localizeflow[bot]
6 days ago
parent
b985ee1af0
commit
f64682928a
@ -0,0 +1,140 @@
|
||||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"# వింటర్ మరియు సమ్మర్లో NYC టాక్సీ డేటా\n",
|
||||
"\n",
|
||||
"నివ్వబడిన కాలమ్స్ గురించి మరింత తెలుసుకోవడానికి [డేటా డిక్షనరీ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ను చూడండి.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"#Install the pandas library\r\n",
|
||||
"!pip install pandas"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {
|
||||
"scrolled": true
|
||||
}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 7,
|
||||
"source": [
|
||||
"import pandas as pd\r\n",
|
||||
"\r\n",
|
||||
"path = '../../data/taxi.csv'\r\n",
|
||||
"\r\n",
|
||||
"#Load the csv file into a dataframe\r\n",
|
||||
"df = pd.read_csv(path)\r\n",
|
||||
"\r\n",
|
||||
"#Print the dataframe\r\n",
|
||||
"print(df)\r\n"
|
||||
],
|
||||
"outputs": [
|
||||
{
|
||||
"output_type": "stream",
|
||||
"name": "stdout",
|
||||
"text": [
|
||||
" VendorID tpep_pickup_datetime tpep_dropoff_datetime passenger_count \\\n",
|
||||
"0 2.0 2019-07-15 16:27:53 2019-07-15 16:44:21 3.0 \n",
|
||||
"1 2.0 2019-07-17 20:26:35 2019-07-17 20:40:09 6.0 \n",
|
||||
"2 2.0 2019-07-06 16:01:08 2019-07-06 16:10:25 1.0 \n",
|
||||
"3 1.0 2019-07-18 22:32:23 2019-07-18 22:35:08 1.0 \n",
|
||||
"4 2.0 2019-07-19 14:54:29 2019-07-19 15:19:08 1.0 \n",
|
||||
".. ... ... ... ... \n",
|
||||
"195 2.0 2019-01-18 08:42:15 2019-01-18 08:56:57 1.0 \n",
|
||||
"196 1.0 2019-01-19 04:34:45 2019-01-19 04:43:44 1.0 \n",
|
||||
"197 2.0 2019-01-05 10:37:39 2019-01-05 10:42:03 1.0 \n",
|
||||
"198 2.0 2019-01-23 10:36:29 2019-01-23 10:44:34 2.0 \n",
|
||||
"199 2.0 2019-01-30 06:55:58 2019-01-30 07:07:02 5.0 \n",
|
||||
"\n",
|
||||
" trip_distance RatecodeID store_and_fwd_flag PULocationID DOLocationID \\\n",
|
||||
"0 2.02 1.0 N 186 233 \n",
|
||||
"1 1.59 1.0 N 141 161 \n",
|
||||
"2 1.69 1.0 N 246 249 \n",
|
||||
"3 0.90 1.0 N 229 141 \n",
|
||||
"4 4.79 1.0 N 237 107 \n",
|
||||
".. ... ... ... ... ... \n",
|
||||
"195 1.18 1.0 N 43 237 \n",
|
||||
"196 2.30 1.0 N 148 234 \n",
|
||||
"197 0.83 1.0 N 237 263 \n",
|
||||
"198 1.12 1.0 N 144 113 \n",
|
||||
"199 2.41 1.0 N 209 107 \n",
|
||||
"\n",
|
||||
" payment_type fare_amount extra mta_tax tip_amount tolls_amount \\\n",
|
||||
"0 1.0 12.0 1.0 0.5 4.08 0.0 \n",
|
||||
"1 2.0 10.0 0.5 0.5 0.00 0.0 \n",
|
||||
"2 2.0 8.5 0.0 0.5 0.00 0.0 \n",
|
||||
"3 1.0 4.5 3.0 0.5 1.65 0.0 \n",
|
||||
"4 1.0 19.5 0.0 0.5 5.70 0.0 \n",
|
||||
".. ... ... ... ... ... ... \n",
|
||||
"195 1.0 10.0 0.0 0.5 2.16 0.0 \n",
|
||||
"196 1.0 9.5 0.5 0.5 2.15 0.0 \n",
|
||||
"197 1.0 5.0 0.0 0.5 1.16 0.0 \n",
|
||||
"198 2.0 7.0 0.0 0.5 0.00 0.0 \n",
|
||||
"199 1.0 10.5 0.0 0.5 1.00 0.0 \n",
|
||||
"\n",
|
||||
" improvement_surcharge total_amount congestion_surcharge \n",
|
||||
"0 0.3 20.38 2.5 \n",
|
||||
"1 0.3 13.80 2.5 \n",
|
||||
"2 0.3 11.80 2.5 \n",
|
||||
"3 0.3 9.95 2.5 \n",
|
||||
"4 0.3 28.50 2.5 \n",
|
||||
".. ... ... ... \n",
|
||||
"195 0.3 12.96 0.0 \n",
|
||||
"196 0.3 12.95 0.0 \n",
|
||||
"197 0.3 6.96 0.0 \n",
|
||||
"198 0.3 7.80 0.0 \n",
|
||||
"199 0.3 12.30 0.0 \n",
|
||||
"\n",
|
||||
"[200 rows x 18 columns]\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**అస్పష్టత**: \nఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"kernelspec": {
|
||||
"name": "python3",
|
||||
"display_name": "Python 3.9.7 64-bit ('venv': venv)"
|
||||
},
|
||||
"language_info": {
|
||||
"mimetype": "text/x-python",
|
||||
"name": "python",
|
||||
"pygments_lexer": "ipython3",
|
||||
"codemirror_mode": {
|
||||
"name": "ipython",
|
||||
"version": 3
|
||||
},
|
||||
"version": "3.9.7",
|
||||
"nbconvert_exporter": "python",
|
||||
"file_extension": ".py"
|
||||
},
|
||||
"name": "04-nyc-taxi-join-weather-in-pandas",
|
||||
"notebookId": 1709144033725344,
|
||||
"interpreter": {
|
||||
"hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "3bd4c20c4e8f3158f483f0f1cc543bb1",
|
||||
"translation_date": "2025-12-19T17:11:44+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/14-Introduction/notebook.ipynb",
|
||||
"language_code": "te"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 2
|
||||
}
|
||||
@ -0,0 +1,60 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "661dad02c3ac239644d34c1eb51e76f8",
|
||||
"translation_date": "2025-12-19T15:23:47+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/15-analyzing/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# డేటా సైన్స్ లైఫ్సైకిల్: విశ్లేషణ
|
||||
|
||||
| ](../../sketchnotes/15-Analyzing.png)|
|
||||
|:---:|
|
||||
| డేటా సైన్స్ లైఫ్సైకిల్: విశ్లేషణ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/28)
|
||||
|
||||
డేటా లైఫ్సైకిల్లో విశ్లేషణ అనేది డేటా ప్రతిపాదించిన ప్రశ్నలకు సమాధానం ఇవ్వగలదా లేదా ఒక నిర్దిష్ట సమస్యను పరిష్కరించగలదా అని నిర్ధారిస్తుంది. ఈ దశ మోడల్ ఈ ప్రశ్నలు మరియు సమస్యలను సరిగ్గా పరిష్కరిస్తుందా అని నిర్ధారించడంపై కూడా దృష్టి పెట్టవచ్చు. ఈ పాఠం అన్వేషణాత్మక డేటా విశ్లేషణ లేదా EDA పై కేంద్రీకృతమై ఉంది, ఇవి డేటాలో లక్షణాలు మరియు సంబంధాలను నిర్వచించడానికి ఉపయోగించే సాంకేతికతలు మరియు మోడలింగ్ కోసం డేటాను సిద్ధం చేయడానికి ఉపయోగించవచ్చు.
|
||||
|
||||
మనం [Kaggle](https://www.kaggle.com/balaka18/email-spam-classification-dataset-csv/version/1) నుండి ఒక ఉదాహరణ డేటాసెట్ను ఉపయోగించి ఇది Python మరియు Pandas లైబ్రరీతో ఎలా వర్తించవచ్చో చూపించబోతున్నాము. ఈ డేటాసెట్ ఇమెయిల్స్లో కనిపించే కొన్ని సాధారణ పదాల సంఖ్యను కలిగి ఉంది, ఈ ఇమెయిల్స్ మూలాలు అనామకంగా ఉన్నాయి. ఈ డైరెక్టరీలోని [నోట్బుక్](notebook.ipynb) ను అనుసరించండి.
|
||||
|
||||
## అన్వేషణాత్మక డేటా విశ్లేషణ
|
||||
|
||||
లైఫ్సైకిల్ యొక్క క్యాప్చర్ దశలో డేటా సేకరించబడుతుంది అలాగే సమస్యలు మరియు ప్రశ్నలు కూడా ఉంటాయి, కానీ డేటా చివరి ఫలితాన్ని మద్దతు ఇవ్వగలదని ఎలా తెలుసుకోవాలి?
|
||||
డేటా సైంటిస్ట్ డేటాను సేకరించినప్పుడు క్రింది ప్రశ్నలు అడగవచ్చు:
|
||||
- ఈ సమస్యను పరిష్కరించడానికి నాకు సరిపడా డేటా ఉందా?
|
||||
- ఈ సమస్యకు డేటా అంగీకారయోగ్యమైన నాణ్యత కలిగి ఉందా?
|
||||
- ఈ డేటా ద్వారా అదనపు సమాచారం కనుగొన్నట్లయితే, మనం లక్ష్యాలను మార్చడం లేదా పునర్నిర్వచించడం పరిగణించాలా?
|
||||
అన్వేషణాత్మక డేటా విశ్లేషణ అనేది ఆ డేటాను తెలుసుకోవడంలో సహాయపడే ప్రక్రియ మరియు ఈ ప్రశ్నలకు సమాధానం ఇవ్వడానికి, అలాగే డేటాసెట్తో పని చేసే సవాళ్లను గుర్తించడానికి ఉపయోగపడుతుంది. దీన్ని సాధించడానికి ఉపయోగించే కొన్ని సాంకేతికతలపై దృష్టి పెట్టుకుందాం.
|
||||
|
||||
## డేటా ప్రొఫైలింగ్, వివరణాత్మక గణాంకాలు, మరియు Pandas
|
||||
ఈ సమస్యను పరిష్కరించడానికి సరిపడా డేటా ఉందా అని ఎలా అంచనా వేయాలి? డేటా ప్రొఫైలింగ్ వివరణాత్మక గణాంకాల సాంకేతికతల ద్వారా మన డేటాసెట్ గురించి కొన్ని సాధారణ సమాచారం సారాంశం చేయగలదు మరియు సేకరించగలదు. డేటా ప్రొఫైలింగ్ మనకు ఏమి అందుబాటులో ఉందో అర్థం చేసుకోవడంలో సహాయపడుతుంది, మరియు వివరణాత్మక గణాంకాలు మనకు ఎంతమంది వస్తున్నారో అర్థం చేసుకోవడంలో సహాయపడతాయి.
|
||||
|
||||
గత పాఠాలలో కొన్ని సందర్భాల్లో, మేము Pandas ఉపయోగించి [`describe()` ఫంక్షన్]( https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.describe.html) తో కొన్ని వివరణాత్మక గణాంకాలు అందించాము. ఇది సంఖ్యాత్మక డేటాపై కౌంట్, గరిష్ఠ మరియు కనిష్ఠ విలువలు, సగటు, ప్రమాణ విభిన్నం మరియు క్వాంటైల్లను అందిస్తుంది. `describe()` వంటి వివరణాత్మక గణాంకాలను ఉపయోగించడం మీ వద్ద ఎంత డేటా ఉందో అంచనా వేయడంలో మరియు మరింత అవసరమో లేదో తెలుసుకోవడంలో సహాయపడుతుంది.
|
||||
|
||||
## నమూనా తీసుకోవడం మరియు ప్రశ్నించడం
|
||||
పెద్ద డేటాసెట్లో ప్రతిదీ అన్వేషించడం చాలా సమయం తీసుకునే పని మరియు సాధారణంగా కంప్యూటర్కు అప్పగించబడే పని. అయితే, నమూనా తీసుకోవడం డేటాను అర్థం చేసుకోవడంలో సహాయపడే సాధనం మరియు డేటాసెట్లో ఏమి ఉందో మరియు అది ఏమి సూచిస్తున్నదో మెరుగ్గా అర్థం చేసుకోవడానికి అనుమతిస్తుంది. ఒక నమూనాతో, మీరు ప్రాబబిలిటీ మరియు గణాంకాలను వర్తింపజేసి మీ డేటా గురించి సాధారణ నిర్ణయాలకు రావచ్చు. మీరు ఎంత డేటా నమూనా తీసుకోవాలో నిర్దిష్ట నియమం లేదు కానీ మీరు ఎక్కువ డేటాను నమూనా తీసుకుంటే, మీరు డేటా గురించి సాధారణీకరణను మరింత ఖచ్చితంగా చేయగలుగుతారు.
|
||||
Pandas లైబ్రరీలో [`sample()` ఫంక్షన్](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.sample.html) ఉంది, దీని ద్వారా మీరు ఎన్ని యాదృచ్ఛిక నమూనాలు కావాలో ఆర్గ్యుమెంట్గా ఇవ్వవచ్చు మరియు ఉపయోగించవచ్చు.
|
||||
|
||||
డేటాను సాధారణంగా ప్రశ్నించడం మీకు కొన్ని సాధారణ ప్రశ్నలు మరియు సిద్ధాంతాలకు సమాధానం ఇవ్వడంలో సహాయపడుతుంది. నమూనా తీసుకోవడానికి విరుద్ధంగా, ప్రశ్నలు మీరు డేటాలో మీకు ఆసక్తి ఉన్న నిర్దిష్ట భాగాలపై నియంత్రణ మరియు దృష్టి కల్పిస్తాయి.
|
||||
Pandas లైబ్రరీలోని [`query()` ఫంక్షన్](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.query.html) ద్వారా మీరు కాలమ్స్ను ఎంచుకుని, రోస్ ద్వారా డేటా గురించి సులభ సమాధానాలు పొందవచ్చు.
|
||||
|
||||
## విజువలైజేషన్లతో అన్వేషణ
|
||||
డేటా పూర్తిగా శుభ్రపరచబడిన మరియు విశ్లేషించబడిన తర్వాత మాత్రమే విజువలైజేషన్లు సృష్టించాల్సిన అవసరం లేదు. వాస్తవానికి, అన్వేషణ సమయంలో విజువల్ ప్రాతినిధ్యం ఉండటం డేటాలో నమూనాలు, సంబంధాలు మరియు సమస్యలను గుర్తించడంలో సహాయపడుతుంది. అదనంగా, విజువలైజేషన్లు డేటాను నిర్వహించడంలో పాల్గొనని వారితో కమ్యూనికేషన్ సాధనాన్ని అందిస్తాయి మరియు క్యాప్చర్ దశలో పరిష్కరించని అదనపు ప్రశ్నలను పంచుకోవడానికి మరియు స్పష్టత ఇవ్వడానికి అవకాశం కల్పిస్తాయి. మరింత తెలుసుకోవడానికి [విజువలైజేషన్ల విభాగం](../../../../../../../../../3-Data-Visualization) ను చూడండి.
|
||||
|
||||
## అసమంజసతలను గుర్తించడానికి అన్వేషణ
|
||||
ఈ పాఠంలోని అన్ని అంశాలు మిస్సింగ్ లేదా అసమంజస విలువలను గుర్తించడంలో సహాయపడతాయి, కానీ Pandas కొన్ని ఫంక్షన్లను అందిస్తుంది వాటిని తనిఖీ చేయడానికి. [isna() లేదా isnull()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.isna.html) మిస్సింగ్ విలువలను తనిఖీ చేయగలవు. మీ డేటాలో ఈ విలువలు ఎందుకు అలాంటి స్థితిలో ఉన్నాయో అన్వేషించడం ఒక ముఖ్యమైన భాగం. ఇది మీరు వాటిని పరిష్కరించడానికి తీసుకోవాల్సిన [చర్యలను నిర్ణయించడంలో](/2-Working-With-Data/08-data-preparation/notebook.ipynb) సహాయపడుతుంది.
|
||||
|
||||
## [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/29)
|
||||
|
||||
## అసైన్మెంట్
|
||||
|
||||
[సమాధానాల కోసం అన్వేషణ](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,154 @@
|
||||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"# వింటర్ మరియు సమ్మర్లో NYC టాక్సీ డేటా\n",
|
||||
"\n",
|
||||
"నివ్వబడిన కాలమ్స్ గురించి మరింత తెలుసుకోవడానికి [డేటా డిక్షనరీ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ను చూడండి.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"#Install the pandas library\r\n",
|
||||
"!pip install pandas"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {
|
||||
"scrolled": true
|
||||
}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 7,
|
||||
"source": [
|
||||
"import pandas as pd\r\n",
|
||||
"\r\n",
|
||||
"path = '../../data/taxi.csv'\r\n",
|
||||
"\r\n",
|
||||
"#Load the csv file into a dataframe\r\n",
|
||||
"df = pd.read_csv(path)\r\n",
|
||||
"\r\n",
|
||||
"#Print the dataframe\r\n",
|
||||
"print(df)\r\n"
|
||||
],
|
||||
"outputs": [
|
||||
{
|
||||
"output_type": "stream",
|
||||
"name": "stdout",
|
||||
"text": [
|
||||
" VendorID tpep_pickup_datetime tpep_dropoff_datetime passenger_count \\\n",
|
||||
"0 2.0 2019-07-15 16:27:53 2019-07-15 16:44:21 3.0 \n",
|
||||
"1 2.0 2019-07-17 20:26:35 2019-07-17 20:40:09 6.0 \n",
|
||||
"2 2.0 2019-07-06 16:01:08 2019-07-06 16:10:25 1.0 \n",
|
||||
"3 1.0 2019-07-18 22:32:23 2019-07-18 22:35:08 1.0 \n",
|
||||
"4 2.0 2019-07-19 14:54:29 2019-07-19 15:19:08 1.0 \n",
|
||||
".. ... ... ... ... \n",
|
||||
"195 2.0 2019-01-18 08:42:15 2019-01-18 08:56:57 1.0 \n",
|
||||
"196 1.0 2019-01-19 04:34:45 2019-01-19 04:43:44 1.0 \n",
|
||||
"197 2.0 2019-01-05 10:37:39 2019-01-05 10:42:03 1.0 \n",
|
||||
"198 2.0 2019-01-23 10:36:29 2019-01-23 10:44:34 2.0 \n",
|
||||
"199 2.0 2019-01-30 06:55:58 2019-01-30 07:07:02 5.0 \n",
|
||||
"\n",
|
||||
" trip_distance RatecodeID store_and_fwd_flag PULocationID DOLocationID \\\n",
|
||||
"0 2.02 1.0 N 186 233 \n",
|
||||
"1 1.59 1.0 N 141 161 \n",
|
||||
"2 1.69 1.0 N 246 249 \n",
|
||||
"3 0.90 1.0 N 229 141 \n",
|
||||
"4 4.79 1.0 N 237 107 \n",
|
||||
".. ... ... ... ... ... \n",
|
||||
"195 1.18 1.0 N 43 237 \n",
|
||||
"196 2.30 1.0 N 148 234 \n",
|
||||
"197 0.83 1.0 N 237 263 \n",
|
||||
"198 1.12 1.0 N 144 113 \n",
|
||||
"199 2.41 1.0 N 209 107 \n",
|
||||
"\n",
|
||||
" payment_type fare_amount extra mta_tax tip_amount tolls_amount \\\n",
|
||||
"0 1.0 12.0 1.0 0.5 4.08 0.0 \n",
|
||||
"1 2.0 10.0 0.5 0.5 0.00 0.0 \n",
|
||||
"2 2.0 8.5 0.0 0.5 0.00 0.0 \n",
|
||||
"3 1.0 4.5 3.0 0.5 1.65 0.0 \n",
|
||||
"4 1.0 19.5 0.0 0.5 5.70 0.0 \n",
|
||||
".. ... ... ... ... ... ... \n",
|
||||
"195 1.0 10.0 0.0 0.5 2.16 0.0 \n",
|
||||
"196 1.0 9.5 0.5 0.5 2.15 0.0 \n",
|
||||
"197 1.0 5.0 0.0 0.5 1.16 0.0 \n",
|
||||
"198 2.0 7.0 0.0 0.5 0.00 0.0 \n",
|
||||
"199 1.0 10.5 0.0 0.5 1.00 0.0 \n",
|
||||
"\n",
|
||||
" improvement_surcharge total_amount congestion_surcharge \n",
|
||||
"0 0.3 20.38 2.5 \n",
|
||||
"1 0.3 13.80 2.5 \n",
|
||||
"2 0.3 11.80 2.5 \n",
|
||||
"3 0.3 9.95 2.5 \n",
|
||||
"4 0.3 28.50 2.5 \n",
|
||||
".. ... ... ... \n",
|
||||
"195 0.3 12.96 0.0 \n",
|
||||
"196 0.3 12.95 0.0 \n",
|
||||
"197 0.3 6.96 0.0 \n",
|
||||
"198 0.3 7.80 0.0 \n",
|
||||
"199 0.3 12.30 0.0 \n",
|
||||
"\n",
|
||||
"[200 rows x 18 columns]\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"# మీ స్వంత అన్వేషణాత్మక డేటా విశ్లేషణ చేయడానికి క్రింద ఉన్న సెల్స్ ఉపయోగించండి\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**అస్పష్టత**: \nఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"kernelspec": {
|
||||
"name": "python3",
|
||||
"display_name": "Python 3.9.7 64-bit ('venv': venv)"
|
||||
},
|
||||
"language_info": {
|
||||
"mimetype": "text/x-python",
|
||||
"name": "python",
|
||||
"pygments_lexer": "ipython3",
|
||||
"codemirror_mode": {
|
||||
"name": "ipython",
|
||||
"version": 3
|
||||
},
|
||||
"version": "3.9.7",
|
||||
"nbconvert_exporter": "python",
|
||||
"file_extension": ".py"
|
||||
},
|
||||
"name": "04-nyc-taxi-join-weather-in-pandas",
|
||||
"notebookId": 1709144033725344,
|
||||
"interpreter": {
|
||||
"hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "7bca1c1abc1e55842817b62e44e1a963",
|
||||
"translation_date": "2025-12-19T17:11:23+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.ipynb",
|
||||
"language_code": "te"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 2
|
||||
}
|
||||
@ -0,0 +1,38 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "fcc7547171f4530f159676dd73ed772e",
|
||||
"translation_date": "2025-12-19T15:25:51+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/15-analyzing/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# సమాధానాలను అన్వేషించడం
|
||||
|
||||
ఇది గత పాఠం యొక్క [అసైన్మెంట్](../14-Introduction/assignment.md) యొక్క కొనసాగింపు, అక్కడ మేము డేటా సెట్ను సంక్షిప్తంగా పరిశీలించాము. ఇప్పుడు మేము డేటాను మరింత లోతుగా పరిశీలించబోతున్నాము.
|
||||
|
||||
మళ్లీ, క్లయింట్ తెలుసుకోవాలనుకునే ప్రశ్న: **న్యూయార్క్ సిటీలో పసుపు టాక్సీ ప్రయాణికులు శీతాకాలంలో లేదా వేసవిలో డ్రైవర్లకు ఎక్కువ టిప్ ఇస్తారా?**
|
||||
|
||||
మీ బృందం డేటా సైన్స్ లైఫ్సైకిల్లో [విశ్లేషణ](README.md) దశలో ఉంది, ఇక్కడ మీరు డేటా సెట్పై అన్వేషణాత్మక డేటా విశ్లేషణ చేయడానికి బాధ్యత వహిస్తున్నారు. మీకు జనవరి మరియు జూలై 2019 నుండి 200 టాక్సీ లావాదేవీలను కలిగిన నోట్బుక్ మరియు డేటా సెట్ అందించబడింది.
|
||||
|
||||
## సూచనలు
|
||||
|
||||
ఈ డైరెక్టరీలో [నోట్బుక్](assignment.ipynb) మరియు [టాక్సీ & లిమోసిన్ కమిషన్](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) నుండి డేటా ఉంది. డేటా గురించి మరింత సమాచారం కోసం [డేటా సెట్ డిక్షనరీ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) మరియు [వినియోగదారు గైడ్](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ను చూడండి.
|
||||
|
||||
ఈ పాఠంలో ఉన్న కొన్ని సాంకేతికతలను ఉపయోగించి నోట్బుక్లో మీ స్వంత EDA చేయండి (మీకు ఇష్టమైతే సెల్స్ జోడించండి) మరియు క్రింది ప్రశ్నలకు సమాధానం ఇవ్వండి:
|
||||
|
||||
- డేటాలో మరే ఇతర ప్రభావాలు టిప్ మొత్తాన్ని ప్రభావితం చేయవచ్చా?
|
||||
- క్లయింట్ ప్రశ్నలకు సమాధానం ఇవ్వడానికి ఏ కాలమ్స్ అవసరం కాకపోవచ్చు?
|
||||
- ఇప్పటివరకు అందించిన డేటా ఆధారంగా, సీజనల్ టిప్పింగ్ ప్రవర్తనకు ఏవైనా సాక్ష్యాలు ఉన్నాయా?
|
||||
|
||||
## రూబ్రిక్
|
||||
|
||||
Exemplary | Adequate | Needs Improvement
|
||||
--- | --- | -- |
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,193 @@
|
||||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"# డేటా విశ్లేషణ\r\n",
|
||||
"[పాఠం](README.md)లో పేర్కొన్న Pandas ఫంక్షన్ల ఉదాహరణలు.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 1,
|
||||
"source": [
|
||||
"import pandas as pd\r\n",
|
||||
"import glob\r\n",
|
||||
"\r\n",
|
||||
"#Loading the dataset\r\n",
|
||||
"path = '../../data/emails.csv'\r\n",
|
||||
"email_df = pd.read_csv(path)"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 2,
|
||||
"source": [
|
||||
"# Using Describe on the email dataset\r\n",
|
||||
"print(email_df.describe())"
|
||||
],
|
||||
"outputs": [
|
||||
{
|
||||
"output_type": "stream",
|
||||
"name": "stdout",
|
||||
"text": [
|
||||
" the to ect and for of \\\n",
|
||||
"count 406.000000 406.000000 406.000000 406.000000 406.000000 406.000000 \n",
|
||||
"mean 7.022167 6.519704 4.948276 3.059113 3.502463 2.662562 \n",
|
||||
"std 10.945522 9.801907 9.293820 6.267806 4.901372 5.443939 \n",
|
||||
"min 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000 \n",
|
||||
"25% 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 \n",
|
||||
"50% 3.000000 3.000000 2.000000 1.000000 2.000000 1.000000 \n",
|
||||
"75% 9.000000 7.750000 4.000000 3.000000 4.750000 3.000000 \n",
|
||||
"max 99.000000 88.000000 79.000000 69.000000 39.000000 57.000000 \n",
|
||||
"\n",
|
||||
" a you in on is this \\\n",
|
||||
"count 406.000000 406.000000 406.000000 406.000000 406.000000 406.000000 \n",
|
||||
"mean 57.017241 2.394089 10.817734 11.591133 5.901478 1.485222 \n",
|
||||
"std 78.868243 4.067015 19.050972 16.407175 8.793103 2.912473 \n",
|
||||
"min 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 \n",
|
||||
"25% 15.000000 0.000000 1.250000 3.000000 1.000000 0.000000 \n",
|
||||
"50% 29.000000 1.000000 5.000000 6.000000 3.000000 0.000000 \n",
|
||||
"75% 61.000000 3.000000 12.000000 13.000000 7.000000 2.000000 \n",
|
||||
"max 843.000000 31.000000 223.000000 125.000000 61.000000 24.000000 \n",
|
||||
"\n",
|
||||
" i be that will \n",
|
||||
"count 406.000000 406.000000 406.000000 406.000000 \n",
|
||||
"mean 47.155172 2.950739 1.034483 0.955665 \n",
|
||||
"std 71.043009 4.297865 1.904846 2.042271 \n",
|
||||
"min 0.000000 0.000000 0.000000 0.000000 \n",
|
||||
"25% 11.000000 1.000000 0.000000 0.000000 \n",
|
||||
"50% 24.000000 1.000000 0.000000 0.000000 \n",
|
||||
"75% 50.750000 3.000000 1.000000 1.000000 \n",
|
||||
"max 754.000000 40.000000 14.000000 24.000000 \n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 5,
|
||||
"source": [
|
||||
"# Sampling 10 emails\r\n",
|
||||
"print(email_df.sample(10))"
|
||||
],
|
||||
"outputs": [
|
||||
{
|
||||
"output_type": "stream",
|
||||
"name": "stdout",
|
||||
"text": [
|
||||
" Email No. the to ect and for of a you in on is this i \\\n",
|
||||
"150 Email 151 0 1 2 0 3 0 15 0 0 5 0 0 7 \n",
|
||||
"380 Email 5147 0 3 2 0 0 0 7 0 1 1 0 0 3 \n",
|
||||
"19 Email 20 3 4 11 0 4 2 32 1 1 3 9 5 25 \n",
|
||||
"300 Email 301 2 1 1 0 1 1 15 2 2 3 2 0 8 \n",
|
||||
"307 Email 308 0 0 1 0 0 0 1 0 1 0 0 0 2 \n",
|
||||
"167 Email 168 2 2 2 1 5 1 24 2 5 6 4 0 30 \n",
|
||||
"320 Email 321 10 12 4 6 8 6 187 5 26 28 23 2 171 \n",
|
||||
"61 Email 62 0 1 1 0 4 1 15 4 4 3 3 0 19 \n",
|
||||
"26 Email 27 5 4 1 1 4 4 51 0 8 6 6 2 44 \n",
|
||||
"73 Email 74 0 0 1 0 0 0 7 0 4 3 0 0 6 \n",
|
||||
"\n",
|
||||
" be that will \n",
|
||||
"150 1 0 0 \n",
|
||||
"380 0 0 0 \n",
|
||||
"19 3 0 1 \n",
|
||||
"300 0 0 0 \n",
|
||||
"307 0 0 0 \n",
|
||||
"167 2 0 0 \n",
|
||||
"320 5 1 1 \n",
|
||||
"61 2 0 0 \n",
|
||||
"26 6 0 0 \n",
|
||||
"73 0 0 0 \n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 14,
|
||||
"source": [
|
||||
"# Returns rows where there are more occurrences of \"to\" than \"the\"\r\n",
|
||||
"print(email_df.query('the < to'))"
|
||||
],
|
||||
"outputs": [
|
||||
{
|
||||
"output_type": "stream",
|
||||
"name": "stdout",
|
||||
"text": [
|
||||
" Email No. the to ect and for of a you in on is this i \\\n",
|
||||
"1 Email 2 8 13 24 6 6 2 102 1 18 21 13 0 61 \n",
|
||||
"3 Email 4 0 5 22 0 5 1 51 2 1 5 9 2 16 \n",
|
||||
"5 Email 6 4 5 1 4 2 3 45 1 16 12 8 1 52 \n",
|
||||
"7 Email 8 0 2 2 3 1 2 21 6 2 6 2 0 28 \n",
|
||||
"13 Email 14 4 5 7 1 5 1 37 1 8 8 6 1 43 \n",
|
||||
".. ... ... .. ... ... ... .. ... ... .. .. .. ... .. \n",
|
||||
"390 Email 5157 4 13 1 0 3 1 48 2 8 26 9 1 45 \n",
|
||||
"393 Email 5160 2 13 1 0 2 1 38 2 7 24 6 1 34 \n",
|
||||
"396 Email 5163 2 3 1 2 1 2 32 0 7 3 2 0 26 \n",
|
||||
"404 Email 5171 2 7 1 0 2 1 28 2 8 11 7 1 39 \n",
|
||||
"405 Email 5172 22 24 5 1 6 5 148 8 23 13 5 4 99 \n",
|
||||
"\n",
|
||||
" be that will \n",
|
||||
"1 4 2 0 \n",
|
||||
"3 2 0 0 \n",
|
||||
"5 2 0 0 \n",
|
||||
"7 1 0 1 \n",
|
||||
"13 1 0 1 \n",
|
||||
".. .. ... ... \n",
|
||||
"390 1 0 0 \n",
|
||||
"393 1 0 0 \n",
|
||||
"396 3 0 0 \n",
|
||||
"404 1 0 0 \n",
|
||||
"405 6 4 1 \n",
|
||||
"\n",
|
||||
"[169 rows x 17 columns]\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**అస్పష్టత**: \nఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"orig_nbformat": 4,
|
||||
"language_info": {
|
||||
"name": "python",
|
||||
"version": "3.9.7",
|
||||
"mimetype": "text/x-python",
|
||||
"codemirror_mode": {
|
||||
"name": "ipython",
|
||||
"version": 3
|
||||
},
|
||||
"pygments_lexer": "ipython3",
|
||||
"nbconvert_exporter": "python",
|
||||
"file_extension": ".py"
|
||||
},
|
||||
"kernelspec": {
|
||||
"name": "python3",
|
||||
"display_name": "Python 3.9.7 64-bit ('venv': venv)"
|
||||
},
|
||||
"interpreter": {
|
||||
"hash": "6b9b57232c4b57163d057191678da2030059e733b8becc68f245de5a75abe84e"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "9d102c8c3cdbc8ea4e92fc32593462c6",
|
||||
"translation_date": "2025-12-19T17:11:02+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/15-analyzing/notebook.ipynb",
|
||||
"language_code": "te"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 2
|
||||
}
|
||||
@ -0,0 +1,28 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8980d7efd101c82d6d6ffc3458214120",
|
||||
"translation_date": "2025-12-19T15:22:42+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/16-communication/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# కథ చెప్పండి
|
||||
|
||||
## సూచనలు
|
||||
|
||||
డేటా సైన్స్ అనేది కథ చెప్పడమే. ఏదైనా డేటాసెట్ ఎంచుకుని దాని గురించి మీరు చెప్పగల కథపై ఒక చిన్న పేపర్ రాయండి. మీ డేటాసెట్ ఏం వెల్లడించగలదని మీరు ఆశిస్తున్నారు? దాని వెల్లడింపులు సమస్యాత్మకంగా ఉంటే మీరు ఏమి చేస్తారు? మీ డేటా సులభంగా దాని రహస్యాలను తెరవకపోతే ఏమవుతుంది? మీ డేటాసెట్ చూపించగల సన్నివేశాలను ఆలోచించి వాటిని రాయండి.
