update-translations
localizeflow[bot]
7 days ago
parent
594e823aee
commit
59367790c0
@ -1,125 +1,169 @@
|
||||
# ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ
|
||||
# ਡੇਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ
|
||||
|
||||
|  ](../../sketchnotes/01-Definitions.png) |
|
||||
|  ](../../sketchnotes/01-Definitions.png) |
|
||||
| :----------------------------------------------------------------------------------------------------: |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ - _ਸਕੇਚਨੋਟ [@nitya](https://twitter.com/nitya)_ |
|
||||
| ਡੇਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
---
|
||||
|
||||
[](https://youtu.be/beZ7Mb_oz9I)
|
||||
[](https://youtu.be/beZ7Mb_oz9I)
|
||||
|
||||
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/0)
|
||||
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਪ੍ਰਸ਼ਨਾਵਲੀ](https://ff-quizzes.netlify.app/en/ds/quiz/0)
|
||||
|
||||
## ਡਾਟਾ ਕੀ ਹੈ?
|
||||
ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ, ਅਸੀਂ ਹਮੇਸ਼ਾ ਡਾਟਾ ਨਾਲ ਘਿਰੇ ਰਹਿੰਦੇ ਹਾਂ। ਤੁਸੀਂ ਹੁਣ ਜੋ ਟੈਕਸਟ ਪੜ੍ਹ ਰਹੇ ਹੋ, ਇਹ ਵੀ ਡਾਟਾ ਹੈ। ਤੁਹਾਡੇ ਸਮਾਰਟਫੋਨ ਵਿੱਚ ਤੁਹਾਡੇ ਦੋਸਤਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਦੀ ਸੂਚੀ ਡਾਟਾ ਹੈ, ਅਤੇ ਤੁਹਾਡੀ ਘੜੀ 'ਤੇ ਦਿਖਾਈ ਦੇ ਰਹੇ ਮੌਜੂਦਾ ਸਮੇਂ ਦੀ ਜਾਣਕਾਰੀ ਵੀ। ਇੱਕ ਮਨੁੱਖ ਦੇ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਪੈਸੇ ਗਿਣਣਾ ਜਾਂ ਆਪਣੇ ਦੋਸਤਾਂ ਨੂੰ ਚਿੱਠੀਆਂ ਲਿਖਣਾ।
|
||||
## ਡੇਟਾ ਕੀ ਹੈ?
|
||||
ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ, ਅਸੀਂ ਲਗਾਤਾਰ ਡੇਟਾ ਨਾਲ ਘਿਰੇ ਹੋਏ ਹਾਂ। ਤੁਸੀਂ ਹੁਣ ਜੋ ਲਿਖ ਰਿਹਾ/ਰਿਹੀ ਹੋ, ਉਹ ਡੇਟਾ ਹੈ। ਤੁਹਾਡੇ ਦੋਸਤਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਦੀ ਸੂਚੀ ਤੁਹਾਡੇ ਸਮਾਰਟਫੋਨ ਵਿੱਚ ਡੇਟਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਤੁਹਾਡੇ ਘੜੀ 'ਤੇ ਦਿਖਾਈ ਦੇ ਰਹੀ ਮੌਜੂਦਾ ਵਕਤ ਵੀ। ਮਨੁੱਖਾਂ ਵਜੋਂ, ਅਸੀਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਪੈਸਾ ਗਿਣਨਾ ਜਾਂ ਦੋਸਤਾਂ ਨੂੰ ਖਤ ਲਿਖਣਾ।
|
||||
|
||||
ਹਾਲਾਂਕਿ, ਕੰਪਿਊਟਰਾਂ ਦੇ ਬਣਨ ਨਾਲ ਡਾਟਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੋ ਗਿਆ। ਕੰਪਿਊਟਰਾਂ ਦਾ ਮੁੱਖ ਕੰਮ ਗਣਨਾ ਕਰਨਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਸਾਨੂੰ ਸਮਝਣਾ ਪਵੇਗਾ ਕਿ ਕੰਪਿਊਟਰ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਨ।
|
||||
ਪਰ, ਡੇਟਾ ਕੰਪਿਊਟਰਾਂ ਦੇ ਬਣਨ ਨਾਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਹਿਮ ਹੋ ਗਿਆ। ਕੰਪਿਊਟਰਾਂ ਦਾ ਮੁਖ ਭੂਮਿਕਾ ਗਣਨਾਕਾਰੀ ਕਰਨੀ ਹੁੰਦੀ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਡੇਟੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਸਾਨੂੰ ਸਮਝਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਕੰਪਿਊਟਰ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈੱਸ ਕਰਦੇ ਹਨ।
|
||||
|
||||
ਇੰਟਰਨੈਟ ਦੇ ਆਉਣ ਨਾਲ, ਡਾਟਾ ਸੰਭਾਲਣ ਵਾਲੇ ਜੰਤਰਾਂ ਦੇ ਤੌਰ 'ਤੇ ਕੰਪਿਊਟਰਾਂ ਦੀ ਭੂਮਿਕਾ ਵਧ ਗਈ। ਜੇ ਤੁਸੀਂ ਸੋਚੋ, ਅਸੀਂ ਹੁਣ ਗਣਨਾ ਕਰਨ ਦੀ ਬਜਾਏ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸੰਚਾਰ ਲਈ ਜ਼ਿਆਦਾ ਤੋਂ ਜ਼ਿਆਦਾ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਜਦੋਂ ਅਸੀਂ ਆਪਣੇ ਦੋਸਤ ਨੂੰ ਈਮੇਲ ਲਿਖਦੇ ਹਾਂ ਜਾਂ ਇੰਟਰਨੈਟ 'ਤੇ ਕੁਝ ਜਾਣਕਾਰੀ ਖੋਜਦੇ ਹਾਂ - ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਡਾਟਾ ਬਣਾਉਂਦੇ, ਸਟੋਰ ਕਰਦੇ, ਭੇਜਦੇ ਅਤੇ ਮੈਨਿਪੁਲੇਟ ਕਰਦੇ ਹਾਂ।
|
||||
> ਕੀ ਤੁਸੀਂ ਆਖਰੀ ਵਾਰ ਯਾਦ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਅਸਲ ਵਿੱਚ ਕੁਝ ਗਣਨਾ ਕਰਨ ਲਈ ਕੀਤੀ ਸੀ?
|
||||
ਅੰਤਰਜਾਲ ਦੇ ਆਗਮਨ ਨਾਲ, ਕੰਪਿਊਟਰਾਂ ਦਾ ਡੇਟਾ ਸਾਂਭਣ ਵਾਲੇ ਯੰਤਰ ਵਜੋਂ ਭੂਮਿਕਾ ਵਧ ਗਈ। ਜੇ ਤੁਸੀਂ ਸੋਚੋ, ਅਸੀਂ ਹੁਣ ਡੇਟਾ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਸੰਚਾਰ ਲਈ ਕੰਪਿਊਟਰ ਜ਼ਿਆਦਾ ਵਰਤਦੇ ਹਾਂ, ਗਣਨਾਕਾਰੀ ਦੀ ਤુલਨਾ ਵਿੱਚ ਘੱਟ। ਜਦੋਂ ਅਸੀਂ ਦੋਸਤ ਨੂੰ ਈ-ਮੇਲ ਲਿਖਦੇ ਹਾਂ ਜਾਂ ਇੰਟਰਨੈੱਟ 'ਤੇ ਕੋਈ ਜਾਣਕਾਰੀ ਲੱਭਦੇ ਹਾਂ - ਅਸੀਂ ਮੁਢਲੀ ਤੌਰ 'ਤੇ ਡੇਟਾ ਬਣਾਉਂਦੇ, ਸਟੋਰ ਕਰਦੇ, ਪ੍ਰਸਾਰਿਤ ਕਰਦੇ ਅਤੇ ਸੰਚਾਲਿਤ ਕਰਦੇ ਹਾਂ।
|
||||
> ਕੀ ਤੁਸੀਂ ਯਾਦ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਆਖਰੀ ਵਾਰੀ ਤੁਸੀਂ ਕੰਪਿਊਟਰ 'ਤੇ ਕਿਸੇ ਚੀਜ਼ ਦਾ ਗਣਨਾ ਕੀਤੀ ਸੀ?
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ ਕੀ ਹੈ?
|
||||
## ਡੇਟਾ ਸਾਇੰਸ ਕੀ ਹੈ?
|
||||
|
||||
[ਵਿਕੀਪੀਡੀਆ](https://en.wikipedia.org/wiki/Data_science) ਵਿੱਚ, **ਡਾਟਾ ਸਾਇੰਸ** ਨੂੰ *ਇੱਕ ਵਿਗਿਆਨਕ ਖੇਤਰ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਤੋਂ ਗਿਆਨ ਅਤੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਡਾਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਅਤੇ ਕਾਰਗਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਦਾ ਹੈ।*
|
||||
[ਵੀਕਿਪੀਡੀਆ](https://en.wikipedia.org/wiki/Data_science) ਅਨੁਸਾਰ, **ਡੇਟਾ ਸਾਇੰਸ** ਨੂੰ ਐਸਾ ਵਿਗਿਆਨਕ ਖੇਤਰ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਵਿਗਿਆਨਕ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡੇਟਾ ਵਿੱਚੋਂ ਗਿਆਨ ਅਤੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀਆਂ ਨਿਕਾਲਦਾ ਹੈ ਅਤੇ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰਾਂ ਵਿੱਚ ਡੇਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ੀਲ ਅੰਦਰੂਨੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ।
|
||||
|
||||
ਇਹ ਪਰਿਭਾਸ਼ਾ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਹੇਠ ਲਿਖੇ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ:
|
||||
ਇਸ ਪਰਿਭਾਸ਼ਾ ਵਿੱਚ ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਕਈ ਅਹਿਮ ਪੱਖ ਉਭਰ ਕੇ ਆਉਂਦੇ ਹਨ:
|
||||
|
||||
* ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਮੁੱਖ ਉਦੇਸ਼ **ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨਾ** ਹੈ, ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ - **ਡਾਟਾ ਨੂੰ ਸਮਝਣਾ**, ਕੁਝ ਲੁਕਵੇਂ ਸੰਬੰਧ ਲੱਭਣਾ ਅਤੇ ਇੱਕ **ਮਾਡਲ** ਬਣਾਉਣਾ।
|
||||
* ਡਾਟਾ ਸਾਇੰਸ **ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ** ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ। ਅਸਲ ਵਿੱਚ, ਜਦੋਂ ਪਹਿਲੀ ਵਾਰ *ਡਾਟਾ ਸਾਇੰਸ* ਸ਼ਬਦ ਦੀ ਪਹਿਚਾਣ ਹੋਈ, ਕੁਝ ਲੋਕਾਂ ਨੇ ਦਲੀਲ ਦਿੱਤੀ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਸਿਰਫ ਅੰਕੜਿਆਂ ਲਈ ਇੱਕ ਨਵਾਂ ਆਧੁਨਿਕ ਨਾਮ ਹੈ। ਅੱਜਕਲ ਇਹ ਸਪਸ਼ਟ ਹੋ ਗਿਆ ਹੈ ਕਿ ਇਹ ਖੇਤਰ ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ।
|
||||
* ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਗਿਆਨ ਕੁਝ **ਕਾਰਗਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ** ਪੈਦਾ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਜਿਹੀ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਜੋ ਤੁਸੀਂ ਅਸਲ ਕਾਰੋਬਾਰੀ ਸਥਿਤੀਆਂ 'ਤੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹੋ।
|
||||
* ਅਸੀਂ **ਸੰਰਚਿਤ** ਅਤੇ **ਅਸੰਰਚਿਤ** ਡਾਟਾ ਦੋਵਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸੀਂ ਕੋਰਸ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ ਡਾਟਾ ਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ 'ਤੇ ਚਰਚਾ ਕਰਨ ਲਈ ਵਾਪਸ ਆਵਾਂਗੇ।
|
||||
* **ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰ** ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾ ਹੈ, ਅਤੇ ਡਾਟਾ ਸਾਇੰਸਟਿਸ ਨੂੰ ਅਕਸਰ ਸਮੱਸਿਆ ਖੇਤਰ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਕੁਝ ਹਦ ਤੱਕ ਮਾਹਰਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਦਾਹਰਣ ਲਈ: ਵਿੱਤ, ਦਵਾਈ, ਮਾਰਕੀਟਿੰਗ, ਆਦਿ।
|
||||
* ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਮੁੱਖ ਮਕਸਦ ਡੇਟਾ ਤੋਂ **ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨਾ** ਹੈ, ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ - ਡੇਟਾ ਨੂੰ ਸਮਝਣਾ, ਕੁਝ ਲੁਕੇ ਹੋਏ ਸੰਬੰਧ ਲੱਭਣਾ ਅਤੇ ਇੱਕ **ਮਾਡਲ** ਬਣਾਉਣਾ।
|
||||
* ਡੇਟਾ ਸਾਇੰਸ **ਵਿਗਿਆਨਕ ਤਰੀਕੇ** ਵਰਤਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਿਆਂ ਦਾ ਵਿਗਿਆਨ। ਅਸਲ ਵਿੱਚ, ਜਦੋਂ ਪਹਿਲਾਂ *ਡੇਟਾ ਸਾਇੰਸ* ਸ਼ਬਦ ਆਇਆ ਸੀ, ਕੁਝ ਲੋਕ ਦਲੀਲ ਦਿੱਤੀ ਸੀ ਕਿ ਡੇਟਾ ਸਾਇੰਸ ਸਿਰਫ ਅੰਕੜਿਆਂ ਦੀ ਵਿਗਿਆਨ ਲਈ ਇੱਕ ਨਵਾਂ ਅਰਿਸ਼ਟ ਨਾਮ ਹੈ। ਅੱਜਕਲ ਇਹ ਸਪਸ਼ਟ ਹੈ ਕਿ ਖੇਤਰ ਬਹੁਤ ਵਿਆਪਕ ਹੈ।
|
||||
* ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਕੁਝ **ਪ੍ਰਯੋਗਸ਼ੀਲ ਅੰਦਰੂਨੀਆਂ** ਉਤਪੰਨ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਹੜੇ ਕਾਰੋਬਾਰੀ ਹਾਲਾਤਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾ ਸਕਣ.
