diff --git a/translations/pa/.co-op-translator.json b/translations/pa/.co-op-translator.json
index 33110bf0..ad3d61dd 100644
--- a/translations/pa/.co-op-translator.json
+++ b/translations/pa/.co-op-translator.json
@@ -1,7 +1,7 @@
{
"1-Introduction/01-defining-data-science/README.md": {
"original_hash": "43212cc1ac137b7bb1dcfb37ca06b0f4",
- "translation_date": "2025-10-25T18:48:06+00:00",
+ "translation_date": "2026-07-02T10:30:55+00:00",
"source_file": "1-Introduction/01-defining-data-science/README.md",
"language_code": "pa"
},
@@ -31,7 +31,7 @@
},
"1-Introduction/02-ethics/README.md": {
"original_hash": "58860ce9a4b8a564003d2752f7c72851",
- "translation_date": "2025-10-03T16:23:07+00:00",
+ "translation_date": "2026-07-02T10:34:16+00:00",
"source_file": "1-Introduction/02-ethics/README.md",
"language_code": "pa"
},
@@ -55,7 +55,7 @@
},
"1-Introduction/04-stats-and-probability/README.md": {
"original_hash": "ce95884566a74db72572cd51f0cb25ad",
- "translation_date": "2025-09-06T13:21:58+00:00",
+ "translation_date": "2026-07-02T10:37:03+00:00",
"source_file": "1-Introduction/04-stats-and-probability/README.md",
"language_code": "pa"
},
@@ -85,7 +85,7 @@
},
"2-Working-With-Data/06-non-relational/README.md": {
"original_hash": "c182e87f9f80be7e7cdffc7b40bbfccf",
- "translation_date": "2025-09-06T08:03:13+00:00",
+ "translation_date": "2026-07-02T10:26:50+00:00",
"source_file": "2-Working-With-Data/06-non-relational/README.md",
"language_code": "pa"
},
@@ -97,7 +97,7 @@
},
"2-Working-With-Data/07-python/README.md": {
"original_hash": "7bfec050f4717dcc2dfd028aca9d21f3",
- "translation_date": "2025-09-06T15:37:41+00:00",
+ "translation_date": "2026-07-02T10:25:22+00:00",
"source_file": "2-Working-With-Data/07-python/README.md",
"language_code": "pa"
},
@@ -115,7 +115,7 @@
},
"2-Working-With-Data/08-data-preparation/README.md": {
"original_hash": "1b560955ff39a2bcf2a049fce474a951",
- "translation_date": "2025-09-06T08:08:07+00:00",
+ "translation_date": "2026-07-02T10:28:45+00:00",
"source_file": "2-Working-With-Data/08-data-preparation/README.md",
"language_code": "pa"
},
@@ -181,7 +181,7 @@
},
"3-Data-Visualization/13-meaningful-visualizations/README.md": {
"original_hash": "cfb068050337a36e348debaa502a24fa",
- "translation_date": "2025-09-06T08:14:21+00:00",
+ "translation_date": "2026-07-02T10:45:08+00:00",
"source_file": "3-Data-Visualization/13-meaningful-visualizations/README.md",
"language_code": "pa"
},
@@ -205,7 +205,7 @@
},
"3-Data-Visualization/R/09-visualization-quantities/README.md": {
"original_hash": "22acf28f518a4769ea14fa42f4734b9f",
- "translation_date": "2025-08-27T18:32:06+00:00",
+ "translation_date": "2026-07-02T10:46:27+00:00",
"source_file": "3-Data-Visualization/R/09-visualization-quantities/README.md",
"language_code": "pa"
},
@@ -277,7 +277,7 @@
},
"4-Data-Science-Lifecycle/16-communication/README.md": {
"original_hash": "215a3254ba5a222a57c5bb0192cea8e3",
- "translation_date": "2025-09-06T20:47:26+00:00",
+ "translation_date": "2026-07-02T10:48:43+00:00",
"source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
"language_code": "pa"
},
@@ -307,7 +307,7 @@
},
"5-Data-Science-In-Cloud/18-Low-Code/README.md": {
"original_hash": "bd4da10766c64fce4294a98f6479dfb0",
- "translation_date": "2025-09-06T07:58:58+00:00",
+ "translation_date": "2026-07-02T10:41:44+00:00",
"source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
"language_code": "pa"
},
@@ -319,7 +319,7 @@
},
"5-Data-Science-In-Cloud/19-Azure/README.md": {
"original_hash": "472d3fab1c5be50f387336e7a686dbe1",
- "translation_date": "2025-09-06T08:01:47+00:00",
+ "translation_date": "2026-07-02T10:38:43+00:00",
"source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
"language_code": "pa"
},
@@ -337,7 +337,7 @@
},
"6-Data-Science-In-Wild/20-Real-World-Examples/README.md": {
"original_hash": "0f67a4139454816631526779a456b734",
- "translation_date": "2025-09-06T18:25:15+00:00",
+ "translation_date": "2026-07-02T10:43:51+00:00",
"source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/README.md",
"language_code": "pa"
},
diff --git a/translations/pa/1-Introduction/01-defining-data-science/README.md b/translations/pa/1-Introduction/01-defining-data-science/README.md
index 723ce2a7..d9a3b0bb 100644
--- a/translations/pa/1-Introduction/01-defining-data-science/README.md
+++ b/translations/pa/1-Introduction/01-defining-data-science/README.md
@@ -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।
-- ਡਾਟਾਬੇਸ
+- ਡੇਟਾਬੇਸ
-
-ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਹੈ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ, 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 ਅਸੀਂ ਆਪਣੇ ਕੋਰਸ ਵਿੱਚ ਵਿਚਾਰ ਕਰਾਂਗੇ।
+ਇਕ ਅਹਿਮ ਵਿਸ਼ਾ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ, 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 ਆਪਣੇ ਕੋਰਸ ਵਿੱਚ ਵਿਚਾਰ ਕਰਾਂਗੇ।
-- ਬਿਗ ਡਾਟਾ
+- ਵੱਡਾ ਡੇਟਾ
-
-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।
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ
-
-ਡਾਟਾ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ ਜੋ ਇੱਕ ਚਾਹੀਦਾ ਨਤੀਜਾ ਪੇਸ਼ਗੂ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇ। ਡਾਟਾ ਤੋਂ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼ ਕੋਰਸ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।
+ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇੱਕ ਐਸਾ ਮਾਡਲ ਬਣਾਇਆ ਜਾਵੇ ਜੋ ਚਾਹੁਣ ਵਾਲੇ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕੇ। ਡੇਟਾ ਤੋਂ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਸਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼ ਕਰਿਕੁਲਮ ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ।
-- ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ
+- ਕ੍ਰਿਤਿਮ ਬੁੱਧੀਮੱਤਾ
-
-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।
- ਦ੍ਰਿਸ਼ਟੀਕਰਨ
-
-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 ਸੈਕਸ਼ਨ 3 ਵਿੱਚ ਕਵਰ ਕਰਾਂਗੇ। ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਇੰਫੋਗ੍ਰਾਫਿਕਸ, ਅਤੇ ਮਨੁੱਖ-ਕੰਪਿਊਟਰ ਇੰਟਰੈਕਸ਼ਨ 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 Section 3 ਵਿੱਚ ਜ਼ਿਕਰ ਕਰਾਂਗੇ। ਸਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਇਨਫੋਗ੍ਰਾਫਿਕਸ ਅਤੇ ਸਧਾਰਨ ਇਹ ਹਿਊਮਨ ਕੰਪਿਊਟਰ ਇੰਟਰਕਸ਼ਨ ਵੀ ਸ਼ਾਮਲ ਹੈ।
-## 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:
+
+
+- 1) ਡੇਟਾ ਪ੍ਰਾਪਤੀ
+-
+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।
+
+- 2) ਡੇਟਾ ਸਟੋਰੇਜ
+-
+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:
+
+- 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।
+- NoSQL ਡੇਟਾਬੇਸ, ਜਿਵੇਂ ਕਿ CosmosDB, 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।
+- ਡੇਟਾ ਲੇਕ 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। Parquet ਉਹ ਡੇਟਾ ਫਾਰਮੈਟ ਹੈ ਜੋ ਅਕਸਰ ਵੱਡੇ ਡੇਟਾ ਨਾਲ ਮਿਲ ਕੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+
+
+- 3) ਡੇਟਾ ਪ੍ਰਕਿਰਿਆ
+-
+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 ਖੂਬੀਆਂ ਨਿਕਾਲ ਕੇ ਇਸਨੂੰ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ।
+
+- 4) ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ / ਮਨੁੱਖੀ ਅੰਦਰੂਨੀਆਂ
+-
+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।
+
+- 5) ਭਵਿੱਖਬਾਣੀ ਵਾਲਾ ਮਾਡਲ ਸਿਖਲਾਈ
+-
+ਕਿਉਂਕਿ ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਆਖਰੀ ਮਕਸਦ ਫੈਸਲੇ ਕਰਨ ਦੇ ਯੋਗ ਬਣਨਾ ਹੈ, ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 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।
+
+
+
+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।
\ No newline at end of file
+
+**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।
+
\ 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
index 84580096..c02f5ba1 100644
--- a/translations/pa/1-Introduction/02-ethics/README.md
+++ b/translations/pa/1-Introduction/02-ethics/README.md
@@ -1,159 +1,267 @@
-# ਡਾਟਾ ਨੈਤਿਕਤਾ ਦਾ ਪਰਚੇ
+# ਡਾਟਾ ਐਥਿਕਸ ਦਾ ਪਰਿਚਯ
-| ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/02-Ethics.png)|
+| ](../../sketchnotes/02-Ethics.png)|
|:---:|
-| ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+| ਡਾਟਾ ਸਾਇੰਸ ਐਥਿਕਸ - _ਸਕੈਚਨੋਟ ਦੁਆਰਾ [@nitya](https://twitter.com/nitya)_ |
---
-ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਦੇ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿੰਦੇ ਹਾਂ।
+ਅਸੀਂ ਸਾਰੇ ਡਾਟਾ ਨਾਗਰਿਕ ਹਾਂ ਜੋ ਇੱਕ ਡਾਟਾਫਾਇਡ ਦੁਨੀਆ ਵਿੱਚ ਰਹਿ ਰਹੇ ਹਾਂ।
-ਬਾਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1-ਵਿੱਚ-3 ਵੱਡੇ ਸੰਗਠਨ ਆਪਣਾ ਡਾਟਾ ਆਨਲਾਈਨ [ਮਾਰਕੀਟਪਲੇਸ ਅਤੇ ਐਕਸਚੇਂਜ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। **ਐਪ ਡਿਵੈਲਪਰਾਂ** ਵਜੋਂ, ਸਾਡੇ ਲਈ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਅਤੇ ਐਲਗੋਰਿਦਮ-ਕੇਂਦ੍ਰਿਤ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਆਸਾਨ ਅਤੇ ਸਸਤਾ ਹੋਵੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਹਰ ਜਗ੍ਹਾ ਪਹੁੰਚ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ [ਇਨ੍ਹਾਂ ਐਲਗੋਰਿਦਮਾਂ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਹਥਿਆਰ ਬਣਨ ਨਾਲ ਕੀ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ।
+ਬਜ਼ਾਰ ਦੇ ਰੁਝਾਨ ਦੱਸਦੇ ਹਨ ਕਿ 2022 ਤੱਕ, 1- ਵਿੱਚੋਂ 3 ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਆਨਲਾਈਨ [ਮਾਰਕੀਟਪਲੇਸ ਅਤੇ ਬਦਲਾਂ](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) ਰਾਹੀਂ ਖਰੀਦਣ ਅਤੇ ਵੇਚਣਗੇ। ਇੱਕ **ਐਪ ਡਿਵੈਲਪਰ** ਵਜੋਂ, ਡਾਟਾ-ਚਲਿਤ ਅੰਦਰੂਨੀ ਸੂਝ-ਬੂਝ ਅਤੇ אלਗੋਰਿਦਮ-ਚਲਿਤ ਸਵਚਾਲਿਤਕਰਨ ਨੂੰ ਰੋਜ਼ਾਨਾ ਉਪਭੋਗਤਾ ਅਨੁਭਵਾਂ ਵਿੱਚ ਸਿੰਮਿਲਿਤ ਕਰਨ ਲਈ ਸਾਨੂੰ ਢੇਰ ਸੌਖਾ ਅਤੇ ਸਸਤਾ ਲੱਗੇਗਾ। ਪਰ ਜਿਵੇਂ ਕਿ AI ਹਰ ਥਾਂ ਵਰਤੋਂਯੋਗ ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਸਾਨੂੰ ਇਹ ਵੀ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕਿਵੇਂ ਐਸੇ ਐਲਗੋਰਿਦਮਾਂ ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ [ਹਥਿਆਰਬੰਦਕਰਨ](https://www.youtube.com/watch?v=TQHs8SA1qpk) ਹੋਣ ਨਾਲ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਹੋ ਸਕਦੇ ਹਨ।
-ਰੁਝਾਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ, ਅਸੀਂ [180 ਜੈਟਾਬਾਈਟ](https://www.statista.com/statistics/871513/worldwide-data-created/) ਤੋਂ ਵੱਧ ਡਾਟਾ ਪੈਦਾ ਅਤੇ ਖਪਤ ਕਰ ਰਹੇ ਹੋਵਾਂਗੇ। **ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ** ਲਈ, ਜਾਣਕਾਰੀ ਦੇ ਇਸ ਧਮਾਕੇ ਨਾਲ ਵਿਅਕਤੀਗਤ ਅਤੇ ਵਿਵਹਾਰਕ ਡਾਟਾ ਤੱਕ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਹੁੰਦੀ ਹੈ। ਇਸ ਨਾਲ ਵਿਸਤ੍ਰਿਤ ਉਪਭੋਗਤਾ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸੁਵਿਧਾ ਦੇਣ ਦੀ ਤਾਕਤ ਆਉਂਦੀ ਹੈ—ਅਕਸਰ ਅਜਿਹੇ ਤਰੀਕੇ ਨਾਲ ਜੋ [ਆਜ਼ਾਦ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਇਸਨੂੰ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪਸੰਦੀਦਾ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ, ਸਵੈ-ਸੰਪ੍ਰਭੂਤਾ, ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਪ੍ਰਭਾਵ ਦੀਆਂ ਨੈਤਿਕ ਹੱਦਾਂ ਬਾਰੇ ਗੰਭੀਰ ਸਵਾਲ ਖੜੇ ਕਰਦਾ ਹੈ।
+ਰੁਝਾਨ ਸੁਝਾਉਂਦੇ ਹਨ ਕਿ 2025 ਤੱਕ ਅਸੀਂ [180 ਜੇਟਾਬਾਈਟ](https://www.statista.com/statistics/871513/worldwide-data-created/) ਤੋਂ ਵੱਧ ਡਾਟਾ ਤਿਆਰ ਅਤੇ ਖਪਤ ਕਰਾਂਗੇ। **ਡਾਟਾ ਵਿਗਿਆਨੀ** ਲਈ, ਜਾਣਕਾਰੀ ਦੇ ਇਸ ਧਮਾਕੇ ਨਾਲ ਵਿਅਕਤੀਗਤ ਅਤੇ ਵਰਤਾਰੂ ਡਾਟਾ ਦੀ ਬੇਮਿਸਾਲ ਪਹੁੰਚ ਮਿਲਦੀ ਹੈ। ਇਸ ਨਾਲ ਵਿਸਥਾਰ ਵਿੱਚ ਉਪਭੋਗਤਾ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਣ ਅਤੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਸੁਵਿਧਾਜਨਕ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰਨ ਦੀ ਤਾਕਤ ਮਿਲਦੀ ਹੈ - ਅਕਸਰ ਇਹ ਐਸਾ ਹੁੰਦਾ ਹੈ ਜੋ [ਮੁਫਤ ਚੋਣ ਦਾ ਭਰਮ](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) ਪੈਦਾ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਇਹ ਵਰਤੋਂਕਾਰਾਂ ਨੂੰ ਪਸੰਦੀਦਾ ਨਤੀਜਿਆਂ ਵੱਲ ਧੱਕਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਡਾਟਾ ਗੋਪਨੀਯਤਾ, ਸੁਤੰਤਰਤਾ, ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਪ੍ਰਭਾਵ ਦੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਬਾਰੇ ਸੰਵੈਦਨਸ਼ੀਲ ਸਵਾਲ ਵੀ ਖੜੇ ਕਰਦਾ ਹੈ।
-ਡਾਟਾ ਨੈਤਿਕਤਾ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ _ਜ਼ਰੂਰੀ ਰੇਲਿੰਗਾਂ_ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ 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 ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜੋ AI ਦੀ _ਲੋਕਤੰਤਰਤਾ_ ਅਤੇ _ਉਦਯੋਗੀਕਰਨ_ ਦੇ ਵੱਡੇ ਰੁਝਾਨਾਂ ਲਈ ਮੁੱਖ ਚਾਲਕ ਹਨ।
+ਡਾਟਾ ਐਥਿਕਸ ਹੁਣ ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਲਈ _ਲਾਜ਼ਮੀ ਸੁਰੱਖਿਆ ਰੇਲਾਂ_ ਹਨ, ਜੋ ਸਾਡੇ ਡਾਟਾ-ਚਲਿਤ ਕਰਮਾਂ ਤੋਂ ਹੋ ਸਕਣ ਵਾਲੇ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਅਣਚਾਹੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। [ਗਾਰਟਨਰ ਦੇ AI ਹਾਈਪ ਸਾਈਕਲ](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ਡਿਜੀਟਲ ਐਥਿਕਸ, ਜ਼ਿੰਮੇਵਾਰ AI, ਅਤੇ AI ਸਰਕਾਰ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਸਮਰਥ ਰੁਝਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜੋ AI ਦੀ _ਮਨੁੱਖੀਕਰਨ_ ਅਤੇ _ਉद्योगਿਕਰਨ_ ਵੱਡੇ ਮੈਗਾਰੁਝਾਨਾਂ ਲਈ ਕੰਜੀ ਹੈ।
-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 ਤੱਕ ਜਿਵੇਂ ਕਿ ਗਵਰਨੈਂਸ - ਜੋ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਅਤੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਸੰਸਕ੍ਰਿਤੀ ਸਥਾਪਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਐਥਿਕਸ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ - ਮੂਲ ਧਾਰਣਾ ਅਤੇ ਚੁਣੌਤੀਆਂ ਤੋਂ ਲੈ ਕਰ ਕੇਸ ਸਟੱਡੀਆਂ ਅਤੇ ਅਪਲਾਈਡ AI ਧਾਰਣਾਵਾਂ ਜਿਵੇਂ ਕਿ ਸਰਕਾਰ ਪ੍ਰਬੰਧਨ - ਜੋ ਟੀਮਾਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਡਾਟਾ ਅਤੇ AI ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ ਸਥਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ।
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
-## ਮੁੱਢਲੀ ਪਰਿਭਾਸ਼ਾਵਾਂ
-ਆਓ ਮੁੱਢਲੀ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਸਮਝਣ ਤੋਂ ਸ਼ੁਰੂ ਕਰੀਏ।
-"ਨੈਤਿਕਤਾ" ਸ਼ਬਦ [ਯੂਨਾਨੀ ਸ਼ਬਦ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ਅਤੇ ਇਸ ਦੀ ਜੜ "ethos") ਤੋਂ ਆਉਂਦਾ ਹੈ ਜਿਸਦਾ ਅਰਥ ਹੈ _ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਪ੍ਰਕਿਰਤੀ_।
+## [ਪ੍ਰੀ-ਲੇਕਚਰ ਕ્વਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
-**ਨੈਤਿਕਤਾ** ਉਹ ਸਾਂਝੇ ਮੁੱਲ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਹਨ ਜੋ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਵਿਹਾਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਨੈਤਿਕਤਾ ਕਾਨੂੰਨਾਂ 'ਤੇ ਨਹੀਂ ਬਲਕਿ "ਸਹੀ ਅਤੇ ਗਲਤ" ਦੇ ਬਾਰੇ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰ ਕੀਤੇ ਗਏ ਨਿਯਮਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ। ਹਾਲਾਂਕਿ, ਨੈਤਿਕ ਵਿਚਾਰ ਕਾਰਪੋਰੇਟ ਗਵਰਨੈਂਸ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰ ਦੇ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਅਨੁਕੂਲਤਾ ਲਈ ਵਧੇਰੇ ਪ੍ਰੇਰਨਾ ਪੈਦਾ ਕਰਦੇ ਹਨ।
+## ਬੁਨਿਆਦੀ ਪਰਿਭਾਸ਼ਾਵਾਂ
-**ਡਾਟਾ ਨੈਤਿਕਤਾ** ਇੱਕ [ਨੈਤਿਕਤਾ ਦੀ ਨਵੀਂ ਸ਼ਾਖਾ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ਹੈ ਜੋ "_ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸਾਂ_" ਨਾਲ ਸਬੰਧਤ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦੀ ਹੈ। ਇੱਥੇ, **"ਡਾਟਾ"** ਜਨਰੇਸ਼ਨ, ਰਿਕਾਰਡਿੰਗ, ਕੁਰੇਸ਼ਨ, ਪ੍ਰੋਸੈਸਿੰਗ, ਪ੍ਰਸਾਰਣ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤਣ ਨਾਲ ਸਬੰਧਤ ਕਾਰਵਾਈਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, **"ਐਲਗੋਰਿਦਮ"** AI, ਏਜੰਟ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ, ਅਤੇ ਰੋਬੋਟ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਅਤੇ **"ਅਭਿਆਸ"** ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨਤਾ, ਪ੍ਰੋਗਰਾਮਿੰਗ, ਹੈਕਿੰਗ, ਅਤੇ ਨੈਤਿਕਤਾ ਕੋਡਾਂ ਵਰਗੇ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ।
+ਆਓ ਬੁਨਿਆਦੀ ਸਲਾਂ ਮੰਗਦੇ ਹਾਂ।
-**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 ਸਹੀ ਕਾਰਵਾਈਆਂ ਕਰਨ ਲਈ ਜਿਨ੍ਹਾਂ ਨਾਲ ਇਹ ਸਾਡੇ ਨਿਰਧਾਰਤ ਨੈਤਿਕ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਰਹੇ।
+ਸ਼ਬਦ "ਐਥਿਕਸ" [ਗ੍ਰੀਕ ਸ਼ਬਦ "ethikos"](https://en.wikipedia.org/wiki/Ethics) (ਅਤੇ ਉਸਦਾ ਰੂਟ "ethos") ਤੋਂ ਆਇਆ ਹੈ ਜਿਸਦਾ ਅਰਥ ਹੈ _ਚਰਿੱਤਰ ਜਾਂ ਨੈਤਿਕ ਕੁਦਰਤ_।
-**ਨੈਤਿਕਤਾ ਸੰਸਕ੍ਰਿਤੀ** ਲਾਗੂ ਨੈਤਿਕਤਾ ਨੂੰ [_ਚਾਲੂ ਕਰਨ_] (https://hbr.org/2019/05/how-to-design-an-ethical-organization) ਬਾਰੇ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਾਡੇ ਨੈਤਿਕ ਸਿਧਾਂਤ ਅਤੇ ਅਭਿਆਸ ਸੰਗਠਨ ਦੇ ਪੂਰੇ ਪੱਧਰ 'ਤੇ ਲਗਾਤਾਰ ਅਤੇ ਵਿਆਪਕ ਤਰੀਕੇ ਨਾਲ ਅਪਨਾਏ ਗਏ ਹਨ। ਸਫਲ ਨੈਤਿਕਤਾ ਸੰਸਕ੍ਰਿਤੀਆਂ ਸੰਗਠਨ-ਵਿਆਪਕ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀਆਂ ਹਨ, ਅਨੁਕੂਲਤਾ ਲਈ ਅਰਥਪੂਰਨ ਪ੍ਰੇਰਨਾ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ, ਅਤੇ ਹਰ ਪੱਧਰ 'ਤੇ ਚਾਹੇ ਗਏ ਵਿਹਾਰਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਅਤੇ ਵਧਾ ਕੇ ਨੈਤਿਕਤਾ ਦੇ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀਆਂ ਹਨ।
+**ਐਥਿਕਸ** ਸਾਂਝੇ ਮੂਲਯ ਅਤੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਹੈ ਜੋ ਸਾਡੇ ਸਮਾਜ ਵਿੱਚ ਸਾਡੇ ਬਿਹੇਵਿਅਰ ਨੂੰ ਸ਼ਾਸਿਤ ਕਰਦੇ ਹਨ। ਐਥਿਕਸ ਕਾਨੂੰਨਾਂ ਤੇ ਨਾ ਹੋ ਕੇ ਵਿਆਪਕ ਸਵੀਕਾਰ ਕੀਤੀਆਂ ਗਈਆਂ ਐਸੀਆਂ ਨਿਯਮਾਵਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੁੰਦਾ ਹੈ ਜੋ "ਸਹੀ vs. ਗਲਤ" ਬਾਰੇ ਹਨ। ਹਾਲਾਂਕਿ, ਐਥਿਕ ਨਜ਼ਰੀਏ ਕਾਰਪੋਰੇਟ ਸਰਕਾਰਾਂ ਦੀਆਂ ਪਹਲਾਂ ਅਤੇ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਪਾਲਣਾ ਲਈ ਵਧੀਕ ਉਤਸ਼ਾਹ ਪੈਦਾ ਕਰਦੇ ਹਨ।
-## ਨੈਤਿਕਤਾ ਦੇ ਧਾਰਨਾਵਾਂ
+**ਡਾਟਾ ਐਥਿਕਸ** ਇੱਕ [ਨਵਾਂ ਐਥਿਕਸ ਦਾ ਸ਼ਾਖਾ](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ਹੈ ਜੋ "_ਡਾਟਾ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਸੰਬੰਧਿਤ ਅਭਿਆਸ_" ਨਾਲ ਸਬੰਧਤ ਨੈਤਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅਧਿਐਨ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇੱਥੇ, **"ਡਾਟਾ"** ਤਿਆਰੀ, ਦਰਜੀ, ਸੰਭਾਲ, ਸੰਸਕਾਰ, ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਵਰਤੋਂ ਨਾਲ ਸਬੰਧਤ ਕਿਰਿਆਵਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ, **"ਐਲਗੋਰਿਦਮ"** AI, ਏਜੰਟਾਂ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਰੋਬੋਟਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ, ਅਤੇ **"ਅਭਿਆਸ"** ਜ਼ਿੰਮੇਵਾਰ ਨਵੀਨੀਕਰਨ, ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ, ਹੈਕਿੰਗ, ਅਤੇ ਐਥਿਕਸ ਕੋਡਸ ਵਰਗੇ ਵਿਸ਼ਿਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ।
-ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ **ਸਾਂਝੇ ਮੁੱਲ** (ਸਿਧਾਂਤ) ਅਤੇ **ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ** (ਸਮੱਸਿਆਵਾਂ) ਲਈ 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।
+**ਲਾਗੂ ਐਥਿਕਸ** [ਮੁਲਾਂਕਣਾਂ ਦੇ ਵਾਹਰਲੇ ਪਹਿਰੂ](https://en.wikipedia.org/wiki/Applied_ethics) ਨੂੰ ਕਹਿੰਦੇ ਹਨ। ਇਹ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਵਿੱਚ _ਅਸਲ ਕਾਰਵਾਈਆਂ, ਉਤਪਾਦ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ_ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਐਥਿਕ ਮੁੱਦਿਆਂ ਦੀ ਸਰਗਰਮ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਨ ਲਈ ਸੁਧਾਰਕ ਕਦਮ ਲਏ ਜਾਂਦੇ ਹਨ ਕਿ ਇਹ ਸਾਡੀਆਂ ਨਿਯਤ ਐਥਿਕ ਮੂਲਯਾਂ ਨਾਲ ਸੰਮੇਲਿਤ ਰਹਿਣ।
-### 1. ਨੈਤਿਕ ਸਿਧਾਂਤ
+**ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ** [_ਲਾਗੂ ਐਥਿਕਸ ਨੂੰ ਕਾਰਜਾਨਵੀਤ ਕਰਨ_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ਬਾਰੇ ਹੈ ਤਾਂ ਜੋ ਇਸ ਗੱਲ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਸਾਡੀਆਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸ ਸંગ્રਹੀਤ ਅਤੇ ਵਿਆਪਕ ਢੰਗ ਨਾਲ ਪੂਰੇ ਸੰਸਥਾ ਵਿੱਚ ਅਪਣਾਏ ਜਾਂਦੇ ਹਨ। ਸਫਲ ਐਥਿਕਸ ਸੱਭਿਆਚਾਰ ਸੰਸਥਾ-ਪੱਧਰੀ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਪਾਲਣਾ ਲਈ ਉੱਚ-ਮਤਲਬ ਵਾਨਛਿਤ ਉਤਸ਼ਾਹ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸੰਸਥਾ ਦੇ ਹਰ ਪੱਧਰ 'ਤੇ ਚਾਹੁਣੀਆਂ ਗਈਆਂ ਰਵੱਈਆਂ ਨੂੰ ਵਧਾ ਕੇ ਐਥਿਕ ਨਿਯਮਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਨ।
-ਹਰ ਡਾਟਾ ਨੈਤਿਕਤਾ ਰਣਨੀਤੀ ਦੀ ਸ਼ੁਰੂਆਤ _ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ_ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਨਾਲ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਸਵੀਕਾਰਯੋਗ ਵਿਹਾਰਾਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਅਨੁਕੂਲ 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 ਨਿਰਧਾਰਤ 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 ਰੱਖਦੇ ਹਨ"_ - ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹੋਏ:
+## ਐਥਿਕਸ ਸੰਕਲਪ
-
+ਇਸ ਭਾਗ ਵਿੱਚ ਅਸੀਂ ਡਾਟਾ ਐਥਿਕਸ ਲਈ **ਸਾਂਝੇ ਮੂਲਯਾਂ** (ਸਿਧਾਂਤਾਂ) ਅਤੇ **ਐਥਿਕ ਚੁਣੌਤੀਆਂ** (ਸਮੱਸਿਆਵਾਂ) ਵਰਗੇ ਸੰਕਲਪਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ - ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਸਮਝਣ ਲਈ **ਕੇਸ ਸਟੱਡੀਆਂ** ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ।
-ਆਓ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਦੀ ਸੰਖੇਪ ਵਿੱਚ ਪੜਚੋਲ ਕਰੀਏ। _ਪਾਰਦਰਸ਼ਤਾ_ ਅਤੇ _ਜਵਾਬਦੇਹੀ_ ਅਜਿਹੇ ਮੁੱਢਲੇ ਮੁੱਲ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਹੋਰ ਸਿਧਾਂਤ ਬਣਾਏ ਜਾਂਦੇ ਹਨ - ਤਾਂ ਜੋ ਇੱਥੇ ਸ਼ੁਰੂਆਤ ਕੀਤੀ ਜਾ ਸਕੇ:
+### 1. ਐਥਿਕਸ ਸਿਧਾਂਤ
-* [**ਜਵਾਬਦੇਹੀ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਪ੍ਰੈਕਟੀਸ਼ਨਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਲਈ, ਅਤੇ ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨਾਲ ਅਨੁਕੂਲਤਾ ਲਈ _ਜਵਾਬਦੇਹ_ ਬਣਾਉਂਦੀ ਹੈ।
-* [**ਪਾਰਦਰਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਉਪਭੋਗਤਾਵਾਂ ਲਈ _ਸਮਝਣਯੋਗ_ (ਵਿਆਖਿਆਯੋਗ) ਹਨ, ਫੈਸਲਿਆਂ ਦੇ ਪਿੱਛੇ ਕੀ ਅਤੇ ਕਿਉਂ ਨੂੰ ਸਮਝਾਉਂਦੀਆਂ ਹਨ।
-* [**ਨਿਆਂ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI _ਸਾਰੇ ਲੋਕਾਂ_ ਨਾਲ ਨਿਆਂ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਸਿਸਟਮਾਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਪ੍ਰਣਾਲੀਕ ਜਾਂ ਅਸਪਸ਼ਟ ਸਮਾਜ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ।
-* [**ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI _ਨਿਰਧਾਰਤ ਮੁੱਲਾਂ_ ਨਾਲ ਲਗਾਤਾਰ ਵਿਹਾਰ 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) - ਡਾਟਾ ਲਾਈਨੇਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ_ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ।
-* [**ਸ਼ਾਮਿਲਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਰਾਦੇ ਨਾਲ AI ਹੱਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਬਾਰੇ ਹੈ, ਇਹਨਾਂ ਨੂੰ _ਵਿਆਪਕ ਮਾਨਵ ਜ਼ਰੂਰਤਾਂ_ ਅਤੇ ਯੋਗਤਾਵਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਣਾ।
+ਹਰ ਡਾਟਾ ਐਥਿਕਸ ਰਣਨੀਤੀ _ਐਥਿਕ ਸਿਧਾਂਤ_ ਨੂੰ ਪਰਿਭਾਸ਼ਤ ਕਰਕੇ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ - "ਸਾਂਝੇ ਮੁੱਲ" ਜੋ ਕਬੂਲਯੋਗ ਰਵੱਈਆਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਸਾਡੇ ਡਾਟਾ & AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਪਾਲਣਯੋਗ ਕਰਮਾਂ ਦਾ ਮਾਰੱਗਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹਨਾਂ ਨੂੰ ਵਿਅਕਤੀਗਤ ਜਾਂ ਟੀਮ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਤ ਕਰ ਸਕਦੇ ਹੋ। ਪਰ ਜਿਆਦਾ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਇਹਨਾਂ ਨੂੰ ਇੱਕ _ਨੈਤਿਕ AI_ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਜਾਂ ਫਰੇਮਵਰਕ ਵਿੱਚ ਸਮੇਤਦੀਆਂ ਹਨ ਜੋ ਕੰਪਨੀਆਂ ਦੇ ਪੱਧਰ 'ਤੇ ਪਰਿਭਾਸ਼ਤ ਅਤੇ ਹਰੇਕ ਟੀਮ ਵਿੱਚ ਇਕਸਾਰ ਤਰੀਕੇ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ 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/) ਤੋਂ ਉਦਾਹਰਨ ਹਨ। ਉਹਨਾਂ ਦੇ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਕਿਵੇਂ ਸਬੰਧਿਤ ਹਨ ਜਿਸ ਵਿੱਚ ਉਹ ਕੰਮ ਕਰਦੇ ਹਨ?
+**ਉਦਾਹਰਨ:** ਮਾਈਕ੍ਰੋਸੌਫਟ ਦਾ [ਉੱਤਰਦਾਇਤਵਪੂਰਨ AI](https://www.microsoft.com/en-us/ai/responsible-ai) ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਲਿਖਦਾ ਹੈ: _"ਅਸੀਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੁਆਰਾ ਚਲਾਇਤ AI ਦੇ ਵਿਕਾਸ ਲਈ ਵਚਨਬੱਧ ਹਾਂ ਜੋ ਲੋਕਾਂ ਨੂੰ ਪਹਿਲਾ ਰੱਖਦਾ ਹੈ"_ - ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਫਰੇਮਵਰਕ ਵਿੱਚ 6 ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਹਚਾਣ ਕਰਦਾ ਹੈ:
-### 2. ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ
+
-ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੈਤਿਕ ਸਿਧਾਂਤ ਨਿਰਧਾਰਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਇਹ ਹੈ ਕਿ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਾਰਵਾਈਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਉਹਨਾਂ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਸੰਗਤ ਹਨ। ਆਪਣੇ ਕਾਰਵਾਈਆਂ ਬਾਰੇ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸੋਚੋ: _ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ_ ਅਤੇ _ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ_।
+ਆਓ ਥੋੜ੍ਹਾ ਜਿਹਾ ਇਨ੍ਹਾਂ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝੀਏ। _ਪਾਰਦਰਸ਼ਤਾ_ ਅਤੇ _ਜਵਾਬਦੇਹੀ_ ਬੁਨਿਆਦੀ ਮੁੱਲ ਹਨ ਜੋ ਹੋਰ ਸਿਧਾਂਤਾਂ ਦੀ ਬੁਨਿਆਦ ਹਨ - ਇਸ ਲਈ ਆਓ ਇਥੋਂ ਸ਼ੁਰੂ ਕਰੀਏ:
-ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਵਿੱਚ **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_ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਪਹਿਚਾਣ ਕਰਦੇ ਹਨ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ_, _ਡਾਟਾ ਮਾਲਕੀ_, ਅਤੇ ਸਬੰਧਿਤ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ ਕਿ _ਜਾਣਕਾਰੀ ਸਹਿਮਤੀ_ ਅਤੇ _ਉਪਭੋਗਤਾ ਦੇ ਬੌਧਿਕ ਸੰਪਤੀ ਅਧਿਕਾਰਾਂ_ ਨਾਲ ਸਬੰਧਿਤ ਹੋ ਸਕਦੀਆਂ ਹਨ।
+* [**ਜਵਾਬਦੇਹੀ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਪ੍ਰੈਕਟਿਸਨੀਅਰਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ & AI ਆਪਰੇਸ਼ਨਾਂ ਅਤੇ ਇਹਨਾਂ ਐਥਿਕ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਲਈ _ਜਵਾਬਦੇਹ_ ਬਣਾਉਂਦੀ ਹੈ।
+* [**ਪਾਰਦਰਸ਼ਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਡਾਟਾ ਅਤੇ AI ਕਿਰਿਆਵਾਂ ਉਪਭੋਗਤਿਆਂ ਲਈ _ਸਮਝਣਯੋਗ_ (ਵਿਆਖਿਆਤਮਕ) ਹਨ, ਫੈਸਲੇ ਦੇ ਕੀ ਅਤੇ ਕਿਉਂ ਦਾ ਸਮਝਾਉਂਦੀਆਂ ਹਨ।
+* [**ਨਿਆਂਸੰਗਤਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ AI ਸਾਰੇ ਲੋਕਾਂ ਨਾਲ _ਇਨਸਾਫ਼ ਨਾਲ_ ਵਰਤਬ ਕਰਦਾ ਹੈ, ਡਾਟਾ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸਿਸਟਮਿਕ ਜਾਂ ਅਪ੍ਰਤੀਤ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਪੱਖਪਾਤ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ।
+* [**ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ AI ਪਰਿਭਾਸ਼ਿਤ ਮੁੱਲਾਂ ਦੇ ਨਾਲ _ਲਗਾਤਾਰ_ ਤਰੀਕੇ ਨਾਲ ਵਰਤਦਾ ਹੈ, ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਜਾਂ ਅਣਚਾਹੇ ਨਤੀਜਿਆਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਦਾ ਹੈ।
+* [**ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਡਾਟਾ ਲਿਨੀਅਜ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਪਭੋਗਤਿਆਂ ਨੂੰ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੰਬੰਧਿਤ ਸੁਰੱਖਿਆ_ ਪ੍ਰਦਾਨ ਕਰਨ ਬਾਰੇ ਹੈ।
+* [**ਸ਼ਾਮਿਲ ਹੋਣਾ**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - ਇਹ ਇਰਾਦੇ ਨਾਲ AI ਹੱਲ ਤਿਆਰ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਮਨੁੱਖੀ ਜ਼ਰੂਰਤਾਂ ਅਤੇ ਸਮਰੱਥਾ ਦੇ _ਵੱਡੇ ਦਾਇਰੇ_ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨ ਬਾਰੇ ਹੈ।
-ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਨਾਲ, ਕਾਰਵਾਈਆਂ ਵਿੱਚ **ਡਾਟਾਸੈਟ** ਇਕੱਠਾ ਅਤੇ ਕੁਰੇਸ਼ਨ ਕਰਨਾ ਸ਼ਾਮਲ ਹੋਵੇਗਾ, ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਪੇਸ਼ਗੂਈ ਕਰਨ ਜਾਂ ਫੈਸਲੇ ਲੈਣ ਲਈ **ਡਾਟਾ ਮਾਡਲ** ਨੂੰ ਸਿਖਾਉਣਾ ਅਤੇ ਤੈਨਾਤ ਕਰਨਾ। ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾਸੈਟ ਪੱਖਪਾਤ_, _ਡਾਟ
-* ਕੀ ਜਾਣਕਾਰੀ ਹਕੀਕਤ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ _ਸਹੀ ਤਰੀਕੇ ਨਾਲ_ ਕੈਪਚਰ ਕੀਤੀ ਗਈ ਹੈ?
+> 🚨 ਸੋਚੋ ਕਿ ਤੁਹਾਡਾ ਡਾਟਾ ਐਥਿਕਸ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਕਿਹੜਾ ਹੋ ਸਕਦਾ ਹੈ। ਹੋਰ ਸੰਸਥਾਵਾਂ ਤੋਂ ਐਥਿਕ AI ਫਰੇਮਵਰਕ ਦੀ ਜਾਂਚ ਕਰੋ - ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [ਗੂਗਲ](https://ai.google/principles), ਅਤੇ [ਫੇਸਬੁੱਕ](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ਤੋਂ। ਉਹਨਾਂ ਦੇ ਸਾਂਝੇ ਮੁੱਲ ਕੀ ਹਨ? ਇਹ ਸਿਧਾਂਤ ਕਿਸ ਤਰ੍ਹਾਂ ਉਹਨਾਂ ਦੇ AI ਉਤਪਾਦ ਜਾਂ ਉਦਯੋਗ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ?
-#### 2.8 ਐਲਗੋਰਿਦਮ ਨਿਆਂ
+### 2. ਐਥਿਕ ਚੁਣੌਤੀਆਂ
-[ਐਲਗੋਰਿਦਮ ਨਿਆਂ](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ਇਹ ਜਾਂਚਦਾ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਈਨ ਸਿਸਟਮੈਟਿਕ ਤੌਰ 'ਤੇ ਡੇਟਾ ਵਿਸ਼ਿਆਂ ਦੇ ਖਾਸ ਉਪ-ਸਮੂਹਾਂ ਦੇ ਖਿਲਾਫ ਭੇਦਭਾਵ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ _ਵੰਡ_ (ਜਿੱਥੇ ਸੰਸਾਧਨ ਉਸ ਸਮੂਹ ਤੋਂ ਰੋਕੇ ਜਾਂ ਵਾਪਸ ਲਏ ਜਾਂਦੇ ਹਨ) ਅਤੇ _ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ_ (ਜਿੱਥੇ AI ਕੁਝ ਉਪ-ਸਮੂਹਾਂ ਲਈ ਹੋਰਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਸਹੀ ਹੈ) ਵਿੱਚ [ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ਹੁੰਦੇ ਹਨ।
+ਜਿਵੇਂ ਹੀ ਸਾਡੇ ਕੋਲ ਐਥਿਕ ਸਿਧਾਂਤ ਪਰਿਭਾਸ਼ਤ ਹੁੰਦੇ ਹਨ, ਅਗਲਾ ਕਦਮ ਸਾਡੇ ਡਾਟਾ ਅਤੇ AI ਕਿਰਿਆਵਾਂ ਨੂੰ ਵੇਖਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕੀ ਉਹ ਉਹਨਾਂ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਆਪਣੇ ਕਰਮਾਂ ਨੂੰ ਦੋ ਵਰਗਾਂ ਵਿੱਚ ਸੋਚੋ: _ਡਾਟਾ ਸੰਗ੍ਰਹਿ_ ਅਤੇ _ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ_।
-ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
-* ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਉਪ-ਸਮੂਹਾਂ ਅਤੇ ਸਥਿਤੀਆਂ ਲਈ ਮਾਡਲ ਦੀ ਸਹੀਤਾ ਦਾ ਮੁਲਾਂਕਨ ਕੀਤਾ?
-* ਕੀ ਅਸੀਂ ਸਿਸਟਮ ਨੂੰ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟਿਰਿਓਟਾਈਪਿੰਗ) ਲਈ ਗਹਿਰਾਈ ਨਾਲ ਜਾਂਚਿਆ?
-* ਕੀ ਅਸੀਂ ਪਛਾਣੇ ਗਏ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡੇਟਾ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ ਜਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
+ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਵਿੱਚ, ਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸੰਭਵ ਹੈ ਕਿ **ਵਿਵਹਾਰਕ ਡਾਟਾ** ਜਾਂ ਵਿਆਕਤੀਗਤ ਪਛਾਣਯੋਗ ਜਾਣਕਾਰੀ (PII) ਸ਼ਾਮਿਲ ਹੋਵੇ ਜੋ ਪਛਾਣਯੋਗ ਜੀਵਤ ਵਿਅਕਤੀਆਂ ਲਈ ਹੋਵੇ। ਇਸ ਵਿੱਚ [ਵਿਭਿੰਨ ਕਿਸਮਾਂ ਦੇ ਗੈਰ-ਵਿਅਕਤੀਗਤ ਡਾਟਾ](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) ਸ਼ਾਮਿਲ ਹਨ ਜੋ _ਕੁੱਝ ਮਿਲਾ ਕੇ_ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ। ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਦਾ ਸੰਬੰਧ ਹੋ ਸਕਦਾ ਹੈ _ਡਾਟਾ ਗੋਪਨੀਯਤਾ_, _ਡਾਟਾ ਮਾਲਕੀ_, ਅਤੇ ਇਨ੍ਹਾਂ ਦੇ ਨਾਲ ਜੁੜੇ ਵਿਸ਼ਿਆਂ ਜਿਵੇਂ ਕਿ _ਜਾਣੂ ਸਹਿਮਤੀ_ ਅਤੇ _ਮਾਲਕੀ ਹੱਕ_ ਵਰਗੇ।
-[AI ਨਿਆਂ ਚੈਕਲਿਸਟਾਂ](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ਵਰਗੇ ਸਰੋਤਾਂ ਦੀ ਪੜਤਾਲ ਕਰੋ ਜ਼ਿਆਦਾ ਜਾਣਨ ਲਈ।
+ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ ਵਿੱਚ, ਕਿਰਿਆਵਾਂ ਵਿੱਚ **ਡਾਟਾਸੈੱਟਸ** ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਸੰਭਾਲਣ ਦੇ ਨਾਲ-ਨਾਲ, ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ **ਡਾਟਾ ਮਾਡਲਾਂ** ਨੂੰ ਟ੍ਰੇਨ ਅਤੇ ਤੈਨਾਤ ਕਰਨਾ ਸ਼ਾਮਿਲ ਹੁੰਦਾ ਹੈ ਜੋ ਅਸਲ ਦੁਨੀਆਂ ਵਿੱਚ ਨਤੀਜੇ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਫੈਸਲੇ ਆਟੋਮੇਟਿਕ ਕਰਦੇ ਹਨ। ਐਥਿਕ ਚੁਣੌਤੀਆਂ _ਡਾਟਾਸੈੱਟ ਪੱਖਪਾਤ_, _ਡਾਟਾ ਗੁਣਵੱਤਾ_ ਸਮੱਸਿਆਵਾਂ, _ਨਿਆਇਕਤਾ ਘਾਟ_, ਅਤੇ ਐਲਗੋਰਿਦਮ ਵਿੱਚ _ਗਲਤ ਪੇਸ਼ਕਸ਼_ ਤੋਂ ਉੱਭਰਨਗੀਆਂ - ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੁਝ ਸਮੱਸਿਆਵਾਂ ਪ੍ਰਣਾਲੀਕ ਹੁੰਦੀਆਂ ਹਨ।
-#### 2.9 ਗਲਤ ਪੇਸ਼ਕਾਰੀ
+ਦੋਹਾਂ ਹੀ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਉਹ ਖੇਤਰ ਹਨ ਜਿੱਥੇ ਸਾਡੇ ਕਰਮ ਸਾਡੇ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨਾਲ ਟਕਰਾਅ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਮੁੱਦੇ ਪਤਾ ਲਗਾਉਣ, ਘਟਾਉਣ, ਘੱਟ ਕਰਨ ਜਾਂ ਖਤਮ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਆਪਣੇ ਕਰਮਾਂ ਨਾਲ ਸੰਬੰਧਿਤ ਨੈਤਿਕ "ਹਾਂ/ਨਾਂ" ਸਵਾਲ ਪੁੱਛਣੇ ਪੈਂਦੇ ਹਨ ਅਤੇ ਜ਼ਰੂਰਤ ਹੋਣ 'ਤੇ ਸੁਧਾਰਕ ਕਾਰਵਾਈ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਆਓ ਕੁਝ ਐਥਿਕ ਚੁਣੌਤੀਆਂ ਅਤੇ ਉਹਨਾਂ ਤੋਂ ਉੱਭਰਦੇ ਨੈਤਿਕ ਸਵਾਲਾਂ ਨੂੰ ਵੇਖੀਏ:
-[ਡੇਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ਇਹ ਪੁੱਛਦੀ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚਾਈ ਨਾਲ ਰਿਪੋਰਟ ਕੀਤੇ ਡੇਟਾ ਤੋਂ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਇੱਕ ਚਾਹੀਦੀ ਕਹਾਣੀ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਸੰਚਾਰਿਤ ਕਰ ਰਹੇ ਹਾਂ।
-ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
-* ਕੀ ਅਸੀਂ ਅਧੂਰਾ ਜਾਂ ਗਲਤ ਡੇਟਾ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹਾਂ?
-* ਕੀ ਅਸੀਂ ਡੇਟਾ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ?
-* ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਚਾਲਾਕੀ ਨਾਲ ਹੇਰਫੇਰ ਕਰਨ ਲਈ ਚੁਣੇ ਹੋਏ ਅੰਕੜੇ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ?
-* ਕੀ ਹੋਰ ਵਿਵਸਥਾਵਾਂ ਹਨ ਜੋ ਇੱਕ ਵੱਖਰਾ ਨਤੀਜਾ ਪੇਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ?
+#### 2.1 ਡਾਟਾ ਮਾਲਕੀ
-#### 2.10 ਮੁਫ਼ਤ ਚੋਣ
+ਡਾਟਾ ਸੰਗ੍ਰਹਿ ਅਕਸਰ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਲਈ ਹੁੰਦਾ ਹੈ ਜੋ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ। [ਡਾਟਾ ਮਾਲਕੀ](https://permission.io/blog/data-ownership) ਉਸ _ਨਿਯੰਤਰਣ_ ਅਤੇ [_ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ_](https://permission.io/blog/data-ownership) ਬਾਰੇ ਹੈ ਜੋ ਡਾਟਾ ਬਣਾਉਣ, ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਨਾਲ ਜੁੜੇ ਹਨ।
-[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 ਐਲਗੋਰਿਦਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਣ ਲਈ, ਜਦੋਂ ਕਿ ਉਹਨਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦੇਣ ਦਾ ਦਿਖਾਵਾ ਕਰਦੇ ਹਨ। ਇਹ [ਡਾਰਕ ਪੈਟਰਨ](https://www.darkpatterns.org/) ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਹਾਰ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਿਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਦੇ ਚੋਣਾਂ ਨੂੰ ਚੁੱਕਣ ਜਾਂ ਵਧਾਉਣ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਚਲਾਉਂਦੀਆਂ ਹਨ।
+ਸਾਡੇ ਨੈਤਿਕ ਸਵਾਲ ਹਨ:
+ * ਡਾਟਾ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ? (ਉਪਭੋਗਤਾ ਜਾਂ ਸੰਸਥਾ)
+ * ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਕੋਲ ਕਿਹੜੇ ਅਧਿਕਾਰ ਹਨ? (ਉਦਾਹਰਨ: ਪਹੁੰਚ, ਮਿਟਾਉਣਾ, ਲੰਛਣ)
+ * ਸੰਸਥਾਵਾਂ ਕੋਲ ਕਿਹੜੇ ਅਧਿਕਾਰ ਹਨ? (ਉਦਾਹਰਨ: ਬਦਅਮਨੀ ਵਾਲੀਆਂ ਉਪਭੋਗਤਾ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ)
-ਇਥੇ ਪੜਤਾਲ ਕਰਨ ਲਈ ਸਵਾਲ ਹਨ:
-* ਕੀ ਉਪਭੋਗਤਾ ਨੇ ਉਹ ਚੋਣ ਕਰਨ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਸਮਝਿਆ?
-* ਕੀ ਉਪਭੋਗਤਾ (ਵਿਕਲਪਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਤੋਂ ਜਾਣੂ ਸੀ?
-* ਕੀ ਉਪਭੋਗਤਾ ਇੱਕ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਵਾਪਸ ਕਰ ਸਕਦਾ ਹੈ?
+#### 2.2 ਜਾਣੂ ਸਹਿਮਤੀ
-### 3. ਕੇਸ ਸਟੱਡੀਜ਼
+[ਜਾਣੂ ਸਹਿਮਤੀ](https://legaldictionary.net/informed-consent/) ਪਰਿਭਾਸ਼ਕ ਭਾਵ ਹੈ ਉਪਭੋਗਤਿਆਂ ਦੀ ਕੋਈ ਕਾਰਵਾਈ (ਜਿਵੇਂ ਡਾਟਾ ਸੰਗ੍ਰਹਿ) ਲਈ _ਸਮੂਹ ਸਮਝ_ ਦੇ ਨਾਲ ਸਹਿਮਤੀ।
-ਇਹ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਅਸਲ-ਜਗਤ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਇਹ ਸਹਾਇਕ ਹੈ ਕਿ ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੇਖੀਆਂ ਜਾਣ ਜੋ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ ਲਈ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੀਆਂ ਹਨ, ਜਦੋਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਨੈਤਿਕਤਾ ਦੀਆਂ ਉਲੰਘਣਾਵਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਉਪਭੋਗਤਾ (ਡਾਟਾ ਵਿਸ਼ਾ) ਨੇ ਡਾਟਾ ਕੈਪਚਰ ਅਤੇ ਵਰਤੋਂ ਲਈ ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਸੀ?
+ * ਕੀ ਉਪਭੋਗਤਾ ਇਸ ਗੱਲ ਨੂੰ ਸਮਝਦਾ ਸੀ ਕਿ ਉਹ ਡਾਟਾ ਕਿਉਂ ਇਕੱਠਾ ਹੋਇਆ?
+ * ਕੀ ਉਪਭੋਗਤਾ ਨੂੰ ਸਮਝ ਆਇਆ ਕਿ ਉਸ ਦੀ ਭਾਗੀਦਾਰੀ ਨਾਲ ਕੀ ਜੋਖਮ ਹੋ ਸਕਦੇ ਹਨ?
-ਇਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
+#### 2.3 ਬੌਧਿਕ ਸੰਪਦਾ
-| ਨੈਤਿਕਤਾ ਦੀ ਚੁਣੌਤੀ | ਕੇਸ ਸਟੱਡੀ |
-|--- |--- |
-| **ਜਾਣਕਾਰੀ ਵਾਲੀ ਸਹਿਮਤੀ** | 1972 - [ਟਸਕੀਗੀ ਸਿਫਿਲਿਸ ਸਟੱਡੀ](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ਅਫਰੀਕੀ ਅਮਰੀਕੀ ਪੁਰਸ਼ ਜਿਨ੍ਹਾਂ ਨੇ ਅਧਿਐਨ ਵਿੱਚ ਭਾਗ ਲਿਆ, ਉਹਨਾਂ ਨੂੰ ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਦੇਖਭਾਲ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ _ਪਰ ਧੋਖਾ ਦਿੱਤਾ_ ਗਿਆ, ਜਦੋਂ ਸ਼ੋਧਕਰਤਾਵਾਂ ਨੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਬਿਮਾਰੀ ਜਾਂ ਉਪਲਬਧ ਇਲਾਜ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਵਿੱਚ ਅਸਫਲ ਰਹੇ। ਕਈ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋਈ ਅਤੇ ਸਾਥੀ ਜਾਂ ਬੱਚੇ ਪ੍ਰਭਾਵਿਤ ਹੋਏ; ਅਧਿਐਨ 40 ਸਾਲ ਤੱਕ ਚੱਲਿਆ। |
-| **ਡੇਟਾ ਪ੍ਰਾਈਵੇਸੀ** | 2007 - [Netflix ਡੇਟਾ ਇਨਾਮ](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ਨੇ ਸ਼ੋਧਕਰਤਾਵਾਂ ਨੂੰ _50K ਗਾਹਕਾਂ ਤੋਂ 10M ਅਨਾਮਿਤ ਫਿਲਮ ਰੈਂਕਿੰਗ_ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ, ਜਿਨ੍ਹਾਂ ਨੇ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਸੁਧਾਰਨ ਵਿੱਚ ਮਦਦ ਕੀਤੀ। ਹਾਲਾਂਕਿ, ਸ਼ੋਧਕਰਤਾਵਾਂ ਅਨਾਮਿਤ ਡੇਟਾ ਨੂੰ _ਬਾਹਰੀ ਡੇਟਾਸੈਟ_ (ਜਿਵੇਂ IMDb ਟਿੱਪਣੀਆਂ) ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਪਛਾਣਯੋਗ ਡੇਟਾ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਸਫਲ ਰਹੇ - ਕੁਝ Netflix ਗਾਹਕਾਂ ਨੂੰ "ਡੀ-ਅਨਾਨਿਮਾਈਜ਼" ਕਰਦੇ ਹੋਏ। |
-| **ਕਲੈਕਸ਼ਨ ਬਾਇਸ** | 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, ਸ਼ਹਿਰ ਨੂੰ ਬਿਹਤਰ ਸੜਕ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ। ਹਾਲਾਂਕਿ, [ਘੱਟ ਆਮਦਨ ਵਾਲੇ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਨੂੰ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਤੱਕ ਘੱਟ ਪਹੁੰਚ](https://hbr.org/2013/04/the-hidden-biases-in-big-data) ਸੀ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਦੇ ਸੜਕ ਦੇ ਮੁੱਦੇ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ ਹੋ ਗਏ। ਡਿਵੈਲਪਰਾਂ ਨੇ ਨਿਆਂ ਲਈ _ਸਮਾਨ ਪਹੁੰਚ ਅਤੇ ਡਿਜ਼ੀਟਲ ਵੰਡ_ ਮੁੱਦਿਆਂ 'ਤੇ ਅਕਾਦਮਿਕਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ। |
-| **ਐਲਗੋਰਿਦਮਿਕ ਨਿਆਂ** | 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 ਪੇਸ਼ ਕੀਤਾ। ਦੋਵੇਂ ਨੇ ਐਲਗੋਰਿਦਮਿਕ ਬਾਇਸ ਵਿੱਚ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਨੁਕਸਾਨਾਂ ਨੂੰ ਦਰਸਾਇਆ। |
-| **ਡੇਟਾ ਗਲਤ ਪੇਸ਼ਕਾਰੀ** | 2020 - [ਜਾਰਜੀਆ ਡਿਪਾਰਟਮੈਂਟ ਆਫ 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 ਵਾਲੇ ਲੱਗਦੇ ਸਨ, x-ਅਕਸ 'ਤੇ ਗੈਰ-ਕ੍ਰਮਬੱਧ ਕ੍ਰਮਬੱਧਤਾ ਨਾਲ। ਇਹ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਂ ਰਾਹੀਂ ਗਲਤ ਪੇਸ਼ਕਾਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। |
-| **ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭਰਮ** | 2020 - ਸਿੱਖਣ ਵਾਲੀ 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 ਸਬਸਕ੍ਰਿਪਸ਼ਨਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਵਿੱਚ ਫਸ ਗਏ ਜਿਨ੍ਹਾਂ 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। |
-| **ਡੇਟਾ ਪ੍ਰਾਈਵੇਸੀ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ** | 2021 - Facebook [ਡੇਟਾ 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 ਡੇਟਾ ਨੂੰ ਬੇਨਕਾਬ ਕੀਤਾ, ਜਿਸ ਨਾਲ FTC ਨੂੰ $5B ਦਾ ਸੈਟਲਮੈਂਟ ਹੋਇਆ। ਹਾਲਾਂਕਿ, ਇਸ ਨੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਡੇਟਾ ਬ੍ਰੀਚ ਬਾਰੇ ਸੂਚਿਤ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ, ਡੇਟਾ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਪਹੁੰਚ ਦੇ ਆਧਾਰ 'ਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕੀਤੀ। |
+[ਬੌਧਿਕ ਸੰਪਦਾ](https://en.wikipedia.org/wiki/Intellectual_property) ਉਹ ਅਦਿੱਖ ਸੰਸਰਜਨ ਹੈ ਜੋ ਮਨੁੱਖੀ ਪਹਲ ਨਾਲ ਹੁੰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਿਅਕਤੀਆਂ ਜਾਂ ਵਪਾਰਾਂ ਲਈ _ਆਰਥਿਕ ਮੁੱਲ_ ਹੋ ਸਕਦਾ ਹੈ।
-ਹੋਰ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਪੜਤਾਲ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤਾਂ ਦੀ ਜਾਂਚ ਕਰੋ:
-* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀਆਂ ਦਿਲਚਸਪ ਗੁੰਝਲਾਂ।
-* [ਡੇਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ ਕੋਰਸ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਪ੍ਰਸਿੱਧ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੀ ਪੜਤਾਲ।
-* [ਜਿੱਥੇ ਗਲਤੀਆਂ ਹੋਈਆਂ ਹਨ](https://deon.drivendata.org/examples/) - ਡਿਓਨ ਚੈਕਲਿਸਟ ਨਾਲ ਉਦਾਹਰਣ।
+ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਇਕੱਠਾ ਕੀਤਾ ਡਾਟਾ ਕਿਸੇ ਉਪਭੋਗਤਾ ਜਾਂ ਵਪਾਰ ਲਈ ਆਰਥਿਕ ਮੁੱਲ ਵਾਲਾ ਸੀ?
+ * ਕੀ ਇੱਥੇ **ਉਪਭੋਗਤਾ** ਕੋਲ ਬੌਧਿਕ ਸੰਪਦਾ ਹੈ?
+ * ਕੀ ਇੱਥੇ **ਸੰਸਥਾ** ਕੋਲ ਬੌਧਿਕ ਸੰਪਦਾ ਹੈ?
+ * ਜੇ ਇਹ ਅਧਿਕਾਰ ਹਨ ਤਾਂ ਅਸੀਂ ਕਿਵੇਂ ਇਨ੍ਹਾਂ ਦੀ ਸੁਰੱਖਿਆ ਕਰ ਰਹੇ ਹਾਂ?
-> 🚨 ਉਹ ਕੇਸ ਸਟੱਡੀਜ਼ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਦੇਖੀਆਂ ਹਨ - ਕੀ ਤੁਸੀਂ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਇਸੇ ਤਰ੍ਹਾਂ ਦੀ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਇਸ ਸੈਕਸ਼ਨ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੀ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੋਰ ਕੇਸ ਸਟੱਡੀ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ?
+#### 2.4 ਡਾਟਾ ਗੋਪਨੀਯਤਾ
-## ਲਾਗੂ ਨੈਤਿਕਤਾ
+[ਡਾਟਾ ਗੋਪਨੀਯਤਾ](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) ਜਾਂ ਜਾਣਕਾਰੀ ਗੋਪਨੀਯਤਾ ਤੋਂ ਮੁਰਾਦ ਉਪਭੋਗਤਿਆਂ ਦੀ ਗੋਪਨੀਯਤਾ ਦੇ ਸੁਰੱਖਿਆ ਅਤੇ ਪਛਾਣ ਦੀ ਰੱਖਿਆ ਹੈ, ਵਿਸ਼ੇਸ਼ ਕਰਕੇ ਵਿਅਕਤੀਗਤ ਪਛਾਣਯੋਗ ਜਾਣਕਾਰੀ ਦੇ ਸੰਦਰਭ ਵਿੱਚ।
-ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਅਵਧਾਰਨਾ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਅਸਲ-ਜਗਤ 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 ਸ਼ਾਸਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇਹਨਾਂ ਅਭਿਆਸਾਂ ਨੂੰ ਕਿਵੇਂ _ਚਾਲੂ_ ਕਰਦੇ ਹਾਂ? ਆਓ ਕੁਝ ਅਸਲ-ਜਗਤ ਦੇ ਹੱਲਾਂ ਦੀ ਪੜਤਾਲ ਕਰੀਏ:
+ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਉਪਭੋਗਤਿਆਂ ਦਾ (ਵਿਆਕਤੀਗਤ) ਡਾਟਾ ਹੈਕਿੰਗ ਅਤੇ ਲੀਕਾਂ ਤੋਂ ਸੁਰੱਖਿਅਤ ਹੈ?
+ * ਕੀ ਉਪਭੋਗਤਿਆਂ ਦਾ ਡਾਟਾ ਸਿਰਫ ਜ਼ਰੂਰੀ ਢੰਗ ਨਾਲ ਅਧਿਕਾਰਿਤ ਉਪਭੋਗਤਿਆਂ ਅਤੇ ਸੰਦਰਭਾਂ ਲਈ ਉਪਲਬਧ ਹੈ?
+ * ਕੀ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਜਾਂ ਪ੍ਰਸਾਰਿਤ ਕਰਨ ਸਮੇਂ ਉਪਭੋਗਤਾ ਦੀ ਅਣਾਮਤਾ ਬਰਕਰਾਰ ਰਹਿੰਦੀ ਹੈ?
+ * ਕੀ ਕਿਸੇ ਉਪਭੋਗਤਾ ਨੂੰ ਅਣਮੁਹੱਈਆ ਡਾਟਾਸੈੱਟ ਤੋਂ ਪਛਾਣ ਰਹਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
+
+#### 2.5 ਭੁੱਲ ਜਾਣ ਦਾ ਅਧਿਕਾਰ
+
+[ਭੁੱਲ ਜਾਣ ਦਾ ਅਧਿਕਾਰ](https://en.wikipedia.org/wiki/Right_to_be_forgotten) ਜਾਂ [ਮਿਟਾਉਣ ਦਾ ਅਧਿਕਾਰ](https://www.gdpreu.org/right-to-be-forgotten/) ਉਪਭੋਗਤਿਆਂ ਨੂੰ ਹੋਰ ਨਿੱਜੀ ਡਾਟਾ ਸੁਰੱਖਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਯਥਾਰਥ ਇਹ ਅਧਿਕਾਰ ਉਪਭੋਗਤਿਆਂ ਨੂੰ ਇੰਟਰਨੈੱਟ ਖੋਜ ਅਤੇ ਹੋਰ ਥਾਵਾਂ ਤੋਂ ਵਿਅਕਤੀਗਤ ਡਾਟਾ ਮਿਟਾਉਣ ਜਾਂ ਹਟਾਉਣ ਦਾ ਹੱਕ ਦਿੰਦਾ ਹੈ, _ਖਾਸ ਹਾਲਾਤਾਂ ਵਿੱਚ_ - ਇਸ ਤਰ੍ਹਾਂ ਉਹ ਪਿਛਲੇ ਕਿਰਦਾਰਾਂ ਤੋਂ ਬਿਨਾਂ ਨਵੀਂ ਸ਼ੁਰੂਆਤ ਕਰ ਸਕਦੇ ਹਨ।
+
+ਇਥੇ ਪੁੱਛਣ ਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਸਿਸਟਮ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਨੂੰ ਮਿਟਾਉਣ ਦੀ ਬੇਨਤੀ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ?
+ * ਕੀ ਉਪਭੋਗਤਾ ਦੀ ਸਹਿਮਤੀ ਵਾਪਸੀ ਆਟੋਮੈਟਿਕ ਮਿਟਾਉਣ ਨੂੰ ਸ਼ੁਰੂ ਕਰੇਗੀ?
+ * ਕੀ ਡਾਟਾ ਬਿਨਾਂ ਸਹਿਮਤੀ ਜਾਂ ਗੈਰਕਾਨੂਨੀ ਤਰੀਕਿਆਂ ਨਾਲ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ?
+ * ਕੀ ਅਸੀਂ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਲਈ ਸਰਕਾਰੀ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਰਹੇ ਹਾਂ?
+
+#### 2.6 ਡਾਟਾਸੈੱਟ ਪੱਖਪਾਤ
+
+ਡਾਟਾਸੈੱਟ ਜਾਂ [ਸੰਗ੍ਰਹਿ ਪੱਖਪਾਤ](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) ਦਾ ਮਤਲਬ ਹੈ ਐਲਗੋਰਿਦਮ ਵਿਕਾਸ ਲਈ _ਬੇ-ਪ੍ਰਸਤੁਤਕ_ ਡਾਟੇ ਦਾ ਚੋਣ, ਜੋ ਵੱਖ-ਵੱਖ ਗਰੁੱਪਾਂ ਲਈ ਨਤੀਜੇ ਵਿੱਚ ਅਨਿਆਇਕਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਪੱਖਪਾਤ ਦੇ ਕਿਸਮਾਂ ਵਿੱਚ ਚੋਣ ਜਾਂ ਸੈਂਪਲਿੰਗ ਪੱਖਪਾਤ, ਵਲੰਟੀਅਰ ਪੱਖਪਾਤ, ਅਤੇ ਸੰਦ ਪੱਖਪਾਤ ਸ਼ਾਮਿਲ ਹਨ।
+
+ਇਥੇ ਪੁੱਛਣਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਅਸੀਂ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦਾ ਪ੍ਰਤਿਨਿਧੀ ਸਮੂਹ ਭਰਤੀ ਕੀਤਾ ਸੀ?
+ * ਕੀ ਅਸੀਂ ਆਪਣੇ ਇਕੱਠੇ ਜਾਂ ਸੰਭਾਲੇ ਡਾਟਾਸੈੱਟ ਨੂੰ ਵੱਖ-ਵੱਖ ਪੱਖਪਾਤਾਂ ਲਈ ਪਰਖਿਆ ਸੀ?
+ * ਕੀ ਅਸੀਂ ਕਿਸੇ ਵੀ ਪਤਾ ਲੱਗੇ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾ ਜਾਂ ਹਟਾ ਸਕਦੇ ਹਾਂ?
+
+#### 2.7 ਡਾਟਾ ਗੁਣਵੱਤਾ
+
+[ਡਾਟਾ ਗੁਣਵੱਤਾ](https://lakefs.io/data-quality-testing/) ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ ਕਿ ਸੰਭਾਲਿਆ ਡਾਟਾਸੈੱਟ ਕਿੰਨਾ ਸਹੀ ਹੈ ਜਿਹੜਾ ਸਾਡੇ ਐਲਗੋਰਿਦਮ ਵਿਕਾਸ ਲਈ ਵਰਤਿਆ ਗਿਆ, ਅਤੇ ਕੀ ਫੀਚਰ ਅਤੇ ਰਿਕਾਰਡ ਇਹਨੀਂ ਸ਼ਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ ਜੋ ਸਾਡੇ AI ਦੇ ਉਦੇਸ਼ ਲਈ ਸਹੀ ਅਤੇ ਲਗਾਤਾਰ ਹਨ।
+
+ਇਥੇ ਪੁੱਛਣ ਯੋਗ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਅਸੀਂ ਆਪਣੇ ਉਦੇਸ਼ ਲਈ ਵੈਧ _ਫੀਚਰ_ ਕੈਪਚਰ ਕੀਤੇ ਹਨ?
+ * ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸਰੋਤਾਂ ਵਿੱਚ ਲਗਾਤਾਰ ਡਾਟਾ ਕੈਪਚਰ ਕੀਤਾ ਹੈ?
+ * ਕੀ ਡਾਟਾਸੈੱਟ ਵੱਖ-ਵੱਖ ਹਾਲਾਤਾਂ ਜਾਂ ਸਥਿਤੀਆਂ ਲਈ _ਪੂਰਾ_ ਹੈ?
+ * ਕੀ ਜਾਣਕਾਰੀ ਹਕੀਕਤ ਨੂੰ ਸਹੀ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦੀ ਹੈ?
+
+
+#### 2.8 Algorithm Fairness
+
+[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ਇਸ ਗੱਲ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਐਲਗੋਰਿਦਮ ਡਿਜ਼ਾਇਨ ਦੇ ਤੌਰ 'ਤੇ ਖਾਸ ਸਬਗਰੁੱਪਾਂ ਦੇ ਡੇਟਾ ਵਿਸ਼ਿਆਂ ਵਿਰੁੱਧ ਪੱਖਪਾਤ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ _ਵੰਡ_ (ਜਿੱਥੇ ਉਸ ਸਮੂਹ ਤੋਂ ਸਰੋਤਾਂ ਨੂੰ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ ਜਾਂ ਰੋਕਿਆ ਜਾਂਦਾ ਹੈ) ਅਤੇ _ਸੇਵਾ ਦੀ ਗੁਣਵੱਤਾ_ (ਜਿੱਥੇ ਕੁਝ ਸਬਗਰੁੱਪਾਂ ਲਈ AI ਵਧੇਰੇ ਸਹੀ ਨਹੀਂ ਹੈ) ਵਿੱਚ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਹੁੰਦੇ ਹਨ।
+
+ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਬਗਰੁੱਪਾਂ ਅਤੇ ਹਾਲਾਤਾਂ ਲਈ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ?
+ * ਕੀ ਅਸੀਂ ਸੰਭਾਵੀ ਨੁਕਸਾਨਾਂ (ਜਿਵੇਂ ਕਿ ਸਟੀਰੀਓਟਾਈਪਿੰਗ) ਲਈ ਸਿਸਟਮ ਦੀ ਜਾਂਚ ਕੀਤੀ?
+ * ਕੀ ਅਸੀਂ ਪਛਾਣ ਕੀਤੇ ਨੁਕਸਾਨਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਡੇਟਾ ਵਿੱਚ ਤਬਦੀਲੀ ਜਾਂ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
+
+ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ਵਰਗੇ ਸਰੋਤਾਂ ਦਾ ਪੜਚੋਲ ਕਰੋ।
+
+#### 2.9 Misrepresentation
+
+[ਡੇਟਾ ਬਦਨਾਮੀ](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ਇਸ ਬਾਰੇ ਹੈ ਕਿ ਕੀ ਅਸੀਂ ਸੱਚੀ ਰਿਪੋਰਟ ਕੀਤੇ ਡੇਟਾ ਵਿੱਚੋਂ ਅੰਸ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ ਜਾਂ ਕਿਸੇ ਚਾਹਵੇਂ ਕਥਾ ਨੂੰ ਸਹਾਰਾ ਦੇਣ ਲਈ ਭ੍ਰਮਿਤ ਕਰਨ ਵਾਲੇ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰਦੇ ਹਾਂ।
+
+ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਅਸੀਂ ਅਧੂਰੀ ਜਾਂ ਗਲਤ ਡੇਟਾ ਰਿਪੋਰਟ ਕਰ ਰਹੇ ਹਾਂ?
+ * ਕੀ ਅਸੀਂ ਡੇਟਾ ਨੂੰ ਐਸੇ ਢੰਗ ਨਾਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਭ੍ਰਮਿਤ ਕਰਨ ਵਾਲੇ ਨਤੀਜੇ ਲਿਆਉਂਦਾ ਹੈ?
+ * ਕੀ ਅਸੀਂ ਨਤੀਜਿਆਂ ਨੂੰ ਮਨਮਾਨੀ ਕਰਨ ਲਈ ਚੁਣਿੰਦੀਆਂ ਅੰਕੜਸ਼ਾਸ਼ਤਰੀ ਤਕਨੀਕਾਂ ਵਰਤ ਰਹੇ ਹਾਂ?
+ * ਕੀ ਕੋਈ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆਵਾਂ ਹਨ ਜੋ ਵੱਖਰਾ ਨਤੀਜਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀਆਂ ਹਨ?
+
+#### 2.10 Free Choice
+[ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭ੍ਰਮ](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਸਟਮ ਦੇ "ਚੋਣ ਆਰਕੀਟੈਕਚਰ" ਫੈਸਲਾ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਪਸੰਦੀਦਾ ਨਤੀਜੇ ਵੱਲ ਧੱਕਦੇ ਹਨ ਪਰ ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਕਲਪ ਅਤੇ ਨਿਯੰਤਰਣ ਦੇਣ ਵਾਲੇ ਦਿਖਾਈ ਦੇਂਦੇ ਹਨ। ਇਹ [ਡਾਰਕ ਪੈਟਰਨ](https://www.darkpatterns.org/) ਯੂਜ਼ਰਾਂ ਨੂੰ ਸਮਾਜਿਕ ਅਤੇ ਆਰਥਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਉਪਭੋਗਤਾ ਦੇ ਫੈਸਲੇ ਵਿਹਾਰ ਪ੍ਰੋਫਾਈਲਾਂ 'ਤੇ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ, ਇਹ ਕਾਰਵਾਈਆਂ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਭਵਿੱਖ ਵਿਚ ਹੋਣ ਵਾਲੀਆਂ ਚੋਣਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ ਜਾਂ ਇਹ ਨੁਕਸਾਨਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਵਧਾ ਸਕਦੀਆਂ ਹਨ।
+
+ਇੱਥੇ ਪੜਚੋਲ ਕਰਨ ਵਾਲੇ ਸਵਾਲ ਹਨ:
+ * ਕੀ ਯੂਜ਼ਰ ਨੂੰ ਉਸ ਚੋਣ ਨੂੰ ਕਰਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਸਮਝ ਸੀ?
+ * ਕੀ ਯੂਜ਼ਰ ਨੂੰ (ਵਿਕਲਪਿਕ) ਚੋਣਾਂ ਅਤੇ ਹਰ ਇੱਕ ਦੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨਾਂ ਦੀ ਜਾਣਕਾਰੀ ਸੀ?
+ * ਕੀ ਯੂਜ਼ਰ ਆਟੋਮੈਟਿਕ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਚੋਣ ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਰੱਦ ਕਰ ਸਕਦਾ ਹੈ?
+
+### 3. Case Studies
+
+ਇਨ੍ਹਾਂ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਨੂੰ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਰੱਖਣ ਲਈ, ਕੇਸ ਅਧਿਐਨਾਂ ਨੂੰ ਦੇਖਣਾ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ ਜੋ ਵਿਅਕਤੀਆਂ ਅਤੇ ਸਮਾਜ ਲਈ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਅਜਿਹੇ ਨੈਤਿਕ ਉਲੰਘਣਾਂ ਨੂੰ ਅਣਡਿੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨ ਹਨ:
+
+| ਨੈਤਿਕ ਚੁਣੌਤੀ | ਕੇਸ ਅਧਿਐਨ |
+|--- |--- |
+| **ਸੂਚਿਤ ਸਹਿਮਤੀ** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ਅਫ਼ਰੀਕੀ ਅਮਰੀਕੀ ਮਰਦ ਜੋ ਅਧਿਐਨ ਵਿੱਚ ਭਾਗ ਲਏ ਉਹਨਾਂ ਨੂੰ ਮੁਫ਼ਤ ਮੈਡੀਕਲ ਸੇਵਾ ਦਾ ਵਾਅਦਾ ਕੀਤਾ ਗਿਆ ਪਰ ਖੋਜਕਾਰਾਂ ਵੱਲੋਂ ਬਿਮਾਰੀ ਜਾਂ ਇਲਾਜ ਦੀ ਉਪਲਬਧਤਾ ਬਾਰੇ ਸੁਚੇਤ ਨਾ ਕੀਤਾ ਗਿਆ। ਬਹੁਤ ਸਾਰੇ ਵਿਸ਼ਿਆਂ ਦੀ ਮੌਤ ਹੋਈ ਅਤੇ ਸਾਥੀਆਂ ਜਾਂ ਬਚਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ; ਅਧਿਐਨ 40 ਸਾਲ ਤੱਕ ਚੱਲਿਆ। |
+| **ਡੇਟਾ ਗੋਪਨੀਯਤਾ** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ਖੋਜਕਾਰਾਂ ਨੂੰ _50K ਕਸਟਮਰਾਂ ਤੋਂ 10 ਮਿਲੀਅਨ ਅਨਾਮਿਕ੍ਰਿਤ ਮੂਵੀ ਰੈਂਕਿੰਗ_ ਦਿੱਤੀ ਗਈ ਜੋ ਸਿਫਾਰਸ਼ੀ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸੀ। ਪਰ, ਖੋਜਕਾਰ ਅਨਾਮਿਕ੍ਰਿਤ ਡੇਟਾ ਨੂੰ ਬਾਹਰੀ ਡੇਟਾਸੈਟਸ (ਜਿਵੇਂ IMDb ਟਿੱਪਣੀਆਂ) ਨਾਲ ਸਬੰਧਿਤ ਕਰਕੇ ਕੁਝ ਨੈਟਫਲਿਕਸ ਗ੍ਰਾਹਕਾਂ ਨੂੰ "ਡੀ-ਅਨਾਮਾਈਮਾਈਜ਼" ਕਰ ਸਕੇ।|
+| **ਸੰਘ੍ਰਹਿ ਪੱਖਪਾਤ** | 2013 - ਬੋਸਟਨ ਸ਼ਹਿਰ ਨੇ [Street Bump](https://www.boston.gov/transportation/street-bump) ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗੜ੍ਹਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਦੀ ਅਗਿਆ ਦਿੰਦਾ ਸੀ, ਜਿਸ ਨਾਲ ਸ਼ਹਿਰ ਨੂੰ ਸੜਕਾਂ ਦੀ ਬਿਹਤਰ ਜਾਣਕਾਰੀ ਮਿਲੀ। ਪਰ, [ਘੱਟ ਆਮਦਨ ਵਾਲੇ ਸਮੂਹਾਂ ਦੇ ਲੋਕਾਂ ਕੋਲ ਕਾਰਾਂ ਅਤੇ ਫੋਨਾਂ ਦੀ ਘਾਟ](https://hbr.org/2013/04/the-hidden-biases-in-big-data) ਸੀ, ਜਿਸ ਕਰਕੇ ਉਹਨਾਂ ਦੀਆਂ ਸੜਕ ਸਮੱਸਿਆਵਾਂ ਇਸ ਐਪ ਵਿੱਚ ਅਦ੍ਰਿਸ਼ਯ ਰਹੀਆਂ। ਵਿਕਾਸਕਾਰਾਂ ਨੇ ਨੈਤਕਤਾ ਲਈ _ਸਮਾਨ ਅਕਸੇਸ ਅਤੇ ਡਿਜੀਟਲ ਵੰਡ_ ਸਮੱਸਿਆਵਾਂ ਦੇ ਨਾਲ ਅਕਾਦਮਿਕ ਲੋਕਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ। |
+| **ਐਲਗੋਰਿਦਮਿਕ ਨੈਤਕਤਾ** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) ਨੇ ਜੈਂਡਰ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਏ.ਆਈ. ਉਤਪਾਦਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਜਿਸ ਨੇ ਔਰਤਾਂ ਅਤੇ ਰੰਗ ਦੇ ਲੋਕਾਂ ਲਈ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਖਾਮੀਆਂ ਦਰਸਾਈਆਂ। ਇੱਕ [2019 ਐਪਲ ਕਾਰਡ](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ਨੇ ਔਰਤਾਂ ਨੂੰ ਮਰਦਾਂ ਨਾਲੋਂ ਘੱਟ ਕਰਜ਼ਾ ਦਿੱਤਾ। ਦੋਹਾਂ ਨੇ ਐਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ ਵਿੱਚ ਸਮਾਜਿਕ-ਆਰਥਿਕ ਨੁਕਸਾਨ ਨੂੰ ਦਰਸਾਇਆ।|
+| **ਡੇਟਾ ਬਦਨਾਮੀ** | 2020 - [ਜਾਰਜੀਆ ਪਬਲਿਕ ਹੈਲਥ ਵਿਭਾਗ ਨੇ COVID-19 ਚਾਰਟਸ ਜਾਰੀ ਕੀਤੇ](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) ਜੋ ਪੁਸ਼ਟੀਸ਼ੁਦਾ ਕੇਸਾਂ ਵਿੱਚ ਰੁਝਾਨ ਬਾਰੇ ਨਾਗਰਿਕਾਂ ਨੂੰ ਗਲਤ ਸਮਝ ਦਿੰਦੇ ਸੀ, ਕਿਉਂਕਿ X-ਅਕਸ਼ 'ਤੇ ਗੈਰ-ਕ੍ਰਮਬੱਧ ਕ੍ਰਮ ਬਣਾਇਆ ਗਿਆ ਸੀ। ਇਹ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਚਾਲਾਕੀਆਂ ਰਾਹੀਂ ਬਦਨਾਮੀ ਦਿਖਾਉਂਦਾ ਹੈ। |
+| **ਮੁਫ਼ਤ ਚੋਣ ਦਾ ਭ੍ਰਮ** | 2020 - ਸਿੱਖਣ ਵਾਲੇ ਐਪ [ABCmouse ਨੇ $10M FTC ਸ਼ਿਕਾਇਤ ਸੈਟਲਮੈਂਟ ਭਰਿਆ](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) ਜਿੱਥੇ ਮਾਪੇ ਉਹਦੇ ਗਏ ਸਬਸਕ੍ਰਿਪਸ਼ਨਾਂ ਲਈ ਪੈਸੇ ਦੇਣ ਲਈ ਫਸੇ ਰਹੇ ਜੋ ਉਹ ਰੱਦ ਨਹੀਂ ਕਰ ਸਕਦੇ ਸਨ। ਇਹ ਚੋਣ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਡਾਰਕ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿੱਥੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੰਭਾਵਤ ਨੁਕਸਾਨਦਾਇਕ ਚੋਣਾਂ ਵੱਲ ਧੱਕਿਆ ਗਿਆ। |
+| **ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ** | 2021 - ਫੇਸਬੁੱਕ [ਡੇਟਾ ਬਰੀਚ](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ਨੇ 530M ਉਪਭੋਗਤਾਵਾਂ ਦਾ ਡੇਟਾ ਬਾਹਰ ਕੀਤਾ, ਜਿਸ ਕਰਕੇ FTC ਨੂੰ $5B ਦਾ ਸੈਟਲਮੈਂਟ ਦੇਣਾ ਪਿਆ। ਪਰ, ਇਸਨੇ ਬਰੀਚ ਬਾਰੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕੀਤਾ, ਜੋ ਡੇਟਾ ਪਾਰਦਰਸ਼ਿਤਾ ਅਤੇ ਪਹੁੰਚ ਵਿੱਚ ਉਪਭੋਗਤਾ ਅਧਿਕਾਰਾਂ ਦਾ ਉੱਲੰਘਣ ਸੀ। |
+
+ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਪੜਚੋਲਣਾ ਚਾਹੁੰਦੇ ਹੋ? ਇਹ ਸਰੋਤ ਵੇਖੋ:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀਆਂ ਦਿੱਲੇਮਾਂ।
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਪ੍ਰਮੁੱਖ ਕੇਸ ਅਧਿਐਨ ਪੜਚੋਲਿਆ ਗਿਆ।
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon ਚੈੱਕਲਿਸਟ ਨਾਲ ਉਦਾਹਰਨਾਂ
+
+> 🚨 ਸੋਚੋ ਜੇ ਤੁਸੀਂ ਦੇਖੇ ਕੇਸ ਅਧਿਐਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਦੀ ਤੁਸੀਂ ਸਾਂਝ ਕਰਦੇ ਹੋ – ਕੀ ਤੁਹਾਨੂੰ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਅਜਿਹੇ ਨੈਤਿਕ ਚੁਣੌਤੀ ਦਾ ਅਨੁਭਵ ਹੋਇਆ ਜਾਂ ਪ੍ਰਭਾਵਿਤ ਹੋਏ ਹੋ? ਕੀ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਹੋਰ ਕੇਸ ਅਧਿਐਨ ਦੇ ਬਾਰੇ ਸੋਚ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਇਸ ਭਾਗ ਵਿੱਚ ਗੱਲ ਕੀਤੇ ਨੈਤਿਕ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੋਵੇ?
