डेटा साइंस शब्दावली: सामान्य डेटा साइंस शब्दों की परिभाषाएँ

Accuracy score एक मूल्यांकन मीट्रिक है जिसका उपयोग मशीन लर्निंग मॉडल के प्रदर्शन का आकलन करने के लिए किया जाता है, और यह कुल भविष्यवाणियों में से सही भविष्यवाणियों का अनुपात दिखाता है।

Activation Function

Activation function का उपयोग artificial neural networks (ANN) में किया जाता है, जो यह निर्धारित करता है कि किसी न्यूरॉन को सक्रिय होना चाहिए या नहीं, इसके लिए वह पिछली लेयर (या इनपुट लेयर) से इनपुट के आधार पर अगली hidden लेयर (या आउटपुट लेयर) के लिए उसका आउटपुट गणना करता है। Activation function एक न्यूरल नेटवर्क के non-linear रूपांतरण के लिए जिम्मेदार होता है।

Algorithm

Algorithm दोहराने योग्य चरणों का एक क्रम है, जो अक्सर गणितीय रूप में व्यक्त होता है, जिसे मनुष्य लिखता है और कंप्यूटर निष्पादित करता है, किसी विशेष प्रकार की डेटा साइंस समस्या को हल करने के लिए। एल्गोरिद्म बहुत सरल से लेकर अत्यंत जटिल तक हो सकते हैं। अलग-अलग एल्गोरिद्म विभिन्न कार्यों और तकनीकों के लिए उपयुक्त होते हैं। मुख्य विचार यह है कि एल्गोरिद्म कुछ इनपुट लेता है और एक आउटपुट उत्पन्न करता है, और वही इनपुट हमेशा वही आउटपुट देगा। मशीन लर्निंग में, एल्गोरिद्म डेटा और हाइपरपैरामीटर्स के रूप में इनपुट लेते हैं, डेटा से सामान्य पैटर्न पहचानते और सीखते हैं, और भविष्यवाणियों के रूप में आउटपुट पैदा करते हैं।

Apache Spark

Apache Spark बिग डेटा के विश्लेषण और मॉडलिंग के लिए एक ओपन-सोर्स बहु-उद्देश्यीय समानांतर प्रोसेसिंग फ्रेमवर्क है। Spark आपको डेटा और गणनाओं को कई नोड्स वाले क्लस्टर्स में फैलाने देता है (प्रत्येक नोड को एक अलग कंप्यूटर समझें)। डेटा को विभाजित करना बहुत बड़े डेटासेट्स के साथ काम करना आसान बनाता है क्योंकि प्रत्येक नोड केवल थोड़े डेटा पर काम करता है। जैसे प्रत्येक नोड कुल डेटा के अपने उपसमुच्चय पर काम करता है, वैसे ही वह कुल आवश्यक गणनाओं का एक भाग भी करता है, ताकि क्लस्टर के नोड्स के साथ डेटा प्रोसेसिंग और कंप्यूटेशन दोनों समानांतर में हों। यह तथ्य है कि समानांतर कंप्यूटेशन कुछ प्रकार के प्रोग्रामिंग कार्यों को बहुत तेज बना सकता है।

API

API, Application Programming Interface का संक्षिप्त रूप है, जो एक सॉफ्टवेयर इंटरमीडियरी है और अनुप्रयोगों या कंप्यूटरों के बीच कनेक्शन सुनिश्चित करता है। API का एक उदाहरण Rideshare एप्लिकेशन में Google Maps को एम्बेड करना है। डेटा वैज्ञानिक अक्सर डेटा तक पहुँचने (जैसे, ट्वीट डाउनलोड करने के लिए Twitter API) या अपने द्वारा बनाए समाधान को पैकेज करने (जैसे, प्रोडक्शन में मशीन लर्निंग मॉडल को कॉल करने वाला API) के लिए APIs के साथ काम करते हैं।

Artificial Intelligence (AI)

Artificial intelligence कंप्यूटर विज्ञान की वह शाखा है जिसमें मशीन लर्निंग, प्रोग्रामिंग और डेटा साइंस तकनीकों का उपयोग शामिल है, जो कंप्यूटरों को बुद्धिमान व्यवहार करने में सक्षम बनाती हैं। AI सिस्टम व्यापक होते हैं और उनकी जटिलता के विभिन्न स्तर होते हैं। ये नियम-आधारित सिस्टम से लेकर मशीन लर्निंग-आधारित सिस्टम तक हो सकते हैं, और धोखाधड़ी का पता लगाना, ऑब्जेक्ट पहचान, भाषा अनुवाद, स्टॉक की कीमत का पूर्वानुमान, और बहुत कुछ जैसी क्षमताएँ प्रदर्शित कर सकते हैं।

Artificial Neural Networks (ANN)

Artificial Neural Network एक मशीन लर्निंग मॉडल है जो मानव मस्तिष्क में जैविक न्यूरल नेटवर्क से ढीले तौर पर प्रेरित है। न्यूरल नेटवर्क सैकड़ों तक की परस्पर जुड़े इकाइयों, जिन्हें न्यूरॉन कहा जाता है, की लेयर्स से मिलकर बनते हैं। अवधारणात्मक रूप से, एक आर्टिफिशियल न्यूरल नेटवर्क में निम्न प्रकार की लेयर्स होती हैं: इनपुट, आउटपुट, और hidden लेयर्स, जिनसे होकर डेटा को फ़िल्टर किया जाता है, उसे एक्टिवेशन फंक्शन से प्रोसेस किया जाता है, और आउटपुट पर भविष्यवाणी की जाती है। ANN मशीन लर्निंग के एक उपसमूह, डीप लर्निंग, के निर्माण खंड हैं, जो इमेज या साउंड रिकग्निशन, ऑब्जेक्ट डिटेक्शन, भाषा अनुवाद, और अधिक जैसे जटिल आउटपुट प्रदान करता है।

B

Backpropagation (BP)

Backpropagation डीप लर्निंग नेटवर्क्स को प्रशिक्षित करने की एक तकनीक है, जो ग्रेडिएंट डिसेंट को लागू करके वेट्स और बायसेज़ को क्रमिक रूप से ट्यून करने पर आधारित है ताकि नेटवर्क की सटीकता बढ़ाई जा सके। एल्गोरिद्म प्रत्येक प्रशिक्षण इटरेशन में आउटपुट की त्रुटि की गणना करता है, और फिर उसे नेटवर्क में वापस प्रसारित करता है, जिससे वह भविष्य की इटरेशनों में त्रुटि को कम कर सके।

Bayesian Network

Bayesian Network एक प्रायिकतात्मक ग्राफ है जो किसी अनिश्चित डोमेन में यादृच्छिक चर के बीच संबंध दिखाता है, जहाँ ग्राफ के नोड्स उन चरों का प्रतिनिधित्व करते हैं, और प्रत्येक नोड-युग्म के बीच कड़ियाँ (एजेज) संबंधित चरों के लिए सशर्त प्रायिकता दर्शाती हैं। Bayesian Networks का एक उदाहरण चिकित्सा निदान में है, जहाँ शोधकर्ता उन सभी कारकों को ध्यान में रखते हुए स्वास्थ्य परिणामों का पूर्वानुमान लगाते हैं जो किसी परिणाम को प्रभावित कर सकते हैं।

Bayes' Theorem

Bayes' Theorem सशर्त प्रायिकता की गणना के लिए एक गणितीय समीकरण है, अर्थात, घटना A के हो जाने पर संबंधित घटना B के होने की प्रायिकता। डेटा साइंस में इस प्रमेय का एक अनुप्रयोग बड़े डेटासेट्स के लिए Bayesian networks बनाना है।

Bias

Bias से तात्पर्य मॉडलों की डेटा को अंडरफिट करने की प्रवृत्ति से है, जो मशीन लर्निंग और डेटा साइंस में गलत भविष्यवाणियों की ओर ले जाती है। यह वही bias की परिभाषा है जिस पर अक्सर bias-variance tradeoff में चर्चा होती है। इसके अलावा, bias का अर्थ एल्गोरिद्मिक पक्षपात भी हो सकता है—जो मशीन लर्निंग मॉडलों की हानिकारक सामाजिक पक्षपात को दोहराने की प्रवृत्ति को संदर्भित करता है, जब वे संरक्षित विशेषताओं जैसे नस्ल, यौन अभिविन्यास, लैंगिक पहचान, आयु, गर्भावस्था, वेटरन स्टेटस, आदि के आधार पर अलग-अलग समूहों के साथ अलग व्यवहार करते हैं।

Bias-Variance Tradeoff

Bias-variance tradeoff मशीन लर्निंग मॉडल बनाते समय bias और variance के बीच संतुलन है। Bias और variance मशीन लर्निंग मॉडलों में भविष्यवाणी त्रुटि के दो प्रकार हैं—जहाँ उच्च bias मॉडल के अंडरफिटिंग को इंगित करता है, और उच्च variance मॉडल के ओवरफिटिंग को। इन दोनों कारकों को इष्टतम स्तर तक कम करने से समग्र भविष्यवाणी त्रुटि घटती है।

