# ಉತ್ತರಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು ಇದು ಹಿಂದಿನ ಪಾಠದ [ಕಾರ್ಯ](../14-Introduction/assignment.md)ನ ಮುಂದುವರಿದ ಭಾಗವಾಗಿದ್ದು, ಅಲ್ಲಿ ನಾವು ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ನೋಡಿದ್ದೇವೆ. ಈಗ ನಾವು ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸುವೆವು. ಮತ್ತೆ, ಗ್ರಾಹಕರು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುವ ಪ್ರಶ್ನೆ: **ನ್ಯೂಯಾರ್ಕ್ ಸಿಟಿಯ ಹಳದಿ ಟ್ಯಾಕ್ಸಿ ಪ್ರಯಾಣಿಕರು ಚಳಿಗಾಲದಲ್ಲಿ ಅಥವಾ ಬೇಸಿಗೆಯಲ್ಲಿ ಚಾಲಕರಿಗೆ ಹೆಚ್ಚು ಟಿಪ್ ನೀಡುತ್ತಾರಾ?** ನಿಮ್ಮ ತಂಡ ಡೇಟಾ ಸೈನ್ಸ್ ಜೀವನಚಕ್ರದ [ವಿಶ್ಲೇಷಣೆ](README.md) ಹಂತದಲ್ಲಿದ್ದು, ಡೇಟಾ ಸೆಟ್ ಮೇಲೆ ಅನ್ವೇಷಣಾತ್ಮಕ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮಾಡಲು ಜವಾಬ್ದಾರಿಯಲ್ಲಿದೆ. ನಿಮಗೆ ಜನವರಿ ಮತ್ತು ಜುಲೈ 2019 ರ 200 ಟ್ಯಾಕ್ಸಿ ವ್ಯವಹಾರಗಳನ್ನು ಒಳಗೊಂಡ ನೋಟ್ಬುಕ್ ಮತ್ತು ಡೇಟಾ ಸೆಟ್ ಒದಗಿಸಲಾಗಿದೆ. ## ಸೂಚನೆಗಳು ಈ ಡೈರೆಕ್ಟರಿಯಲ್ಲಿ [ನೋಟ್ಬುಕ್](assignment.ipynb) ಮತ್ತು [ಟ್ಯಾಕ್ಸಿ & ಲಿಮೋಸಿನ್ ಕಮಿಷನ್](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets)ನ ಡೇಟಾ ಇದೆ. ಡೇಟಾ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ [ಡೇಟಾ ಸೆಟ್ ನ ಡಿಕ್ಷನರಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ಮತ್ತು [ಬಳಕೆದಾರ ಮಾರ್ಗದರ್ಶಿ](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ಅನ್ನು ನೋಡಿ. ಈ ಪಾಠದಲ್ಲಿ ಕೆಲವು ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ನಿಮ್ಮ ಸ್ವಂತ EDA ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ ಮಾಡಿ (ನೀವು ಇಚ್ಛಿಸಿದರೆ ಸೆಲ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು) ಮತ್ತು ಕೆಳಗಿನ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ನೀಡಿ: - ಟಿಪ್ ಮೊತ್ತವನ್ನು ಪ್ರಭಾವಿಸುವ ಇನ್ನಾವುದೇ ಡೇಟಾ ಪ್ರಭಾವಗಳು ಏನು ಇರಬಹುದು? - ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಯಾವ ಕಾಲಮ್‌ಗಳು ಬಹುಶಃ ಅಗತ್ಯವಿಲ್ಲ? - ಇದುವರೆಗೆ ಒದಗಿಸಲಾದ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ, ಡೇಟಾ ಋತುಚಕ್ರದ ಟಿಪ್ ನೀಡುವ ವರ್ತನೆಗೆ ಯಾವುದೇ ಸಾಕ್ಷ್ಯವನ್ನು ನೀಡುತ್ತದೆಯೇ? ## ಮೌಲ್ಯಮಾಪನ ಉತ್ತಮ | ತೃಪ್ತಿಕರ | ಸುಧಾರಣೆಯ ಅಗತ್ಯ --- | --- | -- --- **ಅಸ್ವೀಕರಣ**: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ [Co-op Translator](https://github.com/Azure/co-op-translator) ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವಾಗಿ ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.