15 KiB
ဒေတာကို သတ်မှတ်ခြင်း
 |
|---|
| ဒေတာကို သတ်မှတ်ခြင်း - Sketchnote by @nitya |
ဒေတာဆိုတာ အချက်အလက်များ၊ သတင်းအချက်အလက်များ၊ ကြည့်ရှုချက်များနှင့် တိုင်းတာမှုများဖြစ်ပြီး ရှာဖွေတွေ့ရှိမှုများနှင့် သတိထားဆောင်ရွက်မှုများကို ပံ့ပိုးရန် အသုံးပြုသည်။ ဒေတာအချက်အလက်တစ်ခုသည် ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုအတွင်းရှိ ဒေတာ၏ တစ်ခုတည်းသောယူနစ်ဖြစ်ပြီး ဒေတာအချက်အလက်များစုစည်းမှုတစ်ခုဖြစ်သည်။ ဒေတာအချက်အလက်စုစည်းမှုများသည် အမျိုးအစားနှင့် ဖွဲ့စည်းပုံများကွဲပြားနိုင်ပြီး ဒေတာရရှိသောအရင်းအမြစ်ပေါ်မူတည်၍ အများအားဖြင့် ဖွဲ့စည်းထားလိမ့်မည်။ ဥပမာအားဖြင့် ကုမ္ပဏီ၏ လစဉ်ဝင်ငွေများသည် စာရင်းဇယားတွင်ရှိနိုင်သလို smartwatch မှ နာရီနှုန်းနှင့် နှလုံးခုန်နှုန်းဒေတာများသည် JSON ဖော်မတ်တွင်ရှိနိုင်သည်။ ဒေတာသိပ္ပံပညာရှင်များသည် ဒေတာအမျိုးအစားများစွာနှင့် အလုပ်လုပ်ရခြင်းသည် ရိုးရိုးဖြစ်နေသည်။
ဒီသင်ခန်းစာမှာ ဒေတာ၏ လက္ခဏာများနှင့် အရင်းအမြစ်များအပေါ်မူတည်၍ ဒေတာကို သတ်မှတ်ခြင်းနှင့် အမျိုးအစားခွဲခြင်းကို အဓိကထားပါသည်။
Pre-Lecture Quiz
ဒေတာကို ဘယ်လို ဖော်ပြထားသလဲ
Raw Data
Raw data ဆိုတာ ဒေတာရရှိသောအရင်းအမြစ်မှ စတင်အခြေအနေတွင် ရရှိလာပြီး မသုံးသပ်ထားသော ဒေတာဖြစ်သည်။ ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုတွင် ဖြစ်ပျက်နေသည်ကို နားလည်ရန်အတွက် ဒေတာကို လူသားများနှင့် နည်းပညာများက နောက်ထပ်သုံးသပ်ရန် နားလည်နိုင်သော ဖော်မတ်တစ်ခုအဖြစ် စီစဉ်ရန်လိုအပ်သည်။ ဒေတာအချက်အလက်စုစည်းမှု၏ ဖွဲ့စည်းပုံသည် ဒေတာကို ဘယ်လို စီစဉ်ထားသည်ကို ဖော်ပြပြီး structured, unstructured, semi-structured အဖြစ် အမျိုးအစားခွဲနိုင်သည်။ ဒီဖွဲ့စည်းပုံအမျိုးအစားများသည် အရင်းအမြစ်ပေါ်မူတည်၍ ကွဲပြားနိုင်သော်လည်း အဓိကအားဖြင့် ဒီအမျိုးအစားသုံးခုအတွင်းသို့ အဆင့်သတ်မှတ်နိုင်သည်။
Quantitative Data
Quantitative data ဆိုတာ ဒေတာအချက်အလက်စုစည်းမှုတစ်ခုအတွင်းရှိ ကိန်းဂဏန်းအချက်အလက်များဖြစ်ပြီး သုံးသပ်နိုင်သည်၊ တိုင်းတာနိုင်သည်၊ သင်္ချာနည်းဖြင့် အသုံးပြုနိုင်သည်။ Quantitative data ၏ ဥပမာများမှာ - တစ်နိုင်ငံ၏ လူဦးရေ၊ တစ်ဦး၏ အရပ်အမြင့်၊ ကုမ္ပဏီ၏ သုံးလပတ်ဝင်ငွေများ ဖြစ်သည်။ Quantitative data ကို နောက်ထပ်သုံးသပ်မှုများဖြင့် Air Quality Index (AQI) ၏ ရာသီဥတုလမ်းကြောင်းများကို ရှာဖွေခြင်း သို့မဟုတ် အလုပ်လုပ်ရက်များတွင် Rush Hour Traffic ဖြစ်နိုင်ခြေကို ခန့်မှန်းခြင်းအတွက် အသုံးပြုနိုင်သည်။