Big Data

Big Data वह क्षेत्र है जो उन डेटा सेट्स के प्रोसेसिंग, ट्रीटमेंट, और उनसे जानकारी निकालने के इर्द-गिर्द घूमता है जो पारंपरिक डेटा प्रोसेसिंग टूल्स के लिए बहुत बड़े या जटिल होते हैं। बिग डेटा पाँच V से परिभाषित होता है; velocity—डेटा जनरेशन की गति; volume—उत्पन्न डेटा की मात्रा; variety—डेटा प्रकारों की विविधता, जैसे टेक्स्ट, इमेज, टेबुलर डेटा आदि; veracity—डेटा की गुणवत्ता और विश्वसनीयता; और value—डेटा की वह क्षमता जिससे उसे मूल्यवान व्यावसायिक अंतर्दृष्टियों में बदला जा सके।

Binomial Distribution

Binomial distribution स्वतंत्र परीक्षणों के परिणामों का एक डिस्क्रीट प्रायिकता वितरण है, जिसमें दो परस्पर अनन्य संभावित परिणाम (सफलता और असफलता), परीक्षणों की एक सीमित संख्या, और सफलता की एक स्थिर प्रायिकता होती है। सरल शब्दों में, बायनॉमियल डिस्ट्रिब्यूशन को किसी ऐसे इवेंट में किसी विशेष परिणाम (सफलता या असफलता) की प्रायिकता के रूप में समझा जा सकता है, जिसे कई बार दोहराया जाता है (जैसे, 5 बार फेंके गए पासे में 3 आने की प्रायिकता)।

Business Analyst

Business analysts डेटा अंतर्दृष्टियों को ऐसे कार्यनीय परिणामों से जोड़ने के लिए जिम्मेदार होते हैं जो लाभप्रदता या दक्षता बढ़ाते हैं। उन्हें व्यवसाय डोमेन का गहरा ज्ञान होता है और वे अक्सर SQL के साथ गैर-कोडिंग टूल्स का उपयोग करके डेटा से प्राप्त अंतर्दृष्टियाँ संप्रेषित करते हैं।

Business Analytics (BA)

Business analytics, analytics का एक उपक्षेत्र है जो ऐतिहासिक और वर्तमान डेटा का उपयोग करके मूल्यवान परिचालन अंतर्दृष्टियाँ खोजने, संभावित भविष्य के रुझानों का अनुमान लगाने, और डेटा-आधारित व्यावसायिक निर्णय लेने पर केंद्रित है। बिज़नेस एनालिटिक्स के टूलकिट में आमतौर पर सांख्यिकीय विश्लेषण, वर्णनात्मक एनालिटिक्स और डेटा विज़ुअलाइज़ेशन शामिल होते हैं, और यह predictive analytics और मशीन लर्निंग तक भी जा सकता है।

Business Intelligence (BI)

Business intelligence, analytics का वह उपक्षेत्र है जो वर्णनात्मक एनालिटिक्स, बिज़नेस एनालिटिक्स, डेटा विज़ुअलाइज़ेशन, सांख्यिकीय विश्लेषण, रिपोर्टिंग आदि को जोड़ता है। इसका उद्देश्य संगठनों को डेटा-आधारित निर्णय लेने में मदद करना है। BI आमतौर पर Tableau और Power BI जैसे गैर-कोडिंग टूल्स का उपयोग करता है ताकि ऐतिहासिक और वर्तमान डेटा में रुझान खोजे जा सकें। बिज़नेस एनालिटिक्स के विपरीत, BI का मुख्य फोकस वर्णनात्मक एनालिटिक्स पर होता है।

C

Categorical Variable

Categorical variable वह चर है जो संभावित मानों (श्रेणियों) की सीमित संख्या में से एक ले सकता है, जिसमें कोई अंतर्निहित क्रम नहीं होता। Categorical variable का एक उदाहरण वैवाहिक स्थिति होगा (जैसे, विवाहित, अविवाहित, तलाकशुदा)। इसे nominal या qualitative variable भी कहा जाता है।

Classification

Classification एक supervised learning समस्या है, जब इनपुट फीचर्स के आधार पर श्रेणीबद्ध परिणामों का पूर्वानुमान लगाना आवश्यक होता है। Classification समस्याओं के उदाहरण हैं धोखाधड़ी का पता लगाना (जैसे, दिए गए इनपुट फीचर्स के सेट के आधार पर क्या यह लेन-देन धोखाधड़ीपूर्ण है?) और ईमेल स्पैम फ़िल्टर (जैसे, क्या यह ईमेल स्पैम है या नहीं?)। आमतौर पर उपयोग किए जाने वाले वर्गीकरण एल्गोरिद्म k-nearest neighbors, decision trees, random forest आदि हैं।

Clustering

Clustering एक unsupervised learning समस्या है, जो डेटासेट की सभी ऑब्ज़र्वेशनों को कुछ सामान्य विशेषताओं के आधार पर उनकी समानता के अनुसार समूहबद्ध करने से संबंधित है। Classification समस्या के विपरीत, ये समूह (क्लस्टर्स) मनुष्यों द्वारा पूर्वनिर्धारित नहीं होते, बल्कि इनपुट डेटा सीखते समय मशीन लर्निंग एल्गोरिद्म द्वारा पहचाने जाते हैं। प्रत्येक क्लस्टर के तत्व आपस में समान होते हैं और बाकी सभी से भिन्न। सामान्य क्लस्टरिंग एल्गोरिद्म k-means, hierarchical clustering, spectral clustering आदि हैं।

Computer Science

Computer Science अध्ययन का एक बहुआयामी क्षेत्र है जो डिजिटल कंप्यूटरों में सूचना प्रोसेसिंग के सैद्धांतिक और व्यावहारिक पहलुओं, कंप्यूटर हार्डवेयर और सॉफ्टवेयर के डिज़ाइन, और कंप्यूटर अनुप्रयोगों पर केंद्रित है। विशेष रूप से, कंप्यूटर साइंस, आर्टिफिशियल इंटेलिजेंस, संगणनात्मक सिस्टम, एल्गोरिद्म, डेटा स्ट्रक्चर्स, डेटा मॉडलिंग, सुरक्षा, कंप्यूटर और नेटवर्क डिज़ाइन आदि से संबंधित है।

Computer Vision

Computer vision कंप्यूटर साइंस का वह क्षेत्र है जो कंप्यूटरों को डिजिटल इमेज या वीडियो से उच्च-स्तरीय समझ प्राप्त करने में सक्षम बनाने से संबंधित है, कुछ वैसा जैसा मनुष्य देखते हैं। डीप लर्निंग के विकास और बिग डेटा के संचयन के साथ कंप्यूटर विज़न विशेष रूप से लोकप्रिय हुआ। इसके कुछ अनुप्रयोग हैं ऑब्जेक्ट और चेहरे की पहचान, मोशन एनालिसिस, स्वचालित ड्राइविंग कारें, और ऑप्टिकल कैरेक्टर रिकग्निशन।

Confusion Matrix

Confusion matrix एक तालिका है जो किसी वर्गीकरण मॉडल के predictive प्रदर्शन को दर्शाती है। आमतौर पर, कन्फ्यूज़न मैट्रिक्स बाइनरी आउटपुट के लिए बनाई जाती है (अर्थात, ऐसी भविष्यवाणी समस्याएँ जिनमें केवल दो प्रकार की भविष्यवाणियाँ हों—जैसे, कोई लेन-देन धोखाधड़ीपूर्ण है या नहीं), इसलिए परिणामी तालिका 2x2 होती है। कन्फ्यूज़न मैट्रिक्स दोनों क्लासेस के लिए भविष्यवाणियों और वास्तविक लेबल्स के बीच संबंध दिखाती है। यह आसानी से सही भविष्यवाणियों (true positives और true negatives) की संख्या और false positives (type I error) तथा false negatives (type II error) की संख्या को सामने लाती है।

Continuous Variable

Continuous variable वह चर है जो किसी विशेष सीमा के भीतर अनंत मान ले सकता है। Continuous variables के उदाहरण हैं ऊँचाई और वजन।

Correlation

Correlation दो या अधिक चरों के बीच संबंध की ताकत और दिशा है, जिसे correlation coefficient या Pearson coefficient से मापा जाता है। सांख्यिकीय रूप से, correlation coefficient दो चरों की covariance का उनके मानक विचलनों के गुणनफल से अनुपात है। यह -1 (संपूर्ण नकारात्मक सहसंबंध) से 1 (संपूर्ण सकारात्मक सहसंबंध) तक मान ले सकता है। दो चरों के बीच correlation की उपस्थिति कारण-प्रभाव संबंध का संकेत नहीं देती।

Cost Function

Cost function एक मशीन लर्निंग फंक्शन है जिसका उपयोग प्रशिक्षण सेट पर अनुमानित और वास्तविक मानों के बीच के अंतरों के औसत को मापने के लिए किया जाता है, और जिसे न्यूनतम करना होता है।

Covariance

Covariance दो चरों के बीच संबंध का माप है। Variance के विपरीत, जो उसी चर के भीतर विविधताओं को मापता है, covariance दिखाता है कि एक चर में विविधताएँ दूसरे में बदलावों को कैसे प्रभावित करती हैं। Correlation coefficient की गणना के लिए covariance का उपयोग किया जाता है।

Cross-Validation (not validated)

