ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಆಟೋಮೋಟಿವ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ: ಎಂಡ್-ಟು-ಎಂಡ್

ಲಾಭಗಳು:

• ಪಾಂಡಾಗಳೊಂದಿಗೆ ಟೆಲಿಮೆಟ್ರಿ, ಪರೀಕ್ಷೆ ಮತ್ತು ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡುವ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಪುನರಾವರ್ತಿತ ವಿಶ್ಲೇಷಣೆ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಕೋಡ್, ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ದೃಶ್ಯೀಕರಣ ಸಹಾಯವನ್ನು ಸ್ವೀಕರಿಸುವಾಗ ಔಟ್‌ಪುಟ್ ಲೈನ್ ಅನ್ನು ಸಾಲಿನ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಘಟಕದ ಸ್ಥಿರತೆ, ಡೇಟಾ ಸೋರಿಕೆ ಮತ್ತು ಪುನರುತ್ಪಾದನೆಗಾಗಿ ವಿಶ್ಲೇಷಣೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಆಡಿಟ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ

ಹಿಂದಿನ ಘಟಕಗಳಲ್ಲಿ, ನಾವು "ಸಲಹೆಗಾರ" ನಂತಹ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಿದ್ದೇವೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಒಂದು ಹೆಜ್ಜೆ ಮುಂದೆ ಹೋಗುತ್ತೇವೆ ಮತ್ತು ಪೈಥಾನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಮ್ಮ ಸ್ವಂತ ಕೈಗಳಿಂದ ಆಟೋಮೋಟಿವ್ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಕೆಲಸದ ಹರಿವನ್ನು ಸ್ಥಾಪಿಸುತ್ತೇವೆ. ನಿಮ್ಮನ್ನು ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್ ಮಾಡುವ ಗುರಿಯಲ್ಲ; AI ನಿಂದ ಕೋಡ್ ಸಹಾಯವನ್ನು ಪಡೆಯುವಾಗ ಆ ಕೋಡ್ ಅನ್ನು ಸಾಲಿನ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ಪರಿಶೀಲಿಸುವ ಎಂಜಿನಿಯರ್ ಅನ್ನು ಮಾಡುವುದು. ಏಕೆಂದರೆ AI ತಯಾರಿಸಿದ ಪಠ್ಯದಂತೆಯೇ AI ಉತ್ಪಾದಿಸಿದ ಕೋಡ್ ದೋಷಪೂರಿತವಾಗಿರಬಹುದು; ವಾಲ್ಯೂಮ್ ಗೊಂದಲ, ಡೇಟಾ ಸೋರಿಕೆ, ಮಧ್ಯ ತಪ್ಪು ಕಾಲಮ್. ಕೋಡ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆ ರನ್ ಮಾಡುವುದು ಸಹಿ ಮಾಡದ ವರದಿಯನ್ನು ಪ್ರಕಟಿಸಿದಂತೆ.

ಹೆಬ್ಬಾವು ಏಕೆ? ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಇದು ವಾಸ್ತವಿಕ ಮಾನದಂಡವಾಗಿದೆ: ನೀವು ಪಾಂಡಾಗಳು (ಟ್ಯಾಬ್ಯುಲರ್ ಡೇಟಾ), ನಂಬಿ (ಸಂಖ್ಯೆಯ ಸಂಸ್ಕರಣೆ), ಮ್ಯಾಟ್‌ಪ್ಲಾಟ್ಲಿಬ್ (ಪ್ಲಾಟ್) ಮತ್ತು ಸ್ಕಿಕಿಟ್-ಲರ್ನ್ (ಮೆಷಿನ್ ಲರ್ನಿಂಗ್) ಲೈಬ್ರರಿಗಳೊಂದಿಗೆ ಟೆಲಿಮೆಟ್ರಿ, ಪರೀಕ್ಷೆ ಮತ್ತು ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ಸುಲಭವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು.