|
||||
* ਸਾਨੂੰ ਦੋਹਾਂ **ਸੰਰਚਿਤ** ਅਤੇ **ਅਸੰਰਚਿਤ** ਡੇਟਾ ਤੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸੀਂ ਕੋਰਸ ਦੇ ਅੱਗੇ ਕੁਝ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਡੇਟਾ ਬਾਰੇ ਵਿਆਖਿਆ ਕਰਨਗੇ।
|
||||
* **ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰ** ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾ ਹੈ, ਅਤੇ ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਕਸਰ ਮਾਮਲੇ ਦੇ ਖੇਤਰ ਵਿੱਚ ਕੁਝ ਹੱਦ ਤੱਕ ਵਿਸ਼ੇਸ਼ਗਤਾ ਦੇ ਮਾਲਕ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ: ਵਿੱਤੀ, ਦਵਾਈ, ਮਾਰਕੀਟਿੰਗ ਆਦਿ।
|
||||
|
||||
> ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂ ਇਹ ਹੈ ਕਿ ਇਹ ਅਧਿਐਨ ਕਰਦਾ ਹੈ ਕਿ ਡਾਟਾ ਨੂੰ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਇਕੱਠਾ, ਸਟੋਰ ਅਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਅੰਕੜੇ ਸਾਨੂੰ ਗਣਿਤਕ ਆਧਾਰ ਦਿੰਦੇ ਹਨ, ਡਾਟਾ ਸਾਇੰਸ ਗਣਿਤਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਅਸਲ ਵਿੱਚ ਡਾਟਾ ਤੋਂ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ।
|
||||
> ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਪੱਖ ਇਹ ਵੀ ਹੈ ਕਿ ਇਹ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਇਕੱਤਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਸਟੋਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਓਪਰੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜਿੱਥੇ ਅੰਕੜੇ ਸਾਡੇ ਲਈ ਗਣਾ-ਤਮਕ ਅਧਾਰ ਦਿੰਦੇ ਹਨ, ਉਥੇ ਡੇਟਾ ਸਾਇੰਸ ਅੰਕੜਿਆਂ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਡੇਟਾ ਵਿਚੋਂ ਅਸਲ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀਆਂ ਨਿਕਾਲਦਾ ਹੈ।
|
||||
|
||||
ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਦੇਖਣ ਦਾ ਇੱਕ ਤਰੀਕਾ (ਜੋ [ਜਿਮ ਗਰੇ](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ) ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਵਿਗਿਆਨ ਦਾ ਇੱਕ ਵੱਖਰਾ ਪੈਰਾਡਾਇਮ ਮੰਨਿਆ ਜਾਵੇ:
|
||||
* **ਅਨੁਭਵਾਤਮਕ**, ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅਧਿਐਨ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ
|
||||
* **ਸਿਧਾਂਤਕ**, ਜਿੱਥੇ ਨਵੇਂ ਧਾਰਨਾ ਮੌਜੂਦਾ ਵਿਗਿਆਨਕ ਗਿਆਨ ਤੋਂ ਉਤਪੰਨ ਹੁੰਦੇ ਹਨ
|
||||
* **ਗਣਨਾਤਮਕ**, ਜਿੱਥੇ ਅਸੀਂ ਕੁਝ ਗਣਨਾਤਮਕ ਪ੍ਰਯੋਗਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੇਂ ਸਿਧਾਂਤਾਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹਾਂ
|
||||
* **ਡਾਟਾ-ਅਧਾਰਿਤ**, ਡਾਟਾ ਵਿੱਚ ਸੰਬੰਧਾਂ ਅਤੇ ਪੈਟਰਨ ਦੀ ਖੋਜ 'ਤੇ ਅਧਾਰਿਤ
|
||||
ਡੇਟਾ ਸਾਇੰਸ ਨੂੰ ਦੇਖਣ ਦੇ ਇੱਕ ਤਰੀਕੇ (ਜਿਸਦਾ ਸਿਤਾਰਾ [ਜਿਮ ਗ੍ਰੇ](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) ਹੈ) ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਵਿਗਿਆਨ ਦੇ ਇੱਕ ਵੱਖਰੇ ਪੈਰਾਡਾਇਮ ਵਜੋਂ ਲਿਆ ਜਾਵੇ:
|
||||
* **ਅਨੁਭਵਕਤਮਕ**, ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਜ਼ਿਆਦਾਤਰ ਨਿરીਖਣਾਂ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ
|
||||
* **ਥਿਊਰੇਟੀਕਲ**, ਜਿੱਥੇ ਨਵੇਂ ਸੰਕਲਪ ਮੌਜੂਦਾ ਵਿਗਿਆਨਕ ਗਿਆਨ ਵਿੱਚੋਂ ਉਭਰਦੇ ਹਨ
|
||||
* **ਕੰਪਿਊਟੇਸ਼ਨਲ**, ਜਿੱਥੇ ਅਸੀਂ ਕਿਸੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪ੍ਰਯੋਗ ਦੇ ਆਧਾਰ ਤੇ ਨਵੇਂ ਸਿਧਾਂਤ ਲੱਭਦੇ ਹਾਂ
|
||||
* **ਡੇਟਾ-ਚਲਿਤ**, ਜਿਸ ਦਾ ਆਧਾਰ ਡੇਟਾ ਵਿੱਚ ਸੰਬੰਧਾਂ ਅਤੇ ਪੈਟਰਨ ਦੀ ਖੋਜ ਕਰਨਾ ਹੈ
|
||||
|
||||
## ਹੋਰ ਸੰਬੰਧਿਤ ਖੇਤਰ
|
||||
|
||||
ਕਿਉਂਕਿ ਡਾਟਾ ਹਰ ਜਗ੍ਹਾ ਹੈ, ਡਾਟਾ ਸਾਇੰਸ ਖੁਦ ਵੀ ਇੱਕ ਵੱਡਾ ਖੇਤਰ ਹੈ, ਜੋ ਕਈ ਹੋਰ ਵਿਭਾਗਾਂ ਨੂੰ ਛੁਹਦਾ ਹੈ।
|
||||
ਜਿਵੇਂ ਕਿ ਡੇਟਾ ਵਿਸ਼ਵ-ਵਿਆਪਕ ਹੈ, ਡੇਟਾ ਸਾਇੰਸ ਵੀ ਇੱਕ ਵਿਆਪਕ ਖੇਤਰ ਹੈ ਜੋ ਕਈ ਹੋਰ ਵਿਭਾਗਾਂ ਨੂੰ ਛੂਹਦਾ ਹੈ।
|
||||
|
||||
<dl>
|
||||
<dt>ਡਾਟਾਬੇਸ</dt>
|
||||
<dt>ਡੇਟਾਬੇਸ</dt>
|
||||
<dd>
|
||||
ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਹੈ <b>ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ</b>, ਯਾਨੀ ਇਸਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਬਣਾਉਣਾ ਹੈ ਜੋ ਤੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਡਾਟਾਬੇਸ ਹਨ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਬਾਰੇ <a href="../../2-Working-With-Data/README.md">ਅਸੀਂ ਆਪਣੇ ਕੋਰਸ ਵਿੱਚ ਵਿਚਾਰ ਕਰਾਂਗੇ</a>।
|
||||
ਇਕ ਅਹਿਮ ਵਿਸ਼ਾ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ <b>ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ</b>, ਮਤਲਬ ਇਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਫਾਰਮੈਟ ਕਰਨਾ ਕਿ ਪ੍ਰੋਸੈਸਿੰਗ ਤੇਜ਼ ਹੋਵੇ। ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਡੇਟਾਬੇਸ ਹੁੰਦੇ ਹਨ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡੇਟਾ ਸਟੋਰ ਕਰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ 'ਤੇ ਅਸੀਂ <a href="../../2-Working-With-Data/README.md">ਆਪਣੇ ਕੋਰਸ ਵਿੱਚ ਵਿਚਾਰ ਕਰਾਂਗੇ</a>।
|
||||
</dd>
|
||||
<dt>ਬਿਗ ਡਾਟਾ</dt>
|
||||
<dt>ਵੱਡਾ ਡੇਟਾ</dt>
|
||||
<dd>
|
||||
ਅਕਸਰ ਸਾਨੂੰ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸਦੀ ਸੰਰਚਨਾ ਸਧਾਰਨ ਹੁੰਦੀ ਹੈ। ਇਸ ਡਾਟਾ ਨੂੰ ਕਲਸਟਰ 'ਤੇ ਵੰਡੇ ਹੋਏ ਤਰੀਕੇ ਨਾਲ ਸਟੋਰ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਕੁਸ਼ਲਤਾਪੂਰਵਕ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤਰੀਕੇ ਅਤੇ ਸੰਦ ਹਨ।
|
||||
ਅਕਸਰ ਅਸੀਂ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਸੰਭਾਲਣਾ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜਿਸਦੀ ਢਾਂਚਾ ਸਧਾਰਣ ਹੁੰਦੀ ਹੈ। ਡੇਟਾ ਨੂੰ ਵੰਡੇ ਹੋਏ ਕੰਪਿਊਟਰ ਕਲੱਸਟਰ 'ਤੇ ਸਟੋਰ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਚਲਾਉਣ ਲਈ ਖਾਸ ਤਕਨੀਕਾਂ ਅਤੇ ਉਪਕਰਣ ਹਨ।
|
||||
</dd>
|
||||
<dt>ਮਸ਼ੀਨ ਲਰਨਿੰਗ</dt>
|
||||
<dd>
|
||||
ਡਾਟਾ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ <b>ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ</b> ਜੋ ਇੱਕ ਚਾਹੀਦਾ ਨਤੀਜਾ ਪੇਸ਼ਗੂ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇ। ਡਾਟਾ ਤੋਂ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨਾ <b>ਮਸ਼ੀਨ ਲਰਨਿੰਗ</b> ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡੇ <a href="https://aka.ms/ml-beginners">ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼</a> ਕੋਰਸ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।
|
||||
ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇੱਕ ਐਸਾ <b>ਮਾਡਲ ਬਣਾਇਆ ਜਾਵੇ</b> ਜੋ ਚਾਹੁਣ ਵਾਲੇ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕੇ। ਡੇਟਾ ਤੋਂ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨ ਨੂੰ <b>ਮਸ਼ੀਨ ਲਰਨਿੰਗ</b> ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਸਾਡੇ <a href="https://aka.ms/ml-beginners">ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼</a> ਕਰਿਕੁਲਮ ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ।
|
||||
</dd>
|
||||
<dt>ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ</dt>
|
||||
<dt>ਕ੍ਰਿਤਿਮ ਬੁੱਧੀਮੱਤਾ</dt>
|
||||
<dd>
|
||||
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਖੇਤਰ ਜਿਸਨੂੰ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਡਾਟਾ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਨਕਲ ਕਰਨ ਵਾਲੇ ਉੱਚ ਜਟਿਲਤਾ ਮਾਡਲ ਬਣਾਉਣ ਸ਼ਾਮਲ ਹਨ। AI ਵਿਧੀਆਂ ਅਕਸਰ ਸਾਨੂੰ ਅਸੰਰਚਿਤ ਡਾਟਾ (ਜਿਵੇਂ ਕਿ ਕੁਦਰਤੀ ਭਾਸ਼ਾ) ਨੂੰ ਸੰਰਚਿਤ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਵਿੱਚ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।
|
||||
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਖੇਤਰ ਕ੍ਰਿਤਿਮ ਬੁੱਧੀਮੱਤਾ (AI) ਵੀ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ ਹੈ, ਜੋ ਮਨੁੱਖੀ ਸੋਚ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਨਕਲ ਕਰਨ ਵਾਲੇ ਬਹੁਤ ਉੱਚ ਪੱਧਰ ਦੇ ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ। AI ਤਰੀਕੇ ਅਕਸਰ ਅਸੰਰਚਿਤ ਡੇਟਾ (ਜਿਵੇਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ) ਨੂੰ ਸੰਰਚਿਤ ਅੰਦਰੂਨੀਆਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀਆਂ ਹਨ।
|
||||
</dd>
|
||||
<dt>ਦ੍ਰਿਸ਼ਟੀਕਰਨ</dt>
|
||||
<dd>
|
||||
ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਮਨੁੱਖ ਲਈ ਸਮਝਣ ਯੋਗ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਜਦੋਂ ਅਸੀਂ ਉਸ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਾਭਕਾਰੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਵਧੇਰੇ ਸਮਝ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕੁਝ ਨਤੀਜੇ ਕੱਢ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ, ਜਾਣਕਾਰੀ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਜਾਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ - ਕੁਝ ਅਜਿਹਾ ਜੋ ਅਸੀਂ ਆਪਣੇ ਕੋਰਸ ਦੇ <a href="../../3-Data-Visualization/README.md">ਸੈਕਸ਼ਨ 3</a> ਵਿੱਚ ਕਵਰ ਕਰਾਂਗੇ। ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ <b>ਇੰਫੋਗ੍ਰਾਫਿਕਸ</b>, ਅਤੇ <b>ਮਨੁੱਖ-ਕੰਪਿਊਟਰ ਇੰਟਰੈਕਸ਼ਨ</b> ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹਨ।
|
||||
ਡੇਟਾ ਦੀ ਮਹਾਨ ਮਾਤਰਾ ਮਨੁੱਖ ਲਈ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ, ਪਰ ਜਦੋਂ ਅਸੀਂ ਉਸ ਡੇਟਾ ਨਾਲ ਲਾਭਦਾਇਕ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਡੇਟਾ ਦਾ ਬਹੁਤ ਵਧੀਆ ਸਮਝ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕੁਝ ਨਤੀਜੇ ਖਿੱਚ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ ਜਾਣਕਾਰੀ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਜਾਣਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ - ਜਿਸਦਾ ਅਸੀਂ <a href="../../3-Data-Visualization/README.md">Section 3</a> ਵਿੱਚ ਜ਼ਿਕਰ ਕਰਾਂਗੇ। ਸਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ <b>ਇਨਫੋਗ੍ਰਾਫਿਕਸ</b> ਅਤੇ ਸਧਾਰਨ ਇਹ <b>ਹਿਊਮਨ ਕੰਪਿਊਟਰ ਇੰਟਰਕਸ਼ਨ</b> ਵੀ ਸ਼ਾਮਲ ਹੈ।
|
||||
</dd>
|
||||
</dl>
|
||||
|
||||
## ਡਾਟਾ ਦੀਆਂ ਕਿਸਮਾਂ
|
||||
## ਡੇਟਾ ਦੀਆਂ ਕਿਸਮਾਂ
|
||||
|
||||
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਕਿਹਾ ਹੈ, ਡਾਟਾ ਹਰ ਜਗ੍ਹਾ ਹੈ। ਸਾਨੂੰ ਸਿਰਫ ਇਸਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕੈਪਚਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ! **ਸੰਰਚਿਤ** ਅਤੇ **ਅਸੰਰਚਿਤ** ਡਾਟਾ ਵਿੱਚ ਅੰਤਰ ਕਰਨਾ ਲਾਭਕਾਰੀ ਹੁੰਦਾ ਹੈ। ਪਹਿਲਾ ਆਮ ਤੌਰ 'ਤੇ ਕੁਝ ਚੰਗੀ ਤਰੀਕੇ ਨਾਲ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਅਕਸਰ ਇੱਕ ਟੇਬਲ ਜਾਂ ਕਈ ਟੇਬਲਾਂ ਵਜੋਂ, ਜਦੋਂ ਕਿ ਦੂਜਾ ਸਿਰਫ ਫਾਈਲਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ। ਕਈ ਵਾਰ ਅਸੀਂ **ਅਰਧ-ਸੰਰਚਿਤ** ਡਾਟਾ ਬਾਰੇ ਵੀ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਤਰ੍ਹਾਂ ਦੀ ਸੰਰਚਨਾ ਹੁੰਦੀ ਹੈ ਜੋ ਕਾਫ਼ੀ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ।
|
||||
ਜਿਵੇਂ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਦੱਸਿਆ ਹੈ, ਡੇਟਾ ਹਰ ਥਾਂ ਹੈ। ਸਾਨੂੰ ਇਸਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ! ਇਹ ਲਾਭਦਾਇਕ ਹੈ ਕਿ ਅਸੀਂ **ਸੰਰਚਿਤ** ਅਤੇ **ਅਸੰਰਚਿਤ** ਡੇਟਾ ਵਿੱਚ ਅੰਤਰ ਕਰੀਏ। ਪਹਿਲਾ ਆਮ ਤੌਰ 'ਤੇ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਵਧੀਆ ਢੰਗ ਨਾਲ ਅੰਗ੍ਰਿਥਤ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਇਕ ਟੇਬਲ ਜਾਂ ਕਈ ਟੇਬਲਾਂ ਵਾਂਗ, ਜਦਕਿ ਦੂਜਾ ਸਿਰਫ ਫਾਇਲਾਂ ਦਾ ਇਕ ਗੱਠ (ਕਲੇਕਸ਼ਨ) ਹੁੰਦਾ ਹੈ। ਕਦੇ-ਕਦੇ ਸਾਡੇ ਕੋਲ **ਅਰੱਧ ਸੰਰਚਿਤ** ਡੇਟਾ ਵੀ ਹੁੰਦਾ ਹੈ ਜਿਸਦਾ ਕੋਈ ਨਾ ਕੋਈ ਢਾਂਚਾ ਹੁੰਦਾ ਹੈ ਪਰ ਜੋ ਕਾਫੀ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦਾ ਹੈ।
|
||||
|
||||
| ਸੰਰਚਿਤ | ਅਰਧ-ਸੰਰਚਿਤ | ਅਸੰਰਚਿਤ |
|
||||
| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
|
||||