Cross-validation मशीन लर्निंग मॉडल्स को प्रशिक्षित करते समय प्रयुक्त एक रिसैंपलिंग विधि है, जो लेबल्ड डेटा को training और test सेट्स में विभाजित करती है। Cross validation की प्रत्येक इटरेशन में, डेटा के अलग-अलग भागों का उपयोग मॉडल को train और test करने के लिए किया जाता है। Training सेट मॉडल को प्रशिक्षित करने के लिए उपयोग होता है, और test सेट का उपयोग भविष्यवाणी करने और उन प्रविष्टियों के वास्तविक लेबल्स से तुलना करने के लिए। इसके बाद, समग्र सटीकता मीट्रिक की गणना की जाती है ताकि परिणामी मॉडल के predictive प्रदर्शन का आकलन किया जा सके।

D

Dashboard

Dashboard एक इंटरएक्टिव, ग्राफिकल यूज़र इंटरफ़ेस है जिसका उपयोग प्रमुख प्रदर्शन संकेतकों (KPI), प्रगति मीट्रिक्स, और व्यावसायिक प्रक्रियाओं से संबंधित जानकारी का विज़ुअलाइज़ेशन, सारांशण, और रिपोर्टिंग करने के लिए किया जाता है, जिससे लक्षित दर्शक कई स्तरों पर सबसे महत्वपूर्ण अंतर्दृष्टियाँ आसानी से समझ सकें। डैशबोर्ड Excel, Tableau, या PowerBI जैसे गैर-कोडिंग टूल्स, या Python और R जैसे कोडिंग टूल्स से बनाए जाते हैं। डैशबोर्ड अक्सर नियमित रूप से अपडेट होने वाले डेटाबेस और सेवाओं से जुड़े होते हैं।

Data Analysis (DA)

Data analysis वह अनुशासन है जो डेटा की सफाई, रूपांतरण, विज़ुअलाइज़ेशन, और अन्वेषण पर केंद्रित है, ताकि सार्थक पैटर्न और अंतर्दृष्टियाँ निकाली जा सकें, और परिणामों को संबंधित पक्षों तक संप्रेषित किया जा सके। डेटा एनालिसिस आमतौर पर सभी डेटा साइंस परियोजनाओं में पहला मील का पत्थर होता है, लेकिन यह एक स्वतंत्र परियोजना भी हो सकता है। हालांकि, डेटा साइंस की तुलना में यह predictive analytics की बजाय वर्णनात्मक एनालिटिक्स से अधिक संबंधित है।

Data Analyst

Data analyst, business analysts के समान होते हैं; डेटा विश्लेषक डेटा का विश्लेषण करने और अपने विश्लेषण से अंतर्दृष्टियों की रिपोर्टिंग के लिए जिम्मेदार होते हैं। उन्हें डेटा एनालिसिस वर्कफ़्लो की गहरी समझ होती है और वे कोडिंग और गैर-कोडिंग टूल्स के संयोजन का उपयोग करके अपनी अंतर्दृष्टियाँ प्राप्त और रिपोर्ट करते हैं।

Database

Database एक संरचित स्टोरेज स्पेस है जहाँ डेटा को कई अलग-अलग तालिकाओं में इस तरह व्यवस्थित किया जाता है कि आवश्यक जानकारी तक आसानी से पहुँचा और उसका सारांश बनाया जा सके। डेटाबेस का उपयोग मुख्यतः रिलेशनल डेटाबेस मैनेजमेंट सिस्टम (RDBMS) जैसे Oracle या PostgreSQL के साथ किया जाता है। डेटाबेस से डेटा के साथ इंटरैक्ट करने के लिए सबसे आम प्रोग्रामिंग भाषा SQL है।

Database Management System (DBMS)

Database management system एक सॉफ्टवेयर पैकेज है जिसका उपयोग डेटा पर विभिन्न ऑपरेशनों—डेटाबेस में डेटा तक पहुँच, उसे संशोधित करना, पुनर्प्राप्त करना, प्रबंधित करना, और संग्रहित करना—को आसानी से करने के लिए किया जाता है। डेटा के संगठित और संरचित होने के तरीके के आधार पर, DBMS के अलग-अलग प्रकार होते हैं: रिलेशनल, ग्राफ, हायारार्किकल आदि। DBMS के कुछ उदाहरण: Oracle, MySQL, PostgreSQL, Microsoft SQL Server, MongoDB।

Data Consumer

Data consumers अक्सर गैर-तकनीकी भूमिकाओं में होते हैं, लेकिन डेटा पेशेवरों द्वारा प्रदान की गई डेटा अंतर्दृष्टि और एनालिटिक्स का उपयोग करके डेटा-आधारित निर्णय लेते हैं। डेटा उपभोक्ताओं को अक्सर डेटा पेशेवरों से बातचीत करने की आवश्यकता होती है और उन्हें यह अलग करने में सक्षम होना चाहिए कि कब डेटा का उपयोग व्यावसायिक प्रश्नों का उत्तर देने के लिए किया जा सकता है और कब नहीं।

Data Engineer

Data engineer वह विशेषज्ञ होता है जो डेटा वैज्ञानिकों और डेटा विश्लेषकों के हाथों में सही डेटा पहुँचाने के लिए जिम्मेदार होता है। वे स्टोरेज इन्फ्रास्ट्रक्चर और डेटा पाइपलाइन्स को डिज़ाइन और मेंटेन करते हैं, जो विभिन्न स्रोतों से आने वाले बड़ी मात्रा में कच्चे डेटा को एक केंद्रीकृत स्थान पर लाती हैं, जहाँ वह स्वच्छ, सही फ़ॉर्मैट में और संगठन के लिए प्रासंगिक होता है।

Data Engineering (DE)

Data engineering वह विशेषज्ञता है जो संगठन के भीतर डेटा एक्सेस को स्केल करने पर केंद्रित है। डेटा इंजीनियर्स डेटा अधिग्रहण, संग्रह, प्रबंधन, और स्टोरेज—के साथ-साथ डेटा पाइपलाइन्स सेटअप करने और डेटा को उच्च गुणवत्ता, उपयोगी डेटा में बदलने—पर काम करते हैं, जिसे संगठन के बाकी लोग उपयोग कर सकें।

Data Enrichment

Data enrichment कच्चे डेटा को अधिक उपयोगी बनाने हेतु उसे बेहतर करने, परिशोधित करने, और बढ़ाने की प्रक्रियाएँ हैं, ताकि अधिक सार्थक व्यावसायिक अंतर्दृष्टियाँ प्राप्त की जा सकें और predictive analytics का अनुकूलन हो सके।

Dataframe

Dataframe लेबल वाले अक्षों (पंक्तियों और स्तंभों) के साथ एक टेबुलर डेटा स्ट्रक्चर है, जिनके प्रकार भिन्न हो सकते हैं।

Data Governance

DAMA, Data Governance को इस प्रकार परिभाषित करता है: “डेटा और डेटा-संबंधित स्रोतों के प्रबंधन पर योजना, देखरेख, और नियंत्रण”। डेटा गवर्नेंस डेटा की उपलब्धता, प्रासंगिकता, गुणवत्ता, उपयोगिता, अखंडता, और सुरक्षा सुनिश्चित करने के लिए भूमिकाएँ, जिम्मेदारियाँ, और प्रक्रियाएँ निर्धारित करता है। डेटा गवर्नेंस में एक गवर्निंग बॉडी, कंपनी की सूचना आवश्यकताओं को पूरा करने के लिए नियमों और प्रथाओं का एक ढाँचा, और इन प्रथाओं को करने के लिए एक कार्यक्रम शामिल होता है।

Data Journalism

Data journalism पत्रकारिता का वह प्रकार है जो बड़ी मात्रा में संख्यात्मक डेटा को प्रोसेस और विश्लेषित करने से संबंधित है, ताकि डेटा या उससे निकाली गई सूचना के बारे में एक कहानी बनाई जा सके। यह भूमिका लगातार बढ़ते सूचना प्रवाह और आधुनिक पत्रकारिता की सांख्यिकी, आईटी तकनीकों, और डेटा साइंस जैसे क्षेत्रों के साथ बढ़ती अंतःक्रिया के परिणामस्वरूप उभरी है।

Data Lake

Data lake एक एकल स्टोरेज रिपॉजिटरी है जिसमें विभिन्न स्रोतों से किसी भी प्रकार का बड़ी मात्रा में कच्चा, अप्रसंस्कृत डेटा शामिल होता है, जिसका अभी तक कोई परिभाषित उद्देश्य नहीं है। डेटा लेक में अलग-अलग संरचनाओं वाला संरचित डेटा—जो आपस में किसी रिश्ते में न हो—और प्रायः असंरचित डेटा, जैसे दस्तावेज़ और टेक्स्ट फाइलें, दोनों शामिल होते हैं। कच्चा डेटा एक मूल सूचना स्रोत के रूप में रखा जाता है, और जब तक आवश्यकता न हो तब तक उसे संरचित या रैंगल करने की आवश्यकता नहीं होती।

