chore(i18n): sync translations with latest source changes (chunk 1/1, 5 changes)

translations/ta/.co-op-translator.json

@@ -31,7 +31,7 @@
   },
   "1-Introduction/02-ethics/README.md": {
     "original_hash": "58860ce9a4b8a564003d2752f7c72851",
-    "translation_date": "2025-10-11T15:37:09+00:00",
+    "translation_date": "2026-07-02T10:52:18+00:00",
     "source_file": "1-Introduction/02-ethics/README.md",
     "language_code": "ta"
   },
@@ -55,7 +55,7 @@
   },
   "1-Introduction/04-stats-and-probability/README.md": {
     "original_hash": "ce95884566a74db72572cd51f0cb25ad",
-    "translation_date": "2025-10-11T15:42:40+00:00",
+    "translation_date": "2026-07-02T10:53:56+00:00",
     "source_file": "1-Introduction/04-stats-and-probability/README.md",
     "language_code": "ta"
   },
@@ -277,7 +277,7 @@
   },
   "4-Data-Science-Lifecycle/16-communication/README.md": {
     "original_hash": "215a3254ba5a222a57c5bb0192cea8e3",
-    "translation_date": "2025-10-11T15:50:35+00:00",
+    "translation_date": "2026-07-02T10:56:47+00:00",
     "source_file": "4-Data-Science-Lifecycle/16-communication/README.md",
     "language_code": "ta"
   },
@@ -307,7 +307,7 @@
   },
   "5-Data-Science-In-Cloud/18-Low-Code/README.md": {
     "original_hash": "bd4da10766c64fce4294a98f6479dfb0",
-    "translation_date": "2025-10-11T15:26:38+00:00",
+    "translation_date": "2026-07-02T10:55:31+00:00",
     "source_file": "5-Data-Science-In-Cloud/18-Low-Code/README.md",
     "language_code": "ta"
   },

translations/ta/1-Introduction/02-ethics/README.md

@@ -1,220 +1,265 @@
-# தரவுத் தார்மீகத்தின் அறிமுகம்
+# தரவு நெறிமுறைகளுக்கு அறிமுகம்
 
 |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
 |:---:|
-| தரவியல் தார்மீகம் - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+| தரவு அறிவியல் நெறிமுறைகள் - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
 
 ---
 
-நாம் அனைவரும் தரவுகளால் நிரம்பிய உலகில் வாழும் தரவுப் பிரஜைகள்.
+நாம் அனைவரும் தரவால் நிரம்பிய உலகில் வாழும் தரவு குடிமக்கள்தான்.
 
-சந்தை போக்குகள் 2022க்குள், பெரிய நிறுவனங்களில் 1-ல் 3 தரவுகளை ஆன்லைன் [சந்தைகள் மற்றும் பரிமாற்றங்கள்](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) மூலம் வாங்கவும் விற்கவும் செய்யும் என்று கூறுகின்றன. **ஆப் டெவலப்பர்கள்** ஆக, தரவுகளின் அடிப்படையில் உள்ள பார்வைகள் மற்றும் ஆல்கொரிதம் சார்ந்த தானியக்கத்தை தினசரி பயனர் அனுபவங்களில் ஒருங்கிணைப்பது எளிதாகவும் மலிவாகவும் இருக்கும். ஆனால் AI பரவலாக மாறும்போது, இவ்வாறான ஆல்கொரிதங்களை [ஆயுதமாக்கல்](https://www.youtube.com/watch?v=TQHs8SA1qpk) மூலம் ஏற்படும் பாதிப்புகளை புரிந்துகொள்ளவும் தேவைப்படும்.
+சந்தை போக்குகள் 2022 ஆம் ஆண்டுக்குள், 3 பெரிய நிறுவனங்களில் 1 நிறுவனமானது தங்களுடைய தரவை ஆன்லைன் [சந்தைகள் மற்றும் பரிமாற்றங்கள்](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) மூலம் வாங்கி விற்கிறது என்று கூறுகின்றன. **App Developers** ஆகிய நாம், தரவு சார்ந்த உண்மைகள் மற்றும் ஆல்கொரிதம் சார்ந்த தானியங்கி செயல்முறைகளை தினசரி பயனர் அனுபவங்களில் ஒருங்கிணைத்தல் எளிதும் குறைந்த செலவிலும் அமைக்க முடியும். ஆனால் AI பரவலாகும் போது, அவற்றின் [அதிவிருத்தி](https://www.youtube.com/watch?v=TQHs8SA1qpk) காரணமாக ஏற்படக்கூடிய சேதங்களை புரிந்துகொள்ளவும் தேவையும் உருவாகும்.
 
-2025க்குள், நாம் [180 ஜெட்டாபைட்ஸ்](https://www.statista.com/statistics/871513/worldwide-data-created/) அளவிலான தரவுகளை உருவாக்கி, பயன்படுத்துவோம் என்று போக்குகள் கூறுகின்றன. **தரவியல் விஞ்ஞானிகள்** க்காக, இந்த தகவல்களின் வெடிப்பு தனிப்பட்ட மற்றும் நடத்தை சார்ந்த தரவுகளுக்கு முன்னெப்போதும் இல்லாத அளவிலான அணுகலை வழங்குகிறது. இதன் மூலம் பயனர் சுயவிவரங்களை விரிவாக உருவாக்கவும், முடிவெடுப்பதில் நுண்ணிய தாக்கத்தை ஏற்படுத்தவும் சக்தி கிடைக்கிறது—இது [சுதந்திரமான தேர்வின் மாயை](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) உருவாக்குவதற்கான வழிகளில் பெரும்பாலும் பயன்படுத்தப்படுகிறது. இது பயனர்களை விரும்பிய முடிவுகளுக்கு தூண்டுவதற்காக பயன்படுத்தப்படலாம், ஆனால் இது தரவின் தனியுரிமை, சுயாதீனம் மற்றும் ஆல்கொரிதம் தாக்கத்தின் தார்மீக எல்லைகள் பற்றிய முக்கியமான கேள்விகளை எழுப்புகிறது.
+போக்குகள் 2025 ஆம் ஆண்டுக்குள், நாமும்  [180 செட்டாபைட்டுகளுக்குக்கும்](https://www.statista.com/statistics/871513/worldwide-data-created/) மேல் தரவை உருவாக்கி பயன்படுத்து என்று காட்டுகிறது. **தரவு விஞ்ஞானிகள்** ஆகி, இந்த தகவல் வெடிப்பு தனிப்பட்ட மற்றும் நடத்தை சார்ந்த தரவுகளுக்கு முன் பகுதிகளை திறக்கிறது. இதன் மூலம் விரிவான பயனர் சுயவிவரங்களை உருவாக்கி, முடிவெடுக்கல் மீது ஊக்கத்தை சுலபமாகக் கொடுக்கக்கூடிய சக்தி வருகிறது—அதிகமாக இது [சுயத் தேர்வு மாயம்](https://www.datasciencecentral.com/the-pareto-set-and-the-paradox-of-choice/) உருவாக்குவதற்கும் வழிவகுக்கும். பயனர்களை விரும்பிய முடிவுகளுக்குக் கோற்றும் விதமாக இதை பயன்படுத்தினால், அதே நேரம் தரவு தனியுரிமை, தன்னாட்சி மற்றும் ஆல்கொரிதம்களின் நெறிமுறை தாக்கம் பற்றிய முக்கிய கேள்விகள் எழுமாறாகிறது.
 
-தரவுத் தார்மீகங்கள் இப்போது தரவியல் மற்றும் பொறியியல் துறைகளுக்கு _தேவையான பாதுகாப்பு வழிகாட்டுதல்களாக_ மாறியுள்ளன, இது தரவின் அடிப்படையில் எடுக்கப்படும் நடவடிக்கைகளால் ஏற்படும் பாதிப்புகள் மற்றும் எதிர்பாராத விளைவுகளை குறைக்க உதவுகிறது. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) டிஜிட்டல் தார்மீகம், பொறுப்பான AI மற்றும் AI ஆளுமை ஆகியவற்றில் தொடர்புடைய போக்குகளை அடையாளம் காண்கிறது, இது AI-யின் _மக்களுக்கான_ மற்றும் _தொழில்துறைமயமாக்கல்_ போன்ற பெரிய போக்குகளுக்கு முக்கிய இயக்கிகளாக உள்ளது.
+தரவு நெறிமுறைகள் இப்போது தரவு அறிவியல் மற்றும் பொறியியல் பணிகளில் தேவையான _பாதுகாப்புச் சட்டங்கள்_ ஆக இருந்து, நமது தரவு சார்ந்த செயல்களில் ஏற்படக்கூடிய சேதமும் எதிர்பாராத விளைவுகளும் குறைக்க உதவுகின்றன. [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ஆனவை, டிஜிட்டல் நெறிமுறை, பொறுப்புள்ள AI, மற்றும் AI நிர்வாகம் ஆகியவை AI இன் _அரசியலை பொதுமக்கள் அனைவருக்கும்_, மற்றும் _தொழிற்‌மயமாக்கல்_ ஆகிய பெரிய போக்குகளை விசையமாக கருத்துகின்றன.
 
 ![Gartner's Hype Cycle for AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)
 
-இந்த பாடத்தில், தரவுத் தார்மீகத்தின் ஆர்வமூட்டும் பகுதியை ஆராய்வோம் - முக்கிய கருத்துகள் மற்றும் சவால்கள் முதல், வழக்குக் கதைகள் மற்றும் ஆளுமை சார்ந்த AI கருத்துகள் வரை - இது தரவுகள் மற்றும் AI-யுடன் பணிபுரியும் குழுக்கள் மற்றும் நிறுவனங்களில் தார்மீக கலாச்சாரத்தை நிறுவ உதவுகிறது.
+இந்த பாடத்தில், நாம் தரவு நெறிமுறைகள் என்ற மிகவும் சுவாரஸ்யமான பகுதியை - சாரம்சக் கருத்துகள் மற்றும் சவால்கள், வழக்குகளும் AI Governance போன்ற செயல்படுத்தப்பட்ட AI கருத்துக்களும் உள்ளடங்கியவை - ஆராய்வோம்; இது தரவு மற்றும் AI உடன் பணியாற்றும் குழுக்கள் மற்றும் நிறுவனங்களில் நெறிமுறை கலாச்சாரத்தை உருவாக்க உதவும்.
 
 
-
-
-## [பாடத்திற்கு முன் வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
+## [முன்-நூற்படிப்பு வினாடி கேள்வி](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
 
 ## அடிப்படை வரையறைகள்
 
-முதலில் அடிப்படை சொற்களைப் புரிந்துகொள்வோம்.
+அடிப்படைக் கருத்துக்களை புரிந்துகொள்வதுடன் ஆரம்பிப்போம்.
 
-"தார்மீகம்" என்ற சொல் [கிரேக்க சொல் "ethikos"](https://en.wikipedia.org/wiki/Ethics) (அதன் மூலமான "ethos") என்பதிலிருந்து வந்தது, இது _குணம் அல்லது நெறிமுறை இயல்பு_ என்று பொருள்.
+"நெறிமுறை" என்ற சொல் [கிரேக்கேயான "ethikos"](https://en.wikipedia.org/wiki/Ethics) (மூலப்பெயர் "ethos") என்பதிலிருந்து வருகிறது, அதாவது _தொழிவு அல்லது நெறிவழிகாட்டி_ என்பதைக் குறிக்கிறது.
 
-**தார்மீகம்** என்பது சமுதாயத்தில் நமது நடத்தைக்கு வழிகாட்டும் பகிர்ந்த மதிப்புகள் மற்றும் நெறிமுறைகள் பற்றியது. தார்மீகம் சட்டங்களின் அடிப்படையில் அல்ல, ஆனால் "சரியானது vs. தவறானது" என்று பரவலாக ஏற்றுக்கொள்ளப்பட்ட தரநிலைகளின் அடிப்படையில் உள்ளது. இருப்பினும், தார்மீகக் கருத்துக்கள் நிறுவன ஆளுமை முயற்சிகள் மற்றும் அரசாங்க விதிமுறைகளைத் தாக்கம் செலுத்தி, இணக்கத்திற்கான அதிக ஊக்கங்களை உருவாக்க உதவலாம்.
+**நெறிமுறை** என்பது சமுதாயத்தில் நமது நடத்தையை நிர்வகிக்கும் பகிரப்பட்ட மதிப்புகள் மற்றும் நெறிமுறைக் கொள்கைகளைக் குறிக்கும். இது சட்டங்களுக்கு பதிலாக, என்ன "சரி அல்லது தவறு" என்று பரவலாக அங்கீகாரம் பெற்ற கருத்துகளைக் கொண்டுள்ளது. இருப்பினும், நெறிமுறை பரிசீலனைகள் நிறுவன நிர்வாக முயற்சிகள் மற்றும் பண்பாட்டு அங்கீகாரங்களை மேம்படுத்தக் கூடிய அரசு விதிமுறைகளுக்கு உதவுகின்றன.
 
-**தரவுத் தார்மீகம்** என்பது [_தரவு, ஆல்கொரிதங்கள் மற்றும் தொடர்புடைய நடைமுறைகள்_](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) தொடர்பான நெறிமுறை சிக்கல்களை "ஆராய்ந்து மதிப்பீடு செய்யும்" [_புதிய தார்மீகக் கிளை_](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ஆகும். இங்கு, **"தரவு"** என்பது உருவாக்கம், பதிவு, பராமரிப்பு, செயலாக்கம், பரவல், பகிர்வு மற்றும் பயன்பாட்டுடன் தொடர்புடைய நடவடிக்கைகளை மையமாகக் கொண்டது, **"ஆல்கொரிதங்கள்"** என்பது AI, முகவர்கள், இயந்திரக் கற்றல் மற்றும் ரோபோக்களை மையமாகக் கொண்டது, மற்றும் **"நடைமுறைகள்"** என்பது பொறுப்பான புதுமை, நிரலாக்கம், ஹாக்கிங் மற்றும் தார்மீகக் குறியீடுகள் போன்ற தலைப்புகளை மையமாகக் கொண்டது.
+**தரவு நெறிமுறை** என்பது [நெறிமுறையின் புதிய கிளை](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ஆகும், இது "_தரவு, ஆல்கொரிதங்கள் மற்றும் அவற்றுக்கேற்ப நடைமுறைகள்_ சார்ந்த பாடுபடும் மற்றும் மதிப்பீடு செய்வது" ஆகும். இங்கு, **"தரவு"** என்பது உருவாக்குதல், பதிவேற்றுதல், பராமரிப்பு, செயலாக்கம், பகிர்வு மற்றும் பயன்பாடுகளை குறிக்கிறது, **"ஆல்கொரிதங்கள்"** என்பது AI, முகவர்கள், மெஷின் லெர்னிங் மற்றும் ரோபோக்களை குறிக்கிறது, மற்றும் **"நடைமுறைகள்"** என்பது பொறுப்புள்ள கண்டுபிடிப்பு, நிரல் எழுதுதல், ஹேக்கிங் மற்றும் நெறிமுறை குறியீடுகள் போன்ற தலைப்புகளை குறிக்கிறது.
 
-**பயன்பாட்டு தார்மீகம்** என்பது [_நெறிமுறை கருத்துக்களின் நடைமுறை பயன்பாடு_](https://en.wikipedia.org/wiki/Applied_ethics) ஆகும். இது _உண்மையான உலக நடவடிக்கைகள், தயாரிப்புகள் மற்றும் செயல்முறைகள்_ தொடர்பான தார்மீக சிக்கல்களைச் சுறுசுறுப்பாக ஆராய்வதற்கும், அவை நமது வரையறுக்கப்பட்ட தார்மீக மதிப்புகளுடன் இணைந்திருப்பதை உறுதிப்படுத்துவதற்கும் திருத்த நடவடிக்கைகளை எடுப்பதற்கும் உள்ள செயல்முறையாகும்.
+**பயன்படுத்தப்பட்ட நெறிமுறை** என்பது [நிலைபேறான நெறிமுறை பரிசீலனையின் நடைமுறைப் பயன்பாடு](https://en.wikipedia.org/wiki/Applied_ethics) ஆகும். இது _உண்மையான செயல்கள், தயாரிப்புகள் மற்றும் செயல்முறைகளின்_ சூழலில் நெறிமுறை பிரச்சினைகளை ஆராய்ந்ததும், நமது நிர்ணயித்த நெறிமுறை மதிப்புகளுடன் அது ஒத்துப்போகச் சீர்செய்கிறது என்பதில் ஈடுபட குடிய கூட்டம் ஆகும்.
 
-**தார்மீக கலாச்சாரம்** என்பது [_பயன்பாட்டு தார்மீகத்தை செயல்படுத்துவது_](https://hbr.org/2019/05/how-to-design-an-ethical-organization) பற்றியது, இது நமது தார்மீகக் கொள்கைகள் மற்றும் நடைமுறைகள் முழு நிறுவனத்திலும் ஒரே மாதிரியான மற்றும் பரவலாக ஏற்றுக்கொள்ளப்படுவதை உறுதிப்படுத்துகிறது. வெற்றிகரமான தார்மீக கலாச்சாரங்கள் நிறுவன அளவிலான தார்மீகக் கொள்கைகளை வரையறுக்கின்றன, இணக்கத்திற்கான பொருத்தமான ஊக்கங்களை வழங்குகின்றன, மற்றும் நிறுவனத்தின் ஒவ்வொரு நிலைமையிலும் விரும்பிய நடத்தை ஊக்குவித்து மற்றும் வலுப்படுத்துவதன் மூலம் தார்மீக தரநிலைகளை உறுதிப்படுத்துகின்றன.
+**நெறிமுறை கலாச்சாரம்** என்பது [_பயன்படுத்தப்பட்ட நெறிமுறையை_ செயல்படுத்துவது](https://hbr.org/2019/05/how-to-design-an-ethical-organization) ஆகும், நமது நெறிமுறை கொள்கைகள் மற்றும் நடைமுறைகள் முழு நிறுவனம் முழுவதும் ஒத்திசைக்கப்பட்டு பரவ வைக்கப்படுவதை உறுதிப்படுத்துதல். வெற்றிகரமான நெறிமுறை கலாச்சாரங்கள் நிறுவனத்துக்கு பொதுவான நெறிமுறை கொள்கைகளை வரையறுக்கின்றன, பின்பற்றல் அதிகரிக்கக்கூடிய ஊக்கங்களை வழங்குகின்றன, மற்றும் நிறுவனத்தின் அனைத்து அடுக்குகளிலும் விரும்பிய நடத்தை ஊக்குவித்து வலுப்படுத்துகின்றன.
 
 
-## தார்மீகக் கருத்துக்கள்
+## நெறிமுறை கருத்துக்கள்
 
-இந்த பிரிவில், **பகிர்ந்த மதிப்புகள்** (கொள்கைகள்) மற்றும் **தார்மீக சவால்கள்** (சிக்கல்கள்) போன்ற கருத்துக்களைத் தரவுத் தார்மீகத்திற்காக விவாதிப்போம் - மற்றும் **வழக்குக் கதைகள்** மூலம் இந்த கருத்துக்களை உண்மையான உலக சூழல்களில் புரிந்துகொள்ள உதவுவோம்.
+இந்தப் பகுதியில், நாம் தரவு நெறிமுறை குறித்த கருத்துகள் - **பகிரப்பட்ட மதிப்புகள்** (கொள்கைகள்) மற்றும் **நெறிமுறை சவால்கள்** (பிரச்சினைகள்) - பற்றி பேசுவோம்; மற்றும் உண்மையான சூழலில் புரிந்துகொள்ள உதவும் **வழக்குப் படிப்புகள்** ஆராய்வோம்.
 
-### 1. தார்மீகக் கொள்கைகள்
+### 1. நெறிமுறை கொள்கைகள்
 
-ஒவ்வொரு தரவுத் தார்மீகத் திட்டமும் _தார்மீகக் கொள்கைகளை_ வரையறுத்து தொடங்குகிறது - இது "பகிர்ந்த மதிப்புகள்" ஆகும், இது ஏற்றுக்கொள்ளக்கூடிய நடத்தை மற்றும் நமது தரவு மற்றும் AI திட்டங்களில் இணக்கமான நடவடிக்கைகளை வழிகாட்டுகிறது. நீங்கள் இதை தனிநபர் அல்லது குழு மட்டத்தில் வரையறுக்கலாம். இருப்பினும், பெரும்பாலான பெரிய நிறுவனங்கள் இதை _தார்மீக AI_ மிஷன் அறிக்கையிலோ அல்லது அமைப்பின் அளவிலான தார்மீகக் கட்டமைப்பிலோ வரையறுத்து, அனைத்து குழுக்களிலும் ஒரே மாதிரியான முறையில் அமல்படுத்துகின்றன.
+ஒவ்வொரு தரவு நெறிமுறைத் திட்டமும் _நெறிமுறை கொள்கைகளைக்_ கொண்டு தொடங்குகிறது - "பகிரப்பட்ட மதிப்புகள்" என்பது அனுமதிக்கப்பட்ட நடத்தை மற்றும் அதற்கான ஒத்துழைப்பு செயல்களை விவரிக்கிறது, நமது தரவு மற்றும் AI திட்டங்களில் வழிகாட்டுகிறது. இதை தனிநபர் அல்லது குழு நிலைமையில் வரையறுக்கலாம். இருப்பினும், பெரும் நிறுவனங்கள் பெரும்பாலும் இவை ஒரு _நெறிமுறை AI_ குறிக்கோள் அறிக்கை அல்லது அமைப்பில் வரையறுக்கப்பட்டு, அனைத்து குழுக்களிலும் ஒரே மாதிரியாக அமல்படுத்தப்படுகின்றன.
 
-**உதாரணம்:** Microsoft இன் [பொறுப்பான AI](https://www.microsoft.com/en-us/ai/responsible-ai) மிஷன் அறிக்கை: _"நாங்கள் மனிதர்களை முதலில் வைக்கும் தார்மீகக் கொள்கைகளால் இயக்கப்படும் AI முன்னேற்றத்திற்கு அர்ப்பணிக்கப்பட்டுள்ளோம்"_ - என 6 தார்மீகக் கொள்கைகளை கீழே உள்ள கட்டமைப்பில் அடையாளம் காண்கிறது:
+**உதாரணம்:** Microsoft இன் [பொறுப்புள்ள AI](https://www.microsoft.com/en-us/ai/responsible-ai) குறிக்கோள் அண்ணாச்சியளிக்கிறது: _"மனிதர்களை முதன்மையாகக் கருதி நெறிமுறை கொள்கைகளால் இயக்கப்படும் AI மேம்பாட்டிற்கு நாங்கள் அர்ப்பணிக்கப்பட்டுள்ளோம்"_ என்று - கீழே காட்டியுள்ள அமைப்பில் 6 நெறிமுறை கொள்கைகள் அடங்கியுள்ளன:
 
 ![Responsible AI at Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)
 
-இந்த கொள்கைகளை சுருக்கமாக ஆராய்வோம். _தெளிவுத்தன்மை_ மற்றும் _கணக்கெடுப்பு_ ஆகியவை அடிப்படை மதிப்புகள், மற்ற கொள்கைகள் இவற்றின் மீது கட்டமைக்கப்பட்டுள்ளன - எனவே இவற்றிலிருந்து தொடங்குவோம்:
+இவற்றை சிறிது விரலிழுக்கலாம். _தெளிவுத்தன்மை_ மற்றும் _கணக்கெடுப்பு_ அடிப்படையிலான மதிப்புகளாக இருக்கின்றன - அதனால் இங்கே ஆரம்பிப்போம்:
 
-* [**கணக்கெடுப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகளுக்கான பொறுப்பை மேற்கொள்வதற்கும், இந்த தார்மீகக் கொள்கைகளுடன் இணக்கமாக செயல்படுவதற்கும் பயிற்சியாளர்களை _பொறுப்பாளராக_ ஆக்குகிறது.
-* [**தெளிவுத்தன்மை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகள் பயனர்களுக்கு _புரிந்துகொள்ளக்கூடிய_ (விளக்கக்கூடிய)தாக இருக்க வேண்டும், முடிவுகளின் பின்னால் உள்ள என்ன மற்றும் ஏன் என்பதை விளக்குகிறது.
-* [**நியாயம்**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI அனைத்து மக்களையும் _நியாயமாக_ நடத்துவதை உறுதிப்படுத்துகிறது, தரவுகள் மற்றும் அமைப்புகளில் உள்ள எந்த அமைப்புசார் அல்லது மறைமுக சமூக-தொழில்நுட்ப பாகுபாடுகளையும் தீர்க்கிறது.
-* [**நம்பகத்தன்மை மற்றும் பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI வரையறுக்கப்பட்ட மதிப்புகளுடன் _சீராக_ நடந்து கொள்வதை உறுதிப்படுத்துகிறது, சாத்தியமான பாதிப்புகள் அல்லது எதிர்பாராத விளைவுகளை குறைக்கிறது.
-* [**தனியுரிமை மற்றும் பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - தரவின் வரலாற்றை புரிந்துகொள்வது மற்றும் பயனர்களுக்கு _தரவு தனியுரிமை மற்றும் தொடர்புடைய பாதுகாப்புகளை_ வழங்குவது பற்றியது.
-* [**ஒப்புமை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI தீர்வுகளை நோக்கத்துடன் வடிவமைப்பது, அவற்றை _பெரிய அளவிலான மனித தேவைகள்_ மற்றும் திறன்களை பூர்த்தி செய்யத் தகுந்ததாக மாற்றுவது பற்றியது.
+* [**கணக்கெடுப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) பயனாளர்கள் தங்களுடைய தரவு & AI பணி மற்றும் இந்த நெறிமுறை கொள்கைகளை பின்பற்றுவதற்கு _பொறுப்பாளர்_ ஆக இருக்க வேண்டும்.
+* [**தெளிவுத்தன்மை**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) தரவு மற்றும் AI நடவடிக்கைகள் பயனாளருக்கு _புரிந்துகொள்ளக்கூடியவையாக_ இருக்க வேண்டும், முடிவுகள் ஏன் எங்கே எடுக்கப்பட்டது என்பதையும் விளக்க வேண்டும்.
+* [**நீதி**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI எல்லா மனிதர்களை சமமாக கையாளும் என்பதை உறுதி செய்வதாகும், மற்றும் தரவு மற்றும் அமைப்புகளில் உள்ள எந்தவொரு அமைப்பு சார்ந்த அல்லது மறைமுக சமூக-தொழில்நுட்ப பாகுபாடுகளையும் சமாளிக்கும்.
+* [**நம்பகத்தன்மை & பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI நிர்ணயிக்கப்பட்ட மதிப்புகளுடன் _தொடர்ந்து_ நடந்து கொள்ளும் என்பதை உறுதி செய்து, சேதங்களையோ எதிர்பாராத விளைவுகளையோ குறைக்கும்.
+* [**தனியுரிமை & பாதுகாப்பு**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - தரவு வழித்தடத்தைப் புரிந்து கொண்டு பயனாளர்களுக்கு _தரவு தனியுரிமை மற்றும் சம்பந்தப்பட்ட பாதுகாப்புகளை_ வழங்குவது.
+* [**கூட்டுபிரவேசம்**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI தீர்வுகளை கண்காணித்து வடிவமைத்து, அதை மனிதர்களின் பரவலான தேவைகள் மற்றும் திறன்களுடன் _ஏற்றுக்கொள்ளும்_ வகையில் செயல்பட வைக்கிறது.
 
-> 🚨 உங்கள் தரவுத் தார்மீக மிஷன் அறிக்கை என்னவாக இருக்க முடியும் என்று யோசிக்கவும். பிற நிறுவனங்களின் தார்மீக AI கட்டமைப்புகளை ஆராயவும் - இங்கே [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), மற்றும் [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) ஆகியவற்றின் உதாரணங்கள் உள்ளன. அவற்றில் பொதுவாக உள்ள பகிர்ந்த மதிப்புகள் என்ன? அவற்றின் கொள்கைகள் அவர்கள் செயல்படும் AI தயாரிப்பு அல்லது தொழில்துறைக்கு எப்படி தொடர்புடையவை?
+> 🚨 உங்கள் தரவு நெறிமுறை குறிக்கோள் என்னவாக இருக்கலாம் என்று எண்ணுங்கள். பிற நிறுவனங்களின் நெறிமுறை AI அமைப்புகளை ஆராயுங்கள் - [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), மற்றும் [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) போன்ற உதாரணங்கள் உள்ளன. அவற்றின் பொதுவான பகிரப்பட்ட மதிப்புகள் என்ன? இந்த கொள்கைகள் அவர்கள் இயங்கும் AI தயாரிப்பு அல்லது துறைக்கு எப்படி பொருந்துகின்றன?
 
-### 2. தார்மீக சவால்கள்
+### 2. நெறிமுறை சவால்கள்
 
-தார்மீகக் கொள்கைகளை வரையறுத்த பிறகு, அடுத்த படி, நமது தரவு மற்றும் AI நடவடிக்கைகள் அந்த பகிர்ந்த மதிப்புகளுடன் இணக்கமாக உள்ளதா என்பதை மதிப்பீடு செய்வது. உங்கள் நடவடிக்கைகளை இரண்டு வகைகளில் யோசிக்கவும்: _தரவு சேகரிப்பு_ மற்றும் _ஆல்கொரிதம் வடிவமைப்பு_.
+நீங்கள் நெறிமுறை கொள்கைகள் வரையறுத்தபின், அடுத்த படி நமது தரவு மற்றும் AI நடவடிக்கைகள் அவை அந்த பகிரப்பட்ட மதிப்புகளுடன் ஒத்துப்போகிறதா என்று மதிப்பீடு செய்வது ஆகும். உங்கள் செயல்களை இரண்டு பிரிவுகளில் கவனிக்கவும்: _தரவு சேகரிப்பு_ மற்றும் _ஆல்கொரிதம் வடிவமைப்பு_.
 
-தரவு சேகரிப்பில், நடவடிக்கைகள் **தனிப்பட்ட தரவுகள்** அல்லது தனிப்பட்ட அடையாளத் தகவல்கள் (PII) உடன் தொடர்புடையதாக இருக்கும், இது வாழும் தனிப்பட்ட நபர்களை அடையாளம் காண முடியும். இது [_தனிப்பட்ட தரவுகளின் பல்வேறு உருப்படிகள்_](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) உடையது, இது _கூட்டு_ ஒரு நபரை அடையாளம் காண்கிறது. தார்மீக சவால்கள் _தரவு தனியுரிமை_, _தரவு உரிமை_, மற்றும் _தகவலறிந்த ஒப்புதல்_ மற்றும் _மூலதன உரிமைகள்_ போன்ற தொடர்புடைய தலைப்புகளுடன் தொடர்புடையதாக இருக்கலாம்.
+தரவு சேகரிப்பில், நடவடிக்கைகள் பெரும்பாலும் அறிமுகமாகக்கூடிய தனிப்பட்ட தரவோ அல்லது தனி நபர்களை அடையாளப்படுத்தக்கூடிய தகவல் (PII) தொடர்பாக இருக்கும். இதில் [பலவகை தனிப்பட்ட தகவல் அல்லாத தரவுகளும்](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) சேர்க்கப் பட்டுள்ளன, அவை _ஒட்டுமொத்தமாக_ ஒருவரை அடையாளப்படுத்துகின்றன. நெறிமுறை சவால்கள் தரவு தனியுரிமை, தரவு உரிமை மற்றும் பயனாளர்களுக்கான _தீர்மானமுடைய ஒப்புதலும்_, _बுத்திமுத்திரை உரிமைகளும்_ போன்ற தலைப்புகளை பாதிக்கும்.
 
-ஆல்கொரிதம் வடிவமைப்பில், நடவடிக்கைகள் **தரவுத் தொகுப்புகளை** சேகரித்து மற்றும் பராமரித்து, பின்னர் அவற்றை **தரவு மாதிரிகளை** பயிற்சி மற்றும் வெளியிடுவதற்காக பயன்படுத்தி, உண்மையான உலக சூழல்களில் முடிவுகளை கணிக்க அல்லது தானியக்க முடிவுகளை எடுக்க பயன்படுத்தப்படும். _தரவுத் தொகுப்பு பாகுபாடு_, _தரவு தரம்_ சிக்கல்கள், _நியாயமின்மை_, மற்றும் _தவறான விளக்கம்_ ஆகியவற்றால் ஏற்படும் சவால்கள் - சில சிக்கல்கள் அமைப்புசார் இயல்புடையவை.
+ஆல்கொரிதம் வடிவமைப்பில், செயல்கள் **தரவுத்தொகுப்புகளை** சேகரித்து, பின்பு அத்தகைய தரவுத்தொகுப்புகளை பயிற்சி மற்றும் இடையே கொண்டு **தரவு மாதிரிகள்** ஐ உருவாக்கி நிகழ்நிலை முடிவுகளைக் கணிக்க அல்லது தானியங்கி முடிவுகளை எடுக்க பயன்படுத்துவதை அடக்குமாகும். நெறிமுறை சவால்கள் தரவுத்தொகுப்பு பாகுபாடு, தரவுத்தன்மை குறைபாடுகள், நியாயமற்ற தன்மை, மற்றும் ஆல்கொரிதங்களில் தவறான பிரதிநிதித்துவம் போன்றவை எழுப்பும் - சிலவற்றுக்கு அமைப்பு சார்ந்த பிரச்சினைகள் அடங்கும்.
 
-இரண்டு வழிகளிலும், தார்மீக சவால்கள் நமது நடவடிக்கைகள் பகிர்ந்த மதிப்புகளுடன் முரண்படக்கூடிய பகுதிகளை வெளிப்படுத்துகின்றன. இந்த கவலைகளை கண்டறிய, குறைக்க, குறைக்க அல்லது நீக்க, நமது நடவடிக்கைகளுடன் தொடர்புடைய தார்மீக "ஆம்/இல்லை" கேள்விகளை கேட்கவும், பின்னர் தேவையான திருத்த நடவடிக்கைகளை எடுக்கவும். சில தார்மீக சவால்களையும் அவை எழுப்பும் தார்மீக கேள்விகளையும் பார்ப்போம்:
+இரு நிகழ்வுகளிலும் நெறிமுறை சவால்கள், நமது செயல்கள் பகிரப்பட்ட மதிப்புகளுடன் முரண்பாடு ஏற்படக்கூடிய இடங்களைக் காட்டுுகின்றன. அவற்றை கண்டுபிடிக்க, குறைக்க, குறைந்தபடுத்த அல்லது அகற்ற நமது செயல்களுக்கு தொடர்புடைய நெறிமுறை "ஆம்/இல்லை" கேள்விகள் கேட்டு, தேவையான சீர்திருத்த நடவடிக்கைகளை எடுக்க வேண்டும். சில நெறிமுறை சவால்களையும், அவை எழுப்பும் நெறிமுறை கேள்விகளையும் பார்ப்போம்:
 
 
 #### 2.1 தரவு உரிமை
 
-தரவு சேகரிப்பு பெரும்பாலும் தரவுப் பொருட்களை அடையாளம் காணக்கூடிய தனிப்பட்ட தரவுகளை உள்ளடக்கியது. [தரவு உரிமை](https://permission.io/blog/data-ownership) என்பது தரவின் உருவாக்கம், செயலாக்கம் மற்றும் பரவலுடன் தொடர்புடைய [_கட்டுப்பாடு_](https://permission.io/blog/data-ownership) மற்றும் [_பயனர் உரிமைகள்_](https://permission.io/blog/data-ownership) பற்றியது.
+தரவு சேகரிப்பு பெரும்பாலும் தனித்துவமான நபர்களை அடையாளப்படுத்தக்கூடிய தனிப்பட்ட தரவுகளுடன் தொடர்புடையது. [தரவு உரிமை](https://permission.io/blog/data-ownership) என்பது தரவு உருவாக்கம், செயலாக்கம் மற்றும் பகிர்வு தொடர்பான _கட்டுப்பாடு_ மற்றும் [_பயனர் உரிமைகள்_](https://permission.io/blog/data-ownership) பற்றியதாகும்.
 
-நாம் கேட்க வேண்டிய தார்மீக கேள்விகள்:
- * தரவின் உரிமை யாருக்கு? (பயனர் அல்லது நிறுவனம்)
- * தரவுப் பொருட்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: அணுகல், நீக்கம், இடமாற்றம்)
- * நிறுவனங்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: தீங்கிழைக்கும் பயனர் மதிப்பீடுகளை திருத்துதல்)
+நமது கேள்விகள்:
+ * தரவு யாருக்கு சொந்தம்? (பயனர் அல்லது நிறுவனம்)
+ * தரவு நபர்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: அணுகல், அழிப்பு, மாற்றுத் திறன்)
+ * நிறுவனங்களுக்கு என்ன உரிமைகள் உள்ளன? (எ.கா.: தீய ரிவியூகளை திருத்துதல்)
 
-#### 2.2 தகவலறிந்த ஒப்புதல்
+#### 2.2 தீர்மானம் பெற்ற ஒப்புதல்
 
-[தகவலறிந்த ஒப்புதல்](https://legaldictionary.net/informed-consent/) என்பது பயனர்கள் (_தரவு சேகரிப்பு_ போன்ற) நடவடிக்கைக்கு ஒப்புதல் அளிக்கும் செயலை, _சம்பந்தப்பட்ட உண்மைகளை முழுமையாக புரிந்துகொண்டு_ (எ.கா.: நோக்கம், சாத்தியமான அபாயங்கள், மாற்றுகள்) வரையறுக்கிறது.
+[தீர்மானம் பெற்ற ஒப்புதல்](https://legaldictionary.net/informed-consent/) என்பது பயனாளர் ஒருகாரணத்திற்காக (தரவு சேகரிப்பு போன்ற) முழுமையான விளக்கத்தோடு செயலில் ஒத்துக்கொள்வதைக் குறிக்கும்.
 