|
||||
|
||||
## రూబ్రిక్
|
||||
|
||||
ఉదాహరణగా | సరిపోతుంది | మెరుగుదల అవసరం
|
||||
--- | --- | -- |
|
||||
|
||||
డేటాసెట్ వివరించబడిన, డాక్యుమెంటెడ్, క్రెడిట్ ఇచ్చిన, మరియు దాని గురించి సమగ్ర కథ వివరాలతో ఒక పేజీ ఎస్సే .doc ఫార్మాట్లో సమర్పించబడింది.| తక్కువ వివరాలతో చిన్న ఎస్సే సమర్పించబడింది | పై వివరాలలో ఒకటి లోపంగా ఉంది.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,32 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "dd173fd30fc039a7a299898920680723",
|
||||
"translation_date": "2025-12-19T13:24:15+00:00",
|
||||
"source_file": "4-Data-Science-Lifecycle/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# డేటా సైన్స్ లైఫ్సైకిల్
|
||||
|
||||
|
||||
> ఫోటో <a href="https://unsplash.com/@headwayio?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">హెడ్వే</a> ద్వారా <a href="https://unsplash.com/s/photos/communication?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText">అన్స్ప్లాష్</a>లో
|
||||
|
||||
ఈ పాఠాలలో, మీరు డేటా సైన్స్ లైఫ్సైకిల్ యొక్క కొన్ని అంశాలను, డేటా చుట్టూ విశ్లేషణ మరియు కమ్యూనికేషన్ సహా, అన్వేషించబోతున్నారు.
|
||||
|
||||
### విషయాలు
|
||||
|
||||
1. [పరిచయం](14-Introduction/README.md)
|
||||
2. [విశ్లేషణ](15-analyzing/README.md)
|
||||
3. [కమ్యూనికేషన్](16-communication/README.md)
|
||||
|
||||
### క్రెడిట్స్
|
||||
|
||||
ఈ పాఠాలు ❤️ తో [జాలెన్ మెక్గీ](https://twitter.com/JalenMCG) మరియు [జాస్మిన్ గ్రీనవే](https://twitter.com/paladique) రాసారు.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,121 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "5f8e7cdefa096664ae86f795be571580",
|
||||
"translation_date": "2025-12-19T15:05:13+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/17-Introduction/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# క్లౌడ్లో డేటా సైన్స్ పరిచయం
|
||||
|
||||
| ](../../sketchnotes/17-DataScience-Cloud.png)|
|
||||
|:---:|
|
||||
| క్లౌడ్లో డేటా సైన్స్: పరిచయం - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
|
||||
ఈ పాఠంలో, మీరు క్లౌడ్ యొక్క ప్రాథమిక సూత్రాలను నేర్చుకుంటారు, ఆపై మీ డేటా సైన్స్ ప్రాజెక్టులను నడపడానికి క్లౌడ్ సేవలను ఉపయోగించడం మీకు ఎందుకు ఆసక్తికరంగా ఉండవచ్చో చూడగలుగుతారు మరియు క్లౌడ్లో నడిచే కొన్ని డేటా సైన్స్ ప్రాజెక్టుల ఉదాహరణలను పరిశీలిస్తాము.
|
||||
|
||||
|
||||
## [పాఠం ముందు క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/32)
|
||||
|
||||
|
||||
## క్లౌడ్ అంటే ఏమిటి?
|
||||
|
||||
క్లౌడ్, లేదా క్లౌడ్ కంప్యూటింగ్, ఇంటర్నెట్ ద్వారా హోస్ట్ చేయబడిన ఇన్ఫ్రాస్ట్రక్చర్పై పేమెంట్-ఆస్-యూ-గో (pay-as-you-go) కంప్యూటింగ్ సేవల విస్తృత శ్రేణిని అందించడం. సేవలలో నిల్వ, డేటాబేసులు, నెట్వర్కింగ్, సాఫ్ట్వేర్, విశ్లేషణలు మరియు తెలివైన సేవలు వంటి పరిష్కారాలు ఉంటాయి.
|
||||
|
||||
మనం సాధారణంగా పబ్లిక్, ప్రైవేట్ మరియు హైబ్రిడ్ క్లౌడ్లను క్రింది విధంగా వేరుచేస్తాము:
|
||||
|
||||
* పబ్లిక్ క్లౌడ్: పబ్లిక్ క్లౌడ్ అనేది మూడవ పక్ష క్లౌడ్ సేవా ప్రదాత చేత యాజమాన్యం మరియు నిర్వహణ చేయబడుతుంది, ఇది తన కంప్యూటింగ్ వనరులను ఇంటర్నెట్ ద్వారా ప్రజలకు అందిస్తుంది.
|
||||
* ప్రైవేట్ క్లౌడ్: ఒకే వ్యాపారం లేదా సంస్థ ప్రత్యేకంగా ఉపయోగించే క్లౌడ్ కంప్యూటింగ్ వనరులను సూచిస్తుంది, సేవలు మరియు ఇన్ఫ్రాస్ట్రక్చర్ ప్రైవేట్ నెట్వర్క్లో నిర్వహించబడతాయి.
|
||||
* హైబ్రిడ్ క్లౌడ్: హైబ్రిడ్ క్లౌడ్ అనేది పబ్లిక్ మరియు ప్రైవేట్ క్లౌడ్లను కలిపిన వ్యవస్థ. వినియోగదారులు ఆన్-ప్రెమైసెస్ డేటాసెంటర్ను ఎంచుకుంటారు, అదే సమయంలో ఒకటి లేదా ఎక్కువ పబ్లిక్ క్లౌడ్లపై డేటా మరియు అప్లికేషన్లను నడపడానికి అనుమతిస్తారు.
|
||||
|
||||
అధిక భాగం క్లౌడ్ కంప్యూటింగ్ సేవలు మూడు వర్గాలలో వస్తాయి: ఇన్ఫ్రాస్ట్రక్చర్ యాజమాన్యంగా సేవ (IaaS), ప్లాట్ఫారమ్ యాజమాన్యంగా సేవ (PaaS) మరియు సాఫ్ట్వేర్ యాజమాన్యంగా సేవ (SaaS).
|
||||
|
||||
* ఇన్ఫ్రాస్ట్రక్చర్ యాజమాన్యంగా సేవ (IaaS): వినియోగదారులు సర్వర్లు మరియు వర్చువల్ మెషీన్లు (VMs), నిల్వ, నెట్వర్కులు, ఆపరేటింగ్ సిస్టమ్స్ వంటి IT ఇన్ఫ్రాస్ట్రక్చర్ను అద్దెకు తీసుకుంటారు
|
||||
* ప్లాట్ఫారమ్ యాజమాన్యంగా సేవ (PaaS): వినియోగదారులు సాఫ్ట్వేర్ అప్లికేషన్లను అభివృద్ధి, పరీక్ష, డెలివరీ మరియు నిర్వహణ కోసం ఒక వాతావరణాన్ని అద్దెకు తీసుకుంటారు. అభివృద్ధికి అవసరమైన సర్వర్లు, నిల్వ, నెట్వర్క్ మరియు డేటాబేసుల మౌలిక సదుపాయాలను ఏర్పాటు చేయడం లేదా నిర్వహించడం గురించి వినియోగదారులు ఆందోళన చెందాల్సిన అవసరం లేదు.
|
||||
* సాఫ్ట్వేర్ యాజమాన్యంగా సేవ (SaaS): వినియోగదారులు ఇంటర్నెట్ ద్వారా, డిమాండ్పై మరియు సాధారణంగా సబ్స్క్రిప్షన్ ఆధారంగా సాఫ్ట్వేర్ అప్లికేషన్లకు ప్రాప్తి పొందుతారు. సాఫ్ట్వేర్ అప్లికేషన్, మౌలిక సదుపాయాలు లేదా నిర్వహణ, ఉదాహరణకు సాఫ్ట్వేర్ అప్గ్రేడ్లు మరియు భద్రతా ప్యాచింగ్ వంటి వాటిని హోస్ట్ చేయడం మరియు నిర్వహించడం గురించి వినియోగదారులు ఆందోళన చెందాల్సిన అవసరం లేదు.
|
||||
|
||||
అత్యంత పెద్ద క్లౌడ్ ప్రొవైడర్లు Amazon Web Services, Google Cloud Platform మరియు Microsoft Azure.
|
||||
|
||||
## డేటా సైన్స్ కోసం క్లౌడ్ ఎందుకు ఎంచుకోవాలి?
|
||||
|
||||
డెవలపర్లు మరియు IT నిపుణులు అనేక కారణాల వల్ల క్లౌడ్తో పని చేయాలని ఎంచుకుంటారు, వాటిలో ముఖ్యమైనవి:
|
||||
|
||||
* ఆవిష్కరణ: మీరు మీ అప్లికేషన్లలో నేరుగా క్లౌడ్ ప్రొవైడర్లు సృష్టించిన ఆవిష్కరణాత్మక సేవలను సమ్మిళితం చేయడం ద్వారా మీ అప్లికేషన్లకు శక్తిని అందించవచ్చు.
|
||||
* అనుకూలత: మీరు అవసరమైన సేవలకు మాత్రమే చెల్లిస్తారు మరియు విస్తృత శ్రేణి సేవల నుండి ఎంచుకోవచ్చు. మీరు సాధారణంగా ఉపయోగించినంత మాత్రాన చెల్లిస్తారు మరియు మీ అభివృద్ధి చెందుతున్న అవసరాలకు అనుగుణంగా మీ సేవలను సర్దుబాటు చేసుకోవచ్చు.
|
||||
* బడ్జెట్: హార్డ్వేర్ మరియు సాఫ్ట్వేర్ కొనుగోలు చేయడానికి ప్రారంభ పెట్టుబడులు పెట్టాల్సిన అవసరం లేదు, ఆన్-సైట్ డేటాసెంటర్లను ఏర్పాటు చేసి నడపాల్సిన అవసరం లేదు మరియు మీరు ఉపయోగించినదానికి మాత్రమే చెల్లించవచ్చు.
|
||||
* స్కేలబిలిటీ: మీ వనరులు మీ ప్రాజెక్ట్ అవసరాలకు అనుగుణంగా పెరుగుతాయి లేదా తగ్గుతాయి, అంటే మీ అప్లికేషన్లు ఎక్కువ లేదా తక్కువ కంప్యూటింగ్ శక్తి, నిల్వ మరియు బ్యాండ్విడ్త్ను ఉపయోగించవచ్చు, ఏ సమయంలోనైనా బాహ్య అంశాలకు అనుగుణంగా సర్దుబాటు చేసుకోవచ్చు.
|
||||
* ఉత్పాదకత: డేటాసెంటర్ల నిర్వహణ వంటి పనులపై సమయం ఖర్చు చేయకుండా మీ వ్యాపారంపై దృష్టి పెట్టవచ్చు.
|
||||
* నమ్మకదరితనం: క్లౌడ్ కంప్యూటింగ్ మీ డేటాను నిరంతరం బ్యాకప్ చేయడానికి అనేక మార్గాలను అందిస్తుంది మరియు మీరు విపత్తు పునరుద్ధరణ ప్రణాళికలను ఏర్పాటు చేయవచ్చు, ఇది సంక్షోభ సమయంలో కూడా మీ వ్యాపారం మరియు సేవలను కొనసాగించడానికి సహాయపడుతుంది.
|
||||
* భద్రత: మీరు మీ ప్రాజెక్ట్ భద్రతను బలోపేతం చేసే విధానాలు, సాంకేతికతలు మరియు నియంత్రణల నుండి లాభం పొందవచ్చు.
|
||||
|
||||
ఇవి క్లౌడ్ సేవలను ఉపయోగించడానికి ప్రజలు ఎంచుకునే సాధారణ కారణాలలో కొన్ని. ఇప్పుడు క్లౌడ్ అంటే ఏమిటి మరియు దాని ప్రధాన లాభాలు ఏమిటి అనే విషయాలను బాగా అర్థం చేసుకున్న తర్వాత, డేటా శాస్త్రవేత్తలు మరియు డేటాతో పని చేసే డెవలపర్లు చేసే పనులపై మరింత స్పష్టంగా చూద్దాం, మరియు క్లౌడ్ వారు ఎదుర్కొనే అనేక సవాళ్లలో ఎలా సహాయపడగలదో చూద్దాం:
|
||||
|
||||
* పెద్ద మొత్తంలో డేటాను నిల్వ చేయడం: పెద్ద సర్వర్లను కొనుగోలు చేయడం, నిర్వహించడం మరియు రక్షించడం బదులు, మీరు Azure Cosmos DB, Azure SQL Database మరియు Azure Data Lake Storage వంటి పరిష్కారాలతో మీ డేటాను నేరుగా క్లౌడ్లో నిల్వ చేయవచ్చు.
|
||||
* డేటా ఇంటిగ్రేషన్ నిర్వహించడం: డేటా ఇంటిగ్రేషన్ డేటా సైన్స్లో ఒక ముఖ్యమైన భాగం, ఇది డేటా సేకరణ నుండి చర్యలు తీసుకోవడం వరకు మార్పును అనుమతిస్తుంది. క్లౌడ్లో అందించే డేటా ఇంటిగ్రేషన్ సేవలతో, మీరు వివిధ మూలాల నుండి డేటాను సేకరించి, మార్చి, ఒకే డేటా వేర్హౌస్లో సమ్మిళితం చేయవచ్చు, Data Factory తో.
|
||||
* డేటాను ప్రాసెస్ చేయడం: భారీ మొత్తంలో డేటాను ప్రాసెస్ చేయడానికి చాలా కంప్యూటింగ్ శక్తి అవసరం, అందుకు సరిపడా శక్తివంతమైన యంత్రాలు అందుబాటులో లేకపోవచ్చు, అందుకే చాలా మంది తమ పరిష్కారాలను నడపడానికి మరియు అమలు చేయడానికి నేరుగా క్లౌడ్ యొక్క భారీ కంప్యూటింగ్ శక్తిని ఉపయోగించుకోవడం ఎంచుకుంటారు.
|
||||
* డేటా విశ్లేషణ సేవలను ఉపయోగించడం: Azure Synapse Analytics, Azure Stream Analytics మరియు Azure Databricks వంటి క్లౌడ్ సేవలు మీ డేటాను కార్యాచరణాత్మక అవగాహనలుగా మార్చడంలో సహాయపడతాయి.
|
||||
* మెషీన్ లెర్నింగ్ మరియు డేటా ఇంటెలిజెన్స్ సేవలను ఉపయోగించడం: మొదలుపెట్టడం బదులు, మీరు క్లౌడ్ ప్రొవైడర్ అందించే మెషీన్ లెర్నింగ్ అల్గోరిథమ్స్ను ఉపయోగించవచ్చు, AzureML వంటి సేవలతో. మీరు స్పీచ్-టు-టెక్స్ట్, టెక్స్ట్ టు స్పీచ్, కంప్యూటర్ విజన్ మరియు మరిన్ని వంటి కాగ్నిటివ్ సేవలను కూడా ఉపయోగించవచ్చు.
|
||||
|
||||
## క్లౌడ్లో డేటా సైన్స్ ఉదాహరణలు
|
||||
|
||||
ఇది మరింత స్పష్టంగా చేసుకోవడానికి కొన్ని సన్నివేశాలను చూద్దాం.
|
||||
|
||||
### రియల్-టైమ్ సోషల్ మీడియా భావోద్వేగ విశ్లేషణ
|
||||
మనం మెషీన్ లెర్నింగ్తో ప్రారంభించే వారు సాధారణంగా అధ్యయనం చేసే ఒక సన్నివేశంతో ప్రారంభిస్తాము: రియల్ టైమ్లో సోషల్ మీడియా భావోద్వేగ విశ్లేషణ.
|
||||
|
||||
మీరు ఒక వార్తా మీడియా వెబ్సైట్ నడుపుతున్నారని అనుకుందాం మరియు మీ పాఠకులు ఆసక్తి చూపవచ్చని కంటెంట్ను అర్థం చేసుకోవడానికి ప్రత్యక్ష డేటాను ఉపయోగించాలనుకుంటున్నారు.
|
||||
|
||||
దానికి సంబంధించిన విషయాలను తెలుసుకోవడానికి, మీరు ట్విట్టర్ ప్రచురణల నుండి డేటా యొక్క రియల్-టైమ్ భావోద్వేగ విశ్లేషణను నిర్వహించే ప్రోగ్రామ్ను నిర్మించవచ్చు, ఇది మీ పాఠకులకు సంబంధించి అంశాలపై ఉంటుంది.
|
||||
|
||||
మీరు చూడబోయే ముఖ్య సూచికలు నిర్దిష్ట అంశాలపై (హ్యాష్ట్యాగ్లు) ట్వీట్ల పరిమాణం మరియు భావోద్వేగం, ఇది నిర్దిష్ట అంశాల చుట్టూ భావోద్వేగ విశ్లేషణ నిర్వహించే విశ్లేషణా సాధనాలతో స్థాపించబడుతుంది.
|
||||
|
||||
ఈ ప్రాజెక్టును సృష్టించడానికి అవసరమైన దశలు:
|
||||
|
||||
* ట్విట్టర్ నుండి డేటాను సేకరించడానికి స్ట్రీమింగ్ ఇన్పుట్ కోసం ఈవెంట్ హబ్ సృష్టించండి
|
||||
* ట్విట్టర్ స్ట్రీమింగ్ APIలను పిలవడానికి ట్విట్టర్ క్లయింట్ అప్లికేషన్ను కాన్ఫిగర్ చేసి ప్రారంభించండి
|
||||
* స్ట్రీమ్ అనలిటిక్స్ జాబ్ సృష్టించండి
|
||||
* జాబ్ ఇన్పుట్ మరియు క్వెరీని నిర్దేశించండి
|
||||
* అవుట్పుట్ సింక్ సృష్టించి జాబ్ అవుట్పుట్ను నిర్దేశించండి
|
||||
* జాబ్ను ప్రారంభించండి
|
||||
|
||||
పూర్తి ప్రక్రియను చూడడానికి, [డాక్యుమెంటేషన్](https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?WT.mc_id=academic-77958-bethanycheum&ocid=AID30411099)ను చూడండి.
|
||||
|
||||
### శాస్త్రీయ పత్రాల విశ్లేషణ
|
||||
మరొక ఉదాహరణగా, ఈ పాఠ్యాంశ రచయితలలో ఒకరు అయిన [Dmitry Soshnikov](http://soshnikov.com) సృష్టించిన ప్రాజెక్టును తీసుకుందాం.
|
||||
|
||||
Dmitry COVID పత్రాలను విశ్లేషించే ఒక సాధనాన్ని సృష్టించాడు. ఈ ప్రాజెక్టును సమీక్షించడం ద్వారా, మీరు శాస్త్రీయ పత్రాల నుండి జ్ఞానాన్ని తీసుకురావడం, అవగాహనలను పొందడం మరియు పరిశోధకులు పెద్ద పత్రాల సేకరణలలో సమర్థవంతంగా నావిగేట్ చేయడంలో సహాయపడే సాధనాన్ని ఎలా సృష్టించవచ్చో చూడగలుగుతారు.
|
||||
|
||||
ఇది చేయడానికి ఉపయోగించిన వివిధ దశలు:
|
||||
|
||||
* [Text Analytics for Health](https://docs.microsoft.com/azure/cognitive-services/text-analytics/how-tos/text-analytics-for-health?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)తో సమాచారం తీసుకోవడం మరియు ప్రీ-ప్రాసెసింగ్
|
||||
* ప్రాసెసింగ్ను సమాంతరంగా చేయడానికి [Azure ML](https://azure.microsoft.com/services/machine-learning?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ఉపయోగించడం
|
||||
* [Cosmos DB](https://azure.microsoft.com/services/cosmos-db?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)తో సమాచారం నిల్వ చేయడం మరియు క్వెరీ చేయడం
|
||||
* Power BI ఉపయోగించి డేటా అన్వేషణ మరియు విజువలైజేషన్ కోసం ఇంటరాక్టివ్ డాష్బోర్డ్ సృష్టించడం
|
||||
|
||||
పూర్తి ప్రక్రియను చూడడానికి, [Dmitry బ్లాగ్](https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/)ను సందర్శించండి.
|
||||
|
||||
మీరు చూడగలిగినట్లుగా, డేటా సైన్స్ నిర్వహించడానికి క్లౌడ్ సేవలను అనేక విధాలుగా ఉపయోగించవచ్చు.
|
||||
|
||||
## ఫుట్నోట్
|
||||
|
||||
మూలాలు:
|
||||
* https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109
|
||||
* https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109
|
||||
* https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/
|
||||
|
||||
## పాఠం తర్వాత క్విజ్
|
||||
|
||||
## [పాఠం తర్వాత క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/33)
|
||||
|
||||
## అసైన్మెంట్
|
||||
|
||||
[మార్కెట్ రీసెర్చ్](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,26 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "96f3696153d9ed54b19a1bb65438c104",
|
||||
"translation_date": "2025-12-19T15:17:36+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/17-Introduction/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# మార్కెట్ రీసెర్చ్
|
||||
|
||||
## సూచనలు
|
||||
|
||||
ఈ పాఠంలో మీరు అనేక ముఖ్యమైన క్లౌడ్ ప్రొవైడర్లున్నాయని నేర్చుకున్నారు. ప్రతి ఒక్కరు డేటా సైంటిస్ట్కు ఏమి అందించగలరో తెలుసుకోవడానికి మార్కెట్ రీసెర్చ్ చేయండి. ఆ ఆఫరింగ్స్ సమానమైనవా? ఈ క్లౌడ్ ప్రొవైడర్లలో మూడు లేదా అంతకంటే ఎక్కువ వారి ఆఫరింగ్స్ను వివరించే ఒక పేపర్ రాయండి.
|
||||
## రూబ్రిక్
|
||||
|
||||
ఉదాహరణాత్మక | తగినంత | మెరుగుదల అవసరం
|
||||
--- | --- | -- |
|
||||
ఒక పేజీ పేపర్ మూడు క్లౌడ్ ప్రొవైడర్ల డేటా సైన్స్ ఆఫరింగ్స్ను వివరించి వాటి మధ్య తేడాలను చూపిస్తుంది. | ఒక చిన్న పేపర్ సమర్పించబడింది | విశ్లేషణ పూర్తి చేయకుండా పేపర్ సమర్పించబడింది
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,27 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8fdc4a5fd9bc27a8d2ebef995dfbf73f",
|
||||
"translation_date": "2025-12-19T15:03:29+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/18-Low-Code/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# లో కోడ్/నో కోడ్ డేటా సైన్స్ ప్రాజెక్ట్ ఆన్ అజ్యూర్ ML
|
||||
|
||||
## సూచనలు
|
||||
|
||||
మేము అజ్యూర్ ML ప్లాట్ఫారమ్ను ఉపయోగించి లో కోడ్/నో కోడ్ విధానంలో మోడల్ను ట్రెయిన్ చేయడం, డిప్లాయ్ చేయడం మరియు వినియోగించడం ఎలా చేయాలో చూశాము. ఇప్పుడు మీరు మరొక మోడల్ను ట్రెయిన్ చేయడానికి, డిప్లాయ్ చేయడానికి మరియు వినియోగించడానికి ఉపయోగించగల డేటాను వెతకండి. మీరు [Kaggle](https://kaggle.com) మరియు [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) లో డేటాసెట్లను చూడవచ్చు.
|
||||
|
||||
## రూబ్రిక్
|
||||
|
||||
| ఉదాహరణాత్మక | సరిపడిన | మెరుగుదల అవసరం |
|
||||
|-----------|----------|-------------------|
|
||||
|డేటాను అప్లోడ్ చేస్తున్నప్పుడు అవసరమైతే ఫీచర్ రకాన్ని మార్చడం మీరు చూసుకున్నారు. అవసరమైతే డేటాను శుభ్రపరిచారు. AutoML ద్వారా డేటాసెట్పై ట్రెయినింగ్ నిర్వహించారు, మోడల్ వివరణలను పరిశీలించారు. ఉత్తమ మోడల్ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. | డేటాను అప్లోడ్ చేస్తున్నప్పుడు అవసరమైతే ఫీచర్ రకాన్ని మార్చడం మీరు చూసుకున్నారు. AutoML ద్వారా డేటాసెట్పై ట్రెయినింగ్ నిర్వహించారు, ఉత్తమ మోడల్ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. | మీరు AutoML ద్వారా ట్రెయిన్ చేసిన ఉత్తమ మోడల్ను డిప్లాయ్ చేసి దాన్ని వినియోగించగలిగారు. |
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,325 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "472d3fab1c5be50f387336e7a686dbe1",
|
||||
"translation_date": "2025-12-19T14:41:20+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/19-Azure/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# క్లౌడ్లో డేటా సైన్స్: "Azure ML SDK" విధానం
|
||||
|
||||
| ](../../sketchnotes/19-DataScience-Cloud.png)|
|
||||
|:---:|
|
||||
| క్లౌడ్లో డేటా సైన్స్: Azure ML SDK - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
||||
|
||||
అంశాల పట్టిక:
|
||||
|
||||
- [క్లౌడ్లో డేటా సైన్స్: "Azure ML SDK" విధానం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [ప్రీ-లెక్చర్ క్విజ్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [1. పరిచయం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [1.1 Azure ML SDK అంటే ఏమిటి?](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [1.2 హార్ట్ ఫెయిల్యూర్ ప్రిడిక్షన్ ప్రాజెక్ట్ మరియు డేటాసెట్ పరిచయం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2. Azure ML SDK తో మోడల్ శిక్షణ](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.1 Azure ML వర్క్స్పేస్ సృష్టించండి](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.2 కంప్యూట్ ఇన్స్టాన్స్ సృష్టించండి](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.3 డేటాసెట్ లోడ్ చేయడం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.4 నోట్బుక్స్ సృష్టించడం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.5 మోడల్ శిక్షణ](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.5.1 వర్క్స్పేస్, ఎక్స్పెరిమెంట్, కంప్యూట్ క్లస్టర్ మరియు డేటాసెట్ సెటప్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [2.5.2 AutoML కాన్ఫిగరేషన్ మరియు శిక్షణ](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [3. Azure ML SDK తో మోడల్ డిప్లాయ్మెంట్ మరియు ఎండ్పాయింట్ వినియోగం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [3.1 ఉత్తమ మోడల్ సేవ్ చేయడం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [3.2 మోడల్ డిప్లాయ్మెంట్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [3.3 ఎండ్పాయింట్ వినియోగం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [🚀 ఛాలెంజ్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [పోస్ట్-లెక్చర్ క్విజ్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [సమీక్ష & స్వీయ అధ్యయనం](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
- [అసైన్మెంట్](../../../../5-Data-Science-In-Cloud/19-Azure)
|
||||
|
||||
## [ప్రీ-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/36)
|
||||
|
||||
## 1. పరిచయం
|
||||
|
||||
### 1.1 Azure ML SDK అంటే ఏమిటి?
|
||||
|
||||
డేటా సైంటిస్టులు మరియు AI డెవలపర్లు Azure Machine Learning SDK ఉపయోగించి Azure Machine Learning సర్వీస్తో మిషన్ లెర్నింగ్ వర్క్ఫ్లోలను నిర్మించి నడుపుతారు. మీరు Jupyter Notebooks, Visual Studio Code లేదా మీ ఇష్టమైన Python IDE సహా ఏ Python వాతావరణంలోనైనా ఈ సర్వీస్తో ఇంటరాక్ట్ చేయవచ్చు.
|
||||
|
||||
SDK యొక్క ముఖ్యమైన ప్రాంతాలు:
|
||||
|
||||
- మిషన్ లెర్నింగ్ ప్రయోగాలలో ఉపయోగించే మీ డేటాసెట్ల జీవిత చక్రాన్ని అన్వేషించండి, సిద్ధం చేయండి మరియు నిర్వహించండి.
|
||||
- మీ మిషన్ లెర్నింగ్ ప్రయోగాల కోసం క్లౌడ్ వనరులను మానిటరింగ్, లాగింగ్ మరియు నిర్వహణ కోసం నిర్వహించండి.
|
||||
- మోడల్స్ను స్థానికంగా లేదా GPU-అక్సిలరేటెడ్ మోడల్ శిక్షణ సహా క్లౌడ్ వనరులను ఉపయోగించి శిక్షణ ఇవ్వండి.
|
||||
- ఆటోమేటెడ్ మిషన్ లెర్నింగ్ ఉపయోగించండి, ఇది కాన్ఫిగరేషన్ పారామీటర్లు మరియు శిక్షణ డేటాను స్వీకరిస్తుంది. ఇది ఆటోమేటిగ్గా అల్గోరిథమ్స్ మరియు హైపర్పారామీటర్ సెట్టింగ్స్ ద్వారా తిరుగుతూ ఉత్తమ మోడల్ను కనుగొంటుంది.
|
||||
- మీ శిక్షణ పొందిన మోడల్స్ను RESTful సర్వీసులుగా మార్చడానికి వెబ్ సర్వీసులను డిప్లాయ్ చేయండి, ఇవి ఏ యాప్లోనైనా వినియోగించవచ్చు.
|
||||
|
||||
[Azure Machine Learning SDK గురించి మరింత తెలుసుకోండి](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109)
|
||||
|
||||
[మునుపటి పాఠంలో](../18-Low-Code/README.md), మేము ఎలా మోడల్ను శిక్షణ, డిప్లాయ్ మరియు వినియోగించాలో చూశాము, అది Low code/No code విధానంలో జరిగింది. మేము హార్ట్ ఫెయిల్యూర్ డేటాసెట్ ఉపయోగించి హార్ట్ ఫెయిల్యూర్ ప్రిడిక్షన్ మోడల్ను సృష్టించాము. ఈ పాఠంలో, అదే పని Azure Machine Learning SDK ఉపయోగించి చేయబోతున్నాము.
|
||||
|
||||
|
||||
|
||||
### 1.2 హార్ట్ ఫెయిల్యూర్ ప్రిడిక్షన్ ప్రాజెక్ట్ మరియు డేటాసెట్ పరిచయం
|
||||
|
||||
హార్ట్ ఫెయిల్యూర్ ప్రిడిక్షన్ ప్రాజెక్ట్ మరియు డేటాసెట్ పరిచయానికి [ఇక్కడ](../18-Low-Code/README.md) చూడండి.
|
||||
|
||||
## 2. Azure ML SDK తో మోడల్ శిక్షణ
|
||||
### 2.1 Azure ML వర్క్స్పేస్ సృష్టించండి
|
||||
|
||||
సులభత కోసం, మేము జూపిటర్ నోట్బుక్లో పని చేయబోతున్నాము. దీని అర్థం మీరు ఇప్పటికే వర్క్స్పేస్ మరియు కంప్యూట్ ఇన్స్టాన్స్ కలిగి ఉండాలి. మీరు ఇప్పటికే వర్క్స్పేస్ కలిగి ఉంటే, నేరుగా 2.3 నోట్బుక్ సృష్టింపు విభాగానికి వెళ్లవచ్చు.
