You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
143 lines
29 KiB
143 lines
29 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "43212cc1ac137b7bb1dcfb37ca06b0f4",
|
|
"translation_date": "2025-10-25T19:12:09+00:00",
|
|
"source_file": "1-Introduction/01-defining-data-science/README.md",
|
|
"language_code": "my"
|
|
}
|
|
-->
|
|
# ဒေတာသိပ္ပံကို သတ်မှတ်ခြင်း
|
|
|
|
|  ](../../sketchnotes/01-Definitions.png) |
|
|
| :----------------------------------------------------------------------------------------------------: |
|
|
| ဒေတာသိပ္ပံကို သတ်မှတ်ခြင်း - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
---
|
|
|
|
[](https://youtu.be/beZ7Mb_oz9I)
|
|
|
|
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/0)
|
|
|
|
## ဒေတာဆိုတာဘာလဲ?
|
|
နေ့စဉ်ဘဝမှာ ဒေတာတွေကို အမြဲတမ်းတွေ့နေရပါတယ်။ သင်ဖတ်နေတဲ့ စာသားက ဒေတာဖြစ်ပါတယ်။ သင့်စမတ်ဖုန်းထဲမှာရှိတဲ့ မိတ်ဆွေတွေရဲ့ ဖုန်းနံပါတ်စာရင်းက ဒေတာဖြစ်သလို၊ သင့်နာရီမှာ ပြထားတဲ့ လက်ရှိအချိန်ကလည်း ဒေတာဖြစ်ပါတယ်။ လူသားတွေဟာ သဘာဝအတိုင်း ဒေတာတွေနဲ့ လုပ်ဆောင်နေကြပြီး ငွေကိုရေတွက်တာ၊ မိတ်ဆွေတွေကိုစာရေးတာတွေကို လုပ်ဆောင်နေကြပါတယ်။
|
|
|
|
ဒါပေမယ့် ကွန်ပျူတာတွေ ဖန်တီးလာတာနဲ့အတူ ဒေတာဟာ အရေးပါမှုပိုများလာပါတယ်။ ကွန်ပျူတာတွေရဲ့ အဓိကလုပ်ငန်းတာဝန်က တွက်ချက်မှုတွေကို လုပ်ဆောင်ပေးဖို့ဖြစ်ပေမယ့် ဒေတာတွေကို အသုံးပြုဖို့လိုအပ်ပါတယ်။ ဒါကြောင့် ကွန်ပျူတာတွေက ဒေတာတွေကို ဘယ်လိုသိမ်းဆည်းပြီး အလုပ်လုပ်သလဲဆိုတာကို နားလည်ဖို့လိုပါတယ်။
|
|
|
|
အင်တာနက်ပေါ်လာတာနဲ့အတူ ကွန်ပျူတာတွေဟာ ဒေတာကို ကိုင်တွယ်တဲ့ စက်ပစ္စည်းအဖြစ် ပိုမိုအရေးပါလာပါတယ်။ သတိထားမိပါက အခုအချိန်မှာ ကွန်ပျူတာတွေကို တွက်ချက်မှုလုပ်ဖို့ထက် ဒေတာကို ကိုင်တွယ်ဖို့နဲ့ ဆက်သွယ်ဖို့အတွက် ပိုမိုအသုံးပြုလာပါတယ်။ မိတ်ဆွေကို အီးမေးလ်ရေးတာ၊ အင်တာနက်မှာ အချက်အလက်တစ်ခုခုကို ရှာဖွေတဲ့အခါ - ဒေတာကို ဖန်တီးခြင်း၊ သိမ်းဆည်းခြင်း၊ ပို့ခြင်းနဲ့ ပြုပြင်ခြင်းတွေကို လုပ်ဆောင်နေပါတယ်။
|
|
> သင်ကွန်ပျူတာတွေကို တကယ်တမ်း တွက်ချက်မှုလုပ်ဖို့ နောက်ဆုံးအသုံးပြုခဲ့တဲ့အချိန်ကို သတိရနိုင်ပါသလား?
