Data-Science-For-Beginners/translations/pa/5-Data-Science-In-Cloud/17-Introduction

ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਪਰਿਚਯ

ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ: ਪਰਿਚਯ - @nitya ਦੁਆਰਾ ਸਕੈਚਨੋਟ

ਇਸ ਪਾਠ ਵਿੱਚ, ਤੁਸੀਂ ਕਲਾਉਡ ਦੇ ਮੁੱਢਲੇ ਸਿਧਾਂਤਾਂ ਬਾਰੇ ਸਿੱਖੋਗੇ, ਫਿਰ ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਕਿਉਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਰਤਣਾ ਦਿਲਚਸਪ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਅਸੀਂ ਕਲਾਉਡ ਵਿੱਚ ਚਲਾਏ ਗਏ ਕੁਝ ਡਾਟਾ ਸਾਇੰਸ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਦਾਹਰਣਾਂ ਨੂੰ ਵੇਖਾਂਗੇ।

ਪ੍ਰੀ-ਲੈਕਚਰ ਕਵਿਜ਼

ਕਲਾਉਡ ਕੀ ਹੈ?

ਕਲਾਉਡ ਜਾਂ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ, ਇੰਟਰਨੈਟ ਉੱਤੇ ਹੋਸਟ ਕੀਤੇ ਗਏ ਢਾਂਚੇ 'ਤੇ ਵੱਖ-ਵੱਖ ਤਰ੍ਹਾਂ ਦੀਆਂ ਪੇ-ਅਜ਼-ਯੂ-ਗੋ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਦੀ ਡਿਲਿਵਰੀ ਹੈ। ਸੇਵਾਵਾਂ ਵਿੱਚ ਸਟੋਰੇਜ, ਡਾਟਾਬੇਸ, ਨੈਟਵਰਕਿੰਗ, ਸੌਫਟਵੇਅਰ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਬੁੱਧੀਮਾਨ ਸੇਵਾਵਾਂ ਸ਼ਾਮਲ ਹਨ।

ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਜਨਤਕ, ਨਿੱਜੀ ਅਤੇ ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਦੇ ਹਾਂ:

• ਜਨਤਕ ਕਲਾਉਡ: ਜਨਤਕ ਕਲਾਉਡ ਕਿਸੇ ਤੀਜੇ ਪੱਖ ਦੇ ਕਲਾਉਡ ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਮਾਲਕੀ ਅਤੇ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਜੋ ਆਪਣੀਆਂ ਕੰਪਿਊਟਿੰਗ ਸੰਸਾਧਨਾਂ ਨੂੰ ਇੰਟਰਨੈਟ ਰਾਹੀਂ ਜਨਤਕ ਤੌਰ 'ਤੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
• ਨਿੱਜੀ ਕਲਾਉਡ: ਨਿੱਜੀ ਨੈਟਵਰਕ 'ਤੇ ਸੇਵਾਵਾਂ ਅਤੇ ਢਾਂਚੇ ਦੇ ਨਾਲ ਸਿਰਫ ਇੱਕ ਕਾਰੋਬਾਰ ਜਾਂ ਸੰਗਠਨ ਦੁਆਰਾ ਵਰਤੀਆਂ ਗਈਆਂ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸੰਸਾਧਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
• ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡ: ਹਾਈਬ੍ਰਿਡ ਕਲਾਉਡ ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ ਜੋ ਜਨਤਕ ਅਤੇ ਨਿੱਜੀ ਕਲਾਉਡਾਂ ਨੂੰ ਜੋੜਦੀ ਹੈ। ਉਪਭੋਗਤਾ ਸਥਾਨਕ ਡਾਟਾਸੈਂਟਰ ਲਈ ਚੁਣਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਡਾਟਾ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਇੱਕ ਜਾਂ ਵੱਧ ਜਨਤਕ ਕਲਾਉਡਾਂ 'ਤੇ ਚਲਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ।

ਅਧਿਕਤਮ ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਸੇਵਾਵਾਂ ਤਿੰਨ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ: ਢਾਂਚਾ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (IaaS), ਪਲੇਟਫਾਰਮ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (PaaS) ਅਤੇ ਸੌਫਟਵੇਅਰ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (SaaS)।

• ਢਾਂਚਾ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (IaaS): ਉਪਭੋਗਤਾ ਸਰਵਰਾਂ ਅਤੇ ਵਰਚੁਅਲ ਮਸ਼ੀਨਾਂ (VMs), ਸਟੋਰੇਜ, ਨੈਟਵਰਕ, ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਵਰਗੇ IT ਢਾਂਚੇ ਨੂੰ ਕਿਰਾਏ 'ਤੇ ਲੈਂਦੇ ਹਨ।
• ਪਲੇਟਫਾਰਮ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (PaaS): ਉਪਭੋਗਤਾ ਸੌਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਵਿਕਸਿਤ, ਟੈਸਟ, ਡਿਲਿਵਰ ਅਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਇੱਕ ਵਾਤਾਵਰਣ ਕਿਰਾਏ 'ਤੇ ਲੈਂਦੇ ਹਨ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਵਿਕਾਸ ਲਈ ਲੋੜੀਂਦੇ ਸਰਵਰਾਂ, ਸਟੋਰੇਜ, ਨੈਟਵਰਕ ਅਤੇ ਡਾਟਾਬੇਸ ਦੇ ਮੂਲ ਢਾਂਚੇ ਨੂੰ ਸੈਟਅੱਪ ਜਾਂ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਦੀ ਚਿੰਤਾ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।
• ਸੌਫਟਵੇਅਰ ਇੱਕ ਸੇਵਾ ਵਜੋਂ (SaaS): ਉਪਭੋਗਤਾ ਇੰਟਰਨੈਟ ਰਾਹੀਂ ਮੰਗ 'ਤੇ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਆਧਾਰ 'ਤੇ ਸੌਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸੌਫਟਵੇਅਰ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਹੋਸਟਿੰਗ ਅਤੇ ਪ੍ਰਬੰਧਨ, ਮੂਲ ਢਾਂਚੇ ਜਾਂ ਰੱਖ-ਰਖਾਅ, ਜਿਵੇਂ ਕਿ ਸੌਫਟਵੇਅਰ ਅੱਪਗ੍ਰੇਡ ਅਤੇ ਸੁਰੱਖਿਆ ਪੈਚਿੰਗ ਦੀ ਚਿੰਤਾ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ।

ਕੁਝ ਵੱਡੇ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਹਨ Amazon Web Services, Google Cloud Platform ਅਤੇ Microsoft Azure।

ਡਾਟਾ ਸਾਇੰਸ ਲਈ ਕਲਾਉਡ ਕਿਉਂ ਚੁਣਨਾ?

ਡਿਵੈਲਪਰ ਅਤੇ IT ਪੇਸ਼ੇਵਰ ਕਲਾਉਡ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ ਚੁਣਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ:

