localizeflow[bot]
b484b52f2a
|
6 months ago | |
|---|---|---|
| .. | ||
| solution | 6 months ago | |
| README.md | 6 months ago | |
| assignment.md | 6 months ago | |
| notebook.ipynb | 11 months ago | |
README.md
ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ
 |
|---|
| ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਪਰਿਭਾਸ਼ਾ - ਸਕੇਚਨੋਟ @nitya |
ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼
ਡਾਟਾ ਕੀ ਹੈ?
ਸਾਡੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ, ਅਸੀਂ ਹਮੇਸ਼ਾ ਡਾਟਾ ਨਾਲ ਘਿਰੇ ਰਹਿੰਦੇ ਹਾਂ। ਤੁਸੀਂ ਹੁਣ ਜੋ ਟੈਕਸਟ ਪੜ੍ਹ ਰਹੇ ਹੋ, ਇਹ ਵੀ ਡਾਟਾ ਹੈ। ਤੁਹਾਡੇ ਸਮਾਰਟਫੋਨ ਵਿੱਚ ਤੁਹਾਡੇ ਦੋਸਤਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਦੀ ਸੂਚੀ ਡਾਟਾ ਹੈ, ਅਤੇ ਤੁਹਾਡੀ ਘੜੀ 'ਤੇ ਦਿਖਾਈ ਦੇ ਰਹੇ ਮੌਜੂਦਾ ਸਮੇਂ ਦੀ ਜਾਣਕਾਰੀ ਵੀ। ਇੱਕ ਮਨੁੱਖ ਦੇ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਪੈਸੇ ਗਿਣਣਾ ਜਾਂ ਆਪਣੇ ਦੋਸਤਾਂ ਨੂੰ ਚਿੱਠੀਆਂ ਲਿਖਣਾ।
ਹਾਲਾਂਕਿ, ਕੰਪਿਊਟਰਾਂ ਦੇ ਬਣਨ ਨਾਲ ਡਾਟਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੋ ਗਿਆ। ਕੰਪਿਊਟਰਾਂ ਦਾ ਮੁੱਖ ਕੰਮ ਗਣਨਾ ਕਰਨਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਡਾਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਸਾਨੂੰ ਸਮਝਣਾ ਪਵੇਗਾ ਕਿ ਕੰਪਿਊਟਰ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਨ।
ਇੰਟਰਨੈਟ ਦੇ ਆਉਣ ਨਾਲ, ਡਾਟਾ ਸੰਭਾਲਣ ਵਾਲੇ ਜੰਤਰਾਂ ਦੇ ਤੌਰ 'ਤੇ ਕੰਪਿਊਟਰਾਂ ਦੀ ਭੂਮਿਕਾ ਵਧ ਗਈ। ਜੇ ਤੁਸੀਂ ਸੋਚੋ, ਅਸੀਂ ਹੁਣ ਗਣਨਾ ਕਰਨ ਦੀ ਬਜਾਏ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਸੰਚਾਰ ਲਈ ਜ਼ਿਆਦਾ ਤੋਂ ਜ਼ਿਆਦਾ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਜਦੋਂ ਅਸੀਂ ਆਪਣੇ ਦੋਸਤ ਨੂੰ ਈਮੇਲ ਲਿਖਦੇ ਹਾਂ ਜਾਂ ਇੰਟਰਨੈਟ 'ਤੇ ਕੁਝ ਜਾਣਕਾਰੀ ਖੋਜਦੇ ਹਾਂ - ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਡਾਟਾ ਬਣਾਉਂਦੇ, ਸਟੋਰ ਕਰਦੇ, ਭੇਜਦੇ ਅਤੇ ਮੈਨਿਪੁਲੇਟ ਕਰਦੇ ਹਾਂ।
ਕੀ ਤੁਸੀਂ ਆਖਰੀ ਵਾਰ ਯਾਦ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਅਸਲ ਵਿੱਚ ਕੁਝ ਗਣਨਾ ਕਰਨ ਲਈ ਕੀਤੀ ਸੀ?