Data Literacy

Data literacy डेटा को पढ़ने, लिखने, विश्लेषण करने, संप्रेषित करने, और उसके साथ तर्क करने की क्षमता है, ताकि बेहतर डेटा-आधारित निर्णय लिए जा सकें। संगठनात्मक दृष्टिकोण से, यह डेटा कौशलों का एक स्पेक्ट्रम है—डेटा-आधारित निर्णय लेने से लेकर डेटा साइंस, डेटा इंजीनियरिंग, और मशीन लर्निंग में उन्नत तकनीकी कौशल तक—जिसका परिणाम यह होता है कि संगठन में हर किसी के पास प्रासंगिक दक्षताएँ होती हैं और वे बड़े पैमाने पर डेटा से मूल्य उत्पन्न करते हैं।

Data Mining

Data mining विभिन्न स्रोतों से प्रासंगिक डेटा एकत्र करने, उसे सही फ़ॉर्मैट में साफ़ और रूपांतरित करने, डेटा के बीच छिपे सार्थक रुझानों, पैटर्न्स और अंतर्संबंधों का पता लगाने और निकालने, और संगठन को डेटा-आधारित निर्णय लेने और बेहतर रणनीतियाँ विकसित करने में मदद के लिए कार्यनीय अंतर्दृष्टियों का संप्रेषण करने की प्रक्रिया है। इस उद्देश्य के लिए विभिन्न विश्लेषणात्मक और मॉडलिंग तकनीकों का उपयोग किया जाता है, जिनमें सांख्यिकीय विश्लेषण, डेटा विज़ुअलाइज़ेशन, रिग्रेशन और क्लासिफिकेशन शामिल हैं।

Data Modeling

Data modeling एक संपूर्ण आईटी सिस्टम या उसके हिस्सों का एक दृश्य प्रतिनिधित्व विकसित करने की प्रक्रिया है, ताकि डेटा पॉइंट्स और संरचनाओं के बीच संबंधों का संप्रेषण किया जा सके। डेटा मॉडल्स सिस्टम के भीतर उपयोग और संग्रहीत डेटा के प्रकार, इन विभिन्न डेटा स्रोतों के बीच संबंध, और विभिन्न विशेषताओं और गुणों के अनुसार डेटा को कैसे समूहित किया गया है, यह प्रदर्शित करते हैं। डेटा साइंस में आपको डेटा मॉडलिंग की थोड़ी समायोजित परिभाषा मिल सकती है: विश्वसनीय मॉडल बनाना जो कच्चे डेटा को predictive, सुसंगत, और कार्यनीय अंतर्दृष्टियों में बदल दें। मुख्य उद्देश्य है—महत्वपूर्ण व्यावसायिक आवश्यकताओं, उपलब्ध डेटा स्रोतों और समयसीमाओं को स्पष्ट रूप से समझना—और उन आवश्यकताओं को पूरा करने के लिए प्रासंगिक डेटा-आधारित और सही फ़ॉर्मैट वाला फ़्रेमवर्क प्रदान करना।

Data Pipeline

Data pipeline आपस में जुड़ी डेटा प्रोसेसिंग स्क्रिप्ट्स का एक सेट है, जो किसी संगठन में डेटा के प्रवाह को स्वचालित करता है, जहाँ डेटा एक्सट्रैक्ट, ट्रांसफॉर्म और लोड किया जाता है ताकि वह उपयोग के लिए तैयार हो जाए।

Data Science (DS)

Data science अध्ययन का एक बहुआयामी, अंतःविषय क्षेत्र है जो विभिन्न वैज्ञानिक विधियों, उन्नत विश्लेषणात्मक तकनीकों, और predictive मॉडलिंग एल्गोरिद्म का उपयोग करके डेटा से सार्थक अंतर्दृष्टियाँ निकालता है, ताकि कई क्षेत्रों में रणनीतिक व्यावसायिक या वैज्ञानिक प्रश्नों का उत्तर देने में मदद की जा सके। यह तकनीकी और गैर-तकनीकी कौशलों की एक विस्तृत शृंखला को जोड़ता है और आमतौर पर जिस उद्योग में इसे लागू किया जाता है, उसमें ठोस डोमेन ज्ञान की आवश्यकता होती है, ताकि उपलब्ध डेटा और प्राप्त परिणामों की सही व्याख्या की जा सके।

Data Scientist

Data Scientists संगठन के डेटा में सार्थक अंतर्दृष्टियों की जाँच, निष्कर्षण, और रिपोर्टिंग करते हैं। वे इन अंतर्दृष्टियों को गैर-तकनीकी हितधारकों तक संप्रेषित करते हैं, और मशीन लर्निंग वर्कफ़्लोज़ की अच्छी समझ रखते हैं तथा उन्हें व्यावसायिक अनुप्रयोगों से जोड़ना जानते हैं। वे लगभग विशेष रूप से कोडिंग टूल्स के साथ काम करते हैं, विश्लेषण करते हैं, और अक्सर बिग डेटा टूल्स के साथ काम करते हैं।

Dataset

Dataset एक या कई प्रकार के डेटा का संग्रह है, जो वास्तविक-जीवन या कृत्रिम रूप से उत्पन्न ऑब्ज़र्वेशनों का प्रतिनिधित्व करता है, और जिसका उपयोग सांख्यिकीय विश्लेषण या डेटा मॉडलिंग के लिए किया जाता है। डेटासेट का डेटा कई स्रोतों से एकत्र किया जा सकता है और आमतौर पर किसी न किसी प्रकार की डेटा संरचना—सबसे सामान्यतः एक टेबल—में संग्रहीत होता है, जहाँ कॉलम अलग-अलग वेरिएबल्स के अनुरूप होते हैं और पंक्तियाँ अलग-अलग डेटा प्रविष्टियों के अनुरूप।

Data Structure

Data structure डेटा को इस तरह व्यवस्थित और संग्रहित करने का तरीका है कि उसे कुशलता से एक्सेस और उपयोग किया जा सके। डेटा स्ट्रक्चर डेटा के बीच संबंध और उस पर किए जा सकने वाले ऑपरेशनों को परिभाषित करता है। डेटा साइंस में आम डेटा स्ट्रक्चर्स हैं डेटा फ्रेम्स, लिस्ट्स, एरेज़, आदि।

Data Visualization

Data visualization एक अंतःविषय क्षेत्र है जो सूचना को संक्षिप्त कर दृश्य प्रारूप में प्रस्तुत करने से संबंधित है। डेटा को विभिन्न चार्ट्स जैसे मैप्स, हिस्टोग्राम्स, बारप्लॉट्स और लाइन-चार्ट्स के अनुसार विज़ुअलाइज़ किया जा सकता है, और इन्फोग्राफिक्स, डैशबोर्ड्स आदि में संयोजित किया जा सकता है। डेटा विज़ुअलाइज़ेशन का उपयोग अक्सर लक्षित दर्शकों को अंतर्निहित डेटा और प्राप्त परिणामों को बेहतर ढंग से समझने में मदद करने के लिए किया जाता है।

Data Warehouse

Data warehouse एक केंद्रीय रिपॉजिटरी है जहाँ कई स्रोतों से ETL (extraction, transformation, loading) प्रक्रिया के माध्यम से एकत्रित संरचित, साफ़, और रूपांतरित डेटा संग्रहीत होता है। डेटा पेशेवर बिज़नेस इंटेलिजेंस टूल्स, SQL क्वेरीज़ आदि के माध्यम से डेटा वेयरहाउस से आवश्यक जानकारी आसानी से एक्सेस कर सकते हैं, और उसे आगे के विश्लेषण और मॉडलिंग के लिए उपयोग करके व्यावसायिक प्रश्नों का उत्तर दे सकते हैं।

Data Wrangling

Data wrangling को data munging भी कहा जाता है। डेटा रैंगलिंग कार्य डेटा की सफ़ाई, पुनर्संरचना, मर्जिंग, एग्रीगेशन, और किसी विशिष्ट उद्देश्य के लिए उपयुक्त फ़ॉर्मैट में रूपांतरण से संबंधित होते हैं। कुल मिलाकर, यह आगे आसान एक्सेस और डेटा एनालिसिस के लिए डेटा तैयार करने की प्रक्रिया है।

Decision Tree

Decision tree एक supervised मशीन लर्निंग एल्गोरिद्म है जिसका उपयोग मुख्यतः क्लासिफिकेशन, लेकिन रिग्रेशन समस्याओं के लिए भी किया जाता है। डिसीजन ट्री व्यक्तिगत फीचर्स के बारे में if-else प्रश्नों की एक शृंखला बनाते हैं, जिसका उद्देश्य क्लास लेबल्स का अनुमान लगाना होता है। डिसीजन ट्री में संभावित ग्राफिकल ट्री-जैसा प्रतिनिधित्व, मानव निर्णय-निर्माण की क्षमता का अनुकरण, और सहज रूप से समझ आने वाली लॉजिक जैसे लाभ होते हैं, लेकिन इस प्रकार का मॉडल ओवरफिट करने की प्रवृत्ति रखता है।

Deep Learning (DL)

Deep learning, बहु-लेयर वाले artificial neural networks (ANN) पर आधारित मशीन लर्निंग एल्गोरिद्म का एक उपसमूह है, जो बड़े पैमाने पर मस्तिष्क की संरचना से प्रेरित है। ANN बहुत लचीले होते हैं और विशाल मात्रा में डेटा से सीख सकते हैं, ताकि अत्यंत सटीक आउटपुट दें। ये अक्सर डेटा साइंस और मशीन लर्निंग के कुछ उपयोग मामलों के पीछे होते हैं, जैसे इमेज या साउंड रिकग्निशन, भाषा अनुवाद, और अन्य उन्नत समस्याएँ।