Qualitative Data
Qualitative data (categorical data) ဆိုတာ Quantitative data ကဲ့သို့ တိုင်းတာနိုင်သော ဒေတာမဟုတ်ဘဲ အရည်အသွေးကို ဖမ်းယူထားသော ဒေတာဖြစ်သည်။ Qualitative data သည် အမျိုးမျိုးသော subjective data ဖော်မတ်များဖြစ်ပြီး ပစ္စည်း သို့မဟုတ် လုပ်ငန်းစဉ်၏ အရည်အသွေးကို ဖော်ပြသည်။ တခါတရံ Qualitative data သည် ကိန်းဂဏန်းဖြစ်နိုင်သော်လည်း သင်္ချာနည်းဖြင့် အသုံးမပြုနိုင်ပါ။ ဥပမာအားဖြင့် ဖုန်းနံပါတ်များ၊ အချိန်မှတ်တိုင်များ၊ ဗီဒီယိုမှတ်ချက်များ၊ ကား၏ အမျိုးအစားနှင့် မော်ဒယ်၊ သင့်အနီးဆုံးသူငယ်ချင်းများ၏ အကြိုက်ဆုံးအရောင်များ စသည်တို့ဖြစ်သည်။ Qualitative data ကို စျေးဝယ်သူများအကြိုက်ဆုံးပစ္စည်းများကို နားလည်ရန် သို့မဟုတ် အလုပ်လျှောက်လွှာများတွင် လူကြိုက်များသော keyword များကို ရှာဖွေရန် အသုံးပြုနိုင်သည်။
Structured Data
Structured data ဆိုတာ အတန်းနှင့် ကော်လံများအဖြစ် စီစဉ်ထားသော ဒေတာဖြစ်ပြီး အတန်းတစ်ခုစီတွင် အတူတူသော ကော်လံများရှိသည်။ ကော်လံများသည် တစ်ခုတည်းသော အမျိုးအစားတန်ဖိုးကို ကိုယ်စားပြုပြီး အတန်းတန်ဖိုးကို ဖော်ပြသော နာမည်ဖြင့် ဖော်ပြထားသည်။ Structured data ၏ အကျိုးကျေးဇူးမှာ ဒေတာကို အခြား structured data နှင့် ဆက်စပ်နိုင်သည်။ သို့သော် ဒေတာကို အတိအကျ စီစဉ်ထားသောကြောင့် ဖွဲ့စည်းပုံကို ပြောင်းလဲရန် အချိန်နှင့် အားထုတ်မှုများလိုအပ်သည်။
ဥပမာများ - စာရင်းဇယားများ၊ relational databases၊ ဖုန်းနံပါတ်များ၊ ဘဏ်စာရင်းများ
Unstructured Data
Unstructured data သည် အတန်းနှင့် ကော်လံများအဖြစ် စီစဉ်ထားခြင်းမရှိသော ဒေတာဖြစ်ပြီး ဖော်မတ် သို့မဟုတ် စည်းမျဉ်းများမပါဝင်ပါ။ Unstructured data သည် ဖွဲ့စည်းပုံအကန့်အသတ်နည်းသောကြောင့် ဒေတာအသစ်ထည့်ရန် လွယ်ကူသည်။ သို့သော် ဒေတာကို သုံးသပ်ရန် အချိန်ပိုကြာနိုင်သည်။
ဥပမာများ - စာသားဖိုင်များ၊ စာသားမက်ဆေ့များ၊ ဗီဒီယိုဖိုင်များ
Semi-structured
Semi-structured data သည် structured နှင့် unstructured data ၏ အရည်အသွေးများပေါင်းစပ်ထားသော ဒေတာဖြစ်သည်။ Semi-structured data သည် အတန်းနှင့် ကော်လံများအဖြစ် မဟုတ်သော်လည်း စည်းမျဉ်းများနှင့် ဖွဲ့စည်းထားနိုင်သည်။ Metadata သည် ဒေတာကို ဘယ်လို စီစဉ်ထားသည်ကို ဆုံးဖြတ်ရန် အညွှန်းများဖြစ်ပြီး tags, elements, entities, attributes စသည်ဖြစ်နိုင်သည်။