ಪುನರುತ್ಪಾದಕ ವಿಶ್ಲೇಷಣೆಗೆ ಆರು ಹಂತಗಳು

ಘನ ವಿಶ್ಲೇಷಣೆ ಯಾವಾಗಲೂ ಒಂದೇ ಚೌಕಟ್ಟನ್ನು ಅನುಸರಿಸುತ್ತದೆ:

1. ಲೋಡ್: ಫೈಲ್‌ನಿಂದ ಡೇಟಾವನ್ನು ಓದಿ.
2. ಪರೀಕ್ಷಿಸಿ: ಆಯಾಮಗಳು, ಕಾಲಮ್‌ಗಳು, ಡೇಟಾ ಪ್ರಕಾರಗಳು, ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು.
3. ಕ್ಲೀನ್: ಮಿಸ್ಸಿಂಗ್/ಔಟ್‌ಲೈಯರ್, ಯುನಿಟ್, ಟೈಮ್‌ಸ್ಟ್ಯಾಂಪ್ ತಿದ್ದುಪಡಿ.
4. ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊರತೆಗೆಯಿರಿ: ಅರ್ಥಪೂರ್ಣ ಅಸ್ಥಿರಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಿ.
5. ವಿಶ್ಲೇಷಣೆ/ಮಾದರಿ: ಅಂಕಿಅಂಶಗಳು, ದೃಶ್ಯೀಕರಣ, ಅಥವಾ ಮಾದರಿ.
6. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ವರದಿ ಮಾಡಿ: ಫಲಿತಾಂಶದ ನಿಬಂಧನೆ, ಪರಿಮಾಣ/ಸೋರಿಕೆ ಪರಿಶೀಲನೆ, ರೆಕಾರ್ಡಿಂಗ್.

ಸಲಹೆ: AI ಅನ್ನು ಕೋಡ್‌ಗಾಗಿ ಕೇಳುವಾಗ, "ಪ್ರತಿ ಹಂತದಲ್ಲಿ ನೀವು ಏನು ಮಾಡುತ್ತಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ ಊಹೆಗಳನ್ನು ಬರೆಯಿರಿ" ಎಂದು ಹೇಳಿ. ಆದ್ದರಿಂದ ನೀವು ಅದನ್ನು ಓದಿದಂತೆ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಬಹುದು.

ಹಂತ-ಹಂತದ ಉದಾಹರಣೆ: ಟೆಲಿಮೆಟ್ರಿ ವಿಶ್ಲೇಷಣೆ

ಕೆಳಗಿನ ಕೋಡ್ CAN/ಟೆಲಿಮೆಟ್ರಿ ದಾಖಲೆಯನ್ನು ಲೋಡ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮೂಲಭೂತ ಪರಿಶೀಲನೆಯನ್ನು ಮಾಡುತ್ತದೆ. (ಗಮನಿಸಿ: ಕೋಡ್‌ಗಳನ್ನು ಚಲಾಯಿಸುವ ಮೊದಲು ನೀವು ಅವುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೀರಿ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ; ಕಾಲಮ್ ಹೆಸರುಗಳು ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿ ಬದಲಾಗುತ್ತವೆ.)

pd# 1 ನಂತೆ ಪಾಂಡಾಗಳನ್ನು ಆಮದು ಮಾಡಿ text)print(df.isna().sum()) # ಪ್ರತಿ ಕಾಲಮ್‌ಪ್ರಿಂಟ್‌ಗೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳ ಸಂಖ್ಯೆ(df.describe()) # ಸಾರಾಂಶ ಅಂಕಿಅಂಶಗಳು: ನಿಮಿಷ, ಗರಿಷ್ಠ, ಸರಾಸರಿ

ವಿವರಿಸುವ() ಔಟ್‌ಪುಟ್ ಪರಿಶೀಲಿಸಲು ನಿಮ್ಮ ಮೊದಲ ಅವಕಾಶವಾಗಿದೆ: ಎಂಜಿನ್ ವೇಗದ ಗರಿಷ್ಠ ಮೌಲ್ಯವು 45,000 rpm ಆಗಿದ್ದರೆ (ವಿಶಿಷ್ಟ ಪ್ರಯಾಣಿಕ ಎಂಜಿನ್ ~7,000 rpm), ಘಟಕ ಅಥವಾ ಸಂವೇದಕ ದೋಷವಿದೆ.