Dimensionality Reduction

Dimensionality reduction प्रशिक्षण सेट की फीचर्स की संख्या कम करने की प्रक्रिया है, जिसमें केवल सबसे प्रासंगिक फीचर्स छोड़े जाते हैं जो अधिकांश विविधता को कैप्चर करते हैं, ताकि मॉडल के प्रदर्शन को बेहतर बनाया जा सके। Dimensionality reduction विशेष रूप से उन बड़े डेटासेट्स के लिए उपयोगी है जिनमें बहुत सारे वेरिएबल्स होते हैं। यह स्टोरेज स्पेस और कंप्यूटेशनल समय का अनुकूलन करने में मदद करता है, और मल्टीकोलिनियरिटी समस्या को भी ठीक करता है। डाइमेंशनलिटी रिडक्शन की सबसे लोकप्रिय तकनीक PCA (principal component analysis) है।

E

EDA

EDA, exploratory data analysis का संक्षिप्त रूप है और डेटा विश्लेषण के प्रथम चरण को संदर्भित करता है, जो उपलब्ध डेटा की बुनियादी खोज, उसकी मुख्य विशेषताओं का सारांश, और प्रारंभिक पैटर्न्स व रुझानों, ठीक किए जाने वाले मुद्दों, तथा आगे जाँच के प्रश्नों को खोजने पर केंद्रित होता है। इस चरण में, डेटा विश्लेषक या डेटा वैज्ञानिक डेटा की एक सामान्य समझ बनाता है, जो आगे के, अधिक विस्तृत डेटा विश्लेषण का आधार होती है।

ELT

ELT (extract, load, transform) एक डेटा पाइपलाइन सिस्टम है जिसे डेटा इंजीनियर डिज़ाइन करते हैं, और यह अधिक लोकप्रिय दृष्टिकोण ETL (extract, transform, load) का विकल्प है। किसी भी रूपांतरण को लागू करने से पहले, कच्चा डेटा डेटा लेक में लोड किया जाता है और फिर वहीं पर ट्रांसफॉर्म किया जाता है। ELT का लाभ ETL पर यह है कि इसमें कम समय लगता है, बड़े डेटासेट्स के प्रोसेसिंग के लिए उपयुक्त है, और अधिक किफायती है।

ETL

ETL (extract, transform, load) एक डेटा पाइपलाइन सिस्टम है जिसे डेटा इंजीनियर डिज़ाइन करते हैं। डेटा को कई स्रोतों से एक्सट्रैक्ट किया जाता है, कच्चे रूप से एक उचित फ़ॉर्मैट में ट्रांसफॉर्म किया जाता है ताकि वह अन्य स्रोतों के डेटा के साथ सुसंगत हो, और लक्षित डेटा वेयरहाउस में लोड किया जाता है। यहाँ से, इसका उपयोग आगे के डेटा विश्लेषण और मॉडलिंग के लिए किया जा सकता है ताकि विभिन्न व्यावसायिक समस्याओं का समाधान किया जा सके।

Evaluation Metrics

Evaluation metrics, सांख्यिकीय या मशीन लर्निंग मॉडल के प्रदर्शन का आकलन करने के लिए प्रयुक्त मीट्रिक्स का एक संग्रह है। मूल्यांकन मीट्रिक्स के कुछ उदाहरण हैं accuracy score, f-score, recall और RMSE।

F

False Negative (FN, Type II Error)

False negative वह परिणाम है जब कोई वर्गीकरण मॉडल बाइनरी टारगेट वैरिएबल के लिए गलत तरीके से नकारात्मक क्लास की भविष्यवाणी करता है (जैसे, यदि हम ग्राहक churn की भविष्यवाणी कर रहे हैं, तो false negative वह है जब “churn नहीं करेगा” की भविष्यवाणी उत्पन्न होती है जबकि वास्तविक लेबल “churn करेगा” है)।

False Positive (FP, Type I Error)

False positive वह परिणाम है जब कोई वर्गीकरण मॉडल बाइनरी टारगेट वैरिएबल के लिए गलत तरीके से सकारात्मक क्लास की भविष्यवाणी करता है। उदाहरण के लिए, यदि हम ग्राहक churn की भविष्यवाणी कर रहे हैं, तो false positive वह है जब “churn करेगा” की भविष्यवाणी उत्पन्न होती है जबकि वास्तविक लेबल “churn नहीं करेगा” है।

Feature

Feature एक स्वतंत्र वैरिएबल है जिसका उपयोग मशीन लर्निंग मॉडल में इनपुट के रूप में किया जाता है। उदाहरण के लिए, यदि हम ऊँचाई, वजन, और शुगर इनटेक का उपयोग करके डायबिटीज़ की संभावना की भविष्यवाणी कर रहे हैं—तो ऊँचाई, वजन, और शुगर इनटेक फीचर्स हैं।

Feature Engineering

Feature engineering डोमेन ज्ञान और विषय-वस्तु विशेषज्ञता का उपयोग करके कच्चे फीचर्स को ऐसे फीचर्स में बदलने की प्रक्रिया है जो अंतर्निहित समस्या को बेहतर दर्शाएँ और मशीन लर्निंग एल्गोरिद्म के लिए अधिक उपयुक्त हों। इसमें उपलब्ध डेटा से नए फीचर्स निकालना या मौजूदा फीचर्स में हेरफेर करना शामिल है। उदाहरण के लिए, यदि हम डायबिटीज़ होने की संभावना जैसे किसी स्वास्थ्य परिणाम की भविष्यवाणी करने की कोशिश कर रहे हैं, तो ऊँचाई और वजन फीचर्स का उपयोग करके BMI फीचर निकालना feature engineering है।

Feature Selection

Feature selection वह प्रक्रिया है जिसमें डेटासेट से ऐसे फीचर्स के उपसमुच्चय का चयन किया जाता है जो टारगेट वैरिएबल की भविष्यवाणी के लिए सबसे अधिक प्रासंगिक हों। स्मार्ट फीचर सेलेक्शन प्रक्रिया बड़े डेटासेट्स के लिए विशेष रूप से महत्वपूर्ण है क्योंकि यह मॉडल की जटिलता, ओवरफिटिंग, और कंप्यूटेशनल समय को कम करती है, तथा मॉडल की सटीकता बढ़ाती है।

F-Score

F-Score मॉडल प्रदर्शन का अनुमान लगाने के लिए प्रयुक्त एक मूल्यांकन मीट्रिक है, जो precision और recall दोनों को संयोजित करता है। सामान्यतः, F1-score का उपयोग होता है, जो precision और recall का हार्मोनिक माध्य है। अधिक सामान्य मामला Fβ है, जहाँ अतिरिक्त वज़न precision या recall में से किसी एक पर लगाया जाता है।

G

Gradient Descent

Gradient descent मशीन लर्निंग में प्रयुक्त एक क्रमिक अनुकूलन प्रक्रिया है, जो कॉस्ट फंक्शन को न्यूनतम करने के लिए उसके पैरामीटर्स के इष्टतम मान खोजती है।

H

Hadoop

Hadoop एक ओपन-सोर्स, Java-आधारित सॉफ्टवेयर फ्रेमवर्क है जो कई कंप्यूटरों के क्लस्टर्स में बिग डेटा के समानांतर प्रोसेसिंग और वितरित स्टोरेज को सक्षम बनाता है। Hadoop समय बचाने और इतनी बड़ी मात्रा में डेटा संभालने में सक्षम बनाता है जितना केवल एक कंप्यूटर से संभव नहीं होता।

Hyperparameter

Hyperparameters वे विशेषताएँ हैं जो किसी मशीन लर्निंग मॉडल से संबंधित होती हैं और जिनके मान प्रशिक्षण प्रक्रिया शुरू करने से पहले मैन्युअल रूप से सेट किए जाते हैं। अन्य पैरामीटर्स के विपरीत, हाइपरपैरामीटर्स को सीधे डेटा से अनुमानित या सीखा नहीं जा सकता। हाइपरपैरामीटर्स को ट्यून करके और परिणामी मॉडल के प्रदर्शन का अनुमान लगाकर, हम सबसे सटीक मॉडल प्राप्त करने के लिए उनके इष्टतम मान निर्धारित कर सकते हैं। सहज रूप से कहें तो, हाइपरपैरामीटर को ट्यून करना ऐसा है जैसे उत्तम सिग्नल पाने के लिए रेडियो नॉब ट्यून करना। हाइपरपैरामीटर्स का एक उदाहरण random forest एल्गोरिद्म में पेड़ों की संख्या है।

Hypothesis

Hypothesis किसी समस्या या घटना के बारे में एक अनुमान है जिसका परीक्षण किया जाना होता है, और प्रयोग के परिणाम के आधार पर जिसे सिद्ध या अस्वीकृत किया जाता है।

