्ण व्हिज्युअलायझेशन तयार करणे
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| अर्थपूर्ण व्हिज्युअलायझेशन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "जर तुम्ही डेटा पुरेसा त्रास दिला, तर तो काहीही कबूल करेल" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+डेटा सायंटिस्टचे एक मूलभूत कौशल्य म्हणजे अर्थपूर्ण डेटा व्हिज्युअलायझेशन तयार करण्याची क्षमता, ज्यामुळे तुम्हाला तुमच्या प्रश्नांची उत्तरे मिळविण्यास मदत होते. तुमचा डेटा व्हिज्युअलायझ करण्यापूर्वी, तुम्हाला तो स्वच्छ आणि तयार केला आहे याची खात्री करणे आवश्यक आहे, जसे तुम्ही मागील धड्यांमध्ये केले. त्यानंतर, डेटा कसा सादर करायचा हे ठरवायला सुरुवात करू शकता.
+
+या धड्यात तुम्ही पुनरावलोकन कराल:
+
+1. योग्य चार्ट प्रकार कसा निवडायचा
+2. फसव्या चार्टिंगपासून कसे टाळावे
+3. रंगासोबत कसे काम करायचे
+4. वाचनीयतेसाठी तुमचे चार्ट कसे स्टाइल करायचे
+5. अॅनिमेटेड किंवा 3D चार्टिंग सोल्यूशन्स कसे तयार करायचे
+6. सर्जनशील व्हिज्युअलायझेशन कसे तयार करायचे
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## योग्य चार्ट प्रकार निवडा
+
+मागील धड्यांमध्ये, तुम्ही Matplotlib आणि Seaborn वापरून विविध प्रकारचे डेटा व्हिज्युअलायझेशन तयार करण्याचा प्रयोग केला. सामान्यतः, तुम्ही विचारत असलेल्या प्रश्नासाठी योग्य [चार्ट प्रकार](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) निवडण्यासाठी खालील तक्ता वापरू शकता:
+
+| तुम्हाला करायचे आहे:         | तुम्ही वापरावे:                 |
+| -------------------------- | ------------------------------- |
+| वेळेनुसार डेटा ट्रेंड दाखवा | लाइन                            |
+| श्रेणींची तुलना करा         | बार, पाई                        |
+| एकूणांची तुलना करा          | पाई, स्टॅक्ड बार                |
+| नातेसंबंध दाखवा             | स्कॅटर, लाइन, फेसट, ड्युअल लाइन |
+| वितरण दाखवा                 | स्कॅटर, हिस्टोग्राम, बॉक्स      |
+| प्रमाण दाखवा                | पाई, डोनट, वाफल                |
+
+> ✅ तुमच्या डेटाच्या स्वरूपानुसार, तुम्हाला ते टेक्स्टमधून संख्यात्मक स्वरूपात रूपांतरित करावे लागेल, जेणेकरून दिलेला चार्ट त्याला समर्थन देईल.
+
+## फसवणूक टाळा
+
+जरी डेटा सायंटिस्टने योग्य डेटा साठी योग्य चार्ट निवडण्याची काळजी घेतली तरीही, डेटा अशा प्रकारे प्रदर्शित केला जाऊ शकतो ज्यामुळे मुद्दा सिद्ध होतो, परंतु डेटा स्वतःच कमजोर होतो. फसव्या चार्ट्स आणि इन्फोग्राफिक्सचे अनेक उदाहरणे आहेत!
+
+[![How Charts Lie by Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.mr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
+
+> 🎥 वरील प्रतिमेवर क्लिक करा फसव्या चार्ट्सबद्दलच्या परिषदेतल्या चर्चेसाठी
+
+हा चार्ट X अक्ष उलटवतो, जेणेकरून तारीख आधारित सत्याच्या विरुद्ध गोष्ट दाखवली जाते:
+
+![bad chart 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.mr.png)
+
+[हा चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) अधिक फसवणूक करणारा आहे, कारण डोळा उजवीकडे जातो आणि असा निष्कर्ष काढतो की, कालांतराने, विविध काउंटीजमध्ये COVID प्रकरणे कमी झाली आहेत. प्रत्यक्षात, जर तुम्ही तारखांकडे बारकाईने पाहिले, तर तुम्हाला आढळेल की त्या फसव्या उतरणाऱ्या ट्रेंडसाठी पुन्हा व्यवस्था करण्यात आल्या आहेत.
+
+![bad chart 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.mr.jpg)
+
+हा कुप्रसिद्ध उदाहरण रंग आणि उलटवलेल्या Y अक्षाचा वापर करून फसवणूक करतो: बंदूक अनुकूल कायदे लागू झाल्यानंतर बंदूक मृत्यू वाढले, असे निष्कर्ष काढण्याऐवजी, प्रत्यक्षात डोळा उलट गोष्ट खरे मानतो:
+
+![bad chart 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.mr.jpg)
+
+हा विचित्र चार्ट दाखवतो की प्रमाण कसे हसण्यासारखे परिणाम देण्यासाठी बदलले जाऊ शकते:
+
+![bad chart 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.mr.jpg)
+
+अतुलनीय गोष्टींची तुलना करणे हा आणखी एक छायाचित्र आहे. 'स्प्युरियस कोरिलेशन्स' नावाच्या [अद्भुत वेबसाइट](https://tylervigen.com/spurious-correlations) मध्ये 'तथ्ये' प्रदर्शित केली जातात जसे की मेनमधील घटस्फोट दर आणि मार्जरीनचा वापर. रेडिट ग्रुप देखील डेटाच्या [अगदी वाईट उपयोग](https://www.reddit.com/r/dataisugly/top/?t=all) गोळा करतो.
+
+फसव्या चार्ट्सद्वारे डोळा किती सहजपणे फसवला जाऊ शकतो हे समजून घेणे महत्त्वाचे आहे. जरी डेटा सायंटिस्टचा हेतू चांगला असला तरी, खराब प्रकारचा चार्ट निवडणे, जसे की खूप जास्त श्रेणी दाखवणारा पाई चार्ट, फसवणूक करणारा असू शकतो.
+
+## रंग
+
+'फ्लोरिडा गन व्हायोलन्स' चार्टमध्ये तुम्ही पाहिले की रंग चार्ट्समध्ये अतिरिक्त अर्थ प्रदान करू शकतो, विशेषतः जे Matplotlib आणि Seaborn सारख्या लायब्ररी वापरून डिझाइन केलेले नाहीत, ज्यामध्ये विविध प्रमाणित रंग लायब्ररी आणि पॅलेट्स असतात. जर तुम्ही चार्ट हाताने तयार करत असाल, तर [रंग सिद्धांत](https://colormatters.com/color-and-design/basic-color-theory) थोडा अभ्यास करा.
+
+> ✅ चार्ट डिझाइन करताना लक्षात ठेवा की अॅक्सेसिबिलिटी व्हिज्युअलायझेशनचा महत्त्वाचा पैलू आहे. तुमच्या काही वापरकर्त्यांना रंगांधळेपणा असू शकतो - तुमचा चार्ट व्हिज्युअल इम्पेअरमेंट असलेल्या वापरकर्त्यांसाठी चांगला दिसतो का?
+
+तुमच्या चार्टसाठी रंग निवडताना काळजी घ्या, कारण रंग तुमच्या इच्छित नसलेल्या अर्थाचा संकेत देऊ शकतो. 'हाइट' चार्टमधील 'पिंक लेडीज' एक वेगळा 'स्त्रीलिंगी' अर्थ देतात, ज्यामुळे चार्ट स्वतःच विचित्र वाटतो.
+
+जरी [रंगाचा अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) जगाच्या वेगवेगळ्या भागांमध्ये वेगळा असतो आणि त्याच्या छटेनुसार बदलतो. सामान्यतः, रंगाचे अर्थ खालीलप्रमाणे असतात:
+
+| रंग    | अर्थ                 |
+| ------ | ------------------- |
+| लाल    | शक्ती               |
+| निळा   | विश्वास, निष्ठा      |
+| पिवळा  | आनंद, सावधता       |
+| हिरवा  | पर्यावरण, नशीब, मत्सर |
+| जांभळा | आनंद                |
+| नारंगी | उत्साह              |
+
+जर तुम्हाला कस्टम रंगांसह चार्ट तयार करण्याचे काम दिले गेले असेल, तर तुमचे चार्ट अॅक्सेसिबल आहेत आणि तुम्ही निवडलेला रंग तुम्ही व्यक्त करू इच्छित असलेल्या अर्थाशी जुळतो याची खात्री करा.
+
+## वाचनीयतेसाठी तुमचे चार्ट स्टाइल करा
+
+चार्ट अर्थपूर्ण नसतात जर ते वाचनीय नसतील! तुमच्या डेटासह चांगल्या प्रकारे स्केल करण्यासाठी तुमच्या चार्टची रुंदी आणि उंची स्टाइल करण्याचा विचार करा. जर एक व्हेरिएबल (जसे की सर्व 50 राज्ये) प्रदर्शित करणे आवश्यक असेल, तर शक्य असल्यास Y अक्षावर त्यांना उभ्या स्वरूपात दाखवा, जेणेकरून आडव्या स्क्रोलिंग चार्ट टाळता येईल.
+
+तुमच्या अक्षांना लेबल करा, आवश्यक असल्यास एक लेजेंड प्रदान करा आणि डेटा चांगल्या प्रकारे समजण्यासाठी टूलटिप्स ऑफर करा.
+
+जर तुमचा डेटा X अक्षावर टेक्स्ट स्वरूपात आणि विस्तृत असेल, तर वाचनीयतेसाठी टेक्स्ट अँगल करा. [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D प्लॉटिंग ऑफर करते, जर तुमचा डेटा त्याला समर्थन देत असेल. `mpl_toolkits.mplot3d` वापरून प्रगत डेटा व्हिज्युअलायझेशन तयार केले जाऊ शकते.
+
+![3d plots](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.mr.png)
+
+## अॅनिमेशन आणि 3D चार्ट डिस्प्ले
+
+आजच्या काही सर्वोत्तम डेटा व्हिज्युअलायझेशन अॅनिमेटेड आहेत. Shirley Wu ने D3 वापरून केलेल्या आश्चर्यकारक व्हिज्युअलायझेशन आहेत, जसे की '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जिथे प्रत्येक फूल एका चित्रपटाचे व्हिज्युअलायझेशन आहे. गार्डियनसाठी आणखी एक उदाहरण म्हणजे 'bussed out', एक इंटरॅक्टिव अनुभव जो व्हिज्युअलायझेशनला Greensock आणि D3 सह स्क्रोलिटेलिंग लेख स्वरूपात एकत्र करतो, ज्यामध्ये NYC त्याच्या बेघर समस्येचे निराकरण कसे करते हे दाखवते.
+
+![busing](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.mr.png)
+
+> "Bussed Out: How America Moves its Homeless" [गार्डियन](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) कडून. व्हिज्युअलायझेशन Nadieh Bremer & Shirley Wu यांनी तयार केले.
+
+जरी हा धडा या शक्तिशाली व्हिज्युअलायझेशन लायब्ररी शिकवण्यासाठी पुरेसा नाही, तरी D3 वापरून Vue.js अॅपमध्ये 'Dangerous Liaisons' पुस्तकाचे अॅनिमेटेड सोशल नेटवर्क व्हिज्युअलायझेशन तयार करण्याचा प्रयत्न करा.
+
+> "Les Liaisons Dangereuses" हे पत्रांच्या मालिकेसारखे सादर केलेले एक कादंबरी आहे. 1782 मध्ये Choderlos de Laclos यांनी लिहिलेले, हे 18व्या शतकाच्या उत्तरार्धातील फ्रेंच अभिजात वर्गातील दोन प्रतिस्पर्धी नायकांच्या निर्दयी, नैतिकदृष्ट्या दिवाळखोर सामाजिक युक्त्या सांगते, Vicomte de Valmont आणि Marquise de Merteuil. दोघे शेवटी आपले पतन गाठतात पण मोठ्या प्रमाणात सामाजिक नुकसान न करता नाही. कादंबरी पत्रांच्या मालिकेसारखी उलगडते जी त्यांच्या वर्तुळातील विविध लोकांना लिहिली जातात, सूड घेण्यासाठी किंवा फक्त त्रास देण्यासाठी. या पत्रांचे व्हिज्युअलायझेशन तयार करा जेणेकरून कथनाचे प्रमुख पात्र व्हिज्युअली शोधता येतील.
+
+तुम्ही एक वेब अॅप पूर्ण कराल जे या सोशल नेटवर्कचे अॅनिमेटेड दृश्य प्रदर्शित करेल. Vue.js आणि D3 वापरून नेटवर्कचे [व्हिज्युअल](https://github.com/emiliorizzo/vue-d3-network) तयार करण्यासाठी तयार केलेल्या लायब्ररीचा वापर करते. अॅप चालू असताना, तुम्ही स्क्रीनवर नोड्स खेचून डेटा हलवू शकता.
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.mr.png)
+
+## प्रकल्प: D3.js वापरून नेटवर्क दाखवणारा चार्ट तयार करा
+
+> या धड्याच्या फोल्डरमध्ये एक `solution` फोल्डर समाविष्ट आहे जिथे तुम्ही पूर्ण प्रकल्प संदर्भासाठी शोधू शकता.
+
+1. स्टार्टर फोल्डरच्या रूटमधील README.md फाइलमधील सूचनांचे अनुसरण करा. तुमच्या प्रकल्पाच्या अवलंबनांची स्थापना करण्यापूर्वी तुमच्या मशीनवर NPM आणि Node.js चालू असल्याची खात्री करा.
+
+2. `starter/src` फोल्डर उघडा. तुम्हाला एक `assets` फोल्डर सापडेल जिथे तुम्ही कादंबरीतील सर्व पत्रे असलेली .json फाइल शोधू शकता, क्रमांकित, 'to' आणि 'from' अॅनोटेशनसह.
+
+3. `components/Nodes.vue` मध्ये कोड पूर्ण करा जेणेकरून व्हिज्युअलायझेशन सक्षम होईल. `createLinks()` नावाच्या पद्धतीसाठी शोधा आणि खालील नेस्टेड लूप जोडा.
+
+.json ऑब्जेक्टमधून 'to' आणि 'from' डेटा कॅप्चर करण्यासाठी लूप करा आणि व्हिज्युअलायझेशन लायब्ररीला ते वापरण्यासाठी `links` ऑब्जेक्ट तयार करा:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+तुमच्या टर्मिनलमधून अॅप चालवा (npm run serve) आणि व्हिज्युअलायझेशनचा आनंद घ्या!
+
+## 🚀 आव्हान
+
+इंटरनेटवर फसवणूक करणाऱ्या व्हिज्युअलायझेशनचा शोध घ्या. लेखक वापरकर्त्याला कसा फसवतो आणि तो हेतुपुरस्सर आहे का? व्हिज्युअलायझेशन सुधारण्याचा प्रयत्न करा जेणेकरून ते योग्य प्रकारे दिसेल.
+
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+फसवणूक करणाऱ्या डेटा व्हिज्युअलायझेशनबद्दल वाचण्यासाठी काही लेख येथे आहेत:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ऐतिहासिक मालमत्ता आणि वस्तूंसाठी काही मनोरंजक व्हिज्युअलायझेशन येथे पहा:
+
+https://handbook.pubpub.org/
+
+अॅनिमेशन तुमच्या व्हिज्युअलायझेशनला कसे सुधारू शकते याबद्दल या लेखाकडे पहा:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## असाइनमेंट
+
+[तुमचे स्वतःचे कस्टम व्हिज्युअलायझेशन तयार करा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..bad375ff
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-27T18:15:02+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "mr"
+}
+-->
+# आपली स्वतःची कस्टम व्हिज तयार करा
+
+## सूचना
+
+या प्रकल्पातील कोड नमुन्याचा वापर करून एक सोशल नेटवर्क तयार करा आणि आपल्या स्वतःच्या सामाजिक संवादांचे काल्पनिक डेटा तयार करा. तुम्ही सोशल मीडियाचा वापर कसा करता याचे नकाशे तयार करू शकता किंवा आपल्या कुटुंबातील सदस्यांचे एक डायग्राम बनवू शकता. एक वेब अॅप तयार करा जे सोशल नेटवर्कचे अनोखे व्हिज्युअलायझेशन दाखवते.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | पुरेसे | सुधारणा आवश्यक
+--- | --- | -- |
+GitHub रेपो सादर केले आहे ज्यामध्ये कोड योग्य प्रकारे चालतो (त्याला स्टॅटिक वेब अॅप म्हणून डिप्लॉय करण्याचा प्रयत्न करा) आणि प्रकल्पाचे स्पष्टीकरण देणारे एक अॅनोटेटेड README आहे | रेपो योग्य प्रकारे चालत नाही किंवा चांगल्या प्रकारे दस्तऐवजीकरण केलेले नाही | रेपो योग्य प्रकारे चालत नाही आणि चांगल्या प्रकारे दस्तऐवजीकरण केलेले नाही
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..76e0ab2d
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:16:03+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "mr"
+}
+-->
+# डेंजरस लिझॉन्स डेटा व्हिज्युअलायझेशन प्रोजेक्ट
+
+सुरुवात करण्यासाठी, तुमच्या मशीनवर NPM आणि Node चालू असल्याची खात्री करा. dependencies (npm install) इंस्टॉल करा आणि प्रोजेक्ट स्थानिक पातळीवर चालवा (npm run serve):
+
+## प्रोजेक्ट सेटअप
+```
+npm install
+```
+
+### विकासासाठी संकलन आणि हॉट-रिलोड्स
+```
+npm run serve
+```
+
+### उत्पादनासाठी संकलन आणि मिनिफिकेशन
+```
+npm run build
+```
+
+### फायली लिंट आणि दुरुस्त करा
+```
+npm run lint
+```
+
+### कॉन्फिगरेशन सानुकूलित करा
+[Configuration Reference](https://cli.vuejs.org/config/) पहा.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..ea00b4f0
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:15:34+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "mr"
+}
+-->
+# Dangerous Liaisons डेटा व्हिज्युअलायझेशन प्रकल्प
+
+सुरुवात करण्यासाठी, तुमच्या मशीनवर NPM आणि Node चालू आहेत याची खात्री करा. अवलंबित्वे स्थापित करा (npm install) आणि नंतर प्रकल्प स्थानिक पातळीवर चालवा (npm run serve):
+
+## प्रकल्प सेटअप
+```
+npm install
+```
+
+### विकासासाठी संकलित आणि हॉट-रिलोड्स
+```
+npm run serve
+```
+
+### उत्पादनासाठी संकलित आणि मिनिफाय करते
+```
+npm run build
+```
+
+### फायली तपासते आणि दुरुस्त करते
+```
+npm run lint
+```
+
+### कॉन्फिगरेशन सानुकूलित करा
+[Configuration Reference](https://cli.vuejs.org/config/) पहा.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/mr/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..80c1f447
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,232 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-27T18:28:57+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "mr"
+}
+-->
+# प्रमाणांचे दृश्यरूप
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| प्रमाणांचे दृश्यरूप - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+या धड्यात तुम्ही R पॅकेज लायब्ररींचा वापर करून प्रमाणाच्या संकल्पनेभोवती आकर्षक दृश्यरूप तयार करण्याचे तंत्र शिकाल. मिनेसोटाच्या पक्ष्यांबद्दलच्या स्वच्छ केलेल्या डेटासेटचा वापर करून तुम्ही स्थानिक वन्यजीवांबद्दल अनेक मनोरंजक तथ्ये शिकू शकता.  
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## ggplot2 सह पंखांचा विस्तार निरीक्षण करा
+[ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html) ही एक उत्कृष्ट लायब्ररी आहे जी विविध प्रकारचे साधे आणि प्रगत प्लॉट्स व चार्ट्स तयार करण्यासाठी वापरली जाते. साधारणतः, या लायब्ररींचा वापर करून डेटा प्लॉट करण्याची प्रक्रिया म्हणजे तुमच्या डेटाफ्रेममधील विशिष्ट भाग ओळखणे, आवश्यक असल्यास त्या डेटावर रूपांतरण करणे, त्याचे x आणि y अक्ष मूल्ये नियुक्त करणे, कोणत्या प्रकारचा प्लॉट दाखवायचा ते ठरवणे आणि नंतर प्लॉट दाखवणे.
+
+`ggplot2` ही ग्राफिक्स तयार करण्यासाठी एक प्रणाली आहे जी The Grammar of Graphics वर आधारित आहे. [Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) ही डेटा व्हिज्युअलायझेशनसाठी एक सामान्य योजना आहे जी ग्राफ्सना स्केल्स आणि लेयर्ससारख्या घटकांमध्ये विभागते. थोडक्यात, कमी कोडसह एकेरी किंवा बहुविध डेटासाठी प्लॉट्स आणि ग्राफ्स तयार करण्याची सुलभता `ggplot2` ला R मधील सर्वात लोकप्रिय व्हिज्युअलायझेशन पॅकेज बनवते. वापरकर्ता `ggplot2` ला व्हेरिएबल्स कसे मॅप करायचे, कोणते ग्राफिकल प्रिमिटिव्ह वापरायचे हे सांगतो, आणि उर्वरित काम `ggplot2` करते.
+
+> ✅ प्लॉट = डेटा + सौंदर्यशास्त्र + भूमिती
+> - डेटा म्हणजे डेटासेट
+> - सौंदर्यशास्त्र म्हणजे अभ्यास करायचे व्हेरिएबल्स (x आणि y व्हेरिएबल्स)
+> - भूमिती म्हणजे प्लॉटचा प्रकार (लाइन प्लॉट, बार प्लॉट, इ.)
+
+तुमच्या डेटानुसार आणि प्लॉटद्वारे सांगायच्या कथेच्या आधारावर सर्वोत्तम भूमिती (प्लॉटचा प्रकार) निवडा.
+
+> - ट्रेंड्स विश्लेषणासाठी: लाइन, कॉलम
+> - मूल्ये तुलना करण्यासाठी: बार, कॉलम, पाई, स्कॅटरप्लॉट
+> - भाग कसे एकत्र येतात हे दाखवण्यासाठी: पाई
+> - डेटाचा वितरण दाखवण्यासाठी: स्कॅटरप्लॉट, बार
+> - मूल्यांमधील संबंध दाखवण्यासाठी: लाइन, स्कॅटरप्लॉट, बबल
+
+✅ तुम्ही `ggplot2` साठी हा वर्णनात्मक [cheatsheet](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) देखील पाहू शकता.
+
+## पक्ष्यांच्या पंखांच्या विस्तारावर आधारित लाइन प्लॉट तयार करा
+
+R कन्सोल उघडा आणि डेटासेट आयात करा.  
+> टीप: डेटासेट या रेपोच्या `/data` फोल्डरमध्ये संग्रहित आहे.
+
+डेटासेट आयात करूया आणि डेटा हेड (वरच्या 5 ओळी) पाहूया.
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```
+डेटाच्या हेडमध्ये मजकूर आणि संख्यांचा मिश्रण आहे:
+
+|      | नाव                          | शास्त्रीय नाव          | वर्ग                  | ऑर्डर       | कुटुंब   | वंश        | संवर्धन स्थिती      | किमान लांबी | कमाल लांबी | किमान शरीर वजन | कमाल शरीर वजन | किमान पंख विस्तार | कमाल पंख विस्तार |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ब्लॅक-बेलिड व्हिसलिंग-डक    | Dendrocygna autumnalis | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्व्हस व्हिसलिंग-डक       | Dendrocygna bicolor    | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | स्नो गूज                     | Anser caerulescens     | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रॉसचा गूज                   | Anser rossii           | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ग्रेटर व्हाइट-फ्रंटेड गूज   | Anser albifrons        | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+आता या मनोरंजक पक्ष्यांसाठी कमाल पंख विस्ताराचे दृश्य तयार करूया.
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```
+येथे, तुम्ही `ggplot2` पॅकेज इन्स्टॉल करता आणि नंतर `library("ggplot2")` कमांड वापरून ते वर्कस्पेसमध्ये आयात करता. ggplot मध्ये कोणताही प्लॉट तयार करण्यासाठी `ggplot()` फंक्शन वापरले जाते आणि तुम्ही डेटासेट, x आणि y व्हेरिएबल्स अॅट्रिब्युट्स म्हणून निर्दिष्ट करता. या प्रकरणात, आम्ही लाइन प्लॉट तयार करण्यासाठी `geom_line()` फंक्शन वापरतो.
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.mr.png)
+
+तुम्हाला लगेच काय दिसते? किमान एक आउटलाईअर आहे - हा पंखांचा विस्तार खूपच मोठा आहे! 2000+ सेंटीमीटर पंखांचा विस्तार म्हणजे 20 मीटरपेक्षा जास्त - मिनेसोटामध्ये पॅटरोडॅक्टाइल्स आहेत का? चला तपास करूया.
+
+तुम्ही Excel मध्ये जलद सॉर्ट करून हे आउटलाईअर्स शोधू शकता, जे कदाचित टायपोग्राफिकल चुका असतील, परंतु प्लॉटमधूनच व्हिज्युअलायझेशन प्रक्रिया सुरू ठेवा.
+
+x-अक्षावर पक्ष्यांच्या प्रकारांचे लेबल्स जोडा:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```
+आम्ही `theme` मध्ये कोन निर्दिष्ट करतो आणि `xlab()` आणि `ylab()` मध्ये x आणि y अक्ष लेबल्स निर्दिष्ट करतो. `ggtitle()` ग्राफ/प्लॉटला नाव देते.
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.mr.png)
+
+लेबल्स 45 अंशांवर फिरवूनही वाचण्यासाठी खूप जास्त आहेत. वेगळी रणनीती वापरूया: फक्त आउटलाईअर्सना लेबल करा आणि लेबल्स चार्टमध्ये सेट करा. अधिक जागा मिळवण्यासाठी तुम्ही स्कॅटर चार्ट वापरू शकता:
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```
+येथे काय चालले आहे? तुम्ही `geom_point()` फंक्शन वापरून स्कॅटर पॉइंट्स प्लॉट केले. यासह, तुम्ही `MaxWingspan > 500` असलेल्या पक्ष्यांसाठी लेबल्स जोडले आणि प्लॉटला कमी गोंधळात आणण्यासाठी x अक्षावरील लेबल्स लपवले.
+
+तुम्हाला काय सापडते?
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.mr.png)
+
+## तुमचा डेटा फिल्टर करा
+
+बॉल्ड ईगल आणि प्रेरी फाल्कन, कदाचित खूप मोठे पक्षी असले तरी, त्यांच्या कमाल पंख विस्तारासह चुकीचे लेबल लावलेले दिसतात, ज्यामध्ये अतिरिक्त 0 जोडले गेले आहे. 25 मीटर पंखांचा विस्तार असलेला बॉल्ड ईगल भेटण्याची शक्यता कमी आहे, परंतु जर असे झाले तर कृपया आम्हाला कळवा! चला या दोन आउटलाईअर्सशिवाय नवीन डेटाफ्रेम तयार करूया:
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```
+आम्ही नवीन डेटाफ्रेम `birds_filtered` तयार केला आणि नंतर स्कॅटर प्लॉट तयार केला. आउटलाईअर्स फिल्टर करून, तुमचा डेटा आता अधिक सुसंगत आणि समजण्यास सोपा आहे.
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.mr.png)
+
+आता पंखांच्या विस्ताराच्या बाबतीत तरी आपल्याकडे स्वच्छ डेटासेट आहे, चला या पक्ष्यांबद्दल अधिक शोधूया.
+
+लाइन आणि स्कॅटर प्लॉट्स डेटा मूल्ये आणि त्यांचे वितरण दर्शवू शकतात, परंतु आपण या डेटासेटमधील मूल्यांबद्दल विचार करू इच्छितो. तुम्ही प्रमाणाबद्दल खालील प्रश्नांची उत्तरे देण्यासाठी व्हिज्युअलायझेशन तयार करू शकता:
+
+> पक्ष्यांच्या किती श्रेण्या आहेत, आणि त्यांची संख्या किती आहे?  
+> किती पक्षी नामशेष, संकटग्रस्त, दुर्मिळ किंवा सामान्य आहेत?  
+> लिनियसच्या टर्मिनॉलॉजीमध्ये विविध वंश आणि ऑर्डरचे किती आहेत?  
+
+## बार चार्ट्सचा अभ्यास करा
+
+जेव्हा तुम्हाला डेटाचे गट दाखवायचे असतात तेव्हा बार चार्ट्स उपयुक्त ठरतात. या डेटासेटमध्ये असलेल्या पक्ष्यांच्या श्रेण्या शोधूया आणि पाहूया की कोणती श्रेणी संख्येने सर्वाधिक आहे.  
+फिल्टर केलेल्या डेटावर बार चार्ट तयार करूया.
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```
+खालील कोडमध्ये, आम्ही [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) आणि [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) पॅकेजेस इन्स्टॉल करतो जे डेटा हाताळण्यासाठी आणि गटबद्ध करण्यासाठी मदत करतात, जेणेकरून स्टॅक्ड बार चार्ट प्लॉट करता येईल. प्रथम, तुम्ही पक्ष्यांच्या `Category` नुसार डेटा गटबद्ध करता आणि नंतर `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` स्तंभांचे सारांश तयार करता. नंतर, `ggplot2` पॅकेज वापरून बार चार्ट प्लॉट करा आणि विविध श्रेणींसाठी रंग आणि लेबल्स निर्दिष्ट करा.
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.mr.png)
+
+हा बार चार्ट, तथापि, वाचण्यायोग्य नाही कारण खूप जास्त न गटबद्ध डेटा आहे. तुम्हाला फक्त प्लॉट करायचा डेटा निवडण्याची गरज आहे, म्हणून पक्ष्यांच्या श्रेणीवर आधारित लांबी पाहूया.
+
+तुमचा डेटा फक्त पक्ष्यांच्या श्रेणीसाठी फिल्टर करा.
+
+खूप श्रेण्या असल्याने, तुम्ही हा चार्ट उभा दाखवू शकता आणि सर्व डेटासाठी त्याची उंची समायोजित करू शकता:
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```
+तुम्ही `Category` स्तंभातील अद्वितीय मूल्ये मोजता आणि त्यांना नवीन डेटाफ्रेम `birds_count` मध्ये क्रमवारी लावता. ही क्रमवारी लावलेली डेटा नंतर त्याच स्तरावर फॅक्टर केली जाते जेणेकरून ती क्रमवारीत प्लॉट केली जाईल. नंतर, `ggplot2` वापरून तुम्ही डेटा बार चार्टमध्ये प्लॉट करता. `coord_flip()` क्षैतिज बार्स प्लॉट करते.
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.mr.png)
+
+हा बार चार्ट प्रत्येक श्रेणीतील पक्ष्यांची संख्या चांगल्या प्रकारे दाखवतो. एका झटक्यात, तुम्हाला दिसते की या प्रदेशातील सर्वाधिक पक्षी बदके/हंस/पाणपक्षी या श्रेणीत आहेत. मिनेसोटा '10,000 तलावांचे प्रदेश' असल्याने हे आश्चर्यकारक नाही!
+
+✅ या डेटासेटवर इतर काही मोजमाप करून पाहा. तुम्हाला काही आश्चर्य वाटते का?
+
+## डेटाची तुलना
+
+तुम्ही नवीन अक्ष तयार करून गटबद्ध डेटाची विविध तुलना करू शकता. पक्ष्यांच्या श्रेणीवर आधारित पक्ष्यांच्या `MaxLength` ची तुलना करून पाहा:
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```
+आम्ही `birds_filtered` डेटा `Category` नुसार गटबद्ध करतो आणि नंतर बार ग्राफ प्लॉट करतो.
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.mr.png)
+
+येथे काहीही आश्चर्यकारक नाही: हुमिंगबर्ड्सचे `MaxLength` पेलिकन्स किंवा गीसेच्या तुलनेत सर्वात कमी आहे. जेव्हा डेटा तार्किक अर्थ लावतो तेव्हा ते चांगले असते!
+
+तुम्ही बार चार्ट्सचे अधिक मनोरंजक व्हिज्युअलायझेशन तयार करू शकता, जसे की डेटा सुपरइम्पोज करणे. चला एका दिलेल्या पक्ष्याच्या श्रेणीवर किमान आणि कमाल लांबी सुपरइम्पोज करूया:
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.mr.png)
+
+## 🚀 आव्हान
+
+हा पक्ष्यांचा डेटासेट विशिष्ट परिसंस्थेमधील विविध प्रकारच्या पक्ष्यांबद्दल माहिती देतो. इंटरनेटवर शोधा आणि पक्ष्यांशी संबंधित इतर डेटासेट शोधा. या पक्ष्यांभोवती चार्ट्स आणि ग्राफ्स तयार करण्याचा सराव करा आणि तुम्हाला माहित नसलेल्या तथ्यांचा शोध घ्या.  
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या पहिल्या धड्यात तुम्हाला प्रमाणांचे दृश्यरूप तयार करण्यासाठी `ggplot2` कसे वापरायचे याबद्दल काही माहिती दिली आहे. व्हिज्युअलायझेशनसाठी डेटासेटसह काम करण्याचे इतर मार्ग शोधा. [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) आणि [Plotly](https://github.com/plotly/plotly.R#readme) यांसारख्या इतर पॅकेजेस वापरून तुम्ही व्हिज्युअलायझेशनसाठी कोणते डेटासेट वापरू शकता ते शोधा.
+
+## असाइनमेंट
+[लाइन, स्कॅटर्स, आणि बार्स](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/mr/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..7332834a
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-27T18:33:42+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "mr"
+}
+-->
+# रेषा, विखुरलेले आणि बार
+
+## सूचना
+
+या धड्यात, तुम्ही रेषा चार्ट, विखुरलेले प्लॉट्स आणि बार चार्ट्ससह काम केले जेणेकरून या डेटासेटबद्दल काही मनोरंजक तथ्ये दाखवता येतील. या असाइनमेंटमध्ये, डेटासेटचा अधिक सखोल अभ्यास करा आणि दिलेल्या पक्ष्यांच्या प्रकाराबद्दल एक तथ्य शोधा. उदाहरणार्थ, स्नो गीजबद्दल तुम्हाला सापडणारी सर्व मनोरंजक माहिती दृश्यमान करणारी स्क्रिप्ट तयार करा. वरील तीन प्लॉट्स वापरून तुमच्या नोटबुकमध्ये एक कथा सांगा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+चांगल्या टिपणांसह, ठोस कथाकथन आणि आकर्षक ग्राफ्ससह स्क्रिप्ट सादर केली आहे | स्क्रिप्टमध्ये या घटकांपैकी एकाचा अभाव आहे | स्क्रिप्टमध्ये या घटकांपैकी दोनचा अभाव आहे
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/mr/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..db18df77
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-27T18:22:37+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "mr"
+}
+-->
+# वितरणांचे दृश्यरूप
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| वितरणांचे दृश्यरूप - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+मागील धड्यात, तुम्ही मिनेसोटाच्या पक्ष्यांबद्दलच्या डेटासेटमधील काही मनोरंजक तथ्ये शिकलीत. तुम्ही बाहेरच्या मूल्यांचे (outliers) दृश्यरूप पाहून चुकीची डेटा ओळखलीत आणि पक्ष्यांच्या श्रेणींमधील जास्तीत जास्त लांबीच्या फरकांचा अभ्यास केला.
+
+## [पूर्व-व्याख्यान क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## पक्ष्यांच्या डेटासेटचा अभ्यास करा
+
+डेटामध्ये खोलवर जाण्याचा आणखी एक मार्ग म्हणजे त्याच्या वितरणाचा अभ्यास करणे, म्हणजे डेटा अक्षावर कसा आयोजित केला आहे हे पाहणे. उदाहरणार्थ, तुम्हाला कदाचित मिनेसोटाच्या पक्ष्यांसाठी जास्तीत जास्त पंखांचा विस्तार किंवा जास्तीत जास्त शरीराच्या वजनाचे सामान्य वितरण जाणून घ्यायचे असेल.
+
+या डेटासेटमधील वितरणांबद्दल काही तथ्ये शोधूया. तुमच्या R कन्सोलमध्ये `ggplot2` आणि डेटाबेस आयात करा. मागील विषयाप्रमाणे डेटाबेसमधून बाहेरच्या मूल्यांना काढून टाका.
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | नाव                          | शास्त्रीय नाव          | श्रेणी                | ऑर्डर       | कुटुंब   | वंश         | संवर्धन स्थिती       | किमान लांबी | जास्तीत जास्त लांबी | किमान शरीर वजन | जास्तीत जास्त शरीर वजन | किमान पंखांचा विस्तार | जास्तीत जास्त पंखांचा विस्तार |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ब्लॅक-बेलिड व्हिसलिंग-डक    | Dendrocygna autumnalis | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्व्हस व्हिसलिंग-डक        | Dendrocygna bicolor    | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | स्नो गूज                     | Anser caerulescens     | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रॉसचा गूज                    | Anser rossii           | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ग्रेटर व्हाइट-फ्रंटेड गूज    | Anser albifrons        | बदके/हंस/पाणपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+सामान्यतः, डेटा कसा वितरित केला आहे हे पटकन पाहण्यासाठी तुम्ही मागील धड्यात केल्याप्रमाणे स्कॅटर प्लॉट वापरू शकता:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![प्रत्येक ऑर्डरनुसार जास्तीत जास्त लांबी](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.mr.png)
+
+हे प्रत्येक पक्ष्याच्या ऑर्डरनुसार शरीराच्या लांबीचे सामान्य वितरण दर्शवते, परंतु खऱ्या वितरणाचे प्रदर्शन करण्यासाठी हा सर्वोत्तम मार्ग नाही. ही जबाबदारी सहसा हिस्टोग्राम तयार करून हाताळली जाते.
+
+## हिस्टोग्रामसह काम करणे
+
+`ggplot2` हिस्टोग्राम वापरून डेटा वितरणाचे उत्कृष्ट दृश्यरूप प्रदान करते. हा प्रकार बार चार्टसारखा असतो जिथे बारच्या चढ-उतारांद्वारे वितरण पाहता येते. हिस्टोग्राम तयार करण्यासाठी तुम्हाला संख्यात्मक डेटा आवश्यक आहे. हिस्टोग्राम तयार करण्यासाठी, तुम्ही चार्टचा प्रकार 'hist' म्हणून परिभाषित करू शकता. हा चार्ट संपूर्ण डेटासेटच्या श्रेणीतील जास्तीत जास्त शरीर वजनाचे वितरण दर्शवतो. डेटाच्या अ‍ॅरेला लहान बिन्समध्ये विभागून, तो डेटाच्या मूल्यांचे वितरण प्रदर्शित करू शकतो:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![संपूर्ण डेटासेटवरील वितरण](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.mr.png)
+
+जसे तुम्ही पाहू शकता, या डेटासेटमधील 400+ पक्ष्यांपैकी बहुतेक पक्षी त्यांच्या जास्तीत जास्त शरीर वजनासाठी 2000 च्या श्रेणीत येतात. `bins` पॅरामीटरचा आकडा जास्त, जसे की 30, करून डेटाबद्दल अधिक अंतर्दृष्टी मिळवा:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![30 बिन्ससह वितरण](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.mr.png)
+
+हा चार्ट वितरण थोड्या अधिक तपशीलवार पद्धतीने दर्शवतो. डावीकडे कमी झुकलेला चार्ट तयार केला जाऊ शकतो जर तुम्ही फक्त दिलेल्या श्रेणीतील डेटा निवडला:
+
+तुमचा डेटा फिल्टर करा आणि फक्त अशा पक्ष्यांचा डेटा मिळवा ज्यांचे शरीर वजन 60 च्या खाली आहे आणि 30 `bins` दर्शवा:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![फिल्टर केलेला हिस्टोग्राम](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.mr.png)
+
+✅ इतर फिल्टर्स आणि डेटा पॉइंट्स वापरून पहा. डेटाचे पूर्ण वितरण पाहण्यासाठी, `['MaxBodyMass']` फिल्टर काढून टाका आणि लेबल केलेले वितरण दर्शवा.
+
+हिस्टोग्राममध्ये काही छान रंग आणि लेबलिंग सुधारणा देखील आहेत:
+
+दोन वितरणांमधील संबंधांची तुलना करण्यासाठी 2D हिस्टोग्राम तयार करा. `MaxBodyMass` आणि `MaxLength` ची तुलना करूया. `ggplot2` उजळ रंग वापरून अभिसरण दर्शविण्याचा अंगभूत मार्ग प्रदान करते:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+या दोन घटकांमध्ये अपेक्षित अक्षावर एक अपेक्षित संबंध दिसतो, ज्यामध्ये अभिसरणाचा एक विशेषतः मजबूत बिंदू आहे:
+
+![2D प्लॉट](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.mr.png)
+
+हिस्टोग्राम संख्यात्मक डेटासाठी चांगले कार्य करतात. जर तुम्हाला मजकूर डेटानुसार वितरण पाहायचे असेल तर काय कराल?  
+## मजकूर डेटाचा वापर करून वितरणांचा अभ्यास करा
+
+या डेटासेटमध्ये पक्ष्यांच्या श्रेणी, वंश, प्रजाती, कुटुंब तसेच त्यांची संवर्धन स्थिती याबद्दल चांगली माहिती देखील समाविष्ट आहे. या संवर्धन माहितीत खोलवर जाऊया. पक्ष्यांचे संवर्धन स्थितीनुसार वितरण काय आहे?
+
+> ✅ या डेटासेटमध्ये संवर्धन स्थितीचे वर्णन करण्यासाठी अनेक संक्षेप वापरले जातात. हे संक्षेप [IUCN रेड लिस्ट श्रेणी](https://www.iucnredlist.org/) कडून आले आहेत, जी प्रजातींच्या स्थितीचे वर्गीकरण करणारी संस्था आहे.
+> 
+> - CR: गंभीरपणे संकटग्रस्त
+> - EN: संकटग्रस्त
+> - EX: नामशेष
+> - LC: कमी चिंता
+> - NT: जवळपास संकटग्रस्त
+> - VU: असुरक्षित
+
+हे मजकूर-आधारित मूल्ये असल्याने तुम्हाला हिस्टोग्राम तयार करण्यासाठी रूपांतरण करावे लागेल. `filteredBirds` डेटा फ्रेम वापरून, त्याची संवर्धन स्थिती आणि किमान पंखांचा विस्तार दर्शवा. तुम्हाला काय दिसते?
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![पंखांचा विस्तार आणि संवर्धन स्थितीचे संकलन](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.mr.png)
+
+किमान पंखांचा विस्तार आणि संवर्धन स्थिती यामध्ये चांगला संबंध दिसत नाही. या पद्धतीचा वापर करून डेटासेटमधील इतर घटकांची चाचणी घ्या. तुम्ही वेगवेगळे फिल्टर्स देखील वापरू शकता. तुम्हाला काही संबंध सापडतो का?
+
+## घनता प्लॉट्स
+
+तुम्ही लक्षात घेतले असेल की आतापर्यंत पाहिलेले हिस्टोग्राम 'स्टेप्ड' आहेत आणि ते गुळगुळीत वक्रात प्रवाहित होत नाहीत. गुळगुळीत घनता चार्ट दर्शविण्यासाठी, तुम्ही घनता प्लॉट वापरून पाहू शकता.
+
+आता घनता प्लॉट्ससह काम करूया!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![घनता प्लॉट](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.mr.png)
+
+तुम्ही पाहू शकता की हा प्लॉट किमान पंखांचा विस्तार डेटा दर्शवणाऱ्या मागील प्लॉटसारखाच आहे; तो फक्त थोडा गुळगुळीत आहे. जर तुम्हाला दुसऱ्या चार्टमधील जास्तीत जास्त शरीर वजनाच्या खडबडीत रेषेला गुळगुळीत करायचे असेल, तर तुम्ही ही पद्धत वापरून ती खूप चांगल्या प्रकारे गुळगुळीत करू शकता:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![शरीर वजनाची घनता](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.mr.png)
+
+जर तुम्हाला गुळगुळीत, पण खूप गुळगुळीत नसलेली रेषा हवी असेल, तर `adjust` पॅरामीटर संपादित करा:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![कमी गुळगुळीत शरीर वजन](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.mr.png)
+
+✅ या प्रकारच्या प्लॉटसाठी उपलब्ध पॅरामीटर्सबद्दल वाचा आणि प्रयोग करा!
+
+हा प्रकारचा चार्ट सुंदर स्पष्टीकरणात्मक दृश्ये प्रदान करतो. उदाहरणार्थ, काही ओळींच्या कोडसह, तुम्ही प्रत्येक पक्ष्याच्या ऑर्डरनुसार जास्तीत जास्त शरीर वजनाची घनता दर्शवू शकता:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![प्रत्येक ऑर्डरनुसार शरीर वजन](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.mr.png)
+
+## 🚀 आव्हान
+
+हिस्टोग्राम हे मूलभूत स्कॅटरप्लॉट्स, बार चार्ट्स किंवा लाइन चार्ट्सपेक्षा अधिक प्रगत प्रकारचे चार्ट आहेत. इंटरनेटवर शोधा आणि हिस्टोग्रामच्या चांगल्या उदाहरणांचा अभ्यास करा. ते कसे वापरले जातात, ते काय दर्शवतात, आणि कोणत्या क्षेत्रांमध्ये किंवा चौकशीच्या कोणत्या भागांमध्ये त्यांचा वापर होतो?
+
+## [व्याख्यानानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या धड्यात, तुम्ही `ggplot2` वापरले आणि अधिक प्रगत चार्ट्स तयार करण्यास सुरुवात केली. `geom_density_2d()` या "एक किंवा अधिक परिमाणांमध्ये सतत संभाव्यता घनता वक्र" बद्दल संशोधन करा. [डॉक्युमेंटेशन](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) वाचा आणि ते कसे कार्य करते ते समजून घ्या.
+
+## असाइनमेंट
+
+[तुमचे कौशल्य वापरा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/mr/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..919724c6
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-27T18:24:57+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "mr"
+}
+-->
+# तुमचे कौशल्य वापरा
+
+## सूचना
+
+आतापर्यंत, तुम्ही मिनेसोटा पक्ष्यांच्या डेटासेटसह काम करून पक्ष्यांच्या संख्येची आणि लोकसंख्येच्या घनतेची माहिती शोधली आहे. या तंत्रांचा वापर करून वेगळ्या डेटासेटवर प्रयत्न करा, कदाचित [Kaggle](https://www.kaggle.com/) वरून मिळवलेला डेटासेट वापरा. या डेटासेटबद्दल कथा सांगण्यासाठी एक R स्क्रिप्ट तयार करा आणि त्यावर चर्चा करताना हिस्टोग्राम्सचा वापर करणे सुनिश्चित करा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+डेटासेटबद्दल माहिती, त्याचा स्रोत यासह टिप्पण्या असलेली स्क्रिप्ट सादर केली जाते आणि डेटाबद्दल तथ्य शोधण्यासाठी किमान 5 हिस्टोग्राम्सचा वापर केला जातो. | स्क्रिप्ट सादर केली जाते परंतु टिप्पण्या अपूर्ण आहेत किंवा बग्स आहेत. | स्क्रिप्ट सादर केली जाते परंतु त्यात टिप्पण्या नाहीत आणि बग्स आहेत.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/mr/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..8067c435
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,197 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-27T18:37:01+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "mr"
+}
+-->
+# प्रमाणांचे दृश्यांकन
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|प्रमाणांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+या धड्यात, तुम्ही निसर्गावर आधारित वेगळ्या डेटासेटचा वापर करून प्रमाणांचे दृश्यांकन कराल, जसे की मशरूमबद्दलच्या डेटासेटमध्ये किती प्रकारचे कवक आहेत. चला, या आकर्षक कवकांचा अभ्यास करूया, ज्यासाठी Audubon कडून मिळवलेल्या डेटासेटमध्ये Agaricus आणि Lepiota कुटुंबातील 23 प्रकारच्या गिल्ड मशरूम्सची माहिती आहे. तुम्ही खालील प्रकारच्या स्वादिष्ट दृश्यांकनांचा प्रयोग कराल:
+
+- पाई चार्ट 🥧
+- डोनट चार्ट 🍩
+- वाफल चार्ट 🧇
+
+> 💡 [Charticulator](https://charticulator.com) नावाचा एक अतिशय रोचक प्रकल्प Microsoft Research कडून उपलब्ध आहे, जो डेटा दृश्यांकनासाठी फ्री ड्रॅग आणि ड्रॉप इंटरफेस प्रदान करतो. त्यांच्या एका ट्युटोरियलमध्ये त्यांनी मशरूम डेटासेटचा वापर केला आहे! त्यामुळे तुम्ही डेटा एक्सप्लोर करू शकता आणि लायब्ररी शिकू शकता: [Charticulator ट्युटोरियल](https://charticulator.com/tutorials/tutorial4.html).
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## तुमच्या मशरूम्सची ओळख 🍄
+
+मशरूम्स खूपच रोचक असतात. चला, त्यांचा अभ्यास करण्यासाठी एक डेटासेट आयात करूया:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```
+एक टेबल प्रिंट केले जाते ज्यामध्ये विश्लेषणासाठी उत्कृष्ट डेटा आहे:
+
+| वर्ग      | टोपीचा आकार | टोपीचा पृष्ठभाग | टोपीचा रंग | जखम | गंध    | गिल जोडणी | गिल अंतर | गिल आकार | गिल रंग | खांबाचा आकार | खांबाची मुळे | खांबाचा पृष्ठभाग वरील रिंग | खांबाचा पृष्ठभाग खालील रिंग | खांबाचा रंग वरील रिंग | खांबाचा रंग खालील रिंग | पडदा प्रकार | पडदा रंग | रिंग संख्या | रिंग प्रकार | बीज-छाप रंग | लोकसंख्या | निवासस्थान |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| विषारी    | उभट      | गुळगुळीत      | तपकिरी     | जखम     | तीव्र    | मुक्त            | जवळ        | अरुंद    | काळा      | मोठा       | समान      | गुळगुळीत                   | गुळगुळीत                   | पांढरा                  | पांढरा                  | अंशतः     | पांढरा      | एक         | लटकणारा   | काळा             | विखुरलेला  | शहरी   |
+| खाद्य      | उभट      | गुळगुळीत      | पिवळा      | जखम     | बदाम    | मुक्त            | जवळ        | रुंद     | काळा      | मोठा       | क्लब       | गुळगुळीत                   | गुळगुळीत                   | पांढरा                  | पांढरा                  | अंशतः     | पांढरा      | एक         | लटकणारा   | तपकिरी           | भरपूर      | गवत |
+| खाद्य      | घंटा      | गुळगुळीत      | पांढरा     | जखम     | अ‍ॅनिस   | मुक्त            | जवळ        | रुंद     | तपकिरी     | मोठा       | क्लब       | गुळगुळीत                   | गुळगुळीत                   | पांढरा                  | पांढरा                  | अंशतः     | पांढरा      | एक         | लटकणारा   | तपकिरी           | भरपूर      | कुरणे |
+| विषारी    | उभट      | खडबडीत        | पांढरा     | जखम     | तीव्र    | मुक्त            | जवळ        | अरुंद    | तपकिरी     | मोठा       | समान      | गुळगुळीत                   | गुळगुळीत                   | पांढरा                  | पांढरा                  | अंशतः     | पांढरा      | एक         | लटकणारा   | काळा             | विखुरलेला  | शहरी 
+| खाद्य | उभट       |गुळगुळीत       | हिरवा     | जखम नाही| काही नाही   |मुक्त            | गर्दी       | रुंद     | काळा      | टोकदार   | समान      |  गुळगुळीत | गुळगुळीत                    | पांढरा                 | पांढरा                  | अंशतः    | पांढरा     | एक         | लोपणारा | तपकिरी             | भरपूर | गवत
+|खाद्य  |  उभट      | खडबडीत   | पिवळा         | जखम  | बदाम  | मुक्त | जवळ  |   रुंद   |   तपकिरी  | मोठा   |   क्लब                      | गुळगुळीत                  | गुळगुळीत    | पांढरा                 |  पांढरा                | अंशतः      | पांढरा    |  एक  |  लटकणारा | काळा   | भरपूर | गवत
+      
+तुम्हाला लगेच लक्षात येते की सर्व डेटा मजकूर स्वरूपात आहे. तुम्हाला हा डेटा चार्टमध्ये वापरण्यासाठी रूपांतरित करावा लागेल. प्रत्यक्षात, बहुतेक डेटा ऑब्जेक्ट स्वरूपात दर्शविला जातो:
+
+```r
+names(mushrooms)
+```
+
+आउटपुट आहे:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```
+हा डेटा घ्या आणि 'class' कॉलमला श्रेणीमध्ये रूपांतरित करा:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```
+
+आता, जर तुम्ही मशरूम्स डेटा प्रिंट केला, तर तुम्हाला दिसेल की तो विषारी/खाद्य वर्गानुसार श्रेणींमध्ये गटबद्ध केला गेला आहे:
+```r
+View(grouped)
+```
+
+| वर्ग | संख्या |
+| --------- | --------- |
+| खाद्य | 4208 |
+| विषारी| 3916 |
+
+जर तुम्ही या टेबलमध्ये दिलेल्या क्रमाने वर्ग श्रेणी लेबल तयार केले, तर तुम्ही पाई चार्ट तयार करू शकता.
+
+## पाई!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```
+पाई चार्ट तयार झाला आहे, जो या दोन मशरूम्स वर्गांनुसार डेटाचे प्रमाण दर्शवतो. लेबल्सचा क्रम योग्य असणे खूप महत्त्वाचे आहे, विशेषतः येथे, त्यामुळे लेबल अ‍ॅरे तयार करताना क्रम सत्यापित करा!
+
+![पाई चार्ट](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.mr.png)
+
+## डोनट्स!
+
+पाई चार्टपेक्षा थोडा अधिक आकर्षक चार्ट म्हणजे डोनट चार्ट, जो पाई चार्टमध्ये मध्यभागी एक छिद्र असतो. चला, आपल्या डेटाचा अभ्यास या पद्धतीने करूया.
+
+मशरूम्स ज्या विविध निवासस्थानांमध्ये वाढतात त्यावर एक नजर टाका:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```
+आउटपुट आहे:
+| निवासस्थान| संख्या |
+| --------- | --------- |
+| गवत    | 2148 |
+| पाने| 832 |
+| कुरणे    | 292 |
+| पायवाटा| 1144 |
+| शहरी    | 368 |
+| कचरा| 192 |
+| लाकूड| 3148 |
+
+येथे, तुम्ही तुमचा डेटा निवासस्थानानुसार गटबद्ध करत आहात. 7 निवासस्थान दिले आहेत, त्यामुळे डोनट चार्टसाठी त्यांचा लेबल्स म्हणून वापर करा:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```
+
+![डोनट चार्ट](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.mr.png)
+
+या कोडमध्ये दोन लायब्ररी वापरल्या जातात - ggplot2 आणि webr. webr लायब्ररीच्या PieDonut फंक्शनचा वापर करून आपण सहजपणे डोनट चार्ट तयार करू शकतो!
+
+R मध्ये डोनट चार्ट फक्त ggplot2 लायब्ररी वापरून देखील तयार करता येतो. याबद्दल अधिक जाणून घ्या [येथे](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) आणि स्वतः प्रयत्न करा.
+
+आता तुम्हाला तुमचा डेटा गटबद्ध करणे आणि नंतर पाई किंवा डोनट म्हणून प्रदर्शित करणे कसे करायचे हे माहित आहे, तुम्ही इतर प्रकारचे चार्ट एक्सप्लोर करू शकता. वाफल चार्ट वापरून पहा, जो प्रमाण एक्सप्लोर करण्याचा वेगळा मार्ग आहे.
+
+## वाफल्स!
+
+'वाफल' प्रकारचा चार्ट प्रमाणांचे 2D अ‍ॅरे स्वरूपात चौकोन म्हणून दृश्यांकन करण्याचा वेगळा मार्ग आहे. या डेटासेटमधील मशरूम टोपीच्या रंगांच्या विविध प्रमाणांचे दृश्यांकन करण्याचा प्रयत्न करा. हे करण्यासाठी, तुम्हाला [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) नावाची एक सहाय्यक लायब्ररी स्थापित करावी लागेल आणि तिचा वापर करून तुमचे दृश्यांकन तयार करावे लागेल:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```
+
+तुमचा डेटा गटबद्ध करण्यासाठी एक विभाग निवडा:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```
+
+लेबल तयार करून आणि तुमचा डेटा गटबद्ध करून वाफल चार्ट तयार करा:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```
+
+वाफल चार्ट वापरून, तुम्ही मशरूम्स डेटासेटमधील टोपीच्या रंगांचे प्रमाण स्पष्टपणे पाहू शकता. आश्चर्यकारकपणे, अनेक हिरव्या टोपी असलेल्या मशरूम्स आहेत!
+
+![वाफल चार्ट](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.mr.png)
+
+या धड्यात, तुम्ही प्रमाणांचे दृश्यांकन करण्याचे तीन मार्ग शिकले. प्रथम, तुम्हाला तुमचा डेटा श्रेणींमध्ये गटबद्ध करावा लागतो आणि नंतर डेटा प्रदर्शित करण्याचा सर्वोत्तम मार्ग ठरवावा लागतो - पाई, डोनट, किंवा वाफल. सर्व प्रकार स्वादिष्ट आहेत आणि वापरकर्त्याला डेटासेटचा त्वरित स्नॅपशॉट देतात.
+
+## 🚀 आव्हान
+
+[Charticulator](https://charticulator.com) मध्ये हे स्वादिष्ट चार्ट पुन्हा तयार करण्याचा प्रयत्न करा.
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+कधी पाई, डोनट, किंवा वाफल चार्ट वापरायचा हे स्पष्ट नसते. या विषयावर वाचण्यासाठी काही लेख येथे दिले आहेत:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+या निर्णयाबद्दल अधिक माहिती मिळवण्यासाठी संशोधन करा.
+
+## असाइनमेंट
+
+[Excel मध्ये प्रयत्न करा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/mr/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..2de7ba32
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-27T18:25:27+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "mr"
+}
+-->
+# नातेसंबंधांचे दृश्यांकन: मधाबद्दल सर्व काही 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|नातेसंबंधांचे दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+आपल्या संशोधनाच्या निसर्ग-केंद्रित दृष्टिकोनाला पुढे नेत, विविध प्रकारच्या मधामधील नातेसंबंध दाखवण्यासाठी काही मनोरंजक दृश्यांकन शोधूया, जे [United States Department of Agriculture](https://www.nass.usda.gov/About_NASS/index.php) कडून मिळालेल्या डेटासेटवर आधारित आहे.
+
+सुमारे 600 आयटम्सचा हा डेटासेट अनेक अमेरिकन राज्यांमधील मध उत्पादन दाखवतो. उदाहरणार्थ, तुम्ही एका राज्यातील वसाहतींची संख्या, वसाहतीप्रति उत्पादन, एकूण उत्पादन, साठा, प्रति पाउंड किंमत आणि 1998-2012 दरम्यान प्रत्येक राज्यासाठी दरवर्षी मधाच्या उत्पादनाचे मूल्य पाहू शकता.
+
+एखाद्या राज्याच्या दरवर्षीच्या उत्पादन आणि त्या राज्यातील मधाच्या किंमतीमधील नातेसंबंधाचे दृश्यांकन करणे मनोरंजक ठरेल. पर्यायाने, तुम्ही राज्यांमधील वसाहतीप्रति मध उत्पादनाचे नातेसंबंध देखील दाखवू शकता. या कालावधीत 2006 मध्ये प्रथम दिसलेला 'CCD' किंवा 'Colony Collapse Disorder' (http://npic.orst.edu/envir/ccd.html) समाविष्ट आहे, त्यामुळे हा अभ्यास करण्यासाठी एक महत्त्वपूर्ण डेटासेट आहे. 🐝
+
+## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+या धड्यात, तुम्ही ggplot2 वापरू शकता, ज्याचा तुम्ही यापूर्वी वापर केला आहे, जो व्हेरिएबल्समधील नातेसंबंधांचे दृश्यांकन करण्यासाठी एक चांगले लायब्ररी आहे. विशेषतः ggplot2 च्या `geom_point` आणि `qplot` फंक्शनचा वापर, ज्यामुळे स्कॅटर प्लॉट्स आणि लाइन प्लॉट्सद्वारे '[statistical relationships](https://ggplot2.tidyverse.org/)' लवकर दाखवता येतात, डेटा सायंटिस्टला व्हेरिएबल्समधील नातेसंबंध अधिक चांगल्या प्रकारे समजण्यास मदत होते.
+
+## स्कॅटरप्लॉट्स
+
+मधाच्या किंमतीने दरवर्षी, प्रत्येक राज्यानुसार कसा बदल केला आहे हे दाखवण्यासाठी स्कॅटरप्लॉट वापरा. ggplot2 चा वापर करून `ggplot` आणि `geom_point` राज्य डेटा गटबद्ध करते आणि श्रेणीसंबंधित तसेच संख्यात्मक डेटा पॉइंट्स दाखवते.
+
+चला डेटा आणि Seaborn आयात करून सुरुवात करूया:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+तुम्हाला लक्षात येईल की मधाच्या डेटामध्ये वर्ष आणि प्रति पाउंड किंमत यासह अनेक मनोरंजक कॉलम्स आहेत. चला हा डेटा, अमेरिकन राज्यांनुसार गटबद्ध करून एक्सप्लोर करूया:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+प्रति पाउंड मधाच्या किंमती आणि त्याच्या अमेरिकन राज्याच्या मूळमधील नातेसंबंध दाखवण्यासाठी एक मूलभूत स्कॅटरप्लॉट तयार करा. `y` अक्ष पुरेसा उंच ठेवा जेणेकरून सर्व राज्ये दिसतील:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.mr.png)
+
+आता, मधाच्या रंगसंगतीसह वर्षानुवर्षे किंमत कशी बदलत आहे हे दाखवा. तुम्ही 'scale_color_gradientn' पॅरामीटर जोडून वर्षानुवर्षे बदल दाखवू शकता:
+
+> ✅ [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) बद्दल अधिक जाणून घ्या - सुंदर इंद्रधनुष्य रंगसंगती वापरून पहा!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.mr.png)
+
+या रंगसंगती बदलासह, तुम्ही पाहू शकता की मधाच्या प्रति पाउंड किंमतीत वर्षानुवर्षे स्पष्टपणे प्रगती होत आहे. खरंच, जर तुम्ही डेटामधील नमुना सेट तपासला (उदाहरणार्थ, एरिझोना राज्य निवडा) तर तुम्ही वर्षानुवर्षे किंमती वाढण्याचा नमुना पाहू शकता, काही अपवादांसह:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+रंगाऐवजी आकार वापरणे हा आणखी एक मार्ग आहे. रंगांबाबत अडचण असलेल्या वापरकर्त्यांसाठी, हा पर्याय चांगला ठरू शकतो. किंमतीत वाढ दाखवण्यासाठी डॉट्सच्या परिघात वाढ दाखवण्यासाठी तुमचे दृश्यांकन संपादित करा:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+तुम्ही पाहू शकता की डॉट्सचा आकार हळूहळू वाढत आहे.
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.mr.png)
+
+हे साधे पुरवठा आणि मागणीचे प्रकरण आहे का? हवामान बदल आणि वसाहतींचा नाश यासारख्या घटकांमुळे, वर्षानुवर्षे खरेदीसाठी कमी मध उपलब्ध आहे का, आणि त्यामुळे किंमत वाढत आहे का?
+
+या डेटासेटमधील काही व्हेरिएबल्समधील नातेसंबंध शोधण्यासाठी, चला काही लाइन चार्ट्स एक्सप्लोर करूया.
+
+## लाइन चार्ट्स
+
+प्रश्न: मधाच्या प्रति पाउंड किंमतीत दरवर्षी स्पष्ट वाढ आहे का? तुम्ही एकच लाइन चार्ट तयार करून ते सहज शोधू शकता:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+उत्तर: होय, काही अपवादांसह, विशेषतः 2003 च्या सुमारास:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.mr.png)
+
+प्रश्न: ठीक आहे, 2003 मध्ये मधाच्या पुरवठ्यातही वाढ दिसते का? जर तुम्ही वर्षानुवर्षे एकूण उत्पादन पाहिले तर काय?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.mr.png)
+
+उत्तर: तसे नाही. जर तुम्ही एकूण उत्पादन पाहिले तर, त्या विशिष्ट वर्षात ते प्रत्यक्षात वाढलेले दिसते, जरी सामान्यतः मधाचे उत्पादन या वर्षांमध्ये घटत आहे.
+
+प्रश्न: त्या बाबतीत, 2003 च्या सुमारास मधाच्या किंमतीत वाढ होण्याचे कारण काय असू शकते?
+
+हे शोधण्यासाठी, तुम्ही फॅसेट ग्रिड एक्सप्लोर करू शकता.
+
+## फॅसेट ग्रिड्स
+
+फॅसेट ग्रिड्स तुमच्या डेटासेटचा एक फॅसेट घेतात (आपल्या बाबतीत, 'वर्ष' निवडू शकता जेणेकरून खूप जास्त फॅसेट्स तयार होणार नाहीत). Seaborn नंतर तुमच्या निवडलेल्या x आणि y समन्वयांसाठी प्रत्येक फॅसेटसाठी प्लॉट तयार करू शकतो, ज्यामुळे तुलना करणे सोपे होते. या प्रकारच्या तुलनेत 2003 वेगळे दिसते का?
+
+[ggplot2 च्या दस्तऐवजांनुसार](https://ggplot2.tidyverse.org/reference/facet_wrap.html) `facet_wrap` वापरून फॅसेट ग्रिड तयार करा.
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+या दृश्यांकनात, तुम्ही वसाहतीप्रति उत्पादन आणि वसाहतींची संख्या वर्षानुवर्षे, राज्यानुसार बाजूने तुलना करू शकता, 3 कॉलम्ससाठी रॅप सेट करून:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.mr.png)
+
+या डेटासेटसाठी, वसाहतींची संख्या आणि त्यांचे उत्पादन, वर्षानुवर्षे आणि राज्यानुसार काहीही विशेषतः वेगळे दिसत नाही. या दोन व्हेरिएबल्समधील नातेसंबंध शोधण्यासाठी वेगळ्या प्रकारे पाहण्याचा प्रयत्न करता येईल का?
+
+## ड्युअल-लाइन प्लॉट्स
+
+R च्या `par` आणि `plot` फंक्शनचा वापर करून दोन लाइनप्लॉट्स एकमेकांवर सुपरइम्पोज करून मल्टीलाइन प्लॉट तयार करा. आपण x अक्षावर वर्ष प्लॉट करू आणि दोन y अक्ष प्रदर्शित करू. तर, वसाहतीप्रति उत्पादन आणि वसाहतींची संख्या सुपरइम्पोज करा:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.mr.png)
+
+2003 च्या सुमारास डोळ्याला काहीही वेगळे दिसत नाही, परंतु हे आपल्याला थोड्या आनंददायक नोटवर धडा संपवण्याची परवानगी देते: जरी वसाहतींची संख्या एकूण घटत आहे, तरीही वसाहतींची संख्या स्थिर होत आहे जरी त्यांचे वसाहतीप्रति उत्पादन कमी होत आहे.
+
+जा, मधमाशा, जा!
+
+🐝❤️
+## 🚀 आव्हान
+
+या धड्यात, तुम्ही स्कॅटरप्लॉट्स आणि लाइन ग्रिड्सच्या इतर उपयोगांबद्दल थोडे अधिक शिकले, ज्यामध्ये फॅसेट ग्रिड्सचा समावेश आहे. या तंत्रांचा वापर करून वेगळ्या डेटासेटसह फॅसेट ग्रिड तयार करण्याचे आव्हान स्वतःला द्या, कदाचित तुम्ही या धड्यांपूर्वी वापरलेला डेटासेट वापरा. ते तयार करण्यासाठी किती वेळ लागतो आणि तुम्हाला किती ग्रिड्स तयार करायचे आहेत याबाबत तुम्हाला काळजी घ्यावी लागते हे लक्षात ठेवा.
+## [व्याख्यानानंतर प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+लाइन प्लॉट्स साधे किंवा खूप जटिल असू शकतात. [ggplot2 च्या दस्तऐवजांमध्ये](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) विविध प्रकारे तुम्ही ते कसे तयार करू शकता याबद्दल थोडे वाचा. तुम्ही या धड्यात तयार केलेल्या लाइन चार्ट्सला दस्तऐवजांमध्ये सूचीबद्ध केलेल्या इतर पद्धतींसह सुधारण्याचा प्रयत्न करा.
+## असाइनमेंट
+
+[Dive into the beehive](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/mr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..faf4f2f2
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-27T18:34:12+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "mr"
+}
+-->
+# अर्थपूर्ण दृश्यांकन तयार करणे
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| अर्थपूर्ण दृश्यांकन - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "जर तुम्ही डेटा पुरेसा त्रास दिला, तर तो काहीही कबूल करेल" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+डेटा वैज्ञानिकाची एक मूलभूत कौशल्य म्हणजे अर्थपूर्ण डेटा दृश्यांकन तयार करण्याची क्षमता, ज्यामुळे तुम्हाला तुमचे प्रश्न सोडवण्यास मदत होते. तुमचा डेटा दृश्यात्मक करण्यापूर्वी, तुम्हाला तो स्वच्छ आणि तयार केला आहे याची खात्री करावी लागेल, जसे तुम्ही मागील धड्यांमध्ये केले. त्यानंतर, तुम्ही डेटा कसा सादर करायचा हे ठरवायला सुरुवात करू शकता.
+
+या धड्यात तुम्ही पुनरावलोकन कराल:
+
+1. योग्य चार्ट प्रकार कसा निवडायचा
+2. फसव्या चार्टिंगपासून कसे टाळावे
+3. रंगासोबत कसे काम करायचे
+4. वाचनीयतेसाठी तुमचे चार्ट कसे स्टाइल करायचे
+5. अॅनिमेटेड किंवा 3D चार्टिंग सोल्यूशन्स कसे तयार करायचे
+6. सर्जनशील दृश्यांकन कसे तयार करायचे
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## योग्य चार्ट प्रकार निवडा
+
+मागील धड्यांमध्ये, तुम्ही Matplotlib आणि Seaborn वापरून विविध प्रकारचे डेटा दृश्यांकन तयार करण्याचा प्रयोग केला. सामान्यतः, तुम्ही विचारत असलेल्या प्रश्नासाठी [योग्य प्रकारचा चार्ट](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) निवडण्यासाठी खालील तक्ता वापरू शकता:
+
+| तुम्हाला करायचे आहे:         | तुम्ही वापरावे:                 |
+| -------------------------- | ------------------------------- |
+| वेळेनुसार डेटा ट्रेंड दाखवा | लाइन                            |
+| श्रेणींची तुलना करा         | बार, पाई                        |
+| एकूणांची तुलना करा          | पाई, स्टॅक्ड बार                |
+| नातेसंबंध दाखवा             | स्कॅटर, लाइन, फेसट, ड्युअल लाइन |
+| वितरण दाखवा                 | स्कॅटर, हिस्टोग्राम, बॉक्स       |
+| प्रमाण दाखवा                | पाई, डोनट, वाफल                |
+
+> ✅ तुमच्या डेटाच्या स्वरूपानुसार, तुम्हाला ते टेक्स्टमधून संख्यात्मक स्वरूपात रूपांतरित करावे लागेल, जेणेकरून दिलेला चार्ट त्याला समर्थन देईल.
+
+## फसवणूक टाळा
+
+जरी डेटा वैज्ञानिक योग्य डेटा साठी योग्य चार्ट निवडण्यात काळजी घेत असेल, तरीही डेटा अशा प्रकारे प्रदर्शित केला जाऊ शकतो ज्यामुळे मुद्दा सिद्ध होतो, परंतु अनेकदा डेटा स्वतःच कमजोर होतो. फसव्या चार्ट्स आणि इन्फोग्राफिक्सचे अनेक उदाहरणे आहेत!
+
+[![How Charts Lie by Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.mr.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
+
+> 🎥 वरील प्रतिमेवर क्लिक करा फसव्या चार्ट्सबद्दलच्या परिषदेतल्या चर्चेसाठी
+
+हा चार्ट X अक्ष उलटवतो, जेणेकरून तारीख आधारित सत्याच्या उलट दाखवले जाते:
+
+![bad chart 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.mr.png)
+
+[हा चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) आणखी फसवणूक करणारा आहे, कारण डोळा उजवीकडे जातो आणि असा निष्कर्ष काढतो की, कालांतराने, विविध काउंटीजमध्ये COVID प्रकरणे कमी झाली आहेत. प्रत्यक्षात, जर तुम्ही तारखांकडे बारकाईने पाहिले, तर तुम्हाला आढळेल की त्या फसव्या उतरणाऱ्या ट्रेंडसाठी पुन्हा व्यवस्था करण्यात आल्या आहेत.
+
+![bad chart 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.mr.jpg)
+
+हा कुप्रसिद्ध उदाहरण रंग आणि उलटवलेल्या Y अक्षाचा वापर करून फसवणूक करतो: बंदूक-संबंधित कायदे लागू झाल्यानंतर बंदूक मृत्यू वाढले, असे निष्कर्ष काढण्याऐवजी, प्रत्यक्षात डोळा उलट विचार करतो:
+
+![bad chart 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.mr.jpg)
+
+हा विचित्र चार्ट दाखवतो की प्रमाण कसे हसण्यासारखे परिणाम देण्यासाठी बदलले जाऊ शकते:
+
+![bad chart 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.mr.jpg)
+
+अतुलनीय गोष्टींची तुलना करणे हा आणखी एक छुपा युक्ती आहे. [एक अप्रतिम वेबसाइट](https://tylervigen.com/spurious-correlations) 'स्प्युरियस करिलेशन्स' बद्दल 'तथ्ये' प्रदर्शित करते, जसे की मेनमधील घटस्फोट दर आणि मार्जरीनचा वापर. रेडिट ग्रुप देखील डेटाच्या [अगदी वाईट उपयोग](https://www.reddit.com/r/dataisugly/top/?t=all) गोळा करतो.
+
+फसव्या चार्ट्सद्वारे डोळा किती सहज फसवला जाऊ शकतो हे समजून घेणे महत्त्वाचे आहे. जरी डेटा वैज्ञानिकाचा हेतू चांगला असला तरी, खराब प्रकारचा चार्ट निवडणे, जसे की खूप जास्त श्रेणी दाखवणारा पाई चार्ट, फसवणूक करणारा ठरू शकतो.
+
+## रंग
+
+तुम्ही वर 'फ्लोरिडा गन व्हायोलन्स' चार्टमध्ये पाहिले की रंग चार्ट्समध्ये अतिरिक्त अर्थाचा स्तर प्रदान करू शकतो, विशेषतः जे ggplot2 आणि RColorBrewer सारख्या लायब्ररी वापरून डिझाइन केलेले नाहीत, ज्यामध्ये विविध प्रमाणित रंग लायब्ररी आणि पॅलेट्स असतात. जर तुम्ही चार्ट हाताने तयार करत असाल, तर [रंग सिद्धांत](https://colormatters.com/color-and-design/basic-color-theory) याचा थोडा अभ्यास करा.
+
+> ✅ चार्ट डिझाइन करताना, अॅक्सेसिबिलिटी हा दृश्यांकनाचा एक महत्त्वाचा पैलू आहे हे लक्षात ठेवा. तुमचे काही वापरकर्ते रंगांध असू शकतात - तुमचा चार्ट व्हिज्युअल इम्पेअरमेंट असलेल्या वापरकर्त्यांसाठी चांगला दिसतो का?
+
+तुमच्या चार्टसाठी रंग निवडताना काळजी घ्या, कारण रंग तुमच्या इच्छित नसलेल्या अर्थाचा संकेत देऊ शकतो. वर 'हाइट' चार्टमधील 'पिंक लेडीज' एक वेगळा 'स्त्रीलिंगी' अर्थ देतात, ज्यामुळे चार्ट स्वतःच विचित्र वाटतो.
+
+जरी [रंगाचा अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) वेगवेगळ्या भागांमध्ये वेगळा असू शकतो आणि त्याच्या छटेनुसार बदलत असतो, तरी सामान्यतः रंगाचे अर्थ खालीलप्रमाणे असतात:
+
+| रंग    | अर्थ                 |
+| ------ | ------------------- |
+| लाल    | शक्ती               |
+| निळा   | विश्वास, निष्ठा      |
+| पिवळा  | आनंद, सावधगिरी     |
+| हिरवा  | पर्यावरण, नशीब, मत्सर |
+| जांभळा | आनंद                |
+| नारंगी | उत्साह              |
+
+जर तुम्हाला कस्टम रंगांसह चार्ट तयार करण्याचे काम दिले गेले असेल, तर तुमचे चार्ट अॅक्सेसिबल आहेत आणि तुम्ही निवडलेला रंग तुम्ही व्यक्त करू इच्छित असलेल्या अर्थाशी जुळतो याची खात्री करा.
+
+## वाचनीयतेसाठी तुमचे चार्ट स्टाइल करा
+
+चार्ट अर्थपूर्ण नसतात जर ते वाचनीय नसतील! तुमच्या डेटासह चांगल्या प्रकारे स्केल करण्यासाठी तुमच्या चार्टची रुंदी आणि उंची स्टाइल करण्याचा विचार करा. जर एक व्हेरिएबल (जसे की सर्व 50 राज्ये) प्रदर्शित करायचे असेल, तर ते शक्य असल्यास Y अक्षावर उभे दाखवा, जेणेकरून आडव्या-स्क्रोलिंग चार्ट टाळता येईल.
+
+तुमच्या अक्षांना लेबल द्या, आवश्यक असल्यास एक लेजेंड प्रदान करा आणि डेटा चांगल्या प्रकारे समजण्यासाठी टूलटिप्स ऑफर करा.
+
+जर तुमचा डेटा X अक्षावर टेक्स्ट स्वरूपात आणि विस्तृत असेल, तर वाचनीयतेसाठी टेक्स्ट अँगल करा. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) 3D प्लॉटिंग ऑफर करते, जर तुमचा डेटा त्याला समर्थन देत असेल. त्याचा वापर करून प्रगत डेटा दृश्यांकन तयार करता येते.
+
+![3d plots](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.mr.png)
+
+## अॅनिमेशन आणि 3D चार्ट प्रदर्शन
+
+आजकाल काही सर्वोत्तम डेटा दृश्यांकन अॅनिमेटेड आहेत. Shirley Wu ने D3 वापरून केलेली अप्रतिम उदाहरणे आहेत, जसे '[film flowers](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जिथे प्रत्येक फूल एका चित्रपटाचे दृश्यांकन आहे. गार्डियनसाठी आणखी एक उदाहरण आहे 'bussed out', एक परस्पर अनुभव जो दृश्यांकन Greensock आणि D3 सह स्क्रोलिटेलिंग लेख स्वरूपात NYC कसे त्याच्या बेघर लोकांना शहराबाहेर पाठवते हे दाखवतो.
+
+![busing](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.mr.png)
+
+> "Bussed Out: How America Moves its Homeless" [गार्डियन](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) कडून. दृश्यांकन Nadieh Bremer & Shirley Wu यांनी.
+
+जरी हा धडा या शक्तिशाली दृश्यांकन लायब्ररी शिकवण्यासाठी पुरेसा नाही, तरी Vue.js अॅपमध्ये D3 वापरून 'Dangerous Liaisons' या पुस्तकाचे अॅनिमेटेड सोशल नेटवर्क दृश्यांकन तयार करण्याचा प्रयत्न करा.
+
+> "Les Liaisons Dangereuses" हे पत्रांच्या मालिकेच्या स्वरूपात सादर केलेले एक कादंबरी आहे. 1782 मध्ये Choderlos de Laclos यांनी लिहिलेले, हे फ्रेंच अभिजात वर्गातील दोन प्रतिस्पर्धी नायक, Vicomte de Valmont आणि Marquise de Merteuil यांच्या सामाजिक युक्त्या आणि त्यांच्या पतनाची कथा सांगते. कादंबरी पत्रांच्या मालिकेच्या स्वरूपात उलगडते, ज्यामध्ये सूड घेण्याचे किंवा फक्त त्रास देण्याचे कट रचले जातात. या पत्रांचे दृश्यांकन तयार करा जेणेकरून कथानकातील प्रमुख पात्रे दृश्यात्मकपणे शोधता येतील.
+
+तुम्ही एक वेब अॅप पूर्ण कराल जे या सामाजिक नेटवर्कचे अॅनिमेटेड दृश्य प्रदर्शित करेल. Vue.js आणि D3 वापरून नेटवर्कचे [दृश्य](https://github.com/emiliorizzo/vue-d3-network) तयार करण्यासाठी एक लायब्ररी वापरली जाते. अॅप चालू असताना, तुम्ही स्क्रीनवर नोड्स खेचून डेटा हलवू शकता.
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.mr.png)
+
+## प्रकल्प: D3.js वापरून नेटवर्क दाखवणारा चार्ट तयार करा
+
+> या धड्याच्या फोल्डरमध्ये एक `solution` फोल्डर समाविष्ट आहे जिथे तुम्ही पूर्ण प्रकल्प संदर्भासाठी शोधू शकता.
+
+1. स्टार्टर फोल्डरच्या मूळमध्ये README.md फाइलमधील सूचना अनुसरा. तुमच्या मशीनवर NPM आणि Node.js चालू असल्याची खात्री करा आणि नंतर तुमच्या प्रकल्पाच्या dependencies इंस्टॉल करा.
+
+2. `starter/src` फोल्डर उघडा. तुम्हाला एक `assets` फोल्डर सापडेल जिथे कादंबरीतील सर्व पत्रे असलेली .json फाइल आहे, क्रमांकित, 'to' आणि 'from' annotation सह.
+
+3. `components/Nodes.vue` मध्ये कोड पूर्ण करा जेणेकरून दृश्य सक्षम होईल. `createLinks()` नावाच्या पद्धतीसाठी शोधा आणि खालील nested loop जोडा.
+
+.json ऑब्जेक्टमधून 'to' आणि 'from' डेटा पत्रांसाठी कॅप्चर करा आणि `links` ऑब्जेक्ट तयार करा जेणेकरून दृश्यांकन लायब्ररी त्याचा वापर करू शकेल:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+तुमचा अॅप टर्मिनलमधून चालवा (npm run serve) आणि दृश्याचा आनंद घ्या!
+
+## 🚀 आव्हान
+
+इंटरनेटवर फसव्या दृश्यांकनांचा शोध घ्या. लेखक वापरकर्त्याला कसा फसवतो आणि तो हेतुपुरस्सर आहे का? दृश्यांकन योग्य प्रकारे कसे दिसावे हे दाखवण्यासाठी त्यांना सुधारण्याचा प्रयत्न करा.
+
+## [व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+फसव्या डेटा दृश्यांकनाबद्दल वाचण्यासाठी काही लेख येथे आहेत:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ऐतिहासिक मालमत्ता आणि वस्तूंसाठी काही मनोरंजक दृश्यांकन येथे पहा:
+
+https://handbook.pubpub.org/
+
+अॅनिमेशन तुमच्या दृश्यांकनांना कसे सुधारू शकते याबद्दल या लेखाकडे पहा:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## असाइनमेंट
+
+[तुमचे स्वतःचे कस्टम दृश्यांकन तयार करा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/3-Data-Visualization/README.md b/translations/mr/3-Data-Visualization/README.md
new file mode 100644
index 00000000..d0e6fcf1
--- /dev/null
+++ b/translations/mr/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-27T18:10:05+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "mr"
+}
+-->
+# दृश्यचित्रण
+
+![लॅव्हेंडर फुलावर मधमाशी](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.mr.jpg)
+> फोटो <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">जेनना ली</a> यांनी Unsplash वरून घेतला आहे. <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a>
+
+डेटा सायंटिस्टसाठी डेटा दृश्यचित्रण करणे ही एक महत्त्वाची जबाबदारी आहे. एक चित्र हजार शब्दांपेक्षा जास्त सांगते, आणि दृश्यचित्रण तुम्हाला तुमच्या डेटामधील अनेक मनोरंजक गोष्टी शोधण्यात मदत करू शकते, जसे की स्पाइक्स, आउटलाईयर्स, गट, प्रवृत्ती, आणि बरेच काही, ज्यामुळे तुम्हाला तुमचा डेटा काय सांगू इच्छित आहे हे समजण्यास मदत होते.
+
+या पाच धड्यांमध्ये, तुम्ही निसर्गातून मिळालेल्या डेटाचा अभ्यास कराल आणि विविध तंत्रांचा वापर करून आकर्षक आणि सुंदर दृश्यचित्रण तयार कराल.
+
+| विषय क्रमांक | विषय | संबंधित धडा | लेखक |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | प्रमाणांचे दृश्यचित्रण | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोनधी](https://github.com/jasleen101010)</li></ul> |
+| 2. | वितरणाचे दृश्यचित्रण | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोनधी](https://github.com/jasleen101010)</li></ul> |
+| 3. | प्रमाणांचे दृश्यचित्रण | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोनधी](https://github.com/jasleen101010)</li></ul> |
+| 4. | नातेसंबंधांचे दृश्यचित्रण | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोनधी](https://github.com/jasleen101010)</li></ul> |
+| 5. | अर्थपूर्ण दृश्यचित्रण तयार करणे | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोनधी](https://github.com/jasleen101010)</li></ul> |
+
+### श्रेय
+
+हे दृश्यचित्रण धडे 🌸 [जेन लूपर](https://twitter.com/jenlooper), [जसलीन सोनधी](https://github.com/jasleen101010) आणि [विदुषी गुप्ता](https://github.com/Vidushi-Gupta) यांनी लिहिले आहेत.
+
+🍯 अमेरिकेतील मध उत्पादनाचा डेटा जेसिका लीच्या [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) प्रकल्पातून घेतला आहे. [डेटा](https://usda.library.cornell.edu/concern/publications/rn301137d) [युनायटेड स्टेट्स डिपार्टमेंट ऑफ अॅग्रिकल्चर](https://www.nass.usda.gov/About_NASS/index.php) कडून घेतला आहे.
+
+🍄 मशरूमसाठीचा डेटा [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) वरून हॅटरस डंटन यांनी सुधारित केला आहे. या डेटासेटमध्ये Agaricus आणि Lepiota कुटुंबातील 23 प्रजातींच्या गिल्ड मशरूमचे वर्णन आहे. हा डेटा The Audubon Society Field Guide to North American Mushrooms (1981) वरून घेतला आहे. हा डेटासेट 1987 मध्ये UCI ML 27 ला दान करण्यात आला.
+
+🦆 मिनेसोटा पक्ष्यांसाठीचा डेटा [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) वरून हॅना कॉलिन्स यांनी [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) वरून स्क्रॅप केला आहे.
+
+सर्व हे डेटासेट [CC0: क्रिएटिव्ह कॉमन्स](https://creativecommons.org/publicdomain/zero/1.0/) अंतर्गत परवानाधारक आहेत.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/mr/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..93a55084
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,123 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-27T17:56:44+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्स जीवनचक्राची ओळख
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| डेटा सायन्स जीवनचक्राची ओळख - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [पूर्व-व्याख्यान क्विझ](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+आत्तापर्यंत तुम्हाला कदाचित हे लक्षात आले असेल की डेटा सायन्स हा एक प्रक्रिया आहे. ही प्रक्रिया 5 टप्प्यांमध्ये विभागली जाऊ शकते:
+
+- डेटा गोळा करणे
+- प्रक्रिया करणे
+- विश्लेषण
+- संवाद साधणे
+- देखभाल
+
+या धड्यात जीवनचक्राच्या 3 भागांवर लक्ष केंद्रित केले आहे: डेटा गोळा करणे, प्रक्रिया करणे आणि देखभाल.
+
+![डेटा सायन्स जीवनचक्राचा आकृती](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.mr.jpg)  
+> फोटो [बर्कले स्कूल ऑफ इन्फॉर्मेशन](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) यांच्याकडून
+
+## डेटा गोळा करणे
+
+जीवनचक्राचा पहिला टप्पा खूप महत्त्वाचा आहे कारण पुढील टप्पे यावर अवलंबून असतात. हा टप्पा प्रत्यक्षात दोन टप्प्यांचा एकत्रित भाग आहे: डेटा मिळवणे आणि उद्दिष्टे व समस्यांचे परिभाषित करणे.  
+प्रकल्पाचे उद्दिष्टे परिभाषित करण्यासाठी समस्येचा किंवा प्रश्नाचा सखोल संदर्भ आवश्यक आहे. प्रथम, ज्यांना त्यांची समस्या सोडवायची आहे त्यांना ओळखणे आणि त्यांच्याशी संपर्क साधणे आवश्यक आहे. हे व्यवसायातील भागधारक किंवा प्रकल्पाचे प्रायोजक असू शकतात, जे प्रकल्पाचा फायदा कोणाला होईल, काय आणि का याची ओळख पटवून देऊ शकतात. चांगले परिभाषित उद्दिष्ट मोजता येण्याजोगे आणि परिमाणात्मक असावे जेणेकरून स्वीकारार्ह परिणाम निश्चित करता येईल.
+
+डेटा सायंटिस्ट विचारू शकणारे प्रश्न:
+- ही समस्या यापूर्वी हाताळली गेली आहे का? काय शोधले गेले?
+- उद्दिष्टे आणि हेतू सर्व संबंधितांना समजले आहेत का?
+- काही संदिग्धता आहे का? ती कशी कमी करता येईल?
+- मर्यादा काय आहेत?
+- अंतिम परिणाम कसा दिसेल?
+- किती संसाधने (वेळ, लोक, संगणकीय) उपलब्ध आहेत?
+
+यानंतर, परिभाषित उद्दिष्टे साध्य करण्यासाठी आवश्यक डेटा ओळखणे, गोळा करणे आणि त्याचा अभ्यास करणे आवश्यक आहे. या टप्प्यावर, डेटा सायंटिस्टला डेटाची मात्रा आणि गुणवत्ता तपासावी लागते. यासाठी डेटा अन्वेषण आवश्यक आहे जेणेकरून गोळा केलेला डेटा इच्छित परिणाम साध्य करण्यास उपयुक्त ठरेल.
+
+डेटाबाबत डेटा सायंटिस्ट विचारू शकणारे प्रश्न:
+- माझ्याकडे आधीपासून कोणता डेटा उपलब्ध आहे?
+- हा डेटा कोणाचा आहे?
+- गोपनीयतेचे कोणते मुद्दे आहेत?
+- ही समस्या सोडवण्यासाठी पुरेसा डेटा आहे का?
+- या समस्येसाठी डेटा स्वीकारार्ह गुणवत्तेचा आहे का?
+- जर या डेटामधून अतिरिक्त माहिती सापडली, तर उद्दिष्टे बदलण्याचा विचार करावा का?
+
+## प्रक्रिया करणे
+
+जीवनचक्राचा प्रक्रिया टप्पा डेटामधील पॅटर्न शोधणे आणि मॉडेलिंगवर लक्ष केंद्रित करतो. या टप्प्यातील काही तंत्रे सांख्यिकीय पद्धतींचा वापर करून पॅटर्न शोधण्यासाठी वापरली जातात. मोठ्या डेटासेटसाठी हे काम माणसासाठी खूप वेळखाऊ असते, त्यामुळे संगणकाचा वापर करून प्रक्रिया वेगवान केली जाते. या टप्प्यात डेटा सायन्स आणि मशीन लर्निंग यांचा संगम होतो. पहिल्या धड्यात शिकल्याप्रमाणे, मशीन लर्निंग म्हणजे डेटाचे आकलन करण्यासाठी मॉडेल तयार करणे. मॉडेल म्हणजे डेटामधील व्हेरिएबल्समधील संबंधांचे प्रतिनिधित्व, जे परिणामांचा अंदाज लावण्यास मदत करते.
+
+या टप्प्यात वापरली जाणारी सामान्य तंत्रे ML for Beginners अभ्यासक्रमात समाविष्ट आहेत. त्याबद्दल अधिक जाणून घेण्यासाठी खालील दुवे पहा:
+
+- [Classification](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): डेटाला अधिक कार्यक्षमतेने वापरण्यासाठी श्रेणींमध्ये वर्गीकृत करणे.
+- [Clustering](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): समान गटांमध्ये डेटा गटबद्ध करणे.
+- [Regression](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): व्हेरिएबल्समधील संबंध ठरवून मूल्यांचा अंदाज किंवा पूर्वानुमान करणे.
+
+## देखभाल
+
+जीवनचक्राच्या आकृतीमध्ये, तुम्ही पाहिले असेल की देखभाल हा टप्पा डेटा गोळा करणे आणि प्रक्रिया करणे यामध्ये आहे. देखभाल म्हणजे प्रकल्पाच्या प्रक्रियेदरम्यान डेटा व्यवस्थापित करणे, साठवणे आणि सुरक्षित ठेवणे. ही प्रक्रिया प्रकल्पाच्या संपूर्ण कालावधीत विचारात घेतली पाहिजे.
+
+### डेटा साठवणे
+
+डेटा कसा आणि कुठे साठवायचा याचा विचार साठवणीच्या खर्चावर तसेच डेटा किती वेगाने प्रवेशयोग्य होईल यावर परिणाम करू शकतो. अशा निर्णयांमध्ये डेटा सायंटिस्ट एकटा निर्णय घेणार नाही, परंतु डेटा कसा साठवला जातो यावर आधारित काम करण्याच्या पद्धती निवडाव्या लागतील.
+
+आधुनिक डेटा साठवण प्रणालींचे काही पैलू जे या निवडींवर परिणाम करू शकतात:
+
+**ऑन-प्रिमाइसेस विरुद्ध ऑफ-प्रिमाइसेस विरुद्ध सार्वजनिक किंवा खाजगी क्लाउड**
+
+ऑन-प्रिमाइसेस म्हणजे स्वतःच्या उपकरणांवर डेटा होस्ट करणे, जसे की सर्व्हर आणि हार्ड ड्राइव्ह्स, तर ऑफ-प्रिमाइसेस म्हणजे अशा उपकरणांवर अवलंबून राहणे जे तुमचे स्वतःचे नाहीत, जसे की डेटा सेंटर. सार्वजनिक क्लाउड ही डेटा साठवण्यासाठी एक लोकप्रिय निवड आहे, ज्यासाठी डेटा कसा आणि कुठे साठवला जातो याचे ज्ञान आवश्यक नाही. काही संस्थांमध्ये कडक सुरक्षा धोरणे असतात, ज्यामुळे त्यांना डेटा होस्ट करणाऱ्या उपकरणांवर पूर्ण प्रवेश आवश्यक असतो, आणि अशा वेळी खाजगी क्लाउडचा वापर केला जातो. तुम्ही [पुढील धड्यांमध्ये](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud) क्लाउडमधील डेटाबद्दल अधिक शिकाल.
+
+**कोल्ड विरुद्ध हॉट डेटा**
+
+तुमच्या मॉडेल्सना प्रशिक्षण देताना तुम्हाला अधिक प्रशिक्षण डेटा लागेल. जर तुम्ही तुमच्या मॉडेलवर समाधानी असाल, तरीही त्याच्या उद्देशासाठी नवीन डेटा येत राहील. अशा परिस्थितीत डेटा साठवण्याचा आणि त्याचा प्रवेश करण्याचा खर्च वाढेल. क्वचितच वापरल्या जाणाऱ्या डेटाला (कोल्ड डेटा) वारंवार वापरल्या जाणाऱ्या डेटापासून (हॉट डेटा) वेगळे करणे हे हार्डवेअर किंवा सॉफ्टवेअर सेवांद्वारे स्वस्त साठवणीचा पर्याय ठरू शकते. कोल्ड डेटा प्रवेशासाठी थोडा अधिक वेळ लागू शकतो.
+
+### डेटा व्यवस्थापन
+
+डेटावर काम करताना तुम्हाला कदाचित असे आढळेल की काही डेटा स्वच्छ करणे आवश्यक आहे. [डेटा तयारी](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) धड्यात समाविष्ट केलेल्या तंत्रांचा वापर करून अचूक मॉडेल तयार करण्यासाठी डेटा स्वच्छ केला जाऊ शकतो. नवीन डेटा आल्यावर त्याच गुणवत्तेची सुसंगतता राखण्यासाठी त्याच तंत्रांचा वापर करावा लागेल. काही प्रकल्पांमध्ये डेटा स्वच्छ करणे, एकत्र करणे आणि संक्षेप करणे यासाठी स्वयंचलित साधनांचा वापर केला जातो. Azure Data Factory हे अशा साधनांचे एक उदाहरण आहे.
+
+### डेटा सुरक्षित ठेवणे
+
+डेटा सुरक्षित ठेवण्याचे मुख्य उद्दिष्ट म्हणजे डेटा कसा गोळा केला जातो आणि कोणत्या संदर्भात वापरला जातो यावर नियंत्रण ठेवणे. डेटा सुरक्षित ठेवण्यासाठी फक्त गरज असलेल्या लोकांनाच प्रवेश देणे, स्थानिक कायदे आणि नियमांचे पालन करणे, तसेच नैतिक मानकांचे पालन करणे आवश्यक आहे. याबद्दल [नैतिकता धड्यात](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics) अधिक माहिती दिली आहे.
+
+सुरक्षेच्या दृष्टीने टीमकडून केले जाणारे काही उपाय:
+- सर्व डेटा एन्क्रिप्ट केला आहे याची खात्री करणे
+- ग्राहकांना त्यांच्या डेटाचा कसा वापर केला जातो याची माहिती देणे
+- प्रकल्प सोडलेल्या व्यक्तींचा डेटा प्रवेश काढून टाकणे
+- फक्त विशिष्ट प्रकल्प सदस्यांनाच डेटा बदलण्याची परवानगी देणे
+
+## 🚀 आव्हान
+
+डेटा सायन्स जीवनचक्राच्या अनेक आवृत्त्या आहेत, जिथे प्रत्येक टप्प्याला वेगवेगळी नावे आणि टप्प्यांची संख्या असू शकते, परंतु या धड्यात नमूद केलेल्या प्रक्रियांचा समावेश असेल.
+
+[टीम डेटा सायन्स प्रक्रिया जीवनचक्र](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) आणि [क्रॉस-इंडस्ट्री मानक प्रक्रिया डेटा माइनिंगसाठी](https://www.datascience-pm.com/crisp-dm-2/) यांचा अभ्यास करा. त्यामधील 3 साम्ये आणि फरक सांगा.
+
+|टीम डेटा सायन्स प्रक्रिया (TDSP)|क्रॉस-इंडस्ट्री मानक प्रक्रिया डेटा माइनिंगसाठी (CRISP-DM)|
+|--|--|
+|![टीम डेटा सायन्स जीवनचक्र](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.mr.png) | ![डेटा सायन्स प्रक्रिया अलायन्स प्रतिमा](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.mr.png) |
+| प्रतिमा [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) यांच्याकडून | प्रतिमा [डेटा सायन्स प्रक्रिया अलायन्स](https://www.datascience-pm.com/crisp-dm-2/) यांच्याकडून |
+
+## [व्याख्यानानंतरचा क्विझ](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+डेटा सायन्स जीवनचक्र लागू करणे यामध्ये अनेक भूमिका आणि कार्ये समाविष्ट असतात, जिथे काही विशिष्ट टप्प्यांवर लक्ष केंद्रित करतात. टीम डेटा सायन्स प्रक्रिया प्रकल्पामध्ये कोणत्या प्रकारच्या भूमिका आणि कार्ये असू शकतात याबद्दल काही संसाधने प्रदान करते.
+
+* [टीम डेटा सायन्स प्रक्रिया भूमिका आणि कार्ये](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)  
+* [डेटा सायन्स कार्ये अंमलात आणा: अन्वेषण, मॉडेलिंग, आणि तैनात करणे](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## असाइनमेंट
+
+[डेटासेटचे मूल्यांकन करणे](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/mr/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..b833902c
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-27T18:00:25+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "mr"
+}
+-->
+# डेटासेटचे मूल्यांकन
+
+एक ग्राहक तुमच्या टीमकडे न्यूयॉर्क सिटीतील टॅक्सी ग्राहकांच्या हंगामी खर्चाच्या सवयींचा तपास करण्यासाठी मदत मागत आला आहे.
+
+त्यांना जाणून घ्यायचे आहे: **न्यूयॉर्क सिटीतील यलो टॅक्सी प्रवासी हिवाळ्यात ड्रायव्हरला जास्त टिप देतात की उन्हाळ्यात?**
+
+तुमची टीम डेटा सायन्स जीवनचक्राच्या [कॅप्चरिंग](Readme.md#Capturing) टप्प्यात आहे आणि तुम्ही डेटासेट हाताळण्याची जबाबदारी घेतली आहे. तुम्हाला एक नोटबुक आणि [डेटा](../../../../data/taxi.csv) दिला गेला आहे ज्याचा अभ्यास करायचा आहे.
+
+या डिरेक्टरीमध्ये एक [नोटबुक](notebook.ipynb) आहे जो [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) कडून यलो टॅक्सी ट्रिप डेटा लोड करण्यासाठी Python वापरतो. तुम्ही टॅक्सी डेटा फाईल टेक्स्ट एडिटर किंवा Excel सारख्या स्प्रेडशीट सॉफ्टवेअरमध्ये उघडू शकता.
+
+## सूचना
+
+- या डेटासेटमधील डेटा प्रश्नाचे उत्तर देण्यासाठी उपयुक्त आहे की नाही हे मूल्यांकन करा.
+- [NYC Open Data catalog](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93) एक्सप्लोर करा. ग्राहकाच्या प्रश्नाचे उत्तर देण्यासाठी उपयुक्त ठरू शकणारा अतिरिक्त डेटासेट ओळखा.
+- ग्राहकाकडून अधिक स्पष्टता आणि समस्येचे चांगले आकलन मिळवण्यासाठी तुम्ही विचारू शकणारे ३ प्रश्न लिहा.
+
+डेटासेटच्या [डिक्शनरी](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) आणि [युजर गाइड](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) कडे अधिक माहिती मिळवण्यासाठी संदर्भ घ्या.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | --- |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/mr/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..aacbadba
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,59 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-27T18:01:08+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्स जीवनचक्र: विश्लेषण
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| डेटा सायन्स जीवनचक्र: विश्लेषण - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## पूर्व-व्याख्यान प्रश्नमंजुषा
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+डेटा जीवनचक्रातील विश्लेषण टप्पा हे सुनिश्चित करतो की डेटा प्रस्तावित प्रश्नांची उत्तरे देऊ शकतो किंवा विशिष्ट समस्येचे निराकरण करू शकतो. या टप्प्यात हे देखील तपासले जाते की एखादे मॉडेल योग्यरित्या या प्रश्नांना आणि समस्यांना संबोधित करत आहे का. हा धडा मुख्यतः एक्सप्लोरेटरी डेटा अ‍ॅनालिसिस (EDA) वर केंद्रित आहे, जे डेटा मधील वैशिष्ट्ये आणि नातेसंबंध परिभाषित करण्याच्या तंत्रांवर आधारित आहे आणि डेटा मॉडेलिंगसाठी तयार करण्यासाठी वापरले जाऊ शकते.
+
+आम्ही [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) मधील एक उदाहरण डेटासेट वापरणार आहोत, ज्याद्वारे Python आणि Pandas लायब्ररीचा उपयोग करून हे कसे लागू करता येईल हे दाखवले जाईल. या डेटासेटमध्ये ईमेलमध्ये आढळणाऱ्या काही सामान्य शब्दांची संख्या आहे, आणि या ईमेल्सचे स्रोत गुप्त ठेवले गेले आहेत. या डिरेक्टरीतील [notebook](notebook.ipynb) वापरून तुम्ही याचा अभ्यास करू शकता.
+
+## एक्सप्लोरेटरी डेटा अ‍ॅनालिसिस
+
+जीवनचक्रातील डेटा कॅप्चर टप्प्यात डेटा गोळा केला जातो तसेच समस्यांचे आणि प्रश्नांचे स्वरूप निश्चित केले जाते, पण आपण कसे ठरवणार की हा डेटा अंतिम निकालासाठी उपयुक्त आहे? 
+डेटा सायंटिस्ट डेटा मिळाल्यावर खालीलप्रमाणे प्रश्न विचारू शकतो:
+- माझ्याकडे ही समस्या सोडवण्यासाठी पुरेसा डेटा आहे का?
+- ही समस्या सोडवण्यासाठी डेटा स्वीकारार्ह गुणवत्तेचा आहे का?
+- जर या डेटामधून अतिरिक्त माहिती सापडली, तर आपल्याला उद्दिष्टे बदलणे किंवा पुन्हा परिभाषित करणे आवश्यक आहे का?
+एक्सप्लोरेटरी डेटा अ‍ॅनालिसिस हा डेटा समजून घेण्याची प्रक्रिया आहे आणि याचा उपयोग वरील प्रश्नांची उत्तरे देण्यासाठी तसेच डेटासेटशी संबंधित आव्हाने ओळखण्यासाठी केला जाऊ शकतो. चला, हे साध्य करण्यासाठी वापरल्या जाणाऱ्या काही तंत्रांवर लक्ष केंद्रित करूया.
+
+## डेटा प्रोफाइलिंग, वर्णनात्मक आकडेवारी, आणि Pandas
+आपल्याकडे ही समस्या सोडवण्यासाठी पुरेसा डेटा आहे का हे आपण कसे ठरवणार? डेटा प्रोफाइलिंग तंत्राचा उपयोग करून आपण आपल्या डेटासेटबद्दल सामान्य माहिती गोळा करू शकतो. डेटा प्रोफाइलिंग आपल्याला काय उपलब्ध आहे हे समजून घेण्यास मदत करते, तर वर्णनात्मक आकडेवारी आपल्याला किती गोष्टी उपलब्ध आहेत हे समजून घेण्यास मदत करते.
+
+मागील काही धड्यांमध्ये, आम्ही Pandas चा उपयोग करून [`describe()` फंक्शन](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) वापरून काही वर्णनात्मक आकडेवारी प्रदान केली आहे. हे फंक्शन मोजणी, कमाल आणि किमान मूल्ये, सरासरी, मानक विचलन आणि क्वांटाइल्स यासारखी माहिती देते. `describe()` सारख्या वर्णनात्मक आकडेवारीचा उपयोग करून तुम्ही तुमच्याकडे किती डेटा आहे आणि तुम्हाला आणखी डेटा आवश्यक आहे का हे ठरवू शकता.
+
+## सॅम्पलिंग आणि क्वेरींग
+मोठ्या डेटासेटमधील सर्वकाही तपासणे खूप वेळखाऊ असते आणि हे काम सहसा संगणकावर सोपवले जाते. मात्र, सॅम्पलिंग हा डेटा समजून घेण्यासाठी उपयुक्त साधन आहे आणि यामुळे डेटासेटमध्ये काय आहे आणि ते काय दर्शवते याचा चांगला अंदाज येतो. सॅम्पलिंगद्वारे, तुम्ही संभाव्यता आणि आकडेवारीचा उपयोग करून तुमच्या डेटाबद्दल काही सामान्य निष्कर्ष काढू शकता. सॅम्पलिंगसाठी ठराविक नियम नाही, परंतु जितका अधिक डेटा तुम्ही सॅम्पल कराल, तितके अधिक अचूक निष्कर्ष तुम्ही काढू शकता. 
+Pandas मध्ये [`sample()` फंक्शन](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) आहे, ज्यामध्ये तुम्ही किती रँडम सॅम्पल्स घ्यायचे आहेत हे ठरवू शकता.
+
+डेटावर सामान्य क्वेरींग केल्याने तुम्हाला काही सामान्य प्रश्नांची उत्तरे मिळू शकतात. सॅम्पलिंगच्या विपरीत, क्वेरीज तुम्हाला डेटा मधील विशिष्ट भागांवर लक्ष केंद्रित करण्याची आणि त्याबद्दल प्रश्न विचारण्याची परवानगी देतात. Pandas लायब्ररीमधील [`query()` फंक्शन](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) तुम्हाला कॉलम निवडण्याची आणि पंक्तींद्वारे डेटा संबंधित सोपे उत्तर मिळवण्याची परवानगी देते.
+
+## व्हिज्युअलायझेशनसह एक्सप्लोरेशन
+डेटा पूर्णपणे स्वच्छ आणि विश्लेषित होईपर्यंत तुम्हाला व्हिज्युअलायझेशन तयार करण्याची वाट पाहण्याची गरज नाही. खरं तर, एक्सप्लोरेशन करताना व्हिज्युअल रिप्रेझेंटेशन तयार केल्याने डेटा मधील पॅटर्न्स, नातेसंबंध, आणि समस्या ओळखण्यास मदत होऊ शकते. याशिवाय, व्हिज्युअलायझेशन हे डेटा व्यवस्थापनात सहभागी नसलेल्या लोकांशी संवाद साधण्याचे एक साधन आहे आणि कॅप्चर टप्प्यात विचारात न घेतलेल्या अतिरिक्त प्रश्नांना सामोरे जाण्याची संधी प्रदान करते. व्हिज्युअलायझेशनबद्दल अधिक जाणून घेण्यासाठी [व्हिज्युअलायझेशन विभाग](../../../../../../../../../3-Data-Visualization) पहा.
+
+## विसंगती ओळखण्यासाठी एक्सप्लोरेशन
+या धड्यातील सर्व विषय तुम्हाला गहाळ किंवा विसंगत मूल्ये ओळखण्यास मदत करू शकतात, परंतु Pandas काही यासाठी फंक्शन्स प्रदान करते. [isna() किंवा isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) गहाळ मूल्ये तपासण्यासाठी वापरले जाऊ शकते. तुमच्या डेटामधील या मूल्यांचा शोध घेताना, ती मूल्ये प्रथम स्थानावर का आली याचा शोध घेणे महत्त्वाचे आहे. यामुळे तुम्हाला त्यांना सोडवण्यासाठी [काय करावे हे ठरवण्यास]( /2-Working-With-Data/08-data-preparation/notebook.ipynb) मदत होईल.
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## असाइनमेंट
+
+[उत्तरांसाठी एक्सप्लोरेशन](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/mr/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..1d2f4569
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-27T18:02:46+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "mr"
+}
+-->
+# उत्तर शोधत आहोत
+
+ही मागील धड्याच्या [असाइनमेंट](../14-Introduction/assignment.md) ची पुढील पायरी आहे, जिथे आपण डेटासेटचा थोडक्यात आढावा घेतला होता. आता आपण डेटावर अधिक सखोल नजर टाकणार आहोत.
+
+पुन्हा, क्लायंटला जाणून घ्यायचे आहे: **न्यूयॉर्क सिटीतील यलो टॅक्सी प्रवासी हिवाळ्यात की उन्हाळ्यात ड्रायव्हरला जास्त टीप देतात?**
+
+तुमची टीम डेटा सायन्स जीवनचक्राच्या [विश्लेषण](README.md) टप्प्यात आहे, जिथे तुम्हाला डेटासेटवर एक्सप्लोरेटरी डेटा अ‍ॅनालिसिस (EDA) करायची जबाबदारी आहे. तुम्हाला 2019 च्या जानेवारी आणि जुलै महिन्यातील 200 टॅक्सी व्यवहारांचा समावेश असलेला नोटबुक आणि डेटासेट प्रदान करण्यात आला आहे.
+
+## सूचना
+
+या डिरेक्टरीमध्ये [नोटबुक](assignment.ipynb) आणि [टॅक्सी आणि लिमोझिन कमिशन](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) कडून डेटा आहे. डेटाबद्दल अधिक माहितीसाठी [डेटासेटची डिक्शनरी](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) आणि [वापरकर्ता मार्गदर्शक](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) पहा.
+
+या धड्यातील काही तंत्रांचा वापर करून नोटबुकमध्ये स्वतःचा EDA करा (हवे असल्यास नवीन सेल्स जोडा) आणि खालील प्रश्नांची उत्तरे द्या:
+
+- डेटामधील कोणते इतर घटक टीपच्या रकमेवर परिणाम करू शकतात?
+- क्लायंटच्या प्रश्नांची उत्तरे देण्यासाठी कोणते कॉलम्स कदाचित आवश्यक नसतील?
+- आतापर्यंत प्रदान केलेल्या डेटाच्या आधारे, हंगामी टीप देण्याच्या वर्तनाचे कोणतेही पुरावे दिसतात का?
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | ---
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/16-communication/README.md b/translations/mr/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..0c967fd0
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,225 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-27T18:03:28+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्स जीवनचक्र: संवाद
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| डेटा सायन्स जीवनचक्र: संवाद - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [पूर्व-व्याख्यान प्रश्नमंजूषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+वरील पूर्व-व्याख्यान प्रश्नमंजूषेद्वारे येणाऱ्या गोष्टींचे आपले ज्ञान तपासा!
+
+# परिचय
+
+### संवाद म्हणजे काय?
+या धड्याची सुरुवात संवादाची व्याख्या करून करूया. **संवाद म्हणजे माहिती देणे किंवा आदानप्रदान करणे.** माहिती म्हणजे कल्पना, विचार, भावना, संदेश, गुप्त संकेत, डेटा – काहीही जे **_प्रेषक_** (माहिती पाठवणारा) **_प्राप्तकर्ता_** (माहिती स्वीकारणारा) समजून घेण्याची अपेक्षा करतो. या धड्यात, प्रेषकांना संवादक आणि प्राप्तकर्त्यांना प्रेक्षक म्हणू.
+
+### डेटा संवाद आणि कथाकथन
+आपल्याला समजते की संवाद करताना उद्दिष्ट माहिती देणे किंवा आदानप्रदान करणे असते. परंतु डेटा संवाद करताना, आपले उद्दिष्ट केवळ आकडेवारी देणे नसावे. आपले उद्दिष्ट डेटा-आधारित कथा सांगणे असावे - प्रभावी डेटा संवाद आणि कथाकथन हातात हात घालून चालतात. आपले प्रेक्षक आपल्याकडून दिलेली कथा अधिक लक्षात ठेवतील, आकडेवारीपेक्षा. या धड्याच्या पुढील भागात, आपण डेटा अधिक प्रभावीपणे संवाद साधण्यासाठी कथाकथन कसे वापरता येईल यावर चर्चा करू.
+
+### संवादाचे प्रकार
+या धड्यात संवादाचे दोन वेगवेगळे प्रकार चर्चिले जातील: एकमार्गी संवाद आणि द्विमार्गी संवाद.
+
+**एकमार्गी संवाद** तेव्हा होतो जेव्हा प्रेषक माहिती पाठवतो, परंतु कोणतेही अभिप्राय किंवा प्रतिसाद मिळत नाही. आपण दररोज एकमार्गी संवादाचे उदाहरण पाहतो – मोठ्या प्रमाणात ईमेल्स, बातम्या जेव्हा ताज्या गोष्टी सांगतात, किंवा टीव्ही जाहिरात जेव्हा आपल्याला त्यांच्या उत्पादनाबद्दल माहिती देते. या प्रत्येक उदाहरणात, प्रेषक माहितीची देवाणघेवाण करण्याचा प्रयत्न करत नाही. ते फक्त माहिती पोहोचवण्याचा प्रयत्न करतात.
+
+**द्विमार्गी संवाद** तेव्हा होतो जेव्हा सहभागी सर्वजण प्रेषक आणि प्राप्तकर्ता म्हणून कार्य करतात. प्रेषक संवाद सुरू करतो आणि प्राप्तकर्ता अभिप्राय किंवा प्रतिसाद देतो. द्विमार्गी संवाद म्हणजे आपण पारंपरिकपणे संवादाबद्दल विचार करतो. आपण सहसा लोकांना संभाषणात गुंतलेले पाहतो - प्रत्यक्ष भेटीत, फोन कॉलवर, सोशल मीडियावर किंवा मजकूर संदेशाद्वारे.
+
+डेटा संवाद करताना, काही प्रसंगी आपण एकमार्गी संवाद वापराल (उदाहरणार्थ, परिषदेत सादरीकरण करताना किंवा मोठ्या गटासमोर जेथे प्रश्न त्वरित विचारले जाणार नाहीत) आणि काही प्रसंगी आपण द्विमार्गी संवाद वापराल (उदाहरणार्थ, डेटा वापरून काही भागधारकांना सहमती मिळवण्यासाठी किंवा सहकाऱ्याला नवीन गोष्टी तयार करण्यासाठी वेळ आणि प्रयत्न खर्च करण्यासाठी पटवून देण्यासाठी).
+
+# प्रभावी संवाद
+
+### संवादक म्हणून आपली जबाबदारी
+संवाद करताना, हे सुनिश्चित करणे आपले काम आहे की आपले प्राप्तकर्ता/प्राप्तकर्ते आपल्याला हवे असलेली माहिती घेत आहेत. डेटा संवाद करताना, आपल्याला फक्त आकडेवारी देण्याची इच्छा नसते, तर आपल्याला डेटा-आधारित कथा सांगण्याची इच्छा असते. एक चांगला डेटा संवादक म्हणजे एक चांगला कथाकथनकार.
+
+डेटासह कथा कशी सांगायची? यासाठी अनंत मार्ग आहेत – परंतु खाली दिलेले 6 मार्ग आपण या धड्यात चर्चा करू.
+1.	आपले प्रेक्षक, आपले माध्यम, आणि आपली संवाद पद्धत समजून घ्या
+2.	शेवट लक्षात ठेवून सुरुवात करा
+3.	याला प्रत्यक्ष कथा म्हणून हाताळा
+4.	अर्थपूर्ण शब्द आणि वाक्ये वापरा
+5.	भावना वापरा
+
+या प्रत्येक रणनीतीची अधिक सविस्तर माहिती खाली दिली आहे.
+
+### 1. आपले प्रेक्षक, आपले चॅनल आणि आपली संवाद पद्धत समजून घ्या
+आपण कुटुंबातील सदस्यांशी संवाद साधण्याचा मार्ग कदाचित मित्रांशी संवाद साधण्याच्या मार्गापेक्षा वेगळा असेल. आपण कदाचित वेगळे शब्द आणि वाक्ये वापरता जे आपल्याशी बोलणाऱ्या लोकांना अधिक समजतील. डेटा संवाद करताना आपण समान दृष्टिकोन स्वीकारावा. आपण कोणाशी संवाद साधत आहात याचा विचार करा. त्यांच्या उद्दिष्टांचा विचार करा आणि आपण त्यांना समजावून सांगत असलेल्या परिस्थितीबद्दल त्यांना असलेल्या संदर्भाचा विचार करा.
+
+आपण बहुतेक प्रेक्षकांना एका श्रेणीत वर्गीकृत करू शकता. _हार्वर्ड बिझनेस रिव्ह्यू_ च्या "[डेटासह कथा कशी सांगावी](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)" या लेखात, डेलचे कार्यकारी रणनीतिकार जिम स्टिकलेदर पाच प्रकारच्या प्रेक्षकांची ओळख करतात.
+
+ - **नवशिक्या**: विषयाचा पहिला अनुभव, परंतु अतिशय साधेपणा नको
+ - **सामान्यतज्ञ**: विषयाची माहिती असलेला, परंतु एकूण समज आणि मुख्य
+   थीम्स शोधत असलेला
+ - **व्यवस्थापक**: गुंतागुंतींचे आणि परस्परसंबंधांचे सखोल, कृतीक्षम
+   समज, तपशीलासह प्रवेश
+ - **तज्ञ**: अधिक शोध आणि कमी कथाकथन, तपशीलासह
+ - **कार्यकारी**: फक्त महत्त्व आणि संभाव्य निष्कर्ष समजून घेण्यासाठी
+   वेळ असलेला
+
+या श्रेणी आपल्याला आपल्या प्रेक्षकांसाठी डेटा सादर करण्याच्या पद्धतीची माहिती देऊ शकतात.
+
+आपल्या प्रेक्षकांच्या श्रेणीचा विचार करण्याव्यतिरिक्त, आपण आपल्या प्रेक्षकांशी संवाद साधण्यासाठी वापरत असलेल्या चॅनलचा विचार करावा. आपण मेमो किंवा ईमेल लिहित आहात की बैठक घेत आहात किंवा परिषदेत सादरीकरण करत आहात यावर आपला दृष्टिकोन थोडा वेगळा असावा.
+
+आपल्या प्रेक्षकांना समजून घेण्याव्यतिरिक्त, आपण त्यांच्याशी कसा संवाद साधणार आहात (एकमार्गी संवाद किंवा द्विमार्गी) हे जाणून घेणे देखील महत्त्वाचे आहे.
+
+जर आपण बहुसंख्य नवशिक्या प्रेक्षकांशी संवाद साधत असाल आणि आपण एकमार्गी संवाद वापरत असाल, तर प्रथम प्रेक्षकांना शिक्षित करणे आणि त्यांना योग्य संदर्भ देणे आवश्यक आहे. त्यानंतर त्यांना आपला डेटा सादर करावा आणि आपला डेटा काय दर्शवतो आणि का महत्त्वाचा आहे हे सांगावे. या परिस्थितीत, आपण स्पष्टता वाढवण्यावर लक्ष केंद्रित करावे, कारण आपले प्रेक्षक आपल्याला थेट प्रश्न विचारू शकणार नाहीत.
+
+जर आपण बहुसंख्य व्यवस्थापक प्रेक्षकांशी संवाद साधत असाल आणि आपण द्विमार्गी संवाद वापरत असाल, तर कदाचित आपल्याला आपल्या प्रेक्षकांना शिक्षित करण्याची किंवा त्यांना फारसा संदर्भ देण्याची गरज नाही. आपण कदाचित थेट आपल्याकडून गोळा केलेल्या डेटावर आणि त्याचा महत्त्वावर चर्चा करण्यास सुरुवात करू शकता. या परिस्थितीत, वेळेवर लक्ष केंद्रित करणे आणि आपल्या सादरीकरणावर नियंत्रण ठेवणे महत्त्वाचे आहे. द्विमार्गी संवाद वापरताना (विशेषतः व्यवस्थापक प्रेक्षकांसह जे "गुंतागुंतींचे आणि परस्परसंबंधांचे कृतीक्षम समज" शोधत आहेत) संवादादरम्यान प्रश्न उपस्थित होऊ शकतात जे आपल्याला सांगायच्या कथेशी संबंधित नसलेल्या दिशेने चर्चा घेऊन जाऊ शकतात. असे झाल्यास, आपण कृती करू शकता आणि आपली कथा पुन्हा ट्रॅकवर आणू शकता.
+
+### 2. शेवट लक्षात ठेवून सुरुवात करा
+शेवट लक्षात ठेवून सुरुवात करणे म्हणजे संवाद सुरू करण्यापूर्वी आपल्या प्रेक्षकांसाठी इच्छित निष्कर्ष समजून घेणे. आपल्या प्रेक्षकांना काय समजून घ्यायचे आहे याबद्दल आधी विचार करणे आपल्याला एक कथा तयार करण्यात मदत करू शकते जी आपले प्रेक्षक अनुसरण करू शकतात. शेवट लक्षात ठेवून सुरुवात करणे एकमार्गी संवाद आणि द्विमार्गी संवाद दोन्हीसाठी योग्य आहे.
+
+शेवट लक्षात ठेवून सुरुवात कशी करावी? आपला डेटा संवाद साधण्यापूर्वी, आपले मुख्य निष्कर्ष लिहून ठेवा. नंतर, आपली कथा तयार करत असताना प्रत्येक टप्प्यावर स्वतःला विचारा, "हे मी सांगत असलेल्या कथेत कसे समाविष्ट होते?"
+
+सावध रहा – शेवट लक्षात ठेवून सुरुवात करणे आदर्श असले तरी, आपण फक्त आपल्या इच्छित निष्कर्षांना समर्थन देणारा डेटा संवाद साधू नये. असे करणे म्हणजे चेरी-पिकिंग, जेव्हा संवादक फक्त त्यांना समर्थन देणारा डेटा संवाद साधतो आणि इतर सर्व डेटा दुर्लक्षित करतो.
+
+जर आपल्याकडून गोळा केलेला सर्व डेटा स्पष्टपणे आपल्या इच्छित निष्कर्षांना समर्थन देत असेल, तर उत्तम. परंतु जर आपल्याकडून गोळा केलेला डेटा आपल्या निष्कर्षांना समर्थन देत नसेल, किंवा अगदी आपल्या मुख्य निष्कर्षांविरुद्ध समर्थन देत असेल, तर आपण तो डेटा देखील संवाद साधावा. असे झाल्यास, आपल्या प्रेक्षकांना स्पष्टपणे सांगा की आपण का आपली कथा टिकवून ठेवण्याचा निर्णय घेत आहात जरी सर्व डेटा त्याला समर्थन देत नाही.
+
+### 3. याला प्रत्यक्ष कथा म्हणून हाताळा
+पारंपरिक कथा 5 टप्प्यांमध्ये घडते. आपण कदाचित हे टप्पे एक्सपोजिशन, रायझिंग अॅक्शन, क्लायमॅक्स, फॉलिंग अॅक्शन, आणि डिनाउमेंट म्हणून ऐकले असतील. किंवा अधिक सोपे शब्दांत, संदर्भ, संघर्ष, क्लायमॅक्स, समारोप, निष्कर्ष. आपला डेटा आणि कथा संवाद साधताना, आपण समान दृष्टिकोन स्वीकारू शकता.
+
+आपण संदर्भाने सुरुवात करू शकता, मंच तयार करा आणि आपले प्रेक्षक एकाच पृष्ठावर आहेत याची खात्री करा. नंतर संघर्ष सादर करा. आपल्याला हा डेटा गोळा करण्याची गरज का होती? आपण कोणत्या समस्यांचे निराकरण करण्याचा प्रयत्न करत होतात? त्यानंतर, क्लायमॅक्स. डेटा काय आहे? डेटा काय दर्शवतो? डेटा आपल्याला कोणते उपाय सांगतो? नंतर आपण समारोपाकडे येता, जिथे आपण समस्या आणि प्रस्तावित उपाय पुन्हा सांगू शकता. शेवटी, आपण निष्कर्षाकडे येता, जिथे आपण आपले मुख्य निष्कर्ष आणि पुढील पायऱ्या सारांशित करू शकता.
+
+### 4. अर्थपूर्ण शब्द आणि वाक्ये वापरा
+जर आपण आणि मी एखाद्या उत्पादनावर एकत्र काम करत असतो, आणि मी आपल्याला सांगितले "आमचे वापरकर्ते आमच्या प्लॅटफॉर्मवर ऑनबोर्ड होण्यासाठी खूप वेळ घेतात," तर "खूप वेळ" किती वेळ असेल असे आपल्याला वाटेल? एक तास? एक आठवडा? हे समजणे कठीण आहे. जर मी ते संपूर्ण प्रेक्षकांना सांगितले तर काय? प्रेक्षकांतील प्रत्येकजण आमच्या प्लॅटफॉर्मवर ऑनबोर्ड होण्यासाठी वापरकर्त्यांना किती वेळ लागतो याबद्दल वेगवेगळ्या कल्पना करू शकतो.
+
+त्याऐवजी, जर मी सांगितले "आमचे वापरकर्ते, सरासरी, आमच्या प्लॅटफॉर्मवर साइन अप आणि ऑनबोर्ड होण्यासाठी 3 मिनिटे घेतात."
+
+ते संदेश अधिक स्पष्ट आहे. डेटा संवाद साधताना, असे वाटणे सोपे असते की आपले प्रेक्षक आपल्यासारखेच विचार करत आहेत. परंतु ते नेहमीच तसे नसते. आपल्या डेटा आणि त्याचा अर्थ स्पष्ट करणे हे संवादक म्हणून आपले एक उत्तरदायित्व आहे. जर डेटा किंवा आपली कथा स्पष्ट नसेल, तर आपले प्रेक्षक त्याचे अनुसरण करण्यात अडचणीत असतील, आणि त्यांना आपले मुख्य निष्कर्ष समजण्याची शक्यता कमी असेल.
+
+आपण अस्पष्ट शब्दांऐवजी अर्थपूर्ण शब्द आणि वाक्ये वापरून डेटा अधिक स्पष्टपणे संवाद साधू शकता. खाली काही उदाहरणे दिली आहेत.
+
+ - आमच्यासाठी *आश्चर्यकारक* वर्ष होते!
+	 - एक व्यक्ती आश्चर्यकारक म्हणजे 2% - 3% महसूल वाढ असेल असे विचार करू शकते, आणि दुसरी व्यक्ती 50% - 60% वाढ असेल असे विचार करू शकते.
+ - आमच्या वापरकर्त्यांच्या यश दरांमध्ये *लक्षणीय* वाढ झाली.
+	 - लक्षणीय वाढ म्हणजे किती मोठी वाढ?
+ - हे काम *महत्त्वपूर्ण* प्रयत्नांची गरज असेल.
+	 - किती प्रयत्न महत्त्वपूर्ण आहेत?
+
+अस्पष्ट शब्दांचा उपयोग अधिक डेटा येत असल्याचे परिचय म्हणून किंवा आपण सांगितलेल्या कथाचा सारांश म्हणून उपयुक्त असू शकतो. परंतु आपल्या सादरीकरणाचा प्रत्येक भाग आपल्या प्रेक्षकांसाठी स्पष्ट असल्याची खात्री करा.
+
+### 5. भावना वापरा
+कथाकथनात भावना महत्त्वाची असते. डेटा संवाद करताना ती आणखी महत्त्वाची असते. डेटा संवाद करताना, सर्वकाही आपल्याला आपल्या प्रेक्षकांकडून हवे असलेल्या निष्कर्षांवर केंद्रित असते. जेव्हा आपण प्रेक्षकांसाठी भावना निर्माण करता तेव्हा त्यांना सहानुभूती वाटते, आणि ते कृती करण्याची अधिक शक्यता असते. भावना देखील प्रेक्षकांना आपला संदेश लक्षात ठेवण्याची शक्यता वाढवते.
+
+आपण कदाचित हे टीव्ही जाहिरातींमध्ये अनुभवले असेल. काही जाहिराती खूप गंभीर असतात, आणि त्यांच्या प्रेक्षकांशी जोडण्यासाठी आणि त्यांच्याद्वारे सादर केलेला डेटा खरोखरच ठळक करण्यासाठी दु:खद भावना वापरतात. किंवा, काही जाहिराती खूप उत्साही आणि आनंदी असतात ज्यामुळे आपल्याला त्यांच्या डेटाशी आनंददायक भावना जोडल्या जातात.
+
+डेटा संवाद करताना भावना कशी वापरावी? खाली काही मार्ग दिले आहेत.
+
+ - अनुभवकथन आणि वैयक्तिक कथा वापरा
+	- डेटा गोळा करताना, परिमाणात्मक आणि गुणात्मक डेटा दोन्ही गोळा करण्याचा प्रयत्न करा, आणि संवाद साधताना दोन्ही प्रकारच्या डेटाचा समावेश करा. जर आपला डेटा प्रामुख्याने परिमाणात्मक असेल, तर व्यक्तींच्या कथा शोधा जेणेकरून आपला डेटा काय सांगतो याबद्दल अधिक जाणून घेता येईल.
+ - प्रतिमा वापरा
+	 - प्रतिमा प्रेक्षकांना परिस्थितीत स्वतःला पाहण्यास मदत करतात. जेव्हा आपण प्रतिमा वापरता, तेव्हा आपण प्रेक्षकांना आपल्या डेटाबद्दल असलेल्या भावनेच्या दिशेने ढकलू शकता.
+ - रंग वापरा
+	 - वेगवेगळे रंग वेगवेगळ्या भावना निर्माण करतात. लोकप्रिय रंग आणि त्यांच्याशी संबंधित भावना खाली दिल्या आहेत. सावध रहा, की वेगवेगळ्या संस्कृतींमध्ये रंगांचे वेगळे अर्थ असू शकतात.
+		 - निळा सहसा शांतता आणि विश्वास निर्माण करतो
+		 - हिरवा सहसा निसर्ग आणि पर्यावरणाशी संबंधित असतो
+		 - लाल सहसा आवेग आणि उत्साह निर्माण करतो
+		 - पिवळा सहसा आशावाद आणि आनंद निर्माण करतो
+
+# संवाद केस स्टडी
+एमर्सन हा एका मोबाइल अॅपसाठी उत्पादन व्यवस्थापक आहे. एमर्सनने लक्षात घेतले की ग्राहक आठवड्याच्या शेवटी 42% अधिक तक्रारी आणि बग रिपोर्ट्स सबमिट करतात. एमर्सनने हे देखील लक्षात घेतले की ग्राहक जे तक्रार सबमिट करतात आणि 48 तासांनंतर उत्तर मिळत नाही, ते अॅप स्टोअरमध्ये अॅपला 1 किंवा 2 रेटिंग देण्याची 32% अधिक शक्यता असते.
+
+संशोधन केल्यानंतर, एमर्सनकडे काही उपाय आहेत जे समस्या सोडवतील. एमर्सन कंपनीच्या 3 प्रमुखांसोबत डेटा आणि प्रस्तावित उपाय संवाद साधण्यासाठी 30 मिनिटांची बैठक आयोजित करतो.
+
+या बैठकीदरम्यान, एमर्सनचे उद्दिष्ट आहे की कंपनीचे प्रमुख खाली दिलेले 2 उपाय अॅपचे रेटिंग सुधारू शकतात हे समजून घ्यावेत, जे कदाचित उच्च महसुलात अनुवादित होईल.
+
+**उपाय 1.** ग्राहक सेवा प्रतिनिधी आठवड्याच्या शेवटी काम करण्यासाठी नियुक्त करा
+
+**उपाय 2.** नवीन ग्राहक सेवा तिकीट प्रणाली खरेदी करा जिथे ग्राहक सेवा प्रतिनिधी सहजपणे ओळखू शकतात की कोणत्या तक्रारी सर्वात जास्त वेळ प्रतीक्षेत आहेत – जेणेकरून ते सर्वात
+बैठकीत, एमर्सनने अॅप स्टोअरवरील कमी रेटिंग का वाईट आहे याचे स्पष्टीकरण देण्यासाठी 5 मिनिटे खर्च केली, संशोधन प्रक्रिया आणि ट्रेंड कसे ओळखले गेले याचे स्पष्टीकरण देण्यासाठी 10 मिनिटे खर्च केली, काही अलीकडील ग्राहकांच्या तक्रारींवर चर्चा करण्यासाठी 10 मिनिटे खर्च केली, आणि शेवटच्या 5 मिनिटांत 2 संभाव्य उपायांवर थोडक्यात चर्चा केली.
+
+एमर्सनने या बैठकीत संवाद साधण्याचा हा प्रभावी मार्ग होता का?
+
+बैठकीदरम्यान, एका कंपनीच्या लीडने एमर्सनने घेतलेल्या ग्राहकांच्या तक्रारींच्या 10 मिनिटांवर लक्ष केंद्रित केले. बैठकीनंतर, या तक्रारीच त्या टीम लीडला आठवल्या. दुसऱ्या कंपनीच्या लीडने मुख्यतः एमर्सनने संशोधन प्रक्रिया कशी मांडली यावर लक्ष केंद्रित केले. तिसऱ्या कंपनीच्या लीडला एमर्सनने प्रस्तावित केलेले उपाय आठवले, पण ते उपाय कसे अंमलात आणता येतील याबद्दल खात्री नव्हती.
+
+वरील परिस्थितीत, तुम्ही पाहू शकता की एमर्सनने टीम लीड्सना काय समजावून सांगायचे होते आणि त्यांनी बैठकीतून काय घेतले यामध्ये महत्त्वाची तफावत होती. खाली एमर्सन विचार करू शकतो असा दुसरा दृष्टिकोन दिला आहे.
+
+एमर्सन हा दृष्टिकोन कसा सुधारू शकतो?  
+संदर्भ, संघर्ष, उत्कर्ष, समारोप, निष्कर्ष  
+**संदर्भ** - एमर्सनने पहिल्या 5 मिनिटांत संपूर्ण परिस्थिती सादर करावी आणि टीम लीड्सना हे समजावून सांगावे की समस्या कंपनीसाठी महत्त्वाच्या मेट्रिक्सवर कसा परिणाम करतात, जसे की महसूल.
+
+हे अशा प्रकारे मांडले जाऊ शकते: "सध्या, आमच्या अॅपचे रेटिंग अॅप स्टोअरमध्ये 2.5 आहे. अॅप स्टोअरमधील रेटिंग अॅप स्टोअर ऑप्टिमायझेशनसाठी महत्त्वाचे आहे, जे आमच्या अॅपला शोधात किती वापरकर्ते पाहतात आणि संभाव्य वापरकर्त्यांना आमचा अॅप कसा दिसतो यावर परिणाम करते. आणि अर्थातच, आमच्याकडे असलेल्या वापरकर्त्यांची संख्या थेट महसुलाशी जोडलेली आहे."
+
+**संघर्ष** - त्यानंतर एमर्सन पुढील 5 मिनिटे संघर्षावर चर्चा करू शकतो.
+
+हे असे जाऊ शकते: “वापरकर्ते आठवड्याच्या शेवटी 42% अधिक तक्रारी आणि बग रिपोर्ट्स सबमिट करतात. ज्या ग्राहकांची तक्रार 48 तासांनंतर उत्तर न मिळाल्यास ते अॅप स्टोअरमध्ये आमच्या अॅपला 2 पेक्षा जास्त रेटिंग देण्याची शक्यता 32% कमी असते. अॅप स्टोअरमध्ये आमच्या अॅपचे रेटिंग 4 पर्यंत सुधारल्यास आमची दृश्यमानता 20-30% ने सुधारेल, ज्यामुळे महसूल 10% ने वाढेल असे मी प्रोजेक्ट करतो." अर्थात, एमर्सनने या आकडेवारीचे समर्थन करण्यासाठी तयार असले पाहिजे.
+
+**उत्कर्ष** - पायाभूत माहिती दिल्यानंतर, एमर्सन पुढील 5 मिनिटे उत्कर्षावर चर्चा करू शकतो.
+
+एमर्सन प्रस्तावित उपाय सादर करू शकतो, त्या उपायांनी मांडलेल्या समस्यांचे निराकरण कसे होईल, ते उपाय विद्यमान कार्यप्रवाहांमध्ये कसे अंमलात आणता येतील, त्या उपायांचा खर्च किती आहे, त्या उपायांचा ROI काय असेल, आणि कदाचित त्या उपायांची अंमलबजावणी झाल्यास ते कसे दिसतील याचे स्क्रीनशॉट किंवा वायरफ्रेम्स देखील दाखवू शकतो. एमर्सन 48 तासांपेक्षा जास्त वेळ तक्रारींचे उत्तर मिळालेल्या वापरकर्त्यांचे प्रशंसापत्र आणि कंपनीतील विद्यमान ग्राहक सेवा प्रतिनिधीचे प्रशंसापत्र देखील शेअर करू शकतो, ज्याने विद्यमान तिकीट प्रणालीवर टिप्पणी केली आहे.
+
+**समारोप** - आता एमर्सन 5 मिनिटे कंपनीला भेडसावणाऱ्या समस्यांचे पुनरावलोकन करण्यासाठी, प्रस्तावित उपाय पुन्हा मांडण्यासाठी आणि ते उपाय योग्य का आहेत हे पुनरावलोकन करण्यासाठी खर्च करू शकतो.
+
+**निष्कर्ष** - कारण ही काही भागधारकांसोबतची बैठक आहे जिथे द्वि-मार्ग संवाद वापरला जाईल, एमर्सन नंतर 10 मिनिटे प्रश्नांसाठी ठेवू शकतो, जेणेकरून टीम लीड्ससाठी गोंधळात टाकणारी कोणतीही गोष्ट स्पष्ट केली जाऊ शकते.
+
+जर एमर्सनने दृष्टिकोन #2 घेतला, तर टीम लीड्सने एमर्सनने त्यांना काय समजावून सांगायचे होते ते नक्कीच घेतले असेल – की तक्रारी आणि बग्स हाताळण्याचा मार्ग सुधारला जाऊ शकतो, आणि ते सुधारणा घडवून आणण्यासाठी 2 उपाय अंमलात आणले जाऊ शकतात. हा दृष्टिकोन डेटा आणि कथा संवाद साधण्यासाठी एमर्सनला हवा असलेला अधिक प्रभावी दृष्टिकोन असेल.
+
+# निष्कर्ष  
+### मुख्य मुद्द्यांचा सारांश  
+- संवाद साधणे म्हणजे माहिती देणे किंवा देवाणघेवाण करणे.  
+- डेटा संवाद साधताना, तुमचे उद्दिष्ट केवळ तुमच्या प्रेक्षकांना आकडेवारी देणे नसावे. तुमचे उद्दिष्ट तुमच्या डेटाद्वारे माहिती दिलेली कथा सांगणे असावे.  
+- संवादाचे 2 प्रकार आहेत, एक-मार्ग संवाद (माहिती दिली जाते पण प्रतिसादाची अपेक्षा नसते) आणि द्वि-मार्ग संवाद (माहिती परस्पर दिली जाते).  
+- डेटा वापरून कथा सांगण्यासाठी तुम्ही अनेक रणनीती वापरू शकता, आम्ही ज्या 5 रणनीतींचा आढावा घेतला ते आहेत:  
+	- तुमच्या प्रेक्षकांना, माध्यमाला आणि संवाद पद्धतीला समजून घ्या  
+	- शेवट लक्षात ठेवून सुरुवात करा  
+	- वास्तविक कथा असल्यासारखे दृष्टिकोन ठेवा  
+	- अर्थपूर्ण शब्द आणि वाक्ये वापरा  
+	- भावना वापरा  
+
+### स्व-अभ्यासासाठी शिफारस केलेले संसाधने  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+वर दिलेल्या पोस्ट-लेक्चर क्विझसह तुम्ही नुकतेच शिकलेले पुनरावलोकन करा!  
+
+## असाइनमेंट  
+
+[Market Research](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/mr/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..0457a9a3
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-27T18:09:35+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "mr"
+}
+-->
+# एक कथा सांगा
+
+## सूचना
+
+डेटा सायन्स म्हणजे कथा सांगण्याची कला आहे. कोणताही डेटासेट निवडा आणि त्याबद्दल एक छोटी निबंध लिहा ज्यामध्ये तुम्ही त्या डेटासेटवर आधारित कथा सांगू शकता. तुम्हाला तुमच्या डेटासेटमधून काय उलगडण्याची अपेक्षा आहे? जर त्याचे निष्कर्ष समस्यात्मक ठरले तर तुम्ही काय कराल? जर तुमचा डेटा सहजपणे त्याचे रहस्ये उलगडत नसेल तर काय? तुमच्या डेटासेटमुळे निर्माण होऊ शकणाऱ्या परिस्थितींचा विचार करा आणि त्यांना लिहा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+
+एक पानाचा निबंध .doc स्वरूपात सादर केला जातो ज्यामध्ये डेटासेट स्पष्टपणे समजावलेला, दस्तऐवजीकरण केलेला, श्रेय दिलेला आणि त्यावर आधारित सुसंगत कथा सादर केली जाते ज्यामध्ये डेटामधून तपशीलवार उदाहरणे दिली जातात.| कमी तपशीलवार स्वरूपात एक छोटा निबंध सादर केला जातो | वरील तपशीलांपैकी एका बाबतीत निबंध अपूर्ण आढळतो.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/4-Data-Science-Lifecycle/README.md b/translations/mr/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..2268bff5
--- /dev/null
+++ b/translations/mr/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-27T17:55:42+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्स जीवनचक्र
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.mr.jpg)
+> फोटो <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">हेडवे</a> यांनी <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्लॅश</a> वर घेतला आहे
+  
+या धड्यांमध्ये, तुम्ही डेटा सायन्स जीवनचक्राच्या काही पैलूंवर चर्चा कराल, ज्यामध्ये डेटाचे विश्लेषण आणि संवाद यांचा समावेश आहे.
+
+### विषय
+
+1. [परिचय](14-Introduction/README.md)
+2. [विश्लेषण](15-analyzing/README.md)
+3. [संवाद](16-communication/README.md)
+
+### श्रेय
+
+हे धडे ❤️ सह [जालेन मॅक्गी](https://twitter.com/JalenMCG) आणि [जॅस्मिन ग्रीनवे](https://twitter.com/paladique) यांनी लिहिले आहेत
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/mr/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..3072da4b
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,114 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-27T17:44:56+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "mr"
+}
+-->
+# क्लाउडमधील डेटा सायन्सची ओळख
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमधील डेटा सायन्स: ओळख - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+या धड्यात तुम्ही क्लाउडचे मूलभूत तत्त्व शिकाल, त्यानंतर तुम्हाला कळेल की तुमचे डेटा सायन्स प्रकल्प चालवण्यासाठी क्लाउड सेवा वापरणे तुमच्यासाठी का उपयुक्त ठरू शकते आणि आम्ही क्लाउडमध्ये चालवलेल्या काही डेटा सायन्स प्रकल्पांचे उदाहरण पाहू.
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## क्लाउड म्हणजे काय?
+
+क्लाउड किंवा क्लाउड कंप्युटिंग म्हणजे इंटरनेटवर होस्ट केलेल्या पायाभूत सुविधांवर आधारित पे-आयज-यू-गो पद्धतीने विविध प्रकारच्या संगणकीय सेवांचे वितरण. या सेवांमध्ये स्टोरेज, डेटाबेस, नेटवर्किंग, सॉफ्टवेअर, अॅनालिटिक्स आणि बुद्धिमान सेवा यासारख्या उपायांचा समावेश होतो.
+
+सामान्यतः सार्वजनिक, खाजगी आणि हायब्रिड क्लाउड यामध्ये खालीलप्रमाणे फरक केला जातो:
+
+* सार्वजनिक क्लाउड: सार्वजनिक क्लाउड तृतीय-पक्ष क्लाउड सेवा प्रदात्याद्वारे मालकीचे आणि चालवले जाते, जे त्याचे संगणकीय संसाधने इंटरनेटद्वारे सार्वजनिकपणे वितरित करते.
+* खाजगी क्लाउड: खाजगी क्लाउड म्हणजे एका व्यवसाय किंवा संस्थेद्वारे विशेषतः वापरले जाणारे क्लाउड संगणकीय संसाधने, ज्यामध्ये सेवा आणि पायाभूत सुविधा खाजगी नेटवर्कवर देखरेख केली जाते.
+* हायब्रिड क्लाउड: हायब्रिड क्लाउड म्हणजे सार्वजनिक आणि खाजगी क्लाउड्सचे संयोजन असलेली प्रणाली. वापरकर्ते ऑन-प्रिमायसेस डेटासेंटर निवडतात, तर डेटा आणि अॅप्लिकेशन्स एक किंवा अधिक सार्वजनिक क्लाउड्सवर चालवण्याची परवानगी देतात.
+
+बहुतेक क्लाउड संगणकीय सेवा तीन श्रेणींमध्ये विभागल्या जातात: पायाभूत सुविधा सेवा (IaaS), प्लॅटफॉर्म सेवा (PaaS) आणि सॉफ्टवेअर सेवा (SaaS).
+
+* पायाभूत सुविधा सेवा (IaaS): वापरकर्ते सर्व्हर, व्हर्च्युअल मशीन (VMs), स्टोरेज, नेटवर्क्स, ऑपरेटिंग सिस्टम यासारखी IT पायाभूत सुविधा भाड्याने घेतात.
+* प्लॅटफॉर्म सेवा (PaaS): वापरकर्ते सॉफ्टवेअर अॅप्लिकेशन्स विकसित, चाचणी, वितरण आणि व्यवस्थापनासाठी एक वातावरण भाड्याने घेतात. वापरकर्त्यांना विकासासाठी आवश्यक असलेल्या सर्व्हर, स्टोरेज, नेटवर्क आणि डेटाबेसच्या पायाभूत सुविधांची सेटअप किंवा व्यवस्थापनाची चिंता करण्याची गरज नाही.
+* सॉफ्टवेअर सेवा (SaaS): वापरकर्त्यांना इंटरनेटद्वारे ऑन-डिमांड सॉफ्टवेअर अॅप्लिकेशन्सवर प्रवेश मिळतो, सामान्यतः सदस्यता पद्धतीने. वापरकर्त्यांना सॉफ्टवेअर अॅप्लिकेशन होस्टिंग आणि व्यवस्थापन, पायाभूत सुविधा किंवा देखभाल, जसे सॉफ्टवेअर अपग्रेड्स आणि सुरक्षा पॅचिंग याची चिंता करण्याची गरज नाही.
+
+क्लाउड सेवा पुरवठादारांमध्ये Amazon Web Services, Google Cloud Platform आणि Microsoft Azure हे प्रमुख आहेत.
+
+## डेटा सायन्ससाठी क्लाउड का निवडावे?
+
+विकसक आणि IT व्यावसायिक अनेक कारणांसाठी क्लाउडसोबत काम करणे निवडतात, त्यामध्ये खालील गोष्टींचा समावेश आहे:
+
+* नाविन्यपूर्णता: तुम्ही तुमच्या अॅप्लिकेशन्समध्ये क्लाउड प्रदात्यांनी तयार केलेल्या नाविन्यपूर्ण सेवांचा समावेश करून त्यांना अधिक शक्तिशाली बनवू शकता.
+* लवचिकता: तुम्ही फक्त तुम्हाला आवश्यक असलेल्या सेवांसाठी पैसे देता आणि सेवांचा विस्तृत पर्याय निवडू शकता. तुम्ही सामान्यतः पे-आयज-यू-गो पद्धतीने पैसे देता आणि तुमच्या बदलत्या गरजेनुसार सेवांचे अनुकूलन करता.
+* बजेट: तुम्हाला हार्डवेअर आणि सॉफ्टवेअर खरेदी करण्यासाठी, ऑन-साइट डेटासेंटर सेटअप आणि चालवण्यासाठी प्रारंभिक गुंतवणूक करण्याची गरज नाही; तुम्ही फक्त वापरलेल्या सेवांसाठी पैसे देऊ शकता.
+* स्केलेबिलिटी: तुमच्या प्रकल्पाच्या गरजेनुसार तुमची संसाधने स्केल होऊ शकतात, म्हणजे तुमचे अॅप्स अधिक किंवा कमी संगणकीय शक्ती, स्टोरेज आणि बँडविड्थ वापरू शकतात, बाह्य घटकांनुसार कोणत्याही वेळी अनुकूलन करू शकतात.
+* उत्पादकता: तुम्ही डेटासेंटर व्यवस्थापनासारख्या इतर कोणीतरी व्यवस्थापित करू शकणाऱ्या कामांवर वेळ खर्च न करता तुमच्या व्यवसायावर लक्ष केंद्रित करू शकता.
+* विश्वासार्हता: क्लाउड कंप्युटिंग तुमचा डेटा सतत बॅकअप करण्याचे अनेक मार्ग देते आणि तुम्ही आपत्ती पुनर्प्राप्ती योजना सेट करू शकता, ज्यामुळे संकटाच्या काळातही तुमचा व्यवसाय आणि सेवा चालू राहतील.
+* सुरक्षा: तुम्ही तुमच्या प्रकल्पाची सुरक्षा मजबूत करणाऱ्या धोरणे, तंत्रज्ञान आणि नियंत्रणांचा लाभ घेऊ शकता.
+
+ही काही सामान्य कारणे आहेत ज्यामुळे लोक क्लाउड सेवा वापरणे निवडतात. आता आपल्याला क्लाउड काय आहे आणि त्याचे मुख्य फायदे काय आहेत याची चांगली समज आहे, चला डेटा सायंटिस्ट्स आणि डेटा सोबत काम करणाऱ्या विकसकांच्या कामांवर अधिक विशिष्टपणे लक्ष केंद्रित करूया आणि क्लाउड त्यांना सामोरे जाणाऱ्या अनेक आव्हानांमध्ये कशी मदत करू शकते ते पाहूया:
+
+* मोठ्या प्रमाणात डेटा संग्रहित करणे: मोठे सर्व्हर खरेदी, व्यवस्थापन आणि संरक्षण करण्याऐवजी तुम्ही तुमचा डेटा थेट क्लाउडमध्ये संग्रहित करू शकता, जसे Azure Cosmos DB, Azure SQL Database आणि Azure Data Lake Storage.
+* डेटा एकत्रीकरण करणे: डेटा सायन्समध्ये डेटा एकत्रीकरण हा एक महत्त्वाचा भाग आहे, जो तुम्हाला डेटा संकलनातून कृती करण्याकडे संक्रमण करण्यास मदत करतो. क्लाउडमध्ये ऑफर केलेल्या डेटा एकत्रीकरण सेवांसह, तुम्ही विविध स्रोतांमधून डेटा संकलित, रूपांतरित आणि एकत्रित करून एकाच डेटा वेअरहाऊसमध्ये ठेवू शकता, जसे Data Factory.
+* डेटा प्रक्रिया करणे: मोठ्या प्रमाणात डेटा प्रक्रिया करण्यासाठी खूप संगणकीय शक्ती आवश्यक असते, आणि प्रत्येकाकडे ती शक्तिशाली यंत्रे उपलब्ध नसतात, म्हणूनच अनेक लोक त्यांच्या उपाययोजना चालवण्यासाठी आणि तैनात करण्यासाठी थेट क्लाउडची प्रचंड संगणकीय शक्ती वापरणे निवडतात.
+* डेटा अॅनालिटिक्स सेवा वापरणे: Azure Synapse Analytics, Azure Stream Analytics आणि Azure Databricks सारख्या क्लाउड सेवांचा वापर करून तुमचा डेटा कृतीशील अंतर्दृष्टीमध्ये बदलणे.
+* मशीन लर्निंग आणि डेटा इंटेलिजन्स सेवा वापरणे: सुरुवातीपासून सुरुवात करण्याऐवजी, तुम्ही क्लाउड प्रदात्याद्वारे ऑफर केलेले मशीन लर्निंग अल्गोरिदम वापरू शकता, जसे AzureML. तुम्ही स्पीच-टू-टेक्स्ट, टेक्स्ट टू स्पीच, कॉम्प्युटर व्हिजन आणि इतर कॉग्निटिव्ह सेवांचा वापर देखील करू शकता.
+
+## क्लाउडमधील डेटा सायन्सचे उदाहरणे
+
+चला काही उदाहरणे पाहून हे अधिक स्पष्ट करूया.
+
+### रिअल-टाइम सोशल मीडिया भावना विश्लेषण
+चला मशीन लर्निंगसह सुरुवात करणाऱ्या लोकांनी सामान्यतः अभ्यास केलेल्या एका उदाहरणाकडे पाहूया: रिअल-टाइम सोशल मीडिया भावना विश्लेषण.
+
+समजा तुम्ही एक न्यूज मीडिया वेबसाइट चालवता आणि तुम्हाला तुमच्या वाचकांना कोणत्या प्रकारची सामग्री आवडेल हे समजण्यासाठी थेट डेटा वापरायचा आहे. याबद्दल अधिक जाणून घेण्यासाठी, तुम्ही एक प्रोग्राम तयार करू शकता जो ट्विटरवरील प्रकाशनांमधील डेटा विश्लेषण करून वाचकांसाठी संबंधित विषयांवर रिअल-टाइम भावना विश्लेषण करतो.
+
+तुम्ही पाहणारे मुख्य निर्देशक म्हणजे विशिष्ट विषयांवरील (हॅशटॅग्स) ट्विट्सची संख्या आणि भावना, जी विशिष्ट विषयांभोवती भावना विश्लेषण करणाऱ्या अॅनालिटिक्स टूल्सद्वारे स्थापित केली जाते.
+
+हा प्रकल्प तयार करण्यासाठी आवश्यक पायऱ्या खालीलप्रमाणे आहेत:
+
+* इनपुट स्ट्रीमिंगसाठी इव्हेंट हब तयार करा, जो ट्विटरमधून डेटा संकलित करेल.
+* ट्विटर स्ट्रीमिंग APIs कॉल करणारे ट्विटर क्लायंट अॅप्लिकेशन कॉन्फिगर करा आणि सुरू करा.
+* स्ट्रीम अॅनालिटिक्स जॉब तयार करा.
+* जॉब इनपुट आणि क्वेरी निर्दिष्ट करा.
+* आउटपुट सिंक तयार करा आणि जॉब आउटपुट निर्दिष्ट करा.
+* जॉब सुरू करा.
+
+पूर्ण प्रक्रिया पाहण्यासाठी [डॉक्युमेंटेशन](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) पहा.
+
+### वैज्ञानिक पेपर्स विश्लेषण
+चला या अभ्यासक्रमातील लेखकांपैकी एक [दिमित्री सॉश्निकोव्ह](http://soshnikov.com) यांनी तयार केलेल्या प्रकल्पाचे आणखी एक उदाहरण पाहूया.
+
+दिमित्रीने COVID पेपर्सचे विश्लेषण करणारे एक टूल तयार केले. हा प्रकल्प पाहून तुम्हाला कळेल की वैज्ञानिक पेपर्समधून ज्ञान कसे काढायचे, अंतर्दृष्टी कशी मिळवायची आणि संशोधकांना मोठ्या प्रमाणात पेपर्सच्या संग्रहातून कार्यक्षमतेने नेव्हिगेट करण्यात कसे मदत करायचे.
+
+या प्रकल्पासाठी वापरलेल्या विविध पायऱ्या पाहूया:
+
+* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वापरून माहिती काढणे आणि पूर्व-प्रक्रिया करणे.
+* [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वापरून प्रक्रिया समांतरित करणे.
+* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वापरून माहिती संग्रहित करणे आणि क्वेरी करणे.
+* Power BI वापरून डेटा एक्सप्लोरेशन आणि व्हिज्युअलायझेशनसाठी इंटरॅक्टिव डॅशबोर्ड तयार करणे.
+
+पूर्ण प्रक्रिया पाहण्यासाठी [दिमित्रीचा ब्लॉग](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) पहा.
+
+जसे तुम्ही पाहू शकता, क्लाउड सेवांचा उपयोग करून डेटा सायन्स करण्याचे अनेक मार्ग आहेत.
+
+## फूटनोट
+
+स्रोत:
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## व्याख्यानानंतरची प्रश्नमंजुषा
+
+[व्याख्यानानंतरची प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## असाइनमेंट
+
+[मार्केट रिसर्च](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/mr/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..ff66917e
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-27T17:47:31+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "mr"
+}
+-->
+# बाजार संशोधन
+
+## सूचना
+
+या धड्यात तुम्ही शिकले की काही महत्त्वाचे क्लाउड प्रदाते आहेत. डेटा सायंटिस्टसाठी प्रत्येक प्रदाता काय ऑफर करू शकतो हे शोधण्यासाठी बाजार संशोधन करा. त्यांच्या ऑफरिंग्स तुलनात्मक आहेत का? तीन किंवा अधिक क्लाउड प्रदात्यांच्या ऑफरिंग्सचे वर्णन करणारा एक लेख लिहा.
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | पुरेसे | सुधारणा आवश्यक
+--- | --- | -- |
+तीन क्लाउड प्रदात्यांच्या डेटा सायन्स ऑफरिंग्सचे वर्णन करणारा एक पानाचा लेख आणि त्यांच्यातील फरक स्पष्ट करतो. | छोटा लेख सादर केला आहे | विश्लेषण पूर्ण न करता लेख सादर केला आहे
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..c3e69149
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,353 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-27T17:37:33+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "mr"
+}
+-->
+# क्लाउडमधील डेटा सायन्स: "लो कोड/नो कोड" पद्धत
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमधील डेटा सायन्स: लो कोड - _[@nitya](https://twitter.com/nitya) यांचे स्केच_ |
+
+सामग्री सूची:
+
+- [क्लाउडमधील डेटा सायन्स: "लो कोड/नो कोड" पद्धत](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [पूर्व-व्याख्यान प्रश्नमंजुषा](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. परिचय](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Azure Machine Learning म्हणजे काय?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 हार्ट फेल्युअर डेटासेट:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Azure ML Studio मध्ये लो कोड/नो कोड पद्धतीने मॉडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Azure ML workspace तयार करा](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 संगणकीय संसाधने](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 संगणकीय संसाधनांसाठी योग्य पर्याय निवडणे](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 संगणकीय क्लस्टर तयार करणे](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 डेटासेट लोड करणे](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 AutoML सह लो कोड/नो कोड प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. लो कोड/नो कोड मॉडेल डिप्लॉयमेंट आणि एंडपॉइंट वापर](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 मॉडेल डिप्लॉयमेंट](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 एंडपॉइंट वापर](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 आव्हान](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [व्याख्यानानंतरची प्रश्नमंजुषा](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [पुनरावलोकन आणि स्व-अभ्यास](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [असाइनमेंट](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. परिचय
+
+### 1.1 Azure Machine Learning म्हणजे काय?
+
+Azure क्लाउड प्लॅटफॉर्ममध्ये 200 हून अधिक उत्पादने आणि क्लाउड सेवा आहेत, ज्या तुम्हाला नवीन उपाय तयार करण्यात मदत करतात. डेटा सायंटिस्ट्स डेटाचे अन्वेषण आणि पूर्व-प्रक्रिया करण्यासाठी, तसेच अचूक मॉडेल तयार करण्यासाठी विविध प्रकारचे मॉडेल-प्रशिक्षण अल्गोरिदम वापरण्यासाठी खूप प्रयत्न करतात. हे कार्य वेळखाऊ असते आणि महागड्या संगणकीय हार्डवेअरचा अकार्यक्षम वापर होतो.
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ही Azure मध्ये मशीन लर्निंग सोल्यूशन्स तयार करण्यासाठी आणि ऑपरेट करण्यासाठी एक क्लाउड-आधारित प्लॅटफॉर्म आहे. यात डेटा तयार करणे, मॉडेल प्रशिक्षण, प्रेडिक्टिव्ह सेवा प्रकाशित करणे आणि त्यांचा वापर मॉनिटर करणे यासाठी अनेक वैशिष्ट्ये आणि क्षमता आहेत. सर्वात महत्त्वाचे म्हणजे, हे वेळखाऊ कार्ये स्वयंचलित करून डेटा सायंटिस्ट्सची कार्यक्षमता वाढवते; तसेच मोठ्या प्रमाणात डेटा हाताळण्यासाठी प्रभावीपणे स्केल होणाऱ्या क्लाउड-आधारित संगणकीय संसाधनांचा वापर करण्यास सक्षम करते, ज्यामुळे फक्त वापराच्या वेळीच खर्च होतो.
+
+Azure ML मध्ये मशीन लर्निंग वर्कफ्लो साठी आवश्यक असलेली सर्व साधने आहेत. यामध्ये समाविष्ट आहे:
+
+- **Azure Machine Learning Studio**: मॉडेल प्रशिक्षण, डिप्लॉयमेंट, ऑटोमेशन, ट्रॅकिंग आणि अॅसेट मॅनेजमेंटसाठी लो कोड/नो कोड पर्याय असलेले वेब पोर्टल.
+- **Jupyter Notebooks**: ML मॉडेल्स जलद प्रोटोटाइप आणि चाचणीसाठी.
+- **Azure Machine Learning Designer**: ड्रॅग-एन-ड्रॉप मॉड्यूल्स वापरून प्रयोग तयार करणे आणि लो कोड वातावरणात पाइपलाइन्स डिप्लॉय करणे.
+- **Automated machine learning UI (AutoML)**: मॉडेल विकासातील पुनरावृत्ती कार्ये स्वयंचलित करते, उच्च स्केल, कार्यक्षमता आणि उत्पादकतेसह ML मॉडेल तयार करण्यास अनुमती देते.
+- **डेटा लेबलिंग**: डेटा स्वयंचलितपणे लेबल करण्यासाठी सहाय्यक ML साधन.
+- **Visual Studio Code साठी मशीन लर्निंग एक्स्टेंशन**: ML प्रकल्प तयार करण्यासाठी आणि व्यवस्थापित करण्यासाठी पूर्ण-वैशिष्ट्यीकृत विकास वातावरण प्रदान करते.
+- **मशीन लर्निंग CLI**: कमांड लाइनवरून Azure ML संसाधने व्यवस्थापित करण्यासाठी आदेश प्रदान करते.
+- **PyTorch, TensorFlow, Scikit-learn सारख्या ओपन-सोर्स फ्रेमवर्कसह एकत्रीकरण**: प्रशिक्षण, डिप्लॉयमेंट आणि एंड-टू-एंड मशीन लर्निंग प्रक्रिया व्यवस्थापित करण्यासाठी.
+- **MLflow**: मशीन लर्निंग प्रयोगांच्या जीवनचक्राचे व्यवस्थापन करण्यासाठी एक ओपन-सोर्स लायब्ररी. **MLFlow Tracking** हे MLflow चे एक घटक आहे, जे तुमच्या प्रशिक्षण रन मेट्रिक्स आणि मॉडेल आर्टिफॅक्ट्स लॉग आणि ट्रॅक करते.
+
+### 1.2 हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट:
+
+प्रकल्प तयार करणे आणि बांधणे ही तुमच्या कौशल्यांची आणि ज्ञानाची चाचणी घेण्याचा सर्वोत्तम मार्ग आहे. या धड्यात, आपण Azure ML Studio मध्ये हार्ट फेल्युअर अटॅक्सच्या प्रेडिक्शनसाठी डेटा सायन्स प्रकल्प तयार करण्याच्या दोन वेगवेगळ्या पद्धतींचा अभ्यास करू: लो कोड/नो कोड आणि Azure ML SDK च्या माध्यमातून, खालील योजनेप्रमाणे:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.mr.png)
+
+प्रत्येक पद्धतीचे स्वतःचे फायदे आणि तोटे आहेत. लो कोड/नो कोड पद्धत सुरू करण्यासाठी सोपी आहे कारण ती GUI (ग्राफिकल युजर इंटरफेस) चा वापर करते, ज्यासाठी कोडचे पूर्वज्ञान आवश्यक नाही. ही पद्धत प्रकल्पाची व्यवहार्यता जलद चाचणीसाठी आणि POC (प्रूफ ऑफ कॉन्सेप्ट) तयार करण्यासाठी सक्षम करते. परंतु, प्रकल्प वाढत असताना आणि उत्पादनासाठी तयार करणे आवश्यक असताना, GUI च्या माध्यमातून संसाधने तयार करणे व्यवहार्य नसते. अशा वेळी, Azure ML SDK चा वापर करून सर्वकाही प्रोग्रामॅटिकली स्वयंचलित करणे महत्त्वाचे ठरते.
+
+|                   | लो कोड/नो कोड | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| कोडचे ज्ञान       | आवश्यक नाही     | आवश्यक                   |
+| विकासाचा वेळ      | जलद आणि सोपा    | कोड कौशल्यावर अवलंबून    |
+| उत्पादनासाठी तयार| नाही             | होय                      |
+
+### 1.3 हार्ट फेल्युअर डेटासेट:
+
+हृदयविकार (CVDs) हे जागतिक स्तरावर मृत्यूचे क्रमांक 1 कारण आहेत, जे एकूण मृत्यूंपैकी 31% आहेत. तंबाखूचा वापर, अस्वस्थ आहार आणि लठ्ठपणा, शारीरिक निष्क्रियता आणि अल्कोहोलचा हानिकारक वापर यांसारख्या पर्यावरणीय आणि वर्तनात्मक जोखीम घटकांचा अंदाज मॉडेलसाठी वैशिष्ट्ये म्हणून वापरला जाऊ शकतो. उच्च जोखीम असलेल्या लोकांमध्ये हृदयविकाराचा झटका टाळण्यासाठी CVD विकसित होण्याची शक्यता अंदाज लावणे उपयुक्त ठरू शकते.
+
+Kaggle ने [हार्ट फेल्युअर डेटासेट](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) सार्वजनिकपणे उपलब्ध करून दिला आहे, जो आपण या प्रकल्पासाठी वापरणार आहोत. तुम्ही हा डेटासेट आता डाउनलोड करू शकता. हा 13 स्तंभांचा (12 वैशिष्ट्ये आणि 1 लक्ष्य व्हेरिएबल) आणि 299 ओळींचा टॅब्लर डेटासेट आहे.
+
+|    | व्हेरिएबल नाव             | प्रकार            | वर्णन                                               | उदाहरण           |
+|----|---------------------------|-----------------|---------------------------------------------------|-------------------|
+| 1  | age                       | संख्यात्मक       | रुग्णाचे वय                                        | 25                |
+| 2  | anaemia                   | बूलियन         | लाल रक्तपेशी किंवा हिमोग्लोबिनची घट               | 0 किंवा 1         |
+| 3  | creatinine_phosphokinase  | संख्यात्मक       | रक्तातील CPK एन्झाइमची पातळी                      | 542               |
+| 4  | diabetes                  | बूलियन         | रुग्णाला मधुमेह आहे का?                          | 0 किंवा 1         |
+| 5  | ejection_fraction         | संख्यात्मक       | प्रत्येक संकुचनावर हृदयातून बाहेर पडणाऱ्या रक्ताचे प्रमाण | 45                |
+| 6  | high_blood_pressure       | बूलियन         | रुग्णाला उच्च रक्तदाब आहे का?                     | 0 किंवा 1         |
+| 7  | platelets                 | संख्यात्मक       | रक्तातील प्लेटलेट्स                                | 149000            |
+| 8  | serum_creatinine          | संख्यात्मक       | रक्तातील सिरम क्रिएटिनिनची पातळी                  | 0.5               |
+| 9  | serum_sodium              | संख्यात्मक       | रक्तातील सिरम सोडियमची पातळी                      | jun               |
+| 10 | sex                       | बूलियन         | स्त्री किंवा पुरुष                                 | 0 किंवा 1         |
+| 11 | smoking                   | बूलियन         | रुग्ण धूम्रपान करतो का?                           | 0 किंवा 1         |
+| 12 | time                      | संख्यात्मक       | फॉलो-अप कालावधी (दिवस)                            | 4                 |
+|----|---------------------------|-----------------|---------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [Target]      | बूलियन         | फॉलो-अप कालावधीत रुग्णाचा मृत्यू होतो का?         | 0 किंवा 1         |
+
+एकदा तुम्ही डेटासेट मिळवल्यानंतर, आपण Azure मध्ये प्रकल्प सुरू करू शकतो.
+
+## 2. Azure ML Studio मध्ये लो कोड/नो कोड पद्धतीने मॉडेल प्रशिक्षण
+
+### 2.1 Azure ML workspace तयार करा
+
+Azure ML मध्ये मॉडेल प्रशिक्षणासाठी, तुम्हाला प्रथम Azure ML workspace तयार करणे आवश्यक आहे. Workspace हे Azure Machine Learning साठी टॉप-लेव्हल संसाधन आहे, जे तुम्ही तयार केलेल्या सर्व आर्टिफॅक्ट्ससाठी केंद्रीकृत जागा प्रदान करते. Workspace मध्ये सर्व प्रशिक्षण रनचा इतिहास, लॉग्स, मेट्रिक्स, आउटपुट आणि तुमच्या स्क्रिप्ट्सचा स्नॅपशॉट ठेवला जातो. तुम्ही कोणता प्रशिक्षण रन सर्वोत्तम मॉडेल तयार करतो हे ठरवण्यासाठी ही माहिती वापरता. [अधिक जाणून घ्या](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+तुमच्या ऑपरेटिंग सिस्टमशी सुसंगत असलेला सर्वात अद्ययावत ब्राउझर वापरण्याची शिफारस केली जाते. खालील ब्राउझर समर्थित आहेत:
+
+- Microsoft Edge (नवीन Microsoft Edge, नवीनतम आवृत्ती. Microsoft Edge लेगसी नाही)
+- Safari (नवीनतम आवृत्ती, फक्त Mac साठी)
+- Chrome (नवीनतम आवृत्ती)
+- Firefox (नवीनतम आवृत्ती)
+
+Azure Machine Learning वापरण्यासाठी, तुमच्या Azure सदस्यत्वात workspace तयार करा. तुम्ही नंतर या workspace चा वापर डेटा, संगणकीय संसाधने, कोड, मॉडेल्स आणि मशीन लर्निंग वर्कलोडशी संबंधित इतर आर्टिफॅक्ट्स व्यवस्थापित करण्यासाठी करू शकता.
+
+> **_टीप:_** तुमच्या Azure सदस्यत्वासाठी Azure Machine Learning workspace अस्तित्वात असताना डेटा स्टोरेजसाठी थोडा खर्च होईल, त्यामुळे तुम्ही workspace वापरत नसल्यास ते हटवण्याची शिफारस केली जाते.
+
+1. [Azure पोर्टल](https://ms.portal.azure.com/) मध्ये Microsoft क्रेडेन्शियल्ससह साइन इन करा.
+2. **＋Create a resource** निवडा.
+
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.mr.png)
+
+   Machine Learning शोधा आणि Machine Learning टाइल निवडा.
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.mr.png)
+
+   Create बटणावर क्लिक करा.
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.mr.png)
+
+   खालीलप्रमाणे सेटिंग्ज भरा:
+   - Subscription: तुमचे Azure सदस्यत्व
+   - Resource group: नवीन तयार करा किंवा विद्यमान निवडा
+   - Workspace name: तुमच्या workspace साठी एक अद्वितीय नाव प्रविष्ट करा
+   - Region: तुमच्याजवळील भौगोलिक क्षेत्र निवडा
+   - Storage account: तुमच्या workspace साठी तयार होणारे नवीन स्टोरेज खाते लक्षात ठेवा
+   - Key vault: तुमच्या workspace साठी तयार होणारे नवीन की व्हॉल्ट लक्षात ठेवा
+   - Application insights: तुमच्या workspace साठी तयार होणारे नवीन application insights लक्षात ठेवा
+   - Container registry: None (तुम्ही मॉडेल कंटेनरमध्ये डिप्लॉय केल्यावर आपोआप तयार होईल)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.mr.png)
+
+   - Create + Review वर क्लिक करा आणि नंतर Create बटणावर क्लिक करा.
+3. तुमचे workspace तयार होण्याची प्रतीक्षा करा (यास काही मिनिटे लागू शकतात). नंतर ते पोर्टलमध्ये उघडा. तुम्ही Machine Learning Azure सेवेद्वारे ते शोधू शकता.
+4. तुमच्या workspace च्या Overview पृष्ठावर, Azure Machine Learning studio लाँच करा (किंवा नवीन ब्राउझर टॅब उघडा आणि https://ml.azure.com वर जा), आणि Microsoft खात्याचा वापर करून Azure Machine Learning studio मध्ये साइन इन करा. जर विचारले गेले, तर तुमची Azure directory आणि सदस्यत्व, तसेच तुमचे Azure Machine Learning workspace निवडा.
+
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.mr.png)
+
+5. Azure Machine Learning studio मध्ये, इंटरफेसमधील विविध पृष्ठे पाहण्यासाठी वरच्या डाव्या ☰ चिन्हावर टॉगल करा. तुम्ही workspace मधील संसाधने व्यवस्थापित करण्यासाठी ही पृष्ठे वापरू शकता.
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.mr.png)
+
+तुम्ही Azure पोर्टल वापरून workspace व्यवस्थापित करू शकता, परंतु डेटा सायंटिस्ट्स आणि मशीन लर्निंग ऑपरेशन्स इंजिनिअर्ससाठी, Azure Machine Learning Studio workspace संसाधने व्यवस्थापित करण्यासाठी अधिक केंद्रित युजर इंटरफेस प्रदान करते.
+
+### 2.2 संगणकीय संसाधने
+
+संगणकीय संसाधने ही क्लाउड-आधारित संसाधने आहेत, ज्यावर तुम्ही मॉडेल प्रशिक्षण आणि डेटा अन्वेषण प्रक्रिया चालवू शकता. तुम्ही चार प्रकारची संगणकीय संसाधने तयार करू शकता:
+
+- **Compute Instances**: डेटा सायंटिस्ट्ससाठी डेटा आणि मॉडेल्ससह काम करण्यासाठी विकास कार्यस्थान. यामध्ये व्हर्च्युअल मशीन (VM) तयार करणे आणि नोटबुक instance लाँच करणे समाविष्ट आहे. तुम्ही नंतर नोटबुकमधून संगणकीय क्लस्टर कॉल करून मॉडेल प्रशिक्षण करू शकता.
+- **Compute Clusters**: प्रयोग कोडच्या ऑन-डिमांड प्रक्रियेसाठी स्केलेबल VM क्लस्टर. तुम्हाला मॉडेल प्रशिक्षणासाठी याची आवश्यकता असेल. Compute clusters विशेष GPU किंवा CPU संसाधनांचा वापर करू शकतात.
+- **Inference Clusters**: तुमच्या प्रशिक्षित मॉडेल्स वापरणाऱ्या प्रेडिक्टिव्ह सेवांसाठी डिप्लॉयमेंट लक्ष्य.
+- **जोडलेले Compute**: Azure compute संसाधनांशी लिंक करते, जसे की Virtual Machines किंवा Azure Databricks क्लस्टर्स.
+
+#### 2.2.1 तुमच्या compute संसाधनांसाठी योग्य पर्याय निवडणे
+
+Compute संसाधन तयार करताना काही महत्त्वाचे घटक विचारात घ्यावे लागतात आणि हे निर्णय महत्त्वाचे ठरू शकतात.
+
+**तुम्हाला CPU किंवा GPU ची आवश्यकता आहे का?**
+
+CPU (Central Processing Unit) ही इलेक्ट्रॉनिक सर्किटरी आहे जी संगणक प्रोग्राममध्ये समाविष्ट असलेल्या सूचनांची अंमलबजावणी करते. GPU (Graphics Processing Unit) ही एक विशेष इलेक्ट्रॉनिक सर्किट आहे जी ग्राफिक्स-संबंधित कोड अतिशय वेगाने अंमलात आणू शकते.
+
+CPU आणि GPU आर्किटेक्चरमधील मुख्य फरक असा आहे की CPU विविध प्रकारच्या कार्ये जलद हाताळण्यासाठी डिझाइन केलेले आहे (CPU क्लॉक स्पीडने मोजले जाते), परंतु एकाच वेळी चालणाऱ्या कार्यांच्या संख्येत मर्यादा असते. GPU समांतर संगणनासाठी डिझाइन केलेले आहे आणि त्यामुळे ते डीप लर्निंग कार्यांसाठी अधिक चांगले आहे.
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| कमी खर्चिक                              | अधिक खर्चिक                |
+| कमी स्तरावरील समांतरता                 | उच्च स्तरावरील समांतरता    |
+| डीप लर्निंग मॉडेल्स प्रशिक्षणात धीम्या  | डीप लर्निंगसाठी उत्तम       |
+
+**क्लस्टर आकार**
+
+मोठे क्लस्टर अधिक खर्चिक असतात परंतु चांगली प्रतिसादक्षमता देतात. त्यामुळे, जर तुमच्याकडे वेळ असेल पण पुरेसे पैसे नसतील, तर तुम्ही लहान क्लस्टरने सुरुवात करावी. उलट, जर तुमच्याकडे पैसे असतील पण वेळ कमी असेल, तर तुम्ही मोठ्या क्लस्टरने सुरुवात करावी.
+
+**VM आकार**
+
+तुमच्या वेळ आणि बजेटच्या मर्यादेनुसार, तुम्ही RAM, डिस्क, कोरची संख्या आणि क्लॉक स्पीडचा आकार बदलू शकता. या सर्व पॅरामीटर्स वाढवणे अधिक खर्चिक असेल, परंतु चांगली कार्यक्षमता मिळेल.
+
+**Dedicated किंवा Low-Priority Instances?**
+
+Low-priority instance म्हणजे ते interruptible आहे: Microsoft Azure त्या संसाधनांचा वापर दुसऱ्या कार्यासाठी करू शकते, ज्यामुळे एक कार्य थांबवले जाऊ शकते. Dedicated instance, किंवा non-interruptible, म्हणजे तुमच्या परवानगीशिवाय कार्य कधीही थांबवले जाणार नाही.
+हे वेळ विरुद्ध पैसे याचे आणखी एक विचार आहे, कारण interruptible instances हे dedicated instances पेक्षा कमी खर्चिक असतात.
+
+#### 2.2.2 Compute क्लस्टर तयार करणे
+
+आम्ही पूर्वी तयार केलेल्या [Azure ML workspace](https://ml.azure.com/) मध्ये जा, Compute वर क्लिक करा आणि तुम्हाला वेगवेगळ्या Compute संसाधने दिसतील (उदा. Compute instances, Compute clusters, inference clusters आणि attached compute). या प्रकल्पासाठी, आम्हाला मॉडेल प्रशिक्षणासाठी Compute क्लस्टरची आवश्यकता आहे. Studio मध्ये, "Compute" मेनूवर क्लिक करा, नंतर "Compute cluster" टॅबवर क्लिक करा आणि Compute क्लस्टर तयार करण्यासाठी "+ New" बटणावर क्लिक करा.
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.mr.png)
+
+1. तुमचे पर्याय निवडा: Dedicated vs Low priority, CPU किंवा GPU, VM आकार आणि कोर संख्या (या प्रकल्पासाठी तुम्ही default सेटिंग ठेवू शकता).
+2. Next बटणावर क्लिक करा.
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.mr.png)
+
+3. क्लस्टरला Compute नाव द्या.
+4. तुमचे पर्याय निवडा: Minimum/Maximum nodes ची संख्या, Idle seconds before scale down, SSH access. लक्षात ठेवा की जर minimum nodes ची संख्या 0 असेल, तर क्लस्टर idle असताना तुम्ही पैसे वाचवाल. लक्षात ठेवा की maximum nodes ची संख्या जास्त असल्यास, प्रशिक्षण कमी वेळेत पूर्ण होईल. Maximum nodes ची शिफारस केलेली संख्या 3 आहे.  
+5. "Create" बटणावर क्लिक करा. ही प्रक्रिया काही मिनिटे लागू शकते.
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.mr.png)
+
+छान! आता आपल्याकडे Compute क्लस्टर आहे, आता आपल्याला डेटा Azure ML Studio मध्ये लोड करायचा आहे.
+
+### 2.3 डेटासेट लोड करणे
+
+1. आम्ही पूर्वी तयार केलेल्या [Azure ML workspace](https://ml.azure.com/) मध्ये, डाव्या मेनूमध्ये "Datasets" वर क्लिक करा आणि "+ Create dataset" बटणावर क्लिक करा. "From local files" पर्याय निवडा आणि आपण पूर्वी डाउनलोड केलेला Kaggle डेटासेट निवडा.
+   
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.mr.png)
+
+2. तुमच्या डेटासेटला नाव, प्रकार आणि वर्णन द्या. Next वर क्लिक करा. फाइल्समधून डेटा अपलोड करा. Next वर क्लिक करा.
+   
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.mr.png)
+
+3. Schema मध्ये, खालील वैशिष्ट्यांसाठी डेटा प्रकार Boolean मध्ये बदला: anaemia, diabetes, high blood pressure, sex, smoking, आणि DEATH_EVENT. Next वर क्लिक करा आणि Create वर क्लिक करा.
+   
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.mr.png)
+
+छान! आता डेटासेट तयार आहे आणि Compute क्लस्टर तयार आहे, आपण मॉडेलचे प्रशिक्षण सुरू करू शकतो!
+
+### 2.4 AutoML सह Low code/No Code प्रशिक्षण
+
+पारंपरिक मशीन लर्निंग मॉडेल विकास संसाधन-गहन असतो, महत्त्वपूर्ण डोमेन ज्ञान आणि अनेक मॉडेल्स तयार करण्यासाठी आणि तुलना करण्यासाठी वेळ लागतो. 
+Automated machine learning (AutoML) ही मशीन लर्निंग मॉडेल विकासाच्या वेळखाऊ, पुनरावृत्ती होणाऱ्या कार्यांना स्वयंचलित करण्याची प्रक्रिया आहे. हे डेटा वैज्ञानिक, विश्लेषक आणि विकसकांना उच्च प्रमाणात, कार्यक्षमता आणि उत्पादकतेसह ML मॉडेल्स तयार करण्यास अनुमती देते, मॉडेल गुणवत्ता टिकवून ठेवत. हे उत्पादन-तयार ML मॉडेल्स मिळवण्यासाठी लागणारा वेळ कमी करते, सोप्या आणि कार्यक्षमतेसह. [अधिक जाणून घ्या](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. आम्ही पूर्वी तयार केलेल्या [Azure ML workspace](https://ml.azure.com/) मध्ये "Automated ML" वर क्लिक करा आणि तुम्ही नुकतेच अपलोड केलेले डेटासेट निवडा. Next वर क्लिक करा.
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.mr.png)
+
+2. नवीन प्रयोगाचे नाव, target column (DEATH_EVENT) आणि आपण तयार केलेले Compute क्लस्टर प्रविष्ट करा. Next वर क्लिक करा.
+   
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.mr.png)
+
+3. "Classification" निवडा आणि Finish वर क्लिक करा. ही प्रक्रिया तुमच्या Compute क्लस्टरच्या आकारावर अवलंबून 30 मिनिटे ते 1 तास लागू शकते.
+    
+    ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.mr.png)
+
+4. रन पूर्ण झाल्यावर, "Automated ML" टॅबवर क्लिक करा, तुमच्या रनवर क्लिक करा आणि "Best model summary" कार्डमध्ये Algorithm वर क्लिक करा.
+    
+    ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.mr.png)
+
+येथे तुम्ही AutoML ने तयार केलेल्या सर्वोत्तम मॉडेलचे तपशीलवार वर्णन पाहू शकता. तुम्ही Models टॅबमध्ये तयार केलेल्या इतर मॉडेल्स देखील एक्सप्लोर करू शकता. Explanations (preview button) मध्ये मॉडेल्स एक्सप्लोर करण्यासाठी काही मिनिटे घ्या. तुम्हाला वापरायचे मॉडेल निवडल्यानंतर (येथे आम्ही AutoML ने निवडलेले सर्वोत्तम मॉडेल निवडू), आपण ते कसे तैनात करू शकतो ते पाहू.
+
+## 3. Low code/No Code मॉडेल तैनात करणे आणि endpoint वापरणे
+### 3.1 मॉडेल तैनात करणे
+
+Automated machine learning इंटरफेस तुम्हाला काही चरणांमध्ये सर्वोत्तम मॉडेल वेब सेवा म्हणून तैनात करण्याची परवानगी देते. तैनाती म्हणजे मॉडेलचे एकत्रीकरण जेणेकरून ते नवीन डेटावर आधारित अंदाज करू शकेल आणि संभाव्य संधींचे क्षेत्र ओळखू शकेल. या प्रकल्पासाठी, वेब सेवेला तैनात करणे म्हणजे वैद्यकीय अनुप्रयोग मॉडेलचा वापर करून त्यांच्या रुग्णांच्या हृदयविकाराचा धोका थेट अंदाज करू शकतील.
+
+सर्वोत्तम मॉडेलच्या वर्णनात, "Deploy" बटणावर क्लिक करा.
+    
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.mr.png)
+
+15. त्याला नाव, वर्णन, Compute प्रकार (Azure Container Instance), authentication सक्षम करा आणि Deploy वर क्लिक करा. ही प्रक्रिया पूर्ण होण्यासाठी सुमारे 20 मिनिटे लागू शकतात. तैनाती प्रक्रियेमध्ये मॉडेल नोंदणी करणे, संसाधने तयार करणे आणि वेब सेवेसाठी त्यांचे कॉन्फिगरेशन समाविष्ट आहे. Deploy status अंतर्गत स्थिती संदेश दिसतो. तैनाती स्थिती तपासण्यासाठी वेळोवेळी Refresh निवडा. स्थिती "Healthy" असल्यावर ते तैनात आणि चालू आहे.
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.mr.png)
+
+16. तैनात झाल्यानंतर, Endpoint टॅबवर क्लिक करा आणि तुम्ही नुकतेच तैनात केलेल्या Endpoint वर क्लिक करा. येथे तुम्हाला Endpoint बद्दल जाणून घेण्यासाठी सर्व तपशील सापडतील.
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.mr.png)
+
+अप्रतिम! आता आपल्याकडे मॉडेल तैनात आहे, आपण Endpoint वापरण्यास सुरुवात करू शकतो.
+
+### 3.2 Endpoint वापरणे
+
+"Consume" टॅबवर क्लिक करा. येथे तुम्हाला REST endpoint आणि Python script consumption पर्यायामध्ये सापडेल. Python कोड वाचण्यासाठी थोडा वेळ घ्या.
+
+हा स्क्रिप्ट थेट तुमच्या स्थानिक मशीनवर चालवला जाऊ शकतो आणि तुमचा Endpoint वापरेल.
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.mr.png)
+
+या दोन कोड ओळी तपासण्यासाठी थोडा वेळ घ्या:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+`url` व्हेरिएबल हा Consume टॅबमध्ये सापडलेला REST endpoint आहे आणि `api_key` व्हेरिएबल हा प्राथमिक key आहे जो Consume टॅबमध्ये सापडतो (फक्त authentication सक्षम केल्यास). हा स्क्रिप्ट Endpoint वापरण्यास सक्षम आहे.
+
+18. स्क्रिप्ट चालवल्यानंतर, तुम्हाला खालील आउटपुट दिसेल:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+याचा अर्थ दिलेल्या डेटासाठी हृदयविकाराचा अंदाज खरा आहे. हे योग्य वाटते कारण जर तुम्ही स्क्रिप्टमध्ये स्वयंचलितपणे तयार केलेल्या डेटाकडे अधिक बारकाईने पाहिले तर सर्व काही default म्हणून 0 आणि false आहे. तुम्ही खालील इनपुट नमुन्याने डेटा बदलू शकता:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+स्क्रिप्ट खालील आउटपुट परत करेल:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+अभिनंदन! तुम्ही तैनात केलेले मॉडेल वापरले आणि Azure ML वर प्रशिक्षण दिले!
+
+> **_टीप:_** प्रकल्प पूर्ण झाल्यावर, सर्व संसाधने हटवायला विसरू नका.
+## 🚀 आव्हान
+
+AutoML ने सर्वोत्तम मॉडेलसाठी तयार केलेल्या मॉडेल स्पष्टीकरण आणि तपशील बारकाईने पहा. सर्वोत्तम मॉडेल इतरांपेक्षा चांगले का आहे हे समजून घेण्याचा प्रयत्न करा. कोणते अल्गोरिदम्स तुलना केली गेली? त्यांच्यात काय फरक आहे? या प्रकरणात सर्वोत्तम मॉडेल चांगले कार्य करत आहे का?
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या धड्यात, तुम्ही Low code/No code पद्धतीने क्लाउडमध्ये हृदयविकाराचा धोका अंदाज करण्यासाठी मॉडेल प्रशिक्षण, तैनात करणे आणि वापरणे शिकले. जर तुम्ही अजून केले नसेल, तर AutoML ने सर्वोत्तम मॉडेलसाठी तयार केलेल्या मॉडेल स्पष्टीकरणांमध्ये अधिक खोल जा आणि सर्वोत्तम मॉडेल इतरांपेक्षा चांगले का आहे हे समजून घेण्याचा प्रयत्न करा.
+
+Low code/No code AutoML बद्दल अधिक जाणून घेण्यासाठी तुम्ही हे [डॉक्युमेंटेशन](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वाचू शकता.
+
+## असाइनमेंट
+
+[Azure ML वर Low code/No code डेटा सायन्स प्रकल्प](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..6b847395
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-27T17:44:22+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "mr"
+}
+-->
+# Azure ML वर लो कोड/नो कोड डेटा सायन्स प्रकल्प
+
+## सूचना
+
+आम्ही Azure ML प्लॅटफॉर्मचा वापर करून लो कोड/नो कोड पद्धतीने मॉडेल प्रशिक्षण, तैनात आणि वापरण्याची प्रक्रिया पाहिली. आता अशा डेटाचा शोध घ्या ज्याचा वापर तुम्ही दुसरे मॉडेल प्रशिक्षण, तैनात आणि वापरण्यासाठी करू शकता. तुम्ही [Kaggle](https://kaggle.com) आणि [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वर डेटासेट शोधू शकता.
+
+## मूल्यांकन निकष
+
+| उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक |
+|-----------|----------|-------------------|
+|डेटा अपलोड करताना तुम्ही आवश्यक असल्यास फीचरचा प्रकार बदलण्याची काळजी घेतली. तुम्ही आवश्यक असल्यास डेटा स्वच्छ केला. तुम्ही AutoML च्या माध्यमातून डेटासेटवर प्रशिक्षण चालवले आणि मॉडेल स्पष्टीकरण तपासले. तुम्ही सर्वोत्तम मॉडेल तैनात केले आणि त्याचा वापर करण्यास सक्षम झाला. | डेटा अपलोड करताना तुम्ही आवश्यक असल्यास फीचरचा प्रकार बदलण्याची काळजी घेतली. तुम्ही AutoML च्या माध्यमातून डेटासेटवर प्रशिक्षण चालवले, सर्वोत्तम मॉडेल तैनात केले आणि त्याचा वापर करण्यास सक्षम झाला. | तुम्ही AutoML द्वारे प्रशिक्षित सर्वोत्तम मॉडेल तैनात केले आणि त्याचा वापर करण्यास सक्षम झाला. |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/mr/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..fd77b15a
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,316 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-27T17:48:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "mr"
+}
+-->
+# क्लाउडमधील डेटा सायन्स: "Azure ML SDK" पद्धत
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमधील डेटा सायन्स: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+सामग्रीची यादी:
+
+- [क्लाउडमधील डेटा सायन्स: "Azure ML SDK" पद्धत](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [पूर्व-व्याख्यान प्रश्नमंजुषा](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. परिचय](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Azure ML SDK म्हणजे काय?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट आणि डेटासेटची ओळख](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Azure ML SDK वापरून मॉडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Azure ML Workspace तयार करा](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 Compute Instance तयार करा](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 डेटासेट लोड करणे](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 नोटबुक तयार करणे](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 मॉडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 Workspace, experiment, compute cluster आणि dataset सेटअप करा](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 AutoML Configuration आणि प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Azure ML SDK वापरून मॉडेल डिप्लॉयमेंट आणि एन्डपॉइंट वापर](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 सर्वोत्तम मॉडेल सेव्ह करणे](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 मॉडेल डिप्लॉयमेंट](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 एन्डपॉइंट वापर](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 आव्हान](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [व्याख्यानानंतरची प्रश्नमंजुषा](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [पुनरावलोकन आणि स्व-अभ्यास](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [असाइनमेंट](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. परिचय
+
+### 1.1 Azure ML SDK म्हणजे काय?
+
+डेटा सायंटिस्ट आणि AI डेव्हलपर्स Azure Machine Learning SDK वापरून Azure Machine Learning सेवेसह मशीन लर्निंग वर्कफ्लो तयार करतात आणि चालवतात. तुम्ही कोणत्याही Python वातावरणात, जसे की Jupyter Notebooks, Visual Studio Code किंवा तुमच्या आवडत्या Python IDE मध्ये या सेवेशी संवाद साधू शकता.
+
+SDK च्या मुख्य भागांमध्ये समाविष्ट आहे:
+
+- मशीन लर्निंग प्रयोगांमध्ये वापरल्या जाणाऱ्या डेटासेट्सचे अन्वेषण, तयारी आणि जीवनचक्र व्यवस्थापन.
+- क्लाउड संसाधनांचे व्यवस्थापन, मॉनिटरिंग, लॉगिंग आणि मशीन लर्निंग प्रयोगांचे आयोजन.
+- मॉडेल्स स्थानिक पातळीवर किंवा GPU-प्रेरित मॉडेल प्रशिक्षणासह क्लाउड संसाधने वापरून प्रशिक्षित करा.
+- स्वयंचलित मशीन लर्निंग वापरा, जे कॉन्फिगरेशन पॅरामीटर्स आणि प्रशिक्षण डेटा स्वीकारते. हे अल्गोरिदम आणि हायपरपॅरामीटर सेटिंग्जद्वारे स्वयंचलितपणे पुनरावृत्ती करते आणि अंदाज चालवण्यासाठी सर्वोत्तम मॉडेल शोधते.
+- वेब सेवांचे डिप्लॉयमेंट करा जे तुमच्या प्रशिक्षित मॉडेल्सना RESTful सेवांमध्ये रूपांतरित करते, ज्याचा वापर कोणत्याही अॅप्लिकेशनमध्ये केला जाऊ शकतो.
+
+[Azure Machine Learning SDK बद्दल अधिक जाणून घ्या](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+[मागील धड्यात](../18-Low-Code/README.md), आपण लो कोड/नो कोड पद्धतीने मॉडेल प्रशिक्षण, डिप्लॉयमेंट आणि वापर कसे करायचे ते पाहिले. आपण हार्ट फेल्युअर डेटासेट वापरून हार्ट फेल्युअर प्रेडिक्शन मॉडेल तयार केले. या धड्यात, आपण अगदी तेच करणार आहोत पण Azure Machine Learning SDK वापरून.
+
+![project-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.mr.png)
+
+### 1.2 हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट आणि डेटासेटची ओळख
+
+[येथे तपासा](../18-Low-Code/README.md) हार्ट फेल्युअर प्रेडिक्शन प्रोजेक्ट आणि डेटासेटची ओळख.
+
+## 2. Azure ML SDK वापरून मॉडेल प्रशिक्षण
+
+### 2.1 Azure ML Workspace तयार करा
+
+सोप्या पद्धतीसाठी, आपण जुपिटर नोटबुकवर काम करणार आहोत. याचा अर्थ असा की तुमच्याकडे आधीच Workspace आणि compute instance असणे आवश्यक आहे. जर तुमच्याकडे Workspace असेल, तर तुम्ही थेट **2.3 Notebook तयार करणे** विभागाकडे जाऊ शकता.
+
+जर नसेल, तर कृपया [मागील धड्यातील](../18-Low-Code/README.md) **2.1 Azure ML Workspace तयार करा** विभागातील सूचना Workspace तयार करण्यासाठी अनुसरण करा.
+
+### 2.2 Compute Instance तयार करा
+
+आपण पूर्वी तयार केलेल्या [Azure ML Workspace](https://ml.azure.com/) मध्ये जा, Compute मेनूमध्ये जा आणि तुम्हाला उपलब्ध असलेली विविध Compute संसाधने दिसतील.
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.mr.png)
+
+चला जुपिटर नोटबुक तयार करण्यासाठी Compute Instance तयार करूया. 
+1. + New बटणावर क्लिक करा. 
+2. Compute Instance ला नाव द्या.
+3. तुमचे पर्याय निवडा: CPU किंवा GPU, VM आकार आणि कोर संख्या.
+4. Create बटणावर क्लिक करा.
+
+अभिनंदन, तुम्ही Compute Instance तयार केले आहे! आपण [नोटबुक तयार करणे](../../../../5-Data-Science-In-Cloud/19-Azure) विभागात या Compute Instance चा वापर करू.
+
+### 2.3 डेटासेट लोड करणे
+
+जर तुम्ही अद्याप डेटासेट अपलोड केले नसेल, तर [मागील धडातील](../18-Low-Code/README.md) **2.3 डेटासेट लोड करणे** विभागाचा संदर्भ घ्या.
+
+### 2.4 नोटबुक तयार करणे
+
+> **_टीप:_** पुढील चरणासाठी तुम्ही नवीन नोटबुक स्क्रॅचपासून तयार करू शकता किंवा तुम्ही [आम्ही तयार केलेला नोटबुक](notebook.ipynb) Azure ML Studio मध्ये अपलोड करू शकता. अपलोड करण्यासाठी, फक्त "Notebook" मेनूवर क्लिक करा आणि नोटबुक अपलोड करा.
+
+नोटबुक डेटा सायन्स प्रक्रियेचा खूप महत्त्वाचा भाग आहे. ते Exploratory Data Analysis (EDA) करण्यासाठी, Compute Cluster ला कॉल करून मॉडेल प्रशिक्षणासाठी किंवा Inference Cluster ला कॉल करून एन्डपॉइंट डिप्लॉय करण्यासाठी वापरले जाऊ शकते.
+
+नोटबुक तयार करण्यासाठी, आपल्याला जुपिटर नोटबुक Instance चालवणारा Compute Node आवश्यक आहे. [Azure ML Workspace](https://ml.azure.com/) वर परत जा आणि Compute Instances वर क्लिक करा. Compute Instances च्या यादीत तुम्हाला [आधी तयार केलेला Compute Instance](../../../../5-Data-Science-In-Cloud/19-Azure) दिसेल.
+
+1. Applications विभागात, Jupyter पर्यायावर क्लिक करा. 
+2. "Yes, I understand" बॉक्सवर टिक करा आणि Continue बटणावर क्लिक करा.
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.mr.png)
+3. यामुळे तुमच्या जुपिटर नोटबुक Instance सह नवीन ब्राउझर टॅब उघडले पाहिजे. "New" बटणावर क्लिक करून नोटबुक तयार करा.
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.mr.png)
+
+आता आपल्याकडे नोटबुक आहे, आपण Azure ML SDK वापरून मॉडेल प्रशिक्षण सुरू करू शकतो.
+
+### 2.5 मॉडेल प्रशिक्षण
+
+सर्वप्रथम, जर तुम्हाला कधीही शंका असेल, तर [Azure ML SDK दस्तऐवज](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पहा. यात आपण या धड्यात पाहणार असलेल्या मॉड्यूल्सची सर्व आवश्यक माहिती आहे.
+
+#### 2.5.1 Workspace, experiment, compute cluster आणि dataset सेटअप करा
+
+तुम्हाला खालील कोड वापरून `workspace` कॉन्फिगरेशन फाइलमधून लोड करणे आवश्यक आहे:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+हे Workspace प्रकाराचे ऑब्जेक्ट परत करते जे Workspace चे प्रतिनिधित्व करते. त्यानंतर तुम्हाला खालील कोड वापरून `experiment` तयार करणे आवश्यक आहे:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+Workspace मधून experiment मिळवण्यासाठी किंवा तयार करण्यासाठी, तुम्ही experiment नाव वापरून विनंती करता. Experiment नाव 3-36 अक्षरे असले पाहिजे, अक्षर किंवा संख्येने सुरू होणे आवश्यक आहे आणि फक्त अक्षरे, संख्या, अंडरस्कोर्स आणि डॅशेस असू शकतात. Workspace मध्ये experiment सापडला नाही तर नवीन experiment तयार केला जातो.
+
+आता तुम्हाला खालील कोड वापरून प्रशिक्षणासाठी Compute Cluster तयार करणे आवश्यक आहे. लक्षात ठेवा की या चरणाला काही मिनिटे लागू शकतात.
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+तुम्ही Workspace मधून dataset नाव वापरून dataset मिळवू शकता:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### 2.5.2 AutoML Configuration आणि प्रशिक्षण
+
+AutoML Configuration सेट करण्यासाठी [AutoMLConfig class](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वापरा.
+
+दस्तऐवजात वर्णन केल्याप्रमाणे, तुम्ही खेळू शकता अशा अनेक पॅरामीटर्स आहेत. या प्रोजेक्टसाठी, आपण खालील पॅरामीटर्स वापरणार आहोत:
+
+- `experiment_timeout_minutes`: प्रयोग चालविण्यासाठी अनुमती दिलेला जास्तीत जास्त वेळ (मिनिटांमध्ये) जो आपोआप थांबवला जातो आणि निकाल आपोआप उपलब्ध होतात.
+- `max_concurrent_iterations`: प्रयोगासाठी अनुमती दिलेल्या जास्तीत जास्त एकत्रित प्रशिक्षण पुनरावृत्ती.
+- `primary_metric`: प्रयोगाची स्थिती ठरवण्यासाठी वापरलेला प्राथमिक मेट्रिक.
+- `compute_target`: स्वयंचलित मशीन लर्निंग प्रयोग चालवण्यासाठी Azure Machine Learning Compute Target.
+- `task`: चालवायच्या कार्याचा प्रकार. 'classification', 'regression', किंवा 'forecasting' मूल्ये असू शकतात.
+- `training_data`: प्रयोगामध्ये वापरण्यासाठी प्रशिक्षण डेटा. यात प्रशिक्षण वैशिष्ट्ये आणि लेबल कॉलम (पर्यायी सॅम्पल वेट्स कॉलम) असणे आवश्यक आहे.
+- `label_column_name`: लेबल कॉलमचे नाव.
+- `path`: Azure Machine Learning प्रोजेक्ट फोल्डरचा पूर्ण मार्ग.
+- `enable_early_stopping`: स्कोअर अल्पकालीन सुधारत नसल्यास लवकर समाप्ती सक्षम करायची की नाही.
+- `featurization`: स्वयंचलितपणे फीचरायझेशन चरण करायचा की नाही, किंवा सानुकूलित फीचरायझेशन वापरायचा.
+- `debug_log`: डिबग माहिती लिहिण्यासाठी लॉग फाइल.
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+आता तुमची कॉन्फिगरेशन सेट झाली आहे, तुम्ही खालील कोड वापरून मॉडेल प्रशिक्षण करू शकता. या चरणाला तुमच्या क्लस्टर आकारावर अवलंबून एक तास लागू शकतो.
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+तुम्ही RunDetails विजेट चालवू शकता जे विविध प्रयोग दर्शवते.
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+
+## 3. Azure ML SDK वापरून मॉडेल डिप्लॉयमेंट आणि एन्डपॉइंट वापर
+
+### 3.1 सर्वोत्तम मॉडेल सेव्ह करणे
+
+`remote_run` हा [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रकाराचा ऑब्जेक्ट आहे. या ऑब्जेक्टमध्ये `get_output()` पद्धत आहे जी सर्वोत्तम रन आणि संबंधित फिट केलेले मॉडेल परत करते.
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+तुम्ही फक्त fitted_model प्रिंट करून सर्वोत्तम मॉडेलसाठी वापरलेले पॅरामीटर्स पाहू शकता आणि [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पद्धत वापरून सर्वोत्तम मॉडेलची गुणधर्म पाहू शकता.
+
+```python
+best_run.get_properties()
+```
+
+आता [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पद्धत वापरून मॉडेल नोंदणी करा.
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+
+### 3.2 मॉडेल डिप्लॉयमेंट
+
+सर्वोत्तम मॉडेल सेव्ह झाल्यानंतर, आपण [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) वर्ग वापरून ते डिप्लॉय करू शकतो. InferenceConfig डिप्लॉयमेंटसाठी वापरल्या जाणाऱ्या सानुकूल वातावरणासाठी कॉन्फिगरेशन सेटिंग्जचे प्रतिनिधित्व करते. [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) वर्ग Azure Container Instances वर वेब सेवा एन्डपॉइंट म्हणून डिप्लॉय केलेल्या मशीन लर्निंग मॉडेलचे प्रतिनिधित्व करते. डिप्लॉय केलेली सेवा मॉडेल, स्क्रिप्ट आणि संबंधित फाइल्समधून तयार केली जाते. परिणामी वेब सेवा लोड-बॅलन्स केलेला, HTTP एन्डपॉइंट आहे ज्यामध्ये REST API आहे. तुम्ही या API ला डेटा पाठवू शकता आणि मॉडेलद्वारे परत केलेला अंदाज प्राप्त करू शकता.
+
+मॉडेल [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पद्धत वापरून डिप्लॉय केले जाते.
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+या चरणाला काही मिनिटे लागू शकतात.
+
+### 3.3 एन्डपॉइंट वापर
+
+तुम्ही तुमचा एन्डपॉइंट तयार करून नमुना इनपुट तयार करू शकता:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+आणि नंतर तुम्ही अंदाजासाठी तुमच्या मॉडेलला हा इनपुट पाठवू शकता:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```
+याने `'{"result": [false]}'` असे आउटपुट मिळायला हवे. याचा अर्थ आपण एन्डपॉइंटला पाठवलेले रुग्णाचे इनपुट `false` अशी भविष्यवाणी निर्माण करते, ज्याचा अर्थ असा आहे की या व्यक्तीला हार्ट अटॅक होण्याची शक्यता नाही.