|
||||
|
||||
లేకపోతే, దయచేసి [మునుపటి పాఠంలో](../18-Low-Code/README.md) **2.1 Azure ML వర్క్స్పేస్ సృష్టించండి** విభాగంలో సూచనలను అనుసరించి వర్క్స్పేస్ సృష్టించండి.
|
||||
|
||||
### 2.2 కంప్యూట్ ఇన్స్టాన్స్ సృష్టించండి
|
||||
|
||||
ముందుగా సృష్టించిన [Azure ML వర్క్స్పేస్](https://ml.azure.com/)లో, కంప్యూట్ మెనూకి వెళ్లండి, అక్కడ మీరు అందుబాటులో ఉన్న వివిధ కంప్యూట్ వనరులను చూడవచ్చు
|
||||
|
||||
|
||||
|
||||
జూపిటర్ నోట్బుక్ ప్రావిజన్ చేయడానికి కంప్యూట్ ఇన్స్టాన్స్ సృష్టిద్దాం.
|
||||
1. + New బటన్పై క్లిక్ చేయండి.
|
||||
2. మీ కంప్యూట్ ఇన్స్టాన్స్కు పేరు ఇవ్వండి.
|
||||
3. మీ ఎంపికలను ఎంచుకోండి: CPU లేదా GPU, VM పరిమాణం మరియు కోర్ సంఖ్య.
|
||||
4. Create బటన్పై క్లిక్ చేయండి.
|
||||
|
||||
అభినందనలు, మీరు కంప్యూట్ ఇన్స్టాన్స్ సృష్టించారు! ఈ కంప్యూట్ ఇన్స్టాన్స్ను [నోట్బుక్స్ సృష్టించడం](../../../../5-Data-Science-In-Cloud/19-Azure) విభాగంలో నోట్బుక్ సృష్టించడానికి ఉపయోగిస్తాము.
|
||||
|
||||
### 2.3 డేటాసెట్ లోడ్ చేయడం
|
||||
మీరు ఇంకా డేటాసెట్ను అప్లోడ్ చేయకపోతే, [మునుపటి పాఠంలో](../18-Low-Code/README.md) **2.3 డేటాసెట్ లోడ్ చేయడం** విభాగాన్ని చూడండి.
|
||||
|
||||
### 2.4 నోట్బుక్స్ సృష్టించడం
|
||||
|
||||
> **_గమనిక:_** తదుపరి దశ కోసం మీరు కొత్త నోట్బుక్ను మొదలుపెట్టవచ్చు లేదా మీరు సృష్టించిన [నోట్బుక్](notebook.ipynb) ను Azure ML స్టూడియోలో అప్లోడ్ చేయవచ్చు. అప్లోడ్ చేయడానికి, "Notebook" మెనూకి క్లిక్ చేసి నోట్బుక్ను అప్లోడ్ చేయండి.
|
||||
|
||||
నోట్బుక్స్ డేటా సైన్స్ ప్రక్రియలో చాలా ముఖ్యమైన భాగం. అవి ఎక్స్ప్లోరేటరీ డేటా అనాలిసిస్ (EDA) నిర్వహించడానికి, కంప్యూటర్ క్లస్టర్ను పిలిచి మోడల్ శిక్షణకు, ఇన్ఫరెన్స్ క్లస్టర్ను పిలిచి ఎండ్పాయింట్ డిప్లాయ్మెంట్కు ఉపయోగించవచ్చు.
|
||||
|
||||
నోట్బుక్ సృష్టించడానికి, జూపిటర్ నోట్బుక్ ఇన్స్టాన్స్ను సర్వ్ చేస్తున్న కంప్యూట్ నోడ్ అవసరం. తిరిగి [Azure ML వర్క్స్పేస్](https://ml.azure.com/)కి వెళ్లి Compute instances పై క్లిక్ చేయండి. కంప్యూట్ ఇన్స్టాన్స్ల జాబితాలో మీరు [ముందుగా సృష్టించిన కంప్యూట్ ఇన్స్టాన్స్](../../../../5-Data-Science-In-Cloud/19-Azure) ను చూడగలుగుతారు.
|
||||
|
||||
1. Applications విభాగంలో, Jupyter ఎంపికపై క్లిక్ చేయండి.
|
||||
2. "Yes, I understand" బాక్స్ను టిక్ చేసి Continue బటన్పై క్లిక్ చేయండి.
|
||||
|
||||
3. ఇది మీ జూపిటర్ నోట్బుక్ ఇన్స్టాన్స్తో కొత్త బ్రౌజర్ ట్యాబ్ను తెరుస్తుంది. నూతన నోట్బుక్ సృష్టించడానికి "New" బటన్పై క్లిక్ చేయండి.
|
||||
|
||||
|
||||
|
||||
ఇప్పుడు మనకు నోట్బుక్ ఉన్నందున, Azure ML SDK తో మోడల్ శిక్షణ ప్రారంభించవచ్చు.
|
||||
|
||||
### 2.5 మోడల్ శిక్షణ
|
||||
|
||||
మొదటగా, మీకు ఎప్పుడైనా సందేహం ఉంటే, [Azure ML SDK డాక్యుమెంటేషన్](https://docs.microsoft.com/python/api/overview/azure/ml?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ను చూడండి. ఇందులో ఈ పాఠంలో మనం చూడబోయే మాడ్యూల్స్ గురించి అవసరమైన అన్ని సమాచారం ఉంటుంది.
|
||||
|
||||
#### 2.5.1 వర్క్స్పేస్, ఎక్స్పెరిమెంట్, కంప్యూట్ క్లస్టర్ మరియు డేటాసెట్ సెటప్
|
||||
|
||||
కాన్ఫిగరేషన్ ఫైల్ నుండి `workspace` ను దిగుమతి చేసుకోవడానికి క్రింది కోడ్ ఉపయోగించండి:
|
||||
|
||||
```python
|
||||
from azureml.core import Workspace
|
||||
ws = Workspace.from_config()
|
||||
```
|
||||
|
||||
ఇది `Workspace` టైపు ఆబ్జెక్ట్ను తిరిగి ఇస్తుంది, ఇది వర్క్స్పేస్ను సూచిస్తుంది. తరువాత క్రింది కోడ్ ఉపయోగించి `experiment` సృష్టించాలి:
|
||||
|
||||
```python
|
||||
from azureml.core import Experiment
|
||||
experiment_name = 'aml-experiment'
|
||||
experiment = Experiment(ws, experiment_name)
|
||||
```
|
||||
|
||||
వర్క్స్పేస్ నుండి ఎక్స్పెరిమెంట్ పొందడానికి లేదా సృష్టించడానికి, మీరు ఎక్స్పెరిమెంట్ పేరుతో అభ్యర్థించాలి. ఎక్స్పెరిమెంట్ పేరు 3-36 అక్షరాలు ఉండాలి, అక్షరం లేదా సంఖ్యతో ప్రారంభమవాలి, మరియు అక్షరాలు, సంఖ్యలు, అండర్స్కోర్లు మరియు డాష్లను మాత్రమే కలిగి ఉండాలి. వర్క్స్పేస్లో ఎక్స్పెరిమెంట్ కనుగొనబడకపోతే, కొత్త ఎక్స్పెరిమెంట్ సృష్టించబడుతుంది.
|
||||
|
||||
ఇప్పుడు శిక్షణ కోసం క్రింది కోడ్ ఉపయోగించి కంప్యూట్ క్లస్టర్ సృష్టించాలి. ఈ దశ కొంత సమయం తీసుకోవచ్చు.
|
||||
|
||||
```python
|
||||
from azureml.core.compute import AmlCompute
|
||||
|
||||
aml_name = "heart-f-cluster"
|
||||
try:
|
||||
aml_compute = AmlCompute(ws, aml_name)
|
||||
print('Found existing AML compute context.')
|
||||
except:
|
||||
print('Creating new AML compute context.')
|
||||
aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3)
|
||||
aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)
|
||||
aml_compute.wait_for_completion(show_output = True)
|
||||
|
||||
cts = ws.compute_targets
|
||||
compute_target = cts[aml_name]
|
||||
```
|
||||
|
||||
వర్క్స్పేస్ నుండి డేటాసెట్ను డేటాసెట్ పేరుతో క్రింది విధంగా పొందవచ్చు:
|
||||
|
||||
```python
|
||||
dataset = ws.datasets['heart-failure-records']
|
||||
df = dataset.to_pandas_dataframe()
|
||||
df.describe()
|
||||
```
|
||||
|
||||
|
||||
#### 2.5.2 AutoML కాన్ఫిగరేషన్ మరియు శిక్షణ
|
||||
|
||||
AutoML కాన్ఫిగరేషన్ సెటప్ చేయడానికి [AutoMLConfig క్లాస్](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.automlconfig(class)?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) ఉపయోగించండి.
|
||||
|
||||
డాక్యుమెంటేషన్ ప్రకారం, మీరు అనేక పారామీటర్లతో ఆడుకోవచ్చు. ఈ ప్రాజెక్ట్ కోసం, మేము క్రింది పారామీటర్లను ఉపయోగిస్తాము:
|
||||
|
||||
- `experiment_timeout_minutes`: ఎక్స్పెరిమెంట్ ఆటోమేటిగ్గా ఆపే ముందు అనుమతించబడిన గరిష్ట సమయం (నిమిషాల్లో).
|
||||
- `max_concurrent_iterations`: ఎక్స్పెరిమెంట్ కోసం అనుమతించబడిన గరిష్ట సమాంతర శిక్షణ పునరావృతాల సంఖ్య.
|
||||
- `primary_metric`: ఎక్స్పెరిమెంట్ స్థితిని నిర్ణయించడానికి ఉపయోగించే ప్రాథమిక మెట్రిక్.
|
||||
- `compute_target`: ఆటోమేటెడ్ మిషన్ లెర్నింగ్ ఎక్స్పెరిమెంట్ నడపడానికి Azure Machine Learning కంప్యూట్ టార్గెట్.
|
||||
- `task`: నడపాల్సిన టాస్క్ రకం. విలువలు 'classification', 'regression', లేదా 'forecasting' కావచ్చు, ఆటోమేటెడ్ ML సమస్య రకం ఆధారంగా.
|
||||
- `training_data`: ఎక్స్పెరిమెంట్లో ఉపయోగించాల్సిన శిక్షణ డేటా. ఇది శిక్షణ ఫీచర్లు మరియు లేబుల్ కాలమ్ (ఐచ్ఛికంగా సాంపిల్ వెయిట్స్ కాలమ్) కలిగి ఉండాలి.
|
||||
- `label_column_name`: లేబుల్ కాలమ్ పేరు.
|
||||
- `path`: Azure Machine Learning ప్రాజెక్ట్ ఫోల్డర్కు పూర్తి మార్గం.
|
||||
- `enable_early_stopping`: స్కోరు తక్కువ కాలంలో మెరుగుపడకపోతే ముందస్తు ఆపివేతను ప్రారంభించాలా లేదా.
|
||||
- `featurization`: ఫీచరైజేషన్ దశ ఆటోమేటిగ్గా చేయాలా లేదా కస్టమైజ్డ్ ఫీచరైజేషన్ ఉపయోగించాలా అనే సూచిక.
|
||||
- `debug_log`: డీబగ్ సమాచారాన్ని రాయడానికి లాగ్ ఫైల్.
|
||||
|
||||
```python
|
||||
from azureml.train.automl import AutoMLConfig
|
||||
|
||||
project_folder = './aml-project'
|
||||
|
||||
automl_settings = {
|
||||
"experiment_timeout_minutes": 20,
|
||||
"max_concurrent_iterations": 3,
|
||||
"primary_metric" : 'AUC_weighted'
|
||||
}
|
||||
|
||||
automl_config = AutoMLConfig(compute_target=compute_target,
|
||||
task = "classification",
|
||||
training_data=dataset,
|
||||
label_column_name="DEATH_EVENT",
|
||||
path = project_folder,
|
||||
enable_early_stopping= True,
|
||||
featurization= 'auto',
|
||||
debug_log = "automl_errors.log",
|
||||
**automl_settings
|
||||
)
|
||||
```
|
||||
|
||||
ఇప్పుడు మీ కాన్ఫిగరేషన్ సెట్ అయినందున, క్రింది కోడ్ ఉపయోగించి మోడల్ శిక్షణ ప్రారంభించండి. క్లస్టర్ పరిమాణం ఆధారంగా ఈ దశ ఒక గంట వరకు తీసుకోవచ్చు.
|
||||
|
||||
```python
|
||||
remote_run = experiment.submit(automl_config)
|
||||
```
|
||||
|
||||
వివిధ ఎక్స్పెరిమెంట్లను చూపించడానికి RunDetails విడ్జెట్ను నడపవచ్చు.
|
||||
```python
|
||||
from azureml.widgets import RunDetails
|
||||
RunDetails(remote_run).show()
|
||||
```
|
||||
|
||||
|
||||
## 3. Azure ML SDK తో మోడల్ డిప్లాయ్మెంట్ మరియు ఎండ్పాయింట్ వినియోగం
|
||||
|
||||
### 3.1 ఉత్తమ మోడల్ సేవ్ చేయడం
|
||||
|
||||
`remote_run` అనేది [AutoMLRun](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) టైపు ఆబ్జెక్ట్. ఈ ఆబ్జెక్ట్లో `get_output()` అనే మెథడ్ ఉంటుంది, ఇది ఉత్తమ రన్ మరియు సంబంధిత ఫిట్డ్ మోడల్ను తిరిగి ఇస్తుంది.
|
||||
|
||||
```python
|
||||
best_run, fitted_model = remote_run.get_output()
|
||||
```
|
||||
|
||||
ఉత్తమ మోడల్ కోసం ఉపయోగించిన పారామీటర్లను చూడటానికి, ఫిట్డ్ మోడల్ను ప్రింట్ చేయండి మరియు [get_properties()](https://docs.microsoft.com/python/api/azureml-core/azureml.core.run(class)?view=azure-ml-py#azureml_core_Run_get_properties?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) మెథడ్ ఉపయోగించి ఉత్తమ మోడల్ యొక్క ప్రాపర్టీస్ చూడండి.
|
||||
|
||||
```python
|
||||
best_run.get_properties()
|
||||
```
|
||||
|
||||
ఇప్పుడు [register_model](https://docs.microsoft.com/python/api/azureml-train-automl-client/azureml.train.automl.run.automlrun?view=azure-ml-py#register-model-model-name-none--description-none--tags-none--iteration-none--metric-none-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) మెథడ్ ఉపయోగించి మోడల్ను రిజిస్టర్ చేయండి.
|
||||
```python
|
||||
model_name = best_run.properties['model_name']
|
||||
script_file_name = 'inference/score.py'
|
||||
best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')
|
||||
description = "aml heart failure project sdk"
|
||||
model = best_run.register_model(model_name = model_name,
|
||||
model_path = './outputs/',
|
||||
description = description,
|
||||
tags = None)
|
||||
```
|
||||
|
||||
|
||||
### 3.2 మోడల్ డిప్లాయ్మెంట్
|
||||
|
||||
ఉత్తమ మోడల్ సేవ్ అయిన తర్వాత, మేము దాన్ని [InferenceConfig](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model.inferenceconfig?view=azure-ml-py?ocid=AID3041109) క్లాస్ ఉపయోగించి డిప్లాయ్ చేయవచ్చు. InferenceConfig అనేది డిప్లాయ్మెంట్ కోసం ఉపయోగించే కస్టమ్ ఎన్విరాన్మెంట్ కాన్ఫిగరేషన్ సెట్టింగ్స్ను సూచిస్తుంది. [AciWebservice](https://docs.microsoft.com/python/api/azureml-core/azureml.core.webservice.aciwebservice?view=azure-ml-py) క్లాస్ Azure Container Instances పై వెబ్ సర్వీస్ ఎండ్పాయింట్గా డిప్లాయ్ చేయబడిన మిషన్ లెర్నింగ్ మోడల్ను సూచిస్తుంది. డిప్లాయ్ చేసిన సర్వీస్ మోడల్, స్క్రిప్ట్ మరియు సంబంధిత ఫైళ్ల నుండి సృష్టించబడుతుంది. ఫలితంగా వచ్చిన వెబ్ సర్వీస్ ఒక లోడ్-బ్యాలెన్స్ చేయబడిన HTTP ఎండ్పాయింట్ REST APIతో ఉంటుంది. మీరు ఈ APIకి డేటాను పంపి, మోడల్ ఇచ్చిన ప్రిడిక్షన్ను పొందవచ్చు.
|
||||
|
||||
మోడల్ను [deploy](https://docs.microsoft.com/python/api/azureml-core/azureml.core.model(class)?view=azure-ml-py#deploy-workspace--name--models--inference-config-none--deployment-config-none--deployment-target-none--overwrite-false--show-output-false-?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) మెథడ్ ఉపయోగించి డిప్లాయ్ చేస్తారు.
|
||||
|
||||
```python
|
||||
from azureml.core.model import InferenceConfig, Model
|
||||
from azureml.core.webservice import AciWebservice
|
||||
|
||||
inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())
|
||||
|
||||
aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,
|
||||
memory_gb = 1,
|
||||
tags = {'type': "automl-heart-failure-prediction"},
|
||||
description = 'Sample service for AutoML Heart Failure Prediction')
|
||||
|
||||
aci_service_name = 'automl-hf-sdk'
|
||||
aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)
|
||||
aci_service.wait_for_deployment(True)
|
||||
print(aci_service.state)
|
||||
```
|
||||
|
||||
ఈ దశ కొంత నిమిషాలు పడుతుంది.
|
||||
|
||||
### 3.3 ఎండ్పాయింట్ వినియోగం
|
||||
|
||||
మీరు నమూనా ఇన్పుట్ సృష్టించడం ద్వారా మీ ఎండ్పాయింట్ను వినియోగించవచ్చు:
|
||||
```python
|
||||
data = {
|
||||
"data":
|
||||
[
|
||||
{
|
||||
'age': "60",
|
||||
'anaemia': "false",
|
||||
'creatinine_phosphokinase': "500",
|
||||
'diabetes': "false",
|
||||
'ejection_fraction': "38",
|
||||
'high_blood_pressure': "false",
|
||||
'platelets': "260000",
|
||||
'serum_creatinine': "1.40",
|
||||
'serum_sodium': "137",
|
||||
'sex': "false",
|
||||
'smoking': "false",
|
||||
'time': "130",
|
||||
},
|
||||
],
|
||||
}
|
||||
|
||||
test_sample = str.encode(json.dumps(data))
|
||||
```
|
||||
అప్పుడు మీరు ఈ ఇన్పుట్ను మీ మోడల్కు ప్రిడిక్షన్ కోసం పంపవచ్చు:
|
||||
|
||||
```python
|
||||
response = aci_service.run(input_data=test_sample)
|
||||
response
|
||||
```
|
||||
ఇది `'{"result": [false]}'` ను అవుట్పుట్ చేయాలి. దీని అర్థం, మనం ఎండ్పాయింట్కు పంపిన రోగి ఇన్పుట్ ప్రిడిక్షన్ `false` ను ఉత్పత్తి చేసింది, అంటే ఈ వ్యక్తికి హార్ట్ అటాక్ వచ్చే అవకాశం తక్కువగా ఉంది.
|
||||
|
||||
అభినందనలు! మీరు Azure ML SDKతో Azure MLలో డిప్లాయ్ చేసి ట్రెయిన్ చేసిన మోడల్ను విజయవంతంగా వినియోగించారు!
|
||||
|
||||
> **_గమనిక:_** ప్రాజెక్ట్ పూర్తయిన తర్వాత, అన్ని వనరులను తొలగించడం మర్చిపోకండి.
|
||||
|
||||
## 🚀 సవాలు
|
||||
|
||||
SDK ద్వారా మీరు చేయగల మరెన్నో విషయాలు ఉన్నాయి, కానీ ఈ పాఠంలో వాటన్నింటినీ చూడలేము. కానీ మంచి వార్త ఏమిటంటే, SDK డాక్యుమెంటేషన్ను ఎలా సులభంగా చదవాలో నేర్చుకోవడం మీకు చాలా దూరం ప్రయాణం చేయించగలదు. Azure ML SDK డాక్యుమెంటేషన్ను పరిశీలించి, మీరు పైప్లైన్లు సృష్టించడానికి అనుమతించే `Pipeline` క్లాస్ను కనుగొనండి. ఒక Pipeline అనేది ఒక వర్క్ఫ్లోగా అమలు చేయగల స్టెప్స్ సేకరణ.
|
||||
|
||||
**సూచన:** [SDK డాక్యుమెంటేషన్](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) కు వెళ్లి సెర్చ్ బార్లో "Pipeline" వంటి కీవర్డ్స్ టైప్ చేయండి. సెర్చ్ ఫలితాల్లో `azureml.pipeline.core.Pipeline` క్లాస్ కనిపించాలి.
|
||||
|
||||
## [పోస్ట్-లెక్చర్ క్విజ్](https://ff-quizzes.netlify.app/en/ds/quiz/37)
|
||||
|
||||
## సమీక్ష & స్వీయ అధ్యయనం
|
||||
|
||||
ఈ పాఠంలో, మీరు Azure ML SDKతో క్లౌడ్లో హార్ట్ ఫెయిల్యూర్ రిస్క్ను అంచనా వేయడానికి మోడల్ను ట్రెయిన్, డిప్లాయ్ మరియు వినియోగించడం నేర్చుకున్నారు. Azure ML SDK గురించి మరింత సమాచారం కోసం ఈ [డాక్యుమెంటేషన్](https://docs.microsoft.com/python/api/overview/azure/ml/?view=azure-ml-py?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) చూడండి. Azure ML SDKతో మీ స్వంత మోడల్ను సృష్టించడానికి ప్రయత్నించండి.
|
||||
|
||||
## అసైన్మెంట్
|
||||
|
||||
[Azure ML SDK ఉపయోగించి డేటా సైన్స్ ప్రాజెక్ట్](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,27 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "386efdbc19786951341f6956247ee990",
|
||||
"translation_date": "2025-12-19T14:47:04+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/19-Azure/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# Azure ML SDK ఉపయోగించి డేటా సైన్స్ ప్రాజెక్ట్
|
||||
|
||||
## సూచనలు
|
||||
|
||||
మేము Azure ML SDK తో Azure ML ప్లాట్ఫారమ్ను ఉపయోగించి ఒక మోడల్ను శిక్షణ, డిప్లాయ్ మరియు వినియోగించడం ఎలా చేయాలో చూశాము. ఇప్పుడు మీరు మరొక మోడల్ను శిక్షణ ఇవ్వడానికి, డిప్లాయ్ చేయడానికి మరియు వినియోగించడానికి ఉపయోగించగల డేటాను వెతకండి. మీరు [Kaggle](https://kaggle.com) మరియు [Azure Open Datasets](https://azure.microsoft.com/services/open-datasets/catalog?WT.mc_id=academic-77958-bethanycheum&ocid=AID3041109) లో డేటాసెట్లను చూడవచ్చు.
|
||||
|
||||
## రూబ్రిక్
|
||||
|
||||
| అద్భుతమైనది | సరిపోతుంది | మెరుగుదల అవసరం |
|
||||
|-----------|----------|-------------------|
|
||||
| AutoML కాన్ఫిగరేషన్ చేస్తున్నప్పుడు, మీరు SDK డాక్యుమెంటేషన్ను పరిశీలించి మీరు ఉపయోగించగల పారామితులను చూశారు. మీరు Azure ML SDK ఉపయోగించి AutoML ద్వారా ఒక డేటాసెట్పై శిక్షణ నిర్వహించారు, మరియు మీరు మోడల్ వివరణలను పరిశీలించారు. మీరు ఉత్తమ మోడల్ను డిప్లాయ్ చేసి Azure ML SDK ద్వారా దాన్ని వినియోగించగలిగారు. | మీరు Azure ML SDK ఉపయోగించి AutoML ద్వారా ఒక డేటాసెట్పై శిక్షణ నిర్వహించారు, మరియు మీరు మోడల్ వివరణలను పరిశీలించారు. మీరు ఉత్తమ మోడల్ను డిప్లాయ్ చేసి Azure ML SDK ద్వారా దాన్ని వినియోగించగలిగారు. | మీరు Azure ML SDK ఉపయోగించి AutoML ద్వారా ఒక డేటాసెట్పై శిక్షణ నిర్వహించారు. మీరు ఉత్తమ మోడల్ను డిప్లాయ్ చేసి Azure ML SDK ద్వారా దాన్ని వినియోగించగలిగారు. |
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,325 @@
|
||||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"# క్లౌడ్లో డేటా సైన్స్: \"Azure ML SDK\" విధానం\n",
|
||||
"\n",
|
||||
"## పరిచయం\n",
|
||||
"\n",
|
||||
"ఈ నోట్బుక్లో, Azure ML SDK ఉపయోగించి మోడల్ను శిక్షణ ఇవ్వడం, డిప్లాయ్ చేయడం మరియు వినియోగించడం ఎలా చేయాలో నేర్చుకుంటాము.\n",
|
||||
"\n",
|
||||
"ముందస్తు అవసరాలు:\n",
|
||||
"1. మీరు ఒక Azure ML వర్క్స్పేస్ సృష్టించారు.\n",
|
||||
"2. మీరు [హార్ట్ ఫెయిల్యూర్ డేటాసెట్](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) ను Azure ML లో లోడ్ చేశారు.\n",
|
||||
"3. మీరు ఈ నోట్బుక్ను Azure ML స్టూడియోలో అప్లోడ్ చేశారు.\n",
|
||||
"\n",
|
||||
"తదుపరి దశలు:\n",
|
||||
"\n",
|
||||
"1. ఉన్న వర్క్స్పేస్లో ఒక ఎక్స్పెరిమెంట్ సృష్టించండి.\n",
|
||||
"2. ఒక కంప్యూట్ క్లస్టర్ సృష్టించండి.\n",
|
||||
"3. డేటాసెట్ను లోడ్ చేయండి.\n",
|
||||
"4. AutoMLConfig ఉపయోగించి AutoML ను కాన్ఫిగర్ చేయండి.\n",
|
||||
"5. AutoML ఎక్స్పెరిమెంట్ను నడపండి.\n",
|
||||
"6. ఫలితాలను పరిశీలించి ఉత్తమ మోడల్ను పొందండి.\n",
|
||||
"7. ఉత్తమ మోడల్ను రిజిస్టర్ చేయండి.\n",
|
||||
"8. ఉత్తమ మోడల్ను డిప్లాయ్ చేయండి.\n",
|
||||
"9. ఎండ్పాయింట్ను వినియోగించండి.\n",
|
||||
"\n",
|
||||
"## Azure మెషీన్ లెర్నింగ్ SDK-స్పెసిఫిక్ ఇంపోర్ట్స్\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"from azureml.core import Workspace, Experiment\n",
|
||||
"from azureml.core.compute import AmlCompute\n",
|
||||
"from azureml.train.automl import AutoMLConfig\n",
|
||||
"from azureml.widgets import RunDetails\n",
|
||||
"from azureml.core.model import InferenceConfig, Model\n",
|
||||
"from azureml.core.webservice import AciWebservice"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## Initialize Workspace\n",
|
||||
"నిర్వహించబడిన కాన్ఫిగరేషన్ నుండి వర్క్స్పేస్ ఆబ్జెక్ట్ను ప్రారంభించండి. .\\config.json వద్ద కాన్ఫిగ్ ఫైల్ ఉన్నదని నిర్ధారించుకోండి.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"ws = Workspace.from_config()\n",
|
||||
"print(ws.name, ws.resource_group, ws.location, ws.subscription_id, sep = '\\n')"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## Azure ML ప్రయోగం సృష్టించండి\n",
|
||||
"\n",
|
||||
"మనం ఇప్పుడే ప్రారంభించిన వర్క్స్పేస్లో 'aml-experiment' అనే ప్రయోగాన్ని సృష్టిద్దాం.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"experiment_name = 'aml-experiment'\n",
|
||||
"experiment = Experiment(ws, experiment_name)\n",
|
||||
"experiment"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## కంప్యూట్ క్లస్టర్ సృష్టించండి\n",
|
||||
"మీ AutoML రన్ కోసం మీరు ఒక [కంప్యూట్ టార్గెట్](https://docs.microsoft.com/azure/machine-learning/concept-azure-machine-learning-architecture#compute-target) సృష్టించాలి.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"aml_name = \"heart-f-cluster\"\n",
|
||||
"try:\n",
|
||||
" aml_compute = AmlCompute(ws, aml_name)\n",
|
||||
" print('Found existing AML compute context.')\n",
|
||||
"except:\n",
|
||||
" print('Creating new AML compute context.')\n",
|
||||
" aml_config = AmlCompute.provisioning_configuration(vm_size = \"Standard_D2_v2\", min_nodes=1, max_nodes=3)\n",
|
||||
" aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config)\n",
|
||||
" aml_compute.wait_for_completion(show_output = True)\n",
|
||||
"\n",
|
||||
"cts = ws.compute_targets\n",
|
||||
"compute_target = cts[aml_name]"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## Data\n",
|
||||
"మీరు డేటాసెట్ను Azure ML కు అప్లోడ్ చేసినట్లు మరియు కీ డేటాసెట్ పేరుతోనే ఉన్నదని నిర్ధారించుకోండి.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"key = 'heart-failure-records'\n",
|
||||
"dataset = ws.datasets[key]\n",
|
||||
"df = dataset.to_pandas_dataframe()\n",
|
||||
"df.describe()"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## ఆటోఎంఎల్ కాన్ఫిగరేషన్\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"automl_settings = {\n",
|
||||
" \"experiment_timeout_minutes\": 20,\n",
|
||||
" \"max_concurrent_iterations\": 3,\n",
|
||||
" \"primary_metric\" : 'AUC_weighted'\n",
|
||||
"}\n",
|
||||
"\n",
|
||||
"automl_config = AutoMLConfig(compute_target=compute_target,\n",
|
||||
" task = \"classification\",\n",
|
||||
" training_data=dataset,\n",
|
||||
" label_column_name=\"DEATH_EVENT\",\n",
|
||||
" enable_early_stopping= True,\n",
|
||||
" featurization= 'auto',\n",
|
||||
" debug_log = \"automl_errors.log\",\n",
|
||||
" **automl_settings\n",
|
||||
" )"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## ఆటోఎంఎల్ రన్\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"remote_run = experiment.submit(automl_config)"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"RunDetails(remote_run).show()"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## ఉత్తమ మోడల్ను సేవ్ చేయండి\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"best_run, fitted_model = remote_run.get_output()"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"best_run.get_properties()"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"model_name = best_run.properties['model_name']\n",
|
||||
"script_file_name = 'inference/score.py'\n",
|
||||
"best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py')\n",
|
||||
"description = \"aml heart failure project sdk\"\n",
|
||||
"model = best_run.register_model(model_name = model_name,\n",
|
||||
" description = description,\n",
|
||||
" tags = None)"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## ఉత్తమ మోడల్ను అమలు చేయండి\n",
|
||||
"\n",
|
||||
"ఉత్తమ మోడల్ను అమలు చేయడానికి క్రింది కోడ్ను నడపండి. మీరు Azure ML పోర్టల్లో అమలులో ఉన్న స్థితిని చూడవచ్చు. ఈ దశ కొంత సమయం తీసుకోవచ్చు.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment())\n",
|
||||
"\n",
|
||||
"aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1,\n",
|
||||
" memory_gb = 1,\n",
|
||||
" tags = {'type': \"automl-heart-failure-prediction\"},\n",
|
||||
" description = 'Sample service for AutoML Heart Failure Prediction')\n",
|
||||
"\n",
|
||||
"aci_service_name = 'automl-hf-sdk'\n",
|
||||
"aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)\n",
|
||||
"aci_service.wait_for_deployment(True)\n",
|
||||
"print(aci_service.state)"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"source": [
|
||||
"## ఎండ్పాయింట్ను వినియోగించండి\n",
|
||||
"క్రింది ఇన్పుట్ నమూనాకు మీరు ఇన్పుట్లు జోడించవచ్చు.\n"
|
||||
],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"data = {\n",
|
||||
" \"data\":\n",
|
||||
" [\n",
|
||||
" {\n",
|
||||
" 'age': \"60\",\n",
|
||||
" 'anaemia': \"false\",\n",
|
||||
" 'creatinine_phosphokinase': \"500\",\n",
|
||||
" 'diabetes': \"false\",\n",
|
||||
" 'ejection_fraction': \"38\",\n",
|
||||
" 'high_blood_pressure': \"false\",\n",
|
||||
" 'platelets': \"260000\",\n",
|
||||
" 'serum_creatinine': \"1.40\",\n",
|
||||
" 'serum_sodium': \"137\",\n",
|
||||
" 'sex': \"false\",\n",
|
||||
" 'smoking': \"false\",\n",
|
||||
" 'time': \"130\",\n",
|
||||
" },\n",
|
||||
" ],\n",
|
||||
"}\n",
|
||||
"\n",
|
||||
"test_sample = str.encode(json.dumps(data))"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"source": [
|
||||
"response = aci_service.run(input_data=test_sample)\n",
|
||||
"response"
|
||||
],
|
||||
"outputs": [],
|
||||
"metadata": {}
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**అస్పష్టత**: \nఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"orig_nbformat": 4,
|
||||
"language_info": {
|
||||
"name": "python"
|
||||
},
|
||||
"coopTranslator": {
|
||||
"original_hash": "af42669556d5dc19fc4cc3866f7d2597",
|
||||
"translation_date": "2025-12-19T17:09:39+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/19-Azure/notebook.ipynb",
|
||||
"language_code": "te"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 2
|
||||
}
|
||||
@ -0,0 +1,36 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "8dfe141a0f46f7d253e07f74913c7f44",
|
||||
"translation_date": "2025-12-19T13:23:34+00:00",
|
||||
"source_file": "5-Data-Science-In-Cloud/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# క్లౌడ్లో డేటా సైన్స్
|
||||
|
||||
|
||||
|
||||
> ఫోటో [Jelleke Vanooteghem](https://unsplash.com/@ilumire) నుండి [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape)
|
||||
|
||||
బిగ్ డేటాతో డేటా సైన్స్ చేయడంలో, క్లౌడ్ ఒక గేమ్ చేంజర్ కావచ్చు. తదుపరి మూడు పాఠాలలో, క్లౌడ్ అంటే ఏమిటి మరియు అది ఎందుకు చాలా సహాయకరమో మనం చూడబోతున్నాము. మనం హార్ట్ ఫెయిల్యూర్ డేటాసెట్ను కూడా పరిశీలించి, ఎవరికైనా హార్ట్ ఫెయిల్యూర్ ఉండే అవకాశాన్ని అంచనా వేయడానికి ఒక మోడల్ను నిర్మించబోతున్నాము. మోడల్ను శిక్షణ ఇవ్వడం, డిప్లాయ్ చేయడం మరియు రెండు వేర్వేరు మార్గాల్లో వినియోగించడం కోసం క్లౌడ్ శక్తిని ఉపయోగిస్తాము. ఒక మార్గం లో కోడ్/నో కోడ్ ఫ్యాషన్లో కేవలం యూజర్ ఇంటర్ఫేస్ ఉపయోగించడం, మరొక మార్గం Azure మెషీన్ లెర్నింగ్ సాఫ్ట్వేర్ డెవలపర్ కిట్ (Azure ML SDK) ఉపయోగించడం.