ਡਾਟਾ ਸਾਇੰਸ ਕੀ ਹੈ?
ਵਿਕੀਪੀਡੀਆ ਵਿੱਚ, ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਇੱਕ ਵਿਗਿਆਨਕ ਖੇਤਰ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਤੋਂ ਗਿਆਨ ਅਤੇ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਡਾਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਗਿਆਨ ਅਤੇ ਕਾਰਗਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵਿਆਪਕ ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਦਾ ਹੈ।
ਇਹ ਪਰਿਭਾਸ਼ਾ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਹੇਠ ਲਿਖੇ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ:
- ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਮੁੱਖ ਉਦੇਸ਼ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ, ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ - ਡਾਟਾ ਨੂੰ ਸਮਝਣਾ, ਕੁਝ ਲੁਕਵੇਂ ਸੰਬੰਧ ਲੱਭਣਾ ਅਤੇ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ।
- ਡਾਟਾ ਸਾਇੰਸ ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜੇ। ਅਸਲ ਵਿੱਚ, ਜਦੋਂ ਪਹਿਲੀ ਵਾਰ ਡਾਟਾ ਸਾਇੰਸ ਸ਼ਬਦ ਦੀ ਪਹਿਚਾਣ ਹੋਈ, ਕੁਝ ਲੋਕਾਂ ਨੇ ਦਲੀਲ ਦਿੱਤੀ ਕਿ ਡਾਟਾ ਸਾਇੰਸ ਸਿਰਫ ਅੰਕੜਿਆਂ ਲਈ ਇੱਕ ਨਵਾਂ ਆਧੁਨਿਕ ਨਾਮ ਹੈ। ਅੱਜਕਲ ਇਹ ਸਪਸ਼ਟ ਹੋ ਗਿਆ ਹੈ ਕਿ ਇਹ ਖੇਤਰ ਕਾਫ਼ੀ ਵੱਡਾ ਹੈ।
- ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਗਿਆਨ ਕੁਝ ਕਾਰਗਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਜਿਹੀ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਜੋ ਤੁਸੀਂ ਅਸਲ ਕਾਰੋਬਾਰੀ ਸਥਿਤੀਆਂ 'ਤੇ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹੋ।
- ਅਸੀਂ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਦੋਵਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸੀਂ ਕੋਰਸ ਵਿੱਚ ਬਾਅਦ ਵਿੱਚ ਡਾਟਾ ਦੇ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ 'ਤੇ ਚਰਚਾ ਕਰਨ ਲਈ ਵਾਪਸ ਆਵਾਂਗੇ।
- ਐਪਲੀਕੇਸ਼ਨ ਖੇਤਰ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾ ਹੈ, ਅਤੇ ਡਾਟਾ ਸਾਇੰਸਟਿਸ ਨੂੰ ਅਕਸਰ ਸਮੱਸਿਆ ਖੇਤਰ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਕੁਝ ਹਦ ਤੱਕ ਮਾਹਰਤਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਦਾਹਰਣ ਲਈ: ਵਿੱਤ, ਦਵਾਈ, ਮਾਰਕੀਟਿੰਗ, ਆਦਿ।
ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਹੋਰ ਮਹੱਤਵਪੂਰਨ ਪਹਲੂ ਇਹ ਹੈ ਕਿ ਇਹ ਅਧਿਐਨ ਕਰਦਾ ਹੈ ਕਿ ਡਾਟਾ ਨੂੰ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਿਵੇਂ ਇਕੱਠਾ, ਸਟੋਰ ਅਤੇ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਅੰਕੜੇ ਸਾਨੂੰ ਗਣਿਤਕ ਆਧਾਰ ਦਿੰਦੇ ਹਨ, ਡਾਟਾ ਸਾਇੰਸ ਗਣਿਤਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਅਸਲ ਵਿੱਚ ਡਾਟਾ ਤੋਂ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕੇ।
ਡਾਟਾ ਸਾਇੰਸ ਨੂੰ ਦੇਖਣ ਦਾ ਇੱਕ ਤਰੀਕਾ (ਜੋ ਜਿਮ ਗਰੇ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ) ਇਹ ਹੈ ਕਿ ਇਸਨੂੰ ਵਿਗਿਆਨ ਦਾ ਇੱਕ ਵੱਖਰਾ ਪੈਰਾਡਾਇਮ ਮੰਨਿਆ ਜਾਵੇ:
- ਅਨੁਭਵਾਤਮਕ, ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅਧਿਐਨ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਾਂ
- ਸਿਧਾਂਤਕ, ਜਿੱਥੇ ਨਵੇਂ ਧਾਰਨਾ ਮੌਜੂਦਾ ਵਿਗਿਆਨਕ ਗਿਆਨ ਤੋਂ ਉਤਪੰਨ ਹੁੰਦੇ ਹਨ
- ਗਣਨਾਤਮਕ, ਜਿੱਥੇ ਅਸੀਂ ਕੁਝ ਗਣਨਾਤਮਕ ਪ੍ਰਯੋਗਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੇਂ ਸਿਧਾਂਤਾਂ ਦੀ ਖੋਜ ਕਰਦੇ ਹਾਂ
- ਡਾਟਾ-ਅਧਾਰਿਤ, ਡਾਟਾ ਵਿੱਚ ਸੰਬੰਧਾਂ ਅਤੇ ਪੈਟਰਨ ਦੀ ਖੋਜ 'ਤੇ ਅਧਾਰਿਤ
ਹੋਰ ਸੰਬੰਧਿਤ ਖੇਤਰ
ਕਿਉਂਕਿ ਡਾਟਾ ਹਰ ਜਗ੍ਹਾ ਹੈ, ਡਾਟਾ ਸਾਇੰਸ ਖੁਦ ਵੀ ਇੱਕ ਵੱਡਾ ਖੇਤਰ ਹੈ, ਜੋ ਕਈ ਹੋਰ ਵਿਭਾਗਾਂ ਨੂੰ ਛੁਹਦਾ ਹੈ।
- ਡਾਟਾਬੇਸ
- ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਚਾਰ ਹੈ ਡਾਟਾ ਨੂੰ ਕਿਵੇਂ ਸਟੋਰ ਕਰਨਾ ਹੈ, ਯਾਨੀ ਇਸਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਬਣਾਉਣਾ ਹੈ ਜੋ ਤੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਕਿਸਮ ਦੇ ਡਾਟਾਬੇਸ ਹਨ ਜੋ ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਨੂੰ ਸਟੋਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਆਪਣੇ ਕੋਰਸ ਵਿੱਚ ਵਿਚਾਰ ਕਰਾਂਗੇ।
- ਬਿਗ ਡਾਟਾ
- ਅਕਸਰ ਸਾਨੂੰ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਸਟੋਰ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਸਦੀ ਸੰਰਚਨਾ ਸਧਾਰਨ ਹੁੰਦੀ ਹੈ। ਇਸ ਡਾਟਾ ਨੂੰ ਕਲਸਟਰ 'ਤੇ ਵੰਡੇ ਹੋਏ ਤਰੀਕੇ ਨਾਲ ਸਟੋਰ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਕੁਸ਼ਲਤਾਪੂਰਵਕ ਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਤਰੀਕੇ ਅਤੇ ਸੰਦ ਹਨ।
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ
- ਡਾਟਾ ਨੂੰ ਸਮਝਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ ਜੋ ਇੱਕ ਚਾਹੀਦਾ ਨਤੀਜਾ ਪੇਸ਼ਗੂ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇ। ਡਾਟਾ ਤੋਂ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਸਾਡੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਫਾਰ ਬਿਗਿਨਰਜ਼ ਕੋਰਸ ਨੂੰ ਦੇਖ ਸਕਦੇ ਹੋ।
- ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਇੱਕ ਖੇਤਰ ਜਿਸਨੂੰ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਡਾਟਾ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਨਕਲ ਕਰਨ ਵਾਲੇ ਉੱਚ ਜਟਿਲਤਾ ਮਾਡਲ ਬਣਾਉਣ ਸ਼ਾਮਲ ਹਨ। AI ਵਿਧੀਆਂ ਅਕਸਰ ਸਾਨੂੰ ਅਸੰਰਚਿਤ ਡਾਟਾ (ਜਿਵੇਂ ਕਿ ਕੁਦਰਤੀ ਭਾਸ਼ਾ) ਨੂੰ ਸੰਰਚਿਤ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਵਿੱਚ ਬਦਲਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।
- ਦ੍ਰਿਸ਼ਟੀਕਰਨ
- ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡਾਟਾ ਮਨੁੱਖ ਲਈ ਸਮਝਣ ਯੋਗ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਜਦੋਂ ਅਸੀਂ ਉਸ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਾਭਕਾਰੀ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਸੀਂ ਡਾਟਾ ਨੂੰ ਵਧੇਰੇ ਸਮਝ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕੁਝ ਨਤੀਜੇ ਕੱਢ ਸਕਦੇ ਹਾਂ। ਇਸ ਲਈ, ਜਾਣਕਾਰੀ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਕਰਨ ਦੇ ਕਈ ਤਰੀਕੇ ਜਾਣਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ - ਕੁਝ ਅਜਿਹਾ ਜੋ ਅਸੀਂ ਆਪਣੇ ਕੋਰਸ ਦੇ ਸੈਕਸ਼ਨ 3 ਵਿੱਚ ਕਵਰ ਕਰਾਂਗੇ। ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਇੰਫੋਗ੍ਰਾਫਿਕਸ, ਅਤੇ ਮਨੁੱਖ-ਕੰਪਿਊਟਰ ਇੰਟਰੈਕਸ਼ਨ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹਨ।
ਡਾਟਾ ਦੀਆਂ ਕਿਸਮਾਂ
ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਕਿਹਾ ਹੈ, ਡਾਟਾ ਹਰ ਜਗ੍ਹਾ ਹੈ। ਸਾਨੂੰ ਸਿਰਫ ਇਸਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕੈਪਚਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ! ਸੰਰਚਿਤ ਅਤੇ ਅਸੰਰਚਿਤ ਡਾਟਾ ਵਿੱਚ ਅੰਤਰ ਕਰਨਾ ਲਾਭਕਾਰੀ ਹੁੰਦਾ ਹੈ। ਪਹਿਲਾ ਆਮ ਤੌਰ 'ਤੇ ਕੁਝ ਚੰਗੀ ਤਰੀਕੇ ਨਾਲ ਸੰਰਚਿਤ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ, ਅਕਸਰ ਇੱਕ ਟੇਬਲ ਜਾਂ ਕਈ ਟੇਬਲਾਂ ਵਜੋਂ, ਜਦੋਂ ਕਿ ਦੂਜਾ ਸਿਰਫ ਫਾਈਲਾਂ ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ ਹੁੰਦਾ ਹੈ। ਕਈ ਵਾਰ ਅਸੀਂ ਅਰਧ-ਸੰਰਚਿਤ ਡਾਟਾ ਬਾਰੇ ਵੀ ਗੱਲ ਕਰ ਸਕਦੇ ਹਾਂ, ਜਿਸ ਵਿੱਚ ਕੁਝ ਤਰ੍ਹਾਂ ਦੀ ਸੰਰਚਨਾ ਹੁੰਦੀ ਹੈ ਜੋ ਕਾਫ਼ੀ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ।
| ਸੰਰਚਿਤ | ਅਰਧ-ਸੰਰਚਿਤ | ਅਸੰਰਚਿਤ |
|---|---|---|
| ਲੋਕਾਂ ਦੀ ਸੂਚੀ ਉਨ੍ਹਾਂ ਦੇ ਫੋਨ ਨੰਬਰਾਂ ਨਾਲ | ਲਿੰਕਾਂ ਨਾਲ ਵਿਕੀਪੀਡੀਆ ਪੰਨੇ | ਐਨਸਾਈਕਲੋਪੀਡੀਆ ਬ੍ਰਿਟਾਨਿਕਾ ਦਾ ਟੈਕਸਟ |
| ਪਿਛਲੇ 20 ਸਾਲਾਂ ਲਈ ਹਰ ਮਿੰਟ ਵਿੱਚ ਇੱਕ ਇਮਾਰਤ ਦੇ ਸਾਰੇ ਕਮਰਿਆਂ ਵਿੱਚ ਤਾਪਮਾਨ | ਲੇਖਕਾਂ, ਪ੍ਰਕਾਸ਼ਨ ਦੇ ਡੇਟਾ, ਅਤੇ ਸਾਰ ਨਾਲ JSON ਫਾਰਮੈਟ ਵਿੱਚ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦਾ ਸੰਗ੍ਰਹਿ | ਕਾਰਪੋਰੇਟ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਫਾਈਲ ਸਾਂਝਾ |
| ਇਮਾਰਤ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਵਾਲੇ ਸਾਰੇ ਲੋਕਾਂ ਦੀ ਉਮਰ ਅਤੇ ਲਿੰਗ ਲਈ ਡਾਟਾ | ਇੰਟਰਨੈਟ ਪੰਨੇ | ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਕੱਚਾ ਵੀਡੀਓ ਫੀਡ |
ਡਾਟਾ ਕਿੱਥੋਂ ਲੈਣਾ
ਡਾਟਾ ਦੇ ਕਈ ਸੰਭਾਵੀ ਸਰੋਤ ਹਨ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਸਾਰੇ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨਾ ਅਸੰਭਵ ਹੋਵੇਗਾ! ਹਾਲਾਂਕਿ, ਆਓ ਕੁਝ ਆਮ ਸਥਾਨਾਂ ਦਾ ਜ਼ਿਕਰ ਕਰੀਏ ਜਿੱਥੇ ਤੁਸੀਂ ਡਾਟਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ:
- ਸੰਰਚਿਤ
- ਇੰਟਰਨੈਟ ਆਫ ਥਿੰਗਸ (IoT), ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸੈਂਸਰਾਂ ਤੋਂ ਡਾਟਾ ਸ਼ਾਮਲ ਹੈ, ਜਿਵੇਂ ਕਿ ਤਾਪਮਾਨ ਜਾਂ ਦਬਾਅ ਸੈਂਸਰ, ਬਹੁਤ ਸਾਰਾ ਲਾਭਕਾਰੀ ਡਾਟਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਦਾਹਰਣ ਲਈ, ਜੇਕਰ ਇੱਕ ਦਫ਼ਤਰ ਦੀ ਇਮਾਰਤ IoT ਸੈਂਸਰਾਂ ਨਾਲ ਸਜਾਈ ਗਈ ਹੈ, ਤਾਂ ਅਸੀਂ ਖਰਚੇ ਘਟਾਉਣ ਲਈ ਹੀਟਿੰਗ ਅਤੇ ਲਾਈਟਿੰਗ ਨੂੰ ਸਵੈ-ਚਾਲਤ ਕਰ ਸਕਦੇ ਹਾਂ।
- ਸਰਵੇਖਣ, ਜੋ ਅਸੀਂ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਖਰੀਦਦਾਰੀ ਤੋਂ ਬਾਅਦ ਜਾਂ ਵੈਬਸਾਈਟ 'ਤੇ ਜਾਓਣ ਤੋਂ ਬਾਅਦ ਪੂਰਾ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹਾਂ।
- ਵਿਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਇੱਕ ਉਪਭੋਗਤਾ ਕਿਸ ਤਰ੍ਹਾਂ ਸਾਈਟ ਵਿੱਚ ਗਹਿਰਾਈ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸਾਈਟ ਨੂੰ ਛੱਡਣ ਦਾ ਆਮ ਕਾਰਨ ਕੀ ਹੈ।
- ਅਸੰਰਚਿਤ
- ਟੈਕਸਟ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਦਾ ਇੱਕ ਧਨਵਾਨ ਸਰੋਤ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੁੱਲ ਭਾਵਨਾ ਸਕੋਰ, ਜਾਂ ਕੁੰਜੀ ਸ਼ਬਦ ਅਤੇ ਅਰਥਮੂਲਕ ਮਤਲਬ ਕੱਢਣਾ।