-இங்கு ஆராய வேண்டிய கேள்விகள்:
- * பயனர் (தரவுப் பொருள்) தரவின் பிடிப்பு மற்றும் பயன்பாட்டிற்கு அனுமதி அளித்தாரா?
- * தரவு பிடிக்கப்பட்ட நோக்கத்தை பயனர் புரிந்துகொண்டாரா?
- * அவர்களின் பங்கேற்பால் ஏற்படும் சாத்தியமான அபாயங்களை பயனர் புரிந்துகொண்டாரா?
+பரிசீலிக்க வேண்டிய கேள்விகள்:
+ * பயனர் (தரவு நபர்) தரவைப் பெறவும் பயன்படுத்தவும் அனுமதித்தாரா?
+ * அந்த தரவு எதற்கென்று பயனர் புரிந்ததா?
+ * அவர்கள் பங்கேற்றதனால் ஏற்படும் அபாயங்களை பயனர் புரிந்தாரா?
 
-#### 2.3 மூலதன உரிமை
+#### 2.3 புத்திமதி உரிமை
 
-[மூலதன உரிமை](https://en.wikipedia.org/wiki/Intellectual_property) என்பது மனித முயற்சியால் உருவாக்கப்பட்ட, தனிநபர்கள் அல்லது நிறுவனங்களுக்கு _பொருளாதார மதிப்பு_ கொண்ட இருக்கக்கூடிய மெய்யற்ற படைப்புகளை குறிக்கிறது.
+[புத்திமதி உரிமை](https://en.wikipedia.org/wiki/Intellectual_property) என்பது மனித iniciative மூலம் உருவாக்கப்பட்ட, தனிமக்கள் மற்றும் வியாபாரங்களுக்கு _பொருளாதார மதிப்பு_ கொண்ட அம்பலம் உள்ள உருவாக்கங்களை குறிக்கிறது.
 
-இங்கு ஆராய வேண்டிய கேள்விகள்:
- * சேகரிக்கப்பட்ட தரவுகள் பயனர் அல்லது நிறுவனத்திற்கு பொருளாதார மதிப்பு கொண்டதா?
- * **பயனர்** இங்கு மூலதன உரிமை கொண்டுள்ளாரா?
- * **நிறுவனம்** இங்கு மூலதன உரிமை கொண்டுள்ளதா?
- * இந்த உரிமைகள் உள்ளனவெனில், அவற்றை எவ்வாறு பாதுகாக்கிறோம்?
+பரிசீலனைக்கான கேள்விகள்:
+ * சேகரிக்கப்பட்ட தரவுக்கு பயனர் அல்லது வியாபாரத்திற்கு பொருளாதார மதிப்பு இருந்ததா?
+ * **பயனருக்கா** புத்திமதி உரிமை இருக்கிறதா?
+ * **நிறுவனத்திற்கா** புத்திமதி உரிமை இருக்கிறதா?
+ * இந்த உரிமைகள் இருந்தால் அவற்றை எவ்வாறு பாதுகாக்கிறோம்?
 
 #### 2.4 தரவு தனியுரிமை
 
-[தரவு தனியுரிமை](https://www.northeastern.edu/graduate
-* தகவல் _உண்மையாக_ நிஜத்தை பிரதிபலிக்கப் பதிவு செய்யப்படுகிறதா?
+[தரவு தனியுரிமை](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) அல்லது தகவல் தனியுரிமை என்பது தனிப்பட்ட அடையாளத் தகவலுடன் தொடர்புடைய பயனர் தனியுரிமை மற்றும் அடையாள பாதுகாப்பை குறிக்கும்.
+
+கேள்விகள்:
+ * பயனர்களின் (தனிப்பட்ட) தரவு ஹேக்குகள் மற்றும் கசிவுகளுக்கு எதிராக பாதுகாக்கப்பட்டுள்ளதா?
+ * பயனர்களின் தரவு அங்கீகாரப்பட்ட பயனாளர்களுக்கும் சூழலுக்குமட்டுமே கிடைக்கிறதா?
+ * தரவு பகிரும் போது பயனர்களின் நாமரியக்கம் பாதுகாக்கப்படுகிறதா?
+ * ஒரு பயனரை தனி நபராக அமானுஷ்யமாக்கப்பட்ட தொகுப்புகளிலிருந்து அடையாளம் காண முடியுமா?
+
+#### 2.5 மறக்கப்படு உரிமை
+
+[மறக்கப்படு உரிமை](https://en.wikipedia.org/wiki/Right_to_be_forgotten) அல்லது [அழிப்பு உரிமை](https://www.gdpreu.org/right-to-be-forgotten/) பயனர்களுக்கு தனிப்பட்ட தரவை இணையத் தேடல்களிலும் பிற இடங்களிலும் இருந்து அழிப்பதற்கான உரிமையை அளிக்கிறது, _கண்டிப்பான சூழ்நிலைகளில்_ - இது அவர்களுக்கு கடந்த செயல்களால் பின்பற்றப்படாமல் இணையத்தில் புதிய தொடக்கத்தை வழங்குகிறது.
+
+ஆராய வேண்டிய கேள்விகள்:
+ * தரவு நபர்கள் தனது தரவை அழிக்க கோரிக்கை விடுத்திருக்கலாமா?
+ * பயனர் ஒப்புதலை மீளப்பெறுதல் தானாகவே தரவு அழிப்பை தூண்டும் என இருக்குறதா?
+ * பாதுகாப்பின்றி அல்லது சட்டப்பூர்வமல்லாமல் தரவு சேகரிக்கப்பட்டதா?
+ * நாங்கள் அரசு விதிகளுடன் உடன்பட்டிருக்கிறோமா?
+
+#### 2.6 தரவுத்தொகுப்பு பாகுபாடு
+
+தரவுத்தொகுப்பு அல்லது [சேகரித்தல் பாகுபாடு](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) என்பது ஆல்கொரிதம் மேம்பாட்டிற்கு _முடிவுகளை பிரதிநிதித்துவம் செய்யாத தரவின் சிறிய பகுதியை_ தேர்ந்தெடுக்கிறதற்கு தான், இது பல சமூக குழுக்களுக்கு அரியவகையற்ற முடிவுகளை உருவாக்கும். பாகுபாடுகளுக்கு தேர்வு, மாதிரீக பாகுபாடு, தன்னார்வ பாகுபாடு மற்றும் கருவி பாகுபாடு ஆகியவையும் அடக்கம்.
+
+பரிசீலனைக்கான கேள்விகள்:
+ * பயனர்களின் பிரதிநிதித்துவமான தொகுப்பைப் பெற்றோமா?
+ * பாகுபாடுகளுக்காக சேகரித்த அல்லது பரிசீலித்த தரவுத்தொகுப்பை சோதித்தோமா?
+ * கண்டுபிடிக்கப்பட்ட பாகுபாடுகளை குறைக்க அல்லது அகற்றமுடிந்ததா?
 
-#### 2.8 அல்கோரிதம் நியாயம்
+#### 2.7 தரவு தரம்
 
-[அல்கோரிதம் நியாயம்](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) என்பது ஒரு அல்கோரிதம் வடிவமைப்பு குறிப்பிட்ட தரவுக் குழுக்களை முறையாக புறக்கணிக்கிறதா என்பதைச் சரிபார்க்கிறது, இது _வினியோகம்_ (அந்தக் குழுவுக்கு வளங்கள் மறுக்கப்படுவது அல்லது விலக்கப்படுவது) மற்றும் _சேவை தரம்_ (AI சில குழுக்களுக்கு மற்றவர்களை விட குறைவாக துல்லியமாக செயல்படுவது) ஆகியவற்றில் [சாத்தியமான தீமைகளை](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ஏற்படுத்துகிறது.
+[தரவு தரம்](https://lakefs.io/data-quality-testing/) என்பது நமது ஆல்கொரிதம் மேம்பாட்டிற்காக தயாரிக்கப்பட்ட தரவுத்தொகுப்பின் செல்லுபடியாகும் நிலையைப் பார்கிறது, அதன் பண்புகள் மற்றும் பதிவுகள் AI நோக்கத்துக்கான தேவையான துல்லியமும் ஒத்திசைவும் கொண்டுள்ளதா என்பதைக் கண்காணிக்கிறது.
+
+பரிசீலிக்க வேண்டிய கேள்விகள்:
+ * நமது பயன்பாட்டிற்கான செல்லுபடியான _ பண்புகளை_ சேகரித்தோமா?
+ * பல்வேறு தரவு மூலங்களிலே தரவை _ஒத்திசையாக_ சேகரித்தோமா?
+ * பல்வேறு சூழல்களுக்கு ஏற்ப தரவுத்தொகுப்பு முழுமையானதா?
+ * உண்மையை பிரதிபலிப்பதில் தகவல் _துல்லியமாக_ பதிவு செய்யப்பட்டுள்ளது?
+
+
+#### 2.8 ஆல்காரிதம் நீதித்தன்மை
+
+[ஆல்காரிதம் நீதித்தன்மை](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) அமைப்பு குறிப்பிட்ட தரவுக்குழுக்களை எதிரொலிக்கும் முறையில் செயற்கை நுண்ணறிவுப் பணி நடவடிக்கையில் உள்ள அநீதி இருப்பதை கண்டறிவது. இது _ஒதுக்கீடு_ (எந்த குழுவுக்கும் வளங்களை மறுக்கும் அல்லது தடுக்கப்படுவது) மற்றும் _சேவை தரம்_ (சில குழுக்களுக்கு செயற்கை நுண்ணறிவு மற்றவர்களைக் காட்டிலும் குறைவான துல்லியத்துடன் செயல்படுவது) எனக் காரணமாகத் தொலைபார்க்கும் [சாத்தியமான தீமைகள்](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ஏற்படுவதை அறிய உதவுகிறது.
 
 இங்கு ஆராய வேண்டிய கேள்விகள்:
-* பல்வேறு தரவுக் குழுக்களுக்கும் நிலைகளுக்கும் மாடல் துல்லியத்தை மதிப்பீடு செய்தோமா?
-* சாத்தியமான தீமைகளுக்காக (எ.கா., சித்தரிப்பு) அமைப்பை ஆராய்ந்தோமா?
-* கண்டறியப்பட்ட தீமைகளை குறைக்க தரவுகளை திருத்தவோ அல்லது மாடல்களை மறுபயிற்சி செய்யவோ முடிகிறதா?
+ * பல்துறை குழுக்களுக்கும் மற்றும் நிலைகளுக்கும் மொடல் துல்லியம் மதிப்பீடு செய்தோமா?
+ * அமைப்பை சாத்தியமான தீமைகள் (உதா., ஸ்டீரியோடைபிங்) குறித்து மாற்றீட்டுப்பார்த்தோமா?
+ * கண்டறியப்பட்ட தீமைகளை குறைக்க தரவை திருத்த அல்லது மொடல்களை மறுதயாரிக்க முடியும் என்றாரா?
 
-மேலும் அறிய [AI நியாயம் சரிபார்ப்பு பட்டியல்களை](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ஆராயுங்கள்.
+[AI நீதித்தன்மை சரிபார்ப்பு பட்டியல்](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) போன்ற வளங்களை ஆராயவும்.
 
-#### 2.9 தவறான பிரதிபலிப்பு
+#### 2.9 தவறான பிரதிநிதித்துவம்
 
-[தரவு தவறான பிரதிபலிப்பு](https://www.sciencedirect.com/topics/computer-science/misrepresentation) என்பது நியாயமாகப் பதிவு செய்யப்பட்ட தரவிலிருந்து உள்ளடக்கங்களை ஒரு விருப்பமான கதைசொல்லலை ஆதரிக்க ஏமாற்றமாகத் தெரிவிக்கிறோமா என்பதைப் பற்றி கேட்கிறது.
+[தரவு தவறான பிரதிநிதித்துவம்](https://www.sciencedirect.com/topics/computer-science/misrepresentation) என்பது நேர்மையாக அறிக்கை செய்யப்பட்ட தரவுகளிலிருந்து கிடைக்கும் நுணுக்கங்களை மோசமான முறையில் தொடர்பு கொண்டு ஒரு விரும்பிய கதைதொடருக்கு ஆதரவளிப்பதற்கானது.
 
 இங்கு ஆராய வேண்டிய கேள்விகள்:
-* நாம் முழுமையற்ற அல்லது தவறான தரவுகளைப் பதிவு செய்கிறோமா?
-* தவறான முடிவுகளை உருவாக்கும் வகையில் தரவுகளை காட்சிப்படுத்துகிறோமா?
-* முடிவுகளை மாற்றுவதற்கு தேர்ந்தெடுக்கப்பட்ட புள்ளியியல் தொழில்நுட்பங்களைப் பயன்படுத்துகிறோமா?
-* வேறு விளக்கங்கள் உள்ளதா, இது வேறொரு முடிவை வழங்கக்கூடும்?
+ * முழுமையான அல்லது துல்லியமற்ற தரவு நாம் அறிக்கையிடுகிறோமா?
+ * தரவுகளை தவறான முடிவுகளை உருவாக்கும் முறையில் காட்சிப்படுத்துகிறோமா?
+ * முடிவுகளை சீரமைக்க தேர்ந்தெடுக்கப்பட்ட புள்ளியியல் முறைகள் பயன்படுத்தப்படுகிறனவா?
+ * வேறொரு விளக்கம் வேறு முடிவை வழங்கலாம் என்ற வாய்ப்பு உள்ளதா?
 
-#### 2.10 சுதந்திரமான தேர்வு
-[சுதந்திரமான தேர்வின் மாயை](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) என்பது "தேர்வு கட்டமைப்புகள்" என்ற அமைப்பு முடிவெடுக்கும் அல்கோரிதங்களைப் பயன்படுத்தி மக்களை விருப்பமான முடிவை எடுக்க தூண்டுகிறது, ஆனால் அவர்களுக்கு விருப்பங்கள் மற்றும் கட்டுப்பாடுகளை வழங்குவது போல தோன்றுகிறது. இந்த [இருண்ட வடிவங்கள்](https://www.darkpatterns.org/) பயனாளர்களுக்கு சமூக மற்றும் பொருளாதார தீமைகளை ஏற்படுத்தக்கூடும். பயனாளர் முடிவுகள் நடத்தை சுயவிவரங்களை பாதிக்கின்றன, இந்த நடவடிக்கைகள் எதிர்கால தேர்வுகளை அதிகரிக்க அல்லது நீட்டிக்க முடியும்.
+#### 2.10 இலவச தெரிவு
+[இலவச தேர்வு மோகம்](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) என்பது “தேர்வு கட்டமைப்புகள்” எனப்படும் அமைப்பின் முடிவெடுத்தல் ஆல்காரிதம்கள் மனிதரை விரும்பிய முடிவு பக்கமாக நகர்த்துவதற்காக கண்டிப்பான தேர்வுகள் மற்றும் கட்டுப்பாடுகளை வழங்கினால் காணப்படும் மோகம் ஆகும். இந்த [இருள்மயமான வடிவங்கள்](https://www.darkpatterns.org/) பயனாளர்களுக்கு சமூக மற்றும் பொருளாதார தீமைகளை ஏற்படுத்த முடியும். பயனர் முடிவுகள் நடத்தை விவரங்களை பாதிக்கும் காரணத்தால், இந்த நடவடிக்கைகள் எதிர்கால தேர்வுகளை மேலும் தீங்கு விளைவிக்கும் வகையில் தூண்டலாம்.
 
 இங்கு ஆராய வேண்டிய கேள்விகள்:
-* அந்த தேர்வை எடுப்பதன் விளைவுகளை பயனர் புரிந்துகொண்டாரா?
-* பயனர் (மாற்று) தேர்வுகள் மற்றும் ஒவ்வொன்றின் நன்மைகள் & தீமைகள் பற்றி அறிந்திருந்தாரா?
-* பயனர் ஒரு தானியங்கமாக அல்லது பாதிக்கப்பட்ட தேர்வை பின்னர் மாற்ற முடியுமா?
+ * அந்த தேர்வு செய்தல் என்ன விளைவுகளை ஏற்படுத்தும் என்று பயனர் புரிந்துகொண்டாரா?
+ * பயனருக்கு (விகல்பு) தேர்வுகள் மற்றும் ஒவ்வொன்றின் நன்மை & தீமைகள் பற்றிய அறிவு இருந்ததா?
+ * பயனர் பின்னர் ஒரு தானாகவே செய்யப்பட்ட அல்லது பாதிக்கப்பட்ட தேர்வை மாற்ற முடியுமா?
 
-### 3. வழக்குக் களங்கள்
+### 3. வழக்கு ஆய்வுகள்
 
-இந்த நெறிமுறை சவால்களை நிஜ உலக சூழல்களில் வைக்க, இந்த நெறிமுறை மீறல்களை கவனிக்காமல் விட்டால் தனிநபர்கள் மற்றும் சமுதாயத்திற்கு ஏற்படும் சாத்தியமான தீமைகள் மற்றும் விளைவுகளை வெளிப்படுத்தும் வழக்குக் களங்களைப் பார்ப்பது உதவுகிறது.
+இந்த நெறிமுறை சவால்களை நிஜ உலக சூழ்நிலைகளில் பார்க்க, இத்தகைய ஒழுக்கவியல் மீறுதல்களைக் கண்காணிக்காதபோது தனிநபர்கள் மற்றும் சமுதாயத்திற்கு ஏற்படும் தீமைகள் மற்றும் விளைவுகளை வெளிப்படுத்தும் வழக்கு ஆய்வுகள் உதவுகின்றன.
 
-இங்கே சில உதாரணங்கள்:
+கீழே சில எடுத்துக்காட்டுகள்:
 
-| நெறிமுறை சவால் | வழக்குக் களம் | 
+| ஒழுக்கவியல் சவால் | வழக்கு ஆய்வு  | 
 |--- |--- |
-| **தகவலறிந்த ஒப்புதல்** | 1972 - [டஸ்கீஜி சிபிலிஸ் ஆய்வு](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ஆய்வில் பங்கேற்ற ஆப்பிரிக்க அமெரிக்க ஆண்களுக்கு இலவச மருத்துவ பராமரிப்பு வழங்கப்படும் என்று வாக்குறுதி அளிக்கப்பட்டது, ஆனால் அவர்களின் நோயறிதல் அல்லது சிகிச்சை கிடைப்பது பற்றி ஆய்வாளர்கள் _ஏமாற்றம்_ செய்தனர். பலர் இறந்தனர் & துணையர்கள் அல்லது குழந்தைகள் பாதிக்கப்பட்டனர்; ஆய்வு 40 ஆண்டுகள் நீடித்தது. | 
-| **தரவு தனியுரிமை** | 2007 - [Netflix தரவுப் பரிசு](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ஆராய்ச்சியாளர்களுக்கு _50K வாடிக்கையாளர்களின் 10M பெயரில்லா திரைப்பட மதிப்பீடுகளை_ வழங்கியது, பரிந்துரை அல்கோரிதங்களை மேம்படுத்த உதவ. ஆனால், ஆராய்ச்சியாளர்கள் பெயரில்லா தரவுகளை _வெளிப்புற தரவுத்தொகுப்புகளில்_ (எ.கா., IMDb கருத்துக்கள்) தனிப்பட்ட அடையாள தரவுடன் தொடர்புபடுத்த முடிந்தது - Netflix சந்தாதாரர்களை "பெயரில்லாமல்" மாற்றியது.|
-| **சேகரிப்பு பாகுபாடு** | 2013 - Boston நகரம் [Street Bump](https://www.boston.gov/transportation/street-bump) என்ற செயலியை உருவாக்கியது, இது குடிமக்களுக்கு பள்ளங்களைப் புகாரளிக்க அனுமதித்தது, நகரத்திற்கு சாலையின் தரவுகளை மேம்படுத்த உதவியது. ஆனால், [குறைந்த வருமானக் குழுக்களில் உள்ள மக்களுக்கு கார்கள் மற்றும் தொலைபேசிகளுக்கு குறைந்த அணுகல் இருந்தது](https://hbr.org/2013/04/the-hidden-biases-in-big-data), இது இந்த செயலியில் அவர்களின் சாலைப் பிரச்சனைகளை மறைத்தது. டெவலப்பர்கள் சமத்துவ அணுகல் மற்றும் டிஜிட்டல் பாகுபாடு பிரச்சனைகளுக்காக கல்வியாளர்களுடன் பணியாற்றினர். |
-| **அல்கோரிதம் நியாயம்** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) பாலின வகைப்பாட்டைச் சரிபார்க்கும் AI தயாரிப்புகளின் துல்லியத்தை மதிப்பீடு செய்தது, பெண்கள் மற்றும் வண்ணமக்களுக்கான துல்லியத்தில் உள்ள இடைவெளிகளை வெளிப்படுத்தியது. [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ஆண்களை விட பெண்களுக்கு குறைவான கடன் வழங்கியது போல தோன்றியது. இரண்டும் அல்கோரிதம் பாகுபாட்டில் உள்ள பிரச்சனைகளை வெளிப்படுத்தியது, இது சமூக-பொருளாதார தீமைகளை ஏற்படுத்தியது.|
-| **தரவு தவறான பிரதிபலிப்பு** | 2020 - [ஜார்ஜியா பொது சுகாதாரத் துறை COVID-19 வரைபடங்களை வெளியிட்டது](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening), இது உறுதிப்படுத்தப்பட்ட வழக்குகளில் உள்ள போக்குகளைப் பற்றி குடிமக்களை தவறாக வழிநடத்தியது, x-அச்சில் காலவரிசை இல்லாத ஒழுங்கமைப்புடன். இது காட்சிப்படுத்தல் தந்திரங்கள் மூலம் தவறான பிரதிபலிப்பை விளக்குகிறது. |
-| **சுதந்திரமான தேர்வின் மாயை** | 2020 - ABCmouse கற்றல் செயலி [FTC புகாரைத் தீர்க்க $10M செலுத்தியது](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/), பெற்றோர்கள் ரத்து செய்ய முடியாத சந்தாக்களை செலுத்த வலுக்கட்டாயமாக்கப்பட்டது. இது தேர்வு கட்டமைப்புகளில் இருண்ட வடிவங்களை விளக்குகிறது, பயனாளர்கள் தீமையான தேர்வுகளை எடுக்க தூண்டப்பட்டனர். |
-| **தரவு தனியுரிமை & பயனர் உரிமைகள்** | 2021 - Facebook [தரவு கசிவு](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530M பயனாளர்களின் தரவுகளை வெளிப்படுத்தியது, FTCக்கு $5B தீர்வை ஏற்படுத்தியது. ஆனால், தரவு கசிவை பயனாளர்களுக்கு அறிவிக்க மறுத்தது, தரவு வெளிப்படைத்தன்மை மற்றும் அணுகல் தொடர்பான பயனர் உரிமைகளை மீறியது. |
+| **அறிந்த ஒப்புதல்** | 1972 - [டஸ்கீ கி சிபிலிஸ் ஆய்வு](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - பங்கேற்ற ஆபிரிக்க அமெரிக்க ஆண்களுக்கு இலவச மருத்துவ சிகிச்சை வாக்குறுதி வழங்கப்பட்டாலும், ஆராய்ச்சியாளர்கள் நோயினை தெரிவிக்காததும் சிகிச்சை கிடைப்பது பற்றியும் தெரியச் செய்யாததும் பொய்மையை ஏற்படுத்தியது. பலர் உயிரிழந்தனர் மற்றும் அவர்களின் துணைகள் அல்லது குழந்தைகள் பாதிக்கப்பட்டனர்; ஆய்வு 40 ஆண்டுகள் நீடித்தது. | 
+| **தரவு தனியுரிமை** |  2007 - [நெட்ஃபிளிக்ஸ் தரவு பரிசு](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) 50,000 வாடிக்கையாளர்களிடமிருந்து 10 மில்லியன் பெயர் போடப்படாத திரைப்பட ரேங்கிங்களை ஆய்வாளர்கள் பெற்றனர், பரிந்துரை ஆல்காரிதங்களை மேம்படுத்த உதவ. ஆனால், ஆய்வாளர்கள் பெயர் மறைக்கப்பட்ட தரவை தனித்துவமான தரவுகளுடன் (IMDb கருத்துக்கள், போன்றவை) தொடர்புபடுத்தி சில நெட்ஃபிளிக்ஸ் சந்தாதாரர்களை "மறைத்துவிடாமல்" செய்தனர்.|
+| **ஆக்குவியல் வேறுபாடு**  | 2013 - போஸ்டன் நகரம் [Street Bump](https://www.boston.gov/transportation/street-bump) என்ற செயலியை உருவாக்கி, மக்களுக்கு சாலை பழுதுகளை அறிக்கையிட வாய்ப்பு வழங்கியது. ஆனால், [குறைந்த வருமான குழுவினர் கார்கள் மற்றும் போன்களுக்கு குறைவான அணுகலைக் கொண்டனர்](https://hbr.org/2013/04/the-hidden-biases-in-big-data), அவர்களின் சாலை பிரச்சினைகள் இந்த செயலியில் பதியப்படவில்லை. டெவலப்பர்கள் சமூகவியல் நெருக்கடிகள் மற்றும் சமநிலை பிரச்சினைகளுக்காக அகாடமியர்களுடன் பணியாற்றினர். |
+| **ஆல்காரிதம் நீதித்தன்மை**  | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) லிங்க் பாலின வகைப்பாட்டுக் க künstை பாஸ்தੂயில் பிழைகளை வெளிப்படுத்தியது. [2019 ஆப்பிள் கார்டு](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) பெண்களுக்கு ஆண்களைவிட குறைவான கடன் வழங்கியது என்று தெரிந்தது. இரண்டும் நீதித்தன்மை குறைவathu காரணமாக சமூக பொருளாதார தீமைகளை அடையாளம் காட்டின.|
+| **தரவு தவறான பிரதிநிதித்துவம்** | 2020 - ஜார்ஜியா பொது சுகாதாரத் துறை COVID-19 வரைபடங்கள் [பகிர்ந்தது](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) என்றும், விஷயம் தவறுதலாக ஊடுருவியது போன்ற விமரிசனங்கள் வந்தன; தடங்கள் எந்தவரிசையிலும் இல்லாமல் காட்டப்பட்டது. இது காட்சிப்படுத்தலில் தவறான பிரதிநிதித்துவத்தை காட்டுகிறது. |
+| **இலவச தேர்வு மோகம்** | 2020 - ABCmouse [ஏப்ரிகேஷன் $10 மில்லியன் FTC புகாரை Settlement செய்தது](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) பெற்றோர் தள்ளுபடி கொள்ள முடியாத சந்தாக்களுக்கு முன்பே கட்டணமாகி இருந்தனர். இதனால் பயனர்கள் பிள்ளைகளிடமிருந்து அடிமையாகும் வழிகாட்டிகளை இந்த துறையில் காட்டியது. |
+| **தரவு தனியுரிமை மற்றும் பயனர் உரிமைகள்** | 2021 - ஃபேஸ்புக் [தரவு மீட்பு](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) 530 மில்லியன் பயனாளர்களின் தரவுகளை வெளிப்படுத்தியது, $5 பில்லியன் FTC உடன் சமாதானம் அமைத்தது. ஆனால், பயனர்களுக்கு அதைக் குறித்து தெரியப்படுத்த மறுத்தது, இது தரவு வெளிப்படைத்தன்மை மற்றும் அணுகல் உரிமைகளை மீறியது. |
 
-மேலும் வழக்குக் களங்களை ஆராய விரும்புகிறீர்களா? இந்த வளங்களைச் சரிபார்க்கவும்:
-* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - பல்வேறு தொழில்களில் உள்ள நெறிமுறை சிக்கல்கள்.
-* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - முக்கிய வழக்குக் களங்கள் ஆராயப்பட்டது.
-* [எங்கு தவறுகள் நடந்துள்ளன](https://deon.drivendata.org/examples/) - deon சரிபார்ப்பு பட்டியலுடன் உதாரணங்கள்.
+மேலும் வழக்கு ஆய்வுகளை ஆராய விரும்புவீரா? இங்கே வளங்கள் உள்ளன:
+* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - பல துறைகளில் ஒழுக்கவியல் சிக்கல்கள்.
+* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - முக்கிய வழக்கு ஆய்வுகள்.
+* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon பட்டியலுடன் எடுத்துக்காட்டுகள்.
 
-> 🚨 நீங்கள் பார்த்த வழக்குக் களங்களைப் பற்றி சிந்தியுங்கள் - உங்கள் வாழ்க்கையில் இதே போன்ற நெறிமுறை சவாலால் பாதிக்கப்பட்டதா அல்லது அனுபவித்ததா? இந்த பிரிவில் நாம் விவாதித்த நெறிமுறை சவால்களில் ஒன்றை விளக்க ஒரு வேறு வழக்குக் களத்தை நினைவில் கொள்ள முடியுமா?
+> 🚨 நீங்கள் பார்த்த வழக்கு ஆய்வுகளைப் பற்றி நினைக்கவும் - நீங்கள் இத்தகைய ஒழுக்க சவால்கள் உங்கள் வாழ்கையில் நேர்ந்துள்ளதா? இ நடையில் நாம் விவாதித்த ஒழுக்க சவால்களில் குறைந்தபட்சம் ஒரு வழக்கு ஆய்வை நினைத்தால்?
 
-## நடைமுறை நெறிமுறை
+## நடைமுறை ஒழுக்கவியல்
 
-நாம் நெறிமுறை கருத்துக்கள், சவால்கள் மற்றும் நிஜ உலக சூழல்களில் வழக்குக் களங்களைப் பற்றி பேசினோம். ஆனால் நமது திட்டங்களில் நெறிமுறைக் கோட்பாடுகள் மற்றும் நடைமுறைகளை _பயன்படுத்த_ தொடங்குவது எப்படி? மேலும், இந்த நடைமுறைகளை சிறந்த நிர்வாகத்திற்காக _செயல்படுத்துவது_ எப்படி? சில நிஜ உலக தீர்வுகளை ஆராய்வோம்:
+நாம் ஒழுக்கவியல் கருத்துக்கள், சவால்கள் மற்றும் வழக்கு ஆய்வுகளை உலகிலுள்ள சூழ்நிலைகளில் பற்றி பேசினோம். ஆனால் எப்படித் தொடங்க வேண்டும் _ஒழுக்கவியல் கொள்கைகளை_ மற்றும் நடைமுறைகளை எங்கள் திட்டங்களில் _பயன்படுத்த_? மேலும் தேர்ந்தெடுத்த நடைமுறைகளை சிறந்த ஆட்சிப்பணிக்காக எப்படித் _செயல்படுத்த_ செய்யலாம்? ஆறு உலகில் ஏற்படும் சில தீர்வுகளை ஆராய்வோம்:
 
-### 1. தொழில்முறை விதிமுறைகள்
+### 1. தொழில்முறை குறியீடுகள்
 
-தொழில்முறை விதிமுறைகள் அமைப்புகளுக்கு தங்கள் நெறிமுறை கோட்பாடுகள் மற்றும் பணி அறிக்கையை ஆதரிக்க உறுப்பினர்களை "ஊக்குவிக்க" ஒரு விருப்பத்தை வழங்குகின்றன. விதிமுறைகள் தொழில்முறை நடத்தைக்கான _நெறிமுறை வழிகாட்டுதல்கள்_, இது ஊழியர்கள் அல்லது உறுப்பினர்கள் தங்கள் அமைப்பின் கோட்பாடுகளுடன் ஒத்திணைந்த முடிவுகளை எடுக்க உதவுகிறது. இது உறுப்பினர்களின் தன்னார்வ ஒழுங்குமுறைக்கு மட்டுமே பொருந்தும்; இருப்பினும், பல அமைப்புகள் உறுப்பினர்களின் ஒழுங்குமுறையை ஊக்குவிக்க கூடுதல் பரிசுகள் மற்றும் தண்டனைகளை வழங்குகின்றன.
+தொழில்முறை குறியீடுகள் அமைப்புக்களுக்கு உறுப்பினர்களை அவர்களுடைய ஒழுக்கவியல் கொள்கைகள் மற்றும் பணி இலக்கை ஆதரிக்க "ஊக்குவிப்பதற்கான" ஒரு விருப்பத்தை வழங்குகிறது. குறியீடுகள் _நீதி வழிகாட்டுதல்கள்_ ஆகும், தொழில்முறை நடத்தைக்கான, பணியாளர்களுக்கு அல்லது உறுப்பினர்களுக்கு அவரது அமைப்புக்களின் கொள்கைகளுக்கு ஒத்ததாக முடிவெடுக்க உதவும். அவை மட்டுமே உறுப்பினர்களின் தன்னார்வ ஒத்துழைப்பிற்கு நல்லவை; ஆனால், பல அமைப்புகள் உறுப்பினர்களே அமைய ஊக்கங்கள் மற்றும் தண்டனைகளை வழங்குகின்றன.
 
 உதாரணங்கள்:
-* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) நெறிமுறை விதிமுறைகள்
-* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) நடத்தை விதிமுறைகள் (2013ல் உருவாக்கப்பட்டது)
-* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 முதல்)
 
-> 🚨 நீங்கள் ஒரு தொழில்முறை பொறியியல் அல்லது தரவுத் அறிவியல் அமைப்பின் உறுப்பினராக உள்ளீர்களா? அவர்களின் தளத்தை ஆராய்ந்து, அவர்கள் தொழில்முறை நெறிமுறை விதிமுறைகளை வரையறுக்கிறார்களா என்பதைப் பாருங்கள். இது அவர்களின் நெறிமுறை கோட்பாடுகள் பற்றி என்ன சொல்கிறது? அவர்கள் உறுப்பினர்களை விதிமுறைகளை பின்பற்ற "ஊக்குவிக்க" என்ன செய்கிறார்கள்?
+ * [ஆக்ஸ்ஃபோர்டு முநிசிப்](http://www.code-of-ethics.org/code-of-conduct/) ஒழுக்கக் குறியீடு
+ * [டேட்டா சயின்ஸ் அசோசியேஷன்](http://datascienceassn.org/code-of-conduct.html) நடப்பு விதிகள் (2013ல் உருவானது)
+ * [ACM ஒழுக்கக் குறியீடு மற்றும் தொழில்முறை நடத்தை](https://www.acm.org/code-of-ethics) (1993இன்பின்பிருந்து)
+
+> 🚨 நீங்கள் தொழில்முறை பொறியியல் அல்லது தரவு அறிவியல் அமைப்பின் உறுப்பினரா? அவர்களின் இணையதளத்தை ஆராய்ந்தீர்களா, அங்கு அவர்கள் தொழில்முறை ஒழுக்கக் குறியீட்டை வரையறுத்துள்ளதா? அது அவர்களுடைய ஒழுக்கவியல் கொள்கைகளை பற்றி என்ன கூறுகிறது? அவர்கள் உறுப்பினர்களை இந்த குறியீட்டை பின்பற்ற "ஊக்குவிப்பது" எப்படி?
 
-### 2. நெறிமுறை சரிபார்ப்பு பட்டியல்கள்
+### 2. ஒழுக்கவியல் சரிபார்ப்பு பட்டியல்கள்
 
-தொழில்முறை விதிமுறைகள் நடைமுறை நெறிமுறை நடத்தைக்கான தேவைகளை வரையறுக்கின்றன, ஆனால் அவை [சிறந்த திட்டங்களில்](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) அமல்படுத்துவதில் _குறைகள்_ உள்ளன. இதற்கு பதிலாக, பல தரவுத் அறிவியல் நிபுணர்கள் [சரிபார்ப்பு பட்டியல்களை](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ஆதரிக்கின்றனர், இது **கோட்பாடுகளை நடைமுறைகளுடன் இணைக்க** முடியும், மேலும் தீர்மானமான மற்றும் செயல்படக்கூடிய வழிகளில்.
+தொழில்முறை குறியீடுகள் நடைமுறையில் இருந்து கேட்டறியும் _ஒழுக்க நடத்தை_ வரையறுக்கும் போது, பெரும்பாலான பணி திட்டங்களில் [அவற்றுக்கு வரையறுக்கப்பட்ட எல்லைகள்](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) உள்ளன. அதற்கு பதிலாக, பல தரவு அறிவியல் நிபுணர்கள் [சரிபார்ப்புப் பட்டியல்களை](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) பரிந்துரைக்கிறார்கள், அது **கொள்கைகளை நடைமுறைகளுடன் இணைக்க** வினாயகமான மற்றும் செயல்படும் முறையில் உதவுகிறது.
 
-சரிபார்ப்பு பட்டியல்கள் கேள்விகளை "ஆம்/இல்லை" பணிகளாக மாற்றுகின்றன, அவற்றை செயல்படுத்த முடியும், மேலும் அவற்றை நிலையான தயாரிப்பு வெளியீட்டு பணிச்சூழல்களில் பின்தொடர அனுமதிக்கின்றன.
+சரிபார்ப்புப் பட்டியல்கள் கேள்விகளை "ஆம்/இல்லை" பணிகளாக மாற்றுகின்றன, இது செயல்படுத்தலாம், மற்றும் இவற்றை சாதாரண தயாரிப்பு வெளியீட்டு வேலைபடிகளின் ஒரு பகுதியாக கண்காணிக்க முடியும்.
 