ಆಡಿಟಿಂಗ್ ಹಂತದಲ್ಲಿ ಪಾಂಡಾಗಳು ಹೆಚ್ಚಾಗಿ ಬಳಸುವ ಆಜ್ಞೆಗಳು ಮತ್ತು ಅವರು ಏನು ಮಾಡುತ್ತಾರೆ:

ಆಜ್ಞೆ

ಏನು ಮಾಡುತ್ತದೆ

ಇದು ಏನು ದೃಢೀಕರಿಸುತ್ತದೆ?

df. ಆಕಾರ

ಸಾಲುಗಳು/ಕಾಲಮ್‌ಗಳ ಸಂಖ್ಯೆ

ಇದು ನಿರೀಕ್ಷಿತ ಗಾತ್ರವೇ?

df.dtypes

ಕಾಲಮ್ ಪ್ರಕಾರಗಳು

ಸಂಖ್ಯೆಯ ಕಾಲಮ್ ಪಠ್ಯವಾಗಿದೆಯೇ?

df.isna().sum()

ಮೌಲ್ಯದ ಎಣಿಕೆ ಕಾಣೆಯಾಗಿದೆ

ಎಷ್ಟು ಜಾಗವಿದೆ?

df.ವಿವರಿಸಿ()

ಕನಿಷ್ಠ/ಗರಿಷ್ಠ/ಸರಾಸರಿ

ಇದು ದೈಹಿಕವಾಗಿ ಸಮಂಜಸವೇ?

df.duplicated().sum()

ನಕಲಿ ಸಾಲು

ದ್ವಿ ನೋಂದಣಿ ಇದೆಯೇ?

# 3) ತೆರವುಗೊಳಿಸಿ: ಭೌತಿಕವಾಗಿ ಅಸಾಧ್ಯ ಮೌಲ್ಯಗಳನ್ನು ಗುರುತಿಸಿ

ಎಚ್ಚರಿಕೆ: ಔಟ್ಲೈಯರ್ ಅನ್ನು ತಕ್ಷಣವೇ ಅಳಿಸಬೇಡಿ; ಅದು ಏಕೆ ಹೊರಗಿದೆ ಎಂಬುದನ್ನು ಮೊದಲು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಇದು ನೈಜ ಘಟನೆಯೇ (ಹಠಾತ್ ತಾಪನ) ಅಥವಾ ಸಂವೇದಕ ವೈಫಲ್ಯವೇ? ಕುರುಡಾಗಿ ಅಳಿಸುವುದರಿಂದ ನಿಜವಾದ ತಪ್ಪನ್ನು ಮರೆಮಾಚಬಹುದು.

# 4) ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹೊರತೆಗೆಯಿರಿ: ತಾಪಮಾನ ಏರಿಕೆ ದರ (ವ್ಯುತ್ಪನ್ನ)df = df.sort_values("ಸಮಯ")df["sic_increase_speed"] = df["motor_sic"].diff() / df["time"].diff().dt.total_seconds () # 5ಟಿಪ್ಲೈಸೇಶನ್ ದೃಶ್ಯೀಕರಣ pltplt.plot(df["time"], df["motor_sic"])plt.xlabel("ಸಮಯ"); plt.ylabel("ಎಂಜಿನ್ ತಾಪಮಾನ (C)")plt.title("ಎಂಜಿನ್ ತಾಪಮಾನ ಕೋರ್ಸ್")plt.show()

ಪೈಥಾನ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೋರಿಕೆಯನ್ನು ತಡೆಯುವುದು

ಮುನ್ಸೂಚನೆಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವಾಗ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ತಪ್ಪು ಡೇಟಾ ಸೋರಿಕೆಯಾಗಿದೆ (ಘಟಕ 5): ಮಾದರಿಯು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ತಿಳಿಯಲಾಗದ ಮಾಹಿತಿಯನ್ನು ನೋಡಿದಾಗ. ಸಮಯದ ಸರಣಿಯಲ್ಲಿ ಇದನ್ನು ತಪ್ಪಿಸುವ ಸುವರ್ಣ ನಿಯಮ: ಭೂತಕಾಲದೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಿ, ಭವಿಷ್ಯದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ - ಯಾದೃಚ್ಛಿಕ ಷಫಲಿಂಗ್ ಇಲ್ಲ.

