From c945bd6341867839a5a8755bca49a65d50766ed6 Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Fri, 19 Dec 2025 18:36:13 +0000 Subject: [PATCH] chore(i18n): sync translations with latest source changes (chunk 8/10, 100 files) --- .../R/09-visualization-quantities/README.md | 231 + .../09-visualization-quantities/assignment.md | 27 + .../10-visualization-distributions/README.md | 185 + .../assignment.md | 27 + .../R/11-visualization-proportions/README.md | 206 + .../12-visualization-relationships/README.md | 179 + .../R/13-meaningful-vizualizations/README.md | 184 + .../kn/3-Data-Visualization/README.md | 45 + .../14-Introduction/README.md | 121 + .../14-Introduction/assignment.md | 39 + .../14-Introduction/notebook.ipynb | 140 + .../15-analyzing/README.md | 60 + .../15-analyzing/assignment.ipynb | 154 + .../15-analyzing/assignment.md | 38 + .../15-analyzing/notebook.ipynb | 193 + .../16-communication/README.md | 224 + .../16-communication/assignment.md | 28 + .../kn/4-Data-Science-Lifecycle/README.md | 32 + .../17-Introduction/README.md | 116 + .../17-Introduction/assignment.md | 27 + .../18-Low-Code/README.md | 355 ++ .../18-Low-Code/assignment.md | 27 + .../19-Azure/README.md | 325 ++ .../19-Azure/assignment.md | 27 + .../19-Azure/notebook.ipynb | 325 ++ .../19-Azure/solution/notebook.ipynb | 0 .../kn/5-Data-Science-In-Cloud/README.md | 36 + .../20-Real-World-Examples/README.md | 159 + .../20-Real-World-Examples/assignment.md | 52 + .../kn/6-Data-Science-In-Wild/README.md | 27 + translations/kn/AGENTS.md | 374 ++ translations/kn/CODE_OF_CONDUCT.md | 25 + translations/kn/CONTRIBUTING.md | 368 ++ translations/kn/INSTALLATION.md | 263 + translations/kn/README.md | 252 + translations/kn/SECURITY.md | 53 + translations/kn/SUPPORT.md | 26 + translations/kn/TROUBLESHOOTING.md | 629 +++ translations/kn/USAGE.md | 376 ++ translations/kn/docs/_sidebar.md | 42 + translations/kn/examples/README.md | 151 + translations/kn/for-teachers.md | 78 + translations/kn/quiz-app/README.md | 141 + translations/kn/sketchnotes/README.md | 23 + .../01-defining-data-science/README.md | 178 + .../01-defining-data-science/assignment.md | 17 + .../01-defining-data-science/notebook.ipynb | 432 ++ .../solution/assignment.md | 17 + .../solution/notebook.ipynb | 540 +++ .../ml/1-Introduction/02-ethics/README.md | 136 + .../ml/1-Introduction/02-ethics/assignment.md | 35 + .../1-Introduction/03-defining-data/README.md | 88 + .../03-defining-data/assignment.md | 81 + .../04-stats-and-probability/README.md | 280 ++ .../04-stats-and-probability/assignment.ipynb | 264 + .../04-stats-and-probability/assignment.md | 42 + .../04-stats-and-probability/notebook.ipynb | 968 ++++ .../solution/assignment.ipynb | 957 ++++ translations/ml/1-Introduction/README.md | 33 + .../05-relational-databases/README.md | 199 + .../05-relational-databases/assignment.md | 76 + .../06-non-relational/README.md | 160 + .../06-non-relational/assignment.md | 35 + .../07-python/R/notebook.ipynb | 2144 +++++++++ .../2-Working-With-Data/07-python/README.md | 297 ++ .../07-python/assignment.md | 39 + .../07-python/notebook-covidspread.ipynb | 2461 ++++++++++ .../07-python/notebook-papers.ipynb | 2347 +++++++++ .../07-python/notebook.ipynb | 1510 ++++++ .../08-data-preparation/README.md | 349 ++ .../08-data-preparation/assignment.ipynb | 155 + .../08-data-preparation/assignment.md | 30 + .../08-data-preparation/notebook.ipynb | 4243 +++++++++++++++++ translations/ml/2-Working-With-Data/README.md | 32 + .../09-visualization-quantities/README.md | 221 + .../09-visualization-quantities/assignment.md | 27 + .../notebook.ipynb | 48 + .../solution/notebook.ipynb | 573 +++ .../10-visualization-distributions/README.md | 220 + .../assignment.md | 27 + .../notebook.ipynb | 32 + .../solution/notebook.ipynb | 585 +++ .../11-visualization-proportions/README.md | 206 + .../assignment.md | 27 + .../notebook.ipynb | 32 + .../solution/notebook.ipynb | 1313 +++++ .../12-visualization-relationships/README.md | 190 + .../assignment.md | 27 + .../notebook.ipynb | 32 + .../solution/notebook.ipynb | 391 ++ .../13-meaningful-visualizations/README.md | 184 + .../assignment.md | 27 + .../correlation-analysis.ipynb | 100 + .../solution/README.md | 42 + .../starter/README.md | 42 + .../R/09-visualization-quantities/README.md | 233 + .../09-visualization-quantities/assignment.md | 27 + .../10-visualization-distributions/README.md | 186 + .../assignment.md | 27 + .../R/11-visualization-proportions/README.md | 203 + 100 files changed, 29557 insertions(+) create mode 100644 translations/kn/3-Data-Visualization/R/09-visualization-quantities/README.md create mode 100644 translations/kn/3-Data-Visualization/R/09-visualization-quantities/assignment.md create mode 100644 translations/kn/3-Data-Visualization/R/10-visualization-distributions/README.md create mode 100644 translations/kn/3-Data-Visualization/R/10-visualization-distributions/assignment.md create mode 100644 translations/kn/3-Data-Visualization/R/11-visualization-proportions/README.md create mode 100644 translations/kn/3-Data-Visualization/R/12-visualization-relationships/README.md create mode 100644 translations/kn/3-Data-Visualization/R/13-meaningful-vizualizations/README.md create mode 100644 translations/kn/3-Data-Visualization/README.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/14-Introduction/README.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/14-Introduction/assignment.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb create mode 100644 translations/kn/4-Data-Science-Lifecycle/15-analyzing/README.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb create mode 100644 translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb create mode 100644 translations/kn/4-Data-Science-Lifecycle/16-communication/README.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/16-communication/assignment.md create mode 100644 translations/kn/4-Data-Science-Lifecycle/README.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/17-Introduction/README.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/17-Introduction/assignment.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/18-Low-Code/README.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/18-Low-Code/assignment.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/19-Azure/README.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/19-Azure/assignment.md create mode 100644 translations/kn/5-Data-Science-In-Cloud/19-Azure/notebook.ipynb create mode 100644 translations/kn/5-Data-Science-In-Cloud/19-Azure/solution/notebook.ipynb create mode 100644 translations/kn/5-Data-Science-In-Cloud/README.md create mode 100644 translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/README.md create mode 100644 translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md create mode 100644 translations/kn/6-Data-Science-In-Wild/README.md create mode 100644 translations/kn/AGENTS.md create mode 100644 translations/kn/CODE_OF_CONDUCT.md create mode 100644 translations/kn/CONTRIBUTING.md create mode 100644 translations/kn/INSTALLATION.md create mode 100644 translations/kn/README.md create mode 100644 translations/kn/SECURITY.md create mode 100644 translations/kn/SUPPORT.md create mode 100644 translations/kn/TROUBLESHOOTING.md create mode 100644 translations/kn/USAGE.md create mode 100644 translations/kn/docs/_sidebar.md create mode 100644 translations/kn/examples/README.md create mode 100644 translations/kn/for-teachers.md create mode 100644 translations/kn/quiz-app/README.md create mode 100644 translations/kn/sketchnotes/README.md create mode 100644 translations/ml/1-Introduction/01-defining-data-science/README.md create mode 100644 translations/ml/1-Introduction/01-defining-data-science/assignment.md create mode 100644 translations/ml/1-Introduction/01-defining-data-science/notebook.ipynb create mode 100644 translations/ml/1-Introduction/01-defining-data-science/solution/assignment.md create mode 100644 translations/ml/1-Introduction/01-defining-data-science/solution/notebook.ipynb create mode 100644 translations/ml/1-Introduction/02-ethics/README.md create mode 100644 translations/ml/1-Introduction/02-ethics/assignment.md create mode 100644 translations/ml/1-Introduction/03-defining-data/README.md create mode 100644 translations/ml/1-Introduction/03-defining-data/assignment.md create mode 100644 translations/ml/1-Introduction/04-stats-and-probability/README.md create mode 100644 translations/ml/1-Introduction/04-stats-and-probability/assignment.ipynb create mode 100644 translations/ml/1-Introduction/04-stats-and-probability/assignment.md create mode 100644 translations/ml/1-Introduction/04-stats-and-probability/notebook.ipynb create mode 100644 translations/ml/1-Introduction/04-stats-and-probability/solution/assignment.ipynb create mode 100644 translations/ml/1-Introduction/README.md create mode 100644 translations/ml/2-Working-With-Data/05-relational-databases/README.md create mode 100644 translations/ml/2-Working-With-Data/05-relational-databases/assignment.md create mode 100644 translations/ml/2-Working-With-Data/06-non-relational/README.md create mode 100644 translations/ml/2-Working-With-Data/06-non-relational/assignment.md create mode 100644 translations/ml/2-Working-With-Data/07-python/R/notebook.ipynb create mode 100644 translations/ml/2-Working-With-Data/07-python/README.md create mode 100644 translations/ml/2-Working-With-Data/07-python/assignment.md create mode 100644 translations/ml/2-Working-With-Data/07-python/notebook-covidspread.ipynb create mode 100644 translations/ml/2-Working-With-Data/07-python/notebook-papers.ipynb create mode 100644 translations/ml/2-Working-With-Data/07-python/notebook.ipynb create mode 100644 translations/ml/2-Working-With-Data/08-data-preparation/README.md create mode 100644 translations/ml/2-Working-With-Data/08-data-preparation/assignment.ipynb create mode 100644 translations/ml/2-Working-With-Data/08-data-preparation/assignment.md create mode 100644 translations/ml/2-Working-With-Data/08-data-preparation/notebook.ipynb create mode 100644 translations/ml/2-Working-With-Data/README.md create mode 100644 translations/ml/3-Data-Visualization/09-visualization-quantities/README.md create mode 100644 translations/ml/3-Data-Visualization/09-visualization-quantities/assignment.md create mode 100644 translations/ml/3-Data-Visualization/09-visualization-quantities/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/09-visualization-quantities/solution/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/10-visualization-distributions/README.md create mode 100644 translations/ml/3-Data-Visualization/10-visualization-distributions/assignment.md create mode 100644 translations/ml/3-Data-Visualization/10-visualization-distributions/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/10-visualization-distributions/solution/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/11-visualization-proportions/README.md create mode 100644 translations/ml/3-Data-Visualization/11-visualization-proportions/assignment.md create mode 100644 translations/ml/3-Data-Visualization/11-visualization-proportions/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/11-visualization-proportions/solution/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/12-visualization-relationships/README.md create mode 100644 translations/ml/3-Data-Visualization/12-visualization-relationships/assignment.md create mode 100644 translations/ml/3-Data-Visualization/12-visualization-relationships/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/12-visualization-relationships/solution/notebook.ipynb create mode 100644 translations/ml/3-Data-Visualization/13-meaningful-visualizations/README.md create mode 100644 translations/ml/3-Data-Visualization/13-meaningful-visualizations/assignment.md create mode 100644 translations/ml/3-Data-Visualization/13-meaningful-visualizations/correlation-analysis.ipynb create mode 100644 translations/ml/3-Data-Visualization/13-meaningful-visualizations/solution/README.md create mode 100644 translations/ml/3-Data-Visualization/13-meaningful-visualizations/starter/README.md create mode 100644 translations/ml/3-Data-Visualization/R/09-visualization-quantities/README.md create mode 100644 translations/ml/3-Data-Visualization/R/09-visualization-quantities/assignment.md create mode 100644 translations/ml/3-Data-Visualization/R/10-visualization-distributions/README.md create mode 100644 translations/ml/3-Data-Visualization/R/10-visualization-distributions/assignment.md create mode 100644 translations/ml/3-Data-Visualization/R/11-visualization-proportions/README.md diff --git a/translations/kn/3-Data-Visualization/R/09-visualization-quantities/README.md b/translations/kn/3-Data-Visualization/R/09-visualization-quantities/README.md new file mode 100644 index 00000000..69c37418 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/09-visualization-quantities/README.md @@ -0,0 +1,231 @@ + +# ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್ ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/09-Visualizing-Quantities.png)| +|:---:| +| ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು - _[@nitya](https://twitter.com/nitya) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಪ್ರಮಾಣದ ಸಂಧರ್ಭದಲ್ಲಿ ರೋಚಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸುವುದನ್ನು ಕಲಿಯಲು ಲಭ್ಯವಿರುವ ಹಲವಾರು R ಪ್ಯಾಕೇಜ್ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಹೇಗೆ ಬಳಸಬೇಕೆಂದು ಅನ್ವೇಷಿಸುವಿರಿ. ಮಿನೆಸೋಟಾದ ಪಕ್ಷಿಗಳ ಬಗ್ಗೆ ಸ್ವಚ್ಛಗೊಳಿಸಿದ ಡೇಟಾಸೆಟ್ ಬಳಸಿ, ನೀವು ಸ್ಥಳೀಯ ವನ್ಯಜೀವಿಗಳ ಬಗ್ಗೆ ಹಲವಾರು ರೋಚಕ ವಾಸ್ತವಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳಬಹುದು. +## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/16) + +## ggplot2 ಬಳಸಿ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಯನ್ನು ಗಮನಿಸಿ +ವಿವಿಧ ರೀತಿಯ ಸರಳ ಮತ್ತು ಸುಕ್ಷ್ಮ ಪ್ಲಾಟ್‌ಗಳು ಮತ್ತು ಚಾರ್ಟ್‌ಗಳನ್ನು ರಚಿಸಲು ಅತ್ಯುತ್ತಮ ಗ್ರಂಥಾಲಯವೆಂದರೆ [ggplot2](https://cran.r-project.org/web/packages/ggplot2/index.html). ಸಾಮಾನ್ಯವಾಗಿ, ಈ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿ ಡೇಟಾವನ್ನು ಪ್ಲಾಟ್ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ನಿಮ್ಮ ಡೇಟಾಫ್ರೇಮ್‌ನ ಯಾವ ಭಾಗಗಳನ್ನು ಗುರಿಯಾಗಿಸಬೇಕೆಂದು ಗುರುತಿಸುವುದು, ಆ ಡೇಟಾದ ಮೇಲೆ ಅಗತ್ಯವಿರುವ ಪರಿವರ್ತನೆಗಳನ್ನು ಮಾಡುವುದು, ಅದರ x ಮತ್ತು y ಅಕ್ಷ ಮೌಲ್ಯಗಳನ್ನು ನಿಗದಿಪಡಿಸುವುದು, ಯಾವ ರೀತಿಯ ಪ್ಲಾಟ್ ತೋರಿಸಬೇಕೆಂದು ನಿರ್ಧರಿಸುವುದು ಮತ್ತು ನಂತರ ಪ್ಲಾಟ್ ತೋರಿಸುವುದು ಸೇರಿದೆ. + +`ggplot2` ಒಂದು ಘೋಷಣಾತ್ಮಕವಾಗಿ ಗ್ರಾಫಿಕ್ಸ್ ರಚಿಸುವ ವ್ಯವಸ್ಥೆಯಾಗಿದ್ದು, The Grammar of Graphics ಆಧಾರಿತವಾಗಿದೆ. [The Grammar of Graphics](https://en.wikipedia.org/wiki/Ggplot2) ಒಂದು ಸಾಮಾನ್ಯ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಯೋಜನೆಯಾಗಿದ್ದು, ಗ್ರಾಫ್‌ಗಳನ್ನು ಸ್ಕೇಲ್‌ಗಳು ಮತ್ತು ಲೇಯರ್‌ಗಳಂತಹ ಅರ್ಥಪೂರ್ಣ ಘಟಕಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ. ಬೇರೆ ಮಾತಿನಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಕಡಿಮೆ ಕೋಡ್‌ನೊಂದಿಗೆ ಏಕವ್ಯತ್ಯಯ ಅಥವಾ ಬಹುವ್ಯತ್ಯಯ ಡೇಟಾಗಾಗಿ ಪ್ಲಾಟ್‌ಗಳು ಮತ್ತು ಗ್ರಾಫ್‌ಗಳನ್ನು ಸುಲಭವಾಗಿ ರಚಿಸುವುದರಿಂದ `ggplot2` R ನಲ್ಲಿ ದೃಶ್ಯೀಕರಣಗಳಿಗೆ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಪ್ಯಾಕೇಜಾಗಿದೆ. ಬಳಕೆದಾರರು `ggplot2` ಗೆ ಚರಗಳನ್ನು ಎಸ್ಟೆಟಿಕ್ಸ್‌ಗೆ ಹೇಗೆ ನಕ್ಷೆ ಮಾಡಬೇಕೆಂದು, ಬಳಸಬೇಕಾದ ಗ್ರಾಫಿಕಲ್ ಪ್ರಿಮಿಟಿವ್‌ಗಳನ್ನು ಹೇಳುತ್ತಾರೆ ಮತ್ತು ಉಳಿದುದನ್ನು `ggplot2` ನೋಡಿಕೊಳ್ಳುತ್ತದೆ. + +> ✅ ಪ್ಲಾಟ್ = ಡೇಟಾ + ಎಸ್ಟೆಟಿಕ್ಸ್ + ಜ್ಯಾಮಿತಿ +> - ಡೇಟಾ ಎಂದರೆ ಡೇಟಾಸೆಟ್ +> - ಎಸ್ಟೆಟಿಕ್ಸ್ ಎಂದರೆ ಅಧ್ಯಯನ ಮಾಡಬೇಕಾದ ಚರಗಳು (x ಮತ್ತು y ಚರಗಳು) +> - ಜ್ಯಾಮಿತಿ ಎಂದರೆ ಪ್ಲಾಟ್‌ನ ಪ್ರಕಾರ (ರೇಖಾ ಪ್ಲಾಟ್, ಬಾರ್ ಪ್ಲಾಟ್, ಇತ್ಯಾದಿ) + +ನಿಮ್ಮ ಡೇಟಾ ಮತ್ತು ಪ್ಲಾಟ್ ಮೂಲಕ ಹೇಳಬೇಕಾದ ಕಥೆಯ ಪ್ರಕಾರ ಉತ್ತಮ ಜ್ಯಾಮಿತಿಯನ್ನು (ಪ್ಲಾಟ್ ಪ್ರಕಾರ) ಆಯ್ಕೆಮಾಡಿ. + +> - ಪ್ರವೃತ್ತಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು: ರೇಖೆ, ಕಾಲಮ್ +> - ಮೌಲ್ಯಗಳನ್ನು ಹೋಲಿಸಲು: ಬಾರ್, ಕಾಲಮ್, ಪೈ, ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್ +> - ಭಾಗಗಳು ಒಟ್ಟಿಗೆ ಹೇಗೆ ಸಂಬಂಧ ಹೊಂದಿವೆ ಎಂದು ತೋರಿಸಲು: ಪೈ +> - ಡೇಟಾ ವಿತರಣೆ ತೋರಿಸಲು: ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್, ಬಾರ್ +> - ಮೌಲ್ಯಗಳ ನಡುವಿನ ಸಂಬಂಧ ತೋರಿಸಲು: ರೇಖೆ, ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್, ಬಬಲ್ + +✅ ನೀವು ggplot2 ಗಾಗಿ ಈ ವಿವರಣಾತ್ಮಕ [ಚೀಟ್ಶೀಟ್](https://nyu-cdsc.github.io/learningr/assets/data-visualization-2.1.pdf) ಅನ್ನು ಸಹ ಪರಿಶೀಲಿಸಬಹುದು. + +## ಪಕ್ಷಿ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಯ ಮೌಲ್ಯಗಳ ಬಗ್ಗೆ ರೇಖಾ ಪ್ಲಾಟ್ ರಚಿಸಿ + +R ಕಾನ್ಸೋಲ್ ತೆರೆಯಿರಿ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದುಮಾಡಿ. +> ಟಿಪ್ಪಣಿ: ಡೇಟಾಸೆಟ್ ಈ ರೆಪೊನ ಮೂಲದಲ್ಲಿ `/data` ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. + +ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದುಮಾಡಿ ಮತ್ತು ಡೇಟಾದ ತಲೆ (ಮೇಲಿನ 5 ಸಾಲುಗಳು) ಅನ್ನು ಗಮನಿಸೋಣ. + +```r +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") +head(birds) +``` +ಡೇಟಾದ ತಲೆಯು ಪಠ್ಯ ಮತ್ತು ಸಂಖ್ಯೆಗಳ ಮಿಶ್ರಣವಾಗಿದೆ: + +| | ಹೆಸರು | ವೈಜ್ಞಾನಿಕ ಹೆಸರು | ವರ್ಗ | ಕ್ರಮ | ಕುಟುಂಬ | ಜೀನಸ್ | ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿ | ಕನಿಷ್ಠ ಉದ್ದ | ಗರಿಷ್ಠ ಉದ್ದ | ಕನಿಷ್ಠ ದೇಹದ ಭಾರ | ಗರಿಷ್ಠ ದೇಹದ ಭಾರ | ಕನಿಷ್ಠ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿ | ಗರಿಷ್ಠ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿ | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | ಬ್ಲ್ಯಾಕ್-ಬೆಲ್ಡ್ ವಿಸ್ಲಿಂಗ್-ಡಕ್ | Dendrocygna autumnalis | ಬಾತುಗಳು/ಗೀಸೆಗಳು/ನೀರಾಜೀವಿಗಳು | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | ಫುಲ್ವಸ್ ವಿಸ್ಲಿಂಗ್-ಡಕ್ | Dendrocygna bicolor | ಬಾತುಗಳು/ಗೀಸೆಗಳು/ನೀರಾಜೀವಿಗಳು | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | ಸ್ನೋ ಗೂಸ್ | Anser caerulescens | ಬಾತುಗಳು/ಗೀಸೆಗಳು/ನೀರಾಜೀವಿಗಳು | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | ರಾಸ್ ಗೂಸ್ | Anser rossii | ಬಾತುಗಳು/ಗೀಸೆಗಳು/ನೀರಾಜೀವಿಗಳು | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | ಗ್ರೇಟರ್ ವೈಟ್-ಫ್ರಂಟ್ ಗೂಸ್ | Anser albifrons | ಬಾತುಗಳು/ಗೀಸೆಗಳು/ನೀರಾಜೀವಿಗಳು | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +ನಾವು ಕೆಲವು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾವನ್ನು ಮೂಲ ರೇಖಾ ಪ್ಲಾಟ್ ಬಳಸಿ ಪ್ಲಾಟ್ ಮಾಡೋಣ. ಈ ರೋಚಕ ಪಕ್ಷಿಗಳ ಗರಿಷ್ಠ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಯ ದೃಶ್ಯವನ್ನು ನೀವು ಬಯಸಿದರೆ. + +```r +install.packages("ggplot2") +library("ggplot2") +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() +``` +ಇಲ್ಲಿ, ನೀವು `ggplot2` ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ ನಂತರ `library("ggplot2")` ಕಮಾಂಡ್ ಬಳಸಿ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ಆಮದುಮಾಡುತ್ತೀರಿ. ggplot ನಲ್ಲಿ ಯಾವುದೇ ಪ್ಲಾಟ್ ರಚಿಸಲು `ggplot()` ಫಂಕ್ಷನ್ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಡೇಟಾಸೆಟ್, x ಮತ್ತು y ಚರಗಳನ್ನು ಗುಣಲಕ್ಷಣಗಳಾಗಿ ಸೂಚಿಸಲಾಗುತ್ತದೆ. ಈ ಪ್ರಕರಣದಲ್ಲಿ, ನಾವು ರೇಖಾ ಪ್ಲಾಟ್ ರಚಿಸಲು `geom_line()` ಫಂಕ್ಷನ್ ಬಳಸುತ್ತೇವೆ. + +![MaxWingspan-lineplot](../../../../../translated_images/MaxWingspan-lineplot.b12169f99d26fdd263f291008dfd73c18a4ba8f3d32b1fda3d74af51a0a28616.kn.png) + +ನೀವು ತಕ್ಷಣವೇ ಏನು ಗಮನಿಸುತ್ತೀರಿ? ಕನಿಷ್ಠ ಒಂದು ಹೊರಗಿನ ಮೌಲ್ಯವಿದೆ - ಅದು ತುಂಬಾ ದೊಡ್ಡ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿ! 2000+ ಸೆಂ.ಮೀ. ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿ 20 ಮೀಟರ್‌ಗಿಂತ ಹೆಚ್ಚು - ಮಿನೆಸೋಟಾದಲ್ಲಿ ಪ್ಟೆರೋಡ್ಯಾಕ್ಟೈಲ್ಸ್ ಓಡಾಡುತ್ತಿವೆಯೇ? ಪರಿಶೀಲಿಸೋಣ. + +ನೀವು ಆ ಹೊರಗಿನ ಮೌಲ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಎಕ್ಸೆಲ್‌ನಲ್ಲಿ ತ್ವರಿತವಾಗಿ ಸರಿಸುಮಾರು ಮಾಡಬಹುದು, ಅವು ಬಹುಶಃ ಟೈಪೋಗಳಾಗಿರಬಹುದು, ಆದರೆ ಪ್ಲಾಟ್‌ನೊಳಗಿಂದಲೇ ದೃಶ್ಯೀಕರಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮುಂದುವರಿಸಿ. + +x-ಅಕ್ಷಕ್ಕೆ ಲೇಬಲ್ಗಳನ್ನು ಸೇರಿಸಿ ಯಾವ ರೀತಿಯ ಪಕ್ಷಿಗಳು ಪ್ರಶ್ನೆಯಲ್ಲಿವೆ ಎಂದು ತೋರಿಸಲು: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_line() + + theme(axis.text.x = element_text(angle = 45, hjust=1))+ + xlab("Birds") + + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") +``` +ನಾವು `theme` ನಲ್ಲಿ ಕೋನವನ್ನು ಸೂಚಿಸುತ್ತೇವೆ ಮತ್ತು `xlab()` ಮತ್ತು `ylab()` ನಲ್ಲಿ ಕ್ರಮವಾಗಿ x ಮತ್ತು y ಅಕ್ಷದ ಲೇಬಲ್ಗಳನ್ನು ನಿಗದಿಪಡಿಸುತ್ತೇವೆ. `ggtitle()` ಗ್ರಾಫ್/ಪ್ಲಾಟ್‌ಗೆ ಹೆಸರು ನೀಡುತ್ತದೆ. + +![MaxWingspan-lineplot-improved](../../../../../translated_images/MaxWingspan-lineplot-improved.04b73b4d5a59552a6bc7590678899718e1f065abe9eada9ebb4148939b622fd4.kn.png) + +ಲೇಬಲ್ಗಳ ತಿರುಗುವಿಕೆಯನ್ನು 45 ಡಿಗ್ರಿ ಗೆ ಹೊಂದಿಸಿದರೂ, ಓದಲು ತುಂಬಾ ಹೆಚ್ಚು ಇದೆ. ಬೇರೆ ತಂತ್ರವನ್ನು ಪ್ರಯತ್ನಿಸೋಣ: ಹೊರಗಿನ ಮೌಲ್ಯಗಳಿಗೆ ಮಾತ್ರ ಲೇಬಲ್ಗಳನ್ನು ನೀಡಿ ಮತ್ತು ಲೇಬಲ್ಗಳನ್ನು ಚಾರ್ಟ್ ಒಳಗೆ ಸೆಟ್ ಮಾಡಿ. ಲೇಬಲಿಂಗ್‌ಗೆ ಹೆಚ್ಚು ಜಾಗ ಮಾಡಲು ಸ್ಕ್ಯಾಟರ್ ಚಾರ್ಟ್ ಬಳಸಬಹುದು: + +```r +ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank()) + ylab("Wingspan (CM)") + + ggtitle("Max Wingspan in Centimeters") + +``` +ಇಲ್ಲಿ ಏನಾಗುತ್ತಿದೆ? ನೀವು `geom_point()` ಫಂಕ್ಷನ್ ಬಳಸಿ ಸ್ಕ್ಯಾಟರ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿದ್ದೀರಿ. ಇದರಿಂದ, `MaxWingspan > 500` ಇರುವ ಪಕ್ಷಿಗಳಿಗೆ ಲೇಬಲ್ಗಳನ್ನು ಸೇರಿಸಿದ್ದೀರಿ ಮತ್ತು ಪ್ಲಾಟ್ ಅನ್ನು ಅಳವಡಿಸಲು x ಅಕ್ಷದ ಲೇಬಲ್ಗಳನ್ನು ಮರೆಮಾಚಿದ್ದೀರಿ. + +ನೀವು ಏನು ಕಂಡುಹಿಡಿದಿರಿ? + +![MaxWingspan-scatterplot](../../../../../translated_images/MaxWingspan-scatterplot.60dc9e0e19d32700283558f253841fdab5104abb62bc96f7d97f9c0ee857fa8b.kn.png) + +## ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ + +ಬಾಲ್ಡ್ ಈಗಲ್ ಮತ್ತು ಪ್ರೇರೀ ಫಾಲ್ಕನ್, ಬಹುಶಃ ತುಂಬಾ ದೊಡ್ಡ ಪಕ್ಷಿಗಳು, ಗರಿಷ್ಠ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಗೆ ಹೆಚ್ಚುವರಿ 0 ಸೇರಿಸಿರುವುದರಿಂದ ತಪ್ಪಾಗಿ ಲೇಬಲಾದಂತೆ ಕಾಣುತ್ತವೆ. 25 ಮೀಟರ್ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಯ ಬಾಲ್ಡ್ ಈಗಲ್ ಅನ್ನು ನೀವು ಭೇಟಿಯಾಗುವುದಿಲ್ಲ, ಆದರೆ ಆಗಿದ್ದರೆ ದಯವಿಟ್ಟು ನಮಗೆ ತಿಳಿಸಿ! ಆ ಎರಡು ಹೊರಗಿನ ಮೌಲ್ಯಗಳನ್ನು ಹೊರತುಪಡಿಸಿ ಹೊಸ ಡೇಟಾಫ್ರೇಮ್ ರಚಿಸೋಣ: + +```r +birds_filtered <- subset(birds, MaxWingspan < 500) + +ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) + + geom_point() + + ylab("Wingspan (CM)") + + xlab("Birds") + + ggtitle("Max Wingspan in Centimeters") + + geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + + theme(axis.text.x=element_blank(), axis.ticks.x=element_blank()) +``` +ನಾವು ಹೊಸ ಡೇಟಾಫ್ರೇಮ್ `birds_filtered` ರಚಿಸಿ ನಂತರ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ರಚಿಸಿದ್ದೇವೆ. ಹೊರಗಿನ ಮೌಲ್ಯಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿದ ನಂತರ, ನಿಮ್ಮ ಡೇಟಾ ಈಗ ಹೆಚ್ಚು ಸಮ್ಮಿಲಿತ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾಗಿದೆ. + +![MaxWingspan-scatterplot-improved](../../../../../translated_images/MaxWingspan-scatterplot-improved.7d0af81658c65f3e75b8fedeb2335399e31108257e48db15d875ece608272051.kn.png) + +ಈಗ ರೆಕ್ಕೆ ವ್ಯಾಪ್ತಿಯ ದೃಷ್ಟಿಯಿಂದ ಸ್ವಚ್ಛವಾದ ಡೇಟಾಸೆಟ್ ಇದ್ದು, ಈ ಪಕ್ಷಿಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳೋಣ. + +ರೇಖಾ ಮತ್ತು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳು ಡೇಟಾ ಮೌಲ್ಯಗಳು ಮತ್ತು ಅವುಗಳ ವಿತರಣೆಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿ ತೋರಿಸಬಹುದು, ಆದರೆ ನಾವು ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿರುವ ಮೌಲ್ಯಗಳ ಬಗ್ಗೆ ಯೋಚಿಸಬೇಕು. ನೀವು ಪ್ರಮಾಣದ ಬಗ್ಗೆ ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡುವ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸಬಹುದು: + +> ಎಷ್ಟು ವರ್ಗದ ಪಕ್ಷಿಗಳು ಇವೆ ಮತ್ತು ಅವುಗಳ ಸಂಖ್ಯೆ ಎಷ್ಟು? +> ಎಷ್ಟು ಪಕ್ಷಿಗಳು ನಾಶವಾಗಿವೆ, ಅಪಾಯದಲ್ಲಿವೆ, ಅಪರೂಪವಾಗಿವೆ ಅಥವಾ ಸಾಮಾನ್ಯವಾಗಿವೆ? +> ಲಿನಿಯಸ್ ಅವರ ಪದಬಳಕೆಯ ಪ್ರಕಾರ ವಿವಿಧ ಜೀನಸ್ ಮತ್ತು ಕ್ರಮಗಳಲ್ಲಿ ಎಷ್ಟು ಪಕ್ಷಿಗಳು ಇವೆ? +## ಬಾರ್ ಚಾರ್ಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ + +ಬಾರ್ ಚಾರ್ಟ್‌ಗಳು ಡೇಟಾ ಗುಂಪುಗಳನ್ನು ತೋರಿಸಲು ಉಪಯುಕ್ತವಾಗಿವೆ. ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಇರುವ ಪಕ್ಷಿಗಳ ವರ್ಗಗಳನ್ನು ಅನ್ವೇಷಿಸಿ ಯಾವುದು ಸಂಖ್ಯೆಯಲ್ಲಿ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾಗಿದೆ ಎಂದು ನೋಡೋಣ. ಫಿಲ್ಟರ್ ಮಾಡಿದ ಡೇಟಾದ ಮೇಲೆ ಬಾರ್ ಚಾರ್ಟ್ ರಚಿಸೋಣ. + +```r +install.packages("dplyr") +install.packages("tidyverse") + +library(lubridate) +library(scales) +library(dplyr) +library(ggplot2) +library(tidyverse) + +birds_filtered %>% group_by(Category) %>% + summarise(n=n(), + MinLength = mean(MinLength), + MaxLength = mean(MaxLength), + MinBodyMass = mean(MinBodyMass), + MaxBodyMass = mean(MaxBodyMass), + MinWingspan=mean(MinWingspan), + MaxWingspan=mean(MaxWingspan)) %>% + gather("key", "value", - c(Category, n)) %>% + ggplot(aes(x = Category, y = value, group = key, fill = key)) + + geom_bar(stat = "identity") + + scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) + + xlab("Category")+ggtitle("Birds of Minnesota") + +``` +ಕೆಳಗಿನ ಸ্নಿಪೆಟ್‌ನಲ್ಲಿ, ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಶನ್ ಮತ್ತು ಗುಂಪು ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ [dplyr](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8) ಮತ್ತು [lubridate](https://www.rdocumentation.org/packages/lubridate/versions/1.8.0) ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತೇವೆ. ಮೊದಲು, ನೀವು ಪಕ್ಷಿಯ `Category` ಮೂಲಕ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ನಂತರ `MinLength`, `MaxLength`, `MinBodyMass`, `MaxdyMass`, `MinWingspan`, `MaxWingspan` ಕಾಲಮ್‌ಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸುತ್ತೀರಿ. ನಂತರ, `ggplot2` ಪ್ಯಾಕೇಜ್ ಬಳಸಿ ಬಾರ್ ಚಾರ್ಟ್ ಅನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿ ವಿಭಿನ್ನ ವರ್ಗಗಳಿಗೆ ಬಣ್ಣಗಳನ್ನು ಮತ್ತು ಲೇಬಲ್ಗಳನ್ನು ಸೂಚಿಸುತ್ತೀರಿ. + +![Stacked bar chart](../../../../../translated_images/stacked-bar-chart.0c92264e89da7b391a7490224d1e7059a020e8b74dcd354414aeac78871c02f1.kn.png) + +ಈ ಬಾರ್ ಚಾರ್ಟ್ ಓದಲು ಅಸಾಧ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಅತಿಯಾದ ಗುಂಪುಮಾಡದ ಡೇಟಾ ಇದೆ. ನೀವು ಪ್ಲಾಟ್ ಮಾಡಲು ಬಯಸುವ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಆಯ್ಕೆಮಾಡಬೇಕು, ಆದ್ದರಿಂದ ಪಕ್ಷಿಗಳ ಉದ್ದವನ್ನು ಅವುಗಳ ವರ್ಗದ ಆಧಾರದ ಮೇಲೆ ನೋಡೋಣ. + +ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಪಕ್ಷಿಯ ವರ್ಗವನ್ನು ಮಾತ್ರ ಒಳಗೊಂಡಂತೆ ಫಿಲ್ಟರ್ ಮಾಡಿ. + +ಬಹುಮಾನ ವರ್ಗಗಳಿದ್ದರಿಂದ, ನೀವು ಈ ಚಾರ್ಟ್ ಅನ್ನು ಲಂಬವಾಗಿ ಪ್ರದರ್ಶಿಸಿ ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡಂತೆ ಅದರ ಎತ್ತರವನ್ನು ಸರಿಹೊಂದಿಸಬಹುದು: + +```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() +``` +ಮೊದಲು ನೀವು `Category` ಕಾಲಮ್‌ನ ವಿಶಿಷ್ಟ ಮೌಲ್ಯಗಳನ್ನು ಎಣಿಸಿ ನಂತರ ಅವುಗಳನ್ನು ಹೊಸ ಡೇಟಾಫ್ರೇಮ್ `birds_count` ಗೆ ಸರಿಸುಮಾರು ಮಾಡುತ್ತೀರಿ. ಈ ಸರಿಗೊಳಿಸಿದ ಡೇಟಾವನ್ನು ಅದೇ ಮಟ್ಟದಲ್ಲಿ ಫ್ಯಾಕ್ಟರ್ ಮಾಡಿ ಆದ್ದರಿಂದ ಅದು ಸರಿಗೊಳಿಸಿದ ರೀತಿಯಲ್ಲಿ ಪ್ಲಾಟ್ ಆಗುತ್ತದೆ. ನಂತರ `ggplot2` ಬಳಸಿ ಬಾರ್ ಚಾರ್ಟ್ ರಚಿಸುತ್ತೀರಿ. `coord_flip()` ಹೋರಿಜಾಂಟಲ್ ಬಾರ್‌ಗಳನ್ನು ಪ್ಲಾಟ್ ಮಾಡುತ್ತದೆ. + +![category-length](../../../../../translated_images/category-length.7e34c296690e85d64f7e4d25a56077442683eca96c4f5b4eae120a64c0755636.kn.png) + +ಈ ಬಾರ್ ಚಾರ್ಟ್ ಪ್ರತಿ ವರ್ಗದಲ್ಲಿನ ಪಕ್ಷಿಗಳ ಸಂಖ್ಯೆಯ ಉತ್ತಮ ದೃಶ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ. ಕ್ಷಣದಲ್ಲಿಯೇ ನೀವು ಈ ಪ್ರದೇಶದಲ್ಲಿ Ducks/Geese/Waterfowl ವರ್ಗದಲ್ಲಿರುವ ಪಕ್ಷಿಗಳ ಸಂಖ್ಯೆ ಅತ್ಯಂತ ಹೆಚ್ಚು ಎಂದು ನೋಡಬಹುದು. ಮಿನೆಸೋಟಾ '10,000 ಸರೋವರಗಳ ಭೂಮಿ' ಆಗಿರುವುದರಿಂದ ಇದು ಆಶ್ಚರ್ಯಕರವಲ್ಲ! + +✅ ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಇನ್ನಷ್ಟು ಎಣಿಕೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ. ಏನಾದರೂ ನಿಮಗೆ ಆಶ್ಚರ್ಯಕರವಿದೆಯೇ? + +## ಡೇಟಾ ಹೋಲಿಕೆ + +ನೀವು ಗುಂಪುಮಾಡಲಾದ ಡೇಟಾದ ವಿಭಿನ್ನ ಹೋಲಿಕೆಗಳನ್ನು ಹೊಸ ಅಕ್ಷಗಳನ್ನು ರಚಿಸುವ ಮೂಲಕ ಪ್ರಯತ್ನಿಸಬಹುದು. ಪಕ್ಷಿಯ ಗರಿಷ್ಠ ಉದ್ದವನ್ನು ಅದರ ವರ್ಗದ ಆಧಾರದ ಮೇಲೆ ಹೋಲಿಸಿ: + +```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() +``` +ನಾವು `birds_filtered` ಡೇಟಾವನ್ನು `Category` ಮೂಲಕ ಗುಂಪುಮಾಡಿ ನಂತರ ಬಾರ್ ಗ್ರಾಫ್ ರಚಿಸುತ್ತೇವೆ. + +![comparing data](../../../../../translated_images/comparingdata.f486a450d61c7ca5416f27f3f55a6a4465d00df3be5e6d33936e9b07b95e2fdd.kn.png) + +ಇಲ್ಲಿ ಏನೂ ಆಶ್ಚರ್ಯಕರವಿಲ್ಲ: ಹುಮ್ಮಿಂಗ್‌ಬರ್ಡ್‌ಗಳು ಪೆಲಿಕಾನ್ಸ್ ಅಥವಾ ಗೀಸೆಗಳಿಗಿಂತ ಕಡಿಮೆ ಗರಿಷ್ಠ ಉದ್ದ ಹೊಂದಿವೆ. ಡೇಟಾ ತಾರ್ಕಿಕವಾಗಿದ್ದರೆ ಚೆನ್ನಾಗಿದೆ! + +ನೀವು ಬಾರ್ ಚಾರ್ಟ್‌ಗಳ ರೋಚಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಹೆಚ್ಚು ರೋಚಕವಾಗಿಸಲು ಡೇಟಾವನ್ನು ಒಟ್ಟುಗೂಡಿಸಬಹುದು. ನೀಡಲಾದ ಪಕ್ಷಿ ವರ್ಗದ ಮೇಲೆ ಕನಿಷ್ಠ ಮತ್ತು ಗರಿಷ್ಠ ಉದ್ದವನ್ನು ಒಟ್ಟುಗೂಡಿಸೋಣ: + +```r +ggplot(data=birds_grouped, aes(x=Category)) + + geom_bar(aes(y=MaxLength), stat="identity", position ="identity", fill='blue') + + geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+ + coord_flip() +``` +![super-imposed values](../../../../../translated_images/superimposed-values.5363f0705a1da4167625a373a1064331ea3cb7a06a297297d0734fcc9b3819a0.kn.png) + +## 🚀 ಸವಾಲು + +ಈ ಪಕ್ಷಿ ಡೇಟಾಸೆಟ್ ಒಂದು ನಿರ್ದಿಷ್ಟ ಪರಿಸರದಲ್ಲಿ ವಿವಿಧ ರೀತಿಯ ಪಕ್ಷಿಗಳ ಬಗ್ಗೆ ಸಮೃದ್ಧ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತದೆ. ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿ ಹುಡುಕಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಪಕ್ಷಿ-ಕೇಂದ್ರಿತ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ಈ ಪಕ್ಷಿಗಳ ಸುತ್ತಲೂ ಚಾರ್ಟ್‌ಗಳು ಮತ್ತು ಗ್ರಾಫ್‌ಗಳನ್ನು ರಚಿಸುವ ಅಭ್ಯಾಸ ಮಾಡಿ ನೀವು ತಿಳಿಯದ ವಾಸ್ತವಗಳನ್ನು ಅನ್ವೇಷಿಸಿ. +## [ಪೋಸ್ಟ್-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/17) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಈ ಮೊದಲ ಪಾಠವು ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು `ggplot2` ಅನ್ನು ಹೇಗೆ ಬಳಸಬೇಕೆಂಬ ಬಗ್ಗೆ ನಿಮಗೆ ಕೆಲವು ಮಾಹಿತಿ ನೀಡಿದೆ. ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ ಡೇಟಾಸೆಟ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಇತರ ಮಾರ್ಗಗಳನ್ನು ಕುರಿತು ಸಂಶೋಧನೆ ಮಾಡಿ. [Lattice](https://stat.ethz.ch/R-manual/R-devel/library/lattice/html/Lattice.html) ಮತ್ತು [Plotly](https://github.com/plotly/plotly.R#readme) ಮುಂತಾದ ಇತರ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಬಳಸಿ ನೀವು ದೃಶ್ಯೀಕರಿಸಬಹುದಾದ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹುಡುಕಿ. + +## ನಿಯೋಜನೆ +[ರೆಖೆಗಳು, ಸ್ಕ್ಯಾಟರ್‌ಗಳು ಮತ್ತು ಬಾರ್‌ಗಳು](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/09-visualization-quantities/assignment.md b/translations/kn/3-Data-Visualization/R/09-visualization-quantities/assignment.md new file mode 100644 index 00000000..31fa2f71 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/09-visualization-quantities/assignment.md @@ -0,0 +1,27 @@ + +# ರೇಖೆಗಳು, ಚಿತ್ತಾರಗಳು ಮತ್ತು ಬಾರ್‌ಗಳು + +## ಸೂಚನೆಗಳು + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ರೇಖಾ ಚಾರ್ಟ್‌ಗಳು, ಚಿತ್ತಾರ ಪ್ಲಾಟ್‌ಗಳು ಮತ್ತು ಬಾರ್ ಚಾರ್ಟ್‌ಗಳೊಂದಿಗೆ ಈ ಡೇಟಾಸೆಟ್ ಬಗ್ಗೆ ಆಸಕ್ತಿದಾಯಕ ವಾಸ್ತವಗಳನ್ನು ತೋರಿಸಲು ಕೆಲಸ ಮಾಡಿದ್ದೀರಿ. ಈ ನಿಯೋಜನೆಯಲ್ಲಿ, ನೀಡಲಾದ ಪಕ್ಷಿಯ ಪ್ರಕಾರದ ಬಗ್ಗೆ ಒಂದು ವಾಸ್ತವವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸಿ. ಉದಾಹರಣೆಗೆ, ಸ್ನೋ ಗೀಸ್ ಬಗ್ಗೆ ನೀವು ಕಂಡುಹಿಡಿಯಬಹುದಾದ ಎಲ್ಲಾ ಆಸಕ್ತಿದಾಯಕ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಸ್ಕ್ರಿಪ್ಟ್ ರಚಿಸಿ. ಮೇಲ್ಕಂಡ ಮೂರು ಪ್ಲಾಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ಒಂದು ಕಥೆಯನ್ನು ಹೇಳಿ. + +## ಮೌಲ್ಯಮಾಪನ + +ಉದಾಹರಣೆಯಾದ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ +--- | --- | -- | +ಒಳ್ಳೆಯ ಟಿಪ್ಪಣಿಗಳು, ದೃಢ ಕಥನಶೈಲಿ ಮತ್ತು ಆಕರ್ಷಕ ಗ್ರಾಫ್‌ಗಳೊಂದಿಗೆ ಸ್ಕ್ರಿಪ್ಟ್ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ | ಈ ಅಂಶಗಳಲ್ಲಿ ಒಂದನ್ನು ಸ್ಕ್ರಿಪ್ಟ್ ತಪ್ಪಿಸಿದೆ | ಈ ಅಂಶಗಳಲ್ಲಿ ಎರಡು ತಪ್ಪಿವೆ + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/10-visualization-distributions/README.md b/translations/kn/3-Data-Visualization/R/10-visualization-distributions/README.md new file mode 100644 index 00000000..e666e1a1 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/10-visualization-distributions/README.md @@ -0,0 +1,185 @@ + +# ವಿತರಣೆಯ ದೃಶ್ಯೀಕರಣ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](https://github.com/microsoft/Data-Science-For-Beginners/blob/main/sketchnotes/10-Visualizing-Distributions.png)| +|:---:| +| ವಿತರಣೆಯ ದೃಶ್ಯೀಕರಣ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ, ನೀವು ಮಿನೆಸೋಟಾದ ಪಕ್ಷಿಗಳ ಬಗ್ಗೆ ಇರುವ ಡೇಟಾಸೆಟ್ ಬಗ್ಗೆ ಕೆಲವು ಆಸಕ್ತಿದಾಯಕ ವಾಸ್ತವಗಳನ್ನು ಕಲಿತಿರಿ. ನೀವು ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮೂಲಕ ಕೆಲವು ತಪ್ಪು ಡೇಟಾವನ್ನು ಕಂಡುಹಿಡಿದಿರಿ ಮತ್ತು ಪಕ್ಷಿಗಳ ವರ್ಗಗಳ ಗರಿಷ್ಠ ಉದ್ದದ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳನ್ನು ನೋಡಿದಿರಿ. + +## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/18) +## ಪಕ್ಷಿಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ + +ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತೊಂದು ವಿಧಾನವೆಂದರೆ ಅದರ ವಿತರಣೆಯನ್ನು ನೋಡುವುದು, ಅಥವಾ ಡೇಟಾ ಒಂದು ಅಕ್ಷದ ಮೇಲೆ ಹೇಗೆ ಸಂಘಟಿತವಾಗಿದೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು. ಉದಾಹರಣೆಗೆ, ನೀವು ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಮಿನೆಸೋಟಾದ ಪಕ್ಷಿಗಳ ಗರಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರ ಅಥವಾ ಗರಿಷ್ಠ ದೇಹ ಭಾರದ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಇಚ್ಛಿಸಬಹುದು. + +ಈ ಡೇಟಾಸೆಟ್‌ನ ಡೇಟಾ ವಿತರಣೆಯ ಬಗ್ಗೆ ಕೆಲವು ವಾಸ್ತವಗಳನ್ನು ಕಂಡುಹಿಡಿಯೋಣ. ನಿಮ್ಮ R ಕಾನ್ಸೋಲ್‌ನಲ್ಲಿ `ggplot2` ಮತ್ತು ಡೇಟಾಬೇಸ್ ಅನ್ನು ಆಮದುಮಾಡಿ. ಹಿಂದಿನ ವಿಷಯದಲ್ಲಿ ಮಾಡಿದಂತೆ ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ಡೇಟಾಬೇಸ್‌ನಿಂದ ತೆಗೆದುಹಾಕಿ. + +```r +library(ggplot2) + +birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM") + +birds_filtered <- subset(birds, MaxWingspan < 500) +head(birds_filtered) +``` +| | ಹೆಸರು | ವೈಜ್ಞಾನಿಕ ಹೆಸರು | ವರ್ಗ | ಕ್ರಮ | ಕುಟುಂಬ | ಜೀನಸ್ | ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿ | ಕನಿಷ್ಠ ಉದ್ದ | ಗರಿಷ್ಠ ಉದ್ದ | ಕನಿಷ್ಠ ದೇಹ ಭಾರ | ಗರಿಷ್ಠ ದೇಹ ಭಾರ | ಕನಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರ | ಗರಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರ | +| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: | +| 0 | ಬ್ಲ್ಯಾಕ್-ಬೆಲ್ಡ್ ವಿಸ್ಲಿಂಗ್-ಡಕ್ | Dendrocygna autumnalis | ಬಾತುಗಳು/ಗೀಸೆ/ನೀರಿನ ಪಕ್ಷಿಗಳು | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 | +| 1 | ಫುಲ್ವಸ್ ವಿಸ್ಲಿಂಗ್-ಡಕ್ | Dendrocygna bicolor | ಬಾತುಗಳು/ಗೀಸೆ/ನೀರಿನ ಪಕ್ಷಿಗಳು | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 | +| 2 | ಸ್ನೋ ಗೂಸ್ | Anser caerulescens | ಬಾತುಗಳು/ಗೀಸೆ/ನೀರಿನ ಪಕ್ಷಿಗಳು | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 | +| 3 | ರಾಸ್ ಗೂಸ್ | Anser rossii | ಬಾತುಗಳು/ಗೀಸೆ/ನೀರಿನ ಪಕ್ಷಿಗಳು | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 | +| 4 | ಗ್ರೇಟರ್ ವೈಟ್-ಫ್ರಂಟ್ ಗೂಸ್ | Anser albifrons | ಬಾತುಗಳು/ಗೀಸೆ/ನೀರಿನ ಪಕ್ಷಿಗಳು | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 | + +ಸಾಮಾನ್ಯವಾಗಿ, ನೀವು ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ ಮಾಡಿದಂತೆ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಬಳಸಿ ಡೇಟಾ ಹೇಗೆ ವಿತರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ತ್ವರಿತವಾಗಿ ನೋಡಬಹುದು: + +```r +ggplot(data=birds_filtered, aes(x=Order, y=MaxLength,group=1)) + + geom_point() + + ggtitle("Max Length per order") + coord_flip() +``` +![max length per order](../../../../../translated_images/max-length-per-order.e5b283d952c78c12b091307c5d3cf67132dad6fefe80a073353b9dc5c2bd3eb8.kn.png) + +ಇದು ಪಕ್ಷಿ ಕ್ರಮದ ಪ್ರತಿ ದೇಹ ಉದ್ದದ ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಅವಲೋಕನವನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಇದು ನಿಜವಾದ ವಿತರಣೆಯನ್ನು ಪ್ರದರ್ಶಿಸಲು ಅತ್ಯುತ್ತಮ ವಿಧಾನವಲ್ಲ. ಆ ಕಾರ್ಯವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಹಿಸ್ಟೋಗ್ರಾಮ್ ರಚಿಸುವ ಮೂಲಕ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. +## ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ + +`ggplot2` ಡೇಟಾ ವಿತರಣೆಯನ್ನು ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳ ಮೂಲಕ ದೃಶ್ಯೀಕರಿಸಲು ಅತ್ಯುತ್ತಮ ವಿಧಾನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ರೀತಿಯ ಚಾರ್ಟ್ ಒಂದು ಬಾರ್ ಚಾರ್ಟ್ ಹೋಲುತ್ತದೆ, ಇಲ್ಲಿ ಬಾರ್‌ಗಳ ಏರಿಕೆ ಮತ್ತು ಇಳಿಕೆಯಿಂದ ವಿತರಣೆಯನ್ನು ನೋಡಬಹುದು. ಹಿಸ್ಟೋಗ್ರಾಮ್ ರಚಿಸಲು, ನಿಮಗೆ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ. ಹಿಸ್ಟೋಗ್ರಾಮ್ ರಚಿಸಲು, ನೀವು ಚಾರ್ಟ್ ಅನ್ನು 'hist' ಪ್ರಕಾರವಾಗಿ ನಿರ್ಧರಿಸಿ ಪ್ಲಾಟ್ ಮಾಡಬಹುದು. ಈ ಚಾರ್ಟ್ ಸಂಪೂರ್ಣ ಡೇಟಾಸೆಟ್‌ನ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾದ ವ್ಯಾಪ್ತಿಯ ಗರಿಷ್ಠ ದೇಹ ಭಾರದ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಡೇಟಾ ಸರಣಿಯನ್ನು ಸಣ್ಣ ಬಿನ್‌ಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ, ಅದು ಡೇಟಾ ಮೌಲ್ಯಗಳ ವಿತರಣೆಯನ್ನು ಪ್ರದರ್ಶಿಸಬಹುದು: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + + geom_histogram(bins=10)+ylab('Frequency') +``` +![distribution over entire dataset](../../../../../translated_images/distribution-over-the-entire-dataset.d22afd3fa96be854e4c82213fedec9e3703cba753d07fad4606aadf58cf7e78e.kn.png) + +ನೀವು ನೋಡಬಹುದು, ಈ ಡೇಟಾಸೆಟ್‌ನ 400+ ಪಕ್ಷಿಗಳ ಬಹುತೇಕವು ಗರಿಷ್ಠ ದೇಹ ಭಾರದ 2000 ಕ್ಕಿಂತ ಕಡಿಮೆ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಬರುತ್ತವೆ. `bins` ಪರಿಮಾಣವನ್ನು 30 ರಂತಹ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಗೆ ಬದಲಾಯಿಸುವ ಮೂಲಕ ಡೇಟಾದ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಒಳನೋಟವನ್ನು ಪಡೆಯಿರಿ: + +```r +ggplot(data = birds_filtered, aes(x = MaxBodyMass)) + geom_histogram(bins=30)+ylab('Frequency') +``` + +![distribution-30bins](../../../../../translated_images/distribution-30bins.6a3921ea7a421bf71f06bf5231009e43d1146f1b8da8dc254e99b5779a4983e5.kn.png) + +ಈ ಚಾರ್ಟ್ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ರೀತಿಯಲ್ಲಿ ವಿತರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಎಡಕ್ಕೆ ಕಡಿಮೆ ತಿರುವು ಹೊಂದಿರುವ ಚಾರ್ಟ್ ಅನ್ನು ನೀವು ನಿರ್ದಿಷ್ಟ ವ್ಯಾಪ್ತಿಯೊಳಗಿನ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಆಯ್ಕೆಮಾಡುವ ಮೂಲಕ ರಚಿಸಬಹುದು: + +ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ, ದೇಹ ಭಾರವು 60 ಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವ ಪಕ್ಷಿಗಳನ್ನು ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳಿ ಮತ್ತು 30 `bins` ತೋರಿಸಿ: + +```r +birds_filtered_1 <- subset(birds_filtered, MaxBodyMass > 1 & MaxBodyMass < 60) +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_histogram(bins=30)+ylab('Frequency') +``` + +![filtered histogram](../../../../../translated_images/filtered-histogram.6bf5d2bfd82533220e1bd4bc4f7d14308f43746ed66721d9ec8f460732be6674.kn.png) + +✅ ಇನ್ನಷ್ಟು ಫಿಲ್ಟರ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ. ಡೇಟಾದ ಸಂಪೂರ್ಣ ವಿತರಣೆಯನ್ನು ನೋಡಲು, ಲೇಬಲ್ ಮಾಡಲಾದ ವಿತರಣೆಯನ್ನು ತೋರಿಸಲು `['MaxBodyMass']` ಫಿಲ್ಟರ್ ಅನ್ನು ತೆಗೆದುಹಾಕಿ. + +ಹಿಸ್ಟೋಗ್ರಾಮ್ ಕೆಲವು ಸುಂದರ ಬಣ್ಣ ಮತ್ತು ಲೇಬಲಿಂಗ್ ಸುಧಾರಣೆಗಳನ್ನು ಸಹ ಒದಗಿಸುತ್ತದೆ: + +ಎರಡು ವಿತರಣೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಹೋಲಿಸಲು 2D ಹಿಸ್ಟೋಗ್ರಾಮ್ ರಚಿಸಿ. `MaxBodyMass` ಮತ್ತು `MaxLength` ಅನ್ನು ಹೋಲಿಸಿ. `ggplot2` ಪ್ರಕಾಶಮಾನ ಬಣ್ಣಗಳನ್ನು ಬಳಸಿ ಸಂಯೋಜನೆಯನ್ನು ತೋರಿಸುವ ಒಳಗೊಂಡ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ: + +```r +ggplot(data=birds_filtered_1, aes(x=MaxBodyMass, y=MaxLength) ) + + geom_bin2d() +scale_fill_continuous(type = "viridis") +``` +ಈ ಎರಡು ಅಂಶಗಳ ನಡುವೆ ನಿರೀಕ್ಷಿತ ಅಕ್ಷದ ಮೇಲೆ ನಿರೀಕ್ಷಿತ ಸಂಬಂಧವಿದೆ, ಒಂದು ವಿಶೇಷವಾಗಿ ಬಲವಾದ ಸಂಯೋಜನೆಯ ಬಿಂದುವಿನೊಂದಿಗೆ: + +![2d plot](../../../../../translated_images/2d-plot.c504786f439bd7ebceebf2465c70ca3b124103e06c7ff7214bf24e26f7aec21e.kn.png) + +ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾಗಾಗಿ ಡೀಫಾಲ್ಟ್‌ನಲ್ಲಿ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಪಠ್ಯ ಡೇಟಾ ಪ್ರಕಾರ ವಿತರಣೆಯನ್ನು ನೋಡಬೇಕಾದರೆ ಏನು ಮಾಡಬೇಕು? +## ಪಠ್ಯ ಡೇಟಾ ಬಳಸಿ ವಿತರಣೆಯನ್ನು ಅನ್ವೇಷಿಸಿ + +ಈ ಡೇಟಾಸೆಟ್ ಪಕ್ಷಿ ವರ್ಗ ಮತ್ತು ಅದರ ಜೀನಸ್, ಪ್ರಭೇದ ಮತ್ತು ಕುಟುಂಬದ ಜೊತೆಗೆ ಅದರ ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿಯ ಬಗ್ಗೆ ಉತ್ತಮ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಸಂರಕ್ಷಣಾ ಮಾಹಿತಿಯನ್ನು ಅನ್ವೇಷಿಸೋಣ. ಪಕ್ಷಿಗಳ ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿಯ ಪ್ರಕಾರ ವಿತರಣೆಯೇನು? + +> ✅ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ, ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿಯನ್ನು ವಿವರಿಸಲು ಹಲವಾರು ಸಂಕ್ಷಿಪ್ತ ಪದಗಳನ್ನು ಬಳಸಲಾಗಿದೆ. ಈ ಸಂಕ್ಷಿಪ್ತ ಪದಗಳು [IUCN ರೆಡ್ ಲಿಸ್ಟ್ ವರ್ಗಗಳು](https://www.iucnredlist.org/) ನಿಂದ ಬಂದಿವೆ, ಇದು ಪ್ರಭೇದಗಳ ಸ್ಥಿತಿಯನ್ನು ದಾಖಲಿಸುವ ಸಂಸ್ಥೆ. +> +> - CR: ಗಂಭೀರವಾಗಿ ಅಪಾಯದಲ್ಲಿರುವುದು +> - EN: ಅಪಾಯದಲ್ಲಿರುವುದು +> - EX: ನಾಶವಾದುದು +> - LC: ಕನಿಷ್ಠ ಚಿಂತನೆ +> - NT: ಸಮೀಪದ ಅಪಾಯ +> - VU: ಅಸುರಕ್ಷಿತ + +ಇವು ಪಠ್ಯ ಆಧಾರಿತ ಮೌಲ್ಯಗಳು ಆದ್ದರಿಂದ ನೀವು ಹಿಸ್ಟೋಗ್ರಾಮ್ ರಚಿಸಲು ಪರಿವರ್ತನೆ ಮಾಡಬೇಕಾಗುತ್ತದೆ. filteredBirds ಡೇಟಾಫ್ರೇಮ್ ಬಳಸಿ, ಅದರ ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿಯನ್ನು ಕನಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರದೊಂದಿಗೆ ಪ್ರದರ್ಶಿಸಿ. ನೀವು ಏನು ನೋಡುತ್ತೀರಿ? + +```r +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EX'] <- 'x1' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'CR'] <- 'x2' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'EN'] <- 'x3' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'NT'] <- 'x4' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'VU'] <- 'x5' +birds_filtered_1$ConservationStatus[birds_filtered_1$ConservationStatus == 'LC'] <- 'x6' + +ggplot(data=birds_filtered_1, aes(x = MinWingspan, fill = ConservationStatus)) + + geom_histogram(position = "identity", alpha = 0.4, bins = 20) + + scale_fill_manual(name="Conservation Status",values=c("red","green","blue","pink"),labels=c("Endangered","Near Threathened","Vulnerable","Least Concern")) +``` + +![wingspan and conservation collation](../../../../../translated_images/wingspan-conservation-collation.4024e9aa6910866aa82f0c6cb6a6b4b925bd10079e6b0ef8f92eefa5a6792f76.kn.png) + +ಕನಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರ ಮತ್ತು ಸಂರಕ್ಷಣಾ ಸ್ಥಿತಿಯ ನಡುವೆ ಉತ್ತಮ ಸಂಬಂಧವಿಲ್ಲದಂತೆ ತೋರುತ್ತದೆ. ಈ ವಿಧಾನವನ್ನು ಬಳಸಿ ಡೇಟಾಸೆಟ್‌ನ ಇತರ ಅಂಶಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ. ನೀವು ಯಾವುದೇ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೀರಾ? + +## ಡೆನ್ಸಿಟಿ ಪ್ಲಾಟ್‌ಗಳು + +ನೀವು ಗಮನಿಸಿದ್ದೀರಾ, ನಾವು ಈಗಾಗಲೇ ನೋಡಿದ ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳು 'ಹಂತದ' ಆಗಿದ್ದು, ಸ್ಮೂತ್ ಆಗಿ ವಕ್ರವಾಗಿ ಹರಿಯುವುದಿಲ್ಲ. ಸ್ಮೂತ್ ಡೆನ್ಸಿಟಿ ಚಾರ್ಟ್ ತೋರಿಸಲು, ನೀವು ಡೆನ್ಸಿಟಿ ಪ್ಲಾಟ್ ಪ್ರಯತ್ನಿಸಬಹುದು. + +ಇದೀಗ ಡೆನ್ಸಿಟಿ ಪ್ಲಾಟ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡೋಣ! + +```r +ggplot(data = birds_filtered_1, aes(x = MinWingspan)) + + geom_density() +``` +![density plot](../../../../../translated_images/density-plot.675ccf865b76c690487fb7f69420a8444a3515f03bad5482886232d4330f5c85.kn.png) + +ನೀವು ನೋಡಬಹುದು, ಈ ಪ್ಲಾಟ್ ಕನಿಷ್ಠ ರೆಕ್ಕೆ ವಿಸ್ತಾರದ ಡೇಟಾಗಾಗಿ ಹಿಂದಿನದನ್ನು ಪ್ರತಿಧ್ವನಿಸುತ್ತದೆ; ಅದು ಸ್ವಲ್ಪ ಸ್ಮೂತ್ ಆಗಿದೆ. ನೀವು ಎರಡನೇ ಚಾರ್ಟ್‌ನಲ್ಲಿ ರಚಿಸಿದ ಜಾಗೃತ MaxBodyMass ರೇಖೆಯನ್ನು ಮರುಸೃಷ್ಟಿಸುವ ಮೂಲಕ ಅದನ್ನು ಚೆನ್ನಾಗಿ ಸ್ಮೂತ್ ಮಾಡಬಹುದು: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density() +``` +![bodymass density](../../../../../translated_images/bodymass-smooth.d31ce526d82b0a1f19a073815dea28ecfbe58145ec5337e4ef7e8cdac81120b3.kn.png) + +ನೀವು ಸ್ಮೂತ್ ಆದರೆ ತುಂಬಾ ಸ್ಮೂತ್ ಅಲ್ಲದ ರೇಖೆಯನ್ನು ಬಯಸಿದರೆ, `adjust` ಪರಿಮಾಣವನ್ನು ಸಂಪಾದಿಸಿ: + +```r +ggplot(data = birds_filtered_1, aes(x = MaxBodyMass)) + + geom_density(adjust = 1/5) +``` +![less smooth bodymass](../../../../../translated_images/less-smooth-bodymass.10f4db8b683cc17d17b2d33f22405413142004467a1493d416608dafecfdee23.kn.png) + +✅ ಈ ರೀತಿಯ ಪ್ಲಾಟ್‌ಗೆ ಲಭ್ಯವಿರುವ ಪರಿಮಾಣಗಳ ಬಗ್ಗೆ ಓದಿ ಮತ್ತು ಪ್ರಯೋಗ ಮಾಡಿ! + +ಈ ರೀತಿಯ ಚಾರ್ಟ್ ಸುಂದರವಾಗಿ ವಿವರಣಾತ್ಮಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಕೆಲವು ಸಾಲುಗಳ ಕೋಡ್‌ನೊಂದಿಗೆ, ಉದಾಹರಣೆಗೆ, ನೀವು ಪಕ್ಷಿ ಕ್ರಮದ ಪ್ರತಿ ಗರಿಷ್ಠ ದೇಹ ಭಾರದ ಡೆನ್ಸಿಟಿಯನ್ನು ತೋರಿಸಬಹುದು: + +```r +ggplot(data=birds_filtered_1,aes(x = MaxBodyMass, fill = Order)) + + geom_density(alpha=0.5) +``` +![bodymass per order](../../../../../translated_images/bodymass-per-order.9d2b065dd931b928c839d8cdbee63067ab1ae52218a1b90717f4bc744354f485.kn.png) + +## 🚀 ಸವಾಲು + +ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳು ಮೂಲ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳು, ಬಾರ್ ಚಾರ್ಟ್‌ಗಳು ಅಥವಾ ಲೈನ್ ಚಾರ್ಟ್‌ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸುಧಾರಿತ ಚಾರ್ಟ್ ಪ್ರಕಾರ. ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿ ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳ ಬಳಕೆಯ ಉತ್ತಮ ಉದಾಹರಣೆಗಳನ್ನು ಹುಡುಕಿ. ಅವು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತವೆ, ಏನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಮತ್ತು ಯಾವ ಕ್ಷೇತ್ರಗಳು ಅಥವಾ ವಿಚಾರಣಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅವು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತವೆ? + +## [ಪೋಸ್ಟ್-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/19) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು `ggplot2` ಬಳಸಿ ಹೆಚ್ಚು ಸುಧಾರಿತ ಚಾರ್ಟ್‌ಗಳನ್ನು ತೋರಿಸಲು ಕೆಲಸ ಪ್ರಾರಂಭಿಸಿದ್ದೀರಿ. `geom_density_2d()` ಎಂಬ "ಒಂದು ಅಥವಾ ಹೆಚ್ಚು ಆಯಾಮಗಳಲ್ಲಿ ನಿರಂತರ ಸಾಧ್ಯತೆ ಡೆನ್ಸಿಟಿ ವಕ್ರ" ಬಗ್ಗೆ ಸಂಶೋಧನೆ ಮಾಡಿ. ಅದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು [ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://ggplot2.tidyverse.org/reference/geom_density_2d.html) ಓದಿ. + +## ನಿಯೋಜನೆ + +[ನಿಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಅನ್ವಯಿಸಿ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/10-visualization-distributions/assignment.md b/translations/kn/3-Data-Visualization/R/10-visualization-distributions/assignment.md new file mode 100644 index 00000000..e7153cca --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/10-visualization-distributions/assignment.md @@ -0,0 +1,27 @@ + +# ನಿಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಅನ್ವಯಿಸಿ + +## ಸೂಚನೆಗಳು + +ಇದುವರೆಗೆ, ನೀವು ಮಿನೆಸೋಟಾ ಪಕ್ಷಿಗಳ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಪಕ್ಷಿಗಳ ಪ್ರಮಾಣ ಮತ್ತು ಜನಸಂಖ್ಯಾ ಸಾಂದ್ರತೆ ಬಗ್ಗೆ ಮಾಹಿತಿ ಕಂಡುಹಿಡಿಯಲು ಕೆಲಸ ಮಾಡಿದ್ದೀರಿ. ಈ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಬೇರೆ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಪ್ರಯತ್ನಿಸಿ, ಬಹುಶಃ [Kaggle](https://www.kaggle.com/) ನಿಂದ ಪಡೆದಿರಬಹುದು. ಈ ಡೇಟಾಸೆಟ್ ಬಗ್ಗೆ ಕಥೆಯನ್ನು ಹೇಳಲು R ಸ್ಕ್ರಿಪ್ಟ್ ರಚಿಸಿ, ಮತ್ತು ಅದನ್ನು ಚರ್ಚಿಸುವಾಗ ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳನ್ನು ಬಳಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. + +## ಮೌಲ್ಯಮಾಪನ + +ಉದಾಹರಣೆಯಾಗಿ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ +--- | --- | -- | +ಈ ಡೇಟಾಸೆಟ್‌ನ ಮೂಲವನ್ನು ಒಳಗೊಂಡಂತೆ ಟಿಪ್ಪಣಿಗಳೊಂದಿಗೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಡೇಟಾದ ಬಗ್ಗೆ ತಥ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಕನಿಷ್ಠ 5 ಹಿಸ್ಟೋಗ್ರಾಮ್‌ಗಳನ್ನು ಬಳಸಲಾಗಿದೆ. | ಅಪೂರ್ಣ ಟಿಪ್ಪಣಿಗಳು ಅಥವಾ ದೋಷಗಳೊಂದಿಗೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. | ಟಿಪ್ಪಣಿಗಳಿಲ್ಲದೆ ಮತ್ತು ದೋಷಗಳೊಂದಿಗೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ. + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/11-visualization-proportions/README.md b/translations/kn/3-Data-Visualization/R/11-visualization-proportions/README.md new file mode 100644 index 00000000..ecfe6124 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/11-visualization-proportions/README.md @@ -0,0 +1,206 @@ + +# ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../../sketchnotes/11-Visualizing-Proportions.png)| +|:---:| +|ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಪ್ರಾಕೃತಿಕ-ಕೇಂದ್ರೀಕೃತ ಬೇರೆ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವಿರಿ, ಉದಾಹರಣೆಗೆ, ಒಂದು ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಎಷ್ಟು ವಿಭಿನ್ನ ಪ್ರಕಾರದ ಫಂಗಿ ಇದ್ದಾರೆ ಎಂಬುದನ್ನು. ನಾವು ಈ ಆಕರ್ಷಕ ಫಂಗಿಗಳನ್ನು Audubon ನಿಂದ ಪಡೆದ 23 ಪ್ರಭೇದಗಳ ಗಿಲ್ಲ್ಡ್ ಮಶ್ರೂಮ್‌ಗಳ ವಿವರಗಳನ್ನು ಹೊಂದಿರುವ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ಅನ್ವೇಷಿಸೋಣ. ನೀವು ರುಚಿಕರವಾದ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಪ್ರಯೋಗಿಸುವಿರಿ, ಉದಾಹರಣೆಗೆ: + +- ಪೈ ಚಾರ್ಟ್‌ಗಳು 🥧 +- ಡೋನಟ್ ಚಾರ್ಟ್‌ಗಳು 🍩 +- ವಾಫಲ್ ಚಾರ್ಟ್‌ಗಳು 🧇 + +> 💡 ಮೈಕ್ರೋಸಾಫ್ಟ್ ರಿಸರ್ಚ್‌ನಿಂದ [Charticulator](https://charticulator.com) ಎಂಬ ಬಹಳ ಆಸಕ್ತಿದಾಯಕ ಯೋಜನೆ ಉಚಿತ ಡ್ರ್ಯಾಗ್ ಮತ್ತು ಡ್ರಾಪ್ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳಿಗೆ ನೀಡುತ್ತದೆ. ಅವರ ಟ್ಯುಟೋರಿಯಲ್‌ಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಅವರು ಈ ಮಶ್ರೂಮ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಕೂಡ ಬಳಸುತ್ತಾರೆ! ಆದ್ದರಿಂದ ನೀವು ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸಿ ಲೈಬ್ರರಿಯನ್ನು ಒಂದೇ ಸಮಯದಲ್ಲಿ ಕಲಿಯಬಹುದು: [Charticulator ಟ್ಯುಟೋರಿಯಲ್](https://charticulator.com/tutorials/tutorial4.html). + +## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) + +## ನಿಮ್ಮ ಮಶ್ರೂಮ್‌ಗಳನ್ನು ಪರಿಚಯಿಸಿಕೊಳ್ಳಿ 🍄 + +ಮಶ್ರೂಮ್‌ಗಳು ಬಹಳ ಆಸಕ್ತಿದಾಯಕವಾಗಿವೆ. ಅವುಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಮದು ಮಾಡೋಣ: + +```r +mushrooms = read.csv('../../data/mushrooms.csv') +head(mushrooms) +``` +ಒಂದು ಟೇಬಲ್ ವಿಶ್ಲೇಷಣೆಗೆ ಉತ್ತಮ ಡೇಟಾ ಜೊತೆಗೆ ಮುದ್ರಿತವಾಗಿದೆ: + + +| ವರ್ಗ | ಕ್ಯಾಪ್-ಆಕಾರ | ಕ್ಯಾಪ್-ಮೇಲ್ಮೈ | ಕ್ಯಾಪ್-ಬಣ್ಣ | ಗಾಯಗಳು | ವಾಸನೆ | ಗಿಲ್-ಸಂಯೋಜನೆ | ಗಿಲ್-ಅಂತರ | ಗಿಲ್-ಗಾತ್ರ | ಗಿಲ್-ಬಣ್ಣ | ಸ್ಟಾಕ್-ಆಕಾರ | ಸ್ಟಾಕ್-ಮೂಲ | ಸ್ಟಾಕ್-ಮೇಲ್ಮೈ-ರಿಂಗ್‌ಮೇಲೆ | ಸ್ಟಾಕ್-ಮೇಲ್ಮೈ-ರಿಂಗ್‌ಕೆಳಗೆ | ಸ್ಟಾಕ್-ಬಣ್ಣ-ರಿಂಗ್‌ಮೇಲೆ | ಸ್ಟಾಕ್-ಬಣ್ಣ-ರಿಂಗ್‌ಕೆಳಗೆ | ವೀಲ್-ಪ್ರಕಾರ | ವೀಲ್-ಬಣ್ಣ | ರಿಂಗ್-ಸಂಖ್ಯೆ | ರಿಂಗ್-ಪ್ರಕಾರ | ಸ್ಪೋರ್-ಪ್ರಿಂಟ್-ಬಣ್ಣ | ಜನಸಂಖ್ಯೆ | ವಾಸಸ್ಥಳ | +| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | +| ವಿಷಕಾರಿ | ಉಬ್ಬು | ಮೃದುವು | ಕಂದು | ಗಾಯಗಳು | ತೀವ್ರ | ಮುಕ್ತ | ಹತ್ತಿರ | ಸಣ್ಣ | ಕಪ್ಪು | ವಿಸ್ತಾರಗೊಳ್ಳುವ | ಸಮಾನ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಲटकಿಸುವ | ಕಪ್ಪು | ಹರಡಿದ | ನಗರ | +| ತಿನ್ನಬಹುದಾದ | ಉಬ್ಬು | ಮೃದುವು | ಹಳದಿ | ಗಾಯಗಳು | ಬಾದಾಮಿ | ಮುಕ್ತ | ಹತ್ತಿರ | ಅಗಲ | ಕಪ್ಪು | ವಿಸ್ತಾರಗೊಳ್ಳುವ | ಕ್ಲಬ್ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಲटकಿಸುವ | ಕಂದು | ಬಹಳ | ಹುಲ್ಲುಗಳು | +| ತಿನ್ನಬಹುದಾದ | ಘಂಟೆ | ಮೃದುವು | ಬಿಳಿ | ಗಾಯಗಳು | ಅನೀಸ್ | ಮುಕ್ತ | ಹತ್ತಿರ | ಅಗಲ | ಕಂದು | ವಿಸ್ತಾರಗೊಳ್ಳುವ | ಕ್ಲಬ್ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಲटकಿಸುವ | ಕಂದು | ಬಹಳ | ಮೇದಾನಗಳು | +| ವಿಷಕಾರಿ | ಉಬ್ಬು | ತೊಗರಿ | ಬಿಳಿ | ಗಾಯಗಳು | ತೀವ್ರ | ಮುಕ್ತ | ಹತ್ತಿರ | ಸಣ್ಣ | ಕಂದು | ವಿಸ್ತಾರಗೊಳ್ಳುವ | ಸಮಾನ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಲटकಿಸುವ | ಕಪ್ಪು | ಹರಡಿದ | ನಗರ +| ತಿನ್ನಬಹುದಾದ | ಉಬ್ಬು | ಮೃದುವು | ಹಸಿರು | ಗಾಯಗಳಿಲ್ಲ| ಇಲ್ಲ | ಮುಕ್ತ | ತುಂಬಿದ | ಅಗಲ | ಕಪ್ಪು | ಸಣ್ಣಗೊಳ್ಳುವ | ಸಮಾನ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಅಸ್ತಮಿಸುವ | ಕಂದು | ಬಹಳ | ಹುಲ್ಲುಗಳು +| ತಿನ್ನಬಹುದಾದ | ಉಬ್ಬು | ತೊಗರಿ | ಹಳದಿ | ಗಾಯಗಳು | ಬಾದಾಮಿ | ಮುಕ್ತ | ಹತ್ತಿರ | ಅಗಲ | ಕಂದು | ವಿಸ್ತಾರಗೊಳ್ಳುವ | ಕ್ಲಬ್ | ಮೃದುವು | ಮೃದುವು | ಬಿಳಿ | ಬಿಳಿ | ಭಾಗಶಃ | ಬಿಳಿ | ಒಂದು | ಲटकಿಸುವ | ಕಪ್ಪು | ಬಹಳ | ಹುಲ್ಲುಗಳು + +ತಕ್ಷಣವೇ, ನೀವು ಗಮನಿಸುತ್ತೀರಿ ಎಲ್ಲಾ ಡೇಟಾ ಪಠ್ಯರೂಪದಲ್ಲಿದೆ. ನೀವು ಈ ಡೇಟಾವನ್ನು ಚಾರ್ಟ್‌ನಲ್ಲಿ ಬಳಸಲು ಪರಿವರ್ತಿಸಬೇಕಾಗುತ್ತದೆ. ಬಹುತೇಕ ಡೇಟಾ ವಾಸ್ತವವಾಗಿ ಒಂದು ವಸ್ತುವಾಗಿ ಪ್ರತಿನಿಧಿಸಲಾಗಿದೆ: + +```r +names(mushrooms) +``` + +ಫಲಿತಾಂಶ: + +```output +[1] "class" "cap.shape" + [3] "cap.surface" "cap.color" + [5] "bruises" "odor" + [7] "gill.attachment" "gill.spacing" + [9] "gill.size" "gill.color" +[11] "stalk.shape" "stalk.root" +[13] "stalk.surface.above.ring" "stalk.surface.below.ring" +[15] "stalk.color.above.ring" "stalk.color.below.ring" +[17] "veil.type" "veil.color" +[19] "ring.number" "ring.type" +[21] "spore.print.color" "population" +[23] "habitat" +``` +ಈ ಡೇಟಾವನ್ನು ತೆಗೆದುಕೊಂಡು 'class' ಕಾಲಮ್ ಅನ್ನು ವರ್ಗವಾಗಿ ಪರಿವರ್ತಿಸಿ: + +```r +library(dplyr) +grouped=mushrooms %>% + group_by(class) %>% + summarise(count=n()) +``` + + +ಈಗ, ನೀವು ಮಶ್ರೂಮ್ ಡೇಟಾವನ್ನು ಮುದ್ರಿಸಿದರೆ, ಅದು ವಿಷಕಾರಿ/ತಿನ್ನಬಹುದಾದ ವರ್ಗಗಳ ಪ್ರಕಾರ ವರ್ಗೀಕೃತವಾಗಿದೆ ಎಂದು ಕಾಣಬಹುದು: +```r +View(grouped) +``` + + +| ವರ್ಗ | ಎಣಿಕೆ | +| --------- | --------- | +| ತಿನ್ನಬಹುದಾದ | 4208 | +| ವಿಷಕಾರಿ | 3916 | + + + +ನೀವು ಈ ಟೇಬಲ್‌ನಲ್ಲಿ ನೀಡಲಾದ ಕ್ರಮವನ್ನು ಅನುಸರಿಸಿ ನಿಮ್ಮ ವರ್ಗದ ಲೇಬಲ್ಗಳನ್ನು ರಚಿಸಿದರೆ, ನೀವು ಪೈ ಚಾರ್ಟ್ ರಚಿಸಬಹುದು. + +## ಪೈ! + +```r +pie(grouped$count,grouped$class, main="Edible?") +``` +ಇದು, ಈ ಡೇಟಾದ ಪ್ರಮಾಣಗಳನ್ನು ಈ ಎರಡು ಮಶ್ರೂಮ್ ವರ್ಗಗಳ ಪ್ರಕಾರ ತೋರಿಸುವ ಪೈ ಚಾರ್ಟ್. ಲೇಬಲ್‌ಗಳ ಕ್ರಮವನ್ನು ಸರಿಯಾಗಿ ಪಡೆಯುವುದು ಬಹಳ ಮುಖ್ಯ, ವಿಶೇಷವಾಗಿ ಇಲ್ಲಿ, ಆದ್ದರಿಂದ ಲೇಬಲ್ ಅರೆ ಅನ್ನು ರಚಿಸುವ ಕ್ರಮವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ! + +![pie chart](../../../../../translated_images/pie1-wb.685df063673751f4b0b82127f7a52c7f9a920192f22ae61ad28412ba9ace97bf.kn.png) + +## ಡೋನಟ್ಸ್! + +ಒಂದು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ದೃಶ್ಯಾತ್ಮಕವಾಗಿ ಆಸಕ್ತಿದಾಯಕ ಪೈ ಚಾರ್ಟ್ ಡೋನಟ್ ಚಾರ್ಟ್ ಆಗಿದೆ, ಇದು ಮಧ್ಯದಲ್ಲಿ ರಂಧ್ರವಿರುವ ಪೈ ಚಾರ್ಟ್. ಈ ವಿಧಾನವನ್ನು ಬಳಸಿ ನಮ್ಮ ಡೇಟಾವನ್ನು ನೋಡೋಣ. + +ಮಶ್ರೂಮ್ ಬೆಳೆಯುವ ವಿವಿಧ ವಾಸಸ್ಥಳಗಳನ್ನು ನೋಡಿ: + +```r +library(dplyr) +habitat=mushrooms %>% + group_by(habitat) %>% + summarise(count=n()) +View(habitat) +``` +ಫಲಿತಾಂಶ: +| ವಾಸಸ್ಥಳ | ಎಣಿಕೆ | +| --------- | --------- | +| ಹುಲ್ಲುಗಳು | 2148 | +| ಎಲೆಗಳು | 832 | +| ಮೇದಾನಗಳು | 292 | +| ದಾರಿಗಳು | 1144 | +| ನಗರ | 368 | +| ತ್ಯಾಜ್ಯ | 192 | +| ಮರ | 3148 | + + +ಇಲ್ಲಿ, ನೀವು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ವಾಸಸ್ಥಳದ ಪ್ರಕಾರ ಗುಂಪುಮಾಡುತ್ತಿದ್ದೀರಿ. 