# தரவியல் அறிவியல் வரையறை

| ![ [(@sketchthedocs)](https://sketchthedocs.dev) உருவாக்கிய ஸ்கெட்ச் நோட் ](../../sketchnotes/01-Definitions.png) |
| :----------------------------------------------------------------------------------------------------: |
|              தரவியல் அறிவியல் வரையறை - _[@nitya](https://twitter.com/nitya) உருவாக்கிய ஸ்கெட்ச் நோட்_               |

---

[![தரவியல் அறிவியல் வீடியோ வரையறை](../../../../translated_images/ta/video-def-ds.6623ee2392ef1abf.webp)](https://youtu.be/beZ7Mb_oz9I)

## [முன்-வகுப்பு வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/0)

## தரவு என்றால் என்ன?
நாம் தினசரி வாழ்க்கையில் எப்போதும் தரவுகளால் சூழப்பட்டிருக்கிறோம். நீங்கள் இப்போது படிக்கும் உரை தரவாகும். உங்கள் ஸ்மார்ட்போனில் உள்ள நண்பர்களின் தொலைபேசி எண்களின் பட்டியல், உங்கள் கடிகாரத்தில் காட்டப்படும் தற்போதைய நேரம் ஆகியவை தரவுகளே. மனிதர்களாகிய நாம் இயல்பாகவே பணத்தை எண்ணுவதன் மூலம் அல்லது நண்பர்களுக்கு கடிதங்களை எழுதுவதன் மூலம் தரவுகளுடன் இயங்குகிறோம்.

எனினும், கணினிகள் உருவாக்கப்பட்ட பிறகு தரவுகள் மிகவும் முக்கியமானவை ஆகிவிட்டன. கணினிகளின் முதன்மை பங்கு கணக்கீடுகளைச் செய்வதே ஆகும், ஆனால் அவை செயல்பட தரவுகளை தேவைப்படும். எனவே, கணினிகள் தரவுகளை எவ்வாறு சேமிக்கின்றன மற்றும் செயல்படுத்துகின்றன என்பதை நாங்கள் புரிந்துகொள்ள வேண்டும்.

இணையம் தோன்றிய பிறகு, தரவுகளை கையாளும் சாதனங்களாக கணினிகளின் பங்கு அதிகரித்தது. நீங்கள் சிந்தித்தால், கணினிகளை நாம் தற்போது கணக்கீடுகளைச் செய்யாமல், தரவுகளை செயல்படுத்தவும் தொடர்பு கொள்ளவும் அதிகமாகப் பயன்படுத்துகிறோம். நண்பருக்கு மின்னஞ்சல் எழுதும்போது அல்லது இணையத்தில் சில தகவல்களைத் தேடும்போது - நாம் அடிப்படையாகவே தரவுகளை உருவாக்கி, சேமித்து, பரிமாறி, மற்றும் மாற்றுகிறோம்.
> நீங்கள் கடைசியாக கணினிகளை உண்மையில் ஏதேனும் கணக்கீடு செய்ய பயன்படுத்திய நேரத்தை நினைவில் கொள்ள முடியுமா?

## தரவியல் அறிவியல் என்றால் என்ன?

[விக்கிபீடியாவில்](https://en.wikipedia.org/wiki/Data_science), **தரவியல் அறிவியல்** என்பது *கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவுகளிலிருந்து அறிவு மற்றும் உள்ளடக்கங்களை எடுக்க அறிவியல் முறைகளைப் பயன்படுத்தும் ஒரு அறிவியல் துறை மற்றும் பல்வேறு பயன்பாட்டு துறைகளில் இருந்து தரவிலிருந்து அறிவு மற்றும் செயல்பாடுகளைக் கையாளும்* என்று வரையறுக்கப்பட்டுள்ளது.

இந்த வரையறை தரவியல் அறிவியலின் முக்கிய அம்சங்களை வெளிப்படுத்துகிறது:

* தரவியல் அறிவியலின் முக்கிய நோக்கம் **அறிவை எடுப்பது**, அதாவது - தரவுகளை **புரிந்துகொள்வது**, சில மறைக்கப்பட்ட உறவுகளை கண்டறிதல் மற்றும் ஒரு **மாதிரியை** உருவாக்குதல்.
* தரவியல் அறிவியல் **அறிவியல் முறைகளை** பயன்படுத்துகிறது, உதாரணமாக சாத்தியக்கூறுகள் மற்றும் புள்ளியியல். *தரவியல் அறிவியல்* என்ற சொல் முதலில் அறிமுகப்படுத்தப்பட்ட போது, சிலர் தரவியல் அறிவியல் என்பது புள்ளியியல் என்ற புதிய அழகான பெயர் மட்டுமே என்று வாதிட்டனர். இன்று இந்த துறை மிகவும் பரந்தது என்பது தெளிவாகிவிட்டது.
* பெறப்பட்ட அறிவு சில **செயல்பாடுகளுக்குரிய உள்ளடக்கங்களை** உருவாக்க பயன்பட வேண்டும், அதாவது நீங்கள் உண்மையான வணிக சூழல்களில் பயன்படுத்தக்கூடிய நடைமுறை உள்ளடக்கங்கள்.
* நாங்கள் **கட்டமைக்கப்பட்ட** மற்றும் **கட்டமைக்கப்படாத** தரவுகளில் செயல்பட வேண்டும். இந்த பாடநெறியில் பின்னர் தரவின் பல்வேறு வகைகளை விவாதிக்க நாங்கள் திரும்புவோம்.
* **பயன்பாட்டு துறை** என்பது ஒரு முக்கியமான கருத்தாகும், மேலும் தரவியல் விஞ்ஞானிகள் பெரும்பாலும் பிரச்சினைத் துறையில் குறைந்தபட்சம் சில அளவிலான நிபுணத்துவத்தை தேவைப்படும், உதாரணமாக: நிதி, மருத்துவம், சந்தைப்படுத்தல், போன்றவை.

> தரவியல் அறிவியலின் மற்றொரு முக்கிய அம்சம், தரவுகளை கணினிகளைப் பயன்படுத்தி எவ்வாறு சேகரிக்க, சேமிக்க மற்றும் செயல்படுத்த முடியும் என்பதை ஆய்வு செய்வதாகும். புள்ளியியல் எங்களுக்கு கணித அடிப்படைகளை வழங்கினாலும், தரவியல் அறிவியல் கணிதக் கருத்துக்களைப் பயன்படுத்தி தரவிலிருந்து உண்மையான உள்ளடக்கங்களை வரையறுக்கிறது.

[ஜிம் கிரே](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) என்பவரால் தரவியல் அறிவியலை ஒரு தனி அறிவியல் பரிமாணமாகக் கருதலாம்:
* **அறுவை சிகிச்சை**, இதில் நாம் பெரும்பாலும் கண்காணிப்புகள் மற்றும் பரிசோதனைகளின் முடிவுகளை நம்புகிறோம்
* **கோட்பாட்டியல்**, புதிய கருத்துக்கள் தற்போதைய அறிவியல் அறிவிலிருந்து தோன்றுகின்றன
* **கணினி சார்ந்த**, இதில் சில கணினி பரிசோதனைகளின் அடிப்படையில் புதிய கொள்கைகளை கண்டறிகிறோம்
* **தரவு சார்ந்த**, தரவுகளில் உள்ள உறவுகள் மற்றும் முறைமைகளை கண்டறிதல் அடிப்படையில்  

## தொடர்புடைய பிற துறைகள்

தரவு எங்கும் பரவலாக இருப்பதால், தரவியல் அறிவியல் தானும் ஒரு பரந்த துறையாக பல்வேறு துறைகளைத் தொடுகிறது.