|
|
|
|
## ဒေတာသိပ္ပံဆိုတာဘာလဲ?
|
|
|
|
[Wikipedia](https://en.wikipedia.org/wiki/Data_science) မှာ **ဒေတာသိပ္ပံ** ကို *သိပ္ပံနည်းလမ်းတွေကို အသုံးပြုပြီး စနစ်တကျနဲ့ မစနစ်တကျ ဒေတာတွေထဲကနေ အသိပညာနဲ့ အမြင်တွေကို ရယူပြီး ဒေတာကို အသုံးချနိုင်တဲ့ အမြင်တွေကို အမျိုးမျိုးသော လုပ်ငန်းနယ်ပယ်တွေမှာ အသုံးချတဲ့ သိပ္ပံနယ်ပယ်* အဖြစ် သတ်မှတ်ထားပါတယ်။
|
|
|
|
ဒီအဓိပ္ပါယ်က ဒေတာသိပ္ပံရဲ့ အရေးပါတဲ့ အချက်တွေကို အထူးပြောပြထားပါတယ် -
|
|
|
|
* ဒေတာသိပ္ပံရဲ့ အဓိကရည်ရွယ်ချက်က **အသိပညာကို ရယူခြင်း** ဖြစ်ပြီး ဒေတာကို **နားလည်ခြင်း**၊ ဖုံးကွယ်ထားတဲ့ ဆက်နွယ်မှုတွေကို ရှာဖွေခြင်းနဲ့ **မော်ဒယ်** တစ်ခုကို တည်ဆောက်ခြင်းဖြစ်ပါတယ်။
|
|
* ဒေတာသိပ္ပံက **သိပ္ပံနည်းလမ်းတွေ**ကို အသုံးပြုပါတယ်၊ ဥပမာ - အလားအလာနဲ့ သင်္ချာ။ *ဒေတာသိပ္ပံ* ဆိုတဲ့ စကားလုံးကို ပထမဆုံးမိတ်ဆက်တဲ့အခါမှာ ဒေတာသိပ္ပံဟာ သင်္ချာရဲ့ fancy နာမည်အသစ်တစ်ခုသာဖြစ်တယ်လို့ တချို့ကဆိုခဲ့ကြပါတယ်။ ယနေ့ခေတ်မှာတော့ ဒီနယ်ပယ်ဟာ ပိုကျယ်ပြန့်လာတာကို သက်သေပြနိုင်ပါတယ်။
|
|
* ရရှိတဲ့ အသိပညာကို **အသုံးချနိုင်တဲ့ အမြင်တွေ** ထုတ်လုပ်ဖို့ အသုံးချသင့်ပါတယ်၊ ဒါကတော့ လက်တွေ့လုပ်ငန်းအခြေအနေတွေမှာ အသုံးချနိုင်တဲ့ အမြင်တွေ ဖြစ်ပါတယ်။
|
|
* **စနစ်တကျ** ဒေတာနဲ့ **မစနစ်တကျ** ဒေတာနှစ်မျိုးလုံးကို ကိုင်တွယ်နိုင်ဖို့ လိုအပ်ပါတယ်။ ဒေတာအမျိုးအစားတွေကို ကျွန်တော်တို့ သင်ခန်းစာမှာ နောက်ပိုင်းမှာ ပြန်လည်ဆွေးနွေးပါမယ်။
|
|
* **လျှောက်လွှာနယ်ပယ်** ဆိုတာ အရေးပါတဲ့ အယူအဆတစ်ခုဖြစ်ပြီး ဒေတာသိပ္ပံပညာရှင်တွေဟာ ပြဿနာနယ်ပယ်မှာ အနည်းဆုံး အတတ်ပညာတစ်ခုခုရှိဖို့ လိုအပ်ပါတယ်၊ ဥပမာ - ငွေကြေး၊ ဆေးဘက်ဆိုင်ရာ၊ စျေးကွက်ရှာဖွေရေးစသည်ဖြင့်။
|
|
|
|
> ဒေတာသိပ္ပံရဲ့ အရေးပါတဲ့ အခြားအချက်တစ်ခုက ဒေတာကို ဘယ်လိုစုဆောင်းရမလဲ၊ ဘယ်လိုသိမ်းဆည်းရမလဲ၊ ဘယ်လိုကွန်ပျူတာတွေကို အသုံးပြုပြီး အလုပ်လုပ်ရမလဲဆိုတာကို လေ့လာခြင်းဖြစ်ပါတယ်။ သင်္ချာက သင်္ချာဆိုင်ရာ အခြေခံကိုပေးပြီး ဒေတာသိပ္ပံက သင်္ချာဆိုင်ရာ အယူအဆတွေကို အသုံးပြုပြီး ဒေတာထဲကနေ အမြင်တွေကို တကယ်တမ်း ရယူနိုင်ပါတယ်။
