Beginnersಗಾಗಿ ಡೇಟಾ ಸೈನ್ಸ್

ಸಂಪೂರ್ಣ newcomers ಡೇಟಾ ಸೈನ್ಸ್‌ಗೆ ಕಾಲಿಡುವುದು ಹೇಗೆ

ಈ ಶತಮಾನದ ಅತ್ಯಂತ Sensual ಕೆಲಸವೆಂದು ಕರೆಯಲ್ಪಡುವ ಡಾಟಾ ಸೈನ್ಸ್ ನಮ್ಮಲ್ಲಿ ಅನೇಕರಿಗೆ ಕನಸಿನ ಕೆಲಸವಾಗಿದೆ. ಆದರೆ ಕೆಲವರಿಗೆ ಇದು ಸವಾಲಿನಂತೆ ತೋರುತ್ತಿದೆ ಮತ್ತು ಎಲ್ಲಿಂದ ಪ್ರಾರಂಭಿಸಬೇಕು ಎಂದು ಅವರಿಗೆ ತಿಳಿದಿಲ್ಲ. ನೀವು ಅವರಲ್ಲಿ ಒಬ್ಬರಾಗಿದ್ದರೆ, ನಂತರ ಓದುವುದನ್ನು ಮುಂದುವರಿಸಿ.

ಈ ಪೋಸ್ಟ್ನಲ್ಲಿ, ನಿಮ್ಮ ಡೇಟಾ ಸೈನ್ಸ್ ಪ್ರಯಾಣವನ್ನು ನೀವು ಮೊದಲಿನಿಂದ ಹೇಗೆ ಪ್ರಾರಂಭಿಸಬಹುದು ಎಂದು ನಾನು ಚರ್ಚಿಸುತ್ತೇನೆ. ನಾನು ಮುಂದಿನ ಹಂತಗಳನ್ನು ವಿವರವಾಗಿ ವಿವರಿಸುತ್ತೇನೆ.

  1. ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನ basicsನ್ನು ತಿಳಿಯಿರಿ
  2. Basics Statistics and Mathematics ಕಲಿಯಿರಿ
  3. Data Analysisಗಾಗಿ ಪೈಥಾನ್ ಕಲಿಯಿರಿ
  4. Machine Learning ಕಲಿಯಿರಿ
  5. Projectsಗಳೊಂದಿಗೆ ಅಭ್ಯಾಸ ಮಾಡಿ

ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನ ಮೂಲಗಳನ್ನು ತಿಳಿಯಿರಿ

ನೀವು IT ಹಿನ್ನೆಲೆಯಿಂದ ಬಂದವರಾಗಿದ್ದರೆ, ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಬಗ್ಗೆ ನಿಮಗೆ ಬಹುಶಃ ಪರಿಚಯವಿದೆ, ಈ ಸಂದರ್ಭದಲ್ಲಿ ನೀವು ಈ ಹಂತವನ್ನು ಬಿಟ್ಟುಬಿಡಬಹುದು. ಆದರೆ ಕೋಡಿಂಗ್‌ನ funಗೆ ನೀವು ಇನ್ನೂ ಒಡ್ಡಿಕೊಳ್ಳದಿದ್ದರೆ, ನೀವು ಪೈಥಾನ್ ಕಲಿಯಲು ಪ್ರಾರಂಭಿಸಬೇಕು. ಇದು ಎಲ್ಲಾ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳನ್ನು ಕಲಿಯಲು ಸುಲಭವಾಗಿದೆ ಮತ್ತು ಇದನ್ನು development ಮತ್ತು data analyticsಗೆ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.

ಮೊದಲಿಗೆ, ಪೈಥಾನ್‌ನ basics ಅಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುವ ಉಚಿತ ಆನ್‌ಲೈನ್ ಟ್ಯುಟೋರಿಯಲ್ಗಳಿಗಾಗಿ ನೀವು ಹುಡುಕಬಹುದು. ಅಲ್ಪಾವಧಿಯಲ್ಲಿಯೇ ನೀವು ಪೈಥಾನ್ ಅನ್ನು ಸ್ವಂತವಾಗಿ ಕಲಿಯಬಹುದಾದ ಕೆಲವು ಲಿಂಕ್‌ಗಳನ್ನು ನಾನು ಪಟ್ಟಿ ಮಾಡುತ್ತಿದ್ದೇನೆ. ನೀವು ಇವುಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬಹುದು ಮತ್ತು ನಿಮಗಾಗಿ ಆಯ್ಕೆ ಮಾಡಬಹುದು.