ဥပမာများ - HTML, CSV ဖိုင်များ, JavaScript Object Notation (JSON)
ဒေတာရင်းမြစ်များ
ဒေတာရင်းမြစ်သည် ဒေတာကို စတင်ဖန်တီးသောနေရာ သို့မဟုတ် "နေထိုင်ရာ" ဖြစ်ပြီး ဒေတာရရှိသောအချိန်နှင့် နည်းလမ်းပေါ်မူတည်၍ ကွဲပြားနိုင်သည်။ Primary data သည် အသုံးပြုသူများမှ ဖန်တီးထားသော ဒေတာဖြစ်ပြီး Secondary data သည် အများသုံးအတွက် စုဆောင်းထားသော ဒေတာဖြစ်သည်။
Database များသည် ဒေတာရင်းမြစ်များဖြစ်ပြီး database management system ကို အသုံးပြု၍ ဒေတာကို host လုပ်ထားသည်။ Files သည် audio, image, video ဖိုင်များနှင့် Excel စာရင်းဇယားများဖြစ်နိုင်သည်။ အင်တာနက်ရင်းမြစ်များသည် ဒေတာ hosting အတွက် ရိုးရိုးနေရာများဖြစ်ပြီး API များသည် ဒေတာကို အပြင်ပရိသတ်များနှင့် မျှဝေရန် လမ်းများဖန်တီးရန် ခွင့်ပြုသည်။
နိဂုံး
ဒီသင်ခန်းစာတွင် ကျွန်ုပ်တို့ သင်ယူခဲ့သည် -
- ဒေတာဆိုတာ ဘာလဲ
- ဒေတာကို ဘယ်လို ဖော်ပြထားသလဲ
- ဒေတာကို ဘယ်လို အမျိုးအစားခွဲထားသလဲ
- ဒေတာကို ဘယ်နေရာမှာ ရှာဖွေနိုင်သလဲ
🚀 စိန်ခေါ်မှု
Kaggle သည် ဖွင့်လွှင့်ထားသော ဒေတာအချက်အလက်စုစည်းမှုများရရှိနိုင်သော အကောင်းဆုံးရင်းမြစ်တစ်ခုဖြစ်သည်။ dataset search tool ကို အသုံးပြု၍ စိတ်ဝင်စားဖွယ် ဒေတာအချက်အလက်စုစည်းမှုများကို ရှာဖွေပြီး အောက်ပါအတိုင်း အမျိုးအစားခွဲပါ -
- ဒေတာသည် Quantitative သို့မဟုတ် Qualitative ဖြစ်ပါသလား။
- ဒေတာသည် Structured, Unstructured, Semi-structured ဖြစ်ပါသလား။
Post-lecture quiz
ပြန်လည်သုံးသပ်ခြင်းနှင့် ကိုယ်တိုင်လေ့လာခြင်း
- Microsoft Learn ၏ Classify your Data ဆိုသော unit သည် structured, semi-structured, unstructured data အကြောင်းကို အသေးစိတ်ဖော်ပြထားသည်။
အိမ်စာ
အကြောင်းကြားချက်:
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု Co-op Translator ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မတိကျမှုများ ပါရှိနိုင်သည်ကို သတိပြုပါ။ မူရင်းဘာသာစကားဖြင့် ရေးသားထားသော စာရွက်စာတမ်းကို အာဏာရှိသော ရင်းမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူ့ဘာသာပြန်ပညာရှင်များမှ ပရော်ဖက်ရှင်နယ် ဘာသာပြန်ခြင်းကို အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားလွဲမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။