+
+## ਅਮਲ ਸ਼ੁਦਾ ਨੈਤਿਕਤਾ
+
+ਅਸੀਂ ਨੈਤਿਕਤਾ ਦੇ ਸਿਧਾਂਤਾਂ, ਚੁਣੌਤੀਆਂ ਅਤੇ ਕੇਸ ਅਧਿਐਨਾਂ ਬਾਰੇ ਗੱਲ ਕੀਤੀ ਹੈ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ। ਪਰ ਅਸੀਂ ਕਿਵੇਂ ਸ਼ੁਰੂ ਕਰੀਏ _ਅਮਲ_ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਅਭਿਆਸਾਂ ਨੂੰ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ? ਅਤੇ ਕਿਵੇਂ ਅਸੀਂ ਇਹ ਅਭਿਆਸ _ਸੰਚਾਲਿਤ_ ਕਰੀਏ ਵਧੀਆ ਸ਼ਾਸਨ ਲਈ? ਆਓ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਕੁਝ ਹੱਲ ਖੋਜੀਏ:
### 1. ਪੇਸ਼ੇਵਰ ਕੋਡ
-ਪੇਸ਼ੇਵਰ ਕੋਡ ਸੰਗਠਨਾਂ ਨੂੰ ਆਪਣੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮੈਂਬਰਾਂ ਨੂੰ "ਪ੍ਰੇਰਿਤ" ਕਰਨ ਦਾ ਇੱਕ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਿਹਾਰ ਲਈ _ਨੈਤਿਕ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼_ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਸੰਗਠਨ ਦੇ ਸਿਧਾਂਤਾਂ ਨਾਲ ਸੰਗਤਿ ਵਾਲੇ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਇਹ ਸਿਰਫ ਮੈਂਬਰਾਂ ਤੋਂ 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।
+ਪੇਸ਼ੇਵਰ ਕੋਡ ਇੱਕ ਵਿਕਲਪ ਦਿੰਦਾ ਹੈ ਸੰਗਠਨਾਂ ਲਈ ਆਪਣੇ ਮੈਂਬਰਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਅਤੇ ਮਿਸ਼ਨ ਸਟੇਟਮੈਂਟ ਨੂੰ ਸਮਰਥਨ ਕਰਨ ਲਈ "ਪ੍ਰੋਤਸਾਹਿਤ" ਕਰਨ ਦਾ। ਕੋਡ ਪੇਸ਼ੇਵਰ ਵਤੀਕਰੀਆਂ ਲਈ _ਨੈਤਿਕ ਮਾਰਗਦਰਸ਼ਕ_ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਰਮਚਾਰੀਆਂ ਜਾਂ ਮੈਂਬਰਾਂ ਨੂੰ ਫੈਸਲੇ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੇ ਸੰਗਠਨ ਦੇ ਸਿਧਾਂਤਾਂ ਨਾਲ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ। ਇਹ ਸਿਰਫ਼ ਮੈਂਬਰਾਂ ਦੀ ਸਵੈਛਿਕ ਪਾਲਣਾ ਦੇ ਅਨੁਸਾਰ ਚੰਗੇ ਹੁੰਦੇ ਹਨ; ਹਾਲਾਂਕਿ ਕਈ ਸੰਗਠਨ ਪਾਲਣਾ ਲਈ ਵਾਧੂ ਇਨਾਮ ਅਤੇ ਸਜ਼ਾਵਾਂ ਦਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
+
+ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+
+ * [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) ਕੋਡ ਆਫ਼ ਏਥਿਕਸ
+ * [Data Science Association](http://datascienceassn.org/code-of-conduct.html) ਕੋਡ ਆਫ਼ ਕਂਡਕਟ (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 ਡੇਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਨਾਲ ਜੁੜੇ ਹੋ? ਉਨ੍ਹਾਂ ਦੀ ਸਾਈਟ ਨੂੰ ਵੇਖੋ ਕਿ ਕੀ ਉਹਨਾਂ ਕੋਡ ਆਫ਼ ਏਥਿਕਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ। ਇਹ ਉਨ੍ਹਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਦੱਸਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਨੂੰ ਫਾਲੋ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੋਤਸਾਹਿਤ" ਕਰ ਰਹੇ ਹਨ?
-ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+### 2. ਨੈਤਿਕ ਚੈੱਕਲਿਸਟ
-* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ
-* [ਡੇਟਾ ਸਾਇੰਸ ਐਸੋਸੀਏਸ਼ਨ](http://datascienceassn.org/code-of-conduct.html) ਕੋਡ ਆਫ ਕੰਡਕਟ (2013 ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ)
-* [ACM ਕੋਡ ਆਫ ਐਥਿਕਸ ਐਂਡ ਪ੍ਰੋਫੈਸ਼ਨਲ ਕੰਡਕਟ](https://www.acm.org/code-of-ethics) (1993 ਤੋਂ)
+ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਅਭਿਆਸੀਆਂ ਤੋਂ ਲੋੜੀਂਦਾ _ਨੈਤਿਕ ਵਿਹਾਰ_ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀਂ [ਪਛਾਣਤੀਆ ਸੀਮਾਵਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਹੁੰਦੀ ਹੈ ਵਿਸ਼ਾਲ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਵਿੱਚ। ਇਸ ਦੀ ਥਾਂ ਕਈ ਡੇਟਾ ਸਾਇੰਸ ਵਿਸ਼ੇਸ਼ਜ્ઞાન [ਚੈੱਕਲਿਸਟਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਦੀ ਸਿਫਾਰਿਸ਼ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ **ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਭਿਆਸਾਂ ਨਾਲ ਜੋੜ ਸਕਦੀਆਂ ਹਨ** ਜ਼ਿਆਦਾ ਪ੍ਰਮਾਣਿਕ ਅਤੇ ਕਾਰਗਰ ਤਰੀਕਿਆਂ ਨਾਲ।
-> 🚨 ਕੀ ਤੁਸੀਂ ਕਿਸੇ ਪੇਸ਼ੇਵਰ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਂ ਡੇਟਾ ਸਾਇੰਸ ਸੰਗਠਨ ਦੇ ਮੈਂਬਰ ਹੋ? ਉਹਨਾਂ ਦੀ ਸਾਈਟ ਦੀ ਪੜਤਾਲ ਕਰੋ ਕਿ ਕੀ ਉਹ ਪੇਸ਼ੇਵਰ ਨੈਤਿਕਤਾ ਦਾ ਕੋਡ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇਹ ਉਹਨਾਂ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਉਹ ਮੈਂਬਰਾਂ ਨੂੰ ਕੋਡ ਦੀ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕਿਵੇਂ "ਪ੍ਰੇਰਿਤ" ਕਰ ਰਹੇ ਹਨ?
+ਚੈੱਕਲਿਸਟ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ / ਨਾ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲਦੀਆਂ ਹਨ, ਜੋ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹਨਾਂ ਨੂੰ ਸਟੈਂਡਰਡ ਪ੍ਰੋਡੱਕਟ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦਾ ਹਿੱਸਾ ਵਜੋਂ ਟ੍ਰੈਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
-### 2. ਨੈਤਿਕਤਾ ਚੈਕਲਿਸਟਾਂ
+ਉਦਾਹਰਨਾਂ ਹਨ:
+ * [Deon](https://deon.drivendata.org/) - ਇੱਕ ਜਨਰਲ ਉਦੇਸ਼ ਡੇਟਾ ਨੈਤਿਕਤਾ ਚੈੱਕਲਿਸਟ ਜੋ [ਉਦਯੋਗ ਸਿਫਾਰਸ਼ਾਂ](https://deon.drivendata.org/#checklist-citations) ਤੋਂ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਕਮਾਂਡ-ਲਾਈਨ ਟੂਲ ਆਸਾਨੇ ਨਾਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ।
+ * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - ਕਾਨੂੰਨੀ ਅਤੇ ਸਮਾਜਿਕ ਖਤਰਿਆਂ ਦੇ ਪਰਿਪੇਖ ਵਿੱਚ ਜਾਣਕਾਰੀ ਸੰਭਾਲ ਅਭਿਆਸਾਂ ਲਈ ਸਧਾਰਣ ਮਾਰਗਦਰਸ਼ਨ ਦਿੰਦਾ ਹੈ।
+ * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI ਅਭਿਆਸੀਆਂ ਵੱਲੋਂ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ AI ਦੇ ਵਿਕਾਸ ਚੱਕਰ ਵਿੱਚ ਨੈਤਕੀ ਜਾਂਚਾਂ ਦੇ ਅਪੀਡਲਾਪਣ ਤੇ ਐਨਿਮੇਸ਼ਨ ਲਈ ਸਹਾਇਕ ਹੈ।
+ * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ਵੱਧ ਖੁੱਲ੍ਹਾ ਫਰਮਾਦਾ, ਜੋ ਡਿਜ਼ਾਈਨ, ਲਾਗੂ ਕਰਨ ਅਤੇ ਸੰਗਠਨਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨੈਤਿਕ ਮੁੱਦਿਆਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਪੜਚੋਲ ਲਈ ਸੰਰਚਨਾ ਕਰਦਾ ਹੈ।
-ਜਦੋਂ ਕਿ ਪੇਸ਼ੇਵਰ ਕੋਡ ਅਭਿਆਸਕਰਤਾਵਾਂ ਤੋਂ ਲੋੜੀਂਦੇ _ਨੈਤਿਕ ਵਿਹਾਰ_ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਉਹ enforcement ਵਿੱਚ [ਜਾਣੇ-ਪਛਾਣੇ ਸੀਮਾਵਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਰੱਖਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਵੱਡੇ-ਪੱਧਰ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ। ਇਸ ਦੇ ਬਦਲੇ, ਕਈ ਡੇਟਾ ਸਾਇੰਸ ਮਾਹਿਰ [ਚੈਕਲਿਸਟਾਂ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਨ, ਜੋ **ਸਿਧਾਂਤਾਂ ਨੂੰ ਅਭਿਆਸਾਂ ਨਾਲ** ਜ਼ਿਆਦਾ ਨਿਰਧਾਰਤ ਅਤੇ ਕਾਰਗਰ ਤਰੀਕੇ ਨਾਲ ਜੋੜ ਸਕਦੇ ਹਨ।
+### 3. ਨੈਤਿਕ ਨਿਯਮ
+
+ਨੈਤਿਕਤਾ ਸਾਂਝੇ ਮੁੱਲਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਸਹੀ ਕੰਮ _ਵਾਲੰਟੀਅਰਲੀ_ ਕਰਨ ਬਾਰੇ ਹੈ। **ਪਾਲਣਾ** ਉਹ ਹੈ ਕਿ _ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ_ ਜੇ ਕਿਤੇ ਇਸਦੀ ਪਰਿਭਾਸ਼ਾ ਹੋਵੇ। **ਸ਼ਾਸਨ** ਵਿਸ਼ਾਲ ਤੌਰ 'ਤੇ ਉਹ ਸਾਰੇ ਤਰੀਕੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਸੰਗਠਨ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਕਾਨੂੰਨਾਂ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਲਈ ਕੰਮ ਕਰਦੇ ਹਨ।
+
+ਅੱਜ, ਸੰਗਠਨਾਂ ਵਿੱਚ ਸ਼ਾਸਨ ਦੋ ਰੂਪਾਂ ਵਿੱਚ ਹੈ। ਪਹਿਲਾਂ, ਇਹ ਸਾਰੇ AI-ਸੰਬੰਧਿਤ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਨੈਤਿਕ AI ਸਿਧਾਂਤਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਅਪਣਾਉਂਣ ਦੇ ਅਭਿਆਸ ਸਥਾਪਤ ਕਰਨ ਬਾਰੇ ਹੈ। ਦੂਜਾ, ਇਹ ਸਾਰੇ ਸਰਕਾਰੀ-ਆਦੇਸ਼ੀਂਤ ਡੇਟਾ ਸੁਰੱਖਿਆ ਨਿਯਮਾਂ ਨਾਲ ਪਾਲਣਾ ਕਰਨ ਬਾਰੇ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਓਹ ਖੇਤਰ ਸ਼ਾਮਲ ਹਨ ਜਿੱਥੇ ਉਹ ਕੰਮ ਕਰਦੇ ਹਨ।
+
+ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਦੇ ਉਦਾਹਰਨ:
+
+ * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _ਕੇਂਦਰੀ ਸਰਕਾਰ_ ਵੱਲੋਂ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਇਕੱਤਰ, ਵਰਤੋਂ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ।
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - ਨਿੱਜੀ ਸਿਹਤ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।
+ * `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 ਸਾਲ ਤੋਂ ਘੱਟ ਬੱਚਿਆਂ ਦੀ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ।
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ, ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+ * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ (ਨਿੱਜੀ) ਡੇਟਾ ਉੱਤੇ ਵੱਧ _ਅਧਿਕਾਰ_ ਦਿੰਦਾ ਹੈ।
+ * `2021`, ਚੀਨ ਦਾ [ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਸੁਰੱਖਿਆ ਕਾਨੂੰਨ](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) ਹਾਲ ਹੀ ਵਿੱਚ ਪਾਸ ਹੋਇਆ, ਜੋ ਦੁਨੀਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਆਨਲਾਈਨ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ।
+
+> 🚨 ਯੂਰਪੀ ਯੂਨੀਅਨ ਵੱਲੋਂ ਪਰਿਭਾਸ਼ਿਤ GDPR (General Data Protection Regulation) ਅੱਜ ਵੀ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਨਿਯਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਕੀ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਇਹ [8 ਉਪਭੋਗਤਾ ਅਧਿਕਾਰ](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) ਨੂੰ ਵੀ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜੋ ਨਾਗਰਿਕਾਂ ਦੀ ਡਿਜੀਟਲ ਗੋਪਨੀਯਤਾ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਦੇ ਹਨ? ਜਾਂਚ ਕਰੋ ਕਿ ਇਹ ਕੀ ਹਨ, ਅਤੇ ਕਿਉਂ ਇਹ ਮੈਟਰ ਕਰਦੇ ਹਨ।
+
+### 4. ਨੈਤਿਕ ਸੰਸਕ੍ਰਿਤੀ
+
+ਧਿਆਨ ਦਿਓ ਕਿ _ਪਾਲਣਾ_ (ਕਾਨੂੰਨ ਦੇ "ਅੱਖਰ" ਨੂੰ ਮਿਲਾਉਣਾ) ਅਤੇ [ਸੰਸਥਾਗਤ ਮੁੱਦੇ](https://www.coursera.org/learn/data-science-ethics/home/week/4) (ਜਿਵੇਂ ਕਿ ਠੋਸ ਹੋਣਾ, ਜਾਣਕਾਰੀ ਦੇ ਅਸਮਾਨਤਾ, ਅਤੇ ਵੰਡਨ ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੀ ਘਾਟ) ਵਿੱਚ ਇੱਕ ਅਦ੍ਰਿਸ਼ਯ ਖਾਚਾ ਹੁੰਦਾ ਹੈ ਜੋ AI ਦੇ ਹਥਿਆਰ ਬਣਨ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ।
+
+ਦੂਜਾ ਹਿੱਸਾ [ਨੈਤਿਕ ਸੰਸਕ੍ਰਿਤੀਆਂ ਨਿਰਮਾਣ ਲਈ ਸਹਿਯੋਗੀ ਪਹੁੰਚਾਂ](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ ਜੋ ਔਰਗੇਨਾਈਜ਼ੇਸ਼ਨਾਂ ਵਿੱਚ _ਭਾਵਨਾਤਮਕ ਸੰਬੰਧ_ ਅਤੇ _ਇਕਸਾਰ ਸਾਂਝੇ ਮੁੱਲ_ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਲਈ ਸੰਗਠਨਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾ [ਸਰਕਾਰੀ ਤੌਰ ਤੇ ਡੇਟਾ ਨੈਤਿਕਤਾ ਦੀਆਂ ਸੰਸਕ੍ਰਿਤੀਆਂ](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) ਦੀ ਲੋੜ ਹੈ - ਜਿੱਥੇ _ਕੋਈ ਵੀ_ ਅੰਦਰਲੀ ਤਾਰ ਖਿੱਚ ਸਕਦਾ ਹੈ (ਮਤਲਬ ਨੈਤਿਕਤਾ ਦੇ ਮੁੱਦੇ ਸ਼ੁਰੂਆਤੀ ਰੂਪ ਵਿੱਚ ਉੱਠਾਉਣਾ) ਅਤੇ _ਨੈਤਿਕ ਮੁਲਾਂਕਣ_ (ਜਿਵੇਂ ਭਰਤੀ) ਟੀਮ ਗਠਨ ਵਿੱਚ ਐਆਈ ਪ੍ਰੋਜੈਕਟਾਂ ਲਈ ਮੁੱਖ ਮਾਪਦੰਡ ਬਣ ਸਕਦਾ ਹੈ।
+
+---
+## [ਪੋਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
-ਚੈਕਲਿਸਟਾਂ ਸਵਾਲਾਂ ਨੂੰ "ਹਾਂ/ਨਹੀਂ" ਕਾਰਜਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀਆਂ ਹਨ ਜੋ ਚਾਲੂ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਮਿਆਰੀ ਉਤਪਾਦ ਰਿਲੀਜ਼ ਵਰਕਫਲੋਜ਼ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਟ੍ਰੈਕ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।
+ਕੋਰਸ ਅਤੇ ਕਿਤਾਬਾਂ ਨਾਲ ਮੂਲ ਨੈਤਿਕਤਾ ਦੇ ਸਿਧਾਂਤਾਂ ਅਤੇ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਮਝਣ ਵਿਚ ਮਦਦ ਮਿਲਦੀ ਹੈ, ਜਦਕਿ ਕੇਸ ਅਧਿਐਨਾਂ ਅਤੇ ਟੂਲਾਂ ਨਾਲ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਸੰਦਰਭਾਂ ਵਿੱਚ ਅਮਲ ਸ਼ੁਦਾ ਨੈਤਿਕਤਾ ਦੇ ਅਭਿਆਸਾਂ ਵਿਚ ਸਹਿਯੋਗ ਮਿਲਦਾ ਹੈ। ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਕੁਝ ਸਰੋਤ ਇਹ ਹਨ।
-ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
-* [Deon](https://deon.drivendata.org/) - [ਉਦਯੋਗ ਦੀਆਂ ਸਿਫਾਰਸ਼ਾਂ](https://deon.drivendata.org/#checklist-citations) ਤੋਂ ਬਣਾਈ ਗਈ ਇੱਕ ਜਨਰਲ-ਪPurpose ਡੇਟਾ ਨੈਤਿਕਤਾ
-* [ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸ਼ੁਰੂਆਤੀਆਂ ਲਈ](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft ਵੱਲੋਂ ਨਿਆਂਪੂਰਨਤਾ 'ਤੇ ਪਾਠ।
-* [ਜਿੰਮੇਵਾਰ AI ਦੇ ਸਿਧਾਂਤ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn ਵੱਲੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਪਾਠਕ੍ਰਮ।
-* [ਨੈਤਿਕਤਾ ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason ਆਦਿ)
-* [ਡਾਟਾ ਸਾਇੰਸ ਨੈਤਿਕਤਾ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਮਿਚੀਗਨ ਯੂਨੀਵਰਸਿਟੀ ਵੱਲੋਂ ਆਨਲਾਈਨ ਕੋਰਸ।
-* [ਨੈਤਿਕਤਾ ਅਨਵਰਪਡ](https://ethicsunwrapped.utexas.edu/case-studies) - ਟੈਕਸਾਸ ਯੂਨੀਵਰਸਿਟੀ ਵੱਲੋਂ ਕੇਸ ਸਟਡੀਜ਼।
+* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft ਵੱਲੋਂ ਫ਼ੇਅਰਨੈੱਸ 'ਤੇ ਪਾਠ।
+* [ਜਿਮੇਵਾਰ ਐਆਈ ਦੇ ਮੂਢੇ ਨੀਤੀ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn ਤੋਂ ਮੁਫ਼ਤ ਸਿੱਖਣ ਦਾ ਰਸਤਾ।
+* [ਨੈਤਿਕਤਾ ਅਤੇ ਡੇਟਾ ਵਿਗਿਆਨ](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (ਐਮ. ਲੌਕਾਈਡਸ, ਐਚ. ਮੇਸਨ ਆਦਿ)
+* [ਡੇਟਾ ਵਿਗਿਆਨ ਨੈਤਿਕਤਾ](https://www.coursera.org/learn/data-science-ethics#syllabus) - ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਮਿਚੀਗਨ ਤੋਂ ਔਨਲਾਈਨ ਕੋਰਸ।
+* [ਨੈਤਿਕਤਾ ਬਿਨਾਂ ਢਿਲਾਈ ਦੇ](https://ethicsunwrapped.utexas.edu/case-studies) - ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਟੈਕਸਾਸ ਤੋਂ ਕੇਸ ਅਧਿਐਨ।
-# ਅਸਾਈਨਮੈਂਟ
+# Assignment
-[ਡਾਟਾ ਨੈਤਿਕਤਾ ਕੇਸ ਸਟਡੀ ਲਿਖੋ](assignment.md)
+[Write A Data Ethics Case Study](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 ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਣੀਕਤਾਵਾਂ 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
+
+**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।
+
\ 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
index 2d5198c3..5d7ca7cd 100644
--- a/translations/pa/1-Introduction/04-stats-and-probability/README.md
+++ b/translations/pa/1-Introduction/04-stats-and-probability/README.md
@@ -1,125 +1,178 @@
-# ਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਦਾ ਸੰਖੇਪ ਪਰੀਚਯ
+# ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਇੱਕ ਸੰਖੇਪ ਪਰਚਿਆ
-|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+| ਵੱਲੋਂ ਸਕੇਚਨੋਟ ](../../sketchnotes/04-Statistics-Probability.png)|
|:---:|
-| ਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਪ੍ਰੋਬੈਬਿਲਿਟੀ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+| ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ - _[@nitya](https://twitter.com/nitya) ਵੱਲੋਂ ਸਕੇਚਨੋਟ_ |
-ਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਥਿਊਰੀ ਗਣਿਤ ਦੇ ਦੋ ਬਹੁਤ ਹੀ ਜੁੜੇ ਹੋਏ ਖੇਤਰ ਹਨ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹਨ। ਡਾਟਾ ਨਾਲ ਬਿਨਾ ਗਣਿਤ ਦੀ ਗਹਿਰਾਈ ਵਾਲੀ ਜਾਣਕਾਰੀ ਦੇ ਕੰਮ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਪਰ ਕੁਝ ਮੂਲ ਧਾਰਨਾਵਾਂ ਜਾਣਨਾ ਫਿਰ ਵੀ ਵਧੀਆ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਇੱਕ ਛੋਟਾ ਪਰੀਚਯ ਪੇਸ਼ ਕਰਾਂਗੇ ਜੋ ਤੁਹਾਨੂੰ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।
+ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਸਿਧਾਂਤ ਗਣਿਤ ਦੇ ਦੋ ਬਹੁਤ ਹੀ ਸਬੰਧਤ ਖੇਤਰ ਹਨ ਜੋ ਡਾਟਾ ਸਾਇੰਸ ਨਾਲ ਬਹੁਤ ਮਾਇਆ ਰੱਖਦੇ ਹਨ। ਗਣਿਤ ਦੀ ਡੂੰਘੀ ਜਾਣਕਾਰੀ ਬਿਨਾਂ ਵੀ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਪਰ ਫਿਰ ਵੀ ਘੱਟੋ-ਘੱਟ ਕੁਝ ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ ਜਾਣਨਾ ਵਧੀਆ ਹੈ। ਇੱਥੇ ਅਸੀਂ ਇੱਕ ਛੋਟਾ ਪਰਚਿਆ ਦਿੰਦੇ ਹਾਂ ਜੋ ਤੁਹਾਨੂੰ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।
-[](https://youtu.be/Z5Zy85g4Yjw)
+[](https://youtu.be/Z5Zy85g4Yjw)
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/6)
-## ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਅਤੇ ਰੈਂਡਮ ਵੈਰੀਏਬਲਜ਼
+## [ਪੁਰਵ-ਲੈਕਚਰ ਕੂਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/6)
-**ਪ੍ਰੋਬੈਬਿਲਿਟੀ** 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਗਿਣਤੀ ਹੈ ਜੋ ਦੱਸਦੀ ਹੈ ਕਿ ਕੋਈ **ਘਟਨਾ** ਕਿੰਨੀ ਸੰਭਾਵਨਾ ਵਾਲੀ ਹੈ। ਇਹ ਸਾਰੇ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਸਮਾਨ ਹੋਣ ਦੀ ਸ਼ਰਤ 'ਤੇ, ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਕੁੱਲ ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਵੰਡ ਕੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜਦੋਂ ਅਸੀਂ ਪਾਸਾ ਸੁੱਟਦੇ ਹਾਂ, ਤਾਂ ਇੱਕ ਜੋੜੇ ਨੰਬਰ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ 3/6 = 0.5 ਹੈ।
+## ਸੰਭਾਵਨਾ ਅਤੇ ਬੇਤਕਦੀਰ ਚੀਜ਼ਾਂ
-ਜਦੋਂ ਅਸੀਂ ਘਟਨਾਵਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ **ਰੈਂਡਮ ਵੈਰੀਏਬਲਜ਼** ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਪਾਸਾ ਸੁੱਟਣ 'ਤੇ ਪ੍ਰਾਪਤ ਨੰਬਰ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲਾ ਰੈਂਡਮ ਵੈਰੀਏਬਲ 1 ਤੋਂ 6 ਤੱਕ ਦੇ ਮੁੱਲ ਲੈਂਦਾ ਹੈ। 1 ਤੋਂ 6 ਤੱਕ ਦੇ ਨੰਬਰਾਂ ਦਾ ਸੈਟ **ਸੈਂਪਲ ਸਪੇਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਦੇ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਮੁੱਲ ਨੂੰ ਲੈਣ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਣ ਲਈ P(X=3)=1/6।
+**ਸੰਭਾਵਨਾ** 0 ਅਤੇ 1 ਦੇ ਦਰਮਿਆਨ ਇੱਕ ਅੰਕ ਹੈ ਜੋ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੋਈ **ਘਟਨਾ** ਕਿੰਨੀ ਸੰਭਾਵਤ ਹੈ। ਇਹ ਇਕ ਪੋਜਟਿਵ ਨਤੀਜਿਆਂ ਦੀ ਗਿਣਤੀ ਦੇ ਤੌਰ ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਹੈ (ਜੋ ਘਟਨਾ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ), ਜੋ ਕੁੱਲ ਨਤੀਜਿਆਂ ਨਾਲ ਭਾਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜੇ ਸਭ ਨਤੀਜੇ ਬਰਾਬਰ ਸੰਭਾਵਤ ਹੋਣ। ਉਦਾਹਰਨ ਵਜੋਂ, ਜਦੋਂ ਅਸੀਂ ਇੱਕ ਗੋਲੀ ਫੈਂਕਦੇ ਹਾਂ, ਤਦ ਸੰਭਾਵਨਾ ਕਿ ਸਾਨੂੰ ਇੱਕ ਸਮ ਸੰਖਿਆ ਮਿਲੇਗੀ, 3/6 = 0.5 ਹੈ।
-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 ਰੇਂਜ ਜਾਂ ਅਸਲ ਨੰਬਰਾਂ ਦਾ ਪੂਰਾ ਸੈਟ ਹੁੰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਵੈਰੀਏਬਲਜ਼ ਨੂੰ **ਕੰਟਿਨਿਊਅਸ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਣ ਹੈ ਬੱਸ ਦੇ ਆਉਣ ਦਾ ਸਮਾਂ।
+ਜਦੋਂ ਅਸੀਂ ਘਟਨਾਵਾਂ ਦੀ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਅਸੀਂ **ਬੇਤਕਦੀਰ ਚੀਜ਼ਾਂ** ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਵਜੋਂ, ਬੇਤਕਦੀਰ ਚੀਜ਼ ਜੋ ਗੋਲੀ ਫੈਂਕਣ 'ਤੇ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੰਖਿਆ ਪ੍ਰਤੀਨਿਧਿਤ ਕਰਦੀ ਹੈ, ਉਹ 1 ਤੋਂ 6 ਤੱਕ ਕੀਮਤਾਂ ਲਵੇਗੀ। 1 ਤੋਂ 6 ਤੱਕ ਦੀ ਸੰਖਿਆਵਾਂ ਦਾ ਜਥਾ **ਨਮੂਨਾ ਸਪੇਸ** ਕਹਿੰਦੇ ਹਨ। ਅਸੀਂ ਕਿਸੇ ਬੇਤਕਦੀਰ ਚੀਜ਼ ਦੀ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਕੀਮਤ ਲੈਣ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਨ ਵਜੋਂ P(X=3)=1/6।
-## ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ
+ਪਿਛਲੇ ਉਦਾਹਰਨ ਵਿੱਚ ਬੇਤਕਦੀਰ ਚੀਜ਼ ਨੂੰ **ਵਿੱਛੇੜਾ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸ ਦਾ ਨਮੂਨਾ ਸਪੇਸ ਗਿਣਤੀਯੋਗ ਹੁੰਦਾ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਅਲੱਗ-ਅਲੱਗ ਕੀਮਤਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਗਿਣਤੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਕੁਝ ਮਾਮਲੇ ਹਨ ਜਿਥੇ ਨਮੂਨਾ ਸਪੇਸ ਅਸਲ ਸੰਖਿਆਵਾਂ ਦੀ ਇੱਕ ਲੜੀ ਹੋ ਜਾਂਦਾ ਹੈ, ਜਾਂ ਸਾਰੇ ਅਸਲ ਸੰਖਿਆਵਾਂ ਦਾ ਜਥਾ। ਅਜਿਹੀਆਂ ਚੀਜ਼ਾਂ ਨੂੰ **ਲਗਾਤਾਰ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਚੰਗਾ ਉਦਾਹਰਨ ਬੱਸ ਦੇ ਆਉਣ ਦਾ ਸਮਾਂ ਹੈ।
-ਡਿਸਕ੍ਰੀਟ ਰੈਂਡਮ ਵੈਰੀਏਬਲਜ਼ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਹਰ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ P(X) ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਵਰਣਨ ਕਰਨਾ ਆਸਾਨ ਹੈ। ਸੈਂਪਲ ਸਪੇਸ *S* ਦੇ ਹਰ ਮੁੱਲ *s* ਲਈ ਇਹ 0 ਤੋਂ 1 ਤੱਕ ਦੀ ਗਿਣਤੀ ਦੇਵੇਗਾ, ਇਸ ਤਰ੍ਹਾਂ ਕਿ P(X=s) ਦੇ ਸਾਰੇ ਮੁੱਲਾਂ ਦਾ ਜੋੜ 1 ਹੋਵੇਗਾ।
+## ਸੰਭਾਵਨਾ ਦਾ ਵੰਡ
-ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਡਿਸਕ੍ਰੀਟ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ **ਯੂਨੀਫਾਰਮ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ** ਹੈ, ਜਿਸ ਵਿੱਚ N ਤੱਤਾਂ ਦਾ ਸੈਂਪਲ ਸਪੇਸ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਹਰ ਇੱਕ ਲਈ 1/N ਦੀ ਸਮਾਨ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ।
+ਵਿੱਛੇੜੇ ਬੇਤਕਦੀਰ ਚੀਜ਼ਾਂ ਦੀ ਹਾਲਤ ਵਿੱਚ, ਹਰ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਇੱਕ ਫੰਕਸ਼ਨ P(X) ਨਾਲ ਵਰਨਿਤ ਕਰਨਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ। ਨਮੂਨਾ ਸਪੇਸ *S* ਵਿੱਚੋਂ ਹਰ ਕੀਮਤ *s* ਲਈ ਇਹ 0 ਤੋਂ 1 ਦਾ ਅੰਕ ਦੇਵੇਗਾ, ਐਸਾ ਕਿ ਸਾਰੇ ਘਟਨਾਵਾਂ ਲਈ P(X=s) ਦੇ ਮੁੱਲਾਂ ਦਾ ਜੋੜ 1 ਹੋਵੇ।
-ਕੰਟਿਨਿਊਅਸ ਵੈਰੀਏਬਲ ਦੇ ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੂੰ ਵਰਣਨ ਕਰਨਾ ਜ਼ਿਆਦਾ ਮੁਸ਼ਕਲ ਹੈ, ਜਿਸਦੇ ਮੁੱਲ ਕੁਝ ਇੰਟਰਵਾਲ [a,b] ਤੋਂ ਲਏ ਜਾਂਦੇ ਹਨ, ਜਾਂ ਅਸਲ ਨੰਬਰਾਂ ਦੇ ਪੂਰੇ ਸੈਟ ℝ ਤੋਂ। ਬੱਸ ਦੇ ਆਉਣ ਦੇ ਸਮੇਂ ਦੇ ਮਾਮਲੇ ਨੂੰ ਵਿਚਾਰ ਕਰੋ। ਅਸਲ ਵਿੱਚ, ਹਰ ਵਿਸ਼ੇਸ਼ ਆਉਣ ਦੇ ਸਮੇਂ *t* ਲਈ, ਬੱਸ ਦੇ ਉਸ ਸਮੇਂ 'ਤੇ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ 0 ਹੈ!
+ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਵਿੱਛੇੜਾ ਵੰਡ **ਇਕਸਾਰ ਵੰਡ** ਹੈ, ਜਿਸ ਵਿੱਚ N ਤੱਤਾਂ ਦਾ ਨਮੂਨਾ ਸਪੇਸ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਹਰ ਇੱਕ ਦਾਅਵੇ ਦੀ ਸੰਭਾਵਨਾ 1/N ਹੁੰਦੀ 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!
+ਲਗਾਤਾਰ ਬੇਤਕਦੀਰ ਚੀਜ਼ਾਂ ਲਈ, ਜਿਨ੍ਹਾਂ ਦਾ ਕੀਮਤਾਂ ਕੁਝ ਖਾਸ ਮੁਕਾਬਲੇ [a,b] ਜਾਂ ਸਾਰੇ ਅਸਲ ਸੰਖਿਆਵਾਂ ℝ ਵਿੱਚੋਂ ਹੁੰਦੀਆਂ ਹਨ, ਸੰਭਾਵਨਾ ਵੰਡ ਨੂੰ ਵਰਨਿਤ ਕਰਨਾ ਥੋੜ੍ਹਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਬੱਸ ਦੇ ਆਉਣ ਦੇ ਸਮੇਂ ਦੀ ਮਿਸਾਲ ਲਓ। ਵਾਸਤਵ ਵਿੱਚ, ਹਰ ਸਹੀ ਆਉਣ ਵਾਲੇ ਸਮੇਂ *t* ਲਈ ਬੱਸ ਦੇ ਉਸ ਸਮੇਂ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ 0 ਹੈ!
-ਅਸੀਂ ਸਿਰਫ਼ ਕਿਸੇ ਵੈਰੀਏਬਲ ਦੇ ਮੁੱਲਾਂ ਦੇ ਦਿੱਤੇ ਇੰਟਰਵਾਲ ਵਿੱਚ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ P(t1≤X2)। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੂੰ **ਪ੍ਰੋਬੈਬਿਲਿਟੀ ਡੈਂਸਿਟੀ ਫੰਕਸ਼ਨ** p(x) ਦੁਆਰਾ ਵਰਣਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕਿ
+> ਹੁਣ ਤੁਹਾਨੂੰ ਪਤਾ ਲੱਗ ਗਿਆ ਹੈ ਕਿ ਸੰਭਾਵਨਾ 0 ਵਾਲੀਆਂ ਘਟਨਾਵਾਂ ਵੀ ਹੁੰਦੀਆਂ ਹਨ, ਅਤੇ ਬਹੁਤ ਵਾਰ! ਘੱਟੋ-ਘੱਟ ਹਰ ਵਾਰੀ ਜਦੋਂ ਬੱਸ ਆਉਂਦੀ ਹੈ!
-
-ਇੱਥੇ ਅਸੀਂ **ਇੰਟਰ-ਕਵਾਰਟਾਈਲ ਰੇਂਜ** IQR=Q3-Q1 ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ **ਆਊਟਲਾਇਰਜ਼** - ਮੁੱਲ ਜੋ ਸੀਮਾਵਾਂ [Q1-1.5*IQR,Q3+1.5*IQR] ਤੋਂ ਬਾਹਰ ਪੈਂਦੇ ਹਨ।
+ਇੱਥੇ ਅਸੀਂ **ਇੰਟਰ-ਕ੍ਵਾਰਟਾਈਲ ਰੇਂਜ** IQR=Q3-Q1 ਅਤੇ ਤਦਕਾਲੀ ਮੁੱਲਾਂ - ਉਹ ਮੁੱਲ ਜੋ ਸਮੂਹ ਤੋਂ ਬਾਹਰ ਪੈਂਦੇ ਹਨ [Q1-1.5*IQR,Q3+1.5*IQR] ਦੀ ਵੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ।
+
+ਸਮਭਵ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਹੋਣ ਵਾਲੀ ਹਾਲਤ ਜਿੱਥੇ ਸੰਭਾਵਿਤ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਘੱਟ ਹੋਵੇ, ਇੱਕ ਚੰਗਾ "ਆਮ" ਮੁੱਲ ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿੱਖਾਈ ਦੇ, ਜਿਸਨੂੰ **ਮੋਡ** ਕਹਿੰਦੇ ਹਨ। ਇਹੰ ਆਮ ਤੌਰ 'ਤੇ ਵਰਗੀਕਰਣ ਵਾਲੇ ਡਾਟਾ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੰਗ। ਸੋਚੋ ਸਾਨੂੰ ਦੋ ਗਰੁੱਪ ਹਨ - ਕੁਝ ਜੋ ਲਾਲ ਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ ਅਤੇ ਕੁਝ ਜੋ ਨੀਲਾ ਪਸੰਦ ਕਰਦੇ ਹਨ। ਜੇ ਅਸੀਂ ਰੰਗਾਂ ਨੂੰ ਨੰਬਰਾਂ ਨਾਲ ਦਰਸਾਈਏ, ਤਾਂ ਪਸੰਦੀਦਾ ਰੰਗ ਦਾ ਔਸਤ ਕਿਤੇ ਸੰਤਰੀ-ਹਰਾ ਵਿਚਕਾਰ ਆਵੇਗਾ ਜੋ ਕਿਸੇ ਵੀ ਗਰੁੱਪ ਦੀ ਅਸਲੀ ਪਸੰਦ ਨਹੀਂ ਦਰਸਾਂਦਾ। ਪਰ ਮੋਡ ਇੱਕ ਜਾਂ ਦੋਹਾਂ ਰੰਗਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੋਵੇਗਾ, ਜੇ ਦੋਵੇਂ ਲਈ ਵੋਟਰ ਦੀ ਗਿਣਤੀ ਬਰਾਬਰ ਹੋਵੇ (ਇਸ ਹਾਲਤ ਨੂੰ ਅਸੀਂ **ਮਲਟੀਮੋਡਲ** ਕਹਿੰਦੇ ਹਾਂ)।
+
+## ਅਸਲ ਦੁਨੀਆ ਦਾ ਡਾਟਾ
+
+ਜਦੋਂ ਅਸੀਂ ਅਸਲ ਦੁਨੀਆ ਤੋਂ ਡਾਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਉਹ ਅਕਸਰ ਬੇਤਕਦੀਰ ਚੀਜ਼ਾਂ ਨਹੀਂ ਹੁੰਦੀਆਂ, ਇਸ ਮਤਲਬ ਵਿੱਚ ਕਿ ਅਸੀਂ ਅਣਜਾਣ ਨਤੀਜੇ ਵਾਲੇ ਪ੍ਰਯੋਗ ਨਹੀਂ ਕਰ ਰਹੇ। ਉਦਾਹਰਨ ਵਜੋਂ, ਇੱਕ ਬੇਸਬਾਲ ਟੀਮ ਦੇ ਬਾੜੀ ਦੇ ਡਾਟਾ ਨੂੰ ਲਓ, ਜਿਵੇਂ ਉਚਾਈ, ਵਜ਼ਨ ਅਤੇ ਉਮਰ। ਇਹ ਸੰਖਿਆਵਾਂ ਠੀਕ-ਠੀਕ ਬੇਤਕਦੀਰ ਨਹੀਂ ਹਨ, ਪਰ ਅਸੀਂ ਫਿਰ ਵੀ ਉਹੀ ਗਣਿਤੀ ਧਾਰਨਾਵਾਂ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਨ ਵਜੋਂ, ਲੋਕਾਂ ਦੇ ਵਜ਼ਨਾਂ ਦੀ ਲੜੀ ਇੱਕ ਜਿਹੀ ਬੇਤਕਦੀਰ ਚੀਜ਼ ਤੋਂ ਖਿੱਚੀ ਗਈ ਕੀਮਤਾਂ ਦਾ ਜਮਾਂ ਹੋ ਸਕਦੀ ਹੈ। ਹੇਠਾਂ [ਮੈਜਰ ਲੀਗ ਬੇਸਬਾਲ](http://mlb.mlb.com/index.jsp) ਦੇ ਅਸਲ ਖਿਡਾਰੀਆਂ ਤੋਂ ਪ੍ਰਾਪਤ ਵਜ਼ਨਾਂ ਦੀ ਲੜੀ ਦਿੱਤੀ ਗਈ ਹੈ, ਜੋ ਕਿ [ਇਸ ਡਾਟਾਸੈਟ](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) ਵਿੱਚੋਂ ਲਈ ਗਈ ਹੈ (ਸੁਵਿਧਾ ਲਈ ਸਿਰਫ ਪਹਿਲੇ 20 ਮੁੱਲ ਦਿਖਾਏ ਗਏ ਹਨ):
+
+```
+[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]
+```
+
+> **ਟਿੱਪਣੀ**: ਇਸ ਡਾਟਾਸੈਟ ਨਾਲ ਕੰਮ ਕਰਨ ਦਾ ਉਦਾਹਰਨ ਵੇਖਣ ਲਈ [ਸਾਥ ਹੀ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵੇਖੋ। ਇਸ ਪਾਠ ਵਿੱਚ ਕਈ ਚੁਣੌਤੀਆਂ ਹਨ, ਜਿਹਨਾਂ ਨੂੰ ਤੁਸੀਂ ਕੋਡ ਜੁੜ ਕੇ ਪੂਰਾ ਕਰ ਸਕਦੇ ਹੋ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਡਾਟਾ 'ਤੇ ਕੰਮ ਕਰਨ ਦੀ ਸਮਝ ਨਹੀਂ, ਤਾਂ ਚਿੰਤਾ ਨਾ ਕਰੋ - ਅਸੀਂ ਬਾਅਦ ਵਿੱਚ Python ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਆਵਾਂਗੇ। ਜੇ ਤੁਸੀਂ ਜੂਪਾਇਟਰ ਨੋਟਬੁੱਕ ਵਿੱਚ ਕੋਡ ਚਲਾਉਣਾ ਨਹੀਂ ਜਾਣਦੇ, ਤਦ [ਇਸ ਲੇਖ](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ਨੂੰ ਵੇਖੋ।
+
+ਇੱਥੇ ਨਮੂਨਾ, ਮੀਡਿਅਨ ਅਤੇ ਕ੍ਵਾਰਟਾਈਲ ਲਈ ਡਾਟਾ ਦਾ ਬਾਕਸ ਪਲਾਟ ਦਿੱਤਾ ਗਿਆ ਹੈ:
+
+
+
+ਕਿਉਂਕਿ ਸਾਡੇ ਡਾਟਾ ਵਿੱਚ ਸੋਖਿਆਂ ਦੇ ਵੱਖਰੇ **ਰੋਲਾਂ** ਦੀ ਜਾਣਕਾਰੀ ਹੈ, ਅਸੀਂ ਬਾਕਸ ਪਲਾਟ ਵਿੱਚ ਰੋਲ ਅਨੁਸਾਰ ਵੀ ਪੜਤਾਲ ਕਰ ਸਕਦੇ ਹਾਂ - ਜੋ ਸਾਨੂੰ ਸੂਚਨਾ ਦੇਵੇਗਾ ਕਿ ਵੱਖ-ਵੱਖ ਰੋਲਾਂ ਵਿੱਚ ਪੈਮਾਨੇ ਕਿਵੇਂ ਵੱਖਰੇ ਹਨ। ਇਸ ਵਾਰੀ ਅਸੀਂ ਉਚਾਈ ਨੂੰ ਵੇਖਾਂਗੇ:
+
+
+
+ਇਹ ਚਿੱਤਰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪਹਿਲੇ ਬੇਸਮੈਨ ਦੀ ਉਚਾਈ ਆਮ ਤੌਰ 'ਤੇ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਵੱਧ ਹੁੰਦੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਸਿੱਖਾਂਗੇ ਕਿ ਅਸੀਂ ਇਸ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਸਾਬਤ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਸਾਡਾ ਡਾਟਾ ਅੰਕੜਿਆਂ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ।
+
+> ਅਸਲ ਦੁਨੀਆ ਦੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ, ਅਸੀਂ ਮਨ ਲੈਂਦੇ ਹਾਂ ਕਿ ਸਾਰੇ ਡਾਟਾ ਪੁਆਇੰਟ ਕਿਸੇ ਸੰਭਾਵਨਾ ਵੰਡ ਤੋਂ ਖਿੱਚਿਆ ਗਿਆ ਹੈ। ਇਸ ਧਾਰਨਾ ਨਾਲ ਅਸੀਂ ਮਸ਼ੀਨ ਲਰਣਿੰਗ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕਾਮਯਾਬ ਪੂਰਵਾਨੁਮਾਨ ਮਾਡਲ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ।
+
+ਸਾਡੇ ਡਾਟੇ ਦੀ ਵੰਡ ਦੇਖਣ ਲਈ ਅਸੀਂ ਇੱਕ ਚਿੱਤਰ ਜੋ ਕਿ **ਹਿਸਟੋਗ੍ਰਾਮ** ਕਹਿੰਦੇ ਹਨ, ਬਣਾ ਸਕਦੇ ਹਾਂ। X-ਅਕਸ਼ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਜ਼ਨ ਇੰਟਰਵਲ (ਜਿਨ੍ਹਾਂ ਨੂੰ **ਬਿਨਸ** ਕਹਿੰਦੇ ਹਨ) ਅਤੇ ਲੰਬਕ ਅਕਸ਼ ਵਿੱਚ ਭਿੰਨ-ਭਿੰਨ ਵਜ਼ਨਾਂ ਦੇ ਨਮੂਨੇ ਦੀ ਗਿਣਤੀ ਹੋਵੇਗੀ।
+
+
+
+ਇਸ ਹਿਸਟੋਗ੍ਰਾਮ ਤੋਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਸਾਰੇ ਮੁੱਲ ਇੱਕ ਨਿਰਧਾਰਤ ਔਸਤ ਵਜ਼ਨ ਦੇ ਆਲੇ ਦੁਆਲੇ ਸੈਟ ਹਨ, ਅਤੇ ਜਿੱਥੇ ਤੋਂ ਅਸੀਂ ਔਸਤ ਤੋਂ ਦੂਰ ਜਾਂਦੇ ਹਾਂ - ਵੱਧ ਭਿੰਨ-ਭਿੰਨ ਵਜ਼ਨਾਂ ਦੀ ਸੰਖਿਆ ਘਟਦੀ ਜਾਂਦੀ ਹੈ। ਯਾਨੀ ਕਿ ਬੇਸਬਾਲ ਖਿਡਾਰੀ ਦਾ ਵਜ਼ਨ ਔਸਤ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਘੱਟ ਹੈ। ਵਜ਼ਨਾਂ ਦੀ ਵਾਰੀਅੰਸ ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਵਜ਼ਨ ਔਸਤ ਤੋਂ ਕਿੰਨੇ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।
+
+> ਜੇ ਅਸੀਂ ਹੋਰ ਲੋਕਾਂ ਦੇ ਵਜ਼ਨ ਲਵਾਂ, ਜੋ ਬੇਸਬਾਲ ਲੀਗ ਤੋਂ ਨਹੀਂ ਹਨ, ਵੰਡ ਵੱਖਰੀ ਹੋਵੇਗੀ। ਪਰ ਵੰਡ ਦਾ ਆਕਾਰ ਓਹੋ ਜਿਹਾ ਹੀ ਰਹੇਗਾ, ਸਿਰਫ਼ ਔਸਤ ਅਤੇ ਵਾਰੀਅੰਸ ਬਦਲਣਗੇ। ਇਸ ਲਈ, ਜੇ ਅਸੀਂ ਆਪਣਾ ਮਾਡਲ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ 'ਤੇ ਟ੍ਰੇਨ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਇਹ ਯੂਨੀਵਰਸਿਟੀ ਵਿਦਿਆਰਥੀਆਂ 'ਤੇ ਗਲਤ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਮੂਲ ਵੰਡ ਵੱਖਰੀ ਹੈ।
+
+## ਸਧਾਰਣ ਵੰਡ
+
+ਉੱਪਰ ਵੇਖੀ ਗਈ ਵਜ਼ਨਾਂ ਦੀ ਵੰਡ ਬਹੁਤ ਹੀ ਆਮ ਹੈ, ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਦੇ ਕਈ ਅੰਕੜੇ ਇੱਕੋ ਕਿਸਮ ਦੀ ਵੰਡ ਦਾ ਪਾਲਣ ਕਰਦੇ ਹਨ, ਪਰ ਵੱਖਰੇ ਔਸਤ ਅਤੇ ਵਾਰੀਅੰਸ ਨਾਲ। ਇਸ ਵੰਡ ਨੂੰ **ਸਧਾਰਣ ਵੰਡ** ਕਹਿੰਦੇ ਹਨ, ਜੋ ਅੰਕੜੇ ਵਿਚ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ।
+
+ਸਧਾਰਣ ਵੰਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਸੀਂ ਸੰਭਾਵਿਤ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਵਜ਼ਨਾਂ ਨੂੰ ਯਥਾਰਥ ਤਰੀਕੇ ਨਾਲ ਬਣਾਉਂ ਸਕਦੇ ਹਾਂ। ਜਦੋਂ ਅਸੀਂ ਔਸਤ `mean` ਅਤੇ ਮਿਆਰੀ ਵਿਭਿੰਨਤਾ `std` ਜਾਣ ਲੈਂਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਨਾਲ 1000 ਵਜ਼ਨ ਦੇ ਨਮੂਨੇ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+samples = np.random.normal(mean,std,1000)
+```
+
+ਜੇ ਅਸੀਂ ਬਣਾਏ ਗਏ ਨਮੂਨਿਆਂ ਦੀ ਹਿਸਟੋਗ੍ਰਾਮ ਬਣਾਈਏ ਤਾਂ ਸਾਡੀ ਤਸਵੀਰ ਉੱਪਰ ਦਿੱਤੀ ਤਸਵੀਰ ਵਾਂਗ ਬਹੁਤ ਮਿਲਦੀ-ਜੁਲਦੀ ਹੋਵੇਗੀ। ਤੇ ਜੇ ਅਸੀਂ ਨਮੂਨਿਆਂ ਅਤੇ ਬਿਨਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਈਏ ਤਾਂ ਅਸੀਂ ਇੱਕ ਆਦਰਸ਼ ਸਧਾਰਣ ਵੰਡ ਦੀ ਤਸਵੀਰ ਦੇਖ ਸਕਾਂਗੇ:
+
+
-ਜਦੋਂ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਵਿੱਚ ਕੁਝ ਸੰਭਾਵਤ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਘੱਟ ਹੁੰਦੀ ਹੈ, ਇੱਕ ਵਧੀਆ "ਟਿਪਿਕਲ" ਮੁੱਲ ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਆਉਂਦਾ ਹੈ, ਜਿਸਨੂੰ **ਮੋਡ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਸ਼੍ਰੇਣੀਬੱਧ ਡਾਟਾ, ਜਿਵੇਂ ਰੰਗਾਂ, 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ। ਮੰਨੋ ਇੱਕ ਸਥਿਤੀ ਜਿੱਥੇ ਸਾਡੇ ਕੋਲ ਦੋ ਲੋਕਾਂ ਦੇ ਸਮੂਹ ਹਨ - ਕੁਝ ਜੋ ਲਾਲ ਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਅਤੇ ਹੋਰ ਜੋ ਨੀਲੇ ਨੂੰ ਪਸੰਦ ਕਰਦੇ ਹਨ। ਜੇਕਰ ਅਸੀਂ ਰੰਗਾਂ ਨੂੰ ਨੰਬਰਾਂ ਦੁਆਰਾ ਕੋਡ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਪਸੰਦੀਦਾ ਰੰਗ ਲਈ ਮੀਨ ਮੁੱਲ ਕਿਤੇ 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, ਜੇਕਰ ਉਨ੍ਹਾਂ ਲਈ ਵੋਟ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਦੀ ਗਿਣਤੀ ਬਰਾਬਰ ਹੋਵੇ (ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਸੈਂਪਲ ਨੂੰ **ਮਲਟੀਮੋਡਲ** ਕਹਿੰਦੇ ਹਾਂ)।
+*ਓਸਤ=0 ਅਤੇ ਮਿਆਰੀ ਵਿਭਿੰਨਤਾ=1 ਵਾਲੀ ਸਧਾਰਣ ਵੰਡ*
-1, ..., Xn ਸਾਡੇ ਵੰਡ ਤੋਂ। ਹਰ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਸਾਡੇ ਵੰਡ ਤੋਂ ਨਮੂਨਾ ਖਿੱਚਦੇ ਹਾਂ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਔਸਤ ਮੁੱਲ μ ਨਾਲ ਖਤਮ ਕਰਦੇ ਹਾਂ। ਇਸ ਤਰ੍ਹਾਂ μ ਨੂੰ ਇੱਕ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਕ **ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ** ਭਰੋਸੇ p ਦੇ ਨਾਲ ਇੱਕ ਜੋੜੇ ਮੁੱਲਾਂ (Lp,Rp) ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ **P**(Lp≤μ≤Rp) = p, ਅਰਥਾਤ ਮਾਪੇ ਗਏ ਔਸਤ ਮੁੱਲ ਦੇ ਅੰਤਰਾਲ ਵਿੱਚ ਆਉਣ ਦੀ ਸੰਭਾਵਨਾ p ਦੇ ਬਰਾਬਰ ਹੁੰਦੀ ਹੈ।
+## ਵਿਸ਼ਵਾਸ ਦੀਆਂ ਸੀਮਾਵਾਂ
-ਇਹ ਸਾਡੇ ਛੋਟੇ ਜਾਨ-ਪਛਾਣ ਤੋਂ ਪਰੇ ਜਾਂਦਾ ਹੈ ਕਿ ਇਹ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਕਿਵੇਂ ਗਣਨਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਕੁਝ ਹੋਰ ਵੇਰਵੇ [ਵਿਕੀਪੀਡੀਆ](https://en.wikipedia.org/wiki/Confidence_interval) 'ਤੇ ਮਿਲ ਸਕਦੇ ਹਨ। ਸੰਖੇਪ ਵਿੱਚ, ਅਸੀਂ ਅਸਲੀ ਵੰਡ ਦੇ ਔਸਤ ਦੇ ਸਬੰਧ ਵਿੱਚ ਗਣਨਾ ਕੀਤੇ ਗਏ ਨਮੂਨਾ ਔਸਤ ਦੀ ਵੰਡ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ, ਜਿਸ ਨੂੰ **ਸਟੂਡੈਂਟ ਵੰਡ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+ਜਦੋਂ ਅਸੀਂ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਵਜ਼ਨਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ ਇੱਕ ਖਾਸ **ਬੇਤਕਦੀਰ ਚੀਜ਼ W** ਹੈ ਜੋ ਸਾਰੇ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੀ ਵਜ਼ਨਾਂ ਦੀ ਆਦਰਸ਼ ਸੰਭਾਵਨਾ ਵੰਡ ਦਾ ਦਰਸਾਉਂਦਾ ਹੈ (ਜਿਸਨੂੰ **ਅਬਾਦੀ** ਕਹਿੰਦੇ ਹਨ)। ਸਾਡਾ ਸੈਂਪਲ ਸਾਰੇ ਖਿਡਾਰੀਆਂ ਦਾ ਇਕ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਅਸੀਂ **ਨਮੂਨਾ** ਕਹਿੰਦੇ ਹਾਂ। ਇੱਕ ਦਿਲਚਸਪ ਸਵਾਲ ਇਹ ਹੈ ਕਿ ਕੀ ਅਸੀਂ W ਦੇ ਵੰਡ ਦੇ ਪੈਰਾਮੀਟਰਾਂ, ਜਿਵੇਂ ਕਿ ਔਸਤ ਅਤੇ ਵਾਰੀਅੰਸ, ਬਾਰੇ ਜਾਣ ਸਕਦੇ ਹਾਂ?
-> **ਦਿਲਚਸਪ ਤੱਥ**: ਸਟੂਡੈਂਟ ਵੰਡ ਦਾ ਨਾਮ ਗਣਿਤਜੀ ਵਿਲੀਅਮ ਸੀਲੀ ਗੋਸੇਟ ਦੇ ਨਾਮ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨੇ ਆਪਣਾ ਪੇਪਰ "ਸਟੂਡੈਂਟ" ਉਪਨਾਮ ਦੇ ਤਹਿਤ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ। ਉਹ ਗਿਨੀਜ਼ ਬਰੂਅਰੀ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਸੀ, ਅਤੇ, ਇੱਕ ਵਰਜਨ ਦੇ ਅਨੁਸਾਰ, ਉਸਦੇ ਨਿਯਮਕ ਨੇ ਨਹੀਂ ਚਾਹਿਆ ਕਿ ਆਮ ਜਨਤਾ ਨੂੰ ਪਤਾ ਲੱਗੇ ਕਿ ਉਹ ਕੱਚੇ ਸਮੱਗਰੀ ਦੀ ਗੁਣਵੱਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਅੰਕੜੇਕਸ਼ੀ ਪਰੀਖਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ।
+ਸਭ ਤੋਂ ਸੌਖਾ ਜਵਾਬ ਇਹ ਹੈ ਕਿ ਸਾਡੇ ਨਮੂਨੇ ਦਾ ਔਸਤ ਅਤੇ ਵਾਰੀਅੰਸ ਗਣਨਾ ਕਰ ਲਈਏ। ਪਰ ਕਈ ਵਾਰ ਸਾਡਾ ਸੈਂਪਲ ਪੂਰੀ ਅਬਾਦੀ ਦੀ ਸਹੀ ਠੋਸ ਤਸਵੀਰ ਨਹੀਂ ਦਿੰਦਾ। ਇਸ ਲਈ **ਵਿਸ਼ਵਾਸ ਸਮਾਂਤਰ** ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਵਾਜਬ ਹੁੰਦਾ ਹੈ।
-ਜੇਕਰ ਅਸੀਂ ਭਰੋਸੇ p ਦੇ ਨਾਲ ਸਾਡੇ ਵੰਡ ਦੇ ਔਸਤ μ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਸਟੂਡੈਂਟ ਵੰਡ A ਦੇ *(1-p)/2-ਵੇਂ ਪ੍ਰਤੀਸ਼ਤਕ* ਨੂੰ ਲੈਣਾ ਪਵੇਗਾ, ਜੋ ਜਾਂ ਤਾਂ ਟੇਬਲਾਂ ਤੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਅੰਕੜੇਕਸ਼ੀ ਸਾਫਟਵੇਅਰ (ਜਿਵੇਂ ਕਿ Python, R, ਆਦਿ) ਦੇ ਕੁਝ ਬਿਲਟ-ਇਨ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਫਿਰ μ ਲਈ ਅੰਤਰਾਲ X±A*D/√n ਦੇ ਰੂਪ ਵਿੱਚ ਦਿੱਤਾ ਜਾਵੇਗਾ, ਜਿੱਥੇ X ਨਮੂਨੇ ਦਾ ਪ੍ਰਾਪਤ ਔਸਤ ਹੈ, D ਮਿਆਰੀ ਵਿਸਥਾਪਨ ਹੈ।
+> **ਵਿਸ਼ਵਾਸ ਸਮਾਂਤਰ** ਸਾਡੇ ਨਮੂਨੇ ਦੇ ଆਧਾਰ ਤੇ ਅਸਲੀ ਅਬਾਦੀ ਦੇ ਠੀਕ ਔਸਤ ਦਾ ਅੰਦਾਜਾ ਹੁੰਦਾ ਹੈ, ਜੋ ਇੱਕ ਖਾਸ ਸੰਭਾਵਨਾ (ਜਿਸਨੂੰ **ਵਿਸ਼ਵਾਸ ਦਾ ਪੱਧਰ** ਕਹਿੰਦੇ ਹਨ) ਨਾਲ ਸਹੀ ਹੁੰਦਾ 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 ਵੰਡ ਦੇ ਸਬੰਧ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਧਾਰਨਾ ਨੂੰ ਗਹਿਰਾਈ ਨਾਲ ਸਮਝਣ ਲਈ ਅੰਕੜੇਕਸ਼ੀ ਵਿਸ਼ੇ 'ਤੇ ਹੋਰ ਪੂਰੇ ਪੁਸਤਕਾਂ ਨੂੰ ਪੜ੍ਹ ਸਕਦੇ ਹੋ।
+ਮੰਨ ਲਵੋ ਕਿ ਸਾਡੇ ਵੰਡ ਤੋਂ ਸੈਂਪਲ X1, ..., Xn ਖਿੱਚੇ ਗਏ ਹਨ। ਹਰ ਵਾਰੀ ਜਦੋਂ ਅਸੀਂ ਸੈਂਪਲ ਖਿੱਚਾਂਗੇ, ਸਾਨੂੰ ਵੱਖਰਾ ਔਸਤ μ ਮਿਲੇਗਾ। ਇਸ ਤਰ੍ਹਾਂ μ ਇੱਕ ਬੇਤਕਦੀਰ ਚੀਜ਼ ਮੰਨੀ ਜਾ ਸਕਦੀ ਹੈ। ਫਿਰ ਇੱਕ ਵਿਸ਼ਵਾਸ ਸਮਾਂਤਰ ਭਰੋਸਾ p ਦੇ ਨਾਲ ਉਹ ਮੁੱਲਾਂ ਦਾ ਜੋੜਾ (Lp,Rp) ਹੁੰਦਾ ਹੈ, ਜਿਸ ਲਈ **P**(Lp≤μ≤Rp) = p, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਨਾਪੀ ਗਈ ਔਸਤ ਮੁੱਲ ਦਿਤੀ ਗਈ ਸੀਮਾ ਵਿੱਚ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ p ਹੈ।
-ਭਾਰ ਅਤੇ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਦੀ ਗਣਨਾ ਦਾ ਇੱਕ ਉਦਾਹਰਨ [ਸੰਬੰਧਿਤ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+ਸਾਡੇ ਇਹਨਾਂ ਸ਼ੁਰੂਆਤੀ ਜਾਣਕਾਰੀਆਂ ਵਿੱਚ ਇਸ ਗੱਲ ਦਾ ਵਿਸਥਾਰ ਨਾਲ ਵਿਸਲੇਸ਼ਣ ਕਰਨਾ ਨਹੀਂ ਆਉਂਦਾ। ਕੁਝ ਹੋਰ ਜਾਣਕਾਰੀ ਤੁਸੀਂ [ਵਿਕੀਪੀਡੀਆ](https://en.wikipedia.org/wiki/Confidence_interval) 'ਤੇ ਲੱਭ ਸਕਦੇ ਹੋ। ਛੋਟਾ ਫਰਮਾ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਅਸਲੀ ਅਬਾਦੀ ਦੇ ਔਸਤ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਨਾਪੇ ਗਏ ਸੈਂਪਲ ਔਸਤ ਦੀ ਵੰਡ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਾਂ, ਜਿਸਨੂੰ **ਸਟੂਡੈਂਟ ਵੰਡ** ਕਹਿੰਦੇ ਹਨ।
+> **ਰੁਚਿਕਰ ਤੱਥ**: ਸਟੂਡੈਂਟ ਵੰਡ ਦਾ ਨਾਮ ਗਣਿਤਜ્ઞ ਵਿਲੀਅਮ ਸੀਲੀ ਗੋਸੇਟ ਦੇ ਨਾਮ 'ਤੇ ਰੱਖਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨੇ ਆਪਣੇ ਕਾਗਜ਼ ਨੂੰ "ਸਟੂਡੈਂਟ" ਨਾਂਵੀ ਛਦਮ ਨਾਮ ਹੇਠ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ। ਉਹ ਗਿਨੈਸ ਬਿ[ਰੂਰੀ](https://en.wikipedia.org/wiki/Brewery) ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਸੀ, ਅਤੇ ਇੱਕ ਸੰਸਕਰਨ ਮੁਤਾਬਕ, ਉਸਦਾ ਨੌਕਰਦਾਤਾ ਨਹੀਂ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਜਨਤਕ ਨੂੰ ਇਹ ਪਤਾ ਲੱਗੇ ਕਿ ਉਹ ਰੱਅ ਮਾਲ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਸਾਂਖਿਆਕੀ ਟੈਸਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ।
-| p | ਭਾਰ ਦਾ ਔਸਤ |
+ਜੇ ਅਸੀਂ ਆਪਣੀ ਅਬਾਦੀ ਦਾ ਮੀਨ μ ਕਿਸੇ ਭਰੋਸੇ ਦੇ ਪੱਧਰ p ਨਾਲ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਇੱਕ ਸਟੂਡੈਂਟ ਵੰਡ A ਦਾ *(1-p)/2ਵਾਂ ਪ੍ਰਤੀਸ਼ਤ* ਲੈਣਾ ਪਵੇਗਾ, ਜੋ ਟੇਬਲਾਂ ਤੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਾਂ ਸਾਂਖਿਆਕੀ ਸੋਫਟਵੇਅਰ ਦੇ ਕੁਝ ਬਿਲਟ-ਇਨ ਫੰਕਸ਼ਨਾਂ (ਜਿਵੇਂ Python, R, ਆਦਿ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੈਲਕੁਲੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਫਿਰ μ ਲਈ ਅੰਤਰਾਲ X±A*D/√n ਦੇ ਰੂਪ ਵਿੱਚ ਦਿੱਤਾ ਜਾਵੇਗਾ, ਜਿੱਥੇ X ਨਮੁਨੇ ਦਾ ਪ੍ਰਾਪਤ ਮੀਨ ਹੈ, ਅਤੇ D ਮਿਆਰੀ ਵਿਚਲਨ ਹੈ।
+
+> **ਨੋਟ**: ਅਸੀਂ [Degrees of freedom](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) ਦੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਧਾਰਣਾ ਦੀ ਚਰਚਾ ਵੀ ਛੱਡ ਰਹੇ ਹਾਂ, ਜੋ ਸਟੂਡੈਂਟ ਵੰਡ ਨਾਲ ਸਬੰਧਿਤ ਹੈ। ਤੁਸੀਂ ਇਸ ਧਾਰਣਾ ਨੂੰ ਵਧੇਰੇ ਗਹਿਰਾਈ ਨਾਲ ਸਮਝਣ ਲਈ ਮੁਕੰਮਲ ਸਾਂਖਿਆਕੀ ਪੁਸਤਕਾਂ ਦੀ ਸਲਾਹ ਲੈ ਸਕਦੇ ਹੋ।
+
+ਆਕਾਰਾਂ ਅਤੇ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ ਦੀ ਗਣਨਾ ਦਾ ਉਦਾਹਰਨ [ਸੰਲਗਨ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+
+| p | ਵਜ਼ਨ ਮੀਨ |
|-----|-----------|
| 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, ਉਨਾ ਚੌੜਾ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ।
+ਧਿਆਨ ਦਿਓ ਕਿ ਜਿੱਥੇ ਭਰੋਸੇਯੋਗ ਸੰਭਾਵਨਾ ਜ਼ਿਆਦਾ ਹੈ, ਉਥੇ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ ਵੱਧ ਵਿਆਪਕ ਹੁੰਦਾ ਹੈ।
-## ਧਾਰਨਾ ਪਰੀਖਣ
+## ਪਰਿਕਲਪਨਾ ਜਾਂਚ
-ਸਾਡੇ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਡਾਟਾਸੈਟ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਖਿਡਾਰੀ ਭੂਮਿਕਾਵਾਂ ਹਨ, ਜੋ ਹੇਠਾਂ ਸੰਖੇਪ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ (ਇਹ ਟੇਬਲ ਕਿਵੇਂ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਇਹ ਦੇਖਣ ਲਈ [ਸੰਬੰਧਿਤ ਨੋਟਬੁੱਕ](notebook.ipynb) 'ਤੇ ਜਾਓ):
+ਸਾਡੇ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਡੈਟਾਸੈੱਟ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਖਿਡਾਰੀ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੇਠਾਂ ਸੰਖੇਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ([ਸੰਲਗਨ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵੇਖੋ ਕਿ ਇਹ ਟੇਬਲ ਕਿਵੇਂ ਬਣਾਈ ਜਾ ਸਕਦੀ ਹੈ):
-| ਭੂਮਿਕਾ | ਉਚਾਈ | ਭਾਰ | ਗਿਣਤੀ |
+| ਭੂਮਿਕਾ | ਉਚਾਈ | ਵਜ਼ਨ | ਗਿਣਤੀ |
|------|--------|--------|-------|
| ਕੈਚਰ | 72.723684 | 204.328947 | 76 |
-| ਡਿਜ਼ਾਈਨਟਿਡ_ਹਿਟਰ | 74.222222 | 220.888889 | 18 |
-| ਫਸਟ_ਬੇਸਮੈਨ | 74.000000 | 213.109091 | 55 |
+| ਡਿਜਾਇਨਟ_Hitter | 74.222222 | 220.888889 | 18 |
+| ਫਰਸਟ_Baseman | 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 |
+| ਰੀਲੀਫ_Pitcher | 74.374603 | 203.517460 | 315 |
+| ਸੈਕੰਡ_Baseman | 71.362069 | 184.344828 | 58 |
+| ਸ਼ੋਰਟਸਟਾਪ | 71.903846 | 182.923077 | 52 |
+| ਸਟਾਰਟਿੰਗ_Pitcher | 74.719457 | 205.163636 | 221 |
+| ਥਰਡ_Baseman | 73.044444 | 200.955556 | 45 |
-ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਫਸਟ ਬੇਸਮੈਨ ਦੀ ਔਸਤ ਉਚਾਈ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀ ਔਸਤ ਉਚਾਈ ਤੋਂ ਵੱਧ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਅਸੀਂ ਇਹ ਨਿਸਚਿਤ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਹੋ ਸਕਦੇ ਹਾਂ ਕਿ **ਫਸਟ ਬੇਸਮੈਨ ਸੈਕੰਡ ਬੇਸਮੈਨ ਤੋਂ ਉੱਚੇ ਹਨ**।
+ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਪਹਿਲੇ ਬੇਸਮੈਨ ਦੀ ਉਚਾਈ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਵੱਧ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਇਹ ਨਤੀਜਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ **ਪਹਿਲੇ ਬੇਸਮੈਨ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਉੱਚੇ ਹਨ**।
-> ਇਸ ਬਿਆਨ ਨੂੰ **ਧਾਰਨਾ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਸਾਨੂੰ ਪਤਾ ਨਹੀਂ ਕਿ ਇਹ ਤੱਥ ਅਸਲ ਵਿੱਚ ਸੱਚ ਹੈ ਜਾਂ ਨਹੀਂ।
+> ਇਸ ਬਿਆਨ ਨੂੰ **ਪਰਿਕਲਪਨਾ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਸਾਡਾ ਇਸ ਗੱਲ ਦਾ ਪਤਾ ਨਹੀਂ ਕਿ ਇਹ ਤੱਥ ਸੱਚ ਹੈ ਜਾਂ ਨਹੀਂ।
-ਹਾਲਾਂਕਿ, ਇਹ ਹਮੇਸ਼ਾ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਅਸੀਂ ਇਹ ਨਿਸਚਿਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਪਰੋਕਤ ਚਰਚਾ ਤੋਂ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਹਰ ਔਸਤ ਨਾਲ ਇੱਕ ਸੰਬੰਧਿਤ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਇਹ ਅੰਤਰ ਸਿਰਫ ਅੰਕੜੇਕਸ਼ੀ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਸਾਨੂੰ ਆਪਣੀ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕੁਝ ਹੋਰ ਅਧਿਕਾਰਤ ਤਰੀਕੇ ਦੀ ਲੋੜ ਹੈ।
+ਪਰ ਇਹ ਸਦਾ ਸਪਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਅਸੀਂ ਇਹ ਨਤੀਜਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਜਾਂ ਨਹੀਂ। ਉਪਰ ਦਿੱਤੀ ਚਰਚਾ ਤੋਂ ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਪ੍ਰਤੀ ਇੱਕ ਮੀਨ ਦਾ ਇੱਕ ਸੰਬੰਧਤ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸ ਲਈ ਇਹ ਫਰਕ ਸਿਰਫ ਇੱਕ ਸਾਂਖਿਆਕੀ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਸਾਡੀ ਪਰਿਕਲਪਨਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਾਨੂੰ ਇੱਕ ਜ਼ਿਆਦਾ ਅਧਿਕਾਰਿਕ ਤਰੀਕਾ ਚਾਹੀਦਾ ਹੈ।
-ਆਓ ਫਸਟ ਅਤੇ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਮੰਦ ਅੰਤਰਾਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਗਣਨਾ ਕਰੀਏ:
+ਚਲੋ ਪਹਿਲੇ ਤੇ ਦੂਜੇ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਲਈ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ ਵੱਖ-ਵੱਖ ਗਣਨਾ ਕਰੀਏ:
-| ਭਰੋਸਾ | ਫਸਟ ਬੇਸਮੈਨ | ਸੈਕੰਡ ਬੇਸਮੈਨ |
+| ਭਰੋਸਾ | ਪਹਿਲੇ ਬੇਸਮੈਨ | ਦੂਜੇ 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 ਕੋਈ ਓਵਰਲੈਪ ਨਹੀਂ ਹੈ। ਇਹ ਸਾਡੀ ਧਾਰਨਾ ਨੂੰ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਫਸਟ ਬੇਸਮੈਨ ਸੈਕੰਡ ਬੇਸਮੈਨ ਤੋਂ ਉੱਚੇ ਹਨ।
+ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਸੇ ਵੀ ਭਰੋਸੇ ਤੇ ਇਹ ਅੰਤਰਾਲ ਬੀਚਕਾਰ ਟਕਰਾਅ ਨਹੀਂ ਹੈ। ਇਸ ਨਾਲ ਸਾਡੀ ਇਹ ਪਰਿਕਲਪਨਾ ਸਾਬਤ ਹੁੰਦੀ ਹੈ ਕਿ ਪਹਿਲੇ ਬੇਸਮੈਨ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਉੱਚੇ ਹਨ।
-ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ, ਸਾਡਾ ਸਮੱਸਿਆ ਇਹ ਦੇਖਣ ਦੀ ਹੈ ਕਿ **ਦੋ ਸੰਭਾਵਨਾ ਵੰਡ ਇੱਕੋ ਜਿਹੇ ਹਨ**, ਜਾਂ ਘੱਟੋ-ਘੱਟ ਇੱਕੋ ਜਿਹੇ ਪੈਰਾਮੀਟਰ ਹਨ। ਵੰਡ ਦੇ ਅਨੁਸਾਰ, ਸਾਨੂੰ ਇਸ ਲਈ ਵੱਖ-ਵੱਖ ਪਰੀਖਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਜੇਕਰ ਸਾਨੂੰ ਪਤਾ ਹੈ ਕਿ ਸਾਡੀਆਂ ਵੰਡਾਂ ਸਧਾਰਨ ਹਨ, ਤਾਂ ਅਸੀਂ **[ਸਟੂਡੈਂਟ ਟੀ-ਟੈਸਟ](https://en.wikipedia.org/wiki/Student%27s_t-test)** ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+ਵਧੀਕ ਰੂਪ ਨਾਲ, ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ **ਦੋ ਸੰਭਾਵਨਾ ਵੰਡ ਇੱਕੋ ਹੀ ਹਨ ਜਾਂ ਨਹੀਂ**, ਜਾਂ ਘੱਟੋ-ਘੱਟ ਉਹਨਾਂ ਦੇ ਪੈਰਾਮੀਟਰ ਇੱਕੋ ਹਨ। ਵੰਡ ਦੇ ਅਨੁਸਾਰ ਸਾਨੂੰ ਵੱਖ-ਵੱਖ ਟੈਸਟਾਂ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ। ਜੇ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਸਾਡੀਆਂ ਵੰਡਾਂ ਸਧਾਰਣ ਹਨ, ਤਾਂ ਅਸੀਂ **[Student t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)** ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ।
-ਸਟੂਡੈਂਟ ਟੀ-ਟੈਸਟ ਵਿੱਚ, ਅਸੀਂ **ਟੀ-ਮੁੱਲ** ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਜੋ ਔਸਤਾਂ ਦੇ ਅੰਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਵਿਸਥਾਪਨ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। ਇਹ ਸਾਬਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਟੀ-ਮੁੱਲ **ਸਟੂਡੈਂਟ ਵੰਡ** ਦੀ ਪਾਲਨਾ ਕਰਦਾ ਹੈ, ਜੋ ਸਾਨੂੰ ਦਿੱਤੇ ਗਏ ਭਰੋਸੇ ਦੇ ਪੱਧਰ **p** ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ (ਇਹ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਾਂ ਅੰਕੜੇਕਸ਼ੀ ਟੇਬਲਾਂ ਵਿੱਚ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ)। ਫਿਰ ਅਸੀਂ ਟੀ-ਮੁੱਲ ਨੂੰ ਇਸ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ ਤਾਂ ਕਿ ਧਾਰਨਾ ਨੂੰ ਮਨਜ਼ੂਰ ਜਾਂ ਰੱਦ ਕੀਤਾ ਜਾ ਸਕੇ।
+Student t-test ਵਿੱਚ ਅਸੀਂ ਤਰ੍ਹਾਂ "t-ਮੁੱਲ" ਉਤਪੰਨ ਕਰਦੇ ਹਾਂ, ਜੋ ਮੀਨਾਂ ਵਿਚਕਾਰ ਫਰਕ ਨੂੰ ਵੈਰੀਅੰਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਦਰਸਾਇਆ ਗਿਆ ਹੈ ਕਿ t-ਮੁੱਲ **ਸਟੂਡੈਂਟ ਵੰਡ** ਦੇ ਅਨੁਸਾਰ ਹੁੰਦਾ ਹੈ, ਜੋ ਸਾਨੂੰ ਦਿੱਤੇ ਭਰੋਸੇਯੋਗ ਪੱਧਰ p ਲਈ ਸੀਮਾ ਮੁੱਲ ਲੱਭਣ ਦੇ ਯੋਗ ਬਣਦਾ ਹੈ (ਇਹ ਕੈਲਕੁਲੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਾਂ ਗਣਿਤੀ ਟੇਬਲਾਂ ਵਿੱਚ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ)। ਫਿਰ ਅਸੀਂ t-ਮੁੱਲ ਨੂੰ ਇਸ ਸੀਮਾ ਦੇ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹਾਂ ताकि ਪਰਿਕਲਪਨਾ ਨੂੰ ਮਨਜ਼ੂਰ ਜਾਂ ਖਾਰਜ ਕੀਤਾ ਜਾ ਸਕੇ।
-Python ਵਿੱਚ, ਅਸੀਂ **SciPy** ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ `ttest_ind` ਫੰਕਸ਼ਨ ਸ਼ਾਮਲ ਹੈ (ਕਈ ਹੋਰ ਉਪਯੋਗ ਅੰਕੜੇਕਸ਼ੀ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ!)। ਇਹ ਸਾਡੇ ਲਈ ਟੀ-ਮੁੱਲ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਭਰੋਸੇ p-ਮੁੱਲ ਦੀ ਵਿਰੋਧੀ ਖੋਜ ਵੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਅਸੀਂ ਸਿਰਫ ਭਰੋਸੇ ਨੂੰ ਦੇਖ ਕੇ ਨਿਸਚਿਤ ਕਰ ਸਕੀਏ।
+Python ਵਿੱਚ ਅਸੀਂ **SciPy** ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ, ਜੋ `ttest_ind` ਫੰਕਸ਼ਨ ਸ਼ਾਮਿਲ ਕਰਦਾ ਹੈ (ਕਈ ਹੋਰ ਫਾਇਦਿਆਂਵਾਰ ਸਾਂਖਿਆਕੀ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ!). ਇਹ ਸਾਡੀ ਲਈ t-ਮੁੱਲ ਕਣਕਤਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਭਰੋਸੇਯੋਗ p-ਮੁੱਲ ਦਾ ਰਿਵਰਸ ਲੁੱਕਅਪ ਵੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਅਸੀਂ ਸਿਧੇ ਆਪਣੇ ਨਤੀਜੇ ਤੇ ਪਹੁੰਚ ਸਕੀਏ।
-ਉਦਾਹਰਨ ਲਈ, ਫਸਟ ਅਤੇ ਸੈਕੰਡ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਦੇ ਤੁਲਨਾਤਮਕ ਨਤੀਜੇ ਹੇਠਾਂ ਦਿੱਤੇ ਗਏ ਹਨ:
+ਉਦਾਹਰਨ ਵਜੋਂ, ਪਹਿਲੇ ਅਤੇ ਦੂਜੇ ਬੇਸਮੈਨ ਦੀਆਂ ਉਚਾਈਆਂ ਵਿਚਕਾਰ ਸਾਡੀ ਤੁਲਨਾ ਸਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਨਤੀਜੇ ਦਿੰਦੀ ਹੈ:
```python
from scipy.stats import ttest_ind
@@ -130,34 +183,89 @@ 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।
+ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ, p-ਮੁੱਲ ਬਹੁਤ ਘੱਟ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਪਹਿਲੇ ਬੇਸਮੈਨ ਵੱਡੀ ਉਚਾਈ ਵਾਲੇ ਹੋਣ ਦੀ ਮਜ਼ਬੂਤ ਸਬੂਤ ਹਨ।
+
+ਹੋਰ ਵੀ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਪਰਿਕਲਪਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਉਦਾਹਰਣ ਲਈ:
+* ਇਹ ਸਾਬਤ ਕਰਨ ਲਈ ਕਿ ਦਿੱਤਾ ਗਿਆ ਨਮੂਨਾ ਕਿਸੇ ਵੰਡ ਦਾ ਪਾਲਣ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਉਪਰ ਮੰਨਿਆ ਕਿ ਉਚਾਈਆਂ ਸਧਾਰਣ ਵੰਡ ਵਾਲੀਆਂ ਹਨ, ਪਰ ਇਹ ਫਾਰਮਲ ਸਾਂਖਿਆਕੀ ਸੱਤਰ ਦੀ ਲੋੜ ਹੈ।
+* ਇਹ ਸਾਬਤ ਕਰਨ ਲਈ ਕਿ ਨਮੂਨੇ ਦਾ ਮੀਨ ਕੋਈ ਪੂਰਵ ਨਿਰਧਾਰਿਤ ਮੁੱਲ ਹੈ
+* ਕਈ ਨਮੂਨਿਆਂ ਦੇ ਮੀਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ (ਜਿਵੇਂ ਵੱਖ-ਵੱਖ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਖੁਸ਼ੀ ਦਾ ਫ਼ਰਕ)
+
+## ਵੱਡੀਆਂ ਗਿਣਤੀਆਂ ਦਾ ਕਾਨੂੰਨ ਅਤੇ ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ
+
+ਇਕ ਮੁੱਖ ਕਾਰਨ ਜਿਸ ਕਰਕੇ ਸਧਾਰਨ ਵੰਡ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ, ਉਹ ਹੈ ਤਰ੍ਹਾਂ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਕਿ **ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ**। ਮੰਨੋ ਸਾਡੇ ਕੋਲ ਵੱਡਾ ਨਮੂਨਾ N ਸਵਤੰਤਰ ਕਦਰਾਂ X1, ..., XN ਦਾ ਹੈ, ਜੋ ਕਿਸੇ ਵੀ ਵੰਡ ਤੋਂ ਲਏ ਗਏ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਮੀਨ μ ਅਤੇ ਵੈਰੀਅੰਸ σ2 ਹੈ। ਫਿਰ, ਕਾਫੀ ਵੱਡੇ N ਲਈ (ਜਿਵੇਂ ਕਿ N→∞ ਹੋਵੇ), ਮੀਨ ΣiXi ਸਧਾਰਣ ਵੰਡ ਮਾਣਿਆ ਜਾਵੇਗਾ ਜਿਸਦਾ ਮੀਨ μ ਅਤੇ ਵੈਰੀਅੰਸ σ2/N ਹੋਵੇਗਾ।
+
+> ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਨੂੰ ਇੱਕ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਵੀ ਬਿਆਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਕਿਸੇ ਵੀ ਵੰਡ ਤੋਂ ਕਿਸੇ ਵੀ ਰੈਂਡਮ ਵੈਰੀਅਬਲ ਦੀ ਮੁੱਲਾਂ ਦਾ ਜੋੜ ਲੈ ਕੇ ਮੀਨ ਕੱਢਣ ਤੇ ਸਧਾਰਣ ਵੰਡ ਮਿਲਦੀ ਹੈ।
+
+ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਤੋਂ ਇਹ ਵੀ ਨਤੀਜਾ ਨਿਕਲਦਾ ਹੈ ਕਿ ਜਦੋਂ N→∞, ਤਦ ਨਮੂਨੇ ਦੇ ਮੀਨ ਦੇ μ ਦੇ ਬਰਾਬਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 1 ਹੋ ਜਾਂਦੀ ਹੈ। ਇਸਨੂੰ **ਵੱਡੀਆਂ ਗਿਣਤੀਆਂ ਦਾ ਕਾਨੂੰਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+
+## ਸਾਂਝ (Covariance) ਅਤੇ ਸਹਾਂਤਰ (Correlation)
+
+ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਇੱਕ ਮੁੱਖ ਚੀਜ਼ ਸਬੰਧ ਖੋਜਣਾ ਹੈ। ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਦੋ ਲੜੀਆਂ **ਸਹਾਂਤਰੀਤ** ਹਨ ਜਦੋਂ ਉਹ ਇੱਕੋ ਸਮੇਂ ਸਮਾਨ ਵਰਤਾਉ ਦਿਖਾਉਂਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਉਹ ਇਕੱਠੇ ਵਧਦੀਆਂ/ਘਟਦੀਆਂ ਹਨ, ਜਾਂ ਇੱਕ ਜਦੋਂ ਵਧਦਾ ਹੈ ਤਾਂ ਦੂਜਾ ਘਟਦਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਦੋ ਲੜੀਆਂ ਵਿਚਕਾਰ ਕੁਝ ਸਬੰਧ ਹੋਣਾ ਲੱਗਦਾ ਹੈ।
+
+> ਸਹਾਂਤਰ ਜਰੂਰੀ ਤੌਰ 'ਤੇ ਦੋ ਲੜੀਆਂ ਵਿਚਕਾਰ ਕਾਰਣਕ ਸਬੰਧ ਨਹੀਂ ਦਿਖਾਉਂਦਾ; ਕਈ ਵਾਰੀ ਦੋਹਾਂ ਵੈਰੀਅਬਲਾਂ ਕੋਈ ਬਾਹਰੀ ਕਾਰਨ ਸਰੋਤ ਤੋਂ ਪ੍ਰਭਾਵਤ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਜਾਂ ਕਦਚਿਤ ਇਹ ਸਿਰਫ਼ ਤਕਰਾ ਕੇ ਸਹਾਂਤਰ ਹਨ। ਪਰ, ਮਜ਼ਬੂਤ ਗਣਿਤੀ ਸਹਾਂਤਰ ਇਸ ਗੱਲ ਦੀ ਚੰਗੀ ਨਿਸ਼ਾਨੀ ਹੈ ਕਿ ਦੋ ਵੈਰੀਅਬਲ ਕਿਸੇ ਤਰ੍ਹਾਂ ਜੁੜੇ ਹੋਏ ਹਨ।
+
+ਗਣਿਤੀ ਤੌਰ 'ਤੇ, ਦੋ ਰੈਂਡਮ ਵੈਰੀਅਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦਿਖਾਉਂਦਾ ਮੁੱਖ ਧਾਰਣਾ ਹੈ **ਸਾਂਝ (Covariance)**, ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਨੱਕਲਦਾ ਹੈ: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]। ਅਸੀਂ ਦੋਹਾਂ ਵੈਰੀਅਬਲਾਂ ਦੇ ਮੀਨਾਂ ਤੋਂ ਹਟਕੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਵ੍ਰਿਧੀਆਂ ਦਾ ਗੁਣਾਕਾਰ ਲੈਂਦੇ ਹਾਂ। ਜੇ ਦੋਹਾਂ ਵੈਰੀਅਬਲ ਇੱਕੱਠੇ ਵਧ ਰਹੇ ਹਨ, ਤਾਂ ਨਤੀਜਾ ਹਮੇਸ਼ਾ ਧਨਾਤਮਕ ਹੋਵੇਗਾ, ਜੋ ਧਨਾਤਮਕ ਸਾਂਝ ਵਿੱਚ ਮਿਲੇਗਾ। ਜੇ ਦੋਹਾਂ ਵੈਰੀਅਬਲ ਬਿਲਕੁਲ ਵੱਖਰੇ ਤਰ੍ਹਾਂ ਵਧ ਰਹੇ ਹਨ (ਇੱਕ ਥੱਲੇ ਜਾ ਰਿਹਾ ਹੋਵੇ ਜਦ ਦੂਜਾ ਉੱਪਰ), ਤਾਂ ਨਤੀਜੇ ਹਮੇਸ਼ਾ ਰਣਾਤਮਕ ਹੋਣਗੇ, ਜੋ ਨਕਾਰਾਤਮਕ ਸਾਂਝ ਵੱਲ ਬਧਾਉਂਗੇ। ਜੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਵਾਧਾਂ ਬਿਨਾਂ ਕੋਈ ਨਿਸ਼ਾਨਦਾਰ ਸਮਬੰਧ ਦੇ ਹੋ ਰਹੀਆਂ ਹਨ, ਤਾਂ ਇਹ ਲਗਭਗ ਸ਼ੂਨਯ ਹੋ ਜਾਵੇਗਾ।
+
+ਸਾਂਝ ਦਾ ਮੁੱਲ ਸਾਡੇ ਨੂੰ ਬਹੁਤ ਕੁਝ ਨਹੀਂ ਦੱਸਦਾ ਕਿਹੜਾ ਸਬੰਧ ਕਿੰਨਾ ਵੱਡਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਅਸਲੀ ਮੁੱਲਾਂ ਦੀਆਂ ਅਮਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਸਨੂੰ ਸਧਾਰਨ ਕਰਨ ਲਈ, ਅਸੀਂ ਸਾਂਝ ਨੂੰ ਦੋਹਾਂ ਵੈਰੀਅਬਲਾਂ ਦੇ ਮਿਆਰੀ ਵਿਚਲਨਾਂ ਦੇ ਯੋਗ ਨਾਲ ਵੰਡ ਕੇ **ਸਹਾਂਤਰ (Correlation)** ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ। ਚੰਗੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਸਹਾਂਤਰ ਦਾ ਮੁੱਲ ਹਮੇਸ਼ਾ [-1,1] ਵਿਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ 1 ਦੇ ਮਤਲਬ ਹੈ ਮਜ਼ਬੂਤ ਧਨਾਤਮਕ ਸਹਾਂਤਰ, -1 ਮਜ਼ਬੂਤ ਨਕਾਰਾਤਮਕ ਸਹਾਂਤਰ, ਅਤੇ 0 ਮਤਲਬ ਹੈ ਕੋਈ ਸਹਾਂਤਰ ਨਹੀਂ (ਵੈਰੀਅਬਲ ਸੁਤੰਤਰ ਹਨ)।
+
+**ਉਦਾਹਰਨ**: ਅਸੀਂ ਉਪਰ ਦਿੱਤੇ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਡੈਟਾਸੈੱਟ ਤੋਂ ਵਜ਼ਨ ਅਤੇ ਉਚਾਈ ਵਿੱਚ ਸਹਾਂਤਰ ਕੈਲਕੁਲੇਟ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+print(np.corrcoef(weights,heights))
+```
+ਨਤੀਜੇ ਵਜੋਂ, ਸਾਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦੀ **ਸਹਾਂਤਰ ਮੈਟ੍ਰਿਕਸ** ਮਿਲਦੀ ਹੈ:
+```
+array([[1. , 0.52959196],
+ [0.52959196, 1. ]])
+```
+
+> ਸਹਾਂਤਰ ਮੈਟ੍ਰਿਕਸ C ਕਿਸੇ ਵੀ ਪ੍ਰਵੇਸ਼ ਲੜੀਆਂ S1, ..., Sn ਲਈ ਕੈਲਕੁਲੇਟ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। Cij ਦਾ ਮੁੱਲ Si ਅਤੇ Sj ਵਿਚਕਾਰ ਸਹਾਂਤਰ ਹੈ, ਅਤੇ ਡਾਇਆਗੋਨਲ ਤੱਤ ਹਮੇਸ਼ਾ 1 ਹੁੰਦੇ ਹਨ (ਜੋ Si ਦੀ ਖੁਦ-ਸਹਾਂਤਰ ਹੈ)।
+
+ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ, 0.53 ਦਾ ਮੁੱਲ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵਜ਼ਨ ਅਤੇ ਉਚਾਈ ਵਿੱਚ ਕੁਝ ਸਹਾਂਤਰ ਹੈ। ਅਸੀਂ ਦੂਜੇ ਮੁੱਲ ਦੇ ਢਾਂਚੇ ਦੇ ਖਿਲਾਫ ਸਕੈਟਰ ਪਲਾਟ ਵੀ ਬਣਾਉਂ ਸਕਦੇ ਹਾਂ ਤਾਂ ਜੋ ਸਬੰਧ ਦੇਖਣ ਵਿੱਚ ਸਪਸ਼ਟ ਹੋ ਜਾਵੇ:
+
+
+
+> ਅਧਿਕ ਸਹਾਂਤਰ ਅਤੇ ਸਾਂਝ ਦੇ ਉਦਾਹਰਣ [ਸੰਲਗਨ ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਮਿਲ ਸਕਦੇ ਹਨ।
+
+## ਨਤੀਜਾ
+
+ਇਸ ਭਾਗ ਵਿੱਚ, ਅਸੀਂ ਸਿੱਖਿਆ:
+
+* ਡਾਟਾ ਦੀਆਂ ਬੁਨਿਆਦੀ ਸਾਂਖਿਆਕੀ ਗੁਣਵੱਤਾਵਾਂ, ਜਿਵੇਂ ਮੀਨ, ਵੈਰੀਅੰਸ, ਮੋਡ ਅਤੇ ਕੁਆਰਟਾਈਲ
+* ਰੈਂਡਮ ਵੈਰੀਅਬਲਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਵੰਡਾਂ, ਜਿਵੇਂ ਸਧਾਰਣ ਵੰਡ
+* ਵੱਖ-ਵੱਖ ਗੁਣਾਂ ਵਿਚਕਾਰ ਸਹਾਂਤਰ ਕਿਵੇਂ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ
+* ਕੁਝ ਪਰਿਕਲਪਨਾਵਾਂ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ ਗਣਿਤ ਅਤੇ ਸਾਂਖਿਆਕੀ ਉਪਕਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ
+* ਡਾਟਾ ਨਮੂਨੇ ਤੋਂ ਦਿੱਤੇ ਗਏ ਰੈਂਡਮ ਵੈਰੀਅਬਲ ਲਈ ਭਰੋਸੇਯੋਗ ਅੰਤਰਾਲ ਕਿਵੇਂ ਕੈਲਕੁਲੇਟ ਕਰੀਏ
-ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹੋਰ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਅਸੀਂ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਾਂ, ਉਦਾਹਰਨ ਲਈ:
-* ਸਾਬਤ ਕਰਨਾ ਕਿ ਦਿੱਤਾ ਗਿਆ ਨਮੂਨਾ ਕੁਝ ਵੰਡ ਦੀ ਪਾਲਨਾ ਕਰਦਾ ਹੈ। ਸਾਡੇ ਮਾਮਲੇ ਵਿੱਚ ਅਸੀਂ ਮੰਨਿਆ ਹੈ ਕਿ ਉਚਾਈਆਂ ਸਧਾਰਨ ਵੰਡੀਆਂ ਹਨ, ਪਰ ਇਸਦੀ ਅੰਕੜੇਕਸ਼ੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ।
-* ਸਾਬਤ ਕਰਨਾ ਕਿ ਨਮੂਨੇ ਦਾ ਔਸਤ ਮੁੱਲ ਕੁਝ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ ਦੇ ਅਨੁਕੂਲ ਹੈ।
-* ਕਈ ਨਮੂਨਿਆਂ ਦੇ ਔਸਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ (ਉਦਾਹਰਨ ਲਈ, ਵੱਖ-ਵੱਖ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਖੁਸ਼ੀ ਦੇ ਪੱਧਰਾਂ ਵਿੱਚ ਅੰਤਰ ਕੀ ਹੈ)
+ਹਾਲਾਂਕਿ ਇਹ ਸੰਭਾਵਨਾ ਅਤੇ ਸਾਂਖਿਆਕੀ ਦੇ ਵਿਸ਼ਾਲ ਖੇਤਰ ਵਿੱਚ ਮੌਜੂਦ ਸਾਰੇ ਵਿਸ਼ਿਆਂ ਦੀ ਪੂਰੀ ਸੂਚੀ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਕੋਰਸ ਦੀ ਸ਼ੁਰੂਆਤ ਲਈ ਇੱਕ ਚੰਗਾ ਆਧਾਰ ਪੇਸ਼ ਕਰਦਾ ਹੈ।
-## ਵੱਡੇ ਨੰਬਰਾਂ ਦਾ ਕਾਨੂੰਨ ਅਤੇ ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ
+## 🚀 ਚੁਣੌਤੀ
-ਇੱਕ ਕਾਰਨ ਕਿ ਸਧਾਰਨ ਵੰਡ ਇੰਨੀ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਇਸ ਨੂੰ **ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਮੰਨ ਲਓ ਕਿ ਸਾਡੇ ਕੋਲ N ਅਜ਼ਾਦ ਮੁੱਲਾਂ X1, ..., XN ਦਾ ਇੱਕ ਵੱਡਾ ਨਮੂਨਾ ਹੈ, ਜੋ ਕਿਸੇ ਵੀ ਵੰਡ ਤੋਂ ਔਸਤ μ ਅਤੇ ਵਿਸਥਾਪਨ σ2 ਦੇ ਨਾਲ ਨਮੂਨਾ ਲਿਆ ਗਿਆ ਹੈ। ਫਿਰ, ਕਾਫ਼ੀ ਵੱਡੇ N ਲਈ (ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਜਦੋਂ N→∞), ਔਸਤ ΣiXi ਸਧਾਰਨ ਵੰਡਿਆ ਜਾਵੇਗਾ, ਔਸਤ μ ਅਤੇ ਵਿਸਥਾਪਨ σ2/N ਦੇ ਨਾਲ।
+ਨੋਟਬੁੱਕ ਵਿੱਚ ਸੈਂਪਲ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹੋਰ ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਕੇ ਵੇਖੋ ਕਿ:
+1. ਪਹਿਲੇ ਬੇਸਮੈਨ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਵੱਡੇ ਹਨ
+2. ਪਹਿਲੇ ਬੇਸਮੈਨ ਤੀਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਵੱਧ ਉਚੇ ਹਨ
+3. ਸ਼ੋਰਟਸਟਾਪ ਦੂਜੇ ਬੇਸਮੈਨ ਨਾਲੋਂ ਵੱਧ ਉਚੇ ਹਨ
-> ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਨਾਲ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਚਾਹੇ ਕੋਈ ਵੀ ਵੰਡ ਹੋਵੇ, ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਰੈਂਡਮ ਵੈਰੀਏਬਲ ਮੁੱਲਾਂ ਦੇ ਜੋੜ ਦਾ ਔਸਤ ਗਣਨਾ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਧਾਰਨ ਵੰਡ ਨਾਲ ਖਤਮ ਕਰਦੇ ਹੋ।
+## [ਪোਸਟ-ਲੇਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/7)
-ਕੇਂਦਰੀ ਸੀਮਾ ਸਿਧਾਂਤ ਤੋਂ ਇਹ ਵੀ ਨਿਸਚਿਤ ਹੁੰਦਾ ਹੈ ਕਿ, ਜਦੋਂ N→∞, ਨਮੂਨਾ ਔਸਤ μ ਦੇ ਬਰਾਬਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ 1 ਬਣ ਜਾਂਦੀ ਹੈ। ਇਸ ਨੂੰ **ਵੱਡੇ ਨੰਬਰਾਂ ਦਾ ਕਾਨੂੰਨ** ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈਅਧਯਨ
-## ਸਹ-ਵਿਕਾਸ ਅਤੇ ਸਹ-ਸੰਬੰਧ
+ਸੰਭਾਵਨਾ ਅਤੇ ਸਾਂਖਿਆਕੀ ਇੱਕ ਬਹੁਤ ਵਿਆਪਕ ਵਿਸ਼ਾ ਹੈ, ਜਿਸ ਲਈ ਇਸਦਾ ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਕੋਰਸ ਹੋਣਾ ਲਾਜ਼ਮੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਸਿਧਾਂਤ ਵਿੱਚ ਵਧੇਰੇ ਗਹਿਰਾਈ ਨਾਲ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਕੁਝ ਪੁਸਤਕਾਂ ਪੜ੍ਹ ਸਕਦੇ ਹੋ:
-ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਕੰਮ ਡਾਟਾ ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਖੋਜਣਾ ਹੈ। ਅਸੀਂ ਕਹਿੰਦੇ ਹਾਂ ਕਿ ਦੋ ਲੜੀਆਂ **ਸਹ-ਸੰਬੰਧਿਤ** 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 ਜਾਪਦਾ ਹੈ।
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) ਨਿਊਯਾਰਕ ਯੂਨੀਵਰਸਿਟੀ ਤੋਂ, ਇੱਕ ਬਹੁਤ ਚੰਗੇ ਲੈਕਚਰ ਨੋਟਸ [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (ਆਨਲਾਈਨ ਉਪਲਬਧ)
+1. [Peter and Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[R ਵਿੱਚ ਨਮੂਨਾ ਕੋਡ](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) [[R ਵਿੱਚ ਨਮੂਨਾ ਕੋਡ](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
-> ਸਹ-ਸੰਬੰਧ ਲਾਜ਼ਮੀ ਨਹੀਂ ਹੈ ਕਿ ਦੋ ਲੜੀਆਂ ਦੇ ਵਿਚਕਾਰ ਕਾਰਨਾਤਮਕ ਸਬੰਧ ਦਰਸਾਏ; ਕਈ ਵਾਰ ਦੋਵੇਂ ਚਲਾਂ ਕੁਝ ਬਾਹਰੀ ਕਾਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰ ਸਕਦੇ ਹਨ, ਜਾਂ ਇਹ ਸਿਰਫ਼ ਮੌਕੇ ਦੇ ਨਾਲ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਦੋ ਲੜੀਆਂ ਸਹ-ਸੰਬੰਧਿਤ ਹਨ। ਹਾਲਾਂਕਿ, ਮਜ਼ਬੂਤ ਗਣਿਤਜੀ ਸਹ-ਸੰਬੰਧ ਇਹ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਚੰਗਾ ਸੰਕੇਤ ਹੈ ਕਿ ਦੋ ਚਲਾਂ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ।
+## ਅਸਾਈਨਮੈਂਟ
-ਗਣਿਤਜੀ ਤੌਰ 'ਤੇ, ਦੋ ਰੈਂਡਮ ਵੈਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲਾ ਮੁੱਖ ਧਾਰਨਾ **ਸਹ-ਵਿਕਾਸ** ਹੈ, ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]। ਅਸੀਂ ਦੋਵੇਂ ਚਲਾਂ ਦੇ ਔਸਤ ਮੁੱਲਾਂ ਤੋਂ ਵਿਸਥਾਪਨ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਵਿਸਥਾਪਨਾਂ ਦਾ ਗੁਣਨ। ਜੇਕਰ ਦੋਵੇਂ ਚਲਾਂ ਇਕੱਠੇ ਵਿਸਥਾਪਨ ਕਰਦੇ ਹਨ, ਤਾਂ ਗੁਣਨ ਹਮੇਸ਼ਾ ਇੱਕ ਸਕਾਰਾਤਮਕ ਮੁੱਲ ਹੋਵੇਗਾ, ਜੋ ਸਕਾਰਾਤਮਕ ਸਹ-ਵਿਕਾਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੇਗਾ। ਜੇਕਰ ਦੋਵੇਂ ਚਲਾਂ ਅਸਮਰਥਿਤ ਵਿਸਥਾਪਨ ਕਰਦੇ ਹਨ (ਅਰਥਾਤ ਇੱਕ ਔਸਤ ਤੋਂ ਹੇਠਾਂ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਦੂਜਾ ਔਸਤ ਤੋਂ ਉੱਪਰ ਜਾਂਦਾ ਹੈ), ਤਾਂ ਅਸੀਂ ਹਮੇਸ਼ਾ ਨਕਾਰਾਤਮਕ ਸੰਖਿਆਵਾਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ, ਜੋ ਨਕਾਰਾਤਮਕ ਸਹ-ਵਿਕਾਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੇਗਾ। ਜੇਕਰ ਵਿਸਥਾਪਨ ਨਿਰਭਰ ਨਹੀਂ ਹਨ, ਤਾਂ ਉਹ ਲਗਭਗ ਸ਼ੂਨਯ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੇ।
+[ਛੋਟੀ ਡਾਇਬੀਟੀਜ਼ ਅਧਿਆਨ](assignment.md)
-ਸਹ-ਵਿਕਾਸ ਦਾ ਅਬਸੋਲਿਊਟ ਮੁੱਲ ਸਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਸਹ-ਸੰਬੰਧ ਕਿੰਨਾ ਵੱਡਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਮੁੱਲਾਂ ਦੇ ਮਾਪ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਸਨੂੰ ਸਧਾਰਨ ਕਰਨ ਲਈ, ਅਸੀਂ ਦੋਵੇਂ ਚਲਾਂ ਦੇ ਮਿਆਰੀ ਵਿਸਥਾਪਨ ਦੁਆਰਾ ਸਹ-ਵਿਕਾਸ ਨੂੰ ਵੰਡ ਸਕਦੇ ਹਾਂ, ਤਾਂ ਜੋ **ਸਹ-ਸੰਬੰਧ** ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕੇ। ਚੰਗੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਸਹ-ਸੰਬੰਧ ਹਮੇਸ਼ਾ [-1,1] ਦੇ ਰੇਂਜ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ 1 ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਮਜ਼ਬੂਤ ਸਕਾਰਾਤਮਕ ਸਹ-ਸੰਬੰਧ ਦਰਸਾਉਂਦਾ ਹੈ, -1 - ਮਜ਼ਬੂਤ ਨਕਾਰਾਤਮਕ ਸਹ-ਸੰਬੰਧ, ਅਤੇ 0 - ਕੋਈ ਸਹ-ਸੰਬੰਧ ਨਹੀਂ (ਚਲਾਂ ਅਜ਼ਾਦ ਹਨ)।
+## ਕ੍ਰੈਡਿਟਸ
-**ਉਦਾਹਰਨ**: ਅਸੀਂ ਬੇਸਬਾਲ ਖਿਡਾਰੀਆਂ ਦੇ ਭਾਰ ਅਤੇ ਉਚਾਈਆਂ ਦੇ
+ਇਹ ਪਾਠ [Dmitry Soshnikov](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 ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਛਤਾਵਾਂ 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
+
+**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।
+
\ 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
index c77e725f..49d61f05 100644
--- a/translations/pa/2-Working-With-Data/06-non-relational/README.md
+++ b/translations/pa/2-Working-With-Data/06-non-relational/README.md
@@ -1,62 +1,62 @@
-# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਗੈਰ-ਸੰਬੰਧਿਤ ਡਾਟਾ
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ
-| ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/06-NoSQL.png)|
+| ਵੱਲੋਂ ](../../sketchnotes/06-NoSQL.png)|
|:---:|
-|NoSQL ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+|ਨੋSQL ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਵੱਲੋਂ_ |
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/10)
+## [ਪੂਰਵ-ਵਿਆਖਿਆਨ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/10)
-ਡਾਟਾ ਸਿਰਫ਼ ਸੰਬੰਧਿਤ ਡਾਟਾਬੇਸ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਗੈਰ-ਸੰਬੰਧਿਤ ਡਾਟਾ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜਾਵੇਗਾ ਅਤੇ ਇਹ ਸਪ੍ਰੈਡਸ਼ੀਟ ਅਤੇ NoSQL ਦੇ ਮੁੱਢਲੇ ਅੰਸ਼ਾਂ ਨੂੰ ਕਵਰ ਕਰੇਗਾ।
+ਡਾਟਾ ਸਿਰਫ ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸਾਂ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ। ਇਹ ਪਾਠ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ ਅਤੇ ਸਪ੍ਰੈਡਸ਼ੀਟ ਅਤੇ NoSQL ਦੇ ਮੂਲ ਤੱਤਾਂ ਨੂੰ ਕਵਰ ਕਰੇਗਾ।
-## ਸਪ੍ਰੈਡਸ਼ੀਟ
+## ਸਪ੍ਰੈਡਸ਼ੀਟਸ
-ਸਪ੍ਰੈਡਸ਼ੀਟ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਅਤੇ ਐਕਸਪਲੋਰ ਕਰਨ ਦਾ ਇੱਕ ਲੋਕਪ੍ਰਿਯ ਤਰੀਕਾ ਹੈ ਕਿਉਂਕਿ ਇਸਨੂੰ ਸੈਟਅੱਪ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਘੱਟ ਕੰਮ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਮੁੱਢਲੇ ਹਿੱਸੇ, ਫਾਰਮੂਲੇ ਅਤੇ ਫੰਕਸ਼ਨ ਸਿੱਖੋਗੇ। ਉਦਾਹਰਣਾਂ ਨੂੰ ਮਾਈਕਰੋਸਾਫਟ ਐਕਸਲ ਨਾਲ ਦਰਸਾਇਆ ਜਾਵੇਗਾ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸੇ ਅਤੇ ਵਿਸ਼ੇ ਹੋਰ ਸਪ੍ਰੈਡਸ਼ੀਟ ਸਾਫਟਵੇਅਰ ਦੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਸਮਾਨ ਨਾਮ ਅਤੇ ਕਦਮ ਰੱਖਦੇ ਹਨ।
+ਸਪ੍ਰੈਡਸ਼ੀਟਸ ਡਾਟਾ ਸਟੋਰ ਅਤੇ ਖੋਜਣ ਦਾ ਇੱਕ ਲੋਕਪ੍ਰਿਯ ਤਰੀਕਾ ਹਨ ਕਿਉਂਕਿ ਇਹ ਸੈਟਅੱਪ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂ ਕਰਨ ਵਿੱਚ ਘੱਟ ਮਿਹਨਤ ਲੈਂਦਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਮੂਲ ਤੱਤਾਂ, ਵੀ ਫਾਰਮੂਲੇ ਅਤੇ ਫੰਕਸ਼ਨਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ। ਉਦਾਹਰਨਾਂ ਮਾਇਕਰੋਸੌਫਟ ਐਕਸਲ ਨਾਲ ਦਿੱਤੀਆਂ ਜਾਣਗੀਆਂ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸੇ ਅਤੇ ਵਿਸ਼ੇ ਹੋਰ ਸਪ੍ਰੈਡਸ਼ੀਟ ਸੌਫਟਵੇਅਰ ਨਾਲ ਸਬੰਧਤ ਇੱਕੋ ਜਿਹੇ ਨਾਮਾਂ ਅਤੇ ਕਦਮਾਂ ਵਾਲੇ ਹੋਣਗੇ।
-
+
-ਸਪ੍ਰੈਡਸ਼ੀਟ ਇੱਕ ਫਾਈਲ ਹੈ ਅਤੇ ਇਹ ਕੰਪਿਊਟਰ, ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ-ਅਧਾਰਿਤ ਫਾਈਲ ਸਿਸਟਮ ਦੇ ਫਾਈਲ ਸਿਸਟਮ ਵਿੱਚ ਪਹੁੰਚਯੋਗ ਹੋਵੇਗੀ। ਸਾਫਟਵੇਅਰ ਖੁਦ ਬ੍ਰਾਊਜ਼ਰ-ਅਧਾਰਿਤ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜਾਂ ਐਪ ਵਜੋਂ ਡਾਊਨਲੋਡ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਐਕਸਲ ਵਿੱਚ ਇਹ ਫਾਈਲਾਂ **ਵਰਕਬੁੱਕ** ਵਜੋਂ ਵੀ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਇਹ ਸ਼ਬਦਾਵਲੀ ਇਸ ਪਾਠ ਦੇ ਬਾਕੀ ਹਿੱਸੇ ਵਿੱਚ ਵਰਤੀ ਜਾਵੇਗੀ।
+ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਈਲ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਹ ਕੰਪਿਊਟਰ, ਡਿਵਾਈਸ ਜਾਂ ਕਲਾਉਡ ਅਧਾਰਿਤ ਫਾਈਲ ਸਿਸਟਮ ਵਿੱਚ ਮੌਜੂਦ ਹੁੰਦੀ ਹੈ। ਸਫਟਵੇਅਰ ਖੁਦ ਬ੍ਰਾузਰ ਆਧਾਰਿਤ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਐਪਲੀਕੇਸ਼ਨ ਜੋ ਕੰਪਿਊਟਰ 'ਤੇ ਇੰਸਟਾਲ ਕਰਨਯੋਗ ਜਾਂ ਐਪ ਵਜੋਂ ਡਾਊਨਲੋਡ ਕਰਨਯੋਗ ਹੁੰਦਾ ਹੈ। ਐਕਸਲ ਵਿੱਚ ਇਹ ਫਾਈਲਾਂ **ਵਰਕਬੁਕਸ** ਦੇ ਤੌਰ ਤੇ ਜਾਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਇਹ ਟਰਮੀਨੋਲੋਜੀ ਇਸ ਪਾਠ ਦੇ ਬਾਕੀ ਹਿੱਸੇ ਵਿੱਚ ਵਰਤੀ ਜਾਵੇਗੀ।
-ਵਰਕਬੁੱਕ ਵਿੱਚ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ **ਵਰਕਸ਼ੀਟਾਂ** ਹੁੰਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਹਰ ਵਰਕਸ਼ੀਟ ਟੈਬਾਂ ਦੁਆਰਾ ਲੇਬਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਵਰਕਸ਼ੀਟ ਦੇ ਅੰਦਰ ਚੌਰਸ **ਸੈਲ** ਹੁੰਦੇ ਹਨ, ਜੋ ਅਸਲ ਡਾਟਾ ਨੂੰ ਰੱਖਦੇ ਹਨ। ਇੱਕ ਸੈਲ ਕਤਾਰ ਅਤੇ ਕਾਲਮ ਦੇ ਚੌਰਾਹੇ 'ਤੇ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕਾਲਮਾਂ ਨੂੰ ਅੱਖਰਾਂ ਨਾਲ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕਤਾਰਾਂ ਨੂੰ ਅੰਕਾਂਵਾਰ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੁਝ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਵਿੱਚ ਸੈਲ ਵਿੱਚ ਡਾਟਾ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਪਹਿਲੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਵਿੱਚ ਹੈਡਰ ਹੁੰਦੇ ਹਨ।
+ਇੱਕ ਵਰਕਬੁੱਕ ਵਿੱਚ ਇੱਕ ਜਾਂ ਵੱਧ **ਵਰਕਸ਼ੀਟਸ** ਹੁੰਦੀਆਂ ਹਨ, ਜਿੱਥੇ ਹਰ ਵਰਕਸ਼ੀਟ ਨੂੰ ਟੈਬ ਨਾਲ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਰਕਸ਼ੀਟ ਦੇ ਅੰਦਰ ਵਰਗਾਕਾਰ ਖਾਨੇ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ **ਸੈੱਲਜ਼** ਕਹਿੰਦੇ ਹਨ, ਜੋ ਹਕੀਕਤੀ ਡਾਟਾ ਰੱਖਦੇ ਹਨ। ਇੱਕ ਸੈੱਲ ਇੱਕ ਕਤਾਰ ਅਤੇ ਕਾਲਮ ਦਾ ਸੰਧੀ ਬਿੰਦੂ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕਾਲਮ ਅੱਖਰੀ ਅੱਖਰਾਂ ਨਾਲ ਲੇਬਲ ਕੀਤੇ ਜاندੇ ਹਨ ਅਤੇ ਕਤਾਰਾਂ ਨੂੰ ਨੰਬਰਰੂਪ ਵਿੱਚ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੁਝ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਵਿੱਚ ਪਹਿਲੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਵਿੱਚ ਸਿਰਲੇਖ ਹੁੰਦੇ ਹਨ ਜੋ ਸੈੱਲ ਵਿੱਚ ਡਾਟਾ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ।
-ਐਕਸਲ ਵਰਕਬੁੱਕ ਦੇ ਇਨ੍ਹਾਂ ਮੁੱਢਲੇ ਤੱਤਾਂ ਨਾਲ, ਅਸੀਂ [ਮਾਈਕਰੋਸਾਫਟ ਟੈਂਪਲੇਟਸ](https://templates.office.com/) ਤੋਂ ਇੱਕ ਇਨਵੈਂਟਰੀ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਉਦਾਹਰਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਕੁਝ ਹੋਰ ਹਿੱਸਿਆਂ ਨੂੰ ਸਮਝਾਂਗੇ।
+ਇਨ੍ਹਾਂ ਮੂਲ ਤੱਤਾਂ ਵਾਲੇ ਐਕਸਲ ਵਰਕਬੁੱਕ ਦੇ ਨਾਲ, ਅਸੀਂ [Microsoft Templates](https://templates.office.com/) ਤੋਂ ਇਕ ਉਦਾਹਰਨ ਲਈ ਸਪ੍ਰੈਡਸ਼ੀਟ ਦੇ ਕੁਝ ਹੋਰ ਹਿੱਸਿਆਂ ਨੂੰ ਸਮਝਾਂਗੇ ਜਿਸ ਵਿੱਚ ਇਨਵੈਂਟਰੀ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ ਹੈ।
-### ਇਨਵੈਂਟਰੀ ਦਾ ਪ੍ਰਬੰਧਨ
+### ਇਨਵੈਂਟਰੀ ਪ੍ਰਬੰਧਨ
-"InventoryExample" ਨਾਮਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਈਲ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਆਈਟਮਾਂ ਦੀ ਇੱਕ ਫਾਰਮੈਟ ਕੀਤੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਹੈ ਜਿਸ ਵਿੱਚ ਤਿੰਨ ਵਰਕਸ਼ੀਟਾਂ ਹਨ, ਜਿੱਥੇ ਟੈਬਾਂ ਨੂੰ "Inventory List", "Inventory Pick List" ਅਤੇ "Bin Lookup" ਵਜੋਂ ਲੇਬਲ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਵਰਕਸ਼ੀਟ ਦੀ ਕਤਾਰ 4 ਹੈਡਰ ਹੈ, ਜੋ ਹੈਡਰ ਕਾਲਮ ਦੇ ਹਰੇਕ ਸੈਲ ਦੀ ਮੁੱਲ ਦਾ ਵਰਣਨ ਕਰਦੀ ਹੈ।
+"InventoryExample" ਨਾਂ ਦੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਈਲ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਆਈਟਮਾਂ ਦੀ ਤਿੰਨ ਵਰਕਸ਼ੀਟਾਂ ਵਾਲੀ ਫਾਰਮੈਟ ਕੀਤੀ ਗਈ ਸਪ੍ਰੈਡਸ਼ੀਟ ਹੈ, ਜਿੱਥੇ ਟੈਬ "Inventory List", "Inventory Pick List" ਅਤੇ "Bin Lookup" ਲੇਬਲ ਕੀਤੇ ਗਏ ਹਨ। ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਵਰਕਸ਼ੀਟ ਦੀ ਕਤਾਰ 4 ਸਿਰਲੇਖ ਹੈ, ਜੋ ਸਿਰਲੇਖ ਥੱਲੇ ਹਰ ਸੈੱਲ ਦੀ ਕੀਮਤ ਨੂੰ ਵਰਣਨ ਕਰਦਾ ਹੈ।
-
+
-ਕਈ ਵਾਰ ਇੱਕ ਸੈਲ ਦੀ ਮੁੱਲ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ ਹੋਰ ਸੈਲਾਂ ਦੀਆਂ ਮੁੱਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਸਪ੍ਰੈਡਸ਼ੀਟ ਆਪਣੀ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਹਰ ਆਈਟਮ ਦੀ ਲਾਗਤ ਦਾ ਟ੍ਰੈਕ ਰੱਖਦੀ ਹੈ, ਪਰ ਜੇਕਰ ਸਾਨੂੰ ਇਨਵੈਂਟਰੀ ਵਿੱਚ ਹਰ ਚੀਜ਼ ਦੀ ਕੁੱਲ ਮੁੱਲ ਪਤਾ ਲਗਾਉਣ ਦੀ ਲੋੜ ਹੋਵੇ ਤਾਂ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? [**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 ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਕਾਲਮ ਵਿੱਚ ਇੱਕ ਫਾਰਮੂਲਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ ਜੋ QTY ਹੈਡਰ ਦੇ ਹੇਠਾਂ ਮਾਤਰਾ ਅਤੇ COST ਹੈਡਰ ਦੇ ਹੇਠਾਂ ਲਾਗਤ ਨੂੰ ਗੁਣਾ ਕਰਕੇ ਹਰ ਆਈਟਮ ਦੀ ਮੁੱਲ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਡਬਲ ਕਲਿਕ ਕਰਨ ਜਾਂ ਸੈਲ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਨ ਨਾਲ ਫਾਰਮੂਲਾ ਦਿਖਾਈ ਦੇਵੇਗਾ। ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਫਾਰਮੂਲੇ ਇੱਕ ਬਰਾਬਰ ਦੇ ਨਿਸ਼ਾਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ, ਜਿਸਦੇ ਬਾਅਦ ਗਣਨਾ ਜਾਂ ਕਾਰਵਾਈ ਹੁੰਦੀ ਹੈ।
+ਕਈ ਵਾਰ ਇੱਕ ਸੈੱਲ ਹੋਰ ਸੈੱਲਾਂ ਦੀਆਂ ਕਦਰਾਂ ‘ਤੇ ਨਿਰਭਰ ਹੁੰਦਾ ਹੈ ਤਾ ਕਿ ਉਹ ਆਪਣੀ ਕੀਮਤ ਬਣਾਲੇ। ਇਨਵੈਂਟਰੀ ਲਿਸਟ ਸਪ੍ਰੈਡਸ਼ੀਟ ਹਰ ਆਈਟਮ ਦੀ ਕੀਮਤ ਦਾ ਖ਼ਿਆਲ ਰੱਖਦੀ ਹੈ, ਪਰ ਜੇਕਰ ਸਾਨੂੰ ਸਾਰੀ ਇਨਵੈਂਟਰੀ ਦੀ ਕੁੱਲ ਕੀਮਤ ਪਤਾ ਲਗਾਉਣੀ ਹੋਵੇ? [**ਫਾਰਮੂਲੇ**](https://support.microsoft.com/en-us/office/overview-of-formulas-34519a4e-1e8d-4f4b-84d4-d642c4f63263) ਸੈੱਲ ਡਾਟਾ 'ਤੇ ਕਾਰਵਾਈ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸ ਉਦਾਹਰਨ 'ਚ ਇਨਵੈਂਟਰੀ ਦੀ ਕੀਮਤ ਕੈਲਕ्युਲੇਟ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਸ ਸਪ੍ਰੈਡਸ਼ੀਟ ਨੇ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਕਾਲਮ ਵਿਚ ਸੁਤਰ ਵਰਤਿਆ ਹੈ ਜੋ QTY ਸਿਰਲੇਖ ਹੇਠ ਕੁਲ ਨੰਬਰ ਅਤੇ COST ਸਿਰਲੇਖ ਹੇਠ ਕੀਮਤਾਂ ਦੋਹਾਂ ਦਾ ਗੁਣਾ ਕਰਕੇ ਹਰ ਆਈਟਮ ਦੀ ਕੀਮਤ ਕੈਲਕ्युਲੇਟ ਕਰਦਾ ਹੈ। ਸੈੱਲ 'ਤੇ ਡਬਲ ਕਲਿੱਕ ਕਰਨ ਜਾਂ ਉਸਨੂੰ ਹਾਈਲਾਈਟ ਕਰਨ ‘ਤੇ ਫਾਰਮੂਲਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਫਾਰਮੂਲੇ ਇੱਕ ਬਰਾਬਰ ਦੇ ਨਿਸ਼ਾਨ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਕੈਲਕੁਲੇਸ਼ਨ ਜਾਂ ਓਪਰੇਸ਼ਨ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ।
-
+
-ਅਸੀਂ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਦੀਆਂ ਸਾਰੀਆਂ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜ ਕੇ ਇਸਦੀ ਕੁੱਲ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ ਫਾਰਮੂਲਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਇਹ ਹਰੇਕ ਸੈਲ ਨੂੰ ਜੋੜ ਕੇ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਥਕਾਵਟ ਭਰਿਆ ਕੰਮ ਹੋ ਸਕਦਾ ਹੈ। ਐਕਸਲ ਵਿੱਚ [**ਫੰਕਸ਼ਨ**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89) ਹੁੰਦੇ ਹਨ, ਜਾਂ ਸੈਲ ਮੁੱਲਾਂ 'ਤੇ ਗਣਨਾ ਕਰਨ ਲਈ ਪੂਰਵ-ਪਰਿਭਾਸ਼ਿਤ ਫਾਰਮੂਲੇ। ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਦਲੀਲਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਇਹ ਗਣਨਾਵਾਂ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਮੁੱਲ ਹਨ। ਜਦੋਂ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਇੱਕ ਤੋਂ ਵੱਧ ਦਲੀਲਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਕ੍ਰਮ ਵਿੱਚ ਸੂਚੀਬੱਧ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਨਹੀਂ ਤਾਂ ਫੰਕਸ਼ਨ ਸਹੀ ਮੁੱਲ ਦੀ ਗਣਨਾ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇਸ ਉਦਾਹਰਣ ਵਿੱਚ SUM ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਦਲੀਲ ਵਜੋਂ ਵਰਤ ਕੇ ਕੁੱਲ ਮੁੱਲ B3 (ਕਤਾਰ 3, ਕਾਲਮ B) ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।
+ਸਾਡੇ ਕੋਲ ਹੋਰ ਇੱਕ ਫਾਰਮੂਲਾ ਹੈ ਜੋ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਦੇ ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜ ਕੇ ਕੁੱਲ ਮੁੱਲ ਦੱਸਦਾ ਹੈ। ਇਹ ਸਾਰੇ ਸੈੱਲਾਂ ਨੂੰ ਜੋੜ ਕੇ ਕਰ ਸਕਦੇ ਹਾਂ, ਪਰ ਇਹ ਥਕਾਵਟ ਭਰਾ ਕੰਮ ਹੋਵੇਗਾ। ਐਕਸਲ ਵਿੱਚ [**ਫੰਕਸ਼ਨਾਂ**](https://support.microsoft.com/en-us/office/sum-function-043e1c7d-7726-4e80-8f32-07b23e057f89) ਦਾ ਉਪਯੋਗ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਪਹਿਲਾਂ ਹੀ ਪਰਿਭਾਸ਼ਤ ਫਾਰਮੂਲੇ ਹੁੰਦੇ ਹਨ ਜੋ ਸੈੱਲ ਮੁੱਲਾਂ 'ਤੇ ਗਣਿਤ ਸਮੀਕਰਨ ਕਰਦੇ ਹਨ। ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਆਰਗੁਮੈਂਟ ਚਾਹੀਦੇ ਹੁੰਦੇ ਹਨ, ਜੋ ਉਹ ਮੁੱਲ ਹਨ ਜੋ ਇਹ ਕੈਲਕੁਲੇਸ਼ਨ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਜਦੋਂ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਇੱਕ ਤੋਂ ਵੱਧ ਆਰਗੁਮੈਂਟ ਚਾਹੀਦੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਕਿਸੇ ਖਾਸ ਕ੍ਰਮ ਵਿਚ ਲਿਖਣਾ ਲਾਜ਼ਮੀ ਹੁੰਦਾ ਹੈ, ਨਹੀਂ ਤਾਂ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਸਹੀ ਕੀਮਤ ਨਹੀਂ ਬਣਾ ਸਕਦੇ। ਇਸ ਉਦਾਹਰਨ ਵਿੱਚ SUM ਫੰਕਸ਼ਨ ਵਰਤਿਆ ਗਿਆ ਹੈ, ਜੋ ਇਨਵੈਂਟਰੀ ਵੈਲਯੂ ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਰੋ 3, ਕਾਲਮ B (ਜੋ B3 ਵੀ ਕਹਾਉਂਦਾ ਹੈ) ਹੇਠ ਲਿਖੀ ਕੁੱਲ ਕੀਮਤ ਮਿਲੇ।
## NoSQL
-NoSQL ਗੈਰ-ਸੰਬੰਧਿਤ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਲਈ ਇੱਕ ਛਤਰੀ ਸ਼ਬਦ ਹੈ ਅਤੇ ਇਸਨੂੰ "non-SQL", "non-relational" ਜਾਂ "not only SQL" ਵਜੋਂ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਡਾਟਾਬੇਸ ਸਿਸਟਮਾਂ ਨੂੰ 4 ਕਿਸਮਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+NoSQL ਇੱਕ ਛੱਤਰ ਸ਼ਬਦ ਹੈ ਜੋ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਸਟੋਰ ਕਰਨ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ "ਗੈਰ-SQL", "ਗੈਰ-ਰਿਲੇਸ਼ਨਲ" ਜਾਂ "ਸਿਰਫ SQL ਨਹੀਂ" ਦੇ ਤੌਰ 'ਤੇ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਾਰ ਦੇ ਡੇਟਾਬੇਸ ਸਿਸਟਮ 4 ਕਿਸਮਾਂ ਵਿੱਚ ਵੰਡੇ ਜਾ ਸਕਦੇ ਹਨ।
-
-> [Michał Białecki Blog](https://www.michalbialecki.com/2018/03/18/azure-cosmos-db-key-value-database-cloud/) ਤੋਂ ਸਰੋਤ
+
+> ਸਰੋਤ [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) ਡਾਟਾਬੇਸ ਵਿਲੱਖਣ ਕੁੰਜੀਆਂ ਨੂੰ ਜੋੜਦੇ ਹਨ, ਜੋ ਕਿ ਇੱਕ ਵਿਲੱਖਣ ਪਛਾਣਕਰਤਾ ਹੁੰਦਾ ਹੈ ਜੋ ਇੱਕ ਮੁੱਲ ਨਾਲ ਸੰਬੰਧਿਤ ਹੁੰਦਾ ਹੈ। ਇਹ ਜੋੜੇ [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।
+[ਕੀ-ਵੈਲਯੂ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#keyvalue-data-stores) ਡੇਟਾਬੇਸ ਇਕ ਵੱਖਰੀ ਚਾਬੀ ਨੂੰ ਜੋੜਦੇ ਹਨ, ਜੋ ਇੱਕ ਵਿਲੱਖਣ ਪਹਿਚਾਣਕ ਹੈ ਜੋ ਕਿਸੇ ਮੁੱਲ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ। ਇਹ ਜੋੜ [ਹੈਸ਼ ਟੇਬਲ](https://www.hackerearth.com/practice/data-structures/hash-tables/basics-of-hash-tables/tutorial/) ਦੀ ਵਰਤੋਂ ਨਾਲ ਸੰਭਾਲੇ ਜਾਂਦੇ ਹਨ ਜਿਸ ਵਿਚ ਇੱਕ ਯੋਗ ਹੈਸ਼ਿੰਗ ਫੰਕਸ਼ਨ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-
-> [Microsoft](https://docs.microsoft.com/en-us/azure/cosmos-db/graph/graph-introduction#graph-database-by-example) ਤੋਂ ਸਰੋਤ
+
+> ਸਰੋਤ [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) ਡਾਟਾਬੇਸ ਡਾਟਾ ਵਿੱਚ ਰਿਸ਼ਤਿਆਂ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਨੋਡ ਅਤੇ ਐਜਜ਼ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਨੋਡ ਇੱਕ ਇਕਾਈ ਦਾ ਪ੍ਰਤੀਨਿਧੀ ਹੁੰਦਾ ਹੈ, ਜੋ ਕਿ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਮੌਜੂਦ ਹੁੰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਇੱਕ ਵਿਦਿਆਰਥੀ ਜਾਂ ਬੈਂਕ ਬਿਆਨ। ਐਜਜ਼ ਦੋ ਇਕਾਈਆਂ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਰ ਨੋਡ ਅਤੇ ਐਜ ਵਿੱਚ ਗੁਣ ਹੁੰਦੇ ਹਨ ਜੋ ਹਰ ਨੋਡ ਅਤੇ ਐਜਜ਼ ਬਾਰੇ ਵਾਧੂ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
+[ਗ੍ਰਾਫ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#graph-data-stores) ਡੇਟਾਬੇਸ ਡਾਟਾ ਵਿੱਚ ਸੰਬੰਧਾਂ ਨੂੰ ਵਰਣਨ ਕਰਦੇ ਹਨ ਅਤੇ ਇਹ ਨੋਡਸ ਅਤੇ ਐੱਜਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਦਿੱਖਾਈ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਨੋਡ ਇੱਕ ਪ੍ਰਾਣੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਅਸਲੀ ਦੁਨੀਆ ਵਿੱਚ ਮੌਜੂਦ ਕੁਝ ਵਜੋਂ ਹੈ, ਜਿਵੇਂ ਕਿ ਵਿਦਿਆਰਥੀ ਜਾਂ ਬੈਂਕ ਬਿਆਨ। ਐੱਜ ਦੋ ਜੀਵਾਂ ਵਿਚਕਾਰ ਦੇ ਸੰਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਰ ਨੋਡ ਅਤੇ ਐੱਜ ਦੀਆਂ ਕੁਝ ਗੁਣਵੱਤਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਹਰ ਨੋਡ ਅਤੇ ਐੱਜ ਬਾਰੇ ਵਧੀਕ ਜਾਣਕਾਰੀ ਦਿੰਦੀਆਂ ਹਨ।
-
+
-[Columnar](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 ਸੰਬੰਧਿਤ ਡਾਟਾ ਸਟ੍ਰਕਚਰ, ਪਰ ਹਰ ਕਾਲਮ ਨੂੰ ਕਾਲਮ ਪਰਿਵਾਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਕਾਲਮ ਦੇ ਹੇਠਾਂ ਸਾਰਾ ਡਾਟਾ ਸੰਬੰਧਿਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਇਕਾਈ ਵਿੱਚ ਪ੍ਰਾਪਤ ਅਤੇ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
+[ਕਾਲਮ-ਆਧਾਰਿਤ](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 ਵੰਡਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਸਟ੍ਰਕਚਰ, ਪਰ ਹਰ ਕਾਲਮ ਨੂੰ ਕਾਲਮ ਪਰਿਵਾਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਇਕ ਕਾਲਮ ਹੇਠ ਸਾਰਾ ਡਾਟਾ ਜੁੜਿਆ ਹੋਇਆ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਇਕਾਈ ਵਜੋਂ ਉਧਾਰ ਲਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਹੀ ਦੁਬਾਰਾ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ।
-### ਡੌਕੂਮੈਂਟ ਡਾਟਾ ਸਟੋਰਜ਼ ਨਾਲ Azure Cosmos DB
+### ਏਜ਼ਿਊਰ ਕੋਸਮੋਸ DB ਨਾਲ ਡੌਕੂਮੇਂਟ ਡਾਟਾ ਸਟੋਰ
-[Document](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) ਡਾਟਾ ਸਟੋਰਜ਼ ਕੁੰਜੀ-ਮੁੱਲ ਡਾਟਾ ਸਟੋਰ ਦੇ ਸੰਕਲਪ 'ਤੇ ਬਣਦੇ ਹਨ ਅਤੇ ਖੇਤਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦੀ ਇੱਕ ਲੜੀ ਤੋਂ ਬਣਦੇ ਹਨ। ਇਸ ਭਾਗ ਵਿੱਚ Cosmos DB ਇਮੂਲੇਟਰ ਨਾਲ ਡੌਕੂਮੈਂਟ ਡਾਟਾਬੇਸ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਵੇਗੀ।
+[ਡੌਕੂਮੈਂਟ](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data#document-data-stores) ਡਾਟਾ ਸਟੋਰ ਕੀ-ਵੈਲਯੂ ਡਾਟਾ ਸਟੋਰ ਦੇ ਕਾਂਸੈਪਟ 'ਤੇ ਬਣਾਏ ਜਾਂਦੇ ਹਨ ਅਤੇ ਇਹ ਖੇਤਰਾਂ ਅਤੇ ਆਬਜੈਕਟਾਂ ਦੀ ਇੱਕ ਕੜੀ ਹੁੰਦੇ ਹਨ। ਇਹ ਹਿੱਸਾ ਕੋਸਮੋਸ DB ਇਮੀਲੇਟਰ ਸਾਥ ਡੌਕੂਮੈਂਟ ਡੇਟਾਬੇਸਾਂ ਦੀ ਖੋਜ ਕਰੇਗਾ।
-Cosmos DB ਡਾਟਾਬੇਸ "Not Only SQL" ਦੀ ਪਰਿਭਾਸ਼ਾ 'ਤੇ ਫਿੱਟ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ Cosmos DB ਦਾ ਡੌਕੂਮੈਂਟ ਡਾਟਾਬੇਸ ਡਾਟਾ ਨੂੰ ਕਵੈਰੀ ਕਰਨ ਲਈ SQL 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। SQL 'ਤੇ [ਪਿਛਲੇ ਪਾਠ](../05-relational-databases/README.md) ਵਿੱਚ ਭਾਸ਼ਾ ਦੇ ਮੁੱਢਲੇ ਅੰਸ਼ਾਂ ਨੂੰ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਅਤੇ ਅਸੀਂ ਇੱਥੇ ਡੌਕੂਮੈਂਟ ਡਾਟਾਬੇਸ 'ਤੇ ਕੁਝ ਸਮਾਨ ਕਵੈਰੀਆਂ ਲਾਗੂ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵਾਂਗੇ। ਅਸੀਂ Cosmos DB ਇਮੂਲੇਟਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਾਂ, ਜੋ ਸਾਨੂੰ ਇੱਕ ਡੌਕੂਮੈਂਟ ਡਾਟਾਬੇਸ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਕੰਪਿਊਟਰ 'ਤੇ ਬਣਾਉਣ ਅਤੇ ਐਕਸਪਲੋਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਮੂਲੇਟਰ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ [ਇੱਥੇ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21)।
+ਕੋਸਮੋਸ DB ਡੇਟਾਬੇਸ "Not Only SQL" ਦੀ ਪਰਿਭਾਸ਼ਾ ਵਿੱਚ ਫਿੱਟ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਕੋਸਮੋਸ DB ਦਾ ਡੌਕੂਮੈਂਟ ਡੇਟਾਬੇਸ ਡਾਟੇ ਨੂੰ ਕਵੈਰੀ ਕਰਨ ਲਈ SQL 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। [ਪਿਛਲੇ ਪਾਠ](../05-relational-databases/README.md) ਵਿੱਚ SQL ਦੀਆਂ ਬੁਨਿਆਦੀ ਗੱਲਾਂ ਕਰਾਈਆਂ ਗਈਆਂ ਹਨ, ਅਤੇ ਅਸੀਂ ਇੱਥੇ ਵੀ ਕੁਝ ਉਹੀ ਕਵੈਰੀਆਂ ਡੌਕੂਮੈਂਟ ਡੇਟਾਬੇਸਾਂ 'ਤੇ ਲਾਗੂ ਕਰਾਂਗੇ। ਅਸੀਂ Cosmos DB Emulator ਵਰਤਾਂਗੇ, ਜੋ ਸਾਡੇ ਨੂੰ ਕੰਪਿਊਟਰ 'ਤੇ ਲੋਕਲ ਡੌਕੂਮੈਂਟ ਡੇਟਾਬੇਸ ਬਣਾਉਣ ਅਤੇ ਖੋਜ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇਮੀਲੇਟਰ ਬਾਰੇ ਹੋਰ ਪੜ੍ਹੋ [ਇਥੇ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21)।
-ਡੌਕੂਮੈਂਟ ਖੇਤਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦੀਆਂ ਮੁੱਲਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਖੇਤਰ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਵਸਤੂਆਂ ਦੀ ਮੁੱਲ ਕੀ ਦਰਸਾਉਂਦੀ ਹੈ। ਹੇਠਾਂ ਇੱਕ ਡੌਕੂਮੈਂਟ ਦਾ ਉਦਾਹਰਣ ਦਿੱਤਾ ਗਿਆ ਹੈ।
+ਇੱਕ ਡੌਕੂਮੈਂਟ ਖੇਤਰਾਂ ਅਤੇ ਆਬਜੈਕਟ ਮੁੱਲਾਂ ਦੀ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ, ਜਿੱਥੇ ਖੇਤਰ ਦੱਸਦੇ ਹਨ ਕਿ ਆਬਜੈਕਟ ਮੁੱਲ ਦਾ ਕੀ ਅਰਥ ਹੈ। ਹੇਠਾਂ ਇੱਕ ਡੌਕੂਮੈਂਟ ਦੀ ਉਦਾਹਰਨ ਦਿੱਤੀ ਗਈ ਹੈ।
```json
{
@@ -71,33 +71,84 @@ Cosmos DB ਡਾਟਾਬੇਸ "Not Only SQL" ਦੀ ਪਰਿਭਾਸ਼ਾ '
}
```
-ਇਸ ਡੌਕੂਮੈਂਟ ਵਿੱਚ ਦਿਲਚਸਪੀ ਦੇ ਖੇਤਰ ਹਨ: `firstname`, `id`, ਅਤੇ `age`। Cosmos DB ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਖੇਤਰਾਂ ਦੇ ਬਾਕੀ ਹਿੱਸੇ ਅੰਡਰਸਕੋਰ ਨਾਲ ਹਨ।
+ਇਸ ਡੌਕੂਮੈਂਟ ਵਿੱਚ ਦਿਲਚਸਪੀ ਵਾਲੇ ਖੇਤਰ ਹਨ: `firstname`, `id`, ਅਤੇ `age`। ਬਾਕੀ ਖੇਤਰ ਜਿਨ੍ਹਾਂ ਦੇ ਅੱਗੇ ਅੰਡਰਸਕੋਰ ਹਨ, ਉਹ ਕੋਸਮੋਸ DB ਵਲੋਂ ਬਣਾਏ ਗਏ ਹਨ।
-#### Cosmos DB ਇਮੂਲੇਟਰ ਨਾਲ ਡਾਟਾ ਦੀ ਜਾਂਚ
+#### ਕੋਸਮੋਸ DB ਇਮੀਲੇਟਰ ਨਾਲ ਡਾਟਾ ਦੀ ਖੋਜ
-ਤੁਸੀਂ ਇਮੂਲੇਟਰ ਨੂੰ [Windows ਲਈ ਇੱਥੇ](https://aka.ms/cosmosdb-emulator) ਡਾਊਨਲੋਡ ਅਤੇ ਇੰਸਟਾਲ ਕਰ ਸਕਦੇ ਹੋ। macOS ਅਤੇ Linux ਲਈ ਇਮੂਲੇਟਰ ਚਲਾਉਣ ਦੇ ਵਿਕਲਪਾਂ ਲਈ ਇਸ [ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) ਨੂੰ ਵੇਖੋ।
+ਤੁਸੀਂ ਇਮੀਲੇਟਰ ਨੂੰ [ਵਿੰਡੋਜ਼ ਲਈ ਇੱਥੇ ਡਾਊਨਲੋਡ ਅਤੇ ਇੰਸਟਾਲ ਕਰ ਸਕਦੇ ਹੋ](https://aka.ms/cosmosdb-emulator)। macOS ਅਤੇ Linux ਲਈ ਇਮੀਲੇਟਰ ਚਲਾਉਣ ਦੇ ਔਪਸ਼ਨ ਲਈ ਇਸ [ਦਸਤਾਵੇਜ਼ ਨੂੰ](https://docs.microsoft.com/en-us/azure/cosmos-db/local-emulator?tabs=ssl-netstd21#run-on-linux-macos) ਵੇਖੋ।
-ਇਮੂਲੇਟਰ ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਵਿੰਡੋ ਲਾਂਚ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ ਐਕਸਪਲੋਰਰ ਦ੍ਰਿਸ਼ ਤੁਹਾਨੂੰ ਡੌਕੂਮੈਂਟਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।
+ਇਮੀਲੇਟਰ ਇੱਕ ਬ੍ਰਾਊਜ਼ਰ ਵਿੰਡੋ ਖੋਲਦਾ ਹੈ, ਜਿੱਥੇ ਐਕਸਪਲੋਰਰ ਵਿਊ ਤੁਹਾਨੂੰ ਡੌਕੂਮੈਂਟ ਨੂੰ ਖੋਜਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।
-
+
-ਜੇਕਰ ਤੁਸੀਂ ਅਨੁਸਰਣ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ "Start with Sample" 'ਤੇ ਕਲਿਕ ਕਰੋ ਤਾਂ ਜੋ ਇੱਕ ਸੈਂਪਲ ਡਾਟਾਬੇਸ SampleDB ਬਣਾਇਆ ਜਾ ਸਕੇ। ਜੇਕਰ ਤੁਸੀਂ SampleDB ਨੂੰ ਫੈਲਾਉਣ ਲਈ ਤੀਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਤਾਂ ਤੁਹਾਨੂੰ `Persons` ਨਾਮਕ ਇੱਕ ਕੰਟੇਨਰ ਮਿਲੇਗਾ। ਕੰਟੇਨਰ ਵਿੱਚ ਆਈਟਮਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ, ਜੋ ਕਿ ਕੰਟੇਨਰ ਦੇ ਅੰਦਰ ਡੌਕੂਮੈਂਟ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ `Items` ਦੇ ਹੇਠਾਂ ਚਾਰ ਵਿਅਕਤੀਗਤ ਡੌਕੂਮੈਂਟਾਂ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹੋ।
+ਜੇ ਤੁਸੀਂ ਨਾਲ ਨਾਲ ਕਰ ਰਹੇ ਹੋ ਤਾਂ "Start with Sample" 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਤਾਂ ਜੋ SampleDB ਨਾਂ ਦਾ ਨਮੂਨਾ ਡੇਟਾਬੇਸ ਬਣ ਜਾਵੇ। Sample DB ਨੂੰ ਤੀਰ ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਖੋਲ੍ਹਣ 'ਤੇ ਤੁਸੀਂ `Persons` ਨਾਂ ਦੇ ਕੰਟੇਨਰ ਨੂੰ ਲੱਭੋਗੇ, ਜੋ ਆਈਟਮਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ, ਜਿਹੜੇ ਕੰਟੇਨਰ ਵਿੱਚ ਡੌਕੂਮੈਂਟ ਹਨ। ਤੁਸੀਂ `Items` ਹੇਠਲੇ ਚਾਰ ਵੱਖਰੇ ਡੌਕੂਮੈਂਟਾਂ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹੋ।
-
+
-#### Cosmos DB ਇਮੂਲੇਟਰ ਨਾਲ ਡੌਕੂਮੈਂਟ ਡਾਟਾ ਦੀ ਕਵੈਰੀ
+#### ਕੋਸਮੋਸ DB ਇਮੀਲੇਟਰ ਨਾਲ ਡੌਕੂਮੈਂਟ ਡਾਟਾ ਦੀ ਕਵੈਰੀ
-ਅਸੀਂ ਨਵੀਂ SQL ਕਵੈਰੀ ਬਟਨ (ਖੱਬੇ ਤੋਂ ਦੂਜਾ ਬਟਨ) 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਸੈਂਪਲ ਡਾਟਾ ਦੀ ਕਵੈਰੀ ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ।
+ਅਸੀਂ ਨਵੀਂ SQL ਕਵੈਰੀ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ ਨਮੂਨਾ ਡਾਟਾ ਦੀ ਕਵੈਰੀ ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ (ਖੱਬੇ ਤੋਂ ਦੂਜੀ ਬਟਨ)।
-`SELECT * FROM c` ਕੰਟੇਨਰ ਵਿੱਚ ਸਾਰੇ ਡੌਕੂਮੈਂਟਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਆਓ ਇੱਕ where ਕਲੌਜ਼ ਸ਼ਾਮਲ ਕਰੀਏ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲੱਭੀਏ ਜੋ 40 ਤੋਂ ਛੋਟੇ ਹਨ।
+`SELECT * FROM c` ਕੰਟੇਨਰ ਵਿਚ ਸਾਰੇ ਡੌਕੂਮੈਂਟ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਚਲੋ ਇੱਕ where ਕਲਾਜ਼ ਜੋੜ ਕੇ ਉਹ ਸਾਰੇ ਲੱਭੀਏ ਜਿਨ੍ਹਾਂ ਦੀ ਉਮਰ 40 ਤੋਂ ਘੱਟ ਹੈ।
`SELECT * FROM c where c.age < 40`
-
+ 
-ਕਵੈਰੀ ਦੋ ਡੌਕੂਮੈਂਟਾਂ ਨੂੰ ਵਾਪਸ ਕਰਦੀ ਹੈ
+ਕਵੈਰੀ ਦੋ ਡੌਕੂਮੈਂਟ ਵਾਪਸ ਕਰਦੀ ਹੈ, ਧਿਆਨ ਦਿਓ ਕਿ ਹਰ ਡੌਕੂਮੈਂਟ ਵਿੱਚ age ਮੁੱਲ 40 ਤੋਂ ਘੱਟ ਹੈ।
+
+#### JSON ਅਤੇ ਡੌਕੂਮੈਂਟ
+
+ਜੇਕਰ ਤੁਸੀਂ ਜਾਵਾਸਕ੍ਰਿਪਟ ਆਬਜੈਕਟ ਨੋਟੇਸ਼ਨ (JSON) ਨਾਲ ਜਾਣੂ ਹੋ ਤਾਂ ਤੁਸੀਂ ਦੇਖੋਂਗੇ ਕਿ ਡੌਕੂਮੈਂਟ JSON ਵਰਗੇ ਹਨ। ਇਸ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ `PersonsData.json` ਫਾਈਲ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ ਇਮੀਲੇਟਰ ਵਿੱਚ Persons ਕੰਟੇਨਰ ਵਿੱਚ `Upload Item` ਬਟਨ ਰਾਹੀਂ ਅਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਉਹ ਏਪੀਆਈ ਜੋ JSON ਡਾਟਾ ਹੇਠਾਂ ਦਿੰਦੇ ਹਨ, ਉਹ ਬਿਲਕੁਲ ਸੀਧਾ ਡੌਕੂਮੈਂਟ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸ਼ਾਮਿਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਹੇਠਾਂ ਹੋਰ ਇੱਕ ਡੌਕੂਮੈਂਟ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਜੋ ਮਾਇਕਰੋਸੌਫਟ ਟਵਿੱਟਰ ਖਾਤੇ ਤੋਂ ਟਵੀਟਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ Twitter API ਦੀ ਵਰਤੋਂ ਨਾਲ ਪ੍ਰਾਪਤ ਹੋ ਕੇ ਕੋਸਮੋਸ DB ਵਿੱਚ ਦਰਜ ਕੀਤੇ ਗਏ।
+
+```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 ਡੌਕੂਮੈਂਟ ਵਿੱਚ ਦਿਲਚਸਪੀ ਵਾਲੇ ਖੇਤਰ ਹਨ: `created_at`, `id`, ਅਤੇ `text`।
+
+## 🚀 ਚੈਲੈਂਜ
+
+
+`TwitterData.json` ਫਾਈਲ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ SampleDB ਡੇਟਾਬੇਸ ਵਿੱਚ ਅਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਵੱਖਰੇ ਕੰਟੇਨਰ ਵਿੱਚ ਸ਼ਾਮਿਲ ਕਰੋ। ਇਹ ਕੰਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:
+
+1. ਉੱਤਰ-ਸੱਜੇ ਕੋਨੇ ਵਿੱਚ ਨਵਾਂ ਕੰਟੇਨਰ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰਕੇ
+1. ਮੌਜੂਦਾ ਡੇਟਾਬੇਸ (SampleDB) ਚੁਣ ਕੇ ਕੰਟੇਨਰ ਲਈ ਇੱਕ ਆਈਡੀ ਬਣਾਉਂਦੇ ਹੋਏ
+1. partition key ਨੂੰ `/id` ਤੇ ਸੈੱਟ ਕਰਨਾ
+1. OK 'ਤੇ ਕਲਿੱਕ ਕਰਨਾ (ਤੁਸੀਂ ਦਰਸ਼ਵਾਏ ਹੋਏ ਹੋਰ ਜਾਣਕਾਰੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰ ਸਕਦੇ ਹੋ ਕਿਉਂਕਿ ਇਹ ਛੋਟਾ ਡੇਟਾਸੈੱਟ ਤੁਹਾਡੇ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ ਦੌੜ ਰਿਹਾ ਹੈ)
+1. ਆਪਣਾ ਨਵਾਂ ਕੰਟੇਨਰ ਖੋਲ੍ਹੋ ਅਤੇ Twitter Data ਫਾਈਲ ਨੂੰ `Upload Item` ਬਟਨ ਨਾਲ ਅਪਲੋਡ ਕਰੋ
+
+ਕੁਝ SELECT ਕਵੈਰੀਆਂ ਚਲਾਉਂਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਤਾਂ ਜੋ ਉਹ ਡੌਕੂਮੈਂਟ ਲੱਭ ਸਕੋ ਜੋ `text` ਖੇਤਰ ਵਿੱਚ Microsoft ਸ਼ਬਦ ਰੱਖਦੇ ਹੋਣ। ਸੂਚਨਾ: [LIKE ਕੀਵਰਡ](https://docs.microsoft.com/en-us/azure/cosmos-db/sql/sql-query-keywords#using-like-with-the--wildcard-character) ਵਰਤ ਕੇ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+
+## [ਪਿੱਛੇ-ਵਿਆਖਿਆਨ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/11)
+
+
+
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+
+- ਇਸ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਕੁਝ ਹੋਰ ਫਾਰਮੈਟਿੰਗ ਅਤੇ ਫੀਚਰ ਹਨ ਜੋ ਇਹ ਪਾਠ ਕਵਰ ਨਹੀਂ ਕਰਦਾ। ਜੇ ਤੁਸੀਂ ਹੋਰ ਜਾਣਕਾਰੀ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਮਾਇਕਰੋਸੌਫਟ ਨੇ ਐਕਸਲ ਬਾਰੇ ਇੱਕ [ਵੱਡਾ ਡੋਕਯੂਮੈਂਟੇਸ਼ਨ ਅਤੇ ਵੀਡਿਓ ਲਾਇਬ੍ਰੇਰੀ](https://support.microsoft.com/excel) ਬਣਾਈ ਹੈ।
+
+- ਇਹ ਆਰਕੀਟੈਕਚਰਲ ਦਸਤਾਵੇਜ਼ਾਕਾਰ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਦੇ ਵੱਖਰਾ-ਵੱਖਰਾ ਕਿਸਮਾਂ ਦੀਆਂ ਖਾਸੀਅਤਾਂ ਨੂੰ ਵੇਰਵਾ ਦਿੰਦਾ ਹੈ: [ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡਾਟਾ ਅਤੇ NoSQL](https://docs.microsoft.com/en-us/azure/architecture/data-guide/big-data/non-relational-data)
+
+- ਕੋਸਮੋਸ DB ਇੱਕ ਕਲਾਉਡ ਅਧਾਰਿਤ ਗੈਰ-ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਹੈ ਜੋ ਇਸ ਪਾਠ ਵਿੱਚ ਦਿੱਤੀ ਗਈ ਵੱਖ-ਵੱਖ NoSQL ਕਿਸਮਾਂ ਨੂੰ ਭੀ ਸਟੋਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਕਿਸਮਾਂ ਬਾਰੇ ਹੋਰ ਸਿੱਖੋ ਇਸ [Cosmos DB Microsoft Learn ਮੋਡੀਊਲ](https://docs.microsoft.com/en-us/learn/paths/work-with-nosql-data-in-azure-cosmos-db/) ਵਿੱਚ।
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[Soda Profits](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 ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।
\ No newline at end of file
+
+**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।
+
\ 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
index 344b0c0c..e42b3f48 100644
--- a/translations/pa/2-Working-With-Data/07-python/README.md
+++ b/translations/pa/2-Working-With-Data/07-python/README.md
@@ -1,60 +1,62 @@
-# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਪਾਇਥਨ ਅਤੇ ਪੈਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ
+# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਪਾਈਥਨ ਅਤੇ ਪੈਂਡਾਸ ਲਾਇਬ੍ਰੇਰੀ
-|  ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/07-WorkWithPython.png) |
-| :---------------------------------------------------------------------------------------------------------------: |
-| ਪਾਇਥਨ ਨਾਲ ਕੰਮ ਕਰਨਾ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+|  ](../../sketchnotes/07-WorkWithPython.png) |
+| :-------------------------------------------------------------------------------------------------------: |
+| ਪਾਈਥਨ ਨਾਲ ਕੰਮ ਕਰਨਾ - _ਸਕੈਚਨੋਟ ਦੁਆਰਾ [@nitya](https://twitter.com/nitya)_ |
-[](https://youtu.be/dZjWOGbsN4Y)
+[](https://youtu.be/dZjWOGbsN4Y)
-ਜਦੋਂ ਕਿ ਡਾਟਾਬੇਸ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ ਅਤੇ ਕਵੈਰੀ ਲੈਂਗਵੇਜਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਵੈਰੀ ਕਰਨ ਦੇ ਲਈ ਬਹੁਤ ਕੁਸ਼ਲ ਤਰੀਕੇ ਪੇਸ਼ ਕਰਦੇ ਹਨ, ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਸਭ ਤੋਂ ਲਚਕਦਾਰ ਤਰੀਕਾ ਆਪਣਾ ਪ੍ਰੋਗਰਾਮ ਲਿਖਣਾ ਹੈ ਜੋ ਡਾਟਾ ਨੂੰ ਮੋੜ ਸਕੇ। ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਡਾਟਾਬੇਸ ਕਵੈਰੀ ਕਰਨਾ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗਾ। ਹਾਲਾਂਕਿ ਕੁਝ ਮਾਮਲਿਆਂ 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 ਹਿਸਾਬ ਨਾਲ ਉੱਚ ਪੱਧਰ ਦੀਆਂ ਹਨ। ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਆਮ ਤੌਰ 'ਤੇ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ:
+ਜਦੋਂਕਿ ਡੇਟਾਬੇਸ ਡੇਟਾ ਸਟੋਰੇਜ ਅਤੇ ਪੁੱਛਗਿੱਛ ਲਈ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਦਿੰਦੇ ਹਨ, ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਸਭ ਤੋਂ ਲਚਕੀਲਾ ਤਰੀਕਾ ਆਪਣੇ ਆਪ ਦਾ ਪ੍ਰੋਗ੍ਰਾਮ ਲਿਖ ਕੇ ਡੇਟਾ ਨੂੰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸੰਭਾਲਣਾ ਹੈ। ਬਹੁਤ ਸਾਰੀਆਂ ਹਾਲਤਾਂ ਵਿੱਚ, ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛ ਇੱਕ ਵੱਧ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੁੰਦੀ ਹੈ। ਪਰ ਕੁਝ ਹਾਲਤਾਂ ਵਿਚ, ਜਦੋਂ ਜ਼ਿਆਦਾ ਨਸੀਬਦਾਰ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਇਹ SQL ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
+ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਿਸੇ ਵੀ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਭਾਸ਼ਾ ਵਿੱਚ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਕੁਝ ਭਾਸ਼ਾਵਾਂ ਹਨ ਜੋ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਉੱਚ ਸਤਰ ਦੀਆਂ ਹਨ। ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਆਮ ਤੌਰ 'ਤੇ ਹੇਠ ਲਿਖੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਰਤਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ:
-* **[ਪਾਇਥਨ](https://www.python.org/)**, ਇੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ, ਜੋ ਅਕਸਰ ਇਸਦੀ ਸਧਾਰਨਤਾ ਦੇ ਕਾਰਨ ਸ਼ੁਰੂਆਤ ਕਰਨ ਵਾਲਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਮੰਨੀ ਜਾਂਦੀ ਹੈ। ਪਾਇਥਨ ਵਿੱਚ ਕਈ ਵਾਧੂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਈ ਵਿਆਵਹਾਰਿਕ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ZIP ਆਰਕਾਈਵ ਤੋਂ ਤੁਹਾਡਾ ਡਾਟਾ ਕੱਢਣਾ, ਜਾਂ ਤਸਵੀਰ ਨੂੰ ਗ੍ਰੇਸਕੇਲ ਵਿੱਚ ਬਦਲਣਾ। ਡਾਟਾ ਸਾਇੰਸ ਤੋਂ 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 ਸੰਗ੍ਰਹਿ (CRAN) ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਕਰਕੇ ਇਹ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਇੱਕ ਚੰਗਾ ਚੋਣ ਹੈ। ਹਾਲਾਂਕਿ, R ਇੱਕ ਜਨਰਲ-ਪਰਪਜ਼ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਡਾਟਾ ਸਾਇੰਸ ਖੇਤਰ ਤੋਂ ਬਾਹਰ ਕਦਾਚਿਤ ਹੀ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-* **[ਜੂਲੀਆ](https://julialang.org/)** ਇੱਕ ਹੋਰ ਭਾਸ਼ਾ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਵਿਕਸਿਤ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਪਾਇਥਨ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਜਿਸ ਕਰਕੇ ਇਹ ਵਿਗਿਆਨਕ ਪ੍ਰਯੋਗਾਂ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਸਾਧਨ ਹੈ।
+* **[ਪਾਈਥਨ](https://www.python.org/)**, ਇੱਕ ਜਨਰਲ-ਪ੍ਰਯੋਜਨ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਭਾਸ਼ਾ, ਜੋ ਆਪਣੀ ਸਾਦਗੀ ਕਰਕੇ ਸ਼ੁਰੂਆਤੀ ਲੋਕਾਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨੀ ਜਾਂਦੀ ਹੈ। ਪਾਈਥਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਵਾਧੂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਕਈ ਪ੍ਰਾਇਕਟਿਕਲ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕੱਢਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ZIP ਆਰਕਾਈਵ ਤੋਂ ਤੁਹਾਡਾ ਡਾਟਾ ਕੱਢਣਾ, ਜਾਂ ਤਸਵੀਰ ਨੂੰ ਗ੍ਰੇਸਕੇਲ ਵਿੱਚ ਬਦਲਣਾ। ਡਾਟਾ ਸਾਇੰਸ ਤੋਂ ਇਲਾਵਾ, ਪਾਈਥਨ ਵੈੱਬ ਵਿਕਾਸ ਲਈ ਵੀ ਅਕਸਰ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
+* **[ਆਰ](https://www.r-project.org/)** ਇੱਕ ਪੰਰੰਪਰਿਕ ਟੂਲਬਾਕਸ ਹੈ ਜੋ ਸਾਂਖਿਆਕੀ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਵਿੱਚ ਕਈ ਵੱਡੇ ਲਾਇਬ੍ਰੇਰੀ ਰਿਪੋਜ਼ਟਰੀ (CRAN) ਵੀ ਹਨ, ਜੋ ਇਸਨੂੰ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਇੱਕ ਚੰਗਾ ਚੋਣ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਪਰ, R ਇੱਕ ਜਨਰਲ-ਪ੍ਰਯੋਜਨ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਭਾਸ਼ਾ ਨਹੀਂ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਡਾਟਾ ਸਾਇੰਸ ਖੇਤਰ ਤੋਂ ਬਾਹਰ ਬਹੁਤ ਘੱਟ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
+* **[ਜੂਲੀਆ](https://julialang.org/)** ਇੱਕ ਹੋਰ ਭਾਸ਼ਾ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਵਿਕਸਤ ਕੀਤੀ ਗਈ ਹੈ। ਇਹ ਪਾਈਥਨ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ, ਜੋ ਵਿਗਿਆਨਕ ਪ੍ਰਯੋਗ ਲਈ ਮਹਾਨ ਸੰਦ 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 ਦੇਖ ਸਕਦੇ ਹੋ:
+ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਸਧਾਰਣ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਪਾਈਥਨ ਦਾ ਪ੍ਰਯੋਗ ਕਰਨ ਤੇ ਧਿਆਨ ਦਿਆਂਗੇ। ਅਸੀਂ ਮੰਨ ਲਵਾਂਗੇ ਕਿ ਭਾਸ਼ਾ ਨਾਲ ਬੁਨਿਆਦੀ ਜਾਣਕਾਰੀ ਹੈ। ਜੇ ਤੁਸੀਂ ਪਾਈਥਨ ਦਾ ਇੱਕ ਵਧਿਆ ਡੂੰਘਾ ਟੂਰ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਹੇਠ ਲਿਖੇ ਸਰੋਤਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨੂੰ ਪ੍ਰਸੰਗ ਕਰ ਸਕਦੇ ਹੋ:
-* [Turtle Graphics ਅਤੇ Fractals ਨਾਲ ਮਜ਼ੇਦਾਰ ਤਰੀਕੇ ਨਾਲ ਪਾਇਥਨ ਸਿੱਖੋ](https://github.com/shwars/pycourse) - GitHub-ਅਧਾਰਿਤ ਪਾਇਥਨ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਜਾਣੂ ਹੋਣ ਦਾ ਕੋਰਸ
-* [ਪਾਇਥਨ ਨਾਲ ਆਪਣੇ ਪਹਿਲੇ ਕਦਮ ਚੁੱਕੋ](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 ਪਾਠ
+* [ਟਰਟਲ ਗ੍ਰਾਫਿਕਸ ਅਤੇ ਫਰੈਕਟਲਜ਼ ਨਾਲ ਮਜ਼ੇਦਾਰ ਤਰੀਕੇ ਨਾਲ ਪਾਈਥਨ ਸਿੱਖੋ](https://github.com/shwars/pycourse) - ਗਿੱਟਹੱਬ-ਅਧਾਰਿਤ ਤੇਜ਼ੀ ਨਾਲ ਪਾਈਥਨ ਪ੍ਰੋแกรมਿੰਗ ਵਿੱਚ ਦਾਖਲਾ ਪਾਠਕ੍ਰਮ
+* [ਪਾਈਥਨ ਨਾਲ ਆਪਣੇ ਪਹਿਲੇ ਕਦਮ ਚੁੱਕੋ](https://docs.microsoft.com/en-us/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) ਮਾਈਕ੍ਰੋਸੌਫਟ ਲਰਨ 'ਤੇ ਲਰਨਿੰਗ ਪਥ
-ਡਾਟਾ ਕਈ ਰੂਪਾਂ ਵਿੱਚ ਆ ਸਕਦਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਡਾਟਾ ਦੇ ਤਿੰਨ ਰੂਪਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਾਂਗੇ - **ਟੇਬੂਲਰ ਡਾਟਾ**, **ਟੈਕਸਟ**, ਅਤੇ **ਤਸਵੀਰਾਂ**।
+ਡਾਟਾ ਕਈ ਰੂਪਾਂ ਵਿੱਚ ਆ ਸਕਦਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਤਿੰਨ ਰੂਪਾਂ ਦੇ ਡਾਟا ਦੀ ਗੱਲ ਕਰਾਂਗੇ - **ਤਬੂਲਰ 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 ਇਸ ਦੀ ਮੁੱਖ ਵਿਚਾਰ ਦੇਵੇਗਾ, ਅਤੇ ਜਦੋਂ ਤੁਹਾਨੂੰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਤੁਹਾਡੇ ਸਮੱਸਿਆਵਾਂ ਦੇ ਹੱਲ ਕਿੱਥੇ ਲੱਭਣੇ ਹਨ ਇਸ ਦੀ ਸਮਝ ਦੇਵੇਗਾ।
+ਅਸੀਂ ਕੁਝ ਨਮੂਨਿਆਂ ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ, ਬਜਾਏ ਇਹ ਪੁਰੀ ਤਰ੍ਹਾਂ ਸਾਰੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦਾ ਜਾਇਜ਼ਾ ਲੈਣ ਦੇ। ਇਸ ਨਾਲ ਤੁਹਾਨੂੰ ਇਹ ਸਮਝ ਆ ਜਾਵੇਗੀ ਕਿ ਕੀ ਸੰਭਵ ਹੈ, ਅਤੇ ਜਦੋਂ ਵੀ ਤੁਹਾਨੂੰ ਲੋੜ ਹੋਵੇ, ਤੁਹਾਨੂੰ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਿੱਥੇ ਲੱਭਣਾ ਹੈ।
-> **ਸਭ ਤੋਂ ਉਪਯੋਗ ਸਲਾਹ**। ਜਦੋਂ ਤੁਹਾਨੂੰ ਡਾਟਾ 'ਤੇ ਕੋਈ ਖਾਸ ਕਾਰਵਾਈ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇ ਜਿਸ ਬਾਰੇ ਤੁਹਾਨੂੰ ਪਤਾ ਨਹੀਂ 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।
+> **ਸਭ ਤੋਂ ਵਰਤੋਂਯੋਗ ਸਲਾਹ**। ਜਦੋਂ ਤੁਹਾਨੂੰ ਡਾਟਾ 'ਤੇ ਕੋਈ ਖਾਸ ਕਾਰਵਾਈ ਕਰਨੀ ਹੋਵੇ ਜਿਸ ਦਾ ਤਰੀਕਾ ਤੁਹਾਨੂੰ ਨਹੀਂ ਪਤਾ, ਤਾਂ ਇੰਟਰੰੈੱਟ 'ਤੇ ਉਸ ਤਰੀਕੇ ਦੀ ਖੋਜ ਕਰੋ। [Stackoverflow](https://stackoverflow.com/) ਵਿੱਚ ਅਕਸਰ ਬਹੁਤ ਸਾਰੇ ਵਰਤੋਂਯੋਗ ਕੋਡ ਨਮੂਨੇ ਪਾਈਥਨ ਵਿੱਚ ਮਿਲਦੇ ਹਨ ਕਈ ਆਮ ਕਾਰਜਾਂ ਲਈ।
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/12)
-## ਟੇਬੂਲਰ ਡਾਟਾ ਅਤੇ ਡਾਟਾਫ੍ਰੇਮ
-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 ਜੁੜੇ ਹੋਏ ਟੇਬਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ SQL ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਿਲਕੁਲ ਸਹੀ ਹੁੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਡਾਟਾ ਦੀ ਇੱਕ ਸਧਾਰਨ ਟੇਬਲ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਇਸ ਡਾਟਾ ਬਾਰੇ ਕੁਝ **ਸਮਝ** ਜਾਂ **ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ** ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਵੰਡ, ਮੁੱਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਬੰਧ, ਆਦਿ। ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸਾਨੂੰ ਮੂਲ ਡਾਟਾ ਦੇ ਕੁਝ ਰੂਪਾਂਤਰਨ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਹੁੰਦੀ ਹੈ। ਇਹ ਦੋਵੇਂ ਕਦਮ ਪਾਇਥਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/12)
-ਪਾਇਥਨ ਵਿੱਚ ਟੇਬੂਲਰ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਵਾਲੀਆਂ ਦੋ ਸਭ ਤੋਂ ਉਪਯੋਗ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ:
-* **[Pandas](https://pandas.pydata.org/)** ਤੁਹਾਨੂੰ **ਡਾਟਾਫ੍ਰੇਮ** ਮੋੜਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜੋ ਰਿਲੇਸ਼ਨਲ ਟੇਬਲਾਂ ਦੇ ਸਮਾਨ ਹਨ। ਤੁਸੀਂ ਨਾਮਿਤ ਕਾਲਮ ਰੱਖ ਸਕਦੇ ਹੋ, ਅਤੇ ਪੰਗਤਾਂ, ਕਾਲਮਾਂ ਅਤੇ ਡਾਟਾਫ੍ਰੇਮਾਂ 'ਤੇ ਵੱਖ-ਵੱਖ ਕਾਰਵਾਈਆਂ ਕਰ ਸਕਦੇ ਹੋ।
-* **[Numpy](https://numpy.org/)** **ਟੈਂਸਰ**, ਜ਼ਿਆਦਾ-ਮਾਤਰਾ **ਐਰੇ** ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਐਰੇ ਵਿੱਚ ਇੱਕੋ ਜਿਹੇ ਅਧਾਰਤ ਕਿਸਮ ਦੇ ਮੁੱਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਇਹ ਡਾਟਾਫ੍ਰੇਮ ਨਾਲੋਂ ਸਧਾਰਨ ਹੁੰਦਾ ਹੈ, ਪਰ ਇਹ ਵਧੇਰੇ ਗਣਿਤੀ ਕਾਰਵਾਈਆਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਘੱਟ ਓਵਰਹੈੱਡ ਬਣਾਉਂਦਾ ਹੈ।
+## ਤਬੂਲਰ ਡਾਟਾ ਅਤੇ ਡਾਟਾਫਰੇਮ
-ਇਸ ਤੋਂ ਇਲਾਵਾ ਕੁਝ ਹੋਰ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:
-* **[Matplotlib](https://matplotlib.org/)** ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ 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 ਹੋਏ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਮਿਲ ਚੁੱਕੇ ਹਾਂ
+ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਤਬੂਲਰ ਡਾਟਾ ਨਾਲ ਮਿਲੋ ਹੋ ਜਦੋਂ ਅਸੀਂ ਸਬੰਧਤ ਡਾਟਾਬੇਸਾਂ ਦੀ ਗੱਲ ਕੀਤੀ ਸੀ। ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਬਹੁਤ ਸਾਰਾ ਡਾਟਾ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਹ ਕਈ ਵੱਖ-ਵੱਖ ਜੋੜੇ ਹੋਏ ਟੇਬਲਾਂ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕਰੂਪ ਤਰੀਕੇ ਨਾਲ SQL ਵਰਤਣਾ ਸਮਝਦਾਰੀ ਹੁੰਦੀ ਹੈ। ਪਰ ਬਹੁਤ ਸਾਰੀਆਂ ਹਾਲਤਾਂ ਵਿਚ, ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਡਾਟੇ ਦਾ ਇੱਕ ਟੇਬਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਅਸੀਂ ਇਸ ਡਾਟੇ ਬਾਰੇ ਕੁਝ **ਸਮਝ** ਜਾਂ **ਨਤੀਜੇ** ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਵਰਤੋਂ ਵੰਡ, ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ, ਆਦਿ। ਡਾਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਕਈ ਵਾਰੀ ਸਾਡੇ ਕੋਲ ਮੂਲ ਡਾਟੇ ਵਿੱਚ ਕੁਝ ਪਰਿਵਰਤਨ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਤੋਂ ਬਾਅਦ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਦੋਹਾਂ ਕਦਮਾਂ ਨੂੰ ਪਾਈਥਨ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
-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:
+ਪਾਈਥਨ ਵਿੱਚ ਦੋ ਸਭ ਤੋਂ ਵਰਤੋਂਯੋਗ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਤਬੂਲਰ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣ 'ਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ:
+* **[ਪੈਂਡਾਸ](https://pandas.pydata.org/)** ਤੁਹਾਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ **ਡਾਟਾਫਰੇਮ** ਦੌਰਾਨ ਸੰਚਾਲਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ, ਜੋ ਸਬੰਧਤ ਟੇਬਲਾਂ ਦੇ ਸਮਾਨ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਨਾਂਵਾਂ ਵਾਲੇ ਕਾਲਮ ਰੱਖ ਸਕਦੇ ਹੋ, ਅਤੇ ਕਤਾਰਾਂ, ਕਾਲਮਾਂ ਅਤੇ ਡਾਟਾਫਰੇਮਾਂ 'ਤੇ ਵੱਖਰੇ ਕਾਰਜ ਕਰ ਸਕਦੇ ਹੋ।
+* **[ਨੰਪਾਈ](https://numpy.org/)** ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ **ਟੈਂਸਰ** (ਮਲਟੀ-ਡਾਈਮੇਨਸ਼ਨਲ **ਐਰੇ**) ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਬਣਾਈ ਗਈ ਹੈ। ਐਰੇ ਵਿੱਚ ਇੱਕੋ ਕਿਸਮ ਦੇ ਮੁੱਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਇਹ ਡਾਟਾਫਰੇਮ ਨਾਲੋਂ ਸਧਾਰਣ ਹੁੰਦਾ ਹੈ, ਪਰ ਇਹ ਜ਼ਿਆਦਾ ਗਣਿਤੀ ਕਾਰਵਾਈਆਂ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਘੱਟ ਓਵਰਹੈੱਡ ਬਣਾਉਂਦਾ ਹੈ।
+
+ਕੁਝ ਹੋਰ ਲਾਇਬ੍ਰੇਰੀਆਂ ਵੀ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਤੁਹਾਨੂੰ ਜਾਣਕਾਰੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ:
+* **[ਮੈਟਪਲੌਟਲਿਬ](https://matplotlib.org/)** ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਹੈ ਜੋ ਡਾਟਾ ਦਰਸ਼ਨ ਅਤੇ ਗ੍ਰਾਫ ਬਣਾਉਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ
+* **[ਸਾਇਸਾਈ](https://www.scipy.org/)** ਕੁਝ ਵਾਧੂ ਵਿਗਿਆਨਕ ਫੰਕਸ਼ਨ ਵਾਲੀ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। ਅਸੀਂ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਨਾਲ ਪਹਿਲਾਂ ਮਿਲੇ ਹਾਂ ਜਦੋਂ ਅਸੀਂ ਸੰਭਾਵਨਾ ਅਤੇ ਸਾਂਖਿਆਕ ਗੱਲਾਂ ਕੀਤੀਆਂ
+
+ਇਹਾਂ ਇੱਕ ਪਾਈਥਨ ਪ੍ਰੋਗਰਾਮ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਇਹਨਾਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਇੰਪੋਰਟ ਕਰਨ ਲਈ ਆਮ ਤੌਰ ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲਾ ਕੋਡ ਹੈ:
```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
+from scipy import ... # ਤੁਹਾਨੂੰ ਉਹ ਸਹੀ ਉਪ-ਪੈਕੇਜ ਲਈ ਦਰਜ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਚਾਹੀਦੇ ਹਨ
```
+
+ਪੈਂਡਾਸ ਕੁਝ ਮੁੱਖ ਸੰਕਲਪਾਂ ਦੇ ਗੇੜ 'ਚ ਕੇਂਦ੍ਰਿਤ ਹੈ।
-Pandas ਕੁਝ ਮੂਲ ਧਾਰਨਾਵਾਂ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ।
-
-### ਸਿਰੀਜ਼
+### ਸੀਰੀਜ਼
-**ਸਿਰੀਜ਼** ਮੁੱਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਹੈ, ਜੋ ਸੂਚੀ ਜਾਂ numpy ਐਰੇ ਦੇ ਸਮਾਨ ਹੈ। ਮੁੱਖ ਅੰਤਰ ਇਹ ਹੈ ਕਿ ਸਿਰੀਜ਼ ਵਿੱਚ ਇੱਕ **ਸੂਚਕ** ਵੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਸਿਰੀਜ਼ '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 ਸਿਰੀਜ਼ 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।
+**ਸੀਰੀਜ਼** ਮੁੱਲਾਂ ਦੀ ਲੜੀ ਹੁੰਦੀ ਹੈ, ਜੋ ਇੱਕ ਸੂਚੀ ਜਾਂ ਨੰਪਾਈ ਐਰੇ ਵਰਗੀ ਹੁੰਦੀ ਹੈ। ਮੁੱਖ ਫਰਕ ਇਹ ਹੈ ਕਿ ਸੀਰੀਜ਼ ਦੇ ਇੱਕ **ਇੰਡੈਕਸ** ਵੀ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਅਸੀਂ ਸੀਰੀਜ਼ 'ਤੇ ਵਰਕ ਕਰਦੇ ਹਾਂ (ਜਿਵੇਂ ਕਿ ਜੋੜ ਕਰਨਾ), ਤਾਂ ਇੰਡੈਕਸ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਇੰਡੈਕਸ ਸਧਾਰਣ ਇੰਟੀਜਰ ਕਤਾਰ ਨੰਬਰ ਹੋ ਸਕਦਾ ਹੈ (ਜੋ ਡਿਫ਼ਾਲਟ ਰੂਪ ਵਿੱਚ ਸੂਚੀ ਜਾਂ ਐਰੇ ਤੋਂ ਸੀਰੀਜ਼ ਬਣਾਉਣ ਵੇਲੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ), ਜਾਂ ਇਹ ਕਿਸੇ ਜਟਿਲ ਬਣਤਰ, ਜਿਵੇਂ ਕਿ ਮਿਤੀ ਅੰਤਰਾਲ, ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ।
-> **ਨੋਟ**: Pandas ਦੇ ਕੁਝ ਸ਼ੁਰੂਆਤੀ ਕੋਡ ਸਾਥੀ ਨੋਟਬੁੱਕ [`notebook.ipynb`](notebook.ipynb) ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ। ਅਸੀਂ ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ outline ਕਰਦੇ ਹਾਂ, ਅਤੇ ਤੁਸੀਂ ਪੂਰੀ ਨੋਟਬੁੱਕ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਵਾਗਤ ਕਰਦੇ ਹੋ।
+> **ਨੋਟ**: ਸਾਥੀ ਨੋਟਬੁੱਕ [`notebook.ipynb`](notebook.ipynb) ਵਿੱਚ ਕੁਝ ਮੁੱਢਲੇ ਪੈਂਡਾਸ ਕੋਡ ਉਪਲਬਧ ਹਨ। ਅਸੀਂ ਇੱਥੇ ਸਿਰਫ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦਾ ਸੰਖੇਪ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਤੁਸੀਂ ਪੂਰੇ ਨੋਟਬੁੱਕ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।
-ਇੱਕ ਉਦਾਹਰਣ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਅਸੀਂ ਆਪਣੇ ਆਈਸ-ਕ੍ਰੀਮ ਸਪਾਟ ਦੀ ਵਿਕਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਆਓ ਕੁਝ ਸਮੇਂ ਦੀ ਮਿਆਦ ਲਈ ਵਿਕਰੀ ਦੇ ਨੰਬਰਾਂ ਦੀ ਇੱਕ ਸਿਰੀਜ਼ ਬਣਾਈਏ (ਹਰ ਦਿਨ ਵੇਚੇ ਗਏ ਆਈਟਮਾਂ ਦੀ ਗਿਣਤੀ):
+ਇੱਕ ਉਦਾਹਰਣ ਸੋਚੋ: ਅਸੀਂ ਆਪਣੇ ਆਈਸਕريم ਸਟਾਲ ਦੀ ਵਿਕਰੀ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਚਲੋ ਕੁਝ ਸਮੇਂ ਦੇ ਲਈ ਵਿਕਰੀ ਦੇ ਅੰਕੜੇ (ਹਰ ਦਿਨ ਵੇਚੇ ਗਏ ਆਈਟਮਾਂ ਦੀ ਗਿਣਤੀ) ਵਾਲੀ ਇੱਕ ਸੀਰੀਜ਼ ਬਣਾਈਏ:
```python
start_date = "Jan 1, 2020"
@@ -64,47 +66,51 @@ 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()
```
-
+
-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 ਸਿਰੀਜ਼ ਬਣਾਉਣ ਲਈ ਇਹ ਦਿਖਾ ਸਕਦੇ ਹਾਂ:
+ਹੁਣ ਮੰਨ ਲਓ ਕਿ ਹਰ ਹਫ਼ਤੇ ਅਸੀਂ ਮਿੱਤਰਾਂ ਲਈ ਇੱਕ ਪਾਰਟੀ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਪਾਰਟੀ ਲਈ ਤੇਜ਼ 10 ਪੈਕੇਟ ਆਈਸਕ੍ਰੀਮ ਲੈ ਜਾਂਦੇ ਹਾਂ। ਅਸੀਂ ਇਸ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇੱਕ ਹੋਰ ਸੀਰੀਜ਼ ਵੀ ਬਣਾ ਸਕਦੇ ਹਾਂ, ਜੋ ਹਫਤੇ ਦੁਆਰਾ ਇੰਡੈਕਸ ਕੀਤੀ ਗਈ ਹੈ:
```python
additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
```
-ਜਦੋਂ ਅਸੀਂ ਦੋ ਸਿਰੀਜ਼ ਨੂੰ ਇਕੱਠੇ ਜੋੜਦੇ ਹਾਂ, ਤਾਂ ਸਾਨੂੰ ਕੁੱਲ ਗਿਣਤੀ ਮਿਲਦੀ ਹੈ:
+
+ਜਦੋਂ ਅਸੀਂ ਦੋ ਸੀਰੀਜ਼ ਜੋੜਦੇ ਹਾਂ, ਤਾਂ ਸਾਡੇ ਕੋਲ ਕੁੱਲ ਅੰਕੜੇ ਆਉਂਦੇ ਹਨ:
```python
total_items = items_sold.add(additional_items,fill_value=0)
total_items.plot()
```
-
+
-> **ਨੋਟ** ਕਿ ਅਸੀਂ ਸਧਾਰਨ syntax `total_items+additional_items` ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰ ਰਹੇ। ਜੇ ਅਸੀਂ ਕਰਦੇ, ਤਾਂ ਸਾਨੂੰ resulting ਸਿਰੀਜ਼ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ `NaN` (*Not a Number*) ਮੁੱਲ ਮਿਲਦੇ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ `additional_items` ਸਿਰੀਜ਼ ਵਿੱਚ ਕੁਝ ਸੂਚਕ ਬਿੰਦੂਆਂ ਲਈ ਮੁੱਲ ਗੁੰਮ ਹਨ, ਅਤੇ `Nan` ਨੂੰ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਵਿੱਚ ਜੋੜਨਾ `NaN` ਦੇ ਨਤੀਜੇ ਵਿੱਚ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ ਅਸੀਂ ਜੋੜਦੇ ਸਮੇਂ `fill_value` ਪੈਰਾਮੀਟਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
+> **ਨੋਟ** ਇਹ ਹੈ ਕਿ ਅਸੀਂ ਸਧਾਰਣ ਗਣਿਤ ਸ਼ੈਲੀ `total_items+additional_items` ਵਰਤ ਨਹੀਂ ਰਹੇ ਹਾਂ। ਜੇ ਅਸੀਂ ਅਜਿਹਾ ਕੀਤਾ ਹੁੰਦਾ, ਤਾਂ ਪ੍ਰਾਪਤ ਸੀਰੀਜ਼ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ `NaN` (*ਨੰਬਰ ਨਹੀਂ*) ਮੁੱਲ ਹੁੰਦੇ। ਇਸ ਦਾ ਕਾਰਨ ਹੈ ਕਿ `additional_items` ਸੀਰੀਜ਼ ਵਿੱਚ ਕੁਝ ਇੰਡੈਕਸਾਂ ਲਈ ਮੁੱਲ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦੇ, ਅਤੇ `NaN` ਨੂੰ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨਾਲ ਜੋੜਨ पर ਨਤੀਜਾ `NaN` ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ ਜੋੜਨ ਤੇ `fill_value` ਪੈਰਾਮੀਟਰ ਦਿਓਣਾ ਲਾਜ਼ਮੀ ਹੈ।
-ਟਾਈਮ ਸਿਰੀਜ਼ ਨਾਲ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਮੇਂ ਦੇ ਅੰਤਰਾਲਾਂ ਨਾਲ ਸਿਰੀਜ਼ ਨੂੰ **resample** ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਮੰਨ ਲਓ ਕਿ ਅਸੀਂ ਮਹੀਨਾਵਾਰ mean ਵਿਕਰੀ ਦੀ ਮਾਤਰਾ ਗਣਨਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ:
+ਟਾਈਮ ਸੀਰੀਜ਼ ਦੇ ਨਾਲ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਸਮੇਂ ਅੰਤਰਾਲਾਂ ਨਾਲ ਸੀਰੀਜ਼ ਨੂੰ **ਰਿਸੈਂਪਲ** ਵੀ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਦਾਹਰਣ ਲਈ, ਜੇ ਅਸੀਂ ਮਹੀਨੇਵਾਰ ਸੈਲਜ਼ ਵਾਲੀ ਮੀਨ ਕੱਢਣੀ ਹੋਵੇ, ਤਾਂ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਵਰਤ ਸਕਦੇ ਹਾਂ:
```python
monthly = total_items.resample("1M").mean()
ax = monthly.plot(kind='bar')
```
-
+
-### ਡਾਟਾਫ੍ਰੇਮ
+### ਡਾਟਾਫਰੇਮ
-ਡਾਟਾਫ੍ਰੇਮ ਅਸਲ ਵਿੱਚ ਇੱਕੋ ਸੂਚਕ ਵਾਲੀਆਂ ਕਈ ਸਿਰੀਜ਼ਾਂ ਦਾ ਸੰਗ੍ਰਹਿ ਹੈ। ਅਸੀਂ ਕਈ ਸਿਰੀਜ਼ਾਂ ਨੂੰ ਇਕੱਠੇ ਕਰਕੇ ਡਾਟਾਫ੍ਰੇਮ ਵਿੱਚ ਜੋੜ ਸਕਦੇ ਹਾਂ:
+ਡਾਟਾਫਰੇਮ ਅਸਲ ਵਿੱਚ ਇੱਕ ਐਸੀ ਸੰਕਲਪਨਾ ਹੈ ਜੋ ਸਿਖਰ ਵਾਲੇ ਇੰਡੈਕਸ ਵਾਲੀਆਂ ਕਈ ਸੀਰੀਜ਼ ਤੋਂ ਬਣੀ ਹੁੰਦੀ ਹੈ। ਅਸੀਂ ਕਈ ਸੀਰੀਜ਼ਾਂ ਨੂੰ ਮਿਲਾ ਕੇ ਡਾਟਾਫਰੇਮ ਬਣਾ 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 ਹੇਠਾਂ ਦਿੱਤੇ ਜਿਵੇਂ ਇੱਕ ਹੋਰਿਜ਼ਾਂਟਲ ਟੇਬਲ ਬਣਾਏਗਾ:
+
+ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਇੱਕ ਅਡਿੱਠਾ 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 ਸਿਰੀਜ਼ਾਂ ਨੂੰ ਕਾਲਮ ਵਜੋਂ ਵੀ ਵਰਤ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਡਿਕਸ਼ਨਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਲਮ ਦੇ ਨਾਮ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਾਂ:
+ਅਸੀਂ ਸੀਰੀਜ਼ਾਂ ਨੂੰ ਕਾਲਮ ਵਜੋਂ ਵੀ ਵਰਤ ਸਕਦੇ ਹਾਂ, ਅਤੇ ਡਿਕਸ਼ਨਰੀ ਵਰਤ ਕੇ ਕਾਲਮ ਨਾਮ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ:
```python
df = pd.DataFrame({ 'A' : a, 'B' : b })
```
-ਇਹ ਸਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਜਿਵੇਂ ਇੱਕ ਟੇਬਲ ਦੇਵੇਗਾ:
+
+ਇਹ ਸਾਨੂੰ ਇਹ ਟੇਬਲ ਦੇਵੇਗਾ:
| | A | B |
| --- | --- | ------ |
@@ -118,103 +124,174 @@ df = pd.DataFrame({ 'A' : a, 'B' : b })
| 7 | 8 | very |
| 8 | 9 | much |
-**ਨੋਟ** ਕਿ ਅਸੀਂ ਪਿਛਲੇ ਟੇਬਲ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਕੇ ਵੀ ਇਹ ਟੇਬਲ ਲੇਆਉਟ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਲਿਖ ਕੇ
+**ਨੋਟ**: ਅਸੀਂ ਪਿਛਲੇ ਟੇਬਲ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਕੇ ਵੀ ਇਹੇ ਲੇਆਉਟ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ
```python
df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
```
-ਇੱਥੇ `.T` ਦਾ ਮਤਲਬ ਹੈ ਡਾਟਾਫ੍ਰੇਮ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਨ ਦੀ ਕਾਰਵਾਈ, ਯਾਨੀ ਪੰਗਤਾਂ ਅਤੇ ਕਾਲਮਾਂ ਨੂੰ ਬਦਲਣਾ, ਅਤੇ `rename` ਕਾਰਵਾਈ ਸਾਨੂੰ ਕਾਲਮਾਂ ਨੂੰ ਪਿਛਲੇ ਉਦਾਹਰਣ ਨਾਲ ਮੇਲ ਕਰਨ ਲਈ ਨਾਮ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।
+
+ਇੱਥੇ `.T` ਡਾਟਾਫਰੇਮ ਨੂੰ ਟ੍ਰਾਂਸਪੋਜ਼ ਕਰਨ ਲਈ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਤਾਰਾਂ ਅਤੇ ਕਾਲਮਾਂ ਨੂੰ ਬਦਲਣਾ, ਅਤੇ `rename` ਆਪਰੇਸ਼ਨ ਸਾਨੂੰ ਪਿਛਲੇ ਉਦਾਹਰਣ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਕਾਲਮਾਂ ਦੇ ਨਾਮ ਰੱਖਣ ਦਿੰਦਾ ਹੈ।
+
+ਡਾਟਾਫਰੇਮਾਂ 'ਤੇ ਅਸੀਂ ਕੁਝ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਾਰਜ ਕਰ ਸਕਦੇ ਹਾਂ:
+
+**ਕਾਲਮ ਚੋਣ**। ਅਸੀਂ `df['A']` ਲਿਖ ਕੇ ਵੱਖਰਾ ਕਾਲਮ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਅਪਰੈਸ਼ਨ ਇੱਕ ਸੀਰੀਜ਼ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਅਸੀਂ `df[['B','A']]` ਲਿਖ ਕੇ ਕਾਲਮਾਂ ਦੇ ਸੈੱਟ ਨੂੰ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਹੋਰ ਡਾਟਾਫਰੇਮ ਵਾਪਸ ਕਰਦਾ ਹੈ।
+
+**ਝਾੜਨਾ** ਸਿਰਫ਼ ਕੁਝ ਕਤਾਰਾਂ ਨੂੰ ਮਿਨਹ ਕਰਕੇ। ਉਦਾਹਰਣ ਲਈ, ਸਿਰਫ ਉਹੀ ਕਤਾਰਾਂ ਛੱਡਣ ਲਈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਾਲਮ `A` 5 ਤੋਂ ਵੱਡਾ ਹੈ, ਅਸੀਂ ਲਿਖ ਸਕਦੇ ਹਾਂ `df[df['A']>5]`.
+
+> **ਨੋਟ**: ਝਾੜਨ ਦਾ ਤਰੀਕਾ ਇਹ ਹੈ। ਐਕਸਪ੍ਰੈਸ਼ਨ `df['A']<5` ਇੱਕ ਬੂਲੀਅਨ ਸੀਰੀਜ਼ ਰਿਟਰਨ ਕਰਦਾ ਹੈ, ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਤਾਰਾਂ ਲਈ ਇਹ ਸੱਚ ਹੈ ਜਾਂ ਗਲਤ। ਜਦੋਂ ਇਹ ਬੂਲੀਅਨ ਸੀਰੀਜ਼ ਇੰਡੈਕਸ ਵਜੋਂ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਡਾਟਾਫਰੇਮ ਵਿੱਚੋਂ ਉਹੀ ਕਤਾਰਾਂ ਚੁਣਦਾ ਹੈ ਜਿੰਨ੍ਹਾਂ ਦੀ ਕਨਰਡੀਸ਼ਨ ਸਚ ਹੈ। ਇਸ ਲਈ ਇੱਕ ਆਮ ਪਾਈਥਨ ਬੂਲੀਅਨ ਐਕਸਪ੍ਰੈਸ਼ਨ ਵਰਤਣਾ ਸੰਭਵ ਨਹੀਂ ਹੈ, ਜਿਵੇਂ ਕਿ `df[df['A']>5 and df['A']<7]` ਗਲਤ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਬੂਲੀਅਨ ਸੀਰੀਜ਼ਾਂ 'ਤੇ ਖਾਸ `&` ਆਪਰੇਸ਼ਨ ਵਰਤਣੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਵੇਂ `df[(df['A']>5) & (df['A']<7)]` (*ਬਰੈਕਟ ਬਹੁਤ ਜਰੂਰੀ ਹਨ*).
+
+**ਨਵੇਂ ਗਣਨਾ ਯੋਗ ਕਾਲਮ ਬਣਾਉਣਾ**। ਅਸੀਂ ਬਹੁਤ ਸੌਖੇ ਤਰੀਕੇ ਨਾਲ ਆਪਣੀ ਡਾਟਾਫਰੇਮ ਲਈ ਨਵੇਂ ਕਾਲਮ ਬਣਾ ਸਕਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ:
+```python
+df['DivA'] = df['A']-df['A'].mean()
+```
+
+ਇਹ ਉਦਾਹਰਣ A ਦੇ ਮੀਨ ਮੁੱਲ ਤੋਂ ਡਾਈਵਰਜੈਂਸ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਅਸਲ ਵਿੱਚ ਅਸੀਂ ਇੱਕ ਸੀਰੀਜ਼ ਗਣਨਾ ਕਰ ਰਹੇ ਹਾਂ, ਅਤੇ ਇਸ ਨੂੰ ਖੱਬੇ ਹੱਥ ਦੇ ਨਾਲ ਅਸਾਈਨ ਕਰ ਰਹੇ ਹਾਂ, ਜਿਸ ਨਾਲ ਇੱਕ ਹੋਰ ਕਾਲਮ ਬਣਦਾ ਹੈ। ਇਸ ਲਈ, ਅਸੀਂ ਉਹਨਾਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਵਰਤ ਨਹੀਂ ਸਕਦੇ ਜੋ ਸੀਰੀਜ਼ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੀਆਂ, ਉਦਾਹਰਣ ਵਜੋਂ ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਗਲਤ ਹੈ:
+```python
+# ਗਲਤ ਕੋਡ -> df['ADescr'] = "Low" ਜੇ df['A'] < 5 ਹੋਵੇ ਤਾਂ ਨਹੀਂ ਤਾਂ "Hi"
+df['LenB'] = len(df['B']) # <- ਗਲਤ ਨਤੀਜਾ
+```
+
+ਆਖਰੀ ਉਦਾਹਰਣ, ਜਿਥੇ ਸੰਕੇਤਕ ਤੌਰ 'ਤੇ ਸਹੀ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਸਾਡਾ ਨਤੀਜਾ ਗਲਤ ਆਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ `B` ਦੀ ਲੰਬਾਈ ਸਾਰੇ ਕਾਲਮ ਦੀਆਂ ਵੈਲਯੂਜ਼ 'ਚ ਭੇਜਦਾ ਹੈ, ਨਾ ਕਿ ਲੰਬਾਈ ਨੂੰ ਜਿਵੇਂ ਅਸੀਂ ਚਾਹੁੰਦੇ ਸੀ।
+
+ਜੇ ਅਸੀਂ ਅਜਿਹੀਆਂ ਜਟਿਲ ਗਣਨਾਵੀਂ ਕਰਨੀ ਹੋਣ ਤਾਂ ਅਸੀਂ `apply` ਫੰਕਸ਼ਨ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਆਖਰੀ ਉਦਾਹਰਣ ਨੂੰ ਹੇਠਾਂ ਇਸ ਤਰ੍ਹਾਂ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+```python
+df['LenB'] = df['B'].apply(lambda x : len(x))
+# ਜਾਂ
+df['LenB'] = df['B'].apply(len)
+```
+
+ਉੱਪਰ ਦਿੱਤੀਆਂ ਕਾਰਵਾਈਆਂ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤਾ ਡਾਟਾਫਰੇਮ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ:
+
+| | 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 |
+
+**ਨੰਬਰਾਂ ਦੀ ਬੁਨਿਆਦ 'ਤੇ ਕਤਾਰਾਂ ਚੁਣਨਾ** `iloc` ਸੰਗ੍ਰਚਨਾ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਡਾਟਾਫਰੇਮ ਵਿੱਚੋਂ ਪਹਿਲੀਆਂ 5 ਕਤਾਰਾਂ ਚੁਣਨ ਲਈ:
+```python
+df.iloc[:5]
+```
+
+**ਗਰੂਪਿੰਗ** ਨੂੰ ਅਕਸਰ Excel ਵਿੱਚ *ਪਿਵਟ ਟੇਬਲ* ਵਾਂਗ ਮਿਲਦਾ ਜਾ ਸਕਦਾ ਹੈ। ਮੰਨੋ ਅਸੀਂ ਕਾਲਮ `A` ਦਾ ਮਤਲਬ ਹਰ `LenB` ਦੀ ਗਿਣਤੀ ਲਈ ਨਿਕਾਲਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਤਾਂ ਅਸੀਂ ਆਪਣੀ ਡਾਟਾਫਰੇਮ ਨੂੰ `LenB` ਦੁਆਰਾ ਗਰੂਪ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ `mean` ਕਾਲ ਕਰ ਸਕਦੇ ਹਾਂ:
+```python
+df.groupby(by='LenB')[['A','DivA']].mean()
+```
+
+ਜੇ ਸਾਨੂੰ ਸਮੂਹ ਵਿੱਚ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਮਤਲਬ ਦੋਹਾਂ ਦੀ ਲੋੜ ਹੋਵੇ ਤਾਂ ਅਸੀਂ ਜਟਿਲ `aggregate` ਫੰਕਸ਼ਨ ਵਰਤ ਸਕਦੇ ਹਾਂ:
+```python
+df.groupby(by='LenB') \
+ .aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
+ .rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
+```
+
+ਇਸ ਦਾ ਪਰਿਣਾਮ ਹੇਠਾਂ ਦਿੱਤੇ ਟੇਬਲ ਰੂਪ ਵਿੱਚ ਆਉਂਦਾ ਹੈ:
-ਇੱਥੇ ਕੁਝ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਾਰਵਾਈਆਂ ਹਨ ਜੋ ਅਸੀਂ ਡਾਟਾਫ੍ਰੇਮ 'ਤੇ ਕਰ ਸਕਦੇ ਹਾਂ:
+| LenB | ਗਿਣਤੀ | ਮਤਲਬ |
+| ---- | ------ | -------- |
+| 1 | 1 | 1.000000 |
+| 2 | 1 | 3.000000 |
+| 3 | 2 | 5.000000 |
+| 4 | 3 | 6.333333 |
+| 6 | 2 | 6.000000 |
-**ਕਾਲਮ ਚੋਣ**। ਅਸੀਂ `df['A']` ਲਿਖ ਕੇ ਵਿਅਕਤੀਗਤ ਕਾਲਮ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਕਾਰਵਾਈ ਇੱਕ ਸਿਰੀਜ਼ ਨੂੰ ਵਾਪਸ ਕਰਦੀ ਹੈ। ਅਸੀਂ `df[['B','A']]` ਲਿਖ ਕੇ ਕਾਲਮਾਂ ਦੇ ਇੱਕ subset ਨੂੰ ਇੱਕ ਹੋਰ ਡਾਟਾਫ੍ਰੇਮ ਵਿੱਚ ਚੁਣ ਸਕਦੇ ਹਾਂ - ਇਹ ਇੱਕ ਹੋਰ ਡਾਟਾਫ੍ਰੇਮ ਵਾਪਸ ਕਰਦਾ ਹੈ।
+### ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ
+ਅਸੀਂ ਵੇਖਿਆ ਹੈ ਕਿ Python ਆਬਜੈਕਟਸ ਤੋਂ Series ਅਤੇ DataFrames ਬਣਾਉਣਾ ਕਿੰਨਾ ਆਸਾਨ ਹੈ। ਹਾਲਾਂਕਿ, ਡੇਟਾ ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ ਟੈਕਸਟ ਫਾਈਲ ਜਾਂ Excel ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਆਉਂਦਾ ਹੈ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, Pandas ਸਾਨੂੰ ਡਿਸਕ ਤੋਂ ਡੇਟਾ ਲੋਡ ਕਰਨ ਦਾ ਇੱਕ ਸਧਾਰਣ ਤਰੀਕਾ ਦਿੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, CSV ਫਾਈਲ ਨੂੰ ਪੜ੍ਹਨਾ ਇੰਨਾ ਹੀ ਆਸਾਨ ਹੈ:
-**ਕੇਵਲ ਕੁਝ ਪੰਗਤਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨਾ**। ਉਦਾਹਰਣ ਲਈ, ਕੇਵਲ ਉਹ ਪੰਗਤਾਂ ਛੱਡਣ ਲਈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕਾਲਮ `A` 5 ਤੋਂ ਵੱਧ ਹੈ, ਅਸੀਂ ਲ
-ਅਸੀਂ ਵੇਖਿਆ ਹੈ ਕਿ Python ਆਬਜੈਕਟਾਂ 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 ਇੱਕ 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 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 ਅਸੀਂ ਸਿਰਫ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਅਸੀਂ ਸਭ ਕੁਝ ਠੀਕ ਕਰ ਰਹੇ ਹਾਂ, ਪਹਿਲੀਆਂ ਕੁਝ ਲਾਈਨਾਂ ਪ੍ਰਿੰਟ ਕਰਕੇ। ਇਹ `df.head()` ਕਾਲ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਸਨੂੰ Jupyter Notebook ਤੋਂ ਚਲਾ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ DataFrame ਨੂੰ ਇੱਕ ਸੁੰਦਰ ਟੇਬਲਰ ਰੂਪ ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰੇਗਾ।
+ਅਸੀਂ ਹੋਰ ਉਦਾਹਰਨਾਂ ਵੇਖਾਂਗੇ ਡੇਟਾ ਲੋਡ ਕਰਨ ਦੀ, ਜਿਸ ਵਿੱਚ ਬਾਹਰੀ ਵੈੱਬਸਾਈਟਾਂ ਤੋਂ ਡਾਟਾ ਲਿਆਉਣਾ ਵੀ ਸ਼ਾਮਲ ਹੈ, "ਚੈਲੇਂਜ" ਭਾਗ ਵਿੱਚ।
+
+### ਪ੍ਰਿੰਟਿੰਗ ਅਤੇ ਪਲਾਟਿੰਗ
+
+ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਅਕਸਰ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਇਸ ਲਈ ਇਸਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨਾ ਜਰੂਰੀ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ DataFrame ਵੱਡਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਕਸਰ ਸਿਰਫ਼ ਪਹਿਲੀਆਂ ਕੁਝ ਪੰਗਤੀਆਂ ਪ੍ਰਿੰਟ ਕਰਕੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਅਸੀਂ ਸਾਰਾ ਕੰਮ ਸਹੀ ਕਰ ਰਹੇ ਹਾਂ। ਇਹ ਕੰਮ `df.head()` ਕਾਲ ਕਰਕੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਇਹ Jupyter Notebook ਵਿੱਚ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਇਹ DataFrame ਨੂੰ ਇੱਕ ਸੁੰਦਰ ਟੇਬੂਲਰ 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।
+ਅਸੀਂ `plot` ਫੰਕਸ਼ਨ ਦੇ ਉਪਯੋਗ ਨੂੰ ਵੀ ਵੇਖਿਆ ਹੈ ਕੁਝ ਕਾਲਮਾਂ ਨੂੰ ਵਿਜੁਅਲਾਈਜ਼ ਕਰਨ ਲਈ। ਜਦੋਂ ਕਿ `plot` ਕਈ ਕੰਮਾਂ ਲਈ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੈ ਅਤੇ `kind=` ਪੈਰਾਮੀਟਰ ਰਾਹੀਂ ਕਈ ਵੱਖਰੇ ਗ੍ਰਾਫ ਕਿਸਮਾਂ ਨੂੰ ਸਹਿਯੋਗ ਦਿੰਦਾ ਹੈ, ਤੁਸੀਂ ਹਮੇਸ਼ਾਂ ਕੁਝ ਹੋਰ ਜਟਿਲ ਚੀਜ਼ ਪਲਾਟ ਕਰਨ ਲਈ ਕੱਚੀ `matplotlib` ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ। ਅਸੀਂ ਡੇਟਾ ਵਿਜੁਅਲਾਈਜੇਸ਼ਨ ਨੂੰ ਵੱਖਰੇ ਕੋਰਸ ਪਾਠਾਂ ਵਿੱਚ ਵਿਸਥਾਰ ਨਾਲ 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 ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰੀਏ।
+ਇਹ ਝਲਕ Pandas ਦੇ ਸਭ ਤੋਂ ਮੁੱਖ ਸੰਕਲਪਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ, ਪਰ ਲਾਇਬ੍ਰੇਰੀ ਬਹੁਤ ਹੀ ਧਨਵਾਨ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਇਸ ਨਾਲ ਬੇਹਦ ਕੁਝ ਕਰ ਸਕਦੇ ਹੋ! ਆਓ ਹੁਣ ਇਸ ਗਿਆਨ ਨੂੰ ਕਿਸੇ ਖ਼ਾਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਨ ਲਈ ਲਗਾਈਏ।
-## 🚀 ਚੁਣੌਤੀ 1: COVID ਫੈਲਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+## 🚀 ਚੈਲੇਂਜ 1: COVID ਫੈਲਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
-ਪਹਿਲੀ ਸਮੱਸਿਆ ਜਿਸ 'ਤੇ ਅਸੀਂ ਧਿਆਨ ਦੇਵਾਂਗੇ, COVID-19 ਦੀ ਮਹਾਂਮਾਰੀ ਦੇ ਫੈਲਾਅ ਦਾ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ। ਇਸ ਨੂੰ 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।
+ਪਹਿਲੀ ਸਮੱਸਿਆ ਜਿਸ 'ਤੇ ਅਸੀਂ ਧਿਆਨ ਦੇਵਾਂਗੇ ਉਹ COVID-19 ਦੇ ਮਹਾਮਾਰੀ ਵਿਸਤਾਰ ਦਾ ਮਾਡਲਿੰਗ ਹੈ। ਇਸ ਨੂੰ ਕਰਨ ਲਈ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਦੇਸ਼ਾਂ ਵਿੱਚ ਸੰਕ੍ਰਮਿਤ ਵਿਅਕਤੀਆਂ ਦੀ ਗਿਣਤੀ ਦਾ ਡੇਟਾ ਵਰਤਾਂਗੇ, ਜੋ [Center for Systems Science and Engineering](https://systems.jhu.edu/) (CSSE) ਵਲੋਂ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ [Johns Hopkins University](https://jhu.edu/) ਵਿੱਚ ਹੈ। ਡੇਟਾਸੇਟ [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 ਉੱਪਰ ਤੋਂ ਹੇਠਾਂ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲ ਚਲਾ ਸਕਦੇ ਹੋ ਅਤੇ ਕੁਝ ਚੁਣੌਤੀਆਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਅੰਤ ਵਿੱਚ ਛੱਡੀਆਂ ਹਨ।
+ਕਿਉਂਕਿ ਅਸੀਂ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਡੇਟਾ ਨਾਲ ਕਿਵੇਂ ਨਿਭਣਾ ਹੈ, ਅਸੀਂ ਤੁਹਾਨੂੰ ਸੱਦਾ ਦਿੰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ [`notebook-covidspread.ipynb`](notebook-covidspread.ipynb) ਖੋਲ੍ਹੋ ਅਤੇ ਇਸਨੂੰ ਥੱਲੇ ਤੱਕ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲਾਂ ਨੂੰ ਚਲਾ ਵੀ ਸਕਦੇ ਹੋ, ਅਤੇ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਆਖ਼ਰ ਵਿੱਚ ਕੁਝ ਚੈਲੇਂਜ ਵੀ ਛੱਡੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ।
-
+
-> 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।
+> ਜੇ ਤੁਹਾਨੂੰ ਪਤਾ ਨਹੀਂ ਕਿ Jupyter Notebook ਵਿੱਚ ਕੋਡ ਕਿਵੇਂ ਚਲਾਉਣਾ ਹੈ, ਤਾਂ [ਇਸ ਲੇਖ](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ਨੂੰ ਦੇਖੋ।
-## ਅਸੰਰਚਿਤ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
+## ਅਣਸੰਰਚਿਤ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ
-ਜਦੋਂ ਕਿ ਡਾਟਾ ਅਕਸਰ ਟੇਬਲਰ ਰੂਪ ਵਿੱਚ ਆਉਂਦਾ ਹੈ, ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸਾਨੂੰ ਘੱਟ ਸੰਗਠਿਤ 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 ਕੱਢਣਾ ਪੈਂਦਾ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
+ਜਦੋਂ ਕਿ ਡੇਟਾ ਅਕਸਰ ਸਾਰਣੀਕਾਰ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਪਰ ਕੁਝ ਹਾਲਤਾਂ ਵਿੱਚ ਸਾਨੂੰ ਘੱਟ ਸੰਰਚਿਤ ਡੇਟਾ ਨਾਲ ਨਿਭਣਾ ਪੈਂਦਾ ਹੈ, ਉਦਾਹਰਨ ਵਜੋਂ ਟੈਕਸਟ ਜਾਂ ਛਬੀਆਂ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਉੱਪਰ ਦਿੱਤੀਆਂ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸਾਨੂੰ ਕੁਝ ਤਰੀਕੇ ਨਾਲ ਸੰਰਚਿਤ ਡੇਟਾ **ਨਿਕਾਲਣਾ** ਪੈਂਦਾ ਹੈ। ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨਾਂ ਹਨ:
-* ਟੈਕਸਟ ਤੋਂ ਕੀਵਰਡ ਕੱਢਣਾ ਅਤੇ ਵੇਖਣਾ ਕਿ ਉਹ ਕੀਵਰਡ ਕਿੰਨੀ ਵਾਰ ਆਉਂਦੇ ਹਨ
-* ਚਿੱਤਰ 'ਤੇ ਆਬਜੈਕਟਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਕੱਢਣ ਲਈ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
-* ਵੀਡੀਓ ਕੈਮਰਾ ਫੀਡ 'ਤੇ ਲੋਕਾਂ ਦੇ ਭਾਵਨਾਵਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ
+* ਟੈਕਸਟ ਵਿੱਚੋਂ ਮੁੱਖ ਸ਼ਬਦ (keywords) ਨਿਕਾਲਣਾ, ਅਤੇ ਦੇਖਣਾ ਕਿ ਉਹ ਕਿੰਨੀ ਵਾਰ ਉੱਚਰੇ ਹਨ
+* ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਸਵੀਰ ਵਿੱਚ ਵਸਤੂਆਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ
+* ਵੀਡਿਓ ਕੈਮਰੇ ਫੀਡ ਵਿੱਚ ਲੋਕਾਂ ਦੇ ਜਜ਼ਬਾਤ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨਾ
-## 🚀 ਚੁਣੌਤੀ 2: COVID ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ
+## 🚀 ਚੈਲੇਂਜ 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) ਪੇਪਰ ਉਪਲਬਧ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਮੈਟਾਡਾਟਾ ਅਤੇ ਐਬਸਟਰੈਕਟ ਸ਼ਾਮਲ ਹਨ (ਅਤੇ ਲਗਭਗ ਅੱਧੇ ਪੇਪਰਾਂ ਲਈ ਪੂਰਾ ਟੈਕਸਟ ਵੀ ਉਪਲਬਧ ਹੈ)।
+ਇਸ ਚੈਲੇਂਜ ਵਿੱਚ, ਅਸੀਂ COVID ਮਹਾਮਾਰੀ ਦੇ ਵਿਸ਼ੇ 'ਤੇ ਬਣੇ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੇ ਧਿਆਨ ਦੇਵਾਂਗੇ। [CORD-19 Dataset](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ਵਿੱਚ COVID ਬਾਰੇ ਲਿਖੇ 7000 ਤੋਂ ਵੱਧ (ਲਿਖਦੇ ਸਮੇਂ) ਪੇਪਰ ਹਨ, ਜੋ ਮੈਟਾਡੇਟਾ ਅਤੇ ਆਬਸਟਰੈਕਟਸ ਨਾਲ ਉਪਲਬਧ ਹਨ (ਤੇ ਲਗਪਗ ਅੱਧੇ ਲਈ ਪੂਰਾ ਲੇਖ ਵੀ ਉਪਲਬਧ ਹੈ)।
-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 ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਸਰਲ ਰੂਪ ਚਰਚਾ ਕਰਾਂਗੇ।
+ਇਸ ਡੇਟਾਸੇਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦਾ ਪੂਰਾ ਉਦਾਹਰਨ [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 ਸਧਾਰਨ ਸੰਸਕਰਣ 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 ਸਾਰੇ ਪੂਰੇ ਟੈਕਸਟ ਸ਼ਾਮਲ ਹੋਣਗੇ।
+> **NOTE**: ਅਸੀਂ ਇਸ ਰਿਪੋਜ਼ਿਟਰੀ ਵਿੱਚ ਡੇਟਾਸੇਟ ਦੀ ਕਾਪੀ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ। ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ [`metadata.csv`](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge?select=metadata.csv) ਫਾਈਲ [Kaggle](https://www.kaggle.com/allen-institute-for-ai/CORD-19-research-challenge) ਤੋਂ ਡਾਊਨਲੋਡ ਕਰਨੀ ਪੈ ਸਕਦੀ ਹੈ। Kaggle 'ਤੇ ਰਜਿਸਟਰੇਸ਼ਨ ਜ਼ਰੂਰੀ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਸੀਂ ਬਿਨਾਂ ਰਜਿਸਟਰ ਹੋਏ ਵੀ [ਇੱਥੋਂ](https://ai2-semanticscholar-cord-19.s3-us-west-2.amazonaws.com/historical_releases.html) ਡਾਟਾ ਲੈ ਸਕਦੇ ਹੋ, ਪਰ ਇਸ ਵਿੱਚ ਮੈਟਾਡੇਟਾ ਫਾਈਲ ਦੇ ਨਾਲ ਪੂਰੇ ਲੇਖਾਂ ਦਾ ਵੀ ਸ਼ਾਮਲ ਹੋਏਗਾ।
-[`notebook-papers.ipynb`](notebook-papers.ipynb) ਖੋਲ੍ਹੋ ਅਤੇ ਇਸਨੂੰ ਉੱਪਰ ਤੋਂ ਹੇਠਾਂ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲ ਚਲਾ ਸਕਦੇ ਹੋ ਅਤੇ ਕੁਝ ਚੁਣੌਤੀਆਂ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਅੰਤ ਵਿੱਚ ਛੱਡੀਆਂ ਹਨ।
+[`notebook-papers.ipynb`](notebook-papers.ipynb) ਖੋਲ੍ਹੋ ਅਤੇ ਇਸਨੂੰ ਥੱਲੇ ਤੱਕ ਪੜ੍ਹੋ। ਤੁਸੀਂ ਸੈੱਲਾਂ ਚਲਾ ਸਕਦੇ ਹੋ, ਅਤੇ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਆਖ਼ਰ ਵਿੱਚ ਕੁਝ ਚੈਲੇਂਜ ਛੱਡੇ ਹਨ।
-
+
-## ਚਿੱਤਰ ਡਾਟਾ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ
+## ਤਸਵੀਰ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ
-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:
+ਹਾਲ ਹੀ ਵਿੱਚ, ਬਹੁਤ ਤਾਕਤਵਰ AI ਮਾਡਲ ਬਣਾਏ ਗਏ ਹਨ ਜੋ ਸਾਨੂੰ ਤਸਵੀਰਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪ੍ਰੀ-ਟਰੇਨਡ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਜਾਂ ਕਲਾਉਡ ਸਰਵਿਸਿਜ਼ ਦੀ ਵਰਤੋ ਕਰਕੇ ਹਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਕੁਝ ਉਦਾਹਰਨਾਂ:
-* **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 ਮਾਡਲ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ।
-* **ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ** ਚਿੱਤਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਆਬਜੈਕਟਾਂ 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 ਆਬਜੈਕਟਾਂ 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 ਆਬਜੈਕਟਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ।
-* **ਚਿਹਰਾ ਪਛਾਣ**, ਜਿਸ ਵਿੱਚ ਉਮਰ, ਲਿੰਗ ਅਤੇ ਭਾਵਨਾਵਾਂ 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।
+* **ਤਸਵੀਰ ਵਰਗੀਕਰਨ (Image Classification)**, ਜੋ ਤੁਹਾਡੀ ਤਸਵੀਰ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਨਿਰਧਾਰਤ ਵਰਗੀ ਵਿੱਚ ਵੰਡਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਆਪਣੇ ਖ਼ੁਦ ਦੇ ਇਮੇਜ ਕਲਾਸਿਫਾਇਰਸ ਨੂੰ ਆਸਾਨੀ ਨਾਲ [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ਵਰਗੀਆਂ ਸਰਵਿਸਿਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟਰੇਨ ਕਰ ਸਕਦੇ ਹੋ।
+* **ਆਬਜੈਕਟ ਡਿਟੈਕਸ਼ਨ**, ਜਿਹੜਾ ਤਸਵੀਰ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਸਤੂਆਂ ਦੀ ਪਹਚਾਣ ਕਰਨ ਲਈ। [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) ਵਰਗੇ ਸਰਵਿਸਿਜ਼ ਬਹੁਤ ਸਾਰੇ ਆਮ ਵਸਤੂਆਂ ਨੂੰ ਡਿਟੈਕਟ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਤੁਸੀਂ ਆਪਣਾ ਵਿੇਸ਼ [Custom Vision](https://azure.microsoft.com/services/cognitive-services/custom-vision-service/?WT.mc_id=academic-77958-bethanycheum) ਮਾਡਲ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ।
+* **ਮੁੱਖਾ ਪਛਾਣ (Face Detection)**, ਜਿਸ ਵਿੱਚ ਉਮਰ, ਜੈਂਡਰ ਅਤੇ ਭਾਵਨਾ 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 ਸਰਵਿਸਾਂ ਨੂੰ [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 ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਤੁਹਾਡੇ ਡਾਟਾ ਐਕਸਪਲੋਰੇਸ਼ਨ ਵਰਕਫਲੋ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
+ਇਹ ਸਾਰੇ ਕਲਾਉਡ ਸਰਵਿਸਿਜ਼ [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 ਬੁਲਾਏ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਇਹ ਤੁਹਾਡੇ ਡੇਟਾ ਖੋਜ ਕਾਰਜ ਪ੍ਰਵਾਹ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
-ਇੱਥੇ ਚਿੱਤਰ ਡਾਟਾ ਸਰੋਤਾਂ ਤੋਂ ਡਾਟਾ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਕੁਝ ਉਦਾਹਰਣ ਹਨ:
-* [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) ਬਲੌਗ ਪੋਸਟ ਵਿੱਚ ਅਸੀਂ Instagram ਫੋਟੋਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਾਂ, ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋਏ ਕਿ ਕਿਸ ਚਿੱਤਰ ਨੂੰ ਲੋਕ ਵਧੇਰੇ ਲਾਈਕ ਦਿੰਦੇ 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 ਕੱਢਦੇ 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 ਦੀਆਂ ਭਾਵਨਾਵਾਂ ਕੱਢਦੇ ਹਾਂ, ਇਹ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋਏ ਕਿ ਲੋਕਾਂ ਨੂੰ ਖੁਸ਼ ਕੀ ਕਰਦਾ ਹੈ।
+ਇੱਥੇ ਕੁਝ ਉਦਾਹਰਨਾਂ ਹਨ ਇਮੇਜ ਡੇਟਾ ਸਰੋਤਾਂ ਤੋਂ ਡੇਟਾ ਖੋਜਣ ਦੀ:
+* ਬਲੌਗ ਪੋਸਟ [How to Learn Data Science without Coding](https://soshnikov.com/azure/how-to-learn-data-science-without-coding/) ਵਿੱਚ ਅਸੀਂ Instagram ਫੋਟੋਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਦੇਖਣ ਲਈ ਕਿ ਕੀ ਚੀਜ਼ ਲੋਕਾਂ ਨੂੰ ਇੱਕ ਫੋਟੋ ਤੇ ਵੱਧ ਲਾਈਕ ਦੇਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਪਹਿਲਾਂ [computer vision](https://azure.microsoft.com/services/cognitive-services/computer-vision/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਸਵੀਰਾਂ ਵਿੱਚੋਂ ਜਿੰਨਾ ਹੋ ਸਕੇ ਜਾਣਕਾਰੀ ਨਿਕਾਲਦੇ ਹਾਂ, ਫਿਰ [Azure Machine Learning AutoML](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml/?WT.mc_id=academic-77958-bethanycheum) ਨਾਲ ਵਿਉਖਿਆਤਮਕ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਾਂ।
+* [Facial Studies Workshop](https://github.com/CloudAdvocacy/FaceStudies) ਵਿੱਚ ਅਸੀਂ ਪਟਰੀਆਂ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚੋਂ ਲੋਕਾਂ ਦੇ ਭਾਵਨਾ ਨਿਕਾਲਦੇ ਹਾਂ [Face API](https://azure.microsoft.com/services/cognitive-services/face/?WT.mc_id=academic-77958-bethanycheum) ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤਾਂ ਜੋ ਸਮਝਿਆ ਜਾ ਸਕੇ ਕਿ ਲੋਕਾਂ ਨੂੰ ਖੁਸ਼ੀ ਕੀ ਚੀਜ਼ ਕਰਦੀ ਹੈ।
-## ਨਿਸਕਰਸ਼
+## ਨਤੀਜਾ
-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!
+ਚਾਹੇ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਸੰਰਚਿਤ ਜਾਂ ਅਣਸੰਰਚਿਤ ਡੇਟਾ ਹੋਵੇ, Python ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਤੁਸੀਂ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸਮਝਣ ਨਾਲ ਸਬੰਧਤ ਸਾਰੇ ਕਦਮ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਸੰਭਵ ਤੌਰ 'ਤੇ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਸਭ ਤੋਂ ਲਚਕੀਲਾ ਤਰੀਕਾ ਹੈ, ਅਤੇ ਇਸੀ ਲਈ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਸਾਇੰਟਿਸਟ Python ਨੂੰ ਆਪਣਾ ਮੁੱਖ ਸੰਦ ਮੰਨਦੇ ਹਨ। ਜੇ ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਸਾਇੰਸ ਯਾਤਰਾ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਂਦੇ ਹੋ, ਤਾਂ Python ਦੀ ਮੂਲ ਦੂਰੀ ਤੱਕ ਸਿੱਖਣਾ ਸੁਰਤਮੰਦ ਹੈ!
-## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/13)
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/13)
-## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ-ਅਧਿਐਨ
+## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ 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
+* ਅਧਿਕਾਰਿਕ [10 minutes to Pandas](https://pandas.pydata.org/pandas-docs/stable/user_guide/10min.html) ਟਿਊਟੋਰੀਅਲ
+* [Pandas ਵਿਜੁਅਲਾਈਜੇਸ਼ਨ ਬਾਰੇ ਡਾਕੂਮੈਂਟੇਸ਼ਨ](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
**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 ਲਰਨਿੰਗ ਪਾਠ
+* [ਟਰਟਲ ਗ੍ਰਾਫਿਕਸ ਅਤੇ ਫਰੈਕਟਲਸ ਨਾਲ ਮਜ਼ੇਦਾਰ ਢੰਗ ਨਾਲ Python ਸਿੱਖੋ](https://github.com/shwars/pycourse)
+* [Python ਨਾਲ ਆਪਣੇ ਪਹਿਲੇ ਕਦਮ ਚੁੱਕੋ](https://docs.microsoft.com/learn/paths/python-first-steps/?WT.mc_id=academic-77958-bethanycheum) Microsoft Learn 'ਤੇ ਸਿੱਖਣ ਦਾ ਰਸਤਾ ([Microsoft Learn](http://learn.microsoft.com/?WT.mc_id=academic-77958-bethanycheum))
## ਅਸਾਈਨਮੈਂਟ
-[ਉਪਰੋਕਤ ਚੁਣੌਤੀਆਂ ਲਈ ਵਧੇਰੇ ਵਿਸਥਾਰਿਤ ਡਾਟਾ ਅਧਿਐਨ ਕਰੋ](assignment.md)
+[ਉਪਰ ਦਿੱਤੇ ਚੈਲੇਂਜਾਂ ਲਈ ਹੋਰ ਵਿਸਥਾਰਤ ਡੇਟਾ ਅਧਿਐਨ ਕਰੋ](assignment.md)
-## ਸ਼੍ਰੇਯ
+## ਕ੍ਰੈਡਿਟਸ
-ਇਹ ਪਾਠ [Dmitry Soshnikov](http://soshnikov.com) ਦੁਆਰਾ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
+ਇਸ ਪਾਠ ਨੂੰ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ [Dmitry Soshnikov](http://soshnikov.com) ਵਲੋਂ
---
-**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 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
+
+**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।
+
\ 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
index cc238091..66ba158f 100644
--- a/translations/pa/2-Working-With-Data/08-data-preparation/README.md
+++ b/translations/pa/2-Working-With-Data/08-data-preparation/README.md
@@ -1,38 +1,39 @@
-# ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਡਾਟਾ ਤਿਆਰੀ
+# ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ: ਡੇਟਾ ਤਿਆਰੀ
-|![ [(@sketchthedocs)] ਦੁਆਰਾ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/08-DataPreparation.png)|
+| ](../../sketchnotes/08-DataPreparation.png)|
|:---:|
-|ਡਾਟਾ ਤਿਆਰੀ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਸਕੈਚਨੋਟ_ |
+|ਡੇਟਾ ਤਿਆਰੀ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਵਲੋਂ_ |
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/14)
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/14)
-ਡਾਟਾ ਦੇ ਸਰੋਤ ਦੇ ਅਧਾਰ 'ਤੇ, ਕੱਚਾ ਡਾਟਾ ਕੁਝ ਅਸੰਗਤਤਾਵਾਂ ਰੱਖ ਸਕਦਾ ਹੈ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਿੰਗ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਪੈਦਾ ਕਰਦੇ ਹਨ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਸ ਡਾਟਾ ਨੂੰ "ਗੰਦਾ" ਕਹਿ ਸਕਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਇਸ ਪਾਠ ਵਿੱਚ ਗੁੰਮ, ਗਲਤ, ਜਾਂ ਅਧੂਰੇ ਡਾਟਾ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਡਾਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਅਤੇ ਰੂਪਾਂਤਰਿਤ ਕਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤੇ ਗਏ ਵਿਸ਼ਿਆਂ ਨੂੰ Python ਅਤੇ Pandas ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ [ਨੋਟਬੁੱਕ ਵਿੱਚ ਦਰਸਾਇਆ](../../../../2-Working-With-Data/08-data-preparation/notebook.ipynb) ਜਾਵੇਗਾ।
-## ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਦੀ ਮਹੱਤਤਾ
-- **ਵਰਤੋਂ ਅਤੇ ਦੁਬਾਰਾ ਵਰਤੋਂ ਦੀ ਸਹੂਲਤ**: ਜਦੋਂ ਡਾਟਾ ਢੰਗ ਨਾਲ ਸੰਗਠਿਤ ਅਤੇ ਸਧਾਰਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਖੋਜਣਾ, ਵਰਤਣਾ ਅਤੇ ਹੋਰਾਂ ਨਾਲ ਸਾਂਝਾ ਕਰਨਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ।
+ਇਸਦੀ ਸਰੋਤ ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੋਇਆ, ਰਾ ਡੇਟਾ ਵਿੱਚ ਕੁਝ ਅਸੰਗਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਿੰਗ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰਨਗੀਆਂ। ਦੂਜੇ ਸਲੰਗ ਵਿੱਚ ਕਹਿਣਾ, ਇਹ ਡੇਟਾ "ਗੰਦਾ" ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਇਹ ਪਾਠ ਖ਼ਾਸ ਤੌਰ ਤੇ ਡੇਟਾ ਦੀ ਸਫਾਈ ਅਤੇ ਤਬਦੀਲੀ ਦੇ ਤਕਨੀਕਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਕਮੀ, ਗਲਤ ਜਾਂ ਅਧੂਰੇ ਡੇਟਾ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸੰਭਾਲਿਆ ਜਾ ਸਕੇ। ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਕੀਤੇ ਟਾਪਿਕਾਂ Python ਅਤੇ Pandas ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੇ ਜਾਣਗੇ ਅਤੇ ਇਸ ਡਾਇਰੈਕਟਰੀ ਦੇ ਅੰਦਰ [ਨੋਟਬੁੱਕ](notebook.ipynb) ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੇ ਜਾਣਗੇ।
-- **ਸਥਿਰਤਾ**: ਡਾਟਾ ਸਾਇੰਸ ਅਕਸਰ ਇੱਕ ਤੋਂ ਵੱਧ ਡਾਟਾਸੈਟ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ, ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਡਾਟਾਸੈਟ ਨੂੰ ਇਕੱਠੇ ਜੋੜਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਹਰ ਵਿਅਕਤੀਗਤ ਡਾਟਾਸੈਟ ਵਿੱਚ ਆਮ ਮਿਆਰਕਰਨ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਵੇਗਾ ਕਿ ਜਦੋਂ ਇਹ ਸਾਰੇ ਡਾਟਾ ਇੱਕ ਡਾਟਾਸੈਟ ਵਿੱਚ ਮਿਲਦੇ ਹਨ, ਤਾਂ ਇਹ ਹਾਲੇ ਵੀ ਉਪਯੋਗੀ ਹੈ।
+## ਡੇਟਾ ਸਾਫ਼ ਕਰਨ ਦੀ ਮਹੱਤਤਾ
-- **ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ**: ਸਾਫ਼ ਕੀਤਾ ਗਿਆ ਡਾਟਾ ਉਹ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਜੋ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
+- **ਵਰਤੋਂ ਅਤੇ ਦੁਬਾਰਾ ਵਰਤੋਂ ਵਿੱਚ ਆਸਾਨੀ**: ਜਦੋਂ ਡੇਟਾ ਠੀਕ ਢੰਗ ਨਾਲ ਸੰਘਟਿਤ ਅਤੇ ਨਾਰਮਲਾਇਜ਼ ਕੀਤਾ ਗਿਆ ਹੁੰਦਾ ਹੈ ਤਾਂ ਇਹ ਖੋਜਣ, ਵਰਤਣ ਅਤੇ ਦੂਜਿਆਂ ਨਾਲ ਸਾਂਝਾ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਹੁੰਦਾ ਹੈ।
-## ਆਮ ਸਾਫ਼ ਕਰਨ ਦੇ ਲਕਸ਼ ਅਤੇ ਰਣਨੀਤੀਆਂ
+- **ਅਸਮਰੂਪਤਾ**: ਡੇਟਾ ਸਾਇੰਸ ਅਕਸਰ ਇੱਕ ਤੋਂ ਵੱਧ ਡੇਟਾਸੈੱਟ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਡੇਟਾਸੈੱਟਸ ਨੂੰ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਹਰ ਇੱਕ ਵਿਅਕਤੀਗਤ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਸਾਂਝਾ ਮਿਆਰੀਕਰਨ ਹੈ, ਇਹ ਜਾਂਚਣਗਾ ਕਿ ਡੇਟਾ ਅਜੇ ਵੀ ਵਰਤਣਯੋਗ ਹੈ ਜਦੋਂ ਉਹ ਸਾਰੇ ਇੱਕ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮਿਲਾਏ ਜਾਂਦੇ ਹਨ।
-- **ਡਾਟਾਸੈਟ ਦੀ ਖੋਜ**: ਡਾਟਾ ਖੋਜ, ਜੋ [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 ਖੋਜਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ ਜਿਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਡਾਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਨੂੰ ਵਿਜ਼ੂਅਲ ਤੌਰ 'ਤੇ ਦੇਖਣਾ ਇਹ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦਾ ਹੈ ਕਿ ਬਾਕੀ ਡਾਟਾ ਕਿਵੇਂ ਲੱਗੇਗਾ, ਜਾਂ ਉਹ ਸਮੱਸਿਆਵਾਂ ਦੇ ਵਿਚਾਰ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਹੱਲ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਖੋਜ ਵਿੱਚ ਬੁਨਿਆਦੀ ਪੁੱਛਗਿੱਛ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਅਤੇ ਸੈਂਪਲਿੰਗ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ।
+- **ਮਾਡਲ ਸਹੀਤਾ**: ਜਿਹੜਾ ਡੇਟਾ ਸਾਫ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਉਹ ਮਾਡਲਾਂ ਦੀ ਸਹੀਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਜੋ ਇਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
-- **ਫਾਰਮੈਟਿੰਗ**: ਸਰੋਤ ਦੇ ਅਧਾਰ 'ਤੇ, ਡਾਟਾ ਵਿੱਚ ਇਸ ਦੇ ਪੇਸ਼ ਕਰਨ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਅਸੰਗਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਮੁੱਲ ਦੀ ਖੋਜ ਅਤੇ ਪ੍ਰਸਤੁਤੀ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਇਹ ਡਾਟਾਸੈਟ ਵਿੱਚ ਵੇਖਿਆ ਜਾਂਦਾ ਹੈ ਪਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਜਾਂ ਪੁੱਛਗਿੱਛ ਦੇ ਨਤੀਜਿਆਂ ਵਿੱਚ ਢੰਗ ਨਾਲ ਪ੍ਰਸਤੁਤ ਨਹੀਂ ਹੁੰਦਾ। ਆਮ ਫਾਰਮੈਟਿੰਗ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਵ੍ਹਾਈਟਸਪੇਸ, ਮਿਤੀਆਂ, ਅਤੇ ਡਾਟਾ ਕਿਸਮਾਂ 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, ਮਿਤੀਆਂ ਅਤੇ ਗਿਣਤੀਆਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਦੇ ਮਿਆਰ ਦੇਸ਼ਾਂ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੇ ਹਨ।
+## ਆਮ ਸਾਫ਼ ਕਰਨ ਦੇ ਲੱਖਣ ਅਤੇ ਰਣਨੀਤੀਆਂ
-- **ਡੁਪਲੀਕੇਸ਼ਨ**: ਡਾਟਾ ਜਿਸ ਵਿੱਚ ਇੱਕ ਤੋਂ ਵੱਧ ਘਟਨਾ ਹੁੰਦੀ ਹੈ, ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਹਟਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਅਕਸਰ ਦੋ ਜਾਂ ਵੱਧ ਡਾਟਾਸੈਟ ਨੂੰ ਇਕੱਠੇ ਜੋੜਦੇ ਸਮੇਂ ਹੋ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕੁਝ ਹਾਲਾਤਾਂ ਵਿੱਚ ਜੋੜੇ ਗਏ ਡਾਟਾਸੈਟ ਵਿੱਚ ਡੁਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਉਹ ਟੁਕੜੇ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਵਾਧੂ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਇਸਨੂੰ ਸੰਭਾਲਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
+- **ਡੇਟਾਸੈੱਟ ਦੀ ਖੋਜ**: ਡੇਟਾ ਖੋਜ, ਜਿਸਨੂੰ ਇੱਕ [ਬਾਅਦਲੇ ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/4-Data-Science-Lifecycle/15-analyzing) ਵਿੱਚ ਕਵਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਤੁਹਾਨੂੰ ਉਹ ਡੇਟਾ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਮੂਲਿਆਂ ਦਾ ਵਿਜ਼ੂਅਲ ਦੇਖਣਾ ਇਹ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਬਾਕੀ ਡੇਟਾ ਕਿਵੇਂ ਦਿੱਸੇਗਾ ਜਾਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ ਜੋ ਹੱਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਖੋਜ ਵਿੱਚ ਬੁਨਿਆਦੀ ਕਵੈਰੀ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਸੈਮਪਲਿੰਗ ਸ਼ਾਮਿਲ ਹੋ ਸਕਦਾ ਹੈ।
-- **ਗੁੰਮ ਡਾਟਾ**: ਗੁੰਮ ਡਾਟਾ ਗਲਤੀਆਂ ਦੇ ਨਾਲ-साथ ਕਮਜ਼ੋਰ ਜਾਂ ਪੱਖਪਾਤੀ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਕਈ ਵਾਰ ਇਹ "ਰੀਲੋਡ" ਕਰਕੇ, ਗੁੰਮ ਮੁੱਲਾਂ ਨੂੰ ਗਣਨਾ ਅਤੇ ਕੋਡ ਜਿਵੇਂ Python ਨਾਲ ਭਰ ਕੇ, ਜਾਂ ਸਿਰਫ ਮੁੱਲ ਅਤੇ ਸੰਬੰਧਿਤ ਡਾਟਾ ਨੂੰ ਹਟਾ ਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਡਾਟਾ ਗੁੰਮ ਹੋਣ ਦੇ ਕਈ ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਗੁੰਮ ਮੁੱਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੀਤੇ ਗਏ ਕਾਰਵਾਈਆਂ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰ ਸਕਦੀਆਂ ਹਨ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਗੁੰਮ ਹੋਏ।
+- **ਫਾਰਮੈਟਿੰਗ**: ਸਰੋਤ ਦੇ ਮੁਤਾਬਕ, ਡੇਟਾ ਦਿਖਾਵੇ ਵਿੱਚ ਅਸੰਗਤੀਆਂ ਰੱਖ ਸਕਦਾ ਹੈ। ਇਹ ਖੋਜ ਕਰਨ ਅਤੇ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ ਸਮੱਸਿਆਵਾਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜਿੱਥੇ ਇਹ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਹੈ ਪਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਜਾਂ ਕਵੈਰੀ ਨਤੀਜਿਆਂ ਵਿੱਚ ਠੀਕ ਤਰੀਕੇ ਨਾਲ ਦਰਸਾਇਆ ਨਹੀਂ ਗਿਆ। ਆਮ ਫਾਰਮੈਟਿੰਗ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਖਾਲੀ ਸਥਾਨ, ਮਿਤੀਆਂ ਅਤੇ ਡੇਟਾ ਤਰ੍ਹਾਂ ਦਾ ਨਿਪਟਾਰਾ ਸ਼ਾਮਿਲ ਹੈ। ਫਾਰਮੈਟਿੰਗ ਸਮੱਸਿਆਵਾਂ ਦਾ ਨਿਵਾਰਣ ਆਮ ਤੌਰ ਤੇ ਡੇਟਾ ਵਰਤ ਰਹੇ ਲੋਕਾਂ 'ਤੇ ਨਿਰਭਰ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਕਿੱਤੇ ਅਤੇ ਨੰਬਰਾਂ ਦੇ ਵਿਖਾਵੇ ਲਈ ਮਿਆਰੀ ਮਾਪਦੰਡ ਦੇਸ਼ ਦਰ ਦੇਸ਼ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।
-## ਡਾਟਾ ਫਰੇਮ ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ
+- **ਡੁਪਲਿਕੇਸ਼ਨ**: ਜੇਕਰ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਤੋਂ ਵੱਧ ਵਾਰ ਹੋਣਾ ਹੈ ਤਾਂ ਇਹ ਗਲਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸਨੂੰ ਹਟਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਸੋਧ ਅਕਸਰ ਦੋ ਜਾਂ ਉਸ ਤੋਂ ਵੱਧ ਡੇਟਾਸੈੱਟ ਨੂੰ ਜੋੜਦੇ ਸਮੇਂ ਵਾਪਰਦਾ ਹੈ। ਪਰ, ਕੁਝ ਮੌਕੇ ਐਸੇ ਵੀ ਹਨ ਜਦੋਂ ਜੋੜੇ ਗਏ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਡੁਪਲਿਕੇਸ਼ਨ ਵਿੱਚ ਅਜਿਹੇ ਹਿੱਸੇ ਹੋ ਸਕਦੇ ਹਨ ਜੋ ਵਾਧੂ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਨ ਅਤੇ ਉਹਨੂੰ ਸੰਭਾਲਣਾ ਜ਼ਰੂਰੀ ਹੋ ਸਕਦਾ ਹੈ।
-> **ਸਿੱਖਣ ਦਾ ਲਕਸ਼**: ਇਸ ਉਪਵਿਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਹਾਨੂੰ pandas DataFrames ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਡਾਟਾ ਬਾਰੇ ਆਮ ਜਾਣਕਾਰੀ ਲੱਭਣ ਵਿੱਚ ਸਹੂਲਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
+- **ਗੁੰਮ ਡੇਟਾ**: ਗੁੰਮ ਡੇਟਾ ਗਲਤੀਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਕਮਜ਼ੋਰ ਜਾਂ ਪੱਖਪਾਤੀ ਨਤੀਜੇ ਵੀ ਲਿਆ ਸਕਦਾ ਹੈ। ਕਈ ਵਾਰ ਇਹ ਡੇਟਾ ਮੁੜ لوਡ ਕਰਨ, ਗਣਨਾ ਅਤੇ ਕੋਡ ਜਿਵੇਂ Python ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੁਆਂਢੀਆਂ ਮੁੱਲਾਂ ਨੂੰ ਭਰਕੇ, ਜਾਂ ਸਿਰਫ ਉਸ ਮੁੱਲ ਅਤੇ ਸੰਬੰਧਤ ਡੇਟਾ ਨੂੰ ਹਟਾ ਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਡੇਟਾ ਗੁੰਮ ਹੋਣ ਦੇ ਕਈ ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਮੁੱਲਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੀਤੇ ਗਏ ਕਾਰਵਾਈਆਂ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਅਤੇ ਕਿਉਂ ਪਹਿਲਾਂ ਗੁੰਮ ਹੋਇਆ ਸੀ।
-ਜਦੋਂ ਤੁਸੀਂ pandas ਵਿੱਚ ਆਪਣਾ ਡਾਟਾ ਲੋਡ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਇਹ DataFrame ਵਿੱਚ ਹੋਵੇਗਾ (ਪਿਛਲੇ [ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) ਵਿੱਚ ਵੇਰਵੇਦਾਰ ਝਲਕ ਲਈ ਹਵਾਲਾ ਦਿਓ)। ਹਾਲਾਂਕਿ, ਜੇ ਤੁਹਾਡੇ DataFrame ਵਿੱਚ 60,000 ਪੰਕਤੀਆਂ ਅਤੇ 400 ਕਾਲਮ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਇਸ ਗੱਲ ਦਾ ਅੰਦਾਜ਼ਾ ਕਿਵੇਂ ਲਗਾਉਂਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੀ ਕੰਮ ਕਰ ਰਹੇ ਹੋ? ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, [pandas](https://pandas.pydata.org/) ਕੁਝ ਸਹੂਲਤਮੰਦ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ DataFrame ਬਾਰੇ ਕੁੱਲ ਜਾਣਕਾਰੀ ਤੇਜ਼ੀ ਨਾਲ ਦੇਖਣ ਲਈ ਅਤੇ ਪਹਿਲੀਆਂ ਕੁਝ ਅਤੇ ਆਖਰੀ ਕੁਝ ਪੰਕਤੀਆਂ ਦੇਖਣ ਲਈ ਸਹਾਇਕ ਹੁੰਦੇ ਹਨ।
+## DataFrame ਜਾਣਕਾਰੀ ਦੀ ਖੋਜ
+> **ਸਿੱਖਣ ਦਾ ਲਕੜਾ:** ਇਸ ਉਪ-ਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਹਾਨੂੰ pandas DataFrames ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਡੇਟਾ ਬਾਰੇ ਆਮ ਜਾਣਕਾਰੀ ਲੱਭਣ ਵਿੱਚ ਸੁਵਿਧਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
-ਇਸ ਫੰਕਸ਼ਨਲਿਟੀ ਦੀ ਖੋਜ ਕਰਨ ਲਈ, ਅਸੀਂ Python scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਇੰਪੋਰਟ ਕਰਾਂਗੇ ਅਤੇ ਇੱਕ ਪ੍ਰਸਿੱਧ ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ: **Iris ਡਾਟਾਸੈਟ**।
+ਜਦੋਂ ਤੁਸੀਂ ਆਪਣਾ ਡੇਟਾ pandas ਵਿੱਚ ਲੋਡ ਕਰ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਜ਼ਿਆਦਾਤਰ ਮੈਂਡਇੰਗ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਇਹ DataFrame ਵਿੱਚ ਹੋਵੇਗਾ (ਸਵੇਰੇ ਦੇ ਅੱਗੇ [ਪਾਠ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/07-python#dataframe) ਲਈ ਵੇਰਵਾ ਵੇਖੋ)। ਪਰ ਜੇਕਰ ਤੁਹਾਡੇ DataFrame ਵਿੱਚ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ 60,000 ਕਤਾਰਾਂ ਅਤੇ 400 ਕਾਲਮ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਕਿਵੇਂ ਇਹ ਗੱਲ ਸਮਝ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੀ ਕੰਮ ਕਰ ਰਹੇ ਹੋ? ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, [pandas](https://pandas.pydata.org/) ਕੁਝ ਸੁਵਿਧਾਵਾਲੇ ਟੂਲਜ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ DataFrame ਬਾਰੇ ਕੁੱਲ ਜਾਣਕਾਰੀ ਦੇਖਣ ਲਈ ਪਹਿਲੀਆਂ ਅਤੇ ਆਖ਼ਰੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਦੇ ਨਾਲ।
+
+ਇਸ ਫੰਕਸ਼ਨਲਟੀ ਨੂੰ ਖੋਜਣ ਲਈ, ਅਸੀਂ Python ਦੀ scikit-learn ਲਾਇਬ੍ਰੇਰੀ ਆਯਾਤ ਕਰਾਂਗੇ ਅਤੇ ਇੱਕ ਪ੍ਰਸਿੱਧ ਡੇਟਾ ਸੈੱਟ ਵਰਤਾਂਗੇ: **Iris ਡੇਟਾ ਸੈੱਟ**।
```python
import pandas as pd
@@ -49,7 +50,7 @@ iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
|3 |4.6 |3.1 |1.5 |0.2 |
|4 |5.0 |3.6 |1.4 |0.2 |
-- **DataFrame.info**: ਸ਼ੁਰੂ ਕਰਨ ਲਈ, `info()` ਵਿਧੀ ਨੂੰ `DataFrame` ਵਿੱਚ ਮੌਜੂਦ ਸਮੱਗਰੀ ਦੀ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਿੰਟ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਆਓ ਇਸ ਡਾਟਾਸੈਟ ਨੂੰ ਦੇਖੀਏ ਕਿ ਸਾਡੇ ਕੋਲ ਕੀ ਹੈ:
+- **DataFrame.info**: ਸ਼ੁਰੂ ਕਰਨ ਲਈ, `info()` ਵਿਧੀ ਇੱਕ `DataFrame` ਵਿੱਚ ਮੌਜੂਦ ਸਮੱਗਰੀ ਦਾ ਸੰਖੇਪ ਪ੍ਰਿੰਟ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਆਓ ਦੇਖੀਏ ਇਸ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਸਾਡੇ ਕੋਲ ਕੀ ਹੈ:
```python
iris_df.info()
```
@@ -65,9 +66,9 @@ Data columns (total 4 columns):
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 ਵਜੋਂ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
+ਇਸ ਤੋਂ ਸਾਨੂੰ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ *Iris* ਡੇਟਾਸੈੱਟ ਵਿੱਚ 150 ਐਂਟਰੀਆਂ ਹਨ ਚਾਰ ਕਾਲਮਾਂ ਵਿੱਚ ਕਿਸੇ ਵੀ ਖਾਲੀ ਐਂਟਰੀ ਦੇ ਬਿਨਾਂ। ਸਾਰੇ ਡੇਟਾ 64-ਬਿਟ ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਨੰਬਰਾਂ ਵਜੋਂ ਸਟੋਰ ਕੀਤੇ ਗਏ ਹਨ।
-- **DataFrame.head()**: ਅਗਲੇ, `DataFrame` ਦੀ ਅਸਲ ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ `head()` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਆਓ ਦੇਖੀਏ ਕਿ ਸਾਡੇ `iris_df` ਦੀਆਂ ਪਹਿਲੀਆਂ ਕੁਝ ਪੰਕਤੀਆਂ ਕਿਵੇਂ ਲੱਗਦੀਆਂ ਹਨ:
+- **DataFrame.head()**: ਅਗਲਾ, `DataFrame` ਦੀ ਅਸਲੀ ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ `head()` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਆਓ ਵੇਖੀਏ ਸਾਡੀ `iris_df` ਦੀ ਪਹਿਲੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਕਿਵੇਂ ਦਿਖਦੀਆਂ ਹਨ:
```python
iris_df.head()
```
@@ -79,7 +80,7 @@ iris_df.head()
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 ਪੰਕਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ `tail()` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ:
+- **DataFrame.tail()**: ਵੱਧ ਦੂਰ ਜਾਣ ਲਈ, `DataFrame` ਦੀਆਂ ਆਖ਼ਰੀਆਂ ਕੁਝ ਕਤਾਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਅਸੀਂ `tail()` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ:
```python
iris_df.tail()
```
@@ -91,21 +92,20 @@ iris_df.tail()
148 6.2 3.4 5.4 2.3
149 5.9 3.0 5.1 1.8
```
-> **ਨਿਸਕਰਸ਼**: ਸਿਰਫ DataFrame ਵਿੱਚ ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਬਾਰੇ ਮੈਟਾਡੇਟਾ ਜਾਂ ਪਹਿਲੀਆਂ ਅਤੇ ਆਖਰੀ ਕੁਝ ਮੁੱਲਾਂ ਨੂੰ ਦੇਖ ਕੇ, ਤੁਸੀਂ ਤੁਰੰਤ ਇਸ ਗੱਲ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਜਿਸ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹੋ, ਉਸ ਦਾ ਆਕਾਰ, ਰੂਪ ਅਤੇ ਸਮੱਗਰੀ ਕੀ ਹੈ।
-
-## ਗੁੰਮ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣਾ
+> **ਸਿੱਖਿਆ**: ਸਿਰਫ਼ DataFrame ਵਿੱਚ ਜਾਣਕਾਰੀ ਬਾਰੇ ਮੈਟਾਡੇਟਾ ਦੇਖ ਕੇ ਜਾਂ ਪਹਿਲੀਆਂ ਅਤੇ ਆਖ਼ਰੀਆਂ ਕੁਝ ਮੁੱਲਾਂ ਨੂੰ ਵੇਖ ਕੇ ਤੁਸੀਂ ਤੁਰੰਤ ਹੀ ਡੇਟਾ ਦੀ ਆਕਾਰ, ਆਕਾਰ-ਰੂਪ ਅਤੇ ਸਮੱਗਰੀ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹੋ।
-> **ਸਿੱਖਣ ਦਾ ਲਕਸ਼**: ਇਸ ਉਪਵਿਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਹਾਨੂੰ DataFrames ਵਿੱਚ null ਮੁੱਲਾਂ ਨੂੰ ਬਦਲਣ ਜਾਂ ਹਟਾਉਣ ਦਾ ਗਿਆਨ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
+## ਗੁੰਮ ਡੇਟਾ ਨਾਲ ਨਿਪਟਣਾ
+> **ਸਿੱਖਣ ਦਾ ਲਕੜਾ:** ਇਸ ਉਪ-ਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਹਾਨੂੰ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ DataFrame ਵਿੱਚੋਂ null ਮੁੱਲਾਂ ਨੂੰ ਕਿਵੇਂ ਬਦਲਣਾ ਜਾਂ ਹਟਾਉਣਾ ਹੈ।
-ਅਕਸਰ ਉਹ ਡਾਟਾਸੈਟ ਜੋ ਤੁਸੀਂ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ (ਜਾਂ ਵਰਤਣ ਲਈ ਮਜਬੂਰ ਹੋ) ਵਿੱਚ ਗੁੰਮ ਮੁੱਲ ਹੁੰਦੇ ਹਨ। ਗੁੰਮ ਡਾਟਾ ਨੂੰ ਹੱਲ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸੁਖਮ ਤਰਾਜੂ ਲਿਆਉਂਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਅੰਤਿਮ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅਸਲ-ਦੁਨੀਆ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ।
+ਜਿਆਦਾਤਰ ਸਮੇਂ ਜੋ ਡੇਟਾਸੈੱਟ ਤੁਸੀਂ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹੋ (ਜਾਂ ਵਰਤਣੇ ਪੈਂਦੇ ਹਨ) ਉਹਨਾਂ ਵਿੱਚ ਗੁੰਮ ਕੀਤੇ ਮੁੱਲ ਹੁੰਦੇ ਹਨ। ਗੁੰਮ ਡੇਟਾ ਕਿਵੇਂ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਨਾਲ ਸੂਖਮ ਤੌਰ 'ਤੇ ਵਪਾਰ ਬਦਲਾਅ ਹੁੰਦੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਅੰਤਿਮ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਅਸਰ ਪਾ ਸਕਦੇ ਹਨ।
-Pandas ਗੁੰਮ ਮੁੱਲਾਂ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਹੱਲ ਕਰਦਾ ਹੈ। ਪਹਿਲਾ ਤੁਸੀਂ ਪਿਛਲੇ ਸੈਕਸ਼ਨਾਂ ਵਿੱਚ ਦੇਖਿਆ ਹੈ: `NaN`, ਜਾਂ Not a Number। ਇਹ ਵਾਸਤਵ ਵਿੱਚ IEEE ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਵਿਸ਼ੇਸ਼ਤਾ ਦਾ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਮੁੱਲ ਹੈ ਅਤੇ ਇਹ ਸਿਰਫ ਗੁੰਮ ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਮੁੱਲਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
+Pandas ਗੁੰਮ ਮੁੱਲਾਂ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਸੰਭਾਲਦਾ ਹੈ। ਪਹਿਲਾ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਦੇ ਭਾਗਾਂ ਵਿੱਚ ਵੇਖਿਆ ਹੈ: `NaN`, ਜਾਂ Not a Number। ਇਹ ਅਸਲ ਵਿੱਚ ਇੱਕ ਖਾਸ ਮੁੱਲ ਹੈ ਜੋ IEEE ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਵਿਸ਼ੇਸ਼ਣ ਦਾ ਹਿੱਸਾ ਹੈ ਅਤੇ ਸਿਰਫ ਗੁੰਮ ਫਲੋਟਿੰਗ-ਪੌਇੰਟ ਮੁੱਲਾਂ ਦੀ ਦਰਸਾਈ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
-ਫਲੋਟਾਂ ਤੋਂ ਇਲਾਵਾ ਗੁੰਮ ਮੁੱਲਾਂ ਲਈ, pandas Python `None` ਆਬਜੈਕਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਗੁੰਮ ਡਾਟਾ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਦੇਖਣ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਲੱਗ ਸਕਦਾ ਹੈ, ਪਰ ਇਸ ਡਿਜ਼ਾਈਨ ਚੋਣ ਲਈ ਵਾਜਬ ਕਾਰਨ ਹਨ ਅਤੇ, ਅਮਲ ਵਿੱਚ, ਇਸ ਤਰੀਕੇ ਨਾਲ pandas ਵਧੀਏ ਤਰਜੀਹ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਹਾਲਾਤਾਂ ਲਈ ਚੰਗਾ ਕੰਪ੍ਰੋਮਾਈਜ਼ ਹੈ। ਇਸਦੇ ਬਾਵਜੂਦ, `None` ਅਤੇ `NaN` ਦੋਵੇਂ ਪਾਬੰਦੀਆਂ ਲਿਆਉਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਇਸ ਗੱਲ ਦੇ ਪ੍ਰਤੀ ਸਾਵਧਾਨ ਰਹਿਣਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਇਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
+ਫਲੋਟ ਤੋਂ ਇਲਾਵਾ ਗੁੰਮ ਮੁੱਲ ਲਈ, pandas ਪਾਇਥਨ `None` ਆਬਜੈਕਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਇਹ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੇ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਮੁੱਲ ਮਿਲਦੇ ਹਨ ਜੋ ਵਿਹੰਗਮ ਤੌਰ 'ਤੇ ਇੱਕੋ ਜਿਹਾ ਮਤਲਬ ਦਿੰਦੇ ਹਨ, ਤਦ ਭਾਵੇਂ ਇਹ ਗਲਤ ਲੱਗ ਸਕਦਾ ਹੈ, ਪਰ ਇਸ ਡਿਜ਼ਾਈਨ ਚੋਣ ਦੇ ਮਜ਼ਬੂਤ ਕਾਰਨ ਹਨ ਅਤੇ ਅਮਲੀ ਤੌਰ 'ਤੇ, ਇਹ pandas ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਲਈ ਇਕ ਚੰਗਾ ਸਮਝੌਤਾ ਦੇਣ ਨੂੰ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਫਿਰ ਵੀ, ਦੋਹਾਂ `None` ਅਤੇ `NaN` ਨਾਲ ਐਸੇ ਰੋਕ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਤੁਹਾਨੂੰ ਜਾਗਰੂਕ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।
-`NaN` ਅਤੇ `None` ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਨੋਟਬੁੱਕ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) ਨੂੰ ਦੇਖੋ!