Lists ಸಮಗ್ರವಾಗಿಲ್ಲ ಮತ್ತು ಪೈಥಾನ್‌ನ basics ಅಂಶಗಳನ್ನು ಕಲಿಯಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುವ webನಲ್ಲಿ ಇನ್ನೂ ಹೆಚ್ಚಿನ resourcesಗಳನ್ನು ನೀವು ಕಾಣಬಹುದು. ಆರಂಭಿಕರಿಗಾಗಿ ಪೈಥಾನ್ ಟ್ಯುಟೋರಿಯಲ್ ಹೊಂದಿರುವ ಅನೇಕ ಯೂಟ್ಯೂಬ್ ಚಾನೆಲ್‌ಗಳನ್ನು ಸಹ ನೀವು ಕಾಣಬಹುದು.

ಒಮ್ಮೆ ನೀವು syntax ಮತ್ತು ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನ ಇತರ basic ಸಂಗತಿಗಳನ್ನು ತಿಳಿದುಕೊಂಡರೆ, ನೀವು ಪೈಥಾನ್‌ನ intermediate ಮತ್ತು advanced levels ಕಲಿಯುವುದನ್ನು ಮುಂದುವರಿಸಬಹುದು. Data Scienceಲ್ಲಿ ಉತ್ತಮವಾಗಿದ್ದರೂ, ಕನಿಷ್ಠ intermediate levelನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ನಾನು ನಿಮಗೆ ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ, ಆದ್ದರಿಂದ ನೀವು ಪೈಥಾನ್‌ನಲ್ಲಿನ Data Structures and File Systemsಗೆ familiarರಾಗಿರಬಹುದು.ಮುಂದಿನ stepಗೆ ಹೋಗೋಣ.

Statistics ಮತ್ತು Mathematics ಕಲಿಯಿರಿ

Data Science dataವನ್ನು analyzing ಮತ್ತು ಉಪಯುಕ್ತ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಒಳನೋಟಗಳನ್ನು ಸೆಳೆಯುವ(actionable insights) skill. ಅದಕ್ಕಾಗಿ ನೀವು basic Statistics ಮತ್ತು Mathematics knowledgeನ್ನು ಹೊಂದಿರಬೇಕು. ಈಗ ನಾನು ನಿಮ್ಮನ್ನು ಉತ್ತಮ statisticianನಾಗಲು ಕೇಳುತ್ತಿಲ್ಲ, ಆದರೆ distribution of data and algorithms ಕೆಲಸದಂತಹ ಪ್ರಮುಖ ವಿಷಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನೀವು basic ಅಂಶಗಳನ್ನು ತಿಳಿದಿರಬೇಕು. ನೀವು ಕಲಿಯಬೇಕಾದದ್ದನ್ನು ಈಗ ನೋಡೋಣ

ಮೊದಲನೆಯದಾಗಿ, ನಿಮ್ಮ high school ಶಾಲಾ ಅಂಕಿಅಂಶಗಳ ಮೂಲಕ ಹೋಗಿ ಇದರಿಂದ ನೀವು ಮತ್ತೆ base ಅನ್ನು touch/ಸ್ಪರ್ಶಿಸಬಹುದು. ಅದಕ್ಕಾಗಿ, ಹೈಸ್ಕೂಲ್ ಅಂಕಿಅಂಶಗಳ highseries ಅನ್ನು ನಾನು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (optional if you are thorough and comfortable with it).

ನಿಮ್ಮ high school concepts brushup ಮಾಡಿದ ನಂತರ, ನೀವು ಈ ಕೆಳಗಿನ ಯಾವುದೇ ಪುಸ್ತಕಗಳನ್ನು ಓದಲು ಪ್ರಾರಂಭಿಸಬಹುದು:

ಮೇಲಿನ links ನಿಮ್ಮನ್ನು ನೇರವಾಗಿ ಈ ಪುಸ್ತಕಗಳ PDF versionsಗೆ ಕರೆದೊಯ್ಯುತ್ತವೆ. ನಿಮ್ಮ ಅನುಕೂಲಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನೀವು physical copiesಗಳನ್ನು ಸಹ ಖರೀದಿಸಬಹುದು. ಈ ಪುಸ್ತಕಗಳಲ್ಲಿ ಒಂದನ್ನು ಓದಿದ ನಂತರ Data Analysis fundamentals ಅಂಶಗಳನ್ನು ಸಹ ನೀವು ತಿಳಿದುಕೊಳ್ಳುತ್ತೀರಿ ಅದು ಮುಂದಿನ ಹಂತದಲ್ಲಿ ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

Note: General advice is to always have an open mind for whatever you cross paths with. The underlying working and logic are generally the same if you are performing a task in two different languages. It’s only a matter of syntax and framework that varies. Data Analysisಲ್ಲಿ ನಮ್ಮ ಮೊದಲ ಪ್ರಯತ್ನಕ್ಕೆ ಹೋಗೋಣ.