| ਲੋਕਾਂ ਦੀ ਸੂਚੀ ਉਨ੍ਹਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਨਾਲ | ਲਿੰਕਾਂ ਨਾਲ ਵਿਕੀਪੀਡੀਆ ਪੰਨੇ | ਐਨਸਾਈਕਲੋਪੀਡੀਆ ਬ੍ਰਿਟਾਨਿਕਾ ਦਾ ਟੈਕਸਟ |
|
||||
| ਪਿਛਲੇ 20 ਸਾਲਾਂ ਲਈ ਹਰ ਮਿੰਟ ਵਿੱਚ ਇੱਕ ਇਮਾਰਤ ਦੇ ਸਾਰੇ ਕਮਰਿਆਂ ਵਿੱਚ ਤਾਪਮਾਨ | ਲੇਖਕਾਂ, ਪ੍ਰਕਾਸ਼ਨ ਦੇ ਡੇਟਾ, ਅਤੇ ਸਾਰ ਨਾਲ JSON ਫਾਰਮੈਟ ਵਿੱਚ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦਾ ਸੰਗ੍ਰਹਿ | ਕਾਰਪੋਰੇਟ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਫਾਈਲ ਸਾਂਝਾ |
|
||||
| ਇਮਾਰਤ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੇ ਸਾਰੇ ਲੋਕਾਂ ਦੀ ਉਮਰ ਅਤੇ ਲਿੰਗ ਲਈ ਡਾਟਾ | ਇੰਟਰਨੈਟ ਪੰਨੇ | ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਕੱਚਾ ਵੀਡੀਓ ਫੀਡ |
|
||||
| ਸੰਰਚਿਤ | ਅਰੱਧ-ਸੰਰਚਿਤ | ਅਸੰਰਚਿਤ |
|
||||
| ------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------- | ------------------------------------- |
|
||||
| ਲੋਕਾਂ ਦੀ ਸੂਚੀ ਉਨ੍ਹਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਨਾਲ | ਵਿਕੀਪੀਡੀਆ ਦੇ ਪੰਨੇ ਜੋ ਲਿੰਕਾਂ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ | ਐਨਸਾਈਕਲੋਪੀਡੀਆ ਬ੍ਰਿਟਾਨਿਕਾ ਦਾ ਪਾਠ |
|
||||
| ਪਿਛਲੇ 20 ਸਾਲਾਂ ਵਿੱਚ ਹਰ ਮਿੰਟ ਵਿਖੇ ਬਿਲਡਿੰਗ ਦੇ ਹਰ ਕਮਰੇ ਦਾ ਤਾਪਮਾਨ | ਵਿਗਿਆਨਕ ਕਾਗਜ਼ਾਂ ਦਾ JSON ਫਾਰਮੈਟ ਵਿੱਚ ਕਲੇਕਸ਼ਨ ਜਿਹੜੇ ਲੇਖਕ, ਪ੍ਰਕਾਸ਼ਨ ਦੀ ਤਾਰੀਖ ਅਤੇ ਸੰਖੇਪ ਨਾਲ ਹਨ | ਕਾਰਪੋਰੇਟ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਫਾਇਲ ਸਾਂਝਾ |
|
||||
| ਬਿਲਡਿੰਗ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੇ ਸਾਰੇ ਲੋਕਾਂ ਦੀ ਉਮਰ ਅਤੇ ਲਿੰਗ ਦਾ ਡੇਟਾ | ਇੰਟਰਨੈੱਟ ਪੰਨੇ | ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਕੱਚਾ ਵੀਡੀਓ ਫੀਡ |
|
||||
|
||||
## ਡਾਟਾ ਕਿੱਥੋਂ ਲੈਣਾ
|
||||
## ਡੇਟਾ ਕਿੱਥੋਂ ਲੱਭਣਾ ਹੈ
|
||||
|
||||
ਡਾਟਾ ਦੇ ਕਈ ਸੰਭਾਵੀ ਸਰੋਤ ਹਨ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਸਾਰੇ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨਾ ਅਸੰਭਵ ਹੋਵੇਗਾ! ਹਾਲਾਂਕਿ, ਆਓ ਕੁਝ ਆਮ ਸਥਾਨਾਂ ਦਾ ਜ਼ਿਕਰ ਕਰੀਏ ਜਿੱਥੇ ਤੁਸੀਂ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ:
|
||||
ਡੇਟਾ ਦੇ ਕਈ ਸੰਭਾਵਤ ਸਰੋਤ ਹਨ, ਅਤੇ ਸਾਰਿਆਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨਾ ਅਸੰਭਵ ਹੈ! ਪਰ ਆਓ ਕੁਝ ਆਮ ਥਾਵਾਂ ਦਾ ਜ਼ਿਕਰ ਕਰੀਏ ਜਿੱਥੋਂ ਤੁਸੀਂ ਡੇਟਾ ਲੈ ਸਕਦੇ ਹੋ:
|
||||
|
||||
* **ਸੰਰਚਿਤ**
|
||||
- **ਇੰਟਰਨੈਟ ਆਫ ਥਿੰਗਸ** (IoT), ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸੈਂਸਰਾਂ ਤੋਂ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਵੇਂ ਕਿ ਤਾਪਮਾਨ ਜਾਂ ਦਬਾਅ ਸੈਂਸਰ, ਬਹੁਤ ਸਾਰਾ ਲਾਭਕਾਰੀ ਡਾਟਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੇਕਰ ਇੱਕ ਦਫ਼ਤਰ ਦੀ ਇਮਾਰਤ IoT ਸੈਂਸਰਾਂ ਨਾਲ ਸਜਾਈ ਗਈ ਹੈ, ਤਾਂ ਅਸੀਂ ਖਰਚੇ ਘਟਾਉਣ ਲਈ ਹੀਟਿੰਗ ਅਤੇ ਲਾਈਟਿੰਗ ਨੂੰ ਸਵੈ-ਚਾਲਤ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
- **ਸਰਵੇਖਣ**, ਜੋ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਖਰੀਦਦਾਰੀ ਤੋਂ ਬਾਅਦ ਜਾਂ ਵੈਬਸਾਈਟ 'ਤੇ ਜਾਓਣ ਤੋਂ ਬਾਅਦ ਪੂਰਾ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਾਂ।
|
||||
- **ਵਿਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ** ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਉਪਭੋਗਤਾ ਕਿਸ ਤਰ੍ਹਾਂ ਸਾਈਟ ਵਿੱਚ ਗਹਿਰਾਈ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸਾਈਟ ਨੂੰ ਛੱਡਣ ਦਾ ਆਮ ਕਾਰਨ ਕੀ ਹੈ।
|
||||
- **ਇੰਟਰਨੈੱਟ ਆਫ ਥਿੰਗਜ਼** (IoT), ਵੱਖ-ਵੱਖ ਸੈਂਸਰਾਂ ਤੋਂ ਡੇਟਾ ਸਮੇਤ, ਜਿਵੇਂ ਤਾਪਮਾਨ ਜਾਂ ਦਬਾਅ ਸੈਂਸਰ, ਬਹੁਤ ਸਾਰਾ ਉਪਯੋਗੀ ਡੇਟਾ ਦਿੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜੇ ਕਿਸੇ ਦਫਤਰ ਦੀ ਇਮਾਰਤ IoT ਸੈਂਸਰਾਂ ਨਾਲ ਸਜੀ ਹੈ, ਤਾਂ ਅਸੀਂ ਖਰਚੇ ਘਟਾਉਣ ਲਈ ਹੀਟਿੰਗ ਅਤੇ ਲਾਈਟਿੰਗ ਨੂੰ ਸਵੈਚਾਲਿਤ ਤਰੀਕੇ ਨਾਲ ਕਾਬੂ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
- **ਸਰਵੇਖਣ**, ਜੋ ਅਸੀਂ ਯੂਜ਼ਰਜ਼ ਨੂੰ ਖਰੀਦਾਰੀ ਦੇ ਬਾਅਦ ਜਾਂ ਕੋਈ ਵੈੱਬਸਾਈਟ ਵੇਖਣ ਤੋਂ ਬਾਅਦ ਪੂਰੇ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਾਂ।
|
||||
- **ਵਤੀਵਰਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ** ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਯੂਜ਼ਰ ਸਾਈਟ 'ਤੇ ਕਿੰਨੇ ਗਹਿਰਾਈ ਨਾਲ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਾਈਟ ਛੱਡਣ ਦਾ ਆਮ ਕਾਰਨ ਕੀ ਹੈ।
|
||||
* **ਅਸੰਰਚਿਤ**
|
||||
- **ਟੈਕਸਟ** ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਦਾ ਇੱਕ ਧਨਵਾਨ ਸਰੋਤ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੁੱਲ **ਭਾਵਨਾ ਸਕੋਰ**, ਜਾਂ ਕੁੰਜੀ ਸ਼ਬਦ ਅਤੇ ਅਰਥਮੂਲਕ ਮਤਲਬ ਕੱਢਣਾ।
|
||||
- **ਚਿੱਤਰ** ਜਾਂ **ਵੀਡੀਓ**। ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਇੱਕ ਵੀਡੀਓ ਸੜਕ 'ਤੇ ਟ੍ਰੈਫਿਕ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਸੰਭਾਵੀ ਟ੍ਰੈਫਿਕ ਜਾਮਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
|
||||
- ਵੈਬ ਸਰਵਰ **ਲਾਗ** ਨੂੰ ਇਸ ਗੱਲ ਨੂੰ ਸਮਝਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਸਾਡੀ ਸਾਈਟ ਦੇ ਕਿਹੜੇ ਪੰਨੇ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਵੇਖੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਕਿੰਨੀ ਦੇਰ ਲਈ।
|
||||
* ਅਰਧ-ਸੰਰਚਿਤ
|
||||
- **ਸੋਸ਼ਲ ਨੈਟਵਰਕ** ਗ੍ਰਾਫ ਉਪਭੋਗਤਾ ਦੇ ਵਿਅਕਤੀਗਤ ਗੁਣਾਂ ਅਤੇ ਜਾਣਕਾਰੀ ਫੈਲਾਉਣ ਵਿੱਚ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀਤਾ ਬਾਰੇ ਡਾਟਾ ਦੇ ਸ਼ਾਨਦਾਰ ਸਰੋਤ ਹੋ ਸਕਦੇ ਹਨ।
|
||||
- ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਪਾਰਟੀ ਤੋਂ ਫੋਟੋਆਂ ਦਾ ਇੱਕ ਢੇਰ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ **ਗਰੁੱਪ ਡਾਇਨਾਮਿਕਸ** ਡਾਟਾ ਕੱਢਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ, ਲੋਕਾਂ ਦੇ ਗਰੁੱਪਾਂ ਦੇ ਗ੍ਰਾਫ ਬਣਾਉਣ ਦੁਆਰਾ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਤਸਵੀਰਾਂ ਲੈਂਦੇ ਹਨ।
|
||||
- **ਪਾਠ** ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀਆਂ ਦਾ ਧਨ ਰਿਹਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕੁੱਲ **ਭਾਵਨਾਤਮਕ ਸਕੋਰ**, ਜਾਂ ਕੁੰਜੀ ਸ਼ਬਦ ਅਤੇ ਸਾਂਝੀ ਅਰਥ ਨਿਕਾਲਣਾ।
|
||||
- **ਚਿੱਤਰ** ਜਾਂ **ਵੀਡੀਓ**। ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਵੀਡੀਓ ਨੂੰ ਸੜਕ 'ਤੇ ਟ੍ਰੈਫਿਕ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਸੰਭਾਵਿਤ ਟ੍ਰੈਫਿਕ ਜੈਮਾਂ ਬਾਰੇ ਸੂਚਿਤ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
|
||||
- ਵੈੱਬ ਸਰਵਰ **ਲੋਗਸ** ਸਾਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਕਿ ਸਾਡੀ ਸਾਈਟ ਦੇ ਕਿਹੜੇ ਪੰਨੇ ਸਭ ਤੋਂ ਬਾਰੇ ਤੇਜ਼ੀ ਨਾਲ ਦੇਖੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ।
|
||||
* ਅਰੱਧ-ਸੰਰਚਿਤ
|
||||
- **ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ** ਗ੍ਰਾਫ ਯੂਜ਼ਰ ਪ੍ਰਸਨੈਲਿਟੀਜ਼ ਅਤੇ ਜਾਣਕਾਰੀ ਫੈਲਾਉਣ ਵਿੱਚ ਸੰਭਾਵਿਤ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਬਾਰੇ ਬਹੁਤ ਵਧੀਆ ਡੇਟਾ ਦੇ ਸਰੋਤ ਹੋ ਸਕਦੇ ਹਨ।
|
||||
- ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਕਿਸੇ ਪਾਰਟੀ ਦੀਆਂ ਕਈਆਂ ਫੋਟੋਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਅਸੀਂ ਇੱਕ ਗ੍ਰਾਫ ਬਣਾ ਕੇ ਲੋਕਾਂ ਦੀ ਹਟਾਟਲ ਜੁੜਾਈ ਦੁਆਰਾ **ਗਰੁੱਪ ਡਾਇਨਾਮਿਕਸ** ਡੇਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ।
|
||||
|
||||
ਵੱਖ-ਵੱਖ ਸੰਭਾਵੀ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜਾਣ ਕੇ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਸਥਿਤੀ ਨੂੰ ਬਿਹਤਰ ਜਾਣਨ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕ
|
||||
> ਤੁਸੀਂ ਦਲੀਲ ਕਰ 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 ਜ਼ਿਆਦਾ ਉਚਿਤ ਹੋਵੇਗਾ, ਅਤੇ ਉਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
|
||||
ਵੱਖ-ਵੱਖ ਸੰਭਾਵਤ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜਾਣ ਕੇ, ਤੁਸੀਂ ਸੋਚ ਸਕਦੇ ਹੋ ਕਿ ਕਿਹੜੇ ਸਥਿਤੀਆਂ ਵਿੱਚ ਡੇਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਕੇ ਮਾਹੌਲ ਨੂੰ ਬਿਹਤਰ ਤਰੀਕੇ ਨਾਲ ਜਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸੁਧਾਰ ਲਿਆਇਆ ਜਾ ਸਕਦਾ ਹੈ।
|
||||
|
||||
ਜਦੋਂ ਅਸੀਂ ਮਲਟੀਪਲ-ਚੋਇਸ ਟੈਸਟਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਹ ਪਤਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਹੜੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਹੈ, ਅਤੇ ਉਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮੱਗਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਇਹ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਟੈਸਟਾਂ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਹਰ ਸਵਾਲ ਕਿਸੇ ਨਿਰਧਾਰਤ ਸੰਕਲਪ ਜਾਂ ਗਿਆਨ ਦੇ ਟੁਕੜੇ ਨਾਲ ਜੁੜਿਆ ਹੋਵੇ।
|
||||
## ਤੁਸੀਂ ਡੇਟਾ ਨਾਲ ਕੀ ਕਰ ਸਕਦੇ ਹੋ
|
||||
|
||||
ਜੇਕਰ ਅਸੀਂ ਹੋਰ ਜਟਿਲ ਹੋਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹਰ ਮੋਡੀਊਲ ਲਈ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਉਮਰ ਸ਼੍ਰੇਣੀ ਦੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਤਾ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਕੁਝ ਉਮਰ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਮੋਡੀਊਲ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਬੇਹਤਾਸ਼ਾ ਲੰਬਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਜਾਂ ਵਿਦਿਆਰਥੀ ਇਸਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਇਹ ਸਾਨੂੰ ਮੋਡੀਊਲ ਲਈ ਉਮਰ ਦੀ ਸਿਫਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਗਲਤ ਉਮੀਦਾਂ ਤੋਂ ਲੋਕਾਂ ਦੀ ਨਿਰਾਸ਼ਾ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ।
|
||||
ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਅਸੀਂ ਡੇਟਾ ਯਾਤਰਾ ਦੇ ਹੇਠਾਂ ਦਿੱਤੇ ਕਦਮਾਂ 'ਤੇ ਧਿਆਨ देते ਹਾਂ:
|
||||
|
||||
<dl>
|
||||
<dt>1) ਡੇਟਾ ਪ੍ਰਾਪਤੀ</dt>
|
||||
<dd>
|
||||
ਪਹਿਲਾ ਕਦਮ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੈ। ਕਈ ਵਾਰੀ ਇਹ ਸਿੱਧਾ ਪ੍ਰਕਿਰਿਆ ਹੋ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਵੈੱਬ ਐਪਲੀਕੇਸ਼ਨ ਤੋਂ ਡੇਟਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਆਉਣਾ, ਪਰ ਕਈ ਵਾਰੀ ਸਾਨੂੰ ਖਾਸ ਤਕਨੀਕਾਂ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ। ਉਦਾਹਰਨ ਵਜੋਂ, IoT ਸੈਂਸਰਾਂ ਤੋਂ ਡੇਟਾ ਬਹੁਤ ਵੱਧ ਹੋ ਸਕਦਾ ਹੈ, ਇਸ ਕਰਕੇ ਇੱਕ ਚੰਗੀ ਪ੍ਰਥਾ ਹੈ ਕਿ ਸਾਰਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ IoT ਹੱਬ ਵਰਗੇ ਬਫਰਿੰਗ ਐਂਡਪੌਇੰਟਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇ ਤਾਂ ਜੋ ਅਗਲੇ ਪ੍ਰਕਿਰਿਆ ਲਈ ਤਿਆਰ ਰਹੇ।
|
||||
</dd>
|
||||
<dt>2) ਡੇਟਾ ਸਟੋਰੇਜ</dt>
|
||||
<dd>
|
||||
ਡੇਟਾ ਸਟੋਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਗੱਲ ਵੱਡੇ ਡੇਟਾ ਦੀ ਹੋਵੇ। ਡੇਟਾ ਸਟੋਰ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕਰਦਿਆਂ, ਅਗਲੇ ਵੇਲੇ ਤੁਸੀਂ ਕਿਵੇਂ ਡੇਟਾ ਨੂੰ ਕਵੇਰੀ ਕਰਨਾ ਚਾਹੁੰਦੈ ਹੋ, ਇਸ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਅਹਿਮ ਹੈ। ਡੇਟਾ ਸਟੋਰ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ:
|
||||
<ul>
|
||||
<li>ਇੱਕ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਟੇਬਲਾਂ ਦਾ ਇਕੱਤਰ ਸਟੋਰ ਕਰਦਾ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਕਵੈਰੀ ਕਰਨ ਲਈ SQL ਨਾਮ ਦੀ ਖਾਸ ਭਾਸ਼ਾ ਵਰਤਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ ਟੇਬਲਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਸਮੂਹਾਂ ਵਿੱਚ ਵਿਭਾਜਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸੈਕੇਮਾਂ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਕਈ ਵਾਰੀ ਹਾਲਤ ਹੈ ਕਿ ਮੂਲ ਡੇਟਾ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਬਦਲਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਇਹ ਸੈਕੇਮਾ ਦੇ ਅਨੁਕੂਲ ਹੋ ਜਾਵੇ।</li>
|
||||
<li><a href="https://en.wikipedia.org/wiki/NoSQL">NoSQL</a> ਡੇਟਾਬੇਸ, ਜਿਵੇਂ ਕਿ <a href="https://azure.microsoft.com/services/cosmos-db/?WT.mc_id=academic-77958-bethanycheum">CosmosDB</a>, ਡੇਟਾ 'ਤੇ ਸੈਕੇਮਾ ਲਾਗੂ ਨਹੀਂ ਕਰਦੇ ਅਤੇ ਵਧੇਰੇ ਜਟਿਲ ਡੇਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ, ਉਦਾਹਰਨ ਵਜੋਂ, ਹੈਰਾਰਕੀ JSON ਦਸਤਾਵੇਜ਼ ਜਾਂ ਗ੍ਰਾਫ। ਪਰ NoSQL ਡੇਟਾਬੇਸ ਦੀ SQL ਜਿਹੀ ਵਿਸ਼ਾਲ ਕਵੇਰੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨਹੀਂ ਹੁੰਦੀ, ਅਤੇ ਇਹ ਰੈਫਰੈਂਸ਼ੀਅਲ ਇੰਟੈਗ੍ਰਿਟੀ ਲਾਗੂ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਟੇਬਲਾਂ ਵਿੱਚ ਡੇਟਾ ਕਿਵੇਂ ਸਟ੍ਰਕਚਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਟੇਬਲਾਂ ਦਰਮਿਆਨ ਸੰਬੰਧਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਕਾਇਦੇ ਨਹੀਂ ਬਣਾ ਸਕਦੇ।</li>
|
||||
<li><a href="https://en.wikipedia.org/wiki/Data_lake">ਡੇਟਾ ਲੇਕ</a> ਸਟੋਰੇਜ ਵੱਡੇ ਡੇਟਾ ਦਾ ਅਡੰਬਰ ਰੂਪ ਵਿੱਚ ਬਹੁਤ ਵੱਡਾ ਸੰਗ੍ਰਹਿ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਡੇਟਾ ਲੇਕ ਆਮ ਤੌਰ 'ਤੇ ਵੱਡੇ ਡੇਟਾ ਨਾਲ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਜਿੱਥੇ ਸਾਰਾ ਡੇਟਾ ਇੱਕ ਮਸ਼ੀਨ 'ਤੇ ਨਹੀਂ ਫਟਦਾ ਅਤੇ ਕਲੱਸਟਰ ਦੇ ਸਰਵਰਾਂ ਦੁਆਰਾ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈੱਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। <a href="https://en.wikipedia.org/wiki/Apache_Parquet">Parquet</a> ਉਹ ਡੇਟਾ ਫਾਰਮੈਟ ਹੈ ਜੋ ਅਕਸਰ ਵੱਡੇ ਡੇਟਾ ਨਾਲ ਮਿਲ ਕੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।</li>
|
||||
</ul>
|
||||
</dd>
|
||||
<dt>3) ਡੇਟਾ ਪ੍ਰਕਿਰਿਆ</dt>
|
||||
<dd>
|
||||
ਇਹ ਡੇਟਾ ਯਾਤਰਾ ਦਾ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਹਿੱਸਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੂਲ ਡੇਟਾ ਨੂੰ ਉਸ ਰੂਪ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਦੇਖਾਵਟ ਜਾਂ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕੇ। ਅਸੰਰਚਿਤ ਡੇਟਾ ਜਿਵੇਂ ਕਿ ਪਾਠ ਜਾਂ ਚਿੱਤਰਾਂ ਨਾਲ ਕੰਮ ਕਰਦਿਆਂ, ਸਾਨੂੰ ਕੁਝ AI ਤਰੀਕਿਆਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਤਾਂ ਜੋ ਡੇਟਾ ਵਿੱਚੋਂ <b>ਖੂਬੀਆਂ</b> ਨਿਕਾਲ ਕੇ ਇਸਨੂੰ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ।
|
||||
</dd>
|
||||
<dt>4) ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ / ਮਨੁੱਖੀ ਅੰਦਰੂਨੀਆਂ</dt>
|
||||
<dd>
|
||||
ਅਕਸਰ, ਡੇਟਾ ਸਮਝਣ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਦੇ ਹਾਂ। ਸਾਡੇ ਕੋਲ ਕਈ ਵੱਖ-ਵੱਖ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਤਕਨੀਕਾਂ ਹਨ, ਜੋ ਸਹੀ ਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਖੋਜ ਕੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ। ਡੇਟਾ ਵਿਗਿਆਨੀ ਨੂੰ ਕਈ ਵਾਰੀ "ਡੇਟਾ ਨਾਲ ਖੇਡਣਾ" ਪੈਂਦਾ ਹੈ, ਇਸਨੂੰ ਕਈ ਵਾਰੀ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਅਤੇ ਕੁਝ ਸੰਬੰਧ ਲੱਭਣੇ ਹੁੰਦੇ ਹਨ। ਅਸੀਂ ਅੰਕੜੇ ਜਾਣਚ ਤਕਨੀਕਾਂ ਨਾਲ ਸਿਧਾਂਤ ਜਾਂ ਡਾਟਾ ਦੇ ਵੱਖਰੇ ਟੁਕੜਿਆਂ ਵਿਚਕਾਰ ਦੇ ਸੰਬੰਧ ਦੀ ਪੁਸ਼ਟੀ ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
</dd>
|
||||
<dt>5) ਭਵਿੱਖਬਾਣੀ ਵਾਲਾ ਮਾਡਲ ਸਿਖਲਾਈ</dt>
|
||||
<dd>
|
||||
ਕਿਉਂਕਿ ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਆਖਰੀ ਮਕਸਦ ਫੈਸਲੇ ਕਰਨ ਦੇ ਯੋਗ ਬਣਨਾ ਹੈ, ਅਸੀਂ <a href="http://github.com/microsoft/ml-for-beginners">ਮਸ਼ੀਨ ਲਰਨਿੰਗ</a> ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਵਿੱਖਬਾਣੀ ਵਾਲਾ ਮਾਡਲ ਬਣਾ ਸਕਦੇ ਹਾਂ। ਫਿਰ ਅਸੀਂ ਨਵੇਂ ਅਤੇ ਸਮਾਨ ਢਾਂਚੇ ਵਾਲੇ ਡੇਟਾ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
</dd>
|
||||
</dl>
|
||||
|
||||
ਜ਼ਾਹਰ ਹੈ, ਕੁਝ ਹਾਲਤਾਂ ਵਿੱਚ ਕੁਝ ਕਦਮ ਗੁੰਮ ਹੋ ਸਕਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ ਜੇ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਡੇਟਾ ਡੇਟਾਬੇਸ ਵਿੱਚ ਰੱਖ ਚੁੱਕੇ ਹਾਂ, ਜਾਂ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ), ਜਾਂ ਕੁਝ ਕਦਮ ਕਈ ਵਾਰੀ ਦੁਹਰਾਏ ਜਾਂਦੇ ਹਨ (ਜਿਵੇਂ ਡੇਟਾ ਪ੍ਰਕਿਰਿਆ)।
|
||||
|
||||
## ਡਿਜੀਟਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਡਿਜੀਟਲ ਤਬਦੀਲੀ
|
||||
|
||||
ਪਿਛਲੇ ਦਹਾਕੇ ਵਿੱਚ, ਕਈ ਕਾਰੋਬਾਰ ਨੇ ਕਾਰੋਬਾਰੀ ਫੈਸਲੇ ਕਰਨ ਵੇਲੇ ਡੇਟਾ ਦੇ ਮਹੱਤਵ ਨੂੰ ਸਮਝਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ। ਕਾਰੋਬਾਰ ਚਲਾਉਣ ਲਈ ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਸਿਧਾਂਤ ਲਾਗੂ ਕਰਨ ਲਈ, ਪਹਿਲਾਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਜਰੂਰੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਡਿਜିਟਲ ਰੂਪ ਵਿੱਚ ਬਦਲਣਾ। ਇਸਨੂੰ **ਡਿਜੀਟਲਾਈਜ਼ੇਸ਼ਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਡੇਟਾ 'ਤੇ ਡੇਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰਕੇ ਫੈਸਲੇ ਲੈਣਾ **ਡਿਜੀਟਲ ਤਬਦੀਲੀ** ਕਹਾਉਂਦਾ ਹੈ, ਜੋ ਉਤਪਾਦਕਤਾ ਵਿੱਚ ਨਜ਼ਰਣੀ ਕਮੀ ਜਾਂ ਕਾਰੋਬਾਰ ਵਿੱਚ ਬਦਲਾਅ ਲਿਆ ਸਕਦਾ ਹੈ।
|
||||
|
||||
ਚਲੋ ਇੱਕ ਉਦਾਹਰਨ ਲੱਭੀਏ। ਮੰਨੋ ਸਾਡੇ ਕੋਲ ਡੇਟਾ ਸਾਇੰਸ ਕੋਰਸ (ਜਿਵੇਂ ਇਹ) ਹੈ ਜੋ ਅਸੀਂ ਔਨਲਾਈਨ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਦਿੰਦੇ ਹਾਂ, ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਸੁਧਾਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਇਹ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ?
|
||||
|
||||
ਅਸੀਂ ਇਹਨਾਂ ਪ્ਰਸ਼ਨਾਂ ਤੋਂ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ: "ਕੀ ਚੀਜ਼ ਡਿਜੀਟਲ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ?" ਸਭ ਤੋਂ ਸਧਾਰਣ ਤਰੀਕਾ ਇਹ ਹੋਵੇਗਾ ਕਿ ਹਰ ਵਿਦਿਆਰਥੀ ਨੂੰ ਹਰ ਮੋਡੀਊਲ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਲੱਗੇ ਸਮੇਂ ਨੂੰ ਮਾਪਾ ਜਾਵੇ ਅਤੇ ਹਰ ਮੋਡੀਊਲ ਦੇ ਅਖੀਰ ਵਿੱਚ ਪ੍ਰਾਪਤ ਗਿਆਨ ਨੂੰ ਬਹੁ-ਚੋਣ ਦਾ ਟੈਸਟ ਦੇ ਕੇ ਅੰਕਿਤ ਕੀਤਾ ਜਾਵੇ। ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਮਾਂ-ਮਿਆਦ ਦਾ ਔਸਤ ਕੱਢ ਕੇ, ਅਸੀਂ ਜਾਣ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਹੜੇ ਮੋਡੀਊਲ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸੌਖਾ ਬਣਾਉਣ ਉੱਤੇ ਕੰਮ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
> ਤੁਸੀਂ ਦਲੀਲ ਦੇ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਤਰੀਕਾ ਆਦਰਸ਼ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ ਮੌਡੀਊਲ ਵੱਖ-ਵੱਖ ਲੰਬਾਈਆਂ ਦੇ ਹੋ ਸਕਦੇ ਹਨ। ਇਹ ਸੰਭਵਤ: ਵਧੇਰੇ ਨਿਆਂਸੰਗਤ ਹੈ ਕਿ ਸਮਾਂ ਮੌਡੀਊਲ ਦੀ ਲੰਬਾਈ (ਅੱਖਰਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ) ਦੇ ਨਾਲ ਵੰਡਿਆ ਜਾਵੇ, ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾਵੇ।
|
||||
|
||||
ਜਦੋਂ ਅਸੀਂ ਬਹੁ-ਚੋਣ ਵਾਲੇ ਟੈਸਟਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਹ ਜਾਣਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਹੜੇ ਸੰਕਲਪ ਸਮਝਣ ਵਿੱਚ ਮুশਕਿਲ ਆ ਰਹੀ ਹੈ, ਅਤੇ ਇਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮੱਗਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ ਸਾਨੂੰ ਟੈਸਟ ਇਸ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨੇ ਪੈਣਗੇ ਕਿ ਹਰ ਪ੍ਰਸ਼ਨ ਕਿਸੇ ਵੱਖਰੇ ਸੰਕਲਪ ਜਾਂ ਗਿਆਨ ਦੇ ਹਿੱਸੇ ਨਾਲ ਜੁੜਿਆ ਹੋਵੇ।
|
||||
|
||||
ਜੇ ਅਸੀਂ ਹੋਰ ਵੀ ਜਟਿਲਤਾ ਲਿਆਉਣੀ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹਰ ਮੌਡੀਊਲ ਲਈ ਲੱਗੇ ਸਮੇਂ ਨੂੰ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਉਮਰ ਵੱਗਰੇਟਰੀ ਦੇ ਨਾਲ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਤਾ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਕੁਝ ਉਮਰ ਵੱਗਰੇਟਰੀਆਂ ਲਈ ਮੌਡੀਊਲ ਮੁਕੰਮਲ ਕਰਨ ਵਿੱਚ ਬੇਹੱਦ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਜਾਂ ਵਿਦਿਆਰਥੀ ਇਸਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਇਹ ਸਾਡੇ ਲਈ ਮੌਡੀਊਲ ਲਈ ਉਮਰ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਗਲਤ ਉਮੀਦਾਂ ਕਾਰਨ ਲੋਕਾਂ ਦੀ ਅਸੰਤੋਸ਼ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ।
|
||||
|
||||
## 🚀 ਚੁਣੌਤੀ
|
||||
|
||||
ਇਸ ਚੁਣੌਤੀ ਵਿੱਚ, ਅਸੀਂ ਟੈਕਸਟਾਂ ਨੂੰ ਦੇਖ ਕੇ ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਖੇਤਰ ਨਾਲ ਸਬੰਧਤ ਸੰਕਲਪਾਂ ਨੂੰ ਪਤਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ। ਅਸੀਂ ਡੇਟਾ ਸਾਇੰਸ 'ਤੇ ਇੱਕ ਵਿਕੀਪੀਡੀਆ ਲੇਖ ਲਵਾਂਗੇ, ਟੈਕਸਟ ਨੂੰ ਡਾਊਨਲੋਡ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਇੱਕ ਵਰਡ ਕਲਾਉਡ ਬਣਾਵਾਂਗੇ ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ:
|
||||
ਇਸ ਚੁਣੌਤੀ ਵਿੱਚ, ਅਸੀਂ Data Science ਦੇ ਖੇਤਰ ਨਾਲ ਜੁੜੇ ਸੰਕਲਪ ਲੱਭਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਟੈਕਸਟਾਂ ਨੂੰ ਵੇਖ ਕੇ। ਅਸੀਂ Data Science ਬਾਰੇ ਇੱਕ ਵਿਕੀਪੀਡਿਆ ਲਿਖਤ ਲਵਾਂਗੇ, ਟੈਕਸਟ ਨੂੰ ਡਾਊਨਲੋਡ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਇੱਕ ਸ਼ਬਦ ਬੱਦੱਲ (word cloud) ਬਣਾਵਾਂਗੇ ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ:
|
||||
|
||||
|
||||
|
||||
|
||||
ਕੋਡ ਨੂੰ ਪੜ੍ਹਨ ਲਈ [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') 'ਤੇ ਜਾਓ। ਤੁਸੀਂ ਕੋਡ ਨੂੰ ਚਲਾ ਵੀ ਸਕਦੇ ਹੋ, ਅਤੇ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਸਾਰੇ ਡੇਟਾ ਰੂਪਾਂਤਰਨਾਂ ਨੂੰ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।
|
||||
ਕੋਡ ਨੂੰ ਪੜ੍ਹਨ ਲਈ [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') ਤੇ ਜਾਓ। ਤੁਸੀਂ ਕੋਡ ਨੂੰ ਚਲਾ ਸਕਦੇ ਹੋ, ਅਤੇ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਸਾਰੇ ਡਾਟਾ ਪਰਿਵਰਤਨ ਕਿਵੇਂ ਵਿਅਕਤੀਗਤ ਸਮੇਂ 'ਚ ਕਰਦਾ ਹੈ।
|
||||
|
||||
> ਜੇਕਰ 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।
|
||||
> ਜੇ ਤੁਹਾਨੂੰ Jupyter Notebook ਵਿੱਚ ਕੋਡ ਚਲਾਉਣਾ ਨਹੀਂ ਆਉਂਦਾ, ਤਾਂ [ਇਸ ਲੇਖ](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ਨੂੰ ਦੇਖੋ।
|
||||
|
||||
## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/1)
|
||||
## [ਪੋਸਟ-ਲੇਕਚਰ ਕਵੀਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/1)
|
||||
|
||||
## ਅਸਾਈਨਮੈਂਟਸ
|
||||
|
||||
* **ਟਾਸਕ 1**: ਉਪਰੋਕਤ ਕੋਡ ਨੂੰ ਸੋਧੋ ਤਾਂ ਜੋ **Big Data** ਅਤੇ **Machine Learning** ਦੇ ਖੇਤਰਾਂ ਲਈ ਸਬੰਧਤ ਸੰਕਲਪਾਂ ਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ।
|
||||
* **ਟਾਸਕ 2**: [ਡੇਟਾ ਸਾਇੰਸ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚੋ](assignment.md)
|
||||
* **ਟਾਸਕ 1**: ਉਪਰ ਦਿੱਤੇ ਕੋਡ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰੋ ਤਾਂ ਕਿ **Big Data** ਅਤੇ **Machine Learning** ਖੇਤਰਾਂ ਲਈ ਸੰਬੰਧਿਤ ਸੰਕਲਪ ਲੱਭ ਸਕੀਏ
|
||||
* **ਟਾਸਕ 2**: [Data Science ਸਿਨਾਰੀਓਜ਼ ਬਾਰੇ ਸੋਚੋ](assignment.md)
|
||||
|
||||
## ਸ਼੍ਰੇਯ
|
||||
## ਸ਼੍ਰੇਯਸ
|
||||
|
||||
ਇਹ ਪਾਠ [ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ](http://soshnikov.com) ਦੁਆਰਾ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
|
||||
ਇਹ ਪਾਠ [Dmitry Soshnikov](http://soshnikov.com) ਵੱਲੋਂ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
|
||||
|
||||
---
|
||||
|
||||
**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 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।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ਅਸਵੀਕਾਰੋਪਣ**:
|
||||
ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -1,110 +1,148 @@
|
||||
# ਹਕੀਕਤੀ ਦੁਨੀਆ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ
|
||||
# Data Science in the Real World
|
||||
|
||||
|  ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/20-DataScience-RealWorld.png) |
|
||||
|  ](../../sketchnotes/20-DataScience-RealWorld.png) |
|
||||
| :--------------------------------------------------------------------------------------------------------------: |
|
||||
| ਹਕੀਕਤੀ ਦੁਨੀਆ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ ਇਨ ਦਿ ਰੀਅਲ ਵਰਲਡ - _ਸਕੈਚਨੋਟ ਬਾਈ [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
ਅਸੀਂ ਇਸ ਸਿੱਖਣ ਯਾਤਰਾ ਦੇ ਅੰਤ ਦੇ ਨੇੜੇ ਪਹੁੰਚ ਰਹੇ ਹਾਂ!
