# தொடக்கநிலை தரவியல் அறிவியல் உதாரணங்கள்

உதாரணங்கள் அடைவு வரவேற்கிறது! இந்த எளிய, நன்கு விளக்கப்பட்ட உதாரணங்களின் தொகுப்பு, நீங்கள் தரவியல் அறிவியலில் தொடங்க உதவுவதற்காக வடிவமைக்கப்பட்டுள்ளது, நீங்கள் முழுமையாக தொடக்கநிலையில் இருந்தாலும் கூட.

## 📚 இங்கே நீங்கள் காண்பீர்கள்

ஒவ்வொரு உதாரணமும் தனித்துவமாக இருக்கும் மற்றும் இதில் அடங்கும்:
- **தெளிவான கருத்துரைகள்** ஒவ்வொரு படியையும் விளக்குகிறது
- **எளிய, வாசிக்கக்கூடிய குறியீடு** ஒவ்வொரு கருத்தையும் தனித்துவமாக விளக்குகிறது
- **உலகளாவிய சூழல்** இந்த நுட்பங்களை எப்போது மற்றும் ஏன் பயன்படுத்த வேண்டும் என்பதை புரிந்துகொள்ள உதவுகிறது
- **எதிர்பார்க்கப்படும் வெளியீடு** நீங்கள் என்ன தேட வேண்டும் என்பதை அறிய

## 🚀 தொடங்குதல்

### முன் தேவைகள்
இந்த உதாரணங்களை இயக்குவதற்கு முன், நீங்கள் பின்வருவனவற்றை உறுதிப்படுத்த வேண்டும்:
- Python 3.7 அல்லது அதற்கு மேல் நிறுவப்பட்டிருக்க வேண்டும்
- Python ஸ்கிரிப்ட்களை இயக்குவது எப்படி என்பதை அடிப்படையாக புரிந்துகொள்ள வேண்டும்

### தேவையான நூலகங்களை நிறுவுதல்
```bash
pip install pandas numpy matplotlib
```

## 📖 உதாரணங்களின் மேற்பார்வை

### 1. ஹலோ வேர்ல்ட் - தரவியல் அறிவியல் பாணி
**கோப்பு:** `01_hello_world_data_science.py`

உங்கள் முதல் தரவியல் அறிவியல் நிரலாக்கம்! இதில் நீங்கள் கற்றுக்கொள்வீர்கள்:
- ஒரு எளிய தரவுத்தொகுப்பை ஏற்றுதல்
- உங்கள் தரவின் அடிப்படை தகவல்களை காட்டுதல்
- உங்கள் முதல் தரவியல் அறிவியல் வெளியீட்டை அச்சிடுதல்

முழுமையாக தொடக்கநிலையில் உள்ளவர்களுக்கு இது ஒரு சிறந்த தொடக்கம்.

---

### 2. தரவுகளை ஏற்றுதல் மற்றும் ஆராய்தல்
**கோப்பு:** `02_loading_data.py`

தரவுகளுடன் வேலை செய்வதற்கான அடிப்படைகளை கற்றுக்கொள்ளுங்கள்:
- CSV கோப்புகளில் இருந்து தரவுகளை வாசிக்க
- உங்கள் தரவுத்தொகுப்பின் முதல் சில வரிகளை பார்க்க
- உங்கள் தரவின் அடிப்படை புள்ளிவிவரங்களை பெற
- தரவின் வகைகளை புரிந்துகொள்ள

இது எந்த தரவியல் அறிவியல் திட்டத்திற்கும் முதல் படியாக இருக்கும்!

---

### 3. எளிய தரவுப் பகுப்பாய்வு
**கோப்பு:** `03_simple_analysis.py`

உங்கள் முதல் தரவுப் பகுப்பாய்வை செய்யுங்கள்:
- அடிப்படை புள்ளிவிவரங்களை கணக்கிடுங்கள் (சராசரி, நடுநிலை, முறை)
- அதிகபட்ச மற்றும் குறைந்தபட்ச மதிப்புகளை கண்டறிய
- மதிப்புகளின் நிகழ்வுகளை எண்ணுங்கள்
- நிபந்தனைகளின் அடிப்படையில் தரவுகளை வடிகட்டுங்கள்

உங்கள் தரவின் அடிப்படை கேள்விகளுக்கு பதிலளிக்க எப்படி என்பதை பாருங்கள்.

---

### 4. தரவுக் காட்சிப்படுத்தல் அடிப்படைகள்
**கோப்பு:** `04_basic_visualization.py`

உங்கள் முதல் காட்சிகளை உருவாக்குங்கள்:
- ஒரு எளிய பட்டை வரைபடம் செய்யுங்கள்
- ஒரு கோடு வரைபடம் உருவாக்குங்கள்
- ஒரு வட்ட வரைபடம் உருவாக்குங்கள்
- உங்கள் காட்சிகளை படங்களாக சேமிக்க

உங்கள் கண்டுபிடிப்புகளை காட்சிப்படுத்தி தொடர்பு கொள்ள கற்றுக்கொள்ளுங்கள்!

---

### 5. உண்மையான தரவுகளுடன் வேலை செய்வது
**கோப்பு:** `05_real_world_example.py`

முழுமையான உதாரணத்துடன் அனைத்தையும் ஒன்றாக சேருங்கள்:
- களஞ்சியத்திலிருந்து உண்மையான தரவுகளை ஏற்றுங்கள்
- தரவுகளை சுத்தம் செய்து தயாரிக்க
- பகுப்பாய்வு செய்ய
- பொருத்தமான காட்சிகளை உருவாக்க
- முடிவுகளை வரையறுக்க

இந்த உதாரணம் தொடக்கம் முதல் முடிவு வரை முழுமையான வேலைப்பாடுகளை காட்டுகிறது.