|
||||
|
||||
|
||||
|
||||
### విషయాలు
|
||||
|
||||
1. [డేటా సైన్స్ కోసం క్లౌడ్ ఎందుకు ఉపయోగించాలి?](17-Introduction/README.md)
|
||||
2. [క్లౌడ్లో డేటా సైన్స్: "లో కోడ్/నో కోడ్" విధానం](18-Low-Code/README.md)
|
||||
3. [క్లౌడ్లో డేటా సైన్స్: "Azure ML SDK" విధానం](19-Azure/README.md)
|
||||
|
||||
### క్రెడిట్స్
|
||||
ఈ పాఠాలు ☁️ మరియు 💕 తో [Maud Levy](https://twitter.com/maudstweets) మరియు [Tiffany Souterre](https://twitter.com/TiffanySouterre) రచించారు
|
||||
|
||||
హార్ట్ ఫెయిల్యూర్ ప్రిడిక్షన్ ప్రాజెక్ట్ కోసం డేటా [Larxel](https://www.kaggle.com/andrewmvd) నుండి [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) లో పొందబడింది. ఇది [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) లైసెన్స్ కింద ఉంది.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,52 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "d1e05715f9d97de6c4f1fb0c5a4702c0",
|
||||
"translation_date": "2025-12-19T16:59:03+00:00",
|
||||
"source_file": "6-Data-Science-In-Wild/20-Real-World-Examples/assignment.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# ఒక ప్లానెటరీ కంప్యూటర్ డేటాసెట్ను అన్వేషించండి
|
||||
|
||||
## సూచనలు
|
||||
|
||||
ఈ పాఠంలో, మేము వివిధ డేటా సైన్స్ అప్లికేషన్ డొమైన్ల గురించి మాట్లాడాము - పరిశోధన, సస్టెయినబిలిటీ మరియు డిజిటల్ హ్యూమానిటీస్కు సంబంధించిన ఉదాహరణలలో లోతైన అవగాహనతో. ఈ అసైన్మెంట్లో, మీరు ఈ ఉదాహరణలలో ఒకదాన్ని మరింత వివరంగా అన్వేషించి, సస్టెయినబిలిటీ డేటా గురించి అవగాహన పొందడానికి డేటా విజువలైజేషన్లు మరియు విశ్లేషణలపై మీ నేర్చుకున్న విషయాలను వర్తింపజేస్తారు.
|
||||
|
||||
[Planetary Computer](https://planetarycomputer.microsoft.com/) ప్రాజెక్ట్లో డేటాసెట్లు మరియు APIs ఉన్నాయి, వీటిని ఖాతాతో యాక్సెస్ చేయవచ్చు - మీరు అసైన్మెంట్ బోనస్ దశను ప్రయత్నించాలనుకుంటే యాక్సెస్ కోసం ఒక ఖాతాను అభ్యర్థించండి. సైట్లో ఖాతా సృష్టించకుండా ఉపయోగించుకునే [Explorer](https://planetarycomputer.microsoft.com/explore) ఫీచర్ కూడా అందుబాటులో ఉంది.
|
||||
|
||||
`దశలు:`
|
||||
Explorer ఇంటర్ఫేస్ (క్రింద స్క్రీన్షాట్లో చూపబడింది) మీరు ఒక డేటాసెట్ను (నివ్వబడిన ఎంపికల నుండి), ఒక ప్రీసెట్ క్వెరీ (డేటాను ఫిల్టర్ చేయడానికి) మరియు ఒక రేండరింగ్ ఆప్షన్ (సంబంధిత విజువలైజేషన్ సృష్టించడానికి) ఎంచుకునే అవకాశం ఇస్తుంది. ఈ అసైన్మెంట్లో, మీ పని:
|
||||
|
||||
1. [Explorer డాక్యుమెంటేషన్](https://planetarycomputer.microsoft.com/docs/overview/explorer/) చదవండి - ఎంపికలను అర్థం చేసుకోండి.
|
||||
2. డేటాసెట్ [క్యాటలాగ్](https://planetarycomputer.microsoft.com/catalog) అన్వేషించండి - ప్రతి డేటాసెట్ యొక్క ఉద్దేశ్యాన్ని తెలుసుకోండి.
|
||||
3. Explorer ఉపయోగించండి - ఆసక్తికరమైన డేటాసెట్ ఎంచుకోండి, సంబంధిత క్వెరీ & రేండరింగ్ ఆప్షన్ ఎంచుకోండి.
|
||||
|
||||
|
||||
|
||||
`మీ పని:`
|
||||
ఇప్పుడు బ్రౌజర్లో రేండర్ అయిన విజువలైజేషన్ను అధ్యయనం చేసి క్రింది ప్రశ్నలకు సమాధానం ఇవ్వండి:
|
||||
* డేటాసెట్లో ఏ _ఫీచర్లు_ ఉన్నాయి?
|
||||
* విజువలైజేషన్ ఏ _అవగాహన_ లేదా ఫలితాలను అందిస్తుంది?
|
||||
* ఆ అవగాహనల యొక్క ప్రాజెక్ట్ సస్టెయినబిలిటీ లక్ష్యాలపై ఏ _ప్రభావాలు_ ఉన్నాయి?
|
||||
* విజువలైజేషన్ యొక్క ఏ _పరిమితులు_ ఉన్నాయి (అంటే, మీరు పొందలేని అవగాహన ఏమిటి?)
|
||||
* మీరు రా డేటాను పొందగలిగితే, మీరు ఏ _వికల్ప విజువలైజేషన్లు_ సృష్టించేవారు, మరియు ఎందుకు?
|
||||
|
||||
`బోనస్ పాయింట్లు:`
|
||||
ఖాతాకు దరఖాస్తు చేయండి - అంగీకరించబడిన తర్వాత లాగిన్ అవ్వండి.
|
||||
* _Launch Hub_ ఆప్షన్ ఉపయోగించి రా డేటాను నోట్బుక్లో తెరవండి.
|
||||
* డేటాను ఇంటరాక్టివ్గా అన్వేషించి, మీరు ఆలోచించిన ప్రత్యామ్నాయ విజువలైజేషన్లను అమలు చేయండి.
|
||||
* ఇప్పుడు మీ కస్టమ్ విజువలైజేషన్లను విశ్లేషించండి - మీరు ముందుగా మిస్ అయిన అవగాహనలను పొందగలిగారా?
|
||||
|
||||
## రూబ్రిక్
|
||||
|
||||
ఉదాహరణాత్మకంగా | సరిపడా | మెరుగుదల అవసరం
|
||||
--- | --- | -- |
|
||||
అన్ని ఐదు ప్రధాన ప్రశ్నలకు సమాధానమివ్వబడింది. విద్యార్థి ప్రస్తుత మరియు ప్రత్యామ్నాయ విజువలైజేషన్లు సస్టెయినబిలిటీ లక్ష్యాలు లేదా ఫలితాలపై ఎలా అవగాహనలను అందించగలవో స్పష్టంగా గుర్తించారు.| విద్యార్థి కనీసం టాప్ 3 ప్రశ్నలకు విపులంగా సమాధానమివ్వగా, Explorer తో ప్రాక్టికల్ అనుభవం ఉన్నట్లు చూపించారు. | విద్యార్థి అనేక ప్రశ్నలకు సమాధానం ఇవ్వలేకపోయారు లేదా తగిన వివరాలు ఇవ్వలేదు - ప్రాజెక్ట్ కోసం అర్థవంతమైన ప్రయత్నం చేయలేదని సూచిస్తుంది |
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,27 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "07faf02ff163e609edf0b0308dc5d4e6",
|
||||
"translation_date": "2025-12-19T13:36:29+00:00",
|
||||
"source_file": "6-Data-Science-In-Wild/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# Data Science in the Wild
|
||||
|
||||
విభిన్న పరిశ్రమలలో డేటా సైన్స్ యొక్క వాస్తవ ప్రపంచ అనువర్తనాలు.
|
||||
|
||||
### Topics
|
||||
|
||||
1. [Data Science in the Real World](20-Real-World-Examples/README.md)
|
||||
|
||||
### Credits
|
||||
|
||||
❤️తో రాసినది [Nitya Narasimhan](https://twitter.com/nitya)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారుల బాధ్యత మేము తీసుకోము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,374 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "cc2e18ab65df63e75d3619c4752e9b22",
|
||||
"translation_date": "2025-12-19T13:02:06+00:00",
|
||||
"source_file": "AGENTS.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# AGENTS.md
|
||||
|
||||
## ప్రాజెక్ట్ అవలోకనం
|
||||
|
||||
డేటా సైన్స్ ఫర్ బిగినర్స్ అనేది Microsoft Azure క్లౌడ్ అడ్వకేట్స్ రూపొందించిన సమగ్ర 10 వారాల, 20 పాఠాల పాఠ్యక్రమం. ఈ రిపోజిటరీ ప్రాజెక్ట్-ఆధారిత పాఠాల ద్వారా ప్రాథమిక డేటా సైన్స్ కాన్సెప్ట్లను నేర్పే ఒక అభ్యాస వనరు, ఇందులో Jupyter నోట్బుక్స్, ఇంటరాక్టివ్ క్విజ్లు మరియు హ్యాండ్స్-ఆన్ అసైన్మెంట్లు ఉన్నాయి.
|
||||
|
||||
**ప్రధాన సాంకేతికతలు:**
|
||||
- **Jupyter నోట్బుక్స్**: Python 3 ఉపయోగించి ప్రాథమిక అభ్యాస మాధ్యమం
|
||||
- **Python లైబ్రరీలు**: pandas, numpy, matplotlib డేటా విశ్లేషణ మరియు విజువలైజేషన్ కోసం
|
||||
- **Vue.js 2**: క్విజ్ అప్లికేషన్ (quiz-app ఫోల్డర్)
|
||||
- **Docsify**: ఆఫ్లైన్ యాక్సెస్ కోసం డాక్యుమెంటేషన్ సైట్ జనరేటర్
|
||||
- **Node.js/npm**: జావాస్క్రిప్ట్ భాగాల కోసం ప్యాకేజ్ నిర్వహణ
|
||||
- **Markdown**: అన్ని పాఠాల కంటెంట్ మరియు డాక్యుమెంటేషన్
|
||||
|
||||
**ఆర్కిటెక్చర్:**
|
||||
- విస్తృత అనువాదాలతో బహుభాషా విద్యా రిపోజిటరీ
|
||||
- పాఠ మాడ్యూల్స్గా నిర్మించబడింది (1-Introduction నుండి 6-Data-Science-In-Wild వరకు)
|
||||
- ప్రతి పాఠం README, నోట్బుక్స్, అసైన్మెంట్లు మరియు క్విజ్లను కలిగి ఉంటుంది
|
||||
- పాఠం ముందు/తర్వాత అంచనాలకు స్వతంత్ర Vue.js క్విజ్ అప్లికేషన్
|
||||
- GitHub Codespaces మరియు VS Code డెవ్ కంటైనర్లు మద్దతు
|
||||
|
||||
## సెటప్ కమాండ్లు
|
||||
|
||||
### రిపోజిటరీ సెటప్
|
||||
```bash
|
||||
# రిపోజిటరీని క్లోన్ చేయండి (ఇప్పటికే క్లోన్ చేయబడకపోతే)
|
||||
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
||||
cd Data-Science-For-Beginners
|
||||
```
|
||||
|
||||
### Python ఎన్విరాన్మెంట్ సెటప్
|
||||
```bash
|
||||
# వర్చువల్ ఎన్విరాన్మెంట్ సృష్టించండి (సిఫార్సు చేయబడింది)
|
||||
python -m venv venv
|
||||
source venv/bin/activate # విండోస్లో: venv\Scripts\activate
|
||||
|
||||
# సాధారణ డేటా సైన్స్ లైబ్రరీలను ఇన్స్టాల్ చేయండి (requirements.txt లేదు)
|
||||
pip install jupyter pandas numpy matplotlib seaborn scikit-learn
|
||||
```
|
||||
|
||||
### క్విజ్ అప్లికేషన్ సెటప్
|
||||
```bash
|
||||
# క్విజ్ యాప్కు నావిగేట్ చేయండి
|
||||
cd quiz-app
|
||||
|
||||
# డిపెండెన్సీలను ఇన్స్టాల్ చేయండి
|
||||
npm install
|
||||
|
||||
# డెవలప్మెంట్ సర్వర్ను ప్రారంభించండి
|
||||
npm run serve
|
||||
|
||||
# ఉత్పత్తి కోసం బిల్డ్ చేయండి
|
||||
npm run build
|
||||
|
||||
# ఫైళ్లను లింట్ చేసి సరిచేయండి
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### Docsify డాక్యుమెంటేషన్ సర్వర్
|
||||
```bash
|
||||
# Docsifyని గ్లోబల్గా ఇన్స్టాల్ చేయండి
|
||||
npm install -g docsify-cli
|
||||
|
||||
# డాక్యుమెంటేషన్ను లోకల్గా సర్వ్ చేయండి
|
||||
docsify serve
|
||||
|
||||
# డాక్యుమెంటేషన్ localhost:3000 వద్ద అందుబాటులో ఉంటుంది
|
||||
```
|
||||
|
||||
### విజువలైజేషన్ ప్రాజెక్ట్లు సెటప్
|
||||
meaningful-visualizations (పాఠం 13) వంటి విజువలైజేషన్ ప్రాజెక్ట్ల కోసం:
|
||||
```bash
|
||||
# స్టార్టర్ లేదా సొల్యూషన్ ఫోల్డర్కు నావిగేట్ చేయండి
|
||||
cd 3-Data-Visualization/13-meaningful-visualizations/starter
|
||||
|
||||
# డిపెండెన్సీలను ఇన్స్టాల్ చేయండి
|
||||
npm install
|
||||
|
||||
# డెవలప్మెంట్ సర్వర్ను ప్రారంభించండి
|
||||
npm run serve
|
||||
|
||||
# ప్రొడక్షన్ కోసం బిల్డ్ చేయండి
|
||||
npm run build
|
||||
|
||||
# ఫైళ్లను లింట్ చేయండి
|
||||
npm run lint
|
||||
```
|
||||
|
||||
## అభివృద్ధి వర్క్ఫ్లో
|
||||
|
||||
### Jupyter నోట్బుక్స్తో పని చేయడం
|
||||
1. రిపోజిటరీ రూట్లో Jupyter ప్రారంభించండి: `jupyter notebook`
|
||||
2. కావలసిన పాఠం ఫోల్డర్కు వెళ్లండి
|
||||
3. వ్యాయామాలు చేయడానికి `.ipynb` ఫైళ్లను తెరవండి
|
||||
4. నోట్బుక్స్ స్వీయ-సంపూర్ణంగా ఉంటాయి, వివరణలు మరియు కోడ్ సెల్స్తో
|
||||
5. ఎక్కువ నోట్బుక్స్ pandas, numpy, matplotlib ఉపయోగిస్తాయి - వీటిని ఇన్స్టాల్ చేసుకున్నారా అని నిర్ధారించుకోండి
|
||||
|
||||
### పాఠ నిర్మాణం
|
||||
ప్రతి పాఠం సాధారణంగా కలిగి ఉంటుంది:
|
||||
- `README.md` - సిద్ధాంతం మరియు ఉదాహరణలతో ప్రధాన పాఠ కంటెంట్
|
||||
- `notebook.ipynb` - హ్యాండ్స్-ఆన్ Jupyter నోట్బుక్ వ్యాయామాలు
|
||||
- `assignment.ipynb` లేదా `assignment.md` - ప్రాక్టీస్ అసైన్మెంట్లు
|
||||
- `solution/` ఫోల్డర్ - పరిష్కార నోట్బుక్స్ మరియు కోడ్
|
||||
- `images/` ఫోల్డర్ - మద్దతు విజువల్ మెటీరియల్స్
|
||||
|
||||
### క్విజ్ అప్లికేషన్ అభివృద్ధి
|
||||
- అభివృద్ధి సమయంలో హాట్-రిలోడ్తో Vue.js 2 అప్లికేషన్
|
||||
- క్విజ్లు `quiz-app/src/assets/translations/` లో నిల్వ ఉంటాయి
|
||||
- ప్రతి భాషకు తన స్వంత అనువాద ఫోల్డర్ ఉంటుంది (en, fr, es, మొదలైనవి)
|
||||
- క్విజ్ సంఖ్య 0 నుండి 39 వరకు ఉంటుంది (మొత్తం 40 క్విజ్లు)
|
||||
|
||||
### అనువాదాలు జోడించడం
|
||||
- అనువాదాలు రిపోజిటరీ రూట్లోని `translations/` ఫోల్డర్లో ఉంటాయి
|
||||
- ప్రతి భాషకు ఇంగ్లీష్ నుండి పూర్తి పాఠ నిర్మాణం ప్రతిబింబిస్తుంది
|
||||
- GitHub Actions ద్వారా ఆటోమేటెడ్ అనువాదం (co-op-translator.yml)
|
||||
|
||||
## పరీక్షా సూచనలు
|
||||
|
||||
### క్విజ్ అప్లికేషన్ పరీక్ష
|
||||
```bash
|
||||
cd quiz-app
|
||||
|
||||
# లింట్ తనిఖీలు నిర్వహించండి
|
||||
npm run lint
|
||||
|
||||
# బిల్డ్ ప్రక్రియను పరీక్షించండి
|
||||
npm run build
|
||||
|
||||
# మాన్యువల్ పరీక్ష: డెవ్ సర్వర్ ప్రారంభించి క్విజ్ ఫంక్షనాలిటీని ధృవీకరించండి
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### నోట్బుక్ పరీక్ష
|
||||
- నోట్బుక్స్ కోసం ఆటోమేటెడ్ టెస్ట్ ఫ్రేమ్వర్క్ లేదు
|
||||
- మాన్యువల్ ధృవీకరణ: అన్ని సెల్స్ను వరుసగా నడపండి, ఎలాంటి లోపాలు లేవని నిర్ధారించండి
|
||||
- డేటా ఫైళ్లు అందుబాటులో ఉన్నాయా మరియు అవుట్పుట్లు సరిగ్గా ఉత్పత్తి అవుతున్నాయా అని తనిఖీ చేయండి
|
||||
- విజువలైజేషన్లు సరిగ్గా ప్రదర్శించబడుతున్నాయా అని చూడండి
|
||||
|
||||
### డాక్యుమెంటేషన్ పరీక్ష
|
||||
```bash
|
||||
# Docsify సరిగా ప్రదర్శించబడుతున్నదని నిర్ధారించండి
|
||||
docsify serve
|
||||
|
||||
# కంటెంట్ ద్వారా నావిగేట్ చేసి చేతితో బ్రోకెన్ లింకులను తనిఖీ చేయండి
|
||||
# ప్రదర్శించబడిన డాక్యుమెంటేషన్లో అన్ని పాఠం లింకులు పనిచేస్తున్నాయో లేదో నిర్ధారించండి
|
||||
```
|
||||
|
||||
### కోడ్ నాణ్యత తనిఖీలు
|
||||
```bash
|
||||
# Vue.js ప్రాజెక్టులు (quiz-app మరియు విజువలైజేషన్ ప్రాజెక్టులు)
|
||||
cd quiz-app # లేదా విజువలైజేషన్ ప్రాజెక్ట్ ఫోల్డర్
|
||||
npm run lint
|
||||
|
||||
# Python నోట్బుక్స్ - మాన్యువల్ ధృవీకరణ సిఫార్సు చేయబడింది
|
||||
# దిగుమతులు పనిచేస్తున్నాయో మరియు సెల్స్ లోపాలు లేకుండా అమలు అవుతున్నాయో నిర్ధారించుకోండి
|
||||
```
|
||||
|
||||
## కోడ్ శైలి మార్గదర్శకాలు
|
||||
|
||||
### Python (Jupyter నోట్బుక్స్)
|
||||
- Python కోడ్ కోసం PEP 8 శైలి మార్గదర్శకాలను అనుసరించండి
|
||||
- విశ్లేషిస్తున్న డేటాను వివరించే స్పష్టమైన వేరియబుల్ పేర్లను ఉపయోగించండి
|
||||
- కోడ్ సెల్స్ ముందు వివరణలతో markdown సెల్స్ చేర్చండి
|
||||
- కోడ్ సెల్స్ను ఒక్కో కాన్సెప్ట్ లేదా ఆపరేషన్పై కేంద్రీకరించండి
|
||||
- డేటా మానిప్యులేషన్ కోసం pandas, విజువలైజేషన్ కోసం matplotlib ఉపయోగించండి
|
||||
- సాధారణ ఇంపోర్ట్ నమూనా:
|
||||
```python
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
```
|
||||
|
||||
### JavaScript/Vue.js
|
||||
- Vue.js 2 శైలి గైడ్ మరియు ఉత్తమ పద్ధతులను అనుసరించండి
|
||||
- `quiz-app/package.json` లో ESLint కాన్ఫిగరేషన్
|
||||
- Vue సింగిల్-ఫైల్ కంపోనెంట్స్ (.vue ఫైళ్లు) ఉపయోగించండి
|
||||
- కంపోనెంట్-ఆధారిత ఆర్కిటెక్చర్ను నిర్వహించండి
|
||||
- మార్పులు కమిట్ చేయడానికి ముందు `npm run lint` నడపండి
|
||||
|
||||
### Markdown డాక్యుమెంటేషన్
|
||||
- స్పష్టమైన హెడ్డింగ్స్ హైరార్కీ ఉపయోగించండి (# ## ### మొదలైనవి)
|
||||
- భాష స్పెసిఫైయర్లతో కోడ్ బ్లాక్స్ చేర్చండి
|
||||
- చిత్రాలకు alt టెక్స్ట్ జోడించండి
|
||||
- సంబంధిత పాఠాలు మరియు వనరులకు లింక్ చేయండి
|
||||
- చదవడానికి సౌకర్యంగా ఉండేలా లైన్ పొడవులు పరిమితం చేయండి
|
||||
|
||||
### ఫైల్ ఆర్గనైజేషన్
|
||||
- పాఠ కంటెంట్ సంఖ్యల ఫోల్డర్లలో (01-defining-data-science, మొదలైనవి)
|
||||
- పరిష్కారాలు ప్రత్యేక `solution/` సబ్ఫోల్డర్లలో
|
||||
- అనువాదాలు ఇంగ్లీష్ నిర్మాణాన్ని `translations/` ఫోల్డర్లో ప్రతిబింబిస్తాయి
|
||||
- డేటా ఫైళ్లు `data/` లేదా పాఠ-స్పెసిఫిక్ ఫోల్డర్లలో ఉంచండి
|
||||
|
||||
## బిల్డ్ మరియు డిప్లాయ్మెంట్
|
||||
|
||||
### క్విజ్ అప్లికేషన్ డిప్లాయ్మెంట్
|
||||
```bash
|
||||
cd quiz-app
|
||||
|
||||
# ఉత్పత్తి సంస్కరణను నిర్మించండి
|
||||
npm run build
|
||||
|
||||
# అవుట్పుట్ dist/ ఫోల్డర్లో ఉంటుంది
|
||||
# dist/ ఫోల్డర్ను స్థిర హోస్టింగ్కు (Azure Static Web Apps, Netlify, మొదలైనవి) పంపండి
|
||||
```
|
||||
|
||||
### Azure Static Web Apps డిప్లాయ్మెంట్
|
||||
quiz-app ను Azure Static Web Apps కు డిప్లాయ్ చేయవచ్చు:
|
||||
1. Azure Static Web App వనరు సృష్టించండి
|
||||
2. GitHub రిపోజిటరీకి కనెక్ట్ అవ్వండి
|
||||
3. బిల్డ్ సెట్టింగ్స్ కాన్ఫిగర్ చేయండి:
|
||||
- యాప్ లొకేషన్: `quiz-app`
|
||||
- అవుట్పుట్ లొకేషన్: `dist`
|
||||
4. GitHub Actions వర్క్ఫ్లో పుష్ చేసినప్పుడు ఆటోమేటిక్ డిప్లాయ్ చేస్తుంది
|
||||
|
||||
### డాక్యుమెంటేషన్ సైట్
|
||||
```bash
|
||||
# Docsify నుండి PDF నిర్మించండి (ఐచ్ఛికం)
|
||||
npm run convert
|
||||
|
||||
# Docsify డాక్యుమెంటేషన్ నేరుగా మార్క్డౌన్ ఫైళ్ల నుండి అందించబడుతుంది
|
||||
# డిప్లాయ్మెంట్ కోసం ఎలాంటి బిల్డ్ దశ అవసరం లేదు
|
||||
# Docsify తో రిపాజిటరీని స్థిర హోస్టింగ్కు డిప్లాయ్ చేయండి
|
||||
```
|
||||
|
||||
### GitHub Codespaces
|
||||
- రిపోజిటరీ డెవ్ కంటైనర్ కాన్ఫిగరేషన్ను కలిగి ఉంటుంది
|
||||
- Codespaces ఆటోమేటిక్గా Python మరియు Node.js ఎన్విరాన్మెంట్ సెట్ చేస్తుంది
|
||||
- GitHub UI ద్వారా Codespace లో రిపోజిటరీని ఓపెన్ చేయండి
|
||||
- అన్ని డిపెండెన్సీలు ఆటోమేటిక్గా ఇన్స్టాల్ అవుతాయి
|
||||
|
||||
## పుల్ రిక్వెస్ట్ మార్గదర్శకాలు
|
||||
|
||||
### సమర్పించే ముందు
|
||||
```bash
|
||||
# quiz-app లో Vue.js మార్పుల కోసం
|
||||
cd quiz-app
|
||||
npm run lint
|
||||
npm run build
|
||||
|
||||
# మార్పులను స్థానికంగా పరీక్షించండి
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### PR టైటిల్ ఫార్మాట్
|
||||
- స్పష్టమైన, వివరణాత్మక శీర్షికలు ఉపయోగించండి
|
||||
- ఫార్మాట్: `[Component] సంక్షిప్త వివరణ`
|
||||
- ఉదాహరణలు:
|
||||
- `[Lesson 7] Python నోట్బుక్ ఇంపోర్ట్ లోపం సరిచేయండి`
|
||||
- `[Quiz App] జర్మన్ అనువాదం జోడించండి`
|
||||
- `[Docs] READMEని కొత్త ప్రీరిక్విజిట్స్తో నవీకరించండి`
|
||||
|
||||
### అవసరమైన తనిఖీలు
|
||||
- అన్ని కోడ్ లోపాలు లేకుండా నడవాలి
|
||||
- నోట్బుక్స్ పూర్తిగా ఎగ్జిక్యూట్ అవ్వాలి
|
||||
- Vue.js అప్లికేషన్లు విజయవంతంగా బిల్డ్ అవ్వాలి
|
||||
- డాక్యుమెంటేషన్ లింకులు పనిచేయాలి
|
||||
- క్విజ్ అప్లికేషన్ మార్చినట్లయితే పరీక్షించాలి
|
||||
- అనువాదాలు సరిగా నిర్మాణాన్ని కాపాడుతున్నాయా అని ధృవీకరించండి
|
||||
|
||||
### సహకార మార్గదర్శకాలు
|
||||
- ఉన్న కోడ్ శైలి మరియు నమూనాలను అనుసరించండి
|
||||
- క్లిష్టమైన లాజిక్ కోసం వివరణాత్మక వ్యాఖ్యలు జోడించండి
|
||||
- సంబంధిత డాక్యుమెంటేషన్ను నవీకరించండి
|
||||
- అవసరమైతే వివిధ పాఠ మాడ్యూల్స్లో మార్పులను పరీక్షించండి
|
||||
- CONTRIBUTING.md ఫైల్ను సమీక్షించండి
|
||||
|
||||
## అదనపు గమనికలు
|
||||
|
||||
### సాధారణంగా ఉపయోగించే లైబ్రరీలు
|
||||
- **pandas**: డేటా మానిప్యులేషన్ మరియు విశ్లేషణ
|
||||
- **numpy**: సంఖ్యాత్మక కంప్యూటింగ్
|
||||
- **matplotlib**: డేటా విజువలైజేషన్ మరియు ప్లాటింగ్
|
||||
- **seaborn**: గణాంక డేటా విజువలైజేషన్ (కొన్ని పాఠాలు)
|
||||
- **scikit-learn**: మెషీన్ లెర్నింగ్ (అధిక స్థాయి పాఠాలు)
|
||||
|
||||
### డేటా ఫైళ్లతో పని చేయడం
|
||||
- డేటా ఫైళ్లు `data/` ఫోల్డర్ లేదా పాఠ-స్పెసిఫిక్ డైరెక్టరీలలో ఉంటాయి
|
||||
- ఎక్కువ నోట్బుక్స్ డేటా ఫైళ్లను రిలేటివ్ పాత్లలో ఆశిస్తాయి
|
||||
- CSV ఫైళ్లు ప్రాథమిక డేటా ఫార్మాట్
|
||||
- కొన్ని పాఠాలు JSON ను నాన్-రిలేషనల్ డేటా ఉదాహరణల కోసం ఉపయోగిస్తాయి
|
||||
|
||||
### బహుభాషా మద్దతు
|
||||
- 40+ భాషల అనువాదాలు ఆటోమేటెడ్ GitHub Actions ద్వారా
|
||||
- అనువాద వర్క్ఫ్లో `.github/workflows/co-op-translator.yml` లో ఉంది
|
||||
- అనువాదాలు `translations/` ఫోల్డర్లో భాషా కోడ్స్తో
|
||||
- క్విజ్ అనువాదాలు `quiz-app/src/assets/translations/` లో
|
||||
|
||||
### అభివృద్ధి వాతావరణ ఎంపికలు
|
||||
1. **లోకల్ అభివృద్ధి**: Python, Jupyter, Node.js స్థానికంగా ఇన్స్టాల్ చేయండి
|
||||
2. **GitHub Codespaces**: క్లౌడ్ ఆధారిత తక్షణ అభివృద్ధి వాతావరణం
|
||||
3. **VS Code డెవ్ కంటైనర్లు**: స్థానిక కంటైనర్ ఆధారిత అభివృద్ధి
|
||||
4. **Binder**: నోట్బుక్స్ను క్లౌడ్లో ప్రారంభించండి (కాన్ఫిగర్ చేసినట్లయితే)
|
||||
|
||||
### పాఠ కంటెంట్ మార్గదర్శకాలు
|
||||
- ప్రతి పాఠం స్వతంత్రంగా ఉంటుంది కానీ గత కాన్సెప్ట్లపై ఆధారపడి ఉంటుంది
|
||||
- పాఠం ముందు క్విజ్లు ముందస్తు జ్ఞానాన్ని పరీక్షిస్తాయి
|
||||
- పాఠం తర్వాత క్విజ్లు అభ్యాసాన్ని బలోపేతం చేస్తాయి
|
||||
- అసైన్మెంట్లు హ్యాండ్స్-ఆన్ ప్రాక్టీస్ అందిస్తాయి
|
||||
- స్కెచ్నోట్లు విజువల్ సారాంశాలను అందిస్తాయి
|
||||
|
||||
### సాధారణ సమస్యల పరిష్కారం
|
||||
|
||||
**Jupyter కర్నెల్ సమస్యలు:**
|
||||
```bash
|
||||
# సరైన కర్నెల్ ఇన్స్టాల్ చేయబడిందని నిర్ధారించుకోండి
|
||||
python -m ipykernel install --user --name=datascience
|
||||
```
|
||||
|
||||
**npm ఇన్స్టాల్ విఫలమవడం:**
|
||||
```bash
|
||||
# npm క్యాష్ను క్లియర్ చేసి మళ్లీ ప్రయత్నించండి
|
||||
npm cache clean --force
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
```
|
||||
|
||||
**నోట్బుక్స్లో ఇంపోర్ట్ లోపాలు:**
|
||||
- అవసరమైన అన్ని లైబ్రరీలు ఇన్స్టాల్ అయ్యాయా అని తనిఖీ చేయండి
|
||||
- Python వెర్షన్ అనుకూలత (Python 3.7+ సిఫార్సు)
|
||||
- వర్చువల్ ఎన్విరాన్మెంట్ యాక్టివేట్ అయిందా అని నిర్ధారించుకోండి
|
||||
|
||||
**Docsify లోడ్ అవ్వడం లేదు:**
|
||||
- మీరు రిపోజిటరీ రూట్ నుండి సర్వ్ చేస్తున్నారా అని తనిఖీ చేయండి
|
||||
- `index.html` ఉందా అని చూడండి
|
||||
- సరైన నెట్వర్క్ యాక్సెస్ (పోర్ట్ 3000) ఉందా అని నిర్ధారించండి
|
||||
|
||||
### పనితీరు పరిగణనలు
|
||||
- పెద్ద డేటాసెట్లు నోట్బుక్స్లో లోడ్ అవ్వడానికి సమయం తీసుకోవచ్చు
|
||||
- క్లిష్టమైన ప్లాట్ల కోసం విజువలైజేషన్ రేండరింగ్ మెల్లగా ఉండవచ్చు
|
||||
- Vue.js డెవ్ సర్వర్ వేగవంతమైన పునఃప్రారంభానికి హాట్-రిలోడ్ను అందిస్తుంది
|
||||
- ప్రొడక్షన్ బిల్డ్లు ఆప్టిమైజ్ చేయబడి మినిఫై చేయబడ్డాయి
|
||||
|
||||
### భద్రత గమనికలు
|
||||
- ఎలాంటి సున్నితమైన డేటా లేదా క్రెడెన్షియల్స్ కమిట్ చేయకూడదు
|
||||
- క్లౌడ్ పాఠాలలో ఏ API కీలు ఉంటే ఎన్విరాన్మెంట్ వేరియబుల్స్ ఉపయోగించండి
|
||||
- Azure సంబంధిత పాఠాలకు Azure ఖాతా క్రెడెన్షియల్స్ అవసరం కావచ్చు
|
||||
- భద్రత ప్యాచుల కోసం డిపెండెన్సీలను నవీకరించండి
|
||||
|
||||
## అనువాదాలకు సహకారం
|
||||
- ఆటోమేటెడ్ అనువాదాలు GitHub Actions ద్వారా నిర్వహించబడతాయి
|
||||
- అనువాద ఖచ్చితత్వం కోసం మాన్యువల్ సవరణలు స్వాగతం
|
||||
- ఉన్న అనువాద ఫోల్డర్ నిర్మాణాన్ని అనుసరించండి
|
||||
- క్విజ్ లింక్లను భాషా పారామీటర్తో నవీకరించండి: `?loc=fr`
|
||||
- అనువదించిన పాఠాలు సరిగా ప్రదర్శించబడుతున్నాయా అని పరీక్షించండి
|
||||
|
||||
## సంబంధిత వనరులు
|
||||
- ప్రధాన పాఠ్యక్రమం: https://aka.ms/datascience-beginners
|
||||
- Microsoft Learn: https://docs.microsoft.com/learn/
|
||||
- స్టూడెంట్ హబ్: https://docs.microsoft.com/learn/student-hub
|
||||
- చర్చా ఫోరం: https://github.com/microsoft/Data-Science-For-Beginners/discussions
|
||||
- ఇతర Microsoft పాఠ్యక్రమాలు: ML for Beginners, AI for Beginners, Web Dev for Beginners
|
||||
|
||||
## ప్రాజెక్ట్ నిర్వహణ
|
||||
- కంటెంట్ను తాజా ఉంచడానికి నియమిత నవీకరణలు
|
||||
- కమ్యూనిటీ సహకారాలు స్వాగతం
|
||||
- GitHub లో ఇష్యూలు ట్రాక్ చేయబడతాయి
|
||||
- పీఆర్లు పాఠ్యక్రమ నిర్వహకులు సమీక్షిస్తారు
|
||||
- నెలవారీ కంటెంట్ సమీక్షలు మరియు నవీకరణలు
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,25 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
|
||||
"translation_date": "2025-12-19T13:08:54+00:00",
|
||||
"source_file": "CODE_OF_CONDUCT.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# Microsoft ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్
|
||||
|
||||
ఈ ప్రాజెక్ట్ [Microsoft ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/)ని ఆమోదించింది.