+`NaN` ਅਤੇ `None` ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ [ਨੋਟਬੁੱਕ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb) ਵੇਖੋ!
-- **Null ਮੁੱਲਾਂ ਦੀ ਪਛਾਣ**: pandas ਵਿੱਚ, `isnull()` ਅਤੇ `notnull()` ਵਿਧੀਆਂ ਤੁਹਾਡੇ ਡਾਟਾ ਵਿੱਚ null ਮੁੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਮੁੱਖ ਵਿਧੀਆਂ ਹਨ। ਦੋਵੇਂ ਤੁਹਾਡੇ ਡਾਟਾ 'ਤੇ Boolean ਮਾਸਕ ਵਾਪਸ ਕਰਦੇ ਹਨ। ਅਸੀਂ `NaN` ਮੁੱਲਾਂ ਲਈ `numpy` ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ:
+- **null ਮੁੱਲਾਂ ਦਾ ਪਤਾ ਲਾਉਣਾ**: `pandas` ਵਿੱਚ, `isnull()` ਅਤੇ `notnull()` ਵਿਧੀਆਂ ਤੁਹਾਡੇ ਪ੍ਰਧਾਨ ਤਰੀਕੇ ਹਨ null ਡੇਟਾ ਪਛਾਣਣ ਲਈ। ਦੋਹਾਂ ਤੁਹਾਡੇ ਡੇਟਾ ਤੇ ਬੂਲੀਅਨ ਮਾਸਕ ਵਾਪਸ ਕਰਦੀਆਂ ਹਨ। ਅਸੀਂ `NaN` ਮੁੱਲਾਂ ਲਈ `numpy` ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ:
```python
import numpy as np
@@ -119,13 +119,13 @@ example1.isnull()
3 True
dtype: bool
```
-ਆਉਟਪੁੱਟ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ। ਕੀ ਇਸ ਵਿੱਚੋਂ ਕੋਈ ਤੁਹਾਨੂੰ ਹੈਰਾਨ ਕਰਦਾ ਹੈ? ਹਾਲਾਂਕਿ `0` ਇੱਕ ਅੰਕਗਣਿਤ null ਹੈ, ਇਹ ਹਾਲੇ ਵੀ ਇੱਕ ਬਹੁਤ ਵਧੀਆ ਪੂਰਾ ਅੰਕ ਹੈ ਅਤੇ pandas ਇਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਮੰਨਦਾ ਹੈ। `''` ਕੁਝ ਹੋਰ ਸੁਖਮ ਹੈ। ਹਾਲਾਂਕਿ ਅਸੀਂ ਇਸਨੂੰ ਸੈਕਸ਼ਨ 1 ਵਿੱਚ ਇੱਕ ਖਾਲੀ ਸਤਰ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤਿਆ, ਇਹ ਹਾਲੇ ਵੀ ਇੱਕ ਸਤਰ ਆਬਜੈਕਟ ਹੈ ਅਤੇ pandas ਦੇ ਹਿਸਾਬ ਨਾਲ null ਦਾ ਪ੍ਰਤੀਨਿਧੀ ਨਹੀਂ ਹੈ।
+ਆਉਟਪੁੱਟ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ। ਕੀ ਕੁਝ ਤੁਹਾਨੂੰ ਹੈਰਾਨ ਕਰਦਾ ਹੈ? ਜਦੋਂ ਕਿ `0` ਇੱਕ ਅੰਕਗਣਿਤ ਨੱਲ ਹੈ, ਇਹ ਫਿਰ ਵੀ ਇੱਕ ਪੂਰਾ ਅੰਕ ਹੈ ਅਤੇ pandas ਇਸਨੂੰ ਇੱਧਰੇ ਹੀ ਮੰਨਦਾ ਹੈ। `''` ਥੋੜਾ ਜ਼ਿਆਦਾ ਸੁਕੁੰਥ ਹੈ। ਜਿਵੇਂ ਅਸੀਂ ਧਾਰਾ 1 ਵਿੱਚ ਇਸਨੂੰ ਖ਼ਾਲੀ ਸਟਰਿੰਗ ਮੁੱਲ ਦਰਸਾਉਣ ਲਈ ਵਰਤਿਆ ਸੀ, ਪਰ ਇਹ ਫਿਰ ਵੀ ਇੱਕ ਸਟਰਿੰਗ ਆਬਜੈਕਟ ਹੈ ਅਤੇ pandas ਦੇ ਮੁਤਾਬਕ null ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਹੈ।
-ਹੁਣ, ਆਓ ਇਸਨੂੰ ਉਲਟ ਕਰੀਏ ਅਤੇ ਇਹਨਾਂ ਵਿਧੀਆਂ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਵਰਤਾਂ ਜਿਵੇਂ ਤੁਸੀਂ ਅਮਲ ਵਿੱਚ ਵਰਤੋਂਗੇ। ਤੁਸੀਂ Boolean ਮਾਸਕਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ``Series`` ਜਾਂ ``DataFrame`` ਇੰਡੈਕਸ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹੋ, ਜੋ ਗੁੰਮ (ਜਾਂ ਮੌਜੂਦ) ਮੁੱਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਸਮੇਂ ਉਪਯੋਗ ਹੋ ਸਕਦਾ ਹੈ।
+ਹੁਣ, ਚਲੋ ਇਸਨੂੰ ਪਲਟ ਕੇ ਵਰਤਦੇ ਹਾਂ, ਆਪਣੇ ਅਮਲ ਵਿੱਚ ਜਿਵੇਂ ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਨੂੰ ਵਰਤੋਂਗੇ। ਤੁਸੀਂ ਬੂਲੀਅਨ ਮਾਸਕਾਂ ਨੂੰ ਸਿੱਧਾ ``Series`` ਜਾਂ ``DataFrame`` ਇੰਡੈਕਸ ਵਜੋਂ ਵਰਤ ਸਕਦੇ ਹੋ, ਜੋ ਗੁੰਮ (ਜਾਂ ਮੌਜੂਦ) ਮੁੱਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਸਮੇਂ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ।
-> **ਨਿਸਕਰਸ਼**: `isnull()` ਅਤੇ `notnull()` ਦੋਵੇਂ pandas ਵਿੱਚ ਵਰਤਿਆਂ ਸਮਾਨ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦੇ ਹਨ: ਇਹ ਨਤੀਜੇ ਅਤੇ ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਦੇ ਇੰਡੈਕਸ ਦਿਖਾਉਂਦੇ ਹਨ, ਜੋ ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਨਿਪਟਣ ਦੇ ਸਮੇਂ ਬਹੁਤ ਮਦਦਗਾਰ ਹੋਣਗੇ।
+> **ਸਿੱਖਿਆ**: ਦੋਹਾਂ `isnull()` ਅਤੇ `notnull()` ਵਿਧੀਆਂ `DataFrame`s ਵਿੱਚ ਵਰਤਿਆਂ ਸਮਾਨ ਨਤੀਜੇ ਦਿੰਦੇ ਹਨ: ਉਹ ਨਤੀਜੇ ਅਤੇ ਨਤੀਜੇ ਦਾ ਇੰਡੈਕਸ ਦਿਖਾਉਂਦੇ ਹਨ, ਜੋ ਤੁਹਾਨੂੰ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੇ ਸਮੇਂ ਬਹੁਤ ਮਦਦ ਕਰੇਗਾ।
-- **Null ਮੁੱਲਾਂ ਨੂੰ ਹਟਾਉਣਾ**: ਗੁੰਮ ਮੁੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, pandas `Series` ਅਤੇ `DataFrame`s ਤੋਂ null ਮੁੱਲਾਂ ਨੂੰ ਹਟਾਉਣ ਦਾ ਇੱਕ ਸਹੂਲਤਮੰਦ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। (ਵੱਡੇ ਡਾਟਾਸੈਟਾਂ 'ਤੇ ਖਾਸ ਤੌਰ 'ਤੇ, ਅਕਸਰ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਸਿਰਫ ਗੁੰਮ [NA] ਮੁੱਲਾਂ ਨੂੰ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਜਾਵੇ ਬਜਾਏ ਕਿ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲ ਨਿਪਟਣ ਦੇ।) ਇਸਨੂੰ ਅਮਲ ਵਿੱਚ ਦੇਖਣ ਲਈ, ਆਓ `example1` 'ਤੇ ਵਾਪਸ ਆਈਏ:
+- **null ਮੁੱਲਾਂ ਨੂੰ ਹਟਾਉਣਾ**: ਗੁੰਮ ਮੁੱਲ ਪਛਾਣਣ ਤੋਂ ਇਲਾਵਾ, pandas `Series` ਅਤੇ `DataFrame`s ਤੋਂ null ਮੁੱਲਾਂ ਨੂੰ ਹਟਾਉਣ ਦਾ ਇਕ ਸੁਵਿਧਾਜਨਕ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। (ਵੱਡੇ ਡੇਟਾਸੈੱਟ 'ਤੇ, ਅਕਸਰ ਇਹ ਅਧਿਕ উপਯੁਕਤ ਹੈ ਕਿ ਅਸੀਂ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚੋਂ ਸਿੱਧਾ ਗੁੰਮ [NA] ਮੁੱਲ ਹਟਾ ਦੇਈਏ ਨਾ ਕਿ ਇਹਨਾਂ ਨਾਲ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲ ਨਿਭਾਇਆ ਜਾਵੇ।) ਇਸਦਾ ਅਗਿਆਤ ਕਰਨ ਲਈ, ਚਲੋ `example1` ਨੂੰ ਮੁੜ ਦੇਖੀਏ:
```python
example1 = example1.dropna()
example1
@@ -135,9 +135,9 @@ example1
2
dtype: object
```
-ਨੋਟ ਕਰੋ ਕਿ ਇਹ ਤੁਹਾਡੇ `example3[example3.notnull()]` ਦੇ ਆਉਟਪੁੱਟ ਵਰਗਾ ਲੱਗਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਥੇ ਫਰਕ ਇਹ ਹੈ ਕਿ, ਸਿਰਫ ਮਾਸਕ ਕੀਤੇ ਮੁੱਲਾਂ 'ਤੇ ਇੰਡੈਕਸ ਕਰਨ ਦੀ ਬਜਾਏ, `dropna` ਨੇ `Series` `example1` ਤੋਂ ਉਹ ਗੁੰਮ ਮੁੱਲ ਹਟਾ ਦਿੱਤੇ ਹਨ।
+ਖਿਆਲ ਕਰੋ ਕਿ ਇਹ ਤੁਹਾਡੀ ``example3[example3.notnull()]`` ਤੋਂ ਮੋੜ ਰਹੇ ਆਉਟਪੁੱਟ ਵਾਂਗ ਲੱਗੇਗਾ। ਫ਼ਰਕ ਇਹ ਹੈ ਕਿ, ਸਿਰਫ ਮਾਸਕ ਕੀਤੇ ਮੁੱਲਾਂ 'ਤੇ ਇੰਡੈਕਸ ਕਰਨ ਦੀ ਬਜਾਇ, `dropna` ਨੇ ਉਹ ਗੁੰਮ ਮੁੱਲ `Series` `example1` ਤੋਂ ਹਟਾ ਦਿੱਤੇ ਹਨ।
-ਕਿਉਂਕਿ `DataFrame`s ਵਿੱਚ ਦੋ ਮਾਪ ਹਨ, ਇਹ ਡਾਟਾ ਹਟਾਉਣ ਲਈ ਹੋਰ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।
+ਕਿਉਂਕਿ `DataFrame`s ਦੋ-ਪਹਿਰਵੇਂ ਹਨ, ਉਹ ਤੁਹਾਨੂੰ ਡੇਟਾ ਹਟਾਉਣ ਲਈ ਹੋਰ ਵਿਕਲਪ ਦਿੰਦੇ ਹਨ।
```python
example2 = pd.DataFrame([[1, np.nan, 7],
@@ -151,17 +151,120 @@ example2
|1 |2.0|5.0|8 |
|2 |NaN|6.0|9 |
-(ਕੀ ਤੁਸੀਂ ਧਿਆਨ ਦਿੱਤਾ ਕਿ pandas ਨੇ `NaN`s ਨੂੰ ਸਮਰਥਨ ਦੇਣ ਲਈ ਦੋ ਕਾਲਮਾਂ ਨੂੰ ਫਲੋਟ ਵਿੱਚ ਅਪਕਾਸਟ ਕੀਤਾ?)
+(ਕੀ ਤੁਸੀਂ ਧਿਆਨ ਦਿੱਤਾ ਕਿ pandas ਦੋ ਕਾਲਮਾਂ ਨੂੰ ਫਲੋਟ ਵਿੱਚ ਉੱਚ ਲਿਆ ਗਿਆ ਹੈ ਤਾਂ ਜੋ `NaN`s ਸਮਾਧਾਨ ਕੀਤਾ ਜਾ ਸਕੇ?)
+
+ਤੁਸੀਂ ਇੱਕ `DataFrame` ਵਿੱਚੋਂ ਇੱਕ ਵੱਧ ਮੁੱਲ ਨਹੀਂ ਹਟਾ ਸਕਦੇ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਪੂਰੀਆਂ ਕਤਾਰਾਂ ਜਾਂ ਕਾਲਮ ਹਟਾਉਣੇ ਪੈਣਗੇ। ਤੁਸੀਂ ਜੋ ਕਰ ਰਹੇ ਹੋ ਉਸ 'ਤੇ ਨਿਰਭਰ ਕਰਕੇ ਤੁਸੀਂ ਇੱਕ ਜਾਂ ਦੂਸਰਾ ਕਰਨਾ ਚਾਹੋਗੇ, ਇਸ ਲਈ pandas ਦੋਹਾਂ ਲਈ ਤੇਰੇ ਵਿਕਲਪ ਦਿੰਦਾ ਹੈ। ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਕਾਲਮ ਆਮ ਤੌਰ 'ਤੇ ਵੈਰੀਏਬਲ ਦਰਸਾਉਂਦੇ ਹਨ ਅਤੇ ਕਤਾਰਾਂ ਅਬਜ਼ਰਵੇਸ਼ਨ, ਇਸ ਲਈ ਤੁਸੀਂ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਕਤਾਰਾਂ ਨੂੰ ਹਟਾਉਣਾ ਚਾਹੋਗੇ; `dropna()` ਦਾ ਡਿਫੌਲਟ ਹੱਲ ਇਹ ਹੈ ਕਿ ਉਹ ਸਾਰੀਆਂ ਕਤਾਰਾਂ ਹਟਾ ਦੇਵੇ ਜੋ ਕਿਸੇ ਵੀ null ਮੁੱਲ ਨੂੰ ਰੱਖਦੀਆਂ ਹਨ:
+
+```python
+example2.dropna()
+```
+```
+ 0 1 2
+1 2.0 5.0 8
+```
+ਜੇ ਜਰੂਰੀ ਹੋਵੇ ਤਾਂ ਤੁਸੀਂ ਕਾਲਮ ਤੋਂ NA ਮੁੱਲ ਹਟਾ ਸਕਦੇ ਹੋ। `axis=1` ਵਰਤੋ ਇਸ ਲਈ:
+```python
+example2.dropna(axis='columns')
+```
+```
+ 2
+0 7
+1 8
+2 9
+```
+ਦਿਆਨ ਦਿਓ ਕਿ ਇਹ ਕਾਫੀ ਡੇਟਾ ਹਟਾ ਸਕਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਰੱਖਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਖਾਸ ਕਰਕੇ ਛੋਟੇ ਡੇਟਾਸੈੱਟ ਵਿੱਚ। ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ ਉਹ ਕਤਾਰਾਂ ਜਾਂ ਕਾਲਮ ਹਟਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ ਜੋ ਕਈ ਜਾਂ ਸਾਰੇ null ਮੁੱਲ ਰੱਖਦੇ ਹਨ ਤਾਂ? ਤੁਸੀਂ `dropna` ਵਿੱਚ `how` ਅਤੇ `thresh` ਪਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਹ ਸੈਟਿੰਗਾਂ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਡਿਫੌਲਟ ਹੈ `how='any'` (ਤੁਸੀਂ ਖੁਦ ਦੇਖਣ ਜਾਂ ਹੋਰ ਪਰਾਮੀਟਰ ਜਾਣਨ ਲਈ `example4.dropna?` ਦੌੜਾ ਸਕਦੇ ਹੋ)। ਤੁਸੀਂ ਬਦਲੇ ਵਿੱਚ `how='all'` ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਸਿਰਫ ਉਹ ਕਤਾਰਾਂ ਜਾਂ ਕਾਲਮ ਹਟਾਏ ਜਾਣ ਜੋ ਸਾਰੇ null ਮੁੱਲ ਰੱਖਦੇ ਹਨ। ਇਸਨੂੰ ਦੇਖਣ ਲਈ ਅਸੀਂ ਆਪਣਾ ਉਦਾਹਰਨ DataFrame ਵਧਾਈਏ।
+
+```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` ਪਰਾਮੀਟਰ ਤੁਹਾਨੂੰ ਬਹੁਤ ਨਿੱਜੀ ਕਾਬੂ ਦਿੰਦਾ ਹੈ: ਤੁਸੀਂ ਉਹ ਨੰਬਰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ *ਗੈਰ-ਨਲ* ਮੁੱਲਾਂ ਦਾ ਜੋ ਇੱਕ ਕਤਾਰ ਜਾਂ ਕਾਲਮ ਕੋਲ ਬਣਿਆ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ:
+```python
+example2.dropna(axis='rows', thresh=3)
+```
+```
+ 0 1 2 3
+1 2.0 5.0 8 NaN
+```
+ਇੱਥੇ, ਪਹਿਲੀ ਅਤੇ ਆਖ਼ਰੀ ਕਤਾਰਾਂ ਹਟਾਈ ਗਈਆਂ ਹਨ, ਕਿਉਂਕਿ ਉਹ ਸਿਰਫ ਦੋ ਗੈਰ-ਨਲ ਮੁੱਲ ਰੱਖਦੀਆਂ ਹਨ।
+
+- **null ਮੁੱਲਾਂ ਨੂੰ ਭਰਨਾ**: ਤੁਹਾਡੇ ਡੇਟਾਸੈੱਟ ਦੇ ਮਿਉਤਾਬਕ, ਕਈ ਵਾਰ null ਮੁੱਲਾਂ ਨੂੰ ਸਹੀ ਮੁੱਲਾਂ ਨਾਲ ਭਰਨ ਉਚਿਤ ਹੁੰਦਾ ਹੈ ਨਾ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਹਟਾਉਣਾ। ਤੁਸੀਂ ਇਸ ਨੂੰ ਜਗ੍ਹਾ ਤੇ `isnull` ਵਰਤ ਕੇ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਇਹ ਸੁਖਮ ਸੰਘਰਸ਼ਮਈ ਹੈ, ਖਾਸ ਕਰਕੇ ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਬਹੁਤ ਸਾਰੇ ਮੁੱਲ ਹਨ ਭਰਨ ਲਈ। ਕਿਉਂਕਿ ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ ਬਹੁਤ ਆਮ ਕੰਮ ਹੈ, pandas `fillna` ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ `Series` ਜਾਂ `DataFrame` ਦੀ ਇੱਕ ਨਕਲ ਵਾਪਸੀ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਗੁੰਮ ਮੁੱਲ ਤੁਹਾਡੇ ਚੁਣੇ ਹੋਏ ਮੁੱਲ ਨਾਲ ਬਦਲੇ ਜਾਂਦੇ ਹਨ। ਚਲੋ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ `Series` ਬਣਾਈਏ ਤਾਂ ਜੋ ਇਨ੍ਹਾਂ ਵਿਧੀਆਂ ਨੂੰ ਅਮਲੀ ਜ਼ਿੰਦਗੀ ਵਿੱਚ ਵੇਖਿਆ ਜਾ ਸਕੇ।
+```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
+```
+ਤੁਸੀਂ ਸਾਰੇ null ਐਂਟਰੀਆਂ ਨੂੰ ਇੱਕ ਅਕਤਰਾ ਮੁੱਲ ਨਾਲ ਤਰਾਂ ਭਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ `0`:
+```python
+example3.fillna(0)
+```
+```
+a 1.0
+b 0.0
+c 2.0
+d 0.0
+e 3.0
+dtype: float64
+```
+ਤੁਸੀਂ **ਫਾਰਵਰਡ-ਫਿਲ** null ਮੁੱਲ ਭਰ ਸਕਦੇ ਹੋ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਅਖੀਰਲਾ ਸਕੀਮਤ ਮੁੱਲ ਵਰਤਣਾ ਤਾਂ ਜੋ null ਨੂੰ ਭਰਿਆ ਜਾ ਸਕੇ:
+```python
+example3.fillna(method='ffill')
+```
+```
+a 1.0
+b 1.0
+c 2.0
+d 2.0
+e 3.0
+dtype: float64
+```
+ਤੁਸੀਂ **ਬੈਕ-ਫਿਲ** ਵੀ ਕਰ ਸਕਦੇ ਹੋ, ਅਗਲਾ ਸਹੀ ਮੁੱਲ ਪਿੱਛੇ ਵੱਲ ਭਰਣ ਲਈ ਵਾਪਰਦਾ ਹੈ:
+```python
+example3.fillna(method='bfill')
+```
+```
+a 1.0
+b 2.0
+c 2.0
+d 3.0
+e 3.0
+dtype: float64
+```
+ਜਿਵੇਂ ਤੁਸੀਂ ਅਟਕ ਸਕਦੇ ਹੋ, ਇਹ `DataFrame`s ਨਾਲ ਵੀ ਉਹੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਇਹ ਵੀ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕਿਸ `axis` 'ਤੇ null ਮੁੱਲ ਭਰਣੇ ਹਨ। ਫਿਰ ਤੋਂ ਪਹਿਲਾਂ ਵਰਤੇ `example2` ਨੂੰ ਲਵੋ:
+```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
+```
+ਦਿਆਨ ਦਿਓ ਜਦ ਇੱਕ ਪਿਛਲੇ ਮੁੱਲ ਦਾ ਉਪਲਬਧ ਨਾ ਹੋਵੇ ਫਾਰਵਰਡ-ਫਿਲਿੰਗ ਲਈ, null ਮੁੱਲ ਉਸੇ ਤਰ੍ਹਾਂ ਰਹਿੰਦਾ ਹੈ।
+> **ਮੁੱਖ ਗੱਲ:** ਤੁਹਾਡੇ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਕਈ ਤਰੀਕੇ ਹਨ। ਉਹ ਖਾਸ ਰਣਨੀਤੀ ਜੋ ਤੁਹਾਡੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ (ਉਹਨਾਂ ਨੂੰ ਹਟਾਉਣਾ, ਬਦਲਣਾ, ਜਾਂ ਇਨ੍ਹਾਂ ਨੂੰ ਕਿਵੇਂ ਬਦਲਣਾ) ਉਸ ਡਾਟਾ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਡੇਟਾਸੈੱਟ ਨੂੰ ਸੰਭਾਲੋਗੇ ਅਤੇ ਉਸ ਨਾਲ ਇੰਟਰਐਕਟ ਕਰੋਗੇ, ਗੁੰਮ ਮੁੱਲਾਂ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਣਾ ਹੈ ਇਸਦਾ ਇੱਕ ਵਧੀਆ ਅਹਿਸਾਸ ਵਿਕਸਤ ਹੋਵੇਗਾ।
-ਤੁਸੀਂ `DataFrame` ਤੋਂ ਇੱਕ ਹੀ ਮੁੱਲ ਨੂੰ ਹਟਾ ਨਹੀਂ ਸਕਦੇ, ਇਸ ਲਈ ਤੁਹਾਨੂੰ ਪੂਰੀਆਂ ਪ
-> **ਮੁੱਖ ਗੱਲ:** ਤੁਹਾਡੇ ਡੇਟਾਸੈਟ ਵਿੱਚ ਗੁੰਮ ਹੋਈਆਂ ਵੈਲਿਊਜ਼ ਨਾਲ ਨਜਿੱਠਣ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ। ਜੋ ਖਾਸ ਰਣਨੀਤੀ ਤੁਸੀਂ ਵਰਤਦੇ ਹੋ (ਉਨ੍ਹਾਂ ਨੂੰ ਹਟਾਉਣਾ, ਬਦਲਣਾ, ਜਾਂ ਇਹ ਵੀ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਬਦਲਦੇ ਹੋ) ਉਹ ਡੇਟਾ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜਿਵੇਂ ਜਿਵੇਂ ਤੁਸੀਂ ਡੇਟਾਸੈਟਸ ਨਾਲ ਵਧੇਰੇ ਕੰਮ ਕਰਦੇ ਹੋ ਅਤੇ ਉਨ੍ਹਾਂ ਨਾਲ ਸੰਪਰਕ ਕਰਦੇ ਹੋ, ਗੁੰਮ ਹੋਈਆਂ ਵੈਲਿਊਜ਼ ਨਾਲ ਨਜਿੱਠਣ ਦਾ ਬਿਹਤਰ ਅਹਿਸਾਸ ਵਿਕਸਿਤ ਹੋਵੇਗਾ।
-## ਡੁਪਲੀਕੇਟ ਡਾਟਾ ਨੂੰ ਹਟਾਉਣਾ
+## ਨਕਲ ਡੇਟਾ ਨੂੰ ਹਟਾਉਣਾ
-> **ਸਿੱਖਣ ਦਾ ਉਦੇਸ਼:** ਇਸ ਉਪਵਿਭਾਗ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਸੀਂ DataFrames ਵਿੱਚ ਡੁਪਲੀਕੇਟ ਮੁੱਲਾਂ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਹਟਾਉਣ ਵਿੱਚ ਸਹੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
+> **ਸਿੱਖਣ ਦਾ ਲਕਸਰ:** ਇਸ ਉਪ-ਹਿੱਸੇ ਦੇ ਅੰਤ ਤੱਕ, ਤੁਹਾਨੂੰ ਡੇਟਾਫ੍ਰੇਮ ਤੋਂ ਨਕਲ ਵਾਲੀਆਂ ਮੁੱਲਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਹਟਾਉਣ ਵਿੱਚ ਆਰਾਮਦਾਇਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
-ਗੁੰਮ ਹੋਈ ਡਾਟਾ ਤੋਂ ਇਲਾਵਾ, ਤੁਸੀਂ ਅਕਸਰ ਅਸਲ-ਜਗਤ ਦੇ ਡਾਟਾਸੈਟਸ ਵਿੱਚ ਡੁਪਲੀਕੇਟ ਡਾਟਾ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, `pandas` ਡੁਪਲੀਕੇਟ ਐਂਟਰੀਜ਼ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਹਟਾਉਣ ਲਈ ਇੱਕ ਆਸਾਨ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+ਗੁੰਮ ਡੇਟਾ ਦੇ ਨਾਲ-ਨਾਲ, ਤੁਸੀਂ ਅਕਸਰ ਅਸਲੀ ਦੁਨੀਆ ਦੇ ਡੇਟਾਸੈੱਟ ਵਿੱਚ ਨਕਲ ਡੇਟਾ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, `pandas` ਨਕਲ ਦਰਜਿਆਂ ਦੀ ਪਛਾਣ ਅਤੇ ਹਟਾਉਣ ਦਾ ਇੱਕ ਆਸਾਨ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
-- **ਡੁਪਲੀਕੇਟ ਦੀ ਪਹਿਚਾਣ: `duplicated`**: ਤੁਸੀਂ pandas ਵਿੱਚ `duplicated` ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਡੁਪਲੀਕੇਟ ਮੁੱਲਾਂ ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ, ਜੋ ਇੱਕ Boolean ਮਾਸਕ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ `DataFrame` ਵਿੱਚ ਕੋਈ ਐਂਟਰੀ ਪਹਿਲਾਂ ਦੀ ਐਂਟਰੀ ਦਾ ਡੁਪਲੀਕੇਟ ਹੈ। ਆਓ ਇਸ ਨੂੰ ਕਾਰਵਾਈ ਵਿੱਚ ਦੇਖਣ ਲਈ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ `DataFrame` ਬਣਾਈਏ।
+- **ਨਕਲ ਪਛਾਣਨ ਵਾਲਾ: `duplicated`:** ਤੁਸੀਂ pandas ਵਿੱਚ `duplicated` ਮੈਥਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਸਾਨੀ ਨਾਲ ਨਕਲ ਮੁੱਲਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰ ਸਕਦੇ ਹੋ, ਜੋ ਇੱਕ ਬੂਲੀਅਨ ਮਾਸਕ ਵਾਪਸ ਕਰਦਾ ਹੈ, ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ `DataFrame` ਵਿੱਚ ਕੋਈ ਦਾਖਲਾ ਪਹਿਲਾਂ ਵਾਲੇ ਦਾਖਲੇ ਦਾ ਨਕਲ ਹੈ ਜਾਂ ਨਹੀਂ। ਚਲੋ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ `DataFrame` ਬਣਾਈਏ ਤਾਂ ਜੋ ਇਹ ਕਾਰਗੁਜ਼ਾਰੀ ਵੇਖੀ ਜਾ ਸਕੇ।
```python
example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
'numbers': [1, 2, 1, 3, 3]})
@@ -186,7 +289,7 @@ example4.duplicated()
4 True
dtype: bool
```
-- **ਡੁਪਲੀਕੇਟ ਹਟਾਉਣਾ: `drop_duplicates`:** ਸਿਰਫ ਉਸ ਡਾਟਾ ਦੀ ਇੱਕ ਕਾਪੀ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਾਰੇ `duplicated` ਮੁੱਲ `False` ਹਨ:
+- **ਨਕਲ ਹਟਾਉਣਾ: `drop_duplicates`:** ਇਹ ਸਿਰਫ਼ ਉਸ ਡਾਟਾ ਦੀ ਕਾਪੀ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਾਰੇ `duplicated` ਮੁੱਲ `False` ਹੁੰਦੇ ਹਨ:
```python
example4.drop_duplicates()
```
@@ -196,7 +299,7 @@ example4.drop_duplicates()
1 B 2
3 B 3
```
-`duplicated` ਅਤੇ `drop_duplicates` ਦੋਵੇਂ ਡਿਫਾਲਟ ਤੌਰ 'ਤੇ ਸਾਰੇ ਕਾਲਮਾਂ ਨੂੰ ਮਾਨਦੇ ਹਨ, ਪਰ ਤੁਸੀਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਉਹ ਤੁਹਾਡੇ `DataFrame` ਵਿੱਚ ਸਿਰਫ ਕੁਝ ਕਾਲਮਾਂ ਦੀ ਜਾਂਚ ਕਰਨ:
+ਦੋਵੇਂ `duplicated` ਅਤੇ `drop_duplicates` ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਾਰੇ ਕਾਲਮਾਂ ਨੂੰ ਵਿਚਾਰਦੇ ਹਨ ਪਰ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਆਪਣੇ `DataFrame` ਵਿੱਚ ਸਿਰਫ਼ ਕੁਝ ਕਾਲਮਾਂ ਨੂੰ ਦੇਖਣ ਲਈ ਨਿਰਧਾਰਿਤ ਕਰ ਸਕਦੇ ਹੋ:
```python
example4.drop_duplicates(['letters'])
```
@@ -206,31 +309,33 @@ letters numbers
1 B 2
```
-> **ਮੁੱਖ ਗੱਲ:** ਡੁਪਲੀਕੇਟ ਡਾਟਾ ਨੂੰ ਹਟਾਉਣਾ ਲਗਭਗ ਹਰ ਡਾਟਾ-ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਇੱਕ ਜਰੂਰੀ ਹਿੱਸਾ ਹੈ। ਡੁਪਲੀਕੇਟ ਡਾਟਾ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਗਲਤ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ!
+> **ਮੁੱਖ ਗੱਲ:** ਨਕਲ ਡੇਟਾ ਨੂੰ ਹਟਾਉਣਾ ਲਗਭਗ ਹਰ ਡਾਟਾ-ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਇੱਕ ਜ਼ਰੂਰੀ ਹਿੱਸਾ ਹੈ। ਨਕਲ ਡੇਟਾ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਗਲਤ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ!
-## 🚀 ਚੁਣੌਤੀ
+## 🚀 ਚੈਲੈਂਜ
-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। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰ ਸੈਕਸ਼ਨ ਦੇ ਬਾਅਦ ਅਭਿਆਸ ਦਿੱਤੇ ਗਏ ਹਨ, ਉਨ੍ਹਾਂ ਨੂੰ ਅਜ਼ਮਾਓ!
+ਸਾਰੇ ਚਰਚਿਤ ਸਮੱਗਰੀ ਇੱਕ [Jupyter Notebook](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/2-Working-With-Data/08-data-preparation/notebook.ipynb) ਵਜੋਂ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਦੇ ਨਾਲ, ਹਰ ਹਿੱਸੇ ਦੇ ਬਾਅਦ ਕਸਰਤਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਕੋਸ਼ਿਸ਼ ਕਰੋ!
-## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/15)
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵੀਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/15)
## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
-ਤੁਹਾਡੇ ਡਾਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਮਾਡਲਿੰਗ ਲਈ ਤਿਆਰ ਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ ਅਤੇ ਡਾਟਾ ਨੂੰ ਸਾਫ ਕਰਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ ਜੋ "ਹੱਥ-ਵਰਤੋਂ" ਅਨੁਭਵ ਹੈ। Kaggle ਤੋਂ ਇਹ ਚੁਣੌਤੀਆਂ ਅਜ਼ਮਾਓ ਜਿਨ੍ਹਾਂ ਨਾਲ ਉਹ ਤਕਨੀਕਾਂ ਖੋਜੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ ਜੋ ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਨਹੀਂ ਕੀਤੀਆਂ ਗਈਆਂ।
+ਆਪਣੇ ਡਾਟਾ ਦੀ ਤਿਆਰੀ ਅਤੇ ਸਫਾਈ ਲਈ ਕਈ ਤਰੀਕੇ ਹਨ ਅਤੇ ਡਾਟਾ ਸਾਫ਼ ਕਰਨਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ ਜੋ "ਹੱਥਾਂ-ਉੱਪਰ" ਅਨੁਭਵ ਹੈ। ਇਹ ਚੈਲੈਂਜਜ਼ ਕੋਗਲ ਤੋਂ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਤਾਂ ਜੋ ਉਹ ਤਕਨੀਕਾਂ ਖੋਜ ਸਕੋ ਜੋ ਇਸ ਪਾਠ ਵਿੱਚ ਕਵਰ ਨਹੀਂ ਹੋਈਆਂ।
-- [ਡਾਟਾ ਸਾਫ ਕਰਨ ਦੀ ਚੁਣੌਤੀ: ਤਾਰੀਖਾਂ ਨੂੰ ਪਾਰਸ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
+- [ਡਾਟਾ ਸਫਾਈ ਚੈਲੈਂਜ: ਤਰੀਖਾਂ ਨੂੰ ਪਾਰਸ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-parsing-dates/)
-- [ਡਾਟਾ ਸਾਫ ਕਰਨ ਦੀ ਚੁਣੌਤੀ: ਡਾਟਾ ਨੂੰ ਸਕੇਲ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
+- [ਡਾਟਾ ਸਫਾਈ ਚੈਲੈਂਜ: ਡਾਟਾ ਨੂੰ ਸਕੇਲ ਅਤੇ ਨਾਰਮਲਾਈਜ਼ ਕਰਨਾ](https://www.kaggle.com/rtatman/data-cleaning-challenge-scale-and-normalize-data)
## ਅਸਾਈਨਮੈਂਟ
-[ਫਾਰਮ ਤੋਂ ਡਾਟਾ ਦਾ ਮੁਲਾਂਕਨ](assignment.md)
+[ਇੱਕ ਫਾਰਮ ਤੋਂ ਡਾਟਾ ਦਾ ਮੁਲਾਂਕਣ](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 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
+
+**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।
+
\ 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
index ca9258ab..3f54b2e1 100644
--- a/translations/pa/3-Data-Visualization/13-meaningful-visualizations/README.md
+++ b/translations/pa/3-Data-Visualization/13-meaningful-visualizations/README.md
@@ -1,128 +1,128 @@
-# ਮਾਨਵਪ੍ਰਦ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਉਣਾ
+# ਮਾਇਨੇਦਾਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਾ
-|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/13-MeaningfulViz.png)|
+| ਵੱਲੋਂ ](../../sketchnotes/13-MeaningfulViz.png)|
|:---:|
-| ਮਾਨਵਪ੍ਰਦ ਦ੍ਰਿਸ਼ੀਕਰਨ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
+| ਮਾਇਨੇਦਾਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਵੱਲੋਂ_ |
-> "ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਕਾਫ਼ੀ ਸਮੇਂ ਤੱਕ ਤੰਗ ਕਰੋ, ਤਾਂ ਇਹ ਕੁਝ ਵੀ ਕਬੂਲ ਕਰ ਲਵੇਗਾ" -- [ਰੋਨਾਲਡ ਕੋਜ਼](https://en.wikiquote.org/wiki/Ronald_Coase)
+> "ਜੇ ਤੁਸੀਂ ਡਾਟਾ ਨੂੰ ਕਾਫ਼ੀ ਦੇਰ ਤੱਕ ਤੜપਾਓਗੇ, ਤਾਂ ਇਹ ਕੁਝ ਵੀ ਕਬੂਲ ਕਰ ਲਵੇਗਾ" -- [ਰੋਨਾਲਡ ਕੋਜ਼](https://en.wikiquote.org/wiki/Ronald_Coase)
-ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੀ ਇੱਕ ਮੁੱਖ ਕੌਸ਼ਲ ਇਹ ਹੈ ਕਿ ਉਹ ਅਜਿਹੇ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਉਣ ਦੀ ਯੋਗਤਾ ਰੱਖਦਾ ਹੈ ਜੋ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਨੂੰ ਦ੍ਰਿਸ਼ੀਕਰਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਪਵੇਗਾ 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 ਕਿਵੇਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ।
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਬੁਨਿਆਦੀ ਹੁਨਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮਾਇਨੇਦਾਰ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰੇ। ਆਪਣਾ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਇਹ ਯਕੀਨੀ ਬਨਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਹ ਸਾਫ਼ ਅਤੇ ਤਿਆਰ ਹੈ, ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ ਕੀਤਾ ਸੀ। ਇਸ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਸੋਚ ਸਕਦੇ ਹੋ ਕਿ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਭ ਤੋਂ ਵਧੀਆ ਪੇਸ਼ ਕੀਤਾ ਜਾਵੇ।
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 ਸਟਾਈਲ ਕੀਤਾ ਜਾਵੇ
-5. ਐਨੀਮੇਟਡ ਜਾਂ 3D ਚਾਰਟਿੰਗ ਹੱਲ ਕਿਵੇਂ ਬਣਾਏ ਜਾਵਨ
-6. ਰਚਨਾਤਮਕ ਦ੍ਰਿਸ਼ੀਕਰਨ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ
+2. ਧੋਖਾਧੜੀ ਵਾਲੇ ਚਾਰਟਿੰਗ ਤੋਂ ਬਚਾਅ
+3. ਰੰਗ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ
+4. ਪਾਠਯੋਗਤਾ ਲਈ ਆਪਣੇ ਚਾਰਟਾਂ ਨੂੰ ਸਜਾਉਣਾ
+5. ਐਨੀਮੇਟਿਡ ਜਾਂ 3D ਚਾਰਟਿੰਗ ਹੱਲ ਬਣਾਉਣਾ
+6. ਰਚਨਾਤਮਕ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣਾ
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/24)
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕੁਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/24)
## ਸਹੀ ਚਾਰਟ ਕਿਸਮ ਚੁਣੋ
-ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ Matplotlib ਅਤੇ Seaborn ਵਰਗੇ ਚਾਰਟਿੰਗ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵੱਖ-ਵੱਖ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਉਣ ਦੇ ਪ੍ਰਯੋਗ ਕੀਤੇ। ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ [ਸਹੀ ਚਾਰਟ](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ਦੀ ਚੋਣ ਇਸ ਟੇਬਲ ਦੀ ਮਦਦ ਨਾਲ ਕਰ ਸਕਦੇ ਹੋ:
+ਪਿਛਲੇ ਪਾਠਾਂ ਵਿੱਚ, ਤੁਸੀਂ Matplotlib ਅਤੇ Seaborn ਦੀ ਵਰਤੋਂ ਕਰ ਕੇ ਹਰ ਤਰ੍ਹਾਂ ਦੀਆਂ ਦਿਲਚਸਪ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਉਣ ਦਾ ਅਨੁਭਵ ਕੀਤਾ। ਆਮ ਤੌਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੀ ਪੂਛੇ ਗਈ ਸਵਾਲ ਲਈ [ਸਹੀ ਕਿਸਮ ਦਾ ਚਾਰਟ](https://chartio.com/learn/charts/how-to-select-a-data-vizualization/) ਇਸ ਟੇਬਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚੁਣ ਸਕਦੇ ਹੋ:
-| ਤੁਹਾਨੂੰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ: | ਤੁਹਾਨੂੰ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ: |
-| -------------------------- | ------------------------------- |
-| ਸਮੇਂ ਦੇ ਨਾਲ ਡਾਟਾ ਰੁਝਾਨ ਦਿਖਾਓ | ਲਾਈਨ |
-| ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ | ਬਾਰ, ਪਾਈ |
-| ਕੁੱਲ ਦੀ ਤੁਲਨਾ ਕਰੋ | ਪਾਈ, ਸਟੈਕਡ ਬਾਰ |
-| ਸੰਬੰਧ ਦਿਖਾਓ | ਸਕੈਟਰ, ਲਾਈਨ, ਫੈਸਿਟ, ਡੁਅਲ ਲਾਈਨ |
-| ਵੰਡ ਦਿਖਾਓ | ਸਕੈਟਰ, ਹਿਸਟੋਗ੍ਰਾਮ, ਬਾਕਸ |
-| ਅਨੁਪਾਤ ਦਿਖਾਓ | ਪਾਈ, ਡੋਨਟ, ਵਾਫਲ |
+| ਤੁਹਾਨੂੰ ਚਾਹੀਦਾ ਹੈ: | ਤੁਹਾਨੂੰ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ: |
+| ----------------------------- | ---------------------------- |
+| ਸਮੇਂ ਦੇ ਨਾਲ ਡਾਟਾ ਰੁਝਾਨ ਦਿਖਾਓ | ਲਾਈਨ |
+| ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ | ਬਾਰ, ਪਾਈ |
+| ਕੁੱਲ ਦੀ ਤੁਲਨਾ ਕਰੋ | ਪਾਈ, ਸਟੈਕਡ ਬਾਰ |
+| ਸੰਬੰਧ ਦਿਖਾਓ | ਸਕੈਟਰ, ਲਾਈਨ, ਫੇਸੇਟ, ਡੁਅਲ ਲਾਈਨ |
+| ਵੰਡ ਦਿਖਾਓ | ਸਕੈਟਰ, ਹਿਸਟੋਗ੍ਰਾਮ, ਬਾਕਸ |
+| ਅਨੁਪਾਤ ਦਿਖਾਓ | ਪਾਈ, ਡੋਨਟ, ਵਾਫਲ |
-> ✅ ਤੁਹਾਡੇ ਡਾਟਾ ਦੇ ਬਣਤਰ ਦੇ ਅਨੁਸਾਰ, ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਟੈਕਸਟ ਤੋਂ ਨੰਬਰਿਕ ਵਿੱਚ ਬਦਲਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ ਤਾਂ ਜੋ ਚਾਰਟ ਇਸਨੂੰ ਸਹਾਰ ਸਕੇ।
+> ✅ ਤੁਹਾਡੇ ਡਾਟਾ ਦੀ ਬਣਤਰ ਦੇ ਆਧਾਰ ਤੇ, ਤੁਹਾਨੂੰ ਇਹ ਸਹੀ ਚਾਰਟ ਚਲਾਉਣ ਲਈ ਟੈਕਸਟ ਤੋਂ ਨੰਬਰਾਂ ਵਿੱਚ ਬਦਲਣਾ ਪੈ ਸਕਦਾ ਹੈ।
-## ਧੋਖੇਬਾਜ਼ੀ ਤੋਂ ਬਚੋ
+## ਧੋਖਾਧੜੀ ਤੋਂ ਬਚੋ
-ਭਾਵੇਂ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਸਹੀ ਡਾਟਾ ਲਈ ਸਹੀ ਚਾਰਟ ਦੀ ਚੋਣ ਕਰਨ ਵਿੱਚ ਸਾਵਧਾਨ ਹੋਵੇ, ਡਾਟਾ ਨੂੰ ਅਕਸਰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਸੱਚਾਈ ਨੂੰ ਝੁਠਲਾ ਦੇਵੇ। ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਅਤੇ ਇਨਫੋਗ੍ਰਾਫਿਕਸ ਦੇ ਕਈ ਉਦਾਹਰਨ ਹਨ!
+ਜੇਕਰ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਸਹੀ ਡਾਟਾ ਲਈ ਸਹੀ ਚਾਰਟ ਚੁਣਦਾ ਵੀ ਹੈ, ਤਾਂ ਵੀ ਡਾਟਾ ਨੂੰ ਦਰਸਾਉਣ ਦੇ ਅਨੇਕ ਤਰੀਕੇ ਹਨ ਜਿਹੜੇ ਕੁਝ ਸਬੂਤ ਸਾਬਿਤ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਵਾਰ ਇਹ ਡਾਟਾ ਨੂੰ ਖ਼ੁਦ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦੇ ਹਨ। ਧੋਖਾਧੜੀ ਵਾਲੇ ਚਾਰਟ ਅਤੇ ਇੰਫੋਗ੍ਰਾਫਿਕਸ ਦੇ ਅਨੇਕ ਉਦਾਹਰਨ ਮੌਜੂਦ ਹਨ!
-[](https://www.youtube.com/watch?v=oX74Nge8Wkw "ਹਾਊ ਚਾਰਟਸ ਲਾਈ")
+[](https://www.youtube.com/watch?v=oX74Nge8Wkw "How charts lie")
-> 🎥 ਉਪਰੋਕਤ ਚਿੱਤਰ 'ਤੇ ਕਲਿਕ ਕਰੋ ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਬਾਰੇ ਕਾਨਫਰੰਸ ਟਾਕ ਦੇਖਣ ਲਈ
+> 🎥 ਧੋਖਾਧੜੀ ਚਾਰਟਾਂ ਬਾਰੇ ਕਾਨਫਰੰਸ ਟਾਕ ਲਈ ਉਪਰ ਤਸਵੀਰ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
-ਇਹ ਚਾਰਟ X ਅਕਸ ਨੂੰ ਉਲਟਾ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਸੱਚਾਈ ਦੇ ਵਿਰੁੱਧ ਦਿਖਾਇਆ ਜਾ ਸਕੇ:
+ਇਸ ਚਾਰਟ ਨੇ X ਅਕਸ ਨੂੰ ਉਲਟਾਇਆ ਹੈ ਤਾਂ ਜੋ ਸੱਚਾਈ ਦਾ ਉਲਟਾ ਦਰਸਾਇਆ ਜਾ ਸਕੇ, ਜਿਸ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਤਾਰੀਖ ਤੇ ਆਧਾਰਿਤ ਹੈ:
-
+
-[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 ਤਾਂ ਜੋ ਇਹ ਨਤੀਜਾ ਕੱਢਿਆ ਜਾ ਸਕੇ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ COVID ਕੇਸਾਂ ਵਿੱਚ ਕਮੀ ਆਈ ਹੈ। ਹਾਲਾਂਕਿ, ਜੇ ਤੁਸੀਂ ਮਿਤੀਆਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ, ਤਾਂ ਤੁਸੀਂ ਪਤਾ ਲਗਾਓਗੇ ਕਿ ਇਹਨਾਂ ਨੂੰ ਧੋਖੇਬਾਜ਼ੀ ਨਾਲ ਦੁਬਾਰਾ ਵਿਵਸਥਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
+[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 ਨਜ਼ਰ ਸੱਜੇ ਪਾਸੇ ਖਿੱਚੀ ਜਾਂਦੀ ਹੈ ਇਹ ਨਤੀਜਾ ਕੱਢਣ ਲਈ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ COVID ਕੇਸ ਵੱਖ-ਵੱਖ ਕਾਊਂਟੀਆਂ ਵਿੱਚ ਘਟੇ ਹਨ। ਅਸਲ ਵਿੱਚ, ਜੇ ਤੁਸੀਂ ਕਦੇ ਟਾਰੀਕਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਵੇਖੋ ਤਾਂ ਤੁਸੀਂ ਲੱਭੋਂਗੇ ਕਿ ਉਹ ਉਲਟੇ-ਪੁਲਟੇ ਕਰ ਦਿੱਤੇ ਗਏ ਹਨ ਜੋ ਕਿ ਝੂਠੇ ਘੱਟਦਰੇ ਰੁਝਾਨ ਦਿਖਾਉਂਦੇ ਹਨ।
-
+
-ਇਹ ਮਸ਼ਹੂਰ ਉਦਾਹਰਨ ਰੰਗ ਅਤੇ ਉਲਟੇ Y ਅਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਧੋਖੇਬਾਜ਼ੀ ਲਈ: ਬਜਾਏ ਇਸਦੇ ਕਿ ਗਨ ਡੈਥਸ ਬਾਅਦ ਵਧੀਆਂ, ਅੱਖ ਨੂੰ ਧੋਖਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਵਿਰੋਧੀ ਸੱਚ ਹੈ:
+ਇਹ ਮਸ਼ਹੂਰ ਉਦਾਹਰਨ ਰੰਗ AND ਫਲਿੱਪ ਕੀਤਾ Y ਅਕਸ ਵਰਤਦਿਆਂ ਧੋਖੇਬਾਜ਼ੀ ਕਰਦੀ ਹੈ: ਬੰਦੂਕ-ਮਿਤਰਲਿੰਗ ਨਾਲ ਸੰਬੰਧਿਤ ਕਾਨੂੰਨ ਪਾਸ ਹੋਣ ਤੋਂ ਬਾਅਦ ਬੰਦੂਕ ਮੌਤਾਂ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਹੈ, ਇਹ ਖ਼ਿਆਲ ਬਿਲਕੁਲ ਗਲਤ ਹੈ, ਨਜ਼ਰ ਨੂੰ ਕਹਿੰਦੀ ਹੈ ਕਿ ਵਿਰੁੱਧ ਹੈ:
-
+
-ਇਹ ਅਜੀਬ ਚਾਰਟ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਅਨੁਪਾਤ ਨੂੰ ਕਿਵੇਂ ਮਜ਼ਾਕੀਆ ਤਰੀਕੇ ਨਾਲ ਮੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ:
+ਇਹ ਵਿਲੱਖਣ ਚਾਰਟ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਨੁਪਾਤ ਨੂੰ ਕਿਵੇਂ ਮਨਮਾਨੀ ਤਰੀਕੇ ਨਾਲ ਤਬਦੀਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ,ਮਜ਼ੇਦਾਰ ਪ੍ਰਭਾਵ ਦੇ ਨਾਲ:
-
+
-ਅਤੁਲਨੀਆ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਇੱਕ ਹੋਰ ਧੋਖੇਬਾਜ਼ ਚਾਲ ਹੈ। [ਇੱਕ ਸ਼ਾਨਦਾਰ ਵੈਬਸਾਈਟ](https://tylervigen.com/spurious-correlations) 'ਸਪੁਰਿਅਸ ਕੋਰਲੇਸ਼ਨ' ਬਾਰੇ 'ਤੱਥ' ਦਿਖਾਉਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਮੈਨ ਵਿੱਚ ਤਲਾਕ ਦਰ ਅਤੇ ਮਾਰਗਰੀਨ ਦੀ ਖਪਤ। ਇੱਕ Reddit ਗਰੁੱਪ ਵੀ [ਡਾਟਾ ਦੀ ਬਦਸੂਰਤ ਵਰਤੋਂ](https://www.reddit.com/r/dataisugly/top/?t=all) ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ।
+ਬੇਮਿਸਾਲ ਦੀ ਤੁਲਨਾ ହଓਰ ਇੱਕ ਛਲਣਾਂ ਭਰੀ ਚਾਲ ਹੈ। ਇੱਕ [ਸ਼ਾਨਦਾਰ ਵੈੱਬਸਾਈਟ](https://tylervigen.com/spurious-correlations) ਹੈ ਜੋ ਕਿ 'ਝੂਠੇ ਸੰਬੰਧਾਂ' ਬਾਰੇ ਦਿਖਾਉਂਦੀ ਹੈ ਜਿੱਥੇ ਮਾਰਜਰੀਨ ਦੀ ਖਪਤ ਅਤੇ ਮਾਈਨ ਵਿੱਚ طلاق ਦਰ ਦੇ 'ਤੱਥਾਂ' ਦਾ ਤੁਲਨਾਤਮਕ ਤੌਰ ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਹੁੰਦਾ ਹੈ। ਇੱਕ Reddit ਗਰੁੱਪ ਵੀ ਡਾਟਾ ਦੇ [ਭਿਆਨਕ ਵਰਤੋਂ](https://www.reddit.com/r/dataisugly/top/?t=all) ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ।
-ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਅੱਖ ਨੂੰ ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਦੁਆਰਾ ਕਿਵੇਂ ਆਸਾਨੀ ਨਾਲ ਧੋਖਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਭਾਵੇਂ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੀ ਨੀਅਤ ਚੰਗੀ ਹੋਵੇ, ਖਰਾਬ ਚਾਰਟ ਦੀ ਚੋਣ, ਜਿਵੇਂ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਾਲਾ ਪਾਈ ਚਾਰਟ, ਧੋਖੇਬਾਜ਼ ਹੋ ਸਕਦਾ ਹੈ।
+ਇਹ ਸਮਝਣਾ ਜਰੂਰੀ ਹੈ ਕਿ ਕਿਵੇਂ ਨਜ਼ਰ ਨੂੰ ਬਹੁਤ ਆਸਾਨੀ ਨਾਲ ਧੋਖੇ ਵਿੱਚ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਧੋਖੇਬਾਜ਼ ਚਾਰਟਾਂ ਦੁਆਰਾ। ਭਾਵੇਂ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਦੀ ਨीयਤ ਚੰਗੀ ਹੋਵੇ, ਖਰਾਬ ਕਿਸਮ ਦੇ ਚਾਰਟ, ਜਿਵੇਂ ਪਾਈ ਚਾਰਟ ਜੋ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿਖਾ ਰਹੇ ਹੋਣ, ਧੋਖੇਬਾਜ਼ ਹੋ ਸਕਦੇ ਹਨ।
## ਰੰਗ
-ਤੁਸੀਂ 'ਫਲੋਰੀਡਾ ਗਨ ਵਾਇਲੈਂਸ' ਚਾਰਟ ਵਿੱਚ ਦੇਖਿਆ ਕਿ ਰੰਗ ਚਾਰਟਾਂ ਵਿੱਚ ਇੱਕ ਵਾਧੂ ਅਰਥ ਦੇ ਸਕਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਉਹ ਜੋ Matplotlib ਅਤੇ Seaborn ਵਰਗੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਹੀਂ ਬਣਾਏ ਗਏ। ਜੇ ਤੁਸੀਂ ਹੱਥੋਂ ਚਾਰਟ ਬਣਾਉਣ ਜਾ ਰਹੇ ਹੋ, ਤਾਂ [ਰੰਗ ਸਿਧਾਂਤ](https://colormatters.com/color-and-design/basic-color-theory) ਬਾਰੇ ਕੁਝ ਅਧਿਐਨ ਕਰੋ।
+ਤੁਸੀਂ ਉਪਰ 'ਫ਼ਲੋਰਿਡਾ ਗਨ ਵਾਇਲੈਂਸ' ਚਾਰਟ ਵਿੱਚ ਦੇਖਿਆ ਕਿ ਕਿਵੇਂ ਰੰਗ ਚਾਰਟਾਂ ਨੂੰ ਇੱਕ ਵਾਧੂ ਮਾਇਨੇਦਾਰ ਪਰਤ ਮੁਹੱਈਆ ਕਰਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਿਹੜੇ Matplotlib ਅਤੇ Seaborn ਵਰਗੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਨਹੀਂ ਬਣਾਏ ਗਏ। ਜੇ ਤੁਸੀਂ ਹੱਥ ਨਾਲ ਚਾਰਟ ਬਣਾ ਰਹੇ ਹੋ, ਤਾਂ ਥੋੜ੍ਹਾ ਬਹੁਤ [ਰੰਗ ਸਿਧਾਂਤ](https://colormatters.com/color-and-design/basic-color-theory) ਦਾ ਅਧਿਐਨ ਕਰੋ।
-> ✅ ਚਾਰਟ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ, ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਪਹੁੰਚਯੋਗਤਾ ਦ੍ਰਿਸ਼ੀਕਰਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹلو ਹੈ। ਤੁਹਾਡੇ ਕੁਝ ਉਪਭੋਗਤਾ ਰੰਗਾਂ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ ਦੇਖ ਸਕਦੇ - ਕੀ ਤੁਹਾਡਾ ਚਾਰਟ ਵਿਜ਼ੂਅਲ ਇਮਪੇਅਰਮੈਂਟ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਚੰਗਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ?
+> ✅ ਚਾਰਟਿੰਗ ਦੇ ਸਮੇਂ ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਪਹੁੰਚਯੋਗਤਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਪੱਖ ਹੈ। ਕਈ ਵਰਤੋਂਕਾਰ ਰੰਗ ਅੰਨ੍ਹੇ ਹੋ ਸਕਦੇ ਹਨ - ਕੀ ਤੁਹਾਡਾ ਚਾਰਟ ਵਿਜ਼ੂਅਲ ਇੰਨੀਸ਼ੀਅਲਮੈਂਟ ਵਾਲੇ ਵਰਤੋਂਕਾਰਾਂ ਲਈ ਠੀਕ ਦਿਖਦਾ ਹੈ?
-ਚਾਰਟ ਲਈ ਰੰਗ ਚੁਣਦੇ ਸਮੇਂ ਸਾਵਧਾਨ ਰਹੋ, ਕਿਉਂਕਿ ਰੰਗ ਅਜਿਹਾ ਅਰਥ ਦੇ ਸਕਦੇ ਹਨ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ। 'ਹਾਈਟ' ਚਾਰਟ ਵਿੱਚ 'ਪਿੰਕ ਲੇਡੀਜ਼' ਇੱਕ ਵਿਸ਼ੇਸ਼ 'ਮਹਿਲਾ' ਅਰਥ ਦਿੰਦੇ ਹਨ ਜੋ ਚਾਰਟ ਦੀ ਅਜੀਬਤਾ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।
+ਆਪਣੇ ਚਾਰਟ ਲਈ ਰੰਗਾਂ ਦੀ ਚੋਣ ਕਰਦਿਆਂ ਸੰਭਾਲ ਕੇ ਵਰਤੋ, ਕਿਉਂਕਿ ਰੰਗ ਤਰਕਸੰਗਤ ਅਰਥ ਦਿੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਦੇਣਾ ਚਾਹੁੰਦੇ। 'ਵੱਡੇ 'ਪਿੰਕ ਲੇਡੀਆਂ' ਉਪਰ 'ਊਚਾਈ' ਚਾਰਟ ਵਿੱਚ ਇੱਕ ਵੱਖਰਾ 'ਮਹਿਲਾ' ਤੱਤ ਦੇ ਅਰਥ ਜੋੜਦਾ ਹੈ ਜੋ ਖ਼ੁਦ ਚਾਰਟ ਦੇ ਵਿਲੱਖਣਤਾ ਵਿੱਚ ਵਾਧਾ ਕਰਦਾ ਹੈ।
-ਜਦੋਂ ਕਿ [ਰੰਗ ਦਾ ਅਰਥ](https://colormatters.com/color-symbolism/the-meanings-of-colors) ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਇਹਨਾਂ ਦੇ ਸ਼ੇਡ ਦੇ ਅਨੁਸਾਰ ਬਦਲ ਸਕਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਰੰਗ ਦੇ ਅਰਥ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+ਜਦੋਂ ਕਿ [ਰੰਗਾਂ ਦੇ ਅਰਥ](https://colormatters.com/color-symbolism/the-meanings-of-colors) ਦੁਨੀਆ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਆਪਣੀ ਛਾਇਆ ਦੇ ਅਨੁਸਾਰ ਬਦਲਦੇ ਰਹਿੰਦੇ ਹਨ, ਆਮ ਤੌਰ 'ਤੇ ਰੰਗਾਂ ਦੇ ਅਰਥ ਸ਼ਾਮਲ ਹਨ:
-| ਰੰਗ | ਅਰਥ |
-| ------ | ------------------- |
-| ਲਾਲ | ਸ਼ਕਤੀ |
-| ਨੀਲਾ | ਭਰੋਸਾ, ਵਫ਼ਾਦਾਰੀ |
-| ਪੀਲਾ | ਖੁਸ਼ੀ, ਸਾਵਧਾਨੀ |
-| ਹਰਾ | ਪਰਿਆਵਰਨ, ਕਿਸਮਤ, ਈਰਖਾ |
-| ਜਾਮਨੀ | ਖੁਸ਼ੀ |
-| ਸੰਤਰੀ | ਚਮਕਦਾਰ |
+| ਰੰਗ | ਅਰਥ |
+| -------- | -------------------- |
+| ਲਾਲ | ਸ਼ਕਤੀ |
+| ਨੀਲਾ | ਭਰੋਸਾ, ਵਫ਼ਾਦਾਰੀ |
+| ਪੀਲਾ | ਖੁਸ਼ੀ, ਸਾਵਧਾਨੀ |
+| ਹਰਾ | ਪਰਿਆਵਰਣ, ਕਿਸਮਤ,ਈਰਖਾ |
+| ਜਾਮਨੀ | ਖੁਸ਼ੀ |
+| ਨਾਰੰਗੀ | ਜ਼ਿੰਦਾ ਦਿਲੀ |
-ਜੇ ਤੁਹਾਨੂੰ ਕਸਟਮ ਰੰਗਾਂ ਨਾਲ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਚਾਰਟ ਪਹੁੰਚਯੋਗ ਹਨ ਅਤੇ ਤੁਸੀਂ ਚੁਣਿਆ ਰੰਗ ਉਸ ਅਰਥ ਨਾਲ ਮਿਲਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਦਿਖਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ।
+ਜੇ ਤੁਹਾਨੂੰ ਕਸਟਮ ਰੰਗਾਂ ਨਾਲ ਚਾਰਟ ਬਣਾਉਣ ਦਾ ਕੰਮ ਦਿੱਤਾ ਗਇਆ ਹੈ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਚਾਰਟ ਦੋਹਾਂ ਪਹੁੰਚਯੋਗ ਹਨ ਅਤੇ ਤੁਸੀਂ ਜਿਸ ਅਰਥ ਨੂੰ ਪ੍ਰਗਟਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ ਰੰਗ ਉਸ ਨਾਲ ਸੰਗਤਿਤ ਹੈ।
-## ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਚਾਰਟਾਂ ਨੂੰ ਸਟਾਈਲ ਕਰਨਾ
+## ਪਾਠਯੋਗਤਾ ਲਈ ਆਪਣੇ ਚਾਰਟਾਂ ਦੀ ਸ਼ੈਲੀ
-ਚਾਰਟ ਮਾਨਵਪ੍ਰਦ ਨਹੀਂ ਹੁੰਦੇ ਜੇ ਉਹ ਪੜ੍ਹਨਯੋਗ ਨਹੀਂ ਹੁੰਦੇ! ਆਪਣੇ ਚਾਰਟ ਦੀ ਚੌੜਾਈ ਅਤੇ ਉਚਾਈ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮਾਪਣ ਲਈ ਸਟਾਈਲ ਕਰਨ ਬਾਰੇ ਸੋਚਣ ਲਈ ਸਮਾਂ ਲਓ। ਜੇਕਰ ਇੱਕ ਵੈਰੀਏਬਲ (ਜਿਵੇਂ ਕਿ ਸਾਰੇ 50 ਰਾਜ) ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ Y ਅਕਸ 'ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵਰਟਿਕਲ ਦਿਖਾਓ ਜੇਕਰ ਸੰਭਵ ਹੋ ਤਾਂ ਜਿਵੇਂ ਕਿ ਹੌਰਿਜ਼ੋਂਟਲ-ਸਕ੍ਰੋਲਿੰਗ ਚਾਰਟ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ।
+ਚਾਰਟ ਮਾਇਨੇਦਾਰ ਨਹੀਂ ਹੁੰਦੇ ਜੇ ਉਹ ਪੜ੍ਹਨ ਯੋਗ ਨਾ ਹੋਣ! ਆਪਣੀ ਡਾਟਾ ਦੇ ਅਨੁਸਾਰ ਆਪਣੇ ਚਾਰਟ ਦੀ ਚੌੜਾਈ ਅਤੇ ਲੰਬਾਈ ਦਾ ਆਕਾਰ ਸਹੀ ਸਮਝ ਕੇ ਬਦਲੋ। ਜੇ ਕੋਈ ਇਕ ਵੈਰੀਏਬਲ (ਜਿਵੇਂ ਸਾਰੇ 50 ਰਾਜ) ਦਰਸਾਉਣਾ ਹੈ, ਤਾਂ ਉਹਨੂੰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ Y ਅਕਸ 'ਤੇ ਵਰਟੀਕਲ ਦਿਖਾਓ ਤਾਂ ਜੋ ਹਵਾਈ ਸਕ੍ਰੋਲ ਕਰਨ ਵਾਲਾ ਚਾਰਟ ਨਾ ਬਣੇ।
-ਆਪਣੇ ਅਕਸਾਂ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਜਰੂਰਤ ਪੈਣ 'ਤੇ ਲੈਜੈਂਡ ਦਿਓ, ਅਤੇ ਡਾਟਾ ਦੀ ਬਿਹਤਰ ਸਮਝ ਲਈ ਟੂਲਟਿਪਸ ਪੇਸ਼ ਕਰੋ।
+ਆਪਣੇ ਅਕਸਾਂ ਨੂੰ ਲੇਬਲ ਕਰੋ, ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਲੇਜੰਡ ਦਿਓ ਅਤੇ ਡਾਟਾ ਨੂੰ ਵਧੀਆ ਸਮਝਣ ਲਈ ਟੂਲਟਿਪ ਪ੍ਰਦਾਨ ਕਰੋ।
-ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ X ਅਕਸ 'ਤੇ ਟੈਕਸਟ ਅਤੇ ਵਿਆਪਕ ਹੈ, ਤਾਂ ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਟੈਕਸਟ ਨੂੰ ਝੁਕਾਓ। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D ਪਲਾਟਿੰਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਇਸਨੂੰ ਸਹਾਰਦਾ ਹੈ। 'mpl_toolkits.mplot3d' ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉੱਚ-ਤਕਨੀਕੀ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ।
+ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਟੈਕਸਟਵਾਲਾ ਅਤੇ ਲੰਬਾ ਹੈ X ਅਕਸ 'ਤੇ, ਤਾਂ ਟੈਕਸਟ ਨੂੰ ਪੜ੍ਹਨ ਯੋਗ ਬਣਾਉਣ ਲਈ ਟੈਕਸਟ ਨੂੰ ਥੋੜ੍ਹਾ ਕਿਹਾੜਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। [Matplotlib](https://matplotlib.org/stable/tutorials/toolkits/mplot3d.html) 3D ਪਲਾਟਿੰਗ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਜੇ ਤੁਹਾਡਾ ਡਾਟਾ ਇਸਨੂੰ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ। `mpl_toolkits.mplot3d` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੇਚੀਦਾ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਤਿਆਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
-
+
-## ਐਨੀਮੇਸ਼ਨ ਅਤੇ 3D ਚਾਰਟ ਡਿਸਪਲੇਅ
+## ਐਨੀਮੇਸ਼ਨ ਅਤੇ 3D ਚਾਰਟ ਪ੍ਰਦਰਸ਼ਨ
-ਅੱਜ ਦੇ ਕੁਝ ਸਭ ਤੋਂ ਵਧੀਆ ਡਾਟਾ ਦ੍ਰਿਸ਼ੀਕਰਨ ਐਨੀਮੇਟਡ ਹਨ। Shirley Wu ਨੇ D3 ਨਾਲ ਸ਼ਾਨਦਾਰ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਏ ਹਨ, ਜਿਵੇਂ '[ਫਿਲਮ ਫਲਾਵਰਜ਼](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ਜਿੱਥੇ ਹਰ ਫੁੱਲ ਇੱਕ ਫਿਲਮ ਦਾ ਦ੍ਰਿਸ਼ੀਕਰਨ ਹੈ। Guardian ਲਈ ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ 'bussed out' ਹੈ, ਜੋ ਇੱਕ ਇੰਟਰੈਕਟਿਵ ਅਨੁਭਵ ਹੈ ਜੋ Greensock ਅਤੇ D3 ਨਾਲ ਦ੍ਰਿਸ਼ੀਕਰਨ ਨੂੰ ਜੋੜਦਾ ਹੈ ਅਤੇ NYC ਦੇ ਹੋਮਲੈਸ ਸਮੱਸਿਆ ਨੂੰ ਦਿਖਾਉਣ ਲਈ ਇੱਕ ਸਕ੍ਰੋਲਟੇਲਿੰਗ ਲੇਖ ਫਾਰਮੈਟ ਨੂੰ ਵਰਤਦਾ ਹੈ।
+ਅੱਜ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਐਨੀਮੇਟਿਡ ਹੁੰਦੇ ਹਨ। Shirley Wu ਨੇ D3 ਨਾਲ ਸ਼ਾਨਦਾਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ '[ਫਿਲਮ ਫੁੱਲ](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ਜਿੱਥੇ ਹਰ ਫੁੱਲ ਇੱਕ ਫਿਲਮ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਹੈ। ਦੂਜਾ ਉਦਾਹਰਨ Guardian ਲਈ 'bussed out' ਹੈ, ਜੋ ਕਿ ਇੱਕ ਇੰਟਰਐਕਟਿਵ ਤਜਰਬਾ ਹੈ ਜੋ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ Greensock ਅਤੇ D3 ਨਾਲ ਜੋੜਦਾ ਹੈ ਤੇ ਇੱਕ ਸਕਰੋਲਟੈਲਿੰਗ ਲੇਖ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ NYC ਕਿਵੇਂ ਆਪਣੇ ਬੇਘਰ ਲੋਕਾਂ ਨੂੰ ਸਿਟੀ ਤੋਂ ਬੱਸ ਰਾਹੀਂ ਭੇਜਦਾ ਹੈ।
-
+
-> "Bussed Out: How America Moves its Homeless" [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) ਤੋਂ। ਦ੍ਰਿਸ਼ੀਕਰਨ Nadieh Bremer & Shirley Wu ਦੁਆਰਾ
+> "Bussed Out: How America Moves its Homeless" [Guardian](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) ਵੱਲੋਂ। ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨਾਦੀਹ ਬ੍ਰੇਮਰ ਅਤੇ ਸ਼ਿਰਲੀ ਵੂ ਵੱਲੋਂ।
-ਜਦੋਂ ਕਿ ਇਹ ਪਾਠ ਸ਼ਕਤੀਸ਼ਾਲੀ ਦ੍ਰਿਸ਼ੀਕਰਨ ਲਾਇਬ੍ਰੇਰੀਆਂ ਸਿਖਾਉਣ ਲਈ ਗਹਿਰਾਈ ਵਿੱਚ ਜਾਣ ਲਈ ਅਪਰਾਪਤ ਹੈ, Vue.js ਐਪ ਵਿੱਚ D3 ਦੀ ਵਰਤੋਂ ਕਰਕੇ 'Dangerous Liaisons' ਕਿਤਾਬ ਦੇ ਦ੍ਰਿਸ਼ੀਕਰਨ ਨੂੰ ਐਨੀਮੇਟਡ ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਵਜੋਂ ਦਿਖਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+ਇਹ ਪਾਠ ਇਹ ਸ਼ਕਤਿਸ਼ਾਲੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਾਇਬ੍ਰੇਰੀਜ਼ ਨੂੰ ਵਿਸਥਾਰ ਨਾਲ Sikhāṇ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਪਰ Vue.js ਐਪ ਵਿੱਚ D3 ਨਾਲ ਹੱਥ ਆਜ਼ਮਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਜੋ ਕਿਤਾਬ "Dangerous Liaisons" ਦੀ ਇੱਕ ਐਨੀਮੇਟਿਡ ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦਰਸਾਉਂਦਾ ਹੈ।
-> "Les Liaisons Dangereuses" ਇੱਕ ਪੱਤਰਕਾਰੀ ਨਾਵਲ ਹੈ, ਜਾਂ ਪੱਤਰਾਂ ਦੀ ਲੜੀ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਨਾਵਲ। 1782 ਵਿੱਚ Choderlos de Laclos ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ, ਇਹ 18ਵੀਂ ਸਦੀ ਦੇ ਫਰਾਂਸੀਸੀ ਅਰਿਸਟੋਕ੍ਰੇਸੀ ਦੇ ਦੋ ਮੁੱਖ ਪਾਤਰਾਂ Vicomte de Valmont ਅਤੇ Marquise de Merteuil ਦੀ ਕਹਾਣੀ ਦੱਸਦਾ ਹੈ। ਦੋਵੇਂ ਅੰਤ ਵਿੱਚ ਆਪਣੇ ਅੰਤ ਨੂੰ ਪਹੁੰਚਦੇ ਹਨ ਪਰ ਬਹੁਤ ਸਾਰੇ ਸਮਾਜਿਕ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਣ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ। ਨਾਵਲ ਪੱਤਰਾਂ ਦੀ ਲੜੀ ਵਜੋਂ ਖੁਲ੍ਹਦਾ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਲੋਕਾਂ ਨੂੰ ਲਿਖੇ ਜਾਂਦੇ ਹਨ, ਬਦਲਾ ਲੈਣ ਜਾਂ ਸਿਰਫ਼ ਮੁਸ਼ਕਲ ਪੈਦਾ ਕਰਨ ਲਈ ਯੋਜਨਾਵਾਂ ਬਣਾਉਣ ਲਈ। ਇਹ ਪੱਤਰਾਂ ਦੇ ਦ੍ਰਿਸ਼ੀਕਰਨ ਨੂੰ ਬਣਾਓ ਤਾਂ ਜੋ ਕਹਾਣੀ ਦੇ ਮੁੱਖ ਪਾਤਰਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ੀਕਰਤ ਕੀਤਾ ਜਾ ਸਕੇ।
+> "Les Liaisons Dangereuses" ਇੱਕੋਂ ਕ਼ਤਬੀ ਨਾਵਲ ਹੈ, ਜਾਂ ਪੱਤਰਾਂ ਦੀ ਇੱਕ ਸੀਰੀਜ਼ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਇਆ ਨਾਵਲ। ਇਹ 1782 ਵਿੱਚ Choderlos de Laclos ਵੱਲੋਂ ਲਿਖਿਆ ਗਿਆ, ਜੋ ਕਿ 18ਵੀਂ ਸਦੀ ਦੇ ਅਖੀਰ ਵਿੱਚ ਫ੍ਰੈਂਚ ਅੰਕਿਤਤਕ ਲੋਕਾਂ ਦੀ ਦੁਰਾਲੇ, ਨੈਤਿਕ ਤੌਰ 'ਤੇ ਖ਼ਰਾਬ ਸਿਆਸੀ ਚਾਲਾਂ ਦੀ ਕਹਾਣੀ ਬਿਆਨ ਕਰਦਾ ਹੈ। Vicomte de Valmont ਅਤੇ Marquise de Merteuil ਮੁੱਖ ਕਿਰਦਾਰ ਹਨ। ਦੋਵੇਂ ਅੰਤ ਵਿੱਚ ਮਰਨ ਵਾਲੇ ਹਨ ਪਰ ਆਪਣੇ ਸਮਾਜਿਕ ਨੁਕਸਾਨ ਖੜਾ ਕਰਦੇ ਹਨ। ਨਾਵਲ ਆਪਣੇ ਵਾਸਤੇ ਵੱਖ ਵੱਖ ਲੋਕਾਂ ਨੂੰ ਲਿਖੇ ਪੱਤਰਾਂ ਦੇ ਜ਼ਰੀਏ ਸਾਜ਼ਿਸ਼ਾਂ ਜਾਂ ਮੁਸ਼ਕਲਾਂ ਬਣਾਉਂਦਾ ਹੈ। ਇਹ ਪੱਤਰਾਂ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਣਾਈਏ ਤਾਂ ਜੋ ਕਹਾਣੀ ਦੇ ਪ੍ਰਮੁੱਖ ਸ਼ਕਸੀਅਤਾਂ ਨੂੰ ਨਜ਼ਰ ਵਿਚ ਲਿਆ ਜਾ ਸਕੇ।
-ਤੁਸੀਂ ਇੱਕ ਵੈਬ ਐਪ ਪੂਰਾ ਕਰੋਗੇ ਜੋ ਇਸ ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਦਾ ਐਨੀਮੇਟਡ ਦ੍ਰਿਸ਼ੀਕਰਨ ਦਿਖਾਏਗਾ। ਇਹ Vue.js ਅਤੇ D3 ਦੀ ਵਰਤੋਂ ਕਰਕੇ [ਨੈਟਵਰਕ](https://github.com/emiliorizzo/vue-d3-network) ਦਾ ਦ੍ਰਿਸ਼ੀਕਰਨ ਬਣਾਉਣ ਲਈ ਬਣਾਈ ਗਈ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਐਪ ਚੱਲ ਰਿਹਾ ਹੈ, ਤੁਸੀਂ ਸਕ੍ਰੀਨ 'ਤੇ ਨੋਡਸ ਨੂੰ ਖਿੱਚ ਕੇ ਡਾਟਾ ਨੂੰ ਦੁਬਾਰਾ ਵਿਵਸਥਿਤ ਕਰ ਸਕਦੇ ਹੋ।
+ਤੁਸੀਂ ਇੱਕ ਵੈੱਬ ਐਪ ਬਣਾਉਂਦੇ ਹੋ ਜੋ ਇਸ ਸੋਸ਼ਲ ਨੈੱਟਵਰਕ ਦੀ ਐਨੀਮੇਟਿਡ ਦ੍ਰਿਸ਼ਟੀ ਦਿਖਾਏਗਾ। ਇਹ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ Vue.js ਅਤੇ D3 ਦੀ ਵਰਤੋਂ ਕਰਕੇ [ਨੈੱਟਵਰਕ ਦੀ ਵਿਜ਼ੂਅਲ](https://github.com/emiliorizzo/vue-d3-network) ਬਣਾਉਣ ਲਈ ਬਣਾਈ ਗਈ ਹੈ। ਜਦ ਤੇ ਐਪ ਚੱਲ ਰਹੀ ਹੋਵੇ, ਤਦ ਤੁਸੀਂ ਸਕ੍ਰੀਨ 'ਤੇ ਨੋਡ ਹਿਲਾ ਕੇ ਡਾਟਾ ਨੂੰ ਮੁੜ ਸ਼ਫ਼ਲ ਕਰ ਸਕਦੇ ਹੋ।
-
+
-## ਪ੍ਰੋਜੈਕਟ: D3.js ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨੈਟਵਰਕ ਦਿਖਾਉਣ ਲਈ ਚਾਰਟ ਬਣਾਓ
+## ਪ੍ਰੋਜੈਕਟ: D3.js ਵਰਤ ਕੇ ਨੈੱਟਵਰਕ ਦਿਖਾਉਣ ਲਈ ਚਾਰਟ ਬਣਾਓ
-> ਇਸ ਪਾਠ ਫੋਲਡਰ ਵਿੱਚ ਇੱਕ `solution` ਫੋਲਡਰ ਸ਼ਾਮਲ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਪੂਰਾ ਕੀਤਾ ਪ੍ਰੋਜੈਕਟ ਆਪਣੇ ਹਵਾਲੇ ਲਈ ਪਾ ਸਕਦੇ ਹੋ।
+> ਇਸ ਪਾਠ ਫੋਲਡਰ ਵਿੱਚ ਇੱਕ `solution` ਫੋਲਡਰ ਹੈ ਜਿੱਥੇ ਤੁਸੀਂ ਮੁਕੰਮਲ ਪ੍ਰੋਜੈਕਟ ਦੇਖ ਸਕਦੇ ਹੋ, ਆਪਣੇ ਹਵਾਲੇ ਲਈ।
-1. `starter` ਫੋਲਡਰ ਦੇ ਰੂਟ ਵਿੱਚ README.md ਫਾਈਲ ਵਿੱਚ ਦਿੱਤੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੇ ਕੰਪਿਊਟਰ 'ਤੇ NPM ਅਤੇ Node.js ਚੱਲ ਰਹੇ ਹਨ ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟ ਦੀਆਂ ਡਿਪੈਂਡੈਂਸੀਜ਼ ਨੂੰ ਇੰਸਟਾਲ ਕਰਦੇ ਹੋ।
+1. README.md ਫਾਇਲ ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ ਜੋ starter ਫੋਲਡਰ ਦੀ ਜ਼ੜ੍ਹ ਵਿੱਚ ਹੈ। ਆਪਣੀ ਮਸ਼ੀਨ 'ਤੇ NPM ਅਤੇ Node.js ਚੱਲ ਰਿਹਾ ਹੋਣਾ ਯਕੀਨੀ ਕਰੋ ਆਪਣੇ ਪ੍ਰੋਜੈਕਟ ਦੀਆਂ ਡਿਪੈਂਡੇਨਸੀਜ਼ ਇੰਸਟਾਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ।
-2. `starter/src` ਫੋਲਡਰ ਖੋਲ੍ਹੋ। ਤੁਸੀਂ ਇੱਕ `assets` ਫੋਲਡਰ ਪਾਓਗੇ ਜਿੱਥੇ ਤੁਹਾਨੂੰ .json ਫਾਈਲ ਮਿਲੇਗੀ ਜਿਸ ਵਿੱਚ ਨਾਵਲ ਦੇ ਸਾਰੇ ਪੱਤਰ ਹਨ, ਗਿਣਤੀਵਾਰ, 'to' ਅਤੇ 'from' ਐਨੋਟੇਸ਼ਨ ਦੇ ਨਾਲ।
+2. `starter/src` ਫੋਲਡਰ ਖੋਲ੍ਹੋ। ਤੁਹਾਨੂੰ ਇੱਕ `assets` ਫੋਲਡਰ ਮਿਲੇਗਾ ਜਿੱਥੇ ਨਾਵਲ ਦੇ ਸਾਰੇ ਪੱਤਰਾਂ ਵਾਲਾ ਇੱਕ .json ਫਾਇਲ ਮੌਜੂਦ ਹੈ, ਨੰਬਰਾਂ ਸਮੇਤ, 'to' ਅਤੇ 'from' ਤਾਮੀਲ ਨਾਲ।
-3. `components/Nodes.vue` ਵਿੱਚ ਕੋਡ ਪੂਰਾ ਕਰੋ ਤਾਂ ਜੋ ਦ੍ਰਿਸ਼ੀਕਰਨ ਸੰਭਵ ਹੋ ਸਕੇ। `createLinks()` ਨਾਮਕ ਵਿਧੀ ਨੂੰ ਲੱਭੋ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤਾ nested loop ਸ਼ਾਮਲ ਕਰੋ।
+3. ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਯੋਗ ਬਣਾਉਣ ਲਈ `components/Nodes.vue` ਵਿੱਚ ਕੋਡ ਪੂਰਾ ਕਰੋ। `createLinks()` ਨਾਮ ਦੀ ਵਿਧੀ ਲਈ ਉਪਰੋਕਤ ਨੈਸਟਡ ਲੂਪ ਜੋੜੋ।
-.json ਆਬਜੈਕਟ ਵਿੱਚ ਲੂਪ ਕਰੋ ਤਾਂ ਜੋ ਪੱਤਰਾਂ ਲਈ 'to' ਅਤੇ 'from' ਡਾਟਾ ਕੈਪਚਰ ਕੀਤਾ ਜਾ ਸਕੇ ਅਤੇ `links` ਆਬਜੈਕਟ ਬਣਾਇਆ ਜਾ ਸਕੇ ਤਾਂ ਜੋ ਦ੍ਰਿਸ਼ੀਕਰਨ ਲਾਇਬ੍ਰੇਰੀ ਇਸਨੂੰ ਖਪਾ ਸਕੇ:
+.json ਆਬਜੈਕਟ ਵਿੱਚੋਂ 'to' ਅਤੇ 'from' ਡਾਟਾ ਕੈਪਚਰ ਕਰਨ ਲਈ ਲੂਪ ਚਲਾਉ, ਅਤੇ `links` ਆਬਜੈਕਟ ਬਣਾਉ ਤਾਂ ਜੋ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਾਇਬ੍ਰੇਰੀ ਇਸਨੂੰ ਖਪਾ ਸਕੇ:
```javascript
-//loop through letters
+//ਅੱਖਰਾਂ ਵਿੱਚ ਲੂਪ ਕਰੋ
let f = 0;
let t = 0;
for (var i = 0; i < letters.length; i++) {
@@ -139,9 +139,37 @@
}
```
-ਆਪਣੇ ਟਰਮੀਨਲ ਤੋਂ ਐਪ ਚਲਾਓ (npm run serve) ਅਤੇ ਦ੍ਰ
+ਆਪਣਾ ਐਪ ਟਰਮੀਨਲ ਤੋਂ ਚਲਾਓ (npm run serve) ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦਾ ਆਨੰਦ ਲਓ!