|
|
|
|
[Jim Gray](https://en.wikipedia.org/wiki/Jim_Gray_(computer_scientist)) မှာ ဒေတာသိပ္ပံကို သိပ္ပံရဲ့ သီးခြားပုံစံတစ်ခုအဖြစ် သတ်မှတ်ထားပါတယ် -
|
|
* **အတွေ့အကြုံအခြေခံ**, အတွေ့အကြုံနဲ့ စမ်းသပ်မှုရလဒ်တွေကို အဓိကအားထားခြင်း
|
|
* **သီအိုရီအခြေခံ**, ရှိပြီးသား သိပ္ပံပညာမှ အသစ်သော အယူအဆတွေကို ဖော်ထုတ်ခြင်း
|
|
* **ကွန်ပျူတာအခြေခံ**, ကွန်ပျူတာစမ်းသပ်မှုတွေကို အခြေခံပြီး အသစ်သော အခြေခံအချက်တွေကို ရှာဖွေခြင်း
|
|
* **ဒေတာအခြေခံ**, ဒေတာထဲမှာ ဆက်နွယ်မှုတွေ နဲ့ ပုံစံတွေကို ရှာဖွေခြင်း
|
|
|
|
## ဆက်စပ်နယ်ပယ်များ
|
|
|
|
ဒေတာဟာ အလွန်ကျယ်ပြန့်တဲ့အရာဖြစ်တဲ့အတွက် ဒေတာသိပ္ပံဟာလည်း အခြားနယ်ပယ်များစွာကို ထိတွေ့နေပါတယ်။
|
|
|
|
<dl>
|
|
<dt>ဒေတာဘေ့စ်များ</dt>
|
|
<dd>
|
|
အရေးပါတဲ့အချက်ကတော့ ဒေတာကို <b>ဘယ်လိုသိမ်းဆည်းမလဲ</b> ဆိုတာဖြစ်ပါတယ်၊ ဒေတာကို အလွယ်တကူ ကိုင်တွယ်နိုင်ဖို့အတွက် ဘယ်လိုစနစ်တကျဖွဲ့စည်းမလဲဆိုတာပါ။ Structured နဲ့ Unstructured ဒေတာတွေကို သိမ်းဆည်းတဲ့ ဒေတာဘေ့စ်အမျိုးအစားတွေရှိပြီး <a href="../../2-Working-With-Data/README.md">ကျွန်တော်တို့ သင်ခန်းစာမှာ ပြန်လည်ဆွေးနွေးပါမယ်</a>။
|
|
</dd>
|
|
<dt>Big Data</dt>
|
|
<dd>
|
|
တစ်ခါတစ်လေမှာ အလွန်များပြားတဲ့ ဒေတာတွေကို သိမ်းဆည်းပြီး အလွယ်တကူ ကိုင်တွယ်နိုင်ဖို့ လိုအပ်ပါတယ်။ ဒေတာတွေကို ကွန်ပျူတာကလပ်စတာမှာ ဖြန့်ဖြူးထားပြီး ထိရောက်စွာ ကိုင်တွယ်နိုင်ဖို့ အထူးနည်းလမ်းတွေ နဲ့ ကိရိယာတွေရှိပါတယ်။
|
|
</dd>
|
|
<dt>Machine Learning</dt>
|
|
<dd>
|
|
ဒေတာကို နားလည်ဖို့ <b>မော်ဒယ်တစ်ခု</b> တည်ဆောက်ပြီး လိုအပ်တဲ့ရလဒ်ကို ခန့်မှန်းနိုင်ဖို့ လိုအပ်ပါတယ်။ ဒေတာထဲကနေ မော်ဒယ်တွေကို ဖွံ့ဖြိုးတိုးတက်အောင်လုပ်ဆောင်ခြင်းကို <b>Machine Learning</b> လို့ခေါ်ပါတယ်။ <a href="https://aka.ms/ml-beginners">Machine Learning for Beginners</a> သင်ခန်းစာကို လေ့လာဖို့ စိတ်ဝင်စားနိုင်ပါတယ်။
|
|
</dd>
|
|
<dt>Artificial Intelligence</dt>