+
+अभिनंदन! तुम्ही Azure ML वर प्रशिक्षित आणि तैनात केलेला मॉडेल Azure ML SDK चा वापर करून यशस्वीपणे वापरला आहे!
+
+> **_NOTE:_** प्रकल्प पूर्ण झाल्यावर, सर्व संसाधने हटवायला विसरू नका.
+
+## 🚀 आव्हान
+
+SDK च्या माध्यमातून तुम्ही अनेक गोष्टी करू शकता, दुर्दैवाने, या धड्यात आपण त्या सर्व पाहू शकत नाही. पण चांगली बातमी म्हणजे, SDK दस्तऐवजांमधून माहिती शोधण्याची कला शिकल्यास तुम्ही स्वतःच खूप पुढे जाऊ शकता. Azure ML SDK दस्तऐवजांवर एक नजर टाका आणि `Pipeline` वर्ग शोधा जो तुम्हाला पाइपलाइन तयार करण्यास अनुमती देतो. पाइपलाइन म्हणजे अनेक चरणांची एक संग्रह आहे जी वर्कफ्लो म्हणून कार्यान्वित केली जाऊ शकते.
+
+**सूचना:** [SDK दस्तऐवज](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वर जा आणि शोध बारमध्ये "Pipeline" सारखे कीवर्ड टाइप करा. तुम्हाला शोध परिणामांमध्ये `azureml.pipeline.core.Pipeline` वर्ग दिसायला हवा.
+
+## [पाठानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+या धड्यात, तुम्ही Azure ML SDK चा वापर करून क्लाउडमध्ये हार्ट फेल्युअरचा धोका भाकीत करणारा मॉडेल कसा प्रशिक्षित, तैनात आणि वापरायचा ते शिकले. Azure ML SDK बद्दल अधिक माहितीसाठी [दस्तऐवज](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) तपासा. Azure ML SDK चा वापर करून स्वतःचा मॉडेल तयार करण्याचा प्रयत्न करा.
+
+## असाइनमेंट
+
+[Azure ML SDK वापरून डेटा सायन्स प्रकल्प](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/mr/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..1e402f93
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-27T17:53:45+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "mr"
+}
+-->
+# Azure ML SDK वापरून डेटा सायन्स प्रोजेक्ट
+
+## सूचना
+
+आपण Azure ML प्लॅटफॉर्मचा वापर करून Azure ML SDK सह मॉडेल प्रशिक्षण, डिप्लॉय आणि वापरण्याची प्रक्रिया पाहिली. आता अशा डेटाचा शोध घ्या ज्याचा वापर तुम्ही दुसरे मॉडेल प्रशिक्षण, डिप्लॉय आणि वापरण्यासाठी करू शकता. तुम्ही [Kaggle](https://kaggle.com) आणि [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) वर डेटासेट शोधू शकता.
+
+## मूल्यांकन निकष
+
+| उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक |
+|-----------|-------------|----------------|
+|AutoML कॉन्फिगरेशन करताना, तुम्ही SDK डोक्युमेंटेशन पाहून कोणते पॅरामीटर्स वापरता येतील हे तपासले. तुम्ही Azure ML SDK वापरून AutoML द्वारे डेटासेटवर प्रशिक्षण चालवले आणि मॉडेल स्पष्टीकरणे तपासली. तुम्ही सर्वोत्तम मॉडेल डिप्लॉय केले आणि Azure ML SDK च्या माध्यमातून ते वापरू शकलात. | तुम्ही Azure ML SDK वापरून AutoML द्वारे डेटासेटवर प्रशिक्षण चालवले आणि मॉडेल स्पष्टीकरणे तपासली. तुम्ही सर्वोत्तम मॉडेल डिप्लॉय केले आणि Azure ML SDK च्या माध्यमातून ते वापरू शकलात. | तुम्ही Azure ML SDK वापरून AutoML द्वारे डेटासेटवर प्रशिक्षण चालवले. तुम्ही सर्वोत्तम मॉडेल डिप्लॉय केले आणि Azure ML SDK च्या माध्यमातून ते वापरू शकलात. |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/5-Data-Science-In-Cloud/README.md b/translations/mr/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..9587479e
--- /dev/null
+++ b/translations/mr/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-27T17:36:48+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "mr"
+}
+-->
+# क्लाउडमधील डेटा सायन्स
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.mr.jpg)
+
+> फोटो [Jelleke Vanooteghem](https://unsplash.com/@ilumire) यांनी [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) वरून घेतला आहे
+
+मोठ्या डेटासह डेटा सायन्स करताना, क्लाउड एक गेम चेंजर ठरू शकतो. पुढील तीन धड्यांमध्ये, आपण क्लाउड म्हणजे काय आणि ते कसे उपयुक्त ठरू शकते हे पाहणार आहोत. तसेच, आपण हृदय विकाराचा डेटा सेट एक्सप्लोर करणार आहोत आणि कोणाला हृदय विकार होण्याची शक्यता किती आहे हे ठरवण्यासाठी एक मॉडेल तयार करणार आहोत. क्लाउडची ताकद वापरून आपण मॉडेल ट्रेन, डिप्लॉय आणि दोन वेगवेगळ्या पद्धतींनी वापरणार आहोत. एक पद्धत फक्त यूजर इंटरफेस वापरून Low code/No code प्रकारात, आणि दुसरी पद्धत Azure Machine Learning Software Developer Kit (Azure ML SDK) वापरून.
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.mr.png)
+
+### विषय
+
+1. [डेटा सायन्ससाठी क्लाउड का वापरावे?](17-Introduction/README.md)
+2. [क्लाउडमधील डेटा सायन्स: "Low code/No code" पद्धत](18-Low-Code/README.md)
+3. [क्लाउडमधील डेटा सायन्स: "Azure ML SDK" पद्धत](19-Azure/README.md)
+
+### श्रेय
+हे धडे ☁️ आणि 💕 सह [Maud Levy](https://twitter.com/maudstweets) आणि [Tiffany Souterre](https://twitter.com/TiffanySouterre) यांनी लिहिले आहेत.
+
+हृदय विकार प्रेडिक्शन प्रोजेक्टसाठी डेटा [
+Larxel](https://www.kaggle.com/andrewmvd) कडून [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) वरून घेतला आहे. हा डेटा [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) अंतर्गत परवानाधीन आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..baf63a2c
--- /dev/null
+++ b/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,154 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-27T17:30:16+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "mr"
+}
+-->
+# वास्तविक जगातील डेटा सायन्स
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               वास्तविक जगातील डेटा सायन्स - _Sketchnote by [@nitya](https://twitter.com/nitya)_               |
+
+आपल्या शिकण्याच्या प्रवासाचा शेवट जवळ आला आहे!
+
+आपण डेटा सायन्स आणि नैतिकतेच्या व्याख्यांपासून सुरुवात केली, डेटा विश्लेषण आणि व्हिज्युअलायझेशनसाठी विविध साधने आणि तंत्रे शोधली, डेटा सायन्स जीवनचक्राचा आढावा घेतला आणि क्लाउड संगणन सेवांसह डेटा सायन्स वर्कफ्लो स्केलिंग आणि ऑटोमेशन कसे करावे हे पाहिले. त्यामुळे तुम्ही कदाचित विचार करत असाल: _"हे सर्व शिकलेले ज्ञान वास्तविक जगातील संदर्भांशी कसे जोडायचे?"_
+
+या धड्यात, आपण उद्योगातील डेटा सायन्सच्या वास्तविक जगातील अनुप्रयोगांचा शोध घेऊ आणि संशोधन, डिजिटल मानविकी आणि शाश्वतता यासारख्या विशिष्ट उदाहरणांमध्ये डोकावू. आपण विद्यार्थ्यांसाठी प्रकल्प संधी पाहू आणि आपल्या शिकण्याच्या प्रवासाला पुढे नेण्यासाठी उपयुक्त संसाधनांसह समाप्त करू!
+
+## पूर्व-व्याख्यान प्रश्नमंजुषा
+
+[पूर्व-व्याख्यान प्रश्नमंजुषा](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## डेटा सायन्स + उद्योग
+
+AI च्या लोकशाहीकरणामुळे, विकसकांना आता AI-चालित निर्णय घेणे आणि डेटा-चालित अंतर्दृष्टी वापरकर्ता अनुभवांमध्ये आणि विकास कार्यप्रवाहांमध्ये समाकलित करणे सोपे झाले आहे. येथे उद्योगातील वास्तविक जगातील अनुप्रयोगांमध्ये डेटा सायन्स "लागू" कसा केला जातो याची काही उदाहरणे आहेत:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ने शोध शब्दांचा फ्लू ट्रेंड्सशी संबंध जोडण्यासाठी डेटा सायन्सचा वापर केला. जरी या दृष्टिकोनात त्रुटी होत्या, तरीही यामुळे डेटा-चालित आरोग्यसेवा अंदाजांच्या शक्यता (आणि आव्हाने) याबद्दल जागरूकता निर्माण झाली.
+
+ * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS कसे डेटा सायन्स आणि मशीन लर्निंगचा वापर करून हवामान परिस्थिती, वाहतूक नमुने, वितरणाच्या अंतिम मुदती आणि इतर घटक विचारात घेऊन वितरणासाठी सर्वोत्तम मार्गांची भविष्यवाणी करते हे स्पष्ट करते.
+
+ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - [माहिती स्वातंत्र्य कायद्यांचा](https://chriswhong.com/open-data/foil_nyc_taxi/) वापर करून गोळा केलेल्या डेटाने NYC कॅब्सच्या एका दिवसाचे व्हिज्युअलायझेशन केले, ज्यामुळे आम्हाला समजले की ते गजबजलेल्या शहरात कसे नेव्हिगेट करतात, ते किती पैसे कमावतात आणि प्रत्येक २४ तासांच्या कालावधीत प्रवास किती काळ टिकतो.
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - दररोज लाखो उबर ट्रिप्समधून गोळा केलेल्या डेटाचा (पिकअप आणि ड्रॉपऑफ स्थान, प्रवासाचा कालावधी, प्राधान्य मार्ग इ.) वापर करून किंमत निर्धारण, सुरक्षा, फसवणूक शोधणे आणि नेव्हिगेशन निर्णयांसाठी डेटा अॅनालिटिक्स साधन तयार केले.
+
+ * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _भविष्यवाणी विश्लेषण_ (संघ आणि खेळाडू विश्लेषण - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) विचार करा - आणि चाहत्यांचे व्यवस्थापन) आणि _डेटा व्हिज्युअलायझेशन_ (संघ आणि चाहत्यांचे डॅशबोर्ड, खेळ इ.) वर लक्ष केंद्रित करते, ज्यामध्ये प्रतिभा शोधणे, क्रीडा जुगार आणि इन्व्हेंटरी/स्थळ व्यवस्थापन यासारख्या अनुप्रयोगांचा समावेश आहे.
+
+ * [Data Science in Banking](https://data-flair.training/blogs/data-science-in-banking/) - वित्तीय उद्योगातील डेटा सायन्सच्या मूल्यावर प्रकाश टाकते, ज्यामध्ये जोखीम मॉडेलिंग आणि फसवणूक शोधणे, ग्राहक विभागणी, रिअल-टाइम अंदाज आणि शिफारस प्रणाली यासारख्या अनुप्रयोगांचा समावेश आहे. भविष्यवाणी विश्लेषण देखील [क्रेडिट स्कोअर्स](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) सारख्या महत्त्वाच्या उपायांना चालना देते.
+
+ * [Data Science in Healthcare](https://data-flair.training/blogs/data-science-in-healthcare/) - वैद्यकीय प्रतिमा (उदा., MRI, X-Ray, CT-Scan), जीनोमिक्स (DNA अनुक्रमण), औषध विकास (जोखीम मूल्यांकन, यशस्वी अंदाज), भविष्यवाणी विश्लेषण (रुग्ण काळजी आणि पुरवठा लॉजिस्टिक्स), रोग ट्रॅकिंग आणि प्रतिबंध यासारख्या अनुप्रयोगांवर प्रकाश टाकते.
+
+![वास्तविक जगातील डेटा सायन्स अनुप्रयोग](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.mr.png) प्रतिमा श्रेय: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+चित्रात डेटा सायन्स तंत्र लागू करण्यासाठी इतर डोमेन आणि उदाहरणे दर्शविली आहेत. इतर अनुप्रयोगांचा शोध घ्यायचा आहे का? खालील [पुनरावलोकन आणि स्व-अभ्यास](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) विभाग तपासा.
+
+## डेटा सायन्स + संशोधन
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              डेटा सायन्स आणि संशोधन - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+वास्तविक जगातील अनुप्रयोग प्रामुख्याने उद्योगातील मोठ्या प्रमाणातील वापरावर लक्ष केंद्रित करतात, तर _संशोधन_ अनुप्रयोग आणि प्रकल्प दोन दृष्टिकोनातून उपयुक्त ठरू शकतात:
+
+* _नाविन्यपूर्ण संधी_ - पुढील पिढीच्या अनुप्रयोगांसाठी प्रगत संकल्पनांचे जलद प्रोटोटायपिंग आणि वापरकर्ता अनुभवांची चाचणी घेणे.
+* _तैनाती आव्हाने_ - वास्तविक जगातील संदर्भांमध्ये डेटा सायन्स तंत्रज्ञानाच्या संभाव्य हानी किंवा अनपेक्षित परिणामांचा तपास करणे.
+
+विद्यार्थ्यांसाठी, हे संशोधन प्रकल्प शिकण्याच्या आणि सहकार्याच्या संधी प्रदान करू शकतात, जे तुमच्या विषयावरील समज सुधारू शकतात आणि संबंधित लोक किंवा कार्यसंघांसोबत तुमची जागरूकता आणि सहभाग वाढवू शकतात. तर संशोधन प्रकल्प कसे दिसतात आणि ते कसा प्रभाव पाडू शकतात?
+
+चला एका उदाहरणाकडे पाहूया - [MIT Gender Shades Study](http://gendershades.org/overview.html) ज्याचे नेतृत्व जॉय बुओलाम्विनी (MIT मीडिया लॅब्स) यांनी केले आणि [टिम्निट गेब्रू](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) यांच्यासोबत सह-लेखक असलेल्या संशोधन पेपरसह (त्यावेळी मायक्रोसॉफ्ट रिसर्चमध्ये) प्रकाशित केले. संशोधनाचा उद्देश होता:
+
+ * **काय:** लिंग आणि त्वचेच्या प्रकारावर आधारित स्वयंचलित चेहर्यावरील विश्लेषण अल्गोरिदम आणि डेटासेट्समधील पूर्वग्रहांचे मूल्यांकन करणे.
+ * **का:** चेहर्यावरील विश्लेषण कायद्याची अंमलबजावणी, विमानतळ सुरक्षा, भरती प्रणाली आणि इतर क्षेत्रांमध्ये वापरले जाते - जिथे चुकीचे वर्गीकरण (उदा., पूर्वग्रहांमुळे) प्रभावित व्यक्ती किंवा गटांसाठी संभाव्य आर्थिक आणि सामाजिक हानी होऊ शकते. वापरातील न्याय सुनिश्चित करण्यासाठी पूर्वग्रह समजून घेणे (आणि काढून टाकणे किंवा कमी करणे) महत्त्वाचे आहे.
+ * **कसे:** संशोधकांनी ओळखले की विद्यमान बेंचमार्कमध्ये प्रामुख्याने फिकट त्वचेच्या व्यक्तींचा समावेश आहे आणि त्यांनी एक नवीन डेटासेट (१०००+ प्रतिमा) तयार केले जे लिंग आणि त्वचेच्या प्रकारानुसार अधिक संतुलित होते. डेटासेटचा वापर मायक्रोसॉफ्ट, IBM आणि Face++ च्या तीन लिंग वर्गीकरण उत्पादनांच्या अचूकतेचे मूल्यांकन करण्यासाठी केला गेला.
+
+परिणामांमध्ये असे दिसून आले की एकूण वर्गीकरण अचूकता चांगली असली तरी विविध उपगटांमध्ये त्रुटी दरांमध्ये लक्षणीय फरक होता - **मिसजेंडरिंग** महिलांसाठी किंवा गडद त्वचेच्या प्रकारांसाठी जास्त होता, जो पूर्वग्रह दर्शवितो.
+
+**महत्त्वाचे परिणाम:** डेटा सायन्सला अधिक _प्रतिनिधिक डेटासेट्स_ (संतुलित उपगट) आणि अधिक _समावेशक संघ_ (विविध पार्श्वभूमी) आवश्यक आहेत हे दाखवून दिले, जे AI सोल्यूशन्समध्ये असे पूर्वग्रह लवकर ओळखून काढून टाकण्यासाठी किंवा कमी करण्यासाठी महत्त्वाचे आहे. अशा संशोधन प्रयत्नांमुळे अनेक संस्थांना त्यांच्या AI उत्पादनांमध्ये आणि प्रक्रियांमध्ये न्याय सुनिश्चित करण्यासाठी _जबाबदार AI_ साठी तत्त्वे आणि पद्धती परिभाषित करण्यात मदत झाली.
+
+**मायक्रोसॉफ्टमधील संबंधित संशोधन प्रयत्नांबद्दल जाणून घ्यायचे आहे का?**
+
+* [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) वर कृत्रिम बुद्धिमत्तेवरील प्रकल्प तपासा.
+* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) मधील विद्यार्थी प्रकल्प शोधा.
+* [Fairlearn](https://fairlearn.org/) प्रकल्प आणि [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) उपक्रम तपासा.
+
+## डेटा सायन्स + मानविकी
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              डेटा सायन्स आणि डिजिटल मानविकी - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+डिजिटल मानविकी [असे परिभाषित केले गेले आहे](https://digitalhumanities.stanford.edu/about-dh-stanford) की "मानवीय चौकशीसह संगणकीय पद्धती एकत्र करणाऱ्या पद्धती आणि दृष्टिकोनांचा संग्रह". [स्टॅनफोर्ड प्रकल्प](https://digitalhumanities.stanford.edu/projects) जसे की _"इतिहास पुन्हा सुरू करणे"_ आणि _"काव्यात्मक विचार"_ डिजिटल मानविकी आणि डेटा सायन्स यांच्यातील दुव्याचे उदाहरण देतात - नेटवर्क विश्लेषण, माहिती व्हिज्युअलायझेशन, स्थानिक आणि मजकूर विश्लेषण यासारख्या तंत्रांवर भर देऊन ऐतिहासिक आणि साहित्यिक डेटासेट्सचा पुनर्विचार करण्यासाठी नवीन अंतर्दृष्टी आणि दृष्टिकोन प्राप्त करण्यासाठी मदत करतात.
+
+*या क्षेत्रातील प्रकल्प शोधायचा आणि विस्तारित करायचा आहे का?*
+
+["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) तपासा - [Jen Looper](https://twitter.com/jenlooper) यांच्याकडून एक उत्कृष्ट उदाहरण जे विचारते की आपण डेटा सायन्सचा वापर करून परिचित कवितांचा पुनर्विचार कसा करू शकतो आणि नवीन संदर्भांमध्ये त्याचा अर्थ आणि लेखकाचे योगदान पुन्हा कसे मूल्यांकन करू शकतो. उदाहरणार्थ, _कवितेच्या टोन किंवा भावना विश्लेषणाद्वारे ती कोणत्या ऋतूमध्ये लिहिली गेली याचा अंदाज लावता येतो का_ - आणि यामुळे संबंधित कालावधीत लेखकाच्या मानसिक स्थितीबद्दल काय सांगते?
+
+त्या प्रश्नाचे उत्तर देण्यासाठी, आपण डेटा सायन्स जीवनचक्राच्या टप्प्यांचे अनुसरण करतो:
+ * [`डेटा संकलन`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - विश्लेषणासाठी संबंधित डेटासेट गोळा करणे. API (उदा., [Poetry DB API](https://poetrydb.org/index.html)) वापरणे किंवा वेब पृष्ठे स्क्रॅप करणे (उदा., [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) यासारखे पर्याय.
+ * [`डेटा स्वच्छता`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - मजकूर स्वरूपित करणे, स्वच्छ करणे आणि सोपे करणे याचे स्पष्टीकरण देते, यासाठी Visual Studio Code आणि Microsoft Excel यासारखी मूलभूत साधने वापरली जातात.
+ * [`डेटा विश्लेषण`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - डेटासेट "नोटबुक्स" मध्ये आयात करून Python पॅकेजेस (जसे pandas, numpy आणि matplotlib) चा वापर करून डेटा आयोजित आणि व्हिज्युअलायझेशन कसे करावे याचे स्पष्टीकरण देते.
+ * [`भावना विश्लेषण`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - क्लाउड सेवांसारख्या Text Analytics चा समावेश कसा करू शकतो, याचे स्पष्टीकरण देते, कमी-कोड साधनांसह [Power Automate](https://flow.microsoft.com/en-us/) वापरून स्वयंचलित डेटा प्रक्रिया कार्यप्रवाहांसाठी.
+
+या कार्यप्रवाहाचा वापर करून, आपण कवितांच्या भावनांवर ऋतूंचा प्रभाव शोधू शकतो आणि लेखकाबद्दल आपले स्वतःचे दृष्टिकोन तयार करू शकतो. स्वतः प्रयत्न करा - मग नोटबुक विस्तारित करा, इतर प्रश्न विचारा किंवा डेटा नवीन पद्धतीने व्हिज्युअल करा!
+
+> तुम्ही [डिजिटल मानविकी टूलकिट](https://github.com/Digital-Humanities-Toolkit) मधील काही साधनांचा वापर करून या चौकशीच्या मार्गांचा पाठपुरावा करू शकता.
+
+## डेटा सायन्स + शाश्वतता
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Sustainability.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              डेटा सायन्स आणि शाश्वतता - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+[२०३० शाश्वत विकासासाठी अजेंडा](https://sdgs.un.org/2030agenda) - २०१५ मध्ये सर्व संयुक्त राष्ट्र सदस्यांनी स्वीकारलेला - १७ उद्दिष्टे ओळखतो, ज्यामध्ये **ग्रहाचे संरक्षण** हे उद्दिष्ट आहे, ज्यामध्ये हवामान बदलाचा परिणाम आणि पर्यावरणीय हानी यांचा समावेश आहे. [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) उपक्रम या उद्दिष्टांचे समर्थन करतो, तंत्रज्ञानाच्या उपायांचा वापर करून अधिक शाश्वत भविष्य तयार करण्याच्या मार्गांचा शोध घेतो, ज्यामध्ये [४ उद्दिष्टांवर लक्ष केंद्रित केले आहे](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - २०३० पर्यंत कार्बन नकारात्मक, पाण्याचे सकारात्मक, शून्य कचरा आणि जैवविविधता.
+
+या आव्हानांना स्केलेबल आणि वेळेवर हाताळण्यासाठी क्लाउड-स्केल विचार आणि मोठ्या प्रमाणातील डेटा आवश्यक आहे. [Planetary Computer](https://planetarycomputer.microsoft.com/) उपक्रम डेटा सायंटिस्ट्स आणि विकसकांना या प्रयत्नात मदत करण्यासाठी ४ घटक प्रदान करतो:
+
+ * [डेटा कॅटलॉग](https://planetarycomputer.microsoft.com/catalog) - पृथ्वी प्रणाली डेटाचे पेटाबाइट्स (मोफत आणि Azure-होस्ट केलेले).
+ * [Planetary API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - वापरकर्त्यांना जागा आणि वेळेनुसार संबंधित डेटा शोधण्यात मदत करण्यासाठी.
+ * [Hub](https://planetarycomputer.microsoft.com/docs/overview/environment/) - वैज्ञानिकांसाठी मोठ्या प्रमाणातील भू-स्थानिक डेटासेट्स प्रक्रिया करण्यासाठी व्यवस्थापित
+**प्लॅनेटरी कॉम्प्युटर प्रकल्प सध्या प्रीव्ह्यूमध्ये आहे (सप्टेंबर 2021 पर्यंत)** - डेटा सायन्सचा वापर करून शाश्वततेसाठी उपाय शोधण्यासाठी कसे सुरुवात करायची ते येथे दिले आहे.
+
+* [प्रवेशासाठी विनंती करा](https://planetarycomputer.microsoft.com/account/request) आणि अन्वेषण सुरू करा तसेच सहकाऱ्यांशी संपर्क साधा.
+* [डॉक्युमेंटेशन एक्सप्लोर करा](https://planetarycomputer.microsoft.com/docs/overview/about) जेणेकरून समर्थित डेटासेट्स आणि API समजून घेता येतील.
+* [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) सारख्या अनुप्रयोगांचा अभ्यास करा, जे अनुप्रयोग कल्पनांसाठी प्रेरणा देऊ शकतात.
+
+डेटा व्हिज्युअलायझेशनचा वापर करून हवामान बदल आणि जंगलतोड यांसारख्या क्षेत्रांमध्ये अंतर्दृष्टी कशी उघड करता येईल किंवा ती अधिक प्रभावीपणे कशी पोहोचवता येईल याचा विचार करा. किंवा अशा अंतर्दृष्टींचा वापर करून नवीन वापरकर्ता अनुभव तयार करण्याचा विचार करा, जे शाश्वत जीवनासाठी वर्तनात्मक बदलांना प्रेरित करतील.
+
+## डेटा सायन्स + विद्यार्थी
+
+आम्ही उद्योग आणि संशोधनातील प्रत्यक्ष अनुप्रयोगांबद्दल चर्चा केली आहे आणि डिजिटल ह्युमॅनिटीज आणि शाश्वततेतील डेटा सायन्स अनुप्रयोगांचे उदाहरण पाहिले आहे. तर, डेटा सायन्समध्ये नवशिक्या म्हणून कौशल्ये कशी विकसित करायची आणि आपले ज्ञान कसे सामायिक करायचे?
+
+येथे काही डेटा सायन्स विद्यार्थी प्रकल्पांची उदाहरणे दिली आहेत, जी तुम्हाला प्रेरणा देतील.
+
+* [MSR डेटा सायन्स समर स्कूल](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) GitHub [प्रकल्पांसह](https://github.com/msr-ds3) जे अशा विषयांचा अभ्यास करतात:
+   - [पोलीसांच्या शक्तीच्या वापरातील वांशिक पक्षपात](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+   - [NYC सबवे सिस्टमची विश्वासार्हता](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+* [सामग्री संस्कृतीचे डिजिटायझेशन: सिरकपमधील सामाजिक-आर्थिक वितरणांचा अभ्यास](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) आणि Claremont येथील टीमकडून, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) चा वापर करून.
+
+## 🚀 आव्हान
+
+डेटा सायन्स प्रकल्पांसाठी अशा लेखांचा शोध घ्या जे नवशिक्यांसाठी सोपे आहेत - जसे की [हे 50 विषय क्षेत्र](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) किंवा [हे 21 प्रकल्प कल्पना](https://www.intellspot.com/data-science-project-ideas) किंवा [सोर्स कोडसह हे 16 प्रकल्प](https://data-flair.training/blogs/data-science-project-ideas/) जे तुम्ही समजून घेऊन पुन्हा तयार करू शकता. आणि तुमच्या शिकण्याच्या प्रवासाबद्दल ब्लॉग लिहायला विसरू नका आणि तुमच्या अंतर्दृष्टी आमच्यासोबत शेअर करा.
+
+## व्याख्यानानंतरचा क्विझ
+
+[व्याख्यानानंतरचा क्विझ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## पुनरावलोकन आणि स्व-अभ्यास
+
+अधिक उपयोग प्रकरणे शोधायची आहेत? येथे काही संबंधित लेख आहेत:
+* [डेटा सायन्सचे 17 अनुप्रयोग आणि उदाहरणे](https://builtin.com/data-science/data-science-applications-examples) - जुलै 2021
+* [खऱ्या जगातील 11 जबरदस्त डेटा सायन्स अनुप्रयोग](https://myblindbird.com/data-science-applications-real-world/) - मे 2021
+* [खऱ्या जगातील डेटा सायन्स](https://towardsdatascience.com/data-science-in-the-real-world/home) - लेख संग्रह
+* डेटा सायन्स मध्ये: [शिक्षण](https://data-flair.training/blogs/data-science-in-education/), [कृषी](https://data-flair.training/blogs/data-science-in-agriculture/), [वित्त](https://data-flair.training/blogs/data-science-in-finance/), [चित्रपट](https://data-flair.training/blogs/data-science-at-movies/) आणि अधिक.
+
+## असाइनमेंट
+
+[प्लॅनेटरी कॉम्प्युटर डेटासेट एक्सप्लोर करा](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..974601b4
--- /dev/null
+++ b/translations/mr/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-27T17:35:50+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "mr"
+}
+-->
+# ग्रह संगणक डेटासेटचा अभ्यास करा
+
+## सूचना
+
+या धड्यात, आपण डेटा सायन्सच्या विविध अनुप्रयोग क्षेत्रांबद्दल चर्चा केली - संशोधन, शाश्वतता आणि डिजिटल मानविकीशी संबंधित उदाहरणांवर सखोल विचार केला. या असाइनमेंटमध्ये, तुम्ही या उदाहरणांपैकी एका उदाहरणाचा अधिक सविस्तर अभ्यास कराल आणि शाश्वतता डेटाबद्दल अंतर्दृष्टी मिळवण्यासाठी डेटा व्हिज्युअलायझेशन आणि विश्लेषणाबद्दलचे तुमचे ज्ञान लागू कराल.
+
+[ग्रह संगणक](https://planetarycomputer.microsoft.com/) प्रकल्पामध्ये डेटासेट्स आणि API आहेत, जे खाते तयार करून प्रवेश करता येतात - जर तुम्हाला असाइनमेंटच्या बोनस टप्प्याचा प्रयत्न करायचा असेल तर प्रवेशासाठी विनंती करा. साइटमध्ये [Explorer](https://planetarycomputer.microsoft.com/explore) नावाचे एक वैशिष्ट्य देखील आहे, जे खाते न उघडता वापरता येते.
+
+`पायऱ्या:`
+Explorer इंटरफेस (खालील स्क्रीनशॉटमध्ये दाखवले आहे) तुम्हाला डेटासेट निवडण्याची (प्रदान केलेल्या पर्यायांमधून), पूर्वनिर्धारित क्वेरी निवडण्याची (डेटा फिल्टर करण्यासाठी) आणि रेंडरिंग पर्याय निवडण्याची (संबंधित व्हिज्युअलायझेशन तयार करण्यासाठी) परवानगी देते. या असाइनमेंटमध्ये, तुमचे काम असेल:
+
+ 1. [Explorer दस्तऐवज](https://planetarycomputer.microsoft.com/docs/overview/explorer/) वाचा - पर्याय समजून घ्या.
+ 2. [Catalog](https://planetarycomputer.microsoft.com/catalog) डेटासेटचा अभ्यास करा - प्रत्येकाचा उद्देश जाणून घ्या.
+ 3. Explorer वापरा - तुमच्या आवडीचा डेटासेट निवडा, संबंधित क्वेरी आणि रेंडरिंग पर्याय निवडा.
+
+![ग्रह संगणक Explorer](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.mr.png)
+
+`तुमचे काम:`
+आता ब्राउझरमध्ये तयार झालेले व्हिज्युअलायझेशन अभ्यासा आणि खालील प्रश्नांची उत्तरे द्या:
+ * डेटासेटमध्ये कोणती _वैशिष्ट्ये_ आहेत?
+ * व्हिज्युअलायझेशन कोणती _अंतर्दृष्टी_ किंवा निकाल प्रदान करते?
+ * या अंतर्दृष्टींचा प्रकल्पाच्या शाश्वतता उद्दिष्टांवर काय _परिणाम_ होतो?
+ * व्हिज्युअलायझेशनची _मर्यादा_ काय आहेत (म्हणजे, तुम्हाला कोणती अंतर्दृष्टी मिळाली नाही)?
+ * जर तुम्हाला कच्चा डेटा मिळाला, तर तुम्ही कोणते _पर्यायी व्हिज्युअलायझेशन_ तयार कराल, आणि का?
+
+`बोनस गुण:`
+खाते तयार करण्यासाठी अर्ज करा - आणि स्वीकारल्यानंतर लॉगिन करा.
+ * _Launch Hub_ पर्याय वापरून कच्चा डेटा Notebook मध्ये उघडा.
+ * डेटा परस्परसंवादीपणे एक्सप्लोर करा आणि तुम्ही विचार केलेली पर्यायी व्हिज्युअलायझेशन तयार करा.
+ * आता तुमच्या सानुकूल व्हिज्युअलायझेशनचे विश्लेषण करा - तुम्हाला यापूर्वी गमावलेल्या अंतर्दृष्टी मिळाल्या का?
+
+## मूल्यांकन निकष
+
+उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक
+--- | --- | -- |
+पाचही मुख्य प्रश्नांची उत्तरे दिली. विद्यार्थ्याने स्पष्टपणे दाखवले की सध्याचे आणि पर्यायी व्हिज्युअलायझेशन शाश्वतता उद्दिष्टे किंवा परिणामांबद्दल अंतर्दृष्टी कशी प्रदान करू शकतात.| विद्यार्थ्याने किमान शीर्ष 3 प्रश्नांची सविस्तर उत्तरे दिली, ज्यामुळे Explorer चा व्यावहारिक अनुभव असल्याचे दिसून आले. | विद्यार्थ्याने अनेक प्रश्नांची उत्तरे दिली नाहीत किंवा पुरेशी माहिती दिली नाही - यामुळे प्रकल्पासाठी अर्थपूर्ण प्रयत्न झाल्याचे दिसत नाही. |
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/6-Data-Science-In-Wild/README.md b/translations/mr/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..a578445c
--- /dev/null
+++ b/translations/mr/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-27T17:29:52+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "mr"
+}
+-->
+# जंगलातील डेटा सायन्स
+
+उद्योगांमध्ये डेटा सायन्सच्या प्रत्यक्ष उपयोगांचे उदाहरण.
+
+### विषय
+
+1. [खऱ्या जगातील डेटा सायन्स](20-Real-World-Examples/README.md)
+
+### श्रेय
+
+❤️ सह लिहिलेले [नित्या नरसिंहन](https://twitter.com/nitya)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/CODE_OF_CONDUCT.md b/translations/mr/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..7f38ffef
--- /dev/null
+++ b/translations/mr/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-27T16:39:05+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "mr"
+}
+-->
+# Microsoft ओपन सोर्स आचारसंहिता
+
+या प्रकल्पाने [Microsoft ओपन सोर्स आचारसंहिता](https://opensource.microsoft.com/codeofconduct/) स्वीकारली आहे.
+
+स्रोत:
+
+- [Microsoft ओपन सोर्स आचारसंहिता](https://opensource.microsoft.com/codeofconduct/)
+- [Microsoft आचारसंहिता FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
+- प्रश्न किंवा शंका असल्यास [opencode@microsoft.com](mailto:opencode@microsoft.com) वर संपर्क साधा
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील मूळ दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/CONTRIBUTING.md b/translations/mr/CONTRIBUTING.md
new file mode 100644
index 00000000..bcf5ad8b
--- /dev/null
+++ b/translations/mr/CONTRIBUTING.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-27T16:40:26+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "mr"
+}
+-->
+# योगदान देणे
+
+या प्रकल्पात योगदान आणि सूचना स्वागतार्ह आहेत. बहुतेक योगदानांसाठी तुम्हाला Contributor License Agreement (CLA) मान्य करणे आवश्यक आहे, ज्यामध्ये तुम्हाला अधिकार आहेत आणि प्रत्यक्षात तुम्ही आम्हाला तुमचे योगदान वापरण्याचे अधिकार देत आहात, हे घोषित करणे आवश्यक आहे. अधिक माहितीसाठी, https://cla.microsoft.com ला भेट द्या.
+
+जेव्हा तुम्ही एक pull request सबमिट करता, तेव्हा CLA-bot स्वयंचलितपणे ठरवेल की तुम्हाला CLA प्रदान करणे आवश्यक आहे का आणि PR योग्य प्रकारे सजवेल (उदा., लेबल, टिप्पणी). फक्त बॉटद्वारे दिलेल्या सूचनांचे पालन करा. तुम्हाला हे सर्व रिपॉझिटरींमध्ये एकदाच करावे लागेल जे आमच्या CLA वापरतात.
+
+या प्रकल्पाने [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) स्वीकारले आहे. अधिक माहितीसाठी [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) पहा किंवा [opencode@microsoft.com](mailto:opencode@microsoft.com) वर कोणतेही अतिरिक्त प्रश्न किंवा टिप्पण्या पाठवा.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/README.md b/translations/mr/README.md
new file mode 100644
index 00000000..f243a2c5
--- /dev/null
+++ b/translations/mr/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-27T16:33:06+00:00",
+  "source_file": "README.md",
+  "language_code": "mr"
+}
+-->
+# डेटा सायन्ससाठी नवशिक्यांसाठी - अभ्यासक्रम
+
+Azure Cloud Advocates at Microsoft यांनी डेटा सायन्ससाठी 10 आठवड्यांचा, 20 धड्यांचा अभ्यासक्रम सादर केला आहे. प्रत्येक धड्यात प्री-लेसन आणि पोस्ट-लेसन क्विझ, धडा पूर्ण करण्यासाठी लेखी सूचना, एक सोल्यूशन आणि एक असाइनमेंट समाविष्ट आहे. प्रकल्प-आधारित शिकण्याच्या पद्धतीमुळे तुम्हाला शिकताना तयार करण्याची संधी मिळते, जी नवीन कौशल्ये आत्मसात करण्याचा सिद्ध मार्ग आहे.
+
+**आमच्या लेखकांचे मनःपूर्वक आभार:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer).
+
+**🙏 विशेष आभार 🙏 आमच्या [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) लेखक, पुनरावलोकक आणि सामग्री योगदानकर्त्यांचे,** विशेषतः Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar, [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| डेटा सायन्ससाठी नवशिक्यांसाठी - _[@nitya](https://twitter.com/nitya) यांचे स्केच_ |
+
+## घोषणा - जनरेटिव्ह AI साठी नवीन अभ्यासक्रम प्रकाशित झाला आहे!
+
+आम्ही नुकताच जनरेटिव्ह AI वर 12 धड्यांचा अभ्यासक्रम प्रकाशित केला आहे. येथे तुम्ही शिकू शकता:
+
+- प्रॉम्प्टिंग आणि प्रॉम्प्ट इंजिनिअरिंग
+- टेक्स्ट आणि इमेज अॅप्स तयार करणे
+- सर्च अॅप्स
+
+नेहमीप्रमाणे, प्रत्येक धड्यात शिकण्याची सामग्री, असाइनमेंट्स, ज्ञान तपासणी आणि आव्हाने आहेत.
+
+पहा:
+
+> https://aka.ms/genai-beginners
+
+# तुम्ही विद्यार्थी आहात का?
+
+खालील संसाधनांपासून सुरुवात करा:
+
+- [Student Hub पृष्ठ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) येथे तुम्हाला नवशिक्यांसाठी संसाधने, विद्यार्थी पॅक्स आणि अगदी मोफत प्रमाणपत्र वाउचर मिळवण्याचे मार्ग सापडतील. हे पृष्ठ बुकमार्क करा आणि वेळोवेळी तपासा कारण आम्ही दर महिन्याला सामग्री बदलतो.
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) जागतिक विद्यार्थी अॅम्बेसेडर समुदायात सामील व्हा, हे Microsoft मध्ये प्रवेश करण्याचा तुमचा मार्ग असू शकतो.
+
+# सुरुवात कशी करावी
+
+> **शिक्षकांसाठी**: आम्ही [काही सूचना समाविष्ट केल्या आहेत](for-teachers.md) की हा अभ्यासक्रम कसा वापरायचा. आम्हाला तुमचे अभिप्राय [आमच्या चर्चा फोरममध्ये](https://github.com/microsoft/Data-Science-For-Beginners/discussions) आवडतील!
+
+> **[विद्यार्थ्यांसाठी](https://aka.ms/student-page)**: हा अभ्यासक्रम स्वतःसाठी वापरण्यासाठी, संपूर्ण रेपो फोर्क करा आणि स्वतःच सराव करा, प्री-लेक्चर क्विझपासून सुरुवात करा. नंतर लेक्चर वाचा आणि उर्वरित क्रियाकलाप पूर्ण करा. धड्यांमधून समजून प्रकल्प तयार करण्याचा प्रयत्न करा, सोल्यूशन कोड कॉपी करण्याऐवजी; तथापि, तो कोड प्रत्येक प्रकल्प-आधारित धड्याच्या /solutions फोल्डरमध्ये उपलब्ध आहे. आणखी एक कल्पना म्हणजे मित्रांसह अभ्यास गट तयार करणे आणि सामग्री एकत्रितपणे शिकणे. पुढील अभ्यासासाठी, आम्ही [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) ची शिफारस करतो.
+
+## टीमला भेटा
+
+[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
+
+**Gif द्वारे** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 वरील प्रतिमेवर क्लिक करा प्रकल्पाबद्दल आणि त्याचे निर्माते जाणून घेण्यासाठी!
+
+## शिक्षण पद्धती
+
+आम्ही हा अभ्यासक्रम तयार करताना दोन शिक्षण पद्धती निवडल्या आहेत: प्रकल्प-आधारित शिकवणी आणि वारंवार क्विझ समाविष्ट करणे. या मालिकेच्या शेवटी, विद्यार्थ्यांना डेटा सायन्सचे मूलभूत तत्त्वे, नैतिक संकल्पना, डेटा तयारी, डेटा हाताळण्याचे विविध मार्ग, डेटा व्हिज्युअलायझेशन, डेटा विश्लेषण, डेटा सायन्सचे वास्तविक जीवनातील उपयोग आणि बरेच काही शिकलेले असेल.
+
+याशिवाय, वर्गापूर्वीचा क्विझ विद्यार्थ्याला विषय शिकण्याच्या दिशेने प्रेरित करतो, तर वर्गानंतरचा क्विझ शिकलेले ज्ञान अधिक चांगल्या प्रकारे लक्षात ठेवण्यास मदत करतो. हा अभ्यासक्रम लवचिक आणि मजेदार बनविण्यासाठी डिझाइन केला गेला आहे आणि तो पूर्ण किंवा अंशतः घेतला जाऊ शकतो. प्रकल्प लहान स्वरूपात सुरू होतात आणि 10 आठवड्यांच्या चक्राच्या शेवटी अधिकाधिक गुंतागुंतीचे होतात.
+
+> आमचा [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) मार्गदर्शक तत्त्वे शोधा. आम्ही तुमच्या रचनात्मक अभिप्रायांचे स्वागत करतो!
+
+## प्रत्येक धड्यात समाविष्ट आहे:
+
+- वैकल्पिक स्केच
+- वैकल्पिक पूरक व्हिडिओ
+- प्री-लेसन वॉर्मअप क्विझ
+- लेखी धडा
+- प्रकल्प-आधारित धड्यांसाठी, प्रकल्प कसा तयार करायचा याचे चरण-दर-चरण मार्गदर्शन
+- ज्ञान तपासणी
+- एक आव्हान
+- पूरक वाचन
+- असाइनमेंट
+- पोस्ट-लेसन क्विझ
+
+> **क्विझबद्दल एक टीप**: सर्व क्विझ Quiz-App फोल्डरमध्ये आहेत, एकूण 40 क्विझ, प्रत्येकी तीन प्रश्नांसह. ते धड्यांमधून लिंक केलेले आहेत, परंतु क्विझ अॅप स्थानिकरित्या चालवले जाऊ शकते किंवा Azure वर तैनात केले जाऊ शकते; `quiz-app` फोल्डरमधील सूचनांचे अनुसरण करा. ते हळूहळू स्थानिक भाषांमध्ये अनुवादित केले जात आहेत.
+
+## धडे
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| डेटा सायन्ससाठी नवशिक्यांसाठी: रोडमॅप - _[@nitya](https://twitter.com/nitya) यांचे स्केच_ |
+
+| धडा क्रमांक | विषय | धड्यांचे गटिंग | शिकण्याचे उद्दिष्ट | लिंक केलेला धडा | लेखक |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | डेटा सायन्सची व्याख्या | [परिचय](1-Introduction/README.md) | डेटा सायन्समागील मूलभूत संकल्पना आणि त्याचा कृत्रिम बुद्धिमत्ता, मशीन लर्निंग आणि बिग डेटा यांच्याशी कसा संबंध आहे हे जाणून घ्या. | [धडा](1-Introduction/01-defining-data-science/README.md) [व्हिडिओ](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | डेटा सायन्स नैतिकता | [परिचय](1-Introduction/README.md) | डेटा नैतिकतेच्या संकल्पना, आव्हाने आणि फ्रेमवर्क. | [धडा](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | डेटाची व्याख्या | [परिचय](1-Introduction/README.md) | डेटा कसा वर्गीकृत केला जातो आणि त्याचे सामान्य स्रोत काय आहेत. | [धडा](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | सांख्यिकी आणि संभाव्यता परिचय | [परिचय](1-Introduction/README.md) | डेटा समजण्यासाठी संभाव्यता आणि सांख्यिकीचे गणितीय तंत्र. | [धडा](1-Introduction/04-stats-and-probability/README.md) [व्हिडिओ](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | रिलेशनल डेटासह काम करणे | [डेटासह काम करणे](2-Working-With-Data/README.md) | रिलेशनल डेटाचा परिचय आणि स्ट्रक्चर्ड क्वेरी लँग्वेज (SQL) चा वापर करून रिलेशनल डेटा एक्सप्लोर आणि विश्लेषण करण्याच्या मूलभूत गोष्टी. | [धडा](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) |
+| 06 | NoSQL डेटासह काम करणे | [डेटासह काम करणे](2-Working-With-Data/README.md) | नॉन-रिलेशनल डेटाचा परिचय, त्याचे विविध प्रकार आणि डॉक्युमेंट डेटाबेस एक्सप्लोर आणि विश्लेषण करण्याच्या मूलभूत गोष्टी. | [धडा](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique) |
+| 07 | Python सह काम करणे | [डेटासह काम करणे](2-Working-With-Data/README.md) | Pandas सारख्या लायब्ररीसह डेटा एक्सप्लोरेशनसाठी Python वापरण्याच्या मूलभूत गोष्टी. Python प्रोग्रामिंगचे मूलभूत ज्ञान शिफारसीय आहे. | [धडा](2-Working-With-Data/07-python/README.md) [व्हिडिओ](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | डेटा तयारी | [डेटासोबत काम करणे](2-Working-With-Data/README.md) | हरवलेला, अचूक नसलेला किंवा अपूर्ण डेटा हाताळण्यासाठी डेटा स्वच्छ करणे आणि त्याचे रूपांतर करण्याच्या तंत्रांवर आधारित विषय. | [पाठ](2-Working-With-Data/08-data-preparation/README.md) | [जॅस्मिन](https://www.twitter.com/paladique) |
+| 09 | प्रमाणांचे दृश्यांकन | [डेटा दृश्यांकन](3-Data-Visualization/README.md) | मॅटप्लॉटलिब वापरून पक्ष्यांच्या डेटाचे दृश्यांकन कसे करावे ते शिका 🦆 | [पाठ](3-Data-Visualization/09-visualization-quantities/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 10 | डेटाच्या वितरणांचे दृश्यांकन | [डेटा दृश्यांकन](3-Data-Visualization/README.md) | एका अंतरालातील निरीक्षणे आणि ट्रेंड्सचे दृश्यांकन. | [पाठ](3-Data-Visualization/10-visualization-distributions/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 11 | प्रमाणांचे दृश्यांकन | [डेटा दृश्यांकन](3-Data-Visualization/README.md) | वेगळ्या आणि गटबद्ध टक्केवारींचे दृश्यांकन. | [पाठ](3-Data-Visualization/11-visualization-proportions/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 12 | नातेसंबंधांचे दृश्यांकन | [डेटा दृश्यांकन](3-Data-Visualization/README.md) | डेटाच्या संचांमधील कनेक्शन आणि सहसंबंधांचे दृश्यांकन. | [पाठ](3-Data-Visualization/12-visualization-relationships/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 13 | अर्थपूर्ण दृश्यांकन | [डेटा दृश्यांकन](3-Data-Visualization/README.md) | प्रभावी समस्या सोडवण्यासाठी आणि अंतर्दृष्टीसाठी तुमच्या दृश्यांकनांना मूल्यवान बनवण्याच्या तंत्रांचा आणि मार्गदर्शनाचा अभ्यास. | [पाठ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 14 | डेटा सायन्स जीवनचक्राची ओळख | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डेटा सायन्स जीवनचक्राची ओळख आणि डेटा मिळवणे व काढणे या पहिल्या टप्प्याची माहिती. | [पाठ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [जॅस्मिन](https://www.twitter.com/paladique) |
+| 15 | विश्लेषण | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डेटा सायन्स जीवनचक्राचा हा टप्पा डेटा विश्लेषणाच्या तंत्रांवर केंद्रित आहे. | [पाठ](4-Data-Science-Lifecycle/15-analyzing/README.md) | [जॅस्मिन](https://www.twitter.com/paladique) | | |
+| 16 | संवाद | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डेटा सायन्स जीवनचक्राचा हा टप्पा डेटा अंतर्दृष्टी निर्णय घेणाऱ्यांना समजण्यास सोपे होईल अशा प्रकारे सादर करण्यावर केंद्रित आहे. | [पाठ](4-Data-Science-Lifecycle/16-communication/README.md) | [जालेन](https://twitter.com/JalenMcG) | | |
+| 17 | क्लाउडमधील डेटा सायन्स | [क्लाउड डेटा](5-Data-Science-In-Cloud/README.md) | क्लाउडमधील डेटा सायन्स आणि त्याचे फायदे यांची ओळख करून देणारे धडे. | [पाठ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [टिफनी](https://twitter.com/TiffanySouterre) आणि [मॉड](https://twitter.com/maudstweets) |
+| 18 | क्लाउडमधील डेटा सायन्स | [क्लाउड डेटा](5-Data-Science-In-Cloud/README.md) | लो कोड साधनांचा वापर करून मॉडेल्स प्रशिक्षण. | [पाठ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [टिफनी](https://twitter.com/TiffanySouterre) आणि [मॉड](https://twitter.com/maudstweets) |
+| 19 | क्लाउडमधील डेटा सायन्स | [क्लाउड डेटा](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio वापरून मॉडेल्स तैनात करणे. | [पाठ](5-Data-Science-In-Cloud/19-Azure/README.md) | [टिफनी](https://twitter.com/TiffanySouterre) आणि [मॉड](https://twitter.com/maudstweets) |
+| 20 | जंगली परिस्थितीत डेटा सायन्स | [जंगली परिस्थितीत](6-Data-Science-In-Wild/README.md) | वास्तविक जगातील डेटा सायन्स चालवलेले प्रकल्प. | [पाठ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [नित्या](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+या नमुन्याला Codespace मध्ये उघडण्यासाठी खालील चरणांचे अनुसरण करा:
+1. Code ड्रॉप-डाउन मेनूवर क्लिक करा आणि Open with Codespaces पर्याय निवडा.
+2. पॅनच्या तळाशी + New codespace निवडा.
+अधिक माहितीसाठी, [GitHub दस्तऐवज](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) तपासा.
+
+## VSCode Remote - Containers
+तुमच्या स्थानिक मशीन आणि VSCode वापरून VS Code Remote - Containers विस्ताराचा वापर करून हे रेपो कंटेनरमध्ये उघडण्यासाठी खालील चरणांचे अनुसरण करा:
+
+1. जर तुम्ही प्रथमच विकास कंटेनर वापरत असाल, तर कृपया तुमची प्रणाली पूर्व-आवश्यकता पूर्ण करते याची खात्री करा (उदा. Docker स्थापित केले आहे) [सुरुवातीच्या दस्तऐवजामध्ये](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started).
+
+या रेपोचा वापर करण्यासाठी, तुम्ही रेपो एका वेगळ्या Docker व्हॉल्यूममध्ये उघडू शकता:
+
+**टीप**: अंतर्गत, हे Remote-Containers: **Clone Repository in Container Volume...** कमांड वापरेल जेणेकरून स्थानिक फाइल सिस्टमऐवजी Docker व्हॉल्यूममध्ये स्रोत कोड क्लोन होईल. [व्हॉल्यूम्स](https://docs.docker.com/storage/volumes/) कंटेनर डेटा टिकवण्यासाठी प्राधान्य दिलेली यंत्रणा आहेत.
+
+किंवा स्थानिक पातळीवर क्लोन केलेली किंवा डाउनलोड केलेली रेपो आवृत्ती उघडा:
+
+- हे रेपो तुमच्या स्थानिक फाइल सिस्टमवर क्लोन करा.
+- F1 दाबा आणि **Remote-Containers: Open Folder in Container...** कमांड निवडा.
+- या फोल्डरची क्लोन केलेली प्रत निवडा, कंटेनर सुरू होईपर्यंत प्रतीक्षा करा आणि गोष्टी वापरून पहा.
+
+## ऑफलाइन प्रवेश
+
+[Docsify](https://docsify.js.org/#/) वापरून तुम्ही ही दस्तऐवज ऑफलाइन चालवू शकता. हे रेपो फोर्क करा, [Docsify स्थापित करा](https://docsify.js.org/#/quickstart) तुमच्या स्थानिक मशीनवर, नंतर या रेपोच्या मूळ फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट तुमच्या localhost वर पोर्ट 3000 वर चालवली जाईल: `localhost:3000`.
+
+> टीप, नोटबुक्स Docsify द्वारे प्रस्तुत केले जाणार नाहीत, त्यामुळे जेव्हा तुम्हाला नोटबुक चालवायचे असेल, तेव्हा ते स्वतंत्रपणे VS Code मध्ये Python कर्नल चालवून करा.
+
+## मदतीची गरज आहे!
+
+जर तुम्हाला अभ्यासक्रमाचा संपूर्ण किंवा काही भाग भाषांतरित करायचा असेल, तर कृपया आमच्या [भाषांतर मार्गदर्शक](TRANSLATIONS.md) चे अनुसरण करा.
+
+## इतर अभ्यासक्रम
+
+आमची टीम इतर अभ्यासक्रम तयार करते! तपासा:
+
+- [सुरुवातीसाठी जनरेटिव्ह AI](https://aka.ms/genai-beginners)
+- [सुरुवातीसाठी जनरेटिव्ह AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [JavaScript सह जनरेटिव्ह AI](https://github.com/microsoft/generative-ai-with-javascript)
+- [Java सह जनरेटिव्ह AI](https://aka.ms/genaijava)
+- [सुरुवातीसाठी AI](https://aka.ms/ai-beginners)
+- [सुरुवातीसाठी डेटा सायन्स](https://aka.ms/datascience-beginners)
+- [सुरुवातीसाठी ML](https://aka.ms/ml-beginners)
+- [सुरुवातीसाठी सायबरसुरक्षा](https://github.com/microsoft/Security-101) 
+- [सुरुवातीसाठी वेब डेव्हलपमेंट](https://aka.ms/webdev-beginners)
+- [सुरुवातीसाठी IoT](https://aka.ms/iot-beginners)
+- [सुरुवातीसाठी XR डेव्हलपमेंट](https://github.com/microsoft/xr-development-for-beginners)
+- [जोडीदार प्रोग्रामिंगसाठी GitHub Copilot मास्टर करणे](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [C#/.NET डेव्हलपर्ससाठी GitHub Copilot मास्टर करणे](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [तुमचा स्वतःचा Copilot साहस निवडा](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/SECURITY.md b/translations/mr/SECURITY.md
new file mode 100644
index 00000000..5f6739b1
--- /dev/null
+++ b/translations/mr/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-27T16:39:30+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "mr"
+}
+-->
+## सुरक्षा
+
+मायक्रोसॉफ्ट आपल्या सॉफ्टवेअर उत्पादने आणि सेवांच्या सुरक्षेला प्राधान्य देते, ज्यामध्ये आमच्या GitHub संस्थांद्वारे व्यवस्थापित केलेल्या सर्व स्रोत कोड रिपॉझिटरीजचा समावेश होतो. यामध्ये [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), आणि [आमच्या GitHub संस्थांचा](https://opensource.microsoft.com/) समावेश आहे.
+
+जर तुम्हाला मायक्रोसॉफ्टच्या मालकीच्या कोणत्याही रिपॉझिटरीमध्ये [मायक्रोसॉफ्टच्या सुरक्षा असुरक्षिततेच्या व्याख्येनुसार](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)) सुरक्षा असुरक्षितता आढळली असेल, तर कृपया खाली दिलेल्या सूचनांनुसार ती आम्हाला कळवा.
+
+## सुरक्षा समस्या कळवणे
+
+**कृपया सार्वजनिक GitHub इश्यूजद्वारे सुरक्षा असुरक्षितता कळवू नका.**
+
+त्याऐवजी, कृपया ती मायक्रोसॉफ्ट सुरक्षा प्रतिसाद केंद्राला (MSRC) [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report) येथे कळवा.
+
+जर तुम्हाला लॉगिन न करता सबमिट करायचे असेल, तर [secure@microsoft.com](mailto:secure@microsoft.com) या ईमेलवर पाठवा. शक्य असल्यास, तुमचा संदेश आमच्या PGP कीने एन्क्रिप्ट करा; कृपया ती [Microsoft Security Response Center PGP Key page](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) वरून डाउनलोड करा.
+
+तुम्हाला 24 तासांच्या आत उत्तर मिळेल. काही कारणास्तव उत्तर मिळाले नाही, तर कृपया ईमेलद्वारे फॉलो अप करा, जेणेकरून आम्हाला तुमचा मूळ संदेश मिळाला आहे याची खात्री होईल. अधिक माहिती [microsoft.com/msrc](https://www.microsoft.com/msrc) येथे मिळू शकते.
+
+कृपया शक्य तितकी खालील माहिती समाविष्ट करा, ज्यामुळे आम्हाला संभाव्य समस्येचे स्वरूप आणि व्याप्ती अधिक चांगल्या प्रकारे समजण्यास मदत होईल:
+
+  * समस्येचा प्रकार (उदा. बफर ओव्हरफ्लो, SQL इंजेक्शन, क्रॉस-साइट स्क्रिप्टिंग, इ.)
+  * समस्येच्या प्रकटीकरणाशी संबंधित स्रोत फाइल(स)चे पूर्ण पथ
+  * प्रभावित स्रोत कोडचे स्थान (टॅग/ब्रँच/कमिट किंवा थेट URL)
+  * समस्या पुनरुत्पादित करण्यासाठी आवश्यक असलेली कोणतीही विशेष कॉन्फिगरेशन
+  * समस्या पुनरुत्पादित करण्यासाठी चरण-दर-चरण सूचना
+  * प्रूफ-ऑफ-कन्सेप्ट किंवा एक्सप्लॉइट कोड (शक्य असल्यास)
+  * समस्येचा परिणाम, ज्यामध्ये हल्लेखोराने समस्या कशी शोषण केली जाऊ शकते याचा समावेश आहे
+
+ही माहिती आम्हाला तुमचा अहवाल अधिक जलद प्रक्रियेसाठी मदत करेल.
+
+जर तुम्ही बग बाऊंटी साठी अहवाल देत असाल, तर अधिक संपूर्ण अहवाल उच्च बाऊंटी पुरस्कारासाठी योगदान देऊ शकतात. कृपया आमच्या [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) पृष्ठाला भेट द्या, जिथे आमच्या सक्रिय कार्यक्रमांबद्दल अधिक तपशील दिले आहेत.
+
+## प्राधान्यकृत भाषा
+
+आम्हाला सर्व संवाद इंग्रजीत असणे प्राधान्य आहे.
+
+## धोरण
+
+मायक्रोसॉफ्ट [सहकार्याने असुरक्षितता प्रकटीकरण](https://www.microsoft.com/en-us/msrc/cvd) या तत्त्वाचे पालन करते.
+
+---
+
+**अस्वीकृती**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/SUPPORT.md b/translations/mr/SUPPORT.md
new file mode 100644
index 00000000..54a93b3c
--- /dev/null
+++ b/translations/mr/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-27T16:37:14+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "mr"
+}
+-->
+# समर्थन
+## समस्या कशा दाखल करायच्या आणि मदत कशी मिळवायची  
+
+या प्रकल्पासाठी बग्स आणि फिचर विनंत्या ट्रॅक करण्यासाठी GitHub Issues वापरले जाते. कृपया नवीन समस्या दाखल करण्यापूर्वी विद्यमान समस्यांचा शोध घ्या, जेणेकरून पुनरावृत्ती टाळता येईल. नवीन समस्यांसाठी, तुमचा बग किंवा फिचर विनंती नवीन Issue म्हणून दाखल करा.
+
+या प्रकल्पाचा वापर करण्याबाबत मदत आणि प्रश्नांसाठी, एक Issue दाखल करा.
+
+## Microsoft समर्थन धोरण  
+
+या रिपॉझिटरीसाठी समर्थन वरील सूचीबद्ध संसाधनांपुरते मर्यादित आहे.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून निर्माण होणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/docs/_sidebar.md b/translations/mr/docs/_sidebar.md
new file mode 100644
index 00000000..8fa52ad8
--- /dev/null
+++ b/translations/mr/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-27T17:00:59+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "mr"
+}
+-->
+- परिचय
+  - [डेटा सायन्सची व्याख्या](../1-Introduction/01-defining-data-science/README.md)
+  - [डेटा सायन्सचे नैतिक मूल्य](../1-Introduction/02-ethics/README.md)
+  - [डेटाची व्याख्या](../1-Introduction/03-defining-data/README.md)
+  - [संभाव्यता आणि सांख्यिकी](../1-Introduction/04-stats-and-probability/README.md)
+- डेटासोबत काम करणे
+  - [संबंधित डेटाबेस](../2-Working-With-Data/05-relational-databases/README.md)
+  - [असंबंधित डेटाबेस](../2-Working-With-Data/06-non-relational/README.md)
+  - [Python](../2-Working-With-Data/07-python/README.md)
+  - [डेटाची तयारी](../2-Working-With-Data/08-data-preparation/README.md)
+- डेटा व्हिज्युअलायझेशन
+  - [प्रमाणांचे व्हिज्युअलायझेशन](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [वितरणांचे व्हिज्युअलायझेशन](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [प्रमाणांचे व्हिज्युअलायझेशन](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [संबंधांचे व्हिज्युअलायझेशन](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [अर्थपूर्ण व्हिज्युअलायझेशन](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- डेटा सायन्स जीवनचक्र
+  - [परिचय](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [विश्लेषण करणे](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [संवाद साधणे](../4-Data-Science-Lifecycle/16-communication/README.md)
+- क्लाउडमधील डेटा सायन्स
+  - [परिचय](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [लो कोड](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [Azure](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- डेटा सायन्स इन द वाइल्ड
+  - [वाइल्डमधील डेटा सायन्स](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/for-teachers.md b/translations/mr/for-teachers.md
new file mode 100644
index 00000000..1eedf3e5
--- /dev/null
+++ b/translations/mr/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-27T16:37:39+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "mr"
+}
+-->
+## शिक्षकांसाठी
+
+आपण आपल्या वर्गात हा अभ्यासक्रम वापरू इच्छिता? कृपया नक्की वापरा!
+
+खरं तर, आपण GitHub Classroom चा वापर करून GitHub वरच हा अभ्यासक्रम वापरू शकता.
+
+त्यासाठी, या रेपॉजिटरीला फोर्क करा. प्रत्येक धड्यासाठी एक स्वतंत्र रेपॉजिटरी तयार करावी लागेल, त्यामुळे प्रत्येक फोल्डर वेगळ्या रेपॉजिटरीमध्ये काढा. अशा प्रकारे, [GitHub Classroom](https://classroom.github.com/classrooms) प्रत्येक धडा स्वतंत्रपणे ओळखू शकेल.
+
+ही [संपूर्ण सूचना](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) आपल्याला आपला वर्ग कसा सेटअप करायचा याची कल्पना देईल.
+
+## रेपॉजिटरी तशीच वापरणे
+
+जर आपण GitHub Classroom न वापरता ही रेपॉजिटरी सध्याच्या स्वरूपात वापरू इच्छित असाल, तर तेही शक्य आहे. आपल्याला आपल्या विद्यार्थ्यांशी कोणता धडा एकत्रितपणे शिकायचा आहे हे संवाद साधावे लागेल.
+
+ऑनलाइन स्वरूपात (Zoom, Teams किंवा इतर) आपण क्विझसाठी ब्रेकआउट रूम तयार करू शकता आणि विद्यार्थ्यांना शिकण्यासाठी तयार होण्यासाठी मार्गदर्शन करू शकता. त्यानंतर विद्यार्थ्यांना क्विझसाठी आमंत्रित करा आणि ठराविक वेळी त्यांची उत्तरे 'issues' म्हणून सबमिट करण्यास सांगा. जर आपण विद्यार्थ्यांना सार्वजनिकपणे सहकार्याने काम करायला लावायचे असेल, तर असाइनमेंट्ससाठीही हेच करू शकता.
+
+जर आपण अधिक खाजगी स्वरूप पसंत करत असाल, तर आपल्या विद्यार्थ्यांना अभ्यासक्रम, धडा-धडा, त्यांच्या स्वतःच्या GitHub रेपॉजिटरीमध्ये फोर्क करण्यास सांगा आणि त्या रेपॉजिटरी खाजगी ठेवा. त्यानंतर त्यांना क्विझ आणि असाइनमेंट्स खाजगी स्वरूपात पूर्ण करून आपल्या वर्गाच्या रेपॉजिटरीवर issues द्वारे सबमिट करण्यास सांगा.
+
+ऑनलाइन वर्ग स्वरूपात हे कार्यान्वित करण्याचे अनेक मार्ग आहेत. कृपया आम्हाला कळवा की आपल्यासाठी काय सर्वोत्तम कार्य करते!
+
+## या अभ्यासक्रमात समाविष्ट:
+
+20 धडे, 40 क्विझ, आणि 20 असाइनमेंट्स. दृश्य शिकणाऱ्यांसाठी धड्यांसोबत स्केच नोट्स दिल्या आहेत. अनेक धडे Python आणि R या दोन्ही भाषांमध्ये उपलब्ध आहेत आणि VS Code मधील Jupyter नोटबुक्सचा वापर करून पूर्ण करता येतात. हा तांत्रिक संच कसा वापरायचा याबद्दल अधिक जाणून घ्या: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
+
+सर्व स्केच नोट्स, मोठ्या स्वरूपाच्या पोस्टरसह, [या फोल्डरमध्ये](../../sketchnotes) आहेत.
+
+संपूर्ण अभ्यासक्रम [PDF स्वरूपात](../../pdf/readme.pdf) उपलब्ध आहे.
+
+आपण [Docsify](https://docsify.js.org/#/) चा वापर करून हा अभ्यासक्रम स्वतंत्र, ऑफलाइन-फ्रेंडली वेबसाइट म्हणून चालवू शकता. [Docsify इंस्टॉल करा](https://docsify.js.org/#/quickstart) आपल्या स्थानिक मशीनवर, त्यानंतर आपल्या स्थानिक रेपॉजिटरीच्या मूळ फोल्डरमध्ये `docsify serve` टाइप करा. वेबसाइट आपल्या स्थानिक होस्टवर पोर्ट 3000 वर चालू होईल: `localhost:3000`.
+
+अभ्यासक्रमाचा ऑफलाइन-फ्रेंडली आवृत्ती स्वतंत्र वेब पृष्ठ म्हणून उघडेल: https://localhost:3000
+
+धडे 6 भागांमध्ये गटबद्ध केले आहेत:
+
+- 1: परिचय
+    - 1: डेटा सायन्सची व्याख्या
+    - 2: नैतिकता
+    - 3: डेटाची व्याख्या
+    - 4: संभाव्यता आणि सांख्यिकीचा आढावा
+- 2: डेटासोबत काम करणे
+    - 5: रिलेशनल डेटाबेस
+    - 6: नॉन-रिलेशनल डेटाबेस
+    - 7: Python
+    - 8: डेटा तयारी
+- 3: डेटा व्हिज्युअलायझेशन
+    - 9: प्रमाणांचे व्हिज्युअलायझेशन
+    - 10: वितरणांचे व्हिज्युअलायझेशन
+    - 11: प्रमाणांचे व्हिज्युअलायझेशन
+    - 12: नातेसंबंधांचे व्हिज्युअलायझेशन
+    - 13: अर्थपूर्ण व्हिज्युअलायझेशन
+- 4: डेटा सायन्स जीवनचक्र
+    - 14: परिचय
+    - 15: विश्लेषण
+    - 16: संवाद
+- 5: क्लाउडमधील डेटा सायन्स
+    - 17: परिचय
+    - 18: लो-कोड पर्याय
+    - 19: Azure
+- 6: डेटा सायन्सचा व्यावहारिक उपयोग
+    - 20: आढावा
+
+## कृपया आपले विचार सांगा!
+
+आम्हाला हा अभ्यासक्रम आपल्यासाठी आणि आपल्या विद्यार्थ्यांसाठी उपयुक्त बनवायचा आहे. कृपया चर्चासत्रांमध्ये आपले अभिप्राय द्या! आपल्या विद्यार्थ्यांसाठी चर्चासत्रांमध्ये वर्गाचा विभाग तयार करण्यास मोकळे रहा.
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/quiz-app/README.md b/translations/mr/quiz-app/README.md
new file mode 100644
index 00000000..a5450c7c
--- /dev/null
+++ b/translations/mr/quiz-app/README.md
@@ -0,0 +1,139 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-27T17:54:23+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "mr"
+}
+-->
+# क्विझेस
+
+ही क्विझेस डेटा सायन्स अभ्यासक्रमासाठीच्या व्याख्यानांपूर्वी आणि नंतर घेण्यात येणाऱ्या क्विझेस आहेत. अधिक माहितीसाठी https://aka.ms/datascience-beginners येथे भेट द्या.
+
+## अनुवादित क्विझ सेट जोडणे
+
+क्विझचा अनुवाद `assets/translations` फोल्डरमध्ये योग्य रचना तयार करून जोडा. मूळ क्विझेस `assets/translations/en` मध्ये आहेत. क्विझेस वेगवेगळ्या गटांमध्ये विभागल्या आहेत. योग्य क्विझ विभागाशी क्रमांक जुळवून ठेवा. या अभ्यासक्रमात एकूण 40 क्विझेस आहेत, ज्यांची क्रमांकवारी 0 पासून सुरू होते.
+
+अनुवाद संपादित केल्यानंतर, `en` मधील पद्धतींचे अनुसरण करून, अनुवाद फोल्डरमधील `index.js` फाइलमध्ये सर्व फाइल्स आयात करा.
+
+`assets/translations` मधील `index.js` फाइल संपादित करून नवीन अनुवादित फाइल्स आयात करा.
+
+यानंतर, या अॅपमधील `App.vue` मधील ड्रॉपडाउन संपादित करून तुमची भाषा जोडा. तुमच्या भाषेसाठी फोल्डर नावाशी स्थानिक संक्षेप जुळवा.
+
+शेवटी, अनुवादित धड्यांमधील सर्व क्विझ लिंक्स संपादित करा, जर त्या अस्तित्वात असतील, आणि त्यामध्ये स्थानिकीकरण क्वेरी पॅरामीटर समाविष्ट करा: उदाहरणार्थ `?loc=fr`.
+
+## प्रकल्प सेटअप
+
+```
+npm install
+```
+
+### विकासासाठी संकलन आणि हॉट-रिलोड
+
+```
+npm run serve
+```
+
+### उत्पादनासाठी संकलन आणि मिनिफिकेशन
+
+```
+npm run build
+```
+
+### फाइल्स तपासा आणि दुरुस्त्या करा
+
+```
+npm run lint
+```
+
+### कॉन्फिगरेशन सानुकूलित करा
+
+[कॉन्फिगरेशन संदर्भ](https://cli.vuejs.org/config/) पहा.
+
+क्रेडिट्स: या क्विझ अॅपच्या मूळ आवृत्तीसाठी धन्यवाद: https://github.com/arpan45/simple-quiz-vue
+
+## Azure वर डिप्लॉय करणे
+
+येथे सुरुवात करण्यासाठी चरण-दर-चरण मार्गदर्शिका दिली आहे:
+
+1. GitHub रेपॉझिटरी फोर्क करा  
+तुमच्या GitHub रेपॉझिटरीमध्ये तुमच्या स्थिर वेब अॅपचा कोड ठेवा. ही रेपॉझिटरी फोर्क करा.
+
+2. Azure Static Web App तयार करा  
+- [Azure खाते](http://azure.microsoft.com) तयार करा  
+- [Azure पोर्टल](https://portal.azure.com) वर जा  
+- “Create a resource” वर क्लिक करा आणि “Static Web App” शोधा.  
+- “Create” वर क्लिक करा.  
+
+3. Static Web App कॉन्फिगर करा  
+- #### बेसिक्स:  
+  - Subscription: तुमची Azure सबस्क्रिप्शन निवडा.  
+  - Resource Group: नवीन रिसोर्स ग्रुप तयार करा किंवा विद्यमान वापरा.  
+  - Name: तुमच्या स्थिर वेब अॅपसाठी नाव द्या.  
+  - Region: तुमच्या वापरकर्त्यांच्या जवळचा प्रदेश निवडा.  
+
+- #### डिप्लॉयमेंट तपशील:  
+  - Source: “GitHub” निवडा.  
+  - GitHub Account: Azure ला तुमच्या GitHub खात्याचा प्रवेश अधिकृत करा.  
+  - Organization: तुमची GitHub संस्था निवडा.  
+  - Repository: तुमच्या स्थिर वेब अॅपचा समावेश असलेली रेपॉझिटरी निवडा.  
+  - Branch: ज्या शाखेतून तुम्हाला डिप्लॉय करायचे आहे ती निवडा.  
+
+- #### बिल्ड तपशील:  
+  - Build Presets: तुमचे अॅप ज्या फ्रेमवर्कसह तयार केले आहे ते निवडा (उदा. React, Angular, Vue, इ.).  
+  - App Location: तुमच्या अॅप कोडचा समावेश असलेला फोल्डर निर्दिष्ट करा (उदा. / जर तो रूटमध्ये असेल).  
+  - API Location: जर तुमच्याकडे API असेल, तर त्याचे स्थान निर्दिष्ट करा (पर्यायी).  
+  - Output Location: बिल्ड आउटपुट जिथे तयार होते तो फोल्डर निर्दिष्ट करा (उदा. build किंवा dist).  
+
+4. पुनरावलोकन आणि तयार करा  
+तुमच्या सेटिंग्ज पुनरावलोकन करा आणि “Create” वर क्लिक करा. Azure आवश्यक संसाधने सेटअप करेल आणि तुमच्या रेपॉझिटरीमध्ये GitHub Actions वर्कफ्लो तयार करेल.  
+
+5. GitHub Actions वर्कफ्लो  
+Azure तुमच्या रेपॉझिटरीमध्ये स्वयंचलितपणे GitHub Actions वर्कफ्लो फाइल तयार करेल (.github/workflows/azure-static-web-apps-<name>.yml). हा वर्कफ्लो बिल्ड आणि डिप्लॉयमेंट प्रक्रिया हाताळेल.  
+
+6. डिप्लॉयमेंट मॉनिटर करा  
+तुमच्या GitHub रेपॉझिटरीमधील “Actions” टॅबवर जा.  
+तुम्हाला वर्कफ्लो चालू असल्याचे दिसेल. हा वर्कफ्लो तुमचा स्थिर वेब अॅप Azure वर बिल्ड आणि डिप्लॉय करेल.  
+वर्कफ्लो पूर्ण झाल्यावर, तुमचे अॅप दिलेल्या Azure URL वर लाइव्ह असेल.  
+
+### वर्कफ्लो फाइलचे उदाहरण
+
+GitHub Actions वर्कफ्लो फाइल कशी दिसू शकते याचे उदाहरण येथे आहे:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### अतिरिक्त संसाधने  
+- [Azure Static Web Apps दस्तऐवज](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [GitHub Actions दस्तऐवज](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/mr/sketchnotes/README.md b/translations/mr/sketchnotes/README.md
new file mode 100644
index 00000000..b75df2de
--- /dev/null
+++ b/translations/mr/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-27T17:29:30+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "mr"
+}
+-->
+सर्व स्केच नोट्स येथे शोधा!
+
+## श्रेय
+
+नित्या नरसिंहन, कलाकार
+
+![रोडमॅप स्केच नोट](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.mr.png)
+
+---
+
+**अस्वीकरण**:  
+हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/01-defining-data-science/README.md b/translations/ne/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..4fd61b6a
--- /dev/null
+++ b/translations/ne/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-27T17:14:14+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "ne"
+}
+-->
+## डेटा प्रकारहरू
+
+जसरी हामीले पहिले नै उल्लेख गरिसकेका छौं, डेटा हरेक ठाउँमा छ। हामीले यसलाई सही तरिकाले समात्न मात्र आवश्यक छ! **संरचित** र **असंरचित** डेटा बीच भिन्नता गर्न उपयोगी हुन्छ। संरचित डेटा प्रायः राम्रो संरचित रूपमा प्रस्तुत गरिन्छ, प्रायः टेबल वा धेरै टेबलहरूको रूपमा, जबकि असंरचित डेटा फाइलहरूको संग्रह मात्र हो। कहिलेकाहीं हामी **अर्ध-संरचित** डेटा पनि कुरा गर्न सक्छौं, जसमा केही प्रकारको संरचना हुन्छ तर यो धेरै फरक हुन सक्छ।
+
+| संरचित                                                                   | अर्ध-संरचित                                                                                  | असंरचित                            |
+| ------------------------------------------------------------------------ | -------------------------------------------------------------------------------------------- | ----------------------------------- |
+| व्यक्तिहरूको सूची र उनीहरूको फोन नम्बर                                    | विकिपीडिया पृष्ठहरू लिंकहरूसहित                                                               | इनसाइक्लोपेडिया ब्रिटानिकाको पाठ  |
+| पछिल्लो २० वर्षको प्रत्येक मिनेटमा भवनका सबै कोठाहरूको तापक्रम            | JSON ढाँचामा वैज्ञानिक कागजातहरूको संग्रह, लेखकहरू, प्रकाशन मिति, र सारांशसहित                 | निगरानी क्यामेराबाट कच्चा भिडियो फिड |
+| भवनमा प्रवेश गर्ने सबै व्यक्तिहरूको उमेर र लिङ्गको डेटा                   | इन्टरनेट पृष्ठहरू                                                                              | कर्पोरेट दस्तावेजहरूको फाइल शेयर   |
+
+## डेटा कहाँबाट प्राप्त गर्ने
+
+डेटा प्राप्त गर्नका लागि धेरै सम्भावित स्रोतहरू छन्, र तिनीहरू सबै सूचीबद्ध गर्न असम्भव हुनेछ! तर, केही सामान्य स्थानहरू उल्लेख गरौं जहाँबाट तपाईं डेटा प्राप्त गर्न सक्नुहुन्छ:
+
+* **संरचित**
+  - **इन्टरनेट अफ थिङ्स** (IoT), जस्तै तापक्रम वा दबाब सेन्सरहरूबाट प्राप्त डेटा। उदाहरणका लागि, यदि कार्यालय भवन IoT सेन्सरहरूले सुसज्जित छ भने, हामी स्वचालित रूपमा तापक्रम र प्रकाश नियन्त्रण गर्न सक्दछौं ताकि लागत कम गर्न सकियोस्।
+  - **सर्वेक्षणहरू**, जुन हामी प्रयोगकर्ताहरूलाई खरिद पछि वा वेबसाइट भ्रमण पछि पूरा गर्न अनुरोध गर्छौं।
+  - **व्यवहारको विश्लेषण**, जसले उदाहरणका लागि, प्रयोगकर्ताले साइटमा कति गहिरो जान्छ र साइट छोड्ने सामान्य कारण के हो भन्ने कुरा बुझ्न मद्दत गर्न सक्छ।
+* **असंरचित**
+  - **पाठहरू**, जस्तै समग्र **भावनात्मक स्कोर** वा मुख्य शब्दहरू र अर्थ निकाल्नका लागि।
+  - **छविहरू** वा **भिडियो**। निगरानी क्यामेराको भिडियोले सडकमा ट्राफिकको अनुमान गर्न र सम्भावित ट्राफिक जामको बारेमा जानकारी दिन प्रयोग गर्न सकिन्छ।
+  - वेब सर्भर **लगहरू**, जसले हाम्रो साइटका कुन पृष्ठहरू सबैभन्दा धेरै भ्रमण गरिन्छ र कति समयसम्मका लागि भनेर बुझ्न मद्दत गर्न सक्छ।
+* **अर्ध-संरचित**
+  - **सामाजिक नेटवर्क** ग्राफहरू, जसले प्रयोगकर्ताको व्यक्तित्व र जानकारी फैलाउनको सम्भावित प्रभावकारिताको बारेमा डेटा प्रदान गर्न सक्छ।
+  - पार्टीबाट प्राप्त फोटोहरूको संग्रह हुँदा, हामी **समूह गतिशीलता** डेटा निकाल्न सक्दछौं, जस्तै एकअर्कासँग फोटो खिच्ने व्यक्तिहरूको ग्राफ निर्माण गरेर।
+
+विभिन्न सम्भावित डेटा स्रोतहरू जान्दा, तपाईं विभिन्न परिदृश्यहरूको बारेमा सोच्न सक्नुहुन्छ जहाँ डेटा विज्ञान प्रविधिहरू प्रयोग गरेर स्थिति राम्रोसँग बुझ्न र व्यापार प्रक्रियाहरू सुधार गर्न सकिन्छ।
+
+## डेटा संग के गर्न सकिन्छ
+
+डेटा विज्ञानमा, हामी डेटा यात्रा निम्न चरणहरूमा केन्द्रित गर्छौं:
+
+## डिजिटलाइजेशन र डिजिटल रूपान्तरण
+
+पछिल्लो दशकमा, धेरै व्यवसायहरूले व्यापार निर्णयहरू गर्दा डेटा महत्त्वपूर्ण हुने कुरा बुझ्न थालेका छन्। व्यापार सञ्चालनमा डेटा विज्ञानका सिद्धान्तहरू लागू गर्न, पहिलो चरणमा केही डेटा सङ्कलन गर्न आवश्यक छ, अर्थात् व्यापार प्रक्रियाहरूलाई डिजिटल रूपमा अनुवाद गर्नु। यसलाई **डिजिटलाइजेशन** भनिन्छ। यस डेटा विज्ञान प्रविधिहरूलाई निर्णयहरू मार्गदर्शन गर्न लागू गर्दा उत्पादकत्वमा उल्लेखनीय वृद्धि (वा व्यापारको नयाँ दिशा) हुन सक्छ, जसलाई **डिजिटल रूपान्तरण** भनिन्छ।
+
+उदाहरणको रूपमा विचार गरौं। मानौं हामीसँग एक डेटा विज्ञान पाठ्यक्रम छ (जस्तै यो पाठ्यक्रम) जुन हामी विद्यार्थीहरूलाई अनलाइन प्रदान गर्छौं, र हामी यसलाई सुधार गर्न डेटा विज्ञान प्रयोग गर्न चाहन्छौं। हामी यसलाई कसरी गर्न सक्छौं?
+
+हामी "के डिजिटलाइज गर्न सकिन्छ?" भनेर सोध्न सुरु गर्न सक्छौं। सबैभन्दा सरल तरिका भनेको प्रत्येक विद्यार्थीलाई प्रत्येक मोड्युल पूरा गर्न लाग्ने समय मापन गर्नु र प्रत्येक मोड्युलको अन्त्यमा बहुविकल्पीय परीक्षण दिएर प्राप्त ज्ञान मापन गर्नु हो। सबै विद्यार्थीहरूमा औसत समय-समाप्ति गणना गरेर, हामी पत्ता लगाउन सक्छौं कि कुन मोड्युलहरूले विद्यार्थीहरूलाई सबैभन्दा धेरै कठिनाइ दिन्छ, र तिनीहरूलाई सरल बनाउन काम गर्न सक्छौं।
+तपाईंले तर्क गर्न सक्नुहुन्छ कि यो दृष्टिकोण आदर्श होइन, किनकि मोड्युलहरू विभिन्न लम्बाइका हुन सक्छन्। सम्भवतः समयलाई मोड्युलको लम्बाइ (अक्षरहरूको संख्या) द्वारा विभाजन गरेर ती मानहरू तुलना गर्नु अधिक न्यायसंगत हुनेछ।
+जब हामी बहुविकल्पीय परीक्षाको नतिजा विश्लेषण गर्न सुरु गर्छौं, हामी विद्यार्थीहरूले कुन अवधारणाहरू बुझ्न कठिनाइ महसुस गर्छन् भनेर पत्ता लगाउन सक्छौं, र त्यस जानकारीलाई सामग्री सुधार गर्न प्रयोग गर्न सक्छौं। त्यसका लागि, हामीले परीक्षालाई यसरी डिजाइन गर्नुपर्छ कि प्रत्येक प्रश्नले निश्चित अवधारणा वा ज्ञानको टुक्रासँग सम्बन्धित होस्।
+
+यदि हामी अझ जटिल हुन चाहन्छौं भने, हामी प्रत्येक मोड्युलमा लागेको समयलाई विद्यार्थीहरूको उमेर समूहसँग तुलना गर्न सक्छौं। हामीले पत्ता लगाउन सक्छौं कि केही उमेर समूहका लागि मोड्युल पूरा गर्न अत्यधिक समय लाग्छ, वा विद्यार्थीहरूले मोड्युल पूरा गर्नु अघि नै छोड्छन्। यसले हामीलाई मोड्युलका लागि उमेर सिफारिसहरू प्रदान गर्न मद्दत गर्न सक्छ, र गलत अपेक्षाबाट हुने असन्तुष्टि कम गर्न सक्छ।
+
+## 🚀 चुनौती
+
+यस चुनौतीमा, हामी डेटा साइन्सको क्षेत्रसँग सम्बन्धित अवधारणाहरू पत्ता लगाउने प्रयास गर्नेछौं। हामी डेटा साइन्सको विषयमा रहेको विकिपिडिया लेख लिनेछौं, पाठ डाउनलोड र प्रक्रिया गर्नेछौं, र त्यसपछि यस्तो वर्ड क्लाउड बनाउनेछौं:
+
+![Word Cloud for Data Science](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ne.png)
+
+कोड पढ्नका लागि [`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') मा जानुहोस्। तपाईं कोड चलाउन सक्नुहुन्छ, र वास्तविक समयमा सबै डेटा रूपान्तरणहरू कसरी काम गर्छन् हेर्न सक्नुहुन्छ।
+
+> यदि तपाईंलाई Jupyter Notebook मा कोड कसरी चलाउने थाहा छैन भने, [यो लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) हेर्नुहोस्।
+
+## [पाठपछिको क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## असाइनमेन्टहरू
+
+* **कार्य १**: माथिको कोडलाई परिमार्जन गरेर **Big Data** र **Machine Learning** क्षेत्रका सम्बन्धित अवधारणाहरू पत्ता लगाउनुहोस्।
+* **कार्य २**: [डेटा साइन्स परिदृश्यहरूबारे सोच्नुहोस्](assignment.md)
+
+## श्रेय
+
+यो पाठ [Dmitry Soshnikov](http://soshnikov.com) द्वारा ♥️ सहित लेखिएको हो।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/01-defining-data-science/assignment.md b/translations/ne/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..15b3a897
--- /dev/null
+++ b/translations/ne/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-27T17:16:58+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "ne"
+}
+-->
+# असाइनमेन्ट: डाटा साइन्स परिदृश्यहरू
+
+यस पहिलो असाइनमेन्टमा, तपाईंलाई विभिन्न समस्या क्षेत्रहरूमा कुनै वास्तविक जीवन प्रक्रिया वा समस्याबारे सोच्न र डाटा साइन्स प्रक्रियाको प्रयोग गरेर यसलाई कसरी सुधार गर्न सकिन्छ भन्नेबारे विचार गर्न भनिएको छ। निम्न कुराहरूमा विचार गर्नुहोस्:
+
+1. कुन डाटा तपाईंले सङ्कलन गर्न सक्नुहुन्छ?
+1. तपाईंले यो डाटा कसरी सङ्कलन गर्नुहुन्छ?
+1. तपाईंले यो डाटा कसरी भण्डारण गर्नुहुन्छ? यो डाटा कति ठूलो हुन सक्छ?
+1. यो डाटाबाट तपाईंले कुन जानकारी/अन्तर्दृष्टि प्राप्त गर्न सक्नुहुन्छ? डाटाको आधारमा हामी कुन निर्णयहरू लिन सक्छौं?
+
+तीन फरक समस्या/प्रक्रियाहरूको बारेमा सोच्ने प्रयास गर्नुहोस् र प्रत्येक समस्या क्षेत्रका लागि माथिका बुँदाहरू वर्णन गर्नुहोस्।
+
+यहाँ केही समस्या क्षेत्रहरू र समस्याहरू छन् जसले तपाईंलाई सोच्न मद्दत गर्न सक्छ:
+
+1. विद्यालयमा बालबालिकाको शिक्षण प्रक्रियालाई सुधार गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+1. महामारीको समयमा खोप नियन्त्रण गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+1. काममा उत्पादकता सुनिश्चित गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+
+## निर्देशनहरू
+
+निम्न तालिका भर्नुहोस् (आवश्यक भएमा सुझाइएको समस्या क्षेत्रहरूलाई आफ्नै क्षेत्रहरूसँग प्रतिस्थापन गर्नुहोस्):
+
+| समस्या क्षेत्र | समस्या | कुन डाटा सङ्कलन गर्ने | डाटा कसरी भण्डारण गर्ने | कुन जानकारी/निर्णय लिन सकिन्छ | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| शिक्षा | | | | |
+| खोप | | | | |
+| उत्पादकता | | | | |
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+सबै समस्या क्षेत्रहरूको लागि उपयुक्त डाटा स्रोतहरू, डाटा भण्डारणका तरिकाहरू र सम्भावित निर्णय/अन्तर्दृष्टिहरू पहिचान गर्न सकिएको छ | समाधानका केही पक्षहरू विस्तृत छैनन्, डाटा भण्डारणबारे चर्चा गरिएको छैन, कम्तीमा २ समस्या क्षेत्रहरू वर्णन गरिएका छन् | समाधानका केही भागहरू मात्र वर्णन गरिएका छन्, केवल एक समस्या क्षेत्रलाई मात्र विचार गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/ne/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..1afd0ee3
--- /dev/null
+++ b/translations/ne/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-27T17:17:50+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "ne"
+}
+-->
+# असाइनमेन्ट: डाटा साइन्स परिदृश्यहरू
+
+यस पहिलो असाइनमेन्टमा, तपाईंलाई विभिन्न समस्या क्षेत्रहरूमा वास्तविक जीवनका प्रक्रिया वा समस्याहरूको बारेमा सोच्न र डाटा साइन्स प्रक्रियाको प्रयोग गरेर तिनीहरूलाई कसरी सुधार गर्न सकिन्छ भन्ने बारे विचार गर्न भनिएको छ। निम्न कुराहरूको बारेमा सोच्नुहोस्:
+
+1. कुन डाटा तपाईं संकलन गर्न सक्नुहुन्छ?
+1. तपाईं यसलाई कसरी संकलन गर्नुहुन्छ?
+1. तपाईं डाटालाई कसरी भण्डारण गर्नुहुन्छ? डाटा कति ठूलो हुने सम्भावना छ?
+1. तपाईं यस डाटाबाट कुन जानकारीहरू प्राप्त गर्न सक्नुहुन्छ? डाटाको आधारमा कुन निर्णयहरू लिन सकिन्छ?
+
+तीन फरक समस्या/प्रक्रियाहरूको बारेमा सोच्ने प्रयास गर्नुहोस् र प्रत्येक समस्या क्षेत्रका लागि माथिका बुँदाहरू वर्णन गर्नुहोस्।
+
+यहाँ केही समस्या क्षेत्रहरू र समस्याहरू छन् जसले तपाईंलाई सोच्न मद्दत गर्न सक्छ:
+
+1. विद्यालयमा बालबालिकाको शिक्षण प्रक्रियालाई सुधार गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+1. महामारीको समयमा खोप नियन्त्रण गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+1. काममा उत्पादकता सुनिश्चित गर्न डाटाको प्रयोग कसरी गर्न सकिन्छ?
+
+## निर्देशनहरू
+
+निम्न तालिका भर्नुहोस् (आवश्यक भएमा सुझाइएको समस्या क्षेत्रहरूलाई आफ्नै क्षेत्रहरूसँग प्रतिस्थापन गर्नुहोस्):
+
+| समस्या क्षेत्र | समस्या | कुन डाटा संकलन गर्ने | डाटालाई कसरी भण्डारण गर्ने | कुन जानकारी/निर्णय लिन सकिन्छ | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| शिक्षा | विश्वविद्यालयमा, प्रायः कक्षाहरूमा उपस्थिति कम हुन्छ, र हाम्रो अनुमान छ कि कक्षामा उपस्थित हुने विद्यार्थीहरूले परीक्षामा राम्रो प्रदर्शन गर्छन्। हामी उपस्थिति बढाउन र यो अनुमान परीक्षण गर्न चाहन्छौं। | हामी कक्षामा सुरक्षा क्यामेराले खिचेका तस्बिरहरू वा कक्षामा विद्यार्थीहरूको मोबाइल फोनको ब्लुटुथ/वाइफाइ ठेगाना ट्र्याक गरेर उपस्थिति ट्र्याक गर्न सक्छौं। परीक्षा सम्बन्धी डाटा पहिले नै विश्वविद्यालयको डाटाबेसमा उपलब्ध छ। | यदि हामी सुरक्षा क्यामेराका तस्बिरहरू ट्र्याक गर्छौं भने - कक्षाको समयमा केही (५-१०) तस्बिरहरू भण्डारण गर्नुपर्छ (असंरचित डाटा), र त्यसपछि एआई प्रयोग गरेर विद्यार्थीहरूको अनुहार पहिचान गर्नुपर्छ (डाटालाई संरचित रूपमा रूपान्तरण गर्न)। | हामी प्रत्येक विद्यार्थीको औसत उपस्थिति डाटा गणना गर्न सक्छौं, र यो परीक्षाको ग्रेडसँग कुनै सम्बन्ध छ कि छैन भनेर हेर्न सक्छौं। उपस्थिति बढाउनका लागि, हामी साप्ताहिक उपस्थिति रेटिङ विद्यालय पोर्टलमा प्रकाशित गर्न सक्छौं, र उच्चतम उपस्थिति भएका विद्यार्थीहरूबीच पुरस्कार वितरण गर्न सक्छौं। |
+| खोप | | | | |
+| उत्पादकता | | | | |
+
+> *हामीले एउटा उत्तर उदाहरणको रूपमा प्रदान गरेका छौं, ताकि तपाईंलाई यस असाइनमेन्टमा के अपेक्षा गरिएको छ भन्ने थाहा होस्।*
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+सबै समस्या क्षेत्रहरूको लागि उपयुक्त डाटा स्रोतहरू, डाटा भण्डारणका तरिकाहरू र सम्भावित निर्णय/जानकारीहरू पहिचान गर्न सकियो | समाधानका केही पक्षहरू विस्तृत छैनन्, डाटा भण्डारणको चर्चा गरिएको छैन, कम्तीमा २ समस्या क्षेत्रहरू वर्णन गरिएका छन् | समाधानका केही भागहरू मात्र वर्णन गरिएका छन्, केवल एउटा समस्या क्षेत्रलाई मात्र विचार गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। मूल दस्तावेज़ यसको मातृभाषामा आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/02-ethics/README.md b/translations/ne/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..dc10da18
--- /dev/null
+++ b/translations/ne/1-Introduction/02-ethics/README.md
@@ -0,0 +1,255 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-27T17:06:12+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा नैतिकता परिचय
+
+|![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| डाटा विज्ञान नैतिकता - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
+
+---
+
+हामी सबै डाटा नागरिक हौं, जो डाटाको संसारमा बाँचिरहेका छौं।
+
+बजार प्रवृत्तिहरूले देखाउँछन् कि २०२२ सम्ममा, ३ मध्ये १ ठूला संस्थाहरूले आफ्नो डाटा अनलाइन [बजार र एक्सचेन्जहरू](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) मार्फत किनबेच गर्नेछन्। **एप डेभलपरहरू**को रूपमा, हामीलाई डाटा-आधारित अन्तर्दृष्टि र एल्गोरिदम-आधारित स्वचालनलाई दैनिक प्रयोगकर्ता अनुभवमा समाहित गर्न सजिलो र सस्तो हुनेछ। तर, जब एआई व्यापक हुन्छ, हामीले यस्तो एल्गोरिदमको [हथियारकरण](https://www.youtube.com/watch?v=TQHs8SA1qpk)ले ठूलो स्तरमा निम्त्याउन सक्ने सम्भावित हानिहरूलाई पनि बुझ्न आवश्यक छ।
+
+प्रवृत्तिहरूले यो पनि देखाउँछन् कि हामीले २०२५ सम्ममा [१८० जेटाबाइट्स](https://www.statista.com/statistics/871513/worldwide-data-created/) भन्दा बढी डाटा सिर्जना र उपभोग गर्नेछौं। **डाटा वैज्ञानिकहरू**को रूपमा, यसले हामीलाई व्यक्तिगत डाटामा अभूतपूर्व पहुँच दिन्छ। यसको अर्थ हामी प्रयोगकर्ताहरूको व्यवहारिक प्रोफाइल निर्माण गर्न सक्छौं र निर्णय-निर्माणलाई प्रभाव पार्न सक्छौं जसले [स्वतन्त्र छनोटको भ्रम](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) सिर्जना गर्न सक्छ, जबकि सम्भावित रूपमा प्रयोगकर्ताहरूलाई हामीले चाहेको परिणामतर्फ धकेल्न सक्छ। यसले डाटा गोपनीयता र प्रयोगकर्ता सुरक्षाको व्यापक प्रश्नहरू पनि उठाउँछ।
+
+डाटा नैतिकता अब डाटा विज्ञान र इन्जिनियरिङका लागि _आवश्यक सुरक्षा उपायहरू_ हुन्, जसले डाटा-आधारित कार्यहरूबाट सम्भावित हानिहरू र अनपेक्षित परिणामहरूलाई न्यूनतम गर्न मद्दत गर्दछ। [गार्टनरको एआईको हाइप साइकल](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/)ले डिजिटल नैतिकता, जिम्मेवार एआई, र एआई शासनमा प्रवृत्तिहरूलाई _एआईको लोकतान्त्रीकरण_ र _औद्योगिकीकरण_ वरिपरि ठूला प्रवृत्तिहरूका प्रमुख चालकहरूका रूपमा पहिचान गर्दछ।
+
+![गार्टनरको एआईको हाइप साइकल - २०२०](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+यस पाठमा, हामी डाटा नैतिकताको रोचक क्षेत्र अन्वेषण गर्नेछौं - मूल अवधारणाहरू र चुनौतीहरूदेखि लिएर केस स्टडीहरू र लागू गरिएको एआई अवधारणाहरू जस्तै शासन - जसले डाटा र एआईसँग काम गर्ने टोलीहरू र संस्थाहरूमा नैतिकताको संस्कृति स्थापना गर्न मद्दत गर्दछ।
+
+## [पाठ अघिको क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## आधारभूत परिभाषाहरू
+
+आउनुहोस्, आधारभूत शब्दावली बुझ्न सुरु गरौं।
+
+"नैतिकता" शब्द [ग्रीक शब्द "ethikos"](https://en.wikipedia.org/wiki/Ethics) (र यसको मूल "ethos") बाट आएको हो, जसको अर्थ _चरित्र वा नैतिक प्रकृति_ हो।
+
+**नैतिकता** भनेको समाजमा हाम्रो व्यवहारलाई शासित गर्ने साझा मूल्यहरू र नैतिक सिद्धान्तहरू हो। नैतिकता कानूनमा आधारित छैन तर "सही बनाम गलत" के हो भन्ने व्यापक रूपमा स्वीकार गरिएका मानदण्डहरूमा आधारित छ। यद्यपि, नैतिक विचारहरूले कर्पोरेट शासन पहलहरू र सरकारका नियमहरूलाई प्रभाव पार्न सक्छन्, जसले अनुपालनका लागि थप प्रोत्साहनहरू सिर्जना गर्दछ।
+
+**डाटा नैतिकता** भनेको "_डाटा, एल्गोरिदम र सम्बन्धित अभ्यासहरू_"सँग सम्बन्धित नैतिक समस्याहरूको अध्ययन र मूल्यांकन गर्ने [नैतिकताको नयाँ शाखा](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) हो। यहाँ, **"डाटा"**ले उत्पादन, रेकर्डिङ, क्युरेसन, प्रशोधन, प्रसार, साझेदारी, र प्रयोगसँग सम्बन्धित कार्यहरूमा ध्यान केन्द्रित गर्दछ, **"एल्गोरिदम"**ले एआई, एजेन्टहरू, मेशिन लर्निङ, र रोबोटहरूमा ध्यान केन्द्रित गर्दछ, र **"अभ्यासहरू"**ले जिम्मेवार नवप्रवर्तन, प्रोग्रामिङ, ह्याकिङ, र नैतिकता कोडहरू जस्ता विषयहरूमा ध्यान केन्द्रित गर्दछ।
+
+**लागू गरिएको नैतिकता** भनेको [नैतिक विचारहरूको व्यावहारिक प्रयोग](https://en.wikipedia.org/wiki/Applied_ethics) हो। यो _वास्तविक-विश्व कार्यहरू, उत्पादनहरू र प्रक्रियाहरू_को सन्दर्भमा नैतिक मुद्दाहरू सक्रिय रूपमा अनुसन्धान गर्ने प्रक्रिया हो, र परिभाषित नैतिक मूल्यहरूसँग मिल्न सुनिश्चित गर्न सुधारात्मक उपायहरू लिने प्रक्रिया हो।
+
+**नैतिकता संस्कृति** भनेको [_लागू गरिएको नैतिकतालाई_ सञ्चालनमा ल्याउने](https://hbr.org/2019/05/how-to-design-an-ethical-organization) कुरा हो, जसले सुनिश्चित गर्दछ कि हाम्रो नैतिक सिद्धान्तहरू र अभ्यासहरू संस्थाको सम्पूर्ण स्तरमा निरन्तर र मापनयोग्य रूपमा अपनाइन्छ। सफल नैतिकता संस्कृतिले संस्थागत स्तरमा नैतिक सिद्धान्तहरू परिभाषित गर्दछ, अनुपालनका लागि अर्थपूर्ण प्रोत्साहनहरू प्रदान गर्दछ, र प्रत्येक स्तरमा इच्छित व्यवहारलाई प्रोत्साहित र प्रवर्द्धन गरेर नैतिकता मानदण्डहरूलाई सुदृढ गर्दछ।
+
+## नैतिकता अवधारणाहरू
+
+यस खण्डमा, हामी **साझा मूल्यहरू** (सिद्धान्तहरू) र **नैतिक चुनौतीहरू** (समस्याहरू) जस्ता अवधारणाहरूको चर्चा गर्नेछौं - र **केस स्टडीहरू** अन्वेषण गर्नेछौं जसले तपाईंलाई वास्तविक-विश्व सन्दर्भहरूमा यी अवधारणाहरू बुझ्न मद्दत गर्दछ।
+
+### १. नैतिकता सिद्धान्तहरू
+
+प्रत्येक डाटा नैतिकता रणनीति _नैतिक सिद्धान्तहरू_ परिभाषित गरेर सुरु हुन्छ - "साझा मूल्यहरू" जसले स्वीकार्य व्यवहारहरू वर्णन गर्दछ, र हाम्रो डाटा र एआई परियोजनाहरूमा अनुपालन कार्यहरूलाई मार्गदर्शन गर्दछ। तपाईंले यी व्यक्तिगत वा टोली स्तरमा परिभाषित गर्न सक्नुहुन्छ। यद्यपि, अधिकांश ठूला संस्थाहरूले यीलाई _नैतिक एआई_ मिशन वक्तव्य वा रूपरेखामा परिभाषित गर्छन्, जुन संस्थागत स्तरमा परिभाषित गरिन्छ र सबै टोलीहरूमा निरन्तर लागू गरिन्छ।
+
+**उदाहरण:** माइक्रोसफ्टको [जिम्मेवार एआई](https://www.microsoft.com/en-us/ai/responsible-ai) मिशन वक्तव्य भन्छ: _"हामी एआईको उन्नतिमा प्रतिबद्ध छौं, जसले मानिसहरूलाई प्राथमिकतामा राख्ने नैतिक सिद्धान्तहरूद्वारा निर्देशित छ"_ - तलको रूपरेखामा ६ नैतिक सिद्धान्तहरू पहिचान गर्दै:
+
+![माइक्रोसफ्टमा जिम्मेवार एआई](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+आउनुहोस्, यी सिद्धान्तहरूलाई संक्षेपमा अन्वेषण गरौं। _पारदर्शिता_ र _जवाफदेहिता_ आधारभूत मूल्यहरू हुन्, जसमा अन्य सिद्धान्तहरू निर्माण गरिन्छ - त्यसैले त्यहाँबाट सुरु गरौं:
+
+* [**जवाफदेहिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)ले अभ्यासकर्ताहरूलाई आफ्नो डाटा र एआई कार्यहरू, र यी नैतिक सिद्धान्तहरूसँग अनुपालनको लागि _जिम्मेवार_ बनाउँछ।
+* [**पारदर्शिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6)ले सुनिश्चित गर्दछ कि डाटा र एआई कार्यहरू प्रयोगकर्ताहरूका लागि _बुझ्न सकिने_ (व्याख्यायोग्य) छन्, निर्णयहरूको पछाडि के र किन भन्ने कुरा स्पष्ट गर्दै।
+* [**न्याय**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - सुनिश्चित गर्नमा केन्द्रित छ कि एआईले _सबै मानिसहरूलाई_ न्यायसंगत व्यवहार गर्छ, डाटा र प्रणालीमा कुनै पनि प्रणालीगत वा निहित सामाजिक-प्राविधिक पूर्वाग्रहहरूलाई सम्बोधन गर्दै।
+* [**विश्वसनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - सुनिश्चित गर्दछ कि एआईले परिभाषित मूल्यहरूसँग _लगातार_ व्यवहार गर्छ, सम्भावित हानिहरू वा अनपेक्षित परिणामहरूलाई न्यूनतम गर्दै।
+* [**गोपनीयता र सुरक्षा**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - डाटा वंशावली बुझ्न र प्रयोगकर्ताहरूलाई _डाटा गोपनीयता र सम्बन्धित सुरक्षा_ प्रदान गर्नमा केन्द्रित छ।
+* [**समावेशिता**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - उद्देश्यका साथ एआई समाधानहरू डिजाइन गर्ने, तिनीहरूलाई _व्यापक मानव आवश्यकताहरू_ र क्षमताहरू पूरा गर्न अनुकूल बनाउने बारे हो।
+
+> 🚨 आफ्नो डाटा नैतिकता मिशन वक्तव्य के हुन सक्छ भनेर सोच्नुहोस्। अन्य संस्थाहरूबाट नैतिक एआई रूपरेखाहरू अन्वेषण गर्नुहोस् - यहाँ [आईबीएम](https://www.ibm.com/cloud/learn/ai-ethics), [गुगल](https://ai.google/principles), र [फेसबुक](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/)का उदाहरणहरू छन्। तिनीहरूमा साझा मूल्यहरू के छन्? यी सिद्धान्तहरू उनीहरूको एआई उत्पादन वा उद्योगसँग कसरी सम्बन्धित छन्?
+
+### २. नैतिकता चुनौतीहरू
+
+एक पटक हामीले नैतिक सिद्धान्तहरू परिभाषित गरेपछि, अर्को चरण भनेको हाम्रो डाटा र एआई कार्यहरूलाई मूल्याङ्कन गर्नु हो कि तिनीहरू ती साझा मूल्यहरूसँग मेल खान्छन्। आफ्नो कार्यहरूलाई दुई श्रेणीमा सोच्नुहोस्: _डाटा सङ्कलन_ र _एल्गोरिदम डिजाइन_।
+
+डाटा सङ्कलनसँग, कार्यहरू सम्भवतः **व्यक्तिगत डाटा** वा पहिचानयोग्य जीवित व्यक्तिहरूको व्यक्तिगत रूपमा पहिचानयोग्य जानकारी (PII) समावेश गर्नेछन्। यसमा [गैर-व्यक्तिगत डाटाका विविध वस्तुहरू](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) समावेश छन्, जसले _सामूहिक रूपमा_ व्यक्तिलाई पहिचान गर्दछ। नैतिक चुनौतीहरू _डाटा गोपनीयता_, _डाटा स्वामित्व_, र _जानकारी सहमति_ र प्रयोगकर्ताहरूका लागि _बौद्धिक सम्पत्ति अधिकार_ जस्ता सम्बन्धित विषयहरूसँग सम्बन्धित हुन सक्छ।
+
+एल्गोरिदम डिजाइनसँग, कार्यहरू **डाटासेटहरू** सङ्कलन र क्युरेट गर्ने, त्यसपछि तिनीहरूलाई **डाटा मोडेलहरू**लाई प्रशिक्षण र तैनाथ गर्न प्रयोग गर्ने, जसले वास्तविक-विश्व सन्दर्भहरूमा परिणामहरूको भविष्यवाणी वा निर्णयहरू स्वचालित बनाउँछ। नैतिक चुनौतीहरू _डाटासेट पूर्वाग्रह_, _डाटा गुणस्तर_ समस्याहरू, _अन्याय_, र एल्गोरिदममा _गलत प्रतिनिधित्व_बाट उत्पन्न हुन सक्छ - जसमा केही मुद्दाहरू प्रणालीगत प्रकृतिका छन्।
+
+दुवै अवस्थामा, नैतिक चुनौतीहरूले हाम्रो कार्यहरू साझा मूल्यहरूसँग द्वन्द्वमा आउन सक्ने क्षेत्रहरूलाई उजागर गर्छ। यी चिन्ताहरू पत्ता लगाउन, कम गर्न, न्यूनतम गर्न, वा हटाउन - हामीले हाम्रो कार्यहरूसँग सम्बन्धित नैतिक "हो/होइन" प्रश्नहरू सोध्न आवश्यक छ, त्यसपछि आवश्यक सुधारात्मक कार्यहरू लिनुपर्छ। आउनुहोस्, केही नैतिक चुनौतीहरू र तिनीहरूले उठाउने नैतिक प्रश्नहरूलाई हेरौं:
+
+#### २.१ डाटा स्वामित्व
+
+डाटा सङ्कलनले अक्सर डाटा विषयहरूलाई पहिचान गर्न सक्ने व्यक्तिगत डाटालाई समावेश गर्दछ। [डाटा स्वामित्व](https://permission.io/blog/data-ownership) भनेको डाटा सिर्जना, प्रशोधन, र प्रसारसँग सम्बन्धित _नियन्त्रण_ र [_प्रयोगकर्ता अधिकारहरू_](https://permission.io/blog/data-ownership) हो।
+
+हामीले सोध्नुपर्ने नैतिक प्रश्नहरू:
+ * डाटाको मालिक को हो? (प्रयोगकर्ता वा संस्था)
+ * डाटा विषयहरूलाई के अधिकारहरू छन्? (जस्तै: पहुँच, मेटाउने, पोर्टेबिलिटी)
+ * संस्थाहरूलाई के अधिकारहरू छन्? (जस्तै: दुर्भावनापूर्ण प्रयोगकर्ता समीक्षाहरू सुधार गर्ने)
+
+#### २.२ जानकारी सहमति
+
+[जानकारी सहमति](https://legaldictionary.net/informed-consent/)ले प्रयोगकर्ताहरूले (जस्तै डाटा सङ्कलन) कार्यमा सहमति जनाउने कार्यलाई परिभाषित गर्दछ, _सम्बन्धित तथ्यहरूको पूर्ण समझ_ सहित उद्देश्य, सम्भावित जोखिमहरू, र विकल्पहरू।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के प्रयोगकर्ताले (डाटा विषय) डाटा सङ्कलन र प्रयोगको लागि अनुमति दिए?
+ * के प्रयोगकर्ताले डाटा सङ्कलनको उद्देश्य बुझ्यो?
+ * के प्रयोगकर्ताले आफ्नो सहभागिताबाट उत्पन्न सम्भावित जोखिमहरू बुझ्यो?
+
+#### २.३ बौद्धिक सम्पत्ति
+
+[बौद्धिक सम्पत्ति](https://en.wikipedia.org/wiki/Intellectual_property)ले मानव पहलबाट उत्पन्न हुने अमूर्त सिर्जनाहरूलाई जनाउँछ, जसले व्यक्तिहरू वा व्यवसायहरूलाई _आर्थिक मूल्य_ दिन सक्छ।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के सङ्कलित डाटाले प्रयोगकर्ता वा व्यवसायलाई आर्थिक मूल्य दिएको थियो?
+ * के **प्रयोगकर्तासँग** यहाँ बौद्धिक सम्पत्ति छ?
+ * के **संस्थासँग** यहाँ बौद्धिक सम्पत्ति छ?
+ * यदि यी अधिकारहरू छन् भने, हामी तिनीहरूलाई कसरी सुरक्षित गर्दैछौं?
+
+#### २.४ डाटा गोपनीयता
+
+[डाटा गोपनीयता](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) वा जानकारी गोपनीयता व्यक्तिगत रूपमा पहिचानयोग्य जानकारीको सन्दर्भमा प्रयोगकर्ताको गोपनीयता संरक्षण र पहिचानको संरक्षणलाई जनाउँछ।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के प्रयोगकर्ताहरूको (व्यक्तिगत) डाटा ह्याक र चुहावटबाट सुरक्षित छ?
+ * के प्रयोगकर्ताहरूको डाटा केवल अधिकृत प्रयोगकर्ताहरू र सन्दर्भहरूमा पहुँचयोग्य छ?
+ * के डाटा साझा वा प्रसारित गर्दा प्रयोगकर्ताहरूको गुमनामता सुरक्षित छ?
+ * के प्रयोगकर्तालाई गुमनाम डाटासेटहरूबाट पहिचान गर्न सकिन्छ?
+
+#### २.५ बिर्सिने अधिकार
+
+[बिर्सिने अधिकार](https://en.wikipedia.org/wiki/Right_to_be_forgotten) वा [मेटाउने अधिकार](https://www.gdpreu.org/right-to-be-forgotten/)ले प्रयोगकर्ताहरूलाई थप व्यक्तिगत डाटा सुरक्षा प्रदान गर्दछ। विशेष रूपमा, यसले प्रयोगकर्ताहरूलाई इन्टरनेट खोजहरू र अन्य स्थानहरूबाट व्यक्तिगत डाटाको मेटाउने वा हटाउने अनुरोध गर्ने अधिकार दिन्छ, _विशिष्ट परिस्थितिहरू अन्तर्गत_ - तिनीहरूलाई अनलाइन नयाँ सुरुवातको अनुमति दिँदै, विगतका कार्यहरूलाई उनीहरूविरुद्ध राख्न नदिई।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के प्रणालीले डाटा विषयहरूलाई मेटाउने अनुरोध गर्न अनुमति दिन्छ?
+ * के प्रयोगकर्ताको सहमति फिर्ता लिनुले स्वचालित मेटाउने ट्रिगर गर्नुपर्छ?
+ * के डाटा सहमति बिना वा गैरकानुनी माध्यमबाट सङ्कलन गरिएको थियो?
+ * के हामी डाटा गोपनीयताका लागि सरकारका नियमहरूसँग अनुपालनमा छौं?
+
+#### २.६ डाटासेट पूर्वाग्रह
+
+डाटासेट वा [सङ्कलन पूर्वाग्रह](http://researcharticles.com/index.php/bias-in-data-collection-in-research/)ले एल्गोरिदम विकासको लागि _गैर-प्रतिनिधित्व_ डाटाको उपसमुच्चय चयन गर्ने कुरा हो, जसले विविध समूहहरूको लागि परिणामहरूमा सम्भावित अन्याय सिर्जना गर्दछ। पूर्वाग्रहका प्रकारहरूमा चयन वा नमूना पूर्वाग्रह, स्वयंसेवक पूर्वाग्रह, र उपकरण पूर्वाग्रह समावेश छन्।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के हामीले डाटा विषयहरूको प्रतिनिधित्व गर्ने सेट भर्ती गरेका थियौं?
+ * के हामीले विभिन्न पूर्वाग्रहहरूको लागि सङ्कलित वा क्युरेट गरिएको डाटासेट परीक्षण गरेका थियौं?
+ * के
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ले जाँच गर्छ कि एल्गोरिथम डिजाइनले डेटा विषयहरूको विशिष्ट उपसमूहहरूलाई प्रणालीगत रूपमा भेदभाव गर्छ कि गर्दैन, जसले _स्रोतको वितरण_ (जहाँ स्रोतहरू उक्त समूहबाट अस्वीकृत वा रोकिएको हुन्छ) र _सेवाको गुणस्तर_ (जहाँ AI केही उपसमूहहरूको लागि अन्यको तुलनामा कम सटीक हुन्छ) मा [संभावित हानि](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) निम्त्याउँछ। 
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के हामीले विविध उपसमूहहरू र अवस्थाहरूको लागि मोडेल सटीकता मूल्यांकन गरेका छौं?
+ * के हामीले प्रणालीलाई सम्भावित हानिहरू (जस्तै, रूढ़िवादिता) को लागि गहिरो रूपमा जाँच गरेका छौं?
+ * के हामीले पहिचान गरिएका हानिहरूलाई कम गर्न डेटा परिमार्जन वा मोडेल पुनःप्रशिक्षण गर्न सक्छौं?
+
+थप जान्नका लागि [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) जस्ता स्रोतहरू अन्वेषण गर्नुहोस्।
+
+#### 2.9 गलत प्रतिनिधित्व
+
+[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ले सोध्छ कि के हामीले इमानदारीपूर्वक रिपोर्ट गरिएको डेटा बाट प्राप्त गरिएको जानकारीलाई धोखापूर्ण तरिकाले प्रस्तुत गरेर इच्छित कथालाई समर्थन गरिरहेका छौं। 
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के हामी अपूर्ण वा गलत डेटा रिपोर्ट गरिरहेका छौं?
+ * के हामी डेटा यसरी देखाइरहेका छौं कि यसले भ्रामक निष्कर्षहरू निम्त्याउँछ?
+ * के हामी चयनात्मक सांख्यिकीय प्रविधिहरू प्रयोग गरेर परिणामहरू हेरफेर गरिरहेका छौं?
+ * के त्यहाँ वैकल्पिक व्याख्याहरू छन् जसले फरक निष्कर्ष दिन सक्छ?
+
+#### 2.10 स्वतन्त्र छनोट
+[Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) तब हुन्छ जब प्रणाली "छनोट संरचना" ले निर्णय-प्रक्रिया एल्गोरिथम प्रयोग गरेर मानिसहरूलाई इच्छित परिणामतर्फ धकेल्छ, जबकि उनीहरूलाई विकल्प र नियन्त्रण दिएको जस्तो देखिन्छ। यी [dark patterns](https://www.darkpatterns.org/) ले प्रयोगकर्ताहरूलाई सामाजिक र आर्थिक हानि पुर्‍याउन सक्छ। प्रयोगकर्ताको निर्णयले व्यवहार प्रोफाइलहरूलाई असर गर्छ, जसले भविष्यका छनोटहरूलाई ती हानिहरूको प्रभावलाई बढाउन वा विस्तार गर्न प्रेरित गर्न सक्छ।
+
+यहाँ अन्वेषण गर्नुपर्ने प्रश्नहरू:
+ * के प्रयोगकर्ताले उक्त छनोटको प्रभाव बुझ्न सकेका थिए?
+ * के प्रयोगकर्ताले (वैकल्पिक) विकल्पहरू र प्रत्येकको फाइदा र बेफाइदा थाहा पाएका थिए?
+ * के प्रयोगकर्ताले स्वचालित वा प्रभावित छनोटलाई पछि उल्टाउन सक्छ?
+
+### 3. केस अध्ययनहरू
+
+यी नैतिक चुनौतीहरूलाई वास्तविक संसारको सन्दर्भमा राख्न, जब यस्ता नैतिक उल्लंघनहरूलाई बेवास्ता गरिन्छ, व्यक्तिहरू र समाजमा सम्भावित हानि र परिणामहरूलाई उजागर गर्ने केस अध्ययनहरू हेर्न मद्दत गर्दछ। 
+
+यहाँ केही उदाहरणहरू छन्:
+
+| नैतिक चुनौती | केस अध्ययन  | 
+|--- |--- |
+| **जानकारीयुक्त सहमति** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - अध्ययनमा सहभागी भएका अफ्रिकी अमेरिकी पुरुषहरूलाई निःशुल्क चिकित्सा सेवाको वाचा गरिएको थियो _तर धोखा दिइएको थियो_। अनुसन्धानकर्ताहरूले विषयहरूलाई उनीहरूको निदान वा उपचारको उपलब्धताबारे जानकारी दिन असफल भए। धेरै विषयहरू मरे र पार्टनर वा बच्चाहरू प्रभावित भए; अध्ययन 40 वर्षसम्म चल्यो। | 
+| **डेटा गोपनीयता** |  2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ले अनुसन्धानकर्ताहरूलाई _50K ग्राहकहरूको 10M अनामित फिल्म रेटिङहरू_ प्रदान गर्‍यो। तर, अनुसन्धानकर्ताहरूले अनामित डेटा बाह्य डेटासेटहरू (जस्तै, IMDb टिप्पणीहरू) सँग सम्बन्धित गर्न सक्षम भए - प्रभावकारी रूपमा केही Netflix ग्राहकहरूको "अनामिकरण"।|
+| **सङ्कलन पूर्वाग्रह**  | 2013 - बोस्टन सहरले [Street Bump](https://www.boston.gov/transportation/street-bump) विकास गर्‍यो, एउटा एप जसले नागरिकहरूलाई खाल्डाहरू रिपोर्ट गर्न अनुमति दियो। तर, [कम आय समूहका मानिसहरूलाई कार र फोनको पहुँच कम थियो](https://hbr.org/2013/04/the-hidden-biases-in-big-data), जसले उनीहरूको सडक समस्याहरूलाई एपमा अदृश्य बनायो। विकासकर्ताहरूले निष्पक्षताको लागि _समान पहुँच र डिजिटल विभाजन_ मुद्दाहरूमा काम गरे। |
+| **एल्गोरिथम निष्पक्षता**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ले लिङ्ग वर्गीकरण AI उत्पादनहरूको सटीकता मूल्यांकन गर्‍यो, महिलाहरू र रंगीन व्यक्तिहरूको लागि सटीकतामा अन्तरलाई उजागर गर्‍यो। [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ले महिलाहरूलाई पुरुषहरूको तुलनामा कम क्रेडिट प्रस्ताव गरेको देखियो। दुवैले एल्गोरिथम पूर्वाग्रहमा सामाजिक-आर्थिक हानिहरूको मुद्दा देखाए।|
+| **डेटा गलत प्रतिनिधित्व** | 2020 - [Georgia Department of Public Health ले COVID-19 चार्टहरू जारी गर्‍यो](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) जसले पुष्टि गरिएका केसहरूको प्रवृत्तिबारे नागरिकहरूलाई भ्रामक बनाउने प्रयास गर्‍यो। यो भिजुअलाइजेसन ट्रिक्स मार्फत गलत प्रतिनिधित्वलाई चित्रित गर्दछ। |
+| **स्वतन्त्र छनोटको भ्रम** | 2020 - सिक्ने एप [ABCmouse ले FTC उजुरी समाधान गर्न $10M तिरेको](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) जहाँ अभिभावकहरूलाई सदस्यता रद्द गर्न नसक्ने अवस्थामा फसाइएको थियो। यसले छनोट संरचनामा dark patterns लाई चित्रित गर्दछ। |
+| **डेटा गोपनीयता र प्रयोगकर्ता अधिकारहरू** | 2021 - Facebook [Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ले 530M प्रयोगकर्ताहरूको डेटा उजागर गर्‍यो, जसले FTC लाई $5B को समाधान गर्‍यो। तर, यसले प्रयोगकर्ताहरूलाई उल्लङ्घनबारे सूचित गर्न अस्वीकार गर्‍यो। |
+
+थप केस अध्ययनहरू अन्वेषण गर्न चाहनुहुन्छ? यी स्रोतहरू हेर्नुहोस्:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - विभिन्न उद्योगहरूमा नैतिक दुविधाहरू। 
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - प्रमुख केस अध्ययनहरू अन्वेषण गरियो। 
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon चेकलिस्टसँग उदाहरणहरू।
+
+> 🚨 तपाईंले देखेका केस अध्ययनहरूबारे सोच्नुहोस् - के तपाईंले आफ्नो जीवनमा यस्तै नैतिक चुनौतीको अनुभव गर्नुभएको छ वा प्रभावित हुनुभएको छ? के तपाईंले यस खण्डमा छलफल गरिएका नैतिक चुनौतीहरू मध्ये कुनै एकलाई चित्रित गर्ने कम्तीमा एउटा अन्य केस अध्ययन सोच्न सक्नुहुन्छ?
+
+## लागू नैतिकता
+
+हामीले नैतिकता अवधारणाहरू, चुनौतीहरू, र वास्तविक संसारको सन्दर्भमा केस अध्ययनहरूबारे कुरा गर्‍यौं। तर, हामी कसरी आफ्ना परियोजनाहरूमा नैतिक सिद्धान्तहरू र अभ्यासहरू _लागू_ गर्न सुरु गर्ने? र हामी कसरी _सञ्चालन_ गर्ने अभ्यासहरूलाई राम्रो शासनका लागि लागू गर्ने? केही वास्तविक समाधानहरू अन्वेषण गरौं:
+
+### 1. व्यावसायिक कोडहरू
+
+व्यावसायिक कोडहरूले सदस्यहरूलाई आफ्नो नैतिक सिद्धान्तहरू र मिशन कथनलाई समर्थन गर्न "प्रेरित" गर्न एक विकल्प प्रदान गर्दछ। कोडहरू व्यावसायिक व्यवहारका लागि _नैतिक दिशानिर्देशहरू_ हुन्, जसले कर्मचारीहरू वा सदस्यहरूलाई आफ्नो संगठनका सिद्धान्तहरूसँग मेल खाने निर्णयहरू गर्न मद्दत गर्दछ। तिनीहरू सदस्यहरूको स्वेच्छिक अनुपालन जत्तिकै मात्र प्रभावकारी हुन्छन्; यद्यपि, धेरै संगठनहरूले सदस्यहरूको अनुपालनलाई प्रेरित गर्न थप पुरस्कार र सजायहरू प्रदान गर्छन्।
+
+उदाहरणहरू समावेश छन्:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) कोड अफ एथिक्स
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) आचार संहिता (2013 मा सिर्जना गरिएको)
+ * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 देखि)
+
+> 🚨 के तपाईं व्यावसायिक इन्जिनियरिङ वा डेटा विज्ञान संगठनको सदस्य हुनुहुन्छ? उनीहरूको साइट अन्वेषण गर्नुहोस् कि उनीहरूले व्यावसायिक नैतिकता कोड परिभाषित गर्छन् कि गर्दैनन्। यसले उनीहरूको नैतिक सिद्धान्तहरूबारे के भन्छ? उनीहरूले सदस्यहरूलाई कोड पालना गर्न कसरी "प्रेरित" गरिरहेका छन्?
+
+### 2. नैतिकता चेकलिस्टहरू
+
+जबकि व्यावसायिक कोडहरूले व्यवसायीहरूबाट आवश्यक _नैतिक व्यवहार_ परिभाषित गर्छन्, तिनीहरूले [ज्ञात सीमाहरू](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) लाई लागू गर्न, विशेष गरी ठूला परियोजनाहरूमा। यसको सट्टा, धेरै डेटा विज्ञान विशेषज्ञहरूले [चेकलिस्टहरूको वकालत](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) गर्छन्, जसले **सिद्धान्तहरूलाई अभ्यासहरूसँग जोड्न** अधिक निर्धारणात्मक र कार्यात्मक तरिकामा मद्दत गर्दछ। 
+
+चेकलिस्टहरूले प्रश्नहरूलाई "हो/होइन" कार्यहरूमा रूपान्तरण गर्छन् जसलाई सञ्चालन गर्न सकिन्छ, जसले तिनीहरूलाई मानक उत्पादन रिलीज वर्कफ्लोको भागको रूपमा ट्र्याक गर्न अनुमति दिन्छ। 
+
+उदाहरणहरू समावेश छन्:
+ * [Deon](https://deon.drivendata.org/) - उद्योग सिफारिसहरूबाट सिर्जना गरिएको सामान्य उद्देश्य डेटा नैतिकता चेकलिस्ट [सन्दर्भहरू](https://deon.drivendata.org/#checklist-citations) सहित।
+ * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - कानुनी र सामाजिक जोखिम दृष्टिकोणबाट जानकारी ह्यान्डलिङ अभ्यासहरूको सामान्य मार्गदर्शन प्रदान गर्दछ।
+ * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI विकास चक्रहरूमा निष्पक्षता जाँचको अपनत्व र एकीकरणलाई समर्थन गर्न AI व्यवसायीहरूद्वारा सिर्जना गरिएको।
+ * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - डिजाइन, कार्यान्वयन, र संगठनात्मक सन्दर्भहरूमा नैतिक मुद्दाहरूको प्रारम्भिक अन्वेषणको लागि संरचित।
+
+### 3. नैतिकता नियमहरू
+
+नैतिकता साझा मूल्यहरू परिभाषित गर्ने र _स्वेच्छाले_ सही काम गर्ने बारे हो। **अनुपालन** भनेको _कानुन पालना_ गर्ने हो यदि र जहाँ परिभाषित गरिएको छ। **शासन** व्यापक रूपमा सबै तरिकाहरू समेट्छ जसमा संगठनहरूले नैतिक सिद्धान्तहरू लागू गर्न र स्थापित कानुनहरूको पालना गर्न सञ्चालन गर्छन्।
+
+आज, संगठनहरूमा शासन दुई रूपमा हुन्छ। पहिलो, यो **नैतिक AI** सिद्धान्तहरू परिभाषित गर्ने र संगठनका सबै AI-सम्बन्धित परियोजनाहरूमा अपनत्वलाई सञ्चालन गर्ने अभ्यासहरू स्थापना गर्ने बारे हो। दोस्रो, यो सरकार-म्यान्डेटेड **डेटा संरक्षण नियमहरू** पालना गर्ने बारे हो जुन क्षेत्रहरूमा यो सञ्चालन हुन्छ।
+
+डेटा संरक्षण र गोपनीयता नियमहरूको उदाहरणहरू:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _संघीय सरकार_ द्वारा व्यक्तिगत जानकारीको सङ्कलन, प्रयोग, र प्रकटीकरणलाई नियमन गर्छ।
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - व्यक्तिगत स्वास्थ्य डेटा सुरक्षित गर्छ।
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 वर्षभन्दा कम उमेरका बालबालिकाको डेटा गोपनीयता सुरक्षित गर्छ।
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - प्रयोगकर्ता अधिकारहरू, डेटा संरक्षण, र गोपनीयता प्रदान गर्छ।
+ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) उपभोक्ताहरूलाई उनीहरूको (व्यक्तिगत) डेटा माथि थप _अधिकारहरू_ दिन्छ।
+ * `2021`, चीनको [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) हालै पारित भयो, जसले विश्वव्यापी रूपमा सबैभन्दा बलियो अनलाइन डेटा गोपनीयता नियमहरू सिर्जना गर्‍यो।
+
+> 🚨 युरोपेली संघले परिभाषित गरेको GDPR (General Data Protection Regulation) आजको दिनमा सबैभन्दा प्रभावशाली डेटा गोपनीयता नियमहरू मध्ये एक हो। के तपाईंलाई थाहा छ यसले नागरिकहरूको डिजिटल गोपनीयता र व्यक्तिगत डेटा सुरक्षित गर्न [8 प्रयोगकर्ता अधिकारहरू](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) पनि परिभाषित गर्छ? यी के हुन् र किन महत्त्वपूर्ण छन् भनेर जान्नुहोस्।
+
+### 4. नैतिकता संस्कृति
+
+ध्यान दिनुहोस् कि _अनुपालन_ (कानुनको "अक्षर" पूरा गर्न पर्याप्त काम गर्ने) र [प्रणालीगत मुद्दाहरू](https://www.coursera.org/learn/data-science-ethics/home/week/4) (जस्तै, कठोरता, जानकारी असमानता, र वितरणीय अन्याय) लाई सम्बोधन गर्ने बीचमा एक अमूर्त अन्तर रहन्छ। 
+
+पछिल्लोले [नैतिकता संस्कृतिहरू परिभाषित गर्न सहयोगात्मक दृष्टिकोणहरू](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) आवश्यक छ जसले उद्योगमा _संगठनहरू_ बीच भावनात्मक सम्बन्ध र साझा मूल्यहरू निर्माण गर्छ। यसले संगठनहरूमा [औपचारिक डेटा नैतिकता संस्कृतिहरू](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) को लागि आह्वान गर्दछ - जसले _कसैलाई पनि_ [Andon cord तान्न](https://en.wikipedia.org/wiki/Andon_(manufacturing)) अनुमति दिन्छ (प्रक्रियाको सुरुवातमा नैतिक चिन्ताहरू उठाउन) र _नैतिक मूल्याङ्कनहरू_ (जस्तै, भर्तीमा) AI परियोजनाहरूमा टोली गठनको मुख्य मापदण्ड बनाउँछ।
+
+---
+## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/3) 🎯
+## समीक्षा र आत्म अध्ययन 
+
+पाठ्यक्रमहरू र पुस्तकहरूले मुख्य नैतिकता अवधारणाहरू र चुनौतीहरू बुझ्न मद्दत गर्छन्, जबकि केस अध्ययनहरू र उपकरणहरूले वास्तविक संसारको सन्दर्भमा लागू नैतिकता अभ्यासहरूमा मद्दत गर्छन्। यहाँ सुरु गर्नका लागि केही स्रोतहरू छन्।
+
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft बाट निष्पक्षतामा पाठ।
+* [उत्तरदायी एआईका सिद्धान्तहरू](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - माइक्रोसफ्ट लर्नबाट निःशुल्क सिकाइ मार्ग।
+* [नैतिकता र डाटा विज्ञान](https://resources.oreilly.com/examples/0636920203964) - ओ'राइली ईबुक (एम. लुकाइड्स, एच. मेसन आदि)
+* [डाटा विज्ञान नैतिकता](https://www.coursera.org/learn/data-science-ethics#syllabus) - मिशिगन विश्वविद्यालयबाट अनलाइन पाठ्यक्रम।
+* [नैतिकता अनावरण](https://ethicsunwrapped.utexas.edu/case-studies) - टेक्सास विश्वविद्यालयका केस अध्ययनहरू।
+
+# असाइनमेन्ट 
+
+[डाटा नैतिकता केस अध्ययन लेख्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/02-ethics/assignment.md b/translations/ne/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..69a68bd3
--- /dev/null
+++ b/translations/ne/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-27T17:12:25+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "ne"
+}
+-->
+## डाटा नैतिकता केस स्टडी लेख्नुहोस्
+
+## निर्देशनहरू
+
+तपाईंले विभिन्न [डाटा नैतिकता चुनौतीहरू](README.md#2-ethics-challenges) बारे सिक्नुभएको छ र वास्तविक संसारका सन्दर्भहरूमा डाटा नैतिकता चुनौतीहरू झल्काउने [केस स्टडीहरू](README.md#3-case-studies) का केही उदाहरणहरू हेर्नुभएको छ।
+
+यस असाइनमेन्टमा, तपाईंले आफ्नो अनुभवबाट, वा तपाईं परिचित वास्तविक संसारको सन्दर्भबाट, डाटा नैतिकता चुनौती झल्काउने आफ्नै केस स्टडी लेख्नुहुनेछ। यी चरणहरू अनुसरण गर्नुहोस्:
+
+1. `डाटा नैतिकता चुनौती चयन गर्नुहोस्।` [पाठका उदाहरणहरू](README.md#2-ethics-challenges) हेर्नुहोस् वा [Deon Checklist](https://deon.drivendata.org/examples/) जस्ता अनलाइन उदाहरणहरू अन्वेषण गरेर प्रेरणा लिनुहोस्।
+
+2. `वास्तविक संसारको उदाहरण वर्णन गर्नुहोस्।` तपाईंले सुन्नुभएको (समाचार, अनुसन्धान अध्ययन आदि) वा अनुभव गरेको (स्थानीय समुदाय) कुनै स्थिति सोच्नुहोस्, जहाँ यो विशेष चुनौती देखा परेको थियो। यस चुनौतीसँग सम्बन्धित डाटा नैतिकता प्रश्नहरूबारे सोच्नुहोस् - र यस समस्याका कारण उत्पन्न हुने सम्भावित हानि वा अनपेक्षित परिणामहरूको चर्चा गर्नुहोस्। बोनस अंक: यहाँ यस चुनौतीको प्रतिकूल प्रभावलाई हटाउन वा कम गर्न मद्दत गर्ने सम्भावित समाधानहरू वा प्रक्रियाहरूको बारेमा सोच्नुहोस्।
+
+3. `सम्बन्धित स्रोतहरूको सूची प्रदान गर्नुहोस्।` यो वास्तविक संसारमा भएको घटना प्रमाणित गर्नका लागि एक वा बढी स्रोतहरू (लेखको लिङ्क, व्यक्तिगत ब्लग पोस्ट वा छवि, अनलाइन अनुसन्धान पत्र आदि) साझा गर्नुहोस्। बोनस अंक: ती स्रोतहरू साझा गर्नुहोस् जसले घटनाबाट उत्पन्न सम्भावित हानि र परिणामहरू पनि देखाउँछन्, वा यसको पुनरावृत्ति रोक्नका लागि लिइएका सकारात्मक कदमहरूलाई उजागर गर्छन्।
+
+
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+एक वा बढी डाटा नैतिकता चुनौतीहरू पहिचान गरिएका छन्। <br/> <br/> केस स्टडीले स्पष्ट रूपमा वास्तविक संसारको घटना वर्णन गर्दछ जसले उक्त चुनौतीलाई झल्काउँछ, र यसले निम्त्याएको अवांछनीय परिणामहरू वा हानिहरूलाई उजागर गर्दछ। <br/><br/> कम्तीमा एउटा स्रोत लिङ्क गरिएको छ जसले यो घटना भएको प्रमाणित गर्दछ। | एउटा डाटा नैतिकता चुनौती पहिचान गरिएको छ। <br/><br/> कम्तीमा एउटा सम्बन्धित हानि वा परिणामलाई छोटकरीमा चर्चा गरिएको छ। <br/><br/> तर, छलफल सीमित छ वा वास्तविक संसारमा भएको प्रमाणको अभाव छ। | एउटा डाटा चुनौती पहिचान गरिएको छ। <br/><br/> तर, वर्णन वा स्रोतहरूले चुनौतीलाई पर्याप्त रूपमा झल्काउँदैनन् वा यसको वास्तविक संसारमा भएको प्रमाणित गर्दैनन्। |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/03-defining-data/README.md b/translations/ne/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..803985d4
--- /dev/null
+++ b/translations/ne/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,86 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-27T17:19:07+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "ne"
+}
+-->
+# डेटा परिभाषित गर्दै
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|डेटा परिभाषित गर्दै - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+डेटा भनेको तथ्यहरू, जानकारी, अवलोकनहरू र मापनहरू हुन् जसले खोजहरू गर्न र सूचित निर्णयहरूलाई समर्थन गर्न प्रयोग गरिन्छ। डेटा पोइन्ट भनेको डेटासेटभित्रको एकल इकाई हो, जुन डेटा पोइन्टहरूको संग्रह हो। डेटासेटहरू विभिन्न ढाँचाहरू र संरचनाहरूमा आउन सक्छन्, र सामान्यतया यसको स्रोत, अर्थात् डेटा कहाँबाट आएको हो, मा आधारित हुनेछ। उदाहरणका लागि, कुनै कम्पनीको मासिक आम्दानी स्प्रेडशीटमा हुन सक्छ तर स्मार्टवाचबाट घण्टाको हृदय दर डेटा [JSON](https://stackoverflow.com/a/383699) ढाँचामा हुन सक्छ। डेटा वैज्ञानिकहरूले डेटासेटभित्र विभिन्न प्रकारका डेटा संग काम गर्नु सामान्य हो। 
+
+यो पाठले डेटा यसको विशेषताहरू र स्रोतहरूद्वारा पहिचान र वर्गीकरणमा केन्द्रित छ।
+
+## [Pre-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+## डेटा कसरी वर्णन गरिन्छ
+
+### कच्चा डेटा
+कच्चा डेटा भनेको यसको स्रोतबाट आएको प्रारम्भिक अवस्थाको डेटा हो जसलाई विश्लेषण वा व्यवस्थित गरिएको छैन। डेटासेटमा के भइरहेको छ भन्ने बुझ्नको लागि, यसलाई मानवहरूद्वारा साथै उनीहरूले थप विश्लेषण गर्न प्रयोग गर्न सक्ने प्रविधिले बुझ्न सक्ने ढाँचामा व्यवस्थित गर्न आवश्यक छ। डेटासेटको संरचनाले यसलाई कसरी व्यवस्थित गरिएको छ भन्ने वर्णन गर्दछ र यसलाई संरचित, असंरचित र अर्ध-संरचित रूपमा वर्गीकृत गर्न सकिन्छ। यी संरचनाका प्रकारहरू स्रोतमा निर्भर गर्दै फरक हुनेछन् तर अन्ततः यी तीन श्रेणीहरूमा फिट हुनेछन्। 
+
+### मात्रात्मक डेटा
+मात्रात्मक डेटा भनेको डेटासेटभित्रको संख्यात्मक अवलोकन हो जसलाई सामान्यतया विश्लेषण, मापन र गणितीय रूपमा प्रयोग गर्न सकिन्छ। मात्रात्मक डेटा केही उदाहरणहरू हुन्: कुनै देशको जनसंख्या, व्यक्तिको उचाइ वा कम्पनीको त्रैमासिक आम्दानी। केही थप विश्लेषणको साथ, मात्रात्मक डेटा वायु गुणस्तर सूचकांक (AQI) को मौसमी प्रवृत्ति पत्ता लगाउन वा सामान्य कार्य दिनमा ट्राफिकको सम्भावना अनुमान गर्न प्रयोग गर्न सकिन्छ।
+
+### गुणात्मक डेटा
+गुणात्मक डेटा, जसलाई श्रेणीगत डेटा पनि भनिन्छ, यस्तो डेटा हो जसलाई मात्रात्मक डेटा जस्तै वस्तुनिष्ठ रूपमा मापन गर्न सकिँदैन। यो सामान्यतया विभिन्न ढाँचाको व्यक्तिपरक डेटा हो जसले कुनै वस्तु वा प्रक्रियाको गुणस्तरलाई समेट्छ। कहिलेकाहीं, गुणात्मक डेटा संख्यात्मक हुन्छ तर सामान्यतया गणितीय रूपमा प्रयोग गरिँदैन, जस्तै फोन नम्बर वा टाइमस्ट्याम्प। गुणात्मक डेटा केही उदाहरणहरू हुन्: भिडियो टिप्पणीहरू, कारको ब्रान्ड र मोडेल वा तपाईंको नजिकको साथीहरूको मनपर्ने रंग। गुणात्मक डेटा उपभोक्ताहरूले सबैभन्दा मनपर्ने उत्पादनहरू बुझ्न वा रोजगारी आवेदन रिजुमहरूमा लोकप्रिय कुञ्जी शब्दहरू पहिचान गर्न प्रयोग गर्न सकिन्छ।
+
+### संरचित डेटा
+संरचित डेटा भनेको पङ्क्ति र स्तम्भहरूमा व्यवस्थित डेटा हो, जहाँ प्रत्येक पङ्क्तिमा समान सेटका स्तम्भहरू हुन्छन्। स्तम्भहरूले विशेष प्रकारको मानलाई प्रतिनिधित्व गर्छन् र मानले के प्रतिनिधित्व गर्छ भन्ने वर्णन गर्ने नामले पहिचान गरिन्छ, जबकि पङ्क्तिहरूले वास्तविक मानहरू समावेश गर्छन्। स्तम्भहरूमा अक्सर मानहरूलाई सही रूपमा प्रतिनिधित्व गर्न निश्चित नियमहरू वा प्रतिबन्धहरू हुन्छन्। उदाहरणका लागि, ग्राहकहरूको स्प्रेडशीट कल्पना गर्नुहोस् जहाँ प्रत्येक पङ्क्तिमा फोन नम्बर हुनुपर्छ र फोन नम्बरहरूमा कहिल्यै वर्णमाला अक्षरहरू समावेश हुँदैन। फोन नम्बर स्तम्भमा नियमहरू लागू गर्न सकिन्छ ताकि यो कहिल्यै खाली नहोस् र केवल नम्बरहरू समावेश होस्। 
+
+संरचित डेटा को फाइदा यो हो कि यसलाई यसरी व्यवस्थित गर्न सकिन्छ कि यसलाई अन्य संरचित डेटा संग सम्बन्धित गर्न सकिन्छ। तर, किनकि डेटा विशेष तरिकाले व्यवस्थित गर्न डिजाइन गरिएको छ, यसको समग्र संरचनामा परिवर्तन गर्न धेरै प्रयास लाग्न सक्छ। उदाहरणका लागि, ग्राहक स्प्रेडशीटमा एउटा इमेल स्तम्भ थप्न जसले खाली हुन सक्दैन भने यसको मतलब तपाईंले डेटासेटमा ग्राहकहरूको विद्यमान पङ्क्तिहरूमा यी मानहरू कसरी थप्ने भन्ने पत्ता लगाउनुपर्नेछ। 
+
+संरचित डेटा का उदाहरणहरू: स्प्रेडशीटहरू, सम्बन्धात्मक डाटाबेसहरू, फोन नम्बरहरू, बैंक स्टेटमेन्टहरू
+
+### असंरचित डेटा
+असंरचित डेटा सामान्यतया पङ्क्ति वा स्तम्भहरूमा वर्गीकृत गर्न सकिँदैन र यसमा कुनै ढाँचा वा पालना गर्न नियमहरूको सेट हुँदैन। किनकि असंरचित डेटा मा यसको संरचनामा कम प्रतिबन्धहरू छन्, यो संरचित डेटासेटको तुलनामा नयाँ जानकारी थप्न सजिलो छ। यदि बारोमेट्रिक दबाब प्रत्येक २ मिनेटमा डेटा क्याप्चर गर्ने सेन्सरले अपडेट प्राप्त गरेको छ जसले अब तापक्रम मापन र रेकर्ड गर्न अनुमति दिन्छ भने, यदि यो असंरचित छ भने विद्यमान डेटा परिवर्तन गर्न आवश्यक पर्दैन। तर, यसले यस प्रकारको डेटा विश्लेषण वा अनुसन्धान गर्न समय लाग्न सक्छ। उदाहरणका लागि, वैज्ञानिकले सेन्सरको डेटा बाट अघिल्लो महिनाको औसत तापक्रम पत्ता लगाउन चाहन्छ, तर पत्ता लगाउँछ कि सेन्सरले "e" रेकर्ड गरेको छ यसको डेटा मध्ये केहीमा नोट गर्न कि यो बिग्रिएको थियो सामान्य नम्बरको सट्टा, जसको मतलब डेटा अपूर्ण छ।
+
+असंरचित डेटा का उदाहरणहरू: पाठ फाइलहरू, पाठ सन्देशहरू, भिडियो फाइलहरू
+
+### अर्ध-संरचित
+अर्ध-संरचित डेटा मा विशेषताहरू छन् जसले यसलाई संरचित र असंरचित डेटा को संयोजन बनाउँछ। यो सामान्यतया पङ्क्ति र स्तम्भहरूको ढाँचामा अनुरूप हुँदैन तर यसलाई संरचित मानिने तरिकामा व्यवस्थित गरिएको छ र निश्चित ढाँचा वा नियमहरूको सेट पालना गर्न सक्छ। संरचना स्रोतहरू बीच फरक हुनेछ, जस्तै राम्रोसँग परिभाषित पदानुक्रमदेखि केही अधिक लचिलो जसले नयाँ जानकारीको सजिलो एकीकरणको लागि अनुमति दिन्छ। मेटाडेटा सूचकहरू हुन् जसले डेटा कसरी व्यवस्थित र भण्डारण गरिएको छ भन्ने निर्णय गर्न मद्दत गर्दछ र डेटा को प्रकार को आधार मा विभिन्न नामहरू हुनेछ। मेटाडेटाका केही सामान्य नामहरू ट्यागहरू, तत्वहरू, इकाइहरू र विशेषताहरू हुन्। उदाहरणका लागि, सामान्य इमेल सन्देशमा विषय, शरीर र प्राप्तकर्ताहरूको सेट हुनेछ र यसलाई कसले वा कहिले पठाएको थियो भनेर व्यवस्थित गर्न सकिन्छ। 
+
+अर्ध-संरचित डेटा का उदाहरणहरू: HTML, CSV फाइलहरू, JavaScript Object Notation (JSON)
+
+## डेटा का स्रोतहरू 
+
+डेटा स्रोत भनेको डेटा उत्पन्न भएको प्रारम्भिक स्थान हो, वा जहाँ यो "बस्छ" र यो कसरी र कहिले सङ्कलन गरियो भन्ने आधारमा फरक हुनेछ। प्रयोगकर्ताहरू द्वारा उत्पन्न डेटा लाई प्राथमिक डेटा भनिन्छ जबकि माध्यमिक डेटा सामान्य प्रयोगको लागि डेटा सङ्कलन गरेको स्रोतबाट आउँछ। उदाहरणका लागि, वैज्ञानिकहरूको समूहले वर्षावनमा अवलोकनहरू सङ्कलन गर्दैछ भने यो प्राथमिक मानिन्छ र यदि उनीहरूले यसलाई अन्य वैज्ञानिकहरूसँग साझा गर्ने निर्णय गर्छन् भने यो माध्यमिक मानिन्छ। 
+
+डाटाबेसहरू सामान्य स्रोत हुन् र डाटाबेस व्यवस्थापन प्रणालीमा निर्भर गर्दछ डेटा होस्ट र मर्मत गर्न जहाँ प्रयोगकर्ताहरूले डेटा अन्वेषण गर्न क्वेरी भनिने आदेशहरू प्रयोग गर्छन्। फाइलहरू डेटा स्रोतको रूपमा अडियो, छवि, र भिडियो फाइलहरू साथै Excel जस्ता स्प्रेडशीटहरू हुन सक्छ। इन्टरनेट स्रोतहरू डेटा होस्ट गर्नको लागि सामान्य स्थान हुन्, जहाँ डाटाबेसहरू साथै फाइलहरू फेला पार्न सकिन्छ। एप्लिकेसन प्रोग्रामिङ इन्टरफेसहरू, जसलाई API पनि भनिन्छ, प्रोग्रामरहरूलाई इन्टरनेट मार्फत बाह्य प्रयोगकर्ताहरूसँग डेटा साझा गर्ने तरिकाहरू सिर्जना गर्न अनुमति दिन्छ, जबकि वेब स्क्र्यापिङले वेब पृष्ठबाट डेटा निकाल्छ। [डेटा संग काम गर्ने पाठहरू](../../../../../../../../../2-Working-With-Data) विभिन्न डेटा स्रोतहरू कसरी प्रयोग गर्नेमा केन्द्रित छन्। 
+
+## निष्कर्ष
+
+यस पाठमा हामीले सिक्यौं:
+
+- डेटा के हो
+- डेटा कसरी वर्णन गरिन्छ
+- डेटा कसरी वर्गीकृत र श्रेणीबद्ध गरिन्छ
+- डेटा कहाँ फेला पार्न सकिन्छ
+
+## 🚀 चुनौती
+
+Kaggle खुला डेटासेटहरूको उत्कृष्ट स्रोत हो। [डेटासेट खोज उपकरण](https://www.kaggle.com/datasets) प्रयोग गरेर केही रोचक डेटासेटहरू फेला पार्नुहोस् र ३-५ डेटासेटहरूलाई निम्न मापदण्डमा वर्गीकृत गर्नुहोस्:
+
+- डेटा मात्रात्मक हो कि गुणात्मक?
+- डेटा संरचित, असंरचित, वा अर्ध-संरचित हो?
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+
+
+## समीक्षा र आत्म अध्ययन
+
+- यो Microsoft Learn इकाई, [तपाईंको डेटा वर्गीकरण गर्नुहोस्](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data) शीर्षकले संरचित, अर्ध-संरचित, र असंरचित डेटा को विस्तृत विवरण छ।
+
+## असाइनमेन्ट
+
+[डेटासेट वर्गीकरण गर्दै](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/03-defining-data/assignment.md b/translations/ne/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..3e87f98b
--- /dev/null
+++ b/translations/ne/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-27T17:21:03+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "ne"
+}
+-->
+# डाटासेट वर्गीकरण
+
+## निर्देशनहरू
+
+यस असाइनमेन्टका निर्देशनहरू पालना गर्दै प्रत्येक डाटा प्रकारका निम्नमध्ये एकसँग डाटालाई पहिचान र वर्गीकरण गर्नुहोस्:
+
+**संरचना प्रकारहरू**: संरचित, अर्ध-संरचित, वा असंरचित
+
+**मूल्य प्रकारहरू**: गुणात्मक वा परिमाणात्मक
+
+**स्रोत प्रकारहरू**: प्राथमिक वा द्वितीयक
+
+1. एउटा कम्पनी अधिग्रहण गरिएको छ र अब यसको अभिभावक कम्पनी छ। डाटा वैज्ञानिकहरूले अभिभावक कम्पनीबाट ग्राहकहरूको फोन नम्बर भएको स्प्रेडशीट प्राप्त गरेका छन्। 
+
+संरचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+2. एउटा स्मार्ट वाचले यसको प्रयोगकर्ताबाट मुटुको धडकनको डाटा सङ्कलन गरिरहेको छ, र कच्चा डाटा JSON ढाँचामा छ। 
+
+संरचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+3. कर्मचारीहरूको मनोबलको कार्यस्थल सर्वेक्षण, जुन CSV फाइलमा भण्डारण गरिएको छ। 
+
+संरचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+4. खगोल भौतिकशास्त्रीहरूले एउटा अन्तरिक्ष यानद्वारा सङ्कलित ग्यालेक्सीहरूको डाटाबेसमा पहुँच गरिरहेका छन्। डाटामा प्रत्येक ग्यालेक्सीभित्रका ग्रहहरूको संख्या समावेश छ। 
+
+संरचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+---
+
+5. एउटा व्यक्तिगत वित्त एपले प्रयोगकर्ताको वित्तीय खाताहरूमा जडान गर्न API हरू प्रयोग गर्दछ ताकि उनीहरूको कुल सम्पत्ति गणना गर्न सकियोस्। उनीहरूले आफ्नो सबै कारोबारहरू पङ्क्ति र स्तम्भको ढाँचामा देख्न सक्छन्, जुन स्प्रेडशीट जस्तै देखिन्छ। 
+
+संरचना प्रकार:
+
+मूल्य प्रकार:
+
+स्रोत प्रकार:
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+सबै संरचना, मूल्य, र स्रोतहरू सही रूपमा पहिचान गरिएको | ३ वटा संरचना, मूल्य, र स्रोतहरू सही रूपमा पहिचान गरिएको | २ वा कम संरचना, मूल्य, र स्रोतहरू सही रूपमा पहिचान गरिएको |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/04-stats-and-probability/README.md b/translations/ne/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..297ed8d9
--- /dev/null
+++ b/translations/ne/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,276 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-27T17:23:13+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "ne"
+}
+-->
+# तथ्यांक र सम्भाव्यता: संक्षिप्त परिचय
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| तथ्यांक र सम्भाव्यता - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+तथ्यांक र सम्भाव्यता सिद्धान्त गणितका दुई अत्यन्त सम्बन्धित क्षेत्रहरू हुन्, जुन डेटा विज्ञानका लागि अत्यन्त महत्त्वपूर्ण छन्। गहिरो गणितीय ज्ञान बिना पनि डेटा प्रयोग गर्न सकिन्छ, तर कम्तीमा केही आधारभूत अवधारणाहरू थाहा हुनु राम्रो हुन्छ। यहाँ हामी तपाईंलाई सुरु गर्न मद्दत गर्ने छोटो परिचय प्रस्तुत गर्नेछौं।
+
+[![Intro Video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.ne.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## सम्भाव्यता र र्‍यान्डम भेरिएबलहरू
+
+**सम्भाव्यता** ० र १ को बीचको संख्या हो, जसले कुनै **घटना** कति सम्भाव्य छ भन्ने व्यक्त गर्दछ। यो सकारात्मक परिणामहरूको संख्या (जसले घटनालाई निम्त्याउँछ) लाई कुल परिणामहरूको संख्याले भाग गरेर परिभाषित गरिन्छ, यदि सबै परिणामहरू समान सम्भाव्य छन् भने। उदाहरणका लागि, जब हामी पासा फाल्छौं, सम संख्या आउने सम्भाव्यता 3/6 = 0.5 हुन्छ।
+
+जब हामी घटनाहरूको कुरा गर्छौं, हामी **र्‍यान्डम भेरिएबलहरू** प्रयोग गर्छौं। उदाहरणका लागि, पासा फाल्दा प्राप्त हुने संख्यालाई प्रतिनिधित्व गर्ने र्‍यान्डम भेरिएबलले १ देखि ६ सम्मका मानहरू लिन्छ। १ देखि ६ सम्मको संख्याको सेटलाई **नमूना स्थान** भनिन्छ। हामी र्‍यान्डम भेरिएबलले कुनै निश्चित मान लिने सम्भाव्यताको कुरा गर्न सक्छौं, जस्तै P(X=3)=1/6।
+
+अघिल्लो उदाहरणमा रहेको र्‍यान्डम भेरिएबललाई **डिस्क्रिट** भनिन्छ, किनभने यससँग गणनायोग्य नमूना स्थान छ, अर्थात् छुट्टाछुट्टै मानहरू छन् जसलाई गन्न सकिन्छ। केही अवस्थामा नमूना स्थान वास्तविक संख्याहरूको दायरा वा सम्पूर्ण वास्तविक संख्याहरूको सेट हुन सक्छ। यस्ता भेरिएबलहरूलाई **कन्टिन्युअस** भनिन्छ। यसको राम्रो उदाहरण बस आउने समय हो।
+
+## सम्भाव्यता वितरण
+
+डिस्क्रिट र्‍यान्डम भेरिएबलहरूको सन्दर्भमा, प्रत्येक घटनाको सम्भाव्यता P(X) नामक कार्यद्वारा वर्णन गर्न सजिलो हुन्छ। नमूना स्थान *S* बाट प्रत्येक मान *s* का लागि, यसले ० देखि १ सम्मको संख्या दिन्छ, जसमा सबै घटनाहरूको लागि P(X=s) को कुल योग १ हुन्छ।
+
+सबैभन्दा प्रख्यात डिस्क्रिट वितरण **यूनिफर्म वितरण** हो, जसमा N तत्वहरूको नमूना स्थान हुन्छ, र प्रत्येकको सम्भाव्यता 1/N हुन्छ।
+
+कन्टिन्युअस भेरिएबलको सम्भाव्यता वितरण वर्णन गर्न अलि गाह्रो हुन्छ, जसका मानहरू [a,b] अन्तराल वा सम्पूर्ण वास्तविक संख्याहरू ℝ बाट लिइन्छ। बस आउने समयको उदाहरणलाई विचार गर्नुहोस्। वास्तवमा, कुनै निश्चित समय *t* मा बस ठीक त्यही समयमा आउने सम्भाव्यता ० हुन्छ!
+
+> अब तपाईंलाई थाहा भयो कि ० सम्भाव्यता भएका घटनाहरू पनि हुन्छन्, र धेरैपटक हुन्छन्! कम्तीमा बस आउने प्रत्येक पटक!
+
+हामी केवल कुनै भेरिएबलले कुनै निश्चित मानहरूको अन्तरालमा पर्ने सम्भाव्यताको कुरा गर्न सक्छौं, जस्तै P(t<sub>1</sub>≤X<t<sub>2</sub>)। यस अवस्थामा, सम्भाव्यता वितरणलाई **सम्भाव्यता घनत्व कार्य** p(x) द्वारा वर्णन गरिन्छ, जसले
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.ne.png)
+
+कन्टिन्युअस यूनिफर्म वितरणको निरन्तर संस्करण **कन्टिन्युअस यूनिफर्म** हो, जुन सीमित अन्तरालमा परिभाषित हुन्छ। मान X ले लम्बाइ l को अन्तरालमा पर्ने सम्भाव्यता l को अनुपातमा हुन्छ, र १ सम्म बढ्छ।
+
+अर्को महत्त्वपूर्ण वितरण **नर्मल वितरण** हो, जसको बारेमा हामी तल थप विवरणमा कुरा गर्नेछौं।
+
+## औसत, भिन्नता र मानक विचलन
+
+मानौं हामीले र्‍यान्डम भेरिएबल X का n नमूनाहरूको क्रम निकाल्यौं: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>। हामी परम्परागत तरिकाले औसत (वा **अंकगणितीय औसत**) मानलाई (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n को रूपमा परिभाषित गर्न सक्छौं। जब हामी नमूनाको आकार बढाउँछौं (अर्थात् n→∞ को सीमा लिन्छौं), हामी वितरणको औसत (जसलाई **अपेक्षा** पनि भनिन्छ) प्राप्त गर्नेछौं। हामी अपेक्षालाई **E**(x) द्वारा जनाउनेछौं।
+
+> यो देखाउन सकिन्छ कि कुनै पनि डिस्क्रिट वितरणका लागि, जसमा मानहरू {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} र तिनीहरूको सम्भाव्यता p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub> छन्, अपेक्षा E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub> बराबर हुनेछ।
+
+मानहरू कति फैलिएका छन् भनेर पत्ता लगाउन, हामी भिन्नता σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n गणना गर्न सक्छौं, जहाँ μ अनुक्रमको औसत हो। मान σ लाई **मानक विचलन** भनिन्छ, र σ<sup>2</sup> लाई **भिन्नता** भनिन्छ।
+
+## मोड, माध्यिका र क्वार्टाइलहरू
+
+कहिलेकाहीँ, औसतले डेटा प्रतिनिधित्व गर्न पर्याप्त हुँदैन। उदाहरणका लागि, जब केही अत्यधिक मानहरू हुन्छन्, जसले औसतलाई प्रभाव पार्न सक्छ। अर्को राम्रो संकेतक **माध्यिका** हो, जुन यस्तो मान हो कि आधा डेटा बिन्दुहरू यसभन्दा कम हुन्छन्, र अर्को आधा - बढी।
+
+डेटाको वितरण बुझ्न मद्दत गर्न, **क्वार्टाइलहरू** को कुरा गर्नु उपयोगी हुन्छ:
+
+* पहिलो क्वार्टाइल, वा Q1, यस्तो मान हो, जसमा २५% डेटा यसभन्दा तल पर्छ
+* तेस्रो क्वार्टाइल, वा Q3, यस्तो मान हो, जसमा ७५% डेटा यसभन्दा तल पर्छ
+
+ग्राफिकल रूपमा, हामी माध्यिका र क्वार्टाइलहरूको सम्बन्धलाई **बक्स प्लट** मा प्रतिनिधित्व गर्न सक्छौं:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+यहाँ हामी **इन्टर-क्वार्टाइल रेन्ज** IQR=Q3-Q1, र तथाकथित **आउटलायर्स** - मानहरू, जुन [Q1-1.5*IQR,Q3+1.5*IQR] सीमाहरू बाहिर पर्छन्, पनि गणना गर्छौं।
+
+यदि वितरणमा सम्भावित मानहरूको संख्या सानो छ भने, राम्रो "सामान्य" मान त्यो हो, जुन सबैभन्दा धेरै पटक देखा पर्छ, जसलाई **मोड** भनिन्छ। यो प्रायः श्रेणीगत डेटा, जस्तै रङहरूमा लागू हुन्छ। मानौं, हामीसँग दुई समूहका मानिसहरू छन् - केहीले रातो मन पराउँछन्, र केहीले निलो। यदि हामीले रङहरूलाई संख्याहरूद्वारा कोड गर्यौं भने, मनपर्ने रङको औसत मान कतै सुन्तला-हरियो स्पेक्ट्रममा पर्न सक्छ, जसले कुनै पनि समूहको वास्तविक रुचिलाई जनाउँदैन। तर, मोड भने या त एउटा रङ हुनेछ, या दुवै रङ, यदि तिनीहरूको लागि मत दिने मानिसहरूको संख्या समान छ भने (यस अवस्थामा हामी नमूनालाई **मल्टिमोडल** भन्छौं)।
+
+## वास्तविक जीवनको डेटा
+
+जब हामी वास्तविक जीवनको डेटा विश्लेषण गर्छौं, तिनीहरू प्रायः र्‍यान्डम भेरिएबलहरू जस्ता हुँदैनन्, किनभने हामी अज्ञात परिणामसहितको प्रयोग गर्दैनौं। उदाहरणका लागि, बेसबल खेलाडीहरूको टोलीलाई विचार गर्नुहोस्, र तिनीहरूको उचाइ, तौल र उमेर जस्ता शारीरिक डेटा। ती संख्याहरू पूर्ण रूपमा र्‍यान्डम हुँदैनन्, तर हामी अझै पनि उही गणितीय अवधारणाहरू लागू गर्न सक्छौं। उदाहरणका लागि, मानिसहरूको तौलको अनुक्रमलाई केही र्‍यान्डम भेरिएबलबाट लिइएको मानहरूको अनुक्रम मान्न सकिन्छ। तल [मेजर लिग बेसबल](http://mlb.mlb.com/index.jsp) का वास्तविक खेलाडीहरूको तौलको अनुक्रम छ, जुन [यस डेटासेट](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) बाट लिइएको हो (तपाईंको सुविधाका लागि, केवल पहिलो २० मानहरू देखाइएको छ):
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **Note**: यस डेटासेटसँग काम गर्ने उदाहरण हेर्न, [संगत नोटबुक](notebook.ipynb) हेर्नुहोस्। यस पाठमा धेरै चुनौतीहरू पनि छन्, र तपाईं ती चुनौतीहरू नोटबुकमा केही कोड थपेर पूरा गर्न सक्नुहुन्छ। यदि तपाईंलाई डेटा सञ्चालन गर्न थाहा छैन भने, चिन्ता नगर्नुहोस् - हामी पछि Python प्रयोग गरेर डेटा सञ्चालनमा फर्कनेछौं। यदि तपाईंलाई Jupyter Notebook मा कोड कसरी चलाउने थाहा छैन भने, [यो लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) हेर्नुहोस्।
+
+यहाँ हाम्रो डेटाको लागि औसत, माध्यिका र क्वार्टाइलहरू देखाउने बक्स प्लट छ:
+
+![Weight Box Plot](../../../../translated_images/weight-boxplot.1dbab1c03af26f8a008fff4e17680082c8ab147d6df646cbac440bbf8f5b9c42.ne.png)
+
+हाम्रो डेटामा विभिन्न खेलाडी **भूमिकाहरू** को जानकारी समावेश भएकाले, हामी भूमिकाद्वारा बक्स प्लट पनि बनाउन सक्छौं - यसले हामीलाई विभिन्न भूमिकाहरूमा मापदण्ड मानहरू कसरी फरक छन् भन्ने बुझ्न मद्दत गर्दछ। यस पटक हामी उचाइलाई विचार गर्नेछौं:
+
+![Box plot by role](../../../../translated_images/boxplot_byrole.036b27a1c3f52d42f66fba2324ec5cde0a1bca6a01a619eeb0ce7cd054b2527b.ne.png)
+
+यो चित्रले सुझाव दिन्छ कि, औसतमा, पहिलो बेसम्यानहरूको उचाइ दोस्रो बेसम्यानहरूको उचाइभन्दा बढी छ। यस पाठको पछि हामी यो परिकल्पनालाई औपचारिक रूपमा कसरी परीक्षण गर्ने, र हाम्रो डेटा सांख्यिकीय रूपमा महत्त्वपूर्ण छ भनेर कसरी प्रदर्शन गर्ने भन्ने कुरा सिक्नेछौं।
+
+> जब हामी वास्तविक जीवनको डेटा प्रयोग गर्छौं, हामी मान्छौं कि सबै डेटा बिन्दुहरू केही सम्भाव्यता वितरणबाट लिइएका नमूनाहरू हुन्। यस मान्यताले हामीलाई मेसिन लर्निङ प्रविधिहरू लागू गर्न र कार्यशील भविष्यवाणी मोडेलहरू निर्माण गर्न अनुमति दिन्छ।
+
+हाम्रो डेटाको वितरण कस्तो छ भनेर हेर्न, हामी **हिस्टोग्राम** नामक ग्राफ बनाउन सक्छौं। X-अक्षमा विभिन्न तौल अन्तरालहरूको संख्या (जसलाई **बिन्स** भनिन्छ) हुनेछ, र ठाडो अक्षमा हाम्रो र्‍यान्डम भेरिएबल नमूना कुनै दिइएको अन्तरालभित्र कति पटक थियो भन्ने देखाइनेछ।
+
+![Histogram of real world data](../../../../translated_images/weight-histogram.bfd00caf7fc30b145b21e862dba7def41c75635d5280de25d840dd7f0b00545e.ne.png)
+
+यस हिस्टोग्रामबाट तपाईं देख्न सक्नुहुन्छ कि सबै मानहरू निश्चित औसत तौल वरिपरि केन्द्रित छन्, र औसतबाट जति टाढा जान्छौं - त्यति नै कम तौलका मानहरू भेटिन्छन्। अर्थात्, बेसबल खेलाडीको तौल औसत तौलभन्दा धेरै फरक हुने सम्भावना धेरै कम छ। तौलहरूको भिन्नताले तौलहरू औसतबाट कति फरक हुने सम्भावना छ भन्ने देखाउँछ।
+
+> यदि हामी बेसबल लिगका मानिसहरूबाहेक अरू मानिसहरूको तौल लिन्छौं भने, वितरण सम्भवतः फरक हुनेछ। तर, वितरणको आकार उस्तै हुनेछ, तर औसत र भिन्नता परिवर्तन हुनेछ। त्यसैले, यदि हामीले हाम्रो मोडेल बेसबल खेलाडीहरूमा प्रशिक्षण गर्यौं भने, यो विश्वविद्यालयका विद्यार्थीहरूमा लागू गर्दा गलत परिणाम दिन सक्छ, किनभने आधारभूत वितरण फरक छ।
+
+## नर्मल वितरण
+
+हामीले माथि देखेको तौलको वितरण धेरै सामान्य हो, र वास्तविक जीवनका धेरै मापनहरू उस्तै प्रकारको वितरण अनुसरण गर्छन्, तर फरक औसत र भिन्नतासहित। यस वितरणलाई **नर्मल वितरण** भनिन्छ, र यो तथ्यांकमा धेरै महत्त्वपूर्ण भूमिका खेल्छ।
+
+नर्मल वितरण प्रयोग गर्नु बेसबल खेलाडीहरूको सम्भावित तौलहरू उत्पन्न गर्ने सही तरिका हो। एक पटक हामीले औसत तौल `mean` र मानक विचलन `std` थाहा पाएपछि, हामी १००० तौल नमूनाहरू निम्न तरिकाले उत्पन्न गर्न सक्छौं:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+यदि हामी उत्पन्न नमूनाहरूको हिस्टोग्राम प्लट गर्छौं भने, हामीले माथि देखाइएको चित्रसँग धेरै मिल्दोजुल्दो चित्र देख्नेछौं। र यदि हामी नमूनाहरूको संख्या र बिन्सको संख्या बढाउँछौं भने, हामी आदर्शको नजिकको नर्मल वितरणको चित्र उत्पन्न गर्न सक्छौं:
+
+![Normal Distribution with mean=0 and std.dev=1](../../../../translated_images/normal-histogram.dfae0d67c202137d552d0015fb87581eca263925e512404f3c12d8885315432e.ne.png)
+
+*औसत=0 र मानक विचलन=1 भएको नर्मल वितरण*
+
+## विश्वास अन्तरालहरू
+
+जब हामी बेसबल खेलाडीहरूको तौलको कुरा गर्छौं, हामी मान्छौं कि त्यहाँ निश्चित **र्‍यान्डम भेरिएबल W** छ, जसले सबै बेसबल खेलाडीहरूको तौलको आदर्श सम्भाव्यता वितरणलाई प्रतिनिधित्व गर्दछ (जसलाई **जनसंख्या** भनिन्छ)। हाम्रो तौलहरूको अनुक्रम सबै बेसबल खेलाडीहरूको उपसमूहसँग मेल खान्छ, जसलाई हामी **नमूना** भन्छौं। एउटा रोचक प्रश्न यो हो, के हामी W को वितरणका मापदण्डहरू, अर्थात् जनसंख्याको औसत र भिन्नता थाहा पाउन सक्छौं?
+
+सबैभन्दा सजिलो उत्तर भनेको हाम्रो नमूनाको औसत र भिन्नता गणना गर्नु हो। तर, यस्तो हुन सक्छ कि हाम्रो र्‍यान्डम नमूनाले सम्पूर्ण जनसंख्यालाई सही रूपमा प्रतिनिधित्व गर्दैन। त्यसैले **विश्वास अन्तराल** को कुरा गर्नु उचित हुन्छ।
+> **विश्वास अन्तराल** भनेको हाम्रो नमुनाका आधारमा जनसंख्याको वास्तविक औसतको अनुमान हो, जुन निश्चित सम्भावना (वा **विश्वासको स्तर**) मा सही हुन्छ।
+मानौं हामीसँग हाम्रो वितरणबाट लिइएको नमूना X<sub>1</sub>, ..., X<sub>n</sub> छ। प्रत्येक पटक हामी हाम्रो वितरणबाट नमूना लिन्छौं, हामी फरक औसत मान μ पाउँछौं। त्यसैले μ लाई एक प्रकारको यादृच्छिक चर मान्न सकिन्छ। **विश्वास अन्तराल** (confidence interval) जसको विश्वास p छ, दुई मानहरूको जोडी (L<sub>p</sub>,R<sub>p</sub>) हो, जसले **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p सुनिश्चित गर्छ, अर्थात् औसत मान उक्त अन्तरालभित्र पर्ने सम्भावना p बराबर हुन्छ।
+
+विश्वास अन्तराल कसरी गणना गरिन्छ भन्ने विस्तृत चर्चा हाम्रो छोटो परिचयको दायरा बाहिर जान्छ। थप विवरण [विकिपिडिया](https://en.wikipedia.org/wiki/Confidence_interval) मा भेट्न सकिन्छ। संक्षेपमा, हामी गणना गरिएको नमूना औसतको वितरणलाई जनसंख्याको वास्तविक औसतको सन्दर्भमा परिभाषित गर्छौं, जसलाई **स्टुडेन्ट वितरण** भनिन्छ।
+
+> **रोचक तथ्य**: स्टुडेन्ट वितरणको नाम गणितज्ञ विलियम सीली गोसेटको नाममा राखिएको हो, जसले आफ्नो कागज "स्टुडेन्ट" उपनाम अन्तर्गत प्रकाशित गरेका थिए। उनी गिनीज ब्रुअरीमा काम गर्थे, र एउटा कथन अनुसार, उनको नियोक्ताले कच्चा सामग्रीको गुणस्तर निर्धारण गर्न सांख्यिकीय परीक्षण प्रयोग गरिरहेको कुरा सार्वजनिकलाई थाहा होस् भन्ने चाहँदैनथे।
+
+यदि हामी हाम्रो जनसंख्याको औसत μ लाई विश्वास p का साथ अनुमान गर्न चाहन्छौं भने, हामीलाई स्टुडेन्ट वितरण A को *(1-p)/2-थ प्रतिशतक* लिनुपर्छ, जुन तालिकाबाट लिइन सक्छ वा सांख्यिकीय सफ्टवेयर (जस्तै Python, R, आदि) को केही बिल्ट-इन फङ्सन प्रयोग गरेर गणना गर्न सकिन्छ। त्यसपछि μ को अन्तराल X±A*D/√n हुनेछ, जहाँ X नमूनाबाट प्राप्त औसत हो, D मानक विचलन हो।
+
+> **नोट**: हामी [डिग्री अफ फ्रिडम](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) को महत्त्वपूर्ण अवधारणाको चर्चा पनि छोड्छौं, जुन स्टुडेन्ट वितरणसँग सम्बन्धित छ। यस अवधारणालाई गहिरो रूपमा बुझ्नको लागि सांख्यिकीको थप पूर्ण पुस्तकहरू हेर्न सकिन्छ।
+
+वजन र उचाइको विश्वास अन्तराल गणना गर्ने उदाहरण [संग्लग्न नोटबुकहरू](notebook.ipynb) मा दिइएको छ।
+
+| p | वजन औसत |
+|-----|-----------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+ध्यान दिनुहोस् कि विश्वास सम्भावना जति उच्च हुन्छ, विश्वास अन्तराल त्यति नै चौडा हुन्छ।
+
+## परिकल्पना परीक्षण
+
+हाम्रो बेसबल खेलाडीहरूको डेटासेटमा विभिन्न खेलाडी भूमिकाहरू छन्, जसलाई तल संक्षेपमा प्रस्तुत गर्न सकिन्छ (यो तालिका कसरी गणना गर्न सकिन्छ भन्ने हेर्न [संग्लग्न नोटबुक](notebook.ipynb) हेर्नुहोस्):
+
+| भूमिका | उचाइ | वजन | संख्या |
+|------|--------|--------|-------|
+| क्याचर | 72.723684 | 204.328947 | 76 |
+| डिजिनेटेड हिटर | 74.222222 | 220.888889 | 18 |
+| फर्स्ट बेसम्यान | 74.000000 | 213.109091 | 55 |
+| आउटफिल्डर | 73.010309 | 199.113402 | 194 |
+| रिलिफ पिचर | 74.374603 | 203.517460 | 315 |
+| सेकेन्ड बेसम्यान | 71.362069 | 184.344828 | 58 |
+| शर्टस्टप | 71.903846 | 182.923077 | 52 |
+| स्टार्टिङ पिचर | 74.719457 | 205.163636 | 221 |
+| थर्ड बेसम्यान | 73.044444 | 200.955556 | 45 |
+
+हामी देख्न सक्छौं कि फर्स्ट बेसम्यानको औसत उचाइ सेकेन्ड बेसम्यानको भन्दा बढी छ। त्यसैले, हामी **फर्स्ट बेसम्यान सेकेन्ड बेसम्यानभन्दा अग्लो हुन्छन्** भन्ने निष्कर्ष निकाल्न चाहन सक्छौं।
+
+> यो कथनलाई **परिकल्पना** भनिन्छ, किनकि हामीलाई यो तथ्य वास्तवमा सत्य हो कि होइन भन्ने थाहा छैन।
+
+तर, यो निष्कर्ष निकाल्न सकिन्छ कि सकिँदैन भन्ने कुरा सधैं स्पष्ट हुँदैन। माथिको छलफलबाट हामी जान्दछौं कि प्रत्येक औसतसँग सम्बन्धित विश्वास अन्तराल हुन्छ, र यो भिन्नता केवल सांख्यिकीय त्रुटि हुन सक्छ। हामीलाई हाम्रो परिकल्पनाको परीक्षण गर्न थप औपचारिक तरिका चाहिन्छ।
+
+हामी फर्स्ट र सेकेन्ड बेसम्यानको उचाइको विश्वास अन्तराल अलग-अलग गणना गरौं:
+
+| विश्वास | फर्स्ट बेसम्यान | सेकेन्ड बेसम्यान |
+|------------|---------------|----------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+हामी देख्न सक्छौं कि कुनै पनि विश्वासमा अन्तरालहरू ओभरल्याप गर्दैनन्। यसले हाम्रो परिकल्पनालाई प्रमाणित गर्छ कि फर्स्ट बेसम्यान सेकेन्ड बेसम्यानभन्दा अग्लो हुन्छन्।
+
+अझ औपचारिक रूपमा, हामीले समाधान गर्न खोजिरहेको समस्या भनेको **दुई सम्भाव्यता वितरणहरू समान छन् कि छैनन्**, वा कम्तीमा तिनीहरूको समान प्यारामिटरहरू छन्। वितरणको प्रकारको आधारमा, हामीले त्यसका लागि विभिन्न परीक्षणहरू प्रयोग गर्नुपर्छ। यदि हामीलाई थाहा छ कि हाम्रो वितरणहरू सामान्य छन्, हामी **[स्टुडेन्ट टि-टेस्ट](https://en.wikipedia.org/wiki/Student%27s_t-test)** लागू गर्न सक्छौं।
+
+स्टुडेन्ट टि-टेस्टमा, हामी तथाकथित **t-value** गणना गर्छौं, जसले औसतहरू बीचको भिन्नता देखाउँछ, विचलनलाई ध्यानमा राख्दै। यो देखाइएको छ कि t-value **स्टुडेन्ट वितरण** अनुसरण गर्छ, जसले हामीलाई दिइएको विश्वास स्तर **p** को लागि थ्रेसहोल्ड मान प्राप्त गर्न अनुमति दिन्छ (यो गणना गर्न सकिन्छ, वा संख्यात्मक तालिकाहरूमा हेर्न सकिन्छ)। त्यसपछि हामी t-value लाई यो थ्रेसहोल्डसँग तुलना गर्छौं ताकि परिकल्पनालाई स्वीकृत वा अस्वीकृत गर्न सकियोस्।
+
+Python मा, हामी **SciPy** प्याकेज प्रयोग गर्न सक्छौं, जसमा `ttest_ind` फङ्सन समावेश छ (थुप्रै अन्य उपयोगी सांख्यिकीय फङ्सनहरू सहित!)। यसले हाम्रो लागि t-value गणना गर्छ, र विश्वास p-value को रिभर्स लुकअप पनि गर्छ, ताकि हामी केवल विश्वासलाई हेरेर निष्कर्ष निकाल्न सकौं।
+
+उदाहरणका लागि, फर्स्ट र सेकेन्ड बेसम्यानको उचाइको तुलना गर्दा हामीले निम्न परिणामहरू पाउँछौं:
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+हाम्रो केसमा, p-value धेरै कम छ, जसले फर्स्ट बेसम्यान अग्लो हुने बलियो प्रमाण देखाउँछ।
+
+त्यहाँ अन्य विभिन्न प्रकारका परिकल्पनाहरू पनि छन् जुन हामी परीक्षण गर्न चाहन सक्छौं, जस्तै:
+* कुनै नमूना कुनै वितरण अनुसरण गर्छ भन्ने प्रमाणित गर्न। हाम्रो केसमा हामीले मान्य गरेका छौं कि उचाइ सामान्य रूपमा वितरण गरिएको छ, तर त्यसलाई औपचारिक सांख्यिकीय प्रमाण चाहिन्छ।
+* कुनै नमूनाको औसत मान कुनै पूर्वनिर्धारित मानसँग मेल खान्छ भन्ने प्रमाणित गर्न
+* विभिन्न नमूनाहरूको औसत तुलना गर्न (जस्तै, विभिन्न उमेर समूहहरू बीचको खुशी स्तरको भिन्नता के हो)
+
+## ठूलो संख्याको नियम र केन्द्रीय सीमा प्रमेय
+
+सामान्य वितरण किन महत्त्वपूर्ण छ भन्ने कारणमध्ये एक **केन्द्रीय सीमा प्रमेय** हो। मानौं हामीसँग स्वतन्त्र N मानहरूको ठूलो नमूना X<sub>1</sub>, ..., X<sub>N</sub> छ, जुन कुनै पनि वितरणबाट औसत μ र विचलन σ<sup>2</sup> सहित लिइएको छ। त्यसपछि, पर्याप्त ठूलो N को लागि (अर्को शब्दमा, जब N→∞), औसत Σ<sub>i</sub>X<sub>i</sub> सामान्य रूपमा वितरण हुनेछ, औसत μ र विचलन σ<sup>2</sup>/N सहित।
+
+> केन्द्रीय सीमा प्रमेयलाई अर्को तरिकाले व्याख्या गर्न सकिन्छ कि कुनै पनि यादृच्छिक चर मानहरूको योगको औसत गणना गर्दा तपाईं सामान्य वितरणमा पुग्नुहुन्छ।
+
+केन्द्रीय सीमा प्रमेयबाट यो पनि निष्कर्ष निकाल्न सकिन्छ कि, जब N→∞, नमूनाको औसत μ बराबर हुने सम्भावना 1 हुन्छ। यसलाई **ठूलो संख्याको नियम** भनिन्छ।
+
+## सहसंबंध र सहविचलन
+
+डेटा विज्ञानले गर्ने काममध्ये एक भनेको डेटा बीचको सम्बन्ध पत्ता लगाउनु हो। हामी भन्छौं कि दुई क्रमहरू **सहसंबद्ध** छन् जब तिनीहरूले एकै समयमा समान व्यवहार देखाउँछन्, अर्थात् तिनीहरू एकसाथ बढ्छन्/घट्छन्, वा एउटा बढ्दा अर्को घट्छ र उल्टो। अर्को शब्दमा, दुई क्रमहरू बीच केही सम्बन्ध देखिन्छ।
+
+> सहसंबंधले दुई क्रमहरू बीचको कारणात्मक सम्बन्धलाई अनिवार्य रूपमा संकेत गर्दैन; कहिलेकाहीं दुवै चरहरू कुनै बाह्य कारणमा निर्भर हुन सक्छन्, वा यो केवल संयोगले दुई क्रमहरू सहसंबद्ध हुन सक्छ। तर, बलियो गणितीय सहसंबंधले दुई चरहरू कुनै न कुनै रूपमा जडान भएको राम्रो संकेत दिन्छ।
+
+गणितीय रूपमा, दुई यादृच्छिक चरहरू बीचको सम्बन्ध देखाउने मुख्य अवधारणा **सहविचलन** हो, जुन यसरी गणना गरिन्छ: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]। हामी दुवै चरहरूको औसत मानबाट विचलन गणना गर्छौं, र त्यस विचलनहरूको गुणनफल। यदि दुवै चरहरू सँगै विचलित हुन्छन्, गुणनफल सधैं सकारात्मक मान हुनेछ, जसले सकारात्मक सहविचलनमा जोड दिनेछ। यदि दुवै चरहरू असंगत रूपमा विचलित हुन्छन् (अर्थात् एउटा औसतभन्दा तल झर्दा अर्को औसतभन्दा माथि बढ्छ), हामी सधैं नकारात्मक संख्याहरू पाउँछौं, जसले नकारात्मक सहविचलनमा जोड दिनेछ। यदि विचलनहरू निर्भर छैनन्, तिनीहरू लगभग शून्यमा जोडिनेछन्।
+
+सहविचलनको पूर्ण मानले सहसंबंध कति ठूलो छ भन्ने धेरै कुरा बताउँदैन, किनकि यो वास्तविक मानहरूको परिमाणमा निर्भर गर्दछ। यसलाई सामान्यीकरण गर्न, हामी दुवै चरहरूको मानक विचलनद्वारा सहविचलनलाई विभाजन गर्न सक्छौं, जसले **सहसंबंध** दिन्छ। राम्रो कुरा यो हो कि सहसंबंध सधैं [-1,1] को दायरामा हुन्छ, जहाँ 1 ले मानहरू बीचको बलियो सकारात्मक सहसंबंध संकेत गर्दछ, -1 - बलियो नकारात्मक सहसंबंध, र 0 - कुनै सहसंबंध छैन (चरहरू स्वतन्त्र छन्)।
+
+**उदाहरण**: हामी बेसबल खेलाडीहरूको वजन र उचाइ बीचको सहसंबंध गणना गर्न सक्छौं:
+```python
+print(np.corrcoef(weights,heights))
+```
+यसको परिणामस्वरूप, हामी यस्तो **सहसंबंध म्याट्रिक्स** पाउँछौं:
+```
+array([[1.        , 0.52959196],
+       [0.52959196, 1.        ]])
+```
+
+> सहसंबंध म्याट्रिक्स C कुनै पनि संख्याको इनपुट क्रमहरू S<sub>1</sub>, ..., S<sub>n</sub> को लागि गणना गर्न सकिन्छ। C<sub>ij</sub> को मान S<sub>i</sub> र S<sub>j</sub> बीचको सहसंबंध हो, र कर्ण तत्वहरू सधैं 1 हुन्छन् (जसलाई S<sub>i</sub> को आत्म-सहसंबंध पनि भनिन्छ)।
+
+हाम्रो केसमा, मान 0.53 ले व्यक्तिको वजन र उचाइ बीच केही सहसंबंध रहेको संकेत गर्दछ। हामी एक मानलाई अर्कोको विरुद्धमा स्क्याटर प्लट बनाउन सक्छौं ताकि सम्बन्धलाई दृश्य रूपमा देख्न सकियोस्:
+
+![वजन र उचाइ बीचको सम्बन्ध](../../../../translated_images/weight-height-relationship.3f06bde4ca2aba9974182c4ef037ed602acd0fbbbbe2ca91cefd838a9e66bcf9.ne.png)
+
+> सहसंबंध र सहविचलनका थप उदाहरणहरू [संग्लग्न नोटबुक](notebook.ipynb) मा भेट्न सकिन्छ।
+
+## निष्कर्ष
+
+यस खण्डमा, हामीले सिक्यौं:
+
+* डेटा, जस्तै औसत, विचलन, मोड र क्वार्टाइलहरूको आधारभूत सांख्यिकीय गुणहरू
+* यादृच्छिक चरहरूको विभिन्न वितरणहरू, जसमा सामान्य वितरण समावेश छ
+* विभिन्न गुणहरू बीचको सहसंबंध कसरी पत्ता लगाउने
+* केही परिकल्पनाहरू प्रमाणित गर्न गणित र सांख्यिकीको साउन्ड उपकरण कसरी प्रयोग गर्ने
+* डेटा नमूनाको आधारमा यादृच्छिक चरको विश्वास अन्तराल कसरी गणना गर्ने
+
+यद्यपि यो सम्भाव्यता र सांख्यिकीभित्रका विषयहरूको पूर्ण सूची होइन, यो तपाईंलाई यस पाठ्यक्रममा राम्रो सुरुवात दिन पर्याप्त हुनुपर्छ।
+
+## 🚀 चुनौती
+
+नोटबुकमा रहेको नमूना कोड प्रयोग गरेर अन्य परिकल्पनाहरू परीक्षण गर्नुहोस्:
+1. फर्स्ट बेसम्यान सेकेन्ड बेसम्यानभन्दा पुराना छन्
+2. फर्स्ट बेसम्यान थर्ड बेसम्यानभन्दा अग्लो छन्
+3. शर्टस्टप सेकेन्ड बेसम्यानभन्दा अग्लो छन्
+
+## [पाठपश्चात क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/7)
+
+## समीक्षा र आत्म अध्ययन
+
+संभाव्यता र सांख्यिकी यति व्यापक विषय हो कि यसले आफ्नै पाठ्यक्रमको हकदार छ। यदि तपाईं सिद्धान्तमा गहिरो जान इच्छुक हुनुहुन्छ भने, तपाईं निम्न पुस्तकहरू पढ्न जारी राख्न चाहनुहुन्छ:
+
+1. [न्यूयोर्क विश्वविद्यालयका कार्लोस फर्नान्डेज-ग्रान्डा](https://cims.nyu.edu/~cfgranda/) का उत्कृष्ट व्याख्यान नोटहरू [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (अनलाइन उपलब्ध)
+1. [पिटर र एन्ड्रु ब्रुस। Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[R मा नमूना कोड](https://github.com/andrewgbruce/statistics-for-data-scientists)]।
+1. [जेम्स डी. मिलर। Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[R मा नमूना कोड](https://github.com/PacktPublishing/Statistics-for-Data-Science)]।
+
+## असाइनमेन्ट
+
+[सानो मधुमेह अध्ययन](assignment.md)
+
+## श्रेय
+
+यो पाठ [दिमित्री सोश्निकोभ](http://soshnikov.com) द्वारा ♥️ सहित लेखिएको हो।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/04-stats-and-probability/assignment.md b/translations/ne/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..fa8b9483
--- /dev/null
+++ b/translations/ne/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-27T17:28:55+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "ne"
+}
+-->
+# सानो मधुमेह अध्ययन
+
+यस असाइनमेन्टमा, हामी मधुमेहका बिरामीहरूको सानो डेटासेटसँग काम गर्नेछौं जुन [यहाँ](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html) बाट लिइएको छ।
+
+|   | उमेर | लिङ्ग | BMI | BP | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|-----|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## निर्देशनहरू
+
+* [असाइनमेन्ट नोटबुक](assignment.ipynb) लाई जुपिटर नोटबुक वातावरणमा खोल्नुहोस्।
+* नोटबुकमा सूचीबद्ध सबै कार्यहरू पूरा गर्नुहोस्, अर्थात्:
+   * [ ] सबै मानहरूको औसत र भिन्नता गणना गर्नुहोस्।
+   * [ ] लिङ्गको आधारमा BMI, BP र Y को लागि बक्सप्लटहरू बनाउनुहोस्।
+   * [ ] उमेर, लिङ्ग, BMI र Y चरहरूको वितरण के हो?