+
+## 🚀 ਚੈਲੇਂਜ
+
+ਇੰਟਰਨੈੱਟ ਦਾ ਜਾਇਜ਼ਾ ਲਵੋ ਅਤੇ ਧੋਖੇਬਾਜ਼ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲੱਭੋ। ਲੇਖਕ ਕਿਸ ਤਰੀਕੇ ਨਾਲ ਯੂਜ਼ਰ ਨੂੰ ਧੋਖਾ ਦਿੱਤਾ ਹੈ, ਅਤੇ ਕੀ ਇਹ ਇਰਾਦੇਵਾਲਾ ਹੈ? ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਤਾਂ ਜੋ ਉਹ ਜਿਵੇਂ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ ਉਵੇਂ ਦਿਖਾਈ ਦੇਣ।
+
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕੁਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/25)
+
+## ਸਮੀਖਿਆ ਅਤੇ ਖੁਦ ਅਧਿਐਨ
+
+ਇੱਥੇ ਕੁਝ ਲੇਖ ਹਨ ਜੋ ਧੋਖੇਬਾਜ਼ ਡਾਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਬਾਰੇ ਪੜ੍ਹਨ ਲਈ:
+
+https://gizmodo.com/how-to-lie-with-data-visualization-1563576606
+
+http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/
+
+ਇਤਿਹਾਸਕ ਸੁੰਪਤੀ ਅਤੇ ਆਰਟਿਫੈਕਟਸ ਲਈ ਇਹ ਦਿਲਚਸਪ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨਾਂ ਨੂੰ ਵੇਖੋ:
+
+https://handbook.pubpub.org/
+
+ਇਸ ਲੇਖ ਵਿੱਚ ਦੇਖੋ ਕਿ ਕਿਵੇਂ ਐਨੀਮੇਸ਼ਨ ਤੁਹਾਡੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਸੁਧਾਰ ਸਕਦਾ ਹੈ:
+
+https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4
+
+## ਅਸਾਈਨਮੈਂਟ
+
+[ਆਪਣਾ ਖ਼ੁਦ ਦਾ ਕਸਟਮ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ 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। 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
+
+**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।
+
\ 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
index 0610b446..4c881757 100644
--- a/translations/pa/3-Data-Visualization/R/09-visualization-quantities/README.md
+++ b/translations/pa/3-Data-Visualization/R/09-visualization-quantities/README.md
@@ -1,69 +1,70 @@
-# ਮਾਤਰਾ ਨੂੰ ਦਿਖਾਉਣਾ
-| ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)|
+# ਮਾਤਰਾਵਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ
+| ](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_ |
+| ਮਾਤਰਾਵਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ - _ਸਕੈਚਨੋਟ ਬਾਇ [@nitya](https://twitter.com/nitya)_ |
-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)
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਇਹ ਸਿੱਖੋਗੇ ਕਿ ਮਾਤਰਾ ਦੇ ਸੰਕਲਪ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਦਿਲਚਸਪ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਬਣਾਉਣ ਲਈ R ਪੈਕੇਜਾਂ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਜ਼ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਦੀ ਹੈ। ਮਿਨੇਸੋਟਾ ਦੇ ਪੰਛੀਆਂ ਬਾਰੇ ਸਾਫ਼ ਕੀਤਾ ਗਿਆ ਡੇਟਾ ਸੈੱਟ ਵਰਤ ਕੇ ਤੁਸੀਂ ਸਥਾਨਕ ਜੰਗਲੀ ਜੀਵਾਂ ਬਾਰੇ ਕਈ ਦਿਲਚਸਪ ਤੱਥ ਸਿੱਖ ਸਕਦੇ ਹੋ।
-## 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।
+## [ਪੂਰੇ ਪਾਠ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਸ਼ਨਾਵਲੀ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16)
-`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।
+## ggplot2 ਨਾਲ ਵਿੰਗਸਪੈਨ ਨੂੰ ਦੇਖੋ
+ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸਧਾਰਣ ਅਤੇ ਸੋਫਿਸਟੀਕੇਟਿਡ ਗ੍ਰਾਫ ਅਤੇ ਚਾਰਟ ਬਣਾਉਣ ਲਈ ਬਹੁਤ ਵਧੀਆ ਲਾਇਬ੍ਰੇਰੀ ਹੈ [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html)। ਆਮ ਤੌਰ 'ਤੇ, ਇਨ੍ਹਾਂ ਲਾਇਬ੍ਰੇਰੀਜ਼ ਦੀ ਵਰਤੋਂ ਨਾਲ ਡੇਟਾ ਪਲਾਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਆਪਣੇ ਡੇਟਾ ਫਰੇਮ ਦੇ ਉਹ ਹਿੱਸੇ ਪਛਾਣਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਡੇਟਾ 'ਤੇ ਲੋੜੀਂਦੇ ਬਦਲਾਅ ਕਰਨਾ, ਇਸਦੇ x ਅਤੇ y ਅੱਖਾਂ ਦੇ ਮੁੱਲ ਨਿਰਧਾਰਿਤ ਕਰਨਾ, ਕਿਸ ਕਿਸਮ ਦਾ ਪਲਾਟ ਦਿਖਾਉਣਾ ਹੈ ਇਸਦਾ ਫੈਸਲਾ ਕਰਨਾ ਅਤੇ ਫਿਰ ਗ੍ਰਾਫ ਦਿਖਾਉਣਾ।
-> ✅ 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)
+`ggplot2` ਇੱਕ ਸਿਸਟਮ ਹੈ ਜੋ The Grammar of Graphics 'ਤੇ ਆਧਾਰਿਤ ਗ੍ਰਾਫਿਕਸ ਨੂੰ ਹੁਕਮਾਂਤਰੀ ਤੌਰ 'ਤੇ ਬਣਾਉਂਦਾ ਹੈ। [The Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) ਡਾਟਾ ਵਿਜ਼ੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਇੱਕ ਆਮ ਯੋਜਨਾ ਹੈ ਜੋ ਗ੍ਰਾਫਾਂ ਨੂੰ ਸਿੰਮੇਟਿਕ ਭਾਗਾਂ ਜਿਵੇਂ ਕਿ ਸਕੇਲ ਅਤੇ ਲੇਅਰ ਵਿੱਚ ਵੰਡਦੀ ਹੈ। ਸਧਾਰਣ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਥੋੜ੍ਹੇ ਕੋਡ ਨਾਲ ਹੀ ਇੱਕ-ਵੈਰੀਏਟ ਜਾਂ ਬਹੁ-ਵੈਰੀਏਟ ਡੇਟਾ ਲਈ ਪਲਾਟ ਅਤੇ ਗ੍ਰਾਫ ਬਣਾਉਣ ਦੀ ਸੌਖਿਆ ਕਾਰਨ `ggplot2` ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਪੈਕੇਜ ਹੈ ਜੋ R ਵਿੱਚ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਯੂਜ਼ਰ `ggplot2` ਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਵੈਰੀਏਬਲ ਨੂੰ ਐਸਥੇਟਿਕਸ ਤੇ ਨਕਸ਼ਾ ਬਣਾਉਣਾ ਹੈ, ਗ੍ਰਾਫਿਕਲ ਅੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ, ਅਤੇ ਬਾਕੀ ਕੰਮ `ggplot2` ਕਰ ਲੈਂਦਾ ਹੈ।
-ਆਪਣੇ ਡਾਟੇ ਅਤੇ ਕਹਾਣੀ ਦੇ ਅਨੁਸਾਰ ਸਭ ਤੋਂ ਵਧੀਆ ਜਿਓਮੈਟਰੀ (ਪਲਾਟ ਦੀ ਕਿਸਮ) ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਪਲਾਟ ਰਾਹੀਂ ਦੱਸਣਾ ਚਾਹੁੰਦੇ ਹੋ।
+> ✅ ਪਲਾਟ = ਡੇਟਾ + ਐਸਥੇਟਿਕਸ + ਜਯੋਮੈਟਰੀ
+> - ਡੇਟਾ ਦਾ ਅਰਥ ਹੈ ਡੇਟਾ ਸੈੱਟ
+> - ਐਸਥੇਟਿਕਸ ਉਹ ਵੈਰੀਏਬਲ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ (x ਅਤੇ y ਵੈਰੀਏਬਲ)
+> - ਜਯੋਮੈਟਰੀ ਦਾ ਅਰਥ ਹੈ ਪਲਾਟ ਦੀ ਕਿਸਮ (ਲਾਈਨ ਪਲਾਟ, ਬਾਰ ਪਲਾਟ ਆਦਿ)
-> - 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
+ਆਪਣੇ ਡੇਟਾ ਅਤੇ ਕਹਾਣੀ ਦੇ ਅਨੁਆਰ ਸਭ ਤੋਂ ਵਧੀਆ ਜਯੋਮੈਟਰੀ (ਪਲਾਟ ਦੀ ਕਿਸਮ) ਚੁਣੋ।
-✅ 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।
+> - ਰੁਝਾਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ: ਲਾਈਨ, ਕਾਲਮ
+> - ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ: ਬਾਰ, ਕਾਲਮ, ਪਾਈ, ਸਕੈਟਰਪਲਾਟ
+> - ਦਿਖਾਉਣ ਲਈ ਕਿ ਹਿਸੇ ਪੂਰੇ ਨਾਲ ਕਿਵੇਂ ਜੁੜਦੇ ਹਨ: ਪਾਈ
+> - ਡੇਟਾ ਦੇ ਵੰਡ ਦਰਸਾਉਣ ਲਈ: ਸਕੈਟਰਪਲਾਟ, ਬਾਰ
+> - ਮੁੱਲਾਂ ਦੇ ਰਿਸ਼ਤਿਆਂ ਨੂੰ ਦਿਖਾਉਣ ਲਈ: ਲਾਈਨ, ਸਕੈਟਰਪਲਾਟ, ਬਬਲ
-## ਪੰਖਾਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਬਾਰੇ ਲਾਈਨ ਪਲਾਟ ਬਣਾਓ
+✅ ਤੁਸੀਂ ਇਸ ਵੇਰਵੇ ਵਾਲੀ [ਚੀਟਸ਼ੀਟ](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) ਨੂੰ ਵੀ ggplot2 ਲਈ ਦੇਖ ਸਕਦੇ ਹੋ।
-R ਕਨਸੋਲ ਖੋਲ੍ਹੋ ਅਤੇ ਡਾਟਾਸੈੱਟ ਇੰਪੋਰਟ ਕਰੋ।
-> ਨੋਟ: ਡਾਟਾਸੈੱਟ ਇਸ ਰਿਪੋ ਦੇ ਰੂਟ ਵਿੱਚ `/data` ਫੋਲਡਰ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਗਿਆ ਹੈ।
+## ਪੰਛੀਆਂ ਦੇ ਵਿੰਗਸਪੈਨ ਮੁੱਲਾਂ 'ਤੇ ਲਾਈਨ ਪਲਾਟ ਬਣਾਓ
-ਆਓ ਡਾਟਾਸੈੱਟ ਇੰਪੋਰਟ ਕਰੀਏ ਅਤੇ ਡਾਟੇ ਦੇ ਸਿਰਲੇਖ (ਪਹਿਲੀਆਂ 5 ਕਤਾਰਾਂ) ਨੂੰ ਦੇਖੀਏ।
+R ਕਨਸੋਲ ਖੋਲ੍ਹੋ ਅਤੇ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਇੰਪੋਰਟ ਕਰੋ।
+> ਨੋਟ: ਡੇਟਾ ਸੈੱਟ ਇਸ ਰੇਪੋ ਦੇ ਮੂਲ `/data` ਫੋਲਡਰ ਵਿੱਚ ਸੰਗ੍ਰਹਿਤ ਹੈ।
+
+ਆਓ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਇੰਪੋਰਟ ਕਰੀਏ ਅਤੇ ਡੇਟਾ ਦੇ ਸਿਰਲੇਖ (ਸਭ ਤੋਂ ਉੱਪਰੀ 5 ਰੋਜ਼) ਨੂੰ ਵੇਖੀਏ।
```r
birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
head(birds)
-```
-ਡਾਟੇ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਟੈਕਸਟ ਅਤੇ ਨੰਬਰਾਂ ਦਾ ਮਿਸ਼ਰਣ ਹੈ:
+```
+ਡੇਟਾ ਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਟੈਕਸਟ ਅਤੇ ਗਿਣਤੀਆਂ ਦੋਹਾਂ ਮਿਲੀ ਹੋਈਆਂ ਹਨ:
-| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan |
+| | ਨਾਂਮ | ਵਿਗਿਆਨਕ ਨਾਂਮ | ਸ਼੍ਰੇਣੀ | ਕ੍ਰਮ | ਪਰਿਵਾਰ | ਜੈਨਸ | ਸੰਰੱਖਣ ਸਥਿਤੀ | ਘੱਟੋ-ਘੱਟ ਲੰਬਾਈ | ਵੱਧਤੋਂ ਵੱਧ ਲੰਬਾਈ | ਘੱਟੋ-ਘੱਟ ਸਰੀਰ ਭਾਰ | ਵੱਧਤੋਂ ਵੱਧ ਸਰੀਰ ਭਾਰ | ਘੱਟੋ-ਘੱਟ ਵਿੰਗਸਪੈਨ | ਵੱਧਤੋਂ ਵੱਧ ਵਿੰਗਸਪੈਨ |
| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
-| 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 |
+| 0 | ਬਲੈਕ-ਬੈਲਡ ਵ੍ਹਿਸਲਿੰਗ-ਡੱਕ | Dendrocygna autumnalis | ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀ | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 |
+| 1 | ਫੁਲਵਸ ਵ੍ਹਿਸਲਿੰਗ-ਡੱਕ | Dendrocygna bicolor | ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀ | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 |
+| 2 | ਸ্নੋ ਹੰਸ | Anser caerulescens | ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀ | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 |
+| 3 | ਰੌਸ ਦਾ ਹੰਸ | Anser rossii | ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀ | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 |
+| 4 | ਵੱਡਾ ਸਫੈਦ-ਮਖ ਬੰਦਾ ਹੰਸ | Anser albifrons | ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀ | 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।
+ਆਓ ਕੁਝ ਗਿਣਤੀ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਸਧਾਰਨ ਲਾਈਨ ਪਲਾਟ ਨਾਲ ਪਲਾਟ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੀਏ। ਧਾਰੋ ਕਿ ਤੁਸੀਂ ਇਹ ਵੱਖ-ਵੱਖ ਦਿਲਚਸਪ ਪੰਛੀਆਂ ਦੀ ਵੱਧਤੋਂ ਵੱਧ ਵਿੰਗਸਪੈਨ ਵੇਖਣਾ 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।
+```
+ਇੱਥੇ ਤੁਸੀਂ `ggplot2` ਪੈਕੇਜ ਨੂੰ ਇੰਸਟਾਲ ਕਰਦੇ ਹੋ ਅਤੇ ਫਿਰ ਕੰਮ ਕਰਨ ਵਾਲੀ ਥਾਂ `library("ggplot2")` ਕਮਾਂਡ ਰਾਹੀਂ ਇੰਪੋਰਟ ਕਰਦੇ ਹੋ। ਕਿਸੇ ਵੀ ਪਲਾਟ ਨੂੰ ggplot ਵਿਚ ਪਲਾਟ ਕਰਨ ਲਈ `ggplot()` ਫੰਕਸ਼ਨ ਵਰਗੀਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਡੇਟਾ ਸੈਟ, x ਅਤੇ y ਵੈਰੀਏਬਲਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿੱਤਾ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਅਸੀਂ `geom_line()` ਫੰਕਸ਼ਨ ਵਰਤਦੇ ਹਾਂ ਕਿਉਂਕਿ ਅਸੀਂ ਲਾਈਨ ਪਲਾਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ।
-
+
-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।
+ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਕੀ ਨਜ਼ਰ ਆਂਦਾ ਹੈ? ਇੱਥੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਮੁੱਲ ਹੈ - ਇਹ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਵਿੰਗਸਪੈਨ ਹੈ! 2000+ ਸੈੰਟੀਮੀਟਰ ਵਿੰਗਸਪੈਨ ਦਾ ਮਤਲਬ 20 ਮੀਟਰ ਤੋਂ ਵੱਧ ਹੈ - ਕੀ ਮਿਨੇਸੋਟਾ ਵਿੱਚ ਪਟੇਰੋਡੈਕਟਾਇਲ ਘੁੰਮ ਰਹੇ ਹਨ? ਚਲੋ 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।
+ਜਦੋਂ ਤੁਸੀਂ ਐਕਸਲ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਠੀਕਡ਼ਾਰ ਕਰ ਸਕਦੇ ਹੋ ਇਹਨਾਂ ਆਊਟਲਾਇਰਾਂ ਨੂੰ ਲੱਭਣ ਲਈ, ਜੋ ਸ਼ਾਇਦ ਟਾਇਪੋ ਹੋ ਸਕਦੇ ਹਨ, ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਪ੍ਰਕਿਰਿਆ ਪਲਾਟ ਵਿਚੋਂ ਹੀ ਜਾਰੀ ਰੱਖੋ।
-x-ਐਕਸਿਸ 'ਤੇ ਲੇਬਲ ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਦਿਖਾਇਆ ਜਾ ਸਕੇ ਕਿ ਕਿਹੜੇ ਪੰਛੀ ਗੱਲ ਵਿੱਚ ਹਨ:
+x-ਅਕਸ਼ 'ਤੇ ਲੇਬਲ ਵਾਲੀਆਂ ਜੋੜੋ ਤਾਂ ਜੋ ਪਤਾ ਲੱਗੇ ਕਿ ਕਿਹੜੇ ਤਰ੍ਹਾਂ ਦੇ ਪੰਛੀ ਹਨ:
```r
ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
@@ -72,12 +73,12 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=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।
+```
+ ਅਸੀਂ `theme` ਵਿੱਚ ਕੌਣਸਾ ਕੋਣ ਹੈ ਦਰਸਾਉਂਦੇ ਹਾਂ ਅਤੇ x ਅਤੇ y ਅਕਸ਼ ਦੇ ਲੇਬਲ `xlab()` ਅਤੇ `ylab()` ਵਿੱਚ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਿਤ ਕਰਦੇ ਹਾਂ। `ggtitle()` ਗ੍ਰਾਫ/ਪਲਾਟ ਲਈ ਨਾਮ ਦਿੰਦਾ ਹੈ।
-
+
-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:
+45 ਡਿਗਰੀ ਕੋਣ ਦੇ ਨਾਲ ਲੇਬਲ ਪਹਿਰਾਉਣ ਦੇ ਬਾਵਜੂਦ ਵੀ ਪੜ੍ਹਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਆਓ ਇਕ ਹੋਰ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲੀਏ: ਸਿਰਫ ਉਹਨਾਂ ਆਊਟਲਾਇਰਾਂ ਨੂੰ ਲੇਬਲ ਕਰੀਏ ਅਤੇ ਲੇਬਲ ਨੂੰ ਗ੍ਰਾਫ ਦੇ ਅੰਦਰ ਸੈਟ ਕਰੀਏ। ਤੁਸੀਂ ਲੇਬਲਿੰਗ ਲਈ ਥੋੜ੍ਹੀ ਜਗ੍ਹਾ ਬਣਾਉਣ ਲਈ ਇੱਕ ਸਕੈਟਰ ਚਾਰਟ ਦਾ ਉਪਯੋਗ ਕਰ ਸਕਦੇ ਹੋ:
```r
ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
@@ -86,16 +87,16 @@ ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
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।
+```
+ਇੱਥੇ ਕੀ ਹੋ ਰਿਹਾ ਹੈ? ਤੁਸੀਂ `geom_point()` ਫੰਕਸ਼ਨ ਵਰਤ ਕੇ ਸਕੈਟਰ ਪੌਇੰਟ ਪਲਾਟ ਕੀਤੇ ਹਨ। ਇਸ ਨਾਲ, ਤੁਸੀਂ ਉਹਨਾਂ ਪੰਛੀਆਂ ਲਈ ਲੇਬਲ ਜੋੜੇ ਜਿਨ੍ਹਾਂ ਦੀ `MaxWingspan > 500` ਸੀ ਅਤੇ x ਅਕਸ਼ 'ਤੇ ਲੇਬਲ ਛੁਪਾ ਕੇ ਪਲਾਟ ਨੂੰ ਸਾਫ਼ ਸੁਥਰਾ ਕੀਤਾ।
-ਤੁਸੀਂ ਕੀ ਪਤਾ ਲਗਾਇਆ?
+ਤੁਹਾਨੂੰ ਕੀ ਪਤਾ ਲੱਗਦਾ ਹੈ?
-
+
-## ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਫਿਲਟਰ ਕਰੋ
+## ਆਪਣਾ ਡੇਟਾ ਛਾਣੋ
-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:
+ਬਾਲਡ ਈਗਲ ਅਤੇ ਪ੍ਰੇਰੀ ਫਾਲਕਨ, ਭਾਵੇਂ ਕਿ ਬਹੁਤ ਵੱਡੇ ਪੰਛੀ ਹੋਣਗੇ, ਉਹਨਾਂ ਦੇ ਵੱਧਤੋਂ ਵੱਧ ਵਿੰਗਸਪੈਨ ਵਿੱਚ ਇੱਕ ਵਾਧੂ 0 ਵੀ ਸ਼ਾਮਿਲ ਹੋ ਗਿਆ ਹੈ। ਇਹ ਸੰਭਵ ਨਹੀਂ ਹੈ ਕਿ ਤੁਸੀਂ 25 ਮੀਟਰ ਵਿੰਗਸਪੈਨ ਵਾਲਾ ਬਾਲਡ ਈਗਲ ਵੇਖੋ, ਪਰ ਜੇ ਹੋਵੇ ਤਾਂ ਸਾਨੂੰ ਦੱਸੋ! ਆਓ ਇਕ ਨਵਾਂ ਡੇਟਾ ਫਰੇਮ ਬਣਾਈਏ ਜਿਸ ਵਿੱਚ ਇਹ ਦੋ ਆਊਟਲਾਇਰ ਨਹੀਂ ਹਨ:
```r
birds_filtered <- subset(birds, MaxWingspan < 500)
@@ -107,23 +108,24 @@ ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
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।
+```
+ਅਸੀਂ ਨਵਾਂ ਡੇਟਾ ਫਰੇਮ `birds_filtered` ਬਣਾਇਆ ਅਤੇ ਫਿਰ ਸਕੈਟਰ ਪਲਾਟ ਬਣਾਇਆ। ਆਊਟਲਾਇਰ ਛਾਣ ਕੇ, ਤੁਹਾਡਾ ਡੇਟਾ ਹੁਣ ਜ਼ਿਆਦਾ ਸਮਝਦਾਰ ਅਤੇ ਸੰਗਠਿਤ ਹੋ ਗਿਆ ਹੈ।
+
+
-
+ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਵਿੰਗਸਪੈਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਇੱਕ ਸਾਫ਼ ਸੂਥਰਾ ਡੇਟਾ ਸੈੱਟ ਹੈ, ਆਓ ਇਹ ਪੰਛੀਆਂ ਬਾਰੇ ਹੋਰ ਖੋਜ ਕਰੀਏ।
-ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਪੰਖਾਂ ਦੀ ਲੰਬਾਈ ਦੇ ਹਿਸਾਬ ਨਾਲ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸਾਫ ਡਾਟਾਸੈੱਟ ਹੈ, ਆਓ ਇਨ੍ਹਾਂ ਪੰਛੀਆਂ ਬਾਰੇ ਹੋਰ ਪਤਾ ਲਗਾਈਏ।
+ਜਿੱਥੇ ਲਾਈਨ ਅਤੇ ਸਕੈਟਰ ਪਲਾਟ ਡੇਟਾ ਮੁੱਲਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਵੰਡ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਅਸੀਂ ਇਸ ਡੇਟਾਸੈਟ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਬਾਰੇ ਸੋਚਣਾ ਚਾਹੁੰਦੇ ਹਾਂ। ਤੁਸੀਂ ਮਾਤਰਾ ਬਾਰੇ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਦ੍ਰਿਸ਼ਟੀਕਰਣ ਬਣਾ ਸਕਦੇ ਹੋ:
-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 ਪ੍ਰਕਾਰਾਂ ਦੇ ਪੰਛੀ ਹਨ ਅਤੇ ਉਹਨਾਂ ਦੀ ਗਿਣਤੀ ਕਿੰਨੀ ਹੈ?
+> ਕਿੰਨੇ ਪੰਛੀ ਲਾਪਤਾ, ਖਤਰਨਾਕ, ਅਪੂਰਣ ਜਾਂ ਆਮ ਹਨ?
+> ਲਿਨੇਅਸ ਦੀ ਟਰਮੀਨੋਲੋਜੀ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਜੈਨਸ ਅਤੇ ਕ੍ਰਮਾਂ ਦੀ ਗਿਣਤੀ ਕਿੰਨੀ ਹੈ?
-> 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 ਚਾਰਟ ਦੀ ਜਾਂਚ ਕਰੋ
-## ਬਾਰ ਚਾਰਟਾਂ ਦੀ ਖੋਜ ਕਰੋ
+ਜਦੋਂ ਤੁਹਾਨੂੰ ਗਰੁੱਪ ਕੀਤਾ ਡੇਟਾ ਦਿਖਾਉਣਾ ਹੋਵੇ ਤਾਂ ਬਾਰ ਚਾਰਟ ਬਹੁਤ ਮਦਦਗਾਰ ਹੁੰਦੇ ਹਨ। ਚਲੋ ਇਸ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਮੌਜੂਦ ਪੰਛੀਆਂ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਜਾਂਚ ਕਰੀਏ ਅਤੇ ਵੇਖੀਏ ਕਿ ਦਿੰਦੇ ਅਨੁਸਾਰ ਸਭ ਤੋਂ ਆਮ ਕਿਹੜਾ ਹੈ।
-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।
+ਛਣੇ ਹੋਏ ਡੇਟਾ 'ਤੇ ਬਾਰ ਚਾਰਟ ਬਣਾਈਏ।
```r
install.packages("dplyr")
@@ -149,29 +151,77 @@ birds_filtered %>% group_by(Category) %>%
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।
+```
+ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਵਿੱਚ, ਅਸੀਂ ਡੇਟਾ ਨੂੰ ਸੋਧਣ ਅਤੇ ਗਰੁੱਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਲਈ [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) ਅਤੇ [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) ਪੈਕੇਜਜ਼ ਇੰਸਟਾਲ ਕਰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਸਟੈਕਡ ਬਾਰ ਚਾਰਟ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਸੀਂ ਪੰਛੀ ਦੀ `Category` ਨੂੰ ਗਰੁੱਪ ਕਰਦੇ ਹੋ ਅਤੇ ਫਿਰ `MinLength`, `MaxLength`, `MinBodyMass`,`MaxBodyMass`,`MinWingspan`,`MaxWingspan` ਕਾਲਮਾਂ ਦਾ ਸਾਰ ਸਰਾਂਸ਼ ਕਰਦੇ ਹੋ। ਫਿਰ, `ggplot2` ਪੈਕੇਜ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਾਰ ਚਾਰਟ ਪਲਾਟ ਕਰਦੇ ਹੋ ਅਤੇ ਵੱਖ-ਵੱਖ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਰੰਗਾਂ ਅਤੇ ਲੇਬਲਾਂ ਦਾ ਨਿਰਣਾ ਕਰਦੇ ਹੋ।
-
+
-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।
+ਇਹ ਬਾਰ ਚਾਰਟ ਪੜ੍ਹਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰਾ ਗੈਰ-ਗਰੁੱਪ ਕੀਤਾ ਡੇਟਾ ਹੈ। ਤੁਹਾਨੂੰ ਸਿਰਫ ਉਸੇ ਡੇਟਾ ਨੂੰ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਨੂੰ ਤੁਸੀਂ ਪਲਾਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਇਸ ਲਈ ਆਓ ਪੰਛੀਆਂ ਦੀ ਲੰਬਾਈ ਨੂੰ ਉਹਨਾਂ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧਾਰ 'ਤੇ ਵੇਖੀਏ।
-ਆਪਣੇ ਡਾਟੇ ਨੂੰ ਸਿਰਫ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਫਿਲਟਰ ਕਰੋ।
+ਡੇਟਾ ਨੂੰ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ ਨੂੰ ਹੀ ਸ਼ਾਮਿਲ ਕਰਕੇ ਛਾਣੋ।
-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:
+ਕਿਉਂਕਿ ਕਈ ਸ਼੍ਰੇਣੀਆਂ ਹਨ, ਤੁਸੀਂ ਇਸ ਚਾਰਟ ਨੂੰ ਖੜ੍ਹਾ ਦਿਖਾ ਸਕਦੇ ਹੋ ਅਤੇ ਸਾਰੇ ਡੇਟਾ ਲਈ ਉਸਦੀ ਉਚਾਈ ਸੋਧ 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।
+```
+ਤੁਸੀਂ ਪਹਿਲਾਂ `Category` ਕਾਲਮ ਵਿੱਚ ਅਦੁਤੀ ਮੁੱਲਾਂ ਨੂੰ ਗਿਣਦੇ ਹੋ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਇਕ ਨਵੇਂ ਡੇਟਾ ਫਰੇਮ `birds_count` ਵਿੱਚ ਛਾਂਟਦੇ ਹੋ। ਇਹ ਛਾਂਟਿਆ ਹੋਇਆ ਡੇਟਾ ਫੜਕਾਂ ਵਿੱਚ ਉਸੇ ਪੱਧਰ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਛਾਂਟੀ ਦੇ ਅਨੁਸਾਰ ਪਲਾਟ ਹੋਵੇ। ਫਿਰ `ggplot2` ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਬਾਰ ਚਾਰਟ ਵਿੱਚ ਪਲਾਟ ਕਰਦੇ ਹੋ। `coord_flip()` افقي بارز پلات کردا ਹੈ۔
+
+
+
+ਇਹ ਬਾਰ ਚਾਰਟ ਹਰ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਪੰਛੀਆਂ ਦੀ ਗਿਣਤੀ ਦਾ ਚੰਗਾ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦਿਖਾਉਂਦਾ ਹੈ। ਇਕ ਨਜ਼ਰ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਸ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਗਿਣਤੀ ਬਤੱਖ/ਹੰਸ/ਪਾਣੀਪੰਛੀਸ਼੍ਰੇਣੀ ਵਿੱਚ ਹੈ। ਮਿਨੇਸੋਟਾ 'ਦਸ਼ਹਜ਼ਾਰ ਝੀਲਾਂ ਦੀ ਧਰਤੀ' ਹੈ, ਇਸ ਲਈ ਇਹ ਹੈਰਾਨੀਜਨਕ ਨਹੀਂ!
+
+✅ ਇਸ ਡੇਟਾਸੈਟ ਤੇ ਹੋਰ ਕੁਝ ਗਿਣਤੀਆਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ। ਕੀ ਕੋਈ ਚੀਜ਼ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਹੈਰਾਨ ਕਰਦੀ ਹੈ?
+
+## ਡੇਟਾ ਦੀ ਤੁਲਨਾ
+
+ਤੁਸੀਂ ਗਰੁੱਪ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵੱਖ-ਵੱਖ ਤੁਲਨਾਵਾਂ ਬਣਾ ਸਕਦੇ ਹੋ ਨਵੇਂ ਅਕਸ਼ ਬਣਾਕੇ। ਇੱਕ ਪੰਛੀ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧਾਰ 'ਤੇ ਤੁਲਨਾ ਕਰ ਕੇ ਦੇਖੋ:
+
+```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()
+```
+ਅਸੀਂ `birds_filtered` ਡੇਟਾ ਨੂੰ `Category` ਮੁਤਾਬਕ ਗਰੁੱਪ ਕਰਕੇ ਬਾਰ ਗ੍ਰਾਫ ਪਲਾਟ ਕਰਦੇ ਹਾਂ।
+
+
+
+ਇੱਥੇ ਕੋਈ ਹੈਰਾਨੀ ਦੀ ਗੱਲ ਨਹੀਂ: ਹਮਿੰਗਬਰਡਜ਼ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਪੈਲੀਕਨ ਜਾਂ ਹੰਸ ਨਾਲੋਂ ਘੱਟ ਹੁੰਦੀ ਹੈ। ਡੇਟਾ ਜਦੋਂ ਤਰਕਸੰਗਤ ਹੁੰਦਾ ਹੈ ਤਾਂ ਚੰਗਾ ਲੱਗਦਾ ਹੈ!
+
+ਤੁਸੀਂ ਬਾਰ ਚਾਰਟ ਦੇ ਹੋਰ ਦਿਲਚਸਪ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਬਣਾ ਸਕਦੇ ਹੋ ਡੇਟਾ ਨੂੰ ਓਵਰਲੇਪ ਕਰਕੇ। ਆਓ ਨੀਵਾਂ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਇੱਕ ਦਿੱਤੀ ਗਈ ਪੰਛੀ ਦੀ ਸ਼੍ਰੇਣੀ 'ਤੇ ਸਪਰਈਮਪੋਜ਼ ਕਰੀਏ:
+
+```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()
+```
+
+
+## 🚀 ਚੁਣੌਤੀ
+
+ਇਹ ਪੰਛੀ ਡੇਟਾ ਸੈੱਟ ਇੱਕ ਖਾਸ ਪਰੇਸਰਦ ਦਾ ਅੰਦਰੂਨੀ ਬਹੁਤ ਸਾਰੀ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ। ਇੰਟਰਨੈੱਟ 'ਤੇ ਖੋਜ ਕਰੋ ਅਤੇ ਵੇਖੋ ਕਿ ਤੁਸੀਂ ਹੋਰ ਕਿਹੜੇ ਪੰਛੀ-ਉਦੇਸ਼ ਡੇਟਾ ਸੈੱਟ ਲੱਭ ਸਕਦੇ ਹੋ। ਇਨ੍ਹਾਂ ਪੰਛੀਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਚਾਰਟ ਅਤੇ ਗ੍ਰਾਫ ਬਣਾਉਣ ਦੀ ਅਭਿਆਸ ਕਰੋ ਅਤੇ ਅਜਿਹੇ ਤੱਥ ਖੋਜੋ ਜੋ ਤੁਹਾਡੇ ਨੂੰ ਪਹਿਲਾਂ ਪਤਾ ਨਹੀਂ ਸਨ।
+
+## [ਪਾਠ ਦੇ ਬਾਅਦ ਪ੍ਰਸ਼ਨਾਵਲੀ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17)
+
+## ਸਮੀਖਿਆ & ਸਵੈ ਅਧਿਐਨ
-
+ਇਹ ਪਹਿਲਾ ਪਾਠ ਤੁਹਾਨੂੰ `ggplot2` ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਤਰਾਵਾਂ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਣ ਕਰਨ ਦੇ ਬਾਰੇ ਕੁਝ ਜਾਣਕਾਰੀਆਂ ਦਿੱਤੀਆਂ ਹਨ। ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਹੋਰ ਪੈਕੇਜਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਹੋਰ ਤਰੀਕਿਆਂ ਨੂੰ ਖੋਜੋ। ਹੋਰ ਪੈਕੇਜਾਂ ਜਿਵੇਂ ਕਿ [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) ਅਤੇ [Plotly](https://github.com/plotly/plotly.R#readme) ਨਾਲ ਦ੍ਰਿਸ਼ਟੀਕਰਣ ਕਰਨ ਵਾਲੇ ਡੇਟਾਸੈਟ ਦੀ ਭਾਲ ਕਰੋ।
-ਇਹ ਬਾਰ ਚਾਰਟ
+## ਅਸਾਈਨਮੈਂਟ
+[ਲਾਈਨਾਂ, ਸਕੈਟਰ, ਅਤੇ ਬਾਰ](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 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
+
+**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।
+
\ 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
index 94669a5d..1214bd87 100644
--- a/translations/pa/4-Data-Science-Lifecycle/16-communication/README.md
+++ b/translations/pa/4-Data-Science-Lifecycle/16-communication/README.md
@@ -1,150 +1,217 @@
-# ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ
+# ਡੇਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ
|](../../sketchnotes/16-Communicating.png)|
|:---:|
-| ਡਾਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਦੁਆਰਾ_ |
+| ਡੇਟਾ ਸਾਇੰਸ ਲਾਈਫਸਾਈਕਲ: ਸੰਚਾਰ - _ਸਕੈਚਨੋਟ [@nitya](https://twitter.com/nitya) ਵਲੋਂ_ |
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/30)
+## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ](https://ff-quizzes.netlify.app/en/ds/quiz/30)
-ਉਪਰ ਦਿੱਤੇ ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਆਪਣੀ ਜਾਣਕਾਰੀ ਦੀ ਜਾਂਚ ਕਰੋ!
+ਉੱਪਰ ਦਿੱਤੇ ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ ਨਾਲ ਆਪਣੀ ਅਗਲੀ ਜਾਣਕਾਰੀ ਦੀ ਜਾਂਚ ਕਰੋ!
-# ਪਰਿਚਯ
+# ਜਾਣਪਹਚਾਣ
### ਸੰਚਾਰ ਕੀ ਹੈ?
-ਆਓ ਇਸ ਪਾਠ ਦੀ ਸ਼ੁਰੂਆਤ ਇਹ ਸਮਝਣ ਨਾਲ ਕਰੀਏ ਕਿ ਸੰਚਾਰ ਦਾ ਕੀ ਮਤਲਬ ਹੈ। **ਸੰਚਾਰ ਦਾ ਮਤਲਬ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣਾ ਜਾਂ ਅਦਾਨ-ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ।** ਇਹ ਜਾਣਕਾਰੀ ਵਿਚਾਰ, ਸੋਚਾਂ, ਭਾਵਨਾਵਾਂ, ਸੁਨੇਹੇ, ਗੁਪਤ ਸੰਕੇਤ, ਡਾਟਾ - ਕੁਝ ਵੀ ਹੋ ਸਕਦੀ 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।
+ਆਓ ਇਸ ਪਾਠ ਦੀ ਸ਼ੁਰੂਆਤ ਇਸ ਗੱਲ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋਏ ਕਰੀਏ ਕਿ ਸੰਚਾਰ ਦਾ ਕੀ ਮਤਲਬ ਹੈ। **ਸੰਚਾਰ ਦਾ ਮਤਲਬ ਹੈ ਜਾਣਕਾਰੀ ਦਾ ਪ੍ਰਸਾਰਣ ਜਾਂ ਬਦਲੇ ਜਾਣਾ।** ਜਾਣਕਾਰੀ ਵਿਚਾਰਾਂ, ਸੋਚਾਂ, ਭਾਵਨਾਵਾਂ, ਸੁਨੇਹੇ, ਗੁਪਤ ਸੰਕੇਤ, ਡੇਟਾ – ਕੁਝ ਵੀ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ **_ਪਠਾਉਣ ਵਾਲੇ_** (ਜੋ ਜਾਣਕਾਰੀ ਭੇਜ ਰਿਹਾ ਹੈ) ਨੂੰ ਇੱਕ **_ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ_** (ਜੋ ਜਾਣਕਾਰੀ ਲੈ ਰਿਹਾ ਹੈ) ਨੂੰ ਸਮਝਾਉਣੀ ਹੁੰਦੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਪਠਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਸੰਚਾਰਕ ਕਹਾਂਗੇ, ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਿਆਂ ਨੂੰ ਦਰਸ਼ਕ ਕਹਾਂਗੇ।
-### ਡਾਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ
-ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਕਿ ਸੰਚਾਰ ਕਰਨ ਦਾ ਮਕਸਦ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣਾ ਜਾਂ ਅਦਾਨ-ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਪਰ ਜਦੋਂ ਗੱਲ ਡਾਟਾ ਸੰਚਾਰ ਦੀ ਆਉਂਦੀ ਹੈ, ਤਾਂ ਤੁਹਾਡਾ ਮਕਸਦ ਸਿਰਫ਼ ਨੰਬਰ ਪਹੁੰਚਾਉਣਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਤੁਹਾਡਾ ਮਕਸਦ ਤੁਹਾਡੇ ਡਾਟੇ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ ਇੱਕ ਕਹਾਣੀ ਸੁਣਾਉਣਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡਾਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ ਹੱਥ-ਵਿੱਚ-ਹੱਥ ਚਲਦੇ ਹਨ। ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਨੂੰ ਉਹ ਕਹਾਣੀ ਜ਼ਿਆਦਾ ਯਾਦ ਰਹੇਗੀ ਜੋ ਤੁਸੀਂ ਸੁਣਾਉਂਦੇ ਹੋ, ਬਜਾਏ ਉਹ ਨੰਬਰ ਜੋ ਤੁਸੀਂ ਦਿੰਦੇ ਹੋ। ਇਸ ਪਾਠ ਵਿੱਚ ਅੱਗੇ, ਅਸੀਂ ਕੁਝ ਤਰੀਕੇ ਸਾਂਝੇ ਕਰਾਂਗੇ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਹੋਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰ ਸਕਦੇ ਹੋ।
+### ਡੇਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ
+ਸਾਨੂੰ ਸਮਝ ਆਉਂਦੀ ਹੈ ਕਿ ਸੰਚਾਰ ਕਰਨ ਸਮੇਂ ਮਕਸਦ ਜਾਣਕਾਰੀ ਦੱਸਣ ਜਾਂ ਬਦਲਣ ਦਾ ਹੁੰਦਾ ਹੈ। ਪਰ ਜਦੋਂ ਡੇਟਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਡਾ ਮਕਸਦ ਸਿਰਫ਼ੰ ਨੰਬਰ ਪ੍ਰਸਤੁਤ ਕਰਨਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਤੁਹਾਡਾ ਮਕਸਦ ਆਪਣੀ ਡੇਟਾ ਨਾਲ ਪ੍ਰੇਰਿਤ ਇੱਕ ਕਹਾਣੀ ਸੰਚਾਰਿਤ ਕਰਨੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ - ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੇਟਾ ਸੰਚਾਰ ਅਤੇ ਕਹਾਣੀ ਸੁਣਾਉਣਾ ਇਕੱਠੇ ਹੀ ਚੱਲਦੇ ਹਨ। ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਕੋਲ ਇੱਕ ਕਹਾਣੀ ਯਾਦ ਰਹਿਣ ਦੀ ਸੰਭਾਵਨਾ, ਇੱਕ ਨੰਬਰ ਦੇ ਮੁਕਾਬਲੇ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ ਅਸੀਂ ਕਈ ਤਰੀਕੇ ਵੇਖਾਂਗੇ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਆਪਣੀ ਡੇਟਾ ਨੂੰ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਹਾਣੀ ਰਾਹੀਂ ਪੇਸ਼ ਕਰ ਸਕਦੇ ਹੋ।
### ਸੰਚਾਰ ਦੇ ਕਿਸਮਾਂ
-ਇਸ ਪਾਠ ਦੌਰਾਨ, ਅਸੀਂ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸੰਚਾਰ ਬਾਰੇ ਗੱਲ ਕਰਾਂਗੇ: ਇੱਕ-ਪੱਖੀ ਸੰਚਾਰ ਅਤੇ ਦੋ-ਪੱਖੀ ਸੰਚਾਰ।
+ਇਸ ਪਾਠ ਦਰਮਿਆਨ ਦੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸੰਚਾਰ 'ਤੇ ਗੱਲ ਕੀਤੀ ਜਾਵੇਗੀ, ਇਕ-ਪਾਸਾ ਸੰਚਾਰ ਅਤੇ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ।
-**ਇੱਕ-ਪੱਖੀ ਸੰਚਾਰ** ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਭੇਜਣ ਵਾਲਾ ਜਾਣਕਾਰੀ ਭੇਜਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਫੀਡਬੈਕ ਜਾਂ ਜਵਾਬ ਦੇ। ਅਸੀਂ ਹਰ ਰੋਜ਼ ਇੱਕ-ਪੱਖੀ ਸੰਚਾਰ ਦੇ ਉਦਾਹਰਨਾਂ ਵੇਖਦੇ ਹਾਂ - ਜਿਵੇਂ ਬਲਕ/ਮਾਸ ਈਮੇਲ, ਖ਼ਬਰਾਂ ਵਿੱਚ ਤਾਜ਼ਾ ਘਟਨਾਵਾਂ ਦੀ ਸੂਚਨਾ, ਜਾਂ ਟੀਵੀ ਵਿਗਿਆਪਨ ਜੋ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਉਤਪਾਦ ਕਿਉਂ ਵਧੀਆ ਹੈ। ਇਨ੍ਹਾਂ ਹਾਲਾਤਾਂ ਵਿੱਚ, ਭੇਜਣ ਵਾਲੇ ਦਾ ਮਕਸਦ ਜਾਣਕਾਰੀ ਦਾ ਅਦਾਨ-ਪ੍ਰਦਾਨ ਨਹੀਂ ਹੁੰਦਾ। ਉਹ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਪਹੁੰਚਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹਨ।
+**ਇਕ-ਪਾਸਾ ਸੰਚਾਰ** ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਪਠਾਉਣ ਵਾਲਾ ਜਾਣਕਾਰੀ ਭੇਜਦਾ ਹੈ ਪਰ ਕਿਸੇ ਵੀ ਪ੍ਰਤੀਕਿਰਿਆ ਜਾਂ ਜਵਾਬ ਦੀ ਉਮੀਦ ਨਹੀਂ ਕਰਦਾ। ਅਸੀਂ ਪ੍ਰਤੀਦਿਨ ਸਾਡੇ ਆਲੇ-ਦੁਆਲੇ ਅਜਿਹੇ ਇਕ-ਪਾਸਾ ਸੰਚਾਰ ਦੇ ਉਦਾਹਰਣ ਵੇਖਦੇ ਹਾਂ – ਜਿਵੇਂ ਕਿ ਬਲਾਕ/ਦਲਈਮੇਲ, ਜਦ ਖਬਰਾਂ ਅਖੀਰਲੀ ਕਹਾਣੀਆਂ ਦੱਸੀ ਜਾਂਦੀਆਂ ਹਨ, ਜਾਂ ਟੈਲੀਵਿਜ਼ਨ ਵੈਪਾਰਕਾੜੀਆਂ ਜਦ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਦੇ ਉਤਪਾਦ ਬਾਰੇ ਦੱਸਦੀਆਂ ਹਨ ਕਿ ਕਿਉਂ ਉਹ ਵਧੀਆ ਹਨ। ਇਨ੍ਹਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਪਠਾਉਣ ਵਾਲਾ ਜਾਣਕਾਰੀ ਦਾ ਆਦਾਨ-ਪ੍ਰਦਾਨ ਨਹੀਂ ਚਾਹੁੰਦਾ। ਉਹ ਸਿਰਫ ਜਾਣਕਾਰੀ ਪ੍ਰਸਾਰਿਤ ਕਰਨਾ ਜਾਂ ਪਹੁੰਚਾਉਣਾ ਚਾਹੁੰਦਾ ਹੈ।
-**ਦੋ-ਪੱਖੀ ਸੰਚਾਰ** ਉਸ ਸਮੇਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਾਰੇ ਸ਼ਾਮਲ ਪੱਖ ਭੇਜਣ ਵਾਲੇ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਦੋਨੋਂ ਵਜੋਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਭੇਜਣ ਵਾਲਾ ਪਹਿਲਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਨਾਲ ਸੰਚਾਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਫੀਡਬੈਕ ਜਾਂ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਦੋ-ਪੱਖੀ ਸੰਚਾਰ ਉਹ ਹੈ ਜੋ ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਸੰਚਾਰ ਬਾਰੇ ਸੋਚਦੇ ਸਮੇਂ ਸੋਚਦੇ ਹਾਂ। ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਲੋਕਾਂ ਨੂੰ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋਏ ਸੋਚਦੇ ਹਾਂ - ਚਾਹੇ ਉਹ ਸਿੱਧੇ-ਸਿੱਧੇ ਹੋਵੇ, ਜਾਂ ਫੋਨ ਕਾਲ, ਸੋਸ਼ਲ ਮੀਡੀਆ, ਜਾਂ ਟੈਕਸਟ ਸੁਨੇਹੇ ਰਾਹੀਂ।
+**ਦੋ-ਪਾਸਾ ਸੰਚਾਰ** ਉਹ ਹੁੰਦਾ ਹੈ ਜਦ ਸਭ ਪੱਖ ਦੋਹਾਂ ਦੀ ਭੂਮਿਕਾ ਵਿਚ ਹੁੰਦੇ ਹਨ, ਪਠਾਉਣ ਵਾਲੇ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਦੋਹਾਂ। ਇੱਕ ਪਠਾਉਣ ਵਾਲਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ ਜਾਣਕਾਰੀ ਭੇਜ ਕੇ, ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਪ੍ਰਤੀਕਿਰਿਆ ਜਾਂ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਨੂੰ ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਸੰਚਾਰ ਵਜੋਂ ਵਿਚਾਰ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਆਮ ਤੌਰ ਤੇ ਸੋਚਦੇ ਹਾਂ ਲੋਕ ਕਿਸੇ ਗੱਲਬਾਤ ਵਿੱਚ लगे ਹੋਏ ਹਨ - ਚਾਹੇ ਉਹ ਮਿਲਕੇ ਹੋਵੇ, ਫੋਨ ਕਾਲ ਵਿੱਚ, ਸੋਸ਼ਲ ਮੀਡੀਆ 'ਤੇ, ਜਾਂ ਟੈਕਸਟ ਸੁਨੇਹਾ ਰਾਹੀਂ।
-ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਕੁਝ ਹਾਲਾਤਾਂ ਵਿੱਚ ਤੁਸੀਂ ਇੱਕ-ਪੱਖੀ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ (ਜਿਵੇਂ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ ਦੇਣ ਸਮੇਂ, ਜਾਂ ਵੱਡੇ ਸਮੂਹ ਨੂੰ ਜਿੱਥੇ ਸਵਾਲ ਤੁਰੰਤ ਨਹੀਂ ਪੁੱਛੇ ਜਾਣਗੇ) ਅਤੇ ਕੁਝ ਹਾਲਾਤਾਂ ਵਿੱਚ ਤੁਸੀਂ ਦੋ-ਪੱਖੀ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ (ਜਿਵੇਂ ਕੁਝ ਸਟੇਕਹੋਲਡਰਾਂ ਨੂੰ ਨਵੀਂ ਰਚਨਾ ਲਈ ਸਮਰਥਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਜਾਂ ਸਾਥੀ ਨੂੰ ਨਵੀਂ ਚੀਜ਼ ਬਣਾਉਣ ਲਈ ਸਮਾਂ ਅਤੇ ਯਤਨ ਖਰਚ ਕਰਨ ਲਈ ਮਨਾਉਣ ਲਈ)।
+ਡੇਟਾ ਸੰਚਾਰ ਕਰਦੇ ਸਮੇਂ, ਕਈ ਵਾਰ ਤੁਸੀਂ ਇਕ-ਪਾਸਾ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ (ਜਿਵੇਂ ਕਿਸੇ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ, ਜਾਂ ਵੱਡੇ ਗਰੁੱਪ ਨੂੰ ਜਿਥੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਵਾਲ ਨਹੀਂ ਕੀਤੇ ਜਾਣਗੇ) ਅਤੇ ਕਈ ਵਾਰ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ (ਜਿਵੇਂ ਕੁਝ ਹਿੱਸੇਦਾਰਾਂ ਨੂੰ ਮਨਾਉਣਾ, ਜਾਂ ਇੱਕ ਟੀਮ ਮੈਂਬਰ ਨੂੰ ਇਹ ਸਮਝਾਉਣਾ ਕਿ ਨਵਾਂ ਕੁਝ ਬਣਾਉਣ ਵਿੱਚ ਸਮਾਂ ਤੇ ਮੇਹਨਤ ਲਗਾਣੀ ਚਾਹੀਦੀ ਹੈ)।
# ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੰਚਾਰ
-### ਸੰਚਾਰਕ ਵਜੋਂ ਤੁਹਾਡੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ
-ਜਦੋਂ ਤੁਸੀਂ ਸੰਚਾਰ ਕਰ ਰਹੇ 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 ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਿਰਫ਼ ਨੰਬਰ ਨਹੀਂ ਪਹੁੰਚਾਉਣਾ ਚਾਹੁੰਦੇ, ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਤੁਹਾਡੇ ਡਾਟੇ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਕਹਾਣੀ ਲੈਣ। ਇੱਕ ਵਧੀਆ ਡਾਟਾ ਸੰਚਾਰਕ ਇੱਕ ਵਧੀਆ ਕਹਾਣੀ ਸੁਣਾਉਣ ਵਾਲਾ ਹੁੰਦਾ ਹੈ।
+### ਇੱਕ ਸੰਚਾਰਕ ਵਜੋਂ ਤੁਹਾਡੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ
+ਜਦੋਂ ਤੁਸੀਂ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤੁਹਾਡਾ ਕੰਮ ਹੈ ਕਿ ਤੁਹਾਡੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਉਹ ਜਾਣਕਾਰੀ ਲੈ ਜਾਣ ਜੋ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਨੂੰ ਦੇਣੀ ਚਾਹੁੰਦੇ ਹੋ। ਜਦੋਂ ਤੁਸੀਂ ਡੇਟਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਨਹੀਂ ਚਾਹੁੰਦੇ ਕਿ ਸਿਰਫ ਨੰਬਰ ਲੈ ਜਾਣ। ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਓਹ ਕਹਾਣੀ ਲੈ ਜਾਵਣ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹੋਵੇ। ਇੱਕ ਚੰਗਾ ਡੇਟਾ ਸੰਚਾਰਕ ਇੱਕ ਚੰਗਾ ਕਹਾਣੀ ਸੁਣਾਉਣ ਵਾਲਾ ਹੁੰਦਾ ਹੈ।
-ਤੁਸੀਂ ਡਾਟੇ ਨਾਲ ਕਹਾਣੀ ਕਿਵੇਂ ਸੁਣਾਉਂਦੇ ਹੋ? ਇਸ ਦੇ ਬੇਅੰਤ ਤਰੀਕੇ ਹਨ – ਪਰ ਹੇਠਾਂ 6 ਤਰੀਕੇ ਦਿੱਤੇ ਗਏ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਗੱਲ ਕਰਾਂਗੇ।
-1. ਆਪਣੇ ਦਰਸ਼ਕਾਂ, ਮੀਡੀਆ, ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ
-2. ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ
-3. ਇਸਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਾਂਗ ਲਵੋ
-4. ਅਰਥਪੂਰਨ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤੋ
-5. ਭਾਵਨਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ
+ਤੁਸੀਂ ਡੇਟਾ ਨਾਲ ਕਿਵੇਂ ਕਹਾਣੀ ਸੁਣਾਉਂਦੇ ਹੋ? ਅਨੇਕ ਤਰੀਕੇ ਹਨ – ਪਰ ਹੇਠਾਂ ਛੇ ਤਰੀਕੇ ਦਿੱਤੇ ਗਏ ਹਨ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਗੱਲ ਕਰਾਂਗੇ।
+1. ਆਪਣੇ ਦਰਸ਼ਕ, ਆਪਣੇ ਮਾਧਿਅਮ, ਅਤੇ ਆਪਣੀ ਸੰਚਾਰ ਪদ্ধਤੀ ਨੂੰ ਸਮਝੋ
+2. ਅੰਤ ਤੋਂ ਸ਼ੁਰੂਆਤ ਕਰੋ
+3. ਇਸ ਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਾਂਗ ਸਮਝੋ
+4. ਮਾਇਨੇਦਾਰ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਦਾ ਉਪਯੋਗ ਕਰੋ
+5. ਭਾਵਨਾਵਾਂ ਵਰਤੋਂ
-ਇਹਨਾਂ ਹਰ ਇਕ ਰਣਨੀਤੀਆਂ ਨੂੰ ਹੇਠਾਂ ਵਧੇਰੇ ਵਿਸਥਾਰ ਨਾਲ ਸਮਝਾਇਆ ਗਿਆ ਹੈ।
+ਹਰ ਇੱਕ ਰਣਨੀਤੀ ਹੇਠਾਂ ਵਧੀਕ ਵਿਸਥਾਰ ਨਾਲ ਸਮਝਾਈ ਗਈ ਹੈ।
-### 1. ਆਪਣੇ ਦਰਸ਼ਕਾਂ, ਚੈਨਲ ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ
-ਤੁਸੀਂ ਆਪਣੇ ਪਰਿਵਾਰਕ ਮੈਂਬਰਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸ਼ਾਇਦ ਆਪਣੇ ਦੋਸਤਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਤੋਂ ਵੱਖਰਾ ਰੱਖਦੇ ਹੋ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਵੱਖਰੇ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤਦੇ ਹੋ ਜੋ ਉਹ ਲੋਕ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਗੱਲ ਕਰ ਰਹੇ ਹੋ, ਜ਼ਿਆਦਾ ਅਸਾਨੀ ਨਾਲ ਸਮਝ ਸਕਣ। ਜਦੋਂ ਤੁਸੀਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਹੀ ਪਹੁੰਚ ਅਪਣਾਉਣੀ ਚਾਹੀਦੀ ਹੈ। ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਨਾਲ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ। ਸੋਚੋ ਕਿ ਉਹਨਾਂ ਦੇ ਲਕਸ਼ ਅਤੇ ਸੰਦਰਭ ਕੀ ਹਨ ਜੋ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਸਮਝਾ ਰਹੇ ਹੋ।
+### 1. ਆਪਣੇ ਦਰਸ਼ਕ, ਆਪਣੇ ਚੈਨਲ ਅਤੇ ਆਪਣੀ ਸੰਚਾਰ ਪদ্ধਤੀ ਨੂੰ ਸਮਝੋ
+ਜਿਸ ਤਰ੍ਹਾਂ ਤੁਸੀਂ ਆਪਣੇ ਪਰਿਵਾਰ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦੇ ਹੋ, ਉਹ ਤੁਹਾਡੇ ਦੋਸਤਾਂ ਨਾਲ ਗੱਲ ਕਰਨ ਤੋਂ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤ ਸਕਦੇ ਹੋ ਜੋ ਜਿਨ੍ਹਾਂ ਅਸੀਂ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ ਉਹ ਸਮਝ ਲੈਂ। ਡੇਟਾ ਸੰਚਾਰ ਕਰਦਿਆਂ ਵੀ ਤੁਹਾਨੂੰ ਇਹੀ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ। ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਨੂੰ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ। ਉਨ੍ਹਾਂ ਦਾ ਟੀਚਾ ਅਤੇ ਉਨ੍ਹਾਂ ਦੇ ਸੰਦਰਭ ਬਾਰੇ ਸੋਚੋ ਜਿਹੜਾ ਤੁਸੀਂ ਸਮਝਾ 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, ਡੈਲ ਐਗਜ਼ਿਕਿਊਟਿਵ ਸਟ੍ਰੈਟਜਿਸਟ ਜਿਮ ਸਟਿਕਲੇਦਰ ਪੰਜ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਦਰਸ਼ਕਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ:
+ਤੁਸੀਂ ਆਪਣੀ ਬਹੁਤਾਤ ਦਰਸ਼ਕਾਂ ਨੂੰ ਕਿਸੇ ਵਰਗ ਵਿੱਚ ਭੇਜ ਸਕਦੇ ਹੋ। _Harvard Business Review_ ਦੇ ਇੱਕ ਲੇਖ "[How to Tell a Story with Data](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)" ਵਿੱਚ, ਡੈਲ ਕਾਰਜਕਾਰੀ रणनीਤਿਗਿਆਨ ਵਰਗਾ ਜਿਮ ਸਟਿਕਲੀਥਰ ਪੰਜ ਬੁਰੜੇ ਦਰਸ਼ਕ ਵਰਗਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ:
- - **ਨਵਸਿਖੀਆ**: ਵਿਸ਼ੇ ਨਾਲ ਪਹਿਲੀ ਜਾਣ-ਪਛਾਣ, ਪਰ ਸਧਾਰਨਕਰਨ ਨਹੀਂ ਚਾਹੁੰਦੇ
- - **ਜਨਰਲਿਸਟ**: ਵਿਸ਼ੇ ਨਾਲ ਜਾਣੂ, ਪਰ ਇੱਕ ਝਲਕ ਅਤੇ ਮੁੱਖ ਥੀਮਾਂ ਦੀ ਸਮਝ ਚਾਹੁੰਦੇ
- - **ਪ੍ਰਬੰਧਕੀ**: ਵਿਸਤ੍ਰਿਤ, ਕਾਰਵਾਈਯੋਗ ਸਮਝ ਜੋ ਜਟਿਲਤਾਵਾਂ ਅਤੇ ਅੰਤਰਸੰਬੰਧਾਂ ਨਾਲ ਪੂਰੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ
- - **ਵਿਸ਼ੇਸ਼ਗਿਆਨ**: ਹੋਰ ਖੋਜ ਅਤੇ ਖੋਜ, ਘੱਟ ਕਹਾਣੀ ਸੁਣਾਉਣਾ, ਅਤੇ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਜਾਣਕਾਰੀ
- - **ਪ੍ਰਬੰਧਕ**: ਸਿਰਫ਼ ਮਹੱਤਵ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਨਤੀਜੇ ਸਮਝਣ ਲਈ ਸਮਾਂ
+ - **ਨਵਾਂ ਸਿੱਖਣ ਵਾਲਾ**: ਵਿਸ਼ਾ ਨਾਲ ਪਹਿਲੀ ਵਾਰ ਜਾਣੂ, ਪਰ ਬਹੁਤ ਸਧਾਰਨ ਨਹੀਂ ਚਾਹੁੰਦਾ
+ - **ਆਮ ਸਮਝਦਾਰ**: ਵਿਸ਼ਾ ਬਾਰੇ ਜਾਣਕਾਰੀ, ਪਰ ਇੱਕ ਔਵਰਵਿਯੂ ਅਤੇ ਮੁੱਖ ਥੀਮਾਂ ਦੀ ਖੋਜ਼ ਕਰ ਰਿਹਾ ਹੈ
+ - **ਮੈਨੇਜੀਰੀਅਲ**: ਗਹਿਰਾਈ ਨਾਲ, ਕਾਰਜਕਾਰੀ ਸਮਝ ਹੋ ਅਤੇ ਵਿਸਥਿਤ ਜਾਣਕਾਰੀ ਲਈ ਪਹੁੰਚ
+ - **ਮਾਹਰ**: ਹੋਰ ਖੋਜ ਅਤੇ ਖੋਜਬੀਨ, ਤੇ ਘੱਟ ਕਹਾਣੀ ਸਹਿਤ ਬਹੁਤ ਵਿਸਥਾਰ ਨਾਲ
+ - **ਕਾਰਜਕਾਰੀ**: صرف ਮੁੱਖ ਅਰਥ ਅਤੇ ਨਤੀਜੇ ਵੇਖਦਾ ਹੈ, ਵਜ਼ਨੀ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਅੰਕੜਾ
-ਇਹ ਸ਼੍ਰੇਣੀਆਂ ਤੁਹਾਡੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਡਾਟਾ ਪੇਸ਼ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਜਾਣਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ।
+ਇਹ ਵਰਗ ਤੁਹਾਨੂੰ ਤੁਹਾਡੇ ਦਰਸ਼ਕਾਂ ਨੂੰ ਡੇਟਾ ਪੇਸ਼ ਕਰਨ ਦੇ ਤਰੀਕੇ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇ ਸਕਦੇ ਹਨ।
-ਦਰਸ਼ਕਾਂ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਬਾਰੇ ਸੋਚਣ ਦੇ ਨਾਲ, ਤੁਹਾਨੂੰ ਇਹ ਵੀ ਵਿਚਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਲਈ ਕਿਹੜਾ ਚੈਨਲ ਵਰਤ ਰਹੇ ਹੋ। ਤੁਹਾਡਾ ਤਰੀਕਾ ਥੋੜ੍ਹਾ ਵੱਖਰਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੇ ਤੁਸੀਂ ਇੱਕ ਮੈਮੋ ਜਾਂ ਈਮੇਲ ਲਿਖ ਰਹੇ ਹੋ ਬਜਾਏ ਇੱਕ ਮੀਟਿੰਗ ਕਰਨ ਜਾਂ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ ਦੇਣ ਦੇ।
+ਆਪਣੇ ਦਰਸ਼ਕ ਦੇ ਵਰਗ ਦੇ ਨਾਲ-ਨਾਲ, ਤੁਹਾਨੂੰ ਇਹ ਵੀ ਸੋਚਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸ ਚੈਨਲ ਰਾਹੀਂ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ। ਜੇ ਤੁਸੀਂ ਮੈਮੋ ਜਾਂ ਈਮੇਲ ਲਿਖ ਰਹੇ ਹੋ ਜਾਂ ਮੀਟਿੰਗ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਕਿਸੇ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪ੍ਰਸਤੁਤੀ ਦੇ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਹਾਡੀ ਲਹਿਜ਼ਾ ਥੋੜ੍ਹਾ ਵੱਖਰਾ ਹੋਵੇਗਾ।
-ਉਪਰੋਕਤ ਸਾਰੀਆਂ ਗੱਲਾਂ ਨੂੰ ਸਮਝਣ ਦੇ ਨਾਲ, ਇਹ ਜਾਣਨਾ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਤੁਸੀਂ ਇੱਕ-ਪੱਖੀ ਸੰਚਾਰ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਦੋ-ਪੱਖੀ ਸੰਚਾਰ ਦੀ।
+ਦਰਸ਼ਕ ਨੂੰ ਸਮਝਣ ਦੇ ਨਾਲ-ਨਾਲ, ਇਹ ਜਾਣਨਾ ਵੀ ਜਰੂਰੀ ਹੈ ਕਿ ਤੁਸੀਂ ਕਿਸ ਤਰ੍ਹਾਂ ਦਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ (ਇਕ-ਪਾਸਾ ਜਾਂ ਦੋ-ਪਾਸਾ)।
-...
+ਜੇ ਤੁਸੀਂ ਜ਼ਿਆਦਾਤਰ ਨਵਾਂ ਸਿੱਖਣ ਵਾਲੇ ਦਰਸ਼ਕ ਨਾਲ ਇਕ-ਪਾਸਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਪਹਿਲਾਂ ਦਰਸ਼ਕ ਨੂੰ ਸਿੱਖਾਓ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਢੰਗ ਦਾ ਸੰਦਰਭ ਦਿਓ। ਫਿਰ ਆਪਣਾ ਡੇਟਾ ਪੇਸ਼ ਕਰੋ ਅਤੇ ਦੱਸੋ ਤੁਹਾਡਾ ਡੇਟਾ ਕੀ ਮਤਲਬ ਹੈ ਅਤੇ ਕਿਉਂ ਇਹ ਮਾਇਆਦਾ ਹੈ। ਇਸ ਘੜੀ, ਤੁਹਾਨੂੰ ਸਪਸ਼ਟਤਾ ਉਤੇ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿਉਂਕਿ ਦਰਸ਼ਕ ਸਿੱਧੇ ਸਵਾਲ ਨਹੀਂ ਪੁੱਛ ਸਕਦੇ।
-(ਅੱਗੇ ਦੇ ਅਨੁਵਾਦ ਲਈ, ਕਿਰਪਾ ਕਰਕੇ ਦੱਸੋ।)
-ਕੀ ਇਹ ਮੀਟਿੰਗ ਦੌਰਾਨ ਐਮਰਸਨ ਲਈ ਸੰਚਾਰ ਕਰਨ ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਸੀ?
+ਜੇ ਤੁਸੀਂ ਜ਼ਿਆਦਾਤਰ ਮੈਨੇਜੀਰੀਅਲ ਦਰਸ਼ਕ ਨਾਲ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸੰਭਵ ਹੈ ਕਿ ਤੁਸੀਂ ਦਰਸ਼ਕ ਨੂੰ ਪੜ੍ਹਾਉਣ ਜਾਂ ਬਹੁਤ ਸੰਦਰਭ ਦੇਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੋਵੇਗੀ। ਤੁਸੀਂ ਸਿੱਧਾ ਡੇਟਾ ਅਤੇ ਇਸ ਦੇ ਮਹੱਤਵ ਨੂੰ ਵਿਚਾਰ ਸਕਦੇ ਹੋ। ਪਰ, ਇਸ ਮੌਕੇ 'ਤੇ ਸਮਾਂ ਬੰਨ੍ਹਣ ਅਤੇ ਆਪਣੇ ਪ੍ਰਸਤੁਤੀ 'ਤੇ ਕਾਬੂ ਪਾਣਾ ਜਰੂਰੀ ਹੈ। ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਦੌਰਾਨ (ਖ਼ਾਸ ਕਰਕੇ ਮੈਨੇਜੀਰੀਅਲ ਦਰਸ਼ਕ ਦੇ ਸਮਨੇ ਜੋ "ਕਾਰਜਕਾਰੀ ਸਮਝ" ਚਾਹੁੰਦੇ ਹਨ), ਮੁਲਾਕਾਤ ਦੌਰਾਨ ਸਵਾਲ ਆ ਸਕਦੇ ਹਨ ਜੋ ਕਹਾਣੀ ਤੋਂ ਅੱਗੇ ਵੱਧ ਸਕਦੇ ਹਨ। ਇਸ ਵੇਲੇ ਤੁਸੀਂ ਗੱਲਬਾਤ ਨੂੰ ਵਾਪਸ ਮੁੜਾ ਕੇ ਆਪਣੀ ਕਹਾਣੀ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਕਰ ਸਕਦੇ ਹੋ।
-ਮੀਟਿੰਗ ਦੌਰਾਨ, ਇੱਕ ਕੰਪਨੀ ਲੀਡ ਨੇ ਉਹ 10 ਮਿੰਟ ਦੇ ਗਾਹਕਾਂ ਦੀਆਂ ਸ਼ਿਕਾਇਤਾਂ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜੋ ਐਮਰਸਨ ਨੇ ਪੇਸ਼ ਕੀਤੀਆਂ। ਮੀਟਿੰਗ ਤੋਂ ਬਾਅਦ, ਇਹ ਸ਼ਿਕਾਇਤਾਂ ਹੀ ਉਹ ਚੀਜ਼ ਸੀ ਜੋ ਇਸ ਟੀਮ ਲੀਡ ਨੂੰ ਯਾਦ ਰਹੀ। ਦੂਜੇ ਕੰਪਨੀ ਲੀਡ ਨੇ ਮੁੱਖ ਤੌਰ 'ਤੇ ਐਮਰਸਨ ਦੇ ਰਿਸਰਚ ਪ੍ਰਕਿਰਿਆ ਦੇ ਵਰਣਨ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਤੀਜੇ ਕੰਪਨੀ ਲੀਡ ਨੂੰ ਐਮਰਸਨ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਹੱਲ ਯਾਦ ਰਹੇ, ਪਰ ਉਹ ਇਹ ਸਮਝਣ ਵਿੱਚ ਅਸਮਰਥ ਸੀ ਕਿ ਇਹ ਹੱਲ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+### 2. ਅੰਤ ਦੇ ਖ਼ਿਆਲ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ
+ਅੰਤ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਦਰਸ਼ਕ ਲਈ ਆਪਣੀਆਂ ਲੋੜੀਂਦੀਆਂ ਗੱਲਾਂ ਨੂੰ ਸਮਝ ਕੇ ਸੰਚਾਰ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਪਹਿਲਾਂ ਤੋਂ ਸੋਚਣਾ ਕਿ ਤੁਸੀਂ ਦਰਸ਼ਕ ਨੂੰ ਕੀ ਦਿੱਸਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤੁਹਾਡੇ ਲਈ ਇਕ ਕਹਾਣੀ ਬਣਾਉਣ 'ਚ ਮਦਦਗਾਰ ਹੋਵੇਗਾ ਜਿਸਨੂੰ ਦਰਸ਼ਕ ਸਹਿਜੀ ਨਾਲ ਸਮਝ ਸਕਣ। ਇਹ ਦੋਨੋਂ ਇਕ-ਪਾਸਾ ਅਤੇ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਵਿੱਚ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।
-ਉਪਰੋਕਤ ਸਥਿਤੀ ਵਿੱਚ, ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਜੋ ਕੁਝ ਐਮਰਸਨ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਟੀਮ ਲੀਡ ਮੀਟਿੰਗ ਤੋਂ ਲੈ ਕੇ ਜਾਵੇ, ਅਤੇ ਜੋ ਕੁਝ ਉਹ ਅਸਲ ਵਿੱਚ ਲੈ ਕੇ ਗਏ, ਉਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਸੀ। ਹੇਠਾਂ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜੋ ਐਮਰਸਨ ਵਿਚਾਰ ਕਰ ਸਕਦਾ ਹੈ।
+ਤੁਸੀਂ ਕਿਵੇਂ ਅੰਤ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ? ਦਾਤਾ ਸੰਚਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੀਆਂ ਮੁੱਖ ਗੱਲਾਂ ਲਿਖ ਲੋ। ਫਿਰ, ਹਰ ਪਾਸੇ ਤੇ ਕਹਾਣੀ ਬਣਾਉਂਦੇ ਹੋਏ ਆਪਣੇ ਆਪ ਨੂੰ ਪੁੱਛੋ, "ਇਹ ਕਿਵੇਂ ਕਹਾਣੀ ਵਿੱਚ ਮਿਲਦਾ ਹੈ ਜੋ ਮੈਂ ਸੁਣਾਉਣਾ ਚਾਹੁੰਦਾ ਹਾਂ?"
-ਐਮਰਸਨ ਇਸ ਤਰੀਕੇ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹੈ?
-ਸੰਦਰਭ, ਸੰਘਰਸ਼, ਕਲਾਈਮੈਕਸ, ਬੰਦ, ਨਿਸਕਰਸ਼
-**ਸੰਦਰਭ** - ਐਮਰਸਨ ਪਹਿਲੇ 5 ਮਿੰਟ ਸਥਿਤੀ ਦਾ ਪੂਰਾ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਬਿਤਾ ਸਕਦਾ ਹੈ ਅਤੇ ਯਕੀਨੀ ਬਣਾ ਸਕਦਾ ਹੈ ਕਿ ਟੀਮ ਲੀਡ ਸਮਝਦੇ ਹਨ ਕਿ ਇਹ ਸਮੱਸਿਆਵਾਂ ਕੰਪਨੀ ਦੇ ਮਹੱਤਵਪੂਰਨ ਮੈਟ੍ਰਿਕਸ, ਜਿਵੇਂ ਕਿ ਰਿਵਨਿਊ, 'ਤੇ ਕਿਵੇਂ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀਆਂ ਹਨ।
+ਧਿਆਨ ਰੱਖੋ – ਹਾਲਾਂਕਿ ਅੰਤ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਵਧੀਆ ਹੈ, ਤੁਸੀਂ ਕਦੇ ਵੀ ਸਿਰਫ ਉਹ ਡੇਟਾ ਨਾ ਦਿਓ ਜੋ ਤੁਹਾਡੇ ਇਰਾਦੇ ਨੂੰ ਸਹਾਰਾ ਦੇ। ਇਸਨੂੰ ਚੈਰੀ-ਪਿਕਿੰਗ ਕਹਿੰਦੇ ਹਨ, ਜਦ ਕਿਸੀ ਸੰਚਾਰਕ ਸਿਰਫ ਉਹੀ ਡੇਟਾ ਦਿੰਦਾ ਹੈ ਜੋ ਉਸਦੇ ਮੁੱਖ ਬਿੰਦੂ ਲਈ ਅਨੁਕੂਲ ਹੈ ਅਤੇ ਹੋਰ ਸਾਰੇ ਡੇਟਾ ਨੂੰ ਨਾਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ।
-ਇਸ ਨੂੰ 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 ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜੋ ਇਹ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿੰਨੇ ਯੂਜ਼ਰ ਸਾਡੇ ਐਪ ਨੂੰ ਖੋਜ ਵਿੱਚ ਵੇਖਦੇ ਹਨ, ਅਤੇ ਸਾਡੇ ਐਪ ਨੂੰ ਸੰਭਾਵੀ ਯੂਜ਼ਰਾਂ ਦੁਆਰਾ ਕਿਵੇਂ ਵੇਖਿਆ ਜਾਂਦਾ ਹੈ। ਅਤੇ ਜ਼ਾਹਰ ਹੈ, ਸਾਡੇ ਕੋਲ ਯੂਜ਼ਰਾਂ ਦੀ ਗਿਣਤੀ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਰਿਵਨਿਊ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।"
+ਜੇ ਸਾਰਾ ਡੇਟਾ ਜੋ ਤੁਸੀਂ ਇਕੱਠਾ ਕੀਤਾ ਉਸਦੇ ਦਰਸ਼ਕ ਲਈ ਤੁਹਾਡੀਆਂ ਲੋੜਾਂ ਨੂੰ ਸਹਾਰਦੇ ਹੋ ਤਾਂ ਵਧੀਆ। ਪਰ ਜੇ ਕੋਈ ਡੇਟਾ ਹੈ ਜੋ ਤੁਹਾਡੀ ਗੱਲ ਨਾਲ ਹਮਅਹੰਗ ਨਹੀਂ, ਜਾਂ ਤੁਸੀਂ ਵਿਰੋਧੀ ਡੇਟਾ ਮਿਲੇ, ਤਾਂ ਇਹ ਵੀ ਸੰਪ੍ਰੇਸ਼ਿਤ ਕਰੋ। ਜੇ ਇਹ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਦਰਸ਼ਕਾਂ ਕੋਲ ਖੁੱਲ੍ਹ ਕੇ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਆਪਣੀ ਕਹਾਣੀ 'ਤੇ ਕਿਉਂ ਟਿਕੇ ਹੋਏ ਹੋ, ਭਾਵੇਂ ਸਾਰਾ ਡੇਟਾ ਇਸਨੂੰ ਸਹਾਰਦਾ ਨਾ ਹੋਵੇ।
-**ਸੰਘਰਸ਼** ਐਮਰਸਨ ਇਸ ਤੋਂ ਬਾਅਦ ਅਗਲੇ 5 ਮਿੰਟ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸੰਘਰਸ਼ 'ਤੇ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ।
+### 3. ਇਸਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਾਂਗ ਸੋਚੋ
+ਇੱਕ ਰਵਾਇਤੀ ਕਹਾਣੀ 5 ਚਰਣਾਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਇਹ ਚਰਣ ਪ੍ਰਸੰਗ, ਮੁਕਾਬਲਾ, ਚਰਮ ਬਿੰਦੂ, ਸਮਾਪਤੀ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਵੀ ਜਾਣ ਸਕਦੇ ਹੋ। ਜਦ ਤੁਸੀਂ ਆਪਣਾ ਡੇਟਾ ਅਤੇ ਕਹਾਣੀ ਸੰਚਾਰ ਕਰਦੇ ਹੋ ਤਾਂ ਤੁਸੀਂ ਇਹੀ ਤਰੀਕਾ ਅਪਣਾ ਸਕਦੇ ਹੋ।
-ਇਹ ਇਸ ਤਰੀਕੇ ਨਾਲ ਹੋ ਸਕਦਾ ਹੈ: "ਯੂਜ਼ਰਾਂ ਹਫ਼ਤਾਵਾਰ ਛੁੱਟੀਆਂ ਦੌਰਾਨ 42% ਵੱਧ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗ ਰਿਪੋਰਟਾਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ। ਗਾਹਕ ਜੋ 48 ਘੰਟਿਆਂ ਤੋਂ ਬਾਅਦ ਅਨੁੱਤਰਿਤ ਸ਼ਿਕਾਇਤ ਪੇਸ਼ ਕਰਦੇ ਹਨ, ਉਹ ਸਾਡੇ ਐਪ ਨੂੰ ਐਪ ਸਟੋਰ ਵਿੱਚ 2 ਤੋਂ ਵੱਧ ਰੇਟਿੰਗ ਦੇਣ ਦੇ ਸੰਭਾਵਨਾ 32% ਘੱਟ ਹੁੰਦੀ ਹੈ। ਸਾਡੇ ਐਪ ਦੀ ਰੇਟਿੰਗ ਨੂੰ 4 'ਤੇ ਸੁਧਾਰਨਾ ਸਾਡੇ ਵਿਖਾਈ ਦੇਣ ਨੂੰ 20-30% ਵਧਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮੈਂ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹਾਂ ਕਿ ਰਿਵਨਿਊ ਵਿੱਚ 10% ਵਾਧਾ ਹੋਵੇਗਾ।" ਜ਼ਾਹਰ ਹੈ, ਐਮਰਸਨ ਨੂੰ ਇਹ ਨੰਬਰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਾਬਤ ਕਰਨ ਲਈ ਤਿਆਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
+ਤੁਸੀਂ ਪ੍ਰਸੰਗ 'ਤੇ ਸ਼ੁਰੂ ਕਰੋ, ਮੰਚ ਸਜਾਓ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਦਰਸ਼ਕ ਸਾਰੇ ਇੱਕ ਜਿਹੇ ਸਫ਼ੇ 'ਤੇ ਹਨ। ਫਿਰ ਮੁੱਦਾ ਦੱਸੋ: ਤੁਹਾਨੂੰ ਇਹ ਡੇਟਾ ਕਿਉਂ ਇਕੱਠਾ ਕਰਨਾ ਪਿਆ? ਕਿਹੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਨੀ ਸਨ? ਇਸ ਤੋਂ ਬਾਅਦ ਚਰਮ ਬਿੰਦੂ ਆਉਂਦਾ ਹੈ: ਡੇਟਾ ਕੀ ਹੈ? ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ? ਅਸੀਂ ਕਿਹੜੇ ਹੱਲ ਲੱਭ ਸਕਦੇ ਹਾਂ? ਫਿਰ ਸਮਾਪਤੀ, ਜਿੱਥੇ ਤੁਸੀਂ ਮੁੱਦੇ ਤੇ ਸੁਝਾਅ ਵਾਪਸ ਦੂਹਰਾਓ। ਆਖ਼ਿਰਕਾਰ ਨਤੀਜਾ, ਜਿੱਥੇ ਤੁਸੀਂ ਆਪਣੀਆਂ ਮੁੱਖ ਗੱਲਾਂ ਤੇ ਅਗਲੇ ਕਦਮ ਦਿੱਸਦੇ ਹੋ।
-**ਕਲਾਈਮੈਕਸ** ਜ਼ਮੀਨ ਤਿਆਰ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਐਮਰਸਨ ਕਲਾਈਮੈਕਸ 'ਤੇ 5 ਮਿੰਟ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਸਮਾਂ ਬਿਤਾ ਸਕਦਾ ਹੈ।
+### 4. ਮਾਇਨੇਦਾਰ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤੋਂ
+ਜੇ ਤੁਸੀਂ ਅਤੇ ਮੈਂ ਕਿਸੇ ਉਤਪਾਦ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ ਅਤੇ ਮੈਂ ਤੁਹਾਨੂੰ ਕਹਾਂ "ਸਾਡੇ ਉਪਭੋਗਤਾ ਆਪਣੇ ਪਲੇਟਫਾਰਮ 'ਤੇ ਆਨਬੋਰਡ ਹੋਣ ਵਿੱਚ ਲੰਮਾ ਸਮਾਂ ਲੈਂਦੇ ਹਨ," ਤਾਂ ਤੁਸੀਂ "ਲੰਮਾ ਸਮਾਂ" ਦਾ ਅੰਦਾਜ਼ਾ ਕਿੰਨਾ ਲਗਾਉਂਦੇ ਹੋ? ਇੱਕ ਘੰਟਾ? ਇੱਕ ਹਫ਼ਤਾ? ਪਤਾ ਕਰਨਾ ਔਖਾ ਹੈ। ਜੇ ਮੈਂ ਇਹ ਗੱਲ ਇੱਕ ਸੰਪੂਰਨ ਦਰਸ਼ਕ ਨੂੰ ਕਹਾਂ ਤਾਂ ਹਰ ਕੋਈ ਉਹ ਵੱਖ-ਵੱਖ ਸਮਝ ਲੈਵੇਗਾ।
-ਐਮਰਸਨ ਪੇਸ਼ ਕੀਤੇ ਹੱਲਾਂ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਦਰਸਾ ਸਕਦਾ ਹੈ ਕਿ ਇਹ ਹੱਲ ਪੇਸ਼ ਕੀਤੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਕਿਵੇਂ 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 ਕੁਝ ਸਕ੍ਰੀਨਸ਼ਾਟ ਜਾਂ ਵਾਇਰਫ੍ਰੇਮ ਵੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਕਿ ਜੇ ਇਹ ਹੱਲ ਲਾਗੂ ਕੀਤੇ ਗਏ ਤਾਂ ਇਹ ਕਿਵੇਂ ਲੱਗਣਗੇ। ਐਮਰਸਨ ਉਹ ਯੂਜ਼ਰਾਂ ਦੇ ਟੈਸਟਿਮੋਨੀਅਲ ਵੀ ਸਾਂਝੇ ਕਰ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਸ਼ਿਕਾਇਤ 48 ਘੰਟਿਆਂ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲਈ ਅਨੁੱਤਰਿਤ ਰਹੀ, ਅਤੇ ਮੌਜੂਦਾ ਕੰਪਨੀ ਦੇ ਗਾਹਕ ਸੇਵਾ ਪ੍ਰਤੀਨਿਧੀ ਦਾ ਟੈਸਟਿਮੋਨੀਅਲ ਵੀ ਸਾਂਝਾ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸ ਨੇ ਮੌਜੂਦਾ ਟਿਕਟਿੰਗ ਸਿਸਟਮ 'ਤੇ ਟਿੱਪਣੀ ਕੀਤੀ ਹੈ।
+ਬਜਾਏ ਇਸਦਾ, ਜੇ ਮੈਂ ਕਹਾਂ "ਸਾਡੇ ਉਪਭੋਗਤਾ, ਔਸਤਨ, 3 ਮਿੰਟ ਵਿੱਚ ਸਾਈਨ ਅਪ ਅਤੇ ਆনਬੋਰਡ ਕਰ ਲੈਂਦੇ ਹਨ।"
-**ਬੰਦ** ਹੁਣ ਐਮਰਸਨ 5 ਮਿੰਟ ਬਿਤਾ ਸਕਦਾ ਹੈ ਕੰਪਨੀ ਦੁਆਰਾ ਸਾਹਮਣਾ ਕੀਤੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਦਰਸਾਉਣ ਵਿੱਚ, ਪੇਸ਼ ਕੀਤੇ ਹੱਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਵੇਖਣ ਵਿੱਚ, ਅਤੇ ਸਮੀਖਿਆ ਕਰਨ ਵਿੱਚ ਕਿ ਇਹ ਹੱਲ ਕਿਉਂ ਸਹੀ ਹਨ।
+ਇਹ ਸੁਨੇਹਾ ਵਧੇਰੇ ਸਪਸ਼ਟ ਹੈ। ਡੇਟਾ ਸੰਚਾਰ ਕਰਦਿਆਂ ਇਹ ਸੋਚਣਾ ਆਸਾਨ ਹੁੰਦਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਵੀ ਤੁਹਾਡੇ ਦੀ ਤਰ੍ਹਾਂ ਸੋਚਦੇ ਹਨ। ਪਰ ਐਸਾ ਸਦਾ ਨਹੀਂ ਹੁੰਦਾ। ਡੇਟਾ ਅਤੇ ਇਸਦਾ ਅਰਥ ਸਪਸ਼ਟ ਕਰਨਾ ਤੁਹਾਡੇ ਕੰਮਾਂ ਵਿਚੋਂ ਇੱਕ ਹੈ। ਜੇ ਡੇਟਾ ਜਾਂ ਕਹਾਣੀ ਸਪਸ਼ਟ ਨਹੀਂ ਹੋਵੇਗੀ, ਤਾਂ ਦਰਸ਼ਕ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆਵੇਗੀ ਅਤੇ ਉਹ ਮੁੱਖ ਗੱਲਾਂ ਨਹੀਂ ਸਮਝ ਪਾਏਗਾ।
-**ਨਿਸਕਰਸ਼** ਕਿਉਂਕਿ ਇਹ ਕੁਝ ਸਟੇਕਹੋਲਡਰਾਂ ਨਾਲ ਮੀਟਿੰਗ ਹੈ ਜਿੱਥੇ ਦੋ-ਵੇ ਸੰਚਾਰ ਵਰਤਿਆ ਜਾਵੇਗਾ, ਐਮਰਸਨ 10 ਮਿੰਟ ਸਵਾਲਾਂ ਲਈ ਛੱਡਣ ਦੀ ਯੋਜਨਾ ਬਣਾ ਸਕਦਾ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਮੀਟਿੰਗ ਖਤਮ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਟੀਮ ਲੀਡ ਲਈ ਕੁਝ ਵੀ ਗੁੰਝਲਦਾਰ ਨਹੀਂ ਰਹੇ।
+ਤੁਸੀਂ ਡੇਟਾ ਨੂੰ ਸਪਸ਼ਟ ਢੰਗ ਨਾਲ ਪ੍ਰਸਤੁਤ ਕਰ ਸਕਦੇ ਹੋ ਜਦ ਤੁਸੀਂ ਵਗਲੇ ਵਗਲੇ ਸ਼ਬਦਾਂ ਦੀ ਥਾਂ ਮਾਇਨੇਦਾਰ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤਦੇ ਹੋ। ਹੇਠਾਂ ਕੁਝ ਉਦਾਹਰਣ ਹਨ।
-ਜੇ ਐਮਰਸਨ ਤਰੀਕਾ #2 ਅਪਣਾਉਂਦਾ 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 ਸੰਭਾਲਣ 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 ਡਾਟਾ ਅਤੇ ਕਹਾਣੀ ਨੂੰ ਸੰਚਾਰ ਕਰਨ ਲਈ ਐਮਰਸਨ ਦੀ ਇੱਛਾ ਨੂੰ ਸੰਚਾਰ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗਾ।
+ - ਸਾਡਾ ਸਾਲ *ਚਮਤਕਾਰੀ* ਸੀ!
+ - ਇੱਕ ਵਿਅਕਤੀ ਲਈ ਚਮਤਕਾਰੀ ਸਾਲ 2%-3% ਵਾਧਾ ਹੋ ਸਕਦਾ ਹੈ, ਦੂਜਾ 50%-60% ਵਾਧਾ ਸੋਚ ਸਕਦਾ ਹੈ
+ - ਸਾਡੇ ਉਪਭੋਗਤਿਆਂ ਦੀ ਸਫਲਤਾ ਦਰ *ਨਾਟਕੀ* ਤੌਰ 'ਤੇ ਵਧੀ है
+ - ਨਾਟਕੀ ਵਾਧੇ ਦਾ ਮਤਲਬ ਕਿੰਨਾ ਵੱਡਾ ਵਾਧਾ ਹੈ?
+ - ਇਹ ਕੰਮ *ਅਹੰਕਾਰਪੂਰਨ* ਕੋਸ਼ਿਸ਼ ਮੰਗੇਗਾ
+ - ਅਹੰਕਾਰਪੂਰਨ ਕੋਸ਼ਿਸ਼ ਕਿਤਨੀ ਮਨਿਆ ਜਾਵੇ?
-# ਨਿਸਕਰਸ਼
+ਅਸਪਸ਼ਟ ਸ਼ਬਦ ਇੱਕ ਸ਼ੁਰੂਆਤ ਲਈ ਬਹੁਤਰੇਕ ਡੇਟਾ ਆਉਣ ਤੋਂ ਪਹਿਲਾਂ ਉਪਯੋਗੀ ਹੋ ਸਕਦੇ ਹਨ, ਜਾਂ ਇੱਕ ਸੰਖੇਪ ਲਈ ਜੋ ਤੁਸੀਂ ਹੁਣ ਹੀ ਦੱਸ ਚੁੱਕੇ ਹੋ। ਪਰ ਸੁਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਤੁਸੀਂ ਆਪਣੀ ਪ੍ਰਸਤੁਤੀ ਦਾ ਹਰ ਹਿੱਸਾ ਦਰਸ਼ਕ ਲਈ ਸਪਸ਼ਟ ਹੋਵੇ।
+
+### 5. ਭਾਵਨਾਵਾਂ ਵਰਤੋਂ
+ਭਾਵਨਾ ਕਹਾਣੀ ਸੁਣਾਉਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ ਰੂਪ ਵਿੱਚ ਜਦੋਂ ਤੁਸੀਂ ਡੇਟਾ ਨਾਲ ਕਹਾਣੀ ਸੁਣਾਉਂਦੇ ਹੋ, ਤਾਂ ਇਹ ਹੋਰ ਜ਼ਿਆਦਾ ਜਰੂਰੀ ਹੋ ਜਾਂਦੀ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਡੇਟਾ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਸਭ ਕੁਝ ਤੁਹਾਡੇ ਦਰਸ਼ਕ ਦੇ ਮੁੱਖ ਗੈਰ ਪੁੜੇ ਤੋਂ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਦਰਸ਼ਕ ਵਿੱਚ ਭਾਵਨਾ ਪੈਦਾ ਕਰਦੇ ਹੋ ਤਾਂ ਇਹ ਉਨ੍ਹਾਂ ਨੂੰ ਸਾਥ ਦੇਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਕਾਰਵਾਈ ਲਈ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ। ਭਾਵਨਾ ਦਰਸ਼ਕ ਨੂੰ ਤੁਹਾਡਾ ਸੁਨੇਹਾ ਯਾਦ ਰੱਖਣ ਦੀ ਸੰਭਾਵਨਾ ਵੀ ਵਧਾਉਂਦੀ ਹੈ।
+
+ਤੁਸੀਂ ਇਸਨੂੰ ਟੈਲੀਵਿਜ਼ਨ ਵੈਪਾਰਕਾੜੀਆਂ ਵਿੱਚ ਦੇਖਿਆ ਹੋਵੇਗਾ। ਕੁਝ ਸਮਾਚਾਰ ਬਹੁਤ ਗੰਭੀਰ ਅਤੇ ਦੁੱਖਦਾਈ ਹੁੰਦੇ ਹਨ ਜੋ ਆਪਣੇ ਦਰਸ਼ਕ ਨਾਲ ਜੁੜਨ ਲਈ ਵਰਤਦੇ ਹਨ। ਜਾਂ ਕੁਝ ਬਹੁਤ ਉੱਤੇਜਕ ਅਤੇ ਖੁਸ਼ ਮਾਹੌਲ ਦੇਵੇਂਦੇ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਡੇਟਾ ਨਾਲ ਖੁਸ਼ੀ ਮਹਿਸੂਸ ਕਰਵਾਉਂਦੇ ਹਨ।
+
+ਤੁਸੀਂ ਡੇਟਾ ਸੰਚਾਰ ਕਰਦੇ ਸਮੇਂ ਭਾਵਨਾ ਕਿਵੇਂ ਵਰਤੋਂ? ਹੇਠਾਂ ਕੁਝ ਤਰੀਕੇ ਦਿੱਤੇ ਗਏ ਹਨ।
+
+ - ਟੈਸਟਿਸਟਮੋਨਿਅਲ ਅਤੇ ਨਿੱਜੀ ਕਹਾਣੀਆਂ ਵਰਤਣਾ
+ - ਡੇਟਾ ਇਕੱਠਾ ਕਰਦੇ ਸਮੇਂ,ਆਂਕੜੇ ਅਤੇ ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਦੋਹਾਂ ਲਓ, ਅਤੇ ਜਦ ਤੁਸੀਂ ਸੰਚਾਰ ਕਰ ਰਹੇ ਹੋ ਤਾਂ ਦੋਹਾਂ ਨੂੰ ਇਕੱਠੇ ਸ਼ਾਮਿਲ ਕਰੋ। ਜੇ ਤੁਹਾਡਾ ਡੇਟਾ ਮੁੱਖ ਰੂਪ ਤੋਂ ਸਾਂਖਿਆਕੀ ਹੈ, ਤਾਂ ਵਿਅਕਤੀਆਂ ਤੋਂ ਕਹਾਣੀਆਂ ਲੱਭੋ, ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ ਦੇ ਅਰਥ ਨੂੰ ਜ਼ਿਆਦਾ ਸਮਝਿਆ ਜਾ ਸਕੇ।
+ - ਚਿੱਤਰਵਲੀ ਵਰਤੋਂ
+ - ਚਿੱਤਰ ਦਰਸ਼ਕ ਨੂੰ ਮੌਕੇ ਵਿਚ ਖੁਦ ਨੂੰ ਵੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਜਦ ਤੁਸੀਂ ਚਿੱਤਰ ਵਰਤਦੇ ਹੋ, ਤੁਸੀਂ ਦਰਸ਼ਕ ਨੂੰ ਉਸ ਭਾਵਨਾ ਵੱਲ ਲੈ ਜਾ ਸਕਦੇ ਹੋ ਜੋ ਤੁਹਾਨੂੰ ਲੱਗਦਾ ਹੈ ਉਹ ਤੁਹਾਡੇ ਡੇਟਾ ਬਾਰੇ ਮਹਿਸੂਸ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
+ - ਰੰਗ ਵਰਤੋਂ
+ - ਵੱਖ-ਵੱਖ ਰੰਗ ਵੱਖ-ਵੱਖ ਭਾਵਨਾਵਾਂ ਨੂੰ ਜਗਾਉਂਦੇ ਹਨ। ਪ੍ਰਸਿੱਧ ਰੰਗ ਅਤੇ ਉਹਨਾਂ ਨਾਲੋਂ ਜੁੜੀਆਂ ਭਾਵਨਾਵਾਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਹਨ। ਧਿਆਨ ਰੱਖੋ ਕਿ ਵੱਖਰੀਆਂ ਸਭਿਆਚਾਰਾਂ ਵਿੱਚ ਰੰਗਾਂ ਦੇ ਅਰਥ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।
+ - ਨੀਲਾ ਆਮ ਤੌਰ ਤੇ ਸ਼ਾਂਤੀ ਅਤੇ ਭਰੋਸਾ ਜਗਾਉਂਦਾ ਹੈ
+ - ਹਰਾ ਅਕਸਰ ਕੁਦਰਤ ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਨਾਲ ਜੁੜਿਆ ਹੁੰਦਾ ਹੈ
+ - ਲਾਲ ਹੁੰਦਾ ਹੈ ਜੋਸ਼ ਅਤੇ ਉਤਸ਼ਾਹ ਲਈ
+ - ਪੀਲਾ ਆਮ ਤੌਰ ਤੇ ਆਸ਼ਾਵਾਦੀ ਅਤੇ ਖੁਸ਼ੀ ਲਈ
+
+# ਸੰਚਾਰ ਕੇਸ ਅਧਿਐਨ
+ਏਮਰਸਨ ਇੱਕ ਮੋਬਾਈਲ ਐਪ ਲਈ ਪਰੋਡਕਟ ਮੈਨੇਜਰ ਹੈ। ਏਮਰਸਨ ਨੇ ਨੋਟਿਸ ਕੀਤਾ ਹੈ ਕਿ ਗ੍ਰਾਹਕ ਹਫ਼ਤੇ ਦੇ ਅੰਤ 'ਤੇ 42% ਵੱਧ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗ ਰਿਪੋਰਟਾਂ ਦਿੰਦੇ ਹਨ। ਏਮਰਸਨ ਨੇ ਇਹ ਵੀ ਨੋਟਿਸ ਕੀਤਾ ਕਿ ਜੇ ਕੋਈ ਗ੍ਰਾਹਕ ਸ਼ਿਕਾਇਤ 48 ਘੰਟਿਆਂ ਤੋਂ ਬਾਅਦ ਅਣਸੁਣੀ ਰਹਿੰਦੀ ਹੈ ਤਾਂ ਉਹ ਸੰਭਾਵਨਾ 32% ਵੱਧ ਰਹਿੰਦੀ ਹੈ ਕਿ ਉਹ ਐਪ ਨੂੰ 1 ਜਾਂ 2 ਦੀ ਰੇਟਿੰਗ ਦੇਵੇਗਾ।
+
+ਖੋਜ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਏਮਰਸਨ ਕੋਲ ਕੁਝ ਹੱਲ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਸਕਦੀ ਹੈ। ਏਮਰਸਨ 3 ਕੰਪਨੀ ਪ੍ਰਮੁੱਖਾਂ ਨਾਲ 30 ਮਿੰਟ ਦੀ ਮੀਟਿੰਗ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਉਹ ਡੇਟਾ ਅਤੇ ਸੁਝਾਏ ਹੱਲਾਂ ਦੀ ਚਰਚਾ ਕਰਦਾ ਹੈ।
+
+ਇਸ ਮੀਟਿੰਗ ਵਿੱਚ, ਏਮਰਸਨ ਦਾ ਲਕਸ਼ ਹੈ ਕਿ ਕੰਪਨੀ ਪ੍ਰਮੁੱਖ ਸਮਝ ਜਾਣ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ 2 ਹੱਲ ਐਪ ਦੀ ਰੇਟਿੰਗ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹਨ, ਜੋ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਵਧੀਆ ਆਮਦਨ ਵੱਲ ਲੈ ਜਾਵੇਗਾ।
+
+**ਹੱਲ 1.** ਗ੍ਰਾਹਕ ਸੇਵਾ ਪ੍ਰਤਿਨਿਧੀਆਂ ਨੂੰ ਹਫ਼ਤੇ ਦੇ ਅੰਤ ਦੇ ਦਿਨਾਂ 'ਤੇ ਭਰਤੀ ਕਰੋ
+
+**ਹੱਲ 2.** ਇੱਕ ਨਵਾਂ ਗ੍ਰਾਹਕ ਸੇਵਾ ਟਿਕਟਿੰਗ ਸਿਸਟਮ ਖਰੀਦੋ ਜਿੱਥੇ ਸੇਵਾ ਪ੍ਰਤਿਨਿਧੀ ਸਭ ਤੋਂ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਕਤਾਰ ਵਿੱਚ ਹੋਏ ਸ਼ਿਕਾਇਤਾਂ ਨੂੰ ਅਸਾਨੀ ਨਾਲ ਪਛਾਣ ਸਕਦੇ ਹਨ – ਤਾਂ ਜੋ ਉਹ ਸਰਵਸਫ਼ਤਾ ਨਾਲ ਜਲਦੀ ਹੱਲ ਕਰ ਸਕਣ।
+
+ਮੀਟਿੰਗ ਦੌਰਾਨ, ਏਮਰਸਨ 5 ਮਿੰਟ ਦੱਸਦਾ ਹੈ ਕਿ ਐਪ ਸਟੋਰ ਵਿੱਚ ਘੱਟ ਰੇਟਿੰਗ ਕਿੰਨੀ ਖ਼ਰਾਬ ਹੈ, 10 ਮਿੰਟ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਰੁਝਾਨਾਂ ਦੀ ਪਹਚਾਣ ਦੱਸਦਾ ਹੈ, 10 ਮਿੰਟ ਕੁਝ ਹਾਲੀਆ ਕਸਟਮਰ ਸ਼ਿਕਾਇਤਾਂ ਵੇਖਦਾ ਹੈ, ਅਤੇ ਆਖ਼ਰੀ 5 ਮਿੰਟ 2 ਸੰਭਾਵਤ ਹੱਲਾਂ 'ਤੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।
+ਕੀ ਇਹ ਐਮਰਸਨ ਲਈ ਇਸ ਮੀਟਿੰਗ ਦੌਰਾਨ ਸੰਚਾਰ ਕਰਨ ਦਾ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਸੀ?
+
+ਮੀਟਿੰਗ ਦੌਰਾਨ, ਇੱਕ ਕੰਪਨੀ ਦੇ ਮਖ਼ਤੂਮ ਨੇ ਅਮਰਸਨ ਵੱਲੋਂ ਗੁਜ਼ਰੀ ਗ੍ਰਾਹਕ ਸ਼ਿਕਾਇਤਾਂ ਦੇ 10 ਮਿੰਟਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ। ਮੀਟਿੰਗ ਤੋਂ ਬਾਅਦ, ਇਹ ਸ਼ਿਕਾਇਤਾਂ ਹੀ ਉਹ ਇੱਕ ਟੀਮ ਮੁਖ਼ਤੂਮ ਨੂੰ ਯਾਦ ਰਹੀਂ। ਦੂਜੇ ਕੰਪਨੀ ਦੇ ਮਖ਼ਤੂਮ ਨੇ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅਮਰਸਨ ਵੱਲੋਂ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਰਣਨ ਕਰਨ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ। ਤੀਸਰੇ ਕੰਪਨੀ ਦੇ ਮੁਖ਼ਤੂਮ ਨੂੰ ਅਮਰਸਨ ਵੱਲੋਂ ਪ੍ਰਸਤਾਵਿਤ ਸੁਝਾਅ ਯਾਦ ਰਹੇ ਪਰ ਉਹ ਇਹ ਨਹੀਂ ਜਾਣਦੇ ਸਨ ਕਿ ਇਹ ਸੁਝਾਅ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
+
+ਉਪਰੋਕਤ ਸਥਿਤੀ ਵਿੱਚ, ਤੁਸੀਂ ਵੇਖ ਸਕਦੇ ਹੋ ਕਿ ਅਮਰਸਨ ਚਾਹੁੰਦਾ ਸੀ ਕਿ ਟੀਮ ਮੁਖ਼ਤੂਮ ਮੀਟਿੰਗ ਤੋਂ ਜੋ ਲੈ ਕੇ ਜਾਣ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਉਹਨਾਂ ਨੇ ਮੀਟਿੰਗ ਤੋਂ ਜੋ ਲੈ ਕੇ ਗਿਆ, ਵਿੱਚ ਵੱਡਾ ਫ਼ਰਕ ਸੀ। ਹੇਠਾਂ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਦਿੱਤਾ ਗਿਆ ਹੈ ਜੋ ਅਮਰਸਨ ਵਿਚਾਰ ਕਰ ਸਕਦਾ ਹੈ।
+
+ਅਮਰਸਨ ਇਸ ਤਰੀਕੇ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਸਕਦਾ ਹੈ?
+ਸੰਦਰਭ, ਟਕਰਾਅ, ਚਰਮ ਬਿੰਦੂ, ਸਮਾਪਤੀ, ਨਿਸ਼ਕਰਸ਼
+**ਸੰਦਰਭ** - ਅਮਰਸਨ ਪਹਿਲੇ 5 ਮਿੰਟ ਸਾਰੇ ਪਰਿਸ਼ਥਿਤੀ ਦਾ ਪਰਚਾਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾ ਸਕਦਾ ਹੈ ਕਿ ਟੀਮ ਦੇ ਮੁਖ਼ਤੂਮ ਸਮਝਦੇ ਹਨ ਕਿ ਸਮੱਸਿਆਵਾਂ ਕੰਪਨੀ ਲਈ ਮਹੱਤਵਪੂਰਨ ਮਿਤੀਕਾਂ, ਜਿਵੇਂ ਕਿ ਆਮਦਨ, ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ।
+
+ਇਸ ਤਰ੍ਹਾਂ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ: "ਹੁਣ, ਸਾਡੇ ਐਪ ਦੀ ਰੇਟਿੰਗ ਐਪ ਸਟੋਰ ਵਿੱਚ 2.5 ਹੈ। ਐਪ ਸਟੋਰ ਵਿੱਚ ਰੇਟਿੰਗਜ਼ ਐਪ ਸਟੋਰ ਅਪਟੀਮੇਜ਼ੇਸ਼ਨ ਲਈ ਬਹੁਤ ਜਰੂਰੀ ਹਨ, ਜੋ ਇਸ ਗੱਲ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ ਕਿ ਕਿਹੜੇ ਉਪਭੋਗਤਾ ਸਾਡੇ ਐਪ ਨੂੰ ਖੋਜਦੇ ਸਮੇਂ ਵੇਖਦੇ ਹਨ ਅਤੇ ਸਾਡੇ ਐਪ ਨੂੰ ਸੰਭਾਵਿਤ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕਿਵੇਂ ਦਿਖਾਇਆ ਜਾਂਦਾ ਹੈ। ਅਤੇ ਬੇਸ਼ੱਕ, ਸਾਡੇ ਕੋਲ ਉਪਭੋਗਤਿਆਂ ਦੀ ਗਿਣਤੀ ਸਿੱਧਾ ਆਮਦਨ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੈ।"
+
+**ਟਕਰਾਅ** - ਅਮਰਸਨ ਫਿਰ 5 ਮਿੰਟ ਕਰੀਬ ਟਕਰਾਅ 'ਤੇ ਗੱਲ ਕਰ ਸਕਦਾ ਹੈ।
+
+ਇਹ ਇਹਨਾਂ ਤਰੀਕੇ ਨਾਲ ਹੋ ਸਕਦਾ ਹੈ: "ਉਪਭੋਗਤਾ ਹਫ਼ਤੇ ਦੇ ਅੰਤ ਵਿੱਚ 42% ਵੱਧ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗ ਰਿਪੋਰਟਾਂ ਭੇਜਦੇ ਹਨ। ਜਿਹੜੇ ਗਾਹਕ 48 ਘੰਟਿਆਂ ਤੋਂ ਬਾਅਦ ਆਪਣੀ ਸ਼ਿਕਾਇਤ ਦਾ ਜਵਾਬ ਨਹੀਂ ਲੈਂਦੇ, ਉਹ ਐਪ ਸਟੋਰ ਵਿੱਚ ਆਪਣੇ ਐਪ ਨੂੰ 2 ਤੋਂ ਉੱਪਰ ਦੇ ਰੇਟਿੰਗ ਦੇਣ ਦੀ ਸੰਭਾਵਨਾ 32% ਘੱਟ ਹੁੰਦੀ ਹੈ। ਸਾਡੇ ਐਪ ਦੀ ਰੇਟਿੰਗ 4 ‘ਤੇ ਲੈ ਜਾਣ ਨਾਲ ਸਾਡੇ ਨਜ਼ਰੀਅਤ ਵਿੱਚ 20-30% ਇਜ਼ਾਫਾ ਹੋਵੇਗਾ, ਜੋ ਮੈਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਆਮਦਨ ਵਿੱਚ 10% ਵਾਧਾ ਕਰੇਗਾ।" ਬੇਸ਼ੱਕ, ਅਮਰਸਨ ਨੂੰ ਇਹਨਾਂ ਅੰਕੜਿਆਂ ਨੂੰ ਸਹੀ ਠਹਿਰਾਉਣ ਲਈ ਤਿਆਰ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ।
+
+**ਚਰਮ ਬਿੰਦੂ** - ਬੁਨਿਆਦ ਰੱਖਣ ਤੋਂ ਬਾਅਦ, ਅਮਰਸਨ ਤਕਰੀਬਨ 5 ਮਿੰਟ ਲਈ ਚਰਮ ਬਿੰਦੂ 'ਤੇ ਆ ਸਕਦਾ ਹੈ।
+
+ਅਮਰਸਨ ਪ੍ਰਸਤਾਵਿਤ ਸੁਝਾਅ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਦਰਸਾ ਸਕਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਇਹ ਸੁਝਾਅ ਦਿਖਾਏ ਗਏ ਸਮੱਸਿਆਵਾਂ ਦਾ ਹੱਲ ਕਰਣਗੇ, ਇਹ ਸੁਝਾਅ ਮੌਜੂਦਾ ਕੰਮਕਾਜ ਪ੍ਰਵਾਹ ਵਿਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਇਹਨਾਂ ਦਾ ਖ਼ਰਚਾ ਕਿੰਨਾ ਹੈ, ਇਹਨਾਂ ਦੇ ਰਿਟਰਨ ਆਨ ਇਨਵੈਸਟਮੈਂਟ (ROI) ਕੀ ਹੋਣਗੇ, ਅਤੇ ਸ਼ਾਇਦ ਕੁਝ ਸਕ್ರೀਨਸ਼ਾਟ ਜਾਂ ਵਾਇਰਫ੍ਰੇਮ ਵੀ ਦਿਖਾ ਸਕਦਾ ਹੈ ਕਿ ਜੇ ਸੁਝਾਅ ਲਾਗੂ ਹੋਏ ਤਾਂ ਇਹ ਕਿਵੇਂ ਦਿੱਖਦੇ ਹਨ। ਅਮਰਸਨ ਉਹਨਾਂ ਉਪਭੋਗਤਿਆਂ ਤੋਂ ਪ੍ਰਸ਼ੰਸਾਪਤਰ ਵੀ ਸਾਂਝੇ ਕਰ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ 48 ਘੰਟੇ ਤੋਂ ਵੱਧ ਸਮੇਂ ਲਈ ਆਪਣੀ ਸ਼ਿਕਾਇਤ ਦਾ ਜਵਾਬ ਲਿਆ, ਅਤੇ ਕੰਪਨੀ ਵਿੱਚ ਮੌਜੂਦਾ ਗ੍ਰਾਹਕ ਸੇਵਾ ਪ੍ਰਤੀਨਿਧੀ ਦੀ ਟਿੱਪਣੀ ਵੀ ਜੋ ਵਰਤਮਾਨ ਟਿਕਟਿੰਗ ਪ੍ਰਣਾਲੀ 'ਤੇ ਹੈ।
+
+**ਸਮਾਪਤੀ** - ਹੁਣ ਅਮਰਸਨ 5 ਮਿੰਟ ਬਿਤਾ ਸਕਦਾ ਹੈ ਕੰਪਨੀ ਨੂੰ ਹੋ ਰਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਦੱਸਣ ਲਈ, ਪ੍ਰਸਤਾਵਿਤ ਸੁਝਾਅ ਨੂੰ ਦੁਬਾਰਾ ਵੇਖਣ ਲਈ ਅਤੇ ਸਮੀਖਿਆ ਕਰਨ ਲਈ ਕਿ ਇਹ ਸੁਝਾਅ ਕਿਉਂ ਠੀਕ ਹਨ।
+
+**ਨਿਸ਼ਕਰਸ਼** - ਕਿਉਂਕਿ ਇਹ ਕੁਝ ਹਿੱਸੇਦਾਰਾਂ ਨਾਲ ਇੱਕ ਮੀਟਿੰਗ ਹੈ ਜਿੱਥੇ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ ਵਾਪਰਦਾ ਹੈ, ਅਮਰਸਨ ਫਿਰ 10 ਮਿੰਟ ਸਵਾਲਾਂ ਲਈ ਛੱਡਣ ਦਾ ਯੋਜਨਾ ਬਣਾ ਸਕਦਾ ਹੈ ਤਾਂ ਜੋ ਟੀਮ ਮੁਖ਼ਤੂਮ ਲਈ ਕੁਝ ਵੀ ਅਸਪਸ਼ਟ ਰਹਿ ਜਾਵੇ ਤਾਂ ਮੀਟਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਉਸਨੂੰ ਸਪਸ਼ਟ ਕੀਤਾ ਜਾ ਸਕੇ।
+
+ਜੇ ਅਮਰਸਨ ਤਰੀਕਾ #2 ਲੈਂਦਾ, ਤਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਟੀਮ ਦੇ ਮੁਖ਼ਤੂਮ ਮੀਟਿੰਗ ਤੋਂ ਓਹੀ ਚੀਜ਼ ਲੈ ਕੇ ਜਾਣਗੇ ਜੋ ਅਮਰਸਨ ਉਨ੍ਹਾਂ ਨੂੰ ਲੈ ਕੇ ਜਾਣ ਦੇ ਇਰਾਦੇ ਨਾਲ ਸੀ – ਕਿ ਸ਼ਿਕਾਇਤਾਂ ਅਤੇ ਬੱਗ ਨੂੰ ਸੰਭਾਲਣ ਦਾ ਤਰੀਕਾ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਸੁਧਾਰ ਕਰਨ ਲਈ 2 ਸੁਝਾਅ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ ਤਰੀਕਾ ਡੇਟਾ ਅਤੇ ਕਹਾਣੀ ਨੂੰ ਸੰਚਾਰ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਵੇਗਾ ਜੋ ਅਮਰਸਨ ਵੇਖਾਉਣਾ ਚਾਹੁੰਦਾ ਹੈ।
+
+
+# ਨਿਸ਼ਕਰਸ਼
### ਮੁੱਖ ਬਿੰਦੂਆਂ ਦਾ ਸਾਰ
-- ਸੰਚਾਰ ਕਰਨ ਦਾ ਮਤਲਬ ਜਾਣਕਾਰੀ ਪੇਸ਼ ਕਰਨਾ ਜਾਂ ਅਦਲ-ਬਦਲ ਕਰਨਾ ਹੈ।
-- ਜਦੋਂ ਡਾਟਾ ਸੰਚਾਰ ਕਰਦੇ ਹੋ, ਤੁਹਾਡਾ ਉਦੇਸ਼ ਸਿਰਫ਼ ਨੰਬਰਾਂ ਨੂੰ ਆਪਣੇ ਦਰਸ਼ਕਾਂ ਤੱਕ ਪਹੁੰਚਾਉਣਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ। ਤੁਹਾਡਾ ਉਦੇਸ਼ ਇੱਕ ਕਹਾਣੀ ਸੰਚਾਰ ਕਰਨਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਤੁਹਾਡੇ ਡਾਟਾ ਦੁਆਰਾ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਦੀ ਹੈ।
-- ਸੰਚਾਰ ਦੇ 2 ਕਿਸਮਾਂ ਹਨ, ਇੱਕ-ਵੇ ਸੰਚਾਰ (ਜਾਣਕਾਰੀ ਸੰਚਾਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਬਿਨਾਂ ਜਵਾਬ ਦੀ ਉਮੀਦ) ਅਤੇ ਦੋ-ਵੇ ਸੰਚਾਰ (ਜਾਣਕਾਰੀ ਅੱਗੇ-ਪਿੱਛੇ ਸੰਚਾਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)।
-- ਕਹਾਣੀ ਸੁਣਾਉਣ ਲਈ ਕਈ ਰਣਨੀਤੀਆਂ ਹਨ ਜੋ ਤੁਸੀਂ ਵਰਤ ਸਕਦੇ ਹੋ, 5 ਰਣਨੀਤੀਆਂ ਜੋ ਅਸੀਂ ਗਈਆਂ ਹਨ:
- - ਆਪਣੇ ਦਰਸ਼ਕਾਂ, ਮਾਧਿਅਮ, ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ।
- - ਅੰਤ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ।
- - ਇਸਨੂੰ ਇੱਕ ਅਸਲ ਕਹਾਣੀ ਵਾਂਗ ਪੇਸ਼ ਕਰੋ।
- - ਅਰਥਪੂਰਨ ਸ਼ਬਦ ਅਤੇ ਵਾਕਾਂਸ਼ ਵਰਤੋ।
- - ਭਾਵਨਾਵਾਂ ਦਾ ਪ੍ਰਯੋਗ ਕਰੋ।
+ - ਸੰਚਾਰ ਕਰਨਾ ਸੂਚਨਾ ਨੂੰ ਭੇਜਣਾ ਜਾਂ ਬਦਲਣਾ ਹੈ।
+ - ਡੇਟਾ ਸੰਚਾਰ ਕਰਦੇ ਸਮੇਂ, ਤੁਹਾਡੇ ਦਾ ਮਕਸਦ ਸਿਰਫ ਨੰਬਰਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ, ਪਰ ਇੱਕ ਕਹਾਣੀ ਦੱਸਣੀ ਚਾਹੀਦੀ ਹੈ ਜੋ ਤੁਹਾਡੇ ਡੇਟਾ ਨਾਲ ਜੁੜੀ ਹੋਈ ਹੋਵੇ।
+ - ਦੋ ਪ੍ਰਕਾਰ ਦੇ ਸੰਚਾਰ ਹੁੰਦੇ ਹਨ, ਇਕ-ਪਾਸਾ ਸੰਚਾਰ (ਜਿੱਥੇ ਜਵਾਬ ਦੀ ਉਮੀਦ ਨਹੀਂ ਹੁੰਦੀ) ਅਤੇ ਦੋ-ਪਾਸਾ ਸੰਚਾਰ (ਜਿੱਥੇ ਸੂਚਨਾ ਅੱਗੇ-ਪਿੱਛੇ ਜਾਂਦੀ ਹੈ)।
+ - ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਰਣਨੀਤੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਕਹਾਣੀ ਬਿਆਨ ਕਰ ਸਕਦੇ ਹੋ, ਸਾਡੇ ਵੱਲੋਂ 5 ਤਕਨੀਕਾਂ ਸੀ:
+ - ਆਪਣਾ ਦਰਸ਼ਕ, ਮਾਧਿਅਮ ਅਤੇ ਸੰਚਾਰ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸਮਝੋ
+ - ਅੰਤ ਨੂੰ ਮਨ ਵਿੱਚ ਰੱਖ ਕੇ ਸ਼ੁਰੂ ਕਰੋ
+ - ਇਸਨੂੰ ਇੱਕ ਅਸਲੀ ਕਹਾਣੀ ਵਾਂਗ ਕਰਵਾਓ
+ - ਮਤਲਬ ਭਰੇ ਸ਼ਬਦ ਅਤੇ ਫਰੇਜ਼ ਵਰਤੋ
+ - ਭਾਵਨਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ
+
+### ਖੁਦ-ਅਧਿਐਨ ਲਈ ਸੁਝਾਅਤ ਸਰੋਤ
+[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/)
-### ਸਵੈ-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/)
-[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)
-[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)
-[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/)
-[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)
-[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/)
-[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/)
-[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)
-[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)
-[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/)
-[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)
-[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)
-[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)
-[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)
-[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/)
-[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)
-[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)
-[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)
-[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://ff-quizzes.netlify.app/en/ds/quiz/31)
-## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/31)
+ਹਾਲ ਦੇ ਵਿਸ਼ੇ ਨੂੰ ਆਪਣੇ ਤੌਰ 'ਤੇ ਸਿੱਖੋ ਅਤੇ ਉਪਰੋਕਤ ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਸਮੀਖਿਆ ਕਰੋ!
-ਉਪਰੋਕਤ ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼ ਨਾਲ ਜੋ ਤੁਸੀਂ ਸਿੱਖਿਆ ਹੈ ਉਸ ਦੀ ਸਮੀਖਿਆ ਕਰੋ!
-## ਅਸਾਈਨਮੈਂਟ
+## ਅਸਾਈਨਮੈਂਟ
-[ਮਾਰਕੀਟ ਰਿਸਰਚ](assignment.md)
+[Market Research](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 ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਤ 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
+
+**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।
+
\ 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
index c630b3e5..b1ef7b2a 100644
--- 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
@@ -1,233 +1,280 @@
# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ
-|![ [(@sketchthedocs)] ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
+| ](../../sketchnotes/18-DataScience-Cloud.png)|
|:---:|
-| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: ਲੋ ਕੋਡ - _[@nitya](https://twitter.com/nitya) ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ_ |
-
-ਸਮੱਗਰੀ ਦੀ ਸੂਚੀ:
-
-- [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](../../../../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 ਦੌਰੇ ਦੀ ਪੇਸ਼ਗੋਈ ਪ੍ਰੋਜੈਕਟ:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [1.3 ਦਿਲ ਦੇ ਦੌਰੇ ਦਾ ਡਾਟਾਸੈੱਟ:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [2. Azure ML Studio ਵਿੱਚ ਮਾਡਲ ਦੀ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ 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 ਕਲਸਟਰ 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 ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਦੀ ਵਰਤੋਂ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [3.1 ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [3.2 ਐਂਡਪੌਇੰਟ ਦੀ ਵਰਤੋਂ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [🚀 ਚੁਣੌਤੀ](../../../../5-Data-Science-In-Cloud/18-Low-Code)
- - [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](../../../../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)
+| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: ਲੋ ਕੋਡ - _ਸਕੇਚਨੋਟ ਦੁਆਰਾ [@nitya](https://twitter.com/nitya)_ |
+
+ਸਮਗਰੀ ਦੀ ਸੂਚੀ:
+
+- [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "ਲੋ ਕੋਡ/ਨੋ ਕੋਡ" ਤਰੀਕਾ](#ਕਲਾਉਡ-ਵਿੱਚ-ਡਾਟਾ-ਸਾਇੰਸ-ਲੋ-ਕੋਡਨੋ-ਕੋਡ-ਤਰੀਕਾ)
+ - [ਪੂਰਵ-ਲੈਕਚਰ ਕਵਿਜ਼](#ਪੂਰਵ-ਲੈਕਚਰ-ਕਵਿਜ਼)
+ - [1. ਪਰਚਿਆ](#1-ਪਰਚਿਆ)
+ - [1.1 ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੀ ਹੈ?](#11-ਐਜ਼ੂਰ-ਮਸ਼ੀਨ-ਲਰਨਿੰਗ-ਕੀ-ਹੈ)
+ - [1.2 ਹਾਰਟ ਫੇਲਿਅਰ ਪੂਰਵਾਨੁਮਾਨ ਪ੍ਰੋਜੈਕਟ:](#12-ਹਾਰਟ-ਫੇਲਿਅਰ-ਪੂਰਵਾਨੁਮਾਨ-ਪ੍ਰੋਜੈਕਟ)
+ - [1.3 ਹਾਰਟ ਫੇਲਿਅਰ ਡਾਟਾਸੈੱਟ:](#13-ਹਾਰਟ-ਫੇਲਿਅਰ-ਡਾਟਾਸੈੱਟ)
+ - [2. ਐਜ਼ੂਰ ਐਮਐਲ ਸਟੂਡੀਓ ਵਿੱਚ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ](#2-ਐਜ਼ੂਰ-ਐਮਐਲ-ਸਟੂਡੀਓ-ਵਿੱਚ-ਲੋ-ਕੋਡਨੋ-ਕੋਡ-ਮਾਡਲ-ਟ੍ਰੇਨਿੰਗ)
+ - [2.1 ਐਜ਼ੂਰ ਐਮਐਲ ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ](#21-ਐਜ਼ੂਰ-ਐਮਐਲ-ਵਰਕਸਪੇਸ-ਬਣਾਉਣਾ)
+ - [2.2 ਕਮਪਿਊਟ ਸਰੋਤ](#22-ਕਮਪਿਊਟ-ਸਰੋਤ)
+ - [2.2.1 ਆਪਣੇ ਕਮਪਿਊਟ ਸਰੋਤਾਂ ਲਈ ਸਹੀ ਵਿਕਲਪ ਚੁਣਨਾ](#221-ਆਪਣੇ-ਹਨੇਰੀ-ਸੰਸਾਧਨਾਂ-ਲਈ-ਸਹੀ-ਵਿਕਲਪ-ਚੁਣਨਾ)
+ - [2.2.2 ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣਾ](#222-ਇੱਕ-ਹਨੇਰੀ-ਕਲੱਸਟਰ-ਬਨਾਉਣਾ)
+ - [2.3 ਡਾਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ](#23-ਡਾਟਾਸੇਟ-ਲੋਡ-ਕਰਨਾ)
+ - [2.4 ਆਟੋਐਮਐਲ ਨਾਲ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਟ੍ਰੇਨਿੰਗ](#24-ਆਟੋਏਮਐਲ-ਨਾਲ-ਘੱਟ-ਕੋਡਕੋਡ-ਰਹਿਤ-ਸਿਖਿਆ)
+ - [3. ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਐਂਡਪੋਇੰਟ ਖਪਤ](#3-ਘੱਟ-ਕੋਡਕੋਡ-ਰਹਿਤ-ਮਾਡਲ-ਤਾਇਨਾਤੀ-ਅਤੇ-ਏਂਡਪੋਇੰਟ-ਦਾ-ਉਪਭੋਗ)
+ - [3.1 ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ](#31-ਮਾਡਲ-ਦੀ-ਤਾਇਨਾਤੀ)
+ - [3.2 ਐਂਡਪੋਇੰਟ ਖਪਤ](#32-ਏਂਡਪੋਇੰਟ-ਦਾ-ਉਪਭੋਗ)
+ - [🚀 ਚੈਲੰਜ](#-challenge)
+ - [ਪੋਸਟ-ਲੈਕਚਰ ਕੁਇਜ਼](#ਪোਸਟ-ਲੇਕਚਰ-ਕੁਇਜ਼)
+ - [ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ](#review--self-study)
+ - [ਅਸਾਈਨਮੈਂਟ](#ਅਸਾਈਨਮੈਂਟ)
-## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/34)
+## [ਪੂਰਵ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/34)
-## 1. ਪਰਿਚਯ
-### 1.1 Azure Machine Learning ਕੀ ਹੈ?
+## 1. ਪਰਚਿਆ
+### 1.1 ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੀ ਹੈ?
-Azure ਕਲਾਉਡ ਪਲੇਟਫਾਰਮ 200 ਤੋਂ ਵੱਧ ਉਤਪਾਦਾਂ ਅਤੇ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦਾ ਸਮੂਹ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਨਵੀਆਂ ਹੱਲਾਂ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
-ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਦੀ ਖੋਜ ਅਤੇ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਸਹੀ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲ-ਟ੍ਰੇਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਿੱਚ ਕਾਫ਼ੀ ਸਮਾਂ ਲਗਾਉਂਦੇ ਹਨ। ਇਹ ਕੰਮ ਸਮਾਂ-ਖਪਤ ਵਾਲੇ ਹਨ ਅਤੇ ਅਕਸਰ ਮਹਿੰਗੇ ਕੰਪਿਊਟ ਹਾਰਡਵੇਅਰ ਦੀ ਅਸਮਰਥ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।
+ਐਜ਼ੂਰ ਕਲਾਉਡ ਪਲੇਟਫਾਰਮ 200 ਤੋਂ ਵੱਧ ਉਤਪਾਦ ਅਤੇ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਨਵੇਂ ਹੱਲ ਲਿਆਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਡਿਜ਼ਾਇਨ ਕੀਤਾ ਗਿਆ ਹੈ।
+ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਦੀ ਖੋਜ ਅਤੇ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਕਾਫੀ ਮਿਹਨਤ ਲਗਾਉਂਦੇ ਹਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਅਲਗੋਰਿਦਮਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਸਹੀ ਮਾਡਲ ਤਿਆਰ ਹੋ ਸਕੇ। ਇਹ ਕਾਰਜ ਸਮੇਂ-ਵਿਆਪਕ ਹੁੰਦੇ ਹਨ ਅਤੇ ਅਕਸਰ ਮਹਿੰਗੀ ਕਮਪਿਊਟ ਹਾਰਡਵੇਅਰ ਦੀ ਅਸਮਰਥਤ ਵਰਤੋਂ ਹੁੰਦੀ ਹੈ।
-[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) Azure ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲਾਂ ਬਣਾਉਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਇੱਕ ਕਲਾਉਡ-ਅਧਾਰਤ ਪਲੇਟਫਾਰਮ ਹੈ। ਇਸ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਡਾਟਾ ਤਿਆਰ ਕਰਨ, ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ, ਪੇਸ਼ਗੋਈ ਸੇਵਾਵਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਵਿਸ਼ਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਨਾਲ ਜੁੜੇ ਕਈ ਸਮਾਂ-ਖਪਤ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ; ਅਤੇ ਇਹ ਉਨ੍ਹਾਂ ਨੂੰ ਕਲਾਉਡ-ਅਧਾਰਤ ਕੰਪਿਊਟ ਰਿਸੋਰਸਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਵੱਡੇ ਡਾਟਾ ਦੀ ਸੰਖਿਆ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਸਕੇਲ ਕਰਦੇ ਹਨ, ਅਤੇ ਸਿਰਫ਼ ਵਰਤੋਂ ਦੇ ਸਮੇਂ ਹੀ ਖਰਚ ਹੁੰਦੇ ਹਨ।
+[ਐਜ਼ੂਰ ਐਮਐਲ](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਇੱਕ ਕਲਾਉਡ-ਅਧਾਰਤ ਪਲੇਟਫਾਰਮ ਹੈ ਜੋ ਐਜ਼ੂਰ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੱਲ ਬਣਾਉਣ ਅਤੇ ਚਲਾਉਣ ਲਈ ਹੈ। ਇਸ ਵਿੱਚ ਵਿਸ਼ਾਲ ਪੈਮਾਨੇ ਤੇ ਖਾਸੀਅਤਾਂ ਅਤੇ ਯੋਗਤਾਂ ਹਨ ਜੋ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਡਾਟਾ ਤਿਆਰ ਕਰਨ, ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ, ਭਵਿੱਖਵਾਣੀ ਸੇਵਾਵਾਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਇਹ ਸਮੇਂ ਲੈਣ ਵਾਲੇ ਟਾਸਕਾਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰਕੇ ਉਨ੍ਹਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਧਾਉਂਦਾ ਹੈ; ਅਤੇ ਇਹ ਉਨ੍ਹਾਂ ਨੂੰ ਕਲਾਉਡ ਅਧਾਰਤ ਕਮਪਿਊਟ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਸਫਲਤਾਪੂਰਵਕ ਪੈਮਾਨਾ ਕਰਦੇ ਹਨ, ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਸੰਭਾਲਦੇ ਹੋਏ, ਜਦੋਂ ਦੀ ਲੋੜ ਹੋਵੇ ਤਦ ਕੋਸਟੋ ਹੀ ਲਗਦੇ ਹਨ।
-Azure ML ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਫਲੋਜ਼ ਲਈ ਸਾਰੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
+ਐਜ਼ੂਰ ਐਮਐਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਜ਼ਰੂਰੀ ਸਾਰੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਡਿਵੈਲਪਰ ਅਤੇ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਨੂੰ ਆਪਣੇ ਕਾਰਜ ਪ੍ਰਬੰਧਨ ਲਈ ਚਾਹੀਦੇ ਹੁੰਦੇ ਹਨ। ਇਹ ਸ਼ਾਮਲ ਹਨ:
-- **Azure Machine Learning Studio**: ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ, ਡਿਪਲੌਇਮੈਂਟ, ਆਟੋਮੇਸ਼ਨ, ਟ੍ਰੈਕਿੰਗ ਅਤੇ ਐਸੈਟ ਮੈਨੇਜਮੈਂਟ ਲਈ ਲੋ-ਕੋਡ ਅਤੇ ਨੋ-ਕੋਡ ਵਿਕਲਪਾਂ ਲਈ ਇੱਕ ਵੈੱਬ ਪੋਰਟਲ। ਇਹ ਸਟੂਡੀਓ Azure Machine Learning SDK ਨਾਲ ਇੱਕ ਸਹੀ ਅਨੁਭਵ ਲਈ ਇੰਟਿਗ੍ਰੇਟ ਕਰਦਾ ਹੈ।
-- **Jupyter Notebooks**: ML ਮਾਡਲਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰੋਟੋਟਾਈਪ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ।
-- **Azure Machine Learning Designer**: ਮਾਡਿਊਲਾਂ ਨੂੰ ਡ੍ਰੈਗ-ਐਂਡ-ਡ੍ਰੌਪ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਪ੍ਰਯੋਗ ਬਣਾਏ ਜਾ ਸਕਣ ਅਤੇ ਫਿਰ ਲੋ-ਕੋਡ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪਾਈਪਲਾਈਨ ਡਿਪਲੌਇ ਕੀਤੇ ਜਾ ਸਕਣ।
-- **Automated machine learning UI (AutoML)**: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ML ਮਾਡਲਾਂ ਨੂੰ ਵੱਡੇ ਪੈਮਾਨੇ, ਕੁਸ਼ਲਤਾ ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ, ਸਾਰੇ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ।
-- **Data Labelling**: ਡਾਟਾ ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਲੇਬਲ ਕਰਨ ਲਈ ਇੱਕ ਸਹਾਇਕ ML ਟੂਲ।
-- **Machine learning extension for Visual Studio Code**: 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 ਰਿਸੋਰਸਾਂ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਕਮਾਂਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
-- **ਖੁੱਲ੍ਹੇ-ਸਰੋਤ ਫਰੇਮਵਰਕਾਂ ਨਾਲ ਇੰਟਿਗ੍ਰੇਸ਼ਨ** 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 ਘਟਕ ਹੈ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨਿੰਗ ਰਨ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਮਾਡਲ ਆਰਟੀਫੈਕਟਾਂ ਨੂੰ ਲੌਗ ਅਤੇ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਤੁਹਾਡੇ ਪ੍ਰਯੋਗ ਦਾ ਵਾਤਾਵਰਣ ਜੋ ਵੀ ਹੋਵੇ।
+- **ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟੂਡੀਓ**: ਇਹ ਐਜ਼ੂਰ ਵਾਲਾ ਇੱਕ ਵੈੱਬ ਪੋਰਟਲ ਹੈ ਜੋ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ, ਡਿਪਲੌਇਮੈਂਟ, ਆਟੋਮੈਸ਼ਨ, ਟ੍ਰੈਕਿੰਗ ਅਤੇ ਐਸੈੱਟ ਪ੍ਰਬੰਧਨ ਲਈ ਲੋ-ਕੋਡ ਅਤੇ ਨੋ-ਕੋਡ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸਟੂਡੀਓ ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ SDK ਨਾਲ ਜੁੜਦਾ ਹੈ ਜੋ ਇੱਕ ਸੁਚੱਜਾ ਅਨੁਭਵ ਦਿੰਦਾ ਹੈ।
+- **ਜੁਪਾਇਟਰ ਨੋਟਬੁੱਕਸ**: ਤੁਰੰਤ ਮਾਡਲਾਂ ਦਾ ਪ੍ਰੋਟੋਟਾਈਪ ਬਣਾਉਣਾ ਅਤੇ ਟੈਸਟ ਕਰਨਾ।
+- **ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਡਿਜ਼ਾਈਨਰ**: ਮਾਡਿਊਲ ਖਿੱਚ ਕੇ ਤੀਜਾੜਾ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ ਅਤੇ ਫਿਰ ਪਾਈਪਲਾਈਨ ਨੂੰ ਲੋ-ਕੋਡ ਵਾਤਾਵਰਣ ਵਿੱਚ ਡਿਪਲੌਇ ਕਰਦਾ ਹੈ।
+- **ਆਟੋਮੈਟਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਯੂਆਈ (AutoML)** : ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਦਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮ ਆਟੋਮੇਟ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ML ਮਾਡਲ ਉੱਚ ਪੈਮਾਨੇ, ਦੱਖਲ ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ, ਤੇ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਨ।
+- **ਡਾਟਾ ਲੇਬਲਿੰਗ**: ਡਾਟਾ ਨੂੰ ਆਟੋਮੈਟਿਕ ਤੌਰ ਤੇ ਲੇਬਲ ਕਰਨ ਲਈ ਸਹਾਇਕ ਐਮਐਲ ਟੂਲ।
+- **ਵਿਜੁਅਲ ਸਟੂਡੀਓ ਕੋਡ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਾਧੂਕ (extension)**: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਬਣਤਰ ਅਤੇ ਪ੍ਰਬੰਧਨ ਲਈ ਪੂਰਨ-ਫੀਚਰ ਵਾਲਾ ਵਿਕਾਸ ਵਾਤਾਵਰਣ।
+- **ਮਸ਼ੀਨ ਲਰਨਿੰਗ CLI**: ਕਮਾਂਡ ਲਾਈਨ ਤੋਂ ਐਜ਼ੂਰ ਐਮਐਲ ਸਰੋਤਾਂ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਕਮਾਂਡਜ਼ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+- **ਖੁੱਲ੍ਹੇ ਸਰੋਤ ਫ੍ਰੇਮਵਰਕ ਨਾਲ ਇੰਟਿਗ੍ਰੇਸ਼ਨ** ਜਿਵੇਂ ਕਿ PyTorch, TensorFlow, Scikit-learn ਆਦਿ ਜੋ ਟ੍ਰੇਨਿੰਗ, ਡਿਪਲੌਇਮੈਂਟ ਅਤੇ ਐਮਐਲ ਪ੍ਰਕਿਰਿਆ ਦੇ ਪੂਰੇ ਚੱਕਰ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੇ ਹਨ।
+- **MLflow**: ਇਹ ਤੁਹਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਦੇ ਲਾਈਫ ਸਾਈਕਲ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਖੁੱਲ੍ਹਾ ਸਰੋਤ ਲਾਇਬ੍ਰੇਰੀ ਹੈ। **MLFlow ਟ੍ਰੈਕਿੰਗ** ਇੱਕ ਐਸਾ ਘਟਕ ਹੈ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨਿੰਗ ਰਨ ਮੈਟਰਿਕਸ ਅਤੇ ਮਾਡਲ ਆਰਟੀਫੈਕਟ ਨੂੰ ਲਾਗ ਅਤੇ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਤੁਹਾਡਾ ਪ੍ਰਯੋਗ ਕਿਸੇ ਵੀ ਵਾਤਾਵਰਣ ਵਿੱਚ ਹੋਵੇ।
-### 1.2 ਦਿਲ ਦੇ ਦੌਰੇ ਦੀ ਪੇਸ਼ਗੋਈ ਪ੍ਰੋਜੈਕਟ:
+### 1.2 ਹਾਰਟ ਫੇਲਿਅਰ ਪੂਰਵਾਨੁਮਾਨ ਪ੍ਰੋਜੈਕਟ:
-ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣਾ ਅਤੇ ਉਸ ਨੂੰ ਬਣਾਉਣਾ ਤੁਹਾਡੇ ਹੁਨਰ ਅਤੇ ਗਿਆਨ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਦਿਲ ਦੇ ਦੌਰੇ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਵਾਲੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬਣਾਉਣ ਦੇ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਖੋਜਣ ਜਾ ਰਹੇ ਹਾਂ: Azure ML Studio ਵਿੱਚ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਅਤੇ Azure ML SDK ਦੁਆਰਾ, ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ ਸਕੀਮਾ ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ:
+ਇਸ ਗੱਲ ਵਿੱਚ ਕੋਈ ਸੰਦਰਹ ਨਹੀਂ ਕਿ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣਾ ਅਤੇ ਬਣਾਉਣਾ ਤੁਹਾਡੇ ਕੌਸ਼ਲਾਂ ਅਤੇ ਗਿਆਨ ਨੂੰ ਪਰਖਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ Azure ML ਸਟੂਡੀਓ ਵਿੱਚ ਹਾਰਟ ਫੇਲਿਅਰ ਹਮਲਿਆਂ ਦੇ ਪੂਰਵਾਨੁਮਾਨ ਲਈ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ ਬਣਾਉਣ ਦੀ ਖੋਜ ਕਰਾਂਗੇ, ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਜ਼ਰੀਏ ਅਤੇ Azure ML SDK ਰਾਹੀਂ ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ ਸਕੀਮაში ਦਰਸਾਇਆ ਗਿਆ ਹੈ:
-
+
-ਹਰ ਤਰੀਕੇ ਦੇ ਆਪਣੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨ ਹਨ। ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਤਰੀਕਾ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਆਸਾਨ ਹੈ ਕਿਉਂਕਿ ਇਸ ਵਿੱਚ GUI (ਗ੍ਰਾਫਿਕਲ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ) ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਲਈ ਕੋਡ ਦਾ ਕੋਈ ਪੂਰਵ-ਗਿਆਨ ਨਹੀਂ ਚਾਹੀਦਾ। ਇਹ ਤਰੀਕਾ ਪ੍ਰੋਜੈਕਟ ਦੀ ਯੋਗਤਾ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਕਰਨ ਅਤੇ POC (ਪ੍ਰੂਫ ਆਫ ਕਾਨਸੈਪਟ) ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਜਦੋਂ ਪ੍ਰੋਜੈਕਟ ਵਧਦਾ ਹੈ ਅਤੇ ਚੀਜ਼ਾਂ ਨੂੰ ਉਤਪਾਦਨ ਲਈ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ GUI ਦੁਆਰਾ ਰਿਸੋਰਸ ਬਣਾਉਣਾ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ। ਸਾਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਰਾਹੀਂ ਸਾਰਾ ਕੁਝ ਆਟੋਮੈਟਿਕ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਰਿਸੋਰਸ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ ਮਾਡਲ ਡਿਪਲੌਇਮੈਂਟ ਤੱਕ। ਇਹ ਜਿੱਥੇ Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਗਿਆਨ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ।
+ਹਰ ਤਰੀਕਾ ਦੇ ਆਪਣੇ ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨ ਹਨ। ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਤਰੀਕਾ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਆਸਾਨ ਹੈ ਕਿਉਂਕਿ ਇਹ GUI (ਗ੍ਰਾਫਿਕਲ ਯੂਜ਼ਰ ਇੰਟਰਫੇਸ) ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ ਅਤੇ ਕੋਡ ਦੀ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਦੀ ਲੋੜ ਨਹੀਂ। ਇਹ ਤਰੀਕਾ ਪ੍ਰੋਜੈਕਟ ਦੀ ਜ਼ਿੰਦੇदਿਲੀ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਟੈਸਟ ਕਰਨ ਅਤੇ POC (ਪ੍ਰੂਫ਼ ਆਫ਼ ਕਾਂਸੈਪਟ) ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਪਰ, ਜਿਵੇਂ ਜਿਵੇਂ ਪ੍ਰੋਜੈਕਟ ਵੱਧਦਾ ਹੈ ਅਤੇ ਉਤਪਾਦਨ ਲਈ ਤਿਆਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਤਾਂ GUI ਰਾਹੀਂ ਸਰੋਤ ਬਣਾਉਣਾ ਸੰਭਵ ਨਹੀਂ ਰਹਿੰਦਾ। ਸਾਨੂੰ ਸਭ ਕੁਝ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਦੁਆਰਾ ਆਟੋਮੇਟ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਸਰੋਤਾਂ ਦੇ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ ਮਾਡਲ ਦੇ ਡਿਪਲੌਇਮੈਂਟ ਤਕ। ਇਹੀ ਵਕਤ ਹੈ ਜਦੋਂ Azure ML SDK ਦੀ ਜਾਣਕਾਰੀ ਅਹਿਮ ਬਣਦੀ ਹੈ।
-| | ਲੋ ਕੋਡ/ਨੋ ਕੋਡ | Azure ML SDK |
+| | ਲੋ ਕੋਡ/ਨੋ ਕੋਡ | ਐਜ਼ੂਰ ਐਮਐਲ SDK |
|-------------------|------------------|---------------------------|
-| ਕੋਡ ਵਿੱਚ ਮਾਹਰਤਾ | ਲੋੜੀਂ ਨਹੀਂ | ਲੋੜੀਂ ਹੈ |
-| ਵਿਕਾਸ ਲਈ ਸਮਾਂ | ਤੇਜ਼ ਅਤੇ ਆਸਾਨ | ਕੋਡ ਮਾਹਰਤਾ 'ਤੇ ਨਿਰਭਰ |
-| ਉਤਪਾਦਨ ਲਈ ਤਿਆਰ | ਨਹੀਂ | ਹਾਂ |
+| ਕੋਡ ਵਿੱਚ ਮਹਾਰਤ | ਲੋੜੀਂਦੀ ਨਹੀਂ | ਲੋੜੀਂਦੀ ਹੈ |
+| ਵਿਕਾਸ ਦਾ ਸਮਾਂ | ਤੇਜ਼ ਅਤੇ ਆਸਾਨ | ਕੋਡ ਹۀੰਦਰਾ ਅਨੁਸਾਰ ਵੱਖਰਾ |
+| ਉਤਪਾਦਨ ਲਈ ਤਿਆਰ | ਨਹੀਂ | ਹਾਂ |
-### 1.3 ਦਿਲ ਦੇ ਦੌਰੇ ਦਾ ਡਾਟਾਸੈੱਟ:
+### 1.3 ਹਾਰਟ ਫੇਲਿਅਰ ਡਾਟਾਸੈੱਟ:
-ਕਾਰਡੀਓਵੈਸਕੁਲਰ ਬਿਮਾਰੀਆਂ (CVDs) ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਮੌਤ ਦਾ ਨੰਬਰ 1 ਕਾਰਨ ਹਨ, ਜੋ ਦੁਨੀਆ ਭਰ ਵਿੱਚ 31% ਮੌਤਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹਨ। ਤੰਤਰਕ ਅਤੇ ਵਿਹਾਰਕ ਖਤਰੇ ਦੇ ਕਾਰਕ ਜਿਵੇਂ ਕਿ ਤਮਾਕੂ ਦੀ ਵਰਤੋਂ, ਅਣਹੈਲਥੀ ਡਾਇਟ ਅਤੇ ਮੋਟਾਪਾ, ਸ਼ਾਰਿਰਕ ਗਤੀਵਿਧੀ ਦੀ ਘਾਟ ਅਤੇ ਸ਼ਰਾਬ ਦੀ ਹਾਨਿਕਾਰਕ ਵਰਤੋਂ 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 ਦੌਰਿਆਂ ਨੂੰ ਰੋਕਣ ਲਈ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ।
+ਕਾਰਡੀਓਵੈਸਕੁਲਰ ਬਿਮਾਰੀਆਂ (CVDs) ਦੁਨੀਆ ਭਰ ਵਿੱਚ ਮੌਤਾਂ ਦਾ ਨੰਬਰ 1 ਕਾਰਨ ਹਨ, ਜੋ ਕਿ ਕੁੱਲ ਮੌਤਾਂ ਦਾ 31% ਹੈ। ਐਸੇ ਵਾਤਾਵਰਨੀ ਅਤੇ ਵਰਤੋਂ ਵਾਲੇ ਖਤਰੇ ਜਿਵੇਂ ਤਮਾਕੂ ਸੇਵਨ, ਅਣਸਿਹਤਮੰਦ ਖੁਰਾਕ ਅਤੇ ਮੋਟਾਪਾ, ਸ਼ਾਰੀਰਕ ਅਚਲਤਾ ਅਤੇ ਸ਼ਰਾਬ ਦਾ ਨੁਕਸਾਨਦਾਇਕ ਉਪਯੋਗ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਾਲੇ ਮਾਡਲਾਂ ਲਈ ਫੀਚਰ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ। CVD ਦੇ ਵਿਕਾਸ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਉੱਚ ਖਤਰੇ ਵਾਲੇ ਲੋਕਾਂ ਵਿੱਚ ਹਮਲਿਆਂ ਨੂੰ ਰੋਕਣ ਲਈ ਬਹੁਤ ਮਦਦਗਾਰ ਹੋ ਸਕਦਾ ਹੈ।
-Kaggle ਨੇ ਇੱਕ [ਦਿਲ ਦੇ ਦੌਰੇ ਦਾ ਡਾਟਾਸੈੱਟ](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਕੀਤਾ ਹੈ, ਜਿਸ ਨੂੰ ਅਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਵਰਤਣ ਜਾ ਰਹੇ ਹਾਂ। ਤੁਸੀਂ ਹੁਣ ਡਾਟਾਸੈੱਟ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਇੱਕ ਟੇਬੂਲਰ ਡਾਟਾਸੈੱਟ ਹੈ ਜਿਸ ਵਿੱਚ 13 ਕਾਲਮ (12 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ 1 ਟਾਰਗਟ ਵੈਰੀਏਬਲ) ਅਤੇ 299 ਪੰਕਤੀਆਂ ਹਨ।
+Kaggle ਨੇ ਇੱਕ [ਹਾਰਟ ਫੇਲਿਅਰ ਡਾਟਾਸੈੱਟ](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ਸਾਰਵਜਨਿਕ 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 ਫੀਚਰ ਅਤੇ 1 ਲਕੜੀ ਵੈਰੀਏਬਲ) ਅਤੇ 299 ਕਤਾਰਾਂ ਹਨ।
-| | ਵੈਰੀਏਬਲ ਦਾ ਨਾਮ | ਕਿਸਮ | ਵੇਰਵਾ | ਉਦਾਹਰਨ |
-|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
-| 1 | ਉਮਰ | ਸੰਖਿਆਤਮਕ | ਮਰੀਜ਼ ਦੀ ਉਮਰ | 25 |
-| 2 | ਅਨੀਮੀਆ | ਬੂਲੀਅਨ | ਲਾਲ ਖੂਨ ਦੇ ਸੈਲਾਂ ਜਾਂ ਹਿਮੋਗਲੋਬਿਨ ਦੀ ਘਾਟ | 0 ਜਾਂ 1 |
-| 3 | creatinine_phosphokinase | ਸੰਖਿਆਤਮਕ | ਖੂਨ ਵਿੱਚ CPK ਐਂਜ਼ਾਈਮ ਦੀ ਪੱਧਰ | 542 |
-| 4 | ਡਾਇਬਟੀਜ਼ | ਬੂਲੀਅਨ | ਜੇ ਮਰੀਜ਼ ਨੂੰ ਡਾਇਬਟੀਜ਼ ਹੈ | 0 ਜਾਂ 1 |
-| 5 | ejection_fraction | ਸੰਖਿਆਤਮਕ | ਹਰ ਸੰਕੋਚਨ 'ਤੇ ਦਿਲ ਤੋਂ ਨਿਕਲਣ ਵਾਲੇ ਖੂਨ ਦੀ ਪ੍ਰਤੀਸ਼ਤ | 45 |
-| 6 | high_blood_pressure | ਬੂਲੀਅਨ | ਜੇ ਮਰੀਜ਼ ਨੂੰ ਹਾਈਪਰਟੈਂਸ਼ਨ ਹੈ | 0 ਜਾਂ 1 |
-| 7 | platelets | ਸੰਖਿਆਤਮਕ | ਖੂਨ ਵਿੱਚ ਪਲੇਟਲੈਟਸ | 149000 |
-| 8 | serum_creatinine | ਸੰਖਿਆਤਮਕ | ਖੂਨ ਵਿੱਚ ਸਿਰਮ ਕ੍ਰੀਏਟਿਨਾਈਨ ਦੀ ਪੱਧਰ | 0.5 |
-| 9 | serum_sodium | ਸੰਖਿਆਤਮਕ | ਖੂਨ ਵਿੱਚ ਸਿਰਮ ਸੋਡੀਅਮ ਦੀ ਪੱਧਰ | jun |
-| 10 | ਲਿੰਗ | ਬੂਲੀਅਨ | ਔਰਤ ਜਾਂ ਮਰਦ | 0 ਜਾਂ 1 |
-| 11 | ਧੂਮਰਪਾਨ | ਬੂਲੀਅਨ | ਜੇ ਮਰੀਜ਼ ਧੂਮਰਪਾਨ ਕਰਦਾ ਹੈ | 0 ਜਾਂ 1 |
-| 12 | ਸਮਾਂ | ਸੰਖਿਆਤਮਕ | ਫਾਲੋਅਪ ਅਵਧੀ (ਦਿਨ) | 4 |
-|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
-| 21 | DEATH_EVENT [Target] | ਬੂਲੀਅਨ | ਜੇ ਮਰੀਜ਼ ਫਾਲੋਅਪ ਅਵਧੀ ਦੌਰਾਨ ਮਰਦਾ ਹੈ | 0 ਜਾਂ 1 |
+| | ਵੈਰੀਏਬਲ ਨਾਮ | ਪ੍ਰਕਾਰ | ਵੇਰਵਾ | ਉਦਾਹਰਨ |
+|----|---------------------------|-----------------|----------------------------------------------------------|------------------|
+| 1 | ਉਮਰ | ਸਖਤੀਕ | ਮਰੀਜ਼ ਦੀ ਉਮਰ | 25 |
+| 2 | ਐਨੀਮੀਆ | ਬੂਲੀਅਨ | ਲਹੂ ਦੇ ਲਾਲ ਕੋਸ਼ਿਕਾਂ ਜਾਂ ਹੀਮੋਗਲੋਬਿਨ ਘਟਨਾ | 0 ਜਾਂ 1 |
+| 3 | ਕ੍ਰੀਏਟਿਨਾਈਨ_ਫਾਸੋਕਾਈਨੇਜ਼ | ਸਖਤੀਕ | ਲਹੂ ਵਿੱਚ CPK ਐਂਜ਼ਾਈਮ ਦੀ ਮਾਤਰਾ | 542 |
+| 4 | ਡਾਇਬਟੀਜ਼ | ਬੂਲੀਅਨ | ਮਰੀਜ਼ ਨੂੰ ਡਾਇਬਟੀਜ਼ ਹੈ ਜਾਂ ਨਹੀਂ | 0 ਜਾਂ 1 |
+| 5 | ਇਜੈਕਸ਼ਨ ਫਰੇਕਸ਼ਨ | ਸਖਤੀਕ | ਹਰ ਸੰਜੋੜ 'ਤੇ ਦਿਲ ਤੋਂ ਲਹੂ ਦੀ ਪ੍ਰਤੀਸ਼ਤ | 45 |
+| 6 | ਉੱਚ ਰਕਤ ਦਬਾਅ | ਬੂਲੀਅਨ | ਮਰੀਜ਼ ਨੂੰ ਹਾਈਪਰਟੈਨਸ਼ਨ ਹੈ ਜਾਂ ਨਹੀਂ | 0 ਜਾਂ 1 |
+| 7 | ਪਲੇਟਲੈਟ | ਸਖਤੀਕ | ਲਹੂ ਵਿੱਚ ਪਲੇਟਲੈਟ | 149000 |
+| 8 | ਸੀਰਮ ਕ੍ਰੀਏਟਿਨਾਈਨ | ਸਖਤੀਕ | ਲਹੂ ਵਿੱਚ ਸੀਰਮ ਕ੍ਰੀਏਟਿਨਾਈਨ ਦੀ ਮਾਤਰਾ | 0.5 |
+| 9 | ਸੀਰਮ ਸੋਡੀਅਮ | ਸਖਤੀਕ | ਲਹੂ ਵਿੱਚ ਸੀਰਮ ਸੋਡੀਅਮ ਦੀ ਮਾਤਰਾ | ਜੂਨ |
+| 10 | ਲਿੰਗ | ਬੂਲੀਅਨ | ਔਰਤ ਜਾਂ ਮਰਦ | 0 ਜਾਂ 1 |
+| 11 | ਧੂਮਪਾਨ | ਬੂਲੀਅਨ | ਮਰੀਜ਼ ਧੂਮਪਾਨ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ | 0 ਜਾਂ 1 |
+| 12 | ਸਮਾਂ | ਸਖਤੀਕ | ਫਾਲੋਅਪ ਮਿਆਦ (ਦਿਨ) | 4 |
+|----|---------------------------|-----------------|----------------------------------------------------------|------------------|
+| 21 | DEATH_EVENT [ਟਾਰਗੇਟ] | ਬੂਲੀਅਨ | ਜੇ ਮਰੀਜ਼ ਫਾਲੋਅਪ ਦੌਰਾਨ ਮਰ ਜਾਂਦਾ ਹੈ | 0 ਜਾਂ 1 |
-ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਡਾਟਾਸੈੱਟ ਹੋਵੇ, ਅਸੀਂ Azure ਵਿੱਚ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+ਜਿਵੇਂ ਹੀ ਤੁਹਾਡੇ ਕੋਲ ਡਾਟਾਸੈੱਟ ਹੋਵੇ, ਅਸੀਂ ਐਜ਼ੂਰ ਵਿੱਚ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
-## 2. Azure ML Studio ਵਿੱਚ ਮਾਡਲ ਦੀ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਟ੍ਰੇਨਿੰਗ
-### 2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
-Azure ML ਵਿੱਚ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ। ਵਰਕਸਪੇਸ Azure Machine Learning ਲਈ ਸਿਖਰ-ਪੱਧਰ ਦਾ ਸਰੋਤ 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 ਹੈ। ਤੁਸੀਂ ਇਹ ਜਾਣਕਾਰੀ ਇਸ ਗੱਲ ਦਾ ਨਿਰਧਾਰਨ ਕਰਨ ਲਈ ਵਰਤਦੇ 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)
+## 2. ਐਜ਼ੂਰ ਐਮਐਲ ਸਟੂਡੀਓ ਵਿੱਚ ਲੋ ਕੋਡ/ਨੋ ਕੋਡ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ
+### 2.1 ਐਜ਼ੂਰ ਐਮਐਲ ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
+ਐਜ਼ੂਰ ਐਮਐਲ ਵਿੱਚ ਮਾਡਲ ਟ੍ਰੇਂ ਕਰਨ ਲਈ ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ ਇਕ ਐਜ਼ੂਰ ਐਮਐਲ ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ ਪੈਂਦਾ ਹੈ। ਵਰਕਸਪੇਸ ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲਈ ਸਿਖਰ-ਪੱਧਰੀ ਸਰੋਤ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਉਹ ਸਾਰੇ ਆਰਟੀਫੈਕਟਸ ਇਕੱਠੇ ਕੰਟਰੋਲ ਕਰਨ ਲਈ ਕੇਂਦਰੀ ਸਥਾਨ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਤਦੇ ਹੋਏ ਬਣਾਉਂਦੇ ਹੋ। ਵਰਕਸਪੇਸ ਸਾਰੇ ਟ੍ਰੇਨਿੰਗ ਦੌੜਾਂ ਦਾ ਇਤਿਹਾਸ ਰੱਖਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਲੌਗ, ਮੈਟਰਿਕਸ, ਆਉਟਪੁੱਟ ਅਤੇ ਤੁਹਾਡੇ ਸਕ੍ਰਿਪਟਸ ਦਾ ਸਨੈਪਸ਼ੌਟ ਸ਼ਾਮਿਲ ਹੈ। ਤੁਸੀਂ ਇਹ ਜਾਣਕਾਰੀ ਵਰਤ ਕੇ ਪਤਾ ਲਗਾਉਂਦੇ ਹੋ ਕਿ ਕਿਹੜੀ ਟ੍ਰੇਨਿੰਗ ਦੌੜ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਤੈਅਰ ਕਰਦੀ 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 ਆਪਣੇ ਆਪਰੇਟਿੰਗ ਸਿਸਟਮ ਨਾਲ ਅਨੁਕੂਲ ਸਭ ਤੋਂ ਅੱਪ-ਟੂ-ਡੇਟ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਹੇਠਾਂ ਦਿੱਤੇ ਬ੍ਰਾਊਜ਼ਰ ਸਹਾਇਕ ਹਨ:
+ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਤੁਹਾਡੇ ਆਪਰੇਟਿੰਗ ਸਿਸਟਮ ਨਾਲ ਸੰਗਤ ਨਾਲ ਸਭ ਤੋਂ ਅਪ-ਟੂ-ਡੇਟ ਬ੍ਰਾਊਜ਼ਰ ਵਰਤੋਂ। ਹੇਠਾਂ ਦਿੱਤੇ ਬ੍ਰਾਊਜ਼ਰ ਸਹਾਇਤ ਪ੍ਰਾਪਤ ਹਨ:
-- Microsoft Edge (ਨਵਾਂ Microsoft Edge, ਤਾਜ਼ਾ ਵਰਜਨ। Microsoft Edge ਲੈਗੇਸੀ ਨਹੀਂ)
-- Safari (ਤਾਜ਼ਾ ਵਰਜਨ, ਸਿਰਫ਼ Mac)
-- Chrome (ਤਾਜ਼ਾ ਵਰਜਨ)
-- Firefox (ਤਾਜ਼ਾ ਵਰਜਨ)
+- ਮਾਈਕਰੋਸਾਫ਼ਟ ਐਜ (ਨਵਾਂ ਮਾਈਕਰੋਸਾਫ਼ਟ ਐਜ, ਸਭ ਤੋਂ ਨਵਾਂ ਵਰਜਨ। Microsoft Edge ਲੈਗਸੀ ਨਹੀਂ)
+- ਸਫਾਰੀ (ਸਿਰਫ ਮੈਕ ਲਈ, ਸਭ ਤੋਂ ਨਵਾਂ ਵਰਜਨ)
+- ਕ੍ਰੋਮ (ਸਭ ਤੋਂ ਨਵਾਂ ਵਰਜਨ)
+- ਫਾਇਰਫਾਕਸ (ਸਭ ਤੋਂ ਨਵਾਂ ਵਰਜਨ)
-Azure Machine Learning ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ, ਆਪਣੇ Azure ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਇੱਕ ਵਰਕਸਪੇਸ
-- **ਜੁੜੇ ਹੋਏ ਕੰਪਿਊਟ**: ਮੌਜੂਦਾ Azure ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਨਾਲ ਲਿੰਕ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ Virtual Machines ਜਾਂ Azure Databricks ਕਲੱਸਟਰ।
+ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਤਣ ਲਈ, ਆਪਣੀ ਐਜ਼ੂਰ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਵਰਕਸਪੇਸ ਬਣਾਓ। ਤੁਸੀਂ ਫਿਰ ਇਸ ਵਰਕਸਪੇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ, ਕਮਪਿਊਟ ਸਰੋਤ, ਕੋਡ, ਮਾਡਲ ਅਤੇ ਆਪਣੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਾਰਜਾਂ ਨਾਲ ਸਬੰਧਿਤ ਹੋਰ ਆਰਟੀਫੈਕਟਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰ ਸਕਦੇ ਹੋ।
-#### 2.2.1 ਆਪਣੇ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਲਈ ਸਹੀ ਵਿਕਲਪ ਚੁਣਨਾ
+> **_ਨੋਟ:_** ਤੁਹਾਡੇ ਐਜ਼ੂਰ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਡਾਟਾ ਸਟੋਰੇਜ ਲਈ ਇੱਕ ਛੋਟਾ ਖਰਚ ਲੱਗੇਗਾ ਜਦ ਤੱਕ ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਸਪੇਸ ਤੁਹਾਡੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਮੌਜੂਦ ਹੈ, ਇਸ ਲਈ ਅਸੀਂ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਜਦੋਂ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਨਾ ਕਰ ਰਹੇ ਹੋ ਤਾਂ ਵਰਕਸਪੇਸ ਨੂੰ ਮਿਟਾ ਦਿਓ।
-ਕੰਪਿਊਟ ਸਰੋਤ ਬਣਾਉਣ ਸਮੇਂ ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਗੱਲਾਂ ਦਾ ਧਿਆਨ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਇਹ ਚੋਣਾਂ ਅਹਿਮ ਫੈਸਲੇ ਹੋ ਸਕਦੇ ਹਨ।
+1. [ਐਜ਼ੂਰ ਪੋਰਟਲ](https://ms.portal.azure.com/) ਵਿੱਚ ਆਪਣੇ ਐਜ਼ੂਰ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਨਾਲ ਜੁੜੇ ਮਾਈਕਰੋਸਾਫਟ ਖਾਤੇ ਨਾਲ ਸਾਇਨ ਇਨ ਕਰੋ।
+2. **＋Create a resource** ਚੁਣੋ
+
+ 
-**ਤੁਹਾਨੂੰ CPU ਜਾਂ GPU ਦੀ ਲੋੜ ਹੈ?**
+ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਲੱਭੋ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਟਾਈਲ ਚੁਣੋ
-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-ਸੰਬੰਧੀ 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। GPUs ਸਮਕਾਲੀ ਗਣਨਾ ਲਈ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਇਸ ਲਈ ਡੀਪ ਲਰਨਿੰਗ ਕੰਮਾਂ ਲਈ ਬਹੁਤ ਵਧੀਆ ਹਨ।
+ ਬਣਾਉ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
+
+ 
+
+ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਸੈਟਿੰਗਾਂ ਭਰੋ:
+ - ਸਬਸਕ੍ਰਿਪਸ਼ਨ: ਤੁਹਾਡਾ ਐਜ਼ੂਰ ਸਬਸਕ੍ਰਿਪਸ਼ਨ
+ - ਸਰੋਤ ਸਮੂਹ: ਨਵਾਂ ਬਣਾਓ ਜਾਂ ਕੋਈ ਮੌਜੂਦਾ ਚੁਣੋ
+ - ਵਰਕਸਪੇਸ ਨਾਮ: ਆਪਣੇ ਵਰਕਸਪੇਸ ਲਈ ਵਿਲੱਖਣ ਨਾਮ ਦਿਓ
+ - ਖੇਤਰ: ਆਪਣੇ ਨਜ਼ਦੀਕੀ ਭੂਗੋਲਿਕ ਖੇਤਰ ਚੁਣੋ
+ - ਸਟੋਰੇਜ ਅਕਾਊਂਟ: ਡਿਫਾਲਟ ਨਵਾਂ ਸਟੋਰੇਜ ਅਕਾਊਂਟ ਨੋਟ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਵਰਕਸਪੇਸ ਲਈ ਬਣਾਇਆ ਜਾਵੇਗਾ
+ - ਕੀ ਵੌਲਟ: ਡਿਫਾਲਟ ਨਵਾਂ ਕੀ ਵੌਲਟ ਨੋਟ ਕਰੋ ਜੋ ਬਣਾਇਆ ਜਾਵੇਗਾ
+ - ਐਪਲੀਕੇਸ਼ਨ ਇਨਸਾਈਟਸ: ਡਿਫਾਲਟ ਨਵਾਂ ਐਪਲੀਕੇਸ਼ਨ ਇਨਸਾਈਟਸ ਸਰੋਤ ਨੋਟ ਕਰੋ
+ - ਕੰਟੇਨਰ ਰਜਿਸਟਰੀ: ਕੋਈ ਨਹੀਂ (ਮਾਡਲ ਨੂੰ ਕੰਟੇਨਰ ਵਿੱਚ ਪਹਿਲੀ ਵਾਰੀ ਡਿਪਲੌਇ ਕਰਨ ਸਮੇਂ ਆਪਣਾ ਆਪ ਬਣ ਜਾਵੇਗਾ)
+
+ 
+
+ - [Create + Review] 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਫਿਰ [Create] ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ
+3. ਆਪਣਾ ਵਰਕਸਪੇਸ ਬਣਨ ਲਈ ਕੁਝ ਮਿੰਟ ਉਡੀਕ ਕਰੋ। ਫਿਰ ਪੋਰਟਲ ਵਿਚ ਇਸ ਤੇ ਜਾਓ। ਤੁਸੀਂ ਇਸਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਜ਼ੂਰ ਸਰਵਿਸ ਰਾਹੀਂ ਲੱਭ ਸਕਦੇ ਹੋ।
+4. ਆਪਣੀ ਵਰਕਸਪੇਸ ਲਈ ਓਵਰਵਿਊ ਪੇਜ 'ਤੇ, ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟੂਡੀਓ ਚਲਾਓ (ਜਾਂ ਨਵੀਂ ਬ੍ਰਾਊਜ਼ਰ ਟੈਬ ਖੋਲ ਕੇ https://ml.azure.com ਤੱਕ ਜਾਓ) ਅਤੇ ਆਪਣੇ ਮਾਈਕਰੋਸਾਫਟ ਖਾਤੇ ਨਾਲ ਸਾਇਨ ਇਨ ਕਰੋ। ਜੇ ਪੁੱਛਿਆ ਜਾਵੇ, ਆਪਣੇ ਐਜ਼ੂਰ ਡਾਇਰੈਕਟਰੀ ਅਤੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਸਪੇਸ ਨੂੰ ਚੁਣੋ।
+
+
+
+5. ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟੂਡੀਓ ਵਿੱਚ, ਵਲੋਂ ਵੱਡੇ ਬਾਈਂ ਕਤਾਰ ਵਾਲਾ ☰ ਚਿੰਨ੍ਹ ਟੋਗਲ ਕਰੋ ਤਾਂ ਜੋ ਇੰਟਰਫੇਸ ਦੇ ਵੱਖ-ਵੱਖ ਪੰਨਿਆਂ ਨੂੰ ਵੇਖਿਆ ਜਾ ਸਕੇ। ਤੁਸੀਂ ਇਨ੍ਹਾਂ ਪੰਨਿਆਂ ਦੀ ਵਰਤੋਂ ਆਪਣੇ ਵਰਕਸਪੇਸ ਦੇ ਸਰੋਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਕਰ ਸਕਦੇ ਹੋ।
+
+
+
+ਤੁਸੀਂ ਆਪਣਾ ਵਰਕਸਪੇਸ ਐਜ਼ੂਰ ਪੋਰਟਲ ਦੁਆਰਾ ਵੀ ਪ੍ਰਬੰਧਤ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਆਪਰੇਸ਼ਨ ਇੰਜੀਨੀਅਰਾਂ ਲਈ, ਐਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਟੂਡੀਓ ਵਰਕਸਪੇਸ ਸਰੋਤਾਂ ਦੇ ਪ੍ਰਬੰਧਨ ਲਈ ਜ਼ਿਆਦਾ ਕੇਂਦਰਿਤ ਉਪਭੋਗਤਾ ਇੰਟਰਫੇਸ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
+
+### 2.2 ਕਮਪਿਊਟ ਸਰੋਤ
+
+ਕਮਪਿਊਟ ਸਰੋਤ ਕਲਾਉਡ ਅਧਾਰਿਤ ਸਰੋਤ ਹਨ ਜਿੰਨ੍ਹਾਂ ਉੱਤੇ ਤੁਸੀਂ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਡਾਟਾ ਖੋਜ ਪ੍ਰਕਿਰਿਆਵਾਂ ਚਲਾ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਚਾਰ ਕਿਸਮ ਦੇ ਕਮਪਿਊਟ ਸਰੋਤ ਬਣਾਉਣ ਕਰ ਸਕਦੇ ਹੋ:
+
+- **ਕਮਪਿਊਟ ਇੰਸਟੈਂਸਜ਼**: ਵਿਕਾਸ ਸਥਾਨ ਜਿੱਥੇ ਡਾਟਾ ਸਾਇੰਟਿਸਟ ਡਾਟਾ ਅਤੇ ਮਾਡਲ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਵਿੱਚ ਵਰਚੁਅਲ ਮਸ਼ੀਨ (VM) ਬਣਾਉਣ ਅਤੇ ਇੱਕ ਨੋਟਬੁੱਕ ਇੰਸਟੈਂਸ ਚਲਾਉਣ ਸ਼ਾਮਿਲ ਹੈ। ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਨੋਟਬੁੱਕ ਤੋਂ ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਕਾਲ ਕਰ ਕੇ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ।
+- **ਕਮਪਿਊਟ ਕਲੱਸਟਰ**: ਕਿਸੇ ਵੀ ਸਮੇਂ ਤੇ ਇਕਸਾਰ VM ਕਲੱਸਟਰ, ਜੋ ਤਜਰਬਿਆਂ ਦੇ ਕੋਡ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਾਪ-ਸਥਾਪਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਤੁਹਾਨੂੰ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਸਮੇਂ ਇਹ ਲੋੜੀਂਦਾ ਹੈ। ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਖਾਸ GPU ਜਾਂ CPU ਸਰੋਤ ਵੀ ਵਰਤ ਸਕਦੇ ਹਨ।
+- **ਇੰਫਰੈਂਸ ਕਲੱਸਟਰ**: ਪ੍ਰিডਿਕਟਿਵ ਸੇਵਾਵਾਂ ਲਈ ਡਿਪਲੌਇਮੈਂਟ ਟਾਰਗੇਟ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨ ਕੀਤੇ ਮਾਡਲਾਂ ਨੂੰ ਵਰਤਦੇ ਹਨ।
+- **ਸੰਲੱਗਨ ਹਨੇਰੀ ਪ੍ਰਕਿਰਿਆ**: ਮੌਜੂਦਾ Azure ਹਨੇਰੀ ਸੰਸਾਧਨਾਂ ਨਾਲ ਲਿੰਕ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਵਰਚੁਅਲ ਮਸ਼ੀਨ ਜਾਂ Azure Databricks ਕਲੱਸਟਰ।
+
+#### 2.2.1 ਆਪਣੇ ਹਨੇਰੀ ਸੰਸਾਧਨਾਂ ਲਈ ਸਹੀ ਵਿਕਲਪ ਚੁਣਨਾ
+
+ਹਨੇਰੀ ਸੰਸਾਧਨ ਬਣਾਉਣ ਸਮੇਂ ਕੁਝ ਮੁੱਖ ਤੱਤ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਉਹ ਚੋਣਾਂ ਅਹੰਕਾਰਕ ਫੈਸਲੇ ਹੋ ਸਕਦੀਆਂ ਹਨ।
+
+**ਕੀ ਤੁਹਾਨੂੰ CPU ਜਾਂ GPU ਦੀ ਲੋੜ ਹੈ?**
+
+CPU (ਸੈਂਟਰਲ ਪ੍ਰੋਸੈਸਿੰਗ ਯੂਨਿਟ) ਉਹ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਰਕਿਟ ਹੈ ਜੋ ਕੰਪਿਊਟਰ ਪ੍ਰੋگرام ਦੇ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਨਿਭਾਉਂਦਾ ਹੈ। GPU (ਗ੍ਰਾਫਿਕਸ ਪ੍ਰੋਸੈਸਿੰਗ ਯੂਨਿਟ) ਇੱਕ ਵਿਸ਼ੇਸ਼ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਰਕਿਟ ਹੈ ਜੋ ਗ੍ਰਾਫਿਕਸ-ਸੰਬੰਧਿਤ ਕੋਡ ਵਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਚਲਾ ਸਕਦਾ ਹੈ।
+
+CPU ਅਤੇ GPU ਆਰਕੀਟੈਕਚਰ ਵਿਚ ਮੁੱਖ ਫਰਕ ਇਹ ਹੈ ਕਿ CPU ਤੇਜ਼ੀ ਨਾਲ ਵਿਆਪਕ ਸਥਾਨਾਂ ਤੋਂ ਕੰਮ ਸੰਭਾਲਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ (CPU ਕਲਾਕ ਸਪੀਡ ਨਾਲ ਮਾਪਿਆ ਗਿਆ), ਪਰ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਚੱਲ ਰਹੇ ਕੰਮ ਦੇ ਮਾਤਰਾ ਵਿੱਚ ਸੀਮਿਤ ਹੈ। GPU ਪੈਰਲੇਲ ਕੰਪਿਊਟਿੰਗ ਲਈ ਬਣਾਏ 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 ਸਲੋ ਟ੍ਰੇਨ ਕਰਦਾ ਹੈ | ਡੀਪ ਲਰਨਿੰਗ ਲਈ ਉਤਕ੍ਰਿਸ਼ਟ |
-
-**ਕਲੱਸਟਰ ਦਾ ਆਕਾਰ**
+| ਘੱਟ ਕਿਫਾਇਤੀ | ਵੱਧ ਕਿਫਾਇਤੀ |
+| ਘੱਟ ਦਰਜੇ ਦੀ ਸਮਕਾਲੀ ਚਾਲਕਤਾ | ਵੱਧ ਦਰਜੇ ਦੀ ਸਮਕਾਲੀ ਚਾਲਕਤਾ |
+| ਡੀਪ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਦੀ ਸਿਖਿਆ ਵਿੱਚ ਸੁਸਤ | ਡੀਪ ਲਰਨਿੰਗ ਲਈ ਉਤਮ |
-ਵੱਡੇ ਕਲੱਸਟਰ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ ਪਰ ਇਹ ਬਿਹਤਰ ਪ੍ਰਤੀਕ੍ਰਿਆਸ਼ੀਲਤਾ ਦੇਣਗੇ। 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।
+**ਕਲੱਸਟਰ ਆਕਾਰ**
-**VM ਦਾ ਆਕਾਰ**
+ਵੱਡੇ ਕਲੱਸਟਰ ਵੱਧ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ ਪਰ ਵਧੀਆ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇਣਗੇ। ਇਸ ਲਈ, ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਸਮਾਂ ਹੈ ਪਰ ਪੈਸਾ ਨਹੀਂ, ਤਾਂ ਤੁਹਾਨੂੰ ਛੋਟੇ ਕਲੱਸਟਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਵਿਰੋਧਾਤਮਕ ਤੌਰ 'ਤੇ, ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਪੈਸਾ ਹੈ ਪਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਂ ਨਹੀਂ, ਤਾਂ ਵੱਡੇ ਕਲੱਸਟਰ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ।
-ਤੁਹਾਡੇ ਸਮੇਂ ਅਤੇ ਬਜਟ ਦੀਆਂ ਪਾਬੰਦੀਆਂ ਦੇ ਅਧਾਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੇ RAM, ਡਿਸਕ, ਕੋਰਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਘੜੀ ਦੀ ਗਤੀ ਦੇ ਆਕਾਰ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹੋ। ਇਹ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਵਧਾਉਣਾ ਮਹਿੰਗਾ ਹੋਵੇਗਾ, ਪਰ ਇਹ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦੇਵੇਗਾ।
+**VM ਆਕਾਰ**
-**Dedicated ਜਾਂ Low-Priority Instances?**
+ਤੁਹਾਡੇ ਸਮੇਂ ਅਤੇ ਬਜਟ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਤੁਸੀਂ ਆਪਣੇ RAM, ਡਿਸਕ, ਕੋਰ ਦੀ ਗਿਣਤੀ ਅਤੇ ਕਲਾਕ ਸਪੀਡ ਦਾ ਆਕਾਰ ਬਦਲ ਸਕਦੇ ਹੋ। ਇਨ੍ਹਾਂ ਸਾਰੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਵਧਾਉਣਾ ਮਹਿੰਗਾ ਹੋਵੇਗਾ, ਪਰ ਇਹ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਦਿੰਦੇਗਾ।
-Low-priority instance ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰ ਸਕਦੀ 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 ਰੋਕ ਸਕਦਾ ਹੈ। Dedicated instance, ਜਾਂ non-interruptible, ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜੌਬ ਤੁਹਾਡੀ ਇਜਾਜ਼ਤ ਤੋਂ ਬਿਨਾਂ ਕਦੇ ਵੀ ਖਤਮ ਨਹੀਂ ਹੋਵੇਗੀ।
-ਇਹ ਸਮਾਂ ਅਤੇ ਪੈਸੇ ਦੇ ਵਿਚਾਰ ਦਾ ਇੱਕ ਹੋਰ ਪੱਖ ਹੈ, ਕਿਉਂਕਿ interruptible instances dedicated ones ਨਾਲੋਂ ਘੱਟ ਮਹਿੰਗੇ ਹੁੰਦੇ ਹਨ।
+**ਨਿਸ਼ਚਿਤ ਜਾਂ ਘੱਟ-ਪਹਿਲਤਾ ਇੰਸਟੈਂਸ?**
-#### 2.2.2 ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣਾ
+ਘੱਟ-ਪਹਿਲਤਾ ਇੰਸਟੈਂਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਅਵਰੁਧ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ: ਇਸ ਦਾ ਅਰਥ ਹੈ, Microsoft Azure ਉਹ ਸਰੋਤ ਲੈ ਸਕਦਾ ਹੈ ਅਤੇ ਕਿਸੇ ਹੋਰ ਕੰਮ ਨੂੰ ਦੇ ਸਕਦਾ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਕਿਸੇ ਨੌਕਰੀ ਨੂੰ ਰੋਕ ਸਕਦਾ ਹੈ। ਇਕ ਨਿਸ਼ਚਿਤ ਇੰਸਟੈਂਸ ਜਾਂ ਗੈਰ-ਅਵਰੁਧਯੋਗ, ਅਰਥਾਤ ਜੌਬ ਤੁਹਾਡੇ ਇਜਾਜ਼ਤ ਦੇ ਬਿਨਾਂ ਕਦੇ ਖਤਮ ਨਹੀਂ ਕੀਤਾ ਜਾਵੇਗਾ।
+ਇਹ ਸਮਾਂ ਅਤੇ ਪੈਸਾ ਦੇ ਮੂਲਿਆਂ ਦਾ ਹੋਰ ਇਕ ਅਨੁਸ੍ਠਾਨ ਹੈ, ਕਿਉਂਕਿ ਅਵਰੁਧਯੋਗ ਇੰਸਟੈਂਸ ਨਿਸ਼ਚਿਤ ਇੰਸਟੈਂਸ ਨਾਲੋਂ ਘੱਟ ਕਿਫਾਇਤੀ ਹੁੰਦੇ ਹਨ।
-[Azure ML workspace](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, ਕੰਪਿਊਟ 'ਤੇ ਜਾਓ ਅਤੇ ਤੁਸੀਂ ਉਹਨਾਂ ਵੱਖ-ਵੱਖ ਕੰਪਿਊਟ ਸਰੋਤਾਂ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ ਜਿਨ੍ਹਾਂ ਬਾਰੇ 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।
+#### 2.2.2 ਇੱਕ ਹਨੇਰੀ ਕਲੱਸਟਰ ਬਨਾਉਣਾ
-
+[Azure ML ਵర్కਸਪੇਸ](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਹੈ, ਹਨੇਰੀ 'ਤੇ ਜਾਓ ਅਤੇ ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਹਨੇਰੀ ਸਰੋਤਾਂ ਨੂੰ ਦੇਖ ਸਕੋਗੇ ਜੋ ਅਸੀਂ ਹੁਣੇ ਹੀ ਗੱਲ ਕੀਤੀ (ਜਿਵੇਂ ਕਿ ਹਨੇਰੀ ਇੰਸਟੈਂਸ, ਹਨੇਰੀ ਕਲੱਸਟਰ, ਇੰਫਰੰਸ ਕਲੱਸਟਰ ਅਤੇ ਸੰਲੱਗਨ ਹਨੇਰੀ)। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਸਾਨੂੰ ਮਾਡਲ ਸਿਖਿਆ ਲਈ ਇੱਕ ਹਨੇਰੀ ਕਲੱਸਟਰ ਦੀ ਲੋੜ ਹੈ। ਸਟੂਡਿਓ ਵਿੱਚ, "Compute" ਮੈਨੂ 'ਤੇ ਕਲਿਕ ਕਰੋ, ਫਿਰ "Compute cluster" ਟੈਬ ਅਤੇ "+ New" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਇੱਕ ਕਲੱਸਟਰ ਬਣਾਓ।
-1. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: Dedicated vs Low priority, CPU ਜਾਂ GPU, VM size ਅਤੇ core number (ਤੁਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਡਿਫਾਲਟ ਸੈਟਿੰਗਾਂ ਰੱਖ ਸਕਦੇ ਹੋ)।
-2. Next ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+
-
+1. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: ਨਿਸ਼ਚਿਤ ਜਾਂ ਘੱਟ-ਪਹਿਲਤਾ, CPU ਜਾਂ GPU, VM ਆਕਾਰ ਅਤੇ ਕੋਰ ਦੀ ਗਿਣਤੀ (ਤੁਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ ਡਿਫਾਲਟ ਸੈੱਟਿੰਗ ਰੱਖ ਸਕਦੇ ਹੋ)।
+2. Next ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
-3. ਕਲੱਸਟਰ ਨੂੰ ਇੱਕ compute name ਦਿਓ।
-4. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: Minimum/Maximum nodes ਦੀ ਗਿਣਤੀ, Idle seconds before scale down, SSH access। ਧਿਆਨ ਦਿਓ ਕਿ ਜੇ nodes ਦੀ ਘੱਟੋ-ਘੱਟ ਗਿਣਤੀ 0 ਹੈ, ਤਾਂ ਤੁਸੀਂ ਕਲੱਸਟਰ idle ਹੋਣ 'ਤੇ ਪੈਸਾ ਬਚਾ ਸਕਦੇ ਹੋ। ਧਿਆਨ ਦਿਓ ਕਿ nodes ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਗਿਣਤੀ ਜਿੰਨੀ ਉੱਚੀ ਹੋਵੇਗੀ, ਟ੍ਰੇਨਿੰਗ ਉਤਨੀ ਛੋਟੀ ਹੋਵੇਗੀ। ਵੱਧ ਤੋਂ ਵੱਧ nodes ਦੀ ਸਿਫਾਰਸ਼ੀ ਗਿਣਤੀ 3 ਹੈ।
-5. "Create" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇਹ ਕਦਮ ਕੁਝ ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ।
+
-
+3. ਕਲੱਸਟਰ ਨੂੰ ਇੱਕ ਨਾਮ ਦਿਓ
+4. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: ਘੱਟੋ-ਘੱਟ/ਵੱਧੋ-ਵੱਧ ਨੋਡ, ਸਕੇਲ ਡਾਊਨ ਤੋਂ ਪਹਿਲਾਂ ਆਇਡਲ ਸੈਕੰਡ, SSH ਪਹੁੰਚ। ਜੇ ਘੱਟੋ-ਘੱਟ ਨੋਡ ਦੀ ਸੰਖਿਆ 0 ਹੈ, ਤਾਂ ਕਲัสਟਰ ਆਇਡਲ ਰਹਿਣ 'ਤੇ ਤੁਸੀਂ ਪੈਸਾ ਬਚਾਓਗੇ। ਜਿੰਨੀ ਵੱਧ ਵੱਧੋ-ਵੱਧ ਨੋਡ, ਉਤਨਾ ਛੋਟੀ ਸਿਖਿਆ ਕਾਲ ਹੋਵੇਗੀ। ਵੱਧੋ-ਵੱਧ ਨੋਡ ਦੀ سفارش 3 ਹੈ।
+5. "Create" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ। ਇਹ ਕਦਮ ਕੁਝ ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ।
-ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ Compute cluster ਹੈ, ਸਾਨੂੰ ਡਾਟਾ ਨੂੰ Azure ML Studio ਵਿੱਚ ਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
+
-### 2.3 ਡਾਟਾਸੈਟ ਲੋਡ ਕਰਨਾ
+ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਇੱਕ ਹਨੇਰੀ ਕਲੱਸਟਰ ਹੈ, ਤਾਂ ਸਾਨੂੰ ਡੇਟਾ ਨੂੰ Azure ML ਸਟੂਡਿਓ ਵਿੱਚ ਲੋਡ ਕਰਨਾ ਹੈ।
-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 ਡਾਟਾਸੈਟ ਬਣਾਓ। "From local files" ਵਿਕਲਪ ਚੁਣੋ ਅਤੇ Kaggle ਡਾਟਾਸੈਟ ਨੂੰ ਚੁਣੋ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਡਾਊਨਲੋਡ ਕੀਤਾ ਸੀ।
+### 2.3 ਡਾਟਾਸੇਟ ਲੋਡ ਕਰਨਾ
- 
+1. [Azure ML ਵర్కਸਪੇਸ](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, "Datasets" ਤੇ ਕਲਿਕ ਕਰੋ ਬਾਏ ਮੈਨੂ ਵਿੱਚ ਅਤੇ "+ Create dataset" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਇੱਕ ਡਾਟਾਸੇਟ ਬਣਾਓ। "From local files" ਚੁਣੋ ਅਤੇ ਪਹਿਲਾਂ ਡਾਊਨਲੋਡ ਕੀਤਾ ਕੀਤਾ Kaggle ਡਾਟਾਸੇਟ ਚੁਣੋ।
-2. ਆਪਣੇ ਡਾਟਾਸੈਟ ਨੂੰ ਇੱਕ name, type ਅਤੇ description ਦਿਓ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਫਾਈਲਾਂ ਤੋਂ ਡਾਟਾ ਅੱਪਲੋਡ ਕਰੋ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ 
- 
+2. ਆਪਣੇ ਡਾਟਾਸੇਟ ਨੂੰ ਇੱਕ ਨਾਮ, ਟਾਈਪ ਅਤੇ ਵਰਣਨ ਦਿਓ। Next ਤੇ ਕਲਿਕ ਕਰੋ। ਫਾਇਲਾਂ ਤੋਂ ਡਾਟਾ ਅਪਲੋਡ ਕਰੋ। ਫਿਰ Next ਤੇ ਕਲਿਕ ਕਰੋ।
-3. Schema ਵਿੱਚ, anaemia, diabetes, high blood pressure, sex, smoking, ਅਤੇ DEATH_EVENT ਲਈ ਡਾਟਾ type ਨੂੰ Boolean ਵਿੱਚ ਬਦਲੋ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ Create 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ 
- 
+3. ਸਕੀਮਾ ਵਿੱਚ, ਡਾਟਾ ਟਾਈਪ ਨੂੰ Boolean ਵਿੱਚ ਬਦਲੋ ਹੇਠਾਂ ਦਿੱਤੇ ਫੀਚਰਾਂ ਲਈ: anaemia, diabetes, high blood pressure, sex, smoking, ਅਤੇ DEATH_EVENT। Next ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ Create ਤੇ ਕਲਿਕ ਕਰੋ।
-ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਡਾਟਾਸੈਟ ਜਗ੍ਹਾ 'ਤੇ ਹੈ ਅਤੇ ਕੰਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਅਸੀਂ ਮਾਡਲ ਦੀ ਟ੍ਰੇਨਿੰਗ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ!