- ਚਿੱਤਰ ਜਾਂ ਵੀਡੀਓ। ਨਿਗਰਾਨੀ ਕੈਮਰੇ ਤੋਂ ਇੱਕ ਵੀਡੀਓ ਸੜਕ 'ਤੇ ਟ੍ਰੈਫਿਕ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਅਤੇ ਲੋਕਾਂ ਨੂੰ ਸੰਭਾਵੀ ਟ੍ਰੈਫਿਕ ਜਾਮਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੇਣ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਵੈਬ ਸਰਵਰ ਲਾਗ ਨੂੰ ਇਸ ਗੱਲ ਨੂੰ ਸਮਝਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਸਾਡੀ ਸਾਈਟ ਦੇ ਕਿਹੜੇ ਪੰਨੇ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਵੇਖੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਕਿੰਨੀ ਦੇਰ ਲਈ।
- ਅਰਧ-ਸੰਰਚਿਤ
- ਸੋਸ਼ਲ ਨੈਟਵਰਕ ਗ੍ਰਾਫ ਉਪਭੋਗਤਾ ਦੇ ਵਿਅਕਤੀਗਤ ਗੁਣਾਂ ਅਤੇ ਜਾਣਕਾਰੀ ਫੈਲਾਉਣ ਵਿੱਚ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀਤਾ ਬਾਰੇ ਡਾਟਾ ਦੇ ਸ਼ਾਨਦਾਰ ਸਰੋਤ ਹੋ ਸਕਦੇ ਹਨ।
- ਜਦੋਂ ਸਾਡੇ ਕੋਲ ਪਾਰਟੀ ਤੋਂ ਫੋਟੋਆਂ ਦਾ ਇੱਕ ਢੇਰ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਗਰੁੱਪ ਡਾਇਨਾਮਿਕਸ ਡਾਟਾ ਕੱਢਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ, ਲੋਕਾਂ ਦੇ ਗਰੁੱਪਾਂ ਦੇ ਗ੍ਰਾਫ ਬਣਾਉਣ ਦੁਆਰਾ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਤਸਵੀਰਾਂ ਲੈਂਦੇ ਹਨ।
ਵੱਖ-ਵੱਖ ਸੰਭਾਵੀ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜਾਣ ਕੇ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਡਾਟਾ ਸਾਇੰਸ ਤਕਨੀਕਾਂ ਨੂੰ ਸਥਿਤੀ ਨੂੰ ਬਿਹਤਰ ਜਾਣਨ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕ
ਤੁਸੀਂ ਦਲੀਲ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਪਹੁੰਚ ਆਦਰਸ਼ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ ਮੋਡੀਊਲ ਵੱਖ-ਵੱਖ ਲੰਬਾਈ ਦੇ ਹੋ ਸਕਦੇ ਹਨ। ਸ਼ਾਇਦ ਸਮਾਂ ਨੂੰ ਮੋਡੀਊਲ ਦੀ ਲੰਬਾਈ (ਅੱਖਰਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ) ਨਾਲ ਵੰਡਣਾ ਜ਼ਿਆਦਾ ਉਚਿਤ ਹੋਵੇਗਾ, ਅਤੇ ਉਹਨਾਂ ਮੁੱਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
ਜਦੋਂ ਅਸੀਂ ਮਲਟੀਪਲ-ਚੋਇਸ ਟੈਸਟਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਇਹ ਪਤਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹਾਂ ਕਿ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਕਿਹੜੇ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਹੈ, ਅਤੇ ਉਸ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮੱਗਰੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਇਹ ਕਰਨ ਲਈ, ਸਾਨੂੰ ਟੈਸਟਾਂ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਹਰ ਸਵਾਲ ਕਿਸੇ ਨਿਰਧਾਰਤ ਸੰਕਲਪ ਜਾਂ ਗਿਆਨ ਦੇ ਟੁਕੜੇ ਨਾਲ ਜੁੜਿਆ ਹੋਵੇ।