I

Imputation

Imputation किसी डेटासेट में मिसिंग वैल्यूज़ को भरने की प्रक्रिया है। इम्प्यूटेशन तकनीकें सांख्यिकीय (मीन/मोड इम्प्यूटेशन) या मशीन लर्निंग तकनीकें (KNN इम्प्यूटेशन) हो सकती हैं।

K

K-Means

K-Means सबसे लोकप्रिय क्लस्टरिंग एल्गोरिद्म है, जो डेटा में K क्लस्टर सेंटर्स (centroids) को प्रारंभिक निर्देशांकों के साथ पहचानता है और उनके अभिसरण तक प्रत्येक ऑब्ज़र्वेशन को उसकी विशेषताओं के आधार पर किसी एक सेंट्रॉयड को क्रमिक रूप से असाइन करता है। क्लस्टर के भीतर डेटा पॉइंट्स आपस में समान होते हैं और अन्य क्लस्टर्स के डेटा पॉइंट्स से भिन्न।

K-Nearest Neighbors (KNN)

K-nearest neighbors supervised learning एल्गोरिद्म हैं जो अपने सबसे नज़दीकी पड़ोसियों से समानता के आधार पर ऑब्ज़र्वेशनों को वर्गीकृत करते हैं। KNN के सबसे महत्वपूर्ण ट्यून किए जा सकने वाले पैरामीटर्स हैं—सबसे नज़दीकी पड़ोसियों की संख्या और दूरी मीट्रिक (Minkowski, Euclidean, Manhattan, आदि)।

L

Linear Algebra

Linear algebra गणित की वह शाखा है जो रैखिक प्रणालियों: रेखाएँ, समतल, वेक्टर स्पेसेज़, मैट्रिसेज़, और उन पर जोड़ या गुणा जैसे ऑपरेशनों से संबंधित है। डेटा साइंस और मशीन लर्निंग में लिनियर अल्जेब्रा बहुत उपयोगी है, क्योंकि डेटासेट्स और कई मशीन लर्निंग मॉडल्स को मैट्रिक्स रूप में प्रस्तुत किया जा सकता है।

Linear Regression

Linear regression एक रिग्रेशन एल्गोरिद्म है जो एक सतत टारगेट वैरिएबल और एक या कई सतत फीचर्स के बीच रैखिक संबंध का मॉडलिंग करता है। डेटा साइंस में लिनियर रिग्रेशन का एक सामान्य उदाहरण विभिन्न इनपुट विशेषताओं के आधार पर कीमत का पूर्वानुमान है।

Logistic Regression

Logistic regression एक रिग्रेशन एल्गोरिद्म है जो इनपुट फीचर्स पर लॉजिस्टिक फंक्शन का उपयोग करके टारगेट वैरिएबल के लिए क्लास प्रायिकता या सीधे क्लास लेबल की भविष्यवाणी करता है। दूसरे मामले में, आउटपुट सतत मानों के बजाय श्रेणियों का सेट होता है, अर्थात यहाँ लॉजिस्टिक रिग्रेशन एक क्लासिफिकेशन तकनीक के रूप में कार्य करता है। डेटा साइंस का एक सामान्य उपयोग मामला ग्राहक churn की संभावना की भविष्यवाणी करना है।

M

Machine Learning (ML)

Machine learning, artificial intelligence (AI) की वह शाखा है जो ऐतिहासिक डेटा से पैटर्न्स और रुझान सीखने के लिए बनाए गए एल्गोरिद्म का सेट प्रदान करती है। ML का उद्देश्य भविष्य के परिणामों की भविष्यवाणी करना है, और प्रशिक्षण सेट के डेटा पॉइंट्स से परे सामान्यीकरण करना है, बिना स्पष्ट रूप से प्रोग्राम किए। मशीन लर्निंग एल्गोरिद्म के दो मुख्य प्रकार हैं: supervised और unsupervised, जिनमें से प्रत्येक में विभिन्न उपयोग मामलों के लिए कई तकनीकें शामिल हैं।

Mean

Mean किसी संख्याओं के सेट का अंकगणितीय औसत मान है, अर्थात सभी मानों का योग, मानों की संख्या से विभाजित। इसे आमतौर पर अन्य सांख्यिकी के साथ मिलकर पूरे डेटासेट की समग्र समझ पाने के लिए उपयोग किया जाता है।

Mean Absolute Error (MAE)

Mean absolute error (MAE) अनुमानित मानों की वास्तविक मानों से तुलना में सभी पूर्ण त्रुटियों का अंकगणितीय औसत है।

Mean Squared Error (MSE)

Mean squared error (MSE) अनुमानित मानों की वास्तविक मानों से तुलना में सभी त्रुटियों के वर्गों का अंकगणितीय औसत है।

Median

Median किसी संख्याओं के सेट में वह मध्य मान है, जिसे आरोही या अवरोही क्रम में सॉर्ट किया गया हो। यदि सेट में मानों की संख्या सम है, तो median दो मध्य मानों का अंकगणितीय औसत होता है। मीडियन का उपयोग आमतौर पर अन्य सांख्यिकी के साथ मिलकर पूरे डेटासेट की समग्र समझ के लिए किया जाता है, और संभावित आउटलायर्स का पता लगाने में विशेष रूप से उपयोगी है।

Mode

Mode किसी डेटा सेट में सबसे अधिक बार आने वाला मान (या मान) है।

Model Tuning

Model tuning वह प्रक्रिया है जिसमें हाइपरपैरामीटर्स को समायोजित किया जाता है ताकि मॉडल की सटीकता को अधिकतम किया जा सके, बिना उसे ओवरफिट किए।

Multivariate Modeling

Multivariate modeling वह प्रक्रिया है जिसमें फीचर चयन चरण पर परिभाषित कई चरों (predictors) और टारगेट वैरिएबल के बीच संबंध का मॉडलिंग किया जाता है।

N

Naive Bayes

Naive Bayes, Bayes' theorem और क्लासिफायर में उपयोग किए गए फीचर्स के बीच स्वाधीनता के अनुमान पर आधारित वर्गीकरण एल्गोरिद्म का समूह है। यद्यपि वास्तविकता में फीचर्स हमेशा स्वतंत्र नहीं होते, Naive Bayes एल्गोरिद्म स्पैम फ़िल्टरिंग या सेंटिमेंट एनालिसिस जैसे विभिन्न डेटा साइंस उपयोग मामलों में सफलतापूर्वक लागू किए जा सकते हैं।

Natural Language Processing (NLP)

Natural Language Processing (NLP) कंप्यूटर साइंस की वह शाखा है जो कंप्यूटर एप्लिकेशनों को मानव भाषा (लिखित या बोली) को समझने और विश्लेषित करने में सक्षम बनाने से संबंधित है। NLP तकनीकें आमतौर पर असंरचित इनपुट टेक्स्ट डेटा लेती हैं, उसे संरचित रूप में बदलती हैं, भाषाई और संदर्भगत पैटर्न्स की तलाश करती हैं, उन्हें वर्गीकृत करती हैं, और इस डेटा से मूल्यवान अंतर्दृष्टियाँ निकालती हैं। NLP में मशीन लर्निंग और डीप लर्निंग का उपयोग करके भाषा उत्पन्न करना, उसे श्रेणीबद्ध करना, और भाषा का उपयोग करते हुए अन्य संज्ञानात्मक कार्य करना भी शामिल है। NLP अनुप्रयोगों के कुछ उदाहरण हैं चैटबॉट्स, स्पीच-टू-टेक्स्ट कन्वर्टर्स, सेंटिमेंट एनालिसिस, और स्वत: अनुवाद।

Normalization

Normalization डेटा को पुन:स्केल करने की प्रक्रिया है ताकि सभी विशेषताएँ एक ही स्केल पर हों। नॉर्मलाइज़ेशन विशेषताओं के बीच सार्थक तुलना करने के लिए आवश्यक है और कुछ मशीन लर्निंग एल्गोरिद्म के लिए भी आवश्यक होता है।

NoSQL

NoSQL का अर्थ है "not only SQL"। यह एक डेटाबेस मैनेजमेंट सिस्टम है जिसका उपयोग गैर-रिलेशनल (अर्थात, गैर-टैबुलर) डेटाबेस के स्टोरेज और रिट्रीवल के लिए किया जाता है। गैर-रिलेशनल डेटा मॉडलों के कुछ उदाहरण हैं ग्राफ, डॉक्यूमेंट, और की-वैल्यू डेटाबेस। NoSQL सिस्टम्स उच्च लचीलापन और ऑपरेशनल स्पीड, और कई सर्वरों पर स्केल किए जाने की क्षमता से लाभान्वित होते हैं।”

Null Hypothesis

Null hypothesis वह प्रकार की परिकल्पना है जो जाँची जाने वाली वैकल्पिक परिकल्पना के विपरीत कहती है, अर्थात दो चरों के बीच कोई महत्वपूर्ण सांख्यिकीय संबंध नहीं है और देखी गई ऑब्ज़र्वेशंस मात्र संयोग पर आधारित हैं। एक सांख्यिकीय प्रयोग के दौरान null hypothesis को अस्वीकार या पुष्टि किया जा सकता है।