 உதாரணங்கள்:
-* [Deon](https://deon.drivendata.org/) - [தொழில்துறை பரிந்துரைகளிலிருந்து](https://deon.drivendata.org/#checklist-citations) உருவாக்கப்பட்ட பொதுவான தரவுத் நெறிமுறை சரிபார்ப்பு பட்டியல், எளிதான ஒருங்கிணைப்புக்கான கட்டளை வரி கருவியுடன்.
-* [தனியுரிமை ஆடிட் சரிபார்ப்பு பட்டியல்](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - சட்ட மற்றும் சமூக வெளிப்பாடு கோணங்களில் தகவல் கையாளும் நடைமுறைகளுக்கான பொதுவான வழிகாட்டுதல்களை வழங்குகிறது.
-* [AI நியாயம் சரிபார்ப்பு பட்டியல்](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI practitioners மூலம் உருவாக்கப்பட்டது, AI மேம்பாட்டு சுழற்சிகளில் நியாயம் சரிபார்ப்புகளை ஒருங்கிணைக்க ஆதரிக்க.
-* [தரவு மற்றும் AI நெறிமுறைகளுக்கான 22 கேள்விகள்](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - தொடக்க ஆராய்ச்சிக்கான திறந்த முடிவுகளுடன் கூடிய கட்டமைப்பு, வடிவமைப்பு, செயல்படுத்தல் மற்றும் அமைப்பு சூழல்களில் நெறிமுறை சிக்கல்களை ஆராய.
+ * [Deon](https://deon.drivendata.org/) - தொழிற்துறை பரிந்துரைகளில் இருந்து உருவாக்கப்பட்ட பொதுவான தரவுத்தொடர்பான ஒழுக்கவியல் சரிபார்ப்பு பட்டியல், மற்றும் எளிய ஒருங்கிணைக்க command-line கருவி.
+ * [தனியுரிமைக் கணக்கில் சரிபார்ப்பு பட்டியல்](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - சட்ட மற்றும் சமூக வெளிப்பாட்டின் பார்வையில் தகவல் கையாளும் நடைமுறைகளுக்கான வழிகாட்டல்.
+ * [AI நீதித்தன்மை சரிபார்ப்பு பட்டியல்](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - AI இதழ்களால் உருவாக்கப்பட்ட, நீதித்தன்மை சோதனைகளை AI மேம்பாட்டுக் கட்டங்களில் இணைக்க ஆதரவளிக்கிறது.
+ * [தரவு மற்றும் AIயில் ஒழுக்கத்துக்கான 22 கேள்விகள்](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - ஆரம்பத்தில் ஒழுக்கவியல் சிக்கல்களை ஆராய விரிவான கட்டமைப்பு.
 
-### 3. நெறிமுறை விதிகள்
+### 3. ஒழுக்கவியல் ஒழுங்கு விதிகள்
 
-நெறிமுறை என்பது பகிர்ந்த மதிப்புகளை வரையறுத்து சரியானதை _தன்னார்வமாக_ செய்வது. **ஒழுங்குமுறை** என்பது _சட்டத்தை பின்பற்றுவது_ (அது வரையறுக்கப்பட்டால்). **நிர்வாகம்** என்பது அமைப்புகள் நெறிமுறை கோட்பாடுகளை அமல்படுத்த மற்றும் நிறுவப்பட்ட சட்டங்களை பின்பற்ற செயல்படும் அனைத்து வழிகளையும் பரந்த அளவில் உள்ளடக்குகிறது.
+ஒழுக்கவியல் என்பது _தன்னார்வமாக_ பகிர்ந்த பெறுமதிகளை வரையறுப்பு செய்தல் மற்றும் சரியான செயல்பாட்டை செய்வது ஆகும். **ஒத்துழைப்பு** என்பது சட்டத்தை பின்பற்றுதல் ஆகும். **ஆட்சிப் பணிகள்** அமைப்புகள் ஒழுக்கவியல் கொள்கைகளை அமையச் செய்து, சட்டங்களுடன் இணங்க செயல்பாடுகளைப் பொதுவாக குறிக்கின்றன.
 
-இன்றைய நிர்வாகம் அமைப்புகளில் இரண்டு வடிவங்களில் உள்ளது. முதலில், இது **AI நெறிமுறை** கோட்பாடுகளை வரையறுத்து, அமைப்பில் உள்ள அனைத்து AI தொடர்பான திட்டங்களிலும் ஏற்றத்தை செயல்படுத்துவதற்கான நடைமுறைகளை நிறுவுவது பற்றியது. இரண்டாவது, இது அமைப்பு செயல்படும் பிராந்தியங்களுக்கான அரசு-மனதளிக்கப்பட்ட **தரவு பாதுகாப்பு விதிகளை** பின்பற்றுவது பற்றியது.
+இன்று, ஆட்சி இரண்டு விதமாக அமைப்புகளில் கையென்கிறது. முதலில், **ஒழுக்கமான AI** கொள்கைகளை வரையறுத்து, அனைத்து AI தொடர்புடைய திட்டங்களில் ஏற்றுத்தெற்றல் நடைமுறைகளைக் கொண்டு செயல்படுத்துவது முக்கியம். இரண்டாக, அது நிறுவனம் செயல்படுகின்ற பகுதிகளில் அனைத்து அரசு கட்டாயப்படுத்திய **தரவு பாதுகாப்பு விதிகளுக்கு** இணங்கவும் நீடிக்கிறது.
 
-தரவு பாதுகாப்பு மற்றும் தனியுரிமை விதிகளின் உதாரணங்கள்:
+தரவு பாதுகாப்பு மற்றும் தனியுரிமை விதிகளின் சில எடுத்துக்காட்டுகள்:
 
-* `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - _அமெரிக்க அரசு_ தனிப்பட்ட தகவலின் சேகரிப்பு, பயன்பாடு மற்றும் வெளிப்பாட்டை ஒழுங்குபடுத்துகிறது.
-* `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - தனிப்பட்ட சுகாதார தரவுகளைப் பாதுகாக்கிறது.
-* `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 வயதிற்குட்பட்ட குழந்தைகளின் தரவு தனியுரிமையைப் பாதுகாக்கிறது.
-* `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - பயனர் உரிமைகள், தரவு பாதுகாப்பு மற்றும் தனியுரிமையை வழங்குகிறது.
-* `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - பயனாளர்களுக்கு (தனிப்பட்ட) தரவின் மீது அதிக உரிமைகளை வழங்குகிறது.
-* `2021`, சீனாவின் [தனிப்பட்ட தகவல் பாதுகாப்பு சட்டம்](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) சமீபத்தில் நிறைவேற்றப்பட்டது, உலகளவில் மிக வலுவான ஆன்லைன் தரவு தனியுரிமை விதிகளை உருவாக்குகிறது.
+ * `1974`, [அமெரிக்க தனியுரிமை சட்டம்](https://www.justice.gov/opcl/privacy-act-1974) - _அரசாங்கத்தின்_ தனிப்பட்ட தகவல் சேகரிப்பு, பயன்பாடு, மற்றும் வெளியீடுக்கு விதிகள்.
+ * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - தனிப்பட்ட உடல் நிலை தரவை பாதுகாக்கிறது.
+ * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - 13 க்கும் கீழே உள்ள குழந்தைகளின் தனியுரிமையை பாதுகாக்கிறது.
+ * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - பயனரின் உரிமைகள், தரவு பாதுகாப்பு மற்றும் தனியுரிமை.
+ * `2018`, [காலிஃபோர்னியா நுகர்வு தனியுரிமை சட்டம் (CCPA)](https://www.oag.ca.gov/privacy/ccpa) தனிப்பட்ட தரவில் நுகர்வோர்களுக்கு கூடுதல் உரிமைகள் வழங்குகிறது.
+ * `2021`, சீனாவின் [தனிப்பட்ட தகவல் பாதுகாப்பு சட்டம்](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) கடந்த ஆண்டு கடந்து, உலகிலேயே பலமான ஆன்லைன் தரவு தனியுரிமை விதிகளை உருவாக்கியது.
 
-> 🚨 ஐரோப்பிய ஒன்றியம் வரையறுத்த GDPR (General Data Protection Regulation) இன்று மிகவும் தாக்கம் செலுத்தும் தரவு தனியுரிமை விதிகளில் ஒன்றாக உள்ளது. இது [8 பயனர் உரிமைகளை](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) வரையறுக்கிறது, இது குடிமக்களின் டிஜிட்டல் தனியுரிமை மற்றும் தனிப்பட்ட தரவுகளைப் பாதுகாக்க உதவுகிறது என்பதை நீங்கள் அறிந்தீர்களா? இவை என்னவென்று, ஏன் அவை முக்கியம் என்பதைப் பற்றி அறியுங்கள்.
+> 🚨 ஐரோப்பிய ஒன்றியத்தின் GDPR (ஜனரல் டேட்டா பாதுகாப்பு ஒழுங்குமுறை) இன்று மிகவும் தாக்கம் மிகுந்த தனியுரிமை விதியாக இருக்கிறது. அதில் [8 பயனர் உரிமைகள்](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) உள்ளன என்பது தெரியுமா? அவை என்ன, ஏன் அவை முக்கியம் என்பது பற்றி கற்றுக்கொள்ளவும்.
+
+### 4. ஒழுக்க கலாச்சாரம்
+
+_ஒத்துழைப்பு_ (சட்டத்தின் எழுத்தை பூர்த்தி செய்தல்) மற்றும் [மூல பராமரிப்பு பிரச்சினைகள்](https://www.coursera.org/learn/data-science-ethics/home/week/4) (பூச்சியல், தகவல் முரண்பாடு, மற்றும் விநியோகத் தன்மை குறைபாடு போன்றவை) ஆகியவற்றுக்கு இடையேயான அவுதவாத இடைவெளி இன்னும் உள்ளது, இது AI ஆயுதப்படுத்தல் வேகம் அதிகரிக்க உதவுகிறது.
+
+இது [ஒழுக்க கலாச்சாரங்களில்](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) ஒத்துழைப்பு நோக்கங்களை உருவாக்கி உணர்ச்சி பிணைப்புகளை மற்றும் ஒரேபோல் பகிர்ந்த பெறுமதிகளை _தொழில்துறைகளில்_ அமைக்கும் முறையை தேவைப்படுத்துகிறது. இதனால் அமைப்புகளில் [தனித்துவமிக்க தரவு ஒழுக்க கலாச்சாரங்களை](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) அதிகாரப் படுத்தல் தேவைப்படுகிறது - இதனால் எந்தவொரு நபரும் [Andon கேபிள்](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (பிரச்சினைகளை ஆழமாக முன்கூட்டியே எச்சரிக்க) இழுக்க முடியும் மேலும் _ஒழுக்க மதிப்பீடுகள்_ (எ.கா., பணியாளர்களை எடுத்துக்கொள்ளல்) AI திட்டங்களில் கோர் மற்றும் அடிப்படைக் கூறாக இருப்பதற்கானது.
+
+---
+## [பாட அனுப்பிற்குப் பிறகு வீடியோ கேள்வி](https://ff-quizzes.netlify.app/en/ds/quiz/3) 🎯
+## பரிசீலனை மற்றும் சுய ஆய்வு 
 
-### 4. நெறிமுறை கலாச்சாரம்
+பாடநெறிகள் மற்றும் புத்தகங்கள் அடிப்படை ஒழுக்கவியல் கருத்துக்களையும் சவால்களையும் புரிந்துகொள்ள உதவுகின்றன, வழக்கு ஆய்வுகள் மற்றும் கருவிகள் நிஜ உலக சூழ்நிலைகளில் நடைமுறை ஒழுக்கவியல் நடைமுறைகளுக்கு உதவுகின்றன. தொடங்க சில வளங்கள் கீழே:
 
-குறிப்பு: _ஒழுங்குமுறை_ (சட்டத்தின் "எழுத்து" பூர்த்தி
-* [தொடக்க நிலை இயந்திரக் கற்றல்](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft-இன் நியாயமான செயல்பாடுகள் பற்றிய பாடம்.
-* [பொறுப்பான AI-யின் கொள்கைகள்](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn-இன் இலவச கற்றல் பாதை.
-* [நெறிமுறைகள் மற்றும் தரவியல் அறிவியல்](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason மற்றும் மற்றவர்கள்)
-* [தரவியல் அறிவியலின் நெறிமுறைகள்](https://www.coursera.org/learn/data-science-ethics#syllabus) - மிச்சிகன் பல்கலைக்கழகத்தின் ஆன்லைன் பாடநெறி.
-* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - டெக்சாஸ் பல்கலைக்கழகத்தின் வழக்குக் கற்பனைகள்.
+* [தொடக்கர்களுக்கான மெஷின் லெர்ணிங்](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - Microsoft இல் இருந்து நீதித்தன்மை பாடம்.
+* [பதில் பயனுள்ள AI விதிகள்](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft கற்றல் இலவச கற்றல் பாதை.
+* [நெறிமுறைகள் மற்றும் தரவு அறிவியல்](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason மற்றும் மற்றவர்கள்)
+* [தரவு அறிவியல் நெறிமுறைகள்](https://www.coursera.org/learn/data-science-ethics#syllabus) - மிச்சிகன் பல்கலைக்கழகத்தின் ஆன்லைன் பாடம்.
+* [நெறிமுறைகள் அன்பட்டி](https://ethicsunwrapped.utexas.edu/case-studies) - டெக்சாஸ் பல்கலைக்கழகத்தின் வழக்கு ஆய்வுகள்.
 
-# பணிக்குறிப்பு
+# பணிப்புரை
 
-[தரவு நெறிமுறைகள் வழக்குக் கற்பனை எழுதுங்கள்](assignment.md)
+[ஒரு தரவு நெறிமுறை வழக்கு ஆய்வை எழுதுக](assignment.md)
 
 ---
 
-**குறிப்பு**:  
-இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
+<!-- CO-OP TRANSLATOR DISCLAIMER START -->
+**மறுப்பு**:
+இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
+<!-- CO-OP TRANSLATOR DISCLAIMER END -->

translations/ta/1-Introduction/04-stats-and-probability/README.md

@@ -1,51 +1,130 @@
-# புள்ளியியல் மற்றும் சாத்தியக்கூறுகளின் சுருக்கமான அறிமுகம்
+# 통계학 மற்றும் சாத்தியக்கூறு குறித்த சுருக்கமான அறிமுகம்
 
-|![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/04-Statistics-Probability.png)|
+|![ [(@sketchthedocs)](https://sketchthedocs.dev) வழங்கிய ஸ்கெட்ச் நோட்டு ](../../sketchnotes/04-Statistics-Probability.png)|
 |:---:|
-| புள்ளியியல் மற்றும் சாத்தியக்கூறுகள் - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+| ஸ்டாட்டிஸ்டிக்ஸ் மற்றும் சாத்தியக்கூறு - _[@nitya](https://twitter.com/nitya) வழங்கிய ஸ்கெட்ச் நோட்டு_ |
 
-புள்ளியியல் மற்றும் சாத்தியக்கூறு கோட்பாடு என்பது கணிதத்தின் இரண்டு தொடர்புடைய பகுதிகள் ஆகும், மேலும் அவை தரவியல் அறிவியலில் மிகவும் முக்கியமானவை. கணிதத்தை ஆழமாக அறியாமல் தரவுடன் செயல்படுவது சாத்தியமானது, ஆனால் குறைந்தபட்சம் சில அடிப்படை கருத்துகளை அறிந்திருப்பது நல்லது. இங்கு உங்களைத் தொடங்க உதவும் ஒரு சுருக்கமான அறிமுகத்தை வழங்குகிறோம்.
+ஸ்டாட்டிஸ்டிக்ஸ் மற்றும் சாத்தியக்கூறு ஆய்வுகள் கணிதத்தின் இரண்டு நெருக்கமான பகுதிகள், அவை தரவியல் அறிவியலை மிகவும் பாதிக்கும். கணிதத்தில் ஆழமான அறிவை இல்லாமல் தரவுடன் வேலை செய்ய சாத்தியமானது, ஆனால் குறைந்தது சில அடிப்படைக் கருத்துக்களை அறிந்து கொள்வது மிகச்சிறந்தது. இங்கு ஒரு சுருக்கமான அறிமுகம் வழங்கப்பட்டிருக்கிறது, இது உங்களுக்கு துவக்க உதவும்.
 
 [![அறிமுக வீடியோ](../../../../translated_images/ta/video-prob-and-stats.e4282e5efa2f2543.webp)](https://youtu.be/Z5Zy85g4Yjw)
 
-## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/6)
 
-## சாத்தியக்கூறு மற்றும் சீரற்ற மாறிகள்
+## [முன்னுரை வினாடி-வினா](https://ff-quizzes.netlify.app/en/ds/quiz/6)
 
-**சாத்தியக்கூறு** என்பது 0 மற்றும் 1 இடையே உள்ள ஒரு எண், இது ஒரு **நிகழ்வு** எவ்வளவு சாத்தியமானது என்பதை வெளிப்படுத்துகிறது. இது நேர்மறை முடிவுகளின் எண்ணிக்கையாக (நிகழ்வை உருவாக்கும் முடிவுகள்), சமமான சாத்தியக்கூறுகளைக் கொண்ட அனைத்து முடிவுகளின் மொத்த எண்ணிக்கையால் வகுக்கப்படுகிறது. உதாரணமாக, ஒரு பாசையை சுழற்றும்போது, எண்கள் வரும் சாத்தியக்கூறு 3/6 = 0.5.
+## சாத்தியக்கூறு மற்றும் சீரற்ற மாறிலிகள்
 
-நிகழ்வுகளைப் பற்றி பேசும்போது, நாங்கள் **சீரற்ற மாறிகள்** பயன்படுத்துகிறோம். உதாரணமாக, ஒரு பாசையை சுழற்றும்போது கிடைக்கும் எண்ணை பிரதிநிதித்துவப்படுத்தும் சீரற்ற மாறி 1 முதல் 6 வரை மதிப்புகளை எடுக்கும். 1 முதல் 6 வரை உள்ள எண்களின் தொகுப்பை **மாதிரி இடம்** என்று அழைக்கப்படுகிறது. ஒரு சீரற்ற மாறி ஒரு குறிப்பிட்ட மதிப்பை எடுக்கும் சாத்தியக்கூறைப் பற்றி பேசலாம், உதாரணமாக P(X=3)=1/6.
+**சாத்தியக்கூறு** என்பது 0 மற்றும் 1 கொண்டுள்ள ஒரு எண் ஆகும், இது ஒரு **நிகழ்வு** எவ்வளவு சாத்தியமுள்ளதாக இருக்கிறது என்பதை வெளிப்படுத்தும். இது ஒரு நிகழ்வுக்கு வழியாயிருக்கும் நேர்மறை விளைவுகளின் எண்ணிக்கை, அனைத்து விளைவுகளும் சம அளவு கவனிக்கபட்டால், மொத்த விளைவுகளின் எண்ணிக்கையால் భాగிக்கப்பட்டு வரையறுக்கப்படும். உதाहरणமாக, எமது ஒரு கறுக்கரடியை எறுக்கும் போது, எண் ஜோடியாக வருவதற்கான சாத்தியக்கூறு 3/6 = 0.5 ஆகும்.
 
-முந்தைய உதாரணத்தில் உள்ள சீரற்ற மாறி **தொகுதி** என்று அழைக்கப்படுகிறது, ஏனெனில் இது எண்ணக்கூடிய மாதிரி இடத்தை கொண்டுள்ளது, அதாவது enum செய்யக்கூடிய தனித்துவமான மதிப்புகள் உள்ளன. மாதிரி இடம் ஒரு உண்மையான எண்களின் வரம்பாக அல்லது உண்மையான எண்களின் முழு தொகுப்பாக இருக்கும் சந்தர்ப்பங்கள் உள்ளன. இப்படிப்பட்ட மாறிகள் **தொடர்ச்சியானவை** என்று அழைக்கப்படுகின்றன. ஒரு நல்ல உதாரணம் பஸ் வரும் நேரம்.
+நிகழ்வுகள் பற்றி பேசும்போது, நாங்கள் **சீரற்ற மாறிலிகள்** ஐப் பயன்படுத்துகிறோம். உதாரணமாக, கறுக்கரடியை எறுகையில் வரும் எண்ணை பிரதிநிதித்துவப்படுத்தும் சீரற்ற மாறி 1 முதல் 6 வரை மதிப்புகளை எடுக்கலாம். 1 முதல் 6 வரையிலான எண்கள் தொகுதியை **மாதிரி வலைவாசகம்** என அழைக்கின்றோம். ஒரு சீரற்ற மாறி ஒரு குறிப்பிட்ட மதிப்பை எடுக்கிறதென சாத்தியக்கூறு பற்றி பேசலாம், உதாரணத்திற்கு P(X=3)=1/6.
 
-## சாத்தியக்கூறு பகிர்மானம்
+முந்தைய உதாரணத்தில் உள்ள சீரற்ற மாறி **அறைகுறி** என அழைக்கப்படுகிறது, ஏனெனில் இதன் மாதிரிவலைவாசகம் எண்ணிக்கையுடனானது, அதன் மதிப்புகள் தனித்தனியாக எண்ணப்படக்கூடியவை. மாதிரிவலைவாசகம் உண்மை எண்களின் ஒரு வரம்பாகவோ அல்லது முழு உண்மை எண்கள் தொகையாகவோ இருக்கக்கூடிய சூழ்நிலைகள் உள்ளன. அத்தகைய மாறிலிகள் **தரவாகமுள்ள** என அழைக்கப்படுகின்றன. ஒரு நல்ல உதாரணம் பஸ்சின் வருகை நேரம் ஆகும்.
 
-தொகுதி சீரற்ற மாறிகளின் சந்தர்ப்பத்தில், ஒவ்வொரு நிகழ்வின் சாத்தியக்கூறை P(X) என்ற செயல்பாட்டால் விவரிக்க எளிதானது. மாதிரி இடம் *S* இல் உள்ள ஒவ்வொரு மதிப்பிற்கும் *s* 0 முதல் 1 வரை ஒரு எண்ணை வழங்கும், மேலும் அனைத்து நிகழ்வுகளுக்கான P(X=s) மதிப்புகளின் மொத்தம் 1 ஆக இருக்கும்.
+## சாத்தியக்கூறு பகிர்வு
 
-மிகவும் பிரபலமான தொகுதி பகிர்மானம் **ஒரேபோன்ற பகிர்மானம்** ஆகும், இதில் N கூறுகளின் மாதிரி இடம் உள்ளது, ஒவ்வொன்றிற்கும் 1/N என்ற சமமான சாத்தியக்கூறு உள்ளது.
+தருகைவிட அறைகுறி மாறிலிகளின் நிலையத்தில், ஒவ்வொரு நிகழ்வின் சாத்தியக்கூறை P(X) என்ற செயல்பாட்டால் எளிதாக வரையறுக்கலாம். மாதிரிவலைவாசக S இல் உள்ள ஒவ்வொரு மதிப்புக்கு *s* இது 0 முதல் 1 வரை எண் கொடுக்கும், இதன் பெறுபவங்கள் அனைத்தும் P(X=s) இன் மொத்தம் 1 ஆகும்.
 
-தொடர்ச்சியான மாறியின் சாத்தியக்கூறு பகிர்மானத்தை விவரிக்க மிகவும் கடினம், [a,b] என்ற வரம்பிலிருந்து அல்லது உண்மையான எண்களின் முழு தொகுப்பிலிருந்து மதிப்புகள் எடுக்கப்பட்டுள்ளன. பஸ் வரும் நேரத்தை எடுத்துக்கொள்ளுங்கள். உண்மையில், ஒவ்வொரு குறிப்பிட்ட வருகை நேரத்திற்கும் *t*, பஸ் சரியாக அந்த நேரத்தில் வரும் சாத்தியக்கூறு 0!
+சராசரி அறைகுறி பகிர்வு மிகப்பெரிய அறிமுகமானது, இதில் மாதிரிவலைவாசக N உறுப்புகளைக் கொண்டது, ஒவ்வொன்றுக்கும் சமமான சாத்தியக்கூறு 1/N இருப்பது.
 
-> இப்போது சாத்தியக்கூறு 0 கொண்ட நிகழ்வுகள் நிகழ்வதை நீங்கள் அறிந்துள்ளீர்கள், மேலும் அவை அடிக்கடி நிகழ்கின்றன! குறைந்தபட்சம் பஸ் வரும் ஒவ்வொரு முறையும்!
+தரவாகமுள்ள மாறிலியில் மதிப்புகள் [a,b] என்ற இடைவெளியிலிருந்து எடுக்கப்பட்டு வரையறுக்கப்படும்போது அல்லது உண்மை எண்களின் முழு தொகையிலிருந்து எடுக்கும்போது சாத்தியக்கூறு பகிர்வை வரையறுக்குவது கடினம். பஸ்சின் வருகை நேரம் போன்ற சூழ்நிலையை எடுத்துக்கொள்ளுங்கள். உண்மையில், ஒவ்வொரு துல்லியமான வருகை நேரத்திலும் *t*, பஸ் அந்த நேரத்தில் வருவதாகும் சாத்தியக்கூறு 0 தான்!
 
-நாம் ஒரு மாறி ஒரு குறிப்பிட்ட மதிப்புகளின் இடைவெளியில் விழும் சாத்தியக்கூறைப் பற்றி மட்டுமே பேச முடியும், உதாரணமாக P(t<sub>1</sub>&le;X&lt;t<sub>2</sub>). இந்த சந்தர்ப்பத்தில், சாத்தியக்கூறு பகிர்மானம் **சாத்தியக்கூறு அடர்த்தி செயல்பாடு** p(x) மூலம் விவரிக்கப்படுகிறது, இது:
+> இப்போது நீங்கள் தெரிந்து கொண்டீர்கள் 0 சாத்தியக்கூறுடைய நிகழ்வுகள் நடக்கின்றன, பெரும்பாலும்! குறைந்தது பஸ் வந்த நேரங்களில் அப்படியே நேர்கிறது!
+
+ஒரு மாறிலி ஒரு குறிப்பிட்ட மதிப்புகளுக்குள் இருப்பதற்கான சாத்தியக்கூறை மட்டுமே பேசலாம், உதாரணத்திற்கு P(t<sub>1</sub>&le;X&lt;t<sub>2</sub>). இவ்வாறாக சாத்தியக்கூறு பகிர்வு **சாத்தியக்கூறு அடர்த்தி செயல்பாடு** p(x) என்றால் விவரிக்கப்படுகிறது, எனவே
 
 ![P(t_1\le X<t_2)=\int_{t_1}^{t_2}p(x)dx](../../../../translated_images/ta/probability-density.a8aad29f17a14afb.webp)
+  
+தரவாகமுள்ள நிலையான பகிர்விற்கு வடிவுரை **தரவாகமுள்ள நிலையான** என அழைக்கப்படுகிறது, இது ஒரு காலிய இடைவெளியில் வரையறுக்கப்படுகிறது. மதிப்பு X நீளம் l உள்ள இடைவெளியில் விருந்து பெறுவதற்கான சாத்தியக்கூறு l உடன் நேர்மறை தொடர்புடையது மற்றும் 1 வரை உயர்கிறது.
+
+மற்றொரு முக்கிய பகிர்வு **சாதாரண பகிர்வு** ஆகும், அதைப் பின்வரும் விவரிப்பில் விரிவாகப் பேசுவோம்.
+
+## சராசரி, வேறுபாடு மற்றும் நிலை உதிர்வு
+
+சீரற்ற மாறிலி X இன் n மாதிரிகளை அடுக்கமாக எடுத்துக்கொள்ளுங்கள்: x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>n</sub>. நாம் **சராசரி** (அல்லது **அரித்மெட்டிக் சராசரி**) மதிப்பை சாந்த பிரிவுக்கேற்ப (x<sub>1</sub>+x<sub>2</sub>+...+x<sub>n</sub>)/n இல் வரையறுக்கலாம். மாதிரியின் அளவை எழுப்பும்போது (n&rarr;&infin; இல் எல்லைக்கு செல்லும்போது), அந்த பகிர்வின் சராசரி (அல்லது **எதிர்பார்ப்பு**) பெறப்படும். எதிர்பார்ப்பை **E**(x) என குறிக்கிறோம்.
+
+> எந்த அறைகுறி பகிர்விற்கும் மதிப்புகள் {x<sub>1</sub>, x<sub>2</sub>, ..., x<sub>N</sub>} மற்றும் சரியான சாத்தியக்கூறுகள் p<sub>1</sub>, p<sub>2</sub>, ..., p<sub>N</sub> க்கான எதிர்பார்ப்பு E(X) = x<sub>1</sub>p<sub>1</sub> + x<sub>2</sub>p<sub>2</sub> + ... + x<sub>N</sub>p<sub>N</sub> ஆக இருக்கும் என்பதை காட்ட முடியும்.
+
+மதிப்புகள் எவ்வளவு பரவியுள்ளன என்பதை கண்டறிய வேறுபாடு &sigma;<sup>2</sup> = &sum;(x<sub>i</sub> - &mu;)<sup>2</sup>/n இல் கணக்கிடலாம், இங்கே &mu; என்பது சராசரி. &sigma; என்பது **நிலை உதிர்வு**, மற்றும் &sigma;<sup>2</sup> என்பது **வேறுபாடு** ஆகும்.
+
+## மோடு, மத்திய மற்றும் குவார்டைல்கள்
+
+சில சமயங்களில், சராசரி தரவுக்கான "சாதாரண" மதிப்பை போதுமான அளவு பிரதிபலிக்காது. சில உயர்ந்த மதிப்புகள் பலமாக இருந்தால் சராசரியை பாதிக்கக்கூடும். மற்றொரு மிக நல்ல குறிக்கோள் **மத்திய** ஆகும், அதாவது தரவு புள்ளிகளில் பாதி அதற்கு கீழாகவும், மற்ற பாதி மேலாகவும் இருக்கும் மதிப்பாகும்.
+
+தரவின் பகிர்வை புரிந்துகொள்ள **குவார்டைல்கள்** பற்றி பேசுவது உதவும்:
+
+* முதல் குவார்டைல் அல்லது Q1 என்பது 25% தரவு அதற்கு கீழே இருக்கும் மதிப்பாகும்
+* மூன்றாம் குவார்டைல் அல்லது Q3 என்பது 75% தரவு அதற்கு கீழே இருக்கும் மதிப்பாகும்
+
+கிராபியமாக நாம் மத்திய மற்றும் குவார்டைல்கள் உறவுகளை **பாக்ஸ் பிளாட்** என்ற வரைபடத்தில் காண்பிக்கலாம்:
+
+<img src="../../../../translated_images/ta/boxplot_explanation.4039b7de08780fd4.webp" alt="Box Plot Explanation" width="50%">
+
+இங்கு நாம் **இணைக்குவாரியாக்கப்பட்ட பரப்பு** IQR=Q3-Q1 மற்றும் **அதிகபட்ச மதிப்புகள்** என்று அழைக்கப்படும் மதிப்புகளை கணக்கிடலாம், அவை [Q1-1.5*IQR, Q3+1.5*IQR] வரம்புகளை மீறுகின்றன.
+
+செருகுமாறு பல மதிப்புகளைக் கொண்ட ஒரு நிலையான பகிர்வுக்கு மிகவும் "சாதாரண" மதிப்பு மிகவும் அடிக்கடி தோன்றும் மதிப்பாகும், அதுவே **மோடு** ஆகும். இது அடிக்கடி வகைமைகளைச் சார்ந்த தரவுகளுக்கு பயன்படுத்தப்படுகிறது, உதாரணமாக வண்ணங்களைப் பாருங்கள். நாம் இரண்டு அணிகளைக் கொண்டு இருப்பதாகக் கொள்ளுங்கள் - ஒருவர் சிவப்பை விரும்புவோர், மற்றோர் நீலத்தை விரும்புவோர். வண்ணங்களை எண்களால் குறியிடினால், விருப்ப வண்ணங்களுக்கான சராசரி மதிப்பு ஆரஞ்சு-பச்சை வரையில் இருக்கும், இது எந்த அணியின் விருப்பத்தையும் அழகாக காட்டாது. ஆனால் மோடு ஒரு வண்ணமாகவோ அல்லது இரு வண்ணங்களாகவும் இருக்கும், இரு வண்ணங்களின் வாக்குகள் சமமாக இருந்தால் (அதிகப்படியான மாதிரியை **பலமோடு** என அழைக்கிறோம்).
+
+## உண்மை உலகின் தரவு
+
+நாம் உண்மையான வாழ்க்கையிலிருந்து பெறும் தரவு சீரற்ற மாறிலிகள் அல்ல, ஏனெனில் நாம் தெரியாத முடிவுடன் பரிசோதனைகள் நடத்தவில்லை. உதாரணமாக, பீச்பால் வீரர்களின் குழுவையும், அவர்களது உடல் தகவல்களையும் எடுத்துக்கொள்ளுங்கள், உயரம், எடை மற்றும் வயது போன்றவை. அவை எல்லாம் பூரணமாக சீரற்றமில்லை, ஆனாலும் அதே கணிதக் கருத்துக்களை பயன்படுத்தலாம். உதாரணமாக, ஒரு மக்களின் எடைகளின் தொடர் ஒரு சீரற்ற மாறிலிலிருந்து எடுத்த மதிப்புகளாக கருதலாம். கீழே [பீச்பால் பந்துபந்தர்கள்](http://mlb.mlb.com/index.jsp) லிருந்து எடுக்கப்பட்ட 20 முதல் மதிப்புகள் உடைய வரிசை உள்ளது:
+
+```
+[180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0]
+```
+
+> **குறிப்பு**: இந்த தரவுத்தொகுப்புடன் வேலை செய்யும் உதாரணத்தைக் காண [இணைக்கப்பட்ட நோட்புக்](notebook.ipynb) பார்க்கவும். இந்த பாடத்தில் பல சவால்கள் உள்ளன; அவற்றை அந்த நோட்புக்கில் குறியீட்டை சேர்ப்பதன் மூலம் நிறைவேற்றலாம். தரவுகளில் எப்படி இயங்குவது தெரியவில்லை என்றால், கவலைப்பட வேண்டாம் - நாம் பின்னர் Python மூலம் தரவுடன் வேலை செய்வதை மீண்டும் காண்போம். நீங்கள் Jupyter நோட்புக்கில் குறியீட்டை எப்படி இயக்குவது தெரியவில்லை என்றால், [இந்த கட்டுரை](https://soshnikov.com/education/how-to-execute-notebooks-from-github/)னைக் காணவும்.
 
-ஒரேபோன்ற பகிர்மானத்தின் தொடர்ச்சியான இணையானது **தொடர்ச்சியான ஒரேபோன்ற** என்று அழைக்கப்படுகிறது, இது ஒரு முடிவான இடைவெளியில் வரையறுக்கப்பட்டுள்ளது. X மதிப்பு l நீளத்திற்குள் விழும் சாத்தியக்கூறு l-க்கு நிகராக இருக்கும், மேலும் 1 வரை உயர்கிறது.
+இது எங்கள் தரவுக்கான சராசரி, மத்திய மற்றும் குவார்டைல்கள் கொண்ட பாக்ஸ் பிளாட்:
 
-மற்றொரு முக்கியமான பகிர்மானம் **சாதாரண பகிர்மானம்**, இதைப் பற்றி கீழே மேலும் விரிவாக பேசுவோம்.
+![எடை பாக்ஸ் பிளாட்](../../../../translated_images/ta/weight-boxplot.1dbab1c03af26f8a.webp)
 
-## சராசரி, மாறுபாடு மற்றும் நிலையான சிதறல்
+எங்கள் தரவு ஒரு பல்வேறு வீரர் **பங்கு** பற்றிய தகவலை கொண்டதால், பங்கின்படி பாக்ஸ் பிளாட் செய்யலாம் - இது பங்குகளுக்கு இடையேயான அளவில்லாத வேறுபாடுகளை நமக்கு காட்டும். இம்முறை உயரத்தை எடுத்துக்கொள்ளலாம்:
 
-நாம் X என்ற சீரற்ற மாறியின் n மாதிரிகளின் வரிசையை வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து வரையறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiyறுத்து varaiy
-> **சுவாரஸ்யமான தகவல்**: மாணவர் விநியோகம் கணிதவியலாளர் வில்லியம் சீலி கோஸ்செட் என்பவரால் பெயரிடப்பட்டது. அவர் தனது ஆய்வை "Student" என்ற புனைபெயரில் வெளியிட்டார். அவர் கின்னஸ் பீர் தொழிற்சாலையில் வேலை செய்தார், மேலும் ஒரு பதிப்பின் படி, அவரது தொழிலதிபர், மூலப்பொருட்களின் தரத்தை நிர்ணயிக்க புள்ளியியல் சோதனைகளை பயன்படுத்துவதை பொதுமக்கள் அறிய விரும்பவில்லை.
+![பங்குபடி பாக்ஸ் பிளாட்](../../../../translated_images/ta/boxplot_byrole.036b27a1c3f52d42.webp)
 
-நாம் நமது மக்கள் தொகையின் சராசரி &mu; ஐ நம்பகத்தன்மை p உடன் மதிப்பீடு செய்ய விரும்பினால், நாம் * (1-p)/2-வது சதவீதத்தை * மாணவர் விநியோகம் A இல் எடுக்க வேண்டும், இது அட்டவணைகளிலிருந்து எடுக்கப்படலாம் அல்லது புள்ளியியல் மென்பொருள் (எ.கா. Python, R, போன்றவை) சில உள்ளமைக்கப்பட்ட செயல்பாடுகளைப் பயன்படுத்தி கணக்கிடலாம். பின்னர் &mu; க்கான இடைவெளி X&pm;A*D/&radic;n ஆக இருக்கும், இதில் X என்பது மாதிரியின் பெறப்பட்ட சராசரி, D என்பது நிலையான சிதறல்.
+இந்த வரைபடம், சுதந்தர பந்துபந்தர் ஒருவர் உயரம் இரண்டாம் நிலை பந்துபந்தரின் உயரத்தைவிட அதிகமாக உள்ளது என்பதை సూచிக்கிறது. இந்த பாடத்தில் பின்னர் நாம் இந்த ஊகத்தைக் கட்டுப்படுத்தி சோதிப்பதையும், எங்கள் தரவு பொருத்தமானவையாக உள்ளதா என்பதை எப்படி பரிசோதிப்பதையும் கற்றுக்கொள்வோம்.
 