ਜੇਕਰ ਅਸੀਂ ਹੋਰ ਜਟਿਲ ਹੋਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਹਰ ਮੋਡੀਊਲ ਲਈ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਵਿਦਿਆਰਥੀਆਂ ਦੀ ਉਮਰ ਸ਼੍ਰੇਣੀ ਦੇ ਮੁਕਾਬਲੇ ਵਿੱਚ ਪਲਾਟ ਕਰ ਸਕਦੇ ਹਾਂ। ਸਾਨੂੰ ਪਤਾ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਕੁਝ ਉਮਰ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਮੋਡੀਊਲ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਬੇਹਤਾਸ਼ਾ ਲੰਬਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ, ਜਾਂ ਵਿਦਿਆਰਥੀ ਇਸਨੂੰ ਪੂਰਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਛੱਡ ਦਿੰਦੇ ਹਨ। ਇਹ ਸਾਨੂੰ ਮੋਡੀਊਲ ਲਈ ਉਮਰ ਦੀ ਸਿਫਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਗਲਤ ਉਮੀਦਾਂ ਤੋਂ ਲੋਕਾਂ ਦੀ ਨਿਰਾਸ਼ਾ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ।
🚀 ਚੁਣੌਤੀ
ਇਸ ਚੁਣੌਤੀ ਵਿੱਚ, ਅਸੀਂ ਟੈਕਸਟਾਂ ਨੂੰ ਦੇਖ ਕੇ ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਖੇਤਰ ਨਾਲ ਸਬੰਧਤ ਸੰਕਲਪਾਂ ਨੂੰ ਪਤਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ। ਅਸੀਂ ਡੇਟਾ ਸਾਇੰਸ 'ਤੇ ਇੱਕ ਵਿਕੀਪੀਡੀਆ ਲੇਖ ਲਵਾਂਗੇ, ਟੈਕਸਟ ਨੂੰ ਡਾਊਨਲੋਡ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਾਂਗੇ, ਅਤੇ ਫਿਰ ਇੱਕ ਵਰਡ ਕਲਾਉਡ ਬਣਾਵਾਂਗੇ ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ:
ਕੋਡ ਨੂੰ ਪੜ੍ਹਨ ਲਈ notebook.ipynb 'ਤੇ ਜਾਓ। ਤੁਸੀਂ ਕੋਡ ਨੂੰ ਚਲਾ ਵੀ ਸਕਦੇ ਹੋ, ਅਤੇ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਇਹ ਸਾਰੇ ਡੇਟਾ ਰੂਪਾਂਤਰਨਾਂ ਨੂੰ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਕਿਵੇਂ ਕਰਦਾ ਹੈ।
ਜੇਕਰ ਤੁਹਾਨੂੰ Jupyter Notebook ਵਿੱਚ ਕੋਡ ਚਲਾਉਣ ਦਾ ਪਤਾ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਸ ਲੇਖ ਨੂੰ ਦੇਖੋ।
ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼
ਅਸਾਈਨਮੈਂਟਸ
- ਟਾਸਕ 1: ਉਪਰੋਕਤ ਕੋਡ ਨੂੰ ਸੋਧੋ ਤਾਂ ਜੋ Big Data ਅਤੇ Machine Learning ਦੇ ਖੇਤਰਾਂ ਲਈ ਸਬੰਧਤ ਸੰਕਲਪਾਂ ਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ।
- ਟਾਸਕ 2: ਡੇਟਾ ਸਾਇੰਸ ਸਥਿਤੀਆਂ ਬਾਰੇ ਸੋਚੋ
ਸ਼੍ਰੇਯ
ਇਹ ਪਾਠ ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ ਦੁਆਰਾ ♥️ ਨਾਲ ਲਿਖਿਆ ਗਿਆ ਹੈ।
ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।