7 ವಾಸಸ್ಥಳಗಳಿವೆ, ಅವುಗಳನ್ನು ನಿಮ್ಮ ಡೋನಟ್ ಚಾರ್ಟ್ ಲೇಬಲ್ಗಾಗಿ ಬಳಸಿ: + +```r +library(ggplot2) +library(webr) +PieDonut(habitat, aes(habitat, count=count)) +``` + +![donut chart](../../../../../translated_images/donut-wb.34e6fb275da9d834c2205145e39a3de9b6878191dcdba6f7a9e85f4b520449bc.kn.png) + +ಈ ಕೋಡ್ ಎರಡು ಲೈಬ್ರರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ - ggplot2 ಮತ್ತು webr. webr ಲೈಬ್ರರಿಯ PieDonut ಫಂಕ್ಷನ್ ಬಳಸಿ, ನಾವು ಸುಲಭವಾಗಿ ಡೋನಟ್ ಚಾರ್ಟ್ ರಚಿಸಬಹುದು! + +R ನಲ್ಲಿ ಡೋನಟ್ ಚಾರ್ಟ್‌ಗಳನ್ನು ಕೇವಲ ggplot2 ಲೈಬ್ರರಿಯೊಂದಿಗೆ ಕೂಡ ಮಾಡಬಹುದು. ನೀವು ಅದನ್ನು [ಇಲ್ಲಿ](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಸ್ವತಃ ಪ್ರಯತ್ನಿಸಬಹುದು. + +ನೀವು ಈಗ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡುವುದು ಮತ್ತು ಅದನ್ನು ಪೈ ಅಥವಾ ಡೋನಟ್ ಆಗಿ ಪ್ರದರ್ಶಿಸುವುದನ್ನು ತಿಳಿದಿದ್ದೀರಿ, ನೀವು ಇತರ ಚಾರ್ಟ್ ಪ್ರಕಾರಗಳನ್ನು ಅನ್ವೇಷಿಸಬಹುದು. ವಾಫಲ್ ಚಾರ್ಟ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸಿ, ಇದು ಪ್ರಮಾಣವನ್ನು ಅನ್ವೇಷಿಸುವ ಬೇರೆ ವಿಧಾನ. + +## ವಾಫಲ್ಸ್! + +'ವಾಫಲ್' ಪ್ರಕಾರದ ಚಾರ್ಟ್ ಒಂದು 2D ಚದರಗಳ ಸರಣಿಯಾಗಿ ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಬೇರೆ ವಿಧಾನ. ಈ ಡೇಟಾಸೆಟ್‌ನ ಮಶ್ರೂಮ್ ಕ್ಯಾಪ್ ಬಣ್ಣಗಳ ವಿಭಿನ್ನ ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸಿ. ಇದಕ್ಕಾಗಿ, ನೀವು [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) ಎಂಬ ಸಹಾಯಕ ಲೈಬ್ರರಿಯನ್ನು ಸ್ಥಾಪಿಸಿ ಅದನ್ನು ಬಳಸಿ ನಿಮ್ಮ ದೃಶ್ಯೀಕರಣವನ್ನು ರಚಿಸಬೇಕು: + +```r +install.packages("waffle", repos = "https://cinc.rud.is") +``` + +ನಿಮ್ಮ ಡೇಟಾದ ಒಂದು ವಿಭಾಗವನ್ನು ಗುಂಪುಮಾಡಿ: + +```r +library(dplyr) +cap_color=mushrooms %>% + group_by(cap.color) %>% + summarise(count=n()) +View(cap_color) +``` + +ಲೇಬಲ್ಗಳನ್ನು ರಚಿಸಿ ನಂತರ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ವಾಫಲ್ ಚಾರ್ಟ್ ರಚಿಸಿ: + +```r +library(waffle) +names(cap_color$count) = paste0(cap_color$cap.color) +waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", + "pink", "purple", "red", "grey", + "yellow","white")) +``` + +ವಾಫಲ್ ಚಾರ್ಟ್ ಬಳಸಿ, ನೀವು ಈ ಮಶ್ರೂಮ್ ಡೇಟಾಸೆಟ್‌ನ ಕ್ಯಾಪ್ ಬಣ್ಣಗಳ ಪ್ರಮಾಣಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನೋಡಬಹುದು. ಆಸಕ್ತಿದಾಯಕವಾಗಿ, ಹಸಿರು ಕ್ಯಾಪ್ ಇರುವ ಮಶ್ರೂಮ್‌ಗಳು ಬಹಳಿವೆ! + +![waffle chart](../../../../../translated_images/waffle.aaa75c5337735a6ef32ace0ffb6506ef49e5aefe870ffd72b1bb080f4843c217.kn.png) + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮೂರು ವಿಧಾನಗಳನ್ನು ಕಲಿತಿರಿ. ಮೊದಲು, ನಿಮ್ಮ ಡೇಟಾವನ್ನು ವರ್ಗಗಳಾಗಿ ಗುಂಪುಮಾಡಬೇಕು ಮತ್ತು ನಂತರ ಡೇಟಾವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಅತ್ಯುತ್ತಮ ವಿಧಾನವನ್ನು ನಿರ್ಧರಿಸಬೇಕು - ಪೈ, ಡೋನಟ್ ಅಥವಾ ವಾಫಲ್. ಎಲ್ಲವೂ ರುಚಿಕರವಾಗಿವೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಡೇಟಾಸೆಟ್‌ನ ತಕ್ಷಣದ ದೃಶ್ಯವನ್ನು ನೀಡುತ್ತವೆ. + +## 🚀 ಸವಾಲು + +ಈ ರುಚಿಕರ ಚಾರ್ಟ್‌ಗಳನ್ನು [Charticulator](https://charticulator.com) ನಲ್ಲಿ ಪುನರಾವರ್ತಿಸಿ. + +## [ಪೋಸ್ಟ್-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಯಾವಾಗ ಪೈ, ಡೋನಟ್ ಅಥವಾ ವಾಫಲ್ ಚಾರ್ಟ್ ಬಳಸಬೇಕೆಂದು ಸ್ಪಷ್ಟವಾಗದಿದ್ದಾಗ ಕೆಲವೊಂದು ಲೇಖನಗಳನ್ನು ಓದಿ: + +https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart + +https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce + +https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm + +https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 + +ಈ ಸಂಕೀರ್ಣ ನಿರ್ಧಾರ ಕುರಿತು ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಸಂಶೋಧನೆ ಮಾಡಿ. + +## ನಿಯೋಜನೆ + +[Excel ನಲ್ಲಿ ಪ್ರಯತ್ನಿಸಿ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/12-visualization-relationships/README.md b/translations/kn/3-Data-Visualization/R/12-visualization-relationships/README.md new file mode 100644 index 00000000..fe4d59b3 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/12-visualization-relationships/README.md @@ -0,0 +1,179 @@ + +# ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು: ಜೇನುತುಪ್ಪ ಬಗ್ಗೆ ಎಲ್ಲವೂ 🍯 + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../../sketchnotes/12-Visualizing-Relationships.png)| +|:---:| +|ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ನಮ್ಮ ಸಂಶೋಧನೆಯ ಪ್ರಕೃತಿ ಕೇಂದ್ರೀಕೃತ ವಿಷಯವನ್ನು ಮುಂದುವರೆಸುತ್ತಾ, [ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡಿಪಾರ್ಟ್‌ಮೆಂಟ್ ಆಫ್ ಅಗ್ರಿಕಲ್ಚರ್](https://www.nass.usda.gov/About_NASS/index.php) ನಿಂದ ಪಡೆದ ಡೇಟಾಸೆಟ್ ಪ್ರಕಾರ ವಿವಿಧ ರೀತಿಯ ಜೇನುತುಪ್ಪಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ತೋರಿಸಲು ಆಸಕ್ತಿದಾಯಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯೋಣ. + +ಈ ಸುಮಾರು 600 ಐಟಂಗಳ ಡೇಟಾಸೆಟ್ ಅಮೆರಿಕದ ಹಲವಾರು ರಾಜ್ಯಗಳಲ್ಲಿ ಜೇನುತುಪ್ಪ ಉತ್ಪಾದನೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ಪ್ರತಿ ರಾಜ್ಯದಲ್ಲಿ 1998-2012 ರವರೆಗೆ ಪ್ರತಿ ವರ್ಷಕ್ಕೆ ಒಂದು ಸಾಲಿನಲ್ಲಿ ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆ, ಪ್ರತಿ ಕಾಲೋನಿಗೆ ಉತ್ಪಾದನೆ, ಒಟ್ಟು ಉತ್ಪಾದನೆ, ಸ್ಟಾಕ್‌ಗಳು, ಪೌಂಡ್ ಪ್ರತಿ ಬೆಲೆ ಮತ್ತು ಉತ್ಪಾದನೆಯ ಮೌಲ್ಯವನ್ನು ನೋಡಬಹುದು. + +ನೀವು ಒಂದು ರಾಜ್ಯದ ಪ್ರತಿ ವರ್ಷದ ಉತ್ಪಾದನೆ ಮತ್ತು ಉದಾಹರಣೆಗೆ ಆ ರಾಜ್ಯದಲ್ಲಿ ಜೇನುತುಪ್ಪದ ಬೆಲೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು ಆಸಕ್ತಿದಾಯಕವಾಗಿರುತ್ತದೆ. ಬದಲಾಗಿ, ರಾಜ್ಯಗಳ ಜೇನುತುಪ್ಪದ ಪ್ರತಿ ಕಾಲೋನಿಗೆ ಉತ್ಪಾದನೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ದೃಶ್ಯೀಕರಿಸಬಹುದು. ಈ ವರ್ಷಾವಧಿ 2006 ರಲ್ಲಿ ಮೊದಲ ಬಾರಿಗೆ ಕಂಡುಬಂದ 'CCD' ಅಥವಾ 'ಕಾಲೋನಿ ಕಾಲಾಪ್ಸ್ ಡಿಸಾರ್ಡರ್' (http://npic.orst.edu/envir/ccd.html) ನಾಶಕಾರಿ ಪರಿಣಾಮಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಆದ್ದರಿಂದ ಇದು ಅಧ್ಯಯನಕ್ಕೆ ಸೂಕ್ತವಾದ ಡೇಟಾಸೆಟ್ ಆಗಿದೆ. 🐝 + +## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಹಿಂದಿನಂತೆ ಬಳಸಿದ ggplot2 ಅನ್ನು ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಉತ್ತಮ ಗ್ರಂಥಾಲಯವಾಗಿ ಬಳಸಬಹುದು. ವಿಶೇಷವಾಗಿ ggplot2 ನ `geom_point` ಮತ್ತು `qplot` ಫಂಕ್ಷನ್‌ಗಳ ಬಳಕೆ ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ, ಇದು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳು ಮತ್ತು ಲೈನ್ ಪ್ಲಾಟ್‌ಗಳನ್ನು ತ್ವರಿತವಾಗಿ ದೃಶ್ಯೀಕರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ಇದು ಡೇಟಾ ವಿಜ್ಞಾನಿಗೆ ವ್ಯತ್ಯಾಸಗಳು ಪರಸ್ಪರ ಹೇಗೆ ಸಂಬಂಧ ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +## ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳು + +ಪ್ರತಿ ರಾಜ್ಯದ ಪ್ರತಿ ವರ್ಷದ ಜೇನುತುಪ್ಪದ ಬೆಲೆ ಹೇಗೆ ಬದಲಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸಲು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ಬಳಸಿ. ggplot2, `ggplot` ಮತ್ತು `geom_point` ಬಳಸಿ, ರಾಜ್ಯದ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ವರ್ಗೀಕೃತ ಮತ್ತು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾ ಎರಡಕ್ಕೂ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. + +ಡೇಟಾ ಮತ್ತು Seaborn ಅನ್ನು ಆಮದುಮಾಡುವುದರಿಂದ ಪ್ರಾರಂಭಿಸೋಣ: + +```r +honey=read.csv('../../data/honey.csv') +head(honey) +``` +ನೀವು ಗಮನಿಸುವಿರಿ ಜೇನುತುಪ್ಪ ಡೇಟಾದಲ್ಲಿ ವರ್ಷ ಮತ್ತು ಪೌಂಡ್ ಪ್ರತಿ ಬೆಲೆ ಸೇರಿದಂತೆ ಹಲವಾರು ಆಸಕ್ತಿದಾಯಕ ಕಾಲಮ್‌ಗಳಿವೆ. ಅಮೆರಿಕದ ರಾಜ್ಯಗಳ ಪ್ರಕಾರ ಈ ಡೇಟಾವನ್ನು ಗುಂಪುಮಾಡಿ ಅನ್ವೇಷಿಸೋಣ: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | -------- | ---------- | --------- | ---- | +| AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | +| CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | +| CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | +| FL | 230000 | 98 |22540000 | 4508000 | 0.64 | 14426000 | 1998 | + +ಜೇನುತುಪ್ಪದ ಪೌಂಡ್ ಪ್ರತಿ ಬೆಲೆ ಮತ್ತು ಅದರ ಅಮೆರಿಕದ ರಾಜ್ಯದ ಮೂಲದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ತೋರಿಸಲು ಮೂಲಭೂತ ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ ರಚಿಸಿ. ಎಲ್ಲಾ ರಾಜ್ಯಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು `y` ಅಕ್ಷವನ್ನು ಎತ್ತರವಾಗಿ ಮಾಡಿ: + +```r +library(ggplot2) +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(colour = "blue") +``` +![scatterplot 1](../../../../../translated_images/scatter1.86b8900674d88b26dd3353a83fe604e9ab3722c4680cc40ee9beb452ff02cdea.kn.png) + +ಈಗ, ವರ್ಷಗಳ ಪ್ರಗತಿಯನ್ನು ತೋರಿಸಲು ಜೇನುತುಪ್ಪ ಬಣ್ಣದ ಸ್ಕೀಮ್ ಬಳಸಿ ಅದೇ ಡೇಟಾವನ್ನು ತೋರಿಸಿ. ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಬದಲಾವಣೆಯನ್ನು ತೋರಿಸಲು 'scale_color_gradientn' ಪರಿಮಾಣವನ್ನು ಸೇರಿಸಬಹುದು: + +> ✅ [scale_color_gradientn](https://www.rdocumentation.org/packages/ggplot2/versions/0.9.1/topics/scale_colour_gradientn) ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಿ - ಸುಂದರವಾದ ರೇನ್ಬೋ ಬಣ್ಣದ ಸ್ಕೀಮ್ ಪ್ರಯತ್ನಿಸಿ! + +```r +ggplot(honey, aes(x = priceperlb, y = state, color=year)) + + geom_point()+scale_color_gradientn(colours = colorspace::heat_hcl(7)) +``` +![scatterplot 2](../../../../../translated_images/scatter2.4d1cbc693bad20e2b563888747eb6bdf65b73ce449d903f7cd4068a78502dcff.kn.png) + +ಈ ಬಣ್ಣದ ಸ್ಕೀಮ್ ಬದಲಾವಣೆಯಿಂದ, ಜೇನುತುಪ್ಪದ ಪೌಂಡ್ ಪ್ರತಿ ಬೆಲೆಯು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಸ್ಪಷ್ಟವಾಗಿ ಹೆಚ್ಚುತ್ತಿರುವುದು ಕಾಣುತ್ತದೆ. ನಿಜವಾಗಿಯೂ, ಡೇಟಾದ ಒಂದು ಮಾದರಿ ಸೆಟ್ (ಉದಾಹರಣೆಗೆ ಅರೆಜೋನಾದ ಒಂದು ರಾಜ್ಯ) ನೋಡಿದರೆ, ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಬೆಲೆ ಏರಿಕೆಯ ಮಾದರಿಯನ್ನು ಕಾಣಬಹುದು, ಕೆಲವೊಂದು ಹೊರತುಪಡಿಸಿ: + +| state | numcol | yieldpercol | totalprod | stocks | priceperlb | prodvalue | year | +| ----- | ------ | ----------- | --------- | ------- | ---------- | --------- | ---- | +| AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | +| AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | +| AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | +| AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | +| AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | +| AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | +| AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | +| AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | +| AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | +| AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | +| AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | +| AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | +| AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | +| AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | +| AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | + +ಬಣ್ಣದ ಬದಲು ಗಾತ್ರವನ್ನು ಬಳಸಿ ಈ ಪ್ರಗತಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮತ್ತೊಂದು ವಿಧಾನ ಇದೆ. ಬಣ್ಣದ ದೃಷ್ಟಿ ಸಮಸ್ಯೆ ಇರುವ ಬಳಕೆದಾರರಿಗೆ ಇದು ಉತ್ತಮ ಆಯ್ಕೆಯಾಗಬಹುದು. ಬೆಲೆಯ ಏರಿಕೆಯನ್ನು ಬಿಂದುಗಳ ವೃತ್ತಾಕಾರದ ವಿಸ್ತಾರದಲ್ಲಿ ತೋರಿಸಲು ನಿಮ್ಮ ದೃಶ್ಯೀಕರಣವನ್ನು ಸಂಪಾದಿಸಿ: + +```r +ggplot(honey, aes(x = priceperlb, y = state)) + + geom_point(aes(size = year),colour = "blue") + + scale_size_continuous(range = c(0.25, 3)) +``` +ನೀವು ಬಿಂದುಗಳ ಗಾತ್ರ ಕ್ರಮೇಣ ಹೆಚ್ಚುತ್ತಿರುವುದನ್ನು ಕಾಣಬಹುದು. + +![scatterplot 3](../../../../../translated_images/scatter3.722d21e6f20b3ea2e18339bb9b10d75906126715eb7d5fdc88fe74dcb6d7066a.kn.png) + +ಇದು ಸರಳ ಸರಬರಾಜು ಮತ್ತು ಬೇಡಿಕೆ ಪ್ರಕರಣವೇ? ಹವಾಮಾನ ಬದಲಾವಣೆ ಮತ್ತು ಕಾಲೋನಿ ಕಾಲಾಪ್ಸ್ ಮುಂತಾದ ಕಾರಣಗಳಿಂದ, ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಖರೀದಿಗೆ ಲಭ್ಯವಿರುವ ಜೇನುತುಪ್ಪ ಕಡಿಮೆಯಾಗುತ್ತಿದೆಯೇ, ಆದ್ದರಿಂದ ಬೆಲೆ ಏರುತ್ತಿದೆಯೇ? + +ಈ ಡೇಟಾಸೆಟ್‌ನ ಕೆಲವು ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯಲು, ಕೆಲವು ಲೈನ್ ಚಾರ್ಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸೋಣ. + +## ಲೈನ್ ಚಾರ್ಟ್‌ಗಳು + +ಪ್ರಶ್ನೆ: ಜೇನುತುಪ್ಪದ ಪೌಂಡ್ ಪ್ರತಿ ಬೆಲೆಯು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಸ್ಪಷ್ಟವಾಗಿ ಏರಿದೆಯೇ? ನೀವು ಇದನ್ನು ಸುಲಭವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು ಒಂದು ಲೈನ್ ಚಾರ್ಟ್ ರಚಿಸುವ ಮೂಲಕ: + +```r +qplot(honey$year,honey$priceperlb, geom='smooth', span =0.5, xlab = "year",ylab = "priceperlb") +``` +ಉತ್ತರ: ಹೌದು, 2003 ರ ಸುತ್ತಲೂ ಕೆಲವು ಹೊರತುಪಡಿಸಿ: + +![line chart 1](../../../../../translated_images/line1.299b576fbb2a59e60a59e7130030f59836891f90302be084e4e8d14da0562e2a.kn.png) + +ಪ್ರಶ್ನೆ: 2003 ರಲ್ಲಿ ಜೇನುತುಪ್ಪದ ಸರಬರಾಜಿನಲ್ಲಿ ಏರಿಕೆಯನ್ನು ನೋಡಬಹುದೇ? ಒಟ್ಟು ಉತ್ಪಾದನೆಯನ್ನು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ನೋಡಿದರೆ? + +```python +qplot(honey$year,honey$totalprod, geom='smooth', span =0.5, xlab = "year",ylab = "totalprod") +``` + +![line chart 2](../../../../../translated_images/line2.3b18fcda7176ceba5b6689eaaabb817d49c965e986f11cac1ae3f424030c34d8.kn.png) + +ಉತ್ತರ: ಅಷ್ಟು ಅಲ್ಲ. ಒಟ್ಟು ಉತ್ಪಾದನೆಯನ್ನು ನೋಡಿದರೆ, ಆ ವಿಶೇಷ ವರ್ಷದಲ್ಲಿ ಅದು ಹೆಚ್ಚಿದಂತೆ ತೋರುತ್ತದೆ, ಆದರೂ ಸಾಮಾನ್ಯವಾಗಿ ಈ ವರ್ಷಗಳಲ್ಲಿ ಜೇನುತುಪ್ಪದ ಉತ್ಪಾದನೆ ಕಡಿಮೆಯಾಗುತ್ತಿದೆ. + +ಪ್ರಶ್ನೆ: ಆ ಸಂದರ್ಭದಲ್ಲಿ, 2003 ರ ಸುತ್ತಲೂ ಜೇನುತುಪ್ಪದ ಬೆಲೆಯ ಏರಿಕೆಗೆ ಕಾರಣವೇನು? + +ಇದನ್ನು ಕಂಡುಹಿಡಿಯಲು, ನೀವು ಫೇಸಟ್ ಗ್ರಿಡ್ ಅನ್ನು ಅನ್ವೇಷಿಸಬಹುದು. + +## ಫೇಸಟ್ ಗ್ರಿಡ್‌ಗಳು + +ಫೇಸಟ್ ಗ್ರಿಡ್ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ನ ಒಂದು ಭಾಗವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ (ನಮ್ಮ ಪ್ರಕರಣದಲ್ಲಿ, ನೀವು 'ವರ್ಷ' ಆಯ್ಕೆಮಾಡಬಹುದು ಹೆಚ್ಚು ಫೇಸಟ್‌ಗಳು ಉತ್ಪಾದನೆಯಾಗದಂತೆ). Seaborn ನಂತರ ಆಯ್ಕೆಮಾಡಿದ x ಮತ್ತು y ಸಂಯೋಜನೆಗಳ ಪ್ರತಿಯೊಂದು ಫೇಸಟ್‌ಗೆ ಪ್ಲಾಟ್ ರಚಿಸುತ್ತದೆ, ಇದರಿಂದ ಸುಲಭ ದೃಶ್ಯಾತ್ಮಕ ಹೋಲಿಕೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. 2003 ಈ ರೀತಿಯ ಹೋಲಿಕೆಯಲ್ಲಿ ಹೊರಹೊಮ್ಮುತ್ತದೆಯೇ? + +[ggplot2 ನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://ggplot2.tidyverse.org/reference/facet_wrap.html) ಪ್ರಕಾರ `facet_wrap` ಬಳಸಿ ಫೇಸಟ್ ಗ್ರಿಡ್ ರಚಿಸಿ. + +```r +ggplot(honey, aes(x=yieldpercol, y = numcol,group = 1)) + + geom_line() + facet_wrap(vars(year)) +``` +ಈ ದೃಶ್ಯೀಕರಣದಲ್ಲಿ, ನೀವು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಮತ್ತು ರಾಜ್ಯದಿಂದ ರಾಜ್ಯಕ್ಕೆ yield per colony ಮತ್ತು ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪಕ್ಕಪಕ್ಕವಾಗಿ 3 ಕಾಲಮ್‌ಗಳೊಂದಿಗೆ ಹೋಲಿಸಬಹುದು: + +![facet grid](../../../../../translated_images/facet.491ad90d61c2a7cc69b50c929f80786c749e38217ccedbf1e22ed8909b65987c.kn.png) + +ಈ ಡೇಟಾಸೆಟ್‌ಗೆ, ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಅವರ ಉತ್ಪಾದನೆಯ ಕುರಿತು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ಮತ್ತು ರಾಜ್ಯದಿಂದ ರಾಜ್ಯಕ್ಕೆ ವಿಶೇಷವಾಗಿ ಏನೂ ಹೊರಹೊಮ್ಮುವುದಿಲ್ಲ. ಈ ಎರಡು ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಬೇರೆ ವಿಧಾನವಿದೆಯೇ? + +## ಡ್ಯುಯಲ್-ಲೈನ್ ಪ್ಲಾಟ್‌ಗಳು + +R ನ `par` ಮತ್ತು `plot` ಫಂಕ್ಷನ್ ಬಳಸಿ ಎರಡು ಲೈನ್ ಪ್ಲಾಟ್‌ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಮ-superimpose ಮಾಡಿ ಬಹು-ಲೈನ್ ಪ್ಲಾಟ್ ಪ್ರಯತ್ನಿಸಿ. ನಾವು x ಅಕ್ಷದಲ್ಲಿ ವರ್ಷವನ್ನು ಮತ್ತು ಎರಡು y ಅಕ್ಷಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವೆವು. ಆದ್ದರಿಂದ, yield per colony ಮತ್ತು ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಒಟ್ಟಿಗೆ ಪ್ರದರ್ಶಿಸಿ: + +```r +par(mar = c(5, 4, 4, 4) + 0.3) +plot(honey$year, honey$numcol, pch = 16, col = 2,type="l") +par(new = TRUE) +plot(honey$year, honey$yieldpercol, pch = 17, col = 3, + axes = FALSE, xlab = "", ylab = "",type="l") +axis(side = 4, at = pretty(range(y2))) +mtext("colony yield", side = 4, line = 3) +``` +![superimposed plots](../../../../../translated_images/dual-line.fc4665f360a54018d7df9bc6abcc26460112e17dcbda18d3b9ae6109b32b36c3.kn.png) + +2003 ರ ಸುತ್ತಲೂ ಏನೂ ವಿಶೇಷವಾಗಿ ಗಮನ ಸೆಳೆಯದಿದ್ದರೂ, ಈ ಪಾಠವನ್ನು ಸ್ವಲ್ಪ ಸಂತೋಷಕರವಾಗಿ ಮುಗಿಸಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ: ಒಟ್ಟಾರೆ ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆ ಕಡಿಮೆಯಾಗುತ್ತಿದೆಯಾದರೂ, ಕಾಲೋನಿಗಳ ಸಂಖ್ಯೆ ಸ್ಥಿರವಾಗುತ್ತಿದೆ ಮತ್ತು ಅವರ yield per colony ಕಡಿಮೆಯಾಗುತ್ತಿದೆ. + +ಹೋಗಿ, ಜೇನುಗಳು, ಹೋಗಿ! + +🐝❤️ +## 🚀 ಸವಾಲು + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್‌ಗಳು ಮತ್ತು ಲೈನ್ ಗ್ರಿಡ್‌ಗಳ ಇತರ ಬಳಕೆಗಳ ಬಗ್ಗೆ ಸ್ವಲ್ಪ ತಿಳಿದುಕೊಂಡಿದ್ದೀರಿ, ಫೇಸಟ್ ಗ್ರಿಡ್‌ಗಳ ಸಹಿತ. ಬೇರೆ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ಫೇಸಟ್ ಗ್ರಿಡ್ ರಚಿಸುವ ಸವಾಲು ಸ್ವೀಕರಿಸಿ, ಬಹುಶಃ ನೀವು ಈ ಪಾಠಗಳ ಮೊದಲು ಬಳಸಿದ ಡೇಟಾಸೆಟ್. ಅವು ರಚಿಸಲು ಎಷ್ಟು ಸಮಯ ಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ಈ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಎಷ್ಟು ಗ್ರಿಡ್‌ಗಳನ್ನು ರಚಿಸಬೇಕೆಂದು ಎಚ್ಚರಿಕೆಯಿಂದ ಇರಬೇಕಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. +## [ಪೋಸ್ಟ್-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/23) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಲೈನ್ ಪ್ಲಾಟ್‌ಗಳು ಸರಳವಾಗಿರಬಹುದು ಅಥವಾ ಬಹಳ ಸಂಕೀರ್ಣವಾಗಿರಬಹುದು. ನೀವು ಅವುಗಳನ್ನು ಹೇಗೆ ರಚಿಸಬಹುದು ಎಂಬುದರ ಬಗ್ಗೆ [ggplot2 ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://ggplot2.tidyverse.org/reference/geom_path.html#:~:text=geom_line()%20connects%20them%20in,which%20cases%20are%20connected%20together) ನಲ್ಲಿ ಸ್ವಲ್ಪ ಓದಿಕೊಳ್ಳಿ. ಈ ಪಾಠದಲ್ಲಿ ನೀವು ರಚಿಸಿದ ಲೈನ್ ಚಾರ್ಟ್‌ಗಳನ್ನು ಡಾಕ್ಸ್‌ನಲ್ಲಿ ನೀಡಲಾದ ಇತರ ವಿಧಾನಗಳೊಂದಿಗೆ ಸುಧಾರಿಸಲು ಪ್ರಯತ್ನಿಸಿ. +## ನಿಯೋಜನೆ + +[ಜೇನುಮಡಿಗೆ ಒಳಗೆ ನುಗ್ಗಿ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/R/13-meaningful-vizualizations/README.md b/translations/kn/3-Data-Visualization/R/13-meaningful-vizualizations/README.md new file mode 100644 index 00000000..f7221301 --- /dev/null +++ b/translations/kn/3-Data-Visualization/R/13-meaningful-vizualizations/README.md @@ -0,0 +1,184 @@ + +# ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಮಾಡುವುದು + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್ ](../../../sketchnotes/13-MeaningfulViz.png)| +|:---:| +| ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳು - _[@nitya](https://twitter.com/nitya) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್_ | + +> "ನೀವು ಡೇಟಾವನ್ನು ಸಾಕಷ್ಟು ಕಾಲ ಹಿಂಸಿಸಿದರೆ, ಅದು ಯಾವುದಕ್ಕೂ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ" -- [ರೋನಾಲ್ಡ್ ಕೋಸ್](https://en.wikiquote.org/wiki/Ronald_Coase) + +ಡೇಟಾ ವಿಜ್ಞಾನಿಯ ಮೂಲ ಕೌಶಲ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಅರ್ಥಪೂರ್ಣ ಡೇಟಾ ದೃಶ್ಯೀಕರಣವನ್ನು ಸೃಷ್ಟಿಸುವ ಸಾಮರ್ಥ್ಯ, ಇದು ನೀವು ಹೊಂದಿರುವ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಿಮ್ಮ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವ ಮೊದಲು, ನೀವು ಅದನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಸಿದ್ಧಪಡಿಸಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು, ನೀವು ಹಿಂದಿನ ಪಾಠಗಳಲ್ಲಿ ಮಾಡಿದಂತೆ. ಅದಾದ ನಂತರ, ನೀವು ಡೇಟಾವನ್ನು ಹೇಗೆ ಉತ್ತಮವಾಗಿ ಪ್ರದರ್ಶಿಸಬಹುದು ಎಂದು ನಿರ್ಧರಿಸಬಹುದು. + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಪರಿಶೀಲಿಸುವಿರಿ: + +1. ಸರಿಯಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಹೇಗೆ ಆಯ್ಕೆಮಾಡುವುದು +2. ಮೋಸಮಯ ಚಾರ್ಟಿಂಗ್ ಅನ್ನು ಹೇಗೆ ತಪ್ಪಿಸುವುದು +3. ಬಣ್ಣದೊಂದಿಗೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು +4. ಓದಲು ಸುಲಭವಾಗುವಂತೆ ನಿಮ್ಮ ಚಾರ್ಟ್‌ಗಳನ್ನು ಹೇಗೆ ಶೈಲಿಮಾಡುವುದು +5. ಅನಿಮೇಟೆಡ್ ಅಥವಾ 3D ಚಾರ್ಟಿಂಗ್ ಪರಿಹಾರಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು +6. ಸೃಜನಾತ್ಮಕ ದೃಶ್ಯೀಕರಣವನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು + +## [ಪೂರ್ವ-ಪಾಠ ಕ್ವಿಜ್](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/24) + +## ಸರಿಯಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆಮಾಡಿ + +ಹಿಂದಿನ ಪಾಠಗಳಲ್ಲಿ, ನೀವು Matplotlib ಮತ್ತು Seaborn ಬಳಸಿ ವಿವಿಧ ರಕಮದ ಆಸಕ್ತಿದಾಯಕ ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ನಿರ್ಮಿಸುವ ಪ್ರಯೋಗ ಮಾಡಿದ್ದೀರಿ. ಸಾಮಾನ್ಯವಾಗಿ, ನೀವು ಕೇಳುತ್ತಿರುವ ಪ್ರಶ್ನೆಗೆ ಸರಿಯಾದ ಚಾರ್ಟ್ ಪ್ರಕಾರವನ್ನು ಈ ಟೇಬಲ್ ಬಳಸಿ ಆಯ್ಕೆಮಾಡಬಹುದು: + +| ನೀವು ಬೇಕಾದದ್ದು: | ನೀವು ಬಳಸಬೇಕು: | +| -------------------------- | ----------------------------- | +| ಸಮಯದೊಂದಿಗೆ ಡೇಟಾ ಪ್ರವೃತ್ತಿಗಳನ್ನು ತೋರಿಸಿ | ಲೈನ್ | +| ವರ್ಗಗಳನ್ನು ಹೋಲಿಸಿ | ಬಾರ್, ಪೈ | +| ಒಟ್ಟುಗಳನ್ನು ಹೋಲಿಸಿ | ಪೈ, ಸ್ಟ್ಯಾಕ್ಡ್ ಬಾರ್ | +| ಸಂಬಂಧಗಳನ್ನು ತೋರಿಸಿ | ಸ್ಕ್ಯಾಟರ್, ಲೈನ್, ಫೇಸಟ್, ಡ್ಯುಯಲ್ ಲೈನ್ | +| ವಿತರಣೆಗಳನ್ನು ತೋರಿಸಿ | ಸ್ಕ್ಯಾಟರ್, ಹಿಸ್ಟೋಗ್ರಾಮ್, ಬಾಕ್ಸ್ | +| ಅನುಪಾತಗಳನ್ನು ತೋರಿಸಿ | ಪೈ, ಡೋನಟ್, ವಾಫಲ್ | + +> ✅ ನಿಮ್ಮ ಡೇಟಾದ ರಚನೆಯ ಮೇಲೆ ಅವಲಂಬಿಸಿ, ನೀವು ಡೇಟಾವನ್ನು ಪಠ್ಯದಿಂದ ಸಂಖ್ಯಾತ್ಮಕಕ್ಕೆ ಪರಿವರ್ತಿಸಲು ಅಗತ್ಯವಿರಬಹುದು, ನಿರ್ದಿಷ್ಟ ಚಾರ್ಟ್ ಅದನ್ನು ಬೆಂಬಲಿಸಲು. + +## ಮೋಸ ತಪ್ಪಿಸಿ + +ಒಂದು ಡೇಟಾ ವಿಜ್ಞಾನಿ ಸರಿಯಾದ ಡೇಟಾ ಗೆ ಸರಿಯಾದ ಚಾರ್ಟ್ ಆಯ್ಕೆಮಾಡಿದರೂ ಸಹ, ಡೇಟಾವನ್ನು ತೋರಿಸುವ ಹಲವು ಮಾರ್ಗಗಳಿವೆ, ಅವು ಡೇಟಾವನ್ನು ಹಾಳುಮಾಡುವ ಬೆಲೆಗಾಗಿ ಒಂದು ವಿಷಯವನ್ನು ಸಾಬೀತುಪಡಿಸಲು. ಮೋಸಮಯ ಚಾರ್ಟ್‌ಗಳು ಮತ್ತು ಇನ್ಫೋಗ್ರಾಫಿಕ್ಸ್‌ಗಳ ಅನೇಕ ಉದಾಹರಣೆಗಳಿವೆ! + +[![ಅಲ್ಬೆರ್ಟೋ ಕೈರೋ ಅವರ "ಹೌ ಚಾರ್ಟ್ಸ್ ಲೈ"](../../../../../translated_images/tornado.2880ffc7f135f82b5e5328624799010abefd1080ae4b7ecacbdc7d792f1d8849.kn.png)](https://www.youtube.com/watch?v=oX74Nge8Wkw "ಹೌ ಚಾರ್ಟ್ಸ್ ಲೈ") + +> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಮೋಸಮಯ ಚಾರ್ಟ್‌ಗಳ ಬಗ್ಗೆ ಸಮ್ಮೇಳನ ಮಾತುಕತೆ ನೋಡಿರಿ + +ಈ ಚಾರ್ಟ್ X ಅಕ್ಷವನ್ನು ತಿರುಗಿಸಿ ಸತ್ಯದ ವಿರುದ್ಧ ತೋರಿಸುತ್ತದೆ, ದಿನಾಂಕ ಆಧಾರಿತ: + +![ಕೆಟ್ಟ ಚಾರ್ಟ್ 1](../../../../../translated_images/bad-chart-1.596bc93425a8ac301a28b8361f59a970276e7b961658ce849886aa1fed427341.kn.png) + +[ಈ ಚಾರ್ಟ್](https://media.firstcoastnews.com/assets/WTLV/images/170ae16f-4643-438f-b689-50d66ca6a8d8/170ae16f-4643-438f-b689-50d66ca6a8d8_1140x641.jpg) ಇನ್ನೂ ಹೆಚ್ಚು ಮೋಸಮಯವಾಗಿದೆ, ಕಣ್ಣು ಬಲಕ್ಕೆ ಸೆಳೆಯುತ್ತದೆ ಮತ್ತು ಸಮಯದೊಂದಿಗೆ COVID ಪ್ರಕರಣಗಳು ವಿವಿಧ ಜಿಲ್ಲೆಗಳಲ್ಲಿ ಕಡಿಮೆಯಾದಂತೆ ತೋರುತ್ತದೆ. ನಿಜವಾಗಿ, ದಿನಾಂಕಗಳನ್ನು ಗಮನದಿಂದ ನೋಡಿದರೆ, ಅವು ಮೋಸಮಯ ಇಳಿಜಾರಿನ ಪ್ರವೃತ್ತಿಯನ್ನು ನೀಡಲು ಮರುಕ್ರಮಿಸಲಾಗಿದೆ. + +![ಕೆಟ್ಟ ಚಾರ್ಟ್ 2](../../../../../translated_images/bad-chart-2.62edf4d2f30f4e519f5ef50c07ce686e27b0196a364febf9a4d98eecd21f9f60.kn.jpg) + +ಈ ಪ್ರಸಿದ್ಧ ಉದಾಹರಣೆ ಬಣ್ಣ ಮತ್ತು ತಿರುಗಿದ Y ಅಕ್ಷವನ್ನು ಬಳಸಿಕೊಂಡು ಮೋಸ ಮಾಡುತ್ತದೆ: ಗನ್-ಸ್ನೇಹಿ ಕಾನೂನುಗಳ ಅಂಗೀಕಾರದ ನಂತರ ಗನ್ ಸಾವುಗಳು ಏರಿಕೆಯಾಗಿವೆ ಎಂದು ನಿರ್ಣಯಿಸುವ ಬದಲು, ಕಣ್ಣು ವಿರುದ್ಧವನ್ನು ನಂಬುವಂತೆ ಮಾಡುತ್ತದೆ: + +![ಕೆಟ್ಟ ಚಾರ್ಟ್ 3](../../../../../translated_images/bad-chart-3.e201e2e915a230bc2cde289110604ec9abeb89be510bd82665bebc1228258972.kn.jpg) + +ಈ ವಿಚಿತ್ರ ಚಾರ್ಟ್ ಅನುಪಾತವನ್ನು ಹೇಗೆ ಮ್ಯಾನಿಪ್ಯುಲೇಟ್ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ಹಾಸ್ಯಾಸ್ಪದ ಪರಿಣಾಮದೊಂದಿಗೆ ತೋರಿಸುತ್ತದೆ: + +![ಕೆಟ್ಟ ಚಾರ್ಟ್ 4](../../../../../translated_images/bad-chart-4.8872b2b881ffa96c3e0db10eb6aed7793efae2cac382c53932794260f7bfff07.kn.jpg) + +ತೂಕಮಾಡಲಾಗದ ವಸ್ತುಗಳನ್ನು ಹೋಲಿಸುವುದು ಇನ್ನೊಂದು ಅನುಮಾನಾಸ್ಪದ ತಂತ್ರ. 'ಸ್ಪ್ಯೂರಿಯಸ್ ಕೊರಿಲೇಶನ್ಸ್' ಬಗ್ಗೆ ಒಂದು [ಅದ್ಭುತ ವೆಬ್ ಸೈಟ್](https://tylervigen.com/spurious-correlations) ಇದೆ, ಇದು ಮೇನ್‌ನ ವಿಚ್ಛೇದನ ದರ ಮತ್ತು ಮಾರ್ಜರಿನ್ ಬಳಕೆಯಂತಹ ವಿಷಯಗಳನ್ನು ಹೊಂದಿರುವ 'ವಾಸ್ತವಗಳನ್ನು' ತೋರಿಸುತ್ತದೆ. ರೆಡ್ಡಿಟ್ ಗುಂಪು ಕೂಡ ಡೇಟಾ ಬಳಕೆಯ [ಕಿರುಕುಳಗಳನ್ನು](https://www.reddit.com/r/dataisugly/top/?t=all) ಸಂಗ್ರಹಿಸುತ್ತದೆ. + +ಮೋಸಮಯ ಚಾರ್ಟ್‌ಗಳಿಂದ ಕಣ್ಣು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಮೋಸಗೊಳ್ಳಬಹುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯ. ಡೇಟಾ ವಿಜ್ಞಾನಿಯ ಉದ್ದೇಶ ಉತ್ತಮವಾದರೂ ಸಹ, ಪೈ ಚಾರ್ಟ್‌ನಲ್ಲಿ ಬಹಳಷ್ಟು ವರ್ಗಗಳನ್ನು ತೋರಿಸುವಂತಹ ಕೆಟ್ಟ ಚಾರ್ಟ್ ಆಯ್ಕೆ ಮೋಸಮಯವಾಗಬಹುದು. + +## ಬಣ್ಣ + +ಮೇಲಿನ 'ಫ್ಲೋರಿಡಾ ಗನ್ ಹಿಂಸಾಚಾರ' ಚಾರ್ಟ್‌ನಲ್ಲಿ ನೀವು ನೋಡಿದಂತೆ, ಬಣ್ಣವು ಚಾರ್ಟ್‌ಗಳಿಗೆ ಹೆಚ್ಚುವರಿ ಅರ್ಥದ ಪದರವನ್ನು ನೀಡಬಹುದು, ವಿಶೇಷವಾಗಿ ggplot2 ಮತ್ತು RColorBrewer ಮುಂತಾದ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸದೆ ಕೈಯಿಂದ ಚಾರ್ಟ್ ಮಾಡುತ್ತಿದ್ದರೆ. ನೀವು ಕೈಯಿಂದ ಚಾರ್ಟ್ ಮಾಡುತ್ತಿದ್ದರೆ, [ಬಣ್ಣ ಸಿದ್ಧಾಂತ](https://colormatters.com/color-and-design/basic-color-theory) ಬಗ್ಗೆ ಸ್ವಲ್ಪ ಅಧ್ಯಯನ ಮಾಡಿ. + +> ✅ ಚಾರ್ಟ್ ವಿನ್ಯಾಸ ಮಾಡುವಾಗ, ಪ್ರವೇಶಾರ್ಹತೆ ದೃಶ್ಯೀಕರಣದ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ ಎಂದು ಗಮನಿಸಿ. ನಿಮ್ಮ ಬಳಕೆದಾರರಲ್ಲಿ ಕೆಲವರು ಬಣ್ಣ ಅಂಧರಾಗಿರಬಹುದು - ನಿಮ್ಮ ಚಾರ್ಟ್ ದೃಷ್ಟಿ ಅಶಕ್ತರ ಬಳಕೆದಾರರಿಗೆ ಚೆನ್ನಾಗಿ ತೋರಿಸುತ್ತದೆಯೇ? + +ನಿಮ್ಮ ಚಾರ್ಟ್‌ಗೆ ಬಣ್ಣಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ ಜಾಗರೂಕವಾಗಿರಿ, ಏಕೆಂದರೆ ಬಣ್ಣವು ನೀವು ಉದ್ದೇಶಿಸದ ಅರ್ಥವನ್ನು ನೀಡಬಹುದು. ಮೇಲಿನ 'ಎತ್ತರ' ಚಾರ್ಟ್‌ನ 'ಪಿಂಕ್ ಲೇಡೀಸ್' ಸ್ಪಷ್ಟವಾಗಿ 'ಸ್ತ್ರೀಯ' ಅರ್ಥವನ್ನು ನೀಡುತ್ತವೆ, ಇದು ಚಾರ್ಟ್‌ನ ವಿಚಿತ್ರತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. + +ವಿಶ್ವದ ವಿಭಿನ್ನ ಭಾಗಗಳಲ್ಲಿ [ಬಣ್ಣದ ಅರ್ಥ](https://colormatters.com/color-symbolism/the-meanings-of-colors) ವಿಭಿನ್ನವಾಗಿರಬಹುದು ಮತ್ತು ಅವುಗಳ ಛಾಯೆಯ ಪ್ರಕಾರ ಅರ್ಥ ಬದಲಾಗಬಹುದು. ಸಾಮಾನ್ಯವಾಗಿ, ಬಣ್ಣದ ಅರ್ಥಗಳು ಇವು: + +| ಬಣ್ಣ | ಅರ್ಥ | +| ------- | -------------------- | +| ಕೆಂಪು | ಶಕ್ತಿ | +| ನೀಲಿ | ನಂಬಿಕೆ, ನಿಷ್ಠೆ | +| ಹಳದಿ | ಸಂತೋಷ, ಎಚ್ಚರಿಕೆ | +| ಹಸಿರು | ಪರಿಸರ, ಭಾಗ್ಯ, ಹಿಂಸೆ | +| ನೇರಳೆ | ಸಂತೋಷ | +| ಕಿತ್ತಳೆ | ಚೈತನ್ಯ | + +ನೀವು ಕಸ್ಟಮ್ ಬಣ್ಣಗಳೊಂದಿಗೆ ಚಾರ್ಟ್ ನಿರ್ಮಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿದ್ದರೆ, ನಿಮ್ಮ ಚಾರ್ಟ್‌ಗಳು ಪ್ರವೇಶಾರ್ಹವಾಗಿರಬೇಕು ಮತ್ತು ನೀವು ನೀಡಲು ಯತ್ನಿಸುವ ಅರ್ಥಕ್ಕೆ ಬಣ್ಣ ಹೊಂದಿರಬೇಕು ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. + +## ಓದಲು ಸುಲಭವಾಗುವಂತೆ ನಿಮ್ಮ ಚಾರ್ಟ್‌ಗಳನ್ನು ಶೈಲಿಮಾಡುವುದು + +ಚಾರ್ಟ್‌ಗಳು ಓದಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ ಅರ್ಥಪೂರ್ಣವಾಗುವುದಿಲ್ಲ! ನಿಮ್ಮ ಡೇಟಾ ಅನುಗುಣವಾಗಿ ಚಾರ್ಟ್‌ನ ಅಗಲ ಮತ್ತು ಎತ್ತರವನ್ನು ಶೈಲಿಮಾಡಲು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಿ. ಒಂದು ವ್ಯತ್ಯಯ (ಉದಾಹರಣೆಗೆ ಎಲ್ಲಾ 50 ರಾಜ್ಯಗಳು) ತೋರಿಸಬೇಕಾದರೆ, ಸಾಧ್ಯವಾದರೆ ಅವುಗಳನ್ನು Y ಅಕ್ಷದಲ್ಲಿ ಲಂಬವಾಗಿ ತೋರಿಸಿ, ಹೋರಿಜಾಂಟಲ್ ಸ್ಕ್ರೋಲಿಂಗ್ ಚಾರ್ಟ್ ತಪ್ಪಿಸಲು. + +ನಿಮ್ಮ ಅಕ್ಷಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಿ, ಅಗತ್ಯವಿದ್ದರೆ ಲೆಜೆಂಡ್ ನೀಡಿ, ಮತ್ತು ಡೇಟಾ ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಟೂಲ್‌ಟಿಪ್‌ಗಳನ್ನು ಒದಗಿಸಿ. + +ನಿಮ್ಮ ಡೇಟಾ ಪಠ್ಯಾತ್ಮಕ ಮತ್ತು X ಅಕ್ಷದಲ್ಲಿ ವಿಸ್ತಾರವಾಗಿದ್ದರೆ, ಓದಲು ಸುಲಭವಾಗಲು ಪಠ್ಯವನ್ನು ತಿರುಗಿಸಬಹುದು. [plot3D](https://cran.r-project.org/web/packages/plot3D/index.html) 3D ಪ್ಲಾಟಿಂಗ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ, ನಿಮ್ಮ ಡೇಟಾ ಅದನ್ನು ಬೆಂಬಲಿಸಿದರೆ. ಅದನ್ನು ಬಳಸಿ ಸುಧಾರಿತ ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಸೃಷ್ಟಿಸಬಹುದು. + +![3D ಪ್ಲಾಟ್‌ಗಳು](../../../../../translated_images/3d.db1734c151eee87d924989306a00e23f8cddac6a0aab122852ece220e9448def.kn.png) + +## ಅನಿಮೇಷನ್ ಮತ್ತು 3D ಚಾರ್ಟ್ ಪ್ರದರ್ಶನ + +ಇಂದಿನ ಅತ್ಯುತ್ತಮ ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳಲ್ಲಿ ಕೆಲವು ಅನಿಮೇಟೆಡ್ ಆಗಿವೆ. ಶಿರ್ಲಿ ವು D3 ಬಳಸಿ ಅದ್ಭುತ ಅನಿಮೇಟೆಡ್ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಮಾಡಿದ್ದಾಳೆ, ಉದಾಹರಣೆಗೆ '[ಫಿಲ್ಮ್ ಫ್ಲವರ್ಸ್](http://bl.ocks.org/sxywu/raw/d612c6c653fb8b4d7ff3d422be164a5d/)', ಇಲ್ಲಿ ಪ್ರತಿ ಹೂವು ಒಂದು ಚಲನಚಿತ್ರದ ದೃಶ್ಯೀಕರಣವಾಗಿದೆ. ಇನ್ನೊಂದು ಉದಾಹರಣೆ ಗಾರ್ಡಿಯನ್‌ನ 'ಬಸ್ಸ್ಡ್ ಔಟ್', ಇದು ಗ್ರೀನ್ಸಾಕ್ ಮತ್ತು D3 ಜೊತೆಗೆ ಇಂಟರಾಕ್ಟಿವ್ ಅನುಭವ ಮತ್ತು ಸ್ಕ್ರೋಲಿಟೆಲ್ಲಿಂಗ್ ಲೇಖನ ರೂಪದಲ್ಲಿ NYC ತನ್ನ ಗೃಹವಿಹೀನ ಸಮಸ್ಯೆಯನ್ನು ಬಸ್ಸಿಂಗ್ ಮೂಲಕ ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. + +![ಬಸ್ಸಿಂಗ್](../../../../../translated_images/busing.8157cf1bc89a3f65052d362a78c72f964982ceb9dcacbe44480e35909c3dce62.kn.png) + +> "ಬಸ್ಸ್ಡ್ ಔಟ್: ಅಮೆರಿಕ ಗೃಹವಿಹೀನರನ್ನು ಹೇಗೆ ಸಾಗಿಸುತ್ತದೆ" [ಗಾರ್ಡಿಯನ್](https://www.theguardian.com/us-news/ng-interactive/2017/dec/20/bussed-out-america-moves-homeless-people-country-study) ನಿಂದ. ದೃಶ್ಯೀಕರಣಗಳು ನಾಡಿಯೆ ಬ್ರೆಮರ್ ಮತ್ತು ಶಿರ್ಲಿ ವು ಅವರಿಂದ + +ಈ ಪಾಠವು ಈ ಶಕ್ತಿಶಾಲಿ ದೃಶ್ಯೀಕರಣ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಳವಾಗಿ ಕಲಿಸಲು ಸಾಕಾಗದಿದ್ದರೂ, Vue.js ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ D3 ಬಳಸಿ "Dangerous Liaisons" ಪುಸ್ತಕದ ಅನಿಮೇಟೆಡ್ ಸಾಮಾಜಿಕ ಜಾಲದೃಶ್ಯೀಕರಣವನ್ನು ಪ್ರದರ್ಶಿಸಲು ಪ್ರಯತ್ನಿಸಿ. + +> "Les Liaisons Dangereuses" ಒಂದು ಪತ್ರಿಕಾದ ಕಾದಂಬರಿ, ಅಥವಾ ಸರಣಿಯ ಪತ್ರಗಳಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಕಾದಂಬರಿ. 1782 ರಲ್ಲಿ ಚೋಡರ್ಲೋಸ್ ಡೆ ಲಾಕ್ಲೋಸ್ ಬರೆದಿದ್ದು, 18ನೇ ಶತಮಾನದ ಕೊನೆಯಲ್ಲಿ ಫ್ರೆಂಚ್ ಅರಿಸ್ಟೊಕ್ರಸಿ ಎರಡು ಪ್ರತಿಸ್ಪರ್ಧಿ ನಾಯಕರು ವಿಕಾಂಟ್ ಡೆ ವಾಲ್ಮೋಂಟ್ ಮತ್ತು ಮಾರ್ಕ್ವಿಸ್ ಡೆ ಮೆರ್ಟೆಯುಲ್ ಅವರ ದುಷ್ಟ, ನೈತಿಕವಾಗಿ ಕುಸಿದ ಸಾಮಾಜಿಕ ಯುಕ್ತಿಗಳ ಕಥೆಯನ್ನು ಹೇಳುತ್ತದೆ. ಇಬ್ಬರೂ ಕೊನೆಯಲ್ಲಿ ತಮ್ಮ ಅಂತ್ಯವನ್ನು ಎದುರಿಸುತ್ತಾರೆ ಆದರೆ ಬಹಳಷ್ಟು ಸಾಮಾಜಿಕ ಹಾನಿಯನ್ನುಂಟುಮಾಡಿ. ಕಾದಂಬರಿ ಅವರ ವಲಯದ ವಿವಿಧ ಜನರಿಗೆ ಬರೆದ ಪತ್ರಗಳ ಸರಣಿಯಾಗಿ ಬೆಳೆಯುತ್ತದೆ, ಪ್ರತೀಕಾರಕ್ಕಾಗಿ ಅಥವಾ ಕೇವಲ ಸಮಸ್ಯೆ ಸೃಷ್ಟಿಸಲು ಯೋಜನೆ ಮಾಡುತ್ತಾ. ಈ ಪತ್ರಗಳ ದೃಶ್ಯೀಕರಣವನ್ನು ಸೃಷ್ಟಿಸಿ ಕಥೆಯ ಪ್ರಮುಖ ನಾಯಕರು ಯಾರು ಎಂದು ದೃಶ್ಯವಾಗಿ ಕಂಡುಹಿಡಿಯಿರಿ. + +ನೀವು ಈ ಸಾಮಾಜಿಕ ಜಾಲದೃಶ್ಯೀಕರಣದ ಅನಿಮೇಟೆಡ್ ವೀಕ್ಷಣೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಪೂರ್ಣಗೊಳಿಸುವಿರಿ. ಇದು Vue.js ಮತ್ತು D3 ಬಳಸಿ [ಜಾಲದೃಶ್ಯ](https://github.com/emiliorizzo/vue-d3-network) ಸೃಷ್ಟಿಸಲು ನಿರ್ಮಿಸಲಾದ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸುತ್ತದೆ. ಅಪ್ಲಿಕೇಶನ್ ಚಾಲನೆಯಲ್ಲಿದ್ದಾಗ, ನೀವು ನೊಡ್‌ಗಳನ್ನು ಪರದೆ ಮೇಲೆ ಎಳೆಯಬಹುದು ಮತ್ತು ಡೇಟಾವನ್ನು ಮರುಸಂರಚಿಸಬಹುದು. + +![ಲಿಯಾಜನ್ಸ್](../../../../../translated_images/liaisons.90ce7360bcf8476558f700bbbaf198ad697d5b5cb2829ba141a89c0add7c6ecd.kn.png) + +## ಪ್ರಾಜೆಕ್ಟ್: D3.js ಬಳಸಿ ಜಾಲವನ್ನು ತೋರಿಸಲು ಚಾರ್ಟ್ ನಿರ್ಮಿಸಿ + +> ಈ ಪಾಠ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ `solution` ಫೋಲ್ಡರ್ ಇದೆ, ಅಲ್ಲಿ ಪೂರ್ಣಗೊಂಡ ಪ್ರಾಜೆಕ್ಟ್ ನಿಮ್ಮ ಉಲ್ಲೇಖಕ್ಕಾಗಿ ಇದೆ. + +1. ಸ್ಟಾರ್ಟರ್ ಫೋಲ್ಡರ್‌ನ ರೂಟ್‌ನಲ್ಲಿ README.md ಫೈಲ್‌ನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ನಿಮ್ಮ ಯಂತ್ರದಲ್ಲಿ NPM ಮತ್ತು Node.js ಚಾಲನೆಯಲ್ಲಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿ, ನಂತರ ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ. + +2. `starter/src` ಫೋಲ್ಡರ್ ತೆರೆಯಿರಿ. ಅಲ್ಲಿ ನೀವು `assets` ಫೋಲ್ಡರ್ ಕಂಡುಹಿಡಿಯುತ್ತೀರಿ, ಅದರಲ್ಲಿ ಕಾದಂಬರಿಯಿಂದ ಎಲ್ಲಾ ಪತ್ರಗಳ .json ಫೈಲ್ ಇದೆ, ಸಂಖ್ಯೆಬದ್ಧವಾಗಿ, 'to' ಮತ್ತು 'from' ಟ್ಯಾಗ್‌ಗಳೊಂದಿಗೆ. + +3. `components/Nodes.vue` ನಲ್ಲಿ ಕೋಡ್ ಪೂರ್ಣಗೊಳಿಸಿ ದೃಶ್ಯೀಕರಣಕ್ಕೆ ಅನುಕೂಲವಾಗುವಂತೆ. `createLinks()` ಎಂಬ ವಿಧಾನವನ್ನು ಹುಡುಕಿ ಮತ್ತು ಕೆಳಗಿನ ನೆಸ್ಟೆಡ್ ಲೂಪ್ ಅನ್ನು ಸೇರಿಸಿ. + +.json ವಸ್ತುವಿನ ಮೂಲಕ ಲೂಪ್ ಮಾಡಿ ಪತ್ರಗಳ 'to' ಮತ್ತು 'from' ಡೇಟಾವನ್ನು ಹಿಡಿದು `links` ವಸ್ತುವನ್ನು ನಿರ್ಮಿಸಿ, ಇದರಿಂದ ದೃಶ್ಯೀಕರಣ ಗ್ರಂಥಾಲಯ ಅದನ್ನು ಬಳಸಬಹುದು: + +```javascript +//ಅಕ್ಷರಗಳ ಮೂಲಕ ಲೂಪ್ ಮಾಡಿ + let f = 0; + let t = 0; + for (var i = 0; i < letters.length; i++) { + for (var j = 0; j < characters.length; j++) { + + if (characters[j] == letters[i].from) { + f = j; + } + if (characters[j] == letters[i].to) { + t = j; + } + } + this.links.push({ sid: f, tid: t }); + } + ``` + +ಟರ್ಮಿನಲ್‌ನಿಂದ ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ (npm run serve) ಮತ್ತು ದೃಶ್ಯೀಕರಣವನ್ನು ಆನಂದಿಸಿ! + +## 🚀 ಸವಾಲು + +ಮೋಸಮಯ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿ ಸುತ್ತಾಡಿ. ಲೇಖಕ ಬಳಕೆದಾರರನ್ನು ಹೇಗೆ ಮೋಸಗೊಳಿಸುತ್ತಾನೆ, ಮತ್ತು ಅದು ಉದ್ದೇಶಿತವೇ? ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಸರಿಪಡಿಸಲು ಪ್ರಯತ್ನಿಸಿ ಅವು ಹೇಗೆ ಕಾಣಬೇಕು ಎಂದು ತೋರಿಸಲು. + +## [ಪೋಸ್ಟ್-ಪಾಠ ಕ್ವಿಜ್](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/25) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಮೋಸಮಯ ಡೇಟಾ ದೃಶ್ಯೀಕರಣಗಳ ಬಗ್ಗೆ ಓದಲು ಕೆಲವು ಲೇಖನಗಳು ಇಲ್ಲಿವೆ: + +https://gizmodo.com/how-to-lie-with-data-visualization-1563576606 + +http://ixd.prattsi.org/2017/12/visual-lies-usability-in-deceptive-data-visualizations/ + +ಇತಿಹಾಸಿಕ ಆಸ್ತಿ ಮತ್ತು ವಸ್ತುಗಳ ಆಸಕ್ತಿದಾಯಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ನೋಡಿ: + +https://handbook.pubpub.org/ + +ಅನಿಮೇಷನ್ ನಿಮ್ಮ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು ಎಂಬ ಲೇಖನವನ್ನು ನೋಡಿ: + +https://medium.com/@EvanSinar/use-animation-to-supercharge-data-visualization-cd905a882ad4 + +## ಹುದ್ದೆ + +[ನಿಮ್ಮ ಸ್ವಂತ ಕಸ್ಟಮ್ ದೃಶ್ಯೀಕರಣವನ್ನು ನಿರ್ಮಿಸಿ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/3-Data-Visualization/README.md b/translations/kn/3-Data-Visualization/README.md new file mode 100644 index 00000000..cebdb72e --- /dev/null +++ b/translations/kn/3-Data-Visualization/README.md @@ -0,0 +1,45 @@ + +# ದೃಶ್ಯೀಕರಣಗಳು + +![ಲ್ಯಾವೆಂಡರ್ ಹೂವಿನ ಮೇಲೆ ಒಂದು ಜೇನುತುಪ್ಪ](../../../translated_images/bee.0aa1d91132b12e3a8994b9ca12816d05ce1642010d9b8be37f8d37365ba845cf.kn.jpg) +> ಫೋಟೋ ಜೆನ್ನಾ ಲೀ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ + + +ಡೇಟಾ ವಿಜ್ಞಾನಿಯೊಬ್ಬರ ಪ್ರಮುಖ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು. ಚಿತ್ರಗಳು 1000 ಪದಗಳ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿವೆ, ಮತ್ತು ಒಂದು ದೃಶ್ಯೀಕರಣವು ನಿಮ್ಮ ಡೇಟಾದ ಎಲ್ಲಾ ರೀತಿಯ ಆಸಕ್ತಿದಾಯಕ ಭಾಗಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ ಶಿಖರಗಳು, ಹೊರಗಿನ ಅಂಶಗಳು, ಗುಂಪುಗಳು, ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಇನ್ನಷ್ಟು, ಇದು ನಿಮ್ಮ ಡೇಟಾ ಹೇಳಲು ಯತ್ನಿಸುತ್ತಿರುವ ಕಥೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +ಈ ಐದು ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಪ್ರಕೃತಿಯಿಂದ ಪಡೆದ ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸಿ ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಆಸಕ್ತಿದಾಯಕ ಮತ್ತು ಸುಂದರ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸುವಿರಿ. + +| ವಿಷಯ ಸಂಖ್ಯೆ | ವಿಷಯ | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ಲೇಖಕರು | +| :-----------: | :--: | :-----------: | :----: | +| 1. | ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | | | +| 2. | ವಿತರಣೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | | | +| 3. | ಅನುಪಾತಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | | | +| 4. | ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | | | +| 5. | ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಮಾಡುವುದು | | | + +### ಕ್ರೆಡಿಟ್ಸ್ + +ಈ ದೃಶ್ಯೀಕರಣ ಪಾಠಗಳನ್ನು 🌸 [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper), [ಜಸ್ಲೀನ್ ಸೊಂಡಿ](https://github.com/jasleen101010) ಮತ್ತು [ವಿದುಷಿ ಗುಪ್ತ](https://github.com/Vidushi-Gupta) ರವರು ಬರೆಯಲಾಗಿದೆ. + +🍯 US ಹನಿ ಉತ್ಪಾದನೆಗೆ ಸಂಬಂಧಿಸಿದ ಡೇಟಾ ಜೆಸಿಕಾ ಲಿ ಅವರ ಪ್ರಾಜೆಕ್ಟ್‌ನಿಂದ [Kaggle](https://www.kaggle.com/jessicali9530/honey-production) ನಲ್ಲಿ ಪಡೆದಿದೆ. [ಡೇಟಾ](https://usda.library.cornell.edu/concern/publications/rn301137d) ಯು [ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡಿಪಾರ್ಟ್‌ಮೆಂಟ್ ಆಫ್ ಅಗ್ರಿಕಲ್ಚರ್](https://www.nass.usda.gov/About_NASS/index.php) ನಿಂದ ಪಡೆದಿದೆ. + +🍄 ಕಾಳುಮರಿಗಳು ಸಂಬಂಧಿಸಿದ ಡೇಟಾ ಕೂಡ [Kaggle](https://www.kaggle.com/hatterasdunton/mushroom-classification-updated-dataset) ನಿಂದ ಹ್ಯಾಟೆರಾಸ್ ಡಂಟನ್ ಅವರಿಂದ ಪರಿಷ್ಕೃತವಾಗಿದೆ. ಈ ಡೇಟಾಸೆಟ್ 23 ಪ್ರಭೇದಗಳ ಗಿಲ್ಲುಳ್ಳ ಕಾಳುಮರಿಗಳ ಹೈಪೋಥೆಟಿಕಲ್ ಮಾದರಿಗಳ ವಿವರಣೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಆಗರಿಕಸ್ ಮತ್ತು ಲೆಪಿಯೋಟಾ ಕುಟುಂಬಗಳಿಗೆ ಸಂಬಂಧಿಸಿದವು. ಕಾಳುಮರಿಗಳನ್ನು ನಾರ್ತ್ ಅಮೆರಿಕನ್ ಮಶ್ರೂಮ್‌ಗಳ ಆಡಿಯುಬನ್ ಸೊಸೈಟಿ ಫೀಲ್ಡ್ ಗೈಡ್ (1981) ನಿಂದ ಚಿತ್ರಿಸಲಾಗಿದೆ. ಈ ಡೇಟಾಸೆಟ್ 1987 ರಲ್ಲಿ UCI ML 27 ಗೆ ದಾನ ಮಾಡಲಾಯಿತು. + +🦆 ಮಿನೆಸೋಟಾ ಪಕ್ಷಿಗಳ ಡೇಟಾ [Kaggle](https://www.kaggle.com/hannahcollins/minnesota-birds) ನಿಂದ [ವಿಕಿಪೀಡಿಯಾ](https://en.wikipedia.org/wiki/List_of_birds_of_Minnesota) ಯಿಂದ ಹನ್ನಾ ಕೊಲಿನ್ಸ್ ಅವರಿಂದ ಸ್ಕ್ರೇಪ್ ಮಾಡಲಾಗಿದೆ. + +ಈ ಎಲ್ಲಾ ಡೇಟಾಸೆಟ್‌ಗಳು [CC0: ಕ್ರಿಯೇಟಿವ್ ಕಾಮನ್ಸ್](https://creativecommons.org/publicdomain/zero/1.0/) ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿ ಪಡೆದಿವೆ. + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/14-Introduction/README.md b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/README.md new file mode 100644 index 00000000..53e75296 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/README.md @@ -0,0 +1,121 @@ + +# ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರಕ್ಕೆ ಪರಿಚಯ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/14-DataScience-Lifecycle.png)| +|:---:| +| ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರಕ್ಕೆ ಪರಿಚಯ - _[@nitya](https://twitter.com/nitya) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್_ | + +## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/26) + +ಈ ಸಮಯದಲ್ಲಿ ನೀವು ಬಹುಶಃ ತಿಳಿದುಕೊಂಡಿರಬಹುದು ಡೇಟಾ ಸೈನ್ಸ್ ಒಂದು ಪ್ರಕ್ರಿಯೆ ಎಂದು. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು 5 ಹಂತಗಳಾಗಿ ವಿಭಜಿಸಬಹುದು: + +- ಸೆರೆಹಿಡಿಯುವುದು +- ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು +- ವಿಶ್ಲೇಷಣೆ +- ಸಂವಹನ +- ನಿರ್ವಹಣೆ + +ಈ ಪಾಠವು ಜೀವನಚಕ್ರದ 3 ಭಾಗಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ: ಸೆರೆಹಿಡಿಯುವುದು, ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು ಮತ್ತು ನಿರ್ವಹಣೆ. + +![ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ ಚಿತ್ರಣ](../../../../translated_images/data-science-lifecycle.a1e362637503c4fb0cd5e859d7552edcdb4aa629a279727008baa121f2d33f32.kn.jpg) +> ಚಿತ್ರ: [ಬರ್ಕ್ಲಿ ಮಾಹಿತಿ ಶಾಲೆ](https://ischoolonline.berkeley.edu/data-science/what-is-data-science/) + +## ಸೆರೆಹಿಡಿಯುವುದು + +ಜೀವನಚಕ್ರದ ಮೊದಲ ಹಂತ ಬಹಳ ಮುಖ್ಯ, ಏಕೆಂದರೆ ಮುಂದಿನ ಹಂತಗಳು ಇದಕ್ಕೆ ಅವಲಂಬಿತವಾಗಿವೆ. ಇದು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಎರಡು ಹಂತಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸಿದೆ: ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು ಮತ್ತು ಪರಿಹರಿಸಬೇಕಾದ ಉದ್ದೇಶ ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು. +ಪ್ರಾಜೆಕ್ಟಿನ ಗುರಿಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ಸಮಸ್ಯೆ ಅಥವಾ ಪ್ರಶ್ನೆಯ ಆಳವಾದ ಸನ್ನಿವೇಶವನ್ನು ಅಗತ್ಯವಿರುತ್ತದೆ. ಮೊದಲು, ನಾವು ಪರಿಹಾರ ಬೇಕಾದವರನ್ನು ಗುರುತಿಸಿ ಪಡೆಯಬೇಕು. ಇವರು ವ್ಯವಹಾರದ ಹಿತಾಸಕ್ತಿದಾರರು ಅಥವಾ ಪ್ರಾಜೆಕ್ಟಿನ ಪ್ರಾಯೋಜಕರು ಆಗಿರಬಹುದು, ಅವರು ಯಾರು ಅಥವಾ ಏನು ಈ ಪ್ರಾಜೆಕ್ಟಿನಿಂದ ಲಾಭ ಪಡೆಯುತ್ತಾರೋ ಮತ್ತು ಏಕೆ ಅವಶ್ಯಕತೆ ಇದೆ ಎಂದು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತಾರೆ. ಚೆನ್ನಾಗಿ ನಿರ್ಧರಿಸಿದ ಗುರಿ ಅಳತೆ ಮಾಡಬಹುದಾದ ಮತ್ತು ಪ್ರಮಾಣೀಕರಿಸಬಹುದಾದ ಫಲಿತಾಂಶವನ್ನು ನಿರ್ಧರಿಸಬೇಕು. + +ಡೇಟಾ ವಿಜ್ಞಾನಿ ಕೇಳಬಹುದಾದ ಪ್ರಶ್ನೆಗಳು: +- ಈ ಸಮಸ್ಯೆಯನ್ನು ಮೊದಲು ಎದುರಿಸಲಾಗಿದೆ? ಏನು ಕಂಡುಬಂದಿತು? +- ಉದ್ದೇಶ ಮತ್ತು ಗುರಿ ಎಲ್ಲರಿಗೂ ಅರ್ಥವಾಗಿದೆಯೇ? +- ಅಸ್ಪಷ್ಟತೆ ಇದೆಯೇ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡುವುದು? +- ನಿರ್ಬಂಧಗಳು ಯಾವುವು? +- ಅಂತಿಮ ಫಲಿತಾಂಶ ಹೇಗಿರಬಹುದು? +- ಎಷ್ಟು ಸಂಪನ್ಮೂಲಗಳು (ಸಮಯ, ಜನರು, ಗಣನೀಯ) ಲಭ್ಯವಿವೆ? + +ಮುಂದೆ, ಈ ನಿರ್ಧರಿಸಿದ ಗುರಿಗಳನ್ನು ಸಾಧಿಸಲು ಅಗತ್ಯವಿರುವ ಡೇಟಾವನ್ನು ಗುರುತಿಸಿ, ಸಂಗ್ರಹಿಸಿ, ನಂತರ ಅನ್ವೇಷಿಸುವುದು. ಈ ಪಡೆಯುವ ಹಂತದಲ್ಲಿ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಡೇಟಾದ ಪ್ರಮಾಣ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು. ಇದಕ್ಕಾಗಿ ಡೇಟಾ ಅನ್ವೇಷಣೆ ಅಗತ್ಯವಿದೆ, ಏಕೆಂದರೆ ಪಡೆದಿರುವುದು ಬಯಸಿದ ಫಲಿತಾಂಶವನ್ನು ಬೆಂಬಲಿಸುವುದೇ ಎಂದು ದೃಢೀಕರಿಸಲು. + +ಡೇಟಾ ಬಗ್ಗೆ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಕೇಳಬಹುದಾದ ಪ್ರಶ್ನೆಗಳು: +- ನನಗೆ ಈಗಾಗಲೇ ಯಾವ ಡೇಟಾ ಲಭ್ಯವಿದೆ? +- ಈ ಡೇಟಾ ಯಾರು ಹೊಂದಿದ್ದಾರೆ? +- ಗೌಪ್ಯತೆ ಸಂಬಂಧಿ ಚಿಂತೆಗಳೇನು? +- ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ನನಗೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಇದೆಯೇ? +- ಈ ಸಮಸ್ಯೆಗೆ ಡೇಟಾದ ಗುಣಮಟ್ಟ ತಕ್ಕಮಟ್ಟದಲ್ಲಿದೆಯೇ? +- ಈ ಡೇಟಾದ ಮೂಲಕ ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿ ಕಂಡುಬಂದರೆ, ಗುರಿಗಳನ್ನು ಬದಲಾಯಿಸುವ ಅಥವಾ ಮರುನಿರ್ಧರಿಸುವ ಬಗ್ಗೆ ಪರಿಗಣಿಸಬೇಕೇ? + +## ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು + +ಜೀವನಚಕ್ರದ ಪ್ರಕ್ರಿಯೆ ಹಂತವು ಡೇಟಾದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದರ ಜೊತೆಗೆ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಪ್ರಕ್ರಿಯೆ ಹಂತದಲ್ಲಿ ಬಳಸುವ ಕೆಲವು ತಂತ್ರಗಳು ಮಾದರಿಗಳನ್ನು ಅನಾವರಣಗೊಳಿಸಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಅಗತ್ಯವಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ನೊಂದಿಗೆ ಮಾನವನಿಗೆ ಇದು ಕಷ್ಟಕರ ಕೆಲಸವಾಗಿದ್ದು, ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ಕಂಪ್ಯೂಟರ್‌ಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಈ ಹಂತದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನ (machine learning) ಸಂಧಿಸುತ್ತವೆ. ಮೊದಲ ಪಾಠದಲ್ಲಿ ನೀವು ಕಲಿತಂತೆ, ಯಂತ್ರ ಅಧ್ಯಯನವು ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವ ಪ್ರಕ್ರಿಯೆ. ಮಾದರಿಗಳು ಡೇಟಾದಲ್ಲಿನ ಚರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. + +ಈ ಹಂತದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ತಂತ್ರಗಳು ML for Beginners ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಒಳಗೊಂಡಿವೆ. ಅವುಗಳ ಬಗ್ಗೆ ತಿಳಿಯಲು ಕೆಳಗಿನ ಲಿಂಕ್‌ಗಳನ್ನು ಅನುಸರಿಸಿ: + +- [ವರ್ಗೀಕರಣ](https://github.com/microsoft/ML-For-Beginners/tree/main/4-Classification): ಡೇಟಾವನ್ನು ವರ್ಗಗಳಾಗಿ ಸಂಘಟಿಸುವುದು, ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಲು. +- [ಗುಚ್ಛೀಕರಣ](https://github.com/microsoft/ML-For-Beginners/tree/main/5-Clustering): ಸಮಾನ ಗುಚ್ಛಗಳಾಗಿ ಡೇಟಾವನ್ನು ಗುಚ್ಛೀಕರಿಸುವುದು. +- [ಪ್ರತಿಗಮನ](https://github.com/microsoft/ML-For-Beginners/tree/main/2-Regression): ಮೌಲ್ಯಗಳನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಚರಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು. + +## ನಿರ್ವಹಣೆ +ಜೀವನಚಕ್ರದ ಚಿತ್ರಣದಲ್ಲಿ, ನೀವು ಗಮನಿಸಿದ್ದೀರಾ ನಿರ್ವಹಣೆ ಸೆರೆಹಿಡಿಯುವುದು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದರ ನಡುವೆ ಇದೆ. ನಿರ್ವಹಣೆ ಒಂದು ನಿರಂತರ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ, ಪ್ರಾಜೆಕ್ಟಿನ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದರಲ್ಲಿಯೂ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವುದು, ಸಂಗ್ರಹಿಸುವುದು ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿಡುವುದು ಮತ್ತು ಪ್ರಾಜೆಕ್ಟಿನ ಸಂಪೂರ್ಣ ಅವಧಿಯಲ್ಲಿ ಪರಿಗಣಿಸಬೇಕಾಗಿದೆ. + +### ಡೇಟಾ ಸಂಗ್ರಹಣೆ +ಡೇಟಾವನ್ನು ಹೇಗೆ ಮತ್ತು ಎಲ್ಲಿಗೆ ಸಂಗ್ರಹಿಸುವುದು ಎಂಬ ವಿಚಾರಗಳು ಅದರ ಸಂಗ್ರಹಣೆಯ ವೆಚ್ಚ ಮತ್ತು ಡೇಟಾ ತ್ವರಿತವಾಗಿ ಪ್ರವೇಶಿಸುವ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರಭಾವಿಸುತ್ತವೆ. ಇಂತಹ ನಿರ್ಧಾರಗಳನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಿ ಒಬ್ಬನೇ ಮಾಡುವುದು ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾ ಜೊತೆ ಹೇಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ಆಯ್ಕೆಮಾಡಬಹುದು. + +ಇವು ಕೆಲವು ಆಧುನಿಕ ಡೇಟಾ ಸಂಗ್ರಹಣಾ ವ್ಯವಸ್ಥೆಗಳ ಅಂಶಗಳು, ಅವು ಈ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರಭಾವಿಸುತ್ತವೆ: + +**ಆನ್ ಪ್ರೆಮೈಸ್ vs ಆಫ್ ಪ್ರೆಮೈಸ್ vs ಸಾರ್ವಜನಿಕ ಅಥವಾ ಖಾಸಗಿ ಕ್ಲೌಡ್** + +ಆನ್ ಪ್ರೆಮೈಸ್ ಎಂದರೆ ನಿಮ್ಮ ಸ್ವಂತ ಉಪಕರಣಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವುದು, ಉದಾಹರಣೆಗೆ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಹಾರ್ಡ್ ಡ್ರೈವ್‌ಗಳಿರುವ ಸರ್ವರ್ ಹೊಂದಿರುವುದು, ಆದರೆ ಆಫ್ ಪ್ರೆಮೈಸ್ ಎಂದರೆ ನೀವು ಹೊಂದಿಲ್ಲದ ಉಪಕರಣಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುವುದು, ಉದಾಹರಣೆಗೆ ಡೇಟಾ ಸೆಂಟರ್. ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್ ಒಂದು ಜನಪ್ರಿಯ ಆಯ್ಕೆ, ಇದರಲ್ಲಿ ಡೇಟಾ ಹೇಗೆ ಮತ್ತು ಎಲ್ಲಿಗೆ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ ಎಂಬುದರ ಬಗ್ಗೆ ತಿಳಿವಳಿಕೆ ಅಗತ್ಯವಿಲ್ಲ, ಸಾರ್ವಜನಿಕ ಎಂದರೆ ಕ್ಲೌಡ್ ಬಳಸುವ ಎಲ್ಲರಿಗೂ ಹಂಚಿಕೊಳ್ಳುವ ಒಕ್ಕೂಟದ ಮೂಲಭೂತ ಮೂಲಸೌಕರ್ಯ. ಕೆಲವು ಸಂಸ್ಥೆಗಳು ಕಟ್ಟುನಿಟ್ಟಾದ ಭದ್ರತಾ ನೀತಿಗಳನ್ನು ಹೊಂದಿದ್ದು, ಡೇಟಾ ಹೋಸ್ಟ್ ಆಗಿರುವ ಉಪಕರಣಗಳಿಗೆ ಸಂಪೂರ್ಣ ಪ್ರವೇಶ ಹೊಂದಬೇಕೆಂದು ಬಯಸುತ್ತವೆ ಮತ್ತು ತಮ್ಮದೇ ಖಾಸಗಿ ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸುತ್ತವೆ. ನೀವು [ನಂತರದ ಪಾಠಗಳಲ್ಲಿ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/5-Data-Science-In-Cloud) ಕ್ಲೌಡ್‌ನಲ್ಲಿನ ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿಯುತ್ತೀರಿ. + +**ತಣಿತ ಡೇಟಾ vs ಬಿಸಿ ಡೇಟಾ** + +ನಿಮ್ಮ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವಾಗ, ನೀವು ಹೆಚ್ಚು ತರಬೇತಿ ಡೇಟಾ ಬೇಕಾಗಬಹುದು. ನಿಮ್ಮ ಮಾದರಿಯಿಂದ ತೃಪ್ತರಾಗಿದ್ದರೆ, ಇನ್ನಷ್ಟು ಡೇಟಾ ಬರುತ್ತದೆ, ಮಾದರಿ ತನ್ನ ಉದ್ದೇಶವನ್ನು ಸೇವೆ ಮಾಡುತ್ತದೆ. ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿಯೂ, ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪ್ರವೇಶಿಸುವ ವೆಚ್ಚವು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಕಡಿಮೆ ಬಳಕೆಯ ಡೇಟಾವನ್ನು (ತಣಿತ ಡೇಟಾ) ಮತ್ತು ಹೆಚ್ಚು ಪ್ರವೇಶಿಸುವ ಡೇಟಾವನ್ನು (ಬಿಸಿ ಡೇಟಾ) ವಿಭಜಿಸುವುದು, ಹಾರ್ಡ್‌ವೇರ್ ಅಥವಾ ಸಾಫ್ಟ್‌ವೇರ್ ಸೇವೆಗಳ ಮೂಲಕ ಕಡಿಮೆ ವೆಚ್ಚದ ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಆಯ್ಕೆಯಾಗಬಹುದು. ತಣಿತ ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸುವಾಗ, ಬಿಸಿ ಡೇಟಾ ಹೋಲಿಸಿದರೆ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. + +### ಡೇಟಾ ನಿರ್ವಹಣೆ +ನೀವು ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವಾಗ, ಕೆಲವು ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಅಗತ್ಯವಿರಬಹುದು, ಇದು [ಡೇಟಾ ತಯಾರಿಕೆ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/2-Working-With-Data/08-data-preparation) ಪಾಠದಲ್ಲಿ ಒಳಗೊಂಡ ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು, ಸರಿಯಾದ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು. ಹೊಸ ಡೇಟಾ ಬಂದಾಗ, ಗುಣಮಟ್ಟದಲ್ಲಿ ಸತತತೆ ಕಾಯ್ದುಕೊಳ್ಳಲು ಅದೇ ಅನ್ವಯಿಕೆಗಳು ಬೇಕಾಗಬಹುದು. ಕೆಲವು ಪ್ರಾಜೆಕ್ಟುಗಳು ಸ್ವಯಂಚಾಲಿತ ಸಾಧನಗಳನ್ನು ಬಳಸುತ್ತವೆ, ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ, ಸಂಗ್ರಹಣೆ ಮತ್ತು ಸಂಕುಚಿತಗೊಳಿಸುವಿಕೆಗಾಗಿ, ನಂತರ ಡೇಟಾವನ್ನು ಅಂತಿಮ ಸ್ಥಳಕ್ಕೆ ಕಳುಹಿಸುವ ಮೊದಲು. Azure Data Factory ಇವುಗಳಲ್ಲಿ ಒಂದು ಉದಾಹರಣೆ. + +### ಡೇಟಾ ಸುರಕ್ಷತೆ +ಡೇಟಾ ಸುರಕ್ಷತೆಯ ಪ್ರಮುಖ ಗುರಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ, ಡೇಟಾ ಕೆಲಸ ಮಾಡುವವರು ಏನು ಸಂಗ್ರಹಿಸುತ್ತಿದ್ದಾರೆ ಮತ್ತು ಯಾವ ಸನ್ನಿವೇಶದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತಿದೆ ಎಂಬುದರ ನಿಯಂತ್ರಣದಲ್ಲಿರುವುದು. ಡೇಟಾವನ್ನು ಸುರಕ್ಷಿತವಾಗಿಡುವುದು, ಅದಕ್ಕೆ ಪ್ರವೇಶ ಹೊಂದಬೇಕಾದವರಿಗೆ ಮಾತ್ರ ಪ್ರವೇಶವನ್ನು ಮಿತಿಗೊಳಿಸುವುದು, ಸ್ಥಳೀಯ ಕಾನೂನುಗಳು ಮತ್ತು ನಿಯಮಗಳನ್ನು ಪಾಲಿಸುವುದು, ಮತ್ತು ನೈತಿಕ ಮಾನದಂಡಗಳನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುವುದು, [ನೈತಿಕತೆ ಪಾಠದಲ್ಲಿ](https://github.com/microsoft/Data-Science-For-Beginners/tree/main/1-Introduction/02-ethics) ವಿವರಿಸಲಾಗಿದೆ. + +ಸುರಕ್ಷತೆಗಾಗಿ ತಂಡ ಮಾಡಬಹುದಾದ ಕೆಲವು ಕಾರ್ಯಗಳು: +- ಎಲ್ಲಾ ಡೇಟಾ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಆಗಿರುವುದನ್ನು ದೃಢೀಕರಿಸುವುದು +- ಗ್ರಾಹಕರಿಗೆ ಅವರ ಡೇಟಾ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತಿದೆ ಎಂಬ ಮಾಹಿತಿ ನೀಡುವುದು +- ಪ್ರಾಜೆಕ್ಟ್ ಬಿಟ್ಟುಹೋಗಿದವರಿಂದ ಡೇಟಾ ಪ್ರವೇಶವನ್ನು ತೆಗೆದುಹಾಕುವುದು +- ಕೆಲವು ಪ್ರಾಜೆಕ್ಟ್ ಸದಸ್ಯರಿಗೆ ಮಾತ್ರ ಡೇಟಾ ಬದಲಾಯಿಸಲು ಅವಕಾಶ ನೀಡುವುದು + +## 🚀 ಸವಾಲು + +ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ ಅನೇಕ ಆವೃತ್ತಿಗಳು ಇವೆ, ಪ್ರತಿಯೊಂದು ಹಂತವು ವಿಭಿನ್ನ ಹೆಸರುಗಳು ಮತ್ತು ಹಂತಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಿರಬಹುದು ಆದರೆ ಈ ಪಾಠದಲ್ಲಿ ಉಲ್ಲೇಖಿಸಿದ ಪ್ರಕ್ರಿಯೆಗಳೇ ಇರುತ್ತವೆ. + +[ಟೀಮ್ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ ಜೀವನಚಕ್ರ](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/lifecycle) ಮತ್ತು [ಕ್ರಾಸ್-ಇಂಡಸ್ಟ್ರಿ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಪ್ರಕ್ರಿಯೆ ಫಾರ್ ಡೇಟಾ ಮೈನಿಂಗ್](https://www.datascience-pm.com/crisp-dm-2/) ಅನ್ನು ಅನ್ವೇಷಿಸಿ. ಎರಡರ ನಡುವೆ 3 ಸಾಮ್ಯತೆಗಳು ಮತ್ತು ಭೇದಗಳನ್ನು ಹೆಸರಿಸಿ. + +|ಟೀಮ್ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ (TDSP)|ಕ್ರಾಸ್-ಇಂಡಸ್ಟ್ರಿ ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಪ್ರಕ್ರಿಯೆ ಫಾರ್ ಡೇಟಾ ಮೈನಿಂಗ್ (CRISP-DM)| +|--|--| +|![ಟೀಮ್ ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ](../../../../translated_images/tdsp-lifecycle2.e19029d598e2e73d5ef8a4b98837d688ec6044fe332c905d4dbb69eb6d5c1d96.kn.png) | ![ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ ಅಲಯನ್ಸ್ ಚಿತ್ರ](../../../../translated_images/CRISP-DM.8bad2b4c66e62aa75278009e38e3e99902c73b0a6f63fd605a67c687a536698c.kn.png) | +| ಚಿತ್ರ: [Microsoft](https://docs.microsoft.comazure/architecture/data-science-process/lifecycle) | ಚಿತ್ರ: [ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ ಅಲಯನ್ಸ್](https://www.datascience-pm.com/crisp-dm-2/) | + +## [ಪೋಸ್ಟ್-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/27) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರವನ್ನು ಅನ್ವಯಿಸುವುದು ಹಲವಾರು ಪಾತ್ರಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಕೆಲವು ವ್ಯಕ್ತಿಗಳು ಪ್ರತಿ ಹಂತದ ನಿರ್ದಿಷ್ಟ ಭಾಗಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತಾರೆ. ಟೀಮ್ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ ಕೆಲವು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ, ಅವು ಪ್ರಾಜೆಕ್ಟಿನಲ್ಲಿ ಯಾರಿಗೆ ಯಾವ ರೀತಿಯ ಪಾತ್ರಗಳು ಮತ್ತು ಕಾರ್ಯಗಳಿರಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತವೆ. + +* [ಟೀಮ್ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆ ಪಾತ್ರಗಳು ಮತ್ತು ಕಾರ್ಯಗಳು](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/roles-tasks) +* [ಡೇಟಾ ಸೈನ್ಸ್ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು: ಅನ್ವೇಷಣೆ, ಮಾದರೀಕರಣ ಮತ್ತು ನಿಯೋಜನೆ](https://docs.microsoft.com/en-us/azure/architecture/data-science-process/execute-data-science-tasks) + +## ನಿಯೋಜನೆ + +[ಡೇಟಾಸೆಟ್ ಮೌಲ್ಯಮಾಪನ](assignment.md) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/14-Introduction/assignment.md b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/assignment.md new file mode 100644 index 00000000..b8e88b8f --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/assignment.md @@ -0,0 +1,39 @@ + +# ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅಂದಾಜಿಸುವುದು + +ನಿಮ್ಮ ತಂಡಕ್ಕೆ ನ್ಯೂಯಾರ್ಕ್ ನಗರದಲ್ಲಿ ಟ್ಯಾಕ್ಸಿ ಗ್ರಾಹಕರ ಋತುಮಾನ ಖರ್ಚು عادತಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಸಹಾಯ ಮಾಡಲು ಒಂದು ಗ್ರಾಹಕ ಸಂಪರ್ಕಿಸಿದ್ದಾರೆ. + +ಅವರು ತಿಳಿಯಲು ಬಯಸುತ್ತಾರೆ: **ನ್ಯೂಯಾರ್ಕ್ ನಗರದಲ್ಲಿ ಹಳದಿ ಟ್ಯಾಕ್ಸಿ ಪ್ರಯಾಣಿಕರು ಚಳಿಗಾಲದಲ್ಲಿ ಅಥವಾ ಬೇಸಿಗೆಯಲ್ಲಿ ಚಾಲಕರಿಗೆ ಹೆಚ್ಚು ಟಿಪ್ ನೀಡುತ್ತಾರಾ?** + +ನಿಮ್ಮ ತಂಡ ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ [ಕ್ಯಾಪ್ಚರಿಂಗ್](Readme.md#Capturing) ಹಂತದಲ್ಲಿದ್ದು, ನೀವು ಡೇಟಾಸೆಟ್ ನಿರ್ವಹಣೆಗೆ ಜವಾಬ್ದಾರರಾಗಿದ್ದೀರಿ. ನೀವು ಪರಿಶೀಲಿಸಲು ಒಂದು ನೋಟ್ಬುಕ್ ಮತ್ತು [ಡೇಟಾ](../../../../data/taxi.csv) ಅನ್ನು ಒದಗಿಸಲಾಗಿದೆ. + +ಈ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿ [ನೋಟ್ಬುಕ್](notebook.ipynb) ಇದೆ, ಇದು ಪೈಥಾನ್ ಬಳಸಿ [NYC ಟ್ಯಾಕ್ಸಿ & ಲಿಮೋಸಿನ್ ಕಮಿಷನ್](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) ನಿಂದ ಹಳದಿ ಟ್ಯಾಕ್ಸಿ ಪ್ರಯಾಣದ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುತ್ತದೆ. +ನೀವು ಟ್ಯಾಕ್ಸಿ ಡೇಟಾ ಫೈಲ್ ಅನ್ನು ಪಠ್ಯ ಸಂಪಾದಕ ಅಥವಾ ಎಕ್ಸೆಲ್ ಮುಂತಾದ ಸ್ಪ್ರೆಡ್ಶೀಟ್ ಸಾಫ್ಟ್‌ವೇರ್‌ನಲ್ಲಿ ಕೂಡ ತೆರೆಯಬಹುದು. + +## ಸೂಚನೆಗಳು + +- ಈ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿರುವ ಡೇಟಾ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದೇ ಎಂದು ಅಂದಾಜಿಸಿ. +- [NYC ಓಪನ್ ಡೇಟಾ ಕ್ಯಾಟಲಾಗ್](https://data.cityofnewyork.us/browse?sortBy=most_accessed&utf8=%E2%9C%93) ಅನ್ನು ಅನ್ವೇಷಿಸಿ. ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಸಹಾಯವಾಗಬಹುದಾದ ಮತ್ತೊಂದು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಗುರುತಿಸಿ. +- ಸಮಸ್ಯೆಯ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಸ್ಪಷ್ಟತೆ ಮತ್ತು ಉತ್ತಮ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೀವು ಗ್ರಾಹಕರಿಗೆ ಕೇಳಬಹುದಾದ 3 ಪ್ರಶ್ನೆಗಳನ್ನು ಬರೆಯಿರಿ. + +ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ಡೇಟಾಸೆಟ್‌ನ ಡಿಕ್ಷನರಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ಮತ್ತು [ಬಳಕೆದಾರ ಮಾರ್ಗದರ್ಶಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ಅನ್ನು ನೋಡಿ. + +## ರೂಬ್ರಿಕ್ + +ಉತ್ತಮ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆ ಅಗತ್ಯ +--- | --- | -- + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb new file mode 100644 index 00000000..5e213926 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb @@ -0,0 +1,140 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "source": [ + "# ಶೀತಕಾಲ ಮತ್ತು ಬೇಸಿಗೆಗಳಲ್ಲಿ NYC ಟ್ಯಾಕ್ಸಿ ಡೇಟಾ\n", + "\n", + "ಕೊಟ್ಟಿರುವ ಕಾಲಮ್‌ಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ಡೇಟಾ ನಿಘಂಟು](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ಅನ್ನು ನೋಡಿ.