-> **குறிப்பு**: மாணவர் விநியோகத்துடன் தொடர்புடைய முக்கியமான கருத்தான [சுதந்திரத்தின் அளவுகள்](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) பற்றிய விவாதத்தை நாங்கள் தவிர்க்கிறோம். இந்த கருத்தை ஆழமாகப் புரிந்துகொள்ள புள்ளியியல் தொடர்பான முழுமையான புத்தகங்களைப் பார்க்கலாம்.
+> உண்மையான உலக தரவுடன் பணியாற்றும்போது, அனைத்து தரவுப் புள்ளிகளும் ஒரு சாத்தியக்கூறு பகிர்விலிருந்து எடுத்த மாதிரிகள் எனக் கருதப்படுவதாக நாம் எண்ணுகிறோம். இந்த எண்ணம் இயந்திரக் கற்றல் தொழில்நுட்பங்களை பயன்படுத்தி முன்னறிவிக்கப்பட்ட மாதிரிகளை கட்டுவதற்கு உதவும்.
 
-எடை மற்றும் உயரங்களுக்கு நம்பகத்தன்மை இடைவெளியை கணக்கிடுவதற்கான ஒரு எடுத்துக்காட்டு [இணைக்கப்பட்ட நோட்புக்குகளில்](notebook.ipynb) கொடுக்கப்பட்டுள்ளது.
+எங்கள் தரவின் பகிர்வை காண **ஹிஸ்டோகிராம்** எனப்படும் விளக்கப்படத்தை வரையலாம். X-அச்சில் பல்வேறு எடை இடைவெளிகள் (கூறப்படுபவை **பின்கள்**) இருக்கும், மற்றும் சில வழுக்கைக்கருந்துகளின் எண்ணிக்கை கொடுக்கப்படும்.
+
+![உண்மை உலக தரவு ஹிஸ்டோகிராம்](../../../../translated_images/ta/weight-histogram.bfd00caf7fc30b14.webp)
+
+இந்த ஹிஸ்டோகிராமிலிருந்து அனைவரும் ஒரு சராசரி எடையைச் சுற்றி மையமாக்கப்பட்டிருப்பதைப் பார்க்கலாம், அதில் இருந்து விரியும்போது எடைகள் குறைவாக இருக்கின்றன. அதாவது பீச்பால் வீரரின் எடை சராசரி எடையிலிருந்து மிகவும் வித்தியாசமாக இருப்பது மிகவும் சாத்தியக்குறைவு. எடையின் வேறுபாடுகள் எடைகள் சராசரி மதிப்பிலிருந்து எப்படி வேறுபடக்கூடியது என்பதை காட்டுகிறது.
+
+> மற்ற மக்களின் எடைகள் எடுத்துக் கொள்ளப்பட்டால், பீச்பால் லீக் அல்லாதவர்கள், பகிர்வு வேறுபடக்கூடியது. ஆனால் பகிர்வின் வடிவம் அதே மாதிரியாக இருக்கும், ஆனால் சராசரி மற்றும் வேறுபாடு மாறும். ஆகவே, எங்கள் மாதிரியை பீச்பால் வீரர்களில் பயிற்சி செய்தால், கல்லூரி மாணவர்களுக்கு தவறான முடிவுகளை வழங்கக்கூடும், ஏனெனில் அடிப்படை பகிர்வு வேறுபட்டது.
+
+## சாதாரண பகிர்வு
+
+மேலே கண்ட எடை பகிர்வு மிகவும் சாதாரணமானது, மற்றும் பல உண்மை உலக அளவைகள் இதே வகை பகிர்வை பின்பற்றுகின்றன, ஆனால் வேறுபட்ட சராசரி மற்றும் வேறுபாடுகளுடன். இதை **சாதாரண பகிர்வு** என அழைக்கின்றனர், இது கணக்கியல் கணக்குகளில் மிக முக்கியப் பங்கு வகிக்கிறது.
+
+சாதாரண பகிர்வை பயன்படுத்தி சாத்தியக்கூறான எடைகளை உருவாக்குவது சரியான வழி. சராசரி எடை `mean` மற்றும் நிலை உதிர்வு `std` தெரிந்தால், 1000 எடை மாதிரிகளை கீழ்காணும் முறையில் உருவாக்கலாம்:
+```python
+samples = np.random.normal(mean,std,1000)
+``` 
+
+உருவாக்கிய மாதிரிகளின் ஹிஸ்டோகிராம் வரையப்பட்டால் மேலுள்ள படத்தைப் போன்ற உருவம் காணப்படும். மாதிரிகளின் எண்ணிக்கையை மற்றும் பின்களின் எண்ணிக்கையை அதிகரித்தால், ஒருத்தப்படிவமான சாதாரண பகிர்வு உருவ மாறு வருகிறது:
+
+![சாதாரண பகிர்வு, mean=0 மற்றும் std.dev=1](../../../../translated_images/ta/normal-histogram.dfae0d67c202137d.webp)
+
+*சாதாரண பகிர்வு mean=0 மற்றும் std.dev=1*
+
+## நம்பிக்கை இடைவெளிகள்
+
+பீச்பால் வீரர்களின் எடைகள் பற்றி பேசும் போது நாம் ஒரு **சீரற்ற மாறி W** உள்ளது என கருத்ததாகும், இது அனைத்து பீச்பால் வீரர்களின் (அதாவது **மக்கள் தொகை**) எடைகளின் சரியான சாத்தியக்கூறு பகிர்வுடன் பொருந்தும். எங்கள் எடைகளின் தொடர் மக்கள் தொகையின் ஒரு துணைக்கூட்டமாகவும் கருதப்படுகிறது, அதனை **மாதிரி** என அழைக்கின்றோம். ஒரு விருப்பமான கேள்வி; மக்கள் தொகையின் பகிர்வின் பண்புகளை, அதாவது சராசரி மற்றும் வேறுபாடு தெரிந்து கொள்ள முடியுமா?
+
+எளிய பதில் எங்கள் மாதிரியின் சராசரி மற்றும் வேறுபாட்டைக் கணக்கிடுவதாக இருக்கும். எனினும் எங்கள் சீரற்ற மாதிரி முழுமையான மக்கள்தொகையை சரியாக பிரதிபலிக்காதபோதும் இருக்கக்கூடும். இதனால் **நம்பிக்கை இடைவெளி** பற்றி பேச வேண்டும்.
+
+> **நம்பிக்கை இடைவெளி** என்பது எங்கள் மாதிரிக்குக் கொடுக்கப்பட்ட மக்கள்தொகையின் உண்மையான சராசரியின் மதிப்பீடு ஆகும், இது ஒரு குறிப்பிட்ட சாத்தியக்கூறை (அல்லது **நம்பிக்கை அளவு**) கொண்டது.
+
+நாம் எங்கள் பகிர்விலிருந்து X<sub>1</sub>, ..., X<sub>n</sub> மாதிரிகள் கொண்டதாகக் கொள்ளவும். ஒவ்வொரு முறையும் மாதிரி எடுத்தால் வெவ்வேறு சராசரி மதிப்புகள் &mu; பெறப்படும். ஆக &mu; ஒரு சீரற்ற மாறியாக கருதப்படும். நம்பிக்கை அளவு p கொண்ட நம்பிக்கை இடைவெளி (L<sub>p</sub>, R<sub>p</sub>) என்பது **P**(L<sub>p</sub>&leq;&mu;&leq;R<sub>p</sub>) = p எனத்தான் வரையறுக்கப்படுகிறது, அதாவது சராசரி மதிப்பு அந்த இடைவெளியில் வருவதற்கான சாத்தியக் குறிமு p ஆகும்.
+
+இந்த நம்பிக்கை இடைவெளிகள் எப்படி கணக்கிடப்படுகின்றன என்பதில் விரிவாக விவாதிப்பதற்கு இங்கு இடமில்லை. சில கூடுதல் தகவல்கள் [விக்கிப்பீடியாவில்](https://en.wikipedia.org/wiki/Confidence_interval) கிடைக்கின்றன. சுருக்கமாக, மக்கள் தொகையின் உண்மையான சராசரியுடன் ஒப்பிடுகையில் கணக்கிடப்பட்ட மாதிரி சராசரியின் பகிர்வை நாங்கள் வரையறுக்கின்றோம், இதனை **பள்ளி மாணவர் பகிர்வு** என அழைக்கிறோம்.
+> **ஆசிரியமான தகவல்**: மாணவர் பகிர்வு மதிப்பீடு வில்லியம் சீலி கோஸெட் என்னும் கணிதவியலாளர் பெயரால் பெயரிடப்பட்டுள்ளது, அவர் தனது கட்டுரையை "மாணவர்" என்ற புகாரலிங்கத்தில் வெளியிட்டுள்ளார். அவர் கினஸ்ஸு பியூரியில் பணியாற்றினார், மற்றும், ஒரு பதிப்பின் படி, அவரது வேலைதாரர் பொதுமக்கள் தணிக்கைச் சோதனைகளை இயற்றி கச்சா பொருட்களின் தரத்தை தீர்மானிப்பதை அறிய விரும்பவில்லை.
+
+நாம் நமது மக்கள் தொகையின் சராசரி &mu;-ஐ நம்பிக்கையுடன் p கணக்கிட விரும்பினால், மாணவர் பகிர்வின் *(1-p)/2-ஆம் சதவீதம்* A-ஐ எடுக்க வேண்டும், இது அட்டவணைகளில் இருந்து எடுக்கப்படலாம் அல்லது புள்ளியியல் மென்பொருள் (எ.கா. Python, R, போன்றவை) இல் உள்ள சில கட்டமைக்கப்பட்ட செயல்பாடுகளைப் பயன்படுத்தி கணக்கிடப்படலாம். பின்னர் &mu;-க்கு இடைப்பட்ட பகுதி X&pm;A*D/&radic;n என வழங்கப்படும், இங்கு X மாதிரியில் பெறப்பட்ட சராசரி, D என்பது தரநிலை மாற்றம் ஆகும்.
+
+> **குறிப்பு**: மாணவர் பகிர்விற்கு முக்கியமான ஒரு கருத்தான [சுதந்திர நிலைகள்](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)) பற்றி விவாதத்தை நாம் தவிர்க்கிறோம். இந்த கருத்தை ஆராய மேலும் முழுமையான புள்ளியியல் புத்தகங்களை பார்க்கலாம்.
+
+எடைகளுக்கும் உயரங்களுக்கும் நம்பிக்கை இடைப்பட்ட பகுதி கணக்கிடும் உதாரணம் [இணைப்பு நோட்புக்](notebook.ipynb) இல் கொடுக்கப்பட்டுள்ளது.
 
 | p | எடை சராசரி |
 |-----|-----------|
@@ -53,47 +132,47 @@
 | 0.90 | 201.73±1.08 |
 | 0.95 | 201.73±1.28 |
 
-நம்பகத்தன்மை சாத்தியக்கூறுகள் அதிகமாக இருக்கும் போது, நம்பகத்தன்மை இடைவெளி பரந்ததாக இருக்கும் என்பதை கவனிக்கவும்.
+நம்பிக்கை வாய்ப்பு அதிகமான போதும், நம்பிக்கை இடைப்பட்ட பகுதி பரவலாக இருக்கும் என்பதை கவனிக்கவும்.
 
 ## கருதுகோள் சோதனை
 
-நமது பேஸ்பால் வீரர்களின் தரவுத்தொகுப்பில், வெவ்வேறு வீரர் பங்குகள் உள்ளன, அவற்றை கீழே சுருக்கமாகக் காணலாம் ([இணைக்கப்பட்ட நோட்புக்கை](notebook.ipynb) பார்க்கவும்):
+நமது பேஸ்பால் வீரர்கள் தரவுத்தொகுப்பில் பல்வேறு வீரர் பங்குகள் உள்ளன, அவை கீழே தொகுக்கப்பட்டுள்ளன ([இணைப்பு நோட்புக்](notebook.ipynb) இல் இந்த அட்டவணை எப்படி கணக்கிடப்படுகிறது என்பதைக் காணலாம்):
 
 | பங்கு | உயரம் | எடை | எண்ணிக்கை |
 |------|--------|--------|-------|
-| Catcher | 72.723684 | 204.328947 | 76 |
-| Designated_Hitter | 74.222222 | 220.888889 | 18 |
-| First_Baseman | 74.000000 | 213.109091 | 55 |
-| Outfielder | 73.010309 | 199.113402 | 194 |
-| Relief_Pitcher | 74.374603 | 203.517460 | 315 |
-| Second_Baseman | 71.362069 | 184.344828 | 58 |
-| Shortstop | 71.903846 | 182.923077 | 52 |
-| Starting_Pitcher | 74.719457 | 205.163636 | 221 |
-| Third_Baseman | 73.044444 | 200.955556 | 45 |
+| பிடிப்பவர் | 72.723684 | 204.328947 | 76 |
+| நியமிக்கப்பட்ட தாக்குநர் | 74.222222 | 220.888889 | 18 |
+| முதலாம் அடிக்கடி | 74.000000 | 213.109091 | 55 |
+| வெளிநிலை வீரர் | 73.010309 | 199.113402 | 194 |
+| உதவி பிச்சர் | 74.374603 | 203.517460 | 315 |
+| இரண்டாம் அடிக்கடி | 71.362069 | 184.344828 | 58 |
+| குறுகிய இடைவெளி | 71.903846 | 182.923077 | 52 |
+| தொடக்க பிச்சர் | 74.719457 | 205.163636 | 221 |
+| மூன்றாம் அடிக்கடி | 73.044444 | 200.955556 | 45 |
 
-First Basemen க்களின் சராசரி உயரம் Second Basemen க்களின் உயரத்தை விட அதிகமாக உள்ளது என்பதை நாம் கவனிக்கலாம். எனவே, **First Basemen க்கள் Second Basemen க்களை விட உயரமாக உள்ளனர்** என்று நாம் முடிவு செய்யலாம்.
+நமக்கு தென்படுவது, முதலாம் அடிக்கடியோர் உயரம் இரண்டாம் அடிக்கடியோர் உயரத்தைவிட உயரமாக உள்ளது. ஆகையால், நாம் முடிவு எடுக்க விரும்பலாம், **முதலாம் அடிக்கடியோர் இரண்டாம் அடிக்கடியோரைக் காட்டிலும் உயரமானவர்கள்** என.
 
-> இந்த அறிக்கையை **கருதுகோள்** என்று அழைக்கப்படுகிறது, ஏனெனில் இந்த உண்மை உண்மையில் உண்மையா இல்லையா என்பதை நாங்கள் அறியவில்லை.
+> இந்த அறிக்கை **கருதுகோள்** என அழைக்கப்படுகிறது, ஏனெனில் இந்த உண்மை உண்மையிலேயே இருக்கிறதா என்பதைக் நாம் அறியவில்லை.
 
-எனினும், இந்த முடிவை எடுக்க முடியும் என்பதைத் தீர்மானிக்க எளிதாக இல்லை. மேலே உள்ள விவாதத்திலிருந்து, ஒவ்வொரு சராசரிக்கும் தொடர்புடைய நம்பகத்தன்மை இடைவெளி உள்ளது என்பதை நாங்கள் அறிந்துள்ளோம், எனவே இந்த வேறுபாடு புள்ளியியல் பிழையாக இருக்கலாம். நாங்கள் எங்கள் கருதுகோளை சோதிக்க ஒரு முறையான வழியை தேவைப்படுகிறது.
+எனினும், எப்போதும் இதன் முடிவுக்கு வர முடியாது. மேலே உள்ள விவாதத்திலிருந்து, ஒவ்வொரு சராசரிக்கும் நம்பிக்கை இடைப்பட்ட பகுதி இருப்பதை அறிவோம், அதுவே புள்ளியியல் தவறாக இருக்கலாம் என்பதைக் காட்டுகிறது. நமக்கு எங்கள் கருதுகோளை சோதிக்க சில முறையான வழிகள் தேவை.
 
-First மற்றும் Second Basemen க்களின் உயரங்களுக்கு தனித்தனியாக நம்பகத்தன்மை இடைவெளிகளை கணக்கிடுவோம்:
+முதலாம் மற்றும் இரண்டாம் அடிக்கடியோரின் உயரங்களுக்கு வேறுபட்ட நம்பிக்கை இடைப்பட்ட பகுதிகளை கணக்கிடுவோம்:
 
-| நம்பகத்தன்மை | First Basemen | Second Basemen |
+| நம்பிக்கை | முதலாம் அடிக்கடி | இரண்டாம் அடிக்கடி |
 |------------|---------------|----------------|
 | 0.85 | 73.62..74.38 | 71.04..71.69 |
 | 0.90 | 73.56..74.44 | 70.99..71.73 |
 | 0.95 | 73.47..74.53 | 70.92..71.81 |
 
-எந்த நம்பகத்தன்மையிலும் இடைவெளிகள் ஒட்டவில்லை என்பதை நாம் காணலாம். இது First Basemen க்கள் Second Basemen க்களை விட உயரமாக உள்ளனர் என்ற எங்கள் கருதுகோளை நிரூபிக்கிறது.
+எங்கும் இடைப்பட்ட பகுதிகள் மோதவில்லை என்பதைக் காண முடிகிறது. இதனால் எங்கள் கருதுகோள் சரி என்பதைக் நிரூபிக்கிறது.
 
-மேலும் முறையாக, நாம் தீர்மானிக்க முயற்சிக்கும் பிரச்சனை **இரண்டு சாத்தியக்கூறு விநியோகங்கள் ஒரே மாதிரியானவை** அல்லது குறைந்தபட்சம் ஒரே அளவுகளை கொண்டுள்ளன என்பதைப் பார்க்க வேண்டும். விநியோகம் அடிப்படையில், அதற்கான சோதனைகள் வேறுபடும். நமது விநியோகங்கள் சாதாரணமானவை என்று நாம் அறிந்தால், **[Student t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)** ஐ பயன்படுத்தலாம்.
+குடும்பமாக, நாம் தீர்க்கும் பிரச்சனை **இரு புள்ளியியல் பகிர்வுகளும் ஒரே மாதிரியாக உள்ளனவா**, அல்லது குறைந்தது ஒரே அளவுருக்களைப் பகிர்கிறதா என்பதைப் பார்ப்பதே ஆகும். பகிர்வு அடிப்படையில், நாம் அதற்கு வெவ்வேறு சோதனைகளைப் பயன்படுத்த வேண்டும். எங்கள் பகிர்வுகள் சாதாரணம் என்பதை தெரிந்தாலும், நாம் **[மாணவர் t-சோதனை](https://en.wikipedia.org/wiki/Student%27s_t-test)** பயன்படுத்தலாம்.
 
-Student t-test இல், சராசரிகளுக்கிடையிலான வேறுபாட்டை, சிதறலைக் கருத்தில் கொண்டு, **t-value** எனப்படும் மதிப்பை கணக்கிடுகிறோம். t-value **Student distribution** ஐ பின்பற்றுகிறது என்பதை நிரூபிக்கப்படுகிறது, இது நம்பகத்தன்மை அளவுக்கு **p** க்கான உச்ச மதிப்பை பெற அனுமதிக்கிறது (இது கணக்கிடப்படலாம் அல்லது எண் அட்டவணைகளில் பார்க்கலாம்). பின்னர் t-value ஐ இந்த உச்ச மதிப்புடன் ஒப்பிட்டு கருதுகோளை ஒப்புக்கொள்கிறோம் அல்லது நிராகரிக்கிறோம்.
+மாணவர் t-சோதனையில், **t-மதிப்பு** என்றதை கணக்கிடுகிறோம், இது சராசரிகளில் உள்ள வேறுபாட்டை வேறுபாடு கொண்டு காட்டுகிறது. t-மதிப்பு **மாணவர் பகிர்வை** பின்பற்றுவதை காட்டுகிறது, இதனால் தகுந்த நம்பிக்கை மட்டத்திற்கு பொருந்தும் நெருக்கமான மதிப்பை பெற முடியும் (இதனை கணக்கிடலாம் அல்லது எண் அட்டவணைகளில் காணலாம்). பின்னர் t-மதிப்பை அந்த மதிப்புடன் ஒப்பிட்டு கருதுகோளை ஏற்றவோ மறுக்கவோ முடிவு செய்கிறோம்.
 
-Python இல், **SciPy** தொகுப்பைப் பயன்படுத்தலாம், இது `ttest_ind` செயல்பாட்டை உள்ளடக்கியது (மற்ற பல பயனுள்ள புள்ளியியல் செயல்பாடுகளுடன்!). இது t-value ஐ நமக்காக கணக்கிடுகிறது, மேலும் நம்பகத்தன்மை p-value ஐத் திரும்பப் பெறுகிறது, எனவே நாங்கள் முடிவுகளை வரையறுக்க நம்பகத்தன்மையைப் பார்க்கலாம்.
+Python இல், **SciPy** தொகுப்பை பயன்படுத்தலாம், அதில் `ttest_ind` செயல்பாடு உள்ளது (பல புள்ளியியல் செயல்பாடுகளுக்குக் கூட!). இது நமக்கு t-மதிப்பை கணக்கிடுகிறது மற்றும் நம்பிக்கை p-மதிப்பைத் திருப்பி விடுகிறது, எனவே நாம் சுலபமாக முடிவை வரையலாம்.
 
-உதாரணமாக, First மற்றும் Second Basemen க்களின் உயரங்களை ஒப்பிடும் போது, நமக்கு பின்வரும் முடிவுகள் கிடைக்கின்றன:
+உதாரணமாக, முதலாம் மற்றும் இரண்டாம் அடிக்கடியோரின் உயரங்களை ஒப்பிட்டு பெறப்பட்ட முடிவுகள்:
 ```python
 from scipy.stats import ttest_ind
 
@@ -104,87 +183,90 @@ print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}")
 T-value = 7.65
 P-value: 9.137321189738925e-12
 ```
-நமது நிலைமையில், p-value மிகவும் குறைவாக உள்ளது, இது First Basemen க்கள் உயரமாக உள்ளனர் என்பதை ஆதரிக்கும் வலுவான ஆதாரத்தை குறிக்கிறது.
+எங்கள் நிலைமையில், p-மதிப்பு மிகவும் குறைவு, இது முதலாம் அடிக்கடியோர் உயரமானவர்கள் என்பதற்கு பல ஆதாரங்களை வழங்குகிறது.
 
-நாம் சோதிக்க விரும்பும் மற்ற கருதுகோள்களின் வகைகள் பல உள்ளன, உதாரணமாக:
-* ஒரு குறிப்பிட்ட மாதிரி ஒரு விநியோகத்தை பின்பற்றுகிறது என்பதை நிரூபிக்க. நமது நிலைமையில், உயரங்கள் சாதாரணமாக விநியோகிக்கப்படுகின்றன என்று நாம் கருதுகிறோம், ஆனால் அதற்கு முறையான புள்ளியியல் சரிபார்ப்பு தேவை.
-* ஒரு மாதிரியின் சராசரி மதிப்பு ஒரு முன்கூட்டிய மதிப்புடன் பொருந்துகிறது என்பதை நிரூபிக்க
-* பல மாதிரிகளின் சராசரிகளை ஒப்பிடுங்கள் (எ.கா. வெவ்வேறு வயது குழுக்களில் மகிழ்ச்சியின் நிலைமைகளில் வேறுபாடு என்ன)
+மேலும் பலவிதமான கருதுகோள்களை நாம் சோதிக்கலாம், உதாரணங்கள்:
+* கொடுக்கப்பட்ட மாதிரி புள்ளி எந்த பகிர்வையும் பின்பற்றுகிறதா என்பதை நிரூபிக்க. நமது நிலையில், உயரங்கள் சாதாரண பகிர்வாகப் பரிசீலிக்கப்படுகின்றன, ஆனால் அது புள்ளியியல் சான்றுடன் உறுதிப்படுத்தப்பட வேண்டும்.
+* மாதிரியின் சராசரி மதிப்பு ஏதாவது முன்கூட்டியே தீர்மானிக்கப்பட்ட மதிப்புடன் பொருந்துகிறதா என்பதை நிரூபிக்க.
+* பல மாதிரிகளின் சராசரிகளை ஒப்பிட (எ.கா., வெவ்வேறு வயதுப் பிரிவுகளில் மகிழ்ச்சி அளவில் உள்ள வேறுபாடுகள் என்ன).
 
-## Law of Large Numbers மற்றும் Central Limit Theorem
+## பெரிய எண்கள் சட்டம் மற்றும் மைய வரம்பு தீர்மானம்
 
-சாதாரண விநியோகம் ஏன் முக்கியமானது என்பதற்கான காரணங்களில் ஒன்று **Central Limit Theorem** ஆகும். N<sub>1</sub>, ..., X<sub>N</sub> எனும் N மதிப்புகளின் பெரிய மாதிரியை எடுக்கிறோம், இது எந்த விநியோகத்திலிருந்தும் சராசரி &mu; மற்றும் சிதறல் &sigma;<sup>2</sup> உடன் எடுக்கப்படுகிறது. பின்னர், N (மற்ற வார்த்தைகளில், N&rarr;&infin;) போதுமான அளவு பெரியதாக இருக்கும் போது, சராசரி &Sigma;<sub>i</sub>X<sub>i</sub> சாதாரணமாக விநியோகிக்கப்படும், சராசரி &mu; மற்றும் சிதறல் &sigma;<sup>2</sup>/N உடன்.
+சாதாரண பகிர்வு முக்கியமானதானது என்பது அதன் பெயரில் உள்ள **மைய வரம்பு தீர்மானத்தால்** ஆகும். பெரும் மாதிரி N இடம்பெற்றுள்ளன X<sub>1</sub>, ..., X<sub>N</sub>, எந்த பகிர்விலிருந்தும் &mu;, &sigma;<sup>2</sup> என்ற சராசரி மற்றும் வேறுபாட்டுள்ளன. பெரிய N-க்கு (அதாவது N&rarr;&infin;), சராசரி &Sigma;<sub>i</sub>X<sub>i</sub> சாதாரணமாக பகிரப்படும், சராசரி &mu; மற்றும் வேறுபாடு &sigma;<sup>2</sup>/N ஆக இருக்கும்.
 
-> Central Limit Theorem ஐ வேறு ஒரு வழியில் விளக்குவது, எந்த சீரற்ற மாறிலி மதிப்புகளின் தொகையின் சராசரியை நீங்கள் கணக்கிடும்போது, நீங்கள் சாதாரண விநியோகத்தை பெறுவீர்கள் என்று கூறுவது.
+> மைய வரம்பு தீர்மானத்தை வேறு வகையில் சொல்லவேண்டுமானால், எந்த பகிர்வானாலும், எந்தயொரு அடிக்கடி மதிப்புகளின் சராசரி எடுக்கப்பட்டாலும், அது சாதாரண புள்ளியியலுக்கு வருவதாக பயனுள்ளது.
 
-Central Limit Theorem இல் இருந்து, N&rarr;&infin; என்றால், மாதிரி சராசரி &mu; ஐ சமமாக இருக்க வாய்ப்பு 1 ஆக மாறும். இது **Law of Large Numbers** என்று அறியப்படுகிறது.
+மேலும், N&rarr;&infin; ஆக வேறுபாடு வரும்போது மாதிரி சராசரி &mu;-க்கு சமமாகும் சாத்தியகம் 1 ஆகிறது. இதேவை **பெரிய எண்கள் சட்டம்** என அழைக்கப்படுகிறது.
 
-## Covariance மற்றும் Correlation
+## கூட்டுச் சுழற்சி மற்றும் தொடர்பு
 
-தரவைப் பற்றிய தொடர்புகளை கண்டறிவது Data Science இன் முக்கிய பணி. இரண்டு வரிசைகள் **correlate** ஆகின்றன என்று நாம் கூறுகிறோம், அவை ஒரே நேரத்தில் ஒரே மாதிரியான நடத்தை காட்டும் போது, அதாவது அவை ஒரே நேரத்தில் உயர்ந்தாலும்/குறைந்தாலும், அல்லது ஒரு வரிசை உயர்ந்தால் மற்றொன்று குறையும் மற்றும் மாறாக. மற்ற வார்த்தைகளில், இரண்டு வரிசைகளுக்கு இடையில் ஒரு தொடர்பு இருப்பது போல தோன்றுகிறது.
+தரவு அறிவியலில் ஒன்று செய்கிறதென்றால், தரவுகளுக்கு இடையே உறவுகளை கண்டறிவதுதான். இரண்டு தொடர்கள் ஒரே நேரத்தில் ஒத்த நடந்துகொண்டும் (எ.கா. இரண்டும் ஏற்றத்திலும் அல்லது இறங்குதிலும் இருக்கிறது), அல்லது ஒன்று ஏறும்போது மற்றொன்று இறங்கும் போல் இருப்பினும், அவை **தேடுபாடு** (correlate) ஆகும். அதாவது, இரண்டு தொடர்களுக்கு இடையேயான தொடர்பு இருக்கிறது.
 
-> Correlation என்பது இரண்டு வரிசைகளுக்கு இடையிலான காரணமான தொடர்பை அவசியமாகக் குறிக்காது; சில நேரங்களில் இரு மாறிலிகளும் ஒரு வெளிப்புற காரணத்தைப் பொறுத்து இருக்கலாம், அல்லது இரண்டு வரிசைகள் தொடர்புடையது என்பது முற்றிலும் சாத்தியமாக இருக்கலாம். எனினும், வலுவான கணித தொடர்பு இரண்டு மாறிலிகள் எப்படியாவது இணைக்கப்பட்டுள்ளன என்பதைச் சுட்டிக்காட்டும்.
+> தேடுபாடு எப்போதும் காரண உறவு என்பதை இருக்க வைக்காது; சில நேரங்களில் இரண்டு மாறிலிகள் வெளிப்புற காரணத்தால் சார்ந்ததா கா இருந்தும், இது சீரற்ற வாய்ப்பாக இரண்டு தொடர்கள் தொடர்புள்ளன என்றவாறு இருக்கலாம். இருப்பினும் உறுதியான கணிதம் அடிப்படையிலான தேடுபாடு என்றால் அவை தொடர்புடைய இருப்பதாகும்.
 
-கணித ரீதியாக, இரண்டு சீரற்ற மாறிலிகளுக்கு இடையிலான தொடர்பை காட்டும் முக்கியமான கருத்து **Covariance** ஆகும், இது இவ்வாறு கணக்கிடப்படுகிறது: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. இரண்டு மாறிலிகளின் சராசரி மதிப்புகளிலிருந்து சிதறலைக் கணக்கிடுகிறோம், பின்னர் அந்த சிதறல்களின் பெருக்கம். இரண்டு மாறிலிகள் ஒன்றாக சிதறினால், பெருக்கம் எப்போதும் நேர்மறை மதிப்பாக இருக்கும், இது நேர்மறை Covariance ஆக சேர்க்கப்படும். இரண்டு மாறிலிகள் ஒத்திசைவற்ற சிதறல்களை (அதாவது ஒன்று சராசரிக்கு கீழே விழும் போது மற்றொன்று சராசரிக்கு மேல் உயர்ந்தால்) வெளிப்படுத்தினால், எப்போதும் எதிர்மறை எண்களைப் பெறுவோம், இது எதிர்மறை Covariance ஆக சேர்க்கப்படும். சிதறல்கள் சார்ந்தவை அல்ல என்றால், அவை சுமார் பூஜ்யமாக சேர்க்கப்படும்.
+கணிதமுறை விதியாக, இரண்டு அலைவரிசைகளின் உறவை காட்டும் பிரதான கருத்து **கூட்டுச் சுழற்சி** ஆகும், இவ்வாறு கணக்கிடப்படுகிறது: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. இரு மாறிலியின் சராசரிகளிலிருந்து விலகலைவே கணக்கிட்டு, அவற்றின் பெருக்கலை எடுத்தல். இரு மாறிலிகள் ஒரே நேரத்தில் விலகினால், பெருக்கல் எப்போதும் நேர்மறையான மதிப்பு, இது நேர்மறை கூட்டுச் சுழற்சிக்கு வழிவகுக்கும். ஒரே நேரத்தில் விலகாமல் இருந்தால் (எ.கா. ஒன்று சராசரிக்கு கீழே செல்லும்போது மற்றொன்று மேல் போகுவது போன்ற), எப்போதும் எதிர்மறை மதிப்புகள் வரும், இது எதிர்மறை கூட்டுச் சுழற்சியை அளிக்கும். விலகல்கள் சார்ந்தில்லாதால், அவை சுமார் பூஜ்ஜியமாகச் சேரும்.
 
-Covariance இன் முழு மதிப்பு, தொடர்பு எவ்வளவு பெரியது என்பதை எங்களுக்கு அதிகமாகச் சொல்லாது, ஏனெனில் இது உண்மையான மதிப்புகளின் அளவினைப் பொறுத்தது. அதை சாதாரணமாக்க, இரண்டு மாறிலிகளின் நிலையான சிதறலால் Covariance ஐப் பிரிக்கலாம், **Correlation** ஐப் பெற. நல்ல விஷயம் என்னவென்றால், Correlation எப்போதும் [-1,1] வரம்பில் இருக்கும், இதில் 1 என்பது மதிப்புகளுக்கு இடையிலான வலுவான நேர்மறை தொடர்பை குறிக்கிறது, -1 - வலுவான எதிர்மறை தொடர்பு, மற்றும் 0 - எந்த தொடர்பும் இல்லை (மாறிலிகள் சுதந்திரமானவை).
+கூட்டுச் சுழற்சியின் முழுமையான மதிப்பு தொடர்பின் அளவைத் தெரிவிக்காது, ஏனெனில் அது மதிப்புகளின் அளவுக்கு சார்ந்தது. இதன் அளவுருவாக, கூட்டுச் சுழற்சியை இரு மாறிலிகளின் தரநிலை மாற்றத்தால் வகுத்து **தொடர்பு** பெறுகிறோம். இது எப்போதும் [-1,1] வரம்பில் இருக்கும். 1 என்பது பலமான நேர்மறை தொடர்பை, -1 என்பது பலமான எதிர்மறை தொடர்பை, 0 என்பது தொடர்பில்லாத நிலையை குறிக்கிறது.
 
-**உதாரணம்**: பேஸ்பால் வீரர்களின் எடைகள் மற்றும் உயரங்களுக்கு இடையிலான தொடர்பை மேலே குறிப்பிடப்பட்ட தரவுத்தொகுப்பிலிருந்து கணக்கிடலாம்:
+**உதாரணம்**: மேலே கூறிய பேஸ்பால் வீரர்களின் எடையும் உயரமும் தொடர்பை கணக்கிடுவோம்:
 ```python
 print(np.corrcoef(weights,heights))
 ```
-இதன் விளைவாக, நாங்கள் **Correlation Matrix** ஐப் பெறுகிறோம்:
+ பின்னர், நமக்கு **தொடர்பு அட்டவணை** கிடைக்கும்:
 ```
 array([[1.        , 0.52959196],
        [0.52959196, 1.        ]])
 ```
 
-> Correlation Matrix C ஐ எந்த எண்ணிக்கையிலான உள்ளீட்டு வரிசைகளுக்கும் S<sub>1</sub>, ..., S<sub>n</sub> கணக்கிடலாம். C<sub>ij</sub> இன் மதிப்பு S<sub>i</sub> மற்றும் S<sub>j</sub> க்கு இடையிலான தொடர்பு, மற்றும் கோணியல் கூறுகள் எப்போதும் 1 ஆக இருக்கும் (இது S<sub>i</sub> இன் சுய தொடர்பும் ஆகும்).
+> தொடர்பு அட்டவணை C எந்த எண்ணிக்கை உள்ள அலைவரிசைகளுக்குமான S<sub>1</sub>, ..., S<sub>n</sub> உருவாக்கப்படலாம். C<sub>ij</sub> என்பது S<sub>i</sub> மற்றும் S<sub>j</sub> இடையேயான தொடர்பு மதிப்பு. முனை உயிரடிப்பாக 1 உள்ளது (அது S<sub>i</sub> -க்கான தன்னிச்சையான தொடர்பு).
 
-நமது நிலைமையில், 0.53 என்ற மதிப்பு ஒரு நபரின் எடை மற்றும் உயரத்திற்கு இடையிலான தொடர்பு இருப்பதை சுட்டிக்காட்டுகிறது. மேலும், ஒரு மதிப்பை மற்றொன்றுக்கு எதிராக சிதறல் வரைபடத்தை உருவாக்கி தொடர்பை காட்சிப்படுத்தலாம்:
+எங்கள் நிலையில், மதிப்பு 0.53 காட்டுகிறது எடையும் உயரமும் ஒருகாலத்தில் தொடர்புடையன. நாம் ஒரு மதிப்பின் எதிர்ப்பாக மற்ற மதிப்பை இடம் படுத்தி வெளியேற்றும் வரைபடம் பார்க்கலாம்:
 
-![எடை மற்றும் உயரத்திற்கு இடையிலான தொடர்பு](../../../../translated_images/ta/weight-height-relationship.3f06bde4ca2aba99.webp)
+![எடை மற்றும் உயரம் இடையிலான உறவு](../../../../translated_images/ta/weight-height-relationship.3f06bde4ca2aba99.webp)
 
-> தொடர்பு மற்றும் Covariance பற்றிய மேலும் உதாரணங்கள் [இணைக்கப்பட்ட நோட்புக்கில்](notebook.ipynb) காணலாம்.
+> தொடர்பு மற்றும் கூட்டுச் சுழற்சி குறித்து மேலும் உதாரணங்கள் [இணைப்பு நோட்புக்](notebook.ipynb) இல் உள்ளன.
 