O

Open Source

Open source उन सॉफ़्टवेयर और संसाधनों को संदर्भित करता है जो निःशुल्क लाइसेंस प्राप्त होते हैं और आगे संशोधन तथा साझा किए जा सकते हैं। ओपन-सोर्स टूल्स उपयोगकर्ताओं के बीच सहयोग को आसान बनाते हैं और आमतौर पर अधिक स्थिर होते हैं क्योंकि शोधकर्ता समुदाय द्वारा रिपोर्ट की गई तकनीकी समस्याओं और बग्स को ठीक कर सकते हैं या नई, सहायक सुविधाएँ जोड़ सकते हैं।

Ordinal Variable

Ordinal variable वह चर है जो संभावित मानों की सीमित संख्या में से एक ले सकता है, जिसमें अंतर्निहित क्रम होता है। एक उदाहरण सर्वे प्रतिक्रिया कॉलम होगा जहाँ प्रतिक्रियाएँ तीव्रता के अनुसार क्रमबद्ध होती हैं (जैसे, “सख्त असहमत”, “असहमत”, “तटस्थ”, “सहमत” या “सख्त सहमत”)।

Outlier

Outlier किसी डेटासेट में एक असामान्य मान है, जो बाकी ऑब्ज़र्वेशनों से काफ़ी भिन्न होता है। आउटलायर्स माप त्रुटि या असाधारण घटना का संकेत हो सकते हैं।

Overfitting

Overfitting वह स्थिति है जब कोई मॉडल प्रशिक्षण सेट से बहुत अधिक जानकारी, जिसमें संभावित शोर और आउटलायर्स भी शामिल हों, सीख लेता है। परिणामस्वरूप, वह बहुत जटिल हो जाता है, विशिष्ट प्रशिक्षण सेट पर अत्यधिक निर्भर हो जाता है, और अनदेखे डेटा पर पर्याप्त प्रदर्शन करने में विफल रहता है। ओवरफिटिंग bias-variance tradeoff में उच्च variance की ओर ले जाती है।

P

Parameter

Parameter प्रोग्रामिंग और डेटा साइंस में किसी फ़ंक्शन को पास किया जाने वाला नामित वैरिएबल है। मशीन लर्निंग में, पैरामीटर्स किसी एल्गोरिद्म का आंतरिक घटक होते हैं जिन्हें डेटा से सीखा जाना होता है। कुछ मशीन लर्निंग एल्गोरिद्म पैरामेट्रिक होते हैं जिनमें पैरामीटर्स का एक निश्चित सेट होता है (जैसे, लिनियर और लॉजिस्टिक रिग्रेशन), जबकि अन्य नॉन-पैरामेट्रिक होते हैं (जैसे, k-nearest neighbors)।

Precision

Precision एक मूल्यांकन मीट्रिक है जिसका उपयोग मशीन लर्निंग मॉडल के प्रदर्शन का आकलन करने के लिए किया जाता है, और यह सही भविष्यवाणी किए गए सकारात्मक मामलों की संख्या का कुल भविष्यवाणी किए गए सकारात्मक मामलों की संख्या से अनुपात दिखाता है।

Predictive Analytics

Predictive analytics किसी विशेष व्यवसाय में भविष्य की घटनाओं की भविष्यवाणी करने के लिए सांख्यिकीय विश्लेषण, डेटा माइनिंग, डेटा विज़ुअलाइज़ेशन, और मशीन लर्निंग के विभिन्न टूल्स का उपयोग करके ऐतिहासिक डेटा का विश्लेषण करने की प्रक्रिया है।

Principal Component Analysis (PCA)

Principal component analysis (PCA) फैक्टर एनालिसिस और डाइमेंशनलिटी रिडक्शन की एक सांख्यिकीय तकनीक है, जो संभावित रूप से सहसंबद्ध प्रारंभिक फीचर्स के सेट को लाइनarly असंबद्ध फीचर्स के छोटे सेट में रूपांतरित करती है, जिन्हें principal components कहा जाता है। इस प्रकार, PCA डेटासेट में जितना संभव हो सके उतना variance संरक्षित रखते हुए फीचर्स की संख्या को न्यूनतम करता है।

Python

Python एक ओपन-सोर्स, ऑब्जेक्ट-ओरिएंटेड, उच्च-स्तरीय प्रोग्रामिंग भाषा है। Python डेटा साइंस के क्षेत्र में बहुत लोकप्रिय है, लेकिन कंप्यूटर साइंस में सामान्य-उद्देश्य प्रोग्रामिंग के लिए भी व्यापक रूप से उपयोग होती है। यह सहज रूप से समझने योग्य, सीखने और उपयोग में आसान है, जबकि जटिल समस्याओं को हल करने के लिए अत्यंत शक्तिशाली भी है। Python एक विस्तृत मानक लाइब्रेरी और कई अतिरिक्त उपयोगी मॉड्यूल प्रदान करता है, और इसे लगातार विकसित, बेहतर, और विस्तारित किया जा रहा है।

R

R एक लोकप्रिय प्रोग्रामिंग भाषा और मुक्त सॉफ्टवेयर है, जिसका उपयोग डेटा साइंस और मशीन लर्निंग समस्याओं को हल करने के लिए व्यापक रूप से किया जाता है, विशेष रूप से इसकी सांख्यिकीय कम्प्यूटिंग क्षमता और शानदार डेटा विज़ुअलाइज़ेशन समाधानों के लिए प्रसिद्ध है। इसमें अनेक डेटा साइंस टूल्स और पैकेज शामिल हैं, इसे कई ऑपरेटिंग सिस्टम्स में उपयोग किया जा सकता है, और इसका एक सशक्त ऑनलाइन समुदाय है।

Random Forest

Random Forest एक supervised learning एल्गोरिद्म है जिसका उपयोग रिग्रेशन या क्लासिफिकेशन समस्याओं के लिए किया जाता है; रैंडम फॉरेस्ट कई डिसीजन ट्रीज़ के आउटपुट्स को एक ही मॉडल में संयोजित करता है। रैंडम फॉरेस्ट की भविष्यवाणियाँ मूलतः सभी डिसीजन ट्रीज़ के औसत परिणाम का प्रतिनिधित्व करती हैं, इसलिए यह एल्गोरिद्म अकेले एक डिसीजन ट्री की तुलना में अधिक सटीक परिणाम देता है।

Recall

Recall एक मूल्यांकन मीट्रिक है जिसका उपयोग मशीन लर्निंग मॉडल के प्रदर्शन का आकलन करने के लिए किया जाता है, और यह सही भविष्यवाणी किए गए सकारात्मक मामलों की संख्या का कुल वास्तविक सकारात्मक मामलों की संख्या से अनुपात दिखाता है।

Regression

Regression एक supervised learning समस्या है जहाँ इनपुट फीचर्स के आधार पर सतत परिणामों का पूर्वानुमान लगाना आवश्यक होता है। रिग्रेशन मॉडल एक या कई स्वतंत्र फीचर्स और टारगेट वैरिएबल के बीच संबंध सीखता है, और फिर स्थापित फंक्शन का उपयोग करके अनदेखे डेटा की भविष्यवाणी करता है। रिग्रेशन एल्गोरिद्म के उदाहरण हैं लिनियर रिग्रेशन और रिज रिग्रेशन। रिग्रेशन की एक सामान्य समस्या कीमत का पूर्वानुमान है।

Reinforcement Learning (RL)

Reinforcement learning (RL) मशीन लर्निंग की एक स्वतंत्र शाखा है (न तो supervised, न ही unsupervised) जहाँ कोई एल्गोरिद्म परिवेश के साथ अंतःक्रिया करके क्रमिक रूप से सीखता है। RL अपने पिछले अनुभव के आधार पर निर्णय लेता है कि कौन-से कार्य उसे निर्दिष्ट लक्ष्य के करीब ला सकते हैं। सही कार्यों के लिए पुरस्कार और गलत के लिए दंड प्राप्त करके, एल्गोरिद्म अपने प्रदर्शन को अधिकतम करने के लिए इष्टतम रणनीति खोज लेता है। RL एल्गोरिद्म के उदाहरणों में शतरंज इंजन और वीडियो गेम एजेंट जैसे गेम-खेलने वाले मशीन लर्निंग सिस्टम शामिल हैं।

Relational Database

Relational database वह प्रकार का डेटाबेस है जो डेटा को कई तालिकाओं में संग्रहीत करता है, जो एक-दूसरे से अद्वितीय IDs (keys) के माध्यम से संबंधित होती हैं, जिनसे डेटा तक पहुँचा, निकाला, सारांशित, या विभिन्न तरीकों से पुनर्संयोजित किया जा सकता है।

Root Mean Squared Error (RMSE)

Root mean squared error (RMSE), mean squared error का वर्गमूल है। यह मूल्यांकन मीट्रिक MSE की तुलना में अधिक सहज है क्योंकि परिणाम को मूल डेटा की समान मापन इकाइयों में आसानी से समझा जा सकता है।

S

Sampling Error

Sampling error, पूरे डेटा जनसंख्या और उसके उपसमुच्चय (सैंपल) के बीच सांख्यिकीय अंतर है, जो इस तथ्य के कारण होता है कि सैंपल में संपूर्ण जनसंख्या के सभी तत्व शामिल नहीं होते।