|
|
<dd>
|
|
Machine Learning နယ်ပယ်တစ်ခုဖြစ်တဲ့ Artificial Intelligence (AI) ဟာလည်း ဒေတာကို အခြေခံပြီး လူသားတွေရဲ့ အတွေးအမြင်နဲ့ ဆင်တူတဲ့ မော်ဒယ်တွေကို တည်ဆောက်ခြင်းဖြစ်ပါတယ်။ AI နည်းလမ်းတွေက မစနစ်တကျ ဒေတာ (ဥပမာ - သဘာဝဘာသာစကား) ကို စနစ်တကျ အမြင်တွေ အဖြစ် ပြောင်းလဲနိုင်စေပါတယ်။
|
|
</dd>
|
|
<dt>Visualization</dt>
|
|
<dd>
|
|
ဒေတာအများကြီးကို လူသားတစ်ဦးအတွက် နားလည်ဖို့ ခက်ခဲနိုင်ပါတယ်၊ ဒါပေမယ့် ဒေတာကို အသုံးချပြီး အသုံးဝင်တဲ့ ရှင်းလင်းမှုတွေကို ဖန်တီးလိုက်တဲ့အခါမှာတော့ ဒေတာကို ပိုမိုနားလည်နိုင်ပြီး အချို့သော အမြင်တွေကို ရယူနိုင်ပါတယ်။ ဒါကြောင့် အချက်အလက်တွေကို ရှင်းလင်းဖော်ပြနိုင်တဲ့ နည်းလမ်းတွေကို သိထားဖို့ အရေးကြီးပါတယ် - ဒီအကြောင်းကို <a href="../../3-Data-Visualization/README.md">သင်ခန်းစာ ၃</a> မှာ ပြန်လည်ဆွေးနွေးပါမယ်။ ဆက်စပ်နယ်ပယ်တွေမှာ <b>Infographics</b> နဲ့ <b>Human-Computer Interaction</b> ပါဝင်ပါတယ်။
|
|
</dd>
|
|
</dl>
|
|
|
|
## ဒေတာအမျိုးအစားများ
|
|
|
|
ကျွန်တော်တို့ ပြောခဲ့သလို ဒေတာဟာ နေရာတိုင်းမှာရှိပါတယ်။ ဒေတာကို မှန်ကန်တဲ့နည်းလမ်းနဲ့ ဖမ်းယူနိုင်ဖို့ လိုအပ်ပါတယ်! **စနစ်တကျ** ဒေတာနဲ့ **မစနစ်တကျ** ဒေတာကို ခွဲခြားဖို့ အရေးကြီးပါတယ်။ စနစ်တကျ ဒေတာဟာ အများအားဖြင့် စနစ်တကျ ဖွဲ့စည်းထားတဲ့ပုံစံတစ်ခုအနေနဲ့ တွေ့ရပြီး အများအားဖြင့် ဇယားတစ်ခု သို့မဟုတ် ဇယားအချို့အနေနဲ့ တွေ့ရပါတယ်။ မစနစ်တကျ ဒေတာကတော့ ဖိုင်တွေ စုစည်းထားတဲ့အပေါ်မှာသာ အခြေခံထားပါတယ်။ တစ်ခါတစ်ရံမှာ **semi-structured** ဒေတာအကြောင်းကိုလည်း ပြောနိုင်ပြီး အစိတ်အပိုင်းတစ်ခုခုရှိတဲ့ ဒေတာပုံစံတွေကို ပြောနိုင်ပါတယ်။
|
|
|
|
| စနစ်တကျ | Semi-structured | မစနစ်တကျ |
|
|
| ---------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------- | --------------------------------------- |
|
|
| လူတွေ နဲ့ သူတို့ရဲ့ ဖုန်းနံပါတ်စာရင်း | Wikipedia စာမျက်နှာတွေ နဲ့ လင့်ခ်များ | Encyclopedia Britannica ရဲ့ စာသား |
|