|
||||
ਅਸੀਂ ਇਸ ਸਿੱਖਣ ਦੀ ਯਾਤਰਾ ਦੇ ਅੰਤ ਦੇ ਬਹੁਤ ਨੇੜੇ ਹਾਂ!
|
||||
|
||||
ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਨੈਤਿਕਤਾ ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕੀਤੀ, ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ 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 ਸਿੱਖਿਆਵਾਂ ਨੂੰ ਹਕੀਕਤੀ ਸੰਦਰਭਾਂ ਨਾਲ ਕਿਵੇਂ ਜੋੜਿਆ ਜਾਵੇ?"_
|
||||
ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਨੈਤਿਕਤਾ ਦੀਆਂ ਪਰਿਭਾਸ਼ਾਵਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕੀਤਾ, ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਵੱਖ-ਵੱਖ ਟੂਲਾਂ ਅਤੇ ਤਕਨੀਕਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ, ਅਤੇ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਵਰਕਫਲੋਜ਼ ਨੂੰ ਸਕੇਲ ਕਰਨ ਅਤੇ ਆਟੋਮੇਟ ਕਰਨ ਦੇ ਬਾਰੇ ਵੇਖਿਆ। ਇਸ ਲਈ, ਤੁਸੀਂ ਸ਼ਾਇਦ ਸੋਚ ਰਹੇ ਹੋ: _"ਮੈਂ ਇਹ ਸਾਰੇ ਸਿੱਖੇ ਗਏ ਗੁਣ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਪ੍ਰਸੰਗਾਂ ਨਾਲ ਕਿਵੇਂ ਜੋੜਾਂ?"_
|
||||
|
||||
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਉਦਯੋਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਹਕੀਕਤੀ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ ਅਤੇ ਖੋਜ, ਡਿਜ਼ੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਸਤੇ ਵਿਕਾਸ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਖਾਸ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਡੁੱਬਾਂਗੇ। ਅਸੀਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟ ਦੇ ਮੌਕਿਆਂ ਨੂੰ ਵੇਖਾਂਗੇ ਅਤੇ ਤੁਹਾਡੀ ਸਿੱਖਣ ਯਾਤਰਾ ਨੂੰ ਜਾਰੀ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਲਾਭਦਾਇਕ ਸਰੋਤਾਂ ਨਾਲ ਸਮਾਪਤ ਕਰਾਂਗੇ!
|
||||
ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਉਦਯੋਗ ਵਿਚ ਡਾਟਾ ਸਾਇੰਸ ਦੀਆਂ ਅਸਲੀ ਦੁਨੀਆ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਅਧਿਐਨ ਕਰਾਂਗੇ ਅਤੇ ਖੋਜ, ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਥਿਰਤਾ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਉਦਾਹਰਣਾਂ 'ਤੇ ਚਰਚਾ ਕਰਾਂਗੇ। ਅਸੀਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟ ਦੇ ਮੌਕੇ ਵੇਖਾਂਗੇ ਅਤੇ ਆਪਣੀ ਸਿੱਖਣ ਯਾਤਰਾ ਚੱਲਦੇ ਰਹਿਣ ਲਈ ਲਾਭਦਾਇਕ ਸਰੋਤਾਂ ਨਾਲ ਸਮਾਪਤ ਕਰਾਂਗੇ!
|
||||
## पूर्व-लेक्चर क्विज़
|
||||
|
||||
## ਪਾਠ-ਪਹਿਲਾਂ ਪ੍ਰਸ਼ਨਾਵਲੀ
|
||||
|
||||
## [ਪਾਠ-ਪਹਿਲਾਂ ਪ੍ਰਸ਼ਨਾਵਲੀ](https://ff-quizzes.netlify.app/en/ds/quiz/38)
|
||||
## [ਪ्री-ਲੈਕਚਰ ਕੋਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/38)
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ + ਉਦਯੋਗ
|
||||
|
||||
AI ਦੇ ਲੋਕਤੰਤਰਿਕਰਨ ਦੇ ਕਾਰਨ, ਵਿਕਾਸਕਾਰਾਂ ਲਈ ਹੁਣ AI-ਚਲਿਤ ਫੈਸਲਾ-ਲੈਣ ਅਤੇ ਡਾਟਾ-ਚਲਿਤ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨੂੰ ਯੂਜ਼ਰ ਅਨੁਭਵਾਂ ਅਤੇ ਵਿਕਾਸ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਅਤੇ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਹੋ ਗਿਆ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ ਕਿ ਕਿਵੇਂ ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਉਦਯੋਗ ਵਿੱਚ "ਲਾਗੂ" ਕੀਤਾ ਜਾਂਦਾ ਹੈ:
|
||||
ਆਰਟੀਫਿਸ਼ਲ ਇੰਟੈਲਜੈਂਸ ਦੇ ਲੋਕ ਪ੍ਰਿਯੋਗਰਹਿਤ ਕਰਨ ਦੇ ਸ਼ੁਕਰਗੁਜ਼ਾਰ, ਡਿਵੈਲਪਰਾਂ ਲਈ ਹੁਣ ਆਸਾਨ ਹੋ ਗਿਆ ਹੈ ਕਿ ਉਹ ਏਅਆਈ ਚਲਿਤ ਫੈਸਲਾ-ਲੇਣ ਅਤੇ ਡਾਟਾ ਚਲਿਤ ਜਾਣਕਾਰੀਆਂ ਨੂੰ ਯੂਜ਼ਰ ਦੇ ਅਨੁਭਵ ਅਤੇ ਵਿਕਾਸ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਡਿਜ਼ਾਇਨ ਅਤੇ ਇੰਟੀਗ੍ਰੇਟ ਕਰਨ। ਇੱਥੇ ਉਦਯੋਗ ਵਿੱਚ ਅਸਲੀ ਦੁਨੀਆ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
|
||||
|
||||
* [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 ਤਰੀਕੇ ਵਿੱਚ ਖਾਮੀਆਂ ਸਨ, ਇਸ ਨੇ ਡਾਟਾ-ਚਲਿਤ ਸਿਹਤ ਸੰਭਾਵਨਾਵਾਂ (ਅਤੇ ਚੁਣੌਤੀਆਂ) ਬਾਰੇ ਜਾਗਰੂਕਤਾ ਵਧਾਈ।
|
||||
* [ਗੂਗਲ ਫਲੂ ਟ੍ਰੈਂਡਸ](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ਨੇ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਤਾਂ ਜੋ ਖੋਜ ਸ਼ਬਦਾਂ ਨੂੰ ਫਲੂ ਟ੍ਰੈਂਡਸ ਨਾਲ ਜੋੜ ਸਕਣ। ਜਦ ਕਿ ਇਹ ਪਹੁੰਚ ਕੁਝ ਖਰਾਬੀਆਂ ਵਾਲੀ ਸੀ, ਇਸ ਨੇ ਡਾਟਾ ਚਲਿਤ ਸਿਹਤ ਸੇਵਾਵਾਂ ਦੀ ਸੰਭਾਵਨਾਵਾਂ (ਅਤੇ ਚੁਣੌਤੀਆਂ) ਬਾਰੇ ਜਾਣੂ ਕਰਵਾਇਆ।
|
||||
|
||||
* [UPS ਰੂਟਿੰਗ ਪੇਸ਼ਗੂਈ](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ UPS ਕਿਵੇਂ ਮੌਸਮ ਦੀ ਸਥਿਤੀ, ਟ੍ਰੈਫਿਕ ਪੈਟਰਨ, ਡਿਲਿਵਰੀ ਦੀਆਂ ਮਿਆਦਾਂ ਅਤੇ ਹੋਰ ਗੱਲਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਡਿਲਿਵਰੀ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਰਸਤੇ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
|
||||
* [ਯੂ.ਪੀ.ਐੱਸ. ਰੂਟਿੰਗ ਅੰਦਾਜ਼ੇ](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - ਦੱਸਦਾ ਹੈ ਕਿ ਯੂ.ਪੀ.ਐੱਸ. ਕਿਵੇਂ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਵੇਰੇ ਰਸਤੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੌਸਮ ਦੀ ਹਾਲਤ, ਟ੍ਰੈਫਿਕ ਪੈਟਰਨ, ਡਿਲਿਵਰੀ ਦੀਆਂ ਮਿਆਦਾਂ ਅਤੇ ਹੋਰ ਕਈ ਗੱਲਾਂ ਸ਼ਾਮਲ ਹਨ।
|
||||
|
||||
* [NYC ਟੈਕਸੀ ਰੂਟ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ](http://chriswhong.github.io/nyctaxi/) - [ਸੂਚਨਾ ਦੀ ਆਜ਼ਾਦੀ ਦੇ ਕਾਨੂੰਨਾਂ](https://chriswhong.com/open-data/foil_nyc_taxi/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਡਾਟਾ ਨੇ NYC ਟੈਕਸੀਆਂ ਦੇ ਦਿਨ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਸਾਨੂੰ ਸਮਝ ਆਉਂਦੀ ਹੈ ਕਿ ਉਹ ਕਿਵੇਂ ਵਿਆਸਤ ਸ਼ਹਿਰ ਵਿੱਚ ਚਲਦੇ ਹਨ, ਉਹ ਕਿੰਨਾ ਪੈਸਾ ਕਮਾਉਂਦੇ ਹਨ, ਅਤੇ ਹਰ 24-ਘੰਟੇ ਦੇ ਅਰਸੇ ਦੌਰਾਨ ਯਾਤਰਾਵਾਂ ਦੀ ਮਿਆਦ ਕੀ ਹੁੰਦੀ ਹੈ।
|
||||
* [ਐਨ ਵਾਈ ਸੀ ਟੈਕਸੀਕੈਬ ਰੂਟ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ](http://chriswhong.github.io/nyctaxi/) - [ਆਜ਼ਾਦੀ ਸੂਚਨਾ ਕਾਨੂੰਨਾਂ](https://chriswhong.com/open-data/foil_nyc_taxi/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਡੇਟਾ ਐਨ ਵਾਈ ਸੀ ਟੈਕਸੀਜ਼ ਦੇ ਇਕ ਦਿਨ ਨੂੰ ਵਿਜ਼ੂਅਲ ਕਰਦਾ ਹੈ, ਇਨ੍ਹਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਕਿਸ ਤਰ੍ਹਾਂ ਸ਼ਹਿਰ ਵਿੱਚ ਰਸਤੇ ਲੱਭਦੇ ਹਨ, ਉਹ ਕਿੰਨੀ ਕਮਾਈ ਕਰਦੇ ਹਨ, ਅਤੇ ਹਰ 24 ਘੰਟਿਆਂ ਵਿੱਚ ਸਫਰ ਦੀ ਮਿਆਦ ਕਿੰਨੀ ਹੁੰਦੀ ਹੈ।
|
||||
|
||||
* [ਉਬਰ ਡਾਟਾ ਸਾਇੰਸ ਵਰਕਬੈਂਚ](https://eng.uber.com/dsw/) - ਹਰ ਰੋਜ਼ ਲੱਖਾਂ ਉਬਰ ਯਾਤਰਾਵਾਂ ਤੋਂ ਇਕੱਠੇ ਕੀਤੇ ਡਾਟਾ (ਜਿਵੇਂ ਕਿ ਪਿਕਅੱਪ ਅਤੇ ਡ੍ਰੌਪਅੱਪ ਸਥਾਨ, ਯਾਤਰਾ ਦੀ ਮਿਆਦ, ਪਸੰਦੀਦਾ ਰਸਤੇ ਆਦਿ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਮਤ ਨਿਰਧਾਰਨ, ਸੁਰੱਖਿਆ, ਧੋਖਾਧੜੀ ਦੀ ਪਛਾਣ ਅਤੇ ਨੈਵੀਗੇਸ਼ਨ ਫੈਸਲਿਆਂ ਵਿੱਚ ਮਦਦ ਲਈ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਟੂਲ ਬਣਾਉਣਾ।
|
||||
* [ਉਬੇਰ ਡਾਟਾ ਸਾਇੰਸ ਵਰਕਬੈੰਚ](https://eng.uber.com/dsw/) - ਹਰ ਰੋਜ਼ ਮਿਲੀਅਨਾਂ ਉਬੇਰ ਯਾਤਰਾਵਾਂ (ਪਿਕਅਪ ਅਤੇ ਡਰੌਪਆਫ਼ ਟਿਕਾਣੇ, ਯਾਤਰਾ ਦੀ ਮਿਆਦ, ਪ੍ਰਿਫਰਡ ਰਸਤੇ ਆਦਿ) ਤੋਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਡਾਟਾ ਵਰਤਦਾ ਹੈ ਤਾਂ ਜੋ ਪ੍ਰਾਈਸਿੰਗ, ਸੁਰੱਖਿਆ, ਧੋਖਾਧੜੀ ਪਹਿਚਾਣ ਅਤੇ ਰਸਤੇ ਬਣਾਉਣ ਦੇ ਫੈਸਲੇ ਕਰਨ ਲਈ ਇੱਕ ਡਾਟਾ ਐਨਾਲਿਟਿਕਸ ਟੂਲ ਬਣਾਇਆ ਜਾ ਸਕੇ।
|
||||
|
||||
* [ਖੇਡ ਵਿਸ਼ਲੇਸ਼ਣ](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _ਪੇਸ਼ਗੂਈ ਵਿਸ਼ਲੇਸ਼ਣ_ (ਟੀਮ ਅਤੇ ਖਿਡਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ - ਜਿਵੇਂ [ਮਨੀਬਾਲ](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਪ੍ਰਬੰਧਨ) ਅਤੇ _ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ_ (ਟੀਮ ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਡੈਸ਼ਬੋਰਡ, ਖੇਡਾਂ ਆਦਿ) 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਪ੍ਰਤਿਭਾ ਖੋਜ, ਖੇਡ ਜੂਆ ਅਤੇ ਸਟੇਡੀਅਮ ਪ੍ਰਬੰਧਨ ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਸ਼ਾਮਲ ਹਨ।
|
||||
* [ਖੇਡਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _ਪ੍ਰਡਿਕਟਿਵ ਐਨਾਲਿਟਿਕਸ_ (ਟੀਮ ਅਤੇ ਖਿਡਾਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ - ਜਿਵੇਂ ਕਿ [ਮਨੀ ਬੋਲ](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਪ੍ਰਬੰਧ) ਅਤੇ _ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ_ (ਟੀਮ ਅਤੇ ਪ੍ਰਸ਼ੰਸਕ ਡੈਸ਼ਬੋਰਡ, ਖੇਡਾਂ ਆਦਿ) ਉੱਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰਦਾ ਹੈ, ਜਿਸਦੇ ਭਿੰਨ ਭਿੰਨ ਅਰਜ਼ੀਆਂ ਹਨ ਜਿਵੇਂ ਪ੍ਰਤਿਭਾ ਪਹੁੰਚ, ਖੇਡਾਂ ਤੇ ਜੂਆ ਅਤੇ ਸੰਗ੍ਰਹਿ/ਸਟੇਡੀਅਮ ਪ੍ਰਬੰਧਨ।
|
||||
|
||||
* [ਬੈਂਕਿੰਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://data-flair.training/blogs/data-science-in-banking/) - ਵਿੱਤੀ ਉਦਯੋਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਮੁੱਲ ਨੂੰ ਰਿਸਕ ਮਾਡਲਿੰਗ ਅਤੇ ਧੋਖਾਧੜੀ ਦੀ ਪਛਾਣ ਤੋਂ ਲੈ ਕੇ ਗਾਹਕ ਸੈਗਮੈਂਟੇਸ਼ਨ, ਰੀਅਲ-ਟਾਈਮ ਪੇਸ਼ਗੂਈ ਅਤੇ ਰਿਕਮੈਂਡਰ ਸਿਸਟਮ ਤੱਕ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨਾਲ ਹਾਈਲਾਈਟ ਕਰਦਾ ਹੈ। ਪੇਸ਼ਗੂਈ ਵਿਸ਼ਲੇਸ਼ਣ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡਾਂ ਨੂੰ ਵੀ ਚਲਾਉਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ [ਕ੍ਰੈਡਿਟ ਸਕੋਰ](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit)।
|
||||
* [ਬੈਂਕਿੰਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://data-flair.training/blogs/data-science-in-banking/) - ਵਿੱਤ ਉਦਯੋਗ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਖਤਰੇ ਦੇ ਮਾਡਲਿੰਗ ਅਤੇ ਧੋਖਾਧੜੀ ਪਛਾਣ ਤੋਂ ਲੈ ਕੇ ਗਾਹਕ ਵਿਭਾਜਨ, ਸਮੇਂ ਦੇ ਅਨੁਸਾਰ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਸਿਫਾਰਸ਼ੀ ਸਿਸਟਮ ਸ਼ਾਮਲ ਹਨ। ਪ੍ਰਡਿਕਟਿਵ ਐਨਾਲਿਟਿਕਸ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡ ਜਿਵੇਂ ਕਿ [ਕ੍ਰੈਡਿਟ ਸਕੋਰ](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) ਨੂੰ ਵੀ ਚਲਾਉਂਦੇ ਹਨ।
|
||||
|
||||
* [ਸਿਹਤ ਸੇਵਾਵਾਂ 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 ਸਿਕਵੈਂਸਿੰਗ), ਦਵਾਈ ਵਿਕਾਸ (ਖਤਰੇ ਦਾ ਮੁਲਾਂਕਣ, ਸਫਲਤਾ ਦੀ ਪੇਸ਼ਗੂਈ), ਪੇਸ਼ਗੂਈ ਵਿਸ਼ਲੇਸ਼ਣ (ਮਰੀਜ਼ ਦੀ ਦੇਖਭਾਲ ਅਤੇ ਸਪਲਾਈ ਲੌਜਿਸਟਿਕਸ), ਬਿਮਾਰੀ ਟ੍ਰੈਕਿੰਗ ਅਤੇ ਰੋਕਥਾਮ ਆਦਿ।
|
||||
* [ਹੈਲਥਕੇਅਰ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://data-flair.training/blogs/data-science-in-healthcare/) - ਜਿਵੇਂ ਕਿ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ (ਜਿਵੇਂ ਐਮ.ਆਰ.ਆਈ., ਐਕਸ-ਰੇ, ਸੀ.ਟੀ-ਸਕੈਨ), ਜੈਵਿਕ ਰੀਤੀਆਂ (ਡੀਐਨਏ ਸੀਕੁਐਨਸਿੰਗ), ਦਵਾਈ ਵਿਕਾਸ (ਖਤਰੇ ਦਾ ਅੰਦਾਜ਼ਾ, ਸਫਲਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ), ਪੇਸ਼ਗੋਈ (ਮਰੀਜ਼ ਦੀ ਦੇਖਭਾਲ ਅਤੇ ਸਪਲਾਈ ਲਾਜਿਸਟਿਕਸ), ਰੋਗਾਂ ਦੀ ਪਛਾਣ ਤੇ ਰੋਕਥਾਮ ਆਦਿ।
|
||||
|
||||
 ਚਿੱਤਰ ਸ੍ਰੋਤ: [ਡਾਟਾ ਫਲੇਅਰ: ਡਾਟਾ ਸਾਇੰਸ ਦੇ 6 ਸ਼ਾਨਦਾਰ ਐਪਲੀਕੇਸ਼ਨ](https://data-flair.training/blogs/data-science-applications/)
|
||||
 ਚਿੱਤਰ ਸਰੋਤ: [ਡਾਟਾ ਫਲੇਅਰ: 6 ਅਦਭੁਤ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨਸ](https://data-flair.training/blogs/data-science-applications/)
|
||||
|
||||
ਇਸ ਚਿੱਤਰ ਵਿੱਚ ਹੋਰ ਖੇਤਰ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ 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।
|
||||
ਇਸ ਚਿੱਤਰ ਵਿੱਚ ਹੋਰ ਖੇਤਰਾਂ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨਾਲੋਜੀਆਂ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਉਦਾਹਰਣ ਦਿਖਾਈ ਗਈਆਂ ਹਨ। ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਾਰੇ ਜਾਣਨ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ [Review & Self Study](?id=review-amp-self-study) ਭਾਗ ਨੂੰ ਦੇਖੋ।
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ + ਖੋਜ
|
||||
|
||||
|  ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/20-DataScience-Research.png) |
|
||||
|  ](../../sketchnotes/20-DataScience-Research.png) |
|
||||
| :---------------------------------------------------------------------------------------------------------------: |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਖੋਜ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ & ਖੋਜ - _ਸਕੈਚਨੋਟ ਬਾਈ [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
ਜਿੱਥੇ ਅਸਲੀ ਦੁਨੀਆ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਆਮ ਤੌਰ 'ਤੇ ਉਦਯੋਗ ਦੀਆਂ ਵਰਤੋਂ ਕੇਸਾਂ ਨੂੰ ਸਕੇਲ 'ਤੇ ਧਿਆਨ ਦਿੰਦੀਆਂ ਹਨ, _ਖੋਜ_ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਦੋ ਪੱਖੀਅਤੋਂ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ:
|
||||
|
||||
* _ਨਵੀਨਤਾ ਦੇ ਮੌਕੇ_ - ਵਿਕਸਤ ਸੰਕਲਪਾਂ ਦੀ ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਅਤੇ ਅਗਲੀ ਪੀੜੀ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਯੂਜ਼ਰ ਅਨੁਭਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਮੌਕੇ।
|
||||
* _ਤਾਇਨਾਤੀ ਚੁਣੌਤੀਆਂ_ - ਅਸਲੀ ਦੁਨੀਆ ਦੀਆਂ ਸੰਦਰਭਾਂ 'ਚ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਚਾਹੇ ਨਤੀਜੇ ਖੋਜਣਾ।
|
||||
|
||||
ਵਿਦਿਆਰਥੀਆਂ ਲਈ, ਇਹ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਸਿੱਖਣ ਅਤੇ ਸਹਿਯੋਗ ਦੇ ਮੌਕੇ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਟਾਪਿਕ ਦੀ ਸਮਝ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਸਬੰਧਤ ਲੋਕਾਂ ਜਾਂ ਟੀਮਾਂ ਨਾਲ ਤੁਹਾਡੇ ਜੁੜਾਅ ਅਤੇ ਜਾਣੂਪਨ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ ਜੋ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ਤਾਂ, ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਕਿਵੇਂ ਹੁੰਦੇ ਹਨ ਅਤੇ ਇਹ ਕਿਹੜਾ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ?
|
||||
|
||||
ਜਦੋਂ ਕਿ ਹਕੀਕਤੀ ਦੁਨੀਆ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਅਕਸਰ ਉਦਯੋਗ ਦੇ ਵੱਡੇ ਪੱਧਰ ਦੇ ਕੇਸਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ, _ਖੋਜ_ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਦੋ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਤੋਂ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦੇ ਹਨ:
|
||||
ਆਓ ਇੱਕ ਉਦਾਹਰਣ ਵੇਖੀਏ - ਜੋਏ ਬੁਓਲਮਵਿਨੀ (MIT ਮੀਡੀਆ ਲੈਬ) ਵੱਲੋਂ ਕੀਤਾ ਗਿਆ [MIT ਜੈਂਡਰ ਸ਼ੇਡਜ਼ ਅਧਿਐਨ](http://gendershades.org/overview.html) ਜਿਸ ਵਿੱਚ ਇੱਕ [ਦਸਤਖ਼ਤ ਖੋਜ ਪੇਪਰ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) ਸੀ ਜਿਸਦਾ ਸਹਿ-ਲੇਖਕ ਟਿਮਨਿਤ ਗੇਬਰੂ (ਜੋ ਉਸ ਸਮੇਂ ਮਾਈਕ੍ਰੋਸੌਫਟ ਰਿਸਰਚ ਵਿੱਚ ਸਨ) ਸੀ, ਜਿਸਦਾ ਫੋਕਸ ਸੀ
|
||||
|
||||
* _ਨਵਾਚਾਰ ਦੇ ਮੌਕੇ_ - ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਉੱਨਤ ਧਾਰਨਾਵਾਂ ਦੇ ਤੇਜ਼ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਅਤੇ ਯੂਜ਼ਰ ਅਨੁਭਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ।
|
||||
* _ਤੈਨਾਤੀ ਚੁਣੌਤੀਆਂ_ - ਹਕੀਕਤੀ ਸੰਦਰਭਾਂ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਦੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਜਾਣੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰੋ।
|
||||
* **ਕੀ:** ਖੋਜ ਦਾ ਉਦਦੇਸ਼ ਸੀ ਕਿ ਜੈਂਡਰ ਅਤੇ ਚਮੜੀ ਦੇ ਕਿਸਮ ਦੇ ਆਧਾਰ 'ਤੇ ਆਟੋਮੈਟਿਕ ਫੇਸ਼ਲ ਐਨਾਲਿਸਿਸ ਅਲਗੋਰਿਥਮ ਅਤੇ ਡਾਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਮੌਜੂਦ ਪੱਖਪਾਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ।
|
||||
* **ਕਿਉਂ:** ਫੇਸ਼ਲ ਐਨਾਲਿਸਿਸ ਦਾ ਇਸਤੇਮਾਲ ਕਾਨੂੰਨੀ ਫੋਰਾਂਸਿਕਸ, ਹਵਾਈ ਅੱਡਾ ਸੁਰੱਖਿਆ, ਹਾਇਰਿੰਗ ਸਿਸਟਮ ਆਦਿ ਵਿੱਚ ਹੁੰਦਾ ਹੈ - ਇਹ ਉਸ ਸੰਦਰਭਾਂ ਵਿੱਚ ਜਿੱਥੇ ਗਲਤ ਵਰਗੀ ਕੁਲਾਸੀਫਿਕੇਸ਼ਨ (ਜਿਵੇਂ ਪੱਖਪਾਤ ਕਰਕੇ) ਪ੍ਰਭਾਵਤ ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮੂਹਾਂ ਨੂੰ ਆਰਥਕ ਅਤੇ ਸਮਾਜਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੀ ਹੈ। ਪੱਖਪਾਤ ਨੂੰ ਸਮਝਣਾ (ਅਤੇ ਉਸਨੂੰ ਹਟਾਉਂਣਾ ਜਾਂ ਘਟਾਉਣਾ) ਵਰਤੋਂ ਵਿੱਚ ਨਿਆਂ ਲਈ ਜ਼ਰੂਰੀ ਹੈ।
|
||||
* **ਕਿਵੇਂ:** ਖੋਜਕਾਰਾਂ ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ਮੌਜੂਦਾ ਬੈਂਚਮਾਰਕ ਜ਼ਿਆਦਾਤਰ ਹਲਕੇ ਰੰਗ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਵਰਤਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਨਵਾਂ ਡਾਟਾ ਸੈੱਟ (1000+ ਚਿੱਤਰ) ਤਿਆਰ ਕੀਤਾ ਜੋ ਜੈਂਡਰ ਅਤੇ ਚਮੜੀ ਦੀ ਕਿਸਮ ਨਾਲ _ਵੱਧੰ ਸਮਤੁਲਿਤ_ ਸੀ। ਇਸ ਡਾਟਾ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਤਿੰਨ ਜੈਂਡਰ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਉਤਪਾਦਾਂ (ਮਾਈਕ੍ਰੋਸੌਫਟ, ਆਈਬੀਐਮ ਅਤੇ ਫੇਸ++) ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ।
|
||||
|
||||
ਵਿਦਿਆਰਥੀਆਂ ਲਈ, ਇਹ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਸਿੱਖਣ ਅਤੇ ਸਹਿਯੋਗ ਦੇ ਮੌਕੇ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਤੁਹਾਡੀ ਵਿਸ਼ੇ ਦੀ ਸਮਝ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਰੁਚੀ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਸਬੰਧਤ ਲੋਕਾਂ ਜਾਂ ਟੀਮਾਂ ਨਾਲ ਤੁਹਾਡੀ ਜਾਗਰੂਕਤਾ ਅਤੇ ਸਹਿਭਾਗਤਾ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ। ਤਾਂ ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਕਿਵੇਂ ਦਿਖਦੇ ਹਨ ਅਤੇ ਉਹ ਕਿਵੇਂ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦੇ ਹਨ?