|
||||
|
||||
వనరులు:
|
||||
|
||||
- [Microsoft ఓపెన్ సోర్స్ కోడ్ ఆఫ్ కండక్ట్](https://opensource.microsoft.com/codeofconduct/)
|
||||
- [Microsoft కోడ్ ఆఫ్ కండక్ట్ FAQ](https://opensource.microsoft.com/codeofconduct/faq/)
|
||||
- ప్రశ్నలు లేదా ఆందోళనల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,366 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "10f86fb29b5407088445ac803b3d0ed1",
|
||||
"translation_date": "2025-12-19T12:48:46+00:00",
|
||||
"source_file": "CONTRIBUTING.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# Data Science for Beginners కు సహకరించడం
|
||||
|
||||
Data Science for Beginners పాఠ్యాంశానికి సహకరించడానికి మీ ఆసక్తికి ధన్యవాదాలు! మేము సమాజం నుండి సహకారాలను స్వాగతిస్తున్నాము.
|
||||
|
||||
## విషయ సూచిక
|
||||
|
||||
- [ఆచరణ నియమాలు](../..)
|
||||
- [నేను ఎలా సహకరించగలను?](../..)
|
||||
- [ప్రారంభించడం](../..)
|
||||
- [సహకార మార్గదర్శకాలు](../..)
|
||||
- [పుల్ రిక్వెస్ట్ ప్రక్రియ](../..)
|
||||
- [శైలి మార్గదర్శకాలు](../..)
|
||||
- [సహకారదారుల లైసెన్స్ ఒప్పందం](../..)
|
||||
|
||||
## ఆచరణ నియమాలు
|
||||
|
||||
ఈ ప్రాజెక్ట్ [Microsoft Open Source Code of Conduct](https://opensource.microsoft.com/codeofconduct/) ను అనుసరిస్తుంది.
|
||||
మరింత సమాచారం కోసం [Code of Conduct FAQ](https://opensource.microsoft.com/codeofconduct/faq/) చూడండి
|
||||
లేదా ఏవైనా అదనపు ప్రశ్నలు లేదా వ్యాఖ్యల కోసం [opencode@microsoft.com](mailto:opencode@microsoft.com) ను సంప్రదించండి.
|
||||
|
||||
## నేను ఎలా సహకరించగలను?
|
||||
|
||||
### బగ్స్ నివేదించడం
|
||||
|
||||
బగ్ నివేదికలు సృష్టించే ముందు, డూప్లికేట్లను నివారించడానికి ఉన్న సమస్యలను తనిఖీ చేయండి. మీరు బగ్ నివేదికను సృష్టించినప్పుడు, సాధ్యమైనంత వివరాలను చేర్చండి:
|
||||
|
||||
- **స్పష్టమైన మరియు వివరణాత్మక శీర్షికను ఉపయోగించండి**
|
||||
- **సమస్యను పునరుత్పత్తి చేయడానికి ఖచ్చితమైన దశలను వివరించండి**
|
||||
- **నిర్దిష్ట ఉదాహరణలు ఇవ్వండి** (కోడ్ స్నిపెట్లు, స్క్రీన్షాట్లు)
|
||||
- **మీరు గమనించిన ప్రవర్తన మరియు మీరు ఆశించినది వివరించండి**
|
||||
- **మీ వాతావరణ వివరాలను చేర్చండి** (OS, Python వెర్షన్, బ్రౌజర్)
|
||||
|
||||
### మెరుగుదలల సూచనలు
|
||||
|
||||
మెరుగుదలల సూచనలు స్వాగతం! మెరుగుదలలను సూచించినప్పుడు:
|
||||
|
||||
- **స్పష్టమైన మరియు వివరణాత్మక శీర్షికను ఉపయోగించండి**
|
||||
- **సూచించిన మెరుగుదల యొక్క వివరమైన వివరణ ఇవ్వండి**
|
||||
- **ఈ మెరుగుదల ఎందుకు ఉపయోగకరమని భావిస్తున్నారో వివరించండి**
|
||||
- **ఇతర ప్రాజెక్టులలో ఉన్న సమాన లక్షణాలను జాబితా చేయండి, అవసరమైతే**
|
||||
|
||||
### డాక్యుమెంటేషన్కు సహకరించడం
|
||||
|
||||
డాక్యుమెంటేషన్ మెరుగుదలలు ఎప్పుడూ అభినందించబడతాయి:
|
||||
|
||||
- **టైపోస్ మరియు వ్యాకరణ తప్పులను సరిచేయండి**
|
||||
- **వివరణల స్పష్టతను మెరుగుపరచండి**
|
||||
- **లేకపోయిన డాక్యుమెంటేషన్ జోడించండి**
|
||||
- **పాత సమాచారం నవీకరించండి**
|
||||
- **ఉదాహరణలు లేదా ఉపయోగ కేసులు జోడించండి**
|
||||
|
||||
### కోడ్కు సహకరించడం
|
||||
|
||||
మేము క్రింది కోడ్ సహకారాలను స్వాగతిస్తున్నాము:
|
||||
|
||||
- **కొత్త పాఠాలు లేదా వ్యాయామాలు**
|
||||
- **బగ్ సరిచేయడం**
|
||||
- **ఉన్న నోట్బుక్స్ మెరుగుదలలు**
|
||||
- **కొత్త డేటాసెట్లు లేదా ఉదాహరణలు**
|
||||
- **క్విజ్ అప్లికేషన్ మెరుగుదలలు**
|
||||
|
||||
## ప్రారంభించడం
|
||||
|
||||
### ముందస్తు అవసరాలు
|
||||
|
||||
సహకరించే ముందు, మీరు కలిగి ఉండాలి:
|
||||
|
||||
1. GitHub ఖాతా
|
||||
2. మీ సిస్టమ్లో Git ఇన్స్టాల్ చేయబడింది
|
||||
3. Python 3.7+ మరియు Jupyter ఇన్స్టాల్ చేయబడింది
|
||||
4. Node.js మరియు npm (క్విజ్ యాప్ సహకారాల కోసం)
|
||||
5. పాఠ్యాంశ నిర్మాణం గురించి పరిచయం
|
||||
|
||||
వివరమైన సెటప్ సూచనల కోసం [INSTALLATION.md](INSTALLATION.md) చూడండి.
|
||||
|
||||
### Fork మరియు Clone
|
||||
|
||||
1. GitHub లో **రిపోజిటరీని Fork చేయండి**
|
||||
2. **మీ Fork ను లోకల్గా Clone చేయండి**:
|
||||
```bash
|
||||
git clone https://github.com/YOUR-USERNAME/Data-Science-For-Beginners.git
|
||||
cd Data-Science-For-Beginners
|
||||
```
|
||||
3. **అప్స్ట్రీమ్ రిమోట్ జోడించండి**:
|
||||
```bash
|
||||
git remote add upstream https://github.com/microsoft/Data-Science-For-Beginners.git
|
||||
```
|
||||
|
||||
### బ్రాంచ్ సృష్టించండి
|
||||
|
||||
మీ పని కోసం కొత్త బ్రాంచ్ సృష్టించండి:
|
||||
|
||||
```bash
|
||||
git checkout -b feature/your-feature-name
|
||||
# లేదా
|
||||
git checkout -b fix/your-bug-fix
|
||||
```
|
||||
|
||||
బ్రాంచ్ నామకరణ నియమాలు:
|
||||
- `feature/` - కొత్త ఫీచర్లు లేదా పాఠాలు
|
||||
- `fix/` - బగ్ సరిచేయడం
|
||||
- `docs/` - డాక్యుమెంటేషన్ మార్పులు
|
||||
- `refactor/` - కోడ్ పునఃరూపకరణ
|
||||
|
||||
## సహకార మార్గదర్శకాలు
|
||||
|
||||
### పాఠం కంటెంట్ కోసం
|
||||
|
||||
పాఠాలు అందించేటప్పుడు లేదా ఉన్న వాటిని మార్చేటప్పుడు:
|
||||
|
||||
1. **ఉన్న నిర్మాణాన్ని అనుసరించండి**:
|
||||
- README.md లో పాఠం కంటెంట్
|
||||
- వ్యాయామాలతో Jupyter నోట్బుక్
|
||||
- అసైన్మెంట్ (అవసరమైతే)
|
||||
- ప్రీ మరియు పోస్ట్ క్విజ్ లింకులు
|
||||
|
||||
2. **ఈ అంశాలను చేర్చండి**:
|
||||
- స్పష్టమైన అభ్యాస లక్ష్యాలు
|
||||
- దశలవారీ వివరణలు
|
||||
- వ్యాఖ్యలతో కూడిన కోడ్ ఉదాహరణలు
|
||||
- అభ్యాసం కోసం వ్యాయామాలు
|
||||
- అదనపు వనరుల లింకులు
|
||||
|
||||
3. **అందుబాటును నిర్ధారించండి**:
|
||||
- స్పష్టమైన, సులభమైన భాష ఉపయోగించండి
|
||||
- చిత్రాలకు alt టెక్స్ట్ ఇవ్వండి
|
||||
- కోడ్ వ్యాఖ్యలు చేర్చండి
|
||||
- వివిధ అభ్యాస శైలులను పరిగణనలోకి తీసుకోండి
|
||||
|
||||
### Jupyter నోట్బుక్స్ కోసం
|
||||
|
||||
1. **కమిట్ చేయడానికి ముందు అన్ని అవుట్పుట్లను క్లియర్ చేయండి**:
|
||||
```bash
|
||||
jupyter nbconvert --clear-output --inplace notebook.ipynb
|
||||
```
|
||||
|
||||
2. **వివరణలతో కూడిన మార్క్డౌన్ సెల్స్ చేర్చండి**
|
||||
|
||||
3. **సమానమైన ఫార్మాటింగ్ ఉపయోగించండి**:
|
||||
```python
|
||||
# టాప్లో లైబ్రరీలను దిగుమతి చేసుకోండి
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# అర్థవంతమైన వేరియబుల్ పేర్లను ఉపయోగించండి
|
||||
# క్లిష్టమైన ఆపరేషన్ల కోసం వ్యాఖ్యలు జోడించండి
|
||||
# PEP 8 శైలి మార్గదర్శకాలను అనుసరించండి
|
||||
```
|
||||
|
||||
4. **సమర్పించే ముందు మీ నోట్బుక్ను పూర్తిగా పరీక్షించండి**
|
||||
|
||||
### Python కోడ్ కోసం
|
||||
|
||||
[PEP 8](https://www.python.org/dev/peps/pep-0008/) శైలి మార్గదర్శకాలను అనుసరించండి:
|
||||
|
||||
```python
|
||||
# మంచి ఆచారాలు
|
||||
import pandas as pd
|
||||
|
||||
def calculate_mean(data):
|
||||
"""Calculate the mean of a dataset.
|
||||
|
||||
Args:
|
||||
data (list): List of numerical values
|
||||
|
||||
Returns:
|
||||
float: Mean of the dataset
|
||||
"""
|
||||
return sum(data) / len(data)
|
||||
```
|
||||
|
||||
### క్విజ్ యాప్ సహకారాల కోసం
|
||||
|
||||
క్విజ్ అప్లికేషన్ మార్చేటప్పుడు:
|
||||
|
||||
1. **లోకల్గా పరీక్షించండి**:
|
||||
```bash
|
||||
cd quiz-app
|
||||
npm install
|
||||
npm run serve
|
||||
```
|
||||
|
||||
2. **లింటర్ నడపండి**:
|
||||
```bash
|
||||
npm run lint
|
||||
```
|
||||
|
||||
3. **విజయవంతంగా బిల్డ్ చేయండి**:
|
||||
```bash
|
||||
npm run build
|
||||
```
|
||||
|
||||
4. **Vue.js శైలి గైడ్ మరియు ఉన్న నమూనాలను అనుసరించండి**
|
||||
|
||||
### అనువాదాల కోసం
|
||||
|
||||
అనువాదాలు జోడించేటప్పుడు లేదా నవీకరించేటప్పుడు:
|
||||
|
||||
1. `translations/` ఫోల్డర్లో నిర్మాణాన్ని అనుసరించండి
|
||||
2. భాషా కోడ్ను ఫోల్డర్ పేరుగా ఉపయోగించండి (ఉదా: ఫ్రెంచ్ కోసం `fr`)
|
||||
3. ఆంగ్ల వెర్షన్తో సమానమైన ఫైల్ నిర్మాణాన్ని ఉంచండి
|
||||
4. క్విజ్ లింకులను భాషా పారామీటర్తో నవీకరించండి: `?loc=fr`
|
||||
5. అన్ని లింకులు మరియు ఫార్మాటింగ్ను పరీక్షించండి
|
||||
|
||||
## పుల్ రిక్వెస్ట్ ప్రక్రియ
|
||||
|
||||
### సమర్పించే ముందు
|
||||
|
||||
1. **మీ బ్రాంచ్ను తాజా మార్పులతో నవీకరించండి**:
|
||||
```bash
|
||||
git fetch upstream
|
||||
git rebase upstream/main
|
||||
```
|
||||
|
||||
2. **మీ మార్పులను పరీక్షించండి**:
|
||||
- అన్ని మార్చిన నోట్బుక్స్ నడపండి
|
||||
- క్విజ్ యాప్ మార్చినట్లయితే పరీక్షించండి
|
||||
- అన్ని లింకులు పనిచేస్తున్నాయో నిర్ధారించండి
|
||||
- స్పెల్లింగ్ మరియు వ్యాకరణ తప్పుల కోసం తనిఖీ చేయండి
|
||||
|
||||
3. **మీ మార్పులను కమిట్ చేయండి**:
|
||||
```bash
|
||||
git add .
|
||||
git commit -m "Brief description of changes"
|
||||
```
|
||||
|
||||
స్పష్టమైన కమిట్ సందేశాలు రాయండి:
|
||||
- ప్రస్తుత కాలాన్ని ఉపయోగించండి ("Add feature" "Added feature" కాదు)
|
||||
- ఆజ్ఞాత్మక మూడ్ ఉపయోగించండి ("Move cursor to..." "Moves cursor to..." కాదు)
|
||||
- మొదటి లైన్ను 72 అక్షరాలకు పరిమితం చేయండి
|
||||
- సంబంధిత సమస్యలు మరియు పుల్ రిక్వెస్ట్లను సూచించండి
|
||||
|
||||
4. **మీ Fork కు పుష్ చేయండి**:
|
||||
```bash
|
||||
git push origin feature/your-feature-name
|
||||
```
|
||||
|
||||
### పుల్ రిక్వెస్ట్ సృష్టించడం
|
||||
|
||||
1. [రిపోజిటరీ](https://github.com/microsoft/Data-Science-For-Beginners) కి వెళ్లండి
|
||||
2. "Pull requests" → "New pull request" క్లిక్ చేయండి
|
||||
3. "compare across forks" క్లిక్ చేయండి
|
||||
4. మీ Fork మరియు బ్రాంచ్ ఎంచుకోండి
|
||||
5. "Create pull request" క్లిక్ చేయండి
|
||||
|
||||
### PR శీర్షిక ఫార్మాట్
|
||||
|
||||
స్పష్టమైన, వివరణాత్మక శీర్షికలను ఈ ఫార్మాట్ను అనుసరించి ఉపయోగించండి:
|
||||
|
||||
```
|
||||
[Component] Brief description
|
||||
```
|
||||
|
||||
ఉదాహరణలు:
|
||||
- `[Lesson 7] Fix Python notebook import error`
|
||||
- `[Quiz App] Add German translation`
|
||||
- `[Docs] Update README with new prerequisites`
|
||||
- `[Fix] Correct data path in visualization lesson`
|
||||
|
||||
### PR వివరణ
|
||||
|
||||
మీ PR వివరణలో చేర్చండి:
|
||||
|
||||
- **ఏమి**: మీరు ఏ మార్పులు చేసారు?
|
||||
- **ఎందుకు**: ఈ మార్పులు ఎందుకు అవసరమయ్యాయి?
|
||||
- **ఎలా**: మీరు మార్పులను ఎలా అమలు చేసారు?
|
||||
- **పరీక్ష**: మీరు మార్పులను ఎలా పరీక్షించారో?
|
||||
- **స్క్రీన్షాట్లు**: దృశ్య మార్పుల కోసం స్క్రీన్షాట్లు చేర్చండి
|
||||
- **సంబంధిత సమస్యలు**: సంబంధిత సమస్యలకు లింకులు (ఉదా: "Fixes #123")
|
||||
|
||||
### సమీక్ష ప్రక్రియ
|
||||
|
||||
1. **ఆటోమేటెడ్ చెక్లు** మీ PR పై నడుస్తాయి
|
||||
2. **నిర్వాహకులు మీ సహకారాన్ని సమీక్షిస్తారు**
|
||||
3. **అభిప్రాయాలను పరిష్కరించండి** అదనపు కమిట్లతో
|
||||
4. ఆమోదం పొందిన తర్వాత, **నిర్వాహకుడు మీ PR ను విలీనం చేస్తారు**
|
||||
|
||||
### మీ PR విలీనం అయిన తర్వాత
|
||||
|
||||
1. మీ బ్రాంచ్ను తొలగించండి:
|
||||
```bash
|
||||
git branch -d feature/your-feature-name
|
||||
git push origin --delete feature/your-feature-name
|
||||
```
|
||||
|
||||
2. మీ Fork ను నవీకరించండి:
|
||||
```bash
|
||||
git checkout main
|
||||
git pull upstream main
|
||||
git push origin main
|
||||
```
|
||||
|
||||
## శైలి మార్గదర్శకాలు
|
||||
|
||||
### మార్క్డౌన్
|
||||
|
||||
- స్థిరమైన శీర్షిక స్థాయిలను ఉపయోగించండి
|
||||
- విభాగాల మధ్య ఖాళీ లైన్లను ఉంచండి
|
||||
- భాషా స్పెసిఫైయర్లతో కోడ్ బ్లాక్స్ ఉపయోగించండి:
|
||||
````markdown
|
||||
```python
|
||||
import pandas as pd
|
||||
```
|
||||
````
|
||||
- చిత్రాలకు alt టెక్స్ట్ జోడించండి: ``
|
||||
- లైన్ పొడవులు సుమారు 80-100 అక్షరాలుగా ఉంచండి
|
||||
|
||||
### Python
|
||||
|
||||
- PEP 8 శైలి గైడ్ అనుసరించండి
|
||||
- అర్థవంతమైన వేరియబుల్ పేర్లను ఉపయోగించండి
|
||||
- ఫంక్షన్లకు డాక్స్ట్రింగ్స్ జోడించండి
|
||||
- అవసరమైన చోట టైప్ హింట్స్ చేర్చండి:
|
||||
```python
|
||||
def process_data(df: pd.DataFrame) -> pd.DataFrame:
|
||||
"""Process the input dataframe."""
|
||||
return df
|
||||
```
|
||||
|
||||
### JavaScript/Vue.js
|
||||
|
||||
- Vue.js 2 శైలి గైడ్ అనుసరించండి
|
||||
- అందించిన ESLint కాన్ఫిగరేషన్ ఉపయోగించండి
|
||||
- మాడ్యులర్, పునర్వినియోగపరచదగిన కాంపోనెంట్లను రాయండి
|
||||
- క్లిష్టమైన లాజిక్ కోసం వ్యాఖ్యలు జోడించండి
|
||||
|
||||
### ఫైల్ నిర్వహణ
|
||||
|
||||
- సంబంధిత ఫైళ్లను కలిసి ఉంచండి
|
||||
- వివరణాత్మక ఫైల్ పేర్లను ఉపయోగించండి
|
||||
- ఉన్న డైరెక్టరీ నిర్మాణాన్ని అనుసరించండి
|
||||
- అవసరం లేని ఫైళ్లను కమిట్ చేయవద్దు (.DS_Store, .pyc, node_modules, మొదలైనవి)
|
||||
|
||||
## సహకారదారుల లైసెన్స్ ఒప్పందం
|
||||
|
||||
ఈ ప్రాజెక్ట్ సహకారాలు మరియు సూచనలను స్వాగతిస్తుంది. చాలా సహకారాలకు మీరు
|
||||
సహకారదారుల లైసెన్స్ ఒప్పందం (CLA) కు అంగీకరించాలి, ఇది మీరు మీ సహకారాన్ని ఉపయోగించడానికి హక్కులు కలిగి ఉన్నారని మరియు వాటిని మాకు ఇచ్చారని ప్రకటిస్తుంది. వివరాలకు, https://cla.microsoft.com చూడండి.
|
||||
|
||||
మీరు పుల్ రిక్వెస్ట్ సమర్పించినప్పుడు, CLA-బాట్ ఆటోమేటిగ్గా మీరు CLA అందించాల్సిన అవసరం ఉందో లేదో నిర్ణయించి PR ను తగిన విధంగా (లేబుల్, వ్యాఖ్య) అలంకరిస్తుంది. బాట్ ఇచ్చిన సూచనలను అనుసరించండి. మా CLA ఉపయోగించే అన్ని రిపోజిటరీలలో మీరు ఈ ప్రక్రియను ఒక్కసారి మాత్రమే చేయాలి.
|
||||
|
||||
## ప్రశ్నలు?
|
||||
|
||||
- మా [Discord ఛానల్ #data-science-for-beginners](https://aka.ms/ds4beginners/discord) ను తనిఖీ చేయండి
|
||||
- మా [Discord సమాజంలో చేరండి](https://aka.ms/ds4beginners/discord)
|
||||
- ఉన్న [issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) మరియు [pull requests](https://github.com/microsoft/Data-Science-For-Beginners/pulls) ను సమీక్షించండి
|
||||
|
||||
## ధన్యవాదాలు!
|
||||
|
||||
మీ సహకారాలు ఈ పాఠ్యాంశాన్ని అందరికీ మెరుగ్గా చేస్తాయి. సహకరించడానికి సమయం కేటాయించినందుకు ధన్యవాదాలు!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించుకోవడం మంచిది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,263 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "a64d8afa22ffcc2016bb239188d6acb1",
|
||||
"translation_date": "2025-12-19T13:10:17+00:00",
|
||||
"source_file": "INSTALLATION.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# ఇన్స్టాలేషన్ గైడ్
|
||||
|
||||
ఈ గైడ్ మీకు Data Science for Beginners పాఠ్యాంశంతో పని చేయడానికి మీ వాతావరణాన్ని సెట్ చేయడంలో సహాయపడుతుంది.
|
||||
|
||||
## విషయ సూచిక
|
||||
|
||||
- [ముందస్తు అవసరాలు](../..)
|
||||
- [త్వరిత ప్రారంభ ఎంపికలు](../..)
|
||||
- [స్థానిక ఇన్స్టాలేషన్](../..)
|
||||
- [మీ ఇన్స్టాలేషన్ను ధృవీకరించండి](../..)
|
||||
|
||||
## ముందస్తు అవసరాలు
|
||||
|
||||
మీరు ప్రారంభించడానికి ముందు, మీ వద్ద ఉండాలి:
|
||||
|
||||
- కమాండ్ లైన్/టెర్మినల్తో ప్రాథమిక పరిచయం
|
||||
- GitHub ఖాతా (ఉచితం)
|
||||
- ప్రారంభ సెటప్ కోసం స్థిరమైన ఇంటర్నెట్ కనెక్షన్
|
||||
|
||||
## త్వరిత ప్రారంభ ఎంపికలు
|
||||
|
||||
### ఎంపిక 1: GitHub Codespaces (ఆరంభకులకు సిఫార్సు)
|
||||
|
||||
GitHub Codespaces తో ప్రారంభించడం అత్యంత సులభం, ఇది మీ బ్రౌజర్లో పూర్తి అభివృద్ధి వాతావరణాన్ని అందిస్తుంది.
|
||||
|
||||
1. [repository](https://github.com/microsoft/Data-Science-For-Beginners) కి వెళ్లండి
|
||||
2. **Code** డ్రాప్డౌన్ మెనూను క్లిక్ చేయండి
|
||||
3. **Codespaces** ట్యాబ్ను ఎంచుకోండి
|
||||
4. **Create codespace on main** క్లిక్ చేయండి
|
||||
5. వాతావరణం ప్రారంభం కావడానికి వేచి ఉండండి (2-3 నిమిషాలు)
|
||||
|
||||
మీ వాతావరణం ఇప్పుడు అన్ని డిపెండెన్సీలతో ముందుగా ఇన్స్టాల్ చేయబడింది!
|
||||
|
||||
### ఎంపిక 2: స్థానిక అభివృద్ధి
|
||||
|
||||
మీ స్వంత కంప్యూటర్లో పని చేయడానికి, క్రింది వివరమైన సూచనలను అనుసరించండి.
|
||||
|
||||
## స్థానిక ఇన్స్టాలేషన్
|
||||
|
||||
### దశ 1: Git ఇన్స్టాల్ చేయండి
|
||||
|
||||
Git రిపాజిటరీని క్లోన్ చేయడానికి మరియు మీ మార్పులను ట్రాక్ చేయడానికి అవసరం.
|
||||
|
||||
**Windows:**
|
||||
- [git-scm.com](https://git-scm.com/download/win) నుండి డౌన్లోడ్ చేసుకోండి
|
||||
- డిఫాల్ట్ సెట్టింగ్స్తో ఇన్స్టాలర్ను రన్ చేయండి
|
||||
|
||||
**macOS:**
|
||||
- Homebrew ద్వారా ఇన్స్టాల్ చేయండి: `brew install git`
|
||||
- లేదా [git-scm.com](https://git-scm.com/download/mac) నుండి డౌన్లోడ్ చేసుకోండి
|
||||
|
||||
**Linux:**
|
||||
```bash
|
||||
# డెబియన్/ఉబుంటు
|
||||
sudo apt-get update
|
||||
sudo apt-get install git
|
||||
|
||||
# ఫెడోరా
|
||||
sudo dnf install git
|
||||
|
||||
# ఆర్చ్
|
||||
sudo pacman -S git
|
||||
```
|
||||
|
||||
### దశ 2: రిపాజిటరీని క్లోన్ చేయండి
|
||||
|
||||
```bash
|
||||
# రిపోజిటరీని క్లోన్ చేయండి
|
||||
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
||||
|
||||
# డైరెక్టరీకి నావిగేట్ చేయండి
|
||||
cd Data-Science-For-Beginners
|
||||
```
|
||||
|
||||
### దశ 3: Python మరియు Jupyter ఇన్స్టాల్ చేయండి
|
||||
|
||||
Python 3.7 లేదా అంతకంటే పై వెర్షన్ డేటా సైన్స్ పాఠాల కోసం అవసరం.
|
||||
|
||||
**Windows:**
|
||||
1. [python.org](https://www.python.org/downloads/) నుండి Python డౌన్లోడ్ చేసుకోండి
|
||||
2. ఇన్స్టాలేషన్ సమయంలో, "Add Python to PATH" ను గుర్తించండి
|
||||
3. ఇన్స్టాలేషన్ను ధృవీకరించండి:
|
||||
```bash
|
||||
python --version
|
||||
```
|
||||
|
||||
**macOS:**
|
||||
```bash
|
||||
# హోంబ్రూ ఉపయోగించడం
|
||||
brew install python3
|
||||
|
||||
# ఇన్స్టాలేషన్ను ధృవీకరించండి
|
||||
python3 --version
|
||||
```
|
||||
|
||||
**Linux:**
|
||||
```bash
|
||||
# ఎక్కువ Linux పంపిణీలు Python ముందుగా ఇన్స్టాల్ చేయబడినవిగా వస్తాయి
|
||||
python3 --version
|
||||
|
||||
# ఇన్స్టాల్ చేయబడకపోతే:
|
||||
# Debian/Ubuntu
|
||||
sudo apt-get install python3 python3-pip
|
||||
|
||||
# Fedora
|
||||
sudo dnf install python3 python3-pip
|
||||
```
|
||||
|
||||
### దశ 4: Python వాతావరణాన్ని సెట్ చేయండి
|
||||
|
||||
డిపెండెన్సీలను వేరుగా ఉంచడానికి వర్చువల్ వాతావరణం ఉపయోగించడం సిఫార్సు చేయబడింది.
|
||||
|
||||
```bash
|
||||
# ఒక వర్చువల్ ఎన్విరాన్మెంట్ సృష్టించండి
|
||||
python -m venv venv
|
||||
|
||||
# వర్చువల్ ఎన్విరాన్మెంట్ను యాక్టివేట్ చేయండి
|
||||
# విండోస్లో:
|
||||
venv\Scripts\activate
|
||||
|
||||
# మాక్ఓఎస్/లినక్స్లో:
|
||||
source venv/bin/activate
|
||||
```
|
||||
|
||||
### దశ 5: Python ప్యాకేజీలను ఇన్స్టాల్ చేయండి
|
||||
|
||||
అవసరమైన డేటా సైన్స్ లైబ్రరీలను ఇన్స్టాల్ చేయండి:
|
||||
|
||||
```bash
|
||||
pip install jupyter pandas numpy matplotlib seaborn scikit-learn
|
||||
```
|
||||
|
||||
### దశ 6: Node.js మరియు npm ఇన్స్టాల్ చేయండి (Quiz App కోసం)
|
||||
|
||||
క్విజ్ అప్లికేషన్కు Node.js మరియు npm అవసరం.
|
||||
|
||||
**Windows/macOS:**
|
||||
- [nodejs.org](https://nodejs.org/) నుండి డౌన్లోడ్ చేసుకోండి (LTS వెర్షన్ సిఫార్సు)
|
||||
- ఇన్స్టాలర్ను రన్ చేయండి
|
||||
|
||||
**Linux:**
|
||||
```bash
|
||||
# డెబియన్/ఉబుంటు
|
||||
# హెచ్చరిక: ఇంటర్నెట్ నుండి స్క్రిప్టులను నేరుగా బాష్లో పైప్ చేయడం భద్రతా ప్రమాదం కావచ్చు.
|
||||
# స్క్రిప్ట్ను నడపడానికి ముందు సమీక్షించడం సిఫార్సు చేయబడింది:
|
||||
# curl -fsSL https://deb.nodesource.com/setup_lts.x -o setup_lts.x
|
||||
# less setup_lts.x
|
||||
# ఆపై నడపండి:
|
||||
# sudo -E bash setup_lts.x
|
||||
#
|
||||
# ప్రత్యామ్నాయంగా, మీ స్వంత ప్రమాదంలో క్రింది ఒక లైనర్ను ఉపయోగించవచ్చు:
|
||||
curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash -
|
||||
sudo apt-get install -y nodejs
|
||||
|
||||
# ఫెడోరా
|
||||
sudo dnf install nodejs
|
||||
|
||||
# ఇన్స్టాలేషన్ను ధృవీకరించండి
|
||||
node --version
|
||||
npm --version
|
||||
```
|
||||
|
||||
### దశ 7: Quiz App డిపెండెన్సీలను ఇన్స్టాల్ చేయండి
|
||||
|
||||
```bash
|
||||
# క్విజ్ యాప్ డైరెక్టరీకి నావిగేట్ చేయండి
|
||||
cd quiz-app
|
||||
|
||||
# డిపెండెన్సీలను ఇన్స్టాల్ చేయండి
|
||||
npm install
|
||||
|
||||
# రూట్ డైరెక్టరీకి తిరిగి వెళ్లండి
|
||||
cd ..
|
||||
```
|
||||
|
||||
### దశ 8: Docsify ఇన్స్టాల్ చేయండి (ఐచ్ఛికం)
|
||||
|
||||
డాక్యుమెంటేషన్ను ఆఫ్లైన్ యాక్సెస్ కోసం:
|
||||
|
||||
```bash
|
||||
npm install -g docsify-cli
|
||||
```
|
||||
|
||||
## మీ ఇన్స్టాలేషన్ను ధృవీకరించండి
|
||||
|
||||
### Python మరియు Jupyter ను పరీక్షించండి
|
||||
|
||||
```bash
|
||||
# మీ వర్చువల్ ఎన్విరాన్మెంట్ ఇప్పటికే యాక్టివేట్ కాకపోతే యాక్టివేట్ చేయండి
|
||||
# విండోస్లో:
|
||||
venv\Scripts\activate
|
||||
# మాక్ఓఎస్/లినక్స్లో:
|
||||
source venv/bin/activate
|
||||
|
||||
# జూపిటర్ నోట్బుక్ ప్రారంభించండి
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
మీ బ్రౌజర్ Jupyter ఇంటర్ఫేస్తో తెరవాలి. మీరు ఇప్పుడు ఏ పాఠం `.ipynb` ఫైల్కు వెళ్లవచ్చు.
|
||||
|
||||
### Quiz అప్లికేషన్ను పరీక్షించండి
|
||||
|
||||
```bash
|
||||
# క్విజ్ యాప్కు నావిగేట్ చేయండి
|
||||
cd quiz-app
|
||||
|
||||
# అభివృద్ధి సర్వర్ను ప్రారంభించండి
|
||||
npm run serve
|
||||
```
|
||||
|
||||
క్విజ్ యాప్ `http://localhost:8080` (లేదా 8080 బిజీ అయితే మరొక పోర్ట్) వద్ద అందుబాటులో ఉండాలి.
|
||||
|
||||
### డాక్యుమెంటేషన్ సర్వర్ను పరీక్షించండి
|
||||
|
||||
```bash
|
||||
# రిపాజిటరీ యొక్క రూట్ డైరెక్టరీ నుండి
|
||||
docsify serve
|
||||
```
|
||||
|
||||
డాక్యుమెంటేషన్ `http://localhost:3000` వద్ద అందుబాటులో ఉండాలి.
|
||||
|
||||
## VS Code Dev Containers ఉపయోగించడం
|
||||
|
||||
మీ వద్ద Docker ఇన్స్టాల్ ఉంటే, మీరు VS Code Dev Containers ఉపయోగించవచ్చు:
|
||||
|
||||
1. [Docker Desktop](https://www.docker.com/products/docker-desktop) ఇన్స్టాల్ చేయండి
|
||||
2. [Visual Studio Code](https://code.visualstudio.com/) ఇన్స్టాల్ చేయండి
|
||||
3. [Remote - Containers extension](https://marketplace.visualstudio.com/items?itemName=ms-vscode-remote.remote-containers) ఇన్స్టాల్ చేయండి
|
||||
4. రిపాజిటరీని VS Code లో ఓపెన్ చేయండి
|
||||
5. `F1` నొక్కి "Remote-Containers: Reopen in Container" ఎంచుకోండి
|
||||
6. కంటైనర్ నిర్మాణం కోసం వేచి ఉండండి (మొదటి సారి మాత్రమే)
|
||||
|
||||
## తదుపరి దశలు
|
||||
|
||||
- పాఠ్యాంశం అవలోకనం కోసం [README.md](README.md) ను అన్వేషించండి
|
||||
- సాధారణ వర్క్ఫ్లోలు మరియు ఉదాహరణల కోసం [USAGE.md](USAGE.md) చదవండి
|
||||
- సమస్యలు ఎదురైతే [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ను తనిఖీ చేయండి
|
||||
- మీరు సహకరించాలనుకుంటే [CONTRIBUTING.md](CONTRIBUTING.md) ను సమీక్షించండి
|
||||
|
||||
## సహాయం పొందడం
|
||||
|
||||
మీరు సమస్యలను ఎదుర్కొంటే:
|
||||
|
||||
1. [TROUBLESHOOTING.md](TROUBLESHOOTING.md) గైడ్ను తనిఖీ చేయండి
|
||||
2. ఉన్న [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) ను శోధించండి
|
||||
3. మా [Discord community](https://aka.ms/ds4beginners/discord) లో చేరండి
|
||||
4. మీ సమస్య గురించి వివరాలతో కొత్త ఇష్యూ సృష్టించండి
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,53 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "0d575483100c332b2dbaefef915bb3c4",
|
||||
"translation_date": "2025-12-19T13:13:43+00:00",
|
||||
"source_file": "SECURITY.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
## భద్రత
|
||||
|
||||
మైక్రోసాఫ్ట్ మా సాఫ్ట్వేర్ ఉత్పత్తులు మరియు సేవల భద్రతను గంభీరంగా తీసుకుంటుంది, దీనిలో మా GitHub సంస్థల ద్వారా నిర్వహించబడే అన్ని సోర్స్ కోడ్ రిపాజిటరీలు ఉన్నాయి, వీటిలో [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin), మరియు [మా GitHub సంస్థలు](https://opensource.microsoft.com/) ఉన్నాయి.
|
||||
|
||||
మీరు మైక్రోసాఫ్ట్ యాజమాన్యంలో ఉన్న ఏ రిపాజిటరీలోనైనా [మైక్రోసాఫ్ట్ భద్రతా లోపం నిర్వచనం](https://docs.microsoft.com/en-us/previous-versions/tn-archive/cc751383(v=technet.10))కి అనుగుణంగా భద్రతా లోపాన్ని కనుగొన్నారని భావిస్తే, దయచేసి క్రింద వివరించిన విధంగా మాకు నివేదించండి.
|
||||
|
||||
## భద్రతా సమస్యలను నివేదించడం
|
||||
|
||||
**దయచేసి భద్రతా లోపాలను పబ్లిక్ GitHub ఇష్యూల ద్వారా నివేదించవద్దు.**
|
||||
|
||||
దీనికి బదులుగా, దయచేసి మైక్రోసాఫ్ట్ సెక్యూరిటీ రెస్పాన్స్ సెంటర్ (MSRC) వద్ద [https://msrc.microsoft.com/create-report](https://msrc.microsoft.com/create-report) ద్వారా నివేదించండి.
|
||||
|
||||
మీరు లాగిన్ చేయకుండా సమర్పించాలనుకుంటే, [secure@microsoft.com](mailto:secure@microsoft.com) కు ఇమెయిల్ పంపండి. సాధ్యమైతే, మా PGP కీతో మీ సందేశాన్ని ఎన్క్రిప్ట్ చేయండి; దయచేసి దాన్ని [Microsoft Security Response Center PGP Key page](https://www.microsoft.com/en-us/msrc/pgp-key-msrc) నుండి డౌన్లోడ్ చేసుకోండి.
|
||||
|
||||
మీరు 24 గంటలలోపు స్పందన పొందాలి. ఏ కారణంగా స్పందన రాలేదంటే, దయచేసి మేము మీ అసలు సందేశాన్ని అందుకున్నామో లేదో నిర్ధారించుకోవడానికి ఇమెయిల్ ద్వారా ఫాలోఅప్ చేయండి. అదనపు సమాచారం [microsoft.com/msrc](https://www.microsoft.com/msrc) వద్ద అందుబాటులో ఉంది.
|
||||
|
||||
దయచేసి క్రింద పేర్కొన్న అవసరమైన సమాచారాన్ని (మీకు అందుబాటులో ఉన్నంత వరకు) చేర్చండి, తద్వారా మేము సమస్య యొక్క స్వభావం మరియు పరిధిని మెరుగ్గా అర్థం చేసుకోవచ్చు:
|
||||
|
||||
* సమస్య రకం (ఉదా: బఫర్ ఓవర్ఫ్లో, SQL ఇంజెక్షన్, క్రాస్-సైట్ స్క్రిప్టింగ్, మొదలైనవి)
|
||||
* సమస్య ప్రదర్శనకు సంబంధించిన సోర్స్ ఫైల్(లు) యొక్క పూర్తి మార్గాలు
|
||||
* ప్రభావిత సోర్స్ కోడ్ యొక్క స్థానం (ట్యాగ్/బ్రాంచ్/కమిట్ లేదా ప్రత్యక్ష URL)
|
||||
* సమస్యను పునరుత్పత్తి చేయడానికి అవసరమైన ప్రత్యేక కాన్ఫిగరేషన్
|
||||
* సమస్యను పునరుత్పత్తి చేయడానికి దశల వారీ సూచనలు
|
||||
* ప్రూఫ్-ఆఫ్-కాన్సెప్ట్ లేదా ఎక్స్ప్లాయిట్ కోడ్ (సాధ్యమైతే)
|
||||
* సమస్య ప్రభావం, దానిని దాడి దారుడు ఎలా ఉపయోగించుకోవచ్చు
|
||||
|
||||
ఈ సమాచారం మాకు మీ నివేదికను వేగంగా పరిశీలించడంలో సహాయపడుతుంది.
|
||||
|
||||
మీరు బగ్ బౌంటీ కోసం నివేదిస్తున్నట్లయితే, పూర్తి నివేదికలు ఎక్కువ బౌంటీ అవార్డుకు దోహదపడతాయి. మా [Microsoft Bug Bounty Program](https://microsoft.com/msrc/bounty) పేజీని సందర్శించి మా సక్రియ కార్యక్రమాల గురించి మరిన్ని వివరాలు తెలుసుకోండి.
|
||||
|
||||
## ప్రాధాన్యత ఉన్న భాషలు
|
||||
|
||||
మేము అన్ని కమ్యూనికేషన్లు ఆంగ్లంలో ఉండాలని ఇష్టపడతాము.
|
||||
|
||||
## విధానం
|
||||
|
||||
మైక్రోసాఫ్ట్ [సమన్వయ భద్రతా లోపం వెల్లడింపు](https://www.microsoft.com/en-us/msrc/cvd) సూత్రాన్ని అనుసరిస్తుంది.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,26 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "872be8bc1b93ef1dd9ac3d6e8f99f6ab",
|
||||
"translation_date": "2025-12-19T12:48:23+00:00",
|
||||
"source_file": "SUPPORT.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# మద్దతు
|
||||
## సమస్యలను ఎలా నమోదు చేయాలి మరియు సహాయం పొందాలి
|
||||
|
||||
ఈ ప్రాజెక్ట్ బగ్స్ మరియు ఫీచర్ అభ్యర్థనలను ట్రాక్ చేయడానికి GitHub Issues ను ఉపయోగిస్తుంది. దయచేసి కొత్త సమస్యలను నమోదు చేయడానికి ముందు ఇప్పటికే ఉన్న సమస్యలను శోధించండి, తద్వారా ప్రతిలిపులు నివారించవచ్చు. కొత్త సమస్యల కోసం, మీ బగ్ లేదా ఫీచర్ అభ్యర్థనను కొత్త Issue గా నమోదు చేయండి.
|
||||
|
||||
ఈ ప్రాజెక్ట్ ఉపయోగించడంపై సహాయం మరియు ప్రశ్నల కోసం, ఒక సమస్యను నమోదు చేయండి.
|
||||
|
||||
## Microsoft మద్దతు విధానం
|
||||
|
||||
ఈ రిపాజిటరీకి మద్దతు పై పేర్కొన్న వనరులకు మాత్రమే పరిమితం.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పులు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,629 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "93a6a8a8a209128cbfedcbc076ee21b0",
|
||||
"translation_date": "2025-12-19T12:52:41+00:00",
|
||||
"source_file": "TROUBLESHOOTING.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# సమస్య పరిష్కరణ గైడ్
|
||||
|
||||
ఈ గైడ్ Data Science for Beginners పాఠ్యాంశంతో పని చేస్తూ మీరు ఎదుర్కొనే సాధారణ సమస్యలకు పరిష్కారాలను అందిస్తుంది.
|
||||
|
||||
## విషయ సూచిక
|
||||
|
||||
- [Python మరియు Jupyter సమస్యలు](../..)
|
||||
- [ప్యాకేజ్ మరియు ఆధారిత సమస్యలు](../..)
|
||||
- [Jupyter నోట్బుక్ సమస్యలు](../..)
|
||||
- [క్విజ్ అప్లికేషన్ సమస్యలు](../..)
|
||||
- [Git మరియు GitHub సమస్యలు](../..)
|
||||
- [Docsify డాక్యుమెంటేషన్ సమస్యలు](../..)
|
||||
- [డేటా మరియు ఫైల్ సమస్యలు](../..)
|
||||
- [పనితీరు సమస్యలు](../..)
|
||||
- [అదనపు సహాయం పొందడం](../..)
|
||||
|
||||
## Python మరియు Jupyter సమస్యలు
|
||||
|
||||
### Python కనుగొనబడలేదు లేదా తప్పు వెర్షన్
|
||||
|
||||
**సమస్య:** `python: command not found` లేదా తప్పు Python వెర్షన్
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# పైథాన్ వెర్షన్ను తనిఖీ చేయండి
|
||||
python --version
|
||||
python3 --version
|
||||
|
||||
# పైథాన్ 3 'python3' గా ఇన్స్టాల్ అయితే, అలియాస్ సృష్టించండి
|
||||
# macOS/Linux లో, ~/.bashrc లేదా ~/.zshrc లో జోడించండి:
|
||||
alias python=python3
|
||||
alias pip=pip3
|
||||
|
||||
# లేదా python3 ను స్పష్టంగా ఉపయోగించండి
|
||||
python3 -m pip install jupyter
|
||||
```
|
||||
|
||||
**Windows పరిష్కారం:**
|
||||
1. [python.org](https://www.python.org/) నుండి Python ను మళ్లీ ఇన్స్టాల్ చేయండి
|
||||
2. ఇన్స్టాలేషన్ సమయంలో, "Add Python to PATH" ను ఎంచుకోండి
|
||||
3. మీ టెర్మినల్/కమాండ్ ప్రాంప్ట్ను రీస్టార్ట్ చేయండి
|
||||
|
||||
### వర్చువల్ ఎన్విరాన్మెంట్ యాక్టివేషన్ సమస్యలు
|
||||
|
||||
**సమస్య:** వర్చువల్ ఎన్విరాన్మెంట్ యాక్టివేట్ అవ్వడం లేదు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
**Windows:**
|
||||
```bash
|
||||
# మీరు ఎగ్జిక్యూషన్ పాలసీ లోపం పొందితే
|
||||
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser
|
||||
|
||||
# అప్పుడు యాక్టివేట్ చేయండి
|
||||
venv\Scripts\activate
|
||||
```
|
||||
|
||||
**macOS/Linux:**
|
||||
```bash
|
||||
# యాక్టివేట్ స్క్రిప్ట్ అమలు చేయదగినదిగా ఉండాలి
|
||||
chmod +x venv/bin/activate
|
||||
|
||||
# ఆపై యాక్టివేట్ చేయండి
|
||||
source venv/bin/activate
|
||||
```
|
||||
|
||||
**యాక్టివేషన్ నిర్ధారించుకోండి:**
|
||||
```bash
|
||||
# మీ ప్రాంప్ట్ (venv) చూపించాలి
|
||||
# Python స్థానం తనిఖీ చేయండి
|
||||
which python # venv ను సూచించాలి
|
||||
```
|
||||
|
||||
### Jupyter కర్నెల్ సమస్యలు
|
||||
|
||||
**సమస్య:** "Kernel not found" లేదా "Kernel keeps dying"
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# కర్నెల్ను మళ్లీ ఇన్స్టాల్ చేయండి
|
||||
python -m ipykernel install --user --name=datascience --display-name="Python (Data Science)"
|
||||
|
||||
# లేదా డిఫాల్ట్ కర్నెల్ను ఉపయోగించండి
|
||||
python -m ipykernel install --user
|
||||
|
||||
# జూపిటర్ను రీస్టార్ట్ చేయండి
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
**సమస్య:** Jupyterలో తప్పు Python వెర్షన్
|
||||
|
||||
**పరిష్కారం:**
|
||||
```bash
|
||||
# మీ వర్చువల్ ఎన్విరాన్మెంట్లో Jupyter ను ఇన్స్టాల్ చేయండి
|
||||
source venv/bin/activate # ముందుగా యాక్టివేట్ చేయండి
|
||||
pip install jupyter ipykernel
|
||||
|
||||
# కర్నెల్ను రిజిస్టర్ చేయండి
|
||||
python -m ipykernel install --user --name=venv --display-name="Python (venv)"
|
||||
|
||||
# Jupyter లో, Kernel -> Change kernel -> Python (venv) ను ఎంచుకోండి
|
||||
```
|
||||
|
||||
## ప్యాకేజ్ మరియు ఆధారిత సమస్యలు
|
||||
|
||||
### ఇంపోర్ట్ లోపాలు
|
||||
|
||||
**సమస్య:** `ModuleNotFoundError: No module named 'pandas'` (లేదా ఇతర ప్యాకేజీలు)
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# వర్చువల్ ఎన్విరాన్మెంట్ సక్రియమై ఉందో లేదో నిర్ధారించుకోండి
|
||||
source venv/bin/activate # macOS/Linux
|
||||
venv\Scripts\activate # Windows
|
||||
|
||||
# లేని ప్యాకేజీని ఇన్స్టాల్ చేయండి
|
||||
pip install pandas
|
||||
|
||||
# అన్ని సాధారణ ప్యాకేజీలను ఇన్స్టాల్ చేయండి
|
||||
pip install jupyter pandas numpy matplotlib seaborn scikit-learn
|
||||
|
||||
# ఇన్స్టాలేషన్ను ధృవీకరించండి
|
||||
python -c "import pandas; print(pandas.__version__)"
|
||||
```
|
||||
|
||||
### Pip ఇన్స్టాలేషన్ విఫలమవడం
|
||||
|
||||
**సమస్య:** `pip install` అనుమతి లోపాలతో విఫలమవుతుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# --user ఫ్లాగ్ ఉపయోగించండి
|
||||
pip install --user package-name
|
||||
|
||||
# లేదా వర్చువల్ ఎన్విరాన్మెంట్ ఉపయోగించండి (సిఫార్సు చేయబడింది)
|
||||
python -m venv venv
|
||||
source venv/bin/activate
|
||||
pip install package-name
|
||||
```
|
||||
|
||||
**సమస్య:** `pip install` SSL సర్టిఫికేట్ లోపాలతో విఫలమవుతుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# ముందుగా పిప్ను నవీకరించండి
|
||||
python -m pip install --upgrade pip
|
||||
|
||||
# నమ్మకమైన హోస్ట్తో ఇన్స్టాల్ చేయడానికి ప్రయత్నించండి (తాత్కాలిక పరిష్కారం)
|
||||
pip install --trusted-host pypi.org --trusted-host files.pythonhosted.org package-name
|
||||
```
|
||||
|
||||
### ప్యాకేజ్ వెర్షన్ విరుద్ధతలు
|
||||
|
||||
**సమస్య:** అనుకూలం కాని ప్యాకేజ్ వెర్షన్లు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# కొత్త వర్చువల్ ఎన్విరాన్మెంట్ సృష్టించండి
|
||||
python -m venv venv-new
|
||||
source venv-new/bin/activate # లేదా Windows లో venv-new\Scripts\activate
|
||||
|
||||
# అవసరమైతే నిర్దిష్ట సంస్కరణలతో ప్యాకేజీలను ఇన్స్టాల్ చేయండి
|
||||
pip install pandas==1.3.0
|
||||
pip install numpy==1.21.0
|
||||
|
||||
# లేదా pip కు ఆధారాలను పరిష్కరించనివ్వండి
|
||||
pip install jupyter pandas numpy matplotlib seaborn scikit-learn
|
||||
```
|
||||
|
||||
## Jupyter నోట్బుక్ సమస్యలు
|
||||
|
||||
### Jupyter ప్రారంభం కావడం లేదు
|
||||
|
||||
**సమస్య:** `jupyter notebook` కమాండ్ కనుగొనబడలేదు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# జూపిటర్ను ఇన్స్టాల్ చేయండి
|
||||
pip install jupyter
|
||||
|
||||
# లేదా python -m ఉపయోగించండి
|
||||
python -m jupyter notebook
|
||||
|
||||
# అవసరమైతే PATH లో చేర్చండి (macOS/Linux)
|
||||
export PATH="$HOME/.local/bin:$PATH"
|
||||
```
|
||||
|
||||
### నోట్బుక్ లోడ్ లేదా సేవ్ అవ్వడం లేదు
|
||||
|
||||
**సమస్య:** "Notebook failed to load" లేదా సేవ్ లోపాలు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. ఫైల్ అనుమతులను తనిఖీ చేయండి
|
||||
```bash
|
||||
# మీరు రాయడానికి అనుమతులు ఉన్నాయో నిర్ధారించుకోండి
|
||||
ls -l notebook.ipynb
|
||||
chmod 644 notebook.ipynb # అవసరమైతే
|
||||
```
|
||||
|
||||
2. ఫైల్ కరప్షన్ కోసం తనిఖీ చేయండి
|
||||
```bash
|
||||
# JSON నిర్మాణాన్ని తనిఖీ చేయడానికి టెక్స్ట్ ఎడిటర్లో తెరవడానికి ప్రయత్నించండి
|
||||
# దెబ్బతిన్నట్లయితే కంటెంట్ను కొత్త నోట్బుక్కు కాపీ చేయండి
|
||||
```
|
||||
|
||||
3. Jupyter క్యాషే క్లియర్ చేయండి
|
||||
```bash
|
||||
jupyter notebook --clear-cache
|
||||
```
|
||||
|
||||
### సెల్ అమలు కావడం లేదు
|
||||
|
||||
**సమస్య:** సెల్ "In [*]" వద్ద అడ్డుకుంటోంది లేదా చాలా సమయం తీసుకుంటోంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. **కర్నెల్ను అంతరాయం చేయండి**: "Interrupt" బటన్ క్లిక్ చేయండి లేదా `I, I` నొక్కండి
|
||||
2. **కర్నెల్ను రీస్టార్ట్ చేయండి**: Kernel మెనూ → Restart
|
||||
3. మీ కోడ్లో **అనంత లూప్లు** ఉన్నాయా చూడండి
|
||||
4. **ఫలితాన్ని క్లియర్ చేయండి**: సెల్ → All Output → Clear
|
||||
|
||||
### ప్లాట్లు ప్రదర్శించబడడం లేదు
|
||||
|
||||
**సమస్య:** `matplotlib` ప్లాట్లు నోట్బుక్లో చూపించబడడం లేదు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```python
|
||||
# నోట్బుక్ టాప్లో మేజిక్ కమాండ్ను జోడించండి
|
||||
%matplotlib inline
|
||||
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# ప్లాట్ సృష్టించండి
|
||||
plt.plot([1, 2, 3, 4])
|
||||
plt.show() # show() ను పిలవడం నిర్ధారించుకోండి
|
||||
```
|
||||
|
||||
**ఇంటరాక్టివ్ ప్లాట్లకు ప్రత్యామ్నాయం:**
|
||||
```python
|
||||
%matplotlib notebook
|
||||
# లేదా
|
||||
%matplotlib widget
|
||||
```
|
||||
|
||||
## క్విజ్ అప్లికేషన్ సమస్యలు
|
||||
|
||||
### npm install విఫలమవుతుంది
|
||||
|
||||
**సమస్య:** `npm install` సమయంలో లోపాలు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# npm క్యాషేను క్లియర్ చేయండి
|
||||
npm cache clean --force
|
||||
|
||||
# node_modules మరియు package-lock.json ను తొలగించండి
|
||||
rm -rf node_modules package-lock.json
|
||||
|
||||
# మళ్లీ ఇన్స్టాల్ చేయండి
|
||||
npm install
|
||||
|
||||
# ఇంకా విఫలమైతే, legacy peer deps తో ప్రయత్నించండి
|
||||
npm install --legacy-peer-deps
|
||||
```
|
||||
|
||||
### Quiz App ప్రారంభం కావడం లేదు
|
||||
|
||||
**సమస్య:** `npm run serve` విఫలమవుతుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# Node.js వెర్షన్ను తనిఖీ చేయండి
|
||||
node --version # 12.x లేదా అంతకంటే ఎక్కువ ఉండాలి
|
||||
|
||||
# డిపెండెన్సీలను మళ్లీ ఇన్స్టాల్ చేయండి
|
||||
cd quiz-app
|
||||
rm -rf node_modules package-lock.json
|
||||
npm install
|
||||
|
||||
# వేరే పోర్ట్ ప్రయత్నించండి
|
||||
npm run serve -- --port 8081
|
||||
```
|
||||
|
||||
### పోర్ట్ ఇప్పటికే ఉపయోగంలో ఉంది
|
||||
|
||||
**సమస్య:** "Port 8080 is already in use"
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# పోర్ట్ 8080 పై ప్రాసెస్ను కనుగొని ముగించండి
|
||||
# macOS/Linux:
|
||||
lsof -ti:8080 | xargs kill -9
|
||||
|
||||
# Windows:
|
||||
netstat -ano | findstr :8080
|
||||
taskkill /PID <PID> /F
|
||||
|
||||
# లేదా వేరే పోర్ట్ ఉపయోగించండి
|
||||
npm run serve -- --port 8081
|
||||
```
|
||||
|
||||
### Quiz లోడ్ అవ్వడం లేదా ఖాళీ పేజీ
|
||||
|
||||
**సమస్య:** Quiz యాప్ లోడ్ అవుతుంది కానీ ఖాళీ పేజీ చూపిస్తుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. బ్రౌజర్ కన్సోల్ లో లోపాలు తనిఖీ చేయండి (F12)
|
||||
2. బ్రౌజర్ క్యాషే మరియు కుకీలను క్లియర్ చేయండి
|
||||
3. వేరే బ్రౌజర్ ప్రయత్నించండి
|
||||
4. జావాస్క్రిప్ట్ ఎనేబుల్ ఉందని నిర్ధారించుకోండి
|
||||
5. అడ్బ్లాకర్లు జోక్యం చేస్తున్నాయా చూడండి
|
||||
|
||||
```bash
|
||||
# యాప్ను మళ్లీ నిర్మించండి
|
||||
npm run build
|
||||
npm run serve
|
||||
```
|
||||
|
||||
## Git మరియు GitHub సమస్యలు
|
||||
|
||||
### Git గుర్తించబడడం లేదు
|
||||
|
||||
**సమస్య:** `git: command not found`
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
**Windows:**
|
||||
- [git-scm.com](https://git-scm.com/) నుండి Git ఇన్స్టాల్ చేయండి
|
||||
- ఇన్స్టాలేషన్ తర్వాత టెర్మినల్ను రీస్టార్ట్ చేయండి
|
||||
|
||||
**macOS:**
|
||||
|
||||
> **గమనిక:** మీరు Homebrew ఇన్స్టాల్ చేయకపోతే, ముందుగా [https://brew.sh/](https://brew.sh/) వద్ద సూచనలను అనుసరించండి.
