# ഉത്തരം അന്വേഷിക്കൽ ഇത് മുൻപത്തെ പാഠത്തിന്റെ [അസൈൻമെന്റ്](../14-Introduction/assignment.md) തുടർച്ചയാണ്, അവിടെ നാം ഡാറ്റാ സെറ്റിനെ കുറിച്ച് സംക്ഷിപ്തമായി നോക്കിയിരുന്നു. ഇപ്പോൾ നാം ഡാറ്റയെ കൂടുതൽ ആഴത്തിൽ പരിശോധിക്കാനാണ് പോകുന്നത്. വീണ്ടും, ക്ലയന്റ് അറിയാൻ ആഗ്രഹിക്കുന്ന ചോദ്യം: **ന്യൂയോർക്ക് സിറ്റിയിലെ മഞ്ഞ ടാക്സി യാത്രക്കാരൻമാർ ശീതകാലത്തോ വേനൽക്കാലത്തോ ഡ്രൈവർമാർക്ക് കൂടുതൽ ടിപ്പ് നൽകുന്നുണ്ടോ?** നിങ്ങളുടെ ടീം ഡാറ്റ സയൻസ് ലൈഫ്‌സൈക്കിളിന്റെ [വിശകലനം](README.md) ഘട്ടത്തിലാണ്, ഇവിടെ നിങ്ങൾക്ക് ഡാറ്റാസെറ്റിൽ എക്സ്പ്ലോറട്ടറി ഡാറ്റാ അനാലിസിസ് നടത്തേണ്ടതാണ്. 2019 ജനുവരി, ജൂലൈ മാസങ്ങളിൽ നിന്നുള്ള 200 ടാക്സി ഇടപാടുകൾ അടങ്ങിയ ഒരു നോട്ട്‌ബുക്ക്, ഡാറ്റാസെറ്റ് എന്നിവ നിങ്ങൾക്ക് നൽകിയിട്ടുണ്ട്. ## നിർദ്ദേശങ്ങൾ ഈ ഡയറക്ടറിയിൽ [നോട്ട്‌ബുക്ക്](assignment.ipynb) ഉം [ടാക്സി & ലിമോസിൻ കമ്മീഷൻ](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) നിന്നുള്ള ഡാറ്റയും ഉണ്ട്. ഡാറ്റയെക്കുറിച്ച് കൂടുതൽ വിവരങ്ങൾക്ക് [ഡാറ്റാസെറ്റിന്റെ നിഘണ്ടു](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) ഉം [ഉപയോക്തൃ ഗൈഡ്](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) ഉം കാണുക. ഈ പാഠത്തിലെ ചില സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് നോട്ട്‌ബുക്കിൽ നിങ്ങളുടെ സ്വന്തം EDA നടത്തുക (ആവശ്യമായാൽ സെല്ലുകൾ ചേർക്കാം) കൂടാതെ താഴെക്കാണുന്ന ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുക: - ടിപ്പ് തുകയെ ബാധിക്കാവുന്ന മറ്റ് ഡാറ്റാ സ്വാധീനങ്ങൾ എന്തെല്ലാം ഉണ്ടാകാം? - ക്ലയന്റിന്റെ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഏത് കോളങ്ങൾ ആവശ്യമില്ലാതിരിക്കാം? - ഇതുവരെ നൽകിയ ഡാറ്റ അടിസ്ഥാനമാക്കി, സീസണൽ ടിപ്പിംഗ് പെരുമാറ്റത്തിന് ഏതെങ്കിലും തെളിവുകൾ ഡാറ്റ നൽകുന്നുണ്ടോ? ## റൂബ്രിക് Exemplary | Adequate | Needs Improvement --- | --- | -- | --- **അസൂയാപത്രം**: ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ പ്രാമാണികമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.