<dl>
<dt>தரவுத்தொகுப்புகள்</dt>
<dd>
முக்கியமான பரிசீலனை <b>தரவை எவ்வாறு சேமிப்பது</b> என்பது, அதாவது அதை வேகமாக செயல்படுத்த அனுமதிக்கும் வகையில் அமைக்க வேண்டும். கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவுகளை சேமிக்கும் பல்வேறு வகையான தரவுத்தொகுப்புகள் உள்ளன, <a href="../../2-Working-With-Data/README.md">நாங்கள் இந்த பாடநெறியில் இதை பரிசீலிப்போம்</a>.
</dd>
<dt>பெரிய தரவுகள்</dt>
<dd>
சிக்கலான அமைப்புடன் கூடிய மிகப்பெரிய அளவிலான தரவுகளை சேமிக்கவும் செயல்படுத்தவும் நமக்கு தேவைப்படும். அந்த தரவுகளை கணினி குழுமத்தில் பகிர்ந்த முறையில் சேமிக்கவும், அதை திறமையாக செயல்படுத்தவும் சிறப்பு அணுகுமுறைகள் மற்றும் கருவிகள் உள்ளன.
</dd>
<dt>இயந்திர கற்றல்</dt>
<dd>
தரவைப் புரிந்துகொள்வதற்கான ஒரு வழி, தேவையான முடிவை முன்னறிவிக்கக்கூடிய <b>மாதிரியை உருவாக்குவது</b>. தரவிலிருந்து மாதிரிகளை உருவாக்குவது <b>இயந்திர கற்றல்</b> என்று அழைக்கப்படுகிறது. இதைப் பற்றி மேலும் அறிய, எங்கள் <a href="https://aka.ms/ml-beginners">இயந்திர கற்றல் தொடக்கத்திற்கான பாடநெறியை</a> பாருங்கள்.
</dd>
<dt>கணினி நுண்ணறிவு</dt>
<dd>
இயந்திர கற்றலின் ஒரு பகுதி, கணினி நுண்ணறிவு (AI) என்றும் அழைக்கப்படுகிறது, இது தரவின் மீது சார்ந்துள்ளது, மேலும் மனித சிந்தனை செயல்முறைகளைப் பின்பற்றும் உயர் சிக்கலான மாதிரிகளை உருவாக்குவதில் ஈடுபடுகிறது. AI முறைகள் பெரும்பாலும் கட்டமைக்கப்படாத தரவுகளை (உதாரணமாக இயற்கை மொழி) கட்டமைக்கப்பட்ட உள்ளடக்கங்களாக மாற்ற அனுமதிக்கின்றன.
</dd>
<dt>காட்சிப்படுத்தல்</dt>
<dd>
மிகப்பெரிய அளவிலான தரவுகள் மனிதர்களுக்கு புரிந்துகொள்ள முடியாதவை, ஆனால் அந்த தரவுகளைப் பயன்படுத்தி பயனுள்ள காட்சிப்படுத்தல்களை உருவாக்கிய பிறகு, நாம் தரவுகளைப் பற்றி மேலும் புரிந்துகொண்டு சில முடிவுகளை எடுக்க முடியும். எனவே, தகவல்களை காட்சிப்படுத்த பல வழிகளை அறிந்திருப்பது முக்கியம் - இது <a href="../../3-Data-Visualization/README.md">பாடநெறியின் 3வது பிரிவில்</a> நாம் கற்றுக்கொள்வோம். தொடர்புடைய துறைகள் <b>தகவல் வரைபடங்கள்</b>, மற்றும் <b>மனித-கணினி தொடர்பு</b> ஆகியவற்றை உள்ளடக்கியவை.
</dd>
</dl>

## தரவின் வகைகள்

நாம் ஏற்கனவே குறிப்பிட்டுள்ளபடி, தரவு எங்கும் உள்ளது. அதை சரியான முறையில் பிடிக்க வேண்டும்! **கட்டமைக்கப்பட்ட** மற்றும் **கட்டமைக்கப்படாத** தரவுகளுக்கு இடையிலான வேறுபாட்டை வேறுபடுத்துவது பயனுள்ளதாக இருக்கும். முன்னதாக குறிப்பிடப்பட்டவை பொதுவாக ஒரு நன்றாக அமைக்கப்பட்ட வடிவத்தில் பிரதிநிதித்துவம் செய்யப்படுகின்றன, பெரும்பாலும் ஒரு அட்டவணை அல்லது பல அட்டவணைகளாக, ஆனால் பின்னர் குறிப்பிடப்பட்டவை கோப்புகளின் தொகுப்பாக மட்டுமே இருக்கும். சில நேரங்களில் **மிகை-கட்டமைக்கப்பட்ட** தரவுகள் பற்றியும் பேசலாம், அவற்றில் ஒரு வகையான அமைப்பு இருக்கும், ஆனால் அது மிகவும் மாறுபடக்கூடியது.