+   * [ ] विभिन्न चरहरू र रोगको प्रगति (Y) बीचको सम्बन्ध परीक्षण गर्नुहोस्।
+   * [ ] मधुमेहको प्रगतिको स्तर पुरुष र महिलाबीच फरक छ भन्ने परिकल्पना परीक्षण गर्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+सबै आवश्यक कार्यहरू पूरा गरिएका छन्, ग्राफिक रूपमा चित्रण गरिएको छ र व्याख्या गरिएको छ | अधिकांश कार्यहरू पूरा गरिएका छन्, ग्राफहरू र/वा प्राप्त मानहरूबाट व्याख्या वा निष्कर्षहरू हराइरहेका छन् | केवल आधारभूत कार्यहरू जस्तै औसत/भिन्नता गणना र आधारभूत ग्राफहरू पूरा गरिएका छन्, डेटाबाट कुनै निष्कर्षहरू बनाइएका छैनन्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/1-Introduction/README.md b/translations/ne/1-Introduction/README.md
new file mode 100644
index 00000000..76b1adf8
--- /dev/null
+++ b/translations/ne/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-27T17:02:15+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा साइन्सको परिचय
+
+![डाटा क्रियाशीलतामा](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.ne.jpg)
+> फोटो <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Stephen Dawson</a> द्वारा <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a मा
+  
+यी पाठहरूमा, तपाईंले डाटा साइन्स कसरी परिभाषित गरिन्छ भन्ने कुरा पत्ता लगाउनुहुनेछ र डाटा वैज्ञानिकले विचार गर्नुपर्ने नैतिक पक्षहरूको बारेमा सिक्नुहुनेछ। तपाईंले डाटा कसरी परिभाषित गरिन्छ भन्ने कुरा पनि सिक्नुहुनेछ र डाटा साइन्सका मुख्य शैक्षिक क्षेत्रहरू, जस्तै तथ्यांक र सम्भावनाको बारेमा थोरै जानकारी प्राप्त गर्नुहुनेछ।
+
+### विषयवस्तुहरू
+
+1. [डाटा साइन्सको परिभाषा](01-defining-data-science/README.md)
+2. [डाटा साइन्सको नैतिकता](02-ethics/README.md)
+3. [डाटाको परिभाषा](03-defining-data/README.md)
+4. [तथ्यांक र सम्भावनाको परिचय](04-stats-and-probability/README.md)
+
+### श्रेय
+
+यी पाठहरू ❤️ सहित [Nitya Narasimhan](https://twitter.com/nitya) र [Dmitry Soshnikov](https://twitter.com/shwars) द्वारा लेखिएका हुन्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/05-relational-databases/README.md b/translations/ne/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..5e41d1eb
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,195 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-27T16:42:12+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटासँग काम गर्ने: रिलेशनल डाटाबेस
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| डाटासँग काम गर्ने: रिलेशनल डाटाबेस - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+तपाईंले विगतमा जानकारी भण्डारण गर्न स्प्रेडशीट प्रयोग गर्नुभएको हुन सक्छ। तपाईंले पङ्क्ति र स्तम्भहरूको सेट राख्नुभएको थियो, जहाँ पङ्क्तिहरूले जानकारी (वा डाटा) समावेश गर्थे, र स्तम्भहरूले जानकारीको वर्णन गर्थे (कहिलेकाहीं मेटाडाटा भनिन्छ)। रिलेशनल डाटाबेस स्तम्भ र पङ्क्तिहरूको तालिकामा आधारित यो मुख्य सिद्धान्तमा निर्माण गरिएको छ, जसले तपाईंलाई जानकारी धेरै तालिकाहरूमा फैलाउन अनुमति दिन्छ। यसले तपाईंलाई जटिल डाटासँग काम गर्न, दोहोरोपनबाट बच्न, र डाटालाई अन्वेषण गर्ने तरिकामा लचिलोपन प्रदान गर्दछ। आउनुहोस् रिलेशनल डाटाबेसका अवधारणाहरू अन्वेषण गरौं।
+
+## [पूर्व-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## यो सबै तालिकाबाट सुरु हुन्छ
+
+रिलेशनल डाटाबेसको केन्द्रमा तालिकाहरू हुन्छन्। स्प्रेडशीटको जस्तै, तालिका स्तम्भ र पङ्क्तिहरूको संग्रह हो। पङ्क्तिले हामी काम गर्न चाहेको डाटा वा जानकारी समावेश गर्दछ, जस्तै सहरको नाम वा वर्षा भएको मात्रा। स्तम्भहरूले तिनीहरूले भण्डारण गर्ने डाटाको वर्णन गर्छन्।
+
+आउनुहोस् सहरहरूको बारेमा जानकारी भण्डारण गर्न तालिका सुरु गरेर हाम्रो अन्वेषण सुरु गरौं। हामी तिनीहरूको नाम र देशबाट सुरु गर्न सक्छौं। तपाईं यसलाई निम्नानुसार तालिकामा भण्डारण गर्न सक्नुहुन्छ:
+
+| सहर     | देश           |
+| -------- | ------------- |
+| टोकियो   | जापान         |
+| एटलान्टा | संयुक्त राज्य |
+| अकल्यान्ड | न्यूजील्याण्ड |
+
+**सहर**, **देश**, र **जनसंख्या** स्तम्भ नामहरूले भण्डारण गरिएको डाटाको वर्णन गर्छन्, र प्रत्येक पङ्क्तिमा एक सहरको बारेमा जानकारी छ।
+
+## एकल तालिका दृष्टिकोणको कमी
+
+संभावना छ, माथिको तालिका तपाईंलाई परिचित लाग्न सक्छ। आउनुहोस् हाम्रो बढ्दो डाटाबेसमा केही थप डाटा थपौं - वार्षिक वर्षा (मिलिमिटरमा)। हामी २०१८, २०१९, र २०२० वर्षहरूमा ध्यान केन्द्रित गर्नेछौं। यदि हामीले टोकियोको लागि थप्नुपर्‍यो भने, यो केही यस प्रकार देखिन सक्छ:
+
+| सहर  | देश   | वर्ष | मात्रा |
+| ----- | ----- | ---- | ------ |
+| टोकियो | जापान | २०२० | १६९०   |
+| टोकियो | जापान | २०१९ | १८७४   |
+| टोकियो | जापान | २०१८ | १४४५   |
+
+हाम्रो तालिकामा तपाईंले के देख्नुभयो? तपाईंले देख्न सक्नुहुन्छ कि हामी सहरको नाम र देश बारम्बार दोहोर्याउँदैछौं। यसले धेरै भण्डारण लिन सक्छ, र धेरै हदसम्म अनावश्यक छ। आखिर, टोकियोको लागि हामीलाई चासोको एक मात्र नाम छ।
+
+ठिक छ, आउनुहोस् केही अर्को प्रयास गरौं। प्रत्येक वर्षको लागि नयाँ स्तम्भहरू थपौं:
+
+| सहर     | देश           | २०१८ | २०१९ | २०२० |
+| -------- | ------------- | ---- | ---- | ---- |
+| टोकियो   | जापान         | १४४५ | १८७४ | १६९० |
+| एटलान्टा | संयुक्त राज्य | १७७९ | ११११ | १६८३ |
+| अकल्यान्ड | न्यूजील्याण्ड | १३८६ | ९४२  | ११७६ |
+
+यसले पङ्क्ति दोहोरोपनबाट बचाउँछ, तर यसले केही अन्य चुनौतीहरू थप्छ। प्रत्येक पटक नयाँ वर्ष हुँदा हामीले हाम्रो तालिकाको संरचना परिमार्जन गर्नुपर्नेछ। साथै, हाम्रो डाटा बढ्दै जाँदा वर्षहरूलाई स्तम्भको रूपमा राख्दा मानहरू पुनःप्राप्ति र गणना गर्न कठिन हुनेछ।
+
+यही कारणले हामीलाई धेरै तालिकाहरू र सम्बन्धहरू आवश्यक छ। हाम्रो डाटालाई टुक्रा-टुक्रा गरेर हामी दोहोरोपनबाट बच्न सक्छौं र हाम्रो डाटासँग काम गर्ने तरिकामा बढी लचिलोपन प्राप्त गर्न सक्छौं।
+
+## सम्बन्धहरूको अवधारणाहरू
+
+आउनुहोस् हाम्रो डाटामा फर्कौं र यसलाई कसरी विभाजन गर्ने निर्णय गरौं। हामीलाई थाहा छ कि हामी सहरहरूको नाम र देश भण्डारण गर्न चाहन्छौं, त्यसैले यो सम्भवतः एक तालिकामा राम्रोसँग काम गर्नेछ।
+
+| सहर     | देश           |
+| -------- | ------------- |
+| टोकियो   | जापान         |
+| एटलान्टा | संयुक्त राज्य |
+| अकल्यान्ड | न्यूजील्याण्ड |
+
+तर अर्को तालिका सिर्जना गर्नु अघि, हामीले प्रत्येक सहरलाई कसरी सन्दर्भ गर्ने निर्णय गर्नुपर्छ। हामीलाई कुनै प्रकारको पहिचानकर्ता, आईडी वा (प्राविधिक डाटाबेस सर्तमा) प्राथमिक कुञ्जी आवश्यक छ। प्राथमिक कुञ्जी एक मान हो जुन तालिकाको एक विशिष्ट पङ्क्ति पहिचान गर्न प्रयोग गरिन्छ। जबकि यो आफैंमा आधारित मान हुन सक्छ (उदाहरणका लागि, हामी सहरको नाम प्रयोग गर्न सक्छौं), यो लगभग सधैं एक नम्बर वा अन्य पहिचानकर्ता हुनुपर्छ। हामी चाहँदैनौं कि आईडी कहिल्यै परिवर्तन होस् किनकि यसले सम्बन्धलाई तोड्नेछ। तपाईंले अधिकांश अवस्थामा पाउनुहुनेछ कि प्राथमिक कुञ्जी वा आईडी स्वतः उत्पन्न गरिएको नम्बर हुनेछ।
+
+> ✅ प्राथमिक कुञ्जीलाई प्रायः PK भनेर छोट्याइन्छ
+
+### सहरहरू
+
+| सहर_आईडी | सहर     | देश           |
+| --------- | -------- | ------------- |
+| १         | टोकियो   | जापान         |
+| २         | एटलान्टा | संयुक्त राज्य |
+| ३         | अकल्यान्ड | न्यूजील्याण्ड |
+
+> ✅ तपाईंले देख्नुहुनेछ कि हामी यस पाठको क्रममा "आईडी" र "प्राथमिक कुञ्जी" शब्दहरू परस्पर प्रयोग गर्छौं। यहाँका अवधारणाहरू डाटाफ्रेमहरूमा लागू हुन्छन्, जुन तपाईं पछि अन्वेषण गर्नुहुनेछ। डाटाफ्रेमहरूले "प्राथमिक कुञ्जी" को शब्दावली प्रयोग गर्दैनन्, तर तपाईंले देख्नुहुनेछ कि तिनीहरू धेरै हदसम्म उस्तै तरिकामा व्यवहार गर्छन्।
+
+हाम्रो सहरहरूको तालिका सिर्जना भएपछि, आउनुहोस् वर्षा भण्डारण गरौं। सहरको पूर्ण जानकारी दोहोर्याउने सट्टा, हामी आईडी प्रयोग गर्न सक्छौं। हामीले सुनिश्चित गर्नुपर्छ कि नयाँ सिर्जना गरिएको तालिकामा *आईडी* स्तम्भ पनि छ, किनकि सबै तालिकाहरूमा आईडी वा प्राथमिक कुञ्जी हुनुपर्छ।
+
+### वर्षा
+
+| वर्षा_आईडी | सहर_आईडी | वर्ष | मात्रा |
+| ---------- | --------- | ---- | ------ |
+| १          | १         | २०१८ | १४४५   |
+| २          | १         | २०१९ | १८७४   |
+| ३          | १         | २०२० | १६९०   |
+| ४          | २         | २०१८ | १७७९   |
+| ५          | २         | २०१९ | ११११   |
+| ६          | २         | २०२० | १६८३   |
+| ७          | ३         | २०१८ | १३८६   |
+| ८          | ३         | २०१९ | ९४२    |
+| ९          | ३         | २०२० | ११७६   |
+
+नयाँ सिर्जना गरिएको **वर्षा** तालिकाभित्रको **सहर_आईडी** स्तम्भलाई ध्यान दिनुहोस्। यो स्तम्भले **सहरहरू** तालिकाको आईडीहरूलाई सन्दर्भ गर्ने मानहरू समावेश गर्दछ। प्राविधिक रिलेशनल डाटा सर्तमा, यसलाई **विदेशी कुञ्जी** भनिन्छ; यो अर्को तालिकाको प्राथमिक कुञ्जी हो। तपाईं यसलाई सन्दर्भ वा सूचकको रूपमा सोच्न सक्नुहुन्छ। **सहर_आईडी** १ टोकियोलाई सन्दर्भ गर्दछ।
+
+> [!NOTE] विदेशी कुञ्जीलाई प्रायः FK भनेर छोट्याइन्छ
+
+## डाटा पुनःप्राप्ति
+
+हाम्रो डाटा दुई तालिकामा विभाजित भएपछि, तपाईं सोच्न सक्नुहुन्छ कि हामी यसलाई कसरी पुनःप्राप्त गर्छौं। यदि हामी MySQL, SQL Server वा Oracle जस्ता रिलेशनल डाटाबेस प्रयोग गर्दैछौं भने, हामी Structured Query Language वा SQL नामक भाषा प्रयोग गर्न सक्छौं। SQL (कहिलेकाहीं "sequel" उच्चारण गरिन्छ) एक मानक भाषा हो जुन रिलेशनल डाटाबेसमा डाटा पुनःप्राप्ति र परिमार्जन गर्न प्रयोग गरिन्छ।
+
+डाटा पुनःप्राप्त गर्न तपाईंले `SELECT` आदेश प्रयोग गर्नुहुन्छ। यसको मुख्यमा, तपाईं **तपाईंले देख्न चाहनुभएको स्तम्भहरू चयन गर्नुहुन्छ** **तिनीहरू समावेश गरिएको तालिकाबाट**। यदि तपाईंले केवल सहरहरूको नाम प्रदर्शन गर्न चाहनुभयो भने, तपाईं निम्न प्रयोग गर्न सक्नुहुन्छ:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` जहाँ तपाईं स्तम्भहरूको सूची बनाउनुहुन्छ, र `FROM` जहाँ तपाईं तालिकाहरूको सूची बनाउनुहुन्छ।
+
+> [NOTE] SQL वाक्यविन्यास केस-इन्सेन्सिटिभ हो, जसको अर्थ `select` र `SELECT` उस्तै हो। तर, तपाईंले प्रयोग गरिरहेको डाटाबेसको प्रकारमा निर्भर गर्दै स्तम्भहरू र तालिकाहरू केस-संवेदनशील हुन सक्छ। परिणामस्वरूप, प्रोग्रामिङमा सबै कुरा केस-संवेदनशील जस्तो व्यवहार गर्ने अभ्यास राम्रो हो। SQL क्वेरीहरू लेख्दा सामान्य परम्परा भनेको कीवर्डहरू सबै ठूला अक्षरमा लेख्नु हो।
+
+माथिको क्वेरीले सबै सहरहरू प्रदर्शन गर्नेछ। कल्पना गर्नुहोस् कि हामीले केवल न्यूजील्याण्डका सहरहरू प्रदर्शन गर्न चाह्यौं। हामीलाई कुनै प्रकारको फिल्टर आवश्यक छ। SQL कीवर्ड यसको लागि `WHERE` हो, वा "जहाँ केही सत्य छ।"
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## डाटा जोड्ने
+
+अहिलेसम्म हामीले एकल तालिकाबाट डाटा पुनःप्राप्त गरेका छौं। अब हामी **सहरहरू** र **वर्षा** दुवैबाट डाटालाई सँगै ल्याउन चाहन्छौं। यो तिनीहरूलाई *जोडेर* गरिन्छ। तपाईंले प्रभावकारी रूपमा दुई तालिकाहरू बीचमा एक सीम सिर्जना गर्नुहुनेछ, र प्रत्येक तालिकाको स्तम्भबाट मानहरू मिलाउनुहुनेछ।
+
+हाम्रो उदाहरणमा, हामी **वर्षा** मा रहेको **सहर_आईडी** स्तम्भलाई **सहरहरू** मा रहेको **सहर_आईडी** स्तम्भसँग मिलाउनेछौं। यसले वर्षाको मानलाई यसको सम्बन्धित सहरसँग मिलाउनेछ। हामीले गर्ने जोडको प्रकारलाई *इनर* जोड भनिन्छ, जसको अर्थ कुनै पनि पङ्क्तिहरूले अर्को तालिकाबाट केहीसँग मेल खाएन भने तिनीहरू प्रदर्शन हुने छैनन्। हाम्रो केसमा प्रत्येक सहरसँग वर्षा छ, त्यसैले सबै प्रदर्शन हुनेछ।
+
+आउनुहोस् २०१९ को वर्षाको डाटा सबै सहरहरूको लागि पुनःप्राप्त गरौं।
+
+हामी यो चरणहरूमा गर्नेछौं। पहिलो चरण भनेको **सहर_आईडी** स्तम्भद्वारा सीम संकेत गरेर डाटालाई सँगै जोड्नु हो।
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+हामीले चाहेको दुई स्तम्भहरू र **सहर_आईडी** द्वारा तालिकाहरूलाई सँगै जोड्न चाहेको तथ्यलाई हाइलाइट गरेका छौं। अब हामी `WHERE` स्टेटमेन्ट थप्न सक्छौं ताकि केवल २०१९ वर्ष मात्र फिल्टर होस्।
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## सारांश
+
+रिलेशनल डाटाबेसहरू धेरै तालिकाहरू बीचमा जानकारी विभाजन गर्नेमा केन्द्रित छन्, जुन प्रदर्शन र विश्लेषणको लागि फेरि सँगै ल्याइन्छ। यसले गणना गर्न र अन्यथा डाटालाई हेरफेर गर्न उच्च स्तरको लचिलोपन प्रदान गर्दछ। तपाईंले रिलेशनल डाटाबेसको मुख्य अवधारणाहरू देख्नुभएको छ, र दुई तालिकाहरू बीचमा जोड कसरी गर्ने भनेर देख्नुभएको छ।
+
+## 🚀 चुनौती
+
+इन्टरनेटमा धेरै रिलेशनल डाटाबेसहरू उपलब्ध छन्। तपाईंले माथि सिकेका सीपहरू प्रयोग गरेर डाटालाई अन्वेषण गर्न सक्नुहुन्छ।
+
+## व्याख्यानपछिको क्विज
+
+## [व्याख्यानपछिको क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/9)
+
+## समीक्षा र आत्म-अध्ययन
+
+SQL र रिलेशनल डाटाबेस अवधारणाहरूको अन्वेषण जारी राख्नका लागि [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) मा धेरै स्रोतहरू उपलब्ध छन्।
+
+- [रिलेशनल डाटाको अवधारणाहरू वर्णन गर्नुहोस्](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
+- [Transact-SQL प्रयोग गरेर क्वेरी सुरु गर्नुहोस्](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL SQL को एक संस्करण हो)
+- [Microsoft Learn मा SQL सामग्री](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
+
+## असाइनमेन्ट
+
+[असाइनमेन्ट शीर्षक](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/05-relational-databases/assignment.md b/translations/ne/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..2c69aeb7
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,72 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-27T16:44:37+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "ne"
+}
+-->
+# विमानस्थलको डेटा देखाउने
+
+तपाईंलाई [SQLite](https://sqlite.org/index.html) मा आधारित [डाटाबेस](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) प्रदान गरिएको छ जसमा विमानस्थलहरूको जानकारी समावेश छ। स्किमालाई तल देखाइएको छ। तपाईं [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) मा [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) प्रयोग गरेर विभिन्न शहरहरूको विमानस्थलहरूको जानकारी देखाउनुहुनेछ।
+
+## निर्देशनहरू
+
+यस असाइनमेन्ट सुरु गर्नका लागि, तपाईंले केही चरणहरू पूरा गर्नुपर्नेछ। तपाईंले केही उपकरणहरू स्थापना गर्नुपर्नेछ र नमूना डाटाबेस डाउनलोड गर्नुपर्नेछ।
+
+### आफ्नो प्रणाली सेटअप गर्नुहोस्
+
+तपाईं Visual Studio Code र SQLite extension प्रयोग गरेर डाटाबेससँग अन्तरक्रिया गर्न सक्नुहुन्छ।
+
+1. [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) मा जानुहोस् र Visual Studio Code स्थापना गर्नका लागि निर्देशनहरू पालना गर्नुहोस्।
+1. [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) स्थापना गर्नुहोस् जसरी Marketplace पृष्ठमा निर्देशन दिइएको छ।
+
+### डाटाबेस डाउनलोड र खोल्नुहोस्
+
+अब तपाईंले डाटाबेस डाउनलोड र खोल्नु पर्नेछ।
+
+1. [GitHub बाट डाटाबेस फाइल](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) डाउनलोड गर्नुहोस् र यसलाई कुनै डाइरेक्टरीमा सुरक्षित गर्नुहोस्।
+1. Visual Studio Code खोल्नुहोस्।
+1. SQLite extension मा डाटाबेस खोल्नका लागि **Ctl-Shift-P** (वा Mac मा **Cmd-Shift-P**) चयन गर्नुहोस् र `SQLite: Open database` टाइप गर्नुहोस्।
+1. **Choose database from file** चयन गर्नुहोस् र पहिले डाउनलोड गरिएको **airports.db** फाइल खोल्नुहोस्।
+1. डाटाबेस खोलिसकेपछि (स्क्रिनमा कुनै अपडेट देखिने छैन), नयाँ क्वेरी विन्डो सिर्जना गर्नका लागि **Ctl-Shift-P** (वा Mac मा **Cmd-Shift-P**) चयन गर्नुहोस् र `SQLite: New query` टाइप गर्नुहोस्।
+
+एकपटक खोलिसकेपछि, नयाँ क्वेरी विन्डो डाटाबेसमा SQL स्टेटमेन्टहरू चलाउन प्रयोग गर्न सकिन्छ। तपाईं **Ctl-Shift-Q** (वा Mac मा **Cmd-Shift-Q**) कमाण्ड प्रयोग गरेर डाटाबेसमा क्वेरीहरू चलाउन सक्नुहुन्छ।
+
+> [!NOTE] SQLite extension को बारेमा थप जानकारीका लागि, तपाईं [डकुमेन्टेशन](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) परामर्श गर्न सक्नुहुन्छ।
+
+## डाटाबेस स्किमा
+
+डाटाबेसको स्किमा यसको टेबल डिजाइन र संरचना हो। **airports** डाटाबेसमा दुई टेबलहरू छन्, `cities`, जसमा संयुक्त अधिराज्य र आयरल्याण्डका शहरहरूको सूची छ, र `airports`, जसमा सबै विमानस्थलहरूको सूची छ। किनभने केही शहरहरूमा धेरै विमानस्थलहरू हुन सक्छन्, दुई टेबलहरू जानकारी भण्डारण गर्नका लागि सिर्जना गरिएको थियो। यस अभ्यासमा तपाईंले विभिन्न शहरहरूको जानकारी देखाउनका लागि जोइनहरू प्रयोग गर्नुहुनेछ।
+
+| Cities           |
+| ---------------- |
+| id (PK, integer) |
+| city (text)      |
+| country (text)   |
+
+| Airports                         |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## असाइनमेन्ट
+
+निम्न जानकारी फिर्ता गर्नका लागि क्वेरीहरू सिर्जना गर्नुहोस्:
+
+1. `Cities` टेबलमा सबै शहरका नामहरू।
+1. `Cities` टेबलमा आयरल्याण्डका सबै शहरहरू।
+1. सबै विमानस्थलका नामहरू तिनका शहर र देशसँग।
+1. लन्डन, संयुक्त अधिराज्यका सबै विमानस्थलहरू।
+
+## मूल्यांकन मापदण्ड
+
+| उत्कृष्ट | पर्याप्त | सुधार आवश्यक |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/06-non-relational/README.md b/translations/ne/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..6e11823f
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,158 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-27T16:58:03+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "ne"
+}
+-->
+# डेटा संग काम गर्ने: गैर-संबंधित डेटा
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा स्केच नोट ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|NoSQL डेटासँग काम गर्ने - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
+
+## [पूर्व-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+डेटा केवल रिलेशनल डाटाबेसमा सीमित छैन। यो पाठले गैर-संबंधित डेटामा केन्द्रित छ र स्प्रेडशीट र NoSQL को आधारभूत कुराहरू समेट्छ।
+
+## स्प्रेडशीटहरू
+
+स्प्रेडशीटहरू डेटा भण्डारण र अन्वेषण गर्न लोकप्रिय तरिका हुन् किनभने यसलाई सेटअप गर्न र सुरु गर्न कम काम आवश्यक पर्छ। यस पाठमा तपाईं स्प्रेडशीटका आधारभूत भागहरू, साथै सूत्रहरू र कार्यहरू सिक्नुहुनेछ। उदाहरणहरू Microsoft Excel मार्फत देखाइनेछ, तर अधिकांश भागहरू र विषयवस्तुहरू अन्य स्प्रेडशीट सफ्टवेयरसँग मिल्दोजुल्दो नाम र चरणहरू हुनेछन्।
+
+![दुई वर्कशीटहरू भएको खाली Microsoft Excel वर्कबुक](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.ne.png)
+
+स्प्रेडशीट एउटा फाइल हो र यो कम्प्युटर, उपकरण, वा क्लाउड-आधारित फाइल प्रणालीको फाइल प्रणालीमा पहुँचयोग्य हुनेछ। सफ्टवेयर आफैं ब्राउजरमा आधारित हुन सक्छ वा कम्प्युटरमा इन्स्टल गर्नुपर्ने एप्लिकेसन वा डाउनलोड गर्नुपर्ने एप हुन सक्छ। Excel मा यी फाइलहरूलाई **वर्कबुक** भनेर परिभाषित गरिन्छ र यो शब्दावली यस पाठको बाँकी भागमा प्रयोग गरिनेछ।
+
+वर्कबुकमा एक वा बढी **वर्कशीटहरू** हुन्छन्, जहाँ प्रत्येक वर्कशीटलाई ट्याबहरूद्वारा लेबल गरिएको हुन्छ। वर्कशीटभित्र आयताकारहरू हुन्छन् जसलाई **सेलहरू** भनिन्छ, जसले वास्तविक डेटा समावेश गर्दछ। सेल पङ्क्ति र स्तम्भको अन्तरसेचन हो, जहाँ स्तम्भहरू वर्णानुक्रमिक अक्षरहरूले लेबल गरिएका छन् र पङ्क्तिहरू सङ्ख्यात्मक रूपमा लेबल गरिएका छन्। केही स्प्रेडशीटहरूमा पहिलो केही पङ्क्तिहरूमा हेडरहरू हुन्छन् जसले सेलमा रहेको डेटालाई वर्णन गर्दछ।
+
+Excel वर्कबुकका यी आधारभूत तत्वहरूसँग, हामी [Microsoft Templates](https://templates.office.com/) बाट लिइएको इनभेन्टरीमा केन्द्रित उदाहरण प्रयोग गरेर स्प्रेडशीटका थप भागहरूमा हिँड्नेछौं।
+
+### इनभेन्टरी व्यवस्थापन
+
+"InventoryExample" नामक स्प्रेडशीट फाइल इनभेन्टरीभित्रका वस्तुहरूको स्वरूपित स्प्रेडशीट हो जसमा तीन वर्कशीटहरू छन्, जहाँ ट्याबहरू "Inventory List", "Inventory Pick List" र "Bin Lookup" भनेर लेबल गरिएका छन्। Inventory List वर्कशीटको पङ्क्ति 4 हेडर हो, जसले हेडर स्तम्भमा प्रत्येक सेलको मानलाई वर्णन गर्दछ।
+
+![Microsoft Excel मा इनभेन्टरी सूचीको उदाहरणबाट हाइलाइट गरिएको सूत्र](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.ne.png)
+
+कहिलेकाहीँ कुनै सेलको मान अन्य सेलहरूको मानमा निर्भर हुन्छ। Inventory List स्प्रेडशीटले आफ्नो इनभेन्टरीमा प्रत्येक वस्तुको लागत ट्र्याक गर्दछ, तर यदि हामीलाई इनभेन्टरीको कुल मूल्य थाहा पाउनुपर्‍यो भने के गर्ने? [**सूत्रहरू**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) सेल डेटामा कार्यहरू प्रदर्शन गर्न प्रयोग गरिन्छ र यस उदाहरणमा इनभेन्टरीको लागत गणना गर्न प्रयोग गरिएको छ। यस स्प्रेडशीटले QTY हेडर अन्तर्गतको मात्रा र COST हेडर अन्तर्गतको लागतलाई गुणा गरेर प्रत्येक वस्तुको मूल्य गणना गर्न Inventory Value स्तम्भमा सूत्र प्रयोग गरेको छ। कुनै सेललाई डबल क्लिक गर्दा वा हाइलाइट गर्दा सूत्र देखिन्छ। सूत्रहरू बराबर चिन्हबाट सुरु हुन्छन्, त्यसपछि गणना वा अपरेशन हुन्छ।
+
+![Microsoft Excel मा इनभेन्टरी सूचीको उदाहरणबाट हाइलाइट गरिएको कार्य](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.ne.png)
+
+हामी अर्को सूत्र प्रयोग गरेर Inventory Value का सबै मानहरूलाई जोडेर यसको कुल मूल्य पाउन सक्छौं। यो प्रत्येक सेललाई जोडेर गणना गर्न सकिन्छ, तर त्यो झन्झटिलो काम हुन सक्छ। Excel मा [**कार्यहरू**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89), वा पूर्वनिर्धारित सूत्रहरू, सेल मानहरूमा गणना गर्न प्रयोग गरिन्छ। कार्यहरूलाई गणना गर्न आवश्यक मानहरू, जसलाई तर्क भनिन्छ, चाहिन्छ। जब कार्यहरूलाई एकभन्दा बढी तर्क चाहिन्छ, तिनीहरूलाई विशेष क्रममा सूचीबद्ध गर्न आवश्यक पर्छ, अन्यथा कार्यले सही मान गणना गर्न सक्दैन। यस उदाहरणले SUM कार्य प्रयोग गर्दछ, र Inventory Value का मानहरूलाई तर्कको रूपमा प्रयोग गरेर B3 (पङ्क्ति 3, स्तम्भ B) मा सूचीबद्ध कुल मान उत्पन्न गर्दछ।
+
+## NoSQL
+
+NoSQL गैर-संबंधित डेटा भण्डारण गर्ने विभिन्न तरिकाहरूको लागि प्रयोग गरिने छाता शब्द हो र यसलाई "non-SQL", "non-relational" वा "not only SQL" भनेर व्याख्या गर्न सकिन्छ। यी प्रकारका डाटाबेस प्रणालीहरूलाई चार प्रकारमा वर्गीकृत गर्न सकिन्छ।
+
+![कुञ्जी-मूल्य डेटा स्टोरको ग्राफिकल प्रतिनिधित्व, जसमा 4 अद्वितीय संख्यात्मक कुञ्जीहरू छन्, जुन 4 विभिन्न मानहरूसँग सम्बन्धित छन्](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.ne.png)
+> स्रोत: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[कुञ्जी-मूल्य](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) डाटाबेसहरूले अद्वितीय कुञ्जीहरूलाई जोडी बनाउँछन्, जुन मानसँग सम्बन्धित अद्वितीय पहिचानकर्ता हो। यी जोडीहरू [ह्यास तालिका](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) प्रयोग गरेर भण्डारण गरिन्छ, जसमा उपयुक्त ह्यासिङ कार्य हुन्छ।
+
+![ग्राफ डेटा स्टोरको ग्राफिकल प्रतिनिधित्व, जसले मानिसहरू, तिनीहरूको रुचिहरू र स्थानहरू बीचको सम्बन्ध देखाउँछ](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.ne.png)
+> स्रोत: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[ग्राफ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) डाटाबेसहरूले डेटामा सम्बन्धहरू वर्णन गर्छन् र नोड र किनारहरूको संग्रहको रूपमा प्रतिनिधित्व गरिन्छ। नोडले वास्तविक संसारमा अवस्थित कुनै वस्तु, जस्तै विद्यार्थी वा बैंक स्टेटमेन्टलाई प्रतिनिधित्व गर्दछ। किनारहरूले दुई वस्तुहरू बीचको सम्बन्धलाई प्रतिनिधित्व गर्छन्। प्रत्येक नोड र किनारसँग तिनीहरूको बारेमा थप जानकारी प्रदान गर्ने गुणहरू हुन्छन्।
+
+![कस्टमर डाटाबेसको स्तम्भीय डेटा स्टोरको ग्राफिकल प्रतिनिधित्व, जसमा "Identity" र "Contact Info" नामका दुई स्तम्भ परिवारहरू छन्](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.ne.png)
+
+[स्तम्भीय](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) डेटा स्टोरहरूले डेटा स्तम्भ र पङ्क्तिहरूमा व्यवस्थित गर्छन्, जसले रिलेशनल डेटा संरचनासँग मिल्दोजुल्दो देखिन्छ, तर प्रत्येक स्तम्भ समूहहरूमा विभाजित हुन्छ, जसलाई स्तम्भ परिवार भनिन्छ। एउटै स्तम्भ अन्तर्गतको सबै डेटा सम्बन्धित हुन्छ र एकाइमा पुनःप्राप्त र परिवर्तन गर्न सकिन्छ।
+
+### Azure Cosmos DB सँग कागजात डेटा स्टोरहरू
+
+[कागजात](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) डेटा स्टोरहरूले कुञ्जी-मूल्य डेटा स्टोरको अवधारणामा निर्माण गर्छन् र क्षेत्रहरू र वस्तुहरूको श्रृंखलाबाट बनेका हुन्छन्। यो खण्डले Cosmos DB इम्युलेटरको साथ कागजात डाटाबेसहरूको अन्वेषण गर्नेछ।
+
+Cosmos DB डाटाबेस "Not Only SQL" को परिभाषामा फिट हुन्छ, जहाँ Cosmos DB को कागजात डाटाबेसले डेटा सोध्न SQL मा निर्भर गर्दछ। SQL को आधारभूत कुराहरू [पछिल्लो पाठ](../05-relational-databases/README.md) मा समेटिएको छ, र हामी यहाँ कागजात डाटाबेसमा केही समान सोधहरू लागू गर्न सक्षम हुनेछौं। हामी Cosmos DB इम्युलेटर प्रयोग गर्नेछौं, जसले हामीलाई कम्प्युटरमा स्थानीय रूपमा कागजात डाटाबेस सिर्जना र अन्वेषण गर्न अनुमति दिन्छ। इम्युलेटरको बारेमा थप पढ्न [यहाँ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21) जानुहोस्।
+
+कागजात क्षेत्रहरू र वस्तु मानहरूको संग्रह हो, जहाँ क्षेत्रहरूले वस्तु मानले के प्रतिनिधित्व गर्छ भन्ने वर्णन गर्दछ। तल एउटा कागजातको उदाहरण छ।
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+यस कागजातमा चासोका क्षेत्रहरू: `firstname`, `id`, र `age` हुन्। Cosmos DB द्वारा उत्पन्न गरिएका अन्य क्षेत्रहरू अन्डरस्कोरहरूसँग छन्।
+
+#### Cosmos DB इम्युलेटरको साथ डेटाको अन्वेषण
+
+तपाईं [Windows का लागि यहाँ](https://aka.ms/cosmosdb-emulator) इम्युलेटर डाउनलोड र इन्स्टल गर्न सक्नुहुन्छ। macOS र Linux का लागि इम्युलेटर चलाउने विकल्पहरूको लागि यो [डकुमेन्टेसन](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) हेर्नुहोस्।
+
+इम्युलेटरले ब्राउजर विन्डो सुरु गर्छ, जहाँ Explorer दृश्यले तपाईंलाई कागजातहरूको अन्वेषण गर्न अनुमति दिन्छ।
+
+![Cosmos DB इम्युलेटरको Explorer दृश्य](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.ne.png)
+
+यदि तपाईं अनुसरण गर्दै हुनुहुन्छ भने, "Start with Sample" मा क्लिक गर्नुहोस् जसले SampleDB नामक नमूना डाटाबेस उत्पन्न गर्दछ। SampleDB विस्तार गर्नको लागि एरोमा क्लिक गर्दा `Persons` नामक कन्टेनर फेला पर्नेछ। कन्टेनरले वस्तुहरूको संग्रह समावेश गर्दछ, जुन कन्टेनरभित्रका कागजातहरू हुन्। तपाईं `Items` अन्तर्गत चार व्यक्तिगत कागजातहरूको अन्वेषण गर्न सक्नुहुन्छ।
+
+![Cosmos DB इम्युलेटरमा नमूना डेटाको अन्वेषण](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.ne.png)
+
+#### Cosmos DB इम्युलेटरको साथ कागजात डेटाको सोध
+
+हामी नयाँ SQL Query बटन (बायाँबाट दोस्रो बटन) क्लिक गरेर नमूना डेटाको सोध पनि गर्न सक्छौं।
+
+`SELECT * FROM c` ले कन्टेनरभित्रका सबै कागजातहरू फिर्ता गर्छ। अब हामी where क्लज थपेर 40 भन्दा कम उमेर भएका व्यक्तिहरू फेला पारौं।
+
+`SELECT * FROM c where c.age < 40`
+
+![Cosmos DB इम्युलेटरमा SELECT सोध चलाउँदै, जसले उमेर क्षेत्रको मान 40 भन्दा कम भएका कागजातहरू फेला पार्छ](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.ne.png)
+
+सोधले दुई कागजातहरू फिर्ता गर्छ, प्रत्येक कागजातको उमेर मान 40 भन्दा कम छ।
+
+#### JSON र कागजातहरू
+
+यदि तपाईं JavaScript Object Notation (JSON) सँग परिचित हुनुहुन्छ भने, तपाईंले कागजातहरू JSON जस्तै देखिन्छन् भन्ने देख्नुहुनेछ। यो निर्देशिकामा `PersonsData.json` नामक फाइल छ, जसमा थप डेटा छ, जुन तपाईं इम्युलेटरमा `Upload Item` बटन प्रयोग गरेर Persons कन्टेनरमा अपलोड गर्न सक्नुहुन्छ।
+
+धेरैजसो अवस्थामा, JSON डेटा फिर्ता गर्ने API हरूलाई प्रत्यक्ष रूपमा कागजात डाटाबेसहरूमा स्थानान्तरण र भण्डारण गर्न सकिन्छ। तल अर्को कागजात छ, यो Microsoft Twitter खाताबाट ट्वीटहरू प्रतिनिधित्व गर्दछ, जुन Twitter API प्रयोग गरेर पुनःप्राप्त गरिएको थियो, त्यसपछि Cosmos DB मा सम्मिलित गरिएको थियो।
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+यस कागजातमा चासोका क्षेत्रहरू: `created_at`, `id`, र `text` हुन्।
+
+## 🚀 चुनौती
+
+`TwitterData.json` नामक फाइल छ, जुन तपाईं SampleDB डाटाबेसमा अपलोड गर्न सक्नुहुन्छ। यो फाइललाई छुट्टै कन्टेनरमा थप्न सिफारिस गरिन्छ। यो निम्न चरणहरूद्वारा गर्न सकिन्छ:
+
+1. माथिल्लो दायाँ कुनामा नयाँ कन्टेनर बटन क्लिक गर्नुहोस्
+1. विद्यमान डाटाबेस (SampleDB) चयन गर्नुहोस्, कन्टेनरको लागि कन्टेनर ID सिर्जना गर्नुहोस्
+1. पार्टिशन कुञ्जीलाई `/id` मा सेट गर्नुहोस्
+1. OK क्लिक गर्नुहोस् (तपाईं यस दृश्यको बाँकी जानकारीलाई बेवास्ता गर्न सक्नुहुन्छ किनभने यो सानो डेटासेट तपाईंको मेसिनमा स्थानीय रूपमा चलिरहेको छ)
+1. आफ्नो नयाँ कन्टेनर खोल्नुहोस् र `Upload Item` बटन प्रयोग गरेर Twitter Data फाइल अपलोड गर्नुहोस्
+
+`text` क्षेत्रमा Microsoft भएको कागजातहरू फेला पार्न केही SELECT सोधहरू चलाउन प्रयास गर्नुहोस्। सुझाव: [LIKE कीवर्ड](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character) प्रयोग गर्न प्रयास गर्नुहोस्।
+
+## [पश्च-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## समीक्षा र आत्म-अध्ययन
+
+- यस पाठले समेटेको छैन तर यस स्प्रेडशीटमा थप स्वरूपण र सुविधाहरू छन्। Excel को बारेमा थप जान्न इच्छुक हुनुहुन्छ भने Microsoft को [ठूलो डकुमेन्टेसन र भिडियो पुस्तकालय](https://support.microsoft.com/excel) हेर्नुहोस्।
+
+- गैर-संबंधित डेटा र NoSQL का विभिन्न प्रकारहरूको विशेषताहरूको बारेमा यो वास्तुकला डकुमेन्टेसन विवरण दिन्छ: [गैर-संबंधित डेटा र NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- Cosmos DB एक क्लाउड-आधारित गैर-संबंधित डाटाबेस हो, जसले यस पाठमा उल्लेख गरिएका विभिन्न NoSQL प्रकारहरू पनि भण्डारण गर्न सक्छ। यी प्रकारहरूको बारेमा थप जान्न यो [Cosmos DB Microsoft Learn Module](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/) हेर्नुहोस्।
+
+## असाइनमेन्ट
+
+[Soda Profits](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/06-non-relational/assignment.md b/translations/ne/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..8c8bcbcc
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,33 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-27T17:00:32+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "ne"
+}
+-->
+# सोडा नाफा
+
+## निर्देशनहरू
+
+[Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) मा केही गणनाहरू हराइरहेका छन्। तपाईंको काम:
+
+1. FY '15, '16, '17, र '18 को कुल नाफा गणना गर्नुहोस्
+    - कुल नाफा = नेट अपरेटिङ राजस्व - सामानको लागत
+1. सबै कुल नाफाको औसत गणना गर्नुहोस्। यो कार्य एक फङ्सन प्रयोग गरेर गर्न प्रयास गर्नुहोस्।
+    - औसत = कुल नाफाको योगलाई आर्थिक वर्षहरूको संख्या (१०) द्वारा भाग गर्नुहोस्
+    - [AVERAGE function](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) को डकुमेन्टेसन
+1. यो Excel फाइल हो, तर यो कुनै पनि स्प्रेडशीट प्लेटफर्ममा सम्पादन गर्न सकिने हुनुपर्छ
+
+[डाटा स्रोतको श्रेय Yiyi Wang](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/07-python/README.md b/translations/ne/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..ecabf0cb
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,290 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-27T16:51:35+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा संग काम गर्ने: पाइथन र प्यान्डास लाइब्रेरी
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 पाइथन संग काम गर्ने - _Sketchnote by [@nitya](https://twitter.com/nitya)_                 |
+
+[![परिचय भिडियो](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.ne.png)](https://youtu.be/dZjWOGbsN4Y)
+
+डाटाबेसहरूले डाटा भण्डारण गर्न र क्वेरी भाषाहरू प्रयोग गरेर तिनीहरूलाई सोधपुछ गर्न धेरै प्रभावकारी तरिका प्रदान गर्छन्। तर, डाटा प्रशोधनको सबैभन्दा लचिलो तरिका भनेको आफ्नो प्रोग्राम लेखेर डाटालाई हेरफेर गर्नु हो। धेरै अवस्थामा, डाटाबेस क्वेरी गर्नु अझ प्रभावकारी हुन्छ। तर, कहिलेकाहीँ जटिल डाटा प्रशोधन आवश्यक पर्दा, SQL प्रयोग गरेर सजिलै गर्न सकिँदैन। 
+डाटा प्रशोधन कुनै पनि प्रोग्रामिङ भाषामा गर्न सकिन्छ, तर केही भाषाहरू डाटासँग काम गर्न उच्च स्तरका हुन्छन्। डाटा वैज्ञानिकहरूले प्रायः निम्न भाषाहरू प्रयोग गर्न रुचाउँछन्:
+
+* **[Python](https://www.python.org/)**, एक सामान्य-उद्देश्यीय प्रोग्रामिङ भाषा, जसलाई यसको सरलताका कारण प्रायः सुरुवातकर्ताहरूका लागि उत्कृष्ट विकल्प मानिन्छ। पाइथनसँग धेरै अतिरिक्त लाइब्रेरीहरू छन् जसले तपाईंलाई व्यावहारिक समस्याहरू समाधान गर्न मद्दत गर्न सक्छ, जस्तै ZIP आर्काइभबाट डाटा निकाल्ने, वा तस्बिरलाई ग्रेस्केलमा रूपान्तरण गर्ने। डाटा विज्ञान बाहेक, पाइथन वेब विकासका लागि पनि प्रायः प्रयोग गरिन्छ। 
+* **[R](https://www.r-project.org/)**, एक परम्परागत उपकरण हो, जुन सांख्यिकीय डाटा प्रशोधनको लागि विकास गरिएको हो। यसमा ठूलो लाइब्रेरी भण्डार (CRAN) छ, जसले यसलाई डाटा प्रशोधनको लागि राम्रो विकल्प बनाउँछ। तर, R सामान्य-उद्देश्यीय प्रोग्रामिङ भाषा होइन, र डाटा विज्ञान क्षेत्र बाहिर कमै प्रयोग गरिन्छ।
+* **[Julia](https://julialang.org/)**, अर्को भाषा हो, जुन विशेष गरी डाटा विज्ञानको लागि विकास गरिएको हो। यसले पाइथनभन्दा राम्रो प्रदर्शन दिनको लागि बनाइएको हो, जसले यसलाई वैज्ञानिक प्रयोगका लागि उत्कृष्ट उपकरण बनाउँछ।
+
+यस पाठमा, हामी पाइथन प्रयोग गरेर साधारण डाटा प्रशोधनमा केन्द्रित हुनेछौं। हामीले भाषाको आधारभूत परिचय भएको मान्नेछौं। यदि तपाईंलाई पाइथनको गहिरो अध्ययन गर्न मन छ भने, निम्न स्रोतहरू हेर्न सक्नुहुन्छ:
+
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - पाइथन प्रोग्रामिङको लागि GitHub-आधारित छोटो परिचयात्मक पाठ
+* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) मा उपलब्ध लर्निङ पाथ
+
+डाटा धेरै प्रकारका हुन सक्छ। यस पाठमा, हामी तीन प्रकारका डाटालाई विचार गर्नेछौं - **तालिकात्मक डाटा**, **पाठ** र **तस्बिरहरू**।
+
+हामी सबै सम्बन्धित लाइब्रेरीहरूको पूर्ण अवलोकन दिनुको सट्टा, डाटा प्रशोधनका केही उदाहरणहरूमा केन्द्रित हुनेछौं। यसले तपाईंलाई के सम्भव छ भन्ने मुख्य विचार दिन्छ, र तपाईंलाई आवश्यक पर्दा समाधानहरू कहाँ फेला पार्ने भन्ने बुझाइ दिन्छ।
+
+> **सबैभन्दा उपयोगी सल्लाह**। जब तपाईंलाई डाटामा कुनै निश्चित अपरेशन गर्न आवश्यक पर्छ, तर तपाईंलाई कसरी गर्ने थाहा छैन, इन्टरनेटमा खोज्ने प्रयास गर्नुहोस्। [Stackoverflow](https://stackoverflow.com/) मा पाइथनका धेरै सामान्य कार्यहरूको लागि उपयोगी कोड नमूनाहरू पाइन्छ। 
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## तालिकात्मक डाटा र डाटाफ्रेमहरू
+
+तपाईंले तालिकात्मक डाटासँग पहिले नै भेट गर्नुभएको छ, जब हामीले सम्बन्धित डाटाबेसहरूको बारेमा कुरा गर्यौं। जब तपाईंसँग धेरै डाटा हुन्छ, र यो धेरै फरक-फरक तालिकाहरूमा जोडिएको हुन्छ, SQL प्रयोग गरेर काम गर्नु उपयुक्त हुन्छ। तर, धेरै अवस्थामा, हामीसँग एउटा तालिका हुन्छ, र हामीले यस डाटाको बारेमा केही **बुझाइ** वा **अन्तर्दृष्टि** प्राप्त गर्न आवश्यक पर्छ, जस्तै वितरण, मानहरू बीचको सम्बन्ध, आदि। डाटा विज्ञानमा, धेरै अवस्थामा, हामीले मूल डाटाको केही रूपान्तरण गर्न आवश्यक पर्छ, त्यसपछि भिजुअलाइजेसन। यी दुवै चरणहरू पाइथन प्रयोग गरेर सजिलै गर्न सकिन्छ।
+
+पाइथनमा तालिकात्मक डाटासँग काम गर्न मद्दत गर्ने दुई सबैभन्दा उपयोगी लाइब्रेरीहरू छन्:
+* **[Pandas](https://pandas.pydata.org/)**, जसले तथाकथित **डाटाफ्रेमहरू** हेरफेर गर्न अनुमति दिन्छ, जुन सम्बन्धित तालिकाहरूको समानान्तर हुन्छ। तपाईंले नामित स्तम्भहरू राख्न सक्नुहुन्छ, र पङ्क्ति, स्तम्भ र डाटाफ्रेमहरूमा विभिन्न अपरेशनहरू गर्न सक्नुहुन्छ। 
+* **[Numpy](https://numpy.org/)**, **टेन्सरहरू**, अर्थात् बहु-आयामिक **एरेहरू**सँग काम गर्नको लागि लाइब्रेरी हो। एरेमा एउटै आधारभूत प्रकारका मानहरू हुन्छन्, र यो डाटाफ्रेमभन्दा सरल हुन्छ, तर यसले बढी गणितीय अपरेशनहरू प्रदान गर्दछ, र कम ओभरहेड सिर्जना गर्दछ।
+
+त्यसैगरी, तपाईंले जान्नुपर्ने अन्य केही लाइब्रेरीहरू छन्:
+* **[Matplotlib](https://matplotlib.org/)**, डाटा भिजुअलाइजेसन र ग्राफहरू बनाउने लाइब्रेरी हो
+* **[SciPy](https://www.scipy.org/)**, केही अतिरिक्त वैज्ञानिक कार्यहरू भएको लाइब्रेरी हो। हामीले यस लाइब्रेरीलाई सम्भाव्यता र तथ्यांकको बारेमा कुरा गर्दा पहिले नै भेट गरेका छौं।
+
+यहाँ एउटा कोडको टुक्रा छ, जुन तपाईंले आफ्नो पाइथन प्रोग्रामको सुरुवातमा यी लाइब्रेरीहरू आयात गर्न प्रयोग गर्नुहुनेछ:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+प्यान्डास केही आधारभूत अवधारणाहरू वरिपरि केन्द्रित छ।
+
+### सिरिज 
+
+**सिरिज** भनेको मानहरूको अनुक्रम हो, जुन सूची वा नम्पाइ एरेसँग मिल्दोजुल्दो हुन्छ। मुख्य भिन्नता भनेको सिरिजसँग **इन्डेक्स** पनि हुन्छ, र जब हामी सिरिजमा अपरेशन गर्छौं (जस्तै, तिनीहरूलाई जोड्छौं), इन्डेक्सलाई ध्यानमा राखिन्छ। इन्डेक्स साधारण पूर्णांक पङ्क्ति नम्बर (सूची वा एरेबाट सिरिज बनाउँदा प्रयोग गरिने डिफल्ट इन्डेक्स) जत्तिकै सरल हुन सक्छ, वा यसले जटिल संरचना, जस्तै मिति अन्तराल, लिन सक्छ।
+
+> **नोट**: प्यान्डासको केही प्रारम्भिक कोड संग्लग्न नोटबुक [`notebook.ipynb`](notebook.ipynb) मा छ। हामी यहाँ केही उदाहरणहरू मात्र उल्लेख गर्छौं, र तपाईंलाई पूर्ण नोटबुक हेर्न स्वागत छ।
+
+उदाहरणको रूपमा विचार गर्नुहोस्: हामी हाम्रो आइसक्रिम पसलको बिक्री विश्लेषण गर्न चाहन्छौं। केही समय अवधिको लागि बिक्री सङ्ख्याहरू (प्रत्येक दिन बेचिएका वस्तुहरूको सङ्ख्या) को सिरिज उत्पन्न गरौं:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+print(f"Length of index is {len(idx)}")
+items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
+items_sold.plot()
+```
+![समय सिरिज प्लट](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.ne.png)
+
+अब कल्पना गर्नुहोस् कि प्रत्येक हप्ता हामी साथीहरूको लागि पार्टी आयोजना गर्छौं, र पार्टीको लागि १० प्याक आइसक्रिम थप्छौं। हामी अर्को सिरिज बनाउन सक्छौं, हप्ताद्वारा इन्डेक्स गरिएको, यो देखाउन:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+जब हामी दुई सिरिजलाई सँगै जोड्छौं, हामी कुल सङ्ख्या पाउँछौं:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![समय सिरिज प्लट](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.ne.png)
+
+> **नोट** कि हामीले साधारण `total_items+additional_items` सिन्ट्याक्स प्रयोग गरेका छैनौं। यदि हामीले त्यसो गरेका भए, हामीले परिणामस्वरूप धेरै `NaN` (*Not a Number*) मानहरू पाउने थियौं। यो किनभने `additional_items` सिरिजमा केही इन्डेक्स बिन्दुहरूको लागि मानहरू हराइरहेका छन्, र `NaN` लाई कुनै पनि चीजमा जोड्दा `NaN` परिणाम दिन्छ। त्यसैले हामीले थप गर्दा `fill_value` प्यारामिटर निर्दिष्ट गर्न आवश्यक छ।
+
+समय सिरिजको साथ, हामी फरक समय अन्तरालहरूसँग सिरिजलाई **पुनःनमूना** गर्न सक्छौं। उदाहरणका लागि, मानौं हामी मासिक औसत बिक्री मात्रा गणना गर्न चाहन्छौं। हामी निम्न कोड प्रयोग गर्न सक्छौं:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![मासिक समय सिरिज औसत](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.ne.png)
+
+### डाटाफ्रेम
+
+डाटाफ्रेम भनेको मूलतः एउटै इन्डेक्स भएका सिरिजहरूको सङ्ग्रह हो। हामी धेरै सिरिजहरूलाई सँगै डाटाफ्रेममा संयोजन गर्न सक्छौं:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+यसले यस्तो क्षैतिज तालिका बनाउँछ:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+हामी सिरिजलाई स्तम्भको रूपमा पनि प्रयोग गर्न सक्छौं, र डिक्सनरी प्रयोग गरेर स्तम्भ नाम निर्दिष्ट गर्न सक्छौं:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+यसले हामीलाई यस्तो तालिका दिन्छ:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**नोट** कि हामीले यो तालिका लेआउटलाई अघिल्लो तालिकालाई ट्रान्सपोज गरेर पनि प्राप्त गर्न सक्छौं, जस्तै 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+यहाँ `.T` ले डाटाफ्रेमलाई ट्रान्सपोज गर्ने अपरेशनलाई जनाउँछ, अर्थात् पङ्क्ति र स्तम्भहरू परिवर्तन गर्ने, र `rename` अपरेशनले स्तम्भहरूलाई अघिल्लो उदाहरणसँग मिलाउन नाम परिवर्तन गर्न अनुमति दिन्छ।
+
+डाटाफ्रेमहरूमा हामीले गर्न सक्ने केही सबैभन्दा महत्त्वपूर्ण अपरेशनहरू यहाँ छन्:
+
+**स्तम्भ चयन**। हामी `df['A']` लेखेर व्यक्तिगत स्तम्भहरू चयन गर्न सक्छौं - यो अपरेशनले सिरिज फर्काउँछ। हामी `df[['B','A']]` लेखेर अर्को डाटाफ्रेममा स्तम्भहरूको उपसमूह चयन गर्न सक्छौं - यसले अर्को डाटाफ्रेम फर्काउँछ।
+
+**केवल निश्चित पङ्क्तिहरू फिल्टर गर्ने**। उदाहरणका लागि, स्तम्भ `A` ५ भन्दा ठूलो भएका पङ्क्तिहरू मात्र राख्न, हामी `df[df['A']>5]` लेख्न सक्छौं।
+
+> **नोट**: फिल्टरिङ्गले काम गर्ने तरिका यस्तो छ। `df['A']<5` अभिव्यक्तिले बूलियन सिरिज फर्काउँछ, जसले मूल सिरिज `df['A']` को प्रत्येक तत्त्वको लागि अभिव्यक्ति `True` वा `False` छ कि छैन भनेर जनाउँछ। जब बूलियन सिरिजलाई इन्डेक्सको रूपमा प्रयोग गरिन्छ, यसले डाटाफ्रेममा पङ्क्तिहरूको उपसमूह फर्काउँछ। त्यसैले मनपर्ने पाइथन बूलियन अभिव्यक्ति प्रयोग गर्न सम्भव छैन, उदाहरणका लागि, `df[df['A']>5 and df['A']<7]` लेख्नु गलत हुनेछ। यसको सट्टा, तपाईंले बूलियन सिरिजमा विशेष `&` अपरेशन प्रयोग गर्नुपर्छ, जस्तै `df[(df['A']>5) & (df['A']<7)]` (*ब्र्याकेटहरू यहाँ महत्त्वपूर्ण छन्*)।
+
+**नयाँ गणनायोग्य स्तम्भहरू सिर्जना गर्ने**। हामी हाम्रो डाटाफ्रेमको लागि नयाँ गणनायोग्य स्तम्भहरू सहज अभिव्यक्ति प्रयोग गरेर सजिलै सिर्जना गर्न सक्छौं:
+```python
+df['DivA'] = df['A']-df['A'].mean() 
+``` 
+यो उदाहरणले A को यसको औसत मानबाट विचलन गणना गर्दछ। यहाँ वास्तवमा के हुन्छ भने हामी एउटा सिरिज गणना गर्छौं, र त्यसपछि यस सिरिजलाई बायाँपट्टि-हातको-पक्षमा असाइन गर्छौं, अर्को स्तम्भ सिर्जना गर्दै। त्यसैले, हामी कुनै पनि अपरेशनहरू प्रयोग गर्न सक्दैनौं जुन सिरिजसँग उपयुक्त छैन, उदाहरणका लागि, तलको कोड गलत छ:
+```python
+# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
+df['LenB'] = len(df['B']) # <- Wrong result
+``` 
+पछिल्लो उदाहरण, जबकि वाक्यविन्यासमा सही छ, हामीलाई गलत परिणाम दिन्छ, किनभने यसले स्तम्भमा सिरिज `B` को लम्बाइलाई सबै मानहरूमा असाइन गर्दछ, र हामीले चाहेको व्यक्तिगत तत्त्वहरूको लम्बाइ होइन।
+
+यदि हामीलाई यस्तो जटिल अभिव्यक्तिहरू गणना गर्न आवश्यक छ भने, हामी `apply` फङ्क्सन प्रयोग गर्न सक्छौं। अन्तिम उदाहरणलाई निम्नानुसार लेख्न सकिन्छ:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# or 
+df['LenB'] = df['B'].apply(len)
+```
+
+माथिका अपरेशनहरू पछि, हामीसँग निम्न डाटाफ्रेम हुनेछ:
+
+|     | A   | B      | DivA | LenB |
+| --- | --- | ------ | ---- | ---- |
+| 0   | 1   | I      | -4.0 | 1    |
+| 1   | 2   | like   | -3.0 | 4    |
+| 2   | 3   | to     | -2.0 | 2    |
+| 3   | 4   | use    | -1.0 | 3    |
+| 4   | 5   | Python | 0.0  | 6    |
+| 5   | 6   | and    | 1.0  | 3    |
+| 6   | 7   | Pandas | 2.0  | 6    |
+| 7   | 8   | very   | 3.0  | 4    |
+| 8   | 9   | much   | 4.0  | 4    |
+
+**संख्याको आधारमा पङ्क्तिहरू चयन गर्ने** `iloc` संरचना प्रयोग गरेर गर्न सकिन्छ। उदाहरणका लागि, डाटाफ्रेमबाट पहिलो ५ पङ्क्तिहरू चयन गर्न:
+```python
+df.iloc[:5]
+```
+
+**समूह बनाउने** प्रायः *पिभट तालिकाहरू* जस्तै परिणाम प्राप्त गर्न प्रयोग गरिन्छ। मानौं हामी `LenB` को प्रत्येक दिइएको सङ्ख्याको लागि स्तम्भ `A` को औसत मान गणना गर्न चाहन्छौं। त्यसपछि हामी हाम्रो डाटाफ्रेमलाई `LenB` द्वारा समूहबद्ध गर्न सक्छौं, र `mean` कल गर्न सक्छौं:
+```python
+df.groupby(by='LenB').mean()
+```
+यदि हामीलाई समूहमा औसत र तत्त्वहरूको सङ्ख्या गणना गर्न आवश्यक छ भने, हामी थप जटिल `aggregate` फङ्क्सन प्रयोग गर्न सक्छौं:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+यसले हामीलाई निम्न तालिका दिन्छ:
+
+| LenB | Count | Mean     |
+| ---- | ----- | -------- |
+| 1    | 1     | 1.000000 |
+| 2    | 1     | 3.000000 |
+| 3    | 2     | 5.000000 |
+| 4    | 3     | 6.333333 |
+| 6    | 2     | 6.000000 |
+
+### डाटा प्राप्त गर्दै
+हामीले देख्यौं कि Python वस्तुहरूबाट Series र DataFrames निर्माण गर्न कति सजिलो छ। तर, डाटा प्रायः पाठ फाइल वा Excel तालिकाको रूपमा आउँछ। सौभाग्यवश, Pandas ले हामीलाई डिस्कबाट डाटा लोड गर्न सजिलो तरिका प्रदान गर्दछ। उदाहरणका लागि, CSV फाइल पढ्न यति सजिलो छ:
+```python
+df = pd.read_csv('file.csv')
+```
+हामी "Challenge" खण्डमा बाह्य वेबसाइटहरूबाट डाटा ल्याउने सहित लोड गर्ने थप उदाहरणहरू हेर्नेछौं।
+
+### प्रिन्टिङ र प्लटिङ
+
+एक Data Scientist ले प्रायः डाटालाई अन्वेषण गर्नुपर्छ, त्यसैले यसलाई दृश्यात्मक बनाउन सक्षम हुनु महत्त्वपूर्ण छ। जब DataFrame ठूलो हुन्छ, धेरै पटक हामी केवल सुनिश्चित गर्न चाहन्छौं कि हामी सबै कुरा सही गरिरहेका छौं, त्यसका लागि पहिलो केही पङ्क्तिहरू प्रिन्ट गर्न चाहन्छौं। यो `df.head()` कल गरेर गर्न सकिन्छ। यदि तपाईंले यो Jupyter Notebook बाट चलाउनु भयो भने, यो DataFrame लाई राम्रो टेबलको रूपमा प्रिन्ट गर्नेछ।
+
+हामीले `plot` फङ्क्शनको प्रयोग गरेर केही स्तम्भहरूलाई दृश्यात्मक बनाउने कुरा पनि देखेका छौं। जबकि `plot` धेरै कार्यहरूको लागि उपयोगी छ, र `kind=` प्यारामिटर मार्फत विभिन्न प्रकारका ग्राफहरू समर्थन गर्दछ, तपाईं सधैं कच्चा `matplotlib` लाइब्रेरी प्रयोग गरेर थप जटिल कुरा प्लट गर्न सक्नुहुन्छ। हामी अलग पाठहरूमा डाटा दृश्यात्मकता विस्तारमा कभर गर्नेछौं।
+
+यो अवलोकनले Pandas का सबैभन्दा महत्त्वपूर्ण अवधारणाहरू समेट्छ, तर लाइब्रेरी धेरै समृद्ध छ, र तपाईंले यसबाट गर्न सक्ने कुराको कुनै सीमा छैन! अब हामी यो ज्ञानलाई विशिष्ट समस्याहरू समाधान गर्न प्रयोग गरौं।
+
+## 🚀 Challenge 1: COVID फैलावटको विश्लेषण
+
+पहिलो समस्या जसमा हामी केन्द्रित हुनेछौं, COVID-19 को महामारी फैलावटको मोडेलिङ हो। यसका लागि, हामी विभिन्न देशहरूमा संक्रमित व्यक्तिहरूको संख्या सम्बन्धी डाटा प्रयोग गर्नेछौं, जुन [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) द्वारा [Johns Hopkins University](https://jhu.edu/) मा प्रदान गरिएको छ। डाटासेट [यस GitHub Repository](https://github.com/CSSEGISandData/COVID-19) मा उपलब्ध छ।
+
+हामीले डाटासँग कसरी व्यवहार गर्ने देखाउन चाहन्छौं, त्यसैले कृपया [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) खोल्नुहोस् र माथिदेखि तलसम्म पढ्नुहोस्। तपाईंले सेलहरू चलाउन सक्नुहुन्छ, र अन्त्यमा हामीले छोडेका केही चुनौतीहरू गर्न सक्नुहुन्छ।
+
+![COVID फैलावट](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.ne.png)
+
+> यदि तपाईंलाई Jupyter Notebook मा कोड कसरी चलाउने थाहा छैन भने, [यस लेख](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) हेर्नुहोस्।
+
+## असंरचित डाटासँग काम गर्ने
+
+डाटा प्रायः तालिकाको रूपमा आउँछ, तर केही अवस्थामा हामी कम संरचित डाटासँग व्यवहार गर्नुपर्छ, जस्तै पाठ वा छविहरू। यस अवस्थामा, माथि देखिएका डाटा प्रशोधन प्रविधिहरू लागू गर्न, हामीले कुनै प्रकारको **संरचित डाटा निकाल्न** आवश्यक छ। यहाँ केही उदाहरणहरू छन्:
+
+* पाठबाट मुख्य शब्दहरू निकाल्ने, र ती शब्दहरू कति पटक देखा पर्छन् हेर्ने
+* तस्बिरमा वस्तुहरूको बारेमा जानकारी निकाल्न न्युरल नेटवर्क प्रयोग गर्ने
+* भिडियो क्यामेरा फिडमा व्यक्तिहरूको भावनाको जानकारी प्राप्त गर्ने
+
+## 🚀 Challenge 2: COVID कागजातहरूको विश्लेषण
+
+यस चुनौतीमा, हामी COVID महामारीको विषयलाई जारी राख्नेछौं, र यस विषयमा वैज्ञानिक कागजातहरूको प्रशोधनमा केन्द्रित हुनेछौं। [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) मा 7000 भन्दा बढी (लेखनको समयमा) COVID सम्बन्धी कागजातहरू उपलब्ध छन्, जसमा मेटाडाटा र सारांशहरू छन् (र तिनीहरूमध्ये लगभग आधामा पूर्ण पाठ पनि प्रदान गरिएको छ)।
+
+[Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) कग्निटिभ सेवाको प्रयोग गरेर यस डाटासेटको विश्लेषणको पूर्ण उदाहरण [यस ब्लग पोस्ट](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) मा वर्णन गरिएको छ। हामी यस विश्लेषणको सरल संस्करण छलफल गर्नेछौं।
+
+> **NOTE**: हामी यस रिपोजिटरीको भागको रूपमा डाटासेटको प्रतिलिपि प्रदान गर्दैनौं। तपाईंले पहिले [यस Kaggle डाटासेट](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) बाट [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) फाइल डाउनलोड गर्न आवश्यक हुन सक्छ। Kaggle मा दर्ता आवश्यक हुन सक्छ। तपाईंले दर्ता बिना [यहाँबाट](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html) पनि डाटासेट डाउनलोड गर्न सक्नुहुन्छ, तर यसमा मेटाडाटा फाइलको अतिरिक्त सबै पूर्ण पाठहरू समावेश हुनेछ।
+
+[`notebook-papers.ipynb`](notebook-papers.ipynb) खोल्नुहोस् र माथिदेखि तलसम्म पढ्नुहोस्। तपाईंले सेलहरू चलाउन सक्नुहुन्छ, र अन्त्यमा हामीले छोडेका केही चुनौतीहरू गर्न सक्नुहुन्छ।
+
+![Covid चिकित्सा उपचार](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.ne.png)
+
+## छवि डाटा प्रशोधन
+
+हालसालै, धेरै शक्तिशाली AI मोडेलहरू विकास भएका छन् जसले छविहरूलाई बुझ्न अनुमति दिन्छ। धेरै कार्यहरू छन् जसलाई प्रि-ट्रेन गरिएको न्युरल नेटवर्कहरू वा क्लाउड सेवाहरू प्रयोग गरेर समाधान गर्न सकिन्छ। केही उदाहरणहरू समावेश छन्:
+
+* **छवि वर्गीकरण**, जसले तपाईंलाई छविलाई पूर्व-परिभाषित वर्गहरू मध्ये एकमा वर्गीकृत गर्न मद्दत गर्न सक्छ। तपाईंले [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) जस्ता सेवाहरू प्रयोग गरेर सजिलै आफ्नै छवि वर्गीकरणकर्ता प्रशिक्षण गर्न सक्नुहुन्छ।
+* **वस्तु पहिचान** छविमा विभिन्न वस्तुहरू पत्ता लगाउन। [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) जस्ता सेवाहरूले धेरै सामान्य वस्तुहरू पत्ता लगाउन सक्छन्, र तपाईंले [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) मोडेललाई केही विशिष्ट चासोका वस्तुहरू पत्ता लगाउन प्रशिक्षण गर्न सक्नुहुन्छ।
+* **अनुहार पहिचान**, जसमा उमेर, लिङ्ग र भावना पहिचान समावेश छ। यो [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) मार्फत गर्न सकिन्छ।
+
+यी सबै क्लाउड सेवाहरू [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) प्रयोग गरेर कल गर्न सकिन्छ, र यसैले तपाईंको डाटा अन्वेषण कार्यप्रवाहमा सजिलै समावेश गर्न सकिन्छ।
+
+यहाँ छवि डाटा स्रोतहरूबाट डाटा अन्वेषणका केही उदाहरणहरू छन्:
+* ब्लग पोस्ट [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) मा हामी Instagram फोटोहरू अन्वेषण गर्छौं, मानिसहरूले फोटोमा बढी लाइक दिन के बनाउँछ भन्ने कुरा बुझ्न प्रयास गर्दै। हामीले [Computer Vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) प्रयोग गरेर तस्बिरहरूबाट सकेसम्म धेरै जानकारी निकाल्छौं, र त्यसपछि [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) प्रयोग गरेर व्याख्यात्मक मोडेल निर्माण गर्छौं।
+* [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) मा हामी [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) प्रयोग गरेर घटनाहरूको तस्बिरमा व्यक्तिहरूको भावनाहरू निकाल्छौं, मानिसहरूलाई खुशी बनाउने के हो भन्ने कुरा बुझ्न प्रयास गर्दै।
+
+## निष्कर्ष
+
+चाहे तपाईंसँग संरचित वा असंरचित डाटा होस्, Python प्रयोग गरेर तपाईं डाटा प्रशोधन र बुझाइसँग सम्बन्धित सबै चरणहरू प्रदर्शन गर्न सक्नुहुन्छ। यो सम्भवतः डाटा प्रशोधनको सबैभन्दा लचिलो तरिका हो, र यही कारणले अधिकांश डाटा वैज्ञानिकहरूले Python लाई आफ्नो प्राथमिक उपकरणको रूपमा प्रयोग गर्छन्। यदि तपाईं आफ्नो डाटा विज्ञान यात्रा गम्भीरतापूर्वक लिन चाहनुहुन्छ भने Python गहिरो रूपमा सिक्नु राम्रो विचार हो!
+
+## [पाठपश्चात क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## समीक्षा र आत्म अध्ययन
+
+**पुस्तकहरू**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**अनलाइन स्रोतहरू**
+* आधिकारिक [10 minutes to Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) ट्युटोरियल
+* [Pandas Visualization सम्बन्धी दस्तावेज](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
+
+**Python सिक्ने**
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse)
+* [Python को पहिलो चरणहरू लिनुहोस्](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) मा सिक्ने मार्ग
+
+## असाइनमेन्ट
+
+[माथिका चुनौतीहरूको लागि थप विस्तृत डाटा अध्ययन गर्नुहोस्](assignment.md)
+
+## क्रेडिट
+
+यो पाठ [Dmitry Soshnikov](http://soshnikov.com) द्वारा ♥️ सहित लेखिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/07-python/assignment.md b/translations/ne/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..a71e33cb
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-27T16:56:44+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "ne"
+}
+-->
+# डाटा प्रोसेसिङ्गको लागि पायथनमा असाइनमेन्ट
+
+यस असाइनमेन्टमा, हामी तपाईंलाई हाम्रो चुनौतीहरूमा विकास गर्न सुरु गरिएको कोडलाई विस्तृत गर्न अनुरोध गर्नेछौं। असाइनमेन्ट दुई भागहरूमा विभाजित छ:
+
+## COVID-19 फैलावट मोडेलिङ
+
+ - [ ] ५-६ विभिन्न देशहरूको *R* ग्राफहरू एउटै प्लटमा तुलना गर्नका लागि, वा सँगसँगै धेरै प्लटहरू प्रयोग गरेर देखाउनुहोस्।
+ - [ ] संक्रमित केसहरूको सङ्ख्यासँग मृत्यु र निको हुने केसहरूको सम्बन्ध कस्तो छ भनेर पत्ता लगाउनुहोस्।
+ - [ ] संक्रमण दर र मृत्यु दरलाई दृष्टिगत रूपमा तुलना गरेर र केही असमानताहरू खोजेर, एक सामान्य रोग कति दिनसम्म रहन्छ भनेर पत्ता लगाउनुहोस्। यो पत्ता लगाउन तपाईंले विभिन्न देशहरूको डाटा हेर्नुपर्ने हुन सक्छ।
+ - [ ] मृत्यु दर गणना गर्नुहोस् र यो समयसँगै कसरी परिवर्तन हुन्छ हेर्नुहोस्। *तपाईंले रोगको अवधि (दिनहरूमा) ध्यानमा राखेर, गणनाहरू गर्नु अघि एउटा समय श्रृङ्खलालाई सिफ्ट गर्न चाहन सक्नुहुन्छ।*
+
+## COVID-19 कागजातहरूको विश्लेषण
+
+- [ ] विभिन्न औषधिहरूको सह-अवस्थिति म्याट्रिक्स बनाउनुहोस्, र कुन औषधिहरू प्रायः सँगै देखा पर्छन् (जस्तै, एउटै सारांशमा उल्लेख गरिएको छ) हेर्नुहोस्। औषधि र रोग निदानहरूको सह-अवस्थिति म्याट्रिक्स बनाउनको लागि कोड परिमार्जन गर्न सक्नुहुन्छ।
+- [ ] यो म्याट्रिक्सलाई हिटम्याप प्रयोग गरेर दृश्यात्मक बनाउनुहोस्।
+- [ ] थप चुनौतीको रूपमा, औषधिहरूको सह-अवस्थितिलाई [chord diagram](https://en.wikipedia.org/wiki/Chord_diagram) प्रयोग गरेर दृश्यात्मक बनाउनुहोस्। [यो लाइब्रेरी](https://pypi.org/project/chord/) ले तपाईंलाई chord diagram बनाउन मद्दत गर्न सक्छ।
+- [ ] अर्को चुनौतीको रूपमा, विभिन्न औषधिहरूको मात्रा (जस्तै, *प्रत्येक दिन ४००mg क्लोरोक्विन लिनुहोस्* मा **४००mg**) नियमित अभिव्यक्तिहरू प्रयोग गरेर निकाल्नुहोस्, र विभिन्न औषधिहरूको लागि विभिन्न मात्राहरू देखाउने डाटाफ्रेम बनाउनुहोस्। **नोट**: औषधिको नामको नजिकै पाठ्य सामग्रीमा रहेका सङ्ख्यात्मक मानहरूलाई विचार गर्नुहोस्।
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+सबै कार्यहरू पूरा गरिएका छन्, ग्राफिक रूपमा देखाइएका छन् र व्याख्या गरिएका छन्, कम्तीमा एउटा चुनौतीपूर्ण लक्ष्य पूरा गरिएको छ | ५ भन्दा बढी कार्यहरू पूरा गरिएका छन्, कुनै चुनौतीपूर्ण लक्ष्य प्रयास गरिएको छैन, वा परिणाम स्पष्ट छैन | ५ भन्दा कम (तर ३ भन्दा बढी) कार्यहरू पूरा गरिएका छन्, दृश्यात्मकताले बुँदालाई प्रदर्शन गर्न मद्दत गर्दैन।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/08-data-preparation/README.md b/translations/ne/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..62e2dd2d
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,331 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-27T16:46:16+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "ne"
+}
+-->
+# डेटा संग काम गर्ने: डेटा तयारी
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा स्केच नोट ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|डेटा तयारी - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+कुनै पनि स्रोतबाट आएको कच्चा डेटा प्रायः असंगतिहरू समावेश गर्न सक्छ, जसले विश्लेषण र मोडलिङमा चुनौतीहरू निम्त्याउँछ। यसलाई "फोहोर" डेटा मान्न सकिन्छ, जसलाई सफा गर्न आवश्यक पर्छ। यो पाठले हराएको, गलत, वा अपूर्ण डेटा समाधान गर्न डेटा सफा गर्ने र परिवर्तन गर्ने प्रविधिहरूमा केन्द्रित छ। यस पाठमा समेटिएका विषयहरू Python र Pandas लाइब्रेरी प्रयोग गरेर [यस निर्देशिकाको नोटबुकमा](notebook.ipynb) प्रदर्शन गरिनेछ।
+
+## डेटा सफा गर्ने महत्त्व
+
+- **प्रयोग र पुन: प्रयोगको सजिलोपन**: जब डेटा राम्रोसँग व्यवस्थित र सामान्यीकृत हुन्छ, यसलाई खोज्न, प्रयोग गर्न, र अरूसँग साझा गर्न सजिलो हुन्छ।
+
+- **संगतता**: डेटा विज्ञानले प्रायः धेरै डेटा सेटहरूसँग काम गर्न आवश्यक पर्छ, जहाँ विभिन्न स्रोतहरूबाट आएका डेटा सेटहरूलाई एकसाथ जोड्नुपर्छ। प्रत्येक व्यक्तिगत डेटा सेटलाई समान मानकीकरण सुनिश्चित गर्दा, सबै डेटा सेटहरूलाई एकसाथ मिलाउँदा पनि उपयोगी रहन्छ।
+
+- **मोडलको शुद्धता**: सफा गरिएको डेटा प्रयोग गर्दा, यसमा आधारित मोडलहरूको शुद्धता सुधार हुन्छ।
+
+## सामान्य सफा गर्ने लक्ष्य र रणनीतिहरू
+
+- **डेटासेट अन्वेषण**: [पछिल्लो पाठ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) मा समेटिएको डेटा अन्वेषणले सफा गर्नुपर्ने डेटा पत्ता लगाउन मद्दत गर्दछ। डेटासेटभित्रका मानहरूलाई दृश्यात्मक रूपमा अवलोकन गर्दा, बाँकी डेटा कस्तो देखिन्छ भन्ने अपेक्षा गर्न सकिन्छ, वा समाधान गर्न सकिने समस्याहरूको विचार प्राप्त गर्न सकिन्छ। अन्वेषणमा आधारभूत क्वेरी, भिजुअलाइजेसन, र नमूना लिन समावेश हुन सक्छ।
+
+- **फर्म्याटिङ**: स्रोतको आधारमा, डेटा प्रस्तुत गर्ने तरिकामा असंगतिहरू हुन सक्छ। यसले खोजी र मानको प्रतिनिधित्वमा समस्या निम्त्याउन सक्छ, जहाँ डेटासेटभित्र देखिन्छ तर भिजुअलाइजेसन वा क्वेरी परिणामहरूमा सही रूपमा प्रस्तुत हुँदैन। सामान्य फर्म्याटिङ समस्याहरूमा खाली ठाउँ, मिति, र डेटा प्रकार समाधान गर्न समावेश हुन्छ। यी समस्याहरू समाधान गर्ने जिम्मेवारी प्रायः डेटा प्रयोग गर्ने व्यक्तिहरूको हुन्छ। उदाहरणका लागि, मिति र सङ्ख्या प्रस्तुत गर्ने मानक देशअनुसार फरक हुन सक्छ।
+
+- **डुप्लिकेसन**: डेटा जसको एकभन्दा बढी उपस्थिति छ, यसले गलत परिणाम उत्पादन गर्न सक्छ र प्रायः हटाउनुपर्छ। यो दुई वा बढी डेटा सेटहरूलाई जोड्दा सामान्य रूपमा देखिने समस्या हो। तर, कहिलेकाहीँ जोडिएका डेटा सेटहरूमा डुप्लिकेसनले थप जानकारी प्रदान गर्न सक्छ र यसलाई सुरक्षित राख्न आवश्यक हुन सक्छ।
+
+- **हराएको डेटा**: हराएको डेटा गलत परिणामहरू र पक्षपाती नतिजाहरू निम्त्याउन सक्छ। कहिलेकाहीँ यसलाई डेटा पुनः लोड गरेर, Python जस्ता कोड प्रयोग गरेर हराएका मानहरू भरेर, वा केवल मान र सम्बन्धित डेटा हटाएर समाधान गर्न सकिन्छ। डेटा किन र कसरी हरायो भन्ने आधारमा समाधानका उपायहरू फरक हुन सक्छन्।
+
+## DataFrame जानकारी अन्वेषण गर्दै
+> **शिक्षण लक्ष्य:** यस उपविभागको अन्त्यसम्ममा, तपाईं pandas DataFrame मा भण्डारण गरिएको डेटा सम्बन्धी सामान्य जानकारी पत्ता लगाउन सहज हुनुहुनेछ।
+
+जब तपाईंले pandas मा आफ्नो डेटा लोड गर्नुहुन्छ, यो प्रायः DataFrame मा हुनेछ (विस्तृत जानकारीको लागि [पछिल्लो पाठ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) हेर्नुहोस्)। तर, यदि तपाईंको DataFrame मा 60,000 पङ्क्ति र 400 स्तम्भ छन् भने, तपाईंले काम गर्नुपर्ने डेटा कस्तो छ भन्ने थाहा कसरी पाउनुहुन्छ? सौभाग्यवश, [pandas](https://pandas.pydata.org/) ले DataFrame को समग्र जानकारी छिटो हेर्नका लागि केही सुविधाजनक उपकरणहरू प्रदान गर्दछ, साथै पहिलो र अन्तिम केही पङ्क्तिहरू हेर्न पनि।
+
+यस कार्यक्षमता अन्वेषण गर्न, हामी Python को scikit-learn लाइब्रेरी आयात गर्नेछौं र एक प्रसिद्ध डेटासेट प्रयोग गर्नेछौं: **Iris डेटा सेट**।
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: सुरु गर्न, `info()` विधि प्रयोग गरेर `DataFrame` मा रहेको सामग्रीको सारांश प्रिन्ट गर्न सकिन्छ। यो डेटासेटमा के छ हेर्नुहोस्:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+यसबाट, हामीलाई थाहा हुन्छ कि *Iris* डेटासेटमा चार स्तम्भहरूमा 150 प्रविष्टिहरू छन् र कुनै पनि null प्रविष्टिहरू छैनन्। सबै डेटा 64-बिट फ्लोटिङ-पोइन्ट सङ्ख्याहरूको रूपमा भण्डारण गरिएको छ।
+
+- **DataFrame.head()**: त्यसपछि, `DataFrame` को वास्तविक सामग्री जाँच गर्न, हामी `head()` विधि प्रयोग गर्छौं। हाम्रो `iris_df` को पहिलो केही पङ्क्तिहरू कस्तो देखिन्छ हेर्नुहोस्:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: विपरीत रूपमा, `DataFrame` को अन्तिम केही पङ्क्तिहरू जाँच गर्न, हामी `tail()` विधि प्रयोग गर्छौं:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **मुख्य कुरा:** DataFrame मा रहेको जानकारीको मेटाडेटा हेर्दा वा पहिलो र अन्तिम केही मानहरू हेर्दा, तपाईंले आफ्नो डेटा कस्तो छ भन्ने आकार, प्रकार, र सामग्रीको तत्काल विचार प्राप्त गर्न सक्नुहुन्छ।
+
+## हराएको डेटा समाधान गर्दै
+> **शिक्षण लक्ष्य:** यस उपविभागको अन्त्यसम्ममा, तपाईं DataFrame बाट null मानहरू प्रतिस्थापन गर्न वा हटाउन जान्नुहुनेछ।
+
+प्रायः तपाईंले प्रयोग गर्न चाहने (वा गर्नुपर्ने) डेटासेटहरूमा हराएका मानहरू हुन्छन्। हराएको डेटा कसरी समाधान गरिन्छ भन्ने साना व्यापार-सम्झौताहरू हुन्छन्, जसले तपाईंको अन्तिम विश्लेषण र वास्तविक संसारको परिणामहरूलाई असर गर्न सक्छ।
+
+Pandas ले हराएका मानहरू दुई तरिकाले समाधान गर्छ। पहिलो, जुन तपाईंले अघिल्ला खण्डहरूमा देख्नुभएको छ: `NaN`, वा Not a Number। यो वास्तवमा IEEE फ्लोटिङ-पोइन्ट निर्दिष्टीकरणको एक विशेष मान हो र यो केवल हराएका फ्लोटिङ-पोइन्ट मानहरू संकेत गर्न प्रयोग गरिन्छ।
+
+फ्लोट बाहेकका हराएका मानहरूको लागि, pandas ले Python को `None` वस्तु प्रयोग गर्छ। जबकि `NaN` र `None` ले उस्तै कुरा संकेत गर्छन्, यी दुईको प्रयोगले pandas लाई धेरैजसो अवस्थामा राम्रो सन्तुलन प्रदान गर्न सक्षम बनाउँछ। 
+
+`NaN` र `None` को बारेमा थप जानकारी [नोटबुक](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) मा हेर्नुहोस्!
+
+- **Null मानहरू पत्ता लगाउँदै**: `pandas` मा, `isnull()` र `notnull()` विधिहरू null डेटा पत्ता लगाउनका लागि मुख्य विधिहरू हुन्। दुवैले Boolean मास्कहरू फिर्ता गर्छन्। हामी `numpy` लाई `NaN` मानहरूको लागि प्रयोग गर्नेछौं:
+```python
+import numpy as np
+
+example1 = pd.Series([0, np.nan, '', None])
+example1.isnull()
+```
+```
+0    False
+1     True
+2    False
+3     True
+dtype: bool
+```
+आउटपुटलाई ध्यानपूर्वक हेर्नुहोस्। के यसले तपाईंलाई अचम्मित बनायो? 
+
+> **मुख्य कुरा:** `isnull()` र `notnull()` विधिहरूले `DataFrame` मा समान परिणामहरू उत्पादन गर्छन्: यीले परिणामहरू र तिनका अनुक्रमणिका देखाउँछन्, जसले तपाईंलाई डेटा समाधान गर्दा धेरै मद्दत गर्दछ।
+
+- **Null मानहरू हटाउँदै**: Null मानहरू पत्ता लगाउनु बाहेक, pandas ले `Series` र `DataFrame` बाट null मानहरू हटाउन सुविधाजनक उपाय प्रदान गर्दछ। 
+
+```python
+example1 = example1.dropna()
+example1
+```
+```
+0    0
+2     
+dtype: object
+```
+
+```python
+example2 = pd.DataFrame([[1,      np.nan, 7], 
+                         [2,      5,      8], 
+                         [np.nan, 6,      9]])
+example2
+```
+|      | 0 | 1 | 2 |
+|------|---|---|---|
+|0     |1.0|NaN|7  |
+|1     |2.0|5.0|8  |
+|2     |NaN|6.0|9  |
+
+```python
+example2.dropna()
+```
+```
+	0	1	2
+1	2.0	5.0	8
+```
+
+```python
+example2.dropna(axis='columns')
+```
+```
+	2
+0	7
+1	8
+2	9
+```
+
+```python
+example2[3] = np.nan
+example2
+```
+|      |0  |1  |2  |3  |
+|------|---|---|---|---|
+|0     |1.0|NaN|7  |NaN|
+|1     |2.0|5.0|8  |NaN|
+|2     |NaN|6.0|9  |NaN|
+
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+	0	1	2	3
+1	2.0	5.0	8	NaN
+```
+
+- **Null मानहरू भर्दै**: कहिलेकाहीँ, null मानहरू हटाउनुको सट्टा तिनलाई वैध मानहरूसँग भर्नु राम्रो हुन्छ। 
+
+```python
+example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
+example3
+```
+```
+a    1.0
+b    NaN
+c    2.0
+d    NaN
+e    3.0
+dtype: float64
+```
+
+```python
+example3.fillna(0)
+```
+```
+a    1.0
+b    0.0
+c    2.0
+d    0.0
+e    3.0
+dtype: float64
+```
+
+```python
+example3.fillna(method='ffill')
+```
+```
+a    1.0
+b    1.0
+c    2.0
+d    2.0
+e    3.0
+dtype: float64
+```
+
+```python
+example3.fillna(method='bfill')
+```
+```
+a    1.0
+b    2.0
+c    2.0
+d    3.0
+e    3.0
+dtype: float64
+```
+
+```python
+example2.fillna(method='ffill', axis=1)
+```
+```
+	0	1	2	3
+0	1.0	1.0	7.0	7.0
+1	2.0	5.0	8.0	8.0
+2	NaN	6.0	9.0	9.0
+```
+
+ध्यान दिनुहोस्, जब अघिल्लो मान उपलब्ध छैन, null मान यथावत् रहन्छ।
+> **मुख्य कुरा:** तपाईंको डेटासेटमा हराएका मानहरूलाई व्यवस्थापन गर्न धेरै तरिकाहरू छन्। तपाईंले कुन विशेष रणनीति अपनाउनुहुन्छ (उनीहरूलाई हटाउने, प्रतिस्थापन गर्ने, वा कसरी प्रतिस्थापन गर्ने) त्यो डेटाको विशेषताहरूले निर्धारण गर्छ। डेटासेटसँग धेरै काम गर्दै जाँदा र अन्तरक्रिया गर्दै जाँदा हराएका मानहरूलाई कसरी व्यवस्थापन गर्ने भन्ने राम्रो ज्ञान विकास हुनेछ।
+
+## नक्कल डेटा हटाउने
+
+> **शिक्षण लक्ष्य:** यो उपविभागको अन्त्यसम्ममा, तपाईं DataFrames बाट नक्कल मानहरू पहिचान गर्न र हटाउन सहज हुनुहुनेछ।
+
+हराएको डेटाका अतिरिक्त, तपाईंले वास्तविक संसारका डेटासेटहरूमा प्रायः नक्कल डेटा पनि भेट्नुहुनेछ। सौभाग्यवश, `pandas` ले नक्कल प्रविष्टिहरू पत्ता लगाउन र हटाउन सजिलो माध्यम प्रदान गर्दछ।
+
+- **नक्कल पहिचान गर्ने: `duplicated`**: pandas मा `duplicated` विधि प्रयोग गरेर तपाईं सजिलै नक्कल मानहरू पत्ता लगाउन सक्नुहुन्छ। यसले Boolean मास्क फिर्ता गर्छ, जसले `DataFrame` मा कुनै प्रविष्टि पहिलेको प्रविष्टिको नक्कल हो कि होइन भनेर देखाउँछ। यो क्रियामा हेर्नको लागि अर्को उदाहरण `DataFrame` सिर्जना गरौं।
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **नक्कल हटाउने: `drop_duplicates`:** यसले `duplicated` मानहरू `False` भएका डेटा मात्र समावेश गर्ने प्रतिलिपि फिर्ता गर्छ:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+`duplicated` र `drop_duplicates` दुवैले डिफल्ट रूपमा सबै स्तम्भहरूलाई विचार गर्छन्, तर तपाईं आफ्नो `DataFrame` मा केही स्तम्भहरूको उपसमूह मात्र जाँच गर्न निर्दिष्ट गर्न सक्नुहुन्छ:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **मुख्य कुरा:** नक्कल डेटा हटाउनु लगभग हरेक डेटा-विज्ञान परियोजनाको महत्त्वपूर्ण भाग हो। नक्कल डेटा तपाईंको विश्लेषणको नतिजा परिवर्तन गर्न सक्छ र तपाईंलाई गलत नतिजा दिन सक्छ!
+
+## 🚀 चुनौती
+
+यहाँ छलफल गरिएका सबै सामग्रीहरू [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) को रूपमा उपलब्ध छन्। साथै, प्रत्येक खण्डपछि अभ्यासहरू पनि छन्, तिनीहरूलाई प्रयास गर्नुहोस्!
+
+## [पोस्ट-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+## समीक्षा र आत्म-अध्ययन
+
+तपाईंको डेटा विश्लेषण र मोडेलिङको लागि तयार पार्न र सफा गर्न धेरै तरिकाहरू छन्, र डेटा सफा गर्नु "व्यावहारिक" अनुभव हो। Kaggle बाट यी चुनौतीहरू प्रयास गर्नुहोस् जसले यस पाठले समेट्न नसकेको प्रविधिहरू अन्वेषण गर्न मद्दत गर्दछ।
+
+- [डेटा सफा गर्ने चुनौती: मिति पार्सिङ](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [डेटा सफा गर्ने चुनौती: स्केल र सामान्यीकरण](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+## असाइनमेन्ट
+
+[फारमबाट डेटा मूल्याङ्कन गर्ने](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/08-data-preparation/assignment.md b/translations/ne/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..2bb6c550
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-27T16:49:49+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "ne"
+}
+-->
+# फारमबाट डेटा मूल्याङ्कन गर्दै
+
+एक ग्राहकले आफ्नो ग्राहक आधारको बारेमा केही आधारभूत डेटा सङ्कलन गर्न [सानो फारम](../../../../2-Working-With-Data/08-data-preparation/index.html) परीक्षण गरिरहेका छन्। उनीहरूले सङ्कलन गरेको डेटा प्रमाणित गर्नका लागि आफ्नो निष्कर्षहरू तपाईंलाई ल्याएका छन्। तपाईंले ब्राउजरमा `index.html` पृष्ठ खोलेर फारम हेर्न सक्नुहुन्छ।
+
+तपाईंलाई फारमबाट सङ्कलित प्रविष्टिहरू र केही आधारभूत भिजुअलाइजेसनहरू समावेश गर्ने [csv रेकर्डहरूको डेटासेट](../../../../data/form.csv) प्रदान गरिएको छ। ग्राहकले केही भिजुअलाइजेसनहरू गलत देखिन्छन् भनेर औंल्याएका छन्, तर तिनीहरूलाई कसरी समाधान गर्ने भन्नेमा निश्चित छैनन्। तपाईं यसलाई [असाइनमेन्ट नोटबुक](assignment.ipynb) मा अन्वेषण गर्न सक्नुहुन्छ।
+
+## निर्देशनहरू
+
+यस पाठमा भएका प्रविधिहरू प्रयोग गरेर फारमले सटीक र स्थिर जानकारी सङ्कलन गर्न सिफारिसहरू तयार गर्नुहोस्।
+
+## मूल्याङ्कन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/2-Working-With-Data/README.md b/translations/ne/2-Working-With-Data/README.md
new file mode 100644
index 00000000..d123fe58
--- /dev/null
+++ b/translations/ne/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-27T16:41:03+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटासँग काम गर्ने
+
+![data love](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.ne.jpg)
+> फोटो: <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">एलेक्जेन्डर सिन</a> द्वारा <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा उपलब्ध
+
+यी पाठहरूमा, तपाईंले डाटालाई व्यवस्थापन, हेरफेर, र अनुप्रयोगहरूमा प्रयोग गर्न सकिने केही तरिकाहरू सिक्नुहुनेछ। तपाईंले सम्बन्धात्मक (relational) र गैर-सम्बन्धात्मक (non-relational) डाटाबेसहरूको बारेमा सिक्नुहुनेछ र तिनमा डाटा कसरी भण्डारण गर्न सकिन्छ भन्ने कुरा बुझ्नुहुनेछ। तपाईंले डाटालाई व्यवस्थापन गर्न Python प्रयोग गर्ने आधारभूत कुराहरू सिक्नुहुनेछ, साथै Python प्रयोग गरेर डाटालाई व्यवस्थापन र खनन गर्ने विभिन्न तरिकाहरू पत्ता लगाउनुहुनेछ।
+
+### विषयवस्तुहरू
+
+1. [सम्बन्धात्मक डाटाबेसहरू](05-relational-databases/README.md)
+2. [गैर-सम्बन्धात्मक डाटाबेसहरू](06-non-relational/README.md)
+3. [Python प्रयोग गरेर काम गर्ने](07-python/README.md)
+4. [डाटालाई तयार पार्ने](08-data-preparation/README.md)
+
+### श्रेय
+
+यी पाठहरू ❤️ का साथ [क्रिस्टोफर ह्यारिसन](https://twitter.com/geektrainer), [दिमित्री सोश्निकोभ](https://twitter.com/shwars) र [ज्यास्मिन ग्रीनअवे](https://twitter.com/paladique) द्वारा लेखिएका हुन्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/09-visualization-quantities/README.md b/translations/ne/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..7199d315
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-27T18:39:58+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "ne"
+}
+-->
+# परिमाणहरूको दृश्यात्मकता
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| परिमाणहरूको दृश्यात्मकता - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+यस पाठमा तपाईंले परिमाणको अवधारणालाई केन्द्रमा राखेर रोचक दृश्यात्मकता सिर्जना गर्नका लागि उपलब्ध धेरै Python पुस्तकालयहरू मध्ये एकको प्रयोग गर्न सिक्नुहुनेछ। मिनेसोटाका चराहरूको सफा गरिएको डेटासेट प्रयोग गरेर, तपाईंले स्थानीय वन्यजन्तुका बारेमा धेरै रोचक तथ्यहरू जान्न सक्नुहुन्छ।  
+## [पाठपूर्व प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Matplotlib प्रयोग गरेर पखेटाको फैलावट अवलोकन गर्नुहोस्
+
+[Matplotlib](https://matplotlib.org/stable/index.html) एउटा उत्कृष्ट पुस्तकालय हो जसले विभिन्न प्रकारका साधारण र जटिल प्लटहरू र चार्टहरू सिर्जना गर्न मद्दत गर्दछ। सामान्यतया, यी पुस्तकालयहरूको प्रयोग गरेर डेटा प्लट गर्ने प्रक्रियामा तपाईंको डेटा फ्रेमको लक्षित भागहरू पहिचान गर्नु, आवश्यक परिमार्जनहरू गर्नु, यसको x र y अक्ष मानहरू तोक्नु, कुन प्रकारको प्लट देखाउने निर्णय गर्नु, र त्यसपछि प्लट देखाउनु समावेश हुन्छ। Matplotlib ले धेरै प्रकारका दृश्यात्मकताहरू प्रदान गर्दछ, तर यस पाठका लागि, परिमाण देखाउन उपयुक्त चार्टहरूमा ध्यान केन्द्रित गरौं: लाइन चार्ट, स्क्याटरप्लट, र बार प्लट।
+
+> ✅ तपाईंको डेटा संरचना र तपाईंले भन्न चाहेको कथालाई उपयुक्त बनाउने उत्तम चार्ट प्रयोग गर्नुहोस्।  
+> - समयक्रममा प्रवृत्ति विश्लेषण गर्न: लाइन  
+> - मानहरूको तुलना गर्न: बार, स्तम्भ, पाई, स्क्याटरप्लट  
+> - भागहरू सम्पूर्णसँग कसरी सम्बन्धित छन् देखाउन: पाई  
+> - डेटा वितरण देखाउन: स्क्याटरप्लट, बार  
+> - प्रवृत्ति देखाउन: लाइन, स्तम्भ  
+> - मानहरू बीचको सम्बन्ध देखाउन: लाइन, स्क्याटरप्लट, बबल  
+
+यदि तपाईंसँग डेटासेट छ र कुनै वस्तुको कति मात्रामा समावेश छ भनेर पत्ता लगाउन आवश्यक छ भने, तपाईंको पहिलो कार्य यसको मानहरू निरीक्षण गर्नु हुनेछ।  
+
+✅ Matplotlib का लागि धेरै राम्रो 'चीट शीट' [यहाँ](https://matplotlib.org/cheatsheets/cheatsheets.pdf) उपलब्ध छन्।
+
+## पखेटाको फैलावटको बारेमा लाइन प्लट बनाउनुहोस्
+
+यस पाठ फोल्डरको जडमा रहेको `notebook.ipynb` फाइल खोल्नुहोस् र एउटा सेल थप्नुहोस्।  
+
+> नोट: डेटा यस रिपोजिटरीको जडमा रहेको `/data` फोल्डरमा भण्डारण गरिएको छ।  
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+यो डेटा पाठ्य र संख्यात्मक मानहरूको मिश्रण हो:
+
+|      | नाम                          | वैज्ञानिक नाम          | वर्ग                  | क्रम         | परिवार   | वंश         | संरक्षण स्थिति | न्यूनतम लम्बाइ | अधिकतम लम्बाइ | न्यूनतम शरीर भार | अधिकतम शरीर भार | न्यूनतम पखेटा फैलावट | अधिकतम पखेटा फैलावट |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | कालो-पेट भएको सिठ्ठी बतख     | Dendrocygna autumnalis | बतख/हंस/पानीपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्भस सिठ्ठी बतख            | Dendrocygna bicolor    | बतख/हंस/पानीपक्षी     | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | हिउँ हंस                     | Anser caerulescens     | बतख/हंस/पानीपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रॉसको हंस                    | Anser rossii           | बतख/हंस/पानीपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ठूलो सेतो-फ्रन्टेड हंस       | Anser albifrons        | बतख/हंस/पानीपक्षी     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+आउनुहोस्, यी रोचक चराहरूको अधिकतम पखेटा फैलावटको दृश्यात्मकता बनाउन सुरु गरौं।  
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![Max Wingspan](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.ne.png)
+
+तपाईंले के तुरुन्तै देख्नुभयो? कम्तीमा एउटा बाहिरको मान (outlier) देखिन्छ - यो त धेरै ठूलो पखेटा फैलावट हो! २३०० सेन्टिमिटर पखेटा फैलावट भनेको २३ मिटर हो - के मिनेसोटामा प्टेरोड्याक्टाइलहरू छन्? अनुसन्धान गरौं।  
+
+तपाईं Excel मा छिटो सर्ट गरेर यी बाहिरका मानहरू (जसलाई सम्भवतः टाइपो हो) पत्ता लगाउन सक्नुहुन्छ, तर प्लटभित्रैबाट काम गर्दै दृश्यात्मकता प्रक्रिया जारी राख्नुहोस्।  
+
+x-अक्षमा लेबलहरू थपेर कुन प्रकारका चराहरू छन् भनेर देखाउनुहोस्:  
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![wingspan with labels](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.ne.png)
+
+लेबलहरूलाई ४५ डिग्रीमा घुमाउँदा पनि, धेरै पढ्न गाह्रो छ। अर्को रणनीति प्रयास गरौं: केवल ती बाहिरका मानहरूलाई लेबल गर्नुहोस् र चार्टभित्रै लेबल सेट गर्नुहोस्। तपाईंले स्क्याटर चार्ट प्रयोग गरेर लेबलिङको लागि थप ठाउँ बनाउन सक्नुहुन्छ:  
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+यहाँ के भइरहेको छ? तपाईंले `tick_params` प्रयोग गरेर तलका लेबलहरू लुकाउनुभयो र त्यसपछि तपाईंको चराहरूको डेटासेटमा लूप सिर्जना गर्नुभयो। `bo` प्रयोग गरेर साना निलो गोलाकार बिन्दुहरू प्लट गर्दै, तपाईंले अधिकतम पखेटा फैलावट ५०० भन्दा बढी भएका चराहरू जाँच्नुभयो र यदि त्यस्तो भएमा बिन्दुको छेउमा तिनीहरूको नाम देखाउनुभयो। तपाईंले लेबलहरू y-अक्षमा अलिकति सार्नुभयो (`y * (1 - 0.05)`) र चराको नामलाई लेबलको रूपमा प्रयोग गर्नुभयो।  
+
+तपाईंले के पत्ता लगाउनुभयो?  
+
+![outliers](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.ne.png)  
+## तपाईंको डेटा फिल्टर गर्नुहोस्  
+
+बाल्ड ईगल र प्रेरी फाल्कन, सम्भवतः धेरै ठूला चराहरू भए पनि, तिनीहरूको अधिकतम पखेटा फैलावटमा अतिरिक्त `0` थपिएको जस्तो देखिन्छ। २५ मिटर पखेटा फैलावट भएको बाल्ड ईगल भेट्न सम्भावना छैन, तर यदि भेट्नुभयो भने, कृपया हामीलाई जानकारी दिनुहोस्! ती दुई बाहिरका मानहरू बिना नयाँ डेटाफ्रेम सिर्जना गरौं:  
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+बाहिरका मानहरू फिल्टर गरेर, तपाईंको डेटा अब बढी सुसंगत र बुझ्न सजिलो भएको छ।  
+
+![scatterplot of wingspans](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.ne.png)  
+
+अब हामीसँग पखेटा फैलावटको हिसाबले सफा डेटासेट छ, आउनुहोस् यी चराहरूको बारेमा थप पत्ता लगाऔं।  
+
+लाइन र स्क्याटर प्लटहरूले डेटा मानहरू र तिनीहरूको वितरणको बारेमा जानकारी देखाउन सक्छन्, तर हामी यस डेटासेटमा निहित मानहरूको बारेमा सोच्न चाहन्छौं। तपाईंले परिमाणको बारेमा निम्न प्रश्नहरूको उत्तर दिन दृश्यात्मकता सिर्जना गर्न सक्नुहुन्छ:  
+
+> कति वर्गका चराहरू छन्, र तिनीहरूको संख्या कति छ?  
+> कति चरा लोप भएका, संकटग्रस्त, दुर्लभ, वा सामान्य छन्?  
+> लिनियसको शब्दावलीमा विभिन्न वंश र क्रमहरूको संख्या कति छ?  
+## बार चार्टहरूको अन्वेषण गर्नुहोस्  
+
+जब तपाईंलाई डेटा समूहहरूको प्रदर्शन गर्न आवश्यक हुन्छ, बार चार्टहरू व्यावहारिक हुन्छन्। यस डेटासेटमा रहेका चराहरूका वर्गहरूको अन्वेषण गरौं ताकि कुन वर्ग सबैभन्दा सामान्य छ भनेर थाहा पाउन सकियोस्।  
+
+नोटबुक फाइलमा एउटा आधारभूत बार चार्ट सिर्जना गर्नुहोस्।  
+
+✅ नोट, तपाईंले अघिल्लो खण्डमा पहिचान गरिएका दुई बाहिरका चराहरूलाई फिल्टर गर्न सक्नुहुन्छ, तिनीहरूको पखेटा फैलावटमा टाइपो सम्पादन गर्न सक्नुहुन्छ, वा यी अभ्यासहरूमा तिनीहरूलाई समावेश गर्न सक्नुहुन्छ जसले पखेटा फैलावट मानहरूमा निर्भर गर्दैन।  
+
+यदि तपाईं बार चार्ट सिर्जना गर्न चाहनुहुन्छ भने, तपाईंले ध्यान केन्द्रित गर्न चाहेको डेटा चयन गर्न सक्नुहुन्छ। बार चार्टहरू कच्चा डेटाबाट सिर्जना गर्न सकिन्छ:  
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![full data as a bar chart](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.ne.png)  
+
+तर यो बार चार्ट पढ्न गाह्रो छ किनभने धेरै गैर-समूहित डेटा छ। तपाईंले केवल प्लट गर्न चाहेको डेटा चयन गर्न आवश्यक छ, त्यसैले चराहरूको वर्गको आधारमा तिनीहरूको लम्बाइ हेर्नुहोस्।  
+
+तपाईंको डेटा केवल चराहरूको वर्ग समावेश गर्न फिल्टर गर्नुहोस्।  
+
+✅ ध्यान दिनुहोस् कि तपाईंले डेटा व्यवस्थापन गर्न Pandas प्रयोग गर्नुहुन्छ, र त्यसपछि चार्टिङ गर्न Matplotlib प्रयोग गर्नुहुन्छ।  
+
+किनभने धेरै वर्गहरू छन्, तपाईंले यो चार्ट ठाडो रूपमा प्रदर्शन गर्न सक्नुहुन्छ र सबै डेटा समेट्न यसको उचाइ समायोजन गर्न सक्नुहुन्छ:  
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![category and length](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.ne.png)  
+
+यो बार चार्टले प्रत्येक वर्गमा रहेका चराहरूको संख्या राम्रोसँग देखाउँछ। एक झलकमा, तपाईंले देख्न सक्नुहुन्छ कि यस क्षेत्रमा सबैभन्दा धेरै चरा बतख/हंस/पानीपक्षी वर्गमा छन्। मिनेसोटा '१०,००० तालहरूको भूमि' भएकाले यो आश्चर्यजनक छैन!  
+
+✅ यस डेटासेटमा केही अन्य गणनाहरू प्रयास गर्नुहोस्। के तपाईंलाई केही चकित पार्छ?  
+
+## डेटा तुलना गर्नुहोस्  
+
+तपाईंले नयाँ अक्ष सिर्जना गरेर समूहित डेटाको विभिन्न तुलना प्रयास गर्न सक्नुहुन्छ। चराको वर्गको आधारमा चराको अधिकतम लम्बाइको तुलना प्रयास गर्नुहोस्:  
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![comparing data](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.ne.png)  
+
+यहाँ केही आश्चर्यजनक छैन: हमिंगबर्डहरूको अधिकतम लम्बाइ पेलिकन वा हंसको तुलनामा सबैभन्दा कम छ। जब डेटा तार्किक रूपमा अर्थपूर्ण हुन्छ, यो राम्रो कुरा हो!  
+
+तपाईंले बार चार्टहरूको थप रोचक दृश्यात्मकता सिर्जना गर्न डेटा सुपरइम्पोज गर्न सक्नुहुन्छ। आउनुहोस्, कुनै दिइएको चराको वर्गमा न्यूनतम र अधिकतम लम्बाइ सुपरइम्पोज गरौं:  
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+यस प्लटमा, तपाईंले न्यूनतम लम्बाइ र अधिकतम लम्बाइको दायरा प्रति चराको वर्ग देख्न सक्नुहुन्छ। तपाईं सुरक्षित रूपमा भन्न सक्नुहुन्छ कि, यो डेटाका आधारमा, चरा जति ठूलो हुन्छ, यसको लम्बाइ दायरा त्यति नै ठूलो हुन्छ। रोचक!  
+
+![superimposed values](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.ne.png)  
+
+## 🚀 चुनौती  
+
+यो चराको डेटासेटले विशेष पारिस्थितिकी तन्त्रभित्रका विभिन्न प्रकारका चराहरूको बारेमा जानकारीको खजाना प्रदान गर्दछ। इन्टरनेटमा खोजी गर्नुहोस् र अन्य चरा-उन्मुख डेटासेटहरू फेला पार्न प्रयास गर्नुहोस्। यी चराहरूको वरिपरि चार्ट र ग्राफहरू निर्माण गर्ने अभ्यास गर्नुहोस् ताकि तपाईंले नबुझेका तथ्यहरू पत्ता लगाउन सक्नुहुन्छ।  
+## [पाठपछिको प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## समीक्षा र आत्म-अध्ययन  
+
+यस पहिलो पाठले तपाईंलाई परिमाणहरू दृश्यात्मक बनाउन Matplotlib प्रयोग गर्ने केही जानकारी दिएको छ। दृश्यात्मकताका लागि डेटासेटहरूसँग काम गर्ने अन्य तरिकाहरूको बारेमा अनुसन्धान गर्नुहोस्। [Plotly](https://github.com/plotly/plotly.py) एउटा हो जसलाई हामी यी पाठहरूमा समेट्ने छैनौं, त्यसैले यसले के प्रस्ताव गर्न सक्छ हेर्नुहोस्।  
+## असाइनमेन्ट  
+
+[लाइन, स्क्याटर, र बारहरू](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/ne/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..6e8109cf
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-27T18:42:22+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "ne"
+}
+-->
+# रेखा, स्क्याटर र बारहरू
+
+## निर्देशनहरू
+
+यस पाठमा, तपाईंले रेखा चार्टहरू, स्क्याटरप्लटहरू, र बार चार्टहरू प्रयोग गरेर यो डेटासेटको रोचक तथ्यहरू देखाउनुभयो। यस असाइनमेन्टमा, डेटासेटलाई अझ गहिरो रूपमा अध्ययन गरेर दिइएको चरा प्रकारको बारेमा एउटा तथ्य पत्ता लगाउनुहोस्। उदाहरणका लागि, स्नो गीजको बारेमा सबै रोचक डेटा देखाउने नोटबुक बनाउनुहोस्। माथि उल्लेख गरिएका तीन प्रकारका प्लटहरू प्रयोग गरेर आफ्नो नोटबुकमा कथा सुनाउनुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+नोटबुक राम्रो व्याख्या, ठोस कथा र आकर्षक ग्राफहरू सहित प्रस्तुत गरिएको छ | नोटबुकमा यी तत्वहरू मध्ये एक हराइरहेको छ | नोटबुकमा यी तत्वहरू मध्ये दुई हराइरहेका छन्
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/10-visualization-distributions/README.md b/translations/ne/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..415dc411
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,217 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-27T18:17:00+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "ne"
+}
+-->
+# वितरणहरू दृश्यात्मक बनाउने
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| वितरणहरू दृश्यात्मक बनाउने - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+अघिल्लो पाठमा, तपाईंले मिनेसोटाका चराहरूको बारेमा रहेको डेटासेटको केही रोचक तथ्यहरू सिक्नुभयो। तपाईंले बाहिरिएका डाटाहरूलाई दृश्यात्मक बनाउँदै त्रुटिपूर्ण डाटा पत्ता लगाउनुभयो र चराको श्रेणीहरू बीचको भिन्नता तिनीहरूको अधिकतम लम्बाइको आधारमा हेर्नुभयो।
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## चराहरूको डेटासेट अन्वेषण गर्नुहोस्
+
+डेटामा गहिरो रूपमा जान अर्को तरिका यसको वितरण हेर्नु हो, अर्थात् डाटा कसरी अक्षमा व्यवस्थित छ। उदाहरणका लागि, तपाईं मिनेसोटाका चराहरूको अधिकतम पखेटाको फैलावट वा अधिकतम शरीरको तौलको सामान्य वितरणको बारेमा जान्न चाहनुहुन्छ होला।
+
+आउनुहोस्, यस डेटासेटमा डाटाको वितरणको बारेमा केही तथ्यहरू पत्ता लगाऔं। _notebook.ipynb_ फाइलमा, जुन यस पाठको फोल्डरको जडमा छ, Pandas, Matplotlib, र तपाईंको डाटा आयात गर्नुहोस्:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | नाम                          | वैज्ञानिक नाम          | श्रेणी                | क्रम         | परिवार   | वंश         | संरक्षण स्थिति | न्यूनतम लम्बाइ | अधिकतम लम्बाइ | न्यूनतम शरीर तौल | अधिकतम शरीर तौल | न्यूनतम पखेटा फैलावट | अधिकतम पखेटा फैलावट |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | कालो-पेट भएको सिठी बतासे हाँस | Dendrocygna autumnalis | हाँस/बतासे/पानी चराहरू | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्भस सिठी बतासे हाँस       | Dendrocygna bicolor    | हाँस/बतासे/पानी चराहरू | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | हिउँ हाँस                    | Anser caerulescens     | हाँस/बतासे/पानी चराहरू | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रोसको हाँस                   | Anser rossii           | हाँस/बतासे/पानी चराहरू | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ठूलो सेतो-अगाडि भएको हाँस    | Anser albifrons        | हाँस/बतासे/पानी चराहरू | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+सामान्य रूपमा, तपाईंले डाटाको वितरणलाई छिटो हेर्न सक्नुहुन्छ जस्तै अघिल्लो पाठमा स्क्याटर प्लट प्रयोग गरेर:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![प्रत्येक क्रमको अधिकतम लम्बाइ](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.ne.png)
+
+यसले प्रत्येक चराको क्रम अनुसार शरीरको लम्बाइको सामान्य वितरणको झलक दिन्छ, तर यो साँचो वितरण देखाउनको लागि उत्तम तरिका होइन। यो कार्य सामान्यतया हिस्टोग्राम बनाएर गरिन्छ।
+
+## हिस्टोग्रामसँग काम गर्ने
+
+Matplotlib ले हिस्टोग्राम प्रयोग गरेर डाटा वितरणलाई दृश्यात्मक बनाउने उत्कृष्ट तरिकाहरू प्रदान गर्दछ। यो प्रकारको चार्ट बार चार्ट जस्तै हुन्छ जहाँ वितरण बारहरूको उचाइ र गिरावटबाट देख्न सकिन्छ। हिस्टोग्राम बनाउनको लागि, तपाईंलाई संख्यात्मक डाटा चाहिन्छ। हिस्टोग्राम बनाउनको लागि, तपाईंले चार्टलाई 'hist' प्रकारको रूपमा परिभाषित गर्न सक्नुहुन्छ। यो चार्टले सम्पूर्ण डेटासेटको संख्यात्मक डाटाको दायराको लागि MaxBodyMass को वितरण देखाउँछ। डाटाको एरेलाई साना बिनहरूमा विभाजन गरेर, यसले डाटाको मानहरूको वितरण देखाउन सक्छ:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![सम्पूर्ण डेटासेटमा वितरण](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.ne.png)
+
+जस्तो देखिन्छ, यस डेटासेटका ४००+ चराहरूको अधिकांश Max Body Mass २००० भन्दा कमको दायरामा पर्छ। `bins` प्यारामिटरलाई उच्च संख्यामा परिवर्तन गरेर डाटाको बारेमा थप जानकारी प्राप्त गर्नुहोस्, जस्तै ३०:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![ठूलो बिन्स प्यारामिटरको साथ सम्पूर्ण डेटासेटमा वितरण](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.ne.png)
+
+यो चार्टले वितरणलाई अलि बढी सूक्ष्म रूपमा देखाउँछ। कम बाँया तिर झुकिएको चार्ट सिर्जना गर्नको लागि, तपाईंले निश्चित दायराभित्रको डाटा मात्र चयन गर्न सुनिश्चित गर्न सक्नुहुन्छ:
+
+तपाईंको डाटालाई फिल्टर गर्नुहोस् जसले ६० भन्दा कम शरीर तौल भएका चराहरू मात्र समेट्छ, र ४० `bins` देखाउनुहोस्:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![फिल्टर गरिएको हिस्टोग्राम](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.ne.png)
+
+✅ अन्य फिल्टरहरू र डाटाका बिन्दुहरू प्रयास गर्नुहोस्। डाटाको पूर्ण वितरण हेर्नको लागि, `['MaxBodyMass']` फिल्टर हटाएर लेबल गरिएको वितरणहरू देखाउनुहोस्।
+
+हिस्टोग्रामले केही राम्रो रंग र लेबलिङ सुधारहरू पनि प्रदान गर्दछ:
+
+दुई वितरणहरू बीचको सम्बन्ध तुलना गर्न २D हिस्टोग्राम सिर्जना गर्नुहोस्। आउनुहोस् `MaxBodyMass` र `MaxLength` तुलना गरौं। Matplotlib ले उज्यालो रंग प्रयोग गरेर एकीकृतता देखाउने बिल्ट-इन तरिका प्रदान गर्दछ:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+जस्तो देखिन्छ, यी दुई तत्वहरू बीच अपेक्षित अक्षमा सम्बन्ध छ, एक विशेष रूपमा बलियो एकीकृत बिन्दु सहित:
+
+![२D प्लट](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.ne.png)
+
+हिस्टोग्रामहरू संख्यात्मक डाटाको लागि डिफल्ट रूपमा राम्रोसँग काम गर्छन्। यदि तपाईंले पाठ डाटाको अनुसार वितरणहरू हेर्न आवश्यक छ भने के गर्ने? 
+## पाठ डाटा प्रयोग गरेर डेटासेटको वितरण अन्वेषण गर्नुहोस् 
+
+यस डेटासेटमा चराको श्रेणी, वंश, प्रजाति, र परिवार साथै यसको संरक्षण स्थिति बारे राम्रो जानकारी समावेश छ। आउनुहोस् यस संरक्षण जानकारीमा गहिरो जाऔं। चराहरूको संरक्षण स्थितिको अनुसार वितरण के हो?
+
+> ✅ डेटासेटमा, संरक्षण स्थितिलाई वर्णन गर्न विभिन्न संक्षेप शब्दहरू प्रयोग गरिएका छन्। यी संक्षेप शब्दहरू [IUCN रेड लिस्ट श्रेणीहरू](https://www.iucnredlist.org/) बाट आएका हुन्, एक संगठन जसले प्रजातिहरूको स्थिति सूचीबद्ध गर्दछ।
+> 
+> - CR: अत्यधिक संकटग्रस्त
+> - EN: संकटग्रस्त
+> - EX: विलुप्त
+> - LC: न्यूनतम चिन्ता
+> - NT: नजिकको संकट
+> - VU: कमजोर
+
+यी पाठ-आधारित मानहरू हुन् त्यसैले हिस्टोग्राम सिर्जना गर्न परिवर्तन गर्न आवश्यक छ। FilteredBirds डेटाफ्रेम प्रयोग गरेर यसको संरक्षण स्थिति र न्यूनतम पखेटा फैलावट देखाउनुहोस्। तपाईं के देख्नुहुन्छ?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![पखेटा फैलावट र संरक्षण स्थिति](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.ne.png)
+
+न्यूनतम पखेटा फैलावट र संरक्षण स्थितिको बीचमा राम्रो सम्बन्ध देखिँदैन। यस विधि प्रयोग गरेर डेटासेटका अन्य तत्वहरू परीक्षण गर्नुहोस्। तपाईंले विभिन्न फिल्टरहरू पनि प्रयास गर्न सक्नुहुन्छ। के तपाईंले कुनै सम्बन्ध पाउनुभयो?
+
+## घनत्व प्लटहरू
+
+तपाईंले देख्नुभएको हुन सक्छ कि अहिलेसम्मका हिस्टोग्रामहरू 'स्टेप्ड' छन् र चापमा सहज रूपमा प्रवाह गर्दैनन्। एक सहज घनत्व चार्ट देखाउनको लागि, तपाईं घनत्व प्लट प्रयास गर्न सक्नुहुन्छ।
+
+घनत्व प्लटहरूसँग काम गर्नको लागि, नयाँ प्लटिङ लाइब्रेरी [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) सँग परिचित हुनुहोस्।
+
+Seaborn लोड गर्दै, एक आधारभूत घनत्व प्लट प्रयास गर्नुहोस्:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![घनत्व प्लट](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.ne.png)
+
+तपाईंले देख्न सक्नुहुन्छ कि न्यूनतम पखेटा फैलावट डाटाको लागि प्लटले अघिल्लो चार्टलाई प्रतिध्वनित गर्दछ; यो केवल अलि बढी सहज छ। Seaborn को दस्तावेज अनुसार, "हिस्टोग्रामको तुलनामा, KDE ले कम अव्यवस्थित र बढी व्याख्यात्मक प्लट उत्पादन गर्न सक्छ, विशेष गरी जब धेरै वितरणहरू कोर्दै। तर यसले विकृतिहरू ल्याउन सक्छ यदि अन्तर्निहित वितरण सीमित वा असहज छ। हिस्टोग्राम जस्तै, प्रतिनिधित्वको गुणस्तर पनि राम्रो स्मूथिङ प्यारामिटरहरूको चयनमा निर्भर गर्दछ।" [स्रोत](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) अन्य शब्दमा, बाहिरिएका डाटाहरूले सधैं तपाईंको चार्टलाई खराब बनाउँछन्।
+
+यदि तपाईंले दोस्रो चार्टमा बनाएको जर्की MaxBodyMass लाइनलाई पुनः हेर्न चाहनुहुन्छ भने, तपाईं यस विधि प्रयोग गरेर यसलाई धेरै राम्रोसँग सहज बनाउन सक्नुहुन्छ:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![स्मूथ शरीर तौल लाइन](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.ne.png)
+
+यदि तपाईंले एक सहज तर धेरै सहज नभएको लाइन चाहनुहुन्छ भने, `bw_adjust` प्यारामिटर सम्पादन गर्नुहोस्:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![कम सहज शरीर तौल लाइन](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.ne.png)
+
+✅ यस प्रकारको प्लटको लागि उपलब्ध प्यारामिटरहरूको बारेमा पढ्नुहोस् र प्रयोग गर्नुहोस्!
+
+यो प्रकारको चार्टले सुन्दर व्याख्यात्मक दृश्यहरू प्रदान गर्दछ। उदाहरणका लागि, केही लाइनहरूको कोड प्रयोग गरेर, तपाईंले प्रत्येक चराको क्रम अनुसार अधिकतम शरीर तौल घनत्व देखाउन सक्नुहुन्छ:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![प्रत्येक क्रमको शरीर तौल](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.ne.png)
+
+तपाईंले एक चार्टमा धेरै भेरिएबलहरूको घनत्व पनि म्याप गर्न सक्नुहुन्छ। चराको संरक्षण स्थितिको तुलनामा अधिकतम लम्बाइ र न्यूनतम लम्बाइ परीक्षण गर्नुहोस्:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![धेरै घनत्वहरू, सुपरइम्पोज गरिएको](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.ne.png)
+
+शायद 'कमजोर' चराहरूको लम्बाइ अनुसारको क्लस्टर अर्थपूर्ण छ कि छैन भनेर अनुसन्धान गर्न लायक छ।
+
+## 🚀 चुनौती
+
+हिस्टोग्रामहरू आधारभूत स्क्याटरप्लट, बार चार्ट, वा लाइन चार्टभन्दा बढी परिष्कृत प्रकारका चार्ट हुन्। इन्टरनेटमा हिस्टोग्रामको प्रयोगका राम्रो उदाहरणहरू खोज्न जानुहोस्। तिनीहरू कसरी प्रयोग गरिन्छन्, तिनीहरूले के प्रदर्शन गर्छन्, र कुन क्षेत्रहरू वा अनुसन्धानका क्षेत्रमा तिनीहरू प्रायः प्रयोग गरिन्छन्?
+
+## [पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## समीक्षा र आत्म अध्ययन
+
+यस पाठमा, तपाईंले Matplotlib प्रयोग गर्नुभयो र Seaborn प्रयोग गर्न सुरु गर्नुभयो ताकि अधिक परिष्कृत चार्टहरू देखाउन सकियोस्। Seaborn मा `kdeplot` को बारेमा अनुसन्धान गर्नुहोस्, एक "एक वा धेरै आयामहरूमा निरन्तर सम्भाव्यता घनत्व वक्र"। [दस्तावेज](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) पढेर यसले कसरी काम गर्छ बुझ्नुहोस्।
+
+## असाइनमेन्ट
+
+[आफ्नो सीप लागू गर्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/ne/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..668edde3
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-27T18:19:09+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "ne"
+}
+-->
+# आफ्नो सीप प्रयोग गर्नुहोस्
+
+## निर्देशनहरू
+
+अहिलेसम्म, तपाईंले मिनेसोटा चरा डेटासेटसँग काम गरेर चरा संख्याहरू र जनसंख्या घनत्वको बारेमा जानकारी पत्ता लगाउनुभएको छ। यी प्रविधिहरूको प्रयोग अभ्यास गर्नको लागि, कुनै फरक डेटासेट प्रयास गर्नुहोस्, सम्भवतः [Kaggle](https://www.kaggle.com/) बाट प्राप्त गरिएको। यस डेटासेटको बारेमा कथा बताउनको लागि नोटबुक निर्माण गर्नुहोस्, र यसलाई छलफल गर्दा हिस्टोग्रामहरू प्रयोग गर्न निश्चित गर्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+डेटासेटको स्रोत सहितको व्याख्या गरिएको नोटबुक प्रस्तुत गरिएको छ, र कम्तीमा ५ हिस्टोग्रामहरू प्रयोग गरेर डेटाको बारेमा तथ्यहरू पत्ता लगाइएको छ। | अपूर्ण व्याख्या वा त्रुटिहरू भएको नोटबुक प्रस्तुत गरिएको छ। | व्याख्या बिना र त्रुटिहरू भएको नोटबुक प्रस्तुत गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/11-visualization-proportions/README.md b/translations/ne/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..2a7c6d38
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-27T18:43:15+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "ne"
+}
+-->
+# अनुपातहरू देखाउने
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|अनुपातहरू देखाउने - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+यस पाठमा, तपाईंले प्रकृतिमा आधारित अर्को डेटासेट प्रयोग गरेर अनुपातहरू देखाउनुहुनेछ, जस्तै च्याउको डेटासेटमा विभिन्न प्रकारका फङ्गसहरूको संख्या। आउनुहोस्, यी रोचक फङ्गसहरूको अध्ययन गरौं, जुन Audubon बाट लिइएको डेटासेट हो, जसमा Agaricus र Lepiota परिवारका 23 प्रजातिहरूको विवरण छ। तपाईं स्वादिष्ट चार्टहरू प्रयोग गरेर प्रयोग गर्नुहुनेछ, जस्तै:
+
+- पाई चार्ट 🥧
+- डोनट चार्ट 🍩
+- वाफल चार्ट 🧇
+
+> 💡 माइक्रोसफ्ट रिसर्चद्वारा बनाइएको [Charticulator](https://charticulator.com) नामक एक रोचक परियोजनाले डेटा भिजुअलाइजेसनका लागि निःशुल्क ड्र्याग र ड्रप इन्टरफेस प्रदान गर्दछ। उनीहरूको एउटा ट्युटोरियलमा पनि यो च्याउको डेटासेट प्रयोग गरिएको छ! त्यसैले तपाईं डेटा अन्वेषण गर्न र पुस्तकालय सिक्न सक्नुहुन्छ: [Charticulator ट्युटोरियल](https://charticulator.com/tutorials/tutorial4.html)।
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## तपाईंको च्याउलाई चिन्नुहोस् 🍄
+
+च्याउहरू धेरै रोचक हुन्छन्। आउनुहोस्, तिनीहरूको अध्ययन गर्न डेटासेट आयात गरौं:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+एक तालिका प्रिन्ट हुन्छ जसमा विश्लेषणका लागि उत्कृष्ट डेटा हुन्छ:
+
+| वर्ग       | टोपीको आकार | टोपीको सतह | टोपीको रंग | चोटपटक | गन्ध    | गिलको जडान | गिलको दूरी | गिलको आकार | गिलको रंग | डाँठको आकार | डाँठको जरा | डाँठको सतह-रिंगमाथि | डाँठको सतह-रिंगमुनि | डाँठको रंग-रिंगमाथि | डाँठको रंग-रिंगमुनि | आवरण प्रकार | आवरण रंग | रिंग संख्या | रिंग प्रकार | स्पोर प्रिन्ट रंग | जनसंख्या | आवास |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| विषाक्त    | उभिएको    | चिल्लो      | खैरो     | चोटपटक | तीखो   | स्वतन्त्र       | नजिक         | साँघुरो    | कालो       | बढ्दै       | समान      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | कालो             | छरिएको    | शहरी   |
+| खानेयोग्य | उभिएको    | चिल्लो      | पहेंलो   | चोटपटक | बदाम   | स्वतन्त्र       | नजिक         | चौडा       | कालो       | बढ्दै       | क्लब      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | खैरो             | धेरै      | घाँस |
+| खानेयोग्य | घण्टी      | चिल्लो      | सेतो     | चोटपटक | सौंफ   | स्वतन्त्र       | नजिक         | चौडा       | खैरो       | बढ्दै       | क्लब      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | खैरो             | धेरै      | मैदान |
+| विषाक्त    | उभिएको    | खस्रो       | सेतो     | चोटपटक | तीखो   | स्वतन्त्र       | नजिक         | साँघुरो    | खैरो       | बढ्दै       | समान      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | कालो             | छरिएको    | शहरी   |
+
+तुरुन्तै, तपाईंले देख्नुहुन्छ कि सबै डेटा पाठ्यात्मक छ। तपाईंले यसलाई चार्टमा प्रयोग गर्न सक्षम हुन रूपान्तरण गर्नुपर्नेछ। वास्तवमा, अधिकांश डेटा वस्तुको रूपमा प्रस्तुत गरिएको छ:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+आउटपुट:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+यस डेटालाई लिई 'वर्ग' स्तम्भलाई श्रेणीमा रूपान्तरण गर्नुहोस्:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+अब, यदि तपाईं च्याउको डेटा प्रिन्ट गर्नुहुन्छ भने, तपाईं देख्न सक्नुहुन्छ कि यो विषाक्त/खानेयोग्य वर्ग अनुसार श्रेणीहरूमा समूह गरिएको छ:
+
+|           | टोपीको आकार | टोपीको सतह | टोपीको रंग | चोटपटक | गन्ध | गिलको जडान | गिलको दूरी | गिलको आकार | गिलको रंग | डाँठको आकार | ... | डाँठको सतह-रिंगमुनि | डाँठको रंग-रिंगमाथि | डाँठको रंग-रिंगमुनि | आवरण प्रकार | आवरण रंग | रिंग संख्या | रिंग प्रकार | स्पोर प्रिन्ट रंग | जनसंख्या | आवास |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| वर्ग       |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| खानेयोग्य | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| विषाक्त    | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+यदि तपाईंले यस तालिकामा प्रस्तुत गरिएको क्रमलाई पालना गरेर वर्ग श्रेणी लेबलहरू सिर्जना गर्नुभयो भने, तपाईं पाई चार्ट बनाउन सक्नुहुन्छ:
+
+## पाई!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+हेर्नुहोस्, पाई चार्टले च्याउको दुई वर्ग अनुसार अनुपात देखाउँछ। यहाँ लेबलहरूको क्रम सही राख्नु महत्त्वपूर्ण छ, त्यसैले लेबल एरे निर्माण गर्दा क्रम जाँच गर्न निश्चित गर्नुहोस्!
+
+![पाई चार्ट](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.ne.png)
+
+## डोनट!
+
+पाई चार्टको तुलनामा अलि बढी आकर्षक चार्ट डोनट चार्ट हो, जसमा बीचमा प्वाल हुन्छ। आउनुहोस्, हाम्रो डेटा यस विधिबाट हेर्नुहोस्।
+
+च्याउहरू विभिन्न आवासहरूमा बढ्छन्। ती आवासहरूको अध्ययन गरौं:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+यहाँ, तपाईं आफ्नो डेटालाई आवास अनुसार समूह गर्दै हुनुहुन्छ। 7 सूचीबद्ध छन्, त्यसैले ती डोनट चार्टका लागि लेबलको रूपमा प्रयोग गर्नुहोस्:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![डोनट चार्ट](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.ne.png)
+
+यस कोडले चार्ट र केन्द्र सर्कल बनाउँछ, त्यसपछि चार्टमा केन्द्र सर्कल थप्छ। केन्द्र सर्कलको चौडाइ परिवर्तन गर्न `0.40` लाई अर्को मानमा परिवर्तन गर्नुहोस्।
+
+डोनट चार्टहरू विभिन्न तरिकामा परिमार्जन गर्न सकिन्छ। विशेष गरी लेबलहरू पढ्न सजिलो बनाउन हाइलाइट गर्न सकिन्छ। थप जानकारीका लागि [डक्स](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut) हेर्नुहोस्।
+
+अब तपाईंले आफ्नो डेटालाई समूह गर्न र त्यसलाई पाई वा डोनटको रूपमा देखाउन सिक्नुभयो, तपाईं अन्य प्रकारका चार्टहरू अन्वेषण गर्न सक्नुहुन्छ। वाफल चार्ट प्रयास गर्नुहोस्, जुन मात्राको अन्वेषण गर्ने अर्को तरिका हो।
+
+## वाफल!
+
+'वाफल' प्रकारको चार्ट मात्रालाई 2D वर्गहरूको एरेको रूपमा देखाउने फरक तरिका हो। यस डेटासेटमा च्याउको टोपीको रंगहरूको विभिन्न मात्राहरू देखाउन प्रयास गर्नुहोस्। यसका लागि, तपाईंले [PyWaffle](https://pypi.org/project/pywaffle/) नामक सहायक पुस्तकालय स्थापना गर्नुपर्नेछ र Matplotlib प्रयोग गर्नुपर्नेछ:
+
+```python
+pip install pywaffle
+```
+
+तपाईंको डेटाको खण्ड चयन गर्नुहोस्:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+लेबलहरू सिर्जना गरेर र आफ्नो डेटालाई समूह गरेर वाफल चार्ट बनाउनुहोस्:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+वाफल चार्ट प्रयोग गरेर, तपाईं च्याउको टोपीको रंगहरूको अनुपात स्पष्ट रूपमा देख्न सक्नुहुन्छ। रोचक कुरा, धेरै हरियो टोपी भएका च्याउहरू छन्!
+
+![वाफल चार्ट](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.ne.png)
+
+✅ PyWaffle ले [Font Awesome](https://fontawesome.com/) मा उपलब्ध कुनै पनि आइकन प्रयोग गरेर चार्टहरूमा आइकनहरू समर्थन गर्दछ। वर्गहरूको सट्टा आइकन प्रयोग गरेर अझ रोचक वाफल चार्ट बनाउन केही प्रयोगहरू गर्नुहोस्।
+
+यस पाठमा, तपाईंले अनुपातहरू देखाउने तीन तरिकाहरू सिक्नुभयो। पहिलो, तपाईंले आफ्नो डेटालाई श्रेणीहरूमा समूह गर्नुपर्नेछ र त्यसपछि डेटा देखाउन सबैभन्दा राम्रो तरिका निर्णय गर्नुपर्नेछ - पाई, डोनट, वा वाफल। सबै स्वादिष्ट छन् र प्रयोगकर्तालाई डेटासेटको झलक प्रदान गर्छन्।
+
+## 🚀 चुनौती
+
+[Charticulator](https://charticulator.com) मा यी स्वादिष्ट चार्टहरू पुनः सिर्जना गर्न प्रयास गर्नुहोस्।
+## [पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## समीक्षा र आत्म अध्ययन
+
+कहिलेकाहीं पाई, डोनट, वा वाफल चार्ट कहिले प्रयोग गर्ने स्पष्ट हुँदैन। यस विषयमा पढ्नका लागि केही लेखहरू यहाँ छन्:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+थप जानकारीका लागि अनुसन्धान गर्नुहोस्।
+
+## असाइनमेन्ट
+
+[Excel मा प्रयास गर्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/ne/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..40ce2dbf
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-27T18:44:58+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "ne"
+}
+-->
+# एक्सेलमा प्रयास गर्नुहोस्
+
+## निर्देशनहरू
+
+के तपाईंलाई थाहा छ कि तपाईं एक्सेलमा डोनट, पाई, र वाफल चार्टहरू बनाउन सक्नुहुन्छ? तपाईंले रोजेको डेटा सेट प्रयोग गरेर, यी तीन चार्टहरू सिधै एक्सेल स्प्रेडशीटमा बनाउनुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+| उत्कृष्टता                                              | पर्याप्तता                                       | सुधार आवश्यक छ                                      |
+| ------------------------------------------------------- | ------------------------------------------------ | -------------------------------------------------- |
+| तीनवटै चार्टहरू भएको एक्सेल स्प्रेडशीट प्रस्तुत गरिएको छ | दुईवटा चार्टहरू भएको एक्सेल स्प्रेडशीट प्रस्तुत गरिएको छ | केवल एक चार्ट भएको एक्सेल स्प्रेडशीट प्रस्तुत गरिएको छ |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/12-visualization-relationships/README.md b/translations/ne/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..bba96f52
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,188 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-27T18:20:11+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "ne"
+}
+-->
+# सम्बन्धहरू देखाउने: महको कथा 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|सम्बन्धहरू देखाउने - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+हाम्रो अनुसन्धानको प्रकृतिमा आधारित विषयलाई निरन्तरता दिँदै, विभिन्न प्रकारका महहरू बीचको सम्बन्ध देखाउन रोचक दृश्यहरू पत्ता लगाऔं, जुन [संयुक्त राज्य कृषि विभाग](https://www.nass.usda.gov/About_NASS/index.php) बाट प्राप्त डेटासेटमा आधारित छ। 
+
+यो करिब ६०० वस्तुहरूको डेटासेटले धेरै अमेरिकी राज्यहरूमा मह उत्पादन देखाउँछ। उदाहरणका लागि, तपाईंले १९९८-२०१२ को अवधिमा कुनै राज्यको मह उत्पादन, प्रति उपनिवेश उत्पादन, कुल उत्पादन, स्टक, प्रति पाउन्ड मूल्य, र महको मूल्य हेर्न सक्नुहुन्छ, प्रत्येक वर्षको लागि प्रत्येक राज्यको एक पङ्क्ति सहित। 
+
+कुनै राज्यको वार्षिक उत्पादन र त्यस राज्यको महको मूल्य बीचको सम्बन्ध देखाउन यो रोचक हुनेछ। वैकल्पिक रूपमा, तपाईंले राज्यहरूको प्रति उपनिवेश मह उत्पादनको सम्बन्ध देखाउन सक्नुहुन्छ। यो समयावधि २००६ मा पहिलो पटक देखिएको 'सीसीडी' वा 'कोलोनी कोलाप्स डिसअर्डर' (http://npic.orst.edu/envir/ccd.html) को विनाशकारी प्रभाव समेट्छ, जसले यो अध्ययन गर्न महत्त्वपूर्ण बनाउँछ। 🐝
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+यस पाठमा, तपाईंले पहिले प्रयोग गरिसकेको Seaborn लाई प्रयोग गर्न सक्नुहुन्छ, जुन चरहरू बीचको सम्बन्ध देखाउन राम्रो पुस्तकालय हो। विशेष गरी, Seaborn को `relplot` कार्य प्रयोग गर्नु रोचक छ, जसले छिटो '[सांख्यिकीय सम्बन्धहरू](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)' देखाउन स्क्याटर प्लट र लाइन प्लटहरू अनुमति दिन्छ, जसले डेटा वैज्ञानिकलाई चरहरू बीचको सम्बन्ध राम्रोसँग बुझ्न मद्दत गर्दछ।
+
+## स्क्याटरप्लटहरू
+
+महको मूल्य वर्ष-प्रतिवर्ष, राज्य अनुसार कसरी परिवर्तन भएको छ भन्ने देखाउन स्क्याटरप्लट प्रयोग गर्नुहोस्। Seaborn ले `relplot` प्रयोग गरेर राज्यको डेटा समूहबद्ध गर्दछ र श्रेणीगत र संख्यात्मक डेटा दुवैका लागि डेटा बिन्दुहरू देखाउँछ। 
+
+डाटा र Seaborn आयात गरेर सुरु गरौं:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+तपाईंले देख्नुहुनेछ कि महको डेटामा वर्ष र प्रति पाउन्ड मूल्य जस्ता धेरै रोचक स्तम्भहरू छन्। यो डेटा अमेरिकी राज्य अनुसार समूहबद्ध गरेर अन्वेषण गरौं:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+प्रति पाउन्ड महको मूल्य र यसको अमेरिकी राज्यको उत्पत्तिबीचको सम्बन्ध देखाउन एउटा आधारभूत स्क्याटरप्लट बनाउनुहोस्। `y` अक्षलाई सबै राज्यहरू देखाउन पर्याप्त अग्लो बनाउनुहोस्:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.ne.png)
+
+अब, महको मूल्य वर्ष-प्रतिवर्ष कसरी परिवर्तन भएको छ भन्ने देखाउन महको रङ योजना प्रयोग गरेर उही डेटा देखाउनुहोस्। तपाईंले 'hue' प्यारामिटर थपेर यो गर्न सक्नुहुन्छ:
+
+> ✅ Seaborn मा [रङ प्यालेटहरू](https://seaborn.pydata.org/tutorial/color_palettes.html) को बारेमा थप जान्नुहोस् - सुन्दर रेनबो रङ योजना प्रयास गर्नुहोस्!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.ne.png)
+
+यो रङ योजनाको परिवर्तनसँगै, तपाईंले देख्न सक्नुहुन्छ कि महको प्रति पाउन्ड मूल्यमा वर्ष-प्रतिवर्ष स्पष्ट प्रगति छ। वास्तवमा, यदि तपाईं डेटाको नमूना सेट हेर्नुहुन्छ (उदाहरणका लागि, एरिजोना राज्य), तपाईंले केही अपवादहरू बाहेक, वर्ष-प्रतिवर्ष मूल्य वृद्धि हुने ढाँचा देख्न सक्नुहुन्छ:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+रङको सट्टा आकार प्रयोग गरेर यो प्रगति देखाउने अर्को तरिका हो। रङ अन्धोपन भएका प्रयोगकर्ताहरूका लागि, यो राम्रो विकल्प हुन सक्छ। मूल्य वृद्धिलाई डटको परिधि बढाएर देखाउन आफ्नो दृश्यलाई सम्पादन गर्नुहोस्:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+तपाईंले डटहरूको आकार क्रमशः बढ्दै गएको देख्न सक्नुहुन्छ।
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.ne.png)
+
+के यो आपूर्ति र मागको साधारण मामला हो? जलवायु परिवर्तन र कोलोनी कोलाप्स जस्ता कारकहरूको कारण, के वर्ष-प्रतिवर्ष खरिदका लागि कम मह उपलब्ध छ, र त्यसैले मूल्य बढ्छ?
+
+यस डेटासेटका केही चरहरू बीचको सम्बन्ध पत्ता लगाउन, केही लाइन चार्टहरू अन्वेषण गरौं।
+
+## लाइन चार्टहरू
+
+प्रश्न: के महको प्रति पाउन्ड मूल्यमा वर्ष-प्रतिवर्ष स्पष्ट वृद्धि छ? तपाईंले यो सबैभन्दा सजिलै एकल लाइन चार्ट बनाएर पत्ता लगाउन सक्नुहुन्छ:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+उत्तर: हो, केही अपवादहरू सहित, विशेष गरी २००३ को आसपास:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.ne.png)
+
+✅ Seaborn ले एकल रेखामा डेटा समग्र बनाउँदा, यो "प्रत्येक x मानमा बहु मापनहरूलाई औसत र औसतको वरिपरि ९५% विश्वास अन्तराल प्लट गरेर" देखाउँछ। [स्रोत](https://seaborn.pydata.org/tutorial/relational.html)। यो समय लाग्ने व्यवहारलाई `ci=None` थपेर अक्षम गर्न सकिन्छ।
+
+प्रश्न: खैर, २००३ मा के हामी महको आपूर्तिमा पनि वृद्धि देख्न सक्छौं? यदि तपाईं कुल उत्पादन वर्ष-प्रतिवर्ष हेर्नुहुन्छ भने के हुन्छ?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.ne.png)
+
+उत्तर: वास्तवमा होइन। यदि तपाईं कुल उत्पादन हेर्नुहुन्छ भने, यो विशेष वर्षमा बढेको जस्तो देखिन्छ, यद्यपि सामान्य रूपमा मह उत्पादनको मात्रा ती वर्षहरूमा घट्दै गएको छ।
+
+प्रश्न: त्यस अवस्थामा, २००३ को आसपास महको मूल्यमा भएको वृद्धि के कारण हुन सक्छ?
+
+यो पत्ता लगाउन, तपाईंले फ्यासेट ग्रिड अन्वेषण गर्न सक्नुहुन्छ।
+
+## फ्यासेट ग्रिडहरू
+
+फ्यासेट ग्रिडहरूले तपाईंको डेटासेटको एउटा पक्ष (हाम्रो मामलामा, 'वर्ष' छान्न सक्नुहुन्छ ताकि धेरै फ्यासेटहरू उत्पादन नहोस्) लिन्छ। त्यसपछि Seaborn ले तपाईंको रोजेको x र y निर्देशांकहरूको लागि प्रत्येक फ्यासेटको प्लट बनाउन सक्छ, जसले सजिलो दृश्य तुलना गर्न मद्दत गर्दछ। के २००३ यस प्रकारको तुलनामा विशेष देखिन्छ?
+
+Seaborn को [डकुमेन्टेसन](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid) ले सिफारिस गरेअनुसार `relplot` प्रयोग गर्न जारी राखेर फ्यासेट ग्रिड बनाउनुहोस्। 
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+यस दृश्यमा, तपाईंले प्रति उपनिवेश उत्पादन र उपनिवेशहरूको संख्या वर्ष-प्रतिवर्ष, राज्य-प्रतिराज्य तुलना गर्न सक्नुहुन्छ, ३ स्तम्भहरूमा सेट गरिएको र्यापसँग:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.ne.png)
+
+यस डेटासेटका लागि, उपनिवेशहरूको संख्या र तिनीहरूको उत्पादनमा वर्ष-प्रतिवर्ष र राज्य-प्रतिराज्य केही विशेष देखिँदैन। के यी दुई चरहरू बीचको सम्बन्ध पत्ता लगाउन हेर्ने कुनै फरक तरिका छ?
+
+## डुअल-लाइन प्लटहरू
+
+Seaborn को 'despine' प्रयोग गरेर दुई लाइनप्लटहरू एकअर्काको माथि सुपरइम्पोज गरेर, र `ax.twinx` [Matplotlib बाट व्युत्पन्न](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html) प्रयोग गरेर मल्टिलाइन प्लट प्रयास गर्नुहोस्। Twinx ले चार्टलाई x अक्ष साझा गर्न र दुई y अक्षहरू प्रदर्शन गर्न अनुमति दिन्छ। त्यसैले, प्रति उपनिवेश उत्पादन र उपनिवेशहरूको संख्या सुपरइम्पोज गरेर प्रदर्शन गर्नुहोस्:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.ne.png)
+
+२००३ को आसपास आँखा झस्किने केही देखिँदैन, तर यसले हामीलाई यो पाठलाई अलि खुसीसाथ अन्त्य गर्न अनुमति दिन्छ: यद्यपि उपनिवेशहरूको संख्या घट्दै छ, उपनिवेशहरूको संख्या स्थिर हुँदैछ, यद्यपि तिनीहरूको प्रति उपनिवेश उत्पादन घट्दै छ।
+
+जाऊ, मौरीहरू, जाऊ!
+
+🐝❤️
+## 🚀 चुनौती
+
+यस पाठमा, तपाईंले स्क्याटरप्लट र लाइन ग्रिडहरूको अन्य प्रयोगहरू, फ्यासेट ग्रिडहरू सहित, बारेमा अलि बढी सिक्नुभयो। यी प्रविधिहरू प्रयोग गरेर बनाउनु पर्ने ग्रिडहरूको संख्या प्रति विचार गर्न आवश्यक छ। चुनौतीस्वरूप, कुनै फरक डेटासेट प्रयोग गरेर फ्यासेट ग्रिड बनाउनुहोस्, सायद तपाईंले यी पाठहरू अघि प्रयोग गर्नुभएको कुनै डेटासेट। 
+
+## [पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## समीक्षा र आत्म-अध्ययन
+
+लाइन प्लटहरू सरल वा धेरै जटिल हुन सक्छन्। [Seaborn डकुमेन्टेसन](https://seaborn.pydata.org/generated/seaborn.lineplot.html) मा विभिन्न तरिकाहरूको बारेमा पढ्नुहोस्। यस पाठमा बनाइएका लाइन चार्टहरूलाई डकुमेन्टेसनमा सूचीबद्ध अन्य विधिहरू प्रयोग गरेर सुधार गर्न प्रयास गर्नुहोस्।
+
+## असाइनमेन्ट
+
+[Dive into the beehive](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/ne/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..6fe052cc
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-27T18:22:16+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "ne"
+}
+-->
+# मौरीको घारमा डुबुल्की मार्नुहोस्
+
+## निर्देशनहरू
+
+यस पाठमा तपाईंले मौरी र तिनीहरूको मह उत्पादनको सम्बन्धमा एक डेटासेटको अध्ययन गर्न सुरु गर्नुभयो, जुन समयको अवधिमा मौरीको उपनिवेश जनसंख्यामा समग्रमा कमी देखियो। यस डेटासेटलाई अझ गहिरो रूपमा अध्ययन गर्नुहोस् र एउटा नोटबुक तयार गर्नुहोस् जसले राज्य अनुसार र वर्ष अनुसार मौरी जनसंख्याको स्वास्थ्यको कथा बताउन सक्छ। के तपाईंले यस डेटासेटमा कुनै रोचक कुरा पत्ता लगाउनुभयो?
+
+## मूल्यांकन मापदण्ड
+
+| उत्कृष्ट                                                                                                                                               | पर्याप्त                                 | सुधार आवश्यक                              |
+| ------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------- | ---------------------------------------- |
+| नोटबुक प्रस्तुत गरिएको छ जसमा कम्तीमा तीन फरक चार्टहरू डेटासेटको विभिन्न पक्षहरू, राज्य अनुसार र वर्ष अनुसार व्याख्या गर्दै छन् | नोटबुकमा यी तत्वहरू मध्ये एक अभाव छ     | नोटबुकमा यी तत्वहरू मध्ये दुई अभाव छ     |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..31032845
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-27T18:12:08+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "ne"
+}
+-->
+# अर्थपूर्ण दृश्यावलोकनहरू बनाउने
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| अर्थपूर्ण दृश्यावलोकनहरू - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "यदि तपाईंले डाटालाई पर्याप्त यातना दिनुभयो भने, यसले जे पनि स्वीकार गर्नेछ।" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+डाटा वैज्ञानिकको आधारभूत सीपहरूमध्ये एक हो, यस्तो अर्थपूर्ण डाटा दृश्यावलोकन बनाउन सक्ने क्षमता, जसले तपाईंले सोध्न सक्ने प्रश्नहरूको उत्तर दिन मद्दत गर्दछ। तपाईंको डाटालाई दृश्यात्मक बनाउनुअघि, यसलाई सफा र तयार गरिएको सुनिश्चित गर्नु आवश्यक छ, जस्तै तपाईंले अघिल्लो पाठहरूमा गर्नुभएको थियो। त्यसपछि, तपाईंले डाटालाई कसरी प्रस्तुत गर्ने भन्ने निर्णय गर्न सुरु गर्न सक्नुहुन्छ।
+
+यस पाठमा, तपाईंले समीक्षा गर्नुहुनेछ:
+
+1. सही चार्ट प्रकार कसरी छान्ने
+2. भ्रामक चार्टिङबाट कसरी बच्ने
+3. रङसँग कसरी काम गर्ने
+4. पढ्न सजिलो बनाउन चार्टलाई कसरी शैली दिनु
+5. एनिमेटेड वा 3D चार्टिङ समाधान कसरी बनाउने
+6. सिर्जनात्मक दृश्यावलोकन कसरी बनाउने
+
+## [पाठपूर्व क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## सही चार्ट प्रकार छान्नुहोस्
+
+अघिल्लो पाठहरूमा, तपाईंले Matplotlib र Seaborn प्रयोग गरेर विभिन्न प्रकारका रोचक डाटा दृश्यावलोकनहरू निर्माण गर्न अभ्यास गर्नुभएको थियो। सामान्यतया, तपाईंले सोध्नुभएको प्रश्नको लागि [सही प्रकारको चार्ट](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) यो तालिकाको आधारमा छान्न सक्नुहुन्छ:
+
+| तपाईंलाई चाहिएको छ:         | तपाईंले प्रयोग गर्नुपर्छ:         |
+| -------------------------- | ------------------------------- |
+| समयसँगै डाटाको प्रवृत्ति देखाउनु | रेखा (Line)                     |
+| श्रेणीहरूको तुलना गर्नु       | बार (Bar), पाई (Pie)             |
+| कुलहरूको तुलना गर्नु         | पाई (Pie), स्ट्याक्ड बार         |
+| सम्बन्धहरू देखाउनु          | स्क्याटर (Scatter), रेखा (Line), फेसट (Facet), डुअल लाइन |
+| वितरणहरू देखाउनु            | स्क्याटर (Scatter), हिस्टोग्राम (Histogram), बक्स (Box) |
+| अनुपातहरू देखाउनु           | पाई (Pie), डोनट (Donut), वाफल (Waffle) |
+
+> ✅ तपाईंको डाटाको संरचनाको आधारमा, तपाईंले यसलाई पाठबाट संख्यात्मकमा रूपान्तरण गर्न आवश्यक पर्न सक्छ, ताकि चार्टले यसलाई समर्थन गर्न सकोस्।
+
+## भ्रामकता रोक्नुहोस्
+
+डाटा वैज्ञानिकले सही डाटाका लागि सही चार्ट छान्न सावधान भए पनि, डाटालाई कुनै बिन्दु प्रमाणित गर्न, प्रायः डाटाको विश्वसनीयता कमजोर पार्दै, प्रस्तुत गर्न धेरै तरिकाहरू छन्। भ्रामक चार्ट र इन्फोग्राफिक्सका धेरै उदाहरणहरू छन्!
+
+[![How Charts Lie by Alberto Cairo](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.ne.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
+
+> 🎥 माथिको छविमा क्लिक गरेर भ्रामक चार्टहरूको बारेमा सम्मेलनको प्रस्तुति हेर्नुहोस्।
+
+यो चार्टले X अक्षलाई उल्ट्याएर मितिको आधारमा सत्यको विपरीत देखाउँछ:
+
+![खराब चार्ट 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.ne.png)
+
+[यो चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) अझ बढी भ्रामक छ, किनभने आँखा दायाँतिर तानिन्छ, जसले विभिन्न काउन्टीहरूमा समयसँगै COVID केसहरू घटेको निष्कर्ष निकाल्छ। वास्तवमा, यदि तपाईं मितिहरूलाई ध्यानपूर्वक हेर्नुहुन्छ भने, तपाईंले पाउनुहुनेछ कि ती मितिहरूलाई घट्दो प्रवृत्ति देखाउन फेरबदल गरिएको छ।
+
+![खराब चार्ट 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.ne.jpg)
+
+यो कुख्यात उदाहरणले रङ र उल्टिएको Y अक्ष प्रयोग गरेर झुक्याउँछ: बन्दुक-मैत्री कानुन पारित भएपछि बन्दुक मृत्युहरू बढेको निष्कर्ष निकाल्नुको सट्टा, वास्तवमा आँखा उल्टो सोच्न झुक्याइन्छ:
+
+![खराब चार्ट 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.ne.jpg)
+
+यो अनौठो चार्टले अनुपातलाई कसरी हाँस्यास्पद रूपमा हेरफेर गर्न सकिन्छ भन्ने देखाउँछ:
+
+![खराब चार्ट 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.ne.jpg)
+
+अतुलनीय कुराहरूको तुलना गर्नु अर्को छायादार चाल हो। 'स्प्युरियस कोरिलेसन' भन्ने [एक अद्भुत वेबसाइट](https://tylervigen.com/spurious-correlations) छ, जसले 'तथ्यहरू' जस्तै मेनको डिभोर्स दर र मार्जरीनको खपतलाई सम्बन्धित देखाउँछ। एक Reddit समूहले डाटाको [कुरूप प्रयोगहरू](https://www.reddit.com/r/dataisugly/top/?t=all) पनि सङ्कलन गर्दछ।
+
+भ्रामक चार्टहरूले आँखा कति सजिलै झुक्याउन सक्छ भन्ने कुरा बुझ्नु महत्त्वपूर्ण छ। डाटा वैज्ञानिकको उद्देश्य राम्रो भए पनि, धेरै श्रेणीहरू देखाउने पाई चार्ट जस्तो खराब प्रकारको चार्टको छनोटले भ्रामक हुन सक्छ।
+
+## रङ
+
+तपाईंले माथिको 'फ्लोरिडा बन्दुक हिंसा' चार्टमा देख्नुभयो, रङले चार्टहरूमा थप अर्थ प्रदान गर्न सक्छ, विशेष गरी Matplotlib र Seaborn जस्ता पुस्तकालयहरू प्रयोग नगरी बनाइएका चार्टहरूमा। यदि तपाईंले चार्ट हातले बनाउँदै हुनुहुन्छ भने, [रङ सिद्धान्त](https://colormatters.com/color-and-design/basic-color-theory) को अध्ययन गर्नुहोस्।
+
+> ✅ चार्ट डिजाइन गर्दा, पहुँचयोग्यता दृश्यावलोकनको महत्त्वपूर्ण पक्ष हो भन्ने कुरा सचेत हुनुहोस्। तपाईंका केही प्रयोगकर्ताहरू रङ अन्धा हुन सक्छन् - के तपाईंको चार्टले दृष्टि समस्याहरू भएका प्रयोगकर्ताहरूका लागि राम्रोसँग प्रदर्शन गर्छ?
+
+चार्टका लागि रङ छान्दा सावधान हुनुहोस्, किनभने रङले तपाईंले चाहेको अर्थभन्दा फरक अर्थ दिन सक्छ। माथिको 'उचाइ' चार्टमा 'गुलाबी महिलाहरू' ले स्पष्ट रूपमा 'महिलासँग सम्बन्धित' अर्थ दिन्छ, जसले चार्टलाई अझ अनौठो बनाउँछ।
+
+[रङको अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) संसारका विभिन्न भागहरूमा फरक हुन सक्छ, र तिनीहरूको छायाँ अनुसार अर्थ परिवर्तन हुने傾 tendency हुन्छ। सामान्यतया, रङका अर्थहरूमा समावेश छन्:
+
+| रङ    | अर्थ                  |
+| ------ | ------------------- |
+| रातो   | शक्ति                |
+| निलो   | विश्वास, निष्ठा       |
+| पहेँलो | खुशी, सतर्कता         |
+| हरियो  | पारिस्थितिकी, भाग्य, डाह |
+| बैजनी  | खुशी                 |
+| सुन्तला | जीवन्तता             |
+
+यदि तपाईंलाई अनुकूल रङहरू भएको चार्ट बनाउन जिम्मा दिइएको छ भने, सुनिश्चित गर्नुहोस् कि तपाईंका चार्टहरू पहुँचयोग्य छन् र तपाईंले छानेको रङले तपाईंले व्यक्त गर्न खोजेको अर्थसँग मेल खान्छ।
+
+## पढ्न सजिलो बनाउन चार्टलाई शैली दिनुहोस्
+
+चार्टहरू अर्थपूर्ण हुँदैनन् यदि तिनीहरू पढ्न सजिलो छैनन् भने! तपाईंको डाटासँग राम्रोसँग स्केल गर्न चार्टको चौडाइ र उचाइलाई शैली दिन विचार गर्नुहोस्। यदि एउटा भेरिएबल (जस्तै सबै 50 राज्यहरू) प्रदर्शन गर्न आवश्यक छ भने, सकेसम्म तिनीहरूलाई Y अक्षमा ठाडो रूपमा देखाउनुहोस् ताकि क्षैतिज स्क्रोलिङ चार्टबाट बच्न सकियोस्।
+
+तपाईंका अक्षहरू लेबल गर्नुहोस्, आवश्यक भएमा एउटा लेजेन्ड प्रदान गर्नुहोस्, र डाटाको राम्रो बुझाइका लागि टुलटिप्स प्रस्ताव गर्नुहोस्।
+
+यदि तपाईंको डाटा X अक्षमा पाठात्मक र लामो छ भने, राम्रो पढ्नका लागि पाठलाई कोण दिन सक्नुहुन्छ। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) ले 3D प्लटिङ प्रदान गर्दछ, यदि तपाईंको डाटाले यसलाई समर्थन गर्छ भने। `mpl_toolkits.mplot3d` प्रयोग गरेर परिष्कृत डाटा दृश्यावलोकनहरू उत्पादन गर्न सकिन्छ।
+
+![3d प्लटहरू](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.ne.png)
+
+## एनिमेसन र 3D चार्ट प्रदर्शन
+
+आजका केही उत्कृष्ट डाटा दृश्यावलोकनहरू एनिमेटेड छन्। Shirley Wu ले D3 प्रयोग गरेर बनाएका अद्भुत दृश्यावलोकनहरू छन्, जस्तै '[फिल्म फ्लावरहरू](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जहाँ प्रत्येक फूल एउटा चलचित्रको दृश्यावलोकन हो। Guardian का लागि अर्को उदाहरण हो 'बस्ट आउट', जसले NYC ले आफ्नो बेघर समस्या समाधान गर्न मानिसहरूलाई शहरबाट बाहिर बसमा पठाउने तरिकालाई देखाउन Greensock र D3 को साथमा स्क्रोलिटेलिङ लेख ढाँचासँग दृश्यावलोकनहरू संयोजन गर्दछ।
+
+![बसिङ](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.ne.png)
+
+> "बस्ट आउट: कसरी अमेरिका आफ्नो बेघर मानिसहरूलाई सार्छ" [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) बाट। दृश्यावलोकनहरू Nadieh Bremer & Shirley Wu द्वारा।
+
+यो पाठले यी शक्तिशाली दृश्यावलोकन पुस्तकालयहरू सिकाउन गहिराइमा जाने पर्याप्त छैन, तर D3 मा Vue.js एपमा पुस्तक 'Dangerous Liaisons' को एनिमेटेड सामाजिक नेटवर्कको रूपमा दृश्यावलोकन प्रदर्शन गर्न प्रयास गर्नुहोस्।
+
+> "Les Liaisons Dangereuses" एउटा पत्रात्मक उपन्यास हो, वा पत्रहरूको श्रृंखलाको रूपमा प्रस्तुत गरिएको उपन्यास। 1782 मा Choderlos de Laclos द्वारा लेखिएको, यसले 18 औं शताब्दीको फ्रेन्च अभिजात वर्गका दुई प्रतिस्पर्धी पात्रहरूको निर्दयी, नैतिक रूपमा दिवालिया सामाजिक चालहरूको कथा बताउँछ, Vicomte de Valmont र Marquise de Merteuil। दुवैको अन्त्यमा पतन हुन्छ, तर धेरै सामाजिक क्षति नगरी होइन। उपन्यास पत्रहरूको श्रृंखलाको रूपमा unfolds हुन्छ, जसले बदला लिन वा केवल समस्या सिर्जना गर्न विभिन्न व्यक्तिहरूलाई लेखिएको हुन्छ। यी पत्रहरूको दृश्यावलोकन बनाएर कथाको प्रमुख पात्रहरूलाई दृश्यात्मक रूपमा पत्ता लगाउनुहोस्।
+
+तपाईंले एउटा वेब एप पूरा गर्नुहुनेछ, जसले यस सामाजिक नेटवर्कको एनिमेटेड दृश्य प्रदर्शन गर्नेछ। यसले Vue.js र D3 प्रयोग गरेर [नेटवर्कको दृश्य](https://github.com/emiliorizzo/vue-d3-network) बनाउनको लागि बनाइएको पुस्तकालय प्रयोग गर्दछ। एप चलिरहेको बेला, तपाईं स्क्रिनमा नोडहरू तान्न सक्नुहुन्छ र डाटालाई फेरबदल गर्न सक्नुहुन्छ।
+
+![liaisons](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.ne.png)
+
+## परियोजना: D3.js प्रयोग गरेर नेटवर्क देखाउने चार्ट बनाउनुहोस्
+
+> यो पाठ फोल्डरमा एउटा `solution` फोल्डर समावेश छ, जहाँ तपाईंले सन्दर्भका लागि पूरा गरिएको परियोजना पाउन सक्नुहुन्छ।
+
+1. स्टार्ट फोल्डरको रुटमा रहेको README.md फाइलमा निर्देशनहरू पालना गर्नुहोस्। तपाईंको मेसिनमा NPM र Node.js चलिरहेको सुनिश्चित गर्नुहोस्, त्यसपछि तपाईंको परियोजनाका निर्भरता स्थापना गर्नुहोस्।
+
+2. `starter/src` फोल्डर खोल्नुहोस्। तपाईंले एउटा `assets` फोल्डर पाउनुहुनेछ, जहाँ उपन्यासका सबै पत्रहरू भएको .json फाइल छ, नम्बर गरिएको, 'to' र 'from' एनोटेसनसहित।
+
+3. `components/Nodes.vue` मा रहेको कोड पूरा गर्नुहोस्, ताकि दृश्यावलोकन सक्षम होस्। `createLinks()` नामक विधि खोज्नुहोस् र निम्न नेस्टेड लूप थप्नुहोस्।
+
+.json वस्तुमा लूप गर्नुहोस्, पत्रहरूको 'to' र 'from' डाटा समात्न र `links` वस्तु निर्माण गर्न, ताकि दृश्यावलोकन पुस्तकालयले यसलाई उपभोग गर्न सकोस्:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+टर्मिनलबाट तपाईंको एप चलाउनुहोस् (npm run serve) र दृश्यावलोकनको मजा लिनुहोस्!
+
+## 🚀 चुनौती
+
+इन्टरनेटको भ्रमण गरेर भ्रामक दृश्यावलोकनहरू पत्ता लगाउनुहोस्। लेखकले प्रयोगकर्तालाई कसरी झुक्याउँछ, र के यो जानाजानी हो? दृश्यावलोकनहरू सुधार गरेर तिनीहरू कस्तो देखिनुपर्छ भनेर देखाउने प्रयास गर्नुहोस्।
+
+## [पाठपछिको क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## समीक्षा र आत्म-अध्ययन
+
+भ्रामक डाटा दृश्यावलोकनको बारेमा पढ्नका लागि यी लेखहरू हेर्नुहोस्:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ऐतिहासिक सम्पत्ति र कलाकृतिहरूका लागि यी रोचक दृश्यावलोकनहरू हेर्नुहोस्:
+
+https://handbook.pubpub.org/
+
+एनिमेसनले तपाईंका दृश्यावलोकनहरूलाई कसरी सुधार गर्न सक्छ भन्ने बारे यो लेख हेर्नुहोस्:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## असाइनमेन्ट
+
+[आफ्नै अनुकूल दृश्यावलोकन बनाउनुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..a319a681
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-27T18:15:09+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "ne"
+}
+-->
+# आफ्नो कस्टम भिजुअलाइजेसन बनाउनुहोस्
+
+## निर्देशनहरू
+
+यस परियोजनामा दिइएको कोड नमूना प्रयोग गरेर सामाजिक नेटवर्क सिर्जना गर्नुहोस्, आफ्नै सामाजिक अन्तर्क्रियाको नक्कल डेटा तयार गर्नुहोस्। तपाईं आफ्नो सामाजिक सञ्जालको प्रयोगलाई म्याप गर्न सक्नुहुन्छ वा आफ्नो परिवारका सदस्यहरूको डायग्राम बनाउन सक्नुहुन्छ। एउटा रोचक वेब एप बनाउनुहोस् जसले सामाजिक नेटवर्कको अनौठो भिजुअलाइजेसन देखाउँछ।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- |
+GitHub रिपोजिटरी प्रस्तुत गरिएको छ जसको कोड ठीकसँग चल्छ (यसलाई स्थिर वेब एपको रूपमा डिप्लोय गर्न प्रयास गर्नुहोस्) र परियोजनाको व्याख्या गर्ने एनोटेटेड README छ | रिपोजिटरी ठीकसँग चल्दैन वा राम्रोसँग दस्तावेज गरिएको छैन | रिपोजिटरी ठीकसँग चल्दैन र राम्रोसँग दस्तावेज गरिएको छैन
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..63386ec7
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:16:09+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "ne"
+}
+-->
+# डेंजरस लिआइजन्स डेटा भिजुअलाइजेसन प्रोजेक्ट
+
+सुरु गर्नका लागि, तपाईंको मेसिनमा NPM र Node चलिरहेको सुनिश्चित गर्नुहोस्। निर्भरता (npm install) स्थापना गर्नुहोस् र त्यसपछि प्रोजेक्टलाई स्थानीय रूपमा चलाउनुहोस् (npm run serve):
+
+## प्रोजेक्ट सेटअप
+```
+npm install
+```
+
+### विकासका लागि कम्पाइल र हट-रिलोड
+```
+npm run serve
+```
+
+### उत्पादनका लागि कम्पाइल र मिनिफाइ
+```
+npm run build
+```
+
+### फाइलहरू लिन्ट र फिक्स गर्छ
+```
+npm run lint
+```
+
+### कन्फिगरेसन अनुकूलन गर्नुहोस्
+[Configuration Reference](https://cli.vuejs.org/config/) हेर्नुहोस्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..f6b99747
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:15:41+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "ne"
+}
+-->
+# डेंजरस लिआइजन्स डेटा भिजुअलाइजेसन प्रोजेक्ट
+
+सुरु गर्नका लागि, तपाईंको मेसिनमा NPM र Node चलिरहेको सुनिश्चित गर्नुहोस्। निर्भरता (npm install) स्थापना गर्नुहोस् र त्यसपछि प्रोजेक्टलाई स्थानीय रूपमा चलाउनुहोस् (npm run serve):
+
+## प्रोजेक्ट सेटअप
+```
+npm install
+```
+
+### विकासका लागि कम्पाइल र हट-रिलोड
+```
+npm run serve
+```
+
+### उत्पादनका लागि कम्पाइल र मिनिफाइ
+```
+npm run build
+```
+
+### फाइलहरू लिन्ट र फिक्स गर्छ
+```
+npm run lint
+```
+
+### कन्फिगरेसन अनुकूलन गर्नुहोस्
+[Configuration Reference](https://cli.vuejs.org/config/) हेर्नुहोस्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/ne/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..dd34929d
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,231 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-27T18:30:27+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "ne"
+}
+-->
+# परिमाणहरूको दृश्यात्मकता
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| परिमाणहरूको दृश्यात्मकता - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+यस पाठमा तपाईंले परिमाणको अवधारणालाई केन्द्रित गर्दै रोचक दृश्यात्मकता बनाउन सिक्नका लागि उपलब्ध R प्याकेज पुस्तकालयहरूको प्रयोग गर्ने तरिका अन्वेषण गर्नुहुनेछ। मिनेसोटाका चराहरूको सफा गरिएको डेटासेट प्रयोग गरेर, तपाईंले स्थानीय वन्यजन्तुका बारेमा धेरै रोचक तथ्यहरू जान्न सक्नुहुन्छ।  
+## [पाठपूर्व प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## ggplot2 प्रयोग गरेर पखेटाको फैलावट अवलोकन गर्नुहोस्
+विभिन्न प्रकारका साधारण र परिष्कृत प्लट र चार्टहरू बनाउनका लागि [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html) एक उत्कृष्ट पुस्तकालय हो। सामान्यतया, यी पुस्तकालयहरूको प्रयोग गरेर डेटा प्लट गर्ने प्रक्रियामा तपाईंको डेटा फ्रेमका भागहरू पहिचान गर्ने, आवश्यक परिमार्जन गर्ने, x र y अक्षका मानहरू तोक्ने, कुन प्रकारको प्लट देखाउने निर्णय गर्ने, र त्यसपछि प्लट देखाउने समावेश हुन्छ।
+
+`ggplot2` ग्राफिक्सको व्याकरणमा आधारित ग्राफिक्स सिर्जना गर्ने प्रणाली हो। [ग्राफिक्सको व्याकरण](https://en.wikipedia.org/wiki/Ggplot2) डेटा दृश्यात्मकताको लागि एउटा सामान्य योजना हो जसले ग्राफहरूलाई स्केल र तहजस्ता अर्थपूर्ण घटकहरूमा विभाजन गर्दछ। अर्को शब्दमा, थोरै कोडको साथ एकल वा बहुविविध डेटा प्लट र ग्राफहरू बनाउनको सजिलोपनले `ggplot2` लाई R मा दृश्यात्मकताका लागि सबैभन्दा लोकप्रिय प्याकेज बनाएको छ। प्रयोगकर्ताले `ggplot2` लाई कसरी चरहरूलाई सौन्दर्यमा म्याप गर्ने, ग्राफिकल प्रिमिटिभहरू प्रयोग गर्ने भनेर बताउँछ, र `ggplot2` ले बाँकी काम गर्छ।
+
+> ✅ प्लट = डेटा + सौन्दर्य + ज्यामिति  
+> - डेटा भनेको डेटासेट हो  
+> - सौन्दर्यले अध्ययन गर्नुपर्ने चरहरू (x र y चरहरू) जनाउँछ  
+> - ज्यामितिले प्लटको प्रकार (लाइन प्लट, बार प्लट, आदि) जनाउँछ  
+
+तपाईंको डेटा र प्लटमार्फत भन्न चाहेको कथाको आधारमा उत्तम ज्यामिति (प्लटको प्रकार) छान्नुहोस्।  
+
+> - प्रवृत्ति विश्लेषण गर्न: लाइन, स्तम्भ  
+> - मानहरूको तुलना गर्न: बार, स्तम्भ, पाई, स्क्याटरप्लट  
+> - भागहरू सम्पूर्णसँग कसरी सम्बन्धित छन् देखाउन: पाई  
+> - डेटा वितरण देखाउन: स्क्याटरप्लट, बार  
+> - मानहरू बीचको सम्बन्ध देखाउन: लाइन, स्क्याटरप्लट, बबल  
+
+✅ तपाईंले यो वर्णनात्मक [चिटशीट](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) पनि हेर्न सक्नुहुन्छ ggplot2 का लागि।
+
+## चराहरूको पखेटाको फैलावटको बारेमा लाइन प्लट बनाउनुहोस्
+
+R कन्सोल खोल्नुहोस् र डेटासेट आयात गर्नुहोस्।  
+> नोट: डेटासेट यो रिपोजिटरीको रुटमा `/data` फोल्डरमा भण्डारण गरिएको छ।  
+
+डेटासेट आयात गरौं र डेटा हेड (शीर्ष ५ पङ्क्तिहरू) अवलोकन गरौं।  
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+डेटाको हेडमा पाठ र सङ्ख्याको मिश्रण छ:  
+
+|      | नाम                          | वैज्ञानिक नाम          | श्रेणी               | क्रम         | परिवार   | वंश        | संरक्षण स्थिति | न्यूनतम लम्बाइ | अधिकतम लम्बाइ | न्यूनतम शरीर भार | अधिकतम शरीर भार | न्यूनतम पखेटा फैलावट | अधिकतम पखेटा फैलावट |  
+| ---: | :--------------------------- | :--------------------- | :------------------- | :----------- | :------- | :--------- | :------------- | -------------: | -------------: | ---------------: | ---------------: | ------------------: | ------------------: |  
+|    0 | कालो-पेट भएको सिठ्ठी बतासे | Dendrocygna autumnalis | हाँस/बतासे/पानीपक्षी | Anseriformes | Anatidae | Dendrocygna | LC              |              47 |              56 |               652 |              1020 |                  76 |                  94 |  
+|    1 | फुल्भस सिठ्ठी बतासे        | Dendrocygna bicolor    | हाँस/बतासे/पानीपक्षी | Anseriformes | Anatidae | Dendrocygna | LC              |              45 |              53 |               712 |              1050 |                  85 |                  93 |  
+|    2 | हिउँ हाँस                   | Anser caerulescens     | हाँस/बतासे/पानीपक्षी | Anseriformes | Anatidae | Anser       | LC              |              64 |              79 |              2050 |              4050 |                 135 |                 165 |  
+|    3 | रॉसको हाँस                  | Anser rossii           | हाँस/बतासे/पानीपक्षी | Anseriformes | Anatidae | Anser       | LC              |            57.3 |              64 |              1066 |              1567 |                 113 |                 116 |  
+|    4 | ठूलो सेतो-फ्रन्टेड हाँस    | Anser albifrons        | हाँस/बतासे/पानीपक्षी | Anseriformes | Anatidae | Anser       | LC              |              64 |              81 |              1930 |              3310 |                 130 |                 165 |  
+
+अब यी रोचक चराहरूको अधिकतम पखेटा फैलावटको दृश्यात्मकता गर्न एउटा साधारण लाइन प्लट बनाऔं।  
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+यहाँ, तपाईंले `ggplot2` प्याकेज इन्स्टल गर्नुभयो र त्यसलाई `library("ggplot2")` आदेश प्रयोग गरेर कार्यक्षेत्रमा आयात गर्नुभयो। ggplot मा कुनै पनि प्लट बनाउन `ggplot()` फङ्क्सन प्रयोग गरिन्छ र तपाईं डेटासेट, x र y चरहरूलाई विशेषता रूपमा निर्दिष्ट गर्नुहुन्छ। यस अवस्थामा, हामीले लाइन प्लट बनाउन `geom_line()` फङ्क्सन प्रयोग गर्यौं।  
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.ne.png)  
+
+तपाईंले के तुरुन्तै देख्नुभयो? कम्तीमा एउटा बाहिरको मान (outlier) देखिन्छ - यो त धेरै ठूलो पखेटा फैलावट हो! २०००+ सेन्टिमिटरको पखेटा फैलावट भनेको २० मिटरभन्दा बढी हो - के मिनेसोटामा प्टेरोड्याक्टाइलहरू छन्? अनुसन्धान गरौं।  
+
+Excel मा छिटो सर्ट गरेर ती बाहिरका मानहरू पत्ता लगाउन सकिन्छ, तर प्लटभित्रैबाट दृश्यात्मकता प्रक्रियालाई जारी राखौं।  
+
+x-अक्षमा चराहरूको प्रकार देखाउन लेबलहरू थप्नुहोस्:  
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+हामीले `theme` मा कोण निर्दिष्ट गर्यौं र `xlab()` र `ylab()` मा x र y अक्षका लेबलहरू निर्दिष्ट गर्यौं। `ggtitle()` ले ग्राफ/प्लटलाई नाम दिन्छ।  
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.ne.png)  
+
+लेबलहरूलाई ४५ डिग्रीमा घुमाउँदा पनि धेरै पढ्न गाह्रो छ। अर्को रणनीति प्रयास गरौं: बाहिरका मानहरूलाई मात्र लेबल गरौं र चार्टभित्रै लेबल राखौं। स्क्याटर चार्ट प्रयोग गरेर लेबलिङका लागि बढी ठाउँ बनाऔं:  
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+यहाँ के भइरहेको छ? तपाईंले स्क्याटर बिन्दुहरू प्लट गर्न `geom_point()` फङ्क्सन प्रयोग गर्नुभयो। यससँगै, तपाईंले `MaxWingspan > 500` भएका चराहरूका लागि लेबलहरू थप्नुभयो र x अक्षका लेबलहरू लुकाउनुभयो ताकि प्लट सफा देखियो।  
+
+तपाईंले के पत्ता लगाउनुभयो?  
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.ne.png)  
+
+## तपाईंको डेटा फिल्टर गर्नुहोस्  
+
+बाल्ड इगल र प्रेरी फाल्कन, सम्भवतः धेरै ठूला चरा भए पनि, तिनीहरूको अधिकतम पखेटा फैलावटमा अतिरिक्त ० थपिएको जस्तो देखिन्छ। २५ मिटरको पखेटा फैलावट भएको बाल्ड इगल भेट्नुभयो भने कृपया हामीलाई जानकारी दिनुहोस्! ती दुई बाहिरका मानहरू बिना नयाँ डेटाफ्रेम बनाऔं:  
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+हामीले नयाँ डेटाफ्रेम `birds_filtered` बनायौं र त्यसपछि स्क्याटर प्लट बनायौं। बाहिरका मानहरू हटाएर, तपाईंको डेटा अब बढी सुसंगत र बुझ्न योग्य छ।  
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.ne.png)  
+
+अब हामीसँग पखेटा फैलावटको हिसाबले सफा डेटासेट छ, यी चराहरूका बारेमा थप पत्ता लगाऔं।  
+
+लाइन र स्क्याटर प्लटहरूले डेटा मानहरू र तिनीहरूको वितरणको जानकारी देखाउन सक्छन्, तर हामी यस डेटासेटमा निहित मानहरूको बारेमा सोच्न चाहन्छौं। तपाईंले परिमाणका बारेमा निम्न प्रश्नहरूको उत्तर दिन दृश्यात्मकता बनाउन सक्नुहुन्छ:  
+
+> कति प्रकारका चराहरू छन्, र तिनीहरूको सङ्ख्या कति छ?  
+> कति चरा लोप भएका, संकटग्रस्त, दुर्लभ, वा सामान्य छन्?  
+> लिनियसको शब्दावलीमा विभिन्न वंश र क्रमका कति चरा छन्?  
+
+## बार चार्टहरूको अन्वेषण गर्नुहोस्  
+
+बार चार्टहरू डेटा समूहहरू देखाउनका लागि व्यावहारिक हुन्छन्। यस डेटासेटमा भएका चराहरूको श्रेणी अन्वेषण गरौं र कुन श्रेणी सबैभन्दा सामान्य छ हेर्नुहोस्।  
+फिल्टर गरिएको डेटामा बार चार्ट बनाऔं।  
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+तलको स्निपेटमा, हामीले डेटा हेरफेर र समूह गर्नका लागि [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) र [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) प्याकेजहरू इन्स्टल गर्यौं। त्यसपछि, `ggplot2` प्रयोग गरेर बार चार्ट प्लट गर्यौं।  
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.ne.png)  
+
+तर यो बार चार्ट पढ्न गाह्रो छ किनभने धेरै गैर-समूहित डेटा छ। तपाईंले प्लट गर्न चाहेको डेटा मात्र चयन गर्न आवश्यक छ। चराहरूको श्रेणीको आधारमा लम्बाइ हेर्नुहोस्।  
+
+डेटालाई केवल चराहरूको श्रेणी समावेश गर्न फिल्टर गर्नुहोस्।  
+
+किनभने धेरै श्रेणीहरू छन्, तपाईं यो चार्टलाई ठाडो रूपमा प्रदर्शन गर्न सक्नुहुन्छ र सबै डेटा समेट्न यसको उचाइ समायोजन गर्न सक्नुहुन्छ:  
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+तपाईंले `Category` स्तम्भमा अद्वितीय मानहरूको गणना गर्नुभयो र त्यसलाई नयाँ डेटाफ्रेम `birds_count` मा क्रमबद्ध गर्नुभयो। यो क्रमबद्ध डेटालाई `ggplot2` प्रयोग गरेर बार चार्टमा प्लट गर्यौं। `coord_flip()` ले तेर्सो बारहरू प्लट गर्छ।  
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.ne.png)  
+
+यो बार चार्टले प्रत्येक श्रेणीमा चराहरूको सङ्ख्याको राम्रो दृश्य दिन्छ। एक झलकमा, तपाईंले देख्न सक्नुहुन्छ कि यस क्षेत्रमा सबैभन्दा धेरै सङ्ख्यामा चरा हाँस/बतासे/पानीपक्षी श्रेणीमा छन्। मिनेसोटा '१०,००० तालहरूको भूमि' भएकाले यो आश्चर्यजनक छैन!  
+
+✅ यस डेटासेटमा अन्य गणनाहरू प्रयास गर्नुहोस्। के तपाईंलाई केही चकित पार्छ?  
+
+## डेटा तुलना गर्नुहोस्  
+
+समूहित डेटाको विभिन्न तुलना प्रयास गर्न नयाँ अक्षहरू सिर्जना गर्न सकिन्छ। चराको श्रेणीको आधारमा अधिकतम लम्बाइको तुलना प्रयास गर्नुहोस्:  
+
+```r
+birds_grouped <- birds_filtered %>%
+  group_by(Category) %>%
+  summarise(
+  MaxLength = max(MaxLength, na.rm = T),
+  MinLength = max(MinLength, na.rm = T)
+           ) %>%
+  arrange(Category)
+  
+ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()
+```  
+हामीले `birds_filtered` डेटालाई `Category` द्वारा समूहबद्ध गर्यौं र बार चार्ट प्लट गर्यौं।  
+
+![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.ne.png)  
+
+यहाँ केही आश्चर्यजनक छैन: हमिङबर्डहरूको अधिकतम लम्बाइ पेलिकन वा हाँसको तुलनामा सबैभन्दा कम छ। डेटा तार्किक रूपमा सही हुँदा राम्रो लाग्छ!  
+
+बार चार्टहरूको थप रोचक दृश्यात्मकता बनाउन, तपाईंले डेटा सुपरइम्पोज गर्न सक्नुहुन्छ। एउटा दिइएको चराको श्रेणीमा न्यूनतम र अधिकतम लम्बाइ सुपरइम्पोज गरौं:  
+
+```r
+ggplot(data=birds_grouped, aes(x=Category)) +
+  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
+  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
+  coord_flip()
+```  
+![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.ne.png)  
+
+## 🚀 चुनौती  
+
+यो चराको डेटासेटले विशेष पारिस्थितिकी तन्त्रभित्रका विभिन्न प्रकारका चराहरूको बारेमा जानकारीको खजाना प्रदान गर्दछ। इन्टरनेटमा खोजी गर्नुहोस् र अन्य चरा-सम्बन्धित डेटासेटहरू फेला पार्न प्रयास गर्नुहोस्। यी चराहरूको वरिपरि चार्ट र ग्राफहरू निर्माण गर्ने अभ्यास गर्नुहोस् र तपाईंले नबुझेका तथ्यहरू पत्ता लगाउनुहोस्।  
+## [पाठपछिको प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## समीक्षा र आत्म-अध्ययन  
+
+यस पहिलो पाठले तपाईंलाई `ggplot2` प्रयोग गरेर परिमाणहरूको दृश्यात्मकता गर्ने केही जानकारी दिएको छ। डेटासेटहरूसँग काम गर्नका लागि अन्य तरिकाहरूको बारेमा अनुसन्धान गर्नुहोस्। अन्य प्याकेजहरू जस्तै [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) र [Plotly](https://github.com/plotly/plotly.R#readme) प्रयोग गरेर दृश्यात्मकता गर्न सकिने डेटासेटहरूको खोजी गर्नुहोस्।  
+
+## असाइनमेन्ट  
+[लाइन, स्क्याटर, र बारहरू](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/ne/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..f8aa8dd4
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-27T18:33:50+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "ne"
+}
+-->
+# रेखा, स्क्याटर र बारहरू
+
+## निर्देशनहरू
+
+यस पाठमा, तपाईंले रेखा चार्टहरू, स्क्याटरप्लटहरू, र बार चार्टहरू प्रयोग गरेर यो डेटासेटको रोचक तथ्यहरू देखाउन सिक्नुभयो। यस असाइनमेन्टमा, डेटासेटमा अझ गहिरो अध्ययन गरेर दिइएको चरा प्रकारको बारेमा एउटा तथ्य पत्ता लगाउनुहोस्। उदाहरणका लागि, स्नो गीजको बारेमा पत्ता लगाउन सकिने सबै रोचक डेटा देखाउने स्क्रिप्ट तयार गर्नुहोस्। माथि उल्लेख गरिएका तीन प्रकारका प्लटहरू प्रयोग गरेर आफ्नो नोटबुकमा एउटा कथा सुनाउनुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+एक स्क्रिप्ट प्रस्तुत गरिएको छ जसमा राम्रो व्याख्या, ठोस कथा, र आकर्षक ग्राफहरू छन् | स्क्रिप्टमा यी तत्वहरू मध्ये एक हराइरहेको छ | स्क्रिप्टमा यी तत्वहरू मध्ये दुई हराइरहेका छन्
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/ne/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..cfec28d3
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-27T18:23:14+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "ne"
+}
+-->
+# वितरणहरू दृश्यात्मक बनाउने
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) द्वारा स्केच नोट ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| वितरणहरू दृश्यात्मक बनाउने - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
+
+अघिल्लो पाठमा, तपाईंले मिनेसोटाका चराहरूको बारेमा रहेको डेटासेटका केही रोचक तथ्यहरू सिक्नुभयो। तपाईंले बाहिरिएका डाटाहरूलाई दृश्यात्मक बनाउँदै त्रुटिपूर्ण डाटा पत्ता लगाउनुभयो र चराको श्रेणीहरू बीचको भिन्नता तिनीहरूको अधिकतम लम्बाइको आधारमा हेर्नुभयो।
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## चराहरूको डेटासेट अन्वेषण गर्नुहोस्
+
+डेटामा गहिरो रूपमा जान अर्को तरिका भनेको यसको वितरण हेर्नु हो, अर्थात् डाटा कसरी अक्षमा व्यवस्थित छ। उदाहरणका लागि, तपाईं मिनेसोटाका चराहरूको अधिकतम पखेटाको फैलावट वा अधिकतम शरीरको तौलको सामान्य वितरणको बारेमा जान्न चाहनुहुन्छ होला।
+
+आउनुहोस्, यस डेटासेटमा डाटाको वितरणको बारेमा केही तथ्यहरू पत्ता लगाऔं। आफ्नो R कन्सोलमा `ggplot2` र डेटाबेस आयात गर्नुहोस्। अघिल्लो विषयमा जस्तै डेटाबेसबाट बाहिरिएका डाटाहरू हटाउनुहोस्।
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | नाम                         | वैज्ञानिक नाम         | श्रेणी              | क्रम        | परिवार   | वंश       | संरक्षण स्थिति | न्यूनतम लम्बाइ | अधिकतम लम्बाइ | न्यूनतम शरीर तौल | अधिकतम शरीर तौल | न्यूनतम पखेटा फैलावट | अधिकतम पखेटा फैलावट |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | कालो-पेट भएको सिठी हाँस | Dendrocygna autumnalis | हाँस/पानीका चराहरू | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | फुल्भस सिठी हाँस       | Dendrocygna bicolor    | हाँस/पानीका चराहरू | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | हिउँ हाँस                   | Anser caerulescens     | हाँस/पानीका चराहरू | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | रोसको हाँस                 | Anser rossii           | हाँस/पानीका चराहरू | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ठूलो सेतो-अगाडि भएको हाँस  | Anser albifrons        | हाँस/पानीका चराहरू | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+सामान्य रूपमा, तपाईंले स्क्याटर प्लट प्रयोग गरेर डाटाको वितरणलाई छिटो हेर्न सक्नुहुन्छ, जस्तै अघिल्लो पाठमा गरियो:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![प्रत्येक क्रमको अधिकतम लम्बाइ](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.ne.png)
+
+यसले प्रत्येक चराको क्रम अनुसार शरीरको लम्बाइको सामान्य वितरणको झलक दिन्छ, तर यो वास्तविक वितरण देखाउनको लागि उत्तम तरिका होइन। यो कार्य सामान्यतया हिस्टोग्राम बनाएर गरिन्छ।
+
+## हिस्टोग्रामसँग काम गर्ने
+
+`ggplot2` ले हिस्टोग्राम प्रयोग गरेर डाटाको वितरणलाई दृश्यात्मक बनाउने उत्कृष्ट तरिकाहरू प्रदान गर्दछ। यो प्रकारको चार्ट बार चार्ट जस्तै हुन्छ जहाँ वितरण बारहरूको उचाइ र गिरावटबाट देख्न सकिन्छ। हिस्टोग्राम बनाउनको लागि तपाईंलाई संख्यात्मक डाटा चाहिन्छ। हिस्टोग्राम बनाउन, तपाईंले चार्टलाई 'hist' प्रकारको रूपमा परिभाषित गर्न सक्नुहुन्छ। यो चार्टले सम्पूर्ण डेटासेटको संख्यात्मक डाटाको दायराको लागि MaxBodyMass को वितरण देखाउँछ। डाटाको एरेलाई साना भागहरूमा विभाजन गरेर, यसले डाटाको मानहरूको वितरण देखाउन सक्छ:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![सम्पूर्ण डेटासेटमा वितरण](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.ne.png)
+
+जस्तो देखिन्छ, यस डेटासेटका 400+ चराहरूको अधिकांश Max Body Mass 2000 भन्दा कमको दायरामा पर्दछन्। `bins` प्यारामिटरलाई उच्च संख्यामा, जस्तै 30 मा परिवर्तन गरेर डाटाको बारेमा थप जानकारी प्राप्त गर्नुहोस्:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![30 बिन्सको वितरण](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.ne.png)
+
+यो चार्टले वितरणलाई अलि बढी विस्तृत रूपमा देखाउँछ। कम बाँया तिर झुकिएको चार्ट बनाउन, तपाईंले निश्चित दायराभित्रको डाटा मात्र चयन गरेर सुनिश्चित गर्न सक्नुहुन्छ:
+
+तपाईंको डाटालाई फिल्टर गरेर केवल ती चराहरू प्राप्त गर्नुहोस् जसको शरीर तौल 60 भन्दा कम छ, र 30 `bins` देखाउनुहोस्:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![फिल्टर गरिएको हिस्टोग्राम](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.ne.png)
+
+✅ अन्य फिल्टरहरू र डाटाका बिन्दुहरू प्रयास गर्नुहोस्। डाटाको पूर्ण वितरण हेर्नको लागि, `['MaxBodyMass']` फिल्टर हटाएर लेबल गरिएको वितरणहरू देखाउनुहोस्।
+
+हिस्टोग्रामले केही राम्रो रंग र लेबलिङ सुधारहरू पनि प्रदान गर्दछ:
+
+दुई वितरणहरू बीचको सम्बन्ध तुलना गर्न 2D हिस्टोग्राम बनाउनुहोस्। आउनुहोस् `MaxBodyMass` र `MaxLength` तुलना गरौं। `ggplot2` ले उज्यालो रंगहरू प्रयोग गरेर एकीकृतता देखाउने बिल्ट-इन तरिका प्रदान गर्दछ:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+जस्तो देखिन्छ, यी दुई तत्वहरू बीच अपेक्षित अक्षमा सम्बन्ध छ, एक विशेष रूपमा बलियो एकीकृत बिन्दु सहित:
+
+![2D प्लट](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.ne.png)
+
+हिस्टोग्रामहरू संख्यात्मक डाटाको लागि डिफल्ट रूपमा राम्रोसँग काम गर्छन्। यदि तपाईंलाई पाठ डाटाको अनुसार वितरणहरू हेर्न आवश्यक छ भने के गर्ने? 
+## पाठ डाटाको प्रयोग गरेर वितरणहरू अन्वेषण गर्नुहोस्
+
+यस डेटासेटमा चराको श्रेणी, वंश, प्रजाति, परिवार, र संरक्षण स्थिति सम्बन्धी राम्रो जानकारी पनि समावेश छ। आउनुहोस् यस संरक्षण जानकारीलाई अन्वेषण गरौं। चराहरूको संरक्षण स्थितिको अनुसार वितरण कस्तो छ?
+
+> ✅ डेटासेटमा संरक्षण स्थिति वर्णन गर्न विभिन्न संक्षेप शब्दहरू प्रयोग गरिएका छन्। यी संक्षेप शब्दहरू [IUCN रेड लिस्ट श्रेणीहरू](https://www.iucnredlist.org/) बाट आएका हुन्, एक संगठन जसले प्रजातिहरूको स्थिति सूचीबद्ध गर्दछ।
+> 
+> - CR: अत्यधिक संकटग्रस्त
+> - EN: संकटग्रस्त
+> - EX: विलुप्त
+> - LC: न्यूनतम चिन्ता
+> - NT: निकट संकटग्रस्त
+> - VU: कमजोर
+
+यी पाठ-आधारित मानहरू हुन् त्यसैले हिस्टोग्राम बनाउनको लागि तपाईंलाई रूपान्तरण गर्न आवश्यक छ। `filteredBirds` डाटाफ्रेम प्रयोग गरेर यसको संरक्षण स्थिति र न्यूनतम पखेटा फैलावट देखाउनुहोस्। तपाईं के देख्नुहुन्छ?
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![पखेटा फैलावट र संरक्षण स्थिति](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.ne.png)
+
+न्यूनतम पखेटा फैलावट र संरक्षण स्थितिको बीचमा राम्रो सम्बन्ध देखिँदैन। यस विधि प्रयोग गरेर डेटासेटका अन्य तत्वहरू परीक्षण गर्नुहोस्। तपाईं विभिन्न फिल्टरहरू पनि प्रयास गर्न सक्नुहुन्छ। के तपाईं कुनै सम्बन्ध पाउनुहुन्छ?
+
+## घनत्व प्लटहरू
+
+तपाईंले देख्नुभएको हुन सक्छ कि अहिलेसम्मका हिस्टोग्रामहरू 'स्टेप्ड' छन् र चिल्लो रूपमा आर्कमा प्रवाह गर्दैनन्। चिल्लो घनत्व चार्ट देखाउन, तपाईं घनत्व प्लट प्रयास गर्न सक्नुहुन्छ।
+
+आउनुहोस्, अब घनत्व प्लटसँग काम गरौं!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![घनत्व प्लट](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.ne.png)
+
+तपाईंले देख्न सक्नुहुन्छ कि यो प्लटले न्यूनतम पखेटा फैलावट डाटाको लागि अघिल्लो चार्टलाई प्रतिध्वनित गर्दछ; यो केवल अलि चिल्लो छ। यदि तपाईंले दोस्रो चार्टमा रहेको जंगली MaxBodyMass लाइनलाई चिल्लो बनाउन चाहनुहुन्छ भने, यस विधि प्रयोग गरेर यसलाई धेरै राम्रोसँग पुनः निर्माण गर्न सक्नुहुन्छ:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![शरीर तौल घनत्व](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.ne.png)
+
+यदि तपाईं चिल्लो तर धेरै चिल्लो नभएको लाइन चाहनुहुन्छ भने, `adjust` प्यारामिटर सम्पादन गर्नुहोस्:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![कम चिल्लो शरीर तौल](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.ne.png)
+
+✅ यस प्रकारको प्लटको लागि उपलब्ध प्यारामिटरहरूको बारेमा पढ्नुहोस् र प्रयोग गर्नुहोस्!
+
+यो प्रकारको चार्टले सुन्दर व्याख्यात्मक दृश्यहरू प्रदान गर्दछ। उदाहरणका लागि, केही लाइनहरूको कोड प्रयोग गरेर, तपाईं प्रत्येक चराको क्रम अनुसार अधिकतम शरीर तौल घनत्व देखाउन सक्नुहुन्छ:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![प्रत्येक क्रमको शरीर तौल](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.ne.png)
+
+## 🚀 चुनौती
+
+हिस्टोग्रामहरू आधारभूत स्क्याटरप्लट, बार चार्ट, वा लाइन चार्टभन्दा बढी परिष्कृत प्रकारका चार्ट हुन्। इन्टरनेटमा खोजी गरेर हिस्टोग्रामको प्रयोगका राम्रो उदाहरणहरू खोज्नुहोस्। तिनीहरू कसरी प्रयोग गरिन्छन्, के देखाउँछन्, र कुन क्षेत्रहरू वा अनुसन्धानका क्षेत्रमा तिनीहरू प्रायः प्रयोग गरिन्छन्?
+
+## [पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## समीक्षा र आत्म अध्ययन
+
+यस पाठमा, तपाईंले `ggplot2` प्रयोग गर्नुभयो र थप परिष्कृत चार्टहरू देखाउन सुरु गर्नुभयो। `geom_density_2d()` को बारेमा अनुसन्धान गर्नुहोस्, "एक वा धेरै आयामहरूमा निरन्तर सम्भाव्यता घनत्व वक्र"। [डकुमेन्टेशन](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) पढेर यसले कसरी काम गर्छ बुझ्नुहोस्।
+
+## असाइनमेन्ट
+
+[आफ्नो सीप लागू गर्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/ne/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..1ea2913f
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-27T18:25:06+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "ne"
+}
+-->
+# आफ्नो सीप प्रयोग गर्नुहोस्
+
+## निर्देशनहरू
+
+अहिलेसम्म, तपाईंले मिनेसोटा चरा डेटासेटसँग काम गरेर चरा संख्याहरू र जनसंख्या घनत्वको बारेमा जानकारी पत्ता लगाउनुभएको छ। यी प्रविधिहरूको प्रयोग अभ्यास गर्नको लागि, कुनै फरक डेटासेट प्रयास गर्नुहोस्, सम्भवतः [Kaggle](https://www.kaggle.com/) बाट प्राप्त गरिएको। यस डेटासेटको बारेमा कथा बताउनको लागि R स्क्रिप्ट बनाउनुहोस्, र यसलाई छलफल गर्दा हिस्टोग्रामहरू प्रयोग गर्न निश्चित गर्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- |
+डेटासेटको स्रोत सहितको व्याख्या गरिएको स्क्रिप्ट प्रस्तुत गरिएको छ, र तथ्यहरू पत्ता लगाउन कम्तीमा ५ हिस्टोग्रामहरू प्रयोग गरिएको छ। | अपूर्ण व्याख्या वा त्रुटिहरू भएको स्क्रिप्ट प्रस्तुत गरिएको छ। | व्याख्या बिना र त्रुटिहरू भएको स्क्रिप्ट प्रस्तुत गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/ne/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..c5a14e89
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,196 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-27T18:37:34+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "ne"
+}
+-->
+# अनुपातहरूलाई दृश्यात्मक बनाउने
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|अनुपातहरूलाई दृश्यात्मक बनाउने - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+यस पाठमा, तपाईंले प्रकृतिमा आधारित फरक डाटासेट प्रयोग गरेर अनुपातहरू दृश्यात्मक बनाउनुहुनेछ, जस्तै च्याउहरूको डाटासेटमा कति प्रकारका फङ्गीहरू छन् भनेर। आउनुहोस्, यी रोचक फङ्गीहरूको अध्ययन गरौं, जुन Audubon बाट लिइएको डाटासेट हो, जसमा Agaricus र Lepiota परिवारका २३ प्रजातिका गिल्ड च्याउहरूको विवरण छ। तपाईंले निम्न स्वादिष्ट चार्टहरूसँग प्रयोग गर्नुहुनेछ:
+
+- पाई चार्ट 🥧  
+- डोनट चार्ट 🍩  
+- वाफल चार्ट 🧇  
+
+> 💡 माइक्रोसफ्ट रिसर्चको [Charticulator](https://charticulator.com) नामक एक रोचक प्रोजेक्टले डेटा दृश्यात्मकताका लागि निःशुल्क ड्र्याग र ड्रप इन्टरफेस प्रदान गर्दछ। उनीहरूको एउटा ट्युटोरियलमा पनि यो च्याउ डाटासेट प्रयोग गरिएको छ! त्यसैले तपाईंले डेटा अन्वेषण गर्न र पुस्तकालय सिक्न एकैपटक मौका पाउनुहुन्छ: [Charticulator ट्युटोरियल](https://charticulator.com/tutorials/tutorial4.html)।
+
+## [पाठपूर्व प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## तपाईंका च्याउहरूलाई चिन्नुहोस् 🍄
+
+च्याउहरू धेरै रोचक हुन्छन्। तिनीहरूको अध्ययन गर्न एउटा डाटासेट आयात गरौं:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```  
+एउटा तालिका प्रिन्ट हुन्छ, जसमा विश्लेषणका लागि उत्कृष्ट डेटा हुन्छ:
+
+| वर्ग       | टोपी-आकार | टोपी-सतह | टोपी-रङ | चोटपटक | गन्ध    | गिल-जडान | गिल-दूरी | गिल-आकार | गिल-रङ | डाँठ-आकार | डाँठ-जरा | डाँठ-सतह-रिङमाथि | डाँठ-सतह-रिङमुनि | डाँठ-रङ-रिङमाथि | डाँठ-रङ-रिङमुनि | घुम्टो-प्रकार | घुम्टो-रङ | रिङ-सङ्ख्या | रिङ-प्रकार | बीउ-छाप-रङ | जनसङ्ख्या | बासस्थान |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| विषाक्त    | उत्तल    | चिल्लो      | खैरो     | चोटपटक | तेज गन्ध | स्वतन्त्र        | नजिक        | साँघुरो    | कालो      | चौडा        | समान      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | कालो             | छरिएको    | शहरी     |
+| खानेयोग्य | उत्तल    | चिल्लो      | पहेंलो   | चोटपटक | बदाम    | स्वतन्त्र        | नजिक        | चौडा      | कालो      | चौडा        | डन्डा      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | खैरो             | धेरै      | घाँस |
+| खानेयोग्य | घण्टी     | चिल्लो      | सेतो     | चोटपटक | सौंफ    | स्वतन्त्र        | नजिक        | चौडा      | खैरो      | चौडा        | डन्डा      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | खैरो             | धेरै      | मैदान |
+| विषाक्त    | उत्तल    | खस्रो       | सेतो     | चोटपटक | तेज गन्ध | स्वतन्त्र        | नजिक        | साँघुरो    | खैरो      | चौडा        | समान      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | कालो             | छरिएको    | शहरी |
+| खानेयोग्य | उत्तल    | चिल्लो      | हरियो    | चोटपटक छैन | कुनै गन्ध छैन | स्वतन्त्र        | भीडभाड      | चौडा      | कालो      | टोकिएको    | समान      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | अस्थायी    | खैरो             | प्रशस्त   | घाँस |
+| खानेयोग्य | उत्तल    | खस्रो       | पहेंलो   | चोटपटक | बदाम    | स्वतन्त्र        | नजिक        | चौडा      | खैरो      | चौडा        | डन्डा      | चिल्लो                   | चिल्लो                   | सेतो                  | सेतो                  | आंशिक     | सेतो      | एक         | झुन्डिएको   | कालो             | धेरै      | घाँस |
+
+तुरुन्तै, तपाईंले देख्नुहुन्छ कि सबै डेटा पाठ्यात्मक छ। तपाईंले यसलाई चार्टमा प्रयोग गर्नका लागि रूपान्तरण गर्नुपर्नेछ। वास्तवमा, अधिकांश डेटा वस्तुका रूपमा प्रस्तुत गरिएको छ:
+
+```r
+names(mushrooms)
+```  
+
+आउटपुट यस्तो देखिन्छ:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```  
+'वर्ग' स्तम्भलाई श्रेणीमा रूपान्तरण गर्न यो डेटा प्रयोग गर्नुहोस्:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```  
+
+अब, यदि तपाईं च्याउको डेटा प्रिन्ट गर्नुहुन्छ भने, यो विषाक्त/खानेयोग्य वर्गअनुसार श्रेणीमा समूह गरिएको देखिन्छ:  
+```r
+View(grouped)
+```  
+
+| वर्ग       | सङ्ख्या |
+| --------- | --------- |
+| खानेयोग्य | ४२०८ |
+| विषाक्त    | ३९१६ |
+
+यदि तपाईंले यस तालिकामा प्रस्तुत गरिएको क्रमलाई पछ्याएर वर्ग श्रेणीका लेबलहरू सिर्जना गर्नुभयो भने, तपाईं पाई चार्ट बनाउन सक्नुहुन्छ।
+
+## पाई!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```  
+ल, पाई चार्ट तयार भयो, जसले यी दुई वर्गका च्याउहरूको अनुपातलाई देखाउँछ। लेबलहरूको क्रम सही राख्नु यहाँ धेरै महत्त्वपूर्ण छ, त्यसैले लेबल एरे बनाउँदा क्रम जाँच गर्न निश्चित गर्नुहोस्!
+
+![पाई चार्ट](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.ne.png)
+
+## डोनट!
+
+पाई चार्टको तुलनामा अलि बढी आकर्षक चार्ट भनेको डोनट चार्ट हो, जसमा बीचमा प्वाल हुन्छ। यस विधिबाट हाम्रो डेटा हेरौं।
+
+च्याउहरू विभिन्न बासस्थानमा कसरी बढ्छन्, हेर्नुहोस्:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```  
+आउटपुट यस्तो छ:  
+| बासस्थान | सङ्ख्या |
+| --------- | --------- |
+| घाँस      | २१४८ |
+| पातहरू    | ८३२ |
+| मैदान     | २९२ |
+| बाटोहरू   | ११४४ |
+| शहरी      | ३६८ |
+| फोहोर     | १९२ |
+| काठ       | ३१४८ |
+
+यहाँ, तपाईंले आफ्नो डेटा बासस्थानअनुसार समूह गर्नुभएको छ। ७ वटा सूचीबद्ध छन्, त्यसैले यीलाई डोनट चार्टका लागि लेबलका रूपमा प्रयोग गर्नुहोस्:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```  
+
+![डोनट चार्ट](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.ne.png)
+
+यो कोडले ggplot2 र webr नामक दुई पुस्तकालयहरू प्रयोग गर्दछ। webr पुस्तकालयको PieDonut फङ्क्शन प्रयोग गरेर, हामी सजिलै डोनट चार्ट बनाउन सक्छौं!
+
+R मा डोनट चार्ट केवल ggplot2 पुस्तकालय प्रयोग गरेर पनि बनाउन सकिन्छ। यसबारे थप जान्न [यहाँ](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) हेर्नुहोस् र आफैं प्रयास गर्नुहोस्।
+
+अब तपाईंलाई थाहा भयो कि आफ्नो डेटा समूह गरेर पाई वा डोनट चार्टमा कसरी देखाउने, तपाईं अन्य प्रकारका चार्टहरू अन्वेषण गर्न सक्नुहुन्छ। वाफल चार्ट प्रयास गर्नुहोस्, जुन मात्रालाई अन्वेषण गर्ने फरक तरिका हो।
+
+## वाफल!
+
+'वाफल' प्रकारको चार्ट मात्रालाई २D वर्गहरूको एरेका रूपमा दृश्यात्मक बनाउने फरक तरिका हो। यस डाटासेटमा च्याउको टोपीका रङहरूको विभिन्न मात्राहरूलाई दृश्यात्मक बनाउन प्रयास गर्नुहोस्। यसका लागि, [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) नामक सहायक पुस्तकालय स्थापना गर्नुहोस् र यसलाई प्रयोग गरेर आफ्नो दृश्यात्मकता सिर्जना गर्नुहोस्:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```  
+
+आफ्नो डेटा समूह गर्न खण्ड चयन गर्नुहोस्:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```  
+
+लेबलहरू सिर्जना गरेर र आफ्नो डेटा समूह गरेर वाफल चार्ट बनाउनुहोस्:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```  
+
+वाफल चार्ट प्रयोग गरेर, तपाईंले च्याउको टोपीका रङहरूको अनुपात स्पष्ट रूपमा देख्न सक्नुहुन्छ। रोचक कुरा, धेरै हरियो टोपी भएका च्याउहरू छन्!
+
+![वाफल चार्ट](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.ne.png)
+
+यस पाठमा, तपाईंले अनुपातहरू दृश्यात्मक बनाउन तीन तरिकाहरू सिक्नुभयो। पहिलो, तपाईंले आफ्नो डेटा श्रेणीमा समूह गर्नुपर्छ र त्यसपछि डेटा देखाउन सबैभन्दा उपयुक्त तरिका निर्णय गर्नुपर्छ - पाई, डोनट, वा वाफल। यी सबै स्वादिष्ट छन् र प्रयोगकर्तालाई डाटासेटको झलक तुरुन्तै दिन्छन्।
+
+## 🚀 चुनौती
+
+[Charticulator](https://charticulator.com) मा यी स्वादिष्ट चार्टहरू पुनः सिर्जना गर्न प्रयास गर्नुहोस्।  
+## [पाठपछिको प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## समीक्षा र आत्म-अध्ययन
+
+कहिलेकाहीँ पाई, डोनट, वा वाफल चार्ट कहिले प्रयोग गर्ने भन्ने कुरा स्पष्ट हुँदैन। यस विषयमा पढ्नका लागि केही लेखहरू यहाँ छन्:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+यस निर्णयबारे थप जानकारी खोज्न अनुसन्धान गर्नुहोस्।  
+## असाइनमेन्ट
+
+[Excel मा प्रयास गर्नुहोस्](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव शुद्धताको प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।  
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/ne/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..7af93bf1
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,177 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-27T18:26:03+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "ne"
+}
+-->
+# सम्बन्धहरू देखाउने: महको बारेमा 🍯
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|सम्बन्धहरू देखाउने - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+हाम्रो अनुसन्धानको प्रकृतिमा केन्द्रित विषयलाई निरन्तरता दिँदै, विभिन्न प्रकारका महहरू बीचको सम्बन्ध देखाउन रोचक दृश्यहरू पत्ता लगाऔं, जुन [संयुक्त राज्य कृषि विभाग](https://www.nass.usda.gov/About_NASS/index.php) बाट प्राप्त डेटासेटमा आधारित छ। 
+
+यो करिब ६०० वस्तुहरूको डेटासेटले धेरै अमेरिकी राज्यहरूमा मह उत्पादन देखाउँछ। उदाहरणका लागि, तपाईंले १९९८-२०१२ को अवधिमा कुनै राज्यको मह उत्पादन, प्रति उपनिवेश उत्पादन, कुल उत्पादन, स्टक, प्रति पाउन्ड मूल्य, र महको मूल्य जस्ता तथ्यांकहरू हेर्न सक्नुहुन्छ। प्रत्येक राज्यका लागि प्रत्येक वर्षको तथ्यांक एक पङ्क्तिमा समेटिएको छ। 
+
+कुनै राज्यको वार्षिक उत्पादन र त्यस राज्यको महको मूल्य बीचको सम्बन्ध देखाउन यो डेटासेट उपयोगी हुन सक्छ। वैकल्पिक रूपमा, तपाईंले राज्यहरूको प्रति उपनिवेश मह उत्पादनको सम्बन्ध देखाउन सक्नुहुन्छ। यो समयावधि २००६ मा पहिलो पटक देखिएको 'सीसीडी' वा 'कोलोनी कोलाप्स डिसअर्डर' (http://npic.orst.edu/envir/ccd.html) लाई समेट्छ, जसले यो अध्ययन गर्न महत्त्वपूर्ण बनाउँछ। 🐝
+
+## [पाठपूर्व प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+यस पाठमा, तपाईंले ggplot2 प्रयोग गर्न सक्नुहुन्छ, जुन तपाईंले पहिले पनि प्रयोग गर्नुभएको छ, र यो चरहरू बीचको सम्बन्ध देखाउन राम्रो पुस्तकालय हो। विशेष गरी ggplot2 को `geom_point` र `qplot` कार्यहरू उपयोगी छन्, जसले छिटो '[सांख्यिकीय सम्बन्धहरू](https://ggplot2.tidyverse.org/)' देखाउन स्क्याटर प्लट र लाइन प्लटहरू बनाउन अनुमति दिन्छ। यसले डेटा वैज्ञानिकलाई चरहरू बीचको सम्बन्ध राम्रोसँग बुझ्न मद्दत गर्दछ।
+
+## स्क्याटरप्लटहरू
+
+स्क्याटरप्लट प्रयोग गरेर महको मूल्य वर्ष-प्रति-वर्ष, राज्य अनुसार कसरी परिवर्तन भएको छ भनेर देखाउनुहोस्। ggplot2 को `ggplot` र `geom_point` प्रयोग गरेर, राज्यको डेटा समूहबद्ध गर्न र श्रेणीगत र संख्यात्मक डेटा दुवैका लागि डेटा बिन्दुहरू देखाउन सजिलो हुन्छ। 
+
+सुरुमा डेटा आयात र Seaborn प्रयोग गरौं:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+तपाईंले देख्नुहुनेछ कि मह डेटामा वर्ष र प्रति पाउन्ड मूल्य जस्ता धेरै रोचक स्तम्भहरू छन्। अमेरिकी राज्य अनुसार यो डेटा अन्वेषण गरौं:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+प्रति पाउन्ड महको मूल्य र यसको अमेरिकी राज्यको उत्पत्तिबीचको सम्बन्ध देखाउन एउटा आधारभूत स्क्याटरप्लट बनाउनुहोस्। `y` अक्षलाई सबै राज्यहरू देखाउन पर्याप्त अग्लो बनाउनुहोस्:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.ne.png)
+
+अब, महको मूल्य वर्ष-प्रति-वर्ष कसरी परिवर्तन भएको छ भनेर देखाउन महको रंग योजना प्रयोग गरेर उही डेटा देखाउनुहोस्। तपाईंले 'scale_color_gradientn' प्यारामिटर थपेर यो गर्न सक्नुहुन्छ:
+
+> ✅ [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) को बारेमा थप जान्नुहोस् - सुन्दर रेनबो रंग योजना प्रयास गर्नुहोस्!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.ne.png)
+
+यो रंग योजनाको परिवर्तनसँगै, तपाईंले स्पष्ट रूपमा देख्न सक्नुहुन्छ कि महको प्रति पाउन्ड मूल्य वर्ष-प्रति-वर्ष बलियो रूपमा बढिरहेको छ। उदाहरणका लागि, एरिजोना राज्यको डेटा हेर्दा, मूल्यमा वर्ष-प्रति-वर्ष वृद्धि भएको देखिन्छ, केही अपवादहरू बाहेक:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+रंगको सट्टा आकार प्रयोग गरेर यो प्रगति देखाउने अर्को तरिका हो। रंग दृष्टिविहीन प्रयोगकर्ताहरूका लागि, यो राम्रो विकल्प हुन सक्छ। मूल्य वृद्धिलाई डटको परिधि बढाएर देखाउन आफ्नो दृश्यलाई सम्पादन गर्नुहोस्:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+तपाईंले डटहरूको आकार क्रमशः बढिरहेको देख्न सक्नुहुन्छ।
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.ne.png)
+
+के यो आपूर्ति र मागको साधारण मामला हो? जलवायु परिवर्तन र कोलोनी कोलाप्स जस्ता कारकहरूको कारण, के वर्ष-प्रति-वर्ष किन्नको लागि कम मह उपलब्ध छ, जसका कारण मूल्य बढिरहेको छ?
+
+यस डेटासेटका केही चरहरू बीचको सम्बन्ध पत्ता लगाउन, केही लाइन चार्टहरू अन्वेषण गरौं।
+
+## लाइन चार्टहरू
+
+प्रश्न: के महको प्रति पाउन्ड मूल्य वर्ष-प्रति-वर्ष स्पष्ट रूपमा बढिरहेको छ? तपाईंले यो सबैभन्दा सजिलै एकल लाइन चार्ट बनाएर पत्ता लगाउन सक्नुहुन्छ:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+उत्तर: हो, २००३ को आसपास केही अपवादहरूका साथ:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.ne.png)
+
+प्रश्न: २००३ मा के महको आपूर्तिमा पनि वृद्धि देखिन्छ? कुल उत्पादन वर्ष-प्रति-वर्ष हेर्दा के देखिन्छ?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.ne.png)
+
+उत्तर: खासै होइन। कुल उत्पादन हेर्दा, त्यो वर्षमा वास्तवमा वृद्धि भएको देखिन्छ, यद्यपि सामान्य रूपमा मह उत्पादन ती वर्षहरूमा घट्दो क्रममा छ।
+
+प्रश्न: त्यस अवस्थामा, २००३ को आसपास महको मूल्यमा भएको वृद्धि के कारण हुन सक्छ?
+
+यो पत्ता लगाउन, तपाईंले फेसेट ग्रिड अन्वेषण गर्न सक्नुहुन्छ।
+
+## फेसेट ग्रिडहरू
+
+फेसेट ग्रिडहरूले तपाईंको डेटासेटको एउटा पक्ष (हाम्रो अवस्थामा, 'वर्ष' छान्न सकिन्छ) लिन्छ। Seaborn ले त्यसपछि तपाईंले छानेका x र y निर्देशांकहरूको लागि प्रत्येक पक्षको प्लट बनाउन सक्छ, जसले तुलनालाई सजिलो बनाउँछ। के २००३ यस प्रकारको तुलनामा फरक देखिन्छ?
+
+[ggplot2 को दस्तावेज](https://ggplot2.tidyverse.org/reference/facet_wrap.html) ले सिफारिस गरेअनुसार `facet_wrap` प्रयोग गरेर फेसेट ग्रिड बनाउनुहोस्। 
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+यस दृश्यमा, तपाईंले प्रति उपनिवेश उत्पादन र उपनिवेशहरूको संख्या वर्ष-प्रति-वर्ष, राज्य-प्रति-राज्य तुलना गर्न सक्नुहुन्छ, ३ स्तम्भमा सेट गरिएको र्यापसँग:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.ne.png)
+
+यस डेटासेटका लागि, उपनिवेशहरूको संख्या र तिनको उत्पादनमा वर्ष-प्रति-वर्ष र राज्य-प्रति-राज्य केही विशेष कुरा देखिँदैन। के यी दुई चरहरू बीचको सम्बन्ध पत्ता लगाउन हेर्ने अर्को तरिका छ?
+
+## डुअल-लाइन प्लटहरू
+
+R को `par` र `plot` कार्य प्रयोग गरेर दुई लाइनप्लटहरू एकअर्कामा सुपरइम्पोज गरेर मल्टिलाइन प्लट प्रयास गर्नुहोस्। हामी x अक्षमा वर्ष प्लट गर्नेछौं र दुई y अक्षहरू प्रदर्शन गर्नेछौं। त्यसैले, प्रति उपनिवेश उत्पादन र उपनिवेशहरूको संख्या सुपरइम्पोज गरौं:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.ne.png)
+
+२००३ को आसपास आँखा तान्ने केही देखिँदैन, तर यसले हामीलाई यो पाठलाई अलिकति खुसीको नोटमा अन्त्य गर्न अनुमति दिन्छ: उपनिवेशहरूको संख्या घट्दो भए पनि, उपनिवेशहरूको संख्या स्थिर हुँदैछ, यद्यपि तिनको प्रति उपनिवेश उत्पादन घट्दो छ।
+
+जाऊ, मौरीहरू, जाऊ!
+
+🐝❤️
+## 🚀 चुनौती
+
+यस पाठमा, तपाईंले स्क्याटरप्लट र लाइन ग्रिडहरूको अन्य प्रयोगहरू, जस्तै फेसेट ग्रिडहरू, बारेमा अलिकति बढी सिक्नुभयो। आफूलाई चुनौती दिनुहोस् र फरक डेटासेट प्रयोग गरेर फेसेट ग्रिड बनाउनुहोस्, सायद तपाईंले यी पाठहरू अघि प्रयोग गर्नुभएको कुनै डेटासेट। तिनीहरू बनाउन कति समय लाग्छ र यी प्रविधिहरू प्रयोग गर्दा कति ग्रिडहरू बनाउन आवश्यक छ भन्ने कुरामा ध्यान दिनुहोस्।
+## [पाठपछिको प्रश्नोत्तरी](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## समीक्षा र आत्म-अध्ययन
+
+लाइन प्लटहरू सरल वा धेरै जटिल हुन सक्छन्। [ggplot2 को दस्तावेज](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) मा विभिन्न तरिकाहरूको बारेमा पढ्नुहोस् जसले तपाईंलाई तिनीहरू निर्माण गर्न अनुमति दिन्छ। तपाईंले यस पाठमा निर्माण गर्नुभएको लाइन चार्टहरूलाई दस्तावेजमा सूचीबद्ध अन्य विधिहरू प्रयोग गरेर सुधार गर्न प्रयास गर्नुहोस्।
+## असाइनमेन्ट
+
+[मौरीको घारमा डुबुल्की मार्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/ne/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..4e6fb951
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,182 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-27T18:34:59+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "ne"
+}
+-->
+# अर्थपूर्ण दृश्यहरू बनाउने
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| अर्थपूर्ण दृश्यहरू - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+> "यदि तपाईंले डाटालाई पर्याप्त यातना दिनुभयो भने, यसले कुनै पनि कुरा स्वीकार गर्नेछ" -- [Ronald Coase](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+डाटा वैज्ञानिकको आधारभूत सीपहरूमध्ये एक भनेको अर्थपूर्ण डाटा दृश्य बनाउने क्षमता हो जसले तपाईंलाई भएका प्रश्नहरूको उत्तर दिन मद्दत गर्दछ। तपाईंको डाटालाई दृश्यमा प्रस्तुत गर्नु अघि, तपाईंले यसलाई सफा र तयार पार्नुपर्छ, जस्तै तपाईंले अघिल्लो पाठहरूमा गरेको थियो। त्यसपछि, तपाईंले डाटालाई प्रस्तुत गर्ने उत्तम तरिका निर्णय गर्न सुरु गर्न सक्नुहुन्छ।
+
+यस पाठमा, तपाईंले समीक्षा गर्नुहुनेछ:
+
+1. सही चार्ट प्रकार कसरी चयन गर्ने
+2. भ्रामक चार्टिङबाट कसरी बच्ने
+3. रंगसँग कसरी काम गर्ने
+4. पढ्न सजिलो बनाउन चार्टलाई कसरी शैली दिने
+5. एनिमेटेड वा 3D चार्टिङ समाधान कसरी बनाउने
+6. रचनात्मक दृश्य कसरी बनाउने
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## सही चार्ट प्रकार चयन गर्नुहोस्
+
+अघिल्लो पाठहरूमा, तपाईंले Matplotlib र Seaborn प्रयोग गरेर विभिन्न प्रकारका रोचक डाटा दृश्यहरू बनाउने अभ्यास गर्नुभएको थियो। सामान्यतया, तपाईंले सोधिएको प्रश्नको लागि [सही प्रकारको चार्ट](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) चयन गर्न निम्न तालिका प्रयोग गर्न सक्नुहुन्छ:
+
+| तपाईंलाई चाहिन्छ:          | तपाईंले प्रयोग गर्नुपर्छ:         |
+| -------------------------- | ------------------------------- |
+| समयको साथ डाटा प्रवृत्ति देखाउनुहोस् | रेखा                          |
+| श्रेणीहरूको तुलना गर्नुहोस् | बार, पाई                       |
+| कुलहरूको तुलना गर्नुहोस्    | पाई, स्ट्याक्ड बार              |
+| सम्बन्ध देखाउनुहोस्         | स्क्याटर, रेखा, फेसट, डुअल रेखा |
+| वितरण देखाउनुहोस्           | स्क्याटर, हिस्टोग्राम, बक्स     |
+| अनुपात देखाउनुहोस्          | पाई, डोनट, वाफल                |
+
+> ✅ तपाईंको डाटाको संरचना अनुसार, तपाईंले चार्टलाई समर्थन गर्न पाठलाई संख्यात्मकमा रूपान्तरण गर्न आवश्यक हुन सक्छ।
+
+## भ्रामकता रोक्नुहोस्
+
+डाटा वैज्ञानिकले सही डाटाको लागि सही चार्ट चयन गर्न सावधान भए पनि, डाटालाई कुनै बिन्दु प्रमाणित गर्न, प्रायः डाटाको विश्वसनीयता कमजोर पार्ने तरिकामा प्रस्तुत गर्न सकिन्छ। भ्रामक चार्ट र इन्फोग्राफिक्सका धेरै उदाहरणहरू छन्!
+
+[![How Charts Lie by Alberto Cairo](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.ne.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
+
+> 🎥 माथिको चित्रमा क्लिक गरेर भ्रामक चार्टहरूको बारेमा सम्मेलनको कुरा हेर्नुहोस्
+
+यो चार्टले X अक्षलाई उल्टाएर सत्यको विपरीत देखाउँछ, मिति अनुसार:
+
+![खराब चार्ट 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.ne.png)
+
+[यो चार्ट](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) अझ भ्रामक छ, किनकि आँखा दायाँतिर तानिन्छ र निष्कर्ष निकाल्छ कि समयको साथ, विभिन्न काउन्टीहरूमा COVID केसहरू घटेका छन्। वास्तवमा, यदि तपाईं मितिहरूलाई ध्यानपूर्वक हेर्नुहुन्छ भने, तपाईंले पत्ता लगाउनुहुनेछ कि ती मितिहरूलाई भ्रामक घट्दो प्रवृत्ति देखाउन पुनः व्यवस्था गरिएको छ।
+
+![खराब चार्ट 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.ne.jpg)
+
+यो कुख्यात उदाहरणले रंग र उल्टिएको Y अक्ष प्रयोग गरेर भ्रम सिर्जना गर्दछ: बन्दुक-मैत्री कानून पारित भएपछि बन्दुक मृत्युहरू बढेको निष्कर्ष निकाल्नुको सट्टा, वास्तवमा आँखा उल्टो सोच्न बाध्य पारिन्छ:
+
+![खराब चार्ट 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.ne.jpg)
+
+यो अनौठो चार्टले अनुपातलाई हाँसउठ्दो तरिकामा हेरफेर गर्न देखाउँछ:
+
+![खराब चार्ट 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.ne.jpg)
+
+अतुलनीयको तुलना गर्नु अर्को छायादार चाल हो। 'स्प्युरियस कोरिलेसन' नामक [एक अद्भुत वेबसाइट](https://tylervigen.com/spurious-correlations) छ जसले 'तथ्यहरू' प्रदर्शन गर्दछ, जस्तै माइनको डिभोर्स दर र मार्जरीनको खपत। एक Reddit समूहले डाटाको [खराब प्रयोगहरू](https://www.reddit.com/r/dataisugly/top/?t=all) पनि सङ्कलन गर्दछ।
+
+भ्रामक चार्टहरूले आँखा कत्तिको सजिलै भ्रमित गर्न सकिन्छ भन्ने कुरा बुझ्न महत्त्वपूर्ण छ। डाटा वैज्ञानिकको उद्देश्य राम्रो भए पनि, खराब प्रकारको चार्ट चयन गर्नु, जस्तै धेरै श्रेणीहरू देखाउने पाई चार्ट, भ्रामक हुन सक्छ।
+
+## रंग
+
+तपाईंले माथिको 'फ्लोरिडा बन्दुक हिंसा' चार्टमा देख्नुभयो कि रंगले चार्टहरूमा थप अर्थ प्रदान गर्न सक्छ, विशेष गरी ggplot2 र RColorBrewer जस्ता पुस्तकालयहरू प्रयोग नगरी डिजाइन गरिएका चार्टहरूमा। यदि तपाईंले चार्ट हातले बनाउँदै हुनुहुन्छ भने, [रंग सिद्धान्त](https://colormatters.com/color-and-design/basic-color-theory) को अध्ययन गर्नुहोस्।
+
+> ✅ चार्ट डिजाइन गर्दा, पहुँचयोग्यता दृश्यको महत्त्वपूर्ण पक्ष हो भन्ने कुरा सचेत हुनुहोस्। तपाईंका केही प्रयोगकर्ताहरू रंग अन्धा हुन सक्छन् - के तपाईंको चार्ट दृश्य अशक्तता भएका प्रयोगकर्ताहरूका लागि राम्रोसँग प्रदर्शन हुन्छ?
+
+चार्टका लागि रंग चयन गर्दा सावधान रहनुहोस्, किनकि रंगले तपाईंले चाहेको अर्थभन्दा फरक अर्थ दिन सक्छ। माथिको 'उचाइ' चार्टमा 'पिंक लेडिज' ले स्पष्ट रूपमा 'महिला' अर्थ प्रदान गर्दछ, जसले चार्टलाई अझ अनौठो बनाउँछ।
+
+जबकि [रंगको अर्थ](https://colormatters.com/color-symbolism/the-meanings-of-colors) संसारका विभिन्न भागहरूमा फरक हुन सक्छ, र तिनीहरूको छायाअनुसार परिवर्तन हुन सक्छ। सामान्यतया, रंगका अर्थहरू निम्न छन्:
+
+| रंग    | अर्थ                 |
+| ------ | ------------------- |
+| रातो   | शक्ति               |
+| निलो   | विश्वास, निष्ठा      |
+| पहेंलो | खुशी, सतर्कता       |
+| हरियो  | पारिस्थितिकी, भाग्य, ईर्ष्या |
+| बैजनी  | खुशी                |
+| सुन्तला| जीवन्तता            |
+
+यदि तपाईंलाई अनुकूलित रंगहरू सहित चार्ट बनाउने जिम्मेवारी दिइएको छ भने, सुनिश्चित गर्नुहोस् कि तपाईंका चार्टहरू पहुँचयोग्य छन् र तपाईंले चयन गरेको रंगले तपाईंले व्यक्त गर्न खोजेको अर्थसँग मेल खान्छ।
+
+## पढ्न सजिलो बनाउन चार्टलाई शैली दिने
+
+चार्टहरू अर्थपूर्ण हुँदैनन् यदि तिनीहरू पढ्न सजिलो छैनन्! तपाईंको डाटासँग राम्रोसँग स्केल गर्न चार्टको चौडाइ र उचाइ शैली दिन विचार गर्नुहोस्। यदि एक चर (जस्तै सबै 50 राज्यहरू) प्रदर्शन गर्न आवश्यक छ भने, तिनीहरूलाई Y अक्षमा ठाडो रूपमा देखाउनुहोस् ताकि क्षैतिज स्क्रोलिङ चार्टबाट बच्न सकियोस्।
+
+तपाईंका अक्षहरू लेबल गर्नुहोस्, आवश्यक परेमा एउटा लेजेन्ड प्रदान गर्नुहोस्, र डाटाको राम्रो बुझाइका लागि टूलटिप्स प्रस्ताव गर्नुहोस्।
+
+यदि तपाईंको डाटा X अक्षमा पाठ्य र विस्तृत छ भने, राम्रो पढ्नका लागि पाठलाई कोण दिन सक्नुहुन्छ। [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) ले 3D प्लटिङ प्रदान गर्दछ, यदि तपाईंको डाटाले समर्थन गर्दछ भने। यसले परिष्कृत डाटा दृश्यहरू उत्पादन गर्न सक्छ।
+
+![3D प्लटहरू](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.ne.png)
+
+## एनिमेसन र 3D चार्ट प्रदर्शन
+
+आजका केही उत्कृष्ट डाटा दृश्यहरू एनिमेटेड छन्। Shirley Wu ले D3 प्रयोग गरेर अद्भुत दृश्यहरू बनाएकी छिन्, जस्तै '[फिल्म फ्लावरहरू](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', जहाँ प्रत्येक फूल एउटा चलचित्रको दृश्य हो। Guardian का लागि अर्को उदाहरण 'बुस्ड आउट' हो, जसले NYC ले आफ्नो बेघर समस्या समाधान गर्न मानिसहरूलाई शहरबाट बाहिर बसमा पठाउने तरिका देखाउन दृश्यहरूलाई Greensock र D3 सँग मिलाएर स्क्रोलिटेलिङ लेखको ढाँचामा प्रस्तुत गर्दछ।
+
+![बसिङ](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.ne.png)
+
+> "बुस्ड आउट: कसरी अमेरिका आफ्नो बेघर मानिसहरूलाई सार्छ" [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) बाट। दृश्यहरू Nadieh Bremer & Shirley Wu द्वारा।
+
+जबकि यो पाठले यी शक्तिशाली दृश्य पुस्तकालयहरू सिकाउन गहिराइमा जान पर्याप्त छैन, Vue.js एपमा D3 प्रयोग गरेर 'Dangerous Liaisons' पुस्तकको एनिमेटेड सामाजिक नेटवर्कको दृश्य प्रदर्शन गर्न प्रयास गर्नुहोस्।
+
+> "Les Liaisons Dangereuses" एउटा पत्रात्मक उपन्यास हो, वा पत्रहरूको श्रृङ्खलाको रूपमा प्रस्तुत गरिएको उपन्यास। यो 1782 मा Choderlos de Laclos द्वारा लेखिएको हो, जसले फ्रान्सको 18 औं शताब्दीको अभिजात वर्गका दुई प्रतिस्पर्धी पात्रहरू, Vicomte de Valmont र Marquise de Merteuil, को क्रूर, नैतिक रूपमा दिवालिया सामाजिक चालहरूको कथा बताउँछ। दुवै अन्त्यमा आफ्नो पतनमा पुग्छन् तर धेरै सामाजिक क्षति पुर्‍याएपछि। उपन्यास विभिन्न व्यक्तिहरूलाई लेखिएका पत्रहरूको श्रृङ्खलाको रूपमा खुल्छ, बदला लिन वा केवल समस्या सिर्जना गर्न योजना बनाउँदै। यी पत्रहरूको दृश्य बनाउनुहोस् ताकि कथाको प्रमुख पात्रहरूलाई दृश्य रूपमा पत्ता लगाउन सकियोस्।
+
+तपाईंले एक वेब एप पूरा गर्नुहुनेछ जसले यस सामाजिक नेटवर्कको एनिमेटेड दृश्य प्रदर्शन गर्नेछ। यसले Vue.js र D3 प्रयोग गरेर [नेटवर्कको दृश्य](https://github.com/emiliorizzo/vue-d3-network) बनाउनको लागि बनाइएको पुस्तकालय प्रयोग गर्दछ। जब एप चलिरहेको छ, तपाईं स्क्रिनमा नोडहरू तान्न सक्नुहुन्छ ताकि डाटालाई वरिपरि मिलाउन सकियोस्।
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.ne.png)
+
+## परियोजना: D3.js प्रयोग गरेर नेटवर्क देखाउने चार्ट बनाउनुहोस्
+
+> यो पाठको फोल्डरमा `solution` फोल्डर समावेश छ जहाँ तपाईं पूरा परियोजना सन्दर्भको लागि पाउन सक्नुहुन्छ।
+
+1. `starter` फोल्डरको मूलमा रहेको README.md फाइलमा निर्देशनहरू पालना गर्नुहोस्। सुनिश्चित गर्नुहोस् कि तपाईंको मेसिनमा NPM र Node.js चलिरहेको छ परियोजनाको निर्भरता स्थापना गर्नु अघि।
+
+2. `starter/src` फोल्डर खोल्नुहोस्। तपाईंले एउटा `assets` फोल्डर पाउनुहुनेछ जहाँ उपन्यासका सबै पत्रहरू, क्रमांकित, 'to' र 'from' एनोटेसन सहितको .json फाइल पाउन सक्नुहुन्छ।
+
+3. `components/Nodes.vue` मा कोड पूरा गर्नुहोस् ताकि दृश्य सक्षम गर्न सकियोस्। `createLinks()` नामक विधि खोज्नुहोस् र निम्न नेस्टेड लूप थप्नुहोस्।
+
+.json वस्तुमा लूप गर्नुहोस् ताकि पत्रहरूको 'to' र 'from' डाटा समात्न सकियोस् र `links` वस्तु निर्माण गर्न सकियोस् ताकि दृश्य पुस्तकालयले यसलाई उपभोग गर्न सकियोस्:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+टर्मिनलबाट आफ्नो एप चलाउनुहोस् (npm run serve) र दृश्यको मजा लिनुहोस्!
+
+## 🚀 चुनौती
+
+इन्टरनेटको भ्रमण गरेर भ्रामक दृश्यहरू पत्ता लगाउनुहोस्। लेखकले प्रयोगकर्तालाई कसरी भ्रमित गर्छ, र के यो जानाजानी हो? दृश्यहरू सुधार गरेर तिनीहरू कस्तो देखिनुपर्छ भनेर देखाउने प्रयास गर्नुहोस्।
+
+## [पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## समीक्षा र आत्म अध्ययन
+
+भ्रामक डाटा दृश्यको बारेमा पढ्नका लागि यहाँ केही लेखहरू छन्:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ऐतिहासिक सम्पत्ति र कलाकृतिहरूका लागि यी रोचक दृश्यहरू हेर्नुहोस्:
+
+https://handbook.pubpub.org/
+
+एनिमेसनले तपाईंका दृश्यहरूलाई कसरी सुधार गर्न सक्छ भन्ने बारेमा यो लेख हेर्नुहोस्:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## असाइनमेन्ट
+
+[आफ्नै अनुकूलित दृश्य बनाउनुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/3-Data-Visualization/README.md b/translations/ne/3-Data-Visualization/README.md
new file mode 100644
index 00000000..a8027145
--- /dev/null
+++ b/translations/ne/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-27T18:10:26+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "ne"
+}
+-->
+# दृश्यात्मकता
+
+![ल्याभेन्डर फूलमा भमरा](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.ne.jpg)
+> फोटो <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">जेन्ना ली</a> द्वारा <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">अनस्प्ल्यास</a> मा
+
+डेटा दृश्यात्मक बनाउनु डेटा वैज्ञानिकको सबैभन्दा महत्त्वपूर्ण कामहरूमध्ये एक हो। एउटा तस्बिरले १००० शब्द बराबरको मूल्य राख्छ, र दृश्यात्मकताले तपाईंलाई तपाईंको डेटाको रोचक पक्षहरू जस्तै उचालो, असामान्य डाटा, समूहहरू, प्रवृत्तिहरू, र अन्य धेरै कुरा पत्ता लगाउन मद्दत गर्न सक्छ, जसले तपाईंको डेटा भन्न खोजिरहेको कथा बुझ्न सहयोग पुर्‍याउँछ।
+
+यी पाँच पाठहरूमा, तपाईं प्रकृतिबाट लिइएको डेटा अन्वेषण गर्नुहुनेछ र विभिन्न प्रविधिहरू प्रयोग गरेर रोचक र सुन्दर दृश्यात्मकता सिर्जना गर्नुहुनेछ।
+
+| विषय संख्या | विषय | सम्बन्धित पाठ | लेखक |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | परिमाणहरूको दृश्यात्मकता | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोंधी](https://github.com/jasleen101010)</li></ul> |
+| 2. | वितरणहरूको दृश्यात्मकता | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोंधी](https://github.com/jasleen101010)</li></ul> |
+| 3. | अनुपातहरूको दृश्यात्मकता | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोंधी](https://github.com/jasleen101010)</li></ul> |
+| 4. | सम्बन्धहरूको दृश्यात्मकता | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोंधी](https://github.com/jasleen101010)</li></ul> |
+| 5. | अर्थपूर्ण दृश्यात्मकता बनाउने | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [जेन लूपर](https://twitter.com/jenlooper)</li><li> [विदुषी गुप्ता](https://github.com/Vidushi-Gupta)</li> <li>[जसलीन सोंधी](https://github.com/jasleen101010)</li></ul> |
+
+### श्रेय
+
+यी दृश्यात्मकता सम्बन्धी पाठहरू 🌸 को साथ [जेन लूपर](https://twitter.com/jenlooper), [जसलीन सोंधी](https://github.com/jasleen101010) र [विदुषी गुप्ता](https://github.com/Vidushi-Gupta) द्वारा लेखिएका हुन्।
+
+🍯 अमेरिकी मह उत्पादनको डेटा [जेसिका ली](https://www.kaggle.com/jessicali9530/honey-production) को प्रोजेक्टबाट [Kaggle](https://www.kaggle.com) मा लिइएको हो। यो [डेटा](https://usda.library.cornell.edu/concern/publications/rn301137d) [संयुक्त राज्य कृषि विभाग](https://www.nass.usda.gov/About_NASS/index.php) बाट प्राप्त गरिएको हो।
+
+🍄 च्याउको डेटा [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) बाट ह्याटेरस डन्टनद्वारा परिमार्जित गरिएको हो। यो डेटासेटमा Agaricus र Lepiota परिवारका २३ प्रजातिका गिल्ड च्याउहरूको काल्पनिक नमूनाहरूको विवरण समावेश छ। यो डेटासेट १९८७ मा UCI ML 27 लाई दान गरिएको थियो।
+
+🦆 मिनेसोटा चराहरूको डेटा [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) बाट ह्यान्ना कोलिन्सद्वारा [विकिपीडिया](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) बाट सङ्कलन गरिएको हो।
+
+यी सबै डेटासेटहरू [CC0: क्रिएटिभ कमन्स](https://creativecommons.org/publicdomain/zero/1.0/) अन्तर्गत लाइसेन्स गरिएका छन्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/ne/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..7e5eb3ef
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,119 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-27T17:57:21+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा साइन्स जीवनचक्रको परिचय
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| डाटा साइन्स जीवनचक्रको परिचय - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [पूर्व-व्याख्यान क्विज](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+यस बिन्दुमा तपाईंले सम्भवतः महसुस गर्नुभएको छ कि डाटा साइन्स एउटा प्रक्रिया हो। यो प्रक्रिया ५ चरणहरूमा विभाजित गर्न सकिन्छ:
+
+- डाटा सङ्कलन
+- प्रशोधन
+- विश्लेषण
+- सञ्चार
+- मर्मत
+
+यो पाठ जीवनचक्रका ३ भागहरूमा केन्द्रित छ: डाटा सङ्कलन, प्रशोधन, र मर्मत।
+
+![डाटा साइन्स जीवनचक्रको चित्र](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.ne.jpg)
+> फोटो [Berkeley School of Information](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) द्वारा
+
+## डाटा सङ्कलन
+
+जीवनचक्रको पहिलो चरण अत्यन्त महत्त्वपूर्ण छ किनभने यसमा आधारित भएर अन्य चरणहरू अघि बढ्छन्। यो चरण दुई भागहरूको संयोजन हो: डाटा प्राप्त गर्नु र समाधान गर्नुपर्ने उद्देश्य र समस्याहरू परिभाषित गर्नु।  
+परियोजनाको लक्ष्य परिभाषित गर्न समस्या वा प्रश्नको गहिरो सन्दर्भ आवश्यक पर्छ। पहिलो चरणमा, हामीले समस्या समाधान गर्न चाहने व्यक्तिहरूलाई पहिचान र प्राप्त गर्नुपर्छ। यी व्यक्तिहरू व्यवसायका सरोकारवालाहरू वा परियोजनाका प्रायोजकहरू हुन सक्छन्, जसले परियोजनाबाट कसले वा केले फाइदा पाउँछ भन्ने कुरा पहिचान गर्न मद्दत गर्छन्। साथै, उनीहरूले किन यो आवश्यक छ भन्ने कुरा पनि स्पष्ट पार्छन्। राम्रोसँग परिभाषित लक्ष्य मापनयोग्य र परिमाणात्मक हुनुपर्छ ताकि स्वीकार्य परिणाम परिभाषित गर्न सकियोस्।
+
+डाटा वैज्ञानिकले सोध्न सक्ने प्रश्नहरू:
+- के यो समस्या पहिले समाधान गरिएको थियो? के पत्ता लगाइयो?
+- के सबै सहभागीहरूले उद्देश्य र लक्ष्य बुझेका छन्?
+- के अस्पष्टता छ, र यसलाई कसरी घटाउन सकिन्छ?
+- के सीमाहरू छन्?
+- अन्तिम परिणाम कस्तो देखिन सक्छ?
+- कति स्रोतहरू (समय, जनशक्ति, कम्प्युटेसनल) उपलब्ध छन्?
+
+अर्को चरण भनेको डाटा पहिचान, सङ्कलन, र त्यसपछि परिभाषित लक्ष्यहरू प्राप्त गर्न आवश्यक डाटाको अन्वेषण गर्नु हो। यस चरणमा, डाटा वैज्ञानिकहरूले डाटाको मात्रा र गुणस्तर मूल्याङ्कन गर्नुपर्छ। यसका लागि डाटाको अन्वेषण आवश्यक पर्छ ताकि प्राप्त गरिएको डाटाले इच्छित परिणाम प्राप्त गर्न सहयोग पुर्‍याउँछ कि भनेर पुष्टि गर्न सकियोस्।
+
+डाटाबारे डाटा वैज्ञानिकले सोध्न सक्ने प्रश्नहरू:
+- मेरो लागि पहिले नै उपलब्ध डाटा के हो?
+- यो डाटाको मालिक को हो?
+- गोपनीयतासम्बन्धी के चासोहरू छन्?
+- के यो समस्या समाधान गर्न पर्याप्त छ?
+- के यो डाटा यस समस्याका लागि स्वीकार्य गुणस्तरको छ?
+- यदि मैले यस डाटाबाट थप जानकारी पत्ता लगाएँ भने, के हामीले लक्ष्य परिवर्तन वा पुनःपरिभाषित गर्न विचार गर्नुपर्छ?
+
+## प्रशोधन
+
+जीवनचक्रको प्रशोधन चरण डाटामा ढाँचाहरू पत्ता लगाउन र मोडलिङमा केन्द्रित छ। प्रशोधन चरणमा प्रयोग गरिने केही प्रविधिहरूले ढाँचाहरू पत्ता लगाउन सांख्यिकीय विधिहरूको आवश्यकता पर्छ। सामान्यतया, यो ठूलो डाटासेटको लागि मानिसले गर्नुपर्ने थकाउने काम हो, त्यसैले कम्प्युटरहरूले प्रक्रिया छिटो बनाउन भारी काम गर्छन्। यो चरणमा डाटा साइन्स र मेसिन लर्निङ एकअर्कासँग जोडिन्छन्। पहिलो पाठमा सिकेअनुसार, मेसिन लर्निङ भनेको डाटालाई बुझ्न मोडलहरू निर्माण गर्ने प्रक्रिया हो। मोडलहरू डाटामा रहेका भेरिएबलहरूबीचको सम्बन्धको प्रतिनिधित्व हुन्, जसले परिणामको भविष्यवाणी गर्न मद्दत गर्छ।
+
+यस चरणमा प्रयोग गरिने सामान्य प्रविधिहरू ML for Beginners पाठ्यक्रममा समेटिएका छन्। थप जान्नका लागि लिंकहरू अनुसरण गर्नुहोस्:
+
+- [Classification](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): डाटालाई श्रेणीहरूमा वर्गीकृत गरेर अधिक कुशलताका साथ प्रयोग गर्नु।
+- [Clustering](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): डाटालाई समान समूहहरूमा विभाजन गर्नु।
+- [Regression](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): भेरिएबलहरूबीचको सम्बन्ध निर्धारण गरेर मानहरू भविष्यवाणी वा पूर्वानुमान गर्नु।
+
+## मर्मत
+
+जीवनचक्रको चित्रमा तपाईंले देख्नुभएको हुन सक्छ कि मर्मत डाटा सङ्कलन र प्रशोधनको बीचमा छ। मर्मत भनेको परियोजनाको प्रक्रियाभरि डाटाको व्यवस्थापन, भण्डारण, र सुरक्षाको निरन्तर प्रक्रिया हो, र यो परियोजनाको सम्पूर्ण अवधिमा विचार गर्नुपर्छ।
+
+### डाटा भण्डारण
+डाटा कसरी र कहाँ भण्डारण गर्ने भन्ने विचारले यसको लागत र डाटाको पहुँचको गति दुवैलाई प्रभाव पार्न सक्छ। यस्ता निर्णयहरू प्रायः डाटा वैज्ञानिकले मात्र गर्दैनन्, तर डाटा कसरी भण्डारण गरिएको छ भन्ने आधारमा काम गर्ने तरिकामा उनीहरूले छनोट गर्नुपर्ने हुन सक्छ।
+
+आधुनिक डाटा भण्डारण प्रणालीका केही पक्षहरू:
+**On premise vs off premise vs public or private cloud**
+
+On premise भनेको आफ्नै उपकरणमा डाटा होस्ट र व्यवस्थापन गर्नु हो, जस्तै डाटालाई भण्डारण गर्नका लागि सर्भरको स्वामित्व। Off premise भनेको तपाईंको स्वामित्वमा नभएको उपकरण, जस्तै डाटा सेन्टरमा निर्भर हुनु हो। Public cloud भनेको डाटा भण्डारण गर्नका लागि लोकप्रिय विकल्प हो, जसले डाटा कहाँ र कसरी भण्डारण गरिएको छ भन्ने ज्ञान आवश्यक पर्दैन। Public भनेको सबै प्रयोगकर्ताहरूले साझा गर्ने एकीकृत आधारभूत संरचना हो। केही संस्थाहरूको कडा सुरक्षा नीति हुन्छ, जसले उनीहरूलाई डाटा होस्ट गरिएको उपकरणमा पूर्ण पहुँच आवश्यक पर्छ, र तिनीहरूले आफ्नै क्लाउड सेवाहरू प्रदान गर्ने private cloud मा निर्भर गर्छन्। तपाईंले [पछिल्ला पाठहरूमा](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud) क्लाउडमा डाटाबारे थप जान्नुहुनेछ।
+
+**Cold vs hot data**
+
+जब तपाईं आफ्नो मोडलहरू प्रशिक्षण गर्दै हुनुहुन्छ, तपाईंलाई थप प्रशिक्षण डाटाको आवश्यकता पर्न सक्छ। यदि तपाईं आफ्नो मोडलसँग सन्तुष्ट हुनुहुन्छ भने, मोडलले आफ्नो उद्देश्य पूरा गर्न थप डाटा प्राप्त गर्नेछ। कुनै पनि अवस्थामा, डाटा सङ्कलनसँगै यसको भण्डारण र पहुँचको लागत बढ्नेछ। कम प्रयोग हुने डाटालाई, जसलाई cold data भनिन्छ, बारम्बार प्रयोग हुने hot data बाट अलग गर्नु सस्तो विकल्प हुन सक्छ। यदि cold data लाई पहुँच गर्न आवश्यक पर्‍यो भने, hot data को तुलनामा यसलाई पुनःप्राप्त गर्न अलि बढी समय लाग्न सक्छ।
+
+### डाटा व्यवस्थापन
+डाटासँग काम गर्दा तपाईंले पत्ता लगाउन सक्नुहुन्छ कि केही डाटालाई सफा गर्न आवश्यक छ। [डाटा तयारी](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) सम्बन्धी पाठमा समेटिएका प्रविधिहरू प्रयोग गरेर सही मोडलहरू निर्माण गर्न यो महत्त्वपूर्ण छ। नयाँ डाटा आएपछि, गुणस्तरमा निरन्तरता कायम गर्न यसमा पनि उस्तै प्रविधिहरू लागू गर्न आवश्यक पर्छ। केही परियोजनाहरूमा डाटालाई अन्तिम स्थानमा सार्नु अघि सफा गर्ने, समग्र बनाउने, र कम्प्रेस गर्ने स्वचालित उपकरणको प्रयोग समावेश हुन्छ। Azure Data Factory यस्ता उपकरणहरूको उदाहरण हो।
+
+### डाटाको सुरक्षा
+डाटाको सुरक्षाको मुख्य उद्देश्य भनेको डाटासँग काम गर्ने व्यक्तिहरूले के सङ्कलन गरिन्छ र कुन सन्दर्भमा प्रयोग गरिन्छ भन्ने कुरामा नियन्त्रण राख्नु हो। डाटालाई सुरक्षित राख्नका लागि केवल आवश्यक व्यक्तिहरूलाई मात्र पहुँच दिनु, स्थानीय कानुन र नियमहरूको पालना गर्नु, साथै नैतिक मापदण्डहरू कायम राख्नु पर्दछ। [नैतिकता सम्बन्धी पाठ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics) मा यसबारे चर्चा गरिएको छ।
+
+सुरक्षालाई ध्यानमा राखेर टोलीले गर्न सक्ने केही कामहरू:
+- सबै डाटा इन्क्रिप्ट गरिएको छ भनेर सुनिश्चित गर्नु
+- ग्राहकहरूलाई उनीहरूको डाटा कसरी प्रयोग भइरहेको छ भन्ने जानकारी दिनु
+- परियोजनाबाट बाहिरिएका व्यक्तिहरूको डाटामा पहुँच हटाउनु
+- केवल निश्चित परियोजना सदस्यहरूलाई मात्र डाटामा परिवर्तन गर्न दिनु
+
+## 🚀 चुनौती
+
+डाटा साइन्स जीवनचक्रका धेरै संस्करणहरू छन्, जहाँ प्रत्येक चरणको नाम र चरणहरूको संख्या फरक हुन सक्छ, तर यस पाठमा उल्लेख गरिएका प्रक्रियाहरू समावेश हुन्छन्।
+
+[Team Data Science Process जीवनचक्र](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) र [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/) अन्वेषण गर्नुहोस्। यी दुईबीच ३ समानता र भिन्नता नाम दिनुहोस्।
+
+|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
+|--|--|
+|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.ne.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.ne.png) |
+| छवि [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) द्वारा | छवि [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) द्वारा |
+
+## [पश्च-व्याख्यान क्विज](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## समीक्षा र आत्म-अध्ययन
+
+डाटा साइन्स जीवनचक्र लागू गर्न धेरै भूमिकाहरू र कार्यहरू समावेश हुन्छन्, जहाँ केहीले प्रत्येक चरणका विशेष भागहरूमा ध्यान केन्द्रित गर्न सक्छन्। Team Data Science Process ले परियोजनामा कसैले गर्न सक्ने भूमिकाहरू र कार्यहरूको व्याख्या गर्ने केही स्रोतहरू प्रदान गर्दछ।
+
+* [Team Data Science Process भूमिकाहरू र कार्यहरू](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
+* [डाटा साइन्स कार्यहरू कार्यान्वयन गर्नु: अन्वेषण, मोडलिङ, र परिनियोजन](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## असाइनमेन्ट
+
+[डाटासेटको मूल्याङ्कन](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/ne/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..459d89b6
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-27T18:00:35+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "ne"
+}
+-->
+# डेटासेटको मूल्यांकन
+
+एक ग्राहकले तपाईंको टिमलाई न्यूयोर्क सिटीमा ट्याक्सी ग्राहकको मौसमी खर्च गर्ने बानीको अनुसन्धान गर्न मद्दतको लागि सम्पर्क गरेका छन्।
+
+उनी जान्न चाहन्छन्: **के न्यूयोर्क सिटीका पहेंलो ट्याक्सी यात्रुहरूले जाडोमा वा गर्मीमा चालकलाई बढी टिप दिन्छन्?**
+
+तपाईंको टिम डाटा साइन्स जीवनचक्रको [क्याप्चरिङ](Readme.md#Capturing) चरणमा छ, र तपाईं डेटासेटको व्यवस्थापनको जिम्मामा हुनुहुन्छ। तपाईंलाई अन्वेषण गर्नको लागि एक नोटबुक र [डाटा](../../../../data/taxi.csv) प्रदान गरिएको छ।
+
+यस डाइरेक्टरीमा [नोटबुक](notebook.ipynb) छ, जसले [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) बाट पहेंलो ट्याक्सी यात्रा डाटा लोड गर्न Python प्रयोग गर्दछ। तपाईं ट्याक्सी डाटा फाइललाई टेक्स्ट एडिटर वा Excel जस्ता स्प्रेडशीट सफ्टवेयरमा पनि खोल्न सक्नुहुन्छ।
+
+## निर्देशनहरू
+
+- मूल्यांकन गर्नुहोस् कि यो डेटासेटले प्रश्नको उत्तर दिन मद्दत गर्न सक्छ कि सक्दैन।
+- [NYC Open Data catalog](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93) अन्वेषण गर्नुहोस्। ग्राहकको प्रश्नको उत्तर दिन मद्दत गर्न सक्ने थप डेटासेट पहिचान गर्नुहोस्।
+- ग्राहकसँग स्पष्टता र समस्याको राम्रो बुझाइको लागि सोध्नुपर्ने ३ प्रश्नहरू लेख्नुहोस्।
+
+डाटाको बारेमा थप जानकारीको लागि [डेटासेटको डिक्सनरी](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) र [युजर गाइड](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) हेर्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | ---
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/ne/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..ad16da68
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,60 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-27T18:01:33+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "ne"
+}
+-->
+# डेटा साइन्स जीवनचक्र: विश्लेषण
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| डेटा साइन्स जीवनचक्र: विश्लेषण - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## प्रि-लेक्चर क्विज
+
+## [प्रि-लेक्चर क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+डेटा जीवनचक्रमा विश्लेषणले पुष्टि गर्छ कि डेटा प्रस्तावित प्रश्नहरूको उत्तर दिन सक्छ वा कुनै विशेष समस्या समाधान गर्न सक्छ। यो चरणले मोडेलले यी प्रश्नहरू र समस्याहरूलाई सही रूपमा सम्बोधन गरिरहेको छ कि छैन भनेर पुष्टि गर्न पनि ध्यान दिन सक्छ। यो पाठ अन्वेषणात्मक डेटा विश्लेषण (EDA) मा केन्द्रित छ, जुन डेटा भित्रका विशेषताहरू र सम्बन्धहरू परिभाषित गर्नका लागि प्रयोग गरिने प्रविधिहरू हुन् र मोडेलिङको लागि डेटा तयार गर्न प्रयोग गर्न सकिन्छ।
+
+हामी [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) बाट एउटा उदाहरण डेटासेट प्रयोग गर्नेछौं जसले देखाउँछ कि Python र Pandas लाइब्रेरीको साथमा यसलाई कसरी लागू गर्न सकिन्छ। यो डेटासेटले इमेलहरूमा पाइने केही सामान्य शब्दहरूको गणना समावेश गर्दछ, यी इमेलहरूको स्रोत अज्ञात छ। यस निर्देशिकामा रहेको [notebook](notebook.ipynb) प्रयोग गरेर साथमा काम गर्नुहोस्।
+
+## अन्वेषणात्मक डेटा विश्लेषण
+
+जीवनचक्रको क्याप्चर चरणमा डेटा प्राप्त गरिन्छ साथै समस्याहरू र प्रश्नहरू पनि। तर हामी कसरी थाहा पाउन सक्छौं कि डेटा अन्तिम परिणामलाई समर्थन गर्न सक्छ? 
+स्मरण गर्नुहोस् कि डेटा वैज्ञानिकले डेटा प्राप्त गर्दा निम्न प्रश्नहरू सोध्न सक्छ:
+-   के मसँग यो समस्या समाधान गर्न पर्याप्त डेटा छ?
+-   के यो समस्याको लागि डेटा स्वीकार्य गुणस्तरको छ?
+-   यदि मैले यस डेटा मार्फत थप जानकारी पत्ता लगाएँ भने, के हामीले लक्ष्यहरू परिवर्तन वा पुनः परिभाषित गर्न विचार गर्नुपर्छ?
+अन्वेषणात्मक डेटा विश्लेषण भनेको डेटा बुझ्ने प्रक्रिया हो र यी प्रश्नहरूको उत्तर दिन प्रयोग गर्न सकिन्छ, साथै डेटासेटसँग काम गर्दा आउने चुनौतीहरू पहिचान गर्न सकिन्छ। यसलाई प्राप्त गर्न प्रयोग गरिने केही प्रविधिहरूमा ध्यान केन्द्रित गरौं।
+
+## डेटा प्रोफाइलिङ, वर्णनात्मक तथ्यांक, र Pandas
+हामीसँग यो समस्या समाधान गर्न पर्याप्त डेटा छ कि छैन भनेर कसरी मूल्यांकन गर्ने? डेटा प्रोफाइलिङले वर्णनात्मक तथ्यांकको प्रविधिहरू मार्फत हाम्रो डेटासेटको सामान्य समग्र जानकारी संक्षेपमा प्रस्तुत गर्न र संकलन गर्न सक्छ। डेटा प्रोफाइलिङले हामीलाई के उपलब्ध छ भनेर बुझ्न मद्दत गर्छ, र वर्णनात्मक तथ्यांकले हामीलाई कति चीजहरू उपलब्ध छन् भनेर बुझ्न मद्दत गर्छ।
+
+केही अघिल्लो पाठहरूमा, हामीले Pandas प्रयोग गरेर [`describe()` function]( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) मार्फत केही वर्णनात्मक तथ्यांक प्रदान गरेका छौं। यसले गणना, अधिकतम र न्यूनतम मानहरू, औसत, मानक विचलन र संख्यात्मक डेटामा क्वान्टाइलहरू प्रदान गर्दछ। `describe()` जस्ता वर्णनात्मक तथ्यांकले तपाईंलाई कति डेटा छ र थप आवश्यक छ कि छैन भनेर मूल्यांकन गर्न मद्दत गर्न सक्छ।
+
+## स्याम्पलिङ र क्वेरीङ
+ठूलो डेटासेटमा सबै कुरा अन्वेषण गर्नु धेरै समय लाग्ने काम हो र सामान्यतया कम्प्युटरले गर्ने काम हो। तर, स्याम्पलिङ डेटा बुझ्नको लागि उपयोगी उपकरण हो र यसले डेटासेटमा के छ र यसले के प्रतिनिधित्व गर्छ भन्ने राम्रो समझ दिन्छ। स्याम्पलको साथमा, तपाईंले सम्भाव्यता र तथ्यांक लागू गरेर आफ्नो डेटाबारे केही सामान्य निष्कर्षमा पुग्न सक्नुहुन्छ। यद्यपि कति डेटा स्याम्पल गर्नुपर्छ भन्ने कुनै परिभाषित नियम छैन, यो महत्त्वपूर्ण छ कि तपाईंले जति धेरै डेटा स्याम्पल गर्नुहुन्छ, डेटाबारे सामान्यीकरण गर्न त्यति नै सटीक निष्कर्ष निकाल्न सक्नुहुन्छ। 
+Pandas लाइब्रेरीमा [`sample()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) छ जहाँ तपाईंले कति र्यान्डम स्याम्पलहरू प्राप्त गर्न चाहनुहुन्छ भनेर तर्क पास गर्न सक्नुहुन्छ।
+
+डेटाको सामान्य क्वेरीङले तपाईंलाई केही सामान्य प्रश्नहरू र सिद्धान्तहरूको उत्तर दिन मद्दत गर्न सक्छ। स्याम्पलिङको विपरीत, क्वेरीहरूले तपाईंलाई नियन्त्रण दिन्छ र तपाईंको डेटाको विशिष्ट भागहरूमा ध्यान केन्द्रित गर्न अनुमति दिन्छ जसबारे तपाईंलाई प्रश्नहरू छन्। 
+Pandas लाइब्रेरीमा [`query()` function](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) छ जसले तपाईंलाई स्तम्भहरू चयन गर्न र पङ्क्तिहरू मार्फत डेटाबारे सरल उत्तरहरू प्राप्त गर्न अनुमति दिन्छ।
+
+## भिजुअलाइजेसनको साथ अन्वेषण
+डेटा पूर्ण रूपमा सफा र विश्लेषण नभएसम्म तपाईंले भिजुअलाइजेसन बनाउन पर्खनु पर्दैन। वास्तवमा, अन्वेषण गर्दा भिजुअल प्रतिनिधित्वले डेटामा ढाँचा, सम्बन्धहरू, र समस्याहरू पहिचान गर्न मद्दत गर्न सक्छ। साथै, भिजुअलाइजेसनले डेटा व्यवस्थापनमा संलग्न नभएका व्यक्तिहरूसँग सञ्चारको माध्यम प्रदान गर्दछ र क्याप्चर चरणमा सम्बोधन नगरिएका थप प्रश्नहरू साझा र स्पष्ट गर्ने अवसर हुन सक्छ। भिजुअलाइजेसनको बारेमा थप जान्न [Visualizations को खण्ड](../../../../../../../../../3-Data-Visualization) हेर्नुहोस्।
+
+## असंगतता पहिचान गर्न अन्वेषण
+यस पाठका सबै विषयहरूले हराएका वा असंगत मानहरू पहिचान गर्न मद्दत गर्न सक्छन्, तर Pandas ले केही जाँच गर्नका लागि कार्यहरू प्रदान गर्दछ। [isna() वा isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) ले हराएका मानहरू जाँच गर्न सक्छ। तपाईंको डेटामा यी मानहरू किन यसरी आए भन्ने अन्वेषण गर्नु महत्त्वपूर्ण छ। यसले तपाईंलाई [तिनीहरूलाई समाधान गर्नका लागि कदमहरू लिन](/2-Working-With-Data/08-data-preparation/notebook.ipynb) निर्णय गर्न मद्दत गर्न सक्छ।
+
+## [प्रि-लेक्चर क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## असाइनमेन्ट
+
+[उत्तरहरूको लागि अन्वेषण गर्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/ne/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..d130fc1b
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-27T18:02:56+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "ne"
+}
+-->
+# उत्तरहरूको खोजी गर्दै
+
+यो अघिल्लो पाठको [कार्य](../14-Introduction/assignment.md) को निरन्तरता हो, जहाँ हामीले डेटा सेटलाई छोटकरीमा हेरेका थियौं। अब हामी डेटा सेटलाई अझ गहिरो रूपमा अध्ययन गर्नेछौं।
+
+फेरि, ग्राहकलाई थाहा पाउन चाहिएको प्रश्न: **न्यूयोर्क सिटीका पहेंलो ट्याक्सी यात्रुहरूले जाडोमा वा गर्मीमा चालकहरूलाई बढी टिप दिन्छन्?**
+
+तपाईंको टोली डेटा साइन्स जीवनचक्रको [विश्लेषण](README.md) चरणमा छ, जहाँ तपाईं डेटा सेटमा अन्वेषणात्मक डेटा विश्लेषण (EDA) गर्ने जिम्मेवारीमा हुनुहुन्छ। तपाईंलाई जनवरी र जुलाई २०१९ का २०० ट्याक्सी कारोबारहरू समावेश भएको नोटबुक र डेटा प्रदान गरिएको छ।
+
+## निर्देशनहरू
+
+यस डाइरेक्टरीमा [नोटबुक](assignment.ipynb) र [ट्याक्सी र लिमोजिन आयोग](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) बाट प्राप्त डेटा छ। डेटा सम्बन्धी थप जानकारीका लागि [डेटासेटको शब्दकोश](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) र [प्रयोगकर्ता मार्गदर्शिका](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) हेर्नुहोस्।
+
+यस पाठमा सिकाइएका केही प्रविधिहरू प्रयोग गरी नोटबुकमा आफ्नो EDA गर्नुहोस् (आवश्यक परेमा थप सेलहरू थप्न सक्नुहुन्छ) र निम्न प्रश्नहरूको उत्तर दिनुहोस्:
+
+- डेटा भित्र अरू के कुराहरूले टिप रकमलाई असर गर्न सक्छ?
+- ग्राहकको प्रश्नको उत्तर दिनका लागि कुन स्तम्भहरू आवश्यक नपर्न सक्छन्?
+- अहिलेसम्म प्रदान गरिएको जानकारीका आधारमा, के डेटा मौसमी टिप दिने व्यवहारको कुनै प्रमाण देखाउँछ?
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- | 
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/16-communication/README.md b/translations/ne/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..1cc8d123
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,222 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-27T18:04:46+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा साइन्स जीवनचक्र: सञ्चार
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| डाटा साइन्स जीवनचक्र: सञ्चार - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## [प्री-लेक्चर क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+माथिको प्री-लेक्चर क्विजको माध्यमबाट आउँदै गरेको विषयको ज्ञान परीक्षण गर्नुहोस्!
+
+# परिचय
+
+### सञ्चार भनेको के हो?
+यस पाठलाई सञ्चारको परिभाषा दिएर सुरु गरौं। **सञ्चार भनेको जानकारी आदानप्रदान गर्नु वा व्यक्त गर्नु हो।** जानकारी विचार, भावना, सन्देश, गोप्य संकेत, डाटा – कुनै पनि कुरा हुन सक्छ जुन एक **_प्रेषक_** (जानकारी पठाउने व्यक्ति) चाहन्छ कि **_प्राप्तकर्ता_** (जानकारी प्राप्त गर्ने व्यक्ति) बुझोस्। यस पाठमा, हामी प्रेषकलाई सञ्चारकर्ता र प्राप्तकर्तालाई श्रोता भनेर उल्लेख गर्नेछौं।
+
+### डाटा सञ्चार र कथावाचन
+हामी बुझ्छौं कि सञ्चार गर्दा उद्देश्य जानकारी आदानप्रदान गर्नु हो। तर डाटा सञ्चार गर्दा, तपाईंको उद्देश्य केवल श्रोतालाई अंकहरू दिनु मात्र हुनु हुँदैन। तपाईंको उद्देश्य डाटाले जानकारी दिएको कथा सुनाउनु हो - प्रभावकारी डाटा सञ्चार र कथावाचन हातमा हात मिलाएर जान्छ। तपाईंको श्रोता तपाईंले सुनाएको कथा सम्झने सम्भावना बढी हुन्छ, तपाईंले दिएको अंकभन्दा। यस पाठको अन्त्यमा, हामी केही तरिकाहरूको बारेमा छलफल गर्नेछौं जसले तपाईंलाई डाटा प्रभावकारी रूपमा सञ्चार गर्न कथावाचन प्रयोग गर्न मद्दत गर्दछ।
+
+### सञ्चारका प्रकारहरू
+यस पाठमा दुई प्रकारका सञ्चारको चर्चा गरिनेछ: एक-तर्फी सञ्चार र दुई-तर्फी सञ्चार।
+
+**एक-तर्फी सञ्चार** तब हुन्छ जब प्रेषकले जानकारी पठाउँछ तर कुनै प्रतिक्रिया वा जवाफ प्राप्त गर्दैन। हामी दैनिक जीवनमा एक-तर्फी सञ्चारका उदाहरणहरू देख्छौं – जस्तै सामूहिक इमेलहरू, समाचारले पछिल्लो घटनाहरू सुनाउँदा, वा टेलिभिजन विज्ञापनले तपाईंलाई आफ्नो उत्पादन किन राम्रो छ भनेर जानकारी दिन्छ। यी प्रत्येक अवस्थामा, प्रेषक जानकारी आदानप्रदान गर्न खोजिरहेको छैन। उनीहरू केवल जानकारी व्यक्त गर्न वा पुर्‍याउन खोजिरहेका छन्।
+
+**दुई-तर्फी सञ्चार** तब हुन्छ जब संलग्न सबै पक्षहरू प्रेषक र प्राप्तकर्ता दुवैको रूपमा कार्य गर्छन्। प्रेषकले सुरुमा जानकारी पठाउँछ, र प्राप्तकर्ताले प्रतिक्रिया दिन्छ। दुई-तर्फी सञ्चार परम्परागत रूपमा हामीले सञ्चारको बारेमा सोच्दा सम्झने कुरा हो। हामी सामान्यतया मानिसहरूलाई संवादमा संलग्न भएको देख्छौं - चाहे व्यक्तिगत रूपमा, फोन कलमा, सामाजिक सञ्जालमा, वा पाठ सन्देशमा।
+
+डाटा सञ्चार गर्दा, त्यस्ता अवस्थामा तपाईं एक-तर्फी सञ्चार प्रयोग गर्नुहुनेछ (जस्तै सम्मेलनमा प्रस्तुति दिने, जहाँ प्रश्नहरू तुरुन्तै सोधिने छैनन्) र त्यस्ता अवस्थामा दुई-तर्फी सञ्चार प्रयोग गर्नुहुनेछ (जस्तै केही हितधारकलाई सहमति दिन डाटा प्रयोग गर्ने, वा सहकर्मीलाई नयाँ कुरा निर्माण गर्न समय र प्रयास खर्च गर्न मनाउने)।
+
+# प्रभावकारी सञ्चार
+
+### सञ्चारकर्ताको रूपमा तपाईंको जिम्मेवारी
+सञ्चार गर्दा, यो तपाईंको काम हो कि तपाईंको प्राप्तकर्ताले तपाईंले चाहेको जानकारी बुझोस्। डाटा सञ्चार गर्दा, तपाईं केवल अंकहरू बुझाउन चाहनुहुन्न, तपाईं चाहनुहुन्छ कि तपाईंको प्राप्तकर्ताले डाटाले जानकारी दिएको कथा बुझोस्। एक राम्रो डाटा सञ्चारकर्ता एक राम्रो कथावाचक हो।
+
+डाटासँग कथा कसरी भन्न सकिन्छ? अनन्त तरिकाहरू छन् – तर तल ६ तरिकाहरू छन् जसको बारेमा हामी यस पाठमा छलफल गर्नेछौं।
+1.	तपाईंको श्रोता, माध्यम, र सञ्चार विधि बुझ्नुहोस्
+2.	अन्त्यलाई ध्यानमा राखेर सुरु गर्नुहोस्
+3.	यसलाई वास्तविक कथाको रूपमा प्रस्तुत गर्नुहोस्
+4.	अर्थपूर्ण शब्द र वाक्यांश प्रयोग गर्नुहोस्
+5.	भावनाको प्रयोग गर्नुहोस्
+
+यी प्रत्येक रणनीतिहरू तल विस्तृत रूपमा व्याख्या गरिएको छ।
+
+### 1. तपाईंको श्रोता, च्यानल, र सञ्चार विधि बुझ्नुहोस्
+तपाईं परिवारका सदस्यहरूसँग संवाद गर्ने तरिका तपाईंले साथीहरूसँग संवाद गर्ने तरिकाभन्दा फरक हुन सक्छ। तपाईं सम्भवतः फरक शब्द र वाक्यांश प्रयोग गर्नुहुन्छ जुन तपाईंले बोलिरहेको व्यक्तिले बुझ्न सक्छ। डाटा सञ्चार गर्दा पनि तपाईंले यही दृष्टिकोण अपनाउनुपर्छ। तपाईं कसलाई सञ्चार गर्दै हुनुहुन्छ भनेर सोच्नुहोस्। उनीहरूको लक्ष्य र तपाईंले व्याख्या गरिरहेको परिस्थितिको सन्दर्भमा उनीहरूको बुझाइको बारेमा सोच्नुहोस्।
+
+तपाईं आफ्नो श्रोताहरूलाई सामान्यतया एउटा वर्गमा समूह गर्न सक्नुहुन्छ। _हार्वर्ड बिजनेस रिभ्यु_ लेख "[डाटासँग कथा कसरी भन्न सकिन्छ](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)" मा, डेल कार्यकारी रणनीतिकार जिम स्टिकलेदरले पाँच प्रकारका श्रोताहरू पहिचान गरेका छन्।
+
+ - **नवसिखिया**: विषयको पहिलो अनुभव, तर अत्यधिक सरलिकरण चाहँदैन
+ - **सामान्य श्रोता**: विषयको बारेमा सचेत, तर अवलोकनात्मक बुझाइ र प्रमुख विषयहरू खोज्दै
+ - **प्रबन्धकीय**: जटिलता र अन्तर्सम्बन्धहरूको गहिरो, कार्यान्वयन योग्य बुझाइ
+ - **विशेषज्ञ**: अन्वेषण र खोजमा बढी केन्द्रित, कथावाचनमा कम, र विस्तृत जानकारीमा रुचि राख्ने
+ - **कार्यकारी**: केवल महत्त्व र निष्कर्ष बुझ्न चाहने, समय सीमित
+
+यी वर्गहरूले तपाईंलाई डाटा प्रस्तुत गर्ने तरिका सूचित गर्न सक्छ।
+
+तपाईंको श्रोताको वर्गबाहेक, तपाईंले उनीहरूसँग सञ्चार गर्न प्रयोग गरिरहेको च्यानललाई पनि विचार गर्नुपर्छ। तपाईंको दृष्टिकोण मेमो वा इमेल लेख्दा र बैठक वा सम्मेलनमा प्रस्तुति दिँदा अलि फरक हुनुपर्छ।
+
+तपाईंको श्रोतालाई बुझ्नुका साथै, उनीहरूसँग सञ्चार गर्ने तरिका (एक-तर्फी वा दुई-तर्फी) जान्नु पनि महत्त्वपूर्ण छ।
+
+यदि तपाईं एक-तर्फी सञ्चार प्रयोग गर्दै नवसिखिया श्रोतासँग सञ्चार गर्दै हुनुहुन्छ भने, तपाईंले पहिलोमा श्रोतालाई शिक्षित गर्नुपर्छ र उनीहरूलाई उचित सन्दर्भ दिनुपर्छ। त्यसपछि तपाईंले उनीहरूलाई डाटा प्रस्तुत गर्नुपर्छ र डाटाको अर्थ र महत्त्व बताउनुपर्छ। यस अवस्थामा, तपाईं स्पष्टता प्रदान गर्नमा केन्द्रित हुनु आवश्यक छ, किनकि तपाईंको श्रोताले तपाईंलाई कुनै प्रत्यक्ष प्रश्न सोध्न सक्दैन।
+
+यदि तपाईं दुई-तर्फी सञ्चार प्रयोग गर्दै प्रबन्धकीय श्रोतासँग सञ्चार गर्दै हुनुहुन्छ भने, तपाईंले सम्भवतः श्रोतालाई शिक्षित गर्न वा धेरै सन्दर्भ प्रदान गर्न आवश्यक छैन। तपाईं सिधै डाटा र यसको महत्त्वको बारेमा छलफल गर्न सक्नुहुन्छ। तर यस अवस्थामा, तपाईं समय व्यवस्थापन र प्रस्तुति नियन्त्रणमा केन्द्रित हुनु आवश्यक छ। दुई-तर्फी सञ्चार प्रयोग गर्दा (विशेष गरी प्रबन्धकीय श्रोतासँग जो "जटिलता र अन्तर्सम्बन्धहरूको कार्यान्वयन योग्य बुझाइ" खोज्दै छन्) प्रश्नहरू उठ्न सक्छन् जसले तपाईंको कथा भन्दा फरक दिशामा छलफल लैजान सक्छ। यस्तो अवस्थामा, तपाईंले कदम चालेर छलफललाई आफ्नो कथामा पुनः केन्द्रित गर्न सक्नुहुन्छ।
+
+### 2. अन्त्यलाई ध्यानमा राखेर सुरु गर्नुहोस्
+अन्त्यलाई ध्यानमा राखेर सुरु गर्नु भनेको श्रोताले बुझ्नुपर्ने मुख्य कुरा पहिल्यै बुझ्नु हो। श्रोताले के बुझ्नुपर्छ भन्ने कुरामा विचार गरेर कथा तयार गर्दा उनीहरूले सजिलै पछ्याउन सक्छन्। अन्त्यलाई ध्यानमा राखेर सुरु गर्नु एक-तर्फी र दुई-तर्फी सञ्चारका लागि उपयुक्त छ।
+
+कसरी अन्त्यलाई ध्यानमा राखेर सुरु गर्ने? डाटा सञ्चार गर्नुअघि, आफ्नो मुख्य निष्कर्षहरू लेख्नुहोस्। त्यसपछि, कथा तयार गर्दा प्रत्येक चरणमा आफूलाई सोध्नुहोस्, "यो कथा भित्र कसरी समाहित हुन्छ?"
+
+सावधान रहनुहोस् – अन्त्यलाई ध्यानमा राखेर सुरु गर्नु आदर्श हो, तर तपाईंले केवल आफ्नो निष्कर्षलाई समर्थन गर्ने डाटा मात्र सञ्चार गर्नु हुँदैन। यसलाई चेरी-पिकिङ भनिन्छ, जसमा सञ्चारकर्ताले केवल आफ्नो तर्कलाई समर्थन गर्ने डाटा प्रस्तुत गर्छ र अन्य डाटालाई बेवास्ता गर्छ।
+
+यदि तपाईंले संकलन गरेको सबै डाटाले स्पष्ट रूपमा तपाईंको निष्कर्षलाई समर्थन गर्छ भने, राम्रो। तर यदि तपाईंले संकलन गरेको डाटाले तपाईंको निष्कर्षलाई समर्थन गर्दैन वा विरोधी तर्कलाई समर्थन गर्छ भने, तपाईंले त्यो डाटा पनि सञ्चार गर्नुपर्छ। यस्तो अवस्थामा, श्रोतालाई स्पष्ट रूपमा बताउनुहोस् कि तपाईं किन आफ्नो कथामा अडिग हुनुहुन्छ, यद्यपि सबै डाटाले त्यसलाई समर्थन गर्दैन।
+
+### 3. यसलाई वास्तविक कथाको रूपमा प्रस्तुत गर्नुहोस्
+परम्परागत कथा ५ चरणमा हुन्छ। तपाईंले यी चरणहरूलाई _प्रस्तावना_, _उद्घाटन कार्य_, _उच्च बिन्दु_, _समापन कार्य_, र _निष्कर्ष_ भनेर सुन्नुभएको हुन सक्छ। वा _सन्दर्भ_, _संघर्ष_, _उच्च बिन्दु_, _समापन_, र _निष्कर्ष_ भनेर। डाटा र कथा सञ्चार गर्दा, तपाईंले यस्तै दृष्टिकोण अपनाउन सक्नुहुन्छ।
+
+तपाईं सन्दर्भबाट सुरु गर्न सक्नुहुन्छ, मञ्च तयार गर्न र श्रोतालाई एउटै पृष्ठमा ल्याउन। त्यसपछि संघर्ष प्रस्तुत गर्नुहोस्। तपाईंले यो डाटा किन संकलन गर्न आवश्यक ठान्नुभयो? तपाईंले के समस्या समाधान गर्न खोज्नुभयो? त्यसपछि उच्च बिन्दुमा पुग्नुहोस्। डाटा के हो? डाटाको अर्थ के हो? डाटाले हामीलाई के समाधानहरू बताउँछ? त्यसपछि समापनमा पुग्नुहोस्, जहाँ तपाईं समस्या र प्रस्तावित समाधानहरू दोहोर्याउन सक्नुहुन्छ। अन्त्यमा, निष्कर्षमा पुग्नुहोस्, जहाँ तपाईं मुख्य निष्कर्षहरू र टोलीले लिनुपर्ने आगामी कदमहरूको सिफारिस गर्न सक्नुहुन्छ।
+
+### 4. अर्थपूर्ण शब्द र वाक्यांश प्रयोग गर्नुहोस्
+यदि तपाईं र म कुनै उत्पादनमा काम गरिरहेका छौं, र मैले तपाईंलाई भने, "हाम्रो प्रयोगकर्ताहरूलाई हाम्रो प्लेटफर्ममा साइन अप गर्न धेरै समय लाग्छ," तपाईं "धेरै समय" कति समय हो भनेर अनुमान गर्नुहुन्छ? एक घण्टा? एक हप्ता? थाहा पाउन गाह्रो छ। यदि मैले यो कुरा सम्पूर्ण श्रोतालाई भने भने? श्रोताको प्रत्येक व्यक्तिले हाम्रो प्लेटफर्ममा साइन अप गर्न प्रयोगकर्ताहरूलाई कति समय लाग्छ भन्ने बारे फरक धारणा बनाउन सक्छ।
+
+तर, यदि मैले भने, "हाम्रो प्रयोगकर्ताहरूलाई हाम्रो प्लेटफर्ममा साइन अप गर्न औसतमा ३ मिनेट लाग्छ।"
+
+यो सन्देश स्पष्ट छ। डाटा सञ्चार गर्दा, तपाईंले सोच्न सक्नुहुन्छ कि श्रोताको सबै व्यक्तिहरू तपाईंजस्तै सोचिरहेका छन्। तर यो सधैं सत्य हुँदैन। डाटा र यसको अर्थ स्पष्ट बनाउनु सञ्चारकर्ताको जिम्मेवारी हो। यदि डाटा वा कथा स्पष्ट छैन भने, श्रोताले यसलाई पछ्याउन गाह्रो हुनेछ, र उनीहरूले तपाईंको मुख्य निष्कर्षहरू बुझ्ने सम्भावना कम हुनेछ।
+
+तपाईं अर्थपूर्ण शब्द र वाक्यांश प्रयोग गरेर डाटा स्पष्ट रूपमा सञ्चार गर्न सक्नुहुन्छ। तल केही उदाहरणहरू छन्।
+
+ - हामीले *प्रभावशाली* वर्ष बितायौं!
+	 - एक व्यक्तिले प्रभावशाली भनेको राजस्वमा २% - ३% वृद्धि हो भनेर सोच्न सक्छ, र अर्को व्यक्तिले ५०% - ६०% वृद्धि हो भनेर सोच्न सक्छ।
+ - हाम्रो प्रयोगकर्ताहरूको सफलता दर *नाटकीय रूपमा* बढ्यो।
+	 - नाटकीय वृद्धि कति ठूलो हो?
+ - यो कार्यले *महत्त्वपूर्ण* प्रयासको आवश्यकता हुनेछ।
+	 - कति प्रयास महत्त्वपूर्ण हो?
+
+अस्पष्ट शब्दहरू थप डाटा प्रस्तुत गर्न वा तपाईंले सुनाएको कथाको सारांशको रूपमा उपयोगी हुन सक्छ। तर, सुनिश्चित गर्नुहोस् कि तपाईंको प्रस्तुतीकरणको प्रत्येक भाग श्रोताका लागि स्पष्ट छ।
+
+### 5. भावनाको प्रयोग गर्नुहोस्
+कथावाचनमा भावना महत्त्वपूर्ण छ। डाटासँग कथा सुनाउँदा यो अझ महत्त्वपूर्ण हुन्छ। डाटा सञ्चार गर्दा, सबै कुरा तपाईंको श्रोताले बुझ्नुपर्ने मुख्य निष्कर्षहरूमा केन्द्रित हुन्छ। श्रोतामा भावना उत्पन्न गर्दा उनीहरूले सहानुभूति राख्न मद्दत गर्दछ, र उनीहरूले कार्य गर्न सम्भावना बढाउँछ। भावनाले श्रोताले तपाईंको सन्देश सम्झने सम्भावना पनि बढाउँछ।
+
+तपाईंले यो टेलिभिजन विज्ञापनहरूमा अनुभव गर्नुभएको हुन सक्छ। केही विज्ञापनहरू धेरै गम्भीर हुन्छन्, र उनीहरूको श्रोतासँग जोडिन र प्रस्तुत गरिएको डाटालाई विशेष बनाउने प्रयासमा दुःखद भावना प्रयोग गर्छन्। वा, केही विज्ञापनहरू धेरै उत्साहजनक र खुसी हुन्छन् जसले तपाईंलाई उनीहरूको डाटालाई खुसीको भावनासँग जोड्न सक्छ।
+
+डाटा सञ्चार गर्दा भावनाको प्रयोग कसरी गर्ने? तल केही तरिकाहरू छन्।
+
+ - प्रशंसापत्र र व्यक्तिगत कथाहरू प्रयोग गर्नुहोस्
+	- डाटा संकलन गर्दा, मात्रात्मक र गुणात्मक दुवै प्रकारका डाटा संकलन गर्ने प्रयास गर्नुहोस्, र सञ्चार गर्दा दुवै प्रकारका डाटालाई समाहित गर्नुहोस्। यदि तपाईंको डाटा मुख्य रूपमा मात्रात्मक छ भने, व्यक्तिहरूको अनुभवको बारेमा थप जान्न कथाहरू खोज्नुहोस्।
+ - चित्रहरूको प्रयोग गर्नुहोस्
+	 - चित्रहरूले श्रोतालाई आफूलाई परिस्थितिमा देख्न मद्दत गर्दछ। जब तपाईं चित्रहरू प्रयोग गर्नुहुन्छ, तपाईं श्रोतालाई तपाईंको डाटाको बारेमा उनीहरूले राख्नुपर्ने भावनाको दिशामा धकेल्न सक्नुहुन्छ।
+ - रंगको प्रयोग गर्नुहोस्
+	 - विभिन्न रंगहरूले विभिन्न भावनाहरू उत्पन्न गर्छन्। लोकप्रिय रंगहरू र उनीहरूले उत्पन्न गर्ने भावनाहरू तल छन्। सावधान रहनुहोस्, रंगहरूले विभिन्न संस्कृतिमा फरक अर्थ राख्न सक्छ।
+		 - नीलोले सामान्यतया शान्ति र विश्वासको भावना उत्पन्न गर्छ
+		 - हरियोले सामान्यतया प्रकृति र वातावरणसँग सम्बन्धित हुन्छ
+		 - रातोले सामान्यतया जोश र उत्साह व्यक्त गर्छ
+		 - पहेँलोले सामान्यतया आशावाद र खुसी व्यक्त गर्छ
+
+# सञ्चार केस स्टडी
+एमर्सन एक मोबाइल एपका प्रोडक्ट म्यानेजर हुन्। एमर्सनले देखेका छन् कि ग्राहकहरूले सप्ताहन्तमा ४२% बढी गुनासो र बग रिपोर्टहरू पेश गर्छन्। एमर्सनले यो पनि देखेका छन् कि गुनासो पेश गर्ने ग्राहकहरू जसको गुनासो ४८ घण्टाभित्र जवाफ दिइएन भने उनीहरूले एपलाई १ वा २ रेटिङ दिने सम्भावना ३२% बढी हुन्छ।
+
+अनुसन्धान गरेपछि, एमर्सनसँग केही समाधानहरू छन् जसले समस्या समाधान गर्नेछन्। एमर्सनले ३ कम्पनीका नेताहरूसँग डाटा र प्रस्तावित समाधानहरू सञ्चार गर्न ३० मिनेटको बैठक सेटअप गर्छन्।
+
+यस बैठकको क्रममा, एमर्सनको लक्ष्य कम्पनीका नेताहरूलाई बुझाउनु हो कि तलका दुई समाधानहरूले एपको रेटिङ सुधार गर्न सक्छ, जसले सम्भवतः उच्च राजस्वमा अनुवाद गर्नेछ।
+
+**समाधान १.** सप्ताहन्तमा काम गर्न ग्राहक सेवा प्रतिनिधिहरू नियुक्त गर्नुहोस्
+
+**समाधान २.** नयाँ ग्राहक सेवा टिकटिङ प्रणाली खरीद गर्नुहोस् जहाँ ग्राहक सेवा प्रतिनिधिहरूले सजिलैसँग थाहा पाउन सक्छन् कि कुन गुनासोहरू लामो समयदेखि पर्खाइमा छन् – ताकि उनीहरूले तुरुन्तै कुन गुनासो सम्बोधन गर्ने भनेर थाहा पाउन सकून्।
+एमर्सनले बैठकमा ५ मिनेट खर्च गरेर एप स्टोरमा कम रेटिङ हुनु किन खराब हो भन्ने व्याख्या गरे, १० मिनेट अनुसन्धान प्रक्रिया र ट्रेन्ड कसरी पहिचान गरियो भन्ने व्याख्या गरे, १० मिनेट हालसालैका ग्राहक गुनासाहरूको समीक्षा गरे, र अन्तिम ५ मिनेट दुई सम्भावित समाधानहरूलाई संक्षेपमा प्रस्तुत गरे।
+
+के यो बैठकमा एमर्सनले प्रभावकारी रूपमा संवाद गर्न सके?
+
+बैठकको क्रममा, एक कम्पनीका नेतृत्वकर्ताले एमर्सनले ग्राहक गुनासाहरूको १० मिनेटको समीक्षा गरेको कुरामा ध्यान केन्द्रित गरे। बैठकपछि, ती गुनासाहरू मात्र ती नेतृत्वकर्ताले सम्झिए। अर्को कम्पनी नेतृत्वकर्ताले एमर्सनले अनुसन्धान प्रक्रिया वर्णन गरेको कुरामा ध्यान दिए। तेस्रो कम्पनी नेतृत्वकर्ताले एमर्सनले प्रस्तावित समाधानहरू सम्झिए तर ती समाधानहरू कसरी कार्यान्वयन गर्न सकिन्छ भन्नेमा निश्चित थिएनन्।
+
+माथिको परिस्थितिमा, एमर्सनले नेतृत्वकर्ताहरूलाई बैठकबाट के लिनुपर्छ भन्ने चाहना राखेका थिए र उनीहरूले के लिए भन्ने बीचमा ठूलो अन्तर देख्न सकिन्छ। एमर्सनले विचार गर्न सक्ने अर्को दृष्टिकोण तल प्रस्तुत गरिएको छ।
+
+एमर्सनले यो दृष्टिकोण कसरी सुधार गर्न सक्थे?  
+सन्दर्भ, द्वन्द्व, उत्कर्ष, समापन, निष्कर्ष  
+**सन्दर्भ** - एमर्सनले पहिलो ५ मिनेट खर्च गरेर सम्पूर्ण परिस्थितिको परिचय दिन सक्थे र नेतृत्वकर्ताहरूलाई समस्या कम्पनीका महत्त्वपूर्ण मेट्रिक्स, जस्तै राजस्व, मा कसरी असर गर्छ भन्ने कुरा बुझ्न सुनिश्चित गर्न सक्थे।  
+
+यसरी प्रस्तुत गर्न सकिन्छ: "हाल, हाम्रो एपको रेटिङ एप स्टोरमा २.५ छ। एप स्टोरमा रेटिङ एप स्टोर अप्टिमाइजेसनका लागि महत्त्वपूर्ण छ, जसले हाम्रो एपलाई खोजमा कति प्रयोगकर्ताले देख्छन् र सम्भावित प्रयोगकर्ताहरूले हाम्रो एपलाई कसरी हेर्छन् भन्नेमा प्रभाव पार्छ। र, अवश्य पनि, हाम्रो प्रयोगकर्ताको संख्या सीधा राजस्वसँग जोडिएको छ।"
+
+**द्वन्द्व** एमर्सनले त्यसपछि अर्को ५ मिनेट जति द्वन्द्वको बारेमा कुरा गर्न सक्थे।  
+
+यसरी प्रस्तुत गर्न सकिन्छ: “प्रयोगकर्ताहरूले सप्ताहन्तमा ४२% बढी गुनासा र बग रिपोर्टहरू पेश गर्छन्। गुनासा पेश गर्ने ग्राहकहरू जसको गुनासा ४८ घण्टाभित्र जवाफ दिइएन भने, ती ग्राहकहरू एप स्टोरमा हाम्रो एपलाई २ भन्दा माथि रेटिङ दिन ३२% कम सम्भावना राख्छन्। हाम्रो एपको रेटिङ एप स्टोरमा ४ मा सुधार गर्दा हाम्रो दृश्यता २०-३०% सुधार हुनेछ, जसले राजस्वमा १०% वृद्धि गर्ने मेरो अनुमान छ।" अवश्य पनि, एमर्सनले यी संख्याहरूलाई न्यायोचित बनाउन तयार हुनुपर्छ।  
+
+**उत्कर्ष** आधार तयार गरेपछि, एमर्सनले त्यसपछि ५ मिनेट जति उत्कर्षमा जान सक्थे।  
+
+एमर्सनले प्रस्तावित समाधानहरू प्रस्तुत गर्न सक्थे, ती समाधानहरूले उल्लेखित समस्याहरूलाई कसरी सम्बोधन गर्ने, ती समाधानहरूलाई विद्यमान कार्यप्रवाहमा कसरी कार्यान्वयन गर्न सकिन्छ, ती समाधानहरूको लागत कति छ, ती समाधानहरूको ROI कति हुनेछ, र सम्भवतः ती समाधानहरू कार्यान्वयन गरिएपछि कस्तो देखिन्छ भन्ने स्क्रिनशट वा वायरफ्रेमहरू देखाउन सक्थे। एमर्सनले ४८ घण्टाभन्दा बढी समयसम्म गुनासा सम्बोधन गर्न पर्खेका प्रयोगकर्ताहरूको प्रशंसापत्र र कम्पनीभित्रका हालका ग्राहक सेवा प्रतिनिधिको प्रशंसापत्र पनि साझा गर्न सक्थे जसले हालको टिकटिङ प्रणालीमा टिप्पणी गरेका छन्।  
+
+**समापन** अब एमर्सनले ५ मिनेट खर्च गरेर कम्पनीले सामना गरिरहेका समस्याहरूलाई पुनः उल्लेख गर्न, प्रस्तावित समाधानहरूलाई पुनः समीक्षा गर्न, र ती समाधानहरू किन सही हुन् भन्ने कुरा पुनः समीक्षा गर्न सक्थे।  
+
+**निष्कर्ष** किनभने यो केही सरोकारवालाहरूको बैठक हो जहाँ दुई-तर्फी संवाद प्रयोग गरिनेछ, एमर्सनले बैठक समाप्त हुनु अघि नेतृत्वकर्ताहरूलाई भ्रमित भएको कुनै पनि कुरा स्पष्ट गर्न १० मिनेट प्रश्नहरूको लागि छुट्याउन योजना बनाउन सक्थे।  
+
+यदि एमर्सनले दृष्टिकोण #२ अपनाए भने, नेतृत्वकर्ताहरूले बैठकबाट एमर्सनले चाहेको कुरा ठीकसँग लिन सक्ने सम्भावना धेरै हुन्छ – गुनासा र बगहरूलाई सम्बोधन गर्ने तरिका सुधार गर्न सकिन्छ, र सुधार गर्न दुई समाधानहरू लागू गर्न सकिन्छ। यो दृष्टिकोणले एमर्सनले संवाद गर्न चाहेको डेटा र कथा प्रभावकारी रूपमा प्रस्तुत गर्नेछ।  
+
+# निष्कर्ष  
+### मुख्य बुँदाहरूको सारांश  
+ - संवाद भनेको जानकारी आदानप्रदान गर्नु हो।  
+ - डेटा संवाद गर्दा, तपाईंको उद्देश्य केवल संख्याहरूलाई आफ्नो श्रोतासम्म पुर्‍याउनु होइन। तपाईंको उद्देश्य डेटा द्वारा सूचित कथा संवाद गर्नु हो।  
+ - संवादका दुई प्रकार छन्, एक-तर्फी संवाद (जानकारी कुनै प्रतिक्रिया प्राप्त गर्ने उद्देश्य बिना संवाद गरिन्छ) र दुई-तर्फी संवाद (जानकारी अगाडि-पछाडि संवाद गरिन्छ)।  
+ - डेटा संग कथा भन्नका लागि तपाईंले प्रयोग गर्न सक्ने धेरै रणनीतिहरू छन्, हामीले समीक्षा गरेका ५ रणनीतिहरू:  
+	 - आफ्नो श्रोता, माध्यम, र संवाद विधि बुझ्नुहोस्।  
+	 - अन्त्यलाई ध्यानमा राखेर सुरु गर्नुहोस्।  
+	 - यसलाई वास्तविक कथाको रूपमा दृष्टिकोण गर्नुहोस्।  
+	 - अर्थपूर्ण शब्द र वाक्यांशहरू प्रयोग गर्नुहोस्।  
+	 - भावना प्रयोग गर्नुहोस्।  
+
+### आत्म-अध्ययनका लागि सिफारिस गरिएका स्रोतहरू  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [पोस्ट-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+माथि सिकेको कुरा पोस्ट-व्याख्यान क्विजसँग समीक्षा गर्नुहोस्!  
+
+## असाइनमेन्ट  
+
+[बजार अनुसन्धान](assignment.md)  
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/ne/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..1844e086
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-27T18:09:42+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "ne"
+}
+-->
+# कथा सुनाउनुहोस्
+
+## निर्देशनहरू
+
+डाटा साइन्स भनेको कथावाचनको बारेमा हो। कुनै पनि डाटासेट चयन गर्नुहोस् र त्यसको बारेमा एउटा सानो लेख लेख्नुहोस् जसले तपाईंले त्यसबाट बताउन सक्ने कथा प्रस्तुत गर्छ। तपाईंको डाटासेटले के खुलासा गर्न सक्छ भन्ने आशा गर्नुहुन्छ? यदि यसको खुलासाहरू समस्याजनक साबित भए भने तपाईं के गर्नुहुन्छ? यदि तपाईंको डाटाले सजिलैसँग यसको रहस्यहरू खोल्न सकेन भने के हुन्छ? तपाईंको डाटासेटले प्रस्तुत गर्न सक्ने परिदृश्यहरूको बारेमा सोच्नुहोस् र तिनीहरूलाई लेख्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | --- |
+
+एक पृष्ठको निबन्ध .doc फर्म्याटमा प्रस्तुत गरिएको छ जसमा डाटासेटको व्याख्या, दस्तावेजीकरण, श्रेय दिइएको छ र त्यसको बारेमा एक सुसंगत कथा विस्तृत उदाहरणहरू सहित प्रस्तुत गरिएको छ।| छोटो निबन्ध कम विस्तृत ढाँचामा प्रस्तुत गरिएको छ। | माथि उल्लेखित विवरणहरू मध्ये कुनै एकमा कमी देखिन्छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/4-Data-Science-Lifecycle/README.md b/translations/ne/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..df16cce6
--- /dev/null
+++ b/translations/ne/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-27T17:55:49+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "ne"
+}
+-->
+# डाटा साइन्स जीवनचक्र
+
+![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.ne.jpg)
+> फोटो <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> द्वारा <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> मा
+  
+यी पाठहरूमा, तपाईंले डाटा साइन्स जीवनचक्रका केही पक्षहरू, जस्तै डाटाको विश्लेषण र संवादको बारेमा अध्ययन गर्नुहुनेछ।
+
+### विषयहरू
+
+1. [परिचय](14-Introduction/README.md)
+2. [विश्लेषण गर्दै](15-analyzing/README.md)
+3. [संवाद](16-communication/README.md)
+
+### श्रेय
+
+यी पाठहरू ❤️ सहित [Jalen McGee](https://twitter.com/JalenMCG) र [Jasmine Greenaway](https://twitter.com/paladique) द्वारा लेखिएका हुन्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/ne/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..7bb2f8ce
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,113 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-27T17:45:27+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "ne"
+}
+-->
+# क्लाउडमा डेटा विज्ञानको परिचय
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमा डेटा विज्ञान: परिचय - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+यस पाठमा, तपाईं क्लाउडको आधारभूत सिद्धान्तहरू सिक्नुहुनेछ, त्यसपछि तपाईंले क्लाउड सेवाहरू प्रयोग गरेर डेटा विज्ञान परियोजनाहरू सञ्चालन गर्न किन रोचक हुन सक्छ भन्ने देख्नुहुनेछ, र हामी क्लाउडमा सञ्चालन गरिएका केही डेटा विज्ञान परियोजनाहरूको उदाहरणहरू हेर्नेछौं। 
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## क्लाउड के हो?
+
+क्लाउड, वा क्लाउड कम्प्युटिङ, इन्टरनेटमा होस्ट गरिएको पूर्वाधारमा आधारित विभिन्न प्रकारका पे-एज-यू-गो कम्प्युटिङ सेवाहरूको आपूर्ति हो। सेवाहरूमा भण्डारण, डाटाबेस, नेटवर्किङ, सफ्टवेयर, एनालिटिक्स, र बौद्धिक सेवाहरू जस्ता समाधानहरू समावेश छन्। 
+
+हामी सामान्यतया सार्वजनिक, निजी र हाइब्रिड क्लाउडलाई निम्नानुसार फरक पार्छौं:
+
+* **सार्वजनिक क्लाउड**: सार्वजनिक क्लाउड तेस्रो-पक्ष क्लाउड सेवा प्रदायकद्वारा स्वामित्व र सञ्चालन गरिन्छ, जसले इन्टरनेटमार्फत सार्वजनिकलाई कम्प्युटिङ स्रोतहरू प्रदान गर्दछ।  
+* **निजी क्लाउड**: निजी क्लाउड भनेको एकल व्यवसाय वा संगठनद्वारा मात्र प्रयोग गरिने क्लाउड कम्प्युटिङ स्रोतहरू हो, जसमा सेवाहरू र पूर्वाधार निजी नेटवर्कमा मर्मत गरिन्छ।  
+* **हाइब्रिड क्लाउड**: हाइब्रिड क्लाउड भनेको सार्वजनिक र निजी क्लाउडहरूको संयोजन हो। प्रयोगकर्ताहरूले अन-प्रिमाइस डाटासेन्टर रोज्छन्, जबकि डेटा र एप्लिकेसनहरू एक वा बढी सार्वजनिक क्लाउडहरूमा सञ्चालन गर्न अनुमति दिन्छन्।  
+
+धेरै क्लाउड कम्प्युटिङ सेवाहरू तीन श्रेणीहरूमा पर्दछन्: पूर्वाधार सेवा (IaaS), प्लेटफर्म सेवा (PaaS) र सफ्टवेयर सेवा (SaaS)। 
+
+* **पूर्वाधार सेवा (IaaS)**: प्रयोगकर्ताहरूले सर्भरहरू, भर्चुअल मेसिनहरू (VMs), भण्डारण, नेटवर्कहरू, अपरेटिङ सिस्टमहरू जस्ता आईटी पूर्वाधार भाडामा लिन्छन्।  
+* **प्लेटफर्म सेवा (PaaS)**: प्रयोगकर्ताहरूले सफ्टवेयर एप्लिकेसनहरू विकास, परीक्षण, डेलिभर र व्यवस्थापन गर्न वातावरण भाडामा लिन्छन्। प्रयोगकर्ताहरूले विकासका लागि आवश्यक सर्भरहरू, भण्डारण, नेटवर्क र डाटाबेसहरूको पूर्वाधार सेटअप वा व्यवस्थापनको चिन्ता लिनु पर्दैन।  
+* **सफ्टवेयर सेवा (SaaS)**: प्रयोगकर्ताहरूले इन्टरनेटमार्फत सफ्टवेयर एप्लिकेसनहरू पहुँच गर्छन्, माग अनुसार र सामान्यतया सदस्यता आधारमा। प्रयोगकर्ताहरूले सफ्टवेयर एप्लिकेसन होस्टिङ र व्यवस्थापन, पूर्वाधार वा मर्मत, जस्तै सफ्टवेयर अपग्रेड र सुरक्षा प्याचिङको चिन्ता लिनु पर्दैन।  
+
+सबैभन्दा ठूला क्लाउड प्रदायकहरूमा Amazon Web Services, Google Cloud Platform र Microsoft Azure समावेश छन्।  
+
+## डेटा विज्ञानका लागि क्लाउड किन रोज्ने?
+
+डेभलपरहरू र आईटी पेशेवरहरूले क्लाउडसँग काम गर्न निम्न कारणहरू सहित धेरै कारणहरू रोज्छन्:
+
+* **नवप्रवर्तन**: तपाईं आफ्नो एप्लिकेसनहरूलाई क्लाउड प्रदायकद्वारा सिर्जना गरिएका नवीन सेवाहरूलाई सिधै एकीकृत गरेर शक्ति दिन सक्नुहुन्छ।  
+* **लचिलोपन**: तपाईंले आवश्यक सेवाहरूको लागि मात्र तिर्नुहुन्छ र सेवाहरूको विस्तृत दायरा रोज्न सक्नुहुन्छ। सामान्यतया, तपाईंले पे-एज-यू-गो तिर्नुहुन्छ र आफ्नो आवश्यकताहरू अनुसार सेवाहरू अनुकूलन गर्न सक्नुहुन्छ।  
+* **बजेट**: तपाईंले हार्डवेयर र सफ्टवेयर किन्न, सेटअप गर्न र अन-साइट डाटासेन्टरहरू सञ्चालन गर्न प्रारम्भिक लगानी गर्न आवश्यक छैन। तपाईंले केवल प्रयोग गरेको मात्र तिर्न सक्नुहुन्छ।  
+* **स्केलेबिलिटी**: तपाईंको स्रोतहरू परियोजनाको आवश्यकताहरू अनुसार स्केल गर्न सकिन्छ, जसको अर्थ तपाईंको एप्सले कुनै पनि समयमा बाह्य कारकहरूमा अनुकूलन गरेर बढी वा कम कम्प्युटिङ शक्ति, भण्डारण र ब्यान्डविथ प्रयोग गर्न सक्छ।  
+* **उत्पादकता**: तपाईं आफ्नो व्यवसायमा ध्यान केन्द्रित गर्न सक्नुहुन्छ, जस्तै डाटासेन्टर व्यवस्थापन जस्ता कार्यहरू अरूले व्यवस्थापन गर्न सक्ने समय खर्च नगरी।  
+* **विश्वसनीयता**: क्लाउड कम्प्युटिङले तपाईंको डेटा निरन्तर ब्याकअप गर्न धेरै तरिकाहरू प्रदान गर्दछ र तपाईं आपतकालीन पुन:प्राप्ति योजनाहरू सेटअप गर्न सक्नुहुन्छ ताकि संकटको समयमा पनि तपाईंको व्यवसाय र सेवाहरू सञ्चालनमा रहोस्।  
+* **सुरक्षा**: तपाईं आफ्नो परियोजनाको सुरक्षा बलियो बनाउने नीतिहरू, प्रविधिहरू र नियन्त्रणहरूको फाइदा लिन सक्नुहुन्छ।  
+
+यी क्लाउड सेवाहरू प्रयोग गर्ने सामान्य कारणहरू हुन्। अब हामीले क्लाउड के हो र यसको मुख्य फाइदाहरू के हुन् भन्ने राम्रोसँग बुझिसकेपछि, डेटा वैज्ञानिकहरू र डेटा संग काम गर्ने डेभलपरहरूको काममा विशेष रूपमा हेर्नेछौं, र क्लाउडले उनीहरूले सामना गर्न सक्ने विभिन्न चुनौतीहरूमा कसरी मद्दत गर्न सक्छ:  
+
+* **ठूलो मात्रामा डेटा भण्डारण**: ठूला सर्भरहरू किन्न, व्यवस्थापन गर्न र सुरक्षा गर्नुभन्दा, तपाईं आफ्नो डेटा सिधै क्लाउडमा भण्डारण गर्न सक्नुहुन्छ, जस्तै Azure Cosmos DB, Azure SQL Database र Azure Data Lake Storage जस्ता समाधानहरू।  
+* **डेटा एकीकरण प्रदर्शन**: डेटा एकीकरण डेटा विज्ञानको एक आवश्यक भाग हो, जसले तपाईंलाई डेटा सङ्कलनबाट कार्यहरूमा रूपान्तरण गर्न अनुमति दिन्छ। क्लाउडमा प्रस्ताव गरिएको डेटा एकीकरण सेवाहरूको साथ, तपाईं विभिन्न स्रोतहरूबाट डेटा सङ्कलन, रूपान्तरण र एकल डेटा वेयरहाउसमा एकीकृत गर्न सक्नुहुन्छ, Data Factory प्रयोग गरेर।  
+* **डेटा प्रशोधन**: ठूलो मात्रामा डेटा प्रशोधन गर्न धेरै कम्प्युटिङ शक्ति आवश्यक हुन्छ, र सबैसँग त्यसका लागि पर्याप्त शक्तिशाली मेसिनहरू पहुँच हुँदैन। यही कारणले धेरै मानिसहरूले आफ्नो समाधानहरू सञ्चालन र तैनात गर्न क्लाउडको ठूलो कम्प्युटिङ शक्ति सिधै प्रयोग गर्न रोज्छन्।  
+* **डेटा एनालिटिक्स सेवाहरू प्रयोग गर्दै**: क्लाउड सेवाहरू जस्तै Azure Synapse Analytics, Azure Stream Analytics र Azure Databricks तपाईंलाई आफ्नो डेटा कार्यात्मक जानकारीमा रूपान्तरण गर्न मद्दत गर्न।  
+* **मेसिन लर्निङ र डेटा बुद्धिमत्ता सेवाहरू प्रयोग गर्दै**: सुरुबाट सुरु गर्नुभन्दा, तपाईं क्लाउड प्रदायकद्वारा प्रस्ताव गरिएको मेसिन लर्निङ एल्गोरिदमहरू प्रयोग गर्न सक्नुहुन्छ, जस्तै AzureML। तपाईंले स्पीच-टु-टेक्स्ट, टेक्स्ट-टु-स्पीच, कम्प्युटर भिजन र अन्य जस्ता संज्ञानात्मक सेवाहरू पनि प्रयोग गर्न सक्नुहुन्छ।  
+
+## क्लाउडमा डेटा विज्ञानका उदाहरणहरू
+
+अब हामी केही परिदृश्यहरू हेरेर यसलाई थप ठोस बनाउँछौं।  
+
+### वास्तविक-समय सामाजिक सञ्जाल भावना विश्लेषण
+हामी मेसिन लर्निङसँग सुरु गर्ने व्यक्तिहरूले सामान्यतया अध्ययन गर्ने परिदृश्यबाट सुरु गर्नेछौं: वास्तविक-समयमा सामाजिक सञ्जाल भावना विश्लेषण।  
+
+मानौं तपाईं समाचार मिडिया वेबसाइट सञ्चालन गर्नुहुन्छ र तपाईं आफ्नो पाठकहरूलाई चासो लाग्न सक्ने सामग्री बुझ्न प्रत्यक्ष डेटा प्रयोग गर्न चाहनुहुन्छ। यसबारे थप जान्न, तपाईंले ट्विटर प्रकाशनहरूबाट वास्तविक-समय भावना विश्लेषण गर्ने कार्यक्रम निर्माण गर्न सक्नुहुन्छ, तपाईंका पाठकहरूका लागि सान्दर्भिक विषयहरूमा।  
+
+तपाईंले हेर्ने मुख्य सूचकहरू भनेका छन्: विशेष विषयहरू (ह्यासट्यागहरू) मा ट्वीटहरूको मात्रा र भावना, जुन निर्दिष्ट विषयहरू वरिपरि भावना विश्लेषण गर्ने एनालिटिक्स उपकरणहरू प्रयोग गरेर स्थापित गरिन्छ।  
+
+यो परियोजना सिर्जना गर्न आवश्यक चरणहरू निम्न छन्:  
+
+* इनपुट स्ट्रिमिङको लागि इभेन्ट हब सिर्जना गर्नुहोस्, जसले ट्विटरबाट डेटा सङ्कलन गर्नेछ।  
+* ट्विटर स्ट्रिमिङ APIs कल गर्ने ट्विटर क्लाइन्ट एप्लिकेसन कन्फिगर र सुरु गर्नुहोस्।  
+* स्ट्रिम एनालिटिक्स काम सिर्जना गर्नुहोस्।  
+* कामको इनपुट र क्वेरी निर्दिष्ट गर्नुहोस्।  
+* आउटपुट सिंक सिर्जना गर्नुहोस् र कामको आउटपुट निर्दिष्ट गर्नुहोस्।  
+* काम सुरु गर्नुहोस्।  
+
+पूरा प्रक्रिया हेर्न, [डकुमेन्टेशन](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) हेर्नुहोस्।  
+
+### वैज्ञानिक कागजातहरूको विश्लेषण
+अब हामी यस पाठ्यक्रमका लेखकहरू मध्ये एक [दिमित्री सोश्निकोभ](http://soshnikov.com) द्वारा सिर्जना गरिएको परियोजनाको अर्को उदाहरण लिन्छौं।  
+
+दिमित्रीले COVID कागजातहरू विश्लेषण गर्ने उपकरण सिर्जना गरे। यस परियोजनालाई समीक्षा गरेर, तपाईंले कसरी वैज्ञानिक कागजातहरूबाट ज्ञान निकाल्ने, जानकारी प्राप्त गर्ने र अनुसन्धानकर्ताहरूलाई कागजातहरूको ठूलो सङ्कलनलाई प्रभावकारी रूपमा नेभिगेट गर्न मद्दत गर्ने उपकरण सिर्जना गर्न सकिन्छ भन्ने देख्नुहुनेछ।  
+
+यसका लागि प्रयोग गरिएका विभिन्न चरणहरू हेर्नुहोस्:  
+* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रयोग गरेर जानकारी निकाल्ने र पूर्व-प्रशोधन गर्ने।  
+* [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रयोग गरेर प्रशोधनलाई समानान्तर बनाउने।  
+* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रयोग गरेर जानकारी भण्डारण र क्वेरी गर्ने।  
+* Power BI प्रयोग गरेर डेटा अन्वेषण र दृश्यात्मकता लागि अन्तरक्रियात्मक ड्यासबोर्ड सिर्जना गर्नुहोस्।  
+
+पूरा प्रक्रिया हेर्न, [दिमित्रीको ब्लग](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) भ्रमण गर्नुहोस्।  
+
+जस्तो देखिन्छ, हामी क्लाउड सेवाहरूलाई विभिन्न तरिकामा डेटा विज्ञान प्रदर्शन गर्न प्रयोग गर्न सक्छौं।  
+
+## फुटनोट
+
+स्रोतहरू:  
+* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109  
+* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109  
+* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/  
+
+## पाठ पछि क्विज
+
+[पाठ पछि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/33)
+
+## असाइनमेन्ट
+
+[बजार अनुसन्धान](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/ne/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..9cd45034
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-27T17:47:37+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "ne"
+}
+-->
+# बजार अनुसन्धान
+
+## निर्देशनहरू
+
+यस पाठमा तपाईंले सिक्नुभयो कि धेरै महत्त्वपूर्ण क्लाउड प्रदायकहरू छन्। केही बजार अनुसन्धान गर्नुहोस् र पत्ता लगाउनुहोस् कि प्रत्येकले डेटा वैज्ञानिकलाई के प्रस्ताव गर्न सक्छ। के ती प्रस्तावहरू तुलनात्मक छन्? तीन वा बढी क्लाउड प्रदायकहरूको प्रस्तावहरूको वर्णन गर्ने कागज लेख्नुहोस्।
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+एक पृष्ठको कागजले तीन क्लाउड प्रदायकहरूको डेटा विज्ञान प्रस्तावहरूको वर्णन गर्दछ र तिनीहरू बीचको भिन्नता देखाउँछ। | छोटो कागज प्रस्तुत गरिएको छ। | विश्लेषण पूरा नगरी कागज प्रस्तुत गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..4de24778
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,352 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-27T17:38:51+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "ne"
+}
+-->
+# क्लाउडमा डेटा साइन्स: "कम कोड/नो कोड" तरिका
+
+|![ स्केच नोट [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमा डेटा साइन्स: कम कोड - _[@nitya](https://twitter.com/nitya) द्वारा स्केच नोट_ |
+
+सामग्रीको सूची:
+
+- [क्लाउडमा डेटा साइन्स: "कम कोड/नो कोड" तरिका](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [पाठ अघि क्विज](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [१. परिचय](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [१.१ Azure Machine Learning के हो?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [१.२ हार्ट फेल्यर प्रिडिक्शन प्रोजेक्ट:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [१.३ हार्ट फेल्यर डेटासेट:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [२. Azure ML Studio मा कम कोड/नो कोड मोडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [२.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [२.२ कम्प्युट स्रोतहरू](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [२.२.१ कम्प्युट स्रोतहरूको सही विकल्प चयन गर्नु](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [२.२.२ कम्प्युट क्लस्टर सिर्जना गर्नु](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [२.३ डेटासेट लोड गर्नु](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [२.४ AutoML मार्फत कम कोड/नो कोड प्रशिक्षण](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [३. कम कोड/नो कोड मोडेल परिनियोजन र अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [३.१ मोडेल परिनियोजन](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [३.२ अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 चुनौती](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [पाठ पछि क्विज](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [समीक्षा र आत्म अध्ययन](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [असाइनमेन्ट](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+## १. परिचय
+### १.१ Azure Machine Learning के हो?
+
+Azure क्लाउड प्लेटफर्म २०० भन्दा बढी उत्पादन र क्लाउड सेवाहरूको संग्रह हो, जसले तपाईंलाई नयाँ समाधानहरू जीवनमा ल्याउन मद्दत गर्दछ।  
+डेटा वैज्ञानिकहरूले डेटा अन्वेषण र पूर्व-प्रक्रिया गर्न, विभिन्न प्रकारका मोडेल-प्रशिक्षण एल्गोरिदमहरू प्रयास गर्न, र सही मोडेल उत्पादन गर्न धेरै समय खर्च गर्छन्। यी कार्यहरू समय खपत गर्ने हुन्छन् र महँगो कम्प्युट हार्डवेयरको प्रभावकारी प्रयोगलाई बाधा पुर्‍याउन सक्छन्।
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) Azure मा मेसिन लर्निङ समाधानहरू निर्माण र सञ्चालन गर्नका लागि क्लाउड-आधारित प्लेटफर्म हो। यसमा डेटा वैज्ञानिकहरूलाई डेटा तयार गर्न, मोडेल प्रशिक्षण गर्न, भविष्यवाणी सेवाहरू प्रकाशित गर्न, र तिनीहरूको प्रयोगको निगरानी गर्न मद्दत गर्ने सुविधाहरू र क्षमताहरूको विस्तृत श्रृंखला समावेश छ। सबैभन्दा महत्त्वपूर्ण कुरा, यसले मोडेल प्रशिक्षणसँग सम्बन्धित समय खपत गर्ने कार्यहरू स्वचालित गरेर तिनीहरूको दक्षता बढाउँछ; र यसले ठूलो मात्रामा डेटा ह्यान्डल गर्न प्रभावकारी रूपमा स्केल हुने क्लाउड-आधारित कम्प्युट स्रोतहरू प्रयोग गर्न सक्षम बनाउँछ, केवल प्रयोग गर्दा मात्र लागत लाग्ने गरी।
+
+Azure ML ले डेभलपरहरू र डेटा वैज्ञानिकहरूलाई उनीहरूको मेसिन लर्निङ वर्कफ्लोका लागि आवश्यक सबै उपकरणहरू प्रदान गर्दछ। यसमा समावेश छन्:
+
+- **Azure Machine Learning Studio**: मोडेल प्रशिक्षण, परिनियोजन, स्वचालन, ट्र्याकिङ, र सम्पत्ति व्यवस्थापनका लागि कम कोड र नो कोड विकल्पहरूको लागि वेब पोर्टल। स्टुडियो Azure Machine Learning SDK सँग एकीकृत छ।
+- **Jupyter Notebooks**: छिटो प्रोटोटाइप र ML मोडेल परीक्षण गर्न।
+- **Azure Machine Learning Designer**: प्रयोग गरेर मोड्युलहरू तान्न र छोड्न अनुमति दिन्छ र कम कोड वातावरणमा पाइपलाइनहरू परिनियोजन गर्न।
+- **Automated machine learning UI (AutoML)**: मेसिन लर्निङ मोडेल विकासको पुनरावृत्त कार्यहरू स्वचालित गर्दछ, उच्च स्केल, दक्षता, र उत्पादकता सहित ML मोडेलहरू निर्माण गर्न अनुमति दिन्छ।
+- **Data Labelling**: डेटा स्वचालित रूपमा लेबल गर्न सहायक ML उपकरण।
+- **Machine learning extension for Visual Studio Code**: ML परियोजनाहरू निर्माण र व्यवस्थापन गर्न पूर्ण-विशेषता विकास वातावरण प्रदान गर्दछ।
+- **Machine learning CLI**: कमाण्ड लाइनबाट Azure ML स्रोतहरू व्यवस्थापन गर्न कमाण्डहरू प्रदान गर्दछ।
+- **खुला-स्रोत फ्रेमवर्कहरूसँग एकीकरण** जस्तै PyTorch, TensorFlow, Scikit-learn र अन्य धेरै, प्रशिक्षण, परिनियोजन, र मेसिन लर्निङ प्रक्रियाको अन्त-देखि-अन्त व्यवस्थापन गर्न।
+- **MLflow**: यो मेसिन लर्निङ प्रयोगहरूको जीवन चक्र व्यवस्थापन गर्न खुला-स्रोत पुस्तकालय हो। **MLFlow Tracking** MLflow को एक घटक हो जसले तपाईंको प्रशिक्षण रन मेट्रिक्स र मोडेल कलाकृतिहरू लग र ट्र्याक गर्दछ।
+
+### १.२ हार्ट फेल्यर प्रिडिक्शन प्रोजेक्ट:
+
+आफ्नो सीप र ज्ञानलाई परीक्षण गर्न परियोजनाहरू बनाउनु र निर्माण गर्नु सबैभन्दा राम्रो तरिका हो। यस पाठमा, हामी Azure ML Studio मा हार्ट फेल्यर आक्रमणको भविष्यवाणीको लागि डेटा साइन्स परियोजना निर्माण गर्ने दुई फरक तरिकाहरू अन्वेषण गर्नेछौं: कम कोड/नो कोड र Azure ML SDK प्रयोग गरेर।  
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.ne.png)
+
+प्रत्येक तरिकाको आफ्नै फाइदा र बेफाइदा छन्। कम कोड/नो कोड तरिका सुरु गर्न सजिलो छ किनभने यसले GUI (ग्राफिकल युजर इन्टरफेस) सँग अन्तरक्रिया समावेश गर्दछ, कोडको कुनै पूर्व ज्ञान आवश्यक छैन। यो विधिले परियोजनाको व्यवहार्यता छिटो परीक्षण गर्न र POC (प्रूफ अफ कन्सेप्ट) सिर्जना गर्न सक्षम बनाउँछ। तर, जब परियोजना बढ्छ र उत्पादनको लागि तयार हुन आवश्यक हुन्छ, GUI मार्फत स्रोतहरू सिर्जना गर्नु व्यावहारिक हुँदैन। त्यसबेला Azure ML SDK प्रयोग गरेर सबै कुरा प्रोग्रामिङ्ग रूपमा स्वचालित गर्न जान्न आवश्यक हुन्छ।
+
+|                   | कम कोड/नो कोड | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| कोडको विशेषज्ञता | आवश्यक छैन     | आवश्यक छ                  |
+| विकासको समय     | छिटो र सजिलो    | कोड विशेषज्ञतामा निर्भर |
+| उत्पादनको लागि तयार | छैन               | हो                       |
+
+### १.३ हार्ट फेल्यर डेटासेट: 
+
+कार्डियोभास्कुलर रोगहरू (CVDs) विश्वव्यापी रूपमा मृत्युको नम्बर १ कारण हुन्, जसले विश्वव्यापी रूपमा ३१% मृत्युको लागि जिम्मेवार छन्।  
+पर्यावरणीय र व्यवहारजन्य जोखिम कारकहरू जस्तै सुर्तीको प्रयोग, अस्वस्थ आहार र मोटोपन, शारीरिक निष्क्रियता, र मदिराको हानिकारक प्रयोगलाई अनुमान मोडेलहरूको विशेषताका रूपमा प्रयोग गर्न सकिन्छ।  
+CVD को विकासको सम्भावना अनुमान गर्न सक्षम हुनु उच्च जोखिम भएका व्यक्तिहरूमा आक्रमण रोक्नको लागि धेरै उपयोगी हुन सक्छ।
+
+Kaggle ले [Heart Failure dataset](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) सार्वजनिक रूपमा उपलब्ध गराएको छ, जुन हामी यस परियोजनाको लागि प्रयोग गर्नेछौं। तपाईं अहिले डेटासेट डाउनलोड गर्न सक्नुहुन्छ। यो १३ स्तम्भहरू (१२ विशेषताहरू र १ लक्ष्य चर) र २९९ पङ्क्तिहरू भएको ट्याबुलर डेटासेट हो। 
+
+|    | चरको नाम               | प्रकार            | विवरण                                               | उदाहरण           |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| १  | उमेर                     | संख्यात्मक       | बिरामीको उमेर                                        | २५                |
+| २  | एनिमिया                  | बूलियन         | रातो रक्त कोशिका वा हेमोग्लोबिनको कमी                | ० वा १            |
+| ३  | क्रिएटिनिन फस्फोकाइनेज  | संख्यात्मक       | रगतमा CPK इन्जाइमको स्तर                          | ५४२               |
+| ४  | मधुमेह                  | बूलियन         | बिरामीलाई मधुमेह छ कि छैन                               | ० वा १            |
+| ५  | इजेक्शन फ्र्याक्शन         | संख्यात्मक       | प्रत्येक संकुचनमा मुटुबाट बाहिर जाने रगतको प्रतिशत | ४५                |
+| ६  | उच्च रक्तचाप       | बूलियन         | बिरामीलाई उच्च रक्तचाप छ कि छैन                           | ० वा १            |
+| ७  | प्लेटलेट्स                 | संख्यात्मक       | रगतमा प्लेटलेट्स                                    | १४९०००            |
+| ८  | सिरम क्रिएटिनिन          | संख्यात्मक       | रगतमा सिरम क्रिएटिनिनको स्तर                    | ०.५               |
+| ९  | सिरम सोडियम              | संख्यात्मक       | रगतमा सिरम सोडियमको स्तर                        | जुन               |
+| १० | लिङ्ग                       | बूलियन         | महिला वा पुरुष                                              | ० वा १            |
+| ११ | धूम्रपान                   | बूलियन         | बिरामी धूम्रपान गर्छ कि गर्दैन                                     | ० वा १            |
+| १२ | समय                      | संख्यात्मक       | अनुगमन अवधि (दिनहरू)                                   | ४                 |
+|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
+| २१ | DEATH_EVENT [लक्ष्य]      | बूलियन         | अनुगमन अवधिमा बिरामीको मृत्यु हुन्छ कि हुँदैन           | ० वा १            |
+
+डेटासेट प्राप्त गरेपछि, हामी Azure मा परियोजना सुरु गर्न सक्छौं।
+
+## २. Azure ML Studio मा कम कोड/नो कोड मोडेल प्रशिक्षण
+### २.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्
+Azure ML मा मोडेल प्रशिक्षण गर्न, तपाईंले पहिलो पटक Azure ML कार्यक्षेत्र सिर्जना गर्न आवश्यक छ। कार्यक्षेत्र Azure Machine Learning को शीर्ष-स्तर स्रोत हो, जसले तपाईंले Azure Machine Learning प्रयोग गर्दा सिर्जना गर्ने सबै कलाकृतिहरूको साथ काम गर्न केन्द्रित स्थान प्रदान गर्दछ। कार्यक्षेत्रले सबै प्रशिक्षण रनहरूको इतिहास राख्छ, जसमा लगहरू, मेट्रिक्स, आउटपुट, र तपाईंको स्क्रिप्टहरूको स्न्यापशट समावेश छ। तपाईंले कुन प्रशिक्षण रनले सबैभन्दा राम्रो मोडेल उत्पादन गर्छ भनेर निर्धारण गर्न यो जानकारी प्रयोग गर्नुहुन्छ। [थप जान्नुहोस्](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+तपाईंको अपरेटिङ सिस्टमसँग उपयुक्त सबैभन्दा अद्यावधिक ब्राउजर प्रयोग गर्न सिफारिस गरिन्छ। निम्न ब्राउजरहरू समर्थित छन्:
+
+- Microsoft Edge (नयाँ Microsoft Edge, पछिल्लो संस्करण। Microsoft Edge legacy होइन)
+- Safari (पछिल्लो संस्करण, केवल Mac)
+- Chrome (पछिल्लो संस्करण)
+- Firefox (पछिल्लो संस्करण)
+
+Azure Machine Learning प्रयोग गर्न, आफ्नो Azure सदस्यतामा कार्यक्षेत्र सिर्जना गर्नुहोस्। त्यसपछि तपाईंले यो कार्यक्षेत्रलाई डेटा, कम्प्युट स्रोतहरू, कोड, मोडेलहरू, र मेसिन लर्निङ वर्कलोडसँग सम्बन्धित अन्य कलाकृतिहरू व्यवस्थापन गर्न प्रयोग गर्न सक्नुहुन्छ।
+
+> **_नोट:_** तपाईंको Azure सदस्यता कार्यक्षेत्रको लागि डेटा भण्डारणको लागि सानो शुल्क लगाइनेछ, त्यसैले जब तपाईं Azure Machine Learning कार्यक्षेत्र प्रयोग गरिरहनुभएको छैन भने यसलाई मेटाउन सिफारिस गरिन्छ।
+
+१. [Azure पोर्टल](https://ms.portal.azure.com/) मा Microsoft क्रेडेन्सियलहरू प्रयोग गरेर साइन इन गर्नुहोस्।  
+२. **＋Create a resource** चयन गर्नुहोस्।  
+   
+   ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.ne.png)
+
+   Machine Learning खोज्नुहोस् र Machine Learning टाइल चयन गर्नुहोस्।  
+
+   ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.ne.png)
+
+   Create बटनमा क्लिक गर्नुहोस्।  
+
+   ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.ne.png)
+
+   सेटिङहरू निम्नानुसार भर्नुहोस्:
+   - सदस्यता: तपाईंको Azure सदस्यता
+   - स्रोत समूह: स्रोत समूह सिर्जना गर्नुहोस् वा चयन गर्नुहोस्
+   - कार्यक्षेत्र नाम: तपाईंको कार्यक्षेत्रको लागि अद्वितीय नाम प्रविष्ट गर्नुहोस्
+   - क्षेत्र: तपाईंको नजिकको भौगोलिक क्षेत्र चयन गर्नुहोस्
+   - भण्डारण खाता: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ भण्डारण खाताको नोट गर्नुहोस्
+   - Key vault: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ key vault को नोट गर्नुहोस्
+   - Application insights: तपाईंको कार्यक्षेत्रको लागि सिर्जना गरिने नयाँ application insights स्रोतको नोट गर्नुहोस्
+   - Container registry: कुनै पनि छैन (पहिलो पटक तपाईंले मोडेललाई कन्टेनरमा परिनियोजन गर्दा स्वतः सिर्जना हुनेछ)
+
+    ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.ne.png)
+
+   - Create + review मा क्लिक गर्नुहोस् र त्यसपछि Create बटनमा क्लिक गर्नुहोस्।  
+३. तपाईंको कार्यक्षेत्र सिर्जना गर्न प्रतीक्षा गर्नुहोस् (यसमा केही मिनेट लाग्न सक्छ)। त्यसपछि पोर्टलमा जानुहोस्। तपाईं यसलाई Machine Learning Azure सेवाबाट फेला पार्न सक्नुहुन्छ।  
+४. तपाईंको कार्यक्षेत्रको Overview पृष्ठमा, Azure Machine Learning studio सुरु गर्नुहोस् (वा नयाँ ब्राउजर ट्याब खोल्नुहोस् र https://ml.azure.com मा जानुहोस्), र Microsoft खाता प्रयोग गरेर Azure Machine Learning studio मा साइन इन गर्नुहोस्। यदि संकेत गरिएको छ भने, तपाईंको Azure directory र सदस्यता चयन गर्नुहोस्, र तपाईंको Azure Machine Learning कार्यक्षेत्र चयन गर्नुहोस्।  
+   
+![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.ne.png)
+
+५. Azure Machine Learning studio मा, ☰ आइकनलाई माथि बायाँतिर टगल गर्नुहोस् र इन्टरफेसका विभिन्न पृष्ठहरू हेर्नुहोस्। तपाईंले यी पृष्ठहरू प्रयोग गरेर आफ्नो कार्यक्षेत्रका स्रोतहरू व्यवस्थापन गर्न सक्नुहुन्छ।  
+
+![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.ne.png)
+
+तपाईं आफ्नो कार्यक्षेत्रलाई Azure पोर्टल प्रयोग गरेर व्यवस्थापन गर्न सक्नुहुन्छ, तर डेटा वैज्ञानिकहरू र Machine Learning operations इन्जिनियरहरूका लागि, Azure Machine Learning Studio ले कार्यक्षेत्र स्रोतहरू व्यवस्थापन गर्न अधिक केन्द्रित प्रयोगकर्ता इन्टरफेस प्रदान गर्दछ।
+
+### २.२ कम्प्युट स्रोतहरू
+
+कम्प्युट स्रोतहरू क्लाउड-आधारित स्रोतहरू हुन् जसमा तपाईं मोडेल प्रशिक्षण र डेटा अन्वेषण प्रक्रियाहरू चलाउन सक्नुहुन्छ। तपाईंले चार प्रकारका कम्प्युट स्रोतहरू सिर्जना गर्न सक्नुहुन्छ:
+
+- **Compute Instances**: विकास कार्यस्थलहरू जसलाई डेटा वैज्ञानिकहरूले डेटा र मोडेलहरूसँग काम गर्न प्रयोग गर्न सक्छन्। यसमा Virtual Machine (VM) सिर्जना गर्ने र नोटबुक instance सुरु गर्ने समावेश छ। त्यसपछि तपाईंले कम्प्युट क्लस्टरलाई नोटबुकबाट कल गरेर मोडेल प्रशिक्षण गर्न सक्नुहुन्छ।  
+- **Compute Clusters**: VM को स्केलेबल क्लस्टरहरू जसले प्रयोगको माग अनुसार प्रयोगात्मक कोड प्रक्रिया गर्न सक्छ। तपाईंलाई मोडेल प्रशिक्षण गर्दा यसको आवश्यकता पर्छ। Compute clusters ले GPU वा CPU स्रोतहरू पनि प्रयोग गर्न सक्छ।  
+- **Inference Clusters**: तपाईंको प्रशिक्षित मोडेलहरू प्रयोग गर्ने भविष्यवाणी सेवाहरूको लागि परिनियोजन लक्ष्य।  
+- **जोडिएको कम्प्युट**: Azure कम्प्युट स्रोतहरू जस्तै Virtual Machines वा Azure Databricks क्लस्टरहरूमा लिंक गर्दछ।
+
+#### 2.2.1 कम्प्युट स्रोतहरूको लागि सही विकल्पहरू चयन गर्ने
+
+कम्प्युट स्रोत सिर्जना गर्दा केही महत्त्वपूर्ण पक्षहरू विचार गर्नुपर्छ, र ती विकल्पहरू महत्त्वपूर्ण निर्णयहरू हुन सक्छन्।
+
+**तपाईंलाई CPU चाहिन्छ कि GPU?**
+
+CPU (Central Processing Unit) कम्प्युटर प्रोग्रामको निर्देशनहरू कार्यान्वयन गर्ने इलेक्ट्रोनिक सर्किट हो। GPU (Graphics Processing Unit) एक विशेष इलेक्ट्रोनिक सर्किट हो जसले ग्राफिक्ससँग सम्बन्धित कोड उच्च दरमा कार्यान्वयन गर्न सक्छ।
+
+CPU र GPU आर्किटेक्चरको मुख्य भिन्नता भनेको CPU विभिन्न प्रकारका कार्यहरू छिटो (CPU घडीको गति अनुसार मापन गरिन्छ) गर्न डिजाइन गरिएको छ, तर एकै समयमा चल्न सक्ने कार्यहरूको सन्दर्भमा सीमित छ। GPU समानान्तर कम्प्युटिङका लागि डिजाइन गरिएको छ र त्यसैले गहिरो सिकाइ कार्यहरूमा धेरै राम्रो छ।
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| कम महँगो                                | बढी महँगो                  |
+| कम स्तरको समानान्तरता                 | उच्च स्तरको समानान्तरता   |
+| गहिरो सिकाइ मोडेलहरू प्रशिक्षणमा ढिलो  | गहिरो सिकाइका लागि उपयुक्त |
+
+**क्लस्टर आकार**
+
+ठूला क्लस्टरहरू महँगो हुन्छन् तर राम्रो प्रतिक्रियाशीलता प्रदान गर्छन्। त्यसैले, यदि तपाईंसँग समय छ तर पर्याप्त पैसा छैन भने, सानो क्लस्टरबाट सुरु गर्नुहोस्। उल्टो, यदि तपाईंसँग पैसा छ तर धेरै समय छैन भने, ठूलो क्लस्टरबाट सुरु गर्नुहोस्।
+
+**VM आकार**
+
+तपाईंको समय र बजेटको सीमाहरूमा निर्भर गर्दै, तपाईं आफ्नो RAM, डिस्क, कोरहरूको संख्या र घडीको गति परिवर्तन गर्न सक्नुहुन्छ। यी सबै प्यारामिटरहरू बढाउँदा लागत बढ्छ, तर प्रदर्शन राम्रो हुन्छ।
+
+**समर्पित वा कम प्राथमिकता भएका उदाहरणहरू?**
+
+कम प्राथमिकता भएको उदाहरण भनेको यो बाधित हुनसक्छ भन्ने हो: Microsoft Azure ले ती स्रोतहरू लिन सक्छ र अर्को कार्यमा असाइन गर्न सक्छ, जसले कामलाई बाधा पुर्‍याउँछ। समर्पित उदाहरण, वा गैर-बाधित, भनेको तपाईंको अनुमति बिना काम कहिल्यै समाप्त हुनेछैन भन्ने हो। 
+यो समय र पैसाको अर्को विचार हो, किनभने बाधित उदाहरणहरू समर्पित उदाहरणहरू भन्दा कम महँगो हुन्छन्।
+
+#### 2.2.2 कम्प्युट क्लस्टर सिर्जना गर्ने
+
+हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा जानुहोस्, कम्प्युटमा जानुहोस् र तपाईंले विभिन्न कम्प्युट स्रोतहरू देख्न सक्नुहुन्छ (जस्तै कम्प्युट उदाहरणहरू, कम्प्युट क्लस्टरहरू, इन्फरेन्स क्लस्टरहरू र जोडिएको कम्प्युट)। यस परियोजनाको लागि, हामीलाई मोडेल प्रशिक्षणको लागि कम्प्युट क्लस्टर आवश्यक छ। Studio मा, "Compute" मेनुमा क्लिक गर्नुहोस्, त्यसपछि "Compute cluster" ट्याबमा क्लिक गर्नुहोस् र "+ New" बटनमा क्लिक गरेर कम्प्युट क्लस्टर सिर्जना गर्नुहोस्।
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.ne.png)
+
+1. आफ्नो विकल्पहरू चयन गर्नुहोस्: समर्पित बनाम कम प्राथमिकता, CPU वा GPU, VM आकार र कोर संख्या (यस परियोजनाको लागि डिफल्ट सेटिङहरू राख्न सक्नुहुन्छ)।
+2. Next बटनमा क्लिक गर्नुहोस्।
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.ne.png)
+
+3. क्लस्टरलाई कम्प्युट नाम दिनुहोस्।
+4. आफ्नो विकल्पहरू चयन गर्नुहोस्: न्यूनतम/अधिकतम नोडहरूको संख्या, स्केल डाउन अघि निष्क्रिय सेकेन्डहरू, SSH पहुँच। ध्यान दिनुहोस् कि यदि न्यूनतम नोडहरूको संख्या 0 छ भने, क्लस्टर निष्क्रिय हुँदा तपाईं पैसा बचत गर्नुहुनेछ। ध्यान दिनुहोस् कि अधिकतम नोडहरूको संख्या जति उच्च छ, प्रशिक्षण समय छोटो हुनेछ। अधिकतम नोडहरूको सिफारिस गरिएको संख्या 3 हो।  
+5. "Create" बटनमा क्लिक गर्नुहोस्। यो चरण पूरा हुन केही मिनेट लाग्न सक्छ।
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.ne.png)
+
+शानदार! अब हामीसँग कम्प्युट क्लस्टर छ, हामीले Azure ML Studio मा डेटा लोड गर्न आवश्यक छ।
+
+### 2.3 डेटासेट लोड गर्ने
+
+1. हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा, बायाँ मेनुमा "Datasets" मा क्लिक गर्नुहोस् र "+ Create dataset" बटनमा क्लिक गरेर डेटासेट सिर्जना गर्नुहोस्। "From local files" विकल्प चयन गर्नुहोस् र हामीले पहिले डाउनलोड गरेको Kaggle डेटासेट चयन गर्नुहोस्।
+   
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.ne.png)
+
+2. आफ्नो डेटासेटलाई नाम, प्रकार र विवरण दिनुहोस्। Next मा क्लिक गर्नुहोस्। फाइलहरूबाट डेटा अपलोड गर्नुहोस्। Next मा क्लिक गर्नुहोस्।
+   
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.ne.png)
+
+3. Schema मा, निम्न सुविधाहरूको लागि डेटा प्रकार Boolean मा परिवर्तन गर्नुहोस्: anaemia, diabetes, high blood pressure, sex, smoking, र DEATH_EVENT। Next मा क्लिक गर्नुहोस् र Create मा क्लिक गर्नुहोस्।
+   
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.ne.png)
+
+शानदार! अब डेटासेट तयार छ र कम्प्युट क्लस्टर सिर्जना गरिएको छ, हामी मोडेलको प्रशिक्षण सुरु गर्न सक्छौं!
+
+### 2.4 कम कोड/नो कोड प्रशिक्षण AutoML प्रयोग गरेर
+
+परम्परागत मेसिन लर्निङ मोडेल विकास स्रोत-गहन हुन्छ, महत्त्वपूर्ण डोमेन ज्ञान र दर्जनौं मोडेलहरू उत्पादन र तुलना गर्न समय आवश्यक हुन्छ। 
+स्वचालित मेसिन लर्निङ (AutoML) भनेको मेसिन लर्निङ मोडेल विकासको समय-खपत गर्ने, पुनरावृत्त कार्यहरू स्वचालित गर्ने प्रक्रिया हो। यसले डेटा वैज्ञानिकहरू, विश्लेषकहरू, र विकासकर्ताहरूलाई उच्च स्केल, दक्षता, र उत्पादकता सहित ML मोडेलहरू निर्माण गर्न अनुमति दिन्छ, सबै मोडेलको गुणस्तर कायम राख्दै। यसले उत्पादन-तयार ML मोडेलहरू प्राप्त गर्न लाग्ने समयलाई कम गर्दछ, ठूलो सजिलो र दक्षताका साथ। [थप जान्नुहोस्](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. हामीले पहिले सिर्जना गरेको [Azure ML workspace](https://ml.azure.com/) मा, बायाँ मेनुमा "Automated ML" मा क्लिक गर्नुहोस् र तपाईंले अपलोड गरेको डेटासेट चयन गर्नुहोस्। Next मा क्लिक गर्नुहोस्।
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.ne.png)
+
+2. नयाँ प्रयोगको नाम, लक्ष्य स्तम्भ (DEATH_EVENT) र हामीले सिर्जना गरेको कम्प्युट क्लस्टर प्रविष्ट गर्नुहोस्। Next मा क्लिक गर्नुहोस्।
+   
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.ne.png)
+
+3. "Classification" चयन गर्नुहोस् र Finish मा क्लिक गर्नुहोस्। यो चरण कम्प्युट क्लस्टरको आकारमा निर्भर गर्दै 30 मिनेटदेखि 1 घण्टासम्म लाग्न सक्छ।
+    
+    ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.ne.png)
+
+4. रन पूरा भएपछि, "Automated ML" ट्याबमा क्लिक गर्नुहोस्, आफ्नो रनमा क्लिक गर्नुहोस्, र "Best model summary" कार्डमा Algorithm मा क्लिक गर्नुहोस्।
+    
+    ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.ne.png)
+
+यहाँ तपाईं AutoML द्वारा उत्पन्न गरिएको उत्कृष्ट मोडेलको विस्तृत विवरण देख्न सक्नुहुन्छ। तपाईं अन्य मोडेलहरू Models ट्याबमा अन्वेषण गर्न सक्नुहुन्छ। Explanations (preview बटन) मा मोडेलहरू अन्वेषण गर्न केही समय लिनुहोस्। एकपटक तपाईंले प्रयोग गर्न चाहेको मोडेल चयन गरेपछि (यहाँ हामी AutoML द्वारा चयन गरिएको उत्कृष्ट मोडेल चयन गर्नेछौं), हामी यसलाई कसरी तैनाथ गर्न सकिन्छ हेर्नेछौं।
+
+## 3. कम कोड/नो कोड मोडेल तैनाथी र अन्त बिन्दु उपभोग
+### 3.1 मोडेल तैनाथी
+
+स्वचालित मेसिन लर्निङ इन्टरफेसले उत्कृष्ट मोडेललाई वेब सेवाको रूपमा केही चरणहरूमा तैनाथ गर्न अनुमति दिन्छ। तैनाथी भनेको मोडेलको एकीकरण हो ताकि यसले नयाँ डेटा आधारमा भविष्यवाणी गर्न र अवसरका सम्भावित क्षेत्रहरू पहिचान गर्न सक्दछ। यस परियोजनाको लागि, वेब सेवामा तैनाथीको मतलब चिकित्सा अनुप्रयोगहरूले मोडेल उपभोग गर्न सक्नेछन् ताकि उनीहरूको बिरामीको हृदयघातको जोखिमको प्रत्यक्ष भविष्यवाणी गर्न सकियोस्।
+
+उत्कृष्ट मोडेल विवरणमा, "Deploy" बटनमा क्लिक गर्नुहोस्।
+    
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.ne.png)
+
+15. यसलाई नाम, विवरण, कम्प्युट प्रकार (Azure Container Instance) दिनुहोस्, प्रमाणीकरण सक्षम गर्नुहोस् र Deploy मा क्लिक गर्नुहोस्। यो चरण पूरा हुन लगभग 20 मिनेट लाग्न सक्छ। तैनाथी प्रक्रियामा मोडेल दर्ता गर्ने, स्रोतहरू उत्पन्न गर्ने, र वेब सेवाको लागि तिनीहरूलाई कन्फिगर गर्ने चरणहरू समावेश छन्। Deploy status अन्तर्गत स्थिति सन्देश देखा पर्दछ। तैनाथी स्थिति जाँच गर्न Refresh चयन गर्नुहोस्। स्थिति "Healthy" हुँदा यो तैनाथ गरिएको र चलिरहेको हुन्छ।
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.ne.png)
+
+16. एकपटक तैनाथ भएपछि, Endpoint ट्याबमा क्लिक गर्नुहोस् र तपाईंले तैनाथ गरेको अन्त बिन्दुमा क्लिक गर्नुहोस्। यहाँ तपाईं अन्त बिन्दुका बारेमा जान्न आवश्यक सबै विवरणहरू पाउन सक्नुहुन्छ। 
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.ne.png)
+
+शानदार! अब हामीसँग मोडेल तैनाथ गरिएको छ, हामी अन्त बिन्दुको उपभोग सुरु गर्न सक्छौं।
+
+### 3.2 अन्त बिन्दु उपभोग
+
+"Consume" ट्याबमा क्लिक गर्नुहोस्। यहाँ तपाईं उपभोग विकल्पमा REST अन्त बिन्दु र पायथन स्क्रिप्ट पाउन सक्नुहुन्छ। पायथन कोडलाई पढ्न केही समय लिनुहोस्।
+
+यो स्क्रिप्ट तपाईंको स्थानीय मेसिनबाट सिधै चलाउन सकिन्छ र तपाईंको अन्त बिन्दु उपभोग गर्नेछ।
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.ne.png)
+
+यी दुई लाइन कोड जाँच गर्न केही समय लिनुहोस्:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```
+`url` भेरिएबल उपभोग ट्याबमा फेला परेको REST अन्त बिन्दु हो र `api_key` भेरिएबल प्रमाणीकरण सक्षम गरेको अवस्थामा उपभोग ट्याबमा फेला परेको प्राथमिक कुञ्जी हो। यसरी स्क्रिप्टले अन्त बिन्दु उपभोग गर्न सक्छ।
+
+18. स्क्रिप्ट चलाउँदा, तपाईंले निम्न आउटपुट देख्नुहुनेछ:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+यसको मतलब दिएको डेटा अनुसार हृदय विफलताको भविष्यवाणी सत्य हो। यो अर्थपूर्ण छ किनभने यदि तपाईं स्क्रिप्टमा स्वतः उत्पन्न गरिएको डेटा नजिकबाट हेर्नुहुन्छ भने, सबै कुरा डिफल्ट रूपमा 0 र गलत छ। तपाईं निम्न इनपुट नमूनाको साथ डेटा परिवर्तन गर्न सक्नुहुन्छ:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```
+स्क्रिप्टले निम्न परिणाम फर्काउनु पर्छ:
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+बधाई छ! तपाईंले तैनाथ गरिएको मोडेल उपभोग गर्नुभयो र यसलाई Azure ML मा प्रशिक्षण दिनुभयो!
+
+> **_NOTE:_** परियोजना समाप्त भएपछि, सबै स्रोतहरू मेटाउन नबिर्सनुहोस्।
+## 🚀 चुनौती
+
+AutoML द्वारा उत्पन्न शीर्ष मोडेलहरूको मोडेल व्याख्या र विवरणलाई नजिकबाट हेर्नुहोस्। उत्कृष्ट मोडेल अन्य मोडेलहरू भन्दा किन राम्रो छ भन्ने बुझ्ने प्रयास गर्नुहोस्। कुन एल्गोरिदमहरू तुलना गरिएका थिए? तिनीहरू बीच के भिन्नता छन्? यस अवस्थामा उत्कृष्ट मोडेल किन राम्रो प्रदर्शन गर्दैछ?
+
+## [पोस्ट-व्याख्यान क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## समीक्षा र आत्म अध्ययन
+
+यस पाठमा, तपाईंले कम कोड/नो कोड शैलीमा क्लाउडमा हृदय विफलताको जोखिमको भविष्यवाणी गर्न मोडेल प्रशिक्षण, तैनाथी र उपभोग गर्न सिक्नुभयो। यदि तपाईंले अझै गर्नुभएको छैन भने, AutoML द्वारा उत्पन्न शीर्ष मोडेलहरूको मोडेल व्याख्यामा गहिरो डुब्नुहोस् र उत्कृष्ट मोडेल अन्य मोडेलहरू भन्दा किन राम्रो छ भन्ने बुझ्ने प्रयास गर्नुहोस्।
+
+तपाईं Low code/No code AutoML मा थप जान्न सक्नुहुन्छ यो [डकुमेन्टेशन](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) पढेर।
+
+## असाइनमेन्ट
+
+[Azure ML मा Low code/No code डेटा विज्ञान परियोजना](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..671c2336
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-27T17:44:30+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "ne"
+}
+-->
+# Azure ML मा Low code/No code डेटा साइन्स प्रोजेक्ट
+
+## निर्देशनहरू
+
+हामीले Azure ML प्लेटफर्म प्रयोग गरेर Low code/No code तरिकामा मोडेललाई प्रशिक्षण, परिनियोजन र उपभोग गर्ने तरिका देख्यौं। अब, तपाईंले अर्को मोडेललाई प्रशिक्षण, परिनियोजन र उपभोग गर्न प्रयोग गर्न सकिने केही डेटा खोज्नुहोस्। तपाईं [Kaggle](https://kaggle.com) र [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) मा डेटासेटहरू खोज्न सक्नुहुन्छ।
+
+## मूल्यांकन मापदण्ड
+
+| उत्कृष्ट | पर्याप्त | सुधार आवश्यक |
+|-----------|----------|-------------------|
+|डेटा अपलोड गर्दा, तपाईंले आवश्यक परेमा फिचरको प्रकार परिवर्तन गर्न ध्यान दिनुभयो। तपाईंले आवश्यक परेमा डेटा सफा गर्नुभयो। तपाईंले AutoML मार्फत डेटासेटमा प्रशिक्षण चलाउनुभयो, र मोडेलको व्याख्या जाँच गर्नुभयो। तपाईंले उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र यसलाई उपभोग गर्न सक्षम हुनुभयो। | डेटा अपलोड गर्दा, तपाईंले आवश्यक परेमा फिचरको प्रकार परिवर्तन गर्न ध्यान दिनुभयो। तपाईंले AutoML मार्फत डेटासेटमा प्रशिक्षण चलाउनुभयो, उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र यसलाई उपभोग गर्न सक्षम हुनुभयो। | तपाईंले AutoML द्वारा प्रशिक्षण गरिएको उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र यसलाई उपभोग गर्न सक्षम हुनुभयो। |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/ne/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..1bdf0592
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,312 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-27T17:49:32+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "ne"
+}
+-->
+# क्लाउडमा डेटा विज्ञान: "Azure ML SDK" बाट
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| क्लाउडमा डेटा विज्ञान: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+सामग्रीको सूची:
+
+- [क्लाउडमा डेटा विज्ञान: "Azure ML SDK" बाट](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [पाठ अघि क्विज](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [१. परिचय](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [१.१ Azure ML SDK के हो?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [१.२ हार्ट फेल्योर प्रिडिक्शन प्रोजेक्ट र डेटासेटको परिचय](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [२. Azure ML SDK प्रयोग गरेर मोडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [२.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [२.२ कम्प्युट इन्स्टेन्स सिर्जना गर्नुहोस्](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [२.३ डेटासेट लोड गर्दै](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [२.४ नोटबुकहरू सिर्जना गर्दै](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [२.५ मोडेल प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [२.५.१ कार्यक्षेत्र, प्रयोग, कम्प्युट क्लस्टर र डेटासेट सेटअप गर्नुहोस्](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [२.५.२ AutoML कन्फिगरेसन र प्रशिक्षण](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [३. Azure ML SDK प्रयोग गरेर मोडेल परिनियोजन र अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [३.१ उत्कृष्ट मोडेल बचत गर्दै](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [३.२ मोडेल परिनियोजन](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [३.३ अन्त बिन्दु उपभोग](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 चुनौती](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [पाठ पछि क्विज](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [समीक्षा र आत्म अध्ययन](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [असाइनमेन्ट](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [पाठ अघि क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## १. परिचय
+
+### १.१ Azure ML SDK के हो?
+
+डेटा वैज्ञानिकहरू र AI विकासकर्ताहरू Azure Machine Learning SDK प्रयोग गरेर Azure Machine Learning सेवासँग मेसिन लर्निङ वर्कफ्लो निर्माण र सञ्चालन गर्छन्। तपाईंले यो सेवा कुनै पनि Python वातावरणमा, जस्तै Jupyter Notebooks, Visual Studio Code, वा तपाईंको मनपर्ने Python IDE मा प्रयोग गर्न सक्नुहुन्छ।
+
+SDK का मुख्य क्षेत्रहरू:
+
+- मेसिन लर्निङ प्रयोगहरूमा प्रयोग गरिएका डेटासेटहरूको जीवनचक्र अन्वेषण, तयारी र व्यवस्थापन गर्नुहोस्।
+- मेसिन लर्निङ प्रयोगहरूको निगरानी, लगिङ, र संगठनका लागि क्लाउड स्रोतहरू व्यवस्थापन गर्नुहोस्।
+- मोडेलहरू स्थानीय रूपमा वा GPU-प्रदत्त मोडेल प्रशिक्षण सहित क्लाउड स्रोतहरू प्रयोग गरेर प्रशिक्षण गर्नुहोस्।
+- स्वचालित मेसिन लर्निङ प्रयोग गर्नुहोस्, जसले कन्फिगरेसन प्यारामिटरहरू र प्रशिक्षण डेटा स्वीकार गर्दछ। यसले एल्गोरिदम र हाइपरप्यारामिटर सेटिङहरूमा पुनरावृत्ति गरेर भविष्यवाणी चलाउनको लागि उत्कृष्ट मोडेल पत्ता लगाउँछ।
+- वेब सेवाहरू परिनियोजन गर्नुहोस् ताकि तपाईंको प्रशिक्षित मोडेलहरूलाई RESTful सेवाहरूमा रूपान्तरण गर्न सकिन्छ जुन कुनै पनि एप्लिकेसनमा उपभोग गर्न सकिन्छ।
+
+[Azure Machine Learning SDK को बारेमा थप जान्नुहोस्](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+[अघिल्लो पाठमा](../18-Low-Code/README.md), हामीले कसरी Low code/No code तरिकामा मोडेल प्रशिक्षण, परिनियोजन र उपभोग गर्ने देख्यौं। हामीले हार्ट फेल्योर डेटासेट प्रयोग गरेर हार्ट फेल्योर प्रिडिक्शन मोडेल निर्माण गर्यौं। यस पाठमा, हामी ठीक त्यही कुरा गर्नेछौं तर Azure Machine Learning SDK प्रयोग गरेर।
+
+![project-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ne.png)
+
+### १.२ हार्ट फेल्योर प्रिडिक्शन प्रोजेक्ट र डेटासेटको परिचय
+
+[यहाँ हेर्नुहोस्](../18-Low-Code/README.md) हार्ट फेल्योर प्रिडिक्शन प्रोजेक्ट र डेटासेटको परिचय।
+
+## २. Azure ML SDK प्रयोग गरेर मोडेल प्रशिक्षण
+### २.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्
+
+सरलताका लागि, हामी जुपिटर नोटबुकमा काम गर्नेछौं। यसको मतलब तपाईंले पहिले नै कार्यक्षेत्र र कम्प्युट इन्स्टेन्स बनाइसक्नुभएको छ। यदि तपाईंले पहिले नै कार्यक्षेत्र बनाइसक्नुभएको छ भने, तपाईं सिधै खण्ड २.३ नोटबुक सिर्जनामा जान सक्नुहुन्छ।
+
+यदि छैन भने, कृपया [अघिल्लो पाठ](../18-Low-Code/README.md) को **२.१ Azure ML कार्यक्षेत्र सिर्जना गर्नुहोस्** खण्डमा निर्देशनहरू पालना गर्नुहोस्।
+
+### २.२ कम्प्युट इन्स्टेन्स सिर्जना गर्नुहोस्
+
+हामीले पहिले बनाएको [Azure ML कार्यक्षेत्र](https://ml.azure.com/) मा जानुहोस्, कम्प्युट मेनुमा जानुहोस् र तपाईंले उपलब्ध विभिन्न कम्प्युट स्रोतहरू देख्नुहुनेछ।
+
+![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.ne.png)
+
+जुपिटर नोटबुकको लागि कम्प्युट इन्स्टेन्स सिर्जना गरौं। 
+1. + New बटनमा क्लिक गर्नुहोस्। 
+2. तपाईंको कम्प्युट इन्स्टेन्सलाई नाम दिनुहोस्।
+3. तपाईंको विकल्पहरू चयन गर्नुहोस्: CPU वा GPU, VM साइज र कोर संख्या।
+4. Create बटनमा क्लिक गर्नुहोस्।
+
+बधाई छ, तपाईंले कम्प्युट इन्स्टेन्स सिर्जना गर्नुभयो! हामी यो कम्प्युट इन्स्टेन्सलाई [नोटबुक सिर्जनाको खण्ड](../../../../5-Data-Science-In-Cloud/19-Azure) मा प्रयोग गर्नेछौं।
+
+### २.३ डेटासेट लोड गर्दै
+यदि तपाईंले डेटासेट अपलोड गर्नुभएको छैन भने, [अघिल्लो पाठ](../18-Low-Code/README.md) को **२.३ डेटासेट लोड गर्दै** खण्डलाई हेर्नुहोस्।
+
+### २.४ नोटबुकहरू सिर्जना गर्दै
+
+> **_NOTE:_** अर्को चरणको लागि तपाईं नयाँ नोटबुक स्क्र्याचबाट सिर्जना गर्न सक्नुहुन्छ, वा तपाईंले [हामीले बनाएको नोटबुक](notebook.ipynb) Azure ML Studio मा अपलोड गर्न सक्नुहुन्छ। अपलोड गर्न, "Notebook" मेनुमा क्लिक गर्नुहोस् र नोटबुक अपलोड गर्नुहोस्।
+
+नोटबुकहरू डेटा विज्ञान प्रक्रियाको एकदम महत्त्वपूर्ण भाग हुन्। तिनीहरूलाई अन्वेषणात्मक डेटा विश्लेषण (EDA) गर्न, कम्प्युट क्लस्टरमा मोडेल प्रशिक्षण गर्न, वा अन्त बिन्दु परिनियोजन गर्न प्रयोग गर्न सकिन्छ।
+
+नोटबुक सिर्जना गर्न, हामीलाई जुपिटर नोटबुक इन्स्टेन्स प्रदान गर्ने कम्प्युट नोड चाहिन्छ। [Azure ML कार्यक्षेत्र](https://ml.azure.com/) मा फर्कनुहोस् र कम्प्युट इन्स्टेन्समा क्लिक गर्नुहोस्। कम्प्युट इन्स्टेन्सहरूको सूचीमा तपाईंले [पहिले बनाएको कम्प्युट इन्स्टेन्स](../../../../5-Data-Science-In-Cloud/19-Azure) देख्नुहुनेछ। 
+
+1. Applications खण्डमा, Jupyter विकल्पमा क्लिक गर्नुहोस्। 
+2. "Yes, I understand" बक्समा टिक गर्नुहोस् र Continue बटनमा क्लिक गर्नुहोस्।
+![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.ne.png)
+3. यसले तपाईंको जुपिटर नोटबुक इन्स्टेन्सको साथ नयाँ ब्राउजर ट्याब खोल्नेछ। "New" बटनमा क्लिक गरेर नोटबुक सिर्जना गर्नुहोस्।
+
+![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.ne.png)
+
+अब हामीसँग नोटबुक छ, हामी Azure ML SDK प्रयोग गरेर मोडेल प्रशिक्षण सुरु गर्न सक्छौं।
+
+### २.५ मोडेल प्रशिक्षण
+
+सबभन्दा पहिले, यदि तपाईंलाई कहिल्यै शंका लाग्छ भने, [Azure ML SDK डकुमेन्टेशन](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) हेर्नुहोस्। यसमा हामीले यस पाठमा हेर्ने मोड्युलहरू बुझ्न आवश्यक सबै जानकारी समावेश छ।
+
+#### २.५.१ कार्यक्षेत्र, प्रयोग, कम्प्युट क्लस्टर र डेटासेट सेटअप गर्नुहोस्
+
+तपाईंले निम्न कोड प्रयोग गरेर कन्फिगरेसन फाइलबाट `workspace` लोड गर्न आवश्यक छ:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+यसले `Workspace` प्रकारको वस्तु फर्काउँछ जसले कार्यक्षेत्रलाई प्रतिनिधित्व गर्दछ। त्यसपछि तपाईंले निम्न कोड प्रयोग गरेर `experiment` सिर्जना गर्न आवश्यक छ:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+कार्यक्षेत्रबाट प्रयोग प्राप्त गर्न वा सिर्जना गर्न, तपाईंले प्रयोगको नाम अनुरोध गर्नुपर्छ। प्रयोगको नाम ३-३६ अक्षरको हुनुपर्छ, अक्षर वा नम्बरबाट सुरु हुनुपर्छ, र केवल अक्षर, नम्बर, अन्डरस्कोर, र ड्यासहरू समावेश गर्न सकिन्छ। यदि कार्यक्षेत्रमा प्रयोग फेला परेन भने, नयाँ प्रयोग सिर्जना गरिन्छ।
+
+अब तपाईंले निम्न कोड प्रयोग गरेर प्रशिक्षणको लागि कम्प्युट क्लस्टर सिर्जना गर्न आवश्यक छ। ध्यान दिनुहोस् कि यो चरणले केही मिनेट लिन सक्छ। 
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+तपाईंले कार्यक्षेत्रबाट डेटासेट नाम प्रयोग गरेर डेटासेट प्राप्त गर्न सक्नुहुन्छ:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+#### २.५.२ AutoML कन्फिगरेसन र प्रशिक्षण
+
+AutoML कन्फिगरेसन सेट गर्न, [AutoMLConfig class](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रयोग गर्नुहोस्।
+
+डकुमेन्टेशनमा वर्णन गरिए अनुसार, तपाईंले खेल्न सक्ने धेरै प्यारामिटरहरू छन्। यस प्रोजेक्टको लागि, हामी निम्न प्यारामिटरहरू प्रयोग गर्नेछौं:
+
+- `experiment_timeout_minutes`: प्रयोगलाई स्वतः रोक्न र नतिजाहरू उपलब्ध गराउन अनुमति दिइएको अधिकतम समय (मिनेटमा)।
+- `max_concurrent_iterations`: प्रयोगको लागि अनुमति दिइएको अधिकतम समवर्ती प्रशिक्षण पुनरावृत्तिहरू।
+- `primary_metric`: प्रयोगको स्थिति निर्धारण गर्न प्रयोग गरिएको प्राथमिक मेट्रिक।
+- `compute_target`: स्वचालित मेसिन लर्निङ प्रयोग चलाउन प्रयोग गरिएको Azure Machine Learning कम्प्युट लक्ष्य।
+- `task`: चलाउनको लागि कार्यको प्रकार। मानहरू 'classification', 'regression', वा 'forecasting' हुन सक्छ।
+- `training_data`: प्रयोग भित्र प्रयोग गरिने प्रशिक्षण डेटा। यसमा प्रशिक्षण सुविधाहरू र लेबल स्तम्भ (वैकल्पिक रूपमा नमूना वजन स्तम्भ) समावेश हुनुपर्छ।
+- `label_column_name`: लेबल स्तम्भको नाम।
+- `path`: Azure Machine Learning प्रोजेक्ट फोल्डरको पूर्ण पथ।
+- `enable_early_stopping`: स्कोर छोटो अवधिमा सुधार नभएमा प्रारम्भिक समाप्ति सक्षम गर्ने वा नगर्ने।
+- `featurization`: स्वतः सुविधाकरण चरण गरिनु पर्ने वा नगर्ने, वा अनुकूलित सुविधाकरण प्रयोग गरिनु पर्ने।
+- `debug_log`: डिबग जानकारी लेख्नको लागि लग फाइल।
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+अब तपाईंको कन्फिगरेसन सेट भयो, तपाईंले निम्न कोड प्रयोग गरेर मोडेल प्रशिक्षण गर्न सक्नुहुन्छ। यो चरणले तपाईंको क्लस्टर साइजमा निर्भर गर्दै एक घण्टासम्म लिन सक्छ।
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+तपाईंले RunDetails विजेट चलाउन सक्नुहुन्छ जसले विभिन्न प्रयोगहरू देखाउँछ।
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+## ३. Azure ML SDK प्रयोग गरेर मोडेल परिनियोजन र अन्त बिन्दु उपभोग
+
+### ३.१ उत्कृष्ट मोडेल बचत गर्दै
+
+`remote_run` [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) प्रकारको वस्तु हो। यस वस्तुमा `get_output()` विधि समावेश छ जसले उत्कृष्ट रन र त्यससँग सम्बन्धित फिट गरिएको मोडेल फर्काउँछ।
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+तपाईंले उत्कृष्ट मोडेलको लागि प्रयोग गरिएका प्यारामिटरहरू प्रिन्ट गरेर हेर्न सक्नुहुन्छ र [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) विधि प्रयोग गरेर उत्कृष्ट मोडेलको गुणहरू देख्न सक्नुहुन्छ।
+
+```python
+best_run.get_properties()
+```
+
+अब [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) विधि प्रयोग गरेर मोडेल दर्ता गर्नुहोस्।
+```python
+model_name = best_run.properties['model_name']
+script_file_name = 'inference/score.py'
+best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
+description = "aml heart failure project sdk"
+model = best_run.register_model(model_name = model_name,
+                                model_path = './outputs/',
+                                description = description,
+                                tags = None)
+```
+### ३.२ मोडेल परिनियोजन
+
+एकपटक उत्कृष्ट मोडेल बचत भएपछि, हामी यसलाई [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) वर्ग प्रयोग गरेर परिनियोजन गर्न सक्छौं। InferenceConfig परिनियोजनको लागि प्रयोग गरिएको अनुकूल वातावरणको कन्फिगरेसन सेटिङहरू प्रतिनिधित्व गर्दछ। [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) वर्गले Azure Container Instances मा वेब सेवा अन्त बिन्दुको रूपमा परिनियोजित मेसिन लर्निङ मोडेललाई प्रतिनिधित्व गर्दछ। परिनियोजित सेवा मोडेल, स्क्रिप्ट, र सम्बन्धित फाइलहरूबाट सिर्जना गरिन्छ। परिणामी वेब सेवा लोड-ब्यालेन्स गरिएको, HTTP अन्त बिन्दु हो जसमा REST API छ। तपाईंले यस API मा डेटा पठाउन सक्नुहुन्छ र मोडेलले फर्काएको भविष्यवाणी प्राप्त गर्न सक्नुहुन्छ।
+
+मोडेल [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) विधि प्रयोग गरेर परिनियोजित गरिएको छ।
+
+```python
+from azureml.core.model import InferenceConfig, Model
+from azureml.core.webservice import AciWebservice
+
+inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
+
+aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
+                                               memory_gb = 1,
+                                               tags = {'type': "automl-heart-failure-prediction"},
+                                               description = 'Sample service for AutoML Heart Failure Prediction')
+
+aci_service_name = 'automl-hf-sdk'
+aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
+aci_service.wait_for_deployment(True)
+print(aci_service.state)
+```
+यो चरणले केही मिनेट लिन सक्छ।
+
+### ३.३ अन्त बिन्दु उपभोग
+
+तपाईंको अन्त बिन्दु उपभोग गर्न, नमूना इनपुट सिर्जना गर्नुहोस्:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+
+test_sample = str.encode(json.dumps(data))
+```
+र त्यसपछि तपाईंले यो इनपुटलाई भविष्यवाणीको लागि आफ्नो मोडेलमा पठाउन सक्नुहुन्छ:
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```
+यसले `'{"result": [false]}'` उत्पादन गर्नुपर्छ। यसको अर्थ हामीले अन्तिम बिन्दुमा पठाएको बिरामीको इनपुटले `false` भविष्यवाणी उत्पन्न गर्‍यो, जसको अर्थ यो व्यक्तिलाई हृदयघात हुने सम्भावना छैन।
+
+बधाई छ! तपाईंले Azure ML मा प्रशिक्षित र तैनात गरिएको मोडेललाई Azure ML SDK प्रयोग गरेर उपभोग गर्नुभयो!
+
+> **_NOTE:_** परियोजना समाप्त भएपछि, सबै स्रोतहरू मेटाउन नबिर्सनुहोस्।
+
+## 🚀 चुनौती
+
+SDK मार्फत तपाईंले धेरै अन्य कामहरू गर्न सक्नुहुन्छ, तर दुर्भाग्यवश, हामी यस पाठमा तिनीहरू सबै हेर्न सक्दैनौं। तर राम्रो खबर, SDK दस्तावेजहरूलाई छिटो हेर्ने तरिका सिक्नाले तपाईंलाई धेरै टाढा लैजान सक्छ। Azure ML SDK दस्तावेज हेर्नुहोस् र `Pipeline` वर्ग खोज्नुहोस् जसले तपाईंलाई पाइपलाइनहरू सिर्जना गर्न अनुमति दिन्छ। पाइपलाइन भनेको चरणहरूको संग्रह हो जसलाई कार्यप्रवाहको रूपमा कार्यान्वयन गर्न सकिन्छ।
+
+**सुझाव:** [SDK दस्तावेज](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) मा जानुहोस् र खोज पट्टीमा "Pipeline" जस्ता कुञ्जी शब्दहरू टाइप गर्नुहोस्। तपाईंले खोज परिणामहरूमा `azureml.pipeline.core.Pipeline` वर्ग पाउनुपर्छ।
+
+## [पाठपछिको क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)
+
+## समीक्षा र आत्म-अध्ययन
+
+यस पाठमा, तपाईंले Azure ML SDK प्रयोग गरेर क्लाउडमा हृदयघातको जोखिमको भविष्यवाणी गर्न मोडेललाई प्रशिक्षण, तैनात र उपभोग गर्ने तरिका सिक्नुभयो। Azure ML SDK सम्बन्धी थप जानकारीको लागि यो [दस्तावेज](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) हेर्नुहोस्। Azure ML SDK प्रयोग गरेर आफ्नो मोडेल सिर्जना गर्न प्रयास गर्नुहोस्।
+
+## असाइनमेन्ट
+
+[Azure ML SDK प्रयोग गरेर डेटा विज्ञान परियोजना](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/ne/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..e7d8ea0d
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-27T17:53:53+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "ne"
+}
+-->
+# Azure ML SDK प्रयोग गरेर डाटा साइन्स प्रोजेक्ट
+
+## निर्देशनहरू
+
+हामीले Azure ML प्लेटफर्म प्रयोग गरेर Azure ML SDK मार्फत मोडेललाई प्रशिक्षण, परिनियोजन र उपभोग गर्ने तरिका देख्यौं। अब, तपाईंले अर्को मोडेल प्रशिक्षण गर्न, परिनियोजन गर्न र उपभोग गर्न प्रयोग गर्न सकिने केही डाटा खोज्नुहोस्। तपाईं [Kaggle](https://kaggle.com) र [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) मा डाटासेटहरू खोज्न सक्नुहुन्छ।
+
+## मूल्याङ्कन मापदण्ड
+
+| उत्कृष्ट | पर्याप्त | सुधार आवश्यक |
+|-----------|----------|-------------------|
+|AutoML कन्फिगरेसन गर्दा, तपाईंले SDK डकुमेन्टेसन हेरेर कुन-कुन प्यारामिटरहरू प्रयोग गर्न सकिन्छ भनेर जाँच गर्नुभयो। तपाईंले Azure ML SDK प्रयोग गरेर AutoML मार्फत डाटासेटमा प्रशिक्षण गर्नुभयो, र मोडेल व्याख्याहरू जाँच गर्नुभयो। तपाईंले उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र Azure ML SDK मार्फत यसलाई उपभोग गर्न सक्षम हुनुभयो। | तपाईंले Azure ML SDK प्रयोग गरेर AutoML मार्फत डाटासेटमा प्रशिक्षण गर्नुभयो, र मोडेल व्याख्याहरू जाँच गर्नुभयो। तपाईंले उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र Azure ML SDK मार्फत यसलाई उपभोग गर्न सक्षम हुनुभयो। | तपाईंले Azure ML SDK प्रयोग गरेर AutoML मार्फत डाटासेटमा प्रशिक्षण गर्नुभयो। तपाईंले उत्कृष्ट मोडेल परिनियोजन गर्नुभयो र Azure ML SDK मार्फत यसलाई उपभोग गर्न सक्षम हुनुभयो। |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/5-Data-Science-In-Cloud/README.md b/translations/ne/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..b42c231a
--- /dev/null
+++ b/translations/ne/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-27T17:37:02+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "ne"
+}
+-->
+# क्लाउडमा डेटा विज्ञान
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.ne.jpg)
+
+> फोटो [Jelleke Vanooteghem](https://unsplash.com/@ilumire) द्वारा [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) बाट
+
+ठूलो डेटा प्रयोग गरेर डेटा विज्ञान गर्न आउँदा, क्लाउडले खेल बदल्न सक्छ। आगामी तीन पाठहरूमा, हामी क्लाउड के हो र यो किन उपयोगी हुन सक्छ भन्ने कुरा हेर्नेछौं। हामी हृदय विफलता सम्बन्धी डेटा सेटको अन्वेषण गर्नेछौं र कसैलाई हृदय विफलता हुने सम्भावना मूल्यांकन गर्न मद्दत गर्ने मोडेल निर्माण गर्नेछौं। हामी क्लाउडको शक्ति प्रयोग गरेर मोडेललाई दुई फरक तरिकामा प्रशिक्षण, तैनात र उपभोग गर्नेछौं। एउटा तरिका केवल प्रयोगकर्ता इन्टरफेस प्रयोग गरेर "Low code/No code" शैलीमा हुनेछ भने अर्को तरिका Azure Machine Learning Software Developer Kit (Azure ML SDK) प्रयोग गरेर हुनेछ।
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.ne.png)
+
+### विषयवस्तुहरू
+
+1. [डेटा विज्ञानका लागि क्लाउड किन प्रयोग गर्ने?](17-Introduction/README.md)
+2. [क्लाउडमा डेटा विज्ञान: "Low code/No code" तरिका](18-Low-Code/README.md)
+3. [क्लाउडमा डेटा विज्ञान: "Azure ML SDK" तरिका](19-Azure/README.md)
+
+### श्रेय
+यी पाठहरू ☁️ र 💕 सहित [Maud Levy](https://twitter.com/maudstweets) र [Tiffany Souterre](https://twitter.com/TiffanySouterre) द्वारा लेखिएका हुन्।
+
+हृदय विफलता भविष्यवाणी परियोजनाको डेटा [
+Larxel](https://www.kaggle.com/andrewmvd) बाट [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) मा लिइएको हो। यो [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) अन्तर्गत लाइसेन्स गरिएको छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..842ddafa
--- /dev/null
+++ b/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,112 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-27T17:32:05+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "ne"
+}
+-->
+# वास्तविक संसारमा डाटा विज्ञान
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               वास्तविक संसारमा डाटा विज्ञान - _Sketchnote by [@nitya](https://twitter.com/nitya)_               |
+
+हामी यो सिकाइ यात्राको अन्त्यतिर आइपुगेका छौं!
+
+हामीले डाटा विज्ञान र नैतिकताको परिभाषाबाट सुरु गर्यौं, डाटा विश्लेषण र भिजुअलाइजेसनका विभिन्न उपकरण र प्रविधिहरू अन्वेषण गर्यौं, डाटा विज्ञान जीवनचक्रको समीक्षा गर्यौं, र क्लाउड कम्प्युटिङ सेवाहरूको साथ डाटा विज्ञान कार्यप्रवाहलाई स्केल र स्वचालित गर्ने तरिकाहरू हेर्यौं। त्यसैले, तपाईं सोच्दै हुनुहुन्छ होला: _"यी सबै सिकाइहरूलाई वास्तविक संसारको सन्दर्भमा कसरी नक्सा बनाउने?"_
+
+यस पाठमा, हामी उद्योगभरि डाटा विज्ञानका वास्तविक संसारका अनुप्रयोगहरू अन्वेषण गर्नेछौं र अनुसन्धान, डिजिटल मानविकी, र दिगोपनका सन्दर्भमा विशिष्ट उदाहरणहरूमा डुबुल्की मार्नेछौं। हामी विद्यार्थी परियोजनाका अवसरहरू हेर्नेछौं र तपाईंको सिकाइ यात्रा जारी राख्न मद्दत गर्न उपयोगी स्रोतहरूसँग निष्कर्ष निकाल्नेछौं!
+
+## पूर्व-व्याख्यान प्रश्नोत्तर
+
+[पूर्व-व्याख्यान प्रश्नोत्तर](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## डाटा विज्ञान + उद्योग
+
+एआईको लोकतान्त्रिकरणको कारण, विकासकर्ताहरूले अब एआई-चालित निर्णय-निर्माण र डाटा-आधारित अन्तर्दृष्टिहरूलाई प्रयोगकर्ता अनुभव र विकास कार्यप्रवाहमा डिजाइन र एकीकृत गर्न सजिलो पाएका छन्। यहाँ उद्योगभरि डाटा विज्ञानलाई "लागू" गर्ने केही उदाहरणहरू छन्:
+
+ * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ले खोजी शब्दहरूलाई फ्लु प्रवृत्तिसँग सम्बन्धित गर्न डाटा विज्ञान प्रयोग गर्‍यो। यद्यपि यस दृष्टिकोणमा कमजोरीहरू थिए, यसले डाटा-आधारित स्वास्थ्य सेवा भविष्यवाणीहरूको सम्भावनाहरू (र चुनौतीहरू) को बारेमा सचेत गरायो।
+
+ * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS ले मौसम अवस्था, ट्राफिक ढाँचा, डेलिभरी समयसीमा र अन्यलाई ध्यानमा राख्दै डेलिभरीका लागि उत्तम मार्गहरू भविष्यवाणी गर्न डाटा विज्ञान र मेसिन लर्निङ प्रयोग गर्ने तरिका वर्णन गर्दछ।
+
+ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - [Freedom Of Information Laws](https://chriswhong.com/open-data/foil_nyc_taxi/) प्रयोग गरेर संकलित डाटाले NYC क्याबहरूको दैनिक जीवनलाई दृश्यात्मक बनायो, जसले हामीलाई उनीहरूले व्यस्त शहरमा कसरी नेभिगेट गर्छन्, उनीहरूले कति पैसा कमाउँछन्, र प्रत्येक २४-घण्टे अवधिमा यात्राको अवधि बुझ्न मद्दत गर्‍यो।
+
+ * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - दैनिक लाखौं उबर यात्राबाट संकलित डाटा (पिकअप र ड्रपअफ स्थानहरू, यात्रा अवधि, प्राथमिक मार्गहरू आदि) प्रयोग गरेर मूल्य निर्धारण, सुरक्षा, ठगी पत्ता लगाउने र नेभिगेसन निर्णयहरूको लागि डाटा विश्लेषण उपकरण निर्माण गरिन्छ।
+
+ * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _पूर्वानुमानात्मक विश्लेषण_ (टीम र खेलाडी विश्लेषण - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) जस्तै - र प्रशंसक व्यवस्थापन) र _डाटा भिजुअलाइजेसन_ (टीम र प्रशंसक ड्यासबोर्ड, खेलहरू आदि) मा केन्द्रित छ, जसले प्रतिभा खोज, खेल सट्टेबाजी र इन्वेन्टरी/स्थल व्यवस्थापन जस्ता अनुप्रयोगहरूलाई समर्थन गर्दछ।
+
+ * [Data Science in Banking](https://data-flair.training/blogs/data-science-in-banking/) - वित्त उद्योगमा जोखिम मोडेलिङ र ठगी पत्ता लगाउनेदेखि ग्राहक विभाजन, वास्तविक-समय भविष्यवाणी र सिफारिस प्रणालीसम्मका अनुप्रयोगहरूसँग डाटा विज्ञानको मूल्यलाई हाइलाइट गर्दछ। पूर्वानुमानात्मक विश्लेषणले [क्रेडिट स्कोर](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) जस्ता महत्त्वपूर्ण उपायहरूलाई पनि चलाउँछ।
+
+ * [Data Science in Healthcare](https://data-flair.training/blogs/data-science-in-healthcare/) - चिकित्सा इमेजिङ (जस्तै, MRI, X-Ray, CT-Scan), जीनोमिक्स (DNA अनुक्रमण), औषधि विकास (जोखिम मूल्याङ्कन, सफलता भविष्यवाणी), पूर्वानुमानात्मक विश्लेषण (रोगी हेरचाह र आपूर्ति रसद), रोग ट्र्याकिङ र रोकथाम आदि जस्ता अनुप्रयोगहरूलाई हाइलाइट गर्दछ।
+
+![वास्तविक संसारमा डाटा विज्ञान अनुप्रयोगहरू](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.ne.png) छवि स्रोत: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/)
+
+चित्रले डाटा विज्ञान प्रविधिहरू लागू गर्नका लागि अन्य डोमेन र उदाहरणहरू देखाउँछ। अन्य अनुप्रयोगहरू अन्वेषण गर्न चाहनुहुन्छ? तलको [समीक्षा र आत्म-अध्ययन](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) खण्ड हेर्नुहोस्।
+
+## डाटा विज्ञान + अनुसन्धान
+
+| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              डाटा विज्ञान र अनुसन्धान - _Sketchnote by [@nitya](https://twitter.com/nitya)_              |
+
+वास्तविक संसारका अनुप्रयोगहरू प्रायः उद्योगका ठूला प्रयोगका केसहरूमा केन्द्रित भए पनि, _अनुसन्धान_ अनुप्रयोगहरू र परियोजनाहरू दुई दृष्टिकोणबाट उपयोगी हुन सक्छन्:
+
+* _नवीनता अवसरहरू_ - उन्नत अवधारणाहरूको द्रुत प्रोटोटाइप र अर्को पुस्ताका अनुप्रयोगहरूको लागि प्रयोगकर्ता अनुभव परीक्षण अन्वेषण गर्नुहोस्।
+* _परिनियोजन चुनौतीहरू_ - वास्तविक संसारका सन्दर्भहरूमा डाटा विज्ञान प्रविधिहरूको सम्भावित हानि वा अनपेक्षित परिणामहरूको अनुसन्धान गर्नुहोस्।
+
+विद्यार्थीहरूका लागि, यी अनुसन्धान परियोजनाहरूले तपाईंको विषयको बुझाइ सुधार गर्न र चासोका क्षेत्रहरूमा काम गरिरहेका सम्बन्धित व्यक्ति वा टोलीहरूसँगको जागरूकता र संलग्नता विस्तार गर्न सिकाइ र सहकार्यका अवसरहरू प्रदान गर्न सक्छ। त्यसो भए अनुसन्धान परियोजनाहरू कस्ता देखिन्छन् र तिनीहरूले कसरी प्रभाव पार्न सक्छन्?
+
+हामी एउटा उदाहरण हेरौं - [MIT Gender Shades Study](http://gendershades.org/overview.html) - Joy Buolamwini (MIT Media Labs) द्वारा गरिएको, जसले 
+
+ * **के:** अनुसन्धान परियोजनाको उद्देश्य _स्वचालित अनुहार विश्लेषण एल्गोरिदम र डेटासेटहरूमा लिङ्ग र छालाको प्रकारको आधारमा पूर्वाग्रहको मूल्याङ्कन गर्नु_ थियो।
+ * **किन:** अनुहार विश्लेषण कानून प्रवर्तन, विमानस्थल सुरक्षा, भर्ती प्रणाली र अन्य क्षेत्रमा प्रयोग गरिन्छ - जहाँ गलत वर्गीकरण (जस्तै, पूर्वाग्रहका कारण) ले प्रभावित व्यक्तिहरू वा समूहहरूलाई सम्भावित आर्थिक र सामाजिक हानि पुर्‍याउन सक्छ। निष्पक्षताको लागि पूर्वाग्रहहरू बुझ्नु (र हटाउनु वा कम गर्नु) महत्त्वपूर्ण छ।
+ * **कसरी:** अनुसन्धानकर्ताहरूले पहिचान गरे कि विद्यमान बेंचमार्कहरूले प्रायः हल्का छालाका विषयहरू प्रयोग गर्थे, र नयाँ डेटासेट (१०००+ छविहरू) क्युरेट गरे, जुन लिङ्ग र छालाको प्रकारद्वारा _अधिक सन्तुलित_ थियो। डेटासेटलाई तीन लिङ्ग वर्गीकरण उत्पादनहरूको (Microsoft, IBM & Face++ बाट) सटीकता मूल्याङ्कन गर्न प्रयोग गरियो।
+
+परिणामहरूले देखाए कि यद्यपि समग्र वर्गीकरण सटीकता राम्रो थियो, विभिन्न उपसमूहहरू बीच त्रुटि दरमा उल्लेखनीय भिन्नता थियो - महिलाहरू वा गाढा छालाका व्यक्तिहरूको लागि **गलत लिङ्ग निर्धारण** उच्च थियो, जसले पूर्वाग्रहलाई संकेत गर्दछ।
+
+**मुख्य परिणामहरू:** डाटा विज्ञानलाई _प्रतिनिधित्व गर्ने डेटासेटहरू_ (सन्तुलित उपसमूहहरू) र _समावेशी टोलीहरू_ (विविध पृष्ठभूमि) को आवश्यकता छ भन्ने सचेतना बढायो, जसले एआई समाधानहरूमा यस्ता पूर्वाग्रहहरू चाँडै हटाउन वा कम गर्न मद्दत गर्दछ। यस प्रकारका अनुसन्धान प्रयासहरूले धेरै संस्थाहरूलाई _जिम्मेवार एआई_ को लागि सिद्धान्त र अभ्यासहरू परिभाषित गर्न पनि प्रेरित गर्दछ।
+**प्लानेटरी कम्प्युटर प्रोजेक्ट हाल प्रिभ्यूमा छ (सेप्टेम्बर २०२१ अनुसार)** - डाटा साइन्स प्रयोग गरेर दिगो समाधानमा योगदान दिन सुरु गर्न यहाँबाट थाल्नुहोस्।
+
+* [एक्सेसको लागि अनुरोध गर्नुहोस्](https://planetarycomputer.microsoft.com/account/request) अन्वेषण सुरु गर्न र साथीहरूसँग जडान गर्न।
+* [डकुमेन्टेसन अन्वेषण गर्नुहोस्](https://planetarycomputer.microsoft.com/docs/overview/about) समर्थित डेटासेट र API हरू बुझ्न।
+* [इकोसिस्टम मोनिटरिङ](https://analytics-lab.org/ecosystemmonitoring/) जस्ता एप्लिकेसनहरू अन्वेषण गर्नुहोस् एप्लिकेसन आइडियाहरूको प्रेरणाको लागि।
+
+डाटा भिजुअलाइजेसन प्रयोग गरेर जलवायु परिवर्तन र वन विनाश जस्ता क्षेत्रहरूमा सान्दर्भिक जानकारी उजागर गर्न वा प्रवर्धन गर्न सक्ने तरिकाहरूको बारेमा सोच्नुहोस्। वा सोच्नुहोस् कि कसरी यी जानकारीहरूलाई नयाँ प्रयोगकर्ता अनुभव सिर्जना गर्न प्रयोग गर्न सकिन्छ जसले दिगो जीवनशैलीको लागि व्यवहार परिवर्तनलाई प्रेरित गर्छ।
+
+## डाटा साइन्स + विद्यार्थीहरू
+
+हामीले उद्योग र अनुसन्धानमा वास्तविक संसारका एप्लिकेसनहरूको बारेमा कुरा गरेका छौं, र डिजिटल ह्युम्यानिटीज र दिगो विकासमा डाटा साइन्स एप्लिकेसनका उदाहरणहरू अन्वेषण गरेका छौं। अब, डाटा साइन्सको शुरुवातकर्ता रूपमा तपाईंले आफ्नो सीप कसरी निर्माण गर्न सक्नुहुन्छ र आफ्नो विशेषज्ञता साझा गर्न सक्नुहुन्छ?
+
+यहाँ विद्यार्थीहरूको लागि प्रेरणादायक डाटा साइन्स प्रोजेक्टका केही उदाहरणहरू छन्।
+
+ * [MSR डाटा साइन्स समर स्कूल](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) GitHub [प्रोजेक्टहरू](https://github.com/msr-ds3) सहित, जस्तै:
+    - [प्रहरीको बल प्रयोगमा जातीय पूर्वाग्रह](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+    - [NYC सबवे प्रणालीको विश्वसनीयता](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+ * [सामग्री संस्कृति डिजिटलाइजिङ: सिर्कापमा सामाजिक-आर्थिक वितरण अन्वेषण गर्दै](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) र Claremont टिमबाट, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) प्रयोग गर्दै।
+
+## 🚀 चुनौती
+
+डाटा साइन्स प्रोजेक्टहरूका लागि लेखहरू खोज्नुहोस् जुन शुरुवातकर्ताहरूका लागि उपयुक्त छन् - जस्तै [यी ५० विषय क्षेत्रहरू](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) वा [यी २१ प्रोजेक्ट आइडियाहरू](https://www.intellspot.com/data-science-project-ideas) वा [यी १६ प्रोजेक्टहरू स्रोत कोडसहित](https://data-flair.training/blogs/data-science-project-ideas/) जसलाई तपाईंले डिकन्स्ट्रक्ट र रिमिक्स गर्न सक्नुहुन्छ। र आफ्नो सिकाइ यात्रा ब्लग गर्न नबिर्सनुहोस् र आफ्नो जानकारी हामी सबैसँग साझा गर्नुहोस्।
+
+## पोस्ट-लेक्चर क्विज
+
+[पोस्ट-लेक्चर क्विज](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## समीक्षा र आत्म-अध्ययन
+
+थप प्रयोग केसहरू अन्वेषण गर्न चाहनुहुन्छ? यहाँ केही सान्दर्भिक लेखहरू छन्:
+ * [१७ डाटा साइन्स एप्लिकेसनहरू र उदाहरणहरू](https://builtin.com/data-science/data-science-applications-examples) - जुलाई २०२१
+ * [वास्तविक संसारमा ११ अद्भुत डाटा साइन्स एप्लिकेसनहरू](https://myblindbird.com/data-science-applications-real-world/) - मे २०२१
+ * [वास्तविक संसारमा डाटा साइन्स](https://towardsdatascience.com/data-science-in-the-real-world/home) - लेख संग्रह
+ * डाटा साइन्समा: [शिक्षा](https://data-flair.training/blogs/data-science-in-education/), [कृषि](https://data-flair.training/blogs/data-science-in-agriculture/), [वित्त](https://data-flair.training/blogs/data-science-in-finance/), [चलचित्रहरू](https://data-flair.training/blogs/data-science-at-movies/) र थप।
+
+## असाइनमेन्ट
+
+[प्लानेटरी कम्प्युटर डेटासेट अन्वेषण गर्नुहोस्](assignment.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..e297120b
--- /dev/null
+++ b/translations/ne/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-27T17:36:04+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "ne"
+}
+-->
+# ग्रह कम्प्युटर डेटासेट अन्वेषण गर्नुहोस्
+
+## निर्देशनहरू
+
+यस पाठमा, हामीले विभिन्न डेटा विज्ञान अनुप्रयोग क्षेत्रहरूबारे चर्चा गर्यौं - अनुसन्धान, दिगोपन, र डिजिटल मानविकीसँग सम्बन्धित उदाहरणहरूमा गहिरो अध्ययन गर्दै। यस असाइनमेन्टमा, तपाईंले यी उदाहरणहरू मध्ये एकलाई थप विस्तृत रूपमा अन्वेषण गर्नुहुनेछ, र डेटा भिजुअलाइजेसन र विश्लेषणको बारेमा सिकाइलाई प्रयोग गरेर दिगोपन डेटा सम्बन्धी जानकारी प्राप्त गर्नुहुनेछ।
+
+[Planetary Computer](https://planetarycomputer.microsoft.com/) परियोजनामा डेटासेटहरू र API हरू छन् जसलाई खाता बनाएर पहुँच गर्न सकिन्छ - यदि तपाईं असाइनमेन्टको बोनस चरण प्रयास गर्न चाहनुहुन्छ भने खाता अनुरोध गर्नुहोस्। साइटले [Explorer](https://planetarycomputer.microsoft.com/explore) सुविधा पनि प्रदान गर्दछ जुन खाता नबनाईकन प्रयोग गर्न सकिन्छ। 
+
+`चरणहरू:`
+Explorer इन्टरफेस (तलको स्क्रिनसटमा देखाइएको) ले तपाईंलाई डेटासेट चयन गर्न (प्रदान गरिएका विकल्पहरूबाट), प्रीसेट क्वेरी (डेटा फिल्टर गर्न) र रेंडरिङ विकल्प (सम्बन्धित भिजुअलाइजेसन बनाउन) चयन गर्न अनुमति दिन्छ। यस असाइनमेन्टमा, तपाईंको कार्य:
+
+ 1. [Explorer दस्तावेज](https://planetarycomputer.microsoft.com/docs/overview/explorer/) पढ्नुहोस् - विकल्पहरू बुझ्नुहोस्।
+ 2. डेटासेट [Catalog](https://planetarycomputer.microsoft.com/catalog) अन्वेषण गर्नुहोस् - प्रत्येकको उद्देश्य सिक्नुहोस्।
+ 3. Explorer प्रयोग गर्नुहोस् - रुचिको डेटासेट चयन गर्नुहोस्, सम्बन्धित क्वेरी र रेंडरिङ विकल्प चयन गर्नुहोस्।
+
+![ग्रह कम्प्युटर एक्सप्लोरर](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.ne.png)
+
+`तपाईंको कार्य:`
+अब ब्राउजरमा रेंडर गरिएको भिजुअलाइजेसन अध्ययन गर्नुहोस् र निम्न प्रश्नहरूको उत्तर दिनुहोस्:
+ * डेटासेटमा के _विशेषताहरू_ छन्?
+ * भिजुअलाइजेसनले के _जानकारी_ वा नतिजा प्रदान गर्दछ?
+ * ती जानकारीको _प्रभाव_ परियोजनाको दिगोपन लक्ष्यहरूमा के हो?
+ * भिजुअलाइजेसनको _सीमाहरू_ के हुन् (अर्थात्, कुन जानकारी प्राप्त गर्न सकिएन)?
+ * यदि तपाईंले कच्चा डेटा प्राप्त गर्न सक्नुहुन्थ्यो भने, तपाईं कुन _वैकल्पिक भिजुअलाइजेसन_ बनाउनुहुन्थ्यो, र किन?
+
+`बोनस अंकहरू:`
+खाताको लागि आवेदन गर्नुहोस् - र स्वीकृत भएपछि लगइन गर्नुहोस्।
+ * _Launch Hub_ विकल्प प्रयोग गरेर कच्चा डेटा नोटबुकमा खोल्नुहोस्।
+ * डेटा अन्तरक्रियात्मक रूपमा अन्वेषण गर्नुहोस्, र तपाईंले सोच्नुभएको वैकल्पिक भिजुअलाइजेसन कार्यान्वयन गर्नुहोस्।
+ * अब तपाईंको कस्टम भिजुअलाइजेसन विश्लेषण गर्नुहोस् - के तपाईंले पहिले छुटेको जानकारी प्राप्त गर्न सक्नुभयो?
+
+## मूल्यांकन मापदण्ड
+
+उत्कृष्ट | पर्याप्त | सुधार आवश्यक
+--- | --- | -- |
+पाँचवटा मुख्य प्रश्नहरूको उत्तर दिइएको छ। विद्यार्थीले स्पष्ट रूपमा देखाएको छ कि वर्तमान र वैकल्पिक भिजुअलाइजेसनले दिगोपन उद्देश्यहरू वा परिणामहरूमा कसरी जानकारी प्रदान गर्न सक्छ।| विद्यार्थीले कम्तीमा शीर्ष ३ प्रश्नहरूको विस्तृत उत्तर दिएको छ, जसले देखाउँछ कि उनीहरूले Explorer प्रयोग गरेर व्यावहारिक अनुभव प्राप्त गरेका छन्।| विद्यार्थीले धेरै प्रश्नहरूको उत्तर दिन असफल भयो, वा अपर्याप्त विवरण प्रदान गर्यो - जसले देखाउँछ कि परियोजनाको लागि कुनै अर्थपूर्ण प्रयास गरिएको छैन। |
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/6-Data-Science-In-Wild/README.md b/translations/ne/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..b95e3439
--- /dev/null
+++ b/translations/ne/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-27T17:29:58+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "ne"
+}
+-->
+# जङ्गलमा डेटा विज्ञान
+
+विभिन्न उद्योगहरूमा डेटा विज्ञानको वास्तविक-जीवन प्रयोगहरू।
+
+### विषयहरू
+
+1. [वास्तविक संसारमा डेटा विज्ञान](20-Real-World-Examples/README.md)
+
+### श्रेय
+
+❤️ सहित लेखिएको [नित्या नरसिम्हन](https://twitter.com/nitya) द्वारा
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/CODE_OF_CONDUCT.md b/translations/ne/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..23047494
--- /dev/null
+++ b/translations/ne/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-27T16:39:12+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "ne"
+}
+-->
+# माइक्रोसफ्ट ओपन सोर्स आचार संहिता
+
+यस परियोजनाले [माइक्रोसफ्ट ओपन सोर्स आचार संहिता](https://opensource.microsoft.com/codeofconduct/) अपनाएको छ।
+
+स्रोतहरू:
+
+- [माइक्रोसफ्ट ओपन सोर्स आचार संहिता](https://opensource.microsoft.com/codeofconduct/)
+- [माइक्रोसफ्ट आचार संहिता FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
+- प्रश्न वा चिन्ताहरूका लागि [opencode@microsoft.com](mailto:opencode@microsoft.com) मा सम्पर्क गर्नुहोस्
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/CONTRIBUTING.md b/translations/ne/CONTRIBUTING.md
new file mode 100644
index 00000000..40930c3d
--- /dev/null
+++ b/translations/ne/CONTRIBUTING.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-27T16:40:32+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "ne"
+}
+-->
+# योगदान
+
+यो परियोजनाले योगदान र सुझावहरूलाई स्वागत गर्दछ। अधिकांश योगदानहरूको लागि तपाईंले योगदानकर्ता लाइसेन्स सम्झौता (CLA) मा सहमति जनाउन आवश्यक छ, जसले तपाईंलाई अधिकार छ र वास्तवमै तपाईंको योगदान प्रयोग गर्न हामीलाई अधिकार दिन्छ। थप विवरणको लागि, https://cla.microsoft.com मा जानुहोस्।
+
+जब तपाईंले एउटा पुल अनुरोध पेश गर्नुहुन्छ, CLA-बोटले स्वचालित रूपमा निर्धारण गर्नेछ कि तपाईंलाई CLA प्रदान गर्न आवश्यक छ कि छैन र PR लाई उपयुक्त रूपमा सजाउनेछ (जस्तै, लेबल, टिप्पणी)। बोटले दिएको निर्देशनहरूलाई मात्र पालना गर्नुहोस्। तपाईंले यो सबै रिपोजिटरीहरूमा हाम्रो CLA प्रयोग गर्दा एक पटक मात्र गर्नुपर्नेछ।
+
+यो परियोजनाले [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) अपनाएको छ। थप जानकारीको लागि [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) हेर्नुहोस् वा [opencode@microsoft.com](mailto:opencode@microsoft.com) मा कुनै थप प्रश्न वा टिप्पणीहरूका लागि सम्पर्क गर्नुहोस्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी यथासम्भव शुद्धता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटि वा अशुद्धता हुन सक्ने सम्भावना रहन्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/README.md b/translations/ne/README.md
new file mode 100644
index 00000000..29029506
--- /dev/null
+++ b/translations/ne/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-27T16:34:14+00:00",
+  "source_file": "README.md",
+  "language_code": "ne"
+}
+-->
+# डेटा साइन्सका लागि शुरुवातकर्ता - पाठ्यक्रम
+
+Azure Cloud Advocates मा Microsoftले डेटा साइन्स सम्बन्धी १० हप्ताको, २० पाठको पाठ्यक्रम प्रस्तुत गर्न पाउँदा खुशी छ। प्रत्येक पाठमा प्रि-पाठ र पोस्ट-पाठ क्विजहरू, पाठ पूरा गर्नका लागि लेखिएको निर्देशन, समाधान, र असाइनमेन्ट समावेश छ। हाम्रो परियोजना-आधारित शिक्षण विधिले तपाईंलाई निर्माण गर्दै सिक्न अनुमति दिन्छ, नयाँ सीपहरू 'टिक्न' को लागि प्रमाणित तरिका।
+
+**हाम्रो लेखकहरूलाई हार्दिक धन्यवाद:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer)।
+
+**🙏 विशेष धन्यवाद 🙏 हाम्रो [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) लेखकहरू, समीक्षकहरू र सामग्री योगदानकर्ताहरूलाई,** विशेष गरी Aaryan Arora, [Aditya Garg](https://github.com/AdityaGarg00), [Alondra Sanchez](https://www.linkedin.com/in/alondra-sanchez-molina/), [Ankita Singh](https://www.linkedin.com/in/ankitasingh007), [Anupam Mishra](https://www.linkedin.com/in/anupam--mishra/), [Arpita Das](https://www.linkedin.com/in/arpitadas01/), ChhailBihari Dubey, [Dibri Nsofor](https://www.linkedin.com/in/dibrinsofor), [Dishita Bhasin](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [Majd Safi](https://www.linkedin.com/in/majd-s/), [Max Blum](https://www.linkedin.com/in/max-blum-6036a1186/), [Miguel Correa](https://www.linkedin.com/in/miguelmque/), [Mohamma Iftekher (Iftu) Ebne Jalal](https://twitter.com/iftu119), [Nawrin Tabassum](https://www.linkedin.com/in/nawrin-tabassum), [Raymond Wangsa Putra](https://www.linkedin.com/in/raymond-wp/), [Rohit Yadav](https://www.linkedin.com/in/rty2423), Samridhi Sharma, [Sanya Sinha](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [Sheena Narula](https://www.linkedin.com/in/sheena-narua-n/), [Tauqeer Ahmad](https://www.linkedin.com/in/tauqeerahmad5201/), Yogendrasingh Pawar, [Vidushi Gupta](https://www.linkedin.com/in/vidushi-gupta07/), [Jasleen Sondhi](https://www.linkedin.com/in/jasleen-sondhi/)।
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Title.png)|
+|:---:|
+| डेटा साइन्सका लागि शुरुवातकर्ता - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+## घोषणा - नयाँ पाठ्यक्रम "Generative AI" जारी गरियो!
+
+हामीले हालै "Generative AI" सम्बन्धी १२ पाठको पाठ्यक्रम जारी गरेका छौं। यहाँ सिक्न सकिने विषयहरू:
+
+- प्रम्प्टिङ र प्रम्प्ट इन्जिनियरिङ
+- टेक्स्ट र इमेज एप निर्माण
+- सर्च एप्स
+
+जस्तै सधैं, प्रत्येक पाठमा असाइनमेन्टहरू, ज्ञान जाँच र चुनौतीहरू समावेश छन्।
+
+हेर्नुहोस्:
+
+> https://aka.ms/genai-beginners
+
+# के तपाईं विद्यार्थी हुनुहुन्छ?
+
+तलका स्रोतहरूबाट शुरुवात गर्नुहोस्:
+
+- [Student Hub पृष्ठ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) यस पृष्ठमा, तपाईंले शुरुवातकर्ता स्रोतहरू, विद्यार्थी प्याकहरू र नि:शुल्क प्रमाणपत्र भौचर प्राप्त गर्ने तरिकाहरू पाउन सक्नुहुन्छ। यो पृष्ठलाई बुकमार्क गर्नुहोस् र समय-समयमा जाँच गर्नुहोस् किनकि हामी कम्तीमा मासिक सामग्री परिवर्तन गर्छौं।
+- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) विद्यार्थी राजदूतहरूको विश्वव्यापी समुदायमा सामेल हुनुहोस्, यो Microsoftमा प्रवेश गर्ने तपाईंको तरिका हुन सक्छ।
+
+# शुरुवात गर्दै
+
+> **शिक्षकहरू**: हामीले [केही सुझावहरू समावेश गरेका छौं](for-teachers.md) यो पाठ्यक्रम कसरी प्रयोग गर्ने। हामी तपाईंको प्रतिक्रिया [हाम्रो छलफल फोरममा](https://github.com/microsoft/Data-Science-For-Beginners/discussions) चाहन्छौं!
+
+> **[विद्यार्थीहरू](https://aka.ms/student-page)**: यो पाठ्यक्रमलाई आफैं प्रयोग गर्न, सम्पूर्ण रिपोजिटरीलाई फोर्क गर्नुहोस् र अभ्यासहरू आफैं पूरा गर्नुहोस्, प्रि-लेक्चर क्विजबाट शुरुवात गर्दै। त्यसपछि लेक्चर पढ्नुहोस् र बाँकी गतिविधिहरू पूरा गर्नुहोस्। पाठहरू बुझेर परियोजनाहरू निर्माण गर्ने प्रयास गर्नुहोस् समाधान कोडको प्रतिलिपि नगरी; यद्यपि, त्यो कोड प्रत्येक परियोजना-उन्मुख पाठको /solutions फोल्डरहरूमा उपलब्ध छ। अर्को विचार भनेको साथीहरूसँग अध्ययन समूह बनाउनुहोस् र सामग्री सँगै जानुहोस्। थप अध्ययनको लागि, हामी [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) सिफारिस गर्छौं।
+
+## टिमलाई भेट्नुहोस्
+
+[![Promo video](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "Promo video")
+
+**Gif द्वारा** [Mohit Jaisal](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 माथिको छवि क्लिक गर्नुहोस् परियोजनाको बारेमा भिडियो हेर्न र यसलाई सिर्जना गर्ने व्यक्तिहरूलाई भेट्न!
+
+## शिक्षण विधि
+
+हामीले यो पाठ्यक्रम निर्माण गर्दा दुई शिक्षण विधिहरू रोजेका छौं: सुनिश्चित गर्नु कि यो परियोजना-आधारित हो र यसमा बारम्बार क्विजहरू समावेश छन्। यो श्रृंखलाको अन्त्यसम्ममा, विद्यार्थीहरूले डेटा साइन्सका आधारभूत सिद्धान्तहरू सिकेका हुनेछन्, जसमा नैतिक अवधारणाहरू, डेटा तयारी, डेटा काम गर्ने विभिन्न तरिकाहरू, डेटा भिजुअलाइजेसन, डेटा विश्लेषण, डेटा साइन्सका वास्तविक-विश्व प्रयोगहरू, र अन्य धेरै समावेश छन्।
+
+त्यसैगरी, कक्षाको अगाडि कम-जोखिमको क्विजले विद्यार्थीलाई विषय सिक्नको लागि उद्देश्य सेट गर्छ, जबकि कक्षापछि दोस्रो क्विजले थप स्मरण सुनिश्चित गर्छ। यो पाठ्यक्रम लचिलो र रमाइलो बनाउन डिजाइन गरिएको हो र पूर्ण वा आंशिक रूपमा लिन सकिन्छ। परियोजनाहरू साना बाट सुरु हुन्छन् र १० हप्ताको चक्रको अन्त्यसम्ममा क्रमशः जटिल बन्छन्।
+
+> हाम्रो [Code of Conduct](CODE_OF_CONDUCT.md), [Contributing](CONTRIBUTING.md), [Translation](TRANSLATIONS.md) दिशानिर्देशहरू पत्ता लगाउनुहोस्। हामी तपाईंको रचनात्मक प्रतिक्रिया स्वागत गर्छौं!
+
+## प्रत्येक पाठमा समावेश छ:
+
+- वैकल्पिक स्केच नोट
+- वैकल्पिक पूरक भिडियो
+- प्रि-पाठ वार्मअप क्विज
+- लेखिएको पाठ
+- परियोजना-आधारित पाठहरूको लागि, परियोजना निर्माण गर्ने चरण-दर-चरण मार्गदर्शन
+- ज्ञान जाँच
+- चुनौती
+- पूरक पढाइ
+- असाइनमेन्ट
+- पोस्ट-पाठ क्विज
+
+> **क्विजहरूको बारेमा नोट**: सबै क्विजहरू Quiz-App फोल्डरमा समावेश छन्, प्रत्येकमा तीन प्रश्नका ४० कुल क्विजहरू। तिनीहरू पाठहरू भित्र लिंक गरिएका छन्, तर क्विज एपलाई स्थानीय रूपमा चलाउन वा Azureमा तैनात गर्न सकिन्छ; `quiz-app` फोल्डरमा निर्देशनहरू पालना गर्नुहोस्। तिनीहरू क्रमशः स्थानीयकरण हुँदैछन्।
+
+## पाठहरू
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](./sketchnotes/00-Roadmap.png)|
+|:---:|
+| डेटा साइन्सका लागि शुरुवातकर्ता: रोडम्याप - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+| पाठ संख्या | विषय | पाठ समूह | सिक्ने उद्देश्यहरू | लिंक गरिएको पाठ | लेखक |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | डेटा साइन्स परिभाषित गर्दै | [परिचय](1-Introduction/README.md) | डेटा साइन्सको आधारभूत अवधारणाहरू सिक्नुहोस् र यो कृत्रिम बुद्धिमत्ता, मेसिन लर्निङ, र बिग डेटा संग कसरी सम्बन्धित छ। | [पाठ](1-Introduction/01-defining-data-science/README.md) [भिडियो](https://youtu.be/beZ7Mb_oz9I) | [Dmitry](http://soshnikov.com) |
+| 02 | डेटा साइन्स नैतिकता | [परिचय](1-Introduction/README.md) | डेटा नैतिकता अवधारणाहरू, चुनौतीहरू र फ्रेमवर्कहरू। | [पाठ](1-Introduction/02-ethics/README.md) | [Nitya](https://twitter.com/nitya) |
+| 03 | डेटा परिभाषित गर्दै | [परिचय](1-Introduction/README.md) | डेटा कसरी वर्गीकृत गरिन्छ र यसको सामान्य स्रोतहरू। | [पाठ](1-Introduction/03-defining-data/README.md) | [Jasmine](https://www.twitter.com/paladique) |
+| 04 | तथ्यांक र सम्भावनाको परिचय | [परिचय](1-Introduction/README.md) | डेटा बुझ्नका लागि तथ्यांक र सम्भावनाका गणितीय प्रविधिहरू। | [पाठ](1-Introduction/04-stats-and-probability/README.md) [भिडियो](https://youtu.be/Z5Zy85g4Yjw) | [Dmitry](http://soshnikov.com) |
+| 05 | सम्बन्धित डेटा संग काम गर्दै | [डेटा संग काम गर्दै](2-Working-With-Data/README.md) | सम्बन्धित डेटा र SQL (Structured Query Language) को प्रयोग गरेर सम्बन्धित डेटा अन्वेषण र विश्लेषणको आधारभूत कुरा। | [पाठ](2-Working-With-Data/05-relational-databases/README.md) | [Christopher](https://www.twitter.com/geektrainer) | | |
+| 06 | NoSQL डेटा संग काम गर्दै | [डेटा संग काम गर्दै](2-Working-With-Data/README.md) | गैर-सम्बन्धित डेटा, यसको विभिन्न प्रकारहरू र दस्तावेज डेटाबेसहरूको अन्वेषण र विश्लेषणको आधारभूत कुरा। | [पाठ](2-Working-With-Data/06-non-relational/README.md) | [Jasmine](https://twitter.com/paladique)|
+| 07 | Python संग काम गर्दै | [डेटा संग काम गर्दै](2-Working-With-Data/README.md) | Pandas जस्ता पुस्तकालयहरूको प्रयोग गरेर डेटा अन्वेषणका लागि Python प्रयोग गर्ने आधारभूत कुरा। Python प्रोग्रामिङको आधारभूत समझ सिफारिस गरिन्छ। | [पाठ](2-Working-With-Data/07-python/README.md) [भिडियो](https://youtu.be/dZjWOGbsN4Y) | [Dmitry](http://soshnikov.com) |
+| 08 | डेटा तयारी | [डेटासँग काम गर्ने](2-Working-With-Data/README.md) | हराएको, गलत, वा अपूर्ण डाटाको चुनौतीलाई समाधान गर्न डाटा सफा गर्ने र परिवर्तन गर्ने प्रविधिहरूको विषय। | [पाठ](2-Working-With-Data/08-data-preparation/README.md) | [ज्यास्मिन](https://www.twitter.com/paladique) |
+| 09 | मात्राको दृश्यात्मकता | [डाटा दृश्यात्मकता](3-Data-Visualization/README.md) | चरा डाटालाई 🦆 Matplotlib प्रयोग गरेर कसरी दृश्यात्मक बनाउने सिक्नुहोस्। | [पाठ](3-Data-Visualization/09-visualization-quantities/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 10 | डाटाको वितरणको दृश्यात्मकता | [डाटा दृश्यात्मकता](3-Data-Visualization/README.md) | अन्तरालभित्रको अवलोकन र प्रवृत्तिहरूलाई दृश्यात्मक बनाउने। | [पाठ](3-Data-Visualization/10-visualization-distributions/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 11 | अनुपातको दृश्यात्मकता | [डाटा दृश्यात्मकता](3-Data-Visualization/README.md) | छुट्टै र समूहबद्ध प्रतिशतलाई दृश्यात्मक बनाउने। | [पाठ](3-Data-Visualization/11-visualization-proportions/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 12 | सम्बन्धको दृश्यात्मकता | [डाटा दृश्यात्मकता](3-Data-Visualization/README.md) | डाटाको सेटहरू र तिनका भेरिएबलहरू बीचको सम्बन्ध र सहसम्बन्धलाई दृश्यात्मक बनाउने। | [पाठ](3-Data-Visualization/12-visualization-relationships/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 13 | अर्थपूर्ण दृश्यात्मकता | [डाटा दृश्यात्मकता](3-Data-Visualization/README.md) | प्रभावकारी समस्या समाधान र जानकारीका लागि तपाईंको दृश्यात्मकतालाई मूल्यवान बनाउने प्रविधि र मार्गदर्शन। | [पाठ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [जेन](https://twitter.com/jenlooper) |
+| 14 | डाटा साइन्स जीवनचक्रको परिचय | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा साइन्स जीवनचक्रको परिचय र डाटा प्राप्त गर्ने र निकाल्ने पहिलो चरण। | [पाठ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [ज्यास्मिन](https://twitter.com/paladique) |
+| 15 | विश्लेषण | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटा साइन्स जीवनचक्रको यो चरणले डाटा विश्लेषण गर्ने प्रविधिमा केन्द्रित छ। | [पाठ](4-Data-Science-Lifecycle/15-analyzing/README.md) | [ज्यास्मिन](https://twitter.com/paladique) | | |
+| 16 | सञ्चार | [जीवनचक्र](4-Data-Science-Lifecycle/README.md) | डाटाबाट प्राप्त जानकारीलाई निर्णयकर्ताहरूले सजिलै बुझ्न सक्ने तरिकामा प्रस्तुत गर्ने जीवनचक्रको यो चरण। | [पाठ](4-Data-Science-Lifecycle/16-communication/README.md) | [जालेन](https://twitter.com/JalenMcG) | | |
+| 17 | क्लाउडमा डाटा साइन्स | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | क्लाउडमा डाटा साइन्स र यसको फाइदाहरूको परिचय दिने पाठहरूको श्रृंखला। | [पाठ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [टिफनी](https://twitter.com/TiffanySouterre) र [मौड](https://twitter.com/maudstweets) |
+| 18 | क्लाउडमा डाटा साइन्स | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | लो कोड उपकरणहरू प्रयोग गरेर मोडेलहरू प्रशिक्षण गर्ने। | [पाठ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [टिफनी](https://twitter.com/TiffanySouterre) र [मौड](https://twitter.com/maudstweets) |
+| 19 | क्लाउडमा डाटा साइन्स | [क्लाउड डाटा](5-Data-Science-In-Cloud/README.md) | Azure Machine Learning Studio प्रयोग गरेर मोडेलहरू तैनाथ गर्ने। | [पाठ](5-Data-Science-In-Cloud/19-Azure/README.md)| [टिफनी](https://twitter.com/TiffanySouterre) र [मौड](https://twitter.com/maudstweets) |
+| 20 | जङ्गलमा डाटा साइन्स | [जङ्गलमा](6-Data-Science-In-Wild/README.md) | वास्तविक संसारमा आधारित डाटा साइन्स परियोजनाहरू। | [पाठ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [नित्या](https://twitter.com/nitya) |
+
+## GitHub Codespaces
+
+यस नमूनालाई Codespace मा खोल्न निम्न चरणहरू पालना गर्नुहोस्:
+1. Code ड्रप-डाउन मेनुमा क्लिक गर्नुहोस् र Open with Codespaces विकल्प चयन गर्नुहोस्।
+2. प्यानको तल + New codespace चयन गर्नुहोस्।
+थप जानकारीको लागि, [GitHub दस्तावेज](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) हेर्नुहोस्।
+
+## VSCode Remote - Containers
+तपाईंको स्थानीय मेसिन र VSCode प्रयोग गरेर यो रिपोजिटरीलाई कन्टेनरमा खोल्न निम्न चरणहरू पालना गर्नुहोस्:
+
+1. यदि यो पहिलो पटक विकास कन्टेनर प्रयोग गर्दै हुनुहुन्छ भने, कृपया सुनिश्चित गर्नुहोस् कि तपाईंको प्रणालीले पूर्व-आवश्यकताहरू पूरा गरेको छ (जस्तै Docker स्थापना गरिएको छ) [शुरुवात दस्तावेज](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) मा।
+
+यो रिपोजिटरी प्रयोग गर्न, तपाईंले या त रिपोजिटरीलाई अलग Docker भोल्युममा खोल्न सक्नुहुन्छ:
+
+**नोट**: यसले Remote-Containers: **Clone Repository in Container Volume...** आदेश प्रयोग गरेर स्रोत कोडलाई स्थानीय फाइल प्रणालीको सट्टा Docker भोल्युममा क्लोन गर्नेछ। [भोल्युमहरू](https://docs.docker.com/storage/volumes/) कन्टेनर डाटा कायम राख्नको लागि प्राथमिक विधि हुन्।
+
+वा स्थानीय रूपमा क्लोन गरिएको वा डाउनलोड गरिएको संस्करण खोल्न सक्नुहुन्छ:
+
+- यो रिपोजिटरीलाई तपाईंको स्थानीय फाइल प्रणालीमा क्लोन गर्नुहोस्।
+- F1 थिच्नुहोस् र **Remote-Containers: Open Folder in Container...** आदेश चयन गर्नुहोस्।
+- यस फोल्डरको क्लोन गरिएको प्रतिलिपि चयन गर्नुहोस्, कन्टेनर सुरु हुने प्रतीक्षा गर्नुहोस्, र परीक्षण गर्नुहोस्।
+
+## अफलाइन पहुँच
+
+तपाईं [Docsify](https://docsify.js.org/#/) प्रयोग गरेर यो दस्तावेजलाई अफलाइन चलाउन सक्नुहुन्छ। यो रिपोजिटरीलाई Fork गर्नुहोस्, [Docsify स्थापना गर्नुहोस्](https://docsify.js.org/#/quickstart) तपाईंको स्थानीय मेसिनमा, त्यसपछि यो रिपोजिटरीको मूल फोल्डरमा `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाईंको localhost मा पोर्ट 3000 मा सेवा हुनेछ: `localhost:3000`।
+
+> नोट, नोटबुकहरू Docsify मार्फत प्रस्तुत गरिने छैनन्, त्यसैले जब तपाईंलाई नोटबुक चलाउन आवश्यक छ, Python कर्नेल चलाउँदै VS Code मा अलग्गै गर्नुहोस्।
+
+## सहयोग चाहिएको छ!
+
+यदि तपाईं पाठ्यक्रमको सम्पूर्ण वा कुनै भाग अनुवाद गर्न चाहनुहुन्छ भने, कृपया हाम्रो [अनुवाद](TRANSLATIONS.md) मार्गदर्शन पालना गर्नुहोस्।
+
+## अन्य पाठ्यक्रमहरू
+
+हाम्रो टोलीले अन्य पाठ्यक्रमहरू उत्पादन गर्दछ! हेर्नुहोस्:
+
+- [सुरुवातीका लागि जेनेरेटिभ AI](https://aka.ms/genai-beginners)
+- [सुरुवातीका लागि जेनेरेटिभ AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [JavaScript सँग जेनेरेटिभ AI](https://github.com/microsoft/generative-ai-with-javascript)
+- [Java सँग जेनेरेटिभ AI](https://aka.ms/genaijava)
+- [सुरुवातीका लागि AI](https://aka.ms/ai-beginners)
+- [सुरुवातीका लागि डाटा साइन्स](https://aka.ms/datascience-beginners)
+- [सुरुवातीका लागि ML](https://aka.ms/ml-beginners)
+- [सुरक्षाका लागि सुरुवाती](https://github.com/microsoft/Security-101) 
+- [सुरुवातीका लागि वेब विकास](https://aka.ms/webdev-beginners)
+- [सुरुवातीका लागि IoT](https://aka.ms/iot-beginners)
+- [सुरुवातीका लागि XR विकास](https://github.com/microsoft/xr-development-for-beginners)
+- [GitHub Copilot को जोडी प्रोग्रामिङका लागि मास्टरी](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [C#/.NET विकासकर्ताहरूका लागि GitHub Copilot को मास्टरी](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [आफ्नै Copilot साहसिक यात्रा चयन गर्नुहोस्](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/SECURITY.md b/translations/ne/SECURITY.md
new file mode 100644
index 00000000..c170d607
--- /dev/null
+++ b/translations/ne/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-27T16:39:44+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "ne"
+}
+-->
+## सुरक्षा
+
+Microsoft ले आफ्ना सफ्टवेयर उत्पादनहरू र सेवाहरूको सुरक्षालाई गम्भीरतापूर्वक लिन्छ, जसमा हाम्रो GitHub संगठनहरूद्वारा व्यवस्थापन गरिएका सबै स्रोत कोड रिपोजिटरीहरू समावेश छन्, जस्तै [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), र [हाम्रो GitHub संगठनहरू](https://opensource.microsoft.com/)।
+
+यदि तपाईंले Microsoft द्वारा स्वामित्व गरिएका कुनै पनि रिपोजिटरीमा [Microsoft को सुरक्षा कमजोरीको परिभाषा](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)) अनुसार सुरक्षा कमजोरी फेला पार्नुभएको छ भने, कृपया तल वर्णन गरिएको अनुसार रिपोर्ट गर्नुहोस्।
+
+## सुरक्षा समस्याहरू रिपोर्ट गर्ने
+
+**कृपया सार्वजनिक GitHub समस्याहरू मार्फत सुरक्षा कमजोरीहरू रिपोर्ट नगर्नुहोस्।**
+
+यसको सट्टा, कृपया Microsoft Security Response Center (MSRC) मा [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report) मार्फत रिपोर्ट गर्नुहोस्।
+
+यदि तपाईं लग इन नगरी रिपोर्ट गर्न चाहनुहुन्छ भने, [secure@microsoft.com](mailto:secure@microsoft.com) मा इमेल पठाउनुहोस्। यदि सम्भव छ भने, हाम्रो PGP कुञ्जी प्रयोग गरेर आफ्नो सन्देश इन्क्रिप्ट गर्नुहोस्; कृपया यसलाई [Microsoft Security Response Center PGP Key page](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) बाट डाउनलोड गर्नुहोस्।
+
+तपाईंले २४ घण्टाभित्र प्रतिक्रिया प्राप्त गर्नुहुनेछ। यदि कुनै कारणले गर्दा तपाईंले प्रतिक्रिया प्राप्त गर्नुभएन भने, कृपया इमेल मार्फत पुन: सम्पर्क गर्नुहोस् ताकि हामीले तपाईंको मूल सन्देश प्राप्त गरेका छौं भन्ने सुनिश्चित गर्न सकियोस्। थप जानकारी [microsoft.com/msrc](https://www.microsoft.com/msrc) मा फेला पार्न सकिन्छ।
+
+कृपया तल सूचीबद्ध जानकारी (जति सक्दो धेरै प्रदान गर्न सक्नुहुन्छ) समावेश गर्नुहोस् ताकि हामीलाई सम्भावित समस्याको प्रकृति र दायरा राम्रोसँग बुझ्न मद्दत होस्:
+
+  * समस्याको प्रकार (जस्तै, बफर ओभरफ्लो, SQL इन्जेक्सन, क्रस-साइट स्क्रिप्टिङ, आदि)
+  * समस्याको प्रकट हुने स्रोत फाइल(हरू)को पूर्ण पथ
+  * प्रभावित स्रोत कोडको स्थान (ट्याग/ब्रान्च/कमिट वा प्रत्यक्ष URL)
+  * समस्या पुन: उत्पादन गर्न आवश्यक विशेष कन्फिगरेसन
+  * समस्या पुन: उत्पादन गर्न चरण-दर-चरण निर्देशनहरू
+  * प्रमाण-को-धारणा वा एक्सप्लोइट कोड (यदि सम्भव छ भने)
+  * समस्याको प्रभाव, जसमा आक्रमणकारीले समस्या कसरी दुरुपयोग गर्न सक्छ भन्ने समावेश छ
+
+यस जानकारीले तपाईंको रिपोर्टलाई छिटो प्राथमिकता दिन मद्दत गर्नेछ।
+
+यदि तपाईं बग बाउन्टीको लागि रिपोर्ट गर्दै हुनुहुन्छ भने, थप पूर्ण रिपोर्टहरूले उच्च बाउन्टी पुरस्कारमा योगदान गर्न सक्छ। कृपया हाम्रो [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) पृष्ठमा हाम्रो सक्रिय कार्यक्रमहरूको बारेमा थप विवरणका लागि जानुहोस्।
+
+## प्राथमिक भाषाहरू
+
+हामी सबै सञ्चार अंग्रेजीमा गर्न रुचाउँछौं।
+
+## नीति
+
+Microsoft ले [Coordinated Vulnerability Disclosure](https://www.microsoft.com/en-us/msrc/cvd) को सिद्धान्तलाई अनुसरण गर्दछ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरी अनुवाद गरिएको हो। हामी यथासम्भव सटीकता सुनिश्चित गर्न प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छन्। यसको मूल भाषामा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्त्वपूर्ण जानकारीका लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याका लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/SUPPORT.md b/translations/ne/SUPPORT.md
new file mode 100644
index 00000000..00b66004
--- /dev/null
+++ b/translations/ne/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-27T16:37:20+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "ne"
+}
+-->
+# समर्थन
+## समस्या दर्ता गर्ने र सहयोग प्राप्त गर्ने तरिका  
+
+यो परियोजनाले बग र फिचर अनुरोधहरू ट्र्याक गर्न GitHub Issues प्रयोग गर्दछ। दोहोरिएका समस्या रोक्न नयाँ समस्या दर्ता गर्नु अघि पहिले नै भएका समस्याहरू खोज्नुहोस्। नयाँ समस्याहरूको लागि, आफ्नो बग वा फिचर अनुरोधलाई नयाँ Issue को रूपमा दर्ता गर्नुहोस्।
+
+यस परियोजना प्रयोग गर्दा सहयोग र प्रश्नहरूको लागि, एक Issue दर्ता गर्नुहोस्।
+
+## माइक्रोसफ्ट समर्थन नीति  
+
+यस रिपोजिटरीको समर्थन माथि सूचीबद्ध स्रोतहरूमा मात्र सीमित छ।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/docs/_sidebar.md b/translations/ne/docs/_sidebar.md
new file mode 100644
index 00000000..0de37f09
--- /dev/null
+++ b/translations/ne/docs/_sidebar.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-27T17:01:22+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "ne"
+}
+-->
+- परिचय
+  - [डाटा साइन्सको परिभाषा](../1-Introduction/01-defining-data-science/README.md)
+  - [डाटा साइन्सको नैतिकता](../1-Introduction/02-ethics/README.md)
+  - [डाटाको परिभाषा](../1-Introduction/03-defining-data/README.md)
+  - [संभाव्यता र तथ्यांक](../1-Introduction/04-stats-and-probability/README.md)
+- डाटासँग काम गर्ने
+  - [रिलेशनल डाटाबेसहरू](../2-Working-With-Data/05-relational-databases/README.md)
+  - [नन-रिलेशनल डाटाबेसहरू](../2-Working-With-Data/06-non-relational/README.md)
+  - [पाइथन](../2-Working-With-Data/07-python/README.md)
+  - [डाटा तयारी](../2-Working-With-Data/08-data-preparation/README.md)
+- डाटा भिजुअलाइजेसन
+  - [मात्रा देखाउने](../3-Data-Visualization/09-visualization-quantities/README.md)
+  - [वितरण देखाउने](../3-Data-Visualization/10-visualization-distributions/README.md)
+  - [अनुपात देखाउने](../3-Data-Visualization/11-visualization-proportions/README.md)
+  - [सम्बन्ध देखाउने](../3-Data-Visualization/12-visualization-relationships/README.md)
+  - [अर्थपूर्ण भिजुअलाइजेसनहरू](../3-Data-Visualization/13-meaningful-visualizations/README.md)
+- डाटा साइन्स जीवनचक्र
+  - [परिचय](../4-Data-Science-Lifecycle/14-Introduction/README.md)
+  - [विश्लेषण गर्ने](../4-Data-Science-Lifecycle/15-analyzing/README.md)
+  - [सञ्चार गर्ने](../4-Data-Science-Lifecycle/16-communication/README.md)
+- क्लाउडमा डाटा साइन्स
+  - [परिचय](../5-Data-Science-In-Cloud/17-Introduction/README.md)
+  - [लो कोड](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
+  - [एज्युर](../5-Data-Science-In-Cloud/19-Azure/README.md)
+- जङ्गलमा डाटा साइन्स
+  - [जङ्गलमा डाटा साइन्स](../6-Data-Science-In-Wild/README.md)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको हो। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/for-teachers.md b/translations/ne/for-teachers.md
new file mode 100644
index 00000000..b10548bf
--- /dev/null
+++ b/translations/ne/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-27T16:38:02+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "ne"
+}
+-->
+## शिक्षकहरूका लागि
+
+के तपाईं आफ्नो कक्षामा यो पाठ्यक्रम प्रयोग गर्न चाहनुहुन्छ? कृपया स्वतन्त्र रूपमा प्रयोग गर्नुहोस्!
+
+वास्तवमा, तपाईं यसलाई GitHub Classroom प्रयोग गरेर GitHub भित्रै प्रयोग गर्न सक्नुहुन्छ।
+
+त्यसका लागि, यो रिपोजिटरीलाई फोर्क गर्नुहोस्। तपाईंलाई प्रत्येक पाठको लागि अलग-अलग रिपोजिटरी बनाउन आवश्यक हुनेछ, त्यसैले प्रत्येक फोल्डरलाई अलग रिपोजिटरीमा निकाल्नुपर्नेछ। यसरी [GitHub Classroom](https://classroom.github.com/classrooms) ले प्रत्येक पाठलाई अलग-अलग रूपमा लिन सक्छ। 
+
+यी [पूर्ण निर्देशनहरू](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ले तपाईंलाई कक्षा सेटअप गर्ने तरिका बुझ्न मद्दत गर्नेछ।
+
+## रिपोजिटरीलाई जस्ताको तस्तै प्रयोग गर्ने
+
+यदि तपाईं यो रिपोजिटरीलाई हालको अवस्थामा प्रयोग गर्न चाहनुहुन्छ, GitHub Classroom प्रयोग नगरी, त्यो पनि सम्भव छ। तपाईंले आफ्ना विद्यार्थीहरूलाई कुन पाठ सँगै काम गर्ने भनेर जानकारी दिनुपर्नेछ।
+
+अनलाइन माध्यम (जूम, टिम्स, वा अन्य) मा, तपाईं क्विजहरूको लागि ब्रेकआउट रूमहरू बनाउन सक्नुहुन्छ, र विद्यार्थीहरूलाई सिक्न तयार हुन मद्दत गर्न सक्नुहुन्छ। त्यसपछि विद्यार्थीहरूलाई क्विजहरूको लागि आमन्त्रण गर्नुहोस् र निश्चित समयमा 'issues' को रूपमा उत्तरहरू पेश गर्न भन्नुहोस्। यदि तपाईं चाहनुहुन्छ कि विद्यार्थीहरू खुला रूपमा सहकार्य गरेर काम गरून्, तपाईं असाइनमेन्टहरू पनि यसै तरिकाले गर्न सक्नुहुन्छ।
+
+यदि तपाईंलाई अधिक निजी माध्यम मनपर्छ भने, आफ्ना विद्यार्थीहरूलाई पाठ्यक्रमलाई पाठ-पाठ अनुसार आफ्नै GitHub रिपोजिटरीहरूमा निजी रिपोजिटरीको रूपमा फोर्क गर्न भन्नुहोस्, र तपाईंलाई पहुँच दिन भन्नुहोस्। त्यसपछि उनीहरूले क्विजहरू र असाइनमेन्टहरू निजी रूपमा पूरा गर्न सक्नेछन् र तपाईंलाई classroom रिपोजिटरीमा issues मार्फत पेश गर्न सक्नेछन्।
+
+अनलाइन कक्षा सेटअप गर्नका लागि यो काम गर्ने धेरै तरिकाहरू छन्। कृपया हामीलाई तपाईंका लागि के राम्रो काम गर्छ भनेर जानकारी दिनुहोस्!
+
+## यो पाठ्यक्रममा समावेश:
+
+२० पाठहरू, ४० क्विजहरू, र २० असाइनमेन्टहरू। दृश्यात्मक सिकाइका लागि पाठहरूसँग स्केच नोटहरू समावेश छन्। धेरै पाठहरू Python र R मा उपलब्ध छन् र Jupyter notebooks प्रयोग गरेर VS Code मा पूरा गर्न सकिन्छ। यो टेक स्ट्याक प्रयोग गर्न कक्षा सेटअप गर्ने तरिका सिक्न यहाँ जान्नुहोस्: https://code.visualstudio.com/docs/datascience/jupyter-notebooks।
+
+सबै स्केच नोटहरू, ठूलो आकारको पोस्टर सहित, [यस फोल्डरमा](../../sketchnotes) छन्।
+
+सम्पूर्ण पाठ्यक्रम [PDF रूपमा](../../pdf/readme.pdf) उपलब्ध छ।
+
+तपाईं यस पाठ्यक्रमलाई [Docsify](https://docsify.js.org/#/) प्रयोग गरेर स्वतन्त्र रूपमा, अफलाइन-मैत्री वेबसाइटको रूपमा चलाउन सक्नुहुन्छ। [Docsify स्थापना गर्नुहोस्](https://docsify.js.org/#/quickstart) आफ्नो स्थानीय मेसिनमा, त्यसपछि आफ्नो स्थानीय प्रतिलिपिको मूल फोल्डरमा `docsify serve` टाइप गर्नुहोस्। वेबसाइट तपाईंको localhost मा पोर्ट 3000 मा चलाइनेछ: `localhost:3000`।
+
+पाठ्यक्रमको अफलाइन-मैत्री संस्करण स्वतन्त्र वेब पृष्ठको रूपमा खुल्नेछ: https://localhost:3000
+
+पाठहरू ६ भागमा विभाजित छन्:
+
+- १: परिचय
+    - १: डेटा साइन्सको परिभाषा
+    - २: नैतिकता
+    - ३: डेटाको परिभाषा
+    - ४: सम्भाव्यता र तथ्यांकको अवलोकन
+- २: डेटासँग काम गर्ने
+    - ५: सम्बन्धात्मक डेटाबेसहरू
+    - ६: गैर-सम्बन्धात्मक डेटाबेसहरू
+    - ७: Python
+    - ८: डेटा तयारी
+- ३: डेटा दृश्यात्मकता
+    - ९: मात्राको दृश्यात्मकता
+    - १०: वितरणहरूको दृश्यात्मकता
+    - ११: अनुपातहरूको दृश्यात्मकता
+    - १२: सम्बन्धहरूको दृश्यात्मकता
+    - १३: अर्थपूर्ण दृश्यात्मकता
+- ४: डेटा साइन्स जीवनचक्र
+    - १४: परिचय
+    - १५: विश्लेषण
+    - १६: सञ्चार
+- ५: क्लाउडमा डेटा साइन्स
+    - १७: परिचय
+    - १८: लो-कोड विकल्पहरू
+    - १९: Azure
+- ६: वास्तविक जीवनमा डेटा साइन्स
+    - २०: अवलोकन
+
+## कृपया हामीलाई आफ्नो विचार दिनुहोस्!
+
+हामी यो पाठ्यक्रम तपाईं र तपाईंका विद्यार्थीहरूको लागि उपयोगी बनाउन चाहन्छौं। कृपया छलफल बोर्डहरूमा प्रतिक्रिया दिनुहोस्! आफ्ना विद्यार्थीहरूको लागि छलफल बोर्डहरूमा कक्षा क्षेत्र सिर्जना गर्न स्वतन्त्र महसुस गर्नुहोस्।
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/quiz-app/README.md b/translations/ne/quiz-app/README.md
new file mode 100644
index 00000000..87866085
--- /dev/null
+++ b/translations/ne/quiz-app/README.md
@@ -0,0 +1,138 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-27T17:54:45+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "ne"
+}
+-->
+# क्विजहरू
+
+यी क्विजहरू डेटा साइन्स पाठ्यक्रमको लागि प्रि- र पोस्ट-लेक्चर क्विजहरू हुन्, जुन https://aka.ms/datascience-beginners मा उपलब्ध छ।  
+## अनुवादित क्विज सेट थप्ने
+
+क्विज अनुवाद थप्न `assets/translations` फोल्डरमा मिल्दो क्विज संरचना सिर्जना गर्नुहोस्। मूल क्विजहरू `assets/translations/en` मा छन्। क्विजहरू विभिन्न समूहहरूमा विभाजित छन्। सही क्विज सेक्सनसँग नम्बरिङ मिलाउन सुनिश्चित गर्नुहोस्। यो पाठ्यक्रममा कुल ४० क्विजहरू छन्, जसको गणना ० बाट सुरु हुन्छ।
+
+अनुवादहरू सम्पादन गरेपछि, अनुवाद फोल्डरको `index.js` फाइल सम्पादन गर्नुहोस् र `en` मा भएका नियमहरू पालना गर्दै सबै फाइलहरू आयात गर्नुहोस्।
+
+`assets/translations` मा रहेको `index.js` फाइल सम्पादन गरेर नयाँ अनुवादित फाइलहरू आयात गर्नुहोस्।
+
+त्यसपछि, यस एपको `App.vue` मा ड्रपडाउन सम्पादन गरेर आफ्नो भाषा थप्नुहोस्। स्थानीयकृत संक्षेप नामलाई तपाईंको भाषाको फोल्डर नामसँग मिलाउनुहोस्।
+
+अन्ततः, अनुवादित पाठहरूमा भएका सबै क्विज लिंकहरू सम्पादन गर्नुहोस्, यदि तिनीहरू छन् भने, यस स्थानीयकरणलाई क्वेरी प्यारामिटरको रूपमा समावेश गर्न: उदाहरणका लागि `?loc=fr`।
+
+## प्रोजेक्ट सेटअप
+
+```
+npm install
+```
+
+### विकासको लागि कम्पाइल र हॉट-रिलोड
+
+```
+npm run serve
+```
+
+### उत्पादनको लागि कम्पाइल र मिनिफाइ
+
+```
+npm run build
+```
+
+### फाइलहरू लिन्ट र फिक्स गर्नुहोस्
+
+```
+npm run lint
+```
+
+### कन्फिगरेसन अनुकूलन गर्नुहोस्
+
+[Configuration Reference](https://cli.vuejs.org/config/) हेर्नुहोस्।
+
+क्रेडिट: यो क्विज एपको मूल संस्करणलाई धन्यवाद: https://github.com/arpan45/simple-quiz-vue
+
+## Azure मा डिप्लोय गर्नुहोस्
+
+यहाँ सुरु गर्नका लागि चरण-दर-चरण मार्गदर्शन छ:
+
+1. GitHub रिपोजिटरी फोर्क गर्नुहोस्  
+तपाईंको स्टाटिक वेब एप कोड GitHub रिपोजिटरीमा सुनिश्चित गर्नुहोस्। यो रिपोजिटरी फोर्क गर्नुहोस्।
+
+2. Azure स्टाटिक वेब एप सिर्जना गर्नुहोस्  
+- [Azure खाता](http://azure.microsoft.com) सिर्जना गर्नुहोस्।  
+- [Azure पोर्टल](https://portal.azure.com) मा जानुहोस्।  
+- “Create a resource” मा क्लिक गर्नुहोस् र “Static Web App” खोज्नुहोस्।  
+- “Create” मा क्लिक गर्नुहोस्।  
+
+3. स्टाटिक वेब एप कन्फिगर गर्नुहोस्  
+- आधारभूत:  
+  - Subscription: तपाईंको Azure सब्सक्रिप्शन चयन गर्नुहोस्।  
+  - Resource Group: नयाँ रिसोर्स ग्रुप सिर्जना गर्नुहोस् वा विद्यमान प्रयोग गर्नुहोस्।  
+  - Name: तपाईंको स्टाटिक वेब एपको नाम प्रदान गर्नुहोस्।  
+  - Region: तपाईंको प्रयोगकर्ताहरू नजिकको क्षेत्र चयन गर्नुहोस्।  
+
+- #### डिप्लोयमेन्ट विवरण:  
+  - Source: “GitHub” चयन गर्नुहोस्।  
+  - GitHub Account: Azure लाई तपाईंको GitHub खाता पहुँच गर्न अनुमति दिनुहोस्।  
+  - Organization: तपाईंको GitHub संगठन चयन गर्नुहोस्।  
+  - Repository: तपाईंको स्टाटिक वेब एप समावेश भएको रिपोजिटरी चयन गर्नुहोस्।  
+  - Branch: तपाईं डिप्लोय गर्न चाहनुभएको ब्रान्च चयन गर्नुहोस्।  
+
+- #### बिल्ड विवरण:  
+  - Build Presets: तपाईंको एप निर्माण गरिएको फ्रेमवर्क चयन गर्नुहोस् (जस्तै React, Angular, Vue, आदि)।  
+  - App Location: तपाईंको एप कोड समावेश भएको फोल्डर निर्दिष्ट गर्नुहोस् (जस्तै, / यदि यो रूटमा छ)।  
+  - API Location: यदि तपाईंको API छ भने, यसको स्थान निर्दिष्ट गर्नुहोस् (वैकल्पिक)।  
+  - Output Location: बिल्ड आउटपुट उत्पन्न हुने फोल्डर निर्दिष्ट गर्नुहोस् (जस्तै, build वा dist)।  
+
+4. समीक्षा र सिर्जना गर्नुहोस्  
+तपाईंको सेटिङहरू समीक्षा गर्नुहोस् र “Create” मा क्लिक गर्नुहोस्। Azure आवश्यक स्रोतहरू सेटअप गर्नेछ र तपाईंको रिपोजिटरीमा GitHub Actions वर्कफ्लो सिर्जना गर्नेछ।  
+
+5. GitHub Actions वर्कफ्लो  
+Azure स्वचालित रूपमा तपाईंको रिपोजिटरीमा GitHub Actions वर्कफ्लो फाइल (.github/workflows/azure-static-web-apps-<name>.yml) सिर्जना गर्नेछ। यो वर्कफ्लो बिल्ड र डिप्लोयमेन्ट प्रक्रिया ह्यान्डल गर्नेछ।  
+
+6. डिप्लोयमेन्ट अनुगमन गर्नुहोस्  
+तपाईंको GitHub रिपोजिटरीको “Actions” ट्याबमा जानुहोस्।  
+तपाईंले वर्कफ्लो चलिरहेको देख्नुहुनेछ। यो वर्कफ्लो तपाईंको स्टाटिक वेब एप Azure मा निर्माण र डिप्लोय गर्नेछ।  
+वर्कफ्लो पूरा भएपछि, तपाईंको एप प्रदान गरिएको Azure URL मा लाइभ हुनेछ।  
+
+### उदाहरण वर्कफ्लो फाइल
+
+यहाँ GitHub Actions वर्कफ्लो फाइलको उदाहरण छ:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```
+
+### थप स्रोतहरू  
+- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/ne/sketchnotes/README.md b/translations/ne/sketchnotes/README.md
new file mode 100644
index 00000000..6bd00cf5
--- /dev/null
+++ b/translations/ne/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-27T17:29:36+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "ne"
+}
+-->
+सबै स्केच नोटहरू यहाँ भेट्नुहोस्!
+
+## श्रेय
+
+नित्या नरसिम्हन, कलाकार
+
+![रोडम्याप स्केच नोट](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.ne.png)
+
+---
+
+**अस्वीकरण**:  
+यो दस्तावेज़ AI अनुवाद सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/01-defining-data-science/README.md b/translations/pa/1-Introduction/01-defining-data-science/README.md
new file mode 100644
index 00000000..d5b0d64e
--- /dev/null
+++ b/translations/pa/1-Introduction/01-defining-data-science/README.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2583a9894af7123b2fcae3376b14c035",
+  "translation_date": "2025-08-27T17:15:23+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/README.md",
+  "language_code": "pa"
+}
+-->
+## ਡਾਟਾ ਦੇ ਕਿਸਮਾਂ
+
+ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਜ਼ਿਕਰ ਕੀਤਾ ਹੈ, ਡਾਟਾ ਹਰ ਜਗ੍ਹਾ ਹੈ। ਸਾਨੂੰ ਸਿਰਫ਼ ਇਸਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕੈਪਚਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ! ਇਹ ਲਾਭਦਾਇਕ ਹੈ ਕਿ ਅਸੀਂ **ਸੰਰਚਿਤ** ਅਤੇ **ਅਸੰਰਚਿਤ** ਡਾਟਾ ਵਿੱਚ ਫਰਕ ਕਰੀਏ। ਪਹਿਲਾ ਆਮ ਤੌਰ 'ਤੇ ਕਿਸੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਪ੍ਰਸਤੁਤ ਹੁੰਦਾ ਹੈ, ਅਕਸਰ ਇੱਕ ਟੇਬਲ ਜਾਂ ਕਈ ਟੇਬਲਾਂ ਦੇ ਰੂਪ ਵਿੱਚ, ਜਦਕਿ ਦੂਜਾ ਸਿਰਫ਼ ਫਾਈਲਾਂ ਦਾ ਇਕੱਠ ਹੁੰਦਾ ਹੈ। ਕਈ ਵਾਰ ਅਸੀਂ **ਅਰਧ-ਸੰਰਚਿਤ** ਡਾਟਾ ਬਾਰੇ ਵੀ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਹੱਦ ਤੱਕ ਸੰਰਚਨਾ ਹੁੰਦੀ ਹੈ ਜੋ ਕਾਫ਼ੀ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ।
+
+| ਸੰਰਚਿਤ                                                                   | ਅਰਧ-ਸੰਰਚਿਤ                                                                                  | ਅਸੰਰਚਿਤ                            |
+| -------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------- | ----------------------------------- |
+| ਲੋਕਾਂ ਦੀ ਸੂਚੀ ਉਨ੍ਹਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਨਾਲ                                    | ਲਿੰਕਾਂ ਵਾਲੇ ਵਿਕੀਪੀਡੀਆ ਪੰਨੇ                                                                   | ਐਨਸਾਈਕਲੋਪੀਡੀਆ ਬ੍ਰਿਟਾਨਿਕਾ ਦਾ ਪਾਠ |
+| ਪਿਛਲੇ 20 ਸਾਲਾਂ ਵਿੱਚ ਹਰ ਮਿੰਟ ਵਿੱਚ ਇੱਕ ਇਮਾਰਤ ਦੇ ਸਾਰੇ ਕਮਰਿਆਂ ਦਾ ਤਾਪਮਾਨ     | JSON ਫਾਰਮੈਟ ਵਿੱਚ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦਾ ਇਕੱਠ, ਲੇਖਕਾਂ, ਪ੍ਰਕਾਸ਼ਨ ਦੀ ਮਿਤੀ, ਅਤੇ ਸਾਰਾਂ ਦੇ ਨਾਲ         | ਕਾਰਪੋਰੇਟ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਫਾਈਲ ਸ਼ੇਅਰ |
+| ਇਮਾਰਤ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੇ ਸਾਰੇ ਲੋਕਾਂ ਦੀ ਉਮਰ ਅਤੇ ਲਿੰਗ ਦਾ ਡਾਟਾ              | ਇੰਟਰਨੈਟ ਪੰਨੇ                                                                                 | ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਕੱਚਾ ਵੀਡੀਓ ਫੀਡ  |
+
+## ਡਾਟਾ ਕਿੱਥੋਂ ਮਿਲ ਸਕਦਾ ਹੈ
+
+ਡਾਟਾ ਦੇ ਕਈ ਸੰਭਾਵਿਤ ਸਰੋਤ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਾਰਿਆਂ ਨੂੰ ਲਿਸਟ ਕਰਨਾ ਅਸੰਭਵ ਹੋਵੇਗਾ! ਪਰ ਫਿਰ ਵੀ, ਆਓ ਕੁਝ ਆਮ ਜਗ੍ਹਾਵਾਂ ਦਾ ਜ਼ਿਕਰ ਕਰੀਏ ਜਿੱਥੇ ਤੁਸੀਂ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ:
+
+* **ਸੰਰਚਿਤ**
+  - **Internet of Things** (IoT), ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸੈਂਸਰਾਂ ਤੋਂ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਵੇਂ ਕਿ ਤਾਪਮਾਨ ਜਾਂ ਦਬਾਅ ਸੈਂਸਰ, ਕਾਫ਼ੀ ਲਾਭਦਾਇਕ ਡਾਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਜੇਕਰ ਇੱਕ ਦਫ਼ਤਰ ਦੀ ਇਮਾਰਤ IoT ਸੈਂਸਰਾਂ ਨਾਲ ਸਜਜਿਤ ਹੈ, ਤਾਂ ਅਸੀਂ ਖਰਚੇ ਘਟਾਉਣ ਲਈ ਹੀਟਿੰਗ ਅਤੇ ਲਾਈਟਿੰਗ ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਨਿਯੰਤਰਿਤ ਕਰ ਸਕਦੇ ਹਾਂ।
+  - **ਸਰਵੇਖਣਾਂ**, ਜਿਹਨਾਂ ਨੂੰ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਖਰੀਦਦਾਰੀ ਤੋਂ ਬਾਅਦ ਜਾਂ ਵੈਬਸਾਈਟ ਦੇ ਦੌਰੇ ਤੋਂ ਬਾਅਦ ਪੂਰਾ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਾਂ।
+  - **ਵਿਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ**, ਜੋ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਉਪਭੋਗਤਾ ਵੈਬਸਾਈਟ ਵਿੱਚ ਕਿੰਨਾ ਡੂੰਘਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕਿਉਂ ਵੈਬਸਾਈਟ ਛੱਡਦਾ ਹੈ।
+* **ਅਸੰਰਚਿਤ**
+  - **ਪਾਠ**, ਜੋ ਸਮੁੱਚੇ **ਭਾਵਨਾ ਸਕੋਰ** ਜਾਂ ਕੁੰਜੀ ਸ਼ਬਦ ਅਤੇ ਅਰਥਮਈ ਜਾਣਕਾਰੀ ਕੱਢਣ ਵਰਗੀਆਂ ਝਲਕਾਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ।
+  - **ਚਿੱਤਰ** ਜਾਂ **ਵੀਡੀਓ**। ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਇੱਕ ਵੀਡੀਓ ਸੜਕ 'ਤੇ ਟ੍ਰੈਫਿਕ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਸੰਭਾਵਿਤ ਟ੍ਰੈਫਿਕ ਜਾਮ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+  - ਵੈਬ ਸਰਵਰ **ਲਾਗ**, ਜੋ ਇਹ ਸਮਝਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ ਕਿ ਸਾਡੀ ਵੈਬਸਾਈਟ ਦੇ ਕਿਹੜੇ ਪੰਨੇ ਸਭ ਤੋਂ ਵੱਧ ਵੇਖੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਕਿੰਨੀ ਦੇਰ ਲਈ।
+* **ਅਰਧ-ਸੰਰਚਿਤ**
+  - **ਸੋਸ਼ਲ ਨੈਟਵਰਕ** ਗ੍ਰਾਫ, ਜੋ ਉਪਭੋਗਤਾ ਦੀਆਂ ਵਿਅਕਤਿਤਾਵਾਂ ਅਤੇ ਜਾਣਕਾਰੀ ਫੈਲਾਉਣ ਵਿੱਚ ਸੰਭਾਵਿਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀਤਾ ਬਾਰੇ ਡਾਟਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।
+  - ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਪਾਰਟੀ ਤੋਂ ਫੋਟੋਆਂ ਦਾ ਇਕੱਠ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ **ਗਰੁੱਪ ਡਾਇਨਾਮਿਕਸ** ਡਾਟਾ ਕੱਢਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਲੋਕਾਂ ਦੇ ਗਰੁੱਪਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦੇ ਗ੍ਰਾਫ ਬਣਾਉਣਾ।
+
+ਵੱਖ-ਵੱਖ ਸੰਭਾਵਿਤ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜਾਣ ਕੇ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਸਥਿਤੀ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+## ਡਾਟਾ ਨਾਲ ਕੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
+
+ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਯਾਤਰਾ ਦੇ ਹੇਠ ਲਿਖੇ ਕਦਮਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਾਂ:
+
+## ਡਿਜ਼ੀਟਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਡਿਜ਼ੀਟਲ ਰੂਪਾਂਤਰਨ
+
+ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ, ਕਈ ਕਾਰੋਬਾਰਾਂ ਨੇ ਇਹ ਸਮਝਣਾ ਸ਼ੁਰੂ ਕੀਤਾ ਕਿ ਕਾਰੋਬਾਰੀ ਫੈਸਲੇ ਲੈਣ ਸਮੇਂ ਡਾਟਾ ਕਿੰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਕਾਰੋਬਾਰ ਚਲਾਉਣ ਲਈ ਲਾਗੂ ਕਰਨ ਲਈ, ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਕੁਝ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਰਥਾਤ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਡਿਜ਼ੀਟਲ ਰੂਪ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨਾ। ਇਸਨੂੰ **ਡਿਜ਼ੀਟਲਾਈਜ਼ੇਸ਼ਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਡਾਟਾ 'ਤੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਫੈਸਲੇ ਲੈਣ ਨਾਲ ਉਤਪਾਦਕਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਹੋ ਸਕਦਾ ਹੈ (ਜਾਂ ਕਾਰੋਬਾਰ ਵਿੱਚ ਨਵੀਂ ਦਿਸ਼ਾ), ਜਿਸਨੂੰ **ਡਿਜ਼ੀਟਲ ਰੂਪਾਂਤਰਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+
+ਆਓ ਇੱਕ ਉਦਾਹਰਣ ਦੇਖੀਏ। ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ ਡਾਟਾ ਸਾਇੰਸ ਕੋਰਸ ਹੈ (ਜਿਵੇਂ ਕਿ ਇਹ), ਜਿਸਨੂੰ ਅਸੀਂ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਆਨਲਾਈਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਸੁਧਾਰਨ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ?
+
+ਅਸੀਂ ਇਹ ਪੁੱਛ ਕੇ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ, "ਕੀ ਡਿਜ਼ੀਟਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?" ਸਭ ਤੋਂ ਸਧਾਰਨ ਤਰੀਕਾ ਇਹ ਹੋਵੇਗਾ ਕਿ ਹਰ ਵਿਦਿਆਰਥੀ ਨੂੰ ਹਰ ਮਾਡਿਊਲ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਮਾਪਿਆ ਜਾਵੇ, ਅਤੇ ਹਰ ਮਾਡਿਊਲ ਦੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਮਲਟੀਪਲ-ਚੋਇਸ ਟੈਸਟ ਦੇ ਕੇ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਮਾਪਿਆ ਜਾਵੇ। ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਵਿੱਚ ਸਮਾਂ-ਪੂਰਾ ਕਰਨ ਦੇ ਔਸਤ ਨੂੰ ਮਾਪ ਕੇ, ਅਸੀਂ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਹੜੇ ਮਾਡਿਊਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਮੁਸ਼ਕਲੀਆਂ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਧਾਰਨ ਬਣਾਉਣ 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੇ ਹਾਂ।
+ਤੁਸੀਂ ਦਲੀਲ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਪਹੁੰਚ ਆਦਰਸ਼ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ ਮੋਡੀਊਲ ਵੱਖ-ਵੱਖ ਲੰਬਾਈ ਦੇ ਹੋ ਸਕਦੇ ਹਨ। ਸ਼ਾਇਦ ਸਮਾਂ ਨੂੰ ਮੋਡੀਊਲ ਦੀ ਲੰਬਾਈ (ਅੱਖਰਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ) ਨਾਲ ਵੰਡਣਾ ਅਤੇ ਉਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਜ਼ਿਆਦਾ ਨਿਆਂਯੁਕਤ ਹੋਵੇ।
+ਜਦੋਂ ਅਸੀਂ ਬਹੁ-ਚੋਣ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਹੜੇ ਧਾਰਣਾਵਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਹੈ, ਅਤੇ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮੱਗਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਇਹ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਪਵੇਗਾ ਕਿ ਹਰ ਪ੍ਰਸ਼ਨ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਧਾਰਣਾ ਜਾਂ ਗਿਆਨ ਦੇ ਟੁਕੜੇ ਨਾਲ ਜੁੜਿਆ ਹੋਵੇ।
+
+ਜੇ ਅਸੀਂ ਹੋਰ ਜਟਿਲ ਹੋਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹਰ ਮੋਡੀਊਲ ਲਈ ਲੱਗੇ ਸਮੇਂ ਨੂੰ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਉਮਰ ਸ਼੍ਰੇਣੀ ਦੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਤਾ ਲਗ ਸਕਦਾ ਹੈ ਕਿ ਕੁਝ ਉਮਰ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਮੋਡੀਊਲ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਅਣਉਚਿਤ ਤੌਰ 'ਤੇ ਲੰਮਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਜਾਂ ਵਿਦਿਆਰਥੀ ਇਸਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਇਹ ਸਾਨੂੰ ਮੋਡੀਊਲ ਲਈ ਉਮਰ ਦੀ ਸਿਫਾਰਸ਼ਾਂ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਗਲਤ ਉਮੀਦਾਂ ਤੋਂ ਲੋਕਾਂ ਦੀ ਨਿਰਾਸ਼ਾ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ।
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਸ ਚੁਣੌਤੀ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਖੇਤਰ ਨਾਲ ਸਬੰਧਤ ਧਾਰਣਾਵਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ, ਟੈਕਸਟ ਨੂੰ ਦੇਖ ਕੇ। ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ 'ਤੇ ਇੱਕ ਵਿਕੀਪੀਡੀਆ ਲੇਖ ਲਵਾਂਗੇ, ਟੈਕਸਟ ਨੂੰ ਡਾਊਨਲੋਡ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਇੱਕ ਵਰਡ ਕਲਾਉਡ ਬਣਾਵਾਂਗੇ ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ:
+
+![ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਵਰਡ ਕਲਾਉਡ](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.pa.png)
+
+[`notebook.ipynb`](../../../../../../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') 'ਤੇ ਜਾਓ ਅਤੇ ਕੋਡ ਨੂੰ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਕੋਡ ਚਲਾ ਕੇ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਸਾਰੇ ਡਾਟਾ ਟ੍ਰਾਂਸਫਾਰਮੇਸ਼ਨ ਨੂੰ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।
+
+> ਜੇ ਤੁਹਾਨੂੰ Jupyter Notebook ਵਿੱਚ ਕੋਡ ਚਲਾਉਣ ਦਾ ਪਤਾ ਨਹੀਂ ਹੈ, ਤਾਂ [ਇਸ ਲੇਖ](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ਨੂੰ ਦੇਖੋ।
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/1)
+
+## ਅਸਾਈਨਮੈਂਟਸ
+
+* **ਟਾਸਕ 1**: ਉਪਰੋਕਤ ਕੋਡ ਨੂੰ ਸੋਧੋ ਤਾਂ ਜੋ **Big Data** ਅਤੇ **Machine Learning** ਦੇ ਖੇਤਰਾਂ ਲਈ ਸਬੰਧਤ ਧਾਰਣਾਵਾਂ ਪਤਾ ਲਗਾਈਆਂ ਜਾ ਸਕਣ।
+* **ਟਾਸਕ 2**: [ਡਾਟਾ ਸਾਇੰਸ ਸਨਰੀਓਜ਼ ਬਾਰੇ ਸੋਚੋ](assignment.md)
+
+## ਸ਼੍ਰੇਯ
+
+ਇਹ ਪਾਠ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਵੱਲੋਂ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/01-defining-data-science/assignment.md b/translations/pa/1-Introduction/01-defining-data-science/assignment.md
new file mode 100644
index 00000000..66fdf98e
--- /dev/null
+++ b/translations/pa/1-Introduction/01-defining-data-science/assignment.md
@@ -0,0 +1,46 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4e0f1773b9bee1be3b28f9fe2c71b3de",
+  "translation_date": "2025-08-27T17:17:10+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਅਸਾਈਨਮੈਂਟ: ਡਾਟਾ ਸਾਇੰਸ ਸਨਰੀਓਜ਼
+
+ਇਸ ਪਹਿਲੇ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਕਈ ਅਸਲ ਜ਼ਿੰਦਗੀ ਦੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਜਾਂ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਸੋਚਣ ਲਈ ਕਹਿੰਦੇ ਹਾਂ, ਅਤੇ ਕਿਵੇਂ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੇ ਹੋ। ਹੇਠਾਂ ਦਿੱਤੇ ਬਾਰੇ ਸੋਚੋ:
+
+1. ਤੁਸੀਂ ਕਿਹੜਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕਰੋਗੇ?
+1. ਤੁਸੀਂ ਡਾਟਾ ਕਿਵੇਂ ਸਟੋਰ ਕਰੋਗੇ? ਡਾਟਾ ਕਿੰਨਾ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ?
+1. ਤੁਸੀਂ ਇਸ ਡਾਟਾ ਤੋਂ ਕਿਹੜੀਆਂ ਝਲਕਾਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ? ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਅਸੀਂ ਕਿਹੜੇ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ?
+
+ਕੋਸ਼ਿਸ ਕਰੋ ਕਿ 3 ਵੱਖ-ਵੱਖ ਸਮੱਸਿਆਵਾਂ/ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਾਰੇ ਸੋਚੋ ਅਤੇ ਹਰ ਸਮੱਸਿਆ ਖੇਤਰ ਲਈ ਉਪਰੋਕਤ ਬਿੰਦੂਆਂ ਦਾ ਵਰਣਨ ਕਰੋ।
+
+ਇਹਾਂ ਕੁਝ ਸਮੱਸਿਆ ਖੇਤਰ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਸੋਚਣ ਲਈ ਸ਼ੁਰੂਆਤ ਦੇ ਸਕਦੇ ਹਨ:
+
+1. ਤੁਸੀਂ ਸਕੂਲਾਂ ਵਿੱਚ ਬੱਚਿਆਂ ਲਈ ਸਿੱਖਿਆ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਮਹਾਂਮਾਰੀ ਦੌਰਾਨ ਟੀਕਾਕਰਨ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੰਮ 'ਤੇ ਉਤਪਾਦਕ ਹੋ?
+
+## ਹਦਾਇਤਾਂ
+
+ਹੇਠਾਂ ਦਿੱਤੇ ਟੇਬਲ ਨੂੰ ਭਰੋ (ਲੋੜ ਪੈਣ 'ਤੇ ਸੁਝਾਏ ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਨੂੰ ਆਪਣੇ ਖੇਤਰਾਂ ਨਾਲ ਬਦਲੋ):
+
+| ਸਮੱਸਿਆ ਖੇਤਰ | ਸਮੱਸਿਆ | ਕਿਹੜਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੈ | ਡਾਟਾ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ | ਕਿਹੜੀਆਂ ਝਲਕਾਂ/ਫੈਸਲੇ ਅਸੀਂ ਕਰ ਸਕਦੇ ਹਾਂ | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| ਸਿੱਖਿਆ | | | | |
+| ਟੀਕਾਕਰਨ | | | | |
+| ਉਤਪਾਦਕਤਾ | | | | |
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਵਿਅਕਤੀ ਸਾਰੇ ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਲਈ ਵਾਜਬ ਡਾਟਾ ਸਰੋਤ, ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਅਤੇ ਸੰਭਾਵਿਤ ਫੈਸਲੇ/ਝਲਕਾਂ ਦੀ ਪਹਿਚਾਣ ਕਰਨ ਵਿੱਚ ਸਫਲ ਹੋਇਆ | ਹੱਲ ਦੇ ਕੁਝ ਪਹਲੂ ਵਿਸਤ੍ਰਿਤ ਨਹੀਂ ਹਨ, ਡਾਟਾ ਸਟੋਰੇਜ 'ਤੇ ਚਰਚਾ ਨਹੀਂ ਕੀਤੀ ਗਈ, ਘੱਟੋ-ਘੱਟ 2 ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ | ਸਿਰਫ ਹੱਲ ਦੇ ਕੁਝ ਹਿੱਸੇ ਵਰਣਨ ਕੀਤੇ ਗਏ ਹਨ, ਸਿਰਫ ਇੱਕ ਸਮੱਸਿਆ ਖੇਤਰ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ |
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/01-defining-data-science/solution/assignment.md b/translations/pa/1-Introduction/01-defining-data-science/solution/assignment.md
new file mode 100644
index 00000000..8123cd83
--- /dev/null
+++ b/translations/pa/1-Introduction/01-defining-data-science/solution/assignment.md
@@ -0,0 +1,48 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a8f79b9c0484c35b4f26e8aec7fc4d56",
+  "translation_date": "2025-08-27T17:18:06+00:00",
+  "source_file": "1-Introduction/01-defining-data-science/solution/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਅਸਾਈਨਮੈਂਟ: ਡਾਟਾ ਸਾਇੰਸ ਸਥਿਤੀਆਂ
+
+ਇਸ ਪਹਿਲੇ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਵਿੱਚ ਕੁਝ ਅਸਲ-ਜੀਵਨ ਪ੍ਰਕਿਰਿਆ ਜਾਂ ਸਮੱਸਿਆ ਬਾਰੇ ਸੋਚੋ, ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦੇ ਹੋ। ਹੇਠਾਂ ਦਿੱਤੇ ਬਾਰੇ ਸੋਚੋ:
+
+1. ਤੁਸੀਂ ਕਿਹੜਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕਰੋਗੇ?
+1. ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰੋਗੇ? ਡਾਟਾ ਕਿੰਨਾ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ?
+1. ਤੁਸੀਂ ਇਸ ਡਾਟਾ ਤੋਂ ਕਿਹੜੀਆਂ ਝਲਕਾਂ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ? ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਅਸੀਂ ਕਿਹੜੇ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ?
+
+ਕੋਸ਼ਿਸ ਕਰੋ ਕਿ 3 ਵੱਖ-ਵੱਖ ਸਮੱਸਿਆਵਾਂ/ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਾਰੇ ਸੋਚੋ ਅਤੇ ਹਰ ਸਮੱਸਿਆ ਖੇਤਰ ਲਈ ਉਪਰੋਕਤ ਬਿੰਦੂਆਂ ਦਾ ਵਰਣਨ ਕਰੋ।
+
+ਇਹਾਂ ਕੁਝ ਸਮੱਸਿਆ ਖੇਤਰ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਸੋਚਣ ਲਈ ਸ਼ੁਰੂਆਤ ਦੇ ਸਕਦੇ ਹਨ:
+
+1. ਤੁਸੀਂ ਸਕੂਲਾਂ ਵਿੱਚ ਬੱਚਿਆਂ ਲਈ ਸਿੱਖਿਆ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਮਹਾਂਮਾਰੀ ਦੌਰਾਨ ਟੀਕਾਕਰਨ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ?
+1. ਤੁਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੰਮ 'ਤੇ ਉਤਪਾਦਕ ਹੋ?
+
+## ਹਦਾਇਤਾਂ
+
+ਹੇਠਾਂ ਦਿੱਤੇ ਟੇਬਲ ਨੂੰ ਭਰੋ (ਲੋੜ ਪੈਣ 'ਤੇ ਆਪਣੇ ਸੁਝਾਏ ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਦੀ ਜਗ੍ਹਾ ਲਓ):
+
+| ਸਮੱਸਿਆ ਖੇਤਰ | ਸਮੱਸਿਆ | ਕਿਹੜਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੈ | ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ | ਕਿਹੜੀਆਂ ਝਲਕਾਂ/ਫੈਸਲੇ ਅਸੀਂ ਕਰ ਸਕਦੇ ਹਾਂ | 
+|----------------|---------|-----------------------|-----------------------|--------------------------------------|
+| ਸਿੱਖਿਆ | ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ, ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਲੈਕਚਰਾਂ ਵਿੱਚ ਘੱਟ ਹਾਜ਼ਰੀ ਦੇਖਦੇ ਹਾਂ, ਅਤੇ ਸਾਨੂੰ ਇਹ ਧਾਰਨਾ ਹੈ ਕਿ ਜੋ ਵਿਦਿਆਰਥੀ ਲੈਕਚਰਾਂ ਵਿੱਚ ਹਾਜ਼ਰੀ ਦਿੰਦੇ ਹਨ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰੀਖਿਆਵਾਂ ਵਿੱਚ ਚੰਗਾ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਹਾਜ਼ਰੀ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਅਤੇ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। | ਅਸੀਂ ਕਲਾਸ ਵਿੱਚ ਸੁਰੱਖਿਆ ਕੈਮਰੇ ਦੁਆਰਾ ਲਏ ਗਏ ਤਸਵੀਰਾਂ ਰਾਹੀਂ ਹਾਜ਼ਰੀ ਨੂੰ ਟ੍ਰੈਕ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਾਂ ਕਲਾਸ ਵਿੱਚ ਵਿਦਿਆਰਥੀ ਮੋਬਾਈਲ ਫੋਨ ਦੇ ਬਲੂਟੂਥ/ਵਾਈਫਾਈ ਐਡਰੈਸ ਨੂੰ ਟ੍ਰੈਕ ਕਰ ਸਕਦੇ ਹਾਂ। ਪ੍ਰੀਖਿਆ ਡਾਟਾ ਪਹਿਲਾਂ ਹੀ ਯੂਨੀਵਰਸਿਟੀ ਡਾਟਾਬੇਸ ਵਿੱਚ ਉਪਲਬਧ ਹੈ। | ਜੇ ਅਸੀਂ ਸੁਰੱਖਿਆ ਕੈਮਰੇ ਦੀਆਂ ਤਸਵੀਰਾਂ ਟ੍ਰੈਕ ਕਰਦੇ ਹਾਂ - ਅਸੀਂ ਕਲਾਸ ਦੌਰਾਨ ਕੁਝ (5-10) ਤਸਵੀਰਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ (ਅਸੰਰਚਿਤ ਡਾਟਾ), ਅਤੇ ਫਿਰ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਚਿਹਰਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ (ਡਾਟਾ ਨੂੰ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਬਦਲਣਾ)। | ਅਸੀਂ ਹਰ ਵਿਦਿਆਰਥੀ ਲਈ ਔਸਤ ਹਾਜ਼ਰੀ ਡਾਟਾ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਪ੍ਰੀਖਿਆ ਅੰਕਾਂ ਨਾਲ ਕੋਈ ਸੰਬੰਧ ਹੈ ਜਾਂ ਨਹੀਂ। ਵਿਦਿਆਰਥੀ ਹਾਜ਼ਰੀ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ, ਅਸੀਂ ਸਕੂਲ ਪੋਰਟਲ 'ਤੇ ਸਾਪਤਾਹਿਕ ਹਾਜ਼ਰੀ ਰੇਟਿੰਗ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਹਾਜ਼ਰੀ ਵਾਲਿਆਂ ਵਿੱਚ ਇਨਾਮ ਵੰਡ ਸਕਦੇ ਹਾਂ। |
+| ਟੀਕਾਕਰਨ | | | | |
+| ਉਤਪਾਦਕਤਾ | | | | |
+
+> *ਅਸੀਂ ਸਿਰਫ ਇੱਕ ਜਵਾਬ ਉਦਾਹਰਣ ਵਜੋਂ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਜੋ ਤੁਹਾਨੂੰ ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ ਕੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਇਸਦਾ ਅੰਦਾਜ਼ਾ ਲੱਗ ਸਕੇ।*
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਇੱਕ ਵਿਅਕਤੀ ਸਾਰੇ ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਲਈ ਵਾਜਬ ਡਾਟਾ ਸਰੋਤ, ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਅਤੇ ਸੰਭਾਵਿਤ ਫੈਸਲੇ/ਝਲਕਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਸਮਰੱਥ ਸੀ | ਹੱਲ ਦੇ ਕੁਝ ਪਹਲੂ ਵਿਸਤ੍ਰਿਤ ਨਹੀਂ ਹਨ, ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਬਾਰੇ ਚਰਚਾ ਨਹੀਂ ਕੀਤੀ ਗਈ, ਘੱਟੋ-ਘੱਟ 2 ਸਮੱਸਿਆ ਖੇਤਰਾਂ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ | ਸਿਰਫ ਡਾਟਾ ਹੱਲ ਦੇ ਕੁਝ ਹਿੱਸੇ ਦਾ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਸਿਰਫ ਇੱਕ ਸਮੱਸਿਆ ਖੇਤਰ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/02-ethics/README.md b/translations/pa/1-Introduction/02-ethics/README.md
new file mode 100644
index 00000000..79032608
--- /dev/null
+++ b/translations/pa/1-Introduction/02-ethics/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8796f41f566a0a8ebb72863a83d558ed",
+  "translation_date": "2025-08-27T17:09:06+00:00",
+  "source_file": "1-Introduction/02-ethics/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਪਰਚੇ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/02-Ethics.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+---
+
+ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਦੇ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿੰਦੇ ਹਾਂ।
+
+ਬਾਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1-ਵਿੱਚ-3 ਵੱਡੇ ਸੰਗਠਨ ਆਪਣਾ ਡਾਟਾ ਆਨਲਾਈਨ [ਬਾਜ਼ਾਰਾਂ ਅਤੇ ਐਕਸਚੇਂਜ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। **ਐਪ ਡਿਵੈਲਪਰਾਂ** ਵਜੋਂ, ਸਾਨੂੰ ਡਾਟਾ-ਚਲਿਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਐਲਗੋਰਿਦਮ-ਚਲਿਤ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਅਤੇ ਸਸਤਾ ਲੱਗੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਹਰ ਜਗ੍ਹਾ ਹੋ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ [ਇਨ੍ਹਾਂ ਐਲਗੋਰਿਦਮਾਂ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹਥਿਆਰਕਰਨ ਨਾਲ ਕੀ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ।
+
+ਰੁਝਾਨ ਇਹ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ ਅਸੀਂ [180 ਜੈਟਾਬਾਈਟ](https://www.statista.com/statistics/871513/worldwide-data-created/) ਤੋਂ ਵੱਧ ਡਾਟਾ ਬਣਾਉਣ ਅਤੇ ਖਪਤ ਕਰਨਗੇ। **ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ** ਵਜੋਂ, ਇਹ ਸਾਨੂੰ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਤੱਕ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਪ੍ਰਭਾਵ ਪਾਉਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਨਾਲ [ਮੁਕਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਬਣ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਅਸੀਂ ਪਸੰਦ ਕਰਦੇ ਹਾਂ। ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਸੁਰੱਖਿਆ ਦੇ ਵਿਆਪਕ ਸਵਾਲ ਵੀ ਖੜ੍ਹੇ ਕਰਦਾ ਹੈ।
+
+ਡਾਟਾ ਨੈਤਿਕਤਾ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ _ਜ਼ਰੂਰੀ ਰੱਖਵਾਲ_ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਚਲਿਤ ਕਾਰਵਾਈਆਂ ਤੋਂ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਸਹਾਇਕ ਹਨ। [ਗਾਰਟਨਰ ਹਾਈਪ ਸਾਈਕਲ ਫਾਰ AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ਡਿਜ਼ੀਟਲ ਨੈਤਿਕਤਾ, ਜ਼ਿੰਮੇਵਾਰ AI, ਅਤੇ AI ਗਵਰਨੈਂਸ ਵਿੱਚ ਸਬੰਧਤ ਰੁਝਾਨਾਂ ਨੂੰ ਵੱਡੇ ਮੈਗਾਟ੍ਰੈਂਡਸ ਲਈ ਮੁੱਖ ਚਾਲਕ ਵਜੋਂ ਪਛਾਣਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ AI ਦੀ _ਲੋਕਤੰਤਰਤਾ_ ਅਤੇ _ਉਦਯੋਗੀਕਰਨ_।
+
+![ਗਾਰਟਨਰ ਦਾ AI ਲਈ ਹਾਈਪ ਸਾਈਕਲ - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ - ਮੁੱਖ ਧਾਰਨਾਵਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਤੋਂ ਲੈ ਕੇ ਕੇਸ ਸਟੱਡੀਜ਼ ਅਤੇ ਲਾਗੂ ਕੀਤੇ AI ਧਾਰਨਾਵਾਂ ਜਿਵੇਂ ਕਿ ਗਵਰਨੈਂਸ - ਜੋ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹਨ।
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯
+
+## ਮੁੱਢਲੀ ਪਰਿਭਾਸ਼ਾਵਾਂ
+
+ਆਓ ਮੁੱਢਲੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਸਮਝਣ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ।
+
+"ਨੈਤਿਕਤਾ" ਸ਼ਬਦ [ਯੂਨਾਨੀ ਸ਼ਬਦ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ਅਤੇ ਇਸਦੀ ਜੜ "ethos") ਤੋਂ ਆਉਂਦਾ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ _ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਪ੍ਰਕਿਰਤੀ_।
+
+**ਨੈਤਿਕਤਾ** ਉਹ ਸਾਂਝੇ ਮੁੱਲ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਹਨ ਜੋ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਵਿਵਹਾਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਨੈਤਿਕਤਾ ਕਾਨੂੰਨਾਂ 'ਤੇ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਗੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੈ ਕਿ ਕੀ "ਸਹੀ ਵਿਰੁੱਧ ਗਲਤ" ਹੈ। ਹਾਲਾਂਕਿ, ਨੈਤਿਕ ਵਿਚਾਰ ਕਾਰਪੋਰੇਟ ਗਵਰਨੈਂਸ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਅਧਿਕਤਮ ਪਾਲਣਾ ਲਈ ਹੋਰ ਪ੍ਰੇਰਨਾ ਪੈਦਾ ਕਰਦੇ ਹਨ।
+
+**ਡਾਟਾ ਨੈਤਿਕਤਾ** ਇੱਕ [ਨਵਾਂ ਨੈਤਿਕਤਾ ਦਾ ਸ਼ਾਖਾ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ਹੈ ਜੋ "_ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸਾਂ_" ਨਾਲ ਸੰਬੰਧਿਤ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇੱਥੇ, **"ਡਾਟਾ"** ਜਨਰੇਸ਼ਨ, ਰਿਕਾਰਡਿੰਗ, ਕਿਊਰੇਸ਼ਨ, ਪ੍ਰੋਸੈਸਿੰਗ, ਪ੍ਰਸਾਰਣ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤਣ ਨਾਲ ਸੰਬੰਧਿਤ ਕਾਰਵਾਈਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, **"ਐਲਗੋਰਿਦਮ"** AI, ਏਜੰਟ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਰੋਬੋਟ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਅਤੇ **"ਅਭਿਆਸ"** ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨਤਾ, ਪ੍ਰੋਗਰਾਮਿੰਗ, ਹੈਕਿੰਗ ਅਤੇ ਨੈਤਿਕਤਾ ਕੋਡ ਜਿਵੇਂ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ।
+
+**ਲਾਗੂ ਨੈਤਿਕਤਾ** [ਨੈਤਿਕ ਵਿਚਾਰਾਂ ਦੀ ਵਿਵਹਾਰਕ ਲਾਗੂ](https://en.wikipedia.org/wiki/Applied_ethics) ਹੈ। ਇਹ _ਅਸਲ ਦੁਨੀਆ ਦੇ ਕਾਰਵਾਈਆਂ, ਉਤਪਾਦ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ_ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸਰਗਰਮ ਜਾਂਚ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਸਹੀ ਕਦਮ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਕਿ ਇਹ ਸਾਡੇ ਨਿਰਧਾਰਤ ਨੈਤਿਕ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਰਹੇ।
+
+**ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ** [_ਲਾਗੂ ਨੈਤਿਕਤਾ ਨੂੰ ਕਾਰਗਰ ਬਣਾਉਣ](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ਬਾਰੇ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਸਾਡੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਸੰਗਠਨ ਦੇ ਹਰ ਪੱਧਰ 'ਤੇ ਲਗਾਤਾਰ ਅਤੇ ਵਿਆਪਕ ਤਰੀਕੇ ਨਾਲ ਅਪਨਾਏ ਜਾਂਦੇ ਹਨ। ਸਫਲ ਨੈਤਿਕਤਾ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ ਸੰਗਠਨ-ਵਿਆਪਕ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ, ਪਾਲਣਾ ਲਈ ਅਰਥਪੂਰਨ ਪ੍ਰੇਰਨਾ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਹਰ ਪੱਧਰ 'ਤੇ ਚਾਹੀਦੇ ਵਿਵਹਾਰਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਅਤੇ ਵਧਾ ਕੇ ਨੈਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀਆਂ ਹਨ।
+
+## ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ
+
+ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ **ਸਾਂਝੇ ਮੁੱਲ** (ਸਿਧਾਂਤ) ਅਤੇ **ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ** (ਸਮੱਸਿਆਵਾਂ) ਜਿਵੇਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ 'ਤੇ ਚਰਚਾ ਕਰਾਂਗੇ - ਅਤੇ **ਕੇਸ ਸਟੱਡੀਜ਼** ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ ਜੋ ਤੁਹਾਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਇਹ ਧਾਰਨਾਵਾਂ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ।
+
+### 1. ਨੈਤਿਕ ਸਿਧਾਂਤ
+
+ਹਰ ਡਾਟਾ ਨੈਤਿਕਤਾ ਰਣਨੀਤੀ ਦੀ ਸ਼ੁਰੂਆਤ _ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ_ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਨਾਲ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਸਵੀਕਾਰਯੋਗ ਵਿਵਹਾਰਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਪ੍ਰਾਜੈਕਟਾਂ ਵਿੱਚ ਪਾਲਣਾ ਕਰਨ ਵਾਲੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਮਾਰਗਦਰਸ਼ਨ ਦਿੰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਟੀਮ ਪੱਧਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਜ਼ਿਆਦਾਤਰ ਵੱਡੇ ਸੰਗਠਨ ਇਹਨਾਂ ਨੂੰ ਇੱਕ _ਨੈਤਿਕ AI_ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਜਾਂ ਫਰੇਮਵਰਕ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ ਕਰਦੇ ਹਨ ਜੋ ਕਾਰਪੋਰੇਟ ਪੱਧਰ 'ਤੇ ਨਿਰਧਾਰਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਟੀਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+**ਉਦਾਹਰਨ:** ਮਾਈਕਰੋਸਾਫਟ ਦਾ [ਜ਼ਿੰਮੇਵਾਰ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕਹਿੰਦਾ ਹੈ: _"ਅਸੀਂ AI ਦੇ ਅਗਾਂਹ ਵਧਾਉਣ ਲਈ ਵਚਨਬੱਧ ਹਾਂ ਜੋ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੁਆਰਾ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਪਹਿਲਾਂ ਰੱਖਦਾ ਹੈ"_ - ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ:
+
+![ਮਾਈਕਰੋਸਾਫਟ ਵਿੱਚ ਜ਼ਿੰਮੇਵਾਰ AI](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
+
+ਆਓ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਦੀ ਸੰਖੇਪ ਵਿੱਚ ਪੜਚੋਲ ਕਰੀਏ। _ਪਾਰਦਰਸ਼ਤਾ_ ਅਤੇ _ਜਵਾਬਦੇਹੀ_ ਮੁੱਢਲੇ ਮੁੱਲ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਹੋਰ ਸਿਧਾਂਤ ਬਣੇ ਹਨ - ਇਸ ਲਈ ਆਓ ਇੱਥੇ ਸ਼ੁਰੂ ਕਰੀਏ:
+
+* [**ਜਵਾਬਦੇਹੀ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਲਈ, ਅਤੇ ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਲਈ _ਜਵਾਬਦੇਹ_ ਬਣਾਉਂਦੀ ਹੈ।
+* [**ਪਾਰਦਰਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਸਮਝਣਯੋਗ_ ਹਨ, ਫੈਸਲਿਆਂ ਦੇ ਪਿੱਛੇ ਕੀ ਅਤੇ ਕਿਉਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀਆਂ ਹਨ।
+* [**ਨਿਆਂ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ ਕਿ AI _ਸਾਰੇ ਲੋਕਾਂ_ ਨਾਲ ਨਿਆਂ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਪ੍ਰਣਾਲੀਕ ਜਾਂ ਅਸਪਸ਼ਟ ਸਮਾਜ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ।
+* [**ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI _ਲਗਾਤਾਰ_ ਨਿਰਧਾਰਤ ਮੁੱਲਾਂ ਨਾਲ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ, ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
+* [**ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਡਾਟਾ ਦੀ ਲੀਨਿਏਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ_ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ।
+* [**ਸਮਾਵੇਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਇਰਾਦੇ ਨਾਲ AI ਹੱਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਬਾਰੇ ਹੈ, ਇਹਨਾਂ ਨੂੰ _ਵਿਆਪਕ ਮਨੁੱਖੀ ਜ਼ਰੂਰਤਾਂ_ ਅਤੇ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ।
+
+> 🚨 ਸੋਚੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਨੈਤਿਕਤਾ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕੀ ਹੋ ਸਕਦਾ ਹੈ। ਹੋਰ ਸੰਗਠਨਾਂ ਦੇ ਨੈਤਿਕ AI ਫਰੇਮਵਰਕ ਦੀ ਪੜਚੋਲ ਕਰੋ - ਇੱਥੇ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), ਅਤੇ [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ਦੇ ਉਦਾਹਰਨ ਹਨ। ਉਹਨਾਂ ਦੇ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ?
+
+### 2. ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ
+
+ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੈਤਿਕ ਸਿਧਾਂਤ ਨਿਰਧਾਰਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਉਹ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਹਨ। ਆਪਣੇ ਕਾਰਵਾਈਆਂ ਨੂੰ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸੋਚੋ: _ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ_ ਅਤੇ _ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ_।
+
+ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ **ਵਿਅਕਤੀਗਤ ਡਾਟਾ** ਜਾਂ ਪਹਿਚਾਣਯੋਗ ਜੀਵਤ ਵਿਅਕਤੀਆਂ ਲਈ ਵਿਅਕਤੀਗਤ ਪਹਿਚਾਣਯੋਗ ਜਾਣਕਾਰੀ (PII) ਸ਼ਾਮਲ ਹੋਵੇਗੀ। ਇਸ ਵਿੱਚ [ਗੈਰ-ਵਿਅਕਤੀਗਤ ਡਾਟਾ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ਦੇ ਵੱਖ-ਵੱਖ ਆਈਟਮ ਸ਼ਾਮਲ ਹਨ ਜੋ _ਸਾਂਝੇ ਤੌਰ 'ਤੇ_ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪਹਿਚਾਣ ਕਰਦੇ ਹਨ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ_, _ਡਾਟਾ ਮਾਲਕੀ_, ਅਤੇ ਸੰਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ _ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ_ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਬੌਧਿਕ ਸੰਪਤੀ ਅਧਿਕਾਰ_ ਨਾਲ ਸੰਬੰਧਿਤ ਹੋ ਸਕਦੀਆਂ ਹਨ।
+
+ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ **ਡਾਟਾਸੈਟ** ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਕਿਊਰੇਟ ਕਰਨ, ਫਿਰ **ਡਾਟਾ ਮਾਡਲ** ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਜਾਂ ਫੈਸਲੇ ਆਟੋਮੇਟ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਅਤੇ ਤੈਨਾਤ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੀਆਂ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾਸੈਟ ਪੱਖਪਾਤ_, _ਡਾਟਾ ਗੁਣਵੱਤਾ_ ਦੇ ਮੁੱਦਿਆਂ, _ਅਨਿਆਂ_ ਅਤੇ _ਗਲਤ ਪੇਸ਼ਕਾਰੀ_ ਵਿੱਚ ਉਤਪੰਨ ਹੋ ਸਕਦੀਆਂ ਹਨ - ਜਿਸ ਵਿੱਚ ਕੁਝ ਮੁੱਦੇ ਪ੍ਰਣਾਲੀਕ ਪ੍ਰਕਿਰਤੀ ਦੇ
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ਇਹ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਥਮ ਡਿਜ਼ਾਈਨ ਸਿਸਟਮੈਟਿਕ ਤੌਰ 'ਤੇ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੇ ਖਾਸ ਉਪ-ਸਮੂਹਾਂ ਦੇ ਖਿਲਾਫ ਭੇਦਭਾਵ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ _ਵੰਡ_ (ਜਿੱਥੇ ਸਾਧਨ ਉਸ ਸਮੂਹ ਤੋਂ ਰੋਕੇ ਜਾਂ ਵਾਪਸ ਲਏ ਜਾਂਦੇ ਹਨ) ਅਤੇ _ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ_ (ਜਿੱਥੇ AI ਕੁਝ ਉਪ-ਸਮੂਹਾਂ ਲਈ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਸਹੀ ਹੁੰਦੀ ਹੈ) ਵਿੱਚ [ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ਹੁੰਦੇ ਹਨ।
+
+ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+* ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਉਪ-ਸਮੂਹਾਂ ਅਤੇ ਹਾਲਾਤਾਂ ਲਈ ਮਾਡਲ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਨ ਕੀਤਾ?
+* ਕੀ ਅਸੀਂ ਸਿਸਟਮ ਨੂੰ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟਿਰਿਓਟਾਈਪਿੰਗ) ਲਈ ਗਹਿਰਾਈ ਨਾਲ ਦੇਖਿਆ?
+* ਕੀ ਅਸੀਂ ਪਛਾਣੇ ਗਏ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡਾਟਾ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ ਜਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
+
+[AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ਵਰਗੇ ਸਰੋਤਾਂ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ।
+
+#### 2.9 ਗਲਤ ਪੇਸ਼ਕਾਰੀ
+
+[ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ਇਸ ਗੱਲ ਦਾ ਮੁਲਾਂਕਨ ਕਰਦੀ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚਾਈ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੇ ਡਾਟਾ ਤੋਂ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਇੱਕ ਚਾਹੀਦੀ ਕਹਾਣੀ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਪੇਸ਼ ਕਰ ਰਹੇ ਹਾਂ।
+
+ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+* ਕੀ ਅਸੀਂ ਅਧੂਰਾ ਜਾਂ ਗਲਤ ਡਾਟਾ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹਾਂ?
+* ਕੀ ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵਿਜੁਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ?
+* ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਹੇਰਫੇਰ ਕਰਨ ਲਈ ਚੁਣਵਾਂ ਸਾਂਖਿਕ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ?
+* ਕੀ ਹੋਰ ਵਿਵਸਥਾਵਾਂ ਹਨ ਜੋ ਵੱਖਰੇ ਨਤੀਜੇ ਪੇਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ?
+
+#### 2.10 ਮੁਫ਼ਤ ਚੋਣ
+[ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਸਟਮ "ਚੋਣ ਆਰਕੀਟੈਕਚਰ" ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਥਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਾ ਦਿੱਤਾ ਜਾਵੇ, ਜਦੋਂ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ [ਡਾਰਕ ਪੈਟਰਨ](https://www.darkpatterns.org/) ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਵਹਾਰਕ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਚੋਣਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਨੁਕਸਾਨਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਲੰਬਾ ਕਰ ਸਕਦੀਆਂ ਹਨ।
+
+ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+* ਕੀ ਉਪਭੋਗਤਾ ਨੇ ਉਸ ਚੋਣ ਨੂੰ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਿਆ?
+* ਕੀ ਉਪਭੋਗਤਾ (ਵਿਕਲਪਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਤੋਂ ਜਾਣੂ ਸੀ?
+* ਕੀ ਉਪਭੋਗਤਾ ਬਾਅਦ ਵਿੱਚ ਇੱਕ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹੈ?
+
+### 3. ਕੇਸ ਸਟੱਡੀਜ਼
+
+ਇਹ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਜੋ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ ਲਈ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੀਆਂ ਹਨ, ਜਦੋਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਨੈਤਿਕ ਉਲੰਘਣਾਵਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨ ਹਨ:
+
+| ਨੈਤਿਕ ਚੁਣੌਤੀ | ਕੇਸ ਸਟੱਡੀ |  
+|--- |--- |  
+| **ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ** | 1972 - [ਟਸਕੀਗੀ ਸਿਫਿਲਿਸ ਸਟੱਡੀ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ਅਫਰੀਕੀ ਅਮਰੀਕੀ ਪੁਰਸ਼ਾਂ ਨੂੰ ਜੋ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਏ, ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਦੇਖਭਾਲ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ _ਪਰ ਧੋਖਾ ਦਿੱਤਾ_ ਗਿਆ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੀ ਬਿਮਾਰੀ ਜਾਂ ਇਲਾਜ ਦੀ ਉਪਲਬਧਤਾ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨਹੀਂ ਦਿੱਤੀ। ਕਈ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋ ਗਈ ਅਤੇ ਸਾਥੀ ਜਾਂ ਬੱਚੇ ਪ੍ਰਭਾਵਿਤ ਹੋਏ; ਅਧਿਐਨ 40 ਸਾਲ ਤੱਕ ਚੱਲਿਆ। |  
+| **ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ** | 2007 - [Netflix ਡਾਟਾ ਇਨਾਮ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ਨੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ _50K ਗਾਹਕਾਂ ਤੋਂ 10M ਅਨਾਮਿਤ ਫਿਲਮ ਰੈਂਕਿੰਗ_ ਦਿੱਤੀਆਂ ਤਾਂ ਜੋ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਥਮਾਂ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾ ਸਕੇ। ਹਾਲਾਂਕਿ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਅਨਾਮਿਤ ਡਾਟਾ ਨੂੰ _ਬਾਹਰੀ ਡਾਟਾਸੈਟਾਂ_ (ਜਿਵੇਂ IMDb ਟਿੱਪਣੀਆਂ) ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਪਛਾਣਯੋਗ ਡਾਟਾ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ - ਕੁਝ Netflix ਗਾਹਕਾਂ ਨੂੰ "ਡੀ-ਅਨਾਨਿਮਾਈਜ਼" ਕਰਨਾ। |  
+| **ਕਲੈਕਸ਼ਨ ਪੱਖਪਾਤ** | 2013 - ਬੋਸਟਨ ਸ਼ਹਿਰ ਨੇ [Street Bump](https://www.boston.gov/transportation/street-bump) ਵਿਕਸਿਤ ਕੀਤਾ, ਇੱਕ ਐਪ ਜਿਸ ਨੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਪੋਥੋਲ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ, ਜਿਸ ਨਾਲ ਸ਼ਹਿਰ ਨੂੰ ਬਿਹਤਰ ਸੜਕ ਡਾਟਾ ਮਿਲਿਆ। ਹਾਲਾਂਕਿ, [ਘੱਟ ਆਮਦਨ ਵਾਲੇ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਕੋਲ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਤੱਕ ਘੱਟ ਪਹੁੰਚ ਸੀ](https://hbr.org/2013/04/the-hidden-biases-in-big-data), ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੇ ਸੜਕ ਦੇ ਮੁੱਦੇ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ ਹੋ ਗਏ। ਡਿਵੈਲਪਰਾਂ ਨੇ ਅਕਾਦਮਿਕ ਵਿਦਵਾਨਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ ਤਾਂ ਜੋ _ਸਮਾਨ ਪਹੁੰਚ ਅਤੇ ਡਿਜ਼ੀਟਲ ਵੱਖ-ਵੱਖਤਾ_ ਦੇ ਮੁੱਦਿਆਂ ਨੂੰ ਨੈਤਿਕਤਾ ਲਈ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕੇ। |  
+| **ਐਲਗੋਰਿਥਮਿਕ ਨੈਤਿਕਤਾ** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ਨੇ ਜੈਂਡਰ ਕਲਾਸੀਫਿਕੇਸ਼ਨ AI ਉਤਪਾਦਾਂ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਨ ਕੀਤਾ, ਜੋ ਮਹਿਲਾਵਾਂ ਅਤੇ ਰੰਗ ਦੇ ਵਿਅਕਤੀਆਂ ਲਈ ਸਹੀਤਾ ਵਿੱਚ ਖਾਮੀਆਂ ਨੂੰ ਬੇਨਕਾਬ ਕਰਦਾ ਹੈ। ਇੱਕ [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ਨੇ ਮਹਿਲਾਵਾਂ ਨੂੰ ਪੁਰਸ਼ਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਕਰਜ਼ਾ ਦਿੱਤਾ। ਦੋਵੇਂ ਨੇ ਐਲਗੋਰਿਥਮਿਕ ਪੱਖਪਾਤ ਵਿੱਚ ਮੁੱਦਿਆਂ ਨੂੰ ਦਰਸਾਇਆ ਜਿਸ ਨਾਲ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਨੁਕਸਾਨ ਹੋਏ। |  
+| **ਡਾਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ** | 2020 - [ਜਾਰਜੀਆ ਡਿਪਾਰਟਮੈਂਟ ਆਫ਼ ਪਬਲਿਕ ਹੈਲਥ ਨੇ COVID-19 ਚਾਰਟ ਜਾਰੀ ਕੀਤੇ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ਜੋ ਪੁਸ਼ਟੀ ਕੀਤੇ ਕੇਸਾਂ ਵਿੱਚ ਰੁਝਾਨਾਂ ਬਾਰੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਨ ਲਈ ਗਲਤ ਲਗਦੇ ਸਨ। ਇਹ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਂ ਰਾਹੀਂ ਗਲਤ ਪੇਸ਼ਕਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। |  
+| **ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ** | 2020 - ਸਿੱਖਣ ਵਾਲੇ ਐਪ [ABCmouse ਨੇ FTC ਸ਼ਿਕਾਇਤ ਨੂੰ ਸੈਟਲ ਕਰਨ ਲਈ $10M ਦਾ ਭੁਗਤਾਨ ਕੀਤਾ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ਜਿੱਥੇ ਮਾਪੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਲਈ ਫਸੇ ਹੋਏ ਸਨ ਜਿਸ ਨੂੰ ਉਹ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਇਹ ਚੋਣ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਡਾਰਕ ਪੈਟਰਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦਾਇਕ ਚੋਣਾਂ ਵੱਲ ਧੱਕਿਆ ਗਿਆ। |  
+| **ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ** | 2021 - Facebook [ਡਾਟਾ ਬ੍ਰੀਚ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ਨੇ 530M ਉਪਭੋਗਤਾਵਾਂ ਤੋਂ ਡਾਟਾ ਨੂੰ ਬੇਨਕਾਬ ਕੀਤਾ, ਜਿਸ ਨਾਲ FTC ਨੂੰ $5B ਦਾ ਸੈਟਲਮੈਂਟ ਹੋਇਆ। ਹਾਲਾਂਕਿ, ਇਸ ਨੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਬ੍ਰੀਚ ਦੀ ਸੂਚਨਾ ਦੇਣ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ, ਜੋ ਡਾਟਾ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਪਹੁੰਚ ਦੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ। |
+
+ਹੋਰ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਖੋਜ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕ ਦਿਲੇਮਾਂ।
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਪ੍ਰਸਿੱਧ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਖੋਜ।
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - ਡਿਓਨ ਚੈਕਲਿਸਟ ਨਾਲ ਉਦਾਹਰਨ।
+
+> 🚨 ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਦੇਖੀਆਂ ਹਨ - ਕੀ ਤੁਸੀਂ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੋਰ ਕੇਸ ਸਟੱਡੀ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ?
+
+## ਲਾਗੂ ਨੈਤਿਕਤਾ
+
+ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਅਵਧਾਰਨਾ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ। ਪਰ ਅਸੀਂ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰਦੇ ਹਾਂ? ਅਤੇ ਅਸੀਂ ਬਿਹਤਰ ਸ਼ਾਸਨ ਲਈ ਇਨ੍ਹਾਂ ਅਭਿਆਸਾਂ ਨੂੰ ਕਿਵੇਂ "ਚਾਲੂ" ਕਰਦੇ ਹਾਂ? ਆਓ ਕੁਝ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਹੱਲਾਂ ਦੀ ਖੋਜ ਕਰੀਏ:
+
+### 1. ਪੇਸ਼ੇਵਰ ਕੋਡ
+
+ਪੇਸ਼ੇਵਰ ਕੋਡ ਸੰਗਠਨਾਂ ਨੂੰ ਆਪਣੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮੈਂਬਰਾਂ ਨੂੰ "ਪ੍ਰੇਰਿਤ" ਕਰਨ ਦਾ ਇੱਕ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਿਵਹਾਰ ਲਈ _ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼_ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਆਪਣੇ ਸੰਗਠਨ ਦੇ ਸਿਧਾਂਤਾਂ ਦੇ ਅਨੁਕੂਲ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਹ ਸਿਰਫ ਮੈਂਬਰਾਂ ਦੀ ਸਵੈ-ਇੱਛਾ ਅਨੁਕੂਲਤਾ ਦੇ ਤੌਰ 'ਤੇ ਹੀ ਚੰਗੇ ਹਨ; ਹਾਲਾਂਕਿ, ਕਈ ਸੰਗਠਨ ਮੈਂਬਰਾਂ ਤੋਂ ਅਨੁਕੂਲਤਾ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਨ ਲਈ ਵਾਧੂ ਇਨਾਮ ਅਤੇ ਸਜ਼ਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ।
+
+ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ
+* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) ਕੋਡ ਆਫ਼ ਕੰਡਕਟ (2013 ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ)
+* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 ਤੋਂ)
+
+> 🚨 ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਪੇਸ਼ੇਵਰ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਂ ਡਾਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਦੇ ਮੈਂਬਰ ਹੋ? ਉਨ੍ਹਾਂ ਦੀ ਸਾਈਟ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕੀ ਉਹ ਪੇਸ਼ੇਵਰ ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੇਰਿਤ" ਕਰ ਰਹੇ ਹਨ?
+
+### 2. ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟ
+
+ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਅਭਿਆਸਕਰਤਾਵਾਂ ਤੋਂ ਲੋੜੀਂਦੇ _ਨੈਤਿਕ ਵਿਵਹਾਰ_ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਹ [ਜਾਣੇ-ਪਛਾਣੇ ਸੀਮਾਵਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਵਿੱਚ ਵੱਡੇ-ਪੱਧਰ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਹਨ। ਇਸ ਦੇ ਬਦਲੇ, ਕਈ ਡਾਟਾ ਸਾਇੰਸ ਵਿਦਵਾਨ [ਚੈਕਲਿਸਟਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ, ਜੋ **ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਭਿਆਸਾਂ ਨਾਲ** ਹੋਰ ਨਿਰਧਾਰਤ ਅਤੇ ਕਾਰਗਰ ਤਰੀਕੇ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹਨ।
+
+ਚੈਕਲਿਸਟ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ/ਨਹੀਂ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੇ ਹਨ ਜੋ ਚਾਲੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਆਰੀ ਉਤਪਾਦ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਟ੍ਰੈਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+* [Deon](https://deon.drivendata.org/) - ਉਦਯੋਗ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਤੋਂ ਬਣਾਈ ਗਈ ਇੱਕ ਜਨਰਲ-ਪPurpose ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟ [ਚੈਕਲਿਸਟ-ਸਿਟੇਸ਼ਨ](https://deon.drivendata.org/#checklist-citations) ਨਾਲ ਇੱਕ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਲਈ ਆਸਾਨ ਇੰਟੀਗ੍ਰੇਸ਼ਨ।
+* [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਪੱਖਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਸੰਭਾਲਣ ਦੇ ਅਭਿਆਸਾਂ ਲਈ ਆਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+* [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ਵਿਕਾਸ ਚ
+* [ਜਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ ਤੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਪਾਠ।
+* [ਨੈਤਿਕਤਾ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly ਦੀ ਇਬੁੱਕ (M. Loukides, H. Mason ਆਦਿ)।
+* [ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਮਿਸ਼ੀਗਨ ਯੂਨੀਵਰਸਿਟੀ ਦਾ ਆਨਲਾਈਨ ਕੋਰਸ।
+* [ਨੈਤਿਕਤਾ ਅਨਵਰਾਪਡ](https://ethicsunwrapped.utexas.edu/case-studies) - ਟੈਕਸਸ ਯੂਨੀਵਰਸਿਟੀ ਵੱਲੋਂ ਕੇਸ ਅਧਿਐਨ।
+
+# ਅਸਾਈਨਮੈਂਟ
+
+[ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਕੇਸ ਅਧਿਐਨ ਲਿਖੋ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/02-ethics/assignment.md b/translations/pa/1-Introduction/02-ethics/assignment.md
new file mode 100644
index 00000000..eebf892e
--- /dev/null
+++ b/translations/pa/1-Introduction/02-ethics/assignment.md
@@ -0,0 +1,34 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b588c0fc73014f52520c666efc3e0cc3",
+  "translation_date": "2025-08-27T17:12:42+00:00",
+  "source_file": "1-Introduction/02-ethics/assignment.md",
+  "language_code": "pa"
+}
+-->
+## ਡਾਟਾ ਨੈਤਿਕਤਾ ਕੇਸ ਅਧਿਐਨ ਲਿਖੋ
+
+## ਹਦਾਇਤਾਂ
+
+ਤੁਸੀਂ ਵੱਖ-ਵੱਖ [ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀਆਂ](README.md#2-ethics-challenges) ਬਾਰੇ ਸਿੱਖਿਆ ਹੈ ਅਤੇ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੇਖੇ ਹਨ [ਕੇਸ ਅਧਿਐਨ](README.md#3-case-studies) ਜੋ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
+
+ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਤੁਸੀਂ ਆਪਣਾ ਕੇਸ ਅਧਿਐਨ ਲਿਖੋਗੇ ਜੋ ਤੁਹਾਡੇ ਆਪਣੇ ਤਜਰਬੇ ਤੋਂ ਜਾਂ ਕਿਸੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭ ਤੋਂ ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੋਵੇ। ਸਿਰਫ ਇਹ ਕਦਮ ਅਨੁਸਰ ਕਰੋ:
+
+1. `ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀ ਚੁਣੋ`। [ਪਾਠ ਦੇ ਉਦਾਹਰਣਾਂ](README.md#2-ethics-challenges) ਨੂੰ ਦੇਖੋ ਜਾਂ [Deon Checklist](https://deon.drivendata.org/examples/) ਵਰਗੇ ਆਨਲਾਈਨ ਉਦਾਹਰਣਾਂ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਪ੍ਰੇਰਨਾ ਮਿਲੇ।
+
+2. `ਅਸਲ ਦੁਨੀਆ ਦਾ ਉਦਾਹਰਣ ਵੇਖਾਓ`। ਕਿਸੇ ਅਜਿਹੀ ਸਥਿਤੀ ਬਾਰੇ ਸੋਚੋ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਸੁਣਿਆ ਹੈ (ਸੁਰਖੀਆਂ, ਖੋਜ ਅਧਿਐਨ ਆਦਿ) ਜਾਂ ਅਨੁਭਵ ਕੀਤਾ ਹੈ (ਸਥਾਨਕ ਸਮੁਦਾਇ), ਜਿੱਥੇ ਇਹ ਖਾਸ ਚੁਣੌਤੀ ਵਾਪਰੀ। ਡਾਟਾ ਨੈਤਿਕਤਾ ਸਵਾਲਾਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਇਸ ਚੁਣੌਤੀ ਨਾਲ ਜੁੜੇ ਹਨ - ਅਤੇ ਉਹ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜੇ ਚਰਚਾ ਕਰੋ ਜੋ ਇਸ ਮੁੱਦੇ ਦੇ ਕਾਰਨ ਪੈਦਾ ਹੁੰਦੇ ਹਨ। ਬੋਨਸ ਪਾਇੰਟ: ਸੰਭਾਵਿਤ ਹੱਲਾਂ ਜਾਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਇੱਥੇ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ ਤਾਂ ਜੋ ਇਸ ਚੁਣੌਤੀ ਦੇ ਨਕਾਰਾਤਮਕ ਪ੍ਰਭਾਵ ਨੂੰ ਖਤਮ ਜਾਂ ਘਟਾਇਆ ਜਾ ਸਕੇ।
+
+3. `ਸੰਬੰਧਿਤ ਸਰੋਤਾਂ ਦੀ ਸੂਚੀ ਦਿਓ`। ਇੱਕ ਜਾਂ ਵੱਧ ਸਰੋਤਾਂ (ਲਿੰਕ, ਨਿੱਜੀ ਬਲੌਗ ਪੋਸਟ ਜਾਂ ਚਿੱਤਰ, ਆਨਲਾਈਨ ਖੋਜ ਪੇਪਰ ਆਦਿ) ਸਾਂਝੇ ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਸਾਬਤ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਇਹ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਵਾਪਰਿਆ ਸੀ। ਬੋਨਸ ਪਾਇੰਟ: ਉਹ ਸਰੋਤ ਸਾਂਝੇ ਕਰੋ ਜੋ ਇਸ ਘਟਨਾ ਦੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਨਤੀਜੇ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ, ਜਾਂ ਇਸਦੀ ਦੁਹਰਾਈ ਨੂੰ ਰੋਕਣ ਲਈ ਕੀਤੇ ਗਏ ਸਕਾਰਾਤਮਕ ਕਦਮਾਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੇ ਹਨ।
+
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਇੱਕ ਜਾਂ ਵੱਧ ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਗਈ ਹੈ। <br/> <br/> ਕੇਸ ਅਧਿਐਨ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਅਸਲ ਦੁਨੀਆ ਦੀ ਘਟਨਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਉਸ ਚੁਣੌਤੀ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਅਤੇ ਅਵਾਂਛਣੀ ਨਤੀਜੇ ਜਾਂ ਨੁਕਸਾਨਾਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ। <br/><br/> ਘਟਨਾ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਲਿੰਕ ਕੀਤਾ ਸਰੋਤ ਹੈ। | ਇੱਕ ਡਾਟਾ ਨੈਤਿਕਤਾ ਚੁਣੌਤੀ ਦੀ ਪਛਾਣ ਕੀਤੀ ਗਈ ਹੈ। <br/><br/> ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸੰਬੰਧਿਤ ਨੁਕਸਾਨ ਜਾਂ ਨਤੀਜੇ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ। <br/><br/> ਹਾਲਾਂਕਿ ਚਰਚਾ ਸੀਮਿਤ ਹੈ ਜਾਂ ਅਸਲ ਦੁਨੀਆ ਦੀ ਘਟਨਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ। | ਇੱਕ ਡਾਟਾ ਚੁਣੌਤੀ ਦੀ ਪਛਾਣ ਕੀਤੀ ਗਈ ਹੈ। <br/><br/> ਹਾਲਾਂਕਿ ਵਰਣਨ ਜਾਂ ਸਰੋਤ ਚੁਣੌਤੀ ਨੂੰ ਯਥਾਰਥਵਾਦੀ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦੇ ਨਹੀਂ ਹਨ ਜਾਂ ਅਸਲ ਦੁਨੀਆ ਦੀ ਘਟਨਾ ਨੂੰ ਸਾਬਤ ਨਹੀਂ ਕਰਦੇ। |
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/03-defining-data/README.md b/translations/pa/1-Introduction/03-defining-data/README.md
new file mode 100644
index 00000000..78946143
--- /dev/null
+++ b/translations/pa/1-Introduction/03-defining-data/README.md
@@ -0,0 +1,85 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "356d12cffc3125db133a2d27b827a745",
+  "translation_date": "2025-08-27T17:19:37+00:00",
+  "source_file": "1-Introduction/03-defining-data/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/03-DefiningData.png)|
+|:---:|
+|ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ - _ਸਕੇਚਨੋਟ ਦੁਆਰਾ [@nitya](https://twitter.com/nitya)_ |
+
+ਡਾਟਾ ਤੱਥ, ਜਾਣਕਾਰੀ, ਅਧਿਐਨ ਅਤੇ ਮਾਪ ਹਨ ਜੋ ਖੋਜਾਂ ਕਰਨ ਅਤੇ ਜਾਣੂ ਫੈਸਲੇ ਲੈਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਡਾਟਾ ਪੌਇੰਟ ਇੱਕ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਡਾਟਾ ਦੀ ਇੱਕ ਇਕਾਈ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਡਾਟਾ ਪੌਇੰਟਸ ਦਾ ਇਕੱਠ ਹੈ। ਡਾਟਾਸੈੱਟ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਅਤੇ ਢਾਂਚਿਆਂ ਵਿੱਚ ਆ ਸਕਦੇ ਹਨ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਦੇ ਸਰੋਤ ਜਾਂ ਜਿੱਥੋਂ ਡਾਟਾ ਆਇਆ ਹੈ, ਉਸ 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਕੰਪਨੀ ਦੀ ਮਹੀਨਾਵਾਰ ਕਮਾਈ ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਹੋ ਸਕਦੀ ਹੈ ਪਰ ਇੱਕ ਸਮਾਰਟਵਾਚ ਤੋਂ ਆਉਣ ਵਾਲੇ ਘੰਟਾਵਾਰ ਦਿਲ ਦੀ ਧੜਕਣ ਦੇ ਡਾਟਾ ਨੂੰ [JSON](https://stackoverflow.com/a/383699) ਫਾਰਮੈਟ ਵਿੱਚ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਆਮ ਗੱਲ ਹੈ ਕਿ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਇੱਕ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ।
+
+ਇਹ ਪਾਠ ਡਾਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਇਸਦੇ ਸਰੋਤਾਂ ਦੁਆਰਾ ਇਸਨੂੰ ਪਛਾਣਨ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ।
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/4)
+
+## ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਵਰਣਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
+
+### ਕੱਚਾ ਡਾਟਾ  
+ਕੱਚਾ ਡਾਟਾ ਉਹ ਡਾਟਾ ਹੈ ਜੋ ਆਪਣੇ ਸਰੋਤ ਤੋਂ ਆਪਣੇ ਸ਼ੁਰੂਆਤੀ ਰੂਪ ਵਿੱਚ ਆਇਆ ਹੈ ਅਤੇ ਜਿਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਸੰਗਠਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ। ਇੱਕ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਕੀ ਹੋ ਰਿਹਾ ਹੈ, ਇਸਨੂੰ ਸਮਝਣ ਲਈ, ਇਸਨੂੰ ਇੱਕ ਅਜਿਹੇ ਫਾਰਮੈਟ ਵਿੱਚ ਸੰਗਠਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਮਨੁੱਖਾਂ ਅਤੇ ਉਹਨਾਂ ਤਕਨਾਲੋਜੀਆਂ ਦੁਆਰਾ ਸਮਝਿਆ ਜਾ ਸਕੇ ਜੋ ਇਸਦਾ ਅਗਲੇ ਪੜਾਅ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇੱਕ ਡਾਟਾਸੈੱਟ ਦੀ ਸਟ੍ਰਕਚਰ ਇਸਦੀ ਸੰਗਠਨਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਟ੍ਰਕਚਰਡ, ਅਨਸਟ੍ਰਕਚਰਡ ਅਤੇ ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਢਾਂਚੇ ਸਰੋਤ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੇ ਹਨ ਪਰ ਆਖਰਕਾਰ ਇਹ ਤਿੰਨ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਆਉਂਦੇ ਹਨ।
+
+### ਮਾਤਰਾਤਮਕ ਡਾਟਾ  
+ਮਾਤਰਾਤਮਕ ਡਾਟਾ ਇੱਕ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਗਿਣਤੀਯੋਗ ਅਧਿਐਨ ਹੁੰਦੇ ਹਨ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਾਪ ਅਤੇ ਗਣਿਤੀਕ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਮਾਤਰਾਤਮਕ ਡਾਟਾ ਦੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ: ਇੱਕ ਦੇਸ਼ ਦੀ ਆਬਾਦੀ, ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਉਚਾਈ ਜਾਂ ਇੱਕ ਕੰਪਨੀ ਦੀ ਤਿਮਾਹੀ ਕਮਾਈ। ਕੁਝ ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ, ਮਾਤਰਾਤਮਕ ਡਾਟਾ ਦਾ ਵਰਤੋਂ ਕਰਕੇ ਹਵਾ ਗੁਣਵੱਤਾ ਸੂਚਕ (AQI) ਦੇ ਮੌਸਮੀ ਰੁਝਾਨਾਂ ਦੀ ਖੋਜ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜਾਂ ਇੱਕ ਆਮ ਕੰਮਕਾਜ ਦੇ ਦਿਨ ਦੌਰਾਨ ਟ੍ਰੈਫਿਕ ਦੇ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
+
+### ਗੁਣਾਤਮਕ ਡਾਟਾ  
+ਗੁਣਾਤਮਕ ਡਾਟਾ, ਜਿਸਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਡਾਟਾ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਉਹ ਡਾਟਾ ਹੈ ਜੋ ਮਾਤਰਾਤਮਕ ਡਾਟਾ ਦੇ ਅਧਿਐਨ ਵਾਂਗ ਨਿਰਪੱਖ ਤੌਰ 'ਤੇ ਮਾਪਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਹੋਣ ਵਾਲਾ ਵਿਸ਼ੇਸ਼ਤਮਕ ਡਾਟਾ ਹੁੰਦਾ ਹੈ ਜੋ ਕਿਸੇ ਚੀਜ਼ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਉਤਪਾਦ ਜਾਂ ਪ੍ਰਕਿਰਿਆ। ਕਈ ਵਾਰ, ਗੁਣਾਤਮਕ ਡਾਟਾ ਗਿਣਤੀਯੋਗ ਹੁੰਦਾ ਹੈ ਪਰ ਆਮ ਤੌਰ 'ਤੇ ਗਣਿਤੀਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਨਹੀਂ ਜਾਂਦਾ, ਜਿਵੇਂ ਕਿ ਫੋਨ ਨੰਬਰ ਜਾਂ ਟਾਈਮਸਟੈਂਪ। ਗੁਣਾਤਮਕ ਡਾਟਾ ਦੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ: ਵੀਡੀਓ ਟਿੱਪਣੀਆਂ, ਕਾਰ ਦਾ ਮਾਡਲ ਜਾਂ ਤੁਹਾਡੇ ਸਭ ਤੋਂ ਨੇੜਲੇ ਦੋਸਤਾਂ ਦਾ ਮਨਪਸੰਦ ਰੰਗ। ਗੁਣਾਤਮਕ ਡਾਟਾ ਦਾ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕਿਹੜੇ ਉਤਪਾਦ ਸਭ ਤੋਂ ਵਧੀਆ ਲੱਗਦੇ ਹਨ ਜਾਂ ਨੌਕਰੀ ਦੇ ਅਰਜ਼ੀ ਰੈਜ਼ੂਮੇ ਵਿੱਚ ਲੋਕਪ੍ਰਿਯ ਕੁੰਜੀਸ਼ਬਦਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+
+### ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ  
+ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਉਹ ਡਾਟਾ ਹੈ ਜੋ ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਵਿੱਚ ਸੰਗਠਿਤ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਹਰ ਕਤਾਰ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਕਾਲਮਾਂ ਦਾ ਸੈੱਟ ਹੁੰਦਾ ਹੈ। ਕਾਲਮ ਕਿਸੇ ਖਾਸ ਕਿਸਮ ਦੇ ਮੁੱਲ ਦਾ ਪ੍ਰਤੀਨਿਧਿਤਾ ਕਰਦੇ ਹਨ ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਨਾਮ ਨਾਲ ਪਛਾਣਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੁੱਲ ਕੀ ਪ੍ਰਤੀਨਿਧਿਤਾ ਕਰਦਾ ਹੈ, ਜਦਕਿ ਕਤਾਰਾਂ ਵਿੱਚ ਅਸਲ ਮੁੱਲ ਹੁੰਦੇ ਹਨ। ਕਾਲਮਾਂ ਵਿੱਚ ਅਕਸਰ ਮੁੱਲਾਂ 'ਤੇ ਖਾਸ ਨਿਯਮ ਜਾਂ ਪਾਬੰਦੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਮੁੱਲ ਸਹੀ ਤੌਰ 'ਤੇ ਕਾਲਮ ਦੀ ਪ੍ਰਤੀਨਿਧਿਤਾ ਕਰਦੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਗਾਹਕਾਂ ਦੀ ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੀ ਕਲਪਨਾ ਕਰੋ ਜਿੱਥੇ ਹਰ ਕਤਾਰ ਵਿੱਚ ਇੱਕ ਫੋਨ ਨੰਬਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਫੋਨ ਨੰਬਰ ਕਦੇ ਵੀ ਅੱਖਰਮਾਲਾ ਅੱਖਰ ਨਹੀਂ ਰੱਖਦੇ। 
+
+ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦਾ ਇੱਕ ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਹੋਰ ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਨਾਲ ਜੋੜਿਆ ਜਾ ਸਕੇ। ਹਾਲਾਂਕਿ, ਕਿਉਂਕਿ ਡਾਟਾ ਨੂੰ ਖਾਸ ਤਰੀਕੇ ਨਾਲ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਸਦੇ ਕੁੱਲ ਢਾਂਚੇ ਵਿੱਚ ਬਦਲਾਅ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਮਿਹਨਤ ਲੱਗ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਗਾਹਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਇੱਕ ਈਮੇਲ ਕਾਲਮ ਸ਼ਾਮਲ ਕਰਨਾ ਜੋ ਖਾਲੀ ਨਹੀਂ ਹੋ ਸਕਦਾ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਪਵੇਗਾ ਕਿ ਤੁਸੀਂ ਮੌਜੂਦਾ ਗਾਹਕਾਂ ਦੀਆਂ ਕਤਾਰਾਂ ਵਿੱਚ ਇਹ ਮੁੱਲ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰੋਗੇ।
+
+ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦੇ ਉਦਾਹਰਣ: ਸਪ੍ਰੈਡਸ਼ੀਟ, ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ, ਫੋਨ ਨੰਬਰ, ਬੈਂਕ ਸਟੇਟਮੈਂਟ
+
+### ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ  
+ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਆਮ ਤੌਰ 'ਤੇ ਕਤਾਰਾਂ ਜਾਂ ਕਾਲਮਾਂ ਵਿੱਚ ਵਰਗੀਕ੍ਰਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਅਤੇ ਇਸ ਵਿੱਚ ਕੋਈ ਫਾਰਮੈਟ ਜਾਂ ਨਿਯਮਾਂ ਦਾ ਸੈੱਟ ਨਹੀਂ ਹੁੰਦਾ। ਕਿਉਂਕਿ ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦੇ ਢਾਂਚੇ 'ਤੇ ਘੱਟ ਪਾਬੰਦੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਇਸਨੂੰ ਸਟ੍ਰਕਚਰਡ ਡਾਟਾਸੈੱਟ ਦੇ ਮੁਕਾਬਲੇ ਨਵੀਂ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੇਕਰ ਇੱਕ ਸੈਂਸਰ ਜੋ ਹਰ 2 ਮਿੰਟ ਬਾਅਦ ਵਾਤਾਵਰਣ ਦਬਾਅ ਦਾ ਡਾਟਾ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਹੁਣ ਇਸਨੂੰ ਤਾਪਮਾਨ ਮਾਪਣ ਅਤੇ ਰਿਕਾਰਡ ਕਰਨ ਦੀ ਅਪਡੇਟ ਮਿਲਦੀ ਹੈ, ਤਾਂ ਜੇਕਰ ਇਹ ਅਨਸਟ੍ਰਕਚਰਡ ਹੈ ਤਾਂ ਮੌਜੂਦਾ ਡਾਟਾ ਨੂੰ ਬਦਲਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਹਾਲਾਂਕਿ, ਇਸ ਕਿਸਮ ਦੇ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਵਿਗਿਆਨੀ ਜੋ ਪਿਛਲੇ ਮਹੀਨੇ ਦੇ ਸੈਂਸਰ ਡਾਟਾ ਤੋਂ ਔਸਤ ਤਾਪਮਾਨ ਪਤਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦਾ ਹੈ, ਪਰ ਪਤਾ ਲਗਦਾ ਹੈ ਕਿ ਸੈਂਸਰ ਨੇ ਆਪਣੇ ਕੁਝ ਡਾਟਾ ਵਿੱਚ "e" ਰਿਕਾਰਡ ਕੀਤਾ ਹੈ ਇਹ ਦਰਸਾਉਣ ਲਈ ਕਿ ਇਹ ਟੁੱਟਿਆ ਹੋਇਆ ਸੀ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡਾਟਾ ਅਧੂਰਾ ਹੈ।
+
+ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦੇ ਉਦਾਹਰਣ: ਟੈਕਸਟ ਫਾਈਲਾਂ, ਟੈਕਸਟ ਮੈਸੇਜ, ਵੀਡੀਓ ਫਾਈਲਾਂ
+
+### ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ  
+ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਵਿੱਚ ਅਜਿਹੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਇਸਨੂੰ ਸਟ੍ਰਕਚਰਡ ਅਤੇ ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦਾ ਮਿਲਾਪ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਦੇ ਫਾਰਮੈਟ ਦਾ ਪਾਲਣ ਨਹੀਂ ਕਰਦਾ ਪਰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਸੰਗਠਿਤ ਹੁੰਦਾ ਹੈ ਜੋ ਸਟ੍ਰਕਚਰਡ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਕਿਸੇ ਨਿਰਧਾਰਿਤ ਫਾਰਮੈਟ ਜਾਂ ਨਿਯਮਾਂ ਦੇ ਸੈੱਟ ਦਾ ਪਾਲਣ ਕਰ ਸਕਦਾ ਹੈ। ਢਾਂਚਾ ਸਰੋਤਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਹੋਵੇਗਾ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਹਾਇਰਾਰਕੀ ਤੋਂ ਕੁਝ ਹੋਰ ਲਚਕੀਲਾ ਜੋ ਨਵੀਂ ਜਾਣਕਾਰੀ ਦੇ ਆਸਾਨ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਮੈਟਾਡੇਟਾ ਸੰਕੇਤਕ ਹਨ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਕਿ ਡਾਟਾ ਕਿਵੇਂ ਸੰਗਠਿਤ ਅਤੇ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਇਹ ਡਾਟਾ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਨਾਮਾਂ ਰੱਖੇਗਾ। ਮੈਟਾਡੇਟਾ ਦੇ ਕੁਝ ਆਮ ਨਾਮ ਹਨ: ਟੈਗ, ਐਲੀਮੈਂਟ, ਐਨਟੀਟੀਜ਼ ਅਤੇ ਐਟ੍ਰਿਬਿਊਟ। ਉਦਾਹਰਣ ਲਈ, ਇੱਕ ਆਮ ਈਮੇਲ ਸੁਨੇਹਾ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ਾ, ਬਾਡੀ ਅਤੇ ਪ੍ਰਾਪਤਕਰਤਾਵਾਂ ਦਾ ਸੈੱਟ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇਸਦੇ ਭੇਜਣ ਵਾਲੇ ਜਾਂ ਭੇਜਣ ਦੇ ਸਮੇਂ ਦੁਆਰਾ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦੇ ਉਦਾਹਰਣ: HTML, CSV ਫਾਈਲਾਂ, ਜਾਵਾਸਕ੍ਰਿਪਟ ਓਬਜੈਕਟ ਨੋਟੇਸ਼ਨ (JSON)
+
+## ਡਾਟਾ ਦੇ ਸਰੋਤ  
+
+ਡਾਟਾ ਸਰੋਤ ਉਹ ਸ਼ੁਰੂਆਤੀ ਸਥਾਨ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਡਾਟਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਜਾਂ ਜਿੱਥੇ ਇਹ "ਰਹਿੰਦਾ" ਹੈ ਅਤੇ ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਦੋਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ। ਵਰਤੋਂਕਾਰਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਡਾਟਾ ਪ੍ਰਾਇਮਰੀ ਡਾਟਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਜਦਕਿ ਸੈਕੰਡਰੀ ਡਾਟਾ ਉਸ ਸਰੋਤ ਤੋਂ ਆਉਂਦਾ ਹੈ ਜਿਸਨੇ ਆਮ ਵਰਤੋਂ ਲਈ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੰਗਲ ਵਿੱਚ ਅਧਿਐਨ ਕਰਨ ਵਾਲੇ ਵਿਗਿਆਨੀਆਂ ਦਾ ਇੱਕ ਸਮੂਹ ਪ੍ਰਾਇਮਰੀ ਮੰਨਿਆ ਜਾਵੇਗਾ ਅਤੇ ਜੇਕਰ ਉਹ ਇਸਨੂੰ ਹੋਰ ਵਿਗਿਆਨੀਆਂ ਨਾਲ ਸਾਂਝਾ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦੇ ਹਨ ਤਾਂ ਇਹ ਉਹਨਾਂ ਲਈ ਸੈਕੰਡਰੀ ਮੰਨਿਆ ਜਾਵੇਗਾ ਜੋ ਇਸਦਾ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
+
+ਡਾਟਾਬੇਸ ਇੱਕ ਆਮ ਸਰੋਤ ਹਨ ਅਤੇ ਡਾਟਾ ਨੂੰ ਹੋਸਟ ਅਤੇ ਰੱਖਣ ਲਈ ਡਾਟਾਬੇਸ ਮੈਨੇਜਮੈਂਟ ਸਿਸਟਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਵਰਤੋਂਕਾਰ ਕਮਾਂਡਾਂ ਨੂੰ ਕਵੈਰੀਜ਼ ਕਹਿੰਦੇ ਹਨ ਜੋ ਡਾਟਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਫਾਈਲਾਂ ਦੇ ਤੌਰ 'ਤੇ ਡਾਟਾ ਸਰੋਤ ਆਡੀਓ, ਚਿੱਤਰ ਅਤੇ ਵੀਡੀਓ ਫਾਈਲਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਿਵੇਂ ਕਿ ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ। ਇੰਟਰਨੈਟ ਸਰੋਤ ਡਾਟਾ ਦੀ ਮਿਜ਼ਬਾਨੀ ਲਈ ਇੱਕ ਆਮ ਸਥਾਨ ਹਨ, ਜਿੱਥੇ ਡਾਟਾਬੇਸਾਂ ਅਤੇ ਫਾਈਲਾਂ ਦੋਵੇਂ ਮਿਲ ਸਕਦੀਆਂ ਹਨ। ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਇੰਟਰਫੇਸ, ਜਿਸਨੂੰ API ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਪ੍ਰੋਗ੍ਰਾਮਰਾਂ ਨੂੰ ਇੰਟਰਨੈਟ ਦੁਆਰਾ ਬਾਹਰੀ ਵਰਤੋਂਕਾਰਾਂ ਨਾਲ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਦੇ ਤਰੀਕੇ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ, ਜਦਕਿ ਵੈੱਬ ਸਕ੍ਰੈਪਿੰਗ ਇੱਕ ਵੈੱਬ ਪੇਜ ਤੋਂ ਡਾਟਾ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। [ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਪਾਠ](../../../../../../../../../2-Working-With-Data) ਇਸ ਗੱਲ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ ਕਿ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾਵੇ।
+
+## ਨਿਸ਼ਕਰਸ਼  
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਿਆ ਹੈ:
+
+- ਡਾਟਾ ਕੀ ਹੈ  
+- ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਵਰਣਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ  
+- ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਵਰਗੀਕ੍ਰਿਤ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ  
+- ਡਾਟਾ ਕਿੱਥੇ ਮਿਲ ਸਕਦਾ ਹੈ  
+
+## 🚀 ਚੁਣੌਤੀ  
+
+Kaggle ਖੁੱਲ੍ਹੇ ਡਾਟਾਸੈੱਟਾਂ ਦਾ ਇੱਕ ਸ਼ਾਨਦਾਰ ਸਰੋਤ ਹੈ। [ਡਾਟਾਸੈੱਟ ਖੋਜ ਟੂਲ](https://www.kaggle.com/datasets) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੁਝ ਦਿਲਚਸਪ ਡਾਟਾਸੈੱਟ ਲੱਭੋ ਅਤੇ 3-5 ਡਾਟਾਸੈੱਟਾਂ ਨੂੰ ਇਸ ਮਾਪਦੰਡ ਨਾਲ ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ:
+
+- ਕੀ ਡਾਟਾ ਮਾਤਰਾਤਮਕ ਹੈ ਜਾਂ ਗੁਣਾਤਮਕ?  
+- ਕੀ ਡਾਟਾ ਸਟ੍ਰਕਚਰਡ, ਅਨਸਟ੍ਰਕਚਰਡ ਜਾਂ ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ ਹੈ?  
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/5)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ  
+
+- ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ ਯੂਨਿਟ, ਜਿਸਦਾ ਸਿਰਲੇਖ ਹੈ [ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ](https://docs.microsoft.com/en-us/learn/modules/choose-storage-approach-in-azure/2-classify-data), ਸਟ੍ਰਕਚਰਡ, ਸੈਮੀ-ਸਟ੍ਰਕਚਰਡ ਅਤੇ ਅਨਸਟ੍ਰਕਚਰਡ ਡਾਟਾ ਦਾ ਵਿਸਤ੍ਰਿਤ ਵਿਵਰਣ ਦਿੰਦਾ ਹੈ।  
+
+## ਅਸਾਈਨਮੈਂਟ  
+
+[ਡਾਟਾਸੈੱਟਾਂ ਦੀ ਵਰਗੀਕਰਨ](assignment.md)  
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਮੂਲ ਰੂਪ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/03-defining-data/assignment.md b/translations/pa/1-Introduction/03-defining-data/assignment.md
new file mode 100644
index 00000000..3ed2cec3
--- /dev/null
+++ b/translations/pa/1-Introduction/03-defining-data/assignment.md
@@ -0,0 +1,79 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2e5cacb967c1e9dfd07809bfc441a0b4",
+  "translation_date": "2025-08-27T17:21:14+00:00",
+  "source_file": "1-Introduction/03-defining-data/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾਸੈਟਸ ਦੀ ਵਰਗੀਕਰਨ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦੇ ਹੋਏ ਡਾਟਾ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਤਿੰਨ ਡਾਟਾ ਕਿਸਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨਾਲ ਵਰਗੀਕਰਣ ਕਰੋ:
+
+**ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ**: ਸੰਰਚਿਤ, ਅਰਧ-ਸੰਰਚਿਤ, ਜਾਂ ਅਸੰਰਚਿਤ
+
+**ਮੁੱਲ ਦੀ ਕਿਸਮ**: ਗੁਣਾਤਮਕ ਜਾਂ ਮਾਤਰਾਤਮਕ
+
+**ਸਰੋਤ ਦੀ ਕਿਸਮ**: ਪ੍ਰਾਇਮਰੀ ਜਾਂ ਸੈਕੰਡਰੀ
+
+1. ਇੱਕ ਕੰਪਨੀ ਨੂੰ ਖਰੀਦਿਆ ਗਿਆ ਹੈ ਅਤੇ ਹੁਣ ਇਸਦਾ ਇੱਕ ਪੇਰੈਂਟ ਕੰਪਨੀ ਹੈ। ਡਾਟਾ ਸਾਇੰਟਿਸਟਸ ਨੂੰ ਪੇਰੈਂਟ ਕੰਪਨੀ ਵੱਲੋਂ ਗਾਹਕਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਦੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਮਿਲੀ ਹੈ।
+
+ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ:
+
+ਮੁੱਲ ਦੀ ਕਿਸਮ:
+
+ਸਰੋਤ ਦੀ ਕਿਸਮ:
+
+---
+
+2. ਇੱਕ ਸਮਾਰਟ ਵਾਚ ਨੇ ਆਪਣੇ ਧਾਰਕ ਤੋਂ ਦਿਲ ਦੀ ਧੜਕਣ ਦੇ ਡਾਟਾ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਹੈ, ਅਤੇ ਕੱਚਾ ਡਾਟਾ JSON ਫਾਰਮੈਟ ਵਿੱਚ ਹੈ।
+
+ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ:
+
+ਮੁੱਲ ਦੀ ਕਿਸਮ:
+
+ਸਰੋਤ ਦੀ ਕਿਸਮ:
+
+---
+
+3. ਕਰਮਚਾਰੀਆਂ ਦੇ ਮੋਰਾਲ ਬਾਰੇ ਇੱਕ ਵਰਕਪਲੇਸ ਸਰਵੇ, ਜੋ CSV ਫਾਈਲ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ:
+
+ਮੁੱਲ ਦੀ ਕਿਸਮ:
+
+ਸਰੋਤ ਦੀ ਕਿਸਮ:
+
+---
+
+4. ਖਗੋਲ ਵਿਗਿਆਨੀ ਇੱਕ ਗਲੈਕਸੀਜ਼ ਦੇ ਡਾਟਾਬੇਸ ਤੱਕ ਪਹੁੰਚ ਕਰ ਰਹੇ ਹਨ, ਜੋ ਇੱਕ ਸਪੇਸ ਪ੍ਰੋਬ ਦੁਆਰਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਾਟਾ ਵਿੱਚ ਹਰ ਗਲੈਕਸੀ ਵਿੱਚ ਮੌਜੂਦ ਗ੍ਰਹਿਆਂ ਦੀ ਗਿਣਤੀ ਸ਼ਾਮਲ ਹੈ।
+
+ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ:
+
+ਮੁੱਲ ਦੀ ਕਿਸਮ:
+
+ਸਰੋਤ ਦੀ ਕਿਸਮ:
+
+---
+
+5. ਇੱਕ ਪੈਰਸਨਲ ਫਾਇਨੈਂਸ ਐਪ APIs ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਯੂਜ਼ਰ ਦੇ ਵਿੱਤੀ ਖਾਤਿਆਂ ਨਾਲ ਜੁੜਦੀ ਹੈ ਤਾਂ ਜੋ ਉਨ੍ਹਾਂ ਦੀ ਨੈੱਟ ਵਰਥ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕੇ। ਯੂਜ਼ਰ ਆਪਣੇ ਸਾਰੇ ਲੈਣ-ਦੇਣ ਨੂੰ ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਦੇਖ ਸਕਦੇ ਹਨ, ਜੋ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਰਗਾ ਲੱਗਦਾ ਹੈ।
+
+ਸੰਰਚਨਾ ਦੀ ਕਿਸਮ:
+
+ਮੁੱਲ ਦੀ ਕਿਸਮ:
+
+ਸਰੋਤ ਦੀ ਕਿਸਮ:
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਸੰਰਚਨਾ, ਮੁੱਲ, ਅਤੇ ਸਰੋਤ ਦੀ ਸਹੀ ਪਛਾਣ | ਸੰਰਚਨਾ, ਮੁੱਲ, ਅਤੇ ਸਰੋਤ ਵਿੱਚੋਂ 3 ਦੀ ਸਹੀ ਪਛਾਣ | ਸੰਰਚਨਾ, ਮੁੱਲ, ਅਤੇ ਸਰੋਤ ਵਿੱਚੋਂ 2 ਜਾਂ ਘੱਟ ਦੀ ਸਹੀ ਪਛਾਣ |
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/04-stats-and-probability/README.md b/translations/pa/1-Introduction/04-stats-and-probability/README.md
new file mode 100644
index 00000000..dc91ffbd
--- /dev/null
+++ b/translations/pa/1-Introduction/04-stats-and-probability/README.md
@@ -0,0 +1,172 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b706a07cfa87ba091cbb91e0aa775600",
+  "translation_date": "2025-08-27T17:25:56+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/README.md",
+  "language_code": "pa"
+}
+-->
+# ਸੰਖਿਆਕੀ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਪਰਿਚਯ
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|:---:|
+| ਸੰਖਿਆਕੀ ਅਤੇ ਸੰਭਾਵਨਾ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਦੁਆਰਾ_ |
+
+ਸੰਖਿਆਕੀ ਅਤੇ ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਗਣਿਤ ਦੇ ਦੋ ਬਹੁਤ ਹੀ ਜੁੜੇ ਹੋਏ ਖੇਤਰ ਹਨ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਡਾਟਾ ਨਾਲ ਗਣਿਤ ਦੇ ਡੂੰਘੇ ਗਿਆਨ ਤੋਂ ਬਿਨਾਂ ਵੀ ਕੰਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਕੁਝ ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ ਜਾਣਨਾ ਫਿਰ ਵੀ ਵਧੀਆ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਪਰਿਚਯ ਪੇਸ਼ ਕਰਾਂਗੇ ਜੋ ਤੁਹਾਨੂੰ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।
+
+[![Intro Video](../../../../translated_images/video-prob-and-stats.e4282e5efa2f2543400843ed98b1057065c9600cebfc8a728e8931b5702b2ae4.pa.png)](https://youtu.be/Z5Zy85g4Yjw)
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6)
+
+## ਸੰਭਾਵਨਾ ਅਤੇ ਰੈਂਡਮ ਵੈਰੀਏਬਲ
+
+**ਸੰਭਾਵਨਾ** 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਗਿਣਤੀ ਹੈ ਜੋ ਦੱਸਦੀ ਹੈ ਕਿ ਕੋਈ **ਘਟਨਾ** ਕਿੰਨੀ ਸੰਭਾਵਨਾ ਵਾਲੀ ਹੈ। ਇਹ ਸਾਰੇ ਸੰਭਾਵੀ ਨਤੀਜਿਆਂ ਵਿੱਚੋਂ ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ (ਜੋ ਘਟਨਾ ਵੱਲ ਲੀਡ ਕਰਦੇ ਹਨ) ਨੂੰ ਵੰਡ ਕੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੇਕਰ ਸਾਰੇ ਨਤੀਜੇ ਇੱਕੋ ਜਿਹੇ ਸੰਭਾਵੀ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਅਸੀਂ ਪਾਸਾ ਸੁੱਟਦੇ ਹਾਂ, ਤਾਂ ਸੰਭਾਵਨਾ ਕਿ ਸਾਨੂੰ ਇੱਕ ਜੋੜਾ ਨੰਬਰ ਮਿਲੇਗਾ 3/6 = 0.5 ਹੈ।
+
+ਜਦੋਂ ਅਸੀਂ ਘਟਨਾਵਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਅਸੀਂ **ਰੈਂਡਮ ਵੈਰੀਏਬਲ** ਵਰਤਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਪਾਸਾ ਸੁੱਟਣ 'ਤੇ ਪ੍ਰਾਪਤ ਨੰਬਰ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲਾ ਰੈਂਡਮ ਵੈਰੀਏਬਲ 1 ਤੋਂ 6 ਤੱਕ ਦੇ ਮੁੱਲ ਲਵੇਗਾ। 1 ਤੋਂ 6 ਤੱਕ ਦੀ ਗਿਣਤੀ ਨੂੰ **ਸੈਂਪਲ ਸਪੇਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਦੇ ਕਿਸੇ ਖਾਸ ਮੁੱਲ ਨੂੰ ਲੈਣ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਣ ਲਈ P(X=3)=1/6।
+
+ਪਿਛਲੇ ਉਦਾਹਰਣ ਵਿੱਚ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਨੂੰ **ਡਿਸਕ੍ਰੀਟ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਇਸਦਾ ਸੈਂਪਲ ਸਪੇਸ ਗਿਣਤੀਯੋਗ ਹੈ, ਅਰਥਾਤ ਅਲੱਗ ਅਲੱਗ ਮੁੱਲ ਹਨ ਜੋ ਗਿਣੇ ਜਾ ਸਕਦੇ ਹਨ। ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸੈਂਪਲ ਸਪੇਸ ਅਸਲ ਨੰਬਰਾਂ ਦੀ ਇੱਕ ਰੇਂਜ ਜਾਂ ਪੂਰੇ ਅਸਲ ਨੰਬਰਾਂ ਦਾ ਸੈੱਟ ਹੁੰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਵੈਰੀਏਬਲਾਂ ਨੂੰ **ਕੰਟਿਨਿਊਅਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਣ ਬੱਸ ਦੇ ਆਉਣ ਦਾ ਸਮਾਂ ਹੈ।
+
+## ਸੰਭਾਵਨਾ ਵੰਡ
+
+ਡਿਸਕ੍ਰੀਟ ਰੈਂਡਮ ਵੈਰੀਏਬਲਾਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਹਰ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਇੱਕ ਫੰਕਸ਼ਨ P(X) ਦੁਆਰਾ ਵਰਣਨ ਕਰਨਾ ਆਸਾਨ ਹੈ। ਸੈਂਪਲ ਸਪੇਸ *S* ਵਿੱਚੋਂ ਹਰ ਮੁੱਲ *s* ਲਈ ਇਹ 0 ਤੋਂ 1 ਤੱਕ ਦੀ ਗਿਣਤੀ ਦੇਵੇਗਾ, ਇਸ ਤਰ੍ਹਾਂ ਕਿ ਸਾਰੇ ਘਟਨਾਵਾਂ ਲਈ P(X=s) ਦੇ ਸਾਰੇ ਮੁੱਲਾਂ ਦਾ ਜੋੜ 1 ਹੋਵੇਗਾ।
+
+ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਡਿਸਕ੍ਰੀਟ ਵੰਡ **ਯੂਨੀਫਾਰਮ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ** ਹੈ, ਜਿਸ ਵਿੱਚ N ਤੱਤਾਂ ਦਾ ਸੈਂਪਲ ਸਪੇਸ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਹਰ ਇੱਕ ਲਈ 1/N ਦੀ ਬਰਾਬਰ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ।
+
+ਕੰਟਿਨਿਊਅਸ ਵੈਰੀਏਬਲ ਦੀ ਸੰਭਾਵਨਾ ਵੰਡ ਦਾ ਵਰਣਨ ਕਰਨਾ ਥੋੜ੍ਹਾ ਮੁਸ਼ਕਲ ਹੈ, ਜਦੋਂ ਮੁੱਲ ਕਿਸੇ ਇੰਟਰਵਲ [a,b] ਜਾਂ ਪੂਰੇ ਅਸਲ ਨੰਬਰਾਂ ਦੇ ਸੈੱਟ ℝ ਵਿੱਚੋਂ ਲਏ ਜਾਂਦੇ ਹਨ। ਬੱਸ ਦੇ ਆਉਣ ਦੇ ਸਮੇਂ ਦੇ ਮਾਮਲੇ ਨੂੰ ਵਿਚਾਰੋ। ਅਸਲ ਵਿੱਚ, ਹਰ ਖਾਸ ਆਉਣ ਦੇ ਸਮੇਂ *t* ਲਈ, ਬੱਸ ਦੇ ਉਸ ਸਮੇਂ ਤੇ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ 0 ਹੈ!
+
+> ਹੁਣ ਤੁਹਾਨੂੰ ਪਤਾ ਹੈ ਕਿ 0 ਸੰਭਾਵਨਾ ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਅਤੇ ਬਹੁਤ ਵਾਰ ਹੁੰਦੀਆਂ ਹਨ! ਘੱਟੋ-ਘੱਟ ਹਰ ਵਾਰ ਜਦੋਂ ਬੱਸ ਆਉਂਦੀ ਹੈ!
+
+ਅਸੀਂ ਸਿਰਫ਼ ਇਸ ਗੱਲ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਵੈਰੀਏਬਲ ਕਿਸੇ ਦਿੱਤੇ ਮੁੱਲਾਂ ਦੇ ਇੰਟਰਵਲ ਵਿੱਚ ਪੈਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ P(t<sub>1</sub>≤X<t<sub>2</sub>)। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਸੰਭਾਵਨਾ ਵੰਡ ਨੂੰ ਇੱਕ **ਸੰਭਾਵਨਾ ਘਣਤਾ ਫੰਕਸ਼ਨ** p(x) ਦੁਆਰਾ ਵਰਣਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕਿ
+
+![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/probability-density.a8aad29f17a14afb519b407c7b6edeb9f3f9aa5f69c9e6d9445f604e5f8a2bf7.pa.png)
+
+ਯੂਨੀਫਾਰਮ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਦਾ ਇੱਕ ਕੰਟਿਨਿਊਅਸ ਰੂਪ **ਕੰਟਿਨਿਊਅਸ ਯੂਨੀਫਾਰਮ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਇੱਕ ਸੀਮਿਤ ਇੰਟਰਵਲ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਹੁੰਦਾ ਹੈ। ਸੰਭਾਵਨਾ ਕਿ ਮੁੱਲ X ਲੰਬਾਈ l ਦੇ ਇੱਕ ਇੰਟਰਵਲ ਵਿੱਚ ਪੈਂਦਾ ਹੈ, l ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਹੁੰਦੀ ਹੈ, ਅਤੇ 1 ਤੱਕ ਵਧਦੀ ਹੈ।
+
+ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਵੰਡ **ਨਾਰਮਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ** ਹੈ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਹੇਠਾਂ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਗੱਲ ਕਰਾਂਗੇ।
+
+## ਮੀਨ, ਵੈਰੀਅੰਸ ਅਤੇ ਸਟੈਂਡਰਡ ਡਿਵਿਏਸ਼ਨ
+
+ਮੰਨੋ ਅਸੀਂ ਇੱਕ ਰੈਂਡਮ ਵੈਰੀਏਬਲ X ਦੇ n ਸੈਂਪਲਾਂ ਦੀ ਲੜੀ ਖਿੱਚਦੇ ਹਾਂ: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>। ਅਸੀਂ ਲੜੀ ਦੇ **ਮੀਨ** (ਜਾਂ **ਅੰਕਗਣਿਤ ਔਸਤ**) ਮੁੱਲ ਨੂੰ ਰਵਾਇਤੀ ਤਰੀਕੇ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹਾਂ (x<sub>1</sub>+x<sub>2</sub>+x<sub>n</sub>)/n। ਜਿਵੇਂ ਜਿਵੇਂ ਅਸੀਂ ਸੈਂਪਲ ਦਾ ਆਕਾਰ ਵਧਾਉਂਦੇ ਹਾਂ (ਅਰਥਾਤ n→∞ ਦੀ ਸੀਮਾ ਲੈਂਦੇ ਹਾਂ), ਅਸੀਂ ਵੰਡ ਦਾ ਮੀਨ (ਜਿਸਨੂੰ **ਐਕਸਪੈਕਟੇਸ਼ਨ** ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ) ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ। ਅਸੀਂ ਐਕਸਪੈਕਟੇਸ਼ਨ ਨੂੰ **E**(x) ਨਾਲ ਦਰਸਾਵਾਂਗੇ।
+
+> ਇਹ ਦਿਖਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਕਿਸੇ ਵੀ ਡਿਸਕ੍ਰੀਟ ਵੰਡ ਲਈ, ਜਿਸ ਵਿੱਚ ਮੁੱਲ {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} ਅਤੇ ਸੰਬੰਧਤ ਸੰਭਾਵਨਾਵਾਂ p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub> ਹਨ, ਐਕਸਪੈਕਟੇਸ਼ਨ E(X)=x<sub>1</sub>p<sub>1</sub>+x<sub>2</sub>p<sub>2</sub>+...+x<sub>N</sub>p<sub>N</sub> ਦੇ ਬਰਾਬਰ ਹੋਵੇਗਾ।
+
+ਮੁੱਲਾਂ ਕਿੰਨੇ ਫੈਲੇ ਹੋਏ ਹਨ, ਇਹ ਪਛਾਣਣ ਲਈ ਅਸੀਂ ਵੈਰੀਅੰਸ σ<sup>2</sup> = ∑(x<sub>i</sub> - μ)<sup>2</sup>/n ਦੀ ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿੱਥੇ μ ਲੜੀ ਦਾ ਮੀਨ ਹੈ। ਮੁੱਲ σ ਨੂੰ **ਸਟੈਂਡਰਡ ਡਿਵਿਏਸ਼ਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ σ<sup>2</sup> ਨੂੰ **ਵੈਰੀਅੰਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+
+## ਮੋਡ, ਮੀਡਿਅਨ ਅਤੇ ਕਵਾਰਟਾਈਲ
+
+ਕਈ ਵਾਰ, ਮੀਨ ਡਾਟਾ ਲਈ "ਆਮ" ਮੁੱਲ ਨੂੰ ਢੰਗ ਨਾਲ ਪ੍ਰਸਤੁਤ ਨਹੀਂ ਕਰਦਾ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਕੁਝ ਅਤਿਅੰਤ ਮੁੱਲ ਹੁੰਦੇ ਹਨ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ, ਉਹ ਮੀਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਇੱਕ ਹੋਰ ਵਧੀਆ ਸੰਕੇਤ **ਮੀਡਿਅਨ** ਹੈ, ਇੱਕ ਮੁੱਲ ਜਿਸ ਤੋਂ ਅੱਧੇ ਡਾਟਾ ਪੌਇੰਟ ਹੇਠਾਂ ਹਨ, ਅਤੇ ਦੂਜੇ ਅੱਧੇ ਉੱਪਰ।
+
+ਡਾਟਾ ਦੇ ਵੰਡ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਸਹਾਇਕ ਹੋਣ ਲਈ, **ਕਵਾਰਟਾਈਲ** ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਲਾਭਦਾਇਕ ਹੈ:
+
+* ਪਹਿਲਾ ਕਵਾਰਟਾਈਲ, ਜਾਂ Q1, ਇੱਕ ਮੁੱਲ ਹੈ, ਜਿਸ ਤੋਂ 25% ਡਾਟਾ ਹੇਠਾਂ ਹੁੰਦਾ ਹੈ
+* ਤੀਜਾ ਕਵਾਰਟਾਈਲ, ਜਾਂ Q3, ਇੱਕ ਮੁੱਲ ਹੈ, ਜਿਸ ਤੋਂ 75% ਡਾਟਾ ਹੇਠਾਂ ਹੁੰਦਾ ਹੈ
+
+ਗ੍ਰਾਫਿਕ ਤੌਰ 'ਤੇ ਅਸੀਂ ਮੀਡਿਅਨ ਅਤੇ ਕਵਾਰਟਾਈਲ ਦੇ ਸੰਬੰਧ ਨੂੰ **ਬਾਕਸ ਪਲਾਟ** ਵਿੱਚ ਦਰਸਾ ਸਕਦੇ ਹਾਂ:
+
+<img src="images/boxplot_explanation.png" width="50%"/>
+
+ਇੱਥੇ ਅਸੀਂ **ਇੰਟਰ-ਕਵਾਰਟਾਈਲ ਰੇਂਜ** IQR=Q3-Q1 ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਇਸਨੂੰ **ਆਊਟਲਾਇਰਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਮੁੱਲ, ਜੋ ਸੀਮਾਵਾਂ [Q1-1.5*IQR,Q3+1.5*IQR] ਤੋਂ ਬਾਹਰ ਪੈਂਦੇ ਹਨ।
+
+ਜਦੋਂ ਵੰਡ ਵਿੱਚ ਕੁਝ ਸੰਭਾਵੀ ਮੁੱਲ ਹੁੰਦੇ ਹਨ, ਇੱਕ ਵਧੀਆ "ਆਮ" ਮੁੱਲ ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਆਉਂਦਾ ਹੈ, ਜਿਸਨੂੰ **ਮੋਡ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਸ਼੍ਰੇਣੀਬੱਧ ਡਾਟਾ, ਜਿਵੇਂ ਕਿ ਰੰਗਾਂ, 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। ਮਿਸਾਲ ਲਈ, ਜੇ ਸਾਡੇ ਕੋਲ ਦੋ ਸਮੂਹ ਹਨ - ਕੁਝ ਜੋ ਲਾਲ ਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੁਝ ਜੋ ਨੀਲੇ ਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ। ਜੇ ਅਸੀਂ ਰੰਗਾਂ ਨੂੰ ਨੰਬਰਾਂ ਨਾਲ ਕੋਡ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਪਸੰਦੀਦਾ ਰੰਗ ਲਈ ਮੀਨ ਮੁੱਲ ਸੰਭਵਤ: ਸੰਤਰੀ-ਹਰੇ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਹੋਵੇਗਾ, ਜੋ ਕਿਸੇ ਵੀ ਸਮੂਹ ਦੀ ਅਸਲ ਪਸੰਦ ਨੂੰ ਦਰਸਾਉਂਦਾ ਨਹੀਂ। ਹਾਲਾਂਕਿ, ਮੋਡ ਜਾਂ ਤਾਂ ਇੱਕ ਰੰਗ ਹੋਵੇਗਾ, ਜਾਂ ਦੋਵੇਂ ਰੰਗ, ਜੇ ਦੋਵੇਂ ਲਈ ਵੋਟਾਂ ਦੀ ਗਿਣਤੀ ਬਰਾਬਰ ਹੈ (ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਨਮੂਨੇ ਨੂੰ **ਮਲਟੀਮੋਡਲ** ਕਹਿੰਦੇ ਹਾਂ)।
+> **ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ** ਉਹ ਅੰਦਾਜ਼ਾ ਹੈ ਜੋ ਸਾਡੇ ਨਮੂਨੇ ਦੇ ਆਧਾਰ 'ਤੇ ਜਨਸੰਖਿਆ ਦੇ ਸੱਚੇ ਔਸਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਇੱਕ ਨਿਰਧਾਰਤ ਸੰਭਾਵਨਾ (ਜਾਂ **ਭਰੋਸੇ ਦੇ ਪੱਧਰ**) 'ਤੇ ਸਹੀ ਹੁੰਦਾ ਹੈ।
+ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ ਸੈਂਪਲ X<sub>1</sub>, ..., X<sub>n</sub> ਹੈ ਜੋ ਸਾਡੇ ਵੰਡਣ ਤੋਂ ਆਇਆ ਹੈ। ਹਰ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਸਾਡੇ ਵੰਡਣ ਤੋਂ ਸੈਂਪਲ ਖਿੱਚਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਵੱਖ-ਵੱਖ ਔਸਤ ਮੁੱਲ μ ਮਿਲੇਗਾ। ਇਸ ਤਰ੍ਹਾਂ μ ਨੂੰ ਇੱਕ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ **ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ** ਜਿਸ ਵਿੱਚ ਭਰੋਸਾ p ਹੈ, ਇੱਕ ਜੋੜੇ ਮੁੱਲ (L<sub>p</sub>,R<sub>p</sub>) ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ **P**(L<sub>p</sub>≤μ≤R<sub>p</sub>) = p, ਅਰਥਾਤ ਮਾਪੇ ਗਏ ਔਸਤ ਮੁੱਲ ਦੇ ਅੰਤਰਾਲ ਵਿੱਚ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ p ਦੇ ਬਰਾਬਰ ਹੈ।
+
+ਇਹ ਸਾਡੇ ਛੋਟੇ ਜਾਣ-ਪਛਾਣ ਤੋਂ ਪਰੇ ਜਾਂਦਾ ਹੈ ਕਿ ਇਹ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਕਿਵੇਂ ਗਿਣੇ ਜਾਂਦੇ ਹਨ। ਕੁਝ ਹੋਰ ਵੇਰਵੇ [ਵਿਕੀਪੀਡੀਆ](https://en.wikipedia.org/wiki/Confidence_interval) 'ਤੇ ਮਿਲ ਸਕਦੇ ਹਨ। ਸੰਖੇਪ ਵਿੱਚ, ਅਸੀਂ ਅਸਲੀ ਜਨਸੰਖਿਆ ਦੇ ਔਸਤ ਦੇ ਸਬੰਧ ਵਿੱਚ ਗਿਣੇ ਗਏ ਸੈਂਪਲ ਔਸਤ ਦੇ ਵੰਡਣ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ **ਸਟੂਡੈਂਟ ਵੰਡਣ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+
+> **ਦਿਲਚਸਪ ਤੱਥ**: ਸਟੂਡੈਂਟ ਵੰਡਣ ਦਾ ਨਾਮ ਗਣਿਤਜੀਵ ਵਿਲੀਅਮ ਸੀਲੀ ਗੋਸੇਟ ਦੇ ਨਾਮ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨੇ ਆਪਣਾ ਪੇਪਰ "ਸਟੂਡੈਂਟ" ਨਾਂ ਦੇ ਤਖ਼ਲੁਸ ਹੇਠ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ। ਉਹ ਗਿਨੀਜ਼ ਬਰੂਅਰੀ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਸੀ, ਅਤੇ, ਇੱਕ ਵਰਜਨ ਦੇ ਅਨੁਸਾਰ, ਉਸ ਦੇ ਨੌਕਰੀਦਾਤਾ ਨਹੀਂ ਚਾਹੁੰਦੇ ਸਨ ਕਿ ਆਮ ਜਨਤਾ ਨੂੰ ਪਤਾ ਲੱਗੇ ਕਿ ਉਹ ਕੱਚੇ ਮਾਲ ਦੀ ਗੁਣਵੱਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸਾਂਖਿਆਕੀ ਟੈਸਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਸਨ।
+
+ਜੇਕਰ ਅਸੀਂ ਭਰੋਸੇ p ਨਾਲ ਸਾਡੇ ਜਨਸੰਖਿਆ ਦੇ ਔਸਤ μ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਸਟੂਡੈਂਟ ਵੰਡਣ A ਦਾ *(1-p)/2-ਵਾਂ ਪ੍ਰਤੀਸ਼ਤਕ* ਲੈਣਾ ਪਵੇਗਾ, ਜੋ ਜਾਂ ਤਾਂ ਟੇਬਲਾਂ ਤੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਸਾਂਖਿਆਕੀ ਸਾਫਟਵੇਅਰ (ਜਿਵੇਂ ਕਿ Python, R, ਆਦਿ) ਦੇ ਕੁਝ ਬਿਲਟ-ਇਨ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਫਿਰ μ ਲਈ ਅੰਤਰਾਲ X±A*D/√n ਦੁਆਰਾ ਦਿੱਤਾ ਜਾਵੇਗਾ, ਜਿੱਥੇ X ਸੈਂਪਲ ਦਾ ਪ੍ਰਾਪਤ ਔਸਤ ਹੈ, D ਮਿਆਰੀ ਵਿਸਥਾਪਨ ਹੈ।
+
+> **ਨੋਟ**: ਅਸੀਂ [ਡਿਗਰੀਜ਼ ਆਫ ਫ੍ਰੀਡਮ](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) ਦੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾ ਦੀ ਚਰਚਾ ਵੀ ਛੱਡ ਰਹੇ ਹਾਂ, ਜੋ ਸਟੂਡੈਂਟ ਵੰਡਣ ਦੇ ਸਬੰਧ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਧਾਰਨਾ ਨੂੰ ਗਹਿਰਾਈ ਨਾਲ ਸਮਝਣ ਲਈ ਤੁਸੀਂ ਸਾਂਖਿਆਕੀ 'ਤੇ ਹੋਰ ਪੂਰੇ ਪੁਸਤਕਾਂ ਨੂੰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ।
+
+ਵਜ਼ਨਾਂ ਅਤੇ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਦੀ ਗਿਣਤੀ ਦਾ ਇੱਕ ਉਦਾਹਰਨ [ਸੰਲਗਨ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+
+| p | ਵਜ਼ਨ ਔਸਤ |
+|-----|-----------|
+| 0.85 | 201.73±0.94 |
+| 0.90 | 201.73±1.08 |
+| 0.95 | 201.73±1.28 |
+
+ਧਿਆਨ ਦਿਓ ਕਿ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਭਰੋਸੇ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਉਤਨਾ ਚੌੜਾ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ।
+
+## ਧਾਰਨਾ ਟੈਸਟਿੰਗ
+
+ਸਾਡੇ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਡੇਟਾਸੈਟ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਖਿਡਾਰੀ ਭੂਮਿਕਾਵਾਂ ਹਨ, ਜੋ ਹੇਠਾਂ ਸੰਖੇਪ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ (ਇਹ ਟੇਬਲ ਕਿਵੇਂ ਗਿਣੀ ਜਾ ਸਕਦੀ ਹੈ, ਇਹ ਦੇਖਣ ਲਈ [ਸੰਲਗਨ ਨੋਟਬੁੱਕ](notebook.ipynb) 'ਤੇ ਨਜ਼ਰ ਮਾਰੋ):
+
+| ਭੂਮਿਕਾ | ਉਚਾਈ | ਵਜ਼ਨ | ਗਿਣਤੀ |
+|------|--------|--------|-------|
+| ਕੈਚਰ | 72.723684 | 204.328947 | 76 |
+| ਡਿਜ਼ਾਈਨਟਿਡ_ਹਿਟਰ | 74.222222 | 220.888889 | 18 |
+| ਫਸਟ_ਬੇਸਮੈਨ | 74.000000 | 213.109091 | 55 |
+| ਆਉਟਫੀਲਡਰ | 73.010309 | 199.113402 | 194 |
+| ਰੀਲੀਫ_ਪਿਚਰ | 74.374603 | 203.517460 | 315 |
+| ਸੈਕੰਡ_ਬੇਸਮੈਨ | 71.362069 | 184.344828 | 58 |
+| ਸ਼ਾਰਟਸਟਾਪ | 71.903846 | 182.923077 | 52 |
+| ਸਟਾਰਟਿੰਗ_ਪਿਚਰ | 74.719457 | 205.163636 | 221 |
+| ਥਰਡ_ਬੇਸਮੈਨ | 73.044444 | 200.955556 | 45 |
+
+ਅਸੀਂ ਧਿਆਨ ਦਿੰਦੇ ਹਾਂ ਕਿ ਫਸਟ ਬੇਸਮੈਨ ਦੀ ਔਸਤ ਉਚਾਈ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀ ਔਸਤ ਉਚਾਈ ਤੋਂ ਵੱਧ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਇਹ ਨਿਸ਼ਚਿਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ **ਫਸਟ ਬੇਸਮੈਨ ਸੈਕੰਡ ਬੇਸਮੈਨ ਤੋਂ ਉੱਚੇ ਹਨ**।
+
+> ਇਸ ਬਿਆਨ ਨੂੰ **ਧਾਰਨਾ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਸਾਨੂੰ ਪਤਾ ਨਹੀਂ ਕਿ ਇਹ ਤੱਥ ਅਸਲ ਵਿੱਚ ਸੱਚ ਹੈ ਜਾਂ ਨਹੀਂ।
+
+ਹਾਲਾਂਕਿ, ਇਹ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਅਸੀਂ ਇਹ ਨਿਸ਼ਚਿਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਪਰੋਕਤ ਚਰਚਾ ਤੋਂ ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਹਰ ਔਸਤ ਨਾਲ ਇੱਕ ਸੰਬੰਧਿਤ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਇਹ ਅੰਤਰ ਸਿਰਫ ਸਾਂਖਿਆਕੀ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਸਾਨੂੰ ਆਪਣੀ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕੁਝ ਹੋਰ ਅਧਿਕਾਰਤ ਤਰੀਕੇ ਦੀ ਲੋੜ ਹੈ।
+
+ਆਓ ਫਸਟ ਅਤੇ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਗਿਣੀਏ:
+
+| ਭਰੋਸਾ | ਫਸਟ ਬੇਸਮੈਨ | ਸੈਕੰਡ ਬੇਸਮੈਨ |
+|------------|---------------|----------------|
+| 0.85 | 73.62..74.38 | 71.04..71.69 |
+| 0.90 | 73.56..74.44 | 70.99..71.73 |
+| 0.95 | 73.47..74.53 | 70.92..71.81 |
+
+ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਸੇ ਵੀ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਵਿੱਚ ਇਹ ਅੰਤਰਾਲ ਇੱਕ-ਦੂਜੇ ਨਾਲ ਓਵਰਲੈਪ ਨਹੀਂ ਕਰਦੇ। ਇਹ ਸਾਡੀ ਧਾਰਨਾ ਨੂੰ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਫਸਟ ਬੇਸਮੈਨ ਸੈਕੰਡ ਬੇਸਮੈਨ ਤੋਂ ਉੱਚੇ ਹਨ।
+
+ਹੋਰ ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ, ਸਾਡਾ ਸਮੱਸਿਆ ਇਹ ਦੇਖਣ ਦੀ ਹੈ ਕਿ **ਦੋ ਸੰਭਾਵਨਾ ਵੰਡਣ ਇੱਕੋ ਜਿਹੇ ਹਨ**, ਜਾਂ ਘੱਟੋ-ਘੱਟ ਇੱਕੋ ਜਿਹੇ ਪੈਰਾਮੀਟਰ ਹਨ। ਵੰਡਣ ਦੇ ਅਨੁਸਾਰ, ਸਾਨੂੰ ਇਸ ਲਈ ਵੱਖ-ਵੱਖ ਟੈਸਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਜੇਕਰ ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਸਾਡੇ ਵੰਡਣ ਸਧਾਰਨ ਹਨ, ਤਾਂ ਅਸੀਂ **[ਸਟੂਡੈਂਟ ਟੀ-ਟੈਸਟ](https://en.wikipedia.org/wiki/Student%27s_t-test)** ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+ਸਟੂਡੈਂਟ ਟੀ-ਟੈਸਟ ਵਿੱਚ, ਅਸੀਂ **ਟੀ-ਮੁੱਲ** ਗਿਣਦੇ ਹਾਂ, ਜੋ ਔਸਤਾਂ ਦੇ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਵਿਸਥਾਪਨ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। ਇਹ ਸਾਬਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਟੀ-ਮੁੱਲ **ਸਟੂਡੈਂਟ ਵੰਡਣ** ਦੀ ਪਾਲਨਾ ਕਰਦਾ ਹੈ, ਜੋ ਸਾਨੂੰ ਦਿੱਤੇ ਗਏ ਭਰੋਸੇ ਦੇ ਪੱਧਰ **p** ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ (ਇਹ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਅੰਕਾਂ ਦੀਆਂ ਟੇਬਲਾਂ ਵਿੱਚ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ)। ਫਿਰ ਅਸੀਂ ਟੀ-ਮੁੱਲ ਨੂੰ ਇਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਧਾਰਨਾ ਨੂੰ ਮਨਜ਼ੂਰ ਜਾਂ ਰੱਦ ਕੀਤਾ ਜਾ ਸਕੇ।
+
+Python ਵਿੱਚ, ਅਸੀਂ **SciPy** ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ `ttest_ind` ਫੰਕਸ਼ਨ ਸ਼ਾਮਲ ਹੈ (ਕਈ ਹੋਰ ਲਾਭਦਾਇਕ ਸਾਂਖਿਆਕੀ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ!). ਇਹ ਸਾਡੇ ਲਈ ਟੀ-ਮੁੱਲ ਗਿਣਦਾ ਹੈ, ਅਤੇ ਭਰੋਸੇ p-ਮੁੱਲ ਦੀ ਵਿਰੋਧੀ ਖੋਜ ਵੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਅਸੀਂ ਸਿਰਫ ਭਰੋਸੇ ਨੂੰ ਦੇਖ ਕੇ ਨਤੀਜਾ ਕੱਢ ਸਕੀਏ।
+
+ਉਦਾਹਰਨ ਲਈ, ਫਸਟ ਅਤੇ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਦੇ ਤੁਲਨਾਤਮਕ ਨਤੀਜੇ ਸਾਡੇ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਹਨ:
+```python
+from scipy.stats import ttest_ind
+
+tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False)
+print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
+```
+```
+T-value = 7.65
+P-value: 9.137321189738925e-12
+```
+ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ, p-ਮੁੱਲ ਬਹੁਤ ਘੱਟ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਫਸਟ ਬੇਸਮੈਨ ਦੇ ਉੱਚੇ ਹੋਣ ਦੇ ਹੱਕ ਵਿੱਚ ਮਜ਼ਬੂਤ ਸਬੂਤ ਹਨ।
+
+ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹੋਰ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਅਸੀਂ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਨ ਲਈ:
+* ਸਾਬਤ ਕਰਨ ਲਈ ਕਿ ਦਿੱਤਾ ਗਿਆ ਸੈਂਪਲ ਕੁਝ ਵੰਡਣ ਦੀ ਪਾਲਨਾ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਮੰਨਿਆ ਹੈ ਕਿ ਉਚਾਈਆਂ ਸਧਾਰਨ ਵੰਡਣ ਵਾਲੀਆਂ ਹਨ, ਪਰ ਇਸ ਦੀ ਸਾਂਖਿਆਕੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ।
+* ਸਾਬਤ ਕਰਨ ਲਈ ਕਿ ਸੈਂਪਲ ਦਾ ਔਸਤ ਮੁੱਲ ਕੁਝ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ ਦੇ ਅਨੁਸਾਰ ਹੈ
+* ਕਈ ਸੈਂਪਲਾਂ ਦੇ ਔਸਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ (ਉਦਾਹਰਨ ਲਈ, ਵੱਖ-ਵੱਖ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਖੁਸ਼ੀ ਦੇ ਪੱਧਰ ਵਿੱਚ ਕੀ ਅੰਤਰ ਹੈ)
+
+## ਵੱਡੇ ਨੰਬਰਾਂ ਦਾ ਕਾਨੂੰਨ ਅਤੇ ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ
+
+ਇੱਕ ਕਾਰਨ ਕਿ ਸਧਾਰਨ ਵੰਡਣ ਇੰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਇਸ ਨੂੰ **ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ N ਮੁੱਲਾਂ X<sub>1</sub>, ..., X<sub>N</sub> ਦਾ ਇੱਕ ਵੱਡਾ ਸੈਂਪਲ ਹੈ, ਜੋ ਕਿਸੇ ਵੀ ਵੰਡਣ ਤੋਂ μ ਔਸਤ ਅਤੇ σ<sup>2</sup> ਵਿਸਥਾਪਨ ਦੇ ਨਾਲ ਲਿਆ ਗਿਆ ਹੈ। ਫਿਰ, ਜੇ N ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ (ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਜਦੋਂ N→∞), ਤਾਂ Σ<sub>i</sub>X<sub>i</sub> ਦਾ ਔਸਤ ਸਧਾਰਨ ਵੰਡਣ ਵਾਲਾ ਹੋਵੇਗਾ, μ ਔਸਤ ਅਤੇ σ<sup>2</sup>/N ਵਿਸਥਾਪਨ ਦੇ ਨਾਲ।
+
+> ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਨੂੰ ਵਿਆਖਿਆ ਕਰਨ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਕਿਹਾ ਜਾਵੇ ਕਿ ਵੰਡਣ ਤੋਂ ਬਿਨਾਂ, ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਮੁੱਲਾਂ ਦੇ ਜੋੜ ਦਾ ਔਸਤ ਗਿਣਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਧਾਰਨ ਵੰਡਣ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ।
+
+ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਤੋਂ ਇਹ ਵੀ ਨਿਕਲਦਾ ਹੈ ਕਿ, ਜਦੋਂ N→∞, ਸੈਂਪਲ ਔਸਤ μ ਦੇ ਬਰਾਬਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 1 ਬਣ ਜਾਂਦੀ ਹੈ। ਇਸ ਨੂੰ **ਵੱਡੇ ਨੰਬਰਾਂ ਦਾ ਕਾਨੂੰਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+
+## ਕੋਵਰੀਅੰਸ ਅਤੇ ਕੋਰਲੇਸ਼ਨ
+
+ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਕੰਮ ਡੇਟਾ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਖੋਜਣਾ ਹੈ। ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਦੋ ਲੜੀਆਂ **ਕੋਰਲੇਟ** ਕਰਦੀਆਂ ਹਨ ਜਦੋਂ ਉਹ ਇੱਕੋ ਸਮੇਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਵਿਹਾਰ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀਆਂ ਹਨ, ਅਰਥਾਤ ਉਹ ਇੱਕੋ ਸਮੇਂ ਉੱਪਰ ਜਾਂ ਹੇਠਾਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਾਂ ਇੱਕ ਲੜੀ ਉੱਪਰ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਦੂਜੀ ਹੇਠਾਂ ਜਾਂਦੀ ਹੈ ਅਤੇ ਵਿਰੋਧੀ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਦੋ ਲੜੀਆਂ ਦੇ ਵਿਚਕਾਰ ਕੁਝ ਸਬੰਧ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
+
+> ਕੋਰਲੇਸ਼ਨ ਲਾਜ਼ਮੀ ਨਹੀਂ ਹੈ ਕਿ ਦੋ ਲੜੀਆਂ ਦੇ ਵਿਚਕਾਰ ਕਾਰਨਾਤਮਕ ਸਬੰਧ ਦਰਸਾਏ; ਕਈ ਵਾਰ ਦੋਵੇਂ ਵੈਰੀਏਬਲ ਕਿਸੇ ਬਾਹਰੀ ਕਾਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਾਂ ਇਹ ਸਿਰਫ਼ ਮੌਕੇ ਦੇ ਨਾਲ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਦੋ ਲੜੀਆਂ ਕੋਰਲੇਟ ਕਰਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਮਜ਼ਬੂਤ ਗਣਿਤਜੀਵ ਕੋਰਲੇਸ਼ਨ ਇਹ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਦੋ ਵੈਰੀਏਬਲ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ।
+
+ਗਣਿਤਜੀਵ ਤੌਰ 'ਤੇ, ਦੋ ਰੈਂਡਮ ਵੈਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਦਿਖਾਉਣ ਵਾਲਾ ਮੁੱਖ ਧਾਰਨਾ **ਕੋਵਰੀਅੰਸ** ਹੈ, ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]। ਅਸੀਂ ਦੋਵੇਂ ਵੈਰੀਏਬਲਾਂ ਦੇ ਔਸਤ ਮੁੱਲਾਂ ਤੋਂ ਵਿਸਥਾਪਨ ਗਿਣਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਵਿਸਥਾਪਨਾਂ ਦਾ ਗੁਣਨ। ਜੇ ਦੋਵੇਂ ਵੈਰੀਏਬਲ ਇੱਕੋ ਜਿਹੇ ਵਿਸਥਾਪਨ ਕਰਦੇ ਹਨ, ਤਾਂ ਗੁਣਨ ਹਮੇਸ਼ਾਂ ਇੱਕ ਸਕਾਰਾਤਮਕ ਮੁੱਲ ਹੋਵੇਗਾ, ਜੋ ਸਕਾਰਾਤਮਕ ਕੋਵਰੀਅੰਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੇਗਾ। ਜੇ ਦੋਵੇਂ ਵੈਰੀਏਬਲ ਆਉਟ-ਆਫ-ਸਿੰਕ ਵਿਸਥਾਪਨ ਕਰਦੇ ਹਨ (ਅਰਥਾਤ ਇੱਕ ਔਸਤ ਤੋਂ ਹੇਠਾਂ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਦੂਜਾ ਔਸਤ ਤੋਂ ਉੱਪਰ ਜਾਂਦਾ ਹੈ), ਤਾਂ ਸਾਨੂੰ ਹਮੇਸ਼ਾਂ ਨਕਾਰਾਤਮਕ ਸੰਖੇਆਂ ਮਿਲਣਗੀਆਂ, ਜੋ ਨਕਾਰਾਤਮਕ ਕੋਵਰੀਅੰਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੀਆਂ। ਜੇ ਵਿਸਥਾਪਨ ਨਿਰਭਰ ਨਹੀਂ ਹਨ, ਤਾਂ ਉਹ ਲਗਭਗ ਜ਼ੀਰੋ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੇ।
+
+ਕੋਵਰੀਅੰਸ ਦਾ ਅਬਸੋਲਿਊਟ ਮੁੱਲ ਸਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਕੋਰਲੇਸ਼ਨ ਕਿੰਨਾ ਵੱਡਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਮੁੱਲਾਂ ਦੇ ਮਾਪ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਸ ਨੂੰ ਸਧਾਰਨ ਕਰਨ ਲਈ, ਅਸੀਂ ਦੋਵੇਂ ਵੈਰੀਏਬਲਾਂ ਦੇ ਮਿਆਰੀ ਵਿਸਥਾਪਨ ਦੁਆਰਾ ਕੋਵਰੀਅੰਸ ਨੂੰ ਵੰਡ ਸਕਦੇ ਹਾਂ, ਤਾਂ ਜੋ **ਕੋਰਲੇਸ਼ਨ** ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ। ਚੰਗੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕੋਰਲੇਸ਼ਨ ਹਮੇਸ਼ਾਂ [-1,1] ਦੀ ਰੇਂਜ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ 1 ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਮਜ਼ਬੂਤ ਸਕਾਰਾਤਮਕ ਕੋਰਲੇਸ਼ਨ ਦਰਸਾਉਂਦਾ ਹੈ, -1 - ਮਜ਼ਬੂਤ ਨਕਾਰਾਤਮਕ ਕੋਰਲੇਸ਼ਨ, ਅਤੇ 0 - ਕੋਈ ਕੋਰਲੇਸ਼ਨ ਨਹੀਂ (ਵੈਰੀਏਬਲਾਂ ਅਜ਼ਾਦ ਹਨ)।
+
+**ਉਦਾਹਰਨ**: ਅਸੀਂ ਉਪਰੋਕਤ ਡੇਟਾਸੈਟ ਵਿੱਚ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/04-stats-and-probability/assignment.md b/translations/pa/1-Introduction/04-stats-and-probability/assignment.md
new file mode 100644
index 00000000..d03fbbba
--- /dev/null
+++ b/translations/pa/1-Introduction/04-stats-and-probability/assignment.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "01d1b493e8b51a6ebb42524f6b1bcfff",
+  "translation_date": "2025-08-27T17:29:06+00:00",
+  "source_file": "1-Introduction/04-stats-and-probability/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਛੋਟੀ ਡਾਇਬਟੀਜ਼ ਅਧਿਐਨ
+
+ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਅਸੀਂ ਡਾਇਬਟੀਜ਼ ਮਰੀਜ਼ਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਡਾਟਾਸੈੱਟ ਨਾਲ ਕੰਮ ਕਰਾਂਗੇ ਜੋ [ਇਥੋਂ](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html) ਲਿਆ ਗਿਆ ਹੈ।
+
+|   | ਉਮਰ (AGE) | ਲਿੰਗ (SEX) | ਬੀਐਮਆਈ (BMI) | ਬੀਪੀ (BP) | S1 | S2 | S3 | S4 | S5 | S6 | Y  |
+|---|-----|-----|-----|----|----|----|----|----|----|----|----|
+| 0 | 59 | 2 | 32.1 | 101. | 157 | 93.2 | 38.0 | 4. | 4.8598 | 87 | 151 |
+| 1 | 48 | 1 | 21.6 | 87.0 | 183 | 103.2 | 70. | 3. | 3.8918 | 69 | 75 |
+| 2 | 72 | 2 | 30.5 | 93.0 | 156 | 93.6 | 41.0 | 4.0 | 4. | 85 | 141 |
+| ... | ... | ... | ... | ...| ...| ...| ...| ...| ...| ...| ... |
+
+## ਹਦਾਇਤਾਂ
+
+* [ਅਸਾਈਨਮੈਂਟ ਨੋਟਬੁੱਕ](assignment.ipynb) ਨੂੰ ਜੂਪਿਟਰ ਨੋਟਬੁੱਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ਖੋਲ੍ਹੋ।
+* ਨੋਟਬੁੱਕ ਵਿੱਚ ਦਿੱਤੇ ਸਾਰੇ ਕੰਮ ਪੂਰੇ ਕਰੋ, ਜਿਵੇਂ:
+   * [ ] ਸਾਰੇ ਮੁੱਲਾਂ ਲਈ ਔਸਤ ਅਤੇ ਵੈਰੀਅੰਸ ਦੀ ਗਣਨਾ ਕਰੋ।
+   * [ ] ਲਿੰਗ ਦੇ ਆਧਾਰ 'BMI', 'BP' ਅਤੇ 'Y' ਲਈ ਬਾਕਸਪਲਾਟ ਬਣਾਓ।
+   * [ ] ਉਮਰ, ਲਿੰਗ, ਬੀਐਮਆਈ ਅਤੇ Y ਵੈਰੀਏਬਲਾਂ ਦਾ ਵੰਡਨ (distribution) ਕੀ ਹੈ?
+   * [ ] ਵੱਖ-ਵੱਖ ਵੈਰੀਏਬਲਾਂ ਅਤੇ ਬਿਮਾਰੀ ਦੀ ਪ੍ਰਗਤੀ (Y) ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਜਾਂਚ ਕਰੋ।
+   * [ ] ਇਸ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰੋ ਕਿ ਡਾਇਬਟੀਜ਼ ਦੀ ਪ੍ਰਗਤੀ ਦੀ ਡਿਗਰੀ ਮਰਦਾਂ ਅਤੇ ਔਰਤਾਂ ਵਿੱਚ ਵੱਖਰੀ ਹੈ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | -- |
+ਸਾਰੇ ਲੋੜੀਂਦੇ ਕੰਮ ਪੂਰੇ, ਗ੍ਰਾਫਿਕਲ ਤੌਰ 'ਤੇ ਦਰਸਾਏ ਅਤੇ ਸਮਝਾਏ ਗਏ ਹਨ | ਜ਼ਿਆਦਾਤਰ ਕੰਮ ਪੂਰੇ ਹਨ, ਪਰ ਗ੍ਰਾਫਾਂ ਅਤੇ/ਜਾਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਮੁੱਲਾਂ ਤੋਂ ਸਮਝਾਵੇ ਜਾਂ ਨਤੀਜੇ ਗਾਇਬ ਹਨ | ਸਿਰਫ ਬੁਨਿਆਦੀ ਕੰਮ ਜਿਵੇਂ ਔਸਤ/ਵੈਰੀਅੰਸ ਦੀ ਗਣਨਾ ਅਤੇ ਬੁਨਿਆਦੀ ਪਲਾਟ ਪੂਰੇ ਕੀਤੇ ਗਏ ਹਨ, ਡਾਟਾ ਤੋਂ ਕੋਈ ਨਤੀਜੇ ਨਹੀਂ ਕੱਢੇ ਗਏ
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/1-Introduction/README.md b/translations/pa/1-Introduction/README.md
new file mode 100644
index 00000000..ee03d0b2
--- /dev/null
+++ b/translations/pa/1-Introduction/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "696a8474a01054281704cbfb09148949",
+  "translation_date": "2025-08-27T17:02:23+00:00",
+  "source_file": "1-Introduction/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਪਰਿਚਯ
+
+![ਡਾਟਾ ਦੀ ਕਾਰਵਾਈ](../../../translated_images/data.48e22bb7617d8d92188afbc4c48effb920ba79f5cebdc0652cd9f34bbbd90c18.pa.jpg)
+> ਫੋਟੋ <a href="https://unsplash.com/@dawson2406?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ਸਟੀਫਨ ਡਾਸਨ</a> ਦੁਆਰਾ <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ਅਨਸਪਲੈਸ਼</a> 'ਤੇ
+  
+ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਜਾਣੋਗੇ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਹ ਨੈਤਿਕ ਵਿਚਾਰ ਜੋ ਇੱਕ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖੋਗੇ ਕਿ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਬਾਰੇ ਕੁਝ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰੋਗੇ, ਜੋ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਮੁੱਖ ਅਕਾਦਮਿਕ ਖੇਤਰ ਹਨ।
+
+### ਵਿਸ਼ੇ
+
+1. [ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ](01-defining-data-science/README.md)
+2. [ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਨੈਤਿਕਤਾ](02-ethics/README.md)
+3. [ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ](03-defining-data/README.md)
+4. [ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਪਰਿਚਯ](04-stats-and-probability/README.md)
+
+### ਸ਼੍ਰੇਯ
+
+ਇਹ ਪਾਠ ❤️ ਨਾਲ [ਨਿਤਿਆ ਨਰਸਿੰਮਨ](https://twitter.com/nitya) ਅਤੇ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](https://twitter.com/shwars) ਦੁਆਰਾ ਲਿਖੇ ਗਏ ਹਨ।
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/05-relational-databases/README.md b/translations/pa/2-Working-With-Data/05-relational-databases/README.md
new file mode 100644
index 00000000..621ae886
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/05-relational-databases/README.md
@@ -0,0 +1,175 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "870a0086adbc313a8eea5489bdcb2522",
+  "translation_date": "2025-08-27T16:42:46+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਵੱਲੋਂ ਸਕੈਚਨੋਟ ](../../sketchnotes/05-RelationalData.png)|
+|:---:|
+| ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ - _[@nitya](https://twitter.com/nitya) ਵੱਲੋਂ ਸਕੈਚਨੋਟ_ |
+
+ਸਭ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਤੁਸੀਂ ਪਹਿਲਾਂ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਲਈ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਰਤੀ ਹੋਵੇਗੀ। ਤੁਹਾਡੇ ਕੋਲ ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਦਾ ਸੈੱਟ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕਤਾਰਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ (ਜਾਂ ਡਾਟਾ) ਹੁੰਦੀ ਹੈ, ਅਤੇ ਕਾਲਮ ਉਸ ਜਾਣਕਾਰੀ ਨੂੰ ਵਰਣਨ ਕਰਦੇ ਹਨ (ਕਈ ਵਾਰ ਇਸਨੂੰ ਮੈਟਾਡੇਟਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। ਇੱਕ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਕਾਲਮਾਂ ਅਤੇ ਕਤਾਰਾਂ ਦੇ ਇਸ ਮੁੱਖ ਸਿਧਾਂਤ 'ਤੇ ਬਣਿਆ ਹੁੰਦਾ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਜਾਣਕਾਰੀ ਨੂੰ ਕਈ ਟੇਬਲਾਂ ਵਿੱਚ ਫੈਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਜਟਿਲ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ, ਡੁਪਲੀਕੇਸ਼ਨ ਤੋਂ ਬਚਣ ਅਤੇ ਡਾਟਾ ਦੀ ਪੜਚੋਲ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਲਚੀਲਾਪਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਆਓ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਪੜਚੋਲ ਕਰੀਏ।
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/8)
+
+## ਇਹ ਸਾਰਾ ਕੁਝ ਟੇਬਲਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ
+
+ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਟੇਬਲ ਹੁੰਦੇ ਹਨ। ਬਿਲਕੁਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਾਂਗ, ਇੱਕ ਟੇਬਲ ਕਾਲਮਾਂ ਅਤੇ ਕਤਾਰਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ। ਕਤਾਰ ਵਿੱਚ ਉਹ ਡਾਟਾ ਜਾਂ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ ਜਿਸ ਨਾਲ ਅਸੀਂ ਕੰਮ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਸ਼ਹਿਰ ਦਾ ਨਾਮ ਜਾਂ ਵਰਖਾ ਦੀ ਮਾਤਰਾ। ਕਾਲਮ ਉਸ ਡਾਟਾ ਨੂੰ ਵਰਣਨ ਕਰਦੇ ਹਨ ਜੋ ਉਹ ਸਟੋਰ ਕਰਦੇ ਹਨ।
+
+ਆਓ ਸ਼ਹਿਰਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਲਈ ਇੱਕ ਟੇਬਲ ਸ਼ੁਰੂ ਕਰਕੇ ਆਪਣੀ ਪੜਚੋਲ ਸ਼ੁਰੂ ਕਰੀਏ। ਅਸੀਂ ਸ਼ਾਇਦ ਉਨ੍ਹਾਂ ਦੇ ਨਾਮ ਅਤੇ ਦੇਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਤੁਸੀਂ ਇਸਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਟੇਬਲ ਵਿੱਚ ਸਟੋਰ ਕਰ ਸਕਦੇ ਹੋ:
+
+| ਸ਼ਹਿਰ     | ਦੇਸ਼           |
+| -------- | ------------- |
+| ਟੋਕੀਓ    | ਜਪਾਨ         |
+| ਐਟਲਾਂਟਾ  | ਸੰਯੁਕਤ ਰਾਜ   |
+| ਆਕਲੈਂਡ   | ਨਿਊਜ਼ੀਲੈਂਡ   |
+
+ਧਿਆਨ ਦਿਓ ਕਿ **ਸ਼ਹਿਰ**, **ਦੇਸ਼** ਅਤੇ **ਆਬਾਦੀ** ਦੇ ਕਾਲਮ ਨਾਮ ਸਟੋਰ ਕੀਤੇ ਜਾ ਰਹੇ ਡਾਟਾ ਨੂੰ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਹਰ ਕਤਾਰ ਵਿੱਚ ਇੱਕ ਸ਼ਹਿਰ ਬਾਰੇ ਜਾਣਕਾਰੀ ਹੈ।
+
+## ਇੱਕ ਟੇਬਲ ਪਹੁੰਚ ਦੇ ਘਾਟ
+
+ਸਭ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਉਪਰੋਕਤ ਟੇਬਲ ਤੁਹਾਨੂੰ ਕਾਫ਼ੀ ਜਾਣੀ ਪਛਾਣੀ ਲੱਗਦੀ ਹੈ। ਆਓ ਆਪਣੀ ਨਵੀਂ ਬਣ ਰਹੀ ਡੇਟਾਬੇਸ ਵਿੱਚ ਕੁਝ ਹੋਰ ਡਾਟਾ ਸ਼ਾਮਲ ਕਰੀਏ - ਸਾਲਾਨਾ ਵਰਖਾ (ਮਿਲੀਮੀਟਰ ਵਿੱਚ)। ਅਸੀਂ 2018, 2019 ਅਤੇ 2020 ਦੇ ਸਾਲਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਾਂਗੇ। ਜੇ ਅਸੀਂ ਇਹ ਟੋਕੀਓ ਲਈ ਸ਼ਾਮਲ ਕਰੀਏ, ਤਾਂ ਇਹ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਲੱਗ ਸਕਦਾ ਹੈ:
+
+| ਸ਼ਹਿਰ  | ਦੇਸ਼   | ਸਾਲ | ਮਾਤਰਾ |
+| ----- | ------- | ---- | ------ |
+| ਟੋਕੀਓ | ਜਪਾਨ   | 2020 | 1690   |
+| ਟੋਕੀਓ | ਜਪਾਨ   | 2019 | 1874   |
+| ਟੋਕੀਓ | ਜਪਾਨ   | 2018 | 1445   |
+
+ਤੁਸੀਂ ਸਾਡੇ ਟੇਬਲ ਬਾਰੇ ਕੀ ਗੌਰ ਕੀਤਾ? ਤੁਸੀਂ ਸ਼ਾਇਦ ਗੌਰ ਕੀਤਾ ਹੋਵੇਗਾ ਕਿ ਅਸੀਂ ਸ਼ਹਿਰ ਅਤੇ ਦੇਸ਼ ਦੇ ਨਾਮ ਨੂੰ ਵਾਰ-ਵਾਰ ਦੁਹਰਾ ਰਹੇ ਹਾਂ। ਇਹ ਕਾਫ਼ੀ ਸਟੋਰੇਜ ਲੈ ਸਕਦਾ ਹੈ, ਅਤੇ ਬਹੁਤ ਹੱਦ ਤੱਕ ਬੇਲੋੜੀ ਹੈ। ਆਖਰਕਾਰ, ਟੋਕੀਓ ਦਾ ਸਿਰਫ ਇੱਕ ਹੀ ਨਾਮ ਹੈ ਜਿਸ ਵਿੱਚ ਸਾਨੂੰ ਦਿਲਚਸਪੀ ਹੈ।
+
+ਠੀਕ ਹੈ, ਆਓ ਕੁਝ ਹੋਰ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ। ਆਓ ਹਰ ਸਾਲ ਲਈ ਨਵੇਂ ਕਾਲਮ ਸ਼ਾਮਲ ਕਰੀਏ:
+
+| ਸ਼ਹਿਰ     | ਦੇਸ਼           | 2018 | 2019 | 2020 |
+| -------- | ------------- | ---- | ---- | ---- |
+| ਟੋਕੀਓ    | ਜਪਾਨ         | 1445 | 1874 | 1690 |
+| ਐਟਲਾਂਟਾ  | ਸੰਯੁਕਤ ਰਾਜ   | 1779 | 1111 | 1683 |
+| ਆਕਲੈਂਡ   | ਨਿਊਜ਼ੀਲੈਂਡ   | 1386 | 942  | 1176 |
+
+ਜਦੋਂ ਕਿ ਇਹ ਕਤਾਰਾਂ ਦੇ ਦੁਹਰਾਵੇ ਤੋਂ ਬਚਦਾ ਹੈ, ਇਹ ਕੁਝ ਹੋਰ ਚੁਣੌਤੀਆਂ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਸਾਨੂੰ ਹਰ ਵਾਰ ਇੱਕ ਨਵੇਂ ਸਾਲ ਦੇ ਆਉਣ 'ਤੇ ਆਪਣੇ ਟੇਬਲ ਦੀ ਬਣਤਰ ਨੂੰ ਬਦਲਣਾ ਪਵੇਗਾ। ਇਸਦੇ ਇਲਾਵਾ, ਜਿਵੇਂ ਜਿਵੇਂ ਸਾਡਾ ਡਾਟਾ ਵਧਦਾ ਹੈ, ਸਾਲਾਂ ਨੂੰ ਕਾਲਮਾਂ ਵਜੋਂ ਰੱਖਣਾ ਮੁੱਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਗਣਨਾ ਕਰਨ ਨੂੰ ਔਖਾ ਬਣਾ ਦੇਵੇਗਾ।
+
+ਇਸ ਲਈ ਸਾਨੂੰ ਕਈ ਟੇਬਲਾਂ ਅਤੇ ਰਿਸ਼ਤਿਆਂ ਦੀ ਲੋੜ ਹੈ। ਸਾਡੇ ਡਾਟਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਰਕੇ ਅਸੀਂ ਦੁਹਰਾਵੇ ਤੋਂ ਬਚ ਸਕਦੇ ਹਾਂ ਅਤੇ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਹੋਰ ਲਚੀਲਾਪਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+## ਰਿਸ਼ਤਿਆਂ ਦੇ ਸਿਧਾਂਤ
+
+ਆਓ ਆਪਣੇ ਡਾਟਾ ਵੱਲ ਮੁੜ ਚੱਲੀਏ ਅਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰੀਏ ਕਿ ਅਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਵੰਡਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਅਸੀਂ ਆਪਣੇ ਸ਼ਹਿਰਾਂ ਲਈ ਨਾਮ ਅਤੇ ਦੇਸ਼ ਸਟੋਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਇਸ ਲਈ ਇਹ ਸ਼ਾਇਦ ਇੱਕ ਟੇਬਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰੇਗਾ।
+
+| ਸ਼ਹਿਰ     | ਦੇਸ਼           |
+| -------- | ------------- |
+| ਟੋਕੀਓ    | ਜਪਾਨ         |
+| ਐਟਲਾਂਟਾ  | ਸੰਯੁਕਤ ਰਾਜ   |
+| ਆਕਲੈਂਡ   | ਨਿਊਜ਼ੀਲੈਂਡ   |
+
+ਪਰ ਅਗਲਾ ਟੇਬਲ ਬਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ, ਸਾਨੂੰ ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਪਵੇਗਾ ਕਿ ਹਰ ਸ਼ਹਿਰ ਨੂੰ ਕਿਵੇਂ ਰਿਫਰੈਂਸ ਕਰਨਾ ਹੈ। ਸਾਨੂੰ ਕਿਸੇ ਕਿਸਮ ਦੇ ਪਛਾਣਕਰਤਾ, ID ਜਾਂ (ਤਕਨੀਕੀ ਡੇਟਾਬੇਸ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ) ਪ੍ਰਾਇਮਰੀ ਕੀ ਦੀ ਲੋੜ ਹੈ। ਪ੍ਰਾਇਮਰੀ ਕੀ ਇੱਕ ਮੁੱਲ ਹੈ ਜੋ ਇੱਕ ਟੇਬਲ ਵਿੱਚ ਇੱਕ ਖਾਸ ਕਤਾਰ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਇਹ ਖੁਦ ਇੱਕ ਮੁੱਲ 'ਤੇ ਆਧਾਰਿਤ ਹੋ ਸਕਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ ਅਸੀਂ ਸ਼ਹਿਰ ਦੇ ਨਾਮ ਨੂੰ ਵਰਤ ਸਕਦੇ ਹਾਂ), ਇਹ ਲਗਭਗ ਹਮੇਸ਼ਾ ਇੱਕ ਨੰਬਰ ਜਾਂ ਹੋਰ ਪਛਾਣਕਰਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ ਕਿ ID ਕਦੇ ਵੀ ਬਦਲੇ ਕਿਉਂਕਿ ਇਹ ਰਿਸ਼ਤੇ ਨੂੰ ਤੋੜ ਦੇਵੇਗਾ। ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਤੁਸੀਂ ਪਾਓਗੇ ਕਿ ਪ੍ਰਾਇਮਰੀ ਕੀ ਜਾਂ ID ਇੱਕ ਆਟੋ-ਜਨਰੇਟ ਕੀਤੇ ਨੰਬਰ ਹੋਵੇਗਾ।
+
+> ✅ ਪ੍ਰਾਇਮਰੀ ਕੀ ਨੂੰ ਅਕਸਰ PK ਦੇ ਰੂਪ ਵਿੱਚ ਸੰਖੇਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
+
+### ਸ਼ਹਿਰਾਂ
+
+| city_id | ਸ਼ਹਿਰ     | ਦੇਸ਼           |
+| ------- | -------- | ------------- |
+| 1       | ਟੋਕੀਓ    | ਜਪਾਨ         |
+| 2       | ਐਟਲਾਂਟਾ  | ਸੰਯੁਕਤ ਰਾਜ   |
+| 3       | ਆਕਲੈਂਡ   | ਨਿਊਜ਼ੀਲੈਂਡ   |
+
+> ✅ ਤੁਸੀਂ ਗੌਰ ਕਰੋਗੇ ਕਿ ਅਸੀਂ ਇਸ ਪਾਠ ਦੌਰਾਨ "id" ਅਤੇ "ਪ੍ਰਾਇਮਰੀ ਕੀ" ਸ਼ਬਦਾਂ ਨੂੰ ਪਰਸਪਰ ਵਰਤਦੇ ਹਾਂ। ਇੱਥੇ ਦਿੱਤੇ ਸਿਧਾਂਤ DataFrames 'ਤੇ ਵੀ ਲਾਗੂ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਪੜਚੋਲ ਕਰੋਗੇ। DataFrames "ਪ੍ਰਾਇਮਰੀ ਕੀ" ਦੀ ਸ਼ਬਦਾਵਲੀ ਨਹੀਂ ਵਰਤਦੇ, ਪਰ ਤੁਸੀਂ ਗੌਰ ਕਰੋਗੇ ਕਿ ਉਹ ਬਹੁਤ ਹੱਦ ਤੱਕ ਇਸੇ ਤਰ੍ਹਾਂ ਵਿਵਹਾਰ ਕਰਦੇ ਹਨ।
+
+ਸਾਡੇ ਸ਼ਹਿਰਾਂ ਦੇ ਟੇਬਲ ਨੂੰ ਬਣਾਉਣ ਦੇ ਨਾਲ, ਆਓ ਵਰਖਾ ਨੂੰ ਸਟੋਰ ਕਰੀਏ। ਪੂਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਬਜਾਏ, ਅਸੀਂ ID ਨੂੰ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਸਾਨੂੰ ਇਹ ਵੀ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਨਵੀਂ ਬਣੀ ਟੇਬਲ ਵਿੱਚ ਇੱਕ *id* ਕਾਲਮ ਵੀ ਹੋਵੇ, ਕਿਉਂਕਿ ਸਾਰੀਆਂ ਟੇਬਲਾਂ ਵਿੱਚ ਇੱਕ id ਜਾਂ ਪ੍ਰਾਇਮਰੀ ਕੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
+
+### ਵਰਖਾ
+
+| rainfall_id | city_id | ਸਾਲ | ਮਾਤਰਾ |
+| ----------- | ------- | ---- | ------ |
+| 1           | 1       | 2018 | 1445   |
+| 2           | 1       | 2019 | 1874   |
+| 3           | 1       | 2020 | 1690   |
+| 4           | 2       | 2018 | 1779   |
+| 5           | 2       | 2019 | 1111   |
+| 6           | 2       | 2020 | 1683   |
+| 7           | 3       | 2018 | 1386   |
+| 8           | 3       | 2019 | 942    |
+| 9           | 3       | 2020 | 1176   |
+
+ਨਵੀਂ ਬਣੀ **ਵਰਖਾ** ਟੇਬਲ ਦੇ ਅੰਦਰ **city_id** ਕਾਲਮ 'ਤੇ ਧਿਆਨ ਦਿਓ। ਇਸ ਕਾਲਮ ਵਿੱਚ ਉਹ ਮੁੱਲ ਹਨ ਜੋ **ਸ਼ਹਿਰਾਂ** ਟੇਬਲ ਵਿੱਚ ID ਨੂੰ ਰਿਫਰੈਂਸ ਕਰਦੇ ਹਨ। ਤਕਨੀਕੀ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ, ਇਸਨੂੰ **ਫਾਰਨ ਕੀ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ; ਇਹ ਦੂਜੇ ਟੇਬਲ ਤੋਂ ਪ੍ਰਾਇਮਰੀ ਕੀ ਹੈ। ਤੁਸੀਂ ਇਸਨੂੰ ਸਿਰਫ ਇੱਕ ਰਿਫਰੈਂਸ ਜਾਂ ਪੌਇੰਟਰ ਵਜੋਂ ਸੋਚ ਸਕਦੇ ਹੋ। **city_id** 1 ਟੋਕੀਓ ਨੂੰ ਰਿਫਰੈਂਸ ਕਰਦਾ ਹੈ।
+
+> [!NOTE] ਫਾਰਨ ਕੀ ਨੂੰ ਅਕਸਰ FK ਦੇ ਰੂਪ ਵਿੱਚ ਸੰਖੇਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
+
+## ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ
+
+ਸਾਡੇ ਡਾਟਾ ਨੂੰ ਦੋ ਟੇਬਲਾਂ ਵਿੱਚ ਵੰਡਣ ਦੇ ਨਾਲ, ਤੁਸੀਂ ਸੋਚ ਰਹੇ ਹੋ ਸਕਦੇ ਹੋ ਕਿ ਅਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ। ਜੇ ਅਸੀਂ MySQL, SQL Server ਜਾਂ Oracle ਵਰਗੇ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇੱਕ ਭਾਸ਼ਾ ਜਿਸਨੂੰ ਸਟ੍ਰਕਚਰਡ ਕਵੈਰੀ ਲੈਂਗਵੇਜ ਜਾਂ SQL ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। SQL (ਕਈ ਵਾਰ sequel ਉਚਾਰਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ) ਇੱਕ ਮਿਆਰੀ ਭਾਸ਼ਾ ਹੈ ਜੋ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਵਿੱਚ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਸੋਧਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
+
+ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਤੁਸੀਂ ਕਮਾਂਡ `SELECT` ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ। ਇਸਦਾ ਮੁੱਖ ਅਰਥ ਹੈ ਕਿ ਤੁਸੀਂ ਉਹ ਕਾਲਮ **ਚੁਣਦੇ ਹੋ** ਜੋ ਤੁਸੀਂ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਉਹ **ਟੇਬਲ** ਜਿੱਥੇ ਉਹ ਸਟੋਰ ਕੀਤੇ ਗਏ ਹਨ। ਜੇ ਤੁਸੀਂ ਸਿਰਫ ਸ਼ਹਿਰਾਂ ਦੇ ਨਾਮ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕਮਾਂਡ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ:
+
+```sql
+SELECT city
+FROM cities;
+
+-- Output:
+-- Tokyo
+-- Atlanta
+-- Auckland
+```
+
+`SELECT` ਉਹ ਜਗ੍ਹਾ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਕਾਲਮਾਂ ਦੀ ਸੂਚੀ ਦਿੰਦੇ ਹੋ, ਅਤੇ `FROM` ਉਹ ਜਗ੍ਹਾ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਟੇਬਲਾਂ ਦੀ ਸੂਚੀ ਦਿੰਦੇ ਹੋ।
+
+> [NOTE] SQL ਸਿੰਟੈਕਸ ਕੇਸ-ਇੰਸੈਂਸਿਟਿਵ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ `select` ਅਤੇ `SELECT` ਇੱਕੋ ਜਿਹੇ ਹਨ। ਹਾਲਾਂਕਿ, ਤੁਸੀਂ ਜਿਸ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਉਸ ਦੇ ਕਿਸਮ ਦੇ ਅਨੁਸਾਰ ਕਾਲਮ ਅਤੇ ਟੇਬਲ ਕੇਸ-ਸੈਂਸਿਟਿਵ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਕਾਰਨ, ਇਹ ਇੱਕ ਵਧੀਆ ਅਭਿਆਸ ਹੈ ਕਿ ਹਮੇਸ਼ਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਨੂੰ ਕੇਸ-ਸੈਂਸਿਟਿਵ ਮੰਨੋ। ਜਦੋਂ SQL ਕਵੈਰੀਆਂ ਲਿਖਦੇ ਹੋ, ਆਮ ਰਵਾਇਤ ਹੈ ਕਿ ਕੀਵਰਡਸ ਨੂੰ ਸਾਰੇ ਵੱਡੇ ਅੱਖਰਾਂ ਵਿੱਚ ਲਿਖੋ।
+
+ਉਪਰੋਕਤ ਕਵੈਰੀ ਸਾਰੇ ਸ਼ਹਿਰਾਂ ਨੂੰ ਦਿਖਾਏਗੀ। ਆਓ ਕਲਪਨਾ ਕਰੀਏ ਕਿ ਅਸੀਂ ਸਿਰਫ ਨਿਊਜ਼ੀਲੈਂਡ ਵਿੱਚ ਸ਼ਹਿਰਾਂ ਨੂੰ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਸਾਨੂੰ ਕਿਸੇ ਕਿਸਮ ਦੇ ਫਿਲਟਰ ਦੀ ਲੋੜ ਹੈ। SQL ਕੀਵਰਡ ਇਸ ਲਈ ਹੈ `WHERE`, ਜਾਂ "ਜਿੱਥੇ ਕੁਝ ਸੱਚ ਹੈ"।
+
+```sql
+SELECT city
+FROM cities
+WHERE country = 'New Zealand';
+
+-- Output:
+-- Auckland
+```
+
+## ਡਾਟਾ ਨੂੰ ਜੋੜਨਾ
+
+ਹੁਣ ਤੱਕ ਅਸੀਂ ਸਿਰਫ ਇੱਕ ਟੇਬਲ ਤੋਂ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ। ਹੁਣ ਅਸੀਂ **ਸ਼ਹਿਰਾਂ** ਅਤੇ **ਵਰਖਾ** ਦੋਹਾਂ ਤੋਂ ਡਾਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਇਹ ਦੋਹਾਂ ਨੂੰ *ਜੋੜ ਕੇ* ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਦੋ ਟੇਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸੀਮ ਬਣਾਉਂਦੇ ਹੋ, ਅਤੇ ਹਰ ਟੇਬਲ ਤੋਂ ਇੱਕ ਕਾਲਮ ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਮੇਲ ਕਰਦੇ ਹੋ।
+
+ਸਾਡੇ ਉਦਾਹਰਨ ਵਿੱਚ, ਅਸੀਂ **rainfall** ਵਿੱਚ **city_id** ਕਾਲਮ ਨੂੰ **cities** ਵਿੱਚ **city_id** ਕਾਲਮ ਨਾਲ ਮੇਲ ਕਰਾਂਗੇ। ਇਹ ਵਰਖਾ ਦੀ ਮਾਤਰਾ ਨੂੰ ਇਸਦੇ ਸੰਬੰਧਿਤ ਸ਼ਹਿਰ ਨਾਲ ਮੇਲ ਕਰੇਗਾ। ਜੋ ਜੋੜ ਅਸੀਂ ਕਰਾਂਗੇ, ਉਸਨੂੰ *ਅੰਦਰੂਨੀ* ਜੋੜ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਜੇਕਰ ਕੋਈ ਕਤਾਰਾਂ ਦੂਜੇ ਟੇਬਲ ਵਿੱਚ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੀਆਂ, ਤਾਂ ਉਹ ਦਿਖਾਈ ਨਹੀਂ ਜਾਣਗੀਆਂ। ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ ਹਰ ਸ਼ਹਿਰ ਦੀ ਵਰਖਾ ਹੈ, ਇਸ ਲਈ ਸਭ ਕੁਝ ਦਿਖਾਇਆ ਜਾਵੇਗਾ।
+
+ਆਓ ਸਾਰੇ ਸ਼ਹਿਰਾਂ ਲਈ 2019 ਦੀ ਵਰਖਾ ਪ੍ਰਾਪਤ ਕਰੀਏ।
+
+ਅਸੀਂ ਇਹ ਕਦਮਾਂ ਵਿੱਚ ਕਰਾਂਗੇ। ਪਹਿਲਾ ਕਦਮ ਹੈ ਡਾਟਾ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਸੀਮ ਲਈ ਕਾਲਮਾਂ ਨੂੰ ਦਰਸਾਉਣਾ - ਜਿਵੇਂ ਕਿ ਪਹਿਲਾਂ ਹਾਈਲਾਈਟ ਕੀਤਾ ਗਿਆ ਸੀ, **city_id**।
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+```
+
+ਅਸੀਂ ਦੋ ਕਾਲਮਾਂ ਅਤੇ ਟੇਬਲਾਂ ਨੂੰ **city_id** ਦੁਆਰਾ ਜੋੜਨ ਦੀ ਗੱਲ ਕੀਤੀ ਹੈ। ਹੁਣ ਅਸੀਂ ਸਿਰਫ 2019 ਦੇ ਸਾਲ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਲਈ `WHERE` ਸਟੇਟਮ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+```sql
+SELECT cities.city
+    rainfall.amount
+FROM cities
+    INNER JOIN rainfall ON cities.city_id = rainfall.city_id
+WHERE rainfall.year = 2019
+
+-- Output
+
+-- city     | amount
+-- -------- | ------
+-- Tokyo    | 1874
+-- Atlanta  | 1111
+-- Auckland |  942
+```
+
+## ਸਾਰ
+
+ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਕਈ ਟੇਬਲਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਨੂੰ ਵੰਡਣ 'ਤੇ ਕੇਂਦਰਿਤ ਹੁੰਦੇ ਹਨ, ਜਿਸਨੂੰ ਫਿਰ ਡਿਸਪਲੇਅ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਮੁੜ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਗਣਨਾ ਕਰਨ ਅਤੇ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲ ਡਾਟਾ ਨੂੰ ਮੈਨਿਪੁਲੇਟ ਕਰਨ ਲਈ ਇੱਕ ਉੱਚ ਦਰਜੇ ਦੀ ਲਚੀਲਾਪਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਇੱਕ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਦੇ ਮੁੱਖ ਸਿਧਾਂਤਾਂ ਨੂੰ ਦੇਖਿਆ ਹੈ, ਅਤੇ ਦੋ ਟੇਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/05-relational-databases/assignment.md b/translations/pa/2-Working-With-Data/05-relational-databases/assignment.md
new file mode 100644
index 00000000..67e2fad8
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/05-relational-databases/assignment.md
@@ -0,0 +1,73 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "2f2d7693f28e4b2675f275e489dc5aac",
+  "translation_date": "2025-08-27T16:44:51+00:00",
+  "source_file": "2-Working-With-Data/05-relational-databases/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਹਵਾਈ ਅੱਡਿਆਂ ਦੇ ਡਾਟਾ ਨੂੰ ਦਿਖਾਉਣਾ
+
+ਤੁਹਾਨੂੰ ਇੱਕ [ਡਾਟਾਬੇਸ](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) ਦਿੱਤਾ ਗਿਆ ਹੈ ਜੋ [SQLite](https://sqlite.org/index.html) 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਜਿਸ ਵਿੱਚ ਹਵਾਈ ਅੱਡਿਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਹੈ। ਇਸ ਦਾ ਸਕੀਮਾ ਹੇਠਾਂ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਤੁਸੀਂ [Visual Studio Code](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) ਵਿੱਚ [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਸ਼ਹਿਰਾਂ ਦੇ ਹਵਾਈ ਅੱਡਿਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾਉਣਗੇ।
+
+## ਹਦਾਇਤਾਂ
+
+ਅਸਾਈਨਮੈਂਟ ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਕੁਝ ਕਦਮ ਕਰਨੇ ਪੈਣਗੇ। ਤੁਹਾਨੂੰ ਕੁਝ ਟੂਲਿੰਗ ਇੰਸਟਾਲ ਕਰਨੀ ਪਵੇਗੀ ਅਤੇ ਨਮੂਨਾ ਡਾਟਾਬੇਸ ਡਾਊਨਲੋਡ ਕਰਨਾ ਪਵੇਗਾ।
+
+### ਆਪਣੇ ਸਿਸਟਮ ਨੂੰ ਸੈਟਅੱਪ ਕਰੋ
+
+ਤੁਸੀਂ ਡਾਟਾਬੇਸ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਨ ਲਈ Visual Studio Code ਅਤੇ SQLite ਐਕਸਟੈਂਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ।
+
+1. [code.visualstudio.com](https://code.visualstudio.com?WT.mc_id=academic-77958-bethanycheum) 'ਤੇ ਜਾਓ ਅਤੇ Visual Studio Code ਇੰਸਟਾਲ ਕਰਨ ਲਈ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ
+1. [SQLite extension](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ਐਕਸਟੈਂਸ਼ਨ ਨੂੰ ਮਾਰਕੀਟਪਲੇਸ ਪੇਜ 'ਤੇ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਅਨੁਸਾਰ ਇੰਸਟਾਲ ਕਰੋ
+
+### ਡਾਟਾਬੇਸ ਡਾਊਨਲੋਡ ਕਰੋ ਅਤੇ ਖੋਲ੍ਹੋ
+
+ਅਗਲੇ ਕਦਮ ਵਿੱਚ ਤੁਸੀਂ ਡਾਟਾਬੇਸ ਡਾਊਨਲੋਡ ਕਰਕੇ ਖੋਲ੍ਹੋਗੇ।
+
+1. [GitHub ਤੋਂ ਡਾਟਾਬੇਸ ਫਾਈਲ](https://raw.githubusercontent.com/Microsoft/Data-Science-For-Beginners/main/2-Working-With-Data/05-relational-databases/airports.db) ਡਾਊਨਲੋਡ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਕਿਸੇ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ਸੇਵ ਕਰੋ
+1. Visual Studio Code ਖੋਲ੍ਹੋ
+1. SQLite ਐਕਸਟੈਂਸ਼ਨ ਵਿੱਚ ਡਾਟਾਬੇਸ ਖੋਲ੍ਹਣ ਲਈ **Ctl-Shift-P** (ਜਾਂ Mac 'ਤੇ **Cmd-Shift-P**) ਦਬਾਓ ਅਤੇ `SQLite: Open database` ਲਿਖੋ
+1. **Choose database from file** ਚੁਣੋ ਅਤੇ ਉਹ **airports.db** ਫਾਈਲ ਖੋਲ੍ਹੋ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਡਾਊਨਲੋਡ ਕੀਤੀ ਸੀ
+1. ਡਾਟਾਬੇਸ ਖੋਲ੍ਹਣ ਤੋਂ ਬਾਅਦ (ਤੁਹਾਨੂੰ ਸਕ੍ਰੀਨ 'ਤੇ ਕੋਈ ਅੱਪਡੇਟ ਨਹੀਂ ਦਿਖੇਗਾ), ਇੱਕ ਨਵੀਂ ਕਵੈਰੀ ਵਿੰਡੋ ਬਣਾਓ **Ctl-Shift-P** (ਜਾਂ Mac 'ਤੇ **Cmd-Shift-P**) ਦਬਾ ਕੇ ਅਤੇ `SQLite: New query` ਲਿਖ ਕੇ
+
+ਜਦੋਂ ਨਵੀਂ ਕਵੈਰੀ ਵਿੰਡੋ ਖੁਲ੍ਹ ਜਾਵੇ, ਤੁਸੀਂ ਇਸਨੂੰ ਡਾਟਾਬੇਸ 'ਤੇ SQL ਸਟੇਟਮੈਂਟ ਚਲਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ **Ctl-Shift-Q** (ਜਾਂ Mac 'ਤੇ **Cmd-Shift-Q**) ਕਮਾਂਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾਬੇਸ 'ਤੇ ਕਵੈਰੀ ਚਲਾ ਸਕਦੇ ਹੋ।
+
+> [!NOTE] SQLite ਐਕਸਟੈਂਸ਼ਨ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਤੁਸੀਂ [ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://marketplace.visualstudio.com/items?itemName=alexcvzz.vscode-sqlite&WT.mc_id=academic-77958-bethanycheum) ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ।
+
+## ਡਾਟਾਬੇਸ ਸਕੀਮਾ
+
+ਡਾਟਾਬੇਸ ਦਾ ਸਕੀਮਾ ਇਸ ਦੀ ਟੇਬਲ ਡਿਜ਼ਾਈਨ ਅਤੇ ਸਟ੍ਰਕਚਰ ਹੈ। **airports** ਡਾਟਾਬੇਸ ਵਿੱਚ ਦੋ ਟੇਬਲ ਹਨ, `cities`, ਜਿਸ ਵਿੱਚ ਯੂਨਾਈਟਿਡ ਕਿੰਗਡਮ ਅਤੇ ਆਇਰਲੈਂਡ ਦੇ ਸ਼ਹਿਰਾਂ ਦੀ ਸੂਚੀ ਹੈ, ਅਤੇ `airports`, ਜਿਸ ਵਿੱਚ ਸਾਰੇ ਹਵਾਈ ਅੱਡਿਆਂ ਦੀ ਸੂਚੀ ਹੈ। ਕਿਉਂਕਿ ਕੁਝ ਸ਼ਹਿਰਾਂ ਵਿੱਚ ਕਈ ਹਵਾਈ ਅੱਡੇ ਹੋ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨ ਲਈ ਦੋ ਟੇਬਲ ਬਣਾਈਆਂ ਗਈਆਂ। ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸ਼ਹਿਰਾਂ ਲਈ ਜਾਣਕਾਰੀ ਦਿਖਾਉਣ ਲਈ ਜੋਇਨ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ।
+
+| ਸ਼ਹਿਰਾਂ (Cities)   |
+| ------------------- |
+| id (PK, integer)    |
+| city (text)         |
+| country (text)      |
+
+| ਹਵਾਈ ਅੱਡੇ (Airports)            |
+| -------------------------------- |
+| id (PK, integer)                 |
+| name (text)                      |
+| code (text)                      |
+| city_id (FK to id in **Cities**) |
+
+## ਅਸਾਈਨਮੈਂਟ
+
+ਹੇਠਾਂ ਦਿੱਤੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਵੈਰੀਆਂ ਬਣਾਓ:
+
+1. `Cities` ਟੇਬਲ ਵਿੱਚ ਸਾਰੇ ਸ਼ਹਿਰਾਂ ਦੇ ਨਾਮ
+1. `Cities` ਟੇਬਲ ਵਿੱਚ ਆਇਰਲੈਂਡ ਦੇ ਸਾਰੇ ਸ਼ਹਿਰ
+1. ਸਾਰੇ ਹਵਾਈ ਅੱਡਿਆਂ ਦੇ ਨਾਮ ਉਨ੍ਹਾਂ ਦੇ ਸ਼ਹਿਰ ਅਤੇ ਦੇਸ਼ ਦੇ ਨਾਲ
+1. ਲੰਡਨ, ਯੂਨਾਈਟਿਡ ਕਿੰਗਡਮ ਦੇ ਸਾਰੇ ਹਵਾਈ ਅੱਡੇ
+
+## ਰੂਬ੍ਰਿਕ
+
+| ਸ਼ਾਨਦਾਰ (Exemplary) | ਠੀਕ-ਠਾਕ (Adequate) | ਸੁਧਾਰ ਦੀ ਲੋੜ (Needs Improvement) |
+| -------------------- | ------------------ | -------------------------------- |
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/06-non-relational/README.md b/translations/pa/2-Working-With-Data/06-non-relational/README.md
new file mode 100644
index 00000000..01a3a4ba
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/06-non-relational/README.md
@@ -0,0 +1,150 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "32ddfef8121650f2ca2f3416fd283c37",
+  "translation_date": "2025-08-27T16:59:01+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/06-NoSQL.png)|
+|:---:|
+|ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/10)
+
+ਡਾਟਾ ਸਿਰਫ਼ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜਾਵੇਗਾ ਅਤੇ ਇਹ ਸਪ੍ਰੈਡਸ਼ੀਟਸ ਅਤੇ NoSQL ਦੇ ਬੁਨਿਆਦੀ ਪੱਖਾਂ ਨੂੰ ਕਵਰ ਕਰੇਗਾ।
+
+## ਸਪ੍ਰੈਡਸ਼ੀਟਸ
+
+ਸਪ੍ਰੈਡਸ਼ੀਟਸ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਅਤੇ ਐਕਸਪਲੋਰ ਕਰਨ ਦਾ ਇੱਕ ਲੋਕਪ੍ਰਿਯ ਤਰੀਕਾ ਹੈ ਕਿਉਂਕਿ ਇਸਨੂੰ ਸੈਟਅੱਪ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਘੱਟ ਮਿਹਨਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਬੁਨਿਆਦੀ ਹਿੱਸੇ, ਫਾਰਮੂਲੇ ਅਤੇ ਫੰਕਸ਼ਨ ਸਿੱਖੋਗੇ। ਉਦਾਹਰਣਾਂ ਨੂੰ ਮਾਈਕਰੋਸਾਫਟ ਐਕਸਲ ਨਾਲ ਦਰਸਾਇਆ ਜਾਵੇਗਾ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸਿਆਂ ਅਤੇ ਵਿਸ਼ਿਆਂ ਦੇ ਹੋਰ ਸਪ੍ਰੈਡਸ਼ੀਟ ਸੌਫਟਵੇਅਰ ਨਾਲ ਮਿਲਦੇ-ਜੁਲਦੇ ਨਾਮ ਅਤੇ ਕਦਮ ਹੋਣਗੇ।
+
+![ਦੋ ਵਰਕਸ਼ੀਟਾਂ ਵਾਲੇ ਖਾਲੀ ਮਾਈਕਰੋਸਾਫਟ ਐਕਸਲ ਵਰਕਬੁੱਕ ਦੀ ਤਸਵੀਰ](../../../../translated_images/parts-of-spreadsheet.120711c82aa18a45c3e62a491a15bba0a31ab0e9db407ec022702fed8ffd89bf.pa.png)
+
+ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਇੱਕ ਫਾਈਲ ਹੁੰਦੀ ਹੈ ਜੋ ਕੰਪਿਊਟਰ, ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ ਬੇਸਡ ਫਾਈਲ ਸਿਸਟਮ ਵਿੱਚ ਐਕਸੈਸ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਸੌਫਟਵੇਅਰ ਬ੍ਰਾਊਜ਼ਰ ਬੇਸਡ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਾਂ ਐਪ ਦੇ ਰੂਪ ਵਿੱਚ ਡਾਊਨਲੋਡ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਐਕਸਲ ਵਿੱਚ ਇਹ ਫਾਈਲਾਂ **ਵਰਕਬੁੱਕਸ** ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਇਸ ਪਾਠ ਦੇ ਬਾਕੀ ਹਿੱਸੇ ਵਿੱਚ ਇਹ ਟਰਮੀਨੋਲੋਜੀ ਵਰਤੀ ਜਾਵੇਗੀ।
+
+ਇੱਕ ਵਰਕਬੁੱਕ ਵਿੱਚ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ **ਵਰਕਸ਼ੀਟਸ** ਹੁੰਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਹਰ ਵਰਕਸ਼ੀਟ ਟੈਬਾਂ ਦੁਆਰਾ ਲੇਬਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਵਰਕਸ਼ੀਟ ਦੇ ਅੰਦਰ ਚੌਰਸਾਕਾਰ **ਸੈਲਸ** ਹੁੰਦੇ ਹਨ, ਜਿਹਨਾਂ ਵਿੱਚ ਅਸਲ ਡਾਟਾ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਸੈਲ ਕਤਾਰ ਅਤੇ ਕਾਲਮ ਦੇ ਚੌਰਾਹੇ 'ਤੇ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕਾਲਮਾਂ ਨੂੰ ਅੱਖਰਾਂ ਨਾਲ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕਤਾਰਾਂ ਨੂੰ ਅੰਕਾਂ ਨਾਲ। ਕੁਝ ਸਪ੍ਰੈਡਸ਼ੀਟਸ ਵਿੱਚ ਪਹਿਲੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਵਿੱਚ ਹੈਡਰ ਹੁੰਦੇ ਹਨ ਜੋ ਸੈਲ ਵਿੱਚ ਡਾਟਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ।
+
+ਐਕਸਲ ਵਰਕਬੁੱਕ ਦੇ ਇਹ ਬੁਨਿਆਦੀ ਤੱਤਾਂ ਵਰਤਦੇ ਹੋਏ, ਅਸੀਂ [ਮਾਈਕਰੋਸਾਫਟ ਟੈਂਪਲੇਟਸ](https://templates.office.com/) ਤੋਂ ਇੱਕ ਇਨਵੈਂਟਰੀ 'ਤੇ ਕੇਂਦਰਿਤ ਉਦਾਹਰਣ ਵਰਤਾਂਗੇ ਤਾਂ ਜੋ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਕੁਝ ਹੋਰ ਹਿੱਸਿਆਂ ਨੂੰ ਸਮਝਾਇਆ ਜਾ ਸਕੇ।
+
+### ਇਨਵੈਂਟਰੀ ਦਾ ਪ੍ਰਬੰਧਨ
+
+"InventoryExample" ਨਾਮਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਈਲ ਇੱਕ ਫਾਰਮੈਟ ਕੀਤੀ ਗਈ ਸਪ੍ਰੈਡਸ਼ੀਟ ਹੈ ਜੋ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਆਈਟਮਾਂ ਦੀ ਜਾਣਕਾਰੀ ਰੱਖਦੀ ਹੈ। ਇਸ ਵਿੱਚ ਤਿੰਨ ਵਰਕਸ਼ੀਟਸ ਹਨ, ਜਿਨ੍ਹਾਂ ਦੇ ਟੈਬ "Inventory List", "Inventory Pick List" ਅਤੇ "Bin Lookup" ਨਾਲ ਲੇਬਲ ਕੀਤੇ ਗਏ ਹਨ। Inventory List ਵਰਕਸ਼ੀਟ ਦੀ ਕਤਾਰ 4 ਹੈਡਰ ਹੈ, ਜੋ ਹੈਡਰ ਕਾਲਮ ਵਿੱਚ ਹਰ ਸੈਲ ਦੀ ਕੀਮਤ ਦਾ ਵਰਣਨ ਕਰਦੀ ਹੈ।
+
+![ਮਾਈਕਰੋਸਾਫਟ ਐਕਸਲ ਵਿੱਚ ਇੱਕ ਉਦਾਹਰਣ ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਤੋਂ ਹਾਈਲਾਈਟ ਕੀਤਾ ਫਾਰਮੂਲਾ](../../../../translated_images/formula-excel.ad1068c220892f5ead570d12f2394897961d31a5043a1dd4e6fc5d7690c7a14e.pa.png)
+
+ਕਈ ਵਾਰ ਇੱਕ ਸੈਲ ਦੀ ਕੀਮਤ ਹੋਰ ਸੈਲਾਂ ਦੀਆਂ ਕੀਮਤਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। Inventory List ਸਪ੍ਰੈਡਸ਼ੀਟ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਹਰ ਆਈਟਮ ਦੀ ਲਾਗਤ ਨੂੰ ਟਰੈਕ ਕਰਦੀ ਹੈ, ਪਰ ਜੇ ਸਾਨੂੰ ਪੂਰੀ ਇਨਵੈਂਟਰੀ ਦੀ ਕੁੱਲ ਕੀਮਤ ਪਤਾ ਲਗਾਉਣੀ ਹੋਵੇ? [**ਫਾਰਮੂਲੇ**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) ਸੈਲ ਡਾਟਾ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸ ਉਦਾਹਰਣ ਵਿੱਚ ਇਨਵੈਂਟਰੀ ਦੀ ਲਾਗਤ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਸਪ੍ਰੈਡਸ਼ੀਟ ਨੇ Inventory Value ਕਾਲਮ ਵਿੱਚ ਇੱਕ ਫਾਰਮੂਲਾ ਵਰਤਿਆ ਹੈ ਜੋ QTY ਹੈਡਰ ਦੇ ਹੇਠਾਂ ਮਾਤਰਾ ਅਤੇ COST ਹੈਡਰ ਦੇ ਹੇਠਾਂ ਲਾਗਤ ਨੂੰ ਗੁਣਾ ਕਰਕੇ ਹਰ ਆਈਟਮ ਦੀ ਕੀਮਤ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਇੱਕ ਸੈਲ ਨੂੰ ਡਬਲ ਕਲਿੱਕ ਕਰਨਾ ਜਾਂ ਹਾਈਲਾਈਟ ਕਰਨਾ ਫਾਰਮੂਲਾ ਦਿਖਾਵੇਗਾ। ਤੁਸੀਂ ਨੋਟਿਸ ਕਰੋਗੇ ਕਿ ਫਾਰਮੂਲੇ ਇੱਕ ਬਰਾਬਰ ਦੇ ਨਿਸ਼ਾਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਗਣਨਾ ਜਾਂ ਕਾਰਵਾਈ ਹੁੰਦੀ ਹੈ।
+
+![ਮਾਈਕਰੋਸਾਫਟ ਐਕਸਲ ਵਿੱਚ ਇੱਕ ਉਦਾਹਰਣ ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਤੋਂ ਹਾਈਲਾਈਟ ਕੀਤਾ ਫੰਕਸ਼ਨ](../../../../translated_images/function-excel.be2ae4feddc10ca089f3d4363040d93b7fd046c8d4f83ba975ec46483ee99895.pa.png)
+
+ਅਸੀਂ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਦੀਆਂ ਸਾਰੀਆਂ ਕੀਮਤਾਂ ਨੂੰ ਜੋੜ ਕੇ ਇਸ ਦੀ ਕੁੱਲ ਕੀਮਤ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ ਫਾਰਮੂਲਾ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਇਹ ਹਰ ਸੈਲ ਨੂੰ ਜੋੜ ਕੇ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਥਕਾਵਟ ਭਰਿਆ ਕੰਮ ਹੋ ਸਕਦਾ ਹੈ। ਐਕਸਲ ਵਿੱਚ [**ਫੰਕਸ਼ਨਸ**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89) ਹੁੰਦੇ ਹਨ, ਜਿਹੜੇ ਸੈਲ ਦੀਆਂ ਕੀਮਤਾਂ 'ਤੇ ਗਣਨਾਵਾਂ ਕਰਨ ਲਈ ਪੂਰਵ-ਪਰਿਭਾਸ਼ਿਤ ਫਾਰਮੂਲੇ ਹਨ। ਫੰਕਸ਼ਨਸ ਨੂੰ ਆਰਗੂਮੈਂਟਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਇਹ ਗਣਨਾਵਾਂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਮੁੱਲ ਹੁੰਦੇ ਹਨ। ਜਦੋਂ ਫੰਕਸ਼ਨਸ ਨੂੰ ਇੱਕ ਤੋਂ ਵੱਧ ਆਰਗੂਮੈਂਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਖਾਸ ਕ੍ਰਮ ਵਿੱਚ ਲਿਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਨਹੀਂ ਤਾਂ ਫੰਕਸ਼ਨ ਸਹੀ ਕੀਮਤ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਸ ਉਦਾਹਰਣ ਵਿੱਚ SUM ਫੰਕਸ਼ਨ ਵਰਤਿਆ ਗਿਆ ਹੈ, ਅਤੇ Inventory Value ਦੀਆਂ ਕੀਮਤਾਂ ਨੂੰ ਆਰਗੂਮੈਂਟ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਕੁੱਲ ਕੀਮਤ B3 (ਕਤਾਰ 3, ਕਾਲਮ B) ਵਿੱਚ ਦਰਸਾਈ ਜਾ ਸਕੇ।
+
+## NoSQL
+
+NoSQL ਇੱਕ ਛਤਰੀ ਸ਼ਬਦ ਹੈ ਜੋ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸਨੂੰ "non-SQL", "non-relational" ਜਾਂ "not only SQL" ਵਜੋਂ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਡਾਟਾਬੇਸ ਸਿਸਟਮਾਂ ਨੂੰ 4 ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ।
+
+![ਇੱਕ ਕੀ-ਵੈਲਯੂ ਡਾਟਾ ਸਟੋਰ ਦਾ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਦਰਸ਼ਨ ਜੋ 4 ਵਿਲੱਖਣ ਨੰਬਰ ਕੀਜ਼ ਨੂੰ 4 ਵੱਖ-ਵੱਖ ਕੀਮਤਾਂ ਨਾਲ ਜੋੜਦਾ ਹੈ](../../../../translated_images/kv-db.e8f2b75686bbdfcba0c827b9272c10ae0821611ea0fe98429b9d13194383afa6.pa.png)
+> ਸਰੋਤ: [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/)
+
+[ਕੀ-ਵੈਲਯੂ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) ਡਾਟਾਬੇਸ ਵਿਲੱਖਣ ਕੀਜ਼ ਨੂੰ ਜੋੜਦੇ ਹਨ, ਜੋ ਕਿ ਇੱਕ ਵਿਲੱਖਣ ਪਛਾਣਕਰਤਾ ਹੁੰਦਾ ਹੈ ਜੋ ਇੱਕ ਕੀਮਤ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਜੋੜੇ ਇੱਕ [ਹੈਸ਼ ਟੇਬਲ](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਇੱਕ ਉਚਿਤ ਹੈਸ਼ਿੰਗ ਫੰਕਸ਼ਨ ਹੁੰਦਾ ਹੈ।
+
+![ਇੱਕ ਗ੍ਰਾਫ ਡਾਟਾ ਸਟੋਰ ਦਾ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਦਰਸ਼ਨ ਜੋ ਲੋਕਾਂ, ਉਹਨਾਂ ਦੇ ਰੁਚੀਆਂ ਅਤੇ ਸਥਾਨਾਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ](../../../../translated_images/graph-db.d13629152f79a9dac895b20fa7d841d4d4d6f6008b1382227c3bbd200fd4cfa1.pa.png)
+> ਸਰੋਤ: [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example)
+
+[ਗ੍ਰਾਫ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) ਡਾਟਾਬੇਸ ਡਾਟਾ ਵਿੱਚ ਰਿਸ਼ਤਿਆਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਇਹ ਨੋਡਸ ਅਤੇ ਐਜਜ਼ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਨੋਡ ਇੱਕ ਇਕਾਈ ਦਾ ਪ੍ਰਤੀਨਿਧਿਤਾ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਵਿਦਿਆਰਥੀ ਜਾਂ ਬੈਂਕ ਸਟੇਟਮੈਂਟ। ਐਜਜ਼ ਦੋ ਇਕਾਈਆਂ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਰ ਨੋਡ ਅਤੇ ਐਜ ਦੇ ਗੁਣ ਹੁੰਦੇ ਹਨ ਜੋ ਹਰ ਨੋਡ ਅਤੇ ਐਜ ਬਾਰੇ ਵਾਧੂ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
+
+![ਇੱਕ ਕਾਲਮਰ ਡਾਟਾ ਸਟੋਰ ਦਾ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਦਰਸ਼ਨ ਜੋ ਇੱਕ ਗਾਹਕ ਡਾਟਾਬੇਸ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਦੋ ਕਾਲਮ ਪਰਿਵਾਰ ਹਨ: Identity ਅਤੇ Contact Info](../../../../translated_images/columnar-db.ffcfe73c3e9063a8c8f93f8ace85e1200863584b1e324eb5159d8ca10f62ec04.pa.png)
+
+[ਕਾਲਮਰ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#columnar-data-stores) ਡਾਟਾ ਸਟੋਰ ਡਾਟਾ ਨੂੰ ਕਾਲਮਾਂ ਅਤੇ ਕਤਾਰਾਂ ਵਿੱਚ ਸੰਗਠਿਤ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਸਟ੍ਰਕਚਰ, ਪਰ ਹਰ ਕਾਲਮ ਨੂੰ ਕਾਲਮ ਪਰਿਵਾਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। 
+
+### ਡਾਕੂਮੈਂਟ ਡਾਟਾ ਸਟੋਰਜ਼ ਨਾਲ Azure Cosmos DB
+
+[ਡਾਕੂਮੈਂਟ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) ਡਾਟਾ ਸਟੋਰਜ਼ ਕੀ-ਵੈਲਯੂ ਡਾਟਾ ਸਟੋਰ ਦੇ ਸੰਕਲਪ 'ਤੇ ਅਧਾਰਿਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਖੇਤਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦੀ ਇੱਕ ਲੜੀ ਤੋਂ ਬਣੇ ਹੁੰਦੇ ਹਨ। 
+
+Cosmos DB ਡਾਟਾਬੇਸ "Not Only SQL" ਦੀ ਪਰਿਭਾਸ਼ਾ 'ਤੇ ਖਰਾ ਉਤਰਦਾ ਹੈ। Cosmos DB ਦਾ ਡਾਕੂਮੈਂਟ ਡਾਟਾਬੇਸ SQL 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। [ਪਿਛਲੇ ਪਾਠ](../05-relational-databases/README.md) ਵਿੱਚ SQL ਦੀਆਂ ਬੁਨਿਆਦੀਆਂ ਨੂੰ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ। Cosmos DB Emulator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਸੀਂ ਡਾਕੂਮੈਂਟ ਡਾਟਾਬੇਸ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਐਕਸਪਲੋਰ ਕਰ ਸਕਦੇ ਹਾਂ। Emulator ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ [ਇੱਥੇ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21)।
+
+ਇੱਕ ਡਾਕੂਮੈਂਟ ਖੇਤਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦੀ ਇੱਕ ਲੜੀ ਹੈ। ਹੇਠਾਂ ਇੱਕ ਡਾਕੂਮੈਂਟ ਦਾ ਉਦਾਹਰਣ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+
+```json
+{
+    "firstname": "Eva",
+    "age": 44,
+    "id": "8c74a315-aebf-4a16-bb38-2430a9896ce5",
+    "_rid": "bHwDAPQz8s0BAAAAAAAAAA==",
+    "_self": "dbs/bHwDAA==/colls/bHwDAPQz8s0=/docs/bHwDAPQz8s0BAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f95-010a691e01d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630544034
+}
+```
+
+ਇਸ ਡਾਕੂਮੈਂਟ ਵਿੱਚ ਦਿਲਚਸਪੀ ਦੇ ਖੇਤਰ ਹਨ: `firstname`, `id`, ਅਤੇ `age`। Cosmos DB ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤੇ ਹੋਰ ਖੇਤਰ `_` ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ।
+
+#### Cosmos DB Emulator ਨਾਲ ਡਾਟਾ ਦੀ ਖੋਜ
+
+ਤੁਸੀਂ Emulator ਨੂੰ [Windows ਲਈ ਇੱਥੇ](https://aka.ms/cosmosdb-emulator) ਡਾਊਨਲੋਡ ਅਤੇ ਇੰਸਟਾਲ ਕਰ ਸਕਦੇ ਹੋ। macOS ਅਤੇ Linux ਲਈ ਵਿਕਲਪਾਂ ਲਈ ਇਸ [ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) ਨੂੰ ਵੇਖੋ।
+
+Emulator ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਵਿੰਡੋ ਲਾਂਚ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ Explorer view ਤੁਹਾਨੂੰ ਡਾਕੂਮੈਂਟਸ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।
+
+![Cosmos DB Emulator ਦਾ ਐਕਸਪਲੋਰਰ ਦ੍ਰਿਸ਼](../../../../translated_images/cosmosdb-emulator-explorer.a1c80b1347206fe2f30f88fc123821636587d04fc5a56a9eb350c7da6b31f361.pa.png)
+
+ਜੇ ਤੁਸੀਂ ਅਨੁਸਰਣ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ "Start with Sample" 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਤਾਂ ਜੋ ਇੱਕ ਨਮੂਨਾ ਡਾਟਾਬੇਸ SampleDB ਬਣਾਇਆ ਜਾ ਸਕੇ। SampleDB ਨੂੰ ਵਧਾਉਣ ਲਈ ਤੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ, ਤੁਹਾਨੂੰ ਇੱਕ ਕੰਟੇਨਰ `Persons` ਮਿਲੇਗਾ। 
+
+![Cosmos DB Emulator ਵਿੱਚ ਨਮੂਨਾ ਡਾਟਾ ਦੀ ਖੋਜ](../../../../translated_images/cosmosdb-emulator-persons.bf640586a7077c8985dfd3071946465c8e074c722c7c202d6d714de99a93b90a.pa.png)
+
+#### Cosmos DB Emulator ਨਾਲ ਡਾਕੂਮੈਂਟ ਡਾਟਾ ਦੀ ਕਵੈਰੀ ਕਰਨਾ
+
+ਅਸੀਂ ਨਮੂਨਾ ਡਾਟਾ ਨੂੰ ਕਵੈਰੀ ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ। 
+
+`SELECT * FROM c` ਕੰਟੇਨਰ ਵਿੱਚ ਸਾਰੇ ਡਾਕੂਮੈਂਟਸ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਚਲੋ ਇੱਕ where ਕਲੌਜ਼ ਸ਼ਾਮਲ ਕਰੀਏ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲੱਭੀਏ ਜੋ 40 ਤੋਂ ਛੋਟੇ ਹਨ।
+
+`SELECT * FROM c where c.age < 40`
+
+![Cosmos DB Emulator ਵਿੱਚ ਕਵੈਰੀ](../../../../translated_images/cosmosdb-emulator-persons-query.6905ebb497e3cd047cd96e55a0a03f69ce1b91b2b3d8c147e617b746b22b7e33.pa.png)
+
+ਕਵੈਰੀ ਦੋ ਡਾਕੂਮੈਂਟਸ ਵਾਪਸ ਕਰਦੀ ਹੈ। 
+
+#### JSON ਅਤੇ ਡਾਕੂਮੈਂਟਸ
+
+ਜੇ ਤੁਸੀਂ JavaScript Object Notation (JSON) ਨਾਲ ਜਾਣੂ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਨੋਟਿਸ ਕਰੋਗੇ ਕਿ ਡਾਕੂਮੈਂਟਸ JSON ਵਰਗੇ ਲੱਗਦੇ ਹਨ। 
+
+```json
+{
+    "created_at": "2021-08-31T19:03:01.000Z",
+    "id": "1432780985872142341",
+    "text": "Blank slate. Like this tweet if you’ve ever painted in Microsoft Paint before. https://t.co/cFeEs8eOPK",
+    "_rid": "dhAmAIUsA4oHAAAAAAAAAA==",
+    "_self": "dbs/dhAmAA==/colls/dhAmAIUsA4o=/docs/dhAmAIUsA4oHAAAAAAAAAA==/",
+    "_etag": "\"00000000-0000-0000-9f84-a0958ad901d7\"",
+    "_attachments": "attachments/",
+    "_ts": 1630537000
+```
+
+ਇਸ ਡਾਕੂਮੈਂਟ ਵਿੱਚ ਦਿਲਚਸਪੀ ਦੇ ਖੇਤਰ ਹਨ: `created_at`, `id`, ਅਤੇ `text`।
+
+## 🚀 ਚੁਣੌਤੀ
+
+`TwitterData.json` ਫਾਈਲ ਨੂੰ SampleDB ਡਾਟਾਬੇਸ ਵਿੱਚ ਅਪਲੋਡ ਕਰੋ। 
+
+1. ਨਵੇਂ ਕੰਟੇਨਰ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
+1. ਮੌਜੂਦਾ ਡਾਟਾਬੇਸ (SampleDB) ਚੁਣੋ
+1. ਕੰਟੇਨਰ id ਬਣਾਓ
+1. ਪਾਰਟੀਸ਼ਨ ਕੀ `/id` ਸੈਟ ਕਰੋ
+1. OK 'ਤੇ ਕਲਿੱਕ ਕਰੋ
+
+ਕੁਝ ਕਵੈਰੀਜ਼ ਚਲਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। 
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/11)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+- ਮਾਈਕਰੋਸਾਫਟ ਦੇ Excel ਲਈ [ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਅਤੇ ਵੀਡੀਓਜ਼](https://support.microsoft.com/excel) ਦੀ ਵੱਡੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। 
+- [ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਅਤੇ NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data) ਤੇ ਹੋਰ ਪੜ੍ਹੋ।
+- Cosmos DB ਬਾਰੇ ਹੋਰ ਜਾਣੋ [ਇੱਥੇ](https://docs.microsoft.com
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/06-non-relational/assignment.md b/translations/pa/2-Working-With-Data/06-non-relational/assignment.md
new file mode 100644
index 00000000..e81bf23a
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/06-non-relational/assignment.md
@@ -0,0 +1,32 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f824bfdb8b12d33293913f76f5c787c5",
+  "translation_date": "2025-08-27T17:00:40+00:00",
+  "source_file": "2-Working-With-Data/06-non-relational/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਸੋਡਾ ਮੁਨਾਫੇ
+
+## ਹਦਾਇਤਾਂ
+
+[Coca Cola Co spreadsheet](../../../../2-Working-With-Data/06-non-relational/CocaColaCo.xlsx) ਵਿੱਚ ਕੁਝ ਗਣਨਾਵਾਂ ਦੀ ਕਮੀ ਹੈ। ਤੁਹਾਡਾ ਕੰਮ ਹੈ:
+
+1. FY '15, '16, '17, ਅਤੇ '18 ਦੇ ਕੁੱਲ ਮੁਨਾਫੇ ਦੀ ਗਣਨਾ ਕਰੋ
+    - ਕੁੱਲ ਮੁਨਾਫਾ = ਨੈਟ ਓਪਰੇਟਿੰਗ ਰਿਵਨਿਊਜ਼ - ਮਾਲ ਵੇਚਣ ਦੀ ਲਾਗਤ
+1. ਸਾਰੇ ਕੁੱਲ ਮੁਨਾਫਿਆਂ ਦਾ ਔਸਤ ਕੱਢੋ। ਇਸਨੂੰ ਇੱਕ ਫੰਕਸ਼ਨ ਦੀ ਮਦਦ ਨਾਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+    - ਔਸਤ = ਕੁੱਲ ਮੁਨਾਫਿਆਂ ਦਾ ਜੋੜ ਵੰਡਿਆ ਫਿਸਕਲ ਸਾਲਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ (10)
+    - [AVERAGE function](https://support.microsoft.com/en-us/office/average-function-047bac88-d466-426c-a32b-8f33eb960cf6) ਬਾਰੇ ਦਸਤਾਵੇਜ਼
+1. ਇਹ ਇੱਕ Excel ਫਾਈਲ ਹੈ, ਪਰ ਇਹ ਕਿਸੇ ਵੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਸੋਧਯੋਗ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ
+
+[ਡਾਟਾ ਸਰੋਤ ਦਾ ਸ਼੍ਰੇਯ Yiyi Wang ਨੂੰ](https://www.kaggle.com/yiyiwang0826/cocacola-excel)
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/07-python/README.md b/translations/pa/2-Working-With-Data/07-python/README.md
new file mode 100644
index 00000000..15ade2a5
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/07-python/README.md
@@ -0,0 +1,231 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "116c5d361fbe812e59a73f37ce721d36",
+  "translation_date": "2025-08-27T16:54:07+00:00",
+  "source_file": "2-Working-With-Data/07-python/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਪਾਇਥਨ ਅਤੇ ਪੈਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ
+
+| ![ [(@sketchthedocs)] ਦੁਆਰਾ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+|                 ਪਾਇਥਨ ਨਾਲ ਕੰਮ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_                 |
+
+[![ਜਾਣ-ਪਛਾਣ ਵੀਡੀਓ](../../../../translated_images/video-ds-python.245247dc811db8e4d5ac420246de8a118c63fd28f6a56578d08b630ae549f260.pa.png)](https://youtu.be/dZjWOGbsN4Y)
+
+ਜਦੋਂ ਕਿ ਡਾਟਾਬੇਸ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਅਤੇ ਕਵੈਰੀ ਭਾਸ਼ਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਵੈਰੀ ਕਰਨ ਦੇ ਬਹੁਤ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਪੇਸ਼ ਕਰਦੇ ਹਨ, ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਸਭ ਤੋਂ ਲਚਕਦਾਰ ਤਰੀਕਾ ਆਪਣਾ ਪ੍ਰੋਗਰਾਮ ਲਿਖਣਾ ਹੈ। ਕਈ ਕੇਸਾਂ ਵਿੱਚ, ਡਾਟਾਬੇਸ ਕਵੈਰੀ ਕਰਨਾ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗਾ। ਹਾਲਾਂਕਿ ਕੁਝ ਕੇਸਾਂ ਵਿੱਚ ਜਦੋਂ ਜ਼ਿਆਦਾ ਜਟਿਲ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਇਹ SQL ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। 
+ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਿਸੇ ਵੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਵਿੱਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਕੁਝ ਭਾਸ਼ਾਵਾਂ ਹਨ ਜੋ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਉੱਚ ਪੱਧਰ ਦੀਆਂ ਹਨ। ਡਾਟਾ ਵਿਗਿਆਨੀ ਆਮ ਤੌਰ 'ਤੇ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ:
+
+* **[Python](https://www.python.org/)**, ਇੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ, ਜੋ ਅਕਸਰ ਇਸਦੀ ਸਧਾਰਨਤਾ ਦੇ ਕਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨੀ ਜਾਂਦੀ ਹੈ। ਪਾਇਥਨ ਵਿੱਚ ਕਈ ਵਾਧੂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਈ ਵਿਆਵਹਾਰਿਕ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ZIP ਆਰਕਾਈਵ ਤੋਂ ਡਾਟਾ ਕੱਢਣਾ, ਜਾਂ ਤਸਵੀਰ ਨੂੰ ਗ੍ਰੇਸਕੇਲ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ ਕਰਨਾ। ਡਾਟਾ ਵਿਗਿਆਨ ਦੇ ਇਲਾਵਾ, ਪਾਇਥਨ ਅਕਸਰ ਵੈੱਬ ਵਿਕਾਸ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। 
+* **[R](https://www.r-project.org/)** ਇੱਕ ਪਰੰਪਰਾਗਤ ਟੂਲਬਾਕਸ ਹੈ ਜੋ ਅੰਕੜੇਵਾਰ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਵਿੱਚ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦਾ ਵੱਡਾ ਰਿਪੋਜ਼ਿਟਰੀ (CRAN) ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਇੱਕ ਚੰਗਾ ਚੋਣ ਬਣ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, R ਇੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਡਾਟਾ ਵਿਗਿਆਨ ਖੇਤਰ ਤੋਂ ਬਾਹਰ ਕਦਾਚਿਤ ਹੀ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+* **[Julia](https://julialang.org/)** ਇੱਕ ਹੋਰ ਭਾਸ਼ਾ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਡਾਟਾ ਵਿਗਿਆਨ ਲਈ ਵਿਕਸਿਤ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਪਾਇਥਨ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਵਿਗਿਆਨਕ ਪ੍ਰਯੋਗਾਂ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਟੂਲ ਬਣ ਜਾਂਦਾ ਹੈ।
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਸਧਾਰਨ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਪਾਇਥਨ ਦੀ ਵਰਤੋਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। ਅਸੀਂ ਭਾਸ਼ਾ ਨਾਲ ਮੂਲ ਜਾਣੂ ਹੋਣ ਦੀ ਧਾਰਨਾ ਕਰਦੇ ਹਾਂ। ਜੇ ਤੁਸੀਂ ਪਾਇਥਨ ਦਾ ਗਹਿਰਾ ਦੌਰਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਸਾਧਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਨੂੰ ਸੰਦਰਭ ਦੇ ਸਕਦੇ ਹੋ:
+
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse) - GitHub-ਅਧਾਰਿਤ ਪਾਇਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣੂ ਹੋਣ ਦਾ ਕੋਰਸ
+* [Take your First Steps with Python](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) [Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum) 'ਤੇ ਲਰਨਿੰਗ ਪਾਥ
+
+ਡਾਟਾ ਕਈ ਰੂਪਾਂ ਵਿੱਚ ਆ ਸਕਦਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਦੇ ਤਿੰਨ ਰੂਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਾਂਗੇ - **ਟੇਬੂਲਰ ਡਾਟਾ**, **ਟੈਕਸਟ** ਅਤੇ **ਤਸਵੀਰਾਂ**।
+
+ਅਸੀਂ ਤੁਹਾਨੂੰ ਸਾਰੇ ਸੰਬੰਧਿਤ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦਾ ਪੂਰਾ ਜਾਇਜ਼ਾ ਦੇਣ ਦੀ ਬਜਾਏ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਕੁਝ ਉਦਾਹਰਣਾਂ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। ਇਹ ਤੁਹਾਨੂੰ ਕੀ ਸੰਭਵ ਹੈ ਇਸਦਾ ਮੁੱਖ ਵਿਚਾਰ ਦੇਵੇਗਾ, ਅਤੇ ਜਦੋਂ ਤੁਹਾਨੂੰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਤੁਹਾਡੇ ਸਮੱਸਿਆਵਾਂ ਦੇ ਹੱਲ ਕਿੱਥੇ ਲੱਭਣੇ ਹਨ ਇਸਦਾ ਸਮਝ ਦੇਵੇਗਾ।
+
+> **ਸਭ ਤੋਂ ਉਪਯੋਗ ਸਲਾਹ**। ਜਦੋਂ ਤੁਹਾਨੂੰ ਡਾਟਾ 'ਤੇ ਕੋਈ ਖਾਸ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸ ਬਾਰੇ ਤੁਹਾਨੂੰ ਪਤਾ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਇੰਟਰਨੈਟ 'ਤੇ ਖੋਜਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। [Stackoverflow](https://stackoverflow.com/) ਅਕਸਰ ਕਈ ਆਮ ਕੰਮਾਂ ਲਈ ਪਾਇਥਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਉਪਯੋਗ ਕੋਡ ਨਮੂਨੇ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। 
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/12)
+
+## ਟੇਬੂਲਰ ਡਾਟਾ ਅਤੇ ਡਾਟਾਫਰੇਮ
+
+ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਟੇਬੂਲਰ ਡਾਟਾ ਨਾਲ ਮਿਲ ਚੁੱਕੇ ਹੋ ਜਦੋਂ ਅਸੀਂ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਸੀ। ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਬਹੁਤ ਸਾਰਾ ਡਾਟਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਹ ਕਈ ਵੱਖ-ਵੱਖ ਜੁੜੀਆਂ ਟੇਬਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ SQL ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਸਮਝਦਾਰ ਹੈ। ਹਾਲਾਂਕਿ, ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਡਾਟਾ ਦੀ ਇੱਕ ਟੇਬਲ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਇਸ ਡਾਟਾ ਬਾਰੇ ਕੁਝ **ਸਮਝ** ਜਾਂ **ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ** ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਵੰਡ, ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ, ਆਦਿ। ਡਾਟਾ ਵਿਗਿਆਨ ਵਿੱਚ, ਕਈ ਕੇਸਾਂ ਵਿੱਚ ਸਾਨੂੰ ਮੂਲ ਡਾਟਾ ਦੇ ਕੁਝ ਰੂਪਾਂਤਰਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਹੁੰਦੀ ਹੈ। ਇਹ ਦੋਵੇਂ ਕਦਮ ਪਾਇਥਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+
+ਪਾਇਥਨ ਵਿੱਚ ਟੇਬੂਲਰ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲੀਆਂ ਦੋ ਸਭ ਤੋਂ ਉਪਯੋਗ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ:
+* **[Pandas](https://pandas.pydata.org/)** ਤੁਹਾਨੂੰ **ਡਾਟਾਫਰੇਮ** ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਰਿਲੇਸ਼ਨਲ ਟੇਬਲਾਂ ਦੇ ਸਮਾਨ ਹਨ। ਤੁਸੀਂ ਨਾਮਿਤ ਕਾਲਮ ਹੋ ਸਕਦੇ ਹੋ, ਅਤੇ ਪੰਗਤਾਂ, ਕਾਲਮਾਂ ਅਤੇ ਡਾਟਾਫਰੇਮਾਂ 'ਤੇ ਵੱਖ-ਵੱਖ ਕਾਰਵਾਈਆਂ ਕਰ ਸਕਦੇ ਹੋ। 
+* **[Numpy](https://numpy.org/)** **ਟੈਂਸਰ**, ਅਰਥਾਤ ਬਹੁ-ਮਾਤਰੀ **ਐਰੇ** ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਐਰੇ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਅਧਾਰਤ ਕਿਸਮ ਦੇ ਮੁੱਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਇਹ ਡਾਟਾਫਰੇਮ ਨਾਲੋਂ ਸਧਾਰਨ ਹੁੰਦਾ ਹੈ, ਪਰ ਇਹ ਵਧੇਰੇ ਗਣਿਤੀ ਕਾਰਵਾਈਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਘੱਟ ਓਵਰਹੈੱਡ ਬਣਾਉਂਦਾ ਹੈ।
+
+ਇਸ ਤੋਂ ਇਲਾਵਾ ਕੁਝ ਹੋਰ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:
+* **[Matplotlib](https://matplotlib.org/)** ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਗ੍ਰਾਫ ਪਲਾਟ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ
+* **[SciPy](https://www.scipy.org/)** ਕੁਝ ਵਾਧੂ ਵਿਗਿਆਨਕ ਫੰਕਸ਼ਨਾਂ ਵਾਲੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇਵਾਰਤਾ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਸਮੇਂ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਮਿਲ ਚੁੱਕੇ ਹਾਂ
+
+ਇਹ ਹੈ ਇੱਕ ਕੋਡ ਦਾ ਟੁਕੜਾ ਜੋ ਤੁਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਆਪਣੇ ਪਾਇਥਨ ਪ੍ਰੋਗਰਾਮ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਉਹਨਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਇੰਪੋਰਟ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹੋ:
+```python
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+from scipy import ... # you need to specify exact sub-packages that you need
+``` 
+
+ਪੈਂਡਾਸ ਕੁਝ ਮੂਲ ਧਾਰਨਾਵਾਂ ਦੇ ਆਸਪਾਸ ਕੇਂਦਰਿਤ ਹੈ।
+
+### ਸੀਰੀਜ਼ 
+
+**ਸੀਰੀਜ਼** ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਹੈ, ਜੋ ਸੂਚੀ ਜਾਂ numpy ਐਰੇ ਦੇ ਸਮਾਨ ਹੈ। ਮੁੱਖ ਅੰਤਰ ਇਹ ਹੈ ਕਿ ਸੀਰੀਜ਼ ਵਿੱਚ ਇੱਕ **ਸੂਚਕ** ਵੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਸੀਰੀਜ਼ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਾਂ (ਜਿਵੇਂ ਕਿ ਉਹਨਾਂ ਨੂੰ ਜੋੜਨਾ), ਤਾਂ ਸੂਚਕ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਸੂਚਕ ਸਧਾਰਨ ਪੰਗਤ ਨੰਬਰ (ਜਦੋਂ ਸੂਚੀ ਜਾਂ ਐਰੇ ਤੋਂ ਸੀਰੀਜ਼ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਤਾਂ ਇਹ ਡਿਫਾਲਟ ਸੂਚਕ ਹੁੰਦਾ ਹੈ) ਜਿਵੇਂ ਸਧਾਰਨ ਹੋ ਸਕਦਾ ਹੈ, ਜਾਂ ਇਸ ਵਿੱਚ ਜਟਿਲ ਬਣਤਰ ਹੋ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਿਤੀ ਅੰਤਰਾਲ।
+
+> **ਨੋਟ**: ਸਾਥੀ ਨੋਟਬੁੱਕ [`notebook.ipynb`](notebook.ipynb) ਵਿੱਚ ਕੁਝ ਪੈਂਡਾਸ ਦਾ ਸ਼ੁਰੂਆਤੀ ਕੋਡ ਹੈ। ਅਸੀਂ ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੀ ਰੂਪਰੇਖਾ ਦਿੰਦੇ ਹਾਂ, ਅਤੇ ਤੁਸੀਂ ਪੂਰੀ ਨੋਟਬੁੱਕ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਵਾਗਤ ਕਰਦੇ ਹੋ।
+
+ਇੱਕ ਉਦਾਹਰਣ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਅਸੀਂ ਆਪਣੇ ਆਈਸ-ਕ੍ਰੀਮ ਸਪਾਟ ਦੀ ਵਿਕਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਆਓ ਕੁਝ ਸਮਾਂ ਅੰਤਰਾਲ ਲਈ ਵਿਕਰੀ ਦੇ ਨੰਬਰਾਂ ਦੀ ਇੱਕ ਲੜੀ (ਹਰ ਦਿਨ ਵੇਚੇ ਗਏ ਆਈਟਮਾਂ ਦੀ ਗਿਣਤੀ) ਬਣਾਈਏ:
+
+```python
+start_date = "Jan 1, 2020"
+end_date = "Mar 31, 2020"
+idx = pd.date_range(start_date,end_date)
+print(f"Length of index is {len(idx)}")
+items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
+items_sold.plot()
+```
+![ਟਾਈਮ ਸੀਰੀਜ਼ ਪਲਾਟ](../../../../translated_images/timeseries-1.80de678ab1cf727e50e00bcf24009fa2b0a8b90ebc43e34b99a345227d28e467.pa.png)
+
+ਹੁਣ ਮੰਨ ਲਓ ਕਿ ਹਰ ਹਫ਼ਤੇ ਅਸੀਂ ਦੋਸਤਾਂ ਲਈ ਇੱਕ ਪਾਰਟੀ ਦਾ ਆਯੋਜਨ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਪਾਰਟੀ ਲਈ 10 ਪੈਕ ਆਈਸ-ਕ੍ਰੀਮ ਵਾਧੂ ਲੈਂਦੇ ਹਾਂ। ਅਸੀਂ ਹਫ਼ਤੇ ਦੇ ਸੂਚਕ ਦੁਆਰਾ ਇੱਕ ਹੋਰ ਸੀਰੀਜ਼ ਬਣਾਉਣ ਲਈ ਇਹ ਦਰਸਾਉਣ ਲਈ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
+```
+ਜਦੋਂ ਅਸੀਂ ਦੋ ਸੀਰੀਜ਼ ਨੂੰ ਇਕੱਠੇ ਜੋੜਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਕੁੱਲ ਗਿਣਤੀ ਮਿਲਦੀ ਹੈ:
+```python
+total_items = items_sold.add(additional_items,fill_value=0)
+total_items.plot()
+```
+![ਟਾਈਮ ਸੀਰੀਜ਼ ਪਲਾਟ](../../../../translated_images/timeseries-2.aae51d575c55181ceda81ade8c546a2fc2024f9136934386d57b8a189d7570ff.pa.png)
+
+> **ਨੋਟ** ਕਿ ਅਸੀਂ ਸਧਾਰਨ ਸਿੰਟੈਕਸ `total_items+additional_items` ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰ ਰਹੇ। ਜੇ ਅਸੀਂ ਇਹ ਕੀਤਾ, ਤਾਂ ਸਾਨੂੰ ਨਤੀਜੇਵਾਰ ਸੀਰੀਜ਼ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ `NaN` (*Not a Number*) ਮੁੱਲ ਮਿਲਦੇ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ `additional_items` ਸੀਰੀਜ਼ ਵਿੱਚ ਕੁਝ ਸੂਚਕ ਬਿੰਦੂਆਂ ਲਈ ਮੁੱਲ ਗੁੰਮ ਹਨ, ਅਤੇ `Nan` ਨੂੰ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਵਿੱਚ ਜੋੜਨਾ `NaN` ਦੇ ਨਤੀਜੇ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ ਸਾਨੂੰ ਜੋੜਦੇ ਸਮੇਂ `fill_value` ਪੈਰਾਮੀਟਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
+
+ਟਾਈਮ ਸੀਰੀਜ਼ ਨਾਲ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਮਾਂ ਅੰਤਰਾਲਾਂ ਨਾਲ ਸੀਰੀਜ਼ ਨੂੰ **ਪੁਨ: ਨਮੂਨਾ** ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਮਹੀਨਾਵਾਰ ਵਿਕਰੀ ਦੀ ਮੀਨ ਮਾਤਰਾ ਦੀ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+monthly = total_items.resample("1M").mean()
+ax = monthly.plot(kind='bar')
+```
+![ਮਹੀਨਾਵਾਰ ਟਾਈਮ ਸੀਰੀਜ਼ ਐਵਰੇਜ](../../../../translated_images/timeseries-3.f3147cbc8c624881008564bc0b5d9fcc15e7374d339da91766bd0e1c6bd9e3af.pa.png)
+
+### ਡਾਟਾਫਰੇਮ
+
+ਡਾਟਾਫਰੇਮ ਅਸਲ ਵਿੱਚ ਇੱਕੋ ਸੂਚਕ ਵਾਲੀਆਂ ਸੀਰੀਜ਼ਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੈ। ਅਸੀਂ ਕਈ ਸੀਰੀਜ਼ਾਂ ਨੂੰ ਇਕੱਠੇ ਕਰਕੇ ਇੱਕ ਡਾਟਾਫਰੇਮ ਵਿੱਚ ਜੋੜ ਸਕਦੇ ਹਾਂ:
+```python
+a = pd.Series(range(1,10))
+b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
+df = pd.DataFrame([a,b])
+```
+ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਇੱਕ ਆੜ੍ਹਤੀ ਟੇਬਲ ਬਣਾਏਗਾ:
+|     | 0   | 1    | 2   | 3   | 4      | 5   | 6      | 7    | 8    |
+| --- | --- | ---- | --- | --- | ------ | --- | ------ | ---- | ---- |
+| 0   | 1   | 2    | 3   | 4   | 5      | 6   | 7      | 8    | 9    |
+| 1   | I   | like | to  | use | Python | and | Pandas | very | much |
+
+ਅਸੀਂ ਕਾਲਮਾਂ ਵਜੋਂ ਸੀਰੀਜ਼ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਡਿਕਸ਼ਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਲਮ ਦੇ ਨਾਮ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+df = pd.DataFrame({ 'A' : a, 'B' : b })
+```
+ਇਹ ਸਾਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਇੱਕ ਟੇਬਲ ਦੇਵੇਗਾ:
+
+|     | A   | B      |
+| --- | --- | ------ |
+| 0   | 1   | I      |
+| 1   | 2   | like   |
+| 2   | 3   | to     |
+| 3   | 4   | use    |
+| 4   | 5   | Python |
+| 5   | 6   | and    |
+| 6   | 7   | Pandas |
+| 7   | 8   | very   |
+| 8   | 9   | much   |
+
+**ਨੋਟ** ਕਿ ਅਸੀਂ ਪਿਛਲੀ ਟੇਬਲ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਕੇ ਵੀ ਇਹ ਟੇਬਲ ਲੇਆਉਟ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਲਿਖ ਕੇ 
+```python
+df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
+```
+ਇੱਥੇ `.T` ਦਾ ਅਰਥ ਹੈ ਡਾਟਾਫਰੇਮ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਨ ਦੀ ਕਾਰਵਾਈ, ਅਰਥਾਤ ਪੰਗਤਾਂ ਅਤੇ ਕਾਲਮਾਂ ਨੂੰ ਬਦਲਣਾ, ਅਤੇ `rename` ਕਾਰਵਾਈ ਸਾਨੂੰ ਪਿਛਲੇ ਉਦਾਹਰਣ ਨਾਲ ਮੇਲ ਕਰਨ ਲਈ ਕਾਲਮਾਂ ਦੇ ਨਾਮ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।
+
+ਇੱਥੇ ਕੁਝ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਾਰਵਾਈਆਂ ਹਨ ਜੋ ਅਸੀਂ ਡਾਟਾਫਰੇਮਾਂ 'ਤੇ ਕਰ ਸਕਦੇ ਹਾਂ:
+
+**ਕਾਲਮ ਚੋਣ**। ਅਸੀਂ ਵਿਅਕਤੀਗਤ ਕਾਲਮਾਂ ਨੂੰ `df['A']` ਲਿਖ ਕੇ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਕਾਰਵਾਈ ਇੱਕ ਸੀਰੀਜ਼ ਨੂੰ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਅਸੀਂ `df[['B','A']]` ਲਿਖ ਕੇ ਕਾਲਮਾਂ ਦੇ ਇੱਕ ਉਪਸੈੱਟ ਨੂੰ ਇੱਕ ਹੋਰ ਡਾਟਾਫਰੇਮ ਵਿੱਚ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਇੱਕ ਹੋਰ ਡਾਟਾਫਰੇਮ ਵਾਪਸ ਕਰਦਾ ਹੈ।
+
+**ਕੇਵਲ ਕੁਝ ਪੰਗਤਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨਾ**। ਉਦਾਹਰਣ ਲਈ, ਕੇਵਲ ਉਹ ਪੰਗਤਾਂ ਛੱਡਣ ਲਈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਾਲਮ `A` 5 ਤੋਂ ਵੱਧ ਹੈ, ਅਸੀਂ `df[df['A']>5]` ਲਿਖ ਸਕਦੇ ਹਾਂ।
+
+> **ਨੋਟ**: ਫਿਲਟਰਿੰਗ ਦਾ ਤਰੀਕਾ ਹੇਠ
+ਅਸੀਂ ਵੇਖਿਆ ਹੈ ਕਿ Python ਦੇ objects ਤੋਂ Series ਅਤੇ DataFrames ਬਣਾਉਣਾ ਕਿੰਨਾ ਆਸਾਨ ਹੈ। ਹਾਲਾਂਕਿ, ਡਾਟਾ ਆਮ ਤੌਰ 'ਤੇ ਟੈਕਸਟ ਫਾਈਲ ਜਾਂ Excel ਟੇਬਲ ਦੇ ਰੂਪ ਵਿੱਚ ਆਉਂਦਾ ਹੈ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, Pandas ਸਾਨੂੰ ਡਿਸਕ ਤੋਂ ਡਾਟਾ ਲੋਡ ਕਰਨ ਦਾ ਸਧਾਰਨ ਤਰੀਕਾ ਦਿੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, CSV ਫਾਈਲ ਪੜ੍ਹਨਾ ਇਸ ਤਰ੍ਹਾਂ ਆਸਾਨ ਹੈ:
+```python
+df = pd.read_csv('file.csv')
+```
+ਅਸੀਂ ਡਾਟਾ ਲੋਡ ਕਰਨ ਦੇ ਹੋਰ ਉਦਾਹਰਣ ਵੇਖਾਂਗੇ, ਜਿਸ ਵਿੱਚ ਬਾਹਰੀ ਵੈਬਸਾਈਟਾਂ ਤੋਂ ਡਾਟਾ ਲੈਣਾ ਵੀ ਸ਼ਾਮਲ ਹੈ, "Challenge" ਸੈਕਸ਼ਨ ਵਿੱਚ।
+
+### ਪ੍ਰਿੰਟਿੰਗ ਅਤੇ ਪਲੌਟਿੰਗ
+
+ਇੱਕ Data Scientist ਨੂੰ ਅਕਸਰ ਡਾਟਾ ਦੀ ਜਾਂਚ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਇਸ ਲਈ ਇਸਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਜਦੋਂ DataFrame ਵੱਡਾ ਹੁੰਦਾ ਹੈ, ਅਕਸਰ ਸਾਨੂੰ ਸਿਰਫ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਅਸੀਂ ਸਭ ਕੁਝ ਠੀਕ ਕਰ ਰਹੇ ਹਾਂ, ਪਹਿਲੀਆਂ ਕੁਝ ਪੰਗਤਾਂ ਪ੍ਰਿੰਟ ਕਰਕੇ। ਇਹ `df.head()` ਕਾਲ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਸਨੂੰ Jupyter Notebook ਤੋਂ ਚਲਾ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ DataFrame ਨੂੰ ਸੁੰਦਰ ਟੇਬਲਰ ਰੂਪ ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰੇਗਾ।
+
+ਅਸੀਂ ਕੁਝ ਕਾਲਮਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਲਈ `plot` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਵੀ ਵੇਖੀ ਹੈ। ਜਦੋਂ ਕਿ `plot` ਕਈ ਕੰਮਾਂ ਲਈ ਬਹੁਤ ਹੀ ਲਾਭਦਾਇਕ ਹੈ ਅਤੇ `kind=` ਪੈਰਾਮੀਟਰ ਰਾਹੀਂ ਕਈ ਵੱਖ-ਵੱਖ ਗ੍ਰਾਫ ਕਿਸਮਾਂ ਨੂੰ ਸਹਾਰਾ ਦਿੰਦਾ ਹੈ, ਤੁਸੀਂ ਹਮੇਸ਼ਾ ਕੁਝ ਹੋਰ ਜਟਿਲ ਪਲੌਟ ਕਰਨ ਲਈ ਕੱਚੀ `matplotlib` ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ। ਅਸੀਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਵਿਸਥਾਰ ਵਿੱਚ ਵੱਖਰੇ ਕੋਰਸ ਪਾਠਾਂ ਵਿੱਚ ਕਵਰ ਕਰਾਂਗੇ।
+
+ਇਹ ਝਲਕ Pandas ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ, ਹਾਲਾਂਕਿ ਲਾਇਬ੍ਰੇਰੀ ਬਹੁਤ ਹੀ ਸਮਰੱਥ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਇਸ ਨਾਲ ਕੀ ਕਰ ਸਕਦੇ ਹੋ ਇਸ ਦੀ ਕੋਈ ਸੀਮਾ ਨਹੀਂ ਹੈ! ਆਓ ਹੁਣ ਇਸ ਗਿਆਨ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰੀਏ।
+
+## 🚀 ਚੁਣੌਤੀ 1: COVID ਫੈਲਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+
+ਪਹਿਲੀ ਸਮੱਸਿਆ ਜਿਸ 'ਤੇ ਅਸੀਂ ਧਿਆਨ ਦੇਵਾਂਗੇ, COVID-19 ਦੇ ਮਹਾਂਮਾਰੀ ਫੈਲਾਅ ਦਾ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ। ਇਸਨੂੰ ਕਰਨ ਲਈ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਦੇਸ਼ਾਂ ਵਿੱਚ ਸੰਕਰਮਿਤ ਵਿਅਕਤੀਆਂ ਦੀ ਗਿਣਤੀ ਦੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ, ਜੋ [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) ਦੁਆਰਾ [Johns Hopkins University](https://jhu.edu/) ਵਿੱਚ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਾਟਾਸੈਟ [ਇਸ GitHub Repository](https://github.com/CSSEGISandData/COVID-19) ਵਿੱਚ ਉਪਲਬਧ ਹੈ।
+
+ਜਦੋਂ ਕਿ ਅਸੀਂ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਸਲਾਹ ਦਿੰਦੇ ਹਾਂ ਕਿ [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) ਖੋਲ੍ਹੋ ਅਤੇ ਇਸਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲ ਚਲਾ ਸਕਦੇ ਹੋ ਅਤੇ ਕੁਝ ਚੁਣੌਤੀਆਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਅੰਤ ਵਿੱਚ ਛੱਡੀਆਂ ਹਨ।
+
+![COVID ਫੈਲਾਅ](../../../../translated_images/covidspread.f3d131c4f1d260ab0344d79bac0abe7924598dd754859b165955772e1bd5e8a2.pa.png)
+
+> ਜੇ ਤੁਸੀਂ Jupyter Notebook ਵਿੱਚ ਕੋਡ ਚਲਾਉਣ ਦਾ ਤਰੀਕਾ ਨਹੀਂ ਜਾਣਦੇ, ਤਾਂ [ਇਸ ਲੇਖ](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ਨੂੰ ਵੇਖੋ।
+
+## ਅਸੰਰਚਿਤ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
+
+ਜਦੋਂ ਕਿ ਡਾਟਾ ਅਕਸਰ ਟੇਬਲਰ ਰੂਪ ਵਿੱਚ ਆਉਂਦਾ ਹੈ, ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸਾਨੂੰ ਘੱਟ ਸੰਰਚਿਤ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣਾ ਪੈਂਦਾ ਹੈ, ਉਦਾਹਰਣ ਲਈ, ਟੈਕਸਟ ਜਾਂ ਚਿੱਤਰ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਉੱਪਰ ਵੇਖੇ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ **ਸੰਰਚਿਤ** ਡਾਟਾ ਨਿਕਾਲਣਾ ਪੈਂਦਾ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
+
+* ਟੈਕਸਟ ਤੋਂ ਕੀਵਰਡਸ ਨਿਕਾਲਣਾ ਅਤੇ ਵੇਖਣਾ ਕਿ ਉਹ ਕੀਵਰਡਸ ਕਿੰਨੀ ਵਾਰ ਆਉਂਦੇ ਹਨ
+* ਚਿੱਤਰ 'ਤੇ ਵਸਤੂਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਨਿਕਾਲਣ ਲਈ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
+* ਵੀਡੀਓ ਕੈਮਰਾ ਫੀਡ 'ਤੇ ਲੋਕਾਂ ਦੇ ਜਜ਼ਬਾਤਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ
+
+## 🚀 ਚੁਣੌਤੀ 2: COVID ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+
+ਇਸ ਚੁਣੌਤੀ ਵਿੱਚ, ਅਸੀਂ COVID ਮਹਾਂਮਾਰੀ ਦੇ ਵਿਸ਼ੇ ਨੂੰ ਜਾਰੀ ਰੱਖਾਂਗੇ ਅਤੇ ਇਸ ਵਿਸ਼ੇ 'ਤੇ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦੇ ਪ੍ਰੋਸੈਸਿੰਗ 'ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ਵਿੱਚ COVID 'ਤੇ 7000 ਤੋਂ ਵੱਧ (ਇਸ ਲੇਖਨ ਦੇ ਸਮੇਂ) ਪੇਪਰਾਂ ਉਪਲਬਧ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਮੈਟਾਡਾਟਾ ਅਤੇ ਐਬਸਟਰੈਕਟਸ (ਅਤੇ ਲਗਭਗ ਅੱਧੇ ਲਈ ਪੂਰਾ ਟੈਕਸਟ ਵੀ ਉਪਲਬਧ ਹੈ) ਸ਼ਾਮਲ ਹਨ।
+
+ਇਸ ਡਾਟਾਸੈਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦਾ ਪੂਰਾ ਉਦਾਹਰਣ [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health/?WT.mc_id=academic-77958-bethanycheum) ਕੌਗਨਿਟਿਵ ਸਰਵਿਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ [ਇਸ ਬਲੌਗ ਪੋਸਟ](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਸਰਲ ਰੂਪ ਚਰਚਾ ਕਰਾਂਗੇ।
+
+> **NOTE**: ਅਸੀਂ ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਡਾਟਾਸੈਟ ਦੀ ਕਾਪੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ। ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) ਫਾਈਲ [ਇਸ Kaggle ਡਾਟਾਸੈਟ](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ਤੋਂ ਡਾਊਨਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। Kaggle ਨਾਲ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਸੀਂ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਤੋਂ ਬਿਨਾਂ [ਇਥੋਂ](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html) ਡਾਟਾਸੈਟ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਇਸ ਵਿੱਚ ਮੈਟਾਡਾਟਾ ਫਾਈਲ ਦੇ ਨਾਲ-ਨਾਲ ਸਾਰੇ ਪੂਰੇ ਟੈਕਸਟ ਸ਼ਾਮਲ ਹੋਣਗੇ।
+
+[`notebook-papers.ipynb`](notebook-papers.ipynb) ਖੋਲ੍ਹੋ ਅਤੇ ਇਸਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲ ਚਲਾ ਸਕਦੇ ਹੋ ਅਤੇ ਕੁਝ ਚੁਣੌਤੀਆਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਅੰਤ ਵਿੱਚ ਛੱਡੀਆਂ ਹਨ।
+
+![Covid ਮੈਡੀਕਲ ਇਲਾਜ](../../../../translated_images/covidtreat.b2ba59f57ca45fbcda36e0ddca3f8cfdddeeed6ca879ea7f866d93fa6ec65791.pa.png)
+
+## ਚਿੱਤਰ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ
+
+ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁਤ ਹੀ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਮਾਡਲ ਵਿਕਸਿਤ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਚਿੱਤਰਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਦਿੰਦੇ ਹਨ। ਕਈ ਕੰਮ ਹਨ ਜੋ ਪ੍ਰੀ-ਟ੍ਰੇਨਡ ਨਿਊਰਲ ਨੈਟਵਰਕ ਜਾਂ ਕਲਾਉਡ ਸਰਵਿਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਕੁਝ ਉਦਾਹਰਣ ਸ਼ਾਮਲ ਹਨ:
+
+* **ਚਿੱਤਰ ਵਰਗੀਕਰਨ**, ਜੋ ਤੁਹਾਨੂੰ ਚਿੱਤਰ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਵਰਗਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਆਸਾਨੀ ਨਾਲ [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ਵਰਗੇ ਸਰਵਿਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਚਿੱਤਰ ਵਰਗੀਕਰਨ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ।
+* **ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ**, ਚਿੱਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ। [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) ਵਰਗੇ ਸਰਵਿਸ ਕਈ ਆਮ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਤੁਸੀਂ [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ਮਾਡਲ ਨੂੰ ਕੁਝ ਵਿਸ਼ੇਸ਼ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ।
+* **ਚਿਹਰਾ ਪਛਾਣ**, ਜਿਸ ਵਿੱਚ ਉਮਰ, ਲਿੰਗ ਅਤੇ ਜਜ਼ਬਾਤਾਂ ਦੀ ਪਛਾਣ ਸ਼ਾਮਲ ਹੈ। ਇਹ [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) ਰਾਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+ਇਹ ਸਾਰੇ ਕਲਾਉਡ ਸਰਵਿਸ [Python SDKs](https://docs.microsoft.com/samples/azure-samples/cognitive-services-python-sdk-samples/cognitive-services-python-sdk-samples/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਤੁਹਾਡੇ ਡਾਟਾ ਐਕਸਪਲੋਰੇਸ਼ਨ ਵਰਕਫਲੋ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+
+ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ ਜੋ ਚਿੱਤਰ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਡਾਟਾ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ:
+* ਬਲੌਗ ਪੋਸਟ [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) ਵਿੱਚ ਅਸੀਂ Instagram ਫੋਟੋਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ, ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋਏ ਕਿ ਕਿਸ ਚਿੱਤਰ ਨੂੰ ਲੋਕ ਵੱਧ ਲਾਈਕ ਕਰਦੇ ਹਨ। ਅਸੀਂ ਪਹਿਲਾਂ [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚਿੱਤਰਾਂ ਤੋਂ ਜਿੰਨੀ ਸੰਭਵ ਹੋ ਸਕੇ ਜਾਣਕਾਰੀ ਨਿਕਾਲਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਾਂ।
+* [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) ਵਿੱਚ ਅਸੀਂ [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਵੈਂਟਾਂ ਦੀਆਂ ਫੋਟੋਆਂ 'ਤੇ ਲੋਕਾਂ ਦੇ ਜਜ਼ਬਾਤਾਂ ਨੂੰ ਨਿਕਾਲਦੇ ਹਾਂ, ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋਏ ਕਿ ਲੋਕਾਂ ਨੂੰ ਖੁਸ਼ ਕੀ ਕਰਦਾ ਹੈ।
+
+## ਨਿਸਕਰਸ਼
+
+ਚਾਹੇ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਸੰਰਚਿਤ ਜਾਂ ਅਸੰਰਚਿਤ ਡਾਟਾ ਹੈ, Python ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤੁਸੀਂ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸਮਝਣ ਨਾਲ ਸੰਬੰਧਿਤ ਸਾਰੇ ਕਦਮ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਸ਼ਾਇਦ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਸਭ ਤੋਂ ਲਚਕਦਾਰ ਤਰੀਕਾ ਹੈ, ਅਤੇ ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ ਡਾਟਾ ਸਾਇੰਟਿਸਟ Python ਨੂੰ ਆਪਣਾ ਮੁੱਖ ਸਾਧਨ ਵਜੋਂ ਵਰਤਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਆਪਣੀ ਡਾਟਾ ਸਾਇੰਸ ਯਾਤਰਾ ਵਿੱਚ ਗੰਭੀਰ ਹੋ, ਤਾਂ Python ਨੂੰ ਗਹਿਰਾਈ ਨਾਲ ਸਿੱਖਣਾ ਸ਼ਾਇਦ ਇੱਕ ਚੰਗਾ ਵਿਚਾਰ ਹੈ!
+
+## [ਪਾਠ ਬਾਅਦ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/13)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
+
+**ਕਿਤਾਬਾਂ**
+* [Wes McKinney. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython](https://www.amazon.com/gp/product/1491957662)
+
+**ਆਨਲਾਈਨ ਸਰੋਤ**
+* ਅਧਿਕਾਰਕ [10 minutes to Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) ਟਿਊਟੋਰਿਅਲ
+* [Pandas Visualization](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html) 'ਤੇ ਦਸਤਾਵੇਜ਼
+
+**Python ਸਿੱਖਣਾ**
+* [Learn Python in a Fun Way with Turtle Graphics and Fractals](https://github.com/shwars/pycourse)
+* [Take your First Steps with Python](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Microsoft Learn 'ਤੇ ਸਿੱਖਣ ਦਾ ਪਾਠ
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਉਪਰੋਕਤ ਚੁਣੌਤੀਆਂ ਲਈ ਹੋਰ ਵਿਸਥਾਰਿਤ ਡਾਟਾ ਅਧਿਐਨ ਕਰੋ](assignment.md)
+
+## ਸ਼੍ਰੇਯ
+
+ਇਹ ਪਾਠ [Dmitry Soshnikov](http://soshnikov.com) ਦੁਆਰਾ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/07-python/assignment.md b/translations/pa/2-Working-With-Data/07-python/assignment.md
new file mode 100644
index 00000000..3af92574
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/07-python/assignment.md
@@ -0,0 +1,37 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dc8f035ce92e4eaa078ab19caa68267a",
+  "translation_date": "2025-08-27T16:56:57+00:00",
+  "source_file": "2-Working-With-Data/07-python/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਪਾਇਥਨ ਲਈ ਅਸਾਈਨਮੈਂਟ
+
+ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਉਹ ਕੋਡ ਵਧਾਉਣ ਲਈ ਕਹਾਂਗੇ ਜੋ ਅਸੀਂ ਆਪਣੇ ਚੈਲੈਂਜਾਂ ਵਿੱਚ ਵਿਕਸਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਅਸਾਈਨਮੈਂਟ ਦੋ ਭਾਗਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ:
+
+## COVID-19 ਫੈਲਾਅ ਮਾਡਲਿੰਗ
+
+ - [ ] 5-6 ਵੱਖ-ਵੱਖ ਦੇਸ਼ਾਂ ਲਈ *R* ਗ੍ਰਾਫ ਇੱਕ ਗ੍ਰਾਫ 'ਤੇ ਤੁਲਨਾ ਲਈ ਪਲਾਟ ਕਰੋ, ਜਾਂ ਕਈ ਗ੍ਰਾਫਾਂ ਨੂੰ ਸਾਈਡ-ਬਾਈ-ਸਾਈਡ ਪਲਾਟ ਕਰੋ।
+ - [ ] ਦੇਖੋ ਕਿ ਮੌਤਾਂ ਅਤੇ ਸਿਹਤਯਾਬੀਆਂ ਦੀ ਗਿਣਤੀ ਸੰਕਰਮਿਤ ਕੇਸਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹੈ।
+ - [ ] ਪਤਾ ਕਰੋ ਕਿ ਇੱਕ ਆਮ ਬਿਮਾਰੀ ਕਿੰਨਾ ਸਮਾਂ ਲੈਂਦੀ ਹੈ, ਸੰਕਰਮਣ ਦਰ ਅਤੇ ਮੌਤ ਦਰ ਨੂੰ ਵਿਜੁਅਲ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਕਰਕੇ ਅਤੇ ਕੁਝ ਅਸਧਾਰਣਤਾਵਾਂ ਦੀ ਭਾਲ ਕਰਕੇ। ਇਹ ਪਤਾ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਵੱਖ-ਵੱਖ ਦੇਸ਼ਾਂ ਨੂੰ ਦੇਖਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
+ - [ ] ਮੌਤ ਦਰ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਦੇਖੋ ਕਿ ਇਹ ਸਮੇਂ ਦੇ ਨਾਲ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ। *ਤੁਹਾਨੂੰ ਬਿਮਾਰੀ ਦੀ ਲੰਬਾਈ ਦਿਨਾਂ ਵਿੱਚ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੀ ਪਵੇਗੀ ਤਾਂ ਜੋ ਗਣਨਾਵਾਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਮੇਂ ਦੀ ਲੜੀ ਨੂੰ ਸ਼ਿਫਟ ਕੀਤਾ ਜਾ ਸਕੇ।*
+
+## COVID-19 ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+
+- [ ] ਵੱਖ-ਵੱਖ ਦਵਾਈਆਂ ਦੀ ਕੋ-ਓਕਰੈਂਸ ਮੈਟ੍ਰਿਕਸ ਬਣਾਓ, ਅਤੇ ਦੇਖੋ ਕਿ ਕਿਹੜੀਆਂ ਦਵਾਈਆਂ ਅਕਸਰ ਇਕੱਠੇ ਆਉਂਦੀਆਂ ਹਨ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਐਬਸਟਰੈਕਟ ਵਿੱਚ ਉਲਲੇਖ ਕੀਤਾ ਗਿਆ ਹੈ)। ਤੁਸੀਂ ਦਵਾਈਆਂ ਅਤੇ ਰੋਗ ਨਿਰਧਾਰਣਾਂ ਲਈ ਕੋ-ਓਕਰੈਂਸ ਮੈਟ੍ਰਿਕਸ ਬਣਾਉਣ ਵਾਲੇ ਕੋਡ ਨੂੰ ਸੋਧ ਸਕਦੇ ਹੋ।
+- [ ] ਇਸ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਹੀਟਮੈਪ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਜੁਅਲਾਈਜ਼ ਕਰੋ।
+- [ ] ਇੱਕ ਵਾਧੂ ਟਾਸਕ ਵਜੋਂ, ਦਵਾਈਆਂ ਦੀ ਕੋ-ਓਕਰੈਂਸ ਨੂੰ [ਚੋਰਡ ਡਾਇਗ੍ਰਾਮ](https://en.wikipedia.org/wiki/Chord_diagram) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਜੁਅਲਾਈਜ਼ ਕਰੋ। [ਇਹ ਲਾਇਬ੍ਰੇਰੀ](https://pypi.org/project/chord/) ਤੁਹਾਨੂੰ ਚੋਰਡ ਡਾਇਗ੍ਰਾਮ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ।
+- [ ] ਇੱਕ ਹੋਰ ਵਾਧੂ ਟਾਸਕ ਵਜੋਂ, ਵੱਖ-ਵੱਖ ਦਵਾਈਆਂ ਦੀਆਂ ਖੁਰਾਕਾਂ (ਜਿਵੇਂ **400mg** ਵਿੱਚ *ਦਿਨ ਵਿੱਚ 400mg ਕਲੋਰੋਕੁਇਨ ਲਵੋ*) ਨੂੰ ਰੈਗੂਲਰ ਐਕਸਪ੍ਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੱਢੋ, ਅਤੇ ਇੱਕ ਡਾਟਾਫ੍ਰੇਮ ਬਣਾਓ ਜੋ ਵੱਖ-ਵੱਖ ਦਵਾਈਆਂ ਲਈ ਵੱਖ-ਵੱਖ ਖੁਰਾਕਾਂ ਦਿਖਾਉਂਦਾ ਹੈ। **ਨੋਟ**: ਉਹ ਨੰਬਰਿਕ ਮੁੱਲ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਜੋ ਦਵਾਈ ਦੇ ਨਾਮ ਦੇ ਨਜ਼ਦੀਕੀ ਟੈਕਸਟ ਵਿੱਚ ਹਨ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉੱਤਮ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | -- |
+ਸਾਰੇ ਟਾਸਕ ਪੂਰੇ ਹਨ, ਗ੍ਰਾਫਿਕ ਤੌਰ 'ਤੇ ਦਰਸਾਏ ਗਏ ਹਨ ਅਤੇ ਸਮਝਾਏ ਗਏ ਹਨ, ਜਿਸ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਦੋ ਵਾਧੂ ਟਾਸਕ ਸ਼ਾਮਲ ਹਨ | 5 ਤੋਂ ਵੱਧ ਟਾਸਕ ਪੂਰੇ ਹਨ, ਕੋਈ ਵਾਧੂ ਟਾਸਕ ਨਹੀਂ ਕੀਤੇ ਗਏ, ਜਾਂ ਨਤੀਜੇ ਸਪਸ਼ਟ ਨਹੀਂ ਹਨ | 5 ਤੋਂ ਘੱਟ (ਪਰ 3 ਤੋਂ ਵੱਧ) ਟਾਸਕ ਪੂਰੇ ਹਨ, ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਮੱਦੇ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ ਮਦਦਗਾਰ ਨਹੀਂ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/08-data-preparation/README.md b/translations/pa/2-Working-With-Data/08-data-preparation/README.md
new file mode 100644
index 00000000..a42127cf
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/08-data-preparation/README.md
@@ -0,0 +1,194 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3ade580a06b5f04d57cc83a768a8fb77",
+  "translation_date": "2025-08-27T16:47:57+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਡਾਟਾ ਤਿਆਰੀ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/08-DataPreparation.png)|
+|:---:|
+|ਡਾਟਾ ਤਿਆਰੀ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/14)
+
+ਡਾਟਾ ਦੇ ਸਰੋਤ ਦੇ ਅਧਾਰ 'ਤੇ, ਕੱਚੇ ਡਾਟਾ ਵਿੱਚ ਕੁਝ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਿੰਗ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਸ ਡਾਟਾ ਨੂੰ "ਗੰਦਾ" ਕਹਿ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਇਸ ਪਾਠ ਵਿੱਚ ਗੁੰਮ ਹੋਏ, ਗਲਤ ਜਾਂ ਅਧੂਰੇ ਡਾਟਾ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਅਤੇ ਬਦਲਣ ਦੀਆਂ ਤਕਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤੇ ਗਏ ਵਿਸ਼ੇ ਪਾਇਥਨ ਅਤੇ ਪੈਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨਗੇ ਅਤੇ ਇਸ ਡਾਇਰੈਕਟਰੀ ਦੇ [ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਡੈਮੋਨਸਟਰੇਟ ਕੀਤੇ ਜਾਣਗੇ।
+
+## ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਦੀ ਮਹੱਤਤਾ
+
+- **ਵਰਤੋਂ ਅਤੇ ਦੁਬਾਰਾ ਵਰਤੋਂ ਦੀ ਸਹੂਲਤ**: ਜਦੋਂ ਡਾਟਾ ਢੰਗ ਨਾਲ ਸੰਗਠਿਤ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ਡ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਖੋਜਣਾ, ਵਰਤਣਾ ਅਤੇ ਹੋਰਾਂ ਨਾਲ ਸਾਂਝਾ ਕਰਨਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ।
+
+- **ਸਥਿਰਤਾ**: ਡਾਟਾ ਸਾਇੰਸ ਅਕਸਰ ਇੱਕ ਤੋਂ ਵੱਧ ਡਾਟਾਸੈਟ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ, ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਆਏ ਡਾਟਾਸੈਟ ਨੂੰ ਇਕੱਠੇ ਜੋੜਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਹਰ ਵਿਅਕਤੀਗਤ ਡਾਟਾਸੈਟ ਵਿੱਚ ਸਧਾਰਨ ਮਿਆਰ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਜਦੋਂ ਇਹ ਸਾਰੇ ਡਾਟਾ ਇੱਕ ਡਾਟਾਸੈਟ ਵਿੱਚ ਮਿਲਦੇ ਹਨ, ਤਾਂ ਇਹ ਫਾਇਦੇਮੰਦ ਰਹੇ।
+
+- **ਮਾਡਲ ਦੀ ਸਹੀਤਾ**: ਸਾਫ਼ ਕੀਤਾ ਗਿਆ ਡਾਟਾ ਉਹ ਮਾਡਲਾਂ ਦੀ ਸਹੀਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਜੋ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
+
+## ਆਮ ਸਾਫ਼ ਕਰਨ ਦੇ ਲਕਸ਼ ਅਤੇ ਰਣਨੀਤੀਆਂ
+
+- **ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ**: ਡਾਟਾ ਖੋਜ, ਜੋ ਕਿ [ਅਗਲੇ ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) ਵਿੱਚ ਕਵਰ ਕੀਤੀ ਗਈ ਹੈ, ਤੁਹਾਨੂੰ ਉਹ ਡਾਟਾ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ ਜਿਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਡਾਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਨੂੰ ਵਿਜ਼ੂਅਲ ਤੌਰ 'ਤੇ ਦੇਖਣਾ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਕਿ ਬਾਕੀ ਡਾਟਾ ਕਿਵੇਂ ਲੱਗੇਗਾ ਜਾਂ ਇਹ ਸਮੱਸਿਆਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਖੋਜ ਵਿੱਚ ਬੁਨਿਆਦੀ ਕਵੈਰੀ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸੈਂਪਲਿੰਗ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ।
+
+- **ਫਾਰਮੈਟਿੰਗ**: ਸਰੋਤ ਦੇ ਅਧਾਰ 'ਤੇ, ਡਾਟਾ ਵਿੱਚ ਇਸ ਦੇ ਪ੍ਰਸਤੁਤੀਕਰਨ ਵਿੱਚ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਮੁੱਲ ਦੀ ਖੋਜ ਅਤੇ ਪ੍ਰਸਤੁਤੀਕਰਨ ਵਿੱਚ ਸਮੱਸਿਆ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਇਹ ਡਾਟਾਸੈਟ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਪਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਜਾਂ ਕਵੈਰੀ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਠੀਕ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਸਤੁਤ ਨਹੀਂ ਹੁੰਦਾ। ਆਮ ਫਾਰਮੈਟਿੰਗ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵਾਈਟਸਪੇਸ, ਤਾਰੀਖਾਂ ਅਤੇ ਡਾਟਾ ਟਾਈਪਸ ਨੂੰ ਹੱਲ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਫਾਰਮੈਟਿੰਗ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨਾ ਆਮ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਲੋਕਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਜੋ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ। ਉਦਾਹਰਣ ਲਈ, ਤਾਰੀਖਾਂ ਅਤੇ ਨੰਬਰਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਦੇ ਮਿਆਰ ਦੇਸ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।
+
+- **ਡੁਪਲੀਕੇਸ਼ਨ**: ਡਾਟਾ ਜਿਸ ਵਿੱਚ ਇੱਕ ਤੋਂ ਵੱਧ ਵਾਰ ਹੋਣ ਵਾਲੇ ਮੁੱਲ ਹਨ, ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਹਟਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਦੋ ਜਾਂ ਵੱਧ ਡਾਟਾਸੈਟ ਨੂੰ ਜੋੜਦੇ ਸਮੇਂ ਵਾਪਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕੁਝ ਹਾਲਾਤਾਂ ਵਿੱਚ ਡੁਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਉਹ ਜਾਣਕਾਰੀ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਸੰਭਵਤ: ਸੰਭਾਲਣ ਯੋਗ ਹੋਵੇ।
+
+- **ਗੁੰਮ ਹੋਇਆ ਡਾਟਾ**: ਗੁੰਮ ਹੋਇਆ ਡਾਟਾ ਗਲਤੀਆਂ ਅਤੇ ਕਮਜ਼ੋਰ ਜਾਂ ਪੱਖਪਾਤੀ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਕਈ ਵਾਰ ਇਹ "ਰੀਲੋਡ" ਕਰਕੇ, ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਗਣਨਾ ਅਤੇ ਕੋਡ ਜਿਵੇਂ ਕਿ ਪਾਇਥਨ ਨਾਲ ਭਰ ਕੇ, ਜਾਂ ਸਿਰਫ਼ ਮੁੱਲ ਅਤੇ ਸੰਬੰਧਤ ਡਾਟਾ ਨੂੰ ਹਟਾ ਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਡਾਟਾ ਕਿਉਂ ਗੁੰਮ ਹੋਇਆ ਅਤੇ ਇਸਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੀ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇਹ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਪਹਿਲਾਂ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਗੁੰਮ ਹੋਇਆ।
+
+## ਡਾਟਾ ਫਰੇਮ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ
+> **ਸਿੱਖਣ ਦਾ ਲਕਸ਼**: ਇਸ ਸਬਸੈਕਸ਼ਨ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਸੀਂ pandas DataFrames ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਡਾਟਾ ਬਾਰੇ ਆਮ ਜਾਣਕਾਰੀ ਲੱਭਣ ਵਿੱਚ ਸਹੂਲਤ ਮਹਿਸੂਸ ਕਰੋਗੇ।
+
+ਜਦੋਂ ਤੁਸੀਂ pandas ਵਿੱਚ ਆਪਣਾ ਡਾਟਾ ਲੋਡ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਜ਼ਿਆਦਾਤਰ DataFrame ਵਿੱਚ ਹੋਵੇਗਾ (ਪਿਛਲੇ [ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) ਵਿੱਚ ਇਸਦਾ ਵਿਸਤ੍ਰਿਤ ਜਾਇਜ਼ਾ ਦੇਖੋ)। ਹਾਲਾਂਕਿ, ਜੇ ਤੁਹਾਡੇ DataFrame ਵਿੱਚ 60,000 ਕਤਾਰਾਂ ਅਤੇ 400 ਕਾਲਮ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਇਹ ਸਮਝਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹੋ? ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, [pandas](https://pandas.pydata.org/) ਕੁਝ ਸੁਵਿਧਾਜਨਕ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ DataFrame ਬਾਰੇ ਕੁੱਲ ਜਾਣਕਾਰੀ ਦੇਖਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਨਾਲ ਹੀ ਪਹਿਲੀਆਂ ਕੁਝ ਅਤੇ ਆਖਰੀ ਕੁਝ ਕਤਾਰਾਂ।
+
+ਇਸ ਫੰਕਸ਼ਨਾਲਿਟੀ ਦੀ ਖੋਜ ਕਰਨ ਲਈ, ਅਸੀਂ Python scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੰਪੋਰਟ ਕਰਾਂਗੇ ਅਤੇ ਇੱਕ ਪ੍ਰਸਿੱਧ ਡਾਟਾਸੈਟ ਵਰਤਾਂਗੇ: **Iris ਡਾਟਾਸੈਟ**।
+
+```python
+import pandas as pd
+from sklearn.datasets import load_iris
+
+iris = load_iris()
+iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
+```
+|                                        |sepal length (cm)|sepal width (cm)|petal length (cm)|petal width (cm)|
+|----------------------------------------|-----------------|----------------|-----------------|----------------|
+|0                                       |5.1              |3.5             |1.4              |0.2             |
+|1                                       |4.9              |3.0             |1.4              |0.2             |
+|2                                       |4.7              |3.2             |1.3              |0.2             |
+|3                                       |4.6              |3.1             |1.5              |0.2             |
+|4                                       |5.0              |3.6             |1.4              |0.2             |
+
+- **DataFrame.info**: ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, `info()` ਮੈਥਡ ਨੂੰ `DataFrame` ਵਿੱਚ ਮੌਜੂਦ ਸਮੱਗਰੀ ਦਾ ਸਾਰ ਛਾਪਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਆਓ ਇਸ ਡਾਟਾਸੈਟ ਨੂੰ ਵੇਖੀਏ ਕਿ ਸਾਡੇ ਕੋਲ ਕੀ ਹੈ:
+```python
+iris_df.info()
+```
+```
+RangeIndex: 150 entries, 0 to 149
+Data columns (total 4 columns):
+ #   Column             Non-Null Count  Dtype  
+---  ------             --------------  -----  
+ 0   sepal length (cm)  150 non-null    float64
+ 1   sepal width (cm)   150 non-null    float64
+ 2   petal length (cm)  150 non-null    float64
+ 3   petal width (cm)   150 non-null    float64
+dtypes: float64(4)
+memory usage: 4.8 KB
+```
+ਇਸ ਤੋਂ, ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ *Iris* ਡਾਟਾਸੈਟ ਵਿੱਚ ਚਾਰ ਕਾਲਮਾਂ ਵਿੱਚ 150 ਐਂਟਰੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੋਈ null ਐਂਟਰੀ ਨਹੀਂ ਹੈ। ਸਾਰਾ ਡਾਟਾ 64-ਬਿਟ ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਨੰਬਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+- **DataFrame.head()**: ਅਗਲੇ ਕਦਮ ਵਿੱਚ, `DataFrame` ਦੀ ਅਸਲ ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ `head()` ਮੈਥਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਆਓ ਵੇਖੀਏ ਕਿ ਸਾਡੇ `iris_df` ਦੀਆਂ ਪਹਿਲੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਕਿਵੇਂ ਲੱਗਦੀਆਂ ਹਨ:
+```python
+iris_df.head()
+```
+```
+   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+0                5.1               3.5                1.4               0.2
+1                4.9               3.0                1.4               0.2
+2                4.7               3.2                1.3               0.2
+3                4.6               3.1                1.5               0.2
+4                5.0               3.6                1.4               0.2
+```
+- **DataFrame.tail()**: ਇਸਦੇ ਉਲਟ, `DataFrame` ਦੀਆਂ ਆਖਰੀ ਕੁਝ ਕਤਾਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ `tail()` ਮੈਥਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ:
+```python
+iris_df.tail()
+```
+```
+     sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
+145                6.7               3.0                5.2               2.3
+146                6.3               2.5                5.0               1.9
+147                6.5               3.0                5.2               2.0
+148                6.2               3.4                5.4               2.3
+149                5.9               3.0                5.1               1.8
+```
+> **ਸਿੱਖਣ ਵਾਲੀ ਗੱਲ**: ਸਿਰਫ਼ DataFrame ਵਿੱਚ ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਦੇ ਮੈਟਾਡੇਟਾ ਜਾਂ ਪਹਿਲੀਆਂ ਅਤੇ ਆਖਰੀ ਕੁਝ ਮੁੱਲਾਂ ਨੂੰ ਦੇਖ ਕੇ, ਤੁਸੀਂ ਆਪਣੇ ਡਾਟਾ ਦੇ ਆਕਾਰ, ਰੂਪ ਅਤੇ ਸਮੱਗਰੀ ਬਾਰੇ ਤੁਰੰਤ ਧਾਰਨਾ ਲਗਾ ਸਕਦੇ ਹੋ।
+
+## ਗੁੰਮ ਹੋਏ ਡਾਟਾ ਨਾਲ ਨਜਿੱਠਣਾ
+> **ਸਿੱਖਣ ਦਾ ਲਕਸ਼**: ਇਸ ਸਬਸੈਕਸ਼ਨ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਸੀਂ DataFrames ਵਿੱਚ null ਮੁੱਲਾਂ ਨੂੰ ਬਦਲਣ ਜਾਂ ਹਟਾਉਣ ਦੇ ਤਰੀਕੇ ਜਾਣਦੇ ਹੋਵੋਗੇ।
+
+ਅਕਸਰ ਉਹ ਡਾਟਾਸੈਟ ਜੋ ਤੁਸੀਂ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ (ਜਾਂ ਵਰਤਣ ਲਈ ਮਜਬੂਰ ਹੋ) ਉਹਨਾਂ ਵਿੱਚ ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਹੁੰਦੇ ਹਨ। ਗੁੰਮ ਹੋਏ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਨਾਲ ਜੁੜੇ ਸੁਖਮ ਤਿਆਗ ਹੁੰਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਅੰਤਿਮ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ।
+
+Pandas ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਹੱਲ ਕਰਦਾ ਹੈ। ਪਹਿਲਾ ਤੁਸੀਂ ਪਹਿਲਾਂ ਦੇ ਅਨੁਭਾਗਾਂ ਵਿੱਚ ਦੇਖਿਆ ਹੈ: `NaN`, ਜਾਂ Not a Number। ਇਹ ਇੱਕ ਖਾਸ ਮੁੱਲ ਹੈ ਜੋ IEEE ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਹਿੱਸਾ ਹੈ ਅਤੇ ਇਹ ਸਿਰਫ਼ ਗੁੰਮ ਹੋਏ ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਮੁੱਲਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+
+ਗੈਰ-ਫਲੋਟਸ ਲਈ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, pandas Python ਦੇ `None` ਆਬਜੈਕਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਗੁੰਝਲਦਾਰ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਮੁੱਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰੋਗੇ ਜੋ ਅਸਲ ਵਿੱਚ ਇੱਕੋ ਗੱਲ ਕਹਿੰਦੇ ਹਨ, ਪਰ ਇਸ ਡਿਜ਼ਾਈਨ ਚੋਣ ਲਈ ਵਾਜਬ ਕਾਰਨ ਹਨ। 
+
+Check out more about `NaN` and `None` from the [notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb)!
+> **ਮੁੱਖ ਗੱਲ:** ਆਪਣੇ ਡੇਟਾਸੈਟ ਵਿੱਚ ਗੁੰਮ ਹੋਈਆਂ ਵੈਲਿਊਜ਼ ਨਾਲ ਨਜਿੱਠਣ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ। ਤੁਸੀਂ ਜੋ ਖਾਸ ਰਣਨੀਤੀ ਵਰਤਦੇ ਹੋ (ਉਨ੍ਹਾਂ ਨੂੰ ਹਟਾਉਣਾ, ਬਦਲਣਾ, ਜਾਂ ਕਿਵੇਂ ਬਦਲਣਾ) ਉਹ ਡੇਟਾ ਦੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜਿਵੇਂ ਜਿਵੇਂ ਤੁਸੀਂ ਡੇਟਾਸੈਟਸ ਨਾਲ ਵਧੇਰੇ ਕੰਮ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਗੁੰਮ ਹੋਈਆਂ ਵੈਲਿਊਜ਼ ਨਾਲ ਨਜਿੱਠਣ ਦਾ ਬਿਹਤਰ ਅਨੁਭਵ ਵਿਕਸਿਤ ਕਰੋਗੇ।
+
+## ਡੁਪਲੀਕੇਟ ਡੇਟਾ ਹਟਾਉਣਾ
+
+> **ਸਿੱਖਣ ਦਾ ਉਦੇਸ਼:** ਇਸ ਉਪਵਿਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਸੀਂ ਡੇਟਾ ਫਰੇਮਜ਼ ਵਿੱਚ ਡੁਪਲੀਕੇਟ ਵੈਲਿਊਜ਼ ਦੀ ਪਛਾਣ ਅਤੇ ਹਟਾਉਣ ਵਿੱਚ ਸਹੂਲਤ ਮਹਿਸੂਸ ਕਰੋਗੇ।
+
+ਗੁੰਮ ਹੋਈਆਂ ਵੈਲਿਊਜ਼ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ ਅਕਸਰ ਅਸਲ ਜਗਤ ਦੇ ਡੇਟਾਸੈਟਸ ਵਿੱਚ ਡੁਪਲੀਕੇਟ ਡੇਟਾ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, `pandas` ਡੁਪਲੀਕੇਟ ਐਂਟਰੀਜ਼ ਦੀ ਪਛਾਣ ਅਤੇ ਹਟਾਉਣ ਲਈ ਇੱਕ ਆਸਾਨ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+
+- **ਡੁਪਲੀਕੇਟਸ ਦੀ ਪਛਾਣ: `duplicated`**: ਤੁਸੀਂ pandas ਵਿੱਚ `duplicated` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਡੁਪਲੀਕੇਟ ਵੈਲਿਊਜ਼ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹੋ, ਜੋ ਇੱਕ ਬੂਲੀਅਨ ਮਾਸਕ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ `DataFrame` ਵਿੱਚ ਕੋਈ ਐਂਟਰੀ ਪਹਿਲਾਂ ਦੀ ਐਂਟਰੀ ਦਾ ਡੁਪਲੀਕੇਟ ਹੈ। ਆਓ ਇਸਨੂੰ ਕਾਰਵਾਈ ਵਿੱਚ ਦੇਖਣ ਲਈ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ `DataFrame` ਬਣਾਈਏ।
+```python
+example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
+                         'numbers': [1, 2, 1, 3, 3]})
+example4
+```
+|      |letters|numbers|
+|------|-------|-------|
+|0     |A      |1      |
+|1     |B      |2      |
+|2     |A      |1      |
+|3     |B      |3      |
+|4     |B      |3      |
+
+```python
+example4.duplicated()
+```
+```
+0    False
+1    False
+2     True
+3    False
+4     True
+dtype: bool
+```
+- **ਡੁਪਲੀਕੇਟਸ ਹਟਾਉਣਾ: `drop_duplicates`:** ਸਿਰਫ ਉਹ ਡੇਟਾ ਦੀ ਇੱਕ ਕਾਪੀ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਾਰੇ `duplicated` ਵੈਲਿਊਜ਼ `False` ਹਨ:
+```python
+example4.drop_duplicates()
+```
+```
+	letters	numbers
+0	A	1
+1	B	2
+3	B	3
+```
+`duplicated` ਅਤੇ `drop_duplicates` ਦੋਵੇਂ ਡਿਫਾਲਟ ਤੌਰ 'ਤੇ ਸਾਰੇ ਕਾਲਮਾਂ ਨੂੰ ਮਾਨਦੇ ਹਨ, ਪਰ ਤੁਸੀਂ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਉਹ ਤੁਹਾਡੇ `DataFrame` ਵਿੱਚ ਸਿਰਫ ਕਾਲਮਾਂ ਦੇ ਇੱਕ ਉਪਸੈੱਟ ਦੀ ਜਾਂਚ ਕਰਨ:
+```python
+example4.drop_duplicates(['letters'])
+```
+```
+letters	numbers
+0	A	1
+1	B	2
+```
+
+> **ਮੁੱਖ ਗੱਲ:** ਡੁਪਲੀਕੇਟ ਡੇਟਾ ਹਟਾਉਣਾ ਲਗਭਗ ਹਰ ਡੇਟਾ-ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਇੱਕ ਅਹਿਮ ਹਿੱਸਾ ਹੈ। ਡੁਪਲੀਕੇਟ ਡੇਟਾ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਗਲਤ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ!
+
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਸਾਰੇ ਚਰਚਾ ਕੀਤੇ ਗਏ ਸਮੱਗਰੀ [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਹਨ। ਇਸਦੇ ਨਾਲ, ਹਰ ਸੈਕਸ਼ਨ ਦੇ ਬਾਅਦ ਅਭਿਆਸ ਦਿੱਤੇ ਗਏ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਅਜ਼ਮਾਓ!
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/15)
+
+
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਿੰਗ ਲਈ ਤਿਆਰ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ ਅਤੇ ਡੇਟਾ ਨੂੰ ਸਾਫ ਕਰਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ ਜੋ "ਹੱਥ-ਅਨੁਭਵ" ਹੈ। Kaggle ਤੋਂ ਇਹ ਚੁਣੌਤੀਆਂ ਅਜ਼ਮਾਓ ਤਾਂ ਜੋ ਉਹ ਤਕਨੀਕਾਂ ਖੋਜ ਸਕੋ ਜੋ ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਨਹੀਂ ਕੀਤੀਆਂ ਗਈਆਂ।
+
+- [ਡੇਟਾ ਸਾਫ ਕਰਨ ਦੀ ਚੁਣੌਤੀ: ਤਾਰੀਖਾਂ ਨੂੰ ਪਾਰਸ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+
+- [ਡੇਟਾ ਸਾਫ ਕਰਨ ਦੀ ਚੁਣੌਤੀ: ਡੇਟਾ ਨੂੰ ਸਕੇਲ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਫਾਰਮ ਤੋਂ ਡੇਟਾ ਦਾ ਮੁਲਾਂਕਨ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਮੂਲ ਰੂਪ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/08-data-preparation/assignment.md b/translations/pa/2-Working-With-Data/08-data-preparation/assignment.md
new file mode 100644
index 00000000..98e45751
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/08-data-preparation/assignment.md
@@ -0,0 +1,28 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "f9d5a7275e046223fa6474477674b810",
+  "translation_date": "2025-08-27T16:49:56+00:00",
+  "source_file": "2-Working-With-Data/08-data-preparation/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਫਾਰਮ ਤੋਂ ਡਾਟਾ ਦਾ ਮੁਲਾਂਕਨ
+
+ਇੱਕ ਕਲਾਇੰਟ ਨੇ ਆਪਣੇ ਗਾਹਕਾਂ ਬਾਰੇ ਕੁਝ ਮੂਲ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਇੱਕ [ਛੋਟਾ ਫਾਰਮ](../../../../2-Working-With-Data/08-data-preparation/index.html) ਦੀ ਜਾਂਚ ਕੀਤੀ ਹੈ। ਉਹ ਆਪਣੇ ਨਤੀਜੇ ਤੁਹਾਡੇ ਕੋਲ ਲੈ ਕੇ ਆਏ ਹਨ ਤਾਂ ਕਿ ਤੁਸੀਂ ਇਕੱਠਾ ਕੀਤੇ ਡਾਟਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕੋ। ਤੁਸੀਂ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ `index.html` ਪੇਜ ਖੋਲ੍ਹ ਕੇ ਫਾਰਮ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।
+
+ਤੁਹਾਨੂੰ [csv ਰਿਕਾਰਡਾਂ ਦੇ ਡਾਟਾਸੈਟ](../../../../data/form.csv) ਦਿੱਤੇ ਗਏ ਹਨ ਜੋ ਫਾਰਮ ਤੋਂ ਐਂਟਰੀਆਂ ਅਤੇ ਕੁਝ ਮੂਲ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਕਲਾਇੰਟ ਨੇ ਇਸ਼ਾਰਾ ਕੀਤਾ ਕਿ ਕੁਝ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਗਲਤ ਲੱਗਦੇ ਹਨ ਪਰ ਉਹ ਇਹ ਸਮਝਣ ਵਿੱਚ ਅਸਮਰਥ ਹਨ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕੀਤਾ ਜਾਵੇ। ਤੁਸੀਂ ਇਸਨੂੰ [ਅਸਾਈਨਮੈਂਟ ਨੋਟਬੁੱਕ](assignment.ipynb) ਵਿੱਚ ਖੋਜ ਸਕਦੇ ਹੋ।
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਦਿੱਤੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਾਰਮ ਬਾਰੇ ਸਿਫਾਰਸ਼ਾਂ ਕਰੋ ਤਾਂ ਕਿ ਇਹ ਸਹੀ ਅਤੇ ਲਗਾਤਾਰ ਜਾਣਕਾਰੀ ਇਕੱਠਾ ਕਰ ਸਕੇ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | ---
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/2-Working-With-Data/README.md b/translations/pa/2-Working-With-Data/README.md
new file mode 100644
index 00000000..b0b90973
--- /dev/null
+++ b/translations/pa/2-Working-With-Data/README.md
@@ -0,0 +1,31 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "abc3309ab41bc5a7846f70ee1a055838",
+  "translation_date": "2025-08-27T16:41:13+00:00",
+  "source_file": "2-Working-With-Data/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
+
+![ਡਾਟਾ ਪਿਆਰ](../../../translated_images/data-love.a22ef29e6742c852505ada062920956d3d7604870b281a8ca7c7ac6f37381d5a.pa.jpg)
+> ਫੋਟੋ <a href="https://unsplash.com/@swimstaralex?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Alexander Sinn</a> ਦੁਆਰਾ <a href="https://unsplash.com/s/photos/data?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> 'ਤੇ
+  
+ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ, ਹੇਰਫੇਰ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਰਿਲੇਸ਼ਨਲ ਅਤੇ ਨਾਨ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ ਅਤੇ ਇਹ ਵੀ ਕਿ ਡਾਟਾ ਨੂੰ ਇਨ੍ਹਾਂ ਵਿੱਚ ਕਿਵੇਂ ਸਟੋਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ Python ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਮੁੱਢਲੇ ਸਿਧਾਂਤ ਸਿੱਖੋਗੇ ਅਤੇ ਇਹ ਵੀ ਪਤਾ ਲਗਾਓਗੇ ਕਿ Python ਨਾਲ ਡਾਟਾ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਅਤੇ ਖੋਜਣ ਦੇ ਕਈ ਤਰੀਕੇ ਕੀ ਹਨ। 
+
+### ਵਿਸ਼ੇ
+
+1. [ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ](05-relational-databases/README.md)
+2. [ਨਾਨ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ](06-non-relational/README.md)
+3. [Python ਨਾਲ ਕੰਮ ਕਰਨਾ](07-python/README.md)
+4. [ਡਾਟਾ ਤਿਆਰ ਕਰਨਾ](08-data-preparation/README.md)
+
+### ਸ਼੍ਰੇਯ
+
+ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ❤️ ਨਾਲ [Christopher Harrison](https://twitter.com/geektrainer), [Dmitry Soshnikov](https://twitter.com/shwars) ਅਤੇ [Jasmine Greenaway](https://twitter.com/paladique) ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/09-visualization-quantities/README.md b/translations/pa/3-Data-Visualization/09-visualization-quantities/README.md
new file mode 100644
index 00000000..4827444d
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/09-visualization-quantities/README.md
@@ -0,0 +1,209 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "43c402d9d90ae6da55d004519ada5033",
+  "translation_date": "2025-08-27T18:40:45+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/README.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਤਰਾ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਕਰਨਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| ਮਾਤਰਾ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਪਾਈਥਨ ਦੀਆਂ ਉਪਲਬਧ ਲਾਇਬ੍ਰੇਰੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਤਰਾ ਦੇ ਸੰਕਲਪ ਦੇ ਆਧਾਰ 'ਤੇ ਰੁਚਿਕਰ ਦ੍ਰਿਸ਼ਾਂ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਦੀ ਪੜਾਈ ਕਰੋਗੇ। ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਬਾਰੇ ਸਾਫ ਕੀਤੇ ਗਏ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਸਥਾਨਕ ਜੰਗਲੀ ਜੀਵਾਂ ਬਾਰੇ ਕਈ ਦਿਲਚਸਪ ਤੱਥ ਸਿੱਖ ਸਕਦੇ ਹੋ।  
+## [ਪਾਠ-ਪੂਰਵ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## Matplotlib ਨਾਲ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦਾ ਅਧਿਐਨ ਕਰੋ
+
+ਸਧਾਰਣ ਅਤੇ ਜਟਿਲ ਦੋਹਾਂ ਕਿਸਮਾਂ ਦੇ ਪਲਾਟ ਅਤੇ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਲਾਇਬ੍ਰੇਰੀ ਹੈ [Matplotlib](https://matplotlib.org/stable/index.html)। ਆਮ ਤੌਰ 'ਤੇ, ਇਨ੍ਹਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡੇਟਾ ਪਲਾਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ: ਆਪਣੇ ਡੇਟਾਫ੍ਰੇਮ ਦੇ ਉਹ ਹਿੱਸੇ ਪਛਾਣਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਉਸ ਡੇਟਾ 'ਤੇ ਜ਼ਰੂਰੀ ਤਬਦੀਲੀਆਂ ਕਰਨਾ, ਇਸ ਦੇ x ਅਤੇ y ਧੁਰੇ ਦੀਆਂ ਮੁੱਲਾਂ ਨਿਰਧਾਰਤ ਕਰਨਾ, ਦਿਖਾਉਣ ਲਈ ਚਾਰਟ ਦੀ ਕਿਸਮ ਚੁਣਨਾ, ਅਤੇ ਫਿਰ ਪਲਾਟ ਦਿਖਾਉਣਾ। Matplotlib ਕਈ ਕਿਸਮ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਪਰ ਇਸ ਪਾਠ ਲਈ, ਆਓ ਉਹਨਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੀਏ ਜੋ ਮਾਤਰਾ ਨੂੰ ਦਿਖਾਉਣ ਲਈ ਸਭ ਤੋਂ ਉਚਿਤ ਹਨ: ਲਾਈਨ ਚਾਰਟ, ਸਕੈਟਰਪਲਾਟ, ਅਤੇ ਬਾਰ ਪਲਾਟ।
+
+> ✅ ਆਪਣੇ ਡੇਟਾ ਦੀ ਬਣਤਰ ਅਤੇ ਕਹਾਣੀ ਨੂੰ ਦੱਸਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰੋ।  
+> - ਸਮੇਂ ਦੇ ਨਾਲ ਰੁਝਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ: ਲਾਈਨ  
+> - ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ: ਬਾਰ, ਕਾਲਮ, ਪਾਈ, ਸਕੈਟਰਪਲਾਟ  
+> - ਦਿਖਾਉਣ ਲਈ ਕਿ ਹਿੱਸੇ ਪੂਰੇ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਨ: ਪਾਈ  
+> - ਡੇਟਾ ਦੇ ਵੰਡਨ ਨੂੰ ਦਿਖਾਉਣ ਲਈ: ਸਕੈਟਰਪਲਾਟ, ਬਾਰ  
+> - ਰੁਝਾਨ ਦਿਖਾਉਣ ਲਈ: ਲਾਈਨ, ਕਾਲਮ  
+> - ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ ਦਿਖਾਉਣ ਲਈ: ਲਾਈਨ, ਸਕੈਟਰਪਲਾਟ, ਬਬਲ  
+
+ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਡੇਟਾਸੈੱਟ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਪਤਾ ਲਗਾਉਣਾ ਹੈ ਕਿ ਕਿਸੇ ਦਿੱਤੇ ਗਏ ਆਈਟਮ ਦੀ ਮਾਤਰਾ ਕਿੰਨੀ ਹੈ, ਤਾਂ ਤੁਹਾਡਾ ਪਹਿਲਾ ਕੰਮ ਇਸ ਦੀਆਂ ਮੁੱਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਹੋਵੇਗਾ।  
+
+✅ Matplotlib ਲਈ ਬਹੁਤ ਵਧੀਆ 'ਚੀਟ ਸ਼ੀਟ' [ਇੱਥੇ](https://matplotlib.org/cheatsheets/cheatsheets.pdf) ਉਪਲਬਧ ਹਨ।
+
+## ਪੰਛੀਆਂ ਦੇ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਬਾਰੇ ਲਾਈਨ ਪਲਾਟ ਬਣਾਓ
+
+ਪਾਠ ਫੋਲਡਰ ਦੇ ਰੂਟ ਵਿੱਚ `notebook.ipynb` ਫਾਈਲ ਖੋਲ੍ਹੋ ਅਤੇ ਇੱਕ ਸੈੱਲ ਸ਼ਾਮਲ ਕਰੋ।  
+
+> ਨੋਟ: ਡੇਟਾ ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਦੇ ਰੂਟ ਵਿੱਚ `/data` ਫੋਲਡਰ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।  
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```  
+ਇਹ ਡੇਟਾ ਪਾਠ ਅਤੇ ਅੰਕਾਂ ਦਾ ਮਿਸ਼ਰਣ ਹੈ:  
+
+|      | Name                         | ScientificName         | Category              | Order        | Family   | Genus       | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous whistling-duck       | Dendrocygna bicolor    | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snow goose                   | Anser caerulescens     | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross's goose                 | Anser rossii           | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Greater white-fronted goose  | Anser albifrons        | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+ਆਓ ਕੁਝ ਅੰਕਗਣਿਤ ਡੇਟਾ ਨੂੰ ਇੱਕ ਬੁਨਿਆਦੀ ਲਾਈਨ ਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਲਾਟ ਕਰੀਏ। ਮੰਨੋ ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਦਿਲਚਸਪ ਪੰਛੀਆਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ।  
+
+```python
+wingspan = birds['MaxWingspan'] 
+wingspan.plot()
+```  
+![ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ](../../../../translated_images/max-wingspan-02.e79fd847b2640b89e21e340a3a9f4c5d4b224c4fcd65f54385e84f1c9ed26d52.pa.png)  
+
+ਤੁਰੰਤ ਕੀ ਨਜ਼ਰ ਆਉਂਦਾ ਹੈ? ਘੱਟੋ-ਘੱਟ ਇੱਕ ਆਉਟਲਾਇਰ ਹੈ - ਇਹ ਕਾਫ਼ੀ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਹੈ! 2300 ਸੈਂਟੀਮੀਟਰ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ 23 ਮੀਟਰ ਦੇ ਬਰਾਬਰ ਹੈ - ਕੀ ਮਿਨੇਸੋਟਾ ਵਿੱਚ ਪਟੇਰੋਡੈਕਟਿਲ ਉੱਡ ਰਹੇ ਹਨ? ਆਓ ਜਾਂਚ ਕਰੀਏ।  
+
+ਹਾਲਾਂਕਿ ਤੁਸੀਂ Excel ਵਿੱਚ ਇੱਕ ਤੇਜ਼ ਸੌਰਟ ਕਰਕੇ ਉਹ ਆਉਟਲਾਇਰ ਲੱਭ ਸਕਦੇ ਹੋ, ਜੋ ਸ਼ਾਇਦ ਟਾਈਪੋਜ਼ ਹਨ, ਪਲਾਟ ਦੇ ਅੰਦਰੋਂ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਜਾਰੀ ਰੱਖੋ।  
+
+x-ਅਕਸ 'ਤੇ ਲੇਬਲ ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਦਿਖਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜੇ ਕਿਸਮ ਦੇ ਪੰਛੀ ਗੱਲ ਕਰ ਰਹੇ ਹਨ:  
+
+```
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.xticks(rotation=45)
+x = birds['Name'] 
+y = birds['MaxWingspan']
+
+plt.plot(x, y)
+
+plt.show()
+```  
+![ਲੇਬਲ ਨਾਲ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ](../../../../translated_images/max-wingspan-labels-02.aa90e826ca49a9d1dde78075e9755c1849ef56a4e9ec60f7e9f3806daf9283e2.pa.png)  
+
+45 ਡਿਗਰੀ 'ਤੇ ਲੇਬਲਾਂ ਦੇ ਘੁੰਮਣ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਪੜ੍ਹਨ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ। ਆਓ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਅਜ਼ਮਾਈਏ: ਸਿਰਫ ਉਹਨਾਂ ਆਉਟਲਾਇਰਾਂ ਨੂੰ ਲੇਬਲ ਕਰੋ ਅਤੇ ਚਾਰਟ ਦੇ ਅੰਦਰ ਲੇਬਲ ਸੈੱਟ ਕਰੋ। ਤੁਸੀਂ ਲੇਬਲਿੰਗ ਲਈ ਹੋਰ ਜਗ੍ਹਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਕੈਟਰ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ:  
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    plt.plot(x, y, 'bo')
+    if birds['MaxWingspan'][i] > 500:
+        plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
+    
+plt.show()
+```  
+ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ? ਤੁਸੀਂ `tick_params` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੇਠਾਂ ਦੇ ਲੇਬਲਾਂ ਨੂੰ ਲੁਕਾਇਆ ਅਤੇ ਫਿਰ ਆਪਣੇ ਪੰਛੀਆਂ ਦੇ ਡੇਟਾਸੈੱਟ 'ਤੇ ਇੱਕ ਲੂਪ ਬਣਾਇਆ। `bo` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਛੋਟੇ ਨੀਲੇ ਗੋਲ ਡਾਟਾਂ ਨਾਲ ਚਾਰਟ ਪਲਾਟ ਕਰਦੇ ਹੋਏ, ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਪੰਛੀ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਿਸ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ 500 ਤੋਂ ਵੱਧ ਸੀ ਅਤੇ ਜੇਕਰ ਹੋਵੇ ਤਾਂ ਡਾਟ ਦੇ ਕੋਲ ਉਸ ਦਾ ਲੇਬਲ ਦਿਖਾਇਆ। ਤੁਸੀਂ y-ਅਕਸ 'ਤੇ ਲੇਬਲਾਂ ਨੂੰ ਥੋੜ੍ਹਾ ਜਿਹਾ ਹਟਾਇਆ (`y * (1 - 0.05)`) ਅਤੇ ਪੰਛੀ ਦੇ ਨਾਮ ਨੂੰ ਲੇਬਲ ਵਜੋਂ ਵਰਤਿਆ।  
+
+ਤੁਸੀਂ ਕੀ ਪਤਾ ਲਗਾਇਆ?  
+
+![ਆਉਟਲਾਇਰ](../../../../translated_images/labeled-wingspan-02.6110e2d2401cd5238ccc24dfb6d04a6c19436101f6cec151e3992e719f9f1e1f.pa.png)  
+## ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਫਿਲਟਰ ਕਰੋ  
+
+ਬਾਲਡ ਈਗਲ ਅਤੇ ਪ੍ਰੇਰੀ ਫਾਲਕਨ, ਹਾਲਾਂਕਿ ਸ਼ਾਇਦ ਬਹੁਤ ਵੱਡੇ ਪੰਛੀ ਹਨ, ਪਰ ਉਹ ਗਲਤ ਲੇਬਲ ਕੀਤੇ ਹੋਏ ਲੱਗਦੇ ਹਨ, ਉਨ੍ਹਾਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਵਿੱਚ ਇੱਕ ਵਾਧੂ `0` ਸ਼ਾਮਲ ਹੈ। ਇਹ ਸੰਭਾਵਨਾ ਘੱਟ ਹੈ ਕਿ ਤੁਸੀਂ 25 ਮੀਟਰ ਪੰਖਾਂ ਵਾਲੇ ਬਾਲਡ ਈਗਲ ਨੂੰ ਮਿਲੋਗੇ, ਪਰ ਜੇਕਰ ਮਿਲੇ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਦੱਸੋ! ਆਓ ਇੱਕ ਨਵਾਂ ਡੇਟਾਫ੍ਰੇਮ ਬਣਾਈਏ ਜਿਸ ਵਿੱਚ ਉਹ ਦੋ ਆਉਟਲਾਇਰ ਸ਼ਾਮਲ ਨਾ ਹੋਣ:  
+
+```python
+plt.title('Max Wingspan in Centimeters')
+plt.ylabel('Wingspan (CM)')
+plt.xlabel('Birds')
+plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
+for i in range(len(birds)):
+    x = birds['Name'][i]
+    y = birds['MaxWingspan'][i]
+    if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
+        plt.plot(x, y, 'bo')
+plt.show()
+```  
+
+ਆਉਟਲਾਇਰਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਕੇ, ਹੁਣ ਤੁਹਾਡਾ ਡੇਟਾ ਹੋਰ ਸੰਗਠਿਤ ਅਤੇ ਸਮਝਣਯੋਗ ਹੈ।  
+
+![ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦਾ ਸਕੈਟਰਪਲਾਟ](../../../../translated_images/scatterplot-wingspan-02.1c33790094ce36a75f5fb45b25ed2cf27f0356ea609e43c11e97a2cedd7011a4.pa.png)  
+
+ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇ ਹਿੱਸੇ ਵਿੱਚ ਇੱਕ ਸਾਫ਼ ਡੇਟਾਸੈੱਟ ਹੈ, ਆਓ ਇਹਨਾਂ ਪੰਛੀਆਂ ਬਾਰੇ ਹੋਰ ਪਤਾ ਲਗਾਈਏ।  
+
+ਜਦੋਂ ਕਿ ਲਾਈਨ ਅਤੇ ਸਕੈਟਰ ਪਲਾਟ ਡੇਟਾ ਮੁੱਲਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵੰਡਨ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਅਸੀਂ ਇਸ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਤੁਸੀਂ ਮਾਤਰਾ ਬਾਰੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਦ੍ਰਿਸ਼ਾਂ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ:  
+
+> ਪੰਛੀਆਂ ਦੀਆਂ ਕਿੰਨੀ ਸ਼੍ਰੇਣੀਆਂ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਗਿਣਤੀ ਕੀ ਹੈ?  
+> ਕਿੰਨੇ ਪੰਛੀ ਲੁਪਤ, ਖਤਰੇ ਵਿੱਚ, ਦੁਲਭ ਜਾਂ ਆਮ ਹਨ?  
+> ਲਿਨੇਅਸ ਦੀ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਜ਼ਨਸ ਅਤੇ ਆਰਡਰਾਂ ਦੀ ਗਿਣਤੀ ਕਿੰਨੀ ਹੈ?  
+## ਬਾਰ ਚਾਰਟ ਦੀ ਪੜਚੋਲ ਕਰੋ  
+
+ਜਦੋਂ ਤੁਹਾਨੂੰ ਡੇਟਾ ਦੇ ਸਮੂਹ ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਬਾਰ ਚਾਰਟ ਵਿਹਾਰਕ ਹੁੰਦੇ ਹਨ। ਆਓ ਇਸ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਪੰਛੀਆਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਪੜਚੋਲ ਕਰੀਏ ਤਾਂ ਜੋ ਵੇਖ ਸਕੀਏ ਕਿ ਕਿਹੜੀ ਸਭ ਤੋਂ ਆਮ ਹੈ।  
+
+ਨੋਟਬੁੱਕ ਫਾਈਲ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਬਾਰ ਚਾਰਟ ਬਣਾਓ  
+
+✅ ਨੋਟ, ਤੁਸੀਂ ਪਿਛਲੇ ਭਾਗ ਵਿੱਚ ਪਛਾਣੇ ਗਏ ਦੋ ਆਉਟਲਾਇਰ ਪੰਛੀਆਂ ਨੂੰ ਫਿਲਟਰ ਕਰ ਸਕਦੇ ਹੋ, ਉਨ੍ਹਾਂ ਦੀ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਵਿੱਚ ਟਾਈਪੋ ਨੂੰ ਸੋਧ ਸਕਦੇ ਹੋ, ਜਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਇਨ੍ਹਾਂ ਅਭਿਆਸਾਂ ਲਈ ਛੱਡ ਸਕਦੇ ਹੋ ਜੋ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇ ਮੁੱਲਾਂ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੇ।  
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਬਾਰ ਚਾਰਟ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਉਸ ਡੇਟਾ ਨੂੰ ਚੁਣ ਸਕਦੇ ਹੋ ਜਿਸ 'ਤੇ ਤੁਸੀਂ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਬਾਰ ਚਾਰਟ ਕੱਚੇ ਡੇਟਾ ਤੋਂ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ:  
+
+```python
+birds.plot(x='Category',
+        kind='bar',
+        stacked=True,
+        title='Birds of Minnesota')
+
+```  
+![ਪੂਰੇ ਡੇਟਾ ਨੂੰ ਬਾਰ ਚਾਰਟ ਵਜੋਂ](../../../../translated_images/full-data-bar-02.aaa3fda71c63ed564b917841a1886c177dd9a26424142e510c0c0498fd6ca160.pa.png)  
+
+ਪਰ ਇਹ ਬਾਰ ਚਾਰਟ ਪੜ੍ਹਨ ਯੋਗ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੈਰ-ਸਮੂਹਬੱਧ ਡੇਟਾ ਹੈ। ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਉਸ ਡੇਟਾ ਨੂੰ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਪਲਾਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਇਸ ਲਈ ਆਓ ਪੰਛੀਆਂ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਆਧਾਰ 'ਤੇ ਉਨ੍ਹਾਂ ਦੀ ਲੰਬਾਈ ਦੇਖੀਏ।  
+
+ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਿਰਫ਼ ਪੰਛੀਆਂ ਦੀ ਸ਼੍ਰੇਣੀ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਫਿਲਟਰ ਕਰੋ।  
+
+✅ ਧਿਆਨ ਦਿਓ ਕਿ ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ Pandas ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਅਤੇ ਫਿਰ ਚਾਰਟਿੰਗ ਲਈ Matplotlib ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ।  
+
+ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਹਨ, ਤੁਸੀਂ ਇਸ ਚਾਰਟ ਨੂੰ ਖੜ੍ਹਾ ਦਿਖਾ ਸਕਦੇ ਹੋ ਅਤੇ ਸਾਰੇ ਡੇਟਾ ਲਈ ਇਸ ਦੀ ਉਚਾਈ ਨੂੰ ਠੀਕ ਕਰ ਸਕਦੇ ਹੋ:  
+
+```python
+category_count = birds.value_counts(birds['Category'].values, sort=True)
+plt.rcParams['figure.figsize'] = [6, 12]
+category_count.plot.barh()
+```  
+![ਸ਼੍ਰੇਣੀ ਅਤੇ ਲੰਬਾਈ](../../../../translated_images/category-counts-02.0b9a0a4de42275ae5096d0f8da590d8bf520d9e7e40aad5cc4fc8d276480cc32.pa.png)  
+
+ਇਹ ਬਾਰ ਚਾਰਟ ਪੰਛੀਆਂ ਦੀ ਹਰ ਸ਼੍ਰੇਣੀ ਦੀ ਗਿਣਤੀ ਦਾ ਇੱਕ ਵਧੀਆ ਦ੍ਰਿਸ਼ ਦਿਖਾਉਂਦਾ ਹੈ। ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਪੰਛੀ Ducks/Geese/Waterfowl ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹਨ। ਮਿਨੇਸੋਟਾ 'ਦਸ ਹਜ਼ਾਰ ਝੀਲਾਂ ਦੀ ਧਰਤੀ' ਹੈ, ਇਸ ਲਈ ਇਹ ਹੈਰਾਨੀਜਨਕ ਨਹੀਂ ਹੈ!  
+
+✅ ਇਸ ਡੇਟਾਸੈੱਟ 'ਤੇ ਕੁਝ ਹੋਰ ਗਿਣਤੀਆਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਕੀ ਕੁਝ ਤੁਹਾਨੂੰ ਹੈਰਾਨ ਕਰਦਾ ਹੈ?  
+
+## ਡੇਟਾ ਦੀ ਤੁਲਨਾ  
+
+ਤੁਸੀਂ ਨਵੀਆਂ ਧੁਰਾਂ ਬਣਾਕੇ ਸਮੂਹਬੱਧ ਡੇਟਾ ਦੀ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹੋ। ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਆਧਾਰ 'ਤੇ ਪੰਛੀ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦੀ ਤੁਲਨਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ:  
+
+```python
+maxlength = birds['MaxLength']
+plt.barh(y=birds['Category'], width=maxlength)
+plt.rcParams['figure.figsize'] = [6, 12]
+plt.show()
+```  
+![ਡੇਟਾ ਦੀ ਤੁਲਨਾ](../../../../translated_images/category-length-02.7304bf519375c9807d8165cc7ec60dd2a60f7b365b23098538e287d89adb7d76.pa.png)  
+
+ਇੱਥੇ ਕੁਝ ਵੀ ਹੈਰਾਨੀਜਨਕ ਨਹੀਂ ਹੈ: ਹਮਿੰਗਬਰਡ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਪੈਲਿਕਨ ਜਾਂ ਗੀਸ ਨਾਲੋਂ ਘੱਟ ਹੈ। ਇਹ ਚੰਗਾ ਹੈ ਜਦੋਂ ਡੇਟਾ ਤਰਕਸੰਗਤ ਲੱਗਦਾ ਹੈ!  
+
+ਤੁਸੀਂ ਬਾਰ ਚਾਰਟ ਦੇ ਹੋਰ ਦਿਲਚਸਪ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਲਈ ਡੇਟਾ ਨੂੰ ਓਵਰਲੇਪ ਕਰ ਸਕਦੇ ਹੋ। ਆਓ ਇੱਕ ਦਿੱਤੀ ਗਈ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ 'ਤੇ ਘੱਟੋ-ਘੱਟ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਨੂੰ ਓਵਰਲੇਪ ਕਰੀਏ:  
+
+```python
+minLength = birds['MinLength']
+maxLength = birds['MaxLength']
+category = birds['Category']
+
+plt.barh(category, maxLength)
+plt.barh(category, minLength)
+
+plt.show()
+```  
+ਇਸ ਪਲਾਟ ਵਿੱਚ, ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦੀ ਸ਼੍ਰੇਣੀ ਨੂੰ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਆਧਾਰ 'ਤੇ ਵੇਖ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਕਹਿ ਸਕਦੇ ਹੋ ਕਿ, ਇਸ ਡੇਟਾ ਦੇ ਅਨੁਸਾਰ, ਜਿੰਨਾ ਵੱਡਾ ਪੰਛੀ, ਉਸ ਦੀ ਲੰਬਾਈ ਦੀ ਸ਼੍ਰੇਣੀ ਉਤਨੀ ਹੀ ਵੱਡੀ। ਦਿਲਚਸਪ!  
+
+![ਓਵਰਲੇਪ ਕੀਤੇ ਮੁੱਲ](../../../../translated_images/superimposed-02.f03058536baeb2ed7864f01102538464d4c2fd7ade881ddd7d5ba74dc5d2fdae.pa.png)  
+
+## 🚀 ਚੁਣੌਤੀ  
+
+ਇਹ ਪੰਛੀ ਡੇਟਾਸੈੱਟ ਕਿਸੇ ਖਾਸ ਪਰਿਸਥਿਤਿਕ ਤੰਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਪੰ
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/09-visualization-quantities/assignment.md b/translations/pa/3-Data-Visualization/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..47b66619
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ad163c4fda72c8278280b61cad317ff4",
+  "translation_date": "2025-08-27T18:42:28+00:00",
+  "source_file": "3-Data-Visualization/09-visualization-quantities/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਲਾਈਨ, ਸਕੈਟਰ ਅਤੇ ਬਾਰ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਲਾਈਨ ਚਾਰਟ, ਸਕੈਟਰਪਲਾਟ ਅਤੇ ਬਾਰ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਡੇਟਾਸੈਟ ਬਾਰੇ ਦਿਲਚਸਪ ਤੱਥ ਦਿਖਾਏ। ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਡੇਟਾਸੈਟ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਦਿੱਤੇ ਗਏ ਪੰਛੀ ਦੀ ਕਿਸਮ ਬਾਰੇ ਕੋਈ ਤੱਥ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ। ਉਦਾਹਰਣ ਵਜੋਂ, ਸਾਰੇ ਦਿਲਚਸਪ ਡੇਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਵਾਲਾ ਇੱਕ ਨੋਟਬੁੱਕ ਬਣਾਓ ਜੋ ਤੁਸੀਂ Snow Geese ਬਾਰੇ ਖੋਜ ਸਕਦੇ ਹੋ। ਆਪਣੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਕਹਾਣੀ ਸੁਣਾਉਣ ਲਈ ਉਪਰੋਕਤ ਤਿੰਨ ਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਨੋਟਬੁੱਕ ਚੰਗੀਆਂ ਟਿੱਪਣੀਆਂ, ਮਜ਼ਬੂਤ ਕਹਾਣੀ ਸੁਣਾਉਣ ਅਤੇ ਆਕਰਸ਼ਕ ਗ੍ਰਾਫਾਂ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ | ਨੋਟਬੁੱਕ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਘਾਟ ਹੈ | ਨੋਟਬੁੱਕ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਦੋ ਦੀ ਘਾਟ ਹੈ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।  
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/10-visualization-distributions/README.md b/translations/pa/3-Data-Visualization/10-visualization-distributions/README.md
new file mode 100644
index 00000000..44f96ef1
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/10-visualization-distributions/README.md
@@ -0,0 +1,207 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87faccac113d772551486a67a607153e",
+  "translation_date": "2025-08-27T18:17:34+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਵੱਲੋਂ ਸਕੈਚਨੋਟ ](../../sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਵੱਲੋਂ ਸਕੈਚਨੋਟ_ |
+
+ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਦੇ ਡਾਟਾਸੈੱਟ ਬਾਰੇ ਕੁਝ ਦਿਲਚਸਪ ਤੱਥ ਸਿੱਖੇ। ਤੁਸੀਂ ਆਊਟਲਾਇਅਰਜ਼ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਕੇ ਗਲਤ ਡਾਟਾ ਲੱਭਿਆ ਅਤੇ ਵੱਖ-ਵੱਖ ਪੰਛੀ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦੇ ਅਧਾਰ 'ਤੇ ਅੰਤਰ ਵੇਖੇ।
+
+## [ਪਾਠ-ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## ਪੰਛੀਆਂ ਦੇ ਡਾਟਾਸੈੱਟ ਦੀ ਪੜਚੋਲ ਕਰੋ
+
+ਡਾਟਾ ਵਿੱਚ ਖੋਜ ਕਰਨ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਡਿਸਟ੍ਰਿਬਿਊਟ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਾਂ ਕਿਵੇਂ ਡਾਟਾ ਇੱਕ ਧੁਰੇ ਦੇ ਨਾਲ ਸੰਗਠਿਤ ਹੈ। ਸ਼ਾਇਦ, ਉਦਾਹਰਣ ਵਜੋਂ, ਤੁਸੀਂ ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ ਜਾਂ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੇ ਆਮ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ।
+
+ਆਓ ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਡਾਟਾ ਦੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਬਾਰੇ ਕੁਝ ਤੱਥ ਪਤਾ ਕਰੀਏ। ਇਸ ਪਾਠ ਫੋਲਡਰ ਦੇ ਮੁੱਖ _notebook.ipynb_ ਫਾਈਲ ਵਿੱਚ, Pandas, Matplotlib, ਅਤੇ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਇੰਪੋਰਟ ਕਰੋ:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+birds = pd.read_csv('../../data/birds.csv')
+birds.head()
+```
+
+|      | ਨਾਮ                          | ਵਿਗਿਆਨਕ ਨਾਮ           | ਸ਼੍ਰੇਣੀ               | ਆਰਡਰ        | ਪਰਿਵਾਰ   | ਜਨਸ       | ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ | ਘੱਟੋ-ਘੱਟ ਲੰਬਾਈ | ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ | ਘੱਟੋ-ਘੱਟ ਸਰੀਰਕ ਭਾਰ | ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ | ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ | ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ਬਲੈਕ-ਬੈਲੀਡ ਵਿਸਲਿੰਗ-ਡੱਕ     | Dendrocygna autumnalis | ਬਤਖਾਂ/ਹੰਸ/ਜਲਪੰਛੀ     | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | ਫੁਲਵਸ ਵਿਸਲਿੰਗ-ਡੱਕ           | Dendrocygna bicolor    | ਬਤਖਾਂ/ਹੰਸ/ਜਲਪੰਛੀ     | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | ਸਨੋ ਗੂਜ਼                    | Anser caerulescens     | ਬਤਖਾਂ/ਹੰਸ/ਜਲਪੰਛੀ     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | ਰੌਸ ਦਾ ਗੂਜ਼                  | Anser rossii           | ਬਤਖਾਂ/ਹੰਸ/ਜਲਪੰਛੀ     | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ਗ੍ਰੇਟਰ ਵਾਈਟ-ਫਰੰਟਡ ਗੂਜ਼     | Anser albifrons        | ਬਤਖਾਂ/ਹੰਸ/ਜਲਪੰਛੀ     | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਵਰਤੇ ਗਏ ਸਕੈਟਰ ਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਦੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਦੇਖ ਸਕਦੇ ਹੋ:
+
+```python
+birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))
+
+plt.title('Max Length per Order')
+plt.ylabel('Order')
+plt.xlabel('Max Length')
+
+plt.show()
+```
+![ਆਰਡਰ ਪ੍ਰਤੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ](../../../../translated_images/scatter-wb.9d98b0ed7f0388af979441853361a11df5f518f5307938a503ca7913e986111b.pa.png)
+
+ਇਹ ਪੰਛੀ ਦੇ ਆਰਡਰ ਪ੍ਰਤੀ ਸਰੀਰਕ ਲੰਬਾਈ ਦੇ ਆਮ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਦਾ ਝਲਕ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਹ ਸੱਚੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਨਹੀਂ ਹੈ। ਇਹ ਕੰਮ ਆਮ ਤੌਰ 'ਤੇ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+## ਹਿਸਟੋਗ੍ਰਾਮ ਨਾਲ ਕੰਮ ਕਰਨਾ
+
+Matplotlib ਹਿਸਟੋਗ੍ਰਾਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਦੇ ਬਹੁਤ ਵਧੀਆ ਤਰੀਕੇ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਚਾਰਟ ਇੱਕ ਬਾਰ ਚਾਰਟ ਵਾਂਗ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਬਾਰਾਂ ਦੇ ਉਤਾਰ-ਚੜ੍ਹਾਅ ਰਾਹੀਂ ਵੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਚਾਰਟ ਨੂੰ 'hist' ਕਿਸਮ ਦੇ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਕੇ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਚਾਰਟ ਪੂਰੇ ਡਾਟਾਸੈੱਟ ਦੀ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਦੀ ਰੇਂਜ ਲਈ MaxBodyMass ਦੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਡਾਟਾ ਦੇ ਐਰੇ ਨੂੰ ਛੋਟੇ ਬਿਨਜ਼ ਵਿੱਚ ਵੰਡ ਕੇ, ਇਹ ਡਾਟਾ ਦੇ ਮੁੱਲਾਂ ਦੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
+plt.show()
+```
+![ਪੂਰੇ ਡਾਟਾਸੈੱਟ 'ਤੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ](../../../../translated_images/dist1-wb.0d0cac82e2974fbbec635826fefead401af795f82e2279e2e2678bf2c117d827.pa.png)
+
+ਜਿਵੇਂ ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ, ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ 400+ ਪੰਛੀਆਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਦਾ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ 2000 ਤੋਂ ਘੱਟ ਹੈ। `bins` ਪੈਰਾਮੀਟਰ ਨੂੰ ਵਧੇਰੇ ਸੰਖਿਆ, ਜਿਵੇਂ ਕਿ 30, 'ਤੇ ਬਦਲ ਕੇ ਡਾਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰੋ:
+
+```python
+birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
+plt.show()
+```
+![ਵੱਡੇ ਬਿਨਜ਼ ਪੈਰਾਮੀਟਰ ਨਾਲ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ](../../../../translated_images/dist2-wb.2c0a7a3499b2fbf561e9f93b69f265dfc538dc78f6de15088ba84a88152e26ba.pa.png)
+
+ਇਹ ਚਾਰਟ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਦਰਸਾਉਂਦਾ ਹੈ। ਇੱਕ ਚਾਰਟ ਜੋ ਵੱਧ ਖੱਬੇ ਪਾਸੇ ਝੁਕਿਆ ਹੋਇਆ ਨਹੀਂ ਹੈ, ਉਹ ਇਸ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਦਿੱਤੇ ਗਏ ਰੇਂਜ ਦੇ ਅੰਦਰ ਡਾਟਾ ਚੁਣਦੇ ਹੋ:
+
+ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਫਿਲਟਰ ਕਰੋ ਤਾਂ ਜੋ ਸਿਰਫ਼ ਉਹ ਪੰਛੀ ਮਿਲਣ ਜਿਨ੍ਹਾਂ ਦਾ ਸਰੀਰਕ ਭਾਰ 60 ਤੋਂ ਘੱਟ ਹੈ, ਅਤੇ 40 `bins` ਦਿਖਾਓ:
+
+```python
+filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
+filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
+plt.show()     
+```
+![ਫਿਲਟਰ ਕੀਤਾ ਹਿਸਟੋਗ੍ਰਾਮ](../../../../translated_images/dist3-wb.64b88db7f9780200bd486a2c2a3252548dd439672dbd3f778193db7f654b100c.pa.png)
+
+✅ ਕੁਝ ਹੋਰ ਫਿਲਟਰ ਅਤੇ ਡਾਟਾ ਪੌਇੰਟਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਡਾਟਾ ਦੇ ਪੂਰੇ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਨੂੰ ਵੇਖਣ ਲਈ, `['MaxBodyMass']` ਫਿਲਟਰ ਨੂੰ ਹਟਾਓ ਤਾਂ ਜੋ ਲੇਬਲਡ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਦਿਖਾਏ ਜਾ ਸਕਣ।
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਵਿੱਚ ਕੁਝ ਵਧੀਆ ਰੰਗ ਅਤੇ ਲੇਬਲਿੰਗ ਸੁਧਾਰ ਵੀ ਹਨ ਜੋ ਤੁਸੀਂ ਅਜ਼ਮਾਉਣ ਲਈ ਕਰ ਸਕਦੇ ਹੋ:
+
+ਦੋ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਦੇ ਰਿਸ਼ਤੇ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ 2D ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਓ। ਆਓ `MaxBodyMass` ਅਤੇ `MaxLength` ਦੀ ਤੁਲਨਾ ਕਰੀਏ। Matplotlib ਇੱਕ ਅੰਦਰੂਨੀ ਤਰੀਕਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਚਮਕਦਾਰ ਰੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਮਿਲਨ ਦਿਖਾਉਂਦਾ ਹੈ:
+
+```python
+x = filteredBirds['MaxBodyMass']
+y = filteredBirds['MaxLength']
+
+fig, ax = plt.subplots(tight_layout=True)
+hist = ax.hist2d(x, y)
+```
+ਇਹ ਦੋ ਤੱਤਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਉਮੀਦ ਕੀਤੀ ਗਈ ਧੁਰੇ ਦੇ ਨਾਲ ਸੰਬੰਧ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਖਾਸ ਤਾਕਤਵਰ ਸੰਮਿਲਨ ਬਿੰਦੂ ਹੈ:
+
+![2D ਪਲਾਟ](../../../../translated_images/2D-wb.ae22fdd33936507a41e3af22e11e4903b04a9be973b23a4e05214efaccfd66c8.pa.png)
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਆਮ ਤੌਰ 'ਤੇ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਲਈ ਚੰਗੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਪਾਠ-ਅਧਾਰਿਤ ਡਾਟਾ ਦੇ ਅਨੁਸਾਰ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਵੇਖਣ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? 
+## ਪਾਠ-ਅਧਾਰਿਤ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾਸੈੱਟ ਦੀ ਪੜਚੋਲ ਕਰੋ 
+
+ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਅਤੇ ਇਸ ਦੇ ਜਨਸ, ਪ੍ਰਜਾਤੀ, ਅਤੇ ਪਰਿਵਾਰ ਦੇ ਨਾਲ-ਨਾਲ ਇਸ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਬਾਰੇ ਵੀ ਚੰਗੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੈ। ਆਓ ਇਸ ਸੰਰਕਸ਼ਣ ਜਾਣਕਾਰੀ ਵਿੱਚ ਖੋਜ ਕਰੀਏ। ਪੰਛੀਆਂ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਕੀ ਹੈ?
+
+> ✅ ਡਾਟਾਸੈੱਟ ਵਿੱਚ, ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਨੂੰ ਵੇਰਵਾ ਕਰਨ ਲਈ ਕਈ ਸੰਖੇਪ ਸ਼ਬਦ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਸੰਖੇਪ ਸ਼ਬਦ [IUCN ਰੈੱਡ ਲਿਸਟ ਸ਼੍ਰੇਣੀਆਂ](https://www.iucnredlist.org/) ਤੋਂ ਆਉਂਦੇ ਹਨ, ਜੋ ਪ੍ਰਜਾਤੀਆਂ ਦੀ ਸਥਿਤੀ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦੀ ਹੈ।
+> 
+> - CR: ਗੰਭੀਰ ਖਤਰੇ ਵਿੱਚ
+> - EN: ਖਤਰੇ ਵਿੱਚ
+> - EX: ਲੁਪਤ
+> - LC: ਘੱਟ ਚਿੰਤਾ
+> - NT: ਖਤਰੇ ਦੇ ਨੇੜੇ
+> - VU: ਸੰਵੇਦਨਸ਼ੀਲ
+
+ਇਹ ਪਾਠ-ਅਧਾਰਿਤ ਮੁੱਲ ਹਨ ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ ਇੱਕ ਰੂਪਾਂਤਰ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਫਿਲਟਰ ਕੀਤਾ ਡਾਟਾਫ੍ਰੇਮ ਵਰਤ ਕੇ, ਇਸ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ ਦੇ ਨਾਲ ਦਿਖਾਓ। ਤੁਹਾਨੂੰ ਕੀ ਦਿਖਦਾ ਹੈ?
+
+```python
+x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
+x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
+x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
+x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
+x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
+x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']
+
+kwargs = dict(alpha=0.5, bins=20)
+
+plt.hist(x1, **kwargs, color='red', label='Extinct')
+plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
+plt.hist(x3, **kwargs, color='yellow', label='Endangered')
+plt.hist(x4, **kwargs, color='green', label='Near Threatened')
+plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
+plt.hist(x6, **kwargs, color='gray', label='Least Concern')
+
+plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
+plt.legend();
+```
+
+![ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ ਅਤੇ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਦੀ ਤੁਲਨਾ](../../../../translated_images/histogram-conservation-wb.3c40450eb072c14de7a1a3ec5c0fcba4995531024760741b392911b567fd8b70.pa.png)
+
+ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ ਅਤੇ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਦੇ ਵਿਚਕਾਰ ਕੋਈ ਵਧੀਆ ਸੰਬੰਧ ਨਹੀਂ ਲੱਗਦਾ। ਇਸ ਤਰੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾਸੈੱਟ ਦੇ ਹੋਰ ਤੱਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਫਿਲਟਰਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਕਰ ਸਕਦੇ ਹੋ। ਕੀ ਤੁਹਾਨੂੰ ਕੋਈ ਸੰਬੰਧ ਮਿਲਦਾ ਹੈ?
+
+## ਡੈਂਸਿਟੀ ਪਲਾਟਸ
+
+ਤੁਸੀਂ ਸ਼ਾਇਦ ਨੋਟ ਕੀਤਾ ਹੋਵੇਗਾ ਕਿ ਅਸੀਂ ਹੁਣ ਤੱਕ ਦੇਖੇ ਹਿਸਟੋਗ੍ਰਾਮ 'ਸਟੈਪਡ' ਹਨ ਅਤੇ ਇੱਕ ਆਰਕ ਵਿੱਚ ਹੌਲੀ ਨਹੀਂ ਵਗਦੇ। ਇੱਕ ਹੌਲੀ ਡੈਂਸਿਟੀ ਚਾਰਟ ਦਿਖਾਉਣ ਲਈ, ਤੁਸੀਂ ਡੈਂਸਿਟੀ ਪਲਾਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਡੈਂਸਿਟੀ ਪਲਾਟਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ, ਇੱਕ ਨਵੀਂ ਪਲਾਟਿੰਗ ਲਾਇਬ੍ਰੇਰੀ, [Seaborn](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) ਨਾਲ ਜਾਣੂ ਹੋਵੋ। 
+
+Seaborn ਨੂੰ ਲੋਡ ਕਰਕੇ, ਇੱਕ ਬੁਨਿਆਦੀ ਡੈਂਸਿਟੀ ਪਲਾਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ:
+
+```python
+import seaborn as sns
+import matplotlib.pyplot as plt
+sns.kdeplot(filteredBirds['MinWingspan'])
+plt.show()
+```
+![ਡੈਂਸਿਟੀ ਪਲਾਟ](../../../../translated_images/density1.8801043bd4af2567b0f706332b5853c7614e5e4b81b457acc27eb4e092a65cbd.pa.png)
+
+ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਪਲਾਟ ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੀ ਚੌੜਾਈ ਡਾਟਾ ਲਈ ਪਿਛਲੇ ਚਾਰਟ ਨੂੰ ਦੁਹਰਾਉਂਦਾ ਹੈ; ਇਹ ਸਿਰਫ਼ ਕੁਝ ਹੌਲਾ ਹੈ। Seaborn ਦੀ ਦਸਤਾਵੇਜ਼ੀ ਦੇ ਅਨੁਸਾਰ, "ਹਿਸਟੋਗ੍ਰਾਮ ਦੇ ਮੁਕਾਬਲੇ, KDE ਇੱਕ ਪਲਾਟ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਘੱਟ ਭਰਿਆ ਹੋਵੇ ਅਤੇ ਵਧੇਰੇ ਵਿਆਖਿਆਯੋਗ ਹੋਵੇ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਕਈ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨਜ਼ ਨੂੰ ਖਿੱਚਿਆ ਜਾ ਰਿਹਾ ਹੋਵੇ। ਪਰ ਇਹ ਵਿਗੜਨ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦਾ ਹੈ ਜੇਕਰ ਅਧਾਰਭੂਤ ਡਿਸਟ੍ਰਿਬਿਊਸ਼ਨ ਬਾਊਂਡਡ ਜਾਂ ਹੌਲਾ ਨਾ ਹੋਵੇ।" [ਸਰੋਤ](https://seaborn.pydata.org/generated/seaborn.kdeplot.html) ਅਰਥਾਤ, ਆਊਟਲਾਇਅਰਜ਼ ਹਮੇਸ਼ਾ ਤੁਹਾਡੇ ਚਾਰਟਾਂ ਨੂੰ ਗਲਤ ਵਿਹਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰ ਸਕਦੇ ਹਨ।
+
+ਜੇ ਤੁਸੀਂ ਦੂਜੇ ਚਾਰਟ ਵਿੱਚ ਉਸ ਜੱਗਡ MaxBodyMass ਲਾਈਨ ਨੂੰ ਦੁਬਾਰਾ ਵੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਤਰੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਹੌਲਾ ਕਰ ਸਕਦੇ ਹੋ:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'])
+plt.show()
+```
+![ਸਮੂਥ ਸਰੀਰਕ ਭਾਰ ਲਾਈਨ](../../../../translated_images/density2.8e7647257060ff544a1aaded57e8dd1887586bfe340139e9b77ac1e5287f7977.pa.png)
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਹੌਲੀ, ਪਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੌਲੀ ਲਾਈਨ ਨਹੀਂ ਚਾਹੁੰਦੇ, ਤਾਂ `bw_adjust` ਪੈਰਾਮੀਟਰ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ:
+
+```python
+sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
+plt.show()
+```
+![ਘੱਟ ਹੌਲੀ ਸਰੀਰਕ ਭਾਰ ਲਾਈਨ](../../../../translated_images/density3.84ae27da82f31e6b83ad977646f029a1d21186574d7581facd70123b3eb257ee.pa.png)
+
+✅ ਇਸ ਕਿਸਮ ਦੇ ਪਲਾਟ ਲਈ ਉਪਲਬਧ ਪੈਰਾਮੀਟਰਾਂ ਬਾਰੇ ਪੜ੍ਹੋ ਅਤੇ ਪ੍ਰਯੋਗ ਕਰੋ!
+
+ਇਸ ਕਿਸਮ ਦਾ ਚਾਰਟ ਸੁੰਦਰ ਤਰੀਕੇ ਨਾਲ ਵਿਆਖਿਆਤਮਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਕੁਝ ਕੋਡ ਦੀਆਂ ਲਾਈਨਾਂ ਨਾਲ, ਤੁਸੀਂ ਪੰਛੀ ਦੇ ਆਰਡਰ ਪ੍ਰਤੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੀ ਡੈਂਸਿਟੀ ਦਿਖਾ ਸਕਦੇ ਹੋ:
+
+```python
+sns.kdeplot(
+   data=filteredBirds, x="MaxBodyMass", hue="Order",
+   fill=True, common_norm=False, palette="crest",
+   alpha=.5, linewidth=0,
+)
+```
+
+![ਆਰਡਰ ਪ੍ਰਤੀ ਸਰੀਰਕ ਭਾਰ](../../../../translated_images/density4.e9d6c033f15c500fd33df94cb592b9f5cf1ed2a3d213c448a3f9e97ba39573ce.pa.png)
+
+ਤੁਸੀਂ ਇੱਕ ਚਾਰਟ ਵਿੱਚ ਕਈ ਤੱਤਾਂ ਦੀ ਡੈਂਸਿਟੀ ਨੂੰ ਵੀ ਮੈਪ ਕਰ ਸਕਦੇ ਹੋ। ਪੰਛੀ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਲੰਬਾਈ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਨਾਲ ਤੁਲਨਾ ਕਰੋ:
+
+```python
+sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")
+```
+
+![ਕਈ ਡੈਂਸਿਟੀਜ਼, ਓਵਰਲੇਪ ਕੀਤੀਆਂ](../../../../translated_images/multi.56548caa9eae8d0fd9012a8586295538c7f4f426e2abc714ba070e2e4b1fc2c1.pa.png)
+
+ਸ਼ਾਇਦ ਇਹ ਖੋਜ ਕਰਨ ਯੋਗ ਹੈ ਕਿ ਕੀ 'ਸੰਵੇਦਨਸ਼ੀਲ' ਪੰਛੀਆਂ ਦੀ ਲੰਬਾਈ ਦੇ ਅਨੁਸਾਰ ਕਲੱਸਟਰ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜਾਂ ਨਹੀਂ।
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਬੁਨਿਆਦੀ ਸਕੈਟਰਪਲਾਟਸ, ਬਾਰ ਚਾਰਟਸ, ਜਾਂ ਲਾਈਨ ਚਾਰਟਸ ਨਾਲੋਂ ਵਧੇਰੇ ਸੁਧਾਰਤ ਚਾਰਟ ਦੀ ਕਿਸਮ ਹਨ। ਇੰਟਰਨੈਟ 'ਤੇ ਜਾਓ ਅਤੇ ਹਿਸਟੋਗ੍ਰਾਮ ਦੀ ਵਰਤੋਂ ਦੇ ਚੰਗੇ ਉਦਾਹਰਣ ਲੱਭੋ। ਇਹ ਕਿਵੇਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਇਹ ਕੀ ਦਰਸਾਉਂਦੇ ਹਨ, ਅਤੇ ਇਹ ਕਿਹੜੇ ਖੇਤਰਾਂ ਜਾਂ ਖੋਜ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/10-visualization-distributions/assignment.md b/translations/pa/3-Data-Visualization/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..56d44730
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "40eeb9b9f94009c537c7811f9f27f037",
+  "translation_date": "2025-08-27T18:19:16+00:00",
+  "source_file": "3-Data-Visualization/10-visualization-distributions/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਆਪਣੀਆਂ ਕਾਬਲੀਆਂ ਲਾਗੂ ਕਰੋ
+
+## ਹਦਾਇਤਾਂ
+
+ਅਜੇ ਤੱਕ, ਤੁਸੀਂ ਮਿਨੇਸੋਟਾ ਪੰਛੀਆਂ ਦੇ ਡਾਟਾਸੈੱਟ ਨਾਲ ਕੰਮ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਪੰਛੀਆਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਅਬਾਦੀ ਦੀ ਘਣਤਾ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। ਇਹ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰੈਕਟਿਸ ਕਰੋ ਇੱਕ ਵੱਖਰੇ ਡਾਟਾਸੈੱਟ ਨਾਲ, ਜੋ ਕਿ ਸ਼ਾਇਦ [Kaggle](https://www.kaggle.com/) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਹੋਵੇ। ਇਸ ਡਾਟਾਸੈੱਟ ਬਾਰੇ ਇੱਕ ਕਹਾਣੀ ਦੱਸਣ ਲਈ ਇੱਕ ਨੋਟਬੁੱਕ ਬਣਾਓ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰਨ ਵੇਲੇ ਹਿਸਟੋਗ੍ਰਾਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | -- |
+ਇੱਕ ਨੋਟਬੁੱਕ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਇਸ ਡਾਟਾਸੈੱਟ ਬਾਰੇ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਹਨ, ਜਿਸ ਵਿੱਚ ਇਸ ਦਾ ਸਰੋਤ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਅਤੇ ਡਾਟਾ ਬਾਰੇ ਤੱਥਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ 5 ਹਿਸਟੋਗ੍ਰਾਮਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। | ਇੱਕ ਨੋਟਬੁੱਕ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਅਧੂਰੀ ਟਿੱਪਣੀਆਂ ਜਾਂ ਗਲਤੀਆਂ ਹਨ। | ਇੱਕ ਨੋਟਬੁੱਕ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਕੋਈ ਟਿੱਪਣੀਆਂ ਨਹੀਂ ਹਨ ਅਤੇ ਗਲਤੀਆਂ ਸ਼ਾਮਲ ਹਨ।
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/11-visualization-proportions/README.md b/translations/pa/3-Data-Visualization/11-visualization-proportions/README.md
new file mode 100644
index 00000000..cba44985
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/11-visualization-proportions/README.md
@@ -0,0 +1,204 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "af6a12015c6e250e500b570a9fa42593",
+  "translation_date": "2025-08-27T18:43:46+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
+  "language_code": "pa"
+}
+-->
+# ਅਨੁਪਾਤਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|ਅਨੁਪਾਤਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਕੁਝ ਵੱਖਰੇ ਪ੍ਰਕ੍ਰਿਤੀ-ਕੇਂਦ੍ਰਿਤ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਪਾਤਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰੋਗੇ, ਜਿਵੇਂ ਕਿ ਮਸ਼ਰੂਮਾਂ ਬਾਰੇ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਕਿੰਨੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਫੰਗਸ ਹਨ। ਆਓ ਇਸ ਰੁਚਿਕਰ ਫੰਗਸ ਨੂੰ Audubon ਤੋਂ ਪ੍ਰਾਪਤ ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖੋਜੀਏ, ਜੋ Agaricus ਅਤੇ Lepiota ਪਰਿਵਾਰਾਂ ਦੇ 23 ਪ੍ਰਜਾਤੀਆਂ ਦੇ ਗਿਲਡ ਮਸ਼ਰੂਮਾਂ ਬਾਰੇ ਵੇਰਵੇ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਦ੍ਰਿਸ਼ਟੀਕਰਨਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰੋਗੇ:
+
+- ਪਾਈ ਚਾਰਟ 🥧
+- ਡੋਨਟ ਚਾਰਟ 🍩
+- ਵਾਫਲ ਚਾਰਟ 🧇
+
+> 💡 ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਦੁਆਰਾ ਇੱਕ ਬਹੁਤ ਹੀ ਦਿਲਚਸਪ ਪ੍ਰੋਜੈਕਟ [Charticulator](https://charticulator.com) ਇੱਕ ਮੁਫ਼ਤ ਡ੍ਰੈਗ ਅਤੇ ਡ੍ਰਾਪ ਇੰਟਰਫੇਸ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਡੇਟਾ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਲਈ ਹੈ। ਆਪਣੇ ਟਿਊਟੋਰਿਅਲਾਂ ਵਿੱਚ, ਉਹ ਇਸ ਮਸ਼ਰੂਮ ਡੇਟਾਸੈੱਟ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ! ਇਸ ਲਈ ਤੁਸੀਂ ਡੇਟਾ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਸਿੱਖ ਸਕਦੇ ਹੋ: [Charticulator ਟਿਊਟੋਰਿਅਲ](https://charticulator.com/tutorials/tutorial4.html)।
+
+## [ਪ੍ਰੀ-ਪਾਠ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## ਆਪਣੇ ਮਸ਼ਰੂਮਾਂ ਨੂੰ ਜਾਣੋ 🍄
+
+ਮਸ਼ਰੂਮ ਬਹੁਤ ਦਿਲਚਸਪ ਹੁੰਦੇ ਹਨ। ਆਓ ਇੱਕ ਡੇਟਾਸੈੱਟ ਨੂੰ ਆਯਾਤ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦਾ ਅਧਿਐਨ ਕਰੀਏ:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+mushrooms = pd.read_csv('../../data/mushrooms.csv')
+mushrooms.head()
+```
+ਇੱਕ ਟੇਬਲ ਪ੍ਰਿੰਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕੁਝ ਸ਼ਾਨਦਾਰ ਡੇਟਾ ਹੁੰਦਾ ਹੈ:
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Poisonous | Convex    | Smooth      | Brown     | Bruises | Pungent | Free            | Close        | Narrow    | Black      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Black      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Grasses |
+| Edible    | Bell      | Smooth      | White     | Bruises | Anise   | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Meadows |
+| Poisonous | Convex    | Scaly       | White     | Bruises | Pungent | Free            | Close        | Narrow    | Brown      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+
+ਤੁਰੰਤ ਹੀ, ਤੁਸੀਂ ਨੋਟ ਕਰਦੇ ਹੋ ਕਿ ਸਾਰਾ ਡੇਟਾ ਟੈਕਸਟ ਦੇ ਰੂਪ ਵਿੱਚ ਹੈ। ਤੁਸੀਂ ਇਸ ਡੇਟਾ ਨੂੰ ਚਾਰਟ ਵਿੱਚ ਵਰਤਣ ਯੋਗ ਬਣਾਉਣ ਲਈ ਇਸ ਨੂੰ ਰੂਪਾਂਤਰਿਤ ਕਰਨਾ ਪਵੇਗਾ। ਅਸਲ ਵਿੱਚ, ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਇੱਕ ਆਬਜੈਕਟ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ:
+
+```python
+print(mushrooms.select_dtypes(["object"]).columns)
+```
+
+ਆਉਟਪੁੱਟ ਹੈ:
+
+```output
+Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor',
+       'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color',
+       'stalk-shape', 'stalk-root', 'stalk-surface-above-ring',
+       'stalk-surface-below-ring', 'stalk-color-above-ring',
+       'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number',
+       'ring-type', 'spore-print-color', 'population', 'habitat'],
+      dtype='object')
+```
+ਇਸ ਡੇਟਾ ਨੂੰ ਲਓ ਅਤੇ 'class' ਕਾਲਮ ਨੂੰ ਇੱਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ ਕਰੋ:
+
+```python
+cols = mushrooms.select_dtypes(["object"]).columns
+mushrooms[cols] = mushrooms[cols].astype('category')
+```
+
+```python
+edibleclass=mushrooms.groupby(['class']).count()
+edibleclass
+```
+
+ਹੁਣ, ਜੇ ਤੁਸੀਂ ਮਸ਼ਰੂਮਾਂ ਦਾ ਡੇਟਾ ਪ੍ਰਿੰਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਨੂੰ ਜਹਿਰੀਲੇ/ਖਾਣਯੋਗ ਸ਼੍ਰੇਣੀ ਦੇ ਅਨੁਸਾਰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸਮੂਹਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ:
+
+|           | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | ... | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ---- | --------------- | ------------ | --------- | ---------- | ----------- | --- | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| class     |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
+| Edible    | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
+| Poisonous | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |
+
+ਜੇ ਤੁਸੀਂ ਇਸ ਟੇਬਲ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਕ੍ਰਮ ਨੂੰ ਫਾਲੋ ਕਰਦੇ ਹੋ ਤਾਂ ਤੁਸੀਂ ਆਪਣੀ ਸ਼੍ਰੇਣੀ ਲੇਬਲ ਬਣਾਉਣ ਲਈ ਪਾਈ ਚਾਰਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ:
+
+## ਪਾਈ!
+
+```python
+labels=['Edible','Poisonous']
+plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
+plt.title('Edible?')
+plt.show()
+```
+ਵੋਇਲਾ, ਇੱਕ ਪਾਈ ਚਾਰਟ ਜੋ ਇਸ ਡੇਟਾ ਨੂੰ ਮਸ਼ਰੂਮਾਂ ਦੀਆਂ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਅਨੁਪਾਤਾਂ ਦੇ ਅਨੁਸਾਰ ਦਰਸਾਉਂਦਾ ਹੈ। ਲੇਬਲਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਸਹੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਖਾਸ ਕਰਕੇ ਇੱਥੇ, ਇਸ ਲਈ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਲੇਬਲ ਐਰੇ ਬਣਾਉਣ ਦੇ ਕ੍ਰਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ!
+
+![pie chart](../../../../translated_images/pie1-wb.e201f2fcc335413143ce37650fb7f5f0bb21358e7823a327ed8644dfb84be9db.pa.png)
+
+## ਡੋਨਟ!
+
+ਪਾਈ ਚਾਰਟ ਦਾ ਇੱਕ ਕੁਝ ਹੋਰ ਦ੍ਰਿਸ਼ਟੀਕਰਣ ਰੂਪ ਡੋਨਟ ਚਾਰਟ ਹੈ, ਜੋ ਪਾਈ ਚਾਰਟ ਹੈ ਜਿਸਦੇ ਵਿਚਕਾਰ ਇੱਕ ਛੇਦ ਹੁੰਦਾ ਹੈ। ਆਓ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵੇਖੀਏ।
+
+ਮਸ਼ਰੂਮਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਆਵਾਸਾਂ ਨੂੰ ਵੇਖੋ:
+
+```python
+habitat=mushrooms.groupby(['habitat']).count()
+habitat
+```
+ਇੱਥੇ, ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਆਵਾਸ ਦੇ ਅਨੁਸਾਰ ਸਮੂਹਬੱਧ ਕਰ ਰਹੇ ਹੋ। ਇੱਥੇ 7 ਆਵਾਸ ਦਿੱਤੇ ਗਏ ਹਨ, ਇਸ ਲਈ ਆਪਣੇ ਡੋਨਟ ਚਾਰਟ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਲੇਬਲਾਂ ਵਜੋਂ ਵਰਤੋ:
+
+```python
+labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood']
+
+plt.pie(habitat['class'], labels=labels,
+        autopct='%1.1f%%', pctdistance=0.85)
+  
+center_circle = plt.Circle((0, 0), 0.40, fc='white')
+fig = plt.gcf()
+
+fig.gca().add_artist(center_circle)
+  
+plt.title('Mushroom Habitats')
+  
+plt.show()
+```
+
+![donut chart](../../../../translated_images/donut-wb.be3c12a22712302b5d10c40014d5389d4a1ae4412fe1655b3cf4af57b64f799a.pa.png)
+
+ਇਹ ਕੋਡ ਇੱਕ ਚਾਰਟ ਅਤੇ ਇੱਕ ਕੇਂਦਰੀ ਸਰਕਲ ਖਿੱਚਦਾ ਹੈ, ਫਿਰ ਉਸ ਕੇਂਦਰੀ ਸਰਕਲ ਨੂੰ ਚਾਰਟ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਕੇਂਦਰੀ ਸਰਕਲ ਦੀ ਚੌੜਾਈ ਨੂੰ `0.40` ਨੂੰ ਕਿਸੇ ਹੋਰ ਮੁੱਲ ਵਿੱਚ ਬਦਲ ਕੇ ਸੰਪਾਦਿਤ ਕਰੋ।
+
+ਡੋਨਟ ਚਾਰਟਾਂ ਨੂੰ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਸੰਪਾਦਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਲੇਬਲਾਂ ਨੂੰ ਵਧੀਆ ਪੜ੍ਹਨਯੋਗ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਡੌਕਸ](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut) ਵਿੱਚ ਪੜ੍ਹੋ।
+
+ਹੁਣ ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਨਾ ਅਤੇ ਇਸਨੂੰ ਪਾਈ ਜਾਂ ਡੋਨਟ ਵਜੋਂ ਦਰਸਾਉਣਾ ਸਿੱਖ ਲਿਆ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਹੋਰ ਕਿਸਮਾਂ ਦੇ ਚਾਰਟਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ। ਇੱਕ ਵਾਫਲ ਚਾਰਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਜੋ ਮਾਤਰਾ ਦੀ ਖੋਜ ਕਰਨ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ।
+
+## ਵਾਫਲ!
+
+'ਵਾਫਲ' ਕਿਸਮ ਦਾ ਚਾਰਟ ਮਾਤਰਾ ਨੂੰ 2D ਐਰੇ ਦੇ ਵਰਗਾਂ ਵਜੋਂ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ। ਇਸ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮਸ਼ਰੂਮ ਕੈਪ ਦੇ ਰੰਗਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਮਾਤਰਾਵਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਇਸ ਲਈ, ਤੁਹਾਨੂੰ [PyWaffle](https://pypi.org/project/pywaffle/) ਨਾਮਕ ਇੱਕ ਸਹਾਇਕ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਅਤੇ Matplotlib ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਪਵੇਗੀ:
+
+```python
+pip install pywaffle
+```
+
+ਆਪਣੇ ਡੇਟਾ ਦੇ ਇੱਕ ਖੰਡ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਨ ਲਈ ਚੁਣੋ:
+
+```python
+capcolor=mushrooms.groupby(['cap-color']).count()
+capcolor
+```
+
+ਲੇਬਲ ਬਣਾਕੇ ਅਤੇ ਫਿਰ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਕੇ ਇੱਕ ਵਾਫਲ ਚਾਰਟ ਬਣਾਓ:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+from pywaffle import Waffle
+  
+data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'],
+    'amount': capcolor['class']
+     }
+  
+df = pd.DataFrame(data)
+  
+fig = plt.figure(
+    FigureClass = Waffle,
+    rows = 100,
+    values = df.amount,
+    labels = list(df.color),
+    figsize = (30,30),
+    colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"],
+)
+```
+
+ਵਾਫਲ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਇਸ ਮਸ਼ਰੂਮ ਡੇਟਾਸੈੱਟ ਦੇ ਕੈਪ ਰੰਗਾਂ ਦੇ ਅਨੁਪਾਤਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵੇਖ ਸਕਦੇ ਹੋ। ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਹਰੇ ਕੈਪ ਵਾਲੇ ਮਸ਼ਰੂਮ ਹਨ!
+
+![waffle chart](../../../../translated_images/waffle.5455dbae4ccf17d53bb40ff0a657ecef7b8aa967e27a19cc96325bd81598f65e.pa.png)
+
+✅ Pywaffle ਚਾਰਟਾਂ ਵਿੱਚ ਆਈਕਨ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ ਜੋ [Font Awesome](https://fontawesome.com/) ਵਿੱਚ ਉਪਲਬਧ ਕਿਸੇ ਵੀ ਆਈਕਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਵਰਗਾਂ ਦੀ ਬਜਾਏ ਆਈਕਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਹੋਰ ਦਿਲਚਸਪ ਵਾਫਲ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਕੁਝ ਪ੍ਰਯੋਗ ਕਰੋ।
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਅਨੁਪਾਤਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਦੇ ਤਿੰਨ ਤਰੀਕੇ ਸਿੱਖੇ। ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸਮੂਹਬੱਧ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਅਤੇ ਫਿਰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਕਿਹੜਾ ਹੈ - ਪਾਈ, ਡੋਨਟ, ਜਾਂ ਵਾਫਲ। ਸਾਰੇ ਸੁਆਦਿਸ਼ਟ ਹਨ ਅਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਡੇਟਾਸੈੱਟ ਦਾ ਤੁਰੰਤ ਸਨੈਪਸ਼ਾਟ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਹ ਸੁਆਦਿਸ਼ਟ ਚਾਰਟਾਂ ਨੂੰ [Charticulator](https://charticulator.com) ਵਿੱਚ ਦੁਬਾਰਾ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+## [ਪੋਸਟ-ਪਾਠ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਕਈ ਵਾਰ ਇਹ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਪਾਈ, ਡੋਨਟ, ਜਾਂ ਵਾਫਲ ਚਾਰਟ ਕਦੋਂ ਵਰਤਣਾ ਹੈ। ਇਸ ਵਿਸ਼ੇ 'ਤੇ ਪੜ੍ਹਨ ਲਈ ਕੁਝ ਲੇਖ ਇੱਥੇ ਹਨ:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402
+
+ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕੁਝ ਖੋਜ ਕਰੋ ਅਤੇ ਇਸ ਫੈਸਲੇ 'ਤੇ ਹੋਰ ਪੜ੍ਹਾਈ ਕਰੋ।
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[Excel ਵਿੱਚ ਇਸਨੂੰ ਅਜ਼ਮਾਓ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/11-visualization-proportions/assignment.md b/translations/pa/3-Data-Visualization/11-visualization-proportions/assignment.md
new file mode 100644
index 00000000..5164a835
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/11-visualization-proportions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1e00fe6a244c2f8f9a794c862661dd4f",
+  "translation_date": "2025-08-27T18:45:05+00:00",
+  "source_file": "3-Data-Visualization/11-visualization-proportions/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਐਕਸਲ ਵਿੱਚ ਅਜ਼ਮਾਓ
+
+## ਹਦਾਇਤਾਂ
+
+ਕੀ ਤੁਹਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਤੁਸੀਂ ਐਕਸਲ ਵਿੱਚ ਡੋਨਟ, ਪਾਈ ਅਤੇ ਵਾਫਲ ਚਾਰਟ ਬਣਾ ਸਕਦੇ ਹੋ? ਆਪਣੀ ਪਸੰਦ ਦੇ ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਤਿੰਨ ਚਾਰਟ ਸਿੱਧੇ ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਬਣਾਓ।
+
+## ਮਾਪਦੰਡ
+
+| ਸ਼ਾਨਦਾਰ                                               | ਯੋਗ                                            | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ                                      |
+| ----------------------------------------------------- | --------------------------------------------- | ---------------------------------------------------- |
+| ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਤਿੰਨ ਚਾਰਟਾਂ ਨਾਲ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ       | ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੋ ਚਾਰਟਾਂ ਨਾਲ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ | ਐਕਸਲ ਸਪ੍ਰੈਡਸ਼ੀਟ ਸਿਰਫ ਇੱਕ ਚਾਰਟ ਨਾਲ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ |
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।  
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/12-visualization-relationships/README.md b/translations/pa/3-Data-Visualization/12-visualization-relationships/README.md
new file mode 100644
index 00000000..d5adb0c7
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/12-visualization-relationships/README.md
@@ -0,0 +1,178 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "cad419b574d5c35eaa417e9abfdcb0c8",
+  "translation_date": "2025-08-27T18:20:52+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/README.md",
+  "language_code": "pa"
+}
+-->
+# ਰਿਸ਼ਤਿਆਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ: ਸ਼ਹਿਦ ਬਾਰੇ ਸਭ ਕੁਝ 🍯
+
+|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|ਰਿਸ਼ਤਿਆਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+ਸਾਡੇ ਖੋਜ ਦੇ ਕੁਦਰਤੀ ਧਿਆਨ ਨੂੰ ਜਾਰੀ ਰੱਖਦੇ ਹੋਏ, ਆਓ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦੇ ਰੂਪਾਂ ਦੀ ਖੋਜ ਕਰੀਏ ਜੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸ਼ਹਿਦ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਇਹ ਡਾਟਾਸੈੱਟ [ਸੰਯੁਕਤ ਰਾਜ ਦੇ ਖੇਤੀਬਾੜੀ ਵਿਭਾਗ](https://www.nass.usda.gov/About_NASS/index.php) ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। 
+
+ਇਹ ਡਾਟਾਸੈੱਟ, ਜਿਸ ਵਿੱਚ ਲਗਭਗ 600 ਆਈਟਮ ਹਨ, ਅਮਰੀਕਾ ਦੇ ਕਈ ਰਾਜਾਂ ਵਿੱਚ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਤੁਸੀਂ 1998-2012 ਦੇ ਸਮੇਂ ਵਿੱਚ ਕਿਸੇ ਦਿੱਤੇ ਗਏ ਰਾਜ ਵਿੱਚ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਦੀਆਂ ਕਾਲਮਾਂ, ਪ੍ਰਤੀ ਕਾਲਮ ਉਪਜ, ਕੁੱਲ ਉਤਪਾਦਨ, ਸਟਾਕ, ਪ੍ਰਤੀ ਪੌਂਡ ਕੀਮਤ, ਅਤੇ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਦੇਖ ਸਕਦੇ ਹੋ। ਹਰ ਰਾਜ ਲਈ ਹਰ ਸਾਲ ਇੱਕ ਪੰਕਤੀ ਹੈ। 
+
+ਇਹ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦਿਲਚਸਪ ਹੋਵੇਗਾ ਕਿ ਕਿਸੇ ਦਿੱਤੇ ਰਾਜ ਦੇ ਸਾਲਾਨਾ ਉਤਪਾਦਨ ਅਤੇ ਉਸ ਰਾਜ ਵਿੱਚ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਕਿਵੇਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ ਰਾਜਾਂ ਦੇ ਪ੍ਰਤੀ ਕਾਲਮ ਸ਼ਹਿਦ ਦੀ ਉਪਜ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਵੀ ਦਿਖਾ ਸਕਦੇ ਹੋ। ਇਹ ਸਾਲਾਂ 'CCD' ਜਾਂ 'ਕਾਲੋਨੀ ਕਲੈਪਸ ਡਿਸਆਰਡਰ' (http://npic.orst.edu/envir/ccd.html) ਦੇ ਪਹਿਲੀ ਵਾਰ 2006 ਵਿੱਚ ਦੇਖੇ ਜਾਣ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ, ਇਸ ਲਈ ਇਹ ਡਾਟਾਸੈੱਟ ਅਧਿਐਨ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। 🐝
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ Seaborn ਵਰਤ ਸਕਦੇ ਹੋ, ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਪਹਿਲਾਂ ਵਰਤ ਚੁੱਕੇ ਹੋ, ਜੋ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਣ ਕਰਨ ਲਈ ਇੱਕ ਚੰਗਾ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ ਦਿਲਚਸਪ ਹੈ Seaborn ਦਾ `relplot` ਫੰਕਸ਼ਨ, ਜੋ ਸਕੈਟਰ ਪਲਾਟ ਅਤੇ ਲਾਈਨ ਪਲਾਟਾਂ ਨੂੰ '[ਸੰਖਿਆਕੀ ਰਿਸ਼ਤੇ](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)' ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਦਿਖਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਹ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਵੈਰੀਏਬਲਾਂ ਦੇ ਆਪਸੀ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
+
+## ਸਕੈਟਰਪਲਾਟ
+
+ਸਕੈਟਰਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਿਖਾਓ ਕਿ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਸਾਲ ਦਰ ਸਾਲ, ਪ੍ਰਤੀ ਰਾਜ ਕਿਵੇਂ ਬਦਲੀ ਹੈ। Seaborn, `relplot` ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਰਾਜ ਦੇ ਡਾਟਾ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਅਤੇ ਸੰਖਿਆਕੀ ਡਾਟਾ ਲਈ ਡਾਟਾ ਪੌਇੰਟ ਦਿਖਾਉਂਦਾ ਹੈ। 
+
+ਆਓ ਡਾਟਾ ਅਤੇ Seaborn ਨੂੰ ਇੰਪੋਰਟ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੀਏ:
+
+```python
+import pandas as pd
+import matplotlib.pyplot as plt
+import seaborn as sns
+honey = pd.read_csv('../../data/honey.csv')
+honey.head()
+```
+ਤੁਸੀਂ ਨੋਟ ਕਰਦੇ ਹੋ ਕਿ ਸ਼ਹਿਦ ਦੇ ਡਾਟਾ ਵਿੱਚ ਕਈ ਦਿਲਚਸਪ ਕਾਲਮ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਾਲ ਅਤੇ ਪ੍ਰਤੀ ਪੌਂਡ ਕੀਮਤ। ਆਓ ਇਸ ਡਾਟਾ ਨੂੰ ਅਮਰੀਕਾ ਦੇ ਰਾਜਾਂ ਦੁਆਰਾ ਸਮੂਹਬੱਧ ਕਰਕੇ ਖੋਜੀਏ:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+
+ਸ਼ਹਿਦ ਦੀ ਪ੍ਰਤੀ ਪੌਂਡ ਕੀਮਤ ਅਤੇ ਉਸ ਦੇ ਅਮਰੀਕੀ ਰਾਜ ਦੇ ਮੂਲ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਦਿਖਾਉਣ ਲਈ ਇੱਕ ਬੁਨਿਆਦੀ ਸਕੈਟਰਪਲਾਟ ਬਣਾਓ। `y` ਧੁਰੇ ਨੂੰ ਇੰਨਾ ਉੱਚਾ ਬਣਾਓ ਕਿ ਸਾਰੇ ਰਾਜ ਦਿਖਾਈ ਦੇ ਸਕਣ:
+
+```python
+sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5);
+```
+![scatterplot 1](../../../../translated_images/scatter1.5e1aa5fd6706c5d12b5e503ccb77f8a930f8620f539f524ddf56a16c039a5d2f.pa.png)
+
+ਹੁਣ, ਸਾਲਾਂ ਦੇ ਦੌਰਾਨ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਕਿਵੇਂ ਬਦਲਦੀ ਹੈ, ਇਹ ਦਿਖਾਉਣ ਲਈ ਸ਼ਹਿਦ ਦੇ ਰੰਗ ਦੀ ਸਕੀਮ ਨਾਲ ਉਹੀ ਡਾਟਾ ਦਿਖਾਓ। ਤੁਸੀਂ ਇਹ 'hue' ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਕਰਕੇ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਸਾਲ ਦਰ ਸਾਲ ਬਦਲਾਅ ਦਿਖਾਉਂਦਾ ਹੈ:
+
+> ✅ Seaborn ਵਿੱਚ ਵਰਤਣ ਲਈ [ਰੰਗ ਪੈਲੇਟਾਂ](https://seaborn.pydata.org/tutorial/color_palettes.html) ਬਾਰੇ ਹੋਰ ਜਾਣੋ - ਇੱਕ ਸੁੰਦਰ ਰੇਂਬੋ ਰੰਗ ਸਕੀਮ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ!
+
+```python
+sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5);
+```
+![scatterplot 2](../../../../translated_images/scatter2.c0041a58621ca702990b001aa0b20cd68c1e1814417139af8a7211a2bed51c5f.pa.png)
+
+ਇਸ ਰੰਗ ਸਕੀਮ ਬਦਲਾਅ ਨਾਲ, ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਸਾਲਾਂ ਦੇ ਦੌਰਾਨ ਸ਼ਹਿਦ ਦੀ ਪ੍ਰਤੀ ਪੌਂਡ ਕੀਮਤ ਵਿੱਚ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਤਰੱਕੀ ਹੈ। ਵਾਸਤਵ ਵਿੱਚ, ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਵਿੱਚ ਇੱਕ ਨਮੂਨਾ ਸੈੱਟ ਦੀ ਜਾਂਚ ਕਰੋ (ਉਦਾਹਰਣ ਲਈ, ਅਰੀਜ਼ੋਨਾ), ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਕੀਮਤ ਵਧਣ ਦਾ ਪੈਟਰਨ ਦੇਖ ਸਕਦੇ ਹੋ, ਕੁਝ ਛੋਟਾਂ ਦੇ ਨਾਲ:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+ਇਸ ਤਰੱਕੀ ਨੂੰ ਦਿਖਾਉਣ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਰੰਗ ਦੀ ਬਜਾਏ ਆਕਾਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। ਰੰਗ-ਅੰਧੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ, ਇਹ ਇੱਕ ਬਿਹਤਰ ਵਿਕਲਪ ਹੋ ਸਕਦਾ ਹੈ। ਆਪਣੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਨੂੰ ਸੋਧੋ ਤਾਂ ਜੋ ਕੀਮਤ ਵਿੱਚ ਵਾਧਾ ਡਾਟ ਦੇ ਘੇਰੇ ਵਿੱਚ ਵਾਧੇ ਦੁਆਰਾ ਦਿਖਾਇਆ ਜਾ ਸਕੇ:
+
+```python
+sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5);
+```
+ਤੁਸੀਂ ਡਾਟਾਂ ਦੇ ਆਕਾਰ ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਵਧਦੇ ਹੋਏ ਦੇਖ ਸਕਦੇ ਹੋ।
+
+![scatterplot 3](../../../../translated_images/scatter3.3c160a3d1dcb36b37900ebb4cf97f34036f28ae2b7b8e6062766c7c1dfc00853.pa.png)
+
+ਕੀ ਇਹ ਸਪਲਾਈ ਅਤੇ ਡਿਮਾਂਡ ਦਾ ਸਧਾਰਨ ਮਾਮਲਾ ਹੈ? ਜਿਵੇਂ ਕਿ ਮੌਸਮ ਬਦਲਾਅ ਅਤੇ ਕਾਲੋਨੀ ਕਲੈਪਸ ਵਰਗੇ ਕਾਰਕਾਂ ਦੇ ਕਾਰਨ, ਕੀ ਸਾਲ ਦਰ ਸਾਲ ਖਰੀਦਣ ਲਈ ਘੱਟ ਸ਼ਹਿਦ ਉਪਲਬਧ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਕੀਮਤ ਵਧਦੀ ਹੈ?
+
+ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਕੁਝ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤੇ ਦੀ ਖੋਜ ਕਰਨ ਲਈ, ਆਓ ਕੁਝ ਲਾਈਨ ਚਾਰਟਾਂ ਦੀ ਜਾਂਚ ਕਰੀਏ।
+
+## ਲਾਈਨ ਚਾਰਟ
+
+ਸਵਾਲ: ਕੀ ਸਾਲ ਦਰ ਸਾਲ ਸ਼ਹਿਦ ਦੀ ਪ੍ਰਤੀ ਪੌਂਡ ਕੀਮਤ ਵਿੱਚ ਸਪਸ਼ਟ ਵਾਧਾ ਹੈ? ਤੁਸੀਂ ਇਸ ਨੂੰ ਸਭ ਤੋਂ ਆਸਾਨੀ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਲਾਈਨ ਚਾਰਟ ਬਣਾਕੇ ਪਤਾ ਕਰ ਸਕਦੇ ਹੋ:
+
+```python
+sns.relplot(x="year", y="priceperlb", kind="line", data=honey);
+```
+ਜਵਾਬ: ਹਾਂ, ਕੁਝ ਛੋਟਾਂ ਦੇ ਨਾਲ, 2003 ਦੇ ਆਸਪਾਸ:
+
+![line chart 1](../../../../translated_images/line1.f36eb465229a3b1fe385cdc93861aab3939de987d504b05de0b6cd567ef79f43.pa.png)
+
+✅ ਕਿਉਂਕਿ Seaborn ਇੱਕ ਲਾਈਨ ਦੇ ਆਸਪਾਸ ਡਾਟਾ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰ ਰਿਹਾ ਹੈ, ਇਹ "x ਮੁੱਲ 'ਤੇ ਕਈ ਮਾਪਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਮੀਨ ਅਤੇ ਮੀਨ ਦੇ ਆਸਪਾਸ 95% ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਨੂੰ ਪਲਾਟ ਕਰਕੇ"। [ਸਰੋਤ](https://seaborn.pydata.org/tutorial/relational.html)। ਇਸ ਸਮਾਂ-ਖਪਤ ਵਿਵਹਾਰ ਨੂੰ `ci=None` ਸ਼ਾਮਲ ਕਰਕੇ ਅਯੋਗ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+
+ਸਵਾਲ: ਖੈਰ, 2003 ਵਿੱਚ ਕੀ ਤੁਸੀਂ ਸ਼ਹਿਦ ਦੀ ਸਪਲਾਈ ਵਿੱਚ ਵੀ ਵਾਧਾ ਦੇਖ ਸਕਦੇ ਹੋ? ਜੇ ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਕੁੱਲ ਉਤਪਾਦਨ ਨੂੰ ਦੇਖੋ ਤਾਂ?
+
+```python
+sns.relplot(x="year", y="totalprod", kind="line", data=honey);
+```
+
+![line chart 2](../../../../translated_images/line2.a5b3493dc01058af6402e657aaa9ae1125fafb5e7d6630c777aa60f900a544e4.pa.png)
+
+ਜਵਾਬ: ਸੱਚਮੁੱਚ ਨਹੀਂ। ਜੇ ਤੁਸੀਂ ਕੁੱਲ ਉਤਪਾਦਨ ਨੂੰ ਦੇਖੋ, ਤਾਂ ਇਹ ਵਾਸਤਵ ਵਿੱਚ ਉਸ ਖਾਸ ਸਾਲ ਵਿੱਚ ਵਧਦਾ ਹੋਇਆ ਲੱਗਦਾ ਹੈ, ਹਾਲਾਂਕਿ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਦੀ ਮਾਤਰਾ ਇਨ੍ਹਾਂ ਸਾਲਾਂ ਦੌਰਾਨ ਘਟ ਰਹੀ ਹੈ।
+
+ਸਵਾਲ: ਇਸ ਮਾਮਲੇ ਵਿੱਚ, 2003 ਦੇ ਆਸਪਾਸ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਵਿੱਚ ਵਾਧੇ ਦਾ ਕਾਰਨ ਕੀ ਹੋ ਸਕਦਾ ਹੈ?
+
+ਇਸ ਨੂੰ ਪਤਾ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਫੈਸਿਟ ਗ੍ਰਿਡ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹੋ।
+
+## ਫੈਸਿਟ ਗ੍ਰਿਡ
+
+ਫੈਸਿਟ ਗ੍ਰਿਡ ਤੁਹਾਡੇ ਡਾਟਾਸੈੱਟ ਦੇ ਇੱਕ ਫੈਸਿਟ (ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ, ਤੁਸੀਂ 'ਸਾਲ' ਚੁਣ ਸਕਦੇ ਹੋ ਤਾਂ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਫੈਸਿਟਾਂ ਨਾ ਬਣਨ) ਨੂੰ ਲੈਂਦਾ ਹੈ। Seaborn ਫਿਰ ਤੁਹਾਡੇ ਚੁਣੇ ਗਏ x ਅਤੇ y ਕੋਆਰਡੀਨੇਟਾਂ ਲਈ ਹਰ ਫੈਸਿਟ ਲਈ ਇੱਕ ਪਲਾਟ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਸੌਖੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦੀ ਤੁਲਨਾ ਲਈ ਹੈ। ਕੀ 2003 ਇਸ ਕਿਸਮ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਖਾਸ ਤੌਰ 'ਤੇ ਖੜ੍ਹਾ ਹੁੰਦਾ ਹੈ?
+
+ਫੈਸਿਟ ਗ੍ਰਿਡ ਬਣਾਉਣ ਲਈ `relplot` ਦੀ ਵਰਤੋਂ ਜਾਰੀ ਰੱਖੋ ਜਿਵੇਂ ਕਿ [Seaborn ਦੀ ਦਸਤਾਵੇਜ਼](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid) ਵਿੱਚ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਗਈ ਹੈ। 
+
+```python
+sns.relplot(
+    data=honey, 
+    x="yieldpercol", y="numcol",
+    col="year", 
+    col_wrap=3,
+    kind="line"
+```
+ਇਸ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਵਿੱਚ, ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਅਤੇ ਰਾਜ ਦਰ ਰਾਜ ਪ੍ਰਤੀ ਕਾਲਮ ਉਪਜ ਅਤੇ ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹੋ, ਕਾਲਮਾਂ ਲਈ 3 'ਤੇ ਰੈਪ ਸੈਟ ਕਰਕੇ:
+
+![facet grid](../../../../translated_images/facet.6a34851dcd540050dcc0ead741be35075d776741668dd0e42f482c89b114c217.pa.png)
+
+ਇਸ ਡਾਟਾਸੈੱਟ ਲਈ, ਸਾਲ ਦਰ ਸਾਲ ਅਤੇ ਰਾਜ ਦਰ ਰਾਜ ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਉਪਜ ਦੇ ਸਬੰਧ ਵਿੱਚ ਕੁਝ ਖਾਸ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ। ਕੀ ਇਹ ਦੋ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਲੱਭਣ ਲਈ ਦੇਖਣ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ?
+
+## ਡੁਅਲ-ਲਾਈਨ ਪਲਾਟ
+
+ਦੋ ਲਾਈਨਪਲਾਟਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਉੱਤੇ ਸਪਰਿੰਪੋਜ਼ ਕਰਕੇ, Seaborn ਦੇ 'despine' ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੇ ਉੱਪਰ ਅਤੇ ਸੱਜੇ ਸਪਾਈਨ ਨੂੰ ਹਟਾਉਣ, ਅਤੇ `ax.twinx` ਦੀ ਵਰਤੋਂ ਕਰਕੇ [Matplotlib ਤੋਂ ਲਿਆ](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html)। Twinx ਇੱਕ ਚਾਰਟ ਨੂੰ x ਧੁਰੇ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਦੋ y ਧੁਰੇ ਦਿਖਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਲਈ, ਪ੍ਰਤੀ ਕਾਲਮ ਉਪਜ ਅਤੇ ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ ਦਿਖਾਓ, ਸਪਰਿੰਪੋਜ਼:
+
+```python
+fig, ax = plt.subplots(figsize=(12,6))
+lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, 
+                        label = 'Number of bee colonies', legend=False)
+sns.despine()
+plt.ylabel('# colonies')
+plt.title('Honey Production Year over Year');
+
+ax2 = ax.twinx()
+lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", 
+                         label ='Yield per colony', legend=False) 
+sns.despine(right=False)
+plt.ylabel('colony yield')
+ax.figure.legend();
+```
+![superimposed plots](../../../../translated_images/dual-line.a4c28ce659603fab2c003f4df816733df2bf41d1facb7de27989ec9afbf01b33.pa.png)
+
+ਹਾਲਾਂਕਿ 2003 ਦੇ ਆਸਪਾਸ ਕੁਝ ਵੀ ਅੱਖ ਨੂੰ ਖਾਸ ਤੌਰ 'ਤੇ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ, ਇਹ ਸਾਨੂੰ ਇਸ ਪਾਠ ਨੂੰ ਇੱਕ ਥੋੜ੍ਹੇ ਖੁਸ਼ੀ ਦੇ ਨੋਟ 'ਤੇ ਖਤਮ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ: ਹਾਲਾਂਕਿ ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਕੁੱਲ ਘਟਾਓ ਹੈ, ਕਾਲਮਾਂ ਦੀ ਗਿਣਤੀ ਸਥਿਰ ਹੋ ਰਹੀ ਹੈ, ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਤੀ ਕਾਲਮ ਉਪਜ ਘਟ ਰਹੀ ਹੈ।
+
+ਜਾਓ, ਮੱਖੀਆਂ, ਜਾਓ!
+
+🐝❤️
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਕੈਟਰਪਲਾਟ ਅਤੇ ਲਾਈਨ ਗ੍ਰਿਡਾਂ ਦੇ ਹੋਰ ਵਰਤੋਂ ਬਾਰੇ ਕੁਝ ਹੋਰ ਸਿੱਖਿਆ, ਜਿਸ ਵਿੱਚ ਫੈਸਿਟ ਗ੍ਰਿਡ ਸ਼ਾਮਲ ਹਨ। ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫੈਸਿਟ ਗ੍ਰਿਡ ਬਣਾਉਣ ਦੀ ਚੁਣੌਤੀ ਦਿਓ, ਸ਼ਾਇਦ ਉਹ ਜੋ ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਤੋਂ ਪਹਿਲਾਂ ਵਰਤਿਆ ਸੀ। ਨੋਟ ਕਰੋ ਕਿ ਉਹ ਬਣਾਉਣ ਵਿੱਚ ਕਿੰ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/12-visualization-relationships/assignment.md b/translations/pa/3-Data-Visualization/12-visualization-relationships/assignment.md
new file mode 100644
index 00000000..4e74c7c8
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/12-visualization-relationships/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "680419753c086eef51be86607c623945",
+  "translation_date": "2025-08-27T18:22:23+00:00",
+  "source_file": "3-Data-Visualization/12-visualization-relationships/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਮਧੂਮੱਖੀਆਂ ਦੇ ਛੱਤੇ ਵਿੱਚ ਡੁੱਬੋ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਮਧੂਮੱਖੀਆਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਦੇ ਡਾਟਾਸੈਟ ਨੂੰ ਦੇਖਣਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਜੋ ਸਮੇਂ ਦੇ ਇੱਕ ਅੰਤਰਾਲ ਵਿੱਚ ਮਧੂਮੱਖੀ ਕਾਲੋਨੀ ਦੀ ਆਬਾਦੀ ਵਿੱਚ ਕੁੱਲ ਘਟਾਓ ਦੇਖਦਾ ਹੈ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਜਾਓ ਅਤੇ ਇੱਕ ਨੋਟਬੁੱਕ ਬਣਾਓ ਜੋ ਰਾਜ ਦਰ ਰਾਜ ਅਤੇ ਸਾਲ ਦਰ ਸਾਲ ਮਧੂਮੱਖੀ ਦੀ ਆਬਾਦੀ ਦੀ ਸਿਹਤ ਦੀ ਕਹਾਣੀ ਦੱਸ ਸਕੇ। ਕੀ ਤੁਸੀਂ ਇਸ ਡਾਟਾਸੈਟ ਬਾਰੇ ਕੋਈ ਦਿਲਚਸਪ ਚੀਜ਼ ਖੋਜਦੇ ਹੋ?
+
+## ਮਾਪਦੰਡ
+
+| ਸ਼ਾਨਦਾਰ                                                                                                                                               | ਯੋਗ                                  | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ                        |
+| ----------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------ | --------------------------------------- |
+| ਇੱਕ ਨੋਟਬੁੱਕ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਚਾਰਟਾਂ ਨਾਲ ਡਾਟਾਸੈਟ ਦੇ ਪਹਲੂ, ਰਾਜ ਦਰ ਰਾਜ ਅਤੇ ਸਾਲ ਦਰ ਸਾਲ ਦਰਸਾਏ ਗਏ ਹਨ | ਨੋਟਬੁੱਕ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਘਾਟ ਹੈ | ਨੋਟਬੁੱਕ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਦੋ ਦੀ ਘਾਟ ਹੈ |
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/13-meaningful-visualizations/README.md b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/README.md
new file mode 100644
index 00000000..98740ff2
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -0,0 +1,166 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "4ec4747a9f4f7d194248ea29903ae165",
+  "translation_date": "2025-08-27T18:13:31+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਨਾਂਵਾਂ ਭਰਪੂਰ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਵੱਲੋਂ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| ਮਾਨਾਂਵਾਂ ਭਰਪੂਰ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ - _[@nitya](https://twitter.com/nitya) ਵੱਲੋਂ ਸਕੈਚਨੋਟ_ |
+
+> "ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਕਾਫ਼ੀ ਸਮੇਂ ਤੱਕ ਤੰਗ ਕਰੋ, ਤਾਂ ਇਹ ਕੁਝ ਵੀ ਕਬੂਲ ਕਰ ਲਵੇਗਾ" -- [ਰੋਨਾਲਡ ਕੋਸ](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+ਡਾਟਾ ਸਾਇੰਸਟ ਦਾ ਇੱਕ ਮੁੱਖ ਹੁਨਰ ਇਹ ਹੈ ਕਿ ਉਹ ਅਰਥਪੂਰਨ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਵੇ ਜੋ ਤੁਹਾਡੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰੇ। ਡਾਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ ਸਾਫ਼ ਅਤੇ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਡਾਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ।
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਮੀਖਿਆ ਕਰੋਗੇ:
+
+1. ਸਹੀ ਚਾਰਟ ਕਿਸਮ ਕਿਵੇਂ ਚੁਣੀ ਜਾਵੇ
+2. ਧੋਖੇਬਾਜ਼ ਚਾਰਟਿੰਗ ਤੋਂ ਕਿਵੇਂ ਬਚਿਆ ਜਾਵੇ
+3. ਰੰਗਾਂ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕੀਤਾ ਜਾਵੇ
+4. ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਚਾਰਟਾਂ ਨੂੰ ਕਿਵੇਂ ਸਜਾਇਆ ਜਾਵੇ
+5. ਐਨੀਮੇਟਡ ਜਾਂ 3D ਚਾਰਟਿੰਗ ਹੱਲ ਕਿਵੇਂ ਬਣਾਏ ਜਾਣ
+6. ਰਚਨਾਤਮਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਕਿਵੇਂ ਬਣਾਈ ਜਾਵੇ
+
+## [ਪਾਠ-ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## ਸਹੀ ਚਾਰਟ ਕਿਸਮ ਚੁਣੋ
+
+ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ Matplotlib ਅਤੇ Seaborn ਵਰਗੇ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਈ ਕਿਸਮ ਦੇ ਦਿਲਚਸਪ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦਾ ਅਨੁਭਵ ਕੀਤਾ। ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੇ ਸਵਾਲ ਦੇ ਅਨੁਸਾਰ ਸਹੀ [ਚਾਰਟ ਦੀ ਕਿਸਮ](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ਇਸ ਤਰ੍ਹਾਂ ਚੁਣ ਸਕਦੇ ਹੋ:
+
+| ਤੁਹਾਨੂੰ ਇਹ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:       | ਤੁਹਾਨੂੰ ਇਹ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ:         |
+| -------------------------- | ------------------------------- |
+| ਸਮੇਂ ਦੇ ਨਾਲ ਡਾਟਾ ਰੁਝਾਨ ਦਿਖਾਉਣਾ | ਲਾਈਨ                            |
+| ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਹੈ     | ਬਾਰ, ਪਾਈ                        |
+| ਕੁੱਲ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਹੈ         | ਪਾਈ, ਸਟੈਕਡ ਬਾਰ                |
+| ਸੰਬੰਧ ਦਿਖਾਉਣਾ ਹੈ            | ਸਕੈਟਰ, ਲਾਈਨ, ਫੈਸਿਟ, ਡੁਅਲ ਲਾਈਨ |
+| ਵੰਡ ਦਿਖਾਉਣੀ ਹੈ             | ਸਕੈਟਰ, ਹਿਸਟੋਗ੍ਰਾਮ, ਬਾਕਸ         |
+| ਅਨੁਪਾਤ ਦਿਖਾਉਣਾ ਹੈ           | ਪਾਈ, ਡੋਨਟ, ਵਾਫਲ              |
+
+> ✅ ਤੁਹਾਡੇ ਡਾਟਾ ਦੀ ਬਣਾਵਟ ਦੇ ਅਨੁਸਾਰ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਟੈਕਸਟ ਤੋਂ ਨੰਬਰਿਕ ਵਿੱਚ ਬਦਲਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਤਾਂ ਜੋ ਚਾਰਟ ਇਸਨੂੰ ਸਹਿਯੋਗ ਦੇ ਸਕੇ।
+
+## ਧੋਖੇਬਾਜ਼ੀ ਤੋਂ ਬਚੋ
+
+ਭਾਵੇਂ ਡਾਟਾ ਸਾਇੰਸਟ ਸਹੀ ਡਾਟਾ ਲਈ ਸਹੀ ਚਾਰਟ ਚੁਣਨ ਵਿੱਚ ਸਾਵਧਾਨ ਹੋਵੇ, ਫਿਰ ਵੀ ਕਈ ਤਰੀਕੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਡਾਟਾ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਕਿਸੇ ਨਤੀਜੇ ਨੂੰ ਸਾਬਤ ਕਰੇ, ਪਰ ਇਸ ਨਾਲ ਡਾਟਾ ਦੀ ਸੱਚਾਈ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚ ਸਕਦਾ ਹੈ। ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਅਤੇ ਇਨਫੋਗ੍ਰਾਫਿਕਸ ਦੇ ਕਈ ਉਦਾਹਰਨ ਹਨ!
+
+[![ਅਲਬਰਟੋ ਕਾਇਰੋ ਵੱਲੋਂ "ਹਾਊ ਚਾਰਟਸ ਲਾਈ"](../../../../translated_images/tornado.9f42168791208f970d6faefc11d1226d7ca89518013b14aa66b1c9edcd7678d2.pa.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "ਹਾਊ ਚਾਰਟਸ ਲਾਈ")
+
+> 🎥 ਉੱਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਬਾਰੇ ਕਾਨਫਰੰਸ ਟਾਕ ਦੇਖਣ ਲਈ
+
+ਇਹ ਚਾਰਟ X ਧੁਰੇ ਨੂੰ ਉਲਟਾ ਦਿਖਾਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਸੱਚ ਦੇ ਉਲਟ ਦਿਖਾਇਆ ਜਾਵੇ, ਮਿਤੀ ਦੇ ਆਧਾਰ 'ਤੇ:
+
+![ਖਰਾਬ ਚਾਰਟ 1](../../../../translated_images/bad-chart-1.93130f495b748bedfb3423d91b1e754d9026e17f94ad967aecdc9ca7203373bf.pa.png)
+
+[ਇਹ ਚਾਰਟ](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ਹੋਰ ਵੀ ਧੋਖੇਬਾਜ਼ ਹੈ, ਕਿਉਂਕਿ ਅੱਖ ਸੱਜੇ ਪਾਸੇ ਖਿੱਚੀ ਜਾਂਦੀ ਹੈ ਇਹ ਨਤੀਜਾ ਕੱਢਣ ਲਈ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ COVID ਕੇਸ ਘਟੇ ਹਨ। ਪਰ ਜੇ ਤੁਸੀਂ ਮਿਤੀਆਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ, ਤਾਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਨੂੰ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਦੁਬਾਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+![ਖਰਾਬ ਚਾਰਟ 2](../../../../translated_images/bad-chart-2.c20e36dd4e6f617c0c325878dd421a563885bbf30a394884c147438827254e0e.pa.jpg)
+
+ਇਹ ਮਸ਼ਹੂਰ ਉਦਾਹਰਨ ਰੰਗ ਅਤੇ ਉਲਟੇ Y ਧੁਰੇ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਧੋਖਾ ਦੇਣ ਲਈ: ਬਜਾਏ ਇਸ ਨਤੀਜੇ 'ਤੇ ਪਹੁੰਚਣ ਦੇ ਕਿ ਗਨ ਕਾਨੂੰਨ ਪਾਸ ਹੋਣ ਤੋਂ ਬਾਅਦ ਗਨ ਮੌਤਾਂ ਵਧੀਆਂ, ਅਸਲ ਵਿੱਚ ਅੱਖ ਨੂੰ ਧੋਖਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਇਸਦਾ ਉਲਟ ਸੱਚ ਹੈ:
+
+![ਖਰਾਬ ਚਾਰਟ 3](../../../../translated_images/bad-chart-3.6865d0afac4108d737558d90a61547d23a8722896397ec792264ee51a1be4be5.pa.jpg)
+
+ਇਹ ਅਜੀਬ ਚਾਰਟ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਅਨੁਪਾਤ ਨੂੰ ਕਿਵੇਂ ਮਜ਼ਾਕੀਆ ਤਰੀਕੇ ਨਾਲ ਮੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+
+![ਖਰਾਬ ਚਾਰਟ 4](../../../../translated_images/bad-chart-4.68cfdf4011b454471053ee1231172747e1fbec2403b4443567f1dc678134f4f2.pa.jpg)
+
+ਅਤੁਲਨਾਤਮਕ ਚੀਜ਼ਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਇੱਕ ਹੋਰ ਧੋਖੇਬਾਜ਼ ਤਰੀਕਾ ਹੈ। ਇੱਕ [ਸ਼ਾਨਦਾਰ ਵੈੱਬਸਾਈਟ](https://tylervigen.com/spurious-correlations) 'ਸਪਿਊਰੀਅਸ ਕੋਰਲੇਸ਼ਨਜ਼' ਬਾਰੇ ਹੈ ਜੋ 'ਤੱਥਾਂ' ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਮੈਨ ਵਿੱਚ ਤਲਾਕ ਦੀ ਦਰ ਅਤੇ ਮਾਰਜਰੀਨ ਦੀ ਖਪਤ। ਇੱਕ Reddit ਗਰੁੱਪ ਵੀ ਡਾਟਾ ਦੇ [ਖਰਾਬ ਉਪਯੋਗ](https://www.reddit.com/r/dataisugly/top/?t=all) ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ।
+
+ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਅੱਖ ਨੂੰ ਕਿਵੇਂ ਆਸਾਨੀ ਨਾਲ ਧੋਖਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਭਾਵੇਂ ਡਾਟਾ ਸਾਇੰਸਟ ਦੀ ਨੀਅਤ ਚੰਗੀ ਹੋਵੇ, ਪਰ ਖਰਾਬ ਚਾਰਟ ਦੀ ਕਿਸਮ ਚੁਣਨਾ, ਜਿਵੇਂ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਾਲਾ ਪਾਈ ਚਾਰਟ, ਧੋਖੇਬਾਜ਼ੀ ਹੋ ਸਕਦੀ ਹੈ।
+
+## ਰੰਗ
+
+ਤੁਸੀਂ ਉੱਪਰ ਦਿੱਤੇ 'ਫਲੋਰੀਡਾ ਗਨ ਵਾਇਲੈਂਸ' ਚਾਰਟ ਵਿੱਚ ਦੇਖਿਆ ਕਿ ਰੰਗ ਕਿਵੇਂ ਚਾਰਟਾਂ ਵਿੱਚ ਇੱਕ ਵਾਧੂ ਅਰਥ ਦੀ ਪਰਤ ਜੋੜ ਸਕਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਉਹਨਾਂ ਵਿੱਚ ਜੋ Matplotlib ਅਤੇ Seaborn ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਹੀਂ ਬਣਾਏ ਗਏ। ਜੇ ਤੁਸੀਂ ਹੱਥੋਂ ਚਾਰਟ ਬਣਾ ਰਹੇ ਹੋ, ਤਾਂ [ਰੰਗ ਸਿਧਾਂਤ](https://colormatters.com/color-and-design/basic-color-theory) ਦਾ ਥੋੜ੍ਹਾ ਅਧਿਐਨ ਕਰੋ।
+
+> ✅ ਚਾਰਟ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ, ਇਹ ਯਾਦ ਰੱਖੋ ਕਿ ਪਹੁੰਚਯੋਗਤਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹلو ਹੈ। ਤੁਹਾਡੇ ਕੁਝ ਯੂਜ਼ਰ ਰੰਗਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਦੇਖ ਸਕਦੇ - ਕੀ ਤੁਹਾਡਾ ਚਾਰਟ ਵਿਜੁਅਲ ਰੁਕਾਵਟਾਂ ਵਾਲੇ ਯੂਜ਼ਰਾਂ ਲਈ ਠੀਕ ਦਿਖਦਾ ਹੈ?