sklearn.model_selection ಇಂಪೋರ್ಟ್ ಟ್ರೈನ್_ಟೆಸ್ಟ್_ಸ್ಪ್ಲಿಟ್# ತಪ್ಪು: ಸಮಯ ಸರಣಿಯನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ವಿಭಜಿಸುವುದು ಭವಿಷ್ಯವನ್ನು ಸೋರಿಕೆ ಮಾಡುತ್ತದೆ# df[df["time"] > threshold] # ಕಳೆದ 20% ಭವಿಷ್ಯ

ಎಚ್ಚರಿಕೆ: train_test_split ಡೀಫಾಲ್ಟ್ ಆಗಿ ಡೇಟಾವನ್ನು ಷಫಲ್ ಮಾಡುತ್ತದೆ (ಷಫಲ್=ಟ್ರೂ). ಸಮಯದ ಸರಣಿಯಲ್ಲಿ, ಇದು ಶಿಕ್ಷಣದೊಂದಿಗೆ ಭವಿಷ್ಯವನ್ನು ಗೊಂದಲಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ತಪ್ಪು ಹೆಚ್ಚಿನ ಅಂಕವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. AI ಅದನ್ನು ಉತ್ಪಾದಿಸುವ ಕೋಡ್‌ನಲ್ಲಿ ಇದನ್ನು ಮಾಡಿದ್ದರೆ, ಅದನ್ನು ಸರಿಪಡಿಸಲು ಮರೆಯದಿರಿ.

ಘಟಕದ ಸ್ಥಿರತೆ: ಮೂಕ ಕೊಲೆಗಾರ

ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿನ ಅತ್ಯಂತ ಕಪಟ ದೋಷಗಳು ಘಟಕ ದೋಷಗಳು: km/h ನಿಂದ m/s, Nm ನಿಂದ lb-ft, ಬಾರ್‌ನಿಂದ kPa, °C ನಿಂದ K. ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಪ್ರತಿ ಕಾಲಮ್‌ನ ಯೂನಿಟ್ ಏನೆಂದು ನಿಘಂಟನ್ನು ಇಟ್ಟುಕೊಳ್ಳುವುದು ಮತ್ತು ಪರಿವರ್ತನೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯುವುದು ಜೀವಗಳನ್ನು ಉಳಿಸುತ್ತದೆ.

# ಘಟಕಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ದಾಖಲಿಸಿ = {"ವೇಗ": "km/h", "motor_sic": "C", "pressure": "bar"}# ಅಗತ್ಯವಿದ್ದರೆ ಸ್ಪಷ್ಟ ಪರಿವರ್ತನೆ (km/h -> m/s)df["speed_ms"] = df["speed"] / 3.6

ಮಿನಿ ಕೇಸ್ ಸ್ಟಡೀಸ್

ಪ್ರಕರಣ 1 - ವಿವರಣೆ() ನೊಂದಿಗೆ ದೋಷ ಕಂಡುಬಂದಿದೆ. ವಿಶ್ಲೇಷಕರು AI ನಿಂದ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಶ್ರೇಣಿಯ ಅಂದಾಜು ಮಾಡುತ್ತಾರೆ; ಫಲಿತಾಂಶವು ಅಸಂಬದ್ಧವಾಗಿದೆ. ನಾವು ವಿವರಿಸುವ () ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೋಡಿದಾಗ, ಬ್ಯಾಟರಿ ಸಾಮರ್ಥ್ಯವನ್ನು ಕೆಲವು ಸಾಲುಗಳಲ್ಲಿ Wh ಮತ್ತು ಇತರರಲ್ಲಿ kWh ನಲ್ಲಿ ನಮೂದಿಸಲಾಗಿದೆ (1000 ಪಟ್ಟು ವ್ಯತ್ಯಾಸ). ಘಟಕವನ್ನು ಏಕರೂಪದ ಪ್ರಕಾರಕ್ಕೆ ತಂದಾಗ, ಫಲಿತಾಂಶವು ಸುಧಾರಿಸುತ್ತದೆ. ತೀರ್ಮಾನ: ಒಂದು ಸರಳ ಸಾರಾಂಶ ಅಂಕಿಅಂಶವು ಕೆಟ್ಟ ಭವಿಷ್ಯವನ್ನು ತಡೆಯುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಗೊಂದಲದ ಬಲೆ. ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ಇಂಟರ್ನ್‌ನ ಬ್ರೇಕ್ ವೇರ್ ಮಾದರಿಯು 98% ನಿಖರವಾಗಿತ್ತು. ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ, train_test_split(shuffle=True) ಮತ್ತು ಸಮಯದ ಸರಣಿಯು ಮಿಶ್ರಣವಾಗಿದೆ, ಅಂದರೆ ಭವಿಷ್ಯದ ಅಂಕಗಳು ತರಬೇತಿಯಲ್ಲಿ ಸೋರಿಕೆಯಾಗುತ್ತವೆ. ಸಮಯದಿಂದ ಭಾಗಿಸಿದಾಗ, ನಿಖರತೆಯು 80% ಕ್ಕೆ ಇಳಿಯುತ್ತದೆ, ಆದರೆ ಅದು ಈಗ ವಾಸ್ತವಿಕವಾಗಿದೆ. ತೀರ್ಮಾನ: AI ಕೋಡ್ ಕೆಲಸ ಮಾಡಿದ ಕಾರಣ, ಅದು ಸರಿಯಾಗಿಲ್ಲ; ಮಾನವ ಸೋರಿಕೆಯನ್ನು ಹಿಡಿದನು.

ಪ್ರಕರಣ 3 - ಹೊರಗಿನದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು. ಬಾಳಿಕೆ ದಾಖಲೆಯಲ್ಲಿ, AI ಕೋಡ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊರಗಿನ ಸ್ಟ್ರೈನ್ ಮೌಲ್ಯಗಳನ್ನು ಅಳಿಸುತ್ತದೆ. ಎಂಜಿನಿಯರ್ ಅಳಿಸಿದ ಬಿಂದುಗಳನ್ನು ನೋಡುತ್ತಾನೆ; ಇವುಗಳು ನಿಖರವಾಗಿ ಕ್ರ್ಯಾಕ್ ಆರಂಭದ ಕ್ಷಣಗಳಾಗಿದ್ದು, ಪರೀಕ್ಷೆಯು ಆಸಕ್ತಿಯನ್ನು ಹೊಂದಿತ್ತು. ಅಳಿಸುವಿಕೆಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಉಲ್ಲಂಘನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕ ಪರಿಶೀಲನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಫಲಿತಾಂಶ: "ಕ್ಲೀನಿಂಗ್" ಅಡಿಯಲ್ಲಿ ನಿಜವಾದ ಸಿಗ್ನಲ್ ಅನ್ನು ಅಳಿಸಬಹುದು; ಪ್ರತಿ ಹೆಜ್ಜೆಯನ್ನು ಪ್ರಶ್ನಿಸಿ.

ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೆಟ್ಗಳು

ಟೆಂಪ್ಲೇಟ್ 1 - ವಿನಂತಿ ಕೋಡ್ (ವಿವರಣೆಯೊಂದಿಗೆ):

ಪಾತ್ರ: ನೀವು ಪೈಥಾನ್ ಡೇಟಾ ವಿಶ್ಲೇಷಕ ಮಾರ್ಗದರ್ಶಕರಾಗಿದ್ದೀರಿ. ಕಾರ್ಯ: ಟೆಲಿಮೆಟ್ರಿ CSV ಅನ್ನು ಲೋಡ್ ಮಾಡುವ ಮತ್ತು ಪರಿಶೀಲಿಸುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ಸಂದರ್ಭ: ಕಾಲಮ್‌ಗಳು: ಸಮಯ, ವೇಗ(km/h), engine_sic(C), ಕ್ರಾಂತಿ(rpm).ನಿರ್ಬಂಧ: ಪ್ರತಿ ಸಾಲನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ; ಯಾವ ಚೆಕ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಏಕೆ ಎಂದು ವಿವರಿಸಿ; ಭೌತಿಕವಾಗಿ ಅಸಾಧ್ಯ ಮೌಲ್ಯ ಪರಿಶೀಲನೆಯನ್ನು ಸೇರಿಸಿ; ಮೌನವಾಗಿ ಏನನ್ನೂ ಅಳಿಸುತ್ತಿಲ್ಲ. ಔಟ್‌ಪುಟ್: ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್ + ನಾನು ಯಾವ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೋಡಬೇಕು ಮತ್ತು ಏಕೆ.

ಟೆಂಪ್ಲೇಟ್ 2 - ಸೋರಿಕೆ ತಪಾಸಣೆ:

ಪಾತ್ರ: ನೀವು ಯಂತ್ರ ಕಲಿಕೆ ಕೋಡ್ ವಿಮರ್ಶಕರು. ಕಾರ್ಯ: ಡೇಟಾ ಸೋರಿಕೆಗಳಿಗಾಗಿ ಈ ಕೆಳಗಿನ ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ಸ್ಪ್ಲಿಟ್ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ. ಸಂದರ್ಭ: ಇದು ಸಮಯ ಸರಣಿ (ವಾಹನ ಟೆಲಿಮೆಟ್ರಿ). ನಿರ್ಬಂಧ: ಯಾದೃಚ್ಛಿಕ ಷಫಲಿಂಗ್ ಇದ್ದರೆ ಎಚ್ಚರಿಕೆ; ಸಮಯದ ಮೂಲಕ ವಿಭಜನೆಯನ್ನು ಸೂಚಿಸಿ ಮತ್ತು ಸಮರ್ಥಿಸಿ. ಔಟ್ಪುಟ್: ಸಂಶೋಧನೆಗಳು + ಸರಿಪಡಿಸಿದ ಕೋಡ್ + ವಿವರಣೆ.

ಟೆಂಪ್ಲೇಟ್ 3 - ಘಟಕ ಮೌಲ್ಯೀಕರಣ:

ಪಾತ್ರ: ನೀವು ಡೇಟಾ ಗುಣಮಟ್ಟದ ಆಡಿಟರ್ ಆಗಿದ್ದೀರಿ. ಕಾರ್ಯ: ಡೇಟಾಫ್ರೇಮ್‌ನಲ್ಲಿ ಘಟಕದ ಅಸಂಗತತೆಯನ್ನು ಹುಡುಕುವ ಪರಿಶೀಲನೆಗಳನ್ನು ಸೂಚಿಸಿ. ಸಂದರ್ಭ: ಸಾಮರ್ಥ್ಯವು ಕೆಲವು ಸಾಲುಗಳಲ್ಲಿ kWh ಆಗಿರಬಹುದು ಮತ್ತು ಇತರರಲ್ಲಿ Wh ಆಗಿರಬಹುದು. ಔಟ್‌ಪುಟ್: ಕೋಡ್ ಪರಿಶೀಲಿಸಿ + ಅನುಮಾನಾಸ್ಪದ ಮಾದರಿಯನ್ನು ಹೇಗೆ ಕಂಡುಹಿಡಿಯುವುದು.

ಟೆಂಪ್ಲೇಟ್ 4 - ದೃಶ್ಯೀಕರಣ + ಕಾಮೆಂಟ್:

ಪಾತ್ರ: ನೀವು ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಪರಿಣಿತರು. ಕಾರ್ಯ: ಎಂಜಿನ್ ತಾಪಮಾನದ ಕೋರ್ಸ್ ಮತ್ತು ಹೆಚ್ಚಳದ ದರವನ್ನು ಯೋಜಿಸುವ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ನಿರ್ಬಂಧ: ಘಟಕದೊಂದಿಗೆ ಅಕ್ಷಗಳನ್ನು ಲೇಬಲ್ ಮಾಡಿ; ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಅಸಂಗತತೆಯನ್ನು ಗುರುತಿಸಿ; ಗ್ರಾಫ್ ಅನ್ನು ಅರ್ಥೈಸುವಾಗ ನಿರ್ಣಾಯಕ ದೋಷವನ್ನು ಹೇಳಬೇಡಿ. ಔಟ್ಪುಟ್: ಕೋಡ್ + ಗ್ರಾಫ್ನಲ್ಲಿ ಏನು ನೋಡಬೇಕು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಡೇಟಾದೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿ.

ಯಾವ ಗುರಿ, ಯಾವ ವಿಭಾಗ, ಯಾವ ಪರಿಶೀಲನೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ; AI ಸ್ಕ್ರ್ಯಾಂಬಲ್ಡ್, ಲೀಕಿ, ಯುನಿಟ್-ಬ್ಲೈಂಡ್ ಕೋಡ್ ಅನ್ನು ಔಟ್‌ಪುಟ್ ಮಾಡಬಹುದು.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಪಾತ್ರ: ನೀವು ಪೈಥಾನ್ ML ಮಾರ್ಗದರ್ಶಕರಾಗಿದ್ದೀರಿ. ಕಾರ್ಯ: ಬ್ರೇಕ್ ಪ್ಯಾಡ್ ಉಡುಗೆಗಳನ್ನು ಊಹಿಸಲು ಮತ್ತು ಮೌಲ್ಯಮಾಪನದ ಮೋಸಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಆರಂಭಿಕ ಕೆಲಸದ ಹರಿವನ್ನು ಬರೆಯಿರಿ. ಸಂದರ್ಭ: ಸಮಯ ಸರಣಿ ಟೆಲಿಮೆಟ್ರಿ; ಗುರಿ: ಉಳಿದಿರುವ ಪ್ಯಾಡ್ ದಪ್ಪ. ನಿರ್ಬಂಧ: ಸಮಯದ ಮೂಲಕ ಸಮಯದ ಸರಣಿಯನ್ನು ವಿಭಜಿಸಿ (ಯಾವುದೇ ಷಫಲಿಂಗ್ ಇಲ್ಲ); ಡೇಟಾ ಸೋರಿಕೆಯ ಅಪಾಯದಲ್ಲಿ ಫ್ಲ್ಯಾಗ್ ಗುಣಲಕ್ಷಣಗಳು; ಡಾಕ್ಯುಮೆಂಟ್ ಘಟಕಗಳು; ಪ್ರತಿ ಹಂತವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ; ಫಲಿತಾಂಶವು ಕ್ಷೇತ್ರಕ್ಕೆ ಹೋಗುವ ಮೊದಲು ಯಾವ ಪರಿಶೀಲನೆಗಳ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. ಔಟ್‌ಪುಟ್: ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್ + ಪರಿಶೀಲನೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಕೋಡ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳದೆ ರನ್ ಮಾಡುವುದು. AI ಕೋಡ್ ಸಹ ದೋಷಪೂರಿತವಾಗಿರಬಹುದು; ಸಾಲು ಸಾಲಾಗಿ ಓದಿ.
• ಮಿಶ್ರಣ ಸಮಯ ಸರಣಿ. shuffle=ನಿಜ ಭವಿಷ್ಯವನ್ನು ಸೋರಿಕೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಕಲಿ ಅಂಕವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
• ಕುರುಡಾಗಿ ಔಟ್ಲೈಯರ್ ಅಳಿಸಿ. ನಿಜವಾದ ಸಿಗ್ನಲ್ (ದೋಷ ಆರಂಭ) ತೆರವುಗೊಳಿಸಬಹುದು.
• ಘಟಕವನ್ನು ದಾಖಲಿಸುತ್ತಿಲ್ಲ. km/h vs m/s, Wh vs kWh ನಂತಹ ದೋಷಗಳು ಮೌನವಾಗಿ ಬೆಳೆಯುತ್ತವೆ.
• ವಿವರಣೆ()/ಚೆಕ್ ಹಂತವನ್ನು ಬಿಟ್ಟುಬಿಡಲಾಗುತ್ತಿದೆ. ಮೊದಲ ಸಾರಾಂಶ ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ದೋಷಗಳು ಕಂಡುಬರುತ್ತವೆ.