Data Analysisಗಾಗಿ ಪೈಥಾನ್ ಕಲಿಯುವುದು

ಇದು ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ. ಪೈಥಾನ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು ಅಗತ್ಯವಾದ Statisticsಗಳ basic ಅಂಶಗಳನ್ನು ನೀವು ಈಗ ತಿಳಿದಿದ್ದೀರಿ, ಅಂತಿಮವಾಗಿ ನಿಮ್ಮ ಕೈಗಳನ್ನು dirt ಮಾಡುವ ಸಮಯ.

ನೀವು ಏನನ್ನೂ ಪಾವತಿಸದೆ ಕಲಿಯಲು ಬಯಸಿದರೆ, Udacityಯಲ್ಲಿ accountನ್ನು ಮಾಡಿ ಮತ್ತು ಅವರ ಉಚಿತ ಕೋರ್ಸ್‌ಗೆ ಸೈನ್ ಅಪ್ ಮಾಡಿ — Intro to Data Analysis. Data Analysisಗೆ ಅಗತ್ಯವಿರುವ Pandas and Numpy ಉಪಯುಕ್ತ ಪೈಥಾನ್ librariesಗಳನ್ನು ಈ ಕೋರ್ಸ್ ನಿಮಗೆ ಪರಿಚಯಿಸುತ್ತದೆ. ನಿಮ್ಮ ಸ್ವಂತ ವೇಗದಲ್ಲಿ ನೀವು ಕಲಿಯಬಹುದು ಮತ್ತು ಕೆಲವು ವಾರಗಳಲ್ಲಿ ಕೋರ್ಸ್ ಅನ್ನು ಸುಲಭವಾಗಿ ಮುಗಿಸಬಹುದು.

ನೀವು explore/ಅನ್ವೇಷಿಸಲು Udacityಯಲ್ಲಿ ಇನ್ನೂ ಅನೇಕ ಕೋರ್ಸ್‌ಗಳಿವೆ. Udacity ನೀಡುವ Nanodegree ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ಸಹ ನೀವು ಕಾಣಬಹುದು, ಇದಕ್ಕಾಗಿ ನೀವು ಸಾಮಾನ್ಯವಾಗಿ ಪಾವತಿಸಬೇಕಾಗುತ್ತದೆ. ನೀವು ಕಲಿಕೆಗೆ ಪಾವತಿಸಲು ಆರಾಮದಾಯಕವಾಗಿದ್ದರೆ, Coursera, Dataquest, Datacamp ಮುಂತಾದ ಅನೇಕ ಉತ್ತಮ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಿವೆ.DataCamp career tracks ಪರೀಕ್ಷಿಸಲು ನಾನು strongly ಸೂಚಿಸಿದ್ದರೂ. ನೀವು ಈಗಾಗಲೇ ಎಷ್ಟು ತಿಳಿದಿರುವಿರಿ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ನಿಮಗೆ ಸೂಕ್ತವಾದ track ಅನ್ನು ನೀವು ಕಾಣಬಹುದು.

ಈ steps ಅಂತ್ಯದ ವೇಳೆಗೆ, ಪೈಥಾನ್‌ನ ಕೆಲವು ಪ್ರಮುಖ libraries ಮತ್ತು Series, Arrays, and DataFrames‌ಗಳಂತಹ data structures ಗಳೊಂದಿಗೆ ನೀವು familiarರಾಗಿರಬೇಕು. data wrangling, drawing conclusions, vectorized operations, grouping data, and combining data from multiple files, ಮುಂತಾದ ಕಾರ್ಯಗಳನ್ನು ಸಹ ನೀವು ನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ನೀವು ಈಗ ಮುಂದಿನ ಹಂತಕ್ಕೆ ಸಿದ್ಧರಾಗಿದ್ದರೂ, ಮುಂದುವರಿಯುವ ಮೊದಲು ಇನ್ನೂ ಒಂದು ವಿಷಯವನ್ನು ಕಲಿಯಬೇಕಾಗಿದೆ. Analytics and Machine Learning ನಡುವಿನ ಅಂತರವನ್ನು ನಿವಾರಿಸುವ final key — Data Visualization.