+
+ਚਾਰਟ ਲਈ ਰੰਗ ਚੁਣਦੇ ਸਮੇਂ ਸਾਵਧਾਨ ਰਹੋ, ਕਿਉਂਕਿ ਰੰਗ ਉਹ ਅਰਥ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ। ਉੱਪਰ ਦਿੱਤੇ 'ਹਾਈਟ' ਚਾਰਟ ਵਿੱਚ 'ਪਿੰਕ ਲੇਡੀਜ਼' ਇੱਕ ਵਿਸ਼ੇਸ਼ 'ਮਹਿਲਾਵਾਂ' ਵਾਲਾ ਅਰਥ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਚਾਰਟ ਦੀ ਅਜੀਬਤਾ ਵਿੱਚ ਵਾਧਾ ਕਰਦਾ ਹੈ।
+
+ਜਦੋਂ ਕਿ [ਰੰਗਾਂ ਦੇ ਅਰਥ](https://colormatters.com/color-symbolism/the-meanings-of-colors) ਵਿਭਿੰਨ ਭਾਗਾਂ ਵਿੱਚ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸ਼ੇਡ ਦੇ ਅਨੁਸਾਰ ਬਦਲ ਸਕਦੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਰੰਗਾਂ ਦੇ ਅਰਥ ਇਹ ਹਨ:
+
+| ਰੰਗ    | ਅਰਥ                   |
+| ------ | ------------------- |
+| ਲਾਲ    | ਤਾਕਤ               |
+| ਨੀਲਾ   | ਭਰੋਸਾ, ਵਫ਼ਾਦਾਰੀ      |
+| ਪੀਲਾ   | ਖੁਸ਼ੀ, ਸਾਵਧਾਨੀ       |
+| ਹਰਾ    | ਪਰਿਆਵਰਣ, ਨਸੀਬ, ਈਰਖਾ |
+| ਜਾਮਨੀ  | ਖੁਸ਼ੀ               |
+| ਸੰਤਰੀ  | ਉਤਸ਼ਾਹ             |
+
+ਜੇ ਤੁਹਾਨੂੰ ਕਸਟਮ ਰੰਗਾਂ ਨਾਲ ਚਾਰਟ ਬਣਾਉਣ ਦਾ ਕੰਮ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਚਾਰਟ ਪਹੁੰਚਯੋਗ ਹਨ ਅਤੇ ਤੁਸੀਂ ਚੁਣੇ ਰੰਗ ਉਹ ਅਰਥ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।
+
+## ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਚਾਰਟਾਂ ਨੂੰ ਸਜਾਉਣਾ
+
+ਜੇ ਚਾਰਟ ਪੜ੍ਹਨਯੋਗ ਨਹੀਂ ਹਨ, ਤਾਂ ਉਹ ਅਰਥਪੂਰਨ ਨਹੀਂ ਹਨ! ਆਪਣੇ ਡਾਟਾ ਦੇ ਅਨੁਸਾਰ ਚਾਰਟ ਦੀ ਚੌੜਾਈ ਅਤੇ ਉਚਾਈ ਨੂੰ ਸਜਾਉਣ ਲਈ ਸਮਾਂ ਲਓ। ਜੇਕਰ ਇੱਕ ਵੈਰੀਏਬਲ (ਜਿਵੇਂ ਕਿ ਸਾਰੇ 50 ਰਾਜ) ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ Y ਧੁਰੇ 'ਤੇ ਲੰਬਵਾਧ ਦਿਖਾਓ ਤਾਂ ਜੋ ਹੌਰਿਜ਼ਾਂਟਲ-ਸਕ੍ਰੋਲਿੰਗ ਚਾਰਟ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ।
+
+ਆਪਣੇ ਧੁਰਿਆਂ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਜ਼ਰੂਰਤ ਪਏ ਤਾਂ ਲੈਜੈਂਡ ਦਿਓ, ਅਤੇ ਡਾਟਾ ਦੀ ਵਧੀਆ ਸਮਝ ਲਈ ਟੂਲਟਿਪਸ ਪ੍ਰਦਾਨ ਕਰੋ।
+
+ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਟੈਕਸਟੂਅਲ ਅਤੇ X ਧੁਰੇ 'ਤੇ ਲੰਬਾ ਹੈ, ਤਾਂ ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਟੈਕਸਟ ਨੂੰ ਝੁਕਾ ਸਕਦੇ ਹੋ। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D ਪਲੌਟਿੰਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਇਸਨੂੰ ਸਹਿਯੋਗ ਦਿੰਦਾ ਹੈ। `mpl_toolkits.mplot3d` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੁਧਾਰਸ਼ੀਲ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈ ਜਾ ਸਕਦੀ ਹੈ।
+
+![3D ਪਲੌਟ](../../../../translated_images/3d.0cec12bcc60f0ce7284c63baed1411a843e24716f7d7425de878715ebad54a15.pa.png)
+
+## ਐਨੀਮੇਸ਼ਨ ਅਤੇ 3D ਚਾਰਟ ਡਿਸਪਲੇਅ
+
+ਅੱਜ ਦੇ ਕੁਝ ਸਭ ਤੋਂ ਵਧੀਆ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਐਨੀਮੇਟਡ ਹਨ। ਸ਼ਿਰਲੀ ਵੂ ਨੇ D3 ਨਾਲ ਬਹੁਤ ਹੀ ਸ਼ਾਨਦਾਰ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ '[ਫਿਲਮ ਫਲਾਵਰਜ਼](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ਜਿੱਥੇ ਹਰ ਫੁੱਲ ਇੱਕ ਫਿਲਮ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਹੈ। ਗਾਰਡੀਅਨ ਲਈ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ ਹੈ 'ਬੱਸਡ ਆਉਟ', ਜੋ ਇੱਕ ਇੰਟਰੈਕਟਿਵ ਅਨੁਭਵ ਹੈ ਜੋ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਗ੍ਰੀਨਸਾਕ ਅਤੇ D3 ਨਾਲ ਜੋੜਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਕ੍ਰੋਲਲੀਟੈਲਿੰਗ ਲੇਖ ਫਾਰਮੈਟ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਨਿਊਯਾਰਕ ਸਿਟੀ ਆਪਣੇ ਬੇਘਰ ਲੋਕਾਂ ਨੂੰ ਸ਼ਹਿਰ ਤੋਂ ਬਾਹਰ ਕਿਵੇਂ ਭੇਜਦਾ ਹੈ।
+
+![ਬੱਸਿੰਗ](../../../../translated_images/busing.7b9e3b41cd4b981c6d63922cd82004cc1cf18895155536c1d98fcc0999bdd23e.pa.png)
+
+> "ਬੱਸਡ ਆਉਟ: ਅਮਰੀਕਾ ਆਪਣੇ ਬੇਘਰ ਲੋਕਾਂ ਨੂੰ ਕਿਵੇਂ ਹਿਲਾਉਂਦਾ ਹੈ" [ਗਾਰਡੀਅਨ](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) ਤੋਂ। ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨਾਦੀਹ ਬ੍ਰੇਮਰ ਅਤੇ ਸ਼ਿਰਲੀ ਵੂ ਵੱਲੋਂ
+
+ਭਾਵੇਂ ਇਹ ਪਾਠ ਇਨ੍ਹਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਸਿਖਾਉਣ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਪਰ D3 ਨੂੰ Vue.js ਐਪ ਵਿੱਚ ਵਰਤਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। 
+
+> "ਲੇਜ਼ ਲਿਆਜ਼ੋਂ ਡੇਂਜਰੇਜ਼" ਇੱਕ ਪੱਤਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖਿਆ ਨਾਵਲ ਹੈ। 1782 ਵਿੱਚ ਚੋਡਰਲੋਸ ਡੇ ਲਾਕਲੋਸ ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ, ਇਹ 18ਵੀਂ ਸਦੀ ਦੇ ਫਰਾਂਸੀਸੀ ਅਰਿਸਟੋਕ੍ਰੇਸੀ ਦੇ ਦੋ ਮੁੱਖ ਪਾਤਰਾਂ ਦੀ ਕਹਾਣੀ ਦੱਸਦਾ ਹੈ। 
+
+ਤੁਸੀਂ ਇੱਕ ਵੈੱਬ ਐਪ ਪੂਰਾ ਕਰੋਗੇ ਜੋ ਇਸ ਸਮਾਜਿਕ ਨੈੱਟਵਰਕ ਦਾ ਐਨੀਮੇਟਡ ਦ੍ਰਿਸ਼ ਦਿਖਾਵੇਗਾ। 
+
+![ਲਿਆਜ਼ੋਂ](../../../../translated_images/liaisons.7b440b28f6d07ea430244fdf1fc4c64ff48f473f143b8e921846eda1c302aeba.pa.png)
+
+## ਪ੍ਰੋਜੈਕਟ: D3.js ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈੱਟਵਰਕ ਦਿਖਾਉਣ ਵਾਲਾ ਚਾਰਟ ਬਣਾਓ
+
+> ਇਸ ਪਾਠ ਫੋਲਡਰ ਵਿੱਚ ਇੱਕ `solution` ਫੋਲਡਰ ਸ਼ਾਮਲ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਸੰਪੂਰਨ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਰੂਪ ਰੇਖਾ ਵਜੋਂ ਪਾ ਸਕਦੇ ਹੋ।
+
+1. ਸ਼ੁਰੂਆਤੀ ਫੋਲਡਰ ਦੀ ਰੂਟ ਵਿੱਚ README.md ਫਾਈਲ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ NPM ਅਤੇ Node.js ਚੱਲ ਰਹੇ ਹਨ।
+
+2. `starter/src` ਫੋਲਡਰ ਖੋਲ੍ਹੋ। ਤੁਹਾਨੂੰ ਇੱਕ `assets` ਫੋਲਡਰ ਮਿਲੇਗਾ ਜਿੱਥੇ ਇੱਕ .json ਫਾਈਲ ਹੈ ਜਿਸ ਵਿੱਚ ਸਾਰੇ ਪੱਤਰ ਹਨ, ਨੰਬਰਬੱਧ, 'to' ਅਤੇ 'from' ਨੋਟਸ ਨਾਲ।
+
+3. `components/Nodes.vue` ਵਿੱਚ ਕੋਡ ਪੂਰਾ ਕਰੋ ਤਾਂ ਜੋ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਸੰਭਵ ਹੋ ਸਕੇ। `createLinks()` ਨਾਮਕ ਵਿਧੀ ਨੂੰ ਲੱਭੋ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤਾ ਗਇਆ ਲੂਪ ਸ਼ਾਮਲ ਕਰੋ।
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+ਆਪਣੇ ਟਰਮਿਨਲ ਤੋਂ ਐਪ ਚਲਾਓ (npm run serve) ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਆਨੰਦ ਲਵੋ!
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇੰਟਰਨੈੱਟ 'ਤੇ ਧੋਖੇਬਾਜ਼ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਖੋਜ ਕਰੋ। ਲੇਖਕ ਯੂਜ਼ਰ ਨੂੰ ਕਿਵੇਂ ਧੋਖਾ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਕੀ ਇਹ ਜਾਨਬੁੱਝ ਕੇ ਕੀਤਾ ਗਿਆ ਹੈ? ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਤਾਂ ਜੋ ਉਹ ਸਹੀ ਦਿਖਾਈ ਦੇ।
+
+## [ਪਾਠ-ਬਾਅਦ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਇਹਨਾਂ ਲੇਖਾਂ ਨੂੰ ਪੜ੍ਹੋ ਜੋ ਧੋਖੇਬਾਜ਼ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਾਰੇ ਹਨ:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/13-meaningful-visualizations/assignment.md b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/assignment.md
new file mode 100644
index 00000000..48731e28
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e56df4c0f49357e30ac8fc77aa439dd4",
+  "translation_date": "2025-08-27T18:15:20+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਆਪਣਾ ਕਸਟਮ ਵਿਜੁਅਲ ਬਣਾਓ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਦਿੱਤੇ ਕੋਡ ਨਮੂਨੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਬਣਾਓ ਅਤੇ ਆਪਣੇ ਸੋਸ਼ਲ ਇੰਟਰੈਕਸ਼ਨ ਦਾ ਮੌਕ ਡਾਟਾ ਤਿਆਰ ਕਰੋ। ਤੁਸੀਂ ਆਪਣੇ ਸੋਸ਼ਲ ਮੀਡੀਆ ਦੀ ਵਰਤੋਂ ਨੂੰ ਮੈਪ ਕਰ ਸਕਦੇ ਹੋ ਜਾਂ ਆਪਣੇ ਪਰਿਵਾਰਕ ਮੈਂਬਰਾਂ ਦਾ ਡਾਇਗ੍ਰਾਮ ਬਣਾ ਸਕਦੇ ਹੋ। ਇੱਕ ਦਿਲਚਸਪ ਵੈੱਬ ਐਪ ਬਣਾਓ ਜੋ ਇੱਕ ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਦੀ ਵਿਲੱਖਣ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਿਖਾਏ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ  
+--- | --- | --- |  
+ਇੱਕ GitHub ਰਿਪੋ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਕੋਡ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਚੱਲਦਾ ਹੈ (ਇਸਨੂੰ ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਵਜੋਂ ਡਿਪਲੌਇ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ) ਅਤੇ ਇੱਕ ਵਿਆਖਿਆਤਮਕ README ਪ੍ਰੋਜੈਕਟ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ | ਰਿਪੋ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਚੱਲਦਾ ਜਾਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ ਕੀਤਾ ਗਿਆ | ਰਿਪੋ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਚੱਲਦਾ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ ਕੀਤਾ ਗਿਆ
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/13-meaningful-visualizations/solution/README.md b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
new file mode 100644
index 00000000..f4328810
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/solution/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:16:17+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/solution/README.md",
+  "language_code": "pa"
+}
+-->
+# ਖਤਰਨਾਕ ਸੰਬੰਧਾਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ
+
+ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੋਵੇਗਾ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ NPM ਅਤੇ Node ਚੱਲ ਰਹੇ ਹਨ। Dependencies (npm install) ਨੂੰ ਇੰਸਟਾਲ ਕਰੋ ਅਤੇ ਫਿਰ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਓ (npm run serve):
+
+## ਪ੍ਰੋਜੈਕਟ ਸੈਟਅੱਪ
+```
+npm install
+```
+
+### ਵਿਕਾਸ ਲਈ ਕੰਪਾਇਲ ਅਤੇ ਹੌਟ-ਰੀਲੋਡ
+```
+npm run serve
+```
+
+### ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਕੰਪਾਇਲ ਅਤੇ ਮਿਨੀਫਾਈ
+```
+npm run build
+```
+
+### ਫਾਈਲਾਂ ਦੀ ਲਿੰਟਿੰਗ ਅਤੇ ਫਿਕਸਿੰਗ
+```
+npm run lint
+```
+
+### ਕਨਫਿਗਰੇਸ਼ਨ ਨੂੰ ਕਸਟਮਾਈਜ਼ ਕਰੋ
+[Configuration Reference](https://cli.vuejs.org/config/) ਵੇਖੋ।
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/13-meaningful-visualizations/starter/README.md b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
new file mode 100644
index 00000000..beb480e9
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/starter/README.md
@@ -0,0 +1,40 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "5c51a54dd89075a7a362890117b7ed9e",
+  "translation_date": "2025-08-27T18:15:49+00:00",
+  "source_file": "3-Data-Visualization/13-meaningful-visualizations/starter/README.md",
+  "language_code": "pa"
+}
+-->
+# ਖਤਰਨਾਕ ਸੰਬੰਧਾਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟ
+
+ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ NPM ਅਤੇ Node ਚੱਲ ਰਹੇ ਹਨ। ਡਿਪੈਂਡੈਂਸੀਜ਼ ਇੰਸਟਾਲ ਕਰੋ (npm install) ਅਤੇ ਫਿਰ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਓ (npm run serve):
+
+## ਪ੍ਰੋਜੈਕਟ ਸੈਟਅੱਪ
+```
+npm install
+```
+
+### ਡਿਵੈਲਪਮੈਂਟ ਲਈ ਕੰਪਾਈਲ ਅਤੇ ਹੌਟ-ਰੀਲੋਡ ਕਰਦਾ ਹੈ
+```
+npm run serve
+```
+
+### ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਕੰਪਾਈਲ ਅਤੇ ਮਿਨੀਫਾਈ ਕਰਦਾ ਹੈ
+```
+npm run build
+```
+
+### ਫਾਈਲਾਂ ਨੂੰ ਲਿੰਟ ਅਤੇ ਫਿਕਸ ਕਰਦਾ ਹੈ
+```
+npm run lint
+```
+
+### ਕਨਫਿਗਰੇਸ਼ਨ ਨੂੰ ਕਸਟਮਾਈਜ਼ ਕਰੋ
+[ਕਨਫਿਗਰੇਸ਼ਨ ਰੈਫਰੈਂਸ](https://cli.vuejs.org/config/) ਵੇਖੋ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/pa/3-Data-Visualization/R/09-visualization-quantities/README.md
new file mode 100644
index 00000000..355e4a7b
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -0,0 +1,186 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "22acf28f518a4769ea14fa42f4734b9f",
+  "translation_date": "2025-08-27T18:32:06+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਤਰਾ ਨੂੰ ਦਿਖਾਉਣਾ
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+|:---:|
+| ਮਾਤਰਾ ਨੂੰ ਦਿਖਾਉਣਾ - _ਸਕੇਚਨੋਟ [@nitya](https://twitter.com/nitya) ਦੁਆਰਾ_ |
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਕਿਵੇਂ ਕੁਝ ਉਪਲਬਧ R ਪੈਕੇਜ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਤਰਾ ਦੇ ਸੰਕਲਪ ਦੇ ਆਧਾਰ 'ਤੇ ਦਿਲਚਸਪ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਬਾਰੇ ਇੱਕ ਸਾਫ ਕੀਤੇ ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਸਥਾਨਕ ਜੰਗਲੀ ਜੀਵਾਂ ਬਾਰੇ ਕਈ ਦਿਲਚਸਪ ਤੱਥ ਸਿੱਖ ਸਕਦੇ ਹੋ।  
+## [ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
+
+## ggplot2 ਨਾਲ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦਾ ਅਧਿਐਨ ਕਰੋ
+ਸਧਾਰਣ ਅਤੇ ਜਟਿਲ ਪਲਾਟਾਂ ਅਤੇ ਚਾਰਟਾਂ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਲਾਇਬ੍ਰੇਰੀ ਹੈ [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html)। ਆਮ ਤੌਰ 'ਤੇ, ਇਹ ਲਾਇਬ੍ਰੇਰੀਆਂ ਵਰਤ ਕੇ ਡਾਟਾ ਪਲਾਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ: ਆਪਣੇ ਡਾਟਾਫਰੇਮ ਦੇ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਟਾਰਗਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਡਾਟੇ 'ਤੇ ਜ਼ਰੂਰੀ ਤਬਦੀਲੀਆਂ ਕਰਨਾ, ਇਸ ਦੇ x ਅਤੇ y ਐਕਸਿਸ ਮੁੱਲਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ, ਪਲਾਟ ਦੀ ਕਿਸਮ ਚੁਣਨਾ, ਅਤੇ ਫਿਰ ਪਲਾਟ ਦਿਖਾਉਣਾ।
+
+`ggplot2` ਇੱਕ ਸਿਸਟਮ ਹੈ ਜੋ ਗ੍ਰਾਫਿਕਸ ਨੂੰ ਡਿਕਲੇਰੇਟਿਵ ਢੰਗ ਨਾਲ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ "ਗ੍ਰਾਮਰ ਆਫ ਗ੍ਰਾਫਿਕਸ" 'ਤੇ ਆਧਾਰਿਤ ਹੈ। [ਗ੍ਰਾਮਰ ਆਫ ਗ੍ਰਾਫਿਕਸ](https://en.wikipedia.org/wiki/Ggplot2) ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਇੱਕ ਆਮ ਯੋਜਨਾ ਹੈ ਜੋ ਗ੍ਰਾਫਾਂ ਨੂੰ ਅਰਥਪੂਰਨ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਕੇਲ ਅਤੇ ਲੇਅਰ। ਸਧਾਰਣ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਘੱਟ ਕੋਡ ਨਾਲ ਇੱਕਵਾਰੀ ਜਾਂ ਬਹੁਵਾਰੀ ਡਾਟੇ ਲਈ ਪਲਾਟਾਂ ਅਤੇ ਗ੍ਰਾਫਾਂ ਬਣਾਉਣ ਦੀ ਸਹੂਲਤ `ggplot2` ਨੂੰ R ਵਿੱਚ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਪੈਕੇਜ ਬਣਾਉਂਦੀ ਹੈ। ਯੂਜ਼ਰ `ggplot2` ਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਵੈਰੀਏਬਲਾਂ ਨੂੰ ਗ੍ਰਾਫਿਕਲ ਐਸਥੇਟਿਕਸ ਨਾਲ ਕਿਵੇਂ ਨਕਸ਼ਾ ਬਣਾਉਣਾ ਹੈ, ਕਿਹੜੇ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਿਮਿਟਿਵਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ, ਅਤੇ ਬਾਕੀ ਕੰਮ `ggplot2` ਕਰਦਾ ਹੈ।
+
+> ✅ ਪਲਾਟ = ਡਾਟਾ + ਐਸਥੇਟਿਕਸ + ਜਿਓਮੈਟਰੀ  
+> - ਡਾਟਾ ਡਾਟਾਸੈੱਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ  
+> - ਐਸਥੇਟਿਕਸ ਉਹ ਵੈਰੀਏਬਲ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਜਾਣਾ ਹੈ (x ਅਤੇ y ਵੈਰੀਏਬਲ)  
+> - ਜਿਓਮੈਟਰੀ ਪਲਾਟ ਦੀ ਕਿਸਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ (ਲਾਈਨ ਪਲਾਟ, ਬਾਰ ਪਲਾਟ, ਆਦਿ)  
+
+ਆਪਣੇ ਡਾਟੇ ਅਤੇ ਕਹਾਣੀ ਦੇ ਅਨੁਸਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਜਿਓਮੈਟਰੀ (ਪਲਾਟ ਦੀ ਕਿਸਮ) ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਪਲਾਟ ਰਾਹੀਂ ਦੱਸਣਾ ਚਾਹੁੰਦੇ ਹੋ।  
+
+> - ਰੁਝਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ: ਲਾਈਨ, ਕਾਲਮ  
+> - ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ: ਬਾਰ, ਕਾਲਮ, ਪਾਈ, ਸਕੈਟਰਪਲਾਟ  
+> - ਪੂਰੇ ਨਾਲ ਹਿੱਸਿਆਂ ਦੇ ਸੰਬੰਧ ਦਿਖਾਉਣ ਲਈ: ਪਾਈ  
+> - ਡਾਟੇ ਦੇ ਵੰਡਨ ਨੂੰ ਦਿਖਾਉਣ ਲਈ: ਸਕੈਟਰਪਲਾਟ, ਬਾਰ  
+> - ਮੁੱਲਾਂ ਦੇ ਸੰਬੰਧ ਦਿਖਾਉਣ ਲਈ: ਲਾਈਨ, ਸਕੈਟਰਪਲਾਟ, ਬਬਲ  
+
+✅ ਤੁਸੀਂ ਇਸ ਵੇਰਵੇਦਾਰ [ਚੀਟਸ਼ੀਟ](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) ਨੂੰ ਵੀ ਦੇਖ ਸਕਦੇ ਹੋ ਜੋ ggplot2 ਲਈ ਹੈ।
+
+## ਪੰਖਾਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਬਾਰੇ ਲਾਈਨ ਪਲਾਟ ਬਣਾਓ
+
+R ਕਨਸੋਲ ਖੋਲ੍ਹੋ ਅਤੇ ਡਾਟਾਸੈੱਟ ਇੰਪੋਰਟ ਕਰੋ।  
+> ਨੋਟ: ਡਾਟਾਸੈੱਟ ਇਸ ਰਿਪੋ ਦੇ ਰੂਟ ਵਿੱਚ `/data` ਫੋਲਡਰ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+ਆਓ ਡਾਟਾਸੈੱਟ ਇੰਪੋਰਟ ਕਰੀਏ ਅਤੇ ਡਾਟੇ ਦੇ ਸਿਰਲੇਖ (ਪਹਿਲੀਆਂ 5 ਕਤਾਰਾਂ) ਨੂੰ ਦੇਖੀਏ।  
+
+```r
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+head(birds)
+```  
+ਡਾਟੇ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਟੈਕਸਟ ਅਤੇ ਨੰਬਰਾਂ ਦਾ ਮਿਸ਼ਰਣ ਹੈ:  
+
+|      | Name                         | ScientificName         | Category              | Order        | Family   | Genus       | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | Fulvous whistling-duck       | Dendrocygna bicolor    | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | Snow goose                   | Anser caerulescens     | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | Ross's goose                 | Anser rossii           | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | Greater white-fronted goose  | Anser albifrons        | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+ਆਓ ਕੁਝ ਨੰਬਰਾਤਮਕ ਡਾਟੇ ਨੂੰ ਇੱਕ ਬੇਸਿਕ ਲਾਈਨ ਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਲਾਟ ਕਰੀਏ। ਮੰਨੋ ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਦਿਲਚਸਪ ਪੰਛੀਆਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ।  
+
+```r
+install.packages("ggplot2")
+library("ggplot2")
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() 
+```  
+ਇੱਥੇ, ਤੁਸੀਂ `ggplot2` ਪੈਕੇਜ ਇੰਸਟਾਲ ਕਰਦੇ ਹੋ ਅਤੇ ਫਿਰ ਇਸਨੂੰ `library("ggplot2")` ਕਮਾਂਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਕਸਪੇਸ ਵਿੱਚ ਇੰਪੋਰਟ ਕਰਦੇ ਹੋ। ggplot ਵਿੱਚ ਕੋਈ ਵੀ ਪਲਾਟ ਬਣਾਉਣ ਲਈ, `ggplot()` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਤੁਸੀਂ ਡਾਟਾਸੈੱਟ, x ਅਤੇ y ਵੈਰੀਏਬਲਾਂ ਨੂੰ ਗੁਣਾਂ ਵਜੋਂ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ ਲਾਈਨ ਪਲਾਟ ਪਲਾਟ ਕਰਨ ਲਈ `geom_line()` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ।  
+
+![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.pa.png)  
+
+ਤੁਰੰਤ ਕੀ ਨਜ਼ਰ ਆਉਂਦਾ ਹੈ? ਘੱਟੋ-ਘੱਟ ਇੱਕ ਆਊਟਲਾਇਰ ਹੈ - ਇਹ ਕਾਫ਼ੀ ਵੱਡੀ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਹੈ! 2000+ ਸੈਂਟੀਮੀਟਰ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ 20 ਮੀਟਰ ਤੋਂ ਵੱਧ ਹੈ - ਕੀ ਮਿਨੇਸੋਟਾ ਵਿੱਚ ਪਟੇਰੋਡੈਕਟਿਲ ਉੱਡ ਰਹੇ ਹਨ? ਆਓ ਜਾਂਚ ਕਰੀਏ।  
+
+ਜਦੋਂ ਤੁਸੀਂ Excel ਵਿੱਚ ਇੱਕ ਤੇਜ਼ ਸੌਰਟ ਕਰਕੇ ਉਹ ਆਊਟਲਾਇਰ ਲੱਭ ਸਕਦੇ ਹੋ, ਜੋ ਸ਼ਾਇਦ ਟਾਈਪੋਜ਼ ਹਨ, ਤਾਂ ਵੀ ਪਲਾਟ ਦੇ ਅੰਦਰੋਂ ਕੰਮ ਕਰਦੇ ਹੋਏ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਜਾਰੀ ਰੱਖੋ।  
+
+x-ਐਕਸਿਸ 'ਤੇ ਲੇਬਲ ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਦਿਖਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜੇ ਪੰਛੀ ਗੱਲ ਵਿੱਚ ਹਨ:  
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_line() +
+  theme(axis.text.x = element_text(angle = 45, hjust=1))+
+  xlab("Birds") +
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters")
+```  
+ਅਸੀਂ `theme` ਵਿੱਚ ਕੋਣ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ ਅਤੇ `xlab()` ਅਤੇ `ylab()` ਵਿੱਚ x ਅਤੇ y ਐਕਸਿਸ ਲੇਬਲ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ। `ggtitle()` ਗ੍ਰਾਫ/ਪਲਾਟ ਨੂੰ ਇੱਕ ਨਾਮ ਦਿੰਦਾ ਹੈ।  
+
+![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.pa.png)  
+
+45 ਡਿਗਰੀ 'ਤੇ ਲੇਬਲਾਂ ਦੇ ਰੋਟੇਸ਼ਨ ਦੇ ਨਾਲ ਵੀ, ਇਹ ਪੜ੍ਹਨ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ। ਆਓ ਇੱਕ ਵੱਖਰੀ ਰਣਨੀਤੀ ਅਪਣਾਈਏ: ਸਿਰਫ ਉਹ ਆਊਟਲਾਇਰ ਲੇਬਲ ਕਰੋ ਅਤੇ ਪਲਾਟ ਦੇ ਅੰਦਰ ਲੇਬਲ ਸੈੱਟ ਕਰੋ। ਤੁਸੀਂ ਲੇਬਲਿੰਗ ਲਈ ਹੋਰ ਜਗ੍ਹਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਕੈਟਰ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ:  
+
+```r
+ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
+  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
+  ylab("Wingspan (CM)") +
+  ggtitle("Max Wingspan in Centimeters") + 
+```  
+ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ? ਤੁਸੀਂ `geom_point()` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਕੈਟਰ ਪੌਇੰਟ ਪਲਾਟ ਕੀਤੇ। ਇਸ ਨਾਲ, ਤੁਸੀਂ ਉਹ ਪੰਛੀ ਲੇਬਲ ਕੀਤੇ ਜਿਨ੍ਹਾਂ ਦੀ `MaxWingspan > 500` ਸੀ ਅਤੇ ਪਲਾਟ ਨੂੰ ਕਲਟਰ-ਫ੍ਰੀ ਬਣਾਉਣ ਲਈ x ਐਕਸਿਸ ਦੇ ਲੇਬਲਾਂ ਨੂੰ ਛੁਪਾ ਦਿੱਤਾ।  
+
+ਤੁਸੀਂ ਕੀ ਪਤਾ ਲਗਾਇਆ?  
+
+![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.pa.png)  
+
+## ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਫਿਲਟਰ ਕਰੋ  
+
+ਬਾਲਡ ਈਗਲ ਅਤੇ ਪ੍ਰੇਰੀ ਫਾਲਕਨ, ਜਦੋਂ ਕਿ ਸ਼ਾਇਦ ਬਹੁਤ ਵੱਡੇ ਪੰਛੀ ਹਨ, ਸ਼ਾਇਦ ਗਲਤ ਲੇਬਲ ਕੀਤੇ ਗਏ ਹਨ, ਉਨ੍ਹਾਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਵਿੱਚ ਇੱਕ ਵਾਧੂ 0 ਸ਼ਾਮਲ ਹੈ। ਇਹ ਸੰਭਵ ਨਹੀਂ ਹੈ ਕਿ ਤੁਸੀਂ 25 ਮੀਟਰ ਪੰਖਾਂ ਵਾਲੇ ਬਾਲਡ ਈਗਲ ਨੂੰ ਮਿਲੋਗੇ, ਪਰ ਜੇਕਰ ਮਿਲੇ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਦੱਸੋ! ਆਓ ਉਹ ਦੋ ਆਊਟਲਾਇਰਾਂ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਨਵਾਂ ਡਾਟਾਫਰੇਮ ਬਣਾਈਏ:  
+
+```r
+birds_filtered <- subset(birds, MaxWingspan < 500)
+
+ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
+  geom_point() +
+  ylab("Wingspan (CM)") +
+  xlab("Birds") +
+  ggtitle("Max Wingspan in Centimeters") + 
+  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
+  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())
+```  
+ਅਸੀਂ ਇੱਕ ਨਵਾਂ ਡਾਟਾਫਰੇਮ `birds_filtered` ਬਣਾਇਆ ਅਤੇ ਫਿਰ ਇੱਕ ਸਕੈਟਰ ਪਲਾਟ ਪਲਾਟ ਕੀਤਾ। ਆਊਟਲਾਇਰਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਕੇ, ਹੁਣ ਤੁਹਾਡਾ ਡਾਟਾ ਹੋਰ ਸੰਗਠਿਤ ਅਤੇ ਸਮਝਣਯੋਗ ਹੈ।  
+
+![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.pa.png)  
+
+ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇ ਹਿਸਾਬ ਨਾਲ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸਾਫ ਡਾਟਾਸੈੱਟ ਹੈ, ਆਓ ਇਨ੍ਹਾਂ ਪੰਛੀਆਂ ਬਾਰੇ ਹੋਰ ਪਤਾ ਲਗਾਈਏ।  
+
+ਲਾਈਨ ਅਤੇ ਸਕੈਟਰ ਪਲਾਟ ਡਾਟੇ ਦੇ ਮੁੱਲਾਂ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵੰਡਨ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਪਰ ਅਸੀਂ ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਤੁਸੀਂ ਮਾਤਰਾ ਬਾਰੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾ ਸਕਦੇ ਹੋ:  
+
+> ਕਿੰਨੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਪੰਛੀ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਗਿਣਤੀ ਕੀ ਹੈ?  
+> ਕਿੰਨੇ ਪੰਛੀ ਲੁਪਤ, ਖਤਰੇ ਵਿੱਚ, ਦੁਲਭ ਜਾਂ ਆਮ ਹਨ?  
+> ਲਿਨੇਅਸ ਦੀ ਟਰਮੀਨੋਲੋਜੀ ਦੇ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਜਨਸ ਅਤੇ ਆਰਡਰਾਂ ਦੇ ਕਿੰਨੇ ਹਨ?  
+
+## ਬਾਰ ਚਾਰਟਾਂ ਦੀ ਖੋਜ ਕਰੋ  
+
+ਜਦੋਂ ਤੁਹਾਨੂੰ ਡਾਟੇ ਦੇ ਸਮੂਹ ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਬਾਰ ਚਾਰਟ ਬਹੁਤ ਹੀ ਲਾਭਦਾਇਕ ਹੁੰਦੇ ਹਨ। ਆਓ ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਪੰਛੀਆਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਖੋਜ ਕਰੀਏ ਤਾਂ ਜੋ ਇਹ ਦੇਖਿਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜੀ ਸ਼੍ਰੇਣੀ ਸਭ ਤੋਂ ਆਮ ਹੈ।  
+ਆਓ ਫਿਲਟਰ ਕੀਤੇ ਡਾਟੇ 'ਤੇ ਇੱਕ ਬਾਰ ਚਾਰਟ ਬਣਾਈਏ।  
+
+```r
+install.packages("dplyr")
+install.packages("tidyverse")
+
+library(lubridate)
+library(scales)
+library(dplyr)
+library(ggplot2)
+library(tidyverse)
+
+birds_filtered %>% group_by(Category) %>%
+  summarise(n=n(),
+  MinLength = mean(MinLength),
+  MaxLength = mean(MaxLength),
+  MinBodyMass = mean(MinBodyMass),
+  MaxBodyMass = mean(MaxBodyMass),
+  MinWingspan=mean(MinWingspan),
+  MaxWingspan=mean(MaxWingspan)) %>% 
+  gather("key", "value", - c(Category, n)) %>%
+  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
+  geom_bar(stat = "identity") +
+  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
+  xlab("Category")+ggtitle("Birds of Minnesota")
+
+```  
+ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਵਿੱਚ, ਅਸੀਂ [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) ਅਤੇ [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) ਪੈਕੇਜਾਂ ਨੂੰ ਇੰਸਟਾਲ ਕਰਦੇ ਹਾਂ ਜੋ ਡਾਟੇ ਨੂੰ ਮੈਨਿਪੂਲੇਟ ਅਤੇ ਗਰੁੱਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਇੱਕ ਸਟੈਕਡ ਬਾਰ ਚਾਰਟ ਪਲਾਟ ਕੀਤਾ ਜਾ ਸਕੇ। ਪਹਿਲਾਂ, ਤੁਸੀਂ ਡਾਟੇ ਨੂੰ ਪੰਛੀ ਦੀ `Category` ਦੇ ਅਨੁਸਾਰ ਗਰੁੱਪ ਕਰਦੇ ਹੋ ਅਤੇ ਫਿਰ `MinLength`, `MaxLength`, `MinBodyMass`, `MaxBodyMass`, `MinWingspan`, `MaxWingspan` ਕਾਲਮਾਂ ਨੂੰ ਸੰਖੇਪ ਕਰਦੇ ਹੋ। ਫਿਰ, `ggplot2` ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਾਰ ਚਾਰਟ ਪਲਾਟ ਕਰੋ ਅਤੇ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਰੰਗ ਅਤੇ ਲੇਬਲ ਨਿਰਧਾਰਤ ਕਰੋ।  
+
+![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.pa.png)  
+
+ਹਾਲਾਂਕਿ, ਇਹ ਬਾਰ ਚਾਰਟ ਪੜ੍ਹਨ ਯੋਗ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰਾ ਗੈਰ-ਗਰੁੱਪ ਕੀਤਾ ਡਾਟਾ ਹੈ। ਤੁਹਾਨੂੰ ਸਿਰਫ ਉਹ ਡਾਟਾ ਚੁਣਨ ਦੀ ਲੋੜ ਹੈ ਜੋ ਤੁਸੀਂ ਪਲਾਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਇਸ ਲਈ ਆਓ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਆਧਾਰ 'ਤੇ ਪੰਛੀਆਂ ਦੀ ਲੰਬਾਈ ਦੇਖੀਏ।  
+
+ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਸਿਰਫ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਫਿਲਟਰ ਕਰੋ।  
+
+ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਹਨ, ਤੁਸੀਂ ਇਸ ਚਾਰਟ ਨੂੰ ਖੜ੍ਹੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾ ਸਕਦੇ ਹੋ ਅਤੇ ਸਾਰੇ ਡਾਟੇ ਨੂੰ ਸਮਾਉਣ ਲਈ ਇਸ ਦੀ ਉਚਾਈ ਨੂੰ ਠੀਕ ਕਰ ਸਕਦੇ ਹੋ:  
+
+```r
+birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
+birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
+ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()
+```  
+ਤੁਸੀਂ `Category` ਕਾਲਮ ਵਿੱਚ ਵਿਲੱਖਣ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਕਰਦੇ ਹੋ ਅਤੇ ਫਿਰ ਉਨ੍ਹਾਂ ਨੂੰ ਇੱਕ ਨਵੇਂ ਡਾਟਾਫਰੇਮ `birds_count` ਵਿੱਚ ਸੌਰਟ ਕਰਦੇ ਹੋ। ਇਹ ਸੌਰਟ ਕੀਤਾ ਡਾਟਾ ਫਿਰ ਇੱਕੋ ਪੱਧਰ 'ਤੇ ਫੈਕਟਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਸੌਰਟ ਕੀਤੇ ਤਰੀਕੇ ਨਾਲ ਪਲਾਟ ਕੀਤਾ ਜਾ ਸਕੇ। `ggplot2` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤੁਸੀਂ ਫਿਰ ਡਾਟੇ ਨੂੰ ਇੱਕ ਬਾਰ ਚਾਰਟ ਵਿੱਚ ਪਲਾਟ ਕਰਦੇ ਹੋ। `coord_flip()` ਖੜ੍ਹੇ ਬਾਰ ਪਲਾਟ ਕਰਦਾ ਹੈ।  
+
+![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.pa.png)  
+
+ਇਹ ਬਾਰ ਚਾਰਟ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/pa/3-Data-Visualization/R/09-visualization-quantities/assignment.md
new file mode 100644
index 00000000..3b26b348
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/09-visualization-quantities/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0ea21b6513df5ade7419c6b7d65f10b1",
+  "translation_date": "2025-08-27T18:33:57+00:00",
+  "source_file": "3-Data-Visualization/R/09-visualization-quantities/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਲਾਈਨ, ਸਕੈਟਰ ਅਤੇ ਬਾਰ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਲਾਈਨ ਚਾਰਟ, ਸਕੈਟਰਪਲਾਟ ਅਤੇ ਬਾਰ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਡੇਟਾਸੈਟ ਬਾਰੇ ਦਿਲਚਸਪ ਤੱਥ ਦਿਖਾਏ। ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਡੇਟਾਸੈਟ ਵਿੱਚ ਹੋਰ ਗਹਿਰਾਈ ਨਾਲ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਦਿੱਤੇ ਗਏ ਕਿਸੇ ਪੰਛੀ ਦੇ ਕਿਸੇ ਤੱਥ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕੇ। ਉਦਾਹਰਣ ਵਜੋਂ, ਸਨੋ ਗੀਸ ਬਾਰੇ ਸਾਰੇ ਦਿਲਚਸਪ ਡੇਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਵਾਲਾ ਸਕ੍ਰਿਪਟ ਬਣਾਓ। ਆਪਣੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਕਹਾਣੀ ਸੁਣਾਉਣ ਲਈ ਉਪਰੋਕਤ ਤਿੰਨ ਪਲਾਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਸਕ੍ਰਿਪਟ ਚੰਗੀਆਂ ਟਿੱਪਣੀਆਂ, ਮਜ਼ਬੂਤ ਕਹਾਣੀ ਸੁਣਾਉਣ ਅਤੇ ਆਕਰਸ਼ਕ ਗ੍ਰਾਫਾਂ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ | ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਘਾਟ ਹੈ | ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਇਹਨਾਂ ਤੱਤਾਂ ਵਿੱਚੋਂ ਦੋ ਦੀ ਘਾਟ ਹੈ
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/pa/3-Data-Visualization/R/10-visualization-distributions/README.md
new file mode 100644
index 00000000..7a562277
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/10-visualization-distributions/README.md
@@ -0,0 +1,184 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "ea67c0c40808fd723594de6896c37ccf",
+  "translation_date": "2025-08-27T18:23:45+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/README.md",
+  "language_code": "pa"
+}
+-->
+# ਵੰਡਾਂ ਨੂੰ ਦਿਖਾਉਣਾ
+
+|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)|
+|:---:|
+| ਵੰਡਾਂ ਨੂੰ ਦਿਖਾਉਣਾ - _ਸਕੇਚਨੋਟ [@nitya](https://twitter.com/nitya) ਦੁਆਰਾ_ |
+
+ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਬਾਰੇ ਡਾਟਾਸੈਟ ਦੇ ਕੁਝ ਦਿਲਚਸਪ ਤੱਥ ਸਿੱਖੇ। ਤੁਸੀਂ ਆਊਟਲਾਇਰਜ਼ ਨੂੰ ਦਿਖਾ ਕੇ ਗਲਤ ਡਾਟਾ ਲੱਭਿਆ ਅਤੇ ਵੱਖ-ਵੱਖ ਪੰਛੀ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦੇ ਅੰਤਰਾਂ ਨੂੰ ਵੇਖਿਆ।
+
+## [ਪਾਠ-ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18)
+## ਪੰਛੀਆਂ ਦੇ ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ ਕਰੋ
+
+ਡਾਟਾ ਵਿੱਚ ਖੋਜ ਕਰਨ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਇਹ ਦੇਖਣਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਇੱਕ ਧੁਰੇ 'ਤੇ ਵਿਵਸਥਿਤ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਸ਼ਾਇਦ ਤੁਸੀਂ ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦੇ ਫੈਲਾਅ ਜਾਂ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੀ ਆਮ ਵੰਡ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ। 
+
+ਆਓ ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਡਾਟਾ ਦੀਆਂ ਵੰਡਾਂ ਬਾਰੇ ਕੁਝ ਤੱਥ ਪਤਾ ਕਰੀਏ। ਆਪਣੇ R ਕੰਸੋਲ ਵਿੱਚ, `ggplot2` ਅਤੇ ਡਾਟਾਬੇਸ ਨੂੰ ਇੰਪੋਰਟ ਕਰੋ। ਪਿਛਲੇ ਵਿਸ਼ੇ ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਤਰੀਕੇ ਨਾਲ ਡਾਟਾਬੇਸ ਤੋਂ ਆਊਟਲਾਇਰਜ਼ ਨੂੰ ਹਟਾਓ।
+
+```r
+library(ggplot2)
+
+birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
+
+birds_filtered <- subset(birds, MaxWingspan < 500)
+head(birds_filtered)
+```
+|      | ਨਾਮ                          | ਵਿਗਿਆਨਕ ਨਾਮ           | ਸ਼੍ਰੇਣੀ               | ਕ੍ਰਮ          | ਪਰਿਵਾਰ   | ਜਨਸ        | ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ     | ਘੱਟੋ-ਘੱਟ ਲੰਬਾਈ | ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ | ਘੱਟੋ-ਘੱਟ ਸਰੀਰਕ ਭਾਰ | ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ | ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦਾ ਫੈਲਾਅ | ਵੱਧ ਤੋਂ ਵੱਧ ਪੰਖਾਂ ਦਾ ਫੈਲਾਅ |
+| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
+|    0 | ਕਾਲੇ ਪੇਟ ਵਾਲਾ ਵਿਸਲਿੰਗ-ਡੱਕ    | Dendrocygna autumnalis | ਬਤਖਾਂ/ਹੰਸ/ਜਲ ਪੰਛੀ    | Anseriformes | Anatidae | Dendrocygna | LC                 |        47 |        56 |         652 |        1020 |          76 |          94 |
+|    1 | ਫੁਲਵਸ ਵਿਸਲਿੰਗ-ਡੱਕ           | Dendrocygna bicolor    | ਬਤਖਾਂ/ਹੰਸ/ਜਲ ਪੰਛੀ    | Anseriformes | Anatidae | Dendrocygna | LC                 |        45 |        53 |         712 |        1050 |          85 |          93 |
+|    2 | ਸਨੋ ਗੂਸ                     | Anser caerulescens     | ਬਤਖਾਂ/ਹੰਸ/ਜਲ ਪੰਛੀ    | Anseriformes | Anatidae | Anser       | LC                 |        64 |        79 |        2050 |        4050 |         135 |         165 |
+|    3 | ਰੌਸ ਦਾ ਗੂਸ                  | Anser rossii           | ਬਤਖਾਂ/ਹੰਸ/ਜਲ ਪੰਛੀ    | Anseriformes | Anatidae | Anser       | LC                 |      57.3 |        64 |        1066 |        1567 |         113 |         116 |
+|    4 | ਵੱਡਾ ਸਫੈਦ-ਮੂੰਹ ਵਾਲਾ ਗੂਸ    | Anser albifrons        | ਬਤਖਾਂ/ਹੰਸ/ਜਲ ਪੰਛੀ    | Anseriformes | Anatidae | Anser       | LC                 |        64 |        81 |        1930 |        3310 |         130 |         165 |
+
+ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਸਕੈਟਰ ਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਿਵੇਂ ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ ਕੀਤਾ ਸੀ, ਡਾਟਾ ਦੀ ਵੰਡ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਦੇਖ ਸਕਦੇ ਹੋ:
+
+```r
+ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) +
+  geom_point() +
+  ggtitle("Max Length per order") + coord_flip()
+```
+![ਕ੍ਰਮ ਪ੍ਰਤੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.pa.png)
+
+ਇਹ ਪੰਛੀ ਦੇ ਕ੍ਰਮ ਪ੍ਰਤੀ ਸਰੀਰਕ ਲੰਬਾਈ ਦੀ ਆਮ ਵੰਡ ਦਾ ਝਲਕ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਹ ਸੱਚੀ ਵੰਡਾਂ ਨੂੰ ਦਿਖਾਉਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਨਹੀਂ ਹੈ। ਇਹ ਕੰਮ ਆਮ ਤੌਰ 'ਤੇ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+## ਹਿਸਟੋਗ੍ਰਾਮ ਨਾਲ ਕੰਮ ਕਰਨਾ
+
+`ggplot2` ਹਿਸਟੋਗ੍ਰਾਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਵੰਡ ਨੂੰ ਦਿਖਾਉਣ ਦੇ ਬਹੁਤ ਵਧੀਆ ਤਰੀਕੇ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਸ ਪ੍ਰਕਾਰ ਦਾ ਚਾਰਟ ਇੱਕ ਬਾਰ ਚਾਰਟ ਵਾਂਗ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਵੰਡ ਬਾਰਾਂ ਦੇ ਉਤਾਰ-ਚੜ੍ਹਾਅ ਰਾਹੀਂ ਵੇਖੀ ਜਾ ਸਕਦੀ ਹੈ। ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਚਾਰਟ ਨੂੰ 'hist' ਕਿਸਮ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਕੇ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਚਾਰਟ ਪੂਰੇ ਡਾਟਾਸੈਟ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੀ ਵੰਡ ਦਿਖਾਉਂਦਾ ਹੈ। ਡਾਟਾ ਦੀ ਲੜੀ ਨੂੰ ਛੋਟੇ ਬਿਨਾਂ ਵਿੱਚ ਵੰਡ ਕੇ, ਇਹ ਡਾਟਾ ਦੇ ਮੁੱਲਾਂ ਦੀ ਵੰਡ ਦਿਖਾ ਸਕਦਾ ਹੈ:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=10)+ylab('Frequency')
+```
+![ਪੂਰੇ ਡਾਟਾਸੈਟ 'ਤੇ ਵੰਡ](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.pa.png)
+
+ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ 400+ ਪੰਛੀਆਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਦਾ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ 2000 ਤੋਂ ਘੱਟ ਹੈ। `bins` ਪੈਰਾਮੀਟਰ ਨੂੰ ਵਧੇਰੇ ਸੰਖਿਆ, ਜਿਵੇਂ ਕਿ 30, ਵਿੱਚ ਬਦਲ ਕੇ ਡਾਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰੋ:
+
+```r
+ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![30 ਬਿਨਾਂ ਨਾਲ ਵੰਡ](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.pa.png)
+
+ਇਹ ਚਾਰਟ ਵੰਡ ਨੂੰ ਹੋਰ ਵਿਸਤ੍ਰਿਤ ਢੰਗ ਨਾਲ ਦਿਖਾਉਂਦਾ ਹੈ। ਇੱਕ ਚਾਰਟ ਜੋ ਖੱਬੇ ਵੱਲ ਘੱਟ ਝੁਕਿਆ ਹੋਵੇ, ਉਹ ਇਸ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਿਰਫ਼ ਇੱਕ ਦਿੱਤੇ ਗਏ ਰੇਂਜ ਦੇ ਅੰਦਰ ਡਾਟਾ ਚੁਣੋ:
+
+ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਫਿਲਟਰ ਕਰੋ ਤਾਂ ਜੋ ਸਿਰਫ਼ ਉਹ ਪੰਛੀ ਮਿਲਣ ਜਿਨ੍ਹਾਂ ਦਾ ਸਰੀਰਕ ਭਾਰ 60 ਤੋਂ ਘੱਟ ਹੈ, ਅਤੇ 30 `bins` ਦਿਖਾਓ:
+
+```r
+birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60)
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_histogram(bins=30)+ylab('Frequency')
+```
+
+![ਫਿਲਟਰ ਕੀਤਾ ਹਿਸਟੋਗ੍ਰਾਮ](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.pa.png)
+
+✅ ਕੁਝ ਹੋਰ ਫਿਲਟਰ ਅਤੇ ਡਾਟਾ ਪੌਇੰਟਸ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਡਾਟਾ ਦੀ ਪੂਰੀ ਵੰਡ ਦੇਖਣ ਲਈ, `['MaxBodyMass']` ਫਿਲਟਰ ਨੂੰ ਹਟਾਓ ਅਤੇ ਲੇਬਲ ਕੀਤੀਆਂ ਵੰਡਾਂ ਦਿਖਾਓ।
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਵਿੱਚ ਰੰਗ ਅਤੇ ਲੇਬਲਿੰਗ ਨੂੰ ਸੁਧਾਰਨ ਦੇ ਕੁਝ ਵਧੀਆ ਵਿਕਲਪ ਵੀ ਹਨ:
+
+ਦੋ ਵੰਡਾਂ ਦੇ ਰਿਸ਼ਤੇ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਇੱਕ 2D ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਓ। ਆਓ `MaxBodyMass` ਅਤੇ `MaxLength` ਦੀ ਤੁਲਨਾ ਕਰੀਏ। `ggplot2` ਰੌਸ਼ਨ ਰੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਿਲਾਪ ਦਿਖਾਉਣ ਦਾ ਇੱਕ ਬਣਾਇਆ ਹੋਇਆ ਤਰੀਕਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ:
+
+```r
+ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) +
+  geom_bin2d() +scale_fill_continuous(type = "viridis")
+```
+ਇਹ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਕਿ ਉਮੀਦ ਕੀਤੀ ਗਈ ਧੁਰੇ ਦੇ ਨਾਲ ਇਹ ਦੋ ਤੱਤ ਇੱਕ ਦੂਜੇ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ, ਇੱਕ ਖਾਸ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ਮਿਲਾਪ ਦੇ ਬਿੰਦੂ ਨਾਲ:
+
+![2D ਪਲਾਟ](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.pa.png)
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਆਮ ਤੌਰ 'ਤੇ ਸੰਖਿਆਤਮਕ ਡਾਟਾ ਲਈ ਚੰਗੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਰ ਜੇ ਤੁਸੀਂ ਟੈਕਸਟ ਡਾਟਾ ਦੇ ਅਨੁਸਾਰ ਵੰਡਾਂ ਨੂੰ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?  
+## ਟੈਕਸਟ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ ਕਰੋ
+
+ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ, ਜਨਸ, ਪ੍ਰਜਾਤੀ, ਪਰਿਵਾਰ ਅਤੇ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਬਾਰੇ ਵੀ ਚੰਗੀ ਜਾਣਕਾਰੀ ਸ਼ਾਮਲ ਹੈ। ਆਓ ਇਸ ਸੰਰਕਸ਼ਣ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰੀਏ। ਪੰਛੀਆਂ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ ਵੰਡ ਕੀ ਹੈ?
+
+> ✅ ਡਾਟਾਸੈਟ ਵਿੱਚ, ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਨੂੰ ਵੇਰਵਾ ਦੇਣ ਲਈ ਕਈ ਸੰਖੇਪ ਰੂਪ ਵਰਤੇ ਗਏ ਹਨ। ਇਹ ਸੰਖੇਪ ਰੂਪ [IUCN ਰੈੱਡ ਲਿਸਟ ਸ਼੍ਰੇਣੀਆਂ](https://www.iucnredlist.org/) ਤੋਂ ਆਉਂਦੇ ਹਨ, ਜੋ ਪ੍ਰਜਾਤੀਆਂ ਦੀ ਸਥਿਤੀ ਨੂੰ ਦਰਜ ਕਰਨ ਵਾਲਾ ਇੱਕ ਸੰਗਠਨ ਹੈ।
+> 
+> - CR: ਗੰਭੀਰ ਖਤਰੇ ਵਿੱਚ
+> - EN: ਖਤਰੇ ਵਿੱਚ
+> - EX: ਲੁਪਤ
+> - LC: ਘੱਟ ਚਿੰਤਾ
+> - NT: ਖਤਰੇ ਦੇ ਨੇੜੇ
+> - VU: ਅਸੁਰੱਖਿਅਤ
+
+ਇਹ ਟੈਕਸਟ-ਅਧਾਰਿਤ ਮੁੱਲ ਹਨ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਉਣ ਲਈ ਇੱਕ ਰੂਪਾਂਤਰ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਫਿਲਟਰ ਕੀਤੇ ਗਏ ਪੰਛੀਆਂ ਦੇ ਡਾਟਾਫਰੇਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਸ ਦੀ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੇ ਫੈਲਾਅ ਦੇ ਨਾਲ ਦਿਖਾਓ। ਤੁਹਾਨੂੰ ਕੀ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ?
+
+```r
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' 
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5'
+birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6'
+
+ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) +
+  geom_histogram(position = "identity", alpha = 0.4, bins = 20) +
+  scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern"))
+```
+
+![ਪੰਖਾਂ ਦਾ ਫੈਲਾਅ ਅਤੇ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.pa.png)
+
+ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੇ ਫੈਲਾਅ ਅਤੇ ਸੰਰਕਸ਼ਣ ਸਥਿਤੀ ਦੇ ਵਿਚਕਾਰ ਕੋਈ ਵਧੀਆ ਸੰਬੰਧ ਨਹੀਂ ਦਿਖਾਈ ਦਿੰਦਾ। ਇਸ ਤਰੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾਸੈਟ ਦੇ ਹੋਰ ਤੱਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ। ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਫਿਲਟਰਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ। ਕੀ ਤੁਹਾਨੂੰ ਕੋਈ ਸੰਬੰਧ ਮਿਲਦਾ ਹੈ?
+
+## ਡੈਂਸਿਟੀ ਪਲਾਟਸ
+
+ਤੁਸੀਂ ਸ਼ਾਇਦ ਨੋਟ ਕੀਤਾ ਹੋਵੇਗਾ ਕਿ ਅਸੀਂ ਹੁਣ ਤੱਕ ਦੇਖੇ ਹਿਸਟੋਗ੍ਰਾਮ 'ਸਟੈਪਡ' ਹਨ ਅਤੇ ਇੱਕ ਆਰਕ ਵਿੱਚ ਸਮੂਥ ਨਹੀਂ ਹਨ। ਇੱਕ ਸਮੂਥਰ ਡੈਂਸਿਟੀ ਚਾਰਟ ਦਿਖਾਉਣ ਲਈ, ਤੁਸੀਂ ਡੈਂਸਿਟੀ ਪਲਾਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਆਓ ਹੁਣ ਡੈਂਸਿਟੀ ਪਲਾਟਸ ਨਾਲ ਕੰਮ ਕਰੀਏ!
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + 
+  geom_density()
+```
+![ਡੈਂਸਿਟੀ ਪਲਾਟ](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.pa.png)
+
+ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਪਲਾਟ ਘੱਟੋ-ਘੱਟ ਪੰਖਾਂ ਦੇ ਫੈਲਾਅ ਲਈ ਪਿਛਲੇ ਚਾਰਟ ਨੂੰ ਦੁਹਰਾਉਂਦਾ ਹੈ; ਇਹ ਸਿਰਫ਼ ਕੁਝ ਸਮੂਥ ਹੈ। ਜੇ ਤੁਸੀਂ ਉਸ ਜੱਗਡ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੀ ਲਾਈਨ ਨੂੰ ਦੁਬਾਰਾ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਦੂਜੇ ਚਾਰਟ ਵਿੱਚ ਬਣਾਈ ਸੀ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਤਰੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮੂਥ ਕਰ ਸਕਦੇ ਹੋ:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density()
+```
+![ਸਰੀਰਕ ਭਾਰ ਡੈਂਸਿਟੀ](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.pa.png)
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਸਮੂਥ, ਪਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮੂਥ ਲਾਈਨ ਨਹੀਂ ਚਾਹੁੰਦੇ, ਤਾਂ `adjust` ਪੈਰਾਮੀਟਰ ਨੂੰ ਸੋਧੋ:
+
+```r
+ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + 
+  geom_density(adjust = 1/5)
+```
+![ਘੱਟ ਸਮੂਥ ਸਰੀਰਕ ਭਾਰ](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.pa.png)
+
+✅ ਇਸ ਪ੍ਰਕਾਰ ਦੇ ਪਲਾਟ ਲਈ ਉਪਲਬਧ ਪੈਰਾਮੀਟਰਾਂ ਬਾਰੇ ਪੜ੍ਹੋ ਅਤੇ ਪ੍ਰਯੋਗ ਕਰੋ!
+
+ਇਸ ਪ੍ਰਕਾਰ ਦਾ ਚਾਰਟ ਸੁੰਦਰ ਅਤੇ ਵਿਆਖਿਆਤਮਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਕੁਝ ਲਾਈਨਾਂ ਦੇ ਕੋਡ ਨਾਲ, ਤੁਸੀਂ ਪੰਛੀ ਦੇ ਕ੍ਰਮ ਪ੍ਰਤੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸਰੀਰਕ ਭਾਰ ਦੀ ਡੈਂਸਿਟੀ ਦਿਖਾ ਸਕਦੇ ਹੋ:
+
+```r
+ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) +
+  geom_density(alpha=0.5)
+```
+![ਕ੍ਰਮ ਪ੍ਰਤੀ ਸਰੀਰਕ ਭਾਰ](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.pa.png)
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਹਿਸਟੋਗ੍ਰਾਮ ਬੁਨਿਆਦੀ ਸਕੈਟਰਪਲਾਟਸ, ਬਾਰ ਚਾਰਟਸ ਜਾਂ ਲਾਈਨ ਚਾਰਟਸ ਨਾਲੋਂ ਇੱਕ ਹੋਰ ਸੁਧਾਰਿਤ ਚਾਰਟ ਕਿਸਮ ਹਨ। ਇੰਟਰਨੈਟ 'ਤੇ ਜਾਓ ਅਤੇ ਹਿਸਟੋਗ੍ਰਾਮ ਦੀ ਵਰਤੋਂ ਦੇ ਚੰਗੇ ਉਦਾਹਰਣ ਲੱਭੋ। ਇਹ ਕਿਵੇਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਇਹ ਕੀ ਦਿਖਾਉਂਦੇ ਹਨ, ਅਤੇ ਇਹ ਕਿਹੜੇ ਖੇਤਰਾਂ ਜਾਂ ਅਧਿਐਨ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ?
+
+## [ਪਾਠ-ਬਾਅਦ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ `ggplot2` ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਹੋਰ ਸੁਧਾਰਿਤ ਚਾਰਟਸ ਦਿਖਾਉਣ ਲਈ ਕੰਮ ਸ਼ੁਰੂ ਕੀਤਾ। `geom_density_2d()` ਬਾਰੇ ਕੁਝ ਖੋਜ ਕਰੋ, ਜੋ "ਇੱਕ ਜਾਂ ਵੱਧ ਆਯਾਮਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਸੰਭਾਵਨਾ ਡੈਂਸਿਟੀ ਵਕਰ" ਹੈ। [ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) ਨੂੰ ਪੜ੍ਹੋ ਤਾਂ ਜੋ ਇਹ ਸਮਝਿਆ ਜਾ ਸਕੇ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਆਪਣੀਆਂ ਹੁਨਰਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਭਵਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।  
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/pa/3-Data-Visualization/R/10-visualization-distributions/assignment.md
new file mode 100644
index 00000000..a87c6ab4
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/10-visualization-distributions/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a233d542512136c4dd29aad38ca0175f",
+  "translation_date": "2025-08-27T18:25:12+00:00",
+  "source_file": "3-Data-Visualization/R/10-visualization-distributions/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਆਪਣੀਆਂ ਕੌਸ਼ਲਾਂ ਲਾਗੂ ਕਰੋ
+
+## ਹਦਾਇਤਾਂ
+
+ਅਜੇ ਤੱਕ, ਤੁਸੀਂ ਮਿਨੇਸੋਟਾ ਪੰਛੀਆਂ ਦੇ ਡੇਟਾਸੈੱਟ ਨਾਲ ਕੰਮ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਪੰਛੀਆਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਆਬਾਦੀ ਦੀ ਘਣਤਾ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। ਇਹ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰਨ ਦੀ ਅਭਿਆਸ ਕਰੋ ਅਤੇ ਇੱਕ ਵੱਖਰੇ ਡੇਟਾਸੈੱਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਸ਼ਾਇਦ [Kaggle](https://www.kaggle.com/) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੋਵੇ। ਇਸ ਡੇਟਾਸੈੱਟ ਬਾਰੇ ਇੱਕ ਕਹਾਣੀ ਦੱਸਣ ਲਈ ਇੱਕ R ਸਕ੍ਰਿਪਟ ਬਣਾਓ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਇਸ ਬਾਰੇ ਚਰਚਾ ਕਰਦੇ ਸਮੇਂ ਹਿਸਟੋਗ੍ਰਾਮ ਵਰਤੇ ਗਏ ਹਨ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | --- |
+ਇੱਕ ਸਕ੍ਰਿਪਟ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਇਸ ਡੇਟਾਸੈੱਟ ਬਾਰੇ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਹਨ, ਜਿਸ ਵਿੱਚ ਇਸ ਦਾ ਸਰੋਤ ਵੀ ਸ਼ਾਮਲ ਹੈ, ਅਤੇ ਡੇਟਾ ਬਾਰੇ ਤੱਥਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ 5 ਹਿਸਟੋਗ੍ਰਾਮ ਵਰਤੇ ਗਏ ਹਨ। | ਇੱਕ ਸਕ੍ਰਿਪਟ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਅਧੂਰੀ ਟਿੱਪਣੀਆਂ ਜਾਂ ਗਲਤੀਆਂ ਹਨ। | ਇੱਕ ਸਕ੍ਰਿਪਟ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਕੋਈ ਟਿੱਪਣੀਆਂ ਨਹੀਂ ਹਨ ਅਤੇ ਗਲਤੀਆਂ ਸ਼ਾਮਲ ਹਨ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/pa/3-Data-Visualization/R/11-visualization-proportions/README.md
new file mode 100644
index 00000000..b156d15a
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/11-visualization-proportions/README.md
@@ -0,0 +1,196 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "47028abaaafa2bcb1079702d20569066",
+  "translation_date": "2025-08-27T18:38:13+00:00",
+  "source_file": "3-Data-Visualization/R/11-visualization-proportions/README.md",
+  "language_code": "pa"
+}
+-->
+# ਅਨੁਪਾਤਾਂ ਨੂੰ ਦਿਖਾਉਣਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸਕੈਚਨੋਟ ](../../../sketchnotes/11-Visualizing-Proportions.png)|
+|:---:|
+|ਅਨੁਪਾਤਾਂ ਨੂੰ ਦਿਖਾਉਣਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਕੁਦਰਤ-ਕੇਂਦਰਤ ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਪਾਤਾਂ ਨੂੰ ਦਿਖਾਉਣਾ ਸਿੱਖੋਗੇ, ਜਿਵੇਂ ਕਿ ਮਸ਼ਰੂਮਾਂ ਬਾਰੇ ਡਾਟਾਸੈਟ ਵਿੱਚ ਕਿੰਨੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਫੰਗਸ ਹਨ। ਆਓ, Audubon ਤੋਂ ਪ੍ਰਾਪਤ ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਦਿਲਚਸਪ ਫੰਗਸ ਦੀ ਪੜਚੋਲ ਕਰੀਏ, ਜੋ Agaricus ਅਤੇ Lepiota ਪਰਿਵਾਰਾਂ ਦੇ 23 ਪ੍ਰਜਾਤੀਆਂ ਦੇ ਗਿਲਡ ਮਸ਼ਰੂਮਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਸੁਆਦਿਸ਼ਟ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰੋਗੇ:
+
+- ਪਾਈ ਚਾਰਟ 🥧  
+- ਡੋਨਟ ਚਾਰਟ 🍩  
+- ਵਾਫਲ ਚਾਰਟ 🧇  
+
+> 💡 ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਬਹੁਤ ਦਿਲਚਸਪ ਪ੍ਰੋਜੈਕਟ [Charticulator](https://charticulator.com) ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਮੁਫ਼ਤ ਡਰੈਗ ਅਤੇ ਡ੍ਰਾਪ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਆਪਣੇ ਇੱਕ ਟਿਊਟੋਰਿਅਲ ਵਿੱਚ, ਉਹ ਇਸ ਮਸ਼ਰੂਮ ਡਾਟਾਸੈਟ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ! ਇਸ ਲਈ ਤੁਸੀਂ ਡਾਟਾ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀ ਬਾਰੇ ਸਿੱਖ ਸਕਦੇ ਹੋ: [Charticulator ਟਿਊਟੋਰਿਅਲ](https://charticulator.com/tutorials/tutorial4.html)।
+
+## [ਪਾਠ-ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20)
+
+## ਆਪਣੇ ਮਸ਼ਰੂਮਾਂ ਨੂੰ ਜਾਣੋ 🍄
+
+ਮਸ਼ਰੂਮ ਬਹੁਤ ਦਿਲਚਸਪ ਹੁੰਦੇ ਹਨ। ਆਓ, ਇੱਕ ਡਾਟਾਸੈਟ ਇੰਪੋਰਟ ਕਰੀਏ ਅਤੇ ਇਸਦਾ ਅਧਿਐਨ ਕਰੀਏ:
+
+```r
+mushrooms = read.csv('../../data/mushrooms.csv')
+head(mushrooms)
+```  
+ਇੱਕ ਟੇਬਲ ਪ੍ਰਿੰਟ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਵਧੀਆ ਡਾਟਾ ਹੈ:
+
+| class     | cap-shape | cap-surface | cap-color | bruises | odor    | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat |
+| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
+| Poisonous | Convex    | Smooth      | Brown     | Bruises | Pungent | Free            | Close        | Narrow    | Black      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Black      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Grasses |
+| Edible    | Bell      | Smooth      | White     | Bruises | Anise   | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Brown             | Numerous   | Meadows |
+| Poisonous | Convex    | Scaly       | White     | Bruises | Pungent | Free            | Close        | Narrow    | Brown      | Enlarging   | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Scattered  | Urban   |
+| Edible    | Convex    | Smooth      | Green     | No Bruises | None   | Free            | Crowded      | Broad     | Black      | Tapering    | Equal      | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Evanescent | Brown             | Abundant   | Grasses |
+| Edible    | Convex    | Scaly       | Yellow    | Bruises | Almond  | Free            | Close        | Broad     | Brown      | Enlarging   | Club       | Smooth                   | Smooth                   | White                  | White                  | Partial   | White      | One         | Pendant   | Black             | Numerous   | Grasses |
+
+ਤੁਰੰਤ ਹੀ, ਤੁਸੀਂ ਨੋਟ ਕਰਦੇ ਹੋ ਕਿ ਸਾਰਾ ਡਾਟਾ ਟੈਕਸਟ ਦੇ ਰੂਪ ਵਿੱਚ ਹੈ। ਇਸ ਡਾਟੇ ਨੂੰ ਚਾਰਟ ਵਿੱਚ ਵਰਤਣ ਲਈ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਰੂਪਾਂਤਰਿਤ ਕਰਨਾ ਪਵੇਗਾ। ਅਸਲ ਵਿੱਚ, ਜ਼ਿਆਦਾਤਰ ਡਾਟਾ ਇੱਕ ਆਬਜੈਕਟ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ:
+
+```r
+names(mushrooms)
+```  
+
+ਆਉਟਪੁਟ ਹੈ:
+
+```output
+[1] "class"                    "cap.shape"               
+ [3] "cap.surface"              "cap.color"               
+ [5] "bruises"                  "odor"                    
+ [7] "gill.attachment"          "gill.spacing"            
+ [9] "gill.size"                "gill.color"              
+[11] "stalk.shape"              "stalk.root"              
+[13] "stalk.surface.above.ring" "stalk.surface.below.ring"
+[15] "stalk.color.above.ring"   "stalk.color.below.ring"  
+[17] "veil.type"                "veil.color"              
+[19] "ring.number"              "ring.type"               
+[21] "spore.print.color"        "population"              
+[23] "habitat"            
+```  
+ਇਸ ਡਾਟੇ ਨੂੰ ਲਓ ਅਤੇ 'class' ਕਾਲਮ ਨੂੰ ਇੱਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਰੂਪਾਂਤਰਿਤ ਕਰੋ:
+
+```r
+library(dplyr)
+grouped=mushrooms %>%
+  group_by(class) %>%
+  summarise(count=n())
+```  
+
+ਹੁਣ, ਜੇ ਤੁਸੀਂ ਮਸ਼ਰੂਮਾਂ ਦਾ ਡਾਟਾ ਪ੍ਰਿੰਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸਨੂੰ ਜ਼ਹਿਰੀਲੇ/ਖਾਣਯੋਗ ਸ਼੍ਰੇਣੀ ਦੇ ਅਨੁਸਾਰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ:  
+```r
+View(grouped)
+```  
+
+| class | count |
+| --------- | --------- |
+| Edible | 4208 |
+| Poisonous| 3916 |
+
+ਜੇ ਤੁਸੀਂ ਇਸ ਟੇਬਲ ਵਿੱਚ ਦਿੱਤੇ ਕ੍ਰਮ ਦਾ ਪਾਲਣ ਕਰਦੇ ਹੋ ਤਾਂ ਤੁਸੀਂ ਆਪਣੀਆਂ ਸ਼੍ਰੇਣੀ ਲੇਬਲਾਂ ਬਣਾਕੇ ਪਾਈ ਚਾਰਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ।
+
+## ਪਾਈ!
+
+```r
+pie(grouped$count,grouped$class, main="Edible?")
+```  
+ਲੋ ਜੀ, ਇੱਕ ਪਾਈ ਚਾਰਟ ਜੋ ਮਸ਼ਰੂਮਾਂ ਦੀਆਂ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਅਨੁਸਾਰ ਡਾਟੇ ਦੇ ਅਨੁਪਾਤਾਂ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ। ਲੇਬਲਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਸਹੀ ਰੱਖਣਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਖਾਸ ਕਰਕੇ ਇੱਥੇ, ਇਸ ਲਈ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਲੇਬਲ ਐਰੇ ਬਣਾਉਣ ਦੇ ਕ੍ਰਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ!
+
+![pie chart](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.pa.png)
+
+## ਡੋਨਟ!
+
+ਪਾਈ ਚਾਰਟ ਦਾ ਇੱਕ ਹੋਰ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਹੈ ਡੋਨਟ ਚਾਰਟ, ਜੋ ਪਾਈ ਚਾਰਟ ਵਿੱਚ ਵਿਚਕਾਰ ਇੱਕ ਛੇਦ ਰੱਖਦਾ ਹੈ। ਆਓ, ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵੇਖੀਏ।
+
+ਮਸ਼ਰੂਮਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਹਬੀਟੈਟਾਂ ਨੂੰ ਵੇਖੋ:
+
+```r
+library(dplyr)
+habitat=mushrooms %>%
+  group_by(habitat) %>%
+  summarise(count=n())
+View(habitat)
+```  
+ਆਉਟਪੁਟ ਹੈ:  
+| habitat| count |
+| --------- | --------- |
+| Grasses    | 2148 |
+| Leaves| 832 |
+| Meadows    | 292 |
+| Paths| 1144 |
+| Urban    | 368 |
+| Waste| 192 |
+| Wood| 3148 |
+
+ਇੱਥੇ, ਤੁਸੀਂ ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਹਬੀਟੈਟ ਦੇ ਅਧਾਰ 'ਤੇ ਗਰੁੱਪ ਕਰ ਰਹੇ ਹੋ। ਇੱਥੇ 7 ਹਬੀਟੈਟ ਹਨ, ਇਸ ਲਈ ਆਪਣੇ ਡੋਨਟ ਚਾਰਟ ਲਈ ਇਨ੍ਹਾਂ ਨੂੰ ਲੇਬਲਾਂ ਵਜੋਂ ਵਰਤੋ:
+
+```r
+library(ggplot2)
+library(webr)
+PieDonut(habitat, aes(habitat, count=count))
+```  
+
+![donut chart](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.pa.png)
+
+ਇਹ ਕੋਡ ਦੋ ਲਾਇਬ੍ਰੇਰੀਆਂ - ggplot2 ਅਤੇ webr ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। webr ਲਾਇਬ੍ਰੇਰੀ ਦੇ PieDonut ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਸੀਂ ਆਸਾਨੀ ਨਾਲ ਡੋਨਟ ਚਾਰਟ ਬਣਾ ਸਕਦੇ ਹਾਂ!
+
+R ਵਿੱਚ ਡੋਨਟ ਚਾਰਟ ਸਿਰਫ ggplot2 ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੀ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਇੱਥੇ](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) ਪੜ੍ਹੋ ਅਤੇ ਖੁਦ ਪ੍ਰਯੋਗ ਕਰੋ।
+
+ਹੁਣ ਜਦੋਂ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਕਿਵੇਂ ਗਰੁੱਪ ਕਰਨਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪਾਈ ਜਾਂ ਡੋਨਟ ਦੇ ਰੂਪ ਵਿੱਚ ਕਿਵੇਂ ਦਿਖਾਉਣਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਹੋਰ ਚਾਰਟਾਂ ਦੀ ਪੜਚੋਲ ਕਰ ਸਕਦੇ ਹੋ। ਇੱਕ ਵਾਫਲ ਚਾਰਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਜੋ ਮਾਤਰਾ ਦੀ ਪੜਚੋਲ ਕਰਨ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ।
+
+## ਵਾਫਲ!
+
+'ਵਾਫਲ' ਕਿਸਮ ਦਾ ਚਾਰਟ ਮਾਤਰਾ ਨੂੰ 2D ਸਕਵੇਅਰ ਐਰੇ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਉਣ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ ਮਸ਼ਰੂਮ ਕੈਪ ਦੇ ਵੱਖ-ਵੱਖ ਰੰਗਾਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਦਿਖਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਇਸ ਲਈ, ਤੁਹਾਨੂੰ ਇੱਕ ਸਹਾਇਕ ਲਾਇਬ੍ਰੇਰੀ [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) ਨੂੰ ਇੰਸਟਾਲ ਕਰਨਾ ਪਵੇਗਾ ਅਤੇ ਇਸਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਤਿਆਰ ਕਰਨੀ ਪਵੇਗੀ:
+
+```r
+install.packages("waffle", repos = "https://cinc.rud.is")
+```  
+
+ਆਪਣੇ ਡਾਟੇ ਦਾ ਇੱਕ ਸੈਗਮੈਂਟ ਚੁਣੋ:
+
+```r
+library(dplyr)
+cap_color=mushrooms %>%
+  group_by(cap.color) %>%
+  summarise(count=n())
+View(cap_color)
+```  
+
+ਲੇਬਲ ਬਣਾਕੇ ਅਤੇ ਫਿਰ ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਗਰੁੱਪ ਕਰਕੇ ਇੱਕ ਵਾਫਲ ਚਾਰਟ ਬਣਾਓ:
+
+```r
+library(waffle)
+names(cap_color$count) = paste0(cap_color$cap.color)
+waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", 
+                                                                                     "pink", "purple", "red", "grey", 
+                                                                                     "yellow","white"))
+```  
+
+ਵਾਫਲ ਚਾਰਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਮਸ਼ਰੂਮਾਂ ਦੇ ਕੈਪ ਰੰਗਾਂ ਦੇ ਅਨੁਪਾਤਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੇਖ ਸਕਦੇ ਹੋ। ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਹਰੇ ਕੈਪ ਵਾਲੇ ਮਸ਼ਰੂਮ ਹਨ!
+
+![waffle chart](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.pa.png)
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਅਨੁਪਾਤਾਂ ਨੂੰ ਦਿਖਾਉਣ ਦੇ ਤਿੰਨ ਤਰੀਕੇ ਸਿੱਖੇ। ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਗਰੁੱਪ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਕਿ ਡਾਟੇ ਨੂੰ ਦਿਖਾਉਣ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਕਿਹੜਾ ਹੈ - ਪਾਈ, ਡੋਨਟ, ਜਾਂ ਵਾਫਲ। ਸਾਰੇ ਸੁਆਦਿਸ਼ਟ ਹਨ ਅਤੇ ਯੂਜ਼ਰ ਨੂੰ ਡਾਟਾਸੈਟ ਦੀ ਤੁਰੰਤ ਝਲਕ ਦਿੰਦੇ ਹਨ।
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਹ ਸੁਆਦਿਸ਼ਟ ਚਾਰਟਾਂ ਨੂੰ [Charticulator](https://charticulator.com) ਵਿੱਚ ਦੁਬਾਰਾ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।  
+## [ਪਾਠ-ਬਾਅਦ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਕਈ ਵਾਰ ਇਹ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਪਾਈ, ਡੋਨਟ, ਜਾਂ ਵਾਫਲ ਚਾਰਟ ਕਦੋਂ ਵਰਤਣਾ ਹੈ। ਇਸ ਵਿਸ਼ੇ 'ਤੇ ਪੜ੍ਹਨ ਲਈ ਕੁਝ ਲੇਖ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਹਨ:
+
+https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart  
+
+https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce  
+
+https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm  
+
+https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402  
+
+ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਖੋਜ ਕਰੋ ਅਤੇ ਇਸ ਮੁਸ਼ਕਲ ਫੈਸਲੇ ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ।  
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਇਸਨੂੰ Excel ਵਿੱਚ ਅਜ਼ਮਾਓ](assignment.md)  
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਮੂਲ ਰੂਪ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/pa/3-Data-Visualization/R/12-visualization-relationships/README.md
new file mode 100644
index 00000000..4231b684
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/12-visualization-relationships/README.md
@@ -0,0 +1,175 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "a33c5d4b4156a2b41788d8720b6f724c",
+  "translation_date": "2025-08-27T18:26:45+00:00",
+  "source_file": "3-Data-Visualization/R/12-visualization-relationships/README.md",
+  "language_code": "pa"
+}
+-->
+# ਰਿਸ਼ਤਿਆਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ: ਸ਼ਹਿਦ ਬਾਰੇ ਸਭ ਕੁਝ 🍯
+
+|![ [(@sketchthedocs)] ਦੁਆਰਾ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev)](../../../sketchnotes/12-Visualizing-Relationships.png)|
+|:---:|
+|ਰਿਸ਼ਤਿਆਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+
+ਸਾਡੇ ਖੋਜ ਦੇ ਕੁਦਰਤੀ ਧਿਆਨ ਨੂੰ ਜਾਰੀ ਰੱਖਦੇ ਹੋਏ, ਆਓ ਅਜਿਹੀਆਂ ਦ੍ਰਿਸ਼ਟੀਕਰਨਾਂ ਦੀ ਖੋਜ ਕਰੀਏ ਜੋ ਸ਼ਹਿਦ ਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀਆਂ ਹਨ। ਇਹ ਡਾਟਾਸੈੱਟ [ਯੂਨਾਈਟਡ ਸਟੇਟਸ ਡਿਪਾਰਟਮੈਂਟ ਆਫ ਐਗਰੀਕਲਚਰ](https://www.nass.usda.gov/About_NASS/index.php) ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। 
+
+ਇਹ ਡਾਟਾਸੈੱਟ ਲਗਭਗ 600 ਆਈਟਮਾਂ ਦਾ ਹੈ ਜੋ ਕਈ ਅਮਰੀਕੀ ਰਾਜਾਂ ਵਿੱਚ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਤੁਸੀਂ 1998-2012 ਦੇ ਸਮੇਂ ਵਿੱਚ ਕਿਸੇ ਦਿੱਤੇ ਗਏ ਰਾਜ ਵਿੱਚ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਦੀਆਂ ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ, ਪ੍ਰਤੀ ਕਾਲੋਨੀ ਉਪਜ, ਕੁੱਲ ਉਤਪਾਦਨ, ਸਟਾਕ, ਪ੍ਰਤੀ ਪਾਉਂਡ ਕੀਮਤ ਅਤੇ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਦੇਖ ਸਕਦੇ ਹੋ। ਹਰ ਰਾਜ ਲਈ ਹਰ ਸਾਲ ਇੱਕ ਪੰਕਤੀ ਹੈ। 
+
+ਇਹ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦਿਲਚਸਪ ਹੋਵੇਗਾ ਕਿ ਕਿਸੇ ਦਿੱਤੇ ਰਾਜ ਦੇ ਸਾਲਾਨਾ ਉਤਪਾਦਨ ਅਤੇ ਉਸ ਰਾਜ ਵਿੱਚ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਕਿਵੇਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ ਰਾਜਾਂ ਦੇ ਪ੍ਰਤੀ ਕਾਲੋਨੀ ਸ਼ਹਿਦ ਦੀ ਉਪਜ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਵੀ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਸਾਲਾਂ ਦੀ ਰੇਂਜ 2006 ਵਿੱਚ ਪਹਿਲਾਂ ਵੱਖਰੀ 'ਕਾਲੋਨੀ ਕਾਲਾਪਸ ਡਿਸਆਰਡਰ' (http://npic.orst.edu/envir/ccd.html) ਦੇਖੀ ਗਈ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ, ਇਸ ਲਈ ਇਹ ਅਧਿਐਨ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਡਾਟਾਸੈੱਟ ਹੈ। 🐝
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22)
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ggplot2 ਵਰਤ ਸਕਦੇ ਹੋ, ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਪਹਿਲਾਂ ਵਰਤ ਚੁੱਕੇ ਹੋ, ਜੋ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਲਈ ਇੱਕ ਵਧੀਆ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਦਿਲਚਸਪ ਹੈ ggplot2 ਦੇ `geom_point` ਅਤੇ `qplot` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ, ਜੋ ਸਕੈਟਰ ਪਲਾਟ ਅਤੇ ਲਾਈਨ ਪਲਾਟਾਂ ਨੂੰ '[ਸੰਖਿਆਕੀ ਰਿਸ਼ਤੇ](https://ggplot2.tidyverse.org/)' ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ, ਜੋ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਵੈਰੀਏਬਲਾਂ ਦੇ ਆਪਸੀ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
+
+## ਸਕੈਟਰਪਲਾਟ
+
+ਸਕੈਟਰਪਲਾਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਰਸਾਓ ਕਿ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਸਾਲ ਦਰ ਸਾਲ, ਪ੍ਰਤੀ ਰਾਜ ਕਿਵੇਂ ਵਿਕਸਿਤ ਹੋਈ ਹੈ। ggplot2, `ggplot` ਅਤੇ `geom_point` ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਸਹੂਲਤ ਨਾਲ ਰਾਜਾਂ ਦੇ ਡਾਟਾ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਅਤੇ ਸੰਖਿਆਕੀ ਡਾਟਾ ਲਈ ਡਾਟਾ ਪੌਇੰਟ ਦਿਖਾਉਂਦਾ ਹੈ। 
+
+ਆਓ ਡਾਟਾ ਅਤੇ Seaborn ਨੂੰ ਇੰਪੋਰਟ ਕਰਕੇ ਸ਼ੁਰੂ ਕਰੀਏ:
+
+```r
+honey=read.csv('../../data/honey.csv')
+head(honey)
+```
+ਤੁਸੀਂ ਨੋਟ ਕਰਦੇ ਹੋ ਕਿ ਸ਼ਹਿਦ ਦੇ ਡਾਟਾ ਵਿੱਚ ਕਈ ਦਿਲਚਸਪ ਕਾਲਮ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਾਲ ਅਤੇ ਪ੍ਰਤੀ ਪਾਉਂਡ ਕੀਮਤ। ਆਓ ਇਸ ਡਾਟਾ ਦੀ ਖੋਜ ਕਰੀਏ, ਜੋ ਅਮਰੀਕੀ ਰਾਜਾਂ ਦੁਆਰਾ ਸਮੂਹਬੱਧ ਹੈ:
+
+| state | numcol | yieldpercol | totalprod | stocks   | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- |
+| AL    | 16000  | 71          | 1136000   | 159000   | 0.72       | 818000    | 1998 |
+| AZ    | 55000  | 60          | 3300000   | 1485000  | 0.64       | 2112000   | 1998 |
+| AR    | 53000  | 65          | 3445000   | 1688000  | 0.59       | 2033000   | 1998 |
+| CA    | 450000 | 83          | 37350000  | 12326000 | 0.62       | 23157000  | 1998 |
+| CO    | 27000  | 72          | 1944000   | 1594000  | 0.7        | 1361000   | 1998 |
+| FL    | 230000 | 98          |22540000   | 4508000  | 0.64       | 14426000  | 1998 |
+
+ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਅਤੇ ਉਸ ਦੇ ਅਮਰੀਕੀ ਰਾਜ ਦੇ ਮੂਲ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਬੁਨਿਆਦੀ ਸਕੈਟਰਪਲਾਟ ਬਣਾਓ। `y` ਧੁਰੇ ਨੂੰ ਇੰਨਾ ਲੰਮਾ ਬਣਾਓ ਕਿ ਸਾਰੇ ਰਾਜ ਦਿਖਾਈ ਦੇ ਸਕਣ:
+
+```r
+library(ggplot2)
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(colour = "blue")
+```
+![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.pa.png)
+
+ਹੁਣ, ਸਾਲਾਂ ਦੇ ਦੌਰਾਨ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਕਿਵੇਂ ਵਿਕਸਿਤ ਹੁੰਦੀ ਹੈ, ਇਹ ਦਰਸਾਉਣ ਲਈ ਸ਼ਹਿਦ ਦੇ ਰੰਗ ਦੀ ਸਕੀਮ ਨਾਲ ਉਹੀ ਡਾਟਾ ਦਿਖਾਓ। ਤੁਸੀਂ ਇਹ 'scale_color_gradientn' ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਕਰਕੇ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਸਾਲ ਦਰ ਸਾਲ ਬਦਲਾਅ ਦਿਖਾਉਂਦਾ ਹੈ:
+
+> ✅ [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ - ਇੱਕ ਸੁੰਦਰ ਰੇਂਬੋ ਰੰਗ ਸਕੀਮ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ!
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state, color=year)) +
+  geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7))
+```
+![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.pa.png)
+
+ਇਸ ਰੰਗ ਸਕੀਮ ਬਦਲਾਅ ਨਾਲ, ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਸਾਲਾਂ ਦੇ ਦੌਰਾਨ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਪ੍ਰਤੀ ਪਾਉਂਡ ਵਿੱਚ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਤਰੱਕੀ ਹੈ। ਦਰਅਸਲ, ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਵਿੱਚ ਇੱਕ ਨਮੂਨਾ ਸੈੱਟ ਦੀ ਜਾਂਚ ਕਰੋ (ਉਦਾਹਰਣ ਲਈ, ਅਰੀਜ਼ੋਨਾ ਨੂੰ ਚੁਣੋ) ਤਾਂ ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਕੀਮਤ ਵਿੱਚ ਵਾਧੇ ਦਾ ਪੈਟਰਨ ਦੇਖ ਸਕਦੇ ਹੋ, ਕੁਝ ਛੋਟ ਦੇ ਨਾਲ:
+
+| state | numcol | yieldpercol | totalprod | stocks  | priceperlb | prodvalue | year |
+| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- |
+| AZ    | 55000  | 60          | 3300000   | 1485000 | 0.64       | 2112000   | 1998 |
+| AZ    | 52000  | 62          | 3224000   | 1548000 | 0.62       | 1999000   | 1999 |
+| AZ    | 40000  | 59          | 2360000   | 1322000 | 0.73       | 1723000   | 2000 |
+| AZ    | 43000  | 59          | 2537000   | 1142000 | 0.72       | 1827000   | 2001 |
+| AZ    | 38000  | 63          | 2394000   | 1197000 | 1.08       | 2586000   | 2002 |
+| AZ    | 35000  | 72          | 2520000   | 983000  | 1.34       | 3377000   | 2003 |
+| AZ    | 32000  | 55          | 1760000   | 774000  | 1.11       | 1954000   | 2004 |
+| AZ    | 36000  | 50          | 1800000   | 720000  | 1.04       | 1872000   | 2005 |
+| AZ    | 30000  | 65          | 1950000   | 839000  | 0.91       | 1775000   | 2006 |
+| AZ    | 30000  | 64          | 1920000   | 902000  | 1.26       | 2419000   | 2007 |
+| AZ    | 25000  | 64          | 1600000   | 336000  | 1.26       | 2016000   | 2008 |
+| AZ    | 20000  | 52          | 1040000   | 562000  | 1.45       | 1508000   | 2009 |
+| AZ    | 24000  | 77          | 1848000   | 665000  | 1.52       | 2809000   | 2010 |
+| AZ    | 23000  | 53          | 1219000   | 427000  | 1.55       | 1889000   | 2011 |
+| AZ    | 22000  | 46          | 1012000   | 253000  | 1.79       | 1811000   | 2012 |
+
+ਇਹ ਪ੍ਰਗਤੀ ਦ੍ਰਿਸ਼ਟੀਕਰਤ ਕਰਨ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਰੰਗ ਦੀ ਬਜਾਏ ਆਕਾਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। ਰੰਗ-ਅੰਧੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ, ਇਹ ਇੱਕ ਬਿਹਤਰ ਵਿਕਲਪ ਹੋ ਸਕਦਾ ਹੈ। ਆਪਣੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਨੂੰ ਸੋਧੋ ਤਾਂ ਜੋ ਕੀਮਤ ਵਿੱਚ ਵਾਧੇ ਨੂੰ ਡਾਟ ਦੇ ਘੇਰੇ ਵਿੱਚ ਵਾਧੇ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾ ਸਕੇ:
+
+```r
+ggplot(honey, aes(x = priceperlb, y = state)) +
+  geom_point(aes(size = year),colour = "blue") +
+  scale_size_continuous(range = c(0.25, 3))
+```
+ਤੁਸੀਂ ਡਾਟ ਦੇ ਆਕਾਰ ਨੂੰ ਹੌਲੀ-ਹੌਲੀ ਵਧਦੇ ਹੋਏ ਦੇਖ ਸਕਦੇ ਹੋ।
+
+![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.pa.png)
+
+ਕੀ ਇਹ ਸਪਲਾਈ ਅਤੇ ਡਿਮਾਂਡ ਦਾ ਸਧਾਰਨ ਮਾਮਲਾ ਹੈ? ਜਿਵੇਂ ਕਿ ਮੌਸਮ ਵਿੱਚ ਬਦਲਾਅ ਅਤੇ ਕਾਲੋਨੀ ਕਾਲਾਪਸ ਦੇ ਕਾਰਨ, ਕੀ ਸਾਲ ਦਰ ਸਾਲ ਖਰੀਦਣ ਲਈ ਘੱਟ ਸ਼ਹਿਦ ਉਪਲਬਧ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਕੀਮਤ ਵਧਦੀ ਹੈ?
+
+ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਕੁਝ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤੇ ਦੀ ਖੋਜ ਕਰਨ ਲਈ, ਆਓ ਕੁਝ ਲਾਈਨ ਚਾਰਟਾਂ ਦੀ ਖੋਜ ਕਰੀਏ।
+
+## ਲਾਈਨ ਚਾਰਟ
+
+ਸਵਾਲ: ਕੀ ਸਾਲ ਦਰ ਸਾਲ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਵਿੱਚ ਸਪਸ਼ਟ ਵਾਧਾ ਹੈ? ਤੁਸੀਂ ਇਸ ਨੂੰ ਸਭ ਤੋਂ ਆਸਾਨੀ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਲਾਈਨ ਚਾਰਟ ਬਣਾਕੇ ਪਤਾ ਕਰ ਸਕਦੇ ਹੋ:
+
+```r
+qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb")
+```
+ਜਵਾਬ: ਹਾਂ, ਕੁਝ ਛੋਟਾਂ ਦੇ ਨਾਲ, 2003 ਦੇ ਆਸ-ਪਾਸ:
+
+![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.pa.png)
+
+ਸਵਾਲ: ਖੈਰ, 2003 ਵਿੱਚ ਕੀ ਤੁਸੀਂ ਸ਼ਹਿਦ ਦੀ ਸਪਲਾਈ ਵਿੱਚ ਵੀ ਵਾਧਾ ਦੇਖ ਸਕਦੇ ਹੋ? ਜੇ ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਕੁੱਲ ਉਤਪਾਦਨ ਨੂੰ ਦੇਖੋ ਤਾਂ ਕੀ ਹੋਵੇਗਾ?
+
+```python
+qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod")
+```
+
+![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.pa.png)
+
+ਜਵਾਬ: ਸੱਚਮੁੱਚ ਨਹੀਂ। ਜੇ ਤੁਸੀਂ ਕੁੱਲ ਉਤਪਾਦਨ ਨੂੰ ਦੇਖੋ, ਤਾਂ ਇਹ ਵਿਸ਼ੇਸ਼ ਸਾਲ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਜਾਪਦਾ ਹੈ, ਹਾਲਾਂਕਿ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਹਿਦ ਦੇ ਉਤਪਾਦਨ ਦੀ ਮਾਤਰਾ ਇਨ੍ਹਾਂ ਸਾਲਾਂ ਦੌਰਾਨ ਘਟ ਰਹੀ ਹੈ।
+
+ਸਵਾਲ: ਇਸ ਮਾਮਲੇ ਵਿੱਚ, 2003 ਦੇ ਆਸ-ਪਾਸ ਸ਼ਹਿਦ ਦੀ ਕੀਮਤ ਵਿੱਚ ਵਾਧੇ ਦਾ ਕਾਰਨ ਕੀ ਹੋ ਸਕਦਾ ਹੈ?
+
+ਇਸ ਨੂੰ ਪਤਾ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਫੈਸਿਟ ਗ੍ਰਿਡ ਦੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ।
+
+## ਫੈਸਿਟ ਗ੍ਰਿਡ
+
+ਫੈਸਿਟ ਗ੍ਰਿਡ ਤੁਹਾਡੇ ਡਾਟਾਸੈੱਟ ਦੇ ਇੱਕ ਫੈਸਿਟ (ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ, ਤੁਸੀਂ 'ਸਾਲ' ਚੁਣ ਸਕਦੇ ਹੋ ਤਾਂ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਫੈਸਿਟ ਨਾ ਬਣੇ) ਨੂੰ ਲੈਂਦਾ ਹੈ। Seaborn ਫਿਰ ਤੁਹਾਡੇ ਚੁਣੇ ਗਏ x ਅਤੇ y ਕੋਆਰਡੀਨੇਟਾਂ ਦੇ ਹਰ ਫੈਸਿਟ ਲਈ ਇੱਕ ਪਲਾਟ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਵਧੇਰੇ ਆਸਾਨ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦੀ ਤੁਲਨਾ ਲਈ ਹੈ। ਕੀ 2003 ਇਸ ਕਿਸਮ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਖਾਸ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ?
+
+[ggplot2 ਦੇ ਦਸਤਾਵੇਜ਼](https://ggplot2.tidyverse.org/reference/facet_wrap.html) ਦੁਆਰਾ ਸਿਫਾਰਸ਼ ਕੀਤੇ `facet_wrap` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਫੈਸਿਟ ਗ੍ਰਿਡ ਬਣਾਓ। 
+
+```r
+ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + 
+  geom_line() + facet_wrap(vars(year))
+```
+ਇਸ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਵਿੱਚ, ਤੁਸੀਂ ਸਾਲ ਦਰ ਸਾਲ ਅਤੇ ਰਾਜ ਦਰ ਰਾਜ ਕਾਲੋਨੀ ਦੀ ਉਪਜ ਅਤੇ ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹੋ, ਕਾਲਮਾਂ ਲਈ 3 'ਤੇ ਰੈਪ ਸੈਟ ਨਾਲ:
+
+![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.pa.png)
+
+ਇਸ ਡਾਟਾਸੈੱਟ ਲਈ, ਸਾਲ ਦਰ ਸਾਲ ਅਤੇ ਰਾਜ ਦਰ ਰਾਜ ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਉਪਜ ਦੇ ਸਬੰਧ ਵਿੱਚ ਕੁਝ ਖਾਸ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ। ਕੀ ਇਹ ਦੋ ਵੈਰੀਏਬਲਾਂ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਲੱਭਣ ਦਾ ਇੱਕ ਵੱਖਰਾ ਤਰੀਕਾ ਹੈ?
+
+## ਡੁਅਲ-ਲਾਈਨ ਪਲਾਟ
+
+R ਦੇ `par` ਅਤੇ `plot` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੋ ਲਾਈਨਪਲਾਟਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਉੱਤੇ ਸਪਰਿੰਪੋਜ਼ ਕਰਕੇ ਇੱਕ ਮਲਟੀਲਾਈਨ ਪਲਾਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਅਸੀਂ x ਧੁਰੇ ਵਿੱਚ ਸਾਲ ਨੂੰ ਪਲਾਟ ਕਰ ਰਹੇ ਹੋਵਾਂਗੇ ਅਤੇ ਦੋ y ਧੁਰੇ ਦਿਖਾਵਾਂਗੇ। ਇਸ ਲਈ, ਕਾਲੋਨੀ ਦੀ ਉਪਜ ਅਤੇ ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ ਦਿਖਾਓ:
+
+```r
+par(mar = c(5, 4, 4, 4) + 0.3)              
+plot(honey$year, honey$numcol, pch = 16, col = 2,type="l")              
+par(new = TRUE)                             
+plot(honey$year, honey$yieldpercol, pch = 17, col = 3,              
+     axes = FALSE, xlab = "", ylab = "",type="l")
+axis(side = 4, at = pretty(range(y2)))      
+mtext("colony yield", side = 4, line = 3)   
+```
+![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.pa.png)
+
+ਹਾਲਾਂਕਿ 2003 ਦੇ ਆਸ-ਪਾਸ ਕੁਝ ਵੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ, ਇਹ ਸਾਨੂੰ ਇਸ ਪਾਠ ਨੂੰ ਇੱਕ ਖੁਸ਼ੀਦਾਇਕ ਨੋਟ 'ਤੇ ਖਤਮ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ: ਹਾਲਾਂਕਿ ਕੁੱਲ ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ ਘਟ ਰਹੀ ਹੈ, ਕਾਲੋਨੀਆਂ ਦੀ ਗਿਣਤੀ ਸਥਿਰ ਹੋ ਰਹੀ ਹੈ ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦੀ ਪ੍ਰਤੀ ਕਾਲੋਨੀ ਉਪਜ ਘਟ ਰਹੀ ਹੈ।
+
+ਜਾਓ, ਮੱਖੀਆਂ, ਜਾਓ!
+
+🐝❤️
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਕੈਟਰਪਲਾਟ ਅਤੇ ਲਾਈਨ ਗ੍ਰਿਡਾਂ ਦੇ ਹੋਰ ਉਪਯੋਗਾਂ ਬਾਰੇ ਕੁਝ ਹੋਰ ਸਿੱਖਿਆ, ਜਿਸ ਵਿੱਚ ਫੈਸਿਟ ਗ੍ਰਿਡ ਸ਼ਾਮਲ ਹਨ। ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਫੈਸਿਟ ਗ੍ਰਿਡ ਬਣਾਉਣ ਦੀ ਚੁਣੌਤੀ ਦਿਓ, ਸ਼ਾਇਦ ਉਹ ਜੋ ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਤੋਂ ਪਹਿਲਾਂ ਵਰਤਿਆ ਸੀ। ਨੋਟ ਕਰੋ ਕਿ ਇਹ ਬਣਾਉਣ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇਹਨਾਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕਿੰਨੀ ਗ੍ਰਿਡਾਂ ਬਣਾਉਣ ਦੀ ਸੰਭਾਲ ਕਰਦੇ ਹੋ।
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਲਾਈਨ ਪਲਾਟ ਸਧਾਰਨ ਜਾਂ ਕਾਫ਼ੀ ਜਟਿਲ ਹੋ ਸਕਦੇ ਹਨ। [ggplot2 ਦਸਤਾਵੇਜ਼](https://gg
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਭਵਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੇ ਪ੍ਰਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।  
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/pa/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
new file mode 100644
index 00000000..d6acdd9f
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/R/13-meaningful-vizualizations/README.md
@@ -0,0 +1,180 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "b4039f1c76548d144a0aee0bf28304ec",
+  "translation_date": "2025-08-27T18:35:33+00:00",
+  "source_file": "3-Data-Visualization/R/13-meaningful-vizualizations/README.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਨਹੀਣ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਾ
+
+|![ ਸਕੈਚਨੋਟ [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/13-MeaningfulViz.png)|
+|:---:|
+| ਮਾਨਹੀਣ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya)_ |
+
+> "ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਕਾਫ਼ੀ ਲੰਮੇ ਸਮੇਂ ਤੱਕ ਤੰਗ ਕਰੋ, ਤਾਂ ਇਹ ਕੁਝ ਵੀ ਸੱਚ ਮੰਨ ਲਵੇਗਾ" -- [ਰੋਨਾਲਡ ਕੋਸ](https://en.wikiquote.org/wiki/Ronald_Coase)
+
+ਡਾਟਾ ਸਾਇੰਸਟ ਦਾ ਇੱਕ ਮੁੱਖ ਹੁਨਰ ਇਹ ਹੈ ਕਿ ਉਹ ਅਰਥਪੂਰਨ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕੇ। ਡਾਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹ ਸਾਫ਼ ਅਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਵੇਂ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ ਕੀਤਾ ਸੀ। ਇਸ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਡਾਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ।
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਮੀਖਿਆ ਕਰੋਗੇ:
+
+1. ਸਹੀ ਚਾਰਟ ਕਿਸਮ ਕਿਵੇਂ ਚੁਣੀ ਜਾਵੇ
+2. ਧੋਖੇਬਾਜ਼ ਚਾਰਟਿੰਗ ਤੋਂ ਕਿਵੇਂ ਬਚਿਆ ਜਾਵੇ
+3. ਰੰਗਾਂ ਨਾਲ ਕਿਵੇਂ ਕੰਮ ਕੀਤਾ ਜਾਵੇ
+4. ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਚਾਰਟਾਂ ਨੂੰ ਕਿਵੇਂ ਸਜਾਇਆ ਜਾਵੇ
+5. ਐਨੀਮੇਟਡ ਜਾਂ 3D ਚਾਰਟਿੰਗ ਹੱਲ ਕਿਵੇਂ ਬਣਾਏ ਜਾਣ
+6. ਰਚਨਾਤਮਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਕਿਵੇਂ ਬਣਾਈ ਜਾਵੇ
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24)
+
+## ਸਹੀ ਚਾਰਟ ਕਿਸਮ ਚੁਣੋ
+
+ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ Matplotlib ਅਤੇ Seaborn ਵਰਗੇ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਈ ਰੁਚਿਕਰ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦਾ ਅਨੁਭਵ ਕੀਤਾ। ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੇ ਸਵਾਲ ਦੇ ਅਨੁਸਾਰ ਸਹੀ [ਚਾਰਟ ਦੀ ਕਿਸਮ](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ਚੁਣ ਸਕਦੇ ਹੋ ਇਸ ਤਾਲਿਕਾ ਦੀ ਮਦਦ ਨਾਲ:
+
+| ਤੁਹਾਨੂੰ ਲੋੜ ਹੈ:            | ਤੁਹਾਨੂੰ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ:         |
+| -------------------------- | ------------------------------- |
+| ਸਮੇਂ ਦੇ ਨਾਲ ਡਾਟਾ ਰੁਝਾਨ ਦਿਖਾਉਣਾ | ਲਾਈਨ                          |
+| ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਹੈ | ਬਾਰ, ਪਾਈ                      |
+| ਕੁੱਲ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਹੈ      | ਪਾਈ, ਸਟੈਕਡ ਬਾਰ                |
+| ਸੰਬੰਧ ਦਿਖਾਉਣਾ ਹੈ          | ਸਕੈਟਰ, ਲਾਈਨ, ਫੈਸਿਟ, ਡੁਅਲ ਲਾਈਨ |
+| ਵੰਡ ਦਿਖਾਉਣੀ ਹੈ            | ਸਕੈਟਰ, ਹਿਸਟੋਗ੍ਰਾਮ, ਬਾਕਸ       |
+| ਅਨੁਪਾਤ ਦਿਖਾਉਣਾ ਹੈ         | ਪਾਈ, ਡੋਨਟ, ਵਾਫਲ               |
+
+> ✅ ਤੁਹਾਡੇ ਡਾਟਾ ਦੀ ਬਣਾਵਟ ਦੇ ਅਨੁਸਾਰ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਟੈਕਸਟ ਤੋਂ ਨੰਬਰਿਕ ਵਿੱਚ ਬਦਲਣਾ ਪੈ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਚਾਰਟ ਇਸਨੂੰ ਸਹਾਰ ਸਕੇ।
+
+## ਧੋਖੇਬਾਜ਼ੀ ਤੋਂ ਬਚੋ
+
+ਭਾਵੇਂ ਕਿ ਡਾਟਾ ਸਾਇੰਸਟ ਸਹੀ ਡਾਟਾ ਲਈ ਸਹੀ ਚਾਰਟ ਚੁਣਨ ਵਿੱਚ ਸਾਵਧਾਨ ਹੋਵੇ, ਫਿਰ ਵੀ ਕਈ ਤਰੀਕੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਡਾਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਕਿਸੇ ਨਤੀਜੇ ਨੂੰ ਸਾਬਤ ਕਰੇ, ਪਰ ਕਈ ਵਾਰ ਇਹ ਡਾਟਾ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਅਤੇ ਇਨਫੋਗ੍ਰਾਫਿਕਸ ਦੇ ਕਈ ਉਦਾਹਰਨ ਹਨ!
+
+[![ਅਲਬਰਟੋ ਕਾਇਰੋ ਦੁਆਰਾ "ਹਾਊ ਚਾਰਟਸ ਲਾਈ"](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.pa.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "ਹਾਊ ਚਾਰਟਸ ਲਾਈ")
+
+> 🎥 ਉੱਪਰ ਦਿੱਤੀ ਤਸਵੀਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਬਾਰੇ ਕਾਨਫਰੰਸ ਟਾਕ ਦੇਖਣ ਲਈ
+
+ਇਹ ਚਾਰਟ X ਅਕਸ ਨੂੰ ਉਲਟਾ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸੱਚ ਦੇ ਉਲਟ ਨਤੀਜਾ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ:
+
+![ਖਰਾਬ ਚਾਰਟ 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.pa.png)
+
+[ਇਹ ਚਾਰਟ](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ਹੋਰ ਵੀ ਧੋਖੇਬਾਜ਼ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਅੱਖ ਨੂੰ ਇਹ ਨਤੀਜਾ ਕੱਢਣ ਲਈ ਖਿੱਚਦਾ ਹੈ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ COVID ਕੇਸ ਘਟੇ ਹਨ। ਪਰ ਜੇ ਤੁਸੀਂ ਤਾਰੀਖਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ, ਤਾਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਨੂੰ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਦੁਬਾਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+![ਖਰਾਬ ਚਾਰਟ 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.pa.jpg)
+
+ਇਹ ਮਸ਼ਹੂਰ ਉਦਾਹਰਨ ਰੰਗ ਅਤੇ ਉਲਟੇ Y ਅਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਧੋਖਾ ਦਿੰਦੀ ਹੈ: ਬਜਾਏ ਇਸਦੇ ਕਿ ਗਨ ਮੌਤਾਂ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ, ਅੱਖ ਨੂੰ ਇਹ ਗਲਤਫਹਮੀ ਹੋ ਸਕਦੀ ਹੈ ਕਿ ਉਲਟਾ ਸੱਚ ਹੈ:
+
+![ਖਰਾਬ ਚਾਰਟ 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.pa.jpg)
+
+ਇਹ ਅਜੀਬ ਚਾਰਟ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਅਨੁਪਾਤ ਨੂੰ ਕਿਵੇਂ ਮਜ਼ਾਕੀਆ ਤਰੀਕੇ ਨਾਲ ਮੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+
+![ਖਰਾਬ ਚਾਰਟ 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.pa.jpg)
+
+ਅਤੁਲਨਾਤਮਕ ਚੀਜ਼ਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਇੱਕ ਹੋਰ ਧੋਖੇਬਾਜ਼ ਤਰੀਕਾ ਹੈ। ਇੱਕ [ਸ਼ਾਨਦਾਰ ਵੈੱਬਸਾਈਟ](https://tylervigen.com/spurious-correlations) 'ਸਪਿਊਰੀਅਸ ਕੋਰਲੇਸ਼ਨਜ਼' ਬਾਰੇ ਹੈ ਜੋ 'ਤੱਥਾਂ' ਨੂੰ ਦਿਖਾਉਂਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਮੈਨ ਵਿੱਚ ਤਲਾਕ ਦੀ ਦਰ ਅਤੇ ਮਾਰਜਰੀਨ ਦੀ ਖਪਤ। ਇੱਕ Reddit ਗਰੁੱਪ ਵੀ [ਡਾਟਾ ਦੇ ਬੁਰੇ ਉਪਯੋਗ](https://www.reddit.com/r/dataisugly/top/?t=all) ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ।
+
+ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਅੱਖ ਨੂੰ ਕਿਵੇਂ ਆਸਾਨੀ ਨਾਲ ਧੋਖਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਭਾਵੇਂ ਕਿ ਡਾਟਾ ਸਾਇੰਸਟ ਦੀ ਨੀਅਤ ਚੰਗੀ ਹੋਵੇ, ਪਰ ਗਲਤ ਕਿਸਮ ਦੇ ਚਾਰਟ ਦੀ ਚੋਣ, ਜਿਵੇਂ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਾਲਾ ਪਾਈ ਚਾਰਟ, ਧੋਖੇਬਾਜ਼ ਹੋ ਸਕਦਾ ਹੈ।
+
+## ਰੰਗ
+
+ਤੁਸੀਂ ਉੱਪਰ ਦਿੱਤੇ 'ਫਲੋਰੀਡਾ ਗਨ ਵਾਇਲੈਂਸ' ਚਾਰਟ ਵਿੱਚ ਦੇਖਿਆ ਕਿ ਰੰਗ ਕਿਵੇਂ ਚਾਰਟਾਂ ਵਿੱਚ ਇੱਕ ਵਾਧੂ ਅਰਥਪੂਰਨ ਪਰਤ ਜੋੜ ਸਕਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਉਹ ਚਾਰਟ ਜੋ ggplot2 ਅਤੇ RColorBrewer ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਨਹੀਂ ਬਣਾਏ ਗਏ। ਜੇ ਤੁਸੀਂ ਹੱਥ ਨਾਲ ਚਾਰਟ ਬਣਾ ਰਹੇ ਹੋ, ਤਾਂ [ਰੰਗ ਸਿਧਾਂਤ](https://colormatters.com/color-and-design/basic-color-theory) ਦਾ ਥੋੜਾ ਅਧਿਐਨ ਕਰੋ।
+
+> ✅ ਚਾਰਟ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਪਹੁੰਚਯੋਗਤਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂ ਹੈ। ਤੁਹਾਡੇ ਕੁਝ ਯੂਜ਼ਰ ਰੰਗਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਦੇਖ ਸਕਦੇ - ਕੀ ਤੁਹਾਡਾ ਚਾਰਟ ਵਿਜੁਅਲ ਇੰਪੇਅਰਮੈਂਟ ਵਾਲੇ ਯੂਜ਼ਰਾਂ ਲਈ ਠੀਕ ਦਿਖਦਾ ਹੈ?
+
+ਚਾਰਟ ਲਈ ਰੰਗ ਚੁਣਦੇ ਸਮੇਂ ਸਾਵਧਾਨ ਰਹੋ, ਕਿਉਂਕਿ ਰੰਗ ਉਹ ਅਰਥ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ। 'ਪਿੰਕ ਲੇਡੀਜ਼' ਚਾਰਟ ਵਿੱਚ 'ਉਚਿਤ' ਅਰਥ ਦੇਣ ਵਾਲੇ ਰੰਗ ਇਸਨੂੰ ਹੋਰ ਵੀ ਅਜੀਬ ਬਣਾਉਂਦੇ ਹਨ।
+
+ਜਦੋਂ ਕਿ [ਰੰਗਾਂ ਦੇ ਅਰਥ](https://colormatters.com/color-symbolism/the-meanings-of-colors) ਵਿਭਿੰਨ ਭਾਗਾਂ ਵਿੱਚ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸ਼ੇਡ ਦੇ ਅਨੁਸਾਰ ਬਦਲ ਸਕਦੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਰੰਗਾਂ ਦੇ ਅਰਥ ਇਹ ਹਨ:
+
+| ਰੰਗ    | ਅਰਥ                 |
+| ------ | ------------------- |
+| ਲਾਲ    | ਸ਼ਕਤੀ               |
+| ਨੀਲਾ   | ਭਰੋਸਾ, ਵਫ਼ਾਦਾਰੀ    |
+| ਪੀਲਾ   | ਖੁਸ਼ੀ, ਸਾਵਧਾਨੀ      |
+| ਹਰਾ    | ਪਰਿਆਵਰਣ, ਨਸੀਬ, ਈਰਖਾ |
+| ਜਾਮਨੀ  | ਖੁਸ਼ੀ               |
+| ਸੰਤਰੀ  | ਉਤਸ਼ਾਹ             |
+
+ਜੇ ਤੁਹਾਨੂੰ ਕਸਟਮ ਰੰਗਾਂ ਨਾਲ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਚਾਰਟ ਪਹੁੰਚਯੋਗ ਹਨ ਅਤੇ ਤੁਸੀਂ ਚੁਣੇ ਰੰਗ ਉਹ ਅਰਥ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।
+
+## ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਚਾਰਟਾਂ ਨੂੰ ਸਜਾਉਣਾ
+
+ਜੇ ਚਾਰਟ ਪੜ੍ਹਨਯੋਗ ਨਹੀਂ ਹਨ, ਤਾਂ ਉਹ ਅਰਥਪੂਰਨ ਨਹੀਂ ਹਨ! ਆਪਣੇ ਚਾਰਟ ਦੀ ਚੌੜਾਈ ਅਤੇ ਉਚਾਈ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮਾਪਣ ਲਈ ਇੱਕ ਪਲ ਲਓ। ਜੇਕਰ ਇੱਕ ਵੈਰੀਏਬਲ (ਜਿਵੇਂ ਕਿ ਸਾਰੇ 50 ਰਾਜ) ਦਿਖਾਉਣੇ ਹਨ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ Y ਅਕਸ 'ਤੇ ਲੰਬਵਾਰ ਦਿਖਾਓ ਜੇ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਜ਼ਿਆਦਾ ਚੌੜਾਈ ਵਾਲੇ ਚਾਰਟ ਤੋਂ ਬਚਣ ਲਈ।
+
+ਆਪਣੇ ਅਕਸਾਂ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਜ਼ਰੂਰਤ ਪਏ ਤਾਂ ਇੱਕ ਲੈਜੈਂਡ ਪ੍ਰਦਾਨ ਕਰੋ, ਅਤੇ ਡਾਟਾ ਦੀ ਵਧੀਆ ਸਮਝ ਲਈ ਟੂਲਟਿਪਸ ਦਿਓ।
+
+ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ X ਅਕਸ 'ਤੇ ਟੈਕਸਟ ਅਤੇ ਲੰਬੇ ਵਾਕਾਂਸ਼ਾਂ ਵਾਲਾ ਹੈ, ਤਾਂ ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਟੈਕਸਟ ਨੂੰ ਝੁਕਾ ਸਕਦੇ ਹੋ। [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) 3D ਪਲੌਟਿੰਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਇਸਨੂੰ ਸਹਾਰਦਾ ਹੈ। ਇਸ ਨਾਲ ਸੁਧਾਰਸ਼ੀਲ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈ ਜਾ ਸਕਦੀ ਹੈ।
+
+![3D ਪਲੌਟ](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.pa.png)
+
+## ਐਨੀਮੇਸ਼ਨ ਅਤੇ 3D ਚਾਰਟ ਡਿਸਪਲੇਅ
+
+ਅੱਜ ਦੇ ਕੁਝ ਸਭ ਤੋਂ ਵਧੀਆ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਐਨੀਮੇਟਡ ਹਨ। Shirley Wu ਨੇ D3 ਨਾਲ ਬਹੁਤ ਹੀ ਸ਼ਾਨਦਾਰ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ '[ਫਿਲਮ ਫਲਾਵਰਜ਼](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ਜਿੱਥੇ ਹਰ ਫੁੱਲ ਇੱਕ ਫਿਲਮ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਹੈ। ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ 'ਗਾਰਡੀਅਨ' ਲਈ 'ਬੱਸਡ ਆਉਟ' ਹੈ, ਜੋ ਇੱਕ ਇੰਟਰੈਕਟਿਵ ਅਨੁਭਵ ਹੈ ਜੋ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਗ੍ਰੀਨਸਾਕ ਅਤੇ D3 ਨਾਲ ਜੋੜਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਕ੍ਰੋਲਿੰਗ ਲੇਖ ਫਾਰਮੈਟ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਨਿਊਯਾਰਕ ਸਿਟੀ ਆਪਣੇ ਬੇਘਰ ਲੋਕਾਂ ਨੂੰ ਸ਼ਹਿਰ ਤੋਂ ਬਾਹਰ ਕਿਵੇਂ ਭੇਜਦਾ ਹੈ।
+
+![ਬੱਸਿੰਗ](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.pa.png)
+
+> "ਬੱਸਡ ਆਉਟ: ਅਮਰੀਕਾ ਆਪਣੇ ਬੇਘਰ ਲੋਕਾਂ ਨੂੰ ਕਿਵੇਂ ਹਿਲਾਉਂਦਾ ਹੈ" [ਗਾਰਡੀਅਨ](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) ਤੋਂ। ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ Nadieh Bremer ਅਤੇ Shirley Wu ਦੁਆਰਾ
+
+ਇਹ ਪਾਠ ਇਨ੍ਹਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਸਿਖਾਉਣ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਪਰ Vue.js ਐਪ ਵਿੱਚ D3 ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। 
+
+> "Les Liaisons Dangereuses" ਇੱਕ ਪੱਤਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖਿਆ ਨਾਵਲ ਹੈ। 1782 ਵਿੱਚ Choderlos de Laclos ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ, ਇਹ ਫ੍ਰੈਂਚ ਅਰਿਸਟੋਕ੍ਰੇਸੀ ਦੇ ਦੋ ਮੁੱਖ ਪਾਤਰਾਂ ਦੀ ਕਹਾਣੀ ਦੱਸਦਾ ਹੈ। 
+
+ਤੁਸੀਂ ਇੱਕ ਵੈੱਬ ਐਪ ਪੂਰਾ ਕਰੋਗੇ ਜੋ ਇਸ ਸਮਾਜਿਕ ਨੈੱਟਵਰਕ ਦਾ ਐਨੀਮੇਟਡ ਦ੍ਰਿਸ਼ ਦਿਖਾਵੇਗਾ। 
+
+![liaisons](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.pa.png)
+
+## ਪ੍ਰੋਜੈਕਟ: D3.js ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈੱਟਵਰਕ ਦਿਖਾਉਣ ਲਈ ਚਾਰਟ ਬਣਾਓ
+
+> ਇਸ ਪਾਠ ਫੋਲਡਰ ਵਿੱਚ ਇੱਕ `solution` ਫੋਲਡਰ ਸ਼ਾਮਲ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਸੰਪੂਰਨ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਰੂਪ ਰੇਖਾ ਵਜੋਂ ਪਾ ਸਕਦੇ ਹੋ।
+
+1. README.md ਫਾਈਲ ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ NPM ਅਤੇ Node.js ਚੱਲ ਰਹੇ ਹਨ।
+
+2. `starter/src` ਫੋਲਡਰ ਖੋਲ੍ਹੋ। ਤੁਸੀਂ ਇੱਕ `.json` ਫਾਈਲ ਪਾਵੋਗੇ ਜਿਸ ਵਿੱਚ ਸਾਰੇ ਪੱਤਰ ਹਨ।
+
+3. `components/Nodes.vue` ਵਿੱਚ ਕੋਡ ਪੂਰਾ ਕਰੋ। `createLinks()` ਵਿਧੀ ਵਿੱਚ ਇਹ ਲੂਪ ਸ਼ਾਮਲ ਕਰੋ:
+
+```javascript
+//loop through letters
+      let f = 0;
+      let t = 0;
+      for (var i = 0; i < letters.length; i++) {
+          for (var j = 0; j < characters.length; j++) {
+              
+            if (characters[j] == letters[i].from) {
+              f = j;
+            }
+            if (characters[j] == letters[i].to) {
+              t = j;
+            }
+        }
+        this.links.push({ sid: f, tid: t });
+      }
+  ```
+
+ਆਪਣੇ ਐਪ ਨੂੰ ਟਰਮੀਨਲ ਤੋਂ ਚਲਾਓ (npm run serve) ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਆਨੰਦ ਲਵੋ!
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇੰਟਰਨੈੱਟ 'ਤੇ ਧੋਖੇਬਾਜ਼ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਖੋਜੋ। ਲੇਖਕ ਯੂਜ਼ਰ ਨੂੰ ਕਿਵੇਂ ਧੋਖਾ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਕੀ ਇਹ ਜਾਨਬੁੱਝ ਕੇ ਕੀਤਾ ਗਿਆ ਹੈ? ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਇਹਨਾਂ ਲੇਖਾਂ ਨੂੰ ਪੜ੍ਹੋ ਜੋ ਧੋਖੇਬਾਜ਼ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਾਰੇ ਹਨ:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ਇਹ ਦਿਲਚਸਪ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇਖੋ ਜੋ ਇਤਿਹਾਸਕ ਸੰਸਾਧਨਾਂ ਅਤੇ ਕਲਾਕਾਰਾਂ ਲਈ ਹਨ:
+
+https://handbook.pubpub.org/
+
+ਇਸ ਲੇਖ ਨੂੰ ਦੇਖੋ ਕਿ ਐਨੀਮੇਸ਼ਨ ਕਿਵੇਂ ਤੁਹਾਡੀਆਂ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਸੁਧਾਰ ਸਕਦੀ ਹੈ:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਆਪਣੀ ਕਸਟਮ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਓ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/3-Data-Visualization/README.md b/translations/pa/3-Data-Visualization/README.md
new file mode 100644
index 00000000..405aa7e4
--- /dev/null
+++ b/translations/pa/3-Data-Visualization/README.md
@@ -0,0 +1,42 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1441550a0d789796b2821e04f7f4cc94",
+  "translation_date": "2025-08-27T18:10:46+00:00",
+  "source_file": "3-Data-Visualization/README.md",
+  "language_code": "pa"
+}
+-->
+# ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ
+
+![ਲੈਵੈਂਡਰ ਫੁੱਲ 'ਤੇ ਮੱਖੀ](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.pa.jpg)
+> ਫੋਟੋ <a href="https://unsplash.com/@jenna2980?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ਜੈਨਾ ਲੀ</a> ਦੁਆਰਾ <a href="https://unsplash.com/s/photos/bees-in-a-meadow?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">ਅਨਸਪਲੈਸ਼</a> 'ਤੇ
+
+ਡਾਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਇੱਕ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕੰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਚਿੱਤਰ 1000 ਸ਼ਬਦਾਂ ਦੇ ਬਰਾਬਰ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟਾ ਦੇ ਵੱਖ-ਵੱਖ ਦਿਲਚਸਪ ਪੱਖਾਂ ਜਿਵੇਂ ਕਿ ਸਪਾਈਕਸ, ਆਉਟਲਾਇਰਜ਼, ਗਰੁੱਪਿੰਗ, ਰੁਝਾਨ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਤੁਹਾਡੇ ਡਾਟਾ ਦੀ ਕਹਾਣੀ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ।
+
+ਇਨ੍ਹਾਂ ਪੰਜ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਕੁਦਰਤ ਤੋਂ ਪ੍ਰਾਪਤ ਡਾਟਾ ਦੀ ਖੋਜ ਕਰੋਗੇ ਅਤੇ ਵੱਖ-ਵੱਖ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦਿਲਚਸਪ ਅਤੇ ਸੁੰਦਰ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਗੇ।
+
+| ਟਾਪਿਕ ਨੰਬਰ | ਟਾਪਿਕ | ਜੁੜਿਆ ਪਾਠ | ਲੇਖਕ |
+| :-----------: | :--: | :-----------: | :----: |
+| 1. | ਮਾਤਰਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ | <ul> <li> [Python](09-visualization-quantities/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/09-visualization-quantities) </li> </ul>|<ul> <li> [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper)</li><li> [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta)</li> <li>[ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010)</li></ul> |
+| 2. | ਵੰਡ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ | <ul> <li> [Python](10-visualization-distributions/README.md)</li>  <li>[R](../../../3-Data-Visualization/R/10-visualization-distributions) </li> </ul>|<ul> <li> [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper)</li><li> [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta)</li> <li>[ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010)</li></ul> |
+| 3. | ਅਨੁਪਾਤ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ | <ul> <li> [Python](11-visualization-proportions/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper)</li><li> [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta)</li> <li>[ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010)</li></ul> |
+| 4. | ਸੰਬੰਧਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ | <ul> <li> [Python](12-visualization-relationships/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper)</li><li> [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta)</li> <li>[ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010)</li></ul> |
+| 5. | ਅਰਥਪੂਰਨ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਾ | <ul> <li> [Python](13-meaningful-visualizations/README.md)</li>  <li>[R](../../../3-Data-Visualization) </li> </ul>|<ul> <li> [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper)</li><li> [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta)</li> <li>[ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010)</li></ul> |
+
+### ਸ਼੍ਰੇਯ
+
+ਇਹ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਪਾਠ 🌸 ਨਾਲ [ਜੈਨ ਲੂਪਰ](https://twitter.com/jenlooper), [ਜਸਲੀਨ ਸੋਂਧੀ](https://github.com/jasleen101010) ਅਤੇ [ਵਿਦੂਸ਼ੀ ਗੁਪਤਾ](https://github.com/Vidushi-Gupta) ਦੁਆਰਾ ਲਿਖੇ ਗਏ ਹਨ।
+
+🍯 ਅਮਰੀਕੀ ਸ਼ਹਿਦ ਉਤਪਾਦਨ ਲਈ ਡਾਟਾ ਜੈਸਿਕਾ ਲੀ ਦੇ ਪ੍ਰੋਜੈਕਟ ਤੋਂ [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਹੈ। [ਡਾਟਾ](https://usda.library.cornell.edu/concern/publications/rn301137d) [ਅਮਰੀਕੀ ਖੇਤੀਬਾੜੀ ਵਿਭਾਗ](https://www.nass.usda.gov/About_NASS/index.php) ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ।
+
+🍄 ਖੁੰਬਾਂ ਲਈ ਡਾਟਾ ਵੀ [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਨੂੰ Hatteras Dunton ਦੁਆਰਾ ਸੰਸ਼ੋਧਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਡਾਟਾਸੈਟ ਵਿੱਚ Agaricus ਅਤੇ Lepiota ਪਰਿਵਾਰ ਵਿੱਚ 23 ਪ੍ਰਜਾਤੀਆਂ ਦੇ ਗਿਲਡ ਖੁੰਬਾਂ ਦੇ ਕਥਿਤ ਨਮੂਨਿਆਂ ਦੇ ਵੇਰਵੇ ਸ਼ਾਮਲ ਹਨ। ਖੁੰਬਾਂ ਨੂੰ The Audubon Society Field Guide to North American Mushrooms (1981) ਤੋਂ ਲਿਆ ਗਿਆ ਹੈ। ਇਹ ਡਾਟਾਸੈਟ 1987 ਵਿੱਚ UCI ML 27 ਨੂੰ ਦਾਨ ਕੀਤਾ ਗਿਆ ਸੀ।
+
+🦆 ਮਿਨੇਸੋਟਾ ਪੰਛੀਆਂ ਲਈ ਡਾਟਾ [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ [Wikipedia](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) ਤੋਂ ਹੈਨਾਹ ਕੋਲਿਨਜ਼ ਦੁਆਰਾ ਸਕ੍ਰੈਪ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+ਇਹ ਸਾਰੇ ਡਾਟਾਸੈਟ [CC0: Creative Commons](https://creativecommons.org/publicdomain/zero/1.0/) ਦੇ ਤੌਰ 'ਤੇ ਲਾਇਸੰਸ ਕੀਤੇ ਗਏ ਹਨ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਤਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/pa/4-Data-Science-Lifecycle/14-Introduction/README.md
new file mode 100644
index 00000000..5ef279f4
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/14-Introduction/README.md
@@ -0,0 +1,119 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c368f8f2506fe56bca0f7be05c4eb71d",
+  "translation_date": "2025-08-27T17:58:40+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦਾ ਪਰਚੇ
+
+|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/14-DataScience-Lifecycle.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦਾ ਪਰਚੇ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-water-0103e7a0f.azurestaticapps.net/quiz/26)
+
+ਇਸ ਸਮੇਂ ਤੱਕ ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ ਇਹ ਅਹਿਸਾਸ ਹੋ ਗਿਆ ਹੋਵੇ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ 5 ਚਰਨਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+
+- ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ
+- ਪ੍ਰੋਸੈਸਿੰਗ
+- ਵਿਸ਼ਲੇਸ਼ਣ
+- ਸੰਚਾਰ
+- ਰੱਖ-ਰਖਾਵ
+
+ਇਹ ਪਾਠ ਲਾਈਫਸਾਈਕਲ ਦੇ 3 ਹਿੱਸਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ: ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ, ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਰੱਖ-ਰਖਾਵ।
+
+![ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦਾ ਚਿੱਤਰ](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.pa.jpg)
+> [ਬਰਕਲੀ ਸਕੂਲ ਆਫ ਇਨਫਾਰਮੇਸ਼ਨ](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) ਦੁਆਰਾ ਫੋਟੋ
+
+## ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ
+
+ਲਾਈਫਸਾਈਕਲ ਦਾ ਪਹਿਲਾ ਚਰਨ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਅਗਲੇ ਚਰਨ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਇਹ ਅਸਲ ਵਿੱਚ ਦੋ ਚਰਨਾਂ ਨੂੰ ਇੱਕ ਵਿੱਚ ਜੋੜਦਾ ਹੈ: ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਅਤੇ ਉਸ ਦੇ ਉਦੇਸ਼ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।  
+ਪ੍ਰੋਜੈਕਟ ਦੇ ਉਦੇਸ਼ਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਲਈ ਸਮੱਸਿਆ ਜਾਂ ਸਵਾਲ ਵਿੱਚ ਡੂੰਘੀ ਸੰਦਰਭਤਾ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਪਹਿਲਾਂ, ਸਾਨੂੰ ਉਹਨਾਂ ਦੀ ਪਛਾਣ ਅਤੇ ਪ੍ਰਾਪਤੀ ਕਰਨੀ ਪਵੇਗੀ ਜਿਨ੍ਹਾਂ ਦੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਕਾਰੋਬਾਰ ਵਿੱਚ ਹਿੱਸੇਦਾਰ ਜਾਂ ਪ੍ਰੋਜੈਕਟ ਦੇ ਸਪਾਂਸਰ ਹੋ ਸਕਦੇ ਹਨ, ਜੋ ਇਹ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਇਸ ਪ੍ਰੋਜੈਕਟ ਤੋਂ ਕੌਣ ਜਾਂ ਕੀ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰੇਗਾ ਅਤੇ ਕਿਉਂ। ਇੱਕ ਚੰਗਾ ਪਰਿਭਾਸ਼ਿਤ ਉਦੇਸ਼ ਮਾਪਣਯੋਗ ਅਤੇ ਗਣਨਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਨਤੀਜੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕੇ।  
+
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਪੂਛ ਸਕਦੇ ਹਨ:
+- ਕੀ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਪਹਿਲਾਂ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਗਈ ਹੈ? ਕੀ ਪਤਾ ਲੱਗਾ?
+- ਕੀ ਉਦੇਸ਼ ਅਤੇ ਮਕਸਦ ਸਾਰੇ ਸ਼ਾਮਲ ਲੋਕਾਂ ਦੁਆਰਾ ਸਮਝੇ ਗਏ ਹਨ?
+- ਕੀ ਕੋਈ ਅਸਪਸ਼ਟਤਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਘਟਾਉਣ ਲਈ ਕੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
+- ਪਾਬੰਦੀਆਂ ਕੀ ਹਨ?
+- ਅੰਤਮ ਨਤੀਜਾ ਕਿਵੇਂ ਦਿਖ ਸਕਦਾ ਹੈ?
+- ਕਿੰਨੇ ਸਰੋਤ (ਸਮਾਂ, ਲੋਕ, ਗਣਨਾਤਮਕ) ਉਪਲਬਧ ਹਨ?
+
+ਅਗਲਾ ਕਦਮ ਹੈ ਡਾਟਾ ਦੀ ਪਛਾਣ, ਇਕੱਠਾ ਕਰਨਾ ਅਤੇ ਫਿਰ ਉਸ ਡਾਟਾ ਦੀ ਖੋਜ ਕਰਨੀ ਜੋ ਪਰਿਭਾਸ਼ਿਤ ਉਦੇਸ਼ਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਹੈ। ਇਸ ਪ੍ਰਾਪਤੀ ਦੇ ਕਦਮ 'ਤੇ, ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਅਤੇ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਪਵੇਗਾ। ਇਸ ਲਈ ਕੁਝ ਡਾਟਾ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਤਾਂ ਜੋ ਇਹ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾ ਸਕੇ ਕਿ ਜੋ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਹੈ ਉਹ ਚਾਹੇ ਨਤੀਜੇ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਸਹਾਇਕ ਹੋਵੇਗਾ।  
+
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਬਾਰੇ ਪੂਛ ਸਕਦੇ ਹਨ:
+- ਮੇਰੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਕਿਹੜਾ ਡਾਟਾ ਉਪਲਬਧ ਹੈ?
+- ਇਸ ਡਾਟਾ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ?
+- ਗੋਪਨੀਯਤਾ ਦੇ ਚਿੰਤਾ ਦੇ ਮੁੱਦੇ ਕੀ ਹਨ? 
+- ਕੀ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਮੇਰੇ ਕੋਲ ਕਾਫ਼ੀ ਡਾਟਾ ਹੈ?
+- ਕੀ ਇਹ ਡਾਟਾ ਇਸ ਸਮੱਸਿਆ ਲਈ ਸਵੀਕਾਰਯੋਗ ਗੁਣਵੱਤਾ ਦਾ ਹੈ?
+- ਜੇਕਰ ਮੈਂ ਇਸ ਡਾਟਾ ਦੁਆਰਾ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰਦਾ ਹਾਂ, ਤਾਂ ਕੀ ਸਾਨੂੰ ਉਦੇਸ਼ਾਂ ਨੂੰ ਬਦਲਣ ਜਾਂ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ?
+
+## ਪ੍ਰੋਸੈਸਿੰਗ
+
+ਲਾਈਫਸਾਈਕਲ ਦਾ ਪ੍ਰੋਸੈਸਿੰਗ ਚਰਨ ਡਾਟਾ ਵਿੱਚ ਪੈਟਰਨ ਦੀ ਖੋਜ ਅਤੇ ਮਾਡਲਿੰਗ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ। ਪ੍ਰੋਸੈਸਿੰਗ ਚਰਨ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਕੁਝ ਤਕਨੀਕਾਂ ਪੈਟਰਨ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਅੰਕੜੇਵਾਦੀ ਵਿਧੀਆਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਆਮ ਤੌਰ 'ਤੇ, ਇਹ ਇੱਕ ਵੱਡੇ ਡਾਟਾ ਸੈਟ ਨਾਲ ਮਨੁੱਖ ਲਈ ਬਹੁਤ ਥਕਾਵਟ ਭਰਿਆ ਕੰਮ ਹੋਵੇਗਾ ਅਤੇ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਕੰਪਿਊਟਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਹ ਚਰਨ ਉਹ ਜਗ੍ਹਾ ਹੈ ਜਿੱਥੇ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੱਕ ਦੂਜੇ ਨਾਲ ਜੁੜਦੇ ਹਨ। ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਪਹਿਲੇ ਪਾਠ ਵਿੱਚ ਸਿੱਖਿਆ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਡਾਟਾ ਨੂੰ ਸਮਝਣ ਲਈ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਮਾਡਲ ਡਾਟਾ ਵਿੱਚ ਚਲਾਂ ਵਿੱਚ ਵਾਰਸੂਬੰਧਤਾ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਹੁੰਦੇ ਹਨ ਜੋ ਨਤੀਜਿਆਂ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
+
+ਇਸ ਚਰਨ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਆਮ ਤਕਨੀਕਾਂ ML for Beginners ਦੇ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਕਵਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ।  ਇਨ੍ਹਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਲਿੰਕਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
+
+- [ਕਲਾਸੀਫਿਕੇਸ਼ਨ](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): ਡਾਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਨਾ।
+- [ਕਲਸਟਰਿੰਗ](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): ਡਾਟਾ ਨੂੰ ਸਮਾਨ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਣਾ।
+- [ਰਿਗਰੈਸ਼ਨ](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): ਚਲਾਂ ਵਿੱਚ ਵਾਰਸੂਬੰਧਤਾ ਨੂੰ ਪਤਾ ਲਗਾਉਣਾ ਅਤੇ ਮੁੱਲਾਂ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨਾ।
+
+## ਰੱਖ-ਰਖਾਵ
+ਲਾਈਫਸਾਈਕਲ ਦੇ ਚਿੱਤਰ ਵਿੱਚ, ਤੁਸੀਂ ਸ਼ਾਇਦ ਧਿਆਨ ਦਿੱਤਾ ਹੋਵੇਗਾ ਕਿ ਰੱਖ-ਰਖਾਵ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ ਦੇ ਵਿਚਕਾਰ ਸਥਿਤ ਹੈ। ਰੱਖ-ਰਖਾਵ ਇੱਕ ongoing ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਪ੍ਰੋਜੈਕਟ ਦੇ ਦੌਰਾਨ ਡਾਟਾ ਦੇ ਪ੍ਰਬੰਧਨ, ਸਟੋਰੇਜ ਅਤੇ ਸੁਰੱਖਿਆ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰੋਜੈਕਟ ਦੀ ਪੂਰੀ ਮਿਆਦ ਵਿੱਚ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ।  
+
+### ਡਾਟਾ ਸਟੋਰੇਜ
+ਡਾਟਾ ਕਿਵੇਂ ਅਤੇ ਕਿੱਥੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਦੇ ਖਰਚੇ ਅਤੇ ਡਾਟਾ ਤਕ ਪਹੁੰਚਣ ਦੀ ਗਤੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਫੈਸਲੇ ਸਿਰਫ਼ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੁਆਰਾ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ, ਪਰ ਉਹ ਡਾਟਾ ਸਟੋਰੇਜ ਦੇ ਅਧਾਰ 'ਤੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ 'ਤੇ ਚੋਣਾਂ ਕਰਨ ਦੀ ਸਥਿਤੀ ਵਿੱਚ ਹੋ ਸਕਦੇ ਹਨ।
+
+ਆਧੁਨਿਕ ਡਾਟਾ ਸਟੋਰੇਜ ਸਿਸਟਮ ਦੇ ਕੁਝ ਪਹਲੂ ਜੋ ਇਹ ਚੋਣਾਂ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ:
+
+**ਆਨ-ਪ੍ਰੇਮਿਸ ਵਿਰੁੱਧ ਆਫ-ਪ੍ਰੇਮਿਸ ਵਿਰੁੱਧ ਪਬਲਿਕ ਜਾਂ ਪ੍ਰਾਈਵੇਟ ਕਲਾਉਡ**
+
+ਆਨ-ਪ੍ਰੇਮਿਸ ਦਾ ਮਤਲਬ ਹੈ ਆਪਣੇ ਸਾਜੋ-ਸਮਾਨ 'ਤੇ ਡਾਟਾ ਦੀ ਹੋਸਟਿੰਗ ਅਤੇ ਪ੍ਰਬੰਧਨ ਕਰਨਾ, ਜਿਵੇਂ ਕਿ ਸੇਰਵਰ ਦਾ ਮਾਲਕ ਹੋਣਾ ਜਿਸ ਵਿੱਚ ਡਾਟਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਦਕਿ ਆਫ-ਪ੍ਰੇਮਿਸ ਉਹ ਸਾਜੋ-ਸਮਾਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਮਾਲਕ ਨਹੀਂ ਹੋ। ਪਬਲਿਕ ਕਲਾਉਡ ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਲਈ ਇੱਕ ਲੋਕਪ੍ਰਿਯ ਚੋਣ ਹੈ ਜਿਸ ਵਿੱਚ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਕਿ ਡਾਟਾ ਕਿਵੇਂ ਜਾਂ ਕਿੱਥੇ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਕੁਝ ਸੰਗਠਨਾਂ ਦੀਆਂ ਸੁਰੱਖਿਆ ਨੀਤੀਆਂ ਸਖ਼ਤ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀਆਂ ਹਨ ਕਿ ਉਹ ਸਾਜੋ-ਸਮਾਨ ਤਕ ਪੂਰੀ ਪਹੁੰਚ ਰੱਖਦੇ ਹਨ ਜਿੱਥੇ ਡਾਟਾ ਹੋਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਹ ਪ੍ਰਾਈਵੇਟ ਕਲਾਉਡ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਜੋ ਆਪਣੀਆਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ [ਅਗਲੇ ਪਾਠਾਂ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud) ਵਿੱਚ ਸਿੱਖੋਗੇ।
+
+**ਕੋਲਡ ਵਿਰੁੱਧ ਹਾਟ ਡਾਟਾ**
+
+ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰ ਰਹੇ ਹੋ, ਤੁਹਾਨੂੰ ਵਧੇਰੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੇ ਮਾਡਲ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੋ, ਵਧੇਰੇ ਡਾਟਾ ਮਾਡਲ ਨੂੰ ਇਸਦੇ ਉਦੇਸ਼ ਦੀ ਸੇਵਾ ਕਰਨ ਲਈ ਆਵੇਗਾ। ਕਿਸੇ ਵੀ ਮਾਮਲੇ ਵਿੱਚ, ਜਿਵੇਂ ਤੁਸੀਂ ਵਧੇਰੇ ਡਾਟਾ ਇਕੱਠਾ ਕਰਦੇ ਹੋ, ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਅਤੇ ਇਸ ਤਕ ਪਹੁੰਚਣ ਦੀ ਲਾਗਤ ਵਧੇਗੀ। ਕਦੇ-ਕਦੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡਾਟਾ, ਜਿਸਨੂੰ ਕੋਲਡ ਡਾਟਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਨੂੰ ਅਕਸਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਹਾਟ ਡਾਟਾ ਤੋਂ ਵੱਖ ਕਰਨਾ ਇੱਕ ਸਸਤਾ ਡਾਟਾ ਸਟੋਰੇਜ ਵਿਕਲਪ ਹੋ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਕੋਲਡ ਡਾਟਾ ਤਕ ਪਹੁੰਚਣ ਦੀ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਇਸਨੂੰ ਹਾਟ ਡਾਟਾ ਦੇ ਮੁਕਾਬਲੇ ਕੁਝ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗ ਸਕਦਾ ਹੈ।
+
+### ਡਾਟਾ ਦਾ ਪ੍ਰਬੰਧਨ
+ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹੋ ਕਿ ਕੁਝ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਤਕਨੀਕਾਂ [ਡਾਟਾ ਤਿਆਰੀ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਜਦੋਂ ਨਵਾਂ ਡਾਟਾ ਆਉਂਦਾ ਹੈ, ਇਸਨੂੰ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸਥਿਰਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਉਹੀ ਤਕਨੀਕਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਕੁਝ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ, ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਕੰਪ੍ਰੈਸ ਕਰਨ ਲਈ ਇੱਕ ਆਟੋਮੈਟਿਕ ਟੂਲ ਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੋਵੇਗੀ। Azure Data Factory ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਟੂਲ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਹੈ।
+
+### ਡਾਟਾ ਦੀ ਸੁਰੱਖਿਆ
+ਡਾਟਾ ਦੀ ਸੁਰੱਖਿਆ ਦਾ ਇੱਕ ਮੁੱਖ ਉਦੇਸ਼ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਜੋ ਇਸ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹਨ ਉਹ ਇਸਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਕਿਹੜੇ ਸੰਦਰਭ ਵਿੱਚ ਇਸਨੂੰ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ, ਇਸ 'ਤੇ ਨਿਯੰਤਰਣ ਰੱਖਦੇ ਹਨ। ਡਾਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਵਿੱਚ ਸਿਰਫ਼ ਉਹਨਾਂ ਨੂੰ ਪਹੁੰਚ ਦੇਣਾ ਸ਼ਾਮਲ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਇਸ ਦੀ ਲੋੜ ਹੈ, ਸਥਾਨਕ ਕਾਨੂੰਨਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨਾ, ਅਤੇ ਨੈਤਿਕ ਮਿਆਰਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ। ਇਹ [ਨੈਤਿਕਤਾ ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ।  
+
+ਇਹ ਕੁਝ ਚੀਜ਼ਾਂ ਹਨ ਜੋ ਸੁਰੱਖਿਆ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਟੀਮ ਕਰ ਸਕਦੀ ਹੈ:
+- ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਸਾਰਾ ਡਾਟਾ ਇਨਕ੍ਰਿਪਟ ਕੀਤਾ ਗਿਆ ਹੈ
+- ਗਾਹਕਾਂ ਨੂੰ ਇਹ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰੋ ਕਿ ਉਹਨਾਂ ਦਾ ਡਾਟਾ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ
+- ਉਹਨਾਂ ਤੋਂ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਹਟਾਓ ਜੋ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਛੱਡ ਚੁੱਕੇ ਹਨ
+- ਸਿਰਫ਼ ਕੁਝ ਪ੍ਰੋਜੈਕਟ ਮੈਂਬਰਾਂ ਨੂੰ ਡਾਟਾ ਨੂੰ ਬਦਲਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿਓ
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੇ ਕਈ ਵਰਜਨ ਹਨ, ਜਿੱਥੇ ਹਰ ਕਦਮ ਦੇ ਵੱਖ-ਵੱਖ ਨਾਮ ਅਤੇ ਚਰਨਾਂ ਦੀ ਗਿਣਤੀ ਹੋ ਸਕਦੀ ਹੈ ਪਰ ਇਸ ਪਾਠ ਵਿੱਚ ਉਲਲੇਖ ਕੀਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ।
+
+[Team Data Science Process lifecycle](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) ਅਤੇ [Cross-industry standard process for data mining](https://www.datascience-pm.com/crisp-dm-2/) ਦੀ ਖੋਜ ਕਰੋ। ਦੋਹਾਂ ਵਿੱਚੋਂ 3 ਸਮਾਨਤਾਵਾਂ ਅਤੇ ਵੱਖ-ਵੱਖਤਾ ਦਾ ਨਾਮ ਦਿਓ।
+
+|Team Data Science Process (TDSP)|Cross-industry standard process for data mining (CRISP-DM)|
+|--|--|
+|![Team Data Science Lifecycle](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.pa.png) | ![Data Science Process Alliance Image](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.pa.png) |
+| [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) ਦੁਆਰਾ ਚਿੱਤਰ | [Data Science Process Alliance](https://www.datascience-pm.com/crisp-dm-2/) ਦੁਆਰਾ ਚਿੱਤਰ |
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://red-water-0103e7a0f.azurestaticapps.net/quiz/27)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਕਈ ਭੂਮਿਕਾਵਾਂ ਅਤੇ ਕੰਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ, ਜਿੱਥੇ ਕੁਝ ਹਰ ਚਰਨ ਦੇ ਵਿਸ਼ੇਸ਼ ਹਿੱਸਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ। Team Data Science Process ਕੁਝ ਸਰੋਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਇਹ ਸਮਝਾਉਂਦੇ ਹਨ ਕਿ ਕਿਸੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਅਤੇ ਕੰਮ ਕੀ ਹੋ ਸਕਦੇ ਹਨ।
+
+* [Team Data Science Process roles and tasks](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks)
+* [Execute data science tasks: exploration, modeling, and deployment](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks)
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਡਾਟਾ ਸੈਟ ਦਾ ਮੁਲਾਂਕਣ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/pa/4-Data-Science-Lifecycle/14-Introduction/assignment.md
new file mode 100644
index 00000000..5ebe2a9f
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/14-Introduction/assignment.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "564445c39ad29a491abcb9356fc4d47d",
+  "translation_date": "2025-08-27T18:00:44+00:00",
+  "source_file": "4-Data-Science-Lifecycle/14-Introduction/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾਸੈੱਟ ਦਾ ਮੁਲਾਂਕਨ
+
+ਇੱਕ ਕਲਾਇੰਟ ਨੇ ਤੁਹਾਡੀ ਟੀਮ ਨੂੰ ਨਿਊਯਾਰਕ ਸਿਟੀ ਵਿੱਚ ਟੈਕਸੀ ਗਾਹਕਾਂ ਦੀ ਮੌਸਮੀ ਖਰਚ ਕਰਨ ਦੀਆਂ ਆਦਤਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਮਦਦ ਲਈ ਸੰਪਰਕ ਕੀਤਾ ਹੈ।
+
+ਉਹ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਨ: **ਕੀ ਨਿਊਯਾਰਕ ਸਿਟੀ ਵਿੱਚ ਪੀਲੇ ਟੈਕਸੀ ਯਾਤਰੀ ਸਰਦੀਆਂ ਵਿੱਚ ਜਾਂ ਗਰਮੀਆਂ ਵਿੱਚ ਡਰਾਈਵਰਾਂ ਨੂੰ ਵਧੇਰੇ ਟਿਪ ਦਿੰਦੇ ਹਨ?**
+
+ਤੁਹਾਡੀ ਟੀਮ ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੇ [Capturing](Readme.md#Capturing) ਪੜਾਅ ਵਿੱਚ ਹੈ ਅਤੇ ਤੁਸੀਂ ਡਾਟਾਸੈੱਟ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਜ਼ਿੰਮੇਵਾਰ ਹੋ। ਤੁਹਾਨੂੰ ਇੱਕ ਨੋਟਬੁੱਕ ਅਤੇ [ਡਾਟਾ](../../../../data/taxi.csv) ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+
+ਇਸ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ਇੱਕ [ਨੋਟਬੁੱਕ](notebook.ipynb) ਹੈ ਜੋ ਪਾਈਥਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ [NYC Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) ਤੋਂ ਪੀਲੇ ਟੈਕਸੀ ਯਾਤਰਾ ਡਾਟਾ ਲੋਡ ਕਰਦੀ ਹੈ। ਤੁਸੀਂ ਟੈਕਸੀ ਡਾਟਾ ਫਾਈਲ ਨੂੰ ਟੈਕਸਟ ਐਡੀਟਰ ਜਾਂ ਐਕਸਲ ਵਰਗੇ ਸਪ੍ਰੈਡਸ਼ੀਟ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਵੀ ਖੋਲ੍ਹ ਸਕਦੇ ਹੋ।
+
+## ਹਦਾਇਤਾਂ
+
+- ਮੁਲਾਂਕਨ ਕਰੋ ਕਿ ਕੀ ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਡਾਟਾ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
+- [NYC Open Data catalog](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93) ਦੀ ਜਾਂਚ ਕਰੋ। ਇੱਕ ਹੋਰ ਡਾਟਾਸੈੱਟ ਦੀ ਪਛਾਣ ਕਰੋ ਜੋ ਕਲਾਇੰਟ ਦੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੋ ਸਕਦਾ ਹੈ।
+- 3 ਸਵਾਲ ਲਿਖੋ ਜੋ ਤੁਸੀਂ ਕਲਾਇੰਟ ਨੂੰ ਵਧੇਰੇ ਸਪਸ਼ਟੀਕਰਨ ਅਤੇ ਸਮੱਸਿਆ ਦੀ ਬਿਹਤਰ ਸਮਝ ਲਈ ਪੁੱਛੋਗੇ।
+
+ਡਾਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਡਾਟਾਸੈੱਟ ਦੀ ਡਿਕਸ਼ਨਰੀ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ਅਤੇ [ਯੂਜ਼ਰ ਗਾਈਡ](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ਨੂੰ ਵੇਖੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | ---
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/pa/4-Data-Science-Lifecycle/15-analyzing/README.md
new file mode 100644
index 00000000..b6101516
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/15-analyzing/README.md
@@ -0,0 +1,61 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d92f57eb110dc7f765c05cbf0f837c77",
+  "translation_date": "2025-08-27T18:01:53+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ
+
+|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/15-Analyzing.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਵਿਸ਼ਲੇਸ਼ਣ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+## ਲੈਕਚਰ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼
+
+## [ਲੈਕਚਰ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/28)
+
+ਡਾਟਾ ਲਾਈਫਸਾਈਕਲ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਇਹ ਪੱਕਾ ਕਰਦਾ ਹੈ ਕਿ ਡਾਟਾ ਉਹ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ ਜਾਂ ਕਿਸੇ ਖਾਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਕਦਮ ਇਹ ਵੀ ਯਕੀਨੀ ਬਣਾਉਣ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਮਾਡਲ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਇਨ੍ਹਾਂ ਸਵਾਲਾਂ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰ ਰਿਹਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਖੋਜਾਤਮਕ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ EDA 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਜੋ ਡਾਟਾ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸੰਬੰਧਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਹਨ ਅਤੇ ਮਾਡਲਿੰਗ ਲਈ ਡਾਟਾ ਤਿਆਰ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+
+ਅਸੀਂ [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) ਤੋਂ ਇੱਕ ਉਦਾਹਰਨ ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ ਇਹ ਦਿਖਾਉਣ ਲਈ ਕਿ ਇਸਨੂੰ Python ਅਤੇ Pandas ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਈਮੇਲਾਂ ਵਿੱਚ ਪਾਏ ਗਏ ਕੁਝ ਆਮ ਸ਼ਬਦਾਂ ਦੀ ਗਿਣਤੀ ਸ਼ਾਮਲ ਹੈ, ਅਤੇ ਇਨ੍ਹਾਂ ਈਮੇਲਾਂ ਦੇ ਸਰੋਤ ਗੁਪਤ ਹਨ। ਇਸ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ [ਨੋਟਬੁੱਕ](notebook.ipynb) ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਵਰਤੋਂ ਕਰੋ।
+
+## ਖੋਜਾਤਮਕ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ
+
+ਲਾਈਫਸਾਈਕਲ ਦਾ ਕੈਪਚਰ ਚਰਨ ਉਹ ਹੈ ਜਿੱਥੇ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਸਵਾਲਾਂ ਨੂੰ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਅਸੀਂ ਕਿਵੇਂ ਜਾਣ ਸਕਦੇ ਹਾਂ ਕਿ ਡਾਟਾ ਅੰਤਮ ਨਤੀਜੇ ਨੂੰ ਸਹਾਇਤਾ ਦੇ ਸਕਦਾ ਹੈ?  
+ਯਾਦ ਕਰੋ ਕਿ ਇੱਕ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਵੇਲੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲ ਪੁੱਛ ਸਕਦਾ ਹੈ:
+- ਕੀ ਮੇਰੇ ਕੋਲ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਾਫੀ ਡਾਟਾ ਹੈ?
+- ਕੀ ਡਾਟਾ ਇਸ ਸਮੱਸਿਆ ਲਈ ਸਵੀਕਾਰਯੋਗ ਗੁਣਵੱਤਾ ਦਾ ਹੈ?
+- ਜੇ ਮੈਂ ਇਸ ਡਾਟਾ ਰਾਹੀਂ ਵਾਧੂ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ ਕਰਦਾ ਹਾਂ, ਤਾਂ ਕੀ ਸਾਨੂੰ ਲਕਸ਼ਾਂ ਨੂੰ ਬਦਲਣ ਜਾਂ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ?
+
+ਖੋਜਾਤਮਕ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਡਾਟਾ ਨੂੰ ਜਾਣਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਅਤੇ ਇਹ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਡਾਟਾਸੈੱਟ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਚੁਣੌਤੀਪੂਰਨ ਪਾਸੇ ਦੀ ਪਛਾਣ ਕਰਨਾ। ਆਓ ਕੁਝ ਤਕਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਦੇਈਏ ਜੋ ਇਸਨੂੰ ਹਾਸਲ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
+
+## ਡਾਟਾ ਪ੍ਰੋਫਾਈਲਿੰਗ, ਵਰਣਨਾਤਮਕ ਸਾਂਖਿਆਕੀ, ਅਤੇ Pandas
+ਅਸੀਂ ਕਿਵੇਂ ਅੰਕਲਣ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਾਡੇ ਕੋਲ ਕਾਫੀ ਡਾਟਾ ਹੈ? ਡਾਟਾ ਪ੍ਰੋਫਾਈਲਿੰਗ ਵਰਣਨਾਤਮਕ ਸਾਂਖਿਆਕੀ ਦੀਆਂ ਤਕਨੀਕਾਂ ਰਾਹੀਂ ਸਾਡੇ ਡਾਟਾਸੈੱਟ ਬਾਰੇ ਕੁਝ ਆਮ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਖੇਪ ਅਤੇ ਇਕੱਠਾ ਕਰ ਸਕਦੀ ਹੈ। ਡਾਟਾ ਪ੍ਰੋਫਾਈਲਿੰਗ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਸਾਡੇ ਕੋਲ ਕੀ ਉਪਲਬਧ ਹੈ, ਅਤੇ ਵਰਣਨਾਤਮਕ ਸਾਂਖਿਆਕੀ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਸਾਡੇ ਕੋਲ ਕਿੰਨੀ ਚੀਜ਼ਾਂ ਉਪਲਬਧ ਹਨ।
+
+ਪਿਛਲੇ ਕੁਝ ਪਾਠਾਂ ਵਿੱਚ, ਅਸੀਂ Pandas ਦੀ [`describe()` ਫੰਕਸ਼ਨ](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ। ਇਹ ਗਿਣਤੀ, ਵੱਧ ਤੋਂ ਵੱਧ ਅਤੇ ਘੱਟ ਤੋਂ ਘੱਟ ਮੁੱਲ, ਔਸਤ, ਮਿਆਰੀ ਵਿਸਥਾਪਨ ਅਤੇ ਗਣਾਂਕਾਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਡਾਟਾ 'ਤੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਵਰਣਨਾਤਮਕ ਸਾਂਖਿਆਕੀ ਜਿਵੇਂ ਕਿ `describe()` ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤੁਸੀਂ ਅੰਕਲਣ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਕਿੰਨਾ ਹੈ ਅਤੇ ਕੀ ਤੁਹਾਨੂੰ ਹੋਰ ਦੀ ਲੋੜ ਹੈ।
+
+## ਸੈਂਪਲਿੰਗ ਅਤੇ ਕਵੈਰੀ ਕਰਨਾ
+ਵੱਡੇ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਦੀ ਖੋਜ ਕਰਨਾ ਬਹੁਤ ਸਮਾਂ ਲੈਣ ਵਾਲਾ ਕੰਮ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਹ ਕੰਮ ਕੰਪਿਊਟਰ 'ਤੇ ਛੱਡਿਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸੈਂਪਲਿੰਗ ਡਾਟਾ ਦੀ ਸਮਝ ਵਿੱਚ ਮਦਦਗਾਰ ਸਾਧਨ ਹੈ ਅਤੇ ਸਾਨੂੰ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਕੀ ਹੈ ਅਤੇ ਇਹ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ ਇਸ ਬਾਰੇ ਵਧੇਰੇ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇੱਕ ਸੈਂਪਲ ਨਾਲ, ਤੁਸੀਂ ਸੰਭਾਵਨਾ ਅਤੇ ਸਾਂਖਿਆਕੀ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਆਪਣੇ ਡਾਟਾ ਬਾਰੇ ਕੁਝ ਆਮ ਨਤੀਜੇ ਕੱਢ ਸਕਦੇ ਹੋ। ਜਦੋਂ ਕਿ ਇਹ ਸਪਸ਼ਟ ਨਿਯਮ ਨਹੀਂ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਕਿੰਨਾ ਡਾਟਾ ਸੈਂਪਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਡਾਟਾ ਤੁਸੀਂ ਸੈਂਪਲ ਕਰਦੇ ਹੋ, ਉਨ੍ਹਾਂ ਡਾਟਾ ਬਾਰੇ ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ ਉਤਨਾ ਹੀ ਸਹੀ ਹੋਵੇਗਾ।  
+Pandas ਦੇ ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚ [`sample()` ਫੰਕਸ਼ਨ](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਦੱਸ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਨੂੰ ਕਿੰਨੇ ਰੈਂਡਮ ਸੈਂਪਲ ਚਾਹੀਦੇ ਹਨ।
+
+ਡਾਟਾ ਦੀ ਆਮ ਕਵੈਰੀ ਕਰਨਾ ਤੁਹਾਨੂੰ ਕੁਝ ਆਮ ਸਵਾਲਾਂ ਅਤੇ ਸਿਧਾਂਤਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਸੈਂਪਲਿੰਗ ਦੇ ਵਿਰੁੱਧ, ਕਵੈਰੀਜ਼ ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟਾ ਦੇ ਖਾਸ ਹਿੱਸਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਹਾਡੇ ਕੋਲ ਸਵਾਲ ਹਨ।  
+Pandas ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚ [`query()` ਫੰਕਸ਼ਨ](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) ਤੁਹਾਨੂੰ ਕਾਲਮ ਚੁਣਨ ਅਤੇ ਪੰਗਤਾਂ ਰਾਹੀਂ ਡਾਟਾ ਬਾਰੇ ਸਧਾਰਨ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਦਿੰਦਾ ਹੈ।
+
+## ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨਾਲ ਖੋਜ ਕਰਨਾ
+ਤੁਹਾਨੂੰ ਡਾਟਾ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਾਫ਼ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਉਡੀਕ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਤਾਂ ਜੋ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈ ਜਾ ਸਕੇ। ਹਕੀਕਤ ਵਿੱਚ, ਖੋਜ ਦੌਰਾਨ ਵਿਜ਼ੁਅਲ ਪ੍ਰਸਤੁਤੀ ਹੋਣ ਨਾਲ ਡਾਟਾ ਵਿੱਚ ਪੈਟਰਨ, ਸੰਬੰਧਾਂ ਅਤੇ ਸਮੱਸਿਆਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਉਹਨਾਂ ਲੋਕਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦਾ ਸਾਧਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਜੋ ਡਾਟਾ ਦੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ ਅਤੇ ਇਹ ਕੈਪਚਰ ਚਰਨ ਵਿੱਚ ਹੱਲ ਨਾ ਕੀਤੇ ਗਏ ਵਾਧੂ ਸਵਾਲਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਸਪਸ਼ਟ ਕਰਨ ਦਾ ਮੌਕਾ ਹੋ ਸਕਦਾ ਹੈ। ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇ ਕੁਝ ਪ੍ਰਸਿੱਧ ਤਰੀਕਿਆਂ ਬਾਰੇ ਜਾਣਨ ਲਈ [ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇ ਅਧਿਆਇ](../../../../../../../../../3-Data-Visualization) ਨੂੰ ਵੇਖੋ।
+
+## ਅਸੰਗਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਖੋਜ ਕਰਨਾ
+ਇਸ ਪਾਠ ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਸਾਰੇ ਵਿਸ਼ੇ ਗੁੰਮ ਜਾਂ ਅਸੰਗਤ ਮੁੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ Pandas ਕੁਝ ਮੁੱਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। [isna() ਜਾਂ isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) ਗੁੰਮ ਮੁੱਲਾਂ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਹਾਡੇ ਡਾਟਾ ਵਿੱਚ ਇਨ੍ਹਾਂ ਮੁੱਲਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਾਸਾ ਇਹ ਹੈ ਕਿ ਇਹ ਪਤਾ ਲਗਾਇਆ ਜਾਵੇ ਕਿ ਇਹ ਮੁੱਲ ਪਹਿਲਾਂ ਇਸ ਤਰ੍ਹਾਂ ਕਿਉਂ ਬਣੇ। ਇਹ ਤੁਹਾਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ [ਇਨ੍ਹਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੀ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾਵੇ](/2-Working-With-Data/08-data-preparation/notebook.ipynb)।
+
+## [ਲੈਕਚਰ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/27)
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਜਵਾਬਾਂ ਦੀ ਖੋਜ ਕਰਨਾ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/pa/4-Data-Science-Lifecycle/15-analyzing/assignment.md
new file mode 100644
index 00000000..18b421c1
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/15-analyzing/assignment.md
@@ -0,0 +1,35 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "fcc7547171f4530f159676dd73ed772e",
+  "translation_date": "2025-08-27T18:03:07+00:00",
+  "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਜਵਾਬਾਂ ਦੀ ਖੋਜ ਕਰਨਾ
+
+ਇਹ ਪਿਛਲੇ ਪਾਠ ਦੇ [ਅਸਾਈਨਮੈਂਟ](../14-Introduction/assignment.md) ਦੀ ਜਾਰੀ ਹੈ, ਜਿੱਥੇ ਅਸੀਂ ਡਾਟਾ ਸੈਟ ਦਾ ਥੋੜ੍ਹਾ ਜਿਹਾ ਜਾਇਜ਼ਾ ਲਿਆ ਸੀ। ਹੁਣ ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਗਹਿਰਾਈ ਨਾਲ ਦੇਖਾਂਗੇ।
+
+ਫਿਰ, ਗਾਹਕ ਦਾ ਸਵਾਲ ਹੈ: **ਕੀ ਨਿਊਯਾਰਕ ਸਿਟੀ ਵਿੱਚ ਪੀਲੇ ਟੈਕਸੀ ਦੇ ਯਾਤਰੀ ਸਰਦੀਆਂ ਜਾਂ ਗਰਮੀਆਂ ਵਿੱਚ ਡਰਾਈਵਰਾਂ ਨੂੰ ਵਧੇਰੇ ਟਿਪ ਦਿੰਦੇ ਹਨ?**
+
+ਤੁਹਾਡੀ ਟੀਮ ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੇ [ਵਿਸ਼ਲੇਸ਼ਣ](README.md) ਮੰਚ ਵਿੱਚ ਹੈ, ਜਿੱਥੇ ਤੁਸੀਂ ਡਾਟਾ ਸੈਟ 'ਤੇ ਖੋਜਾਤਮਕ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੇ ਜ਼ਿੰਮੇਵਾਰ ਹੋ। ਤੁਹਾਨੂੰ ਇੱਕ ਨੋਟਬੁੱਕ ਅਤੇ ਡਾਟਾ ਸੈਟ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਜਨਵਰੀ ਅਤੇ ਜੁਲਾਈ 2019 ਦੇ 200 ਟੈਕਸੀ ਲੈਣ-ਦੇਣ ਹਨ।
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ਇੱਕ [ਨੋਟਬੁੱਕ](assignment.ipynb) ਅਤੇ [Taxi & Limousine Commission](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) ਤੋਂ ਡਾਟਾ ਹੈ। ਡਾਟਾ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਡਾਟਾ ਸੈਟ ਦਾ ਡਿਕਸ਼ਨਰੀ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ਅਤੇ [ਯੂਜ਼ਰ ਗਾਈਡ](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ਨੂੰ ਵੇਖੋ।
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਦਿੱਤੀਆਂ ਕੁਝ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੋਟਬੁੱਕ ਵਿੱਚ ਆਪਣਾ EDA ਕਰੋ (ਜੇ ਚਾਹੋ ਤਾਂ ਸੈਲ ਸ਼ਾਮਲ ਕਰੋ) ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿਓ:
+
+- ਡਾਟਾ ਵਿੱਚ ਹੋਰ ਕਿਹੜੇ ਪ੍ਰਭਾਵ ਟਿਪ ਦੀ ਰਕਮ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ?
+- ਗਾਹਕ ਦੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਕਿਹੜੇ ਕਾਲਮ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਲੋੜੀਂਦੇ ਨਹੀਂ ਹੋਣਗੇ?
+- ਹੁਣ ਤੱਕ ਦਿੱਤੇ ਗਏ ਡਾਟਾ ਦੇ ਆਧਾਰ 'ਤੇ, ਕੀ ਡਾਟਾ ਮੌਸਮੀ ਟਿਪਿੰਗ ਵਿਹਾਰ ਦਾ ਕੋਈ ਸਬੂਤ ਦਿੰਦਾ ਹੈ?
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/16-communication/README.md b/translations/pa/4-Data-Science-Lifecycle/16-communication/README.md
new file mode 100644
index 00000000..07cff0a1
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/16-communication/README.md
@@ -0,0 +1,175 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "1ac43023e78bfe76481a32c878ace516",
+  "translation_date": "2025-08-27T18:07:12+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/30)
+
+ਉਪਰ ਦਿੱਤੇ ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਆਉਣ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਬਾਰੇ ਆਪਣਾ ਗਿਆਨ ਪਰਖੋ!
+
+# ਪਰਿਚਯ
+
+### ਸੰਚਾਰ ਕੀ ਹੈ?
+ਆਓ ਇਸ ਪਾਠ ਦੀ ਸ਼ੁਰੂਆਤ ਇਹ ਸਮਝਣ ਨਾਲ ਕਰੀਏ ਕਿ ਸੰਚਾਰ ਦਾ ਕੀ ਅਰਥ ਹੈ। **ਸੰਚਾਰ ਦਾ ਮਤਲਬ ਜਾਣਕਾਰੀ ਨੂੰ ਪਹੁੰਚਾਉਣਾ ਜਾਂ ਅਦਲ-ਬਦਲ ਕਰਨਾ ਹੈ।** ਜਾਣਕਾਰੀ ਵਿਚ ਵਿਚਾਰ, ਭਾਵਨਾਵਾਂ, ਸੁਨੇਹੇ, ਗੁਪਤ ਸੰਕੇਤ, ਡਾਟਾ - ਕੁਝ ਵੀ ਸ਼ਾਮਲ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ **_ਭੇਜਣ ਵਾਲਾ_** (ਜੋ ਜਾਣਕਾਰੀ ਭੇਜ ਰਿਹਾ ਹੈ) ਚਾਹੁੰਦਾ ਹੈ ਕਿ ਇੱਕ **_ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ_** (ਜੋ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰ ਰਿਹਾ ਹੈ) ਸਮਝੇ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਭੇਜਣ ਵਾਲਿਆਂ ਨੂੰ ਸੰਚਾਰਕ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਿਆਂ ਨੂੰ ਦਰਸ਼ਕ ਕਹਾਂਗੇ।
+
+### ਡਾਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ
+ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਕਿ ਸੰਚਾਰ ਕਰਨ ਦਾ ਮਕਸਦ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣਾ ਜਾਂ ਅਦਲ-ਬਦਲ ਕਰਨਾ ਹੈ। ਪਰ ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤੁਹਾਡਾ ਮਕਸਦ ਸਿਰਫ਼ ਗਿਣਤੀਆਂ ਪਹੁੰਚਾਉਣਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਤੁਹਾਡਾ ਮਕਸਦ ਇੱਕ ਕਹਾਣੀ ਸੁਣਾਉਣਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਡਾਟਾ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ - ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡਾਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ ਇੱਕ ਦੂਜੇ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ। ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਇੱਕ ਗਿਣਤੀ ਦੇ ਬਜਾਏ ਉਹ ਕਹਾਣੀ ਜ਼ਿਆਦਾ ਯਾਦ ਰੱਖਣਗੇ ਜੋ ਤੁਸੀਂ ਸੁਣਾਉਂਦੇ ਹੋ। ਇਸ ਪਾਠ ਵਿੱਚ ਅੱਗੇ, ਅਸੀਂ ਕੁਝ ਤਰੀਕੇ ਚਰਚਾ ਕਰਾਂਗੇ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰ ਸਕਦੇ ਹੋ।
+
+### ਸੰਚਾਰ ਦੇ ਕਿਸਮਾਂ
+ਇਸ ਪਾਠ ਵਿੱਚ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸੰਚਾਰ ਦੀ ਚਰਚਾ ਕੀਤੀ ਜਾਵੇਗੀ: ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਅਤੇ ਦੋ-ਪਾਸੇ ਸੰਚਾਰ।
+
+**ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ** ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਭੇਜਣ ਵਾਲਾ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਨੂੰ ਜਾਣਕਾਰੀ ਭੇਜਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਫੀਡਬੈਕ ਜਾਂ ਜਵਾਬ ਦੇ। ਅਸੀਂ ਹਰ ਰੋਜ਼ ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਦੇ ਉਦਾਹਰਨ ਵੇਖਦੇ ਹਾਂ - ਜਿਵੇਂ ਕਿ ਬਲਕ/ਮਾਸ ਈਮੇਲ, ਖਬਰਾਂ ਜਦੋਂ ਤਾਜ਼ਾ ਕਹਾਣੀਆਂ ਦਿੰਦੀ ਹੈ, ਜਾਂ ਜਦੋਂ ਟੈਲੀਵਿਜ਼ਨ ਦਾ ਵਿਗਿਆਪਨ ਆਉਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਉਤਪਾਦ ਕਿਉਂ ਵਧੀਆ ਹੈ। ਇਨ੍ਹਾਂ ਹਾਲਾਤਾਂ ਵਿੱਚ, ਭੇਜਣ ਵਾਲਾ ਜਾਣਕਾਰੀ ਦੇ ਅਦਲ-ਬਦਲ ਦੀ ਮੰਗ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਉਹ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣ ਜਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਮੰਗ ਕਰ ਰਿਹਾ ਹੈ।
+
+**ਦੋ-ਪਾਸੇ ਸੰਚਾਰ** ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਾਰੇ ਸ਼ਾਮਲ ਪੱਖ ਭੇਜਣ ਵਾਲੇ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਇੱਕ ਭੇਜਣ ਵਾਲਾ ਪਹਿਲਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਨੂੰ ਸੰਚਾਰ ਕਰੇਗਾ, ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਫੀਡਬੈਕ ਜਾਂ ਜਵਾਬ ਦੇਵੇਗਾ। ਦੋ-ਪਾਸੇ ਸੰਚਾਰ ਉਹ ਹੈ ਜੋ ਅਸੀਂ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਸੰਚਾਰ ਬਾਰੇ ਸੋਚਦੇ ਹਾਂ। ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਲੋਕਾਂ ਨੂੰ ਗੱਲਬਾਤ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਦੇ ਬਾਰੇ ਸੋਚਦੇ ਹਾਂ - ਚਾਹੇ ਉਹ ਸਿੱਧੇ-ਸਿੱਧੇ ਹੋਵੇ, ਜਾਂ ਫੋਨ ਕਾਲ, ਸੋਸ਼ਲ ਮੀਡੀਆ, ਜਾਂ ਟੈਕਸਟ ਸੁਨੇਹੇ ਰਾਹੀਂ।
+
+ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤਾਂ ਕੁਝ ਹਾਲਾਤ ਹੋਣਗੇ ਜਿੱਥੇ ਤੁਸੀਂ ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋਵੋਗੇ (ਜਿਵੇਂ ਕਿ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ ਦੇਣ, ਜਾਂ ਵੱਡੇ ਸਮੂਹ ਨੂੰ ਜਿੱਥੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਵਾਲ ਨਹੀਂ ਪੁੱਛੇ ਜਾਣਗੇ) ਅਤੇ ਕੁਝ ਹਾਲਾਤ ਹੋਣਗੇ ਜਿੱਥੇ ਤੁਸੀਂ ਦੋ-ਪਾਸੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋਵੋਗੇ (ਜਿਵੇਂ ਕਿ ਕੁਝ ਸਟੇਕਹੋਲਡਰਾਂ ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਜਾਂ ਟੀਮਮੇਟ ਨੂੰ ਮਨਾਉਣਾ ਕਿ ਸਮਾਂ ਅਤੇ ਯਤਨ ਨਵਾਂ ਕੁਝ ਬਣਾਉਣ ਵਿੱਚ ਲਗਾਇਆ ਜਾਵੇ)।
+
+# ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੰਚਾਰ
+
+### ਸੰਚਾਰਕ ਵਜੋਂ ਤੁਹਾਡੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ
+ਜਦੋਂ ਤੁਸੀਂ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਡਾ ਕੰਮ ਹੈ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਤੁਹਾਡੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਉਹ ਜਾਣਕਾਰੀ ਲੈ ਰਹੇ ਹਨ ਜੋ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਉਹ ਲੈਣ। ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਿਰਫ਼ ਗਿਣਤੀਆਂ ਨਹੀਂ ਪਹੁੰਚਾਉਣਾ ਚਾਹੁੰਦੇ, ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਇੱਕ ਕਹਾਣੀ ਲੈਣ ਜੋ ਤੁਹਾਡੇ ਡਾਟਾ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇੱਕ ਵਧੀਆ ਡਾਟਾ ਸੰਚਾਰਕ ਇੱਕ ਵਧੀਆ ਕਹਾਣੀ ਸੁਣਾਉਣ ਵਾਲਾ ਹੁੰਦਾ ਹੈ।
+
+ਤੁਸੀਂ ਡਾਟਾ ਨਾਲ ਕਹਾਣੀ ਕਿਵੇਂ ਸੁਣਾਉਂਦੇ ਹੋ? ਇਸ ਦੇ ਬੇਅੰਤ ਤਰੀਕੇ ਹਨ - ਪਰ ਹੇਠਾਂ 6 ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਗੱਲ ਕਰਾਂਗੇ।
+1.	ਆਪਣੇ ਦਰਸ਼ਕ, ਮੀਡੀਆ, ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ
+2.	ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ
+3.	ਇਸ ਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਜੋਂ ਪੇਸ਼ ਕਰੋ
+4.	ਮਹੱਤਵਪੂਰਨ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤੋ
+5.	ਭਾਵਨਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ
+
+ਇਹਨਾਂ ਰਣਨੀਤੀਆਂ ਨੂੰ ਹੇਠਾਂ ਵਧੇਰੇ ਵਿਸਥਾਰ ਵਿੱਚ ਸਮਝਾਇਆ ਗਿਆ ਹੈ।
+
+### 1. ਆਪਣੇ ਦਰਸ਼ਕ, ਚੈਨਲ ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ
+ਜਿਵੇਂ ਤੁਸੀਂ ਆਪਣੇ ਪਰਿਵਾਰਕ ਮੈਂਬਰਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਉਹ ਤੁਹਾਡੇ ਦੋਸਤਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਤੋਂ ਵੱਖ ਹੋ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਵੱਖ-ਵੱਖ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤਦੇ ਹੋ ਜੋ ਉਹ ਲੋਕ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਗੱਲ ਕਰ ਰਹੇ ਹੋ, ਉਹ ਵਧੇਰੇ ਸਮਝ ਸਕਦੇ ਹਨ। ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਹੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਅਪਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਨਾਲ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ। ਉਨ੍ਹਾਂ ਦੇ ਲਕਸ਼ਾਂ ਅਤੇ ਹਾਲਾਤਾਂ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਸਮਝਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ।
+
+ਤੁਸੀਂ ਸ਼ਾਇਦ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਇੱਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ। ਇੱਕ _ਹਾਰਵਰਡ ਬਿਜ਼ਨਸ ਰਿਵਿਊ_ ਲੇਖ, “[ਡਾਟਾ ਨਾਲ ਕਹਾਣੀ ਕਿਵੇਂ ਸੁਣਾਈ ਜਾਵੇ](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/),” ਵਿੱਚ, Dell Executive Strategist Jim Stikeleather ਨੇ ਦਰਸ਼ਕਾਂ ਦੀਆਂ ਪੰਜ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਹੈ।
+
+ - **ਨਵਸਿਖਿਆ**: ਵਿਸ਼ੇ ਦਾ ਪਹਿਲਾ ਪਰਚਾ, ਪਰ ਅਤਿ-ਸਰਲਤਾ ਨਹੀਂ ਚਾਹੁੰਦਾ
+ - **ਜਨਰਲਿਸਟ**: ਵਿਸ਼ੇ ਤੋਂ ਜਾਣੂ, ਪਰ ਇੱਕ ਝਲਕ ਸਮਝ ਅਤੇ ਮੁੱਖ ਥੀਮਾਂ ਦੀ ਭਾਲ ਕਰ ਰਿਹਾ ਹੈ
+ - **ਪ੍ਰਬੰਧਕੀ**: ਜਟਿਲਤਾ ਅਤੇ ਅੰਤਰਸੰਬੰਧਾਂ ਦੀ ਗਹਿਰਾਈ, ਕਾਰਵਾਈਯੋਗ ਸਮਝ ਅਤੇ ਵੇਰਵੇ ਤੱਕ ਪਹੁੰਚ
+ - **ਵਿਸ਼ੇਸ਼ਜਨ**: ਵਧੇਰੇ ਖੋਜ ਅਤੇ ਖੋਜ, ਘੱਟ ਕਹਾਣੀ ਸੁਣਾਉਣਾ, ਅਤੇ ਵਧੇਰੇ ਵੇਰਵੇ
+ - **ਪ੍ਰਬੰਧਕ**: ਸਿਰਫ਼ ਵਜ਼ਨੀ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਮਹੱਤਵ ਅਤੇ ਨਿਸਕਰਸ਼ਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਸਮਾਂ ਹੈ
+
+ਇਹ ਸ਼੍ਰੇਣੀਆਂ ਤੁਹਾਡੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਡਾਟਾ ਪੇਸ਼ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਜਾਣਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ।
+
+ਤੁਹਾਡੇ ਦਰਸ਼ਕਾਂ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਬਾਰੇ ਸੋਚਣ ਦੇ ਨਾਲ, ਤੁਹਾਨੂੰ ਉਹ ਚੈਨਲ ਵੀ ਵਿਚਾਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸ ਰਾਹੀਂ ਤੁਸੀਂ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਇੱਕ ਮੀਮੋ ਜਾਂ ਈਮੇਲ ਲਿਖ ਰਹੇ ਹੋ, ਬਨਾਮ ਇੱਕ ਮੀਟਿੰਗ ਕਰਨ ਜਾਂ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ ਦੇਣ, ਤਾਂ ਤੁਹਾਡਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਥੋੜਾ ਵੱਖ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
+
+ਉਪਰੰਤ, ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਸਮਝਣ ਦੇ ਨਾਲ, ਇਹ ਜਾਣਨਾ ਕਿ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨਾਲ ਕਿਵੇਂ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ (ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਜਾਂ ਦੋ-ਪਾਸੇ) ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ।
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਨਵਸਿਖਿਆ ਦਰਸ਼ਕਾਂ ਦੇ ਬਹੁਗਿਣਤੀ ਨਾਲ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ ਦਰਸ਼ਕਾਂ ਨੂੰ ਸਿੱਖਿਆ ਦੇਣੀ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਹੀ ਹਾਲਾਤ ਦੇਣੇ ਚਾਹੀਦੇ ਹਨ। ਫਿਰ ਤੁਹਾਨੂੰ ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣਾ ਡਾਟਾ ਪੇਸ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਦੱਸਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਕੀ ਮਤਲਬ ਹੈ ਅਤੇ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਹਾਲਾਤ ਵਿੱਚ, ਤੁਸੀਂ ਸਪਸ਼ਟਤਾ ਨੂੰ ਵਧਾਉਣ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਤੁਹਾਨੂੰ ਕੋਈ ਸਿੱਧੇ ਸਵਾਲ ਨਹੀਂ ਪੁੱਛ ਸਕਣਗੇ।
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਪ੍ਰਬੰਧਕੀ ਦਰਸ਼ਕਾਂ ਦੇ ਬਹੁਗਿਣਤੀ ਨਾਲ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਦੋ-ਪਾਸੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਸਿੱਖਿਆ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੋਵੇਗੀ ਜਾਂ ਉਨ੍ਹਾਂ ਨੂੰ ਬਹੁਤ ਸਾਰਾ ਹਾਲਾਤ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੋਵੇਗੀ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਸਿੱਧੇ-ਸਿੱਧੇ ਡਾਟਾ ਦੀ ਚਰਚਾ ਕਰਨ ਅਤੇ ਇਸ ਦੇ ਮਹੱਤਵ ਬਾਰੇ ਗੱਲ ਕਰਨ ਵਿੱਚ ਜਾ ਸਕਦੇ ਹੋ। ਇਸ ਹਾਲਾਤ ਵਿੱਚ, ਹਾਲਾਂਕਿ, ਤੁਹਾਨੂੰ ਸਮਾਂ ਅਤੇ ਆਪਣੀ ਪ੍ਰਸਤੁਤੀ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਦੋ-ਪਾਸੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ (ਖਾਸ ਕਰਕੇ ਪ੍ਰਬੰਧਕੀ ਦਰਸ਼ਕਾਂ ਨਾਲ ਜੋ "ਜਟਿਲਤਾ ਅਤੇ ਅੰਤਰਸੰਬੰਧਾਂ ਦੀ ਕਾਰਵਾਈਯੋਗ ਸਮਝ" ਦੀ ਭਾਲ ਕਰ ਰਹੇ ਹਨ), ਤਾਂ ਤੁਹਾਡੇ ਸੰਚਾਰ ਦੌਰਾਨ ਸਵਾਲ ਉੱਠ ਸਕਦੇ ਹਨ ਜੋ ਗੱਲਬਾਤ ਨੂੰ ਉਸ ਦਿਸ਼ਾ ਵਿੱਚ ਲੈ ਜਾ ਸਕਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਸੁਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਕਹਾਣੀ ਨਾਲ ਸੰਬੰਧਿਤ ਨਹੀਂ ਹੈ। ਜਦੋਂ ਇਹ ਹੁੰਦਾ ਹੈ, ਤੁਸੀਂ ਕਾਰਵਾਈ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਗੱਲਬਾਤ ਨੂੰ ਵਾਪਸ ਆਪਣੀ ਕਹਾਣੀ ਦੇ ਟ੍ਰੈਕ 'ਤੇ ਲੈ ਜਾ ਸਕਦੇ ਹੋ।
+
+### 2. ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ
+ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਲਈ ਇੱਛਿਤ ਨਿਸਕਰਸ਼ਾਂ ਨੂੰ ਸਮਝਣਾ ਜਦੋਂ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ। ਪਹਿਲਾਂ ਹੀ ਇਹ ਸੋਚਣਾ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਤੋਂ ਕੀ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤੁਹਾਨੂੰ ਇੱਕ ਕਹਾਣੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਪਾਲਣ ਕਰ ਸਕਦੇ ਹਨ। ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰਨਾ ਇੱਕ-ਪਾਸੇ ਸੰਚਾਰ ਅਤੇ ਦੋ-ਪਾਸੇ ਸੰਚਾਰ ਦੋਵਾਂ ਲਈ ਉਚਿਤ ਹੈ।
+
+ਤੁਸੀਂ ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ? ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸੰਚਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੇ ਮੁੱਖ ਨਿਸਕਰਸ਼ਾਂ ਨੂੰ ਲਿਖੋ। ਫਿਰ, ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੀ ਕਹਾਣੀ ਬਣਾਉਣ ਦੀ ਤਿਆਰੀ ਕਰ ਰਹੇ ਹੋ ਜੋ ਤੁਸੀਂ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਸੁਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਹਰ ਕਦਮ 'ਤੇ ਆਪਣੇ ਆਪ ਤੋਂ ਪੁੱਛੋ, "ਇਹ ਕਹਾਣੀ ਵਿੱਚ ਕਿਵੇਂ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜੋ ਮੈਂ ਸੁਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹਾਂ?"
+
+ਸਾਵਧਾਨ ਰਹੋ - ਜਦੋਂ ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰਨਾ ਆਦਰਸ਼ ਹੈ, ਤੁਸੀਂ ਸਿਰਫ਼ ਉਹ ਡਾਟਾ ਸੰਚਾਰ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਜੋ ਤੁਹਾਡੇ ਇੱਛਿਤ ਨਿਸਕਰਸ਼ਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਇਹ "ਚੈਰੀ-ਪਿਕਿੰਗ" ਕਹਿੰਦੇ ਹਨ, ਜੋ ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸੰਚਾਰਕ ਸਿਰਫ਼ ਉਹ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦਾ ਹੈ ਜੋ ਉਸ ਬਿੰਦੂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ ਜੋ ਉਹ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਸਾਰੇ ਹੋਰ ਡਾਟਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ।
+
+ਜੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਇਕੱਠਾ ਕੀਤਾ ਸਾਰਾ ਡਾਟਾ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਇੱਛਿਤ ਨਿਸਕਰਸ਼ਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਵਧੀਆ। ਪਰ ਜੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਇਕੱਠਾ ਕੀਤਾ ਡਾਟਾ ਤੁਹਾਡੇ ਨਿਸਕਰਸ਼ਾਂ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ, ਜਾਂ ਤੁਹਾਡੇ ਮੁੱਖ ਨਿਸਕਰਸ਼ਾਂ ਦੇ ਵਿਰੁੱਧ ਦਲੀਲ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਉਹ ਡਾਟਾ ਵੀ ਸੰਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਇਹ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨਾਲ ਸਾਫ਼ ਰਹੋ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਆਪਣੀ ਕਹਾਣੀ ਨਾਲ ਕਿਉਂ ਜੁੜੇ ਹੋਏ ਹੋ ਭਾਵੇਂ ਸਾਰਾ ਡਾਟਾ ਇਸਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ।
+
+### 3. ਇਸ ਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਜੋਂ ਪੇਸ਼ ਕਰੋ
+ਇੱਕ ਰਵਾਇਤੀ ਕਹਾਣੀ 5 ਚਰਣਾਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਇਹ ਚਰਣ ਸੁਣੇ ਹੋਣਗੇ ਜਿਵੇਂ ਕਿ ਪ੍ਰਸਤਾਵਨਾ, ਉਭਰਤਾ ਕਾਰਵਾਈ, ਕਲਾਈਮੈਕਸ, ਡਿੱਗਣ ਵਾਲੀ ਕਾਰਵਾਈ, ਅਤੇ ਨਿਸਕਰਸ਼। ਜਾਂ ਯਾਦ ਰੱਖਣ ਲਈ ਆਸਾਨ, ਸੰਦਰਭ, ਸੰਘਰਸ਼, ਕਲਾਈਮੈਕਸ, ਬੰਦ, ਨਿਸਕਰਸ਼। ਜਦੋਂ ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਅਤੇ ਆਪਣੀ ਕਹਾਣੀ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਸਮਾਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਅਪਣਾਉਣ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਤੁਸੀਂ ਸੰਦਰਭ ਨਾਲ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ, ਮੰਚ ਸਜਾ ਸਕਦੇ ਹੋ ਅਤੇ ਯਕੀਨੀ ਬਨਾਉ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਸਾਰੇ ਇੱਕੋ ਪੰਨੇ 'ਤੇ ਹਨ। ਫਿਰ ਸੰਘਰਸ਼ ਪੇਸ਼ ਕਰੋ। ਤੁਸੀਂ ਇਹ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਕਿਉਂ ਮਹਿਸੂਸ ਕੀਤੀ?
+ਇਸ ਮੀਟਿੰਗ ਵਿੱਚ, ਐਮਰਸਨ 5 ਮਿੰਟ ਲਗਾ ਕੇ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਐਪ ਸਟੋਰ ਵਿੱਚ ਘੱਟ ਰੇਟਿੰਗ ਕਿਉਂ ਖਰਾਬ ਹੈ, 10 ਮਿੰਟ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਰੁਝਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੇ ਤਰੀਕੇ ਬਾਰੇ ਗੱਲ ਕਰਨ ਵਿੱਚ, 10 ਮਿੰਟ ਹਾਲ ਹੀ ਦੇ ਕੁਝ ਗਾਹਕਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ 'ਤੇ ਗੱਲ ਕਰਨ ਵਿੱਚ, ਅਤੇ ਆਖਰੀ 5 ਮਿੰਟ ਦੋ ਸੰਭਾਵਿਤ ਹੱਲਾਂ ਨੂੰ ਸਿਰਫ਼ ਛੂਹਣ ਵਿੱਚ ਬਿਤਾਉਂਦਾ ਹੈ।  
+
+ਕੀ ਇਹ ਮੀਟਿੰਗ ਦੌਰਾਨ ਐਮਰਸਨ ਲਈ ਸੰਚਾਰ ਕਰਨ ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਸੀ?  
+
+ਮੀਟਿੰਗ ਦੌਰਾਨ, ਇੱਕ ਕੰਪਨੀ ਲੀਡ ਨੇ ਉਹ 10 ਮਿੰਟ ਧਿਆਨ ਨਾਲ ਸੁਣੇ ਜਿੱਥੇ ਐਮਰਸਨ ਨੇ ਗਾਹਕਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ। ਮੀਟਿੰਗ ਤੋਂ ਬਾਅਦ, ਇਹ ਸ਼ਿਕਾਇਤਾਂ ਹੀ ਉਹ ਚੀਜ਼ ਸਨ ਜੋ ਇਸ ਟੀਮ ਲੀਡ ਨੂੰ ਯਾਦ ਰਹੀ। ਦੂਜੇ ਕੰਪਨੀ ਲੀਡ ਨੇ ਮੁੱਖ ਤੌਰ 'ਤੇ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਤੀਜੇ ਕੰਪਨੀ ਲੀਡ ਨੂੰ ਐਮਰਸਨ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਹੱਲ ਯਾਦ ਸਨ, ਪਰ ਉਹ ਇਹ ਸਮਝਣ ਵਿੱਚ ਅਸਮਰਥ ਸੀ ਕਿ ਉਹ ਹੱਲ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।  
+
+ਉਪਰੋਕਤ ਸਥਿਤੀ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਜੋ ਕੁਝ ਐਮਰਸਨ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਟੀਮ ਲੀਡ ਮੀਟਿੰਗ ਤੋਂ ਲੈ ਕੇ ਜਾਣ, ਅਤੇ ਜੋ ਕੁਝ ਉਹ ਅਸਲ ਵਿੱਚ ਲੈ ਕੇ ਗਏ, ਉਸ ਵਿੱਚ ਕਾਫ਼ੀ ਅੰਤਰ ਸੀ। ਹੇਠਾਂ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜਿਸ ਬਾਰੇ ਐਮਰਸਨ ਵਿਚਾਰ ਕਰ ਸਕਦਾ ਹੈ।  
+
+ਐਮਰਸਨ ਇਸ ਤਰੀਕੇ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹੈ?  
+ਸੰਦਰਭ, ਟਕਰਾਅ, ਚਰਮ ਬਿੰਦੂ, ਬੰਦ, ਨਤੀਜਾ  
+**ਸੰਦਰਭ** - ਐਮਰਸਨ ਪਹਿਲੇ 5 ਮਿੰਟ ਲਗਾ ਕੇ ਪੂਰੀ ਸਥਿਤੀ ਦਾ ਪਰਿਚਯ ਦੇ ਸਕਦਾ ਹੈ ਅਤੇ ਯਕੀਨੀ ਬਣਾ ਸਕਦਾ ਹੈ ਕਿ ਟੀਮ ਲੀਡ ਸਮਝਣ ਕਿ ਇਹ ਸਮੱਸਿਆਵਾਂ ਕੰਪਨੀ ਦੇ ਮਹੱਤਵਪੂਰਨ ਮੈਟ੍ਰਿਕਸ, ਜਿਵੇਂ ਕਿ ਰੇਵਨਿਊ, 'ਤੇ ਕਿਵੇਂ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀਆਂ ਹਨ।  
+
+ਇਹ ਇਸ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: "ਵਰਤਮਾਨ ਵਿੱਚ, ਸਾਡੇ ਐਪ ਦੀ ਰੇਟਿੰਗ ਐਪ ਸਟੋਰ ਵਿੱਚ 2.5 ਹੈ। ਐਪ ਸਟੋਰ ਵਿੱਚ ਰੇਟਿੰਗ ਐਪ ਸਟੋਰ ਅਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜੋ ਇਸ ਗੱਲ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਕਿ ਕਿੰਨੇ ਯੂਜ਼ਰ ਸਾਡੇ ਐਪ ਨੂੰ ਖੋਜ ਵਿੱਚ ਵੇਖਦੇ ਹਨ, ਅਤੇ ਸੰਭਾਵਿਤ ਯੂਜ਼ਰਾਂ ਲਈ ਸਾਡਾ ਐਪ ਕਿਵੇਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਅਤੇ ਜ਼ਾਹਰ ਹੈ, ਸਾਡੇ ਕੋਲ ਯੂਜ਼ਰਾਂ ਦੀ ਗਿਣਤੀ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਰੇਵਨਿਊ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।"  
+
+**ਟਕਰਾਅ** ਐਮਰਸਨ ਇਸ ਤੋਂ ਬਾਅਦ ਅਗਲੇ 5 ਮਿੰਟ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲਈ ਟਕਰਾਅ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ।  
+
+ਇਹ ਇਸ ਤਰੀਕੇ ਨਾਲ ਹੋ ਸਕਦਾ ਹੈ: "ਯੂਜ਼ਰਾਂ ਹਫ਼ਤਾਵਾਰ ਛੁੱਟੀਆਂ ਦੌਰਾਨ 42% ਵੱਧ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗ ਰਿਪੋਰਟਾਂ ਦਾਖਲ ਕਰਦੇ ਹਨ। ਉਹ ਗਾਹਕ ਜੋ 48 ਘੰਟਿਆਂ ਤੋਂ ਬਾਅਦ ਬਿਨਾਂ ਜਵਾਬ ਦੇ ਸ਼ਿਕਾਇਤ ਦਾਖਲ ਕਰਦੇ ਹਨ, ਉਹ ਸਾਡੇ ਐਪ ਨੂੰ ਐਪ ਸਟੋਰ ਵਿੱਚ 2 ਤੋਂ ਵੱਧ ਰੇਟਿੰਗ ਦੇਣ ਦੀ ਸੰਭਾਵਨਾ 32% ਘੱਟ ਹੁੰਦੀ ਹੈ। ਸਾਡੇ ਐਪ ਦੀ ਰੇਟਿੰਗ ਨੂੰ 4 ਤੱਕ ਸੁਧਾਰਨਾ ਐਪ ਦੀ ਦਿੱਖ ਨੂੰ 20-30% ਵਧਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮੈਂ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹਾਂ ਕਿ ਰੇਵਨਿਊ ਵਿੱਚ 10% ਦਾ ਵਾਧਾ ਹੋਵੇਗਾ।" ਜ਼ਾਹਰ ਹੈ, ਐਮਰਸਨ ਨੂੰ ਇਹ ਨੰਬਰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਾਬਤ ਕਰਨ ਲਈ ਤਿਆਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।  
+
+**ਚਰਮ ਬਿੰਦੂ** ਮੂਲ ਬੁਨਿਆਦ ਰੱਖਣ ਤੋਂ ਬਾਅਦ, ਐਮਰਸਨ ਚਰਮ ਬਿੰਦੂ 'ਤੇ 5 ਮਿੰਟ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸਮਾਂ ਬਿਤਾ ਸਕਦਾ ਹੈ।  
+
+ਐਮਰਸਨ ਪੇਸ਼ ਕੀਤੇ ਹੱਲਾਂ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਦੱਸ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਹੱਲ ਕਿਵੇਂ ਦਰਸਾਈਆਂ ਗਈਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨਗੇ, ਇਹ ਹੱਲ ਮੌਜੂਦਾ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਇਹ ਹੱਲ ਕਿੰਨੇ ਮਹਿੰਗੇ ਹਨ, ਹੱਲਾਂ ਦਾ ROI ਕੀ ਹੋਵੇਗਾ, ਅਤੇ ਸ਼ਾਇਦ ਇਹ ਵੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਕਿ ਜੇ ਇਹ ਹੱਲ ਲਾਗੂ ਕੀਤੇ ਗਏ ਤਾਂ ਇਹ ਕਿਵੇਂ ਦਿਖਾਈ ਦੇਣਗੇ। ਐਮਰਸਨ ਉਹ ਯੂਜ਼ਰ ਟੈਸਟਿਮੋਨੀਅਲ ਵੀ ਸਾਂਝੇ ਕਰ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ ਨੂੰ 48 ਘੰਟਿਆਂ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲੱਗਿਆ ਸੀ, ਅਤੇ ਮੌਜੂਦਾ ਕੰਪਨੀ ਦੇ ਗਾਹਕ ਸੇਵਾ ਪ੍ਰਤੀਨਿਧੀ ਤੋਂ ਇੱਕ ਟੈਸਟਿਮੋਨੀਅਲ ਵੀ ਜੋ ਮੌਜੂਦਾ ਟਿਕਟਿੰਗ ਸਿਸਟਮ 'ਤੇ ਟਿੱਪਣੀ ਕਰਦਾ ਹੈ।  
+
+**ਬੰਦ** ਹੁਣ ਐਮਰਸਨ 5 ਮਿੰਟ ਲਗਾ ਕੇ ਕੰਪਨੀ ਦੁਆਰਾ ਸਾਹਮਣਾ ਕੀਤੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਦੱਸ ਸਕਦਾ ਹੈ, ਪੇਸ਼ ਕੀਤੇ ਹੱਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਵੇਖ ਸਕਦਾ ਹੈ, ਅਤੇ ਸਮੀਖਿਆ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਹੱਲ ਕਿਉਂ ਸਹੀ ਹਨ।  
+
+**ਨਤੀਜਾ** ਕਿਉਂਕਿ ਇਹ ਕੁਝ ਸਟੇਕਹੋਲਡਰਾਂ ਨਾਲ ਇੱਕ ਮੀਟਿੰਗ ਹੈ ਜਿੱਥੇ ਦੋ-ਤਰੀਕੇ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇਗੀ, ਐਮਰਸਨ ਫਿਰ ਯੋਜਨਾ ਬਣਾ ਸਕਦਾ ਹੈ ਕਿ ਮੀਟਿੰਗ ਖਤਮ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਟੀਮ ਲੀਡਾਂ ਲਈ ਕੁਝ ਵੀ ਗੁੰਝਲਦਾਰ ਚੀਜ਼ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਲਈ 10 ਮਿੰਟ ਛੱਡੇ ਜਾਣ।  
+
+ਜੇ ਐਮਰਸਨ ਤਰੀਕਾ #2 ਅਪਨਾਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਕਾਫ਼ੀ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਟੀਮ ਲੀਡ ਮੀਟਿੰਗ ਤੋਂ ਉਹੀ ਚੀਜ਼ ਲੈ ਕੇ ਜਾਣਗੇ ਜੋ ਐਮਰਸਨ ਚਾਹੁੰਦਾ ਸੀ – ਕਿ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ 2 ਹੱਲ ਹਨ ਜੋ ਇਸ ਸੁਧਾਰ ਨੂੰ ਹਕੀਕਤ ਬਣਾਉਣ ਲਈ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ ਤਰੀਕਾ ਡੇਟਾ ਅਤੇ ਕਹਾਣੀ ਨੂੰ ਸੰਚਾਰਿਤ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗਾ, ਜੋ ਐਮਰਸਨ ਚਾਹੁੰਦਾ ਹੈ।  
+
+# ਨਤੀਜਾ  
+### ਮੁੱਖ ਬਿੰਦੂਆਂ ਦਾ ਸਾਰ  
+- ਸੰਚਾਰ ਦਾ ਮਤਲਬ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣਾ ਜਾਂ ਸਾਂਝੀ ਕਰਨਾ ਹੈ।  
+- ਜਦੋਂ ਡੇਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤੁਹਾਡਾ ਉਦੇਸ਼ ਸਿਰਫ਼ ਨੰਬਰਾਂ ਨੂੰ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਤੱਕ ਪਹੁੰਚਾਉਣਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਤੁਹਾਡਾ ਉਦੇਸ਼ ਡੇਟਾ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਹਾਣੀ ਨੂੰ ਸੰਚਾਰਿਤ ਕਰਨਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।  
+- ਸੰਚਾਰ ਦੇ 2 ਪ੍ਰਕਾਰ ਹਨ, ਇੱਕ-ਤਰੀਕੇ ਸੰਚਾਰ (ਜਾਣਕਾਰੀ ਬਿਨਾਂ ਜਵਾਬ ਦੀ ਉਮੀਦ ਨਾਲ ਸੰਚਾਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ) ਅਤੇ ਦੋ-ਤਰੀਕੇ ਸੰਚਾਰ (ਜਾਣਕਾਰੀ ਵਾਪਸ ਅਤੇ ਅੱਗੇ ਸੰਚਾਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)।  
+- ਕਹਾਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਸੰਚਾਰ ਕਰਨ ਲਈ ਕਈ ਰਣਨੀਤੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ 5 ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਅਸੀਂ ਗੱਲ ਕੀਤੀ ਹੈ:  
+  - ਆਪਣੇ ਦਰਸ਼ਕਾਂ, ਮਾਧਿਅਮ, ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ  
+  - ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ  
+  - ਇਸਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਾਂਗ ਲਵੋ  
+  - ਅਰਥਪੂਰਨ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤੋ  
+  - ਭਾਵਨਾਵਾਂ ਦਾ ਇਸਤੇਮਾਲ ਕਰੋ  
+
+### ਖੁਦ ਅਧਿਐਨ ਲਈ ਸਿਫਾਰਸ਼ੀ ਸਰੋਤ  
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)  
+
+[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/)  
+
+[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data)  
+
+[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication)  
+
+[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/)  
+
+[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data)  
+
+[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/)  
+
+[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/)  
+
+[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz)  
+
+[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples)  
+
+[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/)  
+
+[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data)  
+
+[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf)  
+
+[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx)  
+
+[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf)  
+
+[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/)  
+
+[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking)  
+
+[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7)  
+
+[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/31)  
+
+ਉਪਰੋਕਤ ਸਿੱਖੀ ਗਈ ਚੀਜ਼ਾਂ ਦੀ ਸਮੀਖਿਆ ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਕਰੋ!  