 ## முடிவு
 
-இந்த பிரிவில், நாம் கற்றுக்கொண்டது:
+இந்த பிரிவில் நாம் கற்றுக் கொண்டோம்:
 
-* தரவின் அடிப்படை புள்ளியியல் பண்புகள், உதாரணமாக சராசரி, சிதறல், முறை மற்றும் குவார்டைல்கள்
-* சீரற்ற மாறிலிகளின் வெவ்வேறு விநியோகங்கள், சாதாரண விநியோகம் உட்பட
-* வெவ்வேறு பண்புகளுக்கு இடையிலான தொடர்பை கண்டறிவது எப்படி
-* சில கருதுகோள்களை நிரூபிக்க கணிதம் மற்றும் புள்ளியியல் ஆகியவற்றின் ஒலிய கருவியைப் பயன்படுத்துவது எப்படி
-* தரவுத் மாதிரியை வழங்கிய சீரற்ற மாறிலிக்கான நம்பகத்தன்மை இடைவெளிகளை கணக்கிடுவது எப்படி
+* தரவின் அடிப்படையான புள்ளியியல் பண்புகள், உதாரணமாக சராசரி, வேறுபாடு, விதி மற்றும் குவார்டில்கள்
+* வெவ்வேறு வகையான புள்ளியியல் பகிர்வுகள், சாதாரண பகிர்வு உட்பட
+* வெவ்வேறு பண்புகளுக்கு இடையேயான தொடர்பை கண்டறிதல்
+* சில கருதுகோள்களை நிரூபிக்கக் கணிதம் மற்றும் புள்ளியியலின் வலுவான கருவிகளைப் பயன்படுத்துதல்
+* தரவுத்தொகுப்புக்கு ஏற்ப புள்ளியியல் மாறிலிக்கு நம்பிக்கை இடைப்பகுதிகளை கணக்கிடுதல்
 
-இது சாத்தியக்கூறு மற்றும் புள்ளியியல் உள்ளடக்கத்தில் உள்ள தலைப்புகளின் முழுமையான பட்டியல் அல்ல, ஆனால் இந்த பாடநெறியில் நல்ல தொடக்கத்தை வழங்க இது போதுமானதாக இருக்க வேண்டும்.
+இவை, வாய்ப்பு மற்றும் புள்ளியியலில் உள்ள தலைப்புகளின் முழுமையான பட்டியல்ல, ஆனால் இந்த பாடத்தில் ஒரு நல்ல இருவழிப் பிறந்தலை நமக்கு வழங்கும்.
 
 ## 🚀 சவால்
 
-நோட்புக்கில் உள்ள மாதிரி குறியீட்டை பயன்படுத்தி மற்ற கருதுகோள்களை சோதிக்கவும்:
-1. First Basemen க்கள் Second Basemen க்களை விட வயதானவர்கள்
-2. First Basemen க்கள் Third Basemen க்களை விட உயரமானவர்கள்
-3. Shortstops க்கள் Second Basemen க்களை விட உயரமானவர்கள்
+நோட்புக் உள்ள மாதிரி கோடுகளை பயன்படுத்தி இந்தப் பிற கருத்துக்களை சோதிக்க:
+
+1. முதலாம் அடிக்கடியோர் இரண்டாம் அடிக்கடியர்களை விட முதியவர்கள்
+2. முதலாம் அடிக்கடியோர் மூன்றாம் அடிக்கடியர்களைக் காட்டிலும் உயரமானவர்கள்
+3. குறுகிய இடைப்பட்டோர் இரண்டாம் அடிக்கடியர்களைவிட உயரமானவர்கள்
 
-## [பாடத்திற்குப் பிந்தைய வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/7)
+## [வழக்கறிஞர் பின்செயல் வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/7)
 
-## மதிப்பீடு மற்றும் சுயபடிப்பு
+## மதிப்பாய்வு மற்றும் சுயபடிப்பு
 
-சாத்தியக்கூறு மற்றும் புள்ளியியல் என்பது மிகவும் பரந்த தலைப்பாகும், இது தனி பாடநெறியைத் தேவைப்படுகிறது. நீங்கள் கோட்பாட்டில் ஆழமாக செல்ல ஆர்வமாக இருந்தால், நீங்கள் பின்வரும் புத்தகங்களைப் படிக்க தொடர விரும்பலாம்:
+வாய்ப்பு மற்றும் புள்ளியியல் மிகப் பளு பரப்பான தலைப்பாகும், இதற்கான தனி பாடக்குறிப்பும் தேவை. நீங்கள் கொஞ்சம் கூடுதலாக இந்த கோட்பாட்டினைப் பற்றி அறிய விரும்பினால், கீழ்க்காணும் புத்தகங்களை தொடர்ந்து படிக்கலாம்:
 
-1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) நியூயார்க் பல்கலைக்கழகத்திலிருந்து [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (ஆன்லைனில் கிடைக்கிறது) என்ற சிறந்த பாடக்குறிப்புகள் உள்ளன.
+1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) நியூயார்க் பல்கலைக்கழகத்திலிருந்து சிறந்த சொற்று குறிப்புகள் உள்ளன [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (ஆன்லைனில் கிடைக்கும்)
 1. [Peter and Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[R இல் மாதிரி குறியீடு](https://github.com/andrewgbruce/statistics-for-data-scientists)]. 
 1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[R இல் மாதிரி குறியீடு](https://github.com/PacktPublishing/Statistics-for-Data-Science)]
 
-## பணிக்கட்டளை
+## பணிகள்
 
-[சிறிய Diabetes ஆய்வு](assignment.md)
+[சிறிய நீரிழிவு ஆய்வு](assignment.md)
 
-## Credits
+## கிரெடிட்ஸ்
 
-இந்த பாடம் [Dmitry Soshnikov](http://soshnikov.com) அவர்களால் ♥️ உடன் எழுதப்பட்டுள்ளது.
+இந்த பாடத்தை ♥️ உடன் [Dmitry Soshnikov](http://soshnikov.com) எழுதியுள்ளார்.
 
 ---
 
-**அறிவிப்பு**:  
-இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை கவனத்தில் கொள்ளவும். அதன் சொந்த மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்களுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பல்ல.
+<!-- CO-OP TRANSLATOR DISCLAIMER START -->
+**மறுப்பு**:
+இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
+<!-- CO-OP TRANSLATOR DISCLAIMER END -->

translations/ta/4-Data-Science-Lifecycle/16-communication/README.md

@@ -1,147 +1,166 @@
-# தரவியல் அறிவியல் வாழ்க்கைச்சுழற்சி: தகவல்தொடர்பு
+# தரவியல் அறிவியல் வாழ்நாள் சுழற்சி: தொடர்பு
 
 |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev)](../../sketchnotes/16-Communicating.png)|
 |:---:|
-| தரவியல் அறிவியல் வாழ்க்கைச்சுழற்சி: தகவல்தொடர்பு - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+| தரவியல் அறிவியல் வாழ்நாள் சுழற்சி: தொடர்பு - _ஸ்கெட்ச்னோட் [@nitya](https://twitter.com/nitya) மூலம்_ |
 
-## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/30)
+## [முன்னுரைக்குப் பரீட்சை](https://ff-quizzes.netlify.app/en/ds/quiz/30)
 
-மேலே உள்ள முன்-வகுப்பு வினாடி வினாவுடன் உங்கள் அறிவைச் சோதிக்கவும்!
+மேலுள்ள முன்னுரைக்குப் பரீட்சையுடன் உங்கள் அறிவை சோதியுங்கள்!
 
 # அறிமுகம்
 
-### தகவல்தொடர்பு என்றால் என்ன?
-இந்த பாடத்தை தகவல்தொடர்பு என்றால் என்ன என்பதை வரையறுத்து தொடங்குவோம். **தகவல்தொடர்பு என்பது தகவலை பரிமாற்றம் அல்லது பகிர்வதாகும்.** தகவல் என்பது யோசனைகள், எண்ணங்கள், உணர்வுகள், செய்திகள், மறைமுக சிக்னல்கள், தரவுகள் போன்றவை ஆகும் – ஒரு **_அனுப்புநர்_** (தகவலை அனுப்புபவர்) ஒரு **_பெறுநர்_** (தகவலைப் பெறுபவர்) புரிந்துகொள்ள விரும்பும் எந்தவொரு விஷயமும். இந்த பாடத்தில், அனுப்புநர்களை தகவல்தொடர்பாளர்கள் என்று குறிப்பிடுவோம், மற்றும் பெறுநர்களை பார்வையாளர்கள் என்று குறிப்பிடுவோம்.
+### தொடர்பு என்றால் என்ன?
+தொடர்பு என்ன என்பது வரையறுக்க இந்த பாடத்துடனைத் தொடங்கலாம். **தொடர்பு என்பதற்கு பொருள் தகவலை பரிமாறுதல் அல்லது விநியோகிப்பது ஆகும்.** தகவல் என்பது ஐடியாக்கள், ஆலோசனைகள், உணர்ச்சிகள், செய்திகள், மறைக்கப்பட்ட சிக்னல்கள், தரவு – இவை ஏதாவது ஒரு **_அனுப்புநர்_** (தகவலை அனுப்பும் நபர்) ஒரு **_பெறுநர்_** (தகவலை பெறும் நபர்) புரிந்துகொள்ள விரும்புவதைக் குறிக்கிறது. இந்த பாடத்தில், அனுப்புநர்களைப் பொதுவாக தொடர்பாளர்களாகவும், பெறுநர்களைப் பார்வையாளர்களாகவும் குறிப்பிடுவோம்.
 
-### தரவுத் தகவல்தொடர்பு மற்றும் கதைசொல்லல்
-தகவல்தொடர்பின் போது, நோக்கம் தகவலை பரிமாற்றம் அல்லது பகிர்வதாகும் என்பதை நாங்கள் புரிந்துகொள்கிறோம். ஆனால் தரவுகளைத் தகவல்தொடர்ப்பது என்றால், உங்கள் பார்வையாளர்களுக்கு எண்களை மட்டும் வழங்குவது உங்கள் நோக்கமாக இருக்கக்கூடாது. உங்கள் தரவால் வழிநடத்தப்படும் ஒரு கதையைச் சொல்ல வேண்டும் - பயனுள்ள தரவுத் தகவல்தொடர்பு மற்றும் கதைசொல்லல் ஒன்றுக்கொன்று இணைந்திருக்க வேண்டும். நீங்கள் சொல்வதை ஒரு கதை மூலம் உங்கள் பார்வையாளர்கள் நினைவில் வைத்துக்கொள்ள வாய்ப்பு அதிகம், எண்களை மட்டும் வழங்கினால் அதைவிட. இந்த பாடத்தின் பின்னர், உங்கள் தரவுகளை மேலும் பயனுள்ளதாகத் தகவல்தொடர்ப்பதற்கான சில வழிகளைப் பற்றி நாம் விவாதிக்கப் போகிறோம்.
+### தரவு தொடர்பு & கதை சொல்லல்
+தொடர்பதில் நோக்கம் தகவலை பரிமாறுதல் என்பது புரிந்துகொண்டோம். ஆனால் தரவுடன் தொடர்பு கொள்வதில், உங்களுடைய நோக்கம் எளிதில் எண்ணிக்கைகளை மட்டும் பரிமாறுவதை நினைத்துக் கூடாது. உங்கள் நோக்கம் தரவு மூலம் அறிவுறுத்தப்படும் கதை ஒன்றை தொடர்புகொள்வதாக இருக்க வேண்டும் - பயனுள்ள தரவு தொடர்பு மற்றும் கதை சொல்லல் ஒரே நேரில் சென்று சேரும். உங்கள் பார்வையாளர்கள் நீங்கள் சொல்லும் கதையை நன்கு நினைவில் வைக்க வாய்ப்பு உள்ளது, எண்ணிக்கையை விட அவ்வாறு. இந்த பாடத்தின் பின்னர், தரவை விளக்க கதை சொல்ல உதவும் சில முறைகளை நாங்கள் பார்க்கப்போகிறோம்.
 
-### தகவல்தொடர்பின் வகைகள்
-இந்த பாடத்தின் முழுவதும், இரண்டு விதமான தகவல்தொடர்புகள் விவாதிக்கப்படும்: ஒருதரப்பு தகவல்தொடர்பு மற்றும் இருதரப்பு தகவல்தொடர்பு.
+### தொடர்பின் வகைகள்
+இந்த பாடத்தில் இரண்டு வகையான தொடர்புகள் பேசப்படும், ஒருமுக தொடர்பு மற்றும் இருமுக தொடர்பு.
 
-**ஒருதரப்பு தகவல்தொடர்பு** என்பது அனுப்புநர் தகவலைப் பெறுநருக்கு அனுப்பும் போது, எந்தவிதமான பின்னூட்டம் அல்லது பதில் இல்லாமல் நிகழும். ஒருதரப்பு தகவல்தொடர்பின் உதாரணங்களை நாம் தினமும் காண்கிறோம் – மொத்த/குழும மின்னஞ்சல்கள், சமீபத்திய செய்திகளை வழங்கும் செய்தி, அல்லது ஒரு தொலைக்காட்சி விளம்பரம் வரும் போது, அவர்கள் தயாரிப்பு ஏன் சிறந்தது என்பதைச் சொல்லும். இந்த நிகழ்வுகளில், அனுப்புநர் தகவல்தொடர்பை பரிமாற்றம் செய்ய விரும்பவில்லை. அவர்கள் தகவலை வழங்க அல்லது அனுப்ப மட்டுமே விரும்புகிறார்கள்.
+**ஒருமுக தொடர்பு** என்பது அனுப்புநர் தகவலை பெறுநருக்கு அனுப்புவதைக் குறிக்கிறது, உதிரவைகள் அல்லது பதில்கள் இருக்காமல். நாம் தினமும் ஒருமுக தொடர்பு உதாரணங்களை காண்கிறோம் – பெரும்பான்மை மின்னஞ்சல்கள், ஆய்வு செய்திகள், அல்லது தொலைக்காட்சி விளம்பரங்கள் போன்றவை. இதில் அனுப்புநர் தகவலின் பரிமாற்றம் இன்றி, தகவல் கொடுத்தலில் மட்டுமே உணர்கிறார்.
 
-**இருதரப்பு தகவல்தொடர்பு** என்பது தொடர்புடைய அனைத்து தரப்பினரும் அனுப்புநர்களாகவும் பெறுநர்களாகவும் செயல்படும் போது நிகழும். அனுப்புநர் முதலில் தகவல்தொடர்பைத் தொடங்குவார், மற்றும் பெறுநர் பின்னூட்டம் அல்லது பதிலை வழங்குவார். இருதரப்பு தகவல்தொடர்பு என்பது நாம் பொதுவாக தகவல்தொடர்பு பற்றி பேசும்போது நினைப்பது. நாம் பொதுவாக ஒரு உரையாடலில் ஈடுபடுவதை நினைக்கிறோம் - நேரில், அல்லது தொலைபேசி அழைப்பு, சமூக ஊடகம், அல்லது உரை செய்தி மூலம்.
+**இருமுக தொடர்பு** என்பது அனைத்து பங்கேற்பாளர்களும் அனுப்புநர் மற்றும் பெறுநராக செயல்படுகின்ற போது நிகழ்கிறது. அனுப்புநர் தகவலைப் பெறுநருக்கு அனுப்புவார், பெறுநர் பின்னூட்டம் அல்லது பதில் அளிப்பார். பொதுவாக நாம் தொடர்பையும் உரையாடலாக நினைக்கும்போது இருமுக தொடர்பு தான் உள்ளது. நேரில், தொலைபேசி அழைப்பில், சமூக ஊடகத்தில் அல்லது தகவல் தெரிவிப்பில் என்ற நிலை இது.
 
-தரவுகளைத் தகவல்தொடர்ப்பதில், நீங்கள் ஒருதரப்பு தகவல்தொடர்பைப் பயன்படுத்தும் சந்தர்ப்பங்கள் இருக்கும் (உதாரணமாக, ஒரு மாநாட்டில் அல்லது கேள்விகள் உடனடியாக கேட்கப்படாத ஒரு பெரிய குழுவுக்கு வழங்குவது) மற்றும் இருதரப்பு தகவல்தொடர்பைப் பயன்படுத்தும் சந்தர்ப்பங்கள் இருக்கும் (உதாரணமாக, சில பங்குதாரர்களை சம்மதிக்க வைக்க தரவுகளைப் பயன்படுத்துவது, அல்லது ஒரு புதிய விஷயத்தை உருவாக்க நேரம் மற்றும் முயற்சியை செலவிட வேண்டும் என்று ஒரு குழுவினரை சம்மதிக்க வைக்க முயற்சிப்பது).
+தரவு தொடர்பின் போது, நீங்கள் ஒருமுக தொடர்பைப் பயன்படுத்தும் வாய்ப்புகள் இருப்பார் (உதாரணம், மாநாட்டில் அல்லது பெரிய கூட்டத்தில் வழங்கும் போது கேள்விகள் வராது) மற்றும் இருமுக தொடர்பைப் பயன்படுத்தும் வாய்ப்பும் உண்டு (எந்தவொரு குழுவினரையும் சமர்ப்பிக்க வேண்டுமானால், அல்லது ஒருவருடன் ஒப்பந்தத்தை நேர்த்தியாய் செய்ய வேண்டுமானால்).
 
-# பயனுள்ள தகவல்தொடர்பு
+# பயனுள்ள தொடர்பு
 
-### தகவல்தொடர்பாளராக உங்கள் பொறுப்புகள்
-தகவல்தொடர்ப்பின் போது, உங்கள் பெறுநர்கள் நீங்கள் அவர்களிடம் கொண்டு செல்ல விரும்பும் தகவலை எடுத்துக்கொள்வதை உறுதிப்படுத்துவது உங்கள் வேலை. நீங்கள் தரவுகளைத் தகவல்தொடர்ப்பின் போது, உங்கள் பெறுநர்கள் எண்களை மட்டும் எடுத்துக்கொள்ள வேண்டும் என்று நீங்கள் விரும்பவில்லை, உங்கள் பெறுநர்கள் உங்கள் தரவால் வழிநடத்தப்படும் ஒரு கதையை எடுத்துக்கொள்ள வேண்டும் என்று நீங்கள் விரும்புகிறீர்கள். ஒரு நல்ல தரவுத் தகவல்தொடர்பாளர் ஒரு நல்ல கதைசொல்லுபவர்.
+### தொடர்பாளராக உள்ள உங்கள் பொறுப்புகள்
+தொகுப்பதின் போது, பெறுநர்(கள்) நீங்கள் விரும்பும் தகவலை சரியாகப் பெறுவதை உறுதி செய்ய நீங்கள் பொறுப்பாளி. தரவு தொடர்பில், உங்கள் பெறுநர்கள் எண்ணிக்கைகளை பெறவேண்டும் என்று மட்டுமே நினைக்க வேண்டாம்; தரவு மூலம் விளக்கப்படும் கதை ஒன்றைப் பெற வேண்டும். சிறந்த தரவு தொடர்பாளர் ஒரு சிறந்த கதை சொல்லியலாளராம்.
 
-தரவுடன் ஒரு கதையை எப்படி சொல்வது? முடிவில்லாத வழிகள் உள்ளன – ஆனால் கீழே உள்ள 6 வழிகளை இந்த பாடத்தில் நாம் விவாதிக்கப் போகிறோம்.
-1.	உங்கள் பார்வையாளர்கள், உங்கள் ஊடகம், மற்றும் உங்கள் தகவல்தொடர்பு முறைமையைப் புரிந்துகொள்ளுங்கள்
-2.	முடிவை மனதில் வைத்து தொடங்குங்கள்
-3.	அதை ஒரு உண்மையான கதையாக அணுகுங்கள்
-4.	பொருத்தமான வார்த்தைகள் மற்றும் சொற்றொடர்களைப் பயன்படுத்துங்கள்
-5.	உணர்வுகளைப் பயன்படுத்துங்கள்
+எப்படி தரவுடன் கதை சொல்லலாம்? வகைமையாக பல வழிகள் நிறையா இருக்கலாம் – கீழே இந்த பாடத்தில் நாம் 6 யைச் சொல்லப்போகிறோம்.
+1. உங்கள் பார்வையாளர்களை, உங்கள் ஊடகம் மற்றும் தொடர்பு முறையை புரிந்துகொள்
+2. முடிவை மனதில் வைத்து தொடங்கு
+3. உண்மையான கதையைப்போல் அணுகு
+4. அர்த்தமுள்ள வார்த்தைகள் மற்றும் சொற்களைப் பயன்படுத்து
+5. உணர்வுகளை உபயோகி
 
-இந்த உத்திகள் ஒவ்வொன்றும் கீழே விரிவாக விளக்கப்பட்டுள்ளன.
+இந்த ஒவ்வொரு முறையும் கீழே விரிவாக விளக்கப்பட்டுள்ளன.
 
-### 1. உங்கள் பார்வையாளர்கள், உங்கள் சேனல் மற்றும் உங்கள் தகவல்தொடர்பு முறைமையைப் புரிந்துகொள்ளுங்கள்
-நீங்கள் குடும்ப உறுப்பினர்களுடன் தகவல்தொடர்பது, நண்பர்களுடன் தகவல்தொடர்பது போல இருக்க வாய்ப்பு இல்லை. நீங்கள் பேசும் மக்களுக்கு புரிந்துகொள்ளக்கூடிய வார்த்தைகள் மற்றும் சொற்றொடர்களைப் பயன்படுத்துகிறீர்கள். தரவுகளைத் தகவல்தொடர்ப்பதில் நீங்கள் இதே அணுகுமுறையை எடுத்துக்கொள்ள வேண்டும். நீங்கள் யாருடன் தகவல்தொடர்கிறீர்கள் என்பதைப் பற்றி யோசிக்கவும். அவர்கள் இலக்குகள் மற்றும் நீங்கள் விளக்க முயற்சிக்கும் சூழ்நிலையைப் பற்றிய தகவல்களைப் பற்றி யோசிக்கவும்.
+### 1. உங்கள் பார்வையாளர்களை, உங்கள் சந்தாதாரர் மற்றும் தொடர்பு முறையை புரிந்துகொள்
+உங்கள் குடும்ப உறுப்பினர்களுடன் தொடர்பு கொள்வது உங்கள் நண்பர்களுடன் தொடர்பு கொள்வதுபோல் இருக்க முடியாது. நீங்கள் பேசும் நபர்களுக்கு புரியக்கூடிய வேறு சொற்களையும் கூறுவீர்கள். அதையே தரவு தொடர்பில் பின்பற்ற வேண்டும். உங்கள் பார்வையாளர்களை யார் என்று நினைத்துப் பாருங்கள். அவர்கள் இலக்குகளையும் நீங்கள் விளக்கும் சூழ்நிலையையும் சிந்தியுங்கள்.
 
-உங்கள் பார்வையாளர்களை பெரும்பாலும் ஒரு வகையில் குழுவாகப் பிரிக்கலாம். _Harvard Business Review_ கட்டுரையில், “[How to Tell a Story with Data](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/),” Dell Executive Strategist Jim Stikeleather ஐந்து வகையான பார்வையாளர்களை அடையாளம் காண்கிறார்.
+உங்கள் பெரும்பான்மையான பார்வையாளர்களைப் பெரும்பான்மையாக வகைப்படுத்த முடியும். _ஹார்வர்ட் பிஸினஸ் ரிவியூ_ கட்டுரையில், “[தரவு மூலம் கதை சொல்லுவது எப்படி](http://blogs.hbr.org/2013/04/how-to-tell-a-story-with-data/),” டெல் நிர்வாக நிபுணர் ஜிம் ஸ்டிக்கிலீதர் ஐந்து வகை பார்வையாளர்களைப் பட்டியலிட்டார்.
 
- - **தொடக்கநிலை**: பொருளை முதன்முதலாக அறிமுகப்படுத்தல், ஆனால் மிக எளிமைப்படுத்தல் வேண்டாம்
- - **பொதுவானவர்**: தலைப்பை அறிந்தவர், ஆனால் ஒரு மேம்பட்ட புரிதல் மற்றும் முக்கிய கருப்பொருள்களைத் தேடுகிறார்
- - **மேலாண்மை**: சிக்கல்களுடன் தொடர்புடைய செயல்பாடுகளின் ஆழமான, செயல்பாடுகளுக்கான புரிதல்
- - **வல்லுநர்**: கதைசொல்லலின் தேவையற்ற ஆராய்ச்சி மற்றும் கண்டுபிடிப்பு, மேலும் விவரங்கள்
- - **நிர்வாகி**: முக்கியத்துவம் மற்றும் முடிவுகளை மட்டும் அறிய நேரம் உள்ளது
+ - **புதிதாக அறிமுகப்படுத்தப்படுபவர்**: முதன்முதல் பயன்படுத்தி வெறுப்புபடுத்தப்படாமல் இருக்கவேண்டும்
+ - **பொதுபண்பாளர்**: தலைப்பை அறிவோர், மேலுணர்வையும் முக்கியமான கருதுகோள்களையும் தேடுபோர்
+ - **மேலாளர்**: மிகுந்த மதிப்பீடு, செயல்படும் புரிதல் மற்றும் விரிவான தொடர்புகள்
+ - **திறமையாளர்**: தேடியும் கண்டுபிடித்தலும், சிறந்த விவரத்துடன் குறைந்த கதைத்தொடர்
+ - **நிர்வாகி**: முக்கியத்துவம் மற்றும் முடிவுகளை மட்டுமே விரும்புபவர்
 
-இந்த வகைகள் உங்கள் பார்வையாளர்களுக்கு தரவுகளை வழங்கும் முறையைத் தகவல்தொடர்பில் உதவலாம்.
+இந்த வகைகள் உங்கள் தரவு வழங்கல் முறையை வழிநடத்தலாம்.
 
-உங்கள் பார்வையாளர்களின் வகையைப் பற்றி யோசிப்பதுடன், நீங்கள் அவர்களுடன் தகவல்தொடர்வதற்கான சேனலைப் பற்றியும் கவனிக்க வேண்டும். நீங்கள் ஒரு நினைவுப்பதிவு அல்லது மின்னஞ்சல் எழுதுகிறீர்களா அல்லது ஒரு கூட்டத்தில் கலந்துரையாடுகிறீர்களா அல்லது ஒரு மாநாட்டில் வழங்குகிறீர்களா என்பதைப் பொறுத்து உங்கள் அணுகுமுறை சிறிது மாறக்கூடும்.
+உங்கள் பார்வையாளர்களின் வகையை நினைத்து மட்டுமல்லாமல், நீங்கள் பயன்படுத்தும் தொலைபேசி, மின்னஞ்சல், சந்திப்பு அல்லது மாநாட்டு அளவீடு போன்ற தொடர்பு மக்களிலும் உங்கள் அணுகுமுறை மாறும்.
 
-உங்கள் பார்வையாளர்களை புரிந்துகொள்வதுடன், அவர்களுடன் தகவல்தொடர்வது எப்படி (ஒருதரப்பு தகவல்தொடர்பு அல்லது இருதரப்பு) என்பதை அறிதலும் முக்கியம்.
+கூடுதலாக, நீங்கள் எந்த வகையான தொடர்பைக் கொள்கிறேன் (ஒருமுகம் அல்லது இருமுகம்) என்பதும் முக்கியம்.
 
-நீங்கள் பெரும்பாலும் தொடக்கநிலை பார்வையாளர்களுடன் ஒருதரப்பு தகவல்தொடர்பைப் பயன்படுத்துகிறீர்கள் என்றால், முதலில் பார்வையாளர்களை கல்வி அளித்து அவர்களுக்கு சரியான சூழ்நிலையை வழங்க வேண்டும். பின்னர் உங்கள் தரவுகளை அவர்களுக்கு வழங்கி, உங்கள் தரவுகள் என்ன பொருள் கொண்டது மற்றும் ஏன் உங்கள் தரவுகள் முக்கியம் என்பதைச் சொல்ல வேண்டும். இந்த சூழ்நிலையில், நீங்கள் தெளிவை அதிகமாக கவனிக்க வேண்டும், ஏனெனில் உங்கள் பார்வையாளர்கள் உங்களிடம் நேரடி கேள்விகளை கேட்க முடியாது.
+நீங்கள் பெருமை புதிதாக அறிமுகப்படுத்தப்பட்ட பெரும்பான்மையான பார்வையாளருடன் ஒருமுக தொடர்பு பயன்படுத்தினால், முதலில் உங்கள் பார்வையாளர்களை கற்றுத்தரவேண்டும் மற்றும் சரியான சூழ்நிலையைக் கொடுக்கவேண்டும். பிறகு உங்கள் தரவை வழங்கி அதின் முக்கியத்துவத்தை விளக்கவேண்டும். இதில், விளக்கத்தில் கவனம் செலுத்த வேண்டும், ஏனெனில் உங்கள் பார்வையாளர்கள் நேரடி கேள்விகள் கேட்க மாட்டார்கள்.
 
-நீங்கள் பெரும்பாலும் மேலாண்மை பார்வையாளர்களுடன் இருதரப்பு தகவல்தொடர்பைப் பயன்படுத்துகிறீர்கள் என்றால், உங்கள் பார்வையாளர்களை கல்வி அளிக்க அல்லது அவர்களுக்கு அதிக சூழ்நிலையை வழங்க தேவையில்லை. நீங்கள் சேகரித்த தரவுகள் மற்றும் ஏன் அவை முக்கியம் என்பதைப் பற்றி நேரடியாக விவாதிக்க தொடங்கலாம். ஆனால் இந்த சூழ்நிலையில், நீங்கள் நேரம் மற்றும் உங்கள் வழங்கலின் கட்டுப்பாட்டில் கவனம் செலுத்த வேண்டும். இருதரப்பு தகவல்தொடர்பைப் பயன்படுத்தும்போது (சிறப்பாக மேலாண்மை பார்வையாளர்களுடன், அவர்கள் "சிக்கல்களுடன் தொடர்புடைய செயல்பாடுகளுக்கான ஆழமான, செயல்பாடுகளுக்கான புரிதல்" தேடுகிறார்கள்) உங்கள் தொடர்பின் போது கேள்விகள் எழலாம், இது உங்கள் கதைசொல்லலுடன் தொடர்புடையதல்லாத திசையில் விவாதத்தை எடுத்துச் செல்லலாம். இது நிகழும்போது, நீங்கள் நடவடிக்கை எடுத்து உங்கள் கதையுடன் தொடர்புடைய திசையில் விவாதத்தை திருப்பலாம்.
+நீங்கள் மேலாண்மையாளர்கள் பெருமையாக இருமுக தொடர்பு பயன்படுத்தினால், நீங்கள் பார்வையாளர்களுக்கு அடிப்படை கல்வி அளிக்க தேவையில்லை; நேரடியாகத் தரவு விவாதிக்கலாம். இதே சமயம், நேரத்தை மற்றும் உங்கள் வழங்கலை கட்டுப்படுத்த கவனம் செலுத்த வேண்டும். கேள்விகள் வெளிப்படலாம்; அவற்றை பராமரித்து, உங்கள் கதையின் பாதையில் திரும்பச் செல்லுங்கள்.
 
-### 2. முடிவை மனதில் வைத்து தொடங்குங்கள்
-முடிவை மனதில் வைத்து தொடங்குவது என்பது உங்கள் பார்வையாளர்களுக்கான எதிர்பார்க்கப்பட்ட எடுத்துக்கொள்ளல்களை நீங்கள் அவர்களுடன் தகவல்தொடர்வதற்கு முன் புரிந்துகொள்வது. உங்கள் பார்வையாளர்கள் எடுத்துக்கொள்ள வேண்டிய விஷயங்களை முன்கூட்டியே யோசிப்பது, அவர்கள் பின்பற்றக்கூடிய ஒரு கதையை உருவாக்க உதவுகிறது. முடிவை மனதில் வைத்து தொடங்குவது ஒருதரப்பு தகவல்தொடர்புக்கும் இருதரப்பு தகவல்தொடர்புக்கும் பொருத்தமாக உள்ளது.
+### 2. முடிவை மனதில் வைத்து தொடங்கு
+முடிவை மனதில் வைத்துக்கொள்வது என்பது நீங்கள் தொடர்பு கொள்ளும் முன் உங்கள் பார்வையாளர்களுக்கு நீங்கள் எதிர்பார்க்கும் முக்கிய விஷயங்களை அறிதல் ஆகும். முன்கூட்டியே தயார் தோற்றம் உங்கள் கதை எழுத உதவும். முடிவை மனதில் வைத்துக்கொள்வது ஒருமுக மற்றும் இருமுக தொடர்புகளுக்கு பொருந்தும்.
 
-முடிவை மனதில் வைத்து எப்படி தொடங்குவது? உங்கள் தரவுகளைத் தகவல்தொடர்வதற்கு முன், உங்கள் முக்கிய எடுத்துக்கொள்ளல்களை எழுதுங்கள். பின்னர், உங்கள் தரவுடன் நீங்கள் சொல்ல விரும்பும் கதையைத் தயாரிக்கும் ஒவ்வொரு கட்டத்திலும், "இது நான் சொல்லும் கதையில் எப்படி ஒருங்கிணைக்கிறது?" என்று உங்களிடம் கேளுங்கள்.
+எப்படி முடிவை மனதில் வைத்து தொடங்குவது? உங்கள் முக்கிய எடுத்துக்காரப்புள்ளிகளை எழுதுங்கள். பின்னர் கதையை உருவாக்கும் ஒவ்வொரு கட்டத்திலும், "இது நான் சொல்லும் கதையில் எப்படி பொருந்துகிறது?" என்று கேள்வியிடுங்கள்.
 
-கவனமாக இருங்கள் – முடிவை மனதில் வைத்து தொடங்குவது சிறந்தது, ஆனால் உங்கள் எதிர்பார்க்கப்பட்ட எடுத்துக்கொள்ளல்களை ஆதரிக்கும் தரவுகளை மட்டுமே தகவல்தொடர்வது தவறானது. இது Cherry-Picking என்று அழைக்கப்படுகிறது, இது தகவல்தொடர்பாளர் தனது கருத்தை ஆதரிக்கும் தரவுகளை மட்டுமே தகவல்தொடர்வது மற்றும் மற்ற அனைத்து தரவுகளையும் புறக்கணிப்பது.
+கவனமாக இருங்கள் – முடிவை மனதில் வைத்து தொடங்குவது நல்லது என்றாலும், உங்களுடைய முன்கூட்டிய எடுத்துக்காரங்களை ஆதரிக்கும் தரவை மட்டும் தெரிவிக்க வேண்டாம். இதற்கு செயல் பெயர் செரை-பிக்கிங் (Cherry-Picking); இது ஒரு தொடர்பாளர் தனது கருத்தை ஆதரிக்கும் தரவுகளை மட்டுமே சொல்லி மற்றவை மறுக்கும் நிலை.
 
-நீங்கள் சேகரித்த அனைத்து தரவுகளும் உங்கள் எதிர்பார்க்கப்பட்ட எடுத்துக்கொள்ளல்களை தெளிவாக ஆதரிக்கின்றன என்றால், அருமை. ஆனால் நீங்கள் சேகரித்த தரவுகளில் உங்கள் எடுத்துக்கொள்ளல்களை ஆதரிக்காதவை அல்லது உங்கள் முக்கிய எடுத்துக்கொள்ளல்களுக்கு எதிரான வாதத்தை ஆதரிக்கும் தரவுகள் இருந்தால், அந்த தரவுகளையும் தகவல்தொடருங்கள். இது நிகழ்ந்தால், உங்கள் பார்வையாளர்களிடம் நேர்மையாக இருங்கள் மற்றும் உங்கள் கதையுடன் தொடர்வதற்கான காரணத்தை அவர்களுக்கு விளக்குங்கள், எல்லா தரவுகளும் அதை ஆதரிக்கவில்லை என்றாலும்.
+உங்கள் சேகரித்த தரவு உங்கள் எடுத்துக்காரங்களை ஆதரித்து இருந்தால் நன்று. ஆனால் எதிர்மறை தரவோ அல்லது அதற்கு முரண்பட்டதும் இருந்தால், அதைத் தெரிவிக்க வேண்டும். அப்போது உங்கள் பார்வையாளர்களுக்கு ஏன் அனைத்தையும் விளக்கவில்லை என்றும் திறந்த மனதோடு பேசுங்கள்.
 
-### 3. அதை ஒரு உண்மையான கதையாக அணுகுங்கள்
-ஒரு பாரம்பரிய கதை 5 கட்டங்களில் நிகழ்கிறது. இந்த கட்டங்களை Exposition, Rising Action, Climax, Falling Action, மற்றும் Denouncement என்று நீங்கள் கேள்விப்பட்டிருக்கலாம். அல்லது Context, Conflict, Climax, Closure, Conclusion என்று நினைவில் கொள்ள எளிதானது. உங்கள் தரவுகள் மற்றும் உங்கள் கதையைத் தகவல்தொடர்ப்பதில், நீங்கள் இதே அணுகுமுறையை எடுத்துக்கொள்ளலாம்.
+### 3. உண்மையான கதையாக அணுகு
+ஒரு பாரம்பரிய கதை 5 கட்டங்களில் நிகழ்கிறது. இதை வெளிப்பாடு, உயரும் இயக்கம், உச்சிவாரம், கீழிறக்கம் மற்றும் முடிவு என அழைக்கலாம். அல்லது எளிதில் நினைவில் வைப்பதற்காக சூழ்நிலையம், மோதல், உச்சிவாரம், முடிவுச்செலுத்தல், முடிவெச்சம் எனவும் அழைக்கலாம். தரவையும் கதையையும் தொடர்புகொள்வதில் இதைப் போல அணுகலாம்.
 
