{
"cells": [
{
"cell_type": "markdown",
"source": [
"# ಸವಾಲು: ಡೇಟಾ ಸೈನ್ಸ್ನ ಬಗ್ಗೆ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಷಣೆ ಮಾಡುವುದು\n",
"\n",
"> *ಈ ನೋಟ್ಬುಕ್ನಲ್ಲಿ, ನಾವು ವಿವಿಧ URLಗಳನ್ನು ಬಳಸಿ ಪ್ರಯೋಗ ಮಾಡಿದ್ದೇವೆ - ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಕಿಪೀಡಿಯ ಲೇಖನ. ನೀವು ನೋಡಬಹುದು, ಡೇಟಾ ಸೈನ್ಸ್ನಿಂದ ಭಿನ್ನವಾಗಿ, ಈ ಲೇಖನದಲ್ಲಿ ಬಹಳಷ್ಟು ಪದಗಳಿವೆ, ಇದು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹೆಚ್ಚು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತದೆ. ನಾವು ಕೀವರ್ಡ್ ಆಯ್ಕೆಮಾಡಿದ ನಂತರ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ಒಂದು ವಿಭಿನ್ನ ವಿಧಾನವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕಾಗಿದೆ, ಅರ್ಥಪೂರ್ಣವಲ್ಲದ ಸಾಂದರ್ಭಿಕ ಪದ ಸಂಯೋಜನೆಗಳನ್ನು ತೆಗೆದುಹಾಕಲು.*\n",
"\n",
"ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ಪಾರಂಪರಿಕ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಕ್ರಿಯೆಯ ಎಲ್ಲಾ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡ ಸರಳ ವ್ಯಾಯಾಮವನ್ನು ಮಾಡೋಣ. ನೀವು ಯಾವುದೇ ಕೋಡ್ ಬರೆಯಬೇಕಾಗಿಲ್ಲ, ಕೆಳಗಿನ ಸೆಲ್ಗಳನ್ನು ಕ್ಲಿಕ್ ಮಾಡಿ ಅವುಗಳನ್ನು ನಿರ್ವಹಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಗಮನಿಸಿ. ಸವಾಲಾಗಿ, ನೀವು ವಿಭಿನ್ನ ಡೇಟಾ ಜೊತೆಗೆ ಈ ಕೋಡ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸಲು ಪ್ರೇರಿತರಾಗಿದ್ದೀರಾ.\n",
"\n",
"## ಗುರಿ\n",
"\n",
"ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ಗೆ ಸಂಬಂಧಿಸಿದ ವಿವಿಧ ತತ್ವಾಂಶಗಳನ್ನು ಚರ್ಚಿಸಿದ್ದೇವೆ. **ಪಠ್ಯ ಗಣನೆ** ಮಾಡುವ ಮೂಲಕ ಇನ್ನಷ್ಟು ಸಂಬಂಧಿತ ತತ್ವಾಂಶಗಳನ್ನು ಕಂಡುಹಿಡಿಯೋಣ. ನಾವು ಡೇಟಾ ಸೈನ್ಸ್ ಬಗ್ಗೆ ಪಠ್ಯವನ್ನು ತೆಗೆದು, ಅದರಿಂದ ಕೀವರ್ಡ್ಗಳನ್ನು ಹೊರತೆಗೆದು, ನಂತರ ಫಲಿತಾಂಶವನ್ನು ದೃಶ್ಯರೂಪದಲ್ಲಿ ತೋರಿಸುವ ಪ್ರಯತ್ನ ಮಾಡೋಣ.\n",
"\n",
"ಪಠ್ಯವಾಗಿ, ನಾನು ವಿಕಿಪೀಡಿಯಾದ ಡೇಟಾ ಸೈನ್ಸ್ ಪುಟವನ್ನು ಬಳಸುವುದಾಗಿದೆ:\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": [
"## ನೇಪಥ್ಯ 1: ಡೇಟಾ ಪಡೆಯುವುದು\n",
"\n",
"ಪ್ರತಿಯೊಬ್ಬ ಡೇಟಾ ವೈಜ್ಞಾನಿಕ ಪ್ರಕ್ರಿಯೆಯ ಮೊದಲ ಹೆಜ್ಜೆ ಡೇಟಾ ಪಡೆಯುವುದು. ನಾವು ಅದಕ್ಕಾಗಿ `requests` ಲೈಬ್ರರಿಯನ್ನು ಬಳಸುತ್ತೇವೆ:\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",
"