|
| အဆောက်အဦးရဲ့ အခန်းတိုင်းမှာ နာရီတိုင်းအပူချိန်စာရင်း | JSON ပုံစံနဲ့ သိပ္ပံဆောင်းပါးတွေကို စုစည်းထားပြီး အရေးသားသူ၊ ထုတ်ဝေသည့်ရက်စွဲ၊ အကျဉ်းချုပ်များ | ကုမ္ပဏီစာရွက်စာတမ်းတွေကို သိမ်းဆည်းထားတဲ့ ဖိုင်များ |
|
|
| အဆောက်အဦးထဲကို ဝင်လာတဲ့ လူတွေ ရဲ့ အသက်အရွယ် နဲ့ ကျားမစာရင်း | အင်တာနက်စာမျက်နှာများ | စောင့်ကြည့်ကင်မရာရဲ့ ဗီဒီယိုဖိုင်များ |
|
|
|
|
## ဒေတာကို ဘယ်မှာရနိုင်မလဲ
|
|
|
|
ဒေတာရနိုင်တဲ့နေရာတွေ အများကြီးရှိပြီး အားလုံးကို စာရင်းပြုစုဖို့ မဖြစ်နိုင်ပါဘူး! ဒါပေမယ့် ဒေတာရနိုင်တဲ့ နေရာတွေကို အချို့ ပြောပြပါမယ် -
|
|
|
|
* **စနစ်တကျ**
|
|
- **Internet of Things** (IoT) အပါအဝင် အပူချိန်၊ ဖိအား စသည့် အာရုံခံကိရိယာတွေကနေ ဒေတာတွေကို အများကြီးရနိုင်ပါတယ်။ ဥပမာ - ရုံးအဆောက်အဦးကို IoT အာရုံခံကိရိယာတွေနဲ့ ပြင်ဆင်ထားရင် ကုန်ကျစရိတ်ကို လျှော့ချဖို့အတွက် အပူချိန်နဲ့ အလင်းရောင်ကို အလိုအလျောက်ထိန်းချုပ်နိုင်ပါတယ်။
|
|
- **စစ်တမ်းများ**ကို ဝယ်ယူပြီးနောက် သို့မဟုတ် ဝဘ်ဆိုဒ်ကို သွားရောက်လည်ပတ်ပြီးနောက် သုံးစွဲသူတွေကို ဖြေဆိုဖို့ တောင်းဆိုခြင်း။
|
|
- **အပြုအမူကို ခွဲခြားခြင်း**က သုံးစွဲသူတစ်ဦးက ဝဘ်ဆိုဒ်ကို ဘယ်လောက်အထိ လေ့လာသွားတယ်၊ ဘယ်အကြောင်းအရင်းကြောင့် ဝဘ်ဆိုဒ်ကို ထွက်သွားတယ်ဆိုတာကို နားလည်ဖို့ ကူညီပေးနိုင်ပါတယ်။
|
|
* **မစနစ်တကျ**
|
|
- **စာသားများ**ဟာ အမြင်တွေကို ရယူနိုင်တဲ့ အရင်းအမြစ်တစ်ခုဖြစ်ပြီး **sentiment score** အထူးသက်သက်၊ သို့မဟုတ် keyword တွေ နဲ့ အဓိပ္ပါယ်တွေကို ရယူခြင်း။
|
|
- **ပုံများ** သို့မဟုတ် **ဗီဒီယိုများ**။ စောင့်ကြည့်ကင်မရာရဲ့ ဗီဒီယိုက လမ်းပေါ်မှာ ယာဉ်ကြောအခြေအနေကို ခန့်မှန်းပြီး ယာဉ်ကြောပိတ်ဆို့မှုအခြေအနေကို လူတွေကို အသိပေးနိုင်ပါတယ်။
|
|
- ဝဘ်ဆာဗာ **Logs** တွေက ဝဘ်ဆိုဒ်ရဲ့ ဘယ်စာမျက်နှာတွေကို အများဆုံးလည်ပတ်ကြောင်း နဲ့ ဘယ်လောက်ကြာကြောင်းကို နားလည်နိုင်ပါတယ်။
|
|
* Semi-structured
|
|
- **Social Network** graphs တွေဟာ သုံးစွဲသူရဲ့ ကိုယ်ရည်ကိုယ်သွေးနဲ့ အချက်အလက်တွေကို ဖြန့်ဝေမှုရဲ့ ထိရောက်မှုကို နားလည်ဖို့ အရင်းအမြစ်ကောင်းတစ်ခုဖြစ်ပါတယ်။