|
||||
ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਜੇਕਰ ਮੋਟਰ ਸ਼ੁੱਧਤਾ ਵਧੀਆ ਸੀ, ਤਾਂ ਵੀ ਵੱਖ ਵੱਖ ਸਮੂਹਾਂ ਵਿੱਚ ਗਲਤੀ ਦੀ ਦਰ ਵਿੱਚ ਸਪਸ਼ਟ ਫ਼ਰਕ ਸੀ - ਜੋੜਨ ਨਾਲ **ਮਿਸਜੈਂਡਰਿੰਗ** ਕੁਝ ਜ਼ਿਆਦਾ ਸੀ ਖਾਸ ਕਰਕੇ ਮਹਿਲਾਵਾਂ ਜਾਂ ਗਹਿਰੀ ਚਮੜੀ ਵਾਲੇ ਲੋਕਾਂ ਲਈ, ਜੋ ਪੱਖਪਾਤ ਦਾ ਸੰਕੇਤ ਹੈ।
|
||||
|
||||
ਆਓ ਇੱਕ ਉਦਾਹਰਣ ਵੇਖੀਏ - [MIT ਜੈਂਡਰ ਸ਼ੇਡਸ ਅਧਿਐਨ](http://gendershades.org/overview.html) ਜੋਏ ਬੁਓਲਾਮਵਿਨੀ (MIT ਮੀਡੀਆ ਲੈਬਜ਼) ਦੁਆਰਾ ਇੱਕ [ਦਸਤਖਤ ਖੋਜ ਪੇਪਰ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) ਦੇ ਨਾਲ, ਜੋ ਟਿਮਨਿਟ ਗੇਬਰੂ (ਤਦ ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਵਿੱਚ) ਨਾਲ ਸਹਿ-ਲਿਖਿਆ ਗਿਆ ਸੀ, ਜਿਸ ਨੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ:
|
||||
**ਮੁੱਖ ਨਤੀਜੇ:** ਇਸ ਦੇ ਨਾਲ ਜਾਗਰੂਕਤਾ ਵਧਾਈ ਗਈ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਵਧੇਰੇ _ਪ੍ਰਤਿਨਿਧੀ ਡਾਟਾਸੈੱਟ_ (ਸੰਤੁਲਿਤ ਸਮੂਹ) ਅਤੇ ਵਧੇਰੇ _ਸਮਾਵੇਸ਼ੀ ਟੀਮਾਂ_ (ਵਿਭਿੰਨ ਪਿਛੋਕੜ ਵਾਲੀਆਂ) ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਪੱਖਪਾਤ ਨੂੰ AI ਹੱਲਾਂ ਵਿੱਚ ਜਲਦੀ ਪਹਿਚਾਣਿਆ ਅਤੇ ਘਟਾਇਆ ਜਾ ਸਕੇ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਖੋਜ ਪਹਲਾਂ ਕਈ ਸੰਗਠਨਾਂ ਵਿੱਚ _ਜਿੰਮੇਵਾਰ AI_ ਦੇ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਦੀ ਪਰਿਭਾਸ਼ਾ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਸਾਬਤ ਹੋ ਰਹੀਆਂ ਹਨ ਤਾਂ ਜੋ AI ਪ੍ਰੋਡਕਟਸ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਨਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕੇ।
|
||||
|
||||
* **ਕੀ:** ਖੋਜ ਪ੍ਰੋਜੈਕਟ ਦਾ ਉਦੇਸ਼ ਸੀ _ਲਿੰਗ ਅਤੇ ਚਮੜੀ ਦੇ ਰੰਗ ਦੇ ਆਧਾਰ 'ਤੇ ਆਟੋਮੈਟਿਕ ਚਿਹਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਐਲਗੋਰਿਥਮ ਅਤੇ ਡਾਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ ਪੱਖਪਾਤ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ।_
|
||||
* **ਕਿਉਂ:** ਚਿਹਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਾਨੂੰਨ ਲਾਗੂ ਕਰਨ, 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 ਕਰਨਾ ਜਾਂ ਘਟਾਉਣਾ) ਮਹੱਤਵਪੂਰਨ ਹੈ।
|
||||
* **ਕਿਵੇਂ:** ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਮਾਨਤਾ ਦਿੱਤੀ ਕਿ ਮੌਜੂਦਾ ਬੈਂਚਮਾਰਕ ਮੁੱਖ ਤੌਰ 'ਤੇ ਹਲਕੇ ਚਮੜੀ ਵਾਲੇ ਵਿਸ਼ਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਅਤੇ ਇੱਕ ਨਵਾਂ ਡਾਟਾਸੈਟ (1000+ ਚਿੱਤਰ) ਤਿਆਰ ਕੀਤਾ ਜੋ ਲਿੰਗ ਅਤੇ ਚਮੜੀ ਦੇ ਰੰਗ ਦੁਆਰਾ _ਵਧੇਰੇ ਸੰਤੁਲਿਤ_ ਸੀ। ਇਸ ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਤਿੰਨ ਲਿੰਗ ਵਰਗੀਕਰਨ ਉਤਪਾਦਾਂ (ਮਾਈਕਰੋਸਾਫਟ, IBM ਅਤੇ ਫੇਸ++) ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ।
|
||||
**ਕੀ ਤੁਸੀਂ ਮਾਈਕ੍ਰੋਸੌਫਟ ਵਿੱਚ ਸਬੰਧਿਤ ਖੋਜ ਪਹਲਾਂ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ?**
|
||||
|
||||
* [Artificial Intelligence 'ਤੇ Microsoft Research ਪ੍ਰੋਜੈਕਟ](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) ਵੇਖੋ।
|
||||
* [Microsoft Research ਡਾਟਾ ਸਾਇੰਸ ਸਮਰ ਸਕੂਲ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) ਤੋਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟ ਖੋਜੋ।
|
||||
* [Fairlearn](https://fairlearn.org/) ਪ੍ਰੋਜੈਕਟ ਅਤੇ [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) ਪਹਿਲਕਦਮੀਆਂ ਨੂੰ ਵੇਖੋ।
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ + ਹਿਊਮੈਨਿਟੀਜ਼
|
||||
|
||||
|  ](../../sketchnotes/20-DataScience-Humanities.png) |
|
||||
| :---------------------------------------------------------------------------------------------------------------: |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ & ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ - _ਸਕੈਚਨੋਟ ਬਾਈ [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਹਾਲਾਂਕਿ ਕੁੱਲ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਚੰਗੀ ਸੀ, ਵੱਖ-ਵੱਖ ਉਪਸਮੂਹਾਂ ਵਿੱਚ ਗਲਤੀ ਦੀਆਂ ਦਰਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਸੀ - ਜਿਸ ਨਾਲ **ਗਲਤ ਲਿੰਗ ਨਿਰਧਾਰਨ** ਮਹਿਲਾਵਾਂ ਜਾਂ ਗੂੜ੍ਹੇ ਚਮੜੀ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਲਈ ਵੱਧ ਸੀ, ਜੋ ਪੱਖਪਾਤ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ।
|
||||
ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਨੂੰ "[ਕੰਪਿਊਟੇਸ਼ਨਲ ਤਰੀਕਿਆਂ ਨੂੰ ਮਨੁੱਖੀ ਸਵਾਲਬੰਦੀ ਨਾਲ ਜੋੜਨ ਵਾਲੇ ਅਭਿਆਸ ਅਤੇ ਨਜ਼ਰੀਏ](https://digitalhumanities.stanford.edu/about-dh-stanford)" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। [ਸਟੈਨਫੋਡ ਪ੍ਰੋਜੈਕਟ](https://digitalhumanities.stanford.edu/projects) ਜਿਵੇਂ "_ਰੀਬੂਟਿੰਗ ਹਿਸਟਰੀ_" ਅਤੇ "_ਕਾਵਿ ਸੋਚ_" ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਦੀਆਂ ਲਿੰਕਸ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ - ਜੋ ਜਾਲ ਵਿਸ਼ਲੇਸ਼ਣ, ਜਾਣਕਾਰੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਸਥਾਨਕ ਅਤੇ ਲਿਖਤੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ ਜੋ ਸਾਨੂੰ ਇਤਿਹਾਸਕ ਅਤੇ ਸాహਿਤਕ ਡਾਟਾ ਸੈੱਟਾਂ ਨੂੰ ਖ਼ਤਮ ਕਰ ਕੇ ਨਵੇਂ ਵਿਚਾਰ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀ ਕੋਣ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ।
|
||||
|
||||
**ਮੁੱਖ ਨਤੀਜੇ:** ਇਹ ਜਾਗਰੂਕਤਾ ਵਧਾਈ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਵਧੇਰੇ _ਪ੍ਰਤੀਨਿਧੀ ਡਾਟਾਸੈਟ_ (ਸੰਤੁਲਿਤ ਉਪਸਮੂਹ) ਅਤੇ ਵਧੇਰੇ _ਸਮਾਵੇਸ਼ੀ ਟੀਮਾਂ_ (ਵਿਭਿੰਨ ਪਿਛੋਕੜ) ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ AI ਹੱਲਾਂ ਵਿੱਚ ਅਜਿਹੇ ਪੱਖਪਾਤਾਂ ਨੂੰ ਜਲਦੀ ਪਛਾਣਿਆ ਜਾ ਸਕੇ ਅਤੇ ਖਤਮ ਕੀਤਾ ਜਾ ਸਕੇ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਖੋਜ ਯਤਨ ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਵਿੱਚ _ਜਿੰਮੇਵਾਰ AI_ ਲਈ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਵਿੱਚ ਵੀ ਸਹਾਇਕ ਹਨ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾ ਸਕੇ।
|
||||
*ਕੀ ਤੁਸੀਂ ਇਸ ਖੇਤਰ ਵਿੱਚ ਕੋਈ ਪ੍ਰੋਜੈਕਟ ਖੋਜਣਾ ਅਤੇ ਵਧਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ?*
|
||||
|
||||
["ਐਮਿਲੀ ਡਿਕਿੰਸਨ ਅਤੇ ਮੂਡ ਦਾ ਮੀਟਰ"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) ਵੇਖੋ — [ਜੇਨ ਲੂਪਰ](https://twitter.com/jenlooper) ਦਾ ਇਕ ਵਧੀਆ ਉਦਾਹਰਣ ਜੋ ਪੁੱਛਦਾ ਹੈ ਕਿ ਅਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਰਚਿਤ ਕਵਿਤਾ ਨੂੰ ਫਿਰ ਤੋਂ ਜਾ ਕੇ ਉਸ ਦੇ ਅਰਥ ਅਤੇ ਲੇਖਕ ਦੇ ਯੋਗਦਾਨ ਦੀ ਨਵੀਂ ਪਰੀਖਿਆ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਵਜੋਂ, _ਕੀ ਅਸੀਂ ਕਿਸੇ ਕਵਿਤਾ ਦੇ ਲਿਖੇ ਜਾਣ ਵਾਲੇ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਾਂ ਉਸ ਦੇ ਟੋਨ ਜਾਂ ਭਾਵਨਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ_ - ਅਤੇ ਇਹ ਸਾਡੇ ਨੂੰ ਲੇਖਕ ਦੇ ਮਨੋਵਿਗਿਆਨਕ ਸਥਿਤੀ ਬਾਰੇ ਕੀ ਦੱਸਦਾ ਹੈ?
|
||||
|
||||
ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਅਸੀਂ ਆਪਣੇ ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ ਦੇ ਕਦਮ ਲੈਂਦੇ ਹਾਂ:
|
||||
* [`ਡਾਟਾ ਪ੍ਰਾਪਤੀ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੰਬੰਧਤ ਡਾਟਾਸੈੱਟ ਇਕੱਠਾ ਕਰਨ ਲਈ। ਵਿਕਲਪਾਂ ਵਿੱਚ ਏਪੀਆਈ ਦੀ ਵਰਤੋਂ (ਜਿਵੇਂ [Poetry DB API](https://poetrydb.org/index.html)) ਜਾਂ ਵੈੱਬ ਪੇਜ ਸੱਕਣ (ਜਿਵੇਂ [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) ਸ਼ਾਮਲ ਹਨ, ਜਿਹੜੇ [Scrapy](https://scrapy.org/) ਵਰਗੇ ਟੂਲਾਂ ਨਾਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
|
||||
* [`ਡਾਟਾ ਸਾਫ਼ਾਈ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - ਇਸ ਨੂੰ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਟੈਕਸਟ ਨੂੰ ਫਾਰਮੈਟ, ਸਾਫ ਅਤੇ ਸਧਾਰਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਮੂਲ ਤੋੜ-ਮਰੋੜ ਵਾਲੇ ਟੂਲਾਂ ਜਿਵੇਂ ਕਿ ਵਿਜ਼ੂਅਲ ਸਟੂਡੀਓ ਕੋਡ ਅਤੇ ਮਾਈਕ੍ਰੋਸੌਫਟ ਐਕਸਲ ਦੀ ਵਰਤੋਂ ਨਾਲ।
|
||||
* [`ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - ਇਸ ਨੂੰ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਅਸੀਂ ਹੁਣ ਡਾਟਾਸੈੱਟ ਨੂੰ "ਨੋਟਬੁਕ" ਵਿੱਚ ਐਮਪੋਰਟ ਕਰਕੇ ਪਾਇਥਨ ਪੈਕੇਜਾਂ (ਜਿਵੇਂ pandas, numpy ਅਤੇ matplotlib) ਦੀ ਵਰਤੋਂ ਨਾਲ ਡਾਟਾ ਨੂੰ ਵਿਵਸਥਿਤ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
* [`ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - ਦੱਸਦਾ ਹੈ ਕਿ ਅਸੀਂ ਕਿਵੇਂ ਟੈਕਸਟ ਐਨਾਲਿਟਿਕਸ ਵਰਗੀਆਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਨੂੰ ਜੋੜ ਸਕਦੇ ਹਾਂ, ਅਤੇ [Power Automate](https://flow.microsoft.com/en-us/) ਵਰਗੇ ਘੱਟ-ਕੋਡ ਸੰਦਾਂ ਦੇ ਨਾਲ ਆਟੋਮੇਟਡ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਵਰਕਫਲੋਜ਼ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ।
|
||||
|
||||
ਇਸ ਵਰਕਫਲੋ ਨਾਲ ਅਸੀਂ ਕਵਿਤਾ ਦੀ ਭਾਵਨਾ 'ਤੇ ਮੌਸਮੀ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਲੇਖਕ ਬਾਰੇ ਆਪਣੀ ਦ੍ਰਿਸ਼ਟੀ ਕੋਣਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ। ਆਪਣਾ ਆਪ ਕੋਸ਼ਿਸ਼ ਕਰੋ - ਫੇਰ ਨੋਟਬੁਕ ਨੂੰ ਵਧਾਈਏ ਅਤੇ ਹੋਰ ਸਵਾਲ ਪੁੱਛੋ ਜਾਂ ਨਵੀਂ ਤਰੀਕਿਆਂ ਨਾਲ ਡਾਟਾ ਨੂੰ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰੋ!