-நீங்கள் சூழ்நிலையுடன் தொடங்கலாம், மேடை அமைத்து உங்கள் பார்வையாளர்கள் அனைவரும் ஒரே பக்கம் இருக்கிறார்கள் என்பதை உறுதிப்படுத்துங்கள். பின்னர் சிக்கலை அறிமுகப்படுத்துங்கள். இந்த தரவுகளை சேகரிக்க நீங்கள் ஏன் தேவைப்பட்டது? நீங்கள் எந்த பிரச்சினைகளைத் தீர்க்க முயன்றீர்கள்? அதன் பிறகு, உச்சம். தரவுகள் என்ன? தரவுகள் என்ன பொருள் கொண்டது? தரவுகள் எங்களுக்கு எந்த தீர்வுகளைச் சொல்லுகிறது? பின்னர் நீங்கள் முடிவுக்கு வருகிறீர்கள், நீங்கள் பிரச்சினையை மீண்டும் கூறலாம், மற்றும் பரிந்துரைக்கப்பட்ட தீர்வுகளை. கடைசியாக, நாம் முடிவுக்கு வருகிறோம், நீங்கள் உங்கள் முக்கிய எடுத்துக்கொள்ளல்களை மற்றும் அடுத்த படிகளை சுருக்கமாக கூறலாம்.
+முதல் சூழ்நிலையை அமைத்து பார்வையாளர்கள் ஒரே பக்கத்தில் இருக்க வேண்டும். பிறகு மோதலை அறிமுகப்படுத்தவும். தரவை ஏன் சேகரித்தீர்கள்? எந்த பிரச்சனையை தீர்க்க முயன்றீர்கள்? அடுத்தது உச்சிவாரம். தரவு என்ன? அதின் பொருள்? எந்தத் தீர்வுகள் தேவை என தரவு கூறுகிறது? பிறகு முடிவு, பிரச்சனை மற்றும் தீர்வுகளை மீண்டும் கூறுங்கள். கடைசியில் இயக்குநர் பரிந்துரைகள் மற்றும் முக்கிய எடுத்துக்காரங்களை சுருக்குங்கள்.
 
-### 4. பொருத்தமான வார்த்தைகள் மற்றும் சொற்றொடர்களைப் பயன்படுத்துங்கள்
-நீங்கள் மற்றும் நான் ஒரு தயாரிப்பில் வேலை செய்தால், நான் உங்களிடம் "எங்கள் பயனர்கள் எங்கள் தளத்தில் சேர்வதற்கு நீண்ட நேரம் எடுத்துக்கொள்கிறார்கள்" என்று சொன்னால், "நீண்ட நேரம்" என்பது எவ்வளவு நேரம் என்று நீங்கள் மதிப்பீடு செய்வீர்கள்? ஒரு மணி நேரமா? ஒரு வாரமா? தெரிந்துகொள்ள கடினம். நான் அதை ஒரு முழு பார்வையாளர்களிடம் சொன்னால் என்ன? பார்வையாளர்களில் ஒவ்வொருவரும் எங்கள் தளத்தில் பயனர்கள் சேர்வதற்கு எவ்வளவு நேரம் எடுத்துக்கொள்கிறார்கள் என்பதைப் பற்றிய வேறுபட்ட கருத்தை உருவாக்கலாம்.
+### 4. அர்த்தமுள்ள வார்த்தைகள் மற்றும் சொற்களைப் பயன்படுத்து
+நாம் ஒரே தயாரிப்பில் வேலை చేసినால், நான் "எங்கள் பயனர்கள் தளத்தில் சேர ஒருவருக்கு நீண்ட நேரம் ஆகிறது" என்றால், நீங்கள் அதைக் கணக்கிடும் போது எத்தனை நேரம் என்று நினைத்தீர்கள்? ஒரு மணி நேரம்? ஒரு வாரம்? கேள்வி நேர்மறையாக இல்லை. முழுப் பார்வையாளர்களுக்கு நான் இதைப் சொன்னால் அனைவர் கடைசியில் வெவ்வேறு நேரக் கருத்துக்கள் கொண்டிருப்பர்.
 
-அதற்கு பதிலாக, நான் "எங்கள் பயனர்கள் சராசரியாக 3 நிமிடங்களில் எங்கள் தளத்தில் பதிவு செய்து சேர்கிறார்கள்" என்று சொன்னால் என்ன?
+மாறாக, நான் சொன்னால் "எங்கள் பயனர்கள் சராசரியாக 3 நிமிடங்களில் பதிவு செய்து தளத்திற்கு சேர்ந்துக்கொள்ளுகிறார்கள்," அதுவே தெளிவான தகவல்.
 
-அந்த செய்தி தெளிவாக உள்ளது. தரவுகளைத் தகவல்தொடர்ப்பதில், உங்கள் பார்வையாளர்கள் உங்களுக்குப் போலவே சிந்திக்கிறார்கள் என்று நினைப்பது எளிதாக இருக்கலாம். ஆனால் அது எப்போதும் உண்மையாக இருக்காது. உங்கள் தரவுகள் மற்றும் அதன் பொருள் பற்றிய தெளிவை உருவாக்குவது உங்கள் பொறுப்புகளில் ஒன்றாகும். தரவுகள் அல்லது உங்கள் கதை தெளிவாக இல்லாவிட்டால், உங்கள் பார்வையாளர்கள் பின்பற்ற கடினமாக இருக்கும், மேலும் அவர்கள் உங்கள் முக்கிய எடுத்துக்கொள்ளல்களைப் புரிந்துகொள்ள வாய்ப்பு குறைவாக இருக்கும்.
+தரவு தொடர்பில், உங்கள் பார்வையாளர்கள் எல்லோரும் உங்களைப் போலவே சிந்திக்கின்றனர் என்பது இல்லை. தரவு மற்றும் அதின் பொருளைக் தெளிவாக்குதல் உங்கள் பொறுப்புகளில் ஒன்று. உங்கள் கதை தெளிவாக இல்லையெனில், உங்கள் பார்வையாளர்கள் அதை பின்பற்ற கடினம் மற்றும் முக்கிய எடுத்துக்காரங்களைப் புரியாத வாய்ப்பு உண்டு.
 
-தரவுகளை மேலும் தெளிவாகத் தகவல்தொடர, நீங்கள் अस्पष्ट வார்த்தைகள் மற்றும் சொற்றொடர்களுக்கு பதிலாக பொருத்தமான வார்த்தைகள் மற்றும் சொற்றொடர்களைப் பயன்படுத்தலாம். கீழே சில உதாரணங்கள் உள்ளன.
+அர்த்தமுள்ள வார்த்தையோடு தரவைக் கூறுங்கள், குழப்பமின்றி. கீழே சில எடுத்துக்காட்டுகள்.
 
- - நாங்கள் ஒரு *சிறந்த* ஆண்டை கொண்டாடினோம்!
-	 - ஒரு நபர் சிறந்த ஆண்டை 2% - 3% வருமானம் அதிகரிப்பு என்று நினைக்கலாம், மற்றொருவர் அதை 50% - 60% அதிகரிப்பு என்று நினைக்கலாம்.
- - எங்கள் பயனர்களின் வெற்றியின் விகிதங்கள் *மிகப்பெரிய* அளவில் அதிகரித்தன.
-	 - மிகப்பெரிய அளவில் அதிகரிப்பு என்பது எவ்வளவு பெரியது?
- - இந்த முயற்சியில் *முக்கிய* முயற்சிகள் தேவைப்படும்.
-	 - முக்கிய முயற்சிகள் என்பது எவ்வளவு?
+ - நாம ஒரு *பிரதான* ஆண்டு கொண்டோம்!
+	 - ஒருவருக்கு 2%-3% வருமான அதிகரிப்பு அர்த்தம், மற்றொருவருக்கு 50%-60% ஆக இருக்கலாம்
+ - எங்கள் பயனர்கள் வெற்றிக் கணக்குகள் *மிகவும்* அதிகரித்தன
+	 - மிகப் பெரிய அதிகரிப்பு என்பது எவ்வளவு?
+ - இது *முக்கியமான* முயற்சி தேவைப்படுகின்றது.
+	 - முக்கியமான முயற்சி என்றால் எத்தனை?
 
-அस्पष्ट வார்த்தைகளை மேலும் தரவுகளுக்கு முன்னோடியாக அல்லது நீங்கள் சொன்ன கதையின் சுருக்கமாக பயன்படுத்தலாம். ஆனால் உங்கள் வழங்கலின் ஒவ்வொரு பகுதியும் உங்கள் பார்வையாளர்களுக்கு தெளிவாக இருப்பதை உறுதிப்படுத்துங்கள்.
+அர்த்தமற்ற வார்த்தைகள் கூட புதியதாக வரும் தரவை அறிமுகப்படுத்தும் போது, அல்லது வழங்கிய கதையின் சுருக்கமாக பயனுள்ளதாய் இருக்கலாம். ஆனால் உங்கள் வழங்கல் முழுவதும் தெளிவாக இருப்பதை உறுதி செய்யுங்கள்.
 
-### 5. உணர்வுகளைப் பயன்படுத்துங்கள்
-கதைசொல்லலில் உணர்வு முக்கியமானது. உங்கள் தரவுடன் ஒரு கதையைச் சொல்லும்போது இது மேலும் முக்கியமாகிறது. நீங்கள் தரவுகளைத் தகவல்தொடரும்போது, உங்கள் பார்வையாளர்கள் எடுத்துக்கொள்ள வேண்டிய விஷயங்கள் மீது கவனம் செலுத்தப்படுகிறது. ஒரு பார்வையாளர்களுக்கு ஒரு உணர்வைத் தூண்டும்போது, அது அவர்களுக்கு பரிதாபத்தை ஏற்படுத்துகிறது, மேலும் அவர்கள் நடவடிக்கை எடுக்க வாய்ப்பு அதிகமாகிறது. உணர்வு உங்கள் செய்தியை ஒரு பார்வையாளர்கள் நினைவில் வைத்துக்கொள்ள வாய்ப்பை அதிகரிக்கிறது.
+### 5. உணர்வுகளை உபயோகி
+உணர்வு என்பது கதையின் முக்கிய அம்சம். குறிப்பாக தரவுடன் கதை சொல்லும்போது மிகவும் முக்கியம். தரவு தொடர்பில் உங்கள் பார்வையாளர்களுக்குத் தேவையான எடுத்துக்காரங்களை அனுப்புகின்றீர்கள். உணர்வு காண்பித்தால் அவர்கள் அதிகம் உணர்வு பகிர்வார்கள் மற்றும் நடைமுறைக்குச் செல்ல வாய்ப்பு அதிகமாகும். உணர்வு உங்கள் செய்தியை நினைவில் வைக்கும்படியும் அதிகரிக்கும்.
 
-நீங்கள் இதை தொலைக்காட்சி விளம்பரங்களில் முன்பே சந்தித்திருக்கலாம். சில விளம்பரங்கள் மிகவும் சோகமாக இருக்கும், மற்றும் அவர்கள் தரவுகளை மிகவும் முக்கியமாகத் தோன்றச் செய்ய சோகமான உணர்வைத் தொடர்புபடுத்துகின்றன. அல்லது, சில விளம்பரங்கள் மிகவும் உற்சாகமாகவும் மகிழ்ச்சியாகவும் இருக்கும், இது அவர்களின் தரவுகளை மகிழ்ச்சியான உணர்வுடன் தொடர்புபடுத்தலாம்.
+நீங்கள் சில தொலைக்காட்சி விளம்பரங்களில் இதை பார்த்திருக்கலாம். சில விளம்பரங்கள் சோகமான உணர்வுகளை எழுப்பி, தரவைப் பிரத்தியேகமாக்குகின்றன. சிலவுகள் மகிழ்ச்சியான உணர்வுடன் உங்கள் மனதில் தரவை இணைப்பதற்கும்.
 
-தரவுகளைத் தகவல்தொடரும்போது உணர்வுகளை எப்படி பயன்படுத்துவது? கீழே சில வழிகள் உள்ளன.
+உணர்வுகளைக் கொண்டு எப்படி தொடர்புகொள்வது? கீழே சில முறைகள்.
 
- - சான்றுகள் மற்றும் தனிப்பட்ட கதைகளைப் பயன்படுத்துங்கள்
-	- தரவுகளை சேகரிக்கும் போது, அளவுரு மற்றும் தரவுரு தரவுகளை இரண்டையும் சேகரிக்க முயற்சிக்கவும், மற்றும் நீங்கள் தகவல்தொடரும்போது இரு வகையான தரவுகளையும் ஒருங்கிணைக்கவும். உங்கள் தரவுகள் பெரும்பாலும் அளவுரு தரவுகளாக இருந்தால், உங்கள் தரவுகள் உங்களுக்குச் சொல்லும் விஷயத்தைப் பற்றிய அனுபவத்தைப் புரிந்துகொள்ள தனிநபர்களிடமிருந்து கதைகளைத் தேடுங்கள்.
- - படங்களைப் பயன்படுத்துங்கள்
-	 - படங்கள் ஒரு பார்வையாளர்கள் ஒரு சூழ்நிலையில் தங்களை காண
-எமர்சன் இந்த கூட்டத்தில் தொடர்பு கொள்ளும் முறையில் இது பயனுள்ளதாக இருந்ததா?
+ - சான்றிதழ்கள் மற்றும் தனிப்பட்ட கதைகள் பயன்படுத்தவும்
+	- தரவு சேகரிக்கும் போது, அளவுகோல்களும் தரவுகளும் (quantitative மற்றும் qualitative) இரண்டையும் சேகரிக்கவும். உங்கள் தரவு முக்கியமாக அளவுகோல் தரவு என்றால், தனிப்பட்ட அனுபவக் கதைகளை தேடவும்.
+ - படங்களைக் கையாளவும்
+	 - படங்கள் பார்வையாளர்களுக்கு தங்களையே சிக்கல் நிலைமைக்குள் காண உதவும். படங்களோடு, நீங்கள் தரிக்கும் தரவுக்கு ஏற்ப உணர்வை தூண்டும் வாய்ப்பு உண்டாகும்.
+ - நிறங்கள் உபயோகிக்கவும்
+	 - வெவ்வேறு நிறங்கள் வெவ்வேறு உணர்வுகளை உருவாக்கும். பிரபல நிறங்களும் அதனால் ஏற்படும் உணர்வுகளும் கீழே கொடுக்கப்பட்டுள்ளன. கவனிக்கவும், நிறங்களுக்கு வெவ்வேறு கலாச்சாரங்களில் வேறுபட்ட பொருள் இருக்கலாம்.
+		 - நீலம் பொதுவாக அமைதி மற்றும் நம்பிக்கை
+		 - பச்சை இயற்கை மற்றும் சுற்றுச்சூழல்
+		 - சிவப்பு ஆற்றலும் விசாரணையும்
+		 - மஞ்சள் நம்பிக்கை மற்றும் மகிழ்ச்சி
 
-கூட்டத்தின் போது, ஒரு நிறுவனத்தின் தலைவருக்கு எமர்சன் எடுத்துக்காட்டிய 10 நிமிட வாடிக்கையாளர் புகார்கள் மட்டுமே மனதில் பதிந்தது. கூட்டத்திற்குப் பிறகு, இந்த புகார்கள் மட்டுமே அந்த குழு தலைவரின் நினைவில் இருந்தது. மற்றொரு நிறுவனத்தின் தலைவருக்கு எமர்சன் ஆராய்ச்சி செயல்முறையை விவரித்தது முக்கியமாக நினைவில் இருந்தது. மூன்றாவது நிறுவனத்தின் தலைவர் எமர்சன் முன்மொழிந்த தீர்வுகளை நினைவில் வைத்திருந்தார், ஆனால் அந்த தீர்வுகளை எவ்வாறு செயல்படுத்துவது என்பது குறித்து உறுதியாக இல்லை.
+# தொடர்பு வழக்கு ஆய்வு
+எமெர்சன் என்பது ஒரு மொபைல் செயலி தயாரிப்பாளர். எமெர்சன் கவனித்தார், வாடிக்கையாளர்கள் வார இறுதியில் 42% அதிகமான புகார்கள் மற்றும் பிழை அறிக்கைகள் அனுப்புகிறார்கள். மேலும், 48 மணிநேரத்தில் பதில் பெறாத புகாராளர்கள் 32% அதிகமாய் செயலியின் மதிப்பீட்டில் 1 அல்லது 2 ரேட்டிங் தருவார்கள்.
 
-மேலே உள்ள சூழலில், எமர்சன் குழு தலைவர்கள் எடுத்துச் செல்ல வேண்டும் என்று நினைத்ததை, அவர்கள் கூட்டத்திலிருந்து எடுத்துச் செல்லவில்லை என்பதை நீங்கள் காணலாம். கீழே எமர்சன் பரிசீலிக்கக்கூடிய மற்றொரு அணுகுமுறை கொடுக்கப்பட்டுள்ளது.
+ஆராய்ச்சி செய்த பிறகு, எமெர்சனுக்கு சில தீர்வுகள் உள்ளன. எமெர்சன் 30 நிமிட கூட்டத்தை 3 நிறுவன தலைவர்களுடன் ஏற்பாடு செய்து, தரவு மற்றும் பரிந்துரைகளை பகிர்கிறார்.
 
-எமர்சன் இந்த அணுகுமுறையை எவ்வாறு மேம்படுத்த முடியும்?  
-சூழல், மோதல், உச்சம், முடிவு, நிறைவு  
-**சூழல்** - எமர்சன் முதல் 5 நிமிடங்களில் முழு சூழலையும் அறிமுகப்படுத்தி, குழு தலைவர்கள் இந்த பிரச்சினைகள் நிறுவனத்தின் முக்கியமான அளவுகோள்களை, உதாரணமாக வருமானத்தை, எவ்வாறு பாதிக்கின்றன என்பதை புரிந்துகொள்ளச் செய்வது.
+இந்த கூட்டத்தில், எமெர்சன் தலைவர்கள் கீழ்க்காணும் இரு தீர்வுகள் செயலியின் மதிப்பை மேம்படுத்துவதே நோக்கம் என்று புரிந்து கொள்ளவேண்டும்.
 
-இது இவ்வாறு அமைக்கப்படலாம்: "தற்போது, எங்கள் ஆப்ஸின் மதிப்பீடு ஆப் ஸ்டோரில் 2.5 ஆக உள்ளது. ஆப் ஸ்டோர் மதிப்பீடுகள் ஆப் ஸ்டோர் ஆப்டிமைசேஷனுக்கு முக்கியமானவை, இது எங்கள் ஆப்ஸை தேடலில் எத்தனை பயனர்கள் பார்க்கிறார்கள் மற்றும் எதிர்பார்க்கப்படும் பயனர்களுக்கு எங்கள் ஆப்ஸ் எப்படி தோன்றுகிறது என்பதை பாதிக்கிறது. மேலும், எங்கள் பயனர்களின் எண்ணிக்கை நேரடியாக வருமானத்துடன் தொடர்புடையது."
+**தீர்வு 1.** வார இறுதியில் வேலை செய்ய வாடிக்கையாளர் சேவை பிரதிநிதிகளை வேலைக்கு அமர்த்துதல்
 
-**மோதல்** - எமர்சன் அடுத்த 5 நிமிடங்கள் அல்லது அதற்கும் மேலாக மோதல் குறித்து பேசலாம்.
+**தீர்வு 2.** புதிய வாடிக்கையாளர் சேவை டிக்கெட் அமைப்பை வாங்குதல், இதில் பிரதிநிதிகள் மிகவும் நீண்ட நாட்களாய் காத்திருக்கும் புகார்களை எளிதில் அடையாளம் காணலாம் – அதனால் அவற்றை உடனடியாய் கையாள முடியும்.
 
-இது இவ்வாறு இருக்கலாம்: “பயனர்கள் வார இறுதிகளில் 42% அதிக புகார்கள் மற்றும் பிழை அறிக்கைகளை சமர்ப்பிக்கிறார்கள். 48 மணி நேரத்திற்குப் பிறகு பதிலளிக்கப்படாத புகாரை சமர்ப்பிக்கும் வாடிக்கையாளர்கள் ஆப் ஸ்டோரில் 2 க்கும் குறைவான மதிப்பீட்டை வழங்க 32% குறைவாக இருக்கிறார்கள். எங்கள் ஆப்ஸின் மதிப்பீட்டை 4 ஆக மேம்படுத்துவது எங்கள் காட்சியளிப்பை 20-30% மேம்படுத்தும், இது வருமானத்தை 10% அதிகரிக்கும் என்று நான் கணிக்கிறேன்." இந்த எண்ணிக்கைகளை எமர்சன் நியாயப்படுத்த தயாராக இருக்க வேண்டும்.
+கூட்டத்தில், எமெர்சன் 5 நிமிடங்கள் செயலி மீது குறைந்த மதிப்பீடு கொள்வதின் தீங்குகளை விளக்கும், 10 நிமிடங்கள் ஆராய்ச்சி முறையையும் கண்டறிந்த போக்குகளையும் பகிரும், 10 நிமிடங்கள் சமீபத்திய வாடிக்கையாளர் புகார்களைப் பேசும், கடைசியில் 5 நிமிடங்கள் இரு தீர்வுகளை விரிவாக முன்னிலை செய்கிறது.
+Emerson இதே சந்திப்பின் போது தொடர்பு கொள்ள இது ஒரு பயனுள்ள வழியா?
 
-**உச்சம்** - அடிப்படை விவரங்களை அமைத்த பிறகு, எமர்சன் 5 நிமிடங்கள் அல்லது அதற்கும் மேலாக உச்சத்தை நோக்கி நகரலாம்.
+சந்திப்பில், ஒரு நிறுவனர் Emerson மூலம் நடைபெற்ற 10 நிமிட வாடிக்கையாளர் புகார்கள் மீது கவனம் செலுத்தினார். சந்திப்புக்குப் பிறகு, அந்த குழு தலைவர் நினைவில் வைத்திருந்த ஒரே விஷயம் அதுதான். மற்றொரு நிறுவனர் முதன்மையாக Emerson ஆராய்ச்சி செயல்முறை பற்றி விவரித்ததைப் பற்றி கவனம் செலுத்தினார். மூன்றாவது நிறுவனர் Emerson வழங்கிய தீர்வுகளை நினைவில் வைத்திருந்தாலும், அவை எப்படி அமல்படுத்தப்படுமென்று உறுதியாக இல்லை.
 
-எமர்சன் முன்மொழிந்த தீர்வுகளை அறிமுகப்படுத்தி, அந்த தீர்வுகள் குறிப்பிடப்பட்ட பிரச்சினைகளை எவ்வாறு தீர்க்கும், அந்த தீர்வுகளை தற்போதைய வேலைப்பாடுகளில் எவ்வாறு செயல்படுத்தலாம், அந்த தீர்வுகளின் செலவு என்ன, ROI என்ன, மேலும் அந்த தீர்வுகள் செயல்படுத்தப்பட்டால் எப்படி தோன்றும் என்பதை காட்டும் ஸ்கிரீன்ஷாட்கள் அல்லது வைர்ஃபிரேம்களை பகிரலாம். மேலும், 48 மணி நேரத்திற்கும் மேலாக பதிலளிக்கப்படாத புகாரை சமர்ப்பித்த பயனர்களிடமிருந்து சான்றுகளை பகிரலாம், மேலும் தற்போதைய டிக்கெட் அமைப்பைப் பற்றிய கருத்துக்களுடன் ஒரு தற்போதைய வாடிக்கையாளர் சேவை பிரதிநிதியின் சான்றையும் பகிரலாம்.
+மேலே குறிப்பிடப்பட்ட சூழ்நிலையில், Emerson குழு தலைவர்கள் எடுத்துக் கொள்ள விரும்பினார் என்றதுடன், அவர்கள் சந்திப்பில் எடுத்துக் கொண்டதிற்கிடையில் பெரிய வித்தியாசம் இருந்தது என பார்க்க முடியும். கீழே Emerson பரிந்துரைக்கக்கூடிய மற்றொரு அணுகுமுறை உள்ளது.
 
-**முடிவு** - இப்போது எமர்சன் 5 நிமிடங்கள் செலவழித்து, நிறுவனத்தால் எதிர்கொள்ளப்படும் பிரச்சினைகளை மீண்டும் கூறி, முன்மொழிந்த தீர்வுகளை மீண்டும் பார்வையிட்டு, ஏன் அந்த தீர்வுகள் சரியானவை என்பதை மதிப்பீடு செய்யலாம்.
+Emerson இந்த அணுகுமுறையை எப்படி மேம்படுத்த முடியும்?  
+Context, Conflict, Climax, Closure, Conclusion  
+**Context** - Emerson முதல் 5 நிமிடங்களில் முழு நிலைமையை அறிமுகப்படுத்தி, குழு தலைவர்கள் பிரச்சனைகள் நிறுவனத்திற்கு முக்கியமான அளவுருக்களை (வருவாய் போன்றவை) எவ்வாறு பாதிக்கின்றன என்பதைப் புரிந்துகொள்ளும் வகையில் செலவிடலாம்.
 
-**நிறைவு** - இது சில பங்குதாரர்களுடன் நடைபெறும் கூட்டமாக இருப்பதால், இரு வழி தொடர்பு பயன்படுத்தப்படும், எமர்சன் குழு தலைவர்களுக்கு குழப்பமான விஷயங்களை தெளிவுபடுத்த 10 நிமிடங்களை விடுமுறையாக வைக்கலாம்.
+இதுபோல் கூறலாம்: "தற்போது, எங்கள் செயலி அப் ஸ்டோரில் மதிப்பீடு 2.5 ஆக உள்ளது. அப் ஸ்டோரில் மதிப்பீடு App Store Optimizationக்கு முக்கியம், இது எவ்வளவு பயனர்கள் தேடலில் எங்கள் செயலியைப் பார்க்கிறார்கள் என்பதையும் எதிர்பார்க்கப படும் பயனர்களுக்கு எங்கள் செயலி எப்படி காட்சியளிக்கின்றது என்பதையும் பாதிக்கும். நிச்சயமாக, எத்தனை பயனர்கள் உள்ளனர் என்பதும் வருவாய்க்கு நேரடியாக தொடர்புடையது."
 
-எமர்சன் அணுகுமுறை #2 ஐ எடுத்தால், குழு தலைவர்கள் எமர்சன் அவர்கள் எடுத்துச் செல்ல வேண்டும் என்று நினைத்ததை கூட்டத்திலிருந்து எடுத்துச் செல்ல வாய்ப்பு அதிகமாக இருக்கும் – புகார்கள் மற்றும் பிழைகளை கையாளும் முறை மேம்படுத்தப்பட வேண்டும், மேலும் அந்த மேம்பாட்டை செயல்படுத்த 2 தீர்வுகள் உள்ளன. இந்த அணுகுமுறை எமர்சன் தொடர்பு கொள்ள விரும்பும் தரவையும் கதையையும் தொடர்பு கொள்ள மிகவும் பயனுள்ளதாக இருக்கும்.
+**Conflict** - பிறகு Emerson அடுத்த 5 நிமிடங்கள்くらい இந்த முரண்பாட்டைப் பற்றி பேசலாம்.
 
-# நிறைவு  
+இதுபோல் இருக்கலாம்: "விரிவாக, பயனர்கள் வார இறுதிகளில் 42% அதிகமான புகார்கள் மற்றும் பிழை அறிக்கைகளைச் சமர்ப்பிக்கிறார்கள். 48 மணிநேரத்துக்குப் பிறகு பதிலளிக்கப்படாத புகாராளர்கள், அப் ஸ்டோரில் 2க்கு மேலான மதிப்பீட்டை வழங்குவதற்கு 32% குறைவாகத் தீர்மானிக்கிறார்கள். எங்கள் செயலியின் மதிப்பீட்டை 4 ஆக்குவதால் 20-30% வரையிலான காட்சி திறன் மேம்படும், இதனால் வருவாய் 10% அதிகரிக்கும் என்று நான் கணக்கிட்டுள்ளேன்." நிச்சயமாக, Emerson இந்த எண்களை ஆதரிக்கத் தயாராக இருக்க வேண்டும்.
+
+**Climax** - அடித்தளம் அமைத்த பிறகு, Emerson 5 நிமிடங்கள்くらい Climaxக்கு செல்லலாம்.
+
+Emerson பரிந்துரைத்த தீர்வுகளை அறிமுகப்படுத்தி, அவை குறிப்பிடப்பட்ட பிரச்சனைகளை எப்படி கையாளும் என்பதை விளக்கி, அவை தற்போதைய வேலைப்பாட்டுகளில் எப்படி நடைமுறைப்படுத்தப்படலாம் என்பதை, அவற்றின் செலவையும், ROI-யையும், அமல்படுத்தப்பட்டால் எப்படிப் பார்த்து வரும் என்பது குறித்த சில ஸ்கிரீன்ஷாட்களோ அல்லது வைர்ஃப்ரேம்களோ காட்டலாம். மேலும், 48 மணி நேரத்திற்கு மேல் புகார் தீர்க்கப்பட்டது என்று பயனர்களின் சான்றிதழ்களைப் பகிரலாம், மற்றும் தற்போதைய டிக்கெட்டிங் சிஸ்டத்தில் கருத்து வழங்கும் நிறுவனர் வாடிக்கையாளர் சேவை பிரதிநிதி ஒருவரின் சான்றிதழையும் பகிரலாம்.
+
+**Closure** - இப்போது Emerson 5 நிமிடங்கள் செலவழித்து நிறுவனம் எதிர்கொள்ளும் பிரச்சனைகளை மறுபடியும் கூறி, பரிந்துரைக்கப்பட்ட தீர்வுகளை மீண்டும் பரிசீலித்து, அவை ஏன் சரியான தீர்வெனும் காரணங்களை மதிப்பாய்வு செய்யலாம்.
+
+**Conclusion** - இது சில பங்கு பெறுவோர் உடன் நடக்கும் சந்திப்பாகும், மேலும் இரு வழி தொடர்பு பயன்படும் என்பதால், சந்திப்பு முடிவுக்கு வருவதற்கு முன் குழு தலைவர்களுக்கு குழப்பம் இருந்தால் தெளிவாக்க 10 நிமிடங்கள் கேள்விகளுக்கு ஒதுக்கப்படலாம்.
+
+Emerson #2 முறை அணுகுமுறையை எடுத்திருந்தால், குழு தலைவர்கள் சந்திப்பில் இருந்து Emerson இப்போது பிரச்சினைகள் மற்றும் பிழைகள் கையாளும் முறை மேம்படுத்தக்கூடியது என்பது, மேலும் அந்த மேம்பாட்டிற்கு இரண்டு தீர்வுகள் உள்ளன என்று எதிர்பார்த்ததைப்போலவே எடுத்துக் கொள்ள வாய்ப்பு அதிகம். இது Emerson தொடர்பு கொள்ள விரும்பும் தரவை மற்றும் கதையை விளக்குவதற்கு மிகவும் பயனுள்ள அணுகுமுறையாக இருக்கும்.
+
+# முடிவு  
 ### முக்கிய அம்சங்களின் சுருக்கம்  
-- தொடர்பு என்பது தகவலை பரிமாற்றம் அல்லது பரிமாற்றம் செய்வதாகும்.  
-- தரவுகளை தொடர்பு கொள்ளும்போது, உங்கள் நோக்கம் உங்கள் பார்வையாளர்களுக்கு எண்களை மட்டும் வழங்குவது அல்ல. உங்கள் தரவால் தகவமைக்கப்படும் ஒரு கதையை தொடர்பு கொள்வதே உங்கள் நோக்கம்.  
-- தொடர்பு கொள்ள 2 வகைகள் உள்ளன, ஒரே வழி தொடர்பு (தகவல் பதிலளிக்க வேண்டிய நோக்கமின்றி தொடர்பு கொடுக்கப்படுகிறது) மற்றும் இரு வழி தொடர்பு (தகவல் இரு வழியாக பரிமாற்றப்படுகிறது).  
-- உங்கள் தரவுடன் ஒரு கதையை சொல்ல பல உத்திகள் உள்ளன, நாம் சென்ற 5 உத்திகள்:  
-	- உங்கள் பார்வையாளர்கள், உங்கள் ஊடகம், மற்றும் உங்கள் தொடர்பு முறைமையை புரிந்துகொள்ளுங்கள்  
-	- முடிவை மனதில் வைத்து தொடங்குங்கள்  
-	- அதை ஒரு உண்மையான கதையாக அணுகுங்கள்  
-	- பொருத்தமான வார்த்தைகள் மற்றும் சொற்றொடர்களைப் பயன்படுத்துங்கள்  
-	- உணர்ச்சியை பயன்படுத்துங்கள்  
-
-### சுயபயிற்சிக்கான பரிந்துரைக்கப்பட்ட வளங்கள்  
+- தொடர்பு கொள்ளுவது என்பது தகவலைப் பரிமாறுதல் அல்லது பரிமாற்றம் செய்வது.  
+- தரவுகளை தொடர்பு கொள்ளும் போது, எண்ணிக்கைகளை மட்டுமே வழங்குவது அல்ல. உங்கள் தரவால் அறிவுறுத்தப்படும் கதையை தொடர்பு கொள்ள வேண்டும்.  
+- தொடர்பு கொள்ள 2 வகைகள் உள்ளன, ஒரு வழி தொடர்பு (விண்ணப்பமின்றி தகவல் பரிமாற்றம்) மற்றும் இரண்டு வழி தொடர்பு (பின்விளைவுக்கு இடையிலான தகவல் பரிமாற்றம்).  
+- தரவுடன் கதை சொல்ல 5 முறைகள் உள்ளன:  
+  - உங்கள் பார்வையாளர்களை, உங்கள் ஊடகத்தை மற்றும் உங்கள் தொடர்பு முறையை புரிந்து கொள்ளுதல்  
+  - முடிவை துவக்கத்தில் கருத்தில் கொள்வது  
+  - அதை ஒரு உண்மையான கதை போல அணுகுதல்  
+  - அர்த்தமுள்ள சொற்கள் மற்றும் சொல்லடிகள் பயன்படுத்துதல்  
+  - ஆசையும் உணர்ச்சியையும் பயன்படுத்துதல்  
+
+### சுயபடிப்பு பரிந்துரைக்கப்பட்ட வளங்கள்  
 [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/)  
@@ -180,15 +199,17 @@
 
 [1. Communicating Data - Communicating Data with Tableau [Book] (oreilly.com)](https://www.oreilly.com/library/view/communicating-data-with/9781449372019/ch01.html)  
 
-## [பாடத்திற்குப் பிறகான வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/31)  
+## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/31)  
 
-மேற்கண்ட பாடத்தை நீங்கள் கற்றுக்கொண்டதை [பாடத்திற்குப் பிறகான வினாடி வினா] மூலம் மதிப்பீடு செய்யுங்கள்!  
+மேலே உள்ள அலகுப்படி பரீட்சையை கொண்டு நீங்கள் இப்போது கற்றுக்கொண்டதை மீண்டும் பரிசோதிக்கவும்!  
 