|
|
- ပါတီတစ်ခုမှာ ရိုက်ထားတဲ့ ဓာတ်ပုံတွေကို စုစည်းထားတဲ့အခါမှာ **Group Dynamics** ဒေတာကို ရယူဖို့ လူတွေ အတူတူဓာတ်ပုံရိုက်ထားတဲ့ graph တစ်ခုကို တည်ဆောက်နိုင်ပါတယ်။
|
|
|
|
ဒေတာရနိုင်တဲ့ နေရာမျိုးစုံကို သိထားပြီး ဒေတာသိပ္ပံနည်းလမ်းတွေကို အသုံးပြုနိုင်တဲ့ အခြေအနေမျိုးစုံကို စဉ်းစားပြီး လုပ်ငန်းလုပ်ငန်းစဉ်တွေကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်နိုင်ပါတယ်။
|
|
|
|
## ဒေတာနဲ့ ဘာလုပ်နိုင်မလဲ
|
|
|
|
ဒေတာသိပ္ပံမှာ ဒေတာခရီးစဉ်ရဲ့ အဆင့်တွေကို အဓိကထားပါတယ် -
|
|
|
|
<dl>
|
|
<dt>1) ဒေတာစုဆောင်းခြင်း</dt>
|
|
<dd>
|
|
ပထမအဆင့်က ဒေတာကို စုဆောင်းခြင်းဖြစ်ပါတယ်။ အများအားဖြင့် ဒေတာကို စုဆောင်းခြင်းဟာ ရိုးရှင်းတဲ့လုပ်ငန်းစဉ်ဖြစ်နိုင်ပေမယ့် တစ်ခါတစ်လေမှာ အထူးနည်းလမ်းတွေကို အသုံးပြု
|
|
> သင်သည်ဤနည်းလမ်းသည်အကောင်းဆုံးမဟုတ်ကြောင်းအငြင်းပွားနိုင်သည်၊ အကြောင်းမှာ module များသည် အရှည်အတိုင်းအတာများကွဲပြားနိုင်သည်။ module ၏အရှည် (အက္ခရာအရေအတွက်) ဖြင့်အချိန်ကိုခွဲခြားပြီး၊ ထိုတန်ဖိုးများကိုနှိုင်းယှဉ်ခြင်းသည် ပိုမိုတရားမျှတနိုင်သည်။
|
|
|
|
ကျွန်ုပ်တို့သည် မေးခွန်းရွေးချယ်မှုစမ်းသပ်မှုများ၏ရလဒ်များကိုစတင်လေ့လာသည့်အခါ၊ ကျောင်းသားများနားလည်ရန်အခက်အခဲရှိသောအယူအဆများကိုသတ်မှတ်နိုင်ပြီး၊ ထိုအချက်အလက်ကိုအသုံးပြု၍ အကြောင်းအရာကိုတိုးတက်အောင်လုပ်နိုင်သည်။ ၎င်းကိုလုပ်ရန်၊ မေးခွန်းတစ်ခုစီကို အယူအဆတစ်ခုသို့မဟုတ် အသိပညာတစ်ခုနှင့်ဆက်စပ်အောင် စမ်းသပ်မှုများကိုဒီဇိုင်းဆွဲရန်လိုအပ်သည်။
|
|
|
|
ကျွန်ုပ်တို့ပိုမိုရှုပ်ထွေးသောအရာကိုလုပ်လိုပါက၊ ကျောင်းသားများ၏အသက်အရွယ်အမျိုးအစားနှင့် module တစ်ခုစီအတွက်ယူသည့်အချိန်ကိုပုံဆွဲနိုင်သည်။ အသက်အရွယ်အမျိုးအစားတစ်ချို့အတွက် module ကိုပြီးစီးရန်အချိန်အလွန်ကြာသည်ကိုသို့မဟုတ် module ကိုပြီးစီးမီ ကျောင်းသားများလက်လွှတ်သွားသည်ကိုတွေ့နိုင်သည်။ ၎င်းသည် module အတွက်အသက်အရွယ်အကြံပြုချက်များပေးရန်နှင့် မျှော်လင့်ချက်မှားနေမှုကြောင့်လူများမကျေနပ်မှုကိုလျှော့ချရန်ကူညီနိုင်သည်။