+ 
-### 2.4 Low code/No Code ਟ੍ਰੇਨਿੰਗ AutoML ਨਾਲ
+ਸ਼ਾਬਾਸ਼! ਹੁਣ ਜਦੋਂ ਡਾਟਾਸੇਟ ਮੌਜੂਦ ਹੈ ਅਤੇ ਹਨੇਰੀ ਕਲੱਸਟਰ ਬਣ ਚੁੱਕਾ ਹੈ, ਅਸੀਂ ਮਾਡਲ ਸਿਖਿਆ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ!
-ਪ੍ਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਸਰੋਤ-ਗਹਿਰਾ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕਈ ਮਾਡਲਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਤੁਲਨਾ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਡੋਮੇਨ ਗਿਆਨ ਅਤੇ ਸਮੇਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। Automated machine learning (AutoML) ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਸਮਾਂ-ਖਪਤ, ਦੁਹਰਾਏ ਜਾਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਹ ਡਾਟਾ ਸਾਇੰਟਿਸਟਾਂ, ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉੱਚ ਪੈਮਾਨੇ, ਕੁਸ਼ਲਤਾ ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ML ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਸਾਰੇ ਮਾਡਲ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ। [ਹੋਰ ਜਾਣੋ](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+### 2.4 ਆਟੋਏਮਐਲ ਨਾਲ ਘੱਟ ਕੋਡ/ਕੋਡ-ਰਹਿਤ ਸਿਖਿਆ
-1. [Azure ML workspace](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, "Automated ML" 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਉਹ ਡਾਟਾਸੈਟ ਚੁਣੋ ਜੋ ਤੁਸੀਂ ਹੁਣੇ ਅੱਪਲੋਡ ਕੀਤਾ ਸੀ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ਪਰੰਪਰਾਗਤ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਦਾ ਵਿਕਾਸ ਸਰੋਤਾਂ ਵਿੱਚ ਵੱਧ ਖਪਤ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਡੋਮੇਨ ਗਿਆਨ ਅਤੇ ਕਾਫ਼ੀ ਸਮਾਂ ਲੱਗਦਾ ਹੈ ਕਈ ਮਾਡਲਾਂ ਦਾ ਉਤਪਾਦਨ ਅਤੇ ਤੁਲਨਾ ਕਰਨ ਲਈ।
+ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (AutoML) ਉਹ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਵਿਕਾਸ ਦੇ ਸਮੇਂ ਖਪਤ ਕਰਨ ਵਾਲੇ ਅਤੇ ਦੁਹਰਾਵਾਂ ਹਨੇਰੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟਿਡ ਕਰਦੀ ਹੈ। ਇਹ ਡਾਟਾ ਵਿਗਿਆਨੀ, ਵਿਸ਼ਲੇਸ਼ਕ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉੱਚ ਪੱਧਰ, ਦੱਖਲਦਾਰੀ ਅਤੇ ਉਤਪਾਦਕਤਾ ਨਾਲ ML ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਬਿਨਾਂ ਮਾਡਲ ਗੁਣਵੱਤਾ ਪੂਰਕ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਏ। ਇਹ ਉਤਪਾਦਨ-ਤਿਆਰ ML ਮਾਡਲ ਬਣਾਉਣ ਦਾ ਸਮਾਂ ਘਟਾਉਂਦੀ ਹੈ, ਬਹੁਤ ਆਸਾਨੀ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨਾਲ। [ਹੋਰ ਜਾਣੋ](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
- 
+1. [Azure ML ਵర్కਸਪੇਸ](https://ml.azure.com/) ਵਿੱਚ ਜੋ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, ਬਾਏ ਮੈਨੂ ਵਿੱਚ "Automated ML" 'ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ ਜੋ ਡਾਟਾਸੇਟ ਤੁਸੀਂ ਅਪਲੋਡ ਕੀਤਾ ਉਹ ਚੁਣੋ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-2. ਇੱਕ ਨਵਾਂ experiment name, target column (DEATH_EVENT) ਅਤੇ ਉਹ compute cluster ਦਾਖਲ ਕਰੋ ਜੋ ਅਸੀਂ ਬਣਾਇਆ ਸੀ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ 
- 
+2. ਇੱਕ ਨਵਾਂ ਪ੍ਰਯੋਗ ਨਾਮ ਦਿਓ, ਟਾਰਗਟ ਕਾਲਮ(DEATH_EVENT), ਅਤੇ ਬਣਾਇਆ ਹਨੇਰੀ ਕਲੱਸਟਰ ਚੁਣੋ। Next 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-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 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
+ 
- 
+3. "Classification" ਚੁਣੋ ਅਤੇ Finish 'ਤੇ ਕਲਿਕ ਕਰੋ। ਇਹ ਕਦਮ 30 ਮਿੰਟ ਤੋਂ 1 ਘੰਟੇ ਤੱਕ ਲੱਗ ਸਕਦਾ ਹੈ, ਤੁਹਾਡੇ ਹਨੇਰੀ ਕਲੱਸਟਰ ਦੇ ਆਕਾਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
-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।
+ 
- 
+4. ਜਦੋਂ ਰਨ ਮੁਕੰਮਲ ਹੋ ਜਾਵੇ, "Automated ML" ਟੈਬ 'ਤੇ ਕਲਿਕ ਕਰੋ, ਆਪਣੇ ਰਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ "Best model summary" ਕਾਰਡ ਵਿੱਚ ਅਲਗੋਰਿਥਮ 'ਤੇ ਕਲਿਕ ਕਰੋ।
-ਇੱਥੇ ਤੁਸੀਂ AutoML ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦਾ ਵਿਸਤ੍ਰਿਤ ਵੇਰਵਾ ਦੇਖ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ Models ਟੈਬ ਵਿੱਚ ਹੋਰ ਮਾਡਲਾਂ 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 ਦੇਖਾਂਗੇ ਕਿ ਅਸੀਂ ਇਸਨੂੰ deploy ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ।
+ 
-## 3. Low code/No Code ਮਾਡਲ deployment ਅਤੇ endpoint consumption
-### 3.1 ਮਾਡਲ deployment
+ਇੱਥੇ ਤੁਸੀਂ ਆਟੋਈਐਮਐੱਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦਾ ਵਿਸਥਾਰਤ ਵਰਣਨ ਦੇਖ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਮਾਡਲਾਂ ਟੈਬ ਵਿੱਚ ਹੋਰ ਮਾਡਲਾਂ ਨੂੰ ਵੀ ਵੇਖ ਸਕਦੇ ਹੋ। ਕੁਝ ਮਿੰਟ ਲਈ explanations (ਪ੍ਰੀਵੀਉ ਬਟਨ) ਵਿੱਚ ਮਾਡਲਾਂ ਨੂੰ ਸਮਝੋ। ਜਦ ਤੱਕ ਤੁਸੀਂ ਮਾਡਲ ਚੁਣ ਲੈਂਦੇ ਹੋ (ਇੱਥੇ ਅਸੀਂ ਆਟੋਈਐਮਐੱਲ ਦੁਆਰਾ ਚੁਣਿਆ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਲੈਵਾਂਗੇ), ਅਸੀਂ ਵੇਖਾਂਗੇ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਤਾਇਨਾਤ ਕਰਨਾ ਹੈ।
-Automated machine learning interface ਤੁਹਾਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਕੁਝ ਕਦਮਾਂ ਵਿੱਚ ਇੱਕ web service 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, ਇੱਕ web service 'ਤੇ deployment ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮੈਡੀਕਲ ਐਪਲੀਕੇਸ਼ਨ ਮਾਡਲ ਨੂੰ ਵਰਤ ਸਕਣਗੇ ਤਾਂ ਜੋ ਆਪਣੇ ਮਰੀਜ਼ਾਂ ਦੇ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦੀ live prediction ਕਰ ਸਕਣ।
+## 3. ਘੱਟ ਕੋਡ/ਕੋਡ-ਰਹਿਤ ਮਾਡਲ ਤਾਇਨਾਤੀ ਅਤੇ ਏਂਡਪੋਇੰਟ ਦਾ ਉਪਭੋਗ
+### 3.1 ਮਾਡਲ ਦੀ ਤਾਇਨਾਤੀ
-Best model description ਵਿੱਚ, "Deploy" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਛੇਤੀ-ਇਸਤਮਾਲੀ ਇੰਟਰਫੇਸ ਤੁਹਾਨੂੰ ਕੁਝ ਕਦਮਾਂ ਵਿੱਚ ਵੈੱਬ ਸੇਵਾ ਵਜੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਤਾਇਨਾਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਤਾਇਨਾਤੀ ਉਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਹਿੰਦੇ ਹਨ ਜਿਸ ਨਾਲ ਮਾਡਲ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਇਹ ਨਵਾਂ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾ ਸਕੇ ਅਤੇ ਸੰਭਾਵਿਤ ਮੌਕਿਆਂ ਨੂੰ ਪਛਾਣ ਸਕੇ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਵੈੱਬ ਸੇਵਾ ਲਈ ਤਾਇਨਾਤੀ ਦਾ ਅਰਥ ਹੈ ਕਿ ਮੈਡੀਕਲ ਐਪਲੀਕੇਸ਼ਨ ਇਸ ਮਾਡਲ ਨੂੰ ਵਰਤ ਕੇ ਆਪਣੇ ਮਰੀਜ਼ਾਂ ਦੇ ਦਿਲ ਦਾ ਦੌਰਾ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਲਾਈਵ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਣਗੇ।
-
+ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦੇ ਵਰਣਨ ਵਿੱਚ, "Deploy" ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-15. ਇਸਨੂੰ ਇੱਕ name, description, compute type (Azure Container Instance) ਦਿਓ, 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 register ਕਰਨਾ, ਸਰੋਤਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨਾ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ web service ਲਈ configure ਕਰਨਾ। Deploy status ਦੇ ਹੇਠਾਂ ਇੱਕ status message ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। Deployment status ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ Refresh ਨੂੰ ਸਮਯਸਮਯ 'ਤੇ ਚੁਣੋ। ਜਦੋਂ status "Healthy" ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ deploy ਅਤੇ running ਹੁੰਦਾ ਹੈ।
+
-
+15. ਇਸਨੂੰ ਇੱਕ ਨਾਮ ਦਿਓ, ਵਰਣਨ ਦਿਓ, ਹਨੇਰੀ ਕਿਸਮ (Azure Container Instance) ਚੁਣੋ, ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਚਾਲੂ ਕਰੋ ਅਤੇ Deploy 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇਹ ਕਦਮ ਲਗਭਗ 20 ਮਿੰਟ ਲੈ ਸਕਦਾ ਹੈ। ਤਾਇਨਾਤੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮਾਡਲ ਰਜਿਸਟਰ ਕਰਨ, ਸਰੋਤ ਤਿਆਰ ਕਰਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਵੈੱਬ ਸੇਵਾ ਲਈ ਸੈੱਟ ਕਰਨ ਸਮੇਤ ਕਈ ਕਦਮ ਸ਼ਾਮਲ ਹਨ। ਤਾਇਨਾਤੀ ਸਥਿਤੀ ਹੇਠਾਂ Deploy status ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। Deploy ਸਥਿਤੀ ਚੈੱਕ ਕਰਨ ਲਈ Refresh periodically ਚੁਣੋ। ਜਦੋਂ ਸਥਿਤੀ "Healthy" ਹੋਵੇ, ਤਾਇਨਾਤੀ ਮੁਕੰਮਲ ਹੋ ਚੁੱਕੀ ਹੈ।
-16. ਜਦੋਂ ਇਹ deploy ਹੋ ਜਾਂਦਾ ਹੈ, Endpoint ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਅਤੇ ਉਸ endpoint 'ਤੇ ਕਲਿੱਕ ਕਰੋ ਜੋ ਤੁਸੀਂ ਹੁਣੇ deploy ਕੀਤਾ ਸੀ। ਇੱਥੇ ਤੁਸੀਂ endpoint ਬਾਰੇ ਸਾਰੇ ਵੇਰਵੇ ਪਾ ਸਕਦੇ ਹੋ।
+
-
+16. ਜਦੋਂ ਇਹ ਤਾਇਨਾਤ ਹੋ ਜਾਵੇ, Endpoint ਟੈਬ 'ਤੇ ਜਾਓ ਅਤੇ ਹਾਲ ਹੀ ਵਿੱਚ ਤਾਇਨਾਤ ਕੀਤੇ endpoint ਨੂੰ ਚੁਣੋ। ਇੱਥੇ ਤੁਹਾਨੂੰ endpoint ਬਾਰੇ ਸਾਰਾ ਵੇਰਵਾ ਮਿਲੇਗਾ।
-ਸ਼ਾਨਦਾਰ! ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਇੱਕ ਮਾਡਲ deploy ਹੋ ਗਿਆ ਹੈ, ਅਸੀਂ endpoint ਦੀ consumption ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+
-### 3.2 Endpoint consumption
+ਸ਼ਾਂਦਾਰ! ਹੁਣ ਜਦੋਂ ਮਾਡਲ ਤਾਇਨਾਤ ਹੋ ਚੁੱਕਾ ਹੈ, ਅਸੀਂ ਏਂਡਪੋਇੰਟ ਦਾ ਉਪਭੋਗ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
-"Consume" ਟੈਬ 'ਤੇ ਕਲਿੱਕ ਕਰੋ। ਇੱਥੇ ਤੁਸੀਂ REST endpoint ਅਤੇ consumption option ਵਿੱਚ ਇੱਕ python script ਪਾ ਸਕਦੇ ਹੋ। python code ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਕੁਝ ਸਮਾਂ ਲਓ।
+### 3.2 ਏਂਡਪੋਇੰਟ ਦਾ ਉਪਭੋਗ
-ਇਹ script ਸਿੱਧੇ ਤੁਹਾਡੇ local machine ਤੋਂ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡੇ endpoint ਨੂੰ consume ਕਰੇਗਾ।
+"Consume" ਟੈਬ 'ਤੇ ਕਲਿਕ ਕਰੋ। ਇੱਥੇ ਤੁਹਾਨੂੰ REST endpoint ਅਤੇ ਇੱਕ ਪਾਈਥਾਨ ਸਕ੍ਰਿਪਟ ਉਪਲਬਧ ਹੈ ਜੋ ਉਪਭੋਗ ਵਿਕਲਪ ਵਿੱਚ ਹੈ। ਪਾਈਥਾਨ ਕੋਡ ਨੂੰ ਥੋੜਾ ਸਮਾਂ ਦੇਖੋ।
-
+ਇਹ ਸਕ੍ਰਿਪਟ ਸਿੱਧੇ ਤੁਹਾਡੇ ਸਥਾਨਕ ਮਸ਼ੀਨ ਤੋਂ ਚਲਾਈ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਤੁਹਾਡੇ ਈਂਡਪਆਇੰਟ ਦਾ ਉਪਭੋਗ ਕਰੇਗੀ।
-ਇਹ script ਦੇ ਇਹ 2 lines of code ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦੇਖੋ:
+
+ਇਹ 2 ਕੋਡ ਲਾਈਨਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਵੇਖੋ:
```python
url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
-api_key = '' # Replace this with the API key for the web service
+api_key = '' # ਇਸਨੂੰ ਵੈੱਬ ਸੇਵਾ ਲਈ API ਕੁੰਜੀ ਨਾਲ ਬਦਲੋ
```
-`url` variable consume tab ਵਿੱਚ ਮਿਲੇ REST endpoint ਹੈ ਅਤੇ `api_key` variable consume tab ਵਿੱਚ ਮਿਲੀ primary key ਹੈ (ਸਿਰਫ ਉਸ ਸਥਿਤੀ ਵਿੱਚ ਜਦੋਂ ਤੁਸੀਂ authentication enable ਕੀਤਾ ਹੈ)। ਇਹ script endpoint ਨੂੰ consume ਕਰਨ ਦਾ ਤਰੀਕਾ ਹੈ।
+`url` ਵੈਰੀਏਬਲ consumes ਟੈਬ ਵਿੱਚ ਮਿਲੀ REST endpoint ਹੈ ਅਤੇ `api_key` ਵੈਰੀਏਬਲ ਮੁੱਖ ਕੁੰਜੀ ਹੈ ਜੋ consumes ਟੈਬ ਵਿੱਚ ਮਿਲਦੀ ਹੈ (ਜੇ ਤੁਸੀਂ ਪ੍ਰਮਾਣਿਕਤਾ ਚਾਲੂ ਕੀਤੀ ਹੈ ਤਾਂ)। ਇਹ ਹੈ ਕਿ ਸਕ੍ਰਿਪਟ ਕਿਵੇਂ ਈਂਡਪਆਇੰਟ ਦਾ ਉਪਭੋਗ ਕਰ ਸਕਦਾ ਹੈ।
-18. script ਚਲਾਉਣ 'ਤੇ, ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤਾ output ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ:
+18. ਜਦੋਂ ਸਕ੍ਰਿਪਟ ਚਲਾਇਆ ਜਾਵੇਗਾ, ਤਾਂ ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤਾ ਨਤੀਜਾ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ:
```python
b'"{\\"result\\": [true]}"'
```
-ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਦਿੱਤੇ ਗਏ ਡਾਟਾ ਲਈ heart failure ਦੀ prediction ਸੱਚ ਹੈ। ਇਹ ਸਮਝਦਾਰ ਹੈ ਕਿਉਂਕਿ ਜੇ ਤੁਸੀਂ script ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਜਨਰੇਟ ਕੀਤੇ ਡਾਟਾ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ, ਤਾਂ ਸਭ ਕੁਝ ਡਿਫਾਲਟ ਤੌਰ 'ਤੇ 0 ਅਤੇ false ਹੈ। ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ input sample ਨਾਲ ਡਾਟਾ ਬਦਲ ਸਕਦੇ ਹੋ:
+ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਦਿੱਤੇ ਡੇਟਾ ਲਈ ਦਿਲ ਦਾ ਫੇਲ੍ਹ ਹੋਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸੱਚੀ ਹੈ। ਇਹ ਸਮਝਦਾਰੀ ਵਾਲੀ ਗੱਲ ਹੈ ਕਿਉਂਕਿ ਜੇ ਤੁਸੀਂ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਆਪਣੇ ਆਪ ਬਣਾਇਆ ਡੇਟਾ ਧਿਆਨ ਨਾਲ ਦੇਖੋ ਤਾਂ ਸਾਰੇ ਮੁੱਲ ਮੁ ਦੀ ਪੁਸਤੌਨ੍ਹੀ ’ਤੇ 0 ਅਤੇ False ਹਨ। ਤੁਸੀਂ ਇਨਪੁਟ ਸੈਂਪਲ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹੋ:
```python
data = {
@@ -264,31 +311,33 @@ data = {
],
}
```
-script ਇਹ return ਕਰੇਗਾ:
+ਸਕ੍ਰਿਪਟ ਇਸ ਤਰ੍ਹਾਂ ਦਾ ਨਤੀਜਾ ਦੇਵੇਗੀ:
```python
b'"{\\"result\\": [true, false]}"'
```
-ਮੁਬਾਰਕਾਂ! ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ deploy ਕੀਤਾ, consume ਕੀਤਾ ਅਤੇ Azure ML 'ਤੇ train ਕੀਤਾ!
+ਸ਼ਾਬਾਸ਼! ਤੁਸੀਂ ਅਜੇ ਵੀ ਮਾਡਲ ਦਾ ਉਪਭੋਗ ਕੀਤਾ ਹੈ ਜੋ ਤਾਇਨਾਤ ਅਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ Azure ML ‘ਤੇ!
-> **_NOTE:_** ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰ ਲੈਂਦੇ ਹੋ, ਤਾਂ ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ delete ਕਰਨਾ ਨਾ ਭੁੱਲੋ।
-## 🚀 ਚੈਲੈਂਜ
+> **_ਨੋਟ:_** ਪ੍ਰੋਜੈਕਟ ਸਿਖਮਾਪਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਨਾ ਭੁੱਲੋ।
+## 🚀 ਚੈਲੇਂਜ
-AutoML ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤੇ top models ਲਈ ਮਾਡਲ explanations ਅਤੇ ਵੇਰਵਿਆਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ। ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਵਧੀਆ ਹੈ। ਕਿਹੜੇ algorithms ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ? ਉਨ੍ਹਾਂ ਵਿੱਚ ਕੀ ਅੰਤਰ ਹਨ? ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਕਿਉਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਿਹਾ ਹੈ?
+ਆਟੋਐਮਐੱਲ ਦੁਆਰਾ ਬਣਾਈਆਂ ਮਾਡਲਾਂ ਦੇ ਵਰਨਨ ਅਤੇ ਵੇਰਵੇ ਨੂੰ ਧਿਆਨ ਨਾਲ ਦੇਖੋ ਜੋ ਉੱਚ-ਸਤਹ ਮਾਡਲਾਂ ਲਈ ਜਨਰੇਟ ਕੀਤੇ ਗਏ। ਕੋਸ਼ਿਸ਼ ਕਰੋ ਸਮਝਣ ਦੀ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਬਿਹਤਰ ਹੈ। ਕਿਹੜੇ ਅਲਗੋਰਿਥਮ ਤੁਲਨਾ ਕੀਤੇ ਗਏ ਸਨ? ਉਹਨਾਂ ਵਿਚ ਕੀ ਫਰਕ ਹੈ? ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਕਿਉਂ ਵਧੀਆ ਫਲਾਉਂਦਾ ਹੈ?
-## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/35)
+## [ਪোਸਟ-ਲੇਕਚਰ ਕੁਇਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/35)
-## Review & Self Study
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
-ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਿਵੇਂ train, deploy ਅਤੇ consume ਕਰਨਾ ਹੈ ਇੱਕ ਮਾਡਲ ਨੂੰ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦੀ prediction ਕਰਨ ਲਈ Low code/No code ਤਰੀਕੇ ਨਾਲ cloud ਵਿੱਚ। ਜੇ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਤਾਂ AutoML ਦੁਆਰਾ ਜਨਰੇਟ ਕੀਤੇ top models ਲਈ ਮਾਡਲ explanations ਵਿੱਚ ਡੂੰਘਾਈ ਨਾਲ ਜਾਓ ਅਤੇ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਵਧੀਆ ਹੈ।
+ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਤਿਆਰ ਕਰਨਾ, ਤਾਇਨਾਤ ਕਰਨਾ ਅਤੇ ਉਪਭੋਗ ਕਰਨਾ ਜਦੋਂ ਦਿਲ ਦੀ ਨਾਕਾਮੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਘੱਟ ਕੋਡ/ਕੋਡ-ਰਹਿਤ ਢੰਗ ਨਾਲ ਕਲਾਉਡ ਵਿੱਚ ਕੀਤਾ ਜਾਵੇ। ਜੇ ਤੁਸੀਂ ਅਜੇ ਤੱਕ ਨਹੀਂ ਕੀਤਾ, ਤਾਂ ਉੱਚ-ਸਤਹ ਦੇ ਮਾਡਲਾਂ ਲਈ ਆਟੋਐਮਐੱਲ ਦੁਆਰਾ ਬਣਾਏ ਵਰਨਨਾਂ ਵਿੱਚ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਡੁੱਬਕਾ ਲਗਾਓ ਅਤੇ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਕਿ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਹੋਰਾਂ ਨਾਲੋਂ ਕਿਉਂ ਬਿਹਤਰ ਹੈ।
-ਤੁਸੀਂ Low code/No code AutoML ਵਿੱਚ ਹੋਰ ਅੱਗੇ ਜਾ ਸਕਦੇ ਹੋ ਇਸ [documentation](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਪੜ੍ਹ ਕੇ।
+ਤੁਸੀਂ 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 ਘੱਟ ਕੋਡ/ਕੋਡ-ਰਹਿਤ ਆਟੋਐਮਐੱਲ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲੈ ਸਕਦੇ ਹੋ।
-## Assignment
+## ਅਸਾਈਨਮੈਂਟ
-[Low code/No code Data Science project on Azure ML](assignment.md)
+[ਘੱਟ ਕੋਡ/ਕੋਡ-ਰਹਿਤ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ Azure ML 'ਤੇ](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 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
+
+**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।
+
\ 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
index a3565976..e53a4ed3 100644
--- a/translations/pa/5-Data-Science-In-Cloud/19-Azure/README.md
+++ b/translations/pa/5-Data-Science-In-Cloud/19-Azure/README.md
@@ -1,116 +1,114 @@
-# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਦਾ ਤਰੀਕਾ
+# ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਢੰਗ
-| ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਸਕੈਚਨੋਟ ](../../sketchnotes/19-DataScience-Cloud.png)|
+| ](../../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 ਹਾਰਟ ਫੇਲਿਅਰ ਪ੍ਰਡਿਕਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈਟ 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 ਡਾਟਾਸੈਟ 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 ਡਾਟਾਸੈਟ 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)
+| ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+ਸੂਚੀ ਦਾ ਸਾਰांश:
+
+- [ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: "Azure ML SDK" ਢੰਗ](#ਕਲਾਉਡ-ਵਿੱਚ-ਡਾਟਾ-ਸਾਇੰਸ-azure-ml-sdk-ਢੰਗ)
+ - [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](#ਪ੍ਰੀ-ਲੈਕਚਰ-ਕਵਿਜ਼)
+ - [1. ਪਰੀਚੈ](#1-ਪਰੀਚੈ)
+ - [1.1 Azure ML SDK ਕੀ ਹੈ?](#11-azure-ml-sdk-ਕੀ-ਹੈ)
+ - [1.2 ਹਾਰਟ ਫੇਲਿਯਰ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡੈਟਾਸੈੱਟ ਪਰੀਚੈ](#12-ਹਾਰਟ-ਫੇਲਿਯਰ-ਭਵਿੱਖਬਾਣੀ-ਪ੍ਰੋਜੈਕਟ-ਅਤੇ-ਡੈਟਾਸੈੱਟ-ਪਰੀਚੈ)
+ - [2. Azure ML SDK ਨਾਲ ਮਾਡਲ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ](#2-azure-ml-sdk-ਨਾਲ-ਮਾਡਲ-ਦੀ-ਪ੍ਰਸ਼ਿਕਸ਼ਣ)
+ - [2.1 ਇੱਕ Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ](#21-ਇੱਕ-azure-ml-ਵਰਕਸਪੇਸ-ਬਣਾਉਣਾ)
+ - [2.2 ਇੱਕ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਉਣਾ](#22-ਇੱਕ-ਕਮਪਿਊਟ-ਇੰਸਟੈਂਸ-ਬਣਾਉਣਾ)
+ - [2.3 ਡੈਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ](#23-ਡੈਟਾਸੈੱਟ-ਲੋਡ-ਕਰਨਾ)
+ - [2.4 ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ](#24-ਨੋਟਬੁੱਕ-ਬਣਾਉਣਾ)
+ - [2.5 ਮਾਡਲ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ](#25-ਮਾਡਲ-ਦੀ-ਪ੍ਰਸ਼ਿਕਸ਼ਣ)
+ - [2.5.1 ਵਰਕਸਪੇਸ, ਪ੍ਰਯੋਗ, ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਅਤੇ ਡੈਟਾਸੈੱਟ ਸੈੱਟਅੱਪ ਕਰਨਾ](#251-ਵਰਕਸਪੇਸ-ਪ੍ਰਯੋਗ-ਕਮਪਿਊਟ-ਕਲੱਸਟਰ-ਅਤੇ-ਡੈਟਾਸੈੱਟ-ਸੈੱਟਅੱਪ-ਕਰਨਾ)
+ - [2.5.2 AutoML ਵਿਵਸਥਾ ਅਤੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ](#252-automl-ਵਿਵਸਥਾ-ਅਤੇ-ਪ੍ਰਸ਼ਿਕਸ਼ਣ)
+ - [3. Azure ML SDK ਨਾਲ ਮਾਡਲ ਡਿਪਲੋਯਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਖਪਤ](#3-azure-ml-sdk-ਨਾਲ-ਮਾਡਲ-ਡਿਪਲੋਯਮੈਂਟ-ਅਤੇ-ਐਂਡਪੌਇੰਟ-ਖਪਤ)
+ - [3.1 ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੁਰੱਖਿਅਤ ਕਰਨਾ](#31-ਸਭ-ਤੋਂ-ਵਧੀਆ-ਮਾਡਲ-ਸੁਰੱਖਿਅਤ-ਕਰਨਾ)
+ - [3.2 ਮਾਡਲ ਡਿਪਲੋਯਮੈਂਟ](#32-ਮਾਡਲ-ਡਿਪਲੋਯਮੈਂਟ)
+ - [3.3 ਐਂਡਪੌਇੰਟ ਖਪਤ](#33-ਐਂਡਪੌਇੰਟ-ਖਪਤ)
+ - [🚀 ਚੈਲੈਂਜ](#-challenge)
+ - [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](#ਪੋਸਟ-ਲੈਕਚਰ-ਕਵਿਜ਼)
+ - [ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ](#review--self-study)
+ - [ਅਸਾਈਨਮੈਂਟ](#ਅਸਾਇਨਮੈਂਟ)
## [ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/36)
-## 1. ਪਰਿਚਯ
+## 1. ਪਰੀਚੈ
### 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 ਐਨਵਾਇਰਮੈਂਟ ਵਿੱਚ ਇੰਟਰਐਕਟ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ Jupyter Notebooks, Visual Studio Code, ਜਾਂ ਤੁਹਾਡਾ ਮਨਪਸੰਦ Python IDE।
+ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਅਤੇ AI ਡਿਵੈਲਪਰਾਂ ਨੂੰ Azure Machine Learning SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ Azure Machine Learning ਸੇਵਾ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਕਫਲੋਅ ਬਣਾਉਣ ਅਤੇ ਚਲਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ। ਤੁਸੀਂ ਕਿਸੇ ਵੀ ਪਾਇਥਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਇਸ ਸੇਵਾ ਨਾਲ ਸੰਪਰਕ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ Jupyter ਨੋਟਬੁੱਕ, Visual Studio ਕੋਡ, ਜਾਂ ਤੁਹਾਡੇ ਮਨਪਸੰਦ ਪਾਇਥਨ IDE ਵਿੱਚ।
-SDK ਦੇ ਮੁੱਖ ਖੇਤਰ ਸ਼ਾਮਲ ਹਨ:
+SDK ਦੇ ਮੁੱਖ ਖੇਤਰ ਹਨ:
-- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਕਸਪੇਰੀਮੈਂਟਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡਾਟਾਸੈਟਾਂ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦੀ ਖੋਜ, ਤਿਆਰੀ ਅਤੇ ਪ੍ਰਬੰਧਨ।
-- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਕਸਪੇਰੀਮੈਂਟਾਂ ਦੀ ਨਿਗਰਾਨੀ, ਲੌਗਿੰਗ ਅਤੇ ਆਯੋਜਨ ਲਈ ਕਲਾਉਡ ਸਰੋਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ।
-- ਮਾਡਲਾਂ 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 ਆਲਗੋਰਿਥਮ ਅਤੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਸੈਟਿੰਗਾਂ ਦੇ ਦੁਆਰਾ ਆਪਣੇ ਆਪ ਦੁਹਰਾਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਪ੍ਰਡਿਕਸ਼ਨ ਚਲਾਉਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਲੱਭ ਸਕੇ।
-- ਵੈੱਬ ਸੇਵਾਵਾਂ ਨੂੰ ਡਿਪਲੌਇ ਕਰੋ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਟ੍ਰੇਨ ਕੀਤੇ ਮਾਡਲਾਂ ਨੂੰ RESTful ਸੇਵਾਵਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕੇ ਜੋ ਕਿਸੇ ਵੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਖਪਤ ਕੀਤੀ ਜਾ ਸਕੇ।
+- ਆਪਣੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਡੈਟਾਸੈੱਟ ਦੀ ਖੋਜ, ਤਿਆਰੀ ਅਤੇ ਜੀਵਨਚੱਕਰ ਪ੍ਰਬੰਧਨ ਕਰੋ।
+- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਯੋਗਾਂ ਦੀ ਨਿਗਰਾਨੀ, ਲੌਗਿੰਗ ਅਤੇ ਵਿਵਸਥਾ ਲਈ ਕਲਾਉਡ ਸਰੋਤਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰੋ।
+- ਮਾਡਲਾਂ ਨੂੰ ਸਥਾਨਕ ਜਾਂ ਕਲਾਉਡ ਸਰੋਤਾਂ (ਜਿਵੇਂ GPU-ਸਹਾਇਤ ਮਾਡਲ ਪ੍ਰਸ਼ਿਕਸ਼ਣ) ਨਾਲ ਪ੍ਰਸ਼ਿਖਿਤ ਕਰੋ।
+- ਆਟੋਮੈਟਿਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜੋ ਵਿਵਸਥਾ ਪੈਰਾਮੀਟਰ ਅਤੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਡਾਟਾ ਲੈਂਦਾ ਹੈ। ਇਹ ਆਪੋ-ਆਪਣੇ ਅਲਗੋਰਿਦਮ ਅਤੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰ ਸੈਟਿੰਗਾਂ ਵਿਚਕਾਰ ਚੱਲਦਾ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਧੁੰਧਦਾ ਹੈ।
+- ਵੈੱਬ ਸੇਵਾਵਾਂ ਨੂੰ ਡਿਪਲੋਇ ਕਰੋ, ਜਿਸ ਨਾਲ ਤੁਹਾਡੇ ਪ੍ਰਸ਼ਿਖਿਤ ਮਾਡਲ RESTful ਸੇਵਾਵਾਂ ਵਜੋਂ ਬਦਲੇ ਜਾਂਦੇ ਹਨ ਜੋ ਕਿਸੇ ਵੀ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।
[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 ਇੱਕ ਮਾਡਲ ਨੂੰ Low code/No code ਤਰੀਕੇ ਨਾਲ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਖਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਅਸੀਂ Heart Failure ਡਾਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Heart Failure ਪ੍ਰਡਿਕਸ਼ਨ ਮਾਡਲ ਬਣਾਇਆ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਬਿਲਕੁਲ ਉਹੀ ਕੰਮ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ ਪਰ Azure Machine Learning SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ।
+ਪਿਛਲੇ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਕਿਵੇਂ ਇੱਕ Low code/No code ਢੰਗ ਵਿੱਚ ਮਾਡਲ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ, ਡਿਪਲੋਯਮੈਂਟ ਅਤੇ ਖਪਤ ਕਰਨੀ ਹੈ। ਅਸੀਂ Heart Failure ਡੇਟਾਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Heart failure prediction ਮਾਡਲ ਬਣਾਇਆ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਇੱਕੋ ਜਿਹਾ ਕੰਮ Azure Machine Learning SDK ਨਾਲ ਕਰਣ ਜਾ ਰਹੇ ਹਾਂ।
-
+
-### 1.2 ਹਾਰਟ ਫੇਲਿਅਰ ਪ੍ਰਡਿਕਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈਟ ਦਾ ਪਰਿਚਯ
+### 1.2 ਹਾਰਟ ਫੇਲਿਯਰ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡੈਟਾਸੈੱਟ ਪਰੀਚੈ
-[ਇਥੇ](../18-Low-Code/README.md) ਹਾਰਟ ਫੇਲਿਅਰ ਪ੍ਰਡਿਕਸ਼ਨ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡਾਟਾਸੈਟ ਦਾ ਪਰਿਚਯ ਦੇਖੋ।
+ਹਾਰਟ ਫੇਲਿਯਰ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰੋਜੈਕਟ ਅਤੇ ਡੈਟਾਸੈੱਟ ਪਰੀਚੈ ਲਈ [ਇੱਥੇ](../18-Low-Code/README.md) ਵੇਖੋ।
-## 2. Azure ML SDK ਨਾਲ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ
+## 2. Azure ML SDK ਨਾਲ ਮਾਡਲ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ
+### 2.1 ਇੱਕ Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
-### 2.1 Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ
+ਸਰਲਤਾ ਲਈ, ਅਸੀਂ ਇੱਕ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ 'ਤੇ ਕੰਮ ਕਰ ਰਹੇ ਹਾਂ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਵਰਕਸਪੇਸ ਅਤੇ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਵਰਕਸਪੇਸ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸਿੱਧਾ ਹਿੱਸਾ 2.3 ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ 'ਤੇ ਜਾ ਸਕਦੇ ਹੋ।
-ਸਰਲਤਾ ਲਈ, ਅਸੀਂ ਇੱਕ 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 ਦੇਖੇ ਗਏ **2.1 ਇੱਕ Azure ML ਵਰਕਸਪੇਸ ਬਣਾਉਣਾ** ਹਿੱਸੇ ਦੀ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
-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 ਇੱਕ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਉਣਾ
-### 2.2 ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਉਣਾ
+ਜੋ Azure ML ਵਰਕਸਪੇਸ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਸੀ, ਉਸ ਵਿੱਚ ਕਮਪਿਊਟ ਮੇਨੂ 'ਤੇ ਜਾਓ ਅਤੇ ਉਹ ਵੱਖ-ਵੱਖ ਕਮਪਿਊਟ ਸਰੋਤ ਤੁਹਾਨੂੰ ਦਿਖਾਏ ਜਾਣਗੇ
-[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।
+
-
+ਆਓ ਇੱਕ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਈਏ ਤਾਂ ਜੋ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ ਸੇਵਾ ਲਈ ਤਿਆਰ ਹੋ ਸਕੇ।
+1. + ਨਵਾਂ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
+2. ਆਪਣੇ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਨੂੰ ਇੱਕ ਨਾਮ ਦਿਓ।
+3. ਆਪਣੇ ਵਿਕਲਪ ਚੁਣੋ: CPU ਜਾਂ GPU, VM ਆਕਾਰ ਅਤੇ ਕੋਰ ਦੀ ਗਿਣਤੀ।
+4. ਬਣਾਉਣ ਬਟਨ 'ਤੇ ਕਲਿੱਕ ਕਰੋ।
-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 ਸਾਈਜ਼ ਅਤੇ ਕੋਰ ਨੰਬਰ।
-4. Create ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
+ਵਧਾਈ ਹੋ! ਤੁਸੀਂ ਇੱਕ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਬਣਾਇਆ ਹੈ। ਅਸੀਂ ਇਸ ਦਾ ਉਪਯੋਗ ਨੋਟਬੁੱਕ ਬਣਾਉਣ ਲਈ ਕਰਾਂਗੇ [ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ ਹਿੱਸਾ](#23-ਡੈਟਾਸੈੱਟ-ਲੋਡ-ਕਰਨਾ) ਵਿੱਚ।
-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 ਡਾਟਾਸੈਟ ਲੋਡ ਕਰਨਾ
-
-ਜੇ ਤੁਸੀਂ ਹਾਲੇ ਤੱਕ ਡਾਟਾਸੈਟ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਤਾਂ [ਪਿਛਲੇ ਪਾਠ](../18-Low-Code/README.md) ਵਿੱਚ ਸੈਕਸ਼ਨ **2.3 ਡਾਟਾਸੈਟ ਲੋਡ ਕਰਨਾ** ਨੂੰ ਵੇਖੋ।
+### 2.3 ਡੈਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ
+ਜੇ ਤੁਸੀਂ ਅਜੇ ਤੱਕ ਡੈਟਾਸੈੱਟ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਤਾਂ [ਪਿਛਲੇ ਪਾਠ](../18-Low-Code/README.md) ਦੇ **2.3 ਡੈਟਾਸੈੱਟ ਲੋਡ ਕਰਨਾ** ਹਿੱਸੇ ਨੂੰ ਵੇਖੋ।
### 2.4 ਨੋਟਬੁੱਕ ਬਣਾਉਣਾ
-> **_ਨੋਟ:_** ਅਗਲੇ ਕਦਮ ਲਈ ਤੁਸੀਂ ਜਾਂ ਤਾਂ ਨਵਾਂ ਨੋਟਬੁੱਕ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਦਾ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ, ਜਾਂ [ਅਸੀਂ ਬਣਾਇਆ ਨੋਟਬੁੱਕ](../../../../5-Data-Science-In-Cloud/19-Azure/notebook.ipynb) ਨੂੰ ਆਪਣੇ Azure ML Studio ਵਿੱਚ ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਇਸਨੂੰ ਅੱਪਲੋਡ ਕਰਨ ਲਈ, ਸਿਰਫ "Notebook" ਮੀਨੂ 'ਤੇ ਕਲਿਕ ਕਰੋ ਅਤੇ ਨੋਟਬੁੱਕ ਅੱਪਲੋਡ ਕਰੋ।
+> **_ਟਿੱਪਣੀ:_** ਅਗਲੇ ਕਦਮ ਲਈ, ਤੁਸੀਂ ਕੱਚੇ ਸਿਰੇ ਤੋਂ ਨਵਾਂ ਨੋਟਬੁੱਕ ਬਣਾ ਸਕਦੇ ਹੋ, ਜਾਂ ਤੁਸੀਂ ਆਪਣੀ Azure ML Studio ਵਿੱਚ [ਨੋਟਬੁੱਕ ਜੋ ਅਸੀਂ ਬਣਾਇਆ ਹੈ](notebook.ipynb) ਅੱਪਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਅੱਪਲੋਡ ਕਰਨ ਲਈ, ਸਿੱਧਾ "ਨੋਟਬੁੱਕ" ਮੀਨੂ 'ਤੇ ਕਲਿੱਕ 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 ਕਲਸਟਰ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ, ਜਾਂ ਐਂਡਪੌਇੰਟ ਡਿਪਲੌਇ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
+ਨੋਟਬੁੱਕ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਕਿਰਿਆ ਦਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ। ਇਹ ਡਾਟਾ ਦਾ ਖੋਜਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ (EDA) ਕਰਨ, ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਨੂੰ ਮਾਡਲ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਲਈ ਕਾਲ ਕਰਨ, ਅਤੇ ਇੰਫਰੈਂਸ ਕਲੱਸਟਰ ਨੂੰ ਐਂਡਪੌਇੰਟ ਡਿਪਲੋਯਮੈਂਟ ਲਈ ਕਾਲ ਕਰਨ ਵਿੱਚ ਵਰਤੇ ਜਾਂਦੇ ਹਨ।
-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 ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ 'ਤੇ ਕਲਿਕ ਕਰੋ। ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ ਦੀ ਸੂਚੀ ਵਿੱਚ ਤੁਹਾਨੂੰ [ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਕੰਪਿਊਟ ਇੰਸਟੈਂਸ](../../../../5-Data-Science-In-Cloud/19-Azure) ਦੇਖਣ ਨੂੰ ਮਿਲੇਗਾ।
+ਨੋਟਬੁੱਕ ਬਣਾਉਣ ਲਈ, ਸਾਨੂੰ ਇੱਕ ਕਮਪਿਊਟ ਨੋਡ ਚਾਹੀਦਾ ਹੈ ਜੋ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ ਸੇਵਾ ਚਲਾ ਰਿਹਾ ਹੋਵੇ। ਵਾਪਸ [Azure ML ਵਰਕਸਪੇਸ](https://ml.azure.com/) ਉੱਤੇ ਜਾਓ ਅਤੇ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਉੱਤੇ ਕਲਿੱਕ ਕਰੋ। ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਦੀ ਸੂਚੀ ਵਿੱਚ ਤੁਹਾਨੂੰ ਅਸੀਂ ਪਹਿਲਾਂ ਬਣਾਇਆ ਹੋਇਆ ਕਮਪਿਊਟ ਇੰਸਟੈਂਸ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ।
-1. Applications ਸੈਕਸ਼ਨ ਵਿੱਚ, Jupyter ਵਿਕਲਪ 'ਤੇ ਕਲਿਕ ਕਰੋ।
-2. "Yes, I understand" ਬਾਕਸ 'ਤੇ ਟਿਕ ਕਰੋ ਅਤੇ Continue ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰੋ।
-
-3. ਇਹ ਤੁਹਾਡੇ Jupyter Notebook ਇੰਸਟੈਂਸ ਨਾਲ ਇੱਕ ਨਵਾਂ ਬ੍ਰਾਊਜ਼ਰ ਟੈਬ ਖੋਲ੍ਹੇਗਾ। "New" ਬਟਨ 'ਤੇ ਕਲਿਕ ਕਰਕੇ ਨੋਟਬੁੱਕ ਬਣਾਓ।
+1. ਐਪਲੀਕੇਸ਼ਨ ਹਿੱਸੇ ਵਿੱਚ, ਜੁਪੀਟਰ ਵਿਕਲਪ ਨੂੰ ਕਲਿੱਕ ਕਰੋ।
+2. "Yes, I understand" ਬਾਕਸ ਨੂੰ ਟਿਕ ਕਰੋ ਅਤੇ ਜਾਰੀ ਰੱਖਣ ਲਈ ਕਲਿੱਕ ਕਰੋ।
+
+3. ਇਹ ਤੁਹਾਡੇ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ ਇੰਸਟੈਂਸ ਨਾਲ ਨਵੀਂ ਬਰਾਊਜ਼ਰ ਟੈਬ ਖੋਲੇਗਾ। ਨਵਾਂ ਬਟਨ ਕਲਿੱਕ ਕਰਕੇ ਨੋਟਬੁੱਕ ਬਣਾਓ।
-
+
-ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੋਟਬੁੱਕ ਹੈ, ਅਸੀਂ Azure ML SDK ਨਾਲ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
+ਹੁਣ ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਨੋਟਬੁੱਕ ਹੈ, ਅਸੀਂ Azure ML SDK ਨਾਲ ਮਾਡਲ ਪ੍ਰਸ਼ਿਖਣ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।
-### 2.5 ਮਾਡਲ ਟ੍ਰੇਨ ਕਰਨਾ
+### 2.5 ਮਾਡਲ ਦੀ ਪ੍ਰਸ਼ਿਕਸ਼ਣ
-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।
+ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਜੇ ਤੁਹਾਨੂੰ ਕਦੇ ਵੀ 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 ਸੰਬੋਧ ਕਰੋ। ਇਸ ਵਿੱਚ ਸਾਰੇ ਜਰੂਰੀ ਜਾਣਕਾਰੀਆਂ ਹਨ ਜੋ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਦੇਖਣ ਜਾ ਰਹੇ ਮਾਡਿਊਲਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।
-#### 2.5.1 ਵਰਕਸਪੇਸ, ਐਕਸਪੇਰੀਮੈਂਟ, ਕੰਪਿਊਟ ਕਲਸਟਰ ਅਤੇ ਡਾਟਾਸੈਟ ਸੈਟਅਪ
+#### 2.5.1 ਵਰਕਸਪੇਸ, ਪ੍ਰਯੋਗ, ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਅਤੇ ਡੈਟਾਸੈੱਟ ਸੈੱਟਅੱਪ ਕਰਨਾ
-ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ `workspace` ਨੂੰ ਕਨਫਿਗਰੇਸ਼ਨ ਫਾਈਲ ਤੋਂ ਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
+ਤੁਹਾਨੂੰ ਕਨਫਿਗਰੈਸ਼ਨ ਫਾਇਲ ਤੋਂ `workspace` ਲੋਡ ਕਰਨੀ ਪਏਗੀ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਨਾਲ:
```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:
+ਇਹ ਵਸ্তু `Workspace` ਕਿਸਮ ਦੀ ਹੁੰਦੀ ਹੈ ਜੋ ਵਰਕਸਪੇਸ ਦਾ ਪ੍ਰਤੀਨਿਧিত্ব ਕਰਦੀ ਹੈ। ਫਿਰ ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਨਾਲ ਇੱਕ `experiment` ਬਣਾਉਣਾ ਪਵੇਗਾ:
```python
from azureml.core import Experiment
@@ -118,9 +116,9 @@ experiment_name = 'aml-experiment'
experiment = Experiment(ws, experiment_name)
```
-ਵਰਕਸਪੇਸ ਤੋਂ ਇੱਕ ਐਕਸਪੇਰੀਮੈਂਟ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਜਾਂ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਐਕਸਪੇਰੀਮੈਂਟ ਦਾ ਨਾਮ ਦੀ ਬੇਨਤੀ ਕਰਦੇ 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 ਕਰ ਸਕਦਾ ਹੈ। ਜੇ ਵਰਕਸਪੇਸ ਵਿੱਚ ਐਕਸਪੇਰੀਮੈਂਟ ਨਹੀਂ ਮਿਲਦਾ, ਤਾਂ ਇੱਕ ਨਵਾਂ ਐਕਸਪੇਰੀਮੈਂਟ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ।
+ਵਰਕਸਪੇਸ ਤੋਂ ਪ੍ਰਯੋਗ ਲੈਣ ਜਾਂ ਬਣਾਉਣ ਲਈ, ਤੁਸੀਂ ਪ੍ਰਯੋਗ ਦਾ ਨਾਮ ਦੇ ਕੇ ਪ੍ਰਯੋਗ ਦੀ ਮੰਗ ਕਰਦੇ ਹੋ। ਪ੍ਰਯੋਗ ਦਾ ਨਾਮ 3-36 ਅੱਖਰ ਦਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਇੱਕ ਅੱਖਰ ਜਾਂ ਨੰਬਰ ਨਾਲ ਸ਼ੁਰੂ ਹੋ ਅਤੇ ਸਿਰਫ ਅੱਖਰ, ਨੰਬਰ, ਅੰਡਰਸਕੋਰ, ਅਤੇ ਡੈਸ਼ਜ਼ ਦਾ ਸਮਾਵੇਸ਼ ਹੋਵੇ। ਜੇ ਪ੍ਰਯੋਗ ਵਰਕਸਪੇਸ ਵਿੱਚ ਨਹੀਂ ਮਿਲਦਾ, ਤਾਂ ਇੱਕ ਨਵਾਂ ਪ੍ਰਯੋਗ 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।
+ਹੁਣ ਤੁਸੀਂ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਨਾਲ ਕਮਪਿਊਟ ਕਲੱਸਟਰ ਬਣਾਉਣਾ ਹੈ। ਇਸ ਕਦਮ ਨੂੰ ਕੁਝ ਮਿੰਟ ਲੱਗ ਸਕਦੇ ਹਨ।
```python
from azureml.core.compute import AmlCompute
@@ -139,7 +137,7 @@ cts = ws.compute_targets
compute_target = cts[aml_name]
```
-ਤੁਹਾਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਨਾਲ ਵਰਕਸਪੇਸ ਤੋਂ ਡਾਟਾਸੈਟ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
+ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਤਰੀਕੇ ਨਾਲ ਵਰਕਸਪੇਸ ਤੋਂ ਡੈਟਾਸੈੱਟ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ:
```python
dataset = ws.datasets['heart-failure-records']
@@ -147,23 +145,24 @@ 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।
+#### 2.5.2 AutoML ਵਿਵਸਥਾ ਅਤੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ
+
+AutoML configuration ਸੈੱਟ 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, ਇਸ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਖੇਡ ਸਕਦੇ ਹੋ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਜਾ ਰਹੇ ਹਾਂ:
+ਜਿਵੇਂ ਡੌਕੂਮੈਂਟ ਵਿੱਚ ਵੇਖਾਇਆ ਗਿਆ, ਬਹੁਤ ਸਾਰੇ ਪੈਰਾਮੀਟਰ ਹਨ ਜਿਨ੍ਹਾਂ ਨਾਲ ਤੁਸੀਂ ਖੇਡ ਸਕਦੇ ਹੋ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਲਈ, ਅਸੀਂ ਹੇਠ ਲਿਖੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗੇ:
-- `experiment_timeout_minutes`: ਅਧਿਕਤਮ ਸਮਾਂ (ਮਿੰਟਾਂ ਵਿੱਚ) ਜੋ ਐਕਸਪੇਰੀਮੈਂਟ ਨੂੰ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਹੈ।
-- `max_concurrent_iterations`: ਐਕਸਪੇਰੀਮੈਂਟ ਲਈ ਅਧਿਕਤਮ ਸੰਖਿਆ ਜੋ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਚਲ ਸਕਦੀ ਹੈ।
-- `primary_metric`: ਐਕਸਪੇਰੀਮੈਂਟ ਦੀ ਸਥਿਤੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ 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।
+- `experiment_timeout_minutes`: ਜਿਸ ਸਮੇਂ ਲਈ ਪ੍ਰਯੋਗ ਚੱਲਣ ਦੀ ਆਗਿਆ ਹੈ (ਮਿੰਟਾਂ ਵਿੱਚ), ਇਸ ਸਮੇਂ ਤੋਂ ਬਾਅਦ ਪ੍ਰਯੋਗ ਆਪਣੇ-ਆਪ ਨੂੰ ਰੋਕਦਾ ਹੈ ਅਤੇ ਫਲਾਂ ਨੂੰ ਕਰੋੜ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+- `max_concurrent_iterations`: ਪ੍ਰਯੋਗ ਲਈ ਇੱਕ ਸਮੇਂ 'ਚ ਜੰਞਾਲੇ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਚੱਕਰਾਂ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਗਿਣਤੀ।
+- `primary_metric`: ਪ੍ਰਯੋਗ ਦੀ ਸਥਿਤੀ ਤੈਅ ਕਰਨ ਲਈ ਮੁੱਖ ਮੈਟ੍ਰਿਕ।
+- `compute_target`: Azure Machine Learning ਕਮਪਿਊਟ ਟਾਰਗਟ ਜਿਸ 'ਤੇ Automated Machine Learning ਪ੍ਰਯੋਗ ਚਲਾਇਆ ਜਾਏਗਾ।
+- `task`: ਚਲਾਉਣ ਵਾਲੇ ਕਾਰਜ ਦੀ ਕਿਸਮ। ਮੁੱਲਾਂ ਵਿੱਚ 'classification', 'regression', ਜਾਂ 'forecasting' ਹੋ ਸਕਦੇ ਹਨ, ਜੋ automated ML ਸਮੱਸਿਆ ਦੇ ਕਿਸਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
+- `training_data`: ਪ੍ਰਯੋਗ ਵਿੱਚ ਵਰਤੋਂ ਲਈ ਹੋਣ ਵਾਲਾ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਡਾਟਾ। ਇਸ ਵਿੱਚ ਪ੍ਰਸ਼ਿਕਸ਼ਣ ਫੀਚਰ ਅਤੇ ਲੇਬਲ ਕਾਲਮ (ਆਵਸ਼્યਕਤਮਾਂਜ਼ਿ ਇੱਕ ਸੈਂਪਲ ਵਜ਼ਨ ਕਾਲਮ) ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- `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।
+- `path`: Azure Machine Learning ਪ੍ਰੋਜੈਕਟ ਫੋਲਡਰ ਦਾ ਪੂਰਾ ਪੱਥ।
+- `enable_early_stopping`: ਜੇ ਸਕੋਰ ਲੰਬੇ ਸਮੇਂ ਲਈ ਸੁਧਾਰ ਨਹੀਂ ਕਰ ਰਿਹਾ, ਤਾਂ ਅੱਗੇ ਰੁਕਾਵਟ ਆਟੋਮੈਟਿਕ ਤੌਰ 'ਤੇ ਕਰਨ ਦੀ ਵਿਵਸਥਾ।
+- `featurization`: ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਫੀਚਰਾਈਜ਼ੇਸ਼ਨ ਕਦਮ ਆਪੋ-ਆਪ ਹੋਵੇ ਜਾਂ ਕਸਟਮ ਫੀਚਰਾਈਜ਼ੇਸ਼ਨ ਵਰਤੀ ਜਾਵੇ।
+- `debug_log`: ਡੀਬੱਗ ਜਾਣਕਾਰੀ ਲਿਖਣ ਲਈ ਲਾਗ ਫਾਈਲ।
```python
from azureml.train.automl import AutoMLConfig
@@ -188,51 +187,130 @@ automl_config = AutoMLConfig(compute_target=compute_target,
)
```
-ਹੁਣ ਜਦੋਂ ਤੁਹਾਡੀ ਕਨਫਿਗਰੇਸ਼ਨ ਸੈਟ ਹੈ, ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਕਦਮ ਤੁਹਾਡੇ ਕਲਸਟਰ ਸਾਈਜ਼ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਘੰਟੇ ਤੱਕ ਲੈ ਸਕਦਾ ਹੈ।
+ਹੁਣ ਜਦੋਂ ਤੁਸੀਂ ਆਪਣੀ ਵਿਵਸਥਾ ਸੈੱਟ ਕਰ ਲਈ ਹੈ, ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਨਾਲ ਮਾਡਲ ਪ੍ਰਸ਼ਿਕਸ਼ਿਤ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਕਦਮ ਤੁਹਾਡੇ ਕਲੱਸਟਰ ਆਕਾਰ ਅਨੁਸਾਰ ਇੱਕ ਘੰਟਾ ਲੱਗ ਸਕਦਾ ਹੈ।
```python
remote_run = experiment.submit(automl_config)
```
-ਤੁਸੀਂ RunDetails ਵਿਜਟ ਚਲਾ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਵੱਖ-ਵੱਖ ਐਕਸਪੇਰੀਮੈਂਟਾਂ ਨੂੰ ਦਿਖਾਇਆ ਜਾ ਸਕੇ।
-
+ਤੁਸੀਂ RunDetails ਵਿਡਜਿਟ ਚਲਾ ਸਕਦੇ ਹੋ, ਜੋ ਵੱਖ-ਵੱਖ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਵਿਖਾਉਂਦਾ ਹੈ।
```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
+## 3. Azure ML SDK ਨਾਲ ਮਾਡਲ ਡਿਪਲੋਯਮੈਂਟ ਅਤੇ ਐਂਡਪੌਇੰਟ ਖਪਤ
+
+### 3.1 ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੁਰੱਖਿਅਤ 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 ਦੀ ਵਸਤੂ ਹੈ। ਇਸ ਵਸਤੂ ਵਿੱਚ `get_output()` ਮੈਥਡ ਹੁੰਦੀ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵਧੀਆ ਚੱਲਣ ਅਤੇ ਉਸਦੇ ਸੰਬੰਧਤ ਫਿੱਟ ਕੀਤੇ ਮਾਡਲ ਨੂੰ ਪਰਤਦਾ ਹੈ।
+
+```python
+best_run, fitted_model = remote_run.get_output()
+```
+
+ਤੁਸੀਂ ਸਿਰਫ `fitted_model` ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਕੇ ਵਰਤਏ ਗਏ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਵੇਖ ਸਕਦੇ ਹੋ ਅਤੇ [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) ਮੈਥਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇਖ ਸਕਦੇ ਹੋ।
+
+```python
+best_run.get_properties()
+```
+
+ਹੁਣ ਮਾਡਲ ਨੂੰ [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) ਮੈਥਡ ਨਾਲ ਰਜਿਸਟਰ ਕਰੋ।
+```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 ਮਾਡਲ ਡਿਪਲੋਯਮੈਂਟ
+
+ਜਦੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾ ਚੁੱਕਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਇਸਨੂੰ [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) ਕਲਾਸ ਦੇ ਨਾਲ ਡਿਪਲੋਇ ਕਰ ਸਕਦੇ ਹਾਂ। InferenceConfig ਡਿਪਲੋਯਮੈਂਟ ਲਈ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਕਸਟਮ ਵਾਤਾਵਰਣ ਦੀ ਵਿਵਸਥਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) ਕਲਾਸ Azure Container Instances 'ਤੇ ਵੈੱਬ ਸੇਵਾ ਐਂਡਪੌਇੰਟ ਵਜੋਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਨੂੰ ਪ੍ਰਤੀਨਿਧ ਕਰਦੀ ਹੈ। ਇੱਕ ਡਿਪਲੋਇਡ ਸੇਵਾ ਮਾਡਲ, ਸਕ੍ਰਿਪਟ ਅਤੇ ਜੁੜੇ ਹੋਏ ਫਾਇਲਾਂ ਤੋਂ ਬਣਦੀ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ ਬਣੀ ਵੈੱਬ ਸੇਵਾ ਇੱਕ ਲੋਡ-ਬੈਲੈਂਸਡ, HTTP ਐਂਡਪੌਇੰਟ ਹੁੰਦੀ ਹੈ ਜਿਸਦੇ ਨਾਲ REST API ਹੁੰਦੀ ਹੈ। ਤੁਸੀਂ ਡੇਟਾ ਇਸ API ਨੂੰ ਭੇਜ ਸਕਦੇ ਹੋ ਅਤੇ ਮਾਡਲ ਵੱਲੋਂ ਵਾਪਸ ਕੀਤੀ ਗਈ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।
+
+ਮਾਡਲ ਨੂੰ [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) ਮੈਥਡ ਨਾਲ ਡਿਪਲੋਇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
+
+```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)
+```
+
+ਇਸ ਕਦਮ ਨੂੰ ਕੁਝ ਮਿੰਟ ਲੱਗਣ ਚਾਹੀਦੇ ਹਨ।
+
+### 3.3 ਐਂਡਪੌਇੰਟ ਖਪਤ
+
+ਤੁਸੀਂ ਆਪਣੇ ਐਂਡਪੌਇੰਟ ਨੂੰ ਇੱਕ ਨਮੂਨਾ ਇਨਪੁੱਟ ਬਣਾਕੇ ਖਪਤ ਕਰਦੇ ਹੋ:
+```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))
+```
+ਅਤੇ ਫਿਰ ਤੁਸੀਂ ਇਸ ਇਨਪੁੱਟ ਨੂੰ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਭਵਿੱਖਵਾਣੀ ਲਈ ਭੇਜ ਸਕਦੇ ਹੋ :
-`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
```python
response = aci_service.run(input_data=test_sample)
response
-```
-ਇਸ ਦਾ ਨਤੀਜਾ `'{"result": [false]}'` ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜੋ ਮਰੀਜ਼ ਦੀ ਜਾਣਕਾਰੀ ਅਸੀਂ ਐਂਡਪੌਇੰਟ ਨੂੰ ਭੇਜੀ ਸੀ, ਉਸ ਨੇ `false` ਦੀ ਪੇਸ਼ਗੋਈ ਕੀਤੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ ਵਿਅਕਤੀ ਨੂੰ ਦਿਲ ਦਾ ਦੌਰਾ ਪੈਣ ਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ।
+```
+ਇਸ ਦਾ ਨਤੀਜਾ `'{"result": [false]}'` ਆਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ ਪੇਸ਼ੰਟ ਇਨਪੁੱਟ ਜਿਸਨੂੰ ਅਸੀਂ ਐਂਡਪੌਇੰਟ ਨੂੰ ਭੇਜਿਆ ਉਸਨੇ ਭਵਿੱਖਵਾਣੀ `false` ਜਨਰੇਟ ਕੀਤੀ ਜੋ ਇਸ ਗੱਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਸ ਵਿਅਕਤੀ ਦੇ ਦਿਲ ਦੀ ਧੜਕਣ ਦੁਆਰਾਨੀ ਸੰਭਾਵਨਾ ਘੱਟ ਹੈ।
-ਮੁਬਾਰਕਾਂ! ਤੁਸੀਂ Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ Azure ML 'ਤੇ ਮਾਡਲ ਤਿਆਰ ਕੀਤਾ, ਡਿਪਲੌਇ ਕੀਤਾ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕੀਤਾ!
+ਵਧਾਈ ਹੋਵੇ! ਤੁਸੀਂ ਹੁਣ ਮਾਡਲ ਨੂੰ ਜਿਸਨੂੰ ਅਜ਼ੂਰ ਐਮਐਲ SDK ਦੇ ਨਾਲ ਡਿਪਲੌਇ ਅਤੇ ਟ੍ਰੇਨ ਕੀਤਾ ਗਿਆ ਹੈ, ਸਫਲਤਾਪੂਰਵਕ ਵਰਤ ਲਿਆ ਹੈ!
-> **_NOTE:_** ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕਰ ਲਓ, ਤਾਂ ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਨਾ ਭੁੱਲੋ।
+> **_ਨੋਟ:_** ਜਦੋਂ ਤੁਸੀਂ ਪ੍ਰਾਜੈਕਟ ਨੂੰ ਮੁਕੰਮਲ ਕਰ ਲਵੋ, ਸਾਰੇ ਸਰੋਤਾਂ ਨੂੰ ਮਿਟਾਉਣਾ ਨਾ ਭੁੱਲੋ।
-## 🚀 ਚੁਣੌਤੀ
+## 🚀 ਚੈਲੇਂਜ
-SDK ਰਾਹੀਂ ਹੋਰ ਬਹੁਤ ਕੁਝ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਅਫਸੋਸ, ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਸਾਰਾ ਕੁਝ ਨਹੀਂ ਦੇਖ ਸਕਦੇ। ਪਰ ਚੰਗੀ ਖਬਰ ਇਹ ਹੈ ਕਿ SDK ਡੌਕਯੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਤੁਹਾਨੂੰ ਆਪਣੇ ਆਪ ਬਹੁਤ ਅੱਗੇ ਲੈ ਜਾ ਸਕਦੀ ਹੈ। Azure ML SDK ਡੌਕਯੂਮੈਂਟੇਸ਼ਨ 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।
+SDK ਰਾਹੀਂ ਹੋਰ ਵੀ ਬਹੁਤ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਦੁੱਖ ਦੀ ਗੱਲ ਹੈ ਕਿ ਅਸੀਂ ਇਸ ਪਾਠ ਵਿੱਚ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਨਹੀਂ ਦੇਖ ਸਕਦੇ। ਪਰ ਵਧੀਆ ਖ਼ਬਰ ਇਹ ਹੈ ਕਿ SDK ਦੀ ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਦੇਖ ਕੇ ਖੁਦ ਸਿੱਖਣਾ ਤੁਹਾਨੂੰ ਲੰਬਾ ਸਫਰ ਤੈਅ ਕਰਾ ਸਕਦਾ ਹੈ। ਅਜ਼ੂਰ ਐਮਐਲ SDK ਡੌਕੂਮੈਂਟੇਸ਼ਨ ਨੂੰ ਵੇਖੋ ਅਤੇ `Pipeline` ਕਲਾਸ ਨੂੰ ਲੱਭੋ ਜੋ ਤੁਹਾਨੂੰ ਪਾਈਪਲਾਈਨਾਂ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਇੱਕ ਪਾਈਪਲਾਈਨ ਕਦਮਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੈ ਜੋ ਇੱਕ ਵਰਕਫਲੋ ਵਜੋਂ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
-**ਸੁਝਾਅ:** [SDK ਡੌਕਯੂਮੈਂਟੇਸ਼ਨ](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।
+**ਮਦਦ:** [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 ਨਤੀਜਿਆਂ ਵਿੱਚ `azureml.pipeline.core.Pipeline` ਕਲਾਸ ਮਿਲਣੀ ਚਾਹੀਦੀ ਹੈ।
-## [ਪਾਠ-ਪ੍ਰਚਾਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/37)
+## [ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼](https://ff-quizzes.netlify.app/en/ds/quiz/37)
-## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈ ਅਧਿਐਨ
+## ਸਮੀਖਿਆ ਅਤੇ ਸਵੈਅਧਿਐਨ
-ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਿਵੇਂ Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਲਾਉਡ ਵਿੱਚ ਦਿਲ ਦੇ ਦੌਰੇ ਦੇ ਖਤਰੇ ਦੀ ਪੇਸ਼ਗੋਈ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਤਿਆਰ, ਡਿਪਲੌਇ ਅਤੇ ਕਨਜ਼ਿਊਮ ਕਰਨਾ ਹੈ। ਇਸ [ਡੌਕਯੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਚੈੱਕ ਕਰੋ ਜੇ ਤੁਸੀਂ Azure ML SDK ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹੋ। Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
+ਇਸ ਪਾਠ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖਿਆ ਕਿ ਕਿਵੇਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਟ੍ਰੇਨ, ਡਿਪਲੌਇ ਅਤੇ ਵਰਤ ਕੇ ਦਿਲ ਦੇ ਫੇਲ ਹੋਣ ਦੇ ਖ਼ਤਰੇ ਦੀ ਭਵਿੱਖਵਾਣੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਜ਼ੂਰ ਐਮਐਲ SDK ਦੀ ਮਦਦ ਨਾਲ ਕਲਾਊਡ ਵਿੱਚ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ ਇਸ [ਡੌਕੂਮੈਂਟੇਸ਼ਨ](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ਨੂੰ ਵੇਖੋ। ਅਜ਼ੂਰ ਐਮਐਲ SDK ਨਾਲ ਆਪਣਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
-## ਅਸਾਈਨਮੈਂਟ
+## ਅਸਾਇਨਮੈਂਟ
-[Azure ML SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟ](assignment.md)
+[ਅਜ਼ੂਰ ਐਮਐਲ SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰਾਜੈਕਟ](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 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
+
+**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।
+
\ 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
index 04a0e605..46183048 100644
--- 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
@@ -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।
\ No newline at end of file
+
+**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।
+
\ No newline at end of file