+
+## ਅਸਾਈਨਮੈਂਟ  
+
+[ਮਾਰਕੀਟ ਰਿਸਰਚ](assignment.md)  
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/pa/4-Data-Science-Lifecycle/16-communication/assignment.md
new file mode 100644
index 00000000..3b755a57
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/16-communication/assignment.md
@@ -0,0 +1,26 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8980d7efd101c82d6d6ffc3458214120",
+  "translation_date": "2025-08-27T18:09:48+00:00",
+  "source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਇੱਕ ਕਹਾਣੀ ਦੱਸੋ
+
+## ਹਦਾਇਤਾਂ
+
+ਡਾਟਾ ਸਾਇੰਸ ਕਹਾਣੀ ਦੱਸਣ ਦੇ ਬਾਰੇ ਹੈ। ਕਿਸੇ ਵੀ ਡਾਟਾਸੈਟ ਨੂੰ ਚੁਣੋ ਅਤੇ ਇਸ ਬਾਰੇ ਇੱਕ ਛੋਟਾ ਲੇਖ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਇਸ ਤੋਂ ਕਿਹੜੀ ਕਹਾਣੀ ਦੱਸ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਕੀ ਉਮੀਦ ਕਰਦੇ ਹੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾਸੈਟ ਕੀ ਖੁਲਾਸਾ ਕਰੇਗਾ? ਜੇ ਇਸ ਦੇ ਖੁਲਾਸੇ ਸਮੱਸਿਆਜਨਕ ਸਾਬਤ ਹੁੰਦੇ ਹਨ ਤਾਂ ਤੁਸੀਂ ਕੀ ਕਰੋਗੇ? ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਆਸਾਨੀ ਨਾਲ ਆਪਣੇ ਰਾਜ਼ ਨਹੀਂ ਖੋਲ੍ਹਦਾ ਤਾਂ ਕੀ ਹੋਵੇਗਾ? ਉਹ ਸਥਿਤੀਆਂ ਸੋਚੋ ਜੋ ਤੁਹਾਡਾ ਡਾਟਾਸੈਟ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਲਿਖੋ।
+
+## ਮਾਪਦੰਡ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | --- |
+
+ਇੱਕ ਪੰਨੇ ਦਾ ਲੇਖ .doc ਫਾਰਮੈਟ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਡਾਟਾਸੈਟ ਦੀ ਵਿਆਖਿਆ, ਦਸਤਾਵੇਜ਼ੀਕਰਨ, ਸ੍ਰੇਯਸੂਚੀ ਅਤੇ ਇਸ ਬਾਰੇ ਇੱਕ ਸੰਗਠਿਤ ਕਹਾਣੀ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਹੈ ਜਿਸ ਵਿੱਚ ਡਾਟਾ ਤੋਂ ਵਿਸਥਾਰਪੂਰਵਕ ਉਦਾਹਰਣ ਦਿੱਤੇ ਗਏ ਹਨ।| ਇੱਕ ਛੋਟਾ ਲੇਖ ਘੱਟ ਵਿਸਥਾਰਪੂਰਵਕ ਫਾਰਮੈਟ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ। | ਲੇਖ ਉਪਰੋਕਤ ਵਿਸਥਾਰਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਵਿੱਚ ਘਾਟ ਪਾਇਆ ਜਾਂਦਾ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/4-Data-Science-Lifecycle/README.md b/translations/pa/4-Data-Science-Lifecycle/README.md
new file mode 100644
index 00000000..8b196156
--- /dev/null
+++ b/translations/pa/4-Data-Science-Lifecycle/README.md
@@ -0,0 +1,30 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "dd173fd30fc039a7a299898920680723",
+  "translation_date": "2025-08-27T17:55:55+00:00",
+  "source_file": "4-Data-Science-Lifecycle/README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ
+
+![ਸੰਚਾਰ](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.pa.jpg)
+> ਫੋਟੋ <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Headway</a> ਦੁਆਰਾ <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">Unsplash</a> 'ਤੇ
+  
+ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੇ ਕੁਝ ਪਹਲੂਆਂ ਦੀ ਜਾਂਚ ਕਰੋਗੇ, ਜਿਸ ਵਿੱਚ ਡਾਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸੰਚਾਰ ਸ਼ਾਮਲ ਹਨ।
+
+### ਵਿਸ਼ੇ
+
+1. [ਜਾਣ ਪਛਾਣ](14-Introduction/README.md)
+2. [ਵਿਸ਼ਲੇਸ਼ਣ](15-analyzing/README.md)
+3. [ਸੰਚਾਰ](16-communication/README.md)
+
+### ਸ਼੍ਰੇਯ
+
+ਇਨ੍ਹਾਂ ਪਾਠਾਂ ਨੂੰ ❤️ ਨਾਲ [Jalen McGee](https://twitter.com/JalenMCG) ਅਤੇ [Jasmine Greenaway](https://twitter.com/paladique) ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/pa/5-Data-Science-In-Cloud/17-Introduction/README.md
new file mode 100644
index 00000000..a18e3e0d
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/17-Introduction/README.md
@@ -0,0 +1,105 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "408c55cab2880daa4e78616308bd5db7",
+  "translation_date": "2025-08-27T17:45:58+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
+  "language_code": "pa"
+}
+-->
+# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਪਰਚੇ
+
+|![ [(@sketchthedocs)] ਦੁਆਰਾ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/17-DataScience-Cloud.png)|
+|:---:|
+| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: ਪਰਚੇ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਕਲਾਉਡ ਦੇ ਮੁੱਢਲੀ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ, ਫਿਰ ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਰਤਣਾ ਤੁਹਾਡੇ ਲਈ ਕਿਉਂ ਦਿਲਚਸਪ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਅਸੀਂ ਕਲਾਉਡ ਵਿੱਚ ਚਲਾਏ ਗਏ ਕੁਝ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਦਾਹਰਨਾਂ ਨੂੰ ਵੇਖਾਂਗੇ।  
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/32)
+
+## ਕਲਾਉਡ ਕੀ ਹੈ?
+
+ਕਲਾਉਡ, ਜਾਂ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ, ਇੰਟਰਨੈਟ 'ਤੇ ਹੋਸਟ ਕੀਤੇ ਗਏ ਢਾਂਚੇ 'ਤੇ ਪੇ-ਅਜ਼-ਯੂ-ਗੋ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਰੇਂਜ ਦੀ ਡਿਲਿਵਰੀ ਹੈ। ਸੇਵਾਵਾਂ ਵਿੱਚ ਸਟੋਰੇਜ, ਡਾਟਾਬੇਸ, ਨੈਟਵਰਕਿੰਗ, ਸਾਫਟਵੇਅਰ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਬੁੱਧੀਮਾਨ ਸੇਵਾਵਾਂ ਵਰਗੇ ਹੱਲ ਸ਼ਾਮਲ ਹਨ।  
+
+ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਜਨਤਕ, ਨਿੱਜੀ ਅਤੇ ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡਾਂ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਨਾਲ ਵੱਖ ਕਰਦੇ ਹਾਂ:  
+
+* ਜਨਤਕ ਕਲਾਉਡ: ਜਨਤਕ ਕਲਾਉਡ ਕਿਸੇ ਤੀਜੀ ਪੱਖੀ ਕਲਾਉਡ ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਮਾਲਕ ਅਤੇ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਆਪਣੀਆਂ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਨੂੰ ਇੰਟਰਨੈਟ ਰਾਹੀਂ ਜਨਤਕ ਨੂੰ ਡਿਲਿਵਰ ਕਰਦਾ ਹੈ।  
+* ਨਿੱਜੀ ਕਲਾਉਡ: ਨਿੱਜੀ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਨੂੰ ਸਿਰਫ ਇੱਕ ਵਿਅਕਤੀਗਤ ਕਾਰੋਬਾਰ ਜਾਂ ਸੰਗਠਨ ਦੁਆਰਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸੇਵਾਵਾਂ ਅਤੇ ਢਾਂਚਾ ਨਿੱਜੀ ਨੈਟਵਰਕ 'ਤੇ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।  
+* ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡ: ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡ ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਜਨਤਕ ਅਤੇ ਨਿੱਜੀ ਕਲਾਉਡਾਂ ਨੂੰ ਜੋੜਦੀ ਹੈ। ਉਪਭੋਗਤਾ ਇੱਕ ਓਨ-ਪ੍ਰੇਮਿਸ ਡਾਟਾਸੈਂਟਰ ਦੀ ਚੋਣ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਡਾਟਾ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਇੱਕ ਜਾਂ ਵੱਧ ਜਨਤਕ ਕਲਾਉਡਾਂ 'ਤੇ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।  
+
+ਅਧਿਕਤਮ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਤਿੰਨ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ: ਢਾਂਚਾ-ਜਿਵੇਂ-ਸੇਵਾ (IaaS), ਪਲੇਟਫਾਰਮ-ਜਿਵੇਂ-ਸੇਵਾ (PaaS) ਅਤੇ ਸਾਫਟਵੇਅਰ-ਜਿਵੇਂ-ਸੇਵਾ (SaaS)।  
+
+* ਢਾਂਚਾ-ਜਿਵੇਂ-ਸੇਵਾ (IaaS): ਉਪਭੋਗਤਾ ਸਰਵਰਾਂ ਅਤੇ ਵਰਚੁਅਲ ਮਸ਼ੀਨਾਂ (VMs), ਸਟੋਰੇਜ, ਨੈਟਵਰਕ, ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਵਰਗੇ IT ਢਾਂਚੇ ਨੂੰ ਕਿਰਾਏ 'ਤੇ ਲੈਂਦੇ ਹਨ।  
+* ਪਲੇਟਫਾਰਮ-ਜਿਵੇਂ-ਸੇਵਾ (PaaS): ਉਪਭੋਗਤਾ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਵਿਕਸਿਤ, ਟੈਸਟ, ਡਿਲਿਵਰ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਇੱਕ ਵਾਤਾਵਰਣ ਕਿਰਾਏ 'ਤੇ ਲੈਂਦੇ ਹਨ। ਉਪਭੋਗਤਾ ਨੂੰ ਵਿਕਾਸ ਲਈ ਲੋੜੀਂਦੇ ਸਰਵਰਾਂ, ਸਟੋਰੇਜ, ਨੈਟਵਰਕ ਅਤੇ ਡਾਟਾਬੇਸ ਦੇ ਅਧਾਰਭੂਤ ਢਾਂਚੇ ਨੂੰ ਸੈਟ ਅੱਪ ਜਾਂ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦੀ ਚਿੰਤਾ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।  
+* ਸਾਫਟਵੇਅਰ-ਜਿਵੇਂ-ਸੇਵਾ (SaaS): ਉਪਭੋਗਤਾ ਇੰਟਰਨੈਟ ਰਾਹੀਂ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਮੰਗ 'ਤੇ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਅਧਾਰ 'ਤੇ। ਉਪਭੋਗਤਾ ਨੂੰ ਸਾਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਹੋਸਟਿੰਗ ਅਤੇ ਪ੍ਰਬੰਧਨ, ਅਧਾਰਭੂਤ ਢਾਂਚਾ ਜਾਂ ਰੱਖ-ਰਖਾਅ, ਜਿਵੇਂ ਕਿ ਸਾਫਟਵੇਅਰ ਅਪਗਰੇਡ ਅਤੇ ਸੁਰੱਖਿਆ ਪੈਚਿੰਗ ਦੀ ਚਿੰਤਾ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।  
+
+ਕੁਝ ਵੱਡੇ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਹਨ Amazon Web Services, Google Cloud Platform ਅਤੇ Microsoft Azure।  
+
+## ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਕਲਾਉਡ ਕਿਉਂ ਚੁਣੋ?
+
+ਡਿਵੈਲਪਰ ਅਤੇ IT ਪੇਸ਼ੇਵਰ ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ ਕਲਾਉਡ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਚੋਣ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ:  
+
+* ਨਵੀਨਤਾ: ਤੁਸੀਂ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਬਣਾਈਆਂ ਨਵੀਨਤਮ ਸੇਵਾਵਾਂ ਨੂੰ ਸਿੱਧੇ ਆਪਣੇ ਐਪਸ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਕੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾ ਸਕਦੇ ਹੋ।  
+* ਲਚਕਤਾ: ਤੁਸੀਂ ਸਿਰਫ ਉਹ ਸੇਵਾਵਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਜੋ ਤੁਹਾਨੂੰ ਲੋੜੀਂਦੀਆਂ ਹਨ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਰੇਂਜ ਵਿੱਚੋਂ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਪੇ-ਅਜ਼-ਯੂ-ਗੋ ਅਧਾਰ 'ਤੇ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਅਤੇ ਆਪਣੀਆਂ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਆਪਣੀਆਂ ਸੇਵਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਦੇ ਹੋ।  
+* ਬਜਟ: ਤੁਹਾਨੂੰ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਖਰੀਦਣ, ਸੈਟ ਅੱਪ ਕਰਨ ਅਤੇ ਓਨ-ਸਾਈਟ ਡਾਟਾਸੈਂਟਰ ਚਲਾਉਣ ਲਈ ਸ਼ੁਰੂਆਤੀ ਨਿਵੇਸ਼ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਤੁਸੀਂ ਸਿਰਫ ਉਹ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਵਰਤਦੇ ਹੋ।  
+* ਸਕੇਲਬਿਲਟੀ: ਤੁਹਾਡੇ ਸਰੋਤਾਂ ਪ੍ਰੋਜੈਕਟ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਸਕੇਲ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਤੁਹਾਡੇ ਐਪਸ ਵਧੇਰੇ ਜਾਂ ਘੱਟ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ, ਸਟੋਰੇਜ ਅਤੇ ਬੈਂਡਵਿਡਥ ਵਰਤ ਸਕਦੇ ਹਨ, ਕਿਸੇ ਵੀ ਸਮੇਂ ਬਾਹਰੀ ਕਾਰਕਾਂ ਦੇ ਅਨੁਕੂਲ।  
+* ਉਤਪਾਦਕਤਾ: ਤੁਸੀਂ ਆਪਣੇ ਕਾਰੋਬਾਰ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹੋ ਬਜਾਏ ਉਹ ਕੰਮ ਕਰਨ ਦੇ ਜੋ ਕਿਸੇ ਹੋਰ ਦੁਆਰਾ ਪ੍ਰਬੰਧਿਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਡਾਟਾਸੈਂਟਰ ਪ੍ਰਬੰਧਨ।  
+* ਭਰੋਸੇਯੋਗਤਾ: ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਤੁਹਾਡੇ ਡਾਟਾ ਨੂੰ ਲਗਾਤਾਰ ਬੈਕਅੱਪ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਪੇਸ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਤੁਸੀਂ ਆਪਣਾ ਕਾਰੋਬਾਰ ਅਤੇ ਸੇਵਾਵਾਂ ਚਲਾਉਣ ਲਈ ਆਫਤ ਪੂਰਨ ਯੋਜਨਾਵਾਂ ਸੈਟ ਅੱਪ ਕਰ ਸਕਦੇ ਹੋ, ਭਾਵੇਂ ਸੰਕਟ ਦੇ ਸਮੇਂ।  
+* ਸੁਰੱਖਿਆ: ਤੁਸੀਂ ਨੀਤੀਆਂ, ਤਕਨਾਲੋਜੀਆਂ ਅਤੇ ਨਿਯੰਤਰਣਾਂ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਤੁਹਾਡੇ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਦੇ ਹਨ।  
+
+ਇਹ ਕੁਝ ਆਮ ਕਾਰਨ ਹਨ ਕਿ ਲੋਕ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਚੋਣ ਕਿਉਂ ਕਰਦੇ ਹਨ। ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਨੂੰ ਇਹ ਸਮਝ ਆ ਗਈ ਹੈ ਕਿ ਕਲਾਉਡ ਕੀ ਹੈ ਅਤੇ ਇਸਦੇ ਮੁੱਖ ਫਾਇਦੇ ਕੀ ਹਨ, ਆਓ ਡਾਟਾ ਸਾਇੰਸਟਿਸ ਅਤੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਦੇਖੀਏ, ਅਤੇ ਕਲਾਉਡ ਕਿਵੇਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਕਈ ਚੁਣੌਤੀਆਂ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ:  
+
+* ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਸਟੋਰ ਕਰਨਾ: ਵੱਡੇ ਸਰਵਰਾਂ ਨੂੰ ਖਰੀਦਣ, ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਸਿੱਧੇ ਕਲਾਉਡ ਵਿੱਚ ਸਟੋਰ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ Azure Cosmos DB, Azure SQL Database ਅਤੇ Azure Data Lake Storage।  
+* ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਕਰਨਾ: ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਅਹਿਮ ਹਿੱਸਾ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਕਾਰਵਾਈ ਕਰਨ ਤੱਕ ਦਾ ਸੰਕਰਮਣ ਕਰਨ ਦਿੰਦਾ ਹੈ। ਕਲਾਉਡ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀਆਂ ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਸੇਵਾਵਾਂ ਨਾਲ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ, ਰੂਪਾਂਤਰਿਤ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਡਾਟਾ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ, Data Factory ਦੀ ਵਰਤੋਂ ਕਰਕੇ।  
+* ਡਾਟਾ ਪ੍ਰੋਸੈਸ ਕਰਨਾ: ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਬਹੁਤ ਸਾਰੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਲੋੜ ਕਰਦਾ ਹੈ, ਅਤੇ ਹਰ ਕੋਈ ਇਸ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਸ਼ੀਨਾਂ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਰੱਖਦਾ। ਇਸ ਲਈ ਕਈ ਲੋਕ ਆਪਣੀਆਂ ਹੱਲਾਂ ਨੂੰ ਚਲਾਉਣ ਅਤੇ ਤੈਨਾਤ ਕਰਨ ਲਈ ਸਿੱਧੇ ਕਲਾਉਡ ਦੀ ਵੱਡੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਚੋਣ ਕਰਦੇ ਹਨ।  
+* ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ: ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਜਿਵੇਂ ਕਿ Azure Synapse Analytics, Azure Stream Analytics ਅਤੇ Azure Databricks ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਕਾਰਵਾਈਯੋਗ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।  
+* ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਡਾਟਾ ਇੰਟੈਲੀਜੈਂਸ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ: ਸ਼ੁਰੂ ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ AzureML। ਤੁਸੀਂ cognitive ਸੇਵਾਵਾਂ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ ਜਿਵੇਂ ਕਿ speech-to-text, text-to-speech, computer vision ਅਤੇ ਹੋਰ।  
+
+## ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਉਦਾਹਰਨ
+
+ਆਓ ਕੁਝ ਦ੍ਰਿਸ਼ਾਂ ਦੇਖ ਕੇ ਇਸਨੂੰ ਹੋਰ ਵਾਸਤਵਿਕ ਬਣਾਈਏ।  
+
+### ਰੀਅਲ-ਟਾਈਮ ਸੋਸ਼ਲ ਮੀਡੀਆ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ
+
+ਆਓ ਇੱਕ ਦ੍ਰਿਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਉਹ ਲੋਕ ਪੜ੍ਹਦੇ ਹਨ ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ: ਰੀਅਲ-ਟਾਈਮ ਸੋਸ਼ਲ ਮੀਡੀਆ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ।  
+
+ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਇੱਕ ਨਿਊਜ਼ ਮੀਡੀਆ ਵੈਬਸਾਈਟ ਚਲਾਉਂਦੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਲਾਈਵ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਸਮਝਣਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਪਾਠਕ ਕਿਸ ਸਮੱਗਰੀ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ। ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਬਣਾਉਣ ਲਈ ਰੀਅਲ-ਟਾਈਮ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਟਵਿੱਟਰ ਪਬਲਿਕੇਸ਼ਨਾਂ ਦੇ ਡਾਟਾ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਵਿਸ਼ਿਆਂ 'ਤੇ ਜੋ ਤੁਹਾਡੇ ਪਾਠਕਾਂ ਲਈ ਸਬੰਧਤ ਹਨ।  
+
+ਤੁਹਾਨੂੰ ਦੇਖਣ ਵਾਲੇ ਮੁੱਖ ਸੂਚਕ ਹਨ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ਿਆਂ (ਹੈਸ਼ਟੈਗ) 'ਤੇ ਟਵੀਟਾਂ ਦੀ ਮਾਤਰਾ ਅਤੇ ਸੈਂਟੀਮੈਂਟ, ਜੋ ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ਿਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੇ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।  
+
+ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਕਦਮ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਹਨ:  
+
+* ਇਨਪੁਟ ਸਟ੍ਰੀਮਿੰਗ ਲਈ ਇੱਕ ਇਵੈਂਟ ਹੱਬ ਬਣਾਓ, ਜੋ ਟਵਿੱਟਰ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰੇਗਾ।  
+* ਟਵਿੱਟਰ ਸਟ੍ਰੀਮਿੰਗ APIs ਨੂੰ ਕਾਲ ਕਰਨ ਵਾਲੀ ਇੱਕ ਟਵਿੱਟਰ ਕਲਾਇੰਟ ਐਪਲੀਕੇਸ਼ਨ ਕਨਫਿਗਰ ਅਤੇ ਸ਼ੁਰੂ ਕਰੋ।  
+* ਇੱਕ Stream Analytics ਜੌਬ ਬਣਾਓ।  
+* ਜੌਬ ਇਨਪੁਟ ਅਤੇ ਕਵੈਰੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ।  
+* ਇੱਕ ਆਉਟਪੁੱਟ ਸਿੰਕ ਬਣਾਓ ਅਤੇ ਜੌਬ ਆਉਟਪੁੱਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ।  
+* ਜੌਬ ਸ਼ੁਰੂ ਕਰੋ।  
+
+ਪੂਰੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੇਖਣ ਲਈ, [ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) ਨੂੰ ਵੇਖੋ।  
+
+### ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+
+ਆਓ ਇਸ ਕੋਰਸ ਦੇ ਇੱਕ ਲੇਖਕ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਦੁਆਰਾ ਬਣਾਏ ਪ੍ਰੋਜੈਕਟ ਦਾ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ ਲਵਾਂ।  
+
+ਦਿਮਿਤਰੀ ਨੇ ਇੱਕ ਟੂਲ ਬਣਾਇਆ ਜੋ COVID ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸਮੀਖਿਆ ਕਰਕੇ, ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਤੁਸੀਂ ਇੱਕ ਟੂਲ ਕਿਵੇਂ ਬਣਾਉਣਗੇ ਜੋ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਤੋਂ ਗਿਆਨ ਕੱਢਦਾ ਹੈ, ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਪੇਪਰਾਂ ਦੇ ਵੱਡੇ ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਕੁਸ਼ਲਤਾਪੂਰਵਕ ਨੈਵੀਗੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।  
+
+ਆਓ ਇਸ ਲਈ ਵਰਤੇ ਗਏ ਵੱਖ-ਵੱਖ ਕਦਮਾਂ ਨੂੰ ਵੇਖੀਏ:  
+* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨਾਲ ਜਾਣਕਾਰੀ ਕੱਢਣਾ ਅਤੇ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸ ਕਰਨਾ।  
+* [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਪੈਰਾਲਲਾਈਜ਼ ਕਰਨਾ।  
+* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨਾਲ ਜਾਣਕਾਰੀ ਸਟੋਰ ਕਰਨਾ ਅਤੇ ਕਵੈਰੀ ਕਰਨਾ।  
+* Power BI ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਐਕਸਪਲੋਰੇਸ਼ਨ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਇੱਕ ਇੰਟਰੈਕਟਿਵ ਡੈਸ਼ਬੋਰਡ ਬਣਾਉਣਾ।  
+
+ਪੂਰੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦੇਖਣ ਲਈ, [ਦਿਮਿਤਰੀ ਦਾ ਬਲੌਗ](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) ਵੇਖੋ।  
+
+ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਅਸੀਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਕਰ ਸਕਦੇ ਹਾਂ।  
+
+## ਫੁਟਨੋਟ
+
+ਸਰੋਤ:  
+* https://azure.microsoft.com/overview/what-is-cloud
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਮੂਲ ਰੂਪ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/pa/5-Data-Science-In-Cloud/17-Introduction/assignment.md
new file mode 100644
index 00000000..840ab080
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/17-Introduction/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "96f3696153d9ed54b19a1bb65438c104",
+  "translation_date": "2025-08-27T17:47:43+00:00",
+  "source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਰਕੀਟ ਰਿਸਰਚ
+
+## ਹਦਾਇਤਾਂ
+
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਈ ਮਹੱਤਵਪੂਰਨ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਹਨ। ਕੁਝ ਮਾਰਕੀਟ ਰਿਸਰਚ ਕਰੋ ਤਾਂ ਜੋ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ ਕਿ ਹਰ ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਕੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਕੀ ਪੇਸ਼ਕਸ਼ਾਂ ਤੁਲਨਾਤਮਕ ਹਨ? ਤਿੰਨ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਦੀਆਂ ਪੇਸ਼ਕਸ਼ਾਂ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਇੱਕ ਲੇਖ ਲਿਖੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ ਹੈ
+--- | --- | -- |
+ਇੱਕ ਪੰਨੇ ਦਾ ਲੇਖ ਤਿੰਨ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਦੀਆਂ ਡੇਟਾ ਸਾਇੰਸ ਪੇਸ਼ਕਸ਼ਾਂ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਦਾ ਹੈ। | ਛੋਟਾ ਲੇਖ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ | ਵਿਸ਼ਲੇਸ਼ਣ ਪੂਰਾ ਕੀਤੇ ਬਿਨਾਂ ਲੇਖ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/README.md
new file mode 100644
index 00000000..28db6c6e
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/README.md
@@ -0,0 +1,305 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "14b2a7f1c63202920bd98eeb913f5614",
+  "translation_date": "2025-08-27T17:41:28+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
+  "language_code": "pa"
+}
+-->
+# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/18-DataScience-Cloud.png)|
+|:---:|
+| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: ਲੋ ਕੋਡ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+ਸੂਚੀ:
+
+- [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [1. ਪਰਿਚਯ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.1 Azure Machine Learning ਕੀ ਹੈ?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.2 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਪੇਸ਼ਗੋਈ ਪ੍ਰੋਜੈਕਟ:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [1.3 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦਾ ਡਾਟਾਸੈੱਟ:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [2. Azure ML Studio ਵਿੱਚ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.2 ਕੰਪਿਊਟ ਰਿਸੋਰਸ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.1 ਆਪਣੇ ਕੰਪਿਊਟ ਰਿਸੋਰਸ ਲਈ ਸਹੀ ਵਿਕਲਪ ਚੁਣਨਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+      - [2.2.2 ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.3 ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [2.4 AutoML ਨਾਲ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਟ੍ਰੇਨਿੰਗ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [3. ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਡਿਪਲੋਇਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਖਪਤ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.1 ਮਾਡਲ ਡਿਪਲੋਇਮੈਂਟ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+    - [3.2 ਐਂਡਪੌਇੰਟ ਖਪਤ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [🚀 ਚੁਣੌਤੀ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [ਪੋਸਟ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+  - [ਅਸਾਈਨਮੈਂਟ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨੋਤਰੀ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/34)
+
+## 1. ਪਰਿਚਯ
+
+### 1.1 Azure Machine Learning ਕੀ ਹੈ?
+
+Azure ਕਲਾਉਡ ਪਲੇਟਫਾਰਮ 200 ਤੋਂ ਵੱਧ ਉਤਪਾਦਾਂ ਅਤੇ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦਾ ਸਮੂਹ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਨਵੀਆਂ ਹੱਲਾਂ ਲਿਆਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।  
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਦੀ ਖੋਜ ਅਤੇ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਰਨ, ਅਤੇ ਸਹੀ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲ-ਟ੍ਰੇਨਿੰਗ ਐਲਗੋਰਿਥਮ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਸਮਾਂ ਲਗਾਉਂਦੇ ਹਨ। ਇਹ ਕੰਮ ਸਮਾਂ-ਖਪਤ ਵਾਲੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਮਹਿੰਗੇ ਕੰਪਿਊਟ ਹਾਰਡਵੇਅਰ ਦੀ ਅਸਮਰਥ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
+
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਇੱਕ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਪਲੇਟਫਾਰਮ ਹੈ ਜੋ Azure ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਉਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਡਾਟਾ ਤਿਆਰ ਕਰਨ, ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ, ਪੇਸ਼ਗੋਈ ਸੇਵਾਵਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਨਾਲ ਜੁੜੇ ਸਮਾਂ-ਖਪਤ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਦੱਖਲਤਾ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਨੂੰ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਕੰਪਿਊਟ ਰਿਸੋਰਸ ਵਰਤਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਜੋ ਵੱਡੇ ਡਾਟਾ ਦੀ ਸੰਭਾਲ ਕਰਨ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਸਕੇਲ ਕਰਦੇ ਹਨ ਅਤੇ ਸਿਰਫ਼ ਵਰਤੋਂ ਦੇ ਸਮੇਂ ਹੀ ਖਰਚ ਹੁੰਦੇ ਹਨ।
+
+Azure ML ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਫਲੋਜ਼ ਲਈ ਸਾਰੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਸ਼ਾਮਲ ਹਨ:
+
+- **Azure Machine Learning Studio**: ਇਹ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ, ਡਿਪਲੋਇਮੈਂਟ, ਆਟੋਮੇਸ਼ਨ, ਟ੍ਰੈਕਿੰਗ ਅਤੇ ਐਸੈਟ ਮੈਨੇਜਮੈਂਟ ਲਈ ਲੋ ਕੋਡ ਅਤੇ ਨੋ ਕੋਡ ਵਿਕਲਪਾਂ ਲਈ ਇੱਕ ਵੈੱਬ ਪੋਰਟਲ ਹੈ। ਇਹ ਸਟੂਡੀਓ Azure Machine Learning SDK ਨਾਲ ਇੱਕ ਸਹੀ ਅਨੁਭਵ ਲਈ ਇੰਟੀਗ੍ਰੇਟ ਕਰਦਾ ਹੈ।
+- **Jupyter Notebooks**: ML ਮਾਡਲਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰੋਟੋਟਾਈਪ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ।
+- **Azure Machine Learning Designer**: ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਮੋਡੀਊਲਾਂ ਨੂੰ ਡਰੈਗ ਅਤੇ ਡ੍ਰੌਪ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਅਤੇ ਫਿਰ ਲੋ ਕੋਡ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪਾਈਪਲਾਈਨ ਡਿਪਲੋਇ ਕਰਦਾ ਹੈ।
+- **Automated machine learning UI (AutoML)**: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉੱਚ ਪੈਮਾਨੇ, ਦੱਖਲਤਾ ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ML ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।
+- **Data Labelling**: ਡਾਟਾ ਨੂੰ ਆਟੋਮੈਟਿਕ ਲੇਬਲ ਕਰਨ ਲਈ ਇੱਕ ਸਹਾਇਕ ML ਟੂਲ।
+- **Visual Studio Code ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਕਸਟੈਂਸ਼ਨ**: ML ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਇੱਕ ਪੂਰੀ-ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲਾ ਵਿਕਾਸ ਵਾਤਾਵਰਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+- **Machine learning CLI**: ਕਮਾਂਡ ਲਾਈਨ ਤੋਂ Azure ML ਰਿਸੋਰਸ ਮੈਨੇਜ ਕਰਨ ਲਈ ਕਮਾਂਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+- **ਖੁੱਲ੍ਹੇ-ਸਰੋਤ ਫਰੇਮਵਰਕਾਂ ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ** ਜਿਵੇਂ ਕਿ PyTorch, TensorFlow, Scikit-learn ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅੰਤ-ਤੱਕ ਪ੍ਰਬੰਧਨ ਲਈ।
+- **MLflow**: ਇਹ ਤੁਹਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਦੇ ਜੀਵਨ ਚੱਕਰ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਇੱਕ ਖੁੱਲ੍ਹਾ-ਸਰੋਤ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। **MLFlow Tracking** MLflow ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨਿੰਗ ਰਨ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਮਾਡਲ ਆਰਟੀਫੈਕਟ ਨੂੰ ਲੌਗ ਅਤੇ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਤੁਹਾਡਾ ਪ੍ਰਯੋਗ ਕਿਸੇ ਵੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਹੋਵੇ।
+
+### 1.2 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਪੇਸ਼ਗੋਈ ਪ੍ਰੋਜੈਕਟ:
+
+ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣਾ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਬਣਾਉਣਾ ਤੁਹਾਡੇ ਹੁਨਰ ਅਤੇ ਗਿਆਨ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੇ ਹਮਲਿਆਂ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਲਈ ਇੱਕ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੇ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਖੋਜਾਂਗੇ: Low code/No code ਅਤੇ Azure ML SDK ਰਾਹੀਂ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ ਸਕੀਮਾ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:
+
+![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.pa.png)
+
+ਹਰ ਤਰੀਕੇ ਦੇ ਆਪਣੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨ ਹਨ। Low code/No code ਤਰੀਕਾ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ ਆਸਾਨ ਹੈ ਕਿਉਂਕਿ ਇਸ ਵਿੱਚ GUI (ਗ੍ਰਾਫਿਕਲ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ) ਨਾਲ ਕੰਮ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਲਈ ਕੋਡ ਦੀ ਕੋਈ ਪਿਛਲੀ ਜਾਣਕਾਰੀ ਲੋੜੀਂਦੀ ਨਹੀਂ। ਇਹ ਤਰੀਕਾ ਪ੍ਰੋਜੈਕਟ ਦੀ ਯੋਗਤਾ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਕਰਨ ਅਤੇ POC (ਪ੍ਰੂਫ ਆਫ ਕਾਂਸੈਪਟ) ਬਣਾਉਣ ਲਈ ਸਹਾਇਕ ਹੈ। ਹਾਲਾਂਕਿ, ਜਦੋਂ ਪ੍ਰੋਜੈਕਟ ਵਧਦਾ ਹੈ ਅਤੇ ਚੀਜ਼ਾਂ ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ GUI ਰਾਹੀਂ ਰਿਸੋਰਸ ਬਣਾਉਣਾ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਰਿਸੋਰਸ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ ਮਾਡਲ ਡਿਪਲੋਇਮੈਂਟ ਤੱਕ ਹਰ ਚੀਜ਼ ਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਰਾਹੀਂ ਆਟੋਮੇਟ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇੱਥੇ ਹੀ Azure ML SDK ਦੀ ਜਾਣਕਾਰੀ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦੀ ਹੈ।
+
+|                   | Low code/No code | Azure ML SDK              |
+|-------------------|------------------|---------------------------|
+| ਕੋਡ ਵਿੱਚ ਦੱਖਲਤਾ | ਲੋੜੀਂਦੀ ਨਹੀਂ     | ਲੋੜੀਂਦੀ ਹੈ                |
+| ਵਿਕਾਸ ਲਈ ਸਮਾਂ    | ਤੇਜ਼ ਅਤੇ ਆਸਾਨ    | ਕੋਡ ਦੇ ਹੁਨਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ |
+| ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਤਿਆਰ | ਨਹੀਂ              | ਹਾਂ                        |
+
+### 1.3 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦਾ ਡਾਟਾਸੈੱਟ:
+
+ਕਾਰਡੀਓਵੈਸਕੁਲਰ ਬਿਮਾਰੀਆਂ (CVDs) ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਮੌਤ ਦਾ ਨੰਬਰ 1 ਕਾਰਨ ਹਨ, ਜੋ ਦੁਨੀਆ ਭਰ ਵਿੱਚ 31% ਮੌਤਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ। ਤੰਬਾਕੂ ਦੀ ਵਰਤੋਂ, ਅਣਹੈਲਥੀ ਡਾਇਟ ਅਤੇ ਮੋਟਾਪਾ, ਸ਼ਾਰੀਰਿਕ ਨਿਸ਼ਕ੍ਰਿਆਤਾ ਅਤੇ ਸ਼ਰਾਬ ਦੀ ਹਾਨੀਕਾਰਕ ਵਰਤੋਂ ਵਰਗੇ ਵਾਤਾਵਰਣਕ ਅਤੇ ਵਿਹਾਰਕ ਖਤਰੇ ਦੇ ਕਾਰਕ ਅੰਦਾਜ਼ਾ ਮਾਡਲਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਜੋਂ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। CVD ਦੇ ਵਿਕਾਸ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਉੱਚ ਖਤਰੇ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਹਮਲਿਆਂ ਨੂੰ ਰੋਕਣ ਲਈ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ।
+
+Kaggle ਨੇ ਇੱਕ [ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦਾ ਡਾਟਾਸੈੱਟ](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਕਰਵਾਇਆ ਹੈ, ਜਿਸਨੂੰ ਅਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਵਰਤਾਂਗੇ। ਤੁਸੀਂ ਹੁਣ ਡਾਟਾਸੈੱਟ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਇੱਕ ਟੇਬੂਲਰ ਡਾਟਾਸੈੱਟ ਹੈ ਜਿਸ ਵਿੱਚ 13 ਕਾਲਮ (12 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ 1 ਟਾਰਗੇਟ ਵੈਰੀਏਬਲ) ਅਤੇ 299 ਕਤਾਰਾਂ ਹਨ।
+
+|    | ਵੈਰੀਏਬਲ ਦਾ ਨਾਮ            | ਕਿਸਮ            | ਵੇਰਵਾ                                                   | ਉਦਾਹਰਨ           |
+|----|---------------------------|-----------------|-------------------------------------------------------|-------------------|
+| 1  | ਉਮਰ                      | ਗਿਣਤੀ           | ਮਰੀਜ਼ ਦੀ ਉਮਰ                                          | 25                |
+| 2  | ਐਨੀਮੀਆ                  | ਬੂਲੀਅਨ         | ਲਾਲ ਖੂਨ ਦੇ ਸੈੱਲਾਂ ਜਾਂ ਹਿਮੋਗਲੋਬਿਨ ਦੀ ਘਟਨਾ            | 0 ਜਾਂ 1            |
+| 3  | ਕ੍ਰੀਏਟਿਨਾਈਨ ਫਾਸਫੋਕਾਈਨੇਜ਼ | ਗਿਣਤੀ           | ਖੂਨ ਵਿੱਚ CPK ਐਂਜ਼ਾਈਮ ਦੀ ਪੱਧਰ                        | 542               |
+| 4  | ਡਾਇਬਟੀਜ਼                 | ਬੂਲੀਅਨ         | ਜੇ ਮਰੀਜ਼ ਨੂੰ ਸ਼ੂਗਰ ਹੈ                                 | 0 ਜਾਂ 1            |
+| 5  | ਇਜੈਕਸ਼ਨ ਫ੍ਰੈਕਸ਼ਨ         | ਗਿਣਤੀ           | ਹਰ ਸੰਕੋਚਣ 'ਤੇ ਦਿਲ ਨੂੰ ਛੱਡਣ ਵਾਲੇ ਖੂਨ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ   | 45                |
+| 6  | ਉੱਚ ਰਕਤ ਦਬਾਅ            | ਬੂਲੀਅਨ         | ਜੇ ਮਰੀਜ਼ ਨੂੰ ਹਾਈਪਰਟੈਂਸ਼ਨ ਹੈ                          | 0 ਜਾਂ 1            |
+| 7  | ਪਲੇਟਲੈਟਸ                 | ਗਿਣਤੀ           | ਖੂਨ ਵਿੱਚ ਪਲੇਟਲੈਟਸ ਦੀ ਮਾਤਰਾ                          | 149000            |
+| 8  | ਸਿਰਮ ਕ੍ਰੀਏਟਿਨਾਈਨ        | ਗਿਣਤੀ           | ਖੂਨ ਵਿੱਚ ਸਿਰਮ ਕ੍ਰੀਏਟਿਨਾਈਨ ਦੀ ਪੱਧਰ                  | 0.5               |
+| 9  | ਸਿਰਮ ਸੋਡੀਅਮ              | ਗਿਣਤੀ           | ਖੂਨ ਵਿੱਚ ਸਿਰਮ ਸੋਡੀਅਮ ਦੀ ਪੱਧਰ                         | 137               |
+| 10 | ਲਿੰਗ                      | ਬੂਲੀਅਨ         | ਮਹਿਲਾ ਜਾਂ ਪੁਰਸ਼                                        | 0 ਜਾਂ 1            |
+| 11 | ਧੂਮਰਪਾਨ                  | ਬੂਲੀਅਨ         | ਜੇ ਮਰੀਜ਼ ਧੂਮਰਪਾਨ ਕਰਦਾ ਹੈ                             | 0 ਜਾਂ 1            |
+| 12 | ਸਮਾਂ                      | ਗਿਣਤੀ           | ਫਾਲੋਅਪ ਅਵਧੀ (ਦਿਨਾਂ ਵਿੱਚ)                             | 4                 |
+|----|---------------------------|-----------------|-------------------------------------------------------|-------------------|
+| 21 | ਮੌਤ_ਘਟਨਾ [ਟਾਰਗੇਟ]       | ਬੂਲੀਅਨ         | ਜੇ ਮਰੀਜ਼ ਫਾਲੋਅਪ ਅਵਧੀ ਦੌਰਾਨ ਮਰ ਜਾਂਦਾ ਹੈ               | 0 ਜਾਂ 1            |
+
+ਡਾਟਾਸੈੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ Azure ਵਿੱਚ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+## 2. Azure ML Studio ਵਿੱਚ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ
+
+### 2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
+
+Azure ML ਵਿੱਚ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ ਇੱਕ Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਵਰਕਸਪੇਸ Azure Machine Learning ਲਈ ਸਿਖਰ-ਪੱਧਰ ਦਾ ਰਿਸੋਰਸ ਹੈ, ਜੋ ਤੁਹਾਡੇ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਸਾਰੇ ਆਰਟੀਫੈਕਟਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਕੇਂਦਰੀ ਸਥਾਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਵਰਕਸਪੇਸ ਸਾਰੇ ਟ੍ਰੇਨਿੰਗ ਰਨ ਦਾ ਇਤਿਹਾਸ ਰੱਖਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਲੌਗ, ਮੈਟ੍ਰਿਕਸ, ਆਉਟਪੁੱਟ, ਅਤੇ ਤੁਹਾਡੇ ਸਕ੍ਰਿਪਟਾਂ ਦੀ ਸਨੈਪਸ਼ਾਟ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਇਸ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕਿਹੜਾ ਟ੍ਰੇਨਿੰਗ ਰਨ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਪੈਦਾ ਕਰਦਾ ਹੈ। [ਹੋਰ ਜਾਣੋ](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+ਇਹ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਨਾਲ ਅਨੁਕੂਲ ਸਭ ਤੋਂ ਅਪ-ਟੂ-ਡੇਟ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਹੇਠਾਂ ਦਿੱਤੇ ਬ੍ਰਾਊਜ਼ਰ ਸਹਾਇਕ ਹਨ:
+
+- ਮਾਈਕਰੋਸਾਫਟ ਐਜ (ਨਵਾਂ ਮਾਈਕਰੋਸਾਫਟ ਐਜ, ਨਵਾਂ ਵਰਜਨ। ਮਾਈਕਰੋਸਾਫਟ ਐਜ ਲੈਗਸੀ ਨਹੀਂ)
+- ਸਫਾਰੀ (ਨਵਾਂ ਵਰਜਨ, ਸਿਰਫ ਮੈਕ ਲਈ)
+- ਕ੍ਰੋਮ (ਨਵਾਂ ਵਰਜਨ)
+- ਫਾਇਰਫਾਕਸ
+- **ਜੁੜਿਆ ਹੋਇਆ ਕੰਪਿਊਟ**: ਮੌਜੂਦਾ Azure ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਨਾਲ ਲਿੰਕ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ Virtual Machines ਜਾਂ Azure Databricks ਕਲੱਸਟਰ।
+
+#### 2.2.1 ਆਪਣੇ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਲਈ ਸਹੀ ਵਿਕਲਪ ਚੁਣਨਾ
+
+ਕੰਪਿਊਟ ਸਰੋਤ ਬਣਾਉਣ ਸਮੇਂ ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਗੱਲਾਂ ਦਾ ਧਿਆਨ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਇਹ ਚੋਣਾਂ ਅਹਿਮ ਫੈਸਲੇ ਹੋ ਸਕਦੇ ਹਨ।
+
+**ਤੁਹਾਨੂੰ CPU ਚਾਹੀਦਾ ਹੈ ਜਾਂ GPU?**
+
+CPU (Central Processing Unit) ਇੱਕ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਰਕਟਰੀ ਹੈ ਜੋ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮ ਦੇ ਹੁਕਮਾਂ ਨੂੰ ਅੰਜਾਮ ਦਿੰਦੀ ਹੈ। GPU (Graphics Processing Unit) ਇੱਕ ਵਿਸ਼ੇਸ਼ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਰਕਟ ਹੈ ਜੋ ਗ੍ਰਾਫਿਕਸ-ਸਬੰਧੀ ਕੋਡ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਚਲਾਉਣ ਦੇ ਯੋਗ ਹੈ।
+
+CPU ਅਤੇ GPU ਦੇ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਮੁੱਖ ਅੰਤਰ ਇਹ ਹੈ ਕਿ CPU ਵਿਆਪਕ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੰਭਾਲਣ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਹੈ (ਜਿਵੇਂ ਕਿ CPU ਘੜੀ ਦੀ ਗਤੀ ਨਾਲ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ), ਪਰ ਇਹ ਕੰਮਾਂ ਦੀ ਸਮਕਾਲੀਤਾ ਵਿੱਚ ਸੀਮਿਤ ਹੁੰਦਾ ਹੈ। GPU ਪੈਰਲਲ ਕੰਪਿਊਟਿੰਗ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਇਸ ਲਈ ਡੀਪ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹਨ।
+
+| CPU                                     | GPU                         |
+|-----------------------------------------|-----------------------------|
+| ਘੱਟ ਮਹਿੰਗਾ                              | ਜ਼ਿਆਦਾ ਮਹਿੰਗਾ              |
+| ਘੱਟ ਸਮਕਾਲੀਤਾ                           | ਵਧੀਆ ਸਮਕਾਲੀਤਾ             |
+| ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਾਉਣ ਵਿੱਚ ਹੌਲੀ | ਡੀਪ ਲਰਨਿੰਗ ਲਈ ਉਤਕ੍ਰਿਸ਼ਟ    |
+
+**ਕਲੱਸਟਰ ਦਾ ਆਕਾਰ**
+
+ਵੱਡੇ ਕਲੱਸਟਰ ਜ਼ਿਆਦਾ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ ਪਰ ਇਹ ਬਿਹਤਰ ਪ੍ਰਤੀਕ੍ਰਿਆਸ਼ੀਲਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ, ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਸਮਾਂ ਹੈ ਪਰ ਪੈਸੇ ਘੱਟ ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ ਛੋਟੇ ਕਲੱਸਟਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਵਿਰੋਧੀ ਤੌਰ 'ਤੇ, ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਪੈਸਾ ਹੈ ਪਰ ਸਮਾਂ ਘੱਟ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਵੱਡੇ ਕਲੱਸਟਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
+
+**VM ਆਕਾਰ**
+
+ਤੁਹਾਡੇ ਸਮੇਂ ਅਤੇ ਬਜਟ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਦੇ ਅਧਾਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੇ RAM, ਡਿਸਕ, ਕੋਰਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਘੜੀ ਦੀ ਗਤੀ ਦਾ ਆਕਾਰ ਵਧਾ ਸਕਦੇ ਹੋ। ਇਹ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਵਧਾਉਣਾ ਮਹਿੰਗਾ ਹੋਵੇਗਾ, ਪਰ ਇਹ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਵੇਗਾ।
+
+**Dedicated ਜਾਂ Low-Priority Instances?**
+
+Low-priority instance ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਰੁਕਾਵਟਯੋਗ ਹੈ: ਮੂਲ ਤੌਰ 'ਤੇ, Microsoft Azure ਉਹ ਸਰੋਤ ਲੈ ਸਕਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਿਸੇ ਹੋਰ ਕੰਮ ਲਈ ਸੌਂਪ ਸਕਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਇੱਕ ਜੌਬ ਨੂੰ ਰੁਕਾਵਟ ਪਾਉਣ ਵਾਲਾ। ਇੱਕ Dedicated instance, ਜਾਂ non-interruptible, ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜੌਬ ਤੁਹਾਡੀ ਇਜਾਜ਼ਤ ਤੋਂ ਬਿਨਾਂ ਕਦੇ ਵੀ ਖਤਮ ਨਹੀਂ ਕੀਤੀ ਜਾਵੇਗੀ। 
+ਇਹ ਸਮਾਂ ਅਤੇ ਪੈਸੇ ਦੇ ਵਿਚਾਰ ਦਾ ਇੱਕ ਹੋਰ ਪੱਖ ਹੈ, ਕਿਉਂਕਿ interruptible instances Dedicated ones ਨਾਲੋਂ ਘੱਟ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ।
+
+#### 2.2.2 ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣਾ
+
+[Azure ML workspace](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, ਕੰਪਿਊਟ 'ਤੇ ਜਾਓ ਅਤੇ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਨੂੰ ਵੇਖ ਸਕੋਗੇ ਜੋ ਅਸੀਂ ਹੁਣੇ ਚਰਚਾ ਕੀਤੀ (ਜਿਵੇਂ ਕਿ compute instances, compute clusters, inference clusters ਅਤੇ attached compute)। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਸਾਨੂੰ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਲਈ ਇੱਕ ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। Studio ਵਿੱਚ, "Compute" ਮੀਨੂ 'ਤੇ ਕਲਿੱਕ ਕਰੋ, ਫਿਰ "Compute cluster" ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣ ਲਈ "+ New" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.pa.png)
+
+1. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: Dedicated vs Low priority, CPU ਜਾਂ GPU, VM ਆਕਾਰ ਅਤੇ ਕੋਰਾਂ ਦੀ ਗਿਣਤੀ (ਤੁਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਡਿਫਾਲਟ ਸੈਟਿੰਗਾਂ ਰੱਖ ਸਕਦੇ ਹੋ)।
+2. Next ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.pa.png)
+
+3. ਕਲੱਸਟਰ ਨੂੰ ਇੱਕ ਕੰਪਿਊਟ ਨਾਮ ਦਿਓ।
+4. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: ਘੱਟੋ-ਘੱਟ/ਵੱਧ ਤੋਂ ਵੱਧ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ, scale down ਤੋਂ ਪਹਿਲਾਂ idle seconds, SSH access। ਧਿਆਨ ਦਿਓ ਕਿ ਜੇ ਘੱਟੋ-ਘੱਟ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ 0 ਹੈ, ਤਾਂ ਤੁਸੀਂ ਕਲੱਸਟਰ idle ਹੋਣ 'ਤੇ ਪੈਸਾ ਬਚਾ ਸਕਦੇ ਹੋ। ਧਿਆਨ ਦਿਓ ਕਿ ਵੱਧ ਤੋਂ ਵੱਧ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਜ਼ਿਆਦਾ ਹੋਣ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਛੇਤੀ ਹੋਵੇਗੀ। ਵੱਧ ਤੋਂ ਵੱਧ ਨੋਡਾਂ ਦੀ ਸਿਫਾਰਸ਼ੀ ਗਿਣਤੀ 3 ਹੈ।  
+5. "Create" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇਹ ਕਦਮ ਕੁਝ ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ।
+
+![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.pa.png)
+
+ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ Compute cluster ਹੈ, ਸਾਨੂੰ ਡਾਟਾ ਨੂੰ Azure ML Studio ਵਿੱਚ ਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
+
+### 2.3 ਡਾਟਾਸੇਟ ਲੋਡ ਕਰਨਾ
+
+1. [Azure ML workspace](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, "Datasets" 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ "+ Create dataset" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਇੱਕ ਡਾਟਾਸੇਟ ਬਣਾਓ। "From local files" ਵਿਕਲਪ ਚੁਣੋ ਅਤੇ Kaggle ਡਾਟਾਸੇਟ ਨੂੰ ਚੁਣੋ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਡਾਊਨਲੋਡ ਕੀਤਾ ਸੀ।
+
+   ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.pa.png)
+
+2. ਆਪਣੇ ਡਾਟਾਸੇਟ ਨੂੰ ਇੱਕ ਨਾਮ, ਕਿਸਮ ਅਤੇ ਵੇਰਵਾ ਦਿਓ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਫਾਈਲਾਂ ਤੋਂ ਡਾਟਾ ਅੱਪਲੋਡ ਕਰੋ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+   ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.pa.png)
+
+3. Schema ਵਿੱਚ, ਹੇਠਾਂ ਦਿੱਤੇ ਫੀਚਰਾਂ ਲਈ ਡਾਟਾ ਕਿਸਮ ਨੂੰ Boolean ਵਿੱਚ ਬਦਲੋ: anaemia, diabetes, high blood pressure, sex, smoking, ਅਤੇ DEATH_EVENT। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ Create 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+   ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.pa.png)
+
+ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਡਾਟਾਸੇਟ ਜਗ੍ਹਾ 'ਤੇ ਹੈ ਅਤੇ ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਅਸੀਂ ਮਾਡਲ ਦੀ ਟ੍ਰੇਨਿੰਗ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ!
+
+### 2.4 AutoML ਨਾਲ ਘੱਟ ਕੋਡ/ਬਿਨਾ ਕੋਡ ਟ੍ਰੇਨਿੰਗ
+
+ਪ੍ਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਸਰੋਤ-ਗ੍ਰਾਹਕ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਅਤੇ ਤੁਲਨਾ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਡੋਮੇਨ ਗਿਆਨ ਅਤੇ ਸਮੇਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।  
+Automated machine learning (AutoML) ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਸਮਾਂ-ਖਪਤ ਵਾਲੇ, ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਹ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ, ਵਿਸ਼ਲੇਸ਼ਕਾਂ, ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ML ਮਾਡਲਾਂ ਨੂੰ ਵੱਡੇ ਪੈਮਾਨੇ, ਕੁਸ਼ਲਤਾ, ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਸਾਰੇ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ। ਇਹ ਉਤਪਾਦਨ-ਤਿਆਰ ML ਮਾਡਲਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਬਹੁਤ ਹੀ ਆਸਾਨੀ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ। [ਹੋਰ ਜਾਣੋ](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+1. [Azure ML workspace](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, "Automated ML" 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਉਹ ਡਾਟਾਸੇਟ ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਹੁਣੇ ਅੱਪਲੋਡ ਕੀਤਾ ਸੀ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+   ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.pa.png)
+
+2. ਇੱਕ ਨਵਾਂ experiment name, target column (DEATH_EVENT) ਅਤੇ ਉਹ compute cluster ਦਾਖਲ ਕਰੋ ਜੋ ਅਸੀਂ ਬਣਾਇਆ ਸੀ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+   ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.pa.png)
+
+3. "Classification" ਚੁਣੋ ਅਤੇ Finish 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇਹ ਕਦਮ 30 ਮਿੰਟ ਤੋਂ 1 ਘੰਟੇ ਦੇ ਵਿਚਕਾਰ ਲੈ ਸਕਦਾ ਹੈ, ਤੁਹਾਡੇ compute cluster ਦੇ ਆਕਾਰ ਦੇ ਅਨੁਸਾਰ।
+
+   ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.pa.png)
+
+4. ਜਦੋਂ run ਪੂਰਾ ਹੋ ਜਾਂਦਾ ਹੈ, "Automated ML" ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ, ਆਪਣੇ run 'ਤੇ ਕਲਿੱਕ ਕਰੋ, ਅਤੇ "Best model summary" ਕਾਰਡ ਵਿੱਚ Algorithm 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+   ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.pa.png)
+
+ਇੱਥੇ ਤੁਸੀਂ AutoML ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦੀ ਵਿਸਤ੍ਰਿਤ ਵੇਰਵਾ ਦੇਖ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ Models ਟੈਬ ਵਿੱਚ ਹੋਰ ਮੋਡਾਂ ਦੀ ਵੀ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ। Explanations (preview button) ਵਿੱਚ ਮਾਡਲਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਕੁਝ ਮਿੰਟ ਲਓ। ਜਦੋਂ ਤੁਸੀਂ ਉਹ ਮਾਡਲ ਚੁਣ ਲੈਂਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ (ਇੱਥੇ ਅਸੀਂ AutoML ਦੁਆਰਾ ਚੁਣੇ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਚੁਣਾਂਗੇ), ਅਸੀਂ ਵੇਖਾਂਗੇ ਕਿ ਅਸੀਂ ਇਸਨੂੰ deploy ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+## 3. ਘੱਟ ਕੋਡ/ਬਿਨਾ ਕੋਡ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ endpoint ਖਪਤ
+### 3.1 ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ
+
+Automated machine learning ਇੰਟਰਫੇਸ ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਕੁਝ ਕਦਮਾਂ ਵਿੱਚ ਇੱਕ ਵੈੱਬ ਸੇਵਾ ਵਜੋਂ deploy ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। Deployment ਮਾਡਲ ਦੇ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਾ ਮਤਲਬ ਹੈ ਤਾਂ ਜੋ ਇਹ ਨਵੇਂ ਡਾਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾ ਸਕੇ ਅਤੇ ਸੰਭਾਵਿਤ ਮੌਕਿਆਂ ਦੇ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕੇ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਵੈੱਬ ਸੇਵਾ 'ਤੇ deployment ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮੈਡੀਕਲ ਐਪਲੀਕੇਸ਼ਨ ਮਾਡਲ ਨੂੰ ਖਪਤ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਗੀਆਂ ਤਾਂ ਜੋ ਆਪਣੇ ਮਰੀਜ਼ਾਂ ਦੇ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦਾ live ਅਨੁਮਾਨ ਲਗਾ ਸਕਣ।
+
+ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦੇ ਵੇਰਵੇ ਵਿੱਚ, "Deploy" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
+![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.pa.png)
+
+15. ਇਸਨੂੰ ਇੱਕ ਨਾਮ, ਵੇਰਵਾ, compute type (Azure Container Instance), authentication enable ਕਰੋ ਅਤੇ Deploy 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇਹ ਕਦਮ ਪੂਰਾ ਹੋਣ ਵਿੱਚ ਲਗਭਗ 20 ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ। Deployment ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਕਈ ਕਦਮ ਸ਼ਾਮਲ ਹਨ ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਨੂੰ ਰਜਿਸਟਰ ਕਰਨਾ, ਸਰੋਤਾਂ ਨੂੰ ਜਨਰੇਟ ਕਰਨਾ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵੈੱਬ ਸੇਵਾ ਲਈ ਕਨਫਿਗਰ ਕਰਨਾ। Deploy status ਦੇ ਹੇਠਾਂ ਇੱਕ ਸਥਿਤੀ ਸੁਨੇਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। Deployment ਸਥਿਤੀ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ Refresh 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਜਦੋਂ ਸਥਿਤੀ "Healthy" ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਹ deploy ਹੋ ਗਿਆ ਹੈ ਅਤੇ ਚੱਲ ਰਿਹਾ ਹੈ।
+
+![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.pa.png)
+
+16. ਜਦੋਂ ਇਹ deploy ਹੋ ਜਾਂਦਾ ਹੈ, Endpoint ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਉਹ endpoint ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਹੁਣੇ deploy ਕੀਤਾ ਸੀ। ਇੱਥੇ ਤੁਸੀਂ endpoint ਬਾਰੇ ਸਾਰੀਆਂ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।
+
+![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.pa.png)
+
+ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ ਮਾਡਲ deploy ਹੋ ਗਿਆ ਹੈ, ਅਸੀਂ endpoint ਦੀ ਖਪਤ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+### 3.2 Endpoint ਖਪਤ
+
+"Consume" ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇੱਥੇ ਤੁਸੀਂ REST endpoint ਅਤੇ consumption ਵਿਕਲਪ ਵਿੱਚ ਇੱਕ python script ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। python ਕੋਡ ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਕੁਝ ਸਮਾਂ ਲਓ।
+
+ਇਹ ਸਕ੍ਰਿਪਟ ਸਿੱਧੇ ਤੁਹਾਡੇ ਸਥਾਨਕ ਮਸ਼ੀਨ ਤੋਂ ਚਲਾਈ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਤੁਹਾਡੇ endpoint ਨੂੰ ਖਪਤ ਕਰੇਗੀ।
+
+![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.pa.png)
+
+ਇਹ 2 ਲਾਈਨਾਂ ਦੇ ਕੋਡ ਨੂੰ ਚੈੱਕ ਕਰਨ ਲਈ ਕੁਝ ਸਮਾਂ ਲਓ:
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # Replace this with the API key for the web service
+```  
+`url` ਵੈਰੀਏਬਲ Consume ਟੈਬ ਵਿੱਚ ਮਿਲੇ REST endpoint ਹੈ ਅਤੇ `api_key` ਵੈਰੀਏਬਲ Consume ਟੈਬ ਵਿੱਚ ਮਿਲੀ ਪ੍ਰਾਇਮਰੀ key ਹੈ (ਸਿਰਫ ਉਸ ਸਥਿਤੀ ਵਿੱਚ ਜਦੋਂ ਤੁਸੀਂ authentication enable ਕੀਤਾ ਹੈ)। ਇਹ ਹੈ ਕਿ ਸਕ੍ਰਿਪਟ endpoint ਨੂੰ ਕਿਵੇਂ ਖਪਤ ਕਰ ਸਕਦੀ ਹੈ।
+
+18. ਸਕ੍ਰਿਪਟ ਚਲਾਉਣ 'ਤੇ, ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤਾ ਆਉਟਪੁੱਟ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ:  
+```python
+    b'"{\\"result\\": [true]}"'
+    ```  
+ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਦਿੱਤੇ ਡਾਟਾ ਲਈ ਦਿਲ ਦੇ ਦੌਰੇ ਦੀ ਭਵਿੱਖਵਾਣੀ ਸੱਚ ਹੈ। ਇਹ ਸਮਝਦਾਰ ਹੈ ਕਿਉਂਕਿ ਜੇ ਤੁਸੀਂ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਜਨਰੇਟ ਕੀਤੇ ਡਾਟਾ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ, ਤਾਂ ਸਭ ਕੁਝ ਡਿਫਾਲਟ ਰੂਪ ਵਿੱਚ 0 ਅਤੇ false ਹੈ। ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ input sample ਨਾਲ ਡਾਟਾ ਬਦਲ ਸਕਦੇ ਹੋ:
+
+```python
+data = {
+    "data":
+    [
+        {
+            'age': "0",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "0",
+            'diabetes': "false",
+            'ejection_fraction': "0",
+            'high_blood_pressure': "false",
+            'platelets': "0",
+            'serum_creatinine': "0",
+            'serum_sodium': "0",
+            'sex': "false",
+            'smoking': "false",
+            'time': "0",
+        },
+        {
+            'age': "60",
+            'anaemia': "false",
+            'creatinine_phosphokinase': "500",
+            'diabetes': "false",
+            'ejection_fraction': "38",
+            'high_blood_pressure': "false",
+            'platelets': "260000",
+            'serum_creatinine': "1.40",
+            'serum_sodium': "137",
+            'sex': "false",
+            'smoking': "false",
+            'time': "130",
+        },
+    ],
+}
+```  
+ਸਕ੍ਰਿਪਟ ਇਹ ਰਿਟਰਨ ਕਰੇਗਾ:  
+```python
+    b'"{\\"result\\": [true, false]}"'
+    ```  
+
+ਮੁਬਾਰਕਾਂ! ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ deploy ਕੀਤਾ, train ਕੀਤਾ ਅਤੇ Azure ML 'ਤੇ consume ਕੀਤਾ!
+
+> **_NOTE:_** ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਨਾ ਭੁੱਲੋ।  
+## 🚀 ਚੁਣੌਤੀ
+
+AutoML ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤੇ ਸਿਖਰ ਦੇ ਮਾਡਲਾਂ ਲਈ ਮਾਡਲ explanations ਅਤੇ ਵੇਰਵੇ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ। ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਵਧੀਆ ਹੈ। ਕਿਹੜੇ algorithm ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ? ਉਨ੍ਹਾਂ ਵਿੱਚ ਕੀ ਅੰਤਰ ਹਨ? ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ algorithm ਕਿਉਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਿਹਾ ਹੈ?
+
+## [Post-Lecture Quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/35)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ train, deploy ਅਤੇ consume ਕਿਵੇਂ ਕਰਨਾ ਹੈ, Low code/No code ਢੰਗ ਵਿੱਚ ਕਲਾਉਡ ਵਿੱਚ। ਜੇ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਤਾਂ AutoML ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤੇ ਮਾਡਲ explanations ਵਿੱਚ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਓ ਅਤੇ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਵਧੀਆ ਹੈ।
+
+ਤੁਸੀਂ Low code/No code AutoML ਵਿੱਚ ਹੋਰ ਅੱਗੇ ਜਾ ਸਕਦੇ ਹੋ ਇਸ [ਦਸਤਾਵੇਜ਼](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਪੜ੍ਹ ਕੇ।
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[Low code
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦਸਤਾਵੇਜ਼ ਦੇ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖੇ ਗ੍ਰੰਥ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
new file mode 100644
index 00000000..ce8dd5ec
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/18-Low-Code/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
+  "translation_date": "2025-08-27T17:44:38+00:00",
+  "source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਐਜ਼ਰ ਐਮਐਲ 'ਤੇ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ
+
+## ਹਦਾਇਤਾਂ
+
+ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਐਜ਼ਰ ਐਮਐਲ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਢੰਗ ਵਿੱਚ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕਿਵੇਂ ਕਰਨਾ ਹੈ। ਹੁਣ ਕੁਝ ਡਾਟਾ ਲੱਭੋ ਜਿਸਨੂੰ ਤੁਸੀਂ ਹੋਰ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ, ਡਿਪਲੌਇ ਕਰਨ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਡਾਟਾਸੈਟਸ ਲਈ [Kaggle](https://kaggle.com) ਅਤੇ [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) 'ਤੇ ਖੋਜ ਕਰ ਸਕਦੇ ਹੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+| ਸ਼ਾਨਦਾਰ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ |
+|-----------|----------|-------------------|
+|ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਅੱਪਲੋਡ ਕੀਤਾ ਤਾਂ ਤੁਸੀਂ ਲੋੜ ਪੈਣ 'ਤੇ ਫੀਚਰ ਦੀ ਕਿਸਮ ਬਦਲਣ ਦਾ ਧਿਆਨ ਰੱਖਿਆ। ਤੁਸੀਂ ਲੋੜ ਪੈਣ 'ਤੇ ਡਾਟਾ ਸਾਫ ਕੀਤਾ। ਤੁਸੀਂ AutoML ਰਾਹੀਂ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਚਲਾਈ ਅਤੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਤੁਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ ਕਨਜ਼ਿਊਮ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਹੇ। | ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਅੱਪਲੋਡ ਕੀਤਾ ਤਾਂ ਤੁਸੀਂ ਲੋੜ ਪੈਣ 'ਤੇ ਫੀਚਰ ਦੀ ਕਿਸਮ ਬਦਲਣ ਦਾ ਧਿਆਨ ਰੱਖਿਆ। ਤੁਸੀਂ AutoML ਰਾਹੀਂ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਚਲਾਈ, ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ ਕਨਜ਼ਿਊਮ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਹੇ। | ਤੁਸੀਂ AutoML ਦੁਆਰਾ ਟ੍ਰੇਨ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਇਸਨੂੰ ਕਨਜ਼ਿਊਮ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਹੇ। |
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/pa/5-Data-Science-In-Cloud/19-Azure/README.md
new file mode 100644
index 00000000..af5c7f35
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -0,0 +1,247 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "73dead89dc2ddda4d6ec0232814a191e",
+  "translation_date": "2025-08-27T17:51:24+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
+  "language_code": "pa"
+}
+-->
+# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਦਾ ਤਰੀਕਾ
+
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/19-DataScience-Cloud.png)|
+|:---:|
+| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: Azure ML SDK - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+
+ਸਮੱਗਰੀ ਦੀ ਸੂਚੀ:
+
+- [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਦਾ ਤਰੀਕਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [1. ਪਰਿਚਯ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.1 Azure ML SDK ਕੀ ਹੈ?](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [1.2 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਭਵਿੱਖਵਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈੱਟ ਦਾ ਪਰਿਚਯ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [2. Azure ML SDK ਨਾਲ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.2 ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਉਣਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.3 ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.4 ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [2.5 ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.1 ਵਰਕਸਪੇਸ, ਐਕਸਪੇਰੀਮੈਂਟ, ਕੰਪਿਊਟ ਕਲਸਟਰ ਅਤੇ ਡਾਟਾਸੈੱਟ ਸੈਟਅਪ](../../../../5-Data-Science-In-Cloud/19-Azure)
+      - [2.5.2 AutoML ਕਨਫਿਗਰੇਸ਼ਨ ਅਤੇ ਟ੍ਰੇਨਿੰਗ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [3. Azure ML SDK ਨਾਲ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਖਪਤ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.1 ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੇਵ ਕਰਨਾ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.2 ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ](../../../../5-Data-Science-In-Cloud/19-Azure)
+    - [3.3 ਐਂਡਪੌਇੰਟ ਖਪਤ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [🚀 ਚੁਣੌਤੀ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ](../../../../5-Data-Science-In-Cloud/19-Azure)
+  - [ਅਸਾਈਨਮੈਂਟ](../../../../5-Data-Science-In-Cloud/19-Azure)
+
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/36)
+
+## 1. ਪਰਿਚਯ
+
+### 1.1 Azure ML SDK ਕੀ ਹੈ?
+
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਅਤੇ AI ਡਿਵੈਲਪਰ Azure Machine Learning SDK ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ Azure Machine Learning ਸੇਵਾ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਫਲੋ ਬਣਾਉਣ ਅਤੇ ਚਲਾਉਣ ਲਈ। ਤੁਸੀਂ ਇਸ ਸੇਵਾ ਨਾਲ ਕਿਸੇ ਵੀ Python ਮਾਹੌਲ ਵਿੱਚ ਇੰਟਰਐਕਟ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ Jupyter Notebooks, Visual Studio Code, ਜਾਂ ਤੁਹਾਡਾ ਮਨਪਸੰਦ Python IDE।
+
+SDK ਦੇ ਮੁੱਖ ਖੇਤਰ ਸ਼ਾਮਲ ਹਨ:
+
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਕਸਪੇਰੀਮੈਂਟ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡਾਟਾਸੈੱਟ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦੀ ਖੋਜ, ਤਿਆਰੀ ਅਤੇ ਪ੍ਰਬੰਧਨ।
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਕਸਪੇਰੀਮੈਂਟ ਦੀ ਨਿਗਰਾਨੀ, ਲੌਗਿੰਗ ਅਤੇ ਆਯੋਜਨ ਲਈ ਕਲਾਉਡ ਸਰੋਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ।
+- ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਜਾਂ ਕਲਾਉਡ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟ੍ਰੇਨ ਕਰੋ, ਜਿਸ ਵਿੱਚ GPU-ਤੇਜ਼ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਸ਼ਾਮਲ ਹੈ।
+- ਆਟੋਮੈਟਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜੋ ਕਨਫਿਗਰੇਸ਼ਨ ਪੈਰਾਮੀਟਰ ਅਤੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ। ਇਹ ਅਲਗੋਰਿਥਮ ਅਤੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਸੈਟਿੰਗਾਂ ਦੁਆਰਾ ਆਪਣੇ ਆਪ ਦੁਹਰਾਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਭਵਿੱਖਵਾਣੀ ਚਲਾਉਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਲੱਭ ਸਕੇ।
+- ਵੈੱਬ ਸੇਵਾਵਾਂ ਨੂੰ ਡਿਪਲੌਇ ਕਰੋ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨ ਕੀਤੇ ਮਾਡਲ ਨੂੰ RESTful ਸੇਵਾਵਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕੇ ਜੋ ਕਿਸੇ ਵੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਖਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+
+[Azure Machine Learning SDK ਬਾਰੇ ਹੋਰ ਜਾਣੋ](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+[ਪਿਛਲੇ ਪਾਠ](../18-Low-Code/README.md) ਵਿੱਚ, ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਕਿਵੇਂ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਖਪਤ ਕਰਨਾ ਹੈ ਇੱਕ Low code/No code ਤਰੀਕੇ ਨਾਲ। ਅਸੀਂ Heart Failure ਡਾਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਸੀ ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਭਵਿੱਖਵਾਣੀ ਮਾਡਲ ਬਣਾਉਣ ਲਈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਬਿਲਕੁਲ ਉਹੀ ਕੰਮ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ ਪਰ Azure Machine Learning SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
+
+![ਪ੍ਰੋਜੈਕਟ-ਸਕੀਮਾ](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.pa.png)
+
+### 1.2 ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਭਵਿੱਖਵਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈੱਟ ਦਾ ਪਰਿਚਯ
+
+[ਇਥੇ](../18-Low-Code/README.md) ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੀ ਭਵਿੱਖਵਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈੱਟ ਦਾ ਪਰਿਚਯ ਦੇਖੋ।
+
+## 2. Azure ML SDK ਨਾਲ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ
+
+### 2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
+
+ਸਰਲਤਾ ਲਈ, ਅਸੀਂ Jupyter Notebook 'ਤੇ ਕੰਮ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਵਰਕਸਪੇਸ ਅਤੇ ਇੱਕ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਹੈ। ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਵਰਕਸਪੇਸ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸਿੱਧੇ ਸੈਕਸ਼ਨ 2.3 ਨੋਟਬੁੱਕ ਬਣਾਉਣ 'ਤੇ ਜਾ ਸਕਦੇ ਹੋ।
+
+ਜੇ ਨਹੀਂ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ [ਪਿਛਲੇ ਪਾਠ](../18-Low-Code/README.md) ਵਿੱਚ ਸੈਕਸ਼ਨ **2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ** ਵਿੱਚ ਦਿੱਤੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
+
+### 2.2 ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਉਣਾ
+
+[Azure ML ਵਰਕਸਪੇਸ](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, ਕੰਪਿਊਟ ਮੀਨੂ 'ਤੇ ਜਾਓ ਅਤੇ ਤੁਹਾਨੂੰ ਉਪਲਬਧ ਵੱਖ-ਵੱਖ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਦੇਖਣ ਨੂੰ ਮਿਲਣਗੇ।
+
+![ਕੰਪਿਊਟ-ਇੰਸਟੈਂਸ-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.pa.png)
+
+ਆਓ ਇੱਕ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਈਏ ਤਾਂ ਜੋ Jupyter Notebook ਪ੍ਰੋਵਿਜ਼ਨ ਕੀਤਾ ਜਾ ਸਕੇ।
+1. + New ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
+2. ਆਪਣੇ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਨੂੰ ਇੱਕ ਨਾਮ ਦਿਓ।
+3. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: CPU ਜਾਂ GPU, VM ਆਕਾਰ ਅਤੇ ਕੋਰ ਦੀ ਗਿਣਤੀ।
+4. Create ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
+
+ਵਧਾਈਆਂ, ਤੁਸੀਂ ਸਿਰਫ ਇੱਕ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਇਆ ਹੈ! ਅਸੀਂ ਇਸ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਦੀ ਵਰਤੋਂ [ਨੋਟਬੁੱਕ ਬਣਾਉਣ ਦੇ ਸੈਕਸ਼ਨ](../../../../5-Data-Science-In-Cloud/19-Azure) ਵਿੱਚ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ।
+
+### 2.3 ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ
+
+ਜੇ ਤੁਸੀਂ ਹਾਲੇ ਤੱਕ ਡਾਟਾਸੈੱਟ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਤਾਂ [ਪਿਛਲੇ ਪਾਠ](../18-Low-Code/README.md) ਵਿੱਚ ਸੈਕਸ਼ਨ **2.3 ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ** ਨੂੰ ਵੇਖੋ।
+
+### 2.4 ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ
+
+> **_ਨੋਟ:_** ਅਗਲੇ ਕਦਮ ਲਈ ਤੁਸੀਂ ਜਾਂ ਤਾਂ ਨਵਾਂ ਨੋਟਬੁੱਕ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਦਾ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ, ਜਾਂ ਤੁਸੀਂ [ਅਸੀਂ ਬਣਾਇਆ ਨੋਟਬੁੱਕ](notebook.ipynb) ਆਪਣੇ Azure ML Studio ਵਿੱਚ ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਇਸਨੂੰ ਅੱਪਲੋਡ ਕਰਨ ਲਈ, ਸਿਰਫ "Notebook" ਮੀਨੂ 'ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ ਨੋਟਬੁੱਕ ਅੱਪਲੋਡ ਕਰੋ।
+
+ਨੋਟਬੁੱਕ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹਨ। ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ Exploratory Data Analysis (EDA) ਕਰਨ ਲਈ, ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਕੰਪਿਊਟ ਕਲਸਟਰ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ, ਜਾਂ ਐਂਡਪੌਇੰਟ ਡਿਪਲੌਇ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+
+ਨੋਟਬੁੱਕ ਬਣਾਉਣ ਲਈ, ਸਾਨੂੰ ਇੱਕ ਕੰਪਿਊਟ ਨੋਡ ਦੀ ਲੋੜ ਹੈ ਜੋ Jupyter Notebook ਇੰਸਟੈਂਸ ਨੂੰ ਸਰਵ ਕਰ ਰਿਹਾ ਹੈ। ਵਾਪਸ [Azure ML ਵਰਕਸਪੇਸ](https://ml.azure.com/) 'ਤੇ ਜਾਓ ਅਤੇ Compute Instances 'ਤੇ ਕਲਿਕ ਕਰੋ। ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਦੀ ਸੂਚੀ ਵਿੱਚ ਤੁਹਾਨੂੰ [ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ](../../../../5-Data-Science-In-Cloud/19-Azure) ਦੇਖਣ ਨੂੰ ਮਿਲੇਗਾ।
+
+1. Applications ਸੈਕਸ਼ਨ ਵਿੱਚ, Jupyter ਵਿਕਲਪ 'ਤੇ ਕਲਿਕ ਕਰੋ।
+2. "Yes, I understand" ਬਾਕਸ ਨੂੰ ਟਿਕ ਕਰੋ ਅਤੇ Continue ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
+![ਨੋਟਬੁੱਕ-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.pa.png)
+3. ਇਹ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਟੈਬ ਖੋਲ੍ਹੇਗਾ ਜਿਸ ਵਿੱਚ ਤੁਹਾਡਾ Jupyter Notebook ਇੰਸਟੈਂਸ ਹੋਵੇਗਾ। "New" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਨੋਟਬੁੱਕ ਬਣਾਓ।
+
+![ਨੋਟਬੁੱਕ-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.pa.png)
+
+ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੋਟਬੁੱਕ ਹੈ, ਅਸੀਂ Azure ML SDK ਨਾਲ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+### 2.5 ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ
+
+ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਜੇ ਤੁਹਾਨੂੰ ਕਦੇ ਵੀ ਕੋਈ ਸ਼ੱਕ ਹੋਵੇ, ਤਾਂ [Azure ML SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਵੇਖੋ। ਇਸ ਵਿੱਚ ਉਹ ਸਾਰੀਆਂ ਜਾਣਕਾਰੀਆਂ ਹਨ ਜੋ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਦੇਖਣ ਜਾ ਰਹੇ ਮੌਡੀਊਲਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਲੋੜੀਂਦੀਆਂ ਹਨ।
+
+#### 2.5.1 ਵਰਕਸਪੇਸ, ਐਕਸਪੇਰੀਮੈਂਟ, ਕੰਪਿਊਟ ਕਲਸਟਰ ਅਤੇ ਡਾਟਾਸੈੱਟ ਸੈਟਅਪ
+
+ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਨਫਿਗਰੇਸ਼ਨ ਫਾਈਲ ਤੋਂ `workspace` ਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
+
+```python
+from azureml.core import Workspace
+ws = Workspace.from_config()
+```
+
+ਇਹ `Workspace` ਕਿਸਮ ਦਾ ਇੱਕ ਆਬਜੈਕਟ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਵਰਕਸਪੇਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਫਿਰ ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ `experiment` ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ:
+
+```python
+from azureml.core import Experiment
+experiment_name = 'aml-experiment'
+experiment = Experiment(ws, experiment_name)
+```
+
+ਵਰਕਸਪੇਸ ਤੋਂ ਇੱਕ ਐਕਸਪੇਰੀਮੈਂਟ ਪ੍ਰਾਪਤ ਕਰਨ ਜਾਂ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਐਕਸਪੇਰੀਮੈਂਟ ਦਾ ਨਾਮ ਮੰਗਦੇ ਹੋ। ਐਕਸਪੇਰੀਮੈਂਟ ਦਾ ਨਾਮ 3-36 ਅੱਖਰਾਂ ਦਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਇੱਕ ਅੱਖਰ ਜਾਂ ਨੰਬਰ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਸਿਰਫ ਅੱਖਰਾਂ, ਨੰਬਰਾਂ, ਅੰਡਰਸਕੋਰ ਅਤੇ ਡੈਸ਼ ਸ਼ਾਮਲ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਜੇ ਵਰਕਸਪੇਸ ਵਿੱਚ ਐਕਸਪੇਰੀਮੈਂਟ ਨਹੀਂ ਮਿਲਦਾ, ਤਾਂ ਇੱਕ ਨਵਾਂ ਐਕਸਪੇਰੀਮੈਂਟ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ।
+
+ਹੁਣ ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟ੍ਰੇਨਿੰਗ ਲਈ ਇੱਕ ਕੰਪਿਊਟ ਕਲਸਟਰ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਧਿਆਨ ਦਿਓ ਕਿ ਇਹ ਕਦਮ ਕੁਝ ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ।
+
+```python
+from azureml.core.compute import AmlCompute
+
+aml_name = "heart-f-cluster"
+try:
+    aml_compute = AmlCompute(ws, aml_name)
+    print('Found existing AML compute context.')
+except:
+    print('Creating new AML compute context.')
+    aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
+    aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
+    aml_compute.wait_for_completion(show_output = True)
+
+cts = ws.compute_targets
+compute_target = cts[aml_name]
+```
+
+ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਨਾਲ ਵਰਕਸਪੇਸ ਤੋਂ ਡਾਟਾਸੈੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
+
+```python
+dataset = ws.datasets['heart-failure-records']
+df = dataset.to_pandas_dataframe()
+df.describe()
+```
+
+#### 2.5.2 AutoML ਕਨਫਿਗਰੇਸ਼ਨ ਅਤੇ ਟ੍ਰੇਨਿੰਗ
+
+AutoML ਕਨਫਿਗਰੇਸ਼ਨ ਸੈਟ ਕਰਨ ਲਈ, [AutoMLConfig ਕਲਾਸ](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਦੀ ਵਰਤੋਂ ਕਰੋ।
+
+ਜਿਵੇਂ ਕਿ ਡੌਕ ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਤੁਹਾਡੇ ਕੋਲ ਖੇਡਣ ਲਈ ਬਹੁਤ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਹਨ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ:
+
+- `experiment_timeout_minutes`: ਅਧਿਕਤਮ ਸਮਾਂ (ਮਿੰਟਾਂ ਵਿੱਚ) ਜੋ ਐਕਸਪੇਰੀਮੈਂਟ ਨੂੰ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਹੈ।
+- `max_concurrent_iterations`: ਅਧਿਕਤਮ ਸੰਖਿਆ ਜੋ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਟ੍ਰੇਨਿੰਗ ਦੁਹਰਾਅ ਲਈ ਆਗਿਆ ਹੈ।
+- `primary_metric`: ਐਕਸਪੇਰੀਮੈਂਟ ਦੀ ਸਥਿਤੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਮੁੱਖ ਮਾਪ।
+- `compute_target`: Automated Machine Learning ਐਕਸਪੇਰੀਮੈਂਟ ਚਲਾਉਣ ਲਈ Azure Machine Learning ਕੰਪਿਊਟ ਟਾਰਗਟ।
+- `task`: ਚਲਾਉਣ ਲਈ ਟਾਸਕ ਦੀ ਕਿਸਮ। ਮੁੱਲ 'classification', 'regression', ਜਾਂ 'forecasting' ਹੋ ਸਕਦੇ ਹਨ।
+- `training_data`: ਐਕਸਪੇਰੀਮੈਂਟ ਵਿੱਚ ਵਰਤਣ ਲਈ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ।
+- `label_column_name`: ਲੇਬਲ ਕਾਲਮ ਦਾ ਨਾਮ।
+- `path`: Azure Machine Learning ਪ੍ਰੋਜੈਕਟ ਫੋਲਡਰ ਦਾ ਪੂਰਾ ਪਾਥ।
+- `enable_early_stopping`: ਜੇ ਸਕੋਰ ਛੋਟੇ ਸਮੇਂ ਵਿੱਚ ਸੁਧਾਰ ਨਹੀਂ ਕਰ ਰਿਹਾ, ਤਾਂ ਸ਼ੁਰੂਆਤੀ ਰੋਕਥਾਮ ਨੂੰ ਯੋਗ ਕਰੋ।
+- `featurization`: ਕੀ ਫੀਚਰਾਈਜ਼ੇਸ਼ਨ ਕਦਮ ਆਪਣੇ ਆਪ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।
+- `debug_log`: ਡਿਬੱਗ ਜਾਣਕਾਰੀ ਲਿਖਣ ਲਈ ਲੌਗ ਫਾਈਲ।
+
+```python
+from azureml.train.automl import AutoMLConfig
+
+project_folder = './aml-project'
+
+automl_settings = {
+    "experiment_timeout_minutes": 20,
+    "max_concurrent_iterations": 3,
+    "primary_metric" : 'AUC_weighted'
+}
+
+automl_config = AutoMLConfig(compute_target=compute_target,
+                             task = "classification",
+                             training_data=dataset,
+                             label_column_name="DEATH_EVENT",
+                             path = project_folder,  
+                             enable_early_stopping= True,
+                             featurization= 'auto',
+                             debug_log = "automl_errors.log",
+                             **automl_settings
+                            )
+```
+
+ਹੁਣ ਜਦੋਂ ਤੁਹਾਡੀ ਕਨਫਿਗਰੇਸ਼ਨ ਸੈਟ ਹੈ, ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਕਦਮ ਤੁਹਾਡੇ ਕਲਸਟਰ ਆਕਾਰ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਘੰਟੇ ਤੱਕ ਲੈ ਸਕਦਾ ਹੈ।
+
+```python
+remote_run = experiment.submit(automl_config)
+```
+
+ਤੁਸੀਂ RunDetails ਵਿਜਟ ਚਲਾ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਵੱਖ-ਵੱਖ ਐਕਸਪੇਰੀਮੈਂਟ ਦਿਖਾਏ ਜਾ ਸਕਣ।
+
+```python
+from azureml.widgets import RunDetails
+RunDetails(remote_run).show()
+```
+
+## 3. Azure ML SDK ਨਾਲ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਖਪਤ
+
+### 3.1 ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੇਵ ਕਰਨਾ
+
+`remote_run` [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਕਿਸਮ ਦਾ ਇੱਕ ਆਬਜੈਕਟ ਹੈ। ਇਸ ਆਬਜੈਕਟ ਵਿੱਚ `get_output
+```python
+response = aci_service.run(input_data=test_sample)
+response
+```  
+ਇਸ ਦਾ ਆਉਟਪੁਟ `'{"result": [false]}'` ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸੀਂ ਜੋ ਮਰੀਜ਼ ਦੀ ਜਾਣਕਾਰੀ ਐਂਡਪੌਇੰਟ ਨੂੰ ਭੇਜੀ ਸੀ, ਉਸ ਨੇ `false` ਦੀ ਪੇਸ਼ਗੂਈ ਕੀਤੀ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਇਸ ਵਿਅਕਤੀ ਨੂੰ ਦਿਲ ਦਾ ਦੌਰਾ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ।  
+
+ਵਧਾਈਆਂ! ਤੁਸੀਂ Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ Azure ML 'ਤੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ ਅਤੇ ਡਿਪਲੌਇਡ ਕਰਕੇ ਕਾਮਯਾਬੀ ਨਾਲ ਵਰਤਿਆ ਹੈ!  
+
+> **_NOTE:_** ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰ ਲਵੋ, ਤਾਂ ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਨਾ ਭੁੱਲੋ।  
+
+## 🚀 ਚੁਣੌਤੀ  
+
+SDK ਰਾਹੀਂ ਹੋਰ ਬਹੁਤ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਅਫਸੋਸ, ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਸਾਰੀਆਂ ਨਹੀਂ ਦੇਖ ਸਕਦੇ। ਪਰ ਚੰਗੀ ਖ਼ਬਰ ਇਹ ਹੈ ਕਿ SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਸਮਝਣ ਦਾ ਤਰੀਕਾ ਸਿੱਖਣਾ ਤੁਹਾਨੂੰ ਆਪਣੇ ਆਪ ਬਹੁਤ ਅੱਗੇ ਲੈ ਜਾ ਸਕਦਾ ਹੈ। Azure ML SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਦੇਖੋ ਅਤੇ `Pipeline` ਕਲਾਸ ਨੂੰ ਲੱਭੋ ਜੋ ਤੁਹਾਨੂੰ ਪਾਈਪਲਾਈਨ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਪਾਈਪਲਾਈਨ ਕਦਮਾਂ ਦਾ ਇਕ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਵਰਕਫਲੋ ਵਜੋਂ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।  
+
+**ਸੁਝਾਅ:** [SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) 'ਤੇ ਜਾਓ ਅਤੇ ਖੋਜ ਬਾਰ ਵਿੱਚ "Pipeline" ਵਰਗੇ ਕੀਵਰਡ ਟਾਈਪ ਕਰੋ। ਤੁਹਾਨੂੰ ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ `azureml.pipeline.core.Pipeline` ਕਲਾਸ ਮਿਲਣੀ ਚਾਹੀਦੀ ਹੈ।  
+
+## [ਪਾਠ-ਪ੍ਰਚਾਰ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/37)  
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ  
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਿਵੇਂ Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਲਾਉਡ ਵਿੱਚ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ, ਡਿਪਲੌਇਡ ਅਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ [ਡੌਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਚੈੱਕ ਕਰੋ ਤਾਂ ਜੋ Azure ML SDK ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ। Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।  
+
+## ਅਸਾਈਨਮੈਂਟ  
+
+[Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ](assignment.md)  
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/pa/5-Data-Science-In-Cloud/19-Azure/assignment.md
new file mode 100644
index 00000000..4eed3957
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/19-Azure/assignment.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "386efdbc19786951341f6956247ee990",
+  "translation_date": "2025-08-27T17:54:03+00:00",
+  "source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਦੀ ਵਰਤੋਂ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ
+
+## ਹਦਾਇਤਾਂ
+
+ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਐਜ਼ਰ ਐਮਐਲ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕਿਵੇਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹੁਣ ਕੁਝ ਡਾਟਾ ਖੋਜੋ ਜਿਸਦਾ ਤੁਸੀਂ ਇੱਕ ਹੋਰ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ, ਡਿਪਲੌਇ ਕਰਨ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕਰਨ ਲਈ ਇਸਤੇਮਾਲ ਕਰ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਡਾਟਾਸੈਟਸ ਲਈ [Kaggle](https://kaggle.com) ਅਤੇ [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) 'ਤੇ ਵੇਖ ਸਕਦੇ ਹੋ।
+
+## ਰੂਬ੍ਰਿਕ
+
+| ਸ਼ਾਨਦਾਰ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ |
+|-----------|----------|-------------------|
+|AutoML ਕਨਫਿਗਰੇਸ਼ਨ ਕਰਦੇ ਸਮੇਂ, ਤੁਸੀਂ SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਦੇਖੀ ਕਿ ਕਿਹੜੇ ਪੈਰਾਮੀਟਰ ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ AutoML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਚਲਾਈ, ਅਤੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਤੁਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਕਨਜ਼ਿਊਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਏ। | ਤੁਸੀਂ AutoML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਚਲਾਈ, ਅਤੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਤੁਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਕਨਜ਼ਿਊਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਏ। | ਤੁਸੀਂ AutoML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਡਾਟਾਸੈਟ 'ਤੇ ਟ੍ਰੇਨਿੰਗ ਚਲਾਈ। ਤੁਸੀਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਐਜ਼ਰ ਐਮਐਲ ਐਸਡੀਕੇ ਰਾਹੀਂ ਕਨਜ਼ਿਊਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਏ। |
+
+---
+
+**ਅਸਵੀਕਰਤਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਅਸਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/5-Data-Science-In-Cloud/README.md b/translations/pa/5-Data-Science-In-Cloud/README.md
new file mode 100644
index 00000000..9cecdab0
--- /dev/null
+++ b/translations/pa/5-Data-Science-In-Cloud/README.md
@@ -0,0 +1,36 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
+  "translation_date": "2025-08-27T17:37:11+00:00",
+  "source_file": "5-Data-Science-In-Cloud/README.md",
+  "language_code": "pa"
+}
+-->
+# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ
+
+![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.pa.jpg)
+
+> ਫੋਟੋ [Jelleke Vanooteghem](https://unsplash.com/@ilumire) ਵੱਲੋਂ [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) ਤੋਂ
+
+ਜਦੋਂ ਵੱਡੇ ਡਾਟਾ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਕਰਨ ਦੀ ਗੱਲ ਆਉਂਦੀ ਹੈ, ਤਾਂ ਕਲਾਉਡ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਬਦਲਾਅ ਲਿਆ ਸਕਦਾ ਹੈ। ਅਗਲੇ ਤਿੰਨ ਪਾਠਾਂ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਲਾਉਡ ਕੀ ਹੈ ਅਤੇ ਇਹ ਕਿਵੇਂ ਬਹੁਤ ਮਦਦਗਾਰ ਹੋ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਇੱਕ ਹਾਰਟ ਫੇਲਿਅਰ ਡਾਟਾਸੈਟ ਦੀ ਵੀ ਜਾਂਚ ਕਰਾਂਗੇ ਅਤੇ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਜੋ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਹਾਰਟ ਫੇਲਿਅਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਕਲਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇ। ਅਸੀਂ ਕਲਾਉਡ ਦੀ ਤਾਕਤ ਦਾ ਇਸਤੇਮਾਲ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਕਨਜ਼ਿਊਮ ਕਰਾਂਗੇ। ਇੱਕ ਤਰੀਕਾ ਸਿਰਫ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਢੰਗ ਵਿੱਚ, ਅਤੇ ਦੂਜਾ ਤਰੀਕਾ Azure Machine Learning Software Developer Kit (Azure ML SDK) ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
+
+![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.pa.png)
+
+### ਵਿਸ਼ੇ
+
+1. [ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਕਲਾਉਡ ਕਿਉਂ ਵਰਤਿਆ ਜਾਵੇ?](17-Introduction/README.md)
+2. [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ](18-Low-Code/README.md)
+3. [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਤਰੀਕਾ](19-Azure/README.md)
+
+### ਸ਼੍ਰੇਯ
+
+ਇਹ ਪਾਠ ☁️ ਅਤੇ 💕 ਨਾਲ [Maud Levy](https://twitter.com/maudstweets) ਅਤੇ [Tiffany Souterre](https://twitter.com/TiffanySouterre) ਵੱਲੋਂ ਲਿਖੇ ਗਏ ਹਨ।
+
+ਹਾਰਟ ਫੇਲਿਅਰ ਪ੍ਰਡਿਕਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਲਈ ਡਾਟਾ [
+Larxel](https://www.kaggle.com/andrewmvd) ਤੋਂ [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) 'ਤੇ ਲਿਆ ਗਿਆ ਹੈ। ਇਹ [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) ਅਧੀਨ ਲਾਇਸੰਸ ਕੀਤਾ ਗਿਆ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਸਹੀਅਤ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
new file mode 100644
index 00000000..04a49575
--- /dev/null
+++ b/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/README.md
@@ -0,0 +1,126 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "67076ed50f54e7d26ba1ba378d6078f1",
+  "translation_date": "2025-08-27T17:33:55+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
+  "language_code": "pa"
+}
+-->
+# ਰੀਅਲ ਵਰਲਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ
+
+| ![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-RealWorld.png) |
+| :--------------------------------------------------------------------------------------------------------------: |
+|               ਰੀਅਲ ਵਰਲਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_               |
+
+ਅਸੀਂ ਇਸ ਸਿੱਖਣ ਯਾਤਰਾ ਦੇ ਅੰਤ ਦੇ ਨੇੜੇ ਪਹੁੰਚ ਰਹੇ ਹਾਂ!
+
+ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਨੈਤਿਕਤਾ ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ, ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਵੱਖ-ਵੱਖ ਟੂਲ ਅਤੇ ਤਕਨੀਕਾਂ ਦੀ ਪੜਚੋਲ ਕੀਤੀ, ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਅਤੇ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਵਰਕਫਲੋਜ਼ ਨੂੰ ਸਕੇਲ ਅਤੇ ਆਟੋਮੇਟ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵੇਖੇ। ਤਾਂ, ਤੁਸੀਂ ਸ਼ਾਇਦ ਸੋਚ ਰਹੇ ਹੋ: _"ਇਹ ਸਾਰੀਆਂ ਸਿੱਖਣਾਂ ਨੂੰ ਰੀਅਲ ਵਰਲਡ ਸੰਦਰਭਾਂ ਨਾਲ ਕਿਵੇਂ ਜੋੜਿਆ ਜਾਵੇ?"_
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਉਦਯੋਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਰੀਅਲ ਵਰਲਡ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ ਅਤੇ ਖੋਜ, ਡਿਜ਼ੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਸਤੇ ਵਿਕਾਸ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਖਾਸ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਡੁੱਬਾਂਗੇ। ਅਸੀਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟ ਦੇ ਮੌਕੇ ਵੇਖਾਂਗੇ ਅਤੇ ਤੁਹਾਡੀ ਸਿੱਖਣ ਯਾਤਰਾ ਜਾਰੀ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਉਪਯੋਗ ਸਰੋਤਾਂ ਨਾਲ ਸਮਾਪਤ ਕਰਾਂਗੇ!
+
+## ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼
+
+[ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਕਵਿਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38)
+
+## ਡਾਟਾ ਸਾਇੰਸ + ਉਦਯੋਗ
+
+AI ਦੇ ਲੋਕਤੰਤਰਿਕਰਨ ਦੇ ਕਾਰਨ, ਵਿਕਾਸਕਾਰਾਂ ਲਈ ਹੁਣ AI-ਚਲਿਤ ਫੈਸਲਾ-ਲੈਣ ਅਤੇ ਡਾਟਾ-ਚਲਿਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਅਤੇ ਵਿਕਾਸ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਅਤੇ ਇੰਟੀਗਰੇਟ ਕਰਨਾ ਆਸਾਨ ਹੋ ਗਿਆ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ ਕਿ ਕਿਵੇਂ ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਉਦਯੋਗ ਵਿੱਚ "ਲਾਗੂ" ਕੀਤਾ ਜਾਂਦਾ ਹੈ:
+
+* [ਗੂਗਲ ਫਲੂ ਟ੍ਰੈਂਡਸ](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ਨੇ ਖੋਜ ਸ਼ਬਦਾਂ ਨੂੰ ਫਲੂ ਟ੍ਰੈਂਡਸ ਨਾਲ ਜੋੜਨ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਹਾਲਾਂਕਿ ਇਸ ਪਹੁੰਚ ਵਿੱਚ ਖਾਮੀਆਂ ਸਨ, ਇਸ ਨੇ ਡਾਟਾ-ਚਲਿਤ ਸਿਹਤ ਸੰਭਾਲ ਦੀ ਭਵਿੱਖਵਾਣੀ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ (ਅਤੇ ਚੁਣੌਤੀਆਂ) ਬਾਰੇ ਜਾਗਰੂਕਤਾ ਵਧਾਈ।
+
+* [UPS ਰੂਟਿੰਗ ਭਵਿੱਖਵਾਣੀਆਂ](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS ਕਿਵੇਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਇਹ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਮੌਸਮ ਦੀਆਂ ਸਥਿਤੀਆਂ, ਟ੍ਰੈਫਿਕ ਪੈਟਰਨ, ਡਿਲਿਵਰੀ ਦੀਆਂ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਅਤੇ ਹੋਰ ਗੱਲਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਡਿਲਿਵਰੀ ਲਈ ਵਧੀਆ ਰੂਟਾਂ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕੀਤੀ ਜਾਵੇ।
+
+* [NYC ਟੈਕਸੀਕੈਬ ਰੂਟ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ](http://chriswhong.github.io/nyctaxi/) - [ਸੁਤੰਤਰਤਾ ਦੀ ਜਾਣਕਾਰੀ ਦੇ ਕਾਨੂੰਨਾਂ](https://chriswhong.com/open-data/foil_nyc_taxi/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਕੱਠੇ ਕੀਤੇ ਡਾਟਾ ਨੇ NYC ਟੈਕਸੀਕੈਬਸ ਦੇ ਜੀਵਨ ਦੇ ਇੱਕ ਦਿਨ ਨੂੰ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਸਾਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਮਿਲੀ ਕਿ ਉਹ ਵਿਆਸਤ ਸ਼ਹਿਰ ਵਿੱਚ ਕਿਵੇਂ ਚਲਦੇ ਹਨ, ਉਹ ਕਿੰਨਾ ਪੈਸਾ ਕਮਾਉਂਦੇ ਹਨ, ਅਤੇ ਹਰ 24-ਘੰਟੇ ਦੀ ਮਿਆਦ ਵਿੱਚ ਯਾਤਰਾਵਾਂ ਦੀ ਮਿਆਦ।
+
+* [Uber ਡਾਟਾ ਸਾਇੰਸ ਵਰਕਬੈਂਚ](https://eng.uber.com/dsw/) - Uber ਦਿਨ ਵਿੱਚ ਲੱਖਾਂ ਯਾਤਰਾਵਾਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਡਾਟਾ (ਪਿਕਅਪ ਅਤੇ ਡ੍ਰਾਪਆਫ ਸਥਾਨਾਂ, ਯਾਤਰਾ ਦੀ ਮਿਆਦ, ਪਸੰਦੀਦਾ ਰੂਟ ਆਦਿ) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲ ਬਣਾਉਣ ਲਈ ਜੋ ਕੀਮਤ, ਸੁਰੱਖਿਆ, ਧੋਖਾਧੜੀ ਦੀ ਪਛਾਣ ਅਤੇ ਨੈਵੀਗੇਸ਼ਨ ਫੈਸਲਿਆਂ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
+
+* [ਖੇਡ ਵਿਸ਼ਲੇਸ਼ਣ](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _ਭਵਿੱਖਵਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ_ (ਟੀਮ ਅਤੇ ਖਿਡਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ - [ਮਨੀਬਾਲ](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) ਦੇ ਬਾਰੇ ਸੋਚੋ - ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਪ੍ਰਬੰਧਨ) ਅਤੇ _ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ_ (ਟੀਮ ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਡੈਸ਼ਬੋਰਡ, ਖੇਡ ਆਦਿ) 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਪ੍ਰਤਿਭਾ ਖੋਜ, ਖੇਡ ਜੂਆ ਅਤੇ ਸਟਾਕ/ਸਥਾਨ ਪ੍ਰਬੰਧਨ ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਸ਼ਾਮਲ ਹਨ।
+
+* [ਬੈਂਕਿੰਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://data-flair.training/blogs/data-science-in-banking/) - ਵਿੱਤੀ ਉਦਯੋਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਰਿਸਕ ਮਾਡਲਿੰਗ ਅਤੇ ਧੋਖਾਧੜੀ ਦੀ ਪਛਾਣ ਤੋਂ ਲੈ ਕੇ ਗਾਹਕ ਸੇਗਮੈਂਟੇਸ਼ਨ, ਰੀਅਲ-ਟਾਈਮ ਭਵਿੱਖਵਾਣੀ ਅਤੇ ਸਿਫਾਰਸ਼ੀ ਸਿਸਟਮ ਤੱਕ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨਾਲ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ। ਭਵਿੱਖਵਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡਾਂ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ [ਕ੍ਰੈਡਿਟ ਸਕੋਰ](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit)।
+
+* [ਸਿਹਤ ਸੰਭਾਲ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://data-flair.training/blogs/data-science-in-healthcare/) - ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ (ਜਿਵੇਂ ਕਿ MRI, X-Ray, CT-Scan), ਜਿਨੋਮਿਕਸ (DNA ਸੀਕਵੇਂਸਿੰਗ), ਦਵਾਈ ਵਿਕਾਸ (ਰਿਸਕ ਅਸੈਸਮੈਂਟ, ਸਫਲਤਾ ਦੀ ਭਵਿੱਖਵਾਣੀ), ਭਵਿੱਖਵਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ (ਮਰੀਜ਼ ਦੀ ਦੇਖਭਾਲ ਅਤੇ ਸਪਲਾਈ ਲਾਜਿਸਟਿਕਸ), ਬਿਮਾਰੀ ਟ੍ਰੈਕਿੰਗ ਅਤੇ ਰੋਕਥਾਮ ਆਦਿ।
+
+![ਰੀਅਲ ਵਰਲਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.pa.png) ਚਿੱਤਰ ਸ੍ਰੋਤ: [ਡਾਟਾ ਫਲੇਅਰ: 6 ਸ਼ਾਨਦਾਰ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ](https://data-flair.training/blogs/data-science-applications/)
+
+ਚਿੱਤਰ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਹੋਰ ਖੇਤਰ ਅਤੇ ਉਦਾਹਰਣ ਦਿਖਾਏ ਗਏ ਹਨ। ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਹੇਠਾਂ ਦਿੱਤੇ [ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) ਭਾਗ ਨੂੰ ਵੇਖੋ।
+
+## ਡਾਟਾ ਸਾਇੰਸ + ਖੋਜ
+
+| ![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Research.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਖੋਜ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_              |
+
+ਜਦੋਂ ਕਿ ਰੀਅਲ ਵਰਲਡ ਐਪਲੀਕੇਸ਼ਨ ਅਕਸਰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਉਦਯੋਗ ਦੇ ਕੇਸਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦੇ ਹਨ, _ਖੋਜ_ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਦੋ ਦ੍ਰਿਸ਼ਟਿਕੋਣਾਂ ਤੋਂ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ:
+
+* _ਨਵੀਨਤਾ ਦੇ ਮੌਕੇ_ - ਅਗਲੇ ਪੀੜ੍ਹੀ ਦੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਦੀ ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਅਤੇ ਟੈਸਟਿੰਗ ਦੀ ਪੜਚੋਲ ਕਰੋ।
+* _ਤੈਨਾਤੀ ਚੁਣੌਤੀਆਂ_ - ਰੀਅਲ ਵਰਲਡ ਸੰਦਰਭਾਂ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰੋ।
+
+ਵਿਦਿਆਰਥੀਆਂ ਲਈ, ਇਹ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਸਿੱਖਣ ਅਤੇ ਸਹਿਯੋਗ ਦੇ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਤੁਹਾਡੀ ਵਿਸ਼ੇ ਦੀ ਸਮਝ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਸਬੰਧਤ ਲੋਕਾਂ ਜਾਂ ਟੀਮਾਂ ਨਾਲ ਤੁਹਾਡੀ ਜਾਗਰੂਕਤਾ ਅਤੇ ਸਹਿਭਾਗਤਾ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ ਜੋ ਰੁਚੀ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ਤਾਂ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਕਿਵੇਂ ਦਿਖਦੇ ਹਨ ਅਤੇ ਉਹ ਕਿਵੇਂ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦੇ ਹਨ?
+
+ਆਓ ਇੱਕ ਉਦਾਹਰਣ ਵੇਖੀਏ - [MIT ਜੈਂਡਰ ਸ਼ੇਡਸ ਸਟਡੀ](http://gendershades.org/overview.html) ਜੋਇ ਬੂਲਾਮਵਿਨੀ (MIT ਮੀਡੀਆ ਲੈਬਸ) ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਅਤੇ [ਸਿਗਨੇਚਰ ਖੋਜ ਪੇਪਰ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) ਜੋ ਟਿਮਨਿਟ ਗੇਬਰੂ (ਤਦ ਮਾਈਕਰੋਸਾਫਟ ਰੀਸਰਚ ਵਿੱਚ) ਨਾਲ ਸਹਿ-ਲਿਖਿਆ ਗਿਆ ਸੀ, ਜਿਸ ਨੇ ਧਿਆਨ ਦਿੱਤਾ:
+
+* **ਕੀ:** ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਦਾ ਉਦੇਸ਼ _ਜੈਂਡਰ ਅਤੇ ਚਮੜੀ ਦੇ ਰੰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਆਟੋਮੈਟਿਕ ਫੇਸ਼ਲ ਵਿਸ਼ਲੇਸ਼ਣ ਐਲਗੋਰਿਥਮ ਅਤੇ ਡਾਟਾਸੈਟਸ ਵਿੱਚ ਮੌਜੂਦ ਪੱਖਪਾਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ_ ਸੀ।
+* **ਕਿਉਂ:** ਫੇਸ਼ਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਕਾਨੂੰਨ ਪ੍ਰਵਿਰਤੀ, ਹਵਾਈ ਅੱਡੇ ਦੀ ਸੁਰੱਖਿਆ, ਭਰਤੀ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ - ਜਿੱਥੇ ਗਲਤ ਵਰਗੀਕਰਨ (ਜਿਵੇਂ ਕਿ ਪੱਖਪਾਤ ਦੇ ਕਾਰਨ) ਪ੍ਰਭਾਵਿਤ ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮੂਹਾਂ ਲਈ ਸੰਭਾਵਿਤ ਆਰਥਿਕ ਅਤੇ ਸਮਾਜਿਕ ਨੁਕਸਾਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਵਰਤੋਂ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਲਈ ਪੱਖਪਾਤ ਨੂੰ ਸਮਝਣਾ (ਅਤੇ ਖਤਮ ਜਾਂ ਘਟਾਉਣਾ) ਮਹੱਤਵਪੂਰਨ ਹੈ।
+* **ਕਿਵੇਂ:** ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪਛਾਣ ਕੀਤੀ ਕਿ ਮੌਜੂਦਾ ਬੈਂਚਮਾਰਕ ਮੁੱਖ ਤੌਰ 'ਤੇ ਹਲਕੇ ਚਮੜੀ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਨਵਾਂ ਡਾਟਾ ਸੈੱਟ (1000+ ਚਿੱਤਰ) ਤਿਆਰ ਕੀਤਾ ਜੋ ਜੈਂਡਰ ਅਤੇ ਚਮੜੀ ਦੇ ਰੰਗ ਦੇ ਆਧਾਰ 'ਤੇ _ਵਧੇਰੇ ਸੰਤੁਲਿਤ_ ਸੀ। ਡਾਟਾ ਸੈੱਟ ਨੂੰ Microsoft, IBM ਅਤੇ Face++ ਤੋਂ ਤਿੰਨ ਜੈਂਡਰ ਵਰਗੀਕਰਨ ਉਤਪਾਦਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ।
+
+ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਹਾਲਾਂਕਿ ਕੁੱਲ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਚੰਗੀ ਸੀ, ਵੱਖ-ਵੱਖ ਉਪਸਮੂਹਾਂ ਵਿੱਚ ਗਲਤੀ ਦੀਆਂ ਦਰਾਂ ਵਿੱਚ ਇੱਕ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨ ਯੋਗ ਅੰਤਰ ਸੀ - **ਗਲਤ ਜੈਂਡਰ ਪਛਾਣ** ਮਹਿਲਾਵਾਂ ਜਾਂ ਗੂੜ੍ਹੇ ਚਮੜੀ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਲਈ ਵਧੇਰੇ ਸੀ, ਜੋ ਪੱਖਪਾਤ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ।
+
+**ਮੁੱਖ ਨਤੀਜੇ:** ਜਾਗਰੂਕਤਾ ਵਧਾਈ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਵਧੇਰੇ _ਪ੍ਰਤੀਨਿਧੀ ਡਾਟਾਸੈਟਸ_ (ਸੰਤੁਲਿਤ ਉਪਸਮੂਹ) ਅਤੇ ਵਧੇਰੇ _ਸਮਾਵੇਸ਼ੀ ਟੀਮਾਂ_ (ਵਿਭਿੰਨ ਪਿਛੋਕੜ) ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ AI ਹੱਲਾਂ ਵਿੱਚ ਅਜਿਹੇ ਪੱਖਪਾਤ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਪਛਾਣਿਆ ਜਾ ਸਕੇ ਅਤੇ ਖਤਮ ਜਾਂ ਘਟਾਇਆ ਜਾ ਸਕੇ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਖੋਜ ਯਤਨ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ _ਜਿੰਮੇਵਾਰ AI_ ਲਈ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਿੱਚ ਸਹਾਇਕ ਹਨ, ਜੋ ਉਨ੍ਹਾਂ ਦੇ AI ਉਤਪਾਦਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ।
+
+**ਮਾਈਕਰੋਸਾਫਟ ਵਿੱਚ ਸਬੰਧਤ ਖੋਜ ਯਤਨਾਂ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ?**
+
+* [ਮਾਈਕਰੋਸਾਫਟ ਰੀਸਰਚ ਪ੍ਰੋਜੈਕਟਸ](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) 'ਤੇ Artificial Intelligence ਦੇ ਖੇਤਰ ਵਿੱਚ ਪੜਚੋਲ ਕਰੋ।
+* [ਮਾਈਕਰੋਸਾਫਟ ਰੀਸਰਚ ਡਾਟਾ ਸਾਇੰਸ ਸਮਰ ਸਕੂਲ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) ਤੋਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟਸ ਦੀ ਪੜਚੋਲ ਕਰੋ।
+* [Fairlearn](https://fairlearn.org/) ਪ੍ਰੋਜੈਕਟ ਅਤੇ [ਜਿੰਮੇਵਾਰ AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) ਪਹਲਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।
+
+## ਡਾਟਾ ਸਾਇੰਸ + ਹਿਊਮੈਨਿਟੀਜ਼
+
+| ![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/20-DataScience-Humanities.png) |
+| :---------------------------------------------------------------------------------------------------------------: |
+|              ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਡਿਜ਼ੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_              |
+
+ਡਿਜ਼ੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ [ਇਸ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ](https://digitalhumanities.stanford.edu/about-dh-stanford) ਕਿ "ਕੰਪਿਊਟੇਸ਼ਨਲ ਤਰੀਕਿਆਂ ਨੂੰ ਮਨੁੱਖੀ ਪੜਚੋਲ ਨਾਲ ਜੋੜਨ ਵਾਲੇ ਅਭਿਆਸਾਂ ਅਤੇ ਪਹੁੰਚਾਂ ਦਾ ਇਕ ਸੰਗ੍ਰਹਿ"। [ਸਟੈਨਫੋਰਡ ਪ੍ਰੋਜੈਕਟ](https://digitalhumanities.stanford.edu/projects) ਜਿਵੇਂ ਕਿ _"ਇਤਿਹਾਸ ਨੂੰ ਮੁੜ ਸ਼ੁਰੂ ਕਰਨਾ"_ ਅਤੇ _"ਕਵਿਤਾ ਵਾਲਾ ਸੋਚ"_ [ਡਿਜ਼ੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science)
+**ਪਲੇਨਟਰੀ ਕੰਪਿਊਟਰ ਪ੍ਰੋਜੈਕਟ ਇਸ ਸਮੇਂ ਪ੍ਰੀਵਿਊ ਵਿੱਚ ਹੈ (ਸਤੰਬਰ 2021 ਤੱਕ)** - ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਸਤੇ ਹੱਲਾਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ।
+
+* [ਐਕਸੈੱਸ ਦੀ ਬੇਨਤੀ ਕਰੋ](https://planetarycomputer.microsoft.com/account/request) ਤਾਕਿ ਖੋਜ ਸ਼ੁਰੂ ਕੀਤੀ ਜਾ ਸਕੇ ਅਤੇ ਸਾਥੀਆਂ ਨਾਲ ਜੁੜਿਆ ਜਾ ਸਕੇ।
+* [ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਦੀ ਖੋਜ ਕਰੋ](https://planetarycomputer.microsoft.com/docs/overview/about) ਤਾਕਿ ਸਮਝਿਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜੇ ਡਾਟਾਸੈਟ ਅਤੇ API ਸਹਾਇਕ ਹਨ।
+* [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) ਵਰਗੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਖੋਜ ਕਰੋ ਜੋ ਐਪਲੀਕੇਸ਼ਨ ਆਈਡੀਆ ਲਈ ਪ੍ਰੇਰਣਾ ਦੇ ਸਕਦੇ ਹਨ।
+
+ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਸਮੀ ਤਬਦੀਲੀ ਅਤੇ ਜੰਗਲਾਂ ਦੀ ਕਟਾਈ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਸਬੰਧਤ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨੂੰ ਉਜਾਗਰ ਜਾਂ ਵਧਾ ਸਕਦੇ ਹੋ। ਜਾਂ ਸੋਚੋ ਕਿ ਇਹ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਕਿਵੇਂ ਨਵੇਂ ਯੂਜ਼ਰ ਅਨੁਭਵ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਜ਼ਿੰਮੇਵਾਰ ਜੀਵਨ ਲਈ ਵਿਹਾਰਕ ਬਦਲਾਅ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕੇ।
+
+## ਡਾਟਾ ਸਾਇੰਸ + ਵਿਦਿਆਰਥੀ
+
+ਅਸੀਂ ਉਦਯੋਗ ਅਤੇ ਖੋਜ ਵਿੱਚ ਅਸਲ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਸਤੇ ਹੱਲਾਂ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਣਾਂ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ। ਤਾਂ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਬਿਗਿਨਰਜ਼ ਵਜੋਂ ਆਪਣੀਆਂ ਕੌਸ਼ਲਾਂ ਕਿਵੇਂ ਬਣਾਉਣਗੇ ਅਤੇ ਆਪਣੀ ਮਹਾਰਤ ਕਿਵੇਂ ਸਾਂਝੀ ਕਰੋਗੇ?
+
+ਇਹ ਰਹੇ ਕੁਝ ਡਾਟਾ ਸਾਇੰਸ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਦਾਹਰਣ ਜੋ ਤੁਹਾਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦੇ ਹਨ।
+
+* [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) ਨਾਲ GitHub [projects](https://github.com/msr-ds3) ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਸ਼ਿਆਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹਨ:
+   - [ਪੁਲਿਸ ਦੇ ਜ਼ਬਰਦਸਤੀ ਦੇ ਇਸਤੇਮਾਲ ਵਿੱਚ ਨਸਲੀ ਪੱਖਪਾਤ](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk)
+   - [ਨਿਊਯਾਰਕ ਸਬਵੇ ਸਿਸਟਮ ਦੀ ਭਰੋਸੇਯੋਗਤਾ](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit)
+* [ਮੈਟਰੀਅਲ ਕਲਚਰ ਨੂੰ ਡਿਜੀਟਲ ਬਣਾਉਣਾ: ਸਿਰਕਪ ਵਿੱਚ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਵੰਡਾਂ ਦੀ ਖੋਜ](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) ਅਤੇ ਕਲੇਰਮੌਂਟ ਦੀ ਟੀਮ ਵੱਲੋਂ, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ।
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਉਹ ਲੇਖ ਲੱਭੋ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਸ਼ੁਰੂਆਤੀ ਲਈ ਆਸਾਨ ਹਨ - ਜਿਵੇਂ [ਇਹ 50 ਵਿਸ਼ੇ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ਜਾਂ [ਇਹ 21 ਪ੍ਰੋਜੈਕਟ ਆਈਡੀਆ](https://www.intellspot.com/data-science-project-ideas) ਜਾਂ [ਇਹ 16 ਪ੍ਰੋਜੈਕਟ ਸੋਰਸ ਕੋਡ ਨਾਲ](https://data-flair.training/blogs/data-science-project-ideas/) ਜੋ ਤੁਸੀਂ ਡਿਕੰਸਟ੍ਰਕਟ ਅਤੇ ਰੀਮਿਕਸ ਕਰ ਸਕਦੇ ਹੋ। ਅਤੇ ਆਪਣੀਆਂ ਸਿੱਖਣ ਯਾਤਰਾਵਾਂ ਬਾਰੇ ਬਲੌਗ ਕਰਨਾ ਨਾ ਭੁੱਲੋ ਅਤੇ ਸਾਡੇ ਨਾਲ ਆਪਣੀਆਂ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀਆਂ ਸਾਂਝੀਆਂ ਕਰੋ।
+
+## ਲੈਕਚਰ ਬਾਅਦ ਕਵੀਜ਼
+
+[ਲੈਕਚਰ ਬਾਅਦ ਕਵੀਜ਼](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+ਹੋਰ ਕੇਸਾਂ ਦੀ ਖੋਜ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇੱਥੇ ਕੁਝ ਸਬੰਧਤ ਲੇਖ ਹਨ:
+* [17 ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਉਦਾਹਰਣ](https://builtin.com/data-science/data-science-applications-examples) - ਜੁਲਾਈ 2021
+* [ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ 11 ਸ਼ਾਨਦਾਰ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ](https://myblindbird.com/data-science-applications-real-world/) - ਮਈ 2021
+* [ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://towardsdatascience.com/data-science-in-the-real-world/home) - ਲੇਖ ਸੰਗ੍ਰਹਿ
+* ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ: [ਸਿੱਖਿਆ](https://data-flair.training/blogs/data-science-in-education/), [ਖੇਤੀਬਾੜੀ](https://data-flair.training/blogs/data-science-in-agriculture/), [ਵਿੱਤ](https://data-flair.training/blogs/data-science-in-finance/), [ਫਿਲਮਾਂ](https://data-flair.training/blogs/data-science-at-movies/) ਅਤੇ ਹੋਰ।
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਪਲੇਨਟਰੀ ਕੰਪਿਊਟਰ ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ ਕਰੋ](assignment.md)
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
new file mode 100644
index 00000000..74dd5724
--- /dev/null
+++ b/translations/pa/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md
@@ -0,0 +1,50 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
+  "translation_date": "2025-08-27T17:36:17+00:00",
+  "source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
+  "language_code": "pa"
+}
+-->
+# ਗ੍ਰਹਿ ਕੰਪਿਊਟਰ ਡਾਟਾਸੈੱਟ ਦੀ ਪੜਚੋਲ ਕਰੋ
+
+## ਨਿਰਦੇਸ਼
+
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਅਰਜ਼ੀ ਮੈਦਾਨਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ - ਖੋਜ, ਸਥਿਰਤਾ ਅਤੇ ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਨਾਲ ਸਬੰਧਤ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ। ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਪੜਚੋਲ ਕਰੋਗੇ ਅਤੇ ਸਥਿਰਤਾ ਡਾਟਾ ਬਾਰੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਆਪਣੇ ਸਿੱਖੇ ਗਏ ਪਾਠਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋਗੇ।
+
+[ਗ੍ਰਹਿ ਕੰਪਿਊਟਰ](https://planetarycomputer.microsoft.com/) ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਡਾਟਾਸੈੱਟ ਅਤੇ API ਹਨ, ਜਿਨ੍ਹਾਂ ਤੱਕ ਖਾਤੇ ਨਾਲ ਪਹੁੰਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ - ਜੇ ਤੁਸੀਂ ਅਸਾਈਨਮੈਂਟ ਦੇ ਬੋਨਸ ਕਦਮ ਨੂੰ ਅਜ਼ਮਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਪਹੁੰਚ ਲਈ ਬੇਨਤੀ ਕਰੋ। ਸਾਈਟ ਇੱਕ [ਐਕਸਪਲੋਰਰ](https://planetarycomputer.microsoft.com/explore) ਫੀਚਰ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਿਸਨੂੰ ਖਾਤਾ ਬਣਾਉਣ ਤੋਂ ਬਿਨਾਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। 
+
+`ਕਦਮ:`
+ਐਕਸਪਲੋਰਰ ਇੰਟਰਫੇਸ (ਹੇਠਾਂ ਦਿੱਤੇ ਸਕ੍ਰੀਨਸ਼ਾਟ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ) ਤੁਹਾਨੂੰ ਇੱਕ ਡਾਟਾਸੈੱਟ (ਦਿੱਤੇ ਗਏ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ), ਇੱਕ ਪ੍ਰੀਸੈਟ ਕਵੈਰੀ (ਡਾਟਾ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਲਈ) ਅਤੇ ਇੱਕ ਰੈਂਡਰਿੰਗ ਵਿਕਲਪ (ਇਕ ਸੰਬੰਧਿਤ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਲਈ) ਚੁਣਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਸ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ, ਤੁਹਾਡਾ ਕੰਮ ਹੈ:
+
+ 1. [ਐਕਸਪਲੋਰਰ ਡੌਕਯੂਮੈਂਟੇਸ਼ਨ](https://planetarycomputer.microsoft.com/docs/overview/explorer/) ਪੜ੍ਹੋ - ਵਿਕਲਪਾਂ ਨੂੰ ਸਮਝੋ।
+ 2. ਡਾਟਾਸੈੱਟ [ਕੈਟਾਲੌਗ](https://planetarycomputer.microsoft.com/catalog) ਦੀ ਪੜਚੋਲ ਕਰੋ - ਹਰ ਇੱਕ ਦਾ ਉਦੇਸ਼ ਸਿੱਖੋ।
+ 3. ਐਕਸਪਲੋਰਰ ਵਰਤੋ - ਇੱਕ ਰੁਚੀਕਰ ਡਾਟਾਸੈੱਟ ਚੁਣੋ, ਇੱਕ ਸੰਬੰਧਿਤ ਕਵੈਰੀ ਅਤੇ ਰੈਂਡਰਿੰਗ ਵਿਕਲਪ ਚੁਣੋ।
+
+![ਗ੍ਰਹਿ ਕੰਪਿਊਟਰ ਐਕਸਪਲੋਰਰ](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.pa.png)
+
+`ਤੁਹਾਡਾ ਕੰਮ:`
+ਹੁਣ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤੇ ਗਏ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਅਧਿਐਨ ਕਰੋ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿਓ:
+ * ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਕੀ _ਫੀਚਰ_ ਹਨ?
+ * ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਕੀ _ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ_ ਜਾਂ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ?
+ * ਪ੍ਰੋਜੈਕਟ ਦੇ ਸਥਿਰਤਾ ਦੇ ਲਕਸ਼ਾਂ ਲਈ ਉਹ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਦੇ ਕੀ _ਪ੍ਰਭਾਵ_ ਹਨ?
+ * ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀਆਂ ਕੀ _ਸੀਮਾਵਾਂ_ ਹਨ (ਜਾਂ, ਤੁਹਾਨੂੰ ਕਿਹੜੀ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨਹੀਂ ਮਿਲੀ)?
+ * ਜੇ ਤੁਹਾਨੂੰ ਕੱਚਾ ਡਾਟਾ ਮਿਲ ਜਾਵੇ, ਤਾਂ ਤੁਸੀਂ ਕਿਹੜੀਆਂ _ਵਿਕਲਪਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ_ ਬਣਾਉਗੇ, ਅਤੇ ਕਿਉਂ?
+
+`ਬੋਨਸ ਪੌਇੰਟਸ:`
+ਖਾਤੇ ਲਈ ਅਰਜ਼ੀ ਦਿਓ - ਅਤੇ ਸਵੀਕਾਰ ਹੋਣ 'ਤੇ ਲੌਗਇਨ ਕਰੋ।
+ * _ਲਾਂਚ ਹੱਬ_ ਵਿਕਲਪ ਵਰਤ ਕੇ ਕੱਚੇ ਡਾਟਾ ਨੂੰ ਨੋਟਬੁੱਕ ਵਿੱਚ ਖੋਲ੍ਹੋ।
+ * ਡਾਟਾ ਨੂੰ ਇੰਟਰਐਕਟਿਵ ਤਰੀਕੇ ਨਾਲ ਪੜਚੋਲੋ ਅਤੇ ਉਹ ਵਿਕਲਪਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਾਗੂ ਕਰੋ ਜੋ ਤੁਸੀਂ ਸੋਚੇ ਸਨ।
+ * ਹੁਣ ਆਪਣੀਆਂ ਕਸਟਮ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ - ਕੀ ਤੁਸੀਂ ਉਹ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਹੇ ਜੋ ਪਹਿਲਾਂ ਨਹੀਂ ਮਿਲੀ?
+
+## ਰੂਬ੍ਰਿਕ
+
+ਉਤਕ੍ਰਿਸ਼ਟ | ਯੋਗ | ਸੁਧਾਰ ਦੀ ਲੋੜ
+--- | --- | -- |
+ਪੰਜੇ ਮੁੱਖ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੱਤੇ ਗਏ। ਵਿਦਿਆਰਥੀ ਨੇ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਰਸਾਇਆ ਕਿ ਮੌਜੂਦਾ ਅਤੇ ਵਿਕਲਪਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਸਥਿਰਤਾ ਦੇ ਉਦੇਸ਼ਾਂ ਜਾਂ ਨਤੀਜਿਆਂ ਬਾਰੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਕਿਵੇਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।| ਵਿਦਿਆਰਥੀ ਨੇ ਘੱਟੋ-ਘੱਟ ਪਹਿਲੇ 3 ਸਵਾਲਾਂ ਦੇ ਵਿਸਤਾਰ ਨਾਲ ਜਵਾਬ ਦਿੱਤੇ, ਇਹ ਦਰਸਾਉਂਦੇ ਹੋਏ ਕਿ ਉਨ੍ਹਾਂ ਨੇ ਐਕਸਪਲੋਰਰ ਨਾਲ ਅਮਲੀ ਤਜਰਬਾ ਕੀਤਾ। | ਵਿਦਿਆਰਥੀ ਕਈ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਅਸਫਲ ਰਿਹਾ, ਜਾਂ ਅਪਰਿਆਪਤ ਵਿਸਤਾਰ ਪ੍ਰਦਾਨ ਕੀਤਾ - ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰੋਜੈਕਟ ਲਈ ਕੋਈ ਅਰਥਪੂਰਨ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕੀਤੀ ਗਈ। |
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/6-Data-Science-In-Wild/README.md b/translations/pa/6-Data-Science-In-Wild/README.md
new file mode 100644
index 00000000..260ee2e3
--- /dev/null
+++ b/translations/pa/6-Data-Science-In-Wild/README.md
@@ -0,0 +1,25 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
+  "translation_date": "2025-08-27T17:30:04+00:00",
+  "source_file": "6-Data-Science-In-Wild/README.md",
+  "language_code": "pa"
+}
+-->
+# ਜੰਗਲੀ ਦਾਟਾ ਸਾਇੰਸ
+
+ਉਦਯੋਗਾਂ ਵਿੱਚ ਦਾਟਾ ਸਾਇੰਸ ਦੇ ਅਸਲ-ਜੀਵਨ ਅਨੁਪ੍ਰਯੋਗ।
+
+### ਵਿਸ਼ੇ
+
+1. [ਅਸਲ-ਜੀਵਨ ਵਿੱਚ ਦਾਟਾ ਸਾਇੰਸ](20-Real-World-Examples/README.md)
+
+### ਸ਼੍ਰੇਯ
+
+❤️ ਨਾਲ ਲਿਖਿਆ [ਨਿਤਿਆ ਨਰਸਿੰਮਨ](https://twitter.com/nitya)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/CODE_OF_CONDUCT.md b/translations/pa/CODE_OF_CONDUCT.md
new file mode 100644
index 00000000..6620eebb
--- /dev/null
+++ b/translations/pa/CODE_OF_CONDUCT.md
@@ -0,0 +1,23 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
+  "translation_date": "2025-08-27T16:39:18+00:00",
+  "source_file": "CODE_OF_CONDUCT.md",
+  "language_code": "pa"
+}
+-->
+# ਮਾਈਕਰੋਸਾਫਟ ਓਪਨ ਸੋਰਸ ਕੋਡ ਆਫ ਕੰਡਕਟ
+
+ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੇ [ਮਾਈਕਰੋਸਾਫਟ ਓਪਨ ਸੋਰਸ ਕੋਡ ਆਫ ਕੰਡਕਟ](https://opensource.microsoft.com/codeofconduct/) ਨੂੰ ਅਪਨਾਇਆ ਹੈ।
+
+ਸਰੋਤ:
+
+- [ਮਾਈਕਰੋਸਾਫਟ ਓਪਨ ਸੋਰਸ ਕੋਡ ਆਫ ਕੰਡਕਟ](https://opensource.microsoft.com/codeofconduct/)
+- [ਮਾਈਕਰੋਸਾਫਟ ਕੋਡ ਆਫ ਕੰਡਕਟ FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
+- ਸਵਾਲ ਜਾਂ ਚਿੰਤਾਵਾਂ ਲਈ [opencode@microsoft.com](mailto:opencode@microsoft.com) ਨਾਲ ਸੰਪਰਕ ਕਰੋ
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/CONTRIBUTING.md b/translations/pa/CONTRIBUTING.md
new file mode 100644
index 00000000..9aff3c07
--- /dev/null
+++ b/translations/pa/CONTRIBUTING.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "61aff2b3273d4ab66709493b43f91ca1",
+  "translation_date": "2025-08-27T16:40:41+00:00",
+  "source_file": "CONTRIBUTING.md",
+  "language_code": "pa"
+}
+-->
+# ਯੋਗਦਾਨ
+
+ਇਹ ਪ੍ਰੋਜੈਕਟ ਯੋਗਦਾਨ ਅਤੇ ਸੁਝਾਅਾਂ ਦਾ ਸਵਾਗਤ ਕਰਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਯੋਗਦਾਨਾਂ ਲਈ ਤੁਹਾਨੂੰ ਇੱਕ Contributor License Agreement (CLA) ਨਾਲ ਸਹਿਮਤੀ ਦੇਣੀ ਪਵੇਗੀ, ਜਿਸ ਵਿੱਚ ਇਹ ਘੋਸ਼ਣਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਅਧਿਕਾਰ ਹਨ ਅਤੇ ਤੁਸੀਂ ਸਾਨੂੰ ਆਪਣੇ ਯੋਗਦਾਨ ਨੂੰ ਵਰਤਣ ਦੇ ਅਧਿਕਾਰ ਦਿੰਦੇ ਹੋ। ਵੇਰਵੇ ਲਈ, https://cla.microsoft.com 'ਤੇ ਜਾਓ।
+
+ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਪੁਲ ਰਿਕਵੈਸਟ ਸਬਮਿਟ ਕਰਦੇ ਹੋ, ਤਾਂ CLA-ਬੋਟ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰੇਗਾ ਕਿ ਕੀ ਤੁਹਾਨੂੰ CLA ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਅਤੇ PR ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਸਜਾਵੇਗਾ (ਜਿਵੇਂ ਕਿ ਲੇਬਲ, ਟਿੱਪਣੀ)। ਬੋਟ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਤੁਹਾਨੂੰ ਸਿਰਫ ਇੱਕ ਵਾਰ ਸਾਰੇ ਰਿਪੋਜ਼ਿਟਰੀਜ਼ ਵਿੱਚ CLA ਦੀ ਲੋੜ ਹੋਵੇਗੀ।
+
+ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੇ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ਨੂੰ ਅਪਨਾਇਆ ਹੈ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) ਵੇਖੋ ਜਾਂ [opencode@microsoft.com](mailto:opencode@microsoft.com) 'ਤੇ ਕੋਈ ਵਾਧੂ ਸਵਾਲ ਜਾਂ ਟਿੱਪਣੀਆਂ ਭੇਜੋ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/README.md b/translations/pa/README.md
new file mode 100644
index 00000000..30e2f7cc
--- /dev/null
+++ b/translations/pa/README.md
@@ -0,0 +1,163 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "6bb17a440fdabf0823105136a5b81029",
+  "translation_date": "2025-08-27T16:35:09+00:00",
+  "source_file": "README.md",
+  "language_code": "pa"
+}
+-->
+# ਡਾਟਾ ਸਾਇੰਸ ਸ਼ੁਰੂਆਤੀ ਲਈ - ਇੱਕ ਪਾਠਕ੍ਰਮ
+
+Azure Cloud Advocates ਮਾਈਕਰੋਸਾਫਟ ਵਿੱਚ 10 ਹਫ਼ਤਿਆਂ, 20 ਪਾਠਾਂ ਦਾ ਪਾਠਕ੍ਰਮ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਖੁਸ਼ ਹਨ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਬਾਰੇ ਹੈ। ਹਰ ਪਾਠ ਵਿੱਚ ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਪਾਠ ਤੋਂ ਬਾਅਦ ਕਵਿਜ਼, ਪਾਠ ਪੂਰਾ ਕਰਨ ਲਈ ਲਿਖਤ ਨਿਰਦੇਸ਼, ਇੱਕ ਹੱਲ ਅਤੇ ਇੱਕ ਅਸਾਈਨਮੈਂਟ ਸ਼ਾਮਲ ਹੈ। ਸਾਡੇ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪੈਡਾਗੌਜੀ ਤੁਹਾਨੂੰ ਸਿੱਖਣ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਬਣਾਉਂਦੇ ਹੋ, ਨਵੀਂ ਕੌਸ਼ਲਾਂ ਨੂੰ 'ਟਿਕਾਉਣ' ਦਾ ਸਾਬਤ ਤਰੀਕਾ।
+
+**ਸਾਡੇ ਲੇਖਕਾਂ ਨੂੰ ਦਿਲੋਂ ਧੰਨਵਾਦ:** [ਜੈਸਮਿਨ ਗ੍ਰੀਨਵੇ](https://www.twitter.com/paladique), [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com), [ਨਿਤਿਆ ਨਰਸਿੰਹਨ](https://twitter.com/nitya), [ਜੇਲਨ ਮੈਕਗੀ](https://twitter.com/JalenMcG), [ਜੇਨ ਲੂਪਰ](https://twitter.com/jenlooper), [ਮੌਦ ਲੇਵੀ](https://twitter.com/maudstweets), [ਟਿਫਨੀ ਸੌਟਰ](https://twitter.com/TiffanySouterre), [ਕ੍ਰਿਸਟੋਫਰ ਹੈਰਿਸਨ](https://www.twitter.com/geektrainer)।
+
+**🙏 ਵਿਸ਼ੇਸ਼ ਧੰਨਵਾਦ 🙏 ਸਾਡੇ [ਮਾਈਕਰੋਸਾਫਟ ਸਟੂਡੈਂਟ ਐਮਬੈਸਡਰ](https://studentambassadors.microsoft.com/) ਲੇਖਕਾਂ, ਸਮੀਖਾਕਾਰਾਂ ਅਤੇ ਸਮੱਗਰੀ ਯੋਗਦਾਨਕਰਤਾਵਾਂ ਨੂੰ,** ਜਿਵੇਂ ਕਿ ਆਰਿਆਨ ਅਰੋੜਾ, [ਅਦਿਤਿਆ ਗਰਗ](https://github.com/AdityaGarg00), [ਅਲੋਂਡਰਾ ਸਾਂਚੇਜ਼](https://www.linkedin.com/in/alondra-sanchez-molina/), [ਅੰਕਿਤਾ ਸਿੰਘ](https://www.linkedin.com/in/ankitasingh007), [ਅਨੁਪਮ ਮਿਸ਼ਰਾ](https://www.linkedin.com/in/anupam--mishra/), [ਅਰਪਿਤਾ ਦਾਸ](https://www.linkedin.com/in/arpitadas01/), ਚਹਿਲਬਿਹਾਰੀ ਦੁਬੇ, [ਦਿਬਰੀ ਨਸੋਫਰ](https://www.linkedin.com/in/dibrinsofor), [ਦਿਸ਼ਿਤਾ ਭਾਸਿਨ](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [ਮਜਦ ਸਾਫੀ](https://www.linkedin.com/in/majd-s/), [ਮੈਕਸ ਬਲਮ](https://www.linkedin.com/in/max-blum-6036a1186/), [ਮਿਗੁਏਲ ਕੋਰੇਆ](https://www.linkedin.com/in/miguelmque/), [ਮੋਹੰਮਾ ਇਫ਼ਤੇਖਰ (ਇਫ਼ਤੂ) ਇਬਨੇ ਜਲਾਲ](https://twitter.com/iftu119), [ਨਾਵਰਿਨ ਤਬਸੁਮ](https://www.linkedin.com/in/nawrin-tabassum), [ਰੇਮੰਡ ਵਾਂਗਸਾ ਪੁਤਰਾ](https://www.linkedin.com/in/raymond-wp/), [ਰੋਹਿਤ ਯਾਦਵ](https://www.linkedin.com/in/rty2423), ਸਮਰਿਧੀ ਸ਼ਰਮਾ, [ਸੰਯਾ ਸਿੰਹਾ](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), [ਸ਼ੀਨਾ ਨਰੂਲਾ](https://www.linkedin.com/in/sheena-narua-n/), [ਤੌਕੀਰ ਅਹਿਮਦ](https://www.linkedin.com/in/tauqeerahmad5201/), ਯੋਗੇਂਦਰਸਿੰਘ ਪਵਾਰ, [ਵਿਦੁਸ਼ੀ ਗੁਪਤਾ](https://www.linkedin.com/in/vidushi-gupta07/), [ਜਸਲੀਨ ਸੋਂਧੀ](https://www.linkedin.com/in/jasleen-sondhi/)।
+
+|![(@sketchthedocs)](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.pa.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਸ਼ੁਰੂਆਤੀ ਲਈ - _ਸਕੈਚਨੋਟ [@ਨਿਤਿਆ](https://twitter.com/nitya)_ |
+
+## ਐਲਾਨ - ਜਨਰੇਟਿਵ AI 'ਤੇ ਨਵਾਂ ਪਾਠਕ੍ਰਮ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਹੈ!
+
+ਅਸੀਂ ਜਨਰੇਟਿਵ AI 'ਤੇ 12 ਪਾਠਾਂ ਦਾ ਪਾਠਕ੍ਰਮ ਜਾਰੀ ਕੀਤਾ ਹੈ। ਆਓ ਸਿੱਖੋ:
+
+- ਪ੍ਰੋਮਪਟਿੰਗ ਅਤੇ ਪ੍ਰੋਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ
+- ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਐਪ ਜਨਰੇਸ਼ਨ
+- ਖੋਜ ਐਪਸ
+
+ਹਮੇਸ਼ਾ ਦੀ ਤਰ੍ਹਾਂ, ਇੱਕ ਪਾਠ, ਅਸਾਈਨਮੈਂਟਸ, ਗਿਆਨ ਜਾਂਚ ਅਤੇ ਚੁਣੌਤੀਆਂ ਸ਼ਾਮਲ ਹਨ।
+
+ਇਸਨੂੰ ਚੈੱਕ ਕਰੋ:
+
+> https://aka.ms/genai-beginners
+
+# ਕੀ ਤੁਸੀਂ ਵਿਦਿਆਰਥੀ ਹੋ?
+
+ਹੇਠਾਂ ਦਿੱਤੇ ਸਰੋਤਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ:
+
+- [ਵਿਦਿਆਰਥੀ ਹੱਬ ਪੇਜ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) ਇਸ ਪੇਜ 'ਤੇ, ਤੁਹਾਨੂੰ ਸ਼ੁਰੂਆਤੀ ਸਰੋਤ, ਵਿਦਿਆਰਥੀ ਪੈਕ ਅਤੇ ਮੁਫ਼ਤ ਸਰਟੀਫਿਕੇਟ ਵਾਊਚਰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਮਿਲਣਗੇ। ਇਹ ਇੱਕ ਪੇਜ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ ਬੁੱਕਮਾਰਕ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਚੈੱਕ ਕਰਦੇ ਰਹੋ ਕਿਉਂਕਿ ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਮਹੀਨਾਵਾਰ ਸਮੱਗਰੀ ਬਦਲਦੇ ਹਾਂ।
+- [ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ ਸਟੂਡੈਂਟ ਐਮਬੈਸਡਰ](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਗਲੋਬਲ ਸਮੁਦਾਇ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ, ਇਹ ਮਾਈਕਰੋਸਾਫਟ ਵਿੱਚ ਤੁਹਾਡਾ ਰਸਤਾ ਹੋ ਸਕਦਾ ਹੈ।
+
+# ਸ਼ੁਰੂਆਤ ਕਰਨਾ
+
+> **ਅਧਿਆਪਕਾਂ**: ਅਸੀਂ [ਕੁਝ ਸੁਝਾਅ ਸ਼ਾਮਲ ਕੀਤੇ ਹਨ](for-teachers.md) ਕਿ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ। ਅਸੀਂ ਤੁਹਾਡੀ ਪ੍ਰਤੀਕ੍ਰਿਆ [ਸਾਡੇ ਚਰਚਾ ਫੋਰਮ](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ਵਿੱਚ ਪਸੰਦ ਕਰਦੇ ਹਾਂ!
+
+> **[ਵਿਦਿਆਰਥੀ](https://aka.ms/student-page)**: ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਆਪਣੇ ਆਪ ਵਰਤਣ ਲਈ, ਪੂਰੇ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ ਅਤੇ ਆਪਣੇ ਆਪ ਅਭਿਆਸ ਪੂਰੇ ਕਰੋ, ਪਾਠਕ੍ਰਮ ਕਵਿਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ। ਫਿਰ ਪਾਠ ਪੜ੍ਹੋ ਅਤੇ ਬਾਕੀ ਗਤੀਵਿਧੀਆਂ ਪੂਰੀਆਂ ਕਰੋ। ਪਾਠਾਂ ਨੂੰ ਸਮਝ ਕੇ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਨਾ ਕਿ ਹੱਲ ਕੋਡ ਨੂੰ ਕਾਪੀ ਕਰਨ ਦੀ; ਹਾਲਾਂਕਿ, ਉਹ ਕੋਡ ਹਰ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠ ਵਿੱਚ /solutions ਫੋਲਡਰ ਵਿੱਚ ਉਪਲਬਧ ਹੈ। ਇੱਕ ਹੋਰ ਵਿਚਾਰ ਇਹ ਹੋਵੇਗਾ ਕਿ ਦੋਸਤਾਂ ਨਾਲ ਇੱਕ ਅਧਿਐਨ ਸਮੂਹ ਬਣਾਓ ਅਤੇ ਸਮੱਗਰੀ ਨੂੰ ਇਕੱਠੇ ਪੜ੍ਹੋ। ਅਗਲੇ ਅਧਿਐਨ ਲਈ, ਅਸੀਂ [ਮਾਈਕਰੋਸਾਫਟ ਲਰਨ](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ।
+
+## ਟੀਮ ਨਾਲ ਮਿਲੋ
+
+[![ਪ੍ਰੋਮੋ ਵੀਡੀਓ](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "ਪ੍ਰੋਮੋ ਵੀਡੀਓ")
+
+**Gif by** [ਮੋਹਿਤ ਜੈਸਲ](https://www.linkedin.com/in/mohitjaisal)
+
+> 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਇਸਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਲੋਕਾਂ ਬਾਰੇ ਵੀਡੀਓ ਦੇਖਣ ਲਈ!
+
+## ਪੈਡਾਗੌਜੀ
+
+ਅਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਬਣਾਉਣ ਦੌਰਾਨ ਦੋ ਪੈਡਾਗੌਜੀਕਲ ਸਿਧਾਂਤਾਂ ਨੂੰ ਚੁਣਿਆ ਹੈ: ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਇਹ ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਹੈ ਅਤੇ ਇਹ ਵਾਰੰ-ਵਾਰ ਕਵਿਜ਼ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਇਸ ਸਿਰੀਜ਼ ਦੇ ਅੰਤ ਤੱਕ, ਵਿਦਿਆਰਥੀ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਮੂਲ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਿੱਖ ਚੁੱਕੇ ਹੋਣਗੇ, ਜਿਸ ਵਿੱਚ ਨੈਤਿਕ ਧਾਰਨਾਵਾਂ, ਡਾਟਾ ਤਿਆਰੀ, ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ, ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ, ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਅਸਲ-ਜਗਤ ਦੇ ਉਪਯੋਗ ਅਤੇ ਹੋਰ ਸ਼ਾਮਲ ਹਨ।
+
+ਇਸਦੇ ਇਲਾਵਾ, ਕਲਾਸ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਘੱਟ-ਦਬਾਅ ਵਾਲਾ ਕਵਿਜ਼ ਵਿਦਿਆਰਥੀ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇ ਨੂੰ ਸਿੱਖਣ ਵੱਲ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨ ਲਈ ਸੈਟ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਕਲਾਸ ਤੋਂ ਬਾਅਦ ਦੂਜਾ ਕਵਿਜ਼ ਹੋਰ ਰਿਟੇਨਸ਼ਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਪਾਠਕ੍ਰਮ ਲਚਕੀਲਾ ਅਤੇ ਮਜ਼ੇਦਾਰ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਪੂਰੇ ਜਾਂ ਅੰਸ਼ਿਕ ਤੌਰ 'ਤੇ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪ੍ਰੋਜੈਕਟ ਛੋਟੇ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ ਅਤੇ 10 ਹਫ਼ਤਿਆਂ ਦੇ ਚੱਕਰ ਦੇ ਅੰਤ ਤੱਕ ਵਧਦੇ ਹਨ।
+
+> ਸਾਡੇ [ਕੋਡ ਆਫ ਕੰਡਕਟ](CODE_OF_CONDUCT.md), [ਯੋਗਦਾਨ](CONTRIBUTING.md), [ਅਨੁਵਾਦ](TRANSLATIONS.md) ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਲੱਭੋ। ਅਸੀਂ ਤੁਹਾਡੀ ਰਚਨਾਤਮਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦਾ ਸਵਾਗਤ ਕਰਦੇ ਹਾਂ!
+
+## ਹਰ ਪਾਠ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ:
+
+- ਵਿਕਲਪਿਕ ਸਕੈਚਨੋਟ
+- ਵਿਕਲਪਿਕ ਸਹਾਇਕ ਵੀਡੀਓ
+- ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਵਾਰਮਅਪ ਕਵਿਜ਼
+- ਲਿਖਤ ਪਾਠ
+- ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਿਤ ਪਾਠਾਂ ਲਈ, ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੇ ਕਦਮ-ਦਰ-ਕਦਮ ਗਾਈਡ
+- ਗਿਆਨ ਜਾਂਚ
+- ਇੱਕ ਚੁਣੌਤੀ
+- ਸਹਾਇਕ ਪੜ੍ਹਾਈ
+- ਅਸਾਈਨਮੈਂਟ
+- ਪਾਠ ਤੋਂ ਬਾਅਦ ਕਵਿਜ਼
+
+> **ਕਵਿਜ਼ਾਂ ਬਾਰੇ ਇੱਕ ਨੋਟ**: ਸਾਰੇ ਕਵਿਜ਼ Quiz-App ਫੋਲਡਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ, ਕੁੱਲ 40 ਕਵਿਜ਼, ਹਰ ਇੱਕ ਵਿੱਚ ਤਿੰਨ ਪ੍ਰਸ਼ਨ। ਇਹ ਪਾਠਾਂ ਵਿੱਚੋਂ ਲਿੰਕ ਕੀਤੇ ਗਏ ਹਨ, ਪਰ Quiz-App ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ Azure 'ਤੇ ਡਿਪਲੌਇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; `quiz-app` ਫੋਲਡਰ ਵਿੱਚ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਇਹ ਹੌਲੀ-ਹੌਲੀ ਸਥਾਨਕ ਕੀਤੇ ਜਾ ਰਹੇ ਹਨ।
+
+## ਪਾਠ
+
+|![(@sketchthedocs)](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.pa.png)|
+|:---:|
+| ਡਾਟਾ ਸਾਇੰਸ ਸ਼ੁਰੂਆਤੀ ਲਈ: ਰੋਡਮੈਪ - _ਸਕੈਚਨੋਟ [@ਨਿਤਿਆ](https://twitter.com/nitya)_ |
+
+| ਪਾਠ ਨੰਬਰ | ਵਿਸ਼ਾ | ਪਾਠ ਸਮੂਹ | ਸਿੱਖਣ ਦੇ ਉਦੇਸ਼ | ਲਿੰਕ ਕੀਤਾ ਪਾਠ | ਲੇਖਕ |
+| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: |
+| 01 | ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ | [ਪ੍ਰਸਤਾਵਨਾ](1-Introduction/README.md) | ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਮੂਲ ਧਾਰਨਾਵਾਂ ਅਤੇ ਇਹ ਕਿਵੇਂ ਕ੍ਰਿਤਮ ਬੁੱਧੀ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਵੱਡੇ ਡਾਟਾ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ। | [ਪਾਠ](1-Introduction/01-defining-data-science/README.md) [ਵੀਡੀਓ](https://youtu.be/beZ7Mb_oz9I) | [ਦਿਮਿਤਰੀ](http://soshnikov.com) |
+| 02 | ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ | [ਪ੍ਰਸਤਾਵਨਾ](1-Introduction/README.md) | ਡਾਟਾ ਨੈਤਿਕਤਾ ਧਾਰਨਾਵਾਂ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਫਰੇਮਵਰਕ। | [ਪਾਠ](1-Introduction/02-ethics/README.md) | [ਨਿਤਿਆ](https://twitter.com/nitya) |
+| 03 | ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ | [ਪ੍ਰਸਤਾਵਨਾ](1-Introduction/README.md) | ਡਾਟਾ ਕਿਵੇਂ ਵਰਗਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਆਮ ਸਰੋਤ। | [ਪਾਠ](1-Introduction/03-defining-data/README.md) | [ਜੈਸਮਿਨ](https://www.twitter.com/paladique) |
+| 04 | ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਪ੍ਰਸਤਾਵਨਾ | [ਪ੍ਰਸਤਾਵਨਾ](1-Introduction/README.md) | ਡਾਟਾ ਨੂੰ ਸਮਝਣ ਲਈ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ ਦੇ ਗਣਿਤਕ ਤਕਨੀਕ। | [ਪਾਠ](1-Introduction/04-stats-and-probability/README.md) [ਵੀਡੀਓ](https://youtu.be/Z5Zy85g4Yjw) | [ਦਿਮਿਤਰੀ](http://soshnikov.com) |
+| 05 | ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ | [ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ](2-Working-With-Data/README.md) | ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਦਾ ਪ੍ਰਸਤਾਵਨਾ ਅਤੇ ਸਟ੍ਰਕਚਰਡ ਕਵੈਰੀ ਲੈਂਗਵੇਜ (SQL) ਨਾਲ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਦੀ ਖੋਜ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਮੂਲ। | [ਪਾਠ](2-Working-With-Data/05-relational-databases/README.md) | [ਕ੍ਰਿਸਟੋਫਰ](https://www.twitter.com/geektrainer) | | |
+| 06 | NoSQL ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ | [ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ](2-Working-With-Data/README.md) | ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਦਾ ਪ੍ਰਸਤਾਵਨਾ, ਇਸਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਡਾਟਾਬੇਸ ਦੀ ਖੋਜ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਮੂਲ। | [ਪਾਠ](2-Working-With-Data/06-non-relational/README.md) | [ਜੈਸਮਿਨ](https://twitter.com/paladique)|
+| 07 | ਪਾਇਥਨ ਨਾਲ ਕੰਮ ਕਰਨਾ | [ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ](2-Working-With-Data/README.md) | Pandas ਵਰਗੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨਾਲ ਡਾਟਾ ਦੀ ਖੋਜ ਲਈ ਪਾਇਥਨ ਦੀ ਵਰਤੋਂ ਦੇ ਮੂਲ। ਪਾਇਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਦੀ ਮੂਲ ਸਮਝ ਸਿਫਾਰਸ਼ੀ ਹੈ। | [ਪਾਠ](2-Working-With-Data/07-python/README.md) [ਵੀਡੀਓ](https://youtu.be/dZjWOGbsN4Y) | [ਦਿਮਿਤਰੀ](http://soshnikov.com) |
+| 08 | ਡਾਟਾ ਤਿਆਰੀ | [ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ](2-Working-With-Data/README.md) | ਗੁੰਮ, ਗਲਤ ਜਾਂ ਅਧੂਰੇ ਡਾਟਾ ਦੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਡਾਟਾ ਨੂੰ ਸਾਫ ਅਤੇ ਬਦਲਣ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੇ ਵਿਸ਼ਿਆਂ। | [ਪਾਠ](2-Working-With-Data/08-data-preparation/README.md) | [ਜੈਸਮਿਨ](https://www.twitter.com/paladique) |
+| 09 | ਮਾਤਰਾ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ | [ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](3-Data-Visualization/README.md) | ਮੈਟਪਲਾਟਲਿਬ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੰਛੀਆਂ ਦੇ ਡਾਟਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਸਿੱਖੋ 🦆 | [ਪਾਠ](3-Data-Visualization/09-visualization-quantities/README.md) | [ਜੈਨ](https://twitter.com/jenlooper) |
+| 10 | ਡਾਟਾ ਦੇ ਵੰਡ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ | [ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](3-Data-Visualization/README.md) | ਇੱਕ ਅੰਤਰਾਲ ਵਿੱਚ ਅਵਲੋਕਨ ਅਤੇ ਰੁਝਾਨਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ। | [ਪਾਠ](3-Data-Visualization/10-visualization-distributions/README.md) | [ਜੈਨ](https://twitter.com/jenlooper) |
+| 11 | ਅਨੁਪਾਤਾਂ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ | [ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](3-Data-Visualization/README.md) | ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਵਿਖੇ ਵਿਸ਼ੇਸ਼ ਅਤੇ ਸਮੂਹਬੱਧ ਪ੍ਰਤੀਸ਼ਤ। | [ਪਾਠ](3-Data-Visualization/11-visualization-proportions/README.md) | [ਜੈਨ](https://twitter.com/jenlooper) |
+| 12 | ਸੰਬੰਧਾਂ ਦੀ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ | [ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](3-Data-Visualization/README.md) | ਡਾਟਾ ਦੇ ਸੈੱਟ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਵੈਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ ਅਤੇ ਸਹਿ-ਸੰਬੰਧਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ। | [ਪਾਠ](3-Data-Visualization/12-visualization-relationships/README.md) | [ਜੈਨ](https://twitter.com/jenlooper) |
+| 13 | ਅਰਥਪੂਰਨ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ | [ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](3-Data-Visualization/README.md) | ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਅਤੇ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਲਈ ਤੁਹਾਡੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਮੁੱਲਵਾਨ ਬਣਾਉਣ ਲਈ ਤਕਨੀਕਾਂ ਅਤੇ ਮਾਰਗਦਰਸ਼ਨ। | [ਪਾਠ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [ਜੈਨ](https://twitter.com/jenlooper) |
+| 14 | ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦਾ ਪਰਿਚਯ | [ਲਾਈਫਸਾਈਕਲ](4-Data-Science-Lifecycle/README.md) | ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਅਤੇ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਕੱਢਣ ਦੇ ਪਹਿਲੇ ਕਦਮ ਦਾ ਪਰਿਚਯ। | [ਪਾਠ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [ਜੈਸਮਿਨ](https://twitter.com/paladique) |
+| 15 | ਵਿਸ਼ਲੇਸ਼ਣ | [ਲਾਈਫਸਾਈਕਲ](4-Data-Science-Lifecycle/README.md) | ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦਾ ਇਹ ਚਰਨ ਡਾਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ। | [ਪਾਠ](4-Data-Science-Lifecycle/15-analyzing/README.md) | [ਜੈਸਮਿਨ](https://twitter.com/paladique) | | |
+| 16 | ਸੰਚਾਰ | [ਲਾਈਫਸਾਈਕਲ](4-Data-Science-Lifecycle/README.md) | ਡਾਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ ਜੋ ਫੈਸਲੇ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਸਮਝਣਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। | [ਪਾਠ](4-Data-Science-Lifecycle/16-communication/README.md) | [ਜੇਲਨ](https://twitter.com/JalenMcG) | | |
+| 17 | ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ | [ਕਲਾਉਡ ਡਾਟਾ](5-Data-Science-In-Cloud/README.md) | ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇਸਦੇ ਫਾਇਦਿਆਂ ਦਾ ਪਰਿਚਯ। | [ਪਾਠ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [ਟਿਫਨੀ](https://twitter.com/TiffanySouterre) ਅਤੇ [ਮੌਡ](https://twitter.com/maudstweets) |
+| 18 | ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ | [ਕਲਾਉਡ ਡਾਟਾ](5-Data-Science-In-Cloud/README.md) | ਲੋ ਕੋਡ ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਨਾ। | [ਪਾਠ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [ਟਿਫਨੀ](https://twitter.com/TiffanySouterre) ਅਤੇ [ਮੌਡ](https://twitter.com/maudstweets) |
+| 19 | ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ | [ਕਲਾਉਡ ਡਾਟਾ](5-Data-Science-In-Cloud/README.md) | ਐਜ਼ਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟੂਡੀਓ ਨਾਲ ਮਾਡਲਾਂ ਨੂੰ ਡਿਪਲੌਇ ਕਰਨਾ। | [ਪਾਠ](5-Data-Science-In-Cloud/19-Azure/README.md) | [ਟਿਫਨੀ](https://twitter.com/TiffanySouterre) ਅਤੇ [ਮੌਡ](https://twitter.com/maudstweets) |
+| 20 | ਜੰਗਲੀ ਹਾਲਾਤ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ | [ਜੰਗਲੀ ਹਾਲਾਤ](6-Data-Science-In-Wild/README.md) | ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਚਲਿਤ ਪ੍ਰੋਜੈਕਟ। | [ਪਾਠ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [ਨਿਤਿਆ](https://twitter.com/nitya) |
+
+## GitHub ਕੋਡਸਪੇਸ
+
+ਇਸ ਸੈਂਪਲ ਨੂੰ ਕੋਡਸਪੇਸ ਵਿੱਚ ਖੋਲ੍ਹਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
+1. ਕੋਡ ਡ੍ਰੌਪ-ਡਾਊਨ ਮੀਨੂ 'ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ "Open with Codespaces" ਵਿਕਲਪ ਚੁਣੋ।
+2. ਪੈਨ ਦੇ ਹੇਠਾਂ + ਨਵਾਂ ਕੋਡਸਪੇਸ ਚੁਣੋ।
+ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, [GitHub ਦਸਤਾਵੇਜ਼](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) ਵੇਖੋ।
+
+## VSCode ਰਿਮੋਟ - ਕੰਟੇਨਰ
+ਆਪਣੀ ਸਥਾਨਕ ਮਸ਼ੀਨ ਅਤੇ VSCode ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਰਿਪੋ ਨੂੰ ਕੰਟੇਨਰ ਵਿੱਚ ਖੋਲ੍ਹਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
+
+1. ਜੇਕਰ ਇਹ ਪਹਿਲੀ ਵਾਰ ਹੈ ਕਿ ਤੁਸੀਂ ਡਿਵੈਲਪਮੈਂਟ ਕੰਟੇਨਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੀ ਸਿਸਟਮ [ਸ਼ੁਰੂਆਤੀ ਦਸਤਾਵੇਜ਼](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) ਵਿੱਚ ਦਿੱਤੇ ਪ੍ਰੀ-ਰਿਕਵਾਇਰਮੈਂਟਸ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ Docker ਇੰਸਟਾਲ ਕੀਤਾ ਹੋਵੇ)।
+
+ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ ਅਲੱਗ Docker ਵਾਲਿਊਮ ਵਿੱਚ ਖੋਲ੍ਹ ਸਕਦੇ ਹੋ:
+
+**ਨੋਟ**: ਇਸ ਦੇ ਅੰਦਰ, ਇਹ "Remote-Containers: **Clone Repository in Container Volume...**" ਕਮਾਂਡ ਦੀ ਵਰਤੋਂ ਕਰੇਗਾ ਜੋ ਸਥਾਨਕ ਫਾਈਲ ਸਿਸਟਮ ਦੀ ਬਜਾਏ Docker ਵਾਲਿਊਮ ਵਿੱਚ ਸਰੋਤ ਕੋਡ ਨੂੰ ਕਲੋਨ ਕਰੇਗਾ। [ਵਾਲਿਊਮ](https://docs.docker.com/storage/volumes/) ਡਾਟਾ ਨੂੰ ਸਥਿਰ ਕਰਨ ਲਈ ਪਸੰਦੀਦਾ ਮਕੈਨਿਜ਼ਮ ਹਨ।
+
+ਜਾਂ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਕਲੋਨ ਕੀਤੇ ਜਾਂ ਡਾਊਨਲੋਡ ਕੀਤੇ ਗਏ ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਖੋਲ੍ਹੋ:
+
+- ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਆਪਣੇ ਸਥਾਨਕ ਫਾਈਲ ਸਿਸਟਮ 'ਤੇ ਕਲੋਨ ਕਰੋ।
+- F1 ਦਬਾਓ ਅਤੇ **Remote-Containers: Open Folder in Container...** ਕਮਾਂਡ ਚੁਣੋ।
+- ਇਸ ਫੋਲਡਰ ਦੀ ਕਲੋਨ ਕੀਤੀ ਕਾਪੀ ਚੁਣੋ, ਕੰਟੇਨਰ ਨੂੰ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਉਡੀਕ ਕਰੋ, ਅਤੇ ਚੀਜ਼ਾਂ ਨੂੰ ਅਜ਼ਮਾਓ।
+
+## ਆਫਲਾਈਨ ਪਹੁੰਚ
+
+ਤੁਸੀਂ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਆਫਲਾਈਨ ਚਲਾ ਸਕਦੇ ਹੋ। ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ, [Docsify ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart) ਆਪਣੇ ਸਥਾਨਕ ਮਸ਼ੀਨ 'ਤੇ, ਫਿਰ ਇਸ ਰਿਪੋ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈਬਸਾਈਟ ਤੁਹਾਡੇ localhost `localhost:3000` 'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਕੀਤੀ ਜਾਵੇਗੀ।
+
+> ਨੋਟ, ਨੋਟਬੁੱਕ Docsify ਰਾਹੀਂ ਰੈਂਡਰ ਨਹੀਂ ਕੀਤੇ ਜਾਣਗੇ, ਇਸ ਲਈ ਜਦੋਂ ਤੁਹਾਨੂੰ ਨੋਟਬੁੱਕ ਚਲਾਉਣ ਦੀ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਇਸਨੂੰ Python kernel ਚਲਾਉਣ ਵਾਲੇ VS Code ਵਿੱਚ ਅਲੱਗ ਕਰਕੇ ਚਲਾਓ।
+
+## ਮਦਦ ਦੀ ਲੋੜ ਹੈ!
+
+ਜੇਕਰ ਤੁਸੀਂ ਪੂਰੇ ਜਾਂ ਹਿੱਸੇ ਦੇ ਪਾਠਕ੍ਰਮ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਸਾਡੇ [Translations](TRANSLATIONS.md) ਗਾਈਡ ਦੀ ਪਾਲਣਾ ਕਰੋ।
+
+## ਹੋਰ ਪਾਠਕ੍ਰਮ
+
+ਸਾਡੀ ਟੀਮ ਹੋਰ ਪਾਠਕ੍ਰਮ ਤਿਆਰ ਕਰਦੀ ਹੈ! ਵੇਖੋ:
+
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਜਨਰੇਟਿਵ AI](https://aka.ms/genai-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਜਨਰੇਟਿਵ AI .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet)
+- [JavaScript ਨਾਲ ਜਨਰੇਟਿਵ AI](https://github.com/microsoft/generative-ai-with-javascript)
+- [Java ਨਾਲ ਜਨਰੇਟਿਵ AI](https://aka.ms/genaijava)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ AI](https://aka.ms/ai-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਡਾਟਾ ਸਾਇੰਸ](https://aka.ms/datascience-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ML](https://aka.ms/ml-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਸਾਈਬਰਸੁਰੱਖਿਆ](https://github.com/microsoft/Security-101) 
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ ਵੈਬ ਡਿਵੈਲਪਮੈਂਟ](https://aka.ms/webdev-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ IoT](https://aka.ms/iot-beginners)
+- [ਸ਼ੁਰੂਆਤੀ ਲਈ XR ਡਿਵੈਲਪਮੈਂਟ](https://github.com/microsoft/xr-development-for-beginners)
+- [ਪੇਅਰਡ ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ GitHub Copilot ਵਿੱਚ ਮਾਹਰ ਬਣਨਾ](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming)
+- [C#/.NET ਡਿਵੈਲਪਰਜ਼ ਲਈ GitHub Copilot ਵਿੱਚ ਮਾਹਰ ਬਣਨਾ](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers)
+- [ਆਪਣੀ Copilot ਮੁਹਿੰਮ ਚੁਣੋ](https://github.com/microsoft/CopilotAdventures)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣਤਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/SECURITY.md b/translations/pa/SECURITY.md
new file mode 100644
index 00000000..adea10f7
--- /dev/null
+++ b/translations/pa/SECURITY.md
@@ -0,0 +1,51 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "0d575483100c332b2dbaefef915bb3c4",
+  "translation_date": "2025-08-27T16:39:58+00:00",
+  "source_file": "SECURITY.md",
+  "language_code": "pa"
+}
+-->
+## ਸੁਰੱਖਿਆ
+
+ਮਾਈਕਰੋਸਾਫਟ ਆਪਣੇ ਸੌਫਟਵੇਅਰ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਾਡੇ GitHub ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ ਪ੍ਰਬੰਧਿਤ ਸਾਰੇ ਸਰੋਤ ਕੋਡ ਰਿਪੋਜ਼ਿਟਰੀਜ਼ ਸ਼ਾਮਲ ਹਨ, ਜਿਵੇਂ ਕਿ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ਅਤੇ [ਸਾਡੀਆਂ GitHub ਸੰਸਥਾਵਾਂ](https://opensource.microsoft.com/)।
+
+ਜੇ ਤੁਸੀਂ ਮਾਈਕਰੋਸਾਫਟ-ਮਾਲਕਾਨ ਵਾਲੇ ਕਿਸੇ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ ਸੁਰੱਖਿਆ ਸੰਬੰਧੀ ਕਮਜ਼ੋਰੀ ਪਾਈ ਹੈ ਜੋ [ਮਾਈਕਰੋਸਾਫਟ ਦੀ ਸੁਰੱਖਿਆ ਸੰਬੰਧੀ ਕਮਜ਼ੋਰੀ ਦੀ ਪਰਿਭਾਸ਼ਾ](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10)) 'ਤੇ ਪੂਰੀ ਉਤਰਦੀ ਹੈ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਇਸਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਅਨੁਸਾਰ ਸਾਨੂੰ ਰਿਪੋਰਟ ਕਰੋ।
+
+## ਸੁਰੱਖਿਆ ਮੁੱਦੇ ਰਿਪੋਰਟ ਕਰਨਾ
+
+**ਕਿਰਪਾ ਕਰਕੇ ਸੁਰੱਖਿਆ ਸੰਬੰਧੀ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਜਨਤਕ GitHub ਮੁੱਦਿਆਂ ਰਾਹੀਂ ਰਿਪੋਰਟ ਨਾ ਕਰੋ।**
+
+ਇਸਦੀ ਬਜਾਏ, ਕਿਰਪਾ ਕਰਕੇ ਇਸਨੂੰ ਮਾਈਕਰੋਸਾਫਟ ਸੁਰੱਖਿਆ ਪ੍ਰਤੀਕਰਿਆ ਕੇਂਦਰ (MSRC) 'ਤੇ ਰਿਪੋਰਟ ਕਰੋ: [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report)।
+
+ਜੇ ਤੁਸੀਂ ਲੌਗਇਨ ਕੀਤੇ ਬਿਨਾਂ ਜਮ੍ਹਾਂ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹੋ, ਤਾਂ [secure@microsoft.com](mailto:secure@microsoft.com) 'ਤੇ ਈਮੇਲ ਭੇਜੋ। ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਆਪਣੇ ਸੁਨੇਹੇ ਨੂੰ ਸਾਡੇ PGP ਕੁੰਜੀ ਨਾਲ ਇਨਕ੍ਰਿਪਟ ਕਰੋ; ਕਿਰਪਾ ਕਰਕੇ ਇਸਨੂੰ [Microsoft Security Response Center PGP Key page](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) ਤੋਂ ਡਾਊਨਲੋਡ ਕਰੋ।
+
+ਤੁਹਾਨੂੰ 24 ਘੰਟਿਆਂ ਦੇ ਅੰਦਰ ਜਵਾਬ ਮਿਲਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ ਤੁਹਾਨੂੰ ਜਵਾਬ ਨਹੀਂ ਮਿਲਦਾ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਈਮੇਲ ਰਾਹੀਂ ਫਾਲੋਅਪ ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਾਨੂੰ ਤੁਹਾਡਾ ਮੂਲ ਸੁਨੇਹਾ ਮਿਲਿਆ ਹੈ। ਵਧੇਰੇ ਜਾਣਕਾਰੀ [microsoft.com/msrc](https://www.microsoft.com/msrc) 'ਤੇ ਮਿਲ ਸਕਦੀ ਹੈ।
+
+ਕਿਰਪਾ ਕਰਕੇ ਹੇਠਾਂ ਦਿੱਤੀ ਜਾਣਕਾਰੀ (ਜਿੰਨੀ ਤੁਸੀਂ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹੋ) ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਸਾਨੂੰ ਸੰਭਾਵਿਤ ਮੁੱਦੇ ਦੀ ਪ੍ਰਕਿਰਤੀ ਅਤੇ ਵਿਸਥਾਰ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਮਿਲੇ:
+
+  * ਮੁੱਦੇ ਦੀ ਕਿਸਮ (ਜਿਵੇਂ ਕਿ ਬਫਰ ਓਵਰਫਲੋ, SQL ਇੰਜੈਕਸ਼ਨ, ਕ੍ਰਾਸ-ਸਾਈਟ ਸਕ੍ਰਿਪਟਿੰਗ, ਆਦਿ)
+  * ਮੁੱਦੇ ਦੇ ਪ੍ਰਗਟ ਹੋਣ ਨਾਲ ਸੰਬੰਧਿਤ ਸਰੋਤ ਫਾਈਲਾਂ ਦੇ ਪੂਰੇ ਪਾਥ
+  * ਪ੍ਰਭਾਵਿਤ ਸਰੋਤ ਕੋਡ ਦਾ ਸਥਾਨ (ਟੈਗ/ਸ਼ਾਖਾ/ਕਮਿਟ ਜਾਂ ਸਿੱਧਾ URL)
+  * ਮੁੱਦੇ ਨੂੰ ਦੁਹਰਾਉਣ ਲਈ ਕੋਈ ਵਿਸ਼ੇਸ਼ ਸੰਰਚਨਾ ਦੀ ਲੋੜ
+  * ਮੁੱਦੇ ਨੂੰ ਦੁਹਰਾਉਣ ਲਈ ਕਦਮ-ਦਰ-ਕਦਮ ਹਦਾਇਤਾਂ
+  * ਪ੍ਰੂਫ-ਆਫ-ਕਾਂਸੈਪਟ ਜਾਂ ਐਕਸਪਲੋਇਟ ਕੋਡ (ਜੇ ਸੰਭਵ ਹੋਵੇ)
+  * ਮੁੱਦੇ ਦਾ ਪ੍ਰਭਾਵ, ਜਿਸ ਵਿੱਚ ਇਹ ਵੀ ਸ਼ਾਮਲ ਹੈ ਕਿ ਹਮਲਾਵਰ ਇਸਨੂੰ ਕਿਵੇਂ ਸ਼ੋਸ਼ਣ ਕਰ ਸਕਦਾ ਹੈ
+
+ਇਹ ਜਾਣਕਾਰੀ ਸਾਨੂੰ ਤੁਹਾਡੀ ਰਿਪੋਰਟ ਨੂੰ ਜਲਦੀ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ।
+
+ਜੇ ਤੁਸੀਂ ਬਗ ਬਾਊਂਟੀ ਲਈ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਵਧੇਰੇ ਪੂਰੀ ਰਿਪੋਰਟਾਂ ਵਧੇਰੇ ਬਾਊਂਟੀ ਇਨਾਮ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾ ਸਕਦੀਆਂ ਹਨ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਡੇ [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) ਪੰਨੇ 'ਤੇ ਜਾਓ ਤਾਂ ਜੋ ਸਾਡੇ ਸਰਗਰਮ ਪ੍ਰੋਗਰਾਮਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਮਿਲ ਸਕੇ।
+
+## ਪਸੰਦੀਦਾ ਭਾਸ਼ਾਵਾਂ
+
+ਅਸੀਂ ਸਾਰੀਆਂ ਸੰਚਾਰਾਂ ਨੂੰ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਪਸੰਦ ਕਰਦੇ ਹਾਂ।
+
+## ਨੀਤੀ
+
+ਮਾਈਕਰੋਸਾਫਟ [Coordinated Vulnerability Disclosure](https://www.microsoft.com/en-us/msrc/cvd) ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਨਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤ ਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/SUPPORT.md b/translations/pa/SUPPORT.md
new file mode 100644
index 00000000..251830b4
--- /dev/null
+++ b/translations/pa/SUPPORT.md
@@ -0,0 +1,24 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
+  "translation_date": "2025-08-27T16:37:26+00:00",
+  "source_file": "SUPPORT.md",
+  "language_code": "pa"
+}
+-->
+# ਸਹਾਇਤਾ
+## ਸਮੱਸਿਆਵਾਂ ਦਰਜ ਕਰਨਾ ਅਤੇ ਮਦਦ ਪ੍ਰਾਪਤ ਕਰਨੀ  
+
+ਇਹ ਪ੍ਰੋਜੈਕਟ ਬੱਗਜ਼ ਅਤੇ ਫੀਚਰ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ GitHub Issues ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦਰਜ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮੌਜੂਦਾ ਸਮੱਸਿਆਵਾਂ ਦੀ ਖੋਜ ਕਰੋ ਤਾਂ ਜੋ ਦੁਹਰਾਈਆਂ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ। ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ, ਆਪਣੇ ਬੱਗ ਜਾਂ ਫੀਚਰ ਦੀ ਬੇਨਤੀ ਨੂੰ ਇੱਕ ਨਵੀਂ Issue ਵਜੋਂ ਦਰਜ ਕਰੋ।
+
+ਇਸ ਪ੍ਰੋਜੈਕਟ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਮਦਦ ਅਤੇ ਸਵਾਲਾਂ ਲਈ, ਇੱਕ Issue ਦਰਜ ਕਰੋ।
+
+## ਮਾਈਕਰੋਸਾਫਟ ਸਹਾਇਤਾ ਨੀਤੀ  
+
+ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਲਈ ਸਹਾਇਤਾ ਉਪਰੋਕਤ ਸਾਧਨਾਂ ਤੱਕ ਸੀਮਿਤ ਹੈ।
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/docs/_sidebar.md b/translations/pa/docs/_sidebar.md
new file mode 100644
index 00000000..e1055c03
--- /dev/null
+++ b/translations/pa/docs/_sidebar.md
@@ -0,0 +1,45 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3767555b3cc28a2865c79202f4374204",
+  "translation_date": "2025-08-27T17:01:46+00:00",
+  "source_file": "docs/_sidebar.md",
+  "language_code": "pa"
+}
+-->
+- ਜਾਣ ਪਛਾਣ  
+  - [ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ](../1-Introduction/01-defining-data-science/README.md)  
+  - [ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਨੈਤਿਕ ਮੂਲ](../1-Introduction/02-ethics/README.md)  
+  - [ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ](../1-Introduction/03-defining-data/README.md)  
+  - [ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ](../1-Introduction/04-stats-and-probability/README.md)  
+
+- ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ  
+  - [ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ](../2-Working-With-Data/05-relational-databases/README.md)  
+  - [ਨਾਨ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ](../2-Working-With-Data/06-non-relational/README.md)  
+  - [ਪਾਇਥਨ](../2-Working-With-Data/07-python/README.md)  
+  - [ਡਾਟਾ ਤਿਆਰੀ](../2-Working-With-Data/08-data-preparation/README.md)  
+
+- ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ  
+  - [ਮਾਤਰਾ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ](../3-Data-Visualization/09-visualization-quantities/README.md)  
+  - [ਵੰਡਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ](../3-Data-Visualization/10-visualization-distributions/README.md)  
+  - [ਅਨੁਪਾਤਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ](../3-Data-Visualization/11-visualization-proportions/README.md)  
+  - [ਸੰਬੰਧਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ](../3-Data-Visualization/12-visualization-relationships/README.md)  
+  - [ਅਰਥਪੂਰਨ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](../3-Data-Visualization/13-meaningful-visualizations/README.md)  
+
+- ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ  
+  - [ਜਾਣ ਪਛਾਣ](../4-Data-Science-Lifecycle/14-Introduction/README.md)  
+  - [ਵਿਸ਼ਲੇਸ਼ਣ](../4-Data-Science-Lifecycle/15-analyzing/README.md)  
+  - [ਸੰਚਾਰ](../4-Data-Science-Lifecycle/16-communication/README.md)  
+
+- ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ  
+  - [ਜਾਣ ਪਛਾਣ](../5-Data-Science-In-Cloud/17-Introduction/README.md)  
+  - [ਲੋ ਕੋਡ](../5-Data-Science-In-Cloud/18-Low-Code/README.md)  
+  - [ਐਜ਼ਰ](../5-Data-Science-In-Cloud/19-Azure/README.md)  
+
+- ਜੰਗਲੀ ਪਰੀਵਾਰ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ  
+  - [ਜੰਗਲੀ ਪਰੀਵਾਰ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](../6-Data-Science-In-Wild/README.md)  
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/for-teachers.md b/translations/pa/for-teachers.md
new file mode 100644
index 00000000..e30f1231
--- /dev/null
+++ b/translations/pa/for-teachers.md
@@ -0,0 +1,78 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "87f157ea00d36c1d12c14390d9852b50",
+  "translation_date": "2025-08-27T16:38:19+00:00",
+  "source_file": "for-teachers.md",
+  "language_code": "pa"
+}
+-->
+## ਸਿੱਖਿਆ ਦੇਣ ਵਾਲਿਆਂ ਲਈ
+
+ਕੀ ਤੁਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਬੇਝਿਜਕ ਵਰਤੋ!
+
+ਅਸਲ ਵਿੱਚ, ਤੁਸੀਂ ਇਸਨੂੰ GitHub ਵਿੱਚ ਹੀ GitHub Classroom ਦੀ ਮਦਦ ਨਾਲ ਵਰਤ ਸਕਦੇ ਹੋ।
+
+ਇਸ ਲਈ, ਇਸ ਰਿਪੋ ਨੂੰ ਫੋਰਕ ਕਰੋ। ਤੁਹਾਨੂੰ ਹਰ ਪਾਠ ਲਈ ਇੱਕ ਰਿਪੋ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਹਰ ਫੋਲਡਰ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਰਿਪੋ ਵਿੱਚ ਕੱਢਣਾ ਪਵੇਗਾ। ਇਸ ਤਰੀਕੇ ਨਾਲ, [GitHub Classroom](https://classroom.github.com/classrooms) ਹਰ ਪਾਠ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚੁਣ ਸਕੇਗਾ।
+
+ਇਹ [ਪੂਰੀਆਂ ਹਦਾਇਤਾਂ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ਤੁਹਾਨੂੰ ਦੱਸਣਗੀਆਂ ਕਿ ਆਪਣਾ ਕਲਾਸਰੂਮ ਕਿਵੇਂ ਸੈਟਅੱਪ ਕਰਨਾ ਹੈ।
+
+## ਰਿਪੋ ਨੂੰ ਜਿਵੇਂ ਹੈ ਤਿਵੇਂ ਵਰਤਣਾ
+
+ਜੇ ਤੁਸੀਂ ਇਸ ਰਿਪੋ ਨੂੰ ਇਸ ਦੇ ਮੌਜੂਦਾ ਰੂਪ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਬਿਨਾਂ GitHub Classroom ਦੀ ਵਰਤੋਂ ਕੀਤੇ, ਤਾਂ ਇਹ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨਾ ਪਵੇਗਾ ਕਿ ਕਿਹੜੇ ਪਾਠ 'ਤੇ ਇਕੱਠੇ ਕੰਮ ਕਰਨਾ ਹੈ।
+
+ਆਨਲਾਈਨ ਫਾਰਮੈਟ (Zoom, Teams, ਜਾਂ ਹੋਰ) ਵਿੱਚ ਤੁਸੀਂ ਕਵਿਜ਼ਾਂ ਲਈ ਬ੍ਰੇਕਆਉਟ ਰੂਮ ਬਣਾਉਣਗੇ, ਅਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਸਿੱਖਣ ਲਈ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹੋ। ਫਿਰ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਵਿਜ਼ਾਂ ਲਈ ਸੱਦਾ ਦਿਓ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਜਵਾਬ 'issues' ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਨਿਰਧਾਰਤ ਸਮੇਂ 'ਤੇ ਸਬਮਿਟ ਕਰਨ ਲਈ ਕਹੋ। ਤੁਸੀਂ ਅਸਾਈਨਮੈਂਟਾਂ ਨਾਲ ਵੀ ਇਹੀ ਕਰ ਸਕਦੇ ਹੋ, ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਵਿਦਿਆਰਥੀ ਖੁੱਲੇ ਤੌਰ 'ਤੇ ਸਹਿਯੋਗੀ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਨ।
+
+ਜੇ ਤੁਸੀਂ ਇੱਕ ਜ਼ਿਆਦਾ ਨਿੱਜੀ ਫਾਰਮੈਟ ਪਸੰਦ ਕਰਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਪਾਠਕ੍ਰਮ ਨੂੰ ਪਾਠ ਦਰ ਪਾਠ ਆਪਣੇ GitHub ਰਿਪੋਜ਼ ਨੂੰ ਨਿੱਜੀ ਰਿਪੋਜ਼ ਦੇ ਰੂਪ ਵਿੱਚ ਫੋਰਕ ਕਰਨ ਲਈ ਕਹੋ, ਅਤੇ ਤੁਹਾਨੂੰ ਪਹੁੰਚ ਦਿਓ। ਫਿਰ ਉਹ ਕਵਿਜ਼ਾਂ ਅਤੇ ਅਸਾਈਨਮੈਂਟਾਂ ਨੂੰ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਪੂਰਾ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਤੁਹਾਨੂੰ ਆਪਣੇ ਕਲਾਸਰੂਮ ਰਿਪੋ 'ਤੇ 'issues' ਦੇ ਰਾਹੀਂ ਸਬਮਿਟ ਕਰ ਸਕਦੇ ਹਨ।
+
+ਆਨਲਾਈਨ ਕਲਾਸਰੂਮ ਫਾਰਮੈਟ ਵਿੱਚ ਇਸਨੂੰ ਕੰਮਯੋਗ ਬਣਾਉਣ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ। ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਦੱਸੋ ਕਿ ਤੁਹਾਡੇ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੀ ਕੰਮ ਕਰਦਾ ਹੈ!
+
+## ਇਸ ਪਾਠਕ੍ਰਮ ਵਿੱਚ ਸ਼ਾਮਲ:
+
+20 ਪਾਠ, 40 ਕਵਿਜ਼, ਅਤੇ 20 ਅਸਾਈਨਮੈਂਟ। ਵਿਜ਼ੂਅਲ ਸਿੱਖਣ ਵਾਲਿਆਂ ਲਈ ਪਾਠਾਂ ਦੇ ਨਾਲ ਸਕੈਚਨੋਟਸ ਹਨ। ਕਈ ਪਾਠ Python ਅਤੇ R ਦੋਨੋਂ ਵਿੱਚ ਉਪਲਬਧ ਹਨ ਅਤੇ Jupyter notebooks ਦੀ ਵਰਤੋਂ ਕਰਕੇ VS Code ਵਿੱਚ ਪੂਰੇ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਸ ਟੈਕ ਸਟੈਕ ਨੂੰ ਵਰਤਣ ਲਈ ਆਪਣਾ ਕਲਾਸਰੂਮ ਸੈਟਅੱਪ ਕਰਨ ਬਾਰੇ ਹੋਰ ਜਾਣੋ: https://code.visualstudio.com/docs/datascience/jupyter-notebooks।
+
+ਸਾਰੇ ਸਕੈਚਨੋਟਸ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਫਾਰਮੈਟ ਦਾ ਪੋਸਟਰ ਵੀ ਸ਼ਾਮਲ ਹੈ, [ਇਸ ਫੋਲਡਰ](../../sketchnotes) ਵਿੱਚ ਹਨ।
+
+ਸਾਰਾ ਪਾਠਕ੍ਰਮ [PDF ਦੇ ਰੂਪ ਵਿੱਚ](../../pdf/readme.pdf) ਉਪਲਬਧ ਹੈ।
+
+ਤੁਸੀਂ ਇਸ ਪਾਠਕ੍ਰਮ ਨੂੰ ਇੱਕ ਸਵੈ-ਖੁਦ, ਆਫਲਾਈਨ-ਫ੍ਰੈਂਡਲੀ ਵੈਬਸਾਈਟ ਦੇ ਰੂਪ ਵਿੱਚ ਵੀ ਚਲਾ ਸਕਦੇ ਹੋ [Docsify](https://docsify.js.org/#/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ। [Docsify ਇੰਸਟਾਲ ਕਰੋ](https://docsify.js.org/#/quickstart) ਆਪਣੇ ਸਥਾਨਕ ਮਸ਼ੀਨ 'ਤੇ, ਫਿਰ ਆਪਣੇ ਸਥਾਨਕ ਕਾਪੀ ਦੇ ਰੂਟ ਫੋਲਡਰ ਵਿੱਚ `docsify serve` ਟਾਈਪ ਕਰੋ। ਵੈਬਸਾਈਟ ਤੁਹਾਡੇ localhost 'ਤੇ ਪੋਰਟ 3000 'ਤੇ ਸਰਵ ਕੀਤੀ ਜਾਵੇਗੀ: `localhost:3000`।
+
+ਇੱਕ ਆਫਲਾਈਨ-ਫ੍ਰੈਂਡਲੀ ਵਰਜਨ ਸਵੈ-ਖੁਦ ਵੈਬ ਪੇਜ ਦੇ ਰੂਪ ਵਿੱਚ ਖੁਲ੍ਹੇਗਾ: https://localhost:3000
+
+ਪਾਠ 6 ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡੇ ਗਏ ਹਨ:
+
+- 1: ਪਰਿਚਯ
+    - 1: ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ
+    - 2: ਨੈਤਿਕਤਾ
+    - 3: ਡਾਟਾ ਦੀ ਪਰਿਭਾਸ਼ਾ
+    - 4: ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ ਦਾ ਜਾਇਜ਼ਾ
+- 2: ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
+    - 5: ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ
+    - 6: ਨਾਨ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ
+    - 7: Python
+    - 8: ਡਾਟਾ ਤਿਆਰੀ
+- 3: ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+    - 9: ਮਾਤਰਾ ਦੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+    - 10: ਵੰਡ ਦੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+    - 11: ਅਨੁਪਾਤ ਦੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+    - 12: ਸੰਬੰਧਾਂ ਦੀ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+    - 13: ਅਰਥਪੂਰਨ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ
+- 4: ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ
+    - 14: ਪਰਿਚਯ
+    - 15: ਵਿਸ਼ਲੇਸ਼ਣ
+    - 16: ਸੰਚਾਰ
+- 5: ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ
+    - 17: ਪਰਿਚਯ
+    - 18: ਲੋ-ਕੋਡ ਵਿਕਲਪ
+    - 19: Azure
+- 6: ਜੰਗਲੀ ਡਾਟਾ ਸਾਇੰਸ
+    - 20: ਜਾਇਜ਼ਾ
+
+## ਕਿਰਪਾ ਕਰਕੇ ਸਾਨੂੰ ਆਪਣੇ ਵਿਚਾਰ ਦਿਓ!
+
+ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਇਹ ਪਾਠਕ੍ਰਮ ਤੁਹਾਡੇ ਅਤੇ ਤੁਹਾਡੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਕੰਮ ਕਰੇ। ਕਿਰਪਾ ਕਰਕੇ ਚਰਚਾ ਬੋਰਡਾਂ ਵਿੱਚ ਸਾਨੂੰ ਫੀਡਬੈਕ ਦਿਓ! ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਚਰਚਾ ਬੋਰਡਾਂ 'ਤੇ ਇੱਕ ਕਲਾਸਰੂਮ ਖੇਤਰ ਬਣਾਉਣ ਲਈ ਬੇਝਿਜਕ ਮਹਿਸੂਸ ਕਰੋ।
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/quiz-app/README.md b/translations/pa/quiz-app/README.md
new file mode 100644
index 00000000..2451ab53
--- /dev/null
+++ b/translations/pa/quiz-app/README.md
@@ -0,0 +1,138 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "e92c33ea498915a13c9aec162616db18",
+  "translation_date": "2025-08-27T17:55:03+00:00",
+  "source_file": "quiz-app/README.md",
+  "language_code": "pa"
+}
+-->
+# ਕਵਿਜ਼
+
+ਇਹ ਕਵਿਜ਼ ਡਾਟਾ ਸਾਇੰਸ ਕਰੀਕੁਲਮ ਲਈ ਲੈਕਚਰ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਦੇ ਕਵਿਜ਼ ਹਨ ਜੋ https://aka.ms/datascience-beginners 'ਤੇ ਉਪਲਬਧ ਹਨ।  
+## ਅਨੁਵਾਦਿਤ ਕਵਿਜ਼ ਸੈੱਟ ਸ਼ਾਮਲ ਕਰਨਾ
+
+ਕਵਿਜ਼ ਦਾ ਅਨੁਵਾਦ ਸ਼ਾਮਲ ਕਰਨ ਲਈ `assets/translations` ਫੋਲਡਰ ਵਿੱਚ ਮਿਲਦੇ ਜੁਲਦੇ ਕਵਿਜ਼ ਸਟ੍ਰਕਚਰ ਬਣਾਓ। ਮੂਲ ਕਵਿਜ਼ `assets/translations/en` ਵਿੱਚ ਹਨ। ਕਵਿਜ਼ ਕਈ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡੇ ਹੋਏ ਹਨ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਸਹੀ ਕਵਿਜ਼ ਸੈਕਸ਼ਨ ਨਾਲ ਗਿਣਤੀ ਨੂੰ ਸਿੰਕ ਕਰੋ। ਇਸ ਕਰੀਕੁਲਮ ਵਿੱਚ ਕੁੱਲ 40 ਕਵਿਜ਼ ਹਨ, ਅਤੇ ਗਿਣਤੀ 0 ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ।
+
+ਅਨੁਵਾਦਾਂ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਤੋਂ ਬਾਅਦ, translation ਫੋਲਡਰ ਵਿੱਚ `index.js` ਫਾਇਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ ਤਾਂ ਜੋ ਸਾਰੇ ਫਾਇਲਾਂ ਨੂੰ `en` ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਰੀਤ-ਰਿਵਾਜਾਂ ਦੇ ਅਨੁਸਾਰ ਇੰਪੋਰਟ ਕੀਤਾ ਜਾ ਸਕੇ।
+
+`assets/translations` ਵਿੱਚ `index.js` ਫਾਇਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ ਤਾਂ ਜੋ ਨਵੇਂ ਅਨੁਵਾਦਿਤ ਫਾਇਲਾਂ ਨੂੰ ਇੰਪੋਰਟ ਕੀਤਾ ਜਾ ਸਕੇ।
+
+ਫਿਰ, ਇਸ ਐਪ ਵਿੱਚ `App.vue` ਵਿੱਚ ਡ੍ਰਾਪਡਾਊਨ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ ਤਾਂ ਜੋ ਤੁਹਾਡੀ ਭਾਸ਼ਾ ਸ਼ਾਮਲ ਕੀਤੀ ਜਾ ਸਕੇ। ਅਨੁਵਾਦਿਤ ਸੰਖੇਪ ਰੂਪ ਨੂੰ ਤੁਹਾਡੀ ਭਾਸ਼ਾ ਦੇ ਫੋਲਡਰ ਨਾਮ ਨਾਲ ਮਿਲਾਓ।
+
+ਅੰਤ ਵਿੱਚ, ਅਨੁਵਾਦਿਤ ਪਾਠਾਂ ਵਿੱਚ ਸਾਰੇ ਕਵਿਜ਼ ਲਿੰਕਾਂ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰੋ, ਜੇ ਉਹ ਮੌਜੂਦ ਹਨ, ਤਾਂ ਜੋ ਇਸ ਅਨੁਵਾਦ ਨੂੰ ਇੱਕ ਕਵੈਰੀ ਪੈਰਾਮੀਟਰ ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕੇ: `?loc=fr` ਉਦਾਹਰਨ ਲਈ।  
+
+## ਪ੍ਰੋਜੈਕਟ ਸੈਟਅੱਪ
+
+```
+npm install
+```
+
+### ਵਿਕਾਸ ਲਈ ਕੰਪਾਇਲ ਅਤੇ ਹੌਟ-ਰੀਲੋਡ
+
+```
+npm run serve
+```
+
+### ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਕੰਪਾਇਲ ਅਤੇ ਮਿਨੀਫਾਈ
+
+```
+npm run build
+```
+
+### ਫਾਇਲਾਂ ਨੂੰ ਲਿੰਟ ਅਤੇ ਫਿਕਸ ਕਰਦਾ ਹੈ
+
+```
+npm run lint
+```
+
+### ਕਨਫਿਗਰੇਸ਼ਨ ਨੂੰ ਕਸਟਮਾਈਜ਼ ਕਰੋ
+
+[Configuration Reference](https://cli.vuejs.org/config/) ਵੇਖੋ।
+
+ਸ਼੍ਰੇਯ: ਇਸ ਕਵਿਜ਼ ਐਪ ਦੇ ਮੂਲ ਸੰਸਕਰਣ ਲਈ ਧੰਨਵਾਦ: https://github.com/arpan45/simple-quiz-vue  
+
+## Azure 'ਤੇ ਡਿਪਲੌਇ ਕਰਨਾ
+
+ਇੱਥੇ ਇੱਕ ਕਦਮ-ਦਰ-ਕਦਮ ਗਾਈਡ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ:
+
+1. GitHub ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ  
+ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡਾ ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਕੋਡ ਤੁਹਾਡੇ GitHub ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਹੈ। ਇਸ ਰਿਪੋਜ਼ਟਰੀ ਨੂੰ ਫੋਰਕ ਕਰੋ।
+
+2. ਇੱਕ Azure ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਬਣਾਓ  
+- ਇੱਕ [Azure ਖਾਤਾ](http://azure.microsoft.com) ਬਣਾਓ  
+- [Azure ਪੋਰਟਲ](https://portal.azure.com) 'ਤੇ ਜਾਓ  
+- “Create a resource” 'ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ “Static Web App” ਦੀ ਖੋਜ ਕਰੋ।  
+- “Create” 'ਤੇ ਕਲਿਕ ਕਰੋ।  
+
+3. ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਨੂੰ ਕਨਫਿਗਰ ਕਰੋ  
+- ਬੇਸਿਕਸ:  
+  - Subscription: ਆਪਣੀ Azure ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਚੁਣੋ।  
+  - Resource Group: ਇੱਕ ਨਵਾਂ ਰਿਸੋਰਸ ਗਰੁੱਪ ਬਣਾਓ ਜਾਂ ਮੌਜੂਦਾ ਵਰਤੋ।  
+  - Name: ਆਪਣੇ ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਲਈ ਇੱਕ ਨਾਮ ਦਿਓ।  
+  - Region: ਆਪਣੇ ਯੂਜ਼ਰਾਂ ਦੇ ਸਭ ਤੋਂ ਨੇੜੇ ਖੇਤਰ ਦੀ ਚੋਣ ਕਰੋ।  
+
+- #### ਡਿਪਲੌਇਮੈਂਟ ਵੇਰਵੇ:  
+  - Source: “GitHub” ਚੁਣੋ।  
+  - GitHub Account: Azure ਨੂੰ ਤੁਹਾਡੇ GitHub ਖਾਤੇ ਤੱਕ ਪਹੁੰਚ ਦੀ ਅਨੁਮਤੀ ਦਿਓ।  
+  - Organization: ਆਪਣੀ GitHub ਸੰਸਥਾ ਚੁਣੋ।  
+  - Repository: ਉਹ ਰਿਪੋਜ਼ਟਰੀ ਚੁਣੋ ਜਿਸ ਵਿੱਚ ਤੁਹਾਡਾ ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਹੈ।  
+  - Branch: ਉਹ ਬ੍ਰਾਂਚ ਚੁਣੋ ਜਿਸ ਤੋਂ ਤੁਸੀਂ ਡਿਪਲੌਇ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ।  
+
+- #### ਬਿਲਡ ਵੇਰਵੇ:  
+  - Build Presets: ਉਹ ਫਰੇਮਵਰਕ ਚੁਣੋ ਜਿਸ ਨਾਲ ਤੁਹਾਡਾ ਐਪ ਬਣਾਇਆ ਗਿਆ ਹੈ (ਜਿਵੇਂ React, Angular, Vue, ਆਦਿ)।  
+  - App Location: ਉਹ ਫੋਲਡਰ ਦਰਸਾਓ ਜਿਸ ਵਿੱਚ ਤੁਹਾਡਾ ਐਪ ਕੋਡ ਹੈ (ਜਿਵੇਂ / ਜੇਕਰ ਇਹ ਰੂਟ ਵਿੱਚ ਹੈ)।  
+  - API Location: ਜੇ ਤੁਹਾਡੇ ਕੋਲ API ਹੈ, ਤਾਂ ਇਸ ਦਾ ਸਥਾਨ ਦਰਸਾਓ (ਵਿਕਲਪਿਕ)।  
+  - Output Location: ਉਹ ਫੋਲਡਰ ਦਰਸਾਓ ਜਿੱਥੇ ਬਿਲਡ ਆਉਟਪੁੱਟ ਤਿਆਰ ਹੁੰਦੀ ਹੈ (ਜਿਵੇਂ build ਜਾਂ dist)।  
+
+4. ਸਮੀਖਿਆ ਕਰੋ ਅਤੇ ਬਣਾਓ  
+ਆਪਣੀਆਂ ਸੈਟਿੰਗਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਅਤੇ “Create” 'ਤੇ ਕਲਿਕ ਕਰੋ। Azure ਜ਼ਰੂਰੀ ਰਿਸੋਰਸ ਸੈਟਅੱਪ ਕਰੇਗਾ ਅਤੇ ਤੁਹਾਡੇ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਇੱਕ GitHub Actions ਵਰਕਫਲੋ ਬਣਾਏਗਾ।  
+
+5. GitHub Actions ਵਰਕਫਲੋ  
+Azure ਤੁਹਾਡੇ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਇੱਕ GitHub Actions ਵਰਕਫਲੋ ਫਾਇਲ ਬਣਾਏਗਾ (.github/workflows/azure-static-web-apps-<name>.yml)। ਇਹ ਵਰਕਫਲੋ ਬਿਲਡ ਅਤੇ ਡਿਪਲੌਇਮੈਂਟ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੰਭਾਲੇਗਾ।  
+
+6. ਡਿਪਲੌਇਮੈਂਟ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ  
+ਤੁਹਾਡੇ GitHub ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ “Actions” ਟੈਬ 'ਤੇ ਜਾਓ।  
+ਤੁਹਾਨੂੰ ਇੱਕ ਵਰਕਫਲੋ ਚੱਲਦਾ ਹੋਇਆ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਵਰਕਫਲੋ ਤੁਹਾਡੇ ਸਟੈਟਿਕ ਵੈੱਬ ਐਪ ਨੂੰ Azure 'ਤੇ ਬਿਲਡ ਅਤੇ ਡਿਪਲੌਇ ਕਰੇਗਾ।  
+ਜਦੋਂ ਵਰਕਫਲੋ ਪੂਰਾ ਹੋ ਜਾਵੇ, ਤੁਹਾਡਾ ਐਪ ਦਿੱਤੇ ਗਏ Azure URL 'ਤੇ ਲਾਈਵ ਹੋਵੇਗਾ।  
+
+### ਉਦਾਹਰਨ ਵਰਕਫਲੋ ਫਾਇਲ
+
+ਇੱਥੇ GitHub Actions ਵਰਕਫਲੋ ਫਾਇਲ ਦਾ ਇੱਕ ਉਦਾਹਰਨ ਦਿੱਤਾ ਗਿਆ ਹੈ:  
+name: Azure Static Web Apps CI/CD  
+```
+on:
+  push:
+    branches:
+      - main
+  pull_request:
+    types: [opened, synchronize, reopened, closed]
+    branches:
+      - main
+
+jobs:
+  build_and_deploy_job:
+    runs-on: ubuntu-latest
+    name: Build and Deploy Job
+    steps:
+      - uses: actions/checkout@v2
+      - name: Build And Deploy
+        id: builddeploy
+        uses: Azure/static-web-apps-deploy@v1
+        with:
+          azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
+          repo_token: ${{ secrets.GITHUB_TOKEN }}
+          action: "upload"
+          app_location: "quiz-app" # App source code path
+          api_location: ""API source code path optional
+          output_location: "dist" #Built app content directory - optional
+```  
+
+### ਵਾਧੂ ਸਰੋਤ  
+- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started)  
+- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)  
+
+---
+
+**ਅਸਵੀਕਾਰਨਾ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
diff --git a/translations/pa/sketchnotes/README.md b/translations/pa/sketchnotes/README.md
new file mode 100644
index 00000000..2f82669c
--- /dev/null
+++ b/translations/pa/sketchnotes/README.md
@@ -0,0 +1,21 @@
+<!--
+CO_OP_TRANSLATOR_METADATA:
+{
+  "original_hash": "3a848466cb63aff1a93411affb152c2a",
+  "translation_date": "2025-08-27T17:29:40+00:00",
+  "source_file": "sketchnotes/README.md",
+  "language_code": "pa"
+}
+-->
+ਸਾਰੇ ਸਕੈਚਨੋਟਸ ਇੱਥੇ ਪਾਓ!
+
+## ਸ਼੍ਰੇਯ
+
+ਨਿਤਿਆ ਨਰਸਿੰਮਨ, ਕਲਾਕਾਰ
+
+![ਰੋਡਮੈਪ ਸਕੈਚਨੋਟ](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.pa.png)
+
+---
+
+**ਅਸਵੀਕਰਤੀ**:  
+ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਪੂਰੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਆਟੋਮੈਟਿਕ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇਪਣ ਹੋ ਸਕਦੇ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file