| கட்டமைக்கப்பட்ட                                                                   | மிகை-கட்டமைக்கப்பட்ட                                                                                | கட்டமைக்கப்படாத                            |
| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
| தொலைபேசி எண்களுடன் கூடிய மக்களின் பட்டியல்                                      | இணைப்புகளுடன் கூடிய விக்கிபீடியா பக்கங்கள்                                                                     | என்சைக்ளோபீடியா பிரிட்டானிக்காவின் உரை        |
| கடந்த 20 ஆண்டுகளுக்கு முன்பு ஒரு கட்டிடத்தின் அனைத்து அறைகளின் வெப்பநிலை | ஆசிரியர்கள், வெளியீட்டுத் தேதி மற்றும் சுருக்கம் கொண்ட JSON வடிவத்தில் அறிவியல் ஆவணங்களின் தொகுப்பு | நிறுவன ஆவணங்களுடன் கோப்பு பகிர்வு     |
| கட்டிடத்திற்குள் நுழையும் அனைத்து மக்களின் வயது மற்றும் பாலினத்திற்கான தரவுகள்                  | இணைய பக்கங்கள்                                                                                 | கண்காணிப்பு கேமராவில் இருந்து மூல வீடியோ காட்சி |

## தரவை எங்கு பெறுவது

தரவைப் பெற பல்வேறு மூலங்கள் உள்ளன, அவற்றை அனைத்தையும் பட்டியலிடுவது சாத்தியமில்லை! இருப்பினும், நீங்கள் தரவைப் பெறக்கூடிய சில வழக்கமான இடங்களை குறிப்பிடலாம்:

* **கட்டமைக்கப்பட்ட**
  - **Internet of Things** (IoT), வெவ்வேறு சென்சார்கள் மூலம் பெறப்படும் தரவுகள், உதாரணமாக வெப்பநிலை அல்லது அழுத்த சென்சார்கள், பல பயனுள்ள தரவுகளை வழங்குகின்றன. உதாரணமாக, ஒரு அலுவலக கட்டிடம் IoT சென்சார்களால் சீரமைக்கப்பட்டால், செலவுகளை குறைக்க தானாகவே வெப்பநிலை மற்றும் விளக்குகளை கட்டுப்படுத்த முடியும்.
  - **கணக்கெடுப்புகள்** - வாங்கிய பிறகு அல்லது ஒரு இணையதளத்தை பார்வையிட்ட பிறகு பயனர்களிடம் முடிக்குமாறு கேட்கப்படும்.
  - **நடத்தை பகுப்பாய்வு** உதாரணமாக, ஒரு பயனர் ஒரு தளத்தில் எவ்வளவு ஆழமாக செல்கிறார், மற்றும் தளத்தை விட்டு வெளியேறுவதற்கான வழக்கமான காரணம் என்ன என்பதைப் புரிந்துகொள்ள உதவலாம்.
* **கட்டமைக்கப்படாத**
  - **உரைகள்** பல உள்ளடக்கங்களை வழங்கக்கூடிய வளமான மூலமாக இருக்கலாம், உதாரணமாக ஒரு **மொத்த உணர்வு மதிப்பீடு**, அல்லது முக்கிய வார்த்தைகள் மற்றும் அர்த்தங்களை எடுப்பது.
  - **படங்கள்** அல்லது **வீடியோ**. ஒரு கண்காணிப்பு கேமராவில் இருந்து ஒரு வீடியோ சாலை போக்குவரத்தை மதிப்பீடு செய்ய பயன்படுத்தப்படலாம், மேலும் போக்குவரத்து நெரிசல் பற்றிய தகவல்களை மக்களுக்கு தெரிவிக்கலாம்.
  - இணைய சேவையக **பதிவுகள்** எங்கள் தளத்தின் எந்த பக்கங்கள் அதிகமாக பார்வையிடப்படுகின்றன, மற்றும் எவ்வளவு நேரம் என்பதைக் புரிந்துகொள்ள பயன்படுத்தப்படலாம்.
* மிகை-கட்டமைக்கப்பட்ட
  - **சமூக வலைப்பின்னல்** வரைபடங்கள் பயனர் தன்மைகள் மற்றும் தகவல்களை பரப்புவதில் சாத்தியமான திறனைப் பற்றிய தரவுகளுக்கான சிறந்த மூலங்களாக இருக்கலாம்.
  - ஒரு பார்ட்டியில் இருந்து புகைப்படங்களின் தொகுப்பை எடுக்கும்போது, ​​நாம் **குழு இயக்கவியல்** தரவுகளை எடுக்க முயற்சிக்கலாம், ஒருவருக்கொருவர் புகைப்படங்களை எடுக்கும் மக்களின் ஒரு வரைபடத்தை உருவாக்குவதன் மூலம்.