• ਨਵੋਨਮੇਸ਼: ਤੁਸੀਂ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾਵਾਂ ਦੁਆਰਾ ਬਣਾਈਆਂ ਨਵੀਂ ਸੇਵਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਕੇ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾ ਸਕਦੇ ਹੋ।
• ਲਚੀਲਾਪਨ: ਤੁਸੀਂ ਸਿਰਫ ਉਹ ਸੇਵਾਵਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਜੋ ਤੁਹਾਨੂੰ ਲੋੜੀਂਦੀਆਂ ਹਨ ਅਤੇ ਸੇਵਾਵਾਂ ਦੀ ਇੱਕ ਵਿਆਪਕ ਸ਼੍ਰੇਣੀ ਵਿੱਚੋਂ ਚੁਣ ਸਕਦੇ ਹੋ। ਤੁਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਜਿਵੇਂ-ਤਿਵੇਂ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਅਤੇ ਆਪਣੀਆਂ ਬਦਲਦੀਆਂ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਸੇਵਾਵਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰ ਸਕਦੇ ਹੋ।
• ਬਜਟ: ਤੁਹਾਨੂੰ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸੌਫਟਵੇਅਰ ਖਰੀਦਣ, ਸੈਟਅੱਪ ਕਰਨ ਅਤੇ ਸਥਾਨਕ ਡਾਟਾਸੈਂਟਰ ਚਲਾਉਣ ਲਈ ਸ਼ੁਰੂਆਤੀ ਨਿਵੇਸ਼ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਤੁਸੀਂ ਸਿਰਫ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਲਈ ਭੁਗਤਾਨ ਕਰਦੇ ਹੋ ਜੋ ਤੁਸੀਂ ਵਰਤਦੇ ਹੋ।
• ਸਕੇਲਬਿਲਟੀ: ਤੁਹਾਡੇ ਸੰਸਾਧਨ ਪ੍ਰੋਜੈਕਟ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਅਨੁਸਾਰ ਵਧ ਸਕਦੇ ਹਨ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਤੁਹਾਡੇ ਐਪਲੀਕੇਸ਼ਨ ਵਧੇਰੇ ਜਾਂ ਘੱਟ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ, ਸਟੋਰੇਜ ਅਤੇ ਬੈਂਡਵਿਡਥ ਵਰਤ ਸਕਦੇ ਹਨ।
• ਉਤਪਾਦਕਤਾ: ਤੁਸੀਂ ਆਪਣੇ ਕਾਰੋਬਾਰ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹੋ ਬਜਾਏ ਉਹ ਕੰਮ ਕਰਨ ਦੇ ਜੋ ਕਿਸੇ ਹੋਰ ਦੁਆਰਾ ਪ੍ਰਬੰਧਿਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਡਾਟਾਸੈਂਟਰ ਪ੍ਰਬੰਧਨ।
• ਭਰੋਸੇਯੋਗਤਾ: ਕਲਾਉਡ ਕੰਪਿਊਟਿੰਗ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਤੁਹਾਡੇ ਡਾਟੇ ਦਾ ਨਿਰੰਤਰ ਬੈਕਅੱਪ ਲੈਣ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਤੁਸੀਂ ਡਿਜਾਸਟਰ ਰਿਕਵਰੀ ਯੋਜਨਾਵਾਂ ਸੈਟਅੱਪ ਕਰ ਸਕਦੇ ਹੋ।
• ਸੁਰੱਖਿਆ: ਤੁਸੀਂ ਨੀਤੀਆਂ, ਤਕਨਾਲੋਜੀਆਂ ਅਤੇ ਨਿਯੰਤਰਣਾਂ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਤੁਹਾਡੇ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸੁਰੱਖਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੇ ਹਨ।

ਇਹ ਕੁਝ ਆਮ ਕਾਰਨ ਹਨ ਜਿਨ੍ਹਾਂ ਕਰਕੇ ਲੋਕ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਨੂੰ ਇਹ ਸਮਝ ਆ ਗਈ ਹੈ ਕਿ ਕਲਾਉਡ ਕੀ ਹੈ ਅਤੇ ਇਸਦੇ ਮੁੱਖ ਫਾਇਦੇ ਕੀ ਹਨ, ਆਓ ਡਾਟਾ ਸਾਇੰਸਦਾਨਾਂ ਅਤੇ ਡਾਟਾ ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਡਿਵੈਲਪਰਾਂ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਖਾਸ ਤੌਰ 'ਤੇ ਝਾਤ ਮਾਰਦੇ ਹਾਂ, ਅਤੇ ਕਲਾਉਡ ਕਿਵੇਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਕਈ ਚੁਣੌਤੀਆਂ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ:

• ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਡਾਟਾ ਸਟੋਰ ਕਰਨਾ: ਵੱਡੇ ਸਰਵਰਾਂ ਨੂੰ ਖਰੀਦਣ, ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਸਿੱਧੇ ਕਲਾਉਡ ਵਿੱਚ ਸਟੋਰ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ Azure Cosmos DB, Azure SQL Database ਅਤੇ Azure Data Lake Storage ਵਰਗੇ ਹੱਲਾਂ ਨਾਲ।
• ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਕਰਨਾ: ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਡਾਟਾ ਸਾਇੰਸ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਕਾਰਵਾਈ ਕਰਨ ਤੱਕ ਦੀ ਯਾਤਰਾ ਕਰਨ ਦਿੰਦਾ ਹੈ। ਕਲਾਉਡ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀਆਂ ਡਾਟਾ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਸੇਵਾਵਾਂ ਨਾਲ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ, ਬਦਲ ਅਤੇ ਇੱਕ ਡਾਟਾ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ।
• ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ: ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਬਹੁਤ ਸਾਰੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਹਰ ਕੋਈ ਇਸ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਸ਼ੀਨਾਂ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਰੱਖਦਾ। ਇਸ ਲਈ ਕਈ ਲੋਕ ਸਿੱਧੇ ਕਲਾਉਡ ਦੀ ਵੱਡੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਨੂੰ ਵਰਤਣ ਲਈ ਚੁਣਦੇ ਹਨ।
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ: ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਜਿਵੇਂ ਕਿ Azure Synapse Analytics, Azure Stream Analytics ਅਤੇ Azure Databricks ਤੁਹਾਡੇ ਡਾਟੇ ਨੂੰ ਕਾਰਵਾਈਯੋਗ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀਆਂ ਹਨ।
• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਡਾਟਾ ਇੰਟੈਲੀਜੈਂਸ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ: ਸ਼ੁਰੂ ਤੋਂ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਸੀਂ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ ਕਿ AzureML ਸੇਵਾਵਾਂ ਨਾਲ। ਤੁਸੀਂ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ, ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਅਤੇ ਹੋਰ ਵਰਗੀਆਂ ਕੌਗਨਿਟਿਵ ਸੇਵਾਵਾਂ ਦੀ ਵੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ।

ਕਲਾਉਡ ਵਿੱਚ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਉਦਾਹਰਣ

ਆਓ ਕੁਝ ਸਥਿਤੀਆਂ ਨੂੰ ਵੇਖ ਕੇ ਇਸਨੂੰ ਹੋਰ ਵਾਸਤਵਿਕ ਬਣਾਈਏ।

ਰੀਅਲ-ਟਾਈਮ ਸੋਸ਼ਲ ਮੀਡੀਆ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ

ਆਓ ਇੱਕ ਸਥਿਤੀ ਨਾਲ ਸ਼ੁਰੂ ਕਰੀਏ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਦੁਆਰਾ ਅਧਿਐਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਰੀਅਲ-ਟਾਈਮ ਸੋਸ਼ਲ ਮੀਡੀਆ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ।

ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਇੱਕ ਨਿਊਜ਼ ਮੀਡੀਆ ਵੈਬਸਾਈਟ ਚਲਾਉਂਦੇ ਹੋ ਅਤੇ ਤੁਸੀਂ ਲਾਈਵ ਡਾਟੇ ਨੂੰ ਵਰਤ ਕੇ ਇਹ ਸਮਝਣਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਤੁਹਾਡੇ ਪਾਠਕ ਕਿਸ ਸਮੱਗਰੀ ਵਿੱਚ ਦਿਲਚਸਪੀ ਲੈ ਸਕਦੇ ਹਨ। ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਬਣਾ ਸਕਦੇ ਹੋ ਜੋ ਟਵਿੱਟਰ ਪ੍ਰਕਾਸ਼ਨਾਂ ਦੇ ਡਾਟੇ ਦਾ ਰੀਅਲ-ਟਾਈਮ ਸੈਂਟੀਮੈਂਟ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਜੋ ਤੁਹਾਡੇ ਪਾਠਕਾਂ ਲਈ ਸਬੰਧਤ ਵਿਸ਼ਿਆਂ 'ਤੇ ਹੈ।

ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਕਦਮ ਇਹ ਹਨ:

• ਇਨਪੁਟ ਸਟ੍ਰੀਮਿੰਗ ਲਈ ਇੱਕ ਇਵੈਂਟ ਹੱਬ ਬਣਾਓ, ਜੋ ਟਵਿੱਟਰ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰੇਗਾ।
• ਟਵਿੱਟਰ ਕਲਾਇੰਟ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਕਨਫਿਗਰ ਅਤੇ ਸ਼ੁਰੂ ਕਰੋ, ਜੋ ਟਵਿੱਟਰ ਸਟ੍ਰੀਮਿੰਗ APIs ਨੂੰ ਕਾਲ ਕਰੇਗਾ।
• ਇੱਕ ਸਟ੍ਰੀਮ ਐਨਾਲਿਟਿਕਸ ਜੌਬ ਬਣਾਓ।
• ਜੌਬ ਇਨਪੁਟ ਅਤੇ ਕਵੈਰੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ।
• ਇੱਕ ਆਉਟਪੁੱਟ ਸਿੰਕ ਬਣਾਓ ਅਤੇ ਜੌਬ ਆਉਟਪੁੱਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ।
• ਜੌਬ ਸ਼ੁਰੂ ਕਰੋ।

ਪੂਰੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵੇਖਣ ਲਈ, ਡਾਕੂਮੈਂਟੇਸ਼ਨ ਵੇਖੋ।

ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਆਓ ਇੱਕ ਹੋਰ ਪ੍ਰੋਜੈਕਟ ਦੇ ਉਦਾਹਰਣ ਨੂੰ ਵੇਖੀਏ ਜੋ ਦਿਮਿਤਰੀ ਸੋਸ਼ਨਿਕੋਵ, ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਲੇਖਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ।

ਦਿਮਿਤਰੀ ਨੇ ਇੱਕ ਟੂਲ ਬਣਾਇਆ ਜੋ COVID ਪੇਪਰਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਇਸ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸਮੀਖਿਆ ਕਰਕੇ, ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਇੱਕ ਟੂਲ ਬਣਾ ਸਕਦੇ ਹੋ ਜੋ ਵਿਗਿਆਨਕ ਪੇਪਰਾਂ ਤੋਂ ਗਿਆਨ ਕੱਢਦਾ ਹੈ, ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਖੋਜਕਰਤਿਆਂ ਨੂੰ ਵੱਡੇ ਪੇਪਰਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕੇ ਨਾਲ ਨੈਵੀਗੇਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਆਓ ਇਸ ਲਈ ਵਰਤੇ ਗਏ ਵੱਖ-ਵੱਖ ਕਦਮਾਂ ਨੂੰ ਵੇਖੀਏ:

• Text Analytics for Health ਨਾਲ ਜਾਣਕਾਰੀ ਕੱਢਣਾ ਅਤੇ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਕਰਨਾ।
• ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਪੈਰਾਲਲਾਈਜ਼ ਕਰਨ ਲਈ Azure ML ਦੀ ਵਰਤੋਂ।
• ਜਾਣਕਾਰੀ ਨੂੰ ਸਟੋਰ ਅਤੇ ਕਵੈਰੀ ਕਰਨ ਲਈ Cosmos DB ਦੀ ਵਰਤੋਂ।
• ਡਾਟਾ ਐਕਸਪਲੋਰੇਸ਼ਨ ਅਤੇ ਵਿਜੁਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਇੱਕ ਇੰਟਰੈਕਟਿਵ ਡੈਸ਼ਬੋਰਡ ਬਣਾਉਣਾ, Power BI ਦੀ ਵਰਤੋਂ ਕਰਕੇ।

ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਦੇਖਣ ਲਈ, ਦਿਮਿਤਰੀ ਦੇ ਬਲੌਗ 'ਤੇ ਜਾਓ।

ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਅਸੀਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਨੂੰ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਡਾਟਾ ਸਾਇੰਸ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ।

ਫੁਟਨੋਟ

ਸਰੋਤ:

• https://azure.microsoft.com/overview/what-is-cloud-computing?ocid=AID3041109
• https://docs.microsoft.com/azure/stream-analytics/stream-analytics-twitter-sentiment-analysis-trends?ocid=AID3041109
• https://soshnikov.com/science/analyzing-medical-papers-with-azure-and-text-analytics-for-health/

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਪੋਸਟ-ਲੈਕਚਰ ਕਵਿਜ਼

ਅਸਾਈਨਮੈਂਟ

ਮਾਰਕੀਟ ਰਿਸਰਚ

---

ਅਸਵੀਕਾਰਨਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦਾ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੀਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼, ਜੋ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਹੈ, ਨੂੰ 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।