-## பணிக்கான ஒதுக்கீடு  
+## பணியிடை  
 
-[மார்க்கெட் ஆராய்ச்சி](assignment.md)  
+[Market Research](assignment.md)
 
 ---
 
-**குறிப்பு**:  
-இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கிறோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளுங்கள். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
+<!-- CO-OP TRANSLATOR DISCLAIMER START -->
+**மறுப்பு**:
+இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
+<!-- CO-OP TRANSLATOR DISCLAIMER END -->

translations/ta/5-Data-Science-In-Cloud/18-Low-Code/README.md

@@ -1,251 +1,344 @@
-# கிளவுடில் தரவியல் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லாமல்" 
+# மேகவணிகியில் தரவுத் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லை" வழி
 
 |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/18-DataScience-Cloud.png)|
 |:---:|
-| கிளவுடில் தரவியல் அறிவியல்: குறைந்த குறியீடு - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
-
-உள்ளடக்க அட்டவணை:
-
-- [கிளவுடில் தரவியல் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லாமல்"](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [முன்-வகுப்பு வினாடி வினா](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [1. அறிமுகம்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [1.1 Azure Machine Learning என்றால் என்ன?](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [1.2 இதய செயலிழப்பு கணிப்பு திட்டம்:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [1.3 இதய செயலிழப்பு தரவுத்தொகுப்பு:](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [2. Azure ML Studio-வில் குறைந்த குறியீடு/குறியீடு இல்லாமல் மாதிரி பயிற்சி](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [2.1 Azure ML வேலைநிலையை உருவாக்குதல்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [2.2 கணினி வளங்கள்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-      - [2.2.1 உங்கள் கணினி வளங்களுக்கு சரியான விருப்பங்களை தேர்வு செய்தல்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-      - [2.2.2 கணினி கிளஸ்டரை உருவாக்குதல்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [2.3 தரவுத்தொகுப்பை ஏற்றுதல்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [2.4 AutoML மூலம் குறைந்த குறியீடு/குறியீடு இல்லாமல் பயிற்சி](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [3. குறைந்த குறியீடு/குறியீடு இல்லாமல் மாதிரி பிரசுரம் மற்றும் இறுதிப்புள்ளி பயன்பாடு](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [3.1 மாதிரி பிரசுரம்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-    - [3.2 இறுதிப்புள்ளி பயன்பாடு](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [🚀 சவால்](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [வகுப்புக்குப் பின் வினாடி வினா](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [மதிப்பீடு மற்றும் சுயபயிற்சி](../../../../5-Data-Science-In-Cloud/18-Low-Code)
-  - [பணி](../../../../5-Data-Science-In-Cloud/18-Low-Code)
+| மேகவணிகியில் தரவுத் அறிவியல்: குறைந்த குறியீடு - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
+
+உள்ளடக்கக் கட்டமைப்பு:
+
+- [மேகவணிகியில் தரவுத் அறிவியல்: "குறைந்த குறியீடு/குறியீடு இல்லை" வழி](#மேகவணிகியில்-தரவுத்-அறிவியல்-குறைந்த-குறியீடுகுறியீடு-இல்லை-வழி)
+  - [முன்-வகுப்பு வினாக்களம்](#முன்-வகுப்பு-வினாக்களம்)
+  - [1. அறிமுகம்](#1-அறிமுகம்)
+    - [1.1 Azure மெஷின் லெர்னிங் என்றால் என்ன?](#11-azure-மெஷின்-லெர்னிங்-என்றால்-என்ன)
+    - [1.2 இதய வியாதி தோல்வி பற்றிய முன்னறிவிப்பு திட்டம்:](#12-இதய-வியாதி-தோல்வி-முன்னறிவிப்பு-திட்டம்)
+    - [1.3 இதய வியாதி தரவு தொகுப்பு:](#13-இதய-வியாதி-தரவு-தொகுப்பு)
+  - [2. Azure ML студியோவில் குறைந்த குறியீடு/குறியீடு இல்லா பயிற்சி](#2-azure-ml-ஸ்டுடியோவில்-குறைந்த-குறியீடுகுறியீடு-இல்லா-மாதிரி-பயிற்சி)
+    - [2.1 Azure ML பணியிடம் உருவாக்குதல்](#21-azure-ml-பணியிடம்-உருவாக்குதல்)
+    - [2.2 கணினி வளங்கள்](#22-கணினி-வளங்கள்)
+      - [2.2.1 உங்கள் கணினி வளங்களுக்கு சரியான விருப்பங்களை தேர்ந்தெடுக்குதல்](#221-உங்கள்-கணினி-வளங்களுக்கு-சரியான-விருப்பங்களை-தேர்வு-செய்தல்)
+      - [2.2.2 கணினி கிளஸ்டர் உருவாக்குதல்](#222-கணினி-கிளஸ்டர்-உருவாக்குதல்)
+    - [2.3 தரவு தொகுப்பை ஏற்றுதல்](#23-தரவுத்தொகுப்பு-ஏற்றுதல்)
+    - [2.4 AutoML உடன் குறைந்த குறியீடு/குறியீடு இல்லா பயிற்சி](#24-குறைந்த-குறியீடுகுறியீடு-இல்லா-automl-மூலம்-பயிற்சி)
+  - [3. குறைந்த குறியீடு/குறியீடு இல்லா மாதிரி பிரசாரம் மற்றும் ஒட்டுமொத்த பயன்பாடு](#3-குறைந்த-குறியீடுகுறியீடு-இல்லா-மாதிரி-நிலைப்படுத்தல்-மற்றும்-இடைமுக-உபயோகிப்பது)
+    - [3.1 மாதிரி பிரசாரம்](#31-மாதிரி-நிலைப்படுத்தல்)
+    - [3.2 ஒட்டுமொத்த பயன்பாடு](#32-இடைமுக-உபயோகம்)
+  - [🚀 சவால்](#-challenge)
+  - [பாடம் பிறகு வினாக்களம்](#பாடம்-பின்வரும்-வினாடி-வினா)
+  - [அளவுரு மற்றும் சுயபாடம்](#review--self-study)
+  - [பணி](#பணியுரை)
   
-## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/34)
+## [முன்-வகுப்பு வினாக்களம்](https://ff-quizzes.netlify.app/en/ds/quiz/34)
 
 ## 1. அறிமுகம்
-### 1.1 Azure Machine Learning என்றால் என்ன?
+### 1.1 Azure மெஷின் லெர்னிங் என்றால் என்ன?
 
-Azure கிளவுட் தளம் 200-க்கும் மேற்பட்ட தயாரிப்புகள் மற்றும் கிளவுட் சேவைகளை வழங்குகிறது, இது புதிய தீர்வுகளை உருவாக்க உதவுகிறது.
-தரவியல் விஞ்ஞானிகள் தரவுகளை ஆராய்வதில் மற்றும் முன்-செயலாக்கத்தில், மேலும் துல்லியமான மாதிரிகளை உருவாக்க பல்வேறு மாதிரி பயிற்சி அல்காரிதங்களை முயற்சிப்பதில் அதிக முயற்சிகளை செலவிடுகிறார்கள். இந்த பணிகள் நேரம் பிடிக்கும், மேலும் விலை உயர்ந்த கணினி ஹார்ட்வேரைப் பயனற்ற முறையில் பயன்படுத்துகின்றன.
+Azure மேகவணிகம் 200 க்கு மேற்பட்ட தயாரிப்புகள் மற்றும் மேகவணிக சேவைகளை கொண்டுள்ளது, இது உங்களுக்கு புதிய தீர்வுகளை உருவாக்க உதவுவதற்காக வடிவமைக்கப்பட்டுள்ளது.
+தரவு அறிவியல் ஆராய்ச்சியாளர்கள் தரவை ஆராய்ச்சி செய்து முன் செயலாக்கம் செய்து, பல விதமான மாதிரி பயிற்சி அல்கொரிதங்களை முயற்சி செய்யும் போது அதிக நேரத்தை செலவழிக்கின்றனர். இந்த பணிகள் நேரம் எடுத்துக் கொள்ளும் மற்றும் பெரும்பாலும் விலையுயர்ந்த கணினி உபகரணங்களை சரியான முறையில் பயன்படுத்தமாட்டார்கள்.
 
-[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) என்பது Azure-இல் இயங்கும் மெஷின் லெர்னிங் தீர்வுகளை உருவாக்க மற்றும் இயக்குவதற்கான கிளவுட் தளம் ஆகும். இது தரவுகளை தயாரிக்க, மாதிரிகளை பயிற்சி செய்ய, கணிப்பு சேவைகளை வெளியிட மற்றும் அவற்றின் பயன்பாட்டை கண்காணிக்க உதவும் பல்வேறு அம்சங்கள் மற்றும் திறன்களை கொண்டுள்ளது. முக்கியமாக, இது மாதிரிகளை பயிற்சி செய்ய தொடர்புடைய நேரம் பிடிக்கும் பணிகளை தானியங்கி முறையில் செயல்படுத்துவதன் மூலம் தரவியல் விஞ்ஞானிகளின் திறனை அதிகரிக்க உதவுகிறது; மேலும் இது பெரிய அளவிலான தரவுகளை கையாளுவதற்கு திறன் வாய்ந்த கிளவுட் கணினி வளங்களை பயன்படுத்த அனுமதிக்கிறது, ஆனால் உண்மையில் பயன்படுத்தப்படும் போது மட்டுமே செலவுகளை ஏற்படுத்துகிறது.
+[Azure ML](https://docs.microsoft.com/azure/machine-learning/overview-what-is-azure-machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) என்பது மேகவணிகத்தில் இயங்கும் கணினி கற்றல் தீர்வுகளை உருவாக்க மற்றும் இயக்க உருவாக்கப்பட்ட ஒரு மேகவணிகத்தளம். இது தரவை தயார் செய்வது, மாதிரிகளை பயிற்றுவிப்பது, முன்னறிவிப்பு சேவைகளை வெளியிடுதல் மற்றும் அவற்றின் பயன்பாட்டை கண்காணிப்பதில் உதவும் பலவகை அம்சங்கள் மற்றும் திறன்களை கொண்டுள்ளது. முக்கியத்துவமாக, இது மாதிரிகளை பயிற்றுவிக்கும் போது நேரம் செலவழிக்கும் பணிகளை தானாகச் செய்யด์தல் மூலம் அவர்களின் செயல்திறனை அதிகரிக்க உதவுகிறது; மேலும் பெரும் தரவுகளின் அளவுக்கு ஏற்ப மேகவணிகத்தில் கணினி வளங்களை திறம்பட அளவில் பயன்படுத்தவும், நீங்கள் பயன்படுத்தும் நேரத்தில் மட்டுமே செலவுகளை ஏற்படுத்தவும் உதவுகிறது.
 
-Azure ML தரவியல் விஞ்ஞானிகள் மற்றும் டெவலப்பர்களுக்கு தேவையான அனைத்து கருவிகளையும் வழங்குகிறது. இதில் அடங்கும்:
+Azure ML அனைவருக்கும் தேவையான கருவிகளைக் கொண்டுள்ளது, அது:
 
-- **Azure Machine Learning Studio**: இது Azure Machine Learning-இல் குறைந்த குறியீடு மற்றும் குறியீடு இல்லாமல் மாதிரி பயிற்சி, பிரசுரம், தானியக்கம், கண்காணிப்பு மற்றும் சொத்து மேலாண்மைக்கான வலை போர்ட்டல் ஆகும். ஸ்டுடியோ Azure Machine Learning SDK உடன் ஒருங்கிணைக்கப்படுகிறது.
-- **Jupyter Notebooks**: ML மாதிரிகளை விரைவாக உருவாக்க மற்றும் சோதிக்க.
-- **Azure Machine Learning Designer**: குறைந்த குறியீடு சூழலில் மாடுல்களை இழுத்து-விட்டு பரிசோதனைகளை உருவாக்க மற்றும் பின்னர் குழாய்களை பிரசுரம் செய்ய அனுமதிக்கிறது.
-- **Automated machine learning UI (AutoML)**: மெஷின் லெர்னிங் மாதிரி உருவாக்கத்தின் மீண்டும் மீண்டும் செய்யப்படும் பணிகளை தானியக்கமாக்குகிறது, அதிக அளவு, திறன் மற்றும் உற்பத்தி திறனுடன் ML மாதிரிகளை உருவாக்க அனுமதிக்கிறது.
-- **Data Labelling**: தரவுகளை தானாக லேபிள் செய்ய உதவும் ML கருவி.
-- **Machine learning extension for Visual Studio Code**: ML திட்டங்களை உருவாக்க மற்றும் மேலாண்மை செய்ய முழுமையான மேம்பாட்டு சூழலை வழங்குகிறது.
-- **Machine learning CLI**: Azure ML வளங்களை கட்டளைகள் மூலம் மேலாண்மை செய்ய உதவுகிறது.
-- **PyTorch, TensorFlow, Scikit-learn போன்ற திறந்த மூல கட்டமைப்புகளுடன் ஒருங்கிணைப்பு**: மெஷின் லெர்னிங் செயல்முறையின் முடிவை உருவாக்க, பிரசுரம் செய்ய மற்றும் மேலாண்மை செய்ய.
-- **MLflow**: உங்கள் மெஷின் லெர்னிங் பரிசோதனைகளின் வாழ்க்கைச் சுழற்சியை மேலாண்மை செய்ய திறந்த மூல நூலகம். **MLFlow Tracking** என்பது உங்கள் பயிற்சி இயக்க அளவுகோல்கள் மற்றும் மாதிரி கலைப்பாடுகளை பதிவு மற்றும் கண்காணிக்கும் MLflow இன் ஒரு கூறு ஆகும்.
+- **Azure Machine Learning Studio**: மாதிரி பயிற்சி, பிரசாரம், தானியங்கு செயல்படுத்தல், கண்காணிப்பு மற்றும் சொத்துகளின் முகாமை குறைந்த குறியீடு மற்றும் குறியீடு இல்லா விருப்பங்களுடன் செய்யும் ஒரு வலைத்தளம். இது Azure Machine Learning SDK உடன் ஒருங்கிணைக்கப்பட்டுள்ளது.
+- **Jupyter Notebooks**: விரைந்து மாதிரிகளை முன்மொழிந்து சோதனை செய்ய.
+- **Azure Machine Learning Designer**: மூலம், குறைந்த குறியீடு சூழலில் இழுத்து வீசும் முறையில் பரிசோதனைகள் செய்ய, பின்னர் குழாய்களை பிரசாரம் செய்ய.
+- **தானியங்கு மெஷின் லெர்னிங் UI (AutoML)**: மெஷின் கற்றல் மாதிரி உருவாக்க பணிகளை தானாகச் செய்து உயர் அளவு, திறன் மற்றும் உற்பத்தித் தொழில்திறன் பெறும் மாதிரிகளை கட்டமைக்க உதவும், மாதிரி தரத்தை பராமரிக்கும்.
+- **தரவு லேபிளிங்**: தரவை தானாக லேபிள் செய்ய உதவும் உதவும் கருவி.
+- **Visual Studio Code க்கான மெஷின் லெர்னிங் நீட்டிப்பு**: முழுமையான மேம்பாட்டு சூழலை வழங்கி மெஷின் லெர்னிங் திட்டங்களை கட்டமைக்க மற்றும் நிர்வகிக்க.
+- **மேஷின் லெர்னிங் CLI**: Azure ML வளங்களை கட்டளை வரியில் நிர்வகிக்க கட்டளைகள்.
+- **திறந்த மூலமாக உள்ள PyTorch, TensorFlow, Scikit-learn மற்றும் பல ஒன்றிணைப்பு**: பயிற்சி, பிரசாரம் மற்றும் முழு விளைவு மெஷின் கற்றல் செயல்முறையை நிர்வகிக்க.
+- **MLflow**: உங்கள் மெஷின் கற்றல் பரிசோதனைகளின் வாழ்க்கைசுழற்சியை நிர்வகிக்க திறந்த மூல நூலகம். **MLFlow Tracking** என்பது MLflow இன் ஒரு கூறாகும், இது உங்கள் பயிற்சி ஓட்டத்தில் மதிப்பெண்கள் மற்றும் மாதிரி தழுவல்களை பதிவு செய்கிறது, உங்கள் பரிசோதனை சூழலுக்கு பொறுத்தது இல்லாமல்.
 
-### 1.2 இதய செயலிழப்பு கணிப்பு திட்டம்:
+### 1.2 இதய வியாதி தோல்வி முன்னறிவிப்பு திட்டம்:
 
-திறன்கள் மற்றும் அறிவை சோதிக்க திட்டங்களை உருவாக்குவது மற்றும் கட்டுவது சிறந்த வழி என்பதில் சந்தேகமில்லை. இந்த பாடத்தில், Azure ML Studio-வில் இதய செயலிழப்பு தாக்குதல்களை கணிக்க ஒரு தரவியல் அறிவியல் திட்டத்தை உருவாக்க இரண்டு விதமான வழிகளை ஆராயப்போகிறோம்: குறைந்த குறியீடு/குறியீடு இல்லாமல் மற்றும் Azure ML SDK மூலம், கீழே உள்ள வரைபடத்தில் காட்டப்பட்டுள்ளபடி:
+திறமை மற்றும் அறிவைச் சோதிக்க திட்டங்களை உருவாக்குவது மிகச் சிறந்த வழி என்பது சந்தேகமில்லாது உண்மை. இந்தப் பாடத்தில், Azure ML Studio இல் இதய தோல்வி தாக்கங்களை முன்னறிவிப்பதற்கான தரவுத் அறிவியல் திட்டத்தை இரண்டு விதமாகப் பார்க்கப்போகிறோம்: குறைந்த குறியீடு/குறியீடு இல்லா வழி மற்றும் Azure ML SDK வழியாக; கீழ்காணும் திட்ட வரைபடத்தில் காணப்படுகின்றது:
 
 ![project-schema](../../../../translated_images/ta/project-schema.736f6e403f321eb4.webp)
 
-ஒவ்வொரு முறையும் அதன் சொந்த நன்மைகள் மற்றும் குறைகள் உள்ளன. குறைந்த குறியீடு/குறியீடு இல்லாமல் வழி தொடங்க எளிதானது, ஏனெனில் இது GUI (Graphical User Interface) உடன் தொடர்பு கொள்ளும், குறியீடு பற்றிய முன்னோட்ட அறிவு தேவையில்லை. இந்த முறை திட்டத்தின் செயல்திறனை விரைவாக சோதிக்க மற்றும் POC (Proof Of Concept) உருவாக்க அனுமதிக்கிறது. ஆனால், திட்டம் வளரும்போது மற்றும் விஷயங்கள் உற்பத்தி தயாராக இருக்க வேண்டும், GUI மூலம் வளங்களை உருவாக்குவது சாத்தியமில்லை. எல்லாவற்றையும், வளங்களை உருவாக்குதல் முதல் மாதிரியை பிரசுரம் செய்வது வரை, நிரலாக்க முறையில் தானியக்கமாக்க வேண்டும். இதுதான் Azure ML SDK-ஐ பயன்படுத்துவது எப்படி என்பதை அறிந்து கொள்ள முக்கியமாகிறது.
+ஒவ்வொரு வழிக்கும் தங்கள் நன்மைகளும் அக்கறைகளும் உள்ளன. குறைந்த குறியீடு/குறியீடு இல்லா வழி என்பது GUI (கிராஃபிகல் யூசர் இடைமுகம்) உடன் தொடர்பு கொண்டதால் தொடங்க எளிது; இதில் குறியீட்டு அறிவு தேவையில்லை. இந்த முறையால் திட்டத்தின் பொதுவான சாத்தியக்கூறுகளை வேகமாக சோதிக்கவும், POC (பிரூஃப் ஆஃப் கண்ட்செப்ட்) உருவாக்கவும் முடியும். இருப்பினும், திட்டம் வளர்ந்து கொண்டிருக்கும் போது, மற்றும் தயாரிப்பிற்கான தயாரிப்பாக உருவாக்க வேண்டுமெனில் GUI மூலமாக வளங்களை உருவாக்குவது சாத்தியமில்லை. அனைத்து வளங்களையும் நிரல் மூலம் தானாகச் செய்ய, மாதிரியை பிரசாரம் செய்ய Azure ML SDK கையாளுவது மிக அவசியம்.
 
-|                   | குறைந்த குறியீடு/குறியீடு இல்லாமல் | Azure ML SDK              |
+|                   | குறைந்த குறியீடு/குறைந்த குறியீடு இல்லை | Azure ML SDK              |
 |-------------------|------------------|---------------------------|
-| குறியீடு திறன் | தேவையில்லை     | தேவை                  |
-| உருவாக்க நேரம்   | விரைவானது மற்றும் எளிது    | குறியீடு திறனின் அடிப்படையில் |
-| உற்பத்தி தயாராக | இல்லை               | ஆம்                       |
-
-### 1.3 இதய செயலிழப்பு தரவுத்தொகுப்பு: 
-
-கார்டியோவாஸ்குலர் நோய்கள் (CVDs) உலகளவில் மரணத்திற்கு முதன்மை காரணமாக உள்ளன, உலகளவில் அனைத்து மரணங்களின் 31% ஆகும். புகைபிடித்தல், ஆரோக்கியமற்ற உணவு மற்றும் கொழுப்பு, உடல் செயலற்ற தன்மை மற்றும் மது பாவனையின் தீங்கு போன்ற சுற்றுச்சூழல் மற்றும் நடத்தை ஆபத்து காரணிகள் மதிப்பீட்டு மாதிரிகளுக்கான அம்சங்களாக பயன்படுத்தப்படலாம். CVD உருவாகும் சாத்தியத்தை மதிப்பீடு செய்ய முடிந்தால், அதிக ஆபத்து உள்ளவர்களில் தாக்குதல்களைத் தடுக்க இது மிகவும் பயனுள்ளதாக இருக்கும்.
-
-Kaggle ஒரு [இதய செயலிழப்பு தரவுத்தொகுப்பை](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) பொதுமக்களுக்கு கிடைக்கச் செய்துள்ளது, இதை இந்த திட்டத்திற்காக பயன்படுத்தப் போகிறோம். நீங்கள் இப்போது தரவுத்தொகுப்பை பதிவிறக்கலாம். இது 13 நெடுவரிசைகள் (12 அம்சங்கள் மற்றும் 1 இலக்கு மாறி) மற்றும் 299 வரிசைகளுடன் ஒரு அட்டவணை தரவுத்தொகுப்பு.
-
-|    | மாறி பெயர்             | வகை            | விளக்கம்                                               | உதாரணம்           |
-|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
-| 1  | வயது                       | எண்       | நோயாளியின் வயது                                        | 25                |
-| 2  | அனீமியா                   | புலியன்         | சிவப்பு இரத்த அணுக்கள் அல்லது ஹீமோகுளோபின் குறைவு                | 0 அல்லது 1            |
-| 3  | கிரியேட்டினின் பாஸ்போகினேஸ்  | எண்       | இரத்தத்தில் CPK என்சைம் அளவு                          | 542               |
-| 4  | நீரிழிவு                  | புலியன்         | நோயாளிக்கு நீரிழிவு உள்ளதா                               | 0 அல்லது 1            |
-| 5  | ஈஜெக்ஷன் ஃபிராக்ஷன்         | எண்       | ஒவ்வொரு சுருக்கத்திலும் இதயத்தை விட்டு வெளியேறும் இரத்தத்தின் சதவீதம் | 45                |
-| 6  | உயர் இரத்த அழுத்தம்       | புலியன்         | நோயாளிக்கு உயர் இரத்த அழுத்தம் உள்ளதா                           | 0 அல்லது 1            |
-| 7  | பிளேட்லெட்ஸ்                 | எண்       | இரத்தத்தில் பிளேட்லெட்ஸ்                                    | 149000            |
-| 8  | சீரம் கிரியேட்டினின்          | எண்       | இரத்தத்தில் சீரம் கிரியேட்டினின் அளவு                    | 0.5               |
-| 9  | சீரம் சோடியம்              | எண்       | இரத்தத்தில் சீரம் சோடியம் அளவு                        | jun               |
-| 10 | பாலினம்                       | புலியன்         | பெண் அல்லது ஆண்                                              | 0 அல்லது 1            |
-| 11 | புகைபிடித்தல்                   | புலியன்         | நோயாளி புகைபிடிக்கிறாரா                                     | 0 அல்லது 1            |
-| 12 | நேரம்                      | எண்       | பின்தொடர்பு காலம் (நாட்கள்)                                   | 4                 |
-|----|---------------------------|-----------------|-----------------------------------------------------------|-------------------|
-| 21 | DEATH_EVENT [Target]      | புலியன்         | பின்தொடர்பு காலத்தில் நோயாளி இறந்தாரா           | 0 அல்லது 1            |
-
-தரவுத்தொகுப்பை பெற்ற பிறகு, நாம் Azure-இல் திட்டத்தை தொடங்கலாம்.
-
-## 2. Azure ML Studio-வில் குறைந்த குறியீடு/குறியீடு இல்லாமல் மாதிரி பயிற்சி
-### 2.1 Azure ML வேலைநிலையை உருவாக்குதல்
-Azure ML-இல் ஒரு மாதிரியை பயிற்சி செய்ய, முதலில் Azure ML வேலைநிலையை உருவாக்க வேண்டும். வேலைநிலை என்பது Azure Machine Learning-இல் உச்ச நிலை வளமாகும், இது Azure Machine Learning-ஐப் பயன்படுத்தும்போது நீங்கள் உருவாக்கும் அனைத்து கலைப்பாடுகளுடன் வேலை செய்ய ஒரு மைய இடத்தை வழங்குகிறது. வேலைநிலை அனைத்து பயிற்சி இயக்கங்களின் வரலாற்றை, பதிவு, அளவுகோல்கள், வெளியீடு மற்றும் உங்கள் ஸ்கிரிப்ட்களின் ஸ்னாப்ஷாட்டை உள்ளடக்கியது. எந்த பயிற்சி இயக்கம் சிறந்த மாதிரியை உருவாக்குகிறது என்பதை நீங்கள் இந்த தகவலைப் பயன்படுத்தி தீர்மானிக்கலாம். [மேலும் அறிக](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
-
-உங்கள் இயக்க முறைமைக்கு இணக்கமான சமீபத்திய உலாவியைப் பயன்படுத்த பரிந்துரைக்கப்படுகிறது. பின்வரும் உலாவிகள் ஆதரிக்கப்படுகின்றன:
-
-- Microsoft Edge (புதிய Microsoft Edge, சமீபத்திய பதிப்பு. Microsoft Edge legacy அல்ல)
-- Safari (சமீபத்திய பதிப்பு, Mac மட்டும்)
+| குறியீட்டு திறமை  | தேவையில்லை       | தேவையானது                |
+| உருவாக்க நேரம்   | வேகமாகவும் எளிதாகவும் | குறியீட்டு திறம்படிருந்தால் தான் |
+| தயாரிப்பு நிலை   | இல்லை           | ஆம்                      |
+
+### 1.3 இதய வியாதி தரவு தொகுப்பு: 
+
+இதயம் தொடர்புடைய நோய்கள் (CVDகள்) உலகளவில் முதற்கட்ட மரண காரணியாகும்; அனைத்து மரணங்களின் 31% ஆகும். புகையிலை பயன்படுத்தல், ஆரோக்கியமில்லாத உணவுக் கடைபிடிப்புகள், உடற்பயிற்சி இழப்பு மற்றும் மதுமதிப்பு போன்ற சுற்றுப்புற மற்றும் பழக்கவழக்கக் காரணிகள், மதிப்பீட்டு மாதிரிகளுக்கான கூறுகளாக பயன்படுத்தப்படலாம். ஹை ரிஸ்க் நபர்களில் தாக்கங்களை தடுப்பதில் இதற்கு மதிப்பீட்டை மதிப்பிடும் திறன் மிகவும் பயனுள்ளதாக இருக்கும்.
+
+காகிள் முதல் பார்வைக்கு வெளியிடப்பட்டுள்ள [இதய தோல்வி தரவு தொகுப்பு](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) இதற்காகப் பயன்படுத்தப் போகின்றோம். இன்று தொகுப்பை பதிவிறக்கலாம். இது 13 வரிசைகளைக் கொண்ட ஒரு அட்டவணைத் தரவுதோறும் (12 கூறுகள் மற்றும் 1 இலக்கு மாறி) 299 வரிசைகள் உள்ளன.
+
+|    | மாறிநாம்               | வகை            | விளக்கம்                                                  | உதாரணம்          |
+|----|------------------------|----------------|----------------------------------------------------------|-------------------|
+| 1  | age                    | எண்காணி        | நோயாளியின் வயது                                          | 25                |
+| 2  | anaemia                | பூலியன்        | சிவப்பு இரத்த அணுக்கள் அல்லது ஹீமோகுளோபின் குறைவு        | 0 அல்லது 1         |
+| 3  | creatinine_phosphokinase | எண்காணி       | இருதய இரத்தத்தில் உள்ள CPK என்சைமை நிலை                | 542               |
+| 4  | diabetes               | பூலியன்        | நோயாளிக்கு நீர்விள்ளை இருக்கிறதா?                        | 0 அல்லது 1         |
+| 5  | ejection_fraction      | எண்காணி        | ஒவ்வொரு நெடுங்குழற்சியில் இரத்தவெளியேற்றம் சதவீதம்      | 45                |
+| 6  | high_blood_pressure    | பூலியன்        | நோயாளிக்கு உயர் இரத்த அழுத்தமா?                          | 0 அல்லது 1         |
+| 7  | platelets              | எண்காணி        | இரத்தத்தில் உள்ள தகடு அளவு                                | 149000            |
+| 8  | serum_creatinine       | எண்காணி        | இரத்தத்தில் உள்ள சிலந்த ரசாயனம் அளவு                     | 0.5               |
+| 9  | serum_sodium           | எண்காணி        | இரத்தத்தில் உள்ள சிலந்த சோடியம் அளவு                     | jun               |
+| 10 | sex                    | பூலியன்        | பெண் அல்லது ஆண்                                           | 0 அல்லது 1         |
+| 11 | smoking                | பூலியன்        | நோயாளி புகைப்பதா?                                        | 0 அல்லது 1         |
+| 12 | time                   | எண்காணி        | தொடர்ச்சிப் பராமரிப்பு கால அளவு (நாட்கள்)                 | 4                 |
+|----|------------------------|----------------|----------------------------------------------------------|-------------------|
+| 21 | DEATH_EVENT [இலக்கு]  | பூலியன்        | நோயாளி காலமானவரா பயனுள்ள பராமரிப்பு காலத்தில்?           | 0 அல்லது 1         |
+
+தரவுத்தொகுப்பைப் பெற்றதும் Azure இல் திட்டத்தை துவக்கலாம்.
+
+## 2. Azure ML ஸ்டுடியோவில் குறைந்த குறியீடு/குறியீடு இல்லா மாதிரி பயிற்சி
+### 2.1 Azure ML பணியிடம் உருவாக்குதல்
+Azure ML இல் மாதிரியை பயிற்றுவிக்க முதலில் ایک Azure ML பணியிடம் உருவாக்க பரிந்துரைக்கப்படுகிறது. பணியிடம் Azure Machine Learning க்கான மேல் நிலை வளமாகும், இது நீங்கள் உருவாக்கும் எல்லா பொருட்களை ஒரே இடத்தில் சேகரிக்க உதவுகிறது. பணியிடம் அனைத்து பயிற்சி ஓட்டங்களின் வரலாற்றைக் கொண்டிருக்கிறது, அதில் பதிவு செய்யப்பட்ட தகவல்கள், அளவுகோல்கள், வெளியீடு மற்றும் உங்கள் குறியீடுகளின் ஸ்னாப்ஷாட் அடங்கும். இது எந்த பயிற்சி ஓட்டம் சிறந்த மாதிரியை உருவாக்கியது என நீங்கள் அறிய உதவும். [மேலும் அறியவும்](https://docs.microsoft.com/azure/machine-learning/concept-workspace?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+
+உங்களுடைய இயக்க முறைமைக்கு பொருந்தக்கூடிய அதிகபட்ச பயனுள்ள உலாவி பயன்படுத்த பரிந்துரைக்கப்படுகிறது. கீழ்காணும் உலாவிகள் ஆதரிக்கப்படுகின்றன:
+
+- Microsoft Edge (புதிய Microsoft Edge, சமீபத்திய பதிப்பு, பழைய Edge அல்ல)
+- Safari (சமீபத்திய பதிப்பு, Mac மட்டுமே)
 - Chrome (சமீபத்திய பதிப்பு)
 - Firefox (சமீபத்திய பதிப்பு)
 
-Azure Machine Learning-ஐப் பயன்படுத்த, உங்கள் Azure சந்தாவில் ஒரு வேலைநிலையை உருவாக்கவும். பின்னர் இந்த வேலைநிலையை உங்கள் மெஷின் லெர்னிங் பணிச்சுமைகளுடன் தொடர்புடைய தரவுகள், கணினி வளங்கள், குறியீடு, மாதிரிகள் மற்றும் பிற கலைப்பாடுகளை மேலாண்மை செய்ய பயன்படுத்தலாம்.
+Azure Machine Learning பயன்படுத்த, உங்கள் Azure சந்தாவயத்தினுள் பணியிடம் உருவாக்குங்கள். இதன் மூலம் தரவுகள், கணினி வளங்கள், குறியீடு, மாதிரிகள் மற்றும் பிற பொருட்களை நிர்வகிக்க முடியும்.
 
-> **_குறிப்பு:_** உங்கள் Azure சந்தா Azure Machine Learning வேலைநிலை உங்கள் சந்தாவில் இருக்கும் வரை தரவுகளை சேமிக்க சிறிய தொகையை வசூலிக்கும், எனவே Azure Machine Learning வேலைநிலையை நீங்கள் பயன்படுத்தாமல் இருந்தால் நீக்க பரிந்துரைக்கிறோம்.
+> **_குறிப்பு:_** Azure Machine Learning பணியிடம் உங்கள் சந்தாவயத்தில் இருக்கும் வரை உங்களிடம் குறைந்த அளவிலான தரவு சேமிப்பு கட்டணம் வரலாம்; எனவே பணியிடம் தேவையில்லாமல் இருந்தால் அதை நீக்க பரிந்துரைக்கப்படுகின்றது.
 
-1. [Azure போர்ட்டலில்](https://ms.portal.azure.com/) Microsoft சான்றுகளைப் பயன்படுத்தி உள்நுழைக.
-2. **＋ஒரு வளத்தை உருவாக்கவும்** தேர்ந்தெடுக்கவும்
+1. உங்கள் Azure சந்தாவயத்துடன் தொடர்புடைய Microsoft அக்கவுண்ட் மூலம் [Azure போர்ட்டல்](https://ms.portal.azure.com/) லில் உள்நுழைக.
+2. **＋Create a resource** என்பதை தெரிவுசெய்க
    
    ![workspace-1](../../../../translated_images/ta/workspace-1.ac8694d60b073ed1.webp)
 
-   Machine Learning-ஐ தேடவும் மற்றும் Machine Learning டைலை தேர்ந்தெடுக்கவும்
+   Machine Learning தேடிச் சேகரிப்பில் இருந்து Machine Learning செங்குத்தைக் கிளிக் செய்க
 
    ![workspace-2](../../../../translated_images/ta/workspace-2.ae7c486db8796147.webp)
 
-   உருவாக்கு பொத்தானை அழுத்தவும்
+   உருவாக்கும் பொத்தானை அழுத்துக
 
    ![workspace-3](../../../../translated_images/ta/workspace-3.398ca4a5858132cc.webp)
 
-   அமைப்புகளை பின்வருமாறு நிரப்பவும்:
-   - Subscription: உங்கள் Azure சந்தா
-   - Resource group: ஒரு வளக் குழுவை உருவாக்கவும் அல்லது தேர்ந்தெடுக்கவும்
-   - Workspace name: உங்கள் வேலைநிலைக்கு தனித்துவமான பெயரை உள்ளிடவும்
-   - Region: உங்களுக்கு அருகிலுள்ள புவியியல் பகுதியைத் தேர்ந்தெடுக்கவும்
-   - Storage account: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய சேமிப்பு கணக்கை கவனிக்கவும்
-   - Key vault: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய கீ வால்ட்டை கவனிக்கவும்
-   - Application insights: உங்கள் வேலைநிலைக்காக உருவாக்கப்படும் புதிய Application insights வளத்தை கவனிக்கவும்
-   - Container registry: இல்லை (மாதிரியை ஒரு கன்டெய்னருக்கு பிரசுரம் செய்யும் முதல் முறையில் தானாகவே ஒன்று உருவாக்கப்படும்)
+   கீழ்க்காணும் அமைப்புகளை பூர்த்தி செய்க:
+   - சந்தா: உங்கள் Azure சந்தா
+   - வள குழு: ஒரு வள குழுவை உருவாக்கு அல்லது தேர்ந்தெடு
+   - பணியிடம் பெயர்: உங்கள் பணியிடம் குறிக்க தனித்துவமான பெயர்
+   - பிராந்தியம்: உங்களுக்கே அருகிலுள்ள புவியியல் பிராந்தியம்
+   - சேமிப்புக் கணக்கு: உங்கள் பணியிடத்திற்காக புதிய இயல்புநிலை சேமிப்புக் கணக்கை நோட்டு
+   - விசை வோல்ட்: உங்கள் பணியிடத்திற்கான புதிய இயல்புநிலை விசை வோல்டைப் பாருங்கள்
+   - பயன்பாட்டு அறிவுரைகள்: உங்கள் பணியிடத்திற்கான புதிய இயல்புநிலை பயன்பாட்டு அறிவுரைகள் வளத்தை நோட்டு
+   - கன்டெய்னர் பதிவகம்: இல்லை (ஒரு மாதிரி கன்டெய்னருக்கு பிரசாரம் செய்யும் போது தானாக உருவாக்கப் படும்)
 
     ![workspace-4](../../../../translated_images/ta/workspace-4.bac87f6599c4df63.webp)
 
-   - உருவாக்கு + மதிப்பீடு பொத்தானை அழுத்தி பின்னர் உருவாக்கு பொத்தானை அழுத்தவும்
-3. உங்கள் வேலைநிலை உருவாக்கப்படும் வரை காத்திருக்கவும் (இது சில நிமிடங்கள் ஆகலாம்). பின்னர் போர்ட்டலில் அதைத் தேடவும். Machine Learning Azure சேவையின் மூலம் அதை நீங்கள் கண்டுபிடிக்கலாம்.
-4. உங்கள் வேலைநிலையின் Overview பக்கத்தில், Azure Machine Learning ஸ்டுடியோவை தொடங்கவும் (அல்லது புதிய உலாவி தாவலில் https://ml.azure.com-க்கு செல்லவும்), மற்றும் உங்கள் Microsoft கணக்கைப் பயன்படுத்தி Azure Machine Learning ஸ்டுடியோவில் உள்நுழைக. கேட்கப்பட்டால், உங்கள் Azure directory மற்றும் subscription, மற்றும் உங்கள் Azure Machine Learning வேலைநிலையைத் தேர்ந்தெடுக்கவும்.
+   - உருவாக்க + சுயலோபம் செய்யவும், பின்னர் உருவாக்க பொத்தானை அழுத்தவும்
+3. உங்கள் பணியிடம் உருவாகும் வரை காத்திருங்கள் (சில நிமிடங்கள் ஆகலாம்). பிறகு போர்ட்டலில் அதைத் தேர்வு செய்க. திருமதி மேலாண்மை Azure சேவையிலிருந்து காணலாம்.
+4. உங்கள் பணியிடத்தின் கண்ணோட்டப் பக்கத்தில், Azure Machine Learning ஸ்டுடியோவைத் தொடங்குங்கள் (அல்லது ஒரு புதிய உலாவி தாவலை திறந்து https://ml.azure.com க்கு செல்லவும்) மற்றும் உங்கள் Microsoft கணக்குடன் உள்நுழைக. கேட்டால், உங்கள் Azure விவரக்கோவை மற்றும் சந்தாவைத் தேர்ந்தெடுக்கவும், Azure Machine Learning பணியிடத்தையும் தெரிவுசெய்க.
    