தரவைப் பெறக்கூடிய பல்வேறு சாத்தியமான மூலங்களை அறிந்ததன் மூலம், தரவியல் அறிவியல் நுட்பங்களைப் பயன்படுத்தி சூழ்நிலையை மேலும் அறியவும், வணிக செயல்முறைகளை மேம்படுத்தவும் நீங்கள் பல்வேறு சூழல்களைப் பற்றி சிந்திக்க முயற்சிக்கலாம்.

## தரவுடன் நீங்கள் என்ன செய்ய முடியும்

தரவியல் அறிவியலில், தரவின் பயணத்தின் பின்வரும் படிகளின் மீது நாங்கள் கவனம் செலுத்துகிறோம்:

<dl>
<dt>1) தரவுகளைப் பெறுதல்</dt>
<dd>
முதல் படி தரவுகளை சேகரிப்பது. பல சந்தர்ப்பங்களில் இது ஒரு நேர்மையான செயல்முறையாக இருக்கலாம், உதாரணமாக ஒரு வலை பயன்பாட்டிலிருந்து தரவுகள் தரவுத்தொகுப்பிற்கு வரும் போது, ​​சில நேரங்களில் நாங்கள் சிறப்பு நுட்பங்களைப் பயன்படுத்த வேண்டும். உதாரணமாக, IoT சென்சார்களிலிருந்து தரவுகள் அதிகமாக இருக்கலாம், மேலும் IoT Hub போன்ற இடைநிறுத்தி முடிவுகளைப் பயன்படுத்தி அனைத்து தரவுகளையும் சேகரிப்பது நல்ல நடைமுறையாகும்.
</dd>
<dt>2) தரவுகளை சேமித்தல்</dt>
<dd>
தரவைச் சேமிப்பது சவாலாக இருக்கலாம், குறிப்பாக நாம் பெரிய தரவுகளைப் பற்றி பேசுகிறோம் என்றால். தரவை எவ்வாறு சேமிப்பது என்பதை முடிவு செய்யும்போது, ​​நீங்கள் எதிர்காலத்தில் தரவுகளை எவ்வாறு கேட்க விரும்புகிறீர்கள் என்பதை எதிர்பார்க்க makes sense. தரவைச் சேமிக்க பல வழிகள் உள்ளன:
<ul>
<li>ஒரு தொடர்புடைய தரவுத்தொகுப்பு அட்டவணைகளின் தொகுப்பைச் சேமிக்கிறது, மேலும் SQL எனப்படும் ஒரு சிறப்பு மொழியைப் பயன்படுத்தி அவற்றை கேட்கிறது. பொதுவாக, அட்டவணைகள் திட்டங்கள் எனப்படும் பல்வேறு குழுக்களாக ஒழுங்கமைக்கப்பட்டுள்ளன. பல சந்தர்ப்பங்களில், திட்டத்திற்கு பொருந்தும் வகையில் தரவை அசல் வடிவத்திலிருந்து மாற்ற வேண்டும்.</li>
<li><a href="https://en.wikipedia.org/wiki/NoSQL">ஒரு NoSQL</a> தரவுத்தொகுப்பு, உதாரணமாக <a href="https://azure.microsoft.com/services/cosmos-db/?WT.mc_id=academic-77958-bethanycheum">CosmosDB</a>, தரவுகளில் திட்டங்களை கட்டாயமாக்காது, மேலும், மடங்கான தரவுகளை, உதாரணமாக, வரிசைமை JSON ஆவணங்கள் அல்லது வரைபடங்களைச் சேமிக்க அனுமதிக்கிறது. எனினும், NoSQL தரவுத்தொகுப்புகள் SQL இன் செறிவான கேள்வி திறன்களை கொண்டிருக்கவில்லை, மேலும் அட்டவணைகளில் தரவு எவ்வாறு அமைக்கப்பட்டுள்ளது மற்றும் அட்டவணைகளுக்கு இடையிலான உறவுகளை நிர்வகிக்க முடியாது.</li>