|
||||
```bash
|
||||
# హోంబ్రూ ద్వారా ఇన్స్టాల్ చేయండి
|
||||
brew install git
|
||||
|
||||
# లేదా Xcode కమాండ్ లైన్ టూల్స్ ఇన్స్టాల్ చేయండి
|
||||
xcode-select --install
|
||||
```
|
||||
|
||||
**Linux:**
|
||||
```bash
|
||||
sudo apt-get install git # డెబియన్/ఉబుంటు
|
||||
sudo dnf install git # ఫెడోరా
|
||||
```
|
||||
|
||||
### క్లోన్ విఫలమవుతుంది
|
||||
|
||||
**సమస్య:** `git clone` ధృవీకరణ లోపాలతో విఫలమవుతుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# HTTPS URL ఉపయోగించండి
|
||||
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
||||
|
||||
# మీరు GitHub లో 2FA సక్రియం చేసుకున్నట్లయితే, Personal Access Token ఉపయోగించండి
|
||||
# టోకెన్ సృష్టించండి: https://github.com/settings/tokens
|
||||
# అడిగినప్పుడు పాస్వర్డ్ గా టోకెన్ ఉపయోగించండి
|
||||
```
|
||||
|
||||
### అనుమతి నిరాకరించబడింది (publickey)
|
||||
|
||||
**సమస్య:** SSH కీ ధృవీకరణ విఫలమవుతుంది
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# SSH కీని సృష్టించండి
|
||||
ssh-keygen -t ed25519 -C "your_email@example.com"
|
||||
|
||||
# కీని ssh-agent కు జోడించండి
|
||||
eval "$(ssh-agent -s)"
|
||||
ssh-add ~/.ssh/id_ed25519
|
||||
|
||||
# పబ్లిక్ కీని GitHub కు జోడించండి
|
||||
# కీని కాపీ చేయండి: cat ~/.ssh/id_ed25519.pub
|
||||
# ఇక్కడ జోడించండి: https://github.com/settings/keys
|
||||
```
|
||||
|
||||
## Docsify డాక్యుమెంటేషన్ సమస్యలు
|
||||
|
||||
### Docsify కమాండ్ కనుగొనబడలేదు
|
||||
|
||||
**సమస్య:** `docsify: command not found`
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# గ్లోబల్గా ఇన్స్టాల్ చేయండి
|
||||
npm install -g docsify-cli
|
||||
|
||||
# macOS/Linuxలో అనుమతి లోపం ఉంటే
|
||||
sudo npm install -g docsify-cli
|
||||
|
||||
# ఇన్స్టాలేషన్ను ధృవీకరించండి
|
||||
docsify --version
|
||||
|
||||
# ఇంకా కనబడకపోతే, npm గ్లోబల్ పాత్ను జోడించండి
|
||||
# npm గ్లోబల్ పాత్ను కనుగొనండి
|
||||
npm config get prefix
|
||||
|
||||
# PATHలో జోడించండి (~/.bashrc లేదా ~/.zshrcలో జోడించండి)
|
||||
export PATH="$PATH:/usr/local/bin"
|
||||
```
|
||||
|
||||
### డాక్యుమెంటేషన్ లోడ్ అవ్వడం లేదు
|
||||
|
||||
**సమస్య:** Docsify సర్వ్ చేస్తోంది కానీ కంటెంట్ లోడ్ అవ్వడం లేదు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```bash
|
||||
# మీరు రిపాజిటరీ రూట్లో ఉన్నారని నిర్ధారించుకోండి
|
||||
cd Data-Science-For-Beginners
|
||||
|
||||
# index.html కోసం తనిఖీ చేయండి
|
||||
ls index.html
|
||||
|
||||
# నిర్దిష్ట పోర్ట్తో సర్వ్ చేయండి
|
||||
docsify serve --port 3000
|
||||
|
||||
# బ్రౌజర్ కన్సోల్లో లోపాలను తనిఖీ చేయండి (F12)
|
||||
```
|
||||
|
||||
### చిత్రాలు ప్రదర్శించబడడం లేదు
|
||||
|
||||
**సమస్య:** చిత్రాలు బ్రోకెన్ లింక్ ఐకాన్ చూపిస్తున్నాయి
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. చిత్రం మార్గాలు రిలేటివ్గా ఉన్నాయా తనిఖీ చేయండి
|
||||
2. చిత్రం ఫైళ్లు రిపోజిటరీలో ఉన్నాయా నిర్ధారించుకోండి
|
||||
3. బ్రౌజర్ క్యాషే క్లియర్ చేయండి
|
||||
4. ఫైల్ ఎక్స్టెన్షన్లు సరిపోతున్నాయా తనిఖీ చేయండి (కొన్ని సిస్టమ్స్లో కేస్-సెన్సిటివ్)
|
||||
|
||||
## డేటా మరియు ఫైల్ సమస్యలు
|
||||
|
||||
### ఫైల్ కనుగొనబడలేదు లోపాలు
|
||||
|
||||
**సమస్య:** డేటా లోడ్ చేస్తున్నప్పుడు `FileNotFoundError`
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```python
|
||||
import os
|
||||
|
||||
# ప్రస్తుత పని డైరెక్టరీని తనిఖీ చేయండి
|
||||
print(os.getcwd())
|
||||
|
||||
# సంపూర్ణ మార్గాన్ని ఉపయోగించండి
|
||||
data_path = os.path.join(os.getcwd(), 'data', 'filename.csv')
|
||||
df = pd.read_csv(data_path)
|
||||
|
||||
# లేదా నోట్బుక్ స్థానం నుండి సంబంధిత మార్గాన్ని ఉపయోగించండి
|
||||
df = pd.read_csv('../data/filename.csv')
|
||||
|
||||
# ఫైల్ ఉన్నదో లేదో నిర్ధారించండి
|
||||
print(os.path.exists('data/filename.csv'))
|
||||
```
|
||||
|
||||
### CSV చదవడంలో లోపాలు
|
||||
|
||||
**సమస్య:** CSV ఫైళ్లు చదవడంలో లోపాలు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```python
|
||||
import pandas as pd
|
||||
|
||||
# వేరే ఎన్కోడింగ్స్ ప్రయత్నించండి
|
||||
df = pd.read_csv('file.csv', encoding='utf-8')
|
||||
# లేదా
|
||||
df = pd.read_csv('file.csv', encoding='latin-1')
|
||||
# లేదా
|
||||
df = pd.read_csv('file.csv', encoding='ISO-8859-1')
|
||||
|
||||
# లేని విలువలను నిర్వహించండి
|
||||
df = pd.read_csv('file.csv', na_values=['NA', 'N/A', ''])
|
||||
|
||||
# కామా కాకపోతే డెలిమిటర్ను పేర్కొనండి
|
||||
df = pd.read_csv('file.csv', delimiter=';')
|
||||
```
|
||||
|
||||
### పెద్ద డేటాసెట్లతో మెమరీ లోపాలు
|
||||
|
||||
**సమస్య:** పెద్ద ఫైళ్లు లోడ్ చేస్తున్నప్పుడు `MemoryError`
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
```python
|
||||
# భాగాలుగా చదవండి
|
||||
chunk_size = 10000
|
||||
chunks = []
|
||||
for chunk in pd.read_csv('large_file.csv', chunksize=chunk_size):
|
||||
# భాగాన్ని ప్రాసెస్ చేయండి
|
||||
chunks.append(chunk)
|
||||
df = pd.concat(chunks)
|
||||
|
||||
# లేదా నిర్దిష్ట కాలమ్స్ మాత్రమే చదవండి
|
||||
df = pd.read_csv('file.csv', usecols=['col1', 'col2'])
|
||||
|
||||
# మరింత సమర్థవంతమైన డేటా రకాలను ఉపయోగించండి
|
||||
df = pd.read_csv('file.csv', dtype={'column_name': 'int32'})
|
||||
```
|
||||
|
||||
## పనితీరు సమస్యలు
|
||||
|
||||
### నోట్బుక్ పనితీరు మందగించడం
|
||||
|
||||
**సమస్య:** నోట్బుక్స్ చాలా మందగిస్తాయి
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. **కర్నెల్ను రీస్టార్ట్ చేసి అవుట్పుట్ క్లియర్ చేయండి**
|
||||
- Kernel → Restart & Clear Output
|
||||
|
||||
2. **వినియోగంలో లేని నోట్బుక్స్ మూసివేయండి**
|
||||
|
||||
3. **కోడ్ను ఆప్టిమైజ్ చేయండి:**
|
||||
```python
|
||||
# లూపుల బదులు వెక్టరైజ్డ్ ఆపరేషన్లు ఉపయోగించండి
|
||||
# చెడు:
|
||||
result = []
|
||||
for x in data:
|
||||
result.append(x * 2)
|
||||
|
||||
# మంచి:
|
||||
result = data * 2 # NumPy/Pandas వెక్టరైజేషన్
|
||||
```
|
||||
|
||||
4. **పెద్ద డేటాసెట్ల నుండి నమూనాలు తీసుకోండి:**
|
||||
```python
|
||||
# అభివృద్ధి సమయంలో నమూనాతో పని చేయండి
|
||||
df_sample = df.sample(n=1000) # లేదా df.head(1000)
|
||||
```
|
||||
|
||||
### బ్రౌజర్ క్రాష్లు
|
||||
|
||||
**సమస్య:** బ్రౌజర్ క్రాష్ అవుతుంది లేదా స్పందించదు
|
||||
|
||||
**పరిష్కారం:**
|
||||
|
||||
1. వినియోగంలో లేని ట్యాబ్స్ మూసివేయండి
|
||||
2. బ్రౌజర్ క్యాషే క్లియర్ చేయండి
|
||||
3. బ్రౌజర్ మెమరీ పెంచండి (Chrome: `chrome://settings/system`)
|
||||
4. JupyterLab ఉపయోగించండి:
|
||||
```bash
|
||||
pip install jupyterlab
|
||||
jupyter lab
|
||||
```
|
||||
|
||||
## అదనపు సహాయం పొందడం
|
||||
|
||||
### సహాయం కోరేముందు
|
||||
|
||||
1. ఈ సమస్య పరిష్కరణ గైడ్ను తనిఖీ చేయండి
|
||||
2. [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) లో శోధించండి
|
||||
3. [INSTALLATION.md](INSTALLATION.md) మరియు [USAGE.md](USAGE.md) ను సమీక్షించండి
|
||||
4. లోప సందేశాన్ని ఆన్లైన్లో శోధించండి
|
||||
|
||||
### సహాయం ఎలా కోరాలి
|
||||
|
||||
సమస్యను సృష్టించేటప్పుడు లేదా సహాయం కోరేటప్పుడు, ఈ వివరాలను చేర్చండి:
|
||||
|
||||
1. **ఆపరేటింగ్ సిస్టమ్**: Windows, macOS, లేదా Linux (ఏ డిస్ట్రిబ్యూషన్)
|
||||
2. **Python వెర్షన్**: `python --version` ను రన్ చేయండి
|
||||
3. **లోప సందేశం**: పూర్తి లోప సందేశాన్ని కాపీ చేయండి
|
||||
4. **పునరుత్పత్తి దశలు**: లోపం సంభవించే ముందు మీరు చేసిన దశలు
|
||||
5. **మీ ప్రయత్నాలు**: మీరు ఇప్పటికే ప్రయత్నించిన పరిష్కారాలు
|
||||
|
||||
**ఉదాహరణ:**
|
||||
```
|
||||
**Operating System:** macOS 12.0
|
||||
**Python Version:** 3.9.7
|
||||
**Error Message:** ModuleNotFoundError: No module named 'pandas'
|
||||
**Steps to Reproduce:**
|
||||
1. Activated virtual environment
|
||||
2. Started Jupyter notebook
|
||||
3. Tried to import pandas
|
||||
|
||||
**What I've Tried:**
|
||||
- Ran pip install pandas
|
||||
- Restarted Jupyter
|
||||
```
|
||||
|
||||
### కమ్యూనిటీ వనరులు
|
||||
|
||||
- **GitHub Issues**: [Create an issue](https://github.com/microsoft/Data-Science-For-Beginners/issues/new)
|
||||
- **Discord**: [Join our community](https://aka.ms/ds4beginners/discord)
|
||||
- **Discussions**: [GitHub Discussions](https://github.com/microsoft/Data-Science-For-Beginners/discussions)
|
||||
- **Microsoft Learn**: [Q&A Forums](https://docs.microsoft.com/answers/)
|
||||
|
||||
### సంబంధిత డాక్యుమెంటేషన్
|
||||
|
||||
- [INSTALLATION.md](INSTALLATION.md) - సెటప్ సూచనలు
|
||||
- [USAGE.md](USAGE.md) - పాఠ్యాంశం ఎలా ఉపయోగించాలి
|
||||
- [CONTRIBUTING.md](CONTRIBUTING.md) - ఎలా సహకరించాలి
|
||||
- [README.md](README.md) - ప్రాజెక్ట్ అవలోకనం
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,376 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f546349678757508d69ce9e1d2688446",
|
||||
"translation_date": "2025-12-19T12:43:01+00:00",
|
||||
"source_file": "USAGE.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# ఉపయోగం గైడ్
|
||||
|
||||
ఈ గైడ్ డేటా సైన్స్ ఫర్ బిగినర్స్ పాఠ్యాంశం ఉపయోగించడానికి ఉదాహరణలు మరియు సాధారణ వర్క్ఫ్లోలను అందిస్తుంది.
|
||||
|
||||
## విషయ సూచిక
|
||||
|
||||
- [ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి](../..)
|
||||
- [పాఠాలతో పని చేయడం](../..)
|
||||
- [జుపిటర్ నోట్బుక్స్తో పని చేయడం](../..)
|
||||
- [క్విజ్ అప్లికేషన్ ఉపయోగించడం](../..)
|
||||
- [సాధారణ వర్క్ఫ్లోలు](../..)
|
||||
- [స్వీయ-అభ్యాసకులకు సూచనలు](../..)
|
||||
- [ఉపాధ్యాయులకు సూచనలు](../..)
|
||||
|
||||
## ఈ పాఠ్యాంశాన్ని ఎలా ఉపయోగించాలి
|
||||
|
||||
ఈ పాఠ్యాంశం అనేక విధాలుగా ఉపయోగించడానికి అనువుగా రూపొందించబడింది:
|
||||
|
||||
- **స్వీయ-గతిలో నేర్చుకోవడం**: మీ స్వంత వేగంతో పాఠాలను స్వతంత్రంగా పూర్తి చేయండి
|
||||
- **తరగతి బోధన**: మార్గనిర్దేశక బోధనతో నిర్మిత కోర్సుగా ఉపయోగించండి
|
||||
- **అధ్యయన సమూహాలు**: సహచరులతో కలిసి నేర్చుకోండి
|
||||
- **వర్క్షాప్ ఫార్మాట్**: తీవ్రతరమైన తక్కువకాలిక నేర్చుకునే సెషన్లు
|
||||
|
||||
## పాఠాలతో పని చేయడం
|
||||
|
||||
ప్రతి పాఠం నేర్చుకోవడాన్ని గరిష్టం చేయడానికి ఒక సुस్పష్ట నిర్మాణాన్ని అనుసరిస్తుంది:
|
||||
|
||||
### పాఠ నిర్మాణం
|
||||
|
||||
1. **పాఠానికి ముందు క్విజ్**: మీ ప్రస్తుత జ్ఞానాన్ని పరీక్షించండి
|
||||
2. **స్కెచ్నోట్** (ఐచ్ఛికం): ముఖ్యమైన భావనల దృశ్య సారాంశం
|
||||
3. **వీడియో** (ఐచ్ఛికం): అదనపు వీడియో కంటెంట్
|
||||
4. **వ్రాత పాఠం**: ప్రాథమిక భావనలు మరియు వివరణలు
|
||||
5. **జుపిటర్ నోట్బుక్**: ప్రాక్టికల్ కోడింగ్ వ్యాయామాలు
|
||||
6. **అసైన్మెంట్**: మీరు నేర్చుకున్నదాన్ని అభ్యాసించండి
|
||||
7. **పాఠానికి తర్వాత క్విజ్**: మీ అర్థం చేసుకున్నదాన్ని బలోపేతం చేయండి
|
||||
|
||||
### పాఠానికి ఉదాహరణ వర్క్ఫ్లో
|
||||
|
||||
```bash
|
||||
# 1. పాఠం డైరెక్టరీకి నావిగేట్ చేయండి
|
||||
cd 1-Introduction/01-defining-data-science
|
||||
|
||||
# 2. README.md చదవండి
|
||||
# README.md ను మీ బ్రౌజర్ లేదా ఎడిటర్లో తెరవండి
|
||||
|
||||
# 3. పూర్వ పాఠం క్విజ్ తీసుకోండి
|
||||
# READMEలోని క్విజ్ లింక్పై క్లిక్ చేయండి
|
||||
|
||||
# 4. జూపిటర్ నోట్బుక్ (ఉపలబ్ధి ఉంటే) తెరవండి
|
||||
jupyter notebook
|
||||
|
||||
# 5. నోట్బుక్లోని వ్యాయామాలు పూర్తి చేయండి
|
||||
|
||||
# 6. అసైన్మెంట్పై పని చేయండి
|
||||
|
||||
# 7. పాఠం తర్వాత క్విజ్ తీసుకోండి
|
||||
```
|
||||
|
||||
## జుపిటర్ నోట్బుక్స్తో పని చేయడం
|
||||
|
||||
### జుపిటర్ ప్రారంభించడం
|
||||
|
||||
```bash
|
||||
# మీ వర్చువల్ ఎన్విరాన్మెంట్ను సక్రియం చేయండి
|
||||
source venv/bin/activate # macOS/Linux పై
|
||||
# లేదా
|
||||
venv\Scripts\activate # Windows పై
|
||||
|
||||
# రిపాజిటరీ రూట్ నుండి Jupyter ప్రారంభించండి
|
||||
jupyter notebook
|
||||
```
|
||||
|
||||
### నోట్బుక్ సెల్స్ నడపడం
|
||||
|
||||
1. **ఒక సెల్ నడపండి**: `Shift + Enter` నొక్కండి లేదా "Run" బటన్ క్లిక్ చేయండి
|
||||
2. **అన్ని సెల్స్ నడపండి**: మెనూ నుండి "Cell" → "Run All" ఎంచుకోండి
|
||||
3. **కర్నెల్ రీస్టార్ట్ చేయండి**: సమస్యలు ఎదురైతే "Kernel" → "Restart" ఎంచుకోండి
|
||||
|
||||
### ఉదాహరణ: నోట్బుక్లో డేటాతో పని చేయడం
|
||||
|
||||
```python
|
||||
# అవసరమైన లైబ్రరీలను దిగుమతి చేసుకోండి
|
||||
import pandas as pd
|
||||
import numpy as np
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
# డేటాసెట్ను లోడ్ చేయండి
|
||||
df = pd.read_csv('data/sample.csv')
|
||||
|
||||
# డేటాను అన్వేషించండి
|
||||
df.head()
|
||||
df.info()
|
||||
df.describe()
|
||||
|
||||
# ఒక విజువలైజేషన్ సృష్టించండి
|
||||
plt.figure(figsize=(10, 6))
|
||||
plt.plot(df['column_name'])
|
||||
plt.title('Sample Visualization')
|
||||
plt.xlabel('X-axis Label')
|
||||
plt.ylabel('Y-axis Label')
|
||||
plt.show()
|
||||
```
|
||||
|
||||
### మీ పని సేవ్ చేయడం
|
||||
|
||||
- జుపిటర్ స్వయంచాలకంగా కాలానుగుణంగా సేవ్ చేస్తుంది
|
||||
- మాన్యువల్గా సేవ్ చేయడానికి: `Ctrl + S` (లేదా macOSలో `Cmd + S`) నొక్కండి
|
||||
- మీ పురోగతి `.ipynb` ఫైల్లో సేవ్ అవుతుంది
|
||||
|
||||
## క్విజ్ అప్లికేషన్ ఉపయోగించడం
|
||||
|
||||
### క్విజ్ యాప్ను లోకల్గా నడపడం
|
||||
|
||||
```bash
|
||||
# క్విజ్ యాప్ డైరెక్టరీకి నావిగేట్ చేయండి
|
||||
cd quiz-app
|
||||
|
||||
# డెవలప్మెంట్ సర్వర్ ప్రారంభించండి
|
||||
npm run serve
|
||||
|
||||
# http://localhost:8080 వద్ద యాక్సెస్ చేయండి
|
||||
```
|
||||
|
||||
### క్విజ్లు తీసుకోవడం
|
||||
|
||||
1. పాఠానికి ముందు క్విజ్లు ప్రతి పాఠం టాప్లో లింక్ చేయబడ్డాయి
|
||||
2. పాఠానికి తర్వాత క్విజ్లు ప్రతి పాఠం దిగువన లింక్ చేయబడ్డాయి
|
||||
3. ప్రతి క్విజ్లో 3 ప్రశ్నలు ఉంటాయి
|
||||
4. క్విజ్లు నేర్చుకోవడాన్ని బలోపేతం చేయడానికి రూపొందించబడ్డాయి, పూర్తిగా పరీక్షించడానికి కాదు
|
||||
|
||||
### క్విజ్ సంఖ్యలు
|
||||
|
||||
- క్విజ్లు 0-39 వరకు సంఖ్యాబద్ధం చేయబడ్డాయి (మొత్తం 40 క్విజ్లు)
|
||||
- ప్రతి పాఠానికి సాధారణంగా ఒక పూర్వ మరియు ఒక పశ్చాత్తాప క్విజ్ ఉంటుంది
|
||||
- క్విజ్ URLలు క్విజ్ సంఖ్యను కలిగి ఉంటాయి: `https://ff-quizzes.netlify.app/en/ds/quiz/0`
|
||||
|
||||
## సాధారణ వర్క్ఫ్లోలు
|
||||
|
||||
### వర్క్ఫ్లో 1: పూర్తి ప్రారంభ దారి
|
||||
|
||||
```bash
|
||||
# 1. మీ వాతావరణాన్ని సెట్ చేయండి (INSTALLATION.md చూడండి)
|
||||
|
||||
# 2. పాఠం 1 తో ప్రారంభించండి
|
||||
cd 1-Introduction/01-defining-data-science
|
||||
|
||||
# 3. ప్రతి పాఠం కోసం:
|
||||
# - పాఠం ముందు క్విజ్ తీసుకోండి
|
||||
# - పాఠం విషయాన్ని చదవండి
|
||||
# - నోట్బుక్ ద్వారా పని చేయండి
|
||||
# - అసైన్మెంట్ పూర్తి చేయండి
|
||||
# - పాఠం తర్వాత క్విజ్ తీసుకోండి
|
||||
|
||||
# 4. అన్ని 20 పాఠాలను వరుసగా కొనసాగించండి
|
||||
```
|
||||
|
||||
### వర్క్ఫ్లో 2: ప్రత్యేక అంశం నేర్చుకోవడం
|
||||
|
||||
మీకు ఒక ప్రత్యేక అంశం ఆసక్తి ఉంటే:
|
||||
|
||||
```bash
|
||||
# ఉదాహరణ: డేటా విజువలైజేషన్ పై దృష్టి సారించండి
|
||||
cd 3-Data-Visualization
|
||||
|
||||
# పాఠాలు 9-13 అన్వేషించండి:
|
||||
# - పాఠం 9: పరిమాణాలను విజువలైజ్ చేయడం
|
||||
# - పాఠం 10: పంపిణీలను విజువలైజ్ చేయడం
|
||||
# - పాఠం 11: అనుపాతాలను విజువలైజ్ చేయడం
|
||||
# - పాఠం 12: సంబంధాలను విజువలైజ్ చేయడం
|
||||
# - పాఠం 13: అర్థవంతమైన విజువలైజేషన్లు
|
||||
```
|
||||
|
||||
### వర్క్ఫ్లో 3: ప్రాజెక్ట్ ఆధారిత నేర్చుకోవడం
|
||||
|
||||
```bash
|
||||
# 1. డేటా సైన్స్ లైఫ్సైకిల్ పాఠాలు (14-16) సమీక్షించండి
|
||||
cd 4-Data-Science-Lifecycle
|
||||
|
||||
# 2. ఒక వాస్తవ ప్రపంచ ఉదాహరణపై పని చేయండి (పాఠం 20)
|
||||
cd ../6-Data-Science-In-Wild/20-Real-World-Examples
|
||||
|
||||
# 3. మీ స్వంత ప్రాజెక్టుకు సూత్రాలను వర్తింపజేయండి
|
||||
```
|
||||
|
||||
### వర్క్ఫ్లో 4: క్లౌడ్ ఆధారిత డేటా సైన్స్
|
||||
|
||||
```bash
|
||||
# క్లౌడ్ డేటా సైన్స్ గురించి తెలుసుకోండి (పాఠాలు 17-19)
|
||||
cd 5-Data-Science-In-Cloud
|
||||
|
||||
# 17: క్లౌడ్ డేటా సైన్స్ పరిచయం
|
||||
# 18: లో-కోడ్ ఎంఎల్ టూల్స్
|
||||
# 19: అజ్యూర్ మెషీన్ లెర్నింగ్ స్టూడియో
|
||||
```
|
||||
|
||||
## స్వీయ-అభ్యాసకులకు సూచనలు
|
||||
|
||||
### సక్రమంగా ఉండండి
|
||||
|
||||
```bash
|
||||
# ఒక అభ్యాస జర్నల్ సృష్టించండి
|
||||
mkdir my-learning-journal
|
||||
|
||||
# ప్రతి పాఠం కోసం, గమనికలు సృష్టించండి
|
||||
echo "# Lesson 1 Notes" > my-learning-journal/lesson-01-notes.md
|
||||
```
|
||||
|
||||
### నియమితంగా అభ్యాసం చేయండి
|
||||
|
||||
- ప్రతి రోజు లేదా వారానికి ప్రత్యేక సమయం కేటాయించండి
|
||||
- వారానికి కనీసం ఒక పాఠం పూర్తి చేయండి
|
||||
- గత పాఠాలను కాలానుగుణంగా సమీక్షించండి
|
||||
|
||||
### కమ్యూనిటీతో పాల్గొనండి
|
||||
|
||||
- [Discord కమ్యూనిటీ](https://aka.ms/ds4beginners/discord)లో చేరండి
|
||||
- Discordలో #Data-Science-for-Beginners ఛానెల్లో పాల్గొనండి [Discord చర్చలు](https://aka.ms/ds4beginners/discord)
|
||||
- మీ పురోగతిని పంచుకోండి మరియు ప్రశ్నలు అడగండి
|
||||
|
||||
### మీ స్వంత ప్రాజెక్టులను నిర్మించండి
|
||||
|
||||
పాఠాలు పూర్తి చేసిన తర్వాత, భావనలను వ్యక్తిగత ప్రాజెక్టులకు వర్తించండి:
|
||||
|
||||
```python
|
||||
# ఉదాహరణ: మీ స్వంత డేటాసెట్ను విశ్లేషించండి
|
||||
import pandas as pd
|
||||
|
||||
# మీ స్వంత డేటాను లోడ్ చేయండి
|
||||
my_data = pd.read_csv('my-project/data.csv')
|
||||
|
||||
# నేర్చుకున్న సాంకేతికతలను వర్తింపజేయండి
|
||||
# - డేటా శుభ్రపరిచడం (పాఠం 8)
|
||||
# - అన్వేషణాత్మక డేటా విశ్లేషణ (పాఠం 7)
|
||||
# - విజువలైజేషన్ (పాఠాలు 9-13)
|
||||
# - విశ్లేషణ (పాఠం 15)
|
||||
```
|
||||
|
||||
## ఉపాధ్యాయులకు సూచనలు
|
||||
|
||||
### తరగతి సెటప్
|
||||
|
||||
1. వివరమైన మార్గదర్శకానికి [for-teachers.md](for-teachers.md) ను సమీక్షించండి
|
||||
2. ఒక పంచుకున్న వాతావరణాన్ని ఏర్పాటు చేయండి (GitHub Classroom లేదా Codespaces)
|
||||
3. ఒక కమ్యూనికేషన్ ఛానెల్ను ఏర్పాటు చేయండి (Discord, Slack, లేదా Teams)
|
||||
|
||||
### పాఠం ప్రణాళిక
|
||||
|
||||
**సూచించిన 10-వారం షెడ్యూల్:**
|
||||
|
||||
- **వారం 1-2**: పరిచయం (పాఠాలు 1-4)
|
||||
- **వారం 3-4**: డేటాతో పని (పాఠాలు 5-8)
|
||||
- **వారం 5-6**: డేటా విజువలైజేషన్ (పాఠాలు 9-13)
|
||||
- **వారం 7-8**: డేటా సైన్స్ లైఫ్సైకిల్ (పాఠాలు 14-16)
|
||||
- **వారం 9**: క్లౌడ్ డేటా సైన్స్ (పాఠాలు 17-19)
|
||||
- **వారం 10**: వాస్తవ ప్రపంచ అనువర్తనాలు & తుది ప్రాజెక్టులు (పాఠం 20)
|
||||
|
||||
### ఆఫ్లైన్ యాక్సెస్ కోసం Docsify నడపడం
|
||||
|
||||
```bash
|
||||
# తరగతి గదిలో ఉపయోగానికి స్థానికంగా డాక్యుమెంటేషన్ అందించండి
|
||||
docsify serve
|
||||
|
||||
# విద్యార్థులు localhost:3000 వద్ద యాక్సెస్ చేయవచ్చు
|
||||
# ప్రారంభ సెటప్ తర్వాత ఇంటర్నెట్ అవసరం లేదు
|
||||
```
|
||||
|
||||
### అసైన్మెంట్ గ్రేడింగ్
|
||||
|
||||
- పూర్తి చేసిన వ్యాయామాల కోసం విద్యార్థి నోట్బుక్స్ సమీక్షించండి
|
||||
- క్విజ్ స్కోర్ల ద్వారా అర్థం చేసుకున్నదాన్ని తనిఖీ చేయండి
|
||||
- డేటా సైన్స్ లైఫ్సైకిల్ సూత్రాలను ఉపయోగించి తుది ప్రాజెక్టులను మూల్యాంకనం చేయండి
|
||||
|
||||
### అసైన్మెంట్లు సృష్టించడం
|
||||
|
||||
```python
|
||||
# ఉదాహరణ కస్టమ్ అసైన్మెంట్ టెంప్లేట్
|
||||
"""
|
||||
Assignment: [Topic]
|
||||
|
||||
Objective: [Learning goal]
|
||||
|
||||
Dataset: [Provide or have students find one]
|
||||
|
||||
Tasks:
|
||||
1. Load and explore the dataset
|
||||
2. Clean and prepare the data
|
||||
3. Create at least 3 visualizations
|
||||
4. Perform analysis
|
||||
5. Communicate findings
|
||||
|
||||
Deliverables:
|
||||
- Jupyter notebook with code and explanations
|
||||
- Written summary of findings
|
||||
"""
|
||||
```
|
||||
|
||||
## ఆఫ్లైన్లో పని చేయడం
|
||||
|
||||
### వనరులను డౌన్లోడ్ చేయండి
|
||||
|
||||
```bash
|
||||
# మొత్తం రిపోజిటరీని క్లోన్ చేయండి
|
||||
git clone https://github.com/microsoft/Data-Science-For-Beginners.git
|
||||
|
||||
# ముందుగా డేటాసెట్లను డౌన్లోడ్ చేసుకోండి
|
||||
# ఎక్కువ డేటాసెట్లు రిపోజిటరీలోనే ఉన్నాయి
|
||||
```
|
||||
|
||||
### డాక్యుమెంటేషన్ను లోకల్గా నడపండి
|
||||
|
||||
```bash
|
||||
# Docsify తో సేవ్ చేయండి
|
||||
docsify serve
|
||||
|
||||
# localhost:3000 వద్ద యాక్సెస్ చేయండి
|
||||
```
|
||||
|
||||
### క్విజ్ యాప్ను లోకల్గా నడపండి
|
||||
|
||||
```bash
|
||||
cd quiz-app
|
||||
npm run serve
|
||||
```
|
||||
|
||||
## అనువదించిన కంటెంట్ యాక్సెస్ చేయడం
|
||||
|
||||
40+ భాషల్లో అనువాదాలు అందుబాటులో ఉన్నాయి:
|
||||
|
||||
```bash
|
||||
# అనువదించిన పాఠాలను యాక్సెస్ చేయండి
|
||||
cd translations/fr # ఫ్రెంచ్
|
||||
cd translations/es # స్పానిష్
|
||||
cd translations/de # జర్మన్
|
||||
# ... మరియు మరిన్ని
|
||||
```
|
||||
|
||||
ప్రతి అనువాదం ఆంగ్ల సంస్కరణతో సమాన నిర్మాణాన్ని కలిగి ఉంటుంది.
