{
"cells": [
{
"cell_type": "markdown",
"source": [
"# ಸವಾಲು: ಡೇಟಾ ಸೈನ್ಸ್ ಬಗ್ಗೆ ಪಠ್ಯ ವಿಶ್ಲೇಷಣೆ\n",
"\n",
"> *ಈ ನೋಟ್ಬುಕ್ನಲ್ಲಿ, ನಾವು ವಿಭಿನ್ನ URL - ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಬಗ್ಗೆ ವಿಕಿಪೀಡಿಯಾ ಲೇಖನವನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರಯೋಗ ಮಾಡುತ್ತೇವೆ. ನೀವು ನೋಡಬಹುದು, ಡೇಟಾ ಸೈನ್ಸ್ನಂತೆ ಅಲ್ಲ, ಈ ಲೇಖನದಲ್ಲಿ ಅನೇಕ ಪದಗಳು ಇವೆ, ಇದು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹೆಚ್ಚು ಸಮಸ್ಯೆಯನ್ನಾಗಿಸುತ್ತದೆ. ನಾವು ಕೀವರ್ಡ್ ಎಕ್ಸ್ಟ್ರಾಕ್ಷನ್ ಮಾಡಿದ ನಂತರ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮತ್ತೊಂದು ವಿಧಾನವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕಾಗಿದೆ, ಕೆಲವು ಸಾಮಾನ್ಯ ಆದರೆ ಅರ್ಥವಿಲ್ಲದ ಪದ ಸಂಯೋಜನೆಗಳನ್ನು ತೆಗೆದುಹಾಕಲು.*\n",
"\n",
"ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ನಾವು ಸಾಂಪ್ರದಾಯಿಕ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆಯ ಎಲ್ಲಾ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡ ಸರಳ ವ್ಯಾಯಾಮವನ್ನು ಮಾಡೋಣ. ನೀವು ಯಾವುದೇ ಕೋಡ್ ಬರೆಯಬೇಕಾಗಿಲ್ಲ, ಕೆಳಗಿನ ಸೆಲ್ಗಳನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಅವುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ ಫಲಿತಾಂಶವನ್ನು ಗಮನಿಸಬಹುದು. ಸವಾಲಾಗಿ, ನೀವು ಈ ಕೋಡ್ ಅನ್ನು ವಿಭಿನ್ನ ಡೇಟಾ ಜೊತೆ ಪ್ರಯತ್ನಿಸಲು ಪ್ರೋತ್ಸಾಹಿತರಾಗಿದ್ದೀರಿ.\n",
"\n",
"## ಗುರಿ\n",
"\n",
"ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ಗೆ ಸಂಬಂಧಿಸಿದ ವಿವಿಧ ಕಲ್ಪನೆಗಳನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ. ಕೆಲವು **ಪಠ್ಯ ಗಣನೆ** ಮಾಡುವ ಮೂಲಕ ಇನ್ನಷ್ಟು ಸಂಬಂಧಿತ ಕಲ್ಪನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸೋಣ. ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ ಬಗ್ಗೆ ಪಠ್ಯವನ್ನು ತೆಗೆದು, ಅದರಿಂದ ಕೀವರ್ಡ್ಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತೇವೆ, ನಂತರ ಫಲಿತಾಂಶವನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ.\n",
"\n",
"ಪಠ್ಯವಾಗಿ, ನಾನು ವಿಕಿಪೀಡಿಯಾದ ಡೇಟಾ ಸೈನ್ಸ್ ಪುಟವನ್ನು ಬಳಸುತ್ತೇನೆ:\n"
],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 2,
"source": [
"url = 'https://en.wikipedia.org/wiki/Data_science'\r\n",
"url = 'https://en.wikipedia.org/wiki/Machine_learning'"
],
"outputs": [],
"metadata": {}
},
{
"cell_type": "markdown",
"source": [
"## ಹಂತ 1: ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು\n",
"\n",
"ಪ್ರತಿ ಡೇಟಾ ವಿಜ್ಞಾನ ಪ್ರಕ್ರಿಯೆಯ ಮೊದಲ ಹಂತವು ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು. ಅದಕ್ಕಾಗಿ ನಾವು `requests` ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಲಿದ್ದೇವೆ:\n"
],
"metadata": {}
},
{
"cell_type": "code",
"execution_count": 3,
"source": [
"import requests\r\n",
"\r\n",
"text = requests.get(url).content.decode('utf-8')\r\n",
"print(text[:1000])"
],
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
"\n",
"\n",
"\n",
"\n",
"Machine learning - Wikipedia\n",
"