<li><a href="https://en.wikipedia.org/wiki/Data_lake">Data Lake</a> சேமிப்பு, மூல, கட்டமைக்கப்படாத வடிவத்தில் தரவுகளின் பெரிய தொகுப்புகளுக்கு பயன்படுத்தப்படுகிறது. Data lakes பெரும்பாலும் பெரிய தரவுகளுடன் பயன்படுத்தப்படுகின்றன, அங்கு அனைத்து தரவுகளும் ஒரு இயந்திரத்தில் பொருந்தாது, மேலும் சர்வர்கள் குழுமத்தால் சேமிக்கவும் செயல்படுத்தவும் வேண்டும். <a href="https://en.wikipedia.org/wiki/Apache_Parquet">Parquet</a> என்பது பெரிய தரவுகளுடன் தொடர்புடையது.</li> 
</ul>
</dd>
<dt>3) தரவுகளை செயல்படுத்துதல்</dt>
<dd>
இது தரவுப் பயணத்தின் மிகவும் சுவாரஸ்யமான பகுதி, இது தரவுகளை அதன் அசல் வடிவத்திலிருந்து காட்சிப்படுத்தல்/மாதிரி பயிற்சி செய்யக்கூடிய வடிவமாக மாற்றுவதைக் கொண்டுள்ளது. உரை அல்லது படங்கள் போன்ற கட்டமைக்கப்படாத தரவுகளுடன் செயல்படும்போது, ​​நாங்கள் தரவிலிருந்து <b>அம்சங்களை</b> எடுக்க சில AI நுட்பங்களைப் பயன்படுத்த வேண்டும், இதனால் அதை கட்டமைக்கப்பட்ட வடிவமாக மாற்ற முடியும்.
</dd>
<dt>4) காட்சிப்படுத்தல் / மனித உள்ளடக்கங்கள்</dt>
<dd>
தரவைப் புரிந்துகொள்ள, நாங்கள் அதை காட்சிப்படுத்த வேண்டும். எங்கள் கருவி பெட்டியில் பல்வேறு காட்சிப்படுத்தல் நுட்பங்கள் இருப்பதால், ஒரு உள்ளடக்கத்தை உருவாக்க சரியான காட்சியை கண்டுபிடிக்க முடியும். பெரும்பாலும், ஒரு தரவியல் விஞ்ஞானி "தரவுடன் விளையாட" வேண்டும், அதை பல முறை காட்சிப்படுத்தி சில உறவுகளைத் தேட வேண்டும். மேலும், நாங்கள் சில தரவுகளுக்கு இடையேயான தொடர்பை சோதிக்க அல்லது நிரூபிக்க புள்ளியியல் நுட்பங்களைப் பயன்படுத்தலாம்.   
</dd>
<dt>5) முன்னறிவிப்பு மாதிரியை பயிற்சி செய்தல்</dt>
<dd>
தரவியல் அறிவியலின் இறுதி நோக்கம் தரவின் அடிப்படையில் முடிவுகளை எடுக்க முடியும் என்பதே ஆகும், என
> நீங்கள் இந்த அணுகுமுறையை சரியானது அல்ல என்று வாதிடலாம், ஏனெனில் தொகுதிகள் வெவ்வேறு நீளங்களில் இருக்கலாம். தொகுதியின் நீளத்தை (எழுத்துக்களின் எண்ணிக்கையில்) அடிப்படையாகக் கொண்டு நேரத்தைப் பிரித்து, அந்த மதிப்புகளை ஒப்பிடுவது நியாயமானதாக இருக்கலாம்.

பல தேர்வுகளைப் பகுப்பாய்வு செய்யத் தொடங்கும்போது, மாணவர்கள் புரிந்து கொள்ள சிரமப்படும் கருத்துக்களை கண்டறிய முயற்சிக்கலாம், மேலும் அந்த தகவலை உள்ளடக்கத்தை மேம்படுத்த பயன்படுத்தலாம். அதைச் செய்ய, ஒவ்வொரு கேள்வியும் ஒரு குறிப்பிட்ட கருத்து அல்லது அறிவு தொகுதிக்கு இணைக்கப்படும் வகையில் தேர்வுகளை வடிவமைக்க வேண்டும்.

நாம் இன்னும் சிக்கலானதாக இருக்க விரும்பினால், ஒவ்வொரு தொகுதியின் நேரத்தை மாணவர்களின் வயது பிரிவுக்கு எதிராக வரைபடமாக்கலாம். சில வயது பிரிவுகளுக்கு, தொகுதியை முடிக்க மிகவும் நீண்ட நேரம் ஆகிறது அல்லது மாணவர்கள் அதை முடிக்காமல் விட்டு விடுகிறார்கள் என்பதை கண்டறியலாம். இது தொகுதிக்கான வயது பரிந்துரைகளை வழங்க உதவலாம், மேலும் தவறான எதிர்பார்ப்புகளால் ஏற்படும் மக்களின் அதிருப்தியை குறைக்க உதவும்.

## 🚀 சவால்

இந்த சவாலில், டேட்டா சயின்ஸ் துறைக்கு தொடர்புடைய கருத்துக்களை உரைகளைக் கொண்டு கண்டறிய முயற்சிக்கிறோம். டேட்டா சயின்ஸ் பற்றிய விக்கிபீடியா கட்டுரையை எடுத்து, உரையை பதிவிறக்கம் செய்து செயல்படுத்தி, பின்னர் கீழே உள்ளதைப் போன்ற ஒரு வார்த்தை மேகத்தை உருவாக்குவோம்:

![டேட்டா சயின்ஸ் வார்த்தை மேகம்](../../../../translated_images/ta/ds_wordcloud.664a7c07dca57de0.webp)

குறியீட்டை படிக்க [`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') ஐ பார்வையிடவும். நீங்கள் குறியீட்டை இயக்கி, அது நேரடி தரவுப் பரிமாற்றங்களை எவ்வாறு செயல்படுத்துகிறது என்பதைப் பார்க்கலாம்.

> Jupyter Notebook-ல் குறியீட்டை எவ்வாறு இயக்குவது என்று தெரியவில்லை என்றால், [இந்த கட்டுரையை](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) பார்வையிடவும்.

## [பாடத்திற்குப் பிந்தைய வினாடி வினா](https://ff-quizzes.netlify.app/en/ds/quiz/1)

## பணிகள்

* **பணி 1**: மேலே உள்ள குறியீட்டை மாற்றி **பிக் டேட்டா** மற்றும் **மெஷின் லெர்னிங்** துறைகளுக்கான தொடர்புடைய கருத்துகளை கண்டறியவும்.
* **பணி 2**: [டேட்டா சயின்ஸ் சூழல்களைப் பற்றி யோசிக்கவும்](assignment.md)

## க்ரெடிட்ஸ்

இந்த பாடம் [Dmitry Soshnikov](http://soshnikov.com) அவர்களால் ♥️ உடன் உருவாக்கப்பட்டது.

---

**புறக்கணிப்பு**:  
இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை [Co-op Translator](https://github.com/Azure/co-op-translator) பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியக்க மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கக்கூடும் என்பதை கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.