---

## 🎯 இந்த உதாரணங்களை எப்படி பயன்படுத்துவது

1. **தொடக்கம் முதல் தொடங்குங்கள்**: உதாரணங்கள் சிரமத்தின் வரிசையில் எண் இடப்பட்டுள்ளது. `01_hello_world_data_science.py`-இல் தொடங்கி, தொடருங்கள்.

2. **கருத்துரைகளை படிக்கவும்**: ஒவ்வொரு கோப்பிலும் குறியீடு என்ன செய்கிறது மற்றும் ஏன் என்பதை விளக்கும் விரிவான கருத்துரைகள் உள்ளன. அவற்றை கவனமாக படிக்கவும்!

3. **சோதிக்கவும்**: குறியீட்டை மாற்ற முயற்சிக்கவும். ஒரு மதிப்பை மாற்றினால் என்ன நடக்கும்? விஷயங்களை உடைத்து திருத்துங்கள் - அதுவே நீங்கள் கற்றுக்கொள்ளும் வழி!

4. **குறியீட்டை இயக்கவும்**: ஒவ்வொரு உதாரணத்தையும் இயக்கி வெளியீட்டை கவனிக்கவும். நீங்கள் எதிர்பார்த்ததுடன் ஒப்பிடுங்கள்.

5. **அதன் மீது கட்டமைக்கவும்**: ஒரு உதாரணத்தை புரிந்துகொண்ட பிறகு, உங்கள் சொந்த யோசனைகளுடன் அதை விரிவாக்க முயற்சிக்கவும்.

## 💡 தொடக்கநிலை மாணவர்களுக்கான குறிப்புகள்

- **அவசரப்பட வேண்டாம்**: ஒவ்வொரு உதாரணத்தையும் புரிந்துகொள்ள நேரம் எடுத்துக்கொள்ளுங்கள், அடுத்ததிற்கு செல்லும் முன்
- **குறியீட்டை தானாக تایப்புங்கள்**: வெறும் நகலெடுத்து ஒட்ட வேண்டாம். تایப்பிங் உங்களுக்கு கற்றுக்கொள்ளவும் நினைவில் வைத்துக்கொள்ளவும் உதவுகிறது
- **புதிதாக தெரிந்த கருத்துகளை தேடுங்கள்**: நீங்கள் புரிந்துகொள்ளாததைப் பார்க்கும்போது, அதை ஆன்லைனில் அல்லது முக்கிய பாடங்களில் தேடுங்கள்
- **கேள்விகள் கேளுங்கள்**: உதவி தேவைப்பட்டால் [விவாத மன்றத்தில்](https://github.com/microsoft/Data-Science-For-Beginners/discussions) சேருங்கள்
- **தினசரி பயிற்சி செய்யுங்கள்**: வாரத்தில் ஒருமுறை நீண்ட அமர்வுகளுக்கு பதிலாக, தினசரி சிறிது நேரம் குறியீடு செய்ய முயற்சிக்கவும்

## 🔗 அடுத்த படிகள்

இந்த உதாரணங்களை முடித்த பிறகு, நீங்கள் தயாராக இருக்கிறீர்கள்:
- முக்கிய பாடத்திட்ட பாடங்களை முடிக்க
- ஒவ்வொரு பாட அடைவிலும் உள்ள பணிகளை முயற்சிக்க
- மேலும் ஆழமான கற்றலுக்கான Jupyter நோட்புக்குகளை ஆராய
- உங்கள் சொந்த தரவியல் அறிவியல் திட்டங்களை உருவாக்க

## 📚 கூடுதல் வளங்கள்

- [முக்கிய பாடத்திட்டம்](../README.md) - முழுமையான 20-பாட பாடத்திட்டம்
- [ஆசிரியர்களுக்காக](../for-teachers.md) - இந்த பாடத்திட்டத்தை உங்கள் வகுப்பறையில் பயன்படுத்த
- [Microsoft Learn](https://docs.microsoft.com/learn/) - இலவச ஆன்லைன் கற்றல் வளங்கள்
- [Python ஆவணங்கள்](https://docs.python.org/3/) - அதிகாரப்பூர்வ Python குறிப்புகள்

## 🤝 பங்களிப்பு

ஒரு பிழையை கண்டுபிடித்தீர்களா அல்லது புதிய உதாரணத்திற்கான யோசனையை கொண்டுள்ளீர்களா? நாங்கள் பங்களிப்புகளை வரவேற்கிறோம்! தயவுசெய்து எங்கள் [பங்களிப்பு வழிகாட்டியை](../CONTRIBUTING.md) பார்க்கவும்.

---

**சந்தோஷமாக கற்றுக்கொள்ளுங்கள்! 🎉**

நினைவில் கொள்ளுங்கள்: ஒவ்வொரு நிபுணரும் ஒருமுறை தொடக்கநிலையில் இருந்தவர். ஒரு படி ஒரு படியாக எடுத்துக்கொள்ளுங்கள், மற்றும் தவறுகளை செய்ய பயப்பட வேண்டாம் - அவை கற்றல் செயல்முறையின் ஒரு பகுதியாகும்!

---

**குறிப்பு**:  
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. எங்கள் நோக்கம் துல்லியமாக இருக்க வேண்டும் என்பதுதான், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது துல்லியமின்மைகள் இருக்கக்கூடும் என்பதை தயவுசெய்து கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல.