ಸದಸ್ಯ:ಯಶಸ್ ಸೀ ಆರ್/ನನ್ನ ಪ್ರಯೋಗಪುಟ

ಡೇಟಾ ಅನ್ವೇಷಣಾ ವಿಶ್ಲೇಷಣೆ:

ಪರಿಚಯ:

ಡೇಟಾ ಅನ್ವೇಷಣಾ ವಿಶ್ಲೇಷಣೆ ಎಂಬುದು ಡೇಟಾದ ಪ್ರಾಥಮಿಕ ವಿಶ್ಲೇಷಣೆಯಾಗಿದೆ. ಇದನ್ನು ಡೇಟಾದ ಮಾದರಿಗಳನ್ನು, ಸಂಭಾವಿತ ಸಂಬಂಧಗಳನ್ನು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ, ಇ ಡಿ ಎ ಡೇಟಾವನ್ನು ಆಳವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಮುಂಬರುವ ಮಾದರಿಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಬಹಳ ಪ್ರಾಮುಖ್ಯತೆಯಾಗಿದೆ.

ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ: ಡೇಟಾ ಹೇಗೆ ಕಾಣುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಅದರಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುವುದು: ಡೇಟಾದಲ್ಲಿನ ದೋಷಗಳು, ಅಸಂಗತತೆಗಳು ಮತ್ತು ಅನಿರೀಕ್ಷಿತ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಊಹೆಗಳನ್ನು ರಚಿಸುವುದು: ಡೇಟಾ ಆಧರಿಸಿ ಹೊಸ ಊಹೆಗಳನ್ನು ರಚಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಮುಂದಿನ ಹಂತದ ವಿಶ್ಲೇಷಣೆ: ಯಾವ ರೀತಿಯ ವಿಶ್ಲೇಷಣೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

 ಇ ಡಿ ಎ ಹಂತಗಳು:

ಡೇಟಾ ತಯಾರಿ : ಕೊರತೆಯಿರುವ ಡೇಟಾ ಭರ್ತಿ ಮಾಡಲಾಗುತ್ತದೆ. ಅಸಾಧಾರಣ ಅಂಶಗಳು ಮತ್ತು ಡೂಪ್ಲಿಕೇಟ್ ಡೇಟಾ ಸರಿಪಡಿಸಲಾಗುತ್ತದೆ.

ಡೇಟಾ ಸಂಗ್ರಹ: ವಿವಿಧ ಮೂಲಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು (ಉದಾಹರಣೆಗೆ ಡೇಟಾಬೇಸ್‌ಗಳು, ವೆಬ್‌ಸೈಟ್‌ಗಳು, ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮ, ಸಂವೇದಕಗಳು).

ಡೇಟಾ ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ: ಡೇಟಾದಲ್ಲಿನ ದೋಷಗಳು, ಅಸಂಗತತೆಗಳು ಮತ್ತು ಅನುಪಯುಕ್ತ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ತೆಗೆದುಹಾಕುವುದು. ಇದರಲ್ಲಿ ಅಪೂರ್ಣ ಮೌಲ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು, ಅಸಂಗತತೆಗಳನ್ನು ಪರಿಹರಿಸುವುದು ಮತ್ತು ಶಬ್ದವನ್ನು ತೆಗೆದುಹಾಕುವುದು ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಡೇಟಾ ರೂಪಾಂತರ: ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಣೆಗೆ ಸೂಕ್ತವಾದ ರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು. ಇದರಲ್ಲಿ ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ಪರಿವರ್ತಿಸುವುದು, ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ರಚಿಸುವುದು ಮತ್ತು ಡೇಟಾವನ್ನು ಸ್ಕೇಲಿಂಗ್ ಮಾಡುವುದು ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಡೇಟಾ ಪರಿಶೋಧನೆ: ಡೇಟಾದಲ್ಲಿನ ಮಾದರಿಗಳು, ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಅಸಂಗತತೆಗಳನ್ನು ಗುರುತಿಸಲು ಡೇಟಾವನ್ನು ಅನ್ವೇಷಿಸುವುದು. ಇದರಲ್ಲಿ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ ಒಳಗೊಂಡಿರುತ್ತದೆ.

ಡೇಟಾ ವೀಕ್ಷಣೆ : ಡೇಟಾದ ಮೂಲಾಂಶವನ್ನು ಪರಿಗಣಿಸಿ ಮಾದರಿಗಳನ್ನು ಮತ್ತು ಹರಿವನ್ನು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.

ಸಾಂಖ್ಯಿಕ ವಿಶ್ಲೇಷಣೆ: ಅಂದಾಜು ಅರ್ಥ, ಮಧ್ಯಮ , ಮೋಡ್ ಇತ್ಯಾದಿಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ ಹಂಚಿಕೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ.

ಚಿತ್ರಣ : ಹಿಸ್ಟೋಗ್ರಾಮ್ , ಸ್ಕ್ಯಾಟರ್ ಪ್ಲಾಟ್ , ಬಾರ್ ಗ್ರಾಫ್ ಮುಂತಾದ ಆಕೃತಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.

ಉಪಯೋಗಗಳು :

ಮಾದರಿಗಳನ್ನು ಮತ್ತು ರಚನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.

ಡೇಟಾದ ಶುದ್ಧೀಕರಣ ಮತ್ತು ತೊಡಕುಗಳನ್ನು ನಿವಾರಿಸುವುದು.

ಹೈಪೋಥೆಸಿಸ್ ಪರೀಕ್ಷೆಗಳಿಗೆ ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು.

ಉದಾಹರಣೆಗಳು:

ಒಂದು ಇ-ಕಾಮರ್ಸ್ ಕಂಪನಿ ತನ್ನ ಗ್ರಾಹಕರ ಖರೀದಿ ಮಾದರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಡೇಟಾ ಅನ್ವೇಷಣೆಯನ್ನು ಬಳಸಬಹುದು.

ಒಂದು ಆರೋಗ್ಯ ಕಂಪನಿ ರೋಗಿಗಳ ಆರೋಗ್ಯ ದಾಖಲೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಹೊಸ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು.

ಒಂದು ಹವಾಮಾನಶಾಸ್ತ್ರಜ್ ಕಂಪನಿ ಹವಾಮಾನ ಮಾದರಿಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಿ ಭವಿಷ್ಯದ ಹವಾಮಾನ ಬದಲಾವಣೆಗಳನ್ನು ಊಹಿಸಬಹುದು.

ಪ್ರಯೋಜನಗಳು:

ಡೇಟಾದಲ್ಲಿನ ಅಡಗಿರುವ ಮಾಹಿತಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಯಾವ ರೀತಿಯ ವಿಶ್ಲೇಷಣೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಡೇಟಾ-ಚಾಲಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಸಾರಾಂಶ

ಡೇಟಾ ಅನ್ವೇಷಣಾ ವಿಶ್ಲೇಷಣೆಯು ಯಾವುದೇ ಡೇಟಾ ವಿಜ್ಞಾನ ಯೋಜನೆಯ ಅತ್ಯಂತ ಮುಖ್ಯವಾದ ಹಂತಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಡೇಟಾದಲ್ಲಿ ಅಡಗಿರುವ ಮಾಹಿತಿಯನ್ನು ಕಂಡುಹಿಡಿಯಲು, ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಅರ್ಥಪೂರ್ಣ ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆಯಲು ಇದು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಡೇಟಾವನ್ನು ಚೆನ್ನಾಗಿ ಪರಿಶೀಲಿಸುವುದು, ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು, ದೃಶ್ಯೀಕರಿಸುವುದು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಹುಡುಕುವುದು ಈ ಪ್ರಕ್ರಿಯೆಯ ಪ್ರಮುಖ ಹಂತಗಳಾಗಿವೆ. ಡೇಟಾ ಅನ್ವೇಷಣೆಯು ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು, ಯಾವ ರೀತಿಯ ವಿಶ್ಲೇಷಣೆ ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮತ್ತು ಡೇಟಾ-ಚಾಲಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪರಿಣಾಮಕಾರಿ ಡೇಟಾ ಅನ್ವೇಷಣೆಗಾಗಿ ಸೂಕ್ತವಾದ ಸಾಧನಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಅನುಸರಿಸುವುದು ಅತ್ಯಗತ್ಯ.

ಡೇಟಾ ಅನ್ವೇಷಣಾ ವಿಶ್ಲೇಷಣೆಯು ಡೇಟಾದಲ್ಲಿ ಅಡಗಿರುವ ಅಮೂಲ್ಯವಾದ ತಿಳುವಳಿಕೆಯನ್ನು ಅನ್ಲಾಕ್ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಇದು ಡೇಟಾವನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಅದರಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಯಾವ ರೀತಿಯ ವಿಶ್ಲೇಷಣೆ ಮುಂದೆ ಮಾಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಲು ನಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯು ಡೇಟಾದಲ್ಲಿನ ದೋಷಗಳನ್ನು ಗುರುತಿಸಲು, ಅಸಂಗತತೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಸಹಕಾರಿಯಾಗಿದೆ. ದೃಶ್ಯೀಕರಣ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾವನ್ನು ಪ್ರತಿನಿಧಿಸುವುದು, ಅಂಕಿಅಂಶಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಹುಡುಕುವುದು ಈ ಪ್ರಕ್ರಿಯೆಯ ಪ್ರಮುಖ ಅಂಶಗಳಾಗಿವೆ. ಡೇಟಾ ಅನ್ವೇಷಣೆಯು ಡೇಟಾ-ಚಾಲಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಮಗೆ ಸಬಲಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ವ್ಯವಹಾರದಲ್ಲಿ ಅಥವಾ ಸಂಶೋಧನೆಯಲ್ಲಿ ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಲು ನೆರವಾಗುತ್ತದೆ.

ಉಲ್ಲೇಖ:ಅನ್ವೇಷಣಾ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ" - ಜಾನ್ ಡಬ್ಲ್ಯು. ಟುಕಿಯವರಿಂದ.

"ವ್ಯವಹಾರಕ್ಕಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನ" - ಫಾಸ್ಟರ್ ಪ್ರೊವೊಸ್ಟ್ ಮತ್ತು ಟಾಮ್ ಫಾವ್ಸೆಟ್ ಅವರಿಂದ

ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಎಂಬುದು ಯಾವುದೇ ಡೇಟಾ-ಚಾಲಿತ ಪದ್ದತಿಗಳಲ್ಲಿ ಮೊದಲನೆಯ ಮತ್ತು ಅತೀ ಮುಖ್ಯವಾದ ಹಂತವಾಗಿದೆ. ಇತರ ಹಂತಗಳು ಆನಾಲಿಸಿಸ್ (ವಿಶ್ಲೇಷಣೆ), ಮಾದರಿ ನಿರ್ಮಾಣ, ಮತ್ತು ನಿರ್ಧಾರ ಕೈಗೊಳ್ಳುವಿಕೆಗಳಲ್ಲಿ ಇವು ದೊಡ್ಡ ಪಾತ್ರ ವಹಿಸುತ್ತವೆ. ಇಲ್ಲಿಯವರೆಗೆ, ನಾವು ಡೇಟಾ ಸಂಗ್ರಹಣೆಯು ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯು ಎಷ್ಟು ಪ್ರಮುಖ ಎಂದು ಅರಿಯಲು ಹೋದರೆ, ಇದು ಶುದ್ದವಾದ ಮಾಹಿತಿಯನ್ನು ನೀಡಲು ಮತ್ತು ಏಕೀಕರಣವನ್ನು ಸುಧಾರಿಸಲು ಎಷ್ಟು ಮುಖ್ಯ ಎಂದು ಅರಿಯುತ್ತೇವೆ. ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಎಂಬುದು ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ಮತ್ತು ಯಾಂತ್ರಿಕ ಕಲಿಕೆಯಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಮುಖ ಹಂತಗಳಾಗಿವೆ. ಈ ಪ್ರಕ್ರಿಯೆಗಳು ಡೇಟಾವನ್ನು ಪರಿಷ್ಕೃತವಾಗಿ ಪರಿಗಣಿಸಲು ಮತ್ತು ದೋಷರಹಿತವಾಗಿಸಲು ನೆರವಾಗುತ್ತವೆ, ಇದರ ಫಲವಾಗಿ ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಸುಧಾರಿಸುತ್ತದೆ.

1. ಡೇಟಾ ಸಂಗ್ರಹಣೆ :ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಎಂಬುದು ಯಾವುದೇ ಅಧ್ಯಯನ, ಸಮೀಕ್ಷೆ, ಅಥವಾ ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆ ನಡೆಸಲು ಮೊದಲನೆಯ ಹೆಜ್ಜೆಯಾಗಿದೆ. ಈ ಹಂತದಲ್ಲಿ, ಸಂಶೋಧಕರು ಅಥವಾ ಪದ್ದತಿ ಅಭಿವೃದ್ಧಿಕಾರರು ಡೇಟಾವನ್ನು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಂಗ್ರಹಿಸುತ್ತಾರೆ. ಇದರಲ್ಲಿ ಬೃಹತ್ ಪ್ರಮಾಣದ ಅನ್ಯತೆಯ ವಸ್ತುಗಳು ಇರಬಹುದು, ಮತ್ತು ಡೇಟಾವನ್ನು ಶ್ರೇಣೀಬದ್ಧವಾಗಿ ಕಲೆಹಾಕುವುದು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.ಇದು ಪ್ರಕ್ರಿಯೆಯ ಮೊದಲ ಹಂತವಾಗಿದೆ, ಇಲ್ಲಿ ನಾವು ಆವಶ್ಯಕ ಡೇಟಾವನ್ನು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಂಗ್ರಹಿಸುತ್ತೇವೆ. ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಮೂಲಗಳು ಇವು

ಕೈಪಿಡಿ ಸಂಗ್ರಹಣೆ: ಸಮೀಕ್ಷೆಗಳು, ಸಂದರ್ಶನಗಳು, ಮತ್ತು ಕೈಯಾರೆ ಡೇಟಾವನ್ನು ಸೇರಿಸುವ ವಿಧಾನ.

ಆನ್ಲೈನ್ ಸಂಗ್ರಹಣೆ: ವೆಬ್ ಸ್ಕ್ರಾಪಿಂಗ್ ಗಳ ಮೂಲಕ ಡೇಟಾ ಪ್ರವೇಶ.ಸ್ಟೋರ್ಡ್ ಡೇಟಾ ಬೇಸ್ಸ್: ಮೆಕ್ಕೆನೀಕ ಡೇಟಾಬೇಸ್ಗಳು, ಪಠ್ಯ ಫೈಲ್‌ಗಳು, ಅಥವಾ ಬೇರೆ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ.

2. ಪೂರ್ವಪ್ರಕ್ರಿಯೆ :ಡೇಟಾ ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಡೇಟಾ ಸಂಗ್ರಹಿಸಿದ ನಂತರ, ಆ ಡೇಟಾವನ್ನು ನಿಖರವಾಗಿ ಬಳಸುವವರೆಗೆ ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಮಾಡುವುದು ಅತ್ಯಗತ್ಯ. ಪೂರ್ವಪ್ರಕ್ರಿಯೆಎಂಬುದು ಸಂಗ್ರಹಿತ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ಸ್ವರೂಪಿಸುವುದಕ್ಕೆ, ಮತ್ತು ವೈಜ್ಞಾನಿಕ ವಿಶ್ಲೇಷಣೆಗೆ ತಯಾರಿಸಲು ಮಾಡಲಾಗುವ ಕ್ರಮಗಳ ಸಂಕಲನವಾಗಿದೆ.

ಡೇಟಾ ಸಂಗ್ರಹಿಸಿದ ನಂತರ, ಅದನ್ನು ಸರಿಯಾದ ರೂಪಕ್ಕೆ ತರಲು ಹಲವು ಪೂರ್ವಪ್ರಕ್ರಿಯೆಗಳು ಅಗತ್ಯವಾಗುತ್ತವೆ. ಈ ಹಂತದಲ್ಲಿ, ಡೇಟಾವನ್ನು ಶುದ್ಧೀಕರಿಸಲಾಗುತ್ತದೆ, ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ, ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಿದ್ಧಗೊಳ್ಳುತ್ತದೆ.ಪ್ರಮುಖ ಹಂತಗಳು

ಡೇಟಾ ಸ್ವಚ್ಛೀಕರಣ : ಸಂಗ್ರಹಿತ ಡೇಟಾ ಹೆಚ್ಚು ಕೇರಿಸುಳಿದ, ಮಿಸ್ಸಿಂಗ್, ಅಥವಾ ಅಸಂಬದ್ಧ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರಬಹುದು. ಅಂಥವುಗಳನ್ನು ಹೊರಹಾಕಿ ಅಥವಾ ಸರಿಪಡಿಸುವುದು ಮುಖ್ಯ.

ಮಿಸ್ಸಿಂಗ್ ಡೇಟಾ : ಕೆಲವು ಘಟಕಗಳು ಡೇಟಾದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದಿರಬಹುದು. ಅವುಗಳನ್ನು ತುಂಬಲು ಕೆಲವು ತಂತ್ರಗಳನ್ನು ಬಳಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಸಾಮಾನ್ಯ ಮೌಲ್ಯ ಅಥವಾ ಅಂದಾಜುಗಳ ವಿಧಾನ.ಅಸಂಬದ್ಧ ಡೇಟಾ : ಕೆಲವೊಮ್ಮೆ ಡೇಟಾದಲ್ಲಿ ಅಸಂಬದ್ಧತೆಗಳಿರಬಹುದು, ಉದಾಹರಣೆಗೆ, ಆಳಿಸಿ ಕಳುಹಿಸಿದ ಮಾಹಿತಿಗಳು ಸರಿಯಾಗಿ ದಾಖಲಾಗದೇ ಇರುವಂತದ್ದು.

ಡೇಟಾ ಪರಿವರ್ತನೆ : ಡೇಟಾದ ಮಾದರಿಯನ್ನು ಪರಿವರ್ತಿಸುವುದು. ಇದನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸುವಿಕೆ , ಸ್ಟಾಂಡರ್ಡೈಜೇಶನ್ ಇತ್ಯಾದಿ ಮೂಲಕ ಮಾಡಲಾಗುತ್ತದೆ.

ಸಾಮಾನ್ಯಗೊಳಿಸುವಿಕೆ : ದೊಡ್ಡ ಬೆಲೆಗಳಿಂದಾಗಿ ಏರುಪೇರಾಗುವ ಡೇಟಾವನ್ನು ಸರಿಯಾಗಿ ತೂಕಮಾಪನೆ ಮಾಡಲು.

ಸ್ಟಾಂಡರ್ಡೈಜೇಶನ್: ಡೇಟಾದ ಬೆಲೆಗಳನ್ನು ಸರಿಯಾದ ಸಾಮಾನ್ಯ ಮಾಪಕದಲ್ಲಿ ತರುತ್ತದೆ.

ವರ್ಗೀಕರಣ ಮತ್ತು ಏಕೀಕರಣ : ಕೆಲವೊಮ್ಮೆ ಡೇಟಾ ಬಹಳ ಬೃಹತ್ವಾಗಿರುತ್ತದೆ, ಇದನ್ನು ಸುಲಭಗೊಳಿಸಲು ಅದನ್ನು ವರ್ಗಗಳಲ್ಲಿಟ್ಟು ಉಪಯೋಗ ಮಾಡಬಹುದು.

ವರ್ಗೀಕರಣ: ನಿರ್ದಿಷ್ಟ ಗುಣಲಕ್ಷಣಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಗುಂಪು ಮಾಡುವುದು.

ಏಕೀಕರಣ: ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಒಂದೇ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಫೈಲ್‌ನಲ್ಲಿ ಏಕೀಕೃತಗೊಳಿಸಲಾಗುತ್ತದೆ.

ಎನ್ಕೋಡಿಂಗ್: ಕೆಲವು ಬಾರಿ ಡೇಟಾ ಶ್ರೇಣಿಬದ್ಧ ಇಲ್ಲವೇ ವರ್ಣಮಾಲಾ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅವುಗಳನ್ನು ಸಂಖ್ಯಾ ರೂಪಾಂತರಕ್ಕೆ ತರುವುದೇ ಅನ್ಕೋಡಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ಕೊರೆತ ಮಾಹಿತಿಯನ್ನು ನಿಭಾಯಿಸುವುದು:ಅಲ್ಪ ಡೇಟಾವನ್ನು ಹಾನಿ ಮಾಡುವುದು, ಬದಲಾವಣೆ ಮಾಡುವುದು ಅಥವಾ ಮಧ್ಯಮ ಅಥವಾ ಸಾಧಾರಣ ಮೌಲ್ಯಗಳಿಂದ ಭರ್ತಿ ಮಾಡುವುದು.

ಸಾಮಾನ್ಯೀಕರಣ:ಡೇಟಾವನ್ನು ಒಂದೇ ಶ್ರೇಣಿಯ ಅಳೆಯುವಿಕೆಗೆ ತರಲು, ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಮೂಲಕ ಎಲ್ಲಾ ಅಂಶಗಳು ಒಂದೇ ಶ್ರೇಣಿಯಲ್ಲಿ ಇರುತ್ತವೆ.

ಅಸಾಮಾನ್ಯ ಅಂಶಗಳ ತೆಗೆದುಹಾಕುವುದು:ಅಸಾಮಾನ್ಯ ಅಂಶಗಳು ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕುಗ್ಗಿಸಬಹುದು. ಅವುಗಳನ್ನು ಗುರುತಿಸಿ ತೆಗೆದುಹಾಕುವುದು ಅಥವಾ ಸರಿಯಾಗಿ ನಿಭಾಯಿಸುವುದು ಅಗತ್ಯ.

ಗುಣಲಕ್ಷಣಗಳ ಎನ್‌ಕೋಡಿಂಗ್:ಸಾಮಾನ್ಯವಾಗಿ ನಮಗೆ ಡೇಟಾ ಸುಸ್ಪಷ್ಟೀಕರಿಸುವ ಗಣ್ಣ ಗುರಿಗಳು ಇರುತ್ತವೆ. ನಾಮಮಾತ್ರ ಡೇಟಾ ಅನ್ನು ಸಂಖ್ಯೆಗಳಲ್ಲಿ ಎನ್‌ಕೋಡ್ ಮಾಡುವುದು ಅಗತ್ಯ.

ಅಳತೆಗಳನ್ನು ಸಮಾನಗೊಳಿಸುವುದು:ಗುಣಲಕ್ಷಣಗಳನ್ನು ಒಂದೇ ಶ್ರೇಣಿಗೆ ತರಲು ವೈಶಿಷ್ಟ್ಯದ ಸ್ಕೇಲಿಂಗ್ ಬಳಸಲಾಗುತ್ತದೆ. ಡೇಟಾವನ್ನು ವಿಭಜಿಸುವುದು:

ಡೇಟಾಸೆಟ್ ಅನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಗುಂಪುಗಳಿಗೆ ವಿಭಜಿಸಲಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ 70-80% ತರಬೇತಿಗೆ, 20-30% ಪರೀಕ್ಷೆಗೆ.

3. ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯ ಪ್ರಾಮುಖ್ಯತೆ:ಅನಿರೀಕ್ಷಿತ ದೋಷಗಳನ್ನು ತಡೆಯುವುದು: ಶುದ್ಧೀಕರಣ ಡೇಟಾ ಮಾದರಿಯ ದೋಷವಿಲ್ಲದ ಕಾರ್ಯಾಚರಣೆಗೆ ಸಹಕಾರಿಯಾಗುತ್ತದೆ.

ಕನಿಷ್ಠ ಡೇಟಾ ಹಾನಿ: ಅಸಾಮಾನ್ಯ ಅಂಶಗಳು ಮತ್ತು ಕಡಿಮೆ ಅಂಶಗಳ ನಿರ್ವಹಣೆಯ ಮೂಲಕ ಮಾದರಿಯ ಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸಲಾಗುತ್ತದೆ.

ನಿಖರವಾದ ವಿಶ್ಲೇಷಣೆ: ಸರಿಯಾದ ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ, ಉತ್ತಮವಾದ ಹಿನ್ನಲೆಯನ್ನು ಸೃಷ್ಟಿಸಬಹುದು.

ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಪ್ರಕಾರಗಳು:

ಹಕ್ಕುಪತ್ರವಿಲ್ಲದ ಮೂಲಗಳು : ಇದು ಸಾಮಾನ್ಯವಾಗಿ ನೇರವಾಗಿ ಸಂಗ್ರಹಿಸಲ್ಪಡುವ ಡೇಟಾ ಆಗಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: ಸಮೀಕ್ಷೆಗಳು ಪ್ರಶ್ನಾವಳಿಗಳು ಇಂಟರ್ವ್ಯೂಗಳು ಪ್ರಾಯೋಗಿಕ ಪರೀಕ್ಷೆಗಳು ಈ ಡೇಟಾ ಮೂಲಗಳು ನಿಖರತೆಯಾಗಿದ್ದು, ಅವುಗಳು ಕೇಸ್-ಸ್ಪೆಸಿಫಿಕ್ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತವೆ

ಹಕ್ಕುಪತ್ರವಿರುವ ಮೂಲಗಳು : ಇದು ಇತರರು ಸಂಗ್ರಹಿಸಿರುವ ಅಥವಾ ಪ್ರಕಟಿಸಿರುವ ಡೇಟಾ ಆಗಿರುತ್ತದೆ. ಈ ಮೂಲಗಳಿಂದ ಸಂಗ್ರಹಿತ ಮಾಹಿತಿಯನ್ನು ನಿಖರವಾದ ಸಂಶೋಧನೆಗಳಿಗೆ ಬಳಸಬಹುದು. ಉದಾಹರಣೆ:ಜರ್ನಲ್ ಲೇಖನಗಳು ಸರ್ಕಾರಿ ಡೇಟಾಬೇಸ್‌ಗಳು ಪಠ್ಯಪುಸ್ತಕಗಳು ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ವಿಧಾನಗಳು:

ಗಣಕಯಂತ್ರಿಕ ಸಮೀಕ್ಷೆ: ಅತಿ ಹೆಚ್ಚು ಉಪಯೋಗಿಸಲ್ಪಡುವ ವಿಧಾನಗಳಲ್ಲಿ ಒಂದು. ಇದರಿಂದ ವ್ಯಾಪಕ ಪ್ರಮಾಣದಲ್ಲಿ ಹಾಗೂ ಸುಲಭವಾಗಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು.

ಪ್ರಯೋಗಾಲಯ ಶೋಧನೆಗಳು : ಲ್ಯಾಬೋರೇಟರಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಕಲೆಹಾಕುವ ವಿಧಾನ. ಇದು ನಿಖರವಾದ ವಿವರಣೆಯನ್ನು ನೀಡಲು ಉತ್ತಮವಾಗಿದೆ.

ವೀಕ್ಷಣೆ : ನೈಸರ್ಗಿಕ ಅಥವಾ ಮಾನವೀಯ ಚಟುವಟಿಕೆಗಳನ್ನು ವೀಕ್ಷಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ.

ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಇತರೆ ಡಿಜಿಟಲ್ ಮೂಲಗಳು: ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮಗಳು ಮತ್ತು ಇತರ ಡಿಜಿಟಲ್ ಮೂಲಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತಿದೆ. ಉದಾಹರಣೆಗೆ, ಟ್ವಿಟರ್, ಫೇಸ್ಬುಕ್ ನಂತಹ ಸಾಮಾಜಿಕ ಮಾಧ್ಯಮಗಳಿಂದ ಡೇಟಾ ಸಂಗ್ರಹ ಮಾಡಬಹುದು.

ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯ ಅಗತ್ಯತೆ ನಿಖರ ವಿಶ್ಲೇಷಣೆ: ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯು ವೈಜ್ಞಾನಿಕವಾಗಿಯೂ ನಿಖರವಾಗಿಯೂ ವಿಶ್ಲೇಷಣೆಗೆ ಪೂರಕವಾಗುತ್ತದೆ. ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಮಾಡದಿದ್ದರೆ, ಅಸಂಬದ್ಧ ಮಾಹಿತಿಗಳಿಂದ ಅಪನಿಖರ ಫಲಿತಾಂಶಗಳು ಬರುತ್ತವೆ.

ನಮ್ಮ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಸಮರ್ಪಕ ಡೇಟಾ: ಬಹುಶಃ ಸಂಗ್ರಹಿಸಲಾದ ಡೇಟಾ ನೇರವಾಗಿ ಬಳಸುವಂತೆ ಇರದು. ಉದಾಹರಣೆಗೆ, ಬೇರೆ ಬೇರೆ ಮಾಪಕಗಳಲ್ಲಿ ಇರುವ ಡೇಟಾವನ್ನು ಬಳಸಿ ವಿಶ್ಲೇಷಣೆ ನಡೆಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಹೀಗಾಗಿ, ಮಾಪಕಗಳು ಒಂದೇ ರೀತಿ ಇರಬೇಕಾಗಿದೆ.

ಅಪಾಯಕಾರಿಯಾದ ಡೇಟಾವನ್ನು ತೊಡಗಿಸಬಾರದು: ಕೆಲವೊಮ್ಮೆ ಡೇಟಾದಲ್ಲಿ ಖೋಟಾ ಅಥವಾ ಹಾನಿಕಾರಕ ಮಾಹಿತಿಗಳು ಇರಬಹುದು. ಅವುಗಳನ್ನು ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ತೊಡಗಿಸಬೇಡಿ.

ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯ ತಂತ್ರಜ್ಞಾನಗಳು

ಪೈಥಾನ್‌: ಪೈಥಾನ್‌ನಲ್ಲಿ ಪಾಂಡಾಗಳು ಮತ್ತು ಯಂತಹ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಡೇಟಾ ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯನ್ನು ಮಾಡಬಹುದು.

ಆರ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್:ಆರ್ ಕೂಡ ಡೇಟಾ ವಿಜ್ಞಾನದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಆರ್ ನಲ್ಲಿಟೈ ಡಾ ರ್   ಮತ್ತು ಜಿ ಜಿ ಪ್ಲ ಟಿ ಪ್ಯಾಕೇಜ್‌ಗಳು ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆಗಾಗಿ ಉಪಯುಕ್ತವಾಗಿವೆ.

ಎಕ್ಸೆಲ್: ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ವೀಕ್ಷಿಸಲು ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಲು ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಕ್ಸೆಲ್ ಬಳಕೆಯಾಗುತ್ತದೆ. ವಿವಿಧ ಫಾರ್ಮುಲಾ ಮತ್ತು ಅಂಕೆಮಾಣಿಕೆಗಳು ಡೇಟಾ ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತವೆ.

ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯ ಪ್ರಾಯೋಗಿಕ ಸೂತ್ರಗಳು:ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು, ಮಿಸ್ಸಿಂಗ್ ಡೇಟಾವನ್ನು ಸರಿಪಡಿಸಬೇಕು.

ಅಸಂಬದ್ಧ ಮತ್ತು ಅಪನಿಖರ ಮಾದರಿಗಳನ್ನು ತಕ್ಷಣವೇ ಸರಿಪಡಿಸಬೇಕು.

ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಾಮಾನ್ಯಗೊಳಿಸುವಿಕೆಯನ್ನು ಉಪಯೋಗಿಸಬೇಕು.

ಭಿನ್ನ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ಸಂಗ್ರಹಿಸಿದಾಗ, ಏಕೀಕರಣವು ಮುಖ್ಯವಾಗಿದೆ.

ಪೂರ್ಣಗೊಳ್ಳುವಿಕೆ:ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯು ಎಲೆಮೆಂಟರಿ ಹಂತವಾಗಿದ್ದರೂ, ಅತ್ಯಂತ ಗುರಿಪಡಬೇಕು. ನಿಖರವಾದ ಪೂರ್ವಪ್ರಕ್ರಿಯೆಯು ಸರಿಯಾದ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಹೆಸರು ಯಶಸ್ ಸಿ ಆರ್. ನಾನು ಜನವರಿ 09, 2005 ರಂದು ಜನಿಸಿದ್ದೇನೆ. ನಾನು ಮೂಲತಃ ಮೈಸೂರಿನವನು. ನನ್ನ ವಿದ್ಯಾಭ್ಯಾಸವು ಎಲ್ಲಾ ಮೈಸೂರಿನಲ್ಲಿಯೇ ಮುಗಿಸಿದ್ದೇನೆ. ಈಗ ನಾನು ಕ್ರೈಸ್ಟ್ ಕಾಲೇಜಿನಲ್ಲಿ BSc DM ಮಾಡುತ್ತಿದ್ದೇನೆ. ನನಗೆ ಗಣಿತವು ಅಷ್ಟು ಇಷ್ಟವಿಲ್ಲ. ಅದರೆ ಬೇರೆ ಯಾವುದೇ ವಿಷಯವು ನನಗೆ ಹೆಚ್ಚು ಇಷ್ಟವಿಲ್ಲ. ಆದರೆ ಕನ್ನಡ ಭಾಷೆಯನ್ನು ನಾನು ಮೊದಲು ಅಧ್ಯಯನ ಮಾಡಬೇಕು ಮತ್ತು ನಮ್ಮ ಭಾಷೆಗೆ ಮೊದಲು ಅಧ್ಯಯನ ಮಾಡಬೇಕು. ಬೆಂಗಳೂರಿನಲ್ಲಿ ಕನ್ನಡಿಗರು ಕಡಿಮೆ ಆಗಿದ್ದಾರೆ. ಆದರೆ ಕನ್ನಡ ಭಾಷೆಯ ಬಲವನ್ನು ಧರಿಸುವುದು ನನಗೆ ಹೆಚ್ಚು ಇಷ್ಟ. ನಾನು ಶಾಲೆಯಲ್ಲಿ ಓದುವಾಗ ಕನ್ನಡವು ನನಗೆ ತುಂಬಾ ಇಷ್ಟ. ಕ್ರೈಸ್ಟ್ ಕಾಲೇಜಿಗೆ ಬಂದ ನಂತರ ಕನ್ನಡ ಭಾಷೆಯನ್ನು ಇಲಾ ಧೀರ್ವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಲು ತುಂಬಾ ಬೇಜಾರು ಆಯ್ತು. ಈ ವರ್ಷ ನಾನು ಅಧ್ಯಯನ ಮಾಡಬೇಕು ಮತ್ತು ನನ್ನ ಕಣ್ಣಿಗೆ ಬಿದ್ದಿದ್ದ ಕನ್ನಡ ಹಾಗೂ ನನಗೆ ಮೊದಲು ಕನ್ನಡದ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಕೊಡಬೇಕು. ನಾನು ಕ್ರೈಸ್ಟ್ ಕಾಲೇಜಿಗೆ ಬಂದ ನಂತರ ಕನ್ನಡವನ್ನು ಹಾಗೂ ಕನ್ನಡಿಗರನ್ನು ತುಂಬಾ ಮಿಸ್ ಮಾಡುತ್ತಿದ್ದೇನೆ. ಯಾವುದೇ ಪ್ರಪಂಚದಲ್ಲಿ ಯಾವುದೇ ರಾಜ್ಯದಲ್ಲಿ ಅನುಭವವನ್ನು ಆನಂದಿಸುತ್ತಿದ್ದೇನೆ. ನನ್ನ ಬಗ್ಗೆ ಹೇಳಲು ಜಾಸ್ತಿ ಯೆನಿಲಾ ನಾನು ಇಷ್ಟ ಹೇಳಿ ನನ್ನ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಿದ್ದೇನೆ. ನಾನು ನಮ್ಮ ಉಪನ್ಯಾಸಕರಿಗೆ ಧನ್ಯವಾದ ಹೇಳಿಸುತ್ತಿದ್ದೇನೆ. ನನ್ನ ಬಗ್ಗೆ ನಮ್ಮ ಬಗ್ಗೆ ಮಾತನಾಡಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿದಕೆ 

ನನ್ನ ಬಗ್ಗೆ ಹೇಳಲು, ನಾನು ಕ್ರಿಕೆಟ್ ಆಡುವುದು ತುಂಬಾ ಇಷ್ಟ. ಆದರೆ, ಸಮಯ ಸಿಕ್ಕಾಗ ರುಚಿಯಾದ ಪುಸ್ತಕಗಳನ್ನು ಓದುವ ಮತ್ತು ಚಲನಚಿತ್ರಗಳನ್ನು ನೋಡುನನಗೆ ತುಂಬಾ ಇಷ್ಟ.