SQL

SQL (structured query language) एक प्रोग्रामिंग भाषा है जिसे रिलेशनल डेटाबेस मैनेजमेंट सिस्टम्स (RDBMS) के साथ इंटरैक्ट करने के लिए डिज़ाइन किया गया है। SQL के कई फ्लेवर्स हैं, जिनमें SQLite, PostgreSQL और MySQL शामिल हैं। इनमें से कुछ मुक्त और ओपन सोर्स हैं। सभी फ्लेवर्स का सिंटैक्स काफ़ी समान होता है, अतिरिक्त कार्यक्षमता में छोटे अंतर के साथ।

Standard Deviation

Standard deviation, किसी जनसंख्या के variance का वर्गमूल है। मानक विचलन मानों के फैलाव की मात्रा दर्शाता है और variance की तुलना में अधिक सहज है क्योंकि यह डेटा की समान मापन इकाइयों में होता है।

Supervised Learning

Supervised learning मशीन लर्निंग की वह शाखा है जो ऐतिहासिक डेटा के लेबल्ड training सेट पर किसी मॉडल को सिखाने से संबंधित है। सुपरवाइज़्ड लर्निंग इनपुट्स और आउटपुट्स के बीच संबंध सीखती है और फिर यह मापती है कि ज्ञात वास्तविक आउटपुट्स वाले test सेट के लिए यह आउटपुट्स को कितनी सटीकता से भविष्यवाणी करती है। इस तरह इसे बाद में पूरी तरह नए डेटा पर भविष्यवाणी करने के लिए उपयोग किया जा सकता है। सुपरवाइज़्ड लर्निंग एल्गोरिद्म में लिनियर और लॉजिस्टिक रिग्रेशन, डिसीजन ट्री, और SVM शामिल हैं। सामान्य कार्यों के उदाहरण हैं घर की कीमतों की भविष्यवाणी करना और संदेशों को स्पैम या हैम के रूप में वर्गीकृत करना।

SVM

SVM (Support Vector Machine) एक supervised learning एल्गोरिद्म है जिसका उपयोग मुख्यतः क्लासिफिकेशन, लेकिन रिग्रेशन समस्याओं के लिए भी किया जाता है। क्लासिफिकेशन समस्या में, SVM एक इष्टतम हाइपरप्लेन प्रदान करता है जो दोनों क्लासेस की ऑब्ज़र्वेशनों को अलग करता है (मल्टीक्लास क्लासिफिकेशन के मामले में, एल्गोरिद्म समस्या को बाइनरी समस्याओं के सेट में तोड़ देता है)। रिग्रेशन समस्या में, SVM परिभाषित थ्रेशहोल्ड के भीतर सर्वश्रेष्ठ-फ़िट हाइपरप्लेन प्रदान करता है।

Synthetic Data

Synthetic data कृत्रिम रूप से निर्मित डेटा है। सिंथेटिक डेटा आमतौर पर प्रारंभिक डेटासेट के सांख्यिकीय गुणों को प्रतिबिंबित करता है, इसलिए उनका उपयोग उच्च-गोपनीयता क्षेत्रों जैसे बैंकिंग और हेल्थकेयर में किया जा सकता है, या किसी मौजूदा डेटासेट को सांख्यिकीय रूप से प्रतिनिधिक अतिरिक्त ऑब्ज़र्वेशनों से बढ़ाने के लिए।

T

Target Variable

Target variable (जिसे dependent variable भी कहा जाता है) वह वैरिएबल है जिसकी भविष्यवाणी मशीन लर्निंग एल्गोरिद्म में फीचर्स का उपयोग करके की जानी है; उदाहरण के लिए यदि हम ऊँचाई, वजन, और शुगर इनटेक का उपयोग कर डायबिटीज़ की संभावना की भविष्यवाणी कर रहे हैं, तो डायबिटीज़ स्टेटस वह target variable है जिसे हम भविष्यवाणी करना चाहते हैं।

Test Set

Test set उपलब्ध डेटा का एक उपसमुच्चय है जिसे मॉडल बनाने से पहले अलग किया जाता है, आमतौर पर पूरे डेटासेट का 20 से 30%। टेस्ट सेट्स का उपयोग training सेट पर फिट किए गए मॉडलों की सटीकता का मूल्यांकन करने के लिए किया जाता है।

Time Series

Time series किसी वैरिएबल के अवलोकनों का अनुक्रम है, जिसे अलग-अलग समयों पर लिया गया हो और समय क्रम में सॉर्ट किया गया हो। आमतौर पर, टाइम सीरीज़ माप समान अंतराल पर लगातार लिए जाते हैं। टाइम सीरीज़ के कुछ उदाहरण हैं स्टॉक मार्केट की कीमतें या किसी निश्चित अवधि में तापमान।

Training Set

Training set उपलब्ध डेटा का एक उपसमुच्चय है जिसे मॉडल बनाने से पहले अलग किया जाता है, आमतौर पर पूरे डेटासेट का 70 से 80%। ट्रेनिंग सेट उस मॉडल को फिट करने के लिए उपयोग होता है, जिसका बाद में टेस्ट सेट पर परीक्षण किया जाएगा।

True Negative (TN)

True negative (TN) वह परिणाम है जहाँ मॉडल बाइनरी टारगेट वैरिएबल के लिए नकारात्मक क्लास को सही ढंग से भविष्यवाणी करता है (अर्थात, वास्तविक लेबल False होने पर यह “False” की भविष्यवाणी करता है)।

True Positive (TP)

True positive (TP) वह परिणाम है जहाँ मॉडल बाइनरी टारगेट वैरिएबल के लिए सकारात्मक क्लास को सही ढंग से भविष्यवाणी करता है (अर्थात, वास्तविक लेबल True होने पर यह “True” की भविष्यवाणी करता है)।

U

Underfitting

Underfitting वह स्थिति है जब कोई मॉडल प्रशिक्षण सेट से पैटर्न्स का पता लगाने में असमर्थ रहता है क्योंकि उसे अपर्याप्त जानकारी पर बनाया गया था। परिणामस्वरूप, मॉडल बहुत सरल होता है और न तो अनदेखे डेटा पर अच्छा प्रदर्शन कर पाता है, न ही स्वयं प्रशिक्षण सेट पर। अंडरफिटेड मॉडलों में bias उच्च होता है।

Univariate Modeling

Univariate modeling वह प्रक्रिया है जिसमें एकल वैरिएबल (एक predictor) और टारगेट वैरिएबल के बीच संबंध का मॉडलिंग किया जाता है। यूनिवेरिएट मॉडलिंग का उपयोग आमतौर पर टाइम सीरीज़ के साथ किया जाता है।

Unstructured Data

Unstructured data वह कोई भी डेटा है जो किसी पूर्व-परिभाषित डेटा संरचना—जैसे किसी डेटाबेस की सामान्य पंक्ति-स्तंभ संरचना—में फिट नहीं बैठता। ऐसे डेटा के उदाहरण हैं इमेजेज़, ईमेल्स, टेक्स्ट डॉक्यूमेंट्स, वीडियो और ऑडियो।

Unsupervised Learning

Unsupervised learning मशीन लर्निंग एल्गोरिद्म का वह वर्ग है जो टारगेट वैरिएबल दिए बिना किसी डेटासेट की अंतर्निहित संरचना सीखता है। अनसुपरवाइज़्ड लर्निंग का उपयोग डेटा में सामान्य पैटर्न्स खोजने, विशेषताओं के आधार पर मानों को समूहित करने, और फिर बाद में अनदेखे डेटा पर भविष्यवाणी करने के लिए किया जाता है। सबसे आम अनसुपरवाइज़्ड लर्निंग एल्गोरिद्म k-means है। सामान्य कार्यों के उदाहरण हैं anomaly detection, और सामान्य विशेषताओं के आधार पर ग्राहक विभाजन।

V

Variance

Variance गणित और सांख्यिकी में व्यक्तिगत मानों और पूरे मान-समुच्चय के mean के बीच औसत वर्गांतर है। दूसरे शब्दों में, variance दिखाता है कि मान कितने फैले हुए हैं। मशीन लर्निंग में, variance वह त्रुटि है जो प्रशिक्षण सेट में छोटे-छोटे बदलावों के प्रति मॉडल की संवेदनशीलता से उत्पन्न होती है। उच्च variance, इनपुट फीचर्स से यादृच्छिक शोर सीखने की मॉडल की प्रवृत्ति को दर्शाता है, जो मॉडल ओवरफिटिंग की ओर ले जाता है।

W

Web Scraping

Web scraping वेबसाइट्स से विशिष्ट डेटा निकालने की प्रक्रिया है, ताकि उसे आगे उपयोग किया जा सके। वेब स्क्रैपिंग किसी प्रोग्राम को लिखकर स्वचालित रूप से की जा सकती है, जो किसी वेबसाइट से आवश्यक जानकारी कैप्चर करे।

Z

Z-Score

Z-Score (जिसे standardized score, standard score, या normal score भी कहा जाता है) वह मानक विचलन की इकाइयों की संख्या है, जिसके द्वारा किसी डेटा ऑब्ज़र्वेशन का मान पूरे मान-समुच्चय के mean से ऊपर या नीचे होता है। z-score शून्य के बराबर होने का अर्थ है कि डेटा ऑब्ज़र्वेशन mean के निकट है।

विषय

डेटा साइंस

डेटा साक्षरता