ಸಾರಾಂಶದಲ್ಲಿ

• ಪೈಥಾನ್ (ಪಾಂಡಾಗಳು, ನಂಬಿ, ಮ್ಯಾಟ್‌ಪ್ಲಾಟ್‌ಲಿಬ್, ಸ್ಕಿಕಿಟ್-ಲರ್ನ್) ಆಟೋಮೋಟಿವ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯ ವಾಸ್ತವಿಕ ಮಾನದಂಡವಾಗಿದೆ.
• ಪುನರಾವರ್ತಿತ ವಿಶ್ಲೇಷಣೆ: ಲೋಡ್ ಮಾಡಿ, ಪರೀಕ್ಷಿಸಿ, ಸ್ವಚ್ಛಗೊಳಿಸಿ, ವೈಶಿಷ್ಟ್ಯಗೊಳಿಸಿ, ವಿಶ್ಲೇಷಿಸಿ, ಮೌಲ್ಯೀಕರಿಸಿ ಮತ್ತು ವರದಿ ಮಾಡಿ.
• AI ಲೈನ್ ಮೂಲಕ ಲೈನ್ ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಪರಿಶೀಲಿಸುವುದು ಕಡ್ಡಾಯವಾಗಿದೆ; ಅದು ಕೆಲಸ ಮಾಡುವುದರಿಂದ ಅದು ಸರಿ ಎಂದು ಅರ್ಥವಲ್ಲ.
• ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಹಿಂದಿನ/ಭವಿಷ್ಯದ ವ್ಯತ್ಯಾಸವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ; ಯಾದೃಚ್ಛಿಕ ಷಫಲಿಂಗ್ ಡೇಟಾ ಸೋರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
• ಘಟಕದ ಸ್ಥಿರತೆ ಮತ್ತು ಹೊರಗಿನ ವ್ಯಾಖ್ಯಾನವು ಮೂಕ ಆದರೆ ಪರಿಶೀಲನೆಯ ನಿರ್ಣಾಯಕ ಅಂಶಗಳಾಗಿವೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಸಣ್ಣ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ (ನೈಜ ಅಥವಾ ಸಿಂಥೆಟಿಕ್ ಟೆಲಿಮೆಟ್ರಿ). (1) ಆರು-ಹಂತದ ಚೌಕಟ್ಟನ್ನು ಅನುಸರಿಸಿ, ಟೆಂಪ್ಲೇಟ್ 1 ನೊಂದಿಗೆ ಲೋಡಿಂಗ್ ಮತ್ತು ನಿಯಂತ್ರಣ ಕೋಡ್ ಅನ್ನು ರಚಿಸಿ ಮತ್ತು ನೀವು ಪ್ರತಿ ಸಾಲನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೀರಿ ಎಂದು ಖಚಿತಪಡಿಸಿ. (2) ವಿವರಿಸುವ() ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಕನಿಷ್ಠ ಒಂದು ಅನುಮಾನಾಸ್ಪದ ಮೌಲ್ಯವನ್ನು ಹುಡುಕಿ ಮತ್ತು ಏಕೆ ಎಂದು ತನಿಖೆ ಮಾಡಿ. (3) ಮುನ್ಸೂಚನೆಯ ಕಾರ್ಯದಲ್ಲಿ, ತರಬೇತಿ/ಪರೀಕ್ಷೆ ವಿಭಜನೆಯ ಸಮಯ ಮತ್ತು ಟೆಂಪ್ಲೇಟ್ 2 ನೊಂದಿಗೆ ಸೋರಿಕೆಯ ಅಪಾಯವನ್ನು ಪರಿಶೀಲಿಸಿ. (4) ನಿಘಂಟಿನಲ್ಲಿ ನೀವು ಬಳಸುವ ಪ್ರತಿಯೊಂದು ಕಾಲಮ್‌ನ ಘಟಕವನ್ನು ದಾಖಲಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಆರು-ಹಂತದ ಚೌಕಟ್ಟಿನೊಂದಿಗೆ ಹೊಂದಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ನಿಂದ ರಚಿಸಲಾದ ಕೋಡ್ ಅನ್ನು ಲೈನ್ ಮೂಲಕ ಲೈನ್ ಅನ್ನು ಓದಿದ್ದೇನೆ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ.
• [] ನಾನು ವಿವರಿಸುವ ()/ಆಡಿಟ್‌ನೊಂದಿಗೆ ಅನುಮಾನಾಸ್ಪದ ಮೌಲ್ಯಗಳನ್ನು ಹುಡುಕಿದೆ.
• [ ] ನಾನು ಸಮಯದ ಸರಣಿಯನ್ನು ಸಮಯದ ಮೂಲಕ ವಿಭಜಿಸಿದ್ದೇನೆ (ಶಫಲಿಂಗ್ ಇಲ್ಲ).
• [ ] ಡೇಟಾ ಸೋರಿಕೆಯ ಅಪಾಯದಲ್ಲಿರುವ ಗುಣಲಕ್ಷಣಗಳನ್ನು ನಾನು ಗುರುತಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರತಿ ಕಾಲಮ್‌ನ ಘಟಕವನ್ನು ದಾಖಲಿಸಿದ್ದೇನೆ ಮತ್ತು ಪರಿವರ್ತನೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆದಿದ್ದೇನೆ.