Data Visualization ವು Data Analyticsಯ ಒಂದು ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ, ಏಕೆಂದರೆ ಇದು ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಮತ್ತು visualize patterns in the data ಮಾಡಲುನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಆದ್ದರಿಂದ ಡೇಟಾವನ್ನು ಹೇಗೆ visualize ಮಾಡುವುದು ಎಂದು ಕಲಿಯುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ. ಹಾಗೆ ಮಾಡಲು ಉತ್ತಮ ಮತ್ತು ಸರಳವಾದ ಮಾರ್ಗವೆಂದರೆ Kaggle’s course of Data Visualization ಮೂಲಕ ಹೋಗುವುದು. ಇದರ ನಂತರ, ನೀವು ಒಂದು ಪ್ರಮುಖ ಪೈಥಾನ್ libraryಯೊಂದಿಗೆ familiar/ಪರಿಚಿತರಾಗಿರುತ್ತೀರಿ — Seaborn.

Note: Kaggle ಪ್ರಪಂಚದಾದ್ಯಂತದ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಲ್ಲಿ ಜನಪ್ರಿಯ website. data-savviesಗಳ skills ಪ್ರಶ್ನಿಸಲು ಇದು ಸಮಯೋಚಿತ ಸ್ಪರ್ಧೆಗಳನ್ನು ನಡೆಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮಂತಹ ಉದಯೋನ್ಮುಖ ಡೇಟಾ ಉತ್ಸಾಹಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡಲು ಉಚಿತ ಸಂವಾದಾತ್ಮಕ ಕೋರ್ಸ್‌ಗಳನ್ನು ಸಹ ಒದಗಿಸುತ್ತದೆ.

ಅದ್ಭುತವಾಗಿದೆ! ನೀವು ಡೇಟಾ ಸೈನ್ಸ್ ಕಲಿಯಲು more than halfway ಬಂದಿದ್ದೀರಿ. Machine Learning ಮುಂದಿನ ಹಂತಕ್ಕೆ ಹೋಗೋಣ.

Machine Learning ಕಲಿಯಿರಿ

Machine Learning, ಹೆಸರೇ ಸೂಚಿಸುವಂತೆ ಯಂತ್ರ (ಕಂಪ್ಯೂಟರ್) ಸ್ವತಃ ಕಲಿಯುವ ಪ್ರಕ್ರಿಯೆ. Computer algorithmsಗಳ ಅಧ್ಯಯನವು ಅನುಭವದ ಮೂಲಕ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. ನೀವು ಎದುರಿಸುತ್ತಿರುವ data and business ಸಮಸ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿ predefined algorithmsನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಹೆಚ್ಚಾಗಿ modelsಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ. ಈ models ನಿರ್ದಿಷ್ಟ data ಮೇಲೆ ತಮ್ಮನ್ನು ತಾವು ತರಬೇತಿ ಮಾಡಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ನಂತರ ಹೊಸ ಡೇಟಾದ ಬಗ್ಗೆ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸಲಾಗುತ್ತದೆ.

Machine Learningಯನ್ನು ಕಲಿಯುವ ಸರಳ ಮಾರ್ಗವೆಂದರೆ Kaggle ಕುರಿತು ಈ ಕೆಳಗಿನ ಕೋರ್ಸ್‌ಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಕ್ರಮದಲ್ಲಿ ಅನುಸರಿಸುವುದು:

  1. Intro to Machine Learning
  2. Intermediate Machine Learning
  3. Feature Engineering (to improve your models)

ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಲಿಯಲು ಇನ್ನೂ ಹಲವು ಮಾರ್ಗಗಳಿದ್ದರೂ, ನೀವು ಪಾವತಿಸಬೇಕಾದ ಸುಲಭವಾದದನ್ನು ನಾನು ಪ್ರಸ್ತಾಪಿಸಿದ್ದೇನೆ. ಹಣವು ನಿಮಗೆ ನಿರ್ಬಂಧವಲ್ಲದಿದ್ದರೆ, ನೀವು DataCamp, Coursera (one of the best), Udacity ಮತ್ತು ಇತರ ಸಂಬಂಧಿತ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ವಿವಿಧ platformsಗಳನ್ನು explore/ಅನ್ವೇಷಿಸಬಹುದು.

ಈ ಹಂತದ ಅಂತ್ಯದ ವೇಳೆಗೆ, Supervised Machine Learning and Unsupervised Machine Learning ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ನೀವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿರಿ. Regression, Classification, Decision Trees, Random Forest ಮುಂತಾದ ವಿವಿಧ ಪ್ರಮುಖ algorithmsಗಳನ್ನು ಸಹ ನೀವು ತಿಳಿದಿರುತ್ತೀರಿ.