|
||||
|
||||
## అదనపు వనరులు
|
||||
|
||||
### నేర్చుకోవడం కొనసాగించండి
|
||||
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - అదనపు నేర్చుకునే మార్గాలు
|
||||
- [Student Hub](https://docs.microsoft.com/learn/student-hub) - విద్యార్థుల కోసం వనరులు
|
||||
- [Azure AI Foundry](https://aka.ms/foundry/forum) - కమ్యూనిటీ ఫోరం
|
||||
|
||||
### సంబంధిత పాఠ్యాంశాలు
|
||||
|
||||
- [AI for Beginners](https://aka.ms/ai-beginners)
|
||||
- [ML for Beginners](https://aka.ms/ml-beginners)
|
||||
- [Web Dev for Beginners](https://aka.ms/webdev-beginners)
|
||||
- [Generative AI for Beginners](https://aka.ms/genai-beginners)
|
||||
|
||||
## సహాయం పొందడం
|
||||
|
||||
- సాధారణ సమస్యల కోసం [TROUBLESHOOTING.md](TROUBLESHOOTING.md) ను తనిఖీ చేయండి
|
||||
- [GitHub Issues](https://github.com/microsoft/Data-Science-For-Beginners/issues) లో శోధించండి
|
||||
- మా [Discord](https://aka.ms/ds4beginners/discord)లో చేరండి
|
||||
- సమస్యలను నివేదించడానికి లేదా సహకరించడానికి [CONTRIBUTING.md](CONTRIBUTING.md) ను సమీక్షించండి
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,42 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3767555b3cc28a2865c79202f4374204",
|
||||
"translation_date": "2025-12-19T13:30:16+00:00",
|
||||
"source_file": "docs/_sidebar.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
- పరిచయం
|
||||
- [డేటా సైన్స్ నిర్వచనం](../1-Introduction/01-defining-data-science/README.md)
|
||||
- [డేటా సైన్స్ నైతికత](../1-Introduction/02-ethics/README.md)
|
||||
- [డేటా నిర్వచనం](../1-Introduction/03-defining-data/README.md)
|
||||
- [సంభావ్యత మరియు గణాంకాలు](../1-Introduction/04-stats-and-probability/README.md)
|
||||
- డేటాతో పని చేయడం
|
||||
- [సంబంధిత డేటాబేసులు](../2-Working-With-Data/05-relational-databases/README.md)
|
||||
- [సంబంధం లేని డేటాబేసులు](../2-Working-With-Data/06-non-relational/README.md)
|
||||
- [పైథాన్](../2-Working-With-Data/07-python/README.md)
|
||||
- [డేటా సిద్ధం చేయడం](../2-Working-With-Data/08-data-preparation/README.md)
|
||||
- డేటా విజువలైజేషన్
|
||||
- [పరిమాణాలను విజువలైజ్ చేయడం](../3-Data-Visualization/09-visualization-quantities/README.md)
|
||||
- [వితరణలను విజువలైజ్ చేయడం](../3-Data-Visualization/10-visualization-distributions/README.md)
|
||||
- [అనుపాతాలను విజువలైజ్ చేయడం](../3-Data-Visualization/11-visualization-proportions/README.md)
|
||||
- [సంబంధాలను విజువలైజ్ చేయడం](../3-Data-Visualization/12-visualization-relationships/README.md)
|
||||
- [అర్థవంతమైన విజువలైజేషన్లు](../3-Data-Visualization/13-meaningful-visualizations/README.md)
|
||||
- డేటా సైన్స్ జీవన చక్రం
|
||||
- [పరిచయం](../4-Data-Science-Lifecycle/14-Introduction/README.md)
|
||||
- [విశ్లేషణ](../4-Data-Science-Lifecycle/15-analyzing/README.md)
|
||||
- [సంవాదం](../4-Data-Science-Lifecycle/16-communication/README.md)
|
||||
- క్లౌడ్లో డేటా సైన్స్
|
||||
- [పరిచయం](../5-Data-Science-In-Cloud/17-Introduction/README.md)
|
||||
- [లో కోడ్](../5-Data-Science-In-Cloud/18-Low-Code/README.md)
|
||||
- [అజ్యూర్](../5-Data-Science-In-Cloud/19-Azure/README.md)
|
||||
- వన్యప్రదేశంలో డేటా సైన్స్
|
||||
- [DS వన్యప్రదేశంలో](../6-Data-Science-In-Wild/README.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,151 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "9bef7fd96c8f262339933117d9b3e342",
|
||||
"translation_date": "2025-12-19T13:27:07+00:00",
|
||||
"source_file": "examples/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# ప్రారంభికులకు అనుకూలమైన డేటా సైన్స్ ఉదాహరణలు
|
||||
|
||||
ఉదాహరణల డైరెక్టరీకి స్వాగతం! ఈ సులభమైన, బాగా వ్యాఖ్యానించిన ఉదాహరణల సేకరణ డేటా సైన్స్ ప్రారంభించడానికి మీకు సహాయపడేందుకు రూపొందించబడింది, మీరు పూర్తిగా కొత్తవారైనా సరే.
|
||||
|
||||
## 📚 మీరు ఇక్కడ ఏమి కనుగొంటారు
|
||||
|
||||
ప్రతి ఉదాహరణ స్వతంత్రంగా ఉంటుంది మరియు ఇందులో ఉంటుంది:
|
||||
- **ప్రతి దశను వివరించే స్పష్టమైన వ్యాఖ్యలు**
|
||||
- **ఒక్కో సారి ఒక కాన్సెప్ట్ను చూపించే సులభమైన, చదవదగిన కోడ్**
|
||||
- **ఈ సాంకేతికతలను ఎప్పుడు మరియు ఎందుకు ఉపయోగించాలో అర్థం చేసుకోవడానికి వాస్తవ ప్రపంచ సందర్భం**
|
||||
- **మీరు ఏమి చూడాలో తెలుసుకునేందుకు ఆశించిన అవుట్పుట్**
|
||||
|
||||
## 🚀 ప్రారంభించడం
|
||||
|
||||
### ముందస్తు అవసరాలు
|
||||
ఈ ఉదాహరణలను నడపడానికి ముందు, మీరు కలిగి ఉండాలి:
|
||||
- Python 3.7 లేదా అంతకంటే పైగా ఇన్స్టాల్ చేయబడింది
|
||||
- Python స్క్రిప్టులను ఎలా నడపాలో ప్రాథమిక అవగాహన
|
||||
|
||||
### అవసరమైన లైబ్రరీలను ఇన్స్టాల్ చేయడం
|
||||
```bash
|
||||
pip install pandas numpy matplotlib
|
||||
```
|
||||
|
||||
## 📖 ఉదాహరణల అవలోకనం
|
||||
|
||||
### 1. హలో వరల్డ్ - డేటా సైన్స్ శైలి
|
||||
**ఫైల్:** `01_hello_world_data_science.py`
|
||||
|
||||
మీ మొదటి డేటా సైన్స్ ప్రోగ్రామ్! నేర్చుకోండి:
|
||||
- సులభమైన డేటాసెట్ను లోడ్ చేయడం
|
||||
- మీ డేటా గురించి ప్రాథమిక సమాచారం ప్రదర్శించడం
|
||||
- మీ మొదటి డేటా సైన్స్ అవుట్పుట్ను ప్రింట్ చేయడం
|
||||
|
||||
పూర్తిగా కొత్తవారికి ఇది వారి మొదటి డేటా సైన్స్ ప్రోగ్రామ్ను ప్రత్యక్షంగా చూడటానికి సరైనది.
|
||||
|
||||
---
|
||||
|
||||
### 2. డేటాను లోడ్ చేసి అన్వేషించడం
|
||||
**ఫైల్:** `02_loading_data.py`
|
||||
|
||||
డేటాతో పని చేసే ప్రాథమిక విషయాలు నేర్చుకోండి:
|
||||
- CSV ఫైళ్ల నుండి డేటాను చదవడం
|
||||
- మీ డేటాసెట్ యొక్క మొదటి కొన్ని వరుసలను చూడడం
|
||||
- మీ డేటా గురించి ప్రాథమిక గణాంకాలు పొందడం
|
||||
- డేటా రకాల్ని అర్థం చేసుకోవడం
|
||||
|
||||
ఇది సాధారణంగా ఏ డేటా సైన్స్ ప్రాజెక్ట్లో మొదటి దశ!
|
||||
|
||||
---
|
||||
|
||||
### 3. సులభమైన డేటా విశ్లేషణ
|
||||
**ఫైల్:** `03_simple_analysis.py`
|
||||
|
||||
మీ మొదటి డేటా విశ్లేషణను చేయండి:
|
||||
- ప్రాథమిక గణాంకాలు (సగటు, మధ్య విలువ, మోడ్) లెక్కించడం
|
||||
- గరిష్ట మరియు కనిష్ట విలువలను కనుగొనడం
|
||||
- విలువల సంభవాలను లెక్కించడం
|
||||
- షరతుల ఆధారంగా డేటాను ఫిల్టర్ చేయడం
|
||||
|
||||
మీ డేటా గురించి సులభమైన ప్రశ్నలకు ఎలా సమాధానం చెప్పాలో చూడండి.
|
||||
|
||||
---
|
||||
|
||||
### 4. డేటా విజువలైజేషన్ ప్రాథమికాలు
|
||||
**ఫైల్:** `04_basic_visualization.py`
|
||||
|
||||
మీ మొదటి విజువలైజేషన్లను సృష్టించండి:
|
||||
- సులభమైన బార్ చార్ట్ తయారు చేయండి
|
||||
- లైన్ ప్లాట్ సృష్టించండి
|
||||
- పై చార్ట్ రూపొందించండి
|
||||
- మీ విజువలైజేషన్లను చిత్రాలుగా సేవ్ చేయండి
|
||||
|
||||
మీ కనుగొన్న విషయాలను దృశ్యంగా ఎలా తెలియజేయాలో నేర్చుకోండి!
|
||||
|
||||
---
|
||||
|
||||
### 5. వాస్తవ డేటాతో పని చేయడం
|
||||
**ఫైల్:** `05_real_world_example.py`
|
||||
|
||||
మొత్తం ఉదాహరణతో అన్ని దశలను కలిపి చేయండి:
|
||||
- రిపాజిటరీ నుండి వాస్తవ డేటాను లోడ్ చేయండి
|
||||
- డేటాను శుభ్రపరచి సిద్ధం చేయండి
|
||||
- విశ్లేషణ చేయండి
|
||||
- అర్థవంతమైన విజువలైజేషన్లు సృష్టించండి
|
||||
- తేలికపాటి నిర్ణయాలు తీసుకోండి
|
||||
|
||||
ఈ ఉదాహరణ ప్రారంభం నుండి ముగింపు వరకు పూర్తి వర్క్ఫ్లో చూపిస్తుంది.
|
||||
|
||||
---
|
||||
|
||||
## 🎯 ఈ ఉదాహరణలను ఎలా ఉపయోగించాలి
|
||||
|
||||
1. **ప్రారంభం నుండి మొదలుపెట్టండి**: ఉదాహరణలు కష్టతరతలో సంఖ్యాబద్ధం చేయబడ్డాయి. `01_hello_world_data_science.py` తో మొదలుపెట్టి ముందుకు సాగండి.
|
||||
|
||||
2. **వ్యాఖ్యలను చదవండి**: ప్రతి ఫైల్లో కోడ్ ఏమి చేస్తుందో మరియు ఎందుకు చేస్తుందో వివరించే వ్యాఖ్యలు ఉంటాయి. వాటిని జాగ్రత్తగా చదవండి!
|
||||
|
||||
3. **ప్రయోగాలు చేయండి**: కోడ్ను మార్చి చూడండి. ఒక విలువ మార్చితే ఏమవుతుంది? తప్పులు చేయండి, వాటిని సరిచేయండి - ఇదే నేర్చుకునే విధానం!
|
||||
|
||||
4. **కోడ్ నడపండి**: ప్రతి ఉదాహరణను అమలు చేసి అవుట్పుట్ను గమనించండి. మీరు ఆశించినదితో పోల్చండి.
|
||||
|
||||
5. **దీనిపై అభివృద్ధి చేయండి**: ఒక ఉదాహరణను అర్థం చేసుకున్న తర్వాత, దానిని మీ స్వంత ఆలోచనలతో విస్తరించండి.
|
||||
|
||||
## 💡 ప్రారంభికులకు సూచనలు
|
||||
|
||||
- **అలసిపోకండి**: ప్రతి ఉదాహరణను అర్థం చేసుకోవడానికి సమయం తీసుకోండి, తర్వాత తదుపరి దానికి వెళ్లండి
|
||||
- **కోడ్ను స్వయంగా టైప్ చేయండి**: కాపీ-పేస్ట్ చేయకండి. టైపింగ్ చేయడం మీకు నేర్చుకోవడంలో మరియు గుర్తుంచుకోవడంలో సహాయపడుతుంది
|
||||
- **అజ్ఞాత కాన్సెప్ట్లను వెతకండి**: మీరు అర్థం చేసుకోలేని ఏదైనా ఉంటే, ఆన్లైన్లో లేదా ప్రధాన పాఠాలలో వెతకండి
|
||||
- **ప్రశ్నలు అడగండి**: సహాయం కావాలంటే [చర్చా ఫోరం](https://github.com/microsoft/Data-Science-For-Beginners/discussions) లో చేరండి
|
||||
- **నియమితంగా అభ్యాసం చేయండి**: వారానికి ఒకసారి పెద్ద సెషన్ల కంటే ప్రతిరోజూ కొంత కోడ్ చేయడానికి ప్రయత్నించండి
|
||||
|
||||
## 🔗 తదుపరి దశలు
|
||||
|
||||
ఈ ఉదాహరణలను పూర్తి చేసిన తర్వాత, మీరు సిద్ధంగా ఉంటారు:
|
||||
- ప్రధాన పాఠ్యాంశాల ద్వారా పని చేయడానికి
|
||||
- ప్రతి పాఠం ఫోల్డర్లో అసైన్మెంట్లను ప్రయత్నించడానికి
|
||||
- మరింత లోతైన నేర్చుకోవడానికి జూపిటర్ నోట్బుక్స్ను అన్వేషించడానికి
|
||||
- మీ స్వంత డేటా సైన్స్ ప్రాజెక్టులను సృష్టించడానికి
|
||||
|
||||
## 📚 అదనపు వనరులు
|
||||
|
||||
- [ప్రధాన పాఠ్యాంశం](../README.md) - పూర్తి 20-పాఠాల కోర్సు
|
||||
- [ఉపాధ్యాయుల కోసం](../for-teachers.md) - ఈ పాఠ్యాంశాన్ని మీ తరగతిలో ఉపయోగించడం
|
||||
- [Microsoft Learn](https://docs.microsoft.com/learn/) - ఉచిత ఆన్లైన్ నేర్చుకునే వనరులు
|
||||
- [Python డాక్యుమెంటేషన్](https://docs.python.org/3/) - అధికారిక Python సూచిక
|
||||
|
||||
## 🤝 సహకారం
|
||||
|
||||
ఏదైనా బగ్ కనుగొన్నారా లేదా కొత్త ఉదాహరణకు ఆలోచన ఉందా? మేము సహకారాలను స్వాగతిస్తున్నాము! దయచేసి మా [సహకార మార్గదర్శకాన్ని](../CONTRIBUTING.md) చూడండి.
|
||||
|
||||
---
|
||||
|
||||
**సంతోషంగా నేర్చుకోండి! 🎉**
|
||||
|
||||
గుర్తుంచుకోండి: ప్రతి నిపుణుడు ఒకప్పుడు ప్రారంభికుడే. ఒక్కో దశలో ఒకట씩 తీసుకోండి, తప్పులు చేయడాన్ని భయపడకండి - అవి నేర్చుకునే ప్రక్రియలో భాగమే!
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,78 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "f7440be10c17a8a9262713af3d2818a9",
|
||||
"translation_date": "2025-12-19T12:40:05+00:00",
|
||||
"source_file": "for-teachers.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
## For Educators
|
||||
|
||||
మీ తరగతిలో ఈ పాఠ్యాంశాన్ని ఉపయోగించాలనుకుంటున్నారా? దయచేసి స్వేచ్ఛగా ఉపయోగించండి!
|
||||
|
||||
వాస్తవానికి, మీరు GitHub Classroom ఉపయోగించి GitHub లోనే దీన్ని ఉపయోగించవచ్చు.
|
||||
|
||||
అందుకోసం, ఈ రిపోను ఫోర్క్ చేయండి. ప్రతి పాఠం కోసం ఒక రిపో సృష్టించాల్సి ఉంటుంది, కాబట్టి ప్రతి ఫోల్డర్ను వేరే రిపోగా విడగొట్టాలి. అలా చేస్తే, [GitHub Classroom](https://classroom.github.com/classrooms) ప్రతి పాఠాన్ని వేరుగా ఎంచుకోగలదు.
|
||||
|
||||
ఈ [పూర్తి సూచనలు](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) మీ తరగతిని ఎలా ఏర్పాటు చేయాలో మీకు ఆలోచన ఇస్తాయి.
|
||||
|
||||
## Using the repo as is
|
||||
|
||||
మీరు GitHub Classroom ఉపయోగించకుండా ఈ రిపోను ప్రస్తుతం ఉన్నట్లుగా ఉపయోగించాలనుకుంటే, అది కూడా చేయవచ్చు. మీరు మీ విద్యార్థులతో ఏ పాఠం మీద కలిసి పని చేయాలో కమ్యూనికేట్ చేయాలి.
|
||||
|
||||
ఆన్లైన్ ఫార్మాట్లో (Zoom, Teams, లేదా ఇతర) మీరు క్విజ్ల కోసం బ్రేక్అవుట్ రూమ్లు ఏర్పాటు చేసి, విద్యార్థులను నేర్చుకునేందుకు సన్నద్ధం చేయడానికి మెంటర్ చేయవచ్చు. ఆపై విద్యార్థులను క్విజ్లకు ఆహ్వానించి, వారి సమాధానాలను ఒక నిర్దిష్ట సమయంలో 'issues'గా సమర్పించమని చెప్పవచ్చు. మీరు విద్యార్థులు కలిసి పని చేయాలని అనుకుంటే, అసైన్మెంట్లతో కూడా ఇదే విధంగా చేయవచ్చు.
|
||||
|
||||
మీకు ప్రైవేట్ ఫార్మాట్ ఇష్టమైతే, విద్యార్థులు పాఠ్యాంశాన్ని ఒక్కో పాఠం వారీగా వారి స్వంత GitHub రిపోస్గా ఫోర్క్ చేసి, ప్రైవేట్ రిపోస్గా ఉంచి, మీకు యాక్సెస్ ఇవ్వమని చెప్పండి. అప్పుడు వారు క్విజ్లు మరియు అసైన్మెంట్లను ప్రైవేట్గా పూర్తి చేసి, మీ క్లాస్రూమ్ రిపోలో issues ద్వారా సమర్పించవచ్చు.
|
||||
|
||||
ఆన్లైన్ తరగతి ఫార్మాట్లో దీన్ని పనిచేయించడానికి అనేక మార్గాలు ఉన్నాయి. మీకు ఏది బాగా పనిచేస్తుందో మాకు తెలియజేయండి!
|
||||
|
||||
## Included in this curriculum:
|
||||
|
||||
20 పాఠాలు, 40 క్విజ్లు, మరియు 20 అసైన్మెంట్లు. విజువల్ లెర్నర్స్ కోసం పాఠాలతో పాటు స్కెచ్నోట్లు ఉన్నాయి. చాలా పాఠాలు Python మరియు R రెండింటిలో అందుబాటులో ఉన్నాయి మరియు VS Code లో Jupyter నోట్బుక్స్ ఉపయోగించి పూర్తి చేయవచ్చు. ఈ టెక్ స్టాక్ను ఉపయోగించడానికి మీ తరగతిని ఎలా ఏర్పాటు చేయాలో తెలుసుకోండి: https://code.visualstudio.com/docs/datascience/jupyter-notebooks.
|
||||
|
||||
అన్ని స్కెచ్నోట్లు, పెద్ద ఫార్మాట్ పోస్టర్ సహా, [ఈ ఫోల్డర్లో](../../sketchnotes) ఉన్నాయి.
|
||||
|
||||
మీరు ఈ పాఠ్యాంశాన్ని స్టాండలోన్, ఆఫ్లైన్-ఫ్రెండ్లీ వెబ్సైట్గా కూడా నడిపించవచ్చు [Docsify](https://docsify.js.org/#/) ఉపయోగించి. మీ స్థానిక యంత్రంలో [Docsifyని ఇన్స్టాల్](https://docsify.js.org/#/quickstart) చేసి, ఈ రిపో యొక్క రూట్ ఫోల్డర్లో `docsify serve` టైప్ చేయండి. వెబ్సైట్ మీ స్థానిక హోస్ట్లో పోర్ట్ 3000 పై సర్వ్ అవుతుంది: `localhost:3000`.
|
||||
|
||||
పాఠ్యాంశం యొక్క ఆఫ్లైన్-ఫ్రెండ్లీ వెర్షన్ స్టాండలోన్ వెబ్ పేజీగా తెరుస్తుంది: https://localhost:3000
|
||||
|
||||
పాఠాలు 6 భాగాలుగా విభజించబడ్డాయి:
|
||||
|
||||
- 1: పరిచయం
|
||||
- 1: డేటా సైన్స్ నిర్వచనం
|
||||
- 2: నైతికత
|
||||
- 3: డేటా నిర్వచనం
|
||||
- 4: ప్రాబబిలిటీ మరియు స్టాటిస్టిక్స్ అవలోకనం
|
||||
- 2: డేటాతో పని చేయడం
|
||||
- 5: రిలేషనల్ డేటాబేసులు
|
||||
- 6: నాన్-రిలేషనల్ డేటాబేసులు
|
||||
- 7: Python
|
||||
- 8: డేటా ప్రిపరేషన్
|
||||
- 3: డేటా విజువలైజేషన్
|
||||
- 9: పరిమాణాల విజువలైజేషన్
|
||||
- 10: పంపిణీల విజువలైజేషన్
|
||||
- 11: అనుపాతాల విజువలైజేషన్
|
||||
- 12: సంబంధాల విజువలైజేషన్
|
||||
- 13: అర్థవంతమైన విజువలైజేషన్లు
|
||||
- 4: డేటా సైన్స్ లైఫ్సైకిల్
|
||||
- 14: పరిచయం
|
||||
- 15: విశ్లేషణ
|
||||
- 16: కమ్యూనికేషన్
|
||||
- 5: క్లౌడ్లో డేటా సైన్స్
|
||||
- 17: పరిచయం
|
||||
- 18: లో-కోడ్ ఎంపికలు
|
||||
- 19: Azure
|
||||
- 6: వన్యప్రదేశంలో డేటా సైన్స్
|
||||
- 20: అవలోకనం
|
||||
|
||||
## Please give us your thoughts!
|
||||
|
||||
మేము ఈ పాఠ్యాంశాన్ని మీకు మరియు మీ విద్యార్థులకు ఉపయోగపడేలా చేయాలనుకుంటున్నాము. దయచేసి చర్చా బోర్డుల్లో మాకు అభిప్రాయం ఇవ్వండి! మీ విద్యార్థుల కోసం చర్చా బోర్డుల్లో క్లాస్రూమ్ ప్రాంతం సృష్టించడానికి స్వేచ్ఛగా ఉండండి.
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వలన కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,140 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "e92c33ea498915a13c9aec162616db18",
|
||||
"translation_date": "2025-12-19T13:24:56+00:00",
|
||||
"source_file": "quiz-app/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
# క్విజ్లు
|
||||
|
||||
ఈ క్విజ్లు https://aka.ms/datascience-beginners వద్ద డేటా సైన్స్ పాఠ్యక్రమం కోసం ప్రీ- మరియు పోస్ట్-లెక్చర్ క్విజ్లు.
|
||||
|
||||
## అనువాద క్విజ్ సెట్ను జోడించడం
|
||||
|
||||
`assets/translations` ఫోల్డర్లలో సరిపోయే క్విజ్ నిర్మాణాలను సృష్టించడం ద్వారా క్విజ్ అనువాదాన్ని జోడించండి. కెనానికల్ క్విజ్లు `assets/translations/en` లో ఉన్నాయి. క్విజ్లు అనేక గ్రూపులుగా విభజించబడ్డాయి. సరైన క్విజ్ విభాగంతో సంఖ్యను సరిపోల్చండి. ఈ పాఠ్యక్రమంలో మొత్తం 40 క్విజ్లు ఉన్నాయి, సంఖ్య 0 నుండి ప్రారంభమవుతుంది.
|
||||
|
||||
అనువాదాలను సవరించిన తర్వాత, `en` లోని నియమాలను అనుసరించి అన్ని ఫైళ్లను దిగుమతి చేసుకోవడానికి అనువాద ఫోల్డర్లోని index.js ఫైల్ను సవరించండి.
|
||||
|
||||
తర్వాత, కొత్త అనువాద ఫైళ్లను దిగుమతి చేసుకోవడానికి `assets/translations` లోని `index.js` ఫైల్ను సవరించండి.
|
||||
|
||||
తరువాత, ఈ యాప్లోని `App.vue` లోని డ్రాప్డౌన్ను సవరించి మీ భాషను జోడించండి. స్థానికీకరించిన సంక్షిప్త రూపాన్ని మీ భాష ఫోల్డర్ పేరుతో సరిపోల్చండి.
|
||||
|
||||
చివరగా, అనువాద పాఠాలలో ఉన్నట్లయితే అన్ని క్విజ్ లింకులను సవరించి ఈ స్థానికీకరణను క్వెరీ పరామితిగా చేర్చండి: ఉదాహరణకు `?loc=fr`.
|
||||
|
||||
## ప్రాజెక్ట్ సెటప్
|
||||
|
||||
```
|
||||
npm install
|
||||
```
|
||||
|
||||
### అభివృద్ధి కోసం కంపైల్ చేసి హాట్-రిలోడ్ చేస్తుంది
|
||||
|
||||
```
|
||||
npm run serve
|
||||
```
|
||||
|
||||
### ఉత్పత్తి కోసం కంపైల్ చేసి మినిఫై చేస్తుంది
|
||||
|
||||
```
|
||||
npm run build
|
||||
```
|
||||
|
||||
### ఫైళ్లను లింట్ చేసి సరిచేస్తుంది
|
||||
|
||||
```
|
||||
npm run lint
|
||||
```
|
||||
|
||||
### కాన్ఫిగరేషన్ను అనుకూలీకరించండి
|
||||
|
||||
[Configuration Reference](https://cli.vuejs.org/config/) చూడండి.
|
||||
|
||||
క్రెడిట్స్: ఈ క్విజ్ యాప్ యొక్క అసలు వెర్షన్కు ధన్యవాదాలు: https://github.com/arpan45/simple-quiz-vue
|
||||
|
||||
## Azure కు డిప్లాయ్ చేయడం
|
||||
|
||||
మీరు ప్రారంభించడానికి సహాయపడే దశల వారీ గైడ్ ఇక్కడ ఉంది:
|
||||
|
||||
1. GitHub రిపాజిటరీని ఫోర్క్ చేయండి
|
||||
మీ స్థిర వెబ్ యాప్ కోడ్ మీ GitHub రిపాజిటరీలో ఉందని నిర్ధారించుకోండి. ఈ రిపాజిటరీని ఫోర్క్ చేయండి.
|
||||
|
||||
2. Azure స్థిర వెబ్ యాప్ సృష్టించండి
|
||||
- [Azure ఖాతా](http://azure.microsoft.com) సృష్టించండి
|
||||
- [Azure పోర్టల్](https://portal.azure.com) కు వెళ్లండి
|
||||
- "Create a resource" పై క్లిక్ చేసి "Static Web App" కోసం శోధించండి.
|
||||
- "Create" పై క్లిక్ చేయండి.
|
||||
|
||||
3. స్థిర వెబ్ యాప్ను కాన్ఫిగర్ చేయండి
|
||||
- ప్రాథమికాలు: సబ్స్క్రిప్షన్: మీ Azure సబ్స్క్రిప్షన్ను ఎంచుకోండి.
|
||||
- రిసోర్స్ గ్రూప్: కొత్త రిసోర్స్ గ్రూప్ సృష్టించండి లేదా ఉన్నదాన్ని ఉపయోగించండి.
|
||||
- పేరు: మీ స్థిర వెబ్ యాప్కు పేరు ఇవ్వండి.
|
||||
- ప్రాంతం: మీ వినియోగదారులకు సమీప ప్రాంతాన్ని ఎంచుకోండి.
|
||||
|
||||
- #### డిప్లాయ్మెంట్ వివరాలు:
|
||||
- మూలం: "GitHub" ను ఎంచుకోండి.
|
||||
- GitHub ఖాతా: Azure కు మీ GitHub ఖాతా యాక్సెస్ను అనుమతించండి.
|
||||
- సంస్థ: మీ GitHub సంస్థను ఎంచుకోండి.
|
||||
- రిపాజిటరీ: మీ స్థిర వెబ్ యాప్ ఉన్న రిపాజిటరీని ఎంచుకోండి.
|
||||
- బ్రాంచ్: మీరు డిప్లాయ్ చేయదలచిన బ్రాంచ్ను ఎంచుకోండి.
|
||||
|
||||
- #### బిల్డ్ వివరాలు:
|
||||
- బిల్డ్ ప్రీసెట్లు: మీ యాప్ నిర్మించబడిన ఫ్రేమ్వర్క్ను ఎంచుకోండి (ఉదా: React, Angular, Vue, మొదలైనవి).
|
||||
- యాప్ లొకేషన్: మీ యాప్ కోడ్ ఉన్న ఫోల్డర్ను పేర్కొనండి (ఉదా: రూట్లో ఉంటే /).
|
||||
- API లొకేషన్: మీకు API ఉంటే, దాని స్థానం (ఐచ్ఛికం) పేర్కొనండి.
|
||||
- అవుట్పుట్ లొకేషన్: బిల్డ్ అవుట్పుట్ ఉత్పత్తి అయ్యే ఫోల్డర్ను పేర్కొనండి (ఉదా: build లేదా dist).
|
||||
|
||||
4. సమీక్షించి సృష్టించండి
|
||||
మీ సెట్టింగులను సమీక్షించి "Create" పై క్లిక్ చేయండి. Azure అవసరమైన వనరులను సెట్ చేసి మీ రిపాజిటరీలో GitHub Actions వర్క్ఫ్లోని సృష్టిస్తుంది.
|
||||
|
||||
5. GitHub Actions వర్క్ఫ్లో
|
||||
Azure మీ రిపాజిటరీలో (.github/workflows/azure-static-web-apps-<name>.yml) GitHub Actions వర్క్ఫ్లో ఫైల్ను ఆటోమేటిక్గా సృష్టిస్తుంది. ఈ వర్క్ఫ్లో బిల్డ్ మరియు డిప్లాయ్మెంట్ ప్రక్రియను నిర్వహిస్తుంది.
|
||||
|
||||
6. డిప్లాయ్మెంట్ను పర్యవేక్షించండి
|
||||
మీ GitHub రిపాజిటరీలో "Actions" ట్యాబ్కు వెళ్లండి.
|
||||
ఒక వర్క్ఫ్లో నడుస్తున్నట్లు మీరు చూడగలుగుతారు. ఈ వర్క్ఫ్లో మీ స్థిర వెబ్ యాప్ను Azure కు బిల్డ్ చేసి డిప్లాయ్ చేస్తుంది.
|
||||
వర్క్ఫ్లో పూర్తయిన తర్వాత, మీ యాప్ అందించిన Azure URL పై లైవ్ అవుతుంది.
|
||||
|
||||
### ఉదాహరణ వర్క్ఫ్లో ఫైల్
|
||||
|
||||
GitHub Actions వర్క్ఫ్లో ఫైల్ ఎలా ఉండవచ్చో ఉదాహరణ ఇక్కడ ఉంది:
|
||||
name: Azure Static Web Apps CI/CD
|
||||
```
|
||||
on:
|
||||
push:
|
||||
branches:
|
||||
- main
|
||||
pull_request:
|
||||
types: [opened, synchronize, reopened, closed]
|
||||
branches:
|
||||
- main
|
||||
|
||||
jobs:
|
||||
build_and_deploy_job:
|
||||
runs-on: ubuntu-latest
|
||||
name: Build and Deploy Job
|
||||
steps:
|
||||
- uses: actions/checkout@v2
|
||||
- name: Build And Deploy
|
||||
id: builddeploy
|
||||
uses: Azure/static-web-apps-deploy@v1
|
||||
with:
|
||||
azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }}
|
||||
repo_token: ${{ secrets.GITHUB_TOKEN }}
|
||||
action: "upload"
|
||||
app_location: "quiz-app" # App source code path
|
||||
api_location: ""API source code path optional
|
||||
output_location: "dist" #Built app content directory - optional
|
||||
```
|
||||
|
||||
### అదనపు వనరులు
|
||||
- [Azure Static Web Apps డాక్యుమెంటేషన్](https://learn.microsoft.com/azure/static-web-apps/getting-started)
|
||||
- [GitHub Actions డాక్యుమెంటేషన్](https://docs.github.com/actions/use-cases-and-examples/deploying/deploying-to-azure-static-web-app)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
@ -0,0 +1,23 @@
|
||||
<!--
|
||||
CO_OP_TRANSLATOR_METADATA:
|
||||
{
|
||||
"original_hash": "3a848466cb63aff1a93411affb152c2a",
|
||||
"translation_date": "2025-12-19T13:31:32+00:00",
|
||||
"source_file": "sketchnotes/README.md",
|
||||
"language_code": "te"
|
||||
}
|
||||
-->
|
||||
ఇక్కడ అన్ని స్కెచ్నోట్లు కనుగొనండి!
|
||||
|
||||
## క్రెడిట్స్
|
||||
|
||||
నిత్య నరసింహన్, కళాకారుడు
|
||||
|
||||
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**అస్పష్టత**:
|
||||
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in new issue