|
||||
|
||||
> ਤੁਸੀਂ [ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਟੂਲਕਿਟ](https://github.com/Digital-Humanities-Toolkit) ਵਿੱਚ ਕੁਝ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਪੜਤਾਲ ਕਰ ਸਕਦੇ ਹੋ।
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ + ਸਥਿਰਤਾ
|
||||
|
||||
|  ](../../sketchnotes/20-DataScience-Sustainability.png) |
|
||||
| :---------------------------------------------------------------------------------------------------------------: |
|
||||
| ਡਾਟਾ ਸਾਇੰਸ & ਸਥਿਰਤਾ - _ਸਕੈਚਨੋਟ ਬਾਈ [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
**ਮਾਈਕਰੋਸਾਫਟ ਵਿੱਚ ਸਬੰਧਤ ਖੋਜ ਯਤਨਾਂ ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ?**
|
||||
[2030 ਐਜੰਡਾ ਫਾਰ ਸੇਸਟੇਨੇਬਲ ਡਿਵੈਲਪਮੈਂਟ](https://sdgs.un.org/2030agenda) - ਜੋ 2015 ਵਿੱਚ ਸੰਯੁਕਤ ਰਾਸ਼ਟਰ ਦੇ ਸਾਰੇ ਮੈਂਬਰਾਂ ਵੱਲੋਂ ਅਪਣਾਇਆ ਗਿਆ - 17 ਲਕਸ਼ਾਂ ਦੀ ਪਹਿਚਾਣ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਕੁਝ ਲਕਸ਼ ਹਨ ਜੋ **ਪ੍ਰਕ੍ਰਿਤੀ ਦੀ ਰੱਖਿਆ** ਅਤੇ ਕਲਾਈਮੇਟ ਚੇਂਜ ਦੇ ਪ੍ਰਭਾਵ ਦੇ ਵਿਰੁੱਧ ਹੈ। [ਮਾਈਕ੍ਰੋਸੌਫਟ ਸਥਿਰਤਾ](https://www.microsoft.com/en-us/sustainability) ਅਭਿਆਨ ਇਹ ਲਕਸ਼ੇ ਪੂਰੇ ਕਰਨ ਲਈ ਟੈਕਨਾਲੋਜੀ ਹੱਲਾਂ ਵੱਲ ਧਿਆਨ ਦਿੰਦੈ ਹੈ ਕਿ ਉਹ 2030 ਤਕ ਕਾਰਬਨ ਘਟਾਓ, ਪਾਣੀ ਦੀ ਬਚਤ, ਜ਼ੀਰੋ ਵੇਸਟ ਅਤੇ ਜੀਵ ਵਿਭਿੰਨਤਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ।
|
||||
|
||||
* [ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਪ੍ਰੋਜੈਕਟ](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 ਦੀ ਪੜਚੋਲ ਕਰੋ।
|
||||
* [ਮਾਈਕਰੋਸਾਫਟ ਰਿਸਰਚ ਡਾਟਾ ਸਾਇੰਸ ਸਮਰ ਸਕੂਲ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) ਤੋਂ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟਾਂ 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।
|
||||
**ਪਲੇਨਟਰੀ ਕੰਪਿਊਟਰ ਪ੍ਰੋਜੈਕਟ ਇਸ ਸਮੇਂ ਪ੍ਰੀਵਿਊ ਵਿੱਚ ਹੈ (ਸਤੰਬਰ 2021 ਤੱਕ)** - ਇੱਥੇ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਕਿ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਥਿਰਤਾ ਦੇ ਹੱਲਾਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹੋ।
|
||||
ਇਨ੍ਹਾਂ ਚੁਣੌਤੀਆਂ ਦਾ ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ ਤੇ ਸਮੇਂ ਦੀ ਸਹੀ ਪਾਬੰਦੀ ਨਾਲ ਸਮਨਾ ਕਰਨ ਲਈ ਕਲਾਉਡ ਪੈਮਾਨੇ ਦਾ ਸੂਚਨישערਖਾ ਅਤੇ ਵੱਡੇ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। [ਪਲੈਨੀਟਰੀ ਕੰਪਿਊਟਰ](https://planetarycomputer.microsoft.com/) ਅਭਿਆਨ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਦੀ ਸਹਾਇਤਾ ਲਈ ਚਾਰ ਹਿੱਸੇ ਮੁਹੱਈਆ ਕਰਵਾਉਂਦਾ ਹੈ:
|
||||
|
||||
* [ਡਾਟਾ ਕੈਟਾਲੌਗ](https://planetarycomputer.microsoft.com/catalog) - ਧਰਤੀ ਦੇ ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਪੈਟਾਬਾਈਟ ਡਾਟਾ (ਮੁਫ਼ਤ ਅਤੇ Azure ਤੇ ਹੋਸਟ ਕੀਤਾ)
|
||||
* [ਪਲੈਨੀਟਰੀ API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - ਉਪਭੋਗਤਾਂ ਨੂੰ ਸਪੇਸ ਅਤੇ ਸਮੇਂ ਵਿੱਚ ਸੰਬੰਧਤ ਡਾਟਾ ਲਈ ਖੋਜ ਦੀ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
|
||||
* [ਹੱਬ](https://planetarycomputer.microsoft.com/docs/overview/environment/) - ਵਿਗਿਆਨੀਆਂ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਭੂ-ਸਥਿੱਤਿਕ ਡਾਟਾਸੈੱਟ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦਾ ਵਿਵਸਥਿਤ ਵਾਤਾਵਰਨ।
|
||||
* [ਐਪਲੀਕੇਸ਼ਨਜ਼](https://planetarycomputer.microsoft.com/applications) - ਸਥਿਰਤਾ ਸੰਬੰਧੀ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀਆਂ ਲਈ ਵਰਤੋਂ ਕੇਸ ਅਤੇ ਟੂਲ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ।
|
||||
**ਪਲੈਨੀਟਰੀ ਕੰਪਿютਰ ਪ੍ਰੋਜੈਕਟ ਇਸ ਵਕਤ ਪ੍ਰੀਵਿਊ ਵਿੱਚ ਹੈ (ਸਤੰਬਰ 2021 ਤੱਕ)** - ਇੱਥੇ ਦੱਸਿਆ ਗਿਆ ਹੈ ਕਿ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਥਿਰਤਾ ਹੱਲਾਂ ਵਿੱਚ ਅਦਾਲਤੀ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ।
|
||||
|
||||
* [ਪਹੁੰਚ 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 APIs ਸਹਾਇਕ ਹਨ।
|
||||
* [ਇਕੋਸਿਸਟਮ ਮਾਨੀਟਰਿੰਗ](https://analytics-lab.org/ecosystemmonitoring/) ਵਰਗੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਖੋਜ ਕਰੋ ਜੋ ਐਪਲੀਕੇਸ਼ਨ ਵਿਚਾਰਾਂ ਲਈ ਪ੍ਰੇਰਨਾ ਦੇ ਸਕਦੇ ਹਨ।
|
||||
* ਖੋਜ ਸ਼ੁਰੂ ਕਰਨ ਅਤੇ ਸਾਥੀਆਂ ਨਾਲ ਜੁੜਨ ਲਈ [ਐਕਸੈਸ ਦੀ ਬੇਨਤੀ ਕਰੋ](https://planetarycomputer.microsoft.com/account/request)।
|
||||
* ਸਮਰਥਿਤ ਡੈਟਾਸੈੱਟ ਅਤੇ ਏਪੀਆਈਜ਼ ਨੂੰ ਸਮਝਣ ਲਈ [ਦਸਤਾਵੇਜ਼ੀकरण ਨੂੰ ਖੋਜੋ](https://planetarycomputer.microsoft.com/docs/overview/about)।
|
||||
* ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਪ੍ਰੇਰਣਾ ਵਜੋਂ [ਇਕੋਸਿਸਟਮ ਮਾਨੀਟਰਿੰਗ](https://analytics-lab.org/ecosystemmonitoring/) ਵਰਗੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਅਨੁਸੰਧਾਨ ਕਰੋ।
|
||||
|
||||
ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜ਼ਰੂਰੀ ਜਾਣਕਾਰੀ ਨੂੰ ਉਜਾਗਰ ਕਰ ਸਕਦੇ ਹੋ ਜਾਂ ਜੰਗਲਾਂ ਦੀ ਕਟਾਈ ਅਤੇ ਮੌਸਮ ਬਦਲਾਅ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਜਾਣਕਾਰੀ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹੋ। ਜਾਂ ਸੋਚੋ ਕਿ ਇਹ ਜਾਣਕਾਰੀ ਕਿਵੇਂ ਨਵੇਂ ਯੂਜ਼ਰ ਅਨੁਭਵ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ ਜ਼ਿੰਮੇਵਾਰ ਜੀਵਨ ਸ਼ੈਲੀ ਲਈ ਵਿਹਾਰਕ ਬਦਲਾਅ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦੀ ਹੈ।
|
||||
ਸੋਚੋ ਕਿ ਤੁਹਾਨੂੰ ਕਿਸ ਤਰ੍ਹਾਂ ਡਾਟਾ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜਿਵੇਂ ਕਿ ਮੌਸਮੀ ਤਬਦੀਲੀ ਅਤੇ ਜੰਗਲਾਂ ਦੀ ਕਟੀਾਈ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੂਝ ਬੂਝ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਜਾਂ ਵਧਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹੋ। ਜਾਂ ਸੋਚੋ ਕਿ ਇਹ ਸੂਝ ਬੂਝ ਕਿਵੇਂ ਨਵੇਂ ਯੂਜ਼ਰ ਅਨੁਭਵ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜੋ অধিক ਸਥਿਰ ਜੀਵਨ ਲਈ ਵਿਹਾਰਕ ਬਦਲਾਵਾਂ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਦੇ ਹਨ।
|
||||
|
||||
## ਡਾਟਾ ਸਾਇੰਸ + ਵਿਦਿਆਰਥੀ
|
||||
|
||||
ਅਸੀਂ ਉਦਯੋਗ ਅਤੇ ਖੋਜ ਵਿੱਚ ਅਸਲ-ਜਗਤ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਥਿਰਤਾ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਉਦਾਹਰਨਾਂ ਦੀ ਖੋਜ ਕੀਤੀ ਹੈ। ਤਾਂ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਸ਼ੁਰੂਆਤੀ ਹੋਣ ਦੇ ਨਾਤੇ ਆਪਣੀਆਂ ਕੌਸ਼ਲਾਂ ਕਿਵੇਂ ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਆਪਣੀ ਮਹਾਰਤ ਸਾਂਝੀ ਕਰ ਸਕਦੇ ਹੋ?
|
||||
ਅਸੀਂ ਉਦਯੋਗ ਅਤੇ ਅਨੁਸੰਧਾਨ ਵਿਚ ਕਰਮਿਕ ਅਸਲੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਹਿਊਮੈਨਿਟੀਜ਼ ਅਤੇ ਸਥਿਰਤਾ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਣਾਂ ਦਾ ਅਨੁਸੰਧਾਨ ਕੀਤਾ ਹੈ। ਤਾਂ ਤੁਸੀਂ ਡਾਟਾ ਸਾਇੰਸ ਸ਼ੁਰੂਆਤੀ ਕਿਵੇਂ ਆਪਣੇ ਹੁਨਰ ਵਿਕਸਤ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਆਪਣਾ ਗਿਆਨ ਸਾਂਝਾ ਕਰ ਸਕਦੇ ਹੋ?
|
||||
|
||||
ਇੱਥੇ ਕੁਝ ਡਾਟਾ ਸਾਇੰਸ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਦਾਹਰਨ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰ ਸਕਦੇ ਹਨ।
|
||||
ਇੱਥੇ ਕੁਝ ਡਾਟਾ ਸਾਇੰਸ ਵਿਦਿਆਰਥੀ ਪ੍ਰੋਜੈਕਟ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਪ੍ਰੇਰਨਾ ਦੇਣਗੇ।
|
||||
|
||||
* [MSR ਡਾਟਾ ਸਾਇੰਸ ਸਮਰ ਸਕੂਲ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) GitHub [ਪ੍ਰੋਜੈਕਟਾਂ](https://github.com/msr-ds3) ਨਾਲ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਸ਼ਿਆਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹਨ:
|
||||
- [ਪੁਲਿਸ ਦੇ ਬਲ ਦੇ ਵਰਤੋਂ 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)
|
||||
- [NYC 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: ਸਿਰਕਾਪ 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 ਦੁਆਰਾ, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
|
||||
* [MSR ਡਾਟਾ ਸਾਇੰਸ ਸਮਰ ਸਕੂਲ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) ਜਿਸਦੇ ਗਿਟਹੱਬ [ਪ੍ਰੋਜੈਕਟ](https://github.com/msr-ds3) ਪਾਈਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ ਜਿਵੇਂ:
|
||||
- [ਪੁਲਿਸ ਦੀ ਬਲਾਤਕਾਰ ਦੀ ਵਰਤੋਂ 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/) | [ਗਿਟਹੱਬ](https://github.com/msr-ds3/stop-question-frisk)
|
||||
- [ਐਨਵਾਈਸੀ ਸਬਵੇ ਸਿਸਟਮ ਦੀ ਭਰੋਸਯੋਗਤਾ](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [ਗਿਟਹੱਬ](https://github.com/msr-ds3/nyctransit)
|
||||
* [ਮੈਟੀਰੀਅਲ ਕਲਚਰ ਦਾ ਡਿਜਿਟਾਈਜ਼ਸ਼ਨ: ਸਰਕਪ ਵਿੱਚ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਵੰਡਾਂ ਦਾ ਅਨੁਸੰਧਾਨ](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc)- کلرਮੋਂਟ ਵਿੱਚ [ਓਰਨੇਲਾ ਅਲਤੁਨਯਨ](https://twitter.com/ornelladotcom) ਅਤੇ ਟੀਮ ਵੱਲੋਂ, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ।
|
||||
|
||||
## 🚀 ਚੁਣੌਤੀ
|
||||
## 🚀 ਚੈਲੈਂਜ
|
||||
|
||||
ਉਹ ਲੇਖ ਖੋਜੋ ਜੋ ਸ਼ੁਰੂਆਤੀ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ - ਜਿਵੇਂ [ਇਹ 50 ਵਿਸ਼ਿਆਂ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ਜਾਂ [ਇਹ 21 ਪ੍ਰੋਜੈਕਟ ਵਿਚਾਰ](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 ਵਿਖੰਡਨ ਅਤੇ ਰੀਮਿਕਸ ਕਰ ਸਕਦੇ ਹੋ। ਅਤੇ ਆਪਣੀਆਂ ਸਿੱਖਣ ਦੀਆਂ ਯਾਤਰਾਵਾਂ ਬਾਰੇ ਬਲੌਗ ਕਰਨਾ ਨਾ ਭੁੱਲੋ ਅਤੇ ਸਾਰਿਆਂ ਨਾਲ ਆਪਣੀਆਂ ਜਾਣਕਾਰੀਆਂ ਸਾਂਝੀਆਂ ਕਰੋ।
|
||||
ਉਹ ਲੇਖ ਲੱਭੋ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਸ਼ੁਰੂਆਤੀ ਲਈ ਢੀਠ ਹਨ - ਜਿਵੇਂ [ਇਹ 50 ਵਿਸ਼ੇ ਖੇਤਰ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ਜਾਂ [ਇਹ 21 ਪ੍ਰੋਜੈਕਟ خیال](https://www.intellspot.com/data-science-project-ideas) ਜਾਂ [ਇਹ 16 ਸੋਰਸ ਕੋਡ ਵਾਲੇ ਪ੍ਰੋਜੈਕਟ](https://data-flair.training/blogs/data-science-project-ideas/) ਜੋ ਤੁਸੀਂ ਵਿਭਾਜਿਤ ਕਰਕੇ ਦੁਬਾਰਾ ਬਣਾ ਸਕਦੇ ਹੋ। ਅਤੇ ਆਪਣੀਆਂ ਸਿੱਖਿਆ ਦੀ ਯਾਤਰਾਵਾਂ ਬਾਰੇ ਬਲੌਗ ਕਰਨਾ ਅਤੇ ਸਾਡੀ ਸਭ ਨਾਲ ਆਪਣੀ ਸੂਝ ਸਾਂਝਾ ਕਰਨਾ ਨਾ ਭੁੱਲੋ।
|
||||
|
||||
## ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼
|
||||
## ਪੋਸਟ-ਲੈਕਚਰ ਕੁਈਜ਼
|
||||
|
||||
## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/39)
|
||||
## [ਪੋਸਟ-ਲੈਕਚਰ ਕੁਈਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/39)
|
||||
|
||||
## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
|
||||
## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਅਧਿਐਨ
|
||||
|
||||
ਹੋਰ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦੀ ਖੋਜ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇੱਥੇ ਕੁਝ ਸਬੰਧਤ ਲੇਖ ਹਨ:
|
||||
* [17 ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਉਦਾਹਰਨ](https://builtin.com/data-science/data-science-applications-examples) - ਜੁਲਾਈ 2021
|
||||
* [ਅਸਲ ਜਗਤ ਵਿੱਚ 11 ਸ਼ਾਨਦਾਰ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ](https://myblindbird.com/data-science-applications-real-world/) - ਮਈ 2021
|
||||
* [ਅਸਲ ਜਗਤ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ](https://towardsdatascience.com/data-science-in-the-real-world/home) - ਲੇਖ ਸੰਗ੍ਰਹਿ
|
||||
* [12 ਅਸਲ ਜਗਤ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਨਾਂ ਨਾਲ](https://www.scaler.com/blog/data-science-applications/) - ਮਈ 2024
|
||||
* ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ: [ਸ਼ਿਕਸ਼ਾ](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/), [ਹੈਲਥ ਕੇਅਰ](https://onlinedegrees.sandiego.edu/data-science-health-care/) ਅਤੇ ਹੋਰ।
|
||||
ਹੋਰ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਖੋਜਣੇ ਚਾਹੁੰਦੇ ਹੋ? ਕਿਛੇ ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਲੇਖ ਹਨ:
|
||||
* [17 ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਉਦਾਹਰਣ](https://builtin.com/data-science/data-science-applications-examples) - ਜੁਲਾਈ 2021
|
||||
* [11 ਵਾਹ-ਵਾਹ ਕਰਨ ਵਾਲੇ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ](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
|
||||
* [12 ਅਸਲ ਦੁਨੀਆ ਡਾਟਾ ਸਾਇੰਸ ਐਪਲੀਕੇਸ਼ਨ ਉਦਾਹਰਣਾਂ ਸਮੇਤ](https://www.scaler.com/blog/data-science-applications/) - ਮਈ 2024
|
||||
* ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ: [ਸਿੱਖਿਆ](https://data-flair.training/blogs/data-science-in-education/), [ਕৃষੀ](https://data-flair.training/blogs/data-science-in-agriculture/), [ਵਿੱਤੀ](https://data-flair.training/blogs/data-science-in-finance/), [ਫਿਲਮਾਂ](https://data-flair.training/blogs/data-science-at-movies/), [ਹੈਲਥ ਕੇਅਰ](https://onlinedegrees.sandiego.edu/data-science-health-care/) ਅਤੇ ਹੋਰ।
|
||||
|
||||
## ਅਸਾਈਨਮੈਂਟ
|
||||
|
||||
[ਪਲੇਨਟਰੀ ਕੰਪਿਊਟਰ ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ ਕਰੋ](assignment.md)
|
||||
[ਪਲੈਨੀਟਰੀ ਕੰਪਿਊਟਰ ਡੈਟਾਸੈੱਟ ਨੂੰ ਖੋਜੋ](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 ਅਸੁੱਚਤਤਾਵਾਂ 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।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ਅਸਵੀਕਾਰੋਪਣ**:
|
||||
ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏਆਈ ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀਤਾਵਾਂ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸਮੱਤਿਆਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਆਪਣੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਰੂਰੀ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੇ ਉਪਯੋਗ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਨਹੀਂ ਹਾਂ।
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in new issue