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "#Install the pandas library\r\n", + "!pip install pandas" + ], + "outputs": [], + "metadata": { + "scrolled": true + } + }, + { + "cell_type": "code", + "execution_count": 7, + "source": [ + "import pandas as pd\r\n", + "\r\n", + "path = '../../data/taxi.csv'\r\n", + "\r\n", + "#Load the csv file into a dataframe\r\n", + "df = pd.read_csv(path)\r\n", + "\r\n", + "#Print the dataframe\r\n", + "print(df)\r\n" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + " VendorID tpep_pickup_datetime tpep_dropoff_datetime passenger_count \\\n", + "0 2.0 2019-07-15 16:27:53 2019-07-15 16:44:21 3.0 \n", + "1 2.0 2019-07-17 20:26:35 2019-07-17 20:40:09 6.0 \n", + "2 2.0 2019-07-06 16:01:08 2019-07-06 16:10:25 1.0 \n", + "3 1.0 2019-07-18 22:32:23 2019-07-18 22:35:08 1.0 \n", + "4 2.0 2019-07-19 14:54:29 2019-07-19 15:19:08 1.0 \n", + ".. ... ... ... ... \n", + "195 2.0 2019-01-18 08:42:15 2019-01-18 08:56:57 1.0 \n", + "196 1.0 2019-01-19 04:34:45 2019-01-19 04:43:44 1.0 \n", + "197 2.0 2019-01-05 10:37:39 2019-01-05 10:42:03 1.0 \n", + "198 2.0 2019-01-23 10:36:29 2019-01-23 10:44:34 2.0 \n", + "199 2.0 2019-01-30 06:55:58 2019-01-30 07:07:02 5.0 \n", + "\n", + " trip_distance RatecodeID store_and_fwd_flag PULocationID DOLocationID \\\n", + "0 2.02 1.0 N 186 233 \n", + "1 1.59 1.0 N 141 161 \n", + "2 1.69 1.0 N 246 249 \n", + "3 0.90 1.0 N 229 141 \n", + "4 4.79 1.0 N 237 107 \n", + ".. ... ... ... ... ... \n", + "195 1.18 1.0 N 43 237 \n", + "196 2.30 1.0 N 148 234 \n", + "197 0.83 1.0 N 237 263 \n", + "198 1.12 1.0 N 144 113 \n", + "199 2.41 1.0 N 209 107 \n", + "\n", + " payment_type fare_amount extra mta_tax tip_amount tolls_amount \\\n", + "0 1.0 12.0 1.0 0.5 4.08 0.0 \n", + "1 2.0 10.0 0.5 0.5 0.00 0.0 \n", + "2 2.0 8.5 0.0 0.5 0.00 0.0 \n", + "3 1.0 4.5 3.0 0.5 1.65 0.0 \n", + "4 1.0 19.5 0.0 0.5 5.70 0.0 \n", + ".. ... ... ... ... ... ... \n", + "195 1.0 10.0 0.0 0.5 2.16 0.0 \n", + "196 1.0 9.5 0.5 0.5 2.15 0.0 \n", + "197 1.0 5.0 0.0 0.5 1.16 0.0 \n", + "198 2.0 7.0 0.0 0.5 0.00 0.0 \n", + "199 1.0 10.5 0.0 0.5 1.00 0.0 \n", + "\n", + " improvement_surcharge total_amount congestion_surcharge \n", + "0 0.3 20.38 2.5 \n", + "1 0.3 13.80 2.5 \n", + "2 0.3 11.80 2.5 \n", + "3 0.3 9.95 2.5 \n", + "4 0.3 28.50 2.5 \n", + ".. ... ... ... \n", + "195 0.3 12.96 0.0 \n", + "196 0.3 12.95 0.0 \n", + "197 0.3 6.96 0.0 \n", + "198 0.3 7.80 0.0 \n", + "199 0.3 12.30 0.0 \n", + "\n", + "[200 rows x 18 columns]\n" + ] + } + ], + "metadata": {} + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "---\n\n\n**ಅಸ್ವೀಕರಣ**: \nಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.\n\n" + ] + } + ], + "metadata": { + "kernelspec": { + "name": "python3", + "display_name": "Python 3.9.7 64-bit ('venv': venv)" + }, + "language_info": { + "mimetype": "text/x-python", + "name": "python", + "pygments_lexer": "ipython3", + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "version": "3.9.7", + "nbconvert_exporter": "python", + "file_extension": ".py" + }, + "name": "04-nyc-taxi-join-weather-in-pandas", + "notebookId": 1709144033725344, + "interpreter": { + "hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e" + }, + "coopTranslator": { + "original_hash": "3bd4c20c4e8f3158f483f0f1cc543bb1", + "translation_date": "2025-12-19T17:11:57+00:00", + "source_file": "4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb", + "language_code": "kn" + } + }, + "nbformat": 4, + "nbformat_minor": 2 +} \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/15-analyzing/README.md b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/README.md new file mode 100644 index 00000000..495837ad --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/README.md @@ -0,0 +1,60 @@ + +# ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ: ವಿಶ್ಲೇಷಣೆ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/15-Analyzing.png)| +|:---:| +| ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ: ವಿಶ್ಲೇಷಣೆ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/28) + +ಡೇಟಾ ಜೀವನಚಕ್ರದಲ್ಲಿ ವಿಶ್ಲೇಷಣೆ ಎಂದರೆ, ಡೇಟಾ ಪ್ರಸ್ತಾಪಿಸಿದ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಬಹುದೇ ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಬಹುದೇ ಎಂದು ದೃಢೀಕರಿಸುವುದು. ಈ ಹಂತವು ಮಾದರಿಯು ಈ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಸರಿಯಾಗಿ ಪರಿಹರಿಸುತ್ತಿದೆಯೇ ಎಂದು ದೃಢೀಕರಿಸುವುದರ ಮೇಲೂ ಕೇಂದ್ರೀಕರಿಸಬಹುದು. ಈ ಪಾಠವು ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಅಥವಾ EDA ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ, ಇದು ಡೇಟಾದೊಳಗಿನ ಲಕ್ಷಣಗಳು ಮತ್ತು ಸಂಬಂಧಗಳನ್ನು ನಿರ್ಧರಿಸುವ ತಂತ್ರಗಳು ಮತ್ತು ಮಾದರಿಗಾಗಿ ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಬಳಸಬಹುದು. + +ನಾವು [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) ನಿಂದ ಉದಾಹರಣಾ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ, ಇದನ್ನು Python ಮತ್ತು Pandas ಗ್ರಂಥಾಲಯದೊಂದಿಗೆ ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು ಎಂದು ತೋರಿಸಲು. ಈ ಡೇಟಾಸೆಟ್ ಇಮೇಲ್‌ಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಕೆಲವು ಸಾಮಾನ್ಯ ಪದಗಳ ಎಣಿಕೆಯನ್ನು ಹೊಂದಿದೆ, ಈ ಇಮೇಲ್‌ಗಳ ಮೂಲಗಳು ಅನಾಮಧೇಯವಾಗಿವೆ. ಈ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿರುವ [ನೋಟ್ಬುಕ್](notebook.ipynb) ಅನ್ನು ಅನುಸರಿಸಿ. + +## ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ + +ಜೀವನಚಕ್ರದ ಕ್ಯಾಪ್ಚರ್ ಹಂತದಲ್ಲಿ ಡೇಟಾ ಮತ್ತು ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಪ್ರಶ್ನೆಗಳು ಪಡೆಯಲ್ಪಡುತ್ತವೆ, ಆದರೆ ಡೇಟಾ ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು ಬೆಂಬಲಿಸಬಹುದೆಂದು ನಾವು ಹೇಗೆ ತಿಳಿದುಕೊಳ್ಳಬಹುದು? +ಡೇಟಾ ವಿಜ್ಞಾನಿ ಡೇಟಾ ಪಡೆಯುವಾಗ ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಬಹುದು ಎಂದು ನೆನಪಿಸಿಕೊಳ್ಳಿ: +- ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ನನಗೆ ಸಾಕಷ್ಟು ಡೇಟಾ ಇದೆಯೇ? +- ಈ ಸಮಸ್ಯೆಗೆ ಡೇಟಾ ಸ್ವೀಕಾರ್ಯ ಗುಣಮಟ್ಟದಿದೆಯೇ? +- ಈ ಡೇಟಾದ ಮೂಲಕ ಹೆಚ್ಚುವರಿ ಮಾಹಿತಿಯನ್ನು ಕಂಡುಹಿಡಿದರೆ, ಗುರಿಗಳನ್ನು ಬದಲಾಯಿಸುವ ಅಥವಾ ಮರುನಿರ್ಧರಿಸುವ ಬಗ್ಗೆ ಪರಿಗಣಿಸಬೇಕೇ? +ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಎಂದರೆ ಆ ಡೇಟಾವನ್ನು ತಿಳಿದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಲು, ಜೊತೆಗೆ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಸವಾಲುಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಬಹುದು. ಇದನ್ನು ಸಾಧಿಸಲು ಬಳಸುವ ಕೆಲವು ತಂತ್ರಗಳ ಮೇಲೆ ಗಮನಹರಿಸೋಣ. + +## ಡೇಟಾ ಪ್ರೊಫೈಲಿಂಗ್, ವರ್ಣನಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು ಮತ್ತು Pandas +ನಾವು ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಸಾಕಷ್ಟು ಡೇಟಾ ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಹೇಗೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು? ಡೇಟಾ ಪ್ರೊಫೈಲಿಂಗ್ ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಬಗ್ಗೆ ಕೆಲವು ಸಾಮಾನ್ಯ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಿ ಸಾರಾಂಶ ನೀಡಬಹುದು, ಇದು ವರ್ಣನಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳ ತಂತ್ರಗಳ ಮೂಲಕ ಸಾಧ್ಯ. ಡೇಟಾ ಪ್ರೊಫೈಲಿಂಗ್ ನಮಗೆ ಲಭ್ಯವಿರುವುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು ವರ್ಣನಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳು ನಮಗೆ ಎಷ್ಟು ವಸ್ತುಗಳು ಲಭ್ಯವಿವೆ ಎಂದು ತಿಳಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. + +ಹಿಂದಿನ ಕೆಲವು ಪಾಠಗಳಲ್ಲಿ, ನಾವು Pandas ನ [`describe()` ಫಂಕ್ಷನ್](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) ಅನ್ನು ಬಳಸಿದ್ದೇವೆ. ಇದು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾದ ಮೇಲೆ ಎಣಿಕೆ, ಗರಿಷ್ಠ ಮತ್ತು ಕನಿಷ್ಠ ಮೌಲ್ಯಗಳು, ಸರಾಸರಿ, ಮಾನಕ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಕ್ವಾಂಟೈಲ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. `describe()` ಫಂಕ್ಷನ್ ಹೋಲುವ ವರ್ಣನಾತ್ಮಕ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಎಷ್ಟು ಡೇಟಾ ಹೊಂದಿದ್ದೀರಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಬೇಕೇ ಎಂದು ಅಂದಾಜು ಮಾಡಬಹುದು. + +## ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಮತ್ತು ಕ್ವೆರಿಂಗ್ +ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ಎಲ್ಲವನ್ನೂ ಅನ್ವೇಷಿಸುವುದು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಕಂಪ್ಯೂಟರ್‌ಗೆ ಬಿಟ್ಟುಕೊಡಲಾಗುವ ಕೆಲಸ. ಆದಾಗ್ಯೂ, ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯಕ ಸಾಧನವಾಗಿದೆ ಮತ್ತು ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಏನಿದೆ ಮತ್ತು ಅದು ಏನನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂಬುದರ ಉತ್ತಮ ಅರ್ಥವನ್ನು ನೀಡುತ್ತದೆ. ಸ್ಯಾಂಪಲ್ ಮೂಲಕ, ನೀವು ಪ್ರಾಬಬಿಲಿಟಿ ಮತ್ತು ಅಂಕಿಅಂಶಗಳನ್ನು ಅನ್ವಯಿಸಿ ನಿಮ್ಮ ಡೇಟಾ ಬಗ್ಗೆ ಸಾಮಾನ್ಯ ನಿರ್ಣಯಗಳಿಗೆ ಬರಬಹುದು. ನೀವು ಎಷ್ಟು ಡೇಟಾ ಸ್ಯಾಂಪಲ್ ಮಾಡಬೇಕು ಎಂಬುದಕ್ಕೆ ನಿರ್ದಿಷ್ಟ ನಿಯಮವಿಲ್ಲ, ಆದರೆ ಹೆಚ್ಚು ಡೇಟಾ ಸ್ಯಾಂಪಲ್ ಮಾಡಿದರೆ, ಡೇಟಾ ಬಗ್ಗೆ ನೀವು ಮಾಡಬಹುದಾದ ಸಾಮಾನ್ಯೀಕರಣ ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ. +Pandas ನಲ್ಲಿ [`sample()` ಫಂಕ್ಷನ್](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) ಇದೆ, ಇದರಲ್ಲಿ ನೀವು ಎಷ್ಟು ಯಾದೃಚ್ಛಿಕ ಸ್ಯಾಂಪಲ್‌ಗಳನ್ನು ಪಡೆಯಲು ಇಚ್ಛಿಸುತ್ತೀರಿ ಎಂಬ ಆರ್ಗ್ಯುಮೆಂಟ್ ಅನ್ನು ಪಾಸ್ ಮಾಡಬಹುದು. + +ಡೇಟಾದ ಸಾಮಾನ್ಯ ಕ್ವೆರಿಗಳು ನಿಮಗೆ ಕೆಲವು ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಸಿದ್ಧಾಂತಗಳಿಗೆ ಉತ್ತರ ನೀಡಲು ಸಹಾಯ ಮಾಡಬಹುದು. ಸ್ಯಾಂಪ್ಲಿಂಗ್‌ಗೆ ವಿರುದ್ಧವಾಗಿ, ಕ್ವೆರಿಗಳು ನಿಮಗೆ ನಿಯಂತ್ರಣ ಮತ್ತು ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳಿರುವ ಡೇಟಾದ ನಿರ್ದಿಷ್ಟ ಭಾಗಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತವೆ. +Pandas ಗ್ರಂಥಾಲಯದ [`query()` ಫಂಕ್ಷನ್](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) ನಿಮಗೆ ಕಾಲಮ್‌ಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲು ಮತ್ತು ಪಡೆಯಲಾದ ಸಾಲುಗಳ ಮೂಲಕ ಡೇಟಾ ಬಗ್ಗೆ ಸರಳ ಉತ್ತರಗಳನ್ನು ಪಡೆಯಲು ಅನುಮತಿಸುತ್ತದೆ. + +## ದೃಶ್ಯೀಕರಣಗಳೊಂದಿಗೆ ಅನ್ವೇಷಣೆ +ಡೇಟಾ ಸಂಪೂರ್ಣವಾಗಿ ಶುದ್ಧೀಕರಿಸಿ ವಿಶ್ಲೇಷಿಸುವವರೆಗೆ ಕಾಯಬೇಕಾಗಿಲ್ಲ, ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದನ್ನು ಪ್ರಾರಂಭಿಸಲು. ವಾಸ್ತವದಲ್ಲಿ, ಅನ್ವೇಷಿಸುವಾಗ ದೃಶ್ಯಾತ್ಮಕ ಪ್ರತಿನಿಧಾನವು ಮಾದರಿಗಳು, ಸಂಬಂಧಗಳು ಮತ್ತು ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಜೊತೆಗೆ, ದೃಶ್ಯೀಕರಣಗಳು ಡೇಟಾ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಭಾಗವಹಿಸದವರೊಂದಿಗೆ ಸಂವಹನದ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತವೆ ಮತ್ತು ಕ್ಯಾಪ್ಚರ್ ಹಂತದಲ್ಲಿ ಸ್ಪರ್ಶಿಸಲ್ಪಟ್ಟಿಲ್ಲದ ಹೆಚ್ಚುವರಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಮತ್ತು ಸ್ಪಷ್ಟಪಡಿಸಲು ಅವಕಾಶ ನೀಡಬಹುದು. ದೃಶ್ಯೀಕರಣಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚು ತಿಳಿಯಲು [ದೃಶ್ಯೀಕರಣಗಳ ವಿಭಾಗ](../../../../../../../../../3-Data-Visualization) ಅನ್ನು ನೋಡಿ. + +## ಅಸಂಗತಿಗಳನ್ನು ಗುರುತಿಸಲು ಅನ್ವೇಷಣೆ +ಈ ಪಾಠದ ಎಲ್ಲಾ ವಿಷಯಗಳು ಕಳೆದುಹೋಗಿದ ಅಥವಾ ಅಸಂಗತ ಮೌಲ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು, ಆದರೆ Pandas ಕೆಲವು ಫಂಕ್ಷನ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. [isna() ಅಥವಾ isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) ಕಳೆದುಹೋಗಿದ ಮೌಲ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸಬಹುದು. ನಿಮ್ಮ ಡೇಟಾದೊಳಗಿನ ಈ ಮೌಲ್ಯಗಳನ್ನು ಅನ್ವೇಷಿಸುವ ಪ್ರಮುಖ ಭಾಗವೆಂದರೆ ಅವು ಮೊದಲಿಗೆ ಏಕೆ ಹಾಗಾಗಿವೆ ಎಂದು ಅನ್ವೇಷಿಸುವುದು. ಇದು ಅವುಗಳನ್ನು ಪರಿಹರಿಸಲು ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ [ಕ್ರಿಯೆಗಳ ಬಗ್ಗೆ ನಿರ್ಧಾರ ಮಾಡಲು](/2-Working-With-Data/08-data-preparation/notebook.ipynb) ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +## [ಪೋಸ್ಟ್-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/29) + +## ಅಸೈನ್‌ಮೆಂಟ್ + +[ಉತ್ತರಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb new file mode 100644 index 00000000..96777b55 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb @@ -0,0 +1,154 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "source": [ + "# ಶೀತಕಾಲ ಮತ್ತು ಬೇಸಿಗೆಗಳಲ್ಲಿ NYC ಟ್ಯಾಕ್ಸಿ ಡೇಟಾ\n", + "\n", + "ಕೊಟ್ಟಿರುವ ಕಾಲಮ್‌ಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ಡೇಟಾ ನಿಘಂಟು](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ಅನ್ನು ನೋಡಿ.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "#Install the pandas library\r\n", + "!pip install pandas" + ], + "outputs": [], + "metadata": { + "scrolled": true + } + }, + { + "cell_type": "code", + "execution_count": 7, + "source": [ + "import pandas as pd\r\n", + "\r\n", + "path = '../../data/taxi.csv'\r\n", + "\r\n", + "#Load the csv file into a dataframe\r\n", + "df = pd.read_csv(path)\r\n", + "\r\n", + "#Print the dataframe\r\n", + "print(df)\r\n" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + " VendorID tpep_pickup_datetime tpep_dropoff_datetime passenger_count \\\n", + "0 2.0 2019-07-15 16:27:53 2019-07-15 16:44:21 3.0 \n", + "1 2.0 2019-07-17 20:26:35 2019-07-17 20:40:09 6.0 \n", + "2 2.0 2019-07-06 16:01:08 2019-07-06 16:10:25 1.0 \n", + "3 1.0 2019-07-18 22:32:23 2019-07-18 22:35:08 1.0 \n", + "4 2.0 2019-07-19 14:54:29 2019-07-19 15:19:08 1.0 \n", + ".. ... ... ... ... \n", + "195 2.0 2019-01-18 08:42:15 2019-01-18 08:56:57 1.0 \n", + "196 1.0 2019-01-19 04:34:45 2019-01-19 04:43:44 1.0 \n", + "197 2.0 2019-01-05 10:37:39 2019-01-05 10:42:03 1.0 \n", + "198 2.0 2019-01-23 10:36:29 2019-01-23 10:44:34 2.0 \n", + "199 2.0 2019-01-30 06:55:58 2019-01-30 07:07:02 5.0 \n", + "\n", + " trip_distance RatecodeID store_and_fwd_flag PULocationID DOLocationID \\\n", + "0 2.02 1.0 N 186 233 \n", + "1 1.59 1.0 N 141 161 \n", + "2 1.69 1.0 N 246 249 \n", + "3 0.90 1.0 N 229 141 \n", + "4 4.79 1.0 N 237 107 \n", + ".. ... ... ... ... ... \n", + "195 1.18 1.0 N 43 237 \n", + "196 2.30 1.0 N 148 234 \n", + "197 0.83 1.0 N 237 263 \n", + "198 1.12 1.0 N 144 113 \n", + "199 2.41 1.0 N 209 107 \n", + "\n", + " payment_type fare_amount extra mta_tax tip_amount tolls_amount \\\n", + "0 1.0 12.0 1.0 0.5 4.08 0.0 \n", + "1 2.0 10.0 0.5 0.5 0.00 0.0 \n", + "2 2.0 8.5 0.0 0.5 0.00 0.0 \n", + "3 1.0 4.5 3.0 0.5 1.65 0.0 \n", + "4 1.0 19.5 0.0 0.5 5.70 0.0 \n", + ".. ... ... ... ... ... ... \n", + "195 1.0 10.0 0.0 0.5 2.16 0.0 \n", + "196 1.0 9.5 0.5 0.5 2.15 0.0 \n", + "197 1.0 5.0 0.0 0.5 1.16 0.0 \n", + "198 2.0 7.0 0.0 0.5 0.00 0.0 \n", + "199 1.0 10.5 0.0 0.5 1.00 0.0 \n", + "\n", + " improvement_surcharge total_amount congestion_surcharge \n", + "0 0.3 20.38 2.5 \n", + "1 0.3 13.80 2.5 \n", + "2 0.3 11.80 2.5 \n", + "3 0.3 9.95 2.5 \n", + "4 0.3 28.50 2.5 \n", + ".. ... ... ... \n", + "195 0.3 12.96 0.0 \n", + "196 0.3 12.95 0.0 \n", + "197 0.3 6.96 0.0 \n", + "198 0.3 7.80 0.0 \n", + "199 0.3 12.30 0.0 \n", + "\n", + "[200 rows x 18 columns]\n" + ] + } + ], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "# ನಿಮ್ಮ ಸ್ವಂತ ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡಲು ಕೆಳಗಿನ ಸೆಲ್‌ಗಳನ್ನು ಬಳಸಿ\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "---\n\n\n**ಅಸ್ವೀಕರಣ**: \nಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.\n\n" + ] + } + ], + "metadata": { + "kernelspec": { + "name": "python3", + "display_name": "Python 3.9.7 64-bit ('venv': venv)" + }, + "language_info": { + "mimetype": "text/x-python", + "name": "python", + "pygments_lexer": "ipython3", + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "version": "3.9.7", + "nbconvert_exporter": "python", + "file_extension": ".py" + }, + "name": "04-nyc-taxi-join-weather-in-pandas", + "notebookId": 1709144033725344, + "interpreter": { + "hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e" + }, + "coopTranslator": { + "original_hash": "7bca1c1abc1e55842817b62e44e1a963", + "translation_date": "2025-12-19T17:11:38+00:00", + "source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb", + "language_code": "kn" + } + }, + "nbformat": 4, + "nbformat_minor": 2 +} \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.md b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.md new file mode 100644 index 00000000..a4d1a72c --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/assignment.md @@ -0,0 +1,38 @@ + +# ಉತ್ತರಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು + +ಇದು ಹಿಂದಿನ ಪಾಠದ [ಕಾರ್ಯ](../14-Introduction/assignment.md)ನ ಮುಂದುವರಿದ ಭಾಗವಾಗಿದ್ದು, ಅಲ್ಲಿ ನಾವು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ನೋಡಿದ್ದೇವೆ. ಈಗ ನಾವು ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸುವೆವು. + +ಮತ್ತೆ, ಗ್ರಾಹಕರು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುವ ಪ್ರಶ್ನೆ: **ನ್ಯೂಯಾರ್ಕ್ ಸಿಟಿಯ ಹಳದಿ ಟ್ಯಾಕ್ಸಿ ಪ್ರಯಾಣಿಕರು ಚಳಿಗಾಲದಲ್ಲಿ ಅಥವಾ ಬೇಸಿಗೆಯಲ್ಲಿ ಚಾಲಕರಿಗೆ ಹೆಚ್ಚು ಟಿಪ್ ನೀಡುತ್ತಾರಾ?** + +ನಿಮ್ಮ ತಂಡ ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ [ವಿಶ್ಲೇಷಣೆ](README.md) ಹಂತದಲ್ಲಿದ್ದು, ಡೇಟಾ ಸೆಟ್ ಮೇಲೆ ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು ಜವಾಬ್ದಾರಿಯಲ್ಲಿದೆ. ನಿಮಗೆ ಜನವರಿ ಮತ್ತು ಜುಲೈ 2019 ರ 200 ಟ್ಯಾಕ್ಸಿ ವ್ಯವಹಾರಗಳನ್ನು ಒಳಗೊಂಡ ನೋಟ್ಬುಕ್ ಮತ್ತು ಡೇಟಾ ಸೆಟ್ ಒದಗಿಸಲಾಗಿದೆ. + +## ಸೂಚನೆಗಳು + +ಈ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿ [ನೋಟ್ಬುಕ್](assignment.ipynb) ಮತ್ತು [ಟ್ಯಾಕ್ಸಿ & ಲಿಮೋಸಿನ್ ಕಮಿಷನ್](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets)ನ ಡೇಟಾ ಇದೆ. ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ಡೇಟಾ ಸೆಟ್ ನ ಡಿಕ್ಷನರಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ಮತ್ತು [ಬಳಕೆದಾರ ಮಾರ್ಗದರ್ಶಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ಅನ್ನು ನೋಡಿ. + +ಈ ಪಾಠದಲ್ಲಿ ಕೆಲವು ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ನಿಮ್ಮ ಸ್ವಂತ EDA ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ಮಾಡಿ (ನೀವು ಇಚ್ಛಿಸಿದರೆ ಸೆಲ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು) ಮತ್ತು ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಿ: + +- ಟಿಪ್ ಮೊತ್ತವನ್ನು ಪ್ರಭಾವಿಸುವ ಇನ್ನಾವುದೇ ಡೇಟಾ ಪ್ರಭಾವಗಳು ಏನು ಇರಬಹುದು? +- ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಯಾವ ಕಾಲಮ್‌ಗಳು ಬಹುಶಃ ಅಗತ್ಯವಿಲ್ಲ? +- ಇದುವರೆಗೆ ಒದಗಿಸಲಾದ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ, ಡೇಟಾ ಋತುಚಕ್ರದ ಟಿಪ್ ನೀಡುವ ವರ್ತನೆಗೆ ಯಾವುದೇ ಸಾಕ್ಷ್ಯವನ್ನು ನೀಡುತ್ತದೆಯೇ? + +## ಮೌಲ್ಯಮಾಪನ + +ಉತ್ತಮ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯ +--- | --- | -- + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb new file mode 100644 index 00000000..3fdf1c23 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb @@ -0,0 +1,193 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "source": [ + "# ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ\r\n", + "[ಪಾಠ](README.md)ದಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾದ Pandas ಫಂಕ್ಷನ್‌ಗಳ ಉದಾಹರಣೆಗಳು.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 1, + "source": [ + "import pandas as pd\r\n", + "import glob\r\n", + "\r\n", + "#Loading the dataset\r\n", + "path = '../../data/emails.csv'\r\n", + "email_df = pd.read_csv(path)" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 2, + "source": [ + "# Using Describe on the email dataset\r\n", + "print(email_df.describe())" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + " the to ect and for of \\\n", + "count 406.000000 406.000000 406.000000 406.000000 406.000000 406.000000 \n", + "mean 7.022167 6.519704 4.948276 3.059113 3.502463 2.662562 \n", + "std 10.945522 9.801907 9.293820 6.267806 4.901372 5.443939 \n", + "min 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 \n", + "25% 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 \n", + "50% 3.000000 3.000000 2.000000 1.000000 2.000000 1.000000 \n", + "75% 9.000000 7.750000 4.000000 3.000000 4.750000 3.000000 \n", + "max 99.000000 88.000000 79.000000 69.000000 39.000000 57.000000 \n", + "\n", + " a you in on is this \\\n", + "count 406.000000 406.000000 406.000000 406.000000 406.000000 406.000000 \n", + "mean 57.017241 2.394089 10.817734 11.591133 5.901478 1.485222 \n", + "std 78.868243 4.067015 19.050972 16.407175 8.793103 2.912473 \n", + "min 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 \n", + "25% 15.000000 0.000000 1.250000 3.000000 1.000000 0.000000 \n", + "50% 29.000000 1.000000 5.000000 6.000000 3.000000 0.000000 \n", + "75% 61.000000 3.000000 12.000000 13.000000 7.000000 2.000000 \n", + "max 843.000000 31.000000 223.000000 125.000000 61.000000 24.000000 \n", + "\n", + " i be that will \n", + "count 406.000000 406.000000 406.000000 406.000000 \n", + "mean 47.155172 2.950739 1.034483 0.955665 \n", + "std 71.043009 4.297865 1.904846 2.042271 \n", + "min 0.000000 0.000000 0.000000 0.000000 \n", + "25% 11.000000 1.000000 0.000000 0.000000 \n", + "50% 24.000000 1.000000 0.000000 0.000000 \n", + "75% 50.750000 3.000000 1.000000 1.000000 \n", + "max 754.000000 40.000000 14.000000 24.000000 \n" + ] + } + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 5, + "source": [ + "# Sampling 10 emails\r\n", + "print(email_df.sample(10))" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + " Email No. the to ect and for of a you in on is this i \\\n", + "150 Email 151 0 1 2 0 3 0 15 0 0 5 0 0 7 \n", + "380 Email 5147 0 3 2 0 0 0 7 0 1 1 0 0 3 \n", + "19 Email 20 3 4 11 0 4 2 32 1 1 3 9 5 25 \n", + "300 Email 301 2 1 1 0 1 1 15 2 2 3 2 0 8 \n", + "307 Email 308 0 0 1 0 0 0 1 0 1 0 0 0 2 \n", + "167 Email 168 2 2 2 1 5 1 24 2 5 6 4 0 30 \n", + "320 Email 321 10 12 4 6 8 6 187 5 26 28 23 2 171 \n", + "61 Email 62 0 1 1 0 4 1 15 4 4 3 3 0 19 \n", + "26 Email 27 5 4 1 1 4 4 51 0 8 6 6 2 44 \n", + "73 Email 74 0 0 1 0 0 0 7 0 4 3 0 0 6 \n", + "\n", + " be that will \n", + "150 1 0 0 \n", + "380 0 0 0 \n", + "19 3 0 1 \n", + "300 0 0 0 \n", + "307 0 0 0 \n", + "167 2 0 0 \n", + "320 5 1 1 \n", + "61 2 0 0 \n", + "26 6 0 0 \n", + "73 0 0 0 \n" + ] + } + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 14, + "source": [ + "# Returns rows where there are more occurrences of \"to\" than \"the\"\r\n", + "print(email_df.query('the < to'))" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + " Email No. the to ect and for of a you in on is this i \\\n", + "1 Email 2 8 13 24 6 6 2 102 1 18 21 13 0 61 \n", + "3 Email 4 0 5 22 0 5 1 51 2 1 5 9 2 16 \n", + "5 Email 6 4 5 1 4 2 3 45 1 16 12 8 1 52 \n", + "7 Email 8 0 2 2 3 1 2 21 6 2 6 2 0 28 \n", + "13 Email 14 4 5 7 1 5 1 37 1 8 8 6 1 43 \n", + ".. ... ... .. ... ... ... .. ... ... .. .. .. ... .. \n", + "390 Email 5157 4 13 1 0 3 1 48 2 8 26 9 1 45 \n", + "393 Email 5160 2 13 1 0 2 1 38 2 7 24 6 1 34 \n", + "396 Email 5163 2 3 1 2 1 2 32 0 7 3 2 0 26 \n", + "404 Email 5171 2 7 1 0 2 1 28 2 8 11 7 1 39 \n", + "405 Email 5172 22 24 5 1 6 5 148 8 23 13 5 4 99 \n", + "\n", + " be that will \n", + "1 4 2 0 \n", + "3 2 0 0 \n", + "5 2 0 0 \n", + "7 1 0 1 \n", + "13 1 0 1 \n", + ".. .. ... ... \n", + "390 1 0 0 \n", + "393 1 0 0 \n", + "396 3 0 0 \n", + "404 1 0 0 \n", + "405 6 4 1 \n", + "\n", + "[169 rows x 17 columns]\n" + ] + } + ], + "metadata": {} + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "---\n\n\n**ಅಸ್ವೀಕಾರ**: \nಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.\n\n" + ] + } + ], + "metadata": { + "orig_nbformat": 4, + "language_info": { + "name": "python", + "version": "3.9.7", + "mimetype": "text/x-python", + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "pygments_lexer": "ipython3", + "nbconvert_exporter": "python", + "file_extension": ".py" + }, + "kernelspec": { + "name": "python3", + "display_name": "Python 3.9.7 64-bit ('venv': venv)" + }, + "interpreter": { + "hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e" + }, + "coopTranslator": { + "original_hash": "9d102c8c3cdbc8ea4e92fc32593462c6", + "translation_date": "2025-12-19T17:11:15+00:00", + "source_file": "4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb", + "language_code": "kn" + } + }, + "nbformat": 4, + "nbformat_minor": 2 +} \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/16-communication/README.md b/translations/kn/4-Data-Science-Lifecycle/16-communication/README.md new file mode 100644 index 00000000..abdc8fa3 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/16-communication/README.md @@ -0,0 +1,224 @@ + +# ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ: ಸಂವಹನ + +|![ ಸ್ಕೆಚ್‌ನೋಟ್ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ](../../sketchnotes/16-Communicating.png)| +|:---:| +| ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ: ಸಂವಹನ - _ಸ್ಕೆಚ್‌ನೋಟ್ [@nitya](https://twitter.com/nitya) ಅವರಿಂದ_ | + +## [ಪೂರ್ವ-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/30) + +ಮೇಲಿನ ಪೂರ್ವ-ವಕ್ತೃತ್ವ ಕ್ವಿಜ್ ಮೂಲಕ ಮುಂದಿನ ವಿಷಯದ ಬಗ್ಗೆ ನಿಮ್ಮ ಜ್ಞಾನವನ್ನು ಪರೀಕ್ಷಿಸಿ! + +# ಪರಿಚಯ + +### ಸಂವಹನ ಎಂದರೆ ಏನು? +ನಾವು ಈ ಪಾಠವನ್ನು ಸಂವಹನ ಎಂದರೇನು ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುವುದರಿಂದ ಪ್ರಾರಂಭಿಸೋಣ. **ಸಂವಹನ ಎಂದರೆ ಮಾಹಿತಿ ಹಂಚಿಕೊಳ್ಳುವುದು ಅಥವಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವುದು.** ಮಾಹಿತಿ ಎಂದರೆ ಆಲೋಚನೆಗಳು, ಭಾವನೆಗಳು, ಸಂದೇಶಗಳು, ಗುಪ್ತ ಸಂಕೇತಗಳು, ಡೇಟಾ – ಯಾವುದೇ ವಿಷಯವನ್ನು **_ಪ್ರೇಕ್ಷಕ_** (ಮಾಹಿತಿ ಕಳುಹಿಸುವವರು) **_ಗ್ರಾಹಕ_** (ಮಾಹಿತಿ ಸ್ವೀಕರಿಸುವವರು) ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ. ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಪ್ರೇಕ್ಷಕರನ್ನು ಸಂವಹನಕಾರರು ಎಂದು ಮತ್ತು ಗ್ರಾಹಕರನ್ನು ಪ್ರೇಕ್ಷಕರಾಗಿ ಪರಿಗಣಿಸುವೆವು. + +### ಡೇಟಾ ಸಂವಹನ ಮತ್ತು ಕಥನಕಲೆ +ನಾವು ತಿಳಿದುಕೊಂಡಿದ್ದೇವೆ ಸಂವಹನದ ಉದ್ದೇಶ ಮಾಹಿತಿ ಹಂಚಿಕೊಳ್ಳುವುದು ಅಥವಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವುದು. ಆದರೆ ಡೇಟಾ ಸಂವಹನದಲ್ಲಿ, ನಿಮ್ಮ ಉದ್ದೇಶವು ಕೇವಲ ಸಂಖ್ಯೆಗಳನ್ನೇ ಪ್ರೇಕ್ಷಕರಿಗೆ ನೀಡುವುದು ಆಗಿರಬಾರದು. ನಿಮ್ಮ ಉದ್ದೇಶವು ನಿಮ್ಮ ಡೇಟಾದಿಂದ ಪ್ರೇರಿತವಾದ ಕಥೆಯನ್ನು ಸಂವಹನ ಮಾಡುವುದು ಆಗಿರಬೇಕು - ಪರಿಣಾಮಕಾರಿ ಡೇಟಾ ಸಂವಹನ ಮತ್ತು ಕಥನಕಲೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ. ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ನೀವು ಹೇಳುವ ಕಥೆಯನ್ನು ಸಂಖ್ಯೆಯಿಗಿಂತ ಹೆಚ್ಚು ನೆನಪಿಡುತ್ತಾರೆ. ಈ ಪಾಠದ ನಂತರ, ನೀವು ಡೇಟಾ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂವಹನ ಮಾಡಲು ಕಥನಕಲೆಯನ್ನು ಬಳಸಬಹುದಾದ ಕೆಲವು ವಿಧಾನಗಳನ್ನು ನಾವು ನೋಡೋಣ. + +### ಸಂವಹನದ ಪ್ರಕಾರಗಳು +ಈ ಪಾಠದಲ್ಲಿ ಎರಡು ವಿಭಿನ್ನ ಸಂವಹನ ಪ್ರಕಾರಗಳನ್ನು ಚರ್ಚಿಸಲಾಗುವುದು, ಒನ್-ವೇ ಸಂವಹನ ಮತ್ತು ಟೂ-ವೇ ಸಂವಹನ. + +**ಒನ್-ವೇ ಸಂವಹನ** ಆಗಾಗ ಪ್ರೇಕ್ಷಕನಿಗೆ ಯಾವುದೇ ಪ್ರತಿಕ್ರಿಯೆ ಇಲ್ಲದೆ ಮಾಹಿತಿ ಕಳುಹಿಸುವಾಗ ಸಂಭವಿಸುತ್ತದೆ. ನಾವು ಪ್ರತಿದಿನವೂ ಒನ್-ವೇ ಸಂವಹನದ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡುತ್ತೇವೆ – ಬಲ್ಕ್/ಮಾಸ್ ಇಮೇಲ್‌ಗಳಲ್ಲಿ, ಸುದ್ದಿಗಳು ಇತ್ತೀಚಿನ ಕಥೆಗಳನ್ನು ನೀಡುವಾಗ, ಅಥವಾ ಟಿವಿ ಜಾಹೀರಾತುಗಳು ತಮ್ಮ ಉತ್ಪನ್ನದ ಮಹತ್ವವನ್ನು ತಿಳಿಸುವಾಗ. ಈ ಎಲ್ಲಾ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪ್ರೇಕ್ಷಕರು ಮಾಹಿತಿ ವಿನಿಮಯವನ್ನು ಬಯಸುವುದಿಲ್ಲ. ಅವರು ಕೇವಲ ಮಾಹಿತಿ ನೀಡಲು ಬಯಸುತ್ತಾರೆ. + +**ಟೂ-ವೇ ಸಂವಹನ** ಆಗಾಗ ಎಲ್ಲಾ ಭಾಗವಹಿಸುವವರು ಪ್ರೇಕ್ಷಕರಾಗಿಯೂ ಮತ್ತು ಗ್ರಾಹಕರಾಗಿಯೂ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಾರೆ. ಪ್ರೇಕ್ಷಕ ಪ್ರಾರಂಭದಲ್ಲಿ ಮಾಹಿತಿ ಕಳುಹಿಸುತ್ತಾನೆ ಮತ್ತು ಗ್ರಾಹಕ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುತ್ತಾನೆ. ಟೂ-ವೇ ಸಂವಹನವನ್ನು ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಸಂವಹನವೆಂದು ಪರಿಗಣಿಸುತ್ತೇವೆ. ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ವ್ಯಕ್ತಿಗಳು ಸಂಭಾಷಣೆಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿರುವಂತೆ ಭಾವಿಸುತ್ತೇವೆ - ವ್ಯಕ್ತಿಗತವಾಗಿ, ಫೋನ್ ಕರೆ, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಅಥವಾ ಟೆಕ್ಸ್ಟ್ ಸಂದೇಶಗಳ ಮೂಲಕ. + +ಡೇಟಾ ಸಂವಹನದಲ್ಲಿ, ನೀವು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಒನ್-ವೇ ಸಂವಹನವನ್ನು ಬಳಸಬಹುದು (ಉದಾಹರಣೆಗೆ, ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸುವಾಗ ಅಥವಾ ದೊಡ್ಡ ಗುಂಪಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸುವಾಗ, ಪ್ರಶ್ನೆಗಳು ನೇರವಾಗಿ ಕೇಳಲಾಗದಾಗ) ಮತ್ತು ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ಟೂ-ವೇ ಸಂವಹನವನ್ನು ಬಳಸಬಹುದು (ಉದಾಹರಣೆಗೆ, ಕೆಲವು ಹಿತಾಸಕ್ತಿಗಳನ್ನು ಖರೀದಿಸಲು ಡೇಟಾ ಬಳಸಿ ಮನವಿಪಡಿಸುವಾಗ ಅಥವಾ ತಂಡದ ಸದಸ್ಯನಿಗೆ ಹೊಸದಾಗಿ ಏನಾದರೂ ನಿರ್ಮಿಸಲು ಸಮಯ ಮತ್ತು ಪ್ರಯತ್ನವನ್ನು ಖರ್ಚು ಮಾಡಬೇಕೆಂದು ಮನವಿಪಡಿಸುವಾಗ). + +# ಪರಿಣಾಮಕಾರಿ ಸಂವಹನ + +### ಸಂವಹನಕಾರರಾಗಿ ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಗಳು +ಸಂವಹನ ಮಾಡುವಾಗ, ನಿಮ್ಮ ಗ್ರಾಹಕರು ನೀವು ನೀಡಲು ಬಯಸುವ ಮಾಹಿತಿಯನ್ನು ತೆಗೆದುಕೊಂಡು ಹೋಗುತ್ತಿರುವುದನ್ನು ಖಚಿತಪಡಿಸುವುದು ನಿಮ್ಮ ಕೆಲಸ. ಡೇಟಾ ಸಂವಹನದಲ್ಲಿ, ನೀವು ಕೇವಲ ಸಂಖ್ಯೆಗಳನ್ನೇ ಗ್ರಾಹಕರಿಗೆ ನೀಡಬಾರದು, ನೀವು ಡೇಟಾದಿಂದ ಪ್ರೇರಿತವಾದ ಕಥೆಯನ್ನು ನೀಡಬೇಕು. ಒಳ್ಳೆಯ ಡೇಟಾ ಸಂವಹನಕಾರ ಒಳ್ಳೆಯ ಕಥಾನಾಯಕ. + +ಡೇಟಾ ಮೂಲಕ ಕಥೆ ಹೇಗೆ ಹೇಳುವುದು? ಅನಂತ ವಿಧಾನಗಳಿವೆ – ಆದರೆ ಈ ಪಾಠದಲ್ಲಿ ನಾವು 6 ವಿಧಾನಗಳನ್ನು ಚರ್ಚಿಸುವೆವು. +1. ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು, ನಿಮ್ಮ ಮಾಧ್ಯಮ ಮತ್ತು ನಿಮ್ಮ ಸಂವಹನ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ +2. ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸಿ +3. ನಿಜವಾದ ಕಥೆಯಂತೆ ಹತ್ತಿರವಾಗಿರಿ +4. ಅರ್ಥಪೂರ್ಣ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ಬಳಸಿ +5. ಭಾವನೆಗಳನ್ನು ಬಳಸಿ + +ಈ ಪ್ರತಿಯೊಂದು ತಂತ್ರಗಳನ್ನು ಕೆಳಗೆ ವಿವರಿಸಲಾಗಿದೆ. + +### 1. ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು, ನಿಮ್ಮ ಚಾನೆಲ್ ಮತ್ತು ನಿಮ್ಮ ಸಂವಹನ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ +ನೀವು ಕುಟುಂಬ ಸದಸ್ಯರೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ವಿಧಾನವು ನಿಮ್ಮ ಸ್ನೇಹಿತರೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ವಿಧಾನದಿಂದ ಭಿನ್ನವಾಗಿರಬಹುದು. ನೀವು ಮಾತನಾಡುತ್ತಿರುವವರಿಗೆ ಅರ್ಥವಾಗುವ ವಿಭಿನ್ನ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ನೀವು ಬಳಸಬಹುದು. ಡೇಟಾ ಸಂವಹನದಲ್ಲಿಯೂ ಇದೇ ವಿಧಾನವನ್ನು ಅನುಸರಿಸಬೇಕು. ನೀವು ಯಾರಿಗೆ ಸಂವಹನ ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂದು ಯೋಚಿಸಿ. ಅವರ ಗುರಿಗಳು ಮತ್ತು ನೀವು ವಿವರಿಸುತ್ತಿರುವ ಪರಿಸ್ಥಿತಿಯ ಸುತ್ತಲೂ ಅವರ ಸನ್ನಿವೇಶವನ್ನು ಪರಿಗಣಿಸಿ. + +ನೀವು ಬಹುಶಃ ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರನ್ನು ಒಂದು ವರ್ಗದಲ್ಲಿ ಗುಂಪು ಮಾಡಬಹುದು. _ಹಾರ್ವರ್ಡ್ ಬಿಸಿನೆಸ್ ರಿವ್ಯೂ_ ಲೇಖನ "[ಡೇಟಾ ಮೂಲಕ ಕಥೆ ಹೇಗೆ ಹೇಳುವುದು](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/)" ನಲ್ಲಿ, ಡೆಲ್ ಎಕ್ಸಿಕ್ಯೂಟಿವ್ ಸ್ಟ್ರಾಟಜಿಸ್ಟ್ ಜಿಮ್ ಸ್ಟಿಕಿಲಿಥರ್ ಐದು ಪ್ರೇಕ್ಷಕರ ವರ್ಗಗಳನ್ನು ಗುರುತಿಸಿದ್ದಾರೆ. + + - **ನವಶಿಕ್ಷಿತ**: ವಿಷಯದ ಮೊದಲ ಪರಿಚಯ, ಆದರೆ ಅತಿಸರಳೀಕರಣವನ್ನು ಬಯಸುವುದಿಲ್ಲ + - **ಸಾಮಾನ್ಯ**: ವಿಷಯದ ಅರಿವು ಇದೆ, ಆದರೆ ಸಮಗ್ರ ಅವಲೋಕನ ಮತ್ತು ಪ್ರಮುಖ ವಿಷಯಗಳನ್ನು ಹುಡುಕುತ್ತಾನೆ + - **ನಿರ್ವಹಣಾ**: ಸೂಕ್ಷ್ಮ, ಕಾರ್ಯನಿರ್ವಹಣೀಯ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ವಿವರಗಳಿಗೆ ಪ್ರವೇಶ + - **ತಜ್ಞ**: ಹೆಚ್ಚಿನ ಅನ್ವೇಷಣೆ ಮತ್ತು ಕಂಡುಹಿಡಿಯುವಿಕೆ, ಕಡಿಮೆ ಕಥನಕಲೆ, ಹೆಚ್ಚಿನ ವಿವರ + - **ನಿರ್ವಾಹಕ**: ತೂಕದ ಸಾಧ್ಯತೆಗಳ ಮಹತ್ವ ಮತ್ತು ನಿರ್ಣಯಗಳನ್ನು ಮಾತ್ರ ತಿಳಿದುಕೊಳ್ಳಲು ಸಮಯವಿದೆ + +ಈ ವರ್ಗಗಳು ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರಿಗೆ ಡೇಟಾ ಪ್ರಸ್ತುತಪಡಿಸುವ ವಿಧಾನವನ್ನು ಸೂಚಿಸಬಹುದು. + +ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರ ವರ್ಗವನ್ನು ಪರಿಗಣಿಸುವ ಜೊತೆಗೆ, ನೀವು ಯಾವ ಚಾನೆಲ್ ಮೂಲಕ ಸಂವಹನ ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಕೂಡ ಪರಿಗಣಿಸಬೇಕು. ನೀವು ಮೆಮೊ ಅಥವಾ ಇಮೇಲ್ ಬರೆಯುತ್ತಿರುವಾಗ ಮತ್ತು ಸಭೆ ನಡೆಸುತ್ತಿರುವಾಗ ಅಥವಾ ಸಮ್ಮೇಳನದಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸುವಾಗ ನಿಮ್ಮ ವಿಧಾನ ಸ್ವಲ್ಪ ಬದಲಾಗಬಹುದು. + +ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರ ಜೊತೆಗೆ, ನೀವು ಒನ್-ವೇ ಸಂವಹನ ಅಥವಾ ಟೂ-ವೇ ಸಂವಹನವನ್ನು ಬಳಸುತ್ತಿರುವುದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಕೂಡ ಅತ್ಯಂತ ಮುಖ್ಯ. + +ನೀವು ಬಹುಮತ ನವಶಿಕ್ಷಿತ ಪ್ರೇಕ್ಷಕರೊಂದಿಗೆ ಒನ್-ವೇ ಸಂವಹನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ, ಮೊದಲು ಪ್ರೇಕ್ಷಕರಿಗೆ ಶಿಕ್ಷಣ ನೀಡಬೇಕು ಮತ್ತು ಸರಿಯಾದ ಸನ್ನಿವೇಶವನ್ನು ಒದಗಿಸಬೇಕು. ನಂತರ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಅವರಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಿ, ನಿಮ್ಮ ಡೇಟಾ ಏನು ಅರ್ಥ ಮತ್ತು ಏಕೆ ಮಹತ್ವವಾಗಿದೆ ಎಂದು ಹೇಳಬೇಕು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸ್ಪಷ್ಟತೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದರಲ್ಲಿ ನೀವು ಗಮನಹರಿಸಬೇಕು, ಏಕೆಂದರೆ ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ನೇರವಾಗಿ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಲು ಸಾಧ್ಯವಿಲ್ಲ. + +ನೀವು ಬಹುಮತ ನಿರ್ವಹಣಾ ಪ್ರೇಕ್ಷಕರೊಂದಿಗೆ ಟೂ-ವೇ ಸಂವಹನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ, ನೀವು ಪ್ರೇಕ್ಷಕರಿಗೆ ಶಿಕ್ಷಣ ನೀಡಬೇಕಾಗಿಲ್ಲ ಅಥವಾ ಹೆಚ್ಚಿನ ಸನ್ನಿವೇಶ ನೀಡಬೇಕಾಗಿಲ್ಲ. ನೀವು ನೇರವಾಗಿ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾ ಮತ್ತು ಅದರ ಮಹತ್ವವನ್ನು ಚರ್ಚಿಸಲು ಸಾಧ್ಯ. ಆದರೆ ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನೀವು ಸಮಯ ನಿಯಂತ್ರಣ ಮತ್ತು ಪ್ರಸ್ತುತಪಡಿಸುವಿಕೆಯಲ್ಲಿ ಗಮನಹರಿಸಬೇಕು. ಟೂ-ವೇ ಸಂವಹನದಲ್ಲಿ (ವಿಶೇಷವಾಗಿ ನಿರ್ವಹಣಾ ಪ್ರೇಕ್ಷಕರೊಂದಿಗೆ, ಅವರು "ಸೂಕ್ಷ್ಮತೆಗಳ ಮತ್ತು ಪರಸ್ಪರ ಸಂಬಂಧಗಳ ಕಾರ್ಯನಿರ್ವಹಣೀಯ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯನ್ನು" ಹುಡುಕುತ್ತಿರುವಾಗ) ಪ್ರಶ್ನೆಗಳು ಉದಯಿಸಬಹುದು, ಮತ್ತು ಚರ್ಚೆಯನ್ನು ನೀವು ಹೇಳಲು ಬಯಸುವ ಕಥೆಯಿಂದ ದೂರಕ್ಕೆ ತಳ್ಳಬಹುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನೀವು ಚರ್ಚೆಯನ್ನು ನಿಮ್ಮ ಕಥೆಗೆ ಹಿಂತಿರುಗಿಸಲು ಕ್ರಮ ಕೈಗೊಳ್ಳಬಹುದು. + +### 2. ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸಿ +ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸುವುದು ಎಂದರೆ, ನೀವು ಪ್ರೇಕ್ಷಕರಿಗೆ ನೀಡಬೇಕಾದ ಮುಖ್ಯ ಅಂಶಗಳನ್ನು ಸಂವಹನ ಆರಂಭಿಸುವ ಮೊದಲು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು. ನೀವು ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ಏನು ತೆಗೆದುಕೊಂಡು ಹೋಗಬೇಕೆಂದು ಬಯಸುತ್ತೀರಿ ಎಂದು ಮುಂಚಿತವಾಗಿ ಯೋಚಿಸುವುದು, ನೀವು ಹೇಳಲು ಬಯಸುವ ಕಥೆಯನ್ನು ರೂಪಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸುವುದು ಒನ್-ವೇ ಮತ್ತು ಟೂ-ವೇ ಎರಡೂ ಸಂವಹನಗಳಿಗೆ ಸೂಕ್ತ. + +ನೀವು ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸುವುದು ಹೇಗೆ? ನಿಮ್ಮ ಡೇಟಾ ಸಂವಹನ ಮಾಡುವ ಮೊದಲು, ನಿಮ್ಮ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಬರೆಯಿರಿ. ನಂತರ, ನೀವು ಡೇಟಾ ಮೂಲಕ ಹೇಳಲು ಬಯಸುವ ಕಥೆಯನ್ನು ತಯಾರಿಸುವ ಪ್ರತಿ ಹಂತದಲ್ಲಿ, "ಇದು ನಾನು ಹೇಳುತ್ತಿರುವ ಕಥೆಗೆ ಹೇಗೆ ಸೇರಿಕೊಳ್ಳುತ್ತದೆ?" ಎಂದು ಕೇಳಿಕೊಳ್ಳಿ. + +ಜಾಗರೂಕವಾಗಿರಿ – ಕೊನೆಯನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟು ಪ್ರಾರಂಭಿಸುವುದು ಆದರ್ಶವಾಗಿದೆ, ಆದರೆ ನೀವು ನಿಮ್ಮ ಉದ್ದೇಶಿತ ಅಂಶಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಸಂವಹನ ಮಾಡಬಾರದು. ಇದನ್ನು ಚೆರ್ರಿ-ಪಿಕಿಂಗ್ ಎಂದು ಕರೆಯುತ್ತಾರೆ, ಅಂದರೆ ಸಂವಹನಕಾರರು ತಮ್ಮ ಹೇಳಲು ಬಯಸುವ ಅಂಶವನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಸಂವಹನ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಇತರ ಡೇಟಾವನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತಾರೆ. + +ನೀವು ಸಂಗ್ರಹಿಸಿದ ಎಲ್ಲಾ ಡೇಟಾ ನಿಮ್ಮ ಉದ್ದೇಶಿತ ಅಂಶಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬೆಂಬಲಿಸಿದರೆ, ಅದ್ಭುತ. ಆದರೆ ನೀವು ಸಂಗ್ರಹಿಸಿದ ಕೆಲವು ಡೇಟಾ ನಿಮ್ಮ ಅಂಶಗಳನ್ನು ಬೆಂಬಲಿಸದಿದ್ದರೆ ಅಥವಾ ನಿಮ್ಮ ಪ್ರಮುಖ ಅಂಶಗಳಿಗೆ ವಿರುದ್ಧವಾದ ವಾದವನ್ನು ಬೆಂಬಲಿಸಿದರೆ, ಆ ಡೇಟಾವನ್ನು ಕೂಡ ಸಂವಹನ ಮಾಡಬೇಕು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರಿಗೆ ಮುಂಚಿತವಾಗಿ ತಿಳಿಸಿ, ಎಲ್ಲಾ ಡೇಟಾ ನಿಮ್ಮ ಕಥೆಯನ್ನು ಬೆಂಬಲಿಸದಿದ್ದರೂ ನೀವು ಕಥೆಯನ್ನು ಮುಂದುವರಿಸುವುದಕ್ಕೆ ಕಾರಣವೇನು ಎಂದು ತಿಳಿಸಿ. + +### 3. ನಿಜವಾದ ಕಥೆಯಂತೆ ಹತ್ತಿರವಾಗಿರಿ +ಸಾಂಪ್ರದಾಯಿಕ ಕಥೆ 5 ಹಂತಗಳಲ್ಲಿ ನಡೆಯುತ್ತದೆ. ನೀವು ಈ ಹಂತಗಳನ್ನು ಪ್ರದರ್ಶನ, ಏರಿಕೆ, ಶಿಖರ, ಇಳಿಕೆ, ಮತ್ತು ನಿರ್ಣಯ ಎಂದು ಕೇಳಿರಬಹುದು. ಅಥವಾ ಸುಲಭವಾಗಿ ನೆನಪಿಡಲು ಸನ್ನಿವೇಶ, ಸಂಘರ್ಷ, ಶಿಖರ, ಮುಕ್ತಾಯ, ಸಮಾರೋಪ. ನಿಮ್ಮ ಡೇಟಾ ಮತ್ತು ಕಥೆಯನ್ನು ಸಂವಹನ ಮಾಡುವಾಗ, ನೀವು ಇದೇ ರೀತಿಯ ವಿಧಾನವನ್ನು ಅನುಸರಿಸಬಹುದು. + +ನೀವು ಸನ್ನಿವೇಶದಿಂದ ಪ್ರಾರಂಭಿಸಿ, ವೇದಿಕೆಯನ್ನು ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ಎಲ್ಲರೂ ಒಂದೇ ಪುಟದಲ್ಲಿದ್ದಾರೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ನಂತರ ಸಂಘರ್ಷವನ್ನು ಪರಿಚಯಿಸಿ. ನೀವು ಈ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಏಕೆ ಬೇಕಾಯಿತು? ನೀವು ಯಾವ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಯತ್ನಿಸುತ್ತಿದ್ದೀರಿ? ನಂತರ ಶಿಖರ. ಡೇಟಾ ಏನು? ಡೇಟಾ ಅರ್ಥವೇನು? ಡೇಟಾ ನಮಗೆ ಯಾವ ಪರಿಹಾರಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ? ನಂತರ ಮುಕ್ತಾಯ, ಇಲ್ಲಿ ನೀವು ಸಮಸ್ಯೆಯನ್ನು ಮತ್ತು ಪ್ರಸ್ತಾವಿತ ಪರಿಹಾರ(ಗಳನ್ನು) ಪುನರಾವರ್ತಿಸಬಹುದು. ಕೊನೆಗೆ, ಸಮಾರೋಪ, ಇಲ್ಲಿ ನೀವು ನಿಮ್ಮ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಮತ್ತು ತಂಡ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಮುಂದಿನ ಹಂತಗಳನ್ನು ಸಾರಾಂಶ ಮಾಡಬಹುದು. + +### 4. ಅರ್ಥಪೂರ್ಣ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ಬಳಸಿ +ನೀವು ಮತ್ತು ನಾನು ಒಟ್ಟಿಗೆ ಉತ್ಪನ್ನದ ಮೇಲೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ ಎಂದು ಊಹಿಸಿ, ನಾನು ನಿಮಗೆ "ನಮ್ಮ ಬಳಕೆದಾರರು ನಮ್ಮ ವೇದಿಕೆಗೆ ಸೇರಲು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ" ಎಂದು ಹೇಳಿದರೆ, "ಹೆಚ್ಚು ಸಮಯ" ಎಷ್ಟು ಎಂದು ನೀವು ಅಂದಾಜಿಸುತ್ತೀರಿ? ಒಂದು ಗಂಟೆ? ಒಂದು ವಾರ? ತಿಳಿಯಲು ಕಷ್ಟ. ನಾನು ಅದನ್ನು ಸಂಪೂರ್ಣ ಪ್ರೇಕ್ಷಕರಿಗೆ ಹೇಳಿದರೆ? ಪ್ರತಿ ಪ್ರೇಕ್ಷಕನಿಗೆ ಬೇರೆ ಬೇರೆ ಕಲ್ಪನೆಗಳು ಇರಬಹುದು. + +ಬದಲಿಗೆ, ನಾನು ಹೇಳಿದರೆ "ನಮ್ಮ ಬಳಕೆದಾರರು ಸರಾಸರಿ 3 ನಿಮಿಷಗಳಲ್ಲಿ ಸೈನ್ ಅಪ್ ಮಾಡಿ ನಮ್ಮ ವೇದಿಕೆಗೆ ಸೇರುತ್ತಾರೆ." + +ಅಂತಹ ಸಂದೇಶ ಸ್ಪಷ್ಟವಾಗಿದೆ. ಡೇಟಾ ಸಂವಹನದಲ್ಲಿ, ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ನಿಮ್ಮಂತೆ ಯೋಚಿಸುತ್ತಿದ್ದಾರೆ ಎಂದು ಭಾವಿಸುವುದು ಸುಲಭ. ಆದರೆ ಅದು ಸದಾ ಸತ್ಯವಲ್ಲ. ನಿಮ್ಮ ಡೇಟಾ ಮತ್ತು ಅದರ ಅರ್ಥವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ. ಡೇಟಾ ಅಥವಾ ನಿಮ್ಮ ಕಥೆ ಸ್ಪಷ್ಟವಾಗದಿದ್ದರೆ, ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ಅನುಸರಿಸಲು ಕಷ್ಟಪಡುತ್ತಾರೆ ಮತ್ತು ನಿಮ್ಮ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. + +ನೀವು ಅರ್ಥಪೂರ್ಣ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ಬಳಸಿದಾಗ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿ ಸಂವಹನ ಮಾಡಬಹುದು, ಅಸ್ಪಷ್ಟ ಪದಗಳ ಬದಲು. ಕೆಳಗೆ ಕೆಲವು ಉದಾಹರಣೆಗಳಿವೆ. + + - ನಾವು *ಅದ್ಭುತ* ವರ್ಷವನ್ನು ಹೊಂದಿದ್ದೇವೆ! + - ಒಬ್ಬರು ಅದ್ಭುತ ವರ್ಷ ಎಂದರೆ 2% - 3% ಆದಾಯ ಏರಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು, ಮತ್ತೊಬ್ಬರು 50% - 60% ಏರಿಕೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. + - ನಮ್ಮ ಬಳಕೆದಾರರ ಯಶಸ್ಸಿನ ದರಗಳು *ನಾಟಕೀಯವಾಗಿ* ಹೆಚ್ಚಿದವು. + - ನಾಟಕೀಯ ಏರಿಕೆ ಎಂದರೆ ಎಷ್ಟು ದೊಡ್ಡ ಏರಿಕೆ? + - ಈ ಕಾರ್ಯವು *ಗಂಭೀರ* ಪ್ರಯತ್ನವನ್ನು ಅಗತ್ಯವಿದೆ. + - ಗಂಭೀರ ಪ್ರಯತ್ನ ಎಂದರೆ ಎಷ್ಟು? + +ಅಸ್ಪಷ್ಟ ಪದಗಳನ್ನು ಮುಂದಿನ ಡೇಟಾ ಪರಿಚಯಿಸಲು ಅಥವಾ ನೀವು ಹೇಳಿದ ಕಥೆಯ ಸಾರಾಂಶವಾಗಿ ಬಳಸಬಹುದು. ಆದರೆ ನಿಮ್ಮ ಪ್ರಸ್ತುತಪಡಿಸುವಿಕೆಯ ಪ್ರತಿಯೊಂದು ಭಾಗವೂ ಸ್ಪಷ್ಟವಾಗಿರಬೇಕು ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. + +### 5. ಭಾವನೆಗಳನ್ನು ಬಳಸಿ +ಭಾವನೆ ಕಥನಕಲೆಯ ಪ್ರಮುಖ ಅಂಶ. ಡೇಟಾ ಮೂಲಕ ಕಥೆ ಹೇಳುವಾಗ ಇದು ಇನ್ನೂ ಮುಖ್ಯ. ನೀವು ಡೇಟಾ ಸಂವಹನ ಮಾಡುವಾಗ, ಎಲ್ಲವೂ ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರು ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಅಂಶಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ನೀವು ಪ್ರೇಕ್ಷಕರಲ್ಲಿ ಭಾವನೆಗಳನ್ನು ಹುಟ್ಟಿಸಿದಾಗ, ಅವರು ಸಹಾನುಭೂತಿ ಹೊಂದುತ್ತಾರೆ ಮತ್ತು ಕ್ರಮ ಕೈಗೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಭಾವನೆ ಪ್ರೇಕ್ಷಕರು ನಿಮ್ಮ ಸಂದೇಶವನ್ನು ನೆನಪಿಡುವ ಸಾಧ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. + +ನೀವು ಇದನ್ನು ಟಿವಿ ಜಾಹೀರಾತುಗಳಲ್ಲಿ ನೋಡಿರಬಹುದು. ಕೆಲವು ಜಾಹೀರಾತುಗಳು ತುಂಬಾ ಗಂಭೀರವಾಗಿರುತ್ತವೆ ಮತ್ತು ದುಃಖಭಾವವನ್ನು ಬಳಸಿ ಪ್ರೇಕ್ಷಕರೊಂದಿಗೆ ಸಂಪರ್ಕ ಸಾಧಿಸುತ್ತವೆ ಮತ್ತು ಅವರು ನೀಡುತ್ತಿರುವ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಗಮನ ಸೆಳೆಯುವಂತೆ ಮಾಡುತ್ತವೆ. ಅಥವಾ ಕೆಲವು ಜಾಹೀರಾತುಗಳು ತುಂಬಾ ಹರ್ಷಭರಿತವಾಗಿರುತ್ತವೆ ಮತ್ತು ನಿಮ್ಮನ್ನು ಅವರ ಡೇಟಾವನ್ನು ಸಂತೋಷಭಾವದೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುವಂತೆ ಮಾಡಬಹುದು. + +ಡೇಟಾ ಸಂವಹನದಲ್ಲಿ ಭಾವನೆಗಳನ್ನು ಹೇಗೆ ಬಳಸುವುದು? ಕೆಳಗೆ ಕೆಲವು ವಿಧಾನಗಳಿವೆ. + + - ಸಾಕ್ಷ್ಯಗಳು ಮತ್ತು ವೈಯಕ್ತಿಕ ಕಥೆಗಳನ್ನು ಬಳಸಿ + - ಡೇಟಾ ಸಂಗ್ರಹಿಸುವಾಗ, ಪ್ರಮಾಣಾತ್ಮಕ ಮತ್ತು ಗುಣಾತ್ಮಕ ಡೇಟಾವನ್ನು ಎರಡನ್ನೂ ಸಂಗ್ರಹಿಸಲು ಪ್ರಯತ್ನಿಸಿ, ಮತ್ತು ಸಂವಹನ ಮಾಡುವಾಗ ಎರಡನ್ನೂ ಸೇರಿಸಿ. ನಿಮ್ಮ ಡೇಟಾ ಮುಖ್ಯವಾಗಿ ಪ್ರಮಾಣಾತ್ಮಕವಾಗಿದ್ದರೆ, ವ್ಯಕ್ತಿಗಳಿಂದ ಕಥೆಗಳನ್ನು ಹುಡುಕಿ ಅವರ ಅನುಭವವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ. + - ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ + - ಚಿತ್ರಗಳು ಪ್ರೇಕ್ಷಕರಿಗೆ ತಾವು ಆ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ ಇದ್ದಂತೆ ಕಾಣಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಚಿತ್ರಗಳನ್ನು ಬಳಸಿದಾಗ, ನೀವು ಪ್ರೇಕ್ಷಕರನ್ನು ನಿಮ್ಮ ಡೇಟಾ ಬಗ್ಗೆ ಹೊಂದಬೇಕಾದ ಭಾವನೆಗೆ ಒತ್ತಾಯಿಸಬಹುದು. + - ಬಣ್ಣಗಳನ್ನು ಬಳಸಿ + - ವಿಭಿನ್ನ ಬಣ್ಣಗಳು ವಿಭಿನ್ನ ಭಾವನೆಗಳನ್ನು ಹುಟ್ಟಿಸುತ್ತವೆ. ಜನಪ್ರಿಯ ಬಣ್ಣಗಳು ಮತ್ತು ಅವು ಹುಟ್ಟಿಸುವ ಭಾವನೆಗಳು ಕೆಳಗಿನಂತಿವೆ. ಗಮನಿಸಿ, ಬಣ್ಣಗಳು ವಿಭಿನ್ನ ಸಂಸ್ಕೃತಿಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಅರ್ಥಗಳನ್ನು ಹೊಂದಿರಬಹುದು. + - ನೀಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಶಾಂತಿ ಮತ್ತು ನಂಬಿಕೆಯನ್ನು ಹುಟ್ಟಿಸುತ್ತದೆ + - ಹಸಿರು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಕೃತಿ ಮತ್ತು ಪರಿಸರಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ + - ಕೆಂಪು ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ಸಾಹ ಮತ್ತು ಉತ್ಸಾಹವನ್ನು ಸೂಚಿಸುತ್ತದೆ + - ಹಳದಿ ಸಾಮಾನ್ಯವಾಗಿ ಆಶಾವಾದ ಮತ್ತು ಸಂತೋಷವನ್ನು ಸೂಚಿಸುತ್ತದೆ + +# ಸಂವಹನ ಪ್ರಕರಣ ಅಧ್ಯಯನ +ಎಮರ್ಸನ್ ಒಂದು ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್‌ನ ಉತ್ಪನ್ನ ನಿರ್ವಾಹಕ. ಎಮರ್ಸನ್ ಗಮನಿಸಿದಂತೆ, ಗ್ರಾಹಕರು ವಾರಾಂತ್ಯಗಳಲ್ಲಿ 42% ಹೆಚ್ಚು ದೂರುಗಳು ಮತ್ತು ದೋಷ ವರದಿಗಳನ್ನು ಸಲ್ಲಿಸುತ್ತಾರೆ. 48 ಗಂಟೆಗಳ ನಂತರ ಉತ್ತರಿಸದ ದೂರು ಸಲ್ಲಿಸುವ ಗ್ರಾಹಕರು ಅಪ್ಲಿಕೇಶನ್ ಸ್ಟೋರ್‌ನಲ್ಲಿ 1 ಅಥವಾ 2 ರೇಟಿಂಗ್ ನೀಡುವ ಸಾಧ್ಯತೆ 32% ಹೆಚ್ಚು ಇದೆ ಎಂದು ಎಮರ್ಸನ್ ಗಮನಿಸಿದ್ದಾರೆ. + +ಶೋಧನೆ ಮಾಡಿದ ನಂತರ, ಎಮರ್ಸನ್ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ಕೆಲವು ಪರಿಹಾರಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಎಮರ್ಸನ್ 3 ಕಂಪನಿ ಮುಖ್ಯಸ್ಥರೊಂದಿಗೆ 30 ನಿಮಿಷಗಳ ಸಭೆಯನ್ನು ಏರ್ಪಡಿಸಿ ಡೇಟಾ ಮತ್ತು ಪ್ರಸ್ತಾವಿತ ಪರಿಹಾರಗಳನ್ನು ಸಂವಹನ ಮಾಡುತ್ತಾರೆ. + +ಈ ಸಭೆಯಲ್ಲಿ, ಎಮರ್ಸನ್ ಗುರಿ ಕಂಪನಿ ಮುಖ್ಯಸ್ಥರಿಗೆ ಕೆಳಗಿನ 2 ಪರಿಹಾರಗಳು ಅಪ್ಲಿಕೇಶನ್ ರೇಟಿಂಗ್ ಅನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಅದು ಹೆಚ್ಚಿನ ಆದಾಯಕ್ಕೆ ಅನುವಾದವಾಗಬಹುದು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿಸುವುದು. + +**ಪರಿಹಾರ 1.** ವಾರಾಂತ್ಯಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಗ್ರಾಹಕ ಸೇವಾ ಪ್ರತಿನಿಧಿಗಳನ್ನು ನೇಮಿಸಿ + +**ಪರಿಹಾರ 2.** ಹೊಸ ಗ್ರಾಹಕ ಸೇವಾ ಟಿಕೆಟ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಖರೀದಿಸಿ, ಇಲ್ಲಿ ಗ್ರಾಹಕ ಸೇವಾ ಪ್ರತಿನಿಧಿಗಳು ಯಾವ ದೂರುಗಳು ಹೆಚ್ಚು ಕಾಲ ಕ್ಯೂಯಲ್ಲಿ ಇದ್ದವು ಎಂದು ಸುಲಭವಾಗಿ ಗುರುತಿಸಬಹುದು – ಆದ್ದರಿಂದ ತಕ್ಷಣವೇ ಯಾವ ದೂರುಗಳನ್ನು ಪರಿಹರಿಸಬೇಕೆಂದು ತಿಳಿಸಬಹುದು. + +ಸಭೆಯಲ್ಲಿ, ಎಮರ್ಸನ್ 5 ನಿಮಿಷಗಳು ಅಪ್ಲಿಕೇಶನ್ ಸ್ಟೋರ್‌ನಲ್ಲಿ ಕಡಿಮೆ ರೇಟಿಂಗ್ ಇರುವುದರಿಂದ ಏಕೆ ಕೆಟ್ಟದು ಎಂದು ವಿವರಿಸುತ್ತಾರೆ, 10 ನಿಮಿಷಗಳು ಶೋಧನಾ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಟ್ರೆಂಡ್ಗಳನ್ನು ಗುರುತಿಸುವ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತಾರೆ, 10 ನಿಮಿಷಗಳು ಇತ್ತೀಚಿನ ಗ್ರಾಹಕ ದೂರುಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ, ಮತ್ತು ಕೊನೆಗೆ 5 ನಿಮಿಷಗಳಲ್ಲಿ 2 ಸಾಧ್ಯ ಪರಿಹಾರಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ವಿವರಿಸುತ್ತಾರೆ. +ಇದು Emerson ಈ ಸಭೆಯ ಸಮಯದಲ್ಲಿ ಸಂವಹನ ಮಾಡಲು ಪರಿಣಾಮಕಾರಿಯಾದ ವಿಧಾನವಾಗಿದೆಯೇ? + +ಸಭೆಯ ಸಮಯದಲ್ಲಿ, ಒಂದು ಕಂಪನಿಯ ನಾಯಕ Emerson ಮೂಲಕ ನಡೆದ 10 ನಿಮಿಷಗಳ ಗ್ರಾಹಕ ದೂರುಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರು. ಸಭೆಯ ನಂತರ, ಈ ದೂರುಗಳು ಮಾತ್ರ ಈ ತಂಡದ ನಾಯಕರಿಗೆ ನೆನಪಿನಲ್ಲಿ ಉಳಿದವು. ಮತ್ತೊಂದು ಕಂಪನಿಯ ನಾಯಕ Emerson ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸುವುದರಲ್ಲಿ ಮುಖ್ಯವಾಗಿ ಗಮನಹರಿಸಿದರು. ಮೂರನೇ ಕಂಪನಿಯ ನಾಯಕ Emerson ಪ್ರಸ್ತಾಪಿಸಿದ ಪರಿಹಾರಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಂಡರು ಆದರೆ ಆ ಪರಿಹಾರಗಳನ್ನು ಹೇಗೆ ಜಾರಿಗೆ ತರಬಹುದು ಎಂಬುದರಲ್ಲಿ ಖಚಿತವಾಗಿರಲಿಲ್ಲ. + +ಮೇಲಿನ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ, Emerson ತಂಡದ ನಾಯಕರಿಗೆ ನೀಡಲು ಬಯಸಿದ ಸಂದೇಶ ಮತ್ತು ಅವರು ಸಭೆಯಿಂದ ತೆಗೆದುಕೊಂಡ ಸಂದೇಶಗಳ ನಡುವೆ ಮಹತ್ವದ ವ್ಯತ್ಯಾಸವಿತ್ತು. ಕೆಳಗಿನದು Emerson ಪರಿಗಣಿಸಬಹುದಾದ ಮತ್ತೊಂದು ವಿಧಾನವಾಗಿದೆ. + +Emerson ಈ ವಿಧಾನವನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು? +ಸಂದರ್ಭ, ಸಂಘರ್ಷ, ಶಿಖರ, ಸಮಾಪ್ತಿ, ನಿರ್ಣಯ +**ಸಂದರ್ಭ** - Emerson ಮೊದಲ 5 ನಿಮಿಷಗಳನ್ನು ಸಂಪೂರ್ಣ ಪರಿಸ್ಥಿತಿಯನ್ನು ಪರಿಚಯಿಸಲು ಮತ್ತು ತಂಡದ ನಾಯಕರು ಸಮಸ್ಯೆಗಳು ಕಂಪನಿಗೆ ಮಹತ್ವದ ಮೆಟ್ರಿಕ್ಸ್‌ಗಳ ಮೇಲೆ ಹೇಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಮಾಡಲು ಬಳಸಬಹುದು, ಉದಾಹರಣೆಗೆ ಆದಾಯ. + +ಇದನ್ನು ಹೀಗೆ ವಿವರಿಸಬಹುದು: "ಪ್ರಸ್ತುತ, ನಮ್ಮ ಆಪ್ ಸ್ಟೋರ್‌ನಲ್ಲಿ ನಮ್ಮ ಆಪ್ ರೇಟಿಂಗ್ 2.5 ಆಗಿದೆ. ಆಪ್ ಸ್ಟೋರ್‌ನಲ್ಲಿ ರೇಟಿಂಗ್‌ಗಳು ಆಪ್ ಸ್ಟೋರ್ ಆಪ್ಟಿಮೈಜೆಶನ್‌ಗೆ ಮಹತ್ವದವು, ಇದು ಎಷ್ಟು ಬಳಕೆದಾರರು ನಮ್ಮ ಆಪ್ ಅನ್ನು ಹುಡುಕಾಟದಲ್ಲಿ ನೋಡುತ್ತಾರೆ ಮತ್ತು ಭವಿಷ್ಯದ ಬಳಕೆದಾರರಿಗೆ ನಮ್ಮ ಆಪ್ ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ. ಮತ್ತು ನಿಶ್ಚಿತವಾಗಿ, ನಮ್ಮ ಬಳಕೆದಾರರ ಸಂಖ್ಯೆ ನೇರವಾಗಿ ಆದಾಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ." + +**ಸಂಘರ್ಷ** Emerson ನಂತರ ಮುಂದಿನ 5 ನಿಮಿಷಗಳ ಕಾಲ ಸಂಘರ್ಷದ ಬಗ್ಗೆ ಮಾತನಾಡಬಹುದು. + +ಇದನ್ನು ಹೀಗೆ ಹೇಳಬಹುದು: "ಬಳಕೆದಾರರು ವಾರಾಂತ್ಯಗಳಲ್ಲಿ 42% ಹೆಚ್ಚು ದೂರುಗಳು ಮತ್ತು ಬಗ್ ವರದಿಗಳನ್ನು ಸಲ್ಲಿಸುತ್ತಾರೆ. 48 ಗಂಟೆಗಳ ನಂತರ ಉತ್ತರಿಸದ ದೂರು ಸಲ್ಲಿಸುವ ಗ್ರಾಹಕರು ಆಪ್ ಸ್ಟೋರ್‌ನಲ್ಲಿ 2 ರೇಟಿಂಗ್‌ಕ್ಕಿಂತ ಹೆಚ್ಚು ನೀಡುವ ಸಾಧ್ಯತೆ 32% ಕಡಿಮೆಯಾಗಿದೆ. ನಮ್ಮ ಆಪ್ ರೇಟಿಂಗ್ ಅನ್ನು 4ಕ್ಕೆ ಸುಧಾರಿಸುವುದು ನಮ್ಮ ದೃಶ್ಯತೆಯನ್ನು 20-30% ಹೆಚ್ಚಿಸುತ್ತದೆ, ಇದರಿಂದ ನಾನು 10% ಆದಾಯ ವೃದ್ಧಿ ನಿರೀಕ್ಷಿಸುತ್ತೇನೆ." ನಿಶ್ಚಿತವಾಗಿ, Emerson ಈ ಸಂಖ್ಯೆಗಳ ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಸಿದ್ಧಪಡಿಸಬೇಕು. + +**ಶಿಖರ** ನೆಲೆಯನ್ನಿಟ್ಟ ನಂತರ, Emerson 5 ನಿಮಿಷಗಳ ಕಾಲ ಶಿಖರಕ್ಕೆ ಹೋಗಬಹುದು. + +Emerson ಪ್ರಸ್ತಾಪಿಸಿದ ಪರಿಹಾರಗಳನ್ನು ಪರಿಚಯಿಸಬಹುದು, ಆ ಪರಿಹಾರಗಳು ವಿವರಿಸಿದ ಸಮಸ್ಯೆಗಳನ್ನು ಹೇಗೆ ಪರಿಹರಿಸುತ್ತವೆ, ಆ ಪರಿಹಾರಗಳನ್ನು ಇತ್ತೀಚಿನ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಹೇಗೆ ಜಾರಿಗೆ ತರಬಹುದು, ಪರಿಹಾರಗಳ ವೆಚ್ಚ ಎಷ್ಟು, ROI ಏನು, ಮತ್ತು ಜಾರಿಗೆ ಬಂದರೆ ಪರಿಹಾರಗಳು ಹೇಗೆ ಕಾಣುತ್ತವೆ ಎಂಬ ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು ಅಥವಾ ವೈರ್‌ಫ್ರೇಮ್‌ಗಳನ್ನು ತೋರಿಸಬಹುದು. Emerson 48 ಗಂಟೆಗಳ ನಂತರ ದೂರುಗೆ ಉತ್ತರ ಪಡೆದ ಬಳಕೆದಾರರ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಮತ್ತು ಕಂಪನಿಯ ಪ್ರಸ್ತುತ ಗ್ರಾಹಕ ಸೇವಾ ಪ್ರತಿನಿಧಿಯ ಟಿಕೆಟ್ ವ್ಯವಸ್ಥೆಯ ಬಗ್ಗೆ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು. + +**ಸಮಾಪ್ತಿ** ಈಗ Emerson 5 ನಿಮಿಷಗಳನ್ನು ಕಂಪನಿಯ ಎದುರಿಸುತ್ತಿರುವ ಸಮಸ್ಯೆಗಳನ್ನು ಪುನಃ ಹೇಳಲು, ಪ್ರಸ್ತಾಪಿಸಿದ ಪರಿಹಾರಗಳನ್ನು ಮರುಪರಿಶೀಲಿಸಲು ಮತ್ತು ಆ ಪರಿಹಾರಗಳು ಯಾಕೆ ಸರಿಯಾದವು ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಲು ಬಳಸಬಹುದು. + +**ನಿರ್ಣಯ** ಇದು ಕೆಲವು ಹಿತಾಸಕ್ತರು ಇರುವ ಸಭೆಯಾಗಿದ್ದು, ಎರಡು ದಿಕ್ಕಿನ ಸಂವಹನ ನಡೆಯುವ ಕಾರಣ, Emerson 10 ನಿಮಿಷಗಳನ್ನು ಪ್ರಶ್ನೆಗಳಿಗೆ ಮೀಸಲಿಡಬಹುದು, ಇದರಿಂದ ತಂಡದ ನಾಯಕರಿಗೆ ಗೊಂದಲವಾಗಿದ್ದ ಯಾವುದೇ ವಿಷಯಗಳನ್ನು ಸಭೆ ಮುಗಿಯುವ ಮೊದಲು ಸ್ಪಷ್ಟಪಡಿಸಬಹುದು. + +Emerson ವಿಧಾನ #2 ತೆಗೆದುಕೊಂಡರೆ, ತಂಡದ ನಾಯಕರು Emerson ಬಯಸಿದಂತೆ ಸಭೆಯಿಂದ ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು – ದೂರುಗಳು ಮತ್ತು ಬಗ್‌ಗಳನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಬಹುದು ಎಂಬುದನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಆ ಸುಧಾರಣೆಗೆ 2 ಪರಿಹಾರಗಳನ್ನು ಜಾರಿಗೆ ತರಬಹುದು. ಈ ವಿಧಾನವು Emerson ಸಂವಹನ ಮಾಡಲು ಬಯಸುವ ಡೇಟಾ ಮತ್ತು ಕಥೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂವಹನ ಮಾಡುವ ಉತ್ತಮ ವಿಧಾನವಾಗಿರುತ್ತದೆ. + +# ನಿರ್ಣಯ +### ಮುಖ್ಯ ಅಂಶಗಳ ಸಾರಾಂಶ + - ಸಂವಹನ ಎಂದರೆ ಮಾಹಿತಿ ಹಂಚಿಕೊಳ್ಳುವುದು ಅಥವಾ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವುದು. + - ಡೇಟಾ ಸಂವಹನ ಮಾಡುವಾಗ, ನಿಮ್ಮ ಗುರಿ ಸಂಖ್ಯೆಗಳನ್ನಷ್ಟೇ ಪ್ರೇಕ್ಷಕರಿಗೆ ನೀಡುವುದು ಅಲ್ಲ. ನಿಮ್ಮ ಗುರಿ ನಿಮ್ಮ ಡೇಟಾದಿಂದ ಪ್ರೇರಿತವಾದ ಕಥೆಯನ್ನು ಸಂವಹನ ಮಾಡುವುದು. + - ಎರಡು ವಿಧದ ಸಂವಹನಗಳಿವೆ, ಒನ್-ವೇ ಸಂವಹನ (ಮಾಹಿತಿ ಪ್ರತಿಕ್ರಿಯೆಯ ಉದ್ದೇಶವಿಲ್ಲದೆ ಸಂವಹನವಾಗುತ್ತದೆ) ಮತ್ತು ಟೂ-ವೇ ಸಂವಹನ (ಮಾಹಿತಿ ಹಿಂದಿರುಗಿ ವಿನಿಮಯವಾಗುತ್ತದೆ). + - ಡೇಟಾ ಕಥನಕ್ಕೆ ನೀವು ಬಳಸಬಹುದಾದ ಹಲವಾರು ತಂತ್ರಗಳಿವೆ, ನಾವು ನೋಡಿದ 5 ತಂತ್ರಗಳು: + - ನಿಮ್ಮ ಪ್ರೇಕ್ಷಕರನ್ನು, ನಿಮ್ಮ ಮಾಧ್ಯಮವನ್ನು ಮತ್ತು ನಿಮ್ಮ ಸಂವಹನ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ + - ಅಂತ್ಯವನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಟ್ಟುಕೊಂಡು ಪ್ರಾರಂಭಿಸಿ + - ನಿಜವಾದ ಕಥೆಯಂತೆ ಹತ್ತಿರವಿರಿ + - ಅರ್ಥಪೂರ್ಣ ಪದಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ಬಳಸಿ + - ಭಾವನೆಯನ್ನು ಬಳಸಿ + +### ಸ್ವಯಂ ಅಧ್ಯಯನಕ್ಕೆ ಶಿಫಾರಸು ಮಾಡಿದ ಸಂಪನ್ಮೂಲಗಳು +[The Five C's of Storytelling - Articulate Persuasion](http://articulatepersuasion.com/the-five-cs-of-storytelling/) + +[1.4 Your Responsibilities as a Communicator – Business Communication for Success (umn.edu)](https://open.lib.umn.edu/businesscommunication/chapter/1-4-your-responsibilities-as-a-communicator/) + +[How to Tell a Story with Data (hbr.org)](https://hbr.org/2013/04/how-to-tell-a-story-with-data) + +[Two-Way Communication: 4 Tips for a More Engaged Workplace (yourthoughtpartner.com)](https://www.yourthoughtpartner.com/blog/bid/59576/4-steps-to-increase-employee-engagement-through-two-way-communication) + +[6 succinct steps to great data storytelling - BarnRaisers, LLC (barnraisersllc.com)](https://barnraisersllc.com/2021/05/02/6-succinct-steps-to-great-data-storytelling/) + +[How to Tell a Story With Data | Lucidchart Blog](https://www.lucidchart.com/blog/how-to-tell-a-story-with-data) + +[6 Cs of Effective Storytelling on Social Media | Cooler Insights](https://coolerinsights.com/2018/06/effective-storytelling-social-media/) + +[The Importance of Emotions In Presentations | Ethos3 - A Presentation Training and Design Agency](https://ethos3.com/2015/02/the-importance-of-emotions-in-presentations/) + +[Data storytelling: linking emotions and rational decisions (toucantoco.com)](https://www.toucantoco.com/en/blog/data-storytelling-dataviz) + +[Emotional Advertising: How Brands Use Feelings to Get People to Buy (hubspot.com)](https://blog.hubspot.com/marketing/emotions-in-advertising-examples) + +[Choosing Colors for Your Presentation Slides | Think Outside The Slide](https://www.thinkoutsidetheslide.com/choosing-colors-for-your-presentation-slides/) + +[How To Present Data [10 Expert Tips] | ObservePoint](https://resources.observepoint.com/blog/10-tips-for-presenting-data) + +[Microsoft Word - Persuasive Instructions.doc (tpsnva.org)](https://www.tpsnva.org/teach/lq/016/persinstr.pdf) + +[The Power of Story for Your Data (thinkhdi.com)](https://www.thinkhdi.com/library/supportworld/2019/power-story-your-data.aspx) + +[Common Mistakes in Data Presentation (perceptualedge.com)](https://www.perceptualedge.com/articles/ie/data_presentation.pdf) + +[Infographic: Here are 15 Common Data Fallacies to Avoid (visualcapitalist.com)](https://www.visualcapitalist.com/here-are-15-common-data-fallacies-to-avoid/) + +[Cherry Picking: When People Ignore Evidence that They Dislike – Effectiviology](https://effectiviology.com/cherry-picking/#How_to_avoid_cherry_picking) + +[Tell Stories with Data: Communication in Data Science | by Sonali Verghese | Towards Data Science](https://towardsdatascience.com/tell-stories-with-data-communication-in-data-science-5266f7671d7) + +[1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html) + +## [ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/31) + +ಮೇಲಿನ ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್ ಮೂಲಕ ನೀವು ಇತ್ತೀಚೆಗೆ ಕಲಿತ ವಿಷಯವನ್ನು ಪರಿಶೀಲಿಸಿ! + +## ಅಸೈನ್‌ಮೆಂಟ್ + +[ಮಾರ್ಕೆಟ್ ರಿಸರ್ಚ್](assignment.md) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/16-communication/assignment.md b/translations/kn/4-Data-Science-Lifecycle/16-communication/assignment.md new file mode 100644 index 00000000..2d85baed --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/16-communication/assignment.md @@ -0,0 +1,28 @@ + +# ಕಥೆಯನ್ನು ಹೇಳಿ + +## ಸೂಚನೆಗಳು + +ಡೇಟಾ ಸೈನ್ಸ್ ಎಂದರೆ ಕಥೆ ಹೇಳುವ ಕಲೆಯೇ. ಯಾವುದೇ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ ಅದರ ಬಗ್ಗೆ ನೀವು ಹೇಳಬಹುದಾದ ಕಥೆಯ ಕುರಿತು ಒಂದು ಚಿಕ್ಕ ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ. ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ ಏನು ಬಹಿರಂಗಪಡಿಸಬಹುದು ಎಂದು ನೀವು ನಿರೀಕ್ಷಿಸುತ್ತೀರಿ? ಅದರ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಗಳು ಸಮಸ್ಯೆಕಾರಿಯಾಗಿದ್ದರೆ ನೀವು ಏನು ಮಾಡುತ್ತೀರಿ? ನಿಮ್ಮ ಡೇಟಾ ಸುಲಭವಾಗಿ ಅದರ ರಹಸ್ಯಗಳನ್ನು ಅನಾವರಣ ಮಾಡದಿದ್ದರೆ ಏನು? ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ ನೀಡಬಹುದಾದ ಸಂದರ್ಭಗಳನ್ನು ಯೋಚಿಸಿ ಅವುಗಳನ್ನು ಬರೆಯಿರಿ. + +## ಮೌಲ್ಯಮಾಪನ + +ಉದಾಹರಣೆಯಾದ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ +--- | --- | -- | + +ಡೇಟಾಸೆಟ್ ವಿವರಿಸಲ್ಪಟ್ಟಿದ್ದು, ದಾಖಲೆ ಮಾಡಲ್ಪಟ್ಟಿದ್ದು, ಕ್ರೆಡಿಟ್ ನೀಡಲ್ಪಟ್ಟಿದ್ದು, ಅದರ ಬಗ್ಗೆ ಸಮಗ್ರ ಕಥೆಯನ್ನು ವಿವರಿಸಿದ ಒಂದು ಪುಟದ ಪ್ರಬಂಧ .doc ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿ ನೀಡಲಾಗಿದೆ, ಡೇಟಾದಿಂದ ವಿವರವಾದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ. | ಕಡಿಮೆ ವಿವರಗಳೊಂದಿಗೆ ಚಿಕ್ಕ ಪ್ರಬಂಧ ನೀಡಲಾಗಿದೆ | ಮೇಲ್ಕಂಡ ವಿವರಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ಕೊರತೆ ಕಂಡುಬರುತ್ತದೆ. + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/4-Data-Science-Lifecycle/README.md b/translations/kn/4-Data-Science-Lifecycle/README.md new file mode 100644 index 00000000..2cc27890 --- /dev/null +++ b/translations/kn/4-Data-Science-Lifecycle/README.md @@ -0,0 +1,32 @@ + +# ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ + +![communication](../../../translated_images/communication.06d8e2a88d30d168d661ad9f9f0a4f947ebff3719719cfdaf9ed00a406a01ead.kn.jpg) +> ಫೋಟೋ ಹೆಡ್‌ವೇ ಅವರಿಂದ ಅನ್ಸ್ಪ್ಲ್ಯಾಶ್ ನಲ್ಲಿ + +ಈ ಪಾಠಗಳಲ್ಲಿ, ನೀವು ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ ಕೆಲವು ಅಂಶಗಳನ್ನು, ಡೇಟಾ ಸುತ್ತಲೂ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಸಂವಹನವನ್ನು ಅನ್ವೇಷಿಸುವಿರಿ. + +### ವಿಷಯಗಳು + +1. [ಪರಿಚಯ](14-Introduction/README.md) +2. [ವಿಶ್ಲೇಷಣೆ](15-analyzing/README.md) +3. [ಸಂವಹನ](16-communication/README.md) + +### ಕ್ರೆಡಿಟ್ಸ್ + +ಈ ಪಾಠಗಳನ್ನು ❤️ ಸಹಿತ [ಜೆಲೆನ್ ಮ್ಯಾಕ್‌ಗೀ](https://twitter.com/JalenMCG) ಮತ್ತು [ಜಾಸ್ಮಿನ್ ಗ್ರೀನವೇ](https://twitter.com/paladique) ರವರು ಬರೆಯಲಾಗಿದೆ + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/17-Introduction/README.md b/translations/kn/5-Data-Science-In-Cloud/17-Introduction/README.md new file mode 100644 index 00000000..4979aeb2 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/17-Introduction/README.md @@ -0,0 +1,116 @@ + +# ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಪರಿಚಯ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/17-DataScience-Cloud.png)| +|:---:| +| ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: ಪರಿಚಯ - _[@nitya](https://twitter.com/nitya) ಅವರಿಂದ ಸ್ಕೆಚ್ ನೋಟ್_ | + + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಕ್ಲೌಡ್‌ನ ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ಕಲಿಯುತ್ತೀರಿ, ನಂತರ ನಿಮ್ಮ ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆಗಳನ್ನು ನಡೆಸಲು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದು ನಿಮಗೆ ಏಕೆ ಆಸಕ್ತಿದಾಯಕವಾಗಬಹುದು ಎಂದು ನೋಡುತ್ತೀರಿ ಮತ್ತು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ನಡೆಸಲ್ಪಡುವ ಕೆಲವು ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆಗಳ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡುತ್ತೇವೆ. + + +## [ಪೂರ್ವ-ಪಾಠ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ds/quiz/32) + + +## ಕ್ಲೌಡ್ ಎಂದರೆ ಏನು? + +ಕ್ಲೌಡ್ ಅಥವಾ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂದರೆ ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ಮೂಲಸೌಕರ್ಯದಲ್ಲಿ ಪಾವತಿಸು-ಬಳಸುವ ಆಧಾರದ ಮೇಲೆ ವಿವಿಧ ಕಂಪ್ಯೂಟಿಂಗ್ ಸೇವೆಗಳ ವಿತರಣೆ. ಸೇವೆಗಳಲ್ಲಿ ಸಂಗ್ರಹಣೆ, ಡೇಟಾಬೇಸ್‌ಗಳು, ನೆಟ್ವರ್ಕಿಂಗ್, ಸಾಫ್ಟ್‌ವೇರ್, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಬುದ್ಧಿವಂತ ಸೇವೆಗಳು ಸೇರಿವೆ. + +ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಸಾರ್ವಜನಿಕ, ಖಾಸಗಿ ಮತ್ತು ಸಂಯುಕ್ತ ಕ್ಲೌಡ್‌ಗಳನ್ನು ಹೀಗಾಗಿ ವಿಭಜಿಸುತ್ತೇವೆ: + +* ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್: ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್ ಅನ್ನು ಮೂರನೇ ಪಕ್ಷದ ಕ್ಲೌಡ್ ಸೇವಾ ಪೂರೈಕೆದಾರರು ಹೊಂದಿದ್ದು, ಇಂಟರ್ನೆಟ್ ಮೂಲಕ ಸಾರ್ವಜನಿಕರಿಗೆ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ವಿತರಿಸುತ್ತಾರೆ. +* ಖಾಸಗಿ ಕ್ಲೌಡ್: ಖಾಸಗಿ ಕ್ಲೌಡ್ ಎಂದರೆ ಒಂದು ವ್ಯವಹಾರ ಅಥವಾ ಸಂಸ್ಥೆ ಮಾತ್ರ ಬಳಸುವ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳು, ಸೇವೆಗಳು ಮತ್ತು ಮೂಲಸೌಕರ್ಯ ಖಾಸಗಿ ನೆಟ್ವರ್ಕ್‌ನಲ್ಲಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ. +* ಸಂಯುಕ್ತ ಕ್ಲೌಡ್: ಸಂಯುಕ್ತ ಕ್ಲೌಡ್ ಎಂದರೆ ಸಾರ್ವಜನಿಕ ಮತ್ತು ಖಾಸಗಿ ಕ್ಲೌಡ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ವ್ಯವಸ್ಥೆ. ಬಳಕೆದಾರರು ಆನ್-ಪ್ರೆಮೈಸಸ್ ಡೇಟಾಸೆಂಟರ್ ಆಯ್ಕೆಮಾಡುತ್ತಾರೆ, ಆದರೆ ಡೇಟಾ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಒಂದು ಅಥವಾ ಹೆಚ್ಚು ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್‌ಗಳಲ್ಲಿ ನಡೆಸಲು ಅನುಮತಿಸುತ್ತಾರೆ. + +ಬಹುತೇಕ ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಸೇವೆಗಳು ಮೂರು ವರ್ಗಗಳಲ್ಲಿ ಬರುತ್ತವೆ: ಮೂಲಸೌಕರ್ಯ ಸೇವೆಯಾಗಿ (IaaS), ವೇದಿಕೆ ಸೇವೆಯಾಗಿ (PaaS) ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಸೇವೆಯಾಗಿ (SaaS). + +* ಮೂಲಸೌಕರ್ಯ ಸೇವೆಯಾಗಿ (IaaS): ಬಳಕೆದಾರರು ಸರ್ವರ್‌ಗಳು ಮತ್ತು ವರ್ಚುವಲ್ ಮಷೀನ್ಗಳು (VMs), ಸಂಗ್ರಹಣೆ, ನೆಟ್ವರ್ಕ್‌ಗಳು, ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗಳಂತಹ ಐಟಿ ಮೂಲಸೌಕರ್ಯವನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆಯುತ್ತಾರೆ +* ವೇದಿಕೆ ಸೇವೆಯಾಗಿ (PaaS): ಬಳಕೆದಾರರು ಸಾಫ್ಟ್‌ವೇರ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ, ಪರೀಕ್ಷಿಸುವ, ವಿತರಿಸುವ ಮತ್ತು ನಿರ್ವಹಿಸುವ ಪರಿಸರವನ್ನು ಬಾಡಿಗೆಗೆ ಪಡೆಯುತ್ತಾರೆ. ಅಭಿವೃದ್ಧಿಗೆ ಅಗತ್ಯವಿರುವ ಸರ್ವರ್‌ಗಳು, ಸಂಗ್ರಹಣೆ, ನೆಟ್ವರ್ಕ್ ಮತ್ತು ಡೇಟಾಬೇಸ್‌ಗಳ ಮೂಲಸೌಕರ್ಯವನ್ನು ಹೊಂದಿಸುವ ಅಥವಾ ನಿರ್ವಹಿಸುವ ಬಗ್ಗೆ ಬಳಕೆದಾರರು ಚಿಂತಿಸಬೇಕಾಗಿಲ್ಲ. +* ಸಾಫ್ಟ್‌ವೇರ್ ಸೇವೆಯಾಗಿ (SaaS): ಬಳಕೆದಾರರು ಇಂಟರ್ನೆಟ್ ಮೂಲಕ, ಬೇಡಿಕೆಯಂತೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಚಂದಾದಾರಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಪ್ರವೇಶ ಪಡೆಯುತ್ತಾರೆ. ಸಾಫ್ಟ್‌ವೇರ್ ಅಪ್ಲಿಕೇಶನ್, ಮೂಲಸೌಕರ್ಯ ಅಥವಾ ನಿರ್ವಹಣೆ, ಉದಾಹರಣೆಗೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅಪ್‌ಗ್ರೇಡ್‌ಗಳು ಮತ್ತು ಭದ್ರತಾ ಪ್ಯಾಚ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಬಗ್ಗೆ ಬಳಕೆದಾರರು ಚಿಂತಿಸಬೇಕಾಗಿಲ್ಲ. + +ಅಮೆಜಾನ್ ವೆಬ್ ಸರ್ವಿಸಸ್, ಗೂಗಲ್ ಕ್ಲೌಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮತ್ತು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್ ಕೆಲವು ದೊಡ್ಡ ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರು. + +## ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಕ್ಲೌಡ್ ಆಯ್ಕೆಮಾಡಬೇಕಾದ ಕಾರಣ? + +ವಿಕಸಕರೂ ಮತ್ತು ಐಟಿ ವೃತ್ತಿಪರರೂ ಹಲವಾರು ಕಾರಣಗಳಿಂದ ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಆಯ್ಕೆಮಾಡುತ್ತಾರೆ, ಅವುಗಳಲ್ಲಿ ಕೆಲವು ಈ ಕೆಳಗಿನಂತಿವೆ: + +* ನವೀನತೆ: ನೀವು ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನೇರವಾಗಿ ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರಿಂದ ರಚಿಸಲಾದ ನವೀನ ಸೇವೆಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಶಕ್ತಿಶಾಲಿ ಮಾಡಬಹುದು. +* ಲವಚಿಕತೆ: ನೀವು ಬೇಕಾದ ಸೇವೆಗಳಿಗೆ ಮಾತ್ರ ಪಾವತಿಸುತ್ತೀರಿ ಮತ್ತು ವಿವಿಧ ಸೇವೆಗಳಲ್ಲಿಂದ ಆಯ್ಕೆಮಾಡಬಹುದು. ಸಾಮಾನ್ಯವಾಗಿ ನೀವು ಬಳಕೆಮಾಡಿದಷ್ಟು ಪಾವತಿಸುತ್ತೀರಿ ಮತ್ತು ನಿಮ್ಮ ಬದಲಾಗುತ್ತಿರುವ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಸೇವೆಗಳನ್ನು ಹೊಂದಿಕೊಳ್ಳಬಹುದು. +* ಬಜೆಟ್: ನೀವು ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಖರೀದಿಸಲು ಪ್ರಾಥಮಿಕ ಹೂಡಿಕೆ ಮಾಡಬೇಕಾಗಿಲ್ಲ, ಆನ್-ಸೈಟ್ ಡೇಟಾಸೆಂಟರ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸಿ ನಡೆಸಬೇಕಾಗಿಲ್ಲ ಮತ್ತು ನೀವು ಬಳಸಿದಷ್ಟು ಮಾತ್ರ ಪಾವತಿಸಬಹುದು. +* ವಿಸ್ತರಣೆ ಸಾಮರ್ಥ್ಯ: ನಿಮ್ಮ ಸಂಪನ್ಮೂಲಗಳು ನಿಮ್ಮ ಯೋಜನೆಯ ಅಗತ್ಯಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ವಿಸ್ತರಿಸಬಹುದು, ಅಂದರೆ ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಹೆಚ್ಚು ಅಥವಾ ಕಡಿಮೆ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿ, ಸಂಗ್ರಹಣೆ ಮತ್ತು ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಬಳಸಬಹುದು, ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಬಾಹ್ಯ ಕಾರಣಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ. +* ಉತ್ಪಾದಕತೆ: ಡೇಟಾಸೆಂಟರ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವಂತಹ ಕೆಲಸಗಳಿಗೆ ಸಮಯ ವ್ಯಯಿಸುವ ಬದಲು ನಿಮ್ಮ ವ್ಯವಹಾರಕ್ಕೆ ಗಮನಹರಿಸಬಹುದು. +* ನಂಬಿಕೆ: ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ನಿರಂತರವಾಗಿ ಬ್ಯಾಕಪ್ ಮಾಡಲು ಹಲವಾರು ಮಾರ್ಗಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಸಂಕಷ್ಟದ ಸಮಯದಲ್ಲೂ ನಿಮ್ಮ ವ್ಯವಹಾರ ಮತ್ತು ಸೇವೆಗಳನ್ನು ಮುಂದುವರಿಸಲು ವಿಪತ್ತು ಪುನರುತ್ಥಾನ ಯೋಜನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಬಹುದು. +* ಭದ್ರತೆ: ನಿಮ್ಮ ಯೋಜನೆಯ ಭದ್ರತೆಯನ್ನು ಬಲಪಡಿಸುವ ನೀತಿಗಳು, ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ನಿಯಂತ್ರಣಗಳಿಂದ ನೀವು ಲಾಭ ಪಡೆಯಬಹುದು. + +ಇವು ಕೆಲವೇ ಸಾಮಾನ್ಯ ಕಾರಣಗಳು, ಜನರು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸಲು ಆಯ್ಕೆಮಾಡುವ. ಈಗ ನಾವು ಕ್ಲೌಡ್ ಎಂದರೇನು ಮತ್ತು ಅದರ ಪ್ರಮುಖ ಲಾಭಗಳು ಏನೆಂದು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇವೆ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವ ವಿಕಸಕರ ಕೆಲಸಗಳನ್ನು ಮತ್ತು ಅವರು ಎದುರಿಸಬಹುದಾದ ಹಲವು ಸವಾಲುಗಳಲ್ಲಿ ಕ್ಲೌಡ್ ಹೇಗೆ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ವಿಶೇಷವಾಗಿ ನೋಡೋಣ: + +* ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು: ದೊಡ್ಡ ಸರ್ವರ್‌ಗಳನ್ನು ಖರೀದಿಸುವ, ನಿರ್ವಹಿಸುವ ಮತ್ತು ರಕ್ಷಿಸುವ ಬದಲು, ನೀವು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ನೇರವಾಗಿ ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ Azure Cosmos DB, Azure SQL Database ಮತ್ತು Azure Data Lake Storage. +* ಡೇಟಾ ಏಕೀಕರಣವನ್ನು ನಿರ್ವಹಿಸುವುದು: ಡೇಟಾ ಏಕೀಕರಣವು ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಿಂದ ಕ್ರಮ ಕೈಗೊಳ್ಳುವಿಕೆಗೆ ಪರಿವರ್ತನೆ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಡೇಟಾ ಸೈನ್ಸ್‌ನ ಅವಿಭಾಜ್ಯ ಭಾಗ. ಕ್ಲೌಡ್‌ನಲ್ಲಿ ನೀಡಲಾದ ಡೇಟಾ ಏಕೀಕರಣ ಸೇವೆಗಳೊಂದಿಗೆ, ನೀವು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ, ಪರಿವರ್ತಿಸಿ ಮತ್ತು Data Factory ಮೂಲಕ ಒಟ್ಟಾರೆ ಡೇಟಾ ವೇರ್‌ಹೌಸ್‌ಗೆ ಏಕೀಕರಿಸಬಹುದು. +* ಡೇಟಾ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು: ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿ ಬೇಕಾಗುತ್ತದೆ, ಮತ್ತು ಎಲ್ಲರಿಗೂ ಅದಕ್ಕೆ ತಕ್ಕಷ್ಟು ಶಕ್ತಿಶಾಲಿ ಯಂತ್ರಗಳ ಪ್ರವೇಶವಿಲ್ಲ, ಆದ್ದರಿಂದ ಅನೇಕರು ತಮ್ಮ ಪರಿಹಾರಗಳನ್ನು ನಡೆಸಲು ಮತ್ತು ನಿಯೋಜಿಸಲು ನೇರವಾಗಿ ಕ್ಲೌಡ್‌ನ ಭಾರೀ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯನ್ನು ಬಳಸಲು ಆಯ್ಕೆಮಾಡುತ್ತಾರೆ. +* ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದು: Azure Synapse Analytics, Azure Stream Analytics ಮತ್ತು Azure Databricks ಮುಂತಾದ ಕ್ಲೌಡ್ ಸೇವೆಗಳು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಕಾರ್ಯನಿರ್ವಹಣೀಯ ಒಳನೋಟಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. +* ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು ಡೇಟಾ ಬುದ್ಧಿವಂತಿಕೆ ಸೇವೆಗಳನ್ನು ಬಳಸುವುದು: ಆರಂಭದಿಂದಲೇ ಪ್ರಾರಂಭಿಸುವ ಬದಲು, ನೀವು ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರಿಂದ ನೀಡಲಾದ ಯಂತ್ರ ಅಧ್ಯಯನ ಆಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು, ಉದಾಹರಣೆಗೆ AzureML ಸೇವೆಗಳನ್ನು ಬಳಸಬಹುದು. ನೀವು ಮಾತು-ದಿಂದ-ಪಠ್ಯ, ಪಠ್ಯ-ದಿಂದ-ಮಾತು, ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮತ್ತು ಇನ್ನಷ್ಟು ಜ್ಞಾನ ಸೇವೆಗಳನ್ನು ಕೂಡ ಬಳಸಬಹುದು. + +## ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಉದಾಹರಣೆಗಳು + +ಇದನ್ನು ಇನ್ನಷ್ಟು ಸ್ಪಷ್ಟಗೊಳಿಸಲು ಕೆಲವು ದೃಶ್ಯಗಳನ್ನು ನೋಡೋಣ. + +### ನೈಜ-ಸಮಯ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ +ನಾವು ಯಂತ್ರ ಅಧ್ಯಯನದಿಂದ ಪ್ರಾರಂಭಿಸುವ ಜನರು ಸಾಮಾನ್ಯವಾಗಿ ಅಧ್ಯಯನ ಮಾಡುವ ದೃಶ್ಯದಿಂದ ಪ್ರಾರಂಭಿಸೋಣ: ನೈಜ-ಸಮಯ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ. + +ನೀವು ಸುದ್ದಿಮಾಧ್ಯಮ ವೆಬ್‌ಸೈಟ್ ಅನ್ನು ನಡೆಸುತ್ತಿರುವಿರಿ ಎಂದು ಹೇಳೋಣ ಮತ್ತು ನಿಮ್ಮ ಓದುಗರಿಗೆ ಯಾವ ವಿಷಯ ಆಸಕ್ತಿದಾಯಕವಾಗಬಹುದು ಎಂದು ತಿಳಿಯಲು ನೈಜ-ಸಮಯ ಡೇಟಾವನ್ನು ಬಳಸಲು ಬಯಸುತ್ತೀರಿ. ಅದನ್ನು ತಿಳಿಯಲು, ನೀವು ಟ್ವಿಟ್ಟರ್ ಪ್ರಕಟಣೆಗಳಿಂದ ನೈಜ-ಸಮಯ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ ಮಾಡುವ ಕಾರ್ಯಕ್ರಮವನ್ನು ನಿರ್ಮಿಸಬಹುದು, ನಿಮ್ಮ ಓದುಗರಿಗೆ ಸಂಬಂಧಿಸಿದ ವಿಷಯಗಳ ಮೇಲೆ. + +ನೀವು ನೋಡಬೇಕಾದ ಪ್ರಮುಖ ಸೂಚಕಗಳು ನಿರ್ದಿಷ್ಟ ವಿಷಯಗಳ (ಹ್ಯಾಷ್‌ಟ್ಯಾಗ್‌ಗಳು) ಮೇಲೆ ಟ್ವೀಟ್‌ಗಳ ಪ್ರಮಾಣ ಮತ್ತು ಭಾವನೆ, ಇದು analytics ಉಪಕರಣಗಳನ್ನು ಬಳಸಿ ಆ ವಿಷಯಗಳ ಸುತ್ತಲೂ ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ ಮಾಡುವ ಮೂಲಕ ಸ್ಥಾಪಿಸಲಾಗುತ್ತದೆ. + +ಈ ಯೋಜನೆಯನ್ನು ರಚಿಸಲು ಅಗತ್ಯವಿರುವ ಹಂತಗಳು ಇವು: + +* ಟ್ವಿಟ್ಟರ್‌ನಿಂದ ಡೇಟಾ ಸಂಗ್ರಹಿಸಲು ಸ್ಟ್ರೀಮಿಂಗ್ ಇನ್‌ಪುಟ್‌ಗಾಗಿ ಇವೆಂಟ್ ಹಬ್ ರಚಿಸಿ +* ಟ್ವಿಟ್ಟರ್ ಸ್ಟ್ರೀಮಿಂಗ್ APIಗಳನ್ನು ಕರೆಮಾಡುವ ಟ್ವಿಟ್ಟರ್ ಕ್ಲೈಂಟ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸಂರಚಿಸಿ ಮತ್ತು ಪ್ರಾರಂಭಿಸಿ +* ಸ್ಟ್ರೀಮ್ ಅನಾಲಿಟಿಕ್ಸ್ ಕೆಲಸವನ್ನು ರಚಿಸಿ +* ಕೆಲಸದ ಇನ್‌ಪುಟ್ ಮತ್ತು ಕ್ವೆರಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ +* ಔಟ್‌ಪುಟ್ ಸಿಂಕ್ ರಚಿಸಿ ಮತ್ತು ಕೆಲಸದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿ +* ಕೆಲಸವನ್ನು ಪ್ರಾರಂಭಿಸಿ + +ಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೋಡಲು, [ದಾಖಲೆಗಳನ್ನು](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099) ಪರಿಶೀಲಿಸಿ. +### ವೈಜ್ಞಾನಿಕ ಪೇಪರ್‌ಗಳ ವಿಶ್ಲೇಷಣೆ +ಇನ್ನೊಂದು ಉದಾಹರಣೆಯಾಗಿ, ಈ ಪಠ್ಯಕ್ರಮದ ಲೇಖಕರಲ್ಲಿ ಒಬ್ಬರಾದ [Dmitry Soshnikov](http://soshnikov.com) ರಚಿಸಿದ ಯೋಜನೆಯನ್ನು ನೋಡೋಣ. + +Dmitry COVID ಪೇಪರ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಉಪಕರಣವನ್ನು ರಚಿಸಿದ್ದಾರೆ. ಈ ಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸುವ ಮೂಲಕ, ನೀವು ವೈಜ್ಞಾನಿಕ ಪೇಪರ್‌ಗಳಿಂದ ಜ್ಞಾನವನ್ನು ಹೊರತೆಗೆಯುವ, ಒಳನೋಟಗಳನ್ನು ಪಡೆಯುವ ಮತ್ತು ಸಂಶೋಧಕರಿಗೆ ದೊಡ್ಡ ಪೇಪರ್ ಸಂಗ್ರಹಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಾವಿಗೇಟ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ ಉಪಕರಣವನ್ನು ಹೇಗೆ ರಚಿಸಬಹುದು ಎಂದು ನೋಡಬಹುದು. + +ಇದಕ್ಕೆ ಬಳಸಲಾದ ವಿವಿಧ ಹಂತಗಳು: +* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಬಳಸಿ ಮಾಹಿತಿ ಹೊರತೆಗೆಯುವುದು ಮತ್ತು ಪೂರ್ವ-ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು +* ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಮಾಂತರಗೊಳಿಸಲು [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಬಳಸುವುದು +* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಬಳಸಿ ಮಾಹಿತಿ ಸಂಗ್ರಹಿಸುವುದು ಮತ್ತು ಕ್ವೇರಿ ಮಾಡುವುದು +* Power BI ಬಳಸಿ ಡೇಟಾ ಅನ್ವೇಷಣೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ ಸಂವಹನಾತ್ಮಕ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ರಚಿಸುವುದು + +ಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೋಡಲು [Dmitry ಅವರ ಬ್ಲಾಗ್](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/) ಗೆ ಭೇಟಿ ನೀಡಿ. + +ನೀವು ನೋಡಿದಂತೆ, ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ ನಡೆಸಲು ಹಲವಾರು ರೀತಿಯಲ್ಲಿ ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸಬಹುದು. +## ಪಾದಟಿಪ್ಪಣಿ + +ಮೂಲಗಳು: +* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109 +* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109 +* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/ + +## ಪಾಠೋತ್ತರ ಪ್ರಶ್ನೋತ್ತರ + +## [ಪಾಠೋತ್ತರ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ds/quiz/33) + +## ಹುದ್ದೆ + +[ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/17-Introduction/assignment.md b/translations/kn/5-Data-Science-In-Cloud/17-Introduction/assignment.md new file mode 100644 index 00000000..09ddafc5 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/17-Introduction/assignment.md @@ -0,0 +1,27 @@ + +# ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ + +## ಸೂಚನೆಗಳು + +ಈ ಪಾಠದಲ್ಲಿ ನೀವು ಹಲವು ಪ್ರಮುಖ ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರು ಇದ್ದಾರೆ ಎಂದು ಕಲಿತಿರಿ. ಪ್ರತಿ ಒಬ್ಬರೂ ಡೇಟಾ ಸೈನ್ಟಿಸ್ಟ್‌ಗೆ ಏನು ನೀಡಬಹುದು ಎಂದು ಕಂಡುಹಿಡಿಯಲು ಕೆಲವು ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ ಮಾಡಿ. ಆ ಕೊಡುಗೆಗಳು ಹೋಲಿಕೆ ಮಾಡಬಹುದುವೇ? ಈ ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರ ಮೂವರು ಅಥವಾ ಹೆಚ್ಚು ಅವರ ಕೊಡುಗೆಗಳನ್ನು ವರ್ಣಿಸುವ ಒಂದು ಪ್ರಬಂಧವನ್ನು ಬರೆಯಿರಿ. + +## ಮೌಲ್ಯಮಾಪನ + +ಉದಾಹರಣೆಯಾಗಿ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ +--- | --- | --- +ಒಂದು ಪುಟದ ಪ್ರಬಂಧವು ಮೂರು ಕ್ಲೌಡ್ ಪೂರೈಕೆದಾರರ ಡೇಟಾ ಸೈನ್ಸ್ ಕೊಡುಗೆಗಳನ್ನು ವರ್ಣಿಸಿ ಅವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸುತ್ತದೆ. | ಒಂದು ಚಿಕ್ಕ ಪ್ರಬಂಧವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ | ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸದೆ ಪ್ರಬಂಧವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/README.md b/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/README.md new file mode 100644 index 00000000..fded9ad5 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/README.md @@ -0,0 +1,355 @@ + +# ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್" ವಿಧಾನ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/18-DataScience-Cloud.png)| +|:---:| +| ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: ಲೋ ಕೋಡ್ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ವಿಷಯಗಳ ಪಟ್ಟಿಃ + +- [ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್" ವಿಧಾನ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1. ಪರಿಚಯ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.1 ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಂದರೆ ಏನು?](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.2 ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [1.3 ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್:](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2. ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋದಲ್ಲಿ ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ಮಾದರಿ ತರಬೇತಿ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2 ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳು](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.1 ನಿಮ್ಮ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಸರಿಯಾದ ಆಯ್ಕೆಗಳು](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.2.2 ಗಣನೆ ಕ್ಲಸ್ಟರ್ ರಚನೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [2.4 AutoML ಮೂಲಕ ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ತರಬೇತಿ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3. ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ಮಾದರಿ ನಿಯೋಜನೆ ಮತ್ತು ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.1 ಮಾದರಿ ನಿಯೋಜನೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [3.2 ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [🚀 ಸವಾಲು](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [ಪೋಸ್ಟ್-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [ಪುನರ್ ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + - [ಕಾರ್ಯನಿರ್ವಹಣೆ](../../../../5-Data-Science-In-Cloud/18-Low-Code) + +## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/34) + +## 1. ಪರಿಚಯ +### 1.1 ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಂದರೆ ಏನು? + +ಅಜೂರ್ ಕ್ಲೌಡ್ ವೇದಿಕೆ 200 ಕ್ಕೂ ಹೆಚ್ಚು ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಒಳಗೊಂಡಿದ್ದು, ಹೊಸ ಪರಿಹಾರಗಳನ್ನು ಜೀವಂತಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. +ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸುವುದು ಮತ್ತು ಪೂರ್ವ-ಪ್ರಕ್ರಿಯೆ ಮಾಡುವುದರಲ್ಲಿ ಬಹಳ ಶ್ರಮವನ್ನು ಖರ್ಚುಮಾಡುತ್ತಾರೆ, ಮತ್ತು ನಿಖರ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ವಿವಿಧ ಮಾದರಿ ತರಬೇತಿ ಆಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತಾರೆ. ಈ ಕಾರ್ಯಗಳು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ದುಬಾರಿ ಗಣನೆ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ಅಸಮರ್ಥವಾಗಿ ಬಳಸುತ್ತವೆ. + +[ಅಜೂರ್ ಎಂಎಲ್](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಅಜೂರ್‌ನಲ್ಲಿ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪರಿಹಾರಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಕ್ಲೌಡ್ ಆಧಾರಿತ ವೇದಿಕೆ. ಇದು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಡೇಟಾ ಸಿದ್ಧತೆ, ಮಾದರಿ ತರಬೇತಿ, ಭವಿಷ್ಯವಾಣಿ ಸೇವೆಗಳ ಪ್ರಕಟಣೆ ಮತ್ತು ಬಳಕೆಯ ಮೇಲ್ವಿಚಾರಣೆಗೆ ಸಹಾಯ ಮಾಡುವ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಮುಖ್ಯವಾಗಿ, ಇದು ಮಾದರಿ ತರಬೇತಿಗೆ ಸಂಬಂಧಿಸಿದ ಸಮಯ-ತೊಡಗಿಸುವ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಮೂಲಕ ಅವರ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ; ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ವಹಿಸಲು ಕ್ಲೌಡ್ ಆಧಾರಿತ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಬಳಕೆಯ ಸಮಯದಲ್ಲಿ ಮಾತ್ರ ವೆಚ್ಚವನ್ನು ಹೊರುತ್ತದೆ. + +ಅಜೂರ್ ಎಂಎಲ್ ಅಭಿವೃದ್ಧಿಪಡಕರಿಗೆ ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಅವರ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗೆ ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಸಾಧನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅವುಗಳೆಂದರೆ: + +- **ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋ**: ಇದು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ನಲ್ಲಿ ಲೋ-ಕೋಡ್ ಮತ್ತು ನೋ-ಕೋಡ್ ಆಯ್ಕೆಗಳೊಂದಿಗೆ ಮಾದರಿ ತರಬೇತಿ, ನಿಯೋಜನೆ, ಸ್ವಯಂಚಾಲನೆ, ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಆಸ್ತಿ ನಿರ್ವಹಣೆಗೆ ವೆಬ್ ಪೋರ್ಟಲ್. ಸ್ಟುಡಿಯೋ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ SDK ಜೊತೆಗೆ ಸಮ್ಮಿಲನ ಹೊಂದಿದೆ. +- **ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳು**: ML ಮಾದರಿಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಪ್ರೋಟೋಟೈಪ್ ಮತ್ತು ಪರೀಕ್ಷೆ ಮಾಡಬಹುದು. +- **ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಡಿಸೈನರ್**: ಪ್ರಯೋಗಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ನಂತರ ಪೈಪ್ಲೈನ್ಗಳನ್ನು ನಿಯೋಜಿಸಲು ಡ್ರ್ಯಾಗ್-ಅಂಡ್-ಡ್ರಾಪ್ ಮಾಡಬಹುದಾದ ಲೋ-ಕೋಡ್ ಪರಿಸರ. +- **ಸ್ವಯಂಚಾಲಿತ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ UI (AutoML)**: ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿ ಅಭಿವೃದ್ಧಿಯ ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ, ಹೆಚ್ಚಿನ ಪ್ರಮಾಣ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಉತ್ಪಾದಕತೆ ಹೊಂದಿರುವ ML ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಮಾದರಿ ಗುಣಮಟ್ಟವನ್ನು ಕಾಪಾಡುತ್ತದೆ. +- **ಡೇಟಾ ಲೇಬಲಿಂಗ್**: ಡೇಟಾವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲೇಬಲ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುವ ML ಸಾಧನ. +- **ವಿಜುವಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್‌ಗೆ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವಿಸ್ತರಣೆ**: ML ಯೋಜನೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಸಂಪೂರ್ಣ ವೈಶಿಷ್ಟ್ಯಗಳ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ. +- **ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ CLI**: ಕಮಾಂಡ್ ಲೈನ್‌ನಿಂದ ಅಜೂರ್ ಎಂಎಲ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಕಮಾಂಡ್‌ಗಳು. +- **ಪೈಟಾರ್ಚ್, ಟೆನ್ಸರ್‌ಫ್ಲೋ, ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ ಮತ್ತು ಇನ್ನಿತರ ಮುಕ್ತ ಮೂಲ ಫ್ರೇಮ್ವರ್ಕ್‌ಗಳೊಂದಿಗೆ ಏಕೀಕರಣ**: ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸಲು. +- **MLflow**: ನಿಮ್ಮ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗಗಳ ಜೀವನಚಕ್ರವನ್ನು ನಿರ್ವಹಿಸಲು ಮುಕ್ತ ಮೂಲ ಗ್ರಂಥಾಲಯ. **MLFlow ಟ್ರ್ಯಾಕಿಂಗ್** ನಿಮ್ಮ ತರಬೇತಿ ರನ್ ಮೆಟ್ರಿಕ್ಸ್ ಮತ್ತು ಮಾದರಿ ವಸ್ತುಗಳನ್ನು ಲಾಗ್ ಮತ್ತು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ MLflow ಘಟಕ, ನಿಮ್ಮ ಪ್ರಯೋಗದ ಪರಿಸರದಿಂದ ಸ್ವತಂತ್ರವಾಗಿ. + +### 1.2 ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ: + +ಯೋಜನೆಗಳನ್ನು ರಚಿಸುವುದು ಮತ್ತು ನಿರ್ಮಿಸುವುದು ನಿಮ್ಮ ಕೌಶಲ್ಯ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಪರೀಕ್ಷಿಸಲು ಅತ್ಯುತ್ತಮ ಮಾರ್ಗವೆಂದು ಯಾವುದೇ ಸಂಶಯವಿಲ್ಲ. ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋದಲ್ಲಿ ಹೃದಯ ವೈಫಲ್ಯ ದಾಳಿಗಳ ಭವಿಷ್ಯವಾಣಿಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆಯನ್ನು ಎರಡು ವಿಭಿನ್ನ ವಿಧಾನಗಳಲ್ಲಿ ಅನ್ವೇಷಿಸುವೆವು: ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ಮತ್ತು ಅಜೂರ್ ಎಂಎಲ್ SDK ಮೂಲಕ, ಕೆಳಗಿನ ಚಿತ್ರಣದಂತೆ: + +![project-schema](../../../../translated_images/project-schema.736f6e403f321eb48d10242b3f4334dc6ccf0eabef8ff87daf52b89781389fcb.kn.png) + +ಪ್ರತಿ ವಿಧಾನಕ್ಕೂ ತನ್ನದೇ ಆದ ಲಾಭ ಮತ್ತು ನಷ್ಟಗಳಿವೆ. ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ವಿಧಾನವು GUI (ಗ್ರಾಫಿಕಲ್ ಯೂಸರ್ ಇಂಟರ್ಫೇಸ್) ಜೊತೆಗೆ ಸಂವಹನ ಮಾಡುವುದರಿಂದ ಪ್ರಾರಂಭಿಸಲು ಸುಲಭವಾಗಿದೆ, ಕೋಡ್ ಬಗ್ಗೆ ಪೂರ್ವಜ್ಞಾನ ಅಗತ್ಯವಿಲ್ಲ. ಈ ವಿಧಾನವು ಯೋಜನೆಯ ಸಾಧ್ಯತೆಯನ್ನು ತ್ವರಿತವಾಗಿ ಪರೀಕ್ಷಿಸಲು ಮತ್ತು POC (ಪ್ರೂಫ್ ಆಫ್ ಕಾಂಸೆಪ್ಟ್) ರಚಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಆದರೆ, ಯೋಜನೆ ವಿಸ್ತಾರವಾಗುತ್ತಾ ಮತ್ತು ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧವಾಗಬೇಕಾದಾಗ, GUI ಮೂಲಕ ಸಂಪನ್ಮೂಲಗಳನ್ನು ರಚಿಸುವುದು ಸಾಧ್ಯವಿಲ್ಲ. ಸಂಪನ್ಮೂಲಗಳ ರಚನೆ, ಮಾದರಿ ನಿಯೋಜನೆ ಸೇರಿದಂತೆ ಎಲ್ಲವನ್ನೂ ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕಾಗಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ಅಜೂರ್ ಎಂಎಲ್ SDK ಬಳಕೆ ತಿಳಿದುಕೊಳ್ಳುವುದು ಅತ್ಯಂತ ಮುಖ್ಯ. + +| | ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ | ಅಜೂರ್ ಎಂಎಲ್ SDK | +|-------------------|------------------|---------------------------| +| ಕೋಡ್ ಪರಿಣತಿ | ಅಗತ್ಯವಿಲ್ಲ | ಅಗತ್ಯವಿದೆ | +| ಅಭಿವೃದ್ಧಿ ಸಮಯ | ವೇಗವಾಗಿ ಮತ್ತು ಸುಲಭವಾಗಿ | ಕೋಡ್ ಪರಿಣತಿಗೆ ಅವಲಂಬಿತವಾಗಿದೆ | +| ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧ | ಇಲ್ಲ | ಹೌದು | + +### 1.3 ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್: + +ಹೃದಯರೋಗಗಳು (CVDs) ಜಾಗತಿಕವಾಗಿ ಮರಣದ ಪ್ರಮುಖ ಕಾರಣವಾಗಿದ್ದು, ಎಲ್ಲಾ ಮರಣಗಳ 31% ಅನ್ನು占ಿಸುತ್ತವೆ. ತಂಬಾಕು ಬಳಕೆ, ಅಸ್ವಸ್ಥ ಆಹಾರ ಮತ್ತು ಸ್ಥೂಲತೆ, ದೈಹಿಕ ಚಟುವಟಿಕೆ ಕೊರತೆ ಮತ್ತು ಮದ್ಯಪಾನದ ಹಾನಿಕಾರಕ ಬಳಕೆ ಮುಂತಾದ ಪರಿಸರ ಮತ್ತು ವರ್ತನೆ ಸಂಬಂಧಿತ ಅಪಾಯಕಾರಕ ಅಂಶಗಳನ್ನು ಅಂದಾಜು ಮಾದರಿಗಳ ವೈಶಿಷ್ಟ್ಯಗಳಾಗಿ ಬಳಸಬಹುದು. CVD ಅಭಿವೃದ್ಧಿಯ ಸಾಧ್ಯತೆಯನ್ನು ಅಂದಾಜಿಸಲು ಸಾಧ್ಯವಾಗುವುದರಿಂದ, ಅಪಾಯದೊಳಗಿನ ಜನರಲ್ಲಿ ದಾಳಿಗಳನ್ನು ತಡೆಯಲು ಬಹುಮೌಲ್ಯವಾಗಬಹುದು. + +ಕಾಗಲ್ [ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ಅನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿದೆ, ಇದನ್ನು ನಾವು ಈ ಯೋಜನೆಗೆ ಬಳಸಲಿದ್ದೇವೆ. ನೀವು ಈಗಲೇ ಡೇಟಾಸೆಟ್ ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದು. ಇದು 13 ಕಾಲಮ್‌ಗಳ (12 ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು 1 ಗುರಿ ಚರ) ಮತ್ತು 299 ಸಾಲುಗಳ ಟೇಬ್ಯುಲರ್ ಡೇಟಾಸೆಟ್. + +| | ಚರದ ಹೆಸರು | ಪ್ರಕಾರ | ವಿವರಣೆ | ಉದಾಹರಣೆ | +|----|-------------------------|-----------------|-------------------------------------------------------|-------------------| +| 1 | ವಯಸ್ಸು | ಸಂಖ್ಯಾತ್ಮಕ | ರೋಗಿಯ ವಯಸ್ಸು | 25 | +| 2 | ಅನೀಮಿಯಾ | ಬೂಲಿಯನ್ | ರಕ್ತಕಣಗಳು ಅಥವಾ ಹೀಮೋಗ್ಲೋಬಿನ್ ಕಡಿಮೆಯಾಗುವುದು | 0 ಅಥವಾ 1 | +| 3 | ಕ್ರಿಯಾಟಿನಿನ್ ಫಾಸ್ಫೋಕಿನೇಸ್ | ಸಂಖ್ಯಾತ್ಮಕ | ರಕ್ತದಲ್ಲಿ CPK ಎನ್ಜೈಮ್ ಮಟ್ಟ | 542 | +| 4 | ಮಧುಮೇಹ | ಬೂಲಿಯನ್ | ರೋಗಿಗೆ ಮಧುಮೇಹವಿದೆಯೇ | 0 ಅಥವಾ 1 | +| 5 | ಇಜೆಕ್ಷನ್ ಫ್ರಾಕ್ಷನ್ | ಸಂಖ್ಯಾತ್ಮಕ | ಪ್ರತಿ ಸಂಕುಚನೆಯಲ್ಲಿ ಹೃದಯದಿಂದ ರಕ್ತದ ಶೇಕಡಾವಾರು | 45 | +| 6 | ಉನ್ನತ ರಕ್ತದೊತ್ತಡ | ಬೂಲಿಯನ್ | ರೋಗಿಗೆ ಹೈಪರ್‌ಟೆನ್ಷನ್ ಇದೆಯೇ | 0 ಅಥವಾ 1 | +| 7 | ಪ್ಲೇಟ್ಲೆಟ್ಸ್ | ಸಂಖ್ಯಾತ್ಮಕ | ರಕ್ತದಲ್ಲಿನ ಪ್ಲೇಟ್ಲೆಟ್ಸ್ | 149000 | +| 8 | ಸೀರಮ್ ಕ್ರಿಯಾಟಿನಿನ್ | ಸಂಖ್ಯಾತ್ಮಕ | ರಕ್ತದಲ್ಲಿನ ಸೀರಮ್ ಕ್ರಿಯಾಟಿನಿನ್ ಮಟ್ಟ | 0.5 | +| 9 | ಸೀರಮ್ ಸೋಡಿಯಂ | ಸಂಖ್ಯಾತ್ಮಕ | ರಕ್ತದಲ್ಲಿನ ಸೀರಮ್ ಸೋಡಿಯಂ ಮಟ್ಟ | ಜೂನ್ | +| 10 | ಲಿಂಗ | ಬೂಲಿಯನ್ | ಮಹಿಳೆ ಅಥವಾ ಪುರುಷ | 0 ಅಥವಾ 1 | +| 11 | ಧೂಮಪಾನ | ಬೂಲಿಯನ್ | ರೋಗಿ ಧೂಮಪಾನ ಮಾಡುತ್ತಾನೆಯೇ | 0 ಅಥವಾ 1 | +| 12 | ಸಮಯ | ಸಂಖ್ಯಾತ್ಮಕ | ಅನುಸರಣೆ ಅವಧಿ (ದಿನಗಳು) | 4 | +|----|-------------------------|-----------------|-------------------------------------------------------|-------------------| +| 21 | DEATH_EVENT [ಗುರಿ] | ಬೂಲಿಯನ್ | ಅನುಸರಣೆ ಅವಧಿಯಲ್ಲಿ ರೋಗಿ ಸಾವು ಸಂಭವಿಸಿದೆಯೇ | 0 ಅಥವಾ 1 | + +ನೀವು ಡೇಟಾಸೆಟ್ ಪಡೆದ ನಂತರ, ನಾವು ಅಜೂರ್‌ನಲ್ಲಿ ಯೋಜನೆಯನ್ನು ಪ್ರಾರಂಭಿಸಬಹುದು. + +## 2. ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋದಲ್ಲಿ ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ಮಾದರಿ ತರಬೇತಿ +### 2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆ +ಅಜೂರ್ ಎಂಎಲ್‌ನಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ಮೊದಲು ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚಿಸಬೇಕು. ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ನ ಟಾಪ್-ಲೆವೆಲ್ ಸಂಪನ್ಮೂಲವಾಗಿದೆ, ನೀವು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಳಸುವಾಗ ರಚಿಸುವ ಎಲ್ಲಾ ವಸ್ತುಗಳನ್ನು ಕೇಂದ್ರಿತವಾಗಿ ನಿರ್ವಹಿಸಲು ಸ್ಥಳ ಒದಗಿಸುತ್ತದೆ. ವರ್ಕ್‌ಸ್ಪೇಸ್ ಎಲ್ಲಾ ತರಬೇತಿ ರನ್‌ಗಳ ಇತಿಹಾಸವನ್ನು, ಲಾಗ್‌ಗಳು, ಮೆಟ್ರಿಕ್ಸ್, ಔಟ್‌ಪುಟ್ ಮತ್ತು ನಿಮ್ಮ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳ ಸ্ন್ಯಾಪ್‌ಶಾಟ್ ಅನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ನೀವು ಈ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಯಾವ ತರಬೇತಿ ರನ್ ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂದು ನಿರ್ಧರಿಸಬಹುದು. [ಹೆಚ್ಚು ತಿಳಿಯಿರಿ](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +ನಿಮ್ಮ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಅತ್ಯಂತ ನವೀಕೃತ ಬ್ರೌಸರ್ ಬಳಸಲು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಕೆಳಗಿನ ಬ್ರೌಸರ್‌ಗಳು ಬೆಂಬಲಿತವಾಗಿವೆ: + +- ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಡ್ಜ್ (ಹೊಸ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಡ್ಜ್, ಇತ್ತೀಚಿನ ಆವೃತ್ತಿ. ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಡ್ಜ್ ಲೆಗಸಿ ಅಲ್ಲ) +- ಸಫಾರಿ (ಇತ್ತೀಚಿನ ಆವೃತ್ತಿ, ಮ್ಯಾಕ್ ಮಾತ್ರ) +- ಕ್ರೋಮ್ (ಇತ್ತೀಚಿನ ಆವೃತ್ತಿ) +- ಫೈರ್‌ಫಾಕ್ಸ್ (ಇತ್ತೀಚಿನ ಆವೃತ್ತಿ) + +ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಳಸಲು, ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್‌ನಲ್ಲಿ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚಿಸಿ. ನಂತರ ನೀವು ಈ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅನ್ನು ಡೇಟಾ, ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳು, ಕೋಡ್, ಮಾದರಿಗಳು ಮತ್ತು ನಿಮ್ಮ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಭಾರಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಇತರ ವಸ್ತುಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಬಳಸಬಹುದು. + +> **_ಗಮನಿಸಿ:_** ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ನಿಮ್ಮ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್‌ನಲ್ಲಿ ಇರುವವರೆಗೆ ಡೇಟಾ ಸಂಗ್ರಹಣೆಗೆ ಸಣ್ಣ ಶುಲ್ಕ ವಿಧಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಬಳಸದಾಗ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅನ್ನು ಅಳಿಸುವುದನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. + +1. ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕ್ರೆಡೆನ್ಷಿಯಲ್ಸ್ ಬಳಸಿ [ಅಜೂರ್ ಪೋರ್ಟಲ್](https://ms.portal.azure.com/) ಗೆ ಸೈನ್ ಇನ್ ಆಗಿ. +2. **＋ಸಂಪನ್ಮೂಲ ರಚಿಸಿ** ಆಯ್ಕೆಮಾಡಿ + + ![workspace-1](../../../../translated_images/workspace-1.ac8694d60b073ed1ae8333d71244dc8a9b3e439d54593724f98f1beefdd27b08.kn.png) + + ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಹುಡುಕಿ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಟೈಲ್ ಆಯ್ಕೆಮಾಡಿ + + ![workspace-2](../../../../translated_images/workspace-2.ae7c486db8796147075e4a56566aa819827dd6c4c8d18d64590317c3be625f17.kn.png) + + ರಚನೆ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ + + ![workspace-3](../../../../translated_images/workspace-3.398ca4a5858132cce584db9df10c5a011cd9075eb182e647a77d5cac01771eea.kn.png) + + ಕೆಳಗಿನಂತೆ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಭರ್ತಿ ಮಾಡಿ: + - ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್: ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್ + - ಸಂಪನ್ಮೂಲ ಗುಂಪು: ಸಂಪನ್ಮೂಲ ಗುಂಪನ್ನು ರಚಿಸಿ ಅಥವಾ ಆಯ್ಕೆಮಾಡಿ + - ವರ್ಕ್‌ಸ್ಪೇಸ್ ಹೆಸರು: ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ವಿಶಿಷ್ಟ ಹೆಸರು ನಮೂದಿಸಿ + - ಪ್ರದೇಶ: ನಿಮ್ಮ ಹತ್ತಿರದ ಭೌಗೋಳಿಕ ಪ್ರದೇಶ ಆಯ್ಕೆಮಾಡಿ + - ಸಂಗ್ರಹಣಾ ಖಾತೆ: ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ಹೊಸ ಡೀಫಾಲ್ಟ್ ಸಂಗ್ರಹಣಾ ಖಾತೆ ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ + - ಕೀ ವಾಲ್ಟ್: ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ಹೊಸ ಡೀಫಾಲ್ಟ್ ಕೀ ವಾಲ್ಟ್ ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ + - ಅಪ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್: ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ಗೆ ಹೊಸ ಡೀಫಾಲ್ಟ್ ಅಪ್ಲಿಕೇಶನ್ ಇನ್ಸೈಟ್ಸ್ ಸಂಪನ್ಮೂಲ ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ + - ಕಂಟೈನರ್ ರಿಜಿಸ್ಟ್ರಿ: ಇಲ್ಲ (ನೀವು ಮೊದಲ ಬಾರಿಗೆ ಮಾದರಿಯನ್ನು ಕಂಟೈನರ್‌ಗೆ ನಿಯೋಜಿಸುವಾಗ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸೃಷ್ಟಿಸಲಾಗುತ್ತದೆ) + + ![workspace-4](../../../../translated_images/workspace-4.bac87f6599c4df63e624fc2608990f965887bee551d9dedc71c687b43b986b6a.kn.png) + + - ರಚಿಸಿ + ಪರಿಶೀಲಿಸಿ ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು ನಂತರ ರಚನೆ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ +3. ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆಗೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು. ನಂತರ ಪೋರ್ಟಲ್‌ನಲ್ಲಿ ಅದಕ್ಕೆ ಹೋಗಿ. ನೀವು ಅದನ್ನು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಜೂರ್ ಸೇವೆಯ ಮೂಲಕ ಹುಡುಕಬಹುದು. +4. ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನ ಅವಲೋಕನ ಪುಟದಲ್ಲಿ, ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋವನ್ನು ಪ್ರಾರಂಭಿಸಿ (ಅಥವಾ ಹೊಸ ಬ್ರೌಸರ್ ಟ್ಯಾಬ್ ತೆರೆಯಿರಿ ಮತ್ತು https://ml.azure.com ಗೆ ಹೋಗಿ), ಮತ್ತು ನಿಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಖಾತೆ ಬಳಸಿ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋದಲ್ಲಿ ಸೈನ್ ಇನ್ ಆಗಿ. ಕೇಳಿದರೆ, ನಿಮ್ಮ ಅಜೂರ್ ಡೈರೆಕ್ಟರಿ ಮತ್ತು ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್ ಮತ್ತು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಆಯ್ಕೆಮಾಡಿ. + +![workspace-5](../../../../translated_images/workspace-5.a6eb17e0a5e6420018b08bdaf3755ce977f96f1df3ea363d2476a9dce7e15adb.kn.png) + +5. ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋದಲ್ಲಿ, ಎಡಮೇಲೆ ಇರುವ ☰ ಐಕಾನ್ ಅನ್ನು ಟಾಗಲ್ ಮಾಡಿ ಇಂಟರ್ಫೇಸ್‌ನ ವಿವಿಧ ಪುಟಗಳನ್ನು ವೀಕ್ಷಿಸಿ. ನೀವು ಈ ಪುಟಗಳನ್ನು ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಬಳಸಬಹುದು. + +![workspace-6](../../../../translated_images/workspace-6.8dd81fe841797ee17f8f73916769576260b16c4e17e850d277a49db35fd74a15.kn.png) + +ನೀವು ಅಜೂರ್ ಪೋರ್ಟಲ್ ಬಳಸಿ ನಿಮ್ಮ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಹುದು, ಆದರೆ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಾಚರಣೆ ಇಂಜಿನಿಯರ್‌ಗಳಿಗೆ, ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಹೆಚ್ಚು ಕೇಂದ್ರೀಕೃತ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ ಒದಗಿಸುತ್ತದೆ. + +### 2.2 ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳು + +ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳು ಕ್ಲೌಡ್ ಆಧಾರಿತ ಸಂಪನ್ಮೂಲಗಳು, ಅವುಗಳಲ್ಲಿ ನೀವು ಮಾದರಿ ತರಬೇತಿ ಮತ್ತು ಡೇಟಾ ಅನ್ವೇಷಣೆ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಡೆಸಬಹುದು. ನೀವು ರಚಿಸಬಹುದಾದ ನಾಲ್ಕು ವಿಧದ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳಿವೆ: + +- **ಗಣನೆ ಇನ್ಸ್ಟಾನ್ಸ್‌ಗಳು**: ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಡೇಟಾ ಮತ್ತು ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಬಳಸಬಹುದಾದ ಅಭಿವೃದ್ಧಿ ವರ್ಕ್‌ಸ್ಟೇಷನ್‌ಗಳು. ಇದರಲ್ಲಿ ವರ್ಚುವಲ್ ಮಷೀನ್ (VM) ರಚನೆ ಮತ್ತು ನೋಟ್ಬುಕ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಪ್ರಾರಂಭಿಸುವುದು ಸೇರಿದೆ. ನಂತರ ನೀವು ನೋಟ್ಬುಕ್‌ನಿಂದ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ಅನ್ನು ಕರೆದು ಮಾದರಿಯನ್ನು ತರಬೇತಿಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. +- **ಗಣನೆ ಕ್ಲಸ್ಟರ್‌ಗಳು**: ಪ್ರಯೋಗ ಕೋಡ್‌ನ ಆನ್-ಡಿಮ್ಯಾಂಡ್ ಪ್ರಕ್ರಿಯೆಗೆ VM ಗಳ ಸ್ಕೇಲಬಲ್ ಕ್ಲಸ್ಟರ್‌ಗಳು. ನೀವು ಮಾದರಿ ತರಬೇತಿಗೆ ಇದನ್ನು ಬಳಸುತ್ತೀರಿ. ಗಣನೆ ಕ್ಲಸ್ಟರ್‌ಗಳು ವಿಶೇಷ GPU ಅಥವಾ CPU ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸಹ ಬಳಸಬಹುದು. +- **ಅನುವಾದ ಕ್ಲಸ್ಟರ್‌ಗಳು**: ನಿಮ್ಮ ತರಬೇತುದಾರ ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ಭವಿಷ್ಯವಾಣಿ ಸೇವೆಗಳ ನಿಯೋಜನೆ ಗುರಿಗಳು. +- **ಸಂಯೋಜಿತ ಗಣನೆ**: ವಾಸ್ತವಿಕ ಯಂತ್ರಗಳು ಅಥವಾ ಅಜೂರ್ ಡೇಟಾಬ್ರಿಕ್ಸ್ ಕ್ಲಸ್ಟರ್‌ಗಳಂತಹ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅಜೂರ್ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಲಿಂಕ್‌ಗಳು. + + +#### 2.2.1 ನಿಮ್ಮ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಸರಿಯಾದ ಆಯ್ಕೆಗಳನ್ನು ಮಾಡುವುದು + +ಗಣನೆ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸುವಾಗ ಪರಿಗಣಿಸಬೇಕಾದ ಕೆಲವು ಪ್ರಮುಖ ಅಂಶಗಳಿವೆ ಮತ್ತು ಆ ಆಯ್ಕೆಗಳು ಮಹತ್ವದ ನಿರ್ಧಾರಗಳಾಗಬಹುದು. + +**ನೀವು CPU ಅಥವಾ GPU ಬೇಕೇ?** + +CPU (ಸೆಂಟ್ರಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯೂನಿಟ್) ಎಂದರೆ ಕಂಪ್ಯೂಟರ್ ಪ್ರೋಗ್ರಾಂ ಒಳಗೊಂಡ ಸೂಚನೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸರ್ಕ್ಯೂಟ್. GPU (ಗ್ರಾಫಿಕ್ಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯೂನಿಟ್) ಎಂದರೆ ಅತ್ಯಂತ ವೇಗವಾಗಿ ಗ್ರಾಫಿಕ್ಸ್ ಸಂಬಂಧಿತ ಕೋಡ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು ವಿಶೇಷವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸರ್ಕ್ಯೂಟ್. + +CPU ಮತ್ತು GPU ವಾಸ್ತುಶಿಲ್ಪದ ಮುಖ್ಯ ವ್ಯತ್ಯಾಸವೆಂದರೆ CPU ವೇಗವಾಗಿ ವಿವಿಧ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ (CPU ಕ್ಲಾಕ್ ವೇಗದಿಂದ ಅಳೆಯಲ್ಪಡುವುದು), ಆದರೆ ಕಾರ್ಯಗಳ ಸಮಕಾಲೀನತೆಯಲ್ಲಿ ಮಿತಿಯಿದೆ. GPU ಗಳು ಸಮಾಂತರ ಗಣನೆಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲ್ಪಟ್ಟಿದ್ದು, ಆದುದರಿಂದ ಆಳವಾದ ಕಲಿಕೆ ಕಾರ್ಯಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿವೆ. + +| CPU | GPU | +|-----------------------------------------|-----------------------------| +| ಕಡಿಮೆ ವೆಚ್ಚದ | ಹೆಚ್ಚು ವೆಚ್ಚದ | +| ಕಡಿಮೆ ಮಟ್ಟದ ಸಮಕಾಲೀನತೆ | ಹೆಚ್ಚು ಮಟ್ಟದ ಸಮಕಾಲೀನತೆ | +| ಆಳವಾದ ಕಲಿಕೆ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿಯಲ್ಲಿ ನಿಧಾನ | ಆಳವಾದ ಕಲಿಕೆಗೆ ಸೂಕ್ತ | + + +**ಕ್ಲಸ್ಟರ್ ಗಾತ್ರ** + +ದೊಡ್ಡ ಕ್ಲಸ್ಟರ್‌ಗಳು ಹೆಚ್ಚು ವೆಚ್ಚದಾಗಿವೆ ಆದರೆ ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯಾಶೀಲತೆಯನ್ನು ನೀಡುತ್ತವೆ. ಆದ್ದರಿಂದ, ನಿಮಗೆ ಸಮಯವಿದ್ದರೂ ಹಣ ಕಡಿಮೆ ಇದ್ದರೆ, ನೀವು ಸಣ್ಣ ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಬೇಕು. ವಿರುದ್ಧವಾಗಿ, ನಿಮಗೆ ಹಣ ಇದ್ದರೂ ಸಮಯ ಕಡಿಮೆ ಇದ್ದರೆ, ನೀವು ದೊಡ್ಡ ಕ್ಲಸ್ಟರ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಬೇಕು. + +**VM ಗಾತ್ರ** + +ನಿಮ್ಮ ಸಮಯ ಮತ್ತು ಬಜೆಟ್ ನಿರ್ಬಂಧಗಳ ಆಧಾರದ ಮೇಲೆ, ನೀವು ನಿಮ್ಮ RAM, ಡಿಸ್ಕ್, ಕೋರ್‌ಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಕ್ಲಾಕ್ ವೇಗವನ್ನು ಬದಲಾಯಿಸಬಹುದು. ಈ ಎಲ್ಲಾ ಪರಿಮಾಣಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದು ಹೆಚ್ಚು ವೆಚ್ಚದಾಗುತ್ತದೆ, ಆದರೆ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ. + +**ನಿರ್ದಿಷ್ಟ ಅಥವಾ ಕಡಿಮೆ ಪ್ರಾಥಮಿಕತೆ ಇರುವ ಉದಾಹರಣೆಗಳು?** + +ಕಡಿಮೆ ಪ್ರಾಥಮಿಕತೆ ಇರುವ ಉದಾಹರಣೆ ಎಂದರೆ ಅದು ಮಧ್ಯಂತರವಾಗಬಹುದು: ಅರ್ಥಾತ್, ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್ ಆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ತೆಗೆದುಕೊಂಡು ಬೇರೆ ಕಾರ್ಯಕ್ಕೆ ನಿಯೋಜಿಸಬಹುದು, ಹೀಗಾಗಿ ಕೆಲಸವನ್ನು ಮಧ್ಯಂತರಗೊಳಿಸುತ್ತದೆ. ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆ ಅಥವಾ ಮಧ್ಯಂತರವಲ್ಲದ ಉದಾಹರಣೆ ಎಂದರೆ ನಿಮ್ಮ ಅನುಮತಿಯಿಲ್ಲದೆ ಕೆಲಸವನ್ನು ಎಂದಿಗೂ ನಿಲ್ಲಿಸಲಾಗುವುದಿಲ್ಲ. +ಇದು ಸಮಯ ಮತ್ತು ಹಣದ ಮತ್ತೊಂದು ಪರಿಗಣನೆ, ಏಕೆಂದರೆ ಮಧ್ಯಂತರ ಉದಾಹರಣೆಗಳು ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಗಳಿಗಿಂತ ಕಡಿಮೆ ವೆಚ್ಚದವಾಗಿವೆ. + +#### 2.2.2 ಗಣನೆ ಕ್ಲಸ್ಟರ್ ರಚನೆ + +ನಾವು ಮೊದಲು ರಚಿಸಿದ [ಅಜೂರ್ ML ವರ್ಕ್‌ಸ್ಪೇಸ್](https://ml.azure.com/) ನಲ್ಲಿ, ಗಣನೆಗೆ ಹೋಗಿ ನಾವು ಈಗಾಗಲೇ ಚರ್ಚಿಸಿದ ವಿವಿಧ ಗಣನೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಬಹುದು (ಅಂದರೆ ಗಣನೆ ಉದಾಹರಣೆಗಳು, ಗಣನೆ ಕ್ಲಸ್ಟರ್‌ಗಳು, ಅನುವಾದ ಕ್ಲಸ್ಟರ್‌ಗಳು ಮತ್ತು ಸಂಯೋಜಿತ ಗಣನೆ). ಈ ಯೋಜನೆಗಾಗಿ, ನಮಗೆ ಮಾದರಿ ತರಬೇತಿಗೆ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ಬೇಕಾಗುತ್ತದೆ. ಸ್ಟುಡಿಯೋದಲ್ಲಿ, "Compute" ಮೆನು ಕ್ಲಿಕ್ ಮಾಡಿ, ನಂತರ "Compute cluster" ಟ್ಯಾಬ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು "+ New" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ರಚಿಸಲು. + +![22](../../../../translated_images/cluster-1.b78cb630bb543729b11f60c34d97110a263f8c27b516ba4dc47807b3cee5579f.kn.png) + +1. ನಿಮ್ಮ ಆಯ್ಕೆಗಳನ್ನು ಆರಿಸಿ: ನಿರ್ದಿಷ್ಟ ವಿರುದ್ಧ ಕಡಿಮೆ ಪ್ರಾಥಮಿಕತೆ, CPU ಅಥವಾ GPU, VM ಗಾತ್ರ ಮತ್ತು ಕೋರ್ ಸಂಖ್ಯೆ (ಈ ಯೋಜನೆಗಾಗಿ ಡೀಫಾಲ್ಟ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಇಡಬಹುದು). +2. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + +![23](../../../../translated_images/cluster-2.ea30cdbc9f926bb9e05af3fdbc1f679811c796dc2a6847f935290aec15526e88.kn.png) + +3. ಕ್ಲಸ್ಟರ್‌ಗೆ ಗಣನೆ ಹೆಸರು ನೀಡಿ +4. ನಿಮ್ಮ ಆಯ್ಕೆಗಳನ್ನು ಆರಿಸಿ: ಕನಿಷ್ಠ/ಗರಿಷ್ಠ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆ, ಸ್ಕೇಲ್ ಡೌನ್ ಮಾಡುವ ಮೊದಲು ನಿರ್ಜೀವ ಸೆಕೆಂಡುಗಳು, SSH ಪ್ರವೇಶ. ಕನಿಷ್ಠ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆ 0 ಇದ್ದರೆ, ಕ್ಲಸ್ಟರ್ ನಿರ್ಜೀವವಾಗಿರುವಾಗ ನೀವು ಹಣ ಉಳಿಸಬಹುದು. ಗರಿಷ್ಠ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದರೆ ತರಬೇತಿ ಕಡಿಮೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಶಿಫಾರಸು ಮಾಡಲಾದ ಗರಿಷ್ಠ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆ 3. +5. "Create" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು. + +![29](../../../../translated_images/cluster-3.8a334bc070ec173a329ce5abd2a9d727542e83eb2347676c9af20f2c8870b3e7.kn.png) + +ಅದ್ಭುತ! ಈಗ ನಮಗೆ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ಇದೆ, ನಾವು ಡೇಟಾವನ್ನು ಅಜೂರ್ ML ಸ್ಟುಡಿಯೋಗೆ ಲೋಡ್ ಮಾಡಬೇಕಾಗಿದೆ. + +### 2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು + +1. ನಾವು ಮೊದಲು ರಚಿಸಿದ [ಅಜೂರ್ ML ವರ್ಕ್‌ಸ್ಪೇಸ್](https://ml.azure.com/) ನಲ್ಲಿ, ಎಡ ಮೆನುದಲ್ಲಿ "Datasets" ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು "+ Create dataset" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಡೇಟಾಸೆಟ್ ರಚಿಸಲು. "From local files" ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು ನಾವು ಮೊದಲು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿದ ಕಾಗಲ್ ಡೇಟಾಸೆಟ್ ಆಯ್ಕೆಮಾಡಿ. + + ![24](../../../../translated_images/dataset-1.e86ab4e10907a6e9c2a72577b51db35f13689cb33702337b8b7032f2ef76dac2.kn.png) + +2. ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ಗೆ ಹೆಸರು, ಪ್ರಕಾರ ಮತ್ತು ವಿವರಣೆ ನೀಡಿ. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. ಫೈಲ್‌ಗಳಿಂದ ಡೇಟಾ ಅಪ್‌ಲೋಡ್ ಮಾಡಿ. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + + ![25](../../../../translated_images/dataset-2.f58de1c435d5bf9ccb16ccc5f5d4380eb2b50affca85cfbf4f97562bdab99f77.kn.png) + +3. ಸ್ಕೀಮಾ‌ನಲ್ಲಿ, ಕೆಳಗಿನ ವೈಶಿಷ್ಟ್ಯಗಳಿಗಾಗಿ ಡೇಟಾ ಪ್ರಕಾರವನ್ನು ಬೂಲಿಯನ್‌ಗೆ ಬದಲಾಯಿಸಿ: ಅನೀಮಿಯಾ, ಡಯಾಬಿಟಿಸ್, ಹೈ ಬ್ಲಡ್ ಪ್ರೆಶರ್, ಲಿಂಗ, ಧೂಮಪಾನ, ಮತ್ತು DEATH_EVENT. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು ರಚಿಸಿ ಕ್ಲಿಕ್ ಮಾಡಿ. + + ![26](../../../../translated_images/dataset-3.58db8c0eb783e89236a02bbce5bb4ba808d081a87d994d5284b1ae59928c95bf.kn.png) + +ಚೆನ್ನಾಗಿದೆ! ಈಗ ಡೇಟಾಸೆಟ್ ಸಿದ್ಧವಾಗಿದೆ ಮತ್ತು ಗಣನೆ ಕ್ಲಸ್ಟರ್ ರಚಿಸಲಾಗಿದೆ, ನಾವು ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಪ್ರಾರಂಭಿಸಬಹುದು! + +### 2.4 ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ತರಬೇತಿ AutoML ಮೂಲಕ + +ಪಾರಂಪರಿಕ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಅಭಿವೃದ್ಧಿ ಸಂಪನ್ಮೂಲ-ತೀವ್ರ, ಮಹತ್ವದ ಕ್ಷೇತ್ರ ಜ್ಞಾನ ಮತ್ತು ಸಮಯವನ್ನು ಅಗತ್ಯವಿದೆ ಮತ್ತು ಅನೇಕ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಿ ಹೋಲಿಸಲು ಬೇಕಾಗುತ್ತದೆ. +ಸ್ವಯಂಚಾಲಿತ ಯಂತ್ರ ಕಲಿಕೆ (AutoML) ಎಂದರೆ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಅಭಿವೃದ್ಧಿಯ ಸಮಯ-ತೀವ್ರ, ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆ. ಇದು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು, ವಿಶ್ಲೇಷಕರು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಉತ್ಪಾದಕತೆ ಜೊತೆಗೆ ML ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ಮತ್ತು ಮಾದರಿ ಗುಣಮಟ್ಟವನ್ನು ಕಾಪಾಡುತ್ತದೆ. ಇದು ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧ ML ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲು ಬೇಕಾದ ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಸುಲಭ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ. [ಹೆಚ್ಚು ತಿಳಿಯಿರಿ](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +1. ನಾವು ಮೊದಲು ರಚಿಸಿದ [ಅಜೂರ್ ML ವರ್ಕ್‌ಸ್ಪೇಸ್](https://ml.azure.com/) ನಲ್ಲಿ ಎಡ ಮೆನುದಲ್ಲಿ "Automated ML" ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು ನೀವು appena ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ ಡೇಟಾಸೆಟ್ ಆಯ್ಕೆಮಾಡಿ. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + + ![27](../../../../translated_images/aml-1.67281a85d3a1e2f34eb367b2d0f74e1039d13396e510f363cd8766632106d1ec.kn.png) + +2. ಹೊಸ ಪ್ರಯೋಗದ ಹೆಸರು, ಗುರಿ ಕಾಲಮ್ (DEATH_EVENT) ಮತ್ತು ನಾವು ರಚಿಸಿದ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ನಮೂದಿಸಿ. ಮುಂದಿನ ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + + ![28](../../../../translated_images/aml-2.c9fb9cffb39ccbbe21ab9810ae937195d41a489744e15cff2b8477ed4dcae1ec.kn.png) + +3. "Classification" ಆಯ್ಕೆ ಮಾಡಿ ಮತ್ತು Finish ಕ್ಲಿಕ್ ಮಾಡಿ. ಈ ಹಂತವು ನಿಮ್ಮ ಗಣನೆ ಕ್ಲಸ್ಟರ್ ಗಾತ್ರದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿ 30 ನಿಮಿಷದಿಂದ 1 ಗಂಟೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. + + ![30](../../../../translated_images/aml-3.a7952e4295f38cc6cdb0c7ed6dc71ea756b7fb5697ec126bc1220f87c5fa9231.kn.png) + +4. ರನ್ ಪೂರ್ಣಗೊಂಡ ನಂತರ, "Automated ML" ಟ್ಯಾಬ್ ಕ್ಲಿಕ್ ಮಾಡಿ, ನಿಮ್ಮ ರನ್ ಕ್ಲಿಕ್ ಮಾಡಿ, ಮತ್ತು "Best model summary" ಕಾರ್ಡ್‌ನಲ್ಲಿನ ಆಲ್ಗೋರಿದಮ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + + ![31](../../../../translated_images/aml-4.7a627e09cb6f16d0aa246059d9faee3d1725cc4258d0c8df15e801f73afc7e2c.kn.png) + +ಇಲ್ಲಿ ನೀವು AutoML ರಚಿಸಿದ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯ ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ನೋಡಬಹುದು. ನೀವು ಮಾದರಿಗಳ ಟ್ಯಾಬ್‌ನಲ್ಲಿ ಇತರ ಮಾದರಿಗಳನ್ನು ಸಹ ಅನ್ವೇಷಿಸಬಹುದು. ವಿವರಣೆಗಳಲ್ಲಿ (ಪೂರ್ವವೀಕ್ಷಣಾ ಬಟನ್) ಕೆಲವು ನಿಮಿಷಗಳನ್ನು ತೆಗೆದು ಮಾದರಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ನೀವು ಬಳಸಲು ಬಯಸುವ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿದ ನಂತರ (ಇಲ್ಲಿ ನಾವು AutoML ಆಯ್ಕೆಮಾಡಿದ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತೇವೆ), ನಾವು ಅದನ್ನು ಹೇಗೆ ನಿಯೋಜಿಸಬಹುದು ಎಂದು ನೋಡೋಣ. + +## 3. ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ಮಾದರಿ ನಿಯೋಜನೆ ಮತ್ತು ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಕೆ +### 3.1 ಮಾದರಿ ನಿಯೋಜನೆ + +ಸ್ವಯಂಚಾಲಿತ ಯಂತ್ರ ಕಲಿಕೆ ಇಂಟರ್ಫೇಸ್ ನಿಮಗೆ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ವೆಬ್ ಸೇವೆಯಾಗಿ ಕೆಲವು ಹಂತಗಳಲ್ಲಿ ನಿಯೋಜಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ನಿಯೋಜನೆ ಎಂದರೆ ಮಾದರಿಯನ್ನು ಸಂಯೋಜಿಸುವುದು, ಅದು ಹೊಸ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಮಾಡಬಹುದು ಮತ್ತು ಸಾಧ್ಯತೆಗಳ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಬಹುದು. ಈ ಯೋಜನೆಗಾಗಿ, ವೆಬ್ ಸೇವೆಗೆ ನಿಯೋಜನೆ ಎಂದರೆ ವೈದ್ಯಕೀಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಮಾದರಿಯನ್ನು ಬಳಸಿ ತಮ್ಮ ರೋಗಿಗಳ ಹೃದಯಾಘಾತದ ಅಪಾಯವನ್ನು ನೇರವಾಗಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. + +ಅತ್ಯುತ್ತಮ ಮಾದರಿ ವಿವರಣೆಯಲ್ಲಿ, "Deploy" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + +![deploy-1](../../../../translated_images/deploy-1.ddad725acadc84e34553c3d09e727160faeb32527a9fb8b904c0f99235a34bb6.kn.png) + +15. ಅದಕ್ಕೆ ಹೆಸರು, ವಿವರಣೆ, ಗಣನೆ ಪ್ರಕಾರ (Azure Container Instance), ಪ್ರಮಾಣೀಕರಣ ಸಕ್ರಿಯಗೊಳಿಸಿ ಮತ್ತು Deploy ಕ್ಲಿಕ್ ಮಾಡಿ. ಈ ಹಂತವು ಪೂರ್ಣಗೊಳ್ಳಲು ಸುಮಾರು 20 ನಿಮಿಷ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ನಿಯೋಜನೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ನೋಂದಾಯಿಸುವುದು, ಸಂಪನ್ಮೂಲಗಳನ್ನು ರಚಿಸುವುದು ಮತ್ತು ಅವುಗಳನ್ನು ವೆಬ್ ಸೇವೆಗೆ ಸಂರಚಿಸುವುದು ಸೇರಿವೆ. Deploy ಸ್ಥಿತಿಯಡಿ ಸ್ಥಿತಿ ಸಂದೇಶ ಕಾಣಿಸುತ್ತದೆ. ನಿಯೋಜನೆ ಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸಲು Refresh periodically ಆಯ್ಕೆಮಾಡಿ. ಸ್ಥಿತಿ "Healthy" ಆಗಿದ್ದಾಗ ಅದು ನಿಯೋಜಿತ ಮತ್ತು ಚಾಲನೆಯಲ್ಲಿ ಇದೆ. + +![deploy-2](../../../../translated_images/deploy-2.94dbb13f239086473aa4bf814342fd40483d136849b080f02bafbb995383940e.kn.png) + +16. ನಿಯೋಜನೆಯಾದ ನಂತರ, Endpoint ಟ್ಯಾಬ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು ನೀವು appena ನಿಯೋಜಿಸಿದ ಎಂಡ್ಪಾಯಿಂಟ್ ಕ್ಲಿಕ್ ಮಾಡಿ. ಇಲ್ಲಿ ನೀವು ಎಂಡ್ಪಾಯಿಂಟ್ ಬಗ್ಗೆ ಬೇಕಾದ ಎಲ್ಲಾ ವಿವರಗಳನ್ನು ಕಾಣಬಹುದು. + +![deploy-3](../../../../translated_images/deploy-3.fecefef070e8ef3b28e802326d107f61ac4e672d20bf82d05f78d025f9e6c611.kn.png) + +ಅದ್ಭುತ! ಈಗ ನಮಗೆ ಮಾದರಿ ನಿಯೋಜಿಸಲಾಗಿದೆ, ನಾವು ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಕೆಯನ್ನು ಪ್ರಾರಂಭಿಸಬಹುದು. + +### 3.2 ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಕೆ + +"Consume" ಟ್ಯಾಬ್ ಕ್ಲಿಕ್ ಮಾಡಿ. ಇಲ್ಲಿ ನೀವು REST ಎಂಡ್ಪಾಯಿಂಟ್ ಮತ್ತು ಪೈಥಾನ್ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬಳಕೆ ಆಯ್ಕೆಯಲ್ಲಿ ಕಾಣಬಹುದು. ಪೈಥಾನ್ ಕೋಡ್ ಓದಲು ಸ್ವಲ್ಪ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಿ. + +ಈ ಸ್ಕ್ರಿಪ್ಟ್ ನೇರವಾಗಿ ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಿಂದ ಚಾಲನೆ ಮಾಡಬಹುದು ಮತ್ತು ನಿಮ್ಮ ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಬಳಕೆ ಮಾಡುತ್ತದೆ. + +![35](../../../../translated_images/consumption-1.700abd196452842a020c7d745908637a6e4c5c50494ad1217be80e283e0de154.kn.png) + +ಆ ಎರಡು ಸಾಲುಗಳ ಕೋಡ್ ಪರಿಶೀಲಿಸಲು ಒಂದು ಕ್ಷಣ ತೆಗೆದುಕೊಳ್ಳಿ: + +```python +url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score' +api_key = '' # ವೆಬ್ ಸೇವೆಯ API ಕೀಲಿಯನ್ನು ಇದರಿಂದ ಬದಲಾಯಿಸಿ +``` +`url` ಚರವು REST ಎಂಡ್ಪಾಯಿಂಟ್ ಆಗಿದ್ದು consume ಟ್ಯಾಬ್‌ನಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ ಮತ್ತು `api_key` ಚರವು ಪ್ರಾಥಮಿಕ ಕೀ ಆಗಿದ್ದು consume ಟ್ಯಾಬ್‌ನಲ್ಲಿ (ನೀವು ಪ್ರಮಾಣೀಕರಣ ಸಕ್ರಿಯಗೊಳಿಸಿದ್ದರೆ ಮಾತ್ರ) ಕಂಡುಬರುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ ಸ್ಕ್ರಿಪ್ಟ್ ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಬಳಕೆ ಮಾಡಬಹುದು. + +18. ಸ್ಕ್ರಿಪ್ಟ್ ಚಾಲನೆ ಮಾಡಿದಾಗ, ನೀವು ಕೆಳಗಿನ ಔಟ್‌ಪುಟ್ ನೋಡಬಹುದು: + ```python + b'"{\\"result\\": [true]}"' + ``` +ಇದು ನೀಡಲಾದ ಡೇಟಾದ ಹೃದಯ ವೈಫಲ್ಯದ ಭವಿಷ್ಯವಾಣಿ ಸತ್ಯವಾಗಿದೆ ಎಂದು ಅರ್ಥ. ಇದು ಅರ್ಥಪೂರ್ಣ, ಏಕೆಂದರೆ ನೀವು ಸ್ಕ್ರಿಪ್ಟ್‌ನಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲಾದ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಗಮನಿಸಿದರೆ, ಎಲ್ಲವೂ ಡೀಫಾಲ್ಟ್ ಆಗಿ 0 ಮತ್ತು ತಪ್ಪು ಆಗಿವೆ. ನೀವು ಕೆಳಗಿನ ಇನ್‌ಪುಟ್ ಮಾದರಿಯನ್ನು ಬಳಸಿ ಡೇಟಾವನ್ನು ಬದಲಾಯಿಸಬಹುದು: + +```python +data = { + "data": + [ + { + 'age': "0", + 'anaemia': "false", + 'creatinine_phosphokinase': "0", + 'diabetes': "false", + 'ejection_fraction': "0", + 'high_blood_pressure': "false", + 'platelets': "0", + 'serum_creatinine': "0", + 'serum_sodium': "0", + 'sex': "false", + 'smoking': "false", + 'time': "0", + }, + { + 'age': "60", + 'anaemia': "false", + 'creatinine_phosphokinase': "500", + 'diabetes': "false", + 'ejection_fraction': "38", + 'high_blood_pressure': "false", + 'platelets': "260000", + 'serum_creatinine': "1.40", + 'serum_sodium': "137", + 'sex': "false", + 'smoking': "false", + 'time': "130", + }, + ], +} +``` +ಸ್ಕ್ರಿಪ್ಟ್ ಹೀಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಬೇಕು: + ```python + b'"{\\"result\\": [true, false]}"' + ``` + +ಅಭಿನಂದನೆಗಳು! ನೀವು appena ನಿಯೋಜಿಸಿದ ಮತ್ತು ಅಜೂರ್ ML ನಲ್ಲಿ ತರಬೇತುದಾರ ಮಾದರಿಯನ್ನು ಬಳಕೆ ಮಾಡಿದ್ದೀರಿ! + +> **_ಗಮನಿಸಿ:_** ಯೋಜನೆ ಮುಗಿದ ನಂತರ, ಎಲ್ಲಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅಳಿಸುವುದನ್ನು ಮರೆತಬೇಡಿ. +## 🚀 ಸವಾಲು + +AutoML ರಚಿಸಿದ ಶ್ರೇಷ್ಠ ಮಾದರಿಗಳ ವಿವರಣೆಗಳು ಮತ್ತು ವಿವರಗಳನ್ನು ಗಮನದಿಂದ ನೋಡಿ. ಶ್ರೇಷ್ಠ ಮಾದರಿ ಇತರ ಮಾದರಿಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿರುವ ಕಾರಣವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸಿ. ಯಾವ ಆಲ್ಗೋರಿದಮ್‌ಗಳನ್ನು ಹೋಲಿಸಲಾಗಿದೆ? ಅವುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಏನು? ಈ ಪ್ರಕರಣದಲ್ಲಿ ಶ್ರೇಷ್ಠ ಮಾದರಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಾರಣವೇನು? + +## [ಪೋಸ್ಟ್-ಲೆಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/35) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಹೃದಯ ವೈಫಲ್ಯದ ಅಪಾಯವನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಮಾದರಿಯನ್ನು ತರಬೇತು, ನಿಯೋಜಿಸಿ ಮತ್ತು ಬಳಕೆ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ಕಲಿತಿರಿ. ನೀವು ಇನ್ನೂ ಮಾಡದಿದ್ದರೆ, AutoML ರಚಿಸಿದ ಶ್ರೇಷ್ಠ ಮಾದರಿಗಳ ವಿವರಣೆಗಳನ್ನು ಆಳವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಿ ಮತ್ತು ಶ್ರೇಷ್ಠ ಮಾದರಿ ಇತರ ಮಾದರಿಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿರುವ ಕಾರಣವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. + +ನೀವು ಈ [ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಓದಿ ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ AutoML ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಬಹುದು. + +## ಹುದ್ದೆ + +[ಅಜೂರ್ ML ನಲ್ಲಿ ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆ](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/assignment.md b/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/assignment.md new file mode 100644 index 00000000..66e68845 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/18-Low-Code/assignment.md @@ -0,0 +1,27 @@ + +# ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್ ಆನ್ ಅಜೂರ್ ಎಂಎಲ್ + +## ಸೂಚನೆಗಳು + +ನಾವು ಅಜೂರ್ ಎಂಎಲ್ ವೇದಿಕೆಯನ್ನು ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡುವುದನ್ನು ಹೇಗೆ ಮಾಡುವುದು ಎಂದು ನೋಡಿದೆವು. ಈಗ ನೀವು ಇನ್ನೊಂದು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ನಿಯೋಜಿಸಲು ಮತ್ತು ಬಳಸಲು ಬಳಸಬಹುದಾದ ಕೆಲವು ಡೇಟಾವನ್ನು ಹುಡುಕಿ. ನೀವು [Kaggle](https://kaggle.com) ಮತ್ತು [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ನಲ್ಲಿ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹುಡುಕಬಹುದು. + +## ರೂಬ್ರಿಕ್ + +| ಉದಾಹರಣೀಯ | ಯೋಗ್ಯ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ | +|-----------|----------|-------------------| +|ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವಾಗ ಅಗತ್ಯವಿದ್ದರೆ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಕಾರವನ್ನು ಬದಲಾಯಿಸುವುದನ್ನು ನೀವು ಗಮನಿಸಿದ್ದೀರಿ. ಅಗತ್ಯವಿದ್ದರೆ ಡೇಟಾವನ್ನು ನೀವು ಶುದ್ಧೀಕರಿಸಿದ್ದೀರಿ. ನೀವು AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ ಮತ್ತು ಮಾದರಿ ವಿವರಣೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೀರಿ. ನೀವು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. |ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡುವಾಗ ಅಗತ್ಯವಿದ್ದರೆ ವೈಶಿಷ್ಟ್ಯದ ಪ್ರಕಾರವನ್ನು ಬದಲಾಯಿಸುವುದನ್ನು ನೀವು ಗಮನಿಸಿದ್ದೀರಿ. ನೀವು AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ, ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. |ನೀವು AutoML ಮೂಲಕ ತರಬೇತಿಗೊಂಡ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. | + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/19-Azure/README.md b/translations/kn/5-Data-Science-In-Cloud/19-Azure/README.md new file mode 100644 index 00000000..9eb00b15 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/19-Azure/README.md @@ -0,0 +1,325 @@ + +# ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ" ವಿಧಾನ + +|![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರಿಂದ ಸ್ಕೆಚ್‌ನೋಟ್ ](../../sketchnotes/19-DataScience-Cloud.png)| +|:---:| +| ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ - _[@nitya](https://twitter.com/nitya) ಅವರಿಂದ ಸ್ಕೆಚ್‌ನೋಟ್_ | + +ವಿಷಯಗಳ ಪಟ್ಟಿಃ + +- [ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ" ವಿಧಾನ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1. ಪರಿಚಯ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.1 ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಎಂದರೆ ಏನು?](../../../../5-Data-Science-In-Cloud/19-Azure) + - [1.2 ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಪರಿಚಯ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.2 ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚನೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.4 ನೋಟ್ಬುಕ್‌ಗಳು ರಚಿಸುವುದು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5 ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.1 ವರ್ಕ್‌ಸ್ಪೇಸ್, ಪ್ರಯೋಗ, ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಸೆಟ್‌ಅಪ್](../../../../5-Data-Science-In-Cloud/19-Azure) + - [2.5.2 ಆಟೋಎಂಎಲ್ ಸಂರಚನೆ ಮತ್ತು ತರಬೇತಿ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾದರಿ ನಿಯೋಜನೆ ಮತ್ತು ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.1 ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಉಳಿಸುವುದು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.2 ಮಾದರಿ ನಿಯೋಜನೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [3.3 ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [🚀 ಸವಾಲು](../../../../5-Data-Science-In-Cloud/19-Azure) + - [ಪೋಸ್ಟ್-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](../../../../5-Data-Science-In-Cloud/19-Azure) + - [ಪುನರ್ ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ](../../../../5-Data-Science-In-Cloud/19-Azure) + - [ಕಾರ್ಯನಿರ್ವಹಣೆ](../../../../5-Data-Science-In-Cloud/19-Azure) + +## [ಪೂರ್ವ-ಲೇಕ್ಚರ್ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/36) + +## 1. ಪರಿಚಯ + +### 1.1 ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಎಂದರೆ ಏನು? + +ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು AI ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸೇವೆಯೊಂದಿಗೆ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ನಿರ್ಮಿಸಿ ಮತ್ತು ಚಾಲನೆ ಮಾಡುತ್ತಾರೆ. ನೀವು ಯಾವುದೇ ಪೈಥಾನ್ ಪರಿಸರದಲ್ಲಿ, ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳು, ವಿಸುಯಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ ಅಥವಾ ನಿಮ್ಮ ಇಷ್ಟದ ಪೈಥಾನ್ ಐಡಿಇ ಸೇರಿದಂತೆ, ಸೇವೆಯೊಂದಿಗೆ ಸಂವಹನ ಮಾಡಬಹುದು. + +ಎಸ್‌ಡಿಕೆ ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳು: + +- ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಬಳಸುವ ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ಗಳ ಜೀವನಚಕ್ರವನ್ನು ಅನ್ವೇಷಿಸಿ, ಸಿದ್ಧಪಡಿಸಿ ಮತ್ತು ನಿರ್ವಹಿಸಿ. +- ನಿಮ್ಮ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ, ಲಾಗಿಂಗ್ ಮತ್ತು ಸಂಘಟಿಸಲು ಕ್ಲೌಡ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನಿರ್ವಹಿಸಿ. +- ಸ್ಥಳೀಯವಾಗಿ ಅಥವಾ GPU-ವೇಗವರ್ಧಿತ ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಒಳಗೊಂಡಂತೆ ಕ್ಲೌಡ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬಳಸಿ ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಿ. +- ಸ್ವಯಂಚಾಲಿತ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಳಸಿ, ಇದು ಸಂರಚನಾ ಪರಿಮಾಣಗಳು ಮತ್ತು ತರಬೇತಿ ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ. ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಲ್ಗಾರಿಥಮ್‌ಗಳು ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳ ಮೂಲಕ ಸುತ್ತುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಗೆ ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತದೆ. +- ನಿಮ್ಮ ತರಬೇತಿಗೊಂಡ ಮಾದರಿಗಳನ್ನು RESTful ಸೇವೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಿ, ಯಾವುದೇ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಸೇವೆಗಳನ್ನು ಉಪಯೋಗಿಸಲು ವೆಬ್ ಸೇವೆಗಳನ್ನು ನಿಯೋಜಿಸಿ. + +[ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್‌ಡಿಕೆ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿಯಿರಿ](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) + +[ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ](../18-Low-Code/README.md), ನಾವು ಕಡಿಮೆ ಕೋಡ್/ಕೋಡ್ ಇಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡುವುದು ಹೇಗೆ ಎಂದು ನೋಡಿದ್ದೇವೆ. ನಾವು ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್ ಬಳಸಿ ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಮಾದರಿಯನ್ನು ರಚಿಸಿದ್ದೇವೆ. ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಅದೇ ಕಾರ್ಯವನ್ನು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾಡಲಿದ್ದೇವೆ. + +![project-schema](../../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.kn.png) + +### 1.2 ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಪರಿಚಯ + +ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಪರಿಚಯವನ್ನು [ಇಲ್ಲಿ](../18-Low-Code/README.md) ಪರಿಶೀಲಿಸಿ. + +## 2. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು +### 2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆ + +ಸರಳತೆಗೆ, ನಾವು ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲಿದ್ದೇವೆ. ಇದರಿಂದ ನೀವು ಈಗಾಗಲೇ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಮತ್ತು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಹೊಂದಿರಬೇಕು. ನೀವು ಈಗಾಗಲೇ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಹೊಂದಿದ್ದರೆ, ನೇರವಾಗಿ 2.3 ನೋಟ್ಬುಕ್ ರಚನೆ ವಿಭಾಗಕ್ಕೆ ಹೋಗಬಹುದು. + +ಇಲ್ಲದಿದ್ದರೆ, ದಯವಿಟ್ಟು [ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ](../18-Low-Code/README.md) **2.1 ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚನೆ** ವಿಭಾಗದಲ್ಲಿನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ ವರ್ಕ್‌ಸ್ಪೇಸ್ ರಚಿಸಿ. + +### 2.2 ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚನೆ + +ನಾವು ಮೊದಲು ರಚಿಸಿದ [ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್](https://ml.azure.com/) ನಲ್ಲಿ, ಕಂಪ್ಯೂಟ್ ಮೆನುಗೆ ಹೋಗಿ ಲಭ್ಯವಿರುವ ವಿವಿಧ ಕಂಪ್ಯೂಟ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಬಹುದು + +![compute-instance-1](../../../../translated_images/compute-instance-1.dba347cb199ca4996b3e3d649295ed95626ba481479d3986557b9b98e76d8816.kn.png) + +ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಪ್ರೊವಿಷನ್ ಮಾಡಲು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚಿಸೋಣ. +1. + New ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. +2. ನಿಮ್ಮ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್‌ಗೆ ಹೆಸರು ನೀಡಿ. +3. ನಿಮ್ಮ ಆಯ್ಕೆಗಳು: CPU ಅಥವಾ GPU, VM ಗಾತ್ರ ಮತ್ತು ಕೋರ್ ಸಂಖ್ಯೆ ಆಯ್ಕೆಮಾಡಿ. +4. Create ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + +ಅಭಿನಂದನೆಗಳು, ನೀವು ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ರಚಿಸಿದ್ದೀರಿ! ನಾವು ಈ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಅನ್ನು [ನೋಟ್ಬುಕ್ ರಚನೆ ವಿಭಾಗದಲ್ಲಿ](../../../../5-Data-Science-In-Cloud/19-Azure) ನೋಟ್ಬುಕ್ ರಚಿಸಲು ಬಳಸಲಿದ್ದೇವೆ. + +### 2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು +ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಇನ್ನೂ ಅಪ್‌ಲೋಡ್ ಮಾಡದಿದ್ದರೆ, ದಯವಿಟ್ಟು [ಹಿಂದಿನ ಪಾಠದಲ್ಲಿ](../18-Low-Code/README.md) **2.3 ಡೇಟಾಸೆಟ್ ಲೋಡ್ ಮಾಡುವುದು** ವಿಭಾಗವನ್ನು ನೋಡಿ. + +### 2.4 ನೋಟ್ಬುಕ್‌ಗಳು ರಚಿಸುವುದು + +> **_ಗಮನಿಸಿ:_** ಮುಂದಿನ ಹಂತಕ್ಕೆ ನೀವು ಹೊಸ ನೋಟ್ಬುಕ್ ಅನ್ನು ಶೂನ್ಯದಿಂದ ರಚಿಸಬಹುದು ಅಥವಾ ನೀವು ರಚಿಸಿದ [ನೋಟ್ಬುಕ್](notebook.ipynb) ಅನ್ನು ನಿಮ್ಮ ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಬಹುದು. ಅದಕ್ಕಾಗಿ "Notebook" ಮೆನು ಕ್ಲಿಕ್ ಮಾಡಿ ನೋಟ್ಬುಕ್ ಅಪ್‌ಲೋಡ್ ಮಾಡಿ. + +ನೋಟ್ಬುಕ್‌ಗಳು ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆಯ ಅತ್ಯಂತ ಪ್ರಮುಖ ಭಾಗ. ಅವುಗಳನ್ನು ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ (EDA) ನಡೆಸಲು, ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್‌ಗೆ ಕರೆ ಮಾಡಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ಇನ್ಫರೆನ್ಸ್ ಕ್ಲಸ್ಟರ್‌ಗೆ ಕರೆ ಮಾಡಿ ಎಂಡ್‌ಪಾಯಿಂಟ್ ನಿಯೋಜಿಸಲು ಬಳಸಬಹುದು. + +ನೋಟ್ಬುಕ್ ರಚಿಸಲು, ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಅನ್ನು ಸರ್ವ್ ಮಾಡುವ ಕಂಪ್ಯೂಟ್ ನೋಡ್ ಬೇಕು. [ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್](https://ml.azure.com/) ಗೆ ಹಿಂತಿರುಗಿ ಮತ್ತು Compute instances ಕ್ಲಿಕ್ ಮಾಡಿ. ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್ ಪಟ್ಟಿಯಲ್ಲಿ ನೀವು [ನಾವು ಮೊದಲು ರಚಿಸಿದ ಕಂಪ್ಯೂಟ್ ಇನ್ಸ್ಟಾನ್ಸ್](../../../../5-Data-Science-In-Cloud/19-Azure) ನೋಡಬಹುದು. + +1. Applications ವಿಭಾಗದಲ್ಲಿ, Jupyter ಆಯ್ಕೆಯನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ. +2. "Yes, I understand" ಬಾಕ್ಸ್ ಟಿಕ್ ಮಾಡಿ ಮತ್ತು Continue ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. +![notebook-1](../../../../translated_images/notebook-1.12998af7b02c83f536c11b3aeba561be16e0f05e94146600728ec64270ce1105.kn.png) +3. ಇದು ನಿಮ್ಮ ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಇನ್ಸ್ಟಾನ್ಸ್‌ನೊಂದಿಗೆ ಹೊಸ ಬ್ರೌಸರ್ ಟ್ಯಾಬ್ ತೆರೆಯುತ್ತದೆ. ನೋಟ್ಬುಕ್ ರಚಿಸಲು "New" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ. + +![notebook-2](../../../../translated_images/notebook-2.9a657c037e34f1cf26c0212f5ee9e2da8545b3e107c7682c55114e494167a8aa.kn.png) + +ನಾವು ಈಗ ನೋಟ್ಬುಕ್ ಹೊಂದಿದ್ದೇವೆ, ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು. + +### 2.5 ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವುದು + +ಮೊದಲು, ನೀವು ಯಾವಾಗಲಾದರೂ ಸಂಶಯ ಹೊಂದಿದರೆ, [ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ನೋಡಿ. ಈ ಪಾಠದಲ್ಲಿ ನಾವು ನೋಡಲಿರುವ ಮೋಡ್ಯೂಲ್‌ಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾಹಿತಿಯನ್ನು ಇದು ಹೊಂದಿದೆ. + +#### 2.5.1 ವರ್ಕ್‌ಸ್ಪೇಸ್, ಪ್ರಯೋಗ, ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ಮತ್ತು ಡೇಟಾಸೆಟ್ ಸೆಟ್‌ಅಪ್ + +ನೀವು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಸಂರಚನಾ ಫೈಲ್‌ನಿಂದ `workspace` ಅನ್ನು ಲೋಡ್ ಮಾಡಬೇಕು: + +```python +from azureml.core import Workspace +ws = Workspace.from_config() +``` + +ಇದು ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುವ `Workspace` ಪ್ರಕಾರದ ವಸ್ತುವನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ನಂತರ ನೀವು ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ `experiment` ರಚಿಸಬೇಕು: + +```python +from azureml.core import Experiment +experiment_name = 'aml-experiment' +experiment = Experiment(ws, experiment_name) +``` + +ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನಿಂದ ಪ್ರಯೋಗವನ್ನು ಪಡೆಯಲು ಅಥವಾ ರಚಿಸಲು, ನೀವು ಪ್ರಯೋಗದ ಹೆಸರನ್ನು ಬಳಸಿ ಅದನ್ನು ಕೇಳುತ್ತೀರಿ. ಪ್ರಯೋಗದ ಹೆಸರು 3-36 ಅಕ್ಷರಗಳಿರಬೇಕು, ಅಕ್ಷರ ಅಥವಾ ಸಂಖ್ಯೆಯಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು ಮತ್ತು ಅಕ್ಷರಗಳು, ಸಂಖ್ಯೆಗಳು, ಅಂಡರ್ಸ್ಕೋರ್ ಮತ್ತು ಡ್ಯಾಶ್‌ಗಳನ್ನು ಮಾತ್ರ ಹೊಂದಿರಬಹುದು. ಪ್ರಯೋಗವು ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನಲ್ಲಿ ಕಂಡುಬರದಿದ್ದರೆ, ಹೊಸ ಪ್ರಯೋಗ ರಚಿಸಲಾಗುತ್ತದೆ. + +ಈಗ ನೀವು ತರಬೇತಿಗಾಗಿ ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ರಚಿಸಬೇಕು, ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ. ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು. + +```python +from azureml.core.compute import AmlCompute + +aml_name = "heart-f-cluster" +try: + aml_compute = AmlCompute(ws, aml_name) + print('Found existing AML compute context.') +except: + print('Creating new AML compute context.') + aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) + aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) + aml_compute.wait_for_completion(show_output = True) + +cts = ws.compute_targets +compute_target = cts[aml_name] +``` + +ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನಿಂದ ಡೇಟಾಸೆಟ್ ಹೆಸರನ್ನು ಬಳಸಿ ಕೆಳಗಿನ ರೀತಿಯಲ್ಲಿ ಪಡೆಯಬಹುದು: + +```python +dataset = ws.datasets['heart-failure-records'] +df = dataset.to_pandas_dataframe() +df.describe() +``` + + +#### 2.5.2 ಆಟೋಎಂಎಲ್ ಸಂರಚನೆ ಮತ್ತು ತರಬೇತಿ + +ಆಟೋಎಂಎಲ್ ಸಂರಚನೆಯನ್ನು ಸೆಟ್ ಮಾಡಲು, [AutoMLConfig ವರ್ಗ](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಬಳಸಿ. + +ಡಾಕ್ಯುಮೆಂಟ್‌ನಲ್ಲಿ ವಿವರಿಸಿದಂತೆ, ನೀವು ಆಡಲು ಬಹಳಷ್ಟು ಪರಿಮಾಣಗಳಿವೆ. ಈ ಯೋಜನೆಗಾಗಿ, ನಾವು ಕೆಳಗಿನ ಪರಿಮಾಣಗಳನ್ನು ಬಳಸಲಿದ್ದೇವೆ: + +- `experiment_timeout_minutes`: ಪ್ರಯೋಗವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಲ್ಲಿಸುವ ಮೊದಲು ಅನುಮತಿಸಲಾದ ಗರಿಷ್ಠ ಸಮಯ (ನಿಮಿಷಗಳಲ್ಲಿ) ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಲಭ್ಯವಿರಿಸುವಂತೆ ಮಾಡುವುದು +- `max_concurrent_iterations`: ಪ್ರಯೋಗಕ್ಕೆ ಅನುಮತಿಸಲಾದ ಗರಿಷ್ಠ ಸಮಕಾಲೀನ ತರಬೇತಿ ಪುನರಾವೃತ್ತಿಗಳ ಸಂಖ್ಯೆ +- `primary_metric`: ಪ್ರಯೋಗದ ಸ್ಥಿತಿಯನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುವ ಪ್ರಾಥಮಿಕ ಮಿತಿ +- `compute_target`: ಆಟೋಮೇಟೆಡ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಯೋಗವನ್ನು ನಡೆಸಲು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಂಪ್ಯೂಟ್ ಗುರಿ +- `task`: ನಡೆಸಬೇಕಾದ ಕಾರ್ಯದ ಪ್ರಕಾರ. ಮೌಲ್ಯಗಳು 'classification', 'regression', ಅಥವಾ 'forecasting' ಆಗಿರಬಹುದು, ಆಟೋಎಂಎಲ್ ಸಮಸ್ಯೆಯ ಪ್ರಕಾರ +- `training_data`: ಪ್ರಯೋಗದಲ್ಲಿ ಬಳಸುವ ತರಬೇತಿ ಡೇಟಾ. ಇದರಲ್ಲಿ ತರಬೇತಿ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ಲೇಬಲ್ ಕಾಲಮ್ (ಐಚ್ಛಿಕವಾಗಿ ಸ್ಯಾಂಪಲ್ ತೂಕಗಳ ಕಾಲಮ್) ಇರಬೇಕು +- `label_column_name`: ಲೇಬಲ್ ಕಾಲಮ್ ಹೆಸರು +- `path`: ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಯೋಜನೆ ಫೋಲ್ಡರ್‌ಗೆ ಪೂರ್ಣ ಮಾರ್ಗ +- `enable_early_stopping`: ಸ್ಕೋರ್ ಕಡಿಮೆ ಆಗುತ್ತಿರುವಾಗ ಮುಂಚಿತವಾಗಿ ನಿಲ್ಲಿಸುವುದನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವುದು +- `featurization`: ಫೀಚರೈಜೆಷನ್ ಹಂತವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡಬೇಕೇ ಅಥವಾ ಕಸ್ಟಮೈಸ್ ಮಾಡಬೇಕೇ ಎಂಬ ಸೂಚಕ +- `debug_log`: ಡಿಬಗ್ ಮಾಹಿತಿಯನ್ನು ಬರೆಯಲು ಲಾಗ್ ಫೈಲ್ + +```python +from azureml.train.automl import AutoMLConfig + +project_folder = './aml-project' + +automl_settings = { + "experiment_timeout_minutes": 20, + "max_concurrent_iterations": 3, + "primary_metric" : 'AUC_weighted' +} + +automl_config = AutoMLConfig(compute_target=compute_target, + task = "classification", + training_data=dataset, + label_column_name="DEATH_EVENT", + path = project_folder, + enable_early_stopping= True, + featurization= 'auto', + debug_log = "automl_errors.log", + **automl_settings + ) +``` + +ನೀವು ನಿಮ್ಮ ಸಂರಚನೆಯನ್ನು ಸೆಟ್ ಮಾಡಿದ ನಂತರ, ಕೆಳಗಿನ ಕೋಡ್ ಬಳಸಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು. ನಿಮ್ಮ ಕ್ಲಸ್ಟರ್ ಗಾತ್ರದ ಮೇಲೆ ಅವಲಂಬಿಸಿ ಈ ಹಂತಕ್ಕೆ ಒಂದು ಗಂಟೆವರೆಗೂ ಸಮಯ ಬೇಕಾಗಬಹುದು. + +```python +remote_run = experiment.submit(automl_config) +``` + +ನೀವು RunDetails ವಿಗೆಟ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ ವಿವಿಧ ಪ್ರಯೋಗಗಳನ್ನು ತೋರಿಸಬಹುದು. +```python +from azureml.widgets import RunDetails +RunDetails(remote_run).show() +``` + + +## 3. ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಮಾದರಿ ನಿಯೋಜನೆ ಮತ್ತು ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ + +### 3.1 ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಉಳಿಸುವುದು + +`remote_run` ಒಂದು [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಪ್ರಕಾರದ ವಸ್ತು. ಈ ವಸ್ತುವಿನಲ್ಲಿ `get_output()` ವಿಧಾನವಿದೆ, ಇದು ಉತ್ತಮ ರನ್ ಮತ್ತು ಸಂಬಂಧಿತ ಫಿಟ್ ಮಾಡಲಾದ ಮಾದರಿಯನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. + +```python +best_run, fitted_model = remote_run.get_output() +``` + +ನೀವು ಉತ್ತಮ ಮಾದರಿಗಾಗಿ ಬಳಸಲಾದ ಪರಿಮಾಣಗಳನ್ನು `fitted_model` ಅನ್ನು ಮುದ್ರಿಸಿ ನೋಡಬಹುದು ಮತ್ತು ಉತ್ತಮ ಮಾದರಿಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು [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) ವಿಧಾನ ಬಳಸಿ ನೋಡಬಹುದು. + +```python +best_run.get_properties() +``` + +ಈಗ [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) ವಿಧಾನ ಬಳಸಿ ಮಾದರಿಯನ್ನು ನೋಂದಣಿ ಮಾಡಿರಿ. +```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 ಮಾದರಿ ನಿಯೋಜನೆ + +ಒಮ್ಮೆ ಉತ್ತಮ ಮಾದರಿ ಉಳಿಸಿದ ನಂತರ, ಅದನ್ನು [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) ವರ್ಗ ಬಳಸಿ ನಿಯೋಜಿಸಬಹುದು. InferenceConfig ನಿಯೋಜನೆಗೆ ಬಳಸುವ ಕಸ್ಟಮ್ ಪರಿಸರದ ಸಂರಚನಾ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) ವರ್ಗವು ಅಜೂರ್ ಕಂಟೈನರ್ ಇನ್ಸ್ಟಾನ್ಸ್‌ಗಳ ಮೇಲೆ ವೆಬ್ ಸೇವೆ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಆಗಿ ನಿಯೋಜಿಸಲಾದ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಿಯೋಜಿಸಲಾದ ಸೇವೆ ಮಾದರಿ, ಸ್ಕ್ರಿಪ್ಟ್ ಮತ್ತು ಸಂಬಂಧಿತ ಫೈಲ್‌ಗಳಿಂದ ರಚಿಸಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶ ವೆಬ್ ಸೇವೆ ಲೋಡ್-ಬ್ಯಾಲೆನ್ಸ್ ಮಾಡಲಾದ, HTTP ಎಂಡ್‌ಪಾಯಿಂಟ್ ಮತ್ತು REST API ಆಗಿದೆ. ನೀವು ಈ API ಗೆ ಡೇಟಾ ಕಳುಹಿಸಿ, ಮಾದರಿಯಿಂದ ಭವಿಷ್ಯವಾಣಿ ಪಡೆಯಬಹುದು. + +ಮಾದರಿಯನ್ನು [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) ವಿಧಾನ ಬಳಸಿ ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ. + +```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) +``` + +ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು. + +### 3.3 ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಕೆ + +ನೀವು ನಿಮ್ಮ ಎಂಡ್‌ಪಾಯಿಂಟ್ ಅನ್ನು ಉದಾಹರಣಾ ಇನ್‌ಪುಟ್ ರಚಿಸುವ ಮೂಲಕ ಬಳಕೆ ಮಾಡಬಹುದು: +```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)) +``` +ನಂತರ ನೀವು ಈ ಇನ್‌ಪುಟ್ ಅನ್ನು ನಿಮ್ಮ ಮಾದರಿಗೆ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಕಳುಹಿಸಬಹುದು : + +```python +response = aci_service.run(input_data=test_sample) +response +``` +ಇದು `'{"result": [false]}'` ಅನ್ನು ಔಟ್‌ಪುಟ್ ಮಾಡಬೇಕು. ಇದರ ಅರ್ಥ ನಾವು ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗೆ ಕಳುಹಿಸಿದ ರೋಗಿಯ ಇನ್‌ಪುಟ್ ಭವಿಷ್ಯವಾಣಿ `false` ಅನ್ನು ರಚಿಸಿದೆ, ಅಂದರೆ ಈ ವ್ಯಕ್ತಿಗೆ ಹೃದಯಾಘಾತ ಸಂಭವಿಸುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ. + +ಅಭಿನಂದನೆಗಳು! ನೀವು ಈಗಾಗಲೇ Azure ML SDK ಬಳಸಿ Azure ML ನಲ್ಲಿ ನಿಯೋಜಿಸಲ್ಪಟ್ಟ ಮತ್ತು ತರಬೇತುಗೊಂಡ ಮಾದರಿಯನ್ನು ಉಪಯೋಗಿಸಿದ್ದೀರಿ! + +> **_ಗಮನಿಸಿ:_** ಪ್ರಾಜೆಕ್ಟ್ ಮುಗಿಸಿದ ನಂತರ, ಎಲ್ಲಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅಳಿಸುವುದನ್ನು ಮರೆತಬೇಡಿ. + +## 🚀 ಸವಾಲು + +SDK ಮೂಲಕ ನೀವು ಇನ್ನೂ ಅನೇಕ ಕಾರ್ಯಗಳನ್ನು ಮಾಡಬಹುದು, ಆದರೆ ಈ ಪಾಠದಲ್ಲಿ ಅವುಗಳೆಲ್ಲವನ್ನು ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದರೆ ಒಳ್ಳೆಯ ಸುದ್ದಿ ಏನೆಂದರೆ, SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಹೇಗೆ ತ್ವರಿತವಾಗಿ ಓದಿಕೊಳ್ಳುವುದು ಎಂಬುದನ್ನು ಕಲಿತರೆ, ನೀವು ಸ್ವತಃ ಬಹಳ ದೂರ ಹೋಗಬಹುದು. Azure ML SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ನೋಡಿ, ಪೈಪ್‌ಲೈನ್ ರಚಿಸಲು ಅನುಮತಿಸುವ `Pipeline` ಕ್ಲಾಸ್ ಅನ್ನು ಹುಡುಕಿ. ಪೈಪ್‌ಲೈನ್ ಎಂದರೆ ಕಾರ್ಯಪ್ರವಾಹವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಹಂತಗಳ ಸಂಗ್ರಹ. + +**ಸೂಚನೆ:** [SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಗೆ ಹೋಗಿ, ಹುಡುಕಾಟ ಬಾರಿನಲ್ಲಿ "Pipeline" ಎಂಬ ಕೀವರ್ಡ್‌ಗಳನ್ನು ಟೈಪ್ ಮಾಡಿ. ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳಲ್ಲಿ `azureml.pipeline.core.Pipeline` ಕ್ಲಾಸ್ ಕಾಣಿಸಿಕೊಳ್ಳಬೇಕು. + +## [ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/37) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಈ ಪಾಠದಲ್ಲಿ, ನೀವು Azure ML SDK ಬಳಸಿ ಹೃದಯ ವೈಫಲ್ಯ ಅಪಾಯವನ್ನು ಭವಿಷ್ಯವಾಣಿ ಮಾಡಲು ಮಾದರಿಯನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು, ನಿಯೋಜಿಸುವುದು ಮತ್ತು ಉಪಯೋಗಿಸುವುದನ್ನು ಕಲಿತಿರಿ. Azure ML SDK ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಈ [ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ಅನ್ನು ಪರಿಶೀಲಿಸಿ. Azure ML SDK ಬಳಸಿ ನಿಮ್ಮದೇ ಮಾದರಿಯನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸಿ. + +## ನಿಯೋಜನೆ + +[Azure ML SDK ಬಳಸಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್](assignment.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/19-Azure/assignment.md b/translations/kn/5-Data-Science-In-Cloud/19-Azure/assignment.md new file mode 100644 index 00000000..71948bf2 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/19-Azure/assignment.md @@ -0,0 +1,27 @@ + +# ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಬಳಸಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್ + +## ಸೂಚನೆಗಳು + +ನಾವು ಅಜೂರ್ ಎಂಎಲ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಮೂಲಕ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಉಪಯೋಗಿಸುವ ವಿಧಾನವನ್ನು ನೋಡಿದ್ದೇವೆ. ಈಗ ನೀವು ಇನ್ನೊಂದು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ನಿಯೋಜಿಸಲು ಮತ್ತು ಉಪಯೋಗಿಸಲು ಬಳಸಬಹುದಾದ ಕೆಲವು ಡೇಟಾವನ್ನು ಹುಡುಕಿ. ನೀವು [Kaggle](https://kaggle.com) ಮತ್ತು [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ನಲ್ಲಿ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹುಡುಕಬಹುದು. + +## ರೂಬ್ರಿಕ್ + +| ಉದಾಹರಣೀಯ | ಸಮರ್ಪಕ | ಸುಧಾರಣೆಯ ಅಗತ್ಯವಿದೆ | +|-----------|----------|-------------------| +|AutoML ಸಂರಚನೆಯನ್ನು ಮಾಡುವಾಗ, ನೀವು SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಮೂಲಕ ಯಾವ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಬಳಸಬಹುದು ಎಂದು ನೋಡಿದ್ದೀರಿ. ನೀವು ಅಜೂರ್ ಎಂಎಲ್ SDK ಬಳಸಿ AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ ಮತ್ತು ಮಾದರಿ ವಿವರಣೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೀರಿ. ನೀವು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಅಜೂರ್ ಎಂಎಲ್ SDK ಮೂಲಕ ಉಪಯೋಗಿಸಲು ಸಾಧ್ಯವಾಯಿತು. | ನೀವು ಅಜೂರ್ ಎಂಎಲ್ SDK ಬಳಸಿ AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ ಮತ್ತು ಮಾದರಿ ವಿವರಣೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೀರಿ. ನೀವು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಅಜೂರ್ ಎಂಎಲ್ SDK ಮೂಲಕ ಉಪಯೋಗಿಸಲು ಸಾಧ್ಯವಾಯಿತು. | ನೀವು ಅಜೂರ್ ಎಂಎಲ್ SDK ಬಳಸಿ AutoML ಮೂಲಕ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನಡೆಸಿದ್ದೀರಿ. ನೀವು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿದ್ದೀರಿ ಮತ್ತು ಅದನ್ನು ಅಜೂರ್ ಎಂಎಲ್ SDK ಮೂಲಕ ಉಪಯೋಗಿಸಲು ಸಾಧ್ಯವಾಯಿತು. | + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/19-Azure/notebook.ipynb b/translations/kn/5-Data-Science-In-Cloud/19-Azure/notebook.ipynb new file mode 100644 index 00000000..f97550dc --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/19-Azure/notebook.ipynb @@ -0,0 +1,325 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "source": [ + "# ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: \"ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ\" ವಿಧಾನ\n", + "\n", + "## ಪರಿಚಯ\n", + "\n", + "ಈ ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ, ನಾವು ಅಜೂರ್ ಎಂಎಲ್ ಮೂಲಕ ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡಲು ಅಜೂರ್ ಎಂಎಲ್ ಎಸ್‌ಡಿಕೆ ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂದು ಕಲಿಯುತ್ತೇವೆ.\n", + "\n", + "ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು:\n", + "1. ನೀವು ಅಜೂರ್ ಎಂಎಲ್ ವರ್ಕ್‌ಸ್ಪೇಸ್ ಅನ್ನು ರಚಿಸಿದ್ದೀರಿ.\n", + "2. ನೀವು [ಹಾರ್ಟ್ ಫೇಲ್ಯೂರ್ ಡೇಟಾಸೆಟ್](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ಅನ್ನು ಅಜೂರ್ ಎಂಎಲ್‌ಗೆ ಲೋಡ್ ಮಾಡಿದ್ದೀರಿ.\n", + "3. ನೀವು ಈ ನೋಟ್ಬುಕ್ ಅನ್ನು ಅಜೂರ್ ಎಂಎಲ್ ಸ್ಟುಡಿಯೋಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಿದ್ದೀರಿ.\n", + "\n", + "ಮುಂದಿನ ಹಂತಗಳು:\n", + "\n", + "1. ಇರುವ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನಲ್ಲಿ ಒಂದು ಪ್ರಯೋಗವನ್ನು ರಚಿಸಿ.\n", + "2. ಒಂದು ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ರಚಿಸಿ.\n", + "3. ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ.\n", + "4. AutoMLConfig ಬಳಸಿ AutoML ಅನ್ನು ಸಂರಚಿಸಿ.\n", + "5. AutoML ಪ್ರಯೋಗವನ್ನು ಚಾಲನೆ ಮಾಡಿ.\n", + "6. ಫಲಿತಾಂಶಗಳನ್ನು ಅನ್ವೇಷಿಸಿ ಮತ್ತು ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಪಡೆಯಿರಿ.\n", + "7. ಉತ್ತಮ ಮಾದರಿಯನ್ನು ನೋಂದಣಿ ಮಾಡಿ.\n", + "8. ಉತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿ.\n", + "9. ಎಂಡ್‌ಪಾಯಿಂಟ್ ಅನ್ನು ಬಳಸಿ.\n", + "\n", + "## ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ SDK-ನಿರ್ದಿಷ್ಟ ಆಮದುಗಳು\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "from azureml.core import Workspace, Experiment\n", + "from azureml.core.compute import AmlCompute\n", + "from azureml.train.automl import AutoMLConfig\n", + "from azureml.widgets import RunDetails\n", + "from azureml.core.model import InferenceConfig, Model\n", + "from azureml.core.webservice import AciWebservice" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಕಾರ್ಯಸ್ಥಳವನ್ನು ಪ್ರಾರಂಭಿಸಿ\n", + "ಸ್ಥಿರಗೊಂಡ ಸಂರಚನೆಯಿಂದ ಕಾರ್ಯಸ್ಥಳ ವಸ್ತುವನ್ನು ಪ್ರಾರಂಭಿಸಿ. .\\config.json ನಲ್ಲಿ ಸಂರಚನಾ ಕಡತವು ಇರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "ws = Workspace.from_config()\n", + "print(ws.name, ws.resource_group, ws.location, ws.subscription_id, sep = '\\n')" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## Azure ML ಪ್ರಯೋಗವನ್ನು ರಚಿಸಿ\n", + "\n", + "ನಾವು ಇತ್ತೀಚೆಗೆ ಪ್ರಾರಂಭಿಸಿದ ವರ್ಕ್‌ಸ್ಪೇಸ್‌ನಲ್ಲಿ 'aml-experiment' ಎಂಬ ಪ್ರಯೋಗವನ್ನು ರಚಿಸೋಣ.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "experiment_name = 'aml-experiment'\n", + "experiment = Experiment(ws, experiment_name)\n", + "experiment" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಕಂಪ್ಯೂಟ್ ಕ್ಲಸ್ಟರ್ ರಚಿಸಿ\n", + "ನೀವು ನಿಮ್ಮ AutoML ರನ್‌ಗಾಗಿ [ಕಂಪ್ಯೂಟ್ ಗುರಿ](https://docs.microsoft.com/azure/machine-learning/concept-azure-machine-learning-architecture#compute-target) ರಚಿಸಬೇಕಾಗುತ್ತದೆ.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "aml_name = \"heart-f-cluster\"\n", + "try:\n", + " aml_compute = AmlCompute(ws, aml_name)\n", + " print('Found existing AML compute context.')\n", + "except:\n", + " print('Creating new AML compute context.')\n", + " aml_config = AmlCompute.provisioning_configuration(vm_size = \"Standard_D2_v2\", min_nodes=1, max_nodes=3)\n", + " aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)\n", + " aml_compute.wait_for_completion(show_output = True)\n", + "\n", + "cts = ws.compute_targets\n", + "compute_target = cts[aml_name]" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಡೇಟಾ\n", + "ನೀವು ಡೇಟಾಸೆಟ್ ಅನ್ನು Azure ML ಗೆ ಅಪ್‌ಲೋಡ್ ಮಾಡಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ ಮತ್ತು ಕೀ ಡೇಟಾಸೆಟ್‌ನ ಅದೇ ಹೆಸರಾಗಿರಬೇಕು.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "key = 'heart-failure-records'\n", + "dataset = ws.datasets[key]\n", + "df = dataset.to_pandas_dataframe()\n", + "df.describe()" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## AutoML ಸಂರಚನೆ\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "automl_settings = {\n", + " \"experiment_timeout_minutes\": 20,\n", + " \"max_concurrent_iterations\": 3,\n", + " \"primary_metric\" : 'AUC_weighted'\n", + "}\n", + "\n", + "automl_config = AutoMLConfig(compute_target=compute_target,\n", + " task = \"classification\",\n", + " training_data=dataset,\n", + " label_column_name=\"DEATH_EVENT\",\n", + " enable_early_stopping= True,\n", + " featurization= 'auto',\n", + " debug_log = \"automl_errors.log\",\n", + " **automl_settings\n", + " )" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## AutoML ರನ್\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "remote_run = experiment.submit(automl_config)" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "RunDetails(remote_run).show()" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ಉಳಿಸಿ\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "best_run, fitted_model = remote_run.get_output()" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "best_run.get_properties()" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "model_name = best_run.properties['model_name']\n", + "script_file_name = 'inference/score.py'\n", + "best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')\n", + "description = \"aml heart failure project sdk\"\n", + "model = best_run.register_model(model_name = model_name,\n", + " description = description,\n", + " tags = None)" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಿ\n", + "\n", + "ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಲು ಕೆಳಗಿನ ಕೋಡ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ. ನಿಯೋಜನೆಯ ಸ್ಥಿತಿಯನ್ನು ನೀವು Azure ML ಪೋರ್ಟಲ್‌ನಲ್ಲಿ ನೋಡಬಹುದು. ಈ ಹಂತಕ್ಕೆ ಕೆಲವು ನಿಮಿಷಗಳು ಬೇಕಾಗಬಹುದು.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())\n", + "\n", + "aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,\n", + " memory_gb = 1,\n", + " tags = {'type': \"automl-heart-failure-prediction\"},\n", + " description = 'Sample service for AutoML Heart Failure Prediction')\n", + "\n", + "aci_service_name = 'automl-hf-sdk'\n", + "aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)\n", + "aci_service.wait_for_deployment(True)\n", + "print(aci_service.state)" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## ಎಂಡ್ಪಾಯಿಂಟ್ ಅನ್ನು ಬಳಸಿ\n", + "ನೀವು ಕೆಳಗಿನ ಇನ್‌ಪುಟ್ ಮಾದರಿಗೆ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು.\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "data = {\n", + " \"data\":\n", + " [\n", + " {\n", + " 'age': \"60\",\n", + " 'anaemia': \"false\",\n", + " 'creatinine_phosphokinase': \"500\",\n", + " 'diabetes': \"false\",\n", + " 'ejection_fraction': \"38\",\n", + " 'high_blood_pressure': \"false\",\n", + " 'platelets': \"260000\",\n", + " 'serum_creatinine': \"1.40\",\n", + " 'serum_sodium': \"137\",\n", + " 'sex': \"false\",\n", + " 'smoking': \"false\",\n", + " 'time': \"130\",\n", + " },\n", + " ],\n", + "}\n", + "\n", + "test_sample = str.encode(json.dumps(data))" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": null, + "source": [ + "response = aci_service.run(input_data=test_sample)\n", + "response" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "---\n\n\n**ಅಸ್ವೀಕಾರ**: \nಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.\n\n" + ] + } + ], + "metadata": { + "orig_nbformat": 4, + "language_info": { + "name": "python" + }, + "coopTranslator": { + "original_hash": "af42669556d5dc19fc4cc3866f7d2597", + "translation_date": "2025-12-19T17:10:35+00:00", + "source_file": "5-Data-Science-In-Cloud/19-Azure/notebook.ipynb", + "language_code": "kn" + } + }, + "nbformat": 4, + "nbformat_minor": 2 +} \ No newline at end of file diff --git a/translations/kn/5-Data-Science-In-Cloud/19-Azure/solution/notebook.ipynb b/translations/kn/5-Data-Science-In-Cloud/19-Azure/solution/notebook.ipynb new file mode 100644 index 00000000..e69de29b diff --git a/translations/kn/5-Data-Science-In-Cloud/README.md b/translations/kn/5-Data-Science-In-Cloud/README.md new file mode 100644 index 00000000..40820757 --- /dev/null +++ b/translations/kn/5-Data-Science-In-Cloud/README.md @@ -0,0 +1,36 @@ + +# ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + +![cloud-picture](../../../translated_images/cloud-picture.f5526de3c6c6387b2d656ba94f019b3352e5e3854a78440e4fb00c93e2dea675.kn.jpg) + +> ಫೋಟೋ [Jelleke Vanooteghem](https://unsplash.com/@ilumire) ಅವರಿಂದ [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) + +ಬೃಹತ್ ಡೇಟಾ ಜೊತೆಗೆ ಡೇಟಾ ಸೈನ್ಸ್ ಮಾಡುವಾಗ, ಕ್ಲೌಡ್ ಒಂದು ಆಟ ಬದಲಿಸುವುದಾಗಿ ಇರಬಹುದು. ಮುಂದಿನ ಮೂರು ಪಾಠಗಳಲ್ಲಿ, ನಾವು ಕ್ಲೌಡ್ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಬಹಳ ಸಹಾಯಕವಾಗಬಹುದು ಎಂಬುದನ್ನು ನೋಡಲಿದ್ದೇವೆ. ನಾವು ಹೃದಯ ವೈಫಲ್ಯ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ, ಯಾರಿಗಾದರೂ ಹೃದಯ ವೈಫಲ್ಯ ಇರುವ ಸಾಧ್ಯತೆಯನ್ನು ಅಂದಾಜಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲಿದ್ದೇವೆ. ನಾವು ಮಾದರಿಯನ್ನು ತರಬೇತಿ, ನಿಯೋಜನೆ ಮತ್ತು ಬಳಕೆ ಮಾಡಲು ಕ್ಲೌಡ್ ಶಕ್ತಿಯನ್ನು ಎರಡು ವಿಭಿನ್ನ ರೀತಿಗಳಲ್ಲಿ ಬಳಸಲಿದ್ದೇವೆ. ಒಂದು ಮಾರ್ಗವು ಕೇವಲ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್ ಶೈಲಿಯಲ್ಲಿ, ಮತ್ತೊಂದು ಮಾರ್ಗವು ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್ ಕಿಟ್ (Azure ML SDK) ಬಳಸಿ. + +![project-schema](../../../translated_images/project-schema.420e56d495624541eaecf2b737f138c86fb7d8162bb1c0bf8783c350872ffc4d.kn.png) + +### ವಿಷಯಗಳು + +1. [ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಕ್ಲೌಡ್ ಅನ್ನು ಏಕೆ ಬಳಸಬೇಕು?](17-Introduction/README.md) +2. [ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಲೋ ಕೋಡ್/ನೋ ಕೋಡ್" ಮಾರ್ಗ](18-Low-Code/README.md) +3. [ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್: "ಅಜೂರ್ ML SDK" ಮಾರ್ಗ](19-Azure/README.md) + +### ಕ್ರೆಡಿಟ್ಸ್ +ಈ ಪಾಠಗಳನ್ನು ☁️ ಮತ್ತು 💕 ಸಹಿತ [Maud Levy](https://twitter.com/maudstweets) ಮತ್ತು [Tiffany Souterre](https://twitter.com/TiffanySouterre) ರವರು ಬರೆಯಲಾಗಿದೆ + +ಹೃದಯ ವೈಫಲ್ಯ ಭವಿಷ್ಯವಾಣಿ ಯೋಜನೆಗೆ ಡೇಟಾ [Larxel](https://www.kaggle.com/andrewmvd) ಅವರಿಂದ [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ನಲ್ಲಿ ದೊರಕಿದೆ. ಇದು [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) ಅಡಿಯಲ್ಲಿ ಪರವಾನಗಿಯಾಗಿದೆ. + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/README.md b/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/README.md new file mode 100644 index 00000000..8b4abbee --- /dev/null +++ b/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/README.md @@ -0,0 +1,159 @@ + +# ನಿಜಜೀವನದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + +| ![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/20-DataScience-RealWorld.png) | +| :--------------------------------------------------------------------------------------------------------------: | +| ನಿಜಜೀವನದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ನಾವು ಈ ಅಧ್ಯಯನ ಪ್ರಯಾಣದ ಕೊನೆಯಲ್ಲಿ ಬಹುಶಃ ಬಂದಿದ್ದೇವೆ! + +ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ನೈತಿಕತೆಗಳ ವ್ಯಾಖ್ಯಾನಗಳಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ ವಿವಿಧ ಸಾಧನಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಅನ್ವೇಷಿಸಿ, ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರವನ್ನು ಪರಿಶೀಲಿಸಿ, ಮತ್ತು ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಸೇವೆಗಳೊಂದಿಗೆ ಡೇಟಾ ಸೈನ್ಸ್ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದನ್ನು ನೋಡಿದ್ದೇವೆ. ಆದ್ದರಿಂದ, ನೀವು ಬಹುಶಃ ಆಶ್ಚರ್ಯಪಡುತ್ತಿದ್ದೀರಿ: _"ನಾನು ಈ ಎಲ್ಲಾ ಕಲಿಕೆಗಳನ್ನು ನಿಜಜೀವನದ ಸಂದರ್ಭಗಳಿಗೆ ಹೇಗೆ ನಿಖರವಾಗಿ ನಕ್ಷೆ ಮಾಡಬಹುದು?"_ + +ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಕೈಗಾರಿಕೆಯಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ನ ನಿಜಜೀವನ ಅನ್ವಯಗಳನ್ನು ಅನ್ವೇಷಿಸುವೆವು ಮತ್ತು ಸಂಶೋಧನೆ, ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರ ಮತ್ತು ಸ್ಥಿರತೆಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ವಿಶೇಷ ಉದಾಹರಣೆಗಳನ್ನು ನೋಡೋಣ. ನಾವು ವಿದ್ಯಾರ್ಥಿ ಯೋಜನೆಗಳ ಅವಕಾಶಗಳನ್ನು ನೋಡೋಣ ಮತ್ತು ನಿಮ್ಮ ಅಧ್ಯಯನ ಪ್ರಯಾಣವನ್ನು ಮುಂದುವರಿಸಲು ಸಹಾಯಕವಾದ ಸಂಪನ್ಮೂಲಗಳೊಂದಿಗೆ ಸಮಾಪ್ತಿಮಾಡೋಣ! + +## ಪಾಠದ ಮುಂಚಿನ ಪ್ರಶ್ನೋತ್ತರ + +## [ಪಾಠದ ಮುಂಚಿನ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/ds/quiz/38) + +## ಡೇಟಾ ಸೈನ್ಸ್ + ಕೈಗಾರಿಕೆ + +ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಜಾಪ್ರಭುತ್ವಕ್ಕೆ ಧನ್ಯವಾದಗಳು, ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರು ಈಗ AI ಚಾಲಿತ ನಿರ್ಧಾರಮೇಕಿಂಗ್ ಮತ್ತು ಡೇಟಾ ಚಾಲಿತ ಒಳನೋಟಗಳನ್ನು ಬಳಕೆದಾರ ಅನುಭವಗಳು ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ಸಂಯೋಜಿಸಲು ಸುಲಭವಾಗುತ್ತಿದೆ. ಕೈಗಾರಿಕೆಯಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು ನಿಜಜೀವನ ಅನ್ವಯಗಳಿಗೆ "ಅನ್ವಯಿಸುವ" ಕೆಲವು ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ: + + * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ಡೇಟಾ ಸೈನ್ಸ್ ಬಳಸಿ ಹುಡುಕಾಟ ಪದಗಳನ್ನು ಫ್ಲೂ ಪ್ರವೃತ್ತಿಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆ ಮಾಡಿತು. ಈ ವಿಧಾನದಲ್ಲಿ ದೋಷಗಳಿದ್ದರೂ, ಡೇಟಾ ಚಾಲಿತ ಆರೋಗ್ಯ ನಿರೀಕ್ಷಣೆಯ ಸಾಧ್ಯತೆಗಳು (ಮತ್ತು ಸವಾಲುಗಳು) ಬಗ್ಗೆ ಜಾಗೃತಿ ಮೂಡಿಸಿತು. + + * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - UPS ಹೇಗೆ ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಯಂತ್ರ ಅಧ್ಯಯನವನ್ನು ಬಳಸಿ ವಿತರಣೆಗೆ ಅತ್ಯುತ್ತಮ ಮಾರ್ಗಗಳನ್ನು ಹವಾಮಾನ ಪರಿಸ್ಥಿತಿಗಳು, ಟ್ರಾಫಿಕ್ ಮಾದರಿಗಳು, ವಿತರಣಾ ಗಡಿಬಿಡಿಗಳು ಮತ್ತು ಇನ್ನಿತರವನ್ನು ಪರಿಗಣಿಸಿ ಭವಿಷ್ಯವಾಣಿ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. + + * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - [ಮಾಹಿತಿ ಮುಕ್ತತಾ ಕಾನೂನುಗಳು](https://chriswhong.com/open-data/foil_nyc_taxi/) ಬಳಸಿ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾ NYC ಟ್ಯಾಕ್ಸಿಗಳ ದಿನಚರಿಯನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಸಹಾಯ ಮಾಡಿತು, ಅವು ಹೇಗೆ ಬ್ಯುಸಿ ನಗರವನ್ನು ಸಂಚರಿಸುತ್ತವೆ, ಅವರು ಗಳಿಸುವ ಹಣ ಮತ್ತು ಪ್ರತಿ 24 ಗಂಟೆಗಳ ಅವಧಿಯಲ್ಲಿ ಪ್ರಯಾಣಗಳ ಅವಧಿಯನ್ನು ನಾವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡಿತು. + + * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - ಪ್ರತಿದಿನವೂ ಲಕ್ಷಾಂತರ ಉಬರ್ ಪ್ರಯಾಣಗಳಿಂದ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾ (ಪಿಕಪ್ ಮತ್ತು ಡ್ರಾಪ್ಓಫ್ ಸ್ಥಳಗಳು, ಪ್ರಯಾಣ ಅವಧಿ, ಇಚ್ಛಿತ ಮಾರ್ಗಗಳು ಇತ್ಯಾದಿ) ಬಳಸಿ ಬೆಲೆ ನಿಗದಿ, ಸುರಕ್ಷತೆ, ಮೋಸ ಪತ್ತೆ ಮತ್ತು ನ್ಯಾವಿಗೇಶನ್ ನಿರ್ಧಾರಗಳಿಗೆ ಸಹಾಯ ಮಾಡುವ ಡೇಟಾ ವಿಶ್ಲೇಷಣಾ ಸಾಧನವನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. + + * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - _ಭವಿಷ್ಯವಾಣಿ ವಿಶ್ಲೇಷಣೆ_ (ಟೀಮ್ ಮತ್ತು ಆಟಗಾರ ವಿಶ್ಲೇಷಣೆ - [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) ನೆನಪಿಸಿಕೊಳ್ಳಿ - ಮತ್ತು ಅಭಿಮಾನಿ ನಿರ್ವಹಣೆ) ಮತ್ತು _ಡೇಟಾ ದೃಶ್ಯೀಕರಣ_ (ಟೀಮ್ ಮತ್ತು ಅಭಿಮಾನಿ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು, ಆಟಗಳು ಇತ್ಯಾದಿ) ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ, ಪ್ರತಿಭಾ ಹುಡುಕಾಟ, ಕ್ರೀಡಾ ಜೂಜಾಟ ಮತ್ತು ಇನ್ವೆಂಟರಿ/ಸ್ಥಳ ನಿರ್ವಹಣೆ ಸೇರಿದಂತೆ ಅನ್ವಯಿಕೆಗಳೊಂದಿಗೆ. + + * [ಬ್ಯಾಂಕಿಂಗ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್](https://data-flair.training/blogs/data-science-in-banking/) - ಹಣಕಾಸು ಕ್ಷೇತ್ರದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಮೌಲ್ಯವನ್ನು ಹೈಲೈಟ್ ಮಾಡುತ್ತದೆ, ಅಪಾಯ ಮಾದರೀಕರಣ ಮತ್ತು ಮೋಸ ಪತ್ತೆ, ಗ್ರಾಹಕ ವಿಭಾಗೀಕರಣ, ರಿಯಲ್-ಟೈಮ್ ಭವಿಷ್ಯವಾಣಿ ಮತ್ತು ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಳ ಅನ್ವಯಿಕೆಗಳೊಂದಿಗೆ. ಭವಿಷ್ಯವಾಣಿ ವಿಶ್ಲೇಷಣೆಗಳು [ಕ್ರೆಡಿಟ್ ಸ್ಕೋರ್‌ಗಳು](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) ಮುಂತಾದ ಪ್ರಮುಖ ಕ್ರಮಗಳನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತವೆ. + + * [ಆರೋಗ್ಯ ಸೇವೆಯಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್](https://data-flair.training/blogs/data-science-in-healthcare/) - ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ (ಉದಾ: MRI, X-ರೇ, CT-ಸ್ಕ್ಯಾನ್), ಜಿನೋಮಿಕ್ಸ್ (DNA ಕ್ರಮಬದ್ಧತೆ), ಔಷಧಿ ಅಭಿವೃದ್ಧಿ (ಅಪಾಯ ಮೌಲ್ಯಮಾಪನ, ಯಶಸ್ಸಿನ ಭವಿಷ್ಯವಾಣಿ), ಭವಿಷ್ಯವಾಣಿ ವಿಶ್ಲೇಷಣೆ (ರೋಗಿ ಆರೈಕೆ ಮತ್ತು ಸರಬರಾಜು ಲಾಜಿಸ್ಟಿಕ್ಸ್), ರೋಗ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ತಡೆ ಮುಂತಾದ ಅನ್ವಯಿಕೆಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡುತ್ತದೆ. + +![ನಿಜಜೀವನದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ವಯಿಕೆಗಳು](../../../../translated_images/data-science-applications.4e5019cd8790ebac2277ff5f08af386f8727cac5d30f77727c7090677e6adb9c.kn.png) ಚಿತ್ರ ಕ್ರೆಡಿಟ್: [ಡೇಟಾ ಫ್ಲೇರ್: 6 ಅದ್ಭುತ ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ವಯಿಕೆಗಳು](https://data-flair.training/blogs/data-science-applications/) + +ಚಿತ್ರವು ಡೇಟಾ ಸೈನ್ಸ್ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವ ಇತರ ಕ್ಷೇತ್ರಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ಇತರ ಅನ್ವಯಿಕೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಬಯಸುತ್ತೀರಾ? ಕೆಳಗಿನ [ಪರಿಶೀಲನೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) ವಿಭಾಗವನ್ನು ಪರಿಶೀಲಿಸಿ. + +## ಡೇಟಾ ಸೈನ್ಸ್ + ಸಂಶೋಧನೆ + +| ![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/20-DataScience-Research.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಸಂಶೋಧನೆ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ನಿಜಜೀವನ ಅನ್ವಯಿಕೆಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕೈಗಾರಿಕಾ ಬಳಕೆ ಪ್ರಕರಣಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದರೂ, _ಸಂಶೋಧನೆ_ ಅನ್ವಯಿಕೆಗಳು ಮತ್ತು ಯೋಜನೆಗಳು ಎರಡು ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಉಪಯುಕ್ತವಾಗಬಹುದು: + +* _ನವೀನತೆ ಅವಕಾಶಗಳು_ - ಮುಂದಿನ ತಲೆಮಾರಿನ ಅನ್ವಯಿಕೆಗಳಿಗಾಗಿ ಉನ್ನತ ತತ್ವಗಳ ವೇಗದ ಪ್ರೋಟೋಟೈಪಿಂಗ್ ಮತ್ತು ಬಳಕೆದಾರ ಅನುಭವಗಳ ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವೇಷಿಸಿ. +* _ನಿರ್ವಹಣಾ ಸವಾಲುಗಳು_ - ನಿಜಜೀವನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ತಂತ್ರಜ್ಞಾನಗಳ ಸಾಧ್ಯ ಹಾನಿಗಳು ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಪರಿಣಾಮಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. + +ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ, ಈ ಸಂಶೋಧನಾ ಯೋಜನೆಗಳು ವಿಷಯದ ನಿಮ್ಮ ಅರ್ಥವನ್ನು ಸುಧಾರಿಸಲು ಮತ್ತು ಸಂಬಂಧಿತ ಜನರು ಅಥವಾ ತಂಡಗಳೊಂದಿಗೆ ನಿಮ್ಮ ಜಾಗೃತಿ ಮತ್ತು ತೊಡಕನ್ನು ವಿಸ್ತರಿಸಲು ಕಲಿಕೆ ಮತ್ತು ಸಹಕಾರದ ಅವಕಾಶಗಳನ್ನು ಒದಗಿಸಬಹುದು. ಆದ್ದರಿಂದ ಸಂಶೋಧನಾ ಯೋಜನೆಗಳು ಹೇಗಿರುತ್ತವೆ ಮತ್ತು ಅವು ಹೇಗೆ ಪ್ರಭಾವ ಬೀರುತ್ತವೆ? + +ಒಂದು ಉದಾಹರಣೆಯನ್ನು ನೋಡೋಣ - Joy Buolamwini (MIT ಮೀಡಿಯಾ ಲ್ಯಾಬ್ಸ್) ಅವರ [MIT Gender Shades Study](http://gendershades.org/overview.html) ಮತ್ತು Timnit Gebru (ಆ ಸಮಯದಲ್ಲಿ Microsoft Research ನಲ್ಲಿ) ಸಹಲೇಖಕರಾದ [ಅಂಗೀಕೃತ ಸಂಶೋಧನಾ ಪತ್ರ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) ಇದು ಕೆಳಗಿನ ವಿಷಯದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ: + + * **ಏನು:** ಸಂಶೋಧನಾ ಯೋಜನೆಯ ಉದ್ದೇಶವು _ಲಿಂಗ ಮತ್ತು ಚರ್ಮದ ಬಣ್ಣ ಆಧಾರಿತ ಸ್ವಯಂಚಾಲಿತ ಮುಖ ವಿಶ್ಲೇಷಣಾ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಇರುವ ಪಕ್ಷಪಾತವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು_. + * **ಏಕೆ:** ಮುಖ ವಿಶ್ಲೇಷಣೆ ಕಾನೂನು ಅನುಷ್ಠಾನ, ವಿಮಾನ ನಿಲ್ದಾಣ ಭದ್ರತೆ, ನೇಮಕಾತಿ ವ್ಯವಸ್ಥೆಗಳು ಮುಂತಾದ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ - ಅಲ್ಲಿ ತಪ್ಪು ವರ್ಗೀಕರಣಗಳು (ಉದಾ: ಪಕ್ಷಪಾತದಿಂದ) ಪ್ರಭಾವಿತ ವ್ಯಕ್ತಿಗಳು ಅಥವಾ ಗುಂಪುಗಳಿಗೆ ಆರ್ಥಿಕ ಮತ್ತು ಸಾಮಾಜಿಕ ಹಾನಿಗಳನ್ನುಂಟುಮಾಡಬಹುದು. ಪಕ್ಷಪಾತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು (ಮತ್ತು ಅಳಿಸುವುದು ಅಥವಾ ಕಡಿಮೆ ಮಾಡುವುದು) ಬಳಕೆಯ ನ್ಯಾಯತೆಯ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ. + * **ಹೇಗೆ:** ಸಂಶೋಧಕರು ಅರ್ಥಮಾಡಿಕೊಂಡರು ಇತ್ತೀಚಿನ ಮಾನದಂಡಗಳು ಬಹುಮಟ್ಟಿಗೆ ಬೆಳಗಿನ ಚರ್ಮದ ವಿಷಯಗಳನ್ನು ಬಳಸುತ್ತಿವೆ ಮತ್ತು ಲಿಂಗ ಮತ್ತು ಚರ್ಮದ ಬಣ್ಣದ ಮೂಲಕ _ಮೇಲ್ಮಟ್ಟದ ಸಮತೋಲನ_ ಹೊಂದಿರುವ ಹೊಸ ಡೇಟಾ ಸೆಟ್ (1000+ ಚಿತ್ರಗಳು) ಅನ್ನು ಸಂಗ್ರಹಿಸಿದರು. ಈ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಮೂರು ಲಿಂಗ ವರ್ಗೀಕರಣ ಉತ್ಪನ್ನಗಳ (Microsoft, IBM & Face++) ನ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಬಳಸಿದರು. + +ಫಲಿತಾಂಶಗಳು ಒಟ್ಟಾರೆ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಉತ್ತಮವಾಗಿದ್ದರೂ, ವಿವಿಧ ಉಪಗುಂಪುಗಳ ನಡುವೆ ದೋಷ ದರಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿತ್ತು - **ತಪ್ಪು ಲಿಂಗ ನಿರ್ಧಾರ** ಮಹಿಳೆಯರು ಅಥವಾ ಗಾಢ ಚರ್ಮದ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ಹೆಚ್ಚು ಕಂಡುಬಂದಿತು, ಇದು ಪಕ್ಷಪಾತದ ಸೂಚಕವಾಗಿದೆ. + +**ಪ್ರಮುಖ ಫಲಿತಾಂಶಗಳು:** ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಹೆಚ್ಚು _ಪ್ರತಿನಿಧಿ ಡೇಟಾ ಸೆಟ್‌ಗಳು_ (ಸಮತೋಲನ ಉಪಗುಂಪುಗಳು) ಮತ್ತು ಹೆಚ್ಚು _ಸಮಾವೇಶಿ ತಂಡಗಳು_ (ವಿವಿಧ ಹಿನ್ನೆಲೆಗಳು) ಅಗತ್ಯವಿದೆ ಎಂದು ಜಾಗೃತಿ ಮೂಡಿಸಿತು, ಇಂತಹ ಪಕ್ಷಪಾತಗಳನ್ನು AI ಪರಿಹಾರಗಳಲ್ಲಿ ಮೊದಲೇ ಗುರುತಿಸಿ ಅಳಿಸಲು ಅಥವಾ ಕಡಿಮೆ ಮಾಡಲು. ಈ ರೀತಿಯ ಸಂಶೋಧನಾ ಪ್ರಯತ್ನಗಳು ಹಲವಾರು ಸಂಸ್ಥೆಗಳಲ್ಲಿ _ಜವಾಬ್ದಾರಿಯುತ AI_ ಸಿದ್ಧಾಂತಗಳು ಮತ್ತು ಅಭ್ಯಾಸಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯಕವಾಗಿವೆ, AI ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳ ನ್ಯಾಯತೆಯನ್ನು ಸುಧಾರಿಸಲು. + +**Microsoft ನಲ್ಲಿ ಸಂಬಂಧಿತ ಸಂಶೋಧನಾ ಪ್ರಯತ್ನಗಳನ್ನು ತಿಳಿಯಲು ಬಯಸುವಿರಾ?** + +* ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಮೇಲೆ [Microsoft Research Projects](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) ಅನ್ನು ಪರಿಶೀಲಿಸಿ. +* [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) ನಿಂದ ವಿದ್ಯಾರ್ಥಿ ಯೋಜನೆಗಳನ್ನು ಅನ್ವೇಷಿಸಿ. +* [Fairlearn](https://fairlearn.org/) ಯೋಜನೆ ಮತ್ತು [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) ಉಪಕ್ರಮಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. + +## ಡೇಟಾ ಸೈನ್ಸ್ + ಮಾನವಶಾಸ್ತ್ರ + +| ![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/20-DataScience-Humanities.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರವನ್ನು [ಇದಾಗಿಯೇ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ](https://digitalhumanities.stanford.edu/about-dh-stanford) "ಗಣಕಯಂತ್ರ ವಿಧಾನಗಳನ್ನು ಮಾನವಶಾಸ್ತ್ರೀಯ ವಿಚಾರಣೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ವಿಧಾನಗಳ ಸಂಗ್ರಹ" ಎಂದು. [ಸ್ಟ್ಯಾನ್‌ಫರ್ಡ್ ಯೋಜನೆಗಳು](https://digitalhumanities.stanford.edu/projects) _"ಇತಿಹಾಸವನ್ನು ಮರುಪ್ರಾರಂಭಿಸುವುದು"_ ಮತ್ತು _"ಕಾವ್ಯಾತ್ಮಕ ಚಿಂತನೆ"_ ಮುಂತಾದವುಗಳು [ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರ ಮತ್ತು ಡೇಟಾ ಸೈನ್ಸ್](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) ನಡುವಿನ ಸಂಪರ್ಕವನ್ನು ತೋರಿಸುತ್ತವೆ - ಜಾಲ ವಿಶ್ಲೇಷಣೆ, ಮಾಹಿತಿ ದೃಶ್ಯೀಕರಣ, ಸ್ಥಳೀಯ ಮತ್ತು ಪಠ್ಯ ವಿಶ್ಲೇಷಣೆಗಳಂತಹ ತಂತ್ರಗಳನ್ನು ಒತ್ತಿ ಹೇಳುತ್ತವೆ, ಇದು ನಮಗೆ ಐತಿಹಾಸಿಕ ಮತ್ತು ಸಾಹಿತ್ಯ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಮರುಪರಿಶೀಲಿಸಲು ಮತ್ತು ಹೊಸ ಒಳನೋಟ ಮತ್ತು ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಪಡೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +*ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಯೋಜನೆಯನ್ನು ಅನ್ವೇಷಿಸಲು ಮತ್ತು ವಿಸ್ತರಿಸಲು ಬಯಸುತ್ತೀರಾ?* + +["ಎಮಿಲಿ ಡಿಕಿನ್ಸನ್ ಮತ್ತು ಮನೋಭಾವದ ಮೀಟರ್"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) ಅನ್ನು ಪರಿಶೀಲಿಸಿ - ಇದು [ಜೆನ್ ಲೂಪರ್](https://twitter.com/jenlooper) ಅವರ ಒಳ್ಳೆಯ ಉದಾಹರಣೆ, ಇದು ಡೇಟಾ ಸೈನ್ಸ್ ಬಳಸಿ ಪರಿಚಿತ ಕಾವ್ಯವನ್ನು ಮರುಪರಿಶೀಲಿಸಿ ಅದರ ಅರ್ಥ ಮತ್ತು ಲೇಖಕರ ಕೊಡುಗೆಗಳನ್ನು ಹೊಸ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದನ್ನು ಕೇಳುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, _ನಾವು ಕಾವ್ಯವನ್ನು ರಚಿಸಿದ ಋತುವನ್ನು ಅದರ ಧ್ವನಿ ಅಥವಾ ಭಾವನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಭವಿಷ್ಯವಾಣಿ ಮಾಡಬಹುದೇ_ - ಮತ್ತು ಇದು ಲೇಖಕರ ಮನೋಸ್ಥಿತಿಯನ್ನು ಆ ಅವಧಿಯಲ್ಲಿ ಏನು ಹೇಳುತ್ತದೆ? + +ಆ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು, ನಾವು ನಮ್ಮ ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ ಹಂತಗಳನ್ನು ಅನುಸರಿಸುತ್ತೇವೆ: + * [`ಡೇಟಾ ಸಂಗ್ರಹಣೆ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - ವಿಶ್ಲೇಷಣೆಗೆ ಸಂಬಂಧಿಸಿದ ಡೇಟಾ ಸೆಟ್ ಸಂಗ್ರಹಿಸಲು. ಆಯ್ಕೆಗಳು API ಬಳಕೆ (ಉದಾ: [Poetry DB API](https://poetrydb.org/index.html)) ಅಥವಾ ವೆಬ್ ಪುಟಗಳನ್ನು ಸ್ಕ್ರ್ಯಾಪ್ ಮಾಡುವುದು (ಉದಾ: [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) [Scrapy](https://scrapy.org/) ಮುಂತಾದ ಸಾಧನಗಳೊಂದಿಗೆ. + * [`ಡೇಟಾ ಶುದ್ಧೀಕರಣ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - ಪಠ್ಯವನ್ನು ಹೇಗೆ ಸ್ವರೂಪಗೊಳಿಸಬಹುದು, ಶುದ್ಧೀಕರಿಸಬಹುದು ಮತ್ತು ಸರಳೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು Visual Studio Code ಮತ್ತು Microsoft Excel ಮುಂತಾದ ಮೂಲಭೂತ ಸಾಧನಗಳೊಂದಿಗೆ ವಿವರಿಸುತ್ತದೆ. + * [`ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - ಈಗ ನಾವು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು Python ಪ್ಯಾಕೇಜ್‌ಗಳು (pandas, numpy ಮತ್ತು matplotlib) ಬಳಸಿ "ನೋಟ್ಬುಕ್‌ಗಳಲ್ಲಿ" ಆಮದುಮಾಡಿ ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು ಹೇಗೆ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. + * [`ಭಾವ ವಿಶ್ಲೇಷಣೆ`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - Text Analytics ಮುಂತಾದ ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು, [Power Automate](https://flow.microsoft.com/en-us/) ಮುಂತಾದ ಕಡಿಮೆ ಕೋಡ್ ಸಾಧನಗಳನ್ನು ಬಳಸಿ ಸ್ವಯಂಚಾಲಿತ ಡೇಟಾ ಪ್ರಕ್ರಿಯೆ ಕಾರ್ಯಪ್ರವಾಹಗಳಿಗೆ ಹೇಗೆ ಸಂಯೋಜಿಸಬಹುದು ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. + +ಈ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ಬಳಸಿ, ನಾವು ಕಾವ್ಯಗಳ ಭಾವನೆಯಲ್ಲಿ ಋತುವಿನ ಪ್ರಭಾವಗಳನ್ನು ಅನ್ವೇಷಿಸಬಹುದು ಮತ್ತು ಲೇಖಕರ ಬಗ್ಗೆ ನಮ್ಮದೇ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ರೂಪಿಸಬಹುದು. ನೀವು ಸ್ವತಃ ಪ್ರಯತ್ನಿಸಿ - ನಂತರ ನೋಟ್ಬುಕ್ ಅನ್ನು ವಿಸ್ತರಿಸಿ ಇತರ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ ಅಥವಾ ಡೇಟಾವನ್ನು ಹೊಸ ರೀತಿಯಲ್ಲಿ ದೃಶ್ಯೀಕರಿಸಿ! + +> ನೀವು [ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರ ಉಪಕರಣಸಂಪುಟ](https://github.com/Digital-Humanities-Toolkit) ನ ಕೆಲವು ಸಾಧನಗಳನ್ನು ಈ ವಿಚಾರಣಾ ಮಾರ್ಗಗಳನ್ನು ಅನುಸರಿಸಲು ಬಳಸಬಹುದು + +## ಡೇಟಾ ಸೈನ್ಸ್ + ಸ್ಥಿರತೆ + +| ![ [(@sketchthedocs)](https://sketchthedocs.dev) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ ](../../sketchnotes/20-DataScience-Sustainability.png) | +| :---------------------------------------------------------------------------------------------------------------: | +| ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಸ್ಥಿರತೆ - _[@nitya](https://twitter.com/nitya) ಅವರ ಸ್ಕೆಚ್ ನೋಟ್_ | + +[2030 ಸ್ಥಿರ ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಯೋಜನೆ](https://sdgs.un.org/2030agenda) - 2015 ರಲ್ಲಿ ಎಲ್ಲಾ ಯುನೈಟೆಡ್ ನೇಷನ್ಸ್ ಸದಸ್ಯರಿಂದ ಅಂಗೀಕರಿಸಲ್ಪಟ್ಟ - 17 ಗುರಿಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಅವುಗಳಲ್ಲಿ ಕೆಲವು **ಗ್ರಹವನ್ನು ರಕ್ಷಿಸುವುದು** ಮತ್ತು ಹವಾಮಾನ ಬದಲಾವಣೆಯ ಪರಿಣಾಮಗಳನ್ನು ತಡೆಯುವದಕ್ಕೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ. [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) ಉಪಕ್ರಮವು ಈ ಗುರಿಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ತಂತ್ರಜ್ಞಾನ ಪರಿಹಾರಗಳು 2030 ರೊಳಗೆ ಕಾರ್ಬನ್ ನೆಗೆಟಿವ್, ನೀರು ಧನಾತ್ಮಕ, ಶೂನ್ಯ ತ್ಯಾಜ್ಯ ಮತ್ತು ಜೈವ ವೈವಿಧ್ಯತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿ ಹೆಚ್ಚು ಸ್ಥಿರ ಭವಿಷ್ಯಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುವ ಮಾರ್ಗಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತದೆ. + +ಈ ಸವಾಲುಗಳನ್ನು ವ್ಯಾಪಕ ಮತ್ತು ಸಮಯೋಚಿತವಾಗಿ ಎದುರಿಸಲು ಕ್ಲೌಡ್-ಮಟ್ಟದ ಚಿಂತನೆ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾ ಅಗತ್ಯವಿದೆ. [Planetary Computer](https://planetarycomputer.microsoft.com/) ಉಪಕ್ರಮವು ಈ ಪ್ರಯತ್ನದಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರಿಗೆ ಸಹಾಯ ಮಾಡಲು 4 ಘಟಕಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ: + + * [ಡೇಟಾ ಕ್ಯಾಟಲಾಗ್](https://planetarycomputer.microsoft.com/catalog) - ಭೂಮಿಯ ವ್ಯವಸ್ಥೆಗಳ ಪೆಟಾಬೈಟ್‌ಗಳ ಡೇಟಾ (ಉಚಿತ ಮತ್ತು ಅಜೂರ್-ಹೋಸ್ಟ್ ಮಾಡಲಾಗಿದೆ). + * [ಪ್ಲಾನೆಟರಿ API](https://planetarycomputer.microsoft.com/docs/reference/stac/) - ಬಳಕೆದಾರರಿಗೆ ಸ್ಥಳ ಮತ್ತು ಕಾಲದಾದ್ಯಾಂತ ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ಹುಡುಕಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. + * [ಹಬ್](https://planetarycomputer.microsoft.com/docs/overview/environment/) - ವಿಜ್ಞಾನಿಗಳಿಗೆ ಭಾರೀ ಭೂಸ್ಥಳೀಯ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ನಿರ್ವಹಿತ ಪರಿಸರ. + * [ಅಪ್ಲಿಕೇಶನ್ಗಳು](https://planetarycomputer.microsoft.com/applications) - ಸ್ಥಿರತೆಯ洞察ಗಳಿಗಾಗಿ ಬಳಕೆ ಪ್ರಕರಣಗಳು ಮತ್ತು ಉಪಕರಣಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿ. + +**ಪ್ಲಾನೆಟರಿ ಕಂಪ್ಯೂಟರ್ ಪ್ರಾಜೆಕ್ಟ್ ಪ್ರಸ್ತುತ ಪೂರ್ವವೀಕ್ಷಣೆಯಲ್ಲಿ ಇದೆ (ಸೆಪ್ಟೆಂಬರ್ 2021 ರಂತೆ)** - ಡೇಟಾ ಸೈನ್ಸ್ ಬಳಸಿ ಸ್ಥಿರತೆ ಪರಿಹಾರಗಳಿಗೆ ನೀವು ಹೇಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು ಎಂಬುದನ್ನು ಇಲ್ಲಿ ತಿಳಿಸಲಾಗಿದೆ. + +* ಅನ್ವೇಷಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳೊಂದಿಗೆ ಸಂಪರ್ಕಿಸಲು [ಪ್ರವೇಶವನ್ನು ವಿನಂತಿಸಿ](https://planetarycomputer.microsoft.com/account/request). +* ಬೆಂಬಲಿತ ಡೇಟಾಸೆಟ್‌ಗಳು ಮತ್ತು APIಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು [ದಾಖಲೆಗಳನ್ನು ಅನ್ವೇಷಿಸಿ](https://planetarycomputer.microsoft.com/docs/overview/about). +* ಅಪ್ಲಿಕೇಶನ್ ಆಲೋಚನೆಗಳಿಗೆ ಪ್ರೇರಣೆಯಾಗಿ [ಪರಿಸರ ವ್ಯವಸ್ಥೆ ಮೇಲ್ವಿಚಾರಣೆ](https://analytics-lab.org/ecosystemmonitoring/) ಮುಂತಾದ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ. + +ಹವಾಮಾನ ಬದಲಾವಣೆ ಮತ್ತು ಅರಣ್ಯ ನಾಶದಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸಂಬಂಧಿತ洞察ಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲು ಅಥವಾ ವೃದ್ಧಿಸಲು ನೀವು ಡೇಟಾ ದೃಶ್ಯೀಕರಣವನ್ನು ಹೇಗೆ ಬಳಸಬಹುದು ಎಂದು ಯೋಚಿಸಿ. ಅಥವಾ洞察ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಹೆಚ್ಚು ಸ್ಥಿರ ಜೀವನಕ್ಕಾಗಿ ವರ್ತನೆ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರೇರೇಪಿಸುವ ಹೊಸ ಬಳಕೆದಾರ ಅನುಭವಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಬಗ್ಗೆ ಯೋಚಿಸಿ. + +## ಡೇಟಾ ಸೈನ್ಸ್ + ವಿದ್ಯಾರ್ಥಿಗಳು + +ನಾವು ಕೈಗಾರಿಕೆ ಮತ್ತು ಸಂಶೋಧನೆಯಲ್ಲಿ ನೈಜ ಜಗತ್ತಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಬಗ್ಗೆ ಮಾತನಾಡಿದ್ದೇವೆ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರ ಮತ್ತು ಸ್ಥಿರತೆಯಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಅಪ್ಲಿಕೇಶನ್ ಉದಾಹರಣೆಗಳನ್ನು ಅನ್ವೇಷಿಸಿದ್ದೇವೆ. ಆದ್ದರಿಂದ ನೀವು ಡೇಟಾ ಸೈನ್ಸ್ ಆರಂಭಿಕರಾಗಿ ನಿಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಬಹುದು ಮತ್ತು ನಿಮ್ಮ ಪರಿಣತಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು? + +ನಿಮಗೆ ಪ್ರೇರಣೆ ನೀಡಲು ಕೆಲವು ಡೇಟಾ ಸೈನ್ಸ್ ವಿದ್ಯಾರ್ಥಿ ಪ್ರಾಜೆಕ್ಟ್ ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ. + + * [MSR ಡೇಟಾ ಸೈನ್ಸ್ ಸಮರ್ ಶಾಲೆ](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) GitHub [ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು](https://github.com/msr-ds3) ಜೊತೆಗೆ ಈ ವಿಷಯಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತಿದೆ: + - [ಪೊಲೀಸ್ ಬಲ ಬಳಕೆಯಲ್ಲಿ ಜಾತಿ ಭೇದ](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) + - [ಎನ್‌ವೈಸಿ ಸಬ್ವೇ ವ್ಯವಸ್ಥೆಯ ವಿಶ್ವಾಸಾರ್ಹತೆ](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) + * [ವಸ್ತು ಸಂಸ್ಕೃತಿಯನ್ನು ಡಿಜಿಟೈಸ್ ಮಾಡುವುದು: ಸಿರಕಪ್‌ನಲ್ಲಿ ಸಾಮಾಜಿಕ-ಆರ್ಥಿಕ ವಿತರಣೆಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - [Ornella Altunyan](https://twitter.com/ornelladotcom) ಮತ್ತು ಕ್ಲೇರ್‌ಮಾಂಟ್ ತಂಡದಿಂದ, [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ಬಳಸಿ. + +## 🚀 ಸವಾಲು + +ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವ ಲೇಖನಗಳನ್ನು ಹುಡುಕಿ, ಅವು ಆರಂಭಿಕರಿಗೆ ಅನುಕೂಲಕರವಾಗಿರಲಿ - ಉದಾಹರಣೆಗೆ [ಈ 50 ವಿಷಯ ಪ್ರದೇಶಗಳು](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) ಅಥವಾ [ಈ 21 ಪ್ರಾಜೆಕ್ಟ್ ಆಲೋಚನೆಗಳು](https://www.intellspot.com/data-science-project-ideas) ಅಥವಾ [ಈ 16 ಮೂಲ ಕೋಡ್ ಹೊಂದಿರುವ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು](https://data-flair.training/blogs/data-science-project-ideas/) ನೀವು ವಿಶ್ಲೇಷಿಸಿ ಮರುಸಂಯೋಜಿಸಬಹುದು. ಮತ್ತು ನಿಮ್ಮ ಕಲಿಕೆಯ ಪ್ರಯಾಣಗಳನ್ನು ಬ್ಲಾಗ್ ಮಾಡುವುದು ಮತ್ತು ನಿಮ್ಮ洞察ಗಳನ್ನು ನಮ್ಮೆಲ್ಲರೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳುವುದನ್ನು ಮರೆಯಬೇಡಿ. + +## ಉಪನ್ಯಾಸೋತ್ತರ ಕ್ವಿಜ್ + +## [ಉಪನ್ಯಾಸೋತ್ತರ ಕ್ವಿಜ್](https://ff-quizzes.netlify.app/en/ds/quiz/39) + +## ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ + +ಹೆಚ್ಚು ಬಳಕೆ ಪ್ರಕರಣಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಬಯಸುವಿರಾ? ಇಲ್ಲಿ ಕೆಲವು ಸಂಬಂಧಿತ ಲೇಖನಗಳಿವೆ: + * [17 ಡೇಟಾ ಸೈನ್ಸ್ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳು](https://builtin.com/data-science/data-science-applications-examples) - ಜುಲೈ 2021 + * [11 ನೈಜ ಜಗತ್ತಿನ ಅದ್ಭುತ ಡೇಟಾ ಸೈನ್ಸ್ ಅಪ್ಲಿಕೇಶನ್ಗಳು](https://myblindbird.com/data-science-applications-real-world/) - ಮೇ 2021 + * [ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್](https://towardsdatascience.com/data-science-in-the-real-world/home) - ಲೇಖನ ಸಂಗ್ರಹ + * [12 ನೈಜ ಜಗತ್ತಿನ ಡೇಟಾ ಸೈನ್ಸ್ ಅಪ್ಲಿಕೇಶನ್ಗಳು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ](https://www.scaler.com/blog/data-science-applications/) - ಮೇ 2024 + * ಡೇಟಾ ಸೈನ್ಸ್: [ಶಿಕ್ಷಣ](https://data-flair.training/blogs/data-science-in-education/), [ಕೃಷಿ](https://data-flair.training/blogs/data-science-in-agriculture/), [ಹಣಕಾಸು](https://data-flair.training/blogs/data-science-in-finance/), [ಚಿತ್ರರಂಗ](https://data-flair.training/blogs/data-science-at-movies/), [ಆರೋಗ್ಯ ಸೇವೆ](https://onlinedegrees.sandiego.edu/data-science-health-care/) ಮತ್ತು ಇನ್ನಷ್ಟು. + +## ನಿಯೋಜನೆ + +[ಪ್ಲಾನೆಟರಿ ಕಂಪ್ಯೂಟರ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ](assignment.md) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md b/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md new file mode 100644 index 00000000..6f932078 --- /dev/null +++ b/translations/kn/6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md @@ -0,0 +1,52 @@ + +# ಗ್ರಹಣ ಕಂಪ್ಯೂಟರ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಅನ್ವೇಷಿಸಿ + +## ಸೂಚನೆಗಳು + +ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ವಿವಿಧ ಡೇಟಾ ವಿಜ್ಞಾನ ಅನ್ವಯ ಕ್ಷೇತ್ರಗಳ ಬಗ್ಗೆ ಚರ್ಚೆ ಮಾಡಿದ್ದೇವೆ - ಸಂಶೋಧನೆ, ಸ್ಥಿರತೆ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾನವಶಾಸ್ತ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಆಳವಾದ ಅಧ್ಯಯನಗಳೊಂದಿಗೆ. ಈ ನಿಯೋಜನೆಯಲ್ಲಿ, ನೀವು ಈ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಹೆಚ್ಚಿನ ವಿವರದಲ್ಲಿ ಅನ್ವೇಷಿಸಿ, ಮತ್ತು ಸ್ಥಿರತೆ ಡೇಟಾ ಬಗ್ಗೆ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಬಗ್ಗೆ ನಿಮ್ಮ ಕೆಲವು ಕಲಿಕೆಗಳನ್ನು ಅನ್ವಯಿಸುವಿರಿ. + +[ಗ್ರಹಣ ಕಂಪ್ಯೂಟರ್](https://planetarycomputer.microsoft.com/) ಯೋಜನೆಯಲ್ಲಿ ಖಾತೆ ಹೊಂದಿದರೆ ಪ್ರವೇಶಿಸಬಹುದಾದ ಡೇಟಾಸೆಟ್‌ಗಳು ಮತ್ತು API ಗಳು ಇವೆ - ನೀವು ನಿಯೋಜನೆಯ ಬೋನಸ್ ಹಂತವನ್ನು ಪ್ರಯತ್ನಿಸಲು ಪ್ರವೇಶಕ್ಕಾಗಿ ಒಂದು ಖಾತೆಯನ್ನು ವಿನಂತಿಸಬಹುದು. ಈ ತಾಣವು ಖಾತೆ ರಚಿಸದೆ ಬಳಸಬಹುದಾದ [ಎಕ್ಸ್‌ಪ್ಲೋರರ್](https://planetarycomputer.microsoft.com/explore) ವೈಶಿಷ್ಟ್ಯವನ್ನು ಸಹ ಒದಗಿಸುತ್ತದೆ. + +`ಹಂತಗಳು:` +ಎಕ್ಸ್‌ಪ್ಲೋರರ್ ಇಂಟರ್ಫೇಸ್ (ಕೆಳಗಿನ ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ) ನಿಮಗೆ ಡೇಟಾಸೆಟ್ (ಕೊಟ್ಟಿರುವ ಆಯ್ಕೆಗಳಿಂದ), ಪೂರ್ವನಿರ್ಧರಿತ ಪ್ರಶ್ನೆ (ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲು) ಮತ್ತು ರೆಂಡರಿಂಗ್ ಆಯ್ಕೆಯನ್ನು (ಸಂಬಂಧಿತ ದೃಶ್ಯೀಕರಣವನ್ನು ಸೃಷ್ಟಿಸಲು) ಆಯ್ಕೆಮಾಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಈ ನಿಯೋಜನೆಯಲ್ಲಿ, ನಿಮ್ಮ ಕಾರ್ಯ: + + 1. [ಎಕ್ಸ್‌ಪ್ಲೋರರ್ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://planetarycomputer.microsoft.com/docs/overview/explorer/) ಓದಿ - ಆಯ್ಕೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. + 2. ಡೇಟಾಸೆಟ್ [ಕ್ಯಾಟಲಾಗ್](https://planetarycomputer.microsoft.com/catalog) ಅನ್ನು ಅನ್ವೇಷಿಸಿ - ಪ್ರತಿ ಡೇಟಾಸೆಟ್ ಉದ್ದೇಶವನ್ನು ತಿಳಿದುಕೊಳ್ಳಿ. + 3. ಎಕ್ಸ್‌ಪ್ಲೋರರ್ ಬಳಸಿ - ಆಸಕ್ತಿಯ ಡೇಟಾಸೆಟ್ ಆಯ್ಕೆಮಾಡಿ, ಸಂಬಂಧಿತ ಪ್ರಶ್ನೆ ಮತ್ತು ರೆಂಡರಿಂಗ್ ಆಯ್ಕೆಯನ್ನು ಆರಿಸಿ. + +![ಗ್ರಹಣ ಕಂಪ್ಯೂಟರ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್](../../../../translated_images/planetary-computer-explorer.c1e95a9b053167d64e2e8e4347cfb689e47e2037c33103fc1bbea1a149d4f85b.kn.png) + +`ನಿಮ್ಮ ಕಾರ್ಯ:` +ಈಗ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ರೆಂಡರ್ ಆಗಿರುವ ದೃಶ್ಯೀಕರಣವನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ ಮತ್ತು ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಿ: + * ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಯಾವ _ವೈಶಿಷ್ಟ್ಯಗಳು_ ಇವೆ? + * ದೃಶ್ಯೀಕರಣವು ಯಾವ _ಒಳನೋಟಗಳು_ ಅಥವಾ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ? + * ಆ ಒಳನೋಟಗಳ _ಪ್ರಭಾವಗಳು_ ಯೋಜನೆಯ ಸ್ಥಿರತೆ ಗುರಿಗಳ ಮೇಲೆ ಏನು? + * ದೃಶ್ಯೀಕರಣದ _ಮಿತಿಗಳು_ ಯಾವುವು (ಅಂದರೆ, ನೀವು ಯಾವ ಒಳನೋಟವನ್ನು ಪಡೆಯಲಿಲ್ಲ?) + * ನೀವು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಪಡೆದಿದ್ದರೆ, ಯಾವ _ವೈಕಲ್ಪಿಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು_ ನೀವು ಸೃಷ್ಟಿಸುತ್ತೀರಿ ಮತ್ತು ಏಕೆ? + +`ಬೋನಸ್ ಪಾಯಿಂಟ್‌ಗಳು:` +ಖಾತೆಗೆ ಅರ್ಜಿ ಸಲ್ಲಿಸಿ - ಒಪ್ಪಿಗೆಯಾದಾಗ ಲಾಗಿನ್ ಆಗಿ. + * _ಲಾಂಚ್ ಹಬ್_ ಆಯ್ಕೆಯನ್ನು ಬಳಸಿ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ತೆರೆಯಿರಿ. + * ಡೇಟಾವನ್ನು ಸಂವಹನಾತ್ಮಕವಾಗಿ ಅನ್ವೇಷಿಸಿ, ನೀವು ಯೋಚಿಸಿದ ವೈಕಲ್ಪಿಕ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸಿ. + * ಈಗ ನಿಮ್ಮ ಕಸ್ಟಮ್ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ - ನೀವು ಮೊದಲು ತಪ್ಪಿದ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಾಯಿತೇ? + +## ಮೌಲ್ಯಮಾಪನ + +ಉದಾಹರಣೀಯ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯ +--- | --- | -- | +ಎಲ್ಲಾ ಐದು ಮೂಲ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಲಾಗಿದೆ. ವಿದ್ಯಾರ್ಥಿ ಪ್ರಸ್ತುತ ಮತ್ತು ವೈಕಲ್ಪಿಕ ದೃಶ್ಯೀಕರಣಗಳು ಸ್ಥಿರತೆ ಗುರಿಗಳು ಅಥವಾ ಫಲಿತಾಂಶಗಳ ಬಗ್ಗೆ ಒಳನೋಟಗಳನ್ನು ಹೇಗೆ ಒದಗಿಸಬಹುದು ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸಿದ್ದಾರೆ.| ವಿದ್ಯಾರ್ಥಿ ಕನಿಷ್ಠ ಮೇಲಿನ 3 ಪ್ರಶ್ನೆಗಳಿಗೆ ವಿವರವಾಗಿ ಉತ್ತರಿಸಿದ್ದಾರೆ, ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಅನುಭವವಿದೆ ಎಂದು ತೋರಿಸುತ್ತಾರೆ. | ವಿದ್ಯಾರ್ಥಿ ಹಲವಾರು ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸದಿದ್ದರೆ ಅಥವಾ ಅಲ್ಪ ವಿವರ ನೀಡಿದರೆ - ಯೋಜನೆಗಾಗಿ ಅರ್ಥಪೂರ್ಣ ಪ್ರಯತ್ನ ಮಾಡಲಿಲ್ಲ ಎಂದು ಸೂಚಿಸುತ್ತದೆ | + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/6-Data-Science-In-Wild/README.md b/translations/kn/6-Data-Science-In-Wild/README.md new file mode 100644 index 00000000..2738aeba --- /dev/null +++ b/translations/kn/6-Data-Science-In-Wild/README.md @@ -0,0 +1,27 @@ + +# ಕಾಡಿನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + +ವ್ಯವಸ್ಥೆಗಳಾದ್ಯಂತ ಡೇಟಾ ಸೈನ್ಸ್‌ನ ನೈಜ ಜಗತ್ತಿನ ಅನ್ವಯಿಕೆಗಳು. + +### ವಿಷಯಗಳು + +1. [ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್](20-Real-World-Examples/README.md) + +### ಕ್ರೆಡಿಟ್ಸ್ + +❤️ ಸಹಿತ ಬರೆಯಲಾಗಿದೆ [ನಿತ್ಯ ನಾರಸಿಂಹನ್](https://twitter.com/nitya) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/AGENTS.md b/translations/kn/AGENTS.md new file mode 100644 index 00000000..73a85e0a --- /dev/null +++ b/translations/kn/AGENTS.md @@ -0,0 +1,374 @@ + +# AGENTS.md + +## ಪ್ರಾಜೆಕ್ಟ್ ಅವಲೋಕನ + +ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಎಂಬುದು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್ ಕ್ಲೌಡ್ ಅಡ್ವೊಕೇಟ್ಸ್ ರಚಿಸಿದ ಸಮಗ್ರ 10-ವಾರ, 20-ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವಾಗಿದೆ. ಈ ರೆಪೊಸಿಟರಿ ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ ಪಾಠಗಳ ಮೂಲಕ ಮೂಲಭೂತ ಡೇಟಾ ಸೈನ್ಸ್ ತತ್ವಗಳನ್ನು ಕಲಿಸುವ ಕಲಿಕಾ ಸಂಪನ್ಮೂಲವಾಗಿದೆ, ಇದರಲ್ಲಿ ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳು, ಇಂಟರಾಕ್ಟಿವ್ ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಹ್ಯಾಂಡ್ಸ್-ಆನ್ ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳು ಸೇರಿವೆ. + +**ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನಗಳು:** +- **ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳು**: ಪೈಥಾನ್ 3 ಬಳಸಿ ಪ್ರಾಥಮಿಕ ಕಲಿಕಾ ಮಾಧ್ಯಮ +- **ಪೈಥಾನ್ ಲೈಬ್ರರಿಗಳು**: pandas, numpy, matplotlib ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣಕ್ಕಾಗಿ +- **Vue.js 2**: ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ (quiz-app ಫೋಲ್ಡರ್) +- **Docsify**: ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶಕ್ಕಾಗಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೈಟ್ ಜನರೇಟರ್ +- **Node.js/npm**: ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಘಟಕಗಳ ಪ್ಯಾಕೇಜ್ ನಿರ್ವಹಣೆ +- **Markdown**: ಎಲ್ಲಾ ಪಾಠ ವಿಷಯ ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟೇಶನ್ + +**ವಾಸ್ತುಶಿಲ್ಪ:** +- ವ್ಯಾಪಕ ಅನುವಾದಗಳೊಂದಿಗೆ ಬಹುಭಾಷಾ ಶೈಕ್ಷಣಿಕ ರೆಪೊಸಿಟರಿ +- ಪಾಠ ಮಾಯಾಜಾಲಗಳಾಗಿ ರಚಿಸಲಾಗಿದೆ (1-ಪರಿಚಯದಿಂದ 6-ಡೇಟಾ-ಸೈನ್ಸ್-ಇನ್-ವೈಲ್ಡ್) +- ಪ್ರತಿ ಪಾಠದಲ್ಲಿ README, ನೋಟ್ಬುಕ್‌ಗಳು, ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳು ಮತ್ತು ಕ್ವಿಜ್‌ಗಳು ಸೇರಿವೆ +- ಪೂರ್ವ/ಪೋಸ್ಟ್ ಪಾಠ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಸ್ವತಂತ್ರ Vue.js ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ +- GitHub Codespaces ಮತ್ತು VS Code ಡೆವ್ ಕಂಟೈನರ್‌ಗಳಿಗೆ ಬೆಂಬಲ + +## ಸೆಟಪ್ ಕಮಾಂಡ್‌ಗಳು + +### ರೆಪೊಸಿಟರಿ ಸೆಟಪ್ +```bash +# ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ (ಇನ್ನೂ ಕ್ಲೋನ್ ಮಾಡದಿದ್ದರೆ) +git clone https://github.com/microsoft/Data-Science-For-Beginners.git +cd Data-Science-For-Beginners +``` + +### ಪೈಥಾನ್ ಪರಿಸರ ಸೆಟಪ್ +```bash +# ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ರಚಿಸಿ (ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ) +python -m venv venv +source venv/bin/activate # ವಿಂಡೋಸ್‌ನಲ್ಲಿ: venv\Scripts\activate + +# ಸಾಮಾನ್ಯ ಡೇಟಾ ಸೈನ್ಸ್ ಲೈಬ್ರರಿಗಳನ್ನು ಸ್ಥಾಪಿಸಿ (requirements.txt ಇಲ್ಲ) +pip install jupyter pandas numpy matplotlib seaborn scikit-learn +``` + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಸೆಟಪ್ +```bash +# ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ನಾವಿಗೇಟ್ ಮಾಡಿ +cd quiz-app + +# ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ +npm install + +# ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್ ಪ್ರಾರಂಭಿಸಿ +npm run serve + +# ಉತ್ಪಾದನೆಗಾಗಿ ನಿರ್ಮಿಸಿ +npm run build + +# ಲಿಂಟ್ ಮಾಡಿ ಮತ್ತು ಫೈಲ್‌ಗಳನ್ನು ಸರಿಪಡಿಸಿ +npm run lint +``` + +### Docsify ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸರ್ವರ್ +```bash +# ಡಾಕ್ಸಿಫೈ ಅನ್ನು ಜಾಗತಿಕವಾಗಿ ಸ್ಥಾಪಿಸಿ +npm install -g docsify-cli + +# ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಸೇವೆ ಮಾಡಿ +docsify serve + +# ಡಾಕ್ಯುಮೆಂಟೇಶನ್ localhost:3000 ನಲ್ಲಿ ಲಭ್ಯವಿರುತ್ತದೆ +``` + +### ದೃಶ್ಯೀಕರಣ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳ ಸೆಟಪ್ +meaningful-visualizations (ಪಾಠ 13) ಮುಂತಾದ ದೃಶ್ಯೀಕರಣ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಿಗೆ: +```bash +# ಸ್ಟಾರ್ಟರ್ ಅಥವಾ ಸೊಲ್ಯೂಶನ್ ಫೋಲ್ಡರ್‌ಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಿ +cd 3-Data-Visualization/13-meaningful-visualizations/starter + +# ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ +npm install + +# ಡೆವಲಪ್‌ಮೆಂಟ್ ಸರ್ವರ್ ಪ್ರಾರಂಭಿಸಿ +npm run serve + +# ಉತ್ಪಾದನೆಗಾಗಿ ನಿರ್ಮಿಸಿ +npm run build + +# ಫೈಲ್‌ಗಳನ್ನು ಲಿಂಟ್ ಮಾಡಿ +npm run lint +``` + +## ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಪ್ರವಾಹ + +### ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ +1. ರೆಪೊಸಿಟರಿ ರೂಟ್‌ನಲ್ಲಿ ಜುಪೈಟರ್ ಪ್ರಾರಂಭಿಸಿ: `jupyter notebook` +2. ಬೇಕಾದ ಪಾಠ ಫೋಲ್ಡರ್‌ಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಿ +3. ವ್ಯಾಯಾಮಗಳನ್ನು ಮಾಡಲು `.ipynb` ಫೈಲ್‌ಗಳನ್ನು ತೆರೆಯಿರಿ +4. ನೋಟ್ಬುಕ್‌ಗಳು ಸ್ವಯಂ-ಸಂಯೋಜಿತವಾಗಿದ್ದು ವಿವರಣೆಗಳು ಮತ್ತು ಕೋಡ್ ಸೆಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿವೆ +5. ಹೆಚ್ಚಿನ ನೋಟ್ಬುಕ್‌ಗಳು pandas, numpy ಮತ್ತು matplotlib ಬಳಸುತ್ತವೆ - ಇವುಗಳನ್ನು ಸ್ಥಾಪಿಸಿಕೊಳ್ಳಿ + +### ಪಾಠ ರಚನೆ +ಪ್ರತಿ ಪಾಠ ಸಾಮಾನ್ಯವಾಗಿ ಹೊಂದಿರುವುದು: +- `README.md` - ಸಿದ್ಧಾಂತ ಮತ್ತು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಮುಖ್ಯ ಪಾಠ ವಿಷಯ +- `notebook.ipynb` - ಹ್ಯಾಂಡ್ಸ್-ಆನ್ ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ವ್ಯಾಯಾಮಗಳು +- `assignment.ipynb` ಅಥವಾ `assignment.md` - ಅಭ್ಯಾಸ ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳು +- `solution/` ಫೋಲ್ಡರ್ - ಪರಿಹಾರ ನೋಟ್ಬುಕ್‌ಗಳು ಮತ್ತು ಕೋಡ್ +- `images/` ಫೋಲ್ಡರ್ - ಬೆಂಬಲ ದೃಶ್ಯ ಸಾಮಗ್ರಿಗಳು + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ +- ಅಭಿವೃದ್ಧಿ ಸಮಯದಲ್ಲಿ ಹಾಟ್-ರಿಲೋಡ್ ಹೊಂದಿರುವ Vue.js 2 ಅಪ್ಲಿಕೇಶನ್ +- ಕ್ವಿಜ್‌ಗಳು `quiz-app/src/assets/translations/` ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ +- ಪ್ರತಿ ಭಾಷೆಗೆ ತನ್ನದೇ ಆದ ಅನುವಾದ ಫೋಲ್ಡರ್ ಇದೆ (en, fr, es, ಇತ್ಯಾದಿ) +- ಕ್ವಿಜ್ ಸಂಖ್ಯೆ 0 ರಿಂದ ಪ್ರಾರಂಭವಾಗಿ 39 ರವರೆಗೆ (ಒಟ್ಟು 40 ಕ್ವಿಜ್‌ಗಳು) + +### ಅನುವಾದಗಳನ್ನು ಸೇರಿಸುವುದು +- ಅನುವಾದಗಳು ರೆಪೊಸಿಟರಿ ರೂಟ್‌ನ `translations/` ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಇರುತ್ತವೆ +- ಪ್ರತಿ ಭಾಷೆಗೆ ಇಂಗ್ಲಿಷ್‌ನಿಂದ ಪೂರ್ಣ ಪಾಠ ರಚನೆ ಪ್ರತಿಬಿಂಬಿತವಾಗಿದೆ +- GitHub Actions ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದ (co-op-translator.yml) + +## ಪರೀಕ್ಷಾ ಸೂಚನೆಗಳು + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಪರೀಕ್ಷೆ +```bash +cd quiz-app + +# ಲಿಂಟ್ ಪರಿಶೀಲನೆಗಳನ್ನು ನಡೆಸಿ +npm run lint + +# ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ +npm run build + +# ಕೈಯಿಂದ ಪರೀಕ್ಷೆ: ಡೆವ್ ಸರ್ವರ್ ಪ್ರಾರಂಭಿಸಿ ಮತ್ತು ಕ್ವಿಜ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ +npm run serve +``` + +### ನೋಟ್ಬುಕ್ ಪರೀಕ್ಷೆ +- ನೋಟ್ಬುಕ್‌ಗಳಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷಾ ಫ್ರೇಮ್ವರ್ಕ್ ಇಲ್ಲ +- ಕೈಯಿಂದ ಪರಿಶೀಲನೆ: ಎಲ್ಲಾ ಸೆಲ್‌ಗಳನ್ನು ಕ್ರಮವಾಗಿ ಓಡಿಸಿ ದೋಷಗಳಿಲ್ಲದಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +- ಡೇಟಾ ಫೈಲ್‌ಗಳು ಲಭ್ಯವಿರುವುದನ್ನು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳು ಸರಿಯಾಗಿ ಉತ್ಪಾದಿತವಾಗಿರುವುದನ್ನು ಪರಿಶೀಲಿಸಿ +- ದೃಶ್ಯೀಕರಣಗಳು ಸರಿಯಾಗಿ ರೆಂಡರ್ ಆಗುತ್ತಿವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಪರೀಕ್ಷೆ +```bash +# ಡಾಕ್ಸಿಫೈ ಸರಿಯಾಗಿ ರೆಂಡರ್ ಆಗುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ +docsify serve + +# ವಿಷಯವನ್ನು ನಾವಿಗೇಟ್ ಮಾಡಿ ಮುರಿದ ಲಿಂಕ್‌ಗಳನ್ನು ಕೈಯಿಂದ ಪರಿಶೀಲಿಸಿ +# ರೆಂಡರ್ ಮಾಡಿದ ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ನಲ್ಲಿ ಎಲ್ಲಾ ಪಾಠ ಲಿಂಕ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ +``` + +### ಕೋಡ್ ಗುಣಮಟ್ಟ ಪರಿಶೀಲನೆ +```bash +# Vue.js ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು (quiz-app ಮತ್ತು ದೃಶ್ಯೀಕರಣ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳು) +cd quiz-app # ಅಥವಾ ದೃಶ್ಯೀಕರಣ ಪ್ರಾಜೆಕ್ಟ್ ಫೋಲ್ಡರ್ +npm run lint + +# ಪೈಥಾನ್ ನೋಟ್ಬುಕ್‌ಗಳು - ಕೈಯಿಂದ ಪರಿಶೀಲನೆ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ +# ಆಮದುಗಳು ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಸೆಲ್‌ಗಳು ದೋಷರಹಿತವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +``` + +## ಕೋಡ್ ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳು + +### ಪೈಥಾನ್ (ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳು) +- ಪೈಥಾನ್ ಕೋಡ್‌ಗೆ PEP 8 ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸಿ +- ವಿಶ್ಲೇಷಿಸುತ್ತಿರುವ ಡೇಟಾವನ್ನು ವಿವರಿಸುವ ಸ್ಪಷ್ಟ ವ್ಯತ್ಯಯ ಹೆಸರುಗಳನ್ನು ಬಳಸಿ +- ಕೋಡ್ ಸೆಲ್‌ಗಳ ಮುಂಚೆ ವಿವರಣೆಗಳೊಂದಿಗೆ ಮಾರ್ಕ್‌ಡೌನ್ ಸೆಲ್‌ಗಳನ್ನು ಸೇರಿಸಿ +- ಕೋಡ್ ಸೆಲ್‌ಗಳನ್ನು ಏಕಾಂಗಿ ತತ್ವಗಳು ಅಥವಾ ಕಾರ್ಯಾಚರಣೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿ +- ಡೇಟಾ ಸಂಚಲನಕ್ಕೆ pandas, ದೃಶ್ಯೀಕರಣಕ್ಕೆ matplotlib ಬಳಸಿ +- ಸಾಮಾನ್ಯ ಆಮದು ಮಾದರಿ: + ```python + import pandas as pd + import numpy as np + import matplotlib.pyplot as plt + ``` + +### ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್/Vue.js +- Vue.js 2 ಶೈಲಿ ಮಾರ್ಗಸೂಚಿ ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಅನುಸರಿಸಿ +- ESLint ಸಂರಚನೆ `quiz-app/package.json` ನಲ್ಲಿ ಇದೆ +- Vue ಸಿಂಗಲ್-ಫೈಲ್ ಕಾಂಪೋನಂಟ್‌ಗಳು (.vue ಫೈಲ್‌ಗಳು) ಬಳಸಿ +- ಕಾಂಪೋನಂಟ್ ಆಧಾರಿತ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಕಾಪಾಡಿ +- ಬದಲಾವಣೆಗಳನ್ನು ಕಮಿಟ್ ಮಾಡುವ ಮೊದಲು `npm run lint` ಓಡಿಸಿ + +### ಮಾರ್ಕ್‌ಡೌನ್ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ +- ಸ್ಪಷ್ಟ ಶೀರ್ಷಿಕೆ ಹೈರಾರ್ಕಿಯನ್ನು ಬಳಸಿ (# ## ### ಇತ್ಯಾದಿ) +- ಭಾಷಾ ಸೂಚಕಗಳೊಂದಿಗೆ ಕೋಡ್ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಸೇರಿಸಿ +- ಚಿತ್ರಗಳಿಗೆ alt ಪಠ್ಯವನ್ನು ಸೇರಿಸಿ +- ಸಂಬಂಧಿತ ಪಾಠಗಳು ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಿ +- ಓದಲು ಸುಲಭವಾಗುವಂತೆ ಸಾಲಿನ ಉದ್ದವನ್ನು ಯುಕ್ತವಾಗಿ ಇಡಿ + +### ಫೈಲ್ ಸಂಘಟನೆ +- ಪಾಠ ವಿಷಯ ಸಂಖ್ಯಿತ ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ (01-defining-data-science ಮುಂತಾದವು) +- ಪರಿಹಾರಗಳು ಸಮರ್ಪಿತ `solution/` ಉಪಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ +- ಅನುವಾದಗಳು ಇಂಗ್ಲಿಷ್ ರಚನೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ `translations/` ಫೋಲ್ಡರ್‌ನಲ್ಲಿ +- ಡೇಟಾ ಫೈಲ್‌ಗಳನ್ನು `data/` ಅಥವಾ ಪಾಠ-ನಿರ್ದಿಷ್ಟ ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಇಡಿ + +## ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ನಿಯೋಜನೆ +```bash +cd quiz-app + +# ಉತ್ಪಾದನಾ ಆವೃತ್ತಿಯನ್ನು ನಿರ್ಮಿಸಿ +npm run build + +# ಔಟ್‌ಪುಟ್ dist/ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಇದೆ +# dist/ ಫೋಲ್ಡರ್ ಅನ್ನು ಸ್ಥಿರ ಹೋಸ್ಟಿಂಗ್‌ಗೆ ನಿಯೋಜಿಸಿ (Azure Static Web Apps, Netlify, ಇತ್ಯಾದಿ) +``` + +### ಅಜೂರ್ ಸ್ಟ್ಯಾಟಿಕ್ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿಯೋಜನೆ +quiz-app ಅನ್ನು ಅಜೂರ್ ಸ್ಟ್ಯಾಟಿಕ್ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ನಿಯೋಜಿಸಬಹುದು: +1. ಅಜೂರ್ ಸ್ಟ್ಯಾಟಿಕ್ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಸಂಪನ್ಮೂಲವನ್ನು ರಚಿಸಿ +2. GitHub ರೆಪೊಸಿಟರಿಯನ್ನು ಸಂಪರ್ಕಿಸಿ +3. ನಿರ್ಮಾಣ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಸಂರಚಿಸಿ: + - ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳ: `quiz-app` + - ಔಟ್‌ಪುಟ್ ಸ್ಥಳ: `dist` +4. GitHub Actions ಕಾರ್ಯಪ್ರವಾಹವು ಪುಷ್ ಮಾಡಿದಾಗ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಯೋಜಿಸುತ್ತದೆ + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೈಟ್ +```bash +# ಡಾಕ್ಸಿಫಿಯಿಂದ PDF ನಿರ್ಮಿಸಿ (ಐಚ್ಛಿಕ) +npm run convert + +# ಡಾಕ್ಸಿಫಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ನೇರವಾಗಿ ಮಾರ್ಕ್‌ಡೌನ್ ಫೈಲ್‌ಗಳಿಂದ ಸೇವೆ ಮಾಡಲಾಗುತ್ತದೆ +# ನಿಯೋಜನೆಗಾಗಿ ಯಾವುದೇ ನಿರ್ಮಾಣ ಹಂತ ಅಗತ್ಯವಿಲ್ಲ +# ಡಾಕ್ಸಿಫಿ ಬಳಸಿ ರೆಪೊಸಿಟರಿಯನ್ನು ಸ್ಥಿರ ಹೋಸ್ಟಿಂಗ್‌ಗೆ ನಿಯೋಜಿಸಿ +``` + +### GitHub Codespaces +- ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಡೆವ್ ಕಂಟೈನರ್ ಸಂರಚನೆ ಸೇರಿದೆ +- Codespaces ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪೈಥಾನ್ ಮತ್ತು Node.js ಪರಿಸರವನ್ನು ಸೆಟ್ ಮಾಡುತ್ತದೆ +- GitHub UI ಮೂಲಕ Codespace ನಲ್ಲಿ ರೆಪೊಸಿಟರಿ ತೆರೆಯಿರಿ +- ಎಲ್ಲಾ ಅವಲಂಬನೆಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸ್ಥಾಪಿತವಾಗುತ್ತವೆ + +## ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಮಾರ್ಗಸೂಚಿಗಳು + +### ಸಲ್ಲಿಸುವ ಮೊದಲು +```bash +# quiz-app ನಲ್ಲಿ Vue.js ಬದಲಾವಣೆಗಳಿಗೆ +cd quiz-app +npm run lint +npm run build + +# ಬದಲಾವಣೆಗಳನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷಿಸಿ +npm run serve +``` + +### PR ಶೀರ್ಷಿಕೆ ಸ್ವರೂಪ +- ಸ್ಪಷ್ಟ, ವಿವರಣಾತ್ಮಕ ಶೀರ್ಷಿಕೆಗಳನ್ನು ಬಳಸಿ +- ಸ್ವರೂಪ: `[Component] ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆ` +- ಉದಾಹರಣೆಗಳು: + - `[Lesson 7] ಪೈಥಾನ್ ನೋಟ್ಬುಕ್ ಆಮದು ದೋಷವನ್ನು ಸರಿಪಡಿಸಿ` + - `[Quiz App] ಜರ್ಮನ್ ಅನುವಾದವನ್ನು ಸೇರಿಸಿ` + - `[Docs] README ನ್ನು ಹೊಸ ಪೂರ್ವಾಪೇಕ್ಷೆಗಳೊಂದಿಗೆ ನವೀಕರಿಸಿ` + +### ಅಗತ್ಯ ಪರಿಶೀಲನೆಗಳು +- ಎಲ್ಲಾ ಕೋಡ್ ದೋಷರಹಿತವಾಗಿ ಓಡುತ್ತದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +- ನೋಟ್ಬುಕ್‌ಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ +- Vue.js ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಯಶಸ್ವಿಯಾಗಿ ನಿರ್ಮಿತವಾಗುತ್ತವೆಯೇ ಎಂದು ದೃಢೀಕರಿಸಿ +- ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಲಿಂಕ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ +- ಬದಲಾವಣೆ ಮಾಡಿದರೆ ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಪರೀಕ್ಷಿಸಿ +- ಅನುವಾದಗಳು ಸुसಂಗತ ರಚನೆಯನ್ನು ಕಾಪಾಡುತ್ತವೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ + +### ಕೊಡುಗೆ ಮಾರ್ಗಸೂಚಿಗಳು +- ಇತ್ತೀಚಿನ ಕೋಡ್ ಶೈಲಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಅನುಸರಿಸಿ +- ಸಂಕೀರ್ಣ ತರ್ಕಕ್ಕೆ ವಿವರಣಾತ್ಮಕ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ +- ಸಂಬಂಧಿತ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ನವೀಕರಿಸಿ +- ಅನ್ವಯಿಸಿದರೆ ವಿಭಿನ್ನ ಪಾಠ ಮಾಯಾಜಾಲಗಳಲ್ಲಿ ಬದಲಾವಣೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ +- CONTRIBUTING.md ಫೈಲ್ ಪರಿಶೀಲಿಸಿ + +## ಹೆಚ್ಚುವರಿ ಟಿಪ್ಪಣಿಗಳು + +### ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಲೈಬ್ರರಿಗಳು +- **pandas**: ಡೇಟಾ ಸಂಚಲನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ +- **numpy**: ಸಂಖ್ಯಾತ್ಮಕ ಗಣನೆ +- **matplotlib**: ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಪ್ಲಾಟಿಂಗ್ +- **seaborn**: ಸಾಂಖ್ಯಿಕ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ (ಕೆಲವು ಪಾಠಗಳು) +- **scikit-learn**: ಯಂತ್ರ ಅಧ್ಯಯನ (ಅಧಿಕೃತ ಪಾಠಗಳು) + +### ಡೇಟಾ ಫೈಲ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ +- ಡೇಟಾ ಫೈಲ್‌ಗಳು `data/` ಫೋಲ್ಡರ್ ಅಥವಾ ಪಾಠ-ನಿರ್ದಿಷ್ಟ ಡೈರೆಕ್ಟರಿಗಳಲ್ಲಿ ಇರುತ್ತವೆ +- ಹೆಚ್ಚಿನ ನೋಟ್ಬುಕ್‌ಗಳು ಸಂಬಂಧಿತ ಮಾರ್ಗಗಳಲ್ಲಿ ಡೇಟಾ ಫೈಲ್‌ಗಳನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತವೆ +- CSV ಫೈಲ್‌ಗಳು ಪ್ರಾಥಮಿಕ ಡೇಟಾ ಸ್ವರೂಪ +- ಕೆಲವು ಪಾಠಗಳು JSON ಅನ್ನು ಅಸಂಬಂಧಿತ ಡೇಟಾ ಉದಾಹರಣೆಗಳಿಗೆ ಬಳಸುತ್ತವೆ + +### ಬಹುಭಾಷಾ ಬೆಂಬಲ +- 40+ ಭಾಷಾ ಅನುವಾದಗಳು ಸ್ವಯಂಚಾಲಿತ GitHub Actions ಮೂಲಕ +- ಅನುವಾದ ಕಾರ್ಯಪ್ರವಾಹ `.github/workflows/co-op-translator.yml` ನಲ್ಲಿ +- ಅನುವಾದಗಳು `translations/` ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಭಾಷಾ ಕೋಡ್‌ಗಳೊಂದಿಗೆ +- ಕ್ವಿಜ್ ಅನುವಾದಗಳು `quiz-app/src/assets/translations/` ನಲ್ಲಿ + +### ಅಭಿವೃದ್ಧಿ ಪರಿಸರ ಆಯ್ಕೆಗಳು +1. **ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ**: ಪೈಥಾನ್, ಜುಪೈಟರ್, Node.js ಸ್ಥಳೀಯವಾಗಿ ಸ್ಥಾಪಿಸಿ +2. **GitHub Codespaces**: ಕ್ಲೌಡ್ ಆಧಾರಿತ ತಕ್ಷಣದ ಅಭಿವೃದ್ಧಿ ಪರಿಸರ +3. **VS Code ಡೆವ್ ಕಂಟೈನರ್‌ಗಳು**: ಸ್ಥಳೀಯ ಕಂಟೈನರ್ ಆಧಾರಿತ ಅಭಿವೃದ್ಧಿ +4. **ಬಿಂಡರ್**: ಕ್ಲೌಡ್‌ನಲ್ಲಿ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸಿ (ಸೆಟ್ ಮಾಡಿದರೆ) + +### ಪಾಠ ವಿಷಯ ಮಾರ್ಗಸೂಚಿಗಳು +- ಪ್ರತಿ ಪಾಠ ಸ್ವತಂತ್ರವಾಗಿದ್ದು ಹಿಂದಿನ ತತ್ವಗಳ ಮೇಲೆ ನಿರ್ಮಿತವಾಗಿದೆ +- ಪೂರ್ವ ಪಾಠ ಕ್ವಿಜ್‌ಗಳು ಹಿಂದಿನ ಜ್ಞಾನವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತವೆ +- ಪೋಸ್ಟ್ ಪಾಠ ಕ್ವಿಜ್‌ಗಳು ಕಲಿಕೆಯನ್ನು ಬಲಪಡಿಸುತ್ತವೆ +- ಅಸೈನ್‌ಮೆಂಟ್‌ಗಳು ಹ್ಯಾಂಡ್ಸ್-ಆನ್ ಅಭ್ಯಾಸವನ್ನು ಒದಗಿಸುತ್ತವೆ +- ಸ್ಕೆಚ್‌ನೋಟ್‌ಗಳು ದೃಶ್ಯ ಸಾರಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ + +### ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರ + +**ಜುಪೈಟರ್ ಕರ್ಣಲ್ ಸಮಸ್ಯೆಗಳು:** +```bash +# ಸರಿಯಾದ ಕರ್ಣಲ್ ಸ್ಥಾಪಿತವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +python -m ipykernel install --user --name=datascience +``` + +**npm ಸ್ಥಾಪನೆ ವಿಫಲತೆಗಳು:** +```bash +# npm ಕ್ಯಾಶೆ ತೆರವುಗೊಳಿಸಿ ಮತ್ತು ಮರುಪ್ರಯತ್ನಿಸಿ +npm cache clean --force +rm -rf node_modules package-lock.json +npm install +``` + +**ನೋಟ್ಬುಕ್‌ಗಳಲ್ಲಿ ಆಮದು ದೋಷಗಳು:** +- ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ಲೈಬ್ರರಿಗಳು ಸ್ಥಾಪಿತವಾಗಿವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +- ಪೈಥಾನ್ ಆವೃತ್ತಿ ಹೊಂದಾಣಿಕೆ ಪರಿಶೀಲಿಸಿ (ಪೈಥಾನ್ 3.7+ ಶಿಫಾರಸು) +- ವರ್ಚುವಲ್ ಪರಿಸರ ಸಕ್ರಿಯವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ + +**Docsify ಲೋಡ್ ಆಗುತ್ತಿಲ್ಲ:** +- ನೀವು ರೆಪೊಸಿಟರಿ ರೂಟ್‌ನಿಂದ ಸರ್ವ್ ಮಾಡುತ್ತಿದ್ದೀರಾ ಎಂದು ಪರಿಶೀಲಿಸಿ +- `index.html` ಇದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +- ಸರಿಯಾದ ನೆಟ್‌ವರ್ಕ್ ಪ್ರವೇಶ (ಪೋರ್ಟ್ 3000) ಇದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ + +### ಕಾರ್ಯಕ್ಷಮತೆ ಪರಿಗಣನೆಗಳು +- ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳು ನೋಟ್ಬುಕ್‌ಗಳಲ್ಲಿ ಲೋಡ್ ಆಗಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು +- ಸಂಕೀರ್ಣ ಪ್ಲಾಟ್‌ಗಳ ದೃಶ್ಯೀಕರಣ ನಿಧಾನವಾಗಬಹುದು +- Vue.js ಡೆವ್ ಸರ್ವರ್ ತ್ವರಿತ ಪುನರಾವೃತ್ತಿಗಾಗಿ ಹಾಟ್-ರಿಲೋಡ್ ಸೌಲಭ್ಯ ನೀಡುತ್ತದೆ +- ಉತ್ಪಾದನಾ ನಿರ್ಮಾಣಗಳು ಆಪ್ಟಿಮೈಸ್ ಮತ್ತು ಮಿನಿಫೈ ಮಾಡಲ್ಪಟ್ಟಿವೆ + +### ಭದ್ರತಾ ಟಿಪ್ಪಣಿಗಳು +- ಯಾವುದೇ ಸಂವೇದನಾಶೀಲ ಡೇಟಾ ಅಥವಾ ಪ್ರಮಾಣಪತ್ರಗಳನ್ನು ಕಮಿಟ್ ಮಾಡಬಾರದು +- ಕ್ಲೌಡ್ ಪಾಠಗಳಲ್ಲಿ ಯಾವುದೇ API ಕೀಗಳಿಗೆ ಪರಿಸರ ಚರಗಳನ್ನು ಬಳಸಿ +- ಅಜೂರ್ ಸಂಬಂಧಿತ ಪಾಠಗಳಿಗೆ ಅಜೂರ್ ಖಾತೆ ಪ್ರಮಾಣಪತ್ರಗಳು ಅಗತ್ಯವಿರಬಹುದು +- ಭದ್ರತಾ ಪ್ಯಾಚ್‌ಗಳಿಗೆ ಅವಲಂಬನೆಗಳನ್ನು ನವೀಕರಿಸಿ + +## ಅನುವಾದಗಳಿಗೆ ಕೊಡುಗೆ ನೀಡುವುದು +- ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳನ್ನು GitHub Actions ಮೂಲಕ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ +- ಅನುವಾದದ ನಿಖರತೆಗಾಗಿ ಕೈಯಿಂದ ತಿದ್ದುಪಡಿ ಸ್ವಾಗತ +- ಇತ್ತೀಚಿನ ಅನುವಾದ ಫೋಲ್ಡರ್ ರಚನೆಯನ್ನು ಅನುಸರಿಸಿ +- ಕ್ವಿಜ್ ಲಿಂಕ್‌ಗಳನ್ನು ಭಾಷಾ ಪರಿಮಾಣದೊಂದಿಗೆ ನವೀಕರಿಸಿ: `?loc=fr` +- ಸರಿಯಾಗಿ ರೆಂಡರ್ ಆಗುವಂತೆ ಅನುವಾದಿತ ಪಾಠಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ + +## ಸಂಬಂಧಿತ ಸಂಪನ್ಮೂಲಗಳು +- ಮುಖ್ಯ ಪಠ್ಯಕ್ರಮ: https://aka.ms/datascience-beginners +- ಮೈಕ್ರೋಸಾಫ್ಟ್ ಲರ್ನ್: https://docs.microsoft.com/learn/ +- ವಿದ್ಯಾರ್ಥಿ ಹಬ್: https://docs.microsoft.com/learn/student-hub +- ಚರ್ಚಾ ವೇದಿಕೆ: https://github.com/microsoft/Data-Science-For-Beginners/discussions +- ಇತರ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಪಠ್ಯಕ್ರಮಗಳು: ML for Beginners, AI for Beginners, Web Dev for Beginners + +## ಪ್ರಾಜೆಕ್ಟ್ ನಿರ್ವಹಣೆ +- ವಿಷಯವನ್ನು ನವೀನಗೊಳಿಸಲು ನಿಯಮಿತ ನವೀಕರಣಗಳು +- ಸಮುದಾಯ ಕೊಡುಗೆಗಳಿಗೆ ಸ್ವಾಗತ +- ಸಮಸ್ಯೆಗಳು GitHub ನಲ್ಲಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಲಾಗುತ್ತವೆ +- ಪಿಆರ್‌ಗಳನ್ನು ಪಠ್ಯಕ್ರಮ ನಿರ್ವಹಕರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ +- ಮಾಸಿಕ ವಿಷಯ ವಿಮರ್ಶೆಗಳು ಮತ್ತು ನವೀಕರಣಗಳು + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/CODE_OF_CONDUCT.md b/translations/kn/CODE_OF_CONDUCT.md new file mode 100644 index 00000000..f72b75bb --- /dev/null +++ b/translations/kn/CODE_OF_CONDUCT.md @@ -0,0 +1,25 @@ + +# ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಕೋಡ್ ಆಫ್ ಕಂಡಕ್ಟ್ + +ಈ ಯೋಜನೆ [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಕೋಡ್ ಆಫ್ ಕಂಡಕ್ಟ್](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಂಗೀಕರಿಸಿದೆ. + +ಸಂಪನ್ಮೂಲಗಳು: + +- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಓಪನ್ ಸೋರ್ಸ್ ಕೋಡ್ ಆಫ್ ಕಂಡಕ್ಟ್](https://opensource.microsoft.com/codeofconduct/) +- [ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕೋಡ್ ಆಫ್ ಕಂಡಕ್ಟ್ FAQ](https://opensource.microsoft.com/codeofconduct/faq/) +- ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಚಿಂತೆಗಳಿಗಾಗಿ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಸಂಪರ್ಕಿಸಿ + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/CONTRIBUTING.md b/translations/kn/CONTRIBUTING.md new file mode 100644 index 00000000..11e44df8 --- /dev/null +++ b/translations/kn/CONTRIBUTING.md @@ -0,0 +1,368 @@ + +# ಆರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಕೊಡುಗೆ ನೀಡುವುದು + +ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಪಠ್ಯಕ್ರಮಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಲು ನಿಮ್ಮ ಆಸಕ್ತಿಗೆ ಧನ್ಯವಾದಗಳು! ನಾವು ಸಮುದಾಯದಿಂದ ಕೊಡುಗೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತೇವೆ. + +## ವಿಷಯಗಳ ಪಟ್ಟಿಕೆ + +- [ನಡವಳಿಕೆ ಸಂಹಿತೆ](../..) +- [ನಾನು ಹೇಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು?](../..) +- [ಪ್ರಾರಂಭಿಸುವುದು](../..) +- [ಕೊಡುಗೆ ಮಾರ್ಗಸೂಚಿಗಳು](../..) +- [ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಪ್ರಕ್ರಿಯೆ](../..) +- [ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳು](../..) +- [ಕೊಡುಗೆದಾರ ಪರವಾನಗಿ ಒಪ್ಪಂದ](../..) + +## ನಡವಳಿಕೆ ಸಂಹಿತೆ + +ಈ ಯೋಜನೆ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ಅನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿದೆ. +ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ನಡವಳಿಕೆ ಸಂಹಿತೆ FAQ](https://opensource.microsoft.com/codeofconduct/faq/) ನೋಡಿ +ಅಥವಾ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಪ್ರಶ್ನೆಗಳು ಅಥವಾ ಟಿಪ್ಪಣಿಗಳಿಗಾಗಿ [opencode@microsoft.com](mailto:opencode@microsoft.com) ಸಂಪರ್ಕಿಸಿ. + +## ನಾನು ಹೇಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು? + +### ದೋಷಗಳನ್ನು ವರದಿ ಮಾಡುವುದು + +ದೋಷ ವರದಿಗಳನ್ನು ರಚಿಸುವ ಮೊದಲು, ನಕಲಿ ವರದಿಗಳನ್ನು ತಪ್ಪಿಸಲು ಇತ್ತೀಚಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ನೀವು ದೋಷ ವರದಿ ರಚಿಸುವಾಗ, ಸಾಧ್ಯವಾದಷ್ಟು ವಿವರಗಳನ್ನು ಸೇರಿಸಿ: + +- **ಸ್ಪಷ್ಟ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಶೀರ್ಷಿಕೆ ಬಳಸಿ** +- **ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ನಿಖರವಾದ ಹಂತಗಳನ್ನು ವಿವರಿಸಿ** +- **ನಿರ್ದಿಷ್ಟ ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸಿ** (ಕೋಡ್ ತುಣುಕುಗಳು, ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು) +- **ನೀವು ಕಂಡ ವರ್ತನೆ ಮತ್ತು ನಿರೀಕ್ಷಿತ ವರ್ತನೆಯನ್ನು ವಿವರಿಸಿ** +- **ನಿಮ್ಮ ಪರಿಸರ ವಿವರಗಳನ್ನು ಸೇರಿಸಿ** (OS, Python ಆವೃತ್ತಿ, ಬ್ರೌಸರ್) + +### ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸುವುದು + +ಸುಧಾರಣೆ ಸಲಹೆಗಳು ಸ್ವಾಗತಾರ್ಹ! ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸುವಾಗ: + +- **ಸ್ಪಷ್ಟ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ಶೀರ್ಷಿಕೆ ಬಳಸಿ** +- **ಸುಧಾರಣೆಯ ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ಒದಗಿಸಿ** +- **ಈ ಸುಧಾರಣೆ ಯಾಕೆ ಉಪಯುಕ್ತವಾಗುತ್ತದೆ ಎಂದು ವಿವರಿಸಿ** +- **ಇತರ ಯೋಜನೆಗಳಲ್ಲಿ ಇರುವ ಸಮಾನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ, ಅನ್ವಯಿಸಿದರೆ** + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ಗೆ ಕೊಡುಗೆ ನೀಡುವುದು + +ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸುಧಾರಣೆಗಳನ್ನು ಯಾವಾಗಲೂ ಮೆಚ್ಚಲಾಗುತ್ತದೆ: + +- **ಟೈಪೋಗಳು ಮತ್ತು ವ್ಯಾಕರಣ ದೋಷಗಳನ್ನು ಸರಿಪಡಿಸಿ** +- **ವಿವರಣೆಗಳ ಸ್ಪಷ್ಟತೆಯನ್ನು ಸುಧಾರಿಸಿ** +- **ಕಾಣದಿರುವ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೇರಿಸಿ** +- **ಹಳೆಯ ಮಾಹಿತಿಯನ್ನು ನವೀಕರಿಸಿ** +- **ಉದಾಹರಣೆಗಳು ಅಥವಾ ಬಳಕೆ ಪ್ರಕರಣಗಳನ್ನು ಸೇರಿಸಿ** + +### ಕೋಡ್‌ಗೆ ಕೊಡುಗೆ ನೀಡುವುದು + +ನಾವು ಕೆಳಗಿನ ಕೋಡ್ ಕೊಡುಗೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತೇವೆ: + +- **ಹೊಸ ಪಾಠಗಳು ಅಥವಾ ವ್ಯಾಯಾಮಗಳು** +- **ದೋಷ ಸರಿಪಡಿಸುವಿಕೆಗಳು** +- **ಇದೀಗಿರುವ ನೋಟ್ಬುಕ್‌ಗಳ ಸುಧಾರಣೆಗಳು** +- **ಹೊಸ ಡೇಟಾಸೆಟ್‌ಗಳು ಅಥವಾ ಉದಾಹರಣೆಗಳು** +- **ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಸುಧಾರಣೆಗಳು** + +## ಪ್ರಾರಂಭಿಸುವುದು + +### ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು + +ಕೊಡುಗೆ ನೀಡುವ ಮೊದಲು, ನೀವು ಹೊಂದಿರಬೇಕು: + +1. GitHub ಖಾತೆ +2. ನಿಮ್ಮ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ Git ಸ್ಥಾಪನೆ +3. Python 3.7+ ಮತ್ತು Jupyter ಸ್ಥಾಪನೆ +4. Node.js ಮತ್ತು npm (ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಕೊಡುಗೆಗಳಿಗೆ) +5. ಪಠ್ಯಕ್ರಮ ರಚನೆಗೆ ಪರಿಚಯ + +ವಿಸ್ತೃತ ಸ್ಥಾಪನೆ ಸೂಚನೆಗಳಿಗಾಗಿ [INSTALLATION.md](INSTALLATION.md) ನೋಡಿ. + +### ಫೋರ್ಕ್ ಮತ್ತು ಕ್ಲೋನ್ + +1. GitHub ನಲ್ಲಿ **ರಿಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ** +2. **ನಿಮ್ಮ ಫೋರ್ಕ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಕ್ಲೋನ್ ಮಾಡಿ**: + ```bash + git clone https://github.com/YOUR-USERNAME/Data-Science-For-Beginners.git + cd Data-Science-For-Beginners + ``` +3. **ಅಪ್ಸ್ಟ್ರೀಮ್ ರಿಮೋಟ್ ಸೇರಿಸಿ**: + ```bash + git remote add upstream https://github.com/microsoft/Data-Science-For-Beginners.git + ``` + +### ಶಾಖೆಯನ್ನು ರಚಿಸಿ + +ನಿಮ್ಮ ಕೆಲಸಕ್ಕೆ ಹೊಸ ಶಾಖೆಯನ್ನು ರಚಿಸಿ: + +```bash +git checkout -b feature/your-feature-name +# ಅಥವಾ +git checkout -b fix/your-bug-fix +``` + +ಶಾಖೆ ಹೆಸರು ನಿಯಮಗಳು: +- `feature/` - ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳು ಅಥವಾ ಪಾಠಗಳು +- `fix/` - ದೋಷ ಸರಿಪಡಿಸುವಿಕೆಗಳು +- `docs/` - ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಬದಲಾವಣೆಗಳು +- `refactor/` - ಕೋಡ್ ಪುನರ್‌ರಚನೆ + +## ಕೊಡುಗೆ ಮಾರ್ಗಸೂಚಿಗಳು + +### ಪಾಠ ವಿಷಯಕ್ಕಾಗಿ + +ಪಾಠಗಳನ್ನು ಕೊಡುಗೆ ನೀಡುವಾಗ ಅಥವಾ ಇತ್ತೀಚಿನ ಪಾಠಗಳನ್ನು ಬದಲಾಯಿಸುವಾಗ: + +1. **ಇದೀಗಿರುವ ರಚನೆಯನ್ನು ಅನುಸರಿಸಿ**: + - README.md ನಲ್ಲಿ ಪಾಠ ವಿಷಯ + - ವ್ಯಾಯಾಮಗಳೊಂದಿಗೆ Jupyter ನೋಟ್ಬುಕ್ + - ನಿಯೋಜನೆ (ಅನ್ವಯಿಸಿದರೆ) + - ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಕ್ವಿಜ್‌ಗಳಿಗೆ ಲಿಂಕ್ + +2. **ಈ ಅಂಶಗಳನ್ನು ಸೇರಿಸಿ**: + - ಸ್ಪಷ್ಟ ಕಲಿಕೆ ಗುರಿಗಳು + - ಹಂತ ಹಂತವಾಗಿ ವಿವರಣೆಗಳು + - ಕಾಮೆಂಟ್‌ಗಳೊಂದಿಗೆ ಕೋಡ್ ಉದಾಹರಣೆಗಳು + - ಅಭ್ಯಾಸಕ್ಕಾಗಿ ವ್ಯಾಯಾಮಗಳು + - ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಲಿಂಕ್‌ಗಳು + +3. **ಪ್ರವೇಶಾರ್ಹತೆಯನ್ನು ಖಚಿತಪಡಿಸಿ**: + - ಸ್ಪಷ್ಟ, ಸರಳ ಭಾಷೆ ಬಳಸಿ + - ಚಿತ್ರಗಳಿಗೆ alt ಪಠ್ಯ ಒದಗಿಸಿ + - ಕೋಡ್ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ + - ವಿಭಿನ್ನ ಕಲಿಕೆ ಶೈಲಿಗಳನ್ನು ಪರಿಗಣಿಸಿ + +### Jupyter ನೋಟ್ಬುಕ್‌ಗಳಿಗೆ + +1. **ಕಮಿಟ್ ಮಾಡುವ ಮೊದಲು ಎಲ್ಲಾ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ತೆರವುಗೊಳಿಸಿ**: + ```bash + jupyter nbconvert --clear-output --inplace notebook.ipynb + ``` + +2. **ವಿವರಣೆಗಳೊಂದಿಗೆ ಮಾರ್ಕ್‌ಡೌನ್ ಸೆಲ್‌ಗಳನ್ನು ಸೇರಿಸಿ** + +3. **ಸಮರಸಿತ ಫಾರ್ಮ್ಯಾಟಿಂಗ್ ಬಳಸಿ**: + ```python + # ಮೇಲ್ಭಾಗದಲ್ಲಿ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಆಮದುಮಾಡಿ + import pandas as pd + import numpy as np + import matplotlib.pyplot as plt + + # ಅರ್ಥಪೂರ್ಣ ಚರ ನಾಮಗಳನ್ನು ಬಳಸಿ + # ಸಂಕೀರ್ಣ ಕಾರ್ಯಾಚರಣೆಗಳಿಗೆ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸೇರಿಸಿ + # PEP 8 ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸಿ + ``` + +4. **ನಿಮ್ಮ ನೋಟ್ಬುಕ್ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪರೀಕ್ಷಿಸಿ** ಸಲ್ಲಿಸುವ ಮೊದಲು + +### Python ಕೋಡ್‌ಗೆ + +[PEP 8](https://www.python.org/dev/peps/pep-0008/) ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಅನುಸರಿಸಿ: + +```python +# ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು +import pandas as pd + +def calculate_mean(data): + """Calculate the mean of a dataset. + + Args: + data (list): List of numerical values + + Returns: + float: Mean of the dataset + """ + return sum(data) / len(data) +``` + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಕೊಡುಗೆಗಳಿಗೆ + +ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಬದಲಾಯಿಸುವಾಗ: + +1. **ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷಿಸಿ**: + ```bash + cd quiz-app + npm install + npm run serve + ``` + +2. **ಲಿಂಟರ್ ಅನ್ನು ಓಡಿಸಿ**: + ```bash + npm run lint + ``` + +3. **ಯಶಸ್ವಿಯಾಗಿ ನಿರ್ಮಿಸಿ**: + ```bash + npm run build + ``` + +4. **Vue.js ಶೈಲಿ ಮಾರ್ಗಸೂಚಿ ಮತ್ತು ಇತ್ತೀಚಿನ ಮಾದರಿಗಳನ್ನು ಅನುಸರಿಸಿ** + +### ಅನುವಾದಗಳಿಗೆ + +ಅನುವಾದಗಳನ್ನು ಸೇರಿಸುವಾಗ ಅಥವಾ ನವೀಕರಿಸುವಾಗ: + +1. `translations/` ಫೋಲ್ಡರ್ ರಚನೆಯನ್ನು ಅನುಸರಿಸಿ +2. ಭಾಷಾ ಕೋಡ್ ಅನ್ನು ಫೋಲ್ಡರ್ ಹೆಸರಾಗಿ ಬಳಸಿ (ಉದಾ: ಫ್ರೆಂಚ್‌ಗೆ `fr`) +3. ಇಂಗ್ಲಿಷ್ ಆವೃತ್ತಿಯಂತೆ ಫೈಲ್ ರಚನೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳಿ +4. ಕ್ವಿಜ್ ಲಿಂಕ್‌ಗಳನ್ನು ಭಾಷಾ ಪರಿಮಾಣದೊಂದಿಗೆ ನವೀಕರಿಸಿ: `?loc=fr` +5. ಎಲ್ಲಾ ಲಿಂಕ್‌ಗಳು ಮತ್ತು ಫಾರ್ಮ್ಯಾಟಿಂಗ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ + +## ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಪ್ರಕ್ರಿಯೆ + +### ಸಲ್ಲಿಸುವ ಮೊದಲು + +1. **ನಿಮ್ಮ ಶಾಖೆಯನ್ನು ಇತ್ತೀಚಿನ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ನವೀಕರಿಸಿ**: + ```bash + git fetch upstream + git rebase upstream/main + ``` + +2. **ನಿಮ್ಮ ಬದಲಾವಣೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ**: + - ಎಲ್ಲಾ ಬದಲಾಯಿಸಿದ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಓಡಿಸಿ + - ಬದಲಾಯಿಸಿದರೆ ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಪರೀಕ್ಷಿಸಿ + - ಎಲ್ಲಾ ಲಿಂಕ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಖಚಿತಪಡಿಸಿ + - ವ್ಯಾಕರಣ ಮತ್ತು ಶಬ್ದದೋಷಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ + +3. **ನಿಮ್ಮ ಬದಲಾವಣೆಗಳನ್ನು ಕಮಿಟ್ ಮಾಡಿ**: + ```bash + git add . + git commit -m "Brief description of changes" + ``` + + ಸ್ಪಷ್ಟ ಕಮಿಟ್ ಸಂದೇಶಗಳನ್ನು ಬರೆಯಿರಿ: + - ವರ್ತಮಾನ ಕಾಲ ಬಳಸಿ ("Add feature" "Added feature" ಅಲ್ಲ) + - ಆಜ್ಞಾಪದ ಭಾವ ಬಳಸಿ ("Move cursor to..." "Moves cursor to..." ಅಲ್ಲ) + - ಮೊದಲ ಸಾಲು 72 ಅಕ್ಷರಗಳಿಗೆ ಮಿತಿಮಾಡಿ + - ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್‌ಗಳನ್ನು ಉಲ್ಲೇಖಿಸಿ + +4. **ನಿಮ್ಮ ಫೋರ್ಕ್‌ಗೆ ಪುಷ್ ಮಾಡಿ**: + ```bash + git push origin feature/your-feature-name + ``` + +### ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ರಚನೆ + +1. [ರಿಪೊಸಿಟರಿಯ](https://github.com/microsoft/Data-Science-For-Beginners) ಗೆ ಹೋಗಿ +2. "Pull requests" → "New pull request" ಕ್ಲಿಕ್ ಮಾಡಿ +3. "compare across forks" ಕ್ಲಿಕ್ ಮಾಡಿ +4. ನಿಮ್ಮ ಫೋರ್ಕ್ ಮತ್ತು ಶಾಖೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ +5. "Create pull request" ಕ್ಲಿಕ್ ಮಾಡಿ + +### PR ಶೀರ್ಷಿಕೆ ಸ್ವರೂಪ + +ಈ ಸ್ವರೂಪವನ್ನು ಅನುಸರಿಸಿ ಸ್ಪಷ್ಟ, ವಿವರಣಾತ್ಮಕ ಶೀರ್ಷಿಕೆಗಳನ್ನು ಬಳಸಿ: + +``` +[Component] Brief description +``` + +ಉದಾಹರಣೆಗಳು: +- `[Lesson 7] Python ನೋಟ್ಬುಕ್ ಆಮದು ದೋಷವನ್ನು ಸರಿಪಡಿಸಿ` +- `[Quiz App] ಜರ್ಮನ್ ಅನುವಾದವನ್ನು ಸೇರಿಸಿ` +- `[Docs] README ನವೀಕರಣ ಹೊಸ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳೊಂದಿಗೆ` +- `[Fix] ದೃಶ್ಯೀಕರಣ ಪಾಠದಲ್ಲಿ ಡೇಟಾ ಮಾರ್ಗವನ್ನು ಸರಿಪಡಿಸಿ` + +### PR ವಿವರಣೆ + +ನಿಮ್ಮ PR ವಿವರಣೆಯಲ್ಲಿ ಸೇರಿಸಿ: + +- **ಏನು**: ನೀವು ಯಾವ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಿದ್ದೀರಿ? +- **ಯಾಕೆ**: ಈ ಬದಲಾವಣೆಗಳು ಯಾಕೆ ಅಗತ್ಯ? +- **ಹೇಗೆ**: ನೀವು ಬದಲಾವಣೆಗಳನ್ನು ಹೇಗೆ ಜಾರಿಗೆ ತಂದಿರಿ? +- **ಪರೀಕ್ಷೆ**: ನೀವು ಬದಲಾವಣೆಗಳನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಿದ್ದೀರಿ? +- **ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳು**: ದೃಶ್ಯ ಬದಲಾವಣೆಗಳಿಗೆ ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ +- **ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳು**: ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳಿಗೆ ಲಿಂಕ್ (ಉದಾ: "Fixes #123") + +### ವಿಮರ್ಶಾ ಪ್ರಕ್ರಿಯೆ + +1. **ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನೆಗಳು** ನಿಮ್ಮ PR ಮೇಲೆ ನಡೆಯುತ್ತವೆ +2. **ನಿರ್ವಹಕರು ನಿಮ್ಮ ಕೊಡುಗೆ ಪರಿಶೀಲಿಸುತ್ತಾರೆ** +3. **ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಗಮನಿಸಿ ಹೆಚ್ಚುವರಿ ಕಮಿಟ್‌ಗಳನ್ನು ಮಾಡಿ** +4. ಒಪ್ಪಿಗೆಯಾದ ನಂತರ, **ನಿರ್ವಹಕರು ನಿಮ್ಮ PR ಅನ್ನು ಮರ್ಜ್ ಮಾಡುತ್ತಾರೆ** + +### ನಿಮ್ಮ PR ಮರ್ಜ್ ಆದ ನಂತರ + +1. ನಿಮ್ಮ ಶಾಖೆಯನ್ನು ಅಳಿಸಿ: + ```bash + git branch -d feature/your-feature-name + git push origin --delete feature/your-feature-name + ``` + +2. ನಿಮ್ಮ ಫೋರ್ಕ್ ಅನ್ನು ನವೀಕರಿಸಿ: + ```bash + git checkout main + git pull upstream main + git push origin main + ``` + +## ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಗಳು + +### ಮಾರ್ಕ್‌ಡೌನ್ + +- ಸತತ ಶೀರ್ಷಿಕೆ ಮಟ್ಟಗಳನ್ನು ಬಳಸಿ +- ವಿಭಾಗಗಳ ನಡುವೆ ಖಾಲಿ ಸಾಲುಗಳನ್ನು ಸೇರಿಸಿ +- ಭಾಷಾ ಸೂಚಕಗಳೊಂದಿಗೆ ಕೋಡ್ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಬಳಸಿ: + ````markdown + ```python + import pandas as pd + ``` + ```` +- ಚಿತ್ರಗಳಿಗೆ alt ಪಠ್ಯ ಸೇರಿಸಿ: `![Alt text](../../translated_images/image.4ee84a82b5e4c9e6651b13fd27dcf615e427ec584929f2cef7167aa99151a77a.kn.png)` +- ಸಾಲಿನ ಉದ್ದವನ್ನು ಯುಕ್ತಮಟ್ಟದಲ್ಲಿ ಇಡಿ (ಸುಮಾರು 80-100 ಅಕ್ಷರಗಳು) + +### Python + +- PEP 8 ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಯನ್ನು ಅನುಸರಿಸಿ +- ಅರ್ಥಪೂರ್ಣ ಚರಗಳ ಹೆಸರುಗಳನ್ನು ಬಳಸಿ +- ಫಂಕ್ಷನ್‌ಗಳಿಗೆ ಡಾಕ್ಸ್ಟ್ರಿಂಗ್‌ಗಳನ್ನು ಸೇರಿಸಿ +- ಅಗತ್ಯವಿದ್ದಲ್ಲಿ ಟೈಪ್ ಸೂಚನೆಗಳನ್ನು ಸೇರಿಸಿ: + ```python + def process_data(df: pd.DataFrame) -> pd.DataFrame: + """Process the input dataframe.""" + return df + ``` + +### JavaScript/Vue.js + +- Vue.js 2 ಶೈಲಿ ಮಾರ್ಗಸೂಚಿಯನ್ನು ಅನುಸರಿಸಿ +- ESLint ಸಂರಚನೆಯನ್ನು ಬಳಸಿ +- ಮಡ್ಯೂಲರ್, ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಘಟಕಗಳನ್ನು ಬರೆಯಿರಿ +- ಸಂಕೀರ್ಣ ತರ್ಕಕ್ಕೆ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ + +### ಫೈಲ್ ಸಂಘಟನೆ + +- ಸಂಬಂಧಿತ ಫೈಲ್‌ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಇಡಿ +- ವಿವರಣಾತ್ಮಕ ಫೈಲ್ ಹೆಸರುಗಳನ್ನು ಬಳಸಿ +- ಇತ್ತೀಚಿನ ಡೈರೆಕ್ಟರಿ ರಚನೆಯನ್ನು ಅನುಸರಿಸಿ +- ಅನಗತ್ಯ ಫೈಲ್‌ಗಳನ್ನು ಕಮಿಟ್ ಮಾಡಬೇಡಿ (.DS_Store, .pyc, node_modules, ಇತ್ಯಾದಿ) + +## ಕೊಡುಗೆದಾರ ಪರವಾನಗಿ ಒಪ್ಪಂದ + +ಈ ಯೋಜನೆ ಕೊಡುಗೆಗಳು ಮತ್ತು ಸಲಹೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತದೆ. ಬಹುತೇಕ ಕೊಡುಗೆಗಳಿಗೆ ನೀವು +ಕೊಡುಗೆದಾರ ಪರವಾನಗಿ ಒಪ್ಪಂದ (CLA) ಗೆ ಒಪ್ಪಿಗೆ ನೀಡಬೇಕಾಗುತ್ತದೆ, ಇದು ನೀವು ನಿಮ್ಮ ಕೊಡುಗೆ ಬಳಸಲು +ನಮ್ಮಿಗೆ ಹಕ್ಕುಗಳನ್ನು ನೀಡಲು ಹಕ್ಕು ಹೊಂದಿದ್ದೀರಿ ಮತ್ತು ನಿಜವಾಗಿಯೂ ನೀಡುತ್ತೀರಿ ಎಂದು ಘೋಷಿಸುತ್ತದೆ. ವಿವರಗಳಿಗೆ, +https://cla.microsoft.com ನೋಡಿ. + +ನೀವು ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್ ಸಲ್ಲಿಸುವಾಗ, CLA-ಬಾಟ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನೀವು CLA ಒದಗಿಸಬೇಕೇ ಎಂದು ನಿರ್ಧರಿಸಿ PR ಅನ್ನು ಸೂಕ್ತವಾಗಿ ಅಲಂಕರಿಸುತ್ತದೆ (ಉದಾ: ಲೇಬಲ್, ಕಾಮೆಂಟ್). ಬಾಟ್ ನೀಡುವ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ನಮ್ಮ CLA ಬಳಸಿ ಎಲ್ಲಾ ರಿಪೊಸಿಟರಿಗಳಲ್ಲಿ ನೀವು ಇದನ್ನು ಒಂದೇ ಬಾರಿ ಮಾಡಬೇಕಾಗುತ್ತದೆ. + +## ಪ್ರಶ್ನೆಗಳು? + +- ನಮ್ಮ [Discord ಚಾನೆಲ್ #data-science-for-beginners](https://aka.ms/ds4beginners/discord) ಪರಿಶೀಲಿಸಿ +- ನಮ್ಮ [Discord ಸಮುದಾಯ](https://aka.ms/ds4beginners/discord) ಸೇರಿ +- ಇತ್ತೀಚಿನ [ಸಮಸ್ಯೆಗಳು](https://github.com/microsoft/Data-Science-For-Beginners/issues) ಮತ್ತು [ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್‌ಗಳು](https://github.com/microsoft/Data-Science-For-Beginners/pulls) ಪರಿಶೀಲಿಸಿ + +## ಧನ್ಯವಾದಗಳು! + +ನಿಮ್ಮ ಕೊಡುಗೆಗಳು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಎಲ್ಲರಿಗೂ ಉತ್ತಮವಾಗಿಸುತ್ತವೆ. ಕೊಡುಗೆ ನೀಡಲು ಸಮಯ ತೆಗೆದುಕೊಂಡಿದ್ದಕ್ಕೆ ಧನ್ಯವಾದಗಳು! + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/INSTALLATION.md b/translations/kn/INSTALLATION.md new file mode 100644 index 00000000..914910c7 --- /dev/null +++ b/translations/kn/INSTALLATION.md @@ -0,0 +1,263 @@ + +# ಸ್ಥಾಪನೆ ಮಾರ್ಗದರ್ಶಿ + +ಈ ಮಾರ್ಗದರ್ಶಿ ನಿಮಗೆ Data Science for Beginners ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ನಿಮ್ಮ ಪರಿಸರವನ್ನು ಸೆಟ್ ಅಪ್ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +## ವಿಷಯಗಳ ಪಟ್ಟಿಯು + +- [ಪೂರ್ವಾಪೇಕ್ಷೆಗಳು](../..) +- [ತ್ವರಿತ ಪ್ರಾರಂಭ ಆಯ್ಕೆಗಳು](../..) +- [ಸ್ಥಳೀಯ ಸ್ಥಾಪನೆ](../..) +- [ನಿಮ್ಮ ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ](../..) + +## ಪೂರ್ವಾಪೇಕ್ಷೆಗಳು + +ನೀವು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು, ನಿಮಗೆ ಇರಬೇಕು: + +- ಕಮಾಂಡ್ ಲೈನ್/ಟರ್ಮಿನಲ್ ಬಗ್ಗೆ ಮೂಲ ಪರಿಚಯ +- GitHub ಖಾತೆ (ಉಚಿತ) +- ಪ್ರಾಥಮಿಕ ಸೆಟ್ ಅಪ್‌ಗಾಗಿ ಸ್ಥಿರ ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕ + +## ತ್ವರಿತ ಪ್ರಾರಂಭ ಆಯ್ಕೆಗಳು + +### ಆಯ್ಕೆ 1: GitHub Codespaces (ಆರಂಭಿಕರಿಗೆ ಶಿಫಾರಸು) + +ತ್ವರಿತವಾಗಿ ಪ್ರಾರಂಭಿಸುವ ಸುಲಭ ಮಾರ್ಗ GitHub Codespaces, ಇದು ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಸಂಪೂರ್ಣ ಅಭಿವೃದ್ಧಿ ಪರಿಸರವನ್ನು ಒದಗಿಸುತ್ತದೆ. + +1. [repository](https://github.com/microsoft/Data-Science-For-Beginners) ಗೆ ಹೋಗಿ +2. **Code** ಡ್ರಾಪ್‌ಡೌನ್ ಮೆನು ಕ್ಲಿಕ್ ಮಾಡಿ +3. **Codespaces** ಟ್ಯಾಬ್ ಆಯ್ಕೆಮಾಡಿ +4. **Create codespace on main** ಕ್ಲಿಕ್ ಮಾಡಿ +5. ಪರಿಸರ ಆರಂಭವಾಗಲು ಕಾಯಿರಿ (2-3 ನಿಮಿಷಗಳು) + +ನಿಮ್ಮ ಪರಿಸರ ಈಗ ಎಲ್ಲಾ ಅವಲಂಬನೆಗಳೊಂದಿಗೆ ಸಿದ್ಧವಾಗಿದೆ! + +### ಆಯ್ಕೆ 2: ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ + +ನಿಮ್ಮ ಸ್ವಂತ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು, ಕೆಳಗಿನ ವಿವರವಾದ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. + +## ಸ್ಥಳೀಯ ಸ್ಥಾಪನೆ + +### ಹಂತ 1: Git ಅನ್ನು ಸ್ಥಾಪಿಸಿ + +Git ಅನ್ನು ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಲು ಮತ್ತು ನಿಮ್ಮ ಬದಲಾವಣೆಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಅಗತ್ಯವಿದೆ. + +**Windows:** +- [git-scm.com](https://git-scm.com/download/win) ನಿಂದ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ +- ಡೀಫಾಲ್ಟ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳೊಂದಿಗೆ ಇನ್‌ಸ್ಟಾಲರ್ ಅನ್ನು ರನ್ ಮಾಡಿ + +**macOS:** +- Homebrew ಮೂಲಕ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ: `brew install git` +- ಅಥವಾ [git-scm.com](https://git-scm.com/download/mac) ನಿಂದ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ + +**Linux:** +```bash +# ಡೆಬಿಯನ್/ಉಬುಂಟು +sudo apt-get update +sudo apt-get install git + +# ಫೆಡೋರಾ +sudo dnf install git + +# ಆರ್ಚ್ +sudo pacman -S git +``` + +### ಹಂತ 2: ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ + +```bash +# ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ +git clone https://github.com/microsoft/Data-Science-For-Beginners.git + +# ಡೈರೆಕ್ಟರಿಯ ಕಡೆಗೆ ನವಿಗೇಟ್ ಮಾಡಿ +cd Data-Science-For-Beginners +``` + +### ಹಂತ 3: Python ಮತ್ತು Jupyter ಅನ್ನು ಸ್ಥಾಪಿಸಿ + +Python 3.7 ಅಥವಾ ಹೆಚ್ಚಿನ ಆವೃತ್ತಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪಾಠಗಳಿಗೆ ಅಗತ್ಯವಿದೆ. + +**Windows:** +1. [python.org](https://www.python.org/downloads/) ನಿಂದ Python ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ +2. ಸ್ಥಾಪನೆಯ ಸಮಯದಲ್ಲಿ "Add Python to PATH" ಅನ್ನು ಪರಿಶೀಲಿಸಿ +3. ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ: +```bash +python --version +``` + +**macOS:** +```bash +# ಹೋಮ್‌ಬ್ರೂ ಬಳಸಿ +brew install python3 + +# ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ +python3 --version +``` + +**Linux:** +```bash +# ಬಹುತೇಕ ಲಿನಕ್ಸ್ನ ವಿತರಣೆಗಳು ಪೈಥಾನ್ ಅನ್ನು ಪೂರ್ವಸ್ಥಾಪಿತವಾಗಿ ಹೊಂದಿವೆ +python3 --version + +# ಸ್ಥಾಪಿಸಲಾಗದಿದ್ದರೆ: +# ಡೆಬಿಯನ್/ಉಬುಂಟು +sudo apt-get install python3 python3-pip + +# ಫೆಡೋರಾ +sudo dnf install python3 python3-pip +``` + +### ಹಂತ 4: Python ಪರಿಸರವನ್ನು ಸೆಟ್ ಅಪ್ ಮಾಡಿ + +ಅವಲಂಬನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಇಡಲು ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಬಳಸಲು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. + +```bash +# ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ರಚಿಸಿ +python -m venv venv + +# ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ +# ವಿಂಡೋಸ್‌ನಲ್ಲಿ: +venv\Scripts\activate + +# ಮ್ಯಾಕ್‌ಒಎಸ್/ಲಿನಕ್ಸ್ನಲ್ಲಿ: +source venv/bin/activate +``` + +### ಹಂತ 5: Python ಪ್ಯಾಕೇಜುಗಳನ್ನು ಸ್ಥಾಪಿಸಿ + +ಅಗತ್ಯವಿರುವ ಡೇಟಾ ಸೈನ್ಸ್ ಲೈಬ್ರರಿಗಳನ್ನು ಸ್ಥಾಪಿಸಿ: + +```bash +pip install jupyter pandas numpy matplotlib seaborn scikit-learn +``` + +### ಹಂತ 6: Node.js ಮತ್ತು npm ಅನ್ನು ಸ್ಥಾಪಿಸಿ (Quiz ಅಪ್ಲಿಕೇಶನ್‌ಗಾಗಿ) + +ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ Node.js ಮತ್ತು npm ಅಗತ್ಯವಿದೆ. + +**Windows/macOS:** +- [nodejs.org](https://nodejs.org/) ನಿಂದ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ (LTS ಆವೃತ್ತಿ ಶಿಫಾರಸು) +- ಇನ್‌ಸ್ಟಾಲರ್ ಅನ್ನು ರನ್ ಮಾಡಿ + +**Linux:** +```bash +# ಡೆಬಿಯನ್/ಉಬುಂಟು +# ಎಚ್ಚರಿಕೆ: ಇಂಟರ್ನೆಟ್‌ನಿಂದ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ನೇರವಾಗಿ ಬಾಷ್‌ಗೆ ಪೈಪ್ ಮಾಡುವುದು ಭದ್ರತಾ ಅಪಾಯವಾಗಬಹುದು. +# ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ಮೊದಲು ಪರಿಶೀಲಿಸುವುದು ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ: +# curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x +# less setup_lts.x +# ನಂತರ ಚಾಲನೆ ಮಾಡಿ: +# sudo -E bash setup_lts.x +# +# ಬದಲಾಗಿ, ಕೆಳಗಿನ ಒನ್-ಲೈನರ್ ಅನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಅಪಾಯದಲ್ಲಿ ಬಳಸಬಹುದು: +curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - +sudo apt-get install -y nodejs + +# ಫೆಡೋರಾ +sudo dnf install nodejs + +# ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ +node --version +npm --version +``` + +### ಹಂತ 7: Quiz ಅಪ್ಲಿಕೇಶನ್ ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ + +```bash +# ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಡೈರೆಕ್ಟರಿಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಿ +cd quiz-app + +# ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ +npm install + +# ರೂಟ್ ಡೈರೆಕ್ಟರಿಗೆ ಮರಳಿ ಹೋಗಿ +cd .. +``` + +### ಹಂತ 8: Docsify ಅನ್ನು ಸ್ಥಾಪಿಸಿ (ಐಚ್ಛಿಕ) + +ಡಾಕ್ಯುಮೆಂಟೇಶನ್‌ಗೆ ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶಕ್ಕಾಗಿ: + +```bash +npm install -g docsify-cli +``` + +## ನಿಮ್ಮ ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ + +### Python ಮತ್ತು Jupyter ಅನ್ನು ಪರೀಕ್ಷಿಸಿ + +```bash +# ನಿಮ್ಮ ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಈಗಾಗಲೇ ಸಕ್ರಿಯಗೊಳಿಸದಿದ್ದರೆ ಸಕ್ರಿಯಗೊಳಿಸಿ +# ವಿಂಡೋಸ್‌ನಲ್ಲಿ: +venv\Scripts\activate +# ಮ್ಯಾಕ್‌ಒಎಸ್/ಲಿನಕ್ಸ್ನಲ್ಲಿ: +source venv/bin/activate + +# ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭಿಸಿ +jupyter notebook +``` + +ನಿಮ್ಮ ಬ್ರೌಸರ್ Jupyter ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ತೆರೆಯಬೇಕು. ನೀವು ಈಗ ಯಾವುದೇ ಪಾಠದ `.ipynb` ಫೈಲ್‌ಗೆ ಹೋಗಬಹುದು. + +### Quiz ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ + +```bash +# ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಿ +cd quiz-app + +# ಅಭಿವೃದ್ಧಿ ಸರ್ವರ್ ಪ್ರಾರಂಭಿಸಿ +npm run serve +``` + +ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ `http://localhost:8080` (ಅಥವಾ 8080 ಬ್ಯುಸಿ ಇದ್ದರೆ ಬೇರೆ ಪೋರ್ಟ್) ನಲ್ಲಿ ಲಭ್ಯವಿರಬೇಕು. + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸರ್ವರ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ + +```bash +# ಸಂಗ್ರಹಣೆಯ ಮೂಲ ಡೈರೆಕ್ಟರಿಯಿಂದ +docsify serve +``` + +ಡಾಕ್ಯುಮೆಂಟೇಶನ್ `http://localhost:3000` ನಲ್ಲಿ ಲಭ್ಯವಿರಬೇಕು. + +## VS Code Dev Containers ಬಳಕೆ + +ನೀವು Docker ಅನ್ನು ಸ್ಥಾಪಿಸಿಕೊಂಡಿದ್ದರೆ, ನೀವು VS Code Dev Containers ಅನ್ನು ಬಳಸಬಹುದು: + +1. [Docker Desktop](https://www.docker.com/products/docker-desktop) ಅನ್ನು ಸ್ಥಾಪಿಸಿ +2. [Visual Studio Code](https://code.visualstudio.com/) ಅನ್ನು ಸ್ಥಾಪಿಸಿ +3. [Remote - Containers extension](https://marketplace.visualstudio.com/items?itemName=ms-vscode-remote.remote-containers) ಅನ್ನು ಸ್ಥಾಪಿಸಿ +4. ರೆಪೊಸಿಟರಿಯನ್ನು VS Code ನಲ್ಲಿ ತೆರೆಯಿರಿ +5. `F1` ಒತ್ತಿ ಮತ್ತು "Remote-Containers: Reopen in Container" ಆಯ್ಕೆಮಾಡಿ +6. ಕಂಟೈನರ್ ನಿರ್ಮಾಣವಾಗಲು ಕಾಯಿರಿ (ಮೊದಲ ಬಾರಿ ಮಾತ್ರ) + +## ಮುಂದಿನ ಹಂತಗಳು + +- ಪಠ್ಯಕ್ರಮದ ಅವಲೋಕನಕ್ಕಾಗಿ [README.md](README.md) ಅನ್ನು ಅನ್ವೇಷಿಸಿ +- ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳಿಗಾಗಿ [USAGE.md](USAGE.md) ಓದಿ +- ಸಮಸ್ಯೆಗಳು ಎದುರಾದರೆ [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ಪರಿಶೀಲಿಸಿ +- ಕೊಡುಗೆ ನೀಡಲು ಬಯಸಿದರೆ [CONTRIBUTING.md](CONTRIBUTING.md) ಪರಿಶೀಲಿಸಿ + +## ಸಹಾಯ ಪಡೆಯುವುದು + +ನೀವು ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಿದರೆ: + +1. [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಪರಿಶೀಲಿಸಿ +2. ಇತ್ತೀಚಿನ [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) ಹುಡುಕಿ +3. ನಮ್ಮ [Discord ಸಮುದಾಯ](https://aka.ms/ds4beginners/discord) ಸೇರಿ +4. ನಿಮ್ಮ ಸಮಸ್ಯೆಯ ವಿವರಗಳೊಂದಿಗೆ ಹೊಸ issue ರಚಿಸಿ + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/README.md b/translations/kn/README.md new file mode 100644 index 00000000..26e6d132 --- /dev/null +++ b/translations/kn/README.md @@ -0,0 +1,252 @@ + +# ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್ - ಒಂದು ಪಠ್ಯಕ್ರಮ + +[![GitHub Codespaces ನಲ್ಲಿ ತೆರೆಯಿರಿ](https://github.com/codespaces/badge.svg)](https://github.com/codespaces/new?hide_repo_select=true&ref=main&repo=344191198) + +[![GitHub ಪರವಾನಗಿ](https://img.shields.io/github/license/microsoft/Data-Science-For-Beginners.svg)](https://github.com/microsoft/Data-Science-For-Beginners/blob/master/LICENSE) +[![GitHub ಸಹಯೋಗಿಗಳು](https://img.shields.io/github/contributors/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/graphs/contributors/) +[![GitHub ಸಮಸ್ಯೆಗಳು](https://img.shields.io/github/issues/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/issues/) +[![GitHub ಪುಲ್-ರಿಕ್ವೆಸ್ಟ್‌ಗಳು](https://img.shields.io/github/issues-pr/microsoft/Data-Science-For-Beginners.svg)](https://GitHub.com/microsoft/Data-Science-For-Beginners/pulls/) +[![ಪಿಆರ್‌ಗಳಿಗೆ ಸ್ವಾಗತ](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com) + +[![GitHub ವಾಚರ್ಸ್](https://img.shields.io/github/watchers/microsoft/Data-Science-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/Data-Science-For-Beginners/watchers/) +[![GitHub ಫೋರ್ಕ್ಸ್](https://img.shields.io/github/forks/microsoft/Data-Science-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/Data-Science-For-Beginners/network/) +[![GitHub ಸ್ಟಾರ್ಸ್](https://img.shields.io/github/stars/microsoft/Data-Science-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/Data-Science-For-Beginners/stargazers/) + + +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) + +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) + +ಮೈಕ್ರೋಸಾಫ್ಟ್‌ನ ಅಜೂರ್ ಕ್ಲೌಡ್ ಅಡ್ವೊಕೇಟ್ಸ್ ಡೇಟಾ ಸೈನ್ಸ್ ಬಗ್ಗೆ 10 ವಾರಗಳ, 20 ಪಾಠಗಳ ಪಠ್ಯಕ್ರಮವನ್ನು ನೀಡಲು ಸಂತೋಷಪಡುತ್ತಾರೆ. ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಪಾಠದ ಮುಂಚಿನ ಮತ್ತು ನಂತರದ ಕ್ವಿಜ್‌ಗಳು, ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಬರೆಯಲಾದ ಸೂಚನೆಗಳು, ಪರಿಹಾರ ಮತ್ತು ನಿಯೋಜನೆ ಸೇರಿವೆ. ನಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಆಧಾರಿತ ಪಠ್ಯಕ್ರಮವು ನೀವು ನಿರ್ಮಿಸುವಾಗ ಕಲಿಯಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಇದು ಹೊಸ ಕೌಶಲ್ಯಗಳನ್ನು 'ಸ್ಥಿರವಾಗಿಸಲು' ಸಾಬೀತಾದ ವಿಧಾನವಾಗಿದೆ. + +**ನಮ್ಮ ಲೇಖಕರಿಗೆ ಹೃತ್ಪೂರ್ವಕ ಧನ್ಯವಾದಗಳು:** [Jasmine Greenaway](https://www.twitter.com/paladique), [Dmitry Soshnikov](http://soshnikov.com), [Nitya Narasimhan](https://twitter.com/nitya), [Jalen McGee](https://twitter.com/JalenMcG), [Jen Looper](https://twitter.com/jenlooper), [Maud Levy](https://twitter.com/maudstweets), [Tiffany Souterre](https://twitter.com/TiffanySouterre), [Christopher Harrison](https://www.twitter.com/geektrainer). + +**🙏 ವಿಶೇಷ ಧನ್ಯವಾದಗಳು 🙏 ನಮ್ಮ [Microsoft Student Ambassador](https://studentambassadors.microsoft.com/) ಲೇಖಕರು, ವಿಮರ್ಶಕರು ಮತ್ತು ವಿಷಯದ ಸಹಯೋಗಿಗಳಿಗೆ,** ವಿಶೇಷವಾಗಿ ಆರ್ಯನ್ ಅರುರಾ, [ಅದಿತ್ಯ ಗರ್ಗ್](https://github.com/AdityaGarg00), [ಅಲೋಂದ್ರಾ ಸಾಂಚೆಜ್](https://www.linkedin.com/in/alondra-sanchez-molina/), [ಅಂಕಿತಾ ಸಿಂಗ್](https://www.linkedin.com/in/ankitasingh007), [ಅನೂಪಮ್ ಮಿಶ್ರಾ](https://www.linkedin.com/in/anupam--mishra/), [ಅರ್ಪಿತಾ ದಾಸ್](https://www.linkedin.com/in/arpitadas01/), ಛೈಲ್‌ಬಿಹಾರಿ ದುಬೆ, [ಡಿಬ್ರಿ ನ್ಸೋಫರ್](https://www.linkedin.com/in/dibrinsofor), [ದಿಶಿತಾ ಭಾಸಿನ್](https://www.linkedin.com/in/dishita-bhasin-7065281bb), [ಮಜ್ದ್ ಸಾಫಿ](https://www.linkedin.com/in/majd-s/), [ಮ್ಯಾಕ್ಸ್ ಬ್ಲಮ್](https://www.linkedin.com/in/max-blum-6036a1186/), [ಮಿಗುಯೆಲ್ ಕೊರಿಯಾ](https://www.linkedin.com/in/miguelmque/), [ಮೊಹಮ್ಮ ಇಫ್ತೇಖರ್ (ಇಫ್ತು) ಎಬ್ನೆ ಜಲಾಲ್](https://twitter.com/iftu119), [ನಾವ್ರಿನ್ ತಬಸ್ಸುಮ್](https://www.linkedin.com/in/nawrin-tabassum), [ರೇಮಂಡ್ ವಾಂಸಾ ಪುತ್ರ](https://www.linkedin.com/in/raymond-wp/), [ರೋಹಿತ್ ಯಾದವ್](https://www.linkedin.com/in/rty2423), ಸಮೃಧಿ ಶರ್ಮಾ, [ಸನ್ಯಾ ಸಿಂಹ](https://www.linkedin.com/mwlite/in/sanya-sinha-13aab1200), +[ಶೀನಾ ನರುಳ](https://www.linkedin.com/in/sheena-narua-n/), [ತೌಕೀರ್ ಅಹ್ಮದ್](https://www.linkedin.com/in/tauqeerahmad5201/), ಯೋಗೇಂದ್ರಸಿಂಗ್ ಪವಾರ್ , [ವಿದುಷಿ ಗುಪ್ತ](https://www.linkedin.com/in/vidushi-gupta07/), [ಜಸ್ಲೀನ್ ಸೊಂಧಿ](https://www.linkedin.com/in/jasleen-sondhi/) + +|![@sketchthedocs ಅವರ ಸ್ಕೆಚ್ ನೋಟ್ https://sketchthedocs.dev](../../translated_images/00-Title.8af36cd35da1ac555b678627fbdc6e320c75f0100876ea41d30ea205d3b08d22.kn.png)| +|:---:| +| ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್ - _ಸ್ಕೆಚ್ ನೋಟ್ [@nitya](https://twitter.com/nitya) ಅವರಿಂದ_ | + +### 🌐 ಬಹುಭಾಷಾ ಬೆಂಬಲ + +#### GitHub ಕ್ರಿಯೆಯಿಂದ ಬೆಂಬಲಿತ (ಸ್ವಯಂಚಾಲಿತ ಮತ್ತು ಸದಾ ನವೀಕರಿಸಲಾಗುತ್ತದೆ) + + +[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](./README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) + + +**ನೀವು ಹೆಚ್ಚುವರಿ ಭಾಷಾ ಅನುವಾದಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಬಯಸಿದರೆ, ಅವುಗಳನ್ನು [ಇಲ್ಲಿ](https://github.com/Azure/co-op-translator/blob/main/getting_started/supported-languages.md) ಪಟ್ಟಿ ಮಾಡಲಾಗಿದೆ** + +#### ನಮ್ಮ ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿ +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) + +ನಾವು ಡಿಸ್ಕಾರ್ಡ್‌ನಲ್ಲಿ AI ಸರಣಿಯನ್ನು ನಡೆಸುತ್ತಿದ್ದೇವೆ, ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಮತ್ತು ಸೇರಲು [Learn with AI Series](https://aka.ms/learnwithai/discord) ಗೆ 18 - 30 ಸೆಪ್ಟೆಂಬರ್, 2025 ರಂದು ಭೇಟಿ ನೀಡಿ. ನೀವು GitHub Copilot ಅನ್ನು ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಬಳಸುವ ಸಲಹೆಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ. + +![Learn with AI series](../../translated_images/1.2b28cdc6205e26fef6a21817fe5d83ae8b50fbd0a33e9fed0df05845da5b30b6.kn.jpg) + +# ನೀವು ವಿದ್ಯಾರ್ಥಿಯಾಗಿದ್ದೀರಾ? + +ಕೆಳಗಿನ ಸಂಪನ್ಮೂಲಗಳಿಂದ ಪ್ರಾರಂಭಿಸಿ: + +- [ವಿದ್ಯಾರ್ಥಿ ಹಬ್ ಪುಟ](https://docs.microsoft.com/en-gb/learn/student-hub?WT.mc_id=academic-77958-bethanycheum) ಈ ಪುಟದಲ್ಲಿ, ನೀವು ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಸಂಪನ್ಮೂಲಗಳು, ವಿದ್ಯಾರ್ಥಿ ಪ್ಯಾಕ್ಗಳು ಮತ್ತು ಉಚಿತ ಪ್ರಮಾಣಪತ್ರ ವೋಚರ್ ಪಡೆಯುವ ಮಾರ್ಗಗಳನ್ನು ಕಾಣಬಹುದು. ಇದು ನೀವು ಬುಕ್‌ಮಾರ್ಕ್ ಮಾಡಿ ಸಮಯಕಾಲಕ್ಕೆ ಪರಿಶೀಲಿಸಬೇಕಾದ ಪುಟವಾಗಿದೆ ಏಕೆಂದರೆ ನಾವು ವಿಷಯವನ್ನು ಕನಿಷ್ಠ ತಿಂಗಳಿಗೆ ಬದಲಾಯಿಸುತ್ತೇವೆ. +- [Microsoft Learn Student Ambassadors](https://studentambassadors.microsoft.com?WT.mc_id=academic-77958-bethanycheum) ಜಾಗತಿಕ ವಿದ್ಯಾರ್ಥಿ ಅಂಬಾಸಿಡರ್ ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿ, ಇದು ನಿಮ್ಮ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಪ್ರವೇಶವಾಗಬಹುದು. + +# ಪ್ರಾರಂಭಿಸುವುದು + +## 📚 ಡಾಕ್ಯುಮೆಂಟೇಶನ್ + +- **[ಸ್ಥಾಪನೆ ಮಾರ್ಗದರ್ಶಿ](INSTALLATION.md)** - ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಹಂತ ಹಂತವಾಗಿ ಸೆಟ್‌ಅಪ್ ಸೂಚನೆಗಳು +- **[ಬಳಕೆ ಮಾರ್ಗದರ್ಶಿ](USAGE.md)** - ಉದಾಹರಣೆಗಳು ಮತ್ತು ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹಗಳು +- **[ಸಮಸ್ಯೆ ಪರಿಹಾರ](TROUBLESHOOTING.md)** - ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳು +- **[ಸಹಾಯ ಮಾರ್ಗದರ್ಶಿ](CONTRIBUTING.md)** - ಈ ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡುವುದು +- **[ಶಿಕ್ಷಕರಿಗಾಗಿ](for-teachers.md)** - ಬೋಧನಾ ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ತರಗತಿ ಸಂಪನ್ಮೂಲಗಳು + +## 👨‍🎓 ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ +> **ಪೂರ್ಣ ಪ್ರಾರಂಭಿಕರು**: ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಹೊಸದಾಗಿ ಬಂದಿದ್ದೀರಾ? ನಮ್ಮ [ಪ್ರಾರಂಭಿಕರ ಸ್ನೇಹಿ ಉದಾಹರಣೆಗಳು](examples/README.md) ನಿಂದ ಪ್ರಾರಂಭಿಸಿ! ಈ ಸರಳ, ಚೆನ್ನಾಗಿ ಕಾಮೆಂಟ್ ಮಾಡಲಾದ ಉದಾಹರಣೆಗಳು ನೀವು ಮೂಲಭೂತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ ಪೂರ್ಣ ಪಠ್ಯಕ್ರಮಕ್ಕೆ ಮುನ್ನ. +> **[ವಿದ್ಯಾರ್ಥಿಗಳು](https://aka.ms/student-page)**: ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಸ್ವತಃ ಬಳಸಲು, ಸಂಪೂರ್ಣ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ ಮತ್ತು ಸ್ವತಃ ವ್ಯಾಯಾಮಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ಪ್ರಾಥಮಿಕ ಉಪನ್ಯಾಸ ಕ್ವಿಜ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ. ನಂತರ ಉಪನ್ಯಾಸವನ್ನು ಓದಿ ಉಳಿದ ಚಟುವಟಿಕೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ. ಪರಿಹಾರ ಕೋಡ್ ನಕಲಿಸುವ ಬದಲು ಪಾಠಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಪ್ರಾಜೆಕ್ಟ್‌ಗಳನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸಿ; ಆದಾಗ್ಯೂ, ಆ ಕೋಡ್ ಪ್ರತಿ ಪ್ರಾಜೆಕ್ಟ್-ಕೇಂದ್ರೀಕೃತ ಪಾಠದ /solutions ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ. ಮತ್ತೊಂದು ಐಡಿಯಾ ಎಂದರೆ ಸ್ನೇಹಿತರೊಂದಿಗೆ ಅಧ್ಯಯನ ಗುಂಪು ರಚಿಸಿ ಮತ್ತು ವಿಷಯವನ್ನು ಒಟ್ಟಿಗೆ ಪರಿಶೀಲಿಸುವುದು. ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಕ್ಕಾಗಿ, ನಾವು [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/qprpajyoy3x0g7?WT.mc_id=academic-77958-bethanycheum) ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. + +**ತ್ವರಿತ ಪ್ರಾರಂಭ:** +1. ನಿಮ್ಮ ಪರಿಸರವನ್ನು ಸೆಟ್‌ಅಪ್ ಮಾಡಲು [ಸ್ಥಾಪನೆ ಮಾರ್ಗದರ್ಶಿ](INSTALLATION.md) ಪರಿಶೀಲಿಸಿ +2. ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು [ಬಳಕೆ ಮಾರ್ಗದರ್ಶಿ](USAGE.md) ಪರಿಶೀಲಿಸಿ +3. ಪಾಠ 1 ರಿಂದ ಪ್ರಾರಂಭಿಸಿ ಕ್ರಮವಾಗಿ ಕೆಲಸ ಮಾಡಿ +4. ಬೆಂಬಲಕ್ಕಾಗಿ ನಮ್ಮ [ಡಿಸ್ಕಾರ್ಡ್ ಸಮುದಾಯ](https://aka.ms/ds4beginners/discord) ಸೇರಿ + +## 👩‍🏫 ಶಿಕ್ಷಕರಿಗಾಗಿ + +> **ಶಿಕ್ಷಕರು**: ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು ಎಂಬುದರ ಬಗ್ಗೆ ನಾವು [ಕೆಲವು ಸಲಹೆಗಳನ್ನು ಸೇರಿಸಿದ್ದೇವೆ](for-teachers.md). ನಿಮ್ಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಾವು [ನಮ್ಮ ಚರ್ಚಾ ವೇದಿಕೆಯಲ್ಲಿ](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ಸ್ವಾಗತಿಸುತ್ತೇವೆ! + +## ತಂಡವನ್ನು ಪರಿಚಯಿಸಿ + +[![ಪ್ರಚಾರ ವೀಡಿಯೊ](../../ds-for-beginners.gif)](https://youtu.be/8mzavjQSMM4 "ಪ್ರಚಾರ ವೀಡಿಯೊ") + +**ಗಿಫ್** [ಮೊಹಿತ್ ಜೈಸಲ್](https://www.linkedin.com/in/mohitjaisal) ಅವರಿಂದ +> 🎥 ಮೇಲಿನ ಚಿತ್ರವನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಈ ಯೋಜನೆಯ ಬಗ್ಗೆ ಮತ್ತು ಅದನ್ನು ರಚಿಸಿದ ಜನರ ಬಗ್ಗೆ ವಿಡಿಯೋ ನೋಡಿ! + +## ಪಠ್ಯಶಾಸ್ತ್ರ + +ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ರಚಿಸುವಾಗ ಎರಡು ಪಠ್ಯಶಾಸ್ತ್ರದ ತತ್ವಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿದ್ದೇವೆ: ಇದು ಯೋಜನೆ ಆಧಾರಿತವಾಗಿರಬೇಕು ಮತ್ತು ಇದರಲ್ಲಿ ನಿಯಮಿತವಾಗಿ ಪ್ರಶ್ನೋತ್ತರಗಳು ಇರಬೇಕು ಎಂಬುದು. ಈ ಸರಣಿಯ ಕೊನೆಯಲ್ಲಿ, ವಿದ್ಯಾರ್ಥಿಗಳು ಡೇಟಾ ವಿಜ್ಞಾನದ ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ಕಲಿತಿರುತ್ತಾರೆ, ಇದರಲ್ಲಿ ನೈತಿಕ ತತ್ವಗಳು, ಡೇಟಾ ತಯಾರಿ, ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವ ವಿಭಿನ್ನ ವಿಧಾನಗಳು, ಡೇಟಾ ದೃಶ್ಯೀಕರಣ, ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಡೇಟಾ ವಿಜ್ಞಾನದ ನೈಜ ಜಗತ್ತಿನ ಬಳಕೆ ಪ್ರಕರಣಗಳು ಮತ್ತು ಇನ್ನಷ್ಟು ಸೇರಿವೆ. + +ಇದರ ಜೊತೆಗೆ, ತರಗತಿಯ ಮುಂಚೆ ಕಡಿಮೆ ಒತ್ತಡದ ಪ್ರಶ್ನೋತ್ತರವು ವಿದ್ಯಾರ್ಥಿಯು ವಿಷಯವನ್ನು ಕಲಿಯಲು ಉದ್ದೇಶವನ್ನು ಹೊಂದಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು ತರಗತಿಯ ನಂತರದ ಎರಡನೇ ಪ್ರಶ್ನೋತ್ತರವು ಹೆಚ್ಚಿನ ನೆನಪನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಲವಚಿಕ ಮತ್ತು ಮನರಂಜನಾತ್ಮಕವಾಗಿರಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಸಂಪೂರ್ಣವಾಗಿ ಅಥವಾ ಭಾಗವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಯೋಜನೆಗಳು ಸಣ್ಣದಾಗಿ ಪ್ರಾರಂಭವಾಗಿ 10 ವಾರಗಳ ಚಕ್ರದ ಕೊನೆಯಲ್ಲಿ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾಗುತ್ತವೆ. + +> ನಮ್ಮ [ನಡವಳಿಕೆ ಸಂಹಿತೆ](CODE_OF_CONDUCT.md), [ಹೊಂದಾಣಿಕೆ](CONTRIBUTING.md), [ಭಾಷಾಂತರ](TRANSLATIONS.md) ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ನೋಡಿ. ನಿಮ್ಮ ರಚನಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನಾವು ಸ್ವಾಗತಿಸುತ್ತೇವೆ! + +## ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಸೇರಿವೆ: + +- ಐಚ್ಛಿಕ ಸ್ಕೆಚ್ ನೋಟ್ +- ಐಚ್ಛಿಕ ಪೂರಕ ವೀಡಿಯೊ +- ಪಾಠದ ಮುಂಚಿನ ತಯಾರಿ ಪ್ರಶ್ನೋತ್ತರ +- ಬರಹದ ಪಾಠ +- ಯೋಜನೆ ಆಧಾರಿತ ಪಾಠಗಳಿಗೆ, ಯೋಜನೆಯನ್ನು ನಿರ್ಮಿಸುವ ಹಂತ ಹಂತದ ಮಾರ್ಗದರ್ಶಿಗಳು +- ಜ್ಞಾನ ಪರಿಶೀಲನೆಗಳು +- ಒಂದು ಸವಾಲು +- ಪೂರಕ ಓದು +- ನಿಯೋಜನೆ +- [ಪಾಠದ ನಂತರದ ಪ್ರಶ್ನೋತ್ತರ](https://ff-quizzes.netlify.app/en/) + +> **ಪ್ರಶ್ನೋತ್ತರಗಳ ಬಗ್ಗೆ ಒಂದು ಟಿಪ್ಪಣಿ**: ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರಗಳು Quiz-App ಫೋಲ್ಡರ್‌ನಲ್ಲಿ ಇವೆ, ಒಟ್ಟು 40 ಪ್ರಶ್ನೋತ್ತರಗಳು, ಪ್ರತಿ ಒಂದು ಮೂರು ಪ್ರಶ್ನೆಗಳಿವೆ. ಅವು ಪಾಠಗಳಲ್ಲಿ ಲಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಿವೆ, ಆದರೆ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆ ಮಾಡಬಹುದು ಅಥವಾ ಅಜೂರ್‌ಗೆ ನಿಯೋಜಿಸಬಹುದು; `quiz-app` ಫೋಲ್ಡರ್‌ನ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. ಅವು ಕ್ರಮೇಣ ಸ್ಥಳೀಯಗೊಳ್ಳುತ್ತಿವೆ. + +## 🎓 ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಸ್ನೇಹಪೂರ್ಣ ಉದಾಹರಣೆಗಳು + +**ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ಹೊಸದಾಗಿ ಬಂದಿದ್ದೀರಾ?** ನಾವು ಸರಳ, ಚೆನ್ನಾಗಿ ಕಾಮೆಂಟ್ ಮಾಡಲಾದ ಕೋಡ್ ಹೊಂದಿರುವ ವಿಶೇಷ [ಉದಾಹರಣೆಗಳ ಡೈರೆಕ್ಟರಿ](examples/README.md) ರಚಿಸಿದ್ದೇವೆ, ಇದು ನಿಮಗೆ ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ: + +- 🌟 **ಹೆಲೋ ವರ್ಲ್ಡ್** - ನಿಮ್ಮ ಮೊದಲ ಡೇಟಾ ವಿಜ್ಞಾನ ಕಾರ್ಯಕ್ರಮ +- 📂 **ಡೇಟಾ ಲೋಡ್ ಮಾಡುವುದು** - ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಓದಿ ಅನ್ವೇಷಿಸುವುದನ್ನು ಕಲಿಯಿರಿ +- 📊 **ಸರಳ ವಿಶ್ಲೇಷಣೆ** - ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಿಸಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ +- 📈 **ಮೂಲಭೂತ ದೃಶ್ಯೀಕರಣ** - ಚಾರ್ಟ್‌ಗಳು ಮತ್ತು ಗ್ರಾಫ್‌ಗಳನ್ನು ರಚಿಸಿ +- 🔬 **ನೈಜ ಜಗತ್ತಿನ ಯೋಜನೆ** - ಪ್ರಾರಂಭದಿಂದ ಕೊನೆವರೆಗೆ ಸಂಪೂರ್ಣ ಕಾರ್ಯಪ್ರವಾಹ + +ಪ್ರತಿ ಉದಾಹರಣೆಯು ಪ್ರತಿಯೊಂದು ಹಂತವನ್ನು ವಿವರಿಸುವ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಇದು ಸಂಪೂರ್ಣ ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಪರಿಪೂರ್ಣವಾಗಿದೆ! + +👉 **[ಉದಾಹರಣೆಗಳಿಂದ ಪ್ರಾರಂಭಿಸಿ](examples/README.md)** 👈 + +## ಪಾಠಗಳು + + +|![ @sketchthedocs ರವರ ಸ್ಕೆಚ್ ನೋಟ್ https://sketchthedocs.dev](../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.kn.png)| +|:---:| +| ಪ್ರಾರಂಭಿಕರಿಗಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನ: ರಸ್ತೆ ನಕ್ಷೆ - _ಸ್ಕೆಚ್ ನೋಟ್ [@nitya](https://twitter.com/nitya) ರವರಿಂದ_ | + + +| ಪಾಠ ಸಂಖ್ಯೆ | ವಿಷಯ | ಪಾಠ ಗುಂಪು | ಕಲಿಕೆಯ ಉದ್ದೇಶಗಳು | ಲಿಂಕ್ ಮಾಡಿದ ಪಾಠ | ಲೇಖಕ | +| :-----------: | :----------------------------------------: | :--------------------------------------------------: | :-----------------------------------------------------------------------------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------: | :----: | +| 01 | ಡೇಟಾ ವಿಜ್ಞಾನವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು | [ಪರಿಚಯ](1-Introduction/README.md) | ಡೇಟಾ ವಿಜ್ಞಾನದ ಮೂಲಭೂತ ತತ್ವಗಳನ್ನು ಮತ್ತು ಅದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ, ಯಂತ್ರ ಅಧ್ಯಯನ ಮತ್ತು ದೊಡ್ಡ ಡೇಟಾ ಜೊತೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದನ್ನು ಕಲಿಯಿರಿ. | [ಪಾಠ](1-Introduction/01-defining-data-science/README.md) [ವೀಡಿಯೊ](https://youtu.be/beZ7Mb_oz9I) | [ಡ್ಮಿತ್ರಿ](http://soshnikov.com) | +| 02 | ಡೇಟಾ ವಿಜ್ಞಾನ ನೈತಿಕತೆ | [ಪರಿಚಯ](1-Introduction/README.md) | ಡೇಟಾ ನೈತಿಕತೆ ತತ್ವಗಳು, ಸವಾಲುಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಗಳು. | [ಪಾಠ](1-Introduction/02-ethics/README.md) | [ನಿತ್ಯ](https://twitter.com/nitya) | +| 03 | ಡೇಟಾ ವ್ಯಾಖ್ಯಾನ | [ಪರಿಚಯ](1-Introduction/README.md) | ಡೇಟಾ ಹೇಗೆ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಅದರ ಸಾಮಾನ್ಯ ಮೂಲಗಳು. | [ಪಾಠ](1-Introduction/03-defining-data/README.md) | [ಜಾಸ್ಮಿನ್](https://www.twitter.com/paladique) | +| 04 | ಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಸಾಧ್ಯತೆಗಳಿಗೆ ಪರಿಚಯ | [ಪರಿಚಯ](1-Introduction/README.md) | ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯತೆ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಗಣಿತೀಯ ತಂತ್ರಗಳು. | [ಪಾಠ](1-Introduction/04-stats-and-probability/README.md) [ವೀಡಿಯೊ](https://youtu.be/Z5Zy85g4Yjw) | [ಡ್ಮಿತ್ರಿ](http://soshnikov.com) | +| 05 | ಸಂಬಂಧಿತ ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದು | [ಡೇಟಾ ಜೊತೆ ಕೆಲಸ](2-Working-With-Data/README.md) | ಸಂಬಂಧಿತ ಡೇಟಾಗೆ ಪರಿಚಯ ಮತ್ತು ರಚನಾತ್ಮಕ ಪ್ರಶ್ನೆ ಭಾಷೆ (SQL) ಬಳಸಿ ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಭೂತಗಳು. | [ಪಾಠ](2-Working-With-Data/05-relational-databases/README.md) | [ಕ್ರಿಸ್ಟೋಫರ್](https://www.twitter.com/geektrainer) | | | +| 06 | ನೋನ್ಎಸ್ಎಕ್ವೆಲ್ ಡೇಟಾ ಜೊತೆ ಕೆಲಸ | [ಡೇಟಾ ಜೊತೆ ಕೆಲಸ](2-Working-With-Data/README.md) | ಅಸಂಬಂಧಿತ ಡೇಟಾಗೆ ಪರಿಚಯ, ಅದರ ವಿವಿಧ ಪ್ರಕಾರಗಳು ಮತ್ತು ಡಾಕ್ಯುಮೆಂಟ್ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಭೂತಗಳು. | [ಪಾಠ](2-Working-With-Data/06-non-relational/README.md) | [ಜಾಸ್ಮಿನ್](https://twitter.com/paladique)| +| 07 | ಪೈಥಾನ್ ಜೊತೆ ಕೆಲಸ | [ಡೇಟಾ ಜೊತೆ ಕೆಲಸ](2-Working-With-Data/README.md) | ಪಾಂಡಾಸ್ ಮುಂತಾದ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿ ಡೇಟಾ ಅನ್ವೇಷಣೆಗೆ ಪೈಥಾನ್ ಬಳಕೆಯ ಮೂಲಭೂತಗಳು. ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನ ಮೂಲಭೂತ ತಿಳಿವಳಿಕೆ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. | [ಪಾಠ](2-Working-With-Data/07-python/README.md) [ವೀಡಿಯೊ](https://youtu.be/dZjWOGbsN4Y) | [ಡ್ಮಿತ್ರಿ](http://soshnikov.com) | +| 08 | ಡೇಟಾ ತಯಾರಿ | [ಡೇಟಾ ಜೊತೆ ಕೆಲಸ](2-Working-With-Data/README.md) | ಕಳೆದುಹೋಗಿದ, ತಪ್ಪು ಅಥವಾ ಅಪೂರ್ಣ ಡೇಟಾ ಸಮಸ್ಯೆಗಳನ್ನು ನಿಭಾಯಿಸಲು ಡೇಟಾ ಶುದ್ಧೀಕರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ತಂತ್ರಗಳು. | [ಪಾಠ](2-Working-With-Data/08-data-preparation/README.md) | [ಜಾಸ್ಮಿನ್](https://www.twitter.com/paladique) | +| 09 | ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | [ಡೇಟಾ ದೃಶ್ಯೀಕರಣ](3-Data-Visualization/README.md) | ಮ್ಯಾಟ್‌ಪ್ಲಾಟ್‌ಲಿಬ್ ಬಳಸಿ ಹಕ್ಕಿಗಳ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು 🦆 | [ಪಾಠ](3-Data-Visualization/09-visualization-quantities/README.md) | [ಜೆನ್](https://twitter.com/jenlooper) | +| 10 | ಡೇಟಾ ವಿತರಣೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | [ಡೇಟಾ ದೃಶ್ಯೀಕರಣ](3-Data-Visualization/README.md) | ಒಂದು ಅಂತರದಲ್ಲಿ ವೀಕ್ಷಣೆಗಳು ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು. | [ಪಾಠ](3-Data-Visualization/10-visualization-distributions/README.md) | [ಜೆನ್](https://twitter.com/jenlooper) | +| 11 | ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | [ಡೇಟಾ ದೃಶ್ಯೀಕರಣ](3-Data-Visualization/README.md) | ವಿಭಜಿತ ಮತ್ತು ಗುಂಪು ಶೇಕಡಾವಾರುಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು. | [ಪಾಠ](3-Data-Visualization/11-visualization-proportions/README.md) | [ಜೆನ್](https://twitter.com/jenlooper) | +| 12 | ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು | [ಡೇಟಾ ದೃಶ್ಯೀಕರಣ](3-Data-Visualization/README.md) | ಡೇಟಾ ಮತ್ತು ಅದರ ಚರಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು ಮತ್ತು ಸಹಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು. | [ಪಾಠ](3-Data-Visualization/12-visualization-relationships/README.md) | [ಜೆನ್](https://twitter.com/jenlooper) | +| 13 | ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳು | [ಡೇಟಾ ದೃಶ್ಯೀಕರಣ](3-Data-Visualization/README.md) | ಪರಿಣಾಮಕಾರಿ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮತ್ತು ಒಳನೋಟಗಳಿಗಾಗಿ ನಿಮ್ಮ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಮೌಲ್ಯಯುತವಾಗಿಸಲು ತಂತ್ರಗಳು ಮತ್ತು ಮಾರ್ಗದರ್ಶನ. | [ಪಾಠ](3-Data-Visualization/13-meaningful-visualizations/README.md) | [ಜೆನ್](https://twitter.com/jenlooper) | +| 14 | ಡೇಟಾ ವಿಜ್ಞಾನ ಜೀವನಚಕ್ರಕ್ಕೆ ಪರಿಚಯ | [ಜೀವನಚಕ್ರ](4-Data-Science-Lifecycle/README.md) | ಡೇಟಾ ವಿಜ್ಞಾನ ಜೀವನಚಕ್ರಕ್ಕೆ ಪರಿಚಯ ಮತ್ತು ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಹೊರತೆಗೆಯುವ ಮೊದಲ ಹಂತ. | [ಪಾಠ](4-Data-Science-Lifecycle/14-Introduction/README.md) | [ಜಾಸ್ಮಿನ್](https://twitter.com/paladique) | +| 15 | ವಿಶ್ಲೇಷಣೆ | [ಜೀವನಚಕ್ರ](4-Data-Science-Lifecycle/README.md) | ಡೇಟಾ ವಿಜ್ಞಾನ ಜೀವನಚಕ್ರದ ಈ ಹಂತವು ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ತಂತ್ರಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. | [ಪಾಠ](4-Data-Science-Lifecycle/15-analyzing/README.md) | [ಜಾಸ್ಮಿನ್](https://twitter.com/paladique) | | | +| 16 | ಸಂವಹನ | [ಜೀವನಚಕ್ರ](4-Data-Science-Lifecycle/README.md) | ಡೇಟಾ ವಿಜ್ಞಾನ ಜೀವನಚಕ್ರದ ಈ ಹಂತವು ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವವರಿಗೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾಗುವ ರೀತಿಯಲ್ಲಿ ಡೇಟಾದಿಂದ ಒಳನೋಟಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. | [ಪಾಠ](4-Data-Science-Lifecycle/16-communication/README.md) | [ಜೆಲೆನ್](https://twitter.com/JalenMcG) | | | +| 17 | ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ | [ಕ್ಲೌಡ್ ಡೇಟಾ](5-Data-Science-In-Cloud/README.md) | ಈ ಪಾಠ ಸರಣಿಯು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಅದರ ಲಾಭಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. | [ಪಾಠ](5-Data-Science-In-Cloud/17-Introduction/README.md) | [ಟಿಫನಿ](https://twitter.com/TiffanySouterre) ಮತ್ತು [ಮಾಡ್](https://twitter.com/maudstweets) | +| 18 | ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ | [ಕ್ಲೌಡ್ ಡೇಟಾ](5-Data-Science-In-Cloud/README.md) | ಲೋ ಕೋಡ್ ಉಪಕರಣಗಳನ್ನು ಬಳಸಿ ಮಾದರಿಗಳನ್ನು ತರಬೇತುಗೊಳಿಸುವುದು. |[ಪಾಠ](5-Data-Science-In-Cloud/18-Low-Code/README.md) | [ಟಿಫನಿ](https://twitter.com/TiffanySouterre) ಮತ್ತು [ಮಾಡ್](https://twitter.com/maudstweets) | +| 19 | ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ | [ಕ್ಲೌಡ್ ಡೇಟಾ](5-Data-Science-In-Cloud/README.md) | ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋ ಬಳಸಿ ಮಾದರಿಗಳನ್ನು ನಿಯೋಜಿಸುವುದು. | [ಪಾಠ](5-Data-Science-In-Cloud/19-Azure/README.md)| [ಟಿಫನಿ](https://twitter.com/TiffanySouterre) ಮತ್ತು [ಮಾಡ್](https://twitter.com/maudstweets) | +| 20 | ನೈಸರ್ಗಿಕ ಪರಿಸರದಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ | [ನೈಸರ್ಗಿಕ ಪರಿಸರದಲ್ಲಿ](6-Data-Science-In-Wild/README.md) | ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನ ಚಾಲಿತ ಯೋಜನೆಗಳು. | [ಪಾಠ](6-Data-Science-In-Wild/20-Real-World-Examples/README.md) | [ನಿತ್ಯ](https://twitter.com/nitya) | + +## GitHub ಕೋಡ್ಸ್ಪೇಸಸ್ + +ಈ ಮಾದರಿಯನ್ನು ಕೋಡ್ಸ್ಪೇಸ್‌ನಲ್ಲಿ ತೆರೆಯಲು ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ: +1. ಕೋಡ್ ಡ್ರಾಪ್-ಡೌನ್ ಮೆನು ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು Open with Codespaces ಆಯ್ಕೆಯನ್ನು ಆರಿಸಿ. +2. ಪ್ಯಾನೆಲಿನ ಕೆಳಭಾಗದಲ್ಲಿ + New codespace ಆಯ್ಕೆಮಾಡಿ. +ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ, [GitHub ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.github.com/en/codespaces/developing-in-codespaces/creating-a-codespace-for-a-repository#creating-a-codespace) ನೋಡಿ. + +## VSCode ರಿಮೋಟ್ - ಕಂಟೈನರ್‌ಗಳು +ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರ ಮತ್ತು VSCode ಬಳಸಿ ಈ ರೆಪೊವನ್ನು ಕಂಟೈನರ್‌ನಲ್ಲಿ ತೆರೆಯಲು VS Code Remote - Containers ವಿಸ್ತರಣೆ ಬಳಸಿ ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಿ: + +1. ನೀವು ಮೊದಲ ಬಾರಿಗೆ ಡೆವಲಪ್‌ಮೆಂಟ್ ಕಂಟೈನರ್ ಬಳಸುತ್ತಿದ್ದರೆ, ದಯವಿಟ್ಟು ನಿಮ್ಮ ವ್ಯವಸ್ಥೆ ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳನ್ನು ಪೂರೈಸಿದೆಯೇ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ (ಅಂದರೆ ಡೋಕರ್ ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿರಬೇಕು) [ಆರಂಭಿಸುವ ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://code.visualstudio.com/docs/devcontainers/containers#_getting-started) ನಲ್ಲಿ. + +ಈ ರೆಪೊವನ್ನು ಬಳಸಲು, ನೀವು ರೆಪೊವನ್ನು ಪ್ರತ್ಯೇಕ ಡೋಕರ್ ವಾಲ್ಯೂಮ್‌ನಲ್ಲಿ ತೆರೆಯಬಹುದು: + +**ಗಮನಿಸಿ**: ಒಳಗೆ, ಇದು Remote-Containers: **Clone Repository in Container Volume...** ಕಮಾಂಡ್ ಬಳಸಿ ಮೂಲ ಕೋಡ್ ಅನ್ನು ಸ್ಥಳೀಯ ಫೈಲ್ ಸಿಸ್ಟಮ್ ಬದಲು ಡೋಕರ್ ವಾಲ್ಯೂಮ್‌ನಲ್ಲಿ ಕ್ಲೋನ್ ಮಾಡುತ್ತದೆ. [ವಾಲ್ಯೂಮ್‌ಗಳು](https://docs.docker.com/storage/volumes/) ಕಂಟೈನರ್ ಡೇಟಾವನ್ನು ಉಳಿಸುವ ಪ್ರಾಧಾನ್ಯ ವಿಧಾನ. + +ಅಥವಾ ಸ್ಥಳೀಯವಾಗಿ ಕ್ಲೋನ್ ಮಾಡಲಾದ ಅಥವಾ ಡೌನ್‌ಲೋಡ್ ಮಾಡಲಾದ ರೆಪೊವನ್ನು ತೆರೆಯಿರಿ: + +- ಈ ರೆಪೊವನ್ನು ನಿಮ್ಮ ಸ್ಥಳೀಯ ಫೈಲ್ ಸಿಸ್ಟಮ್‌ಗೆ ಕ್ಲೋನ್ ಮಾಡಿ. +- F1 ಒತ್ತಿ ಮತ್ತು **Remote-Containers: Open Folder in Container...** ಕಮಾಂಡ್ ಆಯ್ಕೆಮಾಡಿ. +- ಈ ಫೋಲ್ಡರ್‌ನ ಕ್ಲೋನ್ ಮಾಡಿದ ನಕಲನ್ನು ಆರಿಸಿ, ಕಂಟೈನರ್ ಪ್ರಾರಂಭವಾಗುವವರೆಗೆ ಕಾಯಿರಿ ಮತ್ತು ಪ್ರಯತ್ನಿಸಿ. + +## ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶ + +ನೀವು [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ಈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಓಡಿಸಬಹುದು. ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ](https://docsify.js.org/#/quickstart), ನಂತರ ಈ ರೆಪೊ ಮೂಲ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ವೆಬ್‌ಸೈಟ್ ನಿಮ್ಮ ಸ್ಥಳೀಯಹೋಸ್ಟ್‌ನಲ್ಲಿ 3000 ಪೋರ್ಟ್‌ನಲ್ಲಿ ಸರ್ವ್ ಆಗುತ್ತದೆ: `localhost:3000`. + +> ಗಮನಿಸಿ, ನೋಟ್ಬುಕ್‌ಗಳು Docsify ಮೂಲಕ ರೆಂಡರ್ ಆಗುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ನೀವು ನೋಟ್ಬುಕ್ ಅನ್ನು ಓಡಿಸಲು ಬೇಕಾದಾಗ, ಅದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ VS Code ನಲ್ಲಿ ಪೈಥಾನ್ ಕರ್ಣಲ್ ಚಾಲನೆ ಮಾಡಿ. + +## ಇತರ ಪಠ್ಯಕ್ರಮಗಳು + +ನಮ್ಮ ತಂಡ ಇತರ ಪಠ್ಯಕ್ರಮಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ! ನೋಡಿ: + + +### LangChain +[![LangChain4j for Beginners](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js for Beginners](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) + +--- + +### Azure / Edge / MCP / Agents +[![ಆಜಡ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ಎಡ್ಜ್ ಎಐ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ಎಂಸಿಪಿ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ಎಐ ಏಜೆಂಟ್ಸ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) + +--- + +### ಜನರೇಟಿವ್ ಎಐ ಸರಣಿ +[![ಜನರೇಟಿವ್ ಎಐ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![ಜನರೇಟಿವ್ ಎಐ (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![ಜನರೇಟಿವ್ ಎಐ (ಜಾವಾ)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![ಜನರೇಟಿವ್ ಎಐ (ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) + +--- + +### ಕೋರ್ ಲರ್ನಿಂಗ್ +[![ಎಂಎಲ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![ಎಐ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![ಸೈಬರ್‌ಸಿಕ್ಯುರಿಟಿ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![ವೆಬ್ ಡೆವ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![ಐಒಟಿ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![ಎಕ್ಸ್ಆರ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಫಾರ್ ಬೆಗಿನ್ನರ್ಸ್](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) + +--- + +### ಕೋಪೈಲಟ್ ಸರಣಿ +[![ಎಐ ಜೋಡಣೆಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ಗೆ ಕೋಪೈಲಟ್](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![ಸಿ#/.ನೆಟ್‌ಗಾಗಿ ಕೋಪೈಲಟ್](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) +[![ಕೋಪೈಲಟ್ ಸಾಹಸ](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) + + +## ಸಹಾಯ ಪಡೆಯುವುದು + +**ಸಮಸ್ಯೆ ಎದುರಿಸುತ್ತಿದ್ದೀರಾ?** ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಕ್ಕಾಗಿ ನಮ್ಮ [ಟ್ರಬಲ್‌ಶೂಟಿಂಗ್ ಗೈಡ್](TROUBLESHOOTING.md) ಅನ್ನು ಪರಿಶೀಲಿಸಿ. + +ನೀವು ಅಡಚಣೆಗೆ ಸಿಲುಕಿದರೆ ಅಥವಾ ಎಐ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವ ಬಗ್ಗೆ ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳಿದ್ದರೆ, MCP ಬಗ್ಗೆ ಚರ್ಚೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸಲು ಸಹಪಾಠಿಗಳು ಮತ್ತು ಅನುಭವಜ್ಞ ಡೆವಲಪರ್‌ಗಳೊಂದಿಗೆ ಸೇರಿ. ಇದು ಪ್ರಶ್ನೆಗಳಿಗೆ ಸ್ವಾಗತ ನೀಡುವ ಮತ್ತು ಜ್ಞಾನವನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳುವ ಬೆಂಬಲದ ಸಮುದಾಯವಾಗಿದೆ. + +[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) + +ನೀವು ಉತ್ಪನ್ನ ಪ್ರತಿಕ್ರಿಯೆ ಅಥವಾ ನಿರ್ಮಾಣದ ವೇಳೆ ದೋಷಗಳನ್ನು ಹೊಂದಿದ್ದರೆ ಭೇಟಿ ನೀಡಿ: + +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/SECURITY.md b/translations/kn/SECURITY.md new file mode 100644 index 00000000..f89a57ac --- /dev/null +++ b/translations/kn/SECURITY.md @@ -0,0 +1,53 @@ + +## ಭದ್ರತೆ + +Microsoft ನಮ್ಮ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳ ಭದ್ರತೆಯನ್ನು ಗಂಭೀರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಇದರಲ್ಲಿ ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳ ಮೂಲಕ ನಿರ್ವಹಿಸಲಾದ ಎಲ್ಲಾ ಮೂಲ ಕೋಡ್ ರೆಪೊಸಿಟರಿಗಳು ಸೇರಿವೆ, ಅವುಗಳಲ್ಲಿ [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), ಮತ್ತು [ನಮ್ಮ GitHub ಸಂಸ್ಥೆಗಳು](https://opensource.microsoft.com/) ಸೇರಿವೆ. + +ನೀವು ಯಾವುದೇ Microsoft-ಸ್ವಂತ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ [Microsoft ಭದ್ರತಾ ದುರ್ಬಲತೆಯ ವ್ಯಾಖ್ಯಾನ](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10))ಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಭದ್ರತಾ ದುರ್ಬಲತೆಯನ್ನು ಕಂಡುಹಿಡಿದಿದ್ದೀರಿ ಎಂದು ನಂಬಿದರೆ, ದಯವಿಟ್ಟು ಕೆಳಗಿನಂತೆ ನಮಗೆ ವರದಿ ಮಾಡಿ. + +## ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳ ವರದಿ + +**ದಯವಿಟ್ಟು ಸಾರ್ವಜನಿಕ GitHub ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ಭದ್ರತಾ ದುರ್ಬಲತೆಗಳನ್ನು ವರದಿ ಮಾಡಬೇಡಿ.** + +ಬದಲಾಗಿ, ದಯವಿಟ್ಟು Microsoft Security Response Center (MSRC) ಗೆ [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report) ನಲ್ಲಿ ವರದಿ ಮಾಡಿ. + +ನೀವು ಲಾಗಿನ್ ಮಾಡದೆ ಸಲ್ಲಿಸಲು ಇಚ್ಛಿಸಿದರೆ, [secure@microsoft.com](mailto:secure@microsoft.com) ಗೆ ಇಮೇಲ್ ಕಳುಹಿಸಿ. ಸಾಧ್ಯವಾದರೆ, ನಮ್ಮ PGP ಕೀ ಬಳಸಿ ನಿಮ್ಮ ಸಂದೇಶವನ್ನು ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಿ; ದಯವಿಟ್ಟು ಅದನ್ನು [Microsoft Security Response Center PGP Key ಪುಟದಿಂದ](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ. + +ನೀವು 24 ಗಂಟೆಗಳ ಒಳಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಪಡೆಯಬೇಕು. ಯಾವುದೋ ಕಾರಣಕ್ಕಾಗಿ ನೀವು ಪಡೆಯದಿದ್ದರೆ, ದಯವಿಟ್ಟು ನಮ್ಮ ಮೂಲ ಸಂದೇಶವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೇವೆ ಎಂದು ಖಚಿತಪಡಿಸಲು ಇಮೇಲ್ ಮೂಲಕ ಅನುಸರಿಸಿ. ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು [microsoft.com/msrc](https://www.microsoft.com/msrc) ನಲ್ಲಿ ಕಾಣಬಹುದು. + +ದಯವಿಟ್ಟು ಕೆಳಗಿನ ವಿನಂತಿಸಿದ ಮಾಹಿತಿಯನ್ನು (ನೀವು ನೀಡಬಹುದಾದಷ್ಟು) ಸೇರಿಸಿ, ಇದರಿಂದ ನಾವು ಸಾಧ್ಯವಿರುವ ಸಮಸ್ಯೆಯ ಸ್ವಭಾವ ಮತ್ತು ವ್ಯಾಪ್ತಿಯನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯವಾಗುತ್ತದೆ: + + * ಸಮಸ್ಯೆಯ ಪ್ರಕಾರ (ಉದಾ: ಬಫರ್ ಓವರ್‌ಫ್ಲೋ, SQL ಇಂಜೆಕ್ಷನ್, ಕ್ರಾಸ್-ಸೈಟ್ ಸ್ಕ್ರಿಪ್ಟಿಂಗ್, ಇತ್ಯಾದಿ) + * ಸಮಸ್ಯೆಯ ಪ್ರತ್ಯಕ್ಷತೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಮೂಲ ಫೈಲ್‌ಗಳ ಸಂಪೂರ್ಣ ಮಾರ್ಗಗಳು + * ಪ್ರಭಾವಿತ ಮೂಲ ಕೋಡ್‌ನ ಸ್ಥಳ (ಟ್ಯಾಗ್/ಬ್ರಾಂಚ್/ಕಮಿಟ್ ಅಥವಾ ನೇರ URL) + * ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ವಿಶೇಷ ಸಂರಚನೆ + * ಸಮಸ್ಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲು ಹಂತ-ಹಂತದ ಸೂಚನೆಗಳು + * ಸಾಬೀತು-ಆಫ್-ಕಾನ್ಸೆಪ್ಟ್ ಅಥವಾ ಎಕ್ಸ್‌ಪ್ಲಾಯಿಟ್ ಕೋಡ್ (ಸಾಧ್ಯವಾದರೆ) + * ಸಮಸ್ಯೆಯ ಪ್ರಭಾವ, ಮತ್ತು ಹೇಗೆ ಹ್ಯಾಕರ್ ಅದನ್ನು ದುರುಪಯೋಗ ಮಾಡಬಹುದು ಎಂಬುದು + +ಈ ಮಾಹಿತಿ ನಿಮ್ಮ ವರದಿಯನ್ನು ವೇಗವಾಗಿ ತಪಾಸಣೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. + +ನೀವು ಬಗ್ ಬೌಂಟಿಗಾಗಿ ವರದಿ ಮಾಡುತ್ತಿದ್ದರೆ, ಹೆಚ್ಚು ಸಂಪೂರ್ಣ ವರದಿಗಳು ಹೆಚ್ಚಿನ ಬೌಂಟಿ ಬಹುಮಾನಕ್ಕೆ ಸಹಾಯ ಮಾಡಬಹುದು. ದಯವಿಟ್ಟು ನಮ್ಮ [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) ಪುಟವನ್ನು ನಮ್ಮ ಸಕ್ರಿಯ ಕಾರ್ಯಕ್ರಮಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ವಿವರಗಳಿಗೆ ಭೇಟಿ ನೀಡಿ. + +## ಇಚ್ಛಿತ ಭಾಷೆಗಳು + +ನಾವು ಎಲ್ಲಾ ಸಂವಹನಗಳು ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಇರಬೇಕೆಂದು ಇಚ್ಛಿಸುತ್ತೇವೆ. + +## ನೀತಿ + +Microsoft [ಸಂಯೋಜಿತ ದುರ್ಬಲತೆ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ](https://www.microsoft.com/en-us/msrc/cvd) ತತ್ವವನ್ನು ಅನುಸರಿಸುತ್ತದೆ. + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/SUPPORT.md b/translations/kn/SUPPORT.md new file mode 100644 index 00000000..9964a5be --- /dev/null +++ b/translations/kn/SUPPORT.md @@ -0,0 +1,26 @@ + +# ಬೆಂಬಲ +## ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವುದು ಮತ್ತು ಸಹಾಯ ಪಡೆಯುವುದು ಹೇಗೆ + +ಈ ಯೋಜನೆ ದೋಷಗಳು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು GitHub Issues ಅನ್ನು ಬಳಸುತ್ತದೆ. ನಕಲುಗಳನ್ನು ತಪ್ಪಿಸಲು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ದಾಖಲಿಸುವ ಮೊದಲು ದಯವಿಟ್ಟು ಇತ್ತೀಚಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಹುಡುಕಿ. ಹೊಸ ಸಮಸ್ಯೆಗಳಿಗೆ, ನಿಮ್ಮ ದೋಷ ಅಥವಾ ವೈಶಿಷ್ಟ್ಯ ವಿನಂತಿಯನ್ನು ಹೊಸ ಸಮಸ್ಯೆಯಾಗಿ ದಾಖಲಿಸಿ. + +ಈ ಯೋಜನೆಯನ್ನು ಬಳಸುವ ಬಗ್ಗೆ ಸಹಾಯ ಮತ್ತು ಪ್ರಶ್ನೆಗಳಿಗಾಗಿ, ಸಮಸ್ಯೆಯನ್ನು ದಾಖಲಿಸಿ. + +## ಮೈಕ್ರೋಸಾಫ್ಟ್ ಬೆಂಬಲ ನೀತಿ + +ಈ ಸಂಗ್ರಹಣೆಗೆ ಬೆಂಬಲವು ಮೇಲ್ಕಂಡ ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿದೆ. + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/TROUBLESHOOTING.md b/translations/kn/TROUBLESHOOTING.md new file mode 100644 index 00000000..caf296ec --- /dev/null +++ b/translations/kn/TROUBLESHOOTING.md @@ -0,0 +1,629 @@ + +# ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿ + +ಈ ಮಾರ್ಗದರ್ಶಿ ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಪಠ್ಯಕ್ರಮದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ನೀವು ಎದುರಿಸಬಹುದಾದ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. + +## ವಿಷಯಗಳ ಪಟ್ಟಿಯು + +- [ಪೈಥಾನ್ ಮತ್ತು ಜುಪಿಟರ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಪ್ಯಾಕೇಜ್ ಮತ್ತು ಅವಲಂಬನೆ ಸಮಸ್ಯೆಗಳು](../..) +- [ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಗಿಟ್ ಮತ್ತು ಗಿಟ್‌ಹಬ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಡಾಕ್ಸಿಫೈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಡೇಟಾ ಮತ್ತು ಫೈಲ್ ಸಮಸ್ಯೆಗಳು](../..) +- [ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು](../..) +- [ಹೆಚ್ಚಿನ ಸಹಾಯ ಪಡೆಯುವುದು](../..) + +## ಪೈಥಾನ್ ಮತ್ತು ಜುಪಿಟರ್ ಸಮಸ್ಯೆಗಳು + +### ಪೈಥಾನ್ ಕಂಡುಬರಲಿಲ್ಲ ಅಥವಾ ತಪ್ಪು ಆವೃತ್ತಿ + +**ಸಮಸ್ಯೆ:** `python: command not found` ಅಥವಾ ತಪ್ಪು ಪೈಥಾನ್ ಆವೃತ್ತಿ + +**ಪರಿಹಾರ:** + +```bash +# ಪೈಥಾನ್ ಆವೃತ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ +python --version +python3 --version + +# ಪೈಥಾನ್ 3 'python3' ಎಂದು ಸ್ಥಾಪಿತವಾಗಿದ್ದರೆ, ಒಂದು ಅಲಿಯಾಸ್ ರಚಿಸಿ +# macOS/Linux ನಲ್ಲಿ, ~/.bashrc ಅಥವಾ ~/.zshrc ಗೆ ಸೇರಿಸಿ: +alias python=python3 +alias pip=pip3 + +# ಅಥವಾ python3 ಅನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬಳಸಿ +python3 -m pip install jupyter +``` + +**ವಿಂಡೋಸ್ ಪರಿಹಾರ:** +1. [python.org](https://www.python.org/) ನಿಂದ ಪೈಥಾನ್ ಮರುಸ್ಥಾಪಿಸಿ +2. ಸ್ಥಾಪನೆಯಾಗುತ್ತಿರುವಾಗ, "Add Python to PATH" ಅನ್ನು ಪರಿಶೀಲಿಸಿ +3. ನಿಮ್ಮ ಟರ್ಮಿನಲ್/ಕಮಾಂಡ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮರುಪ್ರಾರಂಭಿಸಿ + +### ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್ ಸಕ್ರಿಯಗೊಳಿಸುವ ಸಮಸ್ಯೆಗಳು + +**ಸಮಸ್ಯೆ:** ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್ ಸಕ್ರಿಯಗೊಳ್ಳುತ್ತಿಲ್ಲ + +**ಪರಿಹಾರ:** + +**ವಿಂಡೋಸ್:** +```bash +# ನೀವು ಕಾರ್ಯಗತಗೊಳಿಸುವ ನೀತಿ ದೋಷವನ್ನು ಪಡೆದರೆ +Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser + +# ನಂತರ ಸಕ್ರಿಯಗೊಳಿಸಿ +venv\Scripts\activate +``` + +**ಮ್ಯಾಕ್‌ಒಎಸ್/ಲಿನಕ್ಸ್ನಲ್ಲಿ:** +```bash +# ಸಕ್ರಿಯಗೊಳಿಸುವ ಸ್ಕ್ರಿಪ್ಟ್ ಕಾರ್ಯನಿರ್ವಹಣೀಯವಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +chmod +x venv/bin/activate + +# ನಂತರ ಸಕ್ರಿಯಗೊಳಿಸಿ +source venv/bin/activate +``` + +**ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ಪರಿಶೀಲಿಸಿ:** +```bash +# ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ (venv) ಅನ್ನು ತೋರಿಸಬೇಕು +# ಪೈಥಾನ್ ಸ್ಥಳವನ್ನು ಪರಿಶೀಲಿಸಿ +which python # venv ಗೆ ಸೂಚಿಸಬೇಕು +``` + +### ಜುಪಿಟರ್ ಕರ್ಣಲ್ ಸಮಸ್ಯೆಗಳು + +**ಸಮಸ್ಯೆ:** "Kernel not found" ಅಥವಾ "Kernel keeps dying" + +**ಪರಿಹಾರ:** + +```bash +# ಕರ್ಣಲ್ ಅನ್ನು ಮರುಸ್ಥಾಪಿಸಿ +python -m ipykernel install --user --name=datascience --display-name="Python (Data Science)" + +# ಅಥವಾ ಡೀಫಾಲ್ಟ್ ಕರ್ಣಲ್ ಅನ್ನು ಬಳಸಿ +python -m ipykernel install --user + +# ಜುಪೈಟರ್ ಅನ್ನು ಮರುಪ್ರಾರಂಭಿಸಿ +jupyter notebook +``` + +**ಸಮಸ್ಯೆ:** ಜುಪಿಟರ್‌ನಲ್ಲಿ ತಪ್ಪು ಪೈಥಾನ್ ಆವೃತ್ತಿ + +**ಪರಿಹಾರ:** +```bash +# ನಿಮ್ಮ ವರ್ಚುವಲ್ ಪರಿಸರದಲ್ಲಿ ಜುಪೈಟರ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ +source venv/bin/activate # ಮೊದಲು ಸಕ್ರಿಯಗೊಳಿಸಿ +pip install jupyter ipykernel + +# ಕರ್ಣಲ್ ಅನ್ನು ನೋಂದಣಿ ಮಾಡಿ +python -m ipykernel install --user --name=venv --display-name="Python (venv)" + +# ಜುಪೈಟರ್‌ನಲ್ಲಿ, Kernel -> Change kernel -> Python (venv) ಆಯ್ಕೆಮಾಡಿ +``` + +## ಪ್ಯಾಕೇಜ್ ಮತ್ತು ಅವಲಂಬನೆ ಸಮಸ್ಯೆಗಳು + +### ಆಮದು ದೋಷಗಳು + +**ಸಮಸ್ಯೆ:** `ModuleNotFoundError: No module named 'pandas'` (ಅಥವಾ ಇತರ ಪ್ಯಾಕೇಜ್‌ಗಳು) + +**ಪರಿಹಾರ:** + +```bash +# ವರ್ಚುವಲ್ ಪರಿಸರ ಸಕ್ರಿಯವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +source venv/bin/activate # macOS/Linux +venv\Scripts\activate # ವಿಂಡೋಸ್ + +# ಕಾಣೆಯಾದ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ +pip install pandas + +# ಎಲ್ಲಾ ಸಾಮಾನ್ಯ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸಿ +pip install jupyter pandas numpy matplotlib seaborn scikit-learn + +# ಸ್ಥಾಪನೆ ಪರಿಶೀಲಿಸಿ +python -c "import pandas; print(pandas.__version__)" +``` + +### ಪಿಪ್ ಸ್ಥಾಪನೆ ವಿಫಲತೆಗಳು + +**ಸಮಸ್ಯೆ:** ಅನುಮತಿ ದೋಷಗಳೊಂದಿಗೆ `pip install` ವಿಫಲವಾಗಿದೆ + +**ಪರಿಹಾರ:** + +```bash +# --user ಧ್ವಜವನ್ನು ಬಳಸಿ +pip install --user package-name + +# ಅಥವಾ ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಬಳಸಿ (ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ) +python -m venv venv +source venv/bin/activate +pip install package-name +``` + +**ಸಮಸ್ಯೆ:** SSL ಪ್ರಮಾಣಪತ್ರ ದೋಷಗಳೊಂದಿಗೆ `pip install` ವಿಫಲವಾಗಿದೆ + +**ಪರಿಹಾರ:** + +```bash +# ಮೊದಲು ಪಿಪ್ ಅನ್ನು ನವೀಕರಿಸಿ +python -m pip install --upgrade pip + +# ನಂಬಿಗಸ್ತ ಹೋಸ್ಟ್‌ನೊಂದಿಗೆ ಸ್ಥಾಪಿಸಲು ಪ್ರಯತ್ನಿಸಿ (ತಾತ್ಕಾಲಿಕ ಪರಿಹಾರ) +pip install --trusted-host pypi.org --trusted-host files.pythonhosted.org package-name +``` + +### ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿ ಸಂಘರ್ಷಗಳು + +**ಸಮಸ್ಯೆ:** ಅಸಂಗತ ಪ್ಯಾಕೇಜ್ ಆವೃತ್ತಿಗಳು + +**ಪರಿಹಾರ:** + +```bash +# ಹೊಸ ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ರಚಿಸಿ +python -m venv venv-new +source venv-new/bin/activate # ಅಥವಾ ವಿಂಡೋಸ್‌ನಲ್ಲಿ venv-new\Scripts\activate + +# ಅಗತ್ಯವಿದ್ದರೆ ನಿರ್ದಿಷ್ಟ ಆವೃತ್ತಿಗಳೊಂದಿಗೆ ಪ್ಯಾಕೇಜುಗಳನ್ನು ಸ್ಥಾಪಿಸಿ +pip install pandas==1.3.0 +pip install numpy==1.21.0 + +# ಅಥವಾ pip ಗೆ ಅವಲಂಬನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಬಿಡಿ +pip install jupyter pandas numpy matplotlib seaborn scikit-learn +``` + +## ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್ ಸಮಸ್ಯೆಗಳು + +### ಜುಪಿಟರ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** `jupyter notebook` ಕಮಾಂಡ್ ಕಂಡುಬರಲಿಲ್ಲ + +**ಪರಿಹಾರ:** + +```bash +# ಜುಪೈಟರ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ +pip install jupyter + +# ಅಥವಾ python -m ಬಳಸಿ +python -m jupyter notebook + +# ಅಗತ್ಯವಿದ್ದರೆ PATH ಗೆ ಸೇರಿಸಿ (macOS/Linux) +export PATH="$HOME/.local/bin:$PATH" +``` + +### ನೋಟ್ಬುಕ್ ಲೋಡ್ ಅಥವಾ ಉಳಿಸುವುದಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** "Notebook failed to load" ಅಥವಾ ಉಳಿಸುವ ದೋಷಗಳು + +**ಪರಿಹಾರ:** + +1. ಫೈಲ್ ಅನುಮತಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ +```bash +# ನೀವು ಬರೆಯಲು ಅನುಮತಿಗಳನ್ನು ಹೊಂದಿರುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +ls -l notebook.ipynb +chmod 644 notebook.ipynb # ಅಗತ್ಯವಿದ್ದರೆ +``` + +2. ಫೈಲ್ ಹಾಳಾಗಿರುವುದಿಲ್ಲ ಎಂದು ಪರಿಶೀಲಿಸಿ +```bash +# JSON ರಚನೆಯನ್ನು ಪರಿಶೀಲಿಸಲು ಪಠ್ಯ ಸಂಪಾದಕದಲ್ಲಿ ತೆರೆಯಲು ಪ್ರಯತ್ನಿಸಿ +# ಹಾಳಾಗಿದ್ದರೆ ವಿಷಯವನ್ನು ಹೊಸ ನೋಟ್ಬುಕ್‌ಗೆ ನಕಲಿಸಿ +``` + +3. ಜುಪಿಟರ್ ಕ್ಯಾಶೆ ತೆರವುಗೊಳಿಸಿ +```bash +jupyter notebook --clear-cache +``` + +### ಸೆಲ್ ಕಾರ್ಯಗತಗೊಳ್ಳುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** ಸೆಲ್ "In [*]" ನಲ್ಲಿ ಅಂಟಿಕೊಂಡಿದೆ ಅಥವಾ ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಿದೆ + +**ಪರಿಹಾರ:** + +1. **ಕರ್ಣಲ್ ಅನ್ನು ಮಧ್ಯಂತರಗೊಳಿಸಿ**: "Interrupt" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ ಅಥವಾ `I, I` ಒತ್ತಿ +2. **ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ**: Kernel ಮೆನು → Restart +3. ನಿಮ್ಮ ಕೋಡ್‌ನಲ್ಲಿ **ಅನಂತ ಲೂಪ್ಗಳಿಗಾಗಿ ಪರಿಶೀಲಿಸಿ** +4. **ಔಟ್‌ಪುಟ್ ತೆರವುಗೊಳಿಸಿ**: ಸೆಲ್ → All Output → Clear + +### ಪ್ಲಾಟ್‌ಗಳು ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** `matplotlib` ಪ್ಲಾಟ್‌ಗಳು ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ತೋರಿಸುತ್ತಿಲ್ಲ + +**ಪರಿಹಾರ:** + +```python +# ನೋಟ್ಬುಕ್‌ನ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಮಾಯಾಜಾಲ ಆಜ್ಞೆಯನ್ನು ಸೇರಿಸಿ +%matplotlib inline + +import matplotlib.pyplot as plt + +# ಚಿತ್ರ ರಚಿಸಿ +plt.plot([1, 2, 3, 4]) +plt.show() # show() ಅನ್ನು ಕರೆಮಾಡುವುದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +``` + +**ಇಂಟರಾಕ್ಟಿವ್ ಪ್ಲಾಟ್‌ಗಳಿಗೆ ಪರ್ಯಾಯ:** +```python +%matplotlib notebook +# ಅಥವಾ +%matplotlib widget +``` + +## ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಸಮಸ್ಯೆಗಳು + +### npm install ವಿಫಲವಾಗಿದೆ + +**ಸಮಸ್ಯೆ:** `npm install` ಸಮಯದಲ್ಲಿ ದೋಷಗಳು + +**ಪರಿಹಾರ:** + +```bash +# npm ಕ್ಯಾಶೆ ತೆರವುಗೊಳಿಸಿ +npm cache clean --force + +# node_modules ಮತ್ತು package-lock.json ಅನ್ನು ತೆಗೆದುಹಾಕಿ +rm -rf node_modules package-lock.json + +# ಮರುಸ್ಥಾಪಿಸಿ +npm install + +# ಇನ್ನೂ ವಿಫಲವಾಗಿದ್ದರೆ, ಹಳೆಯ ಪಿಯರ್ ಡಿಪ್ಸ್ ಜೊತೆಗೆ ಪ್ರಯತ್ನಿಸಿ +npm install --legacy-peer-deps +``` + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರಾರಂಭವಾಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** `npm run serve` ವಿಫಲವಾಗಿದೆ + +**ಪರಿಹಾರ:** + +```bash +# Node.js ಆವೃತ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ +node --version # 12.x ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದಾಗಿರಬೇಕು + +# ಅವಲಂಬನೆಗಳನ್ನು ಮರುಸ್ಥಾಪಿಸಿ +cd quiz-app +rm -rf node_modules package-lock.json +npm install + +# ವಿಭಿನ್ನ ಪೋರ್ಟ್ ಪ್ರಯತ್ನಿಸಿ +npm run serve -- --port 8081 +``` + +### ಪೋರ್ಟ್ ಈಗಾಗಲೇ ಬಳಕೆಯಲ್ಲಿದೆ + +**ಸಮಸ್ಯೆ:** "Port 8080 is already in use" + +**ಪರಿಹಾರ:** + +```bash +# 8080 ಪೋರ್ಟ್‌ನಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹುಡುಕಿ ಮತ್ತು ಕೊಲ್ಲಿರಿ +# macOS/Linux: +lsof -ti:8080 | xargs kill -9 + +# Windows: +netstat -ano | findstr :8080 +taskkill /PID /F + +# ಅಥವಾ ಬೇರೆ ಪೋರ್ಟ್ ಬಳಸಿ +npm run serve -- --port 8081 +``` + +### ಕ್ವಿಜ್ ಲೋಡ್ ಆಗುತ್ತಿಲ್ಲ ಅಥವಾ ಖಾಲಿ ಪುಟ + +**ಸಮಸ್ಯೆ:** ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಲೋಡ್ ಆಗುತ್ತದೆ ಆದರೆ ಖಾಲಿ ಪುಟ ತೋರಿಸುತ್ತದೆ + +**ಪರಿಹಾರ:** + +1. ಬ್ರೌಸರ್ ಕಾನ್ಸೋಲ್‌ನಲ್ಲಿ ದೋಷಗಳನ್ನು ಪರಿಶೀಲಿಸಿ (F12) +2. ಬ್ರೌಸರ್ ಕ್ಯಾಶೆ ಮತ್ತು ಕುಕೀಸ್ ತೆರವುಗೊಳಿಸಿ +3. ಬೇರೆ ಬ್ರೌಸರ್ ಪ್ರಯತ್ನಿಸಿ +4. ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಸಕ್ರಿಯವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +5. ಜಾಹೀರಾತು ತಡೆಗಟ್ಟುವವರನ್ನು ಪರಿಶೀಲಿಸಿ + +```bash +# ಆಪ್ ಅನ್ನು ಮರುನಿರ್ಮಿಸಿ +npm run build +npm run serve +``` + +## ಗಿಟ್ ಮತ್ತು ಗಿಟ್‌ಹಬ್ ಸಮಸ್ಯೆಗಳು + +### ಗಿಟ್ ಗುರುತಿಸಲಾಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** `git: command not found` + +**ಪರಿಹಾರ:** + +**ವಿಂಡೋಸ್:** +- [git-scm.com](https://git-scm.com/) ನಿಂದ ಗಿಟ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ +- ಸ್ಥಾಪನೆಯ ನಂತರ ಟರ್ಮಿನಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ + +**ಮ್ಯಾಕ್‌ಒಎಸ್:** + +> **ಗಮನಿಸಿ:** ನೀವು ಹೋಮ್‌ಬ್ರೂ ಸ್ಥಾಪಿಸದಿದ್ದರೆ, ಮೊದಲು ಅದನ್ನು ಸ್ಥಾಪಿಸಲು [https://brew.sh/](https://brew.sh/) ನಲ್ಲಿ ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಿ. +```bash +# ಹೋಮ್‌ಬ್ರೂ ಮೂಲಕ ಸ್ಥಾಪಿಸಿ +brew install git + +# ಅಥವಾ Xcode ಕಮಾಂಡ್ ಲೈನ್ ಟೂಲ್ಸ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿ +xcode-select --install +``` + +**ಲಿನಕ್ಸ್ನಲ್ಲಿ:** +```bash +sudo apt-get install git # ಡೆಬಿಯನ್/ಉಬುಂಟು +sudo dnf install git # ಫೆಡೋರಾ +``` + +### ಕ್ಲೋನ್ ವಿಫಲವಾಗಿದೆ + +**ಸಮಸ್ಯೆ:** `git clone` ಪ್ರಮಾಣೀಕರಣ ದೋಷಗಳೊಂದಿಗೆ ವಿಫಲವಾಗಿದೆ + +**ಪರಿಹಾರ:** + +```bash +# HTTPS URL ಅನ್ನು ಬಳಸಿ +git clone https://github.com/microsoft/Data-Science-For-Beginners.git + +# ನೀವು GitHub ನಲ್ಲಿ 2FA ಸಕ್ರಿಯಗೊಳಿಸಿದ್ದರೆ, ವೈಯಕ್ತಿಕ ಪ್ರವೇಶ ಟೋಕನ್ ಅನ್ನು ಬಳಸಿ +# ಟೋಕನ್ ಅನ್ನು ರಚಿಸಿ: https://github.com/settings/tokens +# ಕೇಳಿದಾಗ ಪಾಸ್ವರ್ಡ್ ಆಗಿ ಟೋಕನ್ ಅನ್ನು ಬಳಸಿ +``` + +### ಅನುಮತಿ ನಿರಾಕರಿಸಲಾಗಿದೆ (publickey) + +**ಸಮಸ್ಯೆ:** SSH ಕೀ ಪ್ರಮಾಣೀಕರಣ ವಿಫಲವಾಗಿದೆ + +**ಪರಿಹಾರ:** + +```bash +# SSH ಕೀ ರಚಿಸಿ +ssh-keygen -t ed25519 -C "your_email@example.com" + +# ಕೀ ಅನ್ನು ssh-agent ಗೆ ಸೇರಿಸಿ +eval "$(ssh-agent -s)" +ssh-add ~/.ssh/id_ed25519 + +# ಸಾರ್ವಜನಿಕ ಕೀ GitHub ಗೆ ಸೇರಿಸಿ +# ಕೀ ನಕಲಿಸಿ: cat ~/.ssh/id_ed25519.pub +# ಇಲ್ಲಿ ಸೇರಿಸಿ: https://github.com/settings/keys +``` + +## ಡಾಕ್ಸಿಫೈ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸಮಸ್ಯೆಗಳು + +### ಡಾಕ್ಸಿಫೈ ಕಮಾಂಡ್ ಕಂಡುಬರಲಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** `docsify: command not found` + +**ಪರಿಹಾರ:** + +```bash +# ಜಾಗತಿಕವಾಗಿ ಸ್ಥಾಪಿಸಿ +npm install -g docsify-cli + +# macOS/Linux ನಲ್ಲಿ ಅನುಮತಿ ದೋಷ ಇದ್ದರೆ +sudo npm install -g docsify-cli + +# ಸ್ಥಾಪನೆಯನ್ನು ಪರಿಶೀಲಿಸಿ +docsify --version + +# ಇನ್ನೂ ಕಂಡುಬಂದಿಲ್ಲದಿದ್ದರೆ, npm ಜಾಗತಿಕ ಮಾರ್ಗವನ್ನು ಸೇರಿಸಿ +# npm ಜಾಗತಿಕ ಮಾರ್ಗವನ್ನು ಹುಡುಕಿ +npm config get prefix + +# PATH ಗೆ ಸೇರಿಸಿ (~/.bashrc ಅಥವಾ ~/.zshrc ಗೆ ಸೇರಿಸಿ) +export PATH="$PATH:/usr/local/bin" +``` + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಲೋಡ್ ಆಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** ಡಾಕ್ಸಿಫೈ ಸೇವ್ ಮಾಡುತ್ತದೆ ಆದರೆ ವಿಷಯ ಲೋಡ್ ಆಗುವುದಿಲ್ಲ + +**ಪರಿಹಾರ:** + +```bash +# ನೀವು ರೆಪೊಸಿಟರಿ ರೂಟ್‌ನಲ್ಲಿ ಇದ್ದೀರಾ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +cd Data-Science-For-Beginners + +# index.html ಅನ್ನು ಪರಿಶೀಲಿಸಿ +ls index.html + +# ನಿರ್ದಿಷ್ಟ ಪೋರ್ಟ್‌ನೊಂದಿಗೆ ಸೇವೆ ನೀಡಿ +docsify serve --port 3000 + +# ದೋಷಗಳಿಗಾಗಿ ಬ್ರೌಸರ್ ಕಾನ್ಸೋಲ್ ಪರಿಶೀಲಿಸಿ (F12) +``` + +### ಚಿತ್ರಗಳು ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತಿಲ್ಲ + +**ಸಮಸ್ಯೆ:** ಚಿತ್ರಗಳು ಮುರಿದ ಲಿಂಕ್ ಐಕಾನ್ ತೋರಿಸುತ್ತಿವೆ + +**ಪರಿಹಾರ:** + +1. ಚಿತ್ರ ಮಾರ್ಗಗಳು ಸಂಬಂಧಿತವಾಗಿವೆ ಎಂದು ಪರಿಶೀಲಿಸಿ +2. ಚಿತ್ರ ಫೈಲ್‌ಗಳು ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಇವೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ +3. ಬ್ರೌಸರ್ ಕ್ಯಾಶೆ ತೆರವುಗೊಳಿಸಿ +4. ಫೈಲ್ ವಿಸ್ತರಣೆಗಳು ಹೊಂದಿಕೆಯಾಗಿವೆ ಎಂದು ಪರಿಶೀಲಿಸಿ (ಕೆಲವು ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಕೇಸ್-ಸೆನ್ಸಿಟಿವ್) + +## ಡೇಟಾ ಮತ್ತು ಫೈಲ್ ಸಮಸ್ಯೆಗಳು + +### ಫೈಲ್ ಕಂಡುಬರದ ದೋಷಗಳು + +**ಸಮಸ್ಯೆ:** ಡೇಟಾ ಲೋಡ್ ಮಾಡುವಾಗ `FileNotFoundError` + +**ಪರಿಹಾರ:** + +```python +import os + +# ಪ್ರಸ್ತುತ ಕಾರ್ಯನಿರ್ವಹಣಾ ಡೈರೆಕ್ಟರಿಯನ್ನು ಪರಿಶೀಲಿಸಿ +print(os.getcwd()) + +# ಪೂರ್ಣ ಪಥವನ್ನು ಬಳಸಿ +data_path = os.path.join(os.getcwd(), 'data', 'filename.csv') +df = pd.read_csv(data_path) + +# ಅಥವಾ ನೋಟ್ಬುಕ್ ಸ್ಥಳದಿಂದ ಸಂಬಂಧಿತ ಪಥವನ್ನು ಬಳಸಿ +df = pd.read_csv('../data/filename.csv') + +# ಫೈಲ್ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ +print(os.path.exists('data/filename.csv')) +``` + +### CSV ಓದುವ ದೋಷಗಳು + +**ಸಮಸ್ಯೆ:** CSV ಫೈಲ್‌ಗಳನ್ನು ಓದುವಾಗ ದೋಷಗಳು + +**ಪರಿಹಾರ:** + +```python +import pandas as pd + +# ವಿಭಿನ್ನ ಎನ್‌ಕೋಡಿಂಗ್‌ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ +df = pd.read_csv('file.csv', encoding='utf-8') +# ಅಥವಾ +df = pd.read_csv('file.csv', encoding='latin-1') +# ಅಥವಾ +df = pd.read_csv('file.csv', encoding='ISO-8859-1') + +# ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಿ +df = pd.read_csv('file.csv', na_values=['NA', 'N/A', '']) + +# ಕಾಮಾ ಅಲ್ಲದಿದ್ದರೆ ಡೆಲಿಮಿಟರ್ ಅನ್ನು ಸೂಚಿಸಿ +df = pd.read_csv('file.csv', delimiter=';') +``` + +### ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳೊಂದಿಗೆ ಮೆಮೊರಿ ದೋಷಗಳು + +**ಸಮಸ್ಯೆ:** ದೊಡ್ಡ ಫೈಲ್‌ಗಳನ್ನು ಲೋಡ್ ಮಾಡುವಾಗ `MemoryError` + +**ಪರಿಹಾರ:** + +```python +# ತುಂಡುಗಳಾಗಿ ಓದಿ +chunk_size = 10000 +chunks = [] +for chunk in pd.read_csv('large_file.csv', chunksize=chunk_size): + # ತುಂಡನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿ + chunks.append(chunk) +df = pd.concat(chunks) + +# ಅಥವಾ ನಿರ್ದಿಷ್ಟ ಕಾಲಮ್‌ಗಳನ್ನು ಮಾತ್ರ ಓದಿ +df = pd.read_csv('file.csv', usecols=['col1', 'col2']) + +# ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾದ ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ಬಳಸಿ +df = pd.read_csv('file.csv', dtype={'column_name': 'int32'}) +``` + +## ಕಾರ್ಯಕ್ಷಮತೆ ಸಮಸ್ಯೆಗಳು + +### ನೋಟ್ಬುಕ್ ನಿಧಾನ ಕಾರ್ಯಕ್ಷಮತೆ + +**ಸಮಸ್ಯೆ:** ನೋಟ್ಬುಕ್‌ಗಳು ಬಹಳ ನಿಧಾನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ + +**ಪರಿಹಾರ:** + +1. **ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ ಮತ್ತು ಔಟ್‌ಪುಟ್ ತೆರವುಗೊಳಿಸಿ** + - Kernel → Restart & Clear Output + +2. **ಬಳಸದ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಮುಚ್ಚಿ** + +3. **ಕೋಡ್ ಅನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿ:** +```python +# ಲೂಪ್ಗಳ ಬದಲು ವೆಕ್ಟರೈಜ್ಡ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಳಸಿ +# ಕೆಟ್ಟದು: +result = [] +for x in data: + result.append(x * 2) + +# ಉತ್ತಮ: +result = data * 2 # ನಮ್‌ಪೈ/ಪಾಂಡಾಸ್ ವೆಕ್ಟರೈಜೆಷನ್ +``` + +4. **ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳ ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ:** +```python +# ಅಭಿವೃದ್ಧಿಯ ಸಮಯದಲ್ಲಿ ಮಾದರಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ +df_sample = df.sample(n=1000) # ಅಥವಾ df.head(1000) +``` + +### ಬ್ರೌಸರ್ ಕ್ರ್ಯಾಶ್ ಆಗುವುದು + +**ಸಮಸ್ಯೆ:** ಬ್ರೌಸರ್ ಕ್ರ್ಯಾಶ್ ಆಗುತ್ತದೆ ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡುವುದಿಲ್ಲ + +**ಪರಿಹಾರ:** + +1. ಬಳಸದ ಟ್ಯಾಬ್‌ಗಳನ್ನು ಮುಚ್ಚಿ +2. ಬ್ರೌಸರ್ ಕ್ಯಾಶೆ ತೆರವುಗೊಳಿಸಿ +3. ಬ್ರೌಸರ್ ಮೆಮೊರಿ ಹೆಚ್ಚಿಸಿ (ಕ್ರೋಮ್: `chrome://settings/system`) +4. ಜುಪಿಟರ್‌ಲ್ಯಾಬ್ ಬಳಸಿ: +```bash +pip install jupyterlab +jupyter lab +``` + +## ಹೆಚ್ಚುವರಿ ಸಹಾಯ ಪಡೆಯುವುದು + +### ಸಹಾಯ ಕೇಳುವ ಮೊದಲು + +1. ಈ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಪರಿಶೀಲಿಸಿ +2. [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) ನಲ್ಲಿ ಹುಡುಕಿ +3. [INSTALLATION.md](INSTALLATION.md) ಮತ್ತು [USAGE.md](USAGE.md) ಪರಿಶೀಲಿಸಿ +4. ದೋಷ ಸಂದೇಶವನ್ನು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಹುಡುಕಿ + +### ಸಹಾಯ ಕೇಳುವುದು ಹೇಗೆ + +ಸಮಸ್ಯೆ ಸೃಷ್ಟಿಸುವಾಗ ಅಥವಾ ಸಹಾಯ ಕೇಳುವಾಗ, ಈ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಿ: + +1. **ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್**: ವಿಂಡೋಸ್, ಮ್ಯಾಕ್‌ಒಎಸ್ ಅಥವಾ ಲಿನಕ್ಸ್ (ಯಾವ ಡಿಸ್ಟ್ರಿಬ್ಯೂಷನ್) +2. **ಪೈಥಾನ್ ಆವೃತ್ತಿ**: `python --version` ಅನ್ನು ರನ್ ಮಾಡಿ +3. **ದೋಷ ಸಂದೇಶ**: ಸಂಪೂರ್ಣ ದೋಷ ಸಂದೇಶವನ್ನು ನಕಲಿಸಿ +4. **ಪುನರಾವರ್ತಿಸುವ ಹಂತಗಳು**: ದೋಷ ಸಂಭವಿಸುವ ಮೊದಲು ನೀವು ಏನು ಮಾಡಿದ್ದೀರಿ +5. **ನೀವು ಪ್ರಯತ್ನಿಸಿದವು**: ನೀವು ಈಗಾಗಲೇ ಪ್ರಯತ್ನಿಸಿದ ಪರಿಹಾರಗಳು + +**ಉದಾಹರಣೆ:** +``` +**Operating System:** macOS 12.0 +**Python Version:** 3.9.7 +**Error Message:** ModuleNotFoundError: No module named 'pandas' +**Steps to Reproduce:** +1. Activated virtual environment +2. Started Jupyter notebook +3. Tried to import pandas + +**What I've Tried:** +- Ran pip install pandas +- Restarted Jupyter +``` + +### ಸಮುದಾಯ ಸಂಪನ್ಮೂಲಗಳು + +- **GitHub Issues**: [ಸಮಸ್ಯೆ ಸೃಷ್ಟಿಸಿ](https://github.com/microsoft/Data-Science-For-Beginners/issues/new) +- **Discord**: [ನಮ್ಮ ಸಮುದಾಯದಲ್ಲಿ ಸೇರಿ](https://aka.ms/ds4beginners/discord) +- **ಚರ್ಚೆಗಳು**: [GitHub Discussions](https://github.com/microsoft/Data-Science-For-Beginners/discussions) +- **Microsoft Learn**: [ಪ್ರಶ್ನೋತ್ತರ ವೇದಿಕೆಗಳು](https://docs.microsoft.com/answers/) + +### ಸಂಬಂಧಿತ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ + +- [INSTALLATION.md](INSTALLATION.md) - ಸ್ಥಾಪನೆ ಸೂಚನೆಗಳು +- [USAGE.md](USAGE.md) - ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು +- [CONTRIBUTING.md](CONTRIBUTING.md) - ಹೇಗೆ ಕೊಡುಗೆ ನೀಡುವುದು +- [README.md](README.md) - ಯೋಜನೆಯ ಅವಲೋಕನ + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/USAGE.md b/translations/kn/USAGE.md new file mode 100644 index 00000000..6d7d9228 --- /dev/null +++ b/translations/kn/USAGE.md @@ -0,0 +1,376 @@ + +# ಬಳಕೆ ಮಾರ್ಗದರ್ಶಿ + +ಈ ಮಾರ್ಗದರ್ಶಿ ಡೇಟಾ ಸೈನ್ಸ್ ಫಾರ್ ಬಿಗಿನರ್ಸ್ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸಲು ಉದಾಹರಣೆಗಳು ಮತ್ತು ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. + +## ವಿಷಯಗಳ ಪಟ್ಟಿಕೆ + +- [ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು](../..) +- [ಪಾಠಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು](../..) +- [ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು](../..) +- [ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಬಳಕೆ](../..) +- [ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹಗಳು](../..) +- [ಸ್ವಯಂ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಸಲಹೆಗಳು](../..) +- [ಶಿಕ್ಷಕರಿಗಾಗಿ ಸಲಹೆಗಳು](../..) + +## ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಹೇಗೆ ಬಳಸುವುದು + +ಈ ಪಠ್ಯಕ್ರಮವು ಲವಚಿಕವಾಗಿದ್ದು, ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಬಳಸಬಹುದು: + +- **ಸ್ವಯಂ-ಗತಿಯ ಅಧ್ಯಯನ**: ನಿಮ್ಮ ಸ್ವಂತ ವೇಗದಲ್ಲಿ ಪಾಠಗಳನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಮಾಡಿ +- **ತರಗತಿ ಬೋಧನೆ**: ಮಾರ್ಗದರ್ಶಿತ ಬೋಧನೆಯೊಂದಿಗೆ ರಚಿಸಲಾದ ಕೋರ್ಸ್ ಆಗಿ ಬಳಸಿ +- **ಅಧ್ಯಯನ ಗುಂಪುಗಳು**: ಸಹಪಾಠಿಗಳೊಂದಿಗೆ ಸಹಕಾರದಿಂದ ಕಲಿಯಿರಿ +- **ಕಾರ್ಖಾನೆ ರೂಪ**: ತೀವ್ರ ಸ್ವಲ್ಪಕಾಲಿಕ ಅಧ್ಯಯನ ಸೆಷನ್‌ಗಳು + +## ಪಾಠಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು + +ಪ್ರತಿ ಪಾಠವು ಕಲಿಕೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಸತತ ರಚನೆಯನ್ನು ಅನುಸರಿಸುತ್ತದೆ: + +### ಪಾಠ ರಚನೆ + +1. **ಪೂರ್ವ ಪಾಠ ಕ್ವಿಜ್**: ನಿಮ್ಮ ಇತ್ತೀಚಿನ ಜ್ಞಾನವನ್ನು ಪರೀಕ್ಷಿಸಿ +2. **ಸ್ಕೆಚ್‌ನೋಟ್** (ಐಚ್ಛಿಕ): ಪ್ರಮುಖ ತತ್ವಗಳ ದೃಶ್ಯ ಸಾರಾಂಶ +3. **ವೀಡಿಯೊ** (ಐಚ್ಛಿಕ): ಪೂರಕ ವೀಡಿಯೊ ವಿಷಯ +4. **ಲೇಖಿತ ಪಾಠ**: ಮೂಲ ತತ್ವಗಳು ಮತ್ತು ವಿವರಣೆಗಳು +5. **ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್**: ಕೈಯಿಂದ ಕೋಡಿಂಗ್ ಅಭ್ಯಾಸಗಳು +6. **ಕಾರ್ಯನಿರ್ವಹಣೆ**: ನೀವು ಕಲಿತದ್ದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ +7. **ಪೋಸ್ಟ್-ಪಾಠ ಕ್ವಿಜ್**: ನಿಮ್ಮ ಅರ್ಥವನ್ನು ಬಲಪಡಿಸಿ + +### ಪಾಠದ ಉದಾಹರಣಾ ಕಾರ್ಯಪ್ರವಾಹ + +```bash +# 1. ಪಾಠ ಡೈರೆಕ್ಟರಿಗೆ ನಾವಿಗೇಟ್ ಮಾಡಿ +cd 1-Introduction/01-defining-data-science + +# 2. README.md ಓದಿ +# README.md ಅನ್ನು ನಿಮ್ಮ ಬ್ರೌಸರ್ ಅಥವಾ ಸಂಪಾದಕದಲ್ಲಿ ತೆರೆಯಿರಿ + +# 3. ಪೂರ್ವ-ಪಾಠ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ +# README ನಲ್ಲಿ ಕ್ವಿಜ್ ಲಿಂಕ್ ಕ್ಲಿಕ್ ಮಾಡಿ + +# 4. ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್ ತೆರೆಯಿರಿ (ಲಭ್ಯವಿದ್ದರೆ) +jupyter notebook + +# 5. ನೋಟ್ಬುಕ್‌ನ ವ್ಯಾಯಾಮಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ + +# 6. ನಿಯೋಜನೆ ಮೇಲೆ ಕೆಲಸ ಮಾಡಿ + +# 7. ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ +``` + +## ಜುಪೈಟರ್ ನೋಟ್ಬುಕ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು + +### ಜುಪೈಟರ್ ಪ್ರಾರಂಭಿಸುವುದು + +```bash +# ನಿಮ್ಮ ವರ್ಚುವಲ್ ಪರಿಸರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ +source venv/bin/activate # macOS/Linux ನಲ್ಲಿ +# ಅಥವಾ +venv\Scripts\activate # Windows ನಲ್ಲಿ + +# ರೆಪೊಸಿಟರಿ ರೂಟ್‌ನಿಂದ Jupyter ಪ್ರಾರಂಭಿಸಿ +jupyter notebook +``` + +### ನೋಟ್ಬುಕ್ ಸೆಲ್‌ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವುದು + +1. **ಸೆಲ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ**: `Shift + Enter` ಒತ್ತಿ ಅಥವಾ "Run" ಬಟನ್ ಕ್ಲಿಕ್ ಮಾಡಿ +2. **ಎಲ್ಲಾ ಸೆಲ್‌ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ**: ಮೆನುದಿಂದ "Cell" → "Run All" ಆಯ್ಕೆಮಾಡಿ +3. **ಕರ್ಣಲ್ ಮರುಪ್ರಾರಂಭಿಸಿ**: ಸಮಸ್ಯೆ ಎದುರಾದರೆ "Kernel" → "Restart" ಆಯ್ಕೆಮಾಡಿ + +### ಉದಾಹರಣೆ: ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದು + +```python +# ಅಗತ್ಯ ಲೈಬ್ರರಿಗಳನ್ನು ಆಮದುಮಾಡಿ +import pandas as pd +import numpy as np +import matplotlib.pyplot as plt + +# ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಿ +df = pd.read_csv('data/sample.csv') + +# ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸಿ +df.head() +df.info() +df.describe() + +# ದೃಶ್ಯೀಕರಣವನ್ನು ರಚಿಸಿ +plt.figure(figsize=(10, 6)) +plt.plot(df['column_name']) +plt.title('Sample Visualization') +plt.xlabel('X-axis Label') +plt.ylabel('Y-axis Label') +plt.show() +``` + +### ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಉಳಿಸುವುದು + +- ಜುಪೈಟರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅವಧಿ ಅವಧಿಗೆ ಉಳಿಸುತ್ತದೆ +- ಕೈಯಿಂದ ಉಳಿಸುವುದು: `Ctrl + S` (ಅಥವಾ macOS ನಲ್ಲಿ `Cmd + S`) ಒತ್ತಿ +- ನಿಮ್ಮ ಪ್ರಗತಿ `.ipynb` ಫೈಲ್‌ನಲ್ಲಿ ಉಳಿಯುತ್ತದೆ + +## ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಬಳಕೆ + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆ ಮಾಡುವುದು + +```bash +# ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಡೈರೆಕ್ಟರಿಗೆ ನಾವಿಗೇಟ್ ಮಾಡಿ +cd quiz-app + +# ಡೆವಲಪ್‌ಮೆಂಟ್ ಸರ್ವರ್ ಪ್ರಾರಂಭಿಸಿ +npm run serve + +# http://localhost:8080 ನಲ್ಲಿ ಪ್ರವೇಶಿಸಿ +``` + +### ಕ್ವಿಜ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು + +1. ಪೂರ್ವ ಪಾಠ ಕ್ವಿಜ್‌ಗಳು ಪ್ರತಿ ಪಾಠದ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಲಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಿವೆ +2. ಪೋಸ್ಟ್-ಪಾಠ ಕ್ವಿಜ್‌ಗಳು ಪ್ರತಿ ಪಾಠದ ಕೆಳಭಾಗದಲ್ಲಿ ಲಿಂಕ್ ಮಾಡಲ್ಪಟ್ಟಿವೆ +3. ಪ್ರತಿ ಕ್ವಿಜ್‌ಗೆ 3 ಪ್ರಶ್ನೆಗಳಿವೆ +4. ಕ್ವಿಜ್‌ಗಳು ಕಲಿಕೆಯನ್ನು ಬಲಪಡಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಸಂಪೂರ್ಣ ಪರೀಕ್ಷೆಗಾಗಿ ಅಲ್ಲ + +### ಕ್ವಿಜ್ ಸಂಖ್ಯೆಕರಣ + +- ಕ್ವಿಜ್‌ಗಳು 0-39 (ಒಟ್ಟು 40 ಕ್ವಿಜ್‌ಗಳು) ಸಂಖ್ಯೆಯಾಗಿದೆ +- ಪ್ರತಿ ಪಾಠದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಪೂರ್ವ ಮತ್ತು ಪೋಸ್ಟ್ ಕ್ವಿಜ್ ಇರುತ್ತದೆ +- ಕ್ವಿಜ್ URL ಗಳು ಕ್ವಿಜ್ ಸಂಖ್ಯೆಯನ್ನು ಒಳಗೊಂಡಿವೆ: `https://ff-quizzes.netlify.app/en/ds/quiz/0` + +## ಸಾಮಾನ್ಯ ಕಾರ್ಯಪ್ರವಾಹಗಳು + +### ಕಾರ್ಯಪ್ರವಾಹ 1: ಸಂಪೂರ್ಣ ಪ್ರಾರಂಭಿಕ ಮಾರ್ಗ + +```bash +# 1. ನಿಮ್ಮ ಪರಿಸರವನ್ನು ಸೆಟ್ ಅಪ್ ಮಾಡಿ (INSTALLATION.md ನೋಡಿ) + +# 2. ಪಾಠ 1 ರಿಂದ ಪ್ರಾರಂಭಿಸಿ +cd 1-Introduction/01-defining-data-science + +# 3. ಪ್ರತಿ ಪಾಠಕ್ಕೆ: +# - ಪಾಠದ ಮುಂಚಿನ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ +# - ಪಾಠದ ವಿಷಯವನ್ನು ಓದಿ +# - ನೋಟ್ಬುಕ್ ಮೂಲಕ ಕೆಲಸ ಮಾಡಿ +# - ನಿಯೋಜನೆಯನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ +# - ಪಾಠದ ನಂತರದ ಕ್ವಿಜ್ ತೆಗೆದುಕೊಳ್ಳಿ + +# 4. ಎಲ್ಲಾ 20 ಪಾಠಗಳನ್ನು ಕ್ರಮವಾಗಿ ಮುಂದುವರಿಸಿ +``` + +### ಕಾರ್ಯಪ್ರವಾಹ 2: ವಿಷಯ-ನಿರ್ದಿಷ್ಟ ಅಧ್ಯಯನ + +ನೀವು ನಿರ್ದಿಷ್ಟ ವಿಷಯದಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದರೆ: + +```bash +# ಉದಾಹರಣೆ: ಡೇಟಾ ದೃಶ್ಯೀಕರಣದ ಮೇಲೆ ಗಮನಹರಿಸಿ +cd 3-Data-Visualization + +# ಪಾಠಗಳು 9-13 ಅನ್ನು ಅನ್ವೇಷಿಸಿ: +# - ಪಾಠ 9: ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು +# - ಪಾಠ 10: ವಿತರಣೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು +# - ಪಾಠ 11: ಅನುಪಾತಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು +# - ಪಾಠ 12: ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು +# - ಪಾಠ 13: ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳು +``` + +### ಕಾರ್ಯಪ್ರವಾಹ 3: ಯೋಜನೆ ಆಧಾರಿತ ಅಧ್ಯಯನ + +```bash +# 1. ಡೇಟಾ ಸೈನ್ಸ್ ಲೈಫ್ಸೈಕಲ್ ಪಾಠಗಳನ್ನು ಪರಿಶೀಲಿಸಿ (14-16) +cd 4-Data-Science-Lifecycle + +# 2. ನೈಜ ಜಗತ್ತಿನ ಉದಾಹರಣೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ (ಪಾಠ 20) +cd ../6-Data-Science-In-Wild/20-Real-World-Examples + +# 3. ನಿಮ್ಮ ಸ್ವಂತ ಯೋಜನೆಗೆ ತತ್ವಗಳನ್ನು ಅನ್ವಯಿಸಿ +``` + +### ಕಾರ್ಯಪ್ರವಾಹ 4: ಕ್ಲೌಡ್ ಆಧಾರಿತ ಡೇಟಾ ಸೈನ್ಸ್ + +```bash +# ಕ್ಲೌಡ್ ಡೇಟಾ ಸೈನ್ಸ್ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಿ (ಪಾಠಗಳು 17-19) +cd 5-Data-Science-In-Cloud + +# 17: ಕ್ಲೌಡ್ ಡೇಟಾ ಸೈನ್ಸ್ ಪರಿಚಯ +# 18: ಕಡಿಮೆ-ಕೋಡ್ ಎಂಎಲ್ ಉಪಕರಣಗಳು +# 19: ಅಜೂರ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಸ್ಟುಡಿಯೋ +``` + +## ಸ್ವಯಂ ಅಧ್ಯಯನಕ್ಕಾಗಿ ಸಲಹೆಗಳು + +### ಸಂಘಟಿತವಾಗಿರಿ + +```bash +# ಕಲಿಕೆಯ ದಿನಚರಿಯನ್ನು ರಚಿಸಿ +mkdir my-learning-journal + +# ಪ್ರತಿ ಪಾಠಕ್ಕೆ, ಟಿಪ್ಪಣಿಗಳನ್ನು ರಚಿಸಿ +echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md +``` + +### ನಿಯಮಿತ ಅಭ್ಯಾಸ ಮಾಡಿ + +- ಪ್ರತಿದಿನ ಅಥವಾ ವಾರಕ್ಕೆ ನಿಗದಿತ ಸಮಯ ಮೀಸಲಿಡಿ +- ವಾರಕ್ಕೆ ಕನಿಷ್ಠ ಒಂದು ಪಾಠವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ +- ಹಿಂದಿನ ಪಾಠಗಳನ್ನು ನಿಯಮಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ + +### ಸಮುದಾಯದೊಂದಿಗೆ ಸಂವಹನ ಮಾಡಿ + +- [Discord ಸಮುದಾಯ](https://aka.ms/ds4beginners/discord) ಸೇರಿ +- Discord ನಲ್ಲಿ #Data-Science-for-Beginners ಚಾನೆಲ್‌ನಲ್ಲಿ ಭಾಗವಹಿಸಿ [Discord ಚರ್ಚೆಗಳು](https://aka.ms/ds4beginners/discord) +- ನಿಮ್ಮ ಪ್ರಗತಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳಿ ಮತ್ತು ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ + +### ನಿಮ್ಮ ಸ್ವಂತ ಯೋಜನೆಗಳನ್ನು ನಿರ್ಮಿಸಿ + +ಪಾಠಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ತತ್ವಗಳನ್ನು ವೈಯಕ್ತಿಕ ಯೋಜನೆಗಳಿಗೆ ಅನ್ವಯಿಸಿ: + +```python +# ಉದಾಹರಣೆ: ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾಸೆಟ್ ಅನ್ನು ವಿಶ್ಲೇಷಿಸಿ +import pandas as pd + +# ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡಿ +my_data = pd.read_csv('my-project/data.csv') + +# ಕಲಿತ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸಿ +# - ಡೇಟಾ ಶುದ್ಧೀಕರಣ (ಪಾಠ 8) +# - ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ (ಪಾಠ 7) +# - ದೃಶ್ಯೀಕರಣ (ಪಾಠಗಳು 9-13) +# - ವಿಶ್ಲೇಷಣೆ (ಪಾಠ 15) +``` + +## ಶಿಕ್ಷಕರಿಗಾಗಿ ಸಲಹೆಗಳು + +### ತರಗತಿ ವ್ಯವಸ್ಥೆ + +1. ವಿವರವಾದ ಮಾರ್ಗದರ್ಶನಕ್ಕಾಗಿ [for-teachers.md](for-teachers.md) ಪರಿಶೀಲಿಸಿ +2. ಹಂಚಿಕೊಂಡ ಪರಿಸರವನ್ನು ಸ್ಥಾಪಿಸಿ (GitHub Classroom ಅಥವಾ Codespaces) +3. ಸಂವಹನ ಚಾನೆಲ್ ಸ್ಥಾಪಿಸಿ (Discord, Slack, ಅಥವಾ Teams) + +### ಪಾಠ ಯೋಜನೆ + +**ಸೂಚಿತ 10-ವಾರಗಳ ವೇಳಾಪಟ್ಟಿ:** + +- **ವಾರ 1-2**: ಪರಿಚಯ (ಪಾಠಗಳು 1-4) +- **ವಾರ 3-4**: ಡೇಟಾ ಜೊತೆ ಕೆಲಸ (ಪಾಠಗಳು 5-8) +- **ವಾರ 5-6**: ಡೇಟಾ ದೃಶ್ಯೀಕರಣ (ಪಾಠಗಳು 9-13) +- **ವಾರ 7-8**: ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ (ಪಾಠಗಳು 14-16) +- **ವಾರ 9**: ಕ್ಲೌಡ್ ಡೇಟಾ ಸೈನ್ಸ್ (ಪಾಠಗಳು 17-19) +- **ವಾರ 10**: ವಾಸ್ತವಿಕ ಅನ್ವಯಿಕೆಗಳು ಮತ್ತು ಅಂತಿಮ ಯೋಜನೆಗಳು (ಪಾಠ 20) + +### ಆಫ್‌ಲೈನ್ ಪ್ರವೇಶಕ್ಕಾಗಿ Docsify ಚಾಲನೆ + +```bash +# ತರಗತಿ ಬಳಕೆಗೆ ಸ್ಥಳೀಯವಾಗಿ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಸೇವೆ ನೀಡುವುದು +docsify serve + +# ವಿದ್ಯಾರ್ಥಿಗಳು localhost:3000 ನಲ್ಲಿ ಪ್ರವೇಶಿಸಬಹುದು +# ಪ್ರಾಥಮಿಕ ಸೆಟಪ್ ನಂತರ ಇಂಟರ್ನೆಟ್ ಅಗತ್ಯವಿಲ್ಲ +``` + +### ಕಾರ್ಯನಿರ್ವಹಣೆ ಮೌಲ್ಯಮಾಪನ + +- ಪೂರ್ಣಗೊಂಡ ಅಭ್ಯಾಸಗಳಿಗಾಗಿ ವಿದ್ಯಾರ್ಥಿಗಳ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ +- ಕ್ವಿಜ್ ಅಂಕಗಳ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಿ +- ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ ತತ್ವಗಳನ್ನು ಬಳಸಿ ಅಂತಿಮ ಯೋಜನೆಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ + +### ಕಾರ್ಯನಿರ್ವಹಣೆ ರಚನೆ + +```python +# ಉದಾಹರಣೆಯ ಕಸ್ಟಮ್ ನಿಯೋಜನೆ ಟೆಂಪ್ಲೇಟು +""" +Assignment: [Topic] + +Objective: [Learning goal] + +Dataset: [Provide or have students find one] + +Tasks: +1. Load and explore the dataset +2. Clean and prepare the data +3. Create at least 3 visualizations +4. Perform analysis +5. Communicate findings + +Deliverables: +- Jupyter notebook with code and explanations +- Written summary of findings +""" +``` + +## ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದು + +### ಸಂಪನ್ಮೂಲಗಳನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ + +```bash +# ಸಂಪೂರ್ಣ ರೆಪೊಸಿಟರಿಯನ್ನು ಕ್ಲೋನ್ ಮಾಡಿ +git clone https://github.com/microsoft/Data-Science-For-Beginners.git + +# ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಮುಂಚಿತವಾಗಿ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ +# ಹೆಚ್ಚಿನ ಡೇಟಾಸೆಟ್‌ಗಳು ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಸೇರಿಸಲಾಗಿದೆ +``` + +### ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆ ಮಾಡಿ + +```bash +# ಡಾಕ್ಸಿಫಿಯೊಂದಿಗೆ ಸೇವೆ ನೀಡಿ +docsify serve + +# localhost:3000 ನಲ್ಲಿ ಪ್ರವೇಶಿಸಿ +``` + +### ಕ್ವಿಜ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಚಾಲನೆ ಮಾಡಿ + +```bash +cd quiz-app +npm run serve +``` + +## ಅನುವಾದಿತ ವಿಷಯಗಳಿಗೆ ಪ್ರವೇಶ + +40+ ಭಾಷೆಗಳಲ್ಲಿ ಅನುವಾದಗಳು ಲಭ್ಯವಿವೆ: + +```bash +# ಅನುವಾದಿತ ಪಾಠಗಳನ್ನು ಪ್ರವೇಶಿಸಿ +cd translations/fr # ಫ್ರೆಂಚ್ +cd translations/es # ಸ್ಪ್ಯಾನಿಷ್ +cd translations/de # ಜರ್ಮನ್ +# ... ಮತ್ತು ಇನ್ನೂ ಅನೇಕ +``` + +ಪ್ರತಿ ಅನುವಾದವು ಇಂಗ್ಲಿಷ್ ಆವೃತ್ತಿಯಂತೆ ಅದೇ ರಚನೆಯನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ. + +## ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು + +### ಅಧ್ಯಯನ ಮುಂದುವರಿಸಿ + +- [Microsoft Learn](https://docs.microsoft.com/learn/) - ಹೆಚ್ಚುವರಿ ಅಧ್ಯಯನ ಮಾರ್ಗಗಳು +- [ವಿದ್ಯಾರ್ಥಿ ಹಬ್](https://docs.microsoft.com/learn/student-hub) - ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ ಸಂಪನ್ಮೂಲಗಳು +- [Azure AI Foundry](https://aka.ms/foundry/forum) - ಸಮುದಾಯ ವೇದಿಕೆ + +### ಸಂಬಂಧಿತ ಪಠ್ಯಕ್ರಮಗಳು + +- [ಬಿಗಿನರ್ಸ್‌ಗಾಗಿ AI](https://aka.ms/ai-beginners) +- [ಬಿಗಿನರ್ಸ್‌ಗಾಗಿ ML](https://aka.ms/ml-beginners) +- [ಬಿಗಿನರ್ಸ್‌ಗಾಗಿ ವೆಬ್ ಡೆವ್](https://aka.ms/webdev-beginners) +- [ಬಿಗಿನರ್ಸ್‌ಗಾಗಿ ಜನರೇಟಿವ್ AI](https://aka.ms/genai-beginners) + +## ಸಹಾಯ ಪಡೆಯುವುದು + +- ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳಿಗಾಗಿ [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ಪರಿಶೀಲಿಸಿ +- [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) ನಲ್ಲಿ ಹುಡುಕಿ +- ನಮ್ಮ [Discord](https://aka.ms/ds4beginners/discord) ಸೇರಿ +- ಸಮಸ್ಯೆಗಳನ್ನು ವರದಿ ಮಾಡಲು ಅಥವಾ ಕೊಡುಗೆ ನೀಡಲು [CONTRIBUTING.md](CONTRIBUTING.md) ಪರಿಶೀಲಿಸಿ + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/docs/_sidebar.md b/translations/kn/docs/_sidebar.md new file mode 100644 index 00000000..1883fb89 --- /dev/null +++ b/translations/kn/docs/_sidebar.md @@ -0,0 +1,42 @@ + +- ಪರಿಚಯ + - [ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು](../1-Introduction/01-defining-data-science/README.md) + - [ಡೇಟಾ ಸೈನ್ಸ್ ನ ನೈತಿಕತೆ](../1-Introduction/02-ethics/README.md) + - [ಡೇಟಾ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು](../1-Introduction/03-defining-data/README.md) + - [ಸಂಭಾವ್ಯತೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳು](../1-Introduction/04-stats-and-probability/README.md) +- ಡೇಟಾ ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡುವುದು + - [ಸಂಬಂಧಿತ ಡೇಟಾಬೇಸ್‌ಗಳು](../2-Working-With-Data/05-relational-databases/README.md) + - [ಅಸಂಬಂಧಿತ ಡೇಟಾಬೇಸ್‌ಗಳು](../2-Working-With-Data/06-non-relational/README.md) + - [ಪೈಥಾನ್](../2-Working-With-Data/07-python/README.md) + - [ಡೇಟಾ ತಯಾರಿ](../2-Working-With-Data/08-data-preparation/README.md) +- ಡೇಟಾ ದೃಶ್ಯೀಕರಣ + - [ಪ್ರಮಾಣಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು](../3-Data-Visualization/09-visualization-quantities/README.md) + - [ವಿತರಣೆಯನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು](../3-Data-Visualization/10-visualization-distributions/README.md) + - [ಪ್ರಮಾಣಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು](../3-Data-Visualization/11-visualization-proportions/README.md) + - [ಸಂಬಂಧಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸುವುದು](../3-Data-Visualization/12-visualization-relationships/README.md) + - [ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳು](../3-Data-Visualization/13-meaningful-visualizations/README.md) +- ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ + - [ಪರಿಚಯ](../4-Data-Science-Lifecycle/14-Introduction/README.md) + - [ವಿಶ್ಲೇಷಣೆ](../4-Data-Science-Lifecycle/15-analyzing/README.md) + - [ಸಂವಹನ](../4-Data-Science-Lifecycle/16-communication/README.md) +- ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + - [ಪರಿಚಯ](../5-Data-Science-In-Cloud/17-Introduction/README.md) + - [ಕಡಿಮೆ ಕೋಡ್](../5-Data-Science-In-Cloud/18-Low-Code/README.md) + - [ಅಜೂರ್](../5-Data-Science-In-Cloud/19-Azure/README.md) +- ಕಾಡಿನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + - [ಕಾಡಿನಲ್ಲಿ ಡಿಎಸ್](../6-Data-Science-In-Wild/README.md) + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/examples/README.md b/translations/kn/examples/README.md new file mode 100644 index 00000000..c0bc6c2d --- /dev/null +++ b/translations/kn/examples/README.md @@ -0,0 +1,151 @@ + +# ಆರಂಭಿಕರಿಗಾಗಿ ಸ್ನೇಹಪರ ಡೇಟಾ ಸೈನ್ಸ್ ಉದಾಹರಣೆಗಳು + +ಉದಾಹರಣೆಗಳ ಡೈರೆಕ್ಟರಿಗೆ ಸ್ವಾಗತ! ಈ ಸರಳ, ಚೆನ್ನಾಗಿ ಕಾಮೆಂಟ್ ಮಾಡಲಾದ ಉದಾಹರಣೆಗಳ ಸಂಗ್ರಹವು ನೀವು ಸಂಪೂರ್ಣ ಆರಂಭಿಕರಾಗಿದ್ದರೂ ಸಹ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. + +## 📚 ನೀವು ಇಲ್ಲಿ ಏನು ಕಾಣುತ್ತೀರಿ + +ಪ್ರತಿ ಉದಾಹರಣೆ ಸ್ವತಂತ್ರವಾಗಿದ್ದು ಮತ್ತು ಒಳಗೊಂಡಿದೆ: +- **ಪ್ರತಿ ಹಂತವನ್ನು ವಿವರಿಸುವ ಸ್ಪಷ್ಟ ಕಾಮೆಂಟ್‌ಗಳು** +- **ಒಂದು ಸಮಯದಲ್ಲಿ ಒಂದು ತತ್ವವನ್ನು ತೋರಿಸುವ ಸರಳ, ಓದಲು ಸುಲಭವಾದ ಕೋಡ್** +- **ಈ ತಂತ್ರಗಳನ್ನು ಯಾವಾಗ ಮತ್ತು ಏಕೆ ಬಳಸಬೇಕು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೈಜ-ಜಗತ್ತಿನ ಸನ್ನಿವೇಶ** +- **ನಿರೀಕ್ಷಿತ ಔಟ್‌ಪುಟ್** ನೀವು ಏನು ನೋಡಬೇಕೆಂದು ತಿಳಿಯಲು + +## 🚀 ಪ್ರಾರಂಭಿಸುವುದು + +### ಪೂರ್ವಾಪೇಕ್ಷಿತಗಳು +ಈ ಉದಾಹರಣೆಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ಮೊದಲು, ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ ನೀವು ಹೊಂದಿರುವುದು: +- Python 3.7 ಅಥವಾ ಅದಕ್ಕಿಂತ ಮೇಲಿನ ಆವೃತ್ತಿ ಸ್ಥಾಪಿಸಲಾಗಿದೆ +- Python ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಹೇಗೆ ಚಾಲನೆ ಮಾಡುವುದು ಎಂಬ ಮೂಲಭೂತ ಅರ್ಥ + +### ಅಗತ್ಯ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು +```bash +pip install pandas numpy matplotlib +``` + +## 📖 ಉದಾಹರಣೆಗಳ ಅವಲೋಕನ + +### 1. ಹಲೋ ವರ್ಲ್ಡ್ - ಡೇಟಾ ಸೈನ್ಸ್ ಶೈಲಿ +**ಫೈಲ್:** `01_hello_world_data_science.py` + +ನಿಮ್ಮ ಮೊದಲ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರೋಗ್ರಾಂ! ಕಲಿಯಿರಿ ಹೇಗೆ: +- ಸರಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಲೋಡ್ ಮಾಡುವುದು +- ನಿಮ್ಮ ಡೇಟಾ ಬಗ್ಗೆ ಮೂಲಭೂತ ಮಾಹಿತಿಯನ್ನು ಪ್ರದರ್ಶಿಸುವುದು +- ನಿಮ್ಮ ಮೊದಲ ಡೇಟಾ ಸೈನ್ಸ್ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮುದ್ರಿಸುವುದು + +ನಿಜವಾಗಿಯೂ ಆರಂಭಿಕರಿಗೆ ಇದು ಅವರ ಮೊದಲ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ನೋಡಲು ಪರಿಪೂರ್ಣ. + +--- + +### 2. ಡೇಟಾ ಲೋಡ್ ಮಾಡುವುದು ಮತ್ತು ಅನ್ವೇಷಿಸುವುದು +**ಫೈಲ್:** `02_loading_data.py` + +ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವ ಮೂಲಭೂತಗಳನ್ನು ಕಲಿಯಿರಿ: +- CSV ಫೈಲ್‌ಗಳಿಂದ ಡೇಟಾ ಓದುವುದು +- ನಿಮ್ಮ ಡೇಟಾಸೆಟ್‌ನ ಮೊದಲ ಕೆಲವು ಸಾಲುಗಳನ್ನು ವೀಕ್ಷಿಸುವುದು +- ನಿಮ್ಮ ಡೇಟಾ ಬಗ್ಗೆ ಮೂಲಭೂತ ಅಂಕಿಅಂಶಗಳನ್ನು ಪಡೆಯುವುದು +- ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು + +ಇದು ಯಾವುದೇ ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆಯ ಮೊದಲ ಹಂತವಾಗಿರುತ್ತದೆ! + +--- + +### 3. ಸರಳ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ +**ಫೈಲ್:** `03_simple_analysis.py` + +ನಿಮ್ಮ ಮೊದಲ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಿರ್ವಹಿಸಿ: +- ಮೂಲಭೂತ ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ (ಸರಾಸರಿ, ಮಧ್ಯಮ, ಮೋಡ್) +- ಗರಿಷ್ಠ ಮತ್ತು ಕನಿಷ್ಠ ಮೌಲ್ಯಗಳನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ +- ಮೌಲ್ಯಗಳ ಸಂಭವನೆಯನ್ನು ಎಣಿಸಿ +- ಶರತ್ತುಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ + +ನಿಮ್ಮ ಡೇಟಾ ಬಗ್ಗೆ ಸರಳ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವುದನ್ನು ನೋಡಿ. + +--- + +### 4. ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮೂಲಭೂತಗಳು +**ಫೈಲ್:** `04_basic_visualization.py` + +ನಿಮ್ಮ ಮೊದಲ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸಿ: +- ಸರಳ ಬಾರ್ ಚಾರ್ಟ್ ಮಾಡಿ +- ಲೈನ್ ಪ್ಲಾಟ್ ರಚಿಸಿ +- ಪೈ ಚಾರ್ಟ್ ತಯಾರಿಸಿ +- ನಿಮ್ಮ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಚಿತ್ರಗಳಾಗಿ ಉಳಿಸಿ + +ನಿಮ್ಮ ಕಂಡುಹಿಡಿತಗಳನ್ನು ದೃಶ್ಯವಾಗಿ ಸಂವಹನ ಮಾಡಲು ಕಲಿಯಿರಿ! + +--- + +### 5. ನೈಜ ಡೇಟಾ ಜೊತೆ ಕೆಲಸ ಮಾಡುವುದು +**ಫೈಲ್:** `05_real_world_example.py` + +ಎಲ್ಲವನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ ಸಂಪೂರ್ಣ ಉದಾಹರಣೆಯನ್ನು ಮಾಡಿ: +- ರೆಪೊಸಿಟರಿಯಿಂದ ನೈಜ ಡೇಟಾ ಲೋಡ್ ಮಾಡುವುದು +- ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ಸಿದ್ಧಪಡಿಸಿ +- ವಿಶ್ಲೇಷಣೆ ನಡೆಸಿ +- ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳನ್ನು ರಚಿಸಿ +- ನಿರ್ಣಯಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ + +ಈ ಉದಾಹರಣೆ ಆರಂಭದಿಂದ ಕೊನೆವರೆಗೆ ಸಂಪೂರ್ಣ ಕಾರ್ಯಪ್ರವಾಹವನ್ನು ತೋರಿಸುತ್ತದೆ. + +--- + +## 🎯 ಈ ಉದಾಹರಣೆಗಳನ್ನು ಹೇಗೆ ಬಳಸುವುದು + +1. **ಆರಂಭದಿಂದ ಪ್ರಾರಂಭಿಸಿ**: ಉದಾಹರಣೆಗಳು ಕಷ್ಟದ ಕ್ರಮದಲ್ಲಿ ಸಂಖ್ಯೆಬದ್ಧವಾಗಿವೆ. `01_hello_world_data_science.py` ನಿಂದ ಪ್ರಾರಂಭಿಸಿ ಮತ್ತು ಕ್ರಮವಾಗಿ ಮುಂದುವರಿಯಿರಿ. + +2. **ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಓದಿ**: ಪ್ರತಿ ಫೈಲ್‌ನಲ್ಲಿ ಕೋಡ್ ಏನು ಮಾಡುತ್ತದೆ ಮತ್ತು ಏಕೆ ಎಂದು ವಿವರಿಸುವ ವಿವರವಾದ ಕಾಮೆಂಟ್‌ಗಳಿವೆ. ಅವುಗಳನ್ನು ಗಮನದಿಂದ ಓದಿ! + +3. **ಪ್ರಯೋಗ ಮಾಡಿ**: ಕೋಡ್ ಅನ್ನು ಬದಲಾಯಿಸಲು ಪ್ರಯತ್ನಿಸಿ. ಮೌಲ್ಯವನ್ನು ಬದಲಾಯಿಸಿದರೆ ಏನಾಗುತ್ತದೆ? ತಪ್ಪುಗಳನ್ನು ಮಾಡಿ ಮತ್ತು ಸರಿಪಡಿಸಿ - ಹೀಗೆ ನೀವು ಕಲಿಯುತ್ತೀರಿ! + +4. **ಕೋಡ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ**: ಪ್ರತಿ ಉದಾಹರಣೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಗಮನಿಸಿ. ನೀವು ನಿರೀಕ್ಷಿಸಿದದನ್ನು ಹೋಲಿಸಿ. + +5. **ಅದರ ಮೇಲೆ ನಿರ್ಮಿಸಿ**: ಒಂದು ಉದಾಹರಣೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡ ನಂತರ, ನಿಮ್ಮ ಸ್ವಂತ ಆಲೋಚನೆಗಳೊಂದಿಗೆ ಅದನ್ನು ವಿಸ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸಿ. + +## 💡 ಆರಂಭಿಕರಿಗಾಗಿ ಸಲಹೆಗಳು + +- **ತ್ವರೆಯಲ್ಲದೆ**: ಮುಂದಿನ ಉದಾಹರಣೆಗೆ ಹೋಗುವ ಮೊದಲು ಪ್ರತಿ ಉದಾಹರಣೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಿ +- **ಕೋಡ್ ಅನ್ನು ಸ್ವತಃ ಟೈಪ್ ಮಾಡಿ**: ಕಾಪಿ-ಪೇಸ್ಟ್ ಮಾಡಬೇಡಿ. ಟೈಪಿಂಗ್ ನಿಮಗೆ ಕಲಿಯಲು ಮತ್ತು ನೆನಪಿಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ +- **ಅಪರಿಚಿತ ತತ್ವಗಳನ್ನು ಹುಡುಕಿ**: ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದ ಯಾವುದಾದರೂ ಕಂಡರೆ, ಅದನ್ನು ಆನ್‌ಲೈನ್ ಅಥವಾ ಮುಖ್ಯ ಪಾಠಗಳಲ್ಲಿ ಹುಡುಕಿ +- **ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ**: ಸಹಾಯ ಬೇಕಾದರೆ [ಚರ್ಚಾ ವೇದಿಕೆ](https://github.com/microsoft/Data-Science-For-Beginners/discussions) ಸೇರಿ +- **ನಿಯಮಿತವಾಗಿ ಅಭ್ಯಾಸ ಮಾಡಿ**: ವಾರಕ್ಕೆ ಒಂದು ಬಾರಿ ದೀರ್ಘ ಅವಧಿ ಬದಲು ಪ್ರತಿದಿನ ಸ್ವಲ್ಪ ಕೋಡ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿ + +## 🔗 ಮುಂದಿನ ಹಂತಗಳು + +ಈ ಉದಾಹರಣೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ನೀವು ಸಿದ್ಧರಾಗಿದ್ದೀರಿ: +- ಮುಖ್ಯ ಪಠ್ಯಕ್ರಮ ಪಾಠಗಳನ್ನು ಅನುಸರಿಸಲು +- ಪ್ರತಿ ಪಾಠ ಫೋಲ್ಡರ್‌ನಲ್ಲಿನ ನಿಯೋಜನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಲು +- ಹೆಚ್ಚಿನ ಆಳವಾದ ಕಲಿಕೆಗೆ ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಲು +- ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾ ಸೈನ್ಸ್ ಯೋಜನೆಗಳನ್ನು ರಚಿಸಲು + +## 📚 ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು + +- [ಮುಖ್ಯ ಪಠ್ಯಕ್ರಮ](../README.md) - ಸಂಪೂರ್ಣ 20-ಪಾಠ ಕೋರ್ಸ್ +- [ಶಿಕ್ಷಕರಿಗಾಗಿ](../for-teachers.md) - ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಬಳಸುವುದು +- [Microsoft Learn](https://docs.microsoft.com/learn/) - ಉಚಿತ ಆನ್‌ಲೈನ್ ಕಲಿಕೆ ಸಂಪನ್ಮೂಲಗಳು +- [Python ಡಾಕ್ಯುಮೆಂಟೇಶನ್](https://docs.python.org/3/) - ಅಧಿಕೃತ Python ರೆಫರೆನ್ಸ್ + +## 🤝 ಕೊಡುಗೆ ನೀಡುವುದು + +ದೋಷ ಕಂಡುಹಿಡಿದಿದ್ದೀರಾ ಅಥವಾ ಹೊಸ ಉದಾಹರಣೆಗೆ ಐಡಿಯಾ ಇದೆಯಾ? ನಾವು ಕೊಡುಗೆಗಳನ್ನು ಸ್ವಾಗತಿಸುತ್ತೇವೆ! ದಯವಿಟ್ಟು ನಮ್ಮ [ಕೊಡುಗೆ ಮಾರ್ಗದರ್ಶಿ](../CONTRIBUTING.md) ನೋಡಿ. + +--- + +**ಸಂತೋಷಕರ ಕಲಿಕೆ! 🎉** + +ಮರೆಮಾಡಬೇಡಿ: ಪ್ರತಿಯೊಬ್ಬ ಪರಿಣಿತರೂ ಒಮ್ಮೆ ಆರಂಭಿಕರಾಗಿದ್ದರು. ಒಂದು ಹಂತವನ್ನು ಒಂದು ಸಮಯದಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಿ, ಮತ್ತು ತಪ್ಪುಗಳನ್ನು ಮಾಡಲು ಭಯಪಡಬೇಡಿ - ಅವು ಕಲಿಕೆಯ ಭಾಗವಾಗಿವೆ! + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/for-teachers.md b/translations/kn/for-teachers.md new file mode 100644 index 00000000..5381e6ec --- /dev/null +++ b/translations/kn/for-teachers.md @@ -0,0 +1,78 @@ + +## ಶಿಕ್ಷಕರಿಗಾಗಿ + +ನೀವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮ್ಮ ತರಗತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸುತ್ತೀರಾ? ದಯವಿಟ್ಟು ಮುಕ್ತವಾಗಿ ಬಳಸಿಕೊಳ್ಳಿ! + +ವಾಸ್ತವದಲ್ಲಿ, ನೀವು GitHub Classroom ಬಳಸಿ GitHub ನೊಳಗೆ ಇದನ್ನು ಬಳಸಬಹುದು. + +ಅದಕ್ಕಾಗಿ, ಈ ರೆಪೊವನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. ಪ್ರತಿಯೊಂದು ಪಾಠಕ್ಕಾಗಿ ನೀವು ಒಂದು ರೆಪೊ ಸೃಷ್ಟಿಸಬೇಕಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಪ್ರತಿಯೊಂದು ಫೋಲ್ಡರ್ ಅನ್ನು ಪ್ರತ್ಯೇಕ ರೆಪೊಗೆ ಹೊರತೆಗೆಯಬೇಕಾಗುತ್ತದೆ. ಆ ರೀತಿಯಲ್ಲಿ, [GitHub Classroom](https://classroom.github.com/classrooms) ಪ್ರತಿ ಪಾಠವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಹಿಡಿಯಬಹುದು. + +ಈ [ಪೂರ್ಣ ಸೂಚನೆಗಳು](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸೆಟ್ ಅಪ್ ಮಾಡುವುದು ಎಂಬುದರ ಬಗ್ಗೆ ನಿಮಗೆ ಒಂದು ಕಲ್ಪನೆ ನೀಡುತ್ತವೆ. + +## ರೆಪೊವನ್ನು ಹಾಗೆ ಬಳಸುವುದು + +ನೀವು GitHub Classroom ಬಳಸದೆ ಈ ರೆಪೊವನ್ನು ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯಲ್ಲಿ ಬಳಸಲು ಇಚ್ಛಿಸಿದರೆ, ಅದು ಸಹ ಸಾಧ್ಯ. ನೀವು ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳೊಂದಿಗೆ ಯಾವ ಪಾಠವನ್ನು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕೆಂದು ಸಂವಹನ ಮಾಡಬೇಕಾಗುತ್ತದೆ. + +ಆನ್ಲೈನ್ ಫಾರ್ಮ್ಯಾಟ್ (Zoom, Teams, ಅಥವಾ ಇತರೆ) ನಲ್ಲಿ ನೀವು ಕ್ವಿಜ್‌ಗಳಿಗಾಗಿ ಬ್ರೇಕ್‌ಔಟ್ ರೂಮ್‌ಗಳನ್ನು ರಚಿಸಬಹುದು ಮತ್ತು ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕಲಿಯಲು ಸಿದ್ಧರಾಗಲು ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು. ನಂತರ ವಿದ್ಯಾರ್ಥಿಗಳನ್ನು ಕ್ವಿಜ್‌ಗಳಿಗೆ ಆಹ್ವಾನಿಸಿ, ನಿರ್ದಿಷ್ಟ ಸಮಯದಲ್ಲಿ 'issues' ಆಗಿ ಉತ್ತರಗಳನ್ನು ಸಲ್ಲಿಸಲು ಹೇಳಬಹುದು. ನೀವು ಬಯಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳು ಸಹಕಾರದಿಂದ ಹೊರಗೆ ಕೆಲಸ ಮಾಡಲು, ಅಸೈನ್ಮೆಂಟ್‌ಗಳಿಗೂ ಇದೇ ರೀತಿಯ ವ್ಯವಸ್ಥೆ ಮಾಡಬಹುದು. + +ನೀವು ಹೆಚ್ಚು ಖಾಸಗಿ ಫಾರ್ಮ್ಯಾಟ್ ಇಚ್ಛಿಸಿದರೆ, ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಪಠ್ಯಕ್ರಮವನ್ನು ಪಾಠದ ಮೂಲಕ ಫೋರ್ಕ್ ಮಾಡಿ, ತಮ್ಮ ಸ್ವಂತ GitHub ರೆಪೊಗಳಲ್ಲಿ ಖಾಸಗಿ ರೆಪೊಗಳಾಗಿ ಇಟ್ಟುಕೊಳ್ಳಲು ಹೇಳಿ, ಮತ್ತು ನಿಮಗೆ ಪ್ರವೇಶವನ್ನು ನೀಡಿ. ನಂತರ ಅವರು ಖಾಸಗಿ ರೀತಿಯಲ್ಲಿ ಕ್ವಿಜ್‌ಗಳು ಮತ್ತು ಅಸೈನ್ಮೆಂಟ್‌ಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ, ನಿಮ್ಮ ತರಗತಿ ರೆಪೊದಲ್ಲಿ issues ಮೂಲಕ ನಿಮಗೆ ಸಲ್ಲಿಸಬಹುದು. + +ಆನ್ಲೈನ್ ತರಗತಿ ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿ ಇದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಅನೇಕ ಮಾರ್ಗಗಳಿವೆ. ದಯವಿಟ್ಟು ನಿಮಗೆ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ನಮಗೆ ತಿಳಿಸಿ! + +## ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಸೇರಿಸಲಾಗಿದೆ: + +20 ಪಾಠಗಳು, 40 ಕ್ವಿಜ್‌ಗಳು, ಮತ್ತು 20 ಅಸೈನ್ಮೆಂಟ್‌ಗಳು. ದೃಶ್ಯ ಕಲಿಕಾರ್ಥಿಗಳಿಗೆ ಪಾಠಗಳಿಗೆ ಸ್ಕೆಚ್‌ನೋಟ್ಸ್ ಸಹ ಸೇರಿವೆ. ಅನೇಕ ಪಾಠಗಳು Python ಮತ್ತು R ಎರಡೂ ಭಾಷೆಗಳಲ್ಲಿ ಲಭ್ಯವಿದ್ದು, VS Code ನಲ್ಲಿ Jupyter ನೋಟ್ಬುಕ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪೂರ್ಣಗೊಳಿಸಬಹುದು. ಈ ತಂತ್ರಜ್ಞಾನ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಬಳಸಲು ನಿಮ್ಮ ತರಗತಿಯನ್ನು ಹೇಗೆ ಸೆಟ್ ಅಪ್ ಮಾಡುವುದು ಎಂಬುದರ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ: https://code.visualstudio.com/docs/datascience/jupyter-notebooks. + +ಎಲ್ಲಾ ಸ್ಕೆಚ್‌ನೋಟ್ಸ್, ದೊಡ್ಡ ಫಾರ್ಮ್ಯಾಟ್ ಪೋಸ್ಟರ್ ಸೇರಿದಂತೆ, [ಈ ಫೋಲ್ಡರ್](../../sketchnotes) ನಲ್ಲಿ ಇವೆ. + +ನೀವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ಸ್ವತಂತ್ರ, ಆಫ್‌ಲೈನ್-ಸ್ನೇಹಿ ವೆಬ್‌ಸೈಟ್ ಆಗಿ [Docsify](https://docsify.js.org/#/) ಬಳಸಿ ನಡೆಸಬಹುದು. ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರದಲ್ಲಿ [Docsify ಅನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ](https://docsify.js.org/#/quickstart), ನಂತರ ಈ ರೆಪೊನ ಸ್ಥಳೀಯ ಪ್ರತಿಯುತದ ರೂಟ್ ಫೋಲ್ಡರ್‌ನಲ್ಲಿ `docsify serve` ಟೈಪ್ ಮಾಡಿ. ವೆಬ್‌ಸೈಟ್ ನಿಮ್ಮ ಲೋಕಲ್‌ಹೋಸ್ಟ್‌ನಲ್ಲಿ 3000 ಪೋರ್ಟ್‌ನಲ್ಲಿ ಸರ್ವ್ ಆಗುತ್ತದೆ: `localhost:3000`. + +ಪಠ್ಯಕ್ರಮದ ಆಫ್‌ಲೈನ್-ಸ್ನೇಹಿ ಆವೃತ್ತಿ ಸ್ವತಂತ್ರ ವೆಬ್ ಪುಟವಾಗಿ ತೆರೆಯುತ್ತದೆ: https://localhost:3000 + +ಪಾಠಗಳು 6 ಭಾಗಗಳಾಗಿ ಗುಂಪುಮಾಡಲಾಗಿದೆ: + +- 1: ಪರಿಚಯ + - 1: ಡೇಟಾ ಸೈನ್ಸ್ ವ್ಯಾಖ್ಯಾನ + - 2: ನೈತಿಕತೆ + - 3: ಡೇಟಾ ವ್ಯಾಖ್ಯಾನ + - 4: ಪ್ರಾಬಬಿಲಿಟಿ ಮತ್ತು ಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಅವಲೋಕನ +- 2: ಡೇಟಾ ಜೊತೆಗೆ ಕೆಲಸ + - 5: ಸಂಬಂಧಿತ ಡೇಟಾಬೇಸ್‌ಗಳು + - 6: ಅಸಂಬಂಧಿತ ಡೇಟಾಬೇಸ್‌ಗಳು + - 7: ಪೈಥಾನ್ + - 8: ಡೇಟಾ ತಯಾರಿ +- 3: ಡೇಟಾ ದೃಶ್ಯೀಕರಣ + - 9: ಪ್ರಮಾಣಗಳ ದೃಶ್ಯೀಕರಣ + - 10: ವಿತರಣೆಯ ದೃಶ್ಯೀಕರಣ + - 11: ಅನುಪಾತಗಳ ದೃಶ್ಯೀಕರಣ + - 12: ಸಂಬಂಧಗಳ ದೃಶ್ಯೀಕರಣ + - 13: ಅರ್ಥಪೂರ್ಣ ದೃಶ್ಯೀಕರಣಗಳು +- 4: ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರ + - 14: ಪರಿಚಯ + - 15: ವಿಶ್ಲೇಷಣೆ + - 16: ಸಂವಹನ +- 5: ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + - 17: ಪರಿಚಯ + - 18: ಲೋ-ಕೋಡ್ ಆಯ್ಕೆಗಳು + - 19: ಅಜೂರ್ +- 6: ವನ್ಯಜೀವನದಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ + - 20: ಅವಲೋಕನ + +## ದಯವಿಟ್ಟು ನಿಮ್ಮ ಅಭಿಪ್ರಾಯಗಳನ್ನು ನಮಗೆ ನೀಡಿ! + +ನಾವು ಈ ಪಠ್ಯಕ್ರಮವನ್ನು ನಿಮಗೂ ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೂ ಅನುಕೂಲವಾಗುವಂತೆ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ. ದಯವಿಟ್ಟು ಚರ್ಚಾ ಫಲಕಗಳಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಿ! ನಿಮ್ಮ ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ ಚರ್ಚಾ ಫಲಕಗಳಲ್ಲಿ ತರಗತಿ ಪ್ರದೇಶವನ್ನು ಸೃಷ್ಟಿಸಲು ಮುಕ್ತವಾಗಿರಿ. + +--- + + +**ಅಸ್ವೀಕರಣ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/quiz-app/README.md b/translations/kn/quiz-app/README.md new file mode 100644 index 00000000..8a766adf --- /dev/null +++ b/translations/kn/quiz-app/README.md @@ -0,0 +1,141 @@ + +# ಪ್ರಶ್ನೋತ್ತರಗಳು + +ಈ ಪ್ರಶ್ನೋತ್ತರಗಳು https://aka.ms/datascience-beginners ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಪಠ್ಯಕ್ರಮದ ಪೂರ್ವ ಮತ್ತು ನಂತರದ ಉಪನ್ಯಾಸ ಪ್ರಶ್ನೋತ್ತರಗಳಾಗಿವೆ +## ಅನುವಾದಿತ ಪ್ರಶ್ನೋತ್ತರ ಸೆಟ್ ಸೇರಿಸುವುದು + +`assets/translations` ಫೋಲ್ಡರ್‌ಗಳಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಶ್ನೋತ್ತರ ರಚನೆಗಳನ್ನು ಸೃಷ್ಟಿಸುವ ಮೂಲಕ ಪ್ರಶ್ನೋತ್ತರ ಅನುವಾದವನ್ನು ಸೇರಿಸಿ. ಮೂಲ ಪ್ರಶ್ನೋತ್ತರಗಳು `assets/translations/en` ನಲ್ಲಿ ಇವೆ. ಪ್ರಶ್ನೋತ್ತರಗಳನ್ನು ಹಲವಾರು ಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸಲಾಗಿದೆ. ಸರಿಯಾದ ಪ್ರಶ್ನೋತ್ತರ ವಿಭಾಗದ ಸಂಖ್ಯೆಯನ್ನು ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಿ. ಈ ಪಠ್ಯಕ್ರಮದಲ್ಲಿ ಒಟ್ಟು 40 ಪ್ರಶ್ನೋತ್ತರಗಳಿವೆ, ಎಣಿಕೆ 0 ರಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. + +ಅನುವಾದಗಳನ್ನು ಸಂಪಾದಿಸಿದ ನಂತರ, `en` ನಲ್ಲಿ ಇರುವ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸಿ ಅನುವಾದ ಫೋಲ್ಡರ್‌ನ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಎಲ್ಲಾ ಫೈಲ್‌ಗಳನ್ನು ಆಮದುಮಾಡಿ. + +`assets/translations` ನಲ್ಲಿ ಇರುವ `index.js` ಫೈಲ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ಹೊಸ ಅನುವಾದಿತ ಫೈಲ್‌ಗಳನ್ನು ಆಮದುಮಾಡಿ. + +ನಂತರ, ಈ ಅಪ್ಲಿಕೇಶನ್‌ನ `App.vue` ನಲ್ಲಿ ಇರುವ ಡ್ರಾಪ್‌ಡೌನ್ ಅನ್ನು ಸಂಪಾದಿಸಿ ನಿಮ್ಮ ಭಾಷೆಯನ್ನು ಸೇರಿಸಿ. ಸ್ಥಳೀಯೀಕೃತ ಸಂಕ್ಷಿಪ್ತ ರೂಪವನ್ನು ನಿಮ್ಮ ಭಾಷೆಯ ಫೋಲ್ಡರ್ ಹೆಸರಿಗೆ ಹೊಂದಾಣಿಕೆ ಮಾಡಿ. + +ಕೊನೆಗೆ, ಅನುವಾದಿತ ಪಾಠಗಳಲ್ಲಿ ಇದ್ದರೆ ಎಲ್ಲಾ ಪ್ರಶ್ನೋತ್ತರ ಲಿಂಕ್‌ಗಳನ್ನು ಸಂಪಾದಿಸಿ ಈ ಸ್ಥಳೀಯೀಕರಣವನ್ನು ಪ್ರಶ್ನಾ ಪರಿಮಾಣವಾಗಿ ಸೇರಿಸಿ: ಉದಾಹರಣೆಗೆ `?loc=fr`. + + + +## ಪ್ರಾಜೆಕ್ಟ್ ಸೆಟಪ್ + +``` +npm install +``` + +### ಅಭಿವೃದ್ಧಿಗಾಗಿ ಸಂಯೋಜನೆ ಮತ್ತು ಹಾಟ್-ರಿಲೋಡ್ + +``` +npm run serve +``` + +### ಉತ್ಪಾದನೆಗಾಗಿ ಸಂಯೋಜನೆ ಮತ್ತು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವಿಕೆ + +``` +npm run build +``` + +### ಫೈಲ್‌ಗಳನ್ನು ಲಿಂಟ್ ಮಾಡಿ ಸರಿಪಡಿಸುವಿಕೆ + +``` +npm run lint +``` + +### ಸಂರಚನೆಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡುವುದು + +[Configuration Reference](https://cli.vuejs.org/config/) ನೋಡಿ. + +ಕ್ರೆಡಿಟ್ಸ್: ಈ ಪ್ರಶ್ನೋತ್ತರ ಅಪ್ಲಿಕೇಶನ್‌ನ ಮೂಲ ಆವೃತ್ತಿಗೆ ಧನ್ಯವಾದಗಳು: https://github.com/arpan45/simple-quiz-vue + +## ಅಜೂರ್‌ಗೆ ನಿಯೋಜಿಸುವುದು + +ನಿಮಗೆ ಪ್ರಾರಂಭಿಸಲು ಸಹಾಯ ಮಾಡುವ ಹಂತ ಹಂತದ ಮಾರ್ಗದರ್ಶಿ ಇಲ್ಲಿದೆ: + +1. ಗಿಥಬ್ ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ +ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ನಿಮ್ಮ ಗಿಥಬ್ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಇರಬೇಕು. ಈ ರೆಪೊಸಿಟರಿಯನ್ನು ಫೋರ್ಕ್ ಮಾಡಿ. + +2. ಅಜೂರ್ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಸೃಷ್ಟಿಸಿ +- [ಅಜೂರ್ ಖಾತೆ](http://azure.microsoft.com) ಸೃಷ್ಟಿಸಿ +- [ಅಜೂರ್ ಪೋರ್ಟಲ್](https://portal.azure.com) ಗೆ ಹೋಗಿ +- “Create a resource” ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು “Static Web App” ಅನ್ನು ಹುಡುಕಿ. +- “Create” ಕ್ಲಿಕ್ ಮಾಡಿ. + +3. ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಸಂರಚಿಸಿ +- ಮೂಲಭೂತಗಳು: ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್: ನಿಮ್ಮ ಅಜೂರ್ ಸಬ್ಸ್ಕ್ರಿಪ್ಷನ್ ಆಯ್ಕೆಮಾಡಿ. +- ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್: ಹೊಸ ರಿಸೋರ್ಸ್ ಗ್ರೂಪ್ ಸೃಷ್ಟಿಸಿ ಅಥವಾ ಇತ್ತೀಚಿನದನ್ನು ಬಳಸಿ. +- ಹೆಸರು: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಹೆಸರು ನೀಡಿ. +- ಪ್ರದೇಶ: ನಿಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ಸಮೀಪದ ಪ್ರದೇಶವನ್ನು ಆಯ್ಕೆಮಾಡಿ. + +- #### ನಿಯೋಜನೆ ವಿವರಗಳು: +- ಮೂಲ: “GitHub” ಆಯ್ಕೆಮಾಡಿ. +- GitHub ಖಾತೆ: ಅಜೂರ್‌ಗೆ ನಿಮ್ಮ GitHub ಖಾತೆಯನ್ನು ಪ್ರವೇಶಿಸಲು ಅನುಮತಿಸಿ. +- ಸಂಸ್ಥೆ: ನಿಮ್ಮ GitHub ಸಂಸ್ಥೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. +- ರೆಪೊಸಿಟರಿ: ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಹೊಂದಿರುವ ರೆಪೊಸಿಟರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. +- ಶಾಖೆ: ನೀವು ನಿಯೋಜಿಸಲು ಬಯಸುವ ಶಾಖೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. + +- #### ನಿರ್ಮಾಣ ವಿವರಗಳು: +- ನಿರ್ಮಾಣ ಪೂರ್ವನಿಯೋಜನೆಗಳು: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿತವಾಗಿರುವ ಫ್ರೇಮ್ವರ್ಕ್ ಆಯ್ಕೆಮಾಡಿ (ಉದಾ: React, Angular, Vue, ಇತ್ಯಾದಿ). +- ಅಪ್ಲಿಕೇಶನ್ ಸ್ಥಳ: ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್ ಇರುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: / ಮೂಲದಲ್ಲಿ ಇದ್ದರೆ). +- API ಸ್ಥಳ: ನೀವು API ಹೊಂದಿದ್ದರೆ, ಅದರ ಸ್ಥಳವನ್ನು ಸೂಚಿಸಿ (ಐಚ್ಛಿಕ). +- ಔಟ್‌ಪುಟ್ ಸ್ಥಳ: ನಿರ್ಮಾಣ ಔಟ್‌ಪುಟ್ ಉತ್ಪಾದನೆಯಾಗುವ ಫೋಲ್ಡರ್ ಸೂಚಿಸಿ (ಉದಾ: build ಅಥವಾ dist). + +4. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಸೃಷ್ಟಿಸಿ +ನಿಮ್ಮ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು “Create” ಕ್ಲಿಕ್ ಮಾಡಿ. ಅಜೂರ್ ಅಗತ್ಯವಿರುವ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್‌ಫ್ಲೋವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. + +5. GitHub Actions ವರ್ಕ್‌ಫ್ಲೋ +ಅಜೂರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯಲ್ಲಿ GitHub Actions ವರ್ಕ್‌ಫ್ಲೋ ಫೈಲ್ (.github/workflows/azure-static-web-apps-.yml) ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಈ ವರ್ಕ್‌ಫ್ಲೋ ನಿರ್ಮಾಣ ಮತ್ತು ನಿಯೋಜನೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. + +6. ನಿಯೋಜನೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ +ನಿಮ್ಮ GitHub ರೆಪೊಸಿಟರಿಯಲ್ಲಿ “Actions” ಟ್ಯಾಬ್‌ಗೆ ಹೋಗಿ. +ನೀವು ಒಂದು ವರ್ಕ್‌ಫ್ಲೋ ಚಲಿಸುತ್ತಿರುವುದನ್ನು ನೋಡಬಹುದು. ಈ ವರ್ಕ್‌ಫ್ಲೋ ನಿಮ್ಮ ಸ್ಥಿರ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಅಜೂರ್‌ಗೆ ನಿರ್ಮಿಸಿ ನಿಯೋಜಿಸುತ್ತದೆ. +ವರ್ಕ್‌ಫ್ಲೋ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ನೀಡಲಾದ ಅಜೂರ್ URL ನಲ್ಲಿ ಲೈವ್ ಆಗಿರುತ್ತದೆ. + +### ಉದಾಹರಣೆಯ ವರ್ಕ್‌ಫ್ಲೋ ಫೈಲ್ + +GitHub Actions ವರ್ಕ್‌ಫ್ಲೋ ಫೈಲ್ ಹೇಗಿರಬಹುದು ಎಂಬ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ: +name: Azure Static Web Apps CI/CD +``` +on: + push: + branches: + - main + pull_request: + types: [opened, synchronize, reopened, closed] + branches: + - main + +jobs: + build_and_deploy_job: + runs-on: ubuntu-latest + name: Build and Deploy Job + steps: + - uses: actions/checkout@v2 + - name: Build And Deploy + id: builddeploy + uses: Azure/static-web-apps-deploy@v1 + with: + azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} + repo_token: ${{ secrets.GITHUB_TOKEN }} + action: "upload" + app_location: "quiz-app" # App source code path + api_location: ""API source code path optional + output_location: "dist" #Built app content directory - optional +``` + +### ಹೆಚ್ಚುವರಿ ಸಂಪನ್ಮೂಲಗಳು +- [Azure Static Web Apps Documentation](https://learn.microsoft.com/azure/static-web-apps/getting-started) +- [GitHub Actions Documentation](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/kn/sketchnotes/README.md b/translations/kn/sketchnotes/README.md new file mode 100644 index 00000000..51e328ae --- /dev/null +++ b/translations/kn/sketchnotes/README.md @@ -0,0 +1,23 @@ + +ಎಲ್ಲಾ ಸ್ಕೆಚ್‌ನೋಟ್ಗಳನ್ನು ಇಲ್ಲಿ ಕಂಡುಹಿಡಿಯಿರಿ! + +## ಕ್ರೆಡಿಟ್ಸ್ + +ನಿತ್ಯ ನಾರಸಿಂಹನ್, ಕಲಾವಿದ + +![roadmap sketchnote](../../../translated_images/00-Roadmap.4905d6567dff47532b9bfb8e0b8980fc6b0b1292eebb24181c1a9753b33bc0f5.kn.png) + +--- + + +**ಅಸ್ವೀಕಾರ**: +ಈ ದಸ್ತಾವೇಜು [Co-op Translator](https://github.com/Azure/co-op-translator) ಎಂಬ AI ಅನುವಾದ ಸೇವೆಯನ್ನು ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ಧತೆಯತ್ತ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ತಪ್ಪುಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ. + \ No newline at end of file diff --git a/translations/ml/1-Introduction/01-defining-data-science/README.md b/translations/ml/1-Introduction/01-defining-data-science/README.md new file mode 100644 index 00000000..367db425 --- /dev/null +++ b/translations/ml/1-Introduction/01-defining-data-science/README.md @@ -0,0 +1,178 @@ + +# ഡാറ്റാ സയൻസ് നിർവചിക്കൽ + +| ![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/01-Definitions.png) | +| :----------------------------------------------------------------------------------------------------: | +| ഡാറ്റാ സയൻസ് നിർവചിക്കൽ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | + +--- + +[![Defining Data Science Video](../../../../translated_images/video-def-ds.6623ee2392ef1abf6d7faf3fad10a4163642811749da75f44e35a5bb121de15c.ml.png)](https://youtu.be/beZ7Mb_oz9I) + +## [പ്രീ-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/0) + +## ഡാറ്റ എന്താണ്? +നമ്മുടെ ദൈനംദിന ജീവിതത്തിൽ, നാം നിരന്തരം ഡാറ്റയാൽ ചുറ്റപ്പെട്ടിരിക്കുന്നു. നിങ്ങൾ ഇപ്പോൾ വായിക്കുന്ന എഴുത്ത് ഡാറ്റയാണ്. നിങ്ങളുടെ സ്മാർട്ട്ഫോണിലുള്ള സുഹൃത്തുക്കളുടെ ഫോൺ നമ്പറുകളുടെ പട്ടിക ഡാറ്റയാണ്, കൂടാതെ നിങ്ങളുടെ വാച്ചിൽ കാണിക്കുന്ന നിലവിലെ സമയവും ഡാറ്റയാണ്. മനുഷ്യരായി, നാം സ്വാഭാവികമായി ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു, ഉദാഹരണത്തിന് നമുക്ക് ഉള്ള പണം എണ്ണുകയോ സുഹൃത്തുക്കൾക്ക് കത്ത് എഴുതുകയോ ചെയ്യുന്നു. + +എങ്കിലും, കമ്പ്യൂട്ടറുകളുടെ സൃഷ്ടിയോടെ ഡാറ്റ വളരെ പ്രധാനപ്പെട്ടതായി മാറി. കമ്പ്യൂട്ടറുകളുടെ പ്രധാന പങ്ക് കണക്കുകൂട്ടലുകൾ നടത്തുകയാണ്, പക്ഷേ അവ പ്രവർത്തിക്കാൻ ഡാറ്റ ആവശ്യമാണ്. അതിനാൽ, കമ്പ്യൂട്ടറുകൾ ഡാറ്റ എങ്ങനെ സംഭരിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യുന്നതെന്ന് നമുക്ക് മനസ്സിലാക്കേണ്ടതുണ്ട്. + +ഇന്റർനെറ്റിന്റെ ഉദയം കൊണ്ട്, കമ്പ്യൂട്ടറുകളുടെ ഡാറ്റ കൈകാര്യം ചെയ്യുന്ന ഉപകരണങ്ങളായ പങ്ക് വർദ്ധിച്ചു. നിങ്ങൾ ചിന്തിച്ചാൽ, നാം ഇപ്പോൾ കമ്പ്യൂട്ടറുകൾ കണക്കുകൂട്ടലുകൾക്കേക്കാൾ ഡാറ്റ പ്രോസസ്സിംഗിനും ആശയവിനിമയത്തിനും കൂടുതൽ ഉപയോഗിക്കുന്നു. നാം സുഹൃത്തുക്കൾക്ക് ഇമെയിൽ എഴുതുമ്പോഴും ഇന്റർനെറ്റിൽ വിവരങ്ങൾ തിരയുമ്പോഴും - നാം അടിസ്ഥാനപരമായി ഡാറ്റ സൃഷ്ടിക്കുകയും, സംഭരിക്കുകയും, പ്രേഷിപ്പിക്കുകയും, കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നു. +> നിങ്ങൾക്ക് ഓർമ്മയുണ്ടോ, അവസാനമായി കമ്പ്യൂട്ടർ ഉപയോഗിച്ച് യഥാർത്ഥത്തിൽ എന്തെങ്കിലും കണക്കുകൂട്ടിയത്? + +## ഡാറ്റാ സയൻസ് എന്താണ്? + +[വിക്കിപീഡിയയിൽ](https://en.wikipedia.org/wiki/Data_science), **ഡാറ്റാ സയൻസ്** എന്നത് *സംഘടിതവും അസംഘടിതവുമായ ഡാറ്റയിൽ നിന്നുള്ള അറിവും洞察ങ്ങളും ശാസ്ത്രീയ രീതികൾ ഉപയോഗിച്ച് എടുക്കുകയും, ഡാറ്റയിൽ നിന്നുള്ള അറിവും പ്രായോഗിക洞察ങ്ങളും വ്യാപകമായ പ്രയോഗ മേഖലകളിൽ പ്രയോഗിക്കുകയും ചെയ്യുന്ന ശാസ്ത്രീയ മേഖലയായി* നിർവചിച്ചിരിക്കുന്നു. + +ഈ നിർവചനത്തിൽ ഡാറ്റാ സയൻസിന്റെ താഴെപ്പറയുന്ന പ്രധാന അംശങ്ങൾ ഉണ്ട്: + +* ഡാറ്റാ സയൻസിന്റെ പ്രധാന ലക്ഷ്യം ഡാറ്റയിൽ നിന്നുള്ള **അറിവ്** എടുക്കുക, മറ്റൊരു വാക്കിൽ - ഡാറ്റ **അറിയുക**, ചില മറഞ്ഞിരിക്കുന്ന ബന്ധങ്ങൾ കണ്ടെത്തുക, ഒരു **മോഡൽ** നിർമ്മിക്കുക. +* ഡാറ്റാ സയൻസ് **ശാസ്ത്രീയ രീതികൾ** ഉപയോഗിക്കുന്നു, ഉദാഹരണത്തിന് സാധ്യതാ സിദ്ധാന്തവും സ്ഥിതിവിവരശാസ്ത്രവും. യഥാർത്ഥത്തിൽ, *ഡാറ്റാ സയൻസ്* എന്ന പദം ആദ്യമായി പരിചയപ്പെടുത്തിയപ്പോൾ, ചിലർ ഡാറ്റാ സയൻസ് സ്ഥിതിവിവരശാസ്ത്രത്തിന് പുതിയ ഒരു ആകർഷകമായ പേര് മാത്രമാണെന്ന് വാദിച്ചിരുന്നു. ഇപ്പോൾ ഈ മേഖല വളരെ വ്യാപകമാണെന്ന് വ്യക്തമാണ്. +* ലഭിച്ച അറിവ് ചില **പ്രായോഗിക洞察ങ്ങൾ** ഉൽപ്പാദിപ്പിക്കാൻ ഉപയോഗിക്കണം, അതായത് യഥാർത്ഥ ബിസിനസ് സാഹചര്യങ്ങളിൽ പ്രയോഗിക്കാവുന്ന洞察ങ്ങൾ. +* നാം **സംഘടിത**യും **അസംഘടിത**വുമായ ഡാറ്റയിൽ പ്രവർത്തിക്കാൻ കഴിയണം. കോഴ്സിന്റെ പിന്നീട് ഭാഗങ്ങളിൽ നാം ഡാറ്റയുടെ വ്യത്യസ്ത തരം വിശദീകരിക്കും. +* **പ്രയോഗ മേഖല** ഒരു പ്രധാന ആശയമാണ്, ഡാറ്റാ സയന്റിസ്റ്റുകൾക്ക് സാധാരണയായി പ്രശ്ന മേഖലയിൽ കുറച്ച് പരിചയം വേണം, ഉദാഹരണത്തിന്: ധനകാര്യ, മെഡിസിൻ, മാർക്കറ്റിംഗ് തുടങ്ങിയവ. + +> ഡാറ്റാ സയൻസിന്റെ മറ്റൊരു പ്രധാന അംശം ഡാറ്റ എങ്ങനെ ശേഖരിക്കാമെന്ന്, സംഭരിക്കാമെന്ന്, കമ്പ്യൂട്ടറുകൾ ഉപയോഗിച്ച് എങ്ങനെ പ്രവർത്തിക്കാമെന്ന് പഠിക്കുന്നതാണ്. സ്ഥിതിവിവരശാസ്ത്രം ഗണിത അടിസ്ഥാനങ്ങൾ നൽകുമ്പോൾ, ഡാറ്റാ സയൻസ് ഗണിത ആശയങ്ങൾ പ്രയോഗിച്ച് ഡാറ്റയിൽ നിന്നുള്ള洞察ങ്ങൾ എടുക്കുന്നു. + +ഡാറ്റാ സയൻസ് കാണാനുള്ള ഒരു മാർഗം ([ജിം ഗ്രേ](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) എന്നവനോട് ബന്ധപ്പെട്ടത്) ഡാറ്റാ സയൻസ് ഒരു വ്യത്യസ്ത ശാസ്ത്രപരമായ പാരഡൈം ആയി കാണുക എന്നതാണ്: +* **പരീക്ഷണാത്മക** - പ്രധാനമായും നിരീക്ഷണങ്ങളും പരീക്ഷണ ഫലങ്ങളും ആശ്രയിക്കുന്നു +* **സിദ്ധാന്തപരമായ** - നിലവിലുള്ള ശാസ്ത്രീയ അറിവിൽ നിന്നുള്ള പുതിയ ആശയങ്ങൾ ഉദയം ചെയ്യുന്നു +* **കമ്പ്യൂട്ടേഷണൽ** - ചില കമ്പ്യൂട്ടേഷൻ പരീക്ഷണങ്ങളുടെ അടിസ്ഥാനത്തിൽ പുതിയ സിദ്ധാന്തങ്ങൾ കണ്ടെത്തുന്നു +* **ഡാറ്റാ-ഡ്രിവൻ** - ഡാറ്റയിൽ ബന്ധങ്ങളും മാതൃകകളും കണ്ടെത്തുന്നതിൽ അടിസ്ഥാനമാക്കിയുള്ളത് + +## മറ്റ് ബന്ധപ്പെട്ട മേഖലകൾ + +ഡാറ്റ വ്യാപകമായതിനാൽ, ഡാറ്റാ സയൻസ് തന്നെ ഒരു വ്യാപകമായ മേഖലയാണ്, പല ശാസ്ത്രശാഖകളെയും സ്പർശിക്കുന്നു. + +
+
ഡാറ്റാബേസുകൾ
+
+ഒരു പ്രധാന പരിഗണനയാണ് ഡാറ്റ എങ്ങനെ സംഭരിക്കണം, അതായത് അതിനെ എങ്ങനെ ഘടിപ്പിക്കണം എന്നത്, അതിലൂടെ വേഗത്തിൽ പ്രോസസ്സ് ചെയ്യാൻ കഴിയും. വിവിധ തരത്തിലുള്ള ഡാറ്റാബേസുകൾ ഉണ്ട്, അവ ഘടിതവും അസംഘടിതവുമായ ഡാറ്റ സംഭരിക്കുന്നു, അവയെക്കുറിച്ച് നമ്മുടെ കോഴ്സിൽ പരിഗണിക്കും. +
+
ബിഗ് ഡാറ്റ
+
+പലപ്പോഴും വളരെ വലിയ അളവിലുള്ള ഡാറ്റ സംഭരിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യേണ്ടതുണ്ട്, സാധാരണയായി ലളിതമായ ഘടനയുള്ളത്. ഈ ഡാറ്റ കമ്പ്യൂട്ടർ ക്ലസ്റ്ററിൽ വിതരണം ചെയ്ത് സംഭരിക്കുകയും കാര്യക്ഷമമായി പ്രോസസ്സ് ചെയ്യുന്നതിനുള്ള പ്രത്യേക സമീപനങ്ങളും ഉപകരണങ്ങളും ഉണ്ട്. +
+
മെഷീൻ ലേണിംഗ്
+
+ഡാറ്റ മനസ്സിലാക്കാനുള്ള ഒരു മാർഗം ഒരു മോഡൽ നിർമിക്കുക എന്നതാണ്, അത് ആഗ്രഹിക്കുന്ന ഫലം പ്രവചിക്കാൻ കഴിയും. ഡാറ്റയിൽ നിന്നുള്ള മോഡലുകൾ വികസിപ്പിക്കുന്നത് മെഷീൻ ലേണിംഗ് എന്നാണ് വിളിക്കുന്നത്. ഇതിനെക്കുറിച്ച് കൂടുതൽ അറിയാൻ ഞങ്ങളുടെ Machine Learning for Beginners പാഠ്യപദ്ധതി കാണാം. +
+
കൃത്രിമ ബുദ്ധിമുട്ട്
+
+മെഷീൻ ലേണിംഗിന്റെ ഒരു മേഖലയായ കൃത്രിമ ബുദ്ധിമുട്ട് (AI) ഡാറ്റയിൽ ആശ്രയിച്ചിരിക്കുന്നു, കൂടാതെ മനുഷ്യ ചിന്താ പ്രക്രിയകൾ അനുകരിക്കുന്ന ഉയർന്ന സങ്കീർണ്ണതയുള്ള മോഡലുകൾ നിർമ്മിക്കുന്നതും ഉൾപ്പെടുന്നു. AI രീതികൾ അസംഘടിത ഡാറ്റ (ഉദാഹരണത്തിന് സ്വാഭാവിക ഭാഷ) ഘടിത洞察ങ്ങളായി മാറ്റാൻ സാധിക്കുന്നു. +
+
ദൃശ്യവൽക്കരണം
+
+വലിയ അളവിലുള്ള ഡാറ്റ മനുഷ്യനായി മനസ്സിലാക്കാൻ ബുദ്ധിമുട്ടാണ്, പക്ഷേ ആ ഡാറ്റ ഉപയോഗിച്ച് ഉപകാരപ്രദമായ ദൃശ്യവൽക്കരണങ്ങൾ സൃഷ്ടിച്ചാൽ, നാം ഡാറ്റയെ കൂടുതൽ മനസ്സിലാക്കുകയും ചില നിഗമനങ്ങൾ വരുത്തുകയും ചെയ്യാം. അതിനാൽ, വിവരങ്ങൾ ദൃശ്യവൽക്കരിക്കുന്ന നിരവധി മാർഗങ്ങൾ അറിയുന്നത് പ്രധാനമാണ് - ഇത് ഞങ്ങളുടെ കോഴ്സിന്റെ മൂന്നാം ഭാഗംയിൽ ഉൾപ്പെടും. ബന്ധപ്പെട്ട മേഖലകൾക്ക് ഇൻഫോഗ്രാഫിക്സ്യും, പൊതുവായി മനുഷ്യ-കമ്പ്യൂട്ടർ ഇടപെടൽയും ഉൾപ്പെടുന്നു. +
+
+ +## ഡാറ്റയുടെ തരം + +നാം ഇതിനകം പറഞ്ഞതുപോലെ, ഡാറ്റ എല്ലായിടത്തും ഉണ്ട്. നമുക്ക് അത് ശരിയായ രീതിയിൽ പിടിച്ചെടുക്കേണ്ടതാണ്! **സംഘടിത**വും **അസംഘടിത**വുമായ ഡാറ്റ തമ്മിൽ വ്യത്യാസം കാണുന്നത് ഉപകാരപ്രദമാണ്. മുൻപുള്ളത് സാധാരണയായി ഒരു നന്നായി ഘടിപ്പിച്ച രൂപത്തിലാണ് പ്രതിനിധാനം ചെയ്യപ്പെടുന്നത്, സാധാരണയായി ഒരു പട്ടിക അല്ലെങ്കിൽ പല പട്ടികകളായി, പിന്നെ അസംഘടിത ഡാറ്റ ഫയലുകളുടെ ശേഖരമാണ്. ചിലപ്പോൾ നാം **അർദ്ധഘടിത** ഡാറ്റയെക്കുറിച്ച് സംസാരിക്കാം, അതിന് ചില ഘടനയുണ്ടെങ്കിലും അത് വളരെ വ്യത്യസ്തമായിരിക്കും. + +| ഘടിതം | അർദ്ധഘടിതം | അസംഘടിതം | +| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- | +| ആളുകളുടെ ഫോൺ നമ്പറുകളുള്ള പട്ടിക | ലിങ്കുകളുള്ള വിക്കിപീഡിയ പേജുകൾ | എൻസൈക്ലോപീഡിയ ബ്രിട്ടാനിക്കയുടെ എഴുത്ത് | +| കഴിഞ്ഞ 20 വർഷം ഓരോ മിനിറ്റിലും ഒരു കെട്ടിടത്തിലെ എല്ലാ മുറികളിലെ താപനില | ലേഖകരും പ്രസിദ്ധീകരണ തീയതിയും സാരാംശവും ഉള്ള JSON ഫോർമാറ്റിലുള്ള ശാസ്ത്രീയ ലേഖനങ്ങളുടെ ശേഖരം | കോർപ്പറേറ്റ് ഡോക്യുമെന്റുകളുള്ള ഫയൽ ഷെയർ | +| കെട്ടിടത്തിലേക്ക് പ്രവേശിക്കുന്ന എല്ലാ ആളുകളുടെ പ്രായവും ലിംഗവും സംബന്ധിച്ച ഡാറ്റ | ഇന്റർനെറ്റ് പേജുകൾ | നിരീക്ഷണ ക്യാമറയിൽ നിന്നുള്ള കച്ചവട വീഡിയോ ഫീഡ് | + +## ഡാറ്റ എവിടെ നിന്ന് ലഭിക്കും + +ഡാറ്റ ലഭിക്കുന്ന നിരവധി സ്രോതസ്സുകൾ ഉണ്ട്, അവയെല്ലാം പട്ടികപ്പെടുത്തുന്നത് അസാധ്യമാണ്! എങ്കിലും, നിങ്ങൾക്ക് ഡാറ്റ ലഭിക്കാവുന്ന ചില സാധാരണ സ്ഥലങ്ങൾ പറയാം: + +* **സംഘടിത** + - **ഇന്റർനെറ്റ് ഓഫ് തിങ്സ്** (IoT), താപനില അല്ലെങ്കിൽ മർദ്ദം സെൻസറുകൾ പോലുള്ള വിവിധ സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റ ഉൾപ്പെടെ, വളരെ ഉപകാരപ്രദമായ ഡാറ്റ നൽകുന്നു. ഉദാഹരണത്തിന്, ഒരു ഓഫീസ് കെട്ടിടം IoT സെൻസറുകളാൽ സജ്ജമാക്കിയാൽ, ചെലവുകൾ കുറയ്ക്കാൻ താപനിലയും ലൈറ്റിംഗും സ്വയം നിയന്ത്രിക്കാം. + - **സർവേകൾ** ഉപഭോക്താക്കൾക്ക് വാങ്ങിയതിന് ശേഷം അല്ലെങ്കിൽ വെബ്‌സൈറ്റ് സന്ദർശിച്ചതിന് ശേഷം പൂരിപ്പിക്കാൻ പറയുന്നവ. + - **പ്രവർത്തന വിശകലനം** ഉദാഹരണത്തിന്, ഒരു ഉപയോക്താവ് ഒരു സൈറ്റിൽ എത്ര ആഴത്തിൽ പോകുന്നു, സൈറ്റ് വിടാനുള്ള സാധാരണ കാരണം എന്താണെന്ന് മനസ്സിലാക്കാൻ സഹായിക്കും. +* **അസംഘടിത** + - **എഴുത്തുകൾ**洞察ങ്ങളുടെ സമൃദ്ധമായ സ്രോതസ്സാകാം, ഉദാഹരണത്തിന് ഒരു മൊത്തം **ഭാവനാ സ്കോർ**, അല്ലെങ്കിൽ പ്രധാനവാക്കുകളും സാംവേദനാത്മക അർത്ഥവും എടുക്കൽ. + - **ചിത്രങ്ങൾ** അല്ലെങ്കിൽ **വീഡിയോ**. നിരീക്ഷണ ക്യാമറയിൽ നിന്നുള്ള ഒരു വീഡിയോ റോഡിലെ ഗതാഗതം അളക്കാനും ഗതാഗത തടസ്സങ്ങളെക്കുറിച്ച് ആളുകളെ അറിയിക്കാനും ഉപയോഗിക്കാം. + - വെബ് സെർവർ **ലോഗുകൾ** നമ്മുടെ സൈറ്റിലെ ഏത് പേജുകൾ ഏറ്റവും അധികം സന്ദർശിക്കപ്പെടുന്നു, എത്ര സമയം ചെലവഴിക്കുന്നു എന്നിവ മനസ്സിലാക്കാൻ ഉപയോഗിക്കാം. +* അർദ്ധഘടിത + - **സോഷ്യൽ നെറ്റ്‌വർക്ക്** ഗ്രാഫുകൾ ഉപയോക്തൃ വ്യക്തിത്വങ്ങളും വിവരങ്ങൾ പ്രചരിപ്പിക്കുന്നതിലെ സാധ്യതകളും സംബന്ധിച്ച മികച്ച ഡാറ്റ സ്രോതസ്സുകളാകാം. + - ഒരു പാർട്ടിയിൽ നിന്നുള്ള നിരവധി ഫോട്ടോകൾ ഉണ്ടെങ്കിൽ, ഒരുമിച്ച് ഫോട്ടോ എടുക്കുന്ന ആളുകളുടെ ഗ്രാഫ് നിർമ്മിച്ച് **ഗ്രൂപ്പ് ഡൈനാമിക്സ്** ഡാറ്റ എടുക്കാൻ ശ്രമിക്കാം. + +വിവിധ ഡാറ്റ സ്രോതസ്സുകൾ അറിയുന്നതിലൂടെ, ഡാറ്റാ സയൻസ് സാങ്കേതികവിദ്യകൾ പ്രയോഗിച്ച് സ്ഥിതിഗതികൾ കൂടുതൽ മനസ്സിലാക്കാനും ബിസിനസ് പ്രക്രിയകൾ മെച്ചപ്പെടുത്താനും നിങ്ങൾക്ക് വ്യത്യസ്ത സാഹചര്യങ്ങൾ ചിന്തിക്കാം. + +## ഡാറ്റയുമായി നിങ്ങൾ ചെയ്യാൻ കഴിയുന്നത് + +ഡാറ്റാ സയൻസിൽ, നാം ഡാറ്റയുടെ യാത്രയുടെ താഴെപ്പറയുന്ന ഘട്ടങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു: + +
+
1) ഡാറ്റ ശേഖരണം
+
+ആദ്യ ഘട്ടം ഡാറ്റ ശേഖരിക്കുകയാണ്. പലപ്പോഴും ഇത് നേരിട്ടുള്ള പ്രക്രിയയായിരിക്കാം, ഉദാഹരണത്തിന് ഒരു വെബ് ആപ്ലിക്കേഷനിൽ നിന്നുള്ള ഡാറ്റ ഒരു ഡാറ്റാബേസിലേക്ക് വരുന്നത് പോലുള്ളത്, ചിലപ്പോൾ പ്രത്യേക സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കേണ്ടി വരും. ഉദാഹരണത്തിന്, IoT സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റ വളരെ വലുതായിരിക്കാം, അതിനാൽ എല്ലാ ഡാറ്റയും കൂടുതൽ പ്രോസസ്സിംഗിന് മുമ്പ് ശേഖരിക്കാൻ IoT ഹബ് പോലുള്ള ബഫറിംഗ് എന്റ്പോയിന്റുകൾ ഉപയോഗിക്കുന്നത് നല്ല പ്രക്രിയയാണ്. +
+
2) ഡാറ്റ സംഭരണം
+
+ഡാറ്റ സംഭരിക്കുന്നത് വെല്ലുവിളിയാകാം, പ്രത്യേകിച്ച് ബിഗ് ഡാറ്റയെക്കുറിച്ചാണ് സംസാരിക്കുന്നത്. ഡാറ്റ എങ്ങനെ സംഭരിക്കണമെന്ന് തീരുമാനിക്കുമ്പോൾ, ഭാവിയിൽ നിങ്ങൾ ഡാറ്റയെ എങ്ങനെ ക്വറി ചെയ്യണമെന്ന് മുൻകൂട്ടി കരുതുന്നത് ബുദ്ധിമുട്ടില്ല. ഡാറ്റ സംഭരിക്കുന്ന ചില മാർഗങ്ങൾ: +
    +
  • ഒരു റിലേഷണൽ ഡാറ്റാബേസ് പട്ടികകളുടെ ശേഖരം സംഭരിക്കുന്നു, അവയെ ക്വറി ചെയ്യാൻ SQL എന്ന പ്രത്യേക ഭാഷ ഉപയോഗിക്കുന്നു. സാധാരണയായി, പട്ടികകൾ സ്കീമകൾ എന്ന വ്യത്യസ്ത ഗ്രൂപ്പുകളായി ക്രമീകരിച്ചിരിക്കുന്നു. പലപ്പോഴും ഡാറ്റയുടെ യഥാർത്ഥ രൂപം സ്കീമയ്ക്ക് അനുയോജ്യമായി മാറ്റേണ്ടി വരും.
    • +
  • NoSQL ഡാറ്റാബേസ്, ഉദാഹരണത്തിന് CosmosDB, ഡാറ്റയിൽ സ്കീമകൾ നിർബന്ധമാക്കുന്നില്ല, കൂടുതൽ സങ്കീർണ്ണമായ ഡാറ്റ സംഭരിക്കാൻ അനുവദിക്കുന്നു, ഉദാഹരണത്തിന്, ഹയർആർക്കിക്കൽ JSON ഡോക്യുമെന്റുകൾ അല്ലെങ്കിൽ ഗ്രാഫുകൾ. എന്നാൽ NoSQL ഡാറ്റാബേസുകൾക്ക് SQL പോലുള്ള സമ്പന്നമായ ക്വറി കഴിവുകൾ ഇല്ല, കൂടാതെ റഫറൻഷ്യൽ ഇന്റഗ്രിറ്റി നിർബന്ധമാക്കാൻ കഴിയില്ല, അതായത് പട്ടികകളിലെ ഡാറ്റ എങ്ങനെ ഘടിപ്പിക്കപ്പെട്ടിരിക്കുന്നു എന്നതും പട്ടികകളിലെ ബന്ധങ്ങൾ നിയന്ത്രിക്കുന്ന നിയമങ്ങളും.
    • +
  • ഡാറ്റാ ലേക്ക് സംഭരണം കച്ചവട, അസംഘടിത രൂപത്തിലുള്ള വലിയ ഡാറ്റ ശേഖരങ്ങൾക്ക് ഉപയോഗിക്കുന്നു. ഡാറ്റാ ലേക്ക് സാധാരണയായി ബിഗ് ഡാറ്റയുമായി ഉപയോഗിക്കുന്നു, എല്ലാ ഡാറ്റയും ഒരു യന്ത്രത്തിൽ ഫിറ്റ് ചെയ്യാനാകാത്തപ്പോൾ, ക്ലസ്റ്റർ സർവറുകളുടെ കൂട്ടത്തിൽ സംഭരിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും ചെയ്യേണ്ടതുണ്ട്. Parquet ബിഗ് ഡാറ്റയുമായി ചേർന്ന് ഉപയോഗിക്കുന്ന ഡാറ്റ ഫോർമാറ്റാണ്.
    • +
+
+
3) ഡാറ്റ പ്രോസസ്സിംഗ്
+
+ഡാറ്റയുടെ യാത്രയിലെ ഏറ്റവും രസകരമായ ഭാഗമാണ് ഇത്, യഥാർത്ഥ രൂപത്തിൽ നിന്നുള്ള ഡാറ്റ ദൃശ്യവൽക്കരണത്തിനും മോഡൽ പരിശീലനത്തിനും ഉപയോഗിക്കാവുന്ന രൂപത്തിലേക്ക് മാറ്റുന്നതാണ്. എഴുത്ത് അല്ലെങ്കിൽ ചിത്രങ്ങൾ പോലുള്ള അസംഘടിത ഡാറ്റ കൈകാര്യം ചെയ്യുമ്പോൾ, ഡാറ്റയിൽ നിന്നുള്ള ഫീച്ചറുകൾ എടുക്കാൻ ചില AI സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കേണ്ടി വരാം, അതിലൂടെ അത് ഘടിത രൂപത്തിലേക്ക് മാറ്റുന്നു. +
+
4) ദൃശ്യവൽക്കരണം / മനുഷ്യ洞察ങ്ങൾ
+
+ഡാറ്റ മനസ്സിലാക്കാൻ പലപ്പോഴും അതിനെ ദൃശ്യവൽക്കരിക്കേണ്ടതുണ്ട്. വിവിധ ദൃശ്യവൽക്കരണ സാങ്കേതിക വിദ്യകൾ നമ്മുടെ ഉപകരണസഞ്ചയത്തിൽ ഉണ്ടെങ്കിൽ,洞察ം കണ്ടെത്താൻ ശരിയായ കാഴ്ച കണ്ടെത്താം. പലപ്പോഴും, ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് ഡാറ്റയുമായി "കളിയാക്കണം", പല തവണ ദൃശ്യവൽക്കരിച്ച് ചില ബന്ധങ്ങൾ അന്വേഷിക്കണം. കൂടാതെ, നാം സ്ഥിതിവിവരശാസ്ത്ര സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് ഒരു ഹിപോത്തസിസ് പരിശോധിക്കുകയോ ഡാറ്റയിലെ വിവിധ ഭാഗങ്ങൾ തമ്മിലുള്ള ബന്ധം തെളിയിക്കുകയോ ചെയ്യാം. +
+
5) പ്രവചന മോഡൽ പരിശീലനം
+
+ഡാറ്റാ സയൻസിന്റെ അന്തിമ ലക്ഷ്യം ഡാറ്റയുടെ അടിസ്ഥാനത്തിൽ തീരുമാനങ്ങൾ എടുക്കാനാകുക എന്നതാണ്, അതിനാൽ മെഷീൻ ലേണിംഗ് സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് പ്രവചന മോഡൽ നിർമ്മിക്കാൻ ആഗ്രഹിക്കാം. പിന്നീട് സമാന ഘടനകളുള്ള പുതിയ ഡാറ്റാ സെറ്റുകൾ ഉപയോഗിച്ച് പ്രവചനങ്ങൾ നടത്താൻ ഇത് ഉപയോഗിക്കാം. +
+
+ +തികച്ചും, യഥാർത്ഥ ഡാറ്റയെ ആശ്രയിച്ച് ചില ഘട്ടങ്ങൾ ഇല്ലാതിരിക്കാം (ഉദാഹരണത്തിന്, ഡാറ്റാബേസിൽ ഡാറ്റ ഇതിനകം ഉണ്ടെങ്കിൽ, അല്ലെങ്കിൽ മോഡൽ പരിശീലനം ആവശ്യമില്ലെങ്കിൽ), അല്ലെങ്കിൽ ചില ഘട്ടങ്ങൾ പല തവണ ആവർത്തിക്കപ്പെടാം (ഉദാഹരണത്തിന്, ഡാറ്റ പ്രോസസ്സിംഗ്). + +## ഡിജിറ്റലൈസേഷൻയും ഡിജിറ്റൽ ട്രാൻസ്ഫർമേഷനും + +കഴിഞ്ഞ ദശകത്തിൽ, പല ബിസിനസുകളും ബിസിനസ് തീരുമാനങ്ങൾ എടുക്കുമ്പോൾ ഡാറ്റയുടെ പ്രാധാന്യം മനസ്സിലാക്കാൻ തുടങ്ങി. ബിസിനസ് പ്രക്രിയകൾ ഡിജിറ്റൽ രൂപത്തിലേക്ക് മാറ്റി ഡാറ്റ ശേഖരിക്കുകയാണ് ആദ്യഘട്ടം, ഇതാണ് **ഡിജിറ്റലൈസേഷൻ** എന്ന് അറിയപ്പെടുന്നത്. ഈ ഡാറ്റയിൽ ഡാറ്റാ സയൻസ് സാങ്കേതിക വിദ്യകൾ പ്രയോഗിച്ച് തീരുമാനങ്ങൾ നയിക്കുന്നത് **ഡിജിറ്റൽ ട്രാൻസ്ഫർമേഷൻ** എന്ന് വിളിക്കുന്നു, ഇത് ഉൽപാദനക്ഷമതയിൽ വലിയ വർദ്ധനവുകൾ (അല്ലെങ്കിൽ ബിസിനസ് പിവോട്ട്) ഉണ്ടാക്കാം. + +ഒരു ഉദാഹരണം പരിഗണിക്കാം. നമുക്ക് ഒരു ഡാറ്റാ സയൻസ് കോഴ്സ് (ഇതുപോലുള്ളത്) ഓൺലൈനായി വിദ്യാർത്ഥികൾക്ക് നൽകുന്നു, അതിൽ ഡാറ്റാ സയൻസ് ഉപയോഗിച്ച് മെച്ചപ്പെടുത്താൻ ആഗ്രഹിക്കുന്നു. എങ്ങനെ ചെയ്യാം? + +"എന്ത് ഡിജിറ്റലൈസ് ചെയ്യാം?" എന്ന് ചോദിച്ച് തുടങ്ങാം. ഏറ്റവും ലളിതമായ മാർഗം ഓരോ വിദ്യാർത്ഥിയും ഓരോ മോഡ്യൂളും പൂർത്തിയാക്കാൻ എത്ര സമയം എടുക്കുന്നു എന്ന് അളക്കുകയും, ഓരോ മോഡ്യൂളിന്റെ അവസാനം മൾട്ടി-ചോയ്സ് ടെസ്റ്റ് നൽകി ലഭിച്ച അറിവ് അളക്കുകയും ചെയ്യുക ആണ്. എല്ലാ വിദ്യാർത്ഥികളുടെയും പൂർത്തിയാക്കാനുള്ള സമയം ശരാശരി എടുത്ത്, ഏത് മോഡ്യൂളുകൾ വിദ്യാർത്ഥികൾക്ക് ഏറ്റവും ബുദ്ധിമുട്ടുള്ളതാണെന്ന് കണ്ടെത്തി അവ ലളിതമാക്കാൻ പ്രവർത്തിക്കാം. +> നിങ്ങൾ ഈ സമീപനം അനുയോജ്യമല്ലെന്ന് വാദിക്കാം, കാരണം മോഡ്യൂളുകൾ വ്യത്യസ്ത നീളമുള്ളവയായിരിക്കാം. മോഡ്യൂളിന്റെ നീളം (അക്ഷരങ്ങളുടെ എണ്ണം) അനുസരിച്ച് സമയം വിഭജിച്ച് ആ മൂല്യങ്ങൾ താരതമ്യം ചെയ്യുന്നത് കൂടുതൽ നീതിപൂർണമായിരിക്കാം. + +നാം ബഹുവികല്പ പരീക്ഷകളുടെ ഫലങ്ങൾ വിശകലനം തുടങ്ങുമ്പോൾ, വിദ്യാർത്ഥികൾക്ക് ബുദ്ധിമുട്ട് ഉണ്ടാകുന്ന ആശയങ്ങൾ കണ്ടെത്താൻ ശ്രമിക്കാം, ആ വിവരങ്ങൾ ഉള്ളടക്കം മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കാം. അതിനായി, ഓരോ ചോദ്യവും ഒരു പ്രത്യേക ആശയത്തോടോ അറിവിന്റെ ഒരു ഭാഗത്തോടോ ബന്ധിപ്പിക്കുന്ന വിധത്തിൽ പരീക്ഷകൾ രൂപകൽപ്പന ചെയ്യേണ്ടതുണ്ട്. + +കൂടുതൽ സങ്കീർണ്ണമാക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഓരോ മോഡ്യൂളിനും വേണ്ടി എടുത്ത സമയം വിദ്യാർത്ഥികളുടെ പ്രായ വിഭാഗത്തോടൊപ്പം പ്ലോട്ട് ചെയ്യാം. ചില പ്രായ വിഭാഗങ്ങൾക്ക് മോഡ്യൂൾ പൂർത്തിയാക്കാൻ അനാവശ്യമായി കൂടുതൽ സമയം എടുക്കുന്നുണ്ടോ, അല്ലെങ്കിൽ വിദ്യാർത്ഥികൾ പൂർത്തിയാക്കുന്നതിന് മുമ്പ് വിട്ടുപോകുന്നുണ്ടോ എന്ന് കണ്ടെത്താം. ഇത് മോഡ്യൂളിനായി പ്രായ ശുപാർശകൾ നൽകാനും തെറ്റായ പ്രതീക്ഷകളാൽ ആളുകളുടെ അസന്തോഷം കുറയ്ക്കാനും സഹായിക്കും. + +## 🚀 വെല്ലുവിളി + +ഈ വെല്ലുവിളിയിൽ, ഡാറ്റാ സയൻസ് മേഖലയുമായി ബന്ധപ്പെട്ട ആശയങ്ങൾ വാചകങ്ങൾ പരിശോധിച്ച് കണ്ടെത്താൻ ശ്രമിക്കും. ഡാറ്റാ സയൻസിനെക്കുറിച്ചുള്ള ഒരു വിക്കിപീഡിയ ലേഖനം എടുത്ത്, ടെക്സ്റ്റ് ഡൗൺലോഡ് ചെയ്ത് പ്രോസസ് ചെയ്ത്, താഴെ കാണുന്ന പോലെ ഒരു വാക്ക് ക്ലൗഡ് നിർമ്മിക്കും: + +![Word Cloud for Data Science](../../../../translated_images/ds_wordcloud.664a7c07dca57de017c22bf0498cb40f898d48aa85b3c36a80620fea12fadd42.ml.png) + +കോഡ് വായിക്കാൻ [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') സന്ദർശിക്കുക. നിങ്ങൾക്ക് കോഡ് പ്രവർത്തിപ്പിച്ച് എല്ലാ ഡാറ്റാ പരിവർത്തനങ്ങളും യഥാർത്ഥ സമയത്ത് എങ്ങനെ നടക്കുന്നതെന്ന് കാണാം. + +> Jupyter Notebook-ൽ കോഡ് എങ്ങനെ പ്രവർത്തിപ്പിക്കാമെന്ന് അറിയില്ലെങ്കിൽ, [ഈ ലേഖനം](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) കാണുക. + +## [പോസ്റ്റ്-ലെക്ചർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/1) + +## അസൈൻമെന്റുകൾ + +* **ടാസ്‌ക് 1**: മുകളിൽ നൽകിയ കോഡ് മാറ്റി **Big Data** ഉം **Machine Learning** ഉം മേഖലകളുമായി ബന്ധപ്പെട്ട ആശയങ്ങൾ കണ്ടെത്തുക +* **ടാസ്‌ക് 2**: [ഡാറ്റാ സയൻസ് സീനാരിയോകൾ ചിന്തിക്കുക](assignment.md) + +## ക്രെഡിറ്റുകൾ + +ഈ പാഠം ♥️ കൊണ്ട് രചിച്ചത് [Dmitry Soshnikov](http://soshnikov.com) ആണ്. + +--- + + +**അസൂയാ**: +ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ പ്രാമാണികമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല. + \ No newline at end of file diff --git a/translations/ml/1-Introduction/01-defining-data-science/assignment.md b/translations/ml/1-Introduction/01-defining-data-science/assignment.md new file mode 100644 index 00000000..9ec767d5 --- /dev/null +++ b/translations/ml/1-Introduction/01-defining-data-science/assignment.md @@ -0,0 +1,17 @@ + +Translation for chunk 1 of 'assignment.md' skipped due to timeout. + +--- + + +**അസൂയാ**: +ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല. + \ No newline at end of file diff --git a/translations/ml/1-Introduction/01-defining-data-science/notebook.ipynb b/translations/ml/1-Introduction/01-defining-data-science/notebook.ipynb new file mode 100644 index 00000000..9b375516 --- /dev/null +++ b/translations/ml/1-Introduction/01-defining-data-science/notebook.ipynb @@ -0,0 +1,432 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "source": [ + "# ചലഞ്ച്: ഡാറ്റാ സയൻസിനെക്കുറിച്ചുള്ള വാചകം വിശകലനം ചെയ്യൽ\n", + "\n", + "ഈ ഉദാഹരണത്തിൽ, പരമ്പരാഗത ഡാറ്റാ സയൻസ് പ്രക്രിയയിലെ എല്ലാ ഘട്ടങ്ങളും ഉൾക്കൊള്ളുന്ന ഒരു ലളിതമായ വ്യായാമം ചെയ്യാം. നിങ്ങൾക്ക് കോഡ് എഴുതേണ്ടതില്ല, താഴെയുള്ള സെല്ലുകൾ ക്ലിക്ക് ചെയ്ത് അവ പ്രവർത്തിപ്പിച്ച് ഫലം കാണാം. ഒരു ചലഞ്ചായി, വ്യത്യസ്ത ഡാറ്റ ഉപയോഗിച്ച് ഈ കോഡ് പരീക്ഷിക്കാൻ നിങ്ങൾ പ്രേരിപ്പിക്കപ്പെടുന്നു.\n", + "\n", + "## ലക്ഷ്യം\n", + "\n", + "ഈ പാഠത്തിൽ, ഡാറ്റാ സയൻസുമായി ബന്ധപ്പെട്ട വിവിധ ആശയങ്ങളെക്കുറിച്ച് ഞങ്ങൾ ചർച്ച ചെയ്തു. **ടെക്സ്റ്റ് മൈനിംഗ്** ചെയ്യുന്നതിലൂടെ കൂടുതൽ ബന്ധപ്പെട്ട ആശയങ്ങൾ കണ്ടെത്താൻ ശ്രമിക്കാം. ഡാറ്റാ സയൻസിനെക്കുറിച്ചുള്ള ഒരു വാചകത്തോടെ തുടങ്ങും, അതിൽ നിന്നു കീ-വാക്കുകൾ എടുക്കും, പിന്നെ ഫലം ദൃശ്യവൽക്കരിക്കാൻ ശ്രമിക്കും.\n", + "\n", + "ഒരു വാചകമായി, ഞാൻ വിക്കിപീഡിയയിലെ ഡാറ്റാ സയൻസ് പേജ് ഉപയോഗിക്കും:\n" + ], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 62, + "source": [ + "url = 'https://en.wikipedia.org/wiki/Data_science'" + ], + "outputs": [], + "metadata": {} + }, + { + "cell_type": "markdown", + "source": [ + "## Step 1: ഡാറ്റ നേടൽ\n", + "\n", + "ഓരോ ഡാറ്റ സയൻസ് പ്രക്രിയയിലും ആദ്യപടി ഡാറ്റ നേടലാണ്. അതിനായി നാം `requests` ലൈബ്രറി ഉപയോഗിക്കും:\n" + ], + "metadata": {} + }, + { + "cell_type": "code", + "execution_count": 63, + "source": [ + "import requests\r\n", + "\r\n", + "text = requests.get(url).content.decode('utf-8')\r\n", + "print(text[:1000])" + ], + "outputs": [ + { + "output_type": "stream", + "name": "stdout", + "text": [ + "\n", + "\n", + "\n", + "\n", + "Data science - Wikipedia\n", + "