Practice with projects

ನೀವು ಇನ್ನೂ ಈ ಬ್ಲಾಗ್ ಅನ್ನು ಓದುತ್ತಿದ್ದರೆ, ಯಶಸ್ವಿ ಡೇಟಾ ಸೈಂಟಿಸ್ಟ್ ಆಗಲು ನೀವು ನಿಜವಾಗಿಯೂ ಏನನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ. ಒಮ್ಮೆ ನೀವು ಎಲ್ಲಾ ಜ್ಞಾನವನ್ನು ಸಾಧಿಸಿದ ನಂತರ, ನೀವು ಅದನ್ನು ಉಳಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ನಿಮಗೆ ಸಾಧ್ಯವಾದಷ್ಟು ಅಭ್ಯಾಸ ಮಾಡುವ ಮೂಲಕ ಅದನ್ನು ಹೆಚ್ಚಿಸಬೇಕು. ಹಾಗೆ ಮಾಡಲು, ನೀವು ಕೆಲಸ ಮಾಡಲು projectsಗಳನ್ನು ಮತ್ತು ಪರಿಹರಿಸಲು business ಸಮಸ್ಯೆಗಳನ್ನು ಕಾಣಬಹುದು.

Kaggle ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸಿ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ಅಭ್ಯಾಸದಲ್ಲಿ ಉಳಿಯಲು ಒಂದು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ. Kaggle ನಿಮಗೆ ಪರಿಹರಿಸಬೇಕಾದ ಸಮಸ್ಯೆಯನ್ನು ಮತ್ತು ಕೆಲಸ ಮಾಡಲು ಅಗತ್ಯವಾದ ಡೇಟಾವನ್ನು ನೀಡುತ್ತದೆ. ಇದು ಸ್ಪರ್ಧೆಯಾಗಿದ್ದರೆ, ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಆಧರಿಸಿ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಲ್ಲಿಸಬಹುದು ಮತ್ತು ಲೀಡರ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ gradeನ್ನು ಪಡೆಯಬಹುದು.

ನಿಮ್ಮ ಸ್ವಂತ portfolio ವನ್ನು ನಿರ್ಮಿಸಲು ನೀವು personal projectsಗಳಲ್ಲಿ ಸಹ ಕೆಲಸ ಮಾಡಬಹುದು. ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ನೀವು ಈ ಕೆಳಗಿನ ಮೂಲಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬಹುದು:

ಅಭ್ಯಾಸ ಮಾಡಲು, ನಿಮ್ಮ local machineದಲ್ಲಿ Anacondaವನ್ನು ಡೌನ್‌ಲೋಡ್ ಮತ್ತು install ಮಾಡಲು ನಾನು ನಿಮಗೆ ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ನಿಮ್ಮ ಡೇಟಾ ಸೈನ್ಸ್ projectsಗಳನ್ನು ಮಾಡಲು ಇದು ಉತ್ತಮ toolkitಆಗಿದೆ. Anaconda toolsಗಳಲ್ಲಿ ಒಂದಾಗಿ ನೀವು Jupyter Notebook ಅನ್ನು ಕಾಣಬಹುದು, ಇದು ಪೈಥಾನ್ projects ನಿರ್ಮಿಸಲು ಮತ್ತು ಅವುಗಳನ್ನು ನಿಮ್ಮ ಪೋರ್ಟ್ಫೋಲಿಯೊಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.

ಈ blogನಲ್ಲಿನ guidelines ಅನುಸರಿಸುವುದರಿಂದ data scienceನ್ನು ಕಲಿಯುವ goalನ್ನು ಸಾಧಿಸಲು ನಿಮಗೆ ಸಹಾಯವಾಗಬಹುದೆಂದು ನನಗೆ sure/ಖಾತ್ರಿಯಿದೆ. ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಲಿಯಲು ಬಹಳಷ್ಟು ಮತ್ತು ಇನ್ನೂ ಹೆಚ್ಚಿನದನ್ನು explore/ಅನ್ವೇಷಿಸಬಹುದು. Stay tuned.

Article By: Akshatha Amin

Credits:https://towardsdatascience.com/data-science-from-scratch-4343d63c1c66

MicroDegree is an edtech platform for learning Emerging Technologies such as Full-Stack Development, Data Science, Machine Learning using vernacular at an affordable price. For more details reach out to hello@microdegree.work

🚀 For Course Certification : https://bit.ly/3gt2nY7

👍 Youtube:: https://bit.ly/3ajK4Cz

Website : https://microdegree.work

LinkedIn : https://www.linkedin.com/company/micr

Facebook : https://www.facebook.com/microdegree

Instagram : https://www.instagram.com/micro.degree

Subscribe to MicroDegree

Get the latest posts delivered right to your inbox