 ![workspace-5](../../../../translated_images/ta/workspace-5.a6eb17e0a5e64200.webp)
 
-5. Azure Machine Learning ஸ்டுடியோவில், இடைமுகத்தில் உள்ள பல்வேறு பக்கங்களைப் பார்க்க மேல் இடது ☰ ஐகானை மாற்றவும். உங்கள் வேலைநிலையின் வளங்களை மேலாண்மை செய்ய இந்த பக்கங்களை நீங்கள் பயன்படுத்தலாம்.
+5. Azure Machine Learning ஸ்டுடியோவில், இடது மேல் பகுதியில் ☰ ஐகானைக் கிளிக் செய்து இடையே உள்ள பல பக்கங்களை பார்வையிடவும். இந்தப் பக்கங்களைக் கொண்டு பணியிட வளங்களை நிர்வகிக்கலாம்.
 
 ![workspace-6](../../../../translated_images/ta/workspace-6.8dd81fe841797ee1.webp)
 
-Azure போர்ட்டல் மூலம் உங்கள் வேலைநிலையை மேலாண்மை செய்யலாம், ஆனால் தரவியல் விஞ்ஞானிகள் மற்றும் Machine Learning செயல்பாட்டு பொறியாளர்களுக்கு, Azure Machine Learning Studio வேலைநிலை வளங்களை மேலாண்மை செய்ய ஒரு கவனம் செலுத்தப்பட்ட பயனர் இடைமுகத்தை வழங்குகிறது.
+Azure போர்ட்டல் மூலம் பணியிடத்தை நிர்வகிக்கலாம், ஆனால் தரவுத்துறை ஆய்வாளர்கள் மற்றும் மெஷின் லெர்னிங் செயல்பாட்டு பொறியாளர்களுக்கு Azure Machine Learning ஸ்டுடியோ மேல் கவனம் கொண்ட பயனர் இடைமுகத்தை வழங்குகிறது.
 
 ### 2.2 கணினி வளங்கள்
 
-கணினி வளங்கள் என்பது மாதிரி பயிற்சி மற்றும் தரவுகளை ஆராய்ச்சி செயல்முறைகளை இயக்க கிளவுட் அடிப்படையிலான வளங்கள் ஆகும். நீங்கள் உருவாக்கக்கூடிய நான்கு வகையான கணினி வளங்கள் உள்ளன:
+கணினி வளங்கள் என்பவை மேகவணிகத்தில் உள்ள, மாதிரி பயிற்சி மற்றும் தரவுத் 탐험 செயல்முறைகள் இயங்கும் வளங்கள். நீங்கள் உருவாக்கக்கூடிய நான்குவித கணினி வளங்கள் உள்ளன:
 
-- **Compute Instances**: தரவியல் விஞ்ஞானிகள் தரவுகள் மற்றும் மாதிரிகளுடன் வேலை செய்ய பயன்படுத்தக்கூடிய மேம்பாட்டு வேலைநிலைகள். இது ஒரு
-- **Inference Clusters**: உங்கள் பயிற்சி பெற்ற மாதிரிகளைப் பயன்படுத்தும் கணிப்பீட்டு சேவைகளுக்கான பிரிவுகள்.
-- **Attached Compute**: ஏற்கனவே உள்ள Azure கணினி வளங்களை (உதாரணமாக, Virtual Machines அல்லது Azure Databricks க்ளஸ்டர்கள்) இணைக்கும் இணைப்புகள்.
+- **கணினி பொருத்தங்கள் (Compute Instances)**: தரவு அறிவியலாளர்கள் தரவுகளுடன் மற்றும் மாதிரிகளுடன் பணியாற்ற பயன்படும் மேம்பாட்டு பணியிடங்கள். இது ஒரு வேர்ச்சுவல் மெஷின் (VM) உருவாக்கவும், குறிப்பேட்டைப் பைப்பு தொடங்கவும் உள்ளடக்குகிறது. நீங்கள் பின்னர் குறிப்பேட்டிலிருந்து கணினி கிளஸ்டரை அழைத்து மாதிரியை பயிற்றுவிக்கலாம்.
+- **கணினி கிளஸ்டர்கள் (Compute Clusters)**: பரிசோதனை குறியீடுகளை தேவையானபோது செயலாக்கும் அளவீட்டுடன் VMகளின் தொகுப்புகள். மாதிரி பயிற்சி செய்ய இதைப் பயன்படுத்துவீர்கள். கணினி கிளஸ்டர்கள் சிறப்பு GPU அல்லது CPU வளங்களையும் பயன்படுத்தக்கூடும்.
+- **முன்னறிவிப்பு கிளஸ்டர்கள் (Inference Clusters)**: உங்கள் பயிற்றுவிக்கப்பட்ட மாதிரிகளைக் கொண்ட முன்னறிவிப்பு சேவைகளை பிரசாரம் செய்யும் இலக்குகள்.
+- **இணைக்கப்பட்ட கணினி**: Virtual Machines அல்லது Azure Databricks கிளஸ்டர்கள் போன்ற உள்ள Azure கணினி வளங்களை இணைக்கும்.
 
-#### 2.2.1 உங்கள் கணினி வளங்களுக்கு சரியான விருப்பங்களை தேர்வு செய்வது
+#### 2.2.1 உங்கள் கணினி வளங்களுக்கு சரியான விருப்பங்களை தேர்வு செய்தல்
 
-கணினி வளத்தை உருவாக்கும் போது சில முக்கிய அம்சங்களை கவனிக்க வேண்டும், மேலும் அந்த தேர்வுகள் முக்கியமான முடிவுகளாக இருக்கலாம்.
+கணினி வளங்களை உருவாக்கும்போது கவனிக்க வேண்டிய சில முக்கிய அம்சங்கள் உள்ளன, அவை முக்கிய முடிவுகளை எடுத்துக் கொள்ள உதவும்.
 
-**உங்களுக்கு CPU அல்லது GPU தேவைதானா?**
+**உங்களுக்கு CPU அல்லது GPU தேவையா?**
 
-CPU (Central Processing Unit) என்பது கணினி நிரலின் கட்டளைகளை செயல்படுத்தும் மின்னணு சுற்று. GPU (Graphics Processing Unit) என்பது ஒரு சிறப்பு மிக்க மின்னணு சுற்று ஆகும், இது மிக உயர்ந்த அளவில் கிராஃபிக்ஸ் தொடர்பான குறியீடுகளை செயல்படுத்த முடியும்.
+CPU (மைய செயலி) என்பது கணினி திட்டங்களை செயல்படுத்தும் மின்னணு колாட்சியமாகும். GPU (விருப்பான செயலி) என்பது மிக உயர்ந்த வீதத்தில் கிராபிக்ஸ் தொடர்புடைய குறியீடுகளை இயக்கும் மின்னணு சப்ளெக்கியான பாதுகாப்பு இயக்கி ஆகும்.
 
-CPU மற்றும் GPU கட்டமைப்புகளுக்கு இடையிலான முக்கிய வித்தியாசம் என்னவென்றால், CPU பல்வேறு பணிகளை விரைவாக கையாள வடிவமைக்கப்பட்டுள்ளது (CPU கடிகார வேகத்தால் அளவிடப்படுகிறது), ஆனால் ஒரே நேரத்தில் இயங்கக்கூடிய பணிகளின் எண்ணிக்கையில் இது வரையறுக்கப்பட்டுள்ளது. GPUகள் இணை கணக்கீட்டிற்காக வடிவமைக்கப்பட்டுள்ளன, எனவே அவை ஆழமான கற்றல் பணிகளில் மிகவும் சிறந்தவை.
+CPU மற்றும் GPU கட்டுமானத்தில் முக்கிய வேறுபாடு CPU விரைவாக பல்வேறு பணிகளை நிர்வகிக்க இருப்பதுதான் (CPU மணி வேகத்தின் மூலம் அளவிடப்படுகிறது), ஆனால் ஒரே நேரத்தில் இயங்க கூடிய செயல்பாடுகள் வரம்பு உள்ளது. GPUகள் இணையான கணினி கையாள்வதற்கு வடிவமைக்கப்பட்டுள்ளன, அதனால் ஆழமான கற்றல் பணிகளுக்கு மிகவும் உகந்தவை.
 
 | CPU                                     | GPU                         |
 |-----------------------------------------|-----------------------------|
-| குறைந்த செலவு                          | அதிக செலவு                 |
-| குறைந்த இணை செயல்பாடு                  | அதிக இணை செயல்பாடு         |
-| ஆழமான கற்றல் மாதிரிகளை பயிற்சி செய்ய மந்தமாக இருக்கும் | ஆழமான கற்றலுக்கு சிறந்தது  |
+| குறைந்த செலவு                          | அதிகமான செலவு              |
+| குறைந்த இணைந்த செயல்பாட்டுத்தரம்      | அதிக இணைந்த செயல்பாட்டுத்தரம் |
+| ஆழ்கற்றல் மாதிரிகளை பயிற்சியில் மெதுவாக உள்ளது | ஆழ்கற்றலுக்கு சிறந்தது       |
 
-**க்ளஸ்டர் அளவு**
+**கிளஸ்டர் அளவு**
 
-பெரிய க்ளஸ்டர்கள் அதிக செலவாக இருக்கும், ஆனால் அவை சிறந்த பதிலளிப்பை வழங்கும். எனவே, உங்களிடம் நேரம் இருந்தால், ஆனால் போதுமான பணம் இல்லையெனில், சிறிய க்ளஸ்டருடன் தொடங்க வேண்டும். மாறாக, உங்களிடம் பணம் இருந்தால், ஆனால் அதிக நேரம் இல்லையெனில், பெரிய க்ளஸ்டருடன் தொடங்க வேண்டும்.
+பெரிய கிளஸ்டர்கள் அதிக செலவு ஆகும் ஆனால் சிறந்த பதிலளிப்பை அளிக்கும். எனவே உங்கள் நேரம் அதிகம் ஆனால் பணம் குறைவெனில் சிறிய கிளஸ்டருடன் துவங்க வேண்டும். மாறாக, பணம் அதிகம் ஆனால் நேரம் குறைவெனில் பெரிய கிளஸ்டரைத் தொடங்க வேண்டும்.
 
 **VM அளவு**
 
-உங்கள் நேரம் மற்றும் செலவினக் கட்டுப்பாடுகளைப் பொறுத்து, உங்கள் RAM, டிஸ்க், கோர் எண்ணிக்கை மற்றும் கடிகார வேகத்தின் அளவை மாறலாம். இந்த அளவுருக்களை அதிகரிப்பது அதிக செலவாக இருக்கும், ஆனால் இது சிறந்த செயல்திறனை வழங்கும்.
+நேரம் மற்றும் பட்ஜெட் கட்டுப்பாடுகளின் அடிப்படையில், RAM, காட்சி, கோர் மற்றும் மணி வேக அளவுகளை மாற்றலாம். இவை அனைத்தையும் அதிகரிப்பது செலவாகி இருப்பதுடன் சிறந்த செயல்திறனை ஏற்படுத்தும்.
 
-**Dedicated அல்லது Low-Priority Instances?**
+**மேற்கோள் அல்லது குறைந்த முன்னுரிமை எடுத்துக்காட்டுகள்?**
 
-Low-priority instance என்பது அது இடையூறாக இருக்கும் என்று பொருள்: அடிப்படையாக Microsoft Azure அந்த வளங்களை எடுத்துக்கொண்டு வேறு பணிக்கு ஒதுக்கலாம், இதனால் ஒரு வேலை இடைநிறுத்தப்படும். Dedicated instance, அல்லது non-interruptible, என்பது உங்கள் அனுமதியின்றி வேலை ஒருபோதும் நிறுத்தப்படாது என்பதைக் குறிக்கிறது. இது நேரம் மற்றும் பணம் ஆகியவற்றின் மற்றொரு கருத்தாகும், ஏனெனில் interruptible instances dedicated களுடன் ஒப்பிடும்போது குறைந்த செலவாக இருக்கும்.
+குறைந்த முன்னுரிமை எடுத்துக்காட்டு என்பது தற்காலிகமாக நிறுத்தக்கூடியது என்பதை குறிக்கிறது: மைக்ரோசாஃப்ட் அமிழி இந்த வளங்களை மற்ற பணிக்கு ஒதுக்கக்கூடும், அதனால் வேலை இடைநீக்கம் அடையும். ஒதுக்கப்பட்ட எடுத்துக்காட்டு அல்லது இடைநீக்கம் இல்லாதது என்பது உங்கள் அனுமதியின்றி வேலை நிறுத்தப்படவில்லை. இது நேரம் மற்றும் பணத்துக்கான மற்றுப் பரிசீலனை ஆகும், இடைநீக்கம் அடையும் எடுத்துக்காட்டுகள் குறைந்த செலவு தான்.
 
-#### 2.2.2 கணினி க்ளஸ்டரை உருவாக்குதல்
+#### 2.2.2 கணினி கிளஸ்டர் உருவாக்குதல்
 
-முந்தைய கட்டத்தில் நாம் உருவாக்கிய [Azure ML workspace](https://ml.azure.com/)க்கு செல்லவும், அங்கு கணினி என்ற பகுதியில் நீங்கள் முந்தைய விவாதத்தில் உள்ள கணினி வளங்களை (உதாரணமாக compute instances, compute clusters, inference clusters மற்றும் attached compute) காணலாம். இந்த திட்டத்திற்காக, மாதிரி பயிற்சிக்காக ஒரு கணினி க்ளஸ்டர் தேவைப்படும். Studio-வில், "Compute" மெனுவை கிளிக் செய்யவும், பின்னர் "Compute cluster" தாவலைத் தேர்ந்தெடுக்கவும் மற்றும் "+ New" பொத்தானை கிளிக் செய்து கணினி க்ளஸ்டரை உருவாக்கவும்.
+நாம் முன்னர் உருவாக்கிய [Azure ML வேலைப்பகுதியில்](https://ml.azure.com/) க்கணினிக்கு செல்லவும், இப்போது நாம் கொஞ்சம் முன்பு விவாதித்த கணினி வளங்களை காணலாம் (கணினி எடுத்துக்காட்டுக்கள், கணினி கிளஸ்டர்கள், கூற்று கிளஸ்டர்கள் மற்றும் இணைக்கப்பட்ட கணினி). இந்த திட்டத்திற்காக, மாதிரி பயிற்சிக்காக கணினி கிளஸ்டர் தேவைப்படும். ஸ்டூடியோவில், "Compute" மெனுவில் கிளிக் செய்து, பிறகு "Compute cluster" தாவலைத் தேர்வு செய்த பின் "+ New" பொத்தானை அழுத்தி கணினி கிளஸ்டரை உருவாக்கவும்.
 
 ![22](../../../../translated_images/ta/cluster-1.b78cb630bb543729.webp)
 
-1. உங்கள் விருப்பங்களைத் தேர்ந்தெடுக்கவும்: Dedicated vs Low priority, CPU அல்லது GPU, VM அளவு மற்றும் கோர் எண்ணிக்கை (இந்த திட்டத்திற்கான இயல்புநிலை அமைப்புகளை வைத்திருக்கலாம்).
-2. Next பொத்தானை கிளிக் செய்யவும்.
+1. உங்கள் விருப்பங்களை தேர்வு செய்யவும்: ஒதுக்கப்பட்டது மற்றும் குறைந்த முன்னுரிமை, CPU அல்லது GPU, VM அளவு மற்றும் கோர் எண் (இந்த திட்டத்திற்கான இயல்புநிலை அமைப்புகளை மாற்ற தேவையில்லை).
+2. அடுத்த பொத்தானை அழுத்தவும்.
 
 ![23](../../../../translated_images/ta/cluster-2.ea30cdbc9f926bb9.webp)
 
-3. க்ளஸ்டருக்கு ஒரு பெயரை கொடுக்கவும்.
-4. உங்கள் விருப்பங்களைத் தேர்ந்தெடுக்கவும்: குறைந்தபட்ச/அதிகபட்ச நொடிகள் எண்ணிக்கை, Idle seconds before scale down, SSH access. குறைந்தபட்ச நொடிகள் எண்ணிக்கை 0 என்றால், க்ளஸ்டர் செயலற்ற நிலையில் இருக்கும் போது பணத்தைச் சேமிக்கலாம். அதிகபட்ச நொடிகள் எண்ணிக்கை அதிகமாக இருந்தால், பயிற்சி குறுகிய நேரத்தில் முடியும். அதிகபட்சமாக 3 நொடிகள் பரிந்துரைக்கப்படுகிறது.
-5. "Create" பொத்தானை கிளிக் செய்யவும். இந்த படி சில நிமிடங்கள் ஆகலாம்.
+3. கிளஸ்டருக்கு கணினி பெயரை கொடுக்கவும்.
+4. உங்கள் விருப்பங்களை தேர்வு செய்யவும்: குறைந்தபட்ச/அதிகபட்ச தொடுப்புகள், அளவில்லாமல் குறைக்குமுன் இயங்காத நேரம், SSH அணுகல். குறைந்தபட்ச தொடுப்புகள் 0 என்றால் கிளஸ்டர் கரைவகையில் பணம் சேமிக்கலாம். அதிகபட்ச தொடுப்புகள் அதிகமெனில் பயிற்சி குறைத்து முடியும். அதிகபட்ச தொடுப்புகள் 3 என்று பரிந்துரைக்கப்படுகிறது.
+5. "Create" பொத்தானை அழுத்தவும். இது சில நிமிடங்கள் எடுக்கும்.
 
 ![29](../../../../translated_images/ta/cluster-3.8a334bc070ec173a.webp)
 
-சிறந்தது! இப்போது நமக்கு ஒரு Compute cluster உள்ளது, நாம் தரவுகளை Azure ML Studio-க்கு ஏற்ற வேண்டும்.
+சூப்பர்! இப்போது கணினி கிளஸ்டர் உருவாக்கப்பட்டுள்ளது, நாம் Azure ML ஸ்டூடியோவில் தரவை ஏற்ற வேண்டும்.
 
-### 2.3 Dataset ஏற்றுதல்
+### 2.3 தரவுத்தொகுப்பு ஏற்றுதல்
 
-1. முந்தைய கட்டத்தில் நாம் உருவாக்கிய [Azure ML workspace](https://ml.azure.com/)க்கு சென்று, இடது மெனுவில் "Datasets" என்பதை கிளிக் செய்து "+ Create dataset" பொத்தானை கிளிக் செய்து ஒரு dataset உருவாக்கவும். "From local files" விருப்பத்தைத் தேர்ந்தெடுத்து, முந்தைய கட்டத்தில் பதிவிறக்கம் செய்த Kaggle dataset-ஐத் தேர்ந்தெடுக்கவும்.
+1. முன்னர் உருவாக்கிய [Azure ML வேலைப்பகுதியில்](https://ml.azure.com/) க்குள்ள "Datasets" ஐ இடது மெனுவில் கிளிக் செய்து "+ Create dataset" பொத்தானை அழுத்தி ஒரு தரவுத்தொகுப்பை உருவாக்கவும். "From local files" விருப்பத்தை தேர்வு செய்து, முன்னர் நாங்கள் பதிவிறக்கிய கேகிள் தரவுத்தொகுப்பை தேர்வு செய்யவும்.
 
    ![24](../../../../translated_images/ta/dataset-1.e86ab4e10907a6e9.webp)
 
-2. உங்கள் dataset-க்கு ஒரு பெயர், ஒரு வகை மற்றும் ஒரு விளக்கத்தை கொடுக்கவும். Next என்பதை கிளிக் செய்யவும். கோப்புகளில் இருந்து தரவுகளைப் பதிவேற்றவும். Next என்பதை கிளிக் செய்யவும்.
+2. உங்கள் தரவுத்தொகுப்புக்கு பெயர், வகை மற்றும் விளக்கம் கொடுக்கவும். அடுத்து கிளிக் செய்யவும். கோப்பிலிருந்து தரவை பதிவேற்றவும். அடுத்து கிளிக் செய்யவும்.
 
    ![25](../../../../translated_images/ta/dataset-2.f58de1c435d5bf9c.webp)
 
-3. Schema-வில், anaemia, diabetes, high blood pressure, sex, smoking, மற்றும் DEATH_EVENT ஆகிய அம்சங்களுக்கு Boolean தரவுத் வகையை மாற்றவும். Next என்பதை கிளிக் செய்து Create என்பதை கிளிக் செய்யவும்.
+3. Schema இல் anaemia, diabetes, high blood pressure, sex, smoking மற்றும் DEATH_EVENT போன்ற அம்சங்களுக்கான தரவுவகுப்பை Boolean ஆக மாற்றவும். அடுத்து கிளிக் செய்யவும், பிறகு Create кнопку அழுத்தவும்.
 
    ![26](../../../../translated_images/ta/dataset-3.58db8c0eb783e892.webp)
 
-சிறந்தது! இப்போது dataset இடத்தில் உள்ளது மற்றும் கணினி க்ளஸ்டர் உருவாக்கப்பட்டுள்ளது, நாம் மாதிரியைப் பயிற்சி செய்யத் தொடங்கலாம்!
+சிறந்தது! இப்போது தரவுத்தொகுப்பு தயார் மற்றும் கணினி கிளஸ்டர் உருவாக்கப்பட்டுள்ளது, மாதிரியின் பயிற்சியை தொடங்கலாம்!
 
-### 2.4 குறைந்த குறியீடு/குறியீடு இல்லாத பயிற்சி AutoML உடன்
+### 2.4 குறைந்த குறியீடு/குறியீடு இல்லா AutoML மூலம் பயிற்சி
 
-சாதாரண இயந்திர கற்றல் மாதிரி மேம்பாடு வளங்களை அதிகமாக தேவைப்படும், முக்கியமான துறையின் அறிவு மற்றும் பல மாதிரிகளை உருவாக்கவும் ஒப்பிடவும் நேரம் தேவைப்படும்.  
-Automated machine learning (AutoML) என்பது இயந்திர கற்றல் மாதிரி மேம்பாட்டின் நேரத்தை மிச்சப்படுத்தும், மீண்டும் மீண்டும் செய்யப்படும் பணிகளை தானியங்கி செய்யும் செயல்முறை ஆகும். இது தரவியல் விஞ்ஞானிகள், பகுப்பாய்வாளர்கள் மற்றும் டெவலப்பர்களுக்கு உயர் அளவிலான, திறன் மற்றும் உற்பத்தி திறனுடன் ML மாதிரிகளை உருவாக்க அனுமதிக்கிறது, அதே சமயத்தில் மாதிரி தரத்தை பராமரிக்கிறது. இது உற்பத்திக்கு தயாரான ML மாதிரிகளைப் பெறும் நேரத்தை குறைக்கிறது, மிக எளிமையாகவும் திறமையாகவும். [மேலும் அறிய](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
+பாரம்பரிய இயந்திரக் கற்றல் மாதிரி உருவாக்கம் வளங்கள் அதிகமாக தேவை, குறிப்பிட்ட துறை அறிவும், மாதிரிகளை உருவாக்கும் மற்றும் ஒப்பீடு செய்யும் நேரமும் அதிகமாகும்.
+தானாக இயந்திரக் கற்றலை (AutoML) என்பது ஐந்து நேரத்தைக் குறைக்கும், மீள்கூட்டும் பணிகளை தானாகச் செய்யும் செயல்முறை ஆகும். இது தரவுத்துறையாளர், பகுப்பாய்வாளர் மற்றும் டெவலப்பர்களுக்கு உயர் அளவிலான, திறமையான மற்றும் உற்பத்தியுடைய ML மாதிரிகளை உருவாக்க அனுமதிக்கிறது, மாதிரி தரத்தினை பாதுகாத்து. இது தயாரிப்பு தயாராகும் நேரத்தை கூடிய எளிதிலும் திறம்படவும் குறைக்கிறது. [மேலும் படிக்கவும்](https://docs.microsoft.com/azure/machine-learning/concept-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
 
-1. முந்தைய கட்டத்தில் நாம் உருவாக்கிய [Azure ML workspace](https://ml.azure.com/)க்கு சென்று, இடது மெனுவில் "Automated ML" என்பதை கிளிக் செய்து, நீங்கள் பதிவேற்றிய dataset-ஐத் தேர்ந்தெடுக்கவும். Next என்பதை கிளிக் செய்யவும்.
+1. முன்னர் உருவாக்கிய [Azure ML வேலைப்பகுதியில்](https://ml.azure.com/) "Automated ML" ஐ இடது மெனுவில் கிளிக் செய்து நீங்கள் சமீபத்தில் பதிவேற்றிய தரவுத்தொகுப்பை தேர்ந்தெடுக்கவும். அடுத்து கிளிக் செய்யவும்.
 
    ![27](../../../../translated_images/ta/aml-1.67281a85d3a1e2f3.webp)
 
-2. புதிய முயற்சி பெயரை, இலக்கு நெடுவரிசை (DEATH_EVENT) மற்றும் நாம் உருவாக்கிய கணினி க்ளஸ்டரை உள்ளிடவும். Next என்பதை கிளிக் செய்யவும்.
+2. புதிய பரிசோதனை பெயர், இலக்கு ப ستون் (DEATH_EVENT) மற்றும் நாம் உருவாக்கிய கணினி கிளஸ்டரை உள்ளிடவும். அடுத்து கிளிக் செய்யவும்.
 
    ![28](../../../../translated_images/ta/aml-2.c9fb9cffb39ccbbe.webp)
 
-3. "Classification" என்பதைத் தேர்ந்தெடுத்து Finish என்பதை கிளிக் செய்யவும். இந்த படி 30 நிமிடங்கள் முதல் 1 மணி நேரம் வரை ஆகலாம், உங்கள் கணினி க்ளஸ்டர் அளவைப் பொறுத்து.
+3. "Classification" தேர்வு செய்து Finish அழுத்தவும். இது 30 நிமிடங்கள் முதல் 1 மணி நேரம் வரை எடுக்கலாம் உங்கள் கணினி கிளஸ்டர் அளவை பொருத்து.
 
-    ![30](../../../../translated_images/ta/aml-3.a7952e4295f38cc6.webp)
+   ![30](../../../../translated_images/ta/aml-3.a7952e4295f38cc6.webp)
 
-4. செயல்பாடு முடிந்தவுடன், "Automated ML" தாவலை கிளிக் செய்து, உங்கள் செயல்பாட்டைத் தேர்ந்தெடுத்து, "Best model summary" கார்டில் உள்ள Algorithm-ஐ கிளிக் செய்யவும்.
+4. ஓட்டம் முடிந்ததும், "Automated ML" தாவலை கிளிக் செய்து உங்கள் ஓட்டத்தை திறந்து "Best model summary" அட்டையில் அல்கோரிதம் கிளிக் செய்யவும்.
 
-    ![31](../../../../translated_images/ta/aml-4.7a627e09cb6f16d0.webp)
+   ![31](../../../../translated_images/ta/aml-4.7a627e09cb6f16d0.webp)
 
-இங்கே AutoML உருவாக்கிய சிறந்த மாதிரியின் விரிவான விளக்கத்தை நீங்கள் காணலாம். மேலும், Models தாவலில் உருவாக்கப்பட்ட பிற மாதிரிகளை ஆராயலாம். சில நிமிடங்கள் எடுத்துக்கொண்டு மாதிரிகளை Explanations (preview button) பகுதியில் ஆராயவும். நீங்கள் பயன்படுத்த விரும்பும் மாதிரியைத் தேர்ந்தெடுத்த பிறகு (இங்கே நாம் AutoML தேர்ந்தெடுத்த சிறந்த மாதிரியைத் தேர்ந்தெடுப்போம்), அதை எவ்வாறு பிரசுரிக்கலாம் என்பதைப் பார்ப்போம்.
+இங்கு AutoML உருவாக்கிய சிறந்த மாதிரியின் விரிவான விளக்கத்தை காணலாம். மேலும் "Models" தாவலில் பிற மாதிரிகளையும் ஆராயலாம். "Explanations" ( முன் பார்வை பொத்தான் ) இல் சில நிமிடங்கள் செலவழித்து மாதிரிகளை ஆராயவும். நீங்கள் தேர்ந்தெடுக்க விரும்பும் மாதிரியை தேர்வு செய்தபின் (இங்கு AutoML தேர்ந்த சிறந்த மாதிரி), எப்படி அதை நிலைப்படுத்துவது என்று பார்ப்போம்.
 
-## 3. குறைந்த குறியீடு/குறியீடு இல்லாத மாதிரி பிரசுரம் மற்றும் இறுதிப் புள்ளி பயன்பாடு
-### 3.1 மாதிரி பிரசுரம்
+## 3. குறைந்த குறியீடு/குறியீடு இல்லா மாதிரி நிலைப்படுத்தல் மற்றும் இடைமுக உபயோகிப்பது
+### 3.1 மாதிரி நிலைப்படுத்தல்
 
-Automated machine learning இடைமுகம் சிறந்த மாதிரியை ஒரு வலை சேவையாக சில படிகளில் பிரசுரிக்க அனுமதிக்கிறது. பிரசுரம் என்பது மாதிரியை ஒருங்கிணைப்பது, புதிய தரவின் அடிப்படையில் கணிப்புகளைச் செய்யவும் வாய்ப்புகளை அடையாளம் காணவும் உதவுகிறது. இந்த திட்டத்திற்காக, ஒரு வலை சேவைக்கு பிரசுரம் என்பது மருத்துவ பயன்பாடுகள் மாதிரியை உபயோகித்து, அவர்களின் நோயாளிகளின் இதய நோய் அபாயத்தை நேரடியாக கணிக்க முடியும் என்பதைக் குறிக்கிறது.
+தானியங்கி இயந்திரக் கற்றல் இடைமுகம் சிறந்த மாதிரியை வலை சேவையாக சில படிகள் மூலம் நிலைப்படுத்த அனுமதிக்கிறது. நிலைப்படுத்தல் எனப்படுவது, புதிய தரவுகளின் அடிப்படையில் சாத்தியமான முன்கூட்டியலில் மாதிரி உதவுவதற்கான ஒருங்கிணைப்பாகும். இத்திட்டத்திற்காக, வலை சேவையில் நிலைப்படுத்துவது மருத்துவ பயன்பாடுகள் சுவாச நோயின் ஆபத்தை நேரடி முன்கூட்டியலில் கணிக்க மாதிரியை பயன்படுத்த முடியும்.
 
-சிறந்த மாதிரி விளக்கத்தில், "Deploy" பொத்தானை கிளிக் செய்யவும்.
+சிறந்த மாதிரி விளக்கத்தில் "Deploy" பொத்தானை கிளிக் செய்யவும்.
 
 ![deploy-1](../../../../translated_images/ta/deploy-1.ddad725acadc84e3.webp)
 
-15. அதற்கு ஒரு பெயர், விளக்கம், கணினி வகை (Azure Container Instance), அங்கீகாரத்தை இயக்கவும் மற்றும் Deploy என்பதை கிளிக் செய்யவும்.
+15. பெயர், விளக்கம், கணினி வகை (Azure Container Instance), அங்கீகாரம் இயக்கப்பட்டது என்பதை உள்ளிட்டும் “Deploy” அழுத்தவும். இந்த படி சுமார் 20 நிமிடங்கள் எடுக்கும். நிலைப்படுத்தல் செயல்முறை பல படிகளை உட்படுத்தும் மாதிரி பதிவு, வளங்கள் உருவாக்கம் மற்றும் வலை சேவைக்கான அமைப்புகள். நிலைப்படுத்தல் நிலை "Healthy" என்றால் அது இயங்குகிறது. நிலையை சரிபார்க்க "Refresh periodically" தேர்வு செய்யவும்.
+
+![deploy-2](../../../../translated_images/ta/deploy-2.94dbb13f23908647.webp)
+
+16. நிலைப்படுத்தப்பட்ட பிறகு, Endpoint தாவலை கிளிக் செய்து நீங்கள் நிலைப்படுத்திய இடைமுகத்தைத் தேர்வு செய்யவும். இங்கு இந்த இடைமுகத்தை பற்றி அனைத்தும் காணலாம்.
+
+![deploy-3](../../../../translated_images/ta/deploy-3.fecefef070e8ef3b.webp)
+
+அற்புதம்! இப்போது மாதிரி நிலைப்படுத்தப்பட்டது, இடைமுக உபயோகிப்பைத் தொடங்கலாம்.
+
+### 3.2 இடைமுக உபயோகம்
+
+"Consume" தாவலை கிளிக் செய்யவும். REST endpoint மற்றும் python ஸ்கிரிப்ட் உண்டு. python குறியீட்டை வாசிக்க சில நேரம் எடுத்துக் கொள்ளவும்.
+
+இந்த ஸ்கிரிப்ட் நேரடியாக உங்கள் உள்ளூர் இயந்திரத்தில் இயக்க முடியும் மற்றும் உங்கள் இடைமுகத்தை உபயோகிக்கும்.
+
+![35](../../../../translated_images/ta/consumption-1.700abd196452842a.webp)
+
+இந்த 2 கோடுகளை கவனிக்கவும்: 
+
+```python
+url = 'http://98e3715f-xxxx-xxxx-xxxx-9ec22d57b796.centralus.azurecontainer.io/score'
+api_key = '' # இந்த தள சேவைக்கு API விசையுடன் மாற்றவும்
+```
+ `url` மாறிலி consume தாவலில் காணப்படும் REST இடைமுகத்தைச் சொல்கிறது, மற்றும் `api_key` மாறிலி அடையாளப்பெறும் விசையைச் சொல்லுகிறது (அங்கீகாரம் இயக்கப்பட்டிருக்கும் பட்சத்தில்). இதுதான் ஸ்கிரிப்ட் இடைமுகத்தை எப்படி பயன்படுத்துவதை காட்டுகிறது.
+
+18. ஸ்கிரிப்ட் இயக்கும்போது, கீழ்காணும் வெளியீடு காணப்படும்:
+    ```python
+    b'"{\\"result\\": [true]}"'
+    ```
+ இதன் பொருள் வழங்கப்பட்ட தரவுக்கான இதய செயலிழப்பு முன்கூட்டியம் உண்மையானது என்பதுதான். ஸ்கிரிப்ட் தானாக உருவாக்கிய தரவு அனைத்தும் இயல்புநிலை 0 மற்றும் false என்ற நிலையில் உள்ளது. கீழ்க்கண்ட மாதிரி உள்ளீட்டுடன் தரவை மாற்றலாம்:
+
+```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",
+        },
+    ],
+}
+```
+ ஸ்கிரிப்ட் திரும்ப அளிக்கும் :
+    ```python
+    b'"{\\"result\\": [true, false]}"'
+    ```
+
+வாழ்த்துக்கள்! நீங்கள் மாதிரியை நிலைப்படுத்தியதும் Azure ML இல் பயிற்சி செய்ததும் வெற்றிகரமாக முடிந்தன!
+
+> **_குறிப்பு:_** திட்டம் முடிந்ததும் அனைத்து வளங்களையும் நீக்க மறவாதீர்கள்.
+
+## 🚀 சவால்
+
+AutoML உருவாக்கிய உச்ச மாதிரிகளுக்கான விளக்கங்களை மற்றும் விவரங்களை கவனமாக பாருங்கள். சிறந்த மாதிரி ஏன் மற்றவற்றை விட சிறந்தது என்பதை புரிந்துகொள்ள முயற்சி செய்யுங்கள். எது எந்த அல்கோரிதங்கள் ஒப்பிடப்பட்டன? அவற்றுக்கிடையேயான வேறுபாடுகள் என்ன? இந்த முறை சிறந்தது ஏன் சிறப்பாக செயல்படுகிறது?
+
+## [பாடம் பின்வரும் வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/35)
+
+## மதிப்பாய்வும் தன்னுடைய படிப்பும்
+
+இந்த பாடத்தில் நீங்கள் குறைந்த குறியீடு/குறியீடு இல்லா முறையில் இதய செயலிழப்பு ஆபத்தை கணிக்க மாதிரியை பயிற்சி செய்ய, நிலைப்படுத்த, உபயோகிப்பது எப்படி என்பதை கற்றுக் கொண்டீர்கள். இதுவரை செய்யவில்லை என்றால், AutoML உருவாக்கிய மாதிரி விளக்கங்களில் மேலும் ஆழமாக செல்லவும் மற்றும் சிறந்த மாதிரி ஏன் மற்ற மாதிரிகளை விட சிறந்தது என்பதைக் குழப்பிக்கொள்ளவும்.
+
+குறைந்த குறியீடு/குறியீடு இல்லா AutoML பற்றி மேலும் விரிவாக அறிய, இந்த [ஆவணம்](https://docs.microsoft.com/azure/machine-learning/tutorial-first-experiment-automated-ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) வாசிக்கவும்.
+
+## பணியுரை
+
+[Azure ML இல் குறைந்த குறியீடு/குறியீடு இல்லா தரவியல் திட்டம்](assignment.md)
 
 ---
 
-**குறிப்பு**:  
-இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையைப் பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.
+<!-- CO-OP TRANSLATOR DISCLAIMER START -->
+**மறுப்பு**:
+இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.
+<!-- CO-OP TRANSLATOR DISCLAIMER END -->