|
|
|
|
## 🚀 စိန်ခေါ်မှု
|
|
|
|
ဤစိန်ခေါ်မှုတွင် ကျွန်ုပ်တို့သည် Data Science နယ်ပယ်နှင့်ဆက်စပ်သောအယူအဆများကို စာသားများကိုကြည့်ခြင်းဖြင့်ရှာဖွေရန်ကြိုးစားမည်။ ကျွန်ုပ်တို့သည် Data Science အကြောင်း Wikipedia ဆောင်းပါးတစ်ခုကိုယူပြီး၊ စာသားကိုဒေါင်းလုပ်လုပ်ပြီး အဆင့်ဆင့်လုပ်ဆောင်ပြီးနောက်၊ အောက်ပါပုံကဲ့သို့သော စကားလုံးတိမ်တစ်ခုကိုတည်ဆောက်မည်။
|
|
|
|
|
|
|
|
[`notebook.ipynb`](../../../../1-Introduction/01-defining-data-science/notebook.ipynb ':ignore') သို့သွားပြီး ကုဒ်ကိုဖတ်ရှုပါ။ သင်သည်ကုဒ်ကိုလည်း run လုပ်နိုင်ပြီး၊ အချက်အလက်ပြောင်းလဲမှုများကို အချိန်နှင့်တပြေးညီလုပ်ဆောင်ပုံကိုကြည့်ရှုနိုင်သည်။
|
|
|
|
> သင်သည် Jupyter Notebook တွင်ကုဒ်ကို run လုပ်နည်းမသိပါက၊ [ဤဆောင်းပါး](https://soshnikov.com/education/how-to-execute-notebooks-from-github/) ကိုကြည့်ပါ။
|
|
|
|
## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/1)
|
|
|
|
## လုပ်ငန်းများ
|
|
|
|
* **Task 1**: အထက်ပါကုဒ်ကိုပြောင်းလဲပြီး **Big Data** နှင့် **Machine Learning** နယ်ပယ်များအတွက်ဆက်စပ်အယူအဆများကိုရှာဖွေပါ။
|
|
* **Task 2**: [Data Science အခြေအနေများအကြောင်းတွေးပါ](assignment.md)
|
|
|
|
## အကျိုးတူဆောင်ရွက်သူများ
|
|
|
|
ဤသင်ခန်းစာကို [Dmitry Soshnikov](http://soshnikov.com) မှ ♥️ ဖြင့်ရေးသားထားပါသည်။
|
|
|
|
---
|
|
|
|
**အကြောင်းကြားချက်**:
|
|
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း အလိုအလျောက် ဘာသာပြန်မှုများတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာတရ အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူသား ဘာသာပြန်ပညာရှင်